机器学习行业研究报告

本报告旨在提供未来数据相关领域的职业机会概述。这份报告将有助于理解这些正在发展的技术带来的各种机遇和影响。前言Analytics Vidhya2018是特殊的一年.我们看到来自实验室的人工智能和机器学习成为了我们日常生活的一部分。无论是亚马逊开设的无人便利店"Amazon Go"还是Google在Gmail上推出的智能回复，人工智能都已经成为了我们身边的常客。创建这份报告的目的是为我们的数据科学社区提供宏观层面发生变化的背景，以及他们如何为即将到来的变化做好充分的准备。所以，如果您已经是数据科学专业人员或者您想进入数据科学，我们希望这份报告可以为您提供背景信息并为您未来的学习做好准备。Analytics Vidhya和Great learning 目前都处于创建印度下一代数据科学生态系统的最前沿，我们真的希望这份报告可以帮助您一睹未来的发展方向。为了你最好的未来，请不断的学习Kunal jain创始人兼首席执行官greatlearning人工智能和机器学习的时代已经到来了，这些领域都有可能对印度的行业产生重大的影响。使智能系统成为可能的技术,数据和人才的组合达到临界值，推动人工智能的投资增长。在印度努力重振生产力增长的同时，AI人工智能和机器学习有望填补这一空白。事实上，金融、国防、网络安全、医疗保健和环境保护等行业都已经采用了人工智能，并且取得了进展。但真正让公司有优势的是找到适合解决内部问题的AI方案。如何找到这个方案？创新才是关键。为了实现这一目标，我们需要时间创建一个生态系统来培训AI专业人员，我们正在寻找培养在AI领域的人工智能专业人员。这份报告不是我们的努力，而是与Analytics Vidhya一起努力也是为了让人们在这个快速发展的领域抓住机遇。这是一个使AI人工智能实现飞跃的时代Mohan Lakhamraju创始人兼首席执行官以数据为中心的转换和变更"正如电力在100年前几乎改变了一切,今天的我很难找到一个理由不认为人工智能将在未来的几年内改变行业"-Andrew NG(吴恩达)我们在生活的方方面面都感受到了数据科学和人工智能的影响。Amazon 是如何知道你对哪种产品最感兴趣?或者你的手机是如何明白是"你"需要看手机解锁呢？当我们需要送朋友礼物的时候，我们会纠结于我们的朋友中会喜欢什么样的礼物，这个时候,Google不仅会建议各种礼物，还会在眨眼之间展示这些产品的广告。即使是您所访问的超市，也可以确保在结账柜台引起您的注意。您的银行能够实时的区分潜在的欺诈和真实的交易，不仅如此，他们还可以决定哪些客户值得信任,以及信用卡的额度是多少。不仅仅是这些，人工智能的可能性和影响性在我们的生活中是无限的。在接下来的十年左右的时间中，我们将看到每个行业都会发生巨大的变化。医疗，银行，网络安全只是这其中的一小部分。所以如何捕获数据并利用它将会是在未来的日子里面定义这些行业新格局的关键。数据将会是这一切的核心当你读到这篇文章的时候正在发生转变 - 数据将会是这一切的核心这就是为什么现在几乎任何职业都需要不断的提高自己的技能并且学习这场游戏的新规则。我们现在需要的管理人员不仅仅要了解业务的领域,还要了解我们正在获得的数据，以及如何去利用这些数据为公司创造竞争的优势。数据科学和今天的颠覆我们现在获取、存储和分析数据的能力已经彻底改变了当今行业的运作方式。当人们从床上醒来的那一刻，智能手机上的应用程序已经开始尽可能多地捕获数据，并利用这些数据为他们带来好处。这清晰的描绘了当今行业正在努力的利用人的行为模式。这份报告的目的就是帮助人们了解数据是如何几乎破坏了所有行业的运作方式。在我们在进一步讨论之前，我们先来看一个简单的统计数据——在Gartner公司的一项调查中显示，在印度有超过100万家注册公司，并且这些公司中有75%的公司已经投资或者计划投资大数据领域。大公司,大投资,大数据让我们先来看一些有趣的数据——在今天的数字世界中存在着2.7兆字节的数据在Facebook中单独存储,访问和分析30+PB用户生成的数据超过50亿人在全球范围内通过手机拨打电话,发短信,发推文和浏览网页几年前,解码人类的基因最初需要10年才能完成.现在由于有处理大量解码信息的能力,所以在一周之内就可以完成解码人类的基因.沃尔玛需要处理每小时100个客户的交易,这些交易被导入到估计超过2.5PB数据的数据库中.糟糕的数据会使企业损失20%-35%的营业收入这些简单的陈数强调了我们今天通过生成、获取、存储和分析数据所拥有的强大功能。但是现在的问题是，我们是否拥有处理好数据和利用数据的能力?鉴于这些大量的数据,我们需要具有不同技能的人来安排,存储和分析数据.数据科学中的角色数据科学家在印度,数据科学家肯定是现在最受欢迎的职位之一，数据科学家起薪为7.7万卢比，也是数据科学行业的最高收入者之一。数据科学家能够使用最新技术和技术处理原始数据，通过清理和组织（大）数据执行必要的分析，并以信息的方式向团队提供所获得的数据.语言/工具:R,SAS,SPSS,Matlab,Stata,Python,Perl,SQL,Hive,Pig,Spark雇佣单位:领英,强生,百事数据库管理员数据库管理员需要确保组织中的每个需要数据的人都可以访问数据库。此外，还需要确保采取必要的安全措施，以确保存储的数据安全。要成为数据库管理员，需要掌握从SQL和XML到更通用的编程语言（如java）的不同技术。语言/工具:SQL,Java,Ruby on Rails,XML,C#,Python雇佣单位:Reddit,twitter,Tableau业务分析师这可能是数据科学领域中技术含量最低的.但是，业务分析师通过对各种业务流程的深刻理解来弥补技术知识的缺乏。因此，业务分析师经常扮演业务人员和技术人员之间的中介角色.语言/工具:SQL雇佣单位:Uber,Dell,oracle数据和分析经理数据和分析经理负责指导数据科学团队的方向。这个职位巩固了各种各样的基础（如SQL，R，SAS）的强大和特定技能，以及处理小组所需的社交能力语言/工具:SQL,R,SAS,Python,Matlab,Java雇佣单位:Coursera,Slack,Motorola Solutions数据科学的工作在哪里统计数据显示，印度目前有超过50,000个与数据分析相关的职位空缺。这清楚地表明，我们并没有真正掌握这些可用机会的合适技能。目前与世界相比,印度提供了12%的就业机会,,然而，由于世界上缺乏这类技能的人和潜在的需求，此类工作的人才需求数量可能会呈指数级增长。如果我们看一下数据科学家职位的招聘数量，就业岗位以及求职者的兴趣,就会发现这类的数量在2017年创下历史新高.然而,求职者的数量几乎是招聘职位数量的一半.这清楚地表明了该行业是多么的需要数据科学家。数据科学并没有局限于任何特定的行业。它的应用跨越多个领域。银行和金融服务是分析和数据科学专业人士的最大市场。2017年，该领域创造了44%的就业岗位。银行业广泛使用数据科学与分析领域来估计和预测市场风险。数据科学广泛应用于欺诈检测和信用风险预测。电子商务也成为分析专业人士的一个巨大市场。电子商务网站推荐引擎的广泛使用为这一领域提供了大量的机会。2017年，电子商务行业创造了12%的分析职位。医疗保健行业也一直在使用数据科学来预测疾病的风险、它们的模式、癌症风险等。媒体等其他行业正在使用数据科学来理解和设计媒体策略，以获得最佳效果。提高技能-前进的方向有了这么多的机会，我们现在应该利用我们的技能来充分利用它们。要在任何特定领域取得优异成绩，我们需要掌握正确的基础知识,即使在今天，仍然可以观察到用于SQL的indeed(作业门户)上作业的数量最多。Python和Java紧随其后，但是随着深度学习库的的更大支持，Python越来越受欢迎.Hadoop拥有大数据功能,可以处理数百GB的数据。其次是R，这是一个广泛使用的统计和机器学习工具，其次是C。随着Python和R市场的巨大需求，SAS中的工作岗位数量最近出现了下降。虽然这些工具是当前业界最流行的需求工具，但是还需要了解业界中各种数据驱动角色。尽管各种复杂工具的应用使数据科学家的工作比没有它们时容易得多，但有些技能只有实践经验才能传授。其中之一就是领域知识。对于拥有领域知识的数据科学家或分析师来说，需要深入研究并理解领域的整个功能。成为一名优秀的数据科学家的另一个重要方面是拥有一种分析方法，学习新的工具是一回事，但是需要有正确的方法来对应最合适的结果.每个人可以挑选认为适合自己的角色，然后努力获得必要的技能,这个网格是有助于理解特定角色的最重要技能的一个集合.分析和数据科学产业-及其未来的领域我们都看到并经历了数据科学在电子商务和银行等领域的渗透。但是数据的力量并不仅限于这些领域。在当今世界，几乎所有的行业都在努力利用数据的力量，我们估计到2020年，在以下每个领域中，将有多少人从事分析和数据科学工作:网络安全——你可能以前听说过——公司必须保护自己免受各种攻击。但是攻击者只需要一次成功的尝试。有了这些可能性，你不能只是试图阻止攻击发生。分析公司一直在撰写报告，并就“大数据分析对各行业网络安全的影响”向“客户”提供咨询。目前，25％的全球最大公司已采用大数据分析技术，以实现至少一种欺诈检测用例的安全性。到2020年，印度此类的分析工作岗位估计将达到5000个医疗保健——在不同的医疗机构(支付方、提供者、制药公司)中，已经有大量的异构医疗数据可用。这些数据集的庞大和复杂给临床环境的分析和后续应用带来了巨大的挑战。到2020年，印度此类分析工作岗位估计为15000个基因组学——基因组学是研究生物体完整的遗传物质(基因组)。该领域包括测序映射和分析广泛的RNA和DNA代码。大数据帮助解开了这些基因组序列的基本原理。分析现在被用来检测异常和识别疾病。到2020年,印度此类分析工作岗位估计将达到2000个太空探索——大数据已经取得了巨大而有影响力的进展。虽然大数据分析已经被用于研究暗物质，但通过数据发现技术，统计学家和天体物理学家正在应用先进技术来解开宇宙之谜.到2020年,印度此类分析工作岗位估计将达到350个农业-农业不再是一个非技术性工作。分析被广泛应用于农业，特别是精确农业，在那里植物和种子被特别选择用于杂交育种。它还被用来了解土壤成分，加速作物改良。在农业领域发生的大量技术和数据采集使计算机科学成为其中的一个重要部分到2020年,印度此类分析工作岗位将达到5500个航空——你知道航空公司使用分析已经很长时间了吗?长期以来，航空公司一直在对客户进行细分。他们观察模式、行为、偏好、支付能力和意愿等，以提供更好的客户体验，并获得最大的收益。到2020年,印度此类分析工作岗位将达到4500个无人驾驶交通——无人驾驶汽车成为人工智能和机器学习最流行的应用。无人驾驶汽车可以进行多次驾驶，并学会根据交通状况自动理解和行动。自动驾驶汽车已经成为机器学习、深度学习、物联网和人工智能融合的先锋产品。到2020年,印度此类分析的工作岗位将达到7000个.使用数据能力的热门技能数据科学目前的发展已经超越了统计学，甚至机器学习。这个行业需要有技能的人来设计和开发机器人和智能机器，这是现在非常高的需求。人工智能这就是目前世界正在走向的潮流——拥有一台与人类大脑和智力水平相当或超过人类的机器。正是因为这个原因，人工智能技术受到了人们的高度追捧。机器人机器人目前正在崛起,它们以远远高于人类的速度执行特殊的重复功能,网络爬虫，互联网机器人，聊天机器人等,目前的需求量很大,所以根据这个形式不言而喻,能够设计这些机器人的人更受欢迎。物联网据预测，到2020年联网设备将达到500亿部，到2021年市场价值将达到6610亿美元，物联网是目前最热门的技术。物联网与大数据和分析相结合，将为组织和专业人士创造巨大的机会AR/VR虚拟现实可以定义为计算机生成的对真实生活环境的模拟。一个例子是3D商店货架，它可以适应为每个顾客提供更多相关的商品。增强现实可以定义为一种技术，它将计算机生成的增强层置于现有的现实之上，并通过交互性使其更有意义。专家的观点mudit kulshreshta博士古尔冈大湖管理学院卓越分析中心副主任由于各行各业都出现了如此多的混乱，应对这种局面的压力可能是压倒性的。考虑到这一点，我们请到了mudit kulshreshta博士.让我们看看他有什么要说的……这些年来，技术领域发生了怎样的变化?您如何看待数据科学在当今世界日益重要的地位?企业级存储和计算能力对个人来说越来越容易获得和负担得起。在接下来的十年里。大多数企业将通过SAAS、PAAS、DAAS等,将存储、应用和数据平台转移到云计算，物联网不再是战略选择，而是势在必行。它已经处于大数据和海量数据出现的拐点。我们已经看到千兆字节的数据以空前的规模和速度通过数字渠道实时流动。从图片到点击流再到视频，如今一切都是数据。开源革命包括公众参与共同创造IT产品、机器学习、人工智能、机器人和机器人。我们目前正在经历一场技术革命，尤其是数据的获取和使用方式.目前在机器学习和人工智能领域中，哪些领域从正在进行的工作中获益最多?从资本货物到零售，从制造到服务，从金融银行到医疗保健的每个领域都将受益并建立基于ML和AI的差异化商业模式。营销、零售、金融科技和医疗保健等领域已经采用了这种模式，并正在取得进展。未来5年，哪些工业领域将从这些技术中受益最多?为了生存和差异化，所有工业领域无一例外地将采用和拥抱这场数字革命。此外，一些新的领域也将被创造出来——从自动驾驶汽车到工业规模的3D打印、增强现实、虚拟娱乐、机器人、基因组研究、大气科学等.人们在这个阶段应该扮演什么样的角色，这样他们才能在未来的5-10年里做好准备?坦白地说，这是一场无人幸免的洪水——人们需要参与其中并与之共舞——他们能做的最好的事情就是开始学习技术和计算技能——大数据、ML、Al、云、技术产品管理等等。从行业对这一领域的高需求来看，专业人士是否有足够的技能来满足这一需求?教育系统需要更新吗?并非如此——不仅仅是从技能的角度来看——整个世界都毫无准备——就好像整个世界都走在了教育体系的前面——传统的教育机构现在正对其需求做出回应，但这些努力充其量也只是零散的。由数字平台和在线教育推动的点对点学习，填补了传统学校本应填补的空白.专业人士目前应该关注哪些最重要的技能?云、大数据分析、机器学习、Al、深度学习——产品管理也将变得至关重要。另一个大问题是机器人的自动化。有些人担心将来可能会有更少的工作。你认为这是真的吗?传统领域的工作岗位将减少，而上述领域的工作岗位将增加——随着自动化成为一个自我维持的过程，人们将不得不进行变革，并走上持续学习的道路。一线希望在于，以数字、数据和人工智能为核心的新产业将会出现。这些行业将创造新的就业机会和新的机会有关于终结者中AI的讨论 - 你对AI作为宏观层面来讲对人类物种的影响有什么看法？尽管人工智能带来了重大机遇，但世界还没有准备好迎接人工智能带来的风险.技术可能有有一个糟糕的主人,可能会被滥用(甚至是无意中的),滥用的规模可能是全球性的，影响到数百万人的生活,在这个潜在的人工智能驱动的世界里,我们离全面了解道德后果还很远.我们将需要大量的经济，法律和社会法规，来对涉及隐私，未经请求的信息使用和网络欺诈的预防.这些机器人变得自我意识的后果，无论它看起来多么牵强，都是一种可能性。并且已经出现了这种威胁的例子.未来的路正如Mudit博士所说，传统领域的工作岗位可能会减少，因为我们将能够实现重复性工作的自动化。然而，到2020年，非传统领域的机会将大幅增加。我们正在迈向一个机器可以帮助人类智能的世界，帮助他们在不同领域提高能力。我们进入了一个ACs可以理解我们是否感到寒冷的世界，我们的医生可以预测我们患致命疾病的风险。

来源：中国商业观察网日前，美国的专业数据分析公司Lux Research发布了中国人工智能报告AI in China，并正式公开了入选的中国AI创业公司，第四范式凭借在机器学习平台方向上的领军地位，成为机器学习平台类别中唯一的代表企业。AI in China人工智能行业报告聚焦于中国AI产业的发展情况，包括国内科技巨头的AI布局以及新兴的AI力量。在AI创新创业领域，报告收录了6家在其所处领域处于领导地位的企业（如上图），分别代表机器学习平台、芯片、视觉、语音、自动驾驶及医疗等六大主流AI方向。报告称，“中国在AI领域有成百上千的创业公司，报告仅列出处于领导者地位，且在核心技术研发与落地应用上都领先于业界的公司。”第四范式此次继续领衔机器学习平台公司，得益于通用机器学习平台“第四范式先知”的技术前瞻性与行业积累。在技术层面，先知平台已经将机器学习过程中高度专业化的参数设计等环节自动化，将顶级数据科学家的“看家本领”变成通用平台中的无门槛技术；在应用层面，先知平台已经服务于金融、政府、医疗、能源、互联网、零售等领域的上千家企业，帮助企业自主掌握端到端的AI覆盖能力与流水线上的AI量产能力。第四范式一直受到国际顶尖咨询机构的关注与认可。此前，全球最具权威的IT研究机构Gartner发布了“Gartner 2017 Cool Vendor”，中国公司占据四席，第四范式作为通用平台型公司入榜；2018年1月，麻省理工学院MIT颁发“全球十大突破技术”，“AI for Everyone”位列榜首，第四范式凭借通用平台能力，与亚马逊、谷歌、微软一起被列入代表企业。此次，再度荣获权威认证，第四范式将继续秉承“AI for everyone”的初心，在以通用平台赋能百业的道路上砥砺前行。注：Lux Research是专注于新兴科技的咨询机构，主要关注信息技术（AI、物联网、AR/VR等）、新材料、能源以及医疗等领域。其研究报告及行业分析主要面向世界500强战略部、投资部、风投机构以及政府机构，为此类机构提供战略支持、决策依据及关键合作伙伴参考。

雷锋网按：机器学习的兴起同样促进了机器学习芯片的发展。近日，Allied Market Research 发布了一份机器学习芯片市场报告，雷锋网编译如下：机器学习芯片是一种多处理器，可以使机器在无需专门编程的条件下获得与人类相似的智能。不仅如此，机器学习也给不少行业带来了竞争优势，比如自我学习、推理、以及自我纠错等。其中，神经元芯片由于快速恢复能力和工作效率都很高，因此深受市场欢迎，占到机器学习芯片市场总量的近 30%（2015 年数据）。根据 Allied Market Research 发布的一份机器学习芯片市场报告显示，2015 年，机器学习芯片市场总值约为 44.95 亿美元，而到 2022 年，机器学习芯片市场规模预计将达到 827.2 亿美元，从 2016 年到 2022 年，市场年复合增长率可达 9.4%。机器学习芯片被广泛应用在很多行业，比如机器人、医疗、汽车影音、消费电子灯。目前，由于自动化电子设备和人工智能趋势的推动，也让机器学习芯片市场获得了较快发展。不仅如此，随着物联网普及率不断提升，也给机器学习芯片市场增长带来了机遇。而在全球机器学习芯片市场里，神经元芯片将会成为主流，因为该芯片能够应用于各种不同的行业领域，比如游戏、无人驾驶汽车、无人机和航空运输、安防和网络安全、语音、图像识别等。此外，得益于稳定性和性能不断提升，基于闪存技术的存储芯片行业预计也会得到较快增长。2015 年，机器学习芯片应用最广泛的就是机器人行业，占到机器学习芯片行业应用 52% 的份额。此外，机器学习芯片市场增长还得益于人工智能趋势、多样化的应用领域、以及生产力的不断提升。不过，在谈到行业增速这个指标时，消费电子行业对机器学习芯片的需求将会进一步增长，得益于自动化电子设备的需求大幅提升，预计年复合增长率可以达到最高的 13.1%。2014 年，北美市场是机器学习芯片的主要收入来源地，而在未来可预期的时间内，随着自动化医疗设备和自动化机器人的需求不断增长，北美依然会是机器学习芯片最重要的市场，也是最主要的收入来源地。此外，消费电子、航空航天、以及国防建设也会推动机器学习芯片市场的发展，特别是在中国、日本、韩国和印度这些亚洲国家。由于对自动机械需求的增加，以及汽车和医疗行业部署机器学习芯片的需求，拉美、中东和非洲预计将会是机器学习市场发展最快的地区。另外，随着技术进步，过去电路复杂度的问题也将会被逐渐接近，在不久的将来，行业巨头们可能会获得巨大机遇。机器学习芯片市场四个重要关注点：一、在 2015 年全球机器学习芯片市场收入中，神经元芯片占据了“统治”地位，在未来可预期的时间段内，神经元芯片市场收入年复合增长率预计可以达到 7.7%；二、同样在未来可预期的时间段内，随着医疗设备和超级计算机应用需求的不断扩大，基于闪存技术的存储芯片市场也会得到快速增长；三、在 2015 年全球机器学习芯片应用市场中，机器人行业占据主导地位，约有 52% 的份额；四、中国是亚太地区机器学习芯片需求量最大的市场，占据约 42% 的份额。行业巨头们想要分到机器学习芯片市场这块“大蛋糕”，就需要推出新产品，而在这一领域里占据主导地位的企业包括 Advanced Micro Devices, Inc.， 谷歌，Graphcore，英特尔，IBM，英伟达，高通，台湾半导体制造公司有限公司，Wave Computing，以及 XILINX Inc。本报告下载地址关注雷锋网（leiphone-sz）微信公众号，下载更多行业报告VIA whatech

中商情报网讯：计算机视觉是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取“信息”的人工智能系统。2018年中国计算机视觉市场规模突破100亿元。预计2019年中国计算机视觉市场规模将进一步扩大，达到300亿元。《2019年中国计算机视觉行业市场前景研究报告》主要围绕计算机视觉行业概况；计算机视觉市场分析；计算机视觉市场促进因素；重点企业分析；计算机视觉市场行业发展前景等五个章节展开，通过对当前的计算机视觉行业进行分析，总结计算机视觉行业发展现状，从而预提出当前行业的发展前景。 PART1计算机视觉行业概况计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息。计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，深度学习在计算机视觉、语音识别和自然语言处理等领域有成功的应用。 PART2计算机视觉市场分析近年来中国人工智能产业发展迅速。从市场规模来看，自2015年开始，中国人工智能市场规模逐年攀升。2017年中国人工智能市场规模将达到152.1亿元，增长率达到51.2%。随着人工智能技术的逐渐成熟，科技、制造业等业界巨头布局的深入，应用场景不断扩展，2018年中国人工智能市场规模约为238.2亿元，增长率达到56.6%。 PART3计算机视觉市场促进因素随着提高预测精度，降低数据标注成本的不断发展，计算机视觉能够识别信息的种类从最初的文字信息，到人脸，人的体态识别，以及各种不同的物体。识别精度也从最初的1：1对比，到1：N比对，以及M：N的动态监控。除了提高算法精度以外，提高数据标注的效率也是计算机视觉公司重要的课题之一。国外互联网公司推出自动标注系统，例如谷歌的AutoML和微软的Cognitive Services。商汤科技、扩博智能等AI公司也通过运用半监督学习、迁移学习、主动学习等技术，提高数据标注的自动化程度，达到提高效率，降低成本的目的。 PART4重点企业分析商汤科技成立于2014年11月，是中国一家计算机视觉和深度学习原创技术的创新型科技公司，也是一家知名独角兽企业，致力于引领人工智能核心“深度学习”的技术突破，构建人工智能、大数据分析行业解决方案。目前，商汤科技已与国内外700多家世界知名的企业和机构建立合作，包括美国麻省理工学院、高通、英伟达、本田、SNOW、阿里巴巴、苏宁、中国移动、OPPO、vivo、小米、微博、万科、融创等。 PART5计算机视觉行业发展前景随着人们对生活安全及生产效率需求的提升，凭借着计算机视觉应用场景的广泛性，计算机视觉有望发展成为下一个智能时代的标配。计算机视觉行业发展前景觉得其具有高成长性特点，未来将涌现更多人工智能领域优秀企业。但行业发展同时伴随高风险性，行业竞争需要比拼企业技术算法能力、资金能力以及人才资源，同时考验企业能否实现技术迅速落地，对企业综合实力要求高，综合实力不具备优势的企业在行业内将难以生存。《2019年中国计算机视觉行业市场前景研究报告》全局研究了当前计算机视觉的发展概况，为产业未来的发展提供了可行性思路。中商产业研究院在对整个行业把控的前提下，关注计算机视觉行业现状和未来发展趋势，从市场现状和重点企业进行剖析。

■ 人工智能下游场景多样，市场空间达万亿元。人工智能技术通用性强，可以广泛应用在社会生产生活中，当前安防、金融、教育、医疗、自动驾驶、交通、消费品、工业生产是主要应用领域。根据国务院的《新一代人工智能规划》，到2030年，下游核心产业规模将达万亿元。■ 下游应用领域的近年市场规模可以从IT化程度、试错成本两个维度进行判断。某个人工智能下游应用领域的IT化程度越高、试错成本越低，则其近几年可达的市场规模将越大。根据此原则进行判断，下游领域近几年的市场规模将是安防>金融>消费品>教育>交通>工业生产>医疗=自动驾驶。■ 智能安防市场空间达千亿、产品类公司中的龙头企业优势明显。国内安防市场达万亿元，AI技术当前渗透率低于30%，未来提升空间较大。其中的产品类公司规模效应明显，龙头企业海康、大华全球市占率已达37%，在AI时代其研发、成本、数据的优势将进一步增强，市占率有望进一步提升。■ 智慧金融落地场景多样，参与企业多元化。国内金融科技蓬勃发展，市场空间达2500亿，当前已经有七大核心AI应用场景在快速落地。金融机构、金融科技公司、互联网公司、人工智能企业均是行业的重要参与者，不同企业在不同应用场景具备竞争优势，场景和企业竞争力匹配度高的腾讯微众、恒生电子、同盾科技、硅基智能等值得长期跟踪。■ 智慧教育市场空间巨大，高价值客户是关键。当前国内的智慧教育行业呈现百花齐放的局面，其中自适应教育、智能工具类、AI少儿外语培训是相对优质的赛道,企业营收保持连年翻倍的增长，但由于高价值客户获客成本高企/留存率低等问题造成行业盈利困难。展望未来，优势赛道中高价值客户留存率高的公司如乂学教育有望长期胜出。■ 智能交通市场空间达千亿，道路和轨交是主航道。我国出行方式以公路和铁路为主，2018年占比分别达到76%、19%。在智能公路领域，行业内的领先企业是千方科技，其占据系统、数据和技术的优势，未来有望成为智慧交通大脑；在智能铁路领域，智能轨交近年发展迅速，其中佳都科技具备一体化实施和AI应用能力优势，未来有望胜出。■ 四大风险需要关注。人工智能下游企业需关注行业监管、技术创新、中美贸易战以及子行业自身发展所可能带来的风险。相关报告：人工智能行业报告（上篇）——中国造AI将崛起，数据以及平台类公司前景广阔原标题：人工智能行业报告（下篇）——忽如一夜春风来，千树万树梨花开1．人工智能下游：场景多样化、长期空间巨大人工智能产业链可以分为上中下游，我们在上篇报告里重点分析了上中游的行业发展情况、竞争格局以及重点企业的经营特点，本篇报告我们将重点分析产业链下游的发展情况。人工智能产业链下游指的是将人工智能技术在各个行业中实际应用的企业，这些企业将技术和场景结合并落地，既需要一定的人工智能技术应用能力又需要在相应行业的经验和实施能力，当前人工智能应用落地比较多的下游行业包括安防、金融、教育、医疗、自动驾驶、交运、消费品、工业生产等。 1.1人工智能下游应用场景丰富多样，横跨众多领域应用从图1中我们不难发现，相比产业链的中上游，下游的应用场景明显丰富很多，横跨了从TO G、TO B到TO C的多个领域。我们在图中列出的重点下游应用场景有八个，然而实际的场景远远不止，比如政务、司法、快递、零售、电力、智能穿戴、社交等也都是当前正在快速发展和应用人工智能技术并落地的领域，为了便于简化，都包含在其他类里。图1：人工智能产业链下游资料来源：招商银行研究院丰富的应用场景充分体现了人工智能技术基础性的特点，其未来将长期在各方面逐步改变人类的生活和生产方式，对人类社会产生积极而深远的影响。1.2下游是人工智能落地主力军，远期市场达万亿元人工智能下游产业的市场空间，理论上应当分别计算各个子行业的空间进行加总。但由于下游牵涉到的行业非常多，同时这些子行业也都在快速发展中，对其空间的估算结果往往是定性和数量级的估算，我们认为更有意义的是从宏观角度，定性的把握行业的发展趋势。我们采用2017年国务院印发的《新一代人工智能发展规划》的数据，来对未来人工智能产业的下游空间进行估算。根据规划，到2030年，我国的人工智能核心产业规模将达到1万亿元，而相关产业规模将达到10万亿元，本文定义的产业链下游更接近于发展规划所称的核心产业。同时我们也针对下游的各主要子行业进行了市场空间大致的估算，进行加总后和《新一代人工智能发展规划》的数据基本吻合。相比上中游而言，虽然技术水平要求不高，但由于下游是人工智能落地主力军，总体市场规模要更大。图2：人工智能下游未来空间估算（亿元）资料来源：国务院、招商银行研究院1.3人工智能下游应用领域近年可达的市场规模可以从IT化程度以及试错成本两个维度进行判断面对纷繁复杂的下游应用领域，我们面临的首要问题是进行行业的选择和判断，然而这是十分困难的。一方面所有的下游领域从业者都自称AI技术对行业影响巨大，能大幅提升效率，改变行业的面貌；另一方面如果从中长期来看，这些提升和变化确实存在较大可行性。然而通过对具体子行业的深入分析及实地调研后，我们发现，不同应用领域AI技术实际推进的速度差别较大，经营状况和业务模式也各有特点。进一步研究我们发现，经营状况和业务模式的差异更多是由各子行业本身的行业特性所决定，只能具体行业具体分析，但是AI技术在行业内实际推进的速度则具备一定的共性和规律性，我们可以通过IT化程度和试错成本这两个维度对未来的推进速度进行前瞻性的判断：■IT化程度：指的是该领域内的主要应用场景中，在人工智能技术应用之前，已经实现了基础的IT化和自动化。这个维度之所以很重要，是因为当前主流的人工智能技术均发源于计算机科学，其理论的研究、技术的实现、工程的落地均离不开大量IT设施以及系统的支撑。不同领域的IT化程度差别很大，比如在金融领域，现有系统的IT化程度已经很高，大量的业务交易可以线上实现，存量的IT系统非常复杂完善，那么无论是人脸识别还是自动化交易，只要在现有IT系统中加入最新训练的算法，匹配相应的场景，就能迅速实现其功能；而在医疗领域，现有的治疗模式还是以医生和病人的一对一方式为主，不同医院之间的基础IT数据都尚未打通，IT化程度非常有限，如果需要将AI技术运用到相应领域需要进行系统建设的难度和工作量非常大。■试错成本：指的是该领域的主要场景中，利用AI技术改变原有模式的风险，也即AI技术如果搞错了，是否会有很大的影响或者后果。如在安防领域，试错的成本就相对较低，本身传统的安防就不具备自动识别犯罪分子的功能，如果有遗漏并不会造成损失，最坏情况下将正常人识别成犯罪分子，也可以通过人工识别或者实际验证得到修正。而在某些领域比如L4级别的自动驾驶，试错成本就非常高，一旦系统出现问题可能导致事故和人员伤亡。总到来说，IT化程度越高、试错成本越低，某领域的推进速度则越快，而越快的推进速度则代表了近年可达的市场规模越大。图3代表的是我们对主要AI下游领域IT化程度、试错成本这两个维度的判断分析：图3：不同AI下游领域的IT化程度、试错成本资料来源：招商银行研究院通过该图我们可以分析得到主要AI下游领域近年可达的市场规模，安防>金融>消费品>教育>交通>工业生产>医疗=自动驾驶。下游领域的选择应将近年市场规模和行业特点综合来看，我们上面已经总结出判断近年市场规模的系统性方法，接下来将对各子行业的特点及其和AI结合的情况具体进行分析，限于篇幅，将主要聚焦在安防、金融、教育、交通、医疗这五个关注度较高的下游领域。2．智能安防市场空间达千亿，产品类公司中的龙头企业将是核心玩家随着计算机视觉技术的快速发展，近年安防成为了AI技术运用最多最快的领域之一，智能安防也成为了人工智能下游行业中最炙手可热的应用方向，而这也和我们之前对于行业发展速度的判断是一致的。 2.1 国内安防市场空间达万亿元，产品类公司具备规模效应近年来，随着计算机视频监控技术的发展，硬件成本的降低，平安城市、智慧城市、雪亮工程的不断推进，安防行业在过去几年取得了飞速发展。据中安网以及HIS统计，2011-2017年中国安防市场规模CAGR高达14.5%，高于全球市场（+8.5%），其中政府、大企业客户贡献最大，民用市场较小。未来随着监控成本的不断下降，智能化的不断增强，政府端的安防工程仍将稳步推进，而商业端、民用端的需求会快速增加，国内安防市场仍将保持10%以上的较快增速。据IHS预测，2019年全球安防市场规模将达到3000亿美元，增速达8%；据中安网预测，2019年中国安防市场规模将达到8700亿元，增速将达15%。图4：全球安防行业总产值资料来源：IHS、招商银行研究院图5：中国安防行业总产值资料来源：中安网、招商银行研究院安防市场的结构占比来看，安防工程占比最高，中安网的数据表明，2017年中国安防行业产值分布中，安防工程占比为62%，安防产品占比为30%，服务及其他占比为8%。图6：2017年中国安防行业产值分布资料来源：中安网、招商银行研究院尽管安防工程的占比最高，但是由于工程类实施具备很强的地域性特点，市场天然分散，每个地区工程服务商都有一定生存空间，因此该领域的集中度一直很低。中安网的数据显示，2014年全国范围内的安防工程类生厂商数目达到14000个，并且逐年增加达到了2018年的16000个。相比而言，安防产品类企业则具备较强的规模化效应，因此近年的市场集中度在不断提升。中安网的数据显示，全国范围内的安防产品类企业数量已经由2014年的接近10000个逐年递减到2018年的4000个。图7：安防产品、安防工程类企业数量（个）资料来源：中安网、招商银行研究院2.2 AI技术大幅拓展安防的价值，渗透率还有较大提升空间历史上，安防行业经历了从模拟化到数字化、低精度到高清晰、单机部署到网络化的发展过程，而AI技术尤其是计算机视觉技术的发展使得安防行业从“看的到看的清”进化成“看的懂”，进入智能化发展的新阶段，将安防的应用领域和应用价值大幅度拓展。在传统的公安领域，AI已经助力安防实现自动发现嫌疑犯等高价值应用，而在很多新兴领域，视频识别技术也可大大拓展安防的使用价值。表 1：AI监控在各领域的应用资料来源：中信证券、招商银行研究院由于AI技术在安防的多个应用领域都能产生较大价值，从2017年开始，AI产品在安防产品厂商中的销售占比迅速提升，但是当前的渗透率仍然有限，未来还有较大提升空间。艾瑞咨询的数据表明，安防前端产品的营收占比从2017年的5%提升到2018年的10%；后端产品的营收占比从17%提升到28%。图8：AI产品在安防前端营收占比资料来源：艾瑞咨询、招商银行研究院图9：AI产品在安防后端营收占比资料来源：艾瑞咨询、招商银行研究院随着安防产品的AI渗透率的不断提升，未来一段时间内，中国的智能安防软硬件市场依然将保持较快增速。据艾瑞咨询预测，国内智能安防2018 年的市场规模达 135 亿元，预计 2019 年市场仍将保持高增速，到 2020 年市场规模可达到 453 亿，长期而言，若安防产品中的AI渗透率能达到30%，智能安防的市场规模将达千亿元。图10：国内智能安防软硬件市场规模资料来源：艾瑞咨询、招商银行研究院2.3 安防产品类龙头企业优先受益于AI技术，强者愈强 如前文所述，安防工程子行业规模虽然明显较大，但该领域市场集中度提高难度较大，因此这类企业在安防智能化的浪潮中属于被动参与者。安防产品类企业虽然行业占比较低，但是技术门槛高，是实现安防智能化的关键，同时其集中度也在近年不断提升，行业小企业迅速出清，因此是安防智能化浪潮中的主导力量。而在中大型企业中，龙头企业的优势则更为明显，通过分析近年数据我们可以看到，安防龙头的业务增速远远快于行业平均增速，同时大幅也快于行业内其他中大型企业。2008~2018年，龙头企业海康、大华的营收复合增速达到41%，远大于15%的行业平均增速，也大幅高于行业内其他上市公司平均25%的增速。同时IHS的数据显示，这两家企业的合计全球市占率也由2012年的12.3%增加到2018年的37.4%。可以说双寡头垄断的格局已经形成。图11：08~18年海康、大华营收变化（亿元）资料来源：Wind、招商银行研究院图12：海康、大华全球市占率变化资料来源：IHS、招商银行研究院过去安防产品的龙头企业之所以快速发展，是因为其具备较强的技术研发优势和产品整合能力，进而构筑了研发、成本、渠道、产品溢价等全方位的优势和壁垒；AI时代到来后，智能化的需求和应用将给行业龙头构筑更高的壁垒，具体包括：■研发优势进一步扩大：为了顺应AI时代的安防趋势，海康和大华均加大了研发投入。根据2018年年报的数据，海康和大华的研发人员总数分别为1.6万和8千， 而第二梯队企业的研发人员总数一般在几百的量级；海康和大华的研发费用分别为44.8亿元和22.8亿元，而第二梯队企业的研发费用一般仅在亿元量级。同时海康和大华均成立了高规格的AI研究院，与ADI、TI等全球顶尖企业建立联合实验室，打造自己的安防AI核心竞争力。未来随着AI技术在安防领域的渗透率不断提升，龙头企业的技术优势将进一步扩大。■ 成本优势进一步增强：AI时代安防领域的一个重要增量是AI芯片的迅速增加，在这个领域海康和大华均开始提前布局，着手进行自研芯片的开发。安防领域的AI芯片技术难度适中，属于特定领域的芯片，和国内AI芯片行业当前的发展水平契合度较高，刚好属于龙头企业可以自研而中小企业很难进入的领域。未来随着自研芯片使用比例的不断扩大，龙头企业相比中小企业的成本优势将进一步凸显。■ 数据优势开始显现：安防类AI产品的算法也需要的大量的数据进行训练，当前行业内龙头企业的市占率很高，对数据的占有也具备绝对的优势，拥有各个行业、各个应用场景的海量数据以及使用经验。这些数据能助力龙头企业根据不同的行业和应用场景，训练出多个精确定制化的算法，已取得更好的智能监控效果。表 2：龙头公司2018年研发投入情况资料来源：招商银行研究院展望未来，人工智能将给安防领域带来更多的增量和变数，而其中影响最大的是安防产品类领域，其中的龙头公司海康威视和大华股份已经积极布局进行AI时代的转型。展望未来，他们相对行业内其他公司的领先优势将进一步加深，有望占据AI安防时代的先机，不断扩大自己的业务规模和市占率。值得注意的是，虽然在传统安防企业中，海康和大华的竞争优势非常明显，但是现在行业逐步有新的玩家开始进入，比如华为和阿里就在大力进入AI+安防的领域。以华为为例，近年华为安防已经从三级部门提升至二级部门，成为公司重要发展战略。2017年聚焦投入安防，2018年发布软件定义摄像头架构，2019年进一步提出“2+4+N”战略。华为的优势在于其强大的研发实力以及安防AI芯片的龙头地位。对于AI安防领域的竞争态势，我们也需要密切跟踪这些新进企业的经营状况。3．智慧金融市场空间大，落地场景多，参与企业多元化人工智能技术在金融领域的应用速度也很快，盖因金融科技的快速发展，已成为金融行业的核心支柱力量。根据IDC的预测，到2020年，银行、保险、证券这三大金融核心领域的IT市场规模将达到2500亿元，而其中银行IT的市场规模就达到接近2000亿元。图13：银行IT市场规模预测（亿元）资料来源：IDC、招商银行研究院图14：保险IT市场规模预测（亿元）资料来源：IDC、招商银行研究院图15：金融IT市场规模（银行、保险、证券）资料来源：IDC、招商银行研究院近年来金融行业正在运用AI技术不断向智慧金融转型，我们预期未来AI技术在金融科技领域的渗透率将能达到40%以上。3.1 智慧金融落地场景多样化、赋能动力充足智慧金融近年来发展迅速，应用场景丰富而多样，典型的如智慧网点、智能客服、智能信贷、智能合控、智能投顾、智能投研、智能保险等。在这些场景下金融行业可以通过AI技术提升效率和竞争力，赋能效果显著，以下做具体介绍。智慧网点：网点是商业银行最重要的服务场所和品牌形象的代表，随着网络渠道的发展，银行不能简单裁撤网点以节省成本，而是需要进行网点变革，通过以客户为中心，建设轻型化、特色化、社区化的新型网点，以实现用更低成本对客户进行更好的服务。新型网点人员少面积小，为了实现对客户的有效服务，只有通过人工智能技术的手段，才能实现小面积少人员快速实现对客户的有效服务。因此智慧网点应运而生，图16列举了人工智能技术在智慧网点的典型应用，这些应用能大幅提升效能和客户体验。图16：人工智能技术在智慧网点的应用资料来源：36Kr、招商银行研究院智能客服：金融业的服务属性决定了其具有大量客户沟通运营的需求，银行业尤其突出。客服作为企业与用户沟通的直接出口，需要兼具专业解答能力、营销能力与良好的沟通交流能力。当前，客服行业人员素质参差不齐，高素质客服短缺且成本较高，而智能客服在成本、效率上具备明显优势。智能客服除了可以模拟客服人员和客户进行沟通外，还可通过语音识别、大数据挖掘技术对银行海量的通话记录进行智能分析上，挖掘分析有价值的信息，为服务与营销提供数据与决策支持，对客户的运营也能有明显的提升作用。智能合控（合规与风控）：反欺诈反洗钱一直是商业银行和监管部门面临的核心问题，因此产生了合规与风控的需求。人工智能技术近年来在这些领域得到了广泛应用，与传统的被动式监管相比，AI和大数据分析技术的结合能够实现对海量数据的实时挖掘，主动发现、智能监控。图17：智能合控流程示意资料来源：招商银行研究院2017年人民银行成立了金融科技委员会，将强化监管科技应用实践，利用大数据、人工智能、云计算等技术丰富金融监管手段，提升跨行业、跨市场交叉性金融风险的甄别、防范和化解能力，这也为智能合控的发展带来了更多机遇。智能信贷：信贷管理是商业银行的核心业务，智能信贷能基于人工智能和大数据技术，实现线上信贷业务的全流程优化和监控，提升风控能力和运营效率，降低成本。精准信用画像和信贷审批自动化是经营效率提升的主要环节。深度学习算法可利用大数据为用户建立信用画像，从而更加前瞻性地反映申请者的信用状况，快速形成对潜在客户的风险评估。智能化的决策引擎则利用风险评估数据对借贷形成审批、额度、定价等的判断，可从贷前、贷中和贷后的各个环节实现信贷业务精细化以及自动化运作。图18：智能信贷流程示意资料来源：艾瑞咨询、招商银行研究院智能投顾：智能投顾是人工智能技术在财富管理领域的应用，它通过一系列智能算法综合评估用户的风险偏好、投资目标、财务状况等基本信息，并结合现代投资组合理论为用户提供自动化、个性化的理财方案。智能投顾的核心环节包括：用户画像、大类资产配置（投资标的选择）、投资组合构建和动态优化等。智能投顾相比人工服务具有专业高效、降低门槛、客观中立等优势。■ 专业高效：相比于传统投顾，智能投顾更高效。在用户端，智能投顾通过问卷或互联网上的留存数据进行用户的投资画像，快速针对客户的基本信息、风险偏好和投资目标等进行综合评估，在资产端平台自动进行分析和产品匹配，生成投资组合建议。■ 降低门槛：传统投顾主要针对高净值客户，覆盖范围有限，服务成本高，起步资金门槛在50~100万元，高端服务需要千万元级别的资金。而智能投顾则依靠技术优势，有效节省了人力成本，从而大大降低了服务门槛，可有效覆盖中产及以下的普通投资者。■ 客观中立：传统投顾完全依赖投资顾问个人的能力和品行，如何保障投资顾问的道德操守，避免人性的贪婪和恐惧，是重要挑战。而智能投顾通过计算机的大量参与，可有效避免很多人为因素的干扰。根据艾瑞咨询的预测，到2020年，中国智能投顾市场将达1884亿元。图19：中国智能投顾市场规模（亿元）资料来源：艾瑞咨询、招商银行研究院图20：智能投顾系统示意资料来源：36Kr、招商银行研究院智能投研：指利用机器学习、知识图谱等技术，将数据、信息和决策进行智能整合，实现数据之间的智能化关联，自动化地完成信息的收集、清洗、分析和决策等工作。它能提高投研者的工作效率和投资能力。和人工投研相比，智能投研自动化程度高，能自动从行业新闻、公司新闻、招股书、年报、公告、行业研究报告等半结构化或非结构化数据中批量自动抽取重要信息，并建立知识图谱，实现数据搜集、事件分析、舆情影响、行行业趋势分析的一站式服务，具有高效、客观的优势。图21：智能投研流程示意资料来源：36Kr、招商银行研究院智能保险：保险也是对数字和科技要求很高的行业，当前面临互联网的巨大挑战，客户对险种功能和理赔效率的需求在不断提升，对公司的精算风控也提出更高要求。人工智能技术可以从售前、承保、理赔、售后等多个环节提升运营效率，优化定价，为用户提供个性化的产品推送。以车险理赔为例，通过运用语音识别、图像识别等技术，可以实现智能理赔，克服欺诈骗保、理赔时间长等问题。据艾瑞咨询统计，智能理赔可以带来40%以上的运营效能提升，将理赔时效从3天缩短至30分钟。图22：车险智能理赔示意资料来源：艾瑞咨询、招商银行研究院3.2四大类公司是行业主要参与者，不同维度各具特点智慧金融领域的主要参与者包括金融机构、金融科技公司、互联网公司、人工智能公司。其中金融机构指的是银行、保险、证券等金融核心领域的大型金融企业及其子公司如平安科技；金融科技公司指的是长期进行某一特定金融领域信息化工作的公司，典型的如恒生电子、同花顺、万得等；互联网公司指的是大家熟知的BATJ互联网巨头及从其衍生的一些金融服务公司如蚂蚁金服、微众等；人工智能技术公司指的是近年成立的，掌握最前沿人工智能技术的公司。这几类公司各具特点和竞争优势，可以从客户和数据、技术创新能力、业务理解能力、行业经营能力这几个维度来分析：■客户和数据：金融机构以及互联网公司最具优势，其中金融机构拥有最大而全的金融客户以及数据，互联网公司拥有最大的C段客户基础。部分金融科技公司如同花顺也在自己的细分领域拥有大量数据，而绝大部分人工智能技术公司在客户数据上十分缺乏。■ 技术创新能力：人工智能技术公司和互联网公司具备相对优势，其中人工智能技术公司在AI核心领域的研发应用能力最强，而互联网公司则具备极强的用户体验、产品设计以及综合运营能力。金融科技公司的优势特定细分领域的IT开发能力丰富，金融机构的优势在对金融业务场景理解深刻，相比前两者的核心技术能力均略有差距。■ 业务理解能力：金融机构的理解毫无疑问是最深刻的，金融科技公司对自己熟悉的特定领域有较深刻的认识，互联网公司通过前期的尝试也对金融业务有一定的理解，而人工智能技术公司起步晚，理解最薄弱。■ 行业经营能力：金融机构的牌照最为齐全，金融科技公司和互联网公司都具备少量金融牌照，而人工智能技术公司的牌照最为缺乏。表 3：四大类公司及其不同维度的能力优势资料来源：招商银行研究院3.3 不同类型公司在不同场景具备竞争优势 如前文所述，智慧金融的主要参与者各自具备不同维度的特点，同时智慧金融的应用场景也非常多元化，这些多元化的场景所需要的核心能力各不相同，因此这些参与者和场景存在关联关系，不同类型的参与者适合进行不同类型场景的建设：■ 智慧网点适合金融机构和人工智能技术公司参与，因为该场景非常具体，需要金融机构提供场地，人工智能公司提供技术，相互结合 。■ 智能客服的主要优势参与方是人工智能技术公司，主要的原因是该场景技术要求高，技术普适性广，可快速复用，适合技术领先公司参与。■ 智能信贷则是金融机构、互联网企业各具优势。金融企业的优势在业务经验丰富、金融数据全面、IT流程成熟稳定，可以基于现有系统，制定符合金融规律的智能信贷模型，高效运行。互联网企业的优势在于海量的客户及部分非金融信息，如腾讯、阿里具备海量到社交和电商信息，他们可以利用这些信息及其先进的大数据处理能力，实现长尾客户的智能信贷，获得下沉市场并向中小金融机构赋能。■ 智能合控的优势企业是人工智能公司，主要是因为这项业务技术要求高，既非金融机构的盈利点，同时监管部门也有需求，因此第三方人工智能公司作为中立的技术提供者有优势。■ 智能投顾的优势参与者是金融机构和金融科技公司，投顾是对金融专业能力要求很高的行业，金融机构是该领域的翘楚，将AI技术应用后可以大幅提升效能；而部分投资领域的金融科技公司如同花顺、雪球通过长年积累，掌握大量客户信息、交易数据，也具备智能投顾的基础。■ 智能投研适合金融科技和人工智能企业参与，因为该领域对数据和技术要求都很高。部分金融科技企业如同花顺、万得具备数据和IT运营能力；部分新型企业如文因互联、萝卜投研则具备技术优势，可将数据更好整合分析。■ 智能保险的优势企业也是金融机构和互联网公司，保险龙头机构的数据规模大，行业经验丰富，互联网公司则具备更广泛的客户基础和更灵活的应用场景。表 4：不同类型智慧金融公司和场景的契合情况资料来源：招商银行研究院根据上述的分析，我们在表5整理了国内主要的智慧金融参与企业，并对其优势领域进行归类。表 5：主要智慧金融企业（请查阅PDF版本报告，如需全文请联系招商银行研究院研究管理团队。）4．智慧教育市场空间巨大，高价值客户是关键和安防领域不同，教育领域虽然试错成本也较低，但过去IT化程度也低，造成其推进过程中遇到的困难比安防领域要大，突出表现在高价值客户的获客成本高和留存率低。但是试错成本低，行业空间大给智慧教育类公司带来的好处是只要产品过硬，舍得投入营销费用，往往能获得营收的快速增长。4.1 智慧教育中长期市场空间达千亿元，当前呈现百花齐放的局面 教育行业是一个六万亿的市场，因此智慧教育的发展空间很大，根据艾瑞咨询的预测，到2022年，国内智慧教育的市场空间将达到1724亿元。虽然实际的市场发展未必如其预期的这么迅速，但中长期而言，该领域将达到千亿规模基本是行业的共识。图23：中国智慧教育市场空间预测（亿元）资料来源：流利说招股书、艾瑞咨询、招商银行研究院虽然人工智能技术和教育结合的时间并不长，但是当前的智慧教育已经呈现百花齐放的局面，多个细分领域在快速增长，主要包括自适应教育、智能工具、AI外语培训等。自适应教育因材施教，国外发展较成熟，国内处于快速发展期 自适应教育指的是通过人工智能技术，进行大数据分析，自动分析学生的知识掌握阶段和性格特点，自动调整学生的学习路径，以帮助学生达到更有效的学习效果、获得更好的体验。图24：自适应教育流程示意资料来源：艾瑞咨询、招商银行研究院自适应教育最大的优势在于能够定位到每位学生的知识漏洞，能够引导学生进行最适合他自己的下一步学习内容和活动，当学生在学习过程中遇到课程难度过高或过低时，课程的难易程度都可以自动调整。老师也可以根据系统提供的学习状态评估报告来分析每个学生的知识空白，并即时调整学习进度，为每个学生提供个性化教学。所以从理论上说，自适应学习是解决在线教育的“因材施教”问题的潜在可行方案之一，内容、数据与技术是支撑自适应学习系统开发的关键。自适应教育在国外发展较早，相对成熟，国外逐步涌现出了Knewton、DreamBox等教育科技明星公司，根据亿欧咨询的数据，Knewton已经成为美国排名第一的AI+教育公司。自适应教育之所以在国外得到较快发展，是因为其在教育实践中体现出了明显效用， Knewton的实测数据表明，自适应教育相比传统教育能产生较大的差异性提升。 表 6：Knewton自适应研究样本资料来源：鲸准研究院、招商银行研究院表 7：Knewton自适应研究结果资料来源：鲸准研究院、招商银行研究院紧随国外发展，国内近年的自适应教育热度明显提升，好未来、新东方、乂学等教育公司均陆续推出自适应学习产品。以乂学教育为例，据公开资料显示，成立四年来，其下属的松鼠AI已经累积学生数据近200万,在全国20多个省300多个城市签署了1800多家合作学校，同时其营收从2015年的800万元增加到2018年的10亿元，每年都保持400%的速度增长。图25：乂学教育营收快速增长资料来源：公开资料搜集、招商银行研究院展望未来，国内的自适应教育行业具备巨大的发展潜力。智能工具类企业具备入口优势，用户规模巨大教育行业的智能工具类企业指的是利用AI技术，为老师和学生提供智能化工具服务的公司，当前的核心应用包括拍照搜题以及智能批改：■ 拍照搜题指的是上传题目照片，然后系统通过图像识别、模式匹配等方法自动定位到题料库中的题目，将解题方法反馈的过程。■ 智能批改指的是上传已经完成作答的作业，自动识别并判断学生作业效果并反馈的过程。这两类应用有一定的关联度，行业内的公司往往是从拍照搜题类应用起家，逐步扩展到智能批改类的应用，行业内的代表公司有作业盒子、猿辅导、作业帮等。大部分智能工具类企业的基础工具服务是免费的，这些企业主要是将工具服务作为一个好的入口，获得足够多优质的线上用户，再进一步开展相关增值服务，比如线上课外培训来获得收入。基于免费服务的特性，智能工具类企业迅速获得了大量用户。据公开资料显示，作业帮2018年7月的月活用户已超过7000万，付费用户总数超过500万。作业盒子2018年底的用户数量也超过4000万，覆盖10万所学校，独立日活超过500万，MAU超1500万，每日生产学习行为数据超过2亿条。基于庞大的用户群体，智能工具类企业可以开展低质优价的在线教育服务，营收也获得了快速增长。据公开资料显示，预计2016、2017、2018年猿辅导的营收分别为1.2亿元， 3亿元、15亿元，而作业帮、学霸君在2018年的营收也达到了10亿元的量级。图26：智能工具类公司用户数资料来源：公开资料搜集、招商银行研究院图27：智能工具类公司收入资料来源：公开资料搜集、招商银行研究院不过，需要注意的是，这些企业虽然在工具入口上具备优势，但是在课外培训的内容上和行业巨头有差距，当前新东方、学而思等公司也在大力布局线上培训，该营收渠道未来将长期面临巨头的竞争。AI外语培训市场参与者众多，少儿相比成人更优外语培训也是众多AI公司切入教育赛道的选择，这些企业有的如流利说是通过积累大量的外语语料库，通过AI老师实现对多个用户的低成本智能教学；有的如VIPKID是通过线上外语培训起家，逐步引入AI技术，生成AI助教，助推实现在线外语教育的个性化。外语培训门槛较低，众多创业者和中小企业不断进入该领域，因此在线外语培训竞争激烈较为激烈，对AI 类公司构成了较大挑战。外语培训可分为少儿和成人两类，相较而言少儿类客单价和留存率高，因为少儿往往注意力和自学能力有限，需要通过老师的引导，付费意愿和持续性较强；而成人的学习渠道多样，付费意愿低，时间有限坚持性有限。国家统计局发布的数据表明，2018年少儿英语培训市场600亿，线上66亿需求，近年保持20%的速度增长，其中VIPKID占据了55%的市场份额，营收向50亿的规模迈进。而偏向于成人外语培训的两大龙头英语流利说和51talk的营收目前在10亿元的规模，和VIPKID有一定差距，同时由于获客成本和留存率的问题，上市后依然亏损严重。相比较而言，我们认为AI少儿外语培训类的赛道相对更优。4.2 高价值客户获客成本高企，留存率低造成行业盈利困难教育行业是朝阳产业，教育行业的智能化趋势当前也已经是业界共识，领先AI教育公司的营收表现也不错，但是当前的绝大多数AI教育公司都出现盈利困难的情况，这主要是由于高价值客户获客成本较高和留存率较低。需要指出的是，我们这里讨论的是高价值客户，指的是有较强支付意愿，愿意付出较多金钱如一年几百元以上的客户。部分AI教育公司如智能工具类公司由于具备免费和工具两大属性，可以低成本获得大量客户，但是这些客户中真正具备较强支付意愿的客户比例很少。根据公开渠道整理的数据，当前在线教育的高价值客户的获客成本很高，从几百元到上万元不等，而AI教育属于在线教育中的新兴延展，其获客成本相对更高。这也导致了部分公司营销成本高企，如流利说的营销费用已经超过了营业收入 。除了获客成本高昂外，留存率低也是AI教育公司面临的重大挑战。由于部分公司的内容和教育效果不及预期，造成很多花费巨额营销费用吸引来的高价值客户，并没有持续购买服务，流失了。高价值客户续费率作为企业的核心数据，一般很少公布，但我们可以从部分上市公司的报告推测出其续费率非常有限。从流利说公布的2019年一季报以及半年报可以计算得出，虽然其营收增长，营销费用高企，但付费用户数从一季度的110万下降到了二季度的90万，隐含的流失率非常高。图28：在线教育高价值客户获客成本估算资料来源：公开渠道整理、招商银行研究院图29：续费率对高价值用户数量影响很大资料来源：招商银行研究院高价值客户获客成本高企、留存率低这两大障碍造成当前的AI教育类公司盈利困难。从公开资料梳理，当前的AI教育类公司能获得正向盈利的不到3%。4.3 优势赛道中高价值客户留存率高的公司有望长期胜出尽管行业当前面临盈利困难的问题，但教育智能化的趋势已经形成，行业内企业营收增长很快，消费者习惯在迅速培养，我们预期未来行业洗牌结束，竞争格局稳定后，龙头AI教育类公司具备长期发展前景，而当前优势赛道中高价值客户留存率高的公司有望长期胜出，这也可以成为我们选择企业的出发点。首先是要选择优势的赛道。根据前文的分析，我们认为从赛道排序来说，自适应教育>智能工具类企业>AI少儿外语培训>AI成人外语培训，优势赛道的企业未来发展会更好。其次是相比高价值客户获客成本而言，客户留存率更为关键。随着互联网红利的逐渐消退，各在线TO C行业的获客成本均在逐年提升，以京东为例，2012~2017年，京东的获客成本上涨了4倍，因此未来教育行业获客成本高企的现状很难改变。所以对所有的AI教育公司来说，提高客户留存率，将自己花费大量营销成本获取的付费用户，发展成长期忠诚客户，是最关键的工作。图30：京东历年活跃用户获客成本资料来源：公开资料整理、招商银行研究院根据这两大影响因素，我们将主要的AI教育企业判断如下，建议银行主要聚焦在第一二档的公司。表 8： 国内主要AI教育公司判断（请查阅PDF版本报告，如需全文请联系招商银行研究院研究管理团队。）另外，值得注意的是，好未来和新东方这两大教育巨头也在逐步加大AI技术的投入，未来会是所有AI教育公司的重磅竞争对手。其中好未来的投入更迅速，在2019年8月29日的世界人工智能大会上，其被科技部宣布依建设智慧教育开放创新平台。对于AI教育企业，我们同时需要密切关注其和这两大巨头的竞争关系。5．智能交通市场空间达千亿，信息化龙头具备明显竞争优势交通领域的试错成本和行业壁垒相比教育行业要更高，因此不像教育行业那样，有那么多的初创企业参与者和细分赛道领域。同时由于交通领域的IT化建设相对开始较早，部分龙头企业具备先发优势，参与智能交通的企业往往是从过往的交通信息化企业转型而来。5.1智能交通持续受益于政策，道路和轨道交通是主航道智能交通能提高运输效率、缓解拥堵以及提升交通安全，国内政策一直大力支持，在十九大报告也进一步提出中国要建设成为交通强国，从侧重投资过度到依靠科技，因此国内未来近年的智能交通市场规模将保持较快增长。据中国投资咨询网的预计，2018 年我国城市智能交通市场规模将达到620 亿元，未来五年(2018-2022)年均复合增长率约为20.33%，2022 年将达到1300 亿元。图31：中国城市智能交通市场规模（亿元）资料来源：中国投资咨询网、招商银行研究院智能交通的涵盖面较广，主要包括道路、轨道、水运、航运这四大方面。 而根据国家统计局公布的数据，2018年国内旅客出行的主要方式是公路和铁路运输，因此道路和轨道交通的市场需求大，是主要航道。图32：2018年中国旅客运输方式结构分析资料来源：国家统计局、招商银行研究院5.2 智能道路系统有望发展成智慧交通大脑，龙头企业数据优势明显智慧交通大脑指的是利用人工智能技术，基于自动搜集的海量实时交通数据，进行深度运算，以实现对于交通场景的智能实时调度，达到减少城市拥堵、提升居民出行体验的目的。智慧交通大脑实现的关键在于对人、车、路信息的搜集以及分析，过去限于技术水平，只能停留在理论的设想，而随着计算机视觉技术的不断突破，已可以让机器智能实时识别道路上的人、车信息及其行为，交通大脑的实现已经不再遥远。图33：智慧交通大脑建设中需要融合的数据资料来源：华泰证券、招商银行研究院数据对于人工智能算法的训练非常重要，而智慧城市大脑的决策行为既需要实时又十分繁多，因此历史和实时的交通数据就极其关键。国内的智能道路系统建设企业往往是从传统的道路信息化企业转型而来，因此其中的龙头企业深度介入了国内现有核心道路的信息化系统，不仅包括道路信息，也包括了ETC、交委、交警等道路管理部门的相应信息，具备先发优势。而对于最核心的人、车、路信息，龙头企业可以在对现有系统的升级改造过程中，加入AI视觉识别的模块，以实现对于现有道路的实时信息的获取。所以从数据获取的角度来说，龙头企业的先发竞争优势很大。当前国内智能道路交通龙头是千方科技，其在该领域的市场份额是主要竞争对手的三倍以上。除了拓展现有优势外，业务层面继续围绕智慧交通全面布局，积极和各大车厂合作进行V2X测试；资本层面引入阿里巴巴作为第二大股东，提升自己的技术实力。我们预期未来，千方科技基于自身的数据、技术和资金的优势，有望不断拓展自己在智能道路领域的竞争优势，朝智慧交通大脑的方向发展，成为智能交通领域的核心企业。5.3 智能轨道处于快速发展期，综合具备一体化实施和AI 应用能力的公司有望胜出虽然总的铁路运输旅客人数和公路运输相比差距较大，但是近年随着各大城市的地铁、轻轨等轨道交通建设快速展开，智能轨道企业也迎来了发展良机。来自中国轨道交通协会的数据表明，国内城市轨道在建线路长度由2013年的四千公里逐步增加到了2017年的六千公里，呈稳步上升态势。与此相应，城市轨交的信息化建设也增长迅速，据中国产业信息网的统计，信息化投资额由2015年的124亿元迅速增加到了2017年的187亿元，预计到2020年将达到326亿元的规模。图34：国内城市轨道在建线路长度资料来源：中国城市轨道交通协会、招商银行研究院图35：国内城市轨道交通信息化投资额(亿元)资料来源：中国产业信息网、招商银行研究院轨交信息系统主要包括自动售检票系统、站台门系统、综合监控系统、通信系统这四大模块。图36：轨交信息化主要模块资料来源：佳都科技、招商银行研究院而随着AI技术的发展，这四大模块都可以产生很多新的进步，比如自动售检票系统可以通过人脸自动识别自动出入，助力乘客享受更便捷的出行和支付体验；综合监控系统可以通过视觉技术对乘客、客流、物品特征进行分析，优化高峰时段分流管理、可疑物品监测、可疑人员识别，为地铁安全运营提供技术保障。因此轨交信息化行业正逐步往轨交智能化发展。 过去的轨交信息化企业往往聚焦于四大模块中的一个，整体市场较为分散，近年来少数龙头企业逐步通过内部研发和外部收购等方式，逐步完善了自己的产品结构，全面掌握了四大模块的核心技术。我们认为，未来随着轨交信息化向轨交智能化转变，项目实施难度不断增加，智能轨交的订单会越来越倾向于具备一体化实施能力的企业，全面掌握四大模块的智能轨交企业会有一定竞争优势。此外轨道交通领域的安全性要求相比安防更高，有一定的试错成本，因此对企业的AI技术能力也提出较高要求。虽然在一些核心算法上可以借助中游AI技术平台的力量，但是企业依然需要具备较高的AI技术理解和应用能力，这样才能做到整体系统的风险可控，保证系统运行的稳定和安全，实现自主可控。因此具备较强AI技术应用能力的企业也会具备竞争优势。佳都科技是国内智能轨道交通的领先企业，一方面是在行业内率先全面掌握了智能轨交系统的四大核心技术，另一方面近年也大力投入AI技术的研发，技术方面内部成立了两大AI研究院；资本方面2015年开始不断投资优秀AI企业如云从科技，对于AI技术的理解和应用在国内轨交企业中相对领先。佳都科技近年来连获智能轨交的大单，未来有望不断提升自己在智能轨交行业的市场份额。需要注意的风险点在于城市轨交建设具有一定的地域性，对于佳都科技是否能在其他城市复制其在广州的竞争力，尚待观察。6．AI+医疗愿景美好，短期面临巨大挑战医疗行业虽然空间巨大，但其面临着IT化程度低和试错成本高这两大难题，因此造成当前的AI+医疗更多是雷声大、雨点小。虽然AI+医疗的参与者众多，但这些企业往往是初创企业，项目的落地和实际营收困难重重，短期而言面临巨大挑战。6.1 AI+医疗能解决医疗痛点，理论市场空间达千亿元医疗行业是大健康领域的重要分支，近年保持快速增长，前瞻产业研究院的数据表明，国内医疗行业的市场规模由2010年的2133亿元增加到了2017年的5901亿元，未来仍将保持稳步增长，达到万亿元的规模。图37：国内医疗市场规模资料来源：前瞻产业研究院、招商银行研究院但是当前国内医疗行业依然存在医生数量不足，培养周期长、高质量医生缺乏、医疗资源地域分布不平衡等诸多痛点：■ 医生数量不足：中国病理医生与人口比例为 1:70000，而美国为1:2000，差距较大。■ 医生培养周期长：独立上岗医生培训周期长达 8 年，导致医疗人力成本高，无法迅速满足持续增长的医疗需求。■ 高质量医生缺乏：在我国全部卫生人员之中，大学本科以下学历比例占到69.4%，大学本科与研究生学历比例仅占30.6%，可见我国卫生人员整体受教育水平偏低，高质量卫生人员较缺乏。■ 医疗资源配置不均衡：据统计，2015年每千人口医疗卫生机构床位数平均仅，城市为8.27个、农村仅为3.71个，资源配置不平衡。图38：国内卫生人员学历分布（2015）资料来源：Wind、招商银行研究院图39：每千人口医疗卫生机构床位数（2015）资料来源：亿欧、招商银行研究院AI+医疗可以通过大量诊疗案例和病理图像的深度学习，实现AI智能诊疗，从供给端提供大量较高水平的AI医生，缓解医患矛盾，地域分布等痛点。若假设未来AI技术在医疗行业中的渗透率能达到10%，那么根据2025年的医疗行业空间推测，AI+医疗市场空间将达到千亿元，十分巨大。6.2 当前发展面临巨大挑战，等待曙光到来 尽管理论的空间和但是当前的AI+医疗面临巨大挑战，行业内公司获取订单和有效营收困难，主要是有以下几个原因：■ AI+医疗的技术水平有待提升，以IBM的WATSON为例，虽然研发投入上百亿美元，但在美国的应用依然困难重重，内部也爆出过开错药的问题。 ■ 医疗行业事关人民群众生命健康，试错成本很高，造成主流医疗机构对AI技术的实际使用非常谨慎，目前尚处于试验和探索的阶段。■ 医疗行业的政策限制较多，AI技术进入实用也面临着众多监管政策的挑战。■ 国内医疗行业的信息化程度相比发到国家较低，不同医院之间甚至医院内部的信息孤岛都很严重，AI技术实施的载体不完善。总体而言，虽然AI+医疗未来的理论空间十分巨大，但当前还处于发展初期，面临很多困难，银行的介入还需要等待行业曙光出现。7．布局建议及风险提示7.1 布局建议 （请查阅PDF版本报告，如需全文请联系招商银行研究院研究管理团队。）表 9：人工智能下游行业大方向判断（请查阅PDF版本报告，如需全文请联系招商银行研究院研究管理团队。）资料来源：招商银行研究院7.2 风险提示（1）行业监管风险：试错成本是下游子行业发展速度的重要因素，如果未来政府层面出于安全等考虑对行业加强监管，有可能导致相应行业的试错成本增加，发展速度变慢。（2）技术创新风险：如果未来出现新的不基于深度学习的技术方法，能够取得更好的智能效果，现有下游企业的技术方案、技术积累可能需要推倒重来，存在技术变迁的风险。（3）中美贸易战风险：当前人工智能云端用的主要芯片来源还是美国进口，如果贸易战进一步加剧，可能造成芯片价格上升、性能下降，对下游企业的经营造成压力。（4）子行业自身发展风险：这个需要针对行业具体分析，如智能安防领域需关注华为和阿里的竞争风险；智慧教育领域需关注留存率风险。相关报告：人工智能行业报告（上篇）——中国造AI将崛起，数据以及平台类公司前景广阔——End ——转载声明：本文章版权归招商银行研究院所有，招商银行研究院允许在满足以下条件时转载本文：1.转载时保留本文全部内容，不得进行任何删改；2.转载时请注明出处，并在“原文链接”中保留原始公众号文章链接；3.转载时必须保留本转载声明。本期作者方国栋，行业研究员

“当前数据中心建设属于新基建重点，机器人行业将进入新一轮爆发期。从投资角度看，全球整体市场仍在快速增长，服务机器人将迎来发展黄金时代。本文选自梧桐树资本风险投资团队投资总监马龙的《智能巡检机器人行业研究报告》部分内容。”「重要结论」智能巡检机器人属于特种机器人范畴，需求较为前沿，因此必须找到：1、有特殊工作环境（高危、艰苦、人工作业有短板），对专业服务机器人具有需求刚性；2、有政策引导；3、有较大需求和支付能力的下游领域，才能够支持企业的长期发展，所以对企业的技术、渠道能力（营销教育能力）和战略眼光（市场选择）等都要求较高。虽然当前特种机器人市场规模相比工业和狭义服务机器人较小，但其作用和意义重大，增长速度快。目前智能巡检机器人主要引用的大行业有：电力、数据中心、城市综合治理。智能电网建设和增强供电可靠性已上升为国家战略，电力系统的智能巡检机器人刚需最强。变电站巡检机器人市场潜在规模400~550亿元，配电站巡检机器人市场潜在规模在200~300亿元，在技术和政策双重利好的影响下，电力巡检无人机处于成长期到成熟期的过渡期，预计年市场规模在30-50亿元。目前变电站巡检机器人的上市公司和准上市公司已经很多，基本以区域为划分，市场格局比较成熟。电力无人机巡检需求较刚，市场规模较大，目前发展较好的公司基本完成B轮融资，处于C轮阶段，也有部分A轮左右公司，但是和头部公司体量差距较大。数据中心建设属于新基建重点，将进入进入新一轮爆发期。2019 年-2022 年中国 IDC 业务市场规模复合增长率为 26.9%，预计2022 年，中国 IDC业务市场规模将超过3200.5亿元，同比增长 28.8%。数据中心巡检痛点明显：1）巡检工作量大，漏检误检率高；2）缺乏对网络设备及服务器主机的硬件状态监控：3）外包运维工作安全性明显：4）IT资产数据僵尸化；5）灾备机房无人管理：6）IT运维成本居高不下。因此数据中心智能巡检机器人刚需较强。整体来看，EDC智能巡检机器人潜在市场规模应该在百亿左右，运营商IDC智能巡检机器人的潜在市场规模在300~450亿。数据中心智能巡检刚需程度较强，巡检机器人市场规模较大，目前发展较好公司基本处于A轮阶段。城市综合治理的内涵非常广，包含安防巡检、交通巡检、消防应急巡检、设施巡检等，其中安防巡检机器人市场规模最大，按照2020年智能安防市场450亿，安防机器人占比3%计算，2020年安防巡检机器人市场13.5亿元。市场规模较小、刚需成都较弱、落地难度较大。01—机器人行业发展概述根据机器人的应用环境，国际机器人联盟(IFR)将机器人分为工业机器人和服务机器人。现阶段，考虑到我国在应对自然灾害和公共安全事件中，对特种机器人有着相对突出的需求，中国电子学会将机器人划分为工业机器人、服务机器人、特种机器人(专业机器人)三类。机器人分类：全球整体市场仍在快速增长，服务机器人迎来发展黄金时代。中国电子学会发布的《中国机器人产业发展报告2019》数据显示，2019年全球机器人市场规模达到294.1亿美元，2014-2019年的平均增长率约为12.3%。其中，工业机器人159.2亿美元，服务机器人94.6亿美元，特种机器人40.3亿美元。2019年全球机器人市场结构：（一）工业机器人工业机器人一般为多关节机械手或多自由度的机器装置，可以按照人类指挥或提前编排的既定路径进行运动，替代人工从事重复度较高的生产制造工作,可以替代人工从事上下料、锻造切割、焊接、喷涂、装配、码垛等工业生产作业工作。工业机器人应用集中在汽车、电子、金属制品、橡胶和塑料等行业。汽车行业目前仍是国内工业机器人最主要的下游应用，随着中国制造业产业升级和转型的不断深化，工业机器人的应用将有望更深入衍射到 3C、半导体、新能源、物流仓储等领域，需求更加多元化。2016-2018年我国工业机器人下游应用占比及 2018 年其他类详细占比情况：（二）服务机器人广义服务机器人的定义为“以服务为核心的自主或半自主机器人”，是除工业机器人以外的，用于非制造业并服务于人类的各种先进机器人的统称。服务机器人应用范围很广，涵盖了维护、保养、修理、运输、清洗、保安、救援、巡检等领域。服务机器人根据应用场景的不同又可分为家用服务机器人（狭义的服务机器人）和特种机器人（专用服务机器人）两大类。常见的家用服务机器人有扫地机器人、娱乐机器人、烹饪机器人等。相比工业机器人，服务机器人属于新兴行业，但增速更快。服务机器人萌芽于上世纪90年代，2000年至2010年为起步阶段，全球规模较大的服务机器人企业产业化历史也多在5-10年，大量公司仍处于前期研发阶段，2011年至今，依托人工智能技术进步，服务机器人应用场景和服务模式不断拓展延伸，带动全球服务机器人市场规模高速增长，当前服务机器人市场规模的增速远高于工业机器人，2014年以来全球服务机器人市场规模年均增速达21.9%。2019年全球服务机器人市场结构：（三）特种机器人（专业服务机器人）特种机器人（专业服务机器人）包括国防机器人、农场机器人、医疗机器人、电力机器人等。智能巡检机器人属于特种机器人范畴。近年来，世界各国主要研发的专业服务机器人重点在医疗、物流、军事、极限环境等特殊领域。考虑到特殊领域的工作环境条件往往比较恶劣或者具有危险性，对专业服务机器人具有需求刚性。因此，未来特殊工作环境的应用场景将会不断催生出专业服务机器人新品种，当前特种机器人市场规模相比工业和狭义服务机器人较小，但其作用和意义重大，未来潜力巨大，2013 年至今，全球特种机器人销售额始终保持两位数增长。根据IFR 的预测，至 2020 年，全球特种机器人市场规模预计达到 49.5 亿美元。目前，国内外特种机器人行业部分较为知名的企业代表如下：02—广义服务机器人产业链广义服务机器人产业链图谱：(一）上游：硬件（基础层）及技术支持（技术层）：服务机器人上游为核心零部件厂商，核心零部件包括芯片、传感器、控制器、减速器及伺服电机等。一般这类厂商都属于技术类公司，注重核心技术研发，硬件及核心零部件厂商以提升技术和降低成本为主要任务，AI技术公司则以算法和数据为核心竞争力。硬件及技术支持类公司：硬件中芯片和智能传感器具有极高的技术门槛，且生态搭建已基本成型，目前芯片的主要贡献者是Nvidia、Mobileye和英特尔在内的国际科技巨头。智能传感器领域主要被博世、欧姆龙、ST、罗姆、NXP、ADI、英飞凌、楼氏电子、索尼、三星等巨头企业垄断。跨国公司占据了87%的市场份额，但国产替代在加速，核心零部件方面，国内有寒武纪科技、遂源等AI芯片企业，有思岚科技、镭神智能等传感器企业。伺服系统与控制器市场较为集中，减速器寡头垄断。IFR 数据显示，机器人的成本主要集中在零部件端，其中核心零部件的比例在 70%左右，减速器、伺服电机、控制器占比分别为 36%、24%、12%。控制器领域，“四大家族”（ABB、库卡、发那科、安川）全部实现自给自足。伺服电机领域，安川是市场上的有力竞争者，2018年在中国伺服系统销量份额达到 15%，与松下同处第一阵营；发那科掌握核心技术，无需外购；欧系ABB和库卡由外部供应。减速器领域，技术含量最高，“四大家族”尚无突破，市场主要由日本的纳博特斯克和哈默尼克两家企业把控。“四大家族”通过掌握零部件端、本体、集成应用端的技术，建立对成本和产业链的把控力。AI技术公司中，在核心算法和基础理论领域，美国是目前人工智能基础理论和算法发展水平最高的国家，Facebook、谷歌、IBM和微软等科技巨头均重点布局人工智能算法及算法框架等高门槛技术。技术层解决具体类别问题，这一层级主要依托运算平台和数据资源进行海量识别训练和机器学习建模，开发面向不同领域的应用技术，包括语音识别、自然语言处理、计算机视觉和机器学习技术。科技巨头谷歌、IBM、亚马逊、苹果、阿里、百度都在该层级深度布局。中国人工智能技术层在近年发展迅速，发展重点聚焦于计算机视觉、语音识别和语言技术处理领域，除BAT等平台型科技企业之外，还出现了如商汤（图像识别）、旷视（图像识别）、科大讯飞（语音识别）、图灵机器人（语义识别及操作系统）等诸多公司，处于发展上升期。（二）中游：机器人主体（应用层）：服务机器人中游是机器人本体厂商，向下到系统集成商，包括控制/伺服系统、操作系统、导航及路径规划、感知交互等。一般这类厂商都属于产品类公司，产品类公司注重需求定位，其产品质量、品牌、营销以及生态构造是重要壁垒。得益于技术类公司的基础和AI算法的开源，应用层进入门槛相对较低。目前，产品类公司的规模和数量在服务机器人产业链分布中占比最大。产品类公司：应用层解决实践问题，是应用硬件和技术针对行业提供产品、服务和解决方案，我国应用层企业将硬件和技术集成到自己的产品和服务，从特定行业或场景切入，其核心是商业化。我国目前机器人产业链中的优势环节在系统集成，而系统集成属于下游“销售”及“品牌、服务、循环”环节，增加值相对较高，有望为企业带来较为丰厚的回报。系统集成商符合盈利能力强、收入规模大的特点，具备进入良性循环并做大做强的基础。宏碁集团创办人施振荣先生在 1992 年提出制造业“微笑曲线”：机器人系统集成：因此，在技术门槛较低机器人本体零部件和的功能零部件上，最好是能够做到颗针对性地对不同的应用场景做出适应性的调整，比如在数据机房中，地板下出风，需要做独立悬挂，但整机产业链达不到及时的调整，就需要厂商自己去设计和找人代加工独立悬挂的底盘。在控制系统中，最好在软件、机光电一体化设计、导航及路径规划、感知交互上，最好能够在大数据的基础上针对行业特性做出适当的调试和优化，比如在机房巡检中，通过视觉识别算法，对机房设备指示灯状态及仪表进行识别，但视觉只是识别的一部分，真正核心的是在后端的产品逻辑，机柜指示灯识别的关键是拓扑关系建立，角度不同指示灯的形状会呈现不同的梯形状态，建立拓扑公式后能解决特殊形状指示灯的识别问题。另外，所有标示的指示灯可选配，客户关注什么提取什么，解决了客户误报的问题。可以说，人工智能的核心是算法设计，但是算法设计的基础却是数据和行业认知。（三）下游：各类细分应用场景下游按照不同服务细分领域针对不同应用场景，例如：家用、物流、医疗、安防、电力、机房、军用等领域。家用服务机器人国内市场仍具广阔空间，是极具潜力的新兴产业。2018年国内扫地机器人渗透率7.5%，远低于2017年以前的美国（16%），该领域头部企业科沃斯2018年实现营业收入56.94亿元，同比增长25.11%。石头科技2018年实现营业收入30.51亿元，同比增长172.72%，扫地机器人营业收入30.09亿元，该业务占到总营收98.63%。由于特种机器人的需求较为前沿，发现痛点到研发出针对性产品有一定周期，再加上必须要找到有较大需求的下游领域才容易放量、做到盈亏平衡，所以对企业的技术、渠道能力（营销教育能力）和战略眼光（市场选择）等都要求较高。目前来看，国内在消防机器人（中信重工这块规模已经很大）、高温炉前机器人（博实股份订单已经开始放量）以及变/配电站巡检机器人（亿嘉和收入体量已经接近8亿）等特种机器人领域已经开始出现成规模且具备较强盈利水平的企业，且均具备特有的技术、渠道壁垒，正在逐渐打破特种机器人不好上量的固有印象。03—智能巡检机器人智能巡检机器人是特种机器人（专业服务机器人）的一种，一般是基于感知、认知（或者决策）、执行三个核心要素，在某种特定环境（高危、艰苦、人工作业有短板）进行智能化巡检的应用型机器人。智能巡检机器人的产业链的三个层面：（一）智能巡检机器人的类型 :目前，智能巡检机器人可以分为三大类：地派—无轨智能巡检机器人和有轨智能巡检机器人、天派---智能巡检无人机、水派---水下智能巡检机器人，分别应用在不同的细分行业中。1、地派---无轨智能巡检机器人和有轨智能巡检机器人无轨智能巡检机器人一般采用组合SLAM技术，对复杂环境实时自适应地图构建，实现高精度定位与导航，采用可见光相机、红外成像仪、拾音器等多传感器融合技术，实现表计识别、设备状态识别、红外测温及三相比对、环境检测等功能。无轨智能巡检机器人主要引用与室外设备巡检，以及室内环境复杂的设备巡检，主要应用行业为：电力、数据机房、安防等。无轨智能巡检机器人：有轨智能巡检机器人一般采用轨道移动方式，搭载高清摄像机、红外热成像仪、拾音器等设备。随着城市的高速发展，除了基础的地上轨道交通以外，充分和高效利用城市地下通道资源成为城市发展的必须。有轨智能巡检机器人主要运用于内部环境封闭，人工难以实现全天实时监控，但布局较为简单的隧道场景。目前主要应用行业：电力、低下轨道交通等。有轨智能巡检机器人：2、天派---智能巡检无人机无人机是无人驾驶飞机（UnmannedAerial Vehicle）的简称，是利用无线电遥控设备和自备程序控制装置的不载人飞机。无人机可以在无人驾驶的条件下完成复杂空中飞行任务和各种负载任务，可以被看做是“空中机器人”。无人机具有设计灵活、体积小、重量轻；续航时间长，空间利用率高，载荷能力强；安全系数高，自主控制能力强；无人员伤亡，可在高风险空域飞行等优点。这类机器人需要额外关注自动飞行技术、充电技术。无人机按技术特征可分为固定翼机、多旋翼机、无人直升机、无人飞艇、无人伞翼机。当前的无人机市场以固定翼和多旋翼无人机为主，其主要特点为：固定翼无人机：多旋翼（多轴）无人机：中国目前在无人机方向发展领先世界（以大疆为代表），无人机商业化应用场景也及其多：但目前来看，无人机商用的主要场景集中在：电力输电线路巡检、城市综合治理巡检、交通应急巡检。3、水派---水下智能巡检机器人水下智能巡检机器人主要解决人体无法长时间作业及不能下水的安全限制，降低人员伤亡，提高检测效率、监测范围、数据化及信息的实时性，降低检测成本。由于水下环境较为复杂，目前水下智能巡检机器人还是以人工操作为主。主要应用行业在渔产、水电站维护巡检、水下科考、海洋探索等。这类机器人需要额外关注防水密封能力、水下图像识别：解决感光畸变和折射问题。水下智能巡检机器人关键零组件及算法组件：(二) 智能巡检机器人行业发展趋势：1、机器人平台化趋势日趋明显作为智能巡检机器人系统的重要载体，机器人本体通过搭载实现巡检功能的传感器在特定工作环境下自主运行，完成软件系统的数据融合与分析、通信传输、接口规范、应用对接、专家系统等功能，随着产品不断趋于成熟，主要体现在以下几个方面：（1）机器人结构功能趋于一致：机器人的硬件结构、传感器、防护等级、设计规范等要求趋于统一；同时，机器人硬件基本由感知、控制、驱动等部分构成，这样有利于用户及行业标准化的制定，也便于产业链形成以及行业管理；（2）机器人软件核心功能趋于标准化：随着机器人应用的不断成熟，机器人核心功能的量化及应用为运维工作带来了重大变化，目前巡检机器人的核心功能包括环境感知、视觉识别、红外测温、音频检测、安防监控、呼叫平台等，上述每一个功能的量化目标、接口规范、数据标准已不断明确，使得机器人软件开发有章可循，核心功能数据趋于标准化并不断成熟；（3）用户接口及应用趋于平台化：机器人平台化主要包括硬件平台化、软件平台化以及核心功能平台化等三个方面。随着应用场景及核心功能的不断成熟，机器人应用已从早期的演示推广发展到目前的核心功能数据接入使用和运维操作平台化建设。具体而言，一方面，数据接口在应用过程中不断规范化；另一方面，根据最终用户需求，在对接不同平台时呈现更加符合其运维需要的数据信息。从机器人角度来看，平台化一方面便于客户使用及规范化操作，另一方面，也可以促使产业链不断发展。2、由“感知”向操作、协作发展巡检功能属于智能系统中“感知”功能的突出表达，具体包括环境感知、设备状态感知等。鉴于应用场景具有一定的特殊性，正常运维人员不能解决的往往是“感知”任务的复杂性和操作难度，为此，当前最为紧迫的是用机器人来实现运维的“感知”功能，而随着智能巡检机器人的成熟使用，具备更多感知、操作及人机协作功能的智能机器人将会是未来的发展方向。此外，由于“感知”信息后需要对信息进行“处理”和“操作”，因此操作机器人会成为智能巡检机器人的后续功能延伸和发展；同时，从操作的角度来说，“感知”和“操作”是一个从手动遥控操作到人机协同，再到自主作业完成复杂操作的过程。3、物联网带来的单体智能向系统智能化发展单体智能和多体智能是智能机器人系统的重要应用形式，单体智能突出机器人本体从感知、表达、控制、决策等方面的智能化程度，多体智能突出协作性、关联性和系统性。巡检机器人从单体智能的角度来看，突出巡检机器人的自动运行、环境适应性、多模态数据采集与融合、图像识别、专家系统等功能，直观来说，就是机器人能够完成自主、复杂、多样的任务。从多体智能角度来说，更强调多系统的融合，包括机器人与环境传感器、被测对象、其他智能设备和系统、运维人员等主体（智能体）的数据融合，同时，能够与其他主体（智能体）数据关联分析，以及协同完成特定任务等功能。单体智能目前已经趋于平台化、标准化和规范化，而多体智能则将成为行业发展的趋势，促进系统整体优化提升，为运维系统带来新的发展。4、多模态数据融合呈现多样化价值应用目前，智能巡检机器人主要功能是实现不同形态的数据采集、数据识别、判断与决策。其采集的数据主要包括环境数据（温湿度、声音、电磁场强度等）、安全数据（防跌落、外力破坏、人员入侵、火源等）、被检测设备状态数据（红外、图像数据、紫外等数据）等，由于上述数据关联性、重要性以及用途不一，因此呈现多模态形式，具体情况如下：（1）工作环境数据；（2）设备状态数据判断与预警；（3）运行数据呈现与管理（运维平台）。随着智能巡检机器人行业的不断成熟，对数据的选择性应用已成为趋势，也进一步提升了数据采集的有效性和应用价值。5、人工智能引领行业快速发展智能巡检机器人无论在机器人自主移动、控制与驱动、定位导航以及传感器数据采集、图像处理、语音采集与处理、专家系统分析与决策、大数据分析等方面都用到人工智能技术，换一个角度来说，人工智能在每一个领域的突破和发展，都会对智能巡检机器人核心功能、平台特性、数据运维管理、专家决策与预警等起到推动作用。进一步来说，从以下几个方面会受到相应人工智能发展的影响：（1）环境智能监控；（2）机器人即时定位与地图构建（SLAM）；（3）机器人控制与决策；（4）机器人数据采集与处理；（5）大数据平台与专家系统。6、机器人成为精益管理的重要载体，智能化程度越来越高未来，随着各行业的发展以及智能化、自动化水平的提升，机器人将成为重要的载体和工具，是信息获取和运维的重要手段。此外，由于机器人技术的发展以及人工智能水平的不断提升，机器人将会走向多种应用场合，实现更为复杂、多样的任务，包括维修维护、消防安全、操作运行等工作，满足无人值守、协同操作等更为智能的运维及管理功能。（三）智能巡检机器人主要应用行业及市场分析：智能巡检机器人的需求较为前沿，发展也相对落后于工业机器人以及狭义的服务机器人，因此必须找到：1、有特殊工作环境（高危、艰苦、人工作业有短板），对专业服务机器人具有需求刚性；2、有政策引导；3、有支付能力的下游领域，才能够支持企业的长期发展。目前来看，智能巡检机器人主要引用的大行业有：电力、数据中心、城市综合治理。1、电力行业：（1）智能巡检机器人应用于电力智能运维检测领域的情况：在电力系统中，由于电能生产、输送、分配和使用的连续性，对系统中各设备单元的安全可靠运行都有很高的要求。特别是随着电力工业向着大机组、大容量、高电压的迅速发展，保障设备运行的可靠性更成为安全生产的突出课题。因此，电力设备的运维检测，特别是一些先进技术、方式、方法在设备故障诊断中的应用也越来越受到普遍的重视。我国电力系统的构成电力系统由发电厂、输电环节、变电环节、配电环节及电力用户组成，其构成如下图所示：电力设备的运维检测是指通过对电力设备的运行状态进行检测或监测，获取电力设备状态信息，及时发现各种劣化过程的发展状况，并在可能出现故障或性能下降到影响正常工作前，及时进行维修、更换，从而保障整个电网运行的安全性、稳定性和可靠性。电力设备的运维检测手段主要包括带电人工检测、带电在线监测和离线检测等三种。其中，带电人工检测一般采用便携式检测设备，对运行状态下的电力设备进行的现场检测；带电在线监测一般采用相关设备或仪器，安装在被监测环境中，用来对被监测设备进行不间断实时的在线监测；而离线检测则一般通过定期对停止运行的设备进行规定项目的检查，发现设备的问题和隐患。随着我国国民经济的快速发展和电力需求的不断增加，电力用户对于供电安全性、稳定性和可靠性要求不断升级。为了更好的满足电力用户需求，同时尽可能降低检修的成本，两大电力公司从“十一五”时期开始逐步加大了对电力设备状态检测、监测技术的研发和试点力度，从而替代以人工巡检为主的巡检方式。然而，现有的巡检方式和技术与电力生产的安全性要求相比仍有相当的距离，因此，通过电力智能巡检机器人取代人工巡检，实现电力检测、运维功能，具有重要意义。在“2009 特高压输电技术国际会议”上，国家电网公司提出了“坚强智能电网”概念，智能电网的概念涵盖了提高电网科技含量、提高能源综合利用效率、提高电网供电可靠性、促进资源优化配置等内容。2010 年，“加强智能电网建设”被写入《政府工作报告》。国家电网公司、南方电网公司先后分别制定了《国家电网智能化规划总报告（修订稿）》、《国家电网 2015-2020 年电网智能化滚动规划指南》、《南方电网“十三五”智能电网发展规划研究报告》、《南方电网发展规划（2013—2020 年）》等发展规划。目前，我国电网建设已经实现大范围覆盖，但离智能电网高可靠性、高自动化率的目标尚有一定差距，因此，智能电网是我国电网建设持续投入的趋势和方向。根据《国家电网智能化规划总报告（修订稿）》，2016-2020 年为智能电网建设第三阶段，电网规划总投资 1.4 万亿元，其中智能化规划投资 1,750 亿元，占比为 12.5%。若再加上南方电网投资部分，未来智能电网投资存在较大空间。随着国家智能电网战略的推进，电力行业智能机器人市场规模快速增长。电力行业是国民经济的基础性、支柱性、战略性产业，其发展水平关系到人民生活和社会稳定，是国家经济发达程度的一个重要标志，而智能电网是提高能源利用效率和电网安全稳定水平的重要保障。因此国家和有关部门陆续制定了一系列产业政策支持我国电力行业的技术发展及智能电网的建设。与智能电网行业相关的主要产业政策如下：电力智能巡检机器人应用的核心场景：智能电力巡检机器人是国家电网智能化管理要求下，输、变、配环节实现无人化、运维一体化建设的重要内容，大大提升运维检测效率，覆盖面广，结合大数据专家后台实现变电站、配电站智能化运行，提升电网智能化。传统的变电站、配电站巡视主要通过人工方式，综合运用感官以及一些配套的检测仪器对相关设备进行以简单定性判断为主的检查，该方式除了对劳动力要求较高外，还存在巡检不到位，巡检结果无法数字化等缺陷，不符合智能电网的发展方向。而智能巡检机器人集最新的机电一体化和信息化技术于一身，采用自主或远程遥控方式，克服了传统的人工巡视电力线路及设备存在的劳动强度大、检测质量分散、主观因素多等缺陷。此外，智能巡检机器人可以替代人工在高压及超高压环境下自主定位、自主巡检和自动充电，对电力设备实施全天候、全方位、全自主智能巡检和监控，实现设备环境、外观、分合状态、压力、泄漏电流、噪声等巡视监测数据全覆盖和智能识别，同时利用先进的人工智能算法，对巡检数据进行对比和趋势分析，及时发现电网运行的事故隐患和故障先兆，从而有效降低运维人员劳动强度，满足国家电网改造中对电力系统提出的智能化、无人化要求，为智能变电站、配电站和无人值守站等提供创新性的技术检测手段和全方位的安全保障。对于高压架空输电线路，传统的人工巡线方式存在劳动强度大、工作条件艰苦和劳动效率低等劣势，在遇到电网紧急故障和异常气候时，人工巡线尤其困难。发展无人机巡检是适应现代化电网建设的要求。2013年3月，国家电网公司出台《国家电网公司输电线路直升机、无人机和人工协同巡检模式试点工作方案》指出，建立直升机、无人机和人工巡检相互协同的新型巡检模式是坚强智能电网发展的迫切需要。2013年，变电站智能巡检机器人首次进入国家电网招标目录，标志着变电站智能巡检机器人产品在国家层面上形成了统一的技术标准和准入门槛。配电站智能巡检机器人目前尚未列入国家电网集中采购名录，由各省级电力公司依据国家电网公司招标流程的规范要求，在其权限范围内根据各地实际需求自主发起招标。2014年以来，变电站机器人市场迎来一次较大规模的爆发，亿嘉和、浙江国自、朗驰欣创、申昊科技等公司通过研发，先后推出了变电站巡检机器人产品。随着电力机器人国内市场需求的增加，越来越多的厂家投入到变电站巡检机器人的研制中，促进了变电站巡检机器人自主移动、智能检测、分析预警等技术的进步。（2）电力智能巡检机器人行业市场容量分析：目前，智能电网建设和增强供电可靠性已上升为国家战略。在此背景下，两大电网公司分别提出了建设智能电网和推广状态检修的明确规划，并在操作层面制定了具体的应用标准及配置原则，且还在进一步制订可行的现场应用导则，从而为电力设备状态检测、监测行业的快速发展奠定了坚实的基础。电力设备状态检测、监测作为近几年发展起来的新兴行业，呈现出巨大的成长潜力和发展空间。变电站是电力系统中变换电压、接受和分配电能、控制电力的流向和调整电压的电力设施。“十二五”以来，我国智能电网建设进入全面快速发展的新阶段。在变电网领域，根据国家电网公司制定的发展规划要求，2016-2020年期间要实现新建变电站智能化率100%，新建智能变电站约8,000座，原有枢纽及中心变电站智能化改造率100%。截至2014年底，我国正在运行的各电压等级变电站具体数量如下表所示：2019年全国变电站数量分别为3.7万个，按照每台75~100万的均价计算，市场容量约为277~370亿人民币（100%渗透率），变电站室内导轨巡检机器人按照每台30~50万的均价计算，市场容量约为111~185亿人民币（100%渗透率）。变电站巡检机器人整体行业规模400~550亿元。配电站一般是指10kv及以下安装有配电屏柜对负荷进行分配、供给的场所，广泛分布在住宅小区、商业中心、办公楼宇中。根据统计，一般一个地级市配电站数量从500座至5,000座不等，直辖市、省会城市、经济发达城市数量较多，小城市、经济欠发达城市则较少。考虑到不同城市规模、经济发展水平差距，以及“十三五”期间国家大力开展智能配电网建设等因素，按平均每个地级市1,000座配电站估计，全国297个地级以上城市（含4个直辖市）大约拥有配电站30万座。由于配电站智能巡检机器人目前尚未列入国家电网集中采购名录，若假设20%配电站采用智能化巡检设备，则也有接近6万个配电站需要采购智能巡检机器人，假设单台配电站巡检机器人售价30~50万，这部分市场潜在规模也有200~300亿元。目前变电站巡检机器人的上市公司和准上市公司已经很多，基本以区域为划分，投资机会不大。变电站巡检机器人主要公司：《国网架空输电线路无人机智能巡检作业体系建设三年工作计划（2019-2021）》要求无人机巡视比率不低于60%，全无人机巡视比率不低于10%，无人机自主智能巡检作业率不低于90%，巡检影像人工智能识别覆盖率不低于80％，无人机巡检影像缺陷智能识别算法准确率不低于80%。在技术和政策双重利好的影响下，电力巡检无人机处于成长期到成熟期的过渡期，预计年市场规模在30-50亿元。2015 年我国 110kV 以上高压输电线约为 52 万公里，GlobalData 预测，中国输电线路建设的年复合增长率将达到 6%，2020 年电力巡检的总工作路线为70万公里。无人机在电力巡检领域中的具体应用主要为精细巡检、定点巡检、范围巡检及其他巡检，一般精细巡检需要全面细致地搜集数据和检查，单次巡检速度较慢，定点巡检速度适中，而范围巡检速度较快；据新华报业网，使用无人机巡检 62 公里的输电线路仅需 3 小时。综上，假设平均而言，无人机电力巡检速度为每小时 20 公里。根据草根调研电力巡检工作人员了解到，巡检线路基本是以半个月为单位，一般各级别线路每月安排一次常规巡检，如果线路属于保电线路或者特殊巡视维护线路就要按相关规定增加巡视的次数，除了日常巡视检查，还有遇故障需要排查的临时巡检，特殊时间如阅兵、高考、中考、春运、冬夏用电高峰期的特殊巡检等，据此估算，电力线路每年巡检次数在24次左右。一般招标方在采购时，不仅购买无人机单机，还购买相应的配套系统，目前一台电力巡检无人机配系统售价在20-100万元左右，取中间数70万元。一旦接到电力故障的消息，相关公司会及时抢修，而无人机能高效及时地发现、排查、处理电力故障，为了应对潜在的突发的电力故障，相关公司会多购置无人机，因此在预测中，我们分别考虑了“不放量”以及“1.5 倍放量”两种情形。2020 年电力巡检无人机市场规模预测：电力无人机巡检需求较刚，市场规模较大，目前发展较好的云圣智能、中飞艾维基本完成B轮融资，处于C轮阶段，也有部分A轮左右公司，但是和头部公司体量差距较大，后面会详细介绍。2、数据中心：(1) 数据中心分类及发展情况：数据中心按照功能和业务可分为IDC、EDC、ODC三大类，如下图所示：IDC是引领数据中心建设的标杆，主要为三大运营商和BAT等互联网信息服务商，超大型机房多来源于IDC，此部分机房规模较大。EDC为企业级数据中心，多为企业为自身业务需求而建设，比如金融系统、电力系统、铁路系统、教委等国企和政府部门。该部分数据中心虽不是数据中心建设的标杆，大型数据中心的规模也不如IDC。虽然EDC的规模无法与IDC相比，但是数量众多，也是一个不可忽视的巨大市场。ODC为外包数据中心，代表公司有世纪互联、鹏博士等，主要为外部企业提供场地出租、设备托管、运行代维等服务。此部分规模相对较小。IDC和ODC都是对外提供基础实施服务，属于广义的IDC，这一部分会有较为公开的数据统计。EDC即各类企业级数据中心，数据统计不完整。随着 5G、工业互联网和人工智能等信息技术逐渐应用于社会各行业领域，中共中央政治局常务委员会、工业和信息化部、中国广电等政府和企事业单位加强数据中心建设，及网络资源业务整合，推动 IDC 行业客户需求充分释放，拉升 IDC 业务市场规模增长。根据中国 IDC 圈预测，2019 年-2022年中国 IDC 业务市场规模复合增长率为 26.9%，预计2022 年，中国 IDC业务市场规模将超过3200.5亿元，同比增长 28.8%，进入新一轮爆发期。2014-2022 年中国 IDC 业务市场规模及预测：（2）数据中心巡检痛点：目前国内大部分机房巡检采用的是人工巡检的方式，而人工巡检目前主要有以下痛点：1）数据中心设备巡检工作量大，漏检误检率高：数据中心机房设备进行24*7全天候运行，服务器与网络设备设计寿命通常在6-7年左右，但国内用户由于业务割接迁移的复杂度和难度决定了很多核心业务系统是运行在7年以上的核心交换机和服务器硬件上，如IBM的AIX小机上承载的业务都是客户非常重要的业务系统，运行10年以上比比皆是，这样的设备，越是到后期，巡检的工作量越大，随时面临着业务宕机需要及时发现，快速恢复的境况，所以巡检工作变得非常重要。另外，由于每个设备有十几个，甚至几十个硬件状态指示灯，采用人工巡检的方式，很容易发生漏检或者误检的状况，需要一套能够自动化巡检，并做到数据完全准确的自动化巡检管理系统。2）缺乏对网络设备及服务器主机的硬件状态监控：从全球着眼来看，国内的IT运维相比国外来讲建设起步较晚，从2008年国内开始重视网管系统、运维管理，从2010年才开始引入基于ITIL的先进理念管理系统，如国内的北塔软件、广通信达，勤智数码、H3C、锐捷、网强、游龙等厂商开始开发基于运维管理的产品，国外做的比较早，相对成熟的有IBM、HP、BMC、CA四大厂商，但无论是国内还是国外厂商的运维管理系统都是基于IP的所谓“智能”管理系统，要求被管设备不仅必须要有IP地址和完整的MIB库才可以管理，而且只能取到设备一半的硬件状态信息，对于非智能设备完全无法管理。如机房消防设施状态，老式UPS的供电情况和空调系统的温湿度等信。总而言之，目前的运维产品仍然无法实现对机房硬件设备全面的监控管理目的，因此需要一套能够全面、实时监控各种智能及非智能设备的状态管理系统，出现故障后进行实时告警。3）外包运维工作安全性：近年来，央企部委及政府单位由于国家政策改革，编制只减不增，工作内容项却随着业务系统对IT的依赖度成大幅度线性增加，编制内运维人员与厂商服务人员数量比例上严重倒挂，各单位IT服务人员与业务实际数量及维护工作量的失调，导致其只能采用外包服务或各厂商驻厂服务方式来解决运维日常出现的问题。缺点是外包服务人员的素质参差不齐，技术水平不一，部门人员纪律性不强，所以通常客户为了业务的安全，在运维管理制度上都要求外部人员进机房需要公司方人员在场，也就是所谓的“随工”，随工的时期短则30分钟，长则几个小时，在此段时间内客户的时间完全被无效占用，但不随工又违反了管理制度，且即使随工在现场也不能保证记录外部人员在机房的一举一动，机房的安全性无法完全得到保障，需要一套能够对外部人员在机房工作的自动化跟踪记录系统，起到远程监工的作用。4）IT资产数据僵尸化：由于经历了近10几年的IT基础设备及系统的建设，运维管理工作越来越细化，各单位领导层也意识到对资产管理的重要性，IT资产管理的意义主要有四，一是可以降低设备软硬件投入比，二是可以提高设备使用率，三是可以了解所有资产的整个生命周期，四是使年前预算更准确，清楚的使后期设备的采购配比更接近于业务的增长，避免预算超标，年底有钱花不出去的浪费或经费不足导致关键业务无法上线等情况。但就IT资产的管理必须在保证数据完整性、时效性、准确性三个方面做好，IT资产的管理才会充分的发挥作用，实际情况是机房设备位置会不定期的调整，客户并不能保证每次的调整都会及时的更新资产数据，长期以往，统计的资产数据与实际数据严重不符，差距较大，使IT资产的管理完全失去意义，即使通过管理制度做到与实际相符，但对运维人员来说，带来的工作量会相对较大，但一线运维人员的角度来讲，及时更新数据成为一项被动性的工作负担，总体来讲，目前国内客户的IT资产的完整性、时效性、准确性方面还处于比较差的状态，需要一套能够自动更新客户资产的位置，状态等相关信息的自动化管理系统。5）灾备机房无人管理：近年来出于国际形势的多变化，以及国家对于数据的绝对安全性考虑与重视，各央企部委及政府单位数据中心的建设均要求采用“两地三中心”方案，即同城灾备中心结合异地灾备中心的“两地三中心”，国内以政府、央企牵头的客户大都在北京，同城主机房通常在总部办公楼，同城的备机房离主机房位置相对都较远，几十公里以外，异地的灾备机房建设在偏远的西北地区，如中国人民银行灾备机房在拉萨，且只能由编制内人员进机房维护管理，最终造成严重的公司方IT运维人员不足，工程项目延误，工作效率低下等问题，急需一套高效的无人值守远程维护解决管理系统。6）IT运维成本居高不下：据GartnerInc.公司统计，围绕着日常运维保障工作，其中70%的工作是完全重复的，有规律性工作，如对公司员工的邮件&管理域&OA&ERP等账号新增注销变更，网络设备及服务器主机的定时开关机，对VLAN的划分，IP地址的分配等工作，30%是需要人参与并进行分析后对网络的调整优化工作和对业务系统的调整，如果能够供助一套自动化、智能化的运维管理系统去完成70%的重复性工作，对运维的效率及质量会得到质的提升，同时大大降低运维的人员成本投入。拿北京金融资产交易所机房举例，在北京金融街总部有2个机房，分别由5个运维工作人员24小时不间断值守巡检，5年综合单位支出在500-600万元左右，如果用2台机器人执行巡检，并且配合2个人员进行补充和应急处理，综合成本在300万元左右，综合降低运维成本30-50%之间。（3）智能巡检机器人市场规模测算：目前来看，智能巡检机器人可以服务的客户主要是是EDC以及IDC中三大运营商。ODC对价格及其敏感，这类客户可以接受的价格是5万元以内；IDC中的互联网信息服务商由于整体智能化运维能力较强，对机房巡检机器人的需求较低。1）EDC智能巡检机器人市场规模：EDC即各类企业级数据中心，数据统计不完整。企业数据中心的服务器可以自己购买，也可以从IDC租用，运营维护的方式也很自由，既可以由企业内部的IT部门负责运营维护，也可外包给专业的IT公司运营维护。自建或者自运维数据中心的企业主要是一些金融、能源、交通、政府、教育、医疗企业，这些企业主要出于隐私、安全、稳定性、性能、带宽的需求，他们的很多服务只运行在内网或者专网上，由于有物理隔离，比起放到云上安全性更高。从金额来看，核心的EDC客户就是电力和金融行业客户，其中金融行业的市场规模（80.2亿）远大于电力行业市场规模（5.6亿左右），另外还有一些零碎的交通、政府、教育客户，整体来看，EDC智能巡检机器人市场规模应该在百亿左右。2）IDC智能巡检机器人市场规模：IDC和ODC都是对外提供基础实施服务，属于广义的IDC，这一部分会有较为公开的数据统计。我国 IDC发展尚处于以新建为主的粗犷式发展阶段，根据前瞻产业研究院统计数据，2019年中国数据中心数量大约为 7.4 万个，大约能占全球数据中心总量的 23%，且增速极快。2018年国内IDC市场格局：中国国内电信运营商早在上世纪90年代就开始以托管、外包或者集中等方式为企业客户提供大型主机管理服务。基于客户和资金等方面的优势，电信运营商目前已成为国内IDC市场的主要参与者。联通和电信长期经营宽带网络服务，通过自建IDC吸引客户，IDC建设规模国内领先，截至2018年国内市场份额分别为41%和21%。中国移动自2013年获得宽带运营牌照以来，发力布局IDC业务，2018年市场份额达到9%。三大运营商占比在70%，简单测算，2019年IDC中运营商的数据中心数量应该在5万个左右。工信部联合发改委、能源局等五部委出台的《关于数据中心建设布局的指导意见》，将数据中心的建设规模分为三类：中小型数据中心、大型数据中心以及超大型数据中心。中小型数据中心是指规模小于3000个标准机架的数据中心;大型数据中心是指规模大于等于3000个标准机架小于10000个标准机架的数据中心; 超大型数据中心是指规模大于等于10000个标准机架的数据中心；一般来说超过3000个机柜的数据中心才会被纳入IDC的统计，我们按照一个数据中心3000个机柜计算，单个机房机柜数量在100-300个机柜，那么单个数据中心的机房数量在10-30个机房。那么2019年运营商IDC数据中心的机房数量在100万个，由于三大运营商属于国有企业，有一定垄断性质，受政策影响大，对前瞻性需求会比民办企业更加强，但是近几年通讯业务遇到的竞争较多，预计其可接受的价格应该在10-15万，渗透率按照30%计算，运营商IDC智能巡检机器人的市场规模在300~450亿。机房巡检机器人市场规模较大，刚需程度略弱于电力无人机巡检，目前发展较好公司基本处于A轮阶段，后面会详细介绍。3、城市综合治理：城市综合治理的内涵非常广，包含安防巡检、交通巡检、消防应急巡检、设施巡检等，其中安防巡检机器人市场规模相对大。城市综合治理支付方以政府单位为主，吃财政预算，购买受到政策影响较大。城市综合治理算是智慧城市下面的一个分支。智慧城市获得国家政策支持，2014 年 3 月，中共中央、国务院印发《国家新型城镇化规划（2014-2020 年）》，提出推进智慧城市建设，指出智慧城市建设方向包括：信息网络宽带化、规划管理信息化、基础设施智能化、公共服务便捷化、产业发展现代化、社会治理精细化。同年 8 月，发改委、工信部、科技部等八部委发布《关于促进智慧城市健康发展的指导意见》，指出到 2020 年，建成一批特色鲜明的智慧城市。智慧城市从上游到下游主要包含：顶层设计、硬件、软件、系统集成、运营、应用等部分。在应用方面，主要包括：安防、政务云、智慧交通、智慧医疗、智慧能源等。其中，安防、政务云、智慧交通、智慧医疗涉及民生的基本刚性需求，且在我国亟待发展，有望在智慧城市的建设中先行。智慧城市产业链：2018 年中国智慧城市市场份额：（1）安防巡检机器人市场规模：安防巡检机器人以识别系统、仿神经分析系统和反制系统为主，属于人工智能安防范畴。识别系统通过毫米波雷达、红外热成像、人脸识别等探测系统对目标进行数据采集，通过机器人大脑—“仿神经智能分析模块”进行智能化分析，对触犯规则的目标通过反制系统进行诸如喷射抓捕网、催泪瓦斯等智能处理。安防机器人主要用于对油田、监狱、海关、港口、军事警戒区、重大危险源等重要安保防护单位的周界、边界防护、可代替或协助人类进行安防、巡查、反制等方面的工作。广义人工智能安防涉及领域众多，从客户类型看，可划分为公共安全安防、其他政府安防、行业安防、消费者安防等。AI安防行业具有强政策导向性，政府发布的公安大数据、雪亮工程、智慧监狱、明厨亮灶、建筑工人实名制电子打卡等相关政策极大地推动了行业繁荣。2022年G端与B端市场规模有望突破700亿元。2016年是AI+安防商业化元年，2018年，我国AI+安防软硬件市场规模达到135亿元，部分头部安防厂商AI业务在总营收中占比从大约4%提升至超过8%，部分典型AI公司安防业务则占接近一半的营业收入。2018年城市公共安防中AI渗透率达到2.6%。2019年市场仍将保持高增速，到十三五收官之年2020年增速开始稳定，届时市场规模可达到453亿元（城市公共安防AI渗透率达到11%），2022年市场规模有望突破700亿元（城市公共安防AI渗透率达到25%），从2017年到2022年CAGR达到78.3%。2017-2022年中国AI+安防市场规模：2018年市场规模中，视频监控占比近90%，中心侧份额最大（中心侧包括分析服务器、技术服务、系统平台等，边缘侧指智能化一体机、智能NVR、人脸识别盒子等产品，端侧指AI摄像机产品）。安防智能机器人占比仅1.5%，市场规模仅2亿元。2018年AI+安防软硬件细分市场占比：由于传统静态安防技术体系过于成熟，已难以取得新的突破，为此安防企业纷纷紧跟人工智能技术的进步与革新步伐，开始尝试人工智能技术在安防领域的应用探索，通过技术融合创新逐步衍生出安防机器人等一系列创新产品和新服务模式，持续引领安防机器人由概念机、实验机向实地场景落地。按照2020年智能安防市场450亿，安防机器人占比3%计算，2020年安防巡检机器人市场13.5亿元。（2）交通巡检机器人市场规模：无人机指挥交通巡检的主要应用场景包括：高速公路&服务站，市区郊区道路，交通枢纽，核心价值在于：快速到达事故现场；喊话指挥，减少二次事故；缓解交警不足压力；远程处理事故&劝阻违章。智慧高速公路和智慧城市交通是智慧交通最大的两个细分市场，根据智研咨询数据统计，2017 年中国智能交通市场规模为 1167.1 亿元，其中城市智能交通市场规模为 470.1 亿元，占比为 34.88%；高速公路智能交通市场规模为 409 亿元，占比为 35.04%。值得注意的是，指挥交通的核心是交通监控系统、交通指挥与诱导系统、交通违章管理、不停车收费系统、智能化停车场管理系统，前三项主要靠视频监控解决，而且城市交通涉及到较为严格的航线管理，目前交通巡检机器人的可行性较低，市场规模极小。

北京，2020年7月1日国际数据公司（IDC）最新发布的《中国人工智能软件及应用（2019下半年）跟踪》报告中显示，中国机器学习开发平台市场2019年市场规模达2.05亿美元。受此次疫情影响，IDC下调了2020-2021年的市场规模，因此也影响了未来5年的整体市场增长率，预计2018-2024年复合增长率达38.6%。机器学习开发平台研究范围人工智能应用均是采用机器学习、深度学习建模开发而成的系统。本次IDC追踪的机器学习开发平台，定位面向开发者、数据科学家、业务分析师的PaaS平台，不包含已经完成开发的诸如人脸识别、语音助理、对话式客服等软件。机器学习开发平台的部署，包括数据获取、数据准备、模型训练、应用程序集成、模型运维、生产监控以及有明确KPI的业务治理过程。在这个过程中，由框架、算法模型、开发语言等各种工具赋能，由数据科学家、业务分析师、数据架构师和专业人员协作，基于数据建模，不断的进行概念验证，将好的模型部署到生产环境，协作以管理模型运维的全生命周期。市场发展驱动力算力不断提升：受益于加速计算技术的不断突破，机器学习、深度学习模型训练和推理速度持续提升，加快了AI应用产业化的进程。2020年GTC、英伟达更是发布了将算力再度提升数十倍的安培架构的A100 GPU。Intel 华为昇腾系列，Xilinx Alveo系列、寒武纪等也在特定领域为AI负载提供加速能力。算力突破将持续推动AI产业快速落地。算法模型创新：在经典机器学习、CNN、RNN等神经网络的大分类下，厂商都在不断的推出面向应用场景优化的各种模型。开源技术发展：包括主流开源框架Tensorflow,Pytorch,飞桨Paddle，推理框架MNN, TNN, Mace, Openvino等等，也包括上文提到的算法模型，开源发展使得技术推广应用更加便捷、高效。厂商市场投入：不管是创企，还是大型互联网公司、IT巨头，在机器学习、深度学习领域积极投入资金、研发力量，致力于在机器学习这一人工智能的基础关键技术上有所突破，同时也在致力于降低机器学习开发门槛，让传统企业受益于人工智能。驱动力足够，但市场发展的瓶颈也同样存在：数据资源就绪度，数据质量，能用来建模的数据量；有能力进行模型开发、模型优化的数据科学家；建模人员与行业专家对业务理解上的鸿沟；行业企业内部人员对机器学习、AI项目的配合程度；为机器学习、AI定位到合适的应用场景等等。主流厂商介绍本次是IDC第一次正式发布机器学习开发平台市场份额研究报告，本期收录了排名前三的厂商市场份额，同时也推荐了当前市场规模不明显，但值得关注的厂商。从市场格局的角度，部分厂商聚焦在金融反欺诈、智能营销场景，部分厂商聚焦在销量预测、智慧供应链、个性化营销、产品推荐系统，部分厂商聚焦在泛工业领域的设备预测性维护、工业质检巡检类应用。在应用较为落地的领域，会存在价格战等竞争，在较新的应用场景中，则更多的是同步探索的阶段。从产品层面，当前的差异化在于端到端开发工具的完备性，提供模型的丰富程度，对云服务的支持，开发过程可视化程度，平台产品的灵活性、易用性，以及产品整体的成熟度。第四范式：作为市场份额领先的AI平台提供商，第四范式积极探索迁移学习，打造AI PaaS平台“Sage Platform”以及AI软件定义的基础架构SageOne产品，打通从数据、算法到算力的AI产业化全流程，助力企业实现业务增长、提升开发效率、缩减算力成本。美林数据：作为国内领先的数据分析与AI厂商，该公司在算法研究、行业应用实践、落地实施方法论层面拥有独到见解与优势。TempoAI在产品架构、功能体系、用户体验等方面经受过多行业客户、多业务场景的应用验证，其敏捷、稳定、易用的特性深受客户好评。九章云极：作为一个中立的软件提供商，九章云极对DataCanvas数据科学平台有清晰的定位：“开放、兼容、纯软件平台”。目前，DataCanvas数据科学平台可以在各类主流硬件和技术架构上支持高性能算力调度和优化，提升企业AI转型效率，服务全行业应用场景。阿里云：阿里云PAI发布于2016年9月，2018年1月正式商业化。PAI平台的优势一方面在于重视机器学习系统级优化，另一方面在特征工程提取、模型训练等各个环节提供了丰富组件。百度：百度机器学习产品组合在提供丰富算法模型能力的基础上，也十分注重迁移学习能力、小样本模型训练能力，以及端到端模型应用能力，为各行业不同技术、数据基础的用户提供了针对性的产品，包括BML,EasyDL,AI Studio，飞桨Paddle。华为云：Modelarts定位企业级AI开发平台，提供流程式AI开发模式，将行业AI开发经验模板化，通过简单的工作流编排即可快速实现AI服务上线。腾讯云：智能钛机器学习平台于2020年正式商业化，在此之前，已在金融行业、互联网行业等积累诸多私有化部署实践。AWS：在AWS将机器学习产品正式中国发布之前，其机器学习产品Amazon Sagemaker已经在全球市场具有较高的影响力。2020年4月，Amazon Sagemaker正式落地中国，目前已在互联网、制造、医疗等领域推广。微软Azure：AML已于2020年正式落地中国，目前也在加大推广力度和开发者培育，致力于赋能中国企业智能化转型。SAS：SAS Viya提供了丰富完善的数据收集、数据准备、模型管理以及可视化工具，集成R、Python和Jupyter Notebooks等开源语言和工具，具备将AI应用投入生产并大规模运行的能力。机器学习/AI创企：探智立方——Darwin ML平台定位自动化机器学习平台，使人工智能团队更专注于业务问题的解决方案，将人工智能最大化赋能于业务场景。氪信科技——基于非或然引擎以及特征引擎的智能应用深入客户的业务场景，尤其是在智能风控以及智能交易监测场景，可直接为客户提供具有针对性的模型以及服务，助力业务智能决策。星云Clustar——致力于为银行、保险等金融行业提供AI模型训练加速能力以及基于机器学习的智能应用服务。展望未来趋势应用场景：金融反欺诈，工业质检，设备预测性维护，智能投顾，量化投资，跨行业应用—销售预测，供应链预测，推荐系统。产品趋势：AutoML，智能数据标注，图算法，可解释性，界面可视化，易用性、灵活性的持续提升。市场机会：对于还没有成熟的AI软件产品的领域，机器学习、深度学习开发平台将有广泛的市场空间。展望未来，IDC中国助理研究总监卢言霞表示，即使受疫情影响，机器学习开发平台市场仍表现出较高的市场增长潜力和应用潜力。要充分挖掘这一潜力，需要做到为开发人员提供培训和可以快速启动的工具，提供一定的可用于训练的数据集（可能来自内部也可能是第三方），快速入门的样例/模板，咨询服务，业务专家、数据科学家、咨询合作伙伴等利益相关者的共同参与和协同，持续创新和原型设计直到达到可以规模化使用。”IDC中国人工智能及大数据相关研究报告：中国人工智能软件及应用市场半年度研究报告-2019H2，已发布中国AI云服务市场半年度研究报告，即将发布中国智能流程自动化市场机会分析，已发布IDC Marketscape：中国对话式人工智能市场，2020（2020年9月发布）IDC Marketscape：中国大数据平台市场，2020（2020年10月发布）CIO视角：企业数据智能实施部署指南 （2020年10月发布）Market Perspective: AI赋能的工业质检市场分析 （2020年8月发布）Market Note: NVIDIA GTC 2020—AI加速技术再创新高，云边端全面布局 （2020年7月发布）- 全文完 -相关咨询，请联系：王勇，IDC中国 助理副总裁电话：(+86-10) 5889 1588电邮：fwang@idc.com俞岩，IDC中国 高级客户服务代表电话：(+86-10) 5889 1536电邮：jyu@idc.com谢静，IDC中国市场部 高级市场专员电话：(+86-10) 5889 1558电邮：mxie@idc.com

众成医械研究院基于深耕于行业的研究能力，深度调研行业内专家与企业，从算法和商业模式上对病理人工智能行业进行了深度解构，对病理人工智能企业或正在布局病理人工智能的企业具有一定的指导以及借鉴意义。前言病理人工智能是指通过人工智能算法，对数字化的病理切片进行诊断；其中数字病理技术是病理人工智能的基础，模型的构建是病理人工智能的关键。在我国病理人工智能的发展中，技术（算法）与商业模式（病理医生与人工智能专家之间的合作方式）是推动病理人工智能行业进步的两个主要因素，本报告从技术和商业模式切入，深入访谈行业专家以及相关企业，最终完成兼具深度与广度的《我国病理人工智能诊断研究报告》。在技术（算法）发展中，深度学习算法有力地推动了病理人工智能的发展，但是在数据量较少的时候使用深度学习很难得到理想的效果，众成医械研究院深入调研行业内的病理人工智能专家，行业专家指出要完成一个有效的学习目标，起码需要十万级别的训练量；在商业模式中（病理医生与人工智能专家之间的合作方式），病理人工智能诊断是辅助病理医生或是替代病理医生，还是与病理医生合作共同完成病理诊断？众成医械研究院深度访谈行业人士，围绕美国和日本等相关企业的商业模式，获得了专业人士宝贵的见解以及前沿的资讯。病理人工智能前景分析1. 市场需求中国病理人才匮乏，诊断水平参差不齐。数据显示，目前全国有执照的病理科医生仅9000人，按照国家卫健委每100张病床配备1至2名病理科医师的配置要求计算，病理医生缺口高达9万人。另外二级医院病理医生出诊符合率为35%，市级医院37%，县级医院为26%，三级以下医院病理诊断含金量不足，导致肿瘤治疗过度或不足。病理医生培养难度大、周期长。我国病理医生长期稀缺，传统显微镜下阅片需要以人的视觉诠释、知识积累、技能与天分作为基础，病理医生培训周期长达10年之久。精准医疗进入市场成长期，肿瘤精准诊断行业发展空间较大。随着精准医疗进入市场成长时期，肿瘤精准医疗的需要逐渐上升。目前我国大部分肿瘤诊断精度较低，精准诊断行业有巨大的上升空间。精准诊断才能实现精准医疗。肿瘤良恶性的准确判别、恶性肿瘤的分类,对于肿患者的临床治疗方法具有重要意义，而这都有依赖于于高质量、精准的病理诊断。现有病理诊断的水平难以满足精准诊断的需求，而病理人工智能提供的定量指标使得精准医疗成为可能。病理人工智能可以完成核分裂像计数、免疫组化阳性强度的判定等技术含量低、工作量大的机械化定量指标，传统的病理诊断并不能满足对此类诊断的需求，病理人工智能可以提供类似的定量分析指标，为精准治疗提供了参考和指导。目前癌症预后管理效果较差。伴随着生活水平提高，但是癌症的统计数据却呈现上升且年轻化趋势。并且据调查中国癌症五年存活率远低于发达国家，病理诊断预后效果不够理想。目前提供的病理诊断多为定性诊断，不足以提供精准的预后评估。目前大多数肿瘤分类依赖于主观经验对HE切片组织形态学的认识，定性的诊断但不足以提供精确的预后评估。病理人工智能提供的定量指标，为精准的预后评估提供了数据支撑。病理人工智能可以完成核分裂像计数、免疫组化阳性强度的判定等技术含量低、工作量大的机械化定量指标，为精确的预后评估提供了数据支撑。2. 市场痛点“数据孤岛”限制了病理人工智能的发展。人工智能开发需要大量的数据作为支撑，国内大部分医疗数据存储于医院以及第三方检验机构，“数据孤岛”现象使得给人工智能诊断学习的病理切片和病理资料偏少。医院的“数据孤岛”现象较为严重。一方面是我国医院系统相对封闭，无法实现资源共享，存在“数据孤岛”现象；另一方面，医疗机构内对于病历的管理执行依据卫生行政部门规定，病理资料一般都封闭在科室内部。第三方检验机构缺乏交流合作机制。第三方检验机构之间缺乏交流合作机制，尽管它们具有较好的数据资源积累，但不同检验机构由于相关设备、软件的差异，数据标准化程度各不相同，往往基于自身掌握的数据资源进行算法开发。病理医生的经验难以量化，机器学习方法需要跟进。从病理学角度来看，全身疾病的种类多达五千余种，每种疾病都有不同的诊断标准，每个标准又有很多对应的特征。病理科医生需要去判断疾病的的类型和具体情况，为后续的治疗提供依据。病理学更多的是一门经验学科，大部分疾病诊断的参数都在病理医生的心里。如何把这种难以量化的经验传授给机器，是病理人工智能要攻克的难关。据业内统计，目前我国人工智能行业的从业人员不足5万人。国内虽有清华大学、北京大学、复旦大学等高校开设了相关专业，每年培养的技术人员不足5000人，但仍旧难以满足正在发展势头上的病理人工智能领域需求。行业尚未建立可持续的商业化模式。目前有部分企业掌握病理人工智能技术，但由于病理人工智能医疗产品的特殊性，国内至今尚无病理人工智能产品获得医疗器械注册证。这代表着病理人工智能医疗技术不能普遍应用于临床。C端消费者尚处于市场培育期，现阶段尚未接受付费软件的模式，目前的方法只能以通过人工智能医疗技术以软件的形式让医院付费。如何实现技术产品变现成为建立可持续商业化模式的关键。算法和商业模式如何重构病理人工智能1. 机器学习转向深度学习深度学习算法加速病理人工智能落地。近年来，高质量数字病理切片的大量积累为病理切片的分析提供了大数据背景，深度学习算法对大数据样本分析能力强于机器算法，在病理切片分析中表现出巨大潜力。深度学习是一种基于人工神经网络、对数据进行特征学习的算法的泛称，包含多层隐层的人工神经网络模型都可以叫做深度学习。该算法的多层堆叠式结构能够组合数据的低层特征得到数据的高层特征表达，对于大数据样本、复杂函数模型具有强大的处理能力，是人工智能领域的热门研究方向。以深度学习为代表的人工智能在一定程度上减少了病理医师经验性误判导致的误诊情况，提高了工作效率。结合强大的客观分析能力，计算机还能发现人眼不易察觉的细节，学习到病理切片分子层面上的特征，从而不断完善病理医师和数字病理诊断的知识体系。2. 医工合作模式需深入推进从病理医生的参与来看，计算机辅助病理医师诊断依然是现阶段主流趋势，制造出一个可以临床使用的产品需要多学科科学家的通力合作，没有病理学家的深度参与不可能有真正实用的病理人工智能产品出现。从临床诊断准确度来看，有专家认为目前人工智能医疗没有好的观察整体，一张切片，第一遍看时判断为恶性，到高倍镜下看局部变成了良性，但最终结论确是恶性的，因为医生判断不是基于细胞，而是生物细胞行为。病理科医生重点要看是低倍镜，因为低倍镜可以看全貌。从病理数据来看，一方面是目前存在数据孤岛现象，数据被封闭在医院，难以被病理人工智能开发企业获取；另一方面，深度学习算法需要以大量的数据为基础，根据众成医械研究院对行业内专家的采访得知，深度学习要完成一个有效的学习目标，起码需要十万级别的训练量，需要巨大的病理数据作为支撑。众成医械研究院通过公开资源，并调研咨询病理人工智能行业内专家，对国内病理人工智能行业深入进行调研以及研究，已完成《2020年中国病理人工智能行业研究报告》的撰写，欢迎垂询！

机器学习已经成为了当今的热门话题，但是从机器学习这个概念诞生到机器学习技术的普遍应用经过了漫长的过程。在机器学习发展的历史长河中，众多优秀的学者为推动机器学习的发展做出了巨大的贡献。从 1642 年 Pascal 发明的手摇式计算机，到 1949 年 Donald Hebb 提出的赫布理论——解释学习过程中大脑神经元所发生的变化，都蕴含着机器学习思想的萌芽。事实上， 1950 年图灵在关于图灵测试的文章中就已提及机器学习的概念。到了 1952 年， IBM 的亚瑟·塞缪尔（Arthur Samuel， 被誉为“机器学习之父”）设计了一款可以学习的西洋跳棋程序。 塞缪尔和这个程序进行多场对弈后发现，随着时间的推移， 程序的棋艺变得越来越好。 塞缪尔用这个程序推翻了以往“机器无法超越人类，不能像人一样写代码和学习”这一传统认识。并在 1956 年正式提出了“机器学习”这一概念。本期的智能内参，我们推荐清华人工智能研究院的研究报告《人工智能之机器学习》，从机器学习的发展史、技术特点、人才概况、行业应用和未来趋势五大维度剖析机器学习技术。本期内参来源：清华人工智能研究院原标题：《人工智能之机器学习 》作者：未注明一、什么是机器学习？对机器学习的认识可以从多个方面进行，有着“全球机器学习教父”之称的 Tom Mitchell 则将机器学习定义为：对于某类任务 T 和性能度量 P，如果计算机程序在 T 上以 P衡量的性能随着经验 E 而自我完善，就称这个计算机程序从经验 E 学习。普遍认为，机器学习（Machine Learning，常简称为 ML）的处理系统和算法是主要通过找出数据里隐藏的模式进而做出预测的识别模式，它是人工智能（Artificial Intelligence，常简称为 AI）的一个重要子领域。从机器学习发展的过程上来说，其发展的时间轴如下所示：▲机器学习发展历程机器学习算法可以按照不同的标准来进行分类。比如按函数 f (x， θ)的不同， 机器学习算法可以分为线性模型和非线性模型；按照学习准则的不同，机器学习算法也可以分为统计方法和非统计方法。但一般来说，我们会按照训练样本提供的信息以及反馈方式的不同，将机器学习算法分为监督学习、无监督学习和强化学习。▲机器学习分类1980 年机器学习作为一支独立的力量登上了历史舞台。在这之后的 10 年里出现了一些重要的方法和理论，典型的代表是：分类与回归树（CART， 1984） 、 反向传播算（1986）、卷积神经网络（1989）。 从 1990 到 2012 年，机器学习逐渐走向成熟和应用，在这 20 多年里机器学习的理论和方法得到了完善和充实，可谓是百花齐放的年代。代表性的重要成果有：支持向量机（SVM， 1995） 、 AdaBoost 算法（1997）、 循环神经网络和 LSTM（1997）、 流形学习（2000）、 随机森林（2001） 。 机器学习代表算法包括：线性回归 ；分类与回归树（CART） ；随机森林（Random Forest） ；逻辑回归 ；朴素贝叶斯（Naive Bayesian） ；k 最近邻（kNN） ；AdaBoost ；K-均值算法（K-Means） ；支持向量机（SVM） ；人工神经网络 ANN（Artificial Neural Network） ；1、 生成对抗网络及对抗机器学习生成对抗网络（Generative Adversarial Networks, GAN） 是用于无监督学习的机器学习模型，由 Ian Goodfellow 等人在 2014 年提出， 由神经网络构成判别器和生成器构成，通过一种互相竞争的机制组成的一种学习框架， GAN 在深度学习领域掀起了一场革命。 传统的生成模型最早要追溯到 80 年代的 RBM，以及后来逐渐使用深度神经网络进行包装的AutoEncoder， 然后就是现在称得上最火的生成模型 GAN。▲GAN 发展脉络对抗机器学习是一个机器学习与计算机安全的交叉领域。对抗机器学习旨在给恶意环境下的机器学习技术提供安全保障。由于机器学习技术一般研究的是同一个或较为稳定的数据分布，当部署到现实中的时候，由于恶意用户的存在，这种假设并不一定成立。比如研究人员发现，一些精心设计的对抗样本（adversarial example） 可以使机器学习模型失败输出正确的结果。针对模型的攻击问题，我们主要分为两大类，就是从训练阶段和推理（inference）阶段来进行讨论。训练阶段的攻击 。 训练阶段的恶意攻击（Training in Adversarial Settings） ，主要的目的就是针对模型的参数进行微小的扰动，从让而模型的性能和预期产生偏差。这样的行为主要是通过数据投毒来完成的。推理阶段的攻击（Inference in Adversarial Settings） 。当训练完成一个模型之后，这个模型就可以看做一个 BOX，那么这个盒子中，对于我们如果是透明的话，我们就把它当成是“白盒”模型，如果这个盒子中，我们什么都看不了，我们就把它当成“黑盒”模型。（我们在这个部分不讨论灰盒模型）那么针对白盒和黑盒的进攻手段自然是不同的，但是最终的目的都是希望能对模型的最终结果产生破坏，与预期脱离。其影响力以及攻击的构造粒度也是有所不同的。2、自动机器学习自动机器学习（AutoML）旨在通过让一些通用步骤（如数据预处理、模型选择和调整超参数） 自动化，来简化机器学习中生成模型的过程。 AutoML 是指尽量不通过人来设定超参数，而是使用某种学习机制，来调节这些超参数。这些学习机制包括传统的贝叶斯优化，多臂老虎机（multi-armed bandit），进化算法，还有比较新的强化学习。自动机器学习不光包括大家熟知的算法选择，超参数优化，和神经网络架构搜索，还覆盖机器学习工作流的每一步。自动机器学习的用处就在于此，它帮助研究人员和从业者，自动构建机器学习管道，将多个步骤及其对应的多个选项集成为工作流，以期快速找到针对给定问题的高性能机器学习模型。 AutoML 的基本过程如下图所示：虚框是配置空间，包括特征、超参数和架构；左边训练数据进入，上面的优化器和它相连，定义的测度发现最佳配置，最后出来的是模型；测试数据在模型中运行，实现预测的目的。▲AutoML 基本过程近日，在 ACM CHI 计算系统中人的因素会议上，麻省理工学院，香港科技大学和浙江大学的研究人员共同研发出一种工具，将 AutoML 方法的分析和控制权给到用户手中。该工具名为 ATMSeer，它将 AutoML 系统、数据集和有关用户任务的一些信息作为输入，然后在用户友好型的界面内实现可视化搜索过程，界面中还能提供更多关于模型性能的信息。▲ATMSeer 自动机器学习定制化工具的用户友好型交互界面上图是 ATMSeer 生成的一个用户友好界面，显示有关所选模型性能的深入信息，以及可调整的算法和参数的选项。 对没有 AutoML 经验的机器学习专家的案例研究表明，让用户掌握控制权确实有助于提高 AutoML 应用的性能和效率。对生物学、金融等不同科学领域的 13 位研究生的研究也表明，确定用户对 AutoML 的搜索的自定义关键有三点：搜索的算法数量、系统运行时间以及查找表现最好的模型。研究人员表示，这些信息可用来为用户量身定制系统。 3、可解释性机器学习可解释性是指人类能够理解决策原因的程度。机器学习模型的可解释性越高，人们就越容易理解为什么做出某些决定或预测。模型可解释性指对模型内部机制的理解以及对模型结果的理解。其重要性体现在：建模阶段，辅助开发人员理解模型，进行模型的对比选择，必要时优化调整模型；在投入运行阶段，向业务方解释模型的内部机制，对模型结果进行解释。比如基金推荐模型，需要解释：为何为这个用户推荐某支基金。机器学习流程步骤：收集数据、清洗数据、训练模型、基于验证或测试错误或其他评价指标选择最好的模型。第一步，选择比较小的错误率和比较高的准确率的高精度的模型。第二步，面临准确率和模型复杂度之间的权衡，但一个模型越复杂就越难以解释。一个简单的线性回归非常好解释，因为它只考虑了自变量与因变量之间的线性相关关系，但是也正因为如此，它无法处理更复杂的关系，模型在测试集上的预测精度也更有可能比较低。而深度神经网络处于另一个极端，因为它们能够在多个层次进行抽象推断，所以他们可以处理因变量与自变量之间非常复杂的关系，并且达到非常高的精度。但是这种复杂性也使模型成为黑箱，我们无法获知所有产生模型预测结果的这些特征之间的关系，所以我们只能用准确率、错误率这样的评价标准来代替，来评估模型的可信性。事实上，每个分类问题的机器学习流程中都应该包括模型理解和模型解释。4、 在线学习传统的机器学习算法是批量模式的，假设所有的训练数据预先给定，通过最小化定义在所有训练数据上的经验误差得到分类器。这种学习方法在小规模规模上取得了巨大成功，但当数据规模大时，其计算复杂度高、响应慢，无法用于实时性要求高的应用。与批量学习不同，在线学习假设训练数据持续到来，通常利用一个训练样本更新当前的模型，大大降低了学习算法的空间复杂度和时间复杂度，实时性强。在大数据时代，大数据高速增长的特点为机器学习带来了严峻的挑战，在线学习可以有效地解决该问题，引起了学术界和工业界的广泛关注。早期在线学习应用于线性分类器产生了著名的感知器算法，当数据线性可分时，感知器算法收敛并能够找到最优的分类面。经过几十年的发展，在线学习已经形成了一套完备的理论，既可以学习线性函数，也可以学习非线性函数，既能够用于数据可分的情况，也能够处理数据不可分的情况。下面我们给出一个在线学习形式化的定义及其学习目标。根据学习器在学习过程中观测信息的不同，在线学习还可以再进一步分为： 完全信息下的在线学习和赌博机在线学习。前者假设学习器可以观测到完整的损失函数，而后者假设学习器只能观测到损失函数在当前决策上的数值，即， 以在线分类为例，如果学习器可以观测到训练样本，该问题就属于完全信息下的在线学习，因为基于训练样本就可以定义完整的分类误差函数；如果学习器只能观测到分类误差而看不到训练样本，该问题就属于赌博机在线学习。由于观测信息的不同，针对这两种设定的学习算法也存在较大差异，其应用场景也不同。5、 BERTBERT 的全称是 Bidirectional Encoder Representation from Transformers，即双向 Transformer 的 Encoder。 可以说是近年来自残差网络最优突破性的一项技术了。 BERT 主要特点以下几点：1） 使用了 Transformer 作为算法的主要框架， Trabsformer 能更彻底的捕捉语句中的双向关系；2） 使用了 Mask Language Model（MLM） [14]和 Next Sentence Prediction（NSP） 的多任务训练目标；3） 使用更强大的机器训练更大规模的数据，使 BERT 的结果达到了全新的高度，并且Google 开源了 BERT 模型，用户可以直接使用 BERT 作为 Word2Vec 的转换矩阵并高效的将其应用到自己的任务中。BERT 的本质上是通过在海量的语料的基础上运行自监督学习方法为单词学习一个好的特征表示，所谓自监督学习是指在没有人工标注的数据上运行的监督学习。在以后特定的NLP 任务中，我们可以直接使用 BERT 的特征表示作为该任务的词嵌入特征。所以 BERT提供的是一个供其它任务迁移学习的模型，该模型可以根据任务微调或者固定之后作为特征提取器。BERT 的源码和模型已经在 Github 上开源，简体中文和多语言模型也已开源。BERT 的网络架构使用的是“Attention is all you need”中提出的多层 Transformer 结构，其最大的特点是抛弃了传统的 RNN 和 CNN，通过 Attention 机制将任意位置的两个单词的距离转换成 1，有效的解决了 NLP 中棘手的长期依赖问题。 Transformer 的网络架构如下图所示， Transformer 是一个 encoder-decoder 的结构，由若干个编码器和解码器堆叠形成。 下图的左侧部分为编码器，由 Multi-Head Attention 和一个全连接组成，用于将输入语料转化成特征向量。右侧部分是解码器，其输入为编码器的输出以及已经预测的结果，由 Masked Multi-Head Attention, Multi-Head Attention 以及一个全连接组成，用于输出最后结果的条件概率。▲Transformer 的网络架构6、卷积与图卷积两个函数的卷积，本质上就是先将一个函数翻转，然后进行滑动叠加。在连续情况下，叠加指的是对两个函数的乘积求积分，在离散情况下就是加权求和，为简单起见就统一称为叠加。 教科书上一般定义函数 f, g 的卷积 f * g(n)如下：连续形式：离散形式：从计算的方式上对公式进行的解释为： 先对 g 函数进行翻转，相当于在数轴上把 g函数从右边褶到左边去，也就是卷积的“卷”的由来。然后再把 g 函数平移到 n，在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的“积”的过程。 整体看来是这么个过程：翻转→滑动→叠加→滑动→叠加→滑动→叠加多次滑动得到的一系列叠加值，构成了卷积函数。卷积的“卷”，指的的函数的翻转，从 g(t)变成 g(-t)的这个过程；同时，“卷”还有滑动的意味在里面。如果把卷积翻译为“褶积”，那么这个“褶”字就只有翻转的含义了。卷积的“积”，指的是积分/加权求和。对卷积的意义的理解如下：1） 从“积”的过程可以看到，我们得到的叠加值，是个全局的概念。以信号分析为例，卷积的结果是不仅跟当前时刻输入信号的响应值有关，也跟过去所有时刻输入信号的响应都有关系，考虑了对过去的所有输入的效果的累积。在图像处理的中，卷积处理的结果，其实就是把每个像素周边的，甚至是整个图像的像素都考虑进来，对当前像素进行某种加权处理。所以说，“积”是全局概念，或者说是一种“混合”，把两个函数在时间或者空间上进行混合。2） 进行“卷”（翻转）的目的其实是施加一种约束，它指定了在“积”的时候以什么为参照。在信号分析的场景，它指定了在哪个特定时间点的前后进行“积”，在空间分析的场景，它指定了在哪个位置的周边进行累积处理。要理解图卷积网络的核心操作图卷积，可以类比卷积在 CNN 的地位。如下图所示，数字图像是一个二维的离散信号，对数字图像做卷积操作其实就是利用卷积核（卷积模板）在图像上滑动，将图像点上的像素灰度值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值，并最终滑动完所有图像的过程。▲图卷积示意图现实中更多重要的数据集都是用图的形式存储的，例如社交网络信息、 知识图谱、 蛋白质网络、 万维网等等。这些图网络的形式并不像图像，是排列整齐的矩阵形式，而是非结构化的信息，那有没有类似图像领域的卷积一样，有一个通用的范式来进行图特征的抽取呢？这就是图卷积在图卷积网络中的意义。对于大多数图模型，有一种类似通式的存在，这些模型统称图卷积网络。因此可以说，图卷积是处理非结构化数据的大利器，随着这方面研究的逐步深入，人类对知识领域的处理必将不再局限于结构化数据，会有更多的目光转向这一存在范围更加广泛，涵盖意义更为丰富的知识领域。二、 深度学习深度学习是近 10 年机器学习领域发展最快的一个分支， 由于其重要性，三位教授（Geoffrey Hinton、 Yann Lecun、 Yoshua Bengio）因此同获图灵奖。深度学习模型的发展可以追溯到 1958 年的感知机（ Perceptron）。 1943 年神经网络就已经出现雏形（源自NeuroScience）， 1958 年研究认知的心理学家 Frank 发明了感知机，当时掀起一股热潮。后来 Marvin Minsky（人工智能大师）和 Seymour Papert 发现感知机的缺陷：不能处理异或回路等非线性问题，以及当时存在计算能力不足以处理大型神经网络的问题。于是整个神经网络的研究进入停滞期。最近 30 年来取得快速发展。总体来说，主要有 4 条发展脉络：▲深度学习模型最近若干年的重要进展1、 深度学习近期重要进展在过去几年中，深度学习改变了整个人工智能的发展。深度学习技术已经开始在医疗保健，金融，人力资源，零售，地震检测和自动驾驶汽车等领域的应用程序中出现。至于现有的成果表现也一直在稳步提高。本小节将介绍深度学习近期的一些重要进展。2018年三大进展：BERT 模型 。 BERT 的全称是 Bidirectional Encoder Representation from Transformers，是基于深度双向Transformer 的预训练模型，能用所有层的上下文语境训练深度双向表征。自 Google 在 2018年公布 BERT 在 11 项 nlp 任务中的卓越表现后， BERT 就成为 NLP 领域大火的模型。 视频到视频合成（Video-to-Video Synthesis） 。 我们通常习惯由图形引擎创建的模拟器和视频游戏进行环境交互。虽然令人印象深刻，但经典方法的成本很高，因为必须精心指定场景几何、材料、照明和其他参数。一个很好的问题是：是否可以使用例如深度学习技术自动构建这些环境。 NVIDIA 的研究人员解决了这个问题。他们的目标是在源视频和输出视频之间提供映射功能，精确描绘输入内容。作者将其建模为分布匹配问题，其目标是使自动创建视频的条件分布尽可能接近实际视频的条件分布。为实现这一目标，他们建立了一个基于生成对抗网络（GAN）的模型。在 GAN 框架内的关键思想是，生成器试图产生真实的合成数据，使得鉴别器无法区分真实数据和合成数据。他们定义了一个时空学习目标，旨在实现暂时连贯的视频。图网络（Graph Network） 。 DeepMind 联合谷歌大脑、MIT 等机构 27 位作者发表重磅论文“Relational inctive biases, deep learning, and graph networks”，提出“图网络”（Graph network），将端到端学习与归纳推理相结合，有望解决深度学习无法进行关系推理的问题。 作者认为组合泛化是人工智能实现与人类相似能力的首要任务，而结构化表示和计算是实现这一目标的关键，实现这个目标的关键是结构化的表示数据和计算。该论文讨论了图网络如何支持关系推理和组合泛化，为更复杂的、可解释的和灵活的推理模式奠定基础。2019年三大进展：XLNet 模型 。 XLNet 是 CMU 与谷歌大脑提出的全新 NLP 模型，在 20 个任务上超过了 BERT 的表现，并在 18 个任务上取得了当前最佳效果，包括机器问答、自然语言推断、情感分析和文档排序。 MoCo 。何恺明在其工作“Momentum Contrast for Unsupervised Visual Representation Learning”中提出了动量对比度（MoCo）用于无监督的视觉表示学习。 从作为字典查找的对比学习的角度来看，作者构建了一个带有队列和移动平均编码器的动态字典。这样就可以实时构建大型且一致的词典，从而促进对比性的无监督学习。 MoCo 在 ImageNet 分类的通用线性协议下提供了竞争性的结果。更重要的是， MoCo 学习到的表示将转移到下游任务。 MoCo 可以胜过在 PASCAL VOC， COCO 和其他数据集上进行监督的预训练对等任务中的检测/细分任务，有时会大大超过它。这表明在许多视觉任务中，无监督和有监督的表征学习之间的鸿沟已被大大消除。DL System 2 。 Yoshua Bengio在NeuIPS 2019上的报告“FROM SYSTEM 1 DEEP LEARNING TO SYSTEM2 DEEP LEARNING”讨论了深度学习发展的方向，引起了广泛关注， 清华大学的唐杰教授对其进行了深度解读。三、人才1、 学者情况概览学者地图用于描述特定领域学者的分布情况，对于进行学者调查、分析各地区竞争力现况尤为重要，下图为机器学习领域全球学者分布情况：▲机器学习领域全球学者分布地图根据学者当前就职机构地理位置进行绘制，其中颜色越深表示学者越集中。 从该地图可以看出，美国的人才数量遥遥领先且主要分布在其东西海岸；欧洲中西部也有较多的人才分布；亚洲的人才主要分布于我国东部及日韩地区；其他诸如非洲、南美洲等地区的学者非常稀少；机器学习领域的人才分布与各地区的科技、经济实力情况大体一致。此外，在性别比例方面，机器学习领域中男性学者占比 89.8%，女性学者占比 10.2%，男性学者占比远高于女性学者。h-index 分布 。 机器学习学者的 h-index 分布如下图所示，大部分学者的 h-index 都在 30 以上，其中 hindex 小于 30 的人数最多，有 591 人， 占比 29.1%。▲机器学习领域学者 h-index 分布▲机器学习领域中国学者分布我国专家学者在机器学习领域的分布如上图所示。通过上图我们可以发现，京津地区在本领域的人才数量最多，其次是长三角和珠三角地区，相比之下，内陆地区的人才较为匮乏，这种分布与区位因素和经济水平情况不无关系。同时，通过观察中国周边国家的学者数量情况，特别是与日韩、东南亚等亚洲国家相比，中国在机器学习领域学者数量较多。中国与其他国家在机器学习的合作情况可以根据 AMiner 数据平台分析得到，通过统计论文中作者的单位信息，将作者映射到各个国家中，进而统计中国与各国之间合作论文的数量，并按照合作论文发表数量从高到低进行了排序，如下表所示。▲机器学习领域中国与各国合作论文情况从上表数据可以看出，中美合作的论文数、引用数、平均引用数、学者数遥遥领先，表明中美间在机器学习领域合作之密切；从地域角度看，中国与欧洲的合作非常广泛，前 10名合作关系里中欧合作共占 4 席；中国与印度合作的论文数虽然不是最多，但是平均引用数依然位列第二，说明在合作质量上中印合作也达到了较高的水平。四、 行业应用1、 金融行业应用欺诈检测 。 使用机器学习进行欺诈检测时，先收集历史数据并将数据分割成三个不同的部分，然后用训练集对机器学习模型进行训练，以预测欺诈概率。最后建立模型，预测数据集中的欺诈或异常情况。与传统检测相比，这种欺诈检测方法所用的时间更少。由于目前机器学习的应用量还很小，仍然处于成长期，所以它会在几年内进一步发展，从而检测出复杂的欺诈行为。股票市场预测 。 当今，股票市场俨然已成为大家关注的热点， 但是，如果不了解股票运作方式和当前趋势，要想击败市场则非常困难。随着机器学习的使用，股票预测变得相当简单。这些机器学习算法会利用公司的历史数据，如资产负债表、损益表等，对它们进行分析，并找出关系到公司未来发展的有意义的迹象。财资部（Treasury） /客户关系管理（CRM） /现货交易（Spot Transactions） 。 客户关系管理（CRM）在小额银行业务中占有十分突出的地位，但在银行内部的财资空间却没什么作用。因为财资部有自己的产品群，如外汇、期权、掉期交易（Swaps）、远期交易（Forwards）以及更为重要的现货交易（Spots）。线上交易需要结合这些产品的复杂程度、客户风险、市场与经济行为以及信用记录信息，这对银行来说几乎是一个遥远的梦想。聊天机器人/私人财务助理 。 聊天机器人可以担当财务顾问，成为个人财务指南， 可以跟踪开支，提供从财产投资到新车消费方面的建议。财务机器人还可以把复杂的金融术语转换成通俗易懂的语言，更易于沟通。一家名为 Kasisto 的公司的聊天机器人就能处理各种客户请求，如客户通知、转账、支票存款、查询、常见问题解答与搜索、内容分发渠道、客户支持、优惠提醒等。2、自动驾驶将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类，都要用到机器学习。 自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的 ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达，雷达，摄像头或者是物联网。车载信息娱乐系统所运行的应用，能从传感器数据融合系统中获取数据。举个例子，如果系统察觉驾驶员发生状况，有能力把车开到医院。基于机器学习的应用，还包括对驾驶员的语言和手势识别以及语言翻译。相关的算法被分类为非监督和监督算法。它们两者的区别在于学习的方式。在自动驾驶汽车上，机器学习算法的一个主要任务是持续渲染周围的环境，以及预测可能发生的变化。这些任务可以分为四个子任务： 目标检测、 目标识别或分类、 目标定位、 运动预测。机器学习算法可以简单地分为 4 类：决策矩阵算法、聚类算法、模式识别算法和回归算法。可以利用一类机器学习算法来完成两个以上的子任务。例如，回归算法能够用于物体定位和目标识别或者是运动预测。▲自动驾驶目标识别、运动预测3、 健康和医疗为了更好地了解人工智能和机器学习正如何改变医疗保健行业， 我们通过一些具体案例，并且这些案例可以有力证明这些前沿技术的实用价值。判断发展中国家的结核病情况。识别图像中的模式（Pattern）是现有人工智能系统中最强有力的一点，研究人员现在正在训练人工智能检查胸部 x 光片， 识别结核病。这项技术可以为缺乏放射学家的结核病流行地区带来有效的筛查和评估手段。一种治疗退伍军人创伤后应激障碍（PTSD） 的人工智能 。退伍军人创伤后成长计划与 IBM Watson 合作使用人工智能和分析技术，以确保更多患有创伤后应激障碍的退伍军人能够完成心理治疗。使用这些技术，他们的完成率从不到 10%上升到 73%。根据退伍军人事务部的统计， 80%的患有创伤后应激障碍的退伍军人在确诊后一年内完成治疗计划，然后康复。在 300 万阿富汗和伊拉克战争老兵中，大约五分之一患有创伤后应激障碍。检测脑出血 。以色列医疗技术公司 MedyMatch 和 IBM Watson Health 正在使用人工智能，通过检测颅内出血，帮助医院急诊室的医生更有效地治疗中风和头部外伤患者。 AI 系统使用临床洞察力（clinical insight）、深度学习、患者数据和机器视觉来自动标记潜在的脑出血，以供医生检查。优化管理工作流程并消除等待时间。行政和助理工作是 AI 起作用的主要领域。埃森哲表示，语音到文本转录等省时的工作流功能有可能替代为医疗专业人员订购测试和处方以及在图表中写笔记等任务–任何涉及非患者护理的任务。这相当于节省了 17%的医生工作时间和 51%的注册护士工作时间。检测阿尔茨海默病 。现在，人工智能机器人只需要不到一分钟的时间，就可以根据语音模式和声音来诊断阿尔茨海默氏病，准确率达到 82%，而且这种准确率还在不断提高。人工智能系统可以处理单词之间的停顿长度、处理代词优于专有名词的任何偏好、处理过于简单的描述以及语音频率和幅度的变化。所有这些因素对于人类听众来说都很难高精度地记录和检测，但人工智能系统却能够进行客观和可量化的分析。癌症诊断 。用于检测和诊断癌症的传统方法包括计算机断层扫描（CT） 、磁共振成像（MRI） 、超声和 X 射线。不幸的是，许多癌症无法通过这些技术得到足够准确的诊断，从而可靠地挽救生命。微阵列基因图谱的分析是一种替代方法，但这项技术需要计算很多小时，除非这项技术可以使用 AI 替换。现在已经被证明，斯坦福大学的人工智能诊断算法与由 21 名经委员会认证的皮肤科医生的团队一样有效地从图像中检测潜在的皮肤癌。 Startup Enlitic 正在使用深度学习来检测 CT 图像中的肺癌结节，其算法比作为一个团队工作的专家胸科医生的准确率高 50%。机器人辅助手术 。 在价值潜力方面，机器人辅助手术是人工智能辅助方向的佼佼者。 AI-enabled 机器人技术可以通过集成实时操作矩阵、来自实际手术医生的数据以及来自手术前病历的信息来提高和指导手术器械的精度。事实上，埃森哲报告说，人工智能机器人技术带来的进步缩短了 21%的停留时间。4、 零售业IDC 副总裁 Ivano Ortis 最近分享了他的观点“人工智能将把分析带到一个新的水平，并将成为零售创新的基础，这已经得到了全球半数零售商的认可。人工智能可以实现规模化、自动化和前所未有的精度，当适用于超细微客户细分和上下文交互的时候，可推动客户体验”。鉴于人工智能和机器学习的能力，很容易看到人工智能和机器学习是如何成为零售商强大的工具。现在，计算机可以读取、倾听和了解数据，从数据中进行学习，立即且准确地推荐下一个最佳动作，而不需要明确的编程。这对那些希望能够准确预测需求、预期客户行为、优化和个性化客户体验的零售商来说是一个福音。零售商正在通过机器学习结合物联网技术来预测需求，优化商店业务并减轻员工负担。基于店内摄像头检测提供个性化的广告，承担店员部分的半手动的、通过在平板电脑或者触屏终端设备查看客户的消费记录。零售商可以监控排队结账的等候时间，以了解个别店面的流量和商店销售效率，然后进行分类和调整店面布局来实现购物篮、满意度和销售的最大化。系统现在可以通过把计划调整为按需活动，来识别和预测客户行为，改善员工生产效率。摄像头系统可以在店内员工之前检测易腐产品的新鲜状态。实体店正在实现很多操作任务的自动化，例如设置货架定价，确定产品分类和混合，优化促销等。店内应用可以显示客户在特定通道停留了多长时间，根据个人消费记录和偏好数据，提供有针对性的优惠和建议（通过他/她的移动设备） 。机器学习可以帮助减轻推动利用可用数据所需的分析任务。当部署了一个全公司范围的、实施的分析平台时，这将成为所有公司职能优化决策所依赖的事实来源。5、 制造业与自动驾驶汽车一样，随着物联网的发展，制造业企业可以从安置在生产线各环节的传感器收集大量的生产数据。然而，这些数据并没有被充分利用。随着从复杂系统收集到众多参数的数据，数据分析变成了一项艰巨的任务。机器学习在制造业中的最大应用将是异常检测。据统计，到 2030 年，全球的淡水需求预计将超过供应近 40%。为协助各企业实现净零水循环使用的目标，美国水处理公司 Ecolab（艺康集团）正通过包括 Azure 和 Dynamics CRM Online 在内的微软云平台帮助全球企业实现可持续运营。与全球各地数以千计传感器相连的云平台能收集实时用水数据，并通过机器学习和商业智能分析全球各地的生产用水运营解决方案，不仅提高效率，还能降低水、能源消耗及运营成本。尽管在这个领域之前已经进行过一些分析尝试，未来将会有更多机器学习通过监督学习和建模来预测风险和失败。此外， 机器学习也将推动工业自动化的实现，通过观察生产线和数据流来学习，并能够精确优化生产过程，降低生产成本，加快生产周期，从而节省人工分析数据的时间成本和资金成本。五、 趋势技术趋势分析描述了技术的出现、变迁和消亡的全过程，可以帮助研究人员理解领域的研究历史和现状，快速识别研究的前沿热点问题。 图中每条色带表示一个话题，其宽度表示该术语在当年的热度，与当年该话题的论文数量呈正相关， 每一年份中按照其热度由高到低进行排序。 通过技术趋势分析可以发现当前该领域的热点研究话题 Top10 是： Neural Network、 Machine Learning、 Deep Neural Networks、 Deep Learning、Support Vector Machine、 Reinforcement Learning、 Feature Selection、 Deci Tree、 Data Mining、Artificial Neural Network。▲机器学习技术趋势根据技术趋势分析我们可以发现， 该领域当前最热门的话题是 Neural Network，从全局热度来看， Neural Network 一直保持着较高的话题热度， 2002-2006 年期间保持着最高的热度并于 2018 年重登榜首。智东西认为， 机器学习的处理系统和算法是主要通过找出数据里隐藏的模式进而做出预测的识别模式，是人工智能的一个重要子领域。 虽然机器学习只是人工智能的一个子集，但近些年机器学习技术的火爆，机器学习依然成为人工智能的代名词。 在过去几年中，包括深度学习在内的机器学习改变了整个人工智能的发展，在金融、自动驾驶、医疗、零售和制造业等行业已经开始产生了重要影响，按照现在的趋势，几年后以机器学习为代表的人工智能技术就将给人类社会带来一场广泛而深刻的变革。权威数据·专业解读 读懂智能行业必看的报告在智东西回复“智能内参”查看全部报告