人工智能AI计算及商用价值分析报告.docx
《人工智能AI计算及商用价值分析报告.docx》由会员分享，可在线阅读，更多相关《人工智能AI计算及商用价值分析报告.docx（67页珍藏版）》请在冰豆网上搜索。
人工智能AI计算及商用价值分析报告
（此文档为word格式，可任意修改编辑！
）
正文目录
图目录
表目录
1.计算瓶颈突破，AI迎来第三次爆发，颠覆传统竞争模式
1.1AI同时实现“低成本与差异化”，增强企业竞争力
“以人工智能为代表的新兴产业”正引导第四次产业革命：
人工智能（ArtificialIntelligenceorAI）通过模拟、延伸和扩展人类智能，使机器胜任人类智能才能完成的复杂工作。
“以AI为核心的信息技术产业群”被誉为第四次工业革命，包括物联网、大数据、人工智能、云计算等。
根据艾瑞咨询，2020年全球AI市场规模将达到1190亿元，年复合增速约19.7%；同期，中国人工智能增速将达91亿元，年复合增速超50%，远超全球增速，市场前景广阔。
人工智能可分为基础层、技术层和应用层，基础层为算力支撑（AI芯片、云计算），技术层为算法平台，应用层是AI向各传统行业渗透应用。
图1：
人工智能可分为“基础层、技术层、和应用层”
人工智能可同时实现“成本降低、及差异化”，大幅增强竞争优势：
根据波特《竞争战略》，企业竞争战略可分为：
成本领先、差异化、集中化三种：
1）“成本领先战略”通过各类途径（如规模化、标准化），在牺牲差异化基础上，降低产品生产成本，专攻“价格敏感性客户”；2）差异化战略：
通过提升产品特色及价值，适当增加制造成本，进一步满足客户需求，专攻“存在特殊需求的客户”；3）集中化战略：
仅专注于某一特定的细分市场，在该细分市场中，再通过成本领先、差异化战略，来获取竞争优势。
企业试图在竞争中获胜，需选择“成本领先、差异化、集中化”三类战略中的一种，而“处于中间战略或者战略定位模糊的企业”则难以争取到“成本导向客户”及“（差异化）价值导向客户”，处于竞争劣势。
通常“差异化战略”意味以牺牲成本为代价，因其无法产生规模化效应，且需额外投入以增加产品附加值（特色）。
波特教授认为，若某一战略或技术可同时实现“成本降低、及差异化”，则会大幅提升竞争优势。
机器易实现批量化生产，但难满足个性化；人工易实现个性化，但难满足规模化需要。
人工智能（AI）本质为“用机器取代人类工作”，结合了“机器规模化生产、与人工个性化生产的优势”：
1）“AI+行业”可通过规模化生产，从而“大幅提升工作效率并降低生产成本”；2）“AI+行业”还可通过个性化生产，实现定制化及专门服务，充分满足消费者的差异化需求。
图2：
波特的成本领先、差异化、集中化战略
图3：
AI可同时“降低成本，并实现差异化
国内人力红利消退，AI可提高工作效率：
2012年起，中国劳动力人口占比开始下降，老龄化加剧。
随着人口红利消失，中国制造业在传统劳动密集型产业的成本优势逐步削弱。
中美对比而言，根据波士顿咨询，2013年中国制造业成本指数为95，相比美国（100）而言，成本优势已不显著。
根据德勤，到2020年美国制造业竞争力指数（100）将超越中国（93.5）。
图4：
中国老龄化加剧，劳动人口占比骤然降低
图5：
2013年中国制造业相对成本优势已不显著
目前，国内AI渗透比率并不高。
以机器人为例，2013年，中国每万个劳动力中的机器人数量仅为23个，大幅低于美国（146）、日本（332）、韩国（396），中国机器人渗透比例极低，存在大幅提升空间。
由于AI主要为软件产品，具有信息行业边际成本递减（甚至接近0）特性，规模效应显著，随着“中国老龄化加剧、劳动人口锐减、人力成本攀升”，AI有望以其规模化优势，替代人类工作，从而提高工作效率。
图6：
德勤预言2020年美国制造业竞争力将超越中国
图7：
中国机器人市场提升空间巨大
个性化需求崛起，定制化生产成为潮流：
根据《商业周刊》，20世纪50-60年代，同质化和标准化成为美国时代风尚；但70年代后，美国社会的“个性化和差异化”逐步取代了“同质化和标准化”。
目前，消费变迁现象亦在国内上演，随着“汽车、家电、电子消费品”等行业日益成熟，由于人类天然具备个性化需求，“这类直接面向消费者的行业话语权”逐步由卖方市场转向买方市场，消费者变得更为挑剔，更加注重于差异化及个性化，追求定制化生产。
图8：
产业发展后期，行业将从卖方市场转向买方市场
图9：
直接面向消费者行业，需满足消费者个性化需求
传统工业时代，企业讲究规模化、标准化生产，通过批量生产并降低成本。
消费者并无话语权，消费者无法参与“产品设计、制造、定价、营销”等环节。
定制化模式（尤其是个性化生产）往往受制于“生产规模”，生产成本过高，普通消费者难以企及，难于实际应用。
互联网时代，信息传播渠道高度通畅，通过大数据收集与分析，企业可高效完整地刻画出“单一客户的产品需求”。
人工智能时代，AI具备了人类智能，则可进一步利用消费者这类个性需求，生产出“个性化产品或服务”。
通过人工智能，可降低私人定制成本，普通人可财力可及，如AI私人医生、AI私人教育、AI私人助理。
以人脸识别为例，iPhoneXFaceID采用红外线进行人脸三维建模，并通过人工智能算法进行的面部特征提取和识别，实现“登录解锁、第三方支付”等功能，从而提供人脸识别的个性化服务。
图10：
人工智能时代，AI可同时“降低成本，并实现差异化，大幅增强竞争力
实例分析——浅淡汽车制造业的变迁：
以汽车制造为例，由于“生产过程非常复杂、工序工种繁多”，汽车制造业先后经历了“一人完成多个工种”、到“一人专注一个工种（流水线生产）”、再到“机器生产”，并慢慢向人工智能演变。
在产业演变过程中，“机器”逐步取代“人工作业”，人工智能代替人类智能，汽车制造效率得以大幅提升，厂商也实现薄利多销，社会效益明显。
汽车制造业的竞争战略而言：
在汽车行业发展初期，汽车生产成本过高，抑制了市场需求。
福特公司通过“同质化设计、规模化生产、流水线作业、专业化分工、提高工人劳动效率”大幅降低了汽车生产成本，创造出了廉价汽车，使得汽车奢饰品变为可选消费品。
但随着消费者收入水平增加，及行业供需格局扭转，消费者越来越注重汽车的个性化体验。
福特坚持在单一市场中提供单一车型（低端的黑色T型车），而不提供其他颜色及款式的汽车。
通用公司通过挖掘客户需求（分期付款）、实现产品多样化（每年推出新车型），击败福特成为美国市场上的销售冠军。
人工智能时代，AI融合“机器批量生产”及“人工柔性制造”的优势，如AI经过大量数据训练后，可识别出特定用户需求，并计算出“满足客户特定需求的产品制造参数”，通过输入机器人系统，从而制造出个性化产品。
由于“AI产品、机器人”的“设计、生产效率”高于“人类设计、生产”，因此，汽车制造业通过人工智能改造，将同时实现“低成本的规模化”及“高价值的差异化”，“把握AI技术浪潮的企业”将持续获取竞争优势。
图11：
汽车制造的产业变迁过程
1.2产学研全面推进，AI迎来第三次爆发
算法、数据、算力遭遇研究瓶颈，AI历经数次起伏：
1956年麦卡锡、明斯基、洛切斯特、香农发起达特矛斯会议，正式提出人工智能概念，标志着人工智能诞生。
由于算法、数据、计算机能力陆续遭遇研究瓶颈，人工智能历经数次起伏。
60年代，随着逻辑理论机、感知器模型、人工智能语言LISP提出，人工智能走向兴盛。
70年代，人们发现复杂问题求解的计算量将爆发式增长，现有机器也难以模仿拥有1011-12神经元的人脑结构，人工智能研究经历萧条。
80年代，专家系统、Hopfield神经网络、BP算法使得人工智能研究再次兴起。
但由于计算机能力限制、传统神经网络算法难以实现多层结构，人工智能再次陷入寒冬。
图12：
算法、数据、计算机能力陆续遭遇研究瓶颈，人工智能历经数次起伏
人工智能正处于第三轮爆发时期：
2006年，深度学习以突出非监督式学习能力、优良的多隐层结构特性奠定了人工智能广泛应用的算法基础。
随着计算能力瓶颈突破，目前人
工智能处于第三次爆发时期，风投、PE资本竞相涌入。
图13：
2012年以来，AI全球投资总额大幅增长
图14：
2011-2015年人工智能公司风投融资额及数量
学术界、产业界对AI重视程度不断提高。
近几年，国内人工智能相关的专利申请数量，以及人工智能市场规模，均呈现强劲增长势头。
图15：
近年来，中国人工智能专利数量剧增
图16：
2014-2019年中国人工智能市场规模
鉴于人工智能的良好发展前景，近几年A股市场中，人工智能亦大幅跑赢市场指数，AI标的的超额收益明显。
图17：
人工智能指数大幅跑赢市场指数，AI标的的超额收益明显
受AI市场（无人驾驶、数据中心）的强劲需求驱动，在过去十余个季度，海外科技巨头英伟达的业绩增速持续超出华尔预期，英伟达股价一骑绝尘，从2015年的23美元增长至目前187.55美元（2017/9/18，区间涨幅高达8倍）。
长城中小市值在《海外科技巨头AI基础层业务已经爆发，AI产业红利将传导至应用层——人工智能专题深度报告（海外篇三）》中指出，鉴于当前AI基础层（AI芯片、云计算等算力支撑）盈利已经爆发，考虑到产业链传导效应，未来AI产业盈利亮点还将传导至应用层。
应用层而言，2017年，国内AI龙头公司（科大讯飞、语音识别）股价走势强劲。
图18：
海外科技巨头（英伟达、AI芯片）股价持续暴涨
图19：
2017年，科大讯飞（语音识别）股价走势强劲
AI上升为国家战略，政策红利有望持续释放：
人工智能被誉为第四次产业革命，国家高度重视人工智能发展。
2016年5月，发改委在《“互联网+”人工智能三年行动实施方案》提出，到2018年国内要形成千亿元级的人工智能市场应用规模。
2017年3月，李克强总理指出要加快培育壮大包括人工智能在内的新兴产业，“人工智能”首次写入了《2017年全国政府工作报告》，人工智能上升为国家战略。
《规划》确定人工智能“三步走的战略目标”，人工智能产业将获得持续高速发展：
2016年5月，发改委在《“互联网+”人工智能三年行动实施方案》提出，到2018年国内要形成千亿元级的人工智能市场应用规模。
本次《规划》确定了中国人工智能产业三步走的战略目标：
（1）第一步：
到2020年，人工智能总体技术和应用与世界先进水平同步，AI产业竞争力进入国际第一方阵，人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元。
技术领域，在“大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统”等新一代人工智能理论和技术取得重要进展。
（2）第二步：
到2025年，人工智能产业进入全球价值链高端，人工智能成为带动我国产业升级和经济转型的主要动力，新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，人工智能核心产业规模超过4000亿元，带动相关产业规模超过5万亿元。
技术领域，人工智能基础理论实现重大突破，新一代人工智能理论与技术体系初步建立。
（3）第三步：
到2030年，人工智能产业竞争力达到国际领先水平，形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。
技术领域：
在类脑智能、自主智能、混合智能和群体智能等领域取得重大突破，形成较为成熟的新一代人工智能理论与技术体系。
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。
从规划目标来测算，2020-2030年的十年间，中国人工智能核心产业规模年复合增速将高达20.89%，AI相关产业规模的年复合增速将高达25.89%，人工智能产业将长期保持高速增长势头。
随着本次《新一代人工智能发展规划》出台，后续国家将持续加大AI领域“资金、人才、技术”等投入，人工智能政策红利有望持续释放。
图20：
AI上升为国家战略，利好政策持续出台
图21：
中国人工智能“三步走的战略目标”
1.3“计算瓶颈突破&商用价值提升”引爆AI产业链
第三轮人工智能热潮兴起，以深度学习算法为代表。
深度学习算法由传统多层神经网络算法发展而来，而神经网络算法出现时间相当长。
深度学习的每一隐层将识别出“事物的某一特殊性征，“深度学习模型的精度”将随隐层层数增加而提升。
但深度学习的隐层数量增加时，训练深度学习模型时的计算量呈现几何式增长，传统芯片（CPU等）计算能力受限，限制了深度学习的应用。
2012年起，以英伟达GPU为代表的芯片计算能力大幅提升，人工智能热潮得以爆发。
另外，“深度学习算法+强大计算能力”使得图像识别、语音识别的精度提高至90%以上，接近或者超越“人类的识别率”，具备了产业化的应用价值，人工智能行业应用进程加快。
传统神经网络算法难以有效训练：
传统神经网络一层即为一个线性变换与一个简单非线性操作的叠加，多层神经网络也就是多个简单的非线性函数的复合函数，利用监督学习和误差反向传播来进行参数调优。
神经网络初步自学习性、容错性、并行处理、分布存储等智能特征。
但一、两层的神经网络难以刻画复杂输入输出关系；而随着神经网络层数增加，将出现欠拟合/过拟合、易陷入局部最优、训练效果随着层数增加而变差的问题，一般神经网络最多仅可达2-3层。
因此传统神经网络算法并不能实现有效训练，以适应主动学习复杂事物的需要。
表1：
传统神经网络算法与深度学习算法的对比
深度学习可有效刻画复杂事物属性：
深度学习由传统多层神经网络发展而来，但其中间层更深（可达几千层）。
先是通过非监督学习对各个隐层的参数进行逐层初始化，在输出层再进行监督学习将输出结果与实际结果进行对比，最后进行误差反向传播调整优化参数。
以图像识别为例，深度学习中，用输入层来将图像特征提取为函数，用输出层来输出结果，其他隐层都是用来识别、分析图像的特征（该特征可能极为抽象）。
有实验测试表明，当一幅图被输入时，第一个隐层负责识别颜色及简单纹理，第二个隐层则负责识别更细化的纹理，第三个隐层负责识别光度变化，其他隐层依次识别图片中的其他特征，且这些特征均是机器从无标记数据中自动提取的，并未进行人为干涉。
随着隐层的层数增加，深度学习算法将刻画出事物若干属性，甚至无限逼近事物真实形态。
最后，深度学习算法在最高一层将对图片所有特征进行识别，并在输出层给出图像识别结果的判断。
图22：
深度学习从无标记数据中提取抽象特征，可无限逼近事物真实形态
英伟达GPU芯片突破“深度学习模型计算能力瓶颈”：
“提高AI模型精度”需要增加深度学习层数以抽取更多特征。
深度学习算法在训练模型时，随着隐层层数增加（神经网络层数不断增加至上千层），每次训练模型时的计算量也呈现几何式增长。
此外，训练出一个“使用效果良好的学习模型”，常需要进行数百万次以上训练。
“计算能力受限”一度制约了深度学习的应用。
目前，英伟达GPU芯片成为“训练深度学习模型的事实标准”。
而2013-2015年，英伟达深度学习用GPU计算性能提升50X，训练天数远低于CPU芯片。
“计算能力突破”是近年人工智能爆发的最关键因素。
图23：
NVIDIAGPU3年间将深度学习效率提升50倍
图24：
NVIDIATITANX深度学习训练天数远低于CPU
图25：
英伟达2年间深度学习合作伙伴数量增长34倍
图26：
2016年，英伟达合作伙伴达19439家
深度学习算法效果显著，语音识别/图像识别接近或达到人类水平，产业化进程有望加速：
深度学习可从无标记数据中自动提取特征，无需再进行人工干预，且刻画事物属性的维度将随着层数增加而增加，精度可通过大量事例（大数据）学习来保证。
应用而言，先前很长时间内，图像与语音识别准确率仅可达80-85%，但通过深度神经网络及大数据的训练，准确率提升了10-20%，目前准确率超过90%，可适用于大部分商业场景。
因此被广泛用于图像识别、语言分析、自然语言理解、机器翻译等感知智能领域。
深度学习图像识别率已经超越人类水平：
在2015年ImageNet图像分类大赛中，微软亚洲研究院MSRA将隐层层数增加到152层，其正确率高达96.43%，明显超越人眼94.90%的正确率，深度学习算法效果极为显著，预期感知智能领域产业化进程将加速。
语音识别率高达97%，产业化加快：
2010年，谷歌的语音识别率仅为70%，产业应用难度较高。
2016年11月，搜狗、科大讯飞、XX等三家公司相继举行发布会，各自语音识别率已经高达97%，产业化进程加快，科大讯飞语音识别软件已经广泛应用于“智能手机终端”。
图27：
深度学习图像识别率已经超过人类
图28：
2016年，XX科大讯飞搜狗的语音识别率达97%
2.各科技巨头加速布局，AI芯片进展迅速
2.1芯片制造工艺提升，“GPU、FPGA、ASIC”计算能力持续改善
深度学习算法存在数以百计的隐层结构，且每一隐层还存在诸多神经元，每一次训练过程中，所有的神经元都将完成一次运算。
为达到良好学习效果，需要进行高达数千万次或更多的训练过程，因此深度学习计算量特别大。
为了保证模型精度，需使用大量的CPU来并行计算，如GoogleBrain项目使用16000个CPUCore的并行计算平台训练来保证运行速度。
CPU串行计算难满足深度学习需要：
CPU（中央处理器）遵循冯诺依曼架构，核心是存储程序，顺序执行，进行串行计算。
人工智能时代，“数据量及计算量”均呈现几何式增长。
而芯片制造工艺也逐步接近极限，传统X86架构下“计算能力提升”已开始滞后于摩尔定律，2016年3月，Intel正式停用“Tick-Tock”处理器研发模式，研发周期从2年转变成3年，摩尔规律近乎失效。
“计算能力需求（几何式增长）”与“计算能力供给（摩尔规律失效）”难以匹配。
实际上，人脑每一次放电都将激发若干神经元及神经回路，进行并行计算。
并行计算运行效率更高，更适宜用作深度学习：
从指令类型考虑：
计算能力不仅和硬件计算速度有关，也和硬件所支持的指令有关。
当某些高阶运算（幂运算）分解成低阶运算（加法）时，计算量会爆发式增加，从而效率大幅降低。
但如果硬件本身就支持该高阶运算，就可直接执行，从而提高效率。
因此将并行运算过程分解成串行计算，计算效率将大为降低。
从深度学习算法考虑：
深度学习的每一层隐层内部均存在大量神经元，这些神经元将同时接受输入，并同时进行输出，且处理过程重复性较强。
可认为每一隐层中的神经元存在进行并行计算的可能性。
图29：
CPU结构示意图
图30：
串行计算、并行计算示意图
因此CPU串行计算难已满足深度学习需要。
为提高算力，GPU、FPGA、ASIC（含TPU）等支持并行运算的芯片陆续被用于深度学习算法。
CPU（中央处理器，CentralProcessingUnit）：
是PC核心部件。
CPU兼顾计算和控制：
1）~70%晶体管用来构建控制单元及Cache，以进行复杂逻辑控制，并运行各类复杂指令，具备很强的计算通用性，可处理计算复杂度高；2）由于“芯片的每个物理核”中，仅~30%晶体管是从来构建计算单元，在进行“重复性强的AI算法指令”运算时，计算效率不及“较多或者全为计算单元”的GPU及FPGA芯片。
GPU（图形处理器，GraphicProcessingUnit）：
是显卡核心，存在大量计算单元（几千个）及高速内存，可以同时对很多像素进行并行处理。
由于图像上每个像素点都有被处理需要，且处理过程重复性较强，而各个处理过程之间的关联性不大，存在并行处理可能性，这和深度算法的每一隐层中神经元的处理过程类似。
进行指令重复度高的并行计算时，每个计算单元执行相同的指令，无需复杂的流程控制及cache容量，也无需设计“复杂的计算指令结构”。
相比而言，CPU则将更多晶体管用于“数据Cache、流程控制器”。
GPU控制则更为简单，将大部分晶体管组成“各类专用电路、多条流水线”，以支持并行计算。
因此GPU比CPU更适宜用于深度学习算法，效率更好、功耗更低、吞吐量越强。
“GPU、CPU芯片”均可分为“取指令、指令译码、指令执行”三个过程，但是GPU并不适合于执行“复杂指令、多种指令”的情况，浮点计算能力也不及CPU。
图31：
CPU及GPU内部架构示意图
图32：
英特尔CPU与英伟达GPU性能对比图
FPGA（Field－ProgrammableGateArray或现场可编程门阵列）：
是软硬件合的元件。
FPGA只能根据被编程的处理逻辑和方式来处理特定数据输入，使其内部几乎全为计算单元，并省去了CPU取指和译码两步骤，从而直接根据定制的算法（指令）来进行数据运算。
因此，FPGA在运行简单但重复性高任务的时候，计算效率可极大提高（效率高于CPU、GPU）。
FPGA可实现并行度很大的计算，CPU每次只能处理4到8个指令，而FPGA在使用数据并行方法时，每次可处理256个或更多的指令。
FPGA被称为万能芯片，被芯片厂商广泛应用于芯片原型设计和验证。
除了静态可重复编程和动态系统重构、可实现并行计算外，FPGA还具有低能耗、高性能等特性，因此在深度学习领域应用前景极为广阔，如XX机器学习硬件系统就用FPGA打造了AI专有芯片（FPGA版XX大脑），并逐步应用XX语音识别、广告点击率预估模型等领域。
但FPGA编程需要使用硬件描述语言，限制了其使用范围。
ASIC（ApplicationSpecificIntegratedCircuit）：
是应“特定用户要求或特定电子系统”的需要而设计、制造的集成电路。
由于ASIC芯片可根据算法需要进行定制设计，因此与通用芯片相比，ASIC芯片具有“体积小、重量轻、功耗低、可靠性强、规模效应强（出货量越大则成本越低）”等特点。
ASIC针对专门应用而特别设计，“系统设计、电路设计、工艺设计”之间紧密结合，易于获得高计算性能。
ASIC与FPGA相比：
1）通用性而言：
FPGA为通用芯片，ASIC则为定制化芯片，当“ASIC依据的算法变化”时，ASIC则难以使用；2）成本而言：
ASIC上市较慢，开发时间长，开发成本远高于FPGA，但量产后平均成本低于FPGA；3）效率而言：
“最好工艺实现的ASIC芯片”速度比“同样工艺制造的FPGA芯片”快5-10倍。
“设计ASIC”要求是在尽可能短设计周期内，以最低成本获得ASIC产品。
ASIC设计方法主要有：
1）全定制设计：
周期最长、成本最贵，适合“批量很大或对成本不计较”情形；2）半定制设计：
成本低于全定制，但高于可编程ASIC，适合“较大批量的ASIC设计”；3）利用FPGA设计：
成本最低，但芯片价格最高，适合于小批量ASIC产品。
图33：
FPGA内部结构示意图
图34：
Google的TPU实物图
“芯片的计算效率与通用性”难以兼顾：
就芯片计算效率而言，从CPU、GPU、FPGA到ASIC，晶体管中的计算单元越多，计算效率越高，且芯片通用性降低、专用化加强。
此外CPU&GPU为通用性、大规模量产的芯片，软件和硬件分离，编程时，可将“C++、jave”等高级语言通过“编译系统”转化为“底层的硬件语言（或机器语言）”，高级语言具有20“便利性、易用性”，CPU&GPU应用软件开发较为方便。
FPGA&ASIC芯片为“软硬件一体架构”，其算法直接通过“晶体管门电路”实现，相比CPU&GPU芯片的指令系统而言，FPGA&ASIC芯片没有中间层次，晶体管效率高。
但是，掌握FPGA&ASIC硬件语言的人员较少，因此应用程度受限。
芯片制造工艺提升，“GPU、FPGA、ASIC”计算能力改善，人工智能逐步走向实用：
当神经网络的层数增加时，计算工作量将呈现几何式增长。
但受限于芯片计算能力，传统神经网络一般为“十几层到几十层”，难进一步增加。
目前，芯片制造工艺技术得到较大程度改进：
1）三星表示，预计2018年上半年，其11nm制程工艺的芯片就会出货；2）2017年9月，Intel全球首次展示
升级会员 