自从 2010 年开始，随着大数据的驱动，芯片运算能力及机器学习算法的提高，人工智能进入快速发展阶段。一系列行业标志性事件开始频繁吸引人们的眼球，人工智能和人类开始在一些特定场景展开正面的Battle，也几乎包揽了所有的胜局：

• 2011 年，IBM Waston 在综艺节目《危险边缘》中战胜了最高奖金得主和连胜纪录保持者;

• 2012 年，谷歌大脑通过模仿人类大脑，利用非监督深度学习方法，从大量视频中成功学习到识别出一只猫的能力;

• 2014 年，微软发布全球第一款个人智能助理微软小娜;同年，亚马逊发布至今为止最成功的智能音箱产品Echo，从此引发语音音箱热潮;

• 2016 年，谷歌 AlphaGo 机器人在围棋比赛中击败了世界冠军李世石

• 2017 年，苹果公司在原来个人助理 Siri 的基础上推出了智能私人助理Siri和智能音响HomePod；

• 2018年，“猜画小歌”在谷歌AI的神经网络驱动下，通过识别5000万个手绘素描，能够在规定时间内识别出各位“灵魂画手”们的涂鸦。

人工智能的“可怕”之处在于，计算机可以对人类意识和思维进行信息模拟，从而形成一套套算法，能够快速、高效地代替人类实现认知、识别、分析、决策等功能。

作为继蒸汽技术、电力技术、计算机及信息技术革命之后的第四次科技革命核心驱动力，人工智能将形成新的“生产力”，改变生产结构和关系，对个人的工作生活，以及企业机构的组织结构、运营模式产生颠覆性的影响。

企服头条结合对人工智能行业的观察，以及在企业服务领域的积累，梳理了人工智能的产业链条分布、应用市场渗透、以及主要的商业模式和典型的公司盘点等，来呈现人工智能行业的现状和趋势。

1950年，被称为“人工智能之父”的Alan Turing在《计算机器与智能》一书中阐述了对人工智能的思考，提出仿真系统和自动程序设计的概念。1956 年，人工智能首次出现在达特茅斯会议上，这成为人工智能正式作为一项全新的研究领域的诞生标志。

回顾人工智能发展的60多年间，主要有三个阶段， 20 世纪 50 年代～80 年代是第一阶段，人工智能刚刚诞生，出现基于抽象数学推理的可编程数字计算机，以及提出了神经网络相关基础理论。

20 世纪 80 年代～90 年代末是第二阶段，算法应用不断升级。但由于专家系统在知识获取、推理能力等方面的不足，以及高昂的开发成本等，人工智能的发展在这个阶段并没有想象中的火热。

从21 世纪初至今，随着大数据的积聚、理论算法的革新、计算能力的提升，人工智能在很多应用领域取得了突破性进展。尤其是在2006年，深度学习基本理论框架得到验证，人工智能迎来了一个指数级增长阶段。



目前人工智能产业可以从两个维度进行理解，核心业态和行业应用。核心业态包括基础设施、信息及数据、技术服务以及产品这四个层面。行业服务应用主要是指人工智能与各细分行业的结合。比如智能制造、智能家居、智能金融、智能教育、智能安防、智能医疗、智能物流等。



核心业态中的基础设施主要包括智能芯片、智能传感器、分布式计算框架等，为人工智能产业提供计算能力支撑。

由于互联网互联网用户量和数据规模的急剧膨胀，人工智能的发展受到传统处理器性能的限制，下一代智能芯片市场突破迫在眉睫。目前的智能芯片按照技术架构主要分为通用类芯片、基于FPGA 的半定制化芯片、全定制化 ASIC 芯片和类脑计算芯片。

现在大范围使用的AI芯片仍是GPU、CPU，如何将更适用于网络神经算法的NPU、FPGA等芯片量产化并融合入超级计算机芯片矩阵，是人工智能芯片接下来需要持续发力的方向之一。

芯片市场是一个赢者通吃的市场，开发成本高昂，只有在市场形成规模优势才能转化成成本优势。英伟达几乎垄断了GPU市场，未来一段时间也很难撼动它在芯片行业的地位。其他厂商像ARM、Intel、IBM、谷歌，以及国内的中星微、地平线、百度等公司都推出了AI芯片产品，未来也有融合和互充之势。

此外，未来的智能芯片主要会向两个方向发展:一是模仿人类大脑结构的芯片，二是量子芯片。预计到 2020 年人工智能芯片全球市场规模将突破百亿美元。

随着人工智能市场的拓展，对传感器的要求也将增加。各类高敏度、高精度、高可靠性、微型化、集成化的智能传感器会是该细分行业各公司将要艰攻的课题，预计2020 年智能传感器市场规模有望突破4600亿美元。

面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以必须把巨大的计算任务分成小的单机可以承受的计算任务，即离不开云计算、边缘计算、大数据技术提供的基础计算框架。

目前流行的分布式计算框架如 OpenStack、Hadoop、Storm、Spark、Samza、Bigflow 等。各种开源深度学习框架也层出不穷，其中包括 TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、 Leaf、Theano、DeepLearning4、Lasagne、Neon 等等。 

人工智能要能够创造价值，除了需要算力支撑，还需要大数据行业来对信息进行数据收集、分析和处理。

目前，信息数据企业主要有两种:一种是数据集提供商，以提供数据为主要业务，为客户提供机器学习等技术所需要的不同领域的数据集。

另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。对于大型企业来说，既是数据服务的提供商，同时也是数据分析处理结果的需求方。 

智能技术服务主要在已有的基础设施和数据分析服务基础上，关注如何构建人工智能的技术平台，并对外提供人工智能相关的服务。目前，提供技术服务厂商包括以下几类，而且三类角色并不是严格区分，很多情况下会出现重叠。

一是提供人工智能的技术平台和算法模型。用户在平台或算法模型上进行人工智能的应用开发。此类厂商主要关注人工智能的通用计算框架、算法模型、通用技术等关键领域。 

二是提供人工智能的整体解决方案。通过集成多种人工智能算法模型以及软、硬件环境，帮助用户或行业解决特定的问题。

三是提供人工智能在线服务。此类厂商一般为传统的云服务提供厂商，提供相对通用的人工智能服务。

目前在人工智能行业，不管是提供底层算法分析、数据清洗、芯片硬件等产品和服务，还是在模式上通过平台创新，都在向解决方案式服务提供商进行转型，基于在某一细分领域的优势，进而成长为相对“大而全”的服务商。

在具体产品的层面，目前人工智能的应用主要分布在智能机器人、智能运载工具、智能终端、自然语言处理、计算机视觉、生物特征识别、AR/VR、人机交互等领域。具体产品明细如下表所示：



从技术驱动到数据驱动，现在人工智能已经进入到场景驱动的阶段，逐渐深入到各行业去解决不同场景的问题。此外，在行业中的实践应用也反过来在不断优化人工智能核心算法，形成正相关的模态。目前，人工智能主要在制造、家居、金融、交通、安防、医疗、物流、教育等行业中有广泛的应用。

随着工业制造4.0时代的推进，传统制造业对人工智能的需求开始爆发。人工智能在制造业的应用主要有三个方面：

智能装备，包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备，涉及到跨媒体分析推理、自然语言处理、虚拟现实智能建 模及自主无人系统等关键技术。

智能工厂，包括智能设计、智能生产、智能 管理以及集成优化等具体内容，涉及到跨媒体分析推理、大数据智能、机器学习 等关键技术。

智能服务，包括大规模个性化定制、远程运维以及预测性维护 等具体服务模式，涉及到跨媒体分析推理、自然语言处理、大数据智能、高级机器学习等关键技术。

智能家居主要是基于物联网技术，通过智能硬件、软件系统、云计算平台构成一套完整的家居生态圈。用户可以进行远程控制设备，设备间可以互联互通，并进行自我学习等，来整体优化家居环境的安全性、节能性、便捷性等。

值得一提的是，近两年随着智能语音技术的发展，智能音箱成为一个爆发点，成功打开家居市场，也为未来更多的智能家居用品培养了用户习惯。但目前家居市场智能产品种类繁杂，如何打通这些产品之间的沟通壁垒，以及建立安全可靠的智能家居服务环境，是该行业下一步的发力点。

人工智能在金融领域的应用主要包括:智能获客、身份识别、大数据风控、智能投顾、智能客服、金融云等。该行业也是人工智能渗透最早、最全面的行业。

未来人工智能也将持续带动金融行业的智能应用升级和效率提升。很多金融行业的应用，都可以作为人工智能在其他行业落地的典型案例。

智能交通系统(Intelligent Traffic System，ITS)是通信、信息和控制技术在交通系统中集成应用的产物。ITS 应用最广泛的地区是日本，其次是美国、欧洲等地区。

比如通过对交通中的车辆流量、行车速度进行采集和分析，可以对交通进行实施监控和调度，有效提高通行能力、简化交通管理、降低环境污染等。

安防领域涉及到的范围较广，小到关系个人、家庭，大到跟社区、城市、国家安全息息相关。智能安防也是国家在城市智能化建设中投入比重较大的项目。目前智能安防类产品主要有四类：人体分析、车辆分析、行为分析、图像分析。

智能安防行业现在主要还是受到硬件计算资源限制，只能运行相对简单的、对实时性要求很高的算法，随着后端智能分析根据需求匹配足够强大的硬件资源，也能运行更复杂的、允许有一定延时的算法。这两种方式还将长期同时存在。预计2017-2021 年国内智能安防产品市场空间将从 166 亿元增长至 2094 亿元。

目前，智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥重要作用。

在垂直领域的图像算法和自然语言处理技术已可基本满足医疗行业的需求。但由于各医院之间医学影像数据、电子病历等不流通，导致企业与医院之间合作不透明等问题，使得技术发展与数据供给之间存在矛盾。 

物流行业通过利用智能搜索、 推理规划、计算机视觉以及智能机器人等技术在运输、仓储、配送装卸等流程上已经进行了自动化改造，能够基本实现无人操作。比如利用大数据对商品进行智能配送规划，优化配置物流供给、需求匹配、物流资源等。目前物流行业大部分人力分布在“最后一公里”的配送环节，这也是无人车、无人机等的市场机会。

目前人工智能在教育领域的应用技术主要包括图像识别、语音识别、人机交互等。

比如通过图像识别，可以进行机器批改试卷、识题答题等;通过语音识别可以纠正、改进发音;而人机交互可以进行在线答疑解惑等。

AI和教育的结合一定程度上可以改善教育行业师资分布不均衡、费用高昂等问题，从工具层面给师生提供更有效率的学习方式，但还不能对教育内容产生较多实质性的影响。

人工智能产业正处于从“感知智能”转向“认知智能”阶段，前者涉及的智能语音、计算机视觉及自然语言处理等技术，已具有大规模应用基础，但后者要求的“机器要像人一样 去思考及主动行动”仍尚待突破，诸如无人驾驶、全自动智能机器人等仍处于开发中，且大规模应用仍需要长时间等待。 

也就是说，目前的人工智能还集中处于“弱人工智能”阶段，是在特定功能场景下的专用智能，比如语音识别、图像处理和物体分割、机器翻译、无人驾驶等领域有重大的突破，甚至能够接近或超越人类的水平，但还不能适应复杂的新环境和不断涌现出新的功能。

“强人工智能”是指真正能思维的智能机器，并是有知觉的和自我意识的，这类机器可分为类人(机器的思考和推理类似人的思维)与非类人 (机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式) 两大类。目前还处于争论和人才体系构建过程中。因为这不单单是一门计算机科学，而是一门综合了计算机科学、生物学、哲学等多门学科的交叉学科，至少在未来几十年内难以实现。

“算法、算力和大数据”被称为驱动人工智能三驾马车，围绕这些核心技术业态的创新突破，也将诞生新的科技巨头。但机会不在传统应用领域，而是在新场景、新需求中爆发。另外在传统应用领域，新公司也难以重构产业链，传统行业龙头将继续引领风潮。

另外，2018年初，新资管新规出台，资本市场也在逐渐收缩，今年在人才、技术、资金将更加充分整合，一波AI公司将会因为技术未成熟、产品不合格、市场份额难以增长、缺乏与巨头的竞争力、以及充足的资金支持等被市场淘汰。

目前国内AI公司有4000多家，无法将所有企业全部列举，企服行业头条（ID：wwwqifu）结合线下城市分布，对典型的AI企业进行展示，供读者参考。

本文参考资料如下

• 中国电子技术标准化研究院，《人工智能标准化白皮书 》(2018 版)

• 36kr, 《人工智能行业研究报告》（2017年）

• IT桔子，《人工智能行业发展研究报告白皮书》