2023年人工智能行业研究报告
第一章行业概况人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。总体来讲，当前对人工智能的定义大多可划分为以下四类：
图：人工智能产业链
资料来源：资产信息网千际投行iFinD
按照人工智能的智能程度，一般分为以下三类：
弱人工智能(ANI)：是指专注于且只能解决单个特定领域问题的人工智能
强人工智能(AGI)：是指能够胜任人类所有工作的人工智能
超强人工智能(ASI)：是指在科学创造力、智能和社交能力等每一个方面都比最强人类大脑聪明的人工智能。
资料来源：资产信息网千际投行行行查
人工智能具有算力、算法、数据三大要素，其中基础层提供算力支持，通用技术平台解决算法问题，场景化应用挖掘数据价值。
图人工智能三大要素
资料来源：资产信息网千际投行
人工智能可分为以下三个发展阶段：
运算智能：即快速计算和记忆存储能力。计算机比较具有优势的是运算能力和存储能力，现阶段计算智能应用已经实现并逐渐成熟，1996年IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫，这一事件标志着人类在强运算型场景下的计算能力已经不如机器算力了。
感知智能：即类似人的视觉、听觉、触觉等对外界刺激作出反应的能力。人和动物能够通过各种智能感知能力与自然界进行交互。机器通过AI技术，也可实现这种类人智能，如自动驾驶汽车就是通过激光雷达等感知设备和人工智能算法实现这样的感知智能的。当前人类社会的AI技术正处于感知智能不断完善的阶段。
认知智能：通俗讲是一种“能理解会思考”的能力。未来机器能在没有数据信息被动输入的情况下，主动进行环境感知、信息采集、逻辑判断，做出决策等，实现类人智能。在这一阶段机器能够替代了大量的传统体力劳动，并辅助人们做出理论上的最优决策。
1.1发展历程自1956年“人工智能”概念和理论首次被提出，AI产业和技术发展主要经历如下发展阶段：
20世纪50年代——20世纪70年代
受制于算力性能、数据量等，更多停留在理论层面。1956年达特茅斯会议推动了全球第一次人工智能浪潮的出现，当时乐观的气氛弥漫着整个学界，在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形，增强学习就是谷歌AlphaGo算法核心思想内容。
而70年代初，AI遭遇了瓶颈：人们发现逻辑证明器、感知器、增强学习等只能做很简单、用途狭隘的任务，稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。这些计算复杂度以指数程度增加，成为了不可能完成的计算任务。
20世纪80年代——20世纪90年代
专家系统是人工智能的第一次商业化尝试，高昂的硬件成本、有限的适用场景限制了市场的进一步向前发展。在80年代，专家系统AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程成为了80年代AI研究的主要方向。但是专家系统的实用性仅仅局限于某些特定情景，不久后人们对专家系统的狂热追捧转向巨大的失望。
另一方面，1987年到1993年现代PC的出现，其费用远远低于专家系统所使用的Symbolics和Lisp等机器。相比于现代PC，专家系统被认为古老陈旧而非常难以维护。于是，政府经费开始下降，寒冬又一次来临。
2015年至今
逐步形成完整的产业链分工、协作体系。人工智能第三起的标志性事件发生在2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世石。随后，大众开始熟知人工智能，各个领域的热情都被调动起来。这次事件确立了以DNN神经网络算法为基础的统计分类深度学习模型，这类模型相比于过往更加泛化，通过不同的特征值提取可以适用于不同的应用场景中。
同时，2010年—2015年移动互联网的普及也为深度学习算法带来了前所未有的数据养料。得益于数据量的上涨、运算力的提升和机器学习新算法的出现，人工智能开始大调整。人工智能的研究领域也在不断扩大，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。深度学习的发展，让人工智能进入新的发展高潮。
1.2市场现状市场规模
随着技术的不断发展人工智能也逐渐出现在大众眼前，人工智能是一个新兴产业，所涉及的面广对于人才的要求高，近些年人工智能市场规模不断扩大随着人工智能技术的成熟应用场景也在扩展。
资料来源：资产信息网千际投行报告大厅
根据人工智能市场分析数据显示，截至2017年，中国人工智能市场规模达到237.4亿元，比2016年增长67%。其中，计算机视觉市场具有生物识别技术，形象认可，视频识别等技术核心规模最大，占34.9%，达到82.8亿元。2021年中国人工智能市场规模将达到415.5亿元，同比增长75%。预计到2023年中国人工智能市场规模将超过2000亿。人民币2364亿元，2021-2023年复合增长率约为43.73%。
从应用领域来看，目前我国人工智能在政府、金融、互联网、零售等领域的人机对话、远程作业、质控风控、营销运营、决策支持等诸多环节存在不同程度的应用，行业主要客户也主要来自上述领域。其中，政府城市管理和运营的市场份额接近50%，成为推动我国人工智能行业发展的重要动力。其次是互联网，占比18%。第三是金融，占比12%。
投融资情况
根据2021年斯坦福大学发布的《2021年人工智能指数报告》，2018年开始全球Al公司的融资持续向龙头初创公司聚集，2018年开始每年新成立的公司数量持续下降，但是Al融资金额依旧保持上升趋势。
资料来源：资产信息网千际投行广闻广识
图：中国人工智能企业的上市情况
资料来源：资产信息网千际投行广闻广识
第二章商业模式和技术发展2.1产业链人工智能产业链主要分为基础层、技术层、应用层三个层级：
基础层以数据、算力、算法为核心；
技术层是建立在基础层的核心能力之上，通过打造一套人工智能系统使机器能够像人类一样进行感知与分析，其中最关键的领域包括计算机视觉（图像识别与分析）、语音识别与自然语言处理技术（语音识别与合成）、机器学习与深度学习（分析决策及行动）等；
应用层是将技术能力与具体场景相融合，帮助企业/城市管理者等客户降本增效，目前主要应用的场景有泛安防、金融、医疗、自动驾驶等领域。
在上述三个层级之外，通常面向终端时还涉及硬件交付，如摄像头、服务器、芯片等，所以人工智能产业链涉及业务方众多。
图：产业链
资料来源：资产信息网千际投行招商银行
图：产业链图谱概览
资料来源：资产信息网千际投行艾瑞咨询
上游
人工智能基础层是支撑各类人工智能应用开发与运行的资源平台，主要包括数据资源、硬件设置和计算力三大要素。
资料来源：资产信息网千际投行广闻广识
人工智能基础层主要包括智能计算集群、智能模型敏捷开发工具、数据基础服务与治理平台三个板块。
智能计算集群：提供支持AI模型开发、训练或推理的算力资源，包括系统级AI芯片和异构智能计算服务器，以及下游的人工智能计算中心等;
智能模型敏捷开发工具：主要实现AI应用模型的生产，包括开源算法框架，提供语音、图像等AI技术能力调用的AI开放平台和AI应用模型效率化生产平台;
数据基础服务与治理平台：实现应用所需的数据资源生产与治理，提供AI基础数据服务及面向AI的数据治理平台。
AI基础层企业通过提供AI算力、开发工具或数据资源助力人工智能应用在各行业领域、各应用场景落地，支撑人工智能产业健康稳定发展。
图：人工智能基础层分类
资料来源：资产信息网千际投行
通用计算芯片CPU、GPU全球市场基本被Intel、Nvidia等美国芯片厂商垄断，技术与专利壁垒较高，卡脖子现象严重。华为麒麟、巴龙、昇腾及鲲鹏四大芯片有望突破此壁垒。未来几年，全球各大芯片企业、互联网巨头、初创企业都将成为该市场的主要玩家。
计算力指数国家排名中美国列国家计算力指数排名第一，坐拥全球最多超大规模数据中心，这是美国算力的基础保障。中国列第二，AI算力领跑全球。日本、德国、英国分别位列第三至第五名。
计算平台方面，全球市场被亚马逊、谷歌、阿里、腾讯、华为等公司基本垄断，但小公司的计算平台凭借价格优势仍有生存空间。
中游
技术层作为人工智能产业的核心，主要依托基础层的运算平台和海量数据资源进行识别训练和机器学习建模，以开发面向不同领域的应用技术，对应用层的产品智能化程度起着决定性作用。根据技术层级分为通用技术层、AI软件框架层和算法模型层。
资料来源：资产信息网千际投行广闻广识
算法作为人工智能技术的引擎，主要用于计算、数据分析和自动推理。当前最为主流的基础算法是深度学习算法，深度学习可以从大量数据中自动总结规律，并使其适应自身结构，从而应用到案例中。随着基础算法的成熟和稳定，算法发展重点转向工程实现——软件框架，很多企业开始转向建设算法模型工具库，将算法封装为软件框架，提供给开发者使用。
目前美国是该领域发展水平最高的国家，以谷歌、Facebook、IBM和微软为主的科技巨头均将人工智能的重点布局在算法理论和软件框架等门槛高的技术之上。而我国基础理论体系尚不成熟，鲜有拥有针对算法的开放平台，百度的Paddle-Paddle、腾讯的Angle等国内企业的算法框架尚无法与国际主流产品竞争。
下游
应用层是基于技术层的能力，去解决具体现实生活中的问题。比如利用计算机视觉技术，实现金融、安防等多个领域的人脸识别；利用智能语音技术，实现智能音箱、录音笔等的语音识别；利用自然语言处理技术，用于智能客服的问答。
资料来源：资产信息网千际投行广闻广识
在实际的应用中，技术层和应用层的关系是相互交叉的，某个领域的应用可能用到多个维度的技术层的能力，比如金融行业的应用对于智能语音、计算机视觉、自然语言处理技术都会有需求；同样某个技术层的能力也可以广泛应用到多个不同的应用领域，比如计算机视觉技术可以广泛应用到金融、安防、医疗、交通、教育等多个维度。
2.2商业模式人工智能相关产业大概分为五类：销售智能设备、提供智能服务、智能平台变现、智能软件授权以及智能项目整合。不同的商业领域决定AI技术的变现能力，根据五类产业内容又可分为计算能力、数据、算法框架、应用平台和解决方案六类商业领域，其进入壁垒、演化路径与短期长期价值各不相同。
图：人工智能常见五种商业模式
资料来源：资产信息网千际投行
目前，国内外的中大型厂商都已经初步形成了各自不同的核心竞争力，依据五大类人工智能商业内容呈现出的最终形式大致可以分为以下三类公司。
人工智能创业公司：主要是依靠其对于某一垂直领域的技术研发或渠道优势，通过销售相关技术产品设备或服务获得盈利。人工智能领域创业的技术门槛较高，一旦成功产业化，则竞争压力相对较小。商业模式相对比较传统，在获得市场关注和盈利前，需要投资人在人才与研发环节持续投入。而获得源源不断的融资也靠创始人的声誉背书，因此这类企业短时间内的收入模型和盈利模式比较模糊。
人工智能平台：大型人工智能科技公司一般布局都在基础功能平台服务上，如大数据、云计算平台。现在越来越多的巨头也把资源投入到了AI领域，如微软旗下成熟的AI平台。大型科技巨头公司将主要精力花在布局基础设施上，且大型人工智能平台主要都是靠应用程序接口（API）来盈利，调用的API次数越多，收费越高。而在调用这些API的同时，用户通常还会涉及其他服务，如服务器、虚拟机、数据库等，这也将为企业盈利带来新的增长点。
人工智能咨询与定制服务：主要根据企业和客户的需求进行定制化的人工智能解决方案。现阶段，人工智能方案对于传统制造与服务类企业来说，规模化应用及成本控制难度较大。但随着未来AI技术的发展，与人工智能服务相关的产品成本必将下降，中小型企业也可以负担并愿意进行智能升级改造。
AI咨询与定制服务的商业模式较为独特，目前大致有以下两种模式：
成熟的AI专利应用，如开发一个独家专利的人工智能解决方案产品，并出售给下游用户，其产品可标准化、规模化量产。
客户定制化服务，比如为某家公司客户进行产品定制服务，服务的归属权归客户所有，服务公司无权转卖，此类定制服务价格较高，竞争能力强。
2.3技术发展对国内人工智能行业的各个专利申请人的专利数量进行统计，排名前列的公司依次为：中兴通讯、京东方A、四川长虹、视源股份、海康威视、浪潮信息、大华股份、航天信息等。
图国内人工智能行业专利数量Top10
资料来源：资产信息网千际投行iFinD
截至2021年上半年我国人工智能专利技术占比已超过65%，远超美、日韩等其他国家，处于绝对领先地位。从技术构成来看，目前“用于阅读或识别印刷或书写字符或者用于识别图形...”的专利申请数量最多，为34450项，占总申请量的20.88%。
图：全球人工智能专利来源国分布情况
资料来源：资产信息网千际投行广闻广识
2.4政策监管人工智能行业根据中国证监会颁布的《上市公司行业分类指引》（2012年修订）和国家统计局《国民经济行业分类》（GB/T4754-2017）隶属于“软件和信息技术服务业”（行业代码为I65）。根据《战略性新兴产业分类（2018）》隶属于“新一代信息技术产业”中的“人工智能”行业。
人工智能行业的行政监管部门为工信部，负责拟订信息产业的规划、政策和标准并组织实施，指导行业技术创新和技术进步，组织实施有关国家科技重大专项，推进相关科研成果产业化，推动软件业、信息服务业和新兴产业发展。
人工智能的自律协会包括：
中国软件行业协会：协助政府部门组织制定、修改行业的国家标准、行业标准及推荐性标准，并推进标准的贯彻落实；开展软件和信息服务行业的调查与统计，提出行业中、长期发展规划的咨询建议；根据软件行业发展需要，组织行业人才培训、人才交流等。
中国人工智能产业发展联盟：聚集产业生态各方力量，联合开展人工智能技术、标准和产业研究，共同探索人工智能的新模式和新机制，推进技术、产业与应用研发，开展试点示范，广泛开展国际合作等。
中国人工智能学会：组织和领导会员开展人工智能科学与技术的创新研究，促进人工智能科学与技术的发展；开展国内、国际学术交流活动，提高会员的学术水平；开展人工智能科学与技术的咨询与培训；组织开展对人工智能领域科学技术和产业发展战略的研究，向政府部门提出咨询建议等。
人工智能的行业政策包括：
资料来源：资产信息网千际投行
2020年国家标准化管理委员会、中央网信办国家发展改革委、科技部、工业和信息化部关于印发《国家新一代人工智能标准体系建设指南》的通知，将人工智能标准体系结构分为八大部分。
基础共性标准：包括术语、参考架构、测试评估三大类，位于人工智能标准体系结构的最左侧，支撑标准体系结构中其它部分。
支撑技术与产品标准：对人工智能软硬件平台建设、算法模型开发、人工智能应用提供基础支撑。
基础软硬件平台标准：主要围绕智能芯片、系统软件、开发框架等方面，为人工智能提供基础设施支撑。
关键通用技术标准：主要围绕智能芯片、系统软件、开发框架等方面，为人工智能提供基础设施支撑。
关键领域技术标准：主要围绕自然语言处理、智能语音、计算机视觉、生物特征识别、虚拟现实/增强现实、人机交互等方面，为人工智能应用提供领域技术支撑。
产品与服务标准：包括在人工智能技术领域中形成的智能化产品及新服务模式的相关标准。
行业应用标准：位于人工智能标准体系结构的最顶层，面向行业具体需求，对其它部分标准进行细化，支撑各行业发展。
安全/伦理标准：位于人工智能标准体系结构的最右侧，贯穿于其他部分，为人工智能建立合规体系。
图：人工智能标准体系结构
资料来源：资产信息网千际投行东吴证券
第三章行业估值、定价机制和全球龙头企业3.1行业综合财务分析和估值方法图：指数表现
资料来源：资产信息网千际投行iFinD
人工智能行业估值方法可以选择市盈率估值法、PEG估值法、市净率估值法、市现率、P/S市销率估值法、EV/Sales市售率估值法、RNAV重估净资产估值法、EV/EBITDA估值法、DDM估值法、DCF现金流折现估值法、NAV净资产价值估值法等。
3.2行业发展和驱动因子多个行业希望利用AI实现数字化转型
当前，数字化浪潮来袭，以人工智能为代表的新一代数字技术日新月异，催生了数字经济这一新的经济发展形态。过去20余年消费互联网的充分发展为我国数字技术的创新、数字企业的成长以及数字产业的蓬勃发展提供了重要机遇。人工智能等新一代信息技术的快速发展和应用，推动着各行各业加速向数字化迈进。伴随着数字技术的融合应用以及我国供给侧结构性改革的不断深化，加快AI等数字技术与产业经济的融合发展成为多个行业的共识。
大量人工智能高端人才
高端人才对于一个行业的影响毋庸置疑，甚至可以说，一个国家在人工智能领域的实力主要取决于少数精英研究人员的质量。目前世界范围内，美国仍然是拥有最多拔尖研究人员的国家，这就是为什么美国在人工智能发明的年代能够取得领先地位，并且进入应用的时代时，他们比自己的同行有优势。
近年来，我国企业对于机器学习、知识图谱等领域关注度逐年增加，尤其在金融、教育、医疗领域，并由此吸引了越来越多的人才从事相关领域的学习。在研究热度、就业前景、政策红利等多方面因素叠加下，未来我国有望培养大量该领域的高端人才。
移动互联网的推动
随着人工智能进入应用时代，数据的应用量得到了大幅提升。当今人工智能应用的核心，就是通过深度学习在海量数据中概括出人类难以发觉的细微联系的能力。数据可以被视为支撑人工智能运行的原材料。
我国拥有大量的移动互联网用户基础，为我国人工智能行业提供数据支撑。截至2021年上半年，我国手机网民规模为10.07亿，较2020年12月新增手机网民2092万，网民中使用手机上网的比例为99.6%
技术进步
（1）边缘计算技术：通过将边缘技术应用于人工智能，可以提供更快的计算和洞察力、更好的数据安全性以及对持续运营的有效控制。因此，它可以提高支持人工智能的应用程序的性能，并降低运营成本。
（2）分布式计算技术：可以将计算任务分派给多个分布式服务器进行下发，计算完成后再将结果通过不同的分布式服务器进行汇总，通过中央控制器合成展现。分布式计算架构与人工智能计算相辅相成，共同完成大数据处理和计算任务。
政府政策支持
政府政策在驱动中国人工智能发展方面的作用是显著的但常常被人误解。政府常常挑选优势企业进行补贴，或者发布命令规定应当发展的技术。如果人工智能对经济的影响远小于当前预期，那么投入人工智能的资源可能是一种浪费。
另外，由于许多人工智能技术都已经成熟，选择哪些进行支持对公共部门来说是一个问题。政府的参与绝不是技术领先的先决条件，但随着人工智能更深入地渗透到现实系统中，政府参与可能会加速技术产生经济影响。
3.3行业风险分析和风险管理表：常见行业风险因子
资料来源：资产信息网千际投行
核心竞争力风险
人工智能行业为技术密集型行业。业内公司掌握的核心技术及业内公司研发水平将严重影响业内公司的核心竞争力。随着人工智能应用及算法的逐步普及，人工智能芯片受到了多家集成电路龙头企业的重视，该领域也成为多家初创集成电路设计公司发力的重点。此外，研发项目的进程及结果的不确定性较高，业内公司将面临前期的研发投入难以收回、预计效益难以达到的风险。
应对措施：未来，业内公司应不断贴近市场需求，提升研发投入效率，保障产品的快速迭代，以此保障公司提升自身的核心竞争力。
行业风险
近年来，随着人工智能应用及算法的逐步普及，人工智能受到了市场的重视。总体来看，人工智能技术迭代速度加快，技术发展路径尚在探索中，尚未形成具有绝对优势的架构和系统生态。随着越来越多的厂商推出人工智能产品，该市场竞争日趋激烈。
应对措施：未来，公司应加强研发管理，提升研发效率，以应对行业风险。
宏观环境风险
业内公司采购部分境外IP、软件，主要通过美元进行结算。业内公司自签订采购合同至收付汇具有一定周期。随着公司经营规模的不断扩大，未来若人民币与美元汇率发生大幅波动，公司未能准确判断汇率走势，或未能及时实现结汇导致期末外币资金余额较高，将可能产生汇兑损失，对公司的财务状况及经营业绩造成不利影响。
新冠疫情风险
全球新冠疫情仍在持续，国内外多地疫情反复，如果进一步失控，有可能对公司的市场销售以及现场交付工作造成较大影响。
应对措施：公司应毫不松懈地做好疫情防控工作，努力保护员工健康，持续密切关注疫情态势，慎重评估其对公司经营的影响，并积极应对，尽可能降低疫情带来的负面影响。
3.4竞争分析-SWOT模型优势
人工智能可以提供各种各样的应用来服务人类，比如京东和淘宝的智能推荐，无人车的自动驾驶。人工智能可用于完成最困难，最复杂甚至最危险的任务。我们可以利用人工智能的优势并充分利用它。人工智能还可以节省人力资源和提高效率，帮助我们完成单调，重复和耗时的过程。并且人工智能可以不停地工作，但人们不能这样做。同时人工智能能够比人们更快地完成复杂的任务，节省大量时间并加快进程，并且人工智能的成本与人力成本相比要低很多。
劣势
人工智能系统还无法超出场景或语境理解行为，并且具有不可预测性，用户无法预测人工智能会做出何种决策，这既是一种优势，也会带来风险，因为系统可能会做出不符合设计者初衷的决策。最后是安全问题和漏洞。机器会重结果而轻过程，它只会通过找到系统漏洞，实现字面意义上的目标，但其采用的方法不一定是设计者的初衷。例如，网站会推荐一些极端主义视频，因为刺激性内容可以增加浏览时间。再如，网络安全系统会判断人是导致破坏性软件植入的主要原因，于是索性不允许人进入系统。
机遇
无论人类社会自身的需求，还是由于人工智能的介入而产生的新需求，这些需求本身都为人工智能的发展提供了难得的机遇。虽然这些机遇不一定促成人工智能的进步，但它们的确是人工智能进一步发展的动力。人类总是期望人工智能可以更安全、更贴心地服务于人类，为人类创造更多的便利。
威胁
从技术层面来说，当前人工智能仍然面临着众多技术上的难题。技术上的难题关系着人工智能是否具有可靠性与高效性，能否取得人类信任，能否避免出现重大技术事故等。
从社会规范层面来看，人工智能的快速发展在一定程度上打破了传统的社会规范，也因此带来了一系列的社会问题。这些问题的出现，为人工智能的发展带来了诸多隐忧，甚至在一定程度上阻碍了人工智能的发展。人工智能能否解决人类对人工智能自身发展的担忧，在很大程度上决定着其自身的发展前景。
3.5中国企业重要参与者中国主要企业有海康威视[002415.SZ]、工业富联[601138.SH]、京东方A[000725.SZ]、中兴通讯[000063.SZ]、科大讯飞[002230.SZ]、恒生电子[600570.SH]、澜起科技[688008.SH]、闻泰科技[600745.SH]、兆易创新[603986.SH]、圣邦股份[300661.SZ]等。
资料来源：资产信息网千际投行iFinD
（1）海康威视：成立于2001年，是一家专注技术创新的科技公司。海康威视致力于将物联感知、人工智能、大数据技术服务于千行百业，引领智能物联网新未来。
（2）科大讯飞：成立于1999年，是亚太地区知名的智能语音和人工智能上市企业。自成立以来，一直从事智能语音、自然语言理解、计算机视觉等核心技术研究并保持了国际前沿技术水平；积极推动人工智能产品和行业应用落地，致力让机器“能听会说，能理解会思考”，用人工智能建设美好世界。2008年，公司在深圳证券交易所挂牌上市（股票代码：002230）。
（3）寒武纪：成立于2016年，专注于人工智能芯片产品的研发与技术创新，致力于打造人工智能领域的核心处理器芯片，让机器更好地理解和服务人类。寒武纪产品广泛应用于服务器厂商和产业公司，面向互联网、金融、交通、能源、电力和制造等领域的复杂AI应用场景提供充裕算力，推动人工智能赋能产业升级。
3.6全球重要竞争者中国科学院大数据挖掘与知识管理重点实验室所发布的《2019人工智能发展白皮书》披露全球人工智能企业TOP20榜单，排名前十分别是：微软、谷歌、Facebook、百度、大疆创新、旷视科技、科大讯飞、AutomationAnywhere和IBM。
资料来源：资产信息网千际投行中科院
（1）微软：是一家美国跨国科技企业，由比尔·盖茨和保罗·艾伦于1975年4月4日创立。公司总部设立在华盛顿州雷德蒙德（Redmond，邻近西雅图），以研发、制造、授权和提供广泛的电脑软件服务业务为主。最为著名和畅销的产品为Windows操作系统和Office系列软件，是全球最大的电脑软件提供商、世界PC（PersonalComputer，个人计算机）软件开发的先导。
（2）谷歌：成立于1998年9月4日，由拉里·佩奇和谢尔盖·布林共同创建，被公认为全球最大的搜索引擎公司。谷歌是一家位于美国的跨国科技企业，业务包括互联网搜索、云计算、广告技术等，同时开发并提供大量基于互联网的产品与服务，其主要利润来自于关键词广告等服务。
（3）Facebook：成立于2004年2月4日，总部位于美国加州门罗公园。Facebook最初是为大学生设计的，由马克·扎克伯格于2004年在哈佛大学就读时创建。
第四章未来展望AI基础技术进一步突破
AI经历“革命性十年”的大发展，底层算法以深度学习为核心。随着AI的大规模应用，AI技术已出现瓶颈。科学家与工程师们在现有技术框架下克服瓶颈，但却很难将其消除。算法层面，人工智能目前处于初级阶段，从被动感知向主动感知、认知和决策还需要技术全面提升;算力层面，人工智能对计算提出更高要求，当前的计算体系在成本、性能与能耗上均不堪重负。
智能云将成社会“水电煤”
越来越多企业意识到AI价值，然而AI技术门槛颇高，企业自行研发并不现实，也无必要。基于“云服务”模式，企业可快速基于云端AI技术能力开发AI应用。前十年，云计算是社会数字化基础设施;新十年，AI将成为云计算市场的一大增量，智能云则将成为智能社会的水电煤。
服务机器人迎来黄金发展期
前十年，大规模爆发的AI应用却不多。在消费市场，智能音箱、智能汽车、智能家居等少数产品实现智能化并大规模销售;在行业市场，在防疫、教育、金融、物流等少数行业，AI开始逐步应用。
新十年有望爆发式增长的AI应用则是服务机器人。服务机器人是指除工业机器人之外的、用于非制造业并服务于人类的各种先进机器人，主要包括个人/家庭用服务机器人和公共服务机器人。人口老龄化加剧、劳动力成本上升，服务机器人市场需求更加强劲。
AI进一步“下沉”到传统行业
前十年，AI在一些行业率先落地，主要集中在金融、教育、娱乐、信息等相对新兴的第三产业。新十年，AI则会进一步“下沉”到千行百业，包括制造业、医疗、养老业以及古老的农业。
全球人工智能市场继续高歌猛进
近年来，人工智能领域的发展可谓突飞猛进，目前已迅速融入到经济、社会、生活等各行各业，在全世界燃起燎原之势。国际数据公司（IDC）近日发布的《全球人工智能市场半年报告》预测称，未来人工智能领域将继续高歌猛进，2025年前，人工智能市场将保持两位数增长。而且，语言、声音和视觉技术以及多模态解决方案将取得长足发展，彻底改变“人类效率”。
继续高歌猛进
IDC预测，2022年，包括软件、硬件和服务在内的全球人工智能市场的总收入将增长19.6%，达到4330亿美元，并将在2023年突破5000亿美元的大关。
另外，该公司预测，在人工智能解决方案的三大类别中，人工智能服务和硬件增长较快，而人工智能软件在2022年总投入当中的份额将有所下降。总体而言，到2025年，人工智能服务和硬件的年复合增长率将分别达到22%和20.5%，届时人工智能服务的总体支出将达到526亿美元。
而在软件类别中，人工智能应用在2021年上半年占该领域投入的47%，其次是人工智能系统基础设施软件，占35%。人工智能平台未来的增长潜力可能最大，未来五年的年复合增长率将高达34.6%，人工智能系统基础设施的增长则相对较弱，未来五年的年复合增长率将为14.1%。在人工智能应用领域，预计人工智能企业资源管理（ERM）在未来几年的增长速度将超过人工智能客户关系管理（CRM）和其他人工智能应用。
IDC分析和智能自动化服务研究经理詹妮弗・哈默尔表示：“人工智能仍然是信息技术（IT）投资的关键驱动力，这反过来会增加人们在相关服务领域的支出，以确保相关技术的大规模可持续采用。
提升人类效率
IDC负责全球人工智能和自动化研究的集团副总裁日图・乔蒂说，人工智能已经成为下一波创新浪潮中的“排头兵”，人工智能解决方案目前专注于业务流程，从人工增强到流程改进，再到规划和预测，以及赋予卓越的决策能力并提供好的结果等。
此外，语言、声音和视觉技术以及多模态人工智能解决方案领域将取得长足发展，这些技术进步将革新“人类效率”。“总而言之，人工智能加上人类的聪明才智是企业在刻不容缓的数字转型时代实现规模化和蓬勃发展的关键”。
IDC于2021年11月发布的《未来智能》报告显示，在该公司的企业智能指数量表中得分最高的公司中，60%企业的决策效率获得重大提升；47%的企业的客户增加了10%以上。企业采纳人工智能也有助于提升数字弹性、灵活性和创新，智能化程度高的企业能更好地应对挑战，业务也更优异。
该公司的报告指出，随着技术的发展，人工智能已经成为过程自动化领域不可或缺的一部分。虽然一些专家认为，人工智能的发展与其在自动化领域的实际应用之间仍存在差距，但人工智能支出的增长预测表明，人工智能的大规模采用将在某个时候接踵而至。
据西班牙《消息报》网站报道，麦肯锡咨询公司表示，到2021年，全球超过一半的企业至少采用了一种人工智能功能，这对它们的收入和支出产生了积极影响。此外，三分之二的公司将在未来3年内维持对人工智能的投入。
另据初创企业组织平台“数字法国”统计，目前法国有超过500家人工智能初创企业，比2020年增加11%。这些企业筹集了16亿欧元，直接创造了1.3万个工作岗位，预计明年将再创造1万个工作岗位。
多国制订战略
鉴于人工智能对现代社会技术发展、经济发展等领域的巨大推动和促进作用，多国加大了对人工智能领域的投入。
《消息报》网站称，西班牙的国家人工智能战略预计将在国内投入约40亿欧元，这笔钱来自于政府预计在2021年和2023年之间将投入的6亿欧元资金，以及在2020年底提出该战略时的33亿欧元私人投资。此外，根据最新数据，人工智能和数字经济在西班牙产业中的应用到2025年对国内生产总值的贡献估计将达到165亿欧元。
无独有偶，法国政府2021年底出台推进“人工智能国家战略”新计划，未来5年内将投入22亿欧元用于加快人工智能发展，重点资助这一前沿领域的培训和研究，并列出了3个主要目标：提高法国人工智能竞争力、使法国成为嵌入式人工智能和可信人工智能领域的领导者、加快人工智能在经济领域的应用。
此前，韩国政府也公布了“人工智能国家战略”，以推动人工智能产业发展。根据预算，相关措施若得以实施，到2030年，韩国将在人工智能领域创造455万亿韩元（约合2.7万亿元人民币）的经济效益。德国政府也计划到2025年，通过经济刺激和未来一揽子计划，对人工智能的资助将从30亿欧元增加到50亿欧元。
(责编：王震、陈键)分享让更多人看到
包装人工智能行业市场调研及趋势分析报告
0分享至2023-2029全球包装人工智能行业调研及趋势分析报告2022年全球包装人工智能市场规模约亿元，2018-2022年年复合增长率CAGR约为%，预计未来将持续保持平稳增长的态势，到2029年市场规模将接近亿元，未来六年CAGR为%。从核心市场看，中国包装人工智能市场占据全球约%的市场份额，为全球最主要的消费市场之一，且增速高于全球。2022年市场规模约亿元，2018-2022年年复合增长率约为%。随着国内企业产品开发速度加快，随着新技术和产业政策的双轮驱动，未来中国包装人工智能市场将迎来发展机遇，预计到2029年中国包装人工智能市场将增长至亿元，2023-2029年年复合增长率约为%。2022年美国市场规模为亿元，同期欧洲为亿元，预计未来六年，这两地区CAGR分别为%和%。从产品类型方面来看，按收入计，2022年数据标签市场份额为%，预计2029年份额将达到%。同时就应用来看，食品饮料在2029年份额大约是%，未来几年CAGR大约为%。全球市场主要包装人工智能参与者包括ABB、SIG、TetraPak、Packagex,Inc.和ArdaghGroup等，按收入计，2022年全球前3大生产商占有大约%的市场份额。本文调研和分析全球包装人工智能发展现状及未来趋势，核心内容如下：（1）全球市场总体规模，按收入进行了统计分析，历史数据2018-2022年，预测数据2023至2029年。（2）全球市场竞争格局，全球范围内主要生产商包装人工智能及市场份额，数据2018-2022年。（3）中国市场竞争格局，中国市场主要包装人工智能收入及市场份额，数据2018-2022年，包括国际企业及中国本土企业。（4）全球其他重点国家及地区包装人工智能市场竞争格局，如美国、欧洲、日本、韩国、东南亚和印度等核心参与者及其2022年份额。（5）按产品类型和应用拆分，分析全球与核心国家/地区细分市场规模。（6）包装人工智能行业产业链上游、中游及下游分析。北美（美国和加拿大）欧洲（德国、英国、法国、意大利和其他欧洲国家）亚太（中国、日本、韩国、中国台湾地区、东南亚、印度等）拉美（墨西哥和巴西等）中东及非洲地区（土耳其和沙特等）按产品类型拆分，包含：数据标签智能仓储质检AI回收系统按应用拆分，包含：食品饮料卫生保健化妆品消费电子其他全球范围内包装人工智能主要厂商：ABBSIGTetraPakPackagex,Inc.ArdaghGroupBerryGlobalAmcorGreyscaleAlNeurala,Inc.SealedAir正文目录1市场综述1.1包装人工智能定义及分类1.2全球包装人工智能行业市场规模及预测1.3中国包装人工智能行业市场规模及预测1.4中国在全球市场的地位分析1.4.1按收入计，2018-2029年中国在全球包装人工智能市场的占比1.4.22018-2029年中国与全球包装人工智能市场规模增速对比1.5行业发展机遇、挑战、趋势及政策分析1.5.1包装人工智能行业驱动因素及发展机遇分析1.5.2包装人工智能行业阻碍因素及面临的挑战分析1.5.3包装人工智能行业发展趋势分析1.5.4中国市场相关行业政策分析2全球包装人工智能行业竞争格局2.1按包装人工智能收入计，2018-2023年全球主要厂商市场份额2.2全球第一梯队、第二梯队和第三梯队，三类包装人工智能市场参与者分析2.3全球包装人工智能行业集中度分析2.4全球包装人工智能行业企业并购情况2.5全球包装人工智能行业主要厂商产品列举3中国市场包装人工智能行业竞争格局3.1按包装人工智能收入计，2018-2023年中国市场主要厂商市场份额3.2中国市场包装人工智能参与者份额：第一梯队、第二梯队、第三梯队3.32018-2023年中国市场包装人工智能进口与国产厂商份额对比4行业产业链分析4.1包装人工智能行业产业链4.2上游分析4.3中游分析4.4下游分析5按产品类型拆分，市场规模分析5.1包装人工智能行业产品分类5.1.1数据标签5.1.2智能仓储5.1.3质检5.1.4AI回收系统5.2按产品类型拆分，全球包装人工智能细分市场规模增速预测，2018VS2022VS20295.3按产品类型拆分，2018-2029年全球包装人工智能细分市场规模（按收入）6全球包装人工智能市场下游行业分布6.1包装人工智能行业下游分布6.1.1食品饮料6.1.2卫生保健6.1.3化妆品6.1.4消费电子6.1.5其他6.2全球包装人工智能主要下游市场规模增速预测，2018VS2022VS20296.3按应用拆分，2018-2029年全球包装人工智能细分市场规模（按收入）7全球主要地区市场规模对比分析7.1全球主要地区包装人工智能市场规模增速预测，2018VS2022VS20297.22018-2029年全球主要地区包装人工智能市场规模（按收入）7.3北美7.3.12018-2029年北美包装人工智能市场规模预测7.3.22022年北美包装人工智能市场规模，按国家细分7.4欧洲7.4.12018-2029年欧洲包装人工智能市场规模预测7.4.22022年欧洲包装人工智能市场规模，按国家细分7.5亚太7.5.12018-2029年亚太包装人工智能市场规模预测7.5.22022年亚太包装人工智能市场规模，按国家/地区细分7.6南美7.6.12018-2029年南美包装人工智能市场规模预测7.6.22022年南美包装人工智能市场规模，按国家细分7.7中东及非洲7.7.12018-2029年中东及非洲包装人工智能市场规模预测7.7.22022年中东及非洲包装人工智能市场规模，按国家细分8全球主要国家/地区分析8.1全球主要国家/地区包装人工智能市场规模增速预测，2018VS2022VS20298.22018-2029年全球主要国家/地区包装人工智能市场规模（按收入）8.3美国8.3.12018-2029年美国包装人工智能市场规模8.3.2美国市场包装人工智能主要厂商及2022年份额8.3.3美国市场不同产品类型包装人工智能份额，2022VS20298.3.4美国市场不同应用包装人工智能份额，2022VS20298.4欧洲8.4.12018-2029年欧洲包装人工智能市场规模8.4.2欧洲市场包装人工智能主要厂商及2022年份额8.4.3欧洲市场不同产品类型包装人工智能份额，2022VS20298.4.4欧洲市场不同应用包装人工智能份额，2022VS20298.5中国8.5.12018-2029年中国包装人工智能市场规模8.5.2中国市场包装人工智能主要厂商及2022年份额8.5.3中国市场不同产品类型包装人工智能份额，2022VS20298.5.4中国市场不同应用包装人工智能份额，2022VS20298.6日本8.6.12018-2029年日本包装人工智能市场规模8.6.2日本市场包装人工智能主要厂商及2022年份额8.6.3日本市场不同产品类型包装人工智能份额，2022VS20298.6.4日本市场不同应用包装人工智能份额，2022VS20298.7韩国8.7.12018-2029年韩国包装人工智能市场规模8.7.2韩国市场包装人工智能主要厂商及2022年份额8.7.3韩国市场不同产品类型包装人工智能份额，2022VS20298.7.4韩国市场不同应用包装人工智能份额，2022VS20298.8东南亚8.8.12018-2029年东南亚包装人工智能市场规模8.8.2东南亚市场包装人工智能主要厂商及2022年份额8.8.3东南亚市场不同产品类型包装人工智能份额，2022VS20298.8.4东南亚市场不同应用包装人工智能份额，2022VS20298.9印度8.9.12018-2029年印度包装人工智能市场规模8.9.2印度市场包装人工智能主要厂商及2022年份额8.9.3印度市场不同产品类型包装人工智能份额，2022VS20298.9.4印度市场不同应用包装人工智能份额，2022VS20298.10中东及非洲8.10.12018-2029年中东及非洲包装人工智能市场规模8.10.2中东及非洲市场包装人工智能主要厂商及2022年份额8.10.3中东及非洲市场不同产品类型包装人工智能份额，2022VS20298.10.4中东及非洲市场不同应用包装人工智能份额，2022VS20299主要包装人工智能厂商简介9.1ABB9.1.1ABB基本信息、包装人工智能市场分布、总部及行业地位9.1.2ABB公司简介及主要业务9.1.3ABB包装人工智能产品介绍9.1.4ABB包装人工智能收入及毛利率（2018-2023）9.1.5ABB企业最新动态9.2SIG9.2.1SIG基本信息、包装人工智能市场分布、总部及行业地位9.2.2SIG公司简介及主要业务9.2.3SIG包装人工智能产品介绍9.2.4SIG包装人工智能收入及毛利率（2018-2023）9.2.5SIG企业最新动态9.3TetraPak9.3.1TetraPak基本信息、包装人工智能市场分布、总部及行业地位9.3.2TetraPak公司简介及主要业务9.3.3TetraPak包装人工智能产品介绍9.3.4TetraPak包装人工智能收入及毛利率（2018-2023）9.3.5TetraPak企业最新动态9.4Packagex,Inc.9.4.1Packagex,Inc.基本信息、包装人工智能市场分布、总部及行业地位9.4.2Packagex,Inc.公司简介及主要业务9.4.3Packagex,Inc.包装人工智能产品介绍9.4.4Packagex,Inc.包装人工智能收入及毛利率（2018-2023）9.4.5Packagex,Inc.企业最新动态9.5ArdaghGroup9.5.1ArdaghGroup基本信息、包装人工智能市场分布、总部及行业地位9.5.2ArdaghGroup公司简介及主要业务9.5.3ArdaghGroup包装人工智能产品介绍9.5.4ArdaghGroup包装人工智能收入及毛利率（2018-2023）9.5.5ArdaghGroup企业最新动态9.6BerryGlobal9.6.1BerryGlobal基本信息、包装人工智能市场分布、总部及行业地位9.6.2BerryGlobal公司简介及主要业务9.6.3BerryGlobal包装人工智能产品介绍9.6.4BerryGlobal包装人工智能收入及毛利率（2018-2023）9.6.5BerryGlobal企业最新动态9.7Amcor9.7.1Amcor基本信息、包装人工智能市场分布、总部及行业地位9.7.2Amcor公司简介及主要业务9.7.3Amcor包装人工智能产品介绍9.7.4Amcor包装人工智能收入及毛利率（2018-2023）9.7.5Amcor企业最新动态9.8GreyscaleAl9.8.1GreyscaleAl基本信息、包装人工智能市场分布、总部及行业地位9.8.2GreyscaleAl公司简介及主要业务9.8.3GreyscaleAl包装人工智能产品介绍9.8.4GreyscaleAl包装人工智能收入及毛利率（2018-2023）9.8.5GreyscaleAl企业最新动态9.9Neurala,Inc.9.9.1Neurala,Inc.基本信息、包装人工智能市场分布、总部及行业地位9.9.2Neurala,Inc.公司简介及主要业务9.9.3Neurala,Inc.包装人工智能产品介绍9.9.4Neurala,Inc.包装人工智能收入及毛利率（2018-2023）9.9.5Neurala,Inc.企业最新动态9.10SealedAir9.10.1SealedAir基本信息、包装人工智能市场分布、总部及行业地位9.10.2SealedAir公司简介及主要业务9.10.3SealedAir包装人工智能产品介绍9.10.4SealedAir包装人工智能收入及毛利率（2018-2023）9.10.5SealedAir企业最新动态10研究成果及结论11附录11.1研究方法11.3市场评估模型11.4免责声明表格目录表12018-2029年中国与全球包装人工智能市场规模增速对比（万元）表2全球包装人工智能行业面临的阻碍因素及挑战分析表3全球包装人工智能行业发展趋势分析表4中国市场相关行业政策分析及影响表52018-2023年全球主要厂商包装人工智能收入（万元）表62018-2023年全球主要厂商包装人工智能收入份额表7行业集中度分析，近三年（2021-2023）全球包装人工智能CR3（前三大厂商市场份额）表8全球包装人工智能行业企业并购情况表9全球包装人工智能行业主要厂商产品列举表102018-2023年中国市场主要厂商包装人工智能收入（万元）表112018-2023年中国市场主要厂商包装人工智能收入份额表12全球包装人工智能上游企业表13全球包装人工智能行业代表性下游客户表14按产品类型拆分，全球包装人工智能细分市场规模增速预测（2018VS2022VS2029）&（按收入，万元）表15按应用拆分，全球包装人工智能细分市场规模增速预测（2018VS2022VS2029）&（按收入，万元）表16全球主要地区包装人工智能市场规模增速预测（2018VS2022VS2029）&（按收入，万元）表172018-2029年全球主要地区包装人工智能收入（万元）表18全球主要国家/地区包装人工智能市场规模增速预测（2018VS2022VS2029）&（按收入，万元）表192018-2029年全球主要国家/地区包装人工智能收入（万元）表202018-2029年全球主要国家/地区包装人工智能收入份额表21ABB基本信息、包装人工智能市场分布、总部及行业地位表22ABB公司简介及主要业务表23ABB包装人工智能产品介绍表24ABB包装人工智能收入（万元）及毛利率（2018-2023）表25ABB企业最新动态表26SIG基本信息、包装人工智能市场分布、总部及行业地位表27SIG公司简介及主要业务表28SIG包装人工智能产品介绍表29SIG包装人工智能收入（万元）及毛利率（2018-2023）表30SIG企业最新动态表31TetraPak基本信息、包装人工智能市场分布、总部及行业地位表32TetraPak公司简介及主要业务表33TetraPak包装人工智能产品介绍表34TetraPak包装人工智能收入（万元）及毛利率（2018-2023）表35TetraPak企业最新动态表36Packagex,Inc.基本信息、包装人工智能市场分布、总部及行业地位表37Packagex,Inc.公司简介及主要业务表38Packagex,Inc.包装人工智能产品介绍表39Packagex,Inc.包装人工智能收入（万元）及毛利率（2018-2023）表40Packagex,Inc.企业最新动态表41ArdaghGroup基本信息、包装人工智能市场分布、总部及行业地位表42ArdaghGroup公司简介及主要业务表43ArdaghGroup包装人工智能产品介绍表44ArdaghGroup包装人工智能收入（万元）及毛利率（2018-2023）表45ArdaghGroup企业最新动态表46BerryGlobal基本信息、包装人工智能市场分布、总部及行业地位表47BerryGlobal公司简介及主要业务表48BerryGlobal包装人工智能产品介绍表49BerryGlobal包装人工智能收入（万元）及毛利率（2018-2023）表50BerryGlobal企业最新动态表51Amcor基本信息、包装人工智能市场分布、总部及行业地位表52Amcor公司简介及主要业务表53Amcor包装人工智能产品介绍表54Amcor包装人工智能收入（万元）及毛利率（2018-2023）表55Amcor企业最新动态表56GreyscaleAl基本信息、包装人工智能市场分布、总部及行业地位表57GreyscaleAl公司简介及主要业务表58GreyscaleAl包装人工智能产品介绍表59GreyscaleAl包装人工智能收入（万元）及毛利率（2018-2023）表60GreyscaleAl企业最新动态表61Neurala,Inc.基本信息、包装人工智能市场分布、总部及行业地位表62Neurala,Inc.公司简介及主要业务表63Neurala,Inc.包装人工智能产品介绍表64Neurala,Inc.包装人工智能收入（万元）及毛利率（2018-2023）表65Neurala,Inc.企业最新动态表66SealedAir基本信息、包装人工智能市场分布、总部及行业地位表67SealedAir公司简介及主要业务表68SealedAir包装人工智能产品介绍表69SealedAir包装人工智能收入（万元）及毛利率（2018-2023）表70SealedAir企业最新动态图表目录图22018-2029年全球包装人工智能行业收入及预测（万元）图32018-2029年中国市场包装人工智能收入及预测（万元）图42018-2029年中国市场包装人工智能占全球总收入的份额图5全球包装人工智能行业主要参与者份额变化，2021VS2022VS2023（按收入）图6全球包装人工智能市场参与者，2022年第一梯队、第二梯队和第三梯队市场份额图7中国市场包装人工智能主要参与者份额变化，2021VS2022VS2023（按收入）图8中国市场包装人工智能参与者，2022年第一梯队、第二梯队和第三梯队市场份额图92018-2023年中国市场规模进口与国产厂商，按收入计包装人工智能份额对比图10包装人工智能行业产业链图11数据标签图12智能仓储图13质检图14AI回收系统图15按产品类型拆分，2018-2029年全球包装人工智能细分市场规模（按收入，万元）图16按产品类型拆分，2018-2029年全球包装人工智能市场份额（按收入）图17食品饮料图18卫生保健图19化妆品图20消费电子图21其他图22按应用拆分，2018-2029年全球包装人工智能细分市场规模（按收入，万元）图23按应用拆分，2018-2029年全球包装人工智能市场份额（按收入）图242018-2029年全球主要地区包装人工智能收入份额图252018-2029年北美包装人工智能市场规模预测（按收入，万元）图262022年北美包装人工智能市场份额（按收入），按国家细分图272018-2029年欧洲包装人工智能市场规模预测（按收入，万元）图282022年欧洲包装人工智能市场份额（按收入），按国家细分图292018-2029年亚太包装人工智能市场规模预测（按收入，万元）图302022年亚太包装人工智能市场份额（按收入），按国家/地区细分图312018-2029年南美包装人工智能市场规模预测（按收入，万元）图322022年南美包装人工智能市场份额（按收入），按国家细分图332018-2029年中东及非洲包装人工智能市场规模预测（按收入，万元）图342018-2029年美国包装人工智能收入预测（万元）图352022年美国市场包装人工智能参与者企业市场份额占比图36美国市场不同产品类型包装人工智能份额，2022VS2029图37美国市场不同应用包装人工智能份额，2022VS2029图382018-2029年欧洲包装人工智能收入预测（万元）图392022年欧洲市场包装人工智能参与者企业市场份额占比图40欧洲市场不同产品类型包装人工智能份额，2022VS2029图41欧洲市场不同应用包装人工智能份额，2022VS2029图422018-2029年中国包装人工智能收入预测（万元）图432022年中国市场包装人工智能参与者企业市场份额占比图44中国市场不同产品类型包装人工智能份额，2022VS2029图45中国市场不同应用包装人工智能份额，2022VS2029图462018-2029年日本包装人工智能收入预测（万元）图472022年日本市场包装人工智能参与者企业市场份额占比图48日本市场不同产品类型包装人工智能份额，2022VS2029图49日本市场不同应用包装人工智能份额，2022VS2029图502018-2029年韩国包装人工智能收入预测（万元）图512022年韩国市场包装人工智能参与者企业市场份额占比图52韩国市场不同产品类型包装人工智能份额，2022VS2029图53韩国市场不同应用包装人工智能份额，2022VS2029图542018-2029年东南亚包装人工智能收入预测（万元）图552022年东南亚市场包装人工智能参与者企业市场份额占比图56东南亚市场不同产品类型包装人工智能份额，2022VS2029图57东南亚市场不同应用包装人工智能份额，2022VS2029图582018-2029年印度包装人工智能收入预测（万元）图592022年印度市场包装人工智能参与者企业市场份额占比图60印度市场不同产品类型包装人工智能份额，2022VS2029图61印度市场不同应用包装人工智能份额，2022VS2029图622018-2029年中东及非洲包装人工智能收入预测（万元）图632022年中东及非洲市场包装人工智能参与者企业市场份额占比图64中东及非洲市场不同产品类型包装人工智能份额，2022VS2029图65中东及非洲市场不同应用包装人工智能份额，2022VS2029图66研究方法图67主要采访目标图68自下而上Bottom-up验证特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能行业研究报告
“人工智能就像一列火车，它临近时你听到了轰隆隆的声音，你在不断期待着它的到来。它终于到了，一闪而过，随后便远远地把你抛在身后。”
“人工智能已经来了，而且就在我们的身边，几乎无处不在。”
一、什么是人工智能人工智能（ArtificialIntelligence），英文缩写为AI，是达特茅斯大学助理教授JohnMcCarthy在1956年提出的。但是，对于人工智能的定义一直没有统一的观点，不同的学者和研究人员根据不同的语境和关注的角度提出了多种对于人工智能的定义。
笔者根据多年的投资经验以及对人工智能项目的实地尽调，认为人工智能是指使用机器代替人类实现认知、识别、分析、决策等功能，其本质是对人的意识与思维的信息过程的模拟。而我们在衡量人工智能能力的时候，必然涉及到三方面的能力，即计算能力、感知能力、认知能力。
其中，计算能力是指机器快速计算和记忆存储能力。在计算能力方面，计算机已远远超过人类的计算和存储能力；感知能力，是解决机器听到看到问题，一般指视觉、听觉、触觉等感知能力，在技术层面，一般认为语音识别、图像识别等技术属于感知智能的领域；认知能力，解决机器听懂看懂的问题，通俗讲是“能理解、会思考”。
二、国内AI市场概况（1）技术层面，计算机视觉是当前热点，芯片和算法等底层会是未来方向
通过上图我们可以发现，近几年，国内AI行业高速发展，环比增速在45%左右，预计到2020年，整个国内的AI市场容量将达到710亿元，说完了整体市场容量，笔者再带大家看下当前人工智能市场的技术规模结构：
其中各个技术板块的主要技术应用分别如下：
语音：语音识别、语音合成、语音交互、语音评测、人机对话、声纹识别；计算机视觉：生物识别（人脸识别、虹膜识别、指纹识别、静脉识别）、情感计算、情绪识别、表情识别、行为识别、手势识别、人体识别、视频内容识别、物体和场景识别、计算机视觉、机器视觉、移动视觉、OCR、手写识别、文字识别、图像处理、图像识别、模式识别、眼球追踪、人机交互、SLAM、移动视觉、空间识别、三维扫描、三维重建；自然语言处理：自然语言交互、自然语言理解、语义理解、机器翻译、文本挖掘（语义分析、语义计算、分类、聚类）、信息提取、人机交互；ML/DL算法及平台：机器学习、深度学习、算法平台；基础硬件：芯片、高清图传设备、激光雷达、传感器、服务器。从饼状图，可以看到，目前国内人工智能技术，主要在感知智能，感知智能正在突飞猛进，技术成熟度相对较高，而对于认知智能（自然语言理解等），仍然需要进一步的发展。
（2）应用层面，“AI+”和智能机器人占据主导
通过上图，我们可以发现现在在应用层面上，AI+的应用占比最大，达到40%，其次是智能机器人，达到27%，各个产业具体应用如下：
智能机器人（含解决方案）：工业机器人（侧重生产过程，如搬运、焊接、装配、码垛、喷涂等）、行业服务机器人（应用于银行、餐厅、酒店、商场、展厅、医院、物流）、个人/家用机器人（虚拟助理、情感陪伴机器人、儿童机器人、教育机器人、家庭作业机器人（扫地、擦窗等）、家用安防机器人、车载机器人）；智能驾驶（含解决方案）：智能驾驶、无人驾驶、自动驾驶、辅助驾驶、高级驾驶辅助系统（ADAS）、激光雷达、超声波雷达、毫米波雷达、GPS定位、高精度地图、车载芯片、人车交互、车联网；无人机（含解决方案）：消费级无人机（娱乐、航拍）工业无人机（农林、电力、物流、安防等领域）；大数据及数据服务：数据可视化、数据采集、数据清洗、数据挖掘、数据解决方案。在AI+方面，当前AI和具体行业或场景的结合情况如下，其中最主要的场景分别为金融、制造、电商、医疗等。
数据来源：2017CSDN中国开发者大调查
（3）融资层面，融资金额逐年提高，单笔金额逐渐增大
数据来源：IT桔子2012-2017AI融资趋势
从2012年至今，我国AI领域共有1354家公司，投资事件1353起，投资总额为1448亿人民币。2012年，我国的AI投资事件共26起，投资金额为6亿元人民币，到了2017年，投资事件已经高达334起，投资总额已经超过550亿元人民币，相比2012年翻了上百倍。不过，相对2016年，2017年的投资事件有所下降，但是投资总额大幅上升，资本对于AI的热情还是值得肯定的。
三、人工智能发展背景1.人工智能发展史从1956年提出概念，到2016年大规模爆发，在这60多年里，人工智能一共经历了三起二落，在1970年和2000年，人工智能的发展陷入了低谷，原因主要是：
当时的算法和科技水平无法满足人工智能的需求，最后也都是依靠算法的进化和计算能力的提升而突破。人工智能的应用达不到人们的预期，政府缩减投入。当前，人工智能正处于第三次热潮。这次热潮除了结合技术以及算法的提高之外，最大特点是通过深度学习和大数据的结合，使得人工智能在多个领域找到了真实的应用场景，与具体业务场景相结合，开始在一些行业中发挥着巨大的作用。
2.人工智能发展三要素如果用一个公式来概括人工智能发展受那些因素影响，那么这个公式可以是AI=算力+算法+数据，关于这三者的关系,著名人工智能专家吴恩达曾有一个著名的比喻：发展人工智能就像用火箭发射卫星，需要强有力的引擎和足够的燃料，如果燃料不够，火箭无法将卫星推到合适的轨道；如果引擎推力不够，火箭甚至都不能起飞。而这当中，算法模型就好像引擎，高性能的计算机是打造引擎的工具，海量的数据就是引擎的燃料。
（1）算力，主要包含芯片+超级计算机+云计算
FLOPS是Floating-pointOperationsPerSecond每秒所执行的浮点运算次数的英文缩写，它是一个衡量计算机计算能力的量，计算机每秒执行的浮点运算次数越多，算力越强，1GFLOPS(gigaFLOPS)=每秒10亿(=10^9)次的浮点运算。
注：浮点运算能力大小：
1MFLOPS(megaFLOPS)=每秒1百万(=10^6)次的浮点运算1GFLOPS(gigaFLOPS)=每秒10亿(=10^9)次的浮点运算1TFLOPS(teraFLOPS)=每秒1万亿(=10^12)次的浮点运算1PFLOPS(petaFLOPS)=每秒1千万亿(=10^15)次的浮点运算（2）算法
传统神经网络的时候，由于技术能力的限制，人工智能在很多行业都没法具体应用和落地，深度神经网络出现之后，人工智能的技术能力有了飞速的提升。
以计算机视觉为例：其主要识别方式发生重大转变，自学习状态成为视觉识别主流，机器从海量数据库里自行归纳物体特征，然后按照该特征规律识别物体。图像识别的精准度也得到极大的提升，从70%+提升到95%。
（3）数据
2017年全球人口有75亿，一个人，一年产生的数据量大约是52GB的信息，虽然作为个体的我们的确非常的渺小，但是整个人工智能的发展也离不开我们每一个人的贡献，因为我们每个人无时无刻都在给AI输送着燃料。
四、人工智能的产业链分析人工智能从底层到应用层，大致可以分为技术支撑层，基础应用层和方案集成层，下面笔者会对每块内容，做个说明。
1.技术支撑层（1）芯片
1）芯片分类
芯片一般是指集成电路的载体，由晶圆分割而成，芯片按照功能不同可分为很多种，有负责音频视频处理的，有负责图像处理的，还有负责复杂运算处理的，算法必须借助芯片才能够运行，不同场景及技术，对于芯片的性能要求也不一样。当前大家接触比较多的芯片应该就是CPU和GPU了。
CPU基于高通用、强逻辑的设计—偏认知能力的应用
CPU需要很强的通用性来处理各种不同的数据类型，在大规模并行计算能力上极受限制，而更擅长于逻辑控制。核心:存储程序，顺序执行。
GPU是基于大吞吐量、高并发设计—偏感知能力的应用
和通用类型数据运算不同，GPU擅长的是大规模并发计算，这也正是密码破解等所需要的。
CPU和GPU的区别：
举个栗子：一个数学教授和100个小学生PK。
第一回合，四则运算，100道题。教授拿到卷子一道道算，一百个小学生各拿一道题各自算，教授刚开始算到第5题的时候，小学生集体交卷，第一回合小学生碾压教授。第二回合，证明题。一道题，当教授搞定后，一百个小学生还不知道在干嘛…….第二回合，教授碾压一百个小学生，这就是CPU和GPU的浅显比较。高通用：除了四则运算、还可以有证明题、几何体、微积分题等等。
强逻辑：证明题，证明过程上下是有逻辑的，单独抽出来看一行是没有意义。
高并发：一下子100道题。
因为CPU的架构中需要大量的空间去放置存储单元和控制单元，相比之下计算单元只占据了很小的一部分，所以它在大规模并行计算能力上极受限制，而更擅长于逻辑控制。这方面，GPU刚好相反，但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。
2）芯片上下游产业链情况
不同的芯片在不同的算法及应用场景下，功能和价值是不一样的，原因主要和集成电路设计的结构有关。
晶圆：芯片是半导体，主要材料是硅，制作硅的工艺，较小、较薄，节省材料，单位材料下可以做更多芯片。
专业封测：封装材料塑料、陶瓷、玻璃、金属等，完成封装后，便要进入测试的阶段，在这个阶段便要确认封装完的IC是否有正常的运作，正确无误之后便可出货给组装厂。
在芯片产业链上，越接近上游，附加值越高，技术门槛越大，资本投入的效益也越高。当前在芯片这块，Intel、IBM、三星这几家巨头企业在芯片上下游的工艺全有，整体产业链控制力强，而国内的中兴集团在通讯设备和手机这块，大量和核心元器件是从国外进行采购，一但发送贸易摩擦，很容易被国外掐断这块原材料的供应，比较容易受制于人。
3）未来，AI定制芯片必为趋势
任何一种产品或者商业模式在她刚出来的时候，当对于她在哪个行业具备较大经济价值的时候，通常都是先做通用化，然后再做垂直化，通过垂直化的服务优势，来提升整个产品以及商业模式的核心竞争力。按照上文所述，CPU和GPU都是较为通用的芯片，但是，随着行业的快速发展，人们对于芯片的个性化要求也越来越高，万能工具的效率永远比不上专用工具。
人工智能领域作为一个数据密集的领域，传统的数据处理技术难以满足高强度并行数据的处理需求。为解决此问题，继CPU和GPU之后，相继出现了NPU、FPGA、DSP等专门针对AI的芯片。
TPU—用于加速深度学习运算能力而研发的一款芯片
代表公司GOOGLE
原来很多的机器学习以及图像处理算法大部分都跑在GPU与FPGA（半定制化芯片）上面，但这两种芯片都还是一种通用性芯片。所以在效能与功耗上还是不能更紧密的适配机器学习算法，TPU与同期的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—即神经网络处理器，利用电路模拟人类的神经元和突触结构
代表公司寒武纪
专门高效地进行AI相关计算定制的处理器，就像GPU之于图形处理相关的计算，ISP之于成像相关的计算。NPU性能达到了1.92TFLOP，使用NPU计算比使用CPU计算要高出25倍的速度，50倍的能效比。
4）国内芯片企业介绍
（2）算法模型
笔者前面说了很多关于人工智能的介绍以及分析，那么到底怎么样才是智能，也就是人工智能的核心是什么，在笔者看来无非四个字——机器学习。
机器学习是需要算法来支持的，算法的作用：对数据进行归纳和演绎，最终目的是提高识别效率和准确率，然后对真实世界中的事件做出决策和预测。人工智能的核心就是通过不断地机器学习，而让自己变得更加智能。
那什么又是机器学习呢？
机器学习是让计算机有能力在不需要明确编程的情况下，用大量的数据来“训练”，从数据中学习如何完成任务。在深度学习出现之前，机器学习领域的主流是各种浅层学习算法，如神经网络的反响传播算法（BP算法）、支撑向量机（SVM）、Boosting、LogisticRegression等。这些算法的局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限，对复杂数据的处理受到制约。
1）深度学习是通过模拟大脑结构的多层神经网络进行学习
大脑中的神经元，又称神经细胞，是构成神经系统结构和功能的基本单位，它由细胞体和细胞突起构成，每个神经元有好几个数突，只有一个轴突，可以把兴奋从胞体传送到另一个神经元或其他组织，如肌肉或腺体。
但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层，每一次只连接符合数据传播方向的其它层。
深度学习的“深度”指的就是多层神经网络的层数较多，模型结构的深度，通常有5层、6层，甚至10多层的隐层节点，每层相当于一个可以解决问题不同方面的机器学习。利用这种深层非线性的网络结构，深度学习可以实现复杂函数的逼近，将表征输入数据分布式表示，继而展现强大的从少数样本集中学习数据集本质特征的能力，并使概率向量更加收敛。
2）深度学习的出现，使得人工智能在很多行业具备了价值实现的可能性
深度学习出现之后，计算机视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流。即，机器从海量数据库里自行归纳物体特征，然后按照该特征规律识别物体。图像识别的精准度也得到极大的提升，从70%+提升到95%，在医学影像领域，95%的精度识别已经具备一定使用价值，而精度识别达到达到97%以上后，将具备辅助诊断价值。
3）目前深度学习框架的开源已经成为了趋势
机器学习和深度学习是需要靠算法支撑的，算法是需要不断的利用数据进行训练和优化。自从深度学习取得突破性进展以后，巨头们频频开源，当AI公司们使用开源平台进行算法的迭代时，开源平台可以获取数据，以及市场对应用场景热度的反馈，加速模型的训练。
在这样的背景下谷歌公司于2015年2月15日开放了TensorFlow1.0版本。在深度学习加速发展的今天，代码和数据库都在迅速的更新中，开源所构建的开发者生态是极为重要的。
4）算法和基础应用技术的关联
上图是笔者根据自身投资行业经验以及理解，做得一个人工智能算法对于基础应用技术的一个难易程度关联，场景化程度越高，对于算法难度的要求也会也会越大。
2.基础应用层（1）语音识别
技术原理：
所谓语音识别，是将声音信号转化成数字信号，然后通过特征提取，进行归纳演义，推测出对应的文字，语音识别的主要难度主要在两个方面
首先是数据的获取、清洗。语音识别需要大量细分领域的标准化语料数据作为支撑，尤其是各地方言的多样性更是加大了语料搜集的工作量。
第二个难点是语音特征的提取，目前主要通过具备多层神经网络的深度学习来解决，多层的神经网络相当于一个特征提取器，可对信号进行逐层深化的特征描述，最终从部分到整体，从笼统到具象，做到最大程度地还原信号原始特征。
应用场景：
投资价值及机会：
语音识别虽市场庞大但已出现寡头，留给创业公司的机会不多，据ResearchandMarkets研究报告显示，全球智能语音市场将持续显著增长，预计到2020年，全球语音市场规模预计将达191.7亿美元。根据Capvision报告显示，从语音行业市场份额角度来看，全球范围内，由Nuance领跑，国内则是科大讯飞占据主导地位。
以科大讯飞为例，截止2018年
1）开放平台
讯飞开放平台开发者达51.8万（同比增长102%），年增长量超过前五年总和；应用总数达40万（同比增长88%），年增长量超过前五年总和；平台连接终端设备总数累计达17.6亿（同比增长93%）。科大讯飞当前将语音识别很多功能模块SDK化，根据开发者终端APP或者是设备每月的数据并发数来进行收费。
2）语音识别准确率
当前语音识别准确率达到98%以上，基本能够满足大量的的业务场景和需求。
3）智能教育、政法、城市服务程度很深
初创公司想在这三个行业和科大讯飞竞争很难。
（2）语义识别
技术原理：
语音识别解决的是计算机“听得见”的问题，而语义识别解决的是“听得懂”的问题。自然语言处理（NLP）通过建立计算机框架来实现该语言模型，并根据该语言模型来设计各种实用系统，根据统计学原理推算出用户想表达的意思，对用户行为进行预测，然后给出对应的指令或者是反馈。
当前，NLP技术瓶颈主要还是在语义的复杂性，包含因果关系和逻辑推理的上下文等，现在解决这些问题的思路主要还是依赖于深度学习。
应用场景：
投资价值及机会：
当前语义识别领域，大的科技巨头乐衷于收购，小而美的企业更偏好细分场景。
关于语义识别领域的创业公司，国内代表企业有出门智能360、出门问问、三角兽、蓦然认知等。
大公司更侧向于做平台方面的通用技术，基于平台，如果有好的项目出现，直接收购。做小而美的公司，在特定场景下的语义分析，难度要比通用行业的语义分析难度低，准确率甚至可以达到85%以上，原因是基于特定场景下的语料分析，由于语料相对特定，可以在一定程度上提高准确率。
智能客服：智齿科技小I
法律咨询：无讼、法律谷等
（3）计算机视觉
技术原理：
计算机视觉在技术流程上，首先要得到实时数据，此步骤可通过一系列传感器获取，少部分数据可直接在具备MEMS功能的传感器端完成处理，大部分数据会继续传输至大脑平台，大脑由运算单元和算法构成，在此处进行运算并给出决策支持。
应用场景：
计算机视觉应用场景可分为两大类：图像识别和人脸识别，每类又可继续划分为动、静共四个类别，基本覆盖了目前计算机视觉的各项应用场景。其中动态人脸识别技术是目前创业热度最高的细分领域，尤其是金融和安防场景，是其重点布局场景。
投资价值及机会：
对于计算机视觉而言，其主要瓶颈在于受图片质量、光照环境的影响，现有图像识别技术较难解决图像残缺、光线过爆、过暗的图像。此外，受制于被标记数据的体量和数量，若无大量、优质的细分应用场景数据，该特定应用场景的算法迭代很难实现突破。当前，计算机视觉市场技术较为成熟，第一梯队格局已经形成，留给创业公司的机会已经不大。
五、总结这篇文章是笔者就最近看的一些人工智能项目，结合自己的投资经验，做得一个行业梳理，概括来说：
1）目前AI的发展仍处于早期，感知技术取得一定成就，认知技术发展仍待突破；
2）芯片的未来，AI定制芯片必为趋势，创业公司在垂直领域AI芯片的研发领域仍有机会；
3）算法是竞争的一个障碍，但AI如何结合生活和业务场景，进行落地，才是真正的难点；
4）语义识别发展瓶颈仍然较大，小而美的企业具备收购价值；
5）有一手数据源、能够与实际业务相结合的公司有望建立起自身的竞争壁垒，数据将成为制约AI公司在行业领域发展速度以及竞争门槛的重要要素。
当前人工智能行业仍然处于一个投资风口期，希望通过这篇文章，能够给有志于在这个行业中创业或者是进行产品设计的人一定的启发。
作者：作者：阿旺，著名投资人兼连续创业者，会从自身投资以及创业经历，不定期输出各类行业研究，如您想了解更多关于创业以及投资方面的内容，欢迎关注本人公众号：awangblog
本文由@阿旺原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议