人工智能场景分析报告Word文档下载推荐.docx

1、产品+解决方案双管齐下，智能驾驶业务稳健前行 18 4、金融场景：数据获取门槛较高 19（1）恒生电子：从证券交易信息化切入智能投顾 20（2）同花顺：从互联网金融信息服务向人工智能延伸 21 算法和计算力瓶颈已突破，数据为关键。随着 CNN、RNN 等算法成熟和 GPU对计算能力的提高，现今人工智能所需要面临的是如何使应用深化，从而对产业发起变革。因此，在算法、计算力、数据三个要素中，大量的数据，特别是场景化、标签化的数据获得成为重中之重。能否获得场景化的数据，不仅可决定人工智能在行业中的效用力，同样也是将人工智能切实落地，证实其并非资本市场泡沫的根本。人工智能下一阶段驱动力，超大场景化数据

2、集。人工智能发展进入了数据推动人工智能更新迭代的阶段。一方面，强人工智能和通用智能在目前还未成熟，特定场景下的垂直型人工智能深化应用成为方向；另一方面，随着人工智能进入移动互联网时代，由于各类型的终端设备的使用，各个行业数据都呈现指数级的增长，从图像、声音、视频到位臵、轨迹、动作等，多维度场景化的数据分布使垂直化人工智能开发成为可能。从技术角度来看，大规模情景标签数据集的可用性可以使模型性能不断优化，Google Brain 的 Jeff Dean 在论文中说明，即使在 300倍 ImageNet 规模的数据集下，计算机视觉模型的性能仍没有遭遇平台；从应用角度来看，场景化的数据对于垂直领域的人

3、工智能开发应用更具有实用性，完整性和准确性，在此驱动下真正实现商业化落地的可能性更高。人工智能的投资奥义场景为王。评估一个人工智能公司，能否获得场景数据最重要，没有场景的纯算法公司没有价值。以对于人工智能有天然应用场景的安防为例，在深度学习、计算机视觉算法开源化的大趋势下，具有特征性的场景数据集的获得，是对安防行业人工智能视频分析技术真正落地应用的关键。以海康威视和大华股份为代表的龙头企业，占据智能安防监控入口优势，其早已不再是单纯的硬件公司，而是软件、场景和数据公司。一、算法和计算力瓶颈已突破，数据为关键一、算法和计算力瓶颈已突破，数据为关键 1、场景化数据的获得，是当下人工智能发展之关键、

4、场景化数据的获得，是当下人工智能发展之关键 1956年，美国达特茅斯大学会议标志着人工智能研究的正式诞生，推动了了全球第一次人工智能浪潮。但这一次人工智能的春天只持续了 20 年，原因是当时过于重视算法和方法论，而导致了人工智能在处理问题范围的局限性。如今，人工智能研究的发展已经历了近六十年的沉浮，从硬件的计算能力、到深度学习算法、计算机视觉技术和自然语言处理等各领域都有了本质上的飞跃，人工智能已经从一个学术层面上的探索发展成一种可推动产业结构变革的新兴生产方式。结合资本市场和行业发展的角度，现今我们对人工智能的思考和展望更应回归投资的本源。随着 CNN、RNN 等算法成熟和 GPU 对计算能

5、力的提高，现今人工智能所需要面临的是如何使应用深化，从而对产业发起变革。2、经历二次低谷，算法和计算力的瓶颈已突破、经历二次低谷，算法和计算力的瓶颈已突破 从人工智能的发展历史看，其一共经历了三次黄金发展期和两次低谷。从 1956 到1974 年是人工智能发展的第一次黄金时期。这一阶段涌现出了大量人工智能的解决方案和未来研究方向。然而 1974到 1980 年，算法和计算能力的局限使人工智能迎来了第一次低谷。一方面，人工智能所基于的数学模型和数学手段被发现有一定的缺陷，逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对；另一方面，计算机的运算能力有限，而

6、无意识的直觉和判断需要大量超预期的计算能力。算法和计算能力的局限使人工智能。20世纪 80 年代，BP 算法的突破使人工智能迎来了第二次繁荣。人工智能数学模型方面在 80年代出现了众多重大发明，其中包括著名的多层神经网络（1986）和 BP反向传播算法（1986）等。此时“知识处理”成为了主流人工智能研究的焦点，卷积神经网络的全新方式学习和信息处理方法逐渐被应用于字符识别和语音识别软件，获得了商业上的成功。而随后，由于专家系统使用的 Symbolics 和 Lisp 等机器陈旧而难以维护，受硬件和资金限制，人工智能的低谷又一次来临。从 20世纪 90 年代年以来，摩尔定律让计算越来越强大，当更

7、强大的计算能力被转移到人工智能研究后，显著提高了人工智能的研究效果。随着新的计算引擎，如GPU 等开始应用于人工智能，计算力的问题逐渐解决，正式进入了第三次黄金发展期。回顾人工智能的发展历史，第一次低谷遇到的瓶颈是对于认知算法的基础性障碍，而第二次低谷遇到的瓶颈是计算成本和数据成本问题。在漫长的六十年发展历程中，人工智能的两大必备条件算法和计算力和成本的瓶颈已一一得到了突破，那么算法应用方向明晰（计算机视觉、语音交互、深度学习），新型计算架构已满足所需的计算力的背景下，场景化数据集的规模和质量，可能是下一个瓶颈，同样也是可实现人工智能飞跃的下一个突破点。二、人工智能下一阶段驱动力，超大场景化数

8、据集二、人工智能下一阶段驱动力，超大场景化数据集 人工智能发展进入了数据推动人工智能更新迭代的阶段。另一方面，一方面，随着人工智能进入移动互联网时代，由于各类型的终端设备的使用，各个行业数据都呈现指数级的增长，从图像、声音、视频到位臵、轨迹、动作等，多维度场景化的数据分布使垂直化人工智能开发成为可能。场景化下的数据集的驱动力。从技术角度来看，大规模情景标签数据集的可用性可以使模型性能不断优化，Google Brain 的 Jeff Dean 在论文中说明，即使在 300倍ImageNet 规模的数据集下，计算机视觉模型的性能仍没有遭遇平台；1、算法非门槛：模型性能随训练数据呈线性增长、算法非门

9、槛：模型性能随训练数据呈线性增长 今年 3月，谷歌大脑负责人 Jeff Dean 做了一场题为通过大规模深度学习构建智能系统的演讲。Jeff Dean 在演讲中提到，当前的做法是：解决方案=机器学习（算法）+数据+计算力，那么在计算力呈百倍的提高，模型深度和容量不断扩大的趋势下，未来有没有可能变为：解决方案=数据+100 倍的计算力 从计算机视觉领域来看，在之前二十年，主要是深度学习模型的应用使该领域取得了明显的突破和长足的发展。但自 2014年来，模型的容量和复杂性，以及硬件的计算能力都在进一步的增加，而用以训练的数据集规模却没有相应的扩大。因此，专家们推测，：模型的精度和准确性还可以随着训

10、练数据量的增加，而提高数十倍、甚至数百倍，并且可能没有上限。模型性能随训练数据量呈线性增长 为了证实这一推测，谷歌机器感知组建立了一个名为“JFT-300M”的数据集，是ImageNet 的 300倍。与 ImageNet 相似，JFT-300M 数据集中包含的不仅仅为简单的图像，其中还包含了 10亿多个标签（单图像可有多个标签），此外，研究人员还在 10亿图像标签中，挑选出了大约 375M 的高精度标签。最后的试验结果比专家们的推测更为喜人。1）大规模标签化数据集的适用提升了表征学习的效果，进而提高了视觉任务的表现；2）视觉模型的性能和训练数据两级有着异常线性的关系，而且目前为止，并没有表现

11、出平台期效应。从 Google 的这项实验，采取的是大量的标签化数据集以用于训练计算机视觉，还并没有焦聚在特定任务的数据集上，如果使用大规模的最优标准化数据集，其对模型性能的影响力可能还会更强。在未来，获取大规模的特定任务数据集将是研究人员以及人工智能公司的重要及核心任务。2、场景为王：场景化数据是人工智能产品商业化的根本、场景为王：场景化数据是人工智能产品商业化的根本 对于人工智能是计算机下一个产业投资大方向相信早已是大部分人的共识，近年来随着云计算带来的基础 IT 架构演进、实体经济数据化转型的带来的大数据、GPU 等基础硬件带来的计算能力以及深度学习算法带来的提升，人工智能应用领域不断扩

12、大。从投资的角度，一个公司要在人工智能领域获得成功，其所需具备的必要条件和关键本质到底是什么，是技术和算法驱动？是高质量的大数据？是更懂人工智能的团队？是清晰的商业模式？抑或是所占据的市场、渠道和应用场景？我们认为：评估一个人工智能公司，最重要是看其有没有好的场景。有了好的场景，从而可以有数据积累，这才是人工智能公司技术不断提升的根本和价值。而所谓的算法，不是人工智能公司的竞争门槛，其领先程度不会超过 6 个月。2016年以来，场景式的人工智能逐渐找到了属于自己的位臵，哪怕是那些在人工智能积累较为深厚的巨头，也只在某些有典型应用场景的地方推出相应产品。比如，以亚马逊 Echo 为代表的智能音箱

13、获得巨大成功，谷歌的 Google Home、苹果的 HomePod 也不甘落后，纷纷抢占智能家居的重要入口，抢占让人在安静的家庭环境下表达自己的意愿这个重要场景。又比如 GE 的数字化改造、通过 AI 预测能源需求、帮助更准确地启动风力涡轮机，Google DeepMind 通过分析谷歌服务器的访问情况 帮助其数据中心冷却和支持系统减少能耗等等，针对企业端的场景更多的是实现更精细化的控制、通过识别不同模式或规则自动作出响应、带来效率改进。三、天然具备场景化数据源的子行业猜想三、天然具备场景化数据源的子行业猜想 大量场景化的数据为人工智能应用于各种情景提供了发展的土壤，没有数据就不会有智能。从

14、行业角度来看，人工智能更适合于拥有大数据、且数据量可以实现自我推动的公司，没有数据的人工智能是无法前行的。我们认为，安防、医疗、无人驾驶，医疗和金融将是人工智能率先突破的场景。此外，情景驱动对应用型人工智能企业的数据处理能力提出了要求。企业不仅需要采集数据，还需要利用深度学习将这些数据转化为人工智能的“知识”，最后根据企业的需求，转化为相应的应用决策。因此，有能力采集、获取、处理场景化数据的企业，才可以准确利用人工智能切实解决行业痛点，实现效率或者精确性的提高，进而形成纵向的生态链，完成场景闭环，使人工智能和自己具体的行业相结合，全面的利用数据，创造更多的商业价值。1、安防场景：视频监控前端龙头，掌握数据入口优势、安防场景：视频监控前端龙头，掌握数据入口优势 对于安防来说，人工智能有着天然的应用场景，特别是公安、交通等领域，海量视频数据、视频分析作为重要辅助破案手段，传统录像摘要分析的低效，早已不能适应