2018年人工智能专题发展趋势分析研究报告

2018年人工智能专题现状及发展趋势分析研究

报告

Word格式，下载后可编辑修改

1. 计算瓶颈突破，AI 迎来第三次爆发，颠覆传统竞争模式 (7)

1.1 AI 同时实现“低成本与差异化”，增强企业竞争力 (7)

1.2 产学研全面推进，AI 迎来第三次爆发 (11)

1.3 “计算瓶颈突破&商用价值提升”引爆AI 产业链 (15)

2. 各科技巨头加速布局，AI 芯片进展迅速 (18)

2.1 芯片制造工艺提升，“GPU、FPGA、ASIC”计算能力持续改善 (18)

2.2 Google：通过“TensorFlow 系统、TPU 芯片”再塑AI 时代生态 (24)

2.3 NVIDIA：受AI 市场强劲需求驱动，AI 芯片业务持续爆发 (25)

2.4 英特尔：收购FPGA 龙头Altera，巨资研发AI 专用芯片（Xeon Phi） (27)

2.5 IBM：重磅推出多款并行式类脑芯片，大幅提升AI 算力 (28)

2.6 苹果：iPhoneX 集成A11 人工智能芯片，以支持Core ML 及AI 应用 (29)

2.7 华为：发布全球首款AI 移动芯片（麒麟970） (30)

3. AI易取代“确定规则”的工作，关注智能安防、无人驾驶等领域 (31)

3.1 AI 可进行模式识别，易取代“确定规则”任务 (31)

3.2 自然语言处理应用领域广泛，是当前AI 技术瓶颈 (33)

3.3 AI 商业潜能受“技术成熟度、行业规模、渗透率”驱动 (34)

3.4 智能安防：国内安防市场增速较快，智能安防成为行业趋势 (35)

3.5 无人驾驶：行业前景广阔，ADAS 系统受益行业快速发展 (37)

3.6 投资建议 (39)

3.7 风险揭示 (39)

图表目录

图1：人工智能可分为“基础层、技术层、和应用层” (7)

图2：波特的成本领先、差异化、集中化战略 (8)

图3：AI 可同时“降低成本，并实现差异化 (8)

图4：中国老龄化加剧，劳动人口占比骤然降低 (8)

图5：2013 年中国制造业相对成本优势已不显著 (8)

图6：德勤预言2020 年美国制造业竞争力将超越中国 (9)

图7：中国机器人市场提升空间巨大 (9)

图8：产业发展后期，行业将从卖方市场转向买方市场 (9)

图9：直接面向消费者行业，需满足消费者个性化需求 (9)

图10：人工智能时代，AI 可同时“降低成本，并实现差异化，大幅增强竞争力 (10)

图11：汽车制造的产业变迁过程 (11)

图12：算法、数据、计算机能力陆续遭遇研究瓶颈，人工智能历经数次起伏 (12)

图13：2012 年以来，AI 全球投资总额大幅增长 (12)

图14：2011-2015 年人工智能公司风投融资额及数量 (12)

图15：近年来，中国人工智能专利数量剧增 (13)

图16：2014-2019 年中国人工智能市场规模 (13)

图17：人工智能指数大幅跑赢市场指数，AI 标的的超额收益明显 (13)

图18：海外科技巨头（英伟达、AI 芯片）股价持续暴涨 (14)

图19：2017 年，科大讯飞（语音识别）股价走势强劲 (14)

图20：AI 上升为国家战略，利好政策持续出台 (15)

图21：中国人工智能“三步走的战略目标” (15)

图22：深度学习从无标记数据中提取抽象特征，可无限逼近事物真实形态 (16)

图23：NVIDIA GPU 3 年间将深度学习效率提升50 倍 (17)

图24：NVIDIA TITAN X 深度学习训练天数远低于CPU (17)

图25：英伟达2 年间深度学习合作伙伴数量增长34 倍 (17)

图26：2016 年，英伟达合作伙伴达19439 家 (17)

图27：深度学习图像识别率已经超过人类 (18)

图28：2016 年，百度科大讯飞搜狗的语音识别率达97% (18)

图29：CPU 结构示意图 (19)

图30：串行计算、并行计算示意图 (19)

图31：CPU 及GPU 内部架构示意图 (19)

图32：英特尔CPU 与英伟达GPU 性能对比图 (19)

图33：FPGA 内部结构示意图 (20)

图34：Google 的TPU 实物图 (20)

图35：“CPU、GPU、FPGA、ASIC”的芯片对比情况 (21)

图36：英特尔、三星、TSMC 的10nm 芯片技术公司对比 (21)

图37：操作系统、芯片均具有规模效应，易寡头垄断 (22)

图38：集成电路的产业链 (22)

图39：2016 年，全球芯片公司的营收占比（%） (23)

图40：2009-2015 年，中国集成电路的市场规模及增速 (23)

图41：中国大陆的12 寸晶圆厂分布 (23)

图42：中国大陆晶圆厂的产能分布情况 (23)

图43：最受欢迎的AI 开源平台——Tensorflow (25)

图44：Google TPU（Tensor Processing Unit）实物图 (25)

图45：NVIDIA 全面布局AI，构建端到端深度学习平台 (26)

图46：NVIDIA GPU 3 年间将深度学习效率提升50 倍 (26)

图47：英特尔全面布局人工智能领域 (28)

图48：FPGA 可明显降低人工智能算法能耗 (28)

图49：IBM 的TrueNorth 芯片结构、功能、物理形态图 (29)

图50：IBM 人工纳米级的随机相变神经元构造 (29)

图51：苹果公司的机器学习框架Core ML (30)

图52：比A10，A11 性能核提升25%，能效核提升70% (30)

图53：汽车制造的产业变迁过程 (31)

图54：人工智能发展驱动力强劲，替代人工作业趋势不可逆转 (32)

图55：机器学习与人类学习的对比 (33)

图56：当前AI 技术仅可模式识别，适用于确定规则场景 (33)

图57：自然语言处理NLP 的研究内容及分层 (33)

图58：自然语言处理(NLP)的典型任务——机器翻译 (33)

图59：自然语言处理(NLP)的典型应用场景 (34)

图60：实现自然语言处理(NLP)的主要瓶颈 (34)

图61：AI 商业潜能的主要驱动因素 (35)

图62：“教育、医疗、金融、安防、无人驾驶”AI 潜力 (35)

图63：中国安防行业市场规模及增速 (36)

图64：视屏监控占安防市场的比例高达49% (36)

图65：各地每千人配备的监控摄像机数量（个） (36)

图66：东方网力的营收、净利润及增速 (37)

图67：2017 年上半年，东方网力的营业收入占比（%） (37)

图68：Mobileye EyeQ 芯片发展蓝图 (38)

图69：ADAS 系统对应汽车自动化1-3 级 (38)

表1：传统神经网络算法与深度学习算法的对比 (15)

表2：2018Q2，NVIDIA 与AI 相关“数据中心”业务低于预期 (27)

表3：2015 年，Mobileye 营收增速高达67.36%，呈现爆发增长态势 (39)

1. 计算瓶颈突破，AI 迎来第三次爆发，

颠覆传统竞争模式

1.1 AI 同时实现“低成本与差异化”，增强企业竞争力 “以人工智能为代表的新兴产业”正引导第四次产业革命：人工智能（Artificial Intelligence or AI ）通过模拟、延伸和扩展人类智能，使机器胜任人类智能才能完成的复杂工作。“以 AI 为核心的信息技术产业群”被誉为第四次工业革命，包括物联网、大数据、人工智能、云计算等。根据艾瑞咨询， 2020 年全球 AI 市场规模将达到 1190 亿元，年复合增速约 19.7%；同期，中国人工智能增速将达 91 亿元，年复合增速超 50%，远超全球增速，市场前景广阔。人工智能可分为基础层、技术层和应用层，基础层为算力支撑（AI 芯片、云计算），技术层为算法平台，应用层是 AI 向各传统行业渗透应用。

图 1：人工智能可分为“基础层、技术层、和应用层”

人工智能可同时实现“成本降低、及差异化”，大幅增强竞争优势：根据波特《竞争战略》，企业竞争战略可分为：成本领先、差异化、集中化三种：1）“成本领先战略”通过各类途径（如规模化、标准化），在牺牲差异化基础上，降低产品生产成本，专攻“价格敏感性客户”；2）差异化战略：通过提升产品特色及价值，适当增加制造成本，进一步满足客户需求，专攻“存在特殊需求的客户”；3）集中化战略：仅专注于某一特定的细分市场，在该细分市场中，再通过成本领先、差异化战略，来获取竞争优势。企业试图在竞争中获胜，需选择“成本领先、差异化、集中化”三类战略中的一种，而“处于中间战略或者战略定位模糊的企业”则难以争取到“成本导向客户”及“（差异化）价值导向客户”，处于竞争劣势。

通常“差异化战略”意味以牺牲成本为代价，因其无法产生规模化效应，且需额外投入以增加产品附加值（特色）。波特教授认为，若某一战略或技术可同时实现“成本降低、

应用层

人工智能+各行业。利用技术层输出的AI 技术为用户提供智能化的服务和产品

技术层

算法模型、应用开发。通过不同类型的算法建立模型，形成有效的可供应用的技术

基础层

数据资源、计算能力。基

础资源支持层，由运算平台和数据工厂组成