36Kr-人工智能行研报告.pdf

2017.236氪研究院人工智能行业研究报告236Kr-人工智能行业研究报告2017年2月定义与研究范围涵盖AI基础技术及终端产品研究范围：人工智能是一门综合了计算机科学、生理学、哲学的交叉学科。凡是使用机器代替人类实现认知、识别、分析、决策等功能，均可认为使用了人工智能技术。作为一种基础技术，人工智能在很多行业都有用武之地。既有人工智能+基础行业的概念（如人工智能+金融=Fintech），也有其具体应用行业的概念（比如机器人）。按照技术应用的不同场景，可以将人工智能分为基础技术类及终端产品类，本报告研究范围涵盖以下领域：研究目的：本报告将集中探讨：人工智能行业整体的发展现状与技术发展趋势 各细分领域投融资热度与技术成熟度 巨头在人工智能领域的布局与策略 各应用领域市场规模、竞争格局、进入壁垒、产业链上下游构成 行业标杆的商业模式、核心竞争力、未来发展预期语义识别芯片计算机视觉语音识别机器人智能金融智能医疗智能安防智能家居终端产品基础技术注释：自动驾驶行业是AI的一个重要分支，关于该领域的研究讨论请参见36氪研究院系列报告自动驾驶行业研究报告。行业分析师曹婷相关研究报告：自动驾驶行业研究报告2017.2机器之眼，看懂世界：计算机视觉行业研究报告2016.9科技炼金，融汇未来：金融科技行业研究报告2016.8目 录 Contents一、人工智能行业驱动力1.行业驱动数据量、运算力、算法技术2.政策法规3.投资热度国际投资热度分析国内投资热度分析国内公司运营数据分析二、人工智能产业链与巨头布局分析1.产业链构成2.巨头布局开源平台布局芯片布局技术布局一、人工智能行业概述三、人工智能基础应用介绍与典型公司分析1.语音识别2.语义识别3.计算机视觉目 录 Contents五、人工智能在各行业的应用介绍与典型公司分析1.机器人2.AI+金融3.AI+医疗4.AI+安防5.AI+家居六、人工智能芯片介绍与典型公司分析六、人工智能行业趋势展望1.人工智能各行业综述2.人工智能当前发展瓶颈四、人工智能芯片介绍与典型公司分析1.人工智能芯片适用性分析GPUFPGAASIC2.人工智能芯片产业链分析3.人工智能芯片典型公司分析人工智能行业概述CHAPTER 1行业驱动数据量、运算力、算法技术政策法规投资热度国际投资热度分析国内投资热度分析国内公司运营数据分析636Kr-人工智能行业研究报告2017年2月数据量、运算力和算法模型是影响人工智能行业发展的三大要素。2000年之后，数据量的上涨、运算力的提升和深度学习算法的出现极大的促进了人工智能行业的发展。海量数据为人工智能发展提供燃料要理解数据量的重要性，得先从算法说起。数据量和算法可以分别比作人工智能的燃料和发动机。算法是计算机基于所训练的数据集归纳出的识别逻辑，好的算法模型可以实现精准的物体和场景识别。数据集的丰富性和大规模性对算法训练尤为重要。因此可以说，实现机器精准视觉识别的第一步，就是获取海量而优质的应用场景数据。以人脸识别为例，训练该算法模型的图片数据量至少应为百万级别。2000年以来，得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生并存储的数据量急剧增加，这为通过深度学习的方法来训练计算机视觉技术提供很好的土壤。IDC数据显示，从2011年起，全球所产生的数据量已达到ZB级别（1ZB约为10亿GB)，海量的数据将为计算机视觉算法模型提供远远不断的素材。而关于数据量对提高算法准确率方面的重要性，更有学者提出：“Its not who has the best algorithm that wins.Its who has the most data.”行业驱动力 数据量海量数据为人工智能发展提供燃料大数据训练模型应用于具体场景算法模型场景应用01020304050来源：IDC，36氪研究院2020数据量与准确率之间的关系2009-2020年全球总体数据量（单位：ZB）20090%10%20%30%40%50%60%70%80%90%100%100200300400500600700800900 1000准确率测试字符数量WindowMemory-BasedPerceptronNave Bayes说明：window、memory-based、perceptron、naive bayes 均为不同算法来源：Stanford机器学习公开课，36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析736Kr-人工智能行业研究报告2017年2月人工智能领域是一个数据密集的领域，传统的数据处理技术难以满足高强度、大数据的处理需求。AI芯片的出现让大规模的数据效率大大提升，加速了深层神经网络的训练迭代速度，极大的促进了人工智能行业的发展。AI算法的处理需要大量的矩阵计算操作，因此特别适合使用并行运算芯片进行数据处理。而传统的CPU一次只能同时做一两个加减法运算，无法满足并行运算的需求。目前，出现了GPU、NPU、FPGA和各种各样的AI-PU专用芯片。而其中，出现最早的GPU为人工智能的发展做出了巨大的贡献。擅长并行计算的GPU大幅提升机器学习效率。在GPU出现之前，算法运行的速度是很慢的，即使是一个简单的神经网络数据的培训，也得花费几天、甚至几周的时间。1999 年，Nvidia 公司在推销Geforce 256 芯片时，提出了GPU（图像处理器)概念。GPU是专为执行复杂的数学和集合计算而设计的数据处理芯片。它的出现让并行计算成为可能，对数据处理规模、数据运算速度带来了指数级的增长，极大的促进人工智能行业，尤其计算机视觉领域的发展。GPU与传统CPU相比，在处理海量数据方面有压倒性的优势。据Rajat Raina 与吴恩达的合作论文“用 GPU 进行大规模无监督深度学习”显示，在运行大规模无监督深度学习模型时，使用 GPU 和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍。在一个四层，一亿个参数的深度学习网络上，使用 GPU 将程序运行时间从几周降低到一天。今天，数据处理速度不再成为制约计算机视觉发展的主要瓶颈。想要发挥专用芯片的计算优势，需要芯片结构和软件算法两者相匹配。目前的趋势是，随着对人工智能各类应用需求的不断增强，专门用于加速人工智能应用的AI-PU或将成为计算机另一个标配组件。行业驱动 运算力运算力的提升大幅推动人工智能发展世界上第一款GPU-GeForce 256中科寒武纪即将投产的“寒武纪”NPUAltera的高端FPGA 产品 Stratix 101.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析836Kr-人工智能行业研究报告2017年2月在深度学习出现之前，机器学习领域的主流是各种浅层学习算法，如神经网络的反响传播算法（BP算法）、支撑向量机（SVM）、Boosting、Logistic Regression等。这些算法的局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限，对复杂数据的处理受到制约。以计算机视觉为例，作为一个数据复杂的领域，浅层学习算法的识别准确率并不高。该类识别原理多为通过寻找合适的特征来让机器辨识物品状态，由于这个处理逻辑是浅层的，不能穷举各种复杂的情境，因而算法拟合的准确率不高。深度学习突破人工智能算法瓶颈。2006年，Geoffrey Hinton 和合作者发表论文，“A fast algorithm for deep belief nets”，此后“Deep Learning（深度学习）”的概念被提出。以计算机视觉为例，深度学习出现之前，基于寻找合适的特征来让机器辨识物体状态的方式几乎代表了计算机视觉的全部。尽管对多层神经网络的探索已经存在，然而实践效果并不好。深度学习出现之后，计算机视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流。即，机器从海量数据库里自行归纳物体特征，然后按照该特征规律识别物体。图像识别的精准度也得到极大的提升，从70%+提升到95%。在短短几年时间里，深度学习颠覆了语音识别、语义理解、计算机视觉等基础应用领域的算法设计思路，逐渐形成了从一类训练数据出发，经过一个端到端的模型，直接输出最终结果的一种模式。由于深度学习是根据提供给它的大量的实际行为（训练数据集）来自我调整规则中的参数，进而调整规则，因此在和训练数据集类似的场景下，可以做出一些很准确的判断。行业驱动力 算法深度学习突破人工智能算法瓶颈72.00%74.50%84.70%89.00%93.00%95.00%60%70%80%90%100%2010201120122013201420152010-2015年 ImageNet 比赛图像识别准确率注释：ImageNet是计算机视觉系统识别项目。来源：36氪研究院过去现在未来Google translate语义识别准确率60%83.4%注释：Google translate是语义识别项目。来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析936Kr-人工智能行业研究报告2017年2月其他国家人工智能相关政策各国均在政策层面强调和推动人工智能的发展。其中，美国侧重于研发新型脑研究技术；欧盟主攻以超级计算机技术来模拟脑功能；日本则聚焦以动物为模型研究各种脑功能和脑疾病的机理。政策法规 国外政策加码，人工智能发展如火如荼国家相关措施美国 2013 年4 月，美国正式公布“推进创新神经技术脑研究计划”（BRAIN）。得到政府拨款1.1 亿美元，覆盖美国国家卫生研究院（HIN）、国防部高级研究项目局、国家科学基金会。2014 年HIN 小组制定了未来十年详细计划，预计每年投入3-5 亿美元开发用于监测和映射大脑活动和结构的新工具，十年计划共花费45 亿美元。欧盟2013 年初，欧盟宣布了未来十年的“新兴旗舰技术项目”人脑计划（HBP），该项目汇聚了来自24 个国家的112 家企业、研究所和高校等机构，总投资预计将达到12 亿欧元。计划在2018 年前开发出第一个具有意识和智能的人造大脑.日本2014 年9 月启动大脑研究计划Brain/MINDS。该计划为期10 年，由日本理化学研究所主导实施，旨在理解大脑如何工作以及通过建立动物模型，研究大脑神经回路技术，从而更好地诊断以及治疗大脑疾病。来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1036Kr-人工智能行业研究报告2017年2月 国内人工智能相关政策国内近几年也出台了相关扶植人工智能发展的政策，积极推动人工智能在各个细分领域的渗透。2016年5月，国家四部委更是颁布“互联网+”人工智能三年行动实施方案，明确提出要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平。政策法规 国内政策加码，人工智能发展如火如荼来源：36氪研究院实施时间颁布主体法律法规相关内容2015.5国务院中国制造2025提出“加快发展智能制造装备和产品”，指出“组织研发具有深度感知、智慧决策、自动执行功能的高档数控机床、工业机器人、增材制造装备等智能制造装备以及智能化生产线，统筹布局和推动智能交通工具、智能工程机械、服务机器人、智能家电、智能照明电器、可穿戴设备等产品研发和产业化。”2015/7/4国务院国务院关于积极推进“互联网+”行动的指导意见明确提出人工智能作为11个重点布局的领域之一，促进人工智能在智能家居、智能终端、智能汽车、机器人等领域的推广应用。2015/7/9中央办公厅、国务院关于加强社会治安防控体系建设的意见加大公共安全视频监控覆盖，将社会治安防控信息化纳入智慧城市建设总体规划，加深大数据、云计算和智能传感等新技术的应用。2016.1国务院“十三五”国家科技创新规划智能制造和机器人成为“科技创新-2030 项目”重大工程之一。2016/3/18国务院国民经济和社会发展第十三个五年规划纲要（草案）人工智能概念进入“十三五”重大工程。2016/5/18国家发展改革委、科技部、工业和信息化部、中央网信办“互联网+”人工智能三年行动实施方案明确了要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平，并且政府将在资金、标准体系、知识产权、人才培养、国际合作、组织实施等方面进行保障。1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1136Kr-人工智能行业研究报告2017年2月 融资规模与成立公司数量总览咨询公司Venture Scanner统计，截止2016年Q2，全球人工智能公司已突破1000家，跨越13个子门类，融资金额高达48亿美元。而人工智能创投金额在5年间增长了12倍。投资热度 全球全球AI领域融资金额5年增长12倍$62$96$66$68$64$138$125$102$186$283$211$141$321$555$394$942$769$398$911$485$636$1,049112113222038373843506347707784809284120100134121$0$200$400$600$800$1,000$1,2000204060801001201401602011Q1-2016Q2 全球人工智能行业融资规模（百万美元）投资额成交量11104851725364942629810011670210204060801001201402000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 20152000-2015年成立的人工智能公司数量来源：Venture Scanner，36氪研究院来源：Venture Scanner，36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1236Kr-人工智能行业研究报告2017年2月 人工智能在各细分领域的热度应用场景扩展方面，机器学习、计算机视觉、自然语言处理、智能机器人、手势控制是应用范围较为广泛的几个领域。机器学习是一类通用的技术，广泛应用于广告、媒体、消费等行业，并且需求不断增加，未来还将快速渗入医疗、制造、金融、教育业，对众多传统行业形成巨大冲击。计算机视觉和自然语言处理作为主要的感知技术，应用范围很广。计算机视觉主要用于安防监控系统、无人驾驶、机器人、工业制造、医药、教育和娱乐业等。自然语言处理可用于穿戴设备、智能家居、智能汽车、智能教育、智能金融等领域。投资热度 全球深度学习、自然语言处理和计算机视觉为创业最火热领域细分领域名称活跃创新企业数量创新企业平均年龄融资总额（亿元）深度学习/机器学习（通用）12065深度学习/机器学习（应用）260520自然语言处理（通用）15077语音识别7062计算机视觉/图像识别（通用）10075计算机视觉/图像识别（应用）8073手势控制3082.5虚拟私人助手9062.5智能机器人6074推荐引擎和协助过滤算法651情境感知计算3061语音翻译15131视频内容自动识别151051015人工智能企业平均融资额前五名平均融资额（百万美元）0246人工智能企业最为“年轻”五个领域年龄中位数来源：Venture Scanner，36氪研究院来源：Venture Scanner，36氪研究院来源：Venture Scanner，36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1336Kr-人工智能行业研究报告2017年2月国内人工智能投资热度：成立公司数量从1996年至今，国内至今仍在运营的人工智能公司有366家。通过数据分析可以看出，计算机视觉、机器人、自然语言处理是创业最热门的领域。获投金额从我们收集到的数据来看，2015-2016年人工智能领域获投金额在90亿人民币左右。由于我们的统计是基于已经披露了被投金额的交易，且单个公司是按照最近一次获投金额计算，故这一数值将小于该领域获投规模，仅供参考。可以看到，获投最多的细分领域有自然语言处理、机器人、计算机视觉，均在十亿以上人民币的级别。投资热度 国内获投最多领域为NLP、机器人和计算机视觉28.422015.68.176.15.614.72.2051015202530人工智能公司获投金额96927738261510953020406080100120各领域人工智能公司数量注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1436Kr-人工智能行业研究报告2017年2月 获投公司数量从我们收集到的数据来看，2015-2016年人工智能领域获投公司数量为226个，平均单个公司获投金额为4000万人民币左右。由于我们的统计是基于已经披露了被投金额的交易，故获投公司数量将小于真实值，仅供参考。可以看到，获投公司数量最多的细分领域有机器人、自然语言处理、计算机视觉，基本和获投金额一致。平均获投金额分析通过数据分析可以看到，智能安防、智能家居为平均单个公司获投金额最高的领域，平均获投金额在一亿以上。智能安防领域的获投企业均是人工智能领域的明星企业，如旷视科技、商汤科技等。投资热度 国内平均单个公司获投金额为4000万5853482218128641010203040506070人工智能公司获投公司数量（单位：个)17500 13500 5920 4675 3448 2943 2772 2750 2611 1000 05000100001500020000平均单个公司获投金额（单位：万元）注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1536Kr-人工智能行业研究报告2017年2月 获投比例分析从获投公司数量来看，机器人、计算机视觉、自然语言处理是获投公司数量（即，披露了融资信息的公司）最多的领域，分别为58个，53个，48个，占到该领域公司的一半以上；从对比图来看，智能金融、深度学习、智能医疗、智能家居、智能安防为获投比例最高的领域。获投公司融资轮次分布通过数据分析可以看到，获投公司融资轮次整体偏中期，公司融资阶段集中在天使轮、Pre-A轮和A轮，C轮之后的公司较少。投资热度 国内获投公司偏早期，C轮后公司较少5358482218128641020406080100120各领域公司获投情况（单位：个)未披露融资信息披露融资信息注释：2016年数据统计截止至2016.10.31来源：36氪研究院31052396334118020406080100120种子轮天使轮Pre-A轮A轮B轮C轮D轮E轮并购获投公司融资轮次分布注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1636Kr-人工智能行业研究报告2017年2月 各领域获投公司融资轮次分布从我们收集到的数据来看，机器人、计算机视觉、智能驾驶、自然语言处理是获投公司数量最多的四个领域；分析这四个领域创业公司的融资轮次特点可以看到，机器人和计算机视觉的获投企业中处于天使轮的最多，而智能驾驶和自然语言处理的获投企业中A轮企业最多；这四个领域获投企业中B轮企业均占据一定比例；智能驾驶、自然语言处理的投资更趋于中后期。融资Top公司获投金额：投资热度 国内明星公司单次融资额在亿元级别公司名称成立年份融资轮次人民币融资数额公司名称成立年份融资轮次人民币融资数额优必选2012B轮6.6亿猿题库2013D轮2.6亿Roobo智能管家2014A轮6.6亿中译语通2013B轮2.5亿云知声2012B轮3.3亿百融金服2014B轮2亿学霸君2013B轮3.3亿达闼科技2015种子轮2亿旷视科技（Face+）2016C轮6.6亿公子小白2013A轮2亿010203040506070机器人计算机视觉智能驾驶自然语言处理各领域公司获投公司融资阶段分布天使轮Pre-A轮E轮D轮C轮B轮A轮注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1736Kr-人工智能行业研究报告2017年2月公司运营状况分析2011年后AI创业兴起，2014、2015迎来创业高峰 各细分领域公司数量分析从1996年至今，国内至今仍在运营的人工智能公司有366家。机器人、计算机视觉、自然语言处理是创业热度最高的领域。人工智能总体领域公司成立时间分析从我们收集到的数据来看，2015-2016年人工智能领域在2011年之后迎来了创业热潮，在2014、2015年达到创业高峰，企业平均年龄为3.2 岁。11232126533118222650989923020406080100120人工智能公司逐年成立数量5853482218128641010203040506070人工智能公司获投公司数量（单位：个)注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1836Kr-人工智能行业研究报告2017年2月公司运营状况分析智能安防、计算机视觉公司平均成立年龄最久 各领域创业公司平均年龄通过数据分析可以看到，智能安防、计算机视觉领域的创业公司年龄最大，智能金融、芯片领域的公司大部分成立时间不久。机器人领域公司成立时间分析机器人领域至今仍在运营的创业公司最早在2005年出现，在2014、2015年迎来创业高潮，与人工智能整体领域趋势基本一致；创业公司平均年龄为2.8岁。2010236614252670510152025302005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016机器人公司逐年成立数量4.63.93.83.63.42.72.62.22.1100.511.522.533.544.55各领域创业公司平均年龄注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1936Kr-人工智能行业研究报告2017年2月112002022151891226213051015202530计算机视觉公司逐年成立数量公司运营状况分析CV、NLP企业平均年龄为3-4岁 计算机视觉领域公司成立时间分析计算机视觉领域至今仍在运营的创业公司最早在1997年出现，在2011年之后快速增长，2014、2015年迎来创业高潮，与人工智能整体领域趋势基本一致；创业公司平均年龄在3.9岁。自然语言处理领域公司成立时间分析自然语言处理领域至今仍在运营的创业公司最早在2000年出现，在2011年之后快速增长，2014年迎来创业高潮，与人工智能整体领域趋势基本一致；企业平均年龄为3.4岁。注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1002102425912211530510152025自然语言处理公司逐年成立数量1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析2036Kr-人工智能行业研究报告2017年2月2000000381210246810121420062007200820092010201120122013201420152016深度学习领域公司逐年成立数量100111010000031661430246810121416智能驾驶公司逐年成立数量公司运营状况分析自动驾驶领域2014年迎来创业热潮 自动驾驶领域公司成立时间分析自动驾驶领域至今仍在运营的创业公司最早在1997年出现，在2011年之前增长非常缓慢，2014年迎来创业高潮，与人工智能整体领域趋势基本一致；创业公司平均年龄为3.8岁。深度学习领域公司成立时间分析深度学习领域至今仍在运营的创业公司最早在2006年出现，这与深度学习实现突破的时间点一致，创业热潮出现在2015年，企业平均年龄为2.2岁。注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析2136Kr-人工智能行业研究报告2017年2月1596140272322116333221111020406080100120140160180北京市上海市深圳市浙江省广东省江苏省四川省陕西省福建省河南省湖北省辽宁省天津市安徽省贵州省黑龙江省吉林省各地区人工智能公司数量公司运营状况分析北京地区为AI公司创业集中地，占总体43%总体创业公司地理分布从366家人工智能创业公司的分布来看，北京市、上海市、深圳市是公司数量最多的三个地区。其中，北京地区的创业公司数量遥遥领先，占到总体的43%。机器人创业公司地理分布从92家机器人创业公司的分布来看，北京市、上海市、深圳市仍旧是公司数量最多的三个地区。其中，北京地区的创业公司数量遥遥领先，占到总体的三分之一左右。注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院341514865221111110510152025303540各地区机器人公司数量1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析2236Kr-人工智能行业研究报告2017年2月36194444420510152025303540北京市上海市广东省江苏省深圳市四川省浙江省湖北省各地区自然语言处理公司数量36141110665321110510152025303540北京市深圳市上海市浙江省广东省江苏省四川省河南省陕西省福建省湖北省辽宁省各地区计算机视觉公司数量公司运营状况分析CV、NLP公司北京创业热情高 计算机视觉创业公司地理分布从96家计算机视觉创业公司的分布来看，北京市、上海市、深圳市是仍是公司数量最多的三个地区。其中，北京地区的创业公司数量遥遥领先，占到总体的37.5%。自然语言处理创业公司地理分布从77家自然语言处理创业公司的分布来看，北京市、上海市是公司数量最多的三个地区。其中，北京地区的创业公司数量仍是最高，占到总体将近一半。注释：2016年数据统计截止至2016.10.31来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析2336Kr-人工智能行业研究报告2017年2月165221024681012141618北京市上海市陕西省深圳市浙江省各地区深度学习公司数量公司运营状况分析北京市、广东省为自动驾驶创业集中地 深度学习创业公司地理分布从26家深度学习创业公司的分布来看，北京市是公司数量最多的三个地区，占到总体的62%；由于大部分深度学习公司按照所应用的行业已计入其他细分领域，故此部分数据分析趋势仅供参考。自动驾驶创业公司地理分布从35家智能驾驶创业公司的分布来看，北京市、广东省为公司数量最多的两个地区，分别为15个、8个。对于智能驾驶领域更详细的数据分析，请参见同系列智能汽车行研报告。注释：2016年数据统计截止至2016.10.31，此处深圳市不计入广东省创业数量。来源：36氪研究院注释：2016年数据统计截止至2016.10.31来源：36氪研究院158552210246810121416北京市广东省江苏省上海市深圳市浙江省吉林省各地区深度学习智能驾驶公司数量1.1行业驱动-数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析产业链与巨头布局分析CHAPTER 2产业链构成分析巨头布局分析开源平台布局芯片布局技术布局2536Kr-人工智能行业研究报告2017年2月产业链构成分析产业链可分为基础支撑层、技术应用层和方案集成层从产业链来看，人工智能可以分为技术支撑层、基础应用层和产品层。技术支撑层主要由算法模型（软件）和关键硬件（AI芯片、传感器）两部分构成。传感器负责收集数据，AI芯片（GPU,FPGA,NPU等）负责运算，算法模型负责训练数据。基础应用层主要由感知类技术和其他深度学习应用构成。感知技术主要用于让机器完成对外部世界的探测，即看懂世界、听懂、读懂世界，由计算机视觉、语音识别、语义识别一并构成，是人工智能产品或方案不可或缺的重要部分。唯有看懂、听懂、读懂，才能够做出分析判断，进而采取行动，让更复杂层面的智慧决策、自主行动成为可能。方案集成为集成了一类或多类基础应用技术的，面向应用场景特定需求的产品或方案。人工智能作为一类技术，应用在多种多样的应用场景中；而在各类产品中人工智能的比重或有区别，但其本质都是让机器更好的服务于我们的生产和生活。人工智能产业链自然语言处理计算机视觉语音识别智慧家电智慧工业关键硬件算法模型路径规划GPUNPU传感器深度学习（CNN、RNN等）CPU基础应用技术产品技术支撑层基础应用层方案集成层来源：36氪研究院2.1 产业链构成分析2.2 巨头布局分析开源平台布局芯片布局技术布局2636Kr-人工智能行业研究报告2017年2月随着AlphaGo将AI带入人们的视野，AI逐渐被人们认为是下一个“互联网”类颠覆行业的技术。看重AI技术带来的巨大市场潜力，科技巨头们纷纷布局人工智能产业链，具体来讲有三种方式；打造AI开源平台、布局AI芯片、布局AI核心技术。从产业链的角度来讲，无论是开源平台，AI芯片还是AI核心技术，都是偏产业链上游的基础设施。（1）打造人工智能开源平台AI开源平台是一个深度学习的工具箱，用户可以在其开放的平台上使用其算法系统，获取开源代码。自从深度学习取得突破性进展以后，巨头们频频开源。其根本原因在于，尽管算法是竞争的一个障碍，但数据和应用场景的甄别才是真正的山头。当AI公司们使用开源平台进行算法的迭代时，开源平台可以获取数据，以及市场对应用场景热度的反馈。大量的创业公司会采用开源做垂直领域的业务，并试错验证，最终返回到开源，在算法被优化的同时，平台也可以通过用户行为的反馈甄别哪些是更有市场潜力的应用场景。巨头布局巨头打造开源平台、布局AI芯片和核心技术来源：36氪研究院公司开源时间开源平台名称简介Google2015.11Tensorflow谷歌第二代联机版人工智能深度学习系统，能同时支持多台服务器。Facebook2015.12Torchnet深度学习函式库Torch的框架，旨在鼓励程序代码再利用及模块化编程。Microsoft2015.11DMTK一个将机器学习算法应用在大数据上的工具包。IBM2015.11SystemML使用Java编写，可实现三大功能：定制算法、多个执行模式、自动优化。Yahoo2016.02CaffeOnSpark结合深度学习框架 和大规模数据处理系统，从而更方便地处理多个服务器的内容。Amazon2016.05DSSTNE能同时支持两个图形处理器（GPU）参与运算的深度学习系统百度2016.09Paddle-Paddle对新手非常友好的并行分布式深度学习平台，可以使用更少的代码实现相同的功能Tesla2016.04Open-AI一套更专注于开发和对比强化学习（RL）算法的深度学习系统。科技巨头纷纷打造AI 开源平台21 产业链构成分析2.2 巨头布局分析开源平台布局芯片布局技术布局2736Kr-人工智能行业研究报告2017年2月（2）布局人工智能芯片人工智能芯片作为人工智能行业的重要底层架构，其战略重要性不能强调更多。芯片行业虽然已有行业巨头NVIDIA和Intel，且技术壁垒极高，但由于行业目前AI运算仍以GPU为主，并未出现大规模应用的人工智能定制类芯片，Google、IBM、乃至国内的中科院都在积极布局探索。（3）布局人工智能核心技术巨头们自身成立人工智能研究院招募人才的同时，也在积极参股、并购拥有先进技术的AI公司。巨头布局巨头打造开源平台、布局AI芯片和核心技术公司发布时间芯片名称简介Google2016.05TPU专为其深度学习算法Tensor Flow设计的专用集成芯片。Intel预计2017年Xeon Phi能快速计算，并根据概率和联系做决策，其设计将为计算带来更多的浮点性能。NVIDIA2016.04特斯拉 P100 GPU目前世界上最大的芯片，可以执行深度学习神经网络任务，运算速度极快。IBM2015.10TrueNorth在不借助云计算基础设施的情况下，让移动计算机以极低能耗运行先进机器智能软件。中科院预计2017年寒武纪专门面向深度学习技术设计的处理器芯片。Microsoft2016.09FPGA可以执行Bing的机器学习算法的FPGA，同时也是Azure和Office 365的“内芯”。科技巨头的AI 芯片布局来源：36氪研究院21 产业链构成分析2.2 巨头布局分析开源平台布局芯片布局技术布局2836Kr-人工智能行业研究报告2017年2月科技巨头的AI 技术布局巨头布局巨头打造开源平台、布局AI芯片和核心技术公司简介Google2013年3月收购初创公司DNNresearch将深度学习鼻祖Geoffrey Hinton招入麾下2013年12月连续收购Schaft、Industrial Perception等8家机器人公司2014年1月收购人工智能初创企业DeepMind收购智能家居制作商Nest2014年10月收购智能家居中枢控制设备公司Revolv，积极布局智能家居和物联网领域2015年3月与强生旗下子公司爱惜康（Ethicon）进行战略合作，研发机器人辅助手术平台2015年10月投资德国人工智能研究中心DFKIIBM2014年3月与纽约基因中心（NYGC）合作，利用超级计算机的运算能力加速脑癌研究2015年3月收购初创公司 Alchemy API，把 AlchemyAPI 的深度学习技术整合利用2016年3月与科大讯飞正式建立战略合作，致力于在认知计算算法、云平台架构等层面合作与希尔顿全球合作试验酒店业机器人礼宾员Microsoft2016年3月与海尔达成战略合作，共同推动智能家居发展与invigr悦型合作推出情感型人工智能营养师Facebook2013年8月收购语音识别及机器翻译公司Mobile Technologies，帮助公司从图片识别拓展到语音识别领域2015年1月收购语音指令创业公司Wit.AI，帮助Messenger创建语音输入模式腾讯2016年2月投资人工智能初创公司Diffbot2016年7月投资初创公司Scaled Inference，这家公司提供中立平台，来解决不同需求方关于人工智能的各种问题2016年10月投资智能可穿戴公司真时科技百度2014年9月与宝马正式签署合作协议，共同研发自