人工智能行业研究报告.docx
《人工智能行业研究报告.docx》由会员分享，可在线阅读，更多相关《人工智能行业研究报告.docx（28页珍藏版）》请在冰点文库上搜索。
人工智能行业研究报告
概要
人工智能是信息时期的尖端技术。
从人类成立起需要指导操纵才能运行的运算机，到运算机拥有能够自己去学习的能力，这一飞跃对各行各业都产生了庞大的阻碍。
尽管现在此刻可能是下一个AI冬季（图8）到来之前的「给予许诺又让人失望」的周期，但这些投资和新技术至少会给咱们带来有形的机械学习生产力的经济利益。
与此同时，人工智能、机械人和无人驾驶汽车已经成了流行文化乃至是政治话语的前沿。
而且咱们在过去一年的研究使咱们相信这不是一个错误的开始，而是一个拐点。
正如咱们将在本报告中探讨的那样，那个转变的缘故有显而易见的（更快更强的计算资源和爆炸式增加的数据库），也有细致入微（深度学习，专有硬件和开源的崛起）的。
那个AI拐点（AIinflection）中更令人兴奋的一个方面是「现实世界」的利用案例触目皆是。
尽管深度学习使运算机视觉和自然语言处置等技术有了显著的提高，比如苹果公司的Siri，亚马逊的Alexa和Google的图像识别，可是AI不单单是「科技技术」（techfortech），也确实是大数据集与足够壮大的技术相结合的情形下，价值正在被慢慢创建，竞争优势也变得愈来愈明显。
例如，在医疗保健中，图像识别技术能够提高癌症诊断的准确性。
在农业中，农人和种子生产商能够利用深度学习技术来提高作物产量。
在制药业中，深度学习能够用于改善药物的研发。
在能源方面，勘探效率正在提高，设备可用性正在不断增强。
在金融效劳方面，通过开辟新的数据集，实现更快的分析，从而降低本钱，提高回报。
AI此刻还处于发觉其可被利用处景的初期时期，这些必要的技术会通过基于云的效劳实现公共化、平等化，咱们相信随之而来的创新浪潮将在每一个行业中制造新的赢家和输家。
AI的普遍应用让咱们得出了一个结论：
它是一种能够变革全世界经济的技术，是提高生产力并终止美国生产率停滞增加的驱动力。
结合GS首席经济学家JanHatzius的研究，咱们明确了资本深化目前的停滞及其对美国生产率的相关阻碍。
咱们相信，AI技术将会驱动生产力的提高，就像20世纪90年代那样，驱动企业投资更多的资本和劳动密集型项目，加速进展的脚步，提高盈利能力和提高股票的估值。
启发
尽管咱们看到了人工智能能够及时地阻碍到每一个公司、行业和一部份经济，但对投资者而言，咱们以为这其中有四个阻碍最为显著。
生产率。
AI和机械学习具有激发生产率增加周期的潜力，这会有利于经济的增加，提升企业的盈利能力，资本回报率和资产估值。
依照GS首席经济学家JanHatzius所说：
「大体上而言，AI看起来似乎比上一次创新浪潮更有可能在统计数据中捕捉到更有价值的东西，人工智能能够降低本钱，减少对高附加值生产类型的劳动投入。
举个例子，这些在商业部门本钱节约上的创新可能比在iPhone中增加应用程序的可用性和多用性更利于统计学家去捕捉有价值的东西。
考虑人工智能对商业部门的本钱结构的普遍阻碍，我有理由相信它会被统计学家同意，而且会出此刻整体生产力数据中。
尖端技术。
AI和机械学习在速度上的价值有利于构建一种在建设数据中心和网络效劳时让硬件更廉价的趋势。
咱们以为这可能推动硬件，软件和效劳支出的市场份额的大幅度改变。
例如，在「标准」数据中心计算资源上运行的AWS工作负载的本钱低至$/小时，而在利用AI优化过的GPU上运行的本钱为美元一小时。
竞争优势。
咱们看到了AI和机械学习具有从头调整每一个行业的竞争秩序的潜力。
未能投资和利用这些技术的治理团队在和受益于战略智能的企业竞争时，有专门大可能会被淘汰掉，因为这些技术能够让企业的生产力提高，并为它们制造资本效益。
在第41页开始的短文中，咱们将研究这些竞争优势是如安在医疗保健、能源、零售、金融和农业等领域进展起来的。
开办新公司。
咱们发觉了150多家在过去十年中创建的人工智能和机械学习公司（附录69-75）。
尽管咱们相信人工智能的大部份价值都把握在具有资源、数据和投资能力的大公司手中，但咱们也期望风险投资家、企业家和技术专家能够继续推动新公司的创建，从而增进实质性的创新和价值制造，即便最后创业公司会被收购。
固然咱们也不能轻忽人工智能巨头（人工智能领域的谷歌或Facebook）的显现。
在接下来的篇幅中，咱们将深切探讨AI的技术，历史，机械学习的生态系统和这些技术在行业和领头公司中的应用。
什么是人工智能？
人工智能是做出能够以人类智能的方式学习并解决问题的智能机械和运算机程序的理工科。
传统而言，该领域包括自然语言处置与翻译、视觉感知与模式识别，和决策制定。
但该领域和应用的复杂度都在急剧扩展。
在此报告中，咱们的大部份分析集中在机械学习（人工智能的一个分支）与深度学习（机械学习的分支）上。
咱们强调两点：
简言之，机械学习是从样本和体会（即数据集）中进行学习的算法，而不是依托硬编码和预先概念的规那么。
换言之，也确实是开发者再也不告知程序如何区分苹果和橘子，而是向算法输入数据（训练），然后自己学习如何区分苹果和橘子。
深度学习的重大进展是人工智能拐点背后的要紧驱动。
深度学习是机械学习的一个子集。
在大部份传统的机械学习方式中，特点（即有预测性的输入或属性）由人来设计。
特点工程是一大瓶颈，需要大量的专业知识。
在无监督学习中，重要特点并非由人预概念，而是由算法学习并制造。
为了加倍明了，咱们不注重真人工智能、强人工智能或通用人工智能如此的概念，它们意味着复制人类智能，也常常出此刻流行文化中。
尽管已经有了一些有潜力的冲破，比如谷歌DeepMind的AlphaGo系统，咱们仍是更注重当即有实在经济的人工智能进展。
为何人工智能进展加速？
深度学习能力的极大进展是现在人工智能拐点背后的催化剂之一。
深度学习的底层技术框架——神经网络，已经存在了数十年，但过去5到10年的3种东西改变了深度学习：
1.数据。
随着全世界设备、机械和系统的连接，大量的无结构数据被制造出来。
神经网络有了更多的数据，就变得更为有效，也确实是说随着数据量增加，机械学习能够解决的问题也增加。
电话、IoT、低本钱数据存储和处置（云）技术的成熟使得可用数据集的大小、结构都有了极大增加。
例如，特斯拉搜集了780mn英里的驾驶数据，而且通过他们的互连汽车，每10小时就能够增加100万英里的数据。
另外，Jasper有一个平台，能让多家汽车制造商和电信公司进行机械间的交流，这家公司于今年2月份被Cisco收购。
Verizon在8
月份做了类似的投资，宣布收购Fleetmatics，Fleetmatics做的是将汽车上的远程传感器通过无线网络连接到云软件。
以后，5G网络的上线将会加速数据生成与传输的速度。
据IDC的DigitalUniverseReport显示，年度数据生成预期到2020年达到44zettabytes，说明咱们正在见证应用这些技术的利用案例。
图1：
年度数据生成预期到2020年达到44zettabytes
2.更快的硬件。
GPU的再次利用、低本钱计算能力的普遍化，专门是通过云效劳，和成立新的神经网络模型，已经极大的增加了神经网络产生结果的速度与准确率。
GPU和并行架构要比传统的基于数据中心架构的CPU能更快的训练机械学习系统。
通过利用图像芯片，网络能更快的迭代，能在短时间内进行更准确的训练。
同时，特制硅的进展，比如微软和XX利用的FPGA，能够用训练出的深度学习系统做更快的推断。
另外，从1993年开始超级运算机的原计算能力有了极大进展（图2）。
在2016年，单张英伟达
游戏显卡就有了类似于2002年之前最壮大的超级运算机拥有的计算能力。
图2：
全世界超级运算机的原计算性能，以GFLOPs测试
本钱也有了极大的降低。
英伟达GPU（GTX1080）有9TFLOPS的性能，只要700美元，意味着每GFLOPS只要8美分。
在1961年，串够IBM1620s每提供1GFLOPS需要的钱超过9万亿。
图3：
每单位计算的价钱有了极大下降
3.更好、更普遍可用的算法。
更好的输入（计算和数据）使得更多的研发是面向算法，从而支持深度学习的利用。
例如伯克利的Caffe、谷歌的TensorFlow和Torch如此的开源框架。
比如，刚开源一周年的TensorFlow，成了GitHub上有最多forkedrepositories的框架。
尽管不是所有的人工智能发生于普遍可用的开源框架中，但开源确实在加速进展，而且也有更多先进的工具正在开源。
方向
尽管本报告的重点是人工智能的进展方向和公司如何把握那个方向，可是了解人工智能对咱们生活的阻碍程度也是很重要的。
在线搜索。
就在一年多以前，谷歌透露，它们已经开始将大量的搜索工作移植到了RankBrain
（一个人工智能系统），使其和链接（links）和内容（content）成为了谷歌搜索算法的三个最重要的标志。
推荐引擎。
Netflix，亚马逊和Pandora都在利用人工智能来确信推荐什么样的电影和歌曲，突出哪些产品。
5月，亚马逊开源了它们的深度可扩展稀疏传感网络引擎（theDeepScalableSparseTensorNetworkEngine（DSSTNE），简称「Destiny」），它被用于产品推荐，同时能够被扩展以实现超越语言和语言明白得和异议识别的目的。
人脸识别。
Google（FaceNet）和Facebook（DeepFace）都投入了大量的技术来确信您的照片中的人脸和真实的人脸是不是几乎完全吻合。
1月，苹果采取了进一步方法，购买了Emotient（一个致力于通过读取人的脸部表情来确信其情绪状态的AI创业公司）显然，这些技术远远不止于对照片进行标记。
尽管个人助理应用产品有无数的用户，比如苹果的Siri，信誉贷，保险风险评估，乃至天气预测。
在接下来的篇幅中，咱们探讨企业该如何利用这些技术来加速增加，降低本钱和操纵风险。
从这些技术及其利用这些技术的应用的进展速度来看，它们充其量只是能够为公司和投资者提供一些方向，以维持他们的竞争力。
增强以后的生产率
美国的劳动生产率在90年代中期的快速增加和过去十年的缓慢增加和以后，最近几年来已经停止增加了。
咱们以为，就像20世纪90年代互联网技术被普遍采纳那样，消费类机械学习和人工智能的扩散有可能大幅度地改变全世界产业的生产范式。
在整个行业中，咱们发此刻自动化的促使下，劳动时刻减少了约％％，同时，由于AI/ML技术带来的效率增益，到2025年，这些技术将对生产力增加产生高达51-1154个基点（bps）的阻碍。
尽管咱们期望AI/ML能够随着时刻同时提高生产率的分母和分子，只是咱们以为最重要的是，初期的阻碍将是低工资任务的自动化，即以更少的劳动时刻推动类似的产出增加水平。
咱们的大体案例AI/ML驱动提高了97个基点，这意味着2025年的增加生产率中的％将由IT奉献，比1995-2004年高出11个基点（图9,10）。
图9：
生产力分析；单位百万美元，假设2019年以后GDP线性增加
生态系统：
云效劳，开源在以后的AI投资周期中的关键受益人
咱们相信，在以后的几年中，一个公司利用人工智能技术的能力将成为表现公司在所有要紧行业竞争力的一个属性。
尽管战略会因公司规模和行业而有所不同，但如果是治理团队可不能把重心放在领导人工智能和在此基础上的利益上，那么以后产品创新、劳动效率和资本杠杆都会存在掉队的风险。
因此，咱们以为公司需要投资这些新技术以维持竞争力，同时这将致使对人工智能因此依托的人材、效劳和硬件的空前的需求。
作为比较，20世纪90年代技术驱动的生产力繁荣推动了相应的激增。
增加对技术的资本支出致使了新的企业和业务的增加来捕捉这些资本支出。
在不可幸免的行业整合发生之前，成立软件、硬件和网络公司开始发生转变。
以下图13突出了软件行业内的这种模式。
在1995-1999年期间，在通货膨胀调整后，市值在20亿美元到50亿美元之间的公共软件公司的数量几乎增加了两倍，在2000年代中期才取得巩固。
图13：
伴随20世纪90年代生产力激增的驱动者生态系统（enablerecosystem）
图14：
这十年来，投资人工智能的风险资本显现了暴增
咱们看到了由AI驱动的生产率具有产生下一个相似的繁荣周期的潜力，能够通过利用这些潜力，把软件、硬件、数据和效劳提供商作为商业投资来制造价值。
如上图14所反映的那样，与AI相关的初创企业的风险投资在这十年中急剧增加。
AI企业投资的繁荣现象的庞大潜力也开始推动整合。
尤其是云平台对AI相关人材进行了大量投入，自2021年以来，谷歌、亚马逊、微软和Salesforce共进行了17项与AI相关的收购（以下图）。
在上下文中对AI和ML技术的进展和历史技术周期的比较中，咱们看到了前者的一些益处。
与过去50年的其他要紧技术的周期一样，计算（和摩尔定律）一直是进步的抑制剂和推动者。
例如，在系统架构方面，咱们目击了从大型机系统转变成客户端-效劳器模型的整个进程，而且最近几年来已经开始被云/移动模式所取代。
这种进化的驱动因素是计算能力、存储容量和带宽的改良。
每一个转换都伴随着应用开发的转变，包括各类新编程语言的显现和演变（见图表15）和各类可能的应用程序各类的类型。
如上下文中所提及的一样，AI那个概念已经存在几十年了，其中神经网络的概念出此刻20世纪60年代，尽管直到最近几年，计算能力才开始让神经网络能在实际环境中利用。
咱们相信咱们正处于AI平台的初期时期，就犹如20世纪50年代大型机才开始商业化到21世纪的智能电话和云的商业化。
随着平台曲线的转变（咱们以为它正在发生），应用程序、工具和效劳驱动者（enabler）会爆炸式增加，咱们将在下面更详细地讨论。
图15：
人工智能的进展能够与历史上的系统架构和编程语言的采纳的技术革命相较，尽管咱们以为咱们目前仍然处在人工智能进展和应用的初期时期
stack的演变进程和和AI之间的对应关系
蓝色=专有供给商，橙色=开源，绿色=云效劳（注意：
一些供给商，如IBM和Microsoft都是专有效劳和云效劳）
图17：
生产中的机械学习：
如安在机械学习管道中利用各类开源和云技术
图18：
机械学习管道中的关键开源项目。
可用的项目\支持公司和风险投资
图表20：
人工智能即效劳（AI-as-a-Service（AI-aaS））概览：
机械学习API正在被开发以解决水平和垂直利用案例
图表21：
水平AI-aaS产品和定价：
来自云平台的AI-aaS产品例如
中国人工智能现状
iResearch预测，2020年，中国人工智能市场将从2021年的12亿人民币增加至91亿人民币。
2021年，约14亿资本（年增加率76%）流入了中国的人工智能市场。
在政府政策方面，中国的国家进展改革委员会（发改委）和其他相关政府机构于2016年5月18日发布了《「互
联网+」人工智能三年行动实施方案》。
《方案》指出了人工智能领域进展的六大保障方法，包括资金支持、标准体系、知识产权爱惜、人材培育、国际合作和组织实施。
《方案》提出，到2018年，中国的人工智能基础资源与创新平台、产业体系、创新效劳体系、标准化体系应大体成立。
发改委期望中国人工智能产业整体与国际同步，系统级别（system-level）的人工智能技术和应用要位于市场领先位置。
中国已经做出一些重大举措，而且依照提及「深度学习」和「深度神经网络」的被引用期刊论文数量，2021年，中国已经超越美国（Exhibit23）。
中国拥有世界领先的语音和视觉识别技术，其人工智能研究能力也令人印象深刻（Exhibit24）。
XX于2021年11月发布的DeepSpeech2已经能够达到97%的正确率，并被《麻省科技评论》评为2016年十大冲破科技之一。
另外，早在2021年香港中文大学开发的DeepID系统就在LFW数据库中达到了%的面目识别正确率。
Exhibit23：
提到「深度学习」或「深度神经网络」的期刊文章
Exhibit24：
至少被引用一次的、并提到「深度学习」或「深度神经网络」的期刊文章
中国的互联网巨头XX、阿里巴巴和腾讯（BAT）正在领导中国的人工智能市场，同时数以百计的初创公司也正渗透到这一产业中，并在各类人工智能细分市场及应用领域成立效劳模型。
目前，中国的人工智能领域包括：
大体效劳，如数据资源和计算平台；
硬件产品，如工业机械人和效劳机械人；
智能效劳，如智能客户效劳和商业智能；和
技术能力，如视觉识别和机械学习。
依照iResearch，目前，语音和视觉识别技术别离占中国人工智能市场的60%和%。
在中国，所有和人工智能相关的公司中，71%专注于开发应用。
其余的公司专注算法，其中，55%的公司研究运算机视觉，13%研究自然语言处置，9%致力于基础机械学习。
咱们以为，人工智能前沿的重要参与者可能会继续来自美国和中国。
XX：
2021年9月，XX「度秘」：
声控人工智能个人助理（整合进XX移动搜索应用）
2021年11月，XXDeepSpeech2：
包括一个大型神经网络的语音技术，通过样本学会将声音与语词联系起来
2021年12月，XX无人车：
XX无人车在北京道路上完成测试，并在硅谷设立自动驾驶部门（ADU）
2016年8月，XX「DuSee」：
为移动设备打造的AR平台（整合进XX搜索和地图移动应用），在搜索广告方面有着普遍应用
2016年9月，XX大脑：
官方介绍，XX的人工智能平台
2016年9月，PaddlePaddle：
XX近期开源的深度学习工具包
2016年10月，XX移动应用：
新升级的移动搜索应用，内含一个整合了智能搜索和个性化新闻推荐的系统，其背后采纳了人工智能、自然语言处置和深度学习技术
阿里巴巴：
2021年7月，阿里小蜜「阿里小秘书」：
虚拟人工智能客服，据公司2016年10月报告，问题解决率已达到80%
2021年8月，DTPAI：
基于阿里云的效劳，用来处置机械学习进程，被该公司称为是中国的第一个人工智能平台
2016年6月，阿里妈妈光学字符识别：
该技术取得文档分析与识别国际会议（ICDAR）RobustReading竞赛第一名
2016年8月，阿里云ET：
一套综合的人工智能解决方案套件，包括视频、图像和语音识别技术
腾讯：
2021年6月，优图：
腾讯为开发者开放了其脸部识别技术，和优图科技的其他核心技术
2021年8月，腾讯TICS实验室：
2021年腾讯设立的智能计算和搜索实验室，专注于四个方面：
搜索、自然语言处置、数据挖掘和人工智能
2021年9月，Dreamwriter：
腾讯上线中国第一个新闻报导机械人
2021年11月，WHAT实验室：
微信-香港科技大学人工智能联合实验室，于2021年11月26日成立
人工智能生态：
关键参与者
人工智能生态：
利用案例与潜在机遇
创新人工智能的驱动者：
谷歌、亚马逊
谷歌在做些什么？
谷歌的搜索算法在过去二十年里进展迅速。
从1998年的PageRank到2021年的RankBrain，基于链接的网络排名已经进化成人工智能驱动下的查询匹配系统，后者能够不断适应那些独特的搜索（占谷歌所有搜索的15%）。
在云技术方面，公司五月份发布了针对平台的定制化硬件加速器方面取得的进展，一种定制化的ASIC，亦即TPU，这一进展对2021年开源的机械学习软件库TensorFlow进行了补充。
过去三年中，在与人工智能相关的收购战中，公司也当仁不让。
被收购的公司中，最知名的当属DeepMind，它提升了Alphabet的神经网络功能并已经将其应用于各类人工智能驱动的项目中。
为何重要？
在搜索中利用算法，谷歌可谓先行者。
将自然语言处置应用到配备用户搜索用意和可欲结果方面，公司一直处于领先地位，这也不断增强了公司在该领域的竞争优势。
在进一步推动人工智能领域的融合。
在增进人工智能一体化（AIintegration）方面，公司的开源应用TensorFlow已经为其他云平台和研究社区利用公司资源提供了先例。
同时，谷歌正通过自身优势，比如TPU，充分利用开源世界为公司提供竞争优势，尽管其机械学习库是开源的。
因为DeepMind,公司提升了端到端的强化能力；2021年末击败职业围棋选手的AlphaGo。
将人工智能带到更为广
泛的研究社区，同时也通过软硬件方面的自身优势进行创新，谷歌是最好例子。
亚马逊在做什么？
亚马逊正在公司内部和云端利用机械学习技术。
2021年4月，公司发布AmazonML，这款机械学习效劳能够为对云数据的利用提供机械学习功能（无需之前的客户体会）。
公司紧随谷歌的开源步伐，今年5月开源了DSSTNE，一个针对推荐深度学习模型的的库。
通过改善搜索、定制化产品推荐和语音识别、增加有质量的产品评判，公司内部也在利用机械学习改善端到端的用户体验。
什么缘故重要？
借助AWS，亚马逊成为全世界最大的云效劳商，可能也是最成熟的人工智能平台。
借助AmazonML，公司成为作为效劳的人工智能（AI-as-a-service）生态系统的领先者，将复杂的推理能力带到之前几乎没有机械学习体会的公司办公室当中。
无需基于定制的复杂应用，AWS用户就能够利用机械学习训练模型，评估和优化潜力。
亚马逊推荐引擎利用了机械学习，在匹配用户用意和可欲结果方面，具有竞争优势，
也为公司制造了商机。
公司正加倍高效地利用搜集到的数据合理化用户购物体验，也让电子商务体验更具互动性。
随着DSSTNE的开源，亚马逊也与其他科技巨头一路，推动科技社区的人工智能进步。
苹果在做什么？
去年，苹果已经成为最活跃的人工智能公司收购商，比如VocalIQ,Perceptio,Emotient,Turi,和Tuplejump。
几乎同时收购了VocalIQ和Perceptio，公司请来了JohnathanCohen，那时仍是英伟达CUDA库和GPU加速软件项目的负责人。
近期，据报导，公司请来RuslanSalakhutdinov担任人工智能研究总监，这也标志着公司人工智能战略的转型。
在此之前，公司最初人工智能功效之一是Siri,第一款嵌入移动技术的虚拟助手，2021年，其语音识别技术被移入神经网络系统。
什么缘故重要？
直到去年，苹果已经取得相对专有的机械学习成绩；2021年10月，BloombergBusinessweek报导，在公共消费方面，苹果研究人员还没发过一篇与人工智能有关的论
文。
只是，这一策略转型多少与新的、与人工智能相关的雇佣与收购有关，科技记者StevenLevy在Backchannel的一篇报导强调公司已经在人工智能领域活跃一段时刻了。
专门是，公司收购Turi突出了公司要按规模推动非结构数据和推论，和开放给更为普遍的人工智能研究社区。
这次收购，配以基于收购公司技术的较小应用，反映出苹果致力于用这些新技术创新公司产品。
微软在做什么
升级会员 