2017年中国人工智能行业发展现状分析及未来发展前景预测【图】

    人工智能正在变得无处不在，我们大多数人都在使用， Google搜索、 亚马逊的推送和电话服务中心的智能接线员，而苹果Siri在每周处理20亿个自然语言请求，Android手机上的20％的请求是由语音识别的。现阶段，神经网络芯片、深度学习算法、大数据及云计算，四个催化剂使人工智能开始迅速发展。

    人工智能产业链结构图

数据来源：公开资料整理

    基础层的部分技术已经在走向成熟， 但未来仍有很大的发展空间。芯片方面主要以NIVIDA的GPU为主， 不过更加适合深度学习的FPGA已经在逐步崛起，其参与者现阶段主要是科技巨头和垂直领域公司，比如Intel、Microsoft、 Xilinx、 Altera（已被Intel收购）等。 当然， 各家公司尤其科技巨头已开始研发人工智能专用芯片， 但从目前的时点看距离大规模商用还有一定距离。算法方面， 深度学习的兴起不仅使机器学习迎来了新的发展浪潮，更成为催化剂之一使人工智能开始迅速发展。 目前，深度学习市场集中度较低。 但由于深度学习算法公司在商业化项目落地方面的经验不足， 未来将更可能被科技巨头收购，因此行业集中度有望持续提高。 现阶段科技巨头更多的是选择收购优秀的深度学习公司来加速自己在深度学习领域的布局，比如Google收购DeepMind、 Intel收购Mobileye、 Nervana等。技术层，语音识别及图像识别技术已经成熟， 识别准确率均已超过了人类极限，但动态识别及认知计算仍有较大的发展空间。

    语音识别作为最早落地的人工智能技术， 2017年全球市场规模将达到112.4亿美元。 科技巨头将语音识别技术作为其人工智能生态圈的重要技术； 语音识别巨头基于语音识别技术开始外延扩张，打造其人工智能生态圈；而初创公司则通过垂直细分赛道切入，或将实现弯道超车。图像识别和人脸识别技术已经相对成熟， 但动态识别和认知计算仍有较大发展空间。 尤其是认知计算， 非结构化数据为认知计算提供发展机遇的同时，

    也对机器学习算法提出了更高的要求。应用层， 目前人工智能技术已经在包括医疗、 零售、 金融、 制造业等众多领域有了阶段性进展。 未来随着政策的不断出台、资本的持续投入、技术的日益成熟， 人工智能将有望迎来更多的落地应用

    1、芯片： 专用芯片到来之前， FPGA或将是更好的选择

    目前用于深度学习的芯片主要类型是GPU、 FPGA、 ASIC。同时，各家公司也在积极研发专用人工智能专用芯片，例如Google的TPU、 IBM的TrueNorth、中星微的NPU、中科院的寒武纪1号等，但离大规模商用化还有一定的距离。

    CPU/GPU/FPGA/ASIC 芯片比较

数据来源：公开资料整理

    CPU与GPU:由于需要处理各种不同的数据类型，并且逻辑判断需要大量分支跳转和中断处理，因此CPU对于通用性要求很高。这使CPU内部结构较为复杂，留给计算单元（ALU）的面积并不多。而GPU对逻辑控制要求不高，从下图可以看到， GPU80%以上的晶体管都是计算单元，因此它更适合用于海量数据的并行计算。

    CPU、 GPU 架构比较图

数据来源：公开资料整理

    FPGA与ASIC：两者最大的区别在于， FPGA可以根据需要被配置成不同的器件， 而ASIC则由于是根据用户的特别需求定制的， 除灵活性差之外，研发时间也很长，往往需要一年以上的时间，试错成本较高。因此，目前市场上厂商更愿意选择FPGA。我们认为，在GPU和FPGA之间做取舍时，若FPGA的架构优化能弥补其在峰值性能上的差距，那么FPGA会是更好地选择。 原因有2点：FPGA的灵活性优于GPU： 开发者可以根据实际需求对已经制造完成的FPGA芯片进行重新编程。

    FPGA较GPU功耗更低、性能更高： 英特尔加速器结构实验室（AAL）的ErikoNurvitadhi博士在《Can FPGAs beat GPUs in Accelerating Next-GenerationDeep Neural Networks》论文中以最近表现最佳的NVIDIA Titan X Pascal GPU为参照，对两代Intel FPGA（Intel Arria10 和Intel Stratix 10）在低精度稀疏DNN算法上的表现进行了对比。测试结果表明，即使在保守的性能假设下， Intel Stratix 10 FPGA性能已经比Titan X GPU提高了约60％，而在中度和积极的性能假设下Stratix 10表现更好，分别提高了2.1和2.3倍。在能耗比方面， Intlel Stratix 10比Titan X要好2.3倍到4.3倍。

    FPGA 相对于 GPU 耗能更低，性能更高

数据来源：公开资料整理

    目前，英特尔已经推出 CPU+FPGA 架构。 IBM、微软、 Facebook、亚马逊、百度、腾讯、阿里的数据中心均已采用 FPGA 或 CPU+FPGA。深度学习芯片市场收入将从 2016 年的 5.13 亿美元增长至 2025年的 122 亿美元，复合年增长率为 42.2％。目前，各家科技巨头都在积极研发人工智能专用芯片。

    各家科技巨头人工智能芯片布局

数据来源：公开资料整理

    2017年7月20日, 英特尔推出了Movidius™神经计算棒，这是世界上首个基于USB模式的深度学习推理工具和独立的人工智能（AI）加速器，为广泛的边缘主机设备提供专用深度神经网络处理功能（资料来源：搜狐新闻）。目前，除科技巨头外，诸多创业公司也都开始切入人工智能芯片领域，但该产业需要长期持续的研发投入，并且能够承担较大的试错成本，因此对融资能力要求较高。

    部分切入人工智能芯片领域的公司

数据来源：公开资料整理

    各类芯片在机器学习的应用领域

数据来源：公开资料整理

    2、深度学习算法已经在全球得到广泛使用

    第三次人工智能热潮兴起主要归功于深度学习，有深度网络结构的人工神经网络是深度学习最早的网络模型。

    人工神经网络发展史

数据来源：公开资料整理

    深度学习是机器学习的分支，是相对浅层学习而言的。浅层学习模型，诸如支撑向量机（SVM）、 Boosting 等，在结构上基本没有隐藏层节点或只带有一层隐藏层节点。深度学习模型是模仿人脑机制构建的具有学习和分析解决问题的神经网络。它由输入层、若干隐藏层及输出层构成，一般包含多个网络层，利用海量数据来对模型进行训练，通过逐层特征变换，形成对数据本身更抽象的、更具代表性的特征，从而提高分类或预测的准确性。隐藏层也称隐层， 是输入层和输出层之间众多神经元和链接组成的各个层面。一般认为增加隐藏层数可提高计算精度，降低网络误差。 2016 年， 深度学习的隐藏层数已经达到 152 层。 隐藏层节点是神经元，数目越多，神经网络的鲁棒性（Robustness）越强。

    浅层学习和深度学习数据处理流程的差异

数据来源：公开资料整理

    各深度学习平台的比较

数据来源：公开资料整理

    从全球为 TensorFlow 标星的人口分布图可以看到几乎全球都在使用机器学习

数据来源：公开资料整理

    预计全球深度学习市场规模在 2016-2020 年的 CAGR 为 38.7%，到 2020 年，全球市场规模将达 13 亿美元。 2015 年， 按照产品类型，软件和应用程序、服务、硬件分别占 39.6%、 32.2%及 28.2%。 而软件和应用市场的发展主要是由几个最终用户行业的技术进步和数字化驱动的，包括医疗、零售和金融业。

    机器学习算法的应用场景图

数据来源：公开资料整理

    3、数据量的指数上升和存储成本大幅下降

    预计 2020 年全球数据总量将达到 44ZB,中国的数据总量将达到 8060EB,占全球数据总量的 18%。据 IBM 统计，全球数据量以年均 60%增速在增长，全球数据量每18 个月翻一番。从图 6 可以看到，近几年 AWS 的价格大幅下降。

    全球数据量呈指数上升(单位： ZB)

数据来源：公开资料、智研咨询整理

    AWS 近年来报价大幅下降

数据来源：公开资料整理

    自 2012 年阿里推出云服务以来，其云产品每年都会降价 1-2 次，降价幅度从 15%至 50%不等。 2014 年全年连续降价 6 次， 降价频度和力度逐步加大。 16 年 10 月阿里云产品价格全线下调， 核心产品价格降价幅度最高达 50%。 2017 年 6 月，阿里云继续下调核心产品价格，云数据库和云服务器降价幅度分别达 35%和 31%。

    相关报告：智研咨询发布的《2017-2023年中国人工智能市场分析预测及市场前景预测报告》