20170727-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_47页_4mb

人工智能行业研究报告总结

核心内容

人工智能（AI）作为一项颠覆性技术，历经六十年的发展，正迎来新的突破性进展。AI技术进步被比作互联网革命，有望极大提升人类生产和组织效率。目前，深度学习在自然语言处理和计算机视觉领域取得重大进展，语音识别和图像识别已达到商业化高度，未来有望在更多领域超越人类。

主要观点

1. 技术基石：人工智能的发展依赖于三大技术基石——深度学习算法、计算能力和大数据。其中，深度学习算法是AI应用落地的核心引擎，而GPU、TPU、FPGA等硬件加速计算成为实现深度学习的关键。
2. 行业应用：AI的落地主要集中在垂直应用领域，如汽车、医疗、安防和机器人等，这些领域的应用正在加速推进。
3. 科技巨头引领：科技巨头如英伟达、谷歌、英特尔和百度等在AI技术发展和商业化方面处于领先地位，通过并购、研发和开源平台推动AI技术的普及。
4. 投资机会：AI产业链中，基础层和应用层都有大量投资机会，其中，科技巨头和部分初创企业在技术突破上更具优势，而垂直应用领域的市场机会更为广阔。
5. 风险提示：AI行业面临技术路线、算法迭代、行业落地和估值等风险，需要谨慎对待。

关键信息

人工智能发展历程

• 1956年达特茅斯会议标志着AI的诞生。
• 1956-1974年为AI的“黄金年代”，研究者认为具有完全智能的机器将在二十年内出现。
• 1974-1980年为AI的第一次低谷，计算能力和数据限制导致AI发展受阻。
• 1980-1987年为AI的繁荣期，专家系统成为主流。
• 1993年至今，AI持续前行，取得了多项突破，如深蓝击败国际象棋冠军、AlphaGo战胜围棋冠军。

AI技术基石

• 深度学习算法：Geoffrey Hinton 2006年论文开启了深度学习浪潮。
• 计算能力：GPU、TPU、FPGA等硬件加速计算成为AI发展的关键。
• 大数据：互联网的发展提供了丰富的数据资源，为AI应用奠定了基础。

AI产业链结构

• 基础支撑层：包括深度学习理论、神经网络等模型算法和GPU、ASIC等关键硬件。
• 技术应用层：包括计算机视觉和自然语言处理等。
• 垂直应用层：包括自动驾驶、医疗、安防、金融等具体应用场景。

AI主要应用场景

• AI+汽车：自动驾驶技术正在逐步成熟，L3和L4级已进入试验阶段，未来将实现完全自动驾驶。
• AI+医疗：医学影像诊断、辅助诊断、药物研发、健康管理等已初见成效，AI在提高诊断效率和降低误诊率方面表现突出。
• AI+安防：人脸识别、车辆检测、车牌识别等技术已广泛应用，提升了安防系统的智能化水平。
• AI+机器人：智能仓储机器人成为典型应用场景之一，展示了AI在自动化领域的潜力。

重点公司

• 海外科技巨头：英伟达在GPU通用计算方面领先，谷歌在深度学习和AI应用方面有显著布局。
• A股重点公司：科大讯飞、海康威视、四维图新、中科曙光等在AI应用方面表现突出。
• 初创企业：商汤科技、旷视科技等在AI算法和应用领域有较大潜力。

财务数据

• 中科曙光：2016-2019年EPS持续增长，PE逐渐下降，投资评级为强烈推荐。
• 科大讯飞：2016-2019年EPS持续增长，PE逐步下降，投资评级为强烈推荐。
• 海康威视：2016-2019年EPS持续增长，PE显著下降，投资评级为强烈推荐。

投资要点

• AI技术的突破将带来巨大的行业机遇，有望造就一批成功公司。
• 基础层的技术突破集中在科技巨头和科研机构，而市场机会更多体现在各种应用场景。
• 风险提示包括技术路线、算法迭代、行业落地低于预期和估值风险等。

风险提示

• 技术路线风险：AI技术路线多样，可能存在技术选择失误的风险。
• 算法迭代风险：AI算法不断更新，可能影响现有系统的性能。
• 行业落地低于预期：AI在实际应用中可能面临推广和接受度不足的问题。
• 估值风险：AI行业处于快速发展阶段，可能存在高估值的风险。

作者信息

• 署名：李超
• 执业编号：S0960511030016
• 联系方式：021-52340812
• 邮箱：lichao@china-invs.cn

资料来源

• Wind
• 中投证券财富研究部

行业表现

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

相关报告

• 人工智能的定义和发展历程
• AI技术基石
• 自然语言处理和计算机视觉
• 科技巨头引领AI发展
• 下游商业模式：AI+垂直应用
• 重点公司分析
• 风险提示

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34：百度Apollo技术框架
• 图35：百度Apollo开放路线图
• 图36：人脸检测跟踪
• 图37：行人车辆检测
• 图38：旷视科技智能安防解决方案
• 图39：亚马逊Kiva机器人
• 图40：极智嘉仓储机器人
• 图41：中科曙光营收变动情况
• 图42：中科曙光净利润和毛利率变动情况
• 图43：2016年中国HPCTOP100厂商份额（系统数）
• 图44：2016年中国HPCTOP100厂商份额（总性能）
• 图45：科大讯飞核心技术示意图
• 图46：科大讯飞战略架构
• 图47：科大讯飞营收变动情况
• 图48：科大讯飞净利润和毛利率变动情况
• 图49：海康威视营收变动情况
• 图50：海康威视净利润和毛利率变动情况
• 图51：海康威视视频监控智能化
• 图52：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