從2C到2G、2B，AI應用于更廣泛的領域，助力傳統行業轉型和市場競爭格局重構。

傳統行業的效率具備較大提升空間，結合自身多年積累的數據，借助于物聯網IoT、工業互聯網、產業互聯網技術，傳統行業有望匯總更多維度、更長歷史周期的數字化數據，結合AI技術，用于提升效率。

在城市治理領域，G端(政府端)對于交通、安防、政務等領域存在效率優化需求;在B端(企業端)，工業企業可望利用AI技術進一步提升可靠性和效率、降低成本。AI將廣泛應用于自動駕駛、家居、安防、交通、醫療、教育、政務、金融、商業零售等領域。

AI產業鏈:算力驅動，場景為王

AI產業鏈分為:基礎層、技術層、應用層。

基礎層主要包括:AI芯片、IoT傳感器等，技術層主要包括:圖像識別、語音識別、自然語言處理NLP、知識圖譜等，應用層的場景包括:無人駕駛、智慧安防、智慧城市(城市大腦)、金融科技Fintech、智慧醫療、智慧物流等領域。

資本和科技巨頭是AI投資的主要力量，積極布局全產業鏈。

2017年全球人工智能投融資規模達395億美元，融資事件1208筆;中國境內融資事件369筆，占全球31%。

2018年上半年，中國AI投資總規模1527億，顯著超越2017全年(754億)。

中美是人工智能技術和應用的兩極。

美國在AI通用芯片領域具備較強優勢，如英偉達GPU、賽靈思FPGA、谷歌TPU等；亦在無人駕駛、語音助手、云計算、智能手機硬件、AR&VR等領域擁有諸多優秀創業公司。

中國是全球第二大AI力量，人工智能企業超過1000家。中國在ASIC專用芯片領域有所突破，亦在2G(對政府)和2B(對企業)的“場景”端和“算法”端快速迭代。

基礎層:AI芯片、深度學習等算力:AI芯片

芯片是AI產業的制高點。

本輪人工智能產業繁榮源于大幅提升的AI算力，使得深度學習和多層神經網絡算法成為可能。

從使用場景來看，相關硬件包括:云側推理芯片、云側測試芯片、終端處理芯片、IP核心等。

在云端的“訓練”或“學習”環節，英偉達GPU具備較強競爭優勢，谷歌TPU亦在積極拓展市場和應用。在終端的“推理”應用領域FPGA和ASIC可能具備優勢。

美國在GPU和FPGA領域具有較強優勢，擁有英偉達、賽靈思、AMD等優勢企業，谷歌、亞馬遜亦在積極開發AI芯片。

中國企業在專用ASIC領域試圖拓展，創業公司如地平線等積極探索。

算法:深度學習

深度學習正在向深度神經網絡過渡。機器學習是通過多層非線性的特征學習和分層特征提取，對圖像、聲音等數據進行預測的計算機算法。

深度學習為一種進階的機器學習，又稱深度神經網絡(DNN:DeepNeuralNetworks)。

針對不同場景(信息)進行的訓練和推斷，建立不同的神經網絡與訓練方式，而訓練即是通過海量數據推演，優化每個神經元的權重與傳遞方向的過程。

而卷積神經網絡，能考慮單一像素與周邊環境變量并簡化數據提取數量，進一步提高神經網絡算法的效率。

神經網絡算法成為大數據處理核心。

AI通過海量標簽數據進行深度學習，優化神經網絡與模型，并導入推理決策的應用環節。

20世紀90年代是機器學習、神經網絡算法快速崛起的時期，算法在算力支持下得到商用。

20世紀90年代以后，AI技術的實際應用領域包括了數據挖掘、工業機器人、物流、語音識別、銀行業軟件、醫療診斷和搜索引擎等。

相關算法的框架成為科技巨頭的布局重點。

技術層

圖像識別

圖像識別的核心技術是計算機視覺。計算機視覺(ComputerVision，CV)是用機器替代人眼，對目標進行識別、跟蹤和測量等，并處理為人眼觀察或易于機器檢測的圖像的技術。

技術上需要大量的圖像數據對計算機進行訓練，如人臉、動物圖片、證件圖片等，依靠AI芯片和深度學習算法進行歸類判斷，最終對輸入圖像進行識別。

圖像識別可廣泛用于各類場景。圖像識別技術已經用于動態人臉識別、在線/離線活體檢測、超大人像庫實時檢索、證件識別、行人檢測、軌跡分析等領域，具體到2G和2G端可用于地產、安防、交通、無人駕駛、零售、商業等具體場景。

語音識別

依靠深度學習和芯片突破，語音識別的準確度不斷提升。

語音識別將人發出的語音詞匯內容轉換為文字或指令，主要是分析句子、句法以及結構，以便將人類語言轉換為計算機語言。

以深度神經網絡算法取代傳統模型后，語音識別的單詞錯誤率每年下降約18%，以谷歌、微軟、亞馬遜為代表的巨頭已經開發出具備人類級別的語音識別系統。

語音識別是智能語音的前端技術。

智能語音涉及語音采集、語義理解、自然語言生成、語音合成等技術。在語音采集部分，相較于圖像識別、語音識別的算法復雜度更高、標簽數據量更大、精確度要求更高。

在語音識別領域，通過高性能麥克風陣列和神經網絡算法可以實現高精度識別。

自然語言處理NLP

自然語言處理(NaturalLanguageProcessing，NLP)是研究人機之間以人類語言進行交流的方法的過程。

NLP包括多方面步驟，基本由認知、理解、生成等部分。

基于數據及知識圖譜，計算機通過閱讀(知識)自動獲取信息，通過NLP可以將輸入的語言變為有具體含義的符號，再根據使用者意圖進行處理，重新編為人類語言輸出。與語音識別關注準確度不同，NLP更多關注語言的具體含義及語境，試圖理解句子意圖和上下文含義。

NLP是智能語音的核心技術。

語音識別和采集技術已經依靠AI芯片、深度學習算法及麥克風陣列硬件得到解決，而語義理解仍有很多基礎工作要積累，譬如算法建模、數據標簽、知識圖譜等。

NLP在智能語音中負責將計算機語音重新編為人類語言進行輸出，要盡可能縮小歧義，是智能語音的核心技術。

以語音識別+NLP的智能語音技術在芯片算力和深度神經算法加持下其準確度正進一步提高。

技術層

圖像識別

圖像識別的核心技術是計算機視覺。計算機視覺(ComputerVision，CV)是用機器替代人眼，對目標進行識別、跟蹤和測量等，并處理為人眼觀察或易于機器檢測的圖像的技術。

技術上需要大量的圖像數據對計算機進行訓練，如人臉、動物圖片、證件圖片等，依靠AI芯片和深度學習算法進行歸類判斷，最終對輸入圖像進行識別。

知識圖譜

知識圖譜提供了管理組織海量數據的能力。知識圖譜融合了認知計算、知識表示和推理、信息檢索與抽取、自然語言處理與語義Web、數據挖掘與機器學習，是人工智能的重要研究領域。

知識圖譜的應用可以直接為用戶提供答案和解決方案，直接顯示滿足客戶需求的結構化信息內容。

以語音和圖像作為知識圖譜，AI技術快速滲透。

對AI來說，數據多為無效或原始信息，需要大量的歸類與標簽工作，才能為后期的分析與學習所用。而語音和圖像數據由于來源廣、可得性高，語音及圖像知識圖譜與行業數據庫，成為當前人工智能的積累重點。

應用層:場景+AI

從2C到2G、2B，AI應用于更廣泛的領域，助力傳統行業轉型和市場競爭格局重構。

傳統行業的效率具備較大提升空間，結合自身多年積累的數據，借助于物聯網IoT、工業互聯網、產業互聯網技術，傳統行業有望匯總更多維度、更長歷史周期的數字化數據，結合AI技術，用于提升效率。

在城市治理領域，G端(政府端)對于交通、安防、政務等領域存在效率優化需求;在B端(企業端)，工業企業可望利用AI技術進一步提升可靠性、提升效率、降低成本。

AI將廣泛應用于自動駕駛、家居、安防、交通、醫療、教育、政務、金融、商業零售等領域。

自動駕駛/無人駕駛:AI+汽車

從輔助駕駛ADAS到無人駕駛，圖像識別等AI技術在汽車領域廣泛應用。

科技企業直接布局L4、L5級別的高級自動駕駛和無人駕駛。汽車企業通過產品迭代的方式，在L2、L3級別自動駕駛和ADAS領域有所進展。

我們認為，自動駕駛是AI技術的重要應用場景，近年來的人工智能投資大量集中于新造車力量(自動駕駛+新能源汽車)、自動駕駛芯片和解決方案(Mobileye、地平線等)、自動駕駛商業化運營(主線科技、圖森科技等)。

此外，傳統汽車OEM和零部件供應商也在發力，希望在自動駕駛領域獲得更大市場。

科技巨頭開始轉向更適應快速量產的解決方案。

谷歌的無人駕駛項目始于2009年，并在2016年成立Waymo來擴大業務。

截至2018年10月Waymo實際路測超千萬英里，全行業領先。公司并在2018年宣布訂購8萬輛車，籌建L4自動駕駛的改裝產線;目前已在鳳凰城推出無人出租車WaymoOne，建立收費模式與運營經驗，可望加速商用。

此外，Waymo積極布局海外，2018年在上海注冊全資子公司。英偉達推出L2+自動駕駛系統DRIVEAutoPilot，在多方向上配備個鏡頭，能夠在汽車變道、行人與騎行人士識別、停車輔助、實時地圖生成和駕駛員狀態監控等多方面提供輔助。

百度發布Apollo3.5版本、“自動駕駛物流”商業化解決方案ApolloEnterprise、面向自動駕駛的高性能開源計算框架ApolloCyberRT。

Apollo3.5版本可以實現包括市中心和住宅場景在內的復雜城市道路無人駕駛，更智能、更強大的自動駕駛解決方案可以在多個應用場景實現全面覆蓋。百度Apollo無人駕駛巴士亦在北京海淀公園等園區開始試運營。

圖像識別可廣泛用于各類場景。圖像識別技術已經用于動態人臉識別、在線/離線活體檢測、超大人像庫實時檢索、證件識別、行人檢測、軌跡分析等領域，具體到2G和2G端可用于地產、安防、交通、無人駕駛、零售、商業等具體場景。

傳統汽車廠商和零部件供應商開始更多地展示其產品的智能化、數字化應用。

以BBA(奔馳、寶馬、奧迪)為代表，超大尺寸的車載屏幕已經進入量產階段，未來越來越多的車輛會搭載更大、更多的屏幕。

車內影音娛樂系統也與VR/AR等技術進行了深度融合。傳統汽車企業在人機交互(智能語音)、智能導航、輔助駕駛ADAS等領域迭代探索。

部分龍頭汽車零部件供應商開始設想L4/L5級自動駕駛技術普及后的出行體驗。

博世在2019年CES上展示多項創新技術，涉及能源、交通擁堵和環境污染等方面;

首次展示了其無人駕駛電動巴士概念車，該車配備了電動車動力總成系統、360度環繞傳感器、互聯管理和車載電腦等創新技術。大陸集團展示了未來城市的解決方案和關鍵技術，比如智能交叉路口技術等。

語音助手、智能音箱、智能家居:AI+IoT

巨頭密集布局互聯網語音助手。語音助手是智能語音在個人用戶上的主要應用形式，目前市場產品主要包括蘋果Siri、微軟Cortana、谷歌Assistant、亞馬遜Alexa等。

產品的主要形式為:以智能手機、智能音箱、智能電視等為硬件載體，通過語義交互、對話等形式為客戶提供信息查詢、硬件控制、在線購物、影音娛樂等功能。目前全球主要科技巨頭均推出了相關產品及服務。

語音助手具有AI+互聯網的生態入口屬性。

語音助手的主要功能目前集中在信息查詢、影音娛樂、個人助手、部分生活服務、智能家居及其他硬件控制等為主。

語音助手目前主要集成在智能手機等移動設備上，依靠巨頭的系統生態圈，嵌入移動終端的語音助手將會發揮AI生態接口的作用。

語音助手具有較好的用戶粘性，同時用戶對語音助手的使用對智能手機、Pad等現有設備已具有替代和分流作用。

巨頭開放智能語音AI能力，推動自有AI+互聯網生態構建。

隨著計算機視覺等其他AI技術的融入，智能語音在行業市場中應用場景有望持續擴展。

全球科技巨頭在全力布局智能語音助手、智能音箱，打造智能語音生態等的同時，亦通過智能語音技術能力的開放提升自身在行業市場的參與度。

數據、算法與算力、應用場景為當前人工智能產業三大核心要素，科技巨頭具有技術和生態的雙重優勢，有望以基礎技術開放平臺為抓手，實現數據、應用場景等層面的不斷積累，從而推動AI生態的構建和閉環，并最終實現自我持續強化。

智能音箱:巨頭全力布局，市場加速普及。

全球已有眾多科技巨頭進入智能音箱市場，包括美股五強FAAMG、中國BAT、小米、科大訊飛等。

自首發至2018年6月，亞馬遜、谷歌、阿里、小米智能音箱累計銷量分別超過3000萬、1500萬、500、100萬臺。

借助豐富的產品線、爆款定價策略等優勢，科技巨頭有望持續主導全球智能音箱市場。

2018年11月28日小米第二屆AIoT開發者大會在北京舉辦，確認“AI+IoT”是公司核心戰略，宣布小米AIoT開放生態，宣布與宜家達成戰略合作。

截至2018年底小米體系已支持近2000款設備，全球范圍的智能設備連接數超過1.32億臺。在IoT領域的合作伙伴，只要接入小米的協議和規范就可以和小米設備互聯，享受進入開放生態的福利。

科技巨頭發力AIoT生態體系。

越來越多的公司兼容主流的智能家居生態，比如三星、LG、索尼、Vizio等發布的新產品均同時支持谷歌Assistant和亞馬遜的Alexa。

智能客服

智能客服是AI應用最廣泛的細分行業。

智能客服的核心技術包含語音識別、自然語言處理、知識圖譜，部分涉及計算機視覺，其采用自然語言技術理解客戶意圖，并通過知識圖譜來構建客服機器人的理解和回答體系，可提升企業的服務效率、節省人工客服成本。

知名智能客服系統服務商有:環信、Udesk、風語者。而AI+客服又可以和AI+機器人進行結合，典型產品如小i客服機器人。

按照行業平均水平，機器人客服可以解決70%左右問題，其余由人工處理。

據IDC統計，全球2018年AI系統支出中，客戶服務與智能銷售的支出規模分別為29億美元和17億美元，合計占總支出規模的19%。

智慧商業:AI+商業

AI助力線下新零售。

AmazonGo為亞馬遜提出的無人商店概念，無人商店于2018年1月22日在美國西雅圖正式對外營運。

AmazonGo結合了云計算和機器學習，應用拿了就走技術(JustWalkOutTechnology)和智能識別技術(AmazonRekognition)。

店內的相機、感應監測器以及背后的機器算法會辨識消費者拿走的商品品項，并且在顧客走出店時將自動結賬，是零售商業領域的全新變革。

對于傳統線下商業，電子化、數據化和智能化有助提升效率。

線下商業企業開始嘗試使用電子價簽、基于計算機視覺的數據跟蹤和分析、人工智能在選址和運營中的應用。

我們判斷，電子化、數據化和智能化將助力線下商業零售行業競爭格局重構。

線上商業零售，以數據為基礎打造閉環AI商業生態。

以阿里為例，在零售、電子商務端的大數據以數據銀行的形式作為底層數據，通過大數據、云計算、AI分析為客戶提供決策支持，覆蓋金融、社交、商業、物流等多體系，形成完整的AI+商業生態體系。

智慧安防:AI+安防

AI+安防是AI圖像識別2G的主要落地方式。

傳統安防設備將音視頻材料簡單記錄后，需要大批量人工進行逐一甄別或實時監控。

引入AI后，算法可以自動將人像及事故場景與預設標簽比較，識別出特定人物及事故，充分盤活原有音視頻及圖像數據資源。

AI+安防可用于市政治安管理，提升智能發現的事件數目，降低事件發生處理平均時長，對警、消、救等各類車輛進行聯合指揮調度。

也可以用于車站、機場等需要驗證信息的特殊場景，減少人工成本及審核時間，提高效率。

國內安防市場具有較大潛力。

目前國內安防市場規模穩步增長，相比發達國家，我國攝像頭滲透率仍待提高。

海康威視是目前國內乃至于全球的安防龍頭，產品由底層的攝像頭硬件、人臉及物體識別算法、后臺系統、數據庫等全面覆蓋。

城市大腦:AI+城市治理

大城市病和新型城鎮化給城市治理帶來新挑戰，刺激AI+城市治理的需求。

大中型城市隨著人口和機動車數量的增加，城市擁堵等問題比較突出。隨著新型城鎮化的推進，智慧城市將會成為中國城市的主要發展模式。而智慧城市涉及的AI+安防、AI+交通治理將會成為G端的主要落地方案。

2016年杭州首次進行城市數據大腦改造，高峰擁堵指數下降至1.7以下。目前以阿里為代表的城市數據大腦已經進行了超過15億元的投資，主要集中在智能安防、智能交通等領域。

城市交通也是AI的重點場景。

從城市問題與落地的技術瓶頸來看，交通領域具有優先的落地價值。

以城市大腦為中樞，連接攝像頭、車輛標簽、交通流量等數據，通過云端的分析和整合，從而實現對城市的精準分析、整體研判、協同指揮，緩解擁堵、停車困難、路線規劃、事故處理、違章告發等首要交通問題。

智慧醫療:AI+醫療

AI+醫療多應用于醫療輔助場景。在醫療健康領域的AI產品涉及智能問診、病史采集、語音電子病歷、醫療語音錄入、醫學影像診斷、智能隨訪、醫療云平臺等多類應用場景。

從醫院就醫流程來看，診前產品多為語音助理產品，如導診、病史采集等，診中產品多為語音電子病例、影像輔助診斷，診后產品以隨訪跟蹤類為主。

綜合整個就診流程中的不同產品，當前AI+醫療的主要應用領域仍以輔助場景為主，取代醫生的體力及重復性勞動。

AI+醫療的海外龍頭企業是Nuance，公司50%的業務來自智能醫療解決方案，而病歷等臨床醫療文獻轉寫方案是醫療業務的主要收入來源。

Fintech:AI+金融

AI+金融已在智能投顧領域大規模應用。智能投顧也稱機器人投顧(Robo-Advisor)，主要是結合大數據、機器學習、市場信息來分析預測金融資產的價格走勢;并根據客戶收益目標及風險承受能力，構建符合客戶需求的投資組合。量化投資在過去幾年呈現高速增長。

據拓墣產業研究預測，全球智能投顧規模在2020年達到5.9萬億美元(CAGR+75%);

Statista預測，中國智能投顧資產規模將在2022年達到6651億美元(CAGR+87%)。在2018Q2國內三家智能投顧規模最大的三家銀行:招商銀行、中國銀行、工商銀行的智能投顧規模分別達到116.25億元、40億元和20億元。

數據產業鏈:IoT、5G、IDC和云計算領域孕育更廣泛的AI投資機會。

數據是AI的核心。根據DIC預測，受益于移動互聯網紅利，全球數據量或將從16ZB(2016年)快速增長到40ZB(2020年)，到2025年或增至160ZB。

數據中心IDC需求持續較高增長。

物聯網IoT將進一步增加數據量和數據維度，驅動數據量增速超預期。

5G技術將進一步提升移動互聯網傳輸速度和連接數，帶來工業互聯網和智慧城市等更廣泛的機遇。

預計2020-2025年5G訂閱用戶數將從0.4億爆發式增長到26.1億(CAGR=131%)。云計算市場亦將持續較快增長。預計數據產業鏈(采集、傳輸、存儲、運算)會孕育更廣泛的AI投資機遇。