计算力的三驾马车：芯片、超级计算机、云计算

    提高识别效率除依靠算法之外，也离不开计算力的支持。计算力可以分三个维度展开：芯片、超级计算机、云计算。?芯片：人工智能领域作为一个数据密集的领域，传统的数据处理技术难以满足高强度并行数据的处理需求。为解决此问题，继CPU之后，相继出现了GPU、NPU、FPGA、DSP等“AI”芯片。1999 年，Nvidia公司发布了全球首款图片处理芯片GPU；2016年，寒武纪发布了全球首款深度学习专用处理器芯片NPU，芯片的更迭、进步可从根本上提高计算性能。

    超级计算机：其基本组成组件与个人电脑的概念无太大差异，但规格与性能则强大许多，是一种超大型电子计算机。我国自主超级计算机“神威·太湖之光”，其处理器为众核CPU“申威26010”，整台“神威·太湖之光”共包含40960块处理器；打败李世石的AlphaGo共包含1202个CPU和176个GPU；打败柯洁的升级版AlphaGo使用到了TPU，但数量只有 4 颗。

可以发现，真正用于人工智能的超级计算机芯片还只是处于CPU、GPU层，如何将更适用于网络神经算法的NPU、FPGA等芯片量产化并融合入超级计算机芯片矩阵，是在人工智能发展的第一阶段—技术驱动阶段应该重点努力的方向之一。

人工智能产业链综述

AI产业链主要包括技术支撑层、基础应用层和方案集成层

    正如报告开头所述，人工智能是指使用机器代替人类实现认知、识别、分析、决策等功能，是一门综合了计算机科学、生理学、哲学的交叉学科。完整的人工智能产业链可以分为技术支撑层、基础应用层和方案集成层，或者说应用场景层。

    技术支撑层主要由AI芯片、传感器等硬件和算法模型（软件）和两部分构成。其中传感器与IoT的感知层相似，包括GPU、FPGA、NPU等在内的AI芯片负责运算，算法模型则负责训练数据。

基础应用层的技术则是为了让机器完成对外部世界的探测，主要由计算机视觉、语音识别等感知层和语义识别等认知层构成，这些技术是机器能够做出分析判断的基础。此外，在感知与认知技术之下还有数据标注作为其底层支撑。

    方案集成层是集成了某种或多种基础应用技术的、面向如工业、自动驾驶、家居、仓储物流、金融、医疗等不同应用场景的产品或方案。

    语音识别：语音识别过程虽存在难点，但目前技术已趋于成熟

    语音识别是将语音转换为文本的技术，是自然语言处理的一个分支。前台主要步骤分为信号搜集、降噪和特征提取三步，提取的特征在后台由经过语音大数据训练得到的语音模型对其进行解码，最终把语音转化为文本，实现达到让机器识别和理解语音的目的。根据公开资料显示，目前语音识别的技术成熟度较高，已达到95%的准确度。然而，需要指出的是，从95%到99%的准确度带来的改变才是质的飞跃，将使人们从偶尔使用语音变到常常使用。

    语音识别作为一种一维时域信号，在实际操作中主要有两个难点。首先是数据的获取、清洗。语音识别需要大量细分领域的标准化语料数据作为支撑，尤其是各地方言的多样性更是加大了语料搜集的工作量。据媒体消息，苹果iOS 10.3版本中Siri已支持上海话。

    第二个难点是语音特征的提取，目前主要通过具备多层神经网络的深度学习来解决，多层的神经网络相当于一个特征提取器，可对信号进行逐层深化的特征描述，最终从部分到整体，从笼统到具象，做到最大程度地还原信号原始特征。

    语音识别虽市场庞大但已出现领航者，留给创业公司的机会不多

    据Research andMarkets研究报告显示，全球智能语音市场将持续显著增长，预计到2020年，全球语音市场规模预计将达191.7亿美元。根据Capvision报告显示，从语音行业市场份额角度来看，全球范围内，由Nuance领跑，国内则是科大讯飞占据主导地位。

    动态人脸识别是最热领域，金融和安防是最热场景

    计算机视觉应用场景可分为两大类：图像识别和人脸识别，每类又可继续划分为动、静共四个类别，基本覆盖了目前计算机视觉的各项应用场景。其中动态人脸识别技术是目前创业热度最高的细分领域，尤其是金融和安防场景，是其重点布局场景。

人工智能的应用场景层

    AI+医疗：融合目前主要体现在智能设备和识别诊断两方面

    人工智能在医疗领域的应用，我们认为主要体现在“软”和“硬”两方面。“硬”指的是主要用于医院、诊所的医疗或辅助医疗的智能型服务机器人。种类包括手术机器人、假肢机器人、康复机器人、心理康复辅助机器人、个人护理机器人和智能健康监控系统等六大类。

    手术机器人领域代表公司Intuitive Surgical成立于1995年，其产品达芬奇手术机器人是目前全球范围内应用最广泛、技术水平最高的手术机器人之一。达芬奇手术机器人属于人机协作型机器人，主要由医生控制台、机械臂系统、三维成像系统三部分构成。手术实施过程中，主刀医师不与病人直接接触，而是通过三维视觉系统和动作定标系统操作控制，由机械臂以及手术器械模拟完成医生的技术动作和手术操作。目前，整个手术机器人行业正在由大型开放性手术向人体微创精细型手术转型。

    手术机器人行业急需打破垄断，降低成本，普惠国人

    就全球而言，目前医疗机器人的研发与销售仍主要集中在北美地区。截至2016年6月，达芬奇手术机器人全球累计安装3745台，其中美国2474台，全球累计完成手术300万例。达芬奇手术机器人是国内唯一获批上市的医疗机器人，截至2016年12月，全国各地共引进了59台，2016年度共完成手术11445例，历年总计完成手术22917例，国内渗透率极低。

    随着我国老龄化进程加速和中产阶级的崛起，人们对医疗的精准度、无痛化等要求逐步攀升，同时也由于医疗人员的稀缺，中国的医疗机器人的需求空间非常大。据OFweek消息，2021年，全球手术机器人市场规模将达200亿美元，手术机器人国产化已迫在眉睫。

    AI+医疗衍生出的识别诊断领域中，数据是关键

    在AI与医疗的软性结合上，具体应用包括诊前的疾病预防、健康管理；诊中的辅助诊断、医学图像处理；诊后的虚拟医护助手等。目前，发展较为成熟的领域有医学影像识别和智能诊断等。

算法和数据是医学影像识别和智能诊断的技术基础，其中，医疗垂直领域的图像算法和自然语言处理技术已可基本满足行业需求，而数据方面例如医学影像数据、电子病历等，存在各医院之间信息不流通、企业与医院之间合作不透明等问题，使得技术发展与数据供给之间存在矛盾。

    但随着全球医疗保健进入数字化拐点，可授权使用的数据量得以快速增长，另一方面也由于医疗机器人这类新的医疗数据终端的逐步普及，都将为智慧医疗行业带来新的发展契机。

    政策鼓励+需求爆发，大健康领域或将出现更多创业者加入

    基于数据的稀缺性，拥有一手医疗数据、和政府、医疗机构有大量渠道的创业公司将会建立起壁垒。或者通过对拥有数据的企业进行全资收购也是快速壁垒的好方式。目前，AI+医疗的软性应用方面的主要玩家国外有IBM Wastson，国内有碳云智能、推想科技等。

    2015年，国务院发布《关于印发全国医疗卫生服务体系规划纲要(2015年—2020年)》，提出推动惠及全民的健康信息服务和智慧医疗服务，推动健康大数据的应用，逐步转变服务模式。IDC预计，2017年国内医疗行业IT花费市场规模将达到336.5亿元，2012至2017年的年复合增长率为14.5%，增速高于中国IT市场的平均增速，需求旺盛。

    整体而言，医疗“软”市场急需医疗数字化、开放化，“硬”市场需要大量创业者加入共同开发医疗机器人这片国内蓝海。

    AI+金融：AI技术的融入，赋予了金融行业更多想象力

从信息技术变革角度来看，金融历经金融IT、互联网金融到金融科技三大发展阶段。金融IT，通过 IT 软硬件实现传统金融机构办公和业务电子化；互联网金融，利用互联网实现资产端、交易端、支付端、资金端等互联互通，达到信息共享和业务撮合；金融科技，通过大数据、云计算、人工智能、区块链等最新技术，提高金融业务的智能化。

    人工智能与金融的结合可从以下三方面展开说明    

    生物特征识别功能：一方面活体验证降低了隐藏风险，一方面远程身份验证提升了工作效率。

    千人千面、精准营销：基于大数据、机器学习、标签计算，实现实时精准画像描绘，提供个性化营销是未来趋势之一。进一步还可发展为智能投顾、辅助量化交易等。

    大数据征信、普惠金融：基于大数据的征信系统弥补了中小型企业的征信空白，扩大了客户范围的同时，也提升了金融机构的风控能力。

人工智能行业总结

    深度算法、计算力、数据量以及应用场景共同推动AI迎来爆发期

    自从1956年美国计算机协会组织的达特莫斯（Dartmouth）学会上提出“人工智能”一词，这个概念随着众多理论、技术和应用的出现而被不断丰富。经过半个多世纪的发展，人工智能已经成为时下最为热门的话题之一，“AI”与“AI+”亦成为一级市场的最火热的创业/投资领域。

    在经历了诞生、黄金时代、遭遇障碍、繁荣、低潮等数个阶段之后，人工智能迎来了爆发期。总结本次AI爆发的驱动力主要是包括目前主流应用的基于多层网络神经的深度算法和以及包括芯片、超级计算机、云计算等在内的计算力等。此外，被记录下的海量数据和越发丰富的应用场景也同样推动了AI爆发期的到来。