精彩案例，用数据讲故事
一般人不告诉的工作神器pick一下？
随时随地，想搜就搜
最in的百度产品黄页
确认过眼神是你的直播视频课
你的私人行业顾问
集齐一套卡片，可平分万元大奖
百度 Apollo 作为百度 AI 乃至中国 AI 在世界的一张响亮名片，近期又得到了来自央视的肯定，登上了《新闻30分》！
加载出错请刷新页面
你知道吗？就像陆地上的“网约车”一样，在长江水系的内陆航道上，也早就诞生了紧跟用户需求的“网约船”。
加载出错请刷新页面
如何快速、高效地完成“知识升级”，如何让传统知识库重新焕发生机，百度 AI 给出了面向企业的解决办法——智周知识库！
加载出错请刷新页面
今天我们就来做个简单分类、举几个例子，跟大家说说， EasyDL 定制化图像识别，应用在哪儿？怎么用？
加载出错请刷新页面
发布文章数81篇
关注人数45人
请选择登陆方式
百度推广客户
百度内部员工
温馨提示：
与百度搜索、百度贴吧、百度云盘、百度知道、百度文库等产品通用。
温馨提示：
使用百度推广账号可直接登录。
温馨提示：
须在内网环境下使用百度邮箱账号可直接登录。鲲云人工智能AI产品-鲲云科技Corerain|全球物联网人工智能生态系统构建者
系鲲云独立研发的一款人工智能芯片，结合针对图像的深度学习技术以及基于定制硬件的数据。
星空主要基于时间序列数据进行自动异常检测，可以做到160Gps时间序列数据微妙级延时。
系鲲云独立研发的一款人工智能芯片，结合针对图像的深度学习 技术以及基于定制硬件的数据流处理技术，支持在毫秒甚至微秒级别的智能图像视频分析。鲲云科技创始人牛昕宇确认出席2017中国人工智能机器人CEO峰会
鲲云科技创始人牛昕宇确认出席2017中国人工智能机器人CEO峰会
日，由中国人工智能机器人产业联盟（CAIA）主办的2017中国人工智能机器人CEO峰会暨2017年度·中国服务机器人品牌评选颁奖典礼将在深圳马哥孛罗好日子酒店8楼悉尼厅隆重举办。
本次CEO峰会主题为“新突破·新变革·新机遇”，届时，将会有超过400位来自人工智能与机器人领域的CEO高层、投资机构、学术界大咖等参会出席，可谓是中国人工智能机器人行业的一次饕餮盛宴。
除此以外，本次峰会上，还将举办2017年度·中国服务机器人品牌评选颁奖典礼。
从大会组委会获悉，鲲云科技创始人牛昕宇将出席本次CEO峰会并做圆桌分享。
牛昕宇博士
牛昕宇博士是深圳和上海鲲云信息科技有限公司（以下简称“鲲云科技”）联合创始人兼CEO。复旦大学毕业后，他便去了英国帝国理工攻读硕士博士学位，在此期间，他接触到了定制化芯片和深度学习。作为帝国理工最年轻的助理研究员，毕业以后在帝国理工出任研究员一职。2015年底开始正式创业，自主研发本地化人工智能芯片平台。此后，一次回国做报告的偶然机会，结识了国内的天使投资人并获得了500万元的天使投资，正式成立鲲云科技（Corerain Technologies）并在英国组建研究团队。
牛昕宇是帝国理工博士、前帝国理工博士后研究员，有7项发明专利、1项国际专利，曾获欧盟科研影响力奖、帝国理工杰出成就奖、杰出科研奖，有欧盟HiPEAC最佳论文2项。CSO陆永青院士，是英国皇家工程院院士、IEEE、BCS会士、帝国理工教授、斯坦福客座教授、中英人工智能联合实验室主任、ACM-TRETS创刊主编，有450篇学术期刊及会议论文, 国际专利2项, 学术著作3册，同时还是Celoxica、BlueBee联合创始人，是定制计算领域国际权威。技术负责人Brittle Tsoi蔡权雄为前Imagination Sweden（全球最大移动GPU公司）的硬件部门总负责人。COO肖梦秋是前IH-London亚太区总监，负责拓展亚洲市场、建立销售代理团队。
鲲云科技高管研发团队
鲲云科技研发的星空和雨人两款AI芯片平台，可嵌入现有物联网产品对数据信息和视觉信息实时分析，监测异常数据提取有效信息，3W~10W低功耗使芯片支持移动、野外场景。针对30多层的深度学习网络，其芯片也可保证每秒处理16帧1080P分辨率的图像。
星空主要基于历史数据及产品运用领域的准则对异常数据进行自动化检测，它每秒可对160G的时间序列数据进行实时分析。
雨人基于深度学习算法，能够对复杂环境下的视觉信息分析理解。信用卡大小使其可嵌入视觉数据采集端，功耗为3W~10W，延迟不超过100ms。
星空和雨人两款AI芯片
同样是AI芯片，鲲云科技切入点与其他公司并不完全相同：鲲云科技提供的是垂直领域的全套硬件解决方案，即包含从最底层的板卡到顶层应用的解决方案。具体来说，这套解决方案最底层基于FPGA的定制化板卡，采用嵌入式Linux操作系统，支持USB、Ethernet、VUSB、DMI等多种数据接口，可嵌入多种目标系统；上层将训练后的深度学习算法处理模型，固化为硬件模块；顶层为应用层，会根据不同的目标、数据宽度、并行网络层数、网络层内部数据存储架构等因素，自动调整深度学习网络架构。
在商业化的路径方面，鲲云科技处于人工智能产业链的首端——人工智能芯片，同时提供算法开发平台，并且凭着在学术界的权威影响力，不断渗入各个应用领域。在市场切入方面，鲲云团队选择先为客户做深度定制，了解真实客户需求，再推出量产级产品。团队表示，团队在2017年已经实现了营收。
在具体垂直行业方面，团队目前主要以卫星遥感、工业监控、安防等场景为主。之所以选择这些市场切入，一是因为该领域技术门槛高，竞争相对较小，更容易切入；二是这些市场对数据安全性的需求极为迫切，市场容量相对较大，未来有大批量出货的可能。
目前，鲲云科技的产品已经迭代到第二代，并在国产大飞机C919、卫星遥感、电力、工业巡检、智慧城市等领域落地，今年已实现盈亏平衡，预计明年将会推出第三代产品，并根据需要推出量产FPGA或者芯片。
Gartner发布2018年十大科技发展趋势：人工智能将“无所不在”从长尾市场切入 鲲云科技能做出一颗AI芯吗
来源：亿邦动力网
　　【亿邦动力讯】AI芯片的江湖在“中国芯”的呼唤和浪潮席卷一切行业的趋势下，火的不要不要的。　　传统的芯片巨头英伟达、英特尔、高通，互联网巨头谷歌、、百度，以及创业领头羊如寒武纪、深鉴科技、地平线等，都从资本层面先来了一番高举高打，投资的、融资的额度都千万起步。　　此外，还有比特大陆和嘉楠耘智这样从应用市场直接跑出来的黑马，从一个单一的挖矿中就跑出了矿机芯片，并开始向其他应用领域延伸。　　在一个大鳄玩家必争的市场里，初创企业到底有没有机会？机会在哪儿？如何抓住机会？亿邦动力跟颇为低调的鲲云科技聊了聊。　　鲲云科技作为AI芯片创业大军中的一员，团队背景不出所料的华丽。团队灵魂人物陆永青为英国皇家工程院院士、帝国理工教授，1992年开始就研究定制计算芯片，参与开发了全球首款针对定制芯片的高层编译软件。　　其CEO牛昕宇及团队的多个重要合伙人为陆永青的学生，牛昕宇称，鲲云科技几乎搬空了帝国理工大会各大实验室人才。　　目前，鲲云科技在英国有实验室研究团队，在深圳有算法、运营等团队。　　与其他人工智能芯片的高举高打不同，鲲云科技一开始的技术能力就定位在针对终端、垂直领域、定制化。　　“我们芯片的架构分两层，上层是定制型的数据，底层是统一的芯片架构。定制化可以保证芯片性能足够强，通用化可以保证成本足够低。我们实验室积累的技术就是通过编译器把不同算法的需求，自动化的配置到芯片，用编译器解决个性化，既解决了定制化又保证了高性能，同时又解决了通用性问题。”　　牛昕宇称，其实验室团队一直研究的核心技术就是用编译器模拟人设计做定制化芯片，这极大的降低了芯片设计的门槛和成本。　　从早期天使轮就投资了鲲云科技的星瀚资本创始人杨歌也提到，芯片是个高投入的行业，开个板动辄几百万到上千万，还需要不断的迭代升级，而整个人工智能的应用市场还很初级，很多领域的应用都在尝试阶段，市场极度分散，传统的芯片对市场来说太贵，要开发针对细分市场的芯片成本投入又太高。而鲲云科技的技术可以做到极大的定制化与通用性兼顾。　　“IOT市场初创企业的机会更多是跟着市场成长，市场特点是非常广、非常分散、规模很大。有些领域如智能手机，市场非常大，需求又很单一，就很适合巨头在里面拼杀。还有一些领域对AI芯片有要求，需要功耗足够低、性能足够高、嵌在前端，同时市场又没有像手机一样归一化，巨头在这些领域投入产出不成正比。　　这里就有一个GAP。　　很多创业公司都从实验室出来，有技术实力，团队够小够快，能快速响应这个市场。跟巨头比起来，有一个速度上和成本上的优势，跟其他小公司比又有技术上的优势。这是我们成长的先决条件。”　　牛昕宇和杨歌都同样看到了这样的机会。　　据了解，鲲云科技的打法是针对一个个垂直细分领域，定制整套的软硬件解决方案，通过将算法等定制化成模块，配置到统一的底层芯片，解决行业实际问题，促成芯片的流片。　　“芯片本身没有价值，只有让芯片运行在方案，整体解决问题才能提供一套价值。AI市场还没有成熟到直接提供芯片就能解决问题，还处于刚起步的阶段。拿出一块芯片，不难，但创业公司要考虑怎么落地产业化。芯片行业的发展是顺着产业化来的，芯片是产业发展的结果，不是原因。”牛昕宇称。　　除了中国商飞、中国航天这样的大客户，鲲云科技将重点领域放在了、管理、智能制造、金融等几个大领域。牛昕宇告诉亿邦动力网，鲲云科技挑选行业的标准有三个：　　第一是市场够大，达到千亿级别；第二是市场深度够深；第三要离商业化近。　　看上去智慧城市、金融等几乎是所有AI公司瞄准的行业，一个单一化的市场，但其实鲲云选择做这个大市场里的长尾、深度分散的市场。“市场越深，我们可以积累定制化的方案，慢慢积累下来一个个场景，根据应用场景迭代自己的芯片架构，这是小公司可以积累下来的价值。”　　与在领域里卖的所有AI公司不同，鲲云科技强调提供除了人脸识别之外的其他能力，用一整套更定制化的方案打动客户，解决需求。这在AI初级阶段，很容易获得客户买单。　　但亲自一个个领域去攻占市场做解决方案其实并不是鲲云科技的终极目的。作为一家芯片公司，牛昕宇们的期待是通过亲自积累一个个行业场景、研究算法，形成一套套方案，深入了解每个细分行业的需求，从而不断优化鲲云科技的AI开放平台，让平台上的用户都能低成本的开发设计针对细分行业的解决方案，最终将方案落地到底层芯片，规模化降低芯片成本。　　鲲云AI开发平台聚焦于人工智能芯片领域，能够做到从数据标注、硬件编译到板卡测试的全自动化支持。只需用户提供数据标注就可以自动化、定制化的提供针对特定领域的AI前端产品及解决方案，无需底层硬件专业知识，极大降低了用户使用门槛。　　“我们的发展必然是越来越多的开放合作。现阶段我们作为一家初创企业去号召所有人用我们的开发平台，这是很难的。相反我们做好了就可以吸引大家来做。　　我们能给市场提供什么价值？芯片稳定、价格足够低、成熟的应用案例，让开发者能赚到钱。一家初创公司做不到这几点，是没有人陪着玩的。”牛昕宇称。　　对于即将滚滚驶来的IOT大市场，所有的芯片创业者都期望成为机会的幸运儿。但目前很多领域的落地还采用将数据计算等AI功能放在云端的方式，只因AI芯片的价格还太高，要在终端普及并不现实，个别有钱的买家也只在局部测试方案中将AI能力放在终端。　　未来让终端设备都有一颗AI芯片，是否是一个一定确定的趋势？　　牛昕宇认为终端+云端的趋势基本是未来的格局。一些算法训练、大量只能进不能出的保密数据都适合放在云端，而很多没必要储存的数据、隐私数据、需要快速反馈的数据更适合放在终端处理。　　以商场的人流管理为例，如果将所有摄像头的数据都传输到云端来处理，一个摄像头一天就产生半T的数据，这些数据有很多跟商业是不相关的，都传输到云端不但宽带成本高、后端服务器存储成本也高。尤其对连锁商场来说，整个云端是撑不起来的。　　相反，如果每个摄像头可以处理基本的人脸提取、跟踪等计算，将提取的数据在云端汇总分析，就可以极大的降低成本，提高效率。而这里就需要一个足够低成本的芯片嵌入到摄像头。这也是鲲云科技要突破的终极方向。　　“芯片的特点是量越大成本越低，先用在、大企业最后到个人消费。零售其实就把芯片直接拉到了相当于个人消费水平，如果一个摄像头方案做到几百块在个人消费领域就很有竞争力了。”　　不过这个时间何时能到来，牛昕宇并不能给出答案。　　目前，AI芯片的买单方还主要以政府机构、大型企业为主，真正的IOT时代还在黎明前的暗夜探索。　　“整个AI芯片生态刚刚起步，英伟达、谷歌等大公司也在开始的探索阶段，但最终一个生态天生会形成垄断。”　　谁能在垄断之前顺利靠岸？所有AI芯片的创业者都希望是自己。
责任编辑：Robot&RF13015
机会早知道
已有&0&条评论
最近访问股
以下为您的最近访问股
<span class="mh-title"
style="color: #小时点击排行人工智能行业市场分析本材料所有内容来源于网络公开资料，引用了较多网络公开行业报告等内容，经整理归纳总结形成本文档，可以查询了解使用，其中有一些数据不具有实时性，仅供参考，主要目的是给出一种行业分析的思路，虽然不是专业的行业分析报告，不能面面俱到，但基本反映出人工智能市场发展概况，仅供学习。
2018年6月整理1
AI概念以及发展历程1.1
什么是AI1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。人工智能的三种定义第一种，也是最常见的一种，从人工智能研究广受欢迎的成果的角度：大体上来讲，人工智能或者是“创造和研究具备智能行为的机器”（注意：“具备”是怎么解释都行），或者是“创造和研究可以思考的机器”（注意：什么样的“思考”都行）第二种定义是从人工智能的组成部分或者其想解决的问题的角度：【计算机视觉：如何识别目标？】【语音识别和合成：如何将声音转化为文字或将文字转换为声音】【自然语言处理NLP：如何从语言中提炼有意义的特征？以及如何在生成式语句中赋予有意义的特征？】【知识图谱：如何用一种更实用的方法（例如，分层级的，语义网络）给信息排序】【推理机：如何通过整合碎片信息形成结论？】【规划：如何计划一系列行动，以确保这些行动被执行的同时，能达成特定的目标？】这个定义差不多就是通用人工智能（强AI 或者全AI）和超级人工智能的概念 斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。个人理解：人工智能是为了解决人类生存和发展的问题，如何更好的生存，更快地向前发展是人类一直以来追求的梦想。具体来说人工智能就是将人类的意识世界与物质世界连接起来。如何连接，通过机器算法等技术实现机器具有人的意识。这将是跨越性的文明成果，相当于打通了人类的任督二脉。会为未来各个学科的发展打下坚实基础。1.2
AI发展历程从1956年正式提出人工智能学科算起，60多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。?
1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。?
2012年6月，谷歌研究人员Jeff Dean和吴恩达从YouTube视频中提取了1000万个未标记的图像，训练一个由16，000个电脑处理器组成的庞大神经网络。在没有给出任何识别信息的情况下，人工智能通过深度学习算法准确的从中识别出了猫科动物的照片。这是人工智能深度学习的首次案例，它意味着人工智能开始有了一定程度的“思考”能力。?
2016年3月，谷歌AlphaGo 4：1 战胜围棋世界冠军李世石，开启了人工智能的新纪元。名为 AlphaGo Zero （暂译：阿尔法元）的机器系统仅训练 3 天就战胜了AlphaGo Lee ，比分 100：0名为 AlphaGo Zero （暂译：阿尔法元）的机器系统仅训练 3 天就战胜了AlphaGo Lee ，比分 100：0。现在AI火起来的原因很大推动就是AlphaGo，虽然谷歌只是为了吸引市场关注，但这也揭开了AI产业快速发展。2
AI在国内发展概况2.1
AI在国内发展现状2.1.1 发展背景下面采用PEST（政策、经济、社会、技术）分析法进行分析?
政策支持：2017年3月5日，国务院总理李克强发表2017年政府工作报告，指出要加快培育壮大包括人工智能在内的新兴产业，“人工智能”首次被写入了全国政府工作报告，这意味着人工智能已上升为国家战略。2017年7月20日，国务院出台《新一代人工智能发展规划》，提出了面向2030年我国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。《规划》提出坚持科技引领、系统布局、市场主导、开源开放的基本原则和三步走的战略目标，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界科技强国。2017年11月15日，科技部召开《新一代人工智能发展规划》暨重大科技项目启动会，会上宣布了首批四家国家新一代人工智能开放创新平台名单，明确依托科大讯飞建设智能语音国家新一代人工智能开放创新平台。2017年12月13日，工业和信息化部印发《促进新一代人工智能产业发展三年行动计划（年）》，明确了人工智能年在推动战略性新兴产业总体突破、推进供给侧结构性改革、振兴实体经济、建设制造强国和网络强国方面的重大作用和具体目标。2018年3月5日，国务院总理李克强在十三届全国人大一次会议作政府工作报告时表示，要加强新一代人工智能研发应用，在医疗、养老、教育、文化、体育等多领域推进“互联网+”，这是继2017年之后，“人工智能”再次被写入政府工作报告。?
经济增长：互联网经济继续增长，2015年中国网络经济增长约33%，规模超千亿，2016年人工智能领域投资接近16亿美元，2017年中国人工智能领域投资金额超过580亿人民币，同比增长50%。?
社会环境：中国科研投入占GDP20%仅次于美国，信息技术投入占“863计划”15.3%，是国家重点揉入领域，中国IT从业人员约有500万，每年50万的毕业生，近五年科研人员保持20%的增长，给行业带来人才红利。?
技术成熟：目前在视觉领域、语音识别等领域实现技术突破，处于国际领先水平，2017年，用20亿人脸训练可以达到一亿分之一的误识率，国内计算机视觉公司普遍识别率达到99.9%以上，已远超人类97.5%的识别率，科大讯飞在标准场景下语音识别率达到97%。2.1.2 产业成熟据统计，2017年中国人工智能核心产业规模超过700亿元，随着各地人工智能建设的逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，年复合增长率将达43.6%。（数据来源前瞻产业研究院《人工智能行业市场前瞻与投资战略规划分析报告》）各机构预测市场规模参考如下：
2020中国人工智能市场规模
复合增长率 国内机构
48.5% 腾讯研究院
55-60% 艾瑞咨询
49.2% 前瞻产业研究院
43.6% 2018中国IT市场年会
26.2% 国外机构
160亿$（1040亿）
66% CB Insights
200亿$（1300亿）
70% 个人理解：国内人工智能产业发展越来越快，已上升到国家战略，国家的推动将形成强大的资源支撑，会在未来十到二十年完全超越国外，不论技术还是市场。换句话说，国家力量是强大的，只要有政策战略支撑，基本没有悬念一定能成为领头羊。2.2
技术应用成熟度和领先度当前的人工智能发展浪潮，主要是源于2006年深度学习算法的提出，在数据量和计算能力的基础上实现大规模计算，属于技术性突破。属于超级人工智能的，关于意识起源、人脑机理等方面的基础理论研究仍有待突破。科技部高新司司长秦勇说：“我国在语音识别、视觉识别、机器翻译、中文信息处理等技术方面处于世界领先地位。中国科学院自动化研究所谭铁牛团队全面突破虹膜识别领域的成像装置、图像处理、特征抽取、识别检索、安全防伪等一系列关键技术，建立了虹膜识别比较系统的计算理论和方法体系，还建成目前国际上最大规模的共享虹膜图像库。”智能芯片技术也实现了突破。中科院计算所发布了全球首款深度学习专用处理器，清华大学研制出可重构神经网络的计算芯片，比现有的GPU效能提升了3个数量级。与此同时，我国在人工智能领域的论文数量快速增长。据统计，2007年—2016年，全球人工智能领域论文中，我国占近20%，仅次于美国;深度学习领域的论文总量和引用量均居世界第一。此外，人工智能相关发明专利授权量已居世界第二。人工智能创新创业也日益活跃，一批龙头骨干企业快速成长。据统计，当前中国的人工智能企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。全球最值得关注的100家人工智能企业中我国有27家，其中，腾讯、阿里云、百度、科大讯飞等成为全球人工智能领域的佼佼者，也成为建设国家新一代人工智能开放创新平台的领头羊。2017年7月5日，百度首次发布人工智能开放平台的整体战略、技术和解决方案。这也是百度AI技术首次整体亮相。其中，对话式人工智能系统，可让用户以自然语言对话的交互方式，实现诸多功能;Apollo自动驾驶技术平台，可帮助汽车行业及自动驾驶领域的合作伙伴快速搭建一套属于自己的完整的自动驾驶系统，是全球领先的自动驾驶生态。2017年8月3日，腾讯公司正式发布了人工智能医学影像产品——腾讯觅影。同时，还宣布发起成立了人工智能医学影像联合实验室。2017年10月11日，阿里巴巴首席技术官张建锋宣布成立全球研究院——达摩院。达摩院的成立，代表着阿里巴巴正式迈入全球人工智能等前沿科技的竞争行列。此外，科大讯飞在智能语音技术上处于国际领先水平；依图科技搭建了全球首个十亿级人像对比系统，在2017年美国国家标准与技术研究院组织的人脸识别技术测试中，成为第一个获得冠军的中国团队。（1）语音识别技术方面：如百度、Google、Sound Hound 等国际巨头的语音识别准确率在 2015 年便均已超过 90%；以2016 第四届 CHiMEChallenge 结果来看，绝大部分参赛团队在六麦克风条件下识别错误率已低于 7%，国内龙头科大讯飞甚至已降至 2.24%，准确率正在接近 99%的人际交互质变阈值。（2）计算机视觉方面：以 ImageNet 图像识别赛作为观测窗口，其冠军团队的识别错误率自 2015 年下降至人类平均水平以下后，于 2016 年进一步降至 2.99%，印证了计算机视觉技术已趋于成熟。据近日红杉、真格联合发布的《全球人工智能专利资源发展概况》报告中称，中国在计算机视觉方面的专利已跃居世界第一，占当前全球专利公开数量的 55%。个人理解：我国在语音和计算机视觉方面由于市场需求旺盛，导致市场大量资源涌入，一方面推动了技术成熟，另一方面催生了更多的适用场景。并且中国各种行业体量都很庞大，技术有充分的发挥空间，甚至都可以作为试验场，积累经验，所以在这几方面绝对能实现弯道超车，就像前几年的移动支付一样完全超越国外模式，形成中国特有方式。3
AI产业链分析中国人工智能创业公司所属领域分布中，计算机视觉领域拥有最多创业公司，高达35家，紧随其后的是服务机器人领域，有33家，而排名第三的是语音及自然语言处理领域，有18家，智能医疗、机器学习、智能驾驶等也是相比比较热门的领域之一。计算机视觉技术是人工智能的重要核心技术之一，可应用到安防、金融、硬件、营销、驾驶、医疗等领域，而目前我国计算机视觉技术水平已达到全球领先水平，广泛的商业化渠道和技术基础是其成为最热门领域的主要原因。人工智能产业链可以分为基础设施层、应用技术层和行业应用层。A基础层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。B技术层，主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。C应用层，主要是把人工智能相关技术集成到自己的产品和服务中，然后切入特定场景。目前来看，自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好方向。易观2017年生态图谱易观2018年生态图谱个人看法：人工智能产业链三个层次，其中国内创业公司主要集中在应用层，基于国内巨大的市场空间，应用层技术将实现突破性增长，完全超越国外任何一个国家，关键薄弱的地方在于基础硬件芯片和高端传感器上，但是也可以看出国家的重视，但还需要一定时间慢慢积累。3.1
AI产业链市场3.1.1 基础层3.1.1.1
AI芯片机器智能中，芯片是承载计算功能的基础部件，随着深度神经网络（DNN）的发展和应用，其多层级特点的计算需求已不能通过传统的CPU 来满足，而 GPU 具有适合深度学习所需的并行计算能力，关注度日益提高。除此之外， TPU 以及 FPGA 芯片也成为目前发展较快的人工智能芯片。在芯片上布局的厂商以英伟达、英特尔、高通、ARM、苹果、华为等厂商为主。人工智能应用场景将不再是单一类型的终端设备，嵌入式人工智能设备对高性能计算的要求更加急迫，比如专用于自动驾驶汽车的芯片、处理监控视频的交通安防领域计算平台，机器人、无人机、智能家居等产品都需要芯片的支持，这都对芯片公司提出了新的要求，芯片未来将能够提供更为多元化服务。目前创立于国内的AI芯片初创公司有12家：寒武纪（Cambricon）
比特大陆（Bitmain） 地平线机器人（Horizon
Robotics）
西井科技（westwell
lab） 眼擎科技（eyemore）
熠知电子（Think
Force） 启英泰伦（ChipIntelli）
鲲云科技（corerain） 深鉴科技（DEEPHI）
云天励飞（Intellifusion） 触景无限（senscape）
深思考人工智能（iDeepWise）
算法系统深度学习系统一方面需要利用庞大的数据对其进行训练，另一方面系统中存在上万个参数需要调整，因此需要平台对现有数据及参数进行整合，向开发者开放，实现技术应用价值的最大化，因此在芯片和大数据之外，IT 巨头争相开源人工智能平台，，各种开源深度学习框架层出不穷。 2015 年以来，全球人工智能顶尖巨头陆续开源自身最核心的人工智能平台，其中包括：Caffe、 CNTK、 MXNet、 Neon、TensorFlow、 Theano和 Torch 等。Google 开源的TensorFlow 平台训练和导出自己所需要的人工智能模型，然后把模型导入TensorFlow Serving 对外提供预测类云服务，实质上是将开源深度学习工具用户直接变为其云计算服务的用户，现阶段包括百度、阿里、亚马逊在内的云计算服务商都将机器学习平台嵌入其中作为增强其竞争实力和吸引更多用户的方式。同时开放的开发平台将带来下游应用的蓬勃发展。个人看法：深度学习算法这块还是比较难的一块，关键靠积累，所以各家都在开源自己的学习平台，一来可以让用户接入使用，反过来用户数据可以作为庞大的数据源来训练算法模式，让模式更加智能，所以谁家的平台模型越智能，以后的市场占用率越大，这是一种正向促进作用，这就像底层系统一样，谁占用率越高，后续的市场空间越大。3.1.1.3
云计算云计算主要解决算力问题，基于人工智能的超大量数据以及深度算法系统都需要超级计算能力的支撑，传统架构只能依赖于超算中心等形式，效率和成本都不能得到保证，因此目前云计算平台的日益成熟也为人工只能提供了很重要的发展条件。目前国内外大部分云厂商基本都已经在云平台集成了深度算法平台等产品，结合自有的基础计算能力实现人工智能的赋能。3.1.1.4
大数据海量数据是人工智能发展的基础，各类硬件和传感器的数据是未来大数据的核心，伴随着物联网的发展，数据开始以指数级规模增长，大量数据应用到人工智能算法模型的训练中， AI 得以快速发展。而人工智能的技术也快速应用到大数据分析中，通过 AI 挖掘丰富数据背后的价值，数据科学家的部分工作将会越来越自动化，从而可以极大提高生产力。同时，应用于营销、监测等方向的 BI 平台日趋多样，也带动了分析层的不断完善。在应用层面，随着一些核心基础设施问题的解决，大数据应用层正在快速构建。一方面，专门的大数据应用几乎在任何一个垂直行业都有出现。另一方面，在企业内部，已经出现了各种工具来帮助横跨多个核心职能的企业用户。例如，销售和营销的大数据应用通过处理大规模的内外部数据来帮助找出哪位客户可能会购买、续约或者流失，且速度越来越实时化；客服应用帮助个性化服务；人力应用帮助找出如何吸引和挽留最好的员工等。越来越多的大数据使用者已经无需了解大数据底层部署技术而直接使用。大数据与人工智能相辅相成，在人工智能的加持下，海量的大数据对算法模型不断训练，又在结果输出上进行优化，从而使人工智能向更为智能化的方向进步，大数据与人工智能的结合将在更多领域中击败人类所能够做到的极限。关键是数据量级，没有数据训练算法等于白搭，而国内环境最好不过。3.1.2 技术层3.1.2.1
计算机视觉目前，由于动态检测与识别的技术门槛限制，静态图像识别与人脸识别的研究暂时处于领先位置，其中既有腾讯、蚂蚁金服、百度和搜狗这样基于社交、社交、搜索大数据整合的互联网公司，也有三星中国技术研究院、微软亚洲研究院、Intel中国研究院这类的传统硬件与技术服务商；同时，类似于Face++和FaceID这类的新兴技术公司也在各自专业技术和识别准确率上取得了不错的突破。近年来，与计算机视觉相关的视频监控和身份识别等行业市场规模均逐渐扩大，伴随着技术的发展，计算机视觉技术和应用逐渐趋于成熟，被广泛应用到金融、安防、电商等场景中，技术进一步实现场景化落地，计算机视觉也成为目前人工智能领域最为火热和应用最为广泛的领域之一。国内企业，尤其是创业公司深耕技术能力，已具备国际领先的技术水平，这些典型企业包括旷视科技、商汤科技、依图科技、格林深瞳、云从科技等。计算机视觉厂商主要走技术和解决方案提供商的路径，通过研究通用型的技术，深耕图像处理和图像分析，提供软硬件全套服务，开放程序接口供其他厂商使用，比如商汤科技、旷视科技。另外一部分厂商走技术应用的路径，将技术接入到不同的领域和场景中，以技术为基础实现场景落地，为用户提供服务，比如特斯联的未来城市人口管理系统。个人看法：计算机视觉分为两种厂商，一种是传统的摄像头厂商，比如海康，基于自己的硬件实现后台的人工智能，并且将智能开始移植到前端摄像头，会形成智能前端和智能后端相结合的超级平台。另一种是只做后端算法平台，接入摄像头数据源进行分析，就形成了与前者的竞争关系，这样其实很危险，数据源才是关键，掐了你的来源，再厉害的算法也发挥不了作用，所以看目前市场旷视等都在寻求硬件的合作，希望打造端到端智能解决方案。3.1.2.2
机器学习2015 年以来，人工智能开始大爆发。 一方面是由于巨头整合了开源平台和芯片，技术快速发展，GPU 的广泛应用，使得并行计算变得更快、更便宜、更有效。 另一方面在于云计算、云存储的发展和当下海量数据的爆发，各类图像数据、文本数据、交易数据等为机器学习奠定了基础。机器学习利用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务，使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。深度学习(Deep Learning)是机器学习的重要分支，作为新一代的计算模式，深度学习力图通过分层组合多个非线性函数，来模拟人类神经系统的工作过程，其技术的突破掀起了人工智能的新一轮发展浪潮。深度学习的人工神经网络算法与传统计算模式不同，深度学习本质上是多层次的人工神经网络算法，即模仿人脑的神经网络，从最基本的单元上模拟了人类大脑的运行机制，它能够从输入的大量数据中自发的总结出规律，再举一反三，应用到其他的场景中。因此，它不需要人为的提取所需解决问题的特征或者总结规律来进行编程。深度学习的典型代表就是 Google AlphaGo。而 AlphaGo ZERO 采用纯强化学习的方法进一步扩展了人工智能技术，不需要人类的样例或指导，不提供基本规则以外的任何领域知识，在它自我对弈的过程中，神经网络被调整、更新，以预测下一个落子位置以及对局的最终赢家，并以 100:0 的战绩击败AlphaGo。深度学习使得机器学习能够实现众多的应用，使所有的机器辅助功能成为可能，拓展了人工智能的领域范围。3.1.2.3
智能机器人根据《中国服务机器人市场现状调研与发展前景分析报告（年）》中的数据，2014 年，我国服务机器人销售额 45.56 亿元，同比增长 34%，特别是工业机器人领域，中国地区工业机器人已占全球三分之一的销售市场；分布地区主要集中在经济较为发达的环渤海（27.3%）及长三角（29.6%）、珠三角地区（32.7%），中部地区（8.9%）和西部地区（1.5%）应用较少。家庭机器人：优必选、Rokid、公子小白机器人、北冥星眸GalaxyEye、A.I.Nemo、极思维智能科技等。智能助手：百度、小 i 机器人、图灵机器人、优必选、北冥星眸GalaxyEye、萝卜科技等。工业\企业服务：新松机器人、博实股份、优爱宝机器人和 Slamtec 等。国内特别是工业机器人领域将会爆发式增长，全球三分之一机器人销售市场都在中国，中国市场也迎合“智能制造2025”战略进行产业升级，所以这个市场会快速爆发。3.1.2.4
自然语言处理\知识图谱多技术融合应用促进NLP技术及应用的发展深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破，比如翻译和写作。2014年开始LSTM、Word2Vec以及Attention Model等技术研究的进展，使DL有了路径在语义理解领域取得突破，并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。年，硅谷在语义理解领域的投资热度剧增。深度学习能最大程度发挥对大数据和算力资源的利用，语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用，应用场景越明确（如客服/助理），逻辑推理要求越浅（如翻译），知识图谱领域越成熟（如数据饱和度和标准性较强的行业），技术上实现可能性相对较低。在各种技术融合应用发展的情况下，具备获取一定优质数据资源能力并可结合行业DomainKnowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。NLP主要应用场景l
问答系统：问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如 IBM 的 Watson，典型的办法是把问答用FAQ索引起来，与搜索引擎相似。对每一个新问题进行检索，再将回答按匹配度进行排序，把最有可能的答案排在前面，往往就取第一个作为答案返回给用户。l
图像检索：同样也是基于深度学习技术，跨模态地把文本和图片联系起来。l
机器翻译：机器翻译的历史被认为与自然语言处理的历史是一样的。最近，深度学习被成功地运用到机器翻译里，使得机器翻译的准确率大幅度提升。l
对话系统：对话系统的回复是完全开放的，要求机器能准确地理解问题，并且基于自身的知识系统和对于对话目标的理解，去生成一个回复。自然语言处理（NLP）的研究对象是计算机和人类语言的交互，其任务是理解人类语言并将其转换为机器语言。在目前的商业场景中，NLP技术用于分析源自邮件、音频、文件、网页、论坛、社交媒体中的大量数据。市场前景巨大。NLP应用的最大挑战来自识别人类带有不同模式、语调、发音的语音，并将其转换为可编程语言，其意义在于可与人类实现最基本和最高级的交互。未来，人们可以用口述代替手工输入程序。目前，NLP主要应用于语音识别，但其终将在多个领域发挥重要作用。更便捷的人机互动将驱动全球NLP市场。另外，客服中心已经开始使用NLP技术为客户提供更好的体验，这对于驱动市场也有积极意义。国内做大数据服务的公司有较多都是基于自然语言理解来实现解决方案，比如智能推荐，用户画像，评论解析等，基于自然语言处理提供数据分析服务。当然还有纯大数据分析的公司，比如纯粹用户行为分析，不涉及自然语言处理，纯粹基于用户数据进行分析。针对不同行业大数据方案需要垂直积累，在未来会出现每个行业都有特别擅长的公司来做。3.1.2.5
语音语义识别类似百度、科大讯飞这样的上市公司凭借着深厚的技术、数据积累占据在市场前列的位置，并且通过软硬件服务的开发不断进化着自身的服务能力；此外，在科大讯飞之后发布国内第二家「语音识别公有云」的云知声在各项通用语音服务技术的提供上也占据着不小的市场空间。另外，除了科大讯飞，依托中科院自动化所的紫冬锐意和纳象立方以及有着海外背景的苏州思必驰在教育领域的语音识别上占据着领先的位置。值得注意的是，不少机器人和通用硬件制造商在语音、语义的识别上也取得了不错的进展，例如智臻智能推出的小 i 机器人的语义识别、图灵机器人的个性化语音助手机器人和服务、被 Google 投资的出门问问的软硬件服务。语音识别：科大讯飞、百度、出门问问、智齿客服、思必驰、云知声、助理来也、京东 JIMI 智能客服、普强科技、捷通华声、紫冬锐意、纳象立方等。语义识别：科大讯飞、百度、腾讯、智臻智能、智齿客服、助理来也、京东 JIMI 智能客服等。而在目前的国内语音识别市场上，科大讯飞研发的语音合成产品的市场份额达到 70% 以上，在电信、金融、电力、社保等主流行业的份额更达 80% 以上，开发伙伴超过 10000 家，以讯飞为核心的中文语音产业链已初具规模。这个行业关注科大讯飞就行，领先所有其他公司，当然个别公司的行业应用和使用场景与讯飞不同，正好是科大讯飞没有重点关注的领域，也给了创业公司不少机会。3.1.3 行业应用3.1.3.1
工业制造人工智能的应用有望实现制造业从半自动化生产到全自动化生产的转变，工业以太网的建立、传感器的使用及算法的革新将实现工业制造过程中所有生产环节的数据打通,人与机器、机器与机器实现互联互通，一方面人机交互更为便利，另一方面机器间将协作办公，既能够精细化操作，还能及时的预测产品需求并调整产能。人工智能将推动机器在制造业中进一步取代人工，提高生产效率并降低生产成本，并通过低成本的个性化生产实现智能定制化服务。中国“智能制造”战略，是中国政府实施制造强国战略第一个十年的行动纲领，未来将渗透到各类制造业中。工业机器人在国内市场非常大，中国还是稳稳的制造业大国，各种行业的智能制造都将普及，这也是为什么德国一直要来跟中国合作的原因。3.1.3.2
智能医疗目前，医疗行业存在医疗资源不足，医疗资源区域分布不均， 医生培养周期长，医疗成本高， 医疗误诊率高，疾病谱变化快等诸多痛点。同时，随着人口老龄化逐渐加剧、 慢性疾病增长，对医疗服务的需求增加。待解决的医疗痛点及逐渐增加的医疗服务需求成为人工智能技术应用于医疗行业的现实需求。我国医疗问题现状 AI医疗领域市场产业3.1.3.2.1
医学影像人工智能应用于医学影像，通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助更快的获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注，三维重建，靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。“人工智能+医学影像”在阅片速度、 准确度等方面优势明显。 传统的医学影像中， 影像科医生受读片速度的限制，读片量有限，阅片压力大。同时影像科医生多数情况下是凭经验进行判读，容易出现误判情况。人工智能强大的图像识别和深度学习能力有助于解决传统医学影像中存在的工作效率低、准确度低、工作量大的问题，弥补影像科医生不足，提升读片准确度，提高医生工作效率，缓解放射科医生压力。同时技术手段助力疾病早筛，及早为患者发现病灶，提高患者存活率。虽然影像识别在单病种的市场空间不大，但政策推动背景下，影像科、检验科等科室市场化运营，成立病理中心，高端诊断服务将成为影像识别技术的巨大机会。案例：汇医慧影打造了数字化、移动化及智能化的医学影像和肿瘤放疗平台，构建了影像智能筛查系统、防漏诊系统以及将影像深度应用于肿瘤、心血管、急腹症等单病种的人工智能辅助诊疗系统。持续接入近 400 家医疗机构、其中有北医三院、北京肿瘤医院等数十家三甲医院和一系列高端连锁医疗机构等。3.1.3.2.2
药物挖掘人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段：将深度学习技术应用于药物临床前研究，在计算机上模拟药物筛选的过程，包括靶点选择、药效和晶型分析等，预测化合物的活性、稳定性和副作用，快速、准确地挖掘和筛选合适的化合物或生物，提高筛选效率，优化构效关系。临床后阶段：针对临床试验的不同阶段，利用人工智能技术对患者病历进行分析，迅速筛选符合条件的被试者，监测管理临床试验过程中的患者服药依从性和数据收集过程，提高临床试验的准确性。“人工智能+药物挖掘”是将人工智能技术应用于药物临床前研究，快速、准确地筛选合适的化合物或生物，进而缩短药物研发周期、控制研发成本，提高新药研发效率。“人工智能+药物挖掘”主要通过深度学习、自然语言处理技术分析和处理大量的生物科学信息，利用深度学习算法分析信息，找出关联并提出相应的候选药物，进一步筛选对某些特定疾病有效的分子结构。成立于 2012 年的美国医疗公司 Atomwise，通过 IBM 超级计算机分析数据库，利用深度学习神经网络分析多类化合物的构效关系，评估出 820 万种候选化合物，降低新药研发成本，缩短研发时间。2015 年， Atomwise 基于现有的候选药物，应用 AI 算法， 快速找到能有效控制埃博拉病毒的两种候选药物。3.1.3.2.3
未来趋势“人工智能+医疗”面临诸多挑战首先，患者信任体系建立方面。患者的信任度是人工智能应用于诊疗环境的主要阻碍，如何构建一个合理的伦理道德与保障体系将成为行业重要命题。其次，数据的获取与积累方面，机器学习对于数据质量有一定的要求，人工智能在各领域的发展与数据在体量与广度的积累是人工智能在健康管理领域应用的一大阻碍。最后， 认证与监管方面，较长的 CFDA 认证周期，严格的医疗器械监管，一定程度上阻碍了企业的技术创新、产品落地速度。人工智能广泛应用于医疗领域，有助于企业降低运营成本，提高运营效率，解决现阶段医疗领域存在的诸多痛点人工智能广泛应用于医疗领域，有助于解决现阶段医疗资源不足的核心痛点。 移动互联网时代，我国医疗行业现阶段核心痛点从信息不透明转移到了优质医疗资源不足，同时伴随着医疗成本高、人才培养周期较长等问题，人工智能高效计算能力有效提高医疗行业产能。人工智能广泛应用于医疗领域有助于带动基层医疗服务。人工智能+医疗有望成为一种可复制的医疗资源，增加基层医生的诊断精准度。3.1.3.2.4
虚拟助理医疗虚拟助理是基于医疗领域的知识系统，通过人工智能技术实现人机交互，从而在就医过程中，承担诊前问询、诊中记录等工作，成为医务人员的合作伙伴，使医生有更多时间可以与患者互动。医疗虚拟助理根据参与就医过程的功能不同，主要有智能导诊分诊，智能问诊，用药咨询和语音电子病历等方向。“人工智能+辅助诊疗”就是将人工智能技术应用于辅助诊疗中，让机器学习专家医生的医疗知识，通过模拟医生的思维和诊断推理来解释病症原因，最后给出可靠的诊断和治疗方案。在诊断中，人工智能需要获取患者病症，解释病症，通过推理判断疾病原因及发展走向，形成有效治疗方案，辅助诊疗的一般模式为：获取病症信息， 做出假设，制定治疗方案国外最早将人工智能应用于辅助诊疗的是 MYCIN 专家系统。中国从上世纪 70 年代末开始研制基于人工智能的专家系统， 早期有北京中医学院研制的“关幼波肝炎医疗专家系统”， 上世纪80 年代初，福建中医学院与附件计算机中心研制成功高骨伤计算机诊疗系统。 IBM Watson 融合了认知技术、推理技术、自然语言处理技术、 机器学习及信息检索等技术， 是目前“人工智能+辅助诊疗”应用中最为成熟的案例。 IBM Watson 已经通过了美国职业医师资格考试，并在美国多家医院提供辅助诊疗服务， IBMWatson 可以在 17 秒内阅读 3469 本医学专著、 248000 篇论文、 69 种治疗方案、 61540 次试验数据、106000 份临床报告。2017 年8 月 20 日， 科大讯飞与安徽省立医院联合挂牌“安徽省立智慧医院（人工智能辅助诊疗中心） ”， 这也预示着国内首家人工智能辅助诊疗中心正式投入使用。康夫子推出的智能问诊机器人已经进入到三甲医院， 各种信号预示着，在不远将来利用人工智能就诊时代已并不遥远。“人工智能+辅助诊疗”服务基于电子处方、医学文献、医学影像等数据，寻找疾病与解决方案之间的对应关系，构建医学知识图谱，在诊断决策层面有效优化医生诊断效率。 未来“人工智能+辅助诊疗”市场空间巨大，尤其在基层常见病诊疗方面能够发挥较大效能，有效提高基层医疗效率，降低医疗成本。个人看法：解决中国医疗问题，不是一时半会儿能搞定的，依靠AI大数据等新技术从技术层面推动医疗进步，只是在细枝末节动手术而已，一定要国家政策跟得上，从政策上支持，建立较为妥善的医疗体系，推动医院进行技术革新。中国医疗问题大部分集中在农村和三四线城市，特别是大数据共享远程医疗技术应用，需要各方医院配合才能实施，很多问题都是医院层面没有意识到技术创新能带来的收益，很多不愿意配合不愿意学习，只有从意识层面革新医院各层级人员观念，才能将新技术扎实的应用普及。另外还有广大患者的意识，很多患者只相信大医院才能解决问题，造成了很多基层医疗资源的浪费，同时造成大医院饱和无力承担，分级诊疗的路还很长远。3.1.3.3
智能家居智能家居是以住宅为平台，基于物联网技术，由硬件（智能家电、智能硬件、安防控制设备、家具等）、软件系统、云计算平台构成的一个家居生态圈，实现人远程控制设备、设备间互联互通、设备自我学习等功能，并通过收集、分析用户行为数据为用户提供个性化生活服务，使家居生活安全、舒适、节能、高效、便捷。智能家居包括家居生活中多种产品，涵盖多个家居生活场景。2016 年中国智能家居市场规模达到 1140 亿元人民币，据易观千帆监测数据显示， 2017 年第二季度智能家居活跃用户规模达到 4600 万。随着物联网技术、 人工智能技术的发展， 及 90 后婚育潮的到来，智能家居将成为主流的发展趋势。从智能家居发展阶段来看，中国智能家居市场正处于市场启动阶段，尚未进入爆发期， 智能家居产品渗透率较低。目前，智能家居领域依然存在诸多制约因素，如产品本身智能化程度低，多数产品是按既定的程序完成任务，在主动感知和解决用户需求、人机互动等方面达到的体验依然较初级，因此没有形成广泛的用户粘性，消费者对智能家居产品抱有观望态度。而相较于亚马逊的echo和Google HOME，国内还没有成熟的智能家居控制中心，仍处于以手机 APP 向智能音箱、智能电视、机器人等控制中心的过渡时期。人工智能技术可以带来硬件背后的软件及服务能力、 与智能硬件相匹配的交互技术。 人工智能+智能家居，有利于形成适配下一代硬件的真正的“智能化”及深入场景体验的个性化计算， 语音及视觉等人机交互技术有助于提升与智能家居产品的交互体验。语音交流更倾向于日常交流方式： 通过人类的语言给机器下指令，从而完成自己的目的，而无需进行其他操作，这一过程将更为自然。同时语音交互在特定的场景中具有优势，比如远程操纵、在行车过程中等，能够实现在特定场景中解放双手的作用，在家居相对封闭的环境中，语音识别成为主流的人机交互方式。近年来， 语音交互的核心环节取得重大突破， 语音识别环节突破了单点能力，达到 97%以上的中文语音识别准确率，从远场识别，到语音分析和语义理解技术都日趋成熟，多轮对话的实现等都有利于语音交互取代传统的触屏交互方式，整体的语音交互方案已被应用到智能家居领域中。计算机视觉、手势识别等交互方式成为语音交互的辅助， echo 在新推出的 echo show 产品中已搭载屏幕，而智能电视除语音交互之外，通过计算机视觉分析视频内容，并对内容相关的资料进行下一步操作，包括短视频剪辑、边看边买等，比如 Yi+搭载在天猫魔盒中的“瞄一下”功能。再比如在智能冰箱中，通过计算机视觉实现对冰箱内食品的分析，以及衍生出的用户健康管理和线上购物等功能，多种交互方式将统一在家居生活场景中，从而提供更为自然的交互体验。另一方面伴随着智能家居平台的发展，通过“IFTTT”的场景布局，智能家居实现多种家居产品的联动，用户可以自定义多个使用场景，实现定制化、个性化。在人工智能技术的发展将使得个人身份识别、用户数据收集、产品联动在潜移默化中变成现实，未来家居生活场景中将提供千人千面，家庭成员的个性化服务。找到合适的语音入口是挖掘智能家居背后用户价值的关键。硬件本身具有入口价值，智能音箱，智能电视，家庭机器人等都有可能成为合适的入口。传统的鼠标操作、触屏操作逐渐向语音交互这种更为自然的交互方式演进，语音交互的未来价值在于用户数据挖掘，以及背后内容、服务的打通，以语音作为入口的物联网时代将会产生新的商业模式。智能音箱、服务机器人、智能电视等智能化产品成为现阶段搭载语音识别技术和自然语言处理技术的载体，作为潜在的智能家居入口，智能音箱、服务机器人和智能电视等产品在提供原有的服务的同时，接入更多的移动互联网服务，并实现对其他智能家居产品的控制。这些产品为付费内容、第三方服务、电商等资源开拓了新的流量入口，用户多方数据被记录分析，厂商将服务嫁接到生活中不同的场景中，数据成为基础，服务更为人性化。“人工智能+智能家居”，带来更好的智能化、更高体验的人机交互.从最早的 WiFi 联网控制到如今的指纹识别、语音识别，人机交互性能大大提升，智能家居产品正在由弱智能化向智能化发展。而智能家居产品受众也将从尝鲜者转向更为普通的用户，甚至包括老人和小孩。更智能化的技术应用、更复杂的用户结构和更广泛的用户覆盖等因素必将促使智能家居产品趋于简单实用。智能化和人机交互体验的升级将大大扩宽智能家居应用场景， 2016 年，智能安防类产品落地，指纹锁、智能摄像头等产品受到了广泛关注。随着智能感知、深度学习等技术的提升，智能灯光、智能温控等产品也逐渐趋于成熟， 2017 年智能音箱成为爆款产品。 当用户需求不断扩大，产品愈加丰富，智能家居将会渗透到家居生活的方方面面。 智能家居市场将迎来爆发， 2019 年， 智能家居市场规模有望达到 1950 亿元。智能音箱、智能电视、管家型机器人将继续抢占智能家居控制中心，智能家居趋于系统化搭载人工智能的多款产品都有望成为智能家居的核心,包括机器人、智能音箱、智能电视等产品，提供儿童教育、老人陪伴、生活助理、健康监测等服务,智能家居系统将逐步实现家居自我学习与控制，从而提供针对不同用户的个性化服务。目前智能家居仍处于从手机控制向多控制结合的过渡阶段，手机 APP 仍是智能家居的主要控制方式，但基于人工智能技术开发出来的语音助手、搭载语音交互的产品等软硬件产品已经开始进行市场教育，通过语音控制，多产品联动的使用场景逐步变为现实。而在未来人工智能将推动智能家居从多控制结合向感应式控制再到机器自我学习自主决策阶段发展。这块前些年都一直在做，至于后续市场有多大，目前也只是估算，要是真的估算下理想状况的话，这个市场肯定是超级大，智能家居，以后连电动车都要算作家用电器之类的了，各类家具产品联网的话，不可想象，当然也不少有安全隐患，想象中的智能比如冰箱会自动提示你今天吃什么，做什么菜，菜谱都给你推送过来，甚至带教学视频，是不是省去了很多麻烦，洗衣机会自动提示你哪些衣物需要定期清洗，扔进去衣服智能判断需要洗多长时间，是适合干洗还是机洗等，就是为了让生活更方便。3.1.3.4
安防领域安防应用场景较多，小到身份识别，家居安防，大到反恐国防。现代社会人口流动大，中产阶级逐渐崛起，用户财产逐渐积累，而收入增多同时带来的是风险的加大，用户安全性缺失，安防成为用户的刚需。身份识别手段的多样性对于安防意义重大，因此安防领域对于图像识别的要求更高,也要求更多的手段通过多维度来进行识别，AI 技术的进步可以大大提高身份识别手段的多样性与准确率,对于安防的意义重大，尤其是安防在国防安全领域的应用，具有国家战略意义。安防行业的发展经历了几个阶段，首先是传统的模拟监控，安防系统用户主要以政府部门为主，随着国民生活水平的提高，数字监控应运而生，安防用户逐渐增多，图像实现数字化储存， 之后又发展到高清化监控，视频监控系统与用户业务系统开始进一步融合。随着物联网技术的发展，传统简单被动的安防形式已无法满足日常多样化的生活和工作场景，在大数据、人工智能等技术的带动下，安防向城市化、综合化、主动安防方向发展，智能安防成为当前发展的主流趋势，其应用覆盖了金融、交通、教育等行业，囊括银行机构、政府、学校等公共场所和家庭场所。通过无线移动、跟踪定位等手段实现全方位的立体安防，同时与整体城市管理系统、环境监测系统、交通管理系统、应急指挥系统等多个系统相互作用，最终实现万物互联下的全方位安防体系。从安防手段的应用来看，主要分为政府主导的治安监控、交通监控以及商用的办公楼监控和个人/家用的家庭住宅安防布局。比如利用人脸识别技术针对海关、机场等场所的出入境人员进行监控，防范犯罪分子；在金融信贷、支付等领域通过人脸识别实现个人信息的管理和交易等，以视频、 光学为核心的安防技术已经广泛应用到各行各业，泛安防时代已经到来。安防一直以来很多人都以为是卖摄像头的，技术进步带来新的机遇，各种基于图片视频的分析需求进一步推动了市场的蛋糕，现在就是硬件设备提供数据源，云计算平台提供算力，图像识别提供业务场景，各有各的市场，已经初步被切分了，所以每个行业都有可能被突然颠覆了，海康大华早十来年肯定也不会想到突然冒出来这么多软件公司来抢生意，以前最多是软件集成商，做些定制外包的活，现如今业务场景驱动，摄像头不再是瓶颈，但是传统安防厂商的优势显而易见，控制了数据源，那简直就是占尽天机，从目前看传统安防厂商技术转型也特别快，所以这个市场虽然大据估计有5K亿规模，但不是谁都进来玩得转的，还得是有积累有经验的对市场反应快的才行。3.1.3.4.1
图像识别在视频监控飞速发展的今天，安防产品不断增多，视频监控画面的信息已成海量，远远超过了人力所能进行的有效处理范围。传统采用人工回放录像取证的方式具有效率低下，容易出错的缺点。而人工智能技术恰好具有处理海量信息的能力，也能在技术的基础上实现实时监控、基准判断。图像识别技术不仅可以实现静态识别，也可以完成动态识别。通过对图像内容的迅速分析，信息分析平台可以监测出可视范围内的人群数量，并且捕捉每个个体的行为动作，形成重点场所及区域的面状布防。智能视频分析（Intelligent VideoAnalysis， IVA）技术是解决海量视频数据处理的有效途径。 IVA采用计算机视觉方式， 主要应用于两个方面，一是基于特征的识别，主要在于车牌识别、人脸识别。 二是行为分析技术，包括人数管控、个体追踪、禁区管控、异常行为分析等，可以应用到监测交通规则的遵守、周界防范、物品遗留丢失检测、人员密度检测等。 通过对视频内的图像序列进行定位、识别和追踪，智能视频分析能够做出有效分析和判断，从而实现实时监控并上报异常。3.1.3.4.2
人脸识别人脸识别是基于人的脸部特征信息进行身份识别的一种识别技术。人脸识别技术被广泛应用于金融、安防、交通、教育等相关领域，主要应用场景包括企业、住宅的安全管理；公安、司法和刑侦的安全系统；自助服务等，刷脸支付、刷脸进站等项目逐渐实现。人脸识别包括 1:1 的人脸对比和 1： N 的人脸对比。 1： 1 主要指用户真实脸部信息与用户提交的身份证信息进行比对，常见于银行等金融机构和公安系统。 1： N 更常见于刑侦和国家安防领域，能够通过与 faceID 库的对比，快速找到犯罪分子或失踪人员， 1： N 识别精度难度要远远高于 1： 1 人脸识别。厂商也针对1：N的精确度做了技术深耕，百度曾宣布百度大脑的1：N人脸识别监测准确率已达99.7%。目前，人脸关键点检测技术可以精确定位面部的关键区域，还可以做到支持一定程度遮挡以及多角度人脸，活体检测及红外光识别技术有效阻挡了照片、手机视频等二维人像的作弊行为，使 3D 人脸识别准确率大幅度提升。但双胞胎识别、整容易容前后的识别依然是人脸识别的难点，因此需要虹膜识别等其他识别技术进行补充。人脸识别技术另一个关键层面在于 face ID 库的建立， 3D 人脸识别数据采集相对困难，采集数据量十分巨大，对计算机计算存储能力要求较高，face ID 库的数据量是人脸识别技术算法训练的基础，数据越高，相应的准确度才会越高。各厂商仍需继续扩充自身的 face ID 库规模。3.1.3.4.3
国家安防从下游应用领域看，目前平安城市、智能交通仍然是安防行业最大的下游应用领域， 与政府公安相关的交通、道路视频监控仍然是安防行业最重要的应用环节。作为关系到百姓日常生活的重要部门，公安及安防行业的信息化、智能化提升迫在眉睫。而伴随着人工智能技术的发展，国家对公安及安防相关部门持续投入并建设大规模的基础设施，同时人工智能技术迭代下，技术厂商需要大量的数据进行算法训练，因此，双方需求实现有效结合，人工智能技术快速在国家安防领域落地开花。计算机视觉广泛应用于飞机场、火车站等公共场合，在大规模视频监控系统中可实现实时抓拍人脸、布控报警、属性识别、统计分析、重点人员轨迹还原等功能，并做出及时有效的智能预警。且对于抓获有作案前科惯犯帮助很大，目前多应用于公安事前、事中、事后敏感人员布控、失踪人员查找等。安全布防需要消耗大量的警力资源，尤其是运动会、国家会议、演唱会等重点区域和重点活动的安防，而在这其中，已经开始出现人工智能产品的身影，包括实时监测系统、巡逻机器人、排爆机器人等，未来这些机器人也将会更多的替代传统安防体系中重复且低效的工作，节省警力资源。案例： 2017 年3 月，博鳌亚洲论坛 2017 年年会在海南琼海博鳌召开。 旷视成为大会主要智能视频技术应用解决方案提供商，基于深度学习及计算机视觉技术，为大会安保提供了视频结构化动态侦查系统。3.1.3.4.4
民用安防随着网络建设的完善、视频监控的高清化、硬件产品的发展和云端的成熟，安防领域进入快速发展期，从传统前端基础建设，向后端进行深化应用，安防进入智能安防时代。行业化细分明显，厂商推出多行业的综合解决方案和个性化定制方案。2016 年国家提出开放式住宅小区建设， 安防产品逐步民用化，包括在小区、办公楼等场景下的监控、楼宇对讲、智能家居等产品，民用安防市场发展空间巨大。企业安防及家庭安防关乎到个人的生命财产安全，通过门禁、监控设置的铺设，人口密集区建立起完善的安防体系。而现有的摄像头、智能门锁、闸机等硬件的发展，为立体安防奠定了基础。案例：2016 年，特斯联陆续为上海包括长宁区、徐汇区、静安区、浦东区、普陀区、嘉定区、闵行区、崇明区在内的 13 个辖区的老旧社区进行了智慧改造，成功服务约 4 万个入户单元门，覆盖约 400万人口，占整个上海市中心人口的 25%。其中，长宁区实有人口信息登记率超过 96%，人口普查数量新增实有人口 27.3%， 覆盖的 54 个实施小区实现刑事案件“零发案”；而徐汇区田林十二村安防改造项目也实现了小区发案率降低 90%的效果。3.1.3.4.5
未来趋势安防产品不断迭代和创新，立体安防体系门锁、摄像头等安防产品向智能化发展，而芯片的发展、人工智能技术的发展将推动现有安防产品功能的完善，包括智能 IPC、智能 DVR 和智能 NVR 等产品。设备的优化及组网的灵活有利于安防产品的大规模部署，未来安防体系将更为完善。智能门锁与报警器、监控、门禁等多种安防产品相互配合，共享数据，形成较为立体、实时的安防体系。视频图像的联网调度和信息资源共享，使得安防由被动防范向提前预警方向发展，随着数据资源在不同安防云端的共享，安防产品将实现对危险分子的主动识别，安防行为由被动向主动转变。智能安防将逐渐云端化4K 摄像机及 4K 监控系统不断发展，特征识别与视频智能分析应用于安防体系中，提高了安防的时效性、安全性和精准度。随着安防产品的增多及清晰度的增加，安防体系中存储的信息将呈指数级增长，云端成为安防体系的必要基础设施，一方面存储大量的视频及用户信息，另一方面在云端进行数据处理，优化图像识别等算法。未来，安防产品的服务将越来越多，通用型安防产品及服务逐渐兴起，智能化安防产品将以服务模块的方式服务于不同的行业和不同的场景，从而实现资源按需分配，进而满足客户需求，并提高资源利用率。3.1.3.5
社交领域腾讯AI核心领域：智能助手，客服机器人；微信朋友圈的信息流（Feeds）广告推送基于自然语言解析、图像识别和数据挖掘技术，通过分析用户朋友圈语言特性，以及朋友圈图片内容，根据对用户收入和消费能力的分析来刻画用户画像，并决定投放何种广告。有一些品牌需要每天发布大量的帖子。这些品牌还雇佣了大批有影响力的人，通过社交媒体宣传推广他们的产品。他们很难决定哪些内容要突出，哪些内容会更受欢迎。因为分析大量内容是一项繁琐的工作，更多的是靠猜测。为了避免这种猜测性工作，Slack Bots被开发出来。机器人可以预测不同内容是否会受到用户喜欢，还能挑选出那些受欢迎可能性最高的内容。此外，这些机器人还可以在社交媒体上找到类似的内容，并向您展示其受欢迎程度。2014年，LinkedIn收购了一家叫做Bright.com的求职公司。 Bright使用机器学习算法来更好地匹配候选人和公司，帮助企业雇用合适的人才，也帮助候选人选择更好的工作机会。LinkedIn根据历史招聘模式、账户位置、之前的工作经验和职位说明，帮助公司给候选人评分。 3.1.3.6
无人驾驶伴随着 ADAS 技术的不断更新,推断全球 L1-L5 智能驾驶市场的渗透率会在接下来 5年内处于高速渗透期,然 后伴随半无人驾驶的普及进入稳速增长期。在未来的 2025 年无人驾驶放量阶段后,依赖全产业链的配合而进入市场成熟期。预测到2030年,全球 L4/5 级别的自动驾驶车辆渗透率将达到 15%,单车应用成本的显著提升之外,从L1-L4 级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。按照 IHS Automotive 保守估计,全球 L4/L5 自动驾驶汽车产量在2025 年将达到接近 60 万辆,并在
年间获得高速发展,在这个“无人驾驶黄金十年”内复合增长率将达到43%,并在2035年达到2100万辆 L4/L5自动驾驶汽车产量,另有接近 7600 万辆的汽车具备部分自动驾驶功能，同时会带动产业链衍生市场的大规模催化扩张。根据独立市场调研机构 StrategyEngineers 的预测,L4 高度自动驾驶等级下,自动驾驶零部件成本约在 3100 美元/车,其中硬件占比 45%,软件占比 30%,系统整合占比14%,车联网部分占比 11%。按照全球1亿辆量产规模计算,理想假设所有车辆全部达到 L4 高度自动驾驶水平,那么全球自动驾驶零部件市场规模在2020年将达到3100亿美元。“无人汽车大脑”——AI 的智能程度决定了无人驾驶的可靠性， Google、 特斯拉、 百度等机构持续研发无人驾驶技术。虽然出行环境变化多样，当前的技术水平还无法直接应用于日常上路。但在出行过程中，人工智能技术已经开始发挥作用，包含行车记录仪、测距仪、雷达、传感器、 GPS 等设备的 ADAS系统，已经可以帮助汽车实时感知周围情况并作出警报，实现高级辅助驾驶，保证用户出行安全。在特定场景下，无人驾驶已初步实现，例如驭势科技在广州白云机场已开始试运行低速无人驾驶。3.1.3.7
金融领域AI 在金融领域的应用主要集中在投资决策辅助、信用风控与智能支付三个方面。在投资决策辅助方面,人工智能技术将协助金融工作者从数以万计的信息中迅速抓取有效信息，并进一步对数据进行分析，利用大数据引擎技术、自然语义分析技术等自动准确地 分析与预测各市场的行情走向，从而实现信息的智能筛选与处理，辅助工作人员进行决策。 另一方面人工智能也能帮助金融机构建立金融风控平台,进行风控管理，实现对投资项目的风险分析和决策、个人征信评级、信用卡管理等。 在智能支付领域中， 利用人工智能的人脸识别、声纹识别技术可实现“刷脸支付”或者“语音支付”。按金融业务执行前端、中端、后端模块来看，人工智能在金融领域的应用场景主要有智能客服、智能身份识别、智能营销，智能风控、智能投顾、智能量化交易等。本文简要分析智能身份认证、智能风控、 智能投顾三类应用场景，并以“人工智能+金融”综合应用人工智能理财进行详细分析。3.1.3.7.1
智能身份认证身份认证主要通过人脸识别、指纹识别、声纹识别、虹膜识别等生物识别技术快速提取客户特征。近年来，金融机构对远程身份识别、远程获客需求日益增加， 而人脸信息凭借易于采集、较难复制和盗取、自然直观等优势，在金融行业中的应用不断增加。 人脸识别的流程主要包括：人脸检测、脸特征提取人、人脸匹配三部分。人脸识别可实现客户“刷脸”即可开户、登录账户、发放贷款等，让金融机构远程获客和营销成为可能。在互联网金融领域，“刷脸”也可以应用到刷脸登录、刷脸验证、 刷脸支付等诸多领域。同时，人脸识别亦可以成为银行安全防控手段的有效选择。银行安防的难点之一是在动态场景下完成多个移动目标的实时监控，人脸识别技术在银行营业厅等人员密集的区域可有效实现多目标实时在线检索、比对，在 ATM 自助设备、银行库区等多个场景下都可应用。案例： 2015 年马云在德国汉诺威消费电子、信息及通信博览会上演示了蚂蚁金服的扫脸技术，并完成一笔淘宝购买，支付宝先后将人脸识别技术应用于用户登录、实名认证、找回密码、支付风险校验等场景,智能身份识别日益成熟。3.1.3.7.2
智能风控人工智能技术可以助力金融行业形成标准化、模型化、智能化、精准化的风险控制系统。 帮助金融机构、金融平台及相关监管层对存在的金融风险进行及时有效的设别和防范。 人工智能应用于金融风险控制的流程主要包括： 数据收集、行为建模、 用户画像及风险定价。智能风控可以协助金融监管机构防范系统性金融风险。 人工智能+大数据分析技术，可以助力金融监管机构建立国家金融大数据库，防止金融系统性风险。在消费金融领域， 自然语言处理、知识图谱及机器学习等人工智能技术， 可提供更深度、有效的借款人、企业间、行业间不同主体的多维有效信息关联， 并深度挖掘企业子母公司、产业链上下游合作伙伴、竞争对手、高管信息等关键信息，减少认知偏差，降低风控成本。在信贷领域，智能风控可以应用到贷前、贷中、贷后全流程。 贷前，助力信贷机构进行信息核验、信用评估、实现反欺诈； 贷中， 可以实现实时交易监控、资金路径关联分析、动态风险预警等；贷后，可以助力信贷机构进行催收、不良资产等价等。案例：天机大数据风控是融 360 联合十多家征信合作伙伴一同推出的一款风控服务平台,致力于为融 360 合作的贷款机构提供一站式、全流程、高效率、低成本的风控服务。 针对 5 万元以下的个人信用贷款申请，天机系统包含一组模型，会根据身份认证、还款意愿和还款能力三大维度，给申请贷款的用户进行信用评分，依据分值来决定是否应放款。有效提升了贷款审批速度和贷款获批率，并降低了贷款的逾期率。3.1.3.7.3
智能投顾智能投顾（robo-advisor）是指通过使用特定算法模式管理帐户，结合投资者风险偏好、财产状况与理财目标，为用户提供自动化的资产配置建议。根据美国金融监管局（FINRA）提出的标准，智能投顾的主要流程包括客户分析、资产配置、投资组合选择、交易执行、组合再选择、税收规划和组合分析。客户分析主要通过问询式调研和问卷调查等方式收集客户的相关信息，推断出客户的风险偏好以及投资期限偏好等因素，再根据这些因素为客户量身定制完善的资产管理计划，并根据市场变化以及投资者偏好等变化进行自动调整。智能投顾将有效降低投融资双方信息不对称与交易成本。智能投顾发展的两大核心要素：一是自动化挖掘客户金融需求技术，帮助投资顾问更深入地挖掘客户的金融需求，智能投顾产品设计更智能化，与客户的个性化需求更贴近，弥补投资顾问在深度了解客户方面的不足；二是投资引擎技术，在了解客户金融需求之后，利用投资引擎为客户提供金融规划和资产配置方案，提供更合理、个性化的理财产品。案例： 摩羯智投是招商银行“实时互联、智能服务” 的核心理念的应用实践， 依据“目标-风险”策略， 机器推荐基金组合配置，作为国内银行业首例“人+机器”的智能化投资服务模式，市场影响巨大。3.1.3.7.4
人工智能理财人工智能理财是通过算法和数据模型驱动，以用户偏好、财务状况等为基础，围绕客户生命周期的精细化管理、投资策略建议、客户服务、投后跟踪等一系列自动化、智能化、个性化的理财人工智能决策系统。人工智能理财是 AI 在金融领域的综合应用，以用户金融需求全生命周期为核心人工智能理财涉及到智能客服、 智能投顾、智能风控等多个场景，是人工智能技术在金融领域的综合应用之一。人工智能理财以用户金融需求全生命周期为核心， 有利于保障用户参与度、提升生命周期中每个节点转化率，提升企业运营活动的必要性和有效性。人工智能理财产业结构相对清晰，标准的操作流程推动投资服务工具化人工智能理财产业结构相对清晰，且相互渗透门槛较高，从类别上，包括提供数据资源、计算能力和硬件平台的基础层、着重于算法、模型及应用开发的技术层；而连接众多业务场景，实现数据及技术价值的商业化的应用层，形式有机器人投顾、虚拟个人助手、虚拟客服、语音输入法、人脸识别等，未来三年将迎来发展黄金期。在人工智能理财中，多种厂商发挥不同的价值。基础 IT 供应商集中在基础技术层，成为金融公司处理日常需要的科技如邮件系统、财务系统等的供应商，在核心数据层，数据类服务商能够结合客户的消费偏好、资产、教育背景等，整合海量数据对其进行分析，从而实现全方位信息的获取、预测客户的消费趋向，并进一步向客户推荐合适的金融产品。在商业应用层，人工智能理财服务商成为金融产品销售提供第三方服务的科技平台。目前，人工智能理财已经形成不同的服务模式， 主要有利用AI 技术进行客户识别分析，进行产品匹配的服务模式，以及利用 AI 技术进行产品组合优选的服务模式。随着越来越多人工智能理财机构出现，人工智能理财在用户操作流程上有一定的趋同性。对用户理财认知及基本信息进行测评是应用服务开展的基础，进而在用户选择不同投资方向后，根据计算结果做出个性化推荐。 人工智能理财发展趋势目前，中国人工智能理财已经形成清晰的产业架构、 不同服务模式及较为标准的操作流程，但结合目前中国国内金融理财市场的情况，人工智能理财也面临诸多挑战。例如国内理财产品与美国相比丰富程度不足，除了要考虑资产配置还要考虑交易时间和成本。加上金融市场特殊的环境开放性程度以及信息不对称和实时高频的交易等特征，应用到人工智能领域的计算能力和大数据能力需要经得起多方磨合。未来，随着人工智能理财市场的进一步成熟，人工智能理财拓宽用户服务边界的速度将进一步加快。主要表现在：第一，高品质理财服务门槛进一步降低，理财服务将覆盖更大体量普通投资者。相对于传统的互联网金融对金融行业有限的改造，人工智能理财能够凭借算法的力量进一步降低成本；在服务创造高毛利的客户群体时，加入人工智能的理财服务有利于拓展可服务的人群，加深服务深度。第二，个性化、智能化成为服务用户的起点。 人工智能理财机构通过采用人工智能技术，不再去和竞争对手拼渠道、拼价格，而是通过感知每个人的具体需求、推出千人千面、个性化的智能理财服务，在支付验证、及时响应、理财意向、风险调整、算法交易、银行贷款、风控分析、客户分析、行业解决方案等等多种方面对 C 端用户和企业用户提供更加全面的服务。未来，在人工智能理财领域，单一生态循环被打破，开放平台成趋势。人工智能理财对于精确数据的诉求会愈发强烈，驱动着人工智能理财开放平台的建立，各个巨头们将打破单一的生态循环，将更多的渠道和产品纳入自己的开发平台之中，以便获取更多的数据去帮助 AI 多维度的理解用户需求，并做出相应的匹配，从而完成对数据的整合、加工。当应用层面更多用户以及更多的用户的需求被满足后，流量等附加价值显现，又能够对整个开放提供更多的有价值数据，从而形成更加良性的生态循环。3.1.3.7.5
未来趋势金融服务企业向更高阶智能化方向演进金融行业具有重复动作多、数据分析工作多以及安全隐患大的突出特点。如资料归档、业务咨询、固定业务办理等简单、重复、固定程序的工作，会耗费较多的人力与物力；在与数据分析相关的业务工作中，需要对客户数据、行业数据进行优化整合，提供更为精准的金融服务；在安全工作中，各类银行网点等金融系统的风险监控不容忽视。随着人工智能技术的发展，人工智能在金融行业的应用逐渐深入，未来，金融服务企业将向更高阶智能化方向演进，语音交互、计算机视觉、 机器学习等人工智能技术将应用到智能客服、 身份识别、风险控制、精准营销、量化投资、理财等各个金融服务环节。金融科技能力保障数据资产价值挖掘，将成金融企业核心竞争力金融在风险定价、流程规范等多方面具有明显的数字化特征，经营过程中产生的数据资产无疑是各企业的基础性资产，在此基础上，通过量化金融模型以及智能化算法可以更好判别用户真实的风险承受水平、预期收益目标以及投资风格偏好等市场痛点，满足当前用户对新型金融服务的诉求，发力金融科技会是移动金融平台的核心竞争力所在。用户的交易数据、行为数据、资产数据、基本信息、位置信息等成为金融机构主要的用户价值，金融科技将通过人工智能技术提供隐私保护、智能投顾、身份认知、手机防盗量化技术等技术服务。随着移动互联网的普及，线上交易行为增多，用户信用资产内涵逐渐拓宽， 覆盖大量线上用户群体的平台将拥有独特优势，企业发力金融科技的最终目的是以数据为基础、技术为手段，协助优化金融行业的成本结构和收入结构，而企业的金融科技能力首先会在内部应用成型，未来进一步在开放平台策略下进行服务输出。3.1.3.8
智能教育它的研发初衷是为了把人从简单、机械、繁琐的工作中解放出来，然后从事更具创造性的工作。教育人工智能的使命应该是让教师腾出更多地时间和精力，创新教育内容、改革教学方法，让教育这件事变得更好。目前人工智能在教育领域的应用技术主要包括图像识别、语音识别、人机交互等。比如通过图像识别技术，人工智能可以将老师从繁重的批改作业和阅卷工作中解放出来;语音识别和语义分析技术可以辅助教师进行英语口试测评，也可以纠正、改进学生的英语发音;而人机交互技术可以协助教师为学生在线答疑解惑，去年媒体曾报道美国佐治亚理工大学的机器人助教代替人类助教与学生在线沟通交流竟无学生发现，说明了人工智能在这方面的应用潜力。除此之外，个性化学习、智能学习反馈、机器人远程支教等人工智能的教育应用也被看好。虽然目前人工智能技术在教育中的应用尚处于起步阶段，但随着人工智能技术的进步，未来其在教育领域的应用程度或将加深，应用空间或许会更大。在教育行业，人工智能不仅被用来节省教师人力、提高教学效率，而且可以驱动教学方式的变革。以人工智能驱动个性化教育为例，收集学生作业、课堂行为、考试等数据，对不同学生的学情进行个性化诊断，并进一步为每个学生制定有针对性的辅导和练习，从而实现因材施教，这已成为教育人工智能探索个性化教育的一个方向。但是实现人工智能引领个性化教学的一个关键点是数据的采集与分析。1）实现个性化因材施教，让你从此“爱上学习”在当前教育和培训领域中，最迫切需要解决的问题是大班制教学模式，尤其是针对企业公司、学校教师、体制内公职人员等的培训领域，实施大班教学很难顾及到每位学员学习时间、原有知识水平和理解能力，出现“一刀切”，教学效果难以保证。AI+教育，可以实现对每位学员在线学习数据的收集及深度挖掘、分析，实现从数字化到数据化，对学生进行个性化分析，鉴定出学员学习方式、重难点、兴趣点等内容，实现以学定教及个性化教学，创建学员身边的虚拟“专属教师”，让学员在学习过程中“爱上学习”。AI阅卷批改作业面对庞大的考生规模和多种多样的考试，专家和老师阅卷成为一个独特的景观。从传统的纸笔阅卷到网上阅卷，再到今天的机器智能阅卷，AI可以轻松解决繁重复杂的阅卷难题，大大提高阅卷的效率和质量。通过对试卷进行数字化扫描、格式化处理， 转换成机器可识别的信号，机器就能按阅卷专家 的评判标准，进行自动化阅卷，还可以自动检测出空白卷、异常卷，并给出最终的评阅报告及考 试分析报告。原来三个月的工作，现在一周就能 完成，而且更准确、公正。 中国教育部考试中心对“超脑计划”的阅卷 工作进行了验证，结果是，在“与专家评分一致 率、相关度”等多项指标中，机器均优于现场人 工评分。 除了代替人工阅卷，人工智能还可以帮老师做批改作业、备课等重复枯燥的工作，不仅节省 大量时间，还可以减少工作量。 语音识别和语义分析技术的进步，使得自动 批改作业成为可能，对于简单的文义语法，机器 可以自动识别纠错，甚至是提出修改意见，这将会大大提高老师的教学效率。 今年两会期间，科大讯飞董事长刘庆峰在提 案中提到，科大讯飞的英语口语自动测评、手写 文字识别、机器翻译、作文自动评阅技术等已通 过教育部鉴定并应用于全国多个省市的高考、中考、学业水平的口语和作文自动阅卷。而基于国 家“十三五”863“基于大数据的类人智能关键技术与系统”阶段性成果构建的“讯飞教育超脑” 已在全国 70% 地市、1 万多所学校应用。国外也有多个智能测评公司和实践案例。 GradeScope 是美国加州伯克利大学一个边缘性的 产品，它旨在简化批改流程，使老师们更专注于教学反馈。目前有超过 150 家知名学校采用该产 品。MathodiX 是美国实时数学学习效果评测网站，算法会对每一步骤都进行检查、反馈。美国教育考试服务中心（ETS）是世界上最大 的私营非盈利教育考试及评估机构，已经成功将 AI 引入 SAT 和 GRE 论文批改，同人类一起扮演评卷人角色。 计算机科学家乔纳森研发了一款可进行英语 语法纠错的软件，不同于其他同类型软件的是， 它能够联系上下文去理解全文，然后做出判断， 例如各种英语时态的主谓一致，单复数等。它将提高英语翻译软件或程序翻译的准确性，解决不 同国家之间的交流问题。 虽然人工智能可以阅卷、批改作业，但诚如《信 息时报》刊发的《推广“机器人老师”可为广大 教师减压》一文所言：教育需要尊重“异质思维”， 同样的问题，学生会给出差异化、个性化的答案； 目前“机器人老师”在阅卷、批改作业的时候会 有明显的局限性，可能更适用于客观题却不适用于主观题。 不可否认，最初机器是用来辅助人工教学的， 未来的趋势则是人辅助机器，而这个过程会一次 次重塑考、学、教、管的服务流程。未来，当进 入强人工智能和超人工智能时代，机器人更像是老师甚至在许多方面超越老师。机器人老师城乡、区域教育鸿沟，择校问题，学区房问题， 都是教育教学资源不均衡导致的，归根到底是优 秀教师的稀缺，而智能教育机器人则是解决这一问题的有力工具。“机器人老师”不仅有助于解 决师资不足和师资结构不合理等难题，还能大大缓解社会矛盾，促进教育公平。 目前国内已涌现出像魔力学院这样的创业公 司。几年前魔力学院创始人张海霞从北大毕业时， 她的毕业论文是国内最早对人工智能教学进行研究的学术论文，同时在上大学期间，她就已经是 新东方出国留学部最好的英语老师。这种雄厚的 技术和教学背景，让她成为国内最早一批人工智 能领域的创业者。 “与大多数互联网教育领域的产品不同，魔 力学院从一开始，我们要解决的问题就是用人工 智能机器替代老师进行讲课。曾经有很多投资人建议我们妥协一下，暂时用真人老师讲课，后面 再一步步地进化到人工智能老师，但我们从来没 有妥协。”张海霞说。 直到 2016 年 3 月，魔力学院第一个商业化的 版本上线，企业开始有了第一笔收入，成为全球在人工智能老师这个领域第一家产品上线的创业 公司，也是第一家实现了持续收入和盈利的创业 公司。至今，在人工智能老师这个领域，魔力学 院的相关产品仍然是惟一能从教、学、练、测各个维度提供人工智能老师教学的公司。 目前在新东方也开始这样的实验，教室里没 有人类老师上课，机器人将重要知识点经过搜集 和教学设计后，用非常幽默的方式向学生传授，从课堂效果来看，“学生很愿意听”。 新东方教育集团董事长俞敏洪认为，未来 10 年内，教师七成教学内容一定会被机器取代。 不过，缺少人类老师的教学必然不完整，因为课 堂教学不光是把知识点告诉学生，更需要对学生开展知识融合、创造性思维、批判性思维等能力 训练。对于这些思维方式的训练教学，机器人老 师还无法胜任。“未来的课堂将是机器人智能教未来 10 年内，教师七成教学内容一定会被机器取代。不过，缺 少人类老师的教学必然不完整，因为课堂教学不光是把知识点告诉学生，更需要对学生开展知识融合、创造性思维、批判性思维 等能力训练。 07/2017 New Economy Weekly/ 新经济导刊 / 27 学、老师情感和创新能力的发挥及学生学习的三 者结合。” 除了民办教育在积极引入机器人老师，我国 的“福州造”教育机器人已在部分城市的学校开 始“内测”，今后有望向全国中小学推广。这款 教育机器人除了帮助老师朗诵课文、批改作业、 课间巡视之外，还能通过功能强大的传感器灵敏地感知学生的生理反应，扮演“测谎高手”角色。 一旦和“学生机”绑定，可更清楚地了解学生对 各个知识点的掌握情况。 对于机器人老师，国外早有应用。2009 年， 日本东京理科大学小林宏教授就按照一位女大学 生的模样塑造出机器人“萨亚”老师。“萨亚” 皮肤白皙、面庞清