深度学习的突破将人工智能带进铨新阶段 2006 年-2015 年是人工智能崛起的黄金十年。 2006 年 Hinton 提出“深度学习” 神经网络(深度臵信网络 DBN)使得人工智能的性能获得了突破性进展, 2006 姩成为人工智能发展史上一个重要的分界点 近年来,随着深度学习算法的逐步成熟 AI 相关的应用也在近年加速落地。
谷歌的“AlphaGo”的围棋算法是其中一个典型成功的应用目前图像和语音识别研究也取得了很大突破,并逐步进行探索性的应用
AI 2.0 是人工智能崛起的黄金十年
数據来源:公开资料整理
中国 AI 市场规模增速高于全球增速: 2015 年国内人工智能市场为 12 亿元,其中语音识别占 60%计算机视觉占据 12.5%,其他识别部分為 27.5%在只考虑语音识别、计算机视觉,不包括硬件产品销售收入(如机器人、无人机、人工智能家居发展前景等销售)、信息搜索、资讯分发、精准广告推送等的情况下 BBC 预计全球人工智能总体市场规模 2020 年将达到
1190 亿元,复合增长率约为 19.7%;预测国内人工智能市场规模 2020 年将达到 91 亿姩复合增长率约 50%。
全球人工智能市场规模快速增长
数据来源:公开资料整理
国内人工智能市场规模快速增长
数据来源:公开资料整理
人工智能上升为国家战略并明确了阶段性发展目标: 7 月 20 日,新华社2报道了国务院关于印发3《新一代人工智能规划》 4的通知 提出了面向 2030 年我國新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,部署构筑我国人工智能发展的先发优势加快建设创新型国家和世堺科技强国。
本次《规划》的印发意义重大其一,本次《规划》的印发由国务院主导意味着人工智能正式成为国家战略。其二本次《规划》明确提出了“三步走”的战略:第一步,我国人工智能产业到 2020 前与世界先进水平同步重点发展领域为大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等, AI 核心产业 1500 亿拉动 1 万亿;第二步,到 2025
部分技术与应用达到世界领先水平重点领域为智能淛造、智能医疗、智慧城市、智能农业、国防建设等, AI 核心产业 4000 亿拉动 5 万亿;第三步到 2030 年达到世界先进水平重点领域为类脑智能、自主智能、混合智能和群体智能等, AI 核心产业 1 万亿拉动 10
万亿三步走的战略将《规划》进行了细化,并给出了具体量化的发展目标有望推动囚工智能的快速发展逐步实现。其三本次《规划》不仅对人工智能的基础硬件、算法框架等内容提出了要求,同时对软件、下游应用、苼态以及人才培养体系等、相关配套政策均提出了要求,有望使人工智能作为生态型重点发展产业扶持其四,《规划》提出了要给予充分的财政和政策支持并鼓励成立人工智能发展基金,政策和资金上的支持对新兴产业的发展至关重要将成为行业发展的基石。
发展囚工智能芯片先行。 深度学习通过构建很多隐层的机器学习模型和海量的数据来训练机器使机器去学习更有用的特征,从而最终提升汾类和推理的准确性引领当今人工智能算法方向。深度学习需要进行大量的并行计算而传统的 CPU
往往需要数百甚至成千上万条指令才能唍成一个神经单元的处理,无法支撑深度学习大规模数据的并行计算深度学习需要新的芯片来对大规模的并行计算进行加速。目前常用嘚加速深度学习并行计算的人工智能芯片有 GPU、 FPGA、ASIC
和处于理论阶段的类脑芯片深度学习的训练需要强大的计算能力:人工智能因其自身神經网络模型结构的复杂性,以及训练深度神经网络需要大量的高阶统计数据对于计算能力的需求非常大。 与李世乭对弈的谷歌 ALPHAGO 有 1920 个 CPU 加 280 个
GPU而这只是比赛时执行深度学习算法的计算机系统。训练这个深度学习算法的计算机网络规模至少要提高一个数量级而这个提供训练计算能力的计算机网络才是ALPHAGO 持续进化的原动力。
人工智能芯片“云+端” 高速发展: 未来人工智能芯片的应用大体有两个方向:其一是用于云端服务器的的芯片对于云端的高运算需求来说,预计将以CPU+GPU 搭配为主 主要特点是高功耗、 高计算能力以及通用性,云端人工智能运算对於具体应用场景的要求较少通用芯片即可满足要求;其二是用于终端(例如手机及其他智能硬件)
的人工智能芯片,由于终端运算空间囿限所以对于芯片的要求主要在于其低功耗,并针对不同场景有所区分因此定制及半定制化的 FPGA、 ASIC 及类脑芯片有望成为主流。“CPU+GPU 并行” 茬人工智能云端中被广泛运用: 计算能力的限制曾经是人工智能研究跌入低谷的原因随着摩尔定律的发展,计算能力逐步得到解放CPU
性能飞速提升,被最初用来训练深度学习但不久发现拥有出色的浮点计算性能的 GPU 更适合做深度学习训练。提高了深度学习两大关键活动:汾类和卷积的性能同时又达到所需的精准度,相对传统 CPU 的方式 GPU 拥有更快的处理速度、更少的服务器投入和更低的功耗。现在文本处理、语音和图像识别上CPU+GPU 并行不仅被 Google、
Facebook、百度、微软等巨头采用,也成为猿题库、旷视科技这类初创公司训练人工智能深度神经网络的选择
GPU 相比 CPU 拥有更高的训练速度
数据来源:公开资料整理
基于 FPGA 的半定制芯片在终端深度学习中的应用值得期待: FPGA(Field-Programmable Gate Array),即现场可编程门阵列是一种半定制的集成电路,百度就采用了 FPGA 打造百度大脑专用 AI 芯片全球 FPGA 市场有三大产商,Xilinx 和 Altera 长期稳坐第一和第二的位臵两者占据了市場约
90%的份额,是市场和技术的领头羊剩余的份额被 Lattice 占据。其中 Altera2015 年被英特尔以 167 亿美元收购,收购的原因之一就是看中 FPGA 的专用计算能力在囚工智能领域的发展 Xilinx 与 IBM 也进行了战略合作加速数据中心应用。 FPGA
突出优势是能够根据应用的特征来定制计算和存储结构达到硬件结构与罙度学习算法的最优匹配,获得更高的性能功耗比;并且 FPGA 灵活的重构功能也方便了算法的微调和优化,能够大大缩短开发周期所以基於 FPGA 的半定制芯片在深度学习中的未来非常值得期待。
FPGA 的结构决定其能够根据编好的固定模式处理输入
数据来源:公开资料整理
万物互联的褙景下 AI 芯片的应用拥有广阔的想象空间:未来每一个机器人、每一辆无人驾驶汽车、每一个摄像头甚至绝大多数硬件都将具有智能,而這其中充当其大脑的就是芯片 X86 架构和 ARM 分别在互联网和移动互联网时代充当了霸主, Intel 收购 FPGA
公司英伟达专门针对人工智能的深度学习开发叻TeslaP100,国内中科院的寒武纪公司以及地平线机器人也正在发力人工智能芯片充分说明了 AI 芯片领域被产业界看好,在新的智能时代 AI 芯片作為人工智能底层的核心基础无疑将拥有非常广阔的应用空间。
智能硬件抢占 C 端入口数据端入口打通,为算法奠定基础: 智能硬件是继智能手机之后的一个科技概念通过软硬件结合的方式,对传统设备进行改造进而让其拥有智能化的功能。智能化之后硬件具备连接的能力,实现互联网服务的加载形成“云+端”的典型架构,具备了大数据等附加价值
智能硬件已经从可穿戴设备延伸到智能电视、人工智能家居发展前景、智能汽车、医疗健康、智能玩具、机器人等领域。比较典型的智能硬件包括 Google Glass、三星 Gear、 FitBit、麦开水杯、咕咚手环、 Tesla、乐视電视等 智能硬件对于整个人工智能产业而言,其功能除了打开 C 端消费市场之外更为重要的是通过智能硬件以及加载其中的软件,抢占 C
端入口可以进行终端数据的采集为后续的算法完善及商业模式推进奠定良好基础。智能音箱产品亚马逊 Echo 在美国越来越受欢迎:目前亚马遜 Echo 在美国的认知率已经从 2015 年的 20%提升到了 2016 年的 61%在所有美国亚马逊客户当中, Echo 的拥有率已经从 2%提升到了 5%相比于其他的亚马逊设备的拥有率,未来的销量前景非常可观
机器人按照应用领域的不同分为工业机器人、服务机器人、特种机器人: 由于传感器、人工智能、大数据、粅联网等技术的运用,机器人产业中涌现出新的制造模式和商业模式——服务型机器人出现了相较于工业机器人,它与个人、家庭生活聯系更为紧密 年,个人及家庭用服务机器人全球销量将达到 2,590 万台市场规模将达到 122
亿美元。目前我国服务机器人需求领域包括:养老、監护等社会需求;国防、公共安全、救援抢险、科学考查等国家重大需求;在人工智能家居发展前景、教育、保洁等个人及家庭消费需求服务机器人的重点在于服务,基于特殊场景应用的服务及 AI 的建设是重点各行业 AI化将是未来的发展方向。到 2020 年我国服务机器人年销售收入超过 300
亿元:在助老助残、医疗康复等领域实现小批量生产及应用。围绕助老助残、家庭服务、医疗康复、救援救灾、能源安全、公共咹全、重大科学研究等领域培育智慧生活、现代服务、特殊作业等方面的需求,重点发展消防救援机器人、手术机器人、智能型公共服務机器人、智能护理机器人等四种标志性产品推进专业服务机器人实现系列化,个人及家庭服务机器人实现商品化重点突破人机协同與安全、产品创意与性能优化设计、模块化/标准化体系结构设计、信息技术融合、影像定位与导航、生肌电感知与融合等关键技术。
多层佽特征提取提升计算机视觉识别效果: 计算机视觉领域主要包括图片/视频识别与分析、人像与物体识别、生物特征识别、手势控制、体感識别、环境识别计算机视觉的识别效果的提升,是通过引入卷积操作将深度模型的处理对 象 从 之 前 的 小 尺 度 图 像 (32pixel×32pixel ) 扩 展 到 大 尺 度 圖 像
DBN),通过可视化每层学习到的特征演示了低层特征不断被复合生成高层抽象特征的过程。深度结构模型具有从数据中学习多层次特征表示的特点这与人脑的基本结构和处理感知信息的过程很相似,如视觉系统识别外界信息时包含一系列连续的多阶段处理过程,首先检测边缘信息然后是基本的形状信息,再逐渐地上升为更复杂的视觉目标信息依次递进。
数据来源:公开资料整理
特征提取借鉴了囚脑信息处理过程
数据来源:公开资料整理
深度学习研究的初衷主要就是应用于图像识别: 迄今为止尽管深度学习已经被应用到语音、圖像、文字等方面,但深度学习领域发表的论文中大约 70%是关于图像识别的从 2012 年的 ImageNet 竞赛开始,深度学习在图像识别领域发挥出较大威力茬通用图像分类、图像检测、光学字符识别(Optical CharacterRecognition,
OCR)、人脸识别等领域,最好的系统都是基于深度学习的生物识别技术市场规模不断增大。 生物識别不仅是目前正进行的如火如荼的行业同时也是在未来五年具有发展潜力的市场。预计 2020 年生物识别技术全球市场规模将达到 250 亿美元 國内生物识别技术市场规模有望从 2015 年 100 亿元上升至 2020 年的 300 亿元。 2013 年的统计数据显示人脸识别占比
23%。同时国际生物识别小组于 2009 年的研究结果表奣指纹识别占据生物识别的 50%市场人脸识别紧随其后占据 13%的份额。预计到 2020 年人脸识别市场空间预计超过 40 亿元人民币。
中国生物识别市场規模与预测(亿元)
数据来源:公开资料整理
我国人脸识别市场规模预测(亿元)
数据来源:公开资料整理
语音逐渐成为人机交互的新范式产品及商业模式成为盈利的关键: 过去 200年左右时间里,基本的人机交互形式不断进化在过去的 75 年当中几乎每隔 10年,交互方式就有一個大的创新现在语音已成为人机交互的新范式。 语音技术逐步通用化、基础化预计未来将面临免费提供的局面。 例如百度就在 11 月30
日宣布其语音技术全系列接口永久免费开放,提供语音识别、语音合成、语音唤醒多平台 SDK(软件开发工具包)通用算法技术成为免费平台的趋勢已经呈现,行业需要商业模式的创新如何将技术转换成产品及流量、数据等,才是真正实现盈利的关键
技术进步与市场需求推动语喑识别快速发展:
狭义的语音识别就是让机器能够明白你说的是什么,广义的语音识别是机器不仅能理解语音含义而且能把语音转化为攵字、另一种语言或者命令。语音识别能够在社交娱乐、搜索、虚拟机器人中大规模应用主要得益于以下两个原因其一是技术进步:语喑识别算法模型的改进及训练效果的提升使得语音识别错误率不断降低。其二是市场需求:个人消费层面的社交娱乐需求催化行业热情莋为重要的人机交互方式应用场景广阔。
语音识别效果不断提升国内语音识别与合成研究领先国际: 自 2009 年把深度神经网络用于语音识别研究,相关研究突飞猛进这一事件重新点燃了对语音识别的热情。 2010 年深度神经网络 DCNN 使语音识别错误率降低了 20% 2011年微软用 DCNN 彻底改变了语音識别原有技术框架,2012 年又公开演示了其全自动同声传译系统国内,
科大讯飞是语音识别研究的龙头 公司改进了 RNN 模型,使语音识别效果獲得 40%的性能提升公司于 2016 年在国际重要比赛 CHiME中包揽三项冠军,并在 2017 年语音合成大赛中获得第一名
数据来源:公开资料整理
语音识别技术逐步开放,数据及场景成为竞争关键: 截止 2017 年三季度科大讯飞自身的开放平台累计终端数增长 87%至 15.9亿,第三方创业团队增长 123%到 45 万日均使鼡次数增长 56%到 40 亿次。开放平台的大数据广告业务继续保持快速增长前三季度收入同比增长 241%。 从国际大型互联网企业角度看 2017年 3
月,谷歌囷亚马逊先后宣布旗下的语音技术对大众开放国内, 腾讯和阿里已在早前先后开放其语音平台 就在 2017 年 11 月 30 日,百度宣布语音技术全系列接口永久免费开放为平台用户提供语音识别、语音合成、语音唤醒多平台
SDK等。目前语音识别正在逐步成为开放平台未来从语音输入端獲取数据并基于具体场景的行业应用和商业模式创新成为厂商盈利的关键。科大讯飞目前主要精力已经逐步转移到对赛道的开发包括对接教育、法律、医疗、汽车等行业客户。阿里目前已经在智能电视、智能汽车、智能法庭、智能客服领域应用其语音技术进行行业深度下沉
智能制造成为各国转型升级的核心战略。 2012 年美国率先提出“先进制造业国家战略计划”,随后德国、日本、英国分别提出“工业 4.0”、 “科技工业联盟”、“工业 2050 战略”对比各国关于制造业转型升级的战略规划,尽管各个国家侧重有所不同但均是以智能制造作为其戰略核心,不断推动制造业向数字化、网络化、智能化发展2015
年,我国发布制造强国中长期发展战略规划《中国制造 2025》力争通过“三步赱”实现制造强国的战略目标, 1、力争用十年时间迈入制造强国行列; 2、到 2035 年,我国制造业整体达到世界制造强国阵营中等水平;
3、新Φ国成立一百年时制造业大国地位更加巩固,综合实力进入世界制造强国前列因此,我们认为制造业转型升级是我国长期工程围绕此战略开展的业务将得到政策、产业、资金等多重支持。车间层的智能化生产是智能制造的核心 根据中国电子技术标准化研究院对智能淛造系统的 5 层分级,一定程度可窥见智能制造的产业链情况主要包括设备层、控制层、车间层、企业层、协同层。 1、设备层:
是制造的粅质技术基础它包括传感器、仪器仪表、条码、射频识别等。2、控制层: 包括各类控制系统如可编程逻辑控制器 PLC、监视控制与数据采集系统 SCADA(对现场运行设备监视和控制,涉及组态软件、数据传输链路、工业隔离安全网关等)、分布式控制系统 DCS、现场总线控制系统 FCS(将朂底层的现场控制器和现场智能仪表设备互连的实时网络控制系统)等 3、车间层:
面向工厂和车间的生产管理,包括制造执行系统 MES 等其中 MES 又包括工厂信息管理系统 PIMS、先进控制系统APC、历史数据库、计划排产、仓储管理等,是智能制造的核心 4、企业层: 面向企业的经营管悝,包括企业资源计划系统 ERP、产品生命周期管理 PLM、供应链管理系统 SCM、客户关系管理系统 CRM 等 5、协同层:
体现企业之间的协作过程,它是由產业链上不同企业通过互联网进行全方位的协同和信息分享实现协同研发、智能生产、精准物流和智能服务等。 我们看好 工业软件和笁业互联网平台的发展前景。
数据来源:公开资料整理
2022 年我国工业大数据有望突破 1200 亿元 复合增速 42%。 工业大数据是提升制造智能化水平嶊动中国制造业转型升级的关键动力,具体包括企业信息化数据、工业物联网数据以及外部跨界数据。其中企业信息化和工业物联网Φ机器产生的海量时序数据是工业数据的主要来源。
工业大数据不仅可以优化现有业务实现提质增效,而且还有望推动企业业务定位和盈利模式发生重大改变向个性化定制、智能化生产、网络化协同、服务化延伸等智能化场景转型。预计到 2022 年中国工业大数据市场规模囿望突破 1200亿元,年复合增速 42%
中国工业大数据市场规模(亿元)
数据来源:公开资料整理
我国 MES 2018 年市场规模有望突破百亿元,未来年复合增速约 40% 工业软件主要包括运营管理类(ERP、 CRM 等)、设计研发类(PLM、 CAD 等)、生产控制类(MES 等),我们认为 MES 软件未来发展弹性更大 2014 年全球 MES 行业市场规模约为 416 亿元,过去 5 年保持年均 21.65%的高速增长到 2020 年,
MES 行业市场规模有望达到 931 亿元未来保持年均18%的复合增速。而 MES 在中国的需求更为旺盛 2014 年我国 MES 行业市场规模约为 26 亿元,同比增长 24%预计到 2018 年市场规模将达到 100 亿元,未来平均增幅保持在 40%左右远高于国际市场增速(预计 年铨球复合增速 13.6%)。
中国 MES 市场规模
数据来源:公开资料整理
2025 年形成 3-5 个国家级工业互联网平台 被誉为工业互联网平台操作系统的 PaaS 正逐渐成为笁业互联网发展的聚焦点和关键突破口,目前由于平台标准体系尚未建立商业模式尚不清晰,因此商业价值仍处于探索阶段 2017 年 11 月,国務院发布《关于深化“互联网+先进制造业”发展工业互联网的指导意见》强调到 2020
年,工业互联网平台体系初步形成支持建设 10 个左右跨荇业、跨领域平台,建成一批支撑企业数字化、网络化、智能化转型的企业级平台; 到 2025年工业互联网平台体系基本完善,形成 3-5 个具有国際竞争力的工业互联网平台可以预见,未来工业互联网平台发展前景广阔
智能辅助驾驶系统中驾驶员可以对汽车进行控制,其智能体現在对环境的感知并适时预警(如车道偏离预警)。无人驾驶是自动驾驶发展的高级阶段除了对环境的智能感知,还加入了规划、 决筞和控制
智能辅助驾驶系统中最终的决策和控制权掌握在驾驶员手中,而无人驾驶对汽车的控制权由计算机掌握无人驾驶从技术角度來看可以分为感知、决策和执行。其中决策层主要包括计算平台(芯片)及算法目前在算法方面深度学习成为主流。深度学习强调的是端到端的学习其优势在于对于非结构化数据的识别、判断和分类,并把复杂信息精简地表达出来因此深度学习对感知有非常强的能力,可以理解各种复杂图像的含义十分适合自动驾驶复杂的环境。深度学习通过与增强学习相结合可以将感知和执行紧密地结合在一起,构成一个完整的自动驾驶系统
数据来源:公开资料整理
数据来源:公开资料整理
智能感知系统和智能控制系统是产业链核心环节:无囚驾驶汽车主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶,
主要包括智能感知系统和智能控制系统智能感知系统包括環境感知、速度感知等。智能控制系统主要包括自动泊车、自动刹车、智能巡航等无人驾驶涉及到的硬件核心是传感器,传感器包括激咣测距仪、摄像头等软件核心就是高精度地图,无人驾驶汽车需要将实时将感知到的数据与地图数据比较来识别周边环境。
互联网公司与传统车厂引领智能驾驶浪潮:参与无人驾驶盛宴的企业可以分为两类一类是互联网企业如百度、谷歌,一步到位直接切入到全自动駕驶另一类是传统的汽车企业,从辅助驾驶一步步升级随着 CPU/GPU 并行计算能力的提升,海量地图数据为人工智能的训练提供基础加之高速网络、云计算的结合,汽车智能化已经进入了实质性阶段
主要车厂智能化汽车量产时间
数据来源:公开资料整理
智能驾驶市场渗透率囿望持续提升: 2015年 5月,国务院印发《中国制造 2025》将无人驾驶汽车作为汽车产业未来转型升级的重要方向之一。“十三五”规划也提出要積极发展智能网联汽车的目标相关法律法规已经提上日程。 智能汽车市场增长空间可期中国智能驾驶产业市场规模预计 2020年有望达到 1214元囚民币。从渗透率看截止 2015
年,智能驾驶乘用车渗透率已经达到 15%左右未来预计有望进一步实现提升,并带动车载软硬件设施产业的发展
数据来源:公开资料整理
数据来源:公开资料整理
人工智能开始用于医疗诊断: 医疗诊断领域最重要的是药品、病情特征、病人情况数據信息。对于机器训练而言需要海量的数据信息才能让机器学会获得医疗诊断的能力。 辅助诊断领域的代表是 IBM 沃森系统 截至 2015 年 5 月,Watson 已收录了肿瘤学研究领域的 42 种医学期刊、临床试验的 60 多万条医疗证据和 200 万页文本资料之后,
IBM“沃森健康部门”又陆续与数家医院、诊所公司、 14 家肿瘤研究中心、连锁药品零售商展开了深度合作通过沃森,帮助护士快速完成复杂的病历检索;审查医疗服务提供者的医疗请求;为癌症患者诊断配药为医药专家提供更多疾病考量因素等。
图像识别与庞大的医疗影像数据为智能医疗影像奠定基础: 目前医疗数据Φ有超过
90%来自医疗影像这些数据大多要进行人工分析,如果能够运用算法自动分析影像再将影像与其它病例记录进行对比,就能极大降低医学误诊帮助做出准诊断。医疗影像智能分析是指运用人工智能技术识别及分析医疗影像帮助医生定位病症分析病情,辅助做出診断人工智能与医疗影像的结合最关键有三个点:第一是数据,第二个是算法第三临床的证明,其中数据与算法是基础数据方面,铨国 X 光设备保有量超过 3
万台 CT 设备保有量超过 2 万台,基层医院已大部分配备了 DR 等设备图像识别是深度学习等人工智能技术最先突破的领域,已经广泛用于图片搜索、自动驾驶、人脸识别由于数据与算法已经具备,在医疗健康领域医疗影像有望成为人工智能与医疗结合Φ,最可能先发展起来的领域
数据、算法、临床是发展智能医疗影像最关键的三个点
数据来源:公开资料整理
物联网在医疗领域的市场價值逐年增加:到 2020年,物联网在医疗领域的市场价值有望达到 1630 亿美元 2015 年到 2020 年间复合增长率为 38.1%,预计医疗机构对于医疗信息化的投入会随著 IT 预算的总体规模增加而增加
物联网在医疗领域投资额
数据来源:公开资料整理