人工智能行业发展概况

：参照系微信公众号人工智能行业发展概况

人工智能行业发展概况全文共16页，当前为第1页。：参照系行业概况——人工智能行业简介人工智能（ArtificialIntelligence）：是指使用机器代替人类实现认知、识别、分析、决策等功能，其本质是对人的意识与思维的信息过程的模拟，是一门综合了计算机科学、生理学、哲学的交叉学科。凡是使用机器代替人类实现认知、识别、分析、决策等功能，均可认为使用了人工智能技术。作为一种基础技术，理论上讲人工智能能够被应用在各个基础行业（如AI+金融、AI+医疗、AI+传统制造业等），同事也有其如机器人这样具体应用行业的概念。人工智能行业发展概况全文共16页，当前为第2页。：参照系行业概况——人工智能行业简介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

年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。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%，其他识别部分为

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、智能家居等销售)、信息搜索、资讯分发、精准广告推送等的情况下，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，年复合增长率约

50%。3人工智能行业发展概况全文共16页，当前为第3页。行业概况——人工智能行业发展趋势2017年中国人工智能市场规模达到152.1亿元，增长率达到51.2%。随着人工智能技术的逐渐成熟，科技、制造业等业界巨头布局的深入，应用场景不断扩展，预计2018年中国人工智能市场规模有望突破200亿元大关，达到238.2亿元，增长率达到56.6%。在未来，人工智能领域的投资将以“AI+行业”的方式展开，预计人工智能应用场景较为成熟且需求强烈的领域，如安防、语音识别、医疗、智慧城市、金融等领域，带来升级转换，提高行业智能化水平，改善企业的盈利能力，预计随着诸如无人驾驶汽车等认知智能技术的加速突破与应用，人工智能市场将加速爆发。4人工智能行业发展概况全文共16页，当前为第4页。行业概况——产业链图谱人工智能行业主要分为：AI芯片传感器AI应用语义识别机器学习智能语音

计算机视觉共计七大板块。5人工智能行业发展概况全文共16页，当前为第5页。微信公众领域分析——AI芯片目前，AI芯片的研发方向主要分两种：一是基于传统冯·诺依曼架构的FPGA（现场可编程门阵列）和ASIC（专用集成电路）芯片，二是模仿人脑神经元结构设计的类脑芯片。其中FPGA和ASIC芯片不管是研发还是应用，都已经形成一定规模；而类脑芯片虽然还处于研发初期，但具备很大潜力，可能在未来成为行业内的主流。这两条发展路线的主要区别在于，前者沿用冯·诺依曼架构，后者采用类脑架构。你看到的每一台电脑，采用的都是冯·诺依曼架构。它的核心思路就是处理器和存储器要分开，所以才有了CPU（中央处理器）和内存。而类脑架构，顾名思义，模仿人脑神经元结构，因此CPU、内存和通信部件都集成在一起。6人工智能行业发展概况全文共16页，当前为第6页。领域分析——AI芯片近几年，AI技术的应用场景开始向移动设备转移，比如汽车上的自动驾驶、手机上的人脸识别等。产业的需求促成了技术的进步，而AI芯片作为产业的根基，必须达到更强的性能、更高的效率、更小的体积，才能完成AI技术从云端到终端的转移。n

从GPU，到FPGA和ASIC芯片2007年以前，受限于当时算法和数据等因素，AI对芯片还没有特别强烈的需求，通用的CPU芯片即可提供足够的计算能力。之后由于高清视频和游戏产业的快速发展，GPU（图形处理器）芯片取得迅速的发展。因为

GPU

有更多的逻辑运算单元用于处理数据，属于高并行结构，在处理图形数据和复杂算法方面比

CPU

更有优势，又因为AI深度学习的模型参数多、数据规模大、计算量大，此后一段时间内

GPU代替了

CPU，成为当时

AI芯片的主流。然而

GPU

毕竟只是图形处理器，不是专门用于

AI

深度学习的芯片，自然存在不足，比如在执行AI

应用时，其并行结构的性能无法充分发挥，导致能耗高。与此同时，AI技术的应用日益增长，在教育、医疗、无人驾驶等领域都能看到

AI

的身影。然而GPU芯片过高的能耗无法满足产业的需求，因此取而代之的是FPGA

芯片，和

ASIC芯片。人工智能行业发展概况全文共16页，当前为第7页。领域分析——传感器智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具备

采集、处理、交换信息等功能，是传感器集成化与微处理机相结合的产物。智能

传感器属于人工智能的神经末梢，用于全面感知外界环境。各类传感器的大规模部署和应用为实现人工智能创造了不可或缺的条件。不同应用场景，如智能安防、

智能家居、智能医疗等对传感器应用提出了不同的要求。未来，随着人工智能应

用领域的不断拓展，市场对传感器的需求将不断增多，2020年市场规模有望突

破4600

亿美元。未来，高敏度、高精度、高可靠性、微型化、集成化将成为智能传感器发展的重要趋势。人工智能行业发展概况全文共16页，当前为第8页。微信公领域分析——AI应用当前人工智能应用领域主要有：个人助理、安防、交通、医疗健康、电商零售、金融、教育等。人工智能主要应用在数据积累量大、方便获取，行业有海量数据分析处理需求的应用场景。应用语音识别、图像识别、智能机器人、深度学习等AI技术，为具体应用场景提供高效、准确的解决方案。目前，主要以软件公司为主，一些优秀的企业凭借自设平台优势，深耕算法和通用技术平台，并以场景作为流量入口建立该领域智能服务应用。当前AI应用在各行各业，提高了各专业领域服务质量和效率，专业领域的应用同时也在不断促进AI技术的提高，两者相互促进，共同发展。人工智能行业发展概况全文共16页，当前为第9页。人工智能行业发展概况全文共16页，当前为第10页。领域分析——语义识别语义识别是自然语言处理（NLP）技术的重要组成部分之一，语义识别的核心除了理解文本词汇的含义，还要理解这个词语在语句、篇章中所代表的意思，这意味着语义识别从技术上要做到：文本、词汇、句法、词法、篇章（段落）层面的语义分析和歧义消除，以及对应的含义重组，以达到识别本身的目的。语义识别可以分为三层：应用层：包括行业应用和智能语音交互系统/技术应用。NLP技术层：包括以语言学、计算机语言等学科为背景的，对自然语言进行词语解析、信息抽取、时间因果、情绪判断等等技术处理，最终达到让计算机“懂”人类的语言的自然语言认知，以及把计算机数据转化为自然语言的自然语言生成。词语解析与信息抽取：包括分词、词性标注、命名实体识别和词义消歧，从给定文本中抽取重要的信息。句法解析与语篇理解：对篇章结构的一系列连续的子句、句子和语段间一定层次结构和语义关系的分析，包括时间、事件、因果关系等，甚至于文本所携带的情绪识别。自然语言生成：从结构化数据中以可读地方式自动生成文本的过程。包括三个阶段：文本规划(完成结构化数据中基础内容的规划)、语句规划（从结构化数据中组合语句，来表达信息流）、实现（产生语法通顺的语句来表达文）。3.底层数据层：词典、数据集、语料库、知识图谱，以及外部世界常识性知识等都是语义识别算法模型的基础。15人工智能行业发展概况全文共16页，当前为第11页。领域分析——语义识别语义识别技术可以分析网页、文件、邮件、音频、论坛、社交媒体中的大量数据，应用领域广泛，既可以直接应用于医疗、教育、金融等行业。也可以通过技术接口应用于所有智能语音交互场景，如智能家居、车载语音、可穿戴设备、VR、机器人等，从交互的方式上，也可以分为：事实问答、知识检索、分类问题等。智能语音交互被看做未来人工智能技术中最值得期待的应用场景。语音识别、语义识别是自然语言处理最重要的两项技术，且联系紧密。在语义识别的广泛应用场景中，常常是语音、语义相互嵌套，共同作用的结果，大多数研究语义识别的公司也涉及到语音识别技术的研究。16人工智能行业发展概况全文共16页，当前为第12页。17领域分析——智能语音越来越多的智能语音产物面市，智能语音逐渐融入人们的生存之中。智能家居、智能车载系统、智能安防以及人工智能等多范畴都存在智能语音的身影。智能语音系统大要可分为生存智能语音系统、企业智能语音系统和人工智能语音系统三种。生存智能语音系统随着生存的智能化，智能家居、智能硬件以及一些智能化的系统围绕着我们的生存。在智能语音的这些运用中，有主动收回的主动式语音，也有被动接纳反应的被动语音。随着智能化大数据期间的到来和科技的不断拓新，智能语音将逐渐融入人们生存的各个层面，无论是工作上照旧生存中。固然时下智能语音系统综合程度还不足美满，人们对智能语音的认知和打仗还处于浸透期，但随着数据收集量的飞速增长，语音识别系统的不断晋级以及数据剖析敏捷度的提拔，智能语音系统将很快进化到“普遍使用”阶段迅速迸发。人工智能行业发展概况全文共16页，当前为第13页。18领域分析——机器学习机器学习（ML，machine

Learning）是人工智能的一个分支，是让机器自己做主，而不是我们告诉计算机具体做什么。不要使用具体的代码，使用一定的训练数据，使用泛型编程，机器从训练数据中可以学到赢棋的经验，这就是一个机器学习的最初定义。机器学习主要有两种，监督学习和非监督学习。监督学习就是督促计算机去学习，明确告诉它目标是什么，非监督学习是让计算机“自学成才”，没有设定目标，学习完告诉我你学到了什么。机器学习最基本的做法，是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。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。人工智能行业发展概况全文共16页，当前为第14页。19领域分析——计算机视觉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。从国内人工智能企业来看，有高达42%的企业应用计算机视觉相关技术，其次是语音和自然语言处理，