1.未來已來，人工智能時代開啟
1.1弱人工智能已加速滲透，強人工智能并不遙遠
根據(jù)傳統(tǒng)認知科學的研究成果，智能包含以下幾種能力：1）感知能力。感知能力即對外界情況的感受與認知，其中包含兩種處理方式：一種是面對簡單或緊急情況，可不經(jīng)大腦思考進行本能反應與應對。另一種是面對復雜情況，需要經(jīng)大腦皮層進行處理與思考后，做出反應與應對；2）記憶與思維能力。其中，記憶是對感知到的外界信息或由思維產(chǎn)生的內(nèi)部知識的存儲過程，思維是對所存儲的信息或知識的本質屬性、內(nèi)部規(guī)律等的認識過程；3）學習和自適應能力。能通過學習和自適應進行智能思維能力進化是人類智能的重要體現(xiàn)；4）決策與行為能力。即通過對信息或知識判別后，進行主觀決策與行為。
圖1：智能具體包含四種能力
人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能產(chǎn)品背后的數(shù)據(jù)、軟件及算法等是人工智能的核心要素，而包括機器人、語音助手等在內(nèi)的軟硬件產(chǎn)品僅是人工智能的載體。
人工智能的概念很寬泛，可將人工智能依據(jù)實力劃分為三類：
1）弱人工智能：僅擅長某個單方面應用的人工智能，超出特定領域外則無有效解；
2）強人工智能：人類級別的人工智能，在各方面都能和人類比肩，且無法簡單進行人類與機器的區(qū)分；
3）超人工智能：在各個領域均可以超越人類，在創(chuàng)新創(chuàng)造、創(chuàng)意創(chuàng)作領域均可超越人類，可解決任何人類無法解決的問題。
我們認為，從目前人工智能的應用場景來看，當前人工智能仍是以特定應用領域為主的弱人工智能，如圖像識別、語音識別等生物識別分析，如智能搜索、智能推薦、智能排序等智能算法等。而未來隨著運算能力、數(shù)據(jù)量的大幅增長以及算法的提升，弱人工智能將逐步向強人工智能轉化，機器智能將從感知、記憶和存儲向認知、自主學習、決策與執(zhí)行進階。
圖2：人工智能分類與應用場景
1.2人工智能發(fā)展歷經(jīng)波折，現(xiàn)已進入加速爆發(fā)期
人工智能發(fā)展歷經(jīng)波折，歷史上經(jīng)歷過2次低谷。傳統(tǒng)人工智能受制于計算能力，并沒能完成大規(guī)模的并行計算和并行處理，人工智能系統(tǒng)的能力較差。2006年，Hinton教授提出“深度學習”神經(jīng)網(wǎng)絡使得人工智能性能獲得突破性進展，進而促使人工智能產(chǎn)業(yè)又一次進入快速發(fā)展階段。
表1：人工智能發(fā)展歷程
其中，谷歌AlphaGO戰(zhàn)勝李世石九段對業(yè)界產(chǎn)生的轟動效應最大。AlphaGo是一款基于深度學習技術研究開發(fā)的圍棋人工智能程序這個程序利用“價值網(wǎng)絡”去計算局面，用“策略網(wǎng)絡”去選擇下子。2015年10月阿爾法圍棋以5：0完勝歐洲圍棋冠軍、職業(yè)二段選手樊麾。為了測試阿爾法圍棋的水平，谷歌于2016年3月份向圍棋世界冠軍、韓國頂尖棋手李世石發(fā)起挑戰(zhàn)，并以4：1的總比分獲勝。AlphaGO與傳統(tǒng)圍棋程序最大的區(qū)別在于其利用深度學習方法進行訓練，AlphaGo學習了3000萬步人類實戰(zhàn)的圍棋下法，學習完畢后，可以通過“左右互博”，自己跟自己下棋，在下了幾千盤棋局后，AlphaGo能從這些棋局中學習新的圍棋策略，這個過程被Deep-Mind稱為“強化學習”。正是由于深度學習方法的引入，谷歌AlphaGO才能迅速躋身頂尖圍棋高手水平。
1.3算法層、硬件層、數(shù)據(jù)層均實現(xiàn)突破，人工智能加速爆發(fā)
1.3.1深度學習推動人工智能邁上新臺階
深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，是由Hinton等人在2006年提出，主要機理是通過深層神經(jīng)網(wǎng)絡算法來模擬人的大腦學習過程，希望借鑒人腦的多層抽象機制來實現(xiàn)對現(xiàn)實對象或數(shù)據(jù)的機器化語言表達。深度學習是通過大量的簡單神經(jīng)元組成，每層的神經(jīng)元接收更低層神經(jīng)元的輸入，通過輸入與輸出的非線性關系將低層特征組合成更高層的抽象表示，直至完成輸出。
圖3：深度學習模型
傳統(tǒng)機器學習為了進行某種模式的識別，通常的做法首先是以某種方式，提取這個模式中的特征。在傳統(tǒng)機器模型中，良好的特征表達，對最終算法的準確性起了非常關鍵的作用，且識別系統(tǒng)的計算和測試工作耗時主要集中在特征提取部分，特征的提取方式有時候是人工設計或指定的，主要依靠人工提取。
與傳統(tǒng)機器學習不同的是，深度學習提出了一種讓計算機自動學習出模式特征的方法，并將特征學習融入到了建立模型的過程中，從而減少了人為設計特征造成的不完備性。而目前以深度學習為核心的某些機器學習應用，在滿足特定條件的應用場景下，已經(jīng)達到了超越現(xiàn)有算法的識別或分類性能。
深度學習直接嘗試解決抽象認知的難題，并取得了突破性的進展。深度學習的提出、應用與發(fā)展，無論從學術界還是從產(chǎn)業(yè)界來說均將人工智能帶上了一個新的臺階，將人工智能產(chǎn)業(yè)帶入了一個全新的發(fā)展階段。
1.3.2計算成本指數(shù)級下降，GPU加速發(fā)展為深度學習奠定計算基礎
英特爾創(chuàng)始人之一戈登〃摩爾于1975年開創(chuàng)性的提出摩爾定律，即當價格不變時，集成電路上可容納的晶體管數(shù)目約每隔18個月便會增加一倍，性能也將提升一倍。計算成本的極速下降也為人工智能加速發(fā)展提供可能。
未來科學家Kurzweil對人腦進行估算，得到的人腦運算速度估算值是10^16cps（calculationspersecond，每秒計算次數(shù)，描述運算能力的單位），也就是1億億次計算每秒。現(xiàn)在最快的超級計算機，中國的天河二號，其實已經(jīng)超過這個運算力了，天河每秒能進行3.4億億，但由于天河二號占地大、造價高、運行成本高等特點注定難以廣泛應用。根據(jù)Kurzweil的觀點，認為當1000美元能買到人腦級別的1億億運算能力的時候，強人工智能可能成為生活中的一部分。
圖4：1000美元能買到的計算能力呈指數(shù)級增長
在深度學習模型中，矢量化編程是提高算法速度的一種有效方法。深層模型的算法，如BP，Auto-Encoder，CNN等，都可以寫成矢量化的形式。然而，在單個CPU上執(zhí)行時，矢量運算會被展開成循環(huán)的形式，本質上還是串行執(zhí)行。隨著人工智能的不斷發(fā)展，基于深度學習模型的算法對大規(guī)模并行計算能力的需求不斷增加，CPU不再能很好地滿足科學家們對于并行計算能力的需求，而GPU天然強大的并行計算能力被科學家們充分挖掘，GPU逐漸從由若干專用的固定功能單元組成的專用并行處理器向以通用計算資源為主，固定功能單元為輔的架構轉變。
圖5：CPU和GPU邏輯架構對比
而GPU則與CPU存在明顯區(qū)別，GPU的眾核體系結構包含幾千個流處理器，可將矢量運算并行化執(zhí)行，大幅縮短計算時間。隨著NVIDIA、AMD等公司不斷推進其GPU的大規(guī)模并行架構支持，面向通用計算的GPU已成為加速可并行應用程序的重要手段。得益于GPU眾核體系結構，程序在GPU系統(tǒng)上的運行速度相較于單核CPU往往提升幾十倍乃至上千倍。
利用GPU來訓練深度神經(jīng)網(wǎng)絡，可以充分發(fā)揮其數(shù)以千計計算核心的高效并行計算能力，在使用海量訓練數(shù)據(jù)的場景下，所耗費的時間大幅縮短，占用的服務器也更少。如果對針對適當?shù)纳疃壬窠?jīng)網(wǎng)絡進行合理優(yōu)化，一塊GPU卡可相當于數(shù)十甚至上百臺CPU服務器的計算能力，因此GPU已經(jīng)成為業(yè)界在深度學習模型訓練方面的首選解決方案。
圖6：GPU與CPU性能與帶寬對比
1.3.3數(shù)據(jù)量爆炸，為深度學習奠定數(shù)據(jù)基礎
人類大腦在進化中是一個不斷學習、吸收理解與自我完善的過程，經(jīng)歷了歷史積淀知識的學習、吸收與理解掌握過程，完成大腦意識進階過程。而深度學習則是利用機器算法模擬人腦對歷史知識學習、吸收與理解并掌握運用的訓練過程，因此數(shù)據(jù)量的豐富程度決定了是否有充足數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，進而使人工智能系統(tǒng)經(jīng)過深度學習訓練后達到強人工智能水平。因此，能否有足夠多的數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行深度訓練，提升算法有效性是人工智能能否達到類人或超人水平的決定因素之一。
近年來，隨著移動設備滲透率的逐步提升，全球數(shù)據(jù)量加速爆發(fā)。據(jù)國際數(shù)據(jù)資訊公司估測，數(shù)據(jù)數(shù)量一直在快速增加，這個速度不僅是指數(shù)據(jù)流的增長，而且還包括全新的數(shù)據(jù)種類的增多。據(jù)統(tǒng)計，2013年全球產(chǎn)生的數(shù)據(jù)達到3.5ZB，到2020年產(chǎn)生的數(shù)量將增至44ZB，CAGR達到43.57%。
圖7：全球產(chǎn)生的數(shù)據(jù)量快速增長
我們認為，深度學習的根本是能否有足夠多的數(shù)據(jù)對人工智能系統(tǒng)進行訓練，隨著移動互聯(lián)網(wǎng)的爆發(fā)，數(shù)據(jù)量指數(shù)級的增長，這都為利用大數(shù)據(jù)進行深度學習提供了可能。因此，在DT時代，大數(shù)據(jù)在知識解析、機器智能與人類智能協(xié)調工作及智能分析系統(tǒng)中將會扮演要角色，在大數(shù)據(jù)的支撐下，人工智能應用也將變的更加廣泛，大數(shù)據(jù)將支撐人工智能產(chǎn)業(yè)爆發(fā)。
2.資本層加速爆發(fā)，推動人工智能產(chǎn)業(yè)發(fā)展
科技巨頭在人工智能領域的布局始終領先，以Google為例，其在2014年斥巨資收購的DeepMind公司，后者在2015年開發(fā)出的基于深度學習模型的圍棋程序AlphaGo先是在2015年擊敗歐洲冠軍樊麾二段，后又于2016年3月?lián)魯∈澜绻谲娎钍朗哦巍ｏ@示出人工智能在圍棋領域的強大實力，也在一定程度上引發(fā)社會對人工智能的關注。除Google外，F(xiàn)acebook在人工智能領域也較為領先，其在圖像識別、機器圍棋等領域也在不斷投入。國內(nèi)互聯(lián)網(wǎng)廠商諸如百度、騰訊，同樣在人工智能領域加大投入，持續(xù)布局人工智能領域。
表2：國內(nèi)外巨頭“人工智能”大事記
除互聯(lián)網(wǎng)巨頭外，敏銳的資本方也在積極布局人工智能領域，近年來風投不斷加大對人工智能初創(chuàng)企業(yè)的投資，持續(xù)布局人工智能這個重要“風口”。根據(jù)VentureScanner統(tǒng)計數(shù)據(jù)，近年來全球人工智能領域的投資金額已成爆發(fā)增長態(tài)勢。
2014年人工智能企業(yè)融資總量首次超過10億美金，2015年融資總量更是超過12億美金。2016年前三個月的不完全統(tǒng)計顯示，全球在人工智能領域的投資已經(jīng)超過4億美金。
圖8：全球人工智能投資金額
根據(jù)VentureScanner統(tǒng)計，從人工智能投資分布情況看，機器學習（應用）分類以263家公司的數(shù)量遙遙領先，自然語言處理公司以154的數(shù)量位列第二，通用計算機視覺排名第四。從資本方的投資意愿看，對機器學習、自然語言理解、計算機視覺等技術與應用關注度較高。
圖9：人工智能領域投資分布
我們認為，巨頭的加入、資本的持續(xù)布局在一定程度上印證了人工智能行業(yè)的火爆，雖短期看人工智能仍處于大規(guī)模投入期，短期內(nèi)較難變現(xiàn)，但未來人工智能應用于無人駕駛汽車、輔助診斷、刑偵監(jiān)測等領域將會產(chǎn)生巨大的商業(yè)價值和社會價值，資本層面的爆發(fā)將持續(xù)帶動人工智能行業(yè)加速爆發(fā)。
3.產(chǎn)業(yè)鏈明晰，市場空間巨大
3.1人工智能產(chǎn)業(yè)鏈明晰
人工智能產(chǎn)業(yè)鏈可簡單劃為三層，即底層基礎層、中間層技術層與上層應用層。其中，1）基礎層包含硬件存儲與計算資源和數(shù)據(jù)資源等，GPU芯片、云計算平臺、傳感器、數(shù)據(jù)等均包含在此層中；2）技術層包含算法、模型平臺，感知智能算法、認知智能算法等均在此層中；3）應用層包含硬件產(chǎn)品和軟件與服務，硬件中包含無人機、機器人及其他智能硬件等，軟件與服務包含語音輸入法、虛擬助手、自動駕駛及智能安防等。
圖10：人工智能產(chǎn)業(yè)鏈
從目前的發(fā)展情況看，算法層為人工智能產(chǎn)業(yè)鏈的核心，支撐上層應用的發(fā)展，目前感知智能已加速發(fā)展，認知智能為人工智能在算法層面的下一個突破方向。而底層基礎層中的數(shù)據(jù)能力與計算能力主要的發(fā)展方向為低成本與小型化，數(shù)據(jù)采集的發(fā)展方向為多樣化，移動互聯(lián)網(wǎng)的發(fā)展已經(jīng)為產(chǎn)業(yè)積累了一定的數(shù)據(jù)，未來隨著物聯(lián)網(wǎng)的發(fā)展將積累更多的環(huán)境與行為層面數(shù)據(jù)，豐富數(shù)據(jù)構成。應用層主要與各垂直行業(yè)結合開發(fā)深度人工智能應用。
表3：人工智能發(fā)展三個階段
隨著計算機、互聯(lián)網(wǎng)與移動互聯(lián)網(wǎng)等網(wǎng)絡技術的發(fā)展，基于計算機、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)在數(shù)據(jù)生成、采集、存儲、計算等環(huán)節(jié)的突破，推進人工智能發(fā)展。
圖11：不同發(fā)展階段數(shù)據(jù)處理與應用流程
3.2基礎層相對成熟，認知智能尚待突破
目前，全球人工智能產(chǎn)業(yè)在基礎層發(fā)展已相對成熟，1）計算能力方面。目前云計算+大規(guī)模GPU并行計算的計算方式已較為成熟，本地化高性能運算芯片也在加速發(fā)展中；2）數(shù)據(jù)層面。互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的發(fā)展為人工智能發(fā)展積累了海量數(shù)據(jù)，目前此類數(shù)據(jù)已能支撐技術開發(fā)與應用開發(fā)。近期，物聯(lián)網(wǎng)標準統(tǒng)一，未來物聯(lián)網(wǎng)發(fā)展在行為、環(huán)境層獲取并積累更為全面和豐富的數(shù)據(jù)，支撐人工智能應用開發(fā)。
而與基礎層相對應的是，目前人工智能在技術開發(fā)與應用層面仍有較大的發(fā)展空間。目前在人工智能的應用主要在感知層面，如聲音、圖像等，感知層技術儲備相對豐富，而在認知層仍未能獲得大幅突破，諸如無人駕駛、全自動智能機器人等仍處于開發(fā)中，與大規(guī)模應用仍有一定距離。
圖12：2015年GartnerAI相關技術成熟度曲線
從我國目前人工智能產(chǎn)業(yè)發(fā)展情況看，我國互聯(lián)網(wǎng)巨頭、創(chuàng)業(yè)公司在人工智能基礎層、技術層與應用層的參與熱情均較高，產(chǎn)業(yè)鏈各環(huán)節(jié)均已涌現(xiàn)出龍頭公司。在基礎層中，有百度、阿里為代表的互聯(lián)網(wǎng)巨頭也有數(shù)據(jù)堂為代表的專業(yè)化數(shù)據(jù)公司；技術層中，百度在機器學習、語音識別與視覺方面均有較深布局，此外如曠視科技、科大訊飛等也分別在其垂直領域有叫深厚的技術儲備積累；應用層中，虛擬助手、智能客服、BI與語音識別和圖像識別等軟件與服務產(chǎn)品較為豐富，硬件產(chǎn)品中諸如服務機器人、教育機器人等產(chǎn)品也處于快速發(fā)展中。
從艾瑞咨詢發(fā)布的中國人工智能產(chǎn)業(yè)全景圖看，我國人工智能產(chǎn)業(yè)目前發(fā)展現(xiàn)狀與國外類似，在基礎層與感知智能技術方面積累較為深厚，圖像識別、語音識別等感知層技術與應用發(fā)展較為完善，而在諸如認知智能技術開發(fā)與應用方面尚未找到突破口。
圖13：中國人工智能產(chǎn)業(yè)全景圖
3.3市場空間大，下游應用前景廣闊
根據(jù)Tractica的預測數(shù)據(jù)，2016年全球人工智能收入預計將達到6.437億美元，到2025年將增長至368億美元。根據(jù)艾瑞咨詢預測數(shù)據(jù)，2015年我國人工智能市場規(guī)模約為12億人民幣，其中語音識別和視覺識別占比分別約為60%和12.5%，其他約占27.5%，預計到2020年，中國AI市場規(guī)模將達到91億人民幣。
圖14：全球人工智能產(chǎn)業(yè)規(guī)模
我們認為，目前人工智能應用尚不完善，以國內(nèi)市場為例，商業(yè)模式主要集中在License授權、項目等模式中，應用也多局限在以語音識別、語義理解為核心的智能客服、語音助手等及以人臉識別為代表的門禁、打卡及安防領域。由于目前人工智能技術主要應用感知智能技術，因此市場空間尚未打開，預計隨著諸如無人駕駛汽車等認知智能技術的加速突破與應用，人工智能市場將加速爆發(fā)，未來人工智能+汽車、人工智能+醫(yī)療等產(chǎn)業(yè)均將創(chuàng)造巨大的商業(yè)價值。
核心關注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務領域、行業(yè)應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業(yè)務領域的管理，全面涵蓋了企業(yè)關注ERP管理系統(tǒng)的核心領域，是眾多中小企業(yè)信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網(wǎng)http://www.guhuozai8.cn/
本文標題：2016年人工智能產(chǎn)業(yè)專題研究報告
本文網(wǎng)址：http://www.guhuozai8.cn/html/support/11121820314.html
相關文章
