首页 > 信息化 > 正文

重磅:中国人工智能产业链分析(值得收藏)

2017-04-18 17:01:55  来源:WPR

摘要:这两天人工智能分外火爆,乐视推出超级大脑,猎豹投入5000万美金研发机器人。在中信证券这篇长达1 5万字的人工智能产业投资研究报告里,分析师冷静而严谨地看好深度学习、图像识别和智能机器人这三片投资蓝海。
关键词: 人工智能
     这两天人工智能分外火爆,乐视推出超级大脑,猎豹投入5000万美金研发机器人。在中信证券这篇长达1.5万字的人工智能产业投资研究报告里,分析师冷静而严谨地看好深度学习、图像识别和智能机器人这三片投资蓝海。报告认为,历史上人工智能的投资如果在应用层出现泡沫,未来的机会往往在技术层。中信证券的秦培景博士昨天在中信证券与新智元联合举办的人工智能产业研讨会上说:“未来人工智能这片蓝海怎么去航行?可以说是技术为锚,资本为帆,但是如果我们没有把握这个航线的话,创业的小船也是说翻就翻。”

  引文:从二十年前超级计算机“深蓝”战胜国际象棋大师加里·卡斯帕罗夫到如今围棋世界冠军李世石在与谷歌AlphaGO的比拼中投子认输,我们见证了人工智能(Artificial Intelligence,简称AI)从孩提时代一路走来,横空出世的AlphaGo同时引发了棋界和科技界的“大地震”,人类智力“最后的堡垒”也轰然倒塌,我们似乎已经无法阻挡人工智能超越人类的步伐。作为人工智能发展里程碑上浓墨重彩的一笔,此次“人机大战”正式宣告着信息社会实现由“互联网+”向“人工智能+”质的飞跃,也昭示着以信息技术为代表的“旧IT”(Information Technology)已被以人工智能领军的“新IT”(Intelligent Technology)无情地赶下了历史舞台。

\

  2016年,恰逢人工智能诞生60周年。近年来,从习近平主席提到的“机器人革命”,中国版工业4.0,到李克强总理的“万众创新”;从国务院在《关于积极推进“互联网+”行动的指导意见》中将人工智能推上国家战略层面,到“十三五”规划的“科技创新-2030项目”中将智能制造和机器人列为重大工程之一,人工智能在中国掀起了新一轮技术创新的浪潮。一切都预示着:人工智能正在为产业革命的新风口,人类历史上最好的“人工智能+”时代已经到来。

  WHY:AI或将催化下一轮产业革命

  社会的飞跃发展必经路径:科技革命驱动产业革命


  经验表明:历史上每一次的社会重大飞跃都伴随着科技革命。科技革命包括两个范畴:科学革命和技术革命。科学革命是技术革命的前提,但是科学革命不一定会带来产业变革,技术革命是科学革命到产业革命的必经之路。

  纵观人类近代史上五次重要的科技革命:第一次科学革命的结果是建立了完整的近代科学体系,由于它并未从理论到技术层面进行实用,社会的生产力水平并未实现质的飞跃。只有在以蒸汽机为代表的第一次工业革命(也可以称为第一次技术革命)爆发后,人类社会的生产力和发展水平才开始了快速而稳定的提升。人类社会也从依靠生物能的农业时代进入了依靠机械能的工业时代。二十世纪下半场的第三次技术革命则是将二十世纪上半叶的第二次科学革命的理论实用化。第三次技术革命驱动了以第三产业为代表的新兴产业高速发展,推动人类进入到知识化、信息化、网络化的新时代,这极大地提高了资本、技术等要素跨境流动的便利性。人类社会从此从工业社会逐步迈入信息社会。西方发达国家得以陆续进入后工业化时代,而其传统部门则向陆续入场的新兴与发展中国家转移。无论是工业信息化还是信息工业化,第三次技术革命带动了先发国家劳动生产率的快速提升。

\

  从劳动生产率角度来看,在历史的长河中,仅有的两次劳动生产率飞跃式提高都是技术进步带来的结果。以蒸汽机为代表的第一次工业革命的广泛应用之后,劳动生产率才出现了快速的上升;而在第三次技术革命时期,上升的速度更快。在工业革命席卷各国之前,长期以来人均产出或劳动生产率的提升是很难观测到的,如图2所示,在工业革命之前,英国人均GDP的增长十分缓慢,而工业革命之后,这一指标迅速上升。如图3,根据Ian Morris测算的社会发展指数,工业革命也是西方率先走向现代化并长期领先东方的重要因素。工业革命带来了生产方式、交通运输、国际贸易、甚至是社会阶层和全球力量格局的变化。历史学教授Gregory Clark认为:“人类历史中其实只发生了一件事,即1800年前后开始的工业革命。只有工业革命之前的世界和工业革命之后的世界之分,人类其他的历史细节有意思,但不关键”。

\

  人工智能或将引领下一轮产业变革

  人工智能引领的这场革命是否能刮起产业的飓风呢?人工智能给人类社会带来的变革似乎不像历次科技革命一样,仅仅停留在延伸人的体力和脑力上,而是进入了人和机器共同演化的时代。

  人工智能的产生具有坚实的科学理论基础。算法、数据和计算三大基础要素共同驱动人工智能发展。其中算法是机器实现人工智能的核心,计算能力和大数据是人工智能的基础。一直以来人工智能突破主要依赖于算法性能的提升,近年来主要有工程学法和模拟法实际应用在人工智能技术中,推动人工智能开始发展至感知智能阶段。而随着第三次技术革命以来计算机、互联网在数据生成、采集、存储、计算等环节的突破,为人工智能进入高速发展阶段提供了坚实的基础。

\

  在国内外的国家战略层面,资金和政策都倾力支持人工智能研究与产业的持续发展。欧盟委员会将在未来十年内拿出10亿美元支撑欧盟“人脑计划”研究。而随着近年来国内业界的不断推动,人工智能在“十三五”规划首年被纳入到国家战略发展层面,结合互联网经济热点带来的资金支持和国家源源不断的人才储备和大量研发投入,必将推动人工智能产业进入新一轮创新发展的黄金阶段。

\

  人工智能不仅仅是科学革命,更悄然改变人们日常生活的方方面面。当韩国棋王李世石在与谷歌AlphaGo的比拼中投子认输的那一刻,人类既震惊于人工智能已经可以超越人类的水平,也开始将更多的目光投入人工智能这一领域,殊不知在经历了60年的发展历程之后,在金融业、汽车制造业、医疗保健行业甚至艺术创作领域这些似乎与人工智能并不那么相关的行业,都已经逐步实现了人工智能的应用。

  随着人工智能与传统行业的不断结合,人工智能产业链迎来爆发式增长。从产业分类和公司数量来看,咨询公司Venture Scanner统计,2016年全球人工智能公司已突破1000家,跨越13个子门类,融资金额高达48亿美元。在这13个种类中,研究机器学习(应用)的人工智能公司数目最多,达260家,约占整个行业的30%。从区域分布情况来看,欧美等西方国家发展较为迅猛,其中美国以499家人工智能公司占据绝对主导地位,且初创公司数量众多;而以中国为首的发展中国家在人工智能领域显然仍处于起步阶段,真正布局该产业的公司较少,以传统互联网巨头进军人工智能领域为主。

\

  但是人工智能应用仍是广阔的等待开拓的蓝海市场。从技术层面而言,人工智能技术的发展可以分为三个阶段:计算智能、感知智能和认知智能,目前已经融合在各种传统产业中的人工智能应用主要集中在第一个阶段——计算智能,少量应用已经开始试水第二阶段的技术,即感知智能。考虑到全面的感知智能所需的应用化技术、完善的数据、高性能芯片还有待于进一步发展,感知智能技术应用普及还需要5~10年,而认知层的技术突破和数据、计算等基础资源的提升和积累是值得期待的长期发展方向。

\

  我们认为,目前较为成熟的感知智能技术(如语音、视觉识别的服务、硬件产品等)的应用开发所形成的新“人工智能+”将引领产业变革,成为推动社会飞跃发展的新动力。在传统产业,人工智能可以在制造业、农业教育、金融、交通、医疗、文体娱乐、公共管理等领域得到广泛应用,将不断引入新的业态和商业模式;在新兴产业,人工智能还可以带动工业机器人、无人驾驶汽车、VR、无人机等处于产业生命周期导入期的公司飞跃式发展。从具体应用方向来看,如今十分火热的工业4.0、人脸识别、智能答题机器人、智能家居、智能安保、智能医疗、虚拟私人助理等人工智能概念是有望得到快速爆发的重点领域。

  HOW:从AI历史看未来

  “人工智能”一词最初是在1956年达特茅斯学会上提出的。从学科定义上来说,人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

  人工智能的发展历史大致可以分为三个阶段:带有理想主义色彩的起步期,由“专家系统”大范围应用而推动的第二波浪潮,以及由基础设施、技术融合与应用拓展共同推动的第三波浪潮(1993年至今)。

  历史沿革:三大发展浪潮—“理想主义”、“专家系统”、“三大动力”

  有理想主义色彩的起步期(1956-1974)


\

  这个阶段的起步期人工智能是以“计算机不断解决以往人类从没设想过其能解决的问题”为特征的,解文字题、证明定理甚至是学习语言。正是这样的超预期激发了人们对于人工智能的畅想,对人工智能做出了大量乐观的预测。

  这个阶段对于人工智能的许多尝试并不是以实际应用为目的的,许多人工智能程序更像是“玩具”,而研究者们均致力于尽快设计出能够通过“图灵测试”的人工智能机器,对于通向这一目标的路径并没有很清晰的认识。随着研究进程不断受阻,研究者很快就意识到人工智能的许多基础设施上的限制在上世纪70年代是不可能克服的。这些障碍包括极其有限的计算能力,缺乏能够处理运算量指数增长的问题的算法,缺乏数据,难以处理图像识别等感知问题,需要不断改变基础架构来适应不同的问题等。因为这些问题的限制,人工智能进入上世纪70年代以后止步不前,研究资金支持也大幅缩减,在1974年到1980年之间,人工智能进入第一波低谷。

  由“专家系统”大范围应用而推动的第二波浪潮(1980-1987)

  “专家系统”是一个用于模拟人类专家决策过程的计算机系统,是人工智能历史上第一个较为成功的应用,并在八十年代被许多大型企业所接受。1980年,一款名为XCON的专家系统程序被设计出来,这款程序能够根据用户的需求自动选取DEC公司计算机系统(集群)里面合适的部分来完成计算任务。在1980年到1986年间,XCON平均每年帮DEC公司节省4000万美元的成本。在这个阶段,人们逐渐意识到研发人工智能的目的不仅仅是为了设计出能通过“图灵测试”的机器,能够以现有的条件帮助人类解决在实际工作中的问题并提高效率才是更为重要的目的。

  正是因为人工智能的实际应用前景被挖掘,越来越多的公司投入资金研发不同类型的专家系统,人工智能进入第二个高速发展期。这个阶段人工智能开始逐步形成一个产业,诞生了一批公司,比如硬件公司Symbolics和Lisp Machines,软件公司如Intelli Corp和Aion。这个阶段最标志性的事件是HiTech和Deep Thought击败了国际象棋大师,Deep Thought也为后来IBM的Deep Blue奠定了基础。

\

  第二波浪潮在80年代末结束了,最大的问题是“专家系统”的成本一直无法降下来,随着美国和日本经济走入低迷,市场对于人工智能的热情也大幅下降。更重要的是,苹果和IBM在这个阶段对于家用电脑的开发进入加速期,家用电脑的性能甚至逐步赶超Lispmachine,“专家系统”这样一个空间达到数亿美金的市场在顷刻间就消失了。此外,1991年日本的“第五代项目”(从1981年开始推动)的失败标志着人工智能进入第二个低潮。

  由基础设施、技术融合与应用拓展共同推动的第三波浪潮(1993至今)

  经过了将近半个世纪的发展,人工智能从90年代中旬终于进入了一个爆发期。在这个阶段,人工智能相关的技术已经逐步被应用到各个领域,只不过研究者们越来越弱化人工智能这个概念,大众除了“深蓝击败国际象棋世界冠军”、“AlphaGo击败围棋世界冠军”之类的事件,大都没有意识到人工智能的应用已经逐步渗透进生产和生活的方方面面。

  人工智能的第三波浪潮是由基础设施、技术融合与应用拓展共同推动的。

  (1)基础设施领域的进步


  在基础设施领域,最核心的进步便是运算能力的提升以及数据资源的积累。运算能力方面,在过去将近50年的时间里,集成电路上元器件的数目持续的以几何级数增长。即便当前传统计算机性能提升已经进入瓶颈期,互联网基础设施的提升又使得云计算成为可能,把大量的计算资源组成资源池并用于动态创建高度虚拟化的资源供用户使用。云计算大大降低了人工智能的商业化运营成本,推动了人工智能的进步。

\

  此外,GPU的广泛应用使得大规模并行计算的效率大幅提升,这也为人工智能的多任务执行提供了基础。

\

  基础设施领域的另一个大的进步便是海量数据资源的积累。海量的数据使得机器学习的效果大幅提升,并且数据量本身的增加还能够弥补算法上的缺陷。根据IDC的统计,全球数据总量在未来的增速惊人,预计到2020年全球总数据量大约达到35ZB,是2011年的将近20倍。

\

  (2)技术融合

  人工智能是处于技术前沿的各学科融合并共同推进的领域。人工智能的开发也越来越多地将数学、系统控制、经济等领域的知识结合起来,最常用的基础工具包括贝叶斯网络、隐式马尔科夫链、信息理论、随机建模、神经网络、动态优化以及近期因谷歌的AlphaGo而闻名的蒙特卡洛树搜索。跨学科的技术融合在人工智能基础设施上表现的更为重要。

  例如,在计算领域,传统的电路只能实现0或1的存储你,集成芯片或是云计算最终都是由无数个基本电路组成的,难逃“能耗”的问题,势必需要一个能够在计算能力上产生质的飞跃的设计。量子计算机在理论上能够解决这一问题,一个量子可以呈现多态,那么大规模计算所需要的量子数就大大缩减。不过,根据海森堡不确定原理,一旦外界对量子的具体状态进行观察(或者说计算机读取一个量子的状态),那么量子的状态就是确定的,不再具有多态。显然,这样的问题已经不是计算机科学能够解决的问题,势必需要基础理论研究的支持。又比如,人工智能的许多设计思想来自于脑科学研究,通过模拟人脑思考的过程来设计计算机的基础架构。

\

  (3)应用拓展

  实际应用的拓展也在激发人工智能技术的不断创新。最典型的例子是便是人工智能在机器人领域的应用,传统的机器人仅仅是数控的机械装置,不能适应变化的环境,与人类的“沟通”成本也非常高。这样的机器人越来越不适应互联网时代的生产需要,于是诞生了对于“互动机器人”的需求:机器人需要能够随时与人进行沟通修正任务(这需要对自然语言进行识别,同时要具备能够自我生成运行代码的能力)、适应随时变化的环境(比如物流机器人能够躲避障碍)、辅助人们的决策(投资顾问、医疗诊断、教育培训、智能翻译等)。这些应用领域反过来推动了人工智能技术层的进步。应用拓展的范围和经济收益也是吸引资本持续进入相关领域的重要动力。

  国外人工智能发展情况:深度学习成为最热门领域

  回顾人工智能的发展历史,在实现人工智能上有三种路线:一是基于逻辑方法进行功能模拟的符号主义路线,代表领域有二十世纪80年代的专家系统和知识工程;二是基于统计方法仿生模拟的连接主义路线,代表领域有机器学习和人脑仿生;三是行为主义,是从进化的角度出发,基于智能控制系统的理论、方法和技术,研究拟人的智能控制行为。

  从当前国外人工智能的发展情况来看,其中第二条线路是主流,基于人工神经网络的深度学习是当前最热的研究领域,被Google、Facebook、IBM、NEC以及其他互联网公司广泛使用,最典型的应用领域是图像和语音识别。

\

  图像识别、语音识别、智能搜索是深度学习技术出现以来发展最快的几个领域,其迅速地从试验论证阶段进入到相对成熟的应用阶段。随着这些基础应用领域的成熟,一些高级应用领域的热度也逐步开始上升。例如Google在力推的自动驾驶项目,需要建立感知能力、决策能力以及不断自主学习的能力,可以说是人工智能技术的集大成者。自动驾驶技术需要算法做各种条件下面的路面目标检测、识别交通标志以及形成统一的路况感知。

  国内人工智能企业现状:不同规模企业深耕各自的细分领域

  从人工智能的历史来看,每一类人工智能的应用均要经过实验室阶段、试点阶段、推广阶段和普及阶段。尽管国内企业在人工智能基础科研方面与美日等国家有巨大差距,但人工智能相关的企业大都从已经进入试点阶段的技术或应用切入,并在视觉、语音识别等技术领域处于国际领先水平。根据2015年艾瑞咨询的统计,中国人工智能领域已有近百家创业公司,约65家获得投资,共计29.1亿元人民币,其中旷视科技、优必选、云之声、SenseTime四家公司登上艾瑞独角兽榜单。

\

  以史为鉴:人工智能发展路径展望—技术领域、应用领域双轮驱动

  如果将人工智能的产业链分为基础设施层、技术层和应用层,通过回顾和分析人工智能过去的发展路径,我们认为人工智能的发展往往是靠应用层的需求或是基础设施层的进步推动的,主要存在以下两种路径——需求创造供给,或者供给创造需求。

  路径一:应用层的需求推动人们对于AI技术层(算法等)的开发,技术层的进步使得基础设施的利用效率不断提高。不过,当技术层发展到一定阶段时,基础设施的利用效率提升空间很小,此时需要基础设施层的不断升级来支持,一旦基础设施层对于AI的支持跟不上,或是应用层的需求饱和,AI的前进步伐就放缓,甚至进入“寒冬”(如80年代的专家系统)。

  路径二:基础设施层的迅速进步使得技术层可以实现的拓展越来越多(比如基于大数据的海量运算的语音识别、人脸识别、搜索等),而技术层的多元化使得人们发现有大量应用层的创新可以推进,解决当前各行业的痛点,甚至创造和培育新的需求。

  当前中国还处于行业应用层起步到快速发展的阶段,应用层的投资机会和投入回报率远高于技术层和基础设施层,当这个阶段出现泡沫时,投资机会可能更多地出现在技术层,当技术层停滞并出现泡沫时,投资机会可能更多在基础设施层。根据从目前人工智能的发展情况来看,技术领域的运用已经进入加速期,预计5~10年就能陆续成熟。在基础设施领域,量子计算等新型芯片模式短期内还很难实现,不过基于云端架构的并行计算模式已经逐步进入成熟期,短期内基础设施还不会对人工智能的发展形成障碍。从当前的情况来看,预计应用领域和技术领域将成为人工智能进一步发展的两个核心驱动力。

\

  WHAT:AI是跨行业、跨学科的综合技术

  AI横跨4大核心技术,涵盖13个细分领域


  人工智能是一个跨学科、跨行业的综合性学科。人工智能最初的核心是实现“智能”这一概念,即机器可以像人一样思考,而不只是被动式的执行人发出的每一步指令。人们研究出许多算法将这一想法得以实现,计算机开始可以自己学习,之后慢慢发展成机器算法这个研究方向。而后,由于人们对于将智能分别运用到图像、语言、声音处理和与硬件之间的互动方面的需求增加,自然语言处理、图像识别和人际交互这三个领域又各自发展成独立的研究方向,他们借用机器学习中的一些算法并更多地加入有自身特性的技术。因此,人工智能现在演化成了机器学习、自然语言处理、图像识别以及人机交互这四大模块。

  机器学习技术:指计算机通过对大量已有数据的处理分析和学习,从而拥有预测判断和做出最佳决策的能力。这项技术与计算机科学、统计学、数学优化算法等都有着密不可分的关系。其代表算法有深入学习、人工神经网络、决策树、增强算法等。

  自然语言处理技术:指让计算机可以理解人类的语言,包括将人类语言转化为计算机程序可以处理的形式及将计算机数据转化为人类自然语言两种形式。这里指的语言可以是声音也可以是文字。这项技术的主要内容包括信息检索、信息抽取、词性标注、句法分析、多语处理、语音识别等。

  图像处理技术:指让计算机拥有人类的视觉功能,可以获得、处理并分析和理解图片或多维度数据。这项技术的主要内容包括图像获得、图像过滤和调整、特征提取等。

  人机交互技术:指计算机系统和用户可以通过人机交互界面进行交流。这项技术包括的主要内容包括计算机图像学、交互界面设计、增强现实等。

\

  随着现在人们对这些技术单一或者多样化的运用,有一部分开发出的产品或服务也演变出各自的子领域并迅速发展。根据行业特性的不同,我们将人工智能细分成13个子领域,如图26所示。咨询公司VentureScanner统计,2016年全球人工智能公司已突破1000家,跨越13个子门类,融资金额高达48亿美元。整体来看,AI产业不论是行业规模、还是吸金能力都在飞速扩张中。根据Bankof America预测的数据:未来五年人工智能的年复合增速36%,预计2020年将达到700亿美元。在上述13细分行业中,研究机器学习(应用)的人工智能公司数目最多,达260家,约占整个行业的30%。

\

  横向比较:机器学习、图像识别、智能机器人最具发展潜力

  我们从未来发展空间、产业投资回报率、产业成熟度、应用场景拓展广度等几个方面来横向比较人工智能的各个细分领域的发展前景。

  从未来市场空间和行业增速来看,发展速度最快、市场空间最大的三个领域是机器学习、图像识别和智能机器人。根据咨询公司Tractica的预测,机器学习领域从2015年1.09亿美元的市场规模,将以年复合增长率超过60%的速度飞速发展,预计2024年将突破100亿美元。目前已经拥有庞大市场容量的图像识别同样不可小觑。2014年图像识别领域市场规模已达57亿美元,在接下来的五年内将以42%的年复合增长率继续扩张,预计2019年可达333亿美元。此外,智能机器人领域也将随着应用场景的不断扩展迎来一轮高速增长MarketsAndMarkets的机器人市场研究数据显示:机器人行业的总市值将以每年20%的增速增长,并于2020年达到约80亿美元,若将硬件与软件细分开来,软件部分的增速高达30%。

  从投资回报率和产业成熟度来看,机器学习、图像识别、智能机器人仍然是最受产业资本青睐的三个细分领域。众所周知,风投公司倾向于将资金流向投资回报率最高的新兴产业,对比人工智能领域的风险融资额度能够很好地反映该领域的投资回报率。VentureScanner公司的调查数据显示:无论从总体融资额度还是企业平均融资额度,机器学习都牢牢占据榜首;图像识别领域的总体融资额度和企业平均融资额度紧随其后;而智能机器人领域由于公司数量较少,在融资总量上稍有落后,但其企业平均融资额度高达1400万美元,仅次于机器学习和图像识别领域。此外,从各领域公司创办时间而言,机器学习、图像识别以及智能机器人也是最为“年轻”的三个领域之一,产业内技术成熟度还不够高,未来几年将提供广阔的蓝海市场。

\

  应用场景扩展方面,机器学习、图像识别、自然语言识别和智能机器人是应用范围较为广泛的几个领域。机器学习技术当前已广泛应用于广告、媒体、消费业等,并且需求不断增加,未来还将快速渗入医疗、制造、金融、教育业,对众多传统行业形成巨大冲击。图像识别技术目前的应用领域很广并且需求非常大,具体包括安防监控系统、无人驾驶、商品消费、工业制造、医药、体育和娱乐业等等,并且在未来几年将大规模应用于智能机器人的开发中。自然语言识别未来可广泛应用于穿戴设备、智能家居、智能汽车等领域,此外在很多安全保密系统中,语音识别技术也发挥着重要的作用。但是,该技术目前在不同口音的处理、背景噪音、区分同音异形异义词方面仍然存在一些难以解决的困难。而随着智能机器人功能的逐渐完善,未来在农业、工业以及医疗、消费等服务行业都能代替人工完成多项任务,既能节省大量人力成本又能提高工作效率和质量。

  综合以上分析,我们认为机器学习、图像识别和智能机器人是目前整个人工智能产业链中发展前景最好的三大领域。

  Who:谁能脱颖而出?技术壁垒、跑对赛道、优先布局

  人工智能是跨学科、跨行业的综合性学科,以大数据为基础、以核心技术为驱动,应用领域极其广阔,想象空间极大。在这样一个复杂度、精细度极高的产业内,什么样的企业能够脱颖而出呢?我们认为具备技术壁垒、跑对赛道、优先布局特征的企业最具发展前景。具体来看:

  技术壁垒:巨头企业通过并购初创技术企业形成技术优势

  国际互联网巨头争相收购人工智能技术开发公司抢夺核心技术。技术是人工智能产业发展的必备要素,因此在加强自身研发投入的同时,各个互联网巨头公司纷纷收购有技术优势的初创型企业来快速获得技术、形成壁垒。在过去的几年里,超过20家专注于开发人工智能技术的企业被蜂拥而至的大型互联网公司收购,谷歌、亚马逊、苹果、IBM、雅虎、Facebook、Intel等互联网行业巨头收购动作最为频繁。

  谷歌作为人工智能领域的领头羊进行了5次至关重要的收购,涉及深度学习、推荐引擎、图片搜索等多个技术领域,值得一提的是,近期战胜韩国棋手李世石的AlphaGo是2014年谷歌花费4亿美元收购的英国初创公司DeepMind所创造的。而据彭博社报道,亚马逊于2015年秋季秘密收购了硅谷初创公司Orbeus,该团队专注于人脸识别技术,其核心产品ReKognition能够自动分类和辨别照片中的内容,目前的识别对象可以包括人脸、场景、陆标、物体等其他概念。Orbeus的照片软件PhotoTime不仅早于谷歌发行的基于人工智能的应用,其使用的图像识别算法也比Facebook先前收购的Face.com更加细致。

\
  国际互联网巨头收购人工智能公司主要案例

  跑对赛道:选择重点领域进行突破,所选领域未来有爆发点

  人工智能产业目前尚处于成长初期,应用领域非常广且又是技术密集型产业,任何一个领域的发展都需要投入大量的科学资金、科技人才和物力等等。即便是资金技术雄厚的巨头企业也很难在人工智能产业链全部领域全面开花,这个时候很多公司往往会选择一个或者几个重点领域进行重点布局,因此,公司战略所选的领域未来是否具有爆发潜力就至关重要,也就是我们所说的“跑对赛道,脱颖而出”。

  基于我们从产业资本投资方向,行业属性及发展路径等几个维度的比较分析,我们认为重点布局在机器学习、图像识别、智能机器人三大领域的公司最可能脱颖而出。

  机器学习主要指的是人工智能领域应用中比较热门的深度学习,通过多层次的学习而得到对于原始数据的不同抽象层度的表示,进而提高分类和预测等任务的准确性。深度学习可以应用于包括图像识别、自然语言处理、广告点击率预估乃至人工智能平台(如谷歌大脑)等在内的多个产品,并大幅度地提升这些产品的性能,各大研究机构和公司都投入了大量的资源进行相关的研究和开发。

\

  纵观国际,谷歌可谓跑对机器学习领域赛道的最佳典范。谷歌在机器学习领域的投入和研发水平远超其他对手,更是在被称为机器学习年的2015年取得了这个领域多项突破性的进展。

\
  谷歌2015年机器学习研究大事件

  放眼国内,百度是目前国内唯一一家有望在机器学习领域与谷歌相媲美的公司。百度2013年率先决定成立深度学习研究院,主要进行深度学习&机器学习、机器人、人机交互、图片识别等方面的研究。此后,百度继续加大在机器学习领域的研发投入,2014年5月在美国硅谷投资3亿美元成立百度美国研发中心,宣布任命人工智能泰斗,原GoogleBrain项目负责人吴恩达为百度公司的首席科学家,全面负责百度研究院。2014年,百度发布大数据计划,拟运用机器学习完成“开放云-数据工厂-百度大脑”的三层设计。

\

  图像识别是指计算机从图像中识别出物体、场景和活动的能力。传统的图像识别技术只能简单识别或查找静态图像,对视频分析、动态识别等则是有待于开发的潜力市场。不仅如此,图像识别还可以应用到特别广泛的社会领域,比如智能安保和互联网金融、社会福利保障、电子商务等领域。因此,在图像识别领域跨越的一个小小步伐,就有可能带来可观的收益。

  举例来说,一家初创公司Dextro正在开发能够进行视频识别的软件并凭借这个产品,成功进入了2015年在线视频企业Top15。Dextro主要运用深度学习算法进行视频分析,它们正在开发的平台SSM(Sight,Sound&Motion)可以帮助用户寻找最有新闻价值的视频。Dextro目前提供两种服务,一种是在线视频搜索,即像文字搜索一样寻找、解释和分类视频,可以用于提升视频编辑剪辑工作效率和实现视频与广告的智能匹配;另一种是监控视频管理,能够快速锁定监控视频中的图像,可以用于家庭智能安保、城市空间布局分析和犯罪分子识别等领域。

\

  根据国际机器人联盟(IFR)按应用领域的划分,可以将智能机器人分为工业机器人和服务机器人两大类,并且广泛应用于生产组装、维护保养、修理、医疗、清洗、保安、救援、监护等领域。随着智能机器人能实现的功能越来越多,提供的服务越来越精细化,刺激着智能机器人规模的快速增长。生活中,人们厌烦了从事类似于清洁、看护、保安等重复性工作,这种简单劳动力的不足使服务机器人有着巨大的市场,因此家庭清洁机器人、残障看护机器人、住宅安全和监视机器人应运而生;而随着人们生活水平的提高和全球人口老龄化的到来,能够提供教育、医疗、娱乐等专业化服务的智能机器人也开始倍受人们追捧。受到这些刚性需求的驱动,公司涉足智能机器人领域就等同搭上规模扩张的“快速列车”。

  美国直觉外科公司正是凭借其王牌产品达芬奇机器人在10年间一举扩张成为全球最优秀的医用机器人公司。达芬奇机器人目前世界上最成功的手术机器人系统,它是为外科医生手术操作中提供直观的控制运动、精细组织操作和三维高清晰度视觉能力而设计的,同时允许外科医生进行微创手术。达芬奇机器人由三部分组成:外科医生控制台、床边机械臂系统、成像系统。实施手术时主刀医师不与病人直接接触,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。目前美国FDA已经批准将达芬奇机器人手术系统用于成人和儿童的普通外科、胸外科、泌尿外科、妇产科、头颈外科以及心脏手术。得益于世界市场对医用机器人的持续认可和需求增长,直觉外科公司在过去的10年里规模快速扩张,营业收入复合增长率达30%,达芬奇机器人使用范围复合增长16%,使用频率达52.3万次。

\

  领先布局:国外将技术开发拓展到商业领域,国内将场景设计进行商业落地

  随着AI技术的发展,AI技术几乎可以应用到现代商业的各个领域。由于AI涉及到许多复杂的技术,通过长时间的积累和学习还可以进行自我改进,原有的客户使用情况还能提供源源不绝的数据供进一步改进参考。因此,在人工智能领域的商业化尽早进行布局,占据市场、积累客户资源获得足够多的基础数据就至关重要。我们发现,国内外公司都在商业化应用领域积极地进行探索,国外的商业化以技术为核心,通过优化算法推广到实际应用;国内的商业化更侧重场景设计,注重个人体验,相对来说,核心技术优势的进步并不那么明显。具体如下:

  海外AI商业化应用:将技术开发拓展到商业领域,拥有核心技术的互联网巨头和创业企业最容易脱颖而出。海外AI的商业化注重技术开发,基于大数据基础、算法优化来提高技术水平进而再把技术开发拓展到商业化领域:以技术为核心,商业化则是再进一步的必然结果,一般来说商业化的项目都是其在技术技术领域已经达到足够多的积累之后才发生的。具体来看:1)Facebook,围绕大数据挖掘的技术核心,建造能够理解海量数据的人工智能机器,通过挖掘用户数据信息为用户推荐其更为喜欢的浏览内容;2)苹果,基于语音识别的核心技术,开发人工智能语音系统Siri,用户通过语音对话对苹果下指令;3)Uniqul,基于人脸识别技术,最早推出了人脸识别支付技术,推进AI与金融相结合的商业模式发展;4)Bettermen,建立个人投资管理平台,只要在Betterment平台上,回答几个关于你的投资目标的问题,Betterment会根据你的回答做分析给出相应的投资组合建议,并通过平台直接投资。

  国内AI商业化应用:优化场景设计进行商业化布局。与海外国家相比,国内的AI核心技术优势并不那么明显,相应的在商业化应用领域也并非注重核心技术的提供而是投入于优化商业场景,加强用户体验。有人力、财力基础的三大国内巨头互联网公司最具商业场景落地优势。具体来看:1)百度,百度将语音技术、图片识别技术、O2O服务进行场景落地,用户通过百度输入一段语音,百度通过语音技术将其准确的翻译为文字,再通过自然语言理解技术对该需求进行理解,最后给出用户想要的电影票预订、酒店预订、景点门票预订等服务;2)阿里巴巴,成立DST部门专门进行大数据挖掘,通过用户产生的大数据进而为其推荐更多其有潜在购买欲望的产品;3)腾讯,旗下的QQ、微信有着巨大的用户流量,向客户精准投放广告并开放“人脸识别”API。

\

  投资策略:聚焦高前景细分领域技术突破者和商业化应用先行者

  技术腾飞与应用拓展带来人工智能第三波浪潮。目前人工智能的技术领域的发展还在起飞期,企业通过选择重点领域进行突破,机器学习、图像识别和智能机器人三大领域将有望带来技术腾飞;而近几年来国际互联网巨头争相收购初创技术企业,加速人工智能布局,逐渐形成技术优势;技术层的进步人工智能进入发展的上升通道,应用层投资机会和投入回报率也随之高企。

  扬帆人工智能未知蓝海,掘金细分领域投资机会。我们基于发展潜力、市场空间、应用范围三个方面的考虑,重点推荐两条投资主线:

  主线一,聚焦发展技术优势,通过并购重组在短时间内形成技术壁垒优势,或者集中投入于具备前景的细分技术领域的企业。一方面我们看好通过投资或收购人工智能领域开发公司,快速地获得技术优势、进而领先布局人工智能领域的龙头企业;另一方面,针对发展前景广阔的机器学习、图像识别和智能机器人三个最具发展领域,投入大量研发资金推动技术创新、抢先形成技术壁垒的公司具备投资价值。

  主线二,优先布局商业化应用,利用技术拓展和场景优化进行人工智能商业化落地的公司能快速享受成长。“人工智能+”将引领产业变革,不断引入新的业态和商业模式。目前主要落地场景包括金融、教育、家居、安保、娱乐等传统行业,同时人工智能在无人驾驶汽车、VR、无人机等新兴产业的发展也同样值得期待。
责编:houlimin
分享到: