（温馨提示：文末有下载方式）

目录：

一. 行业综述

• 商业化概况
• AI定义
• 两种商业化路径
• 驱动力:宏观环境、政策、数据、技术
• 投融资分析

二. 产业链分析

• 产业链图
• 产业链分析
• 基础层
• 技术层
• 应用层

三. 行业总结与前景分析

• 行业总结
• 趋势、前景分析
• 潜在风险
• 可能的机会

报告摘要

宏观环境、政策、数据和技术是人工智能商业化的四大驱动力

• 商业化是相对于实验室产品而言。人工智能商业化，即:企业利用人工智能技术来解决实际的问题，并通过市场进行规模化变现的行为。
• 目前，七类人工智能技术已经进入商业化阶段，商业化路径大致可分为两种。一种是人工智能技术公司主动去探索并推动产品和技术在实际场景中的落地;另一种是实体产业积极的思考人工智能是否可应用于相关的业务场景来协助降本增效。
• 宏观环境变化、政策、数据和技术是人工智能进入商业化探索阶段的四大驱动力。
• 资本趋于理性，人工智能早期项目融资难度增加，B轮及以后独角兽融资热度不减。

中国人工智能产业链快速完善，大致可分为基础层、技术层和应用层

• 中国人工智能产业链快速完善，各环节合作模式逐渐成型，并呈现出精细化发展的趋势。根据产品和业务侧重的不同，人工智能产业链可大致分为基础层、技术层和应用层。
• 基础层资本注入稳定，各环节技术、产品和商业模式上均有不同程度的突破。
• 技术层早期大量研发投入带来的技术优势，转化为商业化的先发优势，进而带来市场机会和规模优势。
• 应用层深入到各行各业，行业呈现“一专多能”的趋势，即:专注于某一领域的技术公司，同时也关注更多的行业和场景机会。

人工智能与实体产业深度结合的商业化时代已经到来，未来潜力巨大

• 各类人工智能技术都已进入在实体产业应用场景中落地的阶段，受政策和市场环境驱动，人工智能商业化的进程加快，未来，将在带动行业创造新的增长点上发挥巨大潜力。
• 随着开源算法、开放平台的应用，人工智能的使用门槛在逐渐降低，这将使得更多的企业可以利用人工智能技术来为场景和行业赋能。
• 在探索技术边界的过程中，人工智能所能解决的问题更加精细化，对应的产品和服务也更加专业化。
• 整合上下游产业，健全商业生态，是人工智能企业构筑更高壁垒的一种重要方式。

报告内容：

1、人工智能行业概述

1.1AI商业化概况

商业化将人工智能热度推上了历史新高

· 商业化是相对于实验室概念产品而言，人工智能商业化即企业如何利用人工智能技术来解决实际的问题，并通过市场进行规模化变现的商业行为。

· 人工智能的概念诞生于1956年世界达特茅斯会议上，距今已经有半个多世纪的发展史，但人工智能真正走出实验室，走进人类生活却是近几年才有的事。

· 据WIPOP 2019年人工智能趋势报告显示，50%的AI 专利在过去5年内发表，这意味着从2014年-2018年这五年内，AI产业进入了快速发展的阶段。

· 人工智能基础技术渐趋成熟至达到商用条件，从而能够在更广泛的场景下发挥价值，是其商业化的前提。加之近年来，互联网产业进入洗牌期，资本市场对人工智能的投资也表现得更加理性。技术成熟且具有较强商业落地能力的项目持续受到资本的关注，这在一定程度上推动了行业从早期普遍强调技术优势过渡到更加重视产品、解决方案等商业化能力的发展阶段。

· 整体来说，中国人工智能技术商业化速度非常快，计算机视觉、生物识别等相对成熟度更高、商业化更早的技术，已经在公共安全、金融、零售、广告营销等领域有了较好的应用;自然语言处理技术也在智能客服、智能语音交互等场景下服务于各行各业;机器学习应用范围则更广，比较典型的应用如智适应教育、智能推荐等已逐渐走入人类生活。可以说，商业化将是近几年维持人工智能热度的主要力量。

1.2AI定义

什么是人工智能?

· 人工智能的概念还相对模糊，尤其是近年来，技术及其应用边界不断拓展的阶段，各方对人工智能的认知存在较大偏差，行业内尚无统一的定义。

· 目前流行的说法大多从“仿人”的角度来看，将利用机器(含计算机程序)模拟人类感知、学习、认知、推理、决策、交互等过程的技术称为人工智能。

· 其中，按照机器是否可以产生自我认知和适用范围，又将人工智能分为弱人工智能(专用人工智能)和强人工智能(通用人工智能)。

· 弱人工智能:机器没有自我意识，不具备真正的推理和独立解决问题的能力，通常只适用于特定条件下某一类问题的解决，如:人脸识别、语音识别、语义理解等，故弱人工智能也被称为专用人工智能。现阶段，人工智能技术的研究和应用主要集中在弱人工智能领域。

· 强人工智能:机器具有一定的自我意识，能够通过学习拓展功能，即当机器意识到自身不具备某种功能时，可自行学习至获得相关技能。故强人工智能可以独立面对各种复杂情况，具有一定的通用性，又称通用人工智能。

·强人工智能(通用人工智能)的研究进展缓慢，技术上存在巨大的挑战，同时在应用风险和社会伦理等方面也颇具争议，业界普遍认为，强人工智能在短期内还难以获得较大突破。

1.3两种商业化路径

七类人工智能核心技术已进入商业化阶段，“AI+”成主流

由于人工智能概念尚未统一，其核心技术的边界与分类也不一而同。在本篇报告中，我们参考中国电子技术标准化研究院《人工智能标准化白皮书(2018)》中的人工智能标准体系框架，选取计算机视觉、自然语言处理、生物识别、机器学习、人机交互、知识图谱、虚拟现实/增强现实/混合现实(VR/AR/MR)等七类人工智能核心技术来研究其商业化情况。

人工智能商业化的发展逻辑可分为两条路径，一个是“AI+”，另一个是“+AI”。”AI+“以技术为核心驱动，以探索多样化的场景应用为目标，由科技公司发起，重新设计产品、方案或商业模式。“AI+”倾向于思考技术能做什么，它可能是当前已有的事物，也可能是当前尚未存在的。故“AI+”的逻辑更容易产生“新发明”，从而对行业产生颠覆性的影响。”+AI“则由传统行业或当前已经较为成熟的产业主动地引进人工智能技术，来优化自身业务，提升效率和用户体验，降低风险和成本。“+AI”则更多地思考技术能不能做，主要用于对当下固有流程的改造和优化，是正常的技术迭代和升级。

在本篇报告中，我们着重关注“AI+”路径，即人工智能技术公司如何顺应市场需求，将多元化的产品和解决方案应用于各行各业的各个场景。

1.4驱动力

人工智能商业化的四大驱动力

· 人工智能起起落落，行业普遍认为，这一轮人工智能浪潮主要受场景需求驱动，同时也受算法、算力和数据等基础条件的驱动。

· 近两年，商业化的热度只增不减，落地成为人工智能行业的主旋律。我们总结，近几年的人工智能商业化主要有四大驱动力，分别为:宏观环境驱动、政策驱动、技术驱动和数据驱动。

· 其中，在宏观环境方面，我们从资本环境、竞争环境和社会经济环境三个角度来看。

· 1)资本环境:从互联网到人工智能，资本逐渐趋于理性，行业普遍关注技术应用能力。这使得找到落地场景的人工智能企业，具有更强的自我造血能力，更易获得资本，也具有更强的生存能力。

· 2)竞争环境:随着越来越多的巨头和创业公司涌入，人工智能行业竞争加剧。与一般消耗性型产品不同，人工智能产品和服务更容易形成稳定、长期的合作关系。率先取得市场信任并获得客户的企业先发优势更为明显，出于对抢占市场的考虑，企业也争相跨出了商业化的步伐。

· 3)社会经济环境:随着人口红利的消失，经济增速放缓，企业经营成本越来越成为一个重要的考虑因素。利用新技术解放人类劳动力，实现降本增效成为企业的一大诉求，这也为人工智能的商业化带来新的机遇，成为推动其落地的一个因素。

人工智能在全球经济中占据重要位置，各国从战略层面整体布局

· 各大经济体聚焦人工智能在全球经济增长和转型的过程中的推动作用，并相继出台指导文件，从国家战略层面引导和促进人工智能产业的健康发展。

· 其中，中国和美国尤其强调掌握人工智能核心技术，在世界人工智能领域占据领导地位;欧盟和日本则更加注重审视自身优势和劣势，应对人工智能产业发展带来的经济和社会问题。

中国人工智能商业化迎政策红利，政府推动AI产业规模化落地

· 2019年，全球人工智能产业进入了落地应用的高峰期，商业化成为行业焦点。中国市场再迎政策红利，于2019年3月19日中央深化改革委员会审议通过了《关于促进人工智能和实体经济深度融合的指导意见》，从政策上部署，推动人工智能规模化落地。

· 截至目前，全国多个省市已陆续出台政策，其中，北京、上海、深圳、杭州等东部城市人工智能产业密集，在政策反应速度上也明显高于中西部城市，全国人工智能产业发展将在头部城市引领下形成百花齐放的场景。

中国在数据上占据相对优势，加速了商业化的进程

· 随着全球数字经济和信息化水平的提升，世界互联网产业快速进入大数据时代。中国市场尤其如此，网民基数大，信息化程度高使得中国市场上的数据量逐年攀升。据IDC预测，全球数据总量预计2020年达到44 个ZB，中国数据量将达到8060个EB，占全球数据总量的18%。

· 大量的数据为人工智能算法的训练和应用提供了基础材料，也同时带来数据处理的压力，从而推动市场引进新的技术和方法来进一步挖掘数据的潜在价值。人工智能正是这样一种与数据相互依赖，相互促进的新技术。

· 中国在数据层面具有明显的相对优势，主要表现在数据量大、数据的多样性丰富、数据的获取和使用更加开放。这一方面是因为，中国市场人口基数大，信息化程度逐年上升，大量的网民在互联网上的活动留存了多元的数据，这些数据提供了人工智能产业生存和发展的土壤;另一方面，中国网民对待网络的态度相较于国外更加开放，对个人隐私保护意识没有到苛刻的程度，愿意在社交、消费等场景下提供更多的信息来获取个性化的服务;此外，中国市场的互联网产品丰富，各种产品从不同的维度沉淀了多样化数据，利用这些数据训练出来的算法，更加符合中国用户的习惯，更具有普适性和稳定性。

· 这些数据上的优势直接导致了中国的人工智能技术在近年来快速突破，并进入商业化的发展阶段。

算法、算力的提升，为人工智能商业化提供了条件

· 数据的扩张对算法和算力提出了新的挑战，同时算法、算力上的提升也是人工智能技术商业化的重要助推力。

· 算法方面，现在主流应用的基于多层神经网络的深度学习算法，不断加强机器从海量数据库中自行归纳物体特征的能力，以及对新事物多层特征提取、描述和还原的能力。最终使得基于深度学习的机器视觉、语音语义、生物识别等多种人工智能技术的识别准确率不断提升，从而可以在更广泛的场景下解决实际的问题。这是推动人工智能商业化进程的最直接条件。

· 算力上，GPU、FPGA、ASIC等AI芯片的不断创新，使得计算能力整体有了提升。人工智能在面对海量数据、复杂场景时的算法训练和落地应用有了更强大的算力支持，从而能够更快、更精准地获得结果，这无论从技术实现还是用户体验上来说，都是人工智能商业化的重要助推力。

· 商业环境、政策、数据、算法、算力是现阶段人工智能商业化的主要驱动力。

· 此外，与历史上的每一次技术革命相同，人工智能带来生产力的提升，在解放人类劳动力，提高生产效率上的应用价值也是市场关注的重点。表现在具体的场景上，人工智能为企业的降本增效提供了新的解决方法，为满足新时代的消费和生活需求提供了新的产品，这其中潜藏的商业机会也是人工智能落地应用的重要推动力。

1.5投融资分析

资本趋于理性，早期项目融资难度增加

• 随着产业的调整，人工智能投资趋于理性，融资事件数量和融资金额都有所下降。2018年是重要的转折点，根据鲸准洞见数据，人工智能领域的季度融资事件从2018年Q1开始下降，到2018年Q4至2019年上半年基本延续了这种下降的趋势。其中，2019年Q2季度融资事件数量和金额均不及峰值的1/3。

从融资轮次上看，自2018年起，种子轮融资事件数量和在全年融资事件总量中所占的比例双双减少。这意味着，人工智能早期项目获得资本的难度可能在增加。

B轮及以后项目融资数量占比增加，资本市场“冰火两重天”

· 截至目前，鲸准洞见共收录2717个人工智能项目，其中2018-2019上半年共658个项目成功融资，总额约为886亿人民币。

· 从融资轮次上看，2018-2019上半年B轮及以后融资事件数量占人工智能总融资事件数量的24%左右，与2017年的15%相比显著增加。

· 从分布领域看，大额融资集中分布于计算机视觉、机器人、芯片、自动驾驶等核心技术厂商，各细分领域头部独角兽融资热度不减。资本市场整体上呈现“冰火两重天”的态势。

2、人工智能产业链分析

2.1产业链图

2.2产业链分析

人工智能产业链快速完善，可大致分为三个环节

· 整体来看，中国人工智能产业链正在快速完善的过程中，从上游基础技术研发到中下游技术应用和用户习惯的养成，各环节合作模式逐渐成型，并呈现出精细化运营的趋势。

· 我们根据人工智能大生态中不同企业提供的技术、产品与服务侧重点的不同，将人工智能产业链大致分为基础层、技术层和应用层三个环节。

· 基础层:为人工智能产业提供基础的软硬件和数据支撑，包括技术平台(云平台、开源框架、开发工具等)、基础硬件(芯片、激光雷达、传感器、服务器等)、数据及相关管理技术、通信设备等。

· 技术层:包括以计算机视觉、自然语言处理、生物识别、人机交互、机器学习、知识图谱、AR/VR等人工智能核心技术为驱动的算法和解决方案提供商及相关技术平台。技术层是目前人工智能商业化的主力，大量“AI+”方向的人工智能应用场景由技术层企业来推动落地。

· 应用层/方案层:是从具体场景来看人工智能，既包括人工智能技术厂商主导推出的各种“AI+”的解决方案，也包括由传统行业或当前较为成熟的商业主动地引入人工智能技术来为产业赋能的“+AI”。从应用领域来看，人工智能应用层的跨度非常大，几乎渗透到各个产业的各个环节。应用层是商业化的最前沿，是现阶段最具有创新活力的环节，已呈现出百花齐放的态势。

2.3基础层

数据质量是基础，行业关注数据采集、整合和应用能力

· 基础层的作用范围更加广泛，其影响力波及整个互联网行业，同样，在人工智能产业链中也扮演着重要角色。

· 基础层在近年来的资本注入比较稳定，各环节技术、产品和商业模式上均有不同程度的突破。其中，较受行业关注的有数据、芯片、云计算等通用基础产品和服务，也有5G、IoT等新一代通信和传感技术。

· 数据方面，我们前文提到，数据是人工智能产业快速增长并进入商业化阶段的重要驱动力。在行业中，数据的价值主要表现在以下两个方面:

· 一是，算法训练。人工智能算法的准确性依赖大量的相关数据。以人脸识别为例，需要大量的人脸图片数据结合深度学习算法，使机器能够归纳其特征、提取不同图片的细微差别，从而在新的图片数据出现时，算法能够快速做出识别和判断。

· 二是，数据挖掘与分析。通过找到数据之间的关联关系，从海量的数据中发掘出新的信息，将这些信息用于对决策系统的支持，能够更全面地认识问题，找到更优的决策方案。

· 无论是算法训练还是数据的挖掘与分析，数据质量无疑对其精度和实用性具有决定性的影响。其中，数据的多元性以及与实际业务的相关性是为最为重要的两个因素。与之相对应的数据采集、整合和应用能力是行业关注的重点。

数据整合和信息互联互通成趋势，数据的使用待规范

当前，人工智能企业的数据来源主要有三类渠道，分别是:自有数据、业务合作方数据和第三方数据。其中，自有数据是企业或平台在运营过程中积累的大量业务数据、用户数据等。该部分数据随着企业经营和平台运营逐渐沉淀，通常可用来进行算法训练和产品的优化，将逐渐形成一种业务沉淀数据，数据反哺业务的闭环生态。业务合作方数据，一般用于对算法的个性化训练和实际经营状况的分析。业务数据是对应业务场景下运营方的重要资产之一，受政策和商业竞争的约束，目前不允许接入共享。第三方数据的来源广阔，包括专业数据公司通过各种方式采集到的数据，也包括运营商、互联网平台、实时位置、征信、社交行为、消费记录等多种渠道数据等。第三方数据通常作为一种补充，与企业自有数据和业务合作方数据共同来构建完善的数据系统。随着业务场景对所需数据维度和量的需求增加，各场景下的技术商大多会考虑第三方数据的接入，在监管允许的前提下打破信息孤岛，加速了数据互联互通的进程。此外，隐私和数据保护也逐渐受到重视，如何合法、合规的收集、存储和使用数据逐渐受到企业和社会公众的关注，但目前，国内对相关问题的监管和规范还想当欠缺，整体来看，数据行业的合规化有待完善。

什么是AI芯片?AI芯片分为哪几类?

· AI芯片是指面向人工智能计算的集成电路，包括GPU 、FPGA、ASIC、类脑芯片等。

· GPU(Graphics Processing Unit):图像处理器，专门用于处理图像计算，包括图形渲染和特效显示等。GPU具有较好的并行计算能力，在同时处理多项任务方面具有相对优势，主要应用于深度学习训练、数据中心加速和部分智能终端等领域。

· FPGA(Field-Programmable Gate Array):现场可编程门阵列，是一种半定制化电路，可通过编程自定义逻辑控制单元和存储器之间的布线。FPGA具有较好的灵活性和简单指令重复计算能力，能够适应市场和行业的变化，在云端和终端都有较好的应用。

· ASIC(Application Specific Integrated Circuits): 专用集成电路，是一种针对特定需求的定制化芯片，具有高性能、低功耗的特点。ASIC可基于人工智能算法进行定制，从而使其能够适应不同的场景需求。

· 类脑芯片:是一种模拟人脑、神经元、突触等神经系统结构和信号传递方式的新型芯片。它具有高效感知、行为和思考的能力，目前仍处于研发的早期阶段。

· 目前，参与到芯片领域的技术厂商可大致分为四类: 即:以Intel、NVIDIA等为代表的传统芯片厂商，以苹果、华为海思等为代表的通信科技公司，以Google、阿里、百度等为代表的互联网巨头和以寒武纪、地平线、比特大陆等为代表的创业公司。

AI芯片的主要功能和应用场景有哪些?

· 从功能上看，人工智能芯片主要应用于支持训练和推理这两个核心环节。

· 其中，训练是指利用大量的数据来训练算法，使之具备特定的功能;推理则是利用训练好的模型，在新数据条件下通过计算推衍出各种结论。训练和推理在大多数人工智能系统中是相对独立的过程，对芯片的要求也不尽相同。

· 训练所处理的数据量大、情况复杂，对芯片的计算性能和精度要求较高，目前主要集中于云端;此外，由于训练的过程可能涉及多种复杂场景，因而需要一定的通用功能来来支持。相对而言，推理对计算性能、精度和通用性要求不高，需在特定的场景下完成任务，一般在终端，因而更关注用户体验方面的优化。

· 从应用场景看，目前AI芯片的主要应用场景有:云端数据中心和边缘侧的自动驾驶、安防、智能手机等。

· 其中，针对云端的训练和推理市场，仍以传统芯片厂商和互联网巨头为主导，创业公司则主要聚焦于边缘侧芯片。随着越来越多的边缘侧场景对响应速度提出要求，云计算与边缘计算的结合成为一种趋势。

· 整体来看，中国的芯片技术与国际先进水平还有较大的差距，国内也鲜有芯片巨头;但随着互联网巨头、通信技术厂商和创业公司的纷纷入局，中国AI芯片整体的研发投入会有所增加，未来也将迎来更快的发展期。

……

2.4技术层

技术来带的先发优势将逐渐转化为市场优势

· 从技术层来看，早期大量投入研发，在技术上获得相对优势企业更早地进入了商业应用的阶段，也更早地开始探索更多的落地场景，以拓宽商业版图，这是技术带来的先发优势。

· 随着大批企业涌入人工智能赛道，且技术的差距逐渐缩短，技术带来的先发优势将逐渐转化为市场优势。即:技术所能构筑的壁垒会越来越低，取而代之的是更早的进行商业探索带来的行业影响力和市场机会。如:对早期的市场的教育、用户习惯的培养、技术和产品标准的制定、品牌影响力塑造等。这将为企业带来更多的市场机会，从而获得更大的份额，形成一定的规模优势。

计算机视觉头部格局已显现，进入商业生态建设期

· 计算机视觉是一种利用摄像头、计算机等设备等进行视觉感知与理解，使机器具备获取并处理图像、物体、实物动态和三维空间等相关视觉信息的能力。如: 人脸/人体识别、物品识别、视频内容识别与理解、SLAM与3D视觉等。

· 计算机视觉是相对成熟度更高、商业落地较早的人工智能技术，目前主要落地于安防、金融、自动驾驶、机器人、医疗、零售、广告营销等领域。

· 计算机视觉赛道已经呈现出头部与其它梯队的差距。头部玩家无论在技术实力，还是应用场景落地范围与速度上，都表现较好。整体来说，头部企业已进入了快速市场化阶段，在深耕垂直场景的同时，关注整体商业生态的建设与完善。

自然语言处理技术获得突破，加快了商业落地的速度

· 自然语言处理涉及机器如何通过人类语言识别意图或执行任务的问题，包括语义理解、机器翻译、智能文本等。

· 自然语言处理技术主要落地于各种可通过人类语言与机器进行交互的场景。如:智能音箱、智能客服、智能手机助手、智能车载交互、实体机器人会话等。

· 由于自然语言处理技术上的突破，其实用价值得到较大的提升，从而直接驱动了自然语言处理技术相关产品与服务的多样化发展和商用落地。

· 目前，在自然语言领域尚未出现明显领先于行业的独角兽，该领域的企业处于多样化产品创新和商业落地的关键时期。

生物识别落地于各类实名认证和身份识别场景

· 生物识别是指通过辨别不同个体间的生物特征差异，来进行个体识别与验证等操作。

· 目前主流的生物识别有:人脸识别、虹膜识别、指纹识别、指静脉识别、掌纹识别、声纹识别以及人体步态、体态识别等。

· 生物识别的应用场景较为广泛，其中以金融业各类场景的身份认证最具代表，如:柜台身份认证、远程开户、无卡取款、刷脸支付、金库管理和网络借贷等场景。此外，在机场、火车站、政府事务、网络应用等需要实名验证身份的场景，以及智能门锁、门禁、安防等需要识别身份的场景，生物识别技术都具有较好的应用。

机器学习、知识图谱等技术应用广泛

· 机器学习:是一门涉及统计学、神经网络、优化理论、脑科学等多个领域，研究如何让计算机模拟或实现人类行为的交叉学科。机器学习概念较广，行业内对其定义和分类也有不同的说法，其中，深度学习是当前人工智能商业化过程中应用最为普遍的一种机器学习。

· 相对于计算机视觉、自然语言等其它应用型人工智能算法，深度学习更加底层，因而在各类人工智能算法的训练和推衍中都有广泛应用。如:营销场景的智能推荐、教育领域的个性化学习、娱乐场景的“猜你喜欢”等。

· 知识图谱:由Google提出来的概念，它是一种由众多“实体—关系”构成的知识库。知识图谱可建立事件之间的相关关系，并可实现快速提取和应用，因而在需要综合各种复杂“实体—关系”作出决策和判断的场景中有较好的应用。如金融反欺诈，它通过知识图谱，整合行业数据，建立实体关系网络，可及时发现风险因子，为金融决策提供风险预警。

· VR/AR/MR:即虚拟现实/增强现实/混合现实，是一种在视觉、声音、触觉等多个维度模拟出现实场景体验的技术。其中，VR虚拟现实是完全模拟现实，AR增强现实是在现实世界叠加内容;MR混合现实，包括增强现实和增强虚拟，是融合现实和虚拟世界而产生的新的可视化环境。目前，VR/AR/MR技术在娱乐、教育、新闻、营销等场景都有落地。

人机交互方式逐渐多样化，成熟度差异较大

· 人机交互是指人与机器之间通过某种方式进行的信息传递和互动。目前可实现的人机交互方式主要有:语音交互、脑机交互、情感交互、视觉交互(眼动交互)等。

· 语音交互:利用语音采集、语音识别、语义理解和语音合成技术，通过人类的自然语言进行人机会话。语音交互在技术上相对其它交互方式更加成熟，应用也更加广泛，但在实际应用中，仍然存在一些挑战。如:噪声干扰、开放域意图识别、跨域多轮会话等。

· 整体来说，语音交互这种方式由于更贴近于人类的沟通行为和习惯，未来，随着技术突破带来用户体验的提升，将最有可能成为人机交互的主流。

· 脑机交互:又称脑机接口，是指通过捕捉大脑等神经中枢信号，并将其输出，以实现大脑与外界的直接信息传递;或通过模拟神经信号，让大脑读懂外界信号与所传递信息。脑机交互目前尚处于实验室研究阶段，距离商用还有一段距离。

· 情感交互:是机器识别、理解人类情感并作出相应反馈的技术。目前可通过语音语调分析、表情分析、语义理解等方式获取用户情感情绪信息。

· 视觉/眼动交互:即通过眼球追踪技术来捕捉用户注意力焦点，进而实现人机交互。

· 各类交互方式技术成熟度差异较大，其中眼动交互与语音交互相对更早地进入了商业阶段。

眼动交互应用广泛，商业潜力有待挖掘

· 目前主要应用于辅助沟通、眼动分析、手机等智能终端、VR/AR/MR辅助交互领域。

· 辅助沟通是针对渐冻人、有沟通和交互障碍的残疾人等特殊群体设计的沟通和交互工具。目前，国内市场上，眼球追踪技术在辅助沟通领域的商业化速度相对较慢，其市场潜力有待挖掘。原因主要有两点:第一，辅助沟通工具主要针对渐冻人、有沟通障碍的残疾人等特殊群体，其实际需求相较于一般消费级产品而言要更低;第二，受制于国内尚未健全的医疗保障体系，居民的消费能力随着医疗费用的支出而显著下降，导致病患群体对改善性产品的消费需求受到压缩。

· 眼动分析是指利用眼动跟踪技术，分析用户的注视行为，从而为心理与认知研究，及商业决策提供可量化的数据支持。当前，眼动分析主要应用于分析商业广告或商品对用户的吸引程度，以及教育、认知实验测试等领域。从应用价值的角度看，利用眼动分析的结果优化广告和商品摆放可一定程度上带来收益或避免错误决策造成损失，未来随着产业的精细化发展，我们认为，该领域的商业潜力将逐渐释放。

· 手机等智能终端的应用，一方面加强了设备的安全性和多元交互方式带来的用户体验提升，另一方面，新的交互方式也为互联网产品创新提供了条件。故手机等智能终端上的应用，未来可能具有一定增长空间。

· 在VR/AR/MR领域，眼动交互作为解放双手的基础配置，几乎成为一种刚需。

……

2.5应用层

应用层深入到各行各业，呈“一专多能”的趋势

· 应用层是商业化的最核心环节，行业内呈现出“一专多能”的趋势。即，专注于某一项技术和领域的公司在完善自己的产业生态，构筑更高壁垒的同时也在关注更多行业和场景里的机会。

· 随着人工智能技术与实体产业的全面结合，应用层场景也渐趋多元。现阶段，商业化路径清晰，关注度较高的应用场景主要有:安防、金融、教育、医疗、交通、广告营销、机器人、农业、商务服务和其它消费级的智能硬件等。

· 从盈利状况看，人工智能企业前期高昂的研发投入是主要成本，但产品、服务标准化，落地速度较快。

·现阶段，大多数技术和产品成熟的人工智能企业正处于盈亏平衡的关键时期。其中，安防、金融、零售、广告营销等领域相对起步更早，收入增长较快，该领域的企业也率先进入了盈利阶段。

· 从商业模式上看，目前人工智能行业绝大多数产品和服务是针对to B端的企业，to C端只有教育产品和服务、消费级的智能硬件产品和少部分娱乐性应用等。to B端的商业相对而言需求差异化较大，故行业普遍认为在人工智能这个大赛道难以实现少数巨头垄断的格局，精细化和生态化是现阶段关注的重点。

· 从运营和战略角度看，短期内，人工智能产品落地仍集中于B端场景;长期战略上，关注、挖掘和培育C端市场。

人工智能在安防行业“兵分两路”，快速落地

· 安防是人工智能最早开始落地的场景，目前已经在公安系统和各类智慧空间广泛应用，具体有:城市安防(智慧城市)、社区安防(智慧社区)、校园安防( 智慧校园)、园区安防、厂区安防等。此外，还有针对诸如演唱会等大型活动现场、机场、火车站等公共交通枢纽的安防等。

· 安防场景下所涉及到的人工智能技术主要是计算机视觉和生物识别，产品包括智能摄像头、刷脸闸机、智能门锁等硬件，以及配套的视频结构化数据处理方案和软件系统等。

· 目前参与到智慧安防领域的企业可大致分为两类:传统安防企业和人工智能技术公司。其中，传统安防企业(如:海康威视)因在行业有较长时间的积淀，客户端市场资源较好，人工智能技术公司则相对具有较强的技术基础，在产品创新上，不受固有模式的限制，更加灵活，故相对而言创新能力更强。

多方驱动，智慧安防场景整体向好

· 一方面是人工智能技术公司在安防领域探寻落地场景，另一方面是传统的安防企业积极引入新技术进行智能化转型，这两方参与者的争夺将国内安防带入了智能化发展的重要阶段。

· 可以看到早期专注于计算机视觉研发的人工智能企业或多或少的选择安防作为技术落地的主要场景，我们分析主要有以下几个方面的原因:

• 1)安防需求量大:随着经济的发展，人们对各个空间环境下的安全性要求越来越高，安防成为一种刚性需求从城市核心区域向各个独立空间、园区、景区甚至乡村蔓延，从而导致安防需求逐年上涨。

• 2)技术驱动:人工智能技术的逐渐成熟带来安防行业的智能化转型，新技术激活新的需求，同时也带来新的机遇。尤其是在解决传统安防行业痛点问题上，人工智能技术提供了新的方法，这无论是对于传统安防行业及时跟进趋势，还是人工智能技术公司创造新的行业增长点都具有一定的推动作用。

国内安防市场竞争激烈，部分厂商向海外探索

• 3)政策加码:2016年12月，中国安全防范产品行业协会制定和发布了《中国安防行业“十三五”( 2016-2020)发展规划》，提出到2020年，中国安防企业总收入达8000亿左右，年增长达10%以上，实现行业增加2500亿元的产业发展目标。同时，从安防产品、技术、服务、企业发展和从业人员等多个角度制定相关规划。随后，各地方政府及时响应，推动中国安防产业的智能化转型，这为人工智能技术在安防行业落地带来显著的政策红利。

• 4)安防数据价值:安防数据是连通用户线下活动与线上行为的一种重要路径。从这个角度考虑，布局安防场景无论是对于人工智能技术公司完善商业生态，还是互联网企业布局线下数据和流量入口都具有战略性意义。

· 此外，安防场景的需求明确，产品的标准化程度更高，也使得人工智能技术和产品的落地相对更加迅速。

· 整体来看，国内的安防行业发展环境较好，随着新兴人工智能技术公司的入局，市场竞争愈发激烈。行业内一方面关注到需求较大但技术相对薄弱的海外市场，另一方面，也在提升自身算法、算力等核心竞争力上加大投入。此外，由安防数据连通的线上风控和营销也是行业关注的重点。

金融业数据量大、业务场景多，成人工智能落地的重镇

· 金融业天然的数据属性和智能化需求为人工智能的应用提供了坚实的基础，使其成为最被人工智能看好的应用领域。具体来说，主要表现在三个方面:

· 一是，金融业的信息化建设较早，且行业内极其重视数据的标准化和规范化采集，因而积累了大量的数据，这些数据为人工智能的落地应用提供了基础;

· 二是，金融业务场景多样，且主要业务都是基于大规模数据(用户数据、业务数据、产品数据、市场数据等)展开的，大量繁琐的数据处理工作，急需自动化和智能化的变革来解放人力;

· 三是，互联网金融的发展对用户习惯和传统金融行业的运营带来一定冲击，传统金融服务转型和金融普惠化、场景化创新，需要新的技术手段来提供支持，这为人工智能的应用提供了新的机会。

· 鉴于此，大量的人工智能企业选择将金融业作为技术落地的关键领域。与此同时，金融业本身也关注到新技术对于行业降本增效、风险防控、提升整体服务水平的重要意义，主动引入新技术为行业赋能。

· 目前行业关注度较高的落地场景，主要集中在银行业，包括银行线上线下的身份认证、智能风控、智能客服、智慧网点、刷脸支付等。此外，在投资理财、保险、监管等领域也广泛利用人工智能技术作为创新工具，催生出智能投顾、智能投研、保险科技、监管科技等金融科技新业态。

围绕风控、营销、客服和运营需求，金融业全面开启智能化

· 身份认证:身份认证在银行等金融机构的柜面业务、自助机具、网络交易以及业务内控等各个业务场景都有广泛的应用。近年来，随着生物识别技术的逐渐成熟，金融机构大量地利用新技术对传统认证方式进行迭代升级。同时，为适应金融业多样化的业务场景对安全级别、便利性和标准化的不同要求，银行业开始采用多模态统一身份认证平台(Automatic Biometric IdentificationSystem)。该平台整合指纹、人脸、虹膜、声纹、掌纹等多种生物识别技术，统一管理和认证，实现了银行系统身份认证的标准化统一出口，成为身份认证领域的一种重要创新。

· 智能风控:智能风控利用知识图谱、机器学习等人工智能技术构建风控模型，并将模型应用到支付、信贷、营销管理等业务场景，来提高金融业的风控能力。尤其是信贷业务，它提供一种贯穿贷前预警与反欺诈、贷中授信定价、贷后分析监控等覆盖信贷全业务流程的风控手段。

围绕风控、营销、客服和运营需求，金融业已全面开启智能化

· 智能客服:金融业的客服需求量大且专业性要求相对较高，一般除解决用户日常操作问题外，大量的专业术语、金融知识经常需要通过客服传达给用户。而随着人工成本的增加，采用智能客服与用户进行实时、有效的沟通成为金融业提升服务质量，降低运营成本的重要方式。

· 当前，应用到金融领域的智能客服大致可分为三类，即:在线客服、智能外呼和实体客服机器人。分别应用于线上客服沟通、语音呼叫和实体客服机器人交互等场景，涉及人工智能技术主要有语音识别、语义理解、语言合成等自然语言处理技术。

· 刷脸支付:是通过识别人的面部特征完成支付的过程，目前由第三方支付公司、银行和人脸识别技术公司参与建设，已经在线上线下各类消费场景下陆续投入使用。刷脸支付相对于二维码支付在便捷性上又有了一定地提升，故行业关注度较高。

· 智慧网点:是指银行在当前智能化趋势的背景下，以客户为中心，重新审视银行和客户的实际需求，利用人工智能、大数据等新兴技术对传统网点进行优化和升级。包括网点选址和整体布局的优化，网点内智能设备的升级，以及业务流程的再造和创新等。

· 智能投顾:是一种利用算法模拟理财规划师个人投资经验的新型投顾方式。其中，利用机器学习结合过往的投资数据来优化决策是当前行业正在探索的方向。

围绕金融风控、营销、客服和运营需求，金融业全面开启智能化

· 智能投研:是一种辅助性的投研工具，它利用机器学习和知识图谱建立数据和事件之间的关联关系，通过从招股书、年报、公司公告、研究报告、新闻等数据中提取关键信息，完成对企业的实时画像、风险监控和对市场的趋势预测，并结合相关工具和研究方法完成分析研究，输出投资观点。智能投研对技术和数据都有较高的要求，目前主要是金融数据服务商和基金公司参与，创业公司陆续入局。

· 保险科技:利用大数据和人工智能技术对保险行业全流程进行优化，包括营销、定价、承保、理赔和售后服务等。其中，精准的用户画像、动态的风险行为评估以及个性化定价是现阶段智能化尝试的主要环节。

· 监管科技:科技是把双刃剑，人工智能、大数据等新兴技术在金融领域的应用，推动了金融行业的变革，但同时也带来了新的风险，且风险因子更加复杂，违法违规行为更加难以辨别，这对监管提出了更高的要求。监管科技，正是为适应新的市场变化提出的，利用人工智能、大数据等新技术来完善金融监管的新应用。

……

人工智能在教育领域的应用和发展主要有三个方向

• 人工智能在教育领域的应用和发展主要有三个方向，分别是针对教学活动、教学内容和教学环境管理提供的AI辅助教学工具、人工智能学科教育和教育物联网解决方案等。

• AI辅助教学工具:利用人工智能技术开发出各类用于教学活动的工具，来提升教学效率和效果。目前，AI 辅助教学的工具主要用于K12的基础教育。包括自适应的人工智能教学、个性化练习，以及拍照搜题、组卷阅卷、作业批改等。

• 人工智能学科教育:即将人工智能学科知识作为学习内容，面向K12、高等教育、职业培训的学生群体设计课程内容，提供教材、教具、教师等教学相关的产品和服务。

• 教育物联网解决方案:利用人工智能、物联网等技术对学校、教室等教育场所的人、物和环境进行统一管理。包括多媒体设备管理，学生在各类场景下的签到注册管理、行为状态识别，校园安防和校园生活服务等。

自适应系统是最受关注的AI工具，应用于教学和练习测评环节

· 针对教学活动的各个环节，市场上已经出现了各类AI 辅助教学工具。

· 其中，在认知学习和练习测评环节，自适应教育是近年来较受关注的一个应用。

· 自适应教育是指根据学生对学习内容的掌握情况、学习习惯、个性特点、实时的学习状态等多方因素综合评估，提供符合学生特点的，个性化的教学方式、学习路径、学习内容和练习辅导等。

· 在教学认知环节，由机器来整体把握教学活动的节奏和路径，且相对于人工教学能够数字化评估学生的个性特点和实际对知识的掌握情况，从而提供一对一的个性化教学、提高学生的学习效率。

· 在练习测评环节，自适应通过对练习题和知识点的分类，可根据学生的实时练习结果和对知识点的掌握，动态调整练习路径。帮助学生减少重复的无效练习，从而提升练习效果。

人工智能学科教育尚处于建设初期，优质课程和师资较为稀缺

· 人工智能学科教育是当前从国家层面，到普通民众都非常重视的一个领域。

· 从国家层面，它关系到人工智能行业人才的持续输入，和未来经济转型过程中，劳动力市场的供需平衡问题。2017年，国务院印发的《新一代人工智能发展规划》提出在高校开展人工智能学科建设，在中小学阶段设置人工智能课程，实施全民智能教育项目。由此，人工智能学科教育上升为国家战略。

· 从个人层面，智能化带来产业结构的调整，进而引起就业市场的改变。公众从长期职业规划和个人发展的角度，也极其重视人工智能学科教育。

· 当前，人工智能学科教育的需求随着人工智能产业的落地愈发明显，但系统化的课程和教师资源仍然处于相对紧缺的状态。

· 教育物联网解决方案:物联网是一种趋势，尤其在校园这种独立的小生态更容易进入早期的试验阶段。未来，随着校园内各类智能设备的增加，这一需求也将愈发受到重视。

· 整体而言，AI辅助教学工具核心解决教育的公平和效率问题，人工智能学科教育为行业人才的可持续性提供保障，教育物联网解决方案则是校园生态信息化管理的必然趋势。由此，人工智能在教育行业的发展被多方看好。

人工智能落地医疗领域，多角度解决行业痛点

国内的医疗行业长期面临着医疗资源短缺且分布不均衡、医生超负荷工作、信息不透明、医患关系紧张、整体医疗水平有待提高等问题。人工智能落地医疗行业，即智慧医疗，从多个角度解决行业痛点。

从医生和医院的角度看，智慧医疗能够相对降低部分工作的人力投入，对合理分配医生时间和精力具有一定的调节作用;从病患和社会价值角度看，智慧医疗可快速复制，能一定程度上缓解医疗资源分布不均的问题，进而推进分级诊疗的实施;从整个医疗行业的角度，智慧医疗各细分领域的创新，在提升医疗技术、诊疗能力、药品研发能力和优化医疗体系的运转等方面都具有相当的促进作用。

人工智能在交通出行领域的四大应用

人工智能在交通出行领域的应用主要有:智能驾驶、疲劳驾驶预警、车载智能互娱、智慧交通调度等。

1)智能驾驶:即通过系统完全控制或辅助驾驶员控制车辆行驶的技术。其中，高级别辅助驾驶系统( Advanced Driver Assistance System)是实现智能辅助驾驶的核心。ADAS是利用安装于车上的各类传感器，采集车内外的环境数据，并进行识别、侦测与追踪，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性的主动安全技术。ADAS最早被用来提供车辆行驶安全状态提醒，包括:车道偏离警告、保持前车距离警告、前车碰撞警告等。现阶段，利用ADAS对行驶状态进行主动干预，甚至完全控制，实现无人驾驶是行业探索的方向。根据系统对驾驶状态的干扰程度，SAE(美国机动车工程学会)将智能辅助驾驶分为0-5六个等级。在落地方面，目前L2级别以下的智能驾驶已实现量产，L3-L4尚处于实验测试阶段。未来，在泊车、高速、矿区等标准化程度较高的场景环境下，有望在政策落地后，进入应用阶段。

· 2)疲劳驾驶预警:即DMS(Driver Fatigue Monitor System) ，是一种基于驾驶员生理反应特征的驾驶人疲劳监测预警产品。它利用智能摄像头采集驾驶员的视频数据，结合人脸识别算法，准确识别危险驾驶状态，如:疲劳驾驶(打瞌睡、打哈欠)、分心驾驶( 如:左顾右盼、抽烟、打电话、玩手机等)等，并及时地给予提醒，以保证驾驶安全。2018年多地交通运输部陆续发布通知，推广应用智能视频监控报警技术，该政策直接推动了DMS系统在运输车辆上的应用。

· 3)车载智能互娱:是指安装于车辆上的智能系统，可通过语音交互实现部分功能控制和娱乐操作。如，语音开启空调、雨刷、天窗，语音查询路线、周边信息、买票、购物等。

· 4)智慧交通系统:即通过监控获取城市各交通线路的实际车流和拥堵情况，并利用算法全城整合全局信息，通过控制交通信号灯和人工疏导等方式，缓解城市交通拥堵。

智能化渗透到零售行业的仓储、物流、线上线下门店等各个环节

· 智慧零售是利用人工智能、大数据等新科技为线上线下的零售场景提供技术手段，来实现包括门店、仓储、物流等整个零售体系的数字化管理和运营。

· 其中，在仓储物流、物流环节，主要是搬运、配送等各类实体机器人;在交易环节，根据零售交易发生场所可大致分为线上零售和线下零售两类，人工智能在营销、客服、运营优化等多个场景发挥价值。

线上零售主要是各类电商，其智能化场景主要有:

· 1)商品搜索:利用计算机视觉技术实现对线上包括图片、视频等各类商品展示信息的搜索和管理。包括以图搜图、以文搜图等。

· 2)智能客服:包括在线客服、语音电话客服等，涉及语音识别、语义理解等自然语言处理技术。

· 3)个性化推荐与精准营销:即充分利用用户在互联网上的活动路径和留存信息结合机器学习算法，为用户提供个性化的产品建议。

· 4)经营数据分析:将商户的各类经营数据加以整合，通过大数据的分析方法，发掘潜在行业信息，进而为企业的经营决策提供支持。

计算机视觉驱动实体零售数字化变革，促进线上线下数据联通

· 线下则包括各种小型零售门店、大型连锁商超、无人门店和智能货柜等。

· 传统线下门店与线上的明显差别在于线下数据化程度较低，且与线上数据长期处于割裂状态。用户在线上的行为偏好难以在线下场景实现衔接与转化，同时在线下门店的浏览偏好也难以在线上进一步追踪。故当前人工智能在线下零售门店的应用主要是解决线下实体零售门店的数字化运营问题。其中，以计算机视觉技术为核心的智能摄像头、智能广告机、智能货柜、互动娱乐设备等广泛使用。

· 线下智慧门店的解决方案，主要涉及精准获客和营销、门店数据化管理等方面。

· 1)精准的获客和营销:通过智能摄像头等设备识别到店客户的行为轨迹、浏览偏好、衣着、身份特点等信息，并综合线上或过往购买记录，发掘客户兴趣点，为其提供个性化的产品推荐和服务信息。

· 2)数据化管理与实时优化:线下智慧门店普遍采用智能设备，采集门店的实时客流状况、商品信息、顾客需求、经营状况等数据;通过大数据整合和分析，为门店运营优化提供决策支持，包括门店选址、物品摆放、商品种类、补货频率等。

· 线下门店的数据化，使得运营决策更加科学，从而在有限的空间和人力成本下，为消费者提供便捷、高效、个性化的购买体验，

线下实体零售的智慧化转型成为一种趋势，行业被多方看好

· 零售行业是近几年人工智能落地较快，也相对热门的领域。整体上，行业内对该领域未来的发展持看好态度，主要从以下几个角度考虑:

· 1)线下实体零售进入数字化转型的关键期:与线上电商相比，线下的实体零售业信息化程度较低，门店获客渠道单一，在提升服务体验和数据化管理能力上均有很大的空间。

· 另一方面，在线上电商和经济下行的双重压力下，实体零售高成本、高竞争的特点，使得大量门店面临关停、裁员的生存困境。

· 此外，随着新中产和年轻消费群体的崛起，新的消费观念和消费习惯影响着行业发展方向。线下门店，已经从传统的交易场所，向体验与社交场所转变。

· 因此，为适应社会发展的节奏，传统零售业利用新技术对线下门店进行智慧化改造，提升门店服务体验和运营效率，已成为行业发展的必然。

· 现阶段，随着人工智能技术快速落地，零售行业也进入了数字化和智慧化转型的关键时期。

· 2)商业价值较大:零售行业直接面向消费场景，利用新技术对管理和运营上的优化能够在经营数据中得到反馈。这在某种程度上是对其商业价值的验证，也是推动其快速落地的重要驱动力。

人工智能作用于线上广告的多个环节

· 人工智能在广告营销的多个环节落地，我们根据人工智能技术的具体应用、广告呈现形式和投放逻辑的不同可大致分为AI创意营销和大数据精准营销两类。

· AI创意营销是一种以视频为主要投放载体，利用计算机视觉技术识别视频内容，然后在不同的内容场景中投放与之相关的广告。根据广告植入、投放和呈现形式的差异，AI创意营销可大致分为AI场景营销、功能性互动营销和快速植入三类。

· 大数据精准营销是一种根据用户年龄、性别、消费、出行、位置、行为偏好等大数据信息描绘用户特征，制定符合用户个性的千人千面的广告投放。

创意营销和精准营销从不同角度平衡用户体验与盈利之间的矛盾

传统线上广告以强制侵占用户注意力的形式进行曝光，过多的广告加载对用户体验造成巨大的伤害。故平台方需小心翼翼地平衡用户体验与广告收入之间的矛盾，这成为当前诸多互联网平台的盈利瓶颈之一。

· 另一方面，互联网产品百花齐放，广告主面临更多的投放渠道选择，也更加注重对目标人群的触达和转化效果。

· 针对现阶段，广告行业面临的问题，AI创意营销和大数据精准营销分别从呈现形式和用户触达两个方向去解决行业矛盾。

· AI创意营销从广告呈现形式上降低对用户的干扰。以场景营销为例，它利用AI技术识别和分析视频中的场景因素，将视频划分成不同的场景单元，然后根据产品属性匹配到相应的场景，进行广告投放。AI场景营销利用视频营造的场景氛围带动观众情感共鸣，制造一种自然而然地广告呈现，达到既强化认知，又不过分干扰的广告效果。

· 此外，AI创意营销不同于传统的线上广告，它利用人工智能技术创造新的广告形式，挖掘新的广告位资源，是一种对线上流量广告增量市场的再开发。

大数据营销用千人千面的广告降低无价值信息对用户的干扰

· 大数据营销从用户触达的角度来优化体验，降低无价值信息对用户的干扰，同时提升广告效果。与AI创意营销从内容呈现上优化广告体验的方式不同，视频大数据营销仍然采用了传统的贴片、暂停位、信息流广告的形式，但它针对每一位用户，提供了符合实际需求的个性化广告。由此，广告一方面在刺激用户的购买行为，另一方面也在帮助用户解决实际的需求问题。如，某用户到达一个新的城市，广告系统根据用户更新的位置信息为其提供附近符合该用户购买习惯的商品信息，正好满足了用户的消费需求。像这样，广告对每一位用户而言都是有价值信息，从而在一定程度上降低了用户对广告的反感程度。此外，由于很好地对接了消费市场的供需双方，也能有效地提升广告效果。

· 在大数据营销过程中，知识图谱、机器学习、计算机视觉、自然语言等人工智能技术作用于各个环节，包括对文本、图片等各类数据的处理和用户画像，也包括广告投放决策和优化等。

人工智能加速农产品生产和流通环节的数据化

· 智慧农业是将遥感、大数据、人工智能、物联网等新技术应用于农产品生产、流通和销售的各个环节，来促进农业的精细化和数字化管理。

· 其中，生产环节是现阶段更加受到关注的领域，人工智能等新技术主要用来支持数据采集与处理、农情监测、病虫害防治等方面的问题。

· 智慧农业真正改变了传统农业依赖农民经验的历史，使农业种植迈入智能化、精细化的发展阶段。目前，生产环节的智慧农业大致可分为三类，即:精细化养殖、无人机植保和农业大数据服务。

· 精细化养殖是指利用可穿戴设备及摄像头等收集家畜、家禽在饲养、繁育状态下的数据，并对收集到的数据进行分析，进而判断家畜、家禽的健康状况、喂养情况、位置信息、生长阶段等。精细化养殖可以有效降低畜禽死亡率，提升产品质量。

· 无人机植保是指利用无人机搭载传感器设备和药剂对农作物实施精准施药。无人机植保是一种对人力劳动的取代，一方面可解决农村劳动力不足、人工效率低下的问题;另一方面，通过标准化的精准施药，可优化农药的使用，降低农药对环境和农产品的污染。

· 农业大数据服务是利用遥感、无人机、传感器等技术收集气候气象、农作物、土壤及病虫害数据，建立农业大数据服务平台，并基于对数据处理和分析，为农业决策提供支持，进而实现农业的精细化管理。

服务机器人智能化程度提升，已进入落地应用的阶段

· 机器人是一组自动执行工作的机器装置。在分类上，还有诸多争议，国际机器人协会(IFR)按照机器人的应用场景将其分为工业机器人和服务机器人两类。其中，工业机器人是指应用于生产过程中的机器人，包括人机协作机器人与工业移动机器人;服务机器人则指除工业机器人之外服务于人类的各种机器人，包括个人/家用服务机器人和专业服务机器人两类。

· 现阶段，考虑到机器人在高空、水下、自然灾害等特殊环境下的应用现状，中国业内将机器人分为工业机器人、服务机器人和特种机器人三类。

· 近年来，随着人工智能交互技术的应用，服务机器人的智能化程度有了显著的提升，也开始逐渐进入应用落地的阶段。

C端机器人需求有待挖掘，B端需求差异化较大，产品高度定制化

· 从市场需求的角度看，服务机器人的商业化主要有两个方向，一个是面向C端用户的消费级服务机器人，另一个是面向B端的商用服务机器人。

· C端的消费级服务机器人市场需求有待挖掘。一方面C 端用户的大部分需求不够明确，机器人来解决实际问题的应用价值大大降低;另一方面，普通用户对机器人不够了解，其大部分认知来自于科幻作品，故对机器人的期待往往高于实际产品，这使得市面上大部分产品的用户满意度较低。另外，值得注意的是，C端应用场景明确，能解决用户实际需求的机器人(如:教育机器人、家庭陪伴机器人、扫地机器人、智能音箱等)近年来也发展较快。

· B端的服务机器人需求更加明确，但差异较大。相较于C端而言，B端市场往往有实际的应用场景，针对特定场景的标准化服务机器人发展较快。如，医疗手术机器人、安防机器人等。

· 非标准化服务场景对机器人的需求迥异，即便是相同的场景，在不同的环境下，面对不同的人群，其服务流程和交互内容也会有较大差异，这使得当前to B端的服务机器人大多是定制化的产品。

· 定制化导致to B端服务机器人具有更高的销售和落地成本，这是短期内服务机器人难以大面积推广的主要原因之一。

行业普遍看好机器人的长期市场价值

· 从技术角度看，国内机器人核心技术已经获得一定突破，但整体仍有较大的成长空间。

· 中国机器人行业与国外领先水平相比，发展较晚，核心零部件技术薄弱，很多核心零部件对进口的依赖性较高，因而成本居高不下。

· 但近年来，随着国内研发投入的提高，机器人厂商在伺服舵机、SLAM等核心技术上陆续出现突破，机器人性能也有明显的提升。

· 在人机交互方面，计算机视觉和自然语言技术的应用，使机器人能够更加顺畅地与人类和外界环境进行交互。同时，也仍然存在诸如语音识别受环境影响较大、识别不准确、人机沟通不顺畅等问题。

· 未来，服务机器人还有很大的成长空间，无论是核心零部件、交互算法，还是解决实际场景需求的能力，都需要与市场进一步地磨合。

· 随着技术的进一步成熟，机器人在解放人类劳动力，创造劳动价值等诸多场景中的应用价值会愈发凸显，机器人走进人类生活也被认为是一种必然趋势，故业内对机器人的发展前景普遍看好。

智能商务——应用于企业日常活动中的人工智能

· 智能商务是利用人工智能、云计算、物联网等新技术，对商业设施、人、工作流程等进行链接和升级，从而提升日常商务活动和企业运行的效率。

· 当前智能商务涉及到的领域可大致分为以下几类:

· 1)人员的管理:人工智能提供了刷脸、指纹、虹膜、声纹等新的人员管理工具和方法，可应用于员工的日常签到、会务签到与身份确认、工作状态识别等。

· 2)设备管理:随着各类搭载生物识别和智能算法的硬件设备投入使用，识别其使用状态并进行统一管理能够对公共物品等资源的使用时间和频次进行优化，帮助企业提升信息化水平和日常管理效率。

· 3)场所管理:主要是办公区域的安防，包括人员出入管理、智能迎宾、公共区域监控等。

· 4)文本文档管理:针对企业的大量文本数据，利用NLP技术对文本材料内容进行提取和过滤，以提升企业对文本数据的使用和整理效率。

· 5)音视频管理:将语音识别、语义理解和机器翻译等人工智能技术应用于会议录音材料管理、同传、速记等场景，可有效地降低人力成本。

· 6)商务活动管理:包括日常沟通、远程会议、远程培训等场景，可涉及到的人工智能技术主要是以语音语义、计算机视觉为基础的智能通讯。

· 7)业务数据管理:利用人工智能的方法整合、分析和挖掘业务数据，来优化企业运营和决策。

3、人工智能行业总结与前景分析

3.1行业总结

人工智能与实体产业结合的商业化时代已经到来，未来潜力巨大

· 人工智能与实体经济深度结合的商业化时代已经到来，各类人工智能技术都在力所能及地范围内寻找落地场景。

· 从落地速度和效果上看，安防、金融、教育、医疗、交通、零售、广告营销、农业、机器人、商务服务等行业的多个场景下均有较为成熟的产品和应用。且随着需求的不断挖掘，对应领域的产品和服务呈现精细化发展的趋势，企业更加专注整体生态建设和产品服务体验的升级。

· 从技术角度看，计算机视觉、自然语言、生物识别、语音识别等技术成熟度更高的技术，在商业落地上也走得更快。

· 其中，计算机视觉领域已经涌现出独角兽企业，语音、语义领域不同企业的差距也逐渐显现。但整体来说，不同类型的技术公司各自专注的领域有所差别，所服务的B端市场个性化需求会为不同的服务商提供发展机会，人工智能行业未来将面临一个更加多元化发展的市场。

· 整体上，受政策和市场环境的驱动，人工智能商业化的进程加快。在未来几年，继续探索技术边界，将其应用更多场景，发挥更大价值是行业关注的重点。

· 此外，人工智能落地实体产业，将带来产业结构的重新调整，在带动行业创造出新的增长点上潜力巨大。

3.2未来趋势

从技术和商业应用两个角度看人工智能的发展趋势

技术趋势:

· 趋势1:强人工智能(通用人工智能)甚至超人工智能

是必然通用人工智能虽然在技术上存在极大的挑战，在风险和社会伦理等方面也颇具争议。但目前，学界和业界还是积极地投入到相关领域的研究。

· 趋势2:仿生化。一个较受关注的一个方向是从生物神经系统结构的角度考虑，模拟出大脑神经元与神经通路的工作模式，即从结构上”仿真大脑“，而后训练出可以解决具体问题的人工智能算法或应用。仿生是当前人工智能研究的前沿方向之一，距离应用可能还需要较长的时间。

商业趋势:

· 趋势1:技术的使用门槛降低。随着各类开源、开放平台的建立，人工智能技术的使用门槛将逐渐降低。这使得更多的企业能够利用人工智能技术来为场景和行业赋能。

· 趋势2:精细化、专业化。在具体场景层面探索技术边界的过程中，人工智能技术所能解决的问题更加精细，所需的产品和技术也更加专业化。

· 趋势3:生态化。无论是从技术层深入到场景还是场景层主动引入技术，人工智能企业将更加专注于某一细分领域的商业场景，并以此为基础，整合上下游产业，从数据、算法和算力多个层面健全各自的商业生态，这将是人工智能企业核心的竞争壁垒之一。

3.3潜在风险

政策和市场需求风险可能是主要风险

· 政策风险:人工智能可能带来一些列的伦理道德问题、就业市场的迅速变化、劳动力适应性调整等问题。可能引发社会舆论、政策方向调整和监管等方面的风险。其中，隐私监管和劳动力市场调控，尤其需要关注。

· 目前，国内的隐私监管相对宽松，尚未针对人工智能行业具体场景制定相关隐私保护规范。多数企业对于用户的隐私数据具有一定的保护意识，行业内普遍采用加密、脱敏等保护措施。国际上，欧盟曾出台《通用数据保护条例》(GDPR)对企业获取和使用个人数据做了严格的规范。

· 从行业规范的角度，针对隐私的监管是必要的，但具体监管措施以及对行业造成的影响，也是需要长期关注的问题。

· 人工智能带来就业市场的变化是必然的，在劳动力市场调控方面，政策虽然在教育端已经开始出现改革( 表现在高校的学科教育调整)，但主要目的是培养人工智能领域的专业人才，而非解决就业问题。

· 针对就业市场变化的教育改革，还未受到足够关注。未来，随着大量技术的落地，可能会导致劳动力市场的供需失衡。尤其是针对随机性的技术突破瞬间导致大量劳动力失业的问题，政策监管对于技术发展是否会有较大影响，是现阶段我们无法预知，但需要长期关注的。

• 市场需求风险:新事物的产生会加速旧事物的淘汰。同时，随着社会文化的改变、人民生活方式的调整，未来随着技术的大量涌入，可能带来市场需求的重新调整。例如，在流量入口方面，现在主流的入口是智能手机，未来随着各类智能终端、智能穿戴的普及，以手机为主的入口形态可能会被颠覆。什么才是未来世界的必需品，站在当下的发展阶段我们也难以预测，但这要求市场参与者时刻观察市场动向。

3.4可能的机会

信息化程度低，标准化劳动密集的领域可能存在未被挖掘的机会

· 人工智能在各个行业落地，目前发展较好的，集中在信息化基础更好的产业。从信息化向智能化跨越，断地优化体验。

· 我们认为，随着技术的突破，人工智能的应用受信息化基础的约束会逐渐降低。那么，在当前信息化程度较低，标准化劳动更加密集的领域，未来可能还有较大的发展空间。

温馨提示：如需原文档，可在PC端登陆未来智库www.vzkoo.com搜索下载本报告。

关注公众号“未来智库”，及时获取最新内容。

（报告来源：36Kr）