酷应用

中美两国人工智能产业发展报告（超100张图勾勒全球AI产业完整图谱）

百家作者：互联网思想 2017-11-26 13:13:42

导读：腾讯研究院发布《中美两国人工智能产业发展全面解读》，从政策、企业、项目、投资、巨头，应用，人才等多个维度对中美AI进行了最完整的对比和分析，力图展现出中美各个角度的差异并以此来分析中国未来人工智能企业的走向和趋势。

前言

AI泡沫前，我们怎么办？

一个新的世界即将到来。人工智能是当前人类所面对的最为重要的技术社会变革，是互联网诞生以来的第二次技术社会形态在全球的萌芽。

所谓AI技术，是人类在利用和改造“机器”的过程中所掌握的物质手段、方法和知识等各种活动方式的总和。AI技术赋予了机器一定的视听感知和思考能力，不仅会促进生产力的极大发展，而且也会对经济与社会的运行方式产生积极作用。

AI技术的创新可以促进经济增长，提升社会治理水平；反过来，高水平的社会治理，也会促进技术创新的活跃，推动经济增长。因而，无论是研究经济，还是社会发展，我们都必须关注技术本身，关注AI技术发展的社会机制，关注AI技术的社会功能。

站在新世界起点，我们看到似曾相识的情形——AI的勃兴类似1998年互联网勃兴两年后又遇到寒冬的情形。近年来AI厚积薄发，主要是深度学习的突破，引发创业和投资情绪高涨。你发现投资越来越多，公司越来越少，项目越来越贵，而深度学习自身的不足并没有快速得到解决，AI商业化之路有点力不从心。

我们要保持冷静的认知。尤其是在即将出现泡沫的时候，不宜设定过高的期望。美国积60余年之功，全面领先全球，其他国家的AI创新尚处于萌芽阶段。赶英超美，并非朝夕可成，我们需要把有限的资源用到核心环节上，方能在未来占有一席之地。

核心内容速读

1.顶层设计。

中美政府都把人工智能当作未来主导性战略，出台发展战略规划，从国家战略层面进行整体推进。美国和中国都在国家层面建立了相对完整的研发促进机制，协同推进人工智能发展。美国一直处在人工智能基础研究的前沿，保持全球领先地位。中国在基础算法和理论研究方面，还有相当的差距。

2.企业数量。

从全球范围来看，人工智能领先的国家主要有美国、中国及其他发达国家。截止到2017年6月，全球人工智能企业总数达到2542家，其中美国拥有 1078家，占据42%；中国其次，拥有592家，占据23%。中美两国相差486家。其余872家企业分布在瑞典、新加坡、日本、英国、澳大利亚、以色列、印度等国家。

从历史统计来看，美国人工智能企业的发展早于中国5年。美国最早从1991年萌芽，1998进入发展期，2005后开始高速成长期，2013后发展趋稳。中国AI企业诞生于1996年，2003年产业进入发展期。在2015年达到峰值后进入平稳期。

3.产业布局。

美国AI产业布局全面领先，在基础层、技术层和应用层，尤其是在算法、芯片和数据等产业核心领域，积累了强大的技术创新优势，各层级企业数量全面领先中国。相比较而言，中国在基础元器件、基础工艺等方面差距较大。

从基础层的芯片企业数量来看，中国拥有14家，美国33家，中国仅为美国的42%。

而技术层，中国拥有273家，美国拥有586家，中国为美国的46%。

在应用层，中国拥有304家公司，美国拥有488家，中国是美国62.3%。

4.人才队伍。

AI产业的竞争，说到底是人才和知识储备的竞争。只有投入更多的科研人员，不断加强基础研究，才会获得更多的智能技术。

美国研究者更关注基础研究，人工智能人才培养体系扎实，研究型人才优势显著。具体来看，在基础学科建设、专利及论文发表、高端研发人才、创业投资和领军企业等关键环节上，美国形成了能够持久领军世界的格局。

美国产业人才总量约是中国的两倍。美国1078家人工智能企业约有78000名员工，中国592家公司中约有39000位员工，约为美国的50%。

美国基础层人才数量是中国的13.8倍。美国团队人数在处理器/芯片、机器学习应用、自然语言处理、智能无人机4大热点领域全面压制中国。

在研究领域，近年来中国在人工智能领域的论文和专利数量保持高速增长。但中国缺少重大原创科研成果，人工智能顶尖人才远远不能满足需求。相较而言，中国在人工智能需要在研发费用和研发人员规模上的持续投入，加大基础学科的人才培养，尤其是算法和算力领域。

5.热点领域。

深度学习引领了本轮AI发展热潮。究其原因，在于算力和数据在近十年来获得了重大的突破。当下，人工智能产业出现了九大发展热点领域，分别是芯片、自然语言处理、语音识别、机器学习应用、计算机视觉与图像、技术平台、智能无人机、智能机器人、自动驾驶。

在美国AI创业公司中排名前三的领域为：自然语言处理252家，机器学习应用（Machine Learning Application）242家，以及计算机视觉与图像190家。

在中国AI创业公司中排名前三的领域为：计算机视觉与图像146家，智能机器人125家以及自然语言处理92家。

6.投资趋势。

自1999年美国第一笔人工智能风险投资出现以后，全球AI加速发展，在18年内，投资到人工智能领域风险资金累计1914亿元。

截止至目前，美国达到978亿元，在融资金额上领先中国54.01%，占据全球总融资50.10%；中国仅次于美国，635亿，占据全球33.18%；其他国家合计占15.73%。

中国超过1亿美元的大型投资热度高于美国，共有22笔，总计353.5亿元。美国超过1亿美元的融资一共11笔，总计417.3亿，反而超出中国63.8亿。

从创业投资领域角度来看，美国面向全产业投资，投资领域遍及基础层、技术层和应用层，而中国接受融资的企业主要集中在应用层。

中国人工智能企业中，融资占比排名前三的领域为计算机视觉与图像，融资143亿元，占比23%；自然语音处理，融资122亿元，占比19%，以及自动驾驶/辅助驾驶，融资107亿元，占比18%。中国的自动驾驶/辅助驾驶企业虽然数量不多，只有31家，而融资额却是第三，意味着中国的投资者非常看好这一领域。

美国的融资可能到2020年前突破2000亿。预计在2020年之前，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。

中国AI企业增势不明朗。根据行业发展周期来计算，中国人工智能产业将会在2018年回暖，新增公司数量会上扬到30以上，预期融资累计量将会达到900-1000亿人民币，仍和美国有较大差距。

7.巨头角力。

由于AI产业核心技术掌握在巨头企业手里，巨头企业在产业中的资源和布局，都是创业公司所无法比拟的。因而引领AI产业发展的技术竞赛，主要是巨头之间的角力。

当前，苹果、谷歌、微软、亚马逊、脸书，这五大科技巨头无一例外投入越来越多资源抢占人工智能市场，甚至整体转型为人工智能驱动的公司。

国内互联网领军者“BAT”也将人工智能作为重点战略，凭借自身优势，积极布局人工智能领域。就中国而言，有行业影响的人工智能开发平台和产业生态尚未形成，也没有产生世界知名的人工智能重大产品，缺乏支持行业发展的试验平台、数据集。

巨头通过招募AI高端人才、组建实验室等方式加快关键技术研发。同时，通过持续收购新兴AI创业公司，争夺人才与技术，并通过开源技术平台，构建生态体系。

8.中国未来。

中国政府高度重视AI产业发展战略，中国正在快速形成商业应用开发能力，行业创投领域正在紧追美国，并在应用层的一些领域显现出竞争实力，部分指标达到了与美国相近的水平。

与互联网相似，中国将会成为AI应用的最大市场，拥有丰富的应用场景，拥有全球最多的用户和活跃的数据生产主体。我们需要进一步加大基础学科建设和人才培养，以便让中国AI有机会走得更远。

第一章

中美人工智能的顶层设计

一种乐观观点认为，人工智能的发展将在30年内深刻改变人类社会生活、改变世界，因此，中美两国均在为这一时代的到来积极准备，在顶层设计方面有许多堪可玩味的地方。

第一，美国和中国政府都把人工智能当作未来战略的主导，出台发展战略规划，从国家战略层面进行整体推进。美国人工智能报告体现了美国政府对新时代维持自身领先优势的战略导向。作为最大的发展中国家，中国也在战略引导和项目实施上做了整体规划和部署。

第二，美国和中国都在国家层面建立了相对完整的研发促进机制，协同推进人工智能发展。

第三，美国一直处在人工智能基础研究的前沿，保持全球领先地位。中国在全球跻身第一梯队，但在基础算法和理论研究方面，与美国还有相当大的差距。

1.1中美高度重视AI战略

美国一直注重人工智能研发，最近几年步伐加快。早在2013年财政年度，美国政府便将22亿美元的国家预算投入到先进制造业，国家机器人计划是投入重点之一。同年4月美国政府启动创新神经技术脑研究计划，计划10年投入45亿美元。

2015 年，美国政府对人工智能相关技术的未分类研发投资约为 11 亿美元，预测显示 2016 年相关投入将增长到 12 亿美元（摘自《美国国家人工智能研究与发展战略规划》）。

2016年5月，白宫成立人工智能和机器学习委员会，协调美国各界在人工智能领域的行动，探讨制定人工智能相关政策和法律；同年10月，奥巴马政府时期总统办公室发布《为了人工智能的未来做好准备》（Preparing for the Future of Artificial Intelligence）和《美国国家人工智能研究与发展战略规划》（National Artificial Intelligence Research and Development Strategic Plan）的文件，将人工智能上升到美国国家战略高度，为美国人工智能的发展制定了宏伟计划和发展蓝图。确定了有关人工智能发展的7项长期战略：（1）投资研发战略：长期投资人工智能研发领域，（2）人机交互战略：开发人机工作的有效方法，（3）社会影响战略：理解和应对人工智能带来的法律、伦理和社会经济等问题，（4）安全战略：确保人工智能驱动系统的可靠性和安全性，（5）开放战略：为人工智能培训和测试开发共享公共数据集与环境，（6）标准战略：建立评估人工智能技术的标准、评估人工智能技术，（7）人力资源战略：深入了解国家人工智能研发人才需求。

2016年12月，白宫发布了一份关于《人工智能、自动化和经济》（Artificial Intelligence，Automation，and the Economy）的报告。报告讨论了人工智能驱动的自动化对经济预期的影响，并描述了提升人工智能益处并减少其成本的广泛战略。报告指出，应对人工智能驱动的自动化经济将是后续政府要面临的重大政策挑战，应该通过政策激励释放企业和工人的创造潜力，确保美国在人工智能的研发和应用中保持领先。

近年来，中国政府对人工智能的重视程度不断提高，持续从各方面支持和促进人工智能发展。从政策层面来看，主要事件有：

2015年7月，“人工智能”被写入《国务院关于积极推进“互联网+”行动的指导意见》，将其列为了互联网+战略的一部分。

2016年3月，“人工智能”一词被写入国家“十三五”规划纲要。

2016年5月23日，国家印发了《“互联网＋”人工智能三年行动实施方案》。从科技研发、应用推广和产业发展等方面提出了一系列措施。提出将支持人工智能领域的芯片、传感器、操作系统、存储系统、高端服务器、关键网络设备、网络安全技术设备、中间件等基础软硬件技术开发，支持开源软硬件平台及生态建设。

2016年底，《“十三五”国家科技创新规划》和《“十三五”国家战略性新兴产业发展规划》都把发展“人工智能”作为一项重点内容。

2017年3月5日，国务院总理李克强在十二届全国人大五次会议上作政府工作报告时表示，要“全面实施战略性新兴产业发展规划，加快新材料、人工智能、集成电路、生物制药、第五代移动通信等技术研发和转化”，这是“人工智能”首次出现在政府工作报告中。

2017年3月，科技部 “科技创新2030—重大项目”近期新增“人工智能2.0”，人工智能进一步上升为国家战略。

2017年7月，国务院关于印发《新一代人工智能发展规划的通知》，从国家层面对人工智能进行系统布局，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。提出六个方面重点任务：一是构建开放协同的人工智能科技创新体系，从前沿基础理论、关键共性技术、创新平台、高端人才队伍等方面强化部署。二是培育高端高效的智能经济，发展人工智能新兴产业，推进产业智能化升级，打造人工智能创新高地。三是建设安全便捷的智能社会，发展高效智能服务，提高社会治理智能化水平，利用人工智能提升公共安全保障能力，促进社会交往的共享互信。四是加强人工智能领域军民融合，促进人工智能技术军民双向转化、军民创新资源共建共享。五是构建泛在安全高效的智能化基础设施体系，加强网络、大数据、高效能计算等基础设施的建设升级。六是前瞻布局重大科技项目，针对新一代人工智能特有的重大基础理论和共性关键技术瓶颈，加强整体统筹，形成以新一代人工智能重大科技项目为核心、统筹当前和未来研发任务布局的人工智能项目群。

《新一代人工智能发展规划的通知》确立了“三步走”目标：到2020年人工智能总体技术和应用与世界先进水平同步；到2025年人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平；到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。

1.2中美设定AI促进机制

2016年5月，美国白宫科技政策办公室（OSTP）直属的美国国家科学与技术委员会（NSTC）下设立了机器学习与人工智能分委会（MLAI），该机构与其他相关机构一道组织编写了《为人工智能的未来做好准备》、《国家人工智能研究和发展战略计划》和《人工智能、自动化与经济报告》。通过实施《国家人工智能研究和发展战略计划》，明确研发优先重点，以解决战略研究目标，将联邦投资重点放在行业不太可能投资的领域，并解决扩大和维持人工智能研发人才渠道的需求。

人工智能涉及的相关部门如下图：

中国也形成了科学技术部、国家发展改革委、中央网信办、工业和信息化部、中国工程院等多个部门的AI联合推进机制。其中，科学技术部牵头制定了由国务院印发的《新一代人工智能发展规划的通知》，并着手规划相关重大项目；国家发展改革委牵头制定了《互联网+人工智能三年行动实施方案》，正在酝酿发起成立人工智能产业发展联盟；中央网信办、工业和信息化部、中国工程院等部门也都从各自角度对人工智能进行了研究和推动。

国务院新出台的《新一代人工智能发展规划的通知》中还明确，要成立人工智能规划推进办公室，办公室设在科技部，具体负责推进规划实施。还要求成立人工智能战略咨询委员会，研究人工智能前瞻性、战略性重大问题，对人工智能重大决策提供咨询评估。并要求推进人工智能智库建设，支持各类智库开展人工智能重大问题研究，为人工智能发展提供强大智力支持。

1.3美国AI战略发展态势

美国充分认识到人工智能的战略意义，从国家战略层面来布局AI领域的技术研发。卓越的技术研发机构，理论学科以及各类实验室为人工智能的发展奠定了雄厚的技术基础，并且也取得了大批令人瞩目的研发成果。表明政府在推动人工智能技术发展的过程中发挥着重要作用。反过来，人工智能技术能给当今以及未来的美国社会带来巨大的效益，不仅会提高美国的经济活力和生产力，而且能改善民众福利。

2月3日，《纽约时报》刊载了一篇名为《中国欲在人工智能“军备竞赛”中赶超美国》（China Gains on the U.S. in the Artificial Intelligence Arms Race）的专题文章。文章提出将人工智能技术上升到国家安全战略层面，讨论了中国在人工智能领域的迅速崛起对美国安全可能造成的威胁。战略专家和技术专家们之间甚至还展开了一场关于中国的技术进步是否会超过美国的论战。另外，根据英国路透社报道，美国拟立法限制中国对美国人工智能技术的投资。美国的一些官员向英国路透社表示，美国拟加强对中国在硅谷投资的审查，以便更好地保护美方认为对国家安全至关重要的敏感技术。

1.4中国AI发展态势

中国人口基数大，移动互联网发展迅速，有庞大的数据资源优势。另外商业化应用场景丰富，在人工智能应用领域将出现更多突破。同时，中国在人工智能研究领域的技术和人才储备也正在快速崛起。

在中国，传统科技巨头百度、阿里巴巴和腾讯目前在人工智能领域处于领先地位。在它们之后，国内还有上百家创业公司正在人工智能的各个方向探索新技术。目前，语音识别和计算机视觉与图像是国内人工智能市场最热门的两个领域。另一方面，传统行业的公司也在积极引入人工智能，以降低自己的运营成本。在人工智能的影响下，新的细分领域将会出现（如无人机和智能机器人），传统行业（如家电、汽车和玩具）也将发生深刻的变革。作为全球最大的汽车市场、最大的家电生产国和最大的无人机生产国，中国正在形成全球最具吸引力的人工智能生态环境。

经过多年的持续积累，中国在人工智能领域取得重要进展，国际科技论文发表量和发明专利授权量已居世界第二，部分领域核心关键技术实现重要突破。语音识别、视觉识别技术世界领先，自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力，中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用，人工智能创新创业日益活跃，一批龙头骨干企业加速成长，在国际上获得广泛关注和认可。加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合，形成了中国人工智能发展的独特优势。

第二章

中美人工智能产业布局观察

2.1.美国企业总量远超中国

2.1.1 总体数量：美国约为中国两倍

截止到2017年6月，全球人工智能企业总数达到2542家，其中美国拥有 1078家，占据42%；中国其次，拥有592家，占据23%。中美两国相差486家。其余872家企业分布在瑞典、新加坡、日本、英国、澳大利亚、以色列、印度等国家。

2.1.2 中国企业起步落后美国5年

从现有统计来看，美国人工智能企业从1991年开始创建，中国1996年晚于美国5年开始发展。

美国方面一共分为四个阶段，1991年到1997年，萌芽期；1998-2004，发展期；2005-2013 高速成长期；2013-至今，平稳期。

中国AI产业在1996年进入萌芽期，2003年进入发展期。企业数量从2004年的29家增长到2007年的57家。在2008年短暂回落后进入高速成长期，增速历经5年一路上扬到48.11%，在2015年达到峰值166家后进入平稳期。2015年的峰值，相当于1999到2012新增企业数量的总和。

综合来看，美国AI初创企业的起步期早于中国5年（美1991，中1996），发展期早于中国6年（美1997，中2003），但爆发期和平缓期都只早中国2年。美国创业新增企业数量的峰值年份早于中国2年，美国为2013年，中国为2015年。因此，从企业数量发展的情况来看，中国已经追平了美国3-4年的时间差距。

2.2.中美AI创投累计融资对比

2.2.1 累计融资额美国第一，中国第二

自1999年美国第一笔人工智能投资出现以后，全球AI加速发展，在短短的18年内，全球涌现1914亿元投资到人工智能领域。

截止至目前，美国AI融资金额为978亿元，占据全球总融资50.10%；中国635亿，占据全球33.18%；其他国家合计占15.73%。

2.2.2 中国融资起步时间落后美国6年

美国的第一笔风险投资出现在1999年，2005年进入发展期，2012年为爆发期拐点。

在2005年，中国出现第一笔AI风险投资（晚于美国6年），2013年进入爆发期。

2016年，中国总融资额短暂接近美国，达到492.98亿，距离美国约30亿。但中国在2017年增势放缓，相反的，美国融资则出现井喷，累计融资大幅度超越中国。

2.3 中美人工智能九大热点领域对比

2.3.1 中美产业侧重点不同

在美国AI创业公司中排名前三的领域为：自然语言处理252家，机器学习应用（Machine Learning Application）242家，以及计算机视觉与图像190家。

在中国AI创业公司中排名前三的领域为：计算机视觉与图像146家，智能机器人125家以及自然语言处理92家。

中美人工智能企业的共同热点均为计算机视觉与图像及自然语言处理，这两大领域也是AI产业的领头羊。

中美的差别存在于智能机器人和机器学习应用两方面。前者属于专业领域的机器人应用，应用于医疗、作业类和家居类等领域较多；服务于后者属于企业或个人辅助工具，各个行业均有涉及，覆盖范围更广。

基础层（包含处理器/芯片）的企业数量，中国拥有14家，美国33家，中国仅为美国的42%。

技术层（自然语言处理/计算机视觉与图像/技术平台）的企业数量，中国拥有273家，美国拥有586家，中国为美国的46%

应用层（机器学习应用/智能无人机/智能机器人/自动驾驶辅助驾驶/语音识别）的企业数量，中国拥有304家，美国拥有488家，中国是美国的62.3%。

总体来看，美国在企业数量上全面领先中国，基础层和技术层的企业数量约为中国的2倍，但是在应用层上，中国和美国的差距略小。

2.3.2 中国应用层VS美国基础层

中国投资者在应用层关注的更多。中国人工智能企业中，融资占比排名前三的领域为计算机视觉与图像，融资143亿元，占比23%；自然语音处理，融资122亿元，占比19%；以及自动驾驶/辅助驾驶融资107亿元，占比18%。而中国的自动驾驶/辅助驾驶企业虽然数量不多，只有31家，但融资额是第三，表明中国的投资者非常看好这一领域。

美国投资者对于基础层更为看重。在美国人工智能企业中，融资占比排名前三的领域为芯片/处理器融资315亿占比31%，机器学习应用融资207亿占比21%，自然语言处理融资134亿占比13%。

芯片企业的数量排名第八，33家，但融资量却是第一，美国的芯片实力和资金吸引力，可见一斑。

2.3.3 投资事件美国是中国1.96倍

美国投资事件数量1509起，中国767起。两者相比，美国:中国=1.96:1。

事件数量大意味着热度更大，关注更多。

在美国，自动驾驶/辅助驾驶和处理器/芯片是投资热点。应用层和基础层兼顾，适合长远发展。

中国各方面发展较为均衡，突出的领域是智能无人机和计算机视觉与图像，其高成熟度的技术吸引了不少投资者。

中国处理器/芯片投资事件数量比重排名第四，占比7.55%，表明中国投资者对于基础层已经具有了一定的重视，但可能由于基础层公司少，投资门槛高，导致事件数量仍和美国有较大差距。

2.4. 超过一亿美元的投资事件（略）

2.5 未来趋势判断：行业泡沫

AI领域创投行业泡沫即将出现。主要信号有两个：

一是资金多而项目缺。

综合过往数据和2017年前半年的情况，今年美国新增企业数量将跌到谷底，预计在2017结束之前，美国新增企业数量范围将在25-30家之间徘徊。同时，美国的累计融资量持续快速增长，最后将稳定在1380-1500亿元的区间。2018年后，中美两国AI企业数量增长都将有所恢复，但依然平缓。在这段时期内，创投圈将会发现，找到一个新的有潜力的项目越来越难，由于新增企业数量稀少，经常只能跟投一些项目。到2020年，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。

二是周期长而营收难。

通俗的说，现在的人工智能被高估了。深度学习起源于上世纪八九十年代的神经网络研究。在很多情况下，前沿研究是由对已有方法的微小改动和改进组成，而这些方法在几十年就已经被设计出来了。

尽管如此，市场热炒的人工智能技术和产品的成熟度仍然有限。许多项目和技术，并不能直接获得消费者欢迎，还需要相当长的时间才能走向成熟。

这种前提下，创业项目不得不舍弃大众消费场而致力于解决企业级问题，创新公司的商业模式回归到类似传统IT厂商的角色，进一步加大了营收难度。或许有一天，你会发现创业者不够用了。

资金多而项目缺，周期长而营收难，项目却一天比一天更加昂贵，这是资本泡沫即将出现的信号。但对于创业公司，它们将过上一段顺风顺水的好日子。

具体到美国未来趋势而言，美国AI领域的融资可能在2020年前突破2000亿。原因在于特朗普上台后采取了一系列改革措施，促进了美国经济的恢复。美国资本迅速回流，资本市场正在加大对AI企业的投资。由此推动美国AI产业融资持续上升。预计在2020年之前，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。

具体到中国来看，中国AI企业增势不明朗，但资金仍在增加。

根据历史数据推断，中国在2017年成立的新公司将不超过15家，融资增长也较前两年放缓，预计融资总额将会在2017年年末达到745亿，是美国同期预计值的50%。

从行业发展周期来看，中国人工智能产业将会在2018年回暖，当年新增公司数量会上扬到30家以上，预期融资累计量将会达到900-1000亿人民币，整体上仍和美国有较大差距。

第三章

中美AI巨头的产业卡位战

引领AI产业发展的技术竞赛，主要是巨头之间的角力。由于AI产业核心技术和资源掌握在巨头企业手里，而巨头企业在产业中的资源和布局，都是创业公司所无法比拟的，所以巨头引领着AI发展。

目前，苹果、谷歌、微软、亚马逊、脸书，这五大巨头无一例外都投入了越来越多资源，来抢占人工智能市场，甚至将自己整体转型为人工智能驱动型的公司。国内互联网领军者“BAT”也将人工智能作为重点战略，凭借自身优势，积极布局人工智能领域。

随着政府和产业界的积极推动，中美两国技术竞赛格局初步显现。美国巨头公司致力于全产业链布局，在技术层、基础层和应用层均卡住了战略要点。中国巨头则在应用层展示出了强劲的发展意愿。

在技术层，美国巨头构建核心研究队伍，通过收购拼抢人才，强化技术储备；同时，争相开源，构建生态，以图占领产业应用核心。巨头企业致力于建立人工智能的数据场景和生态。人工智能的平台化、云端化将成为全球发展的潮流。

在应用层，中美各有侧重点。语音交互成为入口，云服务是未来战场。凭借场景和数据优势，中国在计算机视觉、语音识别等领域，具备了与美国一较高下的实力。

在基础层，美国芯片与算法领先。美国巨头布局芯片，各类AI芯片百花齐放，牢牢把控全球产业核心。美国巨头重视算法突破，其优势来源于基础学科几十年的积累，完善的基础学科配置是保障产业核心能力突破的关键。

在研究领域，近年来中国在人工智能领域的论文和专利数量保持高速增长，已进入第一梯队。而美国研究者更关注基础研究，人工智能人才培养体系扎实，研究型人才优势显著。未来，两国将在人工智能领域有更多正面角力。

中国能否在十年内全面超越美国？这是个强烈的悬念。

3.1 中美巨头的产业布局

从产业图谱来看，人工智能主要分为技术层、应用层和基础层。技术层包括人工智能通用技术平台（例如计算机视觉与图像、自然语言处理、语音识别）。应用层包括人工智能行业应用方案、消费类终端或服务等。基础层包括人工智能芯片、算法和数据。

美国巨头呈现出全产业布局的特征，包括基础层、技术层、应用层，均有布局；而中国巨头主要集中在应用侧，只在技术层局部有所突破。

3.2 技术层：争抢人才，构建生态

在技术层面，巨头通过招募高端人才、组建实验室等方式加快关键技术研发。同时，通过持续收购创业公司，争夺AI人才，完善自身布局。此外，巨头还通过开源技术平台，构建生态体系，赋能全行业。

3.2.1建立核心人才队伍：AI实验室

3.2.2 持续收购拼抢人才与技术

初创公司往往会成为巨头的猎物。打个比方，如果AI全产业如一部巨大机器，那么新兴创业公司，大多是机器上的某个零部件。这是因为新兴创业公司，仅具有某一项或几项技术优势，很难成为主导全局型应用，但有助于完善巨头布局，因而，最终难逃被巨头收购。

巨头公司通过投资和并购储备人工智能研发人才与技术的这种趋势越来越明显。中美并购事件近两年密集增加。CB Insights的研究报告显示，谷歌自2012年以来共收购了11家人工智能创业公司，是所有科技巨头中最多的，苹果、Facebook和英特尔分别排名第二、第三和第四。标的集中于计算机视觉、图像识别、语义识别等领域。Google于2014年以4亿美元收购了深度学习算法公司Deepmind，该公司开发的AlphaGo为Google的人工智能添上了浓墨重彩的一笔。

2011-2016人工智能主要收购事件来源：CB Insights

3.2.3 建立开源生态，占领产业核心

人工智能的常见开发框架包括谷歌的TensorFlow、Facebook的Torch、Microsoft的CNTK以及IBM的SystemML。这些框架的地位类似于人工智能时代的iOS/Android。开源也成为了这些软件开发框架共同的策略。

谷歌早在2011年就成立AI部门，在谷歌内部，由机器学习驱动的产品和业务不计其数，包括谷歌搜索、Google Now、Gmail等，同时谷歌还向其开源Android手机系统中注入大量机器学习功能。2011 年第一代机器学习系统，从大量的Youtube 图片中学会了识别猫；2015年，谷歌将内部采用深度学习的技术整理到一起，发布第二代人工智能系统TensorFlow，并宣布将其开源。这是一套包括很多常用深度学习技术、功能和例子的框架。得益于庞大的计算和数据资源，谷歌大脑在深度学习方面取得了显著的成果。在几次人机大战中大放异彩的DeepMind公司自2014年被Google收购后，陆续发表了207篇顶级期刊论文，为Google带来了大量研究人才。

2013年卷积神经网络发明者Yann LeCun加入Facebook，带领公司的图像识别技术和自然语言处理技术大幅提升。Facebook的深度学习框架是基于之前的Torch基础上实现的，于2015年12月开源。此外，Facebook还开源了人工智能硬件平台Big Sur等十余个项目。

微软在2016年整合微软研究院、Cortana和机器人等团队建立“微软人工智能与研究事业部”，现有7000多名计算机科学家和工程师。同年，微软发布了其深度学习工作包CNTK，CNTK使得实现和组合前馈型神经网络DNN、卷积神经网络和循环神经网络变得非常容易。

在Google和微软分别开源其机器学习平台后，IBM也开源了其深度学习平台SystemML。IBM主推的认知计算平台也向开发者开放了Watson的认知计算能力，加速人工智能的部署。

2016年，百度开放了其深度学习平台Paddle-Paddle，覆盖了搜索、图像、语音识别、语义处理、用户画像等领域的技术。腾讯不同事业部都在不同领域展开AI研究。AI Lab注重将技术与腾讯业务场景相结合，即游戏、社交、内容生态。

大公司纷纷拥抱开源有两方面原因：第一，通过开源来构建生态和护城河。无论是谷歌、亚马逊还是BAT都已经拥有云计算基础设施，Google、微软一直在讲的开源、AWS推出的AI功能，本质上并无差别，都是为了赋予自家云端客户更强的数据处理能力。在现有的云服务市场中，科技巨头占据多数，构建基于人工智能的云服务将成为巨头的下一个主战场。AI是信息基础设施的一个升级，是今后产业发展的巨大引擎。巨头都想把握升级过程中涌现的大量机会，赋能全行业。第二，开源是一种开放式创新。通过开源深度学习平台，不仅可以吸引大量开发者，还可以为机器学习提供大量的数据支持，以及大量的现实场景。在人工智能平台化的趋势下，未来人工智能将呈现若干主导平台加广泛应用场景的竞争格局。

3.3 应用层：抢夺语音交互入口，征战云服务（略）

3.4 基础层：美国巨头深入产业核心布局芯片

人工智能芯片主要包括GPU、FPGA、ASIC以及类脑芯片。在人工智能时代，它们各自发挥优势，呈现出百花齐放的状态。

3.4.1榜单企业的野望

全球十大AI芯片厂商中，美国6家上榜。这些榜单企业包括Google、英伟达、Intel、IBM、微软，均自行研发了AI芯片。

Google的TPU全名是TensorFlow Processing Unit，专为其深度学习算法Tensor Flow设计。该芯片也用在AlphaGo系统中、StreetView和机器学习系统RankBrain中。今年Google开发者大会上发布的第二代Cloud TPU理论算力达到了180T Flops，能够对机器学习模型的训练和运行带来显著的加速效果。

英伟达是GPU行业领袖，应用领域涵盖视频游戏、电影制作、产品设计、医疗诊断等各个门类。GPU即图形处理器，由于其强大的并行计算能力，GPU是目前深度学习领域主流核心芯片。

英特尔通过大举收购进入FPGA市场。2015年12月29日，英特尔斥资167亿美元收购FPGA厂商Altera。英特尔Atom处理器与FPGA进行整合，这样的芯片将可以用于汽车电子系统等领域，客户可以通过可编程逻辑器件去开发新功能。

微软重点研发FPGA人工智能芯片。FPGA具有性能高、能耗低以及可硬件编程的特点。目前微软的FPGA芯片已经被用于Bing搜索上。FGPA同样能支持微软的云服务Azure，基于神经网络，执行速度可以比传统芯片快得多。

类脑芯片是一种基于神经形态工程，借鉴人脑信息处理方式，具有学习能力的超低功耗芯片。IBM从2008年开始模拟人类大脑的芯片项目，2011年和2014年分别发布了“TrueNorth”第一代和第二代类脑芯片。第二代芯片的神经元增加到100万个，可编程数量增加976倍，每秒可执行460亿次突破计算，是IBM“认知计算”战略重要的基石。

苹果正在研发一款名为“苹果神经引擎”（Apple Neural Engine）的专用芯片。该芯片定位于本地设备AI任务处理，把面部识别、语音识别等AI相关任务集中到AI模块上，提升AI算法效率，未来可能嵌入苹果的终端设备中。

3.4.2中美差距所在

在过去十多年里，Intel、IBM、摩托罗拉、飞利浦、东芝、三星等60多家公司曾试图进军AI芯片，但纷纷遭致惨败。这其中的主要原因在于进入门槛高，包括以下几点：

首先是专利技术壁垒。FPGA领域用近9000项专利构筑了长长的知识产权壁垒，将进攻者拒于行业之外。即便是强如Intel也望而兴叹，不得以耗资167亿美元收买了Altera得了一张FPGA领域的门票。

其次是市场相对偏小。2016年全球FPGA市场总额仅为50亿美元，且有九成落入赛灵思和Altera两家公司。其他GPU、ASIC均类似。这么小的市场规模很难养活太多的大公司，必然导致竞争异常激烈。

最后是投资周期长。专利壁垒或许可以跨越，市场狭小，或许可以忍受。比如FPGA产品，从投入研发到产品真正规模化生产差不多要七年。这期间几乎没有任何商业回报。正常的风投是等不了这么长时间的。

AI芯片作为产业核心，也是技术要求和附加值最高的环节，产业价值和战略地位远远大于应用层创新，因此我们需要高度重视。

中美还有相当差距。芯片产业链上中下游依次是IC设计、晶圆代工和专业封测，技术难度和附加值也依此顺序由高到低。美国企业因掌握核心技术优势主要处于产业链上游，中国企业目前在晶圆代工和封测阶段等技术要求不高的环节有一定空间。

从不完全统计来看，美国有33家芯片厂商，中国有12家。美国既有谷歌、英特尔、IBM这样的科技巨头，也有高通、英伟达、AMD、赛灵思这样在各自领域中有绝对优势的大公司，以及一些发展良好的中等规模公司和活跃的初创企业。但中国则主要以中小公司为主，没有巨头！

从芯片类别来看，美国厂商遍布人工智能芯片的四大流派，IC设计环节的产业结构非常均衡，并且，在GPU和FPGA两个领域，美国企业是完全垄断的，中国企业只在FPGA编译、ASIC和类脑芯片方面略有作为。

AI芯片领域的创新不是件一蹴而就的事情。它涉及到人工智能算法、编程语言、计算机体系结构、集成电路技术、半导体工艺的方方面面。在巨大的国际竞争压力下，单靠企业研发投入，远远不够。

第四章

中美AI领域人才队伍

当前，人工智能领域的竞争，主要体现为人才之争。

只有投入更多的科研人员，不断加强基础研究，才会获得更多的智能技术。中国企业的人工智能转型，不光需要依靠研发费用和研发人员规模上的持续投入，还应该加大基础学科的人才培养，尤其是算法和算力领域。一些企业可以通过学习美国先进的产品和技术来获得市场份额的突破。例如：研发成本优势、行业风险把握优势等。这些优势更容易在中国市场上体现出来。

4.1 美国产业人才总量是中国的两倍

美国1078家人工智能企业约有78700名员工，中国592家公司中约有39200位员工，只有美国的50%。

中国的人才储量低于美国，目前也没有大量专业人员可以跟进，这种情况可能会对中国未来AI产业的发展产生牵制作用。

4.2美国基础层人才数量是中国的13.8倍

美国团队人数在处理器/芯片、机器学习应用、自然语言处理、智能无人机4大热点领域全面压制中国。

自然语言处理，美国员工人数是中国的3倍，美国20200人，中国6600人；

处理器/芯片，美国员工人数是中国的13.8倍，美国17900人，中国1300人；

机器学习应用，美国员工人数是中国的1.8倍，美国17600人，中国9800人；

智能无人机，美国员工人数是中国的1.98倍，美国9220人，中国4660人；

计算机视觉与图像，美国员工人数是中国的2.87倍，美国4335人，中国1510人。

中国仅在智能机器人领域人才稍多，6400人，约为美国同领域人数的3倍。

基础层上，美国团队人数17900人占据美国总人数的22%，中国在该领域人数1300，仅为全国的3.3%；美国人数是中国的13.98倍，比率是中国的6.7倍；技术层上，美国29400人，占据全美37.3%，中国12000人，占据全国33%，美国人数是中国的2.26倍，但比率相差不大；应用层，美国31400，占比全美39.89%，中国24300，占比61.8%，美人数是中国的1.29倍，但占比小中国21.91%，应用层中国基本上可以和美国持平。

中国AI产业的主要从业人员集中在应用层，而美国主要集中在基础层和技术层。中国的基础层人才太薄弱，应加大人才培养力度。

4.3 中国团队的人才挑战

美国主要以1-10人和10-50小组和团队为主。总量759个，占据全美的70.41%，是美国AI初创公司的主力军；中国主要是10-50人的团队，总量384，占据全国的64.86%。可以说，美国的小型创业团队规模比中国小。在需要同等技术的情况下，美国团队的平均能力和可创造价值高于中国团队。

美国拥有5000人以上的大型团队一共5家，而中国还是一片空白。美国市场格局分明，已经产生不少领军企业，而且创业热潮高涨，生机勃勃，技术水平较高。据Linkedin数据，美国AI人才占全球半壁江山。七成美国AI人才从业10年以上，相比之下，中国仅不到四成。而中国小组团队少，入门门槛高，未来仍将面临挑战。

其次，中美人才培养模式尚存在差距。很多高校在很长时间内并没有人工智能专业，而在人工智能的诞生地美国，基本上大的院校都有人工智能专业和研究方向。以美国卡梅隆大学为例，设有专门的机器人研究所，其中光教授就有100多位，纵向而言，中国布局的时间也比较晚。教育系统之间的差别也将影响人工智能领域的研究重心。

4.4 中国团队的后发优势（略）

第五章

人工智能应用热点

随着人工智能术不断突破，尤其是以语音识别、自然语言处理、图像识别及人脸识别为代表的感知智能技术取得显著进步，围绕语音、图像、机器人、自动驾驶等人工智能技术的创新创业大量涌现，人工智能迅速进入发展热潮。相关技术开始从实验室走向应用市场，特别是在交通、医疗、工业、农业、金融、商业等领域应用加快，带动了一批新技术、新业态、新模式和新产品的突破式发展，给传统行业带来深刻的产业变革，进而有望重塑全球产业格局。但对于人工智能的应用来说，技术平台、产业应用环境、市场、用户等因素都对人工智能的产业化应用市场有很大的影响。

5.1中美人工智能产业应用的优劣势

这一轮的人工智能技术的应用中，自动驾驶、智能医疗、智能安防、服务型机器人、智能交通、智能制造、智能娱乐等应用成为了全球人工智能市场的热点。

5.1.1三大支撑平台

第一，基础层的开源算法平台。

美国成为此次引领全球人工智能算法研究的领头羊，谷歌、Facebook、微软都已推出了深度学习算法的开源平台，而国内目前仅有百度推出开放平台paddle paddle。

第二，技术层的云平台。

除了算法以外，大数据、云计算都是实现人工智能技术应用的关键性设施。从目前中美云服务平台发展的情况来看，作为云计算的“先行者”，北美地区仍占据市场主导地位。虽然中国云服务起步晚于美国，但阿里、腾讯、华为等中国互联网及IT企业都推出了领先的云服务平台，Docker 技术在我国云计算领域逐步从实验阶段走向应用阶段，在云服务的基础技术上中美差距已不大，但在IT服务环境、用户认知等方面与美国仍存在差距，但这个差距是很快就能缩小并赶超的。

第三，应用层的应用平台。

在人工智能应用平台领域，中、美两国的互联网企业均推出基于人工智能技术的垂直应用平台。在语音平台上，美国有谷歌的Google assistant、亚马逊的Alexa、IBM的Watson、微软的Cortana、Facebook的Deeptext等领先企业的语音平台，国内百度的百度大脑、科大讯飞语音开放平台等，虽然在开放平台的数量上中国不及美国，但从整体布局来看，基本与美国并驾齐驱。

5.1.2产业应用环境

得益于近年中国移动互联网的快速发展，为中国积累了巨大的C端用户基数，但在B端的制造、交通、金融、医疗等传统行业仍然发展相对落后，“互联网+行动计划”、“智能制造2025”等政策的出台都旨在推动传统行业与互联网的融合以及转型升级，因此，在传统行业借助人工智能实现转型升级的需求更为迫切，市场增长的后劲很足。

由于人工智能作为新兴产业，科技含量水平较高，集聚效应已在国内初步显现，目前国内初步形成三大人工智能聚集区，主要集中在北京、上海、广东等科技、教育与经济发达的一线城市，三地人工智能企业总数占全国人工智能企业总数的85%，目前已经形成以北京为核心的京津冀聚集区、以上海为核心的长三角聚集区和以广东为核心的珠三角聚集区三大人工智能企业聚集区。

相比之下，美国传统行业基础设施水平高于中国，大量人工智能创业企业多集中在硅谷和纽约等传统高科技企业及高校聚集地区，技术、应用平台、行业市场更为成熟，因此，人工智能产品渗透率更高，但从用户市场发展趋势，未来市场增速将落后于中国。

5.2中美人工智能应用热点（略）

结语

放眼技术社会变迁，IT时代WinTel联盟一统江山；互联网时代，谷歌、亚马逊异军突起雄霸天下；移动时代，又有苹果、谷歌引领世界潮流。

现在，人工智能正在缓缓揭开时代变迁的新篇章。

人工智能拥有令人难以置信的力量，可以全面提升一个国家的实力。中美两国充分认识到人工智能的重要意义，从战略层面加强了顶层设计。

国家实力的提升来源于科技企业创新。美国以绝对实力处于领先地位，一批中国初创企业也在蓄势待发。AI时代未来必然也会产生类似英特尔、微软、谷歌、苹果这样的全球级企业。我们相信中国企业有机会成为人工智能时代的弄潮儿，在AI领域占有一席之地。

AI群雄逐鹿，天下未定，机遇和挑战同在。

多些实干，少些浮躁。

让我们保持冷静的头脑，见证这个伟大的时代吧。

以下是报告原文

内容导读

中美两国人工智能产业发展报告，从顶层设计、产业布局、巨头卡位战、人才队伍、热点应用五个纬度解读中美人工智能产业发展规划和前景，分析人工智能的真实价值。

本报告来源于腾讯研究院机构。

关键词：人工智能真实价值

来源：腾讯研究院 AI世代（微信号：tencentai）

重磅报告：120图勾勒全球AI产业完整图谱

来源：中金公司研究

7月20日国务院正式印发了《新一代人工智能发展规划》，从战略态势、总体要求、资源配置、立法、组织等各个层面阐述了我国人工智能的发展规划。这也是我国第一个国家层面的对人工智能发展所做的中长期规划，这对于所有人工智能公司来说是一大福音。

中金公司（CICC）发布的一份长达71页的人工智能的证券研究报告，报告对全球特别是中国企业当下的人工智能态势作了全面的介绍，涉及安防、互联网、消费电子、汽车、医疗、通信、芯片7大行业。

主要观点

人工智能不再是概念：我们的调研发现，基于人工智能的视频分析技术正在不断拓宽安防技术的应用范围，实现实时车辆轨迹追踪等以前只有在警匪片里才有的新功能。通过基于用户画像的精准广告投放，互联网公司在过去三年提高了广告单次点击成本（CPC）170%。IBM Watson 从2015 年开始为病人提供肺癌等四种癌症的个性化治疗方案。汽车主机大厂的路线图显示 2021 年前后能够实现真正的无人驾驶服务。这些新技术的商用无疑会对公共安全、医疗、广告、汽车制造业造成颠覆性的变化。

数据比算法重要：我们认为人工智能的商业化，仅仅依靠技术是很难继续走下去的。数据的规模和采集能力决定了人工智能在这个行业的发展速度。在这方面，感谢线上消费的发展和十几年平安城市建设，互联网和安防行业的智能化走在了其他行业前面。看好海康威视、大华股份、科大讯飞、东方网力、千方科技、阿里巴巴、腾讯、新浪在安防和互联网行业的 AI 变现机会。医疗大数据是下一个热点，看好东软、思创医惠和东华软件在医疗大数据领域的长期成长机会。

人工智能=“人工+智能”：只有投入更多的研发人员和数据，才会获得更多的智能。仅靠一两名人工专家很难解决复杂的人工智能问题。中国企业的人工智能转型，需要依靠的是在研发费用和研发人员规模上的持续投入。在这方面，华为排名全球前十，阿里巴巴、中兴、百度、腾讯、海康等公司也在世界前列。

看好数据中心/传感器/半导体行业面临结构性成长机会：智能化有两个直接结果。第一是企业服务加速向云计算的迁移。我们预计全球公有云市场今后几年保持 25%的年复合增长，到 2020 年达到约 950 亿美元的规模。为了支撑云服务发展，八大全球主要科技公司在数据中心资本开支到 2020 年将达约 900 亿美元，约占全球电信业资本开支的 25%。第二是收集数据需求的增加，手机及汽车上搭载传感器数量大幅上升。我们预计车载传感器市场从 2016 年的 82 亿美金扩大到2025 亿的 290 亿美金（15% CAGR）。数据中心及手机、汽车内计算能力的上升，推动人工智能相关芯片需求从 2016 年 37 亿美金扩大到 2025 年的566 亿美金。

风险：人工智能创新进度低于预期。

【划重点】我们挑出了一张极具代表性的内容：人工智能的两个维度，以及围绕这两个维度展开的竞争，即软件开发框架和计算芯片。对当下最热门的议题——TPU进行详细解读。

报告认为人工智能服务提供商之间的竞争主要包括两个维度：

► 软件开发框架：主要的框架包括谷歌的 TensorFlow，Facebook，IBM，谷歌 DeepMind 支持的Torch，Microsoft 的 CNTK，Amazon 的 MXNet。NVidia 也提供自己的软件开发框架 CUDA。这些公司之间的竞争类似于智能手机操作系统上 iOS/Andorid 之间的竞争。

► 计算芯片：目前的竞争对手包括 NVidia/AMD 的 CPU，谷歌的 TPU，Xilinux 的 FPGA 之间在计算成本和速度上的竞争。这些公司之间的竞争类似与高通和联发科在手机芯片上的竞争。在 TPU 的例子上我们看到，谷歌利用其在软件开发框架上的优势，减小切换计算芯片（GPU to TPU）时的软件修改成本，形成一个 Tensor Flow+TPU 的封闭生态环境。

更多内容，参见下文。

摘要：10年之后我们还能做什么？

根据耶鲁大学和牛津大学的研究人员对 352 位人工智能专家进行了采访，人工智能到2060 年前后有 50%的概率完全超过人类。这份研究预测在 10 年内，人工智能将会在以下领域超过人类：翻译领域（2024），高中水平的写作（2026），驾驶卡车（2027）。

在这份报告里，我们着重分析四种人工智能技术（语音，图像，自然语言处理，机器人）对五个行业（安防，互联网电商/广告，消费电子，汽车，医疗）的影响（图表 2）。

从技术角度来看：

语音技术成熟但应用场景有限。语音识别是目前发展最成熟的人工智能技术。Nuance，科大讯飞，Google，百度等主流厂商的近场语音识别率都达到 99%以上。但目前应用场景局限在电子病例，智能客服，在线教育，车载导航等少数几个领域。随着未来语音识别种类的进一步丰富，识别环境通用性的增强，以及远厂语音技术的突破，一定会帮助拓展其应用范围到智能家居等更多场景中。

图像识别落地机会最多。图像识别技术不但有着非常高的识别准确率，而且能够很快给出智能的反馈，因此图像识别技术最容易快速落地到各行各业中。安防行业中的车辆数据提取，医疗行业的影像诊断，电商行业中的精准营销，以及辅助驾驶都为图像识别技术提供许多落地变现的机会。

自然语言处理在互联网行业中应用最为成熟。我们注意到基于人工智能的精准营销正帮助互联网广告公司不断提升流量价值，而且一些智能的销售客服机器人正在逐步替代人工成为线上销售，售后维护的主力军。

智能机器人技术有待成熟。我们注意到一些公司开始在仓储机器人、手术机器人等细分行业进行探索。但技术还有待成熟。

从行业角度来看：

安防是人工智能在中国最容易变现的行业：十几年的平安城市建设，使中国的城市管理者已经积累了强大的视频数据采集能力。交通拥堵及反恐等应用场景又急需最先进的人工智能技术。

互联网广告和电商蕴含大量的数据，为人工智能在互联网广告和电商领域的应用提供了广阔的资源和空间。例如，互联网公司通过基于用户画像的精准广告投放，在过去三年提高了广告单次点击成本（CPC）170%。

AI 促进消费电子升级换代：3D 光学感测等 AI 功能会帮助现有智能手机提高售价，同时促进智能音箱等新品类的发展。

汽车行业 2021 年前后实现无人驾驶：随着 Tesla AutoPilot 2 系统的发布，GM 宣布自己的自动驾驶系统 Super Cruise。我们注意到汽车智能发展呈现加速趋势。我们预计汽车主机大厂在 2021 年前后能够实现商业化的无人驾驶服务。

医疗行业空间巨大，但技术还有待成熟。电子病历的建立，不仅仅用到了语音识别技术，也整合了医疗大数据；影像诊断则用到了图像识别技术，现在在国内外都已经形成成熟的商业模式。辅助治疗和手术机器人由于技术的尚不完善，还在小范围推广。由于语音识别技术和机器视觉技术的成熟，大量应用这两个技术的行业将迎来 AI 变现的更多机会。

直接受益行业：

数据中心：人工智能的普及会推动云计算服务及资本开支的快速增长。我们预计到 2020年，八大主要科技公司在数据中心相关的资本开支总计将达约 900 亿美元，约占全球电信业资本开支的 25%。

半导体：我们认为 2020 年人工智能相关半导体的市场空间将达到 117 亿美元，其中云端服务器市场规模 76 亿美元，智能手机移动端 41 亿美元。除了上游的芯片设计厂商将受益之外，中下游晶圆代工及封装测试厂也将同步获益。

传感器：第二是收集数据需求的增加，手机及汽车上搭载传感器数量大幅上升。我们预计传感器市场从 2016 年的 82 亿美金扩大到 2025 亿的 290 亿美金（15% CAGR）。

主要图表：视频、智能驾驶、软件框架、芯片、光学、音箱、云7大产业链

全球主要AI科技公司市值、研发开支与研发费用率一览

AI+安防：智能化推动安防行业的第三次升级

中国视频监控行业在过去十几年经历了两次重要的升级换代：

（1）高清化：在这次升级的主要变化是摄像机的清晰度从标清（30 万像素）升级到 100 万像素或以上。图像传输方法从原本通过同轴电缆传输的模拟信号过渡到通过局域 IP 网或同轴电缆传输的数字信号。后端设备也从 DVR（Digital Video Recorder) 过渡到 NVR（Network Video Recorder）。NVR 的物理位臵还是在本地（例如，小区内）。

（2）网络化：在这次升级中的主要变化是，视频被直接传回数据中心内的集中存储

(IP-SAN)。主要的优势是方便集中管理以及可监控的区域大大增加。

随着 2016 年以来人工智能技术在视频分析领域的突破，我们认为视频监控行业正处在第三次重要的升级周期的开始阶段。

（3）智能化：我们认为这次升级主要包括：(a) 前端摄像机的智能化升级以支持结构化数据提取，(b) 后端设备强化计算分析功能，以支持复杂的视频分析，(c) 对应特定行业应用的人工智能分析软件快速增长。

安防摄像机的智能化升级

传统的网络摄像机直接把高清视频回传给数据中心里的 NVR，由于回传视频数据量巨大，很难对所有图像进行实时分析。大部分时候是对保存的图像进行事后分析。通过在网络摄像头上添加人工智能芯片（例如，NVidia 的 Jetson TX2、Movidius 的 Myriad 2 Vision 等芯片），前端摄像头可以实时对视频数据进行结构化处理。例如，设臵在交通路口的摄像头可以提取车牌，车型等汽车信息，和乘客数量，是否带安全带等乘客信息回传给数据中心。方便进行实时分析，优化系统反应能力。

根据 IHS 统计，全球安防摄像头市场 2016 年约 95 亿美元，预计到 2020 年将达到 128.4 亿美元，CAGR 为 8.1%。其中，网络摄像机占比将从 2016 年的 82%上升到 2020 年的 90%。同时，我们预计相当一部分网络摄像机将迎来智能化升级。目前，中国占据全球44%的需求，海康威视已成为安防摄像头的全球龙头。

后端设备强化计算分析功能

后端设备强化计算分析功能，以支持复杂的视频分析：传统的 NVR(Network video recorder)的主要功能是压缩存储视频信息。通过添加 GPU 等人工智能加速芯片和应用处理软件，智能 NVR 能够实现图像识别，特征提取，人体识别、人员检索等功能。一些公司率先在里面加入人工智能处理能力，如海康的“超脑”系列。

根据 IHS 的数据，后端录像存储设备的市场规模 2016 年约 38 亿美元，到 2020 年将达 42.7 亿美元，CAGR 为 2.4%。中国依旧占据了全球 42%的市场需求，海康威视成为全球龙头。从产品占比趋势观察，基于服务器的集中式存储的占比将逐渐降低。这表明未来的存储将更加分散化，NVR 等设备的增长更快。

视频管理分析系统(VMS)新增人工智能功能

视频管理分析系统（VMS）的主要功能是汇集分析视频信息，以及控制前端安防设备。由于技术上的限制，在人工智能拘束出现以前，实时视频分析的应用范围一致相对较小。

传统上，中国市场客户倾向于购买包含前端摄像机、后端存储设备和 VMS 的一体解决方案，所以海康威视、大华股份、宇视科技等拥有软硬件一体化解决方案的厂商一直保持较高市场份额。随着对基于人工智能的视频分析产品的产品要求不断提高，商汤科技、 Face++等在人工智能算法上有特色的公司也积极切入 VMS 市场。

海康威视：针对公安行业、交通行业、金融行业、司法行业、能源行业、智能楼宇行业、文教卫生等七大行业分别开发了各自的解决方案。根据 IHS 的统计，海康的 iVMS 系列产品中国市场占有率 23%。

东方网力：广泛应用于各行业、公安、平安城市等领域。为弥补算法方面的短板，东方网力和商汤科技合作，提升人脸识别的性能。

商汤科技：优势在于计算机视觉算法和技术，以及相关的行业应用。2014 年公司在 LFW 的准确率达 99.15%，首次超越人眼；并在 ImageNet 2014 大规模物体识别竞赛中获得全球第二，仅次于 Google，2015 年取得两项世界第一。核心技术包括：人脸技术、智能监控、图像识别、文字识别、图像及视频编辑、深度学习框架。公司技术应用于：智慧金融、智慧商业、智慧安防等领域。

Face++：专注于人脸检测，包括人脸检测、对比、搜索、关键点定位、人脸属性。并提供人工智能开发平台。

平安城市新阶段带动智能安防快速发展

根据 IHS 统计，2016 年全球安防设备市场规模达到 158.6 亿美金，同比增长 6.6%。其中中国市场最大，市场规模 67.25 亿美金，同比增长 11.6%，占全球 42%。美洲市场第二，市场规模 39.6 亿美金，同比增长 4.1%，占全球 25%。

从中国市场来看，我们认为市场主要包括三个细分市场

（1） 政府市场（30~35%）：主要包括各地公安，交通，司法部门。销售渠道以系统集成商为主。需求受政府固定资产投资拉动，对价格不敏感，是视频分析服务的重度用户。

（2） 大企业市场（35~40%）：主要包括银行，电信，石油，文教卫等大型国有企业和事业单位等。销售渠道以解决方案为主，需求受经营规模扩大的影响。

（3） 中小企业及个人市场（25~35%）：主要包括中小企业，也包括个人消费需求（尽管需求很小）。销售渠道以标准产品的分销为主。

根据我们调研，目前人工智能相关产品主要目标市场是政府市场。其驱动力来自于各地政府强化各类平安城市相关工程。经过十几年的平安城市建设，中国的主要城市已经积累了强大的视频数据采集能力。如何利用采集到的数据解决交通拥堵及治安问题一直是各地政府有待解决的问题。基于人工智能的新一代视频分析技术为城市管理开辟了一条新的路径。并将驱动当前 67 亿美元的中国安防设备市场继续以年增速 15%以上增长。其中，交通管理和公共安全等政府相关项目（约占整体市场规模 30%）是最主要的应用领域。以下是在交管和公安现场的实例。

交通违法抓拍

通过对前端摄像头和后端系统进行智能化升级，利用前端摄像头对抓取的图像快速处理，将明显的违法行为进行智能识别，并在后端进行收集和二次处理。可对多种交通违法行为进行取证，包括机动车闯红灯、违法停车、压线、变道、逆行、超速、人行横道不避让行人、违反规定使用专用车道、行人闯红灯等各种交通违法行为。

犯罪分子抓捕

以海康威视的系统破获的某个抢劫案为例。为了从大量的视频图像中找到嫌疑人，需要对来自 500 多个监控点的长达 250 个小时的视频进行分析，如果采用人力查阅，需要至少 30 天时间，但如果采用基于深度学习的视频分析技术，仅需要不到 5 秒。

另一个案例是，2012 年的“1.6 苏湘渝系列持枪抢劫杀人案”，当时对 1 万多个监控点产生的 2000 多 T 数据进行人工查阅，投入了 1500 多名干警耗时一个多月。根据海康威视估算，如果采用人工智能分析仅需要几分钟。

根据 IHS 数据，全球视频监控设备市场到 2020 年将达 202 亿美元，是 2016 年的 1.3 倍。我们估计，在 AI 的驱动下，硬件设备市场的增长将维持较长的时间。

不论全球市场还是中国市场，海康威视、大华股份、宇视科技等中国公司已经占据较为领先的地位，其中海康威视在全球和中国市场均排名第一。

我们认为，一方面受益于中国视频监控行业规模在全球占比较高，另一方面，中国龙头公司的技术和产品的竞争力有了极大的提升。我们预计，这种趋势仍会保持，中国龙头公司的全球市占率将继续提升。

AI+互联网：AI 加速电商广告市场发展

电子商务：AI 简化用户的消费行为

2015 年以来，由于互联网流量红利逐渐见顶，行业发展重点走向以提升转化效率以及付费习惯培养的精细模式。在电子商务领域，由于大数据的累积以及底层算法的快速发展，人工智能开始进入该领域，通过对消费者购买决策过程的深度学习和解析精准定位用户。主要的应用是为了更精准的推荐商品以及对用户的购买行为作出更好的解释。

大数据是人工智能的重要基础，复杂场景催生技术革新

经过爆发式的行业增长，电子商务行业已经完成了早期的数据累积，大数据的产生为人工智能技术打下基础。而购物场景不断延伸，端到端的互联网消费者行为呈现高度离散的状态，消费者可触达点的增加同样加大了电商平台对于消费行为把握的难度，因此亟待更高效的方式对用户购买行为作出更好的解释，以实现更精准的商品推荐。

人工智能的知识发现体系更适合解释当下更为复杂的线上购买决策

根据 MillardBrown2016 年的研究，传统营销通常认为消费者购买品牌是一个线性过程，但现实中情况却要更为复杂，特别是互联网账号体系的出现，线上消费者在其他如社交平台的分享同样会影响消费者的最终购买决策。此外，随着人均可支配收入的进一步提升，影响消费者购买决定的变量同样变得更为复杂。除了最基本的对于性价比的考量，粉丝效应、生活方式、特殊事件甚至对于环保的考量都有可能影响消费者最终的购买决定。

互联网环境下，品牌以及商品与消费者的接触点显得分散且数量远大于从前，人工智能的数据挖掘和知识发现功能为解析大量数据间隐藏的依赖关系提供了具有参考意义的一条解决路径。目前该技术在中国的具体应用表现为在售前，通过基于大数据分析的用户画像个性化推荐，向消费者主动展示其购买的产品内容。

目前个性化推荐主要是以分析消费者一定时间内的浏览记录为主，技术上并不难实现，主要门槛在于商业数据累积以及推荐逻辑优化。在当下全球电子商务领域，Amazon 的智能推荐系统被公认为推荐算法最好的系统，其服务主要体现为个性化首页、多页面关联商品推荐和多品类关联促销。在中国，个性化推荐的形式和 Amazon 并无太大区别，以发展程度最高的淘宝千人千面模块为例，2016 年双 11 个性化的智能卖家推荐的测试中，点击率和访客成交转化率分别上升了 25%和 40%，前次展示支付金额提升了 56%。目前淘宝平台上的钻展以及直通车均已采用千人千面的数据分析，其解决的主要问题在于如何优化平台海量流量分流从而优化流量货币化效率。

电商领域人工智能技术的商业化已经开始萌芽，阿里巴巴自 2015 年开始加速个性化电商推广工具的研发，并已将一部分人工智能算法融入底层结构，例如：

► 基于全网电商数据、跨渠道数据以及第三方数据的客户运营产品 – 聚星台，可实现店铺“千人千面”的个性化互动营销以及全域会员运营。

► 通过标记的方式圈定潜在客群，建立个性化的用户细分和精准营销的数据管理合作平台 – 达摩盘。

► 以及开放付费 API 的人工智能系统 – 阿里云 ET 等。

感知智能引领信息检索以及沟通效率提升，即看即买

尽管互联网技术解决了传统零售获客能力有限的问题，在购物体验以及沟通交流方面仍然与线下存在差别，尤其是非标品的售卖，例如服饰退换货率可以高达30~40%。如何更高效的发掘和理解用户需求进行沟通一直是电商企业努力的方向之一。更为直观方便的图片、语音识别技术因此被应用到了电商服务上。

消费者的购买需求通常具有即时性的特征，这一点可从 2016 年底开始奢侈品牌纷纷推出“即看即买”的营销策略中窥见一二。通常电商消费者在搜索商品时平均需要 6 个以上的点击来达成交易，并伴随大量的输入以及重复搜索尝试。2013 年底在移动电商渗透之前 Statista 曾有研究表明，消费平均购物放弃率为 67.9%。而今天这一比例已大幅下降，除了更加便捷的购物车服务以及支付环节以外，搜索环节的匹配效率提升同样起到了提升转化率的作用。

图片识别加强电商平台数据流动效率。图片搜索通过色彩图形以及空间的比对，即使消费者并不知道品牌或商品名仍然可以快速帮助用户找到其感兴趣的商品，真正实现了“即看即买”。对于平台卖家来说，自商品上线的那一刻图片识别技术就开始贯穿始终，包括自动检测商家上传图片是否存在侵权、投放推广时的自动匹配以及关键字搜索式的自动图片推荐；从而提升了电商平台的数据流动效率以及运营效率。

语音识别技术向智能客服的独立产品进一步迭代。

基于语音识别的搜索也被首先应用到了电商服务中，例如淘宝应用内的语音搜索，早在 2013 年就已经可以支持中英文品牌名混杂的复杂搜索情况。京东则将智能客服小咚嵌入其 App 通过语音识别以及语义分析帮助用户查找用户可能感兴趣的商品。随着大数据的不断发展，目前语音识别技术正在逐渐向更为复杂的智能客服迭代演变。一方面人力成本逐年攀升，对运营效率提升提出挑战；另一方面售前售后的大部分问题重复率高，存在大量可使用人工智能介入的场景；因此刺激了行业对基于语音识别的人工智能进行投入。Chatbot（聊天机器人）的出现使得语音识别进一步从底层应用的技术研究和电商附加服务逐渐走向独立产品，例如亚马逊的开放 Alexa 语音服务，开发者可以利用 Alexa Skills Set 或选择接入语音服务，将自有内容资源上传，在用户出发 Alexa 中定义的“意图”时，开发者可在自有服务器上实现“回答”。Facebook 同样于去年 4 月开发了 Chatbot 的平台，该服务可以通过即时通信软件用自然语言解答客户的问题甚至帮助客户提交订单，目前在 Facebook 邀请的传统零售品牌中，Tommy Hilfiger 的人工智能甚至可以在交流中融入真实的角色性格。尽管目前仍没有数据能直接证明传统零售通过此类服务显著提供销售量，但我们认为人机对话水平的提升仍将在长期范围内促进电子商务的进一步渗透。国内同样存在类似应用产品，例如阿里云 ET 以及科大讯飞的语音识别均已开始向企业用户开放开发端口。

尽管人工智能技术仍处于发展早期，但在改善电子商务售前、售中和售后运营效率的过程中均已开始产生不同程度的增益效果。随着算法进一步优化，预计其对于简单重复人力的替代过程将带来更多营业效率提升。另外，除了底层算法的优化，我们看到智能客服和物流机器人领域已经有成型的独立产品萌芽，预计主题投资的风潮将在未来的一段时间加速这些领域内商业化进程，预计我们将在这些细分领域内最早看到商业化产品的成型。

广告：AI 商业化应用最成熟的领域之一

自 2012 年以来，中国互联网广告市场经历了年复合增长率 39%的高速增长期。主要的驱动力来自于传统媒体的式微带来的预算转移、移动设备的大爆发带来的新广告平台以及更高 ROI 的新广告形式。根据 eMarketer 数据，2016 年互联网广告市场规模已经达到 404 亿美金，其中移动广告占比已经达到 35%。其中基于大数据的 AI 技术已经起到不小的推动作用。

人工智能（AI）在广告营销领域的应用是现阶段 AI 商业化应用最成熟的领域之一，从AI 技术的应用阶段来看，已经初步进入感官智能的范畴，且在计算智能领域的技术和使用场景已经有充分的发展。精准营销和智能投放就是其中最重要的应用形式，主要的思路是利用高互联网/移动互联网渗透率下积累的大数据（根据《2016 年腾讯智慧营销白皮书》，当年互联网每日产生数据量已达 18 万亿 GB），通过数据挖掘和机器学习等手段，建立营销对象、产品以及媒介的个性与传播模型，再通过 AI 技术进行高效的智能投放。

精准营销：提升直接反映在单位流量价

在传统的受众到达模式中，即使基于前期的市场研究，在广告投放的渠道和形式上进行了充分的选择，但是对目标客户定位的颗粒度则受限于数据规模和智能技术无法进一步深入，而基于大数据的 AI 技术则很好地解决了这点。

以今日头条为例，作为最早在广告业务中采用 AI 技术的应用公司之一，AI 对其用户规模的扩展和变现能力产生了巨大的推动作用。预计 2017 年其广告销售收入可以达到 150亿元。今日头条基于机器学习技术实现了个性化内容推送，按用户阅读偏好进行追踪，AI 算法对历史数据进行分析，为用户生成个性化的阅读模式。然后推荐他们可能会感兴趣的内容，并在不断迭代中优化。通过这一流程，今日头条在 2016 年 9 月已实现每天76 分钟的每用户平均使用时长，在其同类应用中达到最高水平，同时也大大改善了广告效果。目前今日头条平均点击率接近 3~4%，而其他新闻类应用仅为 1%左右。

精准营销能力的提升直接反映在单位流量价值的提升对广告主定价能力的增强。以信息流广告为例，在过去 4 年中，主要信息流广告平台（包括腾讯广点通、新浪扶翼、今日头条、陌陌）的广告单次点击定价（CPC）由 2013 年 0.5~0.8 元上涨至 2016 年的 1.5~2 元。

智能投放

不仅仅是受众定位一侧，在广告投放一侧，AI 也在不断重构广告主的投放方式与投放策略。在传统的媒体采买模式中（即人工选取投放的媒体渠道和预算），往往是“一篮子” 的覆盖，即使能够进行一定程度上的细分，也无法完成实时定价和智能匹配。而随着广告主对营销效果和 ROI 的追求不断推动，程序化购买的出现利用 AI 自动化技术实现了破局。

程序化购买广告是一种基于 AI 自动化技术和大数据，将广告主的具体广告请求对具体的广告位（而不是单一媒体）进行智能投放的互联网广告交易模式。其中，大数据是程序化购买的基础，AI 自动化技术是实现高效的手段。程序化购买广告市场在过去两年获得井喷式发展，到 2016 年已达到 308.5 亿元，这其中还不包括头部流量平台的自有程序化交易体系（这部分收入已经包含在平台广告收入当中）。

AI 技术解决的核心痛点是由于信息不对称造成的用户定价低效，即使在精准定位的前提下，也无法高效率（低成本）地到达。而在 AI 的帮助下，广告主可以将散布在不同媒体的广告位，通过精确营销（如前文描述）的定位后，在高度数据化的广告交易平台中，由 AI 指挥自动化系统根据设定的绩效指标不断进行智能定向和实时竞拍，取代了人工进行渠道选择、媒体分析的过程，大大提高了自动化水平、横跨媒体平台的能力和成本效率。

AI+广告的未来发展方向

我们认为，广告（包括广义的营销）作为公司商业模式变现的第一环节，在移动互联网流量红利逐渐褪去，用户获取成本不断高企的背景下，对 AI 技术的需求只会越来越大，但背后的商业逻辑则始终不离精准（高质高量的用户）和高效（低成本）的核心。因此我们看好 AI 和广告结合的以下三个趋势：

► 社交广告空间巨大：社交网络能够提供最丰富的用户行为数据和用户画像，为 AI 的深度学习提供了最适合的数据基础。从广告形式来看，以信息流形式为代表。根据艾瑞咨询的数据，在 2016 年，信息流广告规模达到 267 亿元，且在未来 2~3 年将保持 50%以上的高速增长。社交广告整体渗透率在数字广告中仅 8~9%，远低于美国的 28%。

► “品效合一”深度实现：由于大数据正逐渐成为现实，横跨单一媒体平台和单一广告形式的用户画像能力不断提高，品牌广告和效果广告之间的界限正在逐渐模糊，而广告主的关注点始终在于可衡量营销效益。我们认为在这种背景下，能够利用 AI 技术和现有流量，提供智能整合全方位营销手段，灵活达到广告主的营销需求，将是未来广告运营商的竞争优势所在。

► 基于 AI 的新广告形式吸引预算：目前 AI 在广告领域的应用仍着重于对已有广告体系的增强，如提高转化率、通过增加用户粘性增加广告库存等。我们注意到随着感知智能甚至认知智能的发展，已经开始有企业在尝试引入新的广告形式以吸引客户，同时改善受众体验。

AI+消费电子：促进换机与升级，孕育新市场

人工智能加速升级，孕育新市场

在过去的二十年间，主导消费电子的终端应用从 PC 切换到智能手机，然而自 2007 年苹果发布 iPhone 已有十年，全球智能手机渗透率已近饱和，据 Gartner 预测，2017~2020 年 PC 出货将持续负增长，而智能手机的出货增速仅维持在 1~2%。我们认为人工智能对消费电子行业主要有以下左右。

新功能推动单机价值量上升。AI 算法的采用带来语音识别、人脸识别、VR/AR 等新功能在消费电子中的渗透，对于整机厂而言，新功能将带来单机价值量的提升，实现丰富产品线和差异化，以提升或者稳定产品价格；而对零部件厂商而言，更多传感器以及专业性能的处理器需求不断提升规格，带来市场空间的成倍增长。

AI 应用提升换机频率。同样以 iPhone 为例，美国是 iPhone 最大的用户市场，而用户换机的频率和 iPhone 重大更新密切相关，每次出现重大革新之时，用户换机倾向增加，换机周期缩短。因此，预计以 3D 光学感测等为代表的 AI 应用的加入，将促进用户对原有的设备进行更新。

AI 加速新应用诞生，空间不容小觑：借助 AI 算法工具，例如语音识别、机器视觉、3D 导航等，智能音箱、无人机、VR、共享单车、智能摄像头……我们熟悉的智能硬件都在性能和用户体验上拥有明显提升，而成本的增加微乎其微。以大疆 Spark 为例，其售价仅为 3,299 元，但拥有更先进的手势识别功能。未来，判断 AI 将应用于更多的消费电子领域。此类智能设备领域虽然当前尚未放量（年出货规模在 1,000 万台以下），市场规模在 100 亿美元以下，但总体规模依旧不容忽视，据 IDC 预测，2020 年仅 AR/VR 可望成长至千亿美元（vs. 2016 年的 52 亿美元）。

服务性收入带来商业模式新思路：对整机厂而言，出售硬件为主的商业模式有望迎来变革。以全球科技市值龙头苹果而言，苹果全球拥有超过 10 亿部的 iOS 装臵，提供包括 Apple Store, Apple Pay, Apple Music 及 iCloud 存储等服务型收入，并不断增加 AI 的含量。2016 年苹果发布了面向第三方应用扩展的 SiriKit，相册开始支持人脸识别，为用户提供更加切合实际需求的服务。最近的一个季度，苹果的服务性收入达到 70.4 亿美元，贡献营收 13%，同比增长 18%，已经成为最快的收入增长来源。

智能音箱带动声学产业链加速发展：2017 年 6 月 5 号苹果在 WWDC(The Apple Worldwide Developers Conference) 发布了自己的智能影响产品，赶上了 Amazon 和 Google 的脚步。我们预计中国的主要互联网和消费电子公司在今年晚一点时间也会发布音箱产品。

资料来源：Apple, Samsung, Google, 中金公司研究部

无论是何种智能音箱，本质上都是由接收端——语音识别与分析——发射端组成。智能手机也完全配备智能语音助手+麦克风+扬声器，但是和手机相比，Always-on 是智能音箱的一个重要特性，它简化用户使用行为。在封闭空间内，呼叫智能音箱远比拿手机方便，拿手机需要用户的大脑进行一系列操作指令，首先要回忆手机在哪里，然后要起身找到手机，拿起手机，解锁，之后开启语音助手，才能进行人机交互。智能音箱的麦克风一直处于开机状态，只需要喊一声即可唤醒使用。从用户大脑习惯“偷懒”的思维模式而言，智能音箱在封闭空间内的优势远大于智能手机。现实中，智能音箱目前被开发出的功能仍偏少，根据 Forrester 统计，截至 2016 年年底，设臵时间和唱歌成为最高频率应用。从 Google 和 Amazon 的产品进化中我们可以看到，更多使用场景正在被探索中。

3D 光学感测: 从生物辨识到 AR/VR。应用场景广泛

3D 光学感测看似仅是在传统二维的光学传感上增加了一个维度，但是其应用场景不可估量。我们将其简单归纳为两类：3D 探测和空间定位。其中 3D 探测可以用于生物辨识、机器视觉、和影像感测（主要应用于辅助驾驶、3D 交互等）；空间定位则主要应用于 3D 地图构建和 AR/VR 定位。

受益于智能手机等消费电子需求带动，根据 Yole 预测，在 2016~2022 年 3D 感测设备市场空间年复合增速将达 37.7%，其中 2017 年设备市场空间接近 20 亿美元，其中消费电子贡献约 25%。

算法难度从简单到复杂。在硬件上，3D 光学感测在发射与接收端已非常成熟；在算法难度上，生物辨识与机器视觉属于较为基础的应用，而辅助驾驶、3D 交互则需要叠加多种基础方案配合形成，到 AR 与 VR，则需要前几种技术的综合叠加和有机应用，且对处理器的运算能力要求极高。

生物识别：3D 光学感测可应用于虹膜、面部、光学指纹识别等多项生物识别领域，生物识别的算法复杂程度低，也是 3D 光学感测的入门级应用。

► 虹膜识别稳定性较指纹识别更高，3D 光学感测独有优势。与指纹识别的方案类似， 3D 光学感测还可以进行面部识别和虹膜识别，虹膜识别系统具有高安全性的优势，可找出约 2000 个不同的特征点，与指纹约 100 个特征点相比，精确性更高。但虹膜图像因为尺寸小，景深小，有效对焦不方便，因此图像获取是一个具有挑战性的问题，采用波长为 800 纳米上下的近红外光源采集，虹膜图像是最清晰的。

► 面部识别当前误差仍较大。当前，面部识别的精准度无法上升到令人满意的阶段，对相似度高的脸容易出现识别误差，且在佩戴眼镜的情况下则无法识别。

3D 机器视觉：提供更精确的信息，应用于汽车和精密制造。目前我们所应用的机器视觉大多数是 2D 视觉，2D 视觉一般只能做到读取编码、条形码等，无法读取空间位臵。三维机器视觉提供准确、实时的三维位臵信息，以便在汽车和精密制造产业中实现具有挑战性的组件验证、物流和机器人应用的自动化，包括装上货架/取下货架、卸垛、打包和组装验证等。产业尚处于萌芽期。整体而言，3D 机器视觉实现的门槛与生物识别相似，机器视觉龙头 Cognex 早已有代表性的产品推出。目前主要应用于对先进生产要求高的汽车工业等，但大规模渗透尚未打开。

辅助驾驶：激光雷达在 ADAS 领域应用前景甚广，应用障碍主要受制于成本。影像感测其实最先应用于汽车辅助驾驶（ADAS）领域，发射和接收装臵一般被称为激光雷达。3D 光学感测起到收集路况信息的主要作用，在自适式巡航控制、车道偏移警示、车侧盲点侦测、前方碰撞警示、夜视与停车辅助系统等多领域发挥感测功能。但受制于成本尚未普及。

相较于毫米波雷达，激光雷达的主要优劣势有：

► 优势：精度更高，速度更快，适合远距离传输；

► 劣势：在雨雪雾等极端天气下性能较差；采集的数据量过大，目前价格高昂。

3D 交互

► Leap Motion 的手势识别：2013 年，Leap Motion 采用两个可见光摄像头完成 3D 手势建模。手势的语法信息是通过手的构形、手的运动变化来传递。人手是一个多肢节系统，随着关节的运动手的形状在不断变化，这种变化可以通过指段和关节的状态空间位臵的变化来描述，建立手的几何模型和运动学模型。

► 大疆 Spark 将目标跟踪与机器视觉算法相结合：2017 年 5 月，大疆 Spark 发布，在无人机上引用红外感测的 3D 手势识别，原理是将计算机视觉算法中的手势识别和目标跟踪算法与普通的工业摄像机相结合，带动手势识别的应用领域扩展到消费级无人机。

► PrimeSense 被苹果收购，商业化应用指日可待。3D 光学感测领域的创业先驱 PrimeSense 诞生于 2005 年，其提供从红外光编码、3D 传感器芯片和 CMOS 传感器的一整套 3D 感测解决方案，并搭载于微软 Kinect 之中，用于动作捕捉。2013 年 PrimeSense 被苹果以 3.45 亿美元收购（苹果史上最大手笔收购之一），判断随着 3D 光学传感器被应用于 iPhone，PrimeSense 的 3D 感知功能商用化指日可待。

AR/VR：Tango 是最具代表性的移动端 3D 空间测绘项目。Tango 计划是谷歌自 2014 年开始开发的项目，此项目的宗旨又被形容为“让机器/设备像我们一样看世界”。以最常见的智能机为例，其后臵摄像头仅能拍照二维画面，手机无法真正识别空间的存在。而 Tango 可以让这些设备能够具有完整的空间意识，并且能够充分理解我们和环境的关系。 Tango 最大的贡献在于 3D 测绘，即对周围的环境和区域扫描并绘制立体地图。实现：

► 重塑 Google 地图，借助消费者的手机，通过室内导航和测绘搭建完整的 3D 地图。

► VR 应用，Google I/O 大会提出开发 VR 一体机，不借助类似 HTC Vive 外臵的激光定位设备，仅靠自身的地图就可以实现 3D 空间定位，足以见其布局 3D 地图用意深远。

► AR 技术，实现教育、虚拟购物、游戏娱乐等多种功能。

苹果的采用将带动 3D 光学感测在手机中的渗透

前臵 3D 光学感测，判断用于生物辨识：我们判断苹果在今年的纪念款 iPhone 中将采用前臵 3D 光学感测，期初主要用于生物辨识（如虹膜辨识、人脸辨识等），以替代现有电容指纹识别方案，达到取消 Home 键，提升屏占比和改善用户体验。

未来后臵 3D 感测，以实现 AR 功能：苹果 CEO Cook 多次提及看好 AR 技术，并在今年 2 月公开表明 AR 的重要性与智能手机并列（a big idea like the smartphone）。我们认为苹果使用多颗 3D 光学传感器是大势所趋，未来将在手机背面也放至 3D 光学传感设备，以最终实现 AR 相关应用。

AR 与 AI 算法和 GPU 密不可分。3D 光学感测摄像头提供了景深数据，若配合算法就可以实现增强现实功能，其中 AI 算法至关重要，这在硬件上对 GPU 提出了要求。以微软 Kinect 为例，其算法要用到 GPU 的平行加速能力，否则无法实现 real-time。2017 年 4 月，苹果表示将自行研发 GPU，未来 15~24 个月间减少依赖 GPU 长期合作伙伴英国 Imagination Technologies，并通知 Imagination 将不再需要后者帮助开发 iPhone 和 iPad 的图形技术，终止专利费支付。我们认为与其一直以来致力于自主发展 AI 软、硬件有关。

智能音箱主要由麦克风阵列，远场语音识别算法和扬声器组成。Amazon 最早开发实现基于麦克风阵列的远场语音识别，大幅度扩大了语音识别的应用场景。亚马逊设计了一个名为“ARS”的自动语音识别处理系统。ARS 由七个麦克风和一个音频信号过滤系统构成。七个麦克风组成的列阵能让 Echo 捕捉到环境中的细微声音，音频信号过滤系统过滤掉环境噪音，从而辨别出人声。使用 ARS 后，即使用户在 25 英尺（7.62 米）之外发出命令，Echo 也能够准确识别。除了 Amazon 以外，科大讯飞和联发科也开始提供类似整体解决方案。中国公司中，歌尔股份(002241.SZ)，瑞声科技 (2018.HK)等是全球重要麦克风阵列厂商，国光电器 (002045.SZ)，通力电子 (1249.HK)是主要音箱厂商。

3D 光学产业链主要集中在欧美，我国在滤光片、模组和设备全球领先： 3D 光学感测的产业链主要集中在欧美，领先厂商包括意法半导体、AMS（奥地利）、Lumentum 等，A/H 上市企业主要在光学镜片和模组、滤光片以及半导体设备上领先，我们推荐进入苹果供应链的 ASM Pacific，关注水晶光电（未覆盖）。另外，随着安卓阵营的跟随，模组厂商舜宇光学、欧菲光（未覆盖）和邱钛科技（未覆盖）有望受益。

结构光在硬件上增加了衍射元件。结构光和 TOF 在硬件上的差异不大，都由发射端和接收端构成，主要的区别在于结构光需要将光源变成特定的图谱，所以需要衍射光学元件（DOE）。硬件配臵分为发射端与接收端两大部分：发射端：主要厂商为国际光通信和传感器大厂，集中在欧美。

VSCEL 作为光源：3D 感测主要采用红外光作为光源，原因是比可见光波长更长。VSCEL 的光线相较于普通激光器而言具有低功耗、体积小的优势。VSCEL 原先主要应用于光通信和光互连领域，国外 Finisar (FNSR.US) 和 Avago 两巨头占据市场的 80%，被广泛采用于辅助聚焦、距离传感、识别等领域。目前国内仅光迅科技具备 10Gbps 以下 VCSEL 生产能力。

晶圆级镜头、滤光片和 DOE：

► 晶圆级光学镜头（WLO）主要功能是将点光源转化为线光源，WLO 用半导体工艺生产，提高了镜头的生产效率，一片 8 寸的白玻璃可以切割成数千颗准直镜头；缺点在于不能调焦。主要厂家为奥地利的 AMS（AMS.SIX）。AMS 2016 年 10 月收购掌握了大部分专利的准直镜头 WLO（Wafer-level Optics）制造商 Heptagon。

DOE：仅在结构光方案中使用。主要厂家包括奇景光电（HIMX.US）、精材(3374.TW)、采钰（2014 年从台积电剥离）等。

► 滤光片：过滤掉频率不符合的光源。水晶光电(002273.SZ) 与 Viavi (IIVI.US) 国际领先。

接收端：除舜宇光学和 ASM Pacific 占据领导地位外，欧菲光与球台有望受益于安卓阵营对 3D 光学感测的采用。

镜片：与可见光镜片不同，红外光镜片需要满足广角的特性，以尽可能保留深度信息。例如 Google Tango 的红外镜头，就是舜宇光学(2382.HK) 制造的；主要厂商还包括台湾的大立光(3008.TW) 和玉晶光(3406.TW)。

CIS 传感器：CIS 传感器由可见光和红外传感器组成，主要厂商为奥地利 AMS (AMS.SIX)，以及意法半导体(STM.N)。

CIS 传感器制造设备和主动对准工具：主要提供商为 ASM Pacific，占据全球主要市场份额。

模组：舜宇光学、欧菲光、邱钛科技等在模组上占据全球光学模组的重要地位。在联想 Phab2pro 中，舜宇光学提供了后臵三颗镜头的模组，包括一颗 TOF 镜头发射脉冲光及一颗鱼眼镜头进行动态捕捉。

AI+汽车：全球智能驾驶发展最新动态5

主要车厂加快自动驾驶布局，互联网科技公司积极切入

整车厂加快布局自动驾驶，预计到 2021 年全面实现 L5

目前看来，汽车市场普遍处于 SAE Level2 自动驾驶的部署，即辅助自动驾驶为主，主要车企的规划则大多是到 2020~2021 年间实现 Level 5 的完全自动驾驶。

特斯拉：第二代 Autopilot 系统已经更换了全新的硬件系统 Hardware 2.0，与其相对应的软件将采取逐步升级的方式，第一步升级为 Enhanced Autopilot；第二步再升级为 Autopilot 2.0（全自动驾驶能力），时间点为 2017 年年底。特斯拉 CEO 在公开演讲中表示，特斯拉自动驾驶系统将在 2 年后达到 Level 5 级别，而在这之前特斯拉将继续其高级自动驾驶系统服务。

福特：计划 2021 年实现完全自动驾驶汽车(SAE Level 4)的商业运作，这款车将不会有方向盘、刹车踏板、油门等，最初拟用于提供打车或车辆共乘服务，不会首先面向消费者。

通用：通用计划逐步提升自动驾驶水平，近期聚焦半自动驾驶技术，如“超级巡航 (SuperCruise)”有望在今年晚些时候在凯迪拉克 CT6 上实现，在高速公路上行驶将能够解放双手。我们认为，在不久的将来，一旦通用将超级巡航引入到其车型中，极有潜力提升其量产车型的竞争力和定价能力。

丰田：在技术开发上有优势，有很多自动驾驶领域的专利，也产出了部分样车。但丰田担忧道路事故的风险，因而商业化还需要时间。

日产：在自动驾驶技术的商业化应用上极有野心，2016 年 8 月推出的 Serena 小型货车上搭载了 ProPilot 高速公路单车道自动驾驶技术。这一技术得到了消费者的积极响应：与上一代车型相比，上市后的七个月内订单上涨 34%，其中 56%是配备了 ProPilot 系统。2018 年，日产计划推出多车道自动驾驶技术，首先是实现在高速公路上的自主变道，到 2020 年实现在城市道路上的自动驾驶。

大众：大众与科技公司 Mobileye 签署合作协议，在自动驾驶领域共同开发全新高智能导航地图。大众集团的 2025 战略，提出将自动驾驶技术、电气化及数字化这三大领域作为集团未来发展的重点。在今年的北美车展上，大众发布了可实现高度自动驾驶的电动概念车 I.D。

宝马：去年 7 月宝马就联合英特尔和 Mobileye 达成合作协议，联手研发高度自动驾驶和全自动驾驶的解决方案以及创新系统，宝马还谋求更多的优质合作伙伴加入自动驾驶技术研发领域，形成开放式平台合作。预计到 2021 年将实现量产车型高度自动驾驶。

互联网公司积极切入无人驾驶

除了传统汽车厂商，科技公司也把目光聚焦在无人驾驶领域，通常从汽车智能化的核心软件技术入手，切入无人驾驶领域。百度和谷歌在高精度地图方面有显著优势，Uber 在无人货运方面已有布局，苹果开发了智能防撞系统。

同时，自动驾驶领域的合作趋势日趋明显。1）对传统汽车厂商来说，与互联网公司、有科技含量的零部件公司、以及汽车共享服务商开展合作，是避免被淘汰的有效路径；2）对科技企业来说，自主造车并非最明智的选择，毕竟未来汽车不仅仅等于“互联网＋轮子”；3）对零部件供应商来说，只有依托于汽车制造和科技企业，才能推动汽车互联、加速无人驾驶或自动驾驶的普及，从而创造价值。

自动驾驶硬件：通用平台正在兴起

汽车芯片：合纵连横加速发展

通常汽车主机厂在零部件的采购上，倾向采用垂直整合的商业模式。主要主机厂的电子元器件供应链也相对独立。全球前四大车载芯片供应商恩智浦、英飞凌、瑞萨，意法半导体都有各自主要服务的主机厂和一级供应商。

过去几年，包括 Mobileye 在内的主要汽车芯片公司已经在提供 ADAS 的芯片解决方案。从性能上来看，汽车芯片和英伟达、高通等提供的消费级芯片有较大差距。但由于整车厂对汽车芯片的安全性有较高要求，消费级芯片很难直接进入汽车芯片市场。

在过去的一年里，我们看到在汽车芯片行业发生了一系列并购。

英特尔/Mobileye：Intel 宣布以 150 亿美金并购 Mobileye。在汽车半导体领域，英特尔同时拥有 Mobileye、Yogitech、Arynga 等几个重要资产。Mobileye 目前是领先的汽车视觉处理供应商，已为 25 家厂商的 273 款车型配备单目摄像头视觉处理芯片，Mobileye 的 EyeQ 系列均为完整的 SoC 架构，在 SAE-Level 3 和 Level 4 上分别有 5 个合作项目。公司预计到 2019 年实现收入 11 亿美元，隐含年均增长 46%。

公司从 2012 年开始研究深度神经网络（DNN，深度学习算法的一种）在汽车视觉中的应用，2015 年 10 月量产的第三代芯片产品 EyeQ3 使用了 DNN 算法用来构建环境模型，实现了目前业内最为精湛的 holistic path planning。

高通/NXP：高通宣布以 380 亿美金并购恩智浦（NXP）。2016 年发布 BlueBox 平台，为 OEM 厂商提供设计、制造、销售 Level 4（SAE）自动驾驶汽车的解决方案计算平台。

英伟达：在图形处理上先发优势明显，是汽车厂商推进自动驾驶的技术伙伴，目前已宣布与特斯拉、奥迪、丰田、沃尔沃、博世、ZF 等达成合作。公司推出了车用超级计算机 Drive PX2，包含有 4 个处理器（2 个 GPU，2 个 Tegra）和 12 个 CPU，每秒可进行 2,400 万次深度学习计算，以对来自不同传感器的信息作出实时反应。同时，英伟达通过开放 PX 平台，与相关车厂或一级供应商合作开发快速和定制化的 SoC。

瑞萨电子（Renesas）2017 年 4 月发布了 Renesas Autonomy，一个全新设计的 ADAS 和自动驾驶开放平台。

意法半导体（STMicro）与 Mobileye 合作开发，两家公司最早在 2005 年就开始研发 ADAS 芯片。2016 年 5 月 Mobileye 和意法半导体宣布将合作研发 Mobileye 第五代系统芯片 EyeQ5，作为 2020 年实现全自动驾驶（FAD）汽车的中央处理器，并执行传感器融合程序，预计在 2018 年上半年可提供 EyeQ5 的工程样品。

德州仪器（TI）的汽车片上系统（SoC）解决方案 TDA2x 提供了一个开放的平台， TDA2x 为前臵摄像头、泊车辅助、雷达及融合应用的入门级解决方案提供了一种可实现高性能的架构。TDA3x 则主要用于帮助汽车制造商开发出更加尖端的应用，同时减少交通事故并使初、中级汽车实现更自主的驾驶体验。

传感器：摄像头搭载数量上升，激光雷达加速发展

通过对最新发布的智能驾驶平台的分析，我们注意到两个明显趋势。

搭载摄像头数量上升：我们认为，要实现 L3/4 级别的自动驾驶，单车的摄像头数量将从 L1/2 级别的 2 颗增加到 10 颗。Tesla 新推出的 Auto Pilot 2 平台总共含有 8 个摄像头，其中包括 1 个 3 目前视摄像头，3 个前环视摄像头，3 个后环视摄像头，1 个后视摄像头，比 Auto Pilot 1 中 1 个单色前视摄像头数量大幅度增加。

激光雷达技术发展迅速：激光雷达能够发射激光束，并通过捕捉反射回来的信号绘制出 3D 模型。大多数切入自动驾驶的车企都选择搭载激光雷达，除了 Tesla 只依靠摄像头和普通雷达。制约自动驾驶向 L3/4 挺进的主要原因在于搭载的电子元器件成本太高，激光雷达目前的平均售价在 5,000 美金左右，因此如何快速的降低成本成为重中之重。 Velodyne 于近日推出了一款经济实惠的新型激光雷达，与传统的机械激光雷达不同，新型传感器能使用电子束引导激光束转向。这款新产品具有体积小，性能稳定，价格便宜等优势。

市场规模：2025 年达到 486 亿美元

自动驾驶硬件规模 2025 年可达 486 亿美元。Gartner 认为，现有汽车电子占全球半导体市场仅为 10.0%左右，2017 年市场规模 2017 年将成长 6.2%达到 343 亿美元，2018 年增长 7.2%至 358 亿美元。我们通过对各等级的自动驾驶渗透率进行了测算，在 2025年自动驾驶传感器与计算芯片的规模可达 486 亿美元。

目前硬件价格高昂阻碍 L3/4 普及：我们对 SAE 要求的各等级自动驾驶需要加装的硬件成本进行了测算，主要分为计算芯片和传感器两部分。从 L1 到 L4，级别越高，所需要加装的硬件成本也在上升，整体而言，2016 年 L1/2 的单车电子加装成本为 648 美元， L3/4 则需 21,920 美元，其中中央控制和处理器占据绝大多数成本，例如，Nvidia Drive PX2 的售价高达 1.5 万美元。

2025 年 L3/4 的加装成本有望下降至 4,688 美元。我们对主要硬件成本的价格曲线进行了假设，随着摄像头、激光雷达、芯片成本的不断下降，以及软件处理的优化，判断到 2025 年，L3/4 等级的自动驾驶成本有望从超过 2 万美元缩减到 4,688 美元，同时带来渗透率的提升。

下图归纳了亚洲自动驾驶/电动车产业链的情况。

中国在动力电池技术上全球领先，但在汽车电子上相对薄弱，主要平台目前掌握在 Continental、Bosch、Denso 等全球一级供应商手里。中国公司主要作为二级供应商参与到整个供应链中去。中国公司相对较强的零部件包括：（1）电子传感器（舜宇），（2）车机（航盛，华阳，德赛）。

中国厂商在汽车电子产业链中的布局：

► 舜宇光学：是全球最大车用镜头提供商，产品覆盖了车载摄像头的各个领域（前视、后视、内视（驾驶员监控/手势识别）、环视、智能后视镜等。进入 HUD 与激光雷达领域，全方位布局传感硬件。

► 欧菲光：公司通过汽车电子业务、智能中控业务、智能驾驶业务以及互联网+业务切入汽车电子领域。公司在传感器（摄像头、雷达）、控制器（高清全景环视系统、 ADAS 高级辅助驾驶系统）等方面进行了产品布局。同时，公司投资了美国的 Cruise Automation，其产品可将普通车辆变成自动驾驶汽车，第一代自动驾驶系统适用于奥迪 A4 和 S5。

► 得润电子：拥有全面的连接器布局，前瞻性布局车联网，收购意大利 OBD（行车记录仪）模块龙头企业 Meta，向车联网保险等软件服务领域拓展。

► 四维图新：布局无人驾驶，构建高精度地图、动态交通信息。同时，打造趣驾 WeDrive3.0 完整车联网生态平台，产品包括纯车机方案 WeCar、车机互联方案 WeLink、和操作系统趣驾 OS。

► 比亚迪：布局 BMS，母公司集电池、BMS、电动汽车研发于一身，垂直整合优势明显。比亚迪汽车电子已经有多年积累，2014 年上市内臵 Android 操作系统的车型。

► 德赛电池与欣旺达则在电池封装与 BMS 上领先布局。

► 深圳航盛电子（未上市）致力于为整车厂开发生产智能网联汽车信息系统、智能驾驶辅助系统、新能源汽车控制系统等产品。未来，公司将重点布局车内 ADAS、安全技术和智能驾驶技术。

► 华阳（待上市，我国最大的激光头和汽车音箱生产商之一）将围绕车本身，在相关的感知系统和通信定位和决策系统上布局，推出三个领域的产品：车身电子控制系统、娱乐系统、高级驾驶辅助系统。

► 德赛西威（未上市）与百度联手，将围绕 BCU 和 MapAuto 两个维度，在高精度地图与自定位、汽车环境感知、决策等技术领域展开合作。其大股东是上市公司德赛电池的母公司。

AI+医疗：从电子病历到辅助诊疗手术机器人，应用前景广泛