计算机行业人工智能市场调研分析报告.docx
《计算机行业人工智能市场调研分析报告.docx》由会员分享,可在线阅读,更多相关《计算机行业人工智能市场调研分析报告.docx(31页珍藏版)》请在冰豆网上搜索。
计算机行业人工智能市场调研分析报告
2017年计算机行业人工智能市场调研分析报告
2017年5月
北京欧立信咨询中心
本调研分析报告数据来源主要包含欧立信研究中心,行业协会,上市公司年报,国家相关统计部门以及第三方研究机构等。
图表目录
表格目录
第一节“算法红利”即将消失,AI产业落地时代关注三大壁垒
一、人工智能时代到来,各行业面临变革
2016年,人工智能的概念随着AlphaGo打败人类棋手开始大热。
以神经网络为核心算法的新一代人工智能技术已经在感知和认知的两个层面迅速超越人类——语音、图像等识别类算法以及围棋、游戏等认知类应用算法均已超越人类最佳水平。
人工智能算法的进步意味着机器智能将迅速进入到生活的各个角落,并在感知和认知两个领域带来巨大的产业化机会。
图表1:
CNN图像识别算法原理
资料来源:
XX图片,北京欧立信调研中心
图像识别作为人工智能中机器学习下神经网络算法的一大分支也逐步走进人们的生活。
所谓图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。
神经网络算法的发展中衍生出一类称为卷积神经网络(ConvolutionalNeuralNetwork,简称为CNN)的算法。
这套算法将图像信息拆解为多个层次,以人脸图像识别为例,最底层以几何图案作为最小单元,逐次组合成线条、局部图像、器官、整个人脸。
CNN技术的大规模推广迅速提升了传统图像识别技术的识别正确率,并为后端应用提供了重要技术保障。
图表2:
支付宝刷脸支付
资料来源:
XX图片,北京欧立信调研中心
图表3:
微软Windows10支持刷脸解锁
资料来源:
XX图片,北京欧立信调研中心
现实中图像识别技术已运用的较为广泛,“刷脸”门禁已开始普及,驾照考试中也需要人脸识别认证参考者的身份,高速公路上开始安装车辆识别摄像头。
2016年4月8日,支付宝方面宣布人脸识别神器“呵呵付”(“SmiletoPay”)将在杭州西湖文化广场亮相。
该支付认证技术由蚂蚁金服与Face++合作研发。
最新版本的Windows10中,搭载Intel的RealSense摄像头的移动设备也已支持面孔认证登录。
市面上不乏人脸识别的APP和其他产品,人脸识别对公众来说已经不是个陌生神秘的技术了。
二、AI算法超人类能力,极端场景也能实现感知与认知
从技术上讲,图像识别技术可以分为两个研究前沿:
通用物体识别和特定物体识别。
顾名思义,通用物体识别是在一张复杂的图像中尽可能的识别更多的物体,而特定物体识别则是针对专门物体识别的技术。
在特定物体识别技术中,人脸识别技术则是进步最为迅速且应用前景最为广阔的一项技术。
图表4:
人脸识别超越人眼
资料来源:
人工智能大会,北京欧立信调研中心拍摄
人脸识别的算法模型也是基于卷积神经网络,通过大量已标注的人脸图片作为素材进行训练,并形成高识别率的人脸识别模型。
一般来说,一个有效的神经网络的形成需要数以万计的数据进行训练,涉及到的计算量极大。
根据我们对国内一流人脸识别企业的调研,训练一个识别率较高的人脸识别模型通常需要10-100万量级的人脸图片数据、GPU服务器约为1-2周的训练时间。
随着计算机计算能力的迅速提升与算法的成熟,以神经网络为核心的AI识别类算法识别率大幅提升。
在人脸识别领域,2015年-2016年期间,“实验室算法”Linkface公司的DeepID2、旷视科技的Megvii算法、谷歌的FaceNet算法分别取得99.15%、99.50%和99.83%的识别准确率,超过肉眼97.50%的识别率。
XX的“近实用”算法也取得了97.6%的识别准确率。
除了算法上的优化,如今的人脸识别技术还能克服光线的限制。
传统的人脸识别技术主要是基于可见光图像的人脸识别,在环境光照发生变化时,识别效果会急剧下降。
三维图像人脸识别和热成像人脸识别技术还远不成熟,识别效果不尽人意。
迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。
它可以克服光线变化的影响,已经取得了卓越的识别性能,在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。
图表5:
图像处理技术突破光源限制
资料来源:
XX图片,北京欧立信调研中心
此外,为解决使用静态照片或任务视频顶替身份的情况,人脸识别也采取了动态识别的技术,杜绝安防漏洞。
在此基础上衍生的虹膜识别技术也逐步发展起来。
三、“算法红利”即将消失
作为人工智能领域里最为知名的算法比赛ImageNet是目前世界上图像识别最大的数据库。
这个项目是美国斯坦福的计算机科学家,模拟人类的识别系统建立的。
经过2010-2015年的发展(见下图),人脸识别算法已从浅层神经网络向复杂的深度神经网络算法发展,由最初的(2012年)8层神经网络发展成为2015年的152层神经网络。
而识别率也迅速的提升,由浅层网络的28.2%的错误率迅速降至3.57%。
图表6:
ImageNet比赛中历年算法识别率提升主要源于神经网络模型复杂度增加
资料来源:
XX图片,北京欧立信调研中心
2010-2016年,人工智能的各类算法识别率节节攀升,核心原因在于:
1.硬件算力迅速提升,特别是GPU的广泛应用,允许神经网络模型更加庞大;
2.神经网络算法本身也经历演化与自身加持,算法效率与识别率进一步提升。
时至今日,伴随着动辄1000多层的超深度神经网络模型的建立,神经网络算法已达到数据饱和状态,语音与图像的识别率进入瓶颈区域,若无算法层级上的突破,未来识别算法的效能提升将迅速边际递减。
与此同时,以谷歌研究院、微软研究院为代表的人工智能研究领军机构在算法开源化做出的努力,软件工程师可以迅速通过谷歌、微软等公司提供的人工智能开发包进行“二次开发”,实现人工智能全新领域的应用。
随着人工智能研发的门槛迅速降低,全球各地打着“人工智能”旗号的创业企业如雨后春笋般的出现,并获得了资本市场追捧,人工智能市场竞争越发激烈。
国内人工智能领域创业者纷纷表示人工智能算法的优势地位顶多只能维持6个月,谷歌、XX等一众行业霸主在单个算法上也仅能保持6个月的领先。
“算法红利”即将消失,如何利用算法找到用户核心痛点并付诸应用才是人工智能企业生存的法宝。
四、三大壁垒日益显现
人工智能的底层技术已经完成原始积累,无论从感知智能(弱智能)的各种识别算法超越人类感官,还是认知智能(强智能及半强智能)中AlphaGo战胜李世石后,在2017年初化名为Master的升级版AlphaGo在围棋网站上先后将聂卫平、柯洁等新老棋圣斩落马下。
人工智能现阶段已将其核心的深度神经网络算法打磨得无比锋利。
无数创业者和企业也迅速的组建了人工智能团队,并企图在人工智能时代分一杯羹。
先是谷歌聘请深度神经网络鼻祖GeoffreyHinton,Facebook聘请YannLeCun,XX则聘请AndrewNg。
再有DeepMind公司成立并被谷歌收购,SenseTime,旷视科技等等企业开始创业,并在各自领域取得全球领先水平。
然而这些企业面临着同样的一个问题——如何将自己的技术进行产业化产品化并得到市场的认可。
通过一段时间的探索,以谷歌招募李飞飞、XXAndrewNg离职,并开始组建以陆奇为核心的高管团队。
这些事件说明,互联网龙头开始意识到算法将越来越不具备稀缺性,算法的边际改善将越来越小,这些龙头企业纷纷通过人事变动来调整自己的AI战略,并将其AI产品化作为战略方向。
在人工智能算法研发投入产出比变得不再具备经济性,且算法本身性能已经达到成熟水平的时点,AI领域的“算法红利”即将消失,我们认为数据稀缺性、产品化能力、渠道资源将构筑人工智能产业化的核心壁垒。
1、壁垒一:
数据稀缺性
神经网络算法模型的建立,需要用大量数据进行调优与完善,一定意义上讲,进行训练的数据量越大,数据质量越好,训练得到的算法准确率越高。
因此在特定领域内数据将成为稀缺资源及行业准入门槛。
从价值上观察,安防、金融、医疗这三类数据既有行业门槛,也具有极强的数据垄断性。
例如安防领域,如果要进行人脸比对和身份认证,算法公司必须得到政府相关部门的授权才可以进行身份证信息提取。
再者,如果人工智能诊断影像识别公司需要大量医学影像的原始数据,则需要大量懂得医学专业知识的医生或者技术人员进行前期数据标注,这样才能保证数据质量的可靠性。
图表7:
AI模型训练需要大量优质标注数据
资料来源:
XX图片,北京欧立信调研中心
图表8:
IBM在AI医疗领域并购版图
资料来源:
,北京欧立信调研中心
海外IT巨头公司已迅速在数据领域进行布局,例如IBM就于2015年8月,以10亿美元收购了医学成像及临床系统供应商MergeHealthcare,进一步完善其医疗大数据拼图;2016年年初,斥资26亿收购健康数据公司TruvenHealth,该公司拥有8500家客户,其中包括美国联邦政府和州政府机构、雇主、医保、医院等,以及3亿病人数据。
此外Truven还拥有2500名雇员,其中包括有数据科学家、研究人员以及各类专家等,这些都是IBMWatsonHealth要想真正发挥作用必不可少的资源。
反观中国市场,中国在数据角度拥有无法比拟的优势:
人口基数多。
例如,中国医生人均门诊接待人数约是海外医生的10倍,这些数据既能成为人工智能模型的原始数据,也能成为成熟模型的最终消费用户。
2、壁垒二:
产品化能力
人工智能的应用涉及到较多工程性的产品化能力,这也将成为人工智能企业赖以生存的核心竞争力之一。
例如支付刷脸的人脸识别系统中,算法公司通过不断试错,成功的将刷脸支付流程中加入了“活体验证”(眨眼、转头等证明用户是活人而不是照片)的过程。
中国企业相比于海外公司具有更强的工程化、订单制研发能力。
产品化能力一方面能补全部分“后进”公司在算法效率上的微弱劣势,另一方面可以极大提升垂直场景中的功能与效率。
从技术上而言,几乎所有人工智能创业公司均具有相关算法能力,但融入到具体场景应用中时,工程及产品化能力将成为企业绕开“路障”的一个法宝。
图表9:
人工智能(MachineLearning)刚刚经历盖特纳最热区间
资料来源:
GartnerHypeCycle2016,北京欧立信调研中心
3、壁垒三:
渠道优势
我们认为,人工智能技术将率先应用于ToG、ToB端应用,而ToC端应用较为滞后。
核心原因在于,ToG、ToB领域的场景往往较为单纯,业务重复度较高,因此人工智能有望迅速提升业务效率,减少人工投入。
ToC端应用由于需要根据个人用户进行个性化定制和调整,在人工智能早期,数据体量不足的情况下往往体验较差,很难大规模推广。
ToG、ToB领域当中,人工智能技术已在安防、教育、金融等多个领域开始出现大规模订单落地情况。
初期订单的落地将大大降低商业模式门槛,并形成“雪球效应”:
大规模的应用也将积累大量数据,反过来迅速提升模型精确度。
渠道优势的这种“雪球效应”所带来的先发优势,将成为人工智能企业的核心优势。
第二节人工智能技术赋能安防行业,打开市场增长空间
一、高清摄像头升级为“AI+安防”提供可能性
图表10:
我国视频监控的四个阶段
资料来源:
北京欧立信调研中心
总体来说,我国的视频监控行业经历四个阶段:
起步阶段,传统模拟监控,国内自主知识产权落后,安防系统用户局限于政府部门;发展阶段,数字监控,安防用户增多,监控规模扩大,图像数字化储存,分辨率迈入标清时代;提高阶段,高清化监控,市场容量持续增加,视频监控系统与用户业务系统融合;智能化阶段,逐步形成集数据传输、视频、控制于一体的智能化安防综合管理平台。
中国目前正处于高清化监控的提高阶段,此阶段的市场容量持续增加,视频监控系统与用户业务系统融合。
随着视频监控技术的升级,安防行业的智能化也迅速到来。
与此同时,硬件设备性能的提升也为人工智能应用提供了重要保障。
图像识别功能所采用的深度神经网络算法是采用大量训练集数据进行模拟和调优所构建的。
这就意味着人工智能图像识别技术的运算与应用离不开大量数据的支持,为模型提供的图像信息越丰富、像素越高、清晰度更高,越有助于图像识别准确率的提升。
作为行业的重要发展方向,未来的安防行业将是高科技云集的行业,AI+安防的组合模式为行业发展最终步入智能化阶段提供动力。
1、视频监控的高清化
监控摄像头的高清化是实现摄像头网络化和智能化的重要前提:
从标清到高清的跨越,实现了视频监控从“看得见”到“看得清”的转变。
高清晰度图像可以提供更多关键性的细节,单个监控点的监控幅度扩大,还可以提高智能视频分析的精度,为智能监控奠定基础,高清化势在必行。
模拟摄像头的清晰度远远低于网络摄像头,但是网络摄像头的推广却受到阻碍,推广最主要障碍来自于产品价格。
从我国视频监控龙头企业海康威视系列产品的价目表来看,更为清晰的网络摄像机价格均高于模拟摄像机,400万像素的网络摄像机价格是模拟摄像机的2到4倍。
但随着科技的不断进步,相信不久的将来这一障碍预计会逐渐消除。
图表11:
模拟摄像机与网络摄像机的比较
资料来源:
海康威视,北京欧立信调研中心
2、码率不断降低
提升编码效率是实现视频高清化的另一项技术基础,编码效率的提升意味着高清图像占据的储存空间下降,传输速度上升。
这一过程目前主要分为H.264到H.265,H.265到Smart265两阶段。
首先是从H.264到H.265,做到了同一清晰度下编码空间占用降低50%以上,此外H.265还具有压缩率高、稳定性好、错误恢复能力强,并在实时时延、信道获取时间、随机接入时延等多个有点,整体改善改善。
图表12:
H.264VSH.265不同清晰度下码率对比(Mbps)
资料来源:
Wiki,北京欧立信调研中心
H.265到Smart265:
在保证图像质量的前提下,编码使用更低的码率,极大地放宽了对传输带宽的要求,节省了存储空间。
图表13:
H.265VSSmart265,1080P下码率对比(Mbps)
资料来源:
Wiki,北京欧立信调研中心
二、AI赋能安防,点线面全维度布防
在众多ToG、ToB领域,我们认为安防行业有望率先成为AI产业化的第一站。
核心原因在于:
1.算法成熟:
安防行业场景较为集中,容易实现技术优化与突破,目前图像识别算法已达到安防应用要求
2.需求明显:
政府安防领域效率提升诉求较强,安防正向全时间全地域维度扩展
3.基础稳固:
政府一直大力投资安防领域,全国过半摄像头已完成高清摄像头部署,警务电子化与信息化已逐步完成,为人工智能技术部署提供了基础条件。
从AI技术上讲,安防领域主要运用到的技术是以图像识别为基础的人脸识别、车辆识别、人群与行为识别等技术以及以语义理解为基础的警务数据分析与理解技术。
从应用场景角度观察,我们按照部署场景将人工智能应用分为4种类型:
1.“点”布防:
以关口身份认证为主,应用于车站、机场、酒店等关键节点;2.“线”布防:
以道路为主要部署场景,结合车辆识别及人脸识别;3.“面”布防:
以热点区域、重点场所作为主要部署场景,主要运用人群与行为分析技术,也会按需部署人脸识别产品;4.“后台”分析:
以语义理解为基础进行案情分析,统筹警力资源。
1、单点布防,刷脸认证
以人脸图像识别为代表的生物特征识别功能在当今社会中扮演着越来越重要的角色。
小到刷脸打卡,通过门禁,车站机场安检,大到犯罪嫌疑人追踪与金融交易,生物特征识别均存在着广泛的应用空间。
根据前瞻产业研究院发布的《生物识别技术行业市场调研与投资分析报告》,从技术成熟度角度看,中国生物识别技术水平处于世界先进水平,而市场规模相对较小,还有很大发展空间。
截至2015年我国生物识别市场规模仅100亿元,随着企业研发资金持续投入,技术必将更加成熟与进步,生物识别技术将会得到更大范围的采用。
预计到2020年市场规模将破300亿。
图表14:
中国生物识别市场规模与预测(亿元)
资料来源:
前瞻产业研究院,北京欧立信调研中心
生物识别技术中指纹识别、虹膜识别、手势识别等技术虽然在部分领域存在着一定优势(例如指纹识别与虹膜识别精度较高,电子器件技术较为成熟),但他们一个共同的缺陷在于这些技术均仅限于“主动识别”功能场景,即识别对象必须“主动配合”识别过程,例如伸出手指、双眼或者做出特定行为。
而人脸识别则是一种既可以实现“主动识别”又可以应用于“被动识别”场景的生物识别方案,因此具有更广阔的应用空间与市场。
咨询机构提供的市场规模数据也对人脸识别技术做出了更加正面的预测:
根据前瞻产业研究院发布的《中国人脸识别行业市场前瞻与投资规划分析报告》数据显示,2016年我国人脸识别行业市场规模已超过10亿元。
预计未来五年,我国人脸识别市场规模平均复合增长率将达到25%,到2021年,人脸识别市场规模将达到51亿元左右。
图表15:
中国人脸识别行业市场规模预测(亿元)
资料来源:
前瞻产业研究院,北京欧立信调研中心
点状布防的安防应用场景主要应用于人口流动密集且需要身份认证的关键时空节点,例如车站、机场、酒店、门禁、银行、移动端等,对身份认证具有功能需求的场景。
从识别技术上而言,单点布防的场景主要以静态识别为核心技术,系统通常可以完成“人脸图像+身份证+局端数据”三者比对并完成身份验证,多家中国企业已完成AI技术迭代,实现高于99.999%的识别率,接近虹膜识别准确率,可以实现金融安防级别的应用。
2、连线成网,智能交通
智能交通系统(IntelligenceTransportSystem,ITS)是目前世界交通运输领域的前沿研究课题,交通监视系统是智能交通系统中的一个重要环节,这一子系统主要负责采集有关道路交通流量的各种参数,例如车流量,车速,车型,排队时间和长度等。
随着人工智能技术的不断进步,基于车辆识别的识别类算法有望提升道路参数检测的准确性和识别效率,并替代超声波检测,红外检测,感应圈检测等传统方案。
机器视觉、人工智能和模式识别等技术的不断发展,为智慧城市、智慧交通领域提供更多的功能实现手段,大幅度降低了道路信息监控系统的技术门槛,提高了道路执法效率。
相对于其它交通流量检测技术而言,人工智能技术所具备的优势包括:
1.识别范围广:
视频检测可以检测较大的交通场景面积,并通过通讯技术实现网状监控体系;
2.部署容易:
相对于其它检测方法,投资少,费用低;视频传感器等设备,例如摄像头,易于安装和调试,且对路面设施不会产生破坏;
3.采集数据多:
使用AI技术可以采集到更多的交通流量参数,实现动态数据分析;
4.便于执法:
实现了更多执法功能,例如套牌车分析、交通违章监控等。
图表16:
图像识别在道路监控及交通执法中的应用
资料来源:
商汤科技,北京欧立信调研中心
图表17:
套牌车分析系统应用
资料来源:
XX图片,北京欧立信调研中心
目前运用人工智能的图像识别技术,通过安装在道路旁边或者中间隔离带的支架上的摄像机和图像采集设备将实时的视频信息采入,经过对视频图像的实时处理分析得到各种交通信息,如车辆的流量、速度、交通密度、车型分类、车辆排队长度、转弯信息等。
图像识别目前已经能够胜任识别车牌,车辆颜色,车辆品牌,车辆类型(SUV,普通轿车,皮卡等),车辆型号(类似于8代雅阁,7代雅阁等),甚至驾驶员是否使用安全带及接听手机等行为。
从系统构成上讲,交通领域所应用的信息收集系统,主要由四大硬件模块构成:
视频采集模块,视频压缩存储模块,系统管理及视频分析模块和通讯模块。
在硬件系统之上,软件系统包括:
图像处理系统、信息采集系统以及业务功能模块。
其主要功能包括:
1.车辆识别:
识别车辆型号、牌照、驾驶员等信息;
2.道路状况实时监控:
确定道路车流密度与速度,分析是否出现交通事故;
3.车辆跟踪:
实现可疑或特定车辆跟踪;
4.套牌车分析:
分析车辆是否冒用车牌(见下图);
5.交通违章分析:
对于车辆行进轨迹中是否出现越线、超速等违章行为进行识别;
6.驾驶员行为分析:
通过较高分辨率摄像机分析驾驶员是否存在接听手机、不系安全带等违章行为。
人工智能有望为道路交通执法带来一场科技革命。
交警部门也将从传统的现场执法逐步过渡到远程、非值守的智能执法,迅速降低交警执法难度,改善执法环境,并将为越来越多的驾驶员及乘客保驾护航。
3、从点到面,行为与人群识别
图像识别技术不仅可以实现静态识别,也可以完成动态识别。
通过对视频的迅速分析,信息分析平台可以监测出可视范围内的人群数量,并且捕捉每个个体的行为动作,形成重点场所及区域的面状布防。
重点区域布防对于公安部门而言有着重要的意义,但却消耗大量警力资源。
例如2011年全国大运会期间,深圳公安出动警力近20万人次,还向临近省市借调了大量警力资源。
随着国家经济持续繁荣,社会及商业活动也将持续活跃,重点区域与重点社会活动也将成为公安部门安防布控的重点与难题。
图表18:
人群分析与重点区域布防应用
资料来源:
商汤科技,北京欧立信调研中心
人群与行为识别技术是图像识别的一个延伸,通过更为优化的AI算法与模型实时分析可视范围内的人物、车辆及其行为。
其主要功能包括:
1.人数管控:
统计视野范围内人群的数量,跟踪个体行为轨迹,防止人群密度超负荷;
2.个体跟踪:
结合人脸识别技术,跟踪特定人员的运动轨迹与行为举止,实现提前预警;
3.禁区管控:
对禁区范围实现实时监控,对违规行为实时报警;
4.异常行为分析:
对人物行为进行分类,并及时预警异常动作行为。
AI技术将对区域布防业务提供强大附加功能,减少安保人员投入,减少应急响应时间,保障人民社会及经济活动的顺利进行。
4、断文识字,智能案情分析
有别于前三种依赖于图像识别技术的安防领域,智能案情分析系统是一种基于人工智能自然语言处理(NLP)技术的语义理解分析系统。
NLP技术通常可以将一段对事实陈述的文字进行结构化分析,拆解并分离出其中的时间、地点、人物、事件要素等一系列结构化数据,并进行模糊比对形成专业的语义理解数据库。
公安机关坐拥庞大的文字卷宗档案及数据库,警方需要对卷宗进行查阅和分析时,往往需要动用大量警力,进行人工文档筛查。
而警务语义理解技术,可以有效的对已有的电子卷宗进行智能检索,寻找案件中的蛛丝马迹,协助警方破案。
例如,有经验的警官通常对特定案件,如盗窃案件,有着独特的理解。
根据实战的经验,警官可以对案件的要素,如作案时间、作案手段、受害对象等,进行分类。
根据这些分类,警方往往可以进行串并案操作,丰富犯罪嫌疑人的行为特征,实现快速破案。
图表19:
语言要素及语义理解模型
资料来源:
XX图片,北京欧立信调研中心
作为后台系统的智能案件分析系统,对于公安执法人员有着不可或缺的价值和意义。
随着警务数据的不断积累及执法人员经验的模型化,自然语言处理技术有望成为刑侦与经侦部门的执法利器。
三、AI赋能安防行业所提供的核心价值
作为信息化智能化需求最迫切,关切到百姓日常生活的最重要部门,公安及安防行业效率提升空间巨大。
尽管国家已经对公安及安防相关部门持续投入并建设大规模基础设施,但软件方面,特别是功能化业务软件模块方面,仍然受到技术及产业化进度影响显著滞后。
伴随AI技术的进步,越来越多重复性工作及现场执法工作有望被AI技术所替代,公安部门将获得以下核心价值:
1.省力:
有效解决警力短缺现象,减少出警频次;
2.省时:
实现提前预警,减少响应时间;
3.省钱:
利用已有基建设施,减少设备及部署成本;
4.增效:
增强执法覆盖范围与执法力度。
第三节安防投入持续增加,为“AI+安防”落地提供资金支持
一、恐怖袭击频发,全球安防市场保持增长
2016年被称为恐怖袭击之年,全球各地发生的恶劣恐怖袭击事件次数高达12次。
而