中国中投证券：人工智能——战略性看好人工智能，行业应用落地是硬道理201707_46页-4mb

人工智能行业分析总结

核心内容

人工智能（AI）是研究模拟和扩展人类智能的理论方法及应用系统的科学，其发展历程经历了多次起伏，目前正迎来新一轮突破。AI技术的进步被认为堪比互联网革命，将极大提升人类生产和组织效率，推动行业应用落地。

主要观点

• 技术进步：人工智能的发展得益于深度学习理论、计算能力提升和数据资源增长，其中语音识别和图像识别已达到商业化高度。
• 产业链结构：人工智能产业链由基础支撑层、技术应用层和垂直应用层构成。基础层包括算法、硬件（如GPU、TPU、ASIC等）；技术层涵盖计算机视觉和自然语言处理；垂直层包括自动驾驶、医疗、安防、机器人等。
• 科技巨头引领：科技巨头如英伟达、谷歌、英特尔在AI领域发挥重要作用，推动技术发展和行业应用落地。
• 应用场景落地：AI在多个行业应用已取得进展，包括汽车（自动驾驶）、医疗（影像诊断）、安防（人脸识别）和机器人（智能仓储）等。
• 投资机会：AI行业具有广阔前景，重点公司包括海外巨头英伟达，A股公司如科大讯飞、海康威视、四维图新、中科曙光，以及初创企业如商汤科技、旷视科技等。
• 风险提示：AI行业存在技术路线、算法迭代、行业落地低于预期和估值风险等挑战。

关键信息

技术基石

• 深度学习算法：深度学习算法是AI应用落地的核心，特别是基于人工神经网络（ANN）的模型。
• 计算能力：GPU、TPU、FPGA等硬件的发展为AI计算提供了强大的支持，其中GPU因其并行处理能力成为AI加速计算的重要工具。
• 大数据：互联网的发展提供了丰富的数据资源，为AI训练和应用奠定了基础。

神经网络与深度学习

• 人工神经网络是AI的重要组成部分，其结构包括前馈网络、反馈网络和自组织网络。
• 深度学习通过增加网络层数，提升模型的特征学习能力。2006年Hinton等人的研究推动了深度学习的发展。
• 卷积神经网络（CNN）在图像识别领域取得显著突破，成为当前研究热点。

AI应用场景

• 自动驾驶：L1和L2级辅助驾驶技术已成熟，L3和L4级正在试验，未来将实现完全自动驾驶。
• 医疗：AI在医学影像诊断、药物研发和健康管理等方面取得进展，如阿里健康的“Doctor You”系统在肺结节检测中准确率高达90%以上。
• 安防：人脸识别、车辆检测和车牌识别等技术已广泛应用于监控系统。
• 机器人：智能仓储机器人是AI与传统机器人结合的典型应用，如极智嘉和亚马逊Kiva机器人。

重点公司

• 海外科技巨头：英伟达在GPU领域具有领先优势，其深度学习平台已被广泛采用。
• A股重点公司：科大讯飞在语音识别和自然语言处理方面表现突出；海康威视在视频监控和AI应用方面取得显著成果；中科曙光在高性能计算和AI基础设施方面具有竞争力。
• 初创企业：商汤科技、旷视科技等在AI算法和应用场景方面表现亮眼，如商汤科技的人脸识别技术已广泛应用于多个领域。

风险提示

• 技术路线风险：AI技术发展存在不确定性，未来可能会有新的技术路径出现。
• 算法迭代风险：算法的持续优化可能导致现有技术落后。
• 行业落地风险：AI在多个领域的应用可能面临技术、法规和市场接受度的挑战。
• 估值风险：AI行业目前估值较高，存在泡沫风险。

投资要点

• 人工智能的发展前景广阔，有望再次提升人类生产和组织效率。
• 重点公司包括海外科技巨头英伟达、A股公司如科大讯飞、海康威视、中科曙光，以及初创企业如商汤科技、旷视科技。
• 投资建议为强烈推荐，但需注意相关风险。

行业数据

• 上市公司家数：192家
• 总市值：21,084.46亿元
• 占A股比例：3.91%
• 平均市盈率：420.56倍

图表目录

• 图1：AI的三大技术基石
• 图2：机器学习与神经网络之间的关系
• 图3：神经元M-P模型和单层神经网络结构
• 图4：前馈神经网络
• 图5：深度学习与传统方法的区别
• 图6：加速计算是现在AI的基石
• 图7：GPU加速计算原理
• 图8：GPU和CPU差异示意图
• 图9：TPU结构图
• 图10：寒武纪-1A（Cambricon-1A）
• 图11：DianNao结构图和Layout
• 图12：图像识别和语音识别错误率达到人类水平
• 图13：2016年CHiME比赛词错误率对比
• 图14：ILSVRC图像识别挑战赛分类错误率
• 图15：神经机器翻译的编码器-解码器框架
• 图16：计算机视觉系统框架
• 图17：简化的卷积神经网络结构
• 图18：二维卷积运算示意图
• 图19：最大池化运算操作示意图
• 图20：英伟达在GPU领域的发展阶段
• 图21：深度学习领域与英伟达合作的组织数量
• 图22：英伟达季度营收及分部
• 图23：英伟达自动驾驶专用芯片Xavier
• 图24：英特尔AI战略
• 图25：英特尔面向深度学习的通用架构
• 图26：英特尔Nervana平台
• 图27：百度深度学习开源平台（PaddlePaddle）
• 图28：百度大脑技术服务
• 图29：人工智能产业链框架
• 图30：自动驾驶发展路径
• 图31：自动驾驶原理框架
• 图32：驾驶分级概况
• 图33：自动驾驶路线图
• 图34：人脸检测跟踪
• 图35：行人车辆检测
• 图36：旷视科技智能安防解决方案
• 图37：亚马逊Kiva机器人
• 图38：极智嘉仓储机器人
• 图39：中科曙光营收变动情况
• 图40：中科曙光净利润和毛利率变动情况
• 图41：2016年中国HPCTOP100厂商份额
• 图42：2016年中国HPCTOP100厂商份额（总性能）
• 图43：科大讯飞核心技术示意图
• 图44：科大讯飞战略架构
• 图45：科大讯飞营收变动情况
• 图46：科大讯飞净利润和毛利率变动情况
• 图47：海康威视营收变动情况
• 图48：海康威视净利润和毛利率变动情况
• 图49：海康威视视频监控智能化
• 图50：海康威视创新业务

表格目录

• 表1：自动驾驶的四个等级
• 表2：AI+医疗应用场景（按照医疗阶段）
• 表3：AI+医疗应用场景（按照应用层次）
• 表4：商汤科技核心技术描述
• 表5：中科曙光2016年营收结构
• 表6：中科曙光盈利预测
• 表7：科大讯飞重要国际比赛成绩
• 表8：科大讯飞2016年营收结构
• 表9：科大讯飞盈利预测
• 表10：海康威视2016年及2017上半年营收结构
• 表11：海康威视盈利预测