2019人工智能产业投资分析报告前言：人工智能(AI)将接棒移动互联网，成为下一轮科技创新红利的主要驱动力。

透过丰富的数据采集(互联网和IoT)、更快的数据传输(5G)、更强大的数据运算处理(AI)，科技企业和传统企业将在更广泛的领域深度融合。

AI将广泛助力传统行业转型，渗透互联网竞争下半场，催生无人驾驶、城市大脑、工业互联网、农业大脑、智慧医疗、Fintech、机器人等广义AI 应用，酝酿万亿级市场和投资机会。

▌AI主导下一轮科技创新红利AI孕育万亿级别市场人工智能(AI)指利用技术学习人、模拟人，乃至超越人类智能的综合学科。

人工智能技术可以显著提升人类效率，在图像识别、语音识别等领域快速完成识别和复杂运算。

此外，面对开放性问题，人工智能技术亦可通过穷举计算找到人类预料之外的规律和关联。

自1956年“人工智能”概念首次被提出，AI技术“三起两落”。

本轮人工智能腾飞受益于持续提升的AI算力对神经网络算法的优化。

AI产业链分为:基础层、技术层、应用层。

基础层主要包括:AI芯片、IoT传感器等，技术层主要包括:图像识别、语音识别、自然语言处理NLP、知识图谱等，应用层的场景包括:无人驾驶、智慧安防、智慧城市(城市大脑)、金融科技(Fintech)、智慧医疗、智慧物流等领域。

AI市场规模快速成长。

中国是全球第二大AI力量，人工智能企业超过1000家。

2018年中国AI市场规模约330亿元人民币，全球AI市场规模约2700亿美元。

我们预计，中国人工智能市场规模有望成长至万亿量级，成为下一轮科技创新红利的主导力量。

Statista预计2019、2020年，全球人工智能市场规模将分别增长59%、61%，成长至6800亿美元量级。

我们判断，中国人工智能市场有望在2030年达到万亿量级，传统行业和技术的结合是主要的应用领域，2G(对政府）和2B（对企业）将成为主要的营收来源。

AI应用于移动互联网下半场当前我们正处于两轮科技红利的交替期。

移动互联红利逐渐消退，人工智能红利兴起。

我们判断，AI技术应用于移动互联网领域，将有助于互联网公司提升效率和资源匹配的精准度。

在智能手机硬件，以及社交、游戏、电商、短视频、音乐等互联网领域，AI技术已经开始广泛应用。

智能手机销量见顶，移动互联网进入细化竞争的下半场，AI是主要竞争手段。

自2007年全球第一款量产智能手机iPhone放量，智能手机市场历经十年繁荣。

至2016年智能机销量见顶，当年共销售14.73亿部，CAGR超过30%(+2.5%)。

2016年中国智能手机销售4.65亿部(+9%)，达到历史高点。

智能手机硬件红利结束，但移动互联网市场仍在持续增长。

智能手机普及带来C端数据量和数据流量持续高速增长，移动互联网产业营收规模持续较快增长。

居民数字消费快速渗透，国内移动互联网接入户均流量从165MB/月(2014年1月)快速成长至6GB/月(2018年12月)，并仍保持较快增长。

互联网竞争下半场，人工智能技术有助提升资源匹配销量，助力移动互联网企业(如阿里巴巴、拼多多、美团点评等公司)提升市场份额。

AI应用于更广泛的领域从2C到2G、2B，AI应用于更广泛的领域，助力传统行业转型和市场竞争格局重构。

传统行业的效率具备较大提升空间，结合自身多年积累的数据，借助于物联网IoT、工业互联网、产业互联网技术，传统行业有望汇总更多维度、更长历史周期的数字化数据，结合AI技术，用于提升效率。

在城市治理领域，G端(政府端)对于交通、安防、政务等领域存在效率优化需求;在B端(企业端)，工业企业可望利用AI技术进一步提升可靠性和效率、降低成本。

AI将广泛应用于自动驾驶、家居、安防、交通、医疗、教育、政务、金融、商业零售等领域。

▌AI产业链:算力驱动，场景为王AI产业链分为:基础层、技术层、应用层。

基础层主要包括:AI芯片、IoT传感器等，技术层主要包括:图像识别、语音识别、自然语言处理NLP、知识图谱等，应用层的场景包括:无人驾驶、智慧安防、智慧城市(城市大脑)、金融科技Fintech、智慧医疗、智慧物流等领域。

资本和科技巨头是AI投资的主要力量，积极布局全产业链。

2017年全球人工智能投融资规模达395亿美元，融资事件1208笔;中国境内融资事件369笔，占全球31%。

2018年上半年，中国AI投资总规模1527亿，显著超越2017全年(754亿)。

中美是人工智能技术和应用的两极。

美国在AI通用芯片领域具备较强优势，如英伟达GPU、赛灵思FPGA、谷歌TPU等；亦在无人驾驶、语音助手、云计算、智能手机硬件、AR&VR 等领域拥有诸多优秀创业公司。

中国是全球第二大AI力量，人工智能企业超过1000家。

中国在ASIC专用芯片领域有所突破，亦在2G(对政府)和2B(对企业)的“场景”端和“算法”端快速迭代。

基础层:AI芯片、深度学习等算力:AI芯片芯片是AI产业的制高点。

本轮人工智能产业繁荣源于大幅提升的AI算力，使得深度学习和多层神经网络算法成为可能。

从使用场景来看，相关硬件包括:云侧推理芯片、云侧测试芯片、终端处理芯片、IP核心等。

在云端的“训练”或“学习”环节，英伟达GPU具备较强竞争优势，谷歌TPU亦在积极拓展市场和应用。

在终端的“推理”应用领域FPGA和ASIC 可能具备优势。

美国在GPU和FPGA领域具有较强优势，拥有英伟达、赛灵思、AMD等优势企业，谷歌、亚马逊亦在积极开发AI芯片。

中国企业在专用ASIC领域试图拓展，创业公司如地平线等积极探索。

▌算法:深度学习深度学习正在向深度神经网络过渡。

机器学习是通过多层非线性的特征学习和分层特征提取，对图像、声音等数据进行预测的计算机算法。

深度学习为一种进阶的机器学习，又称深度神经网络(DNN:DeepNeuralNetworks)。

针对不同场景(信息)进行的训练和推断，建立不同的神经网络与训练方式，而训练即是通过海量数据推演，优化每个神经元的权重与传递方向的过程。

而卷积神经网络，能考虑单一像素与周边环境变量并简化数据提取数量，进一步提高神经网络算法的效率。

神经网络算法成为大数据处理核心。

AI通过海量标签数据进行深度学习，优化神经网络与模型，并导入推理决策的应用环节。

20世纪90年代是机器学习、神经网络算法快速崛起的时期，算法在算力支持下得到商用。

20世纪90年代以后，AI技术的实际应用领域包括了数据挖掘、工业机器人、物流、语音识别、银行业软件、医疗诊断和搜索引擎等。

相关算法的框架成为科技巨头的布局重点。

▌技术层图像识别图像识别的核心技术是计算机视觉。

计算机视觉(ComputerVision，CV)是用机器替代人眼，对目标进行识别、跟踪和测量等，并处理为人眼观察或易于机器检测的图像的技术。

技术上需要大量的图像数据对计算机进行训练，如人脸、动物图片、证件图片等，依靠AI芯片和深度学习算法进行归类判断，最终对输入图像进行识别。

图像识别可广泛用于各类场景。

图像识别技术已经用于动态人脸识别、在线/离线活体检测、超大人像库实时检索、证件识别、行人检测、轨迹分析等领域，具体到2G和2G端可用于地产、安防、交通、无人驾驶、零售、商业等具体场景。

语音识别依靠深度学习和芯片突破，语音识别的准确度不断提升。

语音识别将人发出的语音词汇内容转换为文字或指令，主要是分析句子、句法以及结构，以便将人类语言转换为计算机语言。

以深度神经网络算法取代传统模型后，语音识别的单词错误率每年下降约18%，以谷歌、微软、亚马逊为代表的巨头已经开发出具备人类级别的语音识别系统。

语音识别是智能语音的前端技术。

智能语音涉及语音采集、语义理解、自然语言生成、语音合成等技术。

在语音采集部分，相较于图像识别、语音识别的算法复杂度更高、标签数据量更大、精确度要求更高。

在语音识别领域，通过高性能麦克风阵列和神经网络算法可以实现高精度识别。

自然语言处理NLP自然语言处理(NaturalLanguageProcessing，NLP)是研究人机之间以人类语言进行交流的方法的过程。

NLP包括多方面步骤，基本由认知、理解、生成等部分。

基于数据及知识图谱，计算机通过阅读(知识)自动获取信息，通过NLP可以将输入的语言变为有具体含义的符号，再根据使用者意图进行处理，重新编为人类语言输出。

与语音识别关注准确度不同，NLP更多关注语言的具体含义及语境，试图理解句子意图和上下文含义。

NLP是智能语音的核心技术。

语音识别和采集技术已经依靠AI芯片、深度学习算法及麦克风阵列硬件得到解决，而语义理解仍有很多基础工作要积累，譬如算法建模、数据标签、知识图谱等。

NLP在智能语音中负责将计算机语音重新编为人类语言进行输出，要尽可能缩小歧义，是智能语音的核心技术。

以语音识别+NLP的智能语音技术在芯片算力和深度神经算法加持下其准确度正进一步提高。

▌技术层图像识别图像识别的核心技术是计算机视觉。

计算机视觉(ComputerVision，CV)是用机器替代人眼，对目标进行识别、跟踪和测量等，并处理为人眼观察或易于机器检测的图像的技术。

技术上需要大量的图像数据对计算机进行训练，如人脸、动物图片、证件图片等，依靠AI芯片和深度学习算法进行归类判断，最终对输入图像进行识别。

知识图谱知识图谱提供了管理组织海量数据的能力。

知识图谱融合了认知计算、知识表示和推理、信息检索与抽取、自然语言处理与语义Web、数据挖掘与机器学习，是人工智能的重要研究领域。

知识图谱的应用可以直接为用户提供答案和解决方案，直接显示满足客户需求的结构化信息内容。

以语音和图像作为知识图谱，AI技术快速渗透。

对AI来说，数据多为无效或原始信息，需要大量的归类与标签工作，才能为后期的分析与学习所用。

而语音和图像数据由于来源广、可得性高，语音及图像知识图谱与行业数据库，成为当前人工智能的积累重点。

▌应用层:场景+AI从2C到2G、2B，AI应用于更广泛的领域，助力传统行业转型和市场竞争格局重构。

传统行业的效率具备较大提升空间，结合自身多年积累的数据，借助于物联网IoT、工业互联网、产业互联网技术，传统行业有望汇总更多维度、更长历史周期的数字化数据，结合AI技术，用于提升效率。

在城市治理领域，G端(政府端)对于交通、安防、政务等领域存在效率优化需求;在B端(企业端)，工业企业可望利用AI技术进一步提升可靠性、提升效率、降低成本。

AI将广泛应用于自动驾驶、家居、安防、交通、医疗、教育、政务、金融、商业零售等领域。

自动驾驶/无人驾驶:AI+汽车从辅助驾驶ADAS到无人驾驶，图像识别等AI技术在汽车领域广泛应用。

科技企业直接布局L4、L5级别的高级自动驾驶和无人驾驶。

汽车企业通过产品迭代的方式，在L2、L3级别自动驾驶和ADAS领域有所进展。