人工智能都在哪些领域有所应用
AI中国网https://www.cnaiplus.com
随着社会的发展人工智能已经逐渐走进并融入我们的生活，且应用在各个行业领域，AI不仅给许多行业带来了巨大的经济效益，同时也为我们的生活带来了许多改变和便利。现如今，人工智能都在哪些领域有所应用？今天我们就来了解下。
一、无人驾驶汽车
相信大家都不陌生，无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶控制器来实现无人驾驶。无人驾驶中涉及的技术却包含很多，例如：计算机视觉、自动控制技术等，这些技术的组成才形成了一套完整的无人驾驶。
随着近年来，人工智能浪潮的兴起，无人驾驶再次成为人们热议的话题，国内外许多公司都纷纷投入到自动驾驶和无人驾驶的研究中。例如，Google的GoogleX实验室正在积极研发无人驾驶汽车GoogleDriverlessCar，百度也已启动了“百度无人驾驶汽车”研发计划，其自主研发的无人驾驶汽车Apollo还曾亮相央视春晚。
但由于人们发现无人驾驶的复杂程度远超几年前所预期的，要真正让无人驾驶实现商业化还有很长的路要走。
二、人脸识别
这项技术已经走进了大多人家里，人脸识别也称人像识别、面部识别，主要是基于人的脸部特征信息进行身份识别的一种生物识别技术。现阶段人脸识别涉及的技术主要包括计算机视觉、图像处理等。
目前，人脸识别技术已广泛应用于多个领域，如金融、司法、公安、边检、航天、电力、教育、医疗等。随着人脸识别技术的进一步成熟和社会认同度的提高，其将应用在更多领域，给人们的生活习惯带来更多改变。
三、机器翻译
机器翻译其实算是计算语言学的一个分支，它是利用计算机将一种自然语言转换为另一种自然语言的过程，机器翻译用到的技术主要是神经机器翻译技术（NeuralMachineTranslation，NMT）。目前，该技术当前在很多语言上的表现已经超过了人类。
四、声纹识别
其实，生物的特征识别技术包括很多种，除了人脸识别，目前用得比较多的有声纹识别，声纹识别是一种生物鉴权技术，也称为说话人识别，包括说话人辨认和说话人确认。
声纹识别的工作过程为，系统采集说话人的声纹信息并将其录入数据库，当说话人再次说话时，系统会采集这段声纹信息并自动与数据库中已有的声纹信息做对比，从而识别出说话人的身份。
相比于传统的身份识别方法（如钥匙、证件），声纹识别具有抗遗忘、可远程的鉴权特点，在现有算法优化和随机密码的技术手段下，声纹也能有效防录音、防合成，因此安全性高、响应迅速且识别精准。
目前，声纹识别技术有声纹核身、声纹锁和黑名单声纹库等多项应用案例，可广泛应用于金融、安防、智能家居等领域，落地场景丰富。如：支付宝、微信就运用了该项技术登录自己的账号。
五、智能客服机器人
智能客服机器人在生活中也越来越常见了，它是一种利用机器模拟人类行为的人工智能实体形态，它能够实现语音识别和自然语义理解，具有业务推理、话术应答等能力。
当用户访问网站并发出会话时，智能客服机器人会根据系统获取的访客地址、IP和访问路径等，快速分析用户意图，回复用户的真实需求。同时，智能客服机器人拥有海量的行业背景知识库，能对用户咨询的常规问题进行标准回复，提高应答准确率。如对大多数电商企业来说，用户所咨询的售前问题普遍围绕价格、优惠、货品来源渠道等主题，如果在该场景运用智能客服机器人，这样可以减少人工客服每天都会对这几类重复性的问题进行回答，从而提高在更多复杂问题的客户群体中及时提供服务。
智能客服机器人还能为用户提供全天候的咨询应答、解决问题的服务，它的广泛应用也大大降低了企业的人工客服成本。
六、智能外呼机器人
智能外呼机器人是人工智能在语音识别方面的典型应用，它能够自动发起电话外呼，以语音合成的自然人声形式，主动向用户群体介绍产品。
在外呼期间，它可以利用语音识别和自然语言处理技术获取客户意图，而后采用针对性话术与用户进行多轮交互会话，最后对用户进行目标分类，并自动记录每通电话的关键点，以成功完成外呼工作。
七、智能音箱
相信大家对智能音箱也不会陌生，属于语音识别、自然语言处理等人工智能技术的电子产品类应用与载体，究其本质，智能音箱就是能完成对话环节的拥有语音交互能力的机器。通过与它直接对话，家庭消费者能够完成自助点歌、控制家居设备和唤起生活服务等操作，这类设备相信很多人家里已经拥有。
八、个性化推荐
个性化推荐也是生活中常见的一项应用，是一种基于聚类与协同过滤技术的人工智能应用，它建立在海量数据挖掘的基础上，通过分析用户的历史行为建立推荐模型，主动给用户提供匹配他们的需求与兴趣的信息，如商品推荐、新闻推荐等。
个性化推荐系统已经广泛存在于各类网站和App中，本质上，它会根据用户的浏览信息、用户基本信息和对物品或内容的偏好程度等多因素进行考量，依托推荐引擎算法进行指标分类，将与用户目标因素一致的信息内容进行聚类，经过协同过滤算法，实现精确的个性化推荐。
九、医学图像处理
医学图像处理是目前人工智能在医疗领域的典型应用，它的处理对象是由各种不同成像机理，如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。
要知道传统的医学影像诊断，主要通过观察二维切片图去发现病变体，这往往需要依靠医生的经验来判断。而利用计算机图像处理技术，可以对医学影像进行图像分割、特征提娶定量分析和对比分析等工作，进而完成病灶识别与标注，针对肿瘤放疗环节的影像的靶区自动勾画，以及手术环节的三维影像重建。
十、图像搜索
要知道，在早期我们是是无法进行图片搜索的，要知道图像搜索分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，因为当时程序技术还无法支持识别图片内容，随着AI的发展，图像搜索在近几年用户需求日益旺盛的信息检索类应用，基于AI深度学习的图像搜索，已经逐渐提升了该项技术，用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，如搜索同款、相似物比对等。
AI中国网https://www.cnaiplus.com
本文网址：
2023年中国人工智能行业市场现状及竞争格局分析 应用层企业占据行业主导地位
人工智能行业主要上市公司：百度(BIDU)、腾讯控股(00700.HK)、阿里巴巴(09988.HK)、科大讯飞(002230)、海康威视(002415)、京东集团(09618.HK)、好未来(TAL)、小米集团(01810.HK)等。
本文核心数据：人工智能技术层次分布、人工智能核心技术分布
1、我国应用层人工智能企业占主导地位
人工智能作为一门前沿交叉学科，其定义一直存有不同的观点：《人工智能——一种现代方法》中将已有的一些人工智能定义分为四类：像人一样思考的系统、像人一样行动的系统、理性地思考的系统、理性地行动的系统。维基百科上定义“人工智能就是机器展现出的智能”，即只要是某种机器，具有某种或某些“智能”的特征或表现，都应该算作“人工智能”。
大英百科全书则限定人工智能是数字计算机或者数字计算机控制的机器人在执行智能生物体才有的一些任务上的能力。百度百科定义人工智能是“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”，将其视为计算机科学的一个分支，指出其研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
中国国电子技术标准化研究院在《人工智能标准化白皮书(2018版)》中，将人工智能定义为：人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能产业链包括三层：基础层、技术层和应用层。其中，基础层是人工智能产业的基础，主要是包括AI芯片等硬件设施及云计算等服务平台的基础设施、数据资源，为人工智能提供数据服务和算力支撑;技术层是人工智能产业的核心，以模拟人的智能相关特征为出发点，构建技术路径;应用层是人工智能产业的延伸，集成一类或多类人工智能基础应用技术，面向特定应用场景需求而形成软硬件产品或解决方案。
根据中国新一代人工智能发展战略研究院发布的数据显示，我国应用层人工智能企业占主导地位。2020年，我国应用层人工智能企业数占比最高，达到84.05%;其次是技术层，企业数占比为13.65%;基础层企业数占比最低，为2.30%。
2、大数据、云计算技术为重点核心技术
从人工智能企业核心技术分布看，大数据和云计算占比最高，达到41.13%;其次是硬件、机器学习和推荐、服务机器人，占比分别为7.64%，6.81%，5.64%;物联网、工业机器人、语音识别和自然语言处理分别占比5.55%，5.47%，4.76%。
382家基础层和技术层企业的核心技术分布中，大数据和云计算为最重要的核心技术，其占比为28.27%。其次是人脸、步态、表情识别技术，占比达到13.61%;智能芯片、语音识别和自然语言处理技术占比分别为8.90%和8.64%。可以看出，目前大数据、云计算为我国人工智能发展的重点核心技术。
以上数据及分析请参考于前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》，同时前瞻产业研究院还提供产业大数据、产业研究、产业链咨询、产业图谱、产业规划、园区规划、产业招商引资、IPO募投可研、招股说明书撰写等解决方案。
2023年中国人工智能基础层行业研究报告
2021年中国人工智能基础层行业研究报告原创艾瑞艾瑞咨询
核心摘要：
算力、算法、数据是人工智能产业发展的三大要素。基于此，艾瑞定义人工智能基础层是支撑AI应用模型开发及落地的必要资源，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大模块。发展人工智能基础层可多环节提效AI技术价值的释放，解决需求方人工智能生产力稀缺问题，且依托AI基础层资源，AI企业可有效应对下游客户的长尾应用需求，将其高频应用转化为新主营业务，寻找业务增长突破点。此外，基础层工具属性标志着AI产业社会化分工的出现，AI产业正逐步进入各产业深度参与、双向共建的效率化生产阶段。据艾瑞测算，2020年人工智能基础层市场规模为497亿元，为AI产业总规模的33%，AI芯片的高增长是产业规模增长的主要拉动力。未来，伴随各行业智能化转型的迫切需求，艾瑞认为人工智能基础层的各模块工具有望走向集约型的生产模式，更多企业将自研开源框架，国产的操作系统与数据库等软件配套设施将稳步崛起，算力模块的智能服务器国产化率也将逐步提升。
人工智能基础层定义
支撑各类人工智能应用开发与运行的资源和平台
算力、算法、数据是人工智能产业发展的三大要素。据此，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模块。智能计算集群提供支撑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模块主要实现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模块则实现AI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。
人工智能基础层价值
AI基础层是支撑AI应用模型开发及落地的必要资源
开发一项人工智能模型并上线应用大致需经历从业务理解、数据采标及处理、模型训练与测试到运维监控等一系列流程。过程中需要大量的AI算力、高质量数据源、AI应用算法研发及AI技术人员的支持，但大部分中小企业用户并不具备在“算力、数据、算法”三维度从0到1部署的能力，而财力雄厚的大型企业亦需高性价比的AI开发部署方案。依靠AI基础层资源，需求企业可降低资源浪费情况、规避试错成本、提高部署应用速度。作为支撑AI模型开发及落地的必要资源，AI基础层可在多环节提效AI技术价值的释放；其工具属性也标志着AI产业社会化分工的出现，AI产业正逐步进入低技术门槛、低部署成本、各产业深度参与双向共建的效率化生产阶段。
人工智能基础层进阶之路
粗放式单点工具向集约型、精细化资源演进
智能化转型趋势下，企业部署AI项目的需求正经历着变化，对数据质量、模型生产周期、模型自学习水平、模型可解释性、云边端多样部署方式、人力成本及资金投入、投资回报率等的要求都逐步走高。在上述需求特点及自动机器学习、AI芯片硬件架构等技术发展的共同推动下，AI基础层资源的整体效能水平也在不断进化，以有效降低需求企业的AI开发成本。大致涵盖相互交融的三个阶段：雏形期，算法/算力/数据各模块多为粗放式的单点工具，新兴产品及赛道逐步出现；快速发展期，各赛道活跃度显著提升，参与者积极探索产品形态与商业模式，基础层服务体系逐步完善、资源价值凸显；最后则向成熟阶段过渡，各赛道内企业竞争加剧，逐步跑出头部企业。同时各赛道间企业生态合作增多，一站式工具平台出现。
基础层初步成型是AI产业链成熟的标志
基础层资源促进AI产业链各环节价值传导顺畅、分工明确
现阶段，已初步成型的AI基础层资源可有效缓解下游行业用户逐渐增长的、从感知到认知多类型的AI应用模型开发及部署需求。细看基础层内部，一方面，数据资源、算力资源和算法开发资源三者之间的分工更为明确和有序。数据基础服务及治理平台企业为AI产业链供应数据生产资料；智能计算集群产出高质效的生产力；智能模型敏捷开发工具则负责模型开发及模型训练等，输出AI技术服务能力，提高AI应用模型在各行业的渗透速率与价值空间。另一方面，基础层厂商的数量保持增长、厂商业务范围持续扩大，可提供专业定制化或一站式的基础资源服务。由此，基础层完成AI工业化生产准备，通过直接供应和间接供应的形式，将基础层资源传送到下游的AI应用需求端，产业链向顺畅的资源输送及价值传导方向演进。
AI基础层解决人工智能生产力稀缺问题
基础层资源缓解甲方在对待人工智能投资上的“矛盾”
根据艾瑞2020年执行的CTO调研，2019年超过51%的样本企业AI相关研发费用占总研发费用比重在10%以上，2020年65.9%的企业AI研发占比达到10%以上。一方面是甲方企业不断增长的对智能化转型的强劲需求，一方面则是在AI应用开发与部署过程中企业普遍面临的数据质量(49%)、技术人才(51%)等基础资源配置难点。且目前只有少数企业可以完成AI项目实施前设定的全部投资回报率（ROI）标准，因此甲方企业在投资AI项目时相对审慎。AI基础层资源则可有效缓解甲方利用AI技术重塑自身业务时的投资矛盾，提升模型生产效率，降低部署成本：数据资源集群具备数据采标与数据治理能力，且一站式的数据平台可对实时数据进行统一管理，提高数据利用率；高效的AI算力集群与调度系统可满足模型训练与推理需求，降低总拥有成本（TCO，TotalCostofOwnership）；基于算法开发平台演化出的语音识别、计算机视觉、机器学习等专业的AI模型生产平台，可提供高效、一站式的AI模型生产服务。
人工智能基础层产业图谱
人工智能基础层市场规模
AI企业业务突破、智能化转型趋势等多因素驱动产业规模增长
AI企业突破业务增长瓶颈的需求是人工智能基础层发展的驱动力之一。当前人工智能核心产业规模保持线性增长态势，且增速趋于平稳与常态化。为寻求产值增长突破点，AI企业发力探索开拓市场的有效手段。依托人工智能基础层资源建设，AI企业可有效应对下游客户的长尾应用需求，再将高频应用转化为新主营业务。此外“新基建”、半导体自主可控等相关政策扶持、传统行业智能化转型等因素也都在助推人工智能基础层资源的发展。据艾瑞测算，2021-2025年，人工智能基础层市场规模CAGR为38%，整体产业规模发展速度较快、空间较为广阔，总体呈现持续增长的走势。2020年，中国人工智能基础层市场规模为497亿元，为人工智能产业总规模的33%，市场规模相较去年同比增长76%，AI应用模型效率化生产平台创收增长、AI芯片市场规模随着云端训练需求出现较高增长等是同比增速的主要拉动力；2021-2024年同比增速趋于平缓下降，市场开始恢复稳步增长态势。到2025年，中国人工智能基础层市场规模将达到2475亿元，云端推理与端侧推理芯片市场持续走高使得人工智能基础层整体市场同比增速稍有抬升。
算力：超算/数据中心的存量与增量判断
从算力需求与节能减排规定看存量替换与增量增长
现有的超算/数据中心以建设单位为标准，可分为两类：1）以国家或地方为建设单位的G端超算中心，服务对象主要为国家牵头的重点科研单位、高校研究院等，此类超算中心是解决国家安全、科学进步、经济发展与国防建设等重大挑战性问题的重要手段，近两年受国家与地方的高度重视与扶持，建设与升级超算中心的趋势愈加明朗。但由于数据网络安全与计算精度要求高，建设周期较长，此类超算中心的数量在中短期内增长缓慢，长期来看则会成为替换存量与增量增长的贡献主力之一。2）以智能云厂商或IDC服务商为建设供应主体的B端超算/数据中心，为互联网公司、其他类型的企业或事业单位提供主机托管、资源出租、增值或应用服务，是存量与增量市场变化主要推力。
从市场变化趋势来看：1）存量市场：日渐增加的AI计算负载需要处理力更强、能耗承受度更大的数据中心，同时，一系列有关控制数据中心PUE值的节能审查规定相继出台，一味盲目扩建、新建数据中心已难合时宜，促进老旧数据中心绿色化改造的减量替代方案因此诞生。微型、中小型数据中心会逐渐被改造为集约型的大型数据中心，符合节能减排相关标准、机柜数量与异构组合增多的集约型超算/数据中心将在存量市场中占据主流。2）增量市场：考虑到边缘计算可分担AI计算任务、兼具低延时优势，管理边缘计算中心则需要布局相应的大型云端数据中心，故增量市场会被异构的边缘计算数据中心与云端超算或大型数据中心扩充。
算力：云化AI算力
开放共享虚拟AI算力资源，实现AI模型海量训练与推理
AI是一种高资源消耗、强计算的技术，AI算力的强弱直接关联到AI模型训练的精度与实时推理的结果。若企业独立部署AI算力，不仅需要建设或租用机房这类重资产与网络宽带资源，还需要购置物理机、内存、硬盘等硬件设备，而且购置设备存在采购周期不确定、硬件资源过度铺张、专业管理团队缺乏等问题。所以，独立部署AI算力资源是一项耗时耗力的工作。将AI算力云化是一种高效能、低成本的有力解决方案。具备先天性业务优势的云服务商搭建数据中心，先将AI服务器算力资源虚拟化，开放给AI模型开发者，做到按需分配，如给短视频业务的开发者优先配备CPU+GPU方案，而后对算力资源的调度工作进行统一管理。由此，“物美价廉”的算力有序注入各行各业的AI模型中，减轻了井喷式数据爆发所带来的模型训练负担，并能及时根据用户使用情况弹性扩充或缩减虚拟算力资源空间，达到方便、灵活、降本增效的效果。
算力：端-边-云的算力协同
端-边-云实现AI算力泛在，加速AI模型训练与推理
在人工智能与5G等技术的冲击下，设备端产生大量实时数据，若直接上传到云端处理，会对云端的带宽、算力、存储空间等造成巨大压力，同时也存在延时长、数据传输安全性等问题。因此，为缓解云端的工作负载，云计算在云与端之间新增了若干个边缘计算节点，从而衍生出端-边-云的资源、数据与算力协同。在算力协同的业务模式下，靠近云端的云计算中心承担更多的模型训练任务，贴近端侧的各设备主要进行模型推理，而二者之间的边缘侧则负责通用模型的转移学习，帮助云端分散通用模型训练任务、处理实时计算的同时，也解决了终端算力不足、计算功耗大的难题。未来，边缘计算的发展会催生出更适宜边缘计算场景的算力集群异构设计，其异构化程度将会高于传统的数据中心，异构设计的突破将会进一步提高端-边-云的整体计算效能，进而加速AI模型的训练与推理。
算力：AI芯片市场规模
当前以训练需求为主，推理需求将成为未来市场主要增长动力
AI芯片是人工智能产业的关键硬件，也是AI加速服务器中用于AI训练与推理的核心计算硬件，被广泛应用于人工智能、云计算、数据中心、边缘计算、移动终端等领域。当前，我国的AI芯片行业仍处于起步期，市场空间有待探索与开拓。据艾瑞统计与预测，2020年我国AI芯片市场规模为197亿元，到2025年，我国AI芯片市场规模将达到1385亿元，2021-2025年的相关CAGR=47%，市场整体增速较快。从AI芯片的计算功能来看，一开始，因AI应用模型首先要在云端经过训练、调优与测试，计算的数据量与执行的任务量数以万计，故云端训练需求是AI芯片市场的主流需求。而在后期，训练好的AI应用模型转移到端侧，结合实时数据进行推理运算、释放AI功能，推理需求逐渐取代训练需求，带动推理芯片市场崛起。2025年，云端推理与端侧推理成为市场规模增长的主要拉动力，提升了逐渐下滑的AI芯片市场规模同比增速。
算法：智能模型敏捷开发工具商业价值分析
API规模经济+AI应用模型效率化生产平台的杠杆增效
智能模型敏捷开发工具的出现与驱动AI业务的外因以及企业自身的内因紧密相关。从外因看，规模化多场景的业务不断衍生出长尾需求，原有的应用需及时更新；从内因看，囿于开发企业有限的经营成本与AI技术人才，其资源主要投放到现阶段的主营业务，现有人员难以推动业务的智能化改造。对此，可有效解决AI应用模型设计与开发过程中通用或特有问题的智能模型敏捷开发工具逐步成为备选方案。AI开放平台与AI应用模型效率化生产平台作为其中的代表性工具，不仅能减少由0到1的开发成本，而且可降低人工智能市场的参与门槛，提升开发效果。AI开放平台属于API资源的一种，其可帮助技术领先企业开放AI能力与先进资源，从而延伸价值链，形成规模经济与长尾经济，利用开发者的创新应用来反哺开放平台。AI应用模型效率化生产平台可提供较为前沿的技术、经济合理的模型生产经验以及为实现敏捷开发而打包的数据、算力与算法资源。具体而言，其采用自动机器学习技术，很大程度上降低了机器学习的编程工作量、节约了AI开发时间、减轻了对专业数据科学家与算法工程师的依赖，让缺乏机器学习经验的开发者用上AI，加快开发效率。
算法：智能模型敏捷开发工具增长模型
API与定制方案共拓产业广度与深度，AI柔性生产贴近需求
在人工智能产业发展的过程中，智能模型敏捷开发工具可持续拓宽与深挖AI业务的广度和深度。从广度讲，AI开放平台形成平台效应，调用平台API的开发者聚集创新，针对不同业务场景的开发成果数量逐渐增多，提高了技术产品的利用率，打造出轻量化的输出模式、降低单位开发成本，并且构建出动态更新的服务池；与此同时，一站式AI应用模型效率化生产平台逐步填充因场景多元化而衍生出的长尾业务模型，丰富模型供应市场的种类与数量。从深度讲，二者均从业务前端发掘潜在或外显的市场需求，针对刚需应用与高价值环节延伸出多条增量建设与运行需求业务线，瞄准市场风口的同时，敏捷、经济地消化个性化或碎片化需求，根据需求柔性匹配生产。
算法：AI技术开放平台市场规模
产业受API经济带动，主要收入贡献来源为计算机视觉类
随着数据量与AI算力的提升，可落地的场景与算法的交互变得愈加频繁，二者结合开发出的AI应用模型就需要更大量地通过API调用AI技术开放平台的AI技术能力。据艾瑞统计与预测，2020年我国AI技术开放平台市场规模为225亿元，到2025年，相应规模可达到730亿元，2021-2025年的相关CAGR=26%。受API经济兴起的影响，2020年市场规模同比增速走高较快，2021年下滑后恢复平稳态势。按AI技术能力划分，计算机视觉类与语音技术类收入占比达72.2%，是收入的主要贡献来源。人脸识别、人体识别、OCR文字识别、图像识别等构成了计算机视觉类业务的主要技术能力，且计算机视觉类的技术价格相较于其他技术而言更高，应用领域也更为广泛。现阶段的市场集中度相对分散，未来，能持续投入成本、研发出强劲算法的厂商有望占领更多的市场份额，市场集中度亦会因此提升。
算法：AI应用模型效率化生产平台市场规模
集成式的模型开发工具包，产业恰逢伊始，前景有待开拓
AI应用模型效率化生产平台是全栈式的、可实现流水线开发的AI应用模型生产工具。假若每次开发模型都需要算法工程师单独完成从生产到上线的全流程搭建，就会导致很多时间的耗损与AI模型开发成本的浪费。集成了数据、算法与算力的相应开发工具的模型开发工具包——AI应用模型效率化生产平台应运而生。据艾瑞统计与预测，2020年我国AI应用模型效率化生产平台市场规模为23亿元；到2025年，相应规模可达到204亿元，2021-2025年的相关CAGR=49%。2020年，AI应用模型效率化生产平台相关业务拓展相对较快、产品恰逢创收伊始阶段，故同比增速增幅较快。与此同时，因参与技术门槛偏高，具备能力的厂商较少，市场尚未形成稳定状态，市场集中度偏高。
数据：人工智能数据基础服务定义
以AI训练与调优为目的提供的数据采集、标注与质检等服务
人工智能基础数据服务是指为各业务场景中的AI算法训练与调优而提供的数据库设计、数据采集、数据清洗、数据标注与数据质检服务。整个基础数据服务流程围绕着客户需求而展开，最终产出产品以数据集与数据资源定制服务为主，为AI模型训练提供可靠、可用的数据。数据采集、数据标注与数据质检是较为重要的三个环节。数据采集是数据挖掘的基础，提供多源的一手数据和二手数据；数据标注对数据进行归类与标记，为待标注数据增加标签，生产满足机器学习训练要求的机器可读数据编码。数据质检为数据的客观性和准确性设置检验标准，从而为AI算法的性能提供保障。AI基础数据服务商可着重在以上三个环节建立壁垒，以巩固行业地位。
数据：AI基础数据服务市场规模
行业规模稳步向前，图像、语音类内容继续向新兴场景开拓
高质量的数据是提高AI应用模型训练速度与精度的必要准备之一，而行之有效的AI基础数据服务又为提高数据质量奠定了坚实的基础。因而，提供通用化、精细化、场景化的AI基础数据服务才能满足日渐增长的AI应用模型训练需求。据艾瑞统计与预测，2020年我国AI基础数据服务市场规模（含数据采集与标注）为37亿元，到2025年，相应规模可达到107亿元，2021-2025年的相关CAGR=25%，整体增速呈现稳步提升的趋势。从市场细分收入结构来看，图像类与语音类收入占总收入规模的88.8%，是业务的主要构成部分；图像类与语音类收入基本持平，图像类业务以智能驾驶与安防为主，而语音类业务以中英大语种、中国本土方言以及外国小语种为主。目前，行业中也相应地分成了以图像类或语音类为主的供应商阵营，各类供应商将会继续立足于主营业务，深挖现有应用场景的业务细分需求，从而带动未来收入的增长。
数据：面向人工智能的数据治理定义
产生于业务，围绕于AI，追溯于治理
在大数据时代背景下，金融、零售、公安、工业等不同行业的业务场景衍生出诸多应用，多元的AI模型开发需求因此产生。AI模型开发的原材料是数据，但在挖掘模型数据时，往往面临模型与数据无法拉齐的问题，所以需要溯源到前置环节，从一开始就把数据治理的工作做好，面向AI的数据治理这一概念也就由此出现。面向AI的数据治理是指，以具体业务产生的AI模型开发与训练为目的，使用各个数据组件与人工智能技术，对数据进行针对性与持续性的诊治与管理。相比于传统的数据治理，其更新了数据接入、数据汇聚、数据分析的功能，并新增了AI模型开发与应用组件，以应对海量实时数据迸发、模型需及时对接数据等情形。面向AI的数据治理的特点在于，其对接企业现有的数据、积累新的AI数据而非重新进行AI数据的数据库建设，而且提供针对实时数据的处理办法、优先解决业务落地的困难，并持续挖掘具体业务的数据资产价值。
数据：面向AI业务的数据积累与治理模型
锚准方向，双轮驱动为智能化转型速度与质量赋能
在大数据应用的驱动下，具有相当数据规模的企业的多条业务条线往往会产生大量的结构化与非结构化数据，愈加需要企业内部的数据及时融通，但企业不可能完全抛弃现有的数据库系统、更换一套完全符合面向AI业务开发的数据治理系统；另一方面，智能化转型浪潮推动着企业的AI应用开发需求增长，但数据开发缺少统一标准、数据与业务场景割裂，让面向AI的数据治理的工作面临两难的局面。对此，艾瑞认为面向AI的数据治理并非完全舍弃已有的数据治理结构，而是在原有的基础上，进行数据治理结构的改造，让治理工作更多为AI开发服务，从而完成AI业务数据的积累。面向AI的数据治理工作完成后，才能驱动AI应用模型开发高效、高质运行，而模型开发反过来会为面向AI的数据治理工作提供指导。业务系统与数据系统像两个锚准工作方向的齿轮，共同滚动。符合业务场景需求的AI应用模型、MLKGNLP等AI技术加速促进两个齿轮的转动，使企业的业务系统运转效率向高质高效发展，为企业带来更可观的智能化转型业务发展速度与业务服务质量。
数据：面向AI的数据治理市场规模
存在数据中台带来的业务冲击，后期恢复稳步爬坡态势
在数字化转型与智能化转型的大趋势下，数据治理工作一般伴随着数据中台的搭建以及AI应用模型的开发而展开。数据治理属于数据中台的构成组件，数据治理的工作与服务则属于数据中台建设、运营与维护中不可缺少的环节。与此同时，以AI应用模型所需的数据标准去治理数据，结合AI技术提升数据的可用度与模型的训练效率，才能够更好更快地为人工智能业务前端服务，改善供应商的业务流程与消费者的消费体验。据艾瑞统计与预测，2020年我国面向AI的数据治理市场规模为14亿元，到2025年，相应规模可达到50亿元，2021-2025年的相关CAGR=28%。2018年，数据中台概念兴起，其规模在2020年处于爆发点，而数据治理作为数据中台的组件，也于同期迎来增长爆发点，从而带动面向AI的数据治理。2020年后，数据中台市场规模增速开始降温，数据治理也随之回落，面向AI的应用模型开发业务在该过程中的带动作用有限，故2021年的业务同比增速出现拐点。后期，面向AI的应用模型开发业务的带动效应逐步凸显，规模增速呈现稳步爬坡态势。
一站式基础层资源平台
泛在需求下AI模型生产模式的变迁与资源集成
在人工智能由技术落地应用阶段向效率化生产阶段转变的背景下，艾瑞认为人工智能基础层的各模块工具有望走向集约型的生产模式。该模式主要能赋予开发企业以下价值：1）开发方式改进：从客户需求分析到解决方案部署形成独立的闭环，构建端到端的工作流。在强大算力的支持下，完成数据采集、数据标注、数据治理、数据应用、模型设计、参数调优、模型训练、模型测试、模型推理的全栈式流水线生产。2）管理效率提升：将数据、算法与算力委托给专业的服务商，实现一站式托管，打通三者之间的衔接壁垒，提高交互友好性，让开发者专注于业务。3）部署成本降低：集成数据、算法、算力的各个软件与硬件，企业可在一个平台内按需选择自己所缺失的模块组件并自由搭配，有效避免因采购不同供应商的产品或服务而带来的隐性成本损失与显性成本损失。
基础层全栈自主可控展望
自主可控稳步向前，内外兼修
信创产业涉及到核心技术问题，受到国家的大力扶持。比如，2020年12月，财政部、发改委、工信部等部门就联合发布了《关于促进集成电路产业和软件产业高质量发展企业所得税政策的公告》，文中明确指出：国家鼓励的集成电路线宽小于130纳米(含)，且经营期在10年以上的集成电路生产企业或项目，第一年至第二年免征企业所得税，可见国家对国产芯片的重视。在信创产业稳步推广的的趋势下，人工智能基础层的各模块也在逐个突破“卡脖子”的关键点，朝着全栈国产化的方向迈进。算法模块相对其他两个模块而言，因开源框架协助，算法开发相对容易，但依然面临开源框架商用版限制的潜在风险，同时，使用开源框架难以友好对接到AI企业的业务逻辑，基于这两点，部分企业已开始自研开源框架并取得一定成效；数据模块的各类操作系统与应用软件在较大程度上仍以国外企业为主导，而国产的操作系统与数据库等软件配套设施正在稳步崛起，已存在相应的产品与服务可供客户选择；算力模块的智能服务器的国产化率逐步提升，AI芯片虽然仍以英伟达的GPU为主导，但国内部分企业开始自研AI芯片，产生了一批针对通用GPU、ASIC与FPGA的先行玩家。总的来说，基础层全栈的自主可控建设还处在萌芽阶段，未来将在“可用”的建设要求上打好根基，向“好用”的状态演变，并且从以政府政策引导为主的局面向以企业产品自由竞争的局面转变。
原标题：《2021年中国人工智能基础层行业研究报告》
阅读原文
2023年人工智能领域发展七大趋势
2022年人工智能领域发展七大趋势
有望在网络安全和智能驾驶等领域“大显身手”
人工智能已成为人类有史以来最具革命性的技术之一。“人工智能是我们作为人类正在研究的最重要的技术之一。它对人类文明的影响将比火或电更深刻”。2020年1月，谷歌公司首席执行官桑达尔·皮查伊在瑞士达沃斯世界经济论坛上接受采访时如是说。
美国《福布斯》网站在近日的报道中指出，尽管目前很难想象机器自主决策所产生的影响，但可以肯定的是，当时光的车轮到达2022年时，人工智能领域新的突破和发展将继续拓宽我们的想象边界，其将在7大领域“大显身手”。
增强人类的劳动技能
人们一直担心机器或机器人将取代人工，甚至可能使某些工种变得多余。但人们也将越来越多地发现，人类可借助机器来提升自身技能。
比如，营销部门已习惯使用工具来帮助确定哪些潜在客户更值得关注；在工程领域，人工智能工具通过提供维护预测，让人们提前知道机器何时需要维修；法律等知识型行业将越来越多地使用人工智能工具，帮助人们对不断增长的可用数据中进行分类，以找到完成特定任务所需的信息。
总而言之，在几乎每个职业领域，各种智能工具和服务正在涌现，以帮助人们更有效地完成工作。2022年人工智能与人们日常生活的联系将会变得更加紧密。
更大更好的语言建模
语言建模允许机器以人类理解的语言与人类互动，甚至可将人类自然语言转化为可运行的程序及计算机代码。
2020年中，人工智能公司OpenAI发布了第三代语言预测模型GPT—3，这是科学家们迄今创建的最先进也是最大的语言模型，由大约1750亿个“参数”组成，这些“参数”是机器用来处理语言的变量和数据点。
众所周知，OpenAI正在开发一个更强大的继任者GPT—4。尽管细节尚未得到证实，但一些人估计，它可能包含多达100万亿个参数（与人脑的突触一样多）。从理论上讲，它离创造语言以及进行人类无法区分的对话更近了一大步。而且，它在创建计算机代码方面也会变得更好。
网络安全领域的人工智能
今年1月，世界经济论坛发布《2021年全球风险格局报告》，认为网络安全风险是全世界今后将面临的一项重大风险。
随着机器越来越多地占据人们的生活，黑客和网络犯罪不可避免地成为一个更大的问题，这正是人工智能可“大展拳脚”的地方。
人工智能正在改变网络安全的游戏规则。通过分析网络流量、识别恶意应用，智能算法将在保护人类免受网络安全威胁方面发挥越来越大的作用。2022年，人工智能的最重要应用可能会出现在这一领域。人工智能或能通过从数百万份研究报告、博客和新闻报道中分析整理出威胁情报，即时洞察信息，从而大幅加快响应速度。
人工智能与元宇宙
元宇宙是一个虚拟世界，就像互联网一样，重点在于实现沉浸式体验，自从马克·扎克伯格将脸书改名为“Meta”（元宇宙的英文前缀）以来，元宇宙话题更为火热。
人工智能无疑将是元宇宙的关键。人工智能将有助于创造在线环境，让人们在元宇宙中体会宾至如归的感觉，培养他们的创作冲动。人们或许很快就会习惯与人工智能生物共享元宇宙环境，比如想要放松时，就可与人工智能打网球或玩国际象棋游戏。
低代码和无代码人工智能
2020年，低代码/无代码人工智能工具异军突起并风靡全球，从构建应用程序到面向企业的垂直人工智能解决方案等应用不一而足。这股新鲜势力有望在2022年持续发力。数据显示，低代码/无代码工具将成为科技巨头们的下一个战斗前线，这是一个总值达132亿美元的市场，预计到2025年其总值将进一步提升至455亿美元。
美国亚马逊公司2020年6月发布的Honeycode平台就是最好的证明，该平台是一种类似于电子表格界面的无代码开发环境，被称为产品经理们的“福音”。
自动驾驶交通工具
数据显示，每年有130万人死于交通事故，其中90%是人为失误造成的。人工智能将成为自动驾驶汽车、船舶和飞机的“大脑”，正在改变这些行业。
特斯拉公司表示，到2022年，其生产的汽车将拥有完全的自动驾驶能力。谷歌、苹果、通用和福特等公司也有可能在2022年宣布在自动驾驶领域的重大飞跃。
此外，由非营利的海洋研究组织ProMare及IBM共同打造的“五月花”号自动驾驶船舶（MAS）已于2020年正式起航。IBM表示，人工智能船长让MAS具备侦测、思考与决策的能力，能够扫描地平线以发觉潜在危险，并根据各种即时数据来变更路线。2022年，自动驾驶船舶技术也将更上一层楼。
创造性人工智能
在GPT—4谷歌“大脑”等新模型的加持下，人们可以期待人工智能提供更加精致、看似“自然”的创意输出。谷歌“大脑”是GoogleX实验室的一个主要研究项目，是谷歌在人工智能领域开发出的一款模拟人脑具备自我学习功能的软件。
2022年，这些创意性输出通常不是为了展示人工智能的潜力，而是为了应用于日常创作任务，如为文章和时事通讯撰写标题、设计徽标和信息图表等。创造力通常被视为一种非常人性化的技能，但人们将越来越多地看到这些能力出现在机器上。（记者刘霞）
【纠错】【责任编辑:吴咏玲】洞见2019：人工智能产业
一、产业定义或范畴
概念定义上，人工智能分为强人工智能和弱人工智能。强人工智能侧重于思维能力，指机器不仅是一种工具，而且本体拥有知觉和自我意识，能真正的推理和解决问题。弱人工智能指人造机器具备表象性的智能特征，包括像人一样思考、像人一样感知环境以及像人一样行动。
人工智能产业是指群体、团队、个人针对人工智能本身基础理论、技术、系统、平台以及基于人工智能技术的相关产品和服务的研发、生产、销售等一系列经济活动的集合。
二、赛迪重大研判
1、2021年中国人工智能整体产业规模将超过1.3万亿元，计算平台类企业营收占比不断增大。
2、“北上杭深”及沿海地区仍是人工智能产业的主要集聚地，北京和上海两地的投融资总额占比超过80%，呈现出高度集聚的状态。
3、国内外的AI龙头企业热衷于收购新兴的人工智能+数据科学初创企业，来提供各类的人工智能工具，并完善自身的产品生态。
4、智能芯片成为创业热点，但受到投资金额大和周期长的影响，高风险将长期存在。
5、类脑芯片研发尚待理论突破，需要5-10年等待期，资本可考虑提前布局，整合交叉学科、跨媒体感知计算等资源来推动科研进展。
6、受整体风险投资市场环境影响，2018年A轮、B轮企业获投金额减少。
三、产业政策分析
（一）产业环境
1、大数据、量子计算等新兴技术的日渐成熟，为人工智能创造快速发展的新环境
人工智能的发展离不开高质量的数据资源，大数据的日趋成熟为人工智能企业提供了丰富的应用空间，在安防、金融、互联网等数据资源丰富的领域，人工智能正在快速落地，通过加载智能算法，帮助客户强化产品性能，提升经济效益。而量子计算也将为人工智能带来革命性的发展机遇，量子比特数量会以指数增长的形式快速上升，小型化的量子芯片可以使人工智能前端系统的快速实时处理成为可能。未来，车载智能系统、无人机智能系统等领域或将首先应用量子计算芯片系统。
2、科研基金导向力度加大，国家自然科学基金委新增人工智能与交叉学科两大领域
为响应国家科技发展战略，国家自然科学基金委在2018年的申请代码中设立了‘人工智能’和‘交叉学科中的信息科学’两个新增领域。人工智能领域强调围绕人工智能领域的核心科学问题与关键技术，进行原创性、基础性、前瞻性和交叉性研究；鼓励在人工智能基础、机器学习、机器感知与模式识别、自然语言处理、知识表示与处理、智能系统与应用、认知与神经科学启发的人工智能等方向的理论与方法研究。支持人工智能领域的科研人员与其他自然科学、人文社会科学等领域的研究人员密切合作，共同探索学科交叉领域中的新概念、新理论、新方法和新技术，构建原型系统，促进人工智能学科与其他相关科学领域的共同发展。将有助于科研人员解决国际公认难度大、有重大影响、探索性强的基础共性问题。
（二）政策导向
1、中共中央政治局第九次集体学习强调，推动我国新一代人工智能健康发展
在中共中央政治局10月31日就人工智能发展现状和趋势举行的第九次集体学习中，会议强调，人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。同时，人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的“头雁”效应，要深刻认识加快发展新一代人工智能的重大意义，加强领导，做好规划，明确任务，夯实基础，促进其同经济社会发展深度融合，推动我国新一代人工智能健康发展。这次会议体现出党中央对人工智能的高度重视，国家将有望对人工智能从基础理论到产业升级做出全面部署。
2、工信部启动人工智能产业创新重点任务揭榜工作
2018年11月8日工信部印发《新一代人工智能产业创新重点任务揭榜工作方案》，提出聚焦“培育智能产品、突破核心基础、深化发展智能制造、构建支撑体系”等重点方向，征集并遴选一批掌握关键核心技术、具备较强创新能力的单位集中攻关，重点突破一批技术先进、性能优秀、应用效果好的人工智能标志性产品、平台和服务，为产业界创新发展树立标杆和方向，培育我国人工智能产业创新发展的主力军。可以看到，针对我国在智能传感器、神经网络芯片等薄弱环节，将引导企业加大投入，集聚资源，攻克发展短板，夯实产业发展基础。本次揭榜工作也将按照“揭榜挂帅”的工作机制，突破人工智能产业发展短板瓶颈，树立领域标杆企业，培育创新发展的主力军，加快人工智能与实体经济的深度融合。
表1 人工智能产业主要政策
颁布时间
颁布主体
政策名称
支持对象
相关内容
2017年12月
工信部
《促进新一代人工智能产业发展三年行动计划（2018-2020年）》
人工智能
通过实施四项重点任务，力争到2020年，一系列人工智能标志性产品取得重要突破，在若干重点领域形成国际竞争优势，人工智能和实体经济融合进一步深化，产业发展环境进一步优化。
2018年4月
教育部
《高等学校人工智能创新行动计划》
人工智能
坚持创新引领。把创新引领摆在高校人工智能发展的核心位置，准确把握全球人工智能发展态势，进一步优化高校人工智能领域科技创新体系，把高校建成全球人工智能科技创新的重要策源地。
2018年10月
科技部
《科技创新2030—“新一代人工智能”重大项目2018年度项目申报指南》
人工智能
重点围绕新一代人工智能基础理论、面向重大需求的核心关键技术、智能芯片与系统三个方向展开部署
颁布时间颁布主体政策名称支持对象相关内容
2017年12月工信部《促进新一代人工智能产业发展三年行动计划（2018-2020年）》人工智能通过实施四项重点任务，力争到2020年，一系列人工智能标志性产品取得重要突破，在若干重点领域形成国际竞争优势，人工智能和实体经济融合进一步深化，产业发展环境进一步优化。
2018年4月教育部《高等学校人工智能创新行动计划》人工智能坚持创新引领。把创新引领摆在高校人工智能发展的核心位置，准确把握全球人工智能发展态势，进一步优化高校人工智能领域科技创新体系，把高校建成全球人工智能科技创新的重要策源地。
2018年10月科技部《科技创新2030—“新一代人工智能”重大项目2018年度项目申报指南》人工智能重点围绕新一代人工智能基础理论、面向重大需求的核心关键技术、智能芯片与系统三个方向展开部署。
四、产业链全景图
人工智能产业的产业生态可以分为基础层、技术层、应用层以及保障层。其中，基础层侧重基础支撑平台的搭建，技术层侧重核心技术的研发，应用层更注重应用发展，而保障层则更加注重产业生态的构建。
图1 人工智能产业链全景图
基础层和技术层主要包括计算能力等相关的基础设施搭建，计算机视觉、语音识别、生物识别等感知技术，类脑智能/推理智能、学习判断/逻辑思考等认知技术，以及人工智能开源软硬件平台、自主无人系统支撑平台等技术应用平台，是人工智能向产业转化的技术支撑，降低人工智能应用门槛。
应用层主要包含基于人工智能技术在消费终端产品的场景应用，其中，提供给消费端的终端产品，包括智能机器人、智能无人机、智能硬件等。重点场景应用包括自动驾驶、智慧医疗、智慧教育、智慧金融、新零售、智慧安防、智慧营销、智慧城市等，基于现有的传统产业，利用人工智能软硬件及集成服务，对传统产业进行升级改造，提高智能化程度。
保障层包含人工智能产业发展过程中需要遵守的法律法规、伦理规范、安全以及标准，或在发展过程中需要修订、规范的相关法规和标准等，保障人工智能产业生态有序可持续发展。
五、价值链及创新
人工智能价值链全景图包括各环节主要的上市企业，统计截至2018年12月的企业市值、营业收入和净利润，并重点分析基础层上市企业近5年整体发展状况。
图2人工智能价值链全景图
数据来源：上市企业财报，赛迪顾问，2018年12月。
注：市值、营业收入和净利润为2018年前三季度数据。
（一）基础层上市企业营业收入及净利润保持高速增长
2018年前三季度人工智能基础层上市企业营业收入达到1083.62亿元，人工智能基础层上市企业净利润达到87.76亿元，已经高于2017年全年净利润，营业收入及净利润保持高速增长态势。
图3 2014-2018年中国人工智能基础层上市企业营收规模及增长
数据来源：赛迪顾问，2018年12月。
图42014-2018年中国人工智能基础层上市企业净利润规模及增长
数据来源：赛迪顾问，2018年12月。
（二）计算能力平台类公司营收比重逐年增大
从基础层三大细分领域结果来看，以浪潮、中科曙光、紫光股份为代表的计算能力平台企业占据半壁江山，比例逐年增大，从2014年的47.1%提升到2018年前三季度的67.8%，传感器企业占比降低至29.8%，人工智能芯片类占比从近5年的变化趋势来看基本保持稳定态势。
图52014-2018年中国人工智能基础层各细分领域结构情况
数据来源：赛迪顾问，2018年12月。
六、产业地图布局
（一）产业资源分布
目前，全国主要城市都已经出台了人工智能相关扶持政策，结合本地基础打造人工智能重点园区，并提供针对性的资金保障。以北京、上海、杭州、深圳为例。
北京聚集龙头企业、顶尖人才、资本等要素，在核心算法、理论以及无人驾驶等新兴应用方面快速发力，各项产业要素均领跑全国。已经发布《北京市加快科技创新培育人工智能产业的指导意见》《中关村国家自主创新示范区人工智能产业培育行动计划（2017—2020年）》。
上海发挥科研人才优势，重点推进脑科学、机器学习等关键技术的研发，并利用智能制造、交通物流等广泛应用场景，实现技术和应用示范双重突破。已经发布《关于本市推动新一代人工智能发展的实施意见》、杨浦区《新一代人工智能产业政策与重点项目》和《上海市人工智能创新发展专项支持实施细则》。
杭州依托阿里巴巴、海康威视等企业的产业优势，以“城市大脑”应用为突破口，并通过人工智能产业园和人工智能小镇构建产业生态。已经发布《浙江省新一代人工智能发展规划》《杭州市科技创新“十三五”规划》。
深圳凭借完善的产业链配套，重点打造了深圳湾“人工智能产业链专业园区。国家发改委组织实施人工智能创新发展重大工程，重点打造深圳湾“人工智能产业链专业园区”。
从业人数分布趋势来看，以北京、上海、深圳、杭州为重点聚集地，其中北京从业人数占据全国27.9%的人工智能从业者，具备绝对优势。上海拥有12.1%的从业人数，位居第二。中西部城市以合肥、武汉、西安等地为代表，从业人数分布相差不大。
图62018年中国人工智能从业人数地区占比分布图
数据来源：赛迪顾问，2018年12月。
（二）重点园区及投融资布局
从重点园区分布来看，目前国内主要城市已经设立了人工智能重点园区和人工智能实验室。以北京、上海、杭州、深圳为例，北京拥有中关村软件园、中关村门头沟AI科技园、亦庄锋创科技园。上海拥有“张江-临港”人工智能创新承载区、“徐汇滨江-漕河泾-闵行紫竹”人工智能创新带、华泾北杨人工智能特色小镇、上海松江洞泾人工智能特色产业基地（国家级）。杭州设立了滨江人工智能产业园。深圳设立了深圳湾“人工智能产业链专业园区”。
从投融资分布来看，北京和上海两地的投融资总额占比超过了80%，呈现出高度集聚的状态，其他城市由于龙头企业和初创企业数量相对较少，在投融资规模上分布比较平均。
图72018年中国人工智能投融资规模地区占比分布图
数据来源：赛迪顾问，2018年12月。
七、行业龙头动向
2018年，人工智能领域的龙头企业热衷于并购产业上下游的企业，完善自身企业实力，从主要的并购事件来看，集中在以数据科学和芯片为代表。国内外的AI龙头企业热衷于收购新兴的人工智能+数据科学初创企业，来提供各类的人工智能工具，并完善自身的产品生态。芯片领域以赛灵思和阿里为代表，各自收购知名的FPGA和CPU企业，扩大芯片产业体系。
表22018年人工智能产业投资并购重大事件
表2 2018年人工智能产业投资并购重大事件
序号
事件说明
事件主体
影响/意义
1
赛灵思收购深鉴科技
赛灵思
赛灵思通过收购中国本土的FPGA领军企业，不仅会进一步扩展其人工智能的研发应用布局，未来还会深度参与到与英伟达在GPU市场上的角力竞争。
2
微软收购Github
微软
收购全球最大开源社区，完善自身开源生态。
3
Oracle收购DataFox
Oracle
Oracle云应用软件将集成到DataFox中，进一步添加AI推断的公司级数据和信息，将帮助客户做出更好的决策。
4
微软收购SemanticMachines
微软
微软将利用该初创公司熟练运用的机器学习技术，让客户能够以更自然的方式与数据进行协作，以增强其智能助手Cortona。
5
谷歌收购Velostrata
谷歌
Velostrata是一家总部位于以色列的初创公司，这次收购将补充其广泛的迁移产品组合，帮助公司企业迁移到云端。
6
英特尔收购Vertex.AI
英特尔
Vertex.AI开发了名为PlaidML的开源深度学习引擎，可以帮助开发人员将AI部署到各种设备上，PlaidML将与英特尔nGraph后端整合起来。
7
Salesforce收购Datorama
Salesforce
Datorama是一家总部位于以色列的公司，为企业提供AI驱动的营销分析和情报数据。通过这次收购，Salesforce的营销云功能将得到加强。
8
亚马逊收购Ring
亚马逊
Ring是一家智能门铃公司，已被亚马逊斥资逾10亿美元收购。Ring的主业是生产门铃。它还可以录制实时视频并发送到客户的手机。
9
微软收购Lobe
微软
Lobe来自硅谷，基本上开发一款可视化工具，开发人员可以搭建和训练它，然后将深度学习软件嵌入到应用程序中，无需编写任何代码。将利用微软的全球框架、经验和AI研究，为开发人员构建工具。
10
微软收购Bonsai
微软
Bonsai框架旨在让任何设计人员都能够访问AI系统，对于他们的技能水平没多少要求。该框架将影响微软的一部分AzureAI服务。
11
谷歌收购Kaggle和HalliLabs
谷歌
谷歌将能够利用最受欢迎的数据科学平台Kaggle和HalliLabs的资源
12
Oracle收购Datascience.com
Oracle
Data平台将使客户能够利用单一数据科学平台，利用海量信息和机器学习，进行前瞻性学习，并获得更好的业务成果。
13
阿里巴巴全资收购中天微
阿里
全资收购中国大陆唯一的自主嵌入式CPUIPCore公司，阿里巴巴在AI芯片战略布局已初具规模。
14
百度全资收购西雅图创业公司KITT.AI
百度
KITT.AI专注语音唤醒和自然语音交互技术，是世界上唯一一家获得亚马逊Alexa和微软联合创始人PaulAllen投资的公司。
15
巨人网络收购Playtika
巨人网络
以色列科技公司Playtika就是利用人工智能赋能游戏改造的佼佼者，聚集人工智能在游戏的应用。
数据来源：赛迪顾问，2018年12月
八、产业规模预测
预计2018年，中国人工智能整体产业规模超过5000亿元。其中人工智能核心产业规模达到987.6亿元，人工智能应用带动产业规模超过4400亿元。预计2021年，中国人工智能整体产业规模将超过1.3万亿元，其中人工智能核心产业规模将超过2200亿元，由人工智能应用带动相关产业规模超1万亿元。
图82016-2021年中国人工智能整体产业规模及预测
数据来源：赛迪顾问，2018年12月。
人工智能核心产业统计口径内涵。支撑层主要包括GPU/TPU/FPGA等计算芯片，人工智能专用芯片和传感器，其中传感器占据较大产值。软件产品主要包括语音识别平台、机器视觉系统、机器学习平台等产品。统计API调用、SDK、解决方案等产值。硬件产品主要包括智能工业机器人、智能特种机器人、服务机器人，仅统计机器人产值中智能模块和解决方案部分。无人/辅助驾驶仍然以辅助驾驶为主，其中，ADAS相关软硬件占据大部分产值。智能无人设备包括智能家电、智能可穿戴设备、智能无人机等产品，统计具备人工智能的模块和解决方案部分。随着人工智能技术的不断推进以及基础理论的完善，预计2018年人工智能核心产业超过900亿元，增速达到39.4%，到2021年，人工智能核心产业规模将超过2200亿元。
图92016-2021年中国人工智能核心产业规模与增长
数据来源：赛迪顾问，2018年12月。
九、赛道选择建议
1、智能芯片成为创业热点，但受到投资金额大和周期长的影响，高风险将长期并存。
2、计算机视觉从重点安防领域，逐步向工业、消费终端渗透，消费端算法创新将成新趋势。
3、语音识别和自然语言理解头部企业偏少，用户体验要求大，导致创业难度依旧较大，需长期投入技术研发，攻克关键核心技术点。
4、类脑芯片研发尚待理论突破，需要5-10年等待期，资本可考虑提前布局，整合交叉学科、跨媒体感知计算等资源来推动科研进展。
5、通用机器学习技术正在重新受到重视，依靠小数据、无监督学习等技术，实现人工智能底层技术创新。
图102019中国人工智能细分领域投资价值趋势图
数据来源：赛迪顾问，2018年12月。
十、资本市场动向
（一）人工智能2018年前三季度融资金额同比增长6.79%
在人工智能领域，2018年前三季度中国共有58个项目获得投资，同比增长13.73%；获投总金额为173亿元，同比增长6.79%。2018年前三季度的融资数据中，商汤科技以10亿美元的融资额排在榜首。
图112018年前三季度与2017年前三季度人工智能行业投资对比
数据来源：赛迪顾问，2018年12月。
（二）北京持续保持领先优势，深圳、上海为第二梯队
在区位格局中，与2017年前三季度相比，北京持续保持领先优势，集中最多的企业、资金，表明北京对人工智能企业的吸引力；上海、深圳、杭州为第二梯队，与2017年前三季度相比，上海、深圳、杭州地区的投资频次大幅上升，北京有所下降，由2017年前三季度的27次降为2018前三季度的20次；从投资额度上看，北京、杭州有所上升，上海、深圳则有所下降。
图122018年前三季度与2017年前三季度人工智能各区位投资频次对比
数据来源：赛迪顾问，2018年12月
（三）投资热点主要集中在计算机视觉、机器人、智能语音领域
2018年前三季度投资，从投资金额看，主要集中在计算机视觉、机器人、智能语音领域。从投资频次看，计算机视觉领域投资频次增长少，但投资金额大幅增加，主要是因为商汤科技、旷视科技等头部公司获得大单投资。
图132018年前三季度与2017年前三季度人工智能热门赛道投资金额对比
数据来源：赛迪顾问，2018年12月。
图142018年前三季度与2017年前三季度人工智能热门赛道投资频次对比
数据来源：赛迪顾问，2018年12月。
（四）受整体风险投资市场环境影响，A轮、B轮企业获投金额减少
与2017年前三季度相比，2018年前三季度Pre-A/A轮/A+轮以及天使轮投资频次有所上升，但投资金额整体偏小，在投资金额上表现为下降。
2018前三季度的投资结构的典型事件是商汤科技的10亿美元D轮投资和旷视科技的6亿美元D轮投资。
图152018年前三季度与2017年前三季度人工智能各轮次投资频次对比
数据来源：赛迪顾问，2018年12月。
图162018年前三季度与2017年前三季度人工智能各轮次投资金额对比
数据来源：赛迪顾问，2018年12月。
十一、百强潜力企业
2018赛迪人工智能高成长企业TOP100榜，从企业估值、营收状况、专利数量、产品竞争力、企业创新能力、创始人及管理团队等六个维度进行定量与定性综合评价，结合国内外相关学者、投资机构的研究工作和成果，研究制定了评判指标体系。
表2 2018年人工智能产业投资并购重大事件
序号
事件说明
事件主体
影响/意义
1
赛灵思收购深鉴科技
赛灵思
赛灵思通过收购中国本土的FPGA领军企业，不仅会进一步扩展其人工智能的研发应用布局，未来还会深度参与到与英伟达在GPU市场上的角力竞争。
2
微软收购Github
微软
收购全球最大开源社区，完善自身开源生态。
3
Oracle收购DataFox
Oracle
Oracle云应用软件将集成到DataFox中，进一步添加AI推断的公司级数据和信息，将帮助客户做出更好的决策。
4
微软收购SemanticMachines
微软
微软将利用该初创公司熟练运用的机器学习技术，让客户能够以更自然的方式与数据进行协作，以增强其智能助手Cortona。
5
谷歌收购Velostrata
谷歌
Velostrata是一家总部位于以色列的初创公司，这次收购将补充其广泛的迁移产品组合，帮助公司企业迁移到云端。
6
英特尔收购Vertex.AI
英特尔
Vertex.AI开发了名为PlaidML的开源深度学习引擎，可以帮助开发人员将AI部署到各种设备上，PlaidML将与英特尔nGraph后端整合起来。
7
Salesforce收购Datorama
Salesforce
Datorama是一家总部位于以色列的公司，为企业提供AI驱动的营销分析和情报数据。通过这次收购，Salesforce的营销云功能将得到加强。
8
亚马逊收购Ring
亚马逊
Ring是一家智能门铃公司，已被亚马逊斥资逾10亿美元收购。Ring的主业是生产门铃。它还可以录制实时视频并发送到客户的手机。
9
微软收购Lobe
微软
Lobe来自硅谷，基本上开发一款可视化工具，开发人员可以搭建和训练它，然后将深度学习软件嵌入到应用程序中，无需编写任何代码。将利用微软的全球框架、经验和AI研究，为开发人员构建工具。
10
微软收购Bonsai
微软
Bonsai框架旨在让任何设计人员都能够访问AI系统，对于他们的技能水平没多少要求。该框架将影响微软的一部分AzureAI服务。
11
谷歌收购Kaggle和HalliLabs
谷歌
谷歌将能够利用最受欢迎的数据科学平台Kaggle和HalliLabs的资源
12
Oracle收购Datascience.com
Oracle
Data平台将使客户能够利用单一数据科学平台，利用海量信息和机器学习，进行前瞻性学习，并获得更好的业务成果。
13
阿里巴巴全资收购中天微
阿里
全资收购中国大陆唯一的自主嵌入式CPUIPCore公司，阿里巴巴在AI芯片战略布局已初具规模。
14
百度全资收购西雅图创业公司KITT.AI
百度
KITT.AI专注语音唤醒和自然语音交互技术，是世界上唯一一家获得亚马逊Alexa和微软联合创始人PaulAllen投资的公司。
15
巨人网络收购Playtika
巨人网络
以色列科技公司Playtika就是利用人工智能赋能游戏改造的佼佼者，聚集人工智能在游戏的应用。
报告中文字内容及图表数据均来源于赛迪顾问，版权归赛迪顾问股份有限公司所有，不得擅自引用