2019.07人工智能商业化研究报告（2019）36Kr研究院 杜玉2报告摘要宏观环境、政策、数据和技术是人工智能商业化的四大驱动力 商业化是相对于实验室产品而言。人工智能商业化，即企业利用人工智能技术来解决实际的问题，并通过市场进行规模化变现的行为。 目前，七类人工智能技术已经进入商业化阶段，商业化路径大致可分为两种。一种是人工智能技术公司主动去探索并推动产品和技术在实际场景中的落地；另一种是实体产业积极的思考人工智能是否可应用于相关的业务场景来协助降本增效。 宏观环境变化、政策、数据和技术是人工智能进入商业化探索阶段的四大驱动力。 资本趋于理性，人工智能早期项目融资难度增加，B轮及以后独角兽融资热度不减。中国人工智能产业链快速完善，大致可分为基础层、技术层和应用层人工智能与实体产业深度结合的商业化时代已经到来，未来潜力巨大 中国人工智能产业链快速完善，各环节合作模式逐渐成型，并呈现出精细化发展的趋势。根据产品和业务侧重的不同，人工智能产业链可大致分为基础层、技术层和应用层。 基础层资本注入稳定，各环节技术、产品和商业模式上均有不同程度的突破。 技术层早期大量研发投入带来的技术优势，转化为商业化的先发优势，进而带来市场机会和规模优势。 应用层深入到各行各业，行业呈现“一专多能”的趋势，即专注于某一领域的技术公司，同时也关注更多的行业和场景机会。 各类人工智能技术都已进入在实体产业应用场景中落地的阶段，受政策和市场环境驱动，人工智能商业化的进程加快，未来，将在带动行业创造新的增长点上发挥巨大潜力。 随着开源算法、开放平台的应用，人工智能的使用门槛在逐渐降低，这将使得更多的企业可以利用人工智能技术来为场景和行业赋能。 在探索技术边界的过程中，人工智能所能解决的问题更加精细化，对应的产品和服务也更加专业化。 整合上下游产业，健全商业生态，是人工智能企业构筑更高壁垒的一种重要方式。36Kr-人工智能商业化研究报告2019.07目 录 Contents一. 行业综述 商业化概况 AI定义 两种商业化路径 驱动力宏观环境、政策、数据、技术 投融资分析二. 产业链分析 产业链图 产业链分析 基础层 技术层 应用层四. 行业总结与前景分析 行业总结 趋势、前景分析 潜在风险 可能的机会人工智能行业概述CHAPTER Ⅰ 商业化概况 AI定义 两种商业化路径 驱动力 投融资分析536Kr-人工智能商业化研究报告2019.07 商业化是相对于实验室概念产品而言，人工智能商业化即企业如何利用人工智能技术来解决实际的问题，并通过市场进行规模化变现的商业行为。 人工智能的概念诞生于1956年世界达特茅斯会议上，距今已经有半个多世纪的发展史，但人工智能真正走出实验室，走进人类生活却是近几年才有的事。 据WIPOP 2019年人工智能趋势报告显示，50的AI专利在过去5年内发表，这意味着从2014年-2018年这五年内，AI产业进入了快速发展的阶段。 人工智能基础技术渐趋成熟至达到商用条件，从而能够在更广泛的场景下发挥价值，是其商业化的前提。加之近年来，互联网产业进入洗牌期，资本市场对人工智能的投资也表现得更加理性。技术成熟且具有较强商业落地能力的项目持续受到资本的关注，这在一定程度上推动了行业从早期普遍强调技术优势过渡到更加重视产品、解决方案等商业化能力的发展阶段。 整体来说，中国人工智能技术商业化速度非常快，计算机视觉、生物识别等相对成熟度更高、商业化更早的技术，已经在公共安全、金融、零售、广告营销等领域有了较好的应用；自然语言处理技术也在智能客服、智能语音交互等场景下服务于各行各业；机器学习应用范围则更广，比较典型的应用如智适应教育、智能推荐等已逐渐走入人类生活。可以说，商业化将是近几年维持人工智能热度的主要力量。1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析 行业综述商业化将人工智能热度推上了历史新高636Kr-人工智能商业化研究报告2019.07 人工智能的概念还相对模糊，尤其是近年来，技术及其应用边界不断拓展的阶段，各方对人工智能的认知存在较大偏差，行业内尚无统一的定义。 目前流行的说法大多从“仿人”的角度来看，将利用机器（含计算机程序）模拟人类感知、学习、认知、推理、决策、交互等过程的技术称为人工智能。 其中，按照机器是否可以产生自我认知和适用范围，又将人工智能分为弱人工智能（专用人工智能）和强人工智能（通用人工智能）。 弱人工智能机器没有自我意识，不具备真正的推理和独立解决问题的能力，通常只适用于特定条件下某一类问题的解决，如人脸识别、语音识别、语义理解等，故弱人工智能也被称为专用人工智能。现阶段，人工智能技术的研究和应用主要集中在弱人工智能领域。 强人工智能机器具有一定的自我意识，能够通过学习拓展功能，即当机器意识到自身不具备某种功能时，可自行学习至获得相关技能。故强人工智能可以独立面对各种复杂情况，具有一定的通用性，又称通用人工智能。 强人工智能（通用人工智能）的研究进展缓慢，技术上存在巨大的挑战，同时在应用风险和社会伦理等方面也颇具争议，业界普遍认为，强人工智能在短期内还难以获得较大突破。行业综述什么是人工智能1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析736Kr-人工智能商业化研究报告2019.07 由于人工智能概念尚未统一，其核心技术的边界与分类也不一而同。在本篇报告中，我们参考中国电子技术标准化研究院人工智能标准化白皮书（2018）中的人工智能标准体系框架，选取计算机视觉、自然语言处理、生物识别、机器学习、人机交互、知识图谱、虚拟现实/增强现实/混合现实（VR/AR/MR）等七类人工智能核心技术来研究其商业化情况。行业综述七类人工智能核心技术已进入商业化阶段，“AI”成主流 人工智能商业化的发展逻辑可分为两条路径，一个是“AI”，另一个是“AI”。”AI“以技术为核心驱动，以探索多样化的场景应用为目标，由科技公司发起，重新设计产品、方案或商业模式。“AI”倾向于思考技术能做什么，它可能是当前已有的事物，也可能是当前尚未存在的。故“AI”的逻辑更容易产生“新发明”，从而对行业产生颠覆性的影响。 ”AI“则由传统行业或当前已经较为成熟的产业主动地引进人工智能技术，来优化自身业务，提升效率和用户体验，降低风险和成本。“AI”则更多地思考技术能不能做，主要用于对当下固有流程的改造和优化，是正常的技术迭代和升级。 在本篇报告中，我们着重关注“AI”路径，即人工智能技术公司如何顺应市场需求，将多元化的产品和解决方案应用于各行各业的各个场景。机器人 自动驾驶智慧银行 智慧医疗智能营销智适应教育语音助手 智慧城市数据机器学习计算机视觉自然语言 生物识别 VR/AR知识图谱 机器翻译 人机交互芯片 云计算 传感器 通信技术智能投研 刷脸支付 图示人工智能商业化呈不可逆转之势向各行各业蔓延1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析836Kr-人工智能商业化研究报告2019.07 人工智能起起落落，行业普遍认为，这一轮人工智能浪潮主要受场景需求驱动，同时也受算法、算力和数据等基础条件的驱动。 近两年，商业化的热度只增不减，落地成为人工智能行业的主旋律。我们总结，近几年的人工智能商业化主要有四大驱动力，分别为宏观环境驱动、政策驱动、技术驱动和数据驱动。 其中，在宏观环境方面，我们从资本环境、竞争环境和社会经济环境三个角度来看。 1）资本环境从互联网到人工智能，资本逐渐趋于理性，行业普遍关注技术应用能力。这使得找到落地场景的人工智能企业，具有更强的自我造血能力，更易获得资本，也具有更强的生存能力。 2）竞争环境随着越来越多的巨头和创业公司涌入，人工智能行业竞争加剧。与一般消耗性型产品不同，人工智能产品和服务更容易形成稳定、长期的合作关系。率先取得市场信任并获得客户的企业先发优势更为明显，出于对抢占市场的考虑，企业也争相跨出了商业化的步伐。 3）社会经济环境随着人口红利的消失，经济增速放缓，企业经营成本越来越成为一个重要的考虑因素。利用新技术解放人类劳动力，实现降本增效成为企业的一大诉求，这也为人工智能的商业化带来新的机遇，成为推动其落地的一个因素。行业综述人工智能商业化的四大驱动力1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析936Kr-人工智能商业化研究报告2018.08 各大经济体聚焦人工智能在全球经济增长和转型的过程中的推动作用，并相继出台指导文件，从国家战略层面引导和促进人工智能产业的健康发展。 其中，中国和美国尤其强调掌握人工智能核心技术，在世界人工智能领域占据领导地位；欧盟和日本则更加注重审视自身优势和劣势，应对人工智能产业发展带来的经济和社会问题。行业综述人工智能在全球经济中占据重要位置，各国从战略层面整体布局经济体 相关政策或文件 政策方向总结 2019年政策风向中国 2016年8月，国务院发布“十三五”国家科技创新规划，明确人工智能作为发展新一代信息技术的主要方向。2017年国务院关于印发新一代人工智能发展规划的通知。2019年3月关于促进人工智能和实体经济深度融合的指导意见 构建智能经济、智能社会，使人工智能成为重要的经济增长点，带动我国产业升级和经济转型；人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，为跻身创新型国家前列和经济强国奠定重要基础。 全面推进人工智能与实体经济的深度融合美国 2016年10月，白宫发布为未来人工智能作好准备与国家人工智能研究与战略发展规划。2017年12月，美国国会提出“人工智能未来法案”。2018年9月DARPA宣布了2B投资计划，以克服人工智能技术的限制。美国国防部决定在未来五年投资20亿美元到其机器常识（MCS）项目中。2019年2月启动“美国人工智能倡议”。 促进人工智能发展，同时预防和降低可能的负面影响（建立有利的投资和创新环境；优化发展，关注人工智能发展给劳动力市场带来的改变；注重保护个人隐私）。保持美国在人工智能方面的领导地位、支持美国工人、促进公共研发、消除创新障碍。 从国家战略层面调动更多联邦资金和资源用于人工智能研发,“确保美国在人工智能领域的领导力”,加强国家和经济安全。欧盟 2018年3月，欧洲政治战略中心发布了人工智能时代确立以人为本的欧洲战略报告；2018年4月欧盟成员国签署了人工智能合作宣言，并发布政策文件欧盟人工智能。2018年12月欧盟发布人工智能协调计划提出增加投资、提供更多数据、培养人才和确保信任。 创建发展环境，加强人才建设以适应人工智能给就业体系带来的变化，促进研究投资，建立道德和法律框架，推进以人为本的发展路径，积极应对社会经济变革。 加强AI技术研究与创新，有针对性地在欧洲推广AI应用。日本 2016年6月，日本政府通过新版日本再兴战略，将人工智能技术视为第四次产业革命的核心尖端技术，计划到2020年创造出30万亿日元的经济附加值。2017年3月技术委员会发布人工智能技术战略。2017年，日本政府出台下一代人工智能推进战略2018年5月，日本经济产业省公布新产业构造蓝图提出利用人工智能及物联网等技术，普及自动驾驶汽车及建立新医疗系统。 从国家层面建立完善的促进机制，推动开发人工智能公共事业，联通个各个领域，建立人工智能生态体系。保持并扩大其技术优势，逐步解决人口老龄化、劳动力短缺、医疗及养老等社会问题。 普及、落实自动驾驶和AI医疗系统。信息来源36氪研究院根据公开资料整理1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析1036Kr-人工智能商业化研究报告2018.08 2019年，全球人工智能产业进入了落地应用的高峰期，商业化成为行业焦点。中国市场再迎政策红利，于2019年3月19日中央深化改革委员会审议通过了关于促进人工智能和实体经济深度融合的指导意见，从政策上部署，推动人工智能规模化落地。 截至目前，全国多个省市已陆续出台政策，其中，北京、上海、深圳、杭州等东部城市人工智能产业密集，在政策反应速度上也明显高于中西部城市，全国人工智能产业发展将在头部城市引领下形成百花齐放的场景。行业综述中国人工智能商业化迎政策红利，政府推动AI产业规模化落地城市 相关政策或文件北京 2019年2月，科技部发布科技部关于支持北京建设国家新一代人工智能创新发展试验区的函，就推动人工智能产业发展做出具体要求，即支持北京市建设国家新一代人工智能创新发展试验区；充分发挥人才和技术优势，突出高端引领作用；深化体制机制改革，优化人工智能发展的创新生态。天津 2019年2月天津市武清开发区发布的关于组织2019年人工智能创新发展工程的通知明确，2019年人工智能创新发展工程围绕“高端芯片、关键部件、高精度传感器、通用软件与平台、融合创新应用”五个重点领域进行支持。上海 2018年9月，上海市发布关于加快推进人工智能高质量发展的实施办法提出从人才建设、数据资源的开放使用、人工智能产业协同创新、推动产业布局和集聚、加大政府引导和投融资支持力度等角度推动人工智能产业发展。深圳 2019年2月深圳出台新一代人工智能发展行动计划和芯片产业发展政策，加快突破芯片、算法、感知等关键技术，大规模拓展人工智能在先进制造业、公共服务、社会治理等领域的应用场景。广东 2018年8月，广东省政府正式公布广东省新一代人工智能发展规划。规划指出，到2025年广东人工智能产业核心规模突破1500亿元，带动相关产业规模达1.8万亿元；而到2030年整个人工智能产业发展要进入全球价值链高端环节。浙江 2019年2月，浙江省经济和信息化厅、浙江省科技厅印发浙江省促进新一代人工智能发展行动计划（2019-2022年）。浙江将积极争取人工智能国家创新中心，加快建设人工智能“1N”产业创新联盟，力争到2022年，成为全国领先的新一代人工智能核心技术引领区、产业发展示范区和创新发展新高地。成都 成都市加快人工智能产业发展专项政策，从加快夯实人工智能产业基础、不断提升人工智能产业能级、全面营造人工智能产业生态三个方面出台12条专项政策，推动人工智能产业发展。信息来源36氪研究院根据公开资料整理，其中只列举出部分省市的部分政策。1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析1136Kr-人工智能商业化研究报告2019.07 随着全球数字经济和信息化水平的提升，世界互联网产业快速进入大数据时代。中国市场尤其如此，网民基数大，信息化程度高使得中国市场上的数据量逐年攀升。据IDC预测，全球数据总量预计2020年达到44个ZB，中国数据量将达到8060个EB，占全球数据总量的18。 大量的数据为人工智能算法的训练和应用提供了基础材料，也同时带来数据处理的压力，从而推动市场引进新的技术和方法来进一步挖掘数据的潜在价值。人工智能正是这样一种与数据相互依赖，相互促进的新技术。 中国在数据层面具有明显的相对优势，主要表现在数据量大、数据的多样性丰富、数据的获取和使用更加开放。这一方面是因为，中国市场人口基数大，信息化程度逐年上升，大量的网民在互联网上的活动留存了多元的数据，这些数据提供了人工智能产业生存和发展的土壤；另一方面，中国网民对待网络的态度相较于国外更加开放，对个人隐私保护意识没有到苛刻的程度，愿意在社交、消费等场景下提供更多的信息来获取个性化的服务；此外，中国市场的互联网产品丰富，各种产品从不同的维度沉淀了多样化数据，利用这些数据训练出来的算法，更加符合中国用户的习惯，更具有普适性和稳定性。 这些数据上的优势直接导致了中国的人工智能技术在近年来快速突破，并进入商业化的发展阶段。行业综述中国在数据上占据相对优势，加速了商业化的进程1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析1236Kr-人工智能商业化研究报告2019.07 数据的扩张对算法和算力提出了新的挑战，同时算法、算力上的提升也是人工智能技术商业化的重要助推力。 算法方面，现在主流应用的基于多层神经网络的深度学习算法，不断加强机器从海量数据库中自行归纳物体特征的能力，以及对新事物多层特征提取、描述和还原的能力。最终使得基于深度学习的机器视觉、语音语义、生物识别等多种人工智能技术的识别准确率不断提升，从而可以在更广泛的场景下解决实际的问题。这是推动人工智能商业化进程的最直接条件。 算力上，GPU、FPGA、ASIC等AI芯片的不断创新，使得计算能力整体有了提升。人工智能在面对海量数据、复杂场景时的算法训练和落地应用有了更强大的算力支持，从而能够更快、更精准地获得结果，这无论从技术实现还是用户体验上来说，都是人工智能商业化的重要助推力。 商业环境、政策、数据、算法、算力是现阶段人工智能商业化的主要驱动力。 此外，与历史上的每一次技术革命相同，人工智能带来生产力的提升，在解放人类劳动力，提高生产效率上的应用价值也是市场关注的重点。表现在具体的场景上，人工智能为企业的降本增效提供了新的解决方法，为满足新时代的消费和生活需求提供了新的产品，这其中潜藏的商业机会也是人工智能落地应用的重要推动力。行业综述算法、算力的提升，为人工智能商业化提供了条件1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析1336Kr-人工智能商业化研究报告2019.07 随着产业的调整，人工智能投资趋于理性，融资事件数量和融资金额都有所下降。2018年是重要的转折点，根据鲸准洞见数据，人工智能领域的季度融资事件从2018年Q1开始下降，到2018年Q4至2019年上半年基本延续了这种下降的趋势。其中，2019年Q2季度融资事件数量和金额均不及峰值的1/3。行业综述资本趋于理性，早期项目融资难度增加数据来源鲸准洞见、36氪研究院数据来源鲸准洞见、36氪研究院 从融资轮次上看，自2018年起，种子轮融资事件数量和在全年融资事件总量中所占的比例双双减少。这意味着，人工智能早期项目获得资本的难度可能在增加。1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析1436Kr-人工智能商业化研究报告2019.07 截至目前，鲸准洞见共收录2717个人工智能项目，其中2018-2019上半年共658个项目成功融资，总额约为886亿人民币。 从融资轮次上看，2018-2019上半年B轮及以后融资事件数量占人工智能总融资事件数量的24左右，与2017年的15相比显著增加。 从分布领域看，大额融资集中分布于计算机视觉、机器人、芯片、自动驾驶等核心技术厂商，各细分领域头部独角兽融资热度不减。资本市场整体上呈现“冰火两重天”的态势。行业综述B轮及以后项目融资数量占比增加，资本市场“冰火两重天”企业名称 融资轮次 融资金额 融资时间 所属领域商汤科技 C轮 6亿美金 2018年4月 计算机视觉C轮 6.2亿美金 2018年5月D轮 10亿美金 2018年9月旷视科技 D轮 7.5亿美金 2019年5月 计算机视觉优必选 C轮 8.2亿美元 2018年5月 实体智能机器人地平线 B轮 6亿美元 2019年2月 AI芯片依图科技 C轮 2亿美元 2018年6月 计算机视觉涂鸦智能 C轮 2亿美元 2018年7月 AIoTVideo C轮 10.7亿人民币 2018年9月 AI广告图示2018-2019上半年人工智能领域部分大额融资事件数据来源36氪研究院根据公开资料整理1.1AI商业化概况1.2AI定义1.3两种商业化路径1.4驱动力-宏观环境-政策-数据-技术（算法、算力）1.5投融资分析人工智能产业链分析CHAPTER Ⅱ 人工智能产业链图 产业链分析 基础层 技术层 应用层1636Kr-人工智能商业化研究报告2019.07 产业链图人工智能产业链图技术层 计算机视觉 生物识别语音识别 知识图谱芯片基础层 数据机器学习注本产业链图谱只列举部分企业作为说明，未覆盖全产业AI开放平台语义理解 VR/AR/MR人机交互2.1产业链图2.2产业链分析应用/ 方案层 金融安防医疗农业 交通广告营销 商务服务智能终端、穿戴、门锁、家电等消费级产品教育零售机器人传感器、摄像头等其它硬件云计算1736Kr-人工智能商业化研究报告2019.07 整体来看，中国人工智能产业链正在快速完善的过程中，从上游基础技术研发到中下游技术应用和用户习惯的养成，各环节合作模式逐渐成型，并呈现出精细化运营的趋势。 我们根据人工智能大生态中不同企业提供的技术、产品与服务侧重点的不同，将人工智能产业链大致分为基础层、技术层和应用层三个环节。 基础层为人工智能产业提供基础的软硬件和数据支撑，包括技术平台（云平台、开源框架、开发工具等）、基础硬件（芯片、激光雷达、传感器、服务器等）、数据及相关管理技术、通信设备等。 技术层包括以计算机视觉、自然语言处理、生物识别、人机交互、机器学习、知识图谱、AR/VR等人工智能核心技术为驱动的算法和解决方案提供商及相关技术平台。技术层是目前人工智能商业化的主力，大量“AI”方向的人工智能应用场景由技术层企业来推动落地。 应用层/方案层是从具体场景来看人工智能，既包括人工智能技术厂商主导推出的各种“AI”的解决方案，也包括由传统行业或当前较为成熟的商业主动地引入人工智能技术来为产业赋能的“AI”。从应用领域来看，人工智能应用层的跨度非常大，几乎渗透到各个产业的各个环节。应用层是商业化的最前沿，是现阶段最具有创新活力的环节，已呈现出百花齐放的态势。产业链分析人工智能产业链快速完善，可大致分为三个环节2.1产业链图2.2产业链分析2.3基础层2.4技术层2.5应用层1836Kr-人工智能商业化研究报告2019.07 基础层的作用范围更加广泛，其影响力波及整个互联网行业，同样，在人工智能产业链中也扮演着重要角色。 基础层在近年来的资本注入比较稳定，各环节技术、产品和商业模式上均有不同程度的突破。其中，较受行业关注的有数据、芯片、云计算等通用基础产品和服务，也有5G、IoT等新一代通信和传感技术。 数据方面，我们前文提到，数据是人工智能产业快速增长并进入商业化阶段的重要驱动力。在行业中，数据的价值主要表现在以下两个方面 一是，算法训练。人工智能算法的准确性依赖大量的相关数据。以人脸识别为例，需要大量的人脸图片数据结合深度学习算法，使机器能够归纳其特征、提取不同图片的细微差别，从而在新的图片数据出现时，算法能够快速做出识别和判断。 二是，数据挖掘与分析。通过找到数据之间的关联关系，从海量的数据中发掘出新的信息，将这些信息用于对决策系统的支持，能够更全面地认识问题，找到更优的决策方案。 无论是算法训练还是数据的挖掘与分析，数据质量无疑对其精度和实用性具有决定性的影响。其中，数据的多元性以及与实际业务的相关性是为最为重要的两个因素。与之相对应的数据采集、整合和应用能力是行业关注的重点。基础层数据质量是基础，行业关注数据采集、整合和应用能力2.1产业链图2.2产业链分析2.3基础层-数据-芯片2.4技术层2.5应用层1936Kr-人工智能商业化研究报告2019.07 当前，人工智能企业的数据来源主要有三类渠道，分别是自有数据、业务合作方数据和第三方数据。 其中，自有数据是企业或平台在运营过程中积累的大量业务数据、用户数据等。该部分数据随着企业经营和平台运营逐渐沉淀，通常可用来进行算法训练和产品的优化，将逐渐形成一种业务沉淀数据，数据反哺业务的闭环生态。 业务合作方数据，一般用于对算法的个性化训练和实际经营状况的分析。业务数据是对应业务场景下运营方的重要资产之一，受政策和商业竞争的约束，目前不允许接入共享。 第三方数据的来源广阔，包括专业数据公司通过各种方式采集到的数据，也包括运营商、互联网平台、实时位置、征信、社交行为、消费记录等多种渠道数据等。第三方数据通常作为一种补充，与企业自有数据和业务合作方数据共同来构建正价完善的数据系统。 随着业务场景对所需数据维度和量的需求增加，各场景下的技术商大多会考虑第三方数据的接入，在监管允许的前提下打破信息孤岛，加速了数据互联互通的进程。 此外，隐私和数据保护也逐渐受到重视，如何合法、合规的收集、存储和使用数据逐渐受到企业和社会公众的关注，但目前，国内对相关问题的监管和规范还想当欠缺，整体来看，数据行业的合规化有待完善。基础层-数据数据整合和信息互联互通成趋势，数据的使用待规范人工智能企业数据来源自有数据业务方数据第三方数据2.1产业链图2.2产业链分析2.3基础层-数据-芯片2.4技术层2.5应用层2036Kr-人工智能商业化研究报告2019.07 AI芯片是指面向人工智能计算的集成电路，包括GPU、FPGA、ASIC、类脑芯片等。 GPUGraphics Processing Unit图像处理器，专门用于处理图像计算，包括图形渲染和特效显示等。GPU具有较好的并行计算能力，在同时处理多项任务方面具有相对优势，主要应用于深度学习训练、数据中心加速和部分智能终端等领域。 FPGAField-Programmable Gate Array现场可编程门阵列，是一种半定制化电路，可通过编程自定义逻辑控制单元和存储器之间的布线。FPGA具有较好的灵活性和简单指令重复计算能力，能够适应市场和行业的变化，在云端和终端都有较好的应用。 ASICApplication Specific Integrated Circuits专用集成电路，是一种针对特定需求的定制化芯片，具有高性能、低功耗的特点。ASIC可基于人工智能算法进行定制，从而使其能够适应不同的场景需求。 类脑芯片是一种模拟人脑、神经元、突触等神经系统结构和信号传递方式的新型芯片。它具有高效感知、行为和思考的能力，目前仍处于研发的早期阶段。 目前，参与到芯片领域的技术厂商可大致分为四类即以Intel、NVIDIA等为代表的传统芯片厂商，以苹果、华为海思等为代表的通信科技公司，以Google、阿里、百度等为代表的互联网巨头和以寒武纪、地平线、比特大陆等为代表的创业公司。基础层-芯片什么是AI芯片AI芯片分为哪几类2.1产业链图2.2产业链分析2.3基础层-数据-芯片2.4技术层2.5应用层2136Kr-人工智能商业化研究报告2019.07 从功能上看，人工智能芯片主要应用于支持训练和推理这两个核心环节。 其中，训练是指利用大量的数据来训练算法，使之具备特定的功能；推理则是利用训练好的模型，在新数据条件下通过计算推衍出各种结论。训练和推理在大多数人工智能系统中是相对独立的过程，对芯片的要求也不尽相同。 训练所处理的数据量大、情况复杂，对芯片的计算性能和精度要求较高，目前主要集中于云端；此外，由于训练的过程可能涉及多种复杂场景，因而需要一定的通用功能来来支持。相对而言，推理对计算性能、精度和通用性要求不高，需在特定的场景下完成任务，一般在终端，因而更关注用户体验方面的优化。 从应用场景看，目前AI芯片的主要应用场景有云端数据中心和边缘侧的自动驾驶、安防、智能手机等。 其中，针对云端的训练和推理市场，仍以传统芯片厂商和互联网巨头为主导，创业公司则主要聚焦于边缘侧芯片。随着越来越多的边缘侧场景对响应速度提出要求，云计算与边缘计算的结合成为一种趋势。 整体来看，中国的芯片技术与国际先进水平还有较大的差距，国内也鲜有芯片巨头；但随着互联网巨头、通信技术厂商和创业公司的纷纷入局，中国AI芯片整体的研发投入会有所增加，未来也将迎来更快的发展期。基础层-芯片AI芯片的主要功能和应用场景有哪些2.1产业链图2.2产业链分析2.3基础层-数据-芯片2.4技术层2.5应用层222019.07 地平线成立于2015年，主要从事边缘人工智能芯片及解决方案的研发。基于人工智能专用计算架构BPU（Brain Processing Unit），地平线已流片量产了应用于智能驾驶的“征程（Journey”系列处理器和应用于AIoT领域的”旭日（Sunrise”系列处理器，并开始落地商用。 截至目前，地平线已在北京、上海、南京、深圳、厦门、硅谷等地设置研发中心和运营团队。合作伙伴包括奥迪、博世、长安、比亚迪、上汽、广汽、Intel、小米、首汽约车等。 产品和服务 地平线的第一代处理器基于高斯架构研发设计，目前有“征程（Journey”和“旭日（Sunrise”两个系列的芯片，以及Matrix自动驾驶计算平台，提供“芯片算法云”的多层次解决方案。相关案例-地平线地平线提供“芯片算法云”的多层次解决方案成立时间2015年成立地点北京最近融资6亿美元融资阶段B轮融资时间2019年2月 本轮投资方为SK中国、SK Hynix、数家国内一线汽车集团（与旗下基金）、泛海投资、民银资本、海松资本、晨兴资本、高瓴资本、线性资本、云晖资本等。 征程（Journey）于2017年正式流片发布，可用于L2级别的辅助驾驶系统（ADAS）。具备同时对人、机动车、非机动车、车道线、交通标志牌、红绿灯等多类目进行精准的实时监测和识别的能力。36Kr-人工智能商业化研究报告旭日（Sunrise）2017年正式流片发布，具备在前端实现视觉识别、视频结构化处理的能力，可 用 于 智 能 商 业 、 智 慧 城 市 等AIoT场景。2.1产业链图2.2产业链分析2.3基础层-数据-芯片2.4技术层2.5应用层232019.07 Matrix自动驾驶计算平台基于地平线征程2.0处理器架构搭建，支持激光雷达、毫米波雷达和多传感器融合的接入。可用于L4级别自动驾驶计算平台，具有相对高性能图像感知能力和低功耗的特点。 行业解决方案 1）智能驾驶解决方案Smart Mobility地平线基于软硬结合的边缘人工智能处理器技术，向自动驾驶场景提供多级别的环境感知方案。包括对复杂场景进行细粒度、结构化的感知，可拓展、模块化的三维语义环境重建，以及透明化、可追溯、可推理的决策和路径规划等。此外，面向车内交互场景，地平线可提供面向 DMS、AR-HUD、Face ID 、多模态交互、车内场景大脑等多种人机交互方案的底层视觉感知与语音技术。 2）AIoT解决方案以旭日（Sunrise）系列芯片为算力基础，地平线已形成了智能相机方案、智慧商业开放平台、智能人像分析平台等解决方案。可在物流、零售、家居、学校、工地、制造、医疗等多个领域帮助客户提升运营效率。 战略方向 短期内，地平线将持续打磨技术，提升芯片产品及相关服务的技术创新能力，健全工具链，搭建更高效、易用、开放的AI平台。 长期来看，地平线将更加注重产业生态的建设，与各合作伙伴一起去系统地完善人工智能芯片生态。相关案例-地平线地平线提供“芯片算法云”的多层次解决方案36Kr-人工智能商业化研究报告创始人CEO余凯 南京大学本、硕，德国慕尼黑大学计算机科学博士。科技部国家新一代人工智能战略咨询委员会委员，中国证监会科技监管专家咨询委员会委员，中国人工智能学会副秘书长。曾任百度深度学习研究院常务副院长，百度研究院执行院长， NEC 美国研究院（世界上最早从事卷积神经网络研发的5个实验室之一）媒体实验室主任， ICML 和 NIPS 主席，2011 年在斯坦福大学计算机系任兼职教授主讲课程 “CS121 Introduction AI”。2.1产业链图2.2产业链分析2.3基础层-数据-芯片2.4技术层2.5应用层2436Kr-人工智能商业化研究报告2019.07 从技术层来看，早期大量投入研发，在技术上获得相对优势企业更早地进入了商业应用的阶段，也更早地开始探索更多的落地场景，以拓宽商业版图，这是技术带来的先发优势。 随着大批企业涌入人工智能赛道，且技术的差距逐渐缩短，技术带来的先发优势将逐渐转化为市场优势。即技术所能构筑的壁垒会越来越低，取而代之的是更早的进行商业探索带来的行业影响力和市场机会。如对早期的市场的教育、用户习惯的培养、技术和产品标准的制定、品牌影响力塑造等。这将为企业带来更多的市场机会，从而获得更大的份额，形成一定的规模优势。技术层技术来带的先发优势将逐渐转化为市场优势数据来源于鲸准洞见、36氪研究院2.1产业链图2.2产业链分析2.3基础层2.4技术层-计算机视觉-自然语言处理-生物识别-机器学习-知识图谱-VR/AR/MR-人机交互2.5应用层2536Kr-人工智能商业化研究报告2019.07 计算机视觉是一种利用摄像头、计算机等设备等进行视觉感知与理解，使机器具备获取并处理图像、物体、实物动态和三维空间等相关视觉信息的能力。如人脸/人体识别、物品识别、视频内容识别与理解、SLAM与3D视觉等。 计算机视觉是相对成熟度更高、商业落地较早的人工智能技术，目前主要落地于安防、金融、自动驾驶、机器人、医疗、零售、广告营销等领域。 计算机视觉赛道已经呈现出头部与其它梯队的差距。头部玩家无论在技术实力，还是应用场景落地范围与速度上，都表现较好。整体来说，头部企业已进入了快速市场化阶段，在深耕垂直场景的同时，关注整体商业生态的建设与完善。技术层-计算机视觉计算机视觉头部格局已显现，进入商业生态建设期企业 主要的计算机视觉技术 主要落地场景商汤科技 人脸识别与体态分析、图像识别、物体识别、文本识别、医疗影像识别、视频理解与分析、SLAM与3D视觉等。 安防、智能手机、智能汽车、智慧诊疗、泛身份认证、泛文娱应用、教育、广告营销、线下金融、智慧零售等。旷视科技 人脸识别、人体识别、文字识别、商品识别、物体检测、视频分析、影像处理、3D感知、3D重建、V-SLAM、机器人控制与路径规划 刷脸支付与金融泛身份认证、在线互动营销、教育-智慧校园与AR教学、智能汽车-车主身份认证与驾驶状态分析云从科技 人脸识别、文字识别、活体检测 安防、金融泛身份认证、金融风控、智慧银行、刷脸支付、智慧零售、智慧校园依图科技 人脸识别、人体识别、图像识别、医疗影像识别 安防、智慧医疗、智慧银行、智慧零售、智慧政务瑞为技术 人脸识别、商品识别等图像视觉感知技术 安防、智慧商铺、智慧家电、车载智能来源36氪研究院根据公开资料整理2.1产业链图2.2产业链分析2.3基础层2.4技术层-计算机视觉-自然语言处理-生物识别-机器学习-知识图谱-VR/AR/MR-人机交互2.5应用层2636Kr-人工智能商业化研究报告2019.07 自然语言处理涉及机器如何通过人类语言识别意图或执行任务的问题，包括语义理解、机器翻译、智能文本等。 自然语言处理技术主要落地于各种可通过人类语言与机器进行交互的场景。如智能音箱、智能客服、智能手机助手、智能车载交互、实体机器人会话等。 由于自然语言处理技术上的突破，其实用价值得到较大的提升，从而直接驱动了自然语言处理技术相关产品与服务的多样化发展和商用落地。 目前，在自然语言领域尚未出现明显领先于行业的独角兽，该领域的企业处于多样化产品创新和商业落地的关键时期。技术层-自然语言处理自然语言处理技术获得突破，加快了商业落地的速度企业 主要产品与服务 落地领域三角兽