起點(diǎn)課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項(xiàng)技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導(dǎo)直播
12場專業(yè)技能直播
會員專屬社群
榮耀標(biāo)識人工智能行業(yè)研究報告
“人工智能就像一列火車，它臨近時你聽到了轟隆隆的聲音，你在不斷期待著它的到來。它終于到了，一閃而過，隨后便遠(yuǎn)遠(yuǎn)地把你拋在身后?！?/p>
“人工智能已經(jīng)來了，而且就在我們的身邊，幾乎無處不在?！?/p>
一、什么是人工智能
人工智能（Artificial Intelligence），英文縮寫為AI，是達(dá)特茅斯大學(xué)助理教授John McCarthy在1956年提出的。但是，對于人工智能的定義一直沒有統(tǒng)一的觀點(diǎn)，不同的學(xué)者和研究人員根據(jù)不同的語境和關(guān)注的角度提出了多種對于人工智能的定義。
筆者根據(jù)多年的投資經(jīng)驗(yàn)以及對人工智能項(xiàng)目的實(shí)地盡調(diào)，認(rèn)為人工智能是指使用機(jī)器代替人類實(shí)現(xiàn)認(rèn)知、識別、分析、決策等功能，其本質(zhì)是對人的意識與思維的信息過程的模擬。 而我們在衡量人工智能能力的時候，必然涉及到三方面的能力，即計(jì)算能力、感知能力、認(rèn)知能力。
其中，計(jì)算能力是指機(jī)器快速計(jì)算和記憶存儲能力。在計(jì)算能力方面，計(jì)算機(jī)已遠(yuǎn)遠(yuǎn)超過人類的計(jì)算和存儲能力；感知能力，是解決機(jī)器聽到看到問題，一般指視覺、聽覺、觸覺等感知能力，在技術(shù)層面，一般認(rèn)為語音識別、圖像識別等技術(shù)屬于感知智能的領(lǐng)域；認(rèn)知能力，解決機(jī)器聽懂看懂的問題，通俗講是“能理解、會思考”。
二、國內(nèi)AI市場概況
（1）技術(shù)層面，計(jì)算機(jī)視覺是當(dāng)前熱點(diǎn)，芯片和算法等底層會是未來方向
通過上圖我們可以發(fā)現(xiàn)，近幾年，國內(nèi)AI行業(yè)高速發(fā)展，環(huán)比增速在45%左右，預(yù)計(jì)到2020年，整個國內(nèi)的AI市場容量將達(dá)到710億元，說完了整體市場容量，筆者再帶大家看下當(dāng)前人工智能市場的技術(shù)規(guī)模結(jié)構(gòu)：
其中各個技術(shù)板塊的主要技術(shù)應(yīng)用分別如下：
- 語音：語音識別、語音合成、語音交互、語音評測、人機(jī)對話、聲紋識別；
- 計(jì)算機(jī)視覺：生物識別（人臉識別、虹膜識別、指紋識別、靜脈識別）、情感計(jì)算、情緒識別、表情識別、行為識別、手勢識別、人體識別、視頻內(nèi)容識別、物體和場景識別、計(jì)算機(jī)視覺、機(jī)器視覺、移動視覺、OCR、手寫識別、文字識別、圖像處理、圖像識別、模式識別、眼球追蹤、人機(jī)交互、SLAM、移動視覺、空間識別、三維掃描、三維重建 ；
- 自然語言處理：自然語言交互、自然語言理解、語義理解、機(jī)器翻譯、文本挖掘（語義分析、語義計(jì)算、分類、聚類）、信息提取、人機(jī)交互；
- ML/DL 算法及平臺：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、算法平臺 ；
- 基礎(chǔ)硬件：芯片、高清圖傳設(shè)備、激光雷達(dá)、傳感器、服務(wù)器。
從餅狀圖，可以看到，目前國內(nèi)人工智能技術(shù)，主要在感知智能，感知智能正在突飛猛進(jìn)，技術(shù)成熟度相對較高，而對于認(rèn)知智能（自然語言理解等），仍然需要進(jìn)一步的發(fā)展。
（2）應(yīng)用層面， “AI+”和智能機(jī)器人占據(jù)主導(dǎo)
通過上圖，我們可以發(fā)現(xiàn)現(xiàn)在在應(yīng)用層面上，AI+的應(yīng)用占比最大，達(dá)到40%，其次是智能機(jī)器人，達(dá)到27%，各個產(chǎn)業(yè)具體應(yīng)用如下：
- 智能機(jī)器人（含解決方案）：工業(yè)機(jī)器人（側(cè)重生產(chǎn)過程，如搬運(yùn)、焊接、裝配、碼垛、噴涂等）、行業(yè)服務(wù)機(jī)器人（應(yīng)用于銀行、餐廳、酒店、商場、展廳、醫(yī)院、物流）、個人/家用機(jī)器人（虛擬助理、情感陪伴機(jī)器人、兒童機(jī)器人、教育機(jī)器人、家庭作業(yè)機(jī)器人（掃地、擦窗等）、家用安防機(jī)器人、車載機(jī)器人）；
- 智能駕駛（含解決方案）：智能駕駛、無人駕駛、自動駕駛、輔助駕駛、高級駕駛輔助系統(tǒng)（ADAS）、激光雷達(dá)、超聲波雷達(dá)、毫米波雷達(dá)、GPS 定位、高精度地圖、車載芯片、人車交互、車聯(lián)網(wǎng)；
- 無人機(jī)（含解決方案）：消費(fèi)級無人機(jī)（娛樂、航拍） 工業(yè)無人機(jī)（農(nóng)林、電力、物流、安防等領(lǐng)域）；
- 大數(shù)據(jù)及數(shù)據(jù)服務(wù)：數(shù)據(jù)可視化、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)挖掘、數(shù)據(jù)解決方案。
在AI+方面，當(dāng)前AI和具體行業(yè)或場景的結(jié)合情況如下，其中最主要的場景分別為金融、制造、電商、醫(yī)療等。
數(shù)據(jù)來源：2017 CSDN中國開發(fā)者大調(diào)查
（3）融資層面，融資金額逐年提高，單筆金額逐漸增大
數(shù)據(jù)來源：IT桔子 2012-2017AI融資趨勢
從2012年至今，我國AI領(lǐng)域共有1354家公司，投資事件1353起，投資總額為1448億人民幣。2012年，我國的AI投資事件共26起，投資金額為6億元人民幣，到了2017年，投資事件已經(jīng)高達(dá)334起，投資總額已經(jīng)超過550億元人民幣，相比2012年翻了上百倍。不過，相對2016年，2017年的投資事件有所下降，但是投資總額大幅上升，資本對于AI的熱情還是值得肯定的。
三、人工智能發(fā)展背景
1. 人工智能發(fā)展史
從1956年提出概念，到2016年大規(guī)模爆發(fā)，在這60多年里，人工智能一共經(jīng)歷了三起二落，在1970年和2000年，人工智能的發(fā)展陷入了低谷，原因主要是：
- 當(dāng)時的算法和科技水平無法滿足人工智能的需求，最后也都是依靠算法的進(jìn)化和計(jì)算能力的提升而突破。
- 人工智能的應(yīng)用達(dá)不到人們的預(yù)期，政府縮減投入。
當(dāng)前，人工智能正處于第三次熱潮。這次熱潮除了結(jié)合技術(shù)以及算法的提高之外，最大特點(diǎn)是通過深度學(xué)習(xí)和大數(shù)據(jù)的結(jié)合，使得人工智能在多個領(lǐng)域找到了真實(shí)的應(yīng)用場景，與具體業(yè)務(wù)場景相結(jié)合，開始在一些行業(yè)中發(fā)揮著巨大的作用。
2. 人工智能發(fā)展三要素
如果用一個公式來概括人工智能發(fā)展受那些因素影響，那么這個公式可以是AI=算力+算法+數(shù)據(jù)，關(guān)于這三者的關(guān)系,著名人工智能專家吳恩達(dá)曾有一個著名的比喻：發(fā)展人工智能就像用火箭發(fā)射衛(wèi)星，需要強(qiáng)有力的引擎和足夠的燃料，如果燃料不夠，火箭無法將衛(wèi)星推到合適的軌道；如果引擎推力不夠，火箭甚至都不能起飛。而這當(dāng)中，算法模型就好像引擎，高性能的計(jì)算機(jī)是打造引擎的工具，海量的數(shù)據(jù)就是引擎的燃料。
（1）算力，主要包含芯片+超級計(jì)算機(jī)+云計(jì)算
FLOPS是Floating-point Operations Per Second每秒所執(zhí)行的浮點(diǎn)運(yùn)算次數(shù)的英文縮寫，它是一個衡量計(jì)算機(jī)計(jì)算能力的量，計(jì)算機(jī)每秒執(zhí)行的浮點(diǎn)運(yùn)算次數(shù)越多，算力越強(qiáng)，1GFLOPS (gigaFLOPS) =每秒10億 (=10^9) 次的浮點(diǎn)運(yùn)算。
注：浮點(diǎn)運(yùn)算能力大?。?/p>
- 1MFLOPS (megaFLOPS) =每秒1百萬 (=10^6) 次的浮點(diǎn)運(yùn)算
- 1GFLOPS (gigaFLOPS) =每秒10億 (=10^9) 次的浮點(diǎn)運(yùn)算
- 1TFLOPS (teraFLOPS) =每秒1萬億 (=10^12) 次的浮點(diǎn)運(yùn)算
- 1PFLOPS (petaFLOPS) =每秒1千萬億 (=10^15) 次的浮點(diǎn)運(yùn)算
（2）算法
傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的時候，由于技術(shù)能力的限制，人工智能在很多行業(yè)都沒法具體應(yīng)用和落地，深度神經(jīng)網(wǎng)絡(luò)出現(xiàn)之后，人工智能的技術(shù)能力有了飛速的提升。
以計(jì)算機(jī)視覺為例：其主要識別方式發(fā)生重大轉(zhuǎn)變，自學(xué)習(xí)狀態(tài)成為視覺識別主流，機(jī)器從海量數(shù)據(jù)庫里自行歸納物體特征，然后按照該特征規(guī)律識別物體。圖像識別的精準(zhǔn)度也得到極大的提升，從70%+提升到95%。
（3）數(shù)據(jù)
2017年全球人口有75億，一個人，一年產(chǎn)生的數(shù)據(jù)量大約是52GB的信息， 雖然作為個體的我們的確非常的渺小，但是整個人工智能的發(fā)展也離不開我們每一個人的貢獻(xiàn)，因?yàn)槲覀兠總€人無時無刻都在給AI輸送著燃料。
四、人工智能的產(chǎn)業(yè)鏈分析
人工智能從底層到應(yīng)用層，大致可以分為技術(shù)支撐層，基礎(chǔ)應(yīng)用層和方案集成層，下面筆者會對每塊內(nèi)容，做個說明。
1. 技術(shù)支撐層
（1）芯片
1）芯片分類
芯片一般是指集成電路的載體，由晶圓分割而成，芯片按照功能不同可分為很多種，有負(fù)責(zé)音頻視頻處理的，有負(fù)責(zé)圖像處理的，還有負(fù)責(zé)復(fù)雜運(yùn)算處理的，算法必須借助芯片才能夠運(yùn)行，不同場景及技術(shù)，對于芯片的性能要求也不一樣。當(dāng)前大家接觸比較多的芯片應(yīng)該就是CPU和GPU了。
CPU 基于高通用、強(qiáng)邏輯的設(shè)計(jì)—偏認(rèn)知能力的應(yīng)用
CPU需要很強(qiáng)的通用性來處理各種不同的數(shù)據(jù)類型，在大規(guī)模并行計(jì)算能力上極受限制，而更擅長于邏輯控制。核心:存儲程序，順序執(zhí)行。
GPU是基于大吞吐量、高并發(fā)設(shè)計(jì)—偏感知能力的應(yīng)用
和通用類型數(shù)據(jù)運(yùn)算不同，GPU擅長的是大規(guī)模并發(fā)計(jì)算，這也正是密碼破解等所需要的。
CPU和GPU的區(qū)別：
舉個栗子：一個數(shù)學(xué)教授和100個小學(xué)生PK。
- 第一回合，四則運(yùn)算，100道題。教授拿到卷子一道道算，一百個小學(xué)生各拿一道題各自算，教授剛開始算到第5題的時候，小學(xué)生集體交卷，第一回合小學(xué)生碾壓教授。
- 第二回合，證明題。一道題，當(dāng)教授搞定后，一百個小學(xué)生還不知道在干嘛…….
- 第二回合，教授碾壓一百個小學(xué)生，這就是CPU和GPU的淺顯比較。
高通用：除了四則運(yùn)算、還可以有證明題、幾何體、微積分題等等。
強(qiáng)邏輯：證明題，證明過程上下是有邏輯的，單獨(dú)抽出來看一行是沒有意義。
高并發(fā)：一下子100道題。
因?yàn)镃PU的架構(gòu)中需要大量的空間去放置存儲單元和控制單元，相比之下計(jì)算單元只占據(jù)了很小的一部分，所以它在大規(guī)模并行計(jì)算能力上極受限制，而更擅長于邏輯控制。這方面，GPU剛好相反，但GPU無法單獨(dú)工作，必須由CPU進(jìn)行控制調(diào)用才能工作。CPU可單獨(dú)作用，處理復(fù)雜的邏輯運(yùn)算和不同的數(shù)據(jù)類型，但當(dāng)需要大量的處理類型統(tǒng)一的數(shù)據(jù)時，則可調(diào)用GPU進(jìn)行并行計(jì)算。
2）芯片上下游產(chǎn)業(yè)鏈情況
不同的芯片在不同的算法及應(yīng)用場景下，功能和價值是不一樣的，原因主要和集成電路設(shè)計(jì)的結(jié)構(gòu)有關(guān)。
晶圓：芯片是半導(dǎo)體，主要材料是硅，制作硅的工藝，較小、較薄，節(jié)省材料，單位材料下可以做更多芯片。
專業(yè)封測：封裝材料塑料、陶瓷、玻璃、金屬等，完成封裝后，便要進(jìn)入測試的階段，在這個階段便要確認(rèn)封裝完的 IC 是否有正常的運(yùn)作，正確無誤之后便可出貨給組裝廠。
在芯片產(chǎn)業(yè)鏈上，越接近上游，附加值越高，技術(shù)門檻越大，資本投入的效益也越高。當(dāng)前在芯片這塊，Intel、IBM、三星這幾家巨頭企業(yè)在芯片上下游的工藝全有，整體產(chǎn)業(yè)鏈控制力強(qiáng)，而國內(nèi)的中興集團(tuán)在通訊設(shè)備和手機(jī)這塊，大量和核心元器件是從國外進(jìn)行采購，一但發(fā)送貿(mào)易摩擦，很容易被國外掐斷這塊原材料的供應(yīng)，比較容易受制于人。
3）未來， AI定制芯片必為趨勢
任何一種產(chǎn)品或者商業(yè)模式在她剛出來的時候，當(dāng)對于她在哪個行業(yè)具備較大經(jīng)濟(jì)價值的時候，通常都是先做通用化，然后再做垂直化，通過垂直化的服務(wù)優(yōu)勢，來提升整個產(chǎn)品以及商業(yè)模式的核心競爭力。按照上文所述，CPU和GPU都是較為通用的芯片，但是，隨著行業(yè)的快速發(fā)展，人們對于芯片的個性化要求也越來越高，萬能工具的效率永遠(yuǎn)比不上專用工具。
人工智能領(lǐng)域作為一個數(shù)據(jù)密集的領(lǐng)域，傳統(tǒng)的數(shù)據(jù)處理技術(shù)難以滿足高強(qiáng)度并行數(shù)據(jù)的處理需求。為解決此問題，繼CPU和GPU之后，相繼出現(xiàn)了NPU、FPGA、DSP等專門針對AI的芯片。
TPU—用于加速深度學(xué)習(xí)運(yùn)算能力而研發(fā)的一款芯片
代表公司GOOGLE
原來很多的機(jī)器學(xué)習(xí)以及圖像處理算法大部分都跑在GPU與FPGA（半定制化芯片）上面，但這兩種芯片都還是一種通用性芯片。所以在效能與功耗上還是不能更緊密的適配機(jī)器學(xué)習(xí)算法，TPU與同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率提升。
NPU— 即神經(jīng)網(wǎng)絡(luò)處理器，利用電路模擬人類的神經(jīng)元和突觸結(jié)構(gòu)
代表公司寒武紀(jì)
專門高效地進(jìn)行 AI相關(guān)計(jì)算定制的處理器，就像GPU之于圖形處理相關(guān)的計(jì)算，ISP之于成像相關(guān)的計(jì)算。NPU性能達(dá)到了1.92TFLOP，使用NPU計(jì)算比使用CPU計(jì)算要高出25倍的速度，50倍的能效比。
4）國內(nèi)芯片企業(yè)介紹
（2）算法模型
筆者前面說了很多關(guān)于人工智能的介紹以及分析，那么到底怎么樣才是智能，也就是人工智能的核心是什么，在筆者看來無非四個字——機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)是需要算法來支持的，算法的作用：對數(shù)據(jù)進(jìn)行歸納和演繹，最終目的是提高識別效率和準(zhǔn)確率 ，然后對真實(shí)世界中的事件做出決策和預(yù)測。人工智能的核心就是通過不斷地機(jī)器學(xué)習(xí)，而讓自己變得更加智能。
那什么又是機(jī)器學(xué)習(xí)呢？
機(jī)器學(xué)習(xí)是讓計(jì)算機(jī)有能力在不需要明確編程的情況下，用大量的數(shù)據(jù)來“訓(xùn)練”，從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。在深度學(xué)習(xí)出現(xiàn)之前，機(jī)器學(xué)習(xí)領(lǐng)域的主流是各種淺層學(xué)習(xí)算法， 如神經(jīng)網(wǎng)絡(luò)的反響傳播算法（BP算法）、支撐向量機(jī)（SVM）、 Boosting、Logistic Regression等。這些算法的局限性在于對有限樣本和計(jì)算單元的情況下對復(fù)雜函數(shù)的表示能力有限，對復(fù)雜數(shù)據(jù)的處理受到制約。
1）深度學(xué)習(xí)是通過模擬大腦結(jié)構(gòu)的多層神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)
大腦中的神經(jīng)元，又稱神經(jīng)細(xì)胞，是構(gòu)成神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的基本單位，它由細(xì)胞體和細(xì)胞突起構(gòu)成，每個神經(jīng)元有好幾個數(shù)突，只有一個軸突，可以把興奮從胞體傳送到另一個神經(jīng)元或其他組織，如肌肉或腺體。
但與大腦中一個神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡(luò)具有離散的層，每一次只連接符合數(shù)據(jù)傳播方向的其它層。
深度學(xué)習(xí)的“深度”指的就是多層神經(jīng)網(wǎng)絡(luò)的層數(shù)較多，模型結(jié)構(gòu)的深度，通常有5層、6層，甚至10多層的隱層節(jié)點(diǎn)，每層相當(dāng)于一個可以解決問題不同方面的機(jī)器學(xué)習(xí)。利用這種深層非線性的網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)可以實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，將表征輸入數(shù)據(jù)分布式表示，繼而展現(xiàn)強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力，并使概率向量更加收斂。
2）深度學(xué)習(xí)的出現(xiàn)，使得人工智能在很多行業(yè)具備了價值實(shí)現(xiàn)的可能性
深度學(xué)習(xí)出現(xiàn)之后，計(jì)算機(jī)視覺的主要識別方式發(fā)生重大轉(zhuǎn)變，自學(xué)習(xí)狀態(tài)成為視覺識別主流。即，機(jī)器從海量數(shù)據(jù)庫里自行歸納物體特征，然后按照該特征規(guī)律識別物體。圖像識別的精準(zhǔn)度也得到極大的提升，從70%+提升到95%，在醫(yī)學(xué)影像領(lǐng)域，95%的精度識別已經(jīng)具備一定使用價值，而精度識別達(dá)到達(dá)到97%以上后，將具備輔助診斷價值。
3）目前深度學(xué)習(xí)框架的開源已經(jīng)成為了趨勢
機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是需要靠算法支撐的，算法是需要不斷的利用數(shù)據(jù)進(jìn)行訓(xùn)練和優(yōu)化。自從深度學(xué)習(xí)取得突破性進(jìn)展以后，巨頭們頻頻開源，當(dāng)AI公司們使用開源平臺進(jìn)行算法的迭代時，開源平臺可以獲取數(shù)據(jù)，以及市場對應(yīng)用場景熱度的反饋，加速模型的訓(xùn)練。
在這樣的背景下谷歌公司于2015年2月15日開放了TensorFlow1.0版本。在深度學(xué)習(xí)加速發(fā)展的今天，代碼和數(shù)據(jù)庫都在迅速的更新中，開源所構(gòu)建的開發(fā)者生態(tài)是極為重要的。
4）算法和基礎(chǔ)應(yīng)用技術(shù)的關(guān)聯(lián)
上圖是筆者根據(jù)自身投資行業(yè)經(jīng)驗(yàn)以及理解，做得一個人工智能算法對于基礎(chǔ)應(yīng)用技術(shù)的一個難易程度關(guān)聯(lián)，場景化程度越高，對于算法難度的要求也會也會越大。
2. 基礎(chǔ)應(yīng)用層
（1）語音識別
技術(shù)原理：
所謂語音識別，是將聲音信號轉(zhuǎn)化成數(shù)字信號，然后通過特征提取，進(jìn)行歸納演義，推測出對應(yīng)的文字，語音識別的主要難度主要在兩個方面
首先是數(shù)據(jù)的獲取、清洗。語音識別需要大量細(xì)分領(lǐng)域的標(biāo)準(zhǔn)化語料數(shù)據(jù)作為支撐，尤其是各地方言的多樣性更是加大了語料搜集的工作量。
第二個難點(diǎn)是語音特征的提取，目前主要通過具備多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)來解決，多層的神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個特征提取器，可對信號進(jìn)行逐層深化的 特征描述，最終從部分到整體，從籠統(tǒng)到具象，做到最大程度地還原信號原始特征。
應(yīng)用場景：
投資價值及機(jī)會：
語音識別雖市場龐大但已出現(xiàn)寡頭，留給創(chuàng)業(yè)公司的機(jī)會不多，據(jù)Research and Markets研究報告顯示，全球智能語音市場將持續(xù)顯著增長，預(yù)計(jì)到2020年，全球語音市場規(guī)模預(yù)計(jì)將達(dá)191.7億美元。根據(jù)Capvision報告顯示，從語音行業(yè)市場份額角度來看，全球范圍內(nèi)，由Nuance領(lǐng)跑，國內(nèi)則是科大訊飛占據(jù)主導(dǎo)地位。
以科大訊飛為例，截止2018年
1）開放平臺
訊飛開放平臺開發(fā)者達(dá)51.8萬（同比增長102%），年增長量超過前五年總和；應(yīng)用總數(shù)達(dá)40萬（同比增長88%），年增長量超過前五年總和；平臺連接終端設(shè)備總數(shù)累計(jì)達(dá)17.6億（同比增長93%）?？拼笥嶏w當(dāng)前將語音識別很多功能模塊SDK化，根據(jù)開發(fā)者終端APP或者是設(shè)備每月的數(shù)據(jù)并發(fā)數(shù)來進(jìn)行收費(fèi)。
2）語音識別準(zhǔn)確率
當(dāng)前語音識別準(zhǔn)確率達(dá)到98%以上，基本能夠滿足大量的的業(yè)務(wù)場景和需求。
3）智能教育、政法、城市服務(wù)程度很深
初創(chuàng)公司想在這三個行業(yè)和科大訊飛競爭很難。
（2）語義識別
技術(shù)原理：
語音識別解決的是計(jì)算機(jī)“聽得見”的問題，而語義識別解決的是 “聽得懂”的問題。自然語言處理（NLP）通過建立計(jì)算機(jī)框架來實(shí)現(xiàn)該語言模型，并根據(jù)該語言模型來設(shè)計(jì)各種實(shí)用系統(tǒng)，根據(jù)統(tǒng)計(jì)學(xué)原理推算出用戶想表達(dá)的意思，對用戶行為進(jìn)行預(yù)測，然后給出對應(yīng)的指令或者是反饋。
當(dāng)前，NLP技術(shù)瓶頸主要還是在語義的復(fù)雜性，包含因果關(guān)系和邏輯推理的上下文等，現(xiàn)在解決這些問題的思路主要還是依賴于深度學(xué)習(xí)。
應(yīng)用場景：
投資價值及機(jī)會：
當(dāng)前語義識別領(lǐng)域，大的科技巨頭樂衷于收購，小而美的企業(yè)更偏好細(xì)分場景。
關(guān)于語義識別領(lǐng)域的創(chuàng)業(yè)公司，國內(nèi)代表企業(yè)有出門智能360、出門問問、三角獸、驀然認(rèn)知等。
大公司更側(cè)向于做平臺方面的通用技術(shù)，基于平臺，如果有好的項(xiàng)目出現(xiàn)，直接收購。做小而美的公司，在特定場景下的語義分析，難度要比通用行業(yè)的語義分析難度低，準(zhǔn)確率甚至可以達(dá)到85%以上，原因是基于特定場景下的語料分析，由于語料相對特定，可以在一定程度上提高準(zhǔn)確率。
智能客服：智齒科技 小I
法律咨詢：無訟、法律谷等
（3）計(jì)算機(jī)視覺
技術(shù)原理：
計(jì)算機(jī)視覺在技術(shù)流程上，首先要得到實(shí)時數(shù)據(jù)， 此步驟可通過一系列傳感器獲取，少部分?jǐn)?shù)據(jù)可直接在具備MEMS功能的傳感器端完成處理，大部分?jǐn)?shù)據(jù)會繼續(xù)傳輸至大腦平臺，大腦由運(yùn)算單元和算法構(gòu)成，在此處進(jìn)行運(yùn)算并給出決策支持。
應(yīng)用場景：
計(jì)算機(jī)視覺應(yīng)用場景可分為兩大類：圖像識別和人臉識別，每類又可繼續(xù)劃分為動、靜共四個類別， 基本覆蓋了目前計(jì)算機(jī)視覺的各項(xiàng)應(yīng)用場景。其中動態(tài)人臉識別技術(shù)是目前創(chuàng)業(yè)熱度最高的細(xì)分領(lǐng)域，尤其是金融和安防場景，是其重點(diǎn)布局場景。
投資價值及機(jī)會：
對于計(jì)算機(jī)視覺而言，其主要瓶頸在于受圖片質(zhì)量、光照環(huán)境的影響，現(xiàn)有圖像識別技術(shù)較難解決圖像殘缺、光線過爆、過暗的圖像。此外，受制于被標(biāo)記數(shù)據(jù)的體量和數(shù)量，若無大量、優(yōu)質(zhì)的細(xì)分應(yīng)用場景數(shù)據(jù)，該特定應(yīng)用場景的算法迭代很難實(shí)現(xiàn)突破。當(dāng)前，計(jì)算機(jī)視覺市場技術(shù)較為成熟，第一梯隊(duì)格局已經(jīng)形成，留給創(chuàng)業(yè)公司的機(jī)會已經(jīng)不大。
五、總結(jié)
這篇文章是筆者就最近看的一些人工智能項(xiàng)目，結(jié)合自己的投資經(jīng)驗(yàn)，做得一個行業(yè)梳理，概括來說：
1）目前AI的發(fā)展仍處于早期，感知技術(shù)取得一定成就，認(rèn)知技術(shù)發(fā)展仍待突破；
2）芯片的未來，AI定制芯片必為趨勢，創(chuàng)業(yè)公司在垂直領(lǐng)域AI芯片的研發(fā)領(lǐng)域仍有機(jī)會；
3）算法是競爭的一個障礙，但AI如何結(jié)合生活和業(yè)務(wù)場景，進(jìn)行落地，才是真正的難點(diǎn)；
4）語義識別發(fā)展瓶頸仍然較大，小而美的企業(yè)具備收購價值；
5）有一手?jǐn)?shù)據(jù)源、能夠與實(shí)際業(yè)務(wù)相結(jié)合的公司有望建立起自身的競爭壁壘，數(shù)據(jù)將成為制約AI公司在行業(yè)領(lǐng)域發(fā)展速度以及競爭門檻的重要要素。
當(dāng)前人工智能行業(yè)仍然處于一個投資風(fēng)口期，希望通過這篇文章，能夠給有志于在這個行業(yè)中創(chuàng)業(yè)或者是進(jìn)行產(chǎn)品設(shè)計(jì)的人一定的啟發(fā)。
作者：作者：阿旺，著名投資人兼連續(xù)創(chuàng)業(yè)者，會從自身投資以及創(chuàng)業(yè)經(jīng)歷，不定期輸出各類行業(yè)研究，如您想了解更多關(guān)于創(chuàng)業(yè)以及投資方面的內(nèi)容，歡迎關(guān)注本人公眾號：awangblog
本文由 @阿旺 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自Unsplash，基于CC0協(xié)議
- 目前還沒評論，等你發(fā)揮！
