人工智能行业分析报告Word下载.docx

人工智能行业分析报告Word下载.docx

《人工智能行业分析报告Word下载.docx》由会员分享，可在线阅读，更多相关《人工智能行业分析报告Word下载.docx（26页珍藏版）》请在冰豆网上搜索。

“AI算法”领域国内市场也涌现出一批优秀创业公司，深耕深度学习算法在市场获得认可。

应用遍地开花，关注极具发展潜力的行业应用。

AI行业应用遍地开花，不同行业应用深度各有不同。

AI应用层次重点关注数据积累量大、方便获取、有海量数据分析处理需求的行业，这些行业极具投资价值。

无人驾驶产业链生态同步发展，市场前景广阔。

无人驾驶产业链纵深长：

单车智能先行，部分成熟领域有望实现国产替换；

网联路段信息，由集成设备提供商向运营转型；

车联网服务转型，‚乘客经济‛是未来出行发展新模式。

重点关注产业链各部分龙头企业。

医疗AI爆发式增长，应用场景是行业竞争制高点。

医疗数字化给医疗AI发展提供基础保障，海量数据处理技术给医疗AI突破式发展提供技术保障，资本热捧助力医疗AI爆发式增长。

医疗行业细分领域通常会出现寡头竞争格局，得场景者得天下局面。

一、AI已引爆，关注产业链关键环节

1、AI热点已被引爆

2017年前三季度，计算机行业收入增速位列前十，高于TMT其他行业。

2017年前三季度各行业总营业收入增速排名，煤炭以57.14%增速位居第一。

钢铁、交通运输、基础化工等行业收入增速靠前，前几名基本被具有行业周期的传统行业占据。

计算机行业作为高技术产业，整体收入增速为33.94%，位居第8位。

与同处于TMT行业的传媒14.19%、通信9.53%相比仍远远高于其水平。

2017年以来，计算机板块创收增速高于A股、创业板，创利能力稳健。

2014年开始，计算机收入增速处于A股和创业板之间，本年三季度逆袭追平创业板。

归母净利润增速方面，2014年之后，计算机板块开始超越A股、追赶创业板。

且本年前三季度增速达26.42%，高于创业板和A股。

计算机行业收益持续增加。

从2011年开始，计算机板块前三季度营业收入呈现稳步增长态势，且保持高增长率；

归母净利润逐年增加，增长率波动变化。

2017年前三季度营业收入达2709.98亿元，相比去年同期增加33.94%。

归母净利润也达到177.34亿元，相比去年同期增加26.42%。

AI板块创收、创利能力均优于计算机板块。

从2013年起，每年前三个季度总营业收入增速保持在20%左右水平。

与同期计算机板块增速相比，AI板块收入增长稳定性较好，且大多数年份增长率均高于计算机板块。

在本年度，AI板块总收入增长率还达到37.48%，高于计算机板块整体增长率。

从2013年之后，AI板块归母净利润增长率保持在20%左右，且稳定性较高，净利润与收入保持同步增长。

注：

AI板块采用概念类“人工智能”板块

AI板块市场表现优于创业板和计算机板块。

从今年年初，AI板块表现一直优于创业板和计算机板块以及A股，且上升趋势明显。

即便在下半年整体行业板块下跌情况下，AI板块依旧坚挺，上涨态势明显，且远好于大盘，AI热点已被引爆。

2、2018年关注AI产业链关键环节

（1）“深度学习”技术引爆本轮人工智能热潮

‚深度学习‛技术的引入是人工智能发展的重要分水岭。

人工智能从1956年达特茅斯会议中诞生，几经起伏，终于在2011年迎来了爆发，在众多领域取得了突破。

在语音识别领域，2011年，微软采用深度学习后大幅提升了语音识别的精度；

在图像识别领域，2012年，深度学习鼻祖Hinton赢得ImageNet图像识别竞赛，击败了所有有着数十年传统图像识别算法经验的专家；

在围棋博弈领域，2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；

在自动驾驶领域，特斯拉、奥迪、奔驰、博世等公司均在基于深度学习技术开发自动驾驶系统，力图赋予未来汽车完全自动驾驶能力。

一系列的成就引发了全球对人工智能产业的关注，开启了新一轮投资浪潮。

人工智能取得如此辉煌的成就，要归功于‚深度学习‛技术的应用，使人工智能性能得到了长足的发展。

在旧人工智能中，机器是人类指令的执行者，不能够创造知识经验。

在2011年以前，机器仅仅充当人类臂膀的延伸，不能够创造知识经验，主要作用是精于计算。

在人工智能中，人类承担着创造经验，经验输入的角色，将机器在各种情况下该执行的操作思考清楚，以程序的形式输入机器；

机器仅仅承担着动作执行的角色，根据机器遇到的情况执行人事先设定好的指令。

在本轮人工智能浪潮中，‚深度学习‛赋能‚人工智能‛自主成长。

在基于深度学习的人工智能中，分为‚学习阶段‛和‚推理阶段‛两个阶段。

在学习阶段，人类的任务是‚创造‘创造经验’的规则‛，创造一套从海量数据中提取经验的规则，以及经验存储的数据结构；

而机器的任务是创造经验，根据人设定的规则从海量数据中提取经验，并根据人设定的数据格式进行存储。

在推理阶段，人类的角色是‚创造‘解读经验’的规则‛，即创造一套根据机器遇到的情况从学习得到的经验中获得该执行的动作的规则；

机器的任务是动作执行，根据机器遇到的情况、学习阶段得到的经验，以人事先设定的方式进行解读并执行。

所以在基于深度学习的人工智能中，机器不仅精于计算，而且精于创造。

（2）AI产业链梳理及2018年重点关注环节

基于深度学习人工智能的三个基本构成。

深度学习的三个基本构成是‚数据‛、‚算法‛、‚算力‛。

‚数据‛是深度学习‚学习阶段‛汲取知识经验的重要来源，互联网时代大量的搜索记录、社交数据、交易数据等蕴含了大量人类的信息，将这些信息结构化存储在神经网络中，是机器更好地服务人类和解决问题的宝贵资源；

‚学习阶段‛中的神经网络结构设计、如何根据海量数据训练神经网络，‚推理阶段‛如何根据训练好的神经网络进行决策，解决问题，均是‚算法‛；

无论是‚学习阶段‛，还是‚推理阶段‛，均需要高强度的并行计算能力作为支撑，传统CPU不擅长这种计算类型，所以新的芯片设计以及服务器架构设计是当前重点研究领域，‚算力‛支撑是人工智能发展的基础。

‚人工智能‛产业链环节全梳理。

互联网公司、运营商、行业IT系统用户由于扼守了数据的源头，将是未来人工智能的重要玩家，数据积累量大、方便获取、有海量数据分析处理需求的行业也将是‚人工智能‛极具发展潜力的行业；

由于‚深度学习‛算法壁垒较高，在这一领域会出现强者通吃的局面，算法开发公司是另一重要玩家，将其开发的人脸识别、语音识别等算法卖给更加懂行业的公司，支持其开发面向行业的应用，例如商汤科技；

‚深度学习‛全新的计算需求催生了芯片研发热潮，占领这一领域制高点的公司有望成长为下一个英特尔、ARM；

人工智能应用的多样性与广泛性催生了AI平台，提供云化的硬件资源以及可供调用的算法包，供客户方便快捷地构建自己的人工智能应用，例如XX于今年7月XXAI开发者大会上全面解读的XXAI平台；

AI应用主要分为两种类型，一种类型是汽车、安防、医疗等传统行业将AI引入以提高本行业的服务质量，这就是所谓的‚AI+‛，另一种类型是着力于开发AI催生出的新应用。

2018年，在技术层面重点关注‚AI芯片‛和‚AI算法‛公司，在应用层面重点关注‚AI+医疗‛和‚AI+汽车‛。

与CPU、GPU被几个巨头垄断不同，‚AI芯片‛开辟了一个全新的赛道，我国涌现出了寒武纪、深鉴科技、地平线机器人等一批优秀的企业，有望实现弯道超车，目前已经引起了资本市场的广泛关注，在AI大潮流下，预计2018年热度仍然不减；

‚AI算法‛的开发不仅仅是一个工程问题，还需要壁垒较高的深度学习数学理论，这一领域有望实现强者恒强，目前已经崭露头角的旷视科技、商汤科技、科大讯飞等值的继续关注；

在应用层面，2018年重点关注数据积累量大、方便获取、有海量数据分析处理需求的行业，这些行业的AI应用将极具发展潜力，例如‚AI+医疗‛和‚AI+汽车‛。

二、技术爆发正当时，关注高筑壁垒的优质标的

1、AI芯片：

新的计算时代已开启，AI芯片百舸争流

（1）当前处理器难以满足AI计算需求

传统CPU无法满足深度学习处理需求。

CPU的设计目标是具有很强的通用性以处理各种不同的数据类型，同时逻辑判断处理需求又要求其具有分支跳转和中断处理能力，这些都使得CPU的内部结构异常复杂。

而深度学习的计算是类型高度统一的、相互无依赖的大规模数据处理，是一个不需要被打断的纯净的计算环境，CPU无法胜任深度学习的计算任务。

打个比方直观地解释一下，如果将CPU比作一个从加减乘除到微积分样样精通的博士生，那么深度学习的计算任务就是几千道十以内的加减法题目，这里需要的是数以千计的小学生，而不是一个博士生，如果非要博士生来处理这些问题，其也只能一道一道地算十以内的加减法题目，效率很低，并且其所具有的微积分等高级计算能力浪费掉了。

传统的CPU架构需要数百甚至上千条指令才能完成一个深度学习过程中单个神经元的处理，无法支撑深度学习的大规模并行计算需求。

如果传统CPU的架构不改变，即使继续提高晶体管的数量，也无法满足深度学习的计算需求。

A.I时代需要新的、更为合适的处理器。

人工智能独特的计算需求开启了一个新的计算时代。

英特尔和ARM的历史告诉我们，新计算需求的出现往往是新兴芯片企业弯道超车的拐点，新计算方式的发展必然带动专业处理器的需求。

新兴企业把握核心芯片优势，建立产业生态体系、纵深发展，才能在新一轮计算变革中占有一席之地。

芯片产业在计算领域处于基础层次，是计算产业上游领域发展的基石。

当前A.I芯片尚处于早期研发阶段，通用芯片向A.I专用化改进，专用芯正在探索、研发中。

但毫无疑问，谁能占据A.I芯片市场的主导地位，谁就能成为下一个英特尔和ARM，成为下一代计算产业革命的领导者。

（2）GPU：

通用芯片，广泛应用于数据中心

从技术层面阐述GPU相较于CPU在深度学习运算方面的优势。

从下图可以看出，CPU的逻辑运算单元（ALU）较少，控制器（control）占比较大；

GPU的逻辑运算单元（ALU）小而多，控制器功能简单，缓存（cache）也较少。

架构的不同使得CPU擅长进行逻辑控制、串行计算，而GPU擅长高强度的并行计算。

GPU单个运算单元处理能力弱于CPU的ALU，但是数量众多的运算单元可以同时工作，当面对高强度并行计算时，其性能要优于CPU。

GPU性能高、功耗大、价格高，适用于学习阶段（数据中心）。

GPU在并行计算、浮点以及矩阵运算方面具有强大的性能，但是其功耗较大、价格较高。

但这些对于数据中心来说都不是太大问题。

数据中心作为A.I深度学习高性能计算平台，快速完成对海量数据的多层次、多迭代模型分析处理才是关键。

从2011年，人工智能研究人员首次使用英伟达GPU为深度学习加速后，GPU在A.I领域发挥的巨大作用逐渐被人认识。

越来越多的数据中心采用GPU加速方案来提速深度学习，GPU也开始向通用GPU方向发展。

GPU+CPU异构架构成为面向A.I服务器的主流架构。

随着计算复杂度的逐步提升，服务器采用的处理系统并未单纯的只有GPU或GPU，而是由CPU和GPU组合而成的异构系统，两种处理器各取所长，密集的处理任务交给GPU，复杂的逻辑运算交给CPU，两种处理器协同工作，提升系统的运算速率。

在A.I处理需求带动下，异构系统越来越普遍，GPU的市场需求也会进一步的扩大。

BernsteinResearch统计数据表明，随着GPU+CPU异构系统越来越多地应用到A.I领域，G