（報告出品方/作者：華安證券，尹沿技）
主要觀點：
AI 是當前三大科技紅利之一，行業景氣度高，未來成長空間大。人工智 能、雲計算和 5G 是當前三大科技紅利。數據、算力、算法的三大變革，催 化 AI 再迎發展熱潮。艾瑞諮詢的報告顯示，預計 2022 年國內人工智慧賦能 實體經濟的市場規模將達到 1573 億。根據《中國人工智慧計算力發展評估報 告》的預測，2020 年國內 AI 市場規模將達到 62.7 億美金，2019-2024 年人工 智能市場複合增速將保持在 30%以上，2024 年會達到 172.2 億美金。同時， 中國在全球 AI 市場的佔比將從 2020 年的 12.5%上升到 2024 年的 15.6%。人 工智能行業景氣度高，未來成長空間大。
打造 AI 全棧能力是核心競爭力，人工智慧專業壁壘高。AI 完整產業鏈包 括三層：1）基礎層為 AI 提供數據以及算力的支撐；2）技術層提供了各類 AI 算法、架構以及應用平臺；3）應用層主要挖掘在各個行業和產品的 AI+應用 價值。目前國內各公司在賦能應用的同時，也在積極打造 AI 開放平臺，布 局晶片，希望通過局部全棧能力打造出差異化優勢。人工智慧投入大，專業 壁壘高。國內目前融資佔比前三的領域為計算機視覺與圖像（143 億），自然 語音處理（122 億），自動駕駛（107 億）；2009 年至 2018 年，中國在人工智 能領域論文發表量超過 9 萬篇，佔全球人工智慧論文發表總量的 22.7%，在 人工智慧發表論文數量排名前 15 的機構中，中國共有 5 家研究機構上榜。
需求爆發疊加政策鼓勵加速產業化落地，AI 企業進入紅利兌現期。從需 求端來看，發展 AI 已是全球共識。目前安防、智能汽車、教育、醫療、新零 售等是熱點應用領域。1）AI+安防市場在 2020 年會達到 453.4 億元的市場規 模；2）全球智能駕駛汽車出貨量在 2021 年增速有望超過 25%，在 2024 年年 出貨量超過 5000 萬輛；3）預計到 2022 年 AI+在線教育市場能達到 700 億左 右規模；4）新零售中 AI 的投入預計在 2022 年將達到 178.8 億元。從政策端 來看，中央政治局在 2020 年年初和其後的「內循環新格局」發展理念中，都 有提及新基建的投資方向，而人工智慧就是新基建的重要組成部分。隨後 11 月份發布的十四五規劃建議稿中，人工智慧與其他前沿科技一起，成為了中 國科技領域的發展重點。我們認為，在需求爆發和政策鼓勵下， 產業化落地加速，當前人工智慧產業有望進入規模商用的紅利兌現階段。
1 賽道清晰：當前 AI 聚焦五大熱點行業
1.1 需求爆發，AI 再迎發展熱潮
人工智慧行業高景氣，三大變革催化 AI 再迎發展熱潮。艾瑞諮詢的報告顯示，預 計 2022 年國內人工智慧賦能實體經濟的市場規模將達到 1573 億。中國電子技術標準 化研究院將人工智慧定義為是利用數字計算機或者數字計算機控制的機器模擬、延伸 和擴展人的智能，感知環境、獲取知識並使用知識獲得最佳結果的理論、方法、技術 及應用系統。為什麼當下要再提人工智慧？主要是三方面因素變革催化：1）移動互聯 網的爆發為 AI 提供了豐富的訓練數據，根據 IDC 的統計到 2025 年全球數據流量會達 到 175ZB。2）硬體尤其是算力指數級的提升，讓 AI 訓練的時間大幅度降低，目前用 於 L3 自動駕駛量產項目的 NVIDIA Xavier 能夠達到 30 每秒浮點運算次數。3）以神經 網絡為代表的機器學習算法的突破,尤其是在 2015 年的 ImageNet 挑戰結果中機器識別 首次超越人類。我們認為，人工智慧在經過一段時期的應用摸索階段之後，目前規模 化應用賽道逐步清晰，安防、教育、醫療、新零售、自動駕駛等都是當前的熱門方向。
AI+應用目前以安防為主，AI+醫療需求在疫情之後大幅增加。1）從人工智慧需 求的產生來看，AI 在產業變革和升級過程中發揮重要作用，AI 的運用結合生活和工業 生產中的多場景進行應用落地，能夠衍生出很多新產品、新產業、新業態和新模式， 從而重構生產、分配、交換和消費等經濟活動環節，以此來推動經濟結構的變革並改 變現有人們的生活方式。2）從 AI 應用較為成熟的領域來看，人工智慧行業已逐步滲 透到各行業當中，據前瞻產業研究院的統計，AI+安防在 2019 年人工智慧的各類應用 中佔比超過 50%，緊隨其後的是 AI+金融（佔比 15.80%）和 AI+營銷（佔比為 11.60%）。 3）從新興的 AI 領域來看，最近幾年自動駕駛、教育、新零售領域 AI 的發展極其迅 速。由於 2020 年伊始爆發的新型冠狀病毒疫情，AI+醫療的需求大大增加，這將會極 大地反推 AI 應用落地於醫療領域。
1.2 景氣度高，人工智慧市場保持高速增長
預計 2019-2024 年中國人工智慧市場複合增速超 30%，增長空間大。國內人工智 能的增速快於全球增速，中國在全球 AI 市場的佔比將從 2020 年的 12.5%上升到 2024 年的 15.6%。根據 IDC 與浪潮集團聯合發布的《2020-2021 中國人工智慧計算力發展評 估報告》預測，2020 年國內 AI 市場規模將達到 62.7 億美金，2019-2024 年人工智慧市 場複合增速保持 30.4%，2024 年將達到 172.2 億美金。我們認為，人工智慧景氣度高， AI 產業的快速發展和潛在的巨大空間，將會為整個產業鏈提供良好的發展基礎，尤其 是已經進入技術轉化階段的自動駕駛、深度語義分析、智適應學習、跨語言文本挖掘， 和成熟階段的硬體加速、深度神經網絡等，相關企業的成長空間大。
商業落地模式得到重視，更多實體經濟中的落地場景和產品得到認可。經過 2015- 2018 年的人工智慧投資熱潮，風險資本逐漸回歸理性，全球人工智慧初創企業的投融 資規模在 2018 年達到一個階段性頂部，人工智慧產業的野蠻生長期已經過去。以中國 為例，人工智慧行業在 2014-2019 年 Q3，共計 2845 起投融資項目，總計融資額為 3583.65 億元， 2019 年前三季度是 254 個項目，融資金額為 577.17 億元。通過將 AI 技術與傳 統行業結合，對傳統行業的經營模式和業務流程進行改造，從而進入新一階段的發展。 我們認為，AI、雲計算和 5G 是當前的三大科技紅利，人工智慧涉及到的基礎層、技 術層、應用層相關企業都會持續受益，通過產品研發投入和商業模式探索形成壁壘， 多個垂直細分賽道的企業未來成長空間廣闊。人工智慧產業通過數年摸索，發現真正 能帶來收益的行業目前聚焦在安防、智能汽車、新零售、教育、醫療等。
1.3 AI+安防：當前人工智慧落地最佳場景
AI 賦能安防多種應用場景，安防投資依然保持一定增速。1）從 AI 在公共安全中 各環節扮演的角色來看，利用 AI 技術進行模型訓練，能夠提升警務效率。當前視頻監 控為安防的主要手段，人工智慧參與到視頻圖片中的信息提取，從而構建模型，主要 包括行為人、隨行人員、車輛、周邊物品的特點與行為，獲得高階語義、強表達能力 的特徵，分類儲存。需要使用信息時，可通過行為人車物特徵、時間段、區域等條件 搜索，或是以事件（現場圖片）進行搜索，實現高效篩選，加之以公安系統中的手機 號、車票和住宿信息，能夠快速勾勒出行為人的行動軌跡，提高抓捕、尋人等警務的 辦案效率，實現「利用科技手段提升警力」的目的。AI 可賦能多種安防情景，應用廣 闊。2）AI 在安防相關的其他行業，AI+安防在交通行業的流量監控、智能樓宇的安防 與能耗控制、工業園區的風險識別和民用安全布防等場景也有應用。3）從市場規模和 增速來看，雖然增速有所下滑，但市場規模依然保持一定增長。根據艾瑞諮詢的統計， AI+安防市場在 2017-2020 年有望實現 39.5/135.3/350.0/453.4 億元的市場規模，複合增 速更是高達 166.5%。
藉助 AI 技術，安防由被動監控向主動預警發展。一方面，利用人工智慧和大數據 技術，可以對大型公共場所和道路進行監控，當流量超過閾值時則提醒採取限流等措 施，實現人流管控和交通疏導；另一方面，可利用大數據進行潛在犯罪的預判，結合 行為人先前犯罪前科等數據，對其可疑行為（如購買違禁品、在特定地點蹲點徘徊等） 進行識別和預警。得益於 AI 技術的發展，AI+安防正在由被動安防向主動預警發展。 圖 6 是依圖的 AI 人像大數據系統正在進行特徵比對。
AI 重構海量數據，政策支持下智能安防行業快速發展。1）安防數據量大。據 IHS Markit 統計，2018 年全球用於視頻監控的存儲出貨達 81 EB，相當於 9200 萬小時的視 頻（1080p @2Mbps）。這些存儲通常分布在錄像機（DVR 或者 NVR），內部存儲以及 外部存儲系統中。傳統的安防架構已經無法滿足如此海量傳輸、存儲的要求。AI 技術 對於非結構化的視頻數據進行結構化或半結構化處理，分流了後端計算負載，降低了 網絡運營成本。同時人工智慧在安防中的運用還可以降低監控人員由於疲勞帶來的忽略率。2）2020 年以來，政策持續鼓勵 AI 在安防中的創新。各部委發布一系列支持 AI+ 安防行業發展的政策，明確指出智能安防是人工智慧創新應用的重點推廣領域。
1.4 AI+智能汽車：實現自動駕駛有賴於 AI 的發展
自動駕駛是汽車智能化的重要應用方向。1）AI 的必要性。攝像頭、雷達、未來 還會部署的雷射雷達等傳感器、高精度地圖、定位系統、以及車路協同相互合作，集 環境感知、認知、規劃決策和多等級輔助駕駛等功能於一體，在全球範圍內受到了業 界和政府層面的密切關注，這些數據的處理需要 AI 算法的支持。2）國家政策的指引。 根據 11 月 11 號 發 布《智能網聯汽車技術路線圖 2.0》的指引，計劃到 2025 年，PA、 CA 新車佔比超過 50%；C-V2X 終端新車裝配率 50%；到 2035 年，中國方案智能網聯 汽車技術和產業體系全面建成，網聯式高度自動駕駛智能網聯汽車實現大規模應用。
AI 在感知和決策階段扮演著重要角色。車輛自動駕駛必須經過感知、決策和執行 三階段，人工智慧在感知和決策階段扮演著重要角色。近年來，人工智慧基礎層的不 斷突破，使得汽車所搭載的處理器不但可以同時應對更多的識別任務和決策，還能部 署對算力要求更高地深度學習模型。例如目前在小鵬量產車型 P7 上搭載的 NVIDIA Xavier 能夠達到 30 TFLOPS（每秒浮點運算次數）的性能。深度學習算法的運用極大 地提高了汽車識別道路、行人等障礙物的正確率，還實現了傳統人工智慧算法無法支 持的多目標檢測任務，更有望通過深層次網絡模擬了人腦複雜的決策系統。
作為智能汽車的眼睛，計算機視覺是感知層的關鍵技術。智能汽車通過多傳感器 融合來實現對車輛運行環境的感知。雷達傳感器的主要作用是幫助車輛探測一定範圍 內的障礙物方位、距離和速度等信息；視覺傳感器除了可以探知車道、交通信號燈、 交通標誌牌等非行駛障礙物信息，還可以傳遞更為豐富的障礙物信息。攝像頭作為智 能汽車的眼睛，如何準確且無遺漏的對周圍環境進行準確判斷，是最為高效的感知手 段。目前最先進的人工智慧算法已經達到通過單攝像頭完成交通線識別、信號燈識別、 行人檢測和其它車輛檢測。通過帶有 AI 功能的單攝像頭也已經實現自動緊急制動、自 適應巡航、車道中心保持輔助以及交通擁堵輔助等輔助駕駛功能。以具體單品 MINIEYE 的 AI 防碰儀為例，官網 1699 元的價格作為參考，我國目前汽車保有量已 經超過 2.7 億輛，假設碰撞安全車距提醒 ADAS 產品後裝滲透率如果達到 2%，即 540 萬輛車安裝防撞儀，則可以帶動約 45 億的市場。
作為智能汽車的大腦，決策模塊是自動駕駛的基礎。決策系統主要分為兩部分： 一部分是多模態融合決策，另一部分是道路規劃決策。多模態融合決策即通過「眼睛」 去識別路況，從而實現紅燈停，綠燈行，禮讓行人等決策，決策準確率往往與計算機 視覺識別準確率正相關。例如簡單的紅燈停場景，智能汽車需要識別出是否是紅燈， 在哪停下，結合車輛當前速度決定何時剎車。根據 IDC 報告的預測，全球智能駕駛汽 車出貨量在 2021 年會迎來拐點，增速有望超過 25%，隨後會保持 10%以上的增速，在 2024 年超過 5000 萬輛。
自動駕駛服務以示範項目形式陸續落地，商業化迎來曙光。2020 年 4 月，長沙率 先全面開放了無人駕駛計程車服務；10 月 12 日，北京也開放了無人駕駛計程車試乘， 當日訂單量突破 2600 單；10 月 21 日，蘇州落地全國首個常態化運營的 5G 無人公交。 無人公交在開放的城市道路上運行，且速度最高達到 50km/h。該無人公交車除了具備 避讓行人車輛、自動變道、自動轉向、紅綠燈識別等基本功能，還能應對各類城市復 雜交通場景，例如穿行人車混雜的路口、應對後車加塞、「鬼探頭」等。我們認為， 2021 年是智能汽車，尤其是 L2+自動駕駛的爆發年，AI 作為必不可少的技術，相關 ADAS 產品滲透率會得到快速提升，自動駕駛將率先在高速和泊車場景下實現規模化落地。
1.5 AI+新零售：利用人工智慧重構互動式消費場景
AI 賦能零售全流程數據互聯互通，實現三方共贏。1）AI 賦能新零售。傳統零售 場景主要是通過商品和資金形成閉環，零售業的智能化轉型並不是對各個環節做幾何 拼接，AI 引入數據要素作為驅動力。對於傳統零售商來說，AI 從客戶群體和貨物供應 鏈的管理，到消費場景的重構，都具備優勢。AI 的運用高度內嵌在新零售流程中，讓 各個環節通過數據作為紐帶形成閉環,通過優化，達到運營效率的全面升級，實現了客 戶群體、零售商、生產商的三方共贏。2）AI 在新零售中的市場規模。根據艾瑞諮詢的 報告，2018 年國內現代渠道主要零售數位化建設投入為 285.1 億元，其中 AI 的投入規 模約 9 億元，佔比 3.15%。AI 投入在零售商數位化建設投入中的比例持續提升，2020 年整個國內商業數位化建設投入約 462.9 億元，其中 AI 投入 63.9 億元，預計這一數字 在 2022 年將達到 178.8 億元，佔新零售整體數位化建設的投入比例約為 25.5%。
人工智慧在顧客端實現個性化推薦，讓商家對產品和推廣策略快速調整成為可能。針對客戶群體管理方面，零售商們都在打造高效，便捷，個性化的購物體驗。AI+新零 售通過收集和分析客戶行為數據，對客戶進行個性化推薦，使得客戶可以快速找到其 想要的物品；此外，智慧機器人客服在降低超市人員人工成本的同時，可以 24 小時不 間斷地提供服務，使得消費者在需要的時候獲得及時的幫助；最後，計算機視覺還可 以在不接觸任何物品的情況下完成支付結算。隨著大量客戶的消費數據積累，商家可 以對產品研發和推廣策略進行再調整。越是了解客戶行為和趨勢，就能更加精準地滿 足消費者的需求。人工智慧可以幫助零售商改進需求預測，做出定價決策和優化產品 擺放，最終讓客戶就在正確的時間、正確的地點與正確的產品產生聯繫。
AI 助力零售業提升供應鏈管控效率。貨物供應鏈管控方面，計算機視覺技術可以 幫助零售商實現商品識別、物損檢測、結算保護等功能，這使得零售商在降低人工成 本的同時提升倉儲管理的效率。傳統零售商面臨的一大挑戰就是保持準確的庫存。AI 通過打通整個供應鏈和消費側環節，消除各個環節的數據孤島效應，為零售商提供包 括店鋪、購物者和產品的全面細節化數據，這有助於零售商對庫存管理的決策更加合 適。此外，AI 還可以快速識別缺貨商品和定價錯誤，提醒員工庫存不足或物品錯位， 以便實現獲得更及時的庫存。
AI+新零售模式將依託用戶體驗重新定義零售場景，長期來看具備成本優勢。零 售行業從業人員的勞動效率（商品銷售額/零售業從業人數）從 2018 年起開始出現下 跌趨勢。計算機視覺技術和自然語言處理技術的不斷推進，將使得零售商對具體客戶 的消費行為和習慣有著更進一步的洞察力；AI 可以改變現有人工售後成本高，效率低 的問題，機器人助理會使得售後環節效率大大提升。可以預見到，未來新零售場景會 是一個高度語境化和個性化的購物場景。
1.6 AI+教育：AI 讓因材施教和個性化學習成為現實
在線教育市場規模快速提升，AI+教育佔比持續提升。1）從市場規模來看，在線 教育市場在 2018 年達到 2517.6 億元，其中 AI 技術相關的教育規模是 123.8 億元。預 計未來 2020 年上升至 3807.4 億元，到 2022 年 AI 相關的在線教育能達到 700 多億規 模；2）從滲透率來看，AI 技術相關的教育市場規模從 2018 年的佔比 4.9%，預計到 2020 年將達到 8.6%，2021 年之後會超過 10%。
人工智慧讓知識點的教與學更加精準。人工智慧技術可以大規模滿足用戶的個性 化學習需求。教育產業智能化的目標也非常明確，針對學習管理環節、學習測評環節 和認知思考環節三管齊下，來完成整個輔助學習功能的場景閉環。1）站在學生角度， 人工智慧從學習方式和需求入手，針對不同的學生生成個性化和定製化的學習方案， 同時提供高效的學習體驗和課後追蹤服務。2）站在教師角度，通過收集學生反饋來提 升教學質量和完善教學細節，智能評測系統則能根據具體學生的情況，為教師提供精 準的幹預措施建議，從而實現教學的高效化。
利用 AI 進行學習畫像，智能教育平臺是產業智能化的基石。智能教育平臺的搭建 包括兩個方面，分別是學生數據收集和數據深度分析。智能教育平臺除了可以完整追 蹤並記錄學生的線上學習過程，還應對每一位學生的實際數據，例如：檔案數據、學 習成績、時間數據、掌握知識情況、特長愛好、閱讀數據等進行記錄和存儲，然後智 能教育平臺通過人工智慧技術去預測學生的學習偏好、特長特點、智力水平、學習薄 弱環節等，最後延伸出職業發展、專業發展等。所有的這些做法都將從學生一入學就 將開始，讓每個學生都能接受適合自身特點的個性化學習，創造出了一種個性化的教 育模式。根據科大訊飛披露的信息，公司統計了江蘇南通如皋市 2016 年至今的教育行 業應用案例成效。智慧課堂產品覆蓋了如皋市 80%的初中，100%的高中，服務 2000 名 教師以及近 5 萬名學生，累積分析 3500 次測量數據，為 200082 名學生推送了 802368 份個性化作業。實現了教師閱卷時長減少 36%，統計時長減少 98%，備課時間減少 24%。 學生作業時間減少 32%，錯題解決率達到 80%以上，平均作業時長縮短約 40 分鐘，取 得了良好的應用成效。
以個性化學習手冊為載體動態生成學習資源，實現因材施教目標。傳統教育行業 的學習資源往往是預設型，事實上所有的預設型學習資源無法覆蓋每一個學生的每一 個需求，當預設型資源面對全體時會缺少部分重要的部分，更何況在中國，不同地區 所用的教材版本也有所不同，預設型的學習資源無法實現通用性。而人工智慧技術可以通過智能教育平臺，對具體學生的學習行為，知識水平等進行具體評估，擺脫傳統 教材的桎梏，對學習資源進行再整合和動態生成，即對學生進行個性化教學方案的精 準推送。
機器代替老師批改課後作業，使得教師更專注於教學環節。隨著 OCR 以及語義分 析技術的不斷進步，自動批改作業已逐漸成為可能。計算機能夠根據自然語言處理技 術對文本進行語法糾錯，例如：各種英語時態的主謂一致，單複數以及遣詞造句等， 甚至可以根據語言模型是給出意見和建議，這將能夠有效的節省教師批改作業的時間， 學生也可以更快地獲得反饋，從而顯著提高教師的教學效率以及學生的學習效率。除 了簡單的判定選擇，填空等客觀題的批改，市面上已經出現批改主觀題的教學技術。 例如：英文作文批改產品，機器通過 OCR 技術去識別手機拍攝的手寫的英語作文，對 語法、單詞等錯誤進行批註，並最終給出作文評分。隨著圖像識別技術以及自然語言 處理技術的不斷完善，類似產品將層出不窮，作業的自動批改將會變得越來越實用、 準確，教師除了可以節省出相應的批改作業時間，還可以直接獲得每一個學生在每一 道題的直觀統計表現，從而快速掌握學生對某一知識點的掌握程度，並對教學方案進 行合理調整。
1.7 AI+醫療：提高診療環節效率，促進資源合理分配
AI+醫療有助於在就醫的各環節提升效率，實現醫療資源合理分配。1）在掛號候 診環節，利用人臉識別、語音識別、遠場識別等技術，獲取患者病理特徵，與患者完 成關於病情的初步互動，並通過傳感器完成體溫、心率等指標的初步測量工作，從而 實現身份識別、掛號、導診的功能，減輕醫院的運營壓力。2）在診斷階段，放射科的 醫療大數據為 AI 醫學影像提供了入口，利用計算機視覺技術，進行圖像分割、特徵提 取、定量分析、對比分析等工作，通過機器初篩、醫生確定的方式完成最終閱片，這 將大大提高工作效率，同時具備依靠模型客觀判斷、可強化學習的優勢。艾瑞諮詢的 報告顯示，AI 在影像方面的應用目前還處於起步階段，預計在 2022 年會有 9.7 億的市 場規模。3）AI 輔助診斷則基於海量臨床文檔、報告、原始醫學圖像等多維數據，基於 人工智慧算法，綜合多學科知識存儲，為醫生診斷治療提供參考。4）電子病歷、推薦 用藥、健康管理等應用場景也將從不同維度提升醫療效率，挖掘醫療市場潛力。總的 來說，AI+醫療通過介入多種醫療場景，把寶貴的醫院資源分配到核心業務中；同時將 頂級醫療機構的能力下放，可填補當前巨大的醫療供求缺口，促進醫療公平。
醫療資源總量少、資源分布不均、診療效率低是當前我國醫療行業的突出問題。根據 36 氪研究院發布的《2020 人工智慧醫療產業發展藍皮書》統計，2019 年我國共 有三級醫院 2749 個，在我國一至三級醫院總量中佔比為 11.60%，但三級醫院醫療服務 工作量佔比為 56.75%，且我國三級醫院主要集中在北京、上海、廣州等大城市，中小 城市醫療資源相對不足。截至 2019 年末，我國共有衛生技術人員 1010 萬人，其中執 業醫師和執業助理醫師 382 萬人，註冊護士 443 萬人，而全年總診療人次為 85.2 億人 次，醫療供給同樣存在較大壓力。
老齡化程度加劇，慢性病發病率上升，催生大量醫療需求。第一財經的信息顯示， 中國將在 2022 年左右進入老齡社會，屆時 65 歲及以上人口將佔總人口的 14%以上。 根據公共衛生科學數據中心早期的統計數據，國內各種慢性病的發病率大部分呈上升 趨勢，可以推測該上行趨勢仍將繼續；另一方面，我國人口慢性病發病率也在不斷增 加，比如高血壓在 2008 年之後發病率達到 0.05%。上述這些都會帶來大量的醫療需求。
2 技術突破：深度學習算法拓寬場景邊界
深度學習算法擴大應用場景，打開市場向上空間。2016 年，Google 的 AlphaGo 以 絕對優勢完勝李世石九段，深度學習成為了近年來計算機行業最火的技術名詞。隨著 算力的大踏步前進，工業界開始在一些特定領域，例如計算機視覺、自然語言處理、 個性推薦系統等，嘗試部署更多的深度學習模型。從趨勢上來看，深度學習算法拓寬 了 AI 的應用邊界，比如 AI+汽車中的自動駕駛，AI+醫療的影像識別等。麥肯錫在 《Notes from the AI frontier: Applications and value of deep learning》報告中提到，對 19 個行業的 400 多個案例進行分析，其中 2/3 的企業表明使用深度學習是為了提高現有 性能；69%的案例表明深度神經網絡可以提高技術無法達到的性能；15%的案例完全應 用了深度神經網絡。深度學習的價值不在於模型和算法多優秀，而在於如何去更好的 運用這些算法。
現階段深度學習算法對數據具有依賴性，降低商業化應用成本是當務之急。目前 從實驗室中的人工智慧技術和真實落地的人工智慧技術商用需要跨越三個階段。第一， 來源於實驗室數據集的過度理想化，並未考慮到現實商用環境中存在各種噪聲，使得 訓練環境和生產環境下數據分布變化大，實驗室中訓練好的模型需要針對真實的商用 生產環境調試；第二，現實中部分場景數據少且格式不統一，存在大量髒數據、假數 據、違規數據等問題，需要進行數據清洗和結構化處理；第三，由於數據自身的隱私 性和珍貴性，大部分商業落地場景都要求私有化部署，這就要求人工智慧公司需要外 派高級算法工程師駐場，導致人均能效低。我們認為，如果能實現以上三個階段的跨 越，則該應用就大概率可以快速規模化落地。
傳統人工智慧和深度學習算法互為補充。通過貝葉斯原理，我們可以證明著名的 奧卡姆剃刀原則：即如果兩個理論可以獲得相同的預言集，那麼假設更少的理論為真 的概率更高。傳統人工智慧算法模型之所以比深度神經網絡簡單，是因為深度神經網 絡往往會在網絡中進行特徵再提取和特徵再學習。即便是在大數據場景下，只要無需 另構特徵，深度神經網絡仍然無法完全取代傳統人工智慧算法。我們認為，傳統 AI 算 法一直在工業界扮演著穩定解決問題的工具角色，傳統 AI 算法有著可解釋性強、對數 據依賴性弱、對算力要求低、模型簡單的四大優勢。與深度學習算法相比，傳統 AI 算 法仍然有其自身特色，二者不是簡單的替換邏輯，在未來的應用中會互為補充。
小樣本訓練甚至無監督學習是解決 AI 對數據依賴的可能技術路徑。從深度學習 到遷移學習，前百度首席科學家吳恩達曾表示：「遷移學習將會是繼監督學習之後的下 一個機器學習商業成功的驅動力」。目前學術界基於遷移學習理論提出了零次學習（即 模型可以對訓練集中沒有出現過的類別自動創造出相應的映射）和一次學習（即訓練 集的每個類別僅含有少量樣本），而元學習的出現，使得通用人工智慧模型成為可能， 人工智慧系統不再是單任務型模型，通用模型不必對每一個任務中的知識重新開始學 習，隨著模型對環境的不斷感知，模型可以解決越來越多的任務。我們認為這會是未 來人工智慧發展的主要技術趨勢。
3 護城河高：AI 全棧能力構築核心競爭優勢
人工智慧涉及全產業鏈，AI 全棧能力會成為企業的核心競爭優勢。人工智慧完整 產業鏈包括三層：基礎層、技術層和應用層。基礎層是人工智慧產業的基礎，為人工 智能提供數據以及算力的支撐，基礎層分為計算硬體、計算系統技術和數據三部分； 技術層提供了各類人工智慧算法、架構以及應用平臺；應用層主要與產業和產品融合， 呈現百花齊放的態勢，人工智慧在多個行業與產品中都擁有巨大的應用價值。
3.1 應用層：蓬勃發展，百花爭鳴
應用層呈現百花齊放態勢，產業化趨勢加速。人工智慧面向特定應用場景需求而 形成軟硬體產品或解決方案，應用層主要包括行業解決方案和消費者產品。隨著人工 智能技術逐步滲透各行各業，AI+解決方案和 AI+產品亦層出不窮，形成了新技術推 動新產品，新產品革新傳統行業的良性商業閉環。目前產業鏈中位於該環節的相關人 工智能公司最多。運用相對成熟的是 AI+賦能產業，包含：安防、智能汽車、新零售、 醫療、教育等和 AI+產品，包含：智能音箱、翻譯筆、機器人、智能家居等。
3.2 技術層：專業壁壘高，平臺和算法是核心
技術層是人工智慧產業的核心，巨頭環伺，專業壁壘高。人工智慧以模擬人的智 能相關特徵為出發點，構建技術路徑。技術層分為算法理論、開發平臺和應用技術三 部分。在技術層的競爭中，無論中國還是美國，企業巨頭的策略都是「三」管齊下。 1）通過招募高端人才來組建相應的實驗室研究團隊，從而加快關鍵技術的研發，建立 相應的技術壁壘；2）通過收購一些細分領域的優秀初創公司，降低巨頭進入該領域的 成本，同時完善公司的整體戰略布局；3）通過開源技術平臺，吸引全球開發者一起構 建相應的生態體系。美國典型的公司有 Google、Microsoft、IBM、Facebook；國內布局 AI 實驗室的代表企業有百度、阿里巴巴、騰訊、字節跳動、快手。
3.3 基礎層：關注 AI 晶片和傳感器，新興技術加速創新
計算硬體的創新集中在 AI 晶片和傳感器。計算硬體代表企業有美國的英偉達，中 國的華為，寒武紀等。AI 晶片通常指針對人工智慧算法做了特殊加速設計的晶片，是 人工智慧產業的核心硬體。相比於美國的英偉達、AMD、Intel、Xilinx 等公司，中國的 人工智慧晶片行業正處在萌芽期，國內的寒武紀、地平線、華為等布局了 AI ASIC，知 存科技的投入主要集中在存算一體晶片。人工智慧晶片逐漸在取代傳統晶片的某些應 用場景。隨著雲計算和邊緣計算需求的高速增長，傳統晶片廠商將持續發展新的合作 模式，以應對新客戶的需求。全球人工智慧晶片在 2018-2025 年期間保持 46%左右的復 合增速，2025 年有望達到 726 億美金的市場規模。
ICT 新興技術包含雲計算和 5G 等。計算機系統技術不僅僅指代資料庫、操作系 統等基礎框架，廣義的 ICT 技術也包含了雲計算和 5G，代表企業有百度、騰訊、阿里 巴巴、華為等。受益於 5G 商用網絡的普及，結合高效的雲計算架構，終端用戶可以 擺脫終端算力不足的困境，通過雲端的強大算力和快速信息傳輸實現對環境的快速反 應，這些新興技術都對 AI 的發展起到了很大的促進作用。
4 關注度高：發展人工智慧已成全球共識
4.1 中美是全球 AI 高地，中國公司正加速發展
美企起步早，中國公司正在加速追趕。1）從企業數量上來看，中國信息通信研究 院 2019 年 4 月發布的《全球人工智慧產業數據報告》顯示，截止 2019 年 3 月底，全 球仍然活躍的人工智慧企業共 5386 家，其中美國，中國，英國分別以 2169 家，1189 家和 404 家分列前三，人工智慧企業數量排名前 20 的城市中，美國佔據 10 席，中國 佔據 4 席。2）從 AI 行業發展階段來看，美國 AI 行業發展歷經四個階段，分別為 1991 年到 1997 年的萌芽期，1998 年到 2004 年的發展期，2005 年到 2013 年的高速成長期， 以及 2013 年至今的平穩期。而中國人工智慧產業則是從 1996 年正式進入萌芽期，2003 年進入發展期，企業數量從 2003 年的 29 家增長到了 2007 年的 57 家，2008 年進入高 速成長期，經過 5 年的時間，於 2015 年到達 166 家的峰值後進入平穩期。2015 年的峰 值，相當於 1999 到 2012 新增 AI 企業數量的總和。
中美研究機構搶佔學術研究高地，金字塔尖仍被美國佔領。2009 年至 2018 年，中 國在人工智慧領域論文發表量超過 9 萬篇，佔全球人工智慧論文發表總量的 22.7%， 其中 2018 年佔比高達 27.4%。在人工智慧發表論文數量排名前 15 的機構中，中國科學 院系統排名第一，加州大學系統和法國國家科學研究中心分列二，三位。除了中國科 學院系統，包括清華大學，上海交通大學，哈爾濱工業大學和北京航空航天大學共 5 家中國研究機構上榜，美國同期有 7 家上榜。在被引論文統計中，美國雖然仍是全球 高被引論文總量最多的國家，但中國近年來高質量論文漲勢明顯，2018 年中國高被引 論文數量已佔全球總量的 45%。騰訊研究院的《中美兩國人工智慧產業發展全面解讀》 顯示，對比四大 AI 頂級會議近三年的錄用論文統計，美國作者發表論文佔比 52%，中 國排名第二，佔比 18%。
4.2 保持 AI 應用層市場優勢，加大技術和基礎層投入
AI 全棧能力是未來核心競爭力。美國在基礎層優勢巨大，以開源算法平臺為例， Google、Facebook、Microsoft 都推出了自己的深度學習算法的開源平臺，而中國有百 度的 paddle。在技術層的雲平臺中，美國作為雲計算的初始玩家，佔據市場主導地位。 中國的阿里、華為、騰訊等網際網路巨頭推出了領先的雲服務平臺。在應用層，中美互 聯網巨頭都有屬於自己的垂直應用平臺。以語音平臺為例，Google Assistant、Cortana、 科大訊飛語音開放平臺、百度大腦都是業內知名平臺。大數據優勢是中國發展人工智 能的重要優勢，AI 技術發展需要有大量的數據積累進行訓練，中國較為完備的工業體 系和龐大的人口基數，在數據積累方面優勢明顯。國內企業在保持應用層數據優勢的 同時，應加大基礎技術研究及專利積累，形成 AI 全棧能力。
5 驅動力強：AI 有望進入紅利兌現期
5.1 AI 商業化形式明確，賦能產業是趨勢
人工智慧的應用必須與產業深度結合，持續挖掘行業賽道潛力。Gartner 在 2020 年 發布的新興技術成熟度曲線中繼續擴大了對 AI 潛力預測的覆蓋，在人工智慧技術領 域增加了多個類別，包括複合型人工智慧、可生成型人工智慧、負責型人工智慧、人 工智能開發增強、嵌入式人工智慧和人工智慧增強設計。從技術的研發周期判斷，人 工智能行業正處於第三波爆發期，而這波浪潮最大的特點就是與業務緊密結合的 AI 應 用場景逐漸落地，比如說工業視覺、車載領域的 ADAS 和 DMS 產品等。只有把握行 業數據，同時擁有先進算法和強大計算能力的企業將成為最主要的推動者。
行業賦能和消費者產品是 AI 當前落地主要形式。AI 在面向不同行業的技術使用 度存在差異。目前來看，數據獲取的難易程度和多少會對人工智慧落地產生影響；同 時，因為深度學習算法對場景數據的依賴，所以對長尾場景包容度高的應用落地就會 更快，例如安防、教育等。目前人工智慧技術落地商業化的方式主要有兩種，一種是 基於行業痛點的解決方案，另一種則是面向消費者打造爆款 C 端產品。圖 29 詳細對 比了 AI 典型行業和產品的成熟度情況，並針對核心與輔助環節進行了分拆。
從行業賦能來看，保持政府開支的同時，挖掘企業服務市場潛力是未來方向。針 對行業痛點的解決方案，最成功的莫過於安防行業。整個安防行業的核心在於視頻監 控，視頻監控的無人化和精準化一直是改革升級的目標。隨著計算機視覺技術近年來 出現質的突破，安防行業迅速進入智能化時代。安防行業積累了大量的數據，且數據 整潔度高，數據採集流程成熟完善，工作流自動化程度高，應用場景清晰，以政府開 支為主的商業模式在國家相應政策的鼓勵下實施效率高，另外，安防對於長尾的容錯 度也相對沒那麼苛刻，這些客觀因素的疊加使得 AI+安防迅速落地和商業化成型。再 以 AI+醫療/健康行業舉例，雖然行業內部積攢了大量的數據，但數據整潔度一般，工 作流自動化程度較弱，使得 AI+醫療/健康仍處於智能化的初級階段。仍處於藍海的 AI+文娛產業和 AI+能源產業則更多的是受制於數據積累量不夠多，工作流自動化程 度不高，行業應用仍然亟需相應的規範，才能引領人工智慧技術更好的滲透。
從消費者產品來看，產品的成熟度受場景複雜度、用戶心理接受度、技術水平等 多方面影響大。1）智能音箱。各大廠商都在布局的智能音箱產品，核心環節在於人機 深層次互動，主要功能點在聊天問答、家居控制、消費支付等，所用到的人工智慧核 心技術正是近年來發展迅猛的語音識別和語義識別技術，技術成熟度較高，產品場景 較為簡單，主要聚焦在室內，同時消費者用戶心理接受度也高。根據前瞻產業研究院 的統計，智能音箱目前作為最為成功的 AI+消費者產品，2019 年的出貨量達到 1.469 億 臺，市場規模為 119 億美金。2）個人工作助理。同樣運用語音識別和語義識別技術成 熟度較高，由於場景較智能音箱更為複雜，同時部分用戶擔心個人信息安全，目前滲 透率較低。3）智醫助理。目前仍然處在市場教育的前期，因為患者和醫院由於擔心誤 診誤療的發生，對 AI 醫生產品都有較強的牴觸心理，而如果將 AI+醫生替換為 AI+醫 生助理，即由決策者角色改變為建議者角色，患者和醫院的心理接受度大大增強。
5.2 技術成熟和數據紅利，加速 AI 產業化落地
算力和算法雙雙突破，技術成熟加速人工智慧應用浪潮。人工智慧產業在歷史上 的發展，也曾經歷過兩次低谷。1）第一次低谷出現在 1974 年-1980 年，人工智慧產業 被算法和算力雙重限制。一方面是感知器，邏輯證明器等初級算法無法應對更複雜的 場景，另一方面則是當時計算機的算力極其有限，無論是內存還是中央處理器的處理 速度都無法適應人工智慧所需要的實際情況；2）第二次低谷則出現在 1987-1993 年， 雖然出現了為人工智慧行業量身定製的 Lisp 語言和機器，但是依舊被計算硬體所局限； 3）如今，隨著近年來 GPU、FPGA、ASIC 等各種硬體的大規模應用，雲端伺服器和終 端的計算能力獲得了極大提升，與此同時數據規模的快速增長以及算法研究的不斷深 入，人工智慧已經在某些特定任務達到或超越人類，這使得人工智慧技術可以代替人 類進行一些重複性的工作，為人工智慧技術的應用落地打下堅實的基礎，這裡面最優 代表性的事件為 ImageNet 的挑戰結果，以及 AlphaGo 戰勝人類棋手事件。
數據仍保持高增長，數據素材對 AI 模型準確性至關重要。數據部分包括採集，標 注和分析。數據部分指的是完整的大數據產業鏈，現階段人工智慧技術還處於弱人工 智能階段，只有充分的數據訓練集才能最大發揮出機器的智能性，即數據的採集和標 注很大程度上取決了現有人工智慧技術的上限。根據 IDC 預測，全球數據流量將繼續 維持指數級增長，預計在 2025 年突破 175ZB。中國受益於 5G 網絡的快速鋪開，將成 為全球數據增長的主力。數據的快速積累將極大程度上提高人工智慧模型的準確性。
5.3 高校紛紛設立 AI 專業，人才培養是產業化的有力保障
中國產業人才儲量遠低於美國，基礎層人才缺口巨大。人工智慧行業之爭主要體 現為人才之爭，尤其在基礎層和技術層領域。騰訊研究院的數據統計顯示，美國人工智慧團隊共有約 78700 名工程師，而中國僅僅有大約 39200 名工程師儲備。放眼九大 領域，單就工程師數量，中國僅僅在智慧機器人一個領域優於美國，在語音識別和自 動駕駛領域略領先於美國，而在其他六大領域都存在缺口。以人工智慧產業鏈劃分， 美國有 22%的工程師從事基礎層相關領域，而中國的比例僅 3.3%；技術層上，中美工 程師比率相差無幾，都在 35%附近；應用層上，中國工程師比例達到了 62%，美國佔 比為 40%。按照億歐《2020 全球人工智慧人才培養》報告的統計，全球範圍內，中國 對 AI 崗位的需求最為旺盛，2018 年有 12113 個空缺。
高校紛紛設立 AI 專業，提升 AI 基礎性和原創性研究能力。1）與 AI 相關專業和 院系。國內和 AI 相關的專業主要有智能科學與技術、數據科學與大數據、機器人工 程、人工智慧，通常設立在人工智慧學院、計算機系、智能科學與技術系、自動化與 智能科學系。2）AI 需要複合型人才。根據國務院《新一代人工智慧發展規劃的通知》， 從學習的課程來看，應當形成「人工智慧+X」複合專業培養新模式，重視人工智慧與 數學、計算機科學、物理學、生物學、心理學、社會學、法學等學科專業教育的交叉 融合。3）從設置 AI 專業的高校數量來看，2019 年 3 月，教育部批准 35 所高校新增人 工智能本科專業，2020 年 3 月 3 日，教育部官方網站更新了《關於公布 2019 年度普 通高等學校本科專業備案和審批結果的通知》。新增人工智慧專業的高校達到了 180 所， 是此次新增備案專業數量較多的學科。我們做一個測算，假設每個學校每年平均培養 100 名人工智慧畢業生，則形成穩態後每年可以為社會輸送 1.8 萬 AI 專業人才。
5.4 政策鼓勵，人工智慧是新基建重要方向（略）
6 投資建議（詳見報告原文）
新一代人工智慧正在全球範圍內蓬勃興起，為經濟社會發展注入了新動能，正在 深刻改變人們的生產生活方式 。我們認為，在 2021 年相關人工智慧公司有望實現業 績釋放和估值提升的戴維斯雙擊。推薦關注: 科大訊飛、中科創達、海康威視、大華股 份、銳明技術、虹軟科技、地平線、商湯科技、曠視科技、依圖科技、雲從科技、雲 知聲。
7 風險提示
1） 人工智慧技術進展不及預期；
2） 人工智慧落地進度和產業應用不及預期；
3） 全球疫情加劇衝擊國內經濟，降低企業人工智慧投資需求。
（報告觀點屬於原作者，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）
精選報告來源：【未來智庫官網】。