2017-人工智能：AI潜入数，润物细无声_49页_2mb

人工智能发展与产业布局分析

核心内容概述

人工智能（AI）自1956年达特茅斯会议确立以来，历经六十年的发展，已从理论走向实践，进入爆发期。当前，专用人工智能（AI）的产业结构已经清晰，各国政府、产业巨头和创投圈均对其高度重视，推动AI技术在多个领域的应用。

主要观点

• 三大要素促成AI爆发：算法优化、计算能力提升和数据积累是人工智能发展的三大基础要素。深度学习算法的突破为AI提供了更高效的特征提取方法，GPU并行计算等技术加速了AI的训练过程，而互联网和物联网的普及带来了数据的爆发式增长。
• 技术应用大幅优化：人工智能在计算机视觉、语音识别和自然语言处理（NLP）等领域取得了显著突破，深度学习成为这些领域的标准解决方案。人脸识别、视频监控、语音识别等技术已相对成熟，具备广泛应用前景。
• 应用场景先行：人工智能在数据电子化程度高、数据集中且质量好的行业中率先应用，如工业、安防、城市计算、医疗、教育和智能家居等。这些行业将率先实现机器协助或替代人类工作的趋势。
• 三种产业布局模式：平台生态构建者、特定应用场景先行者和底层硬件设施提供者是当前值得关注的三种AI产业布局模式。代表性企业包括科大讯飞、东方网力、数字政通、华宇软件和中科曙光。
• 风险提示：宏观经济增长不及预期可能影响行业需求，进而影响AI发展。

关键信息

一、人工智能发展简史

• 1956-1974年：黄金年代，神经网络感知器被发明，AI技术初步发展。
• 1974-1980年：第一次低谷，研究进展缓慢，资金支持减少。
• 1980-1987年：繁荣时期，专家系统被广泛采用，神经网络重新崛起。
• 1987-1993年：AI之冬，专家系统泡沫破裂，AI发展受挫。
• 1993年至今：发展的春天，深度学习技术推动AI进入感知智能时代。

二、基础资源层

1. 算法突破：

   • 深度学习算法在特征提取和模型训练方面表现出色，尤其是卷积神经网络（CNN）、循环神经网络（RNN）等。
   • 深度学习具有多隐层结构，通过逐层初始化提升模型性能，但其代价函数高度非凸，训练难度大。

2. 计算能力提升：

   • 摩尔定律推动了计算能力的提升，使AI发展成为可能。
   • GPU并行计算成为深度学习训练的重要工具，提升模型训练效率。
   • FPGA、寒武纪芯片等硬件加速器正在成为AI发展的新趋势。

3. 数据积累：

   • 数据是AI的燃料，随着物联网的发展，数据的多样性和丰富性不断提升。
   • 未来，数据将主要由设备产生，物联网将加速数据积累。

三、技术应用层

1. 计算机视觉：

   • 通过卷积神经网络（CNN）等技术，计算机视觉实现了从人工特征工程向深度学习的转变。
   • 人脸识别、视频监控等技术在安防、医疗等领域广泛应用，具备较高的准确率和商业化潜力。

2. 语音识别：

   • Siri、Google Now、Cortana等语音助手推动了语音识别技术的发展。
   • 深度学习技术显著提升了语音识别的准确率，RNN-CTC模型成为主流框架。
   • 语音识别市场预计将在未来几年持续增长。

3. 自然语言处理（NLP）：

   • NLP从基于规则的模型转向统计模型，再进一步发展为深度学习模型。
   • 通过大规模未标注文本和无监督学习，NLP在语义理解和机器翻译等方面取得突破。

四、应用领域层

• 机器人：服务与工业机器人将逐步替代人类完成重复性工作。
• 安防领域：计算机视觉技术在监控系统中广泛应用，提升安防效率。
• 城市计算：通过智能算法挖掘城市数据，优化交通、能源和环保。
• 医疗领域：AI辅助医生处理医疗数据，提升诊断效率。
• 教育领域：智能家教、机器阅卷等应用逐步普及，个性化教育成为趋势。
• 智能家居：以智能音响为入口，构建平台生态。
• 法律行业：AI技术改善法律服务效率，实现智能化。

五、投资思路与重点推荐公司

• 投资思路：关注平台生态构建者、特定应用场景先行者和底层硬件设施提供者三种产业模式。
• 重点推荐公司：
  • 科大讯飞：语音技术领先，平台生态逐步成熟。
  • 东方网力：视频安防领导者，布局人脸识别与机器人。
  • 数字政通：外延收购切入智能管线，完善智慧城市布局。
  • 华宇软件：电子政务法检龙头，发力法律服务智能化。
  • 中科曙光：HPC领军企业，合作寒武纪布局专用芯片。

六、风险提示

• 宏观经济增长不及预期可能影响行业需求。
• 技术发展仍面临诸多挑战，如缺乏推理能力、短时记忆和无监督学习能力等。

图表目录

• 图1：人工智能六十年发展简史
• 图2：人工智能市场规模预测
• 图3：产业巨头针对AI技术的战略布局
• 图4：人工智能行业投资额及投资次数
• 图5：投资人工智能机构数量
• 图6：专用人工智能产业架构
• 图7：机器学习、深度学习与人工智能
• 图8：从数据中学习的机器学习算法
• 图9：单层感知机架构
• 图10：多层感知机（含一个隐层）架构
• 图11：一种典型的深层神经网络模型
• 图12：人脸识别系统的多层结构和特征表示
• 图13：深度学习逐层初始化的方法
• 图14：深度学习发展方向
• 图15：脑模拟对高计算性能的要求
• 图16：GPU与CPU结构对比
• 图17：NVIDIA CUDA处理流程示意图
• 图18：寒武纪芯片
• 图19：高性能计算机发展历史
• 图20：曙光系列高性能计算机组成结构示意
• 图21：机器学习准确率与数据的关系
• 图22：2009-2020年全球总体数据量
• 图23：发展中国家数据量未来将超过发达国家
• 图24：物联网将重塑多个行业
• 图25：互联设备数量预测
• 图26：物联网系统积累数据占比将逐年提升
• 图27：GoogleMind使用的神经网络模型
• 图28：Hinton研究小组使用的CNN模型
• 图29：ImageNet比赛图像识别准确率
• 图30：计算机视觉通用识别的技术流程
• 图31：人脸识别电信应用场景举例
• 图32：安防领域各种智能技术应用性
• 图33：人脸识别流程图
• 图34：两种人脸识别应用对比
• 图35：视频对象提取与分析的应用场景距离
• 图36：字符识别应用场景举例
• 图37：驾驶环境下的物体与场景识别
• 图38：物体与场景识别应用场景及方式举例
• 图39：IT巨头纷纷布局智能语音
• 图40：基于深度神经网络的语音识别系统框架
• 图41：基于RNN-CTC的主流语音识别系统框架
• 图42：智能语音应用场景举例
• 图43：中国智能语音产业规模情况
• 图44：全球智能语音产业规模情况
• 图45：目前自然语言处理中常用的模型和数据
• 图46：Bengio使用的三层神经网络语言模型
• 图47：深度学习模式下的自然语言处理架构
• 图48：深度学习下机器翻译示意图
• 图49：人工智能应用领域
• 图50：典型家用机器人
• 图51：人脸识别市场规模
• 图52：中国视频监控市场规模
• 图53：城市计算框架
• 图54：城市计算的应用领域
• 图55：通过神经网络与深度学习算法处理大尺寸病理切片图片
• 图56：通过神经网络与深度学习算法处理大尺寸病理切片图片
• 图57：早期智能家教系统
• 图58：自适应家教系统
• 图59：智能家电市场规模预测
• 图60：亚马逊用户可以通过Echo音响Alexa控制用户的汽车
• 图61：三种产业布局模式及公司推荐
• 图62：2015年全球智能语音市场份额情况
• 图63：2015年中国智能语音市场份额情况
• 图64：科大讯飞主营业务收入情况
• 图65：科大讯飞归母净利润情况
• 图66：东方网力公司主营业务收入情况
• 图67：东方网力公司归母净利润情况
• 图68：数字政通公司营业收入情况
• 图69：数字政通公司归母净利润情况
• 图70：华宇软件公司营业收入情况
• 图71：华宇软件公司归母净利润情况

表格目录

• 表1：我国人工智能相关政策
• 表2：机器学习浅层结构与深层结构对比
• 表3：几种任务领域的特征层次结构
• 表4：深度学习标志性事件举例
• 表5：重点推荐公司盈利预测、投资评级和目标价汇总