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
根據傳統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生的內部知識的存儲過程，思維是對所存儲的信息或知識的本質屬性、內部規律等的認識過程；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；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等。人工智能產品背后的數據、軟件及算法等是人工智能的核心要素，而包括機器人、語音助手等在內的軟硬件產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分；
3）超人工智能：在各個領域均可以超越人類，在創新創造、創意創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、數據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、決策與執行進階。
圖2：人工智能分類與應用場景
1.2人工智能發展歷經波折，現已進入加速爆發期
人工智能發展歷經波折，歷史上經歷過2次低谷。傳統人工智能受制于計算能力，并沒能完成大規模的并行計算和并行處理，人工智能系統的能力較差。2006年，Hinton教授提出“深度學習”神經網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業又一次進入快速發展階段。
表1：人工智能發展歷程
其中，谷歌AlphaGO戰勝李世石九段對業界產生的轟動效應最大。AlphaGo是一款基于深度學習技術研究開發的圍棋人工智能程序這個程序利用“價值網絡”去計算局面，用“策略網絡”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起挑戰，并以4：1的總比分獲勝。AlphaGO與傳統圍棋程序最大的區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、數據層均實現突破，人工智能加速爆發
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網絡的研究，是由Hinton等人在2006年提出，主要機理是通過深層神經網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對現實對象或數據的機器化語言表達。深度學習是通過大量的簡單神經元組成，每層的神經元接收更低層神經元的輸入，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，已經達到了超越現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、應用與發展，無論從學術界還是從產業界來說均將人工智能帶上了一個新的臺階，將人工智能產業帶入了一個全新的發展階段。
1.3.2計算成本指數級下降，GPU加速發展為深度學習奠定計算基礎
英特爾創始人之一戈登〃摩爾于1975年開創性的提出摩爾定律，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，描述運算能力的單位），也就是1億億次計算每秒。現在最快的超級計算機，中國的天河二號，其實已經超過這個運算力了，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上執行時，矢量運算會被展開成循環的形式，本質上還是串行執行。隨著人工智能的不斷發展，基于深度學習模型的算法對大規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來訓練深度神經網絡，可以充分發揮其數以千計計算核心的高效并行計算能力，在使用海量訓練數據的場景下，所耗費的時間大幅縮短，占用的服務器也更少。如果對針對適當的深度神經網絡進行合理優化，一塊GPU卡可相當于數十甚至上百臺CPU服務器的計算能力，因此GPU已經成為業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數據量爆炸，為深度學習奠定數據基礎
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，因此數據量的豐富程度決定了是否有充足數據對神經網絡進行訓練，進而使人工智能系統經過深度學習訓練后達到強人工智能水平。因此，能否有足夠多的數據對人工神經網絡進行深度訓練，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，全球數據量加速爆發。據國際數據資訊公司估測，數據數量一直在快速增加，這個速度不僅是指數據流的增長，而且還包括全新的數據種類的增多。據統計，2013年全球產生的數據達到3.5ZB，到2020年產生的數量將增至44ZB，CAGR達到43.57%。
圖7：全球產生的數據量快速增長
我們認為，深度學習的根本是能否有足夠多的數據對人工智能系統進行訓練，隨著移動互聯網的爆發，數據量指數級的增長，這都為利用大數據進行深度學習提供了可能。因此，在DT時代，大數據在知識解析、機器智能與人類智能協調工作及智能分析系統中將會扮演要角色，在大數據的支撐下，人工智能應用也將變的更加廣泛，大數據將支撐人工智能產業爆發。
2.資本層加速爆發，推動人工智能產業發展
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月擊敗世界冠軍李世石九段。顯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社會對人工智能的關注。除Google外，Facebook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。國內互聯網廠商諸如百度、騰訊，同樣在人工智能領域加大投入，持續布局人工智能領域。
表2：國內外巨頭“人工智能”大事記
除互聯網巨頭外，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企業的投資，持續布局人工智能這個重要“風口”。根據VentureScanner統計數據，近年來全球人工智能領域的投資金額已成爆發增長態勢。
2014年人工智能企業融資總量首次超過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計顯示，全球在人工智能領域的投資已經超過4億美金。
圖8：全球人工智能投資金額
根據VentureScanner統計，從人工智能投資分布情況看，機器學習（應用）分類以263家公司的數量遙遙領先，自然語言處理公司以154的數量位列第二，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、資本的持續布局在一定程度上印證了人工智能行業的火爆，雖短期看人工智能仍處于大規模投入期，短期內較難變現，但未來人工智能應用于無人駕駛汽車、輔助診斷、刑偵監測等領域將會產生巨大的商業價值和社會價值，資本層面的爆發將持續帶動人工智能行業加速爆發。
3.產業鏈明晰，市場空間巨大
3.1人工智能產業鏈明晰
人工智能產業鏈可簡單劃為三層，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據資源等，GPU芯片、云計算平臺、傳感器、數據等均包含在此層中；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：人工智能產業鏈
從目前的發展情況看，算法層為人工智能產業鏈的核心，支撐上層應用的發展，目前感知智能已加速發展，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據能力與計算能力主要的發展方向為低成本與小型化，數據采集的發展方向為多樣化，移動互聯網的發展已經為產業積累了一定的數據，未來隨著物聯網的發展將積累更多的環境與行為層面數據，豐富數據構成。應用層主要與各垂直行業結合開發深度人工智能應用。
表3：人工智能發展三個階段
隨著計算機、互聯網與移動互聯網等網絡技術的發展，基于計算機、互聯網、物聯網在數據生成、采集、存儲、計算等環節的突破，推進人工智能發展。
圖11：不同發展階段數據處理與應用流程
3.2基礎層相對成熟，認知智能尚待突破
目前，全球人工智能產業在基礎層發展已相對成熟，1）計算能力方面。目前云計算+大規模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展中；2）數據層面�；ヂ摼W、移動互聯網的發展為人工智能發展積累了海量數據，目前此類數據已能支撐技術開發與應用開發。近期，物聯網標準統一，未來物聯網發展在行為、環境層獲取并積累更為全面和豐富的數據，支撐人工智能應用開發。
而與基礎層相對應的是，目前人工智能在技術開發與應用層面仍有較大的發展空間。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中，與大規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業發展情況看，我國互聯網巨頭、創業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，產業鏈各環節均已涌現出龍頭公司。在基礎層中，有百度、阿里為代表的互聯網巨頭也有數據堂為代表的專業化數據公司；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品較為豐富，硬件產品中諸如服務機器人、教育機器人等產品也處于快速發展中。
從艾瑞咨詢發布的中國人工智能產業全景圖看，我國人工智能產業目前發展現狀與國外類似，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展較為完善，而在諸如認知智能技術開發與應用方面尚未找到突破口。
圖13：中國人工智能產業全景圖
3.3市場空間大，下游應用前景廣闊
根據Tractica的預測數據，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。根據艾瑞咨詢預測數據，2015年我國人工智能市場規模約為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市場規模將達到91億人民幣。
圖14：全球人工智能產業規模
我們認為，目前人工智能應用尚不完善，以國內市場為例，商業模式主要集中在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，未來人工智能+汽車、人工智能+醫療等產業均將創造巨大的商業價值。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://www.vmgcyvh.cn/
本文標題：2016年人工智能產業專題研究報告
相關文章
