重磅研報中國人工智慧產業鏈三大投資藍海詳解

1新智元推薦

【秦培景等】從二十年前超級計算機「深藍」戰勝國際象棋大師加里·卡斯帕羅夫到如今圍棋世界冠軍李世石在與谷歌AlphaGO的比拼中投子認輸，我們見證了人工智慧（Artificial Intelligence，簡稱AI）從孩提時代一路走來，橫空出世的AlphaGo同時引發了棋界和科技界的「大地震」，人類智力「最後的堡壘」也轟然倒塌，我們似乎已經無法阻擋人工智慧超越人類的步伐。作為人工智慧發展里程碑上濃墨重彩的一筆，此次「人機大戰」正式宣告著信息社會實現由「互聯網+」向「人工智慧+」質的飛躍，也昭示著以信息技術為代表的「舊IT」（Information Technology）已被以人工智慧領軍的「新IT」（Intelligent Technology）無情地趕下了歷史舞台。

2016年，恰逢人工智慧誕生60周年。近年來，從習近平主席提到的「機器人革命」，中國版工業4.0，到李克強總理的「萬眾創新」；從國務院在《關於積極推進「互聯網+」行動的指導意見》中將人工智慧推上國家戰略層面，到「十三五」規劃的「科技創新-2030項目」中將智能製造和機器人列為重大工程之一，人工智慧在中國掀起了新一輪技術創新的浪潮。一切都預示著：人工智慧正在為產業革命的新風口，人類歷史上最好的「人工智慧+」時代已經到來。

WHY：AI或將催化下一輪產業革命

社會的飛躍發展必經路徑：科技革命驅動產業革命

經驗表明：歷史上每一次的社會重大飛躍都伴隨著科技革命。科技革命包括兩個範疇：科學革命和技術革命。科學革命是技術革命的前提，但是科學革命不一定會帶來產業變革，技術革命是科學革命到產業革命的必經之路。

縱觀人類近代史上五次重要的科技革命：第一次科學革命的結果是建立了完整的近代科學體系，由於它並未從理論到技術層面進行實用，社會的生產力水平並未實現質的飛躍。只有在以蒸汽機為代表的第一次工業革命（也可以稱為第一次技術革命）爆發後，人類社會的生產力和發展水平才開始了快速而穩定的提升。人類社會也從依靠生物能的農業時代進入了依靠機械能的工業時代。二十世紀下半場的第三次技術革命則是將二十世紀上半葉的第二次科學革命的理論實用化。第三次技術革命驅動了以第三產業為代表的新興產業高速發展，推動人類進入到知識化、信息化、網路化的新時代，這極大地提高了資本、技術等要素跨境流動的便利性。人類社會從此從工業社會逐步邁入信息社會。西方發達國家得以陸續進入後工業化時代，而其傳統部門則向陸續入場的新興與發展中國家轉移。無論是工業信息化還是信息工業化，第三次技術革命帶動了先發國家勞動生產率的快速提升。

圖1：人類歷史上五次重要革命發展路徑 資料來源：何傳啟，《第六次科技革命的戰略機遇》，中信證券研究部

從勞動生產率角度來看，在歷史的長河中，僅有的兩次勞動生產率飛躍式提高都是技術進步帶來的結果。以蒸汽機為代表的第一次工業革命的廣泛應用之後，勞動生產率才出現了快速的上升；而在第三次技術革命時期，上升的速度更快。在工業革命席捲各國之前，長期以來人均產出或勞動生產率的提升是很難觀測到的，如圖2所示，在工業革命之前，英國人均GDP的增長十分緩慢，而工業革命之後，這一指標迅速上升。如圖3，根據Ian Morris測算的社會發展指數，工業革命也是西方率先走向現代化並長期領先東方的重要因素。工業革命帶來了生產方式、交通運輸、國際貿易、甚至是社會階層和全球力量格局的變化。歷史學教授Gregory Clark認為：「人類歷史中其實只發生了一件事，即1800年前後開始的工業革命。只有工業革命之前的世界和工業革命之後的世界之分，人類其他的歷史細節有意思，但不關鍵」。

人工智慧或將引領下一輪產業變革

人工智慧引領的這場革命是否能颳起產業的颶風呢？人工智慧給人類社會帶來的變革似乎不像歷次科技革命一樣，僅僅停留在延伸人的體力和腦力上，而是進入了人和機器共同演化的時代。

人工智慧的產生具有堅實的科學理論基礎。演算法、數據和計算三大基礎要素共同驅動人工智慧發展。其中演算法是機器實現人工智慧的核心，計算能力和大數據是人工智慧的基礎。一直以來人工智慧突破主要依賴於演算法性能的提升，近年來主要有工程學法和模擬法實際應用在人工智慧技術中，推動人工智慧開始發展至感知智能階段。而隨著第三次技術革命以來計算機、互聯網在數據生成、採集、存儲、計算等環節的突破，為人工智慧進入高速發展階段提供了堅實的基礎。

圖4：人工智慧發展的三大要素 資料來源：艾瑞諮詢，中信證券研究部

在國內外的國家戰略層面，資金和政策都傾力支持人工智慧研究與產業的持續發展。歐盟委員會將在未來十年內拿出10 億美元支撐歐盟「人腦計劃」研究。而隨著近年來國內業界的不斷推動，人工智慧在「十三五」規劃首年被納入到國家戰略發展層面，結合互聯網經濟熱點帶來的資金支持和國家源源不斷的人才儲備和大量研發投入，必將推動人工智慧產業進入新一輪創新發展的黃金階段。

表1：我國人工智慧發展的利好因素

資料來源：艾瑞諮詢，中信證券研究部

人工智慧不僅僅是科學革命，更悄然改變人們日常生活的方方面面。當韓國棋王李世石在與谷歌AlphaGo的比拼中投子認輸的那一刻，人類既震驚於人工智慧已經可以超越人類的水平，也開始將更多的目光投入人工智慧這一領域，殊不知在經歷了60年的發展歷程之後，在金融業、汽車製造業、醫療保健行業甚至藝術創作領域這些似乎與人工智慧並不那麼相關的行業，都已經逐步實現了人工智慧的應用。

隨著人工智慧與傳統行業的不斷結合，人工智慧產業鏈迎來爆髮式增長。從產業分類和公司數量來看，諮詢公司Venture Scanner統計，2016年全球人工智慧公司已突破1000家，跨越13個子門類，融資金額高達48億美元。在這13個種類中，研究機器學習（應用）的人工智慧公司數目最多，達260家，約佔整個行業的30%。從區域分布情況來看，歐美等西方國家發展較為迅猛，其中美國以499家人工智慧公司佔據絕對主導地位，且初創公司數量眾多；而以中國為首的發展中國家在人工智慧領域顯然仍處於起步階段，真正布局該產業的公司較少，以傳統互聯網巨頭進軍人工智慧領域為主。

但是人工智慧應用仍是廣闊的等待開拓的藍海市場。從技術層面而言，人工智慧技術的發展可以分為三個階段：計算智能、感知智能和認知智能，目前已經融合在各種傳統產業中的人工智慧應用主要集中在第一個階段——計算智能，少量應用已經開始試水第二階段的技術，即感知智能。考慮到全面的感知智能所需的應用化技術、完善的數據、高性能晶元還有待於進一步發展，感知智能技術應用普及還需要5~10年，而認知層的技術突破和數據、計算等基礎資源的提升和積累是值得期待的長期發展方向。

我們認為，目前較為成熟的感知智能技術（如語音、視覺識別的服務、硬體產品等）的應用開發所形成的新「人工智慧+」將引領產業變革，成為推動社會飛躍發展的新動力。在傳統產業，人工智慧可以在製造業、農業教育、金融、交通、醫療、文體娛樂、公共管理等領域得到廣泛應用，將不斷引入新的業態和商業模式；在新興產業，人工智慧還可以帶動工業機器人、無人駕駛汽車、VR、無人機等處於產業生命周期導入期的公司飛躍式發展。從具體應用方向來看，如今十分火熱的工業4.0、人臉識別、智能答題機器人、智能家居、智能安保、智能醫療、虛擬私人助理等人工智慧概念是有望得到快速爆發的重點領域。

HOW：從AI歷史看未來

「人工智慧」一詞最初是在1956 年達特茅斯學會上提出的。從學科定義上來說，人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器。

人工智慧的發展歷史大致可以分為三個階段：帶有理想主義色彩的起步期，由「專家系統」大範圍應用而推動的第二波浪潮，以及由基礎設施、技術融合與應用拓展共同推動的第三波浪潮（1993年至今）。

歷史沿革：三大發展浪潮—「理想主義」、「專家系統」、「三大動力」

有理想主義色彩的起步期（1956-1974）

這個階段的起步期人工智慧是以「計算機不斷解決以往人類從沒設想過其能解決的問題」為特徵的，解文字題、證明定理甚至是學習語言。正是這樣的超預期激發了人們對於人工智慧的暢想，對人工智慧做出了大量樂觀的預測。

這個階段對於人工智慧的許多嘗試並不是以實際應用為目的的，許多人工智慧程序更像是「玩具」，而研究者們均致力於盡快設計出能夠通過「圖靈測試」的人工智慧機器，對於通向這一目標的路徑並沒有很清晰的認識。隨著研究進程不斷受阻，研究者很快就意識到人工智慧的許多基礎設施上的限制在上世紀70年代是不可能克服的。這些障礙包括極其有限的計算能力，缺乏能夠處理運算量指數增長的問題的演算法，缺乏數據，難以處理圖像識別等感知問題，需要不斷改變基礎架構來適應不同的問題等。因為這些問題的限制，人工智慧進入上世紀70年代以後止步不前，研究資金支持也大幅縮減，在1974年到1980年之間，人工智慧進入第一波低谷。

由「專家系統」大範圍應用而推動的第二波浪潮（1980-1987）

「專家系統」是一個用於模擬人類專家決策過程的計算機系統，是人工智慧歷史上第一個較為成功的應用，並在八十年代被許多大型企業所接受。1980年，一款名為XCON的專家系統程序被設計出來，這款程序能夠根據用戶的需求自動選取DEC公司計算機系統（集群）裡面合適的部分來完成計算任務。在1980年到1986年間，XCON平均每年幫DEC公司節省4000萬美元的成本。在這個階段，人們逐漸意識到研發人工智慧的目的不僅僅是為了設計出能通過「圖靈測試」的機器，能夠以現有的條件幫助人類解決在實際工作中的問題並提高效率才是更為重要的目的。

正是因為人工智慧的實際應用前景被挖掘，越來越多的公司投入資金研發不同類型的專家系統，人工智慧進入第二個高速發展期。這個階段人工智慧開始逐步形成一個產業，誕生了一批公司，比如硬體公司Symbolics和Lisp Machines，軟體公司如IntelliCorp和Aion。這個階段最標誌性的事件是HiTech和Deep Thought擊敗了國際象棋大師，Deep Thought也為後來IBM的Deep Blue奠定了基礎。

第二波浪潮在80年代末結束了，最大的問題是「專家系統」的成本一直無法降下來，隨著美國和日本經濟走入低迷，市場對於人工智慧的熱情也大幅下降。更重要的是，蘋果和IBM在這個階段對於家用電腦的開發進入加速期，家用電腦的性能甚至逐步趕超Lisp machine，「專家系統」這樣一個空間達到數億美金的市場在頃刻間就消失了。此外，1991年日本的「第五代項目」（從1981年開始推動）的失敗標誌著人工智慧進入第二個低潮。

由基礎設施、技術融合與應用拓展共同推動的第三波浪潮（1993至今）

經過了將近半個世紀的發展，人工智慧從90年代中旬終於進入了一個爆發期。在這個階段，人工智慧相關的技術已經逐步被應用到各個領域，只不過研究者們越來越弱化人工智慧這個概念，大眾除了「深藍擊敗國際象棋世界冠軍」、「AlphaGo擊敗圍棋世界冠軍」之類的事件，大都沒有意識到人工智慧的應用已經逐步滲透進生產和生活的方方面面。

人工智慧的第三波浪潮是由基礎設施、技術融合與應用拓展共同推動的。

（1）基礎設施領域的進步

在基礎設施領域，最核心的進步便是運算能力的提升以及數據資源的積累。運算能力方面，在過去將近50年的時間裡，集成電路上元器件的數目持續的以幾何級數增長。即便當前傳統計算機性能提升已經進入瓶頸期，互聯網基礎設施的提升又使得雲計算成為可能，把大量的計算資源組成資源池並用於動態創建高度虛擬化的資源供用戶使用。雲計算大大降低了人工智慧的商業化運營成本，推動了人工智慧的進步。

此外，GPU的廣泛應用使得大規模並行計算的效率大幅提升，這也為人工智慧的多任務執行提供了基礎。

基礎設施領域的另一個大的進步便是海量數據資源的積累。海量的數據使得機器學習的效果大幅提升，並且數據量本身的增加還能夠彌補演算法上的缺陷。根據IDC的統計，全球數據總量在未來的增速驚人，預計到2020年全球總數據量大約達到35ZB，是2011年的將近20倍。

（2）技術融合

人工智慧是處於技術前沿的各學科融合併共同推進的領域。人工智慧的開發也越來越多地將數學、系統控制、經濟等領域的知識結合起來，最常用的基礎工具包括貝葉斯網路、隱式馬爾科夫鏈、信息理論、隨機建模、神經網路、動態優化以及近期因谷歌的AlphaGo而聞名的蒙特卡洛樹搜索。跨學科的技術融合在人工智慧基礎設施上表現的更為重要。

例如，在計算領域，傳統的電路只能實現0或1的存儲你，集成晶元或是雲計算最終都是由無數個基本電路組成的，難逃「能耗」的問題，勢必需要一個能夠在計算能力上產生質的飛躍的設計。量子計算機在理論上能夠解決這一問題，一個量子可以呈現多態，那麼大規模計算所需要的量子數就大大縮減。不過，根據海森堡不確定原理，一旦外界對量子的具體狀態進行觀察（或者說計算機讀取一個量子的狀態），那麼量子的狀態就是確定的，不再具有多態。顯然，這樣的問題已經不是計算機科學能夠解決的問題，勢必需要基礎理論研究的支持。又比如，人工智慧的許多設計思想來自於腦科學研究，通過模擬人腦思考的過程來設計計算機的基礎架構。

（3）應用拓展

實際應用的拓展也在激發人工智慧技術的不斷創新。最典型的例子是便是人工智慧在機器人領域的應用，傳統的機器人僅僅是數控的機械裝置，不能適應變化的環境，與人類的「溝通」成本也非常高。這樣的機器人越來越不適應互聯網時代的生產需要，於是誕生了對於「互動機器人」的需求：機器人需要能夠隨時與人進行溝通修正任務（這需要對自然語言進行識別，同時要具備能夠自我生成運行代碼的能力）、適應隨時變化的環境（比如物流機器人能夠躲避障礙）、輔助人們的決策（投資顧問、醫療診斷、教育培訓、智能翻譯等）。這些應用領域反過來推動了人工智慧技術層的進步。應用拓展的範圍和經濟收益也是吸引資本持續進入相關領域的重要動力。

國外人工智慧發展情況：深度學習成為最熱門領域

回顧人工智慧的發展歷史，在實現人工智慧上有三種路線：一是基於邏輯方法進行功能模擬的符號主義路線，代表領域有二十世紀80年代的專家系統和知識工程；二是基於統計方法仿生模擬的連接主義路線，代表領域有機器學習和人腦仿生；三是行為主義，是從進化的角度出發，基於智能控制系統的理論、方法和技術，研究擬人的智能控制行為。

從當前國外人工智慧的發展情況來看，其中第二條線路是主流，基於人工神經網路的深度學習是當前最熱的研究領域，被Google、Facebook、IBM、NEC以及其他互聯網公司廣泛使用，最典型的應用領域是圖像和語音識別。

表4：與深度學習相關的重要事件

資料來源：Wiki，《深度學習：推進人工智慧的夢想》（余凱），中信證券研究部

圖像識別、語音識別、智能搜索是深度學習技術出現以來發展最快的幾個領域，其迅速地從試驗論證階段進入到相對成熟的應用階段。隨著這些基礎應用領域的成熟，一些高級應用領域的熱度也逐步開始上升。例如Google在力推的自動駕駛項目，需要建立感知能力、決策能力以及不斷自主學習的能力，可以說是人工智慧技術的集大成者。自動駕駛技術需要演算法做各種條件下面的路面目標檢測、識別交通標誌以及形成統一的路況感知。

國內人工智慧企業現狀：不同規模企業深耕各自的細分領域

從人工智慧的歷史來看，每一類人工智慧的應用均要經過實驗室階段、試點階段、推廣階段和普及階段。儘管國內企業在人工智慧基礎科研方面與美日等國家有巨大差距，但人工智慧相關的企業大都從已經進入試點階段的技術或應用切入，並在視覺、語音識別等技術領域處於國際領先水平。根據2015年艾瑞諮詢的統計，中國人工智慧領域已有近百家創業公司，約65家獲得投資，共計29.1億元人民幣，其中曠視科技、優必選、雲之聲、SenseTime四家公司登上艾瑞獨角獸榜單。

資料來源：艾瑞諮詢，中信證券研究部

以史為鑒：人工智慧發展路徑展望—技術領域、應用領域雙輪驅動

如果將人工智慧的產業鏈分為基礎設施層、技術層和應用層，通過回顧和分析人工智慧過去的發展路徑，我們認為人工智慧的發展往往是靠應用層的需求或是基礎設施層的進步推動的，主要存在以下兩種路徑——需求創造供給，或者供給創造需求。

路徑一：應用層的需求推動人們對於AI技術層（演算法等）的開發，技術層的進步使得基礎設施的利用效率不斷提高。不過，當技術層發展到一定階段時，基礎設施的利用效率提升空間很小，此時需要基礎設施層的不斷升級來支持，一旦基礎設施層對於AI的支持跟不上，或是應用層的需求飽和，AI的前進步伐就放緩，甚至進入「寒冬」（如80年代的專家系統）。

路徑二：基礎設施層的迅速進步使得技術層可以實現的拓展越來越多（比如基於大數據的海量運算的語音識別、人臉識別、搜索等），而技術層的多元化使得人們發現有大量應用層的創新可以推進，解決當前各行業的痛點，甚至創造和培育新的需求。

當前中國還處於行業應用層起步到快速發展的階段，應用層的投資機會和投入回報率遠高於技術層和基礎設施層，當這個階段出現泡沫時，投資機會可能更多地出現在技術層，當技術層停滯並出現泡沫時，投資機會可能更多在基礎設施層。根據從目前人工智慧的發展情況來看，技術領域的運用已經進入加速期，預計5~10年就能陸續成熟。在基礎設施領域，量子計算等新型晶元模式短期內還很難實現，不過基於雲端架構的並行計算模式已經逐步進入成熟期，短期內基礎設施還不會對人工智慧的發展形成障礙。從當前的情況來看，預計應用領域和技術領域將成為人工智慧進一步發展的兩個核心驅動力。

WHAT：AI是跨行業、跨學科的綜合技術

AI橫跨4大核心技術，涵蓋13個細分領域

人工智慧是一個跨學科、跨行業的綜合性學科。人工智慧最初的核心是實現「智能」這一概念，即機器可以像人一樣思考，而不只是被動式的執行人發出的每一步指令。人們研究出許多演算法將這一想法得以實現，計算機開始可以自己學習，之後慢慢發展成機器演算法這個研究方向。而後，由於人們對於將智能分別運用到圖像、語言、聲音處理和與硬體之間的互動方面的需求增加，自然語言處理、圖像識別和人際交互這三個領域又各自發展成獨立的研究方向，他們借用機器學習中的一些演算法並更多地加入有自身特性的技術。因此，人工智慧現在演化成了機器學習、自然語言處理、圖像識別以及人機交互這四大模塊。

機器學習技術：指計算機通過對大量已有數據的處理分析和學習，從而擁有預測判斷和做出最佳決策的能力。這項技術與計算機科學、統計學、數學優化演算法等都有著密不可分的關係。其代表演算法有深入學習、人工神經網路、決策樹、增強演算法等。

自然語言處理技術：指讓計算機可以理解人類的語言，包括將人類語言轉化為計算機程序可以處理的形式及將計算機數據轉化為人類自然語言兩種形式。這裡指的語言可以是聲音也可以是文字。這項技術的主要內容包括信息檢索、信息抽取、詞性標註、句法分析、多語處理、語音識別等。

圖像處理技術：指讓計算機擁有人類的視覺功能，可以獲得、處理並分析和理解圖片或多維度數據。這項技術的主要內容包括圖像獲得、圖像過濾和調整、特徵提取等。

人機交互技術：指計算機系統和用戶可以通過人機交互界面進行交流。這項技術包括的主要內容包括計算機圖像學、交互界面設計、增強現實等。

隨著現在人們對這些技術單一或者多樣化的運用，有一部分開發出的產品或服務也演變出各自的子領域並迅速發展。根據行業特性的不同，我們將人工智慧細分成13個子領域，如圖26所示。諮詢公司Venture Scanner統計，2016年全球人工智慧公司已突破1000家，跨越13個子門類，融資金額高達48億美元。整體來看，AI產業不論是行業規模、還是吸金能力都在飛速擴張中。根據Bank of America預測的數據：未來五年人工智慧的年複合增速36%，預計2020年將達到700億美元。在上述13細分行業中，研究機器學習（應用）的人工智慧公司數目最多，達260家，約佔整個行業的30%。

橫向比較：機器學習、圖像識別、智能機器人最具發展潛力

我們從未來發展空間、產業投資回報率、產業成熟度、應用場景拓展廣度等幾個方面來橫向比較人工智慧的各個細分領域的發展前景。

從未來市場空間和行業增速來看，發展速度最快、市場空間最大的三個領域是機器學習、圖像識別和智能機器人。根據諮詢公司Tractica的預測，機器學習領域從2015年1.09億美元的市場規模，將以年複合增長率超過60%的速度飛速發展，預計2024年將突破100億美元。目前已經擁有龐大市場容量的圖像識別同樣不可小覷。2014年圖像識別領域市場規模已達57億美元，在接下來的五年內將以42%的年複合增長率繼續擴張，預計2019 年可達333億美元。此外，智能機器人領域也將隨著應用場景的不斷擴展迎來一輪高速增長MarketsAndMarkets的機器人市場研究數據顯示：機器人行業的總市值將以每年20%的增速增長，並於2020年達到約80億美元，若將硬體與軟體細分開來，軟體部分的增速高達30%。

從投資回報率和產業成熟度來看，機器學習、圖像識別、智能機器人仍然是最受產業資本青睞的三個細分領域。眾所周知，風投公司傾向於將資金流向投資回報率最高的新興產業，對比人工智慧領域的風險融資額度能夠很好地反映該領域的投資回報率。Venture Scanner公司的調查數據顯示：無論從總體融資額度還是企業平均融資額度，機器學習都牢牢佔據榜首；圖像識別領域的總體融資額度和企業平均融資額度緊隨其後；而智能機器人領域由於公司數量較少，在融資總量上稍有落後，但其企業平均融資額度高達1400萬美元，僅次於機器學習和圖像識別領域。此外，從各領域公司創辦時間而言，機器學習、圖像識別以及智能機器人也是最為「年輕」的三個領域之一，產業內技術成熟度還不夠高，未來幾年將提供廣闊的藍海市場。

應用場景擴展方面，機器學習、圖像識別、自然語言識別和智能機器人是應用範圍較為廣泛的幾個領域。機器學習技術當前已廣泛應用於廣告、媒體、消費業等，並且需求不斷增加，未來還將快速滲入醫療、製造、金融、教育業，對眾多傳統行業形成巨大衝擊。圖像識別技術目前的應用領域很廣並且需求非常大，具體包括安防監控系統、無人駕駛、商品消費、工業製造、醫藥、體育和娛樂業等等，並且在未來幾年將大規模應用於智能機器人的開發中。自然語言識別未來可廣泛應用於穿戴設備、智能家居、智能汽車等領域，此外在很多安全保密系統中，語音識別技術也發揮著重要的作用。但是，該技術目前在不同口音的處理、背景噪音、區分同音異形異義詞方面仍然存在一些難以解決的困難。而隨著智能機器人功能的逐漸完善，未來在農業、工業以及醫療、消費等服務行業都能代替人工完成多項任務，既能節省大量人力成本又能提高工作效率和質量。

綜合以上分析，我們認為機器學習、圖像識別和智能機器人是目前整個人工智慧產業鏈中發展前景最好的三大領域。

Who：誰能脫穎而出？技術壁壘、跑對賽道、優先布局

人工智慧是跨學科、跨行業的綜合性學科，以大數據為基礎、以核心技術為驅動，應用領域極其廣闊，想像空間極大。在這樣一個複雜度、精細度極高的產業內，什麼樣的企業能夠脫穎而出呢？我們認為具備技術壁壘、跑對賽道、優先布局特徵的企業最具發展前景。具體來看：

技術壁壘：巨頭企業通過併購初創技術企業形成技術優勢

國際互聯網巨頭爭相收購人工智慧技術開發公司搶奪核心技術。技術是人工智慧產業發展的必備要素，因此在加強自身研發投入的同時，各個互聯網巨頭公司紛紛收購有技術優勢的初創型企業來快速獲得技術、形成壁壘。在過去的幾年裡，超過20家專註於開發人工智慧技術的企業被蜂擁而至的大型互聯網公司收購，谷歌、亞馬遜、蘋果、IBM、雅虎、Facebook、Intel等互聯網行業巨頭收購動作最為頻繁。

谷歌作為人工智慧領域的領頭羊進行了5次至關重要的收購，涉及深度學習、推薦引擎、圖片搜索等多個技術領域，值得一提的是，近期戰勝韓國棋手李世石的AlphaGo是2014年谷歌花費4億美元收購的英國初創公司DeepMind所創造的。而據彭博社報道，亞馬遜於2015年秋季秘密收購了矽谷初創公司Orbeus，該團隊專註於人臉識別技術，其核心產品ReKognition能夠自動分類和辨別照片中的內容，目前的識別對象可以包括人臉、場景、陸標、物體等其他概念。Orbeus的照片軟體PhotoTime不僅早於谷歌發行的基於人工智慧的應用，其使用的圖像識別演算法也比Facebook先前收購的Face.com更加細緻。

表19：國際互聯網巨頭收購人工智慧公司主要案例

資料來源：CB INSIGHTS，中信證券研究部

跑對賽道：選擇重點領域進行突破，所選領域未來有爆發點

人工智慧產業目前尚處於成長初期，應用領域非常廣且又是技術密集型產業，任何一個領域的發展都需要投入大量的科學資金、科技人才和物力等等。即便是資金技術雄厚的巨頭企業也很難在人工智慧產業鏈全部領域全面開花，這個時候很多公司往往會選擇一個或者幾個重點領域進行重點布局，因此，公司戰略所選的領域未來是否具有爆發潛力就至關重要，也就是我們所說的「跑對賽道，脫穎而出」。

基於我們從產業資本投資方向，行業屬性及發展路徑等幾個維度的比較分析，我們認為重點布局在機器學習、圖像識別、智能機器人三大領域的公司最可能脫穎而出。

機器學習主要指的是人工智慧領域應用中比較熱門的深度學習，通過多層次的學習而得到對於原始數據的不同抽象層度的表示，進而提高分類和預測等任務的準確性。深度學習可以應用於包括圖像識別、自然語言處理、廣告點擊率預估乃至人工智慧平台（如谷歌大腦）等在內的多個產品，並大幅度地提升這些產品的性能，各大研究機構和公司都投入了大量的資源進行相關的研究和開發。

縱觀國際，谷歌可謂跑對機器學習領域賽道的最佳典範。谷歌在機器學習領域的投入和研發水平遠超其他對手，更是在被稱為機器學習年的2015年取得了這個領域多項突破性的進展。

表20：谷歌2015年機器學習研究大事件

資料來源：http://www.cbdio.com/BigData/2015-12/07/content_4277915.htm，中信證券研究部

放眼國內，百度是目前國內唯一一家有望在機器學習領域與谷歌相媲美的公司。百度2013年率先決定成立深度學習研究院，主要進行深度學習&機器學習、機器人、人機交互、圖片識別等方面的研究。此後，百度繼續加大在機器學習領域的研發投入，2014年5月在美國矽谷投資3億美元成立百度美國研發中心，宣布任命人工智慧泰斗，原Google Brain項目負責人吳恩達為百度公司的首席科學家，全面負責百度研究院。2014年，百度發布大數據計劃，擬運用機器學習完成「開放雲-數據工廠-百度大腦」的三層設計。

圖像識別是指計算機從圖像中識別出物體、場景和活動的能力。傳統的圖像識別技術只能簡單識別或查找靜態圖像，對視頻分析、動態識別等則是有待於開發的潛力市場。不僅如此，圖像識別還可以應用到特別廣泛的社會領域，比如智能安保和互聯網金融、社會福利保障、電子商務等領域。因此，在圖像識別領域跨越的一個小小步伐，就有可能帶來可觀的收益。

舉例來說，一家初創公司Dextro正在開發能夠進行視頻識別的軟體並憑藉這個產品，成功進入了2015年在線視頻企業Top15。Dextro主要運用深度學習演算法進行視頻分析，它們正在開發的平台SSM（Sight，Sound&Motion）可以幫助用戶尋找最有新聞價值的視頻。Dextro目前提供兩種服務，一種是在線視頻搜索，即像文字搜索一樣尋找、解釋和分類視頻，可以用於提升視頻編輯剪輯工作效率和實現視頻與廣告的智能匹配；另一種是監控視頻管理，能夠快速鎖定監控視頻中的圖像，可以用於家庭智能安保、城市空間布局分析和犯罪分子識別等領域。

根據國際機器人聯盟(IFR)按應用領域的劃分，可以將智能機器人分為工業機器人和服務機器人兩大類，並且廣泛應用於生產組裝、維護保養、修理、醫療、清洗、保安、救援、監護等領域。隨著智能機器人能實現的功能越來越多，提供的服務越來越精細化，刺激著智能機器人規模的快速增長。生活中，人們厭煩了從事類似於清潔、看護、保安等重複性工作，這種簡單勞動力的不足使服務機器人有著巨大的市場，因此家庭清潔機器人、殘障看護機器人、住宅安全和監視機器人應運而生；而隨著人們生活水平的提高和全球人口老齡化的到來，能夠提供教育、醫療、娛樂等專業化服務的智能機器人也開始倍受人們追捧。受到這些剛性需求的驅動，公司涉足智能機器人領域就等同搭上規模擴張的「快速列車」。

美國直覺外科公司正是憑藉其王牌產品達芬奇機器人在10年間一舉擴張成為全球最優秀的醫用機器人公司。達芬奇機器人目前世界上最成功的手術機器人系統，它是為外科醫生手術操作中提供直觀的控制運動、精細組織操作和三維高清晰度視覺能力而設計的，同時允許外科醫生進行微創手術。達芬奇機器人由三部分組成：外科醫生控制台、床邊機械臂系統、成像系統。實施手術時主刀醫師不與病人直接接觸，通過三維視覺系統和動作定標系統操作控制，由機械臂以及手術器械模擬完成醫生的技術動作和手術操作。目前美國FDA已經批准將達芬奇機器人手術系統用於成人和兒童的普通外科、胸外科、泌尿外科、婦產科、頭頸外科以及心臟手術。得益於世界市場對醫用機器人的持續認可和需求增長，直覺外科公司在過去的10年里規模快速擴張，營業收入複合增長率達30%，達芬奇機器人使用範圍複合增長16%，使用頻率達52.3萬次。

領先布局：國外將技術開發拓展到商業領域，國內將場景設計進行商業落地

隨著AI技術的發展，AI技術幾乎可以應用到現代商業的各個領域。由於AI涉及到許多複雜的技術，通過長時間的積累和學習還可以進行自我改進，原有的客戶使用情況還能提供源源不絕的數據供進一步改進參考。因此，在人工智慧領域的商業化儘早進行布局，佔據市場、積累客戶資源獲得足夠多的基礎數據就至關重要。我們發現，國內外公司都在商業化應用領域積極地進行探索，國外的商業化以技術為核心，通過優化演算法推廣到實際應用；國內的商業化更側重場景設計，注重個人體驗，相對來說，核心技術優勢的進步並不那麼明顯。具體如下：

海外AI商業化應用：將技術開發拓展到商業領域，擁有核心技術的互聯網巨頭和創業企業最容易脫穎而出。海外AI的商業化注重技術開發，基於大數據基礎、演算法優化來提高技術水平進而再把技術開發拓展到商業化領域：以技術為核心，商業化則是再進一步的必然結果，一般來說商業化的項目都是其在技術技術領域已經達到足夠多的積累之後才發生的。具體來看：1）Facebook，圍繞大數據挖掘的技術核心，建造能夠理解海量數據的人工智慧機器，通過挖掘用戶數據信息為用戶推薦其更為喜歡的瀏覽內容；2）蘋果，基於語音識別的核心技術，開發人工智慧語音系統Siri，用戶通過語音對話對蘋果下指令；3）Uniqul，基於人臉識別技術，最早推出了人臉識別支付技術，推進AI與金融相結合的商業模式發展；4）Bettermen，建立個人投資管理平台，只要在Betterment 平台上，回答幾個關於你的投資目標的問題，Betterment會根據你的回答做分析給出相應的投資組合建議，並通過平台直接投資。

國內AI商業化應用：優化場景設計進行商業化布局。與海外國家相比，國內的AI核心技術優勢並不那麼明顯，相應的在商業化應用領域也並非注重核心技術的提供而是投入於優化商業場景，加強用戶體驗。有人力、財力基礎的三大國內巨頭互聯網公司最具商業場景落地優勢。具體來看：1）百度，百度將語音技術、圖片識別技術、O2O服務進行場景落地，用戶通過百度輸入一段語音，百度通過語音技術將其準確的翻譯為文字，再通過自然語言理解技術對該需求進行理解，最後給出用戶想要的電影票預訂、酒店預訂、景點門票預訂等服務；2）阿里巴巴，成立DST部門專門進行大數據挖掘，通過用戶產生的大數據進而為其推薦更多其有潛在購買慾望的產品；3）騰訊，旗下的QQ、微信有著巨大的用戶流量，向客戶精準投放廣告並開放「人臉識別」API。

投資策略：聚焦高前景細分領域技術突破者和商業化應用先行者

技術騰飛與應用拓展帶來人工智慧第三波浪潮。目前人工智慧的技術領域的發展還在起飛期，企業通過選擇重點領域進行突破，機器學習、圖像識別和智能機器人三大領域將有望帶來技術騰飛；而近幾年來國際互聯網巨頭爭相收購初創技術企業，加速人工智慧布局，逐漸形成技術優勢；技術層的進步人工智慧進入發展的上升通道，應用層投資機會和投入回報率也隨之高企。

揚帆人工智慧未知藍海，掘金細分領域投資機會。我們基於發展潛力、市場空間、應用範圍三個方面的考慮，重點推薦兩條投資主線：

主線一，聚焦發展技術優勢，通過併購重組在短時間內形成技術壁壘優勢，或者集中投入於具備前景的細分技術領域的企業。一方面我們看好通過投資或收購人工智慧領域開發公司，快速地獲得技術優勢、進而領先布局人工智慧領域的龍頭企業；另一方面，針對發展前景廣闊的機器學習、圖像識別和智能機器人三個最具發展領域，投入大量研發資金推動技術創新、搶先形成技術壁壘的公司具備投資價值。

主線二，優先布局商業化應用，利用技術拓展和場景優化進行人工智慧商業化落地的公司能快速享受成長。「人工智慧+」將引領產業變革，不斷引入新的業態和商業模式。目前主要落地場景包括金融、教育、家居、安保、娛樂等傳統行業，同時人工智慧在無人駕駛汽車、VR、無人機等新興產業的發展也同樣值得期待。

風險因素

宏觀經濟指標顯著低於預期，信用風險情況快速惡化，人民幣突然快速貶值。