人工智能时代，AI赋能，世界重塑-计算机行业深度研究-20170918-国金证券-73页-7mb

文档总结：人工智能时代与行业发展趋势

核心内容

本文档主要探讨了人工智能（AI）的发展趋势、核心技术要素以及其在多个行业的应用前景。重点分析了AI在算法、数据和计算力三大核心要素上的突破，指出这些要素的协同发展将推动AI进入爆发期。同时，文档还讨论了AI在消费端（C端）和企业端（B端）的渗透情况，以及相关政策对AI发展的支持。最后，文档提出了具体的投资建议，并列出了相关公司。

主要观点

1. AI投资热潮持续：自2011年起，AI领域的风投投资额逐年上升，2012~2016年每年均超过百亿美元，且科技巨头如谷歌、亚马逊、微软等在AI并购方面表现活跃，争夺数据和人才。

2. AI加速赋能行业：AI技术正加速渗透到医疗、金融、安防、教育、交通等多个领域，推动企业级和消费级产品的智能化升级，如智能客服、自动驾驶、智能安防等。

3. 三大核心要素驱动AI发展：

   • 算法：深度神经网络（DNN）等算法的不断迭代，使得AI模型性能显著提升。
   • 数据：虽然数据总量增长迅速，但标注成本高成为制约AI发展的主要因素。
   • 计算力：GPU成为深度学习领域的首选芯片，随着新型芯片（如FPGA、ASIC）的出现，计算效率持续提升。

4. AI政策支持：AI已成为国家战略，中国在2017年出台了《新一代人工智能发展规划》，旨在推动AI技术发展并实现弯道超车。

5. AI-aaS降低企业门槛：AI即服务（AI-aaS）模式通过“按需付费”降低企业智能化的实施门槛，加速AI应用的普及。

关键信息

2.1 算法

• 深度学习算法：深度神经网络（DNN）的出现，使得AI模型性能显著提升，例如语音识别的词错误率大幅下降。
• 开源框架：谷歌TensorFlow、微软CNTK、百度Paddle等开源深度学习框架，大大缩短了模型开发时间。
• 算法发展趋势：从感知器到深度残差网络（DRN），算法不断演进，模型复杂度和准确率显著提高。

2.2 数据

• 数据量与成本：数据量呈指数级增长，但标注成本高昂，限制了AI的应用。
• 无监督学习与迁移学习：无监督学习和迁移学习等方法正在减少对标注数据的依赖，成为AI发展的前沿方向。
• 数据应用案例：例如在医疗影像识别中，随着训练集样本数量的增加，识别准确率显著提升。

2.3 计算力

• GPU与CPU：GPU在深度学习中具有优势，但并非完全取代CPU，而是作为CPU的辅助，用于加速计算密集型任务。
• 计算力发展趋势：新型芯片如FPGA、ASIC等的出现，使得计算效率进一步提升，未来可能成为AI发展的主流。

4.1 语音识别

• 技术突破：深度学习算法显著提升了语音识别的准确率，从传统GMM-HMM模型的21%下降至14%~19%。
• 应用前景：语音识别技术在医疗、金融、教育等多个领域有广泛应用，如电子病历、智能投顾等。

4.2 智能投顾

• 市场发展：美国智能投顾市场发展迅速，而中国因监管限制，发展相对缓慢。
• 盈利模式：智能投顾主要通过低管理费率和低门槛吸引用户，国内平台需解决交易执行环节的问题。

4.3 智能安防

• 技术应用：智能安防通过前端和后端的协同工作，提升了视频监控的智能化水平。
• 数据需求：安防行业拥有海量数据，但数据标注成本依然高昂，需通过半监督学习等技术降低成本。

5. 投资建议

• 重点推荐公司：科大讯飞、中科曙光、同花顺、苏州科达、熙菱信息、思创医惠、四维图新、东方网力、拓尔思。
• 建议关注公司：富瀚微、中科创达、浪潮信息、浙大网新、佳都科技、汉王科技、工大高新等。
• AI业务布局：各公司AI方面的布局和进展详见正文第五部分。

行业现状与未来展望

• AI投资热浪：当前AI仍处于投资热浪的高潮期，预计未来将保持增长趋势。
• 技术瓶颈：尽管AI在多个领域取得进展，但数据标注成本高、算法依赖性大等问题依然存在。
• 政策与市场：政策支持和市场需求共同推动AI发展，未来有望在多个领域实现突破。

风险提示

• 技术应用落地不及预期：AI技术在实际应用中可能面临技术难题。
• 行业竞争加剧：随着AI技术的普及，行业竞争将更加激烈。

总结

文档系统地分析了AI在算法、数据和计算力方面的突破，以及其在不同行业的应用前景。通过讨论科技巨头的并购行为、AI-aaS模式、政策支持等，指出了AI发展的主要驱动力。同时，文档提出了具体的投资建议，并强调了AI在未来的发展潜力。