人工智慧之計算機視覺應用專題報告2016

05-04

2016年，Alpha Go戰勝韓國圍棋選手李世乭再次引爆了全球對於人工智慧的討論和關注。計算機視覺作為人工智慧技術的基礎，受到深度學習的成功影響在近幾年內取得了突破性的進展，正在成為影響行業發展的下一個引擎。

巨頭紛紛布局，市場也吸引了越來越多的人才創業參與其中。計算機視覺正在成為人工智慧最火熱的細分領域之一。

本報告將針對計算機視覺技術發展的關鍵節點、市場現狀及應用場景進行分析和研究。

一、技術發展及市場現狀分析

1.人工智慧是一場從終極概念到分級落地的技術演變

2.人工智慧所依賴的基礎設施已經就位，但當前仍屬於早期階段

人工智慧正在像嬰兒一樣成長，機器不再只是通過特定的編程完成任務，而是可以通過不斷地學習來掌握本領，這主要依賴高效的模型演算法進行大量的數據訓練，其背後需要具有高性能計算能力的軟硬體作為支撐。伴隨互聯網的高速發展和底層技術的不斷進步，人工智慧所需的「能源」正在不斷完善。

數據量：2000年至今互聯網及移動互聯網的高速發展使得數據實現了量的積累，據IDC預測，2020年全球的大數據總量將為40ZB,其中有七成將會以圖片和視頻的形式進行存儲，這為人工智慧的發展提供了豐厚的土壤。

深度學習演算法：多倫多大學教授Geoffrey Hinton（致力於神經網路和深度學習研究）的學生在業內知名的圖像識別比賽ImageNet中利用深度學習的演算法將識別錯誤率一舉降低了10%，甚至超過了谷歌，深度學習進而名聲大噪。2015年，微軟亞洲研究院視覺計算組在該項比賽中奪冠，將系統錯誤率降低至3.57%，已經超過了人眼。

高性能計算：GPU響應速度快、對能源需求低，可以平行處理大量瑣碎信息，並在高速狀態下分析海量數據，有效滿足人工智慧發展的需求。

基礎設施成本：雲計算的普及和GPU的廣泛使用，極大提升了運算效率，也在一定程度上降低了運營成本。IDC報告顯示，數據基礎設施成本正在迅速下降，從2010年的每單位9美元下降到了2015年的0.2美元。

與此同時，巨頭和創業公司也相繼投入資源和成本進行商業化探索，但技術本身尚有足夠大的成長空間，當前仍處於早期階段。

3. 當前國內人工智慧領域產業格局尚未成熟，上中下游均蘊含著不俗的創業空間，但進入門檻較高

目前國內人工智慧領域的產業發展還較為青澀，核心基礎設施層面較為依賴國外市場，但也因市場變革期而存在大量彎道超車的機會，出現了地平線機器人、Cista、圖靈機器人等創業型公司；

技術服務層面多以創業公司為主，且有能力與大廠商一同探索推進AI技術的研究升級，其中以深度學習、計算機視覺、自然語言處理等最為火熱，這是倒逼基礎設施升級與拓展行業應用場景的關鍵環節（本報告將重點關注計算機視覺技術的發展與影響）；

行業應用層則多點開花，既有致力於無人駕駛、無人機等創新產品研發的企業，也有將人工智慧技術與傳統行業結合，影響行業變革（諸如安全、醫療、金融等）的企業。

4.計算機視覺是機器認知世界的基礎，也是最主要的人工智慧技術之一

人類認識了解世界的信息中91%來自視覺，同樣計算機視覺成為機器認知世界的基礎，終極目的是使得計算機能夠像人一樣「看懂世界」。目前計算機視覺主要應用在人臉識別、圖像識別方面（包括靜態、動態兩類信息）。

5. 計算機識別準確度和識別類型多寡是影響計算機視覺技術應用發展的基礎因素

提升計算機識別的準確度以及擴大計算機的識別範圍一直是學術界和工業界努力的方向，並熱衷於參加國際主流的計算機視覺比賽以此來驗證研究成果。

至今，斯坦福大學視覺實驗室ImageNet通過眾包的方式收集了1千多萬張圖片，共計2萬多個標籤類別，成為全球最大的圖像識別資料庫，其舉辦的ILSVRC也成為最受關注的大賽。

2012年，ImageNet ILSVRC比賽中，冠軍團隊使用深度學習演算法將識別錯誤率一舉降低了10%，成為影響人工智慧進程的里程碑事件，深度學習從此進入了廣泛應用期。

2015年，冠軍團隊的最新測試結果顯示已經超過人類。

但值得注意的是，現實中的複雜程度遠遠超過實驗室的環境，實際應用過程中更依賴產品的設計，以及需要根據環境進行不斷調優。

6. 受技術發展影響，計算機視覺正在帶動全球新一輪的市場熱潮

7．國內計算機視覺創業熱度遞增且深入行業，但處於早期階段

8. 國外巨頭自研和收購雙管齊下布局

國外巨頭自研和收購雙管齊下布局，將視覺技術廣泛應用於自身產品升級，並基於自身基因打造技術服務平台和新品類持續提升影響力。

9. 國內巨頭百度相對激進，阿里巴巴、騰訊基於自身產品進行功能試水

綜上可以看出，創業公司以多點垂直化企業服務為切入點，國內外巨頭則一方面利用資源優勢積極進行底層架構建設，並將技術廣泛應用到已有的產品升級中，另一方面利用資金優勢大量收購優秀的技術和數據創業公司，迅速彌補技術短板、數據短板和人才短板。與此同時，巨頭們還熱衷於創新前沿產品的研發，以及搭建開源平台幫助創業公司迅速起步，持續不斷地提升業內影響力。

Analysys易觀認為，國內技術主要沿襲國外，但創業環境和應用場景更為寬鬆，市場空間不容小覷。

二、技術應用場景及典型廠商分析

1. 計算機視覺技術已應用於傳統行業和前沿創新，安全/娛樂/營銷成最搶先落地的商業化領域

計算機視覺技術已經步入應用早期階段，不僅滲透到傳統領域的升級過程中，還作為最重要的基礎人工智慧技術參與到前沿創新的研究中。

本報告將重點關注技術對傳統行業的影響。其中，計算機對靜態內容的識別應用主要體現在搜索變革和照片管理等基礎服務層面，意在提升產品體驗；伴隨內容形式的變遷（文字→圖片→視頻），動態內容識別的需求愈加旺盛，安全、娛樂、營銷成為最先落地的商業化領域。

Analysys易觀認為，這三類領域均有一定的產業痛點，且均是視頻內容產出的重地，數據體量巨大，適合利用深度學習的方式予以改進。與此同時，行業潛在的商業變現空間也是吸引創業者參與的重要原因。

另一方面，當前計算機視覺主要應用於二維信息的識別，研究者們還在積極探索計算機對三維空間的感知能力，以提高識別深度。

2. 計算機視覺的應用從軟硬體兩個層面優化安防人員的作業效率和深度

安防是環境最為複雜的應用領域，通常的應用場景以識別犯罪嫌疑人、目標車輛（含套牌車/假牌車）以及真實環境中的異常為主。

傳統安防產品主要功能在於錄像收錄，只能為安防人員在事後取證的環節提供可能的線索，且需要人工進行反覆地逐幀排查，耗時耗力；智能安防則是將視頻內容結構化處理，通過大數據分析平台進行智能識別搜索，大大簡化了工作難度，提高工作效率。

除此之外，在硬體層面上，傳統安防產品超過4-5米的監控內容通常無法達到圖像識別的像素要求，並容易受複雜環境中光影變化和移動遮擋的影響而產生信息丟失，因此計算機會出現大量的誤報漏報，這些局限為治安工作造成了一定的阻礙。

安防技術廠商在此基礎上進行了創新，以格靈深瞳為例，目前已將攝像頭的有效識別距離穩定至70-80米，同時開創了三維計算機視覺的應用，通過整合各類感測器達到類人眼的效果，減弱了環境對信息採集的負面影響，提高複雜環境下的識別準確度。

Analysys易觀認為，計算機視覺的應用從行業痛點出發，以軟硬體的方式大大優化了安防人員的作業效率與參考深度，是順應行業升級的利好。不過，在實際應用過程中，對公安、交警、金融等常見安防需求方而言，更強的視覺識別效果往往意味著更多基礎成本（存儲、帶寬等）的投入，安防廠商的未來將不只以技術高低作為唯一衡量標準，產品的實用性能與性價比的平衡才是進行突圍、實現量產的根本，因此市場除了有巨大的應用空間外，還會引發一定的底層創新。