深度！2018年人工智慧產業投資預測分析

從百度的All in AI到騰訊的AI in All，科技公司對人工智慧的企圖心日益增強。在國家戰略、市場創投和技術突破三重推動力下，AI成為引爆計算機行業的一大熱點。

數據來源：IDC《中國人工智慧市場生態體系研究報告，2017》

* 此圖展示該細分市場的典型廠商，非全部廠商。

* 在各細分市場，企業通過銷售該領域的產品或服務來取得商業化收益。

如火如荼的AI浪潮

2017年前三季度 AI 板塊、創業板、計算機板塊漲跌幅

從今年年初，AI 板塊表現一直優於創業板和計算機板塊以及 A 股，且上升趨勢明顯。即便在下半年整體行業板塊下跌情況下，AI 板塊依舊堅挺，上漲態勢明顯，且遠好於大盤，AI 熱點已被引爆。

人工智慧發展分析

2011年人工智慧迎來爆發

深度學習技術的引入是人工智慧發展的重要分水嶺。

人工智慧從1956 年達特茅斯會議中誕生。在 2011 年以前，機器僅僅充當人類臂膀的延伸，不能夠創造知識經驗，主要作用是精於計算，機器僅僅承擔著動作執行的角色，根據機器遇到的情況執行人事先設定好的指令。

而深度學習賦能的機器，能夠進行學習和推理，即從海量數據中提取經驗的規則，以及經驗存儲的數據結構，並根據機器遇到的情況、學習階段得到的經驗，以人事先設定的方式進行解讀並執行特定任務。

AI產業鏈梳理

基於深度學習人工智慧主要由數據、演算法、算力構成

深度學習的三個基本構成是「數據」、「演算法」、「算力」。

數據是深度學習學習階段汲取知識經驗的重要來源，互聯網時代大量的搜索記錄、社交數據、交易數據等蘊含了大量人類的信息，將這些信息結構化存儲在神經網路中，是機器更好地服務人類和解決問題的寶貴資。互聯網公司、運營商、行業 IT 系統用戶由於扼守了數據的源頭，將是未來人工智慧的重要玩家，數據積累量大、方便獲取、有海量數據分析處理需求的行業也將是?人工智慧?極具發展潛力的行業。

學習階段中的神經網路結構設計、如何根據海量數據訓練神經網路，推理階段如何根據訓練好的神經網路進行決策，解決問題，均是演算法。由於深度學習演算法壁壘較高，在這一領域會出現強者通吃的局面，演算法開發公司是另一重要玩家，將其開發的人臉識別、語音識別等演算法賣給更加懂行業的公司，支持其開發面向行業的應用，例如商湯科技。

無論是學習階段，還是推理階段，均需要高強度的並行計算能力作為支撐，傳統CPU不擅長這種計算類型，所以新的晶元設計以及伺服器架構設計是當前重點研究領域，算力支撐是人工智慧發展的基礎，佔領這一領域制高點的公司有望成長為下一個英特爾、ARM。

人工智慧應用的多樣性與廣泛性催生了 AI 平台，提供雲化的硬體資源以及可供調用的演算法包，供客戶方便快捷地構建自己的人工智慧應用（例如百度AI平台）。總的來看，AI應用主要分為兩類，一是汽車、安防、醫療等傳統行業將 AI 引入以提高本行業的服務質量，這就是所謂的「AI+」；另一種類型是著力於開發 AI 催生出的新應用。

2018年的AI爆點

東北證券指出，2018 年，在技術層面重點關注AI晶元和AI演算法公司，在應用層面重點關注「AI+醫療」和「AI+ 汽車」。

AI晶元代表性企業一覽

CPU 的設計目標是具有很強的通用性以處理各種不同的數據類型，同時邏輯判斷處理需求又要求其具有分支跳轉和中斷處理能力，這些都使得 CPU 的內部結構異常複雜。而深度學習的計算是類型高度統一的、相互無依賴的大規模數據處理，是一個不需要被打斷的純凈的計算環境。

因此，傳統的 CPU 架構需要數百甚至上千條指令才能完成一個深度學習過程中單個神經元的處理，無法支撐深度學習的大規模並行計算需求。如果傳統 CPU 的架構不改變，即使繼續提高晶體管的數量，也無法滿足深度學習的計算需求。AI時代需要新的、更為合適的處理器。

目前流行的AI晶元解決方案包括：

1、基於GPU的通用晶元，代表企業為英偉達，性能高 、 功耗大 、價格高 ，適用於學習階段（數據中心），GPU+CPU 異構架構成為面向AI；

2、基於FPGA的半定製化晶元，代表企業有英特爾（Altera）、Xilinx、深鑒科技等，相比於CPU+GPU，FPGA的高性能低功耗等優勢使FPGA+CPU可以提供更好的單位功耗性能，且更易於修改和編程；

3、全定製化晶元（ASIC），代表企業有寒武紀、地平線機器人、深鑒科技等，大多針對消費前端應用，在功耗方面比通用晶元和半定製晶元更具優勢，雖然研發周期長，但量產後成本更低。

與CPU、GPU被幾個巨頭壟斷不同，AI 晶元開闢了一個全新的賽道，我國湧現出了寒武紀、深鑒科技、地平線機器人等一批優秀的企業，有望實現彎道超車，目前已經引起了資本市場的廣泛關注，在 AI 大潮流下，預計 2018 年熱度仍然不減。

AI演算法強者恆強

神經網路類型總結

人工智慧演算法設計包括：神經網路結構設計（卷積神經網路、循環神經網路、深度神經網路三種）、學習階段中根據海量數據訓練神經網路演算法，和推理階段根據訓練好的神經網路進行決策演算法。三個環節相輔相成，設計過程中需要考慮到網路寬度、網路深度、網路存儲數據類型、網路存儲空間、演算法訓練時間等。

在計算機視覺專利申請數方面，據烏鎮智庫統計，我國已於 2005 年超過美國，之後一直不斷擴大優勢。剛剛落下帷幕的計算機視覺頂會 ICCV 2017 上，我國創業公司曠視科技（Face++）在 MS COCO 物體檢測、人體關鍵點檢測，以及 Places物體分割三項比賽中擊敗微軟、谷歌、Facebook 等對手，奪得了第一名。

AI 演算法的開發，不僅僅是一個工程問題，還需要壁壘較高的深度學習數學理論。由於演算法的可複製性以及人工智慧演算法的高壁壘性，這一領域有望實現強者恆強，目前已經嶄露頭角的曠視科技、商湯科技、科大訊飛等值的繼續關注。

AI+的兩大用例

AI+醫療：場景是制高點

在應用層面，2018年應重點關注數據積累量大、方便獲取、有海量數據分析處理需求的行業，例如AI+醫療和AI+汽車，這些行業的 AI 應用將極具發展潛力。

近年來國內醫療AI融資情況

近年來國外醫療AI融資情況

全球醫療健康數據量情況

醫療AI的四大核心要素和三項行業規則

醫療 AI 的基本功能需要通過演算法對大量醫療數據進行計算從而得到較優化的演算法。最終醫療 AI 要運用到具體的醫療應用場景中，比如骨齡 AI 產品嵌入 PACS 系統中（或形成獨立軟體），輔助兒科醫生判斷兒童發育程度。

醫療行業細分領域眾多，且不同領域間壁壘高，演算法和數據等共性資源要素不能構成核心競爭要素，最終結局是控制場景者將聚集其它資源要素；從數據特色來看，醫療數據種類眾多，分布極其分散，所有權歸屬國家，比如醫療數據通常存儲在各地醫院內，數據格式和結構都呈現多樣性，也就是說單一企業僅能掌握少數病種數據或少數區域內所有數據。

所以醫藥或醫療器械領域行業的細分領域通常會出現寡頭競爭格局：因為在寡頭競爭格局（無論是多寡頭還是單寡頭）的行業里，行業上下游都存在較弱的議價能力，只具備單一競爭要素的企業，都將直接或間接依附寡頭而存活。

目前，醫療 AI 正呈現爆髮式發展趨勢。首先，醫療資料數字化成為醫療 AI 得以發展的牢固基礎；其次，關鍵演算法、數據存儲、雲平台等信息技術突破式發展表明醫療 AI 發展時機初步成熟；資本的熱捧更是加速醫療AI行業的發展。

數據表明，2014 年以來國內外醫療AI初創型企業融資活動開始加劇，資本開始大量湧入醫療 AI 領域。國內更是從2016 年開始呈現井噴式發展趨勢，2015年總融資額僅為239.2 百萬元，但 2016年總融資額高達1529.7 百萬元，2017年1-8月已經到達1842.13 百萬元。

AI+汽車：出行新生態

全球「乘客經濟」市場規模細分

2030-2050全球?乘客經濟市場規模

AI 將變革整個汽車乃至出行行業，構建新的經濟生態。

目前比較流行的ADAS（高級駕駛輔助系統）作為汽車智能化的基礎，隨著 ADAS 技術水平的提升及滲透率提高，將逐步實現單車智能化，即通過給車輛裝備智能軟體及多種感測器、控制器、執行器等裝臵，基於車載裝置實現車輛自主駕駛，結合現代通信與網路技術（包括 4G/5G、DSRC、GPS 等）和雲計算處理信息並傳輸信號，從而指導城市交通系統。

據 Intel 與研究公司 Strategy Analytics 聯合發布的一份報告預計，無人駕駛汽車將在未來迅猛發展，打破現有買車出行模式，構建新的出行即服務模式，其衍生出的「乘客經濟」（由全自動無人駕駛汽車所催生的經濟和社會價值）市場的規模將在 2050 年前達到 7 萬億美元。

據 IHS 預測，到 2035年全球無人駕駛汽車銷量將達 2100 萬輛，而 2025 年全球無人駕駛汽車銷量將達 60萬輛，而中國將成為全球最大的無人駕駛汽車市場，預計到 2035 年中國將擁有超過570 萬輛無人駕駛汽車。

無人駕駛產業地圖

無人駕駛產業鏈縱深長， 分為單車智能、網聯路段信息及車與出行服務三大板塊。

單車智能板塊分為智能感知層面、規劃層面及執行層面三部分，旨在通過車載感測器及信息處理分析設備，實現車輛自動執行，目前ADAS 技術滲透率提升， 部分成熟領域有望實現國產替換 。

網聯路段信息分為V2X網路建設及路端信息採集兩部分，旨在建立並運營適用於 V2X 的網路及建立路段信息採集系統並持續運營，就目前來看，LTE-V 標準在中國更具發展前景，大唐電信有望受益；四維圖新、中海達、超圖軟體等高精地圖企業也在各自領域逐步實現國產替換，做到行業龍頭。

車與出行服務包括車輛共享運營、車輛後服務、車輛遠程管理等，預計營運車輛、計程車等將成為無人駕駛最先落地領域，「乘客經濟」是未來出行發展新模式。

在各國政經環境的鼓勵下，基於深度學習的人工智慧產業布局，包括數據、演算法、算力（晶元），充斥著科技大佬、傳統巨頭和創投行業的熱情，從而帶來的更深的基層研發和更多樣的落地場景。儘管某些層面免不了未來的寡頭格局，但人工智慧也給很多中小創企留下了差異化的上升空間。鑒於醫療、汽車、安防、金融等領域的智能化起步早，數據更為豐富（數字化轉化、感測器數據等），有望成為即將大勢的「AI+」行業。

風險提示：AI 底層技術研發難度大，投資周期長，新進入者短時間內較難獲得優勢，而對於投資者來說，投資的不確定性也較大；此外，行業應用尚在研發當中，落地情況有不及預期風險。

來源： PPtea

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！