1. 資本市場的涌動

1.1. 搶佔核心技術和人才是人工智能投融資的主要目的

1.2. 未來5～10年，各路企業對人工智能的佈局將更加廣泛和深入，對核心技術和人才的爭奪也將越來越激烈，而投資和收購是佔領核心技術和人才高地的重要途徑

1.3. 美國舊金山灣區是全球人工智能的高地

• 1.3.1. 美國是全球人工智能企業數量最多的國家，其超過1/3的人工智能企業誕生於舊金山灣區

1.4. 英國的人工智能融資規模自2015年開始飆升，英國是歐洲各國中人工智能融資規模最大、提升最快的國家，遠遠將德國、法國甩開，成為歐洲人工智能投融資的火車頭

1.5. 中國人工智能融資規模佔亞洲累計總額的60.2%，以色列為20.4%，日本為9.5%，印度為4.9%

2. 產業生態的發展

2.1. 人工智能產業生態通常可以分為基礎層、技術層、應用層三大板塊

2.2. 基礎層包括芯片、傳感器、算法模型、雲計算、大數據等基礎技術

2.3. 技術層涉及人工智能的核心技術，如智能語音語義、計算機視覺、機器學習等

2.4. 應用層即人工智能與垂直細分領域的融合發展，包括智能醫療、智能安防、智能教育、智能家居等

2.5. 智能芯片

• 2.5.1. 智能芯片就是專門針對人工智能算法而設計的芯片，比傳統芯片更能滿足人工智能算法所需的龐大計算量

• 2.5.2. 三類

• 2.5.2.1. 面向各大人工智能企業及實驗室研發階段的訓練環節市場

• 2.5.2.2. 面向數據中心的雲端推斷(inference on cloud)市場，如亞馬遜Alexa、​“出門問問”等應用均需通過雲端而非用户端設備提供服務

• 2.5.2.3. 面向智能手機、智能攝像頭、無人機、自動駕駛、虛擬現實、機器人等設備的設備端推斷(inference on device)市場，需要高度定製化、低功耗的智能芯片產品

2.6. 智能傳感器

• 2.6.1. 智能傳感器的概念最早是由美國宇航局提出來的，並於1979年形成產品

• 2.6.2. 宇宙飛船需要大量傳感器不斷向地面或飛船上的處理器發送温度、位置、速度和姿態等數據信息，即便使用一台大型計算機也很難同時處理如此龐大的數據，況且飛船又限制了計算機的體積和重量

• 2.6.3. 具有信息處理功能的傳感器即智能傳感器便應運而生

• 2.6.4. 智能傳感器最大的價值就是將傳感器的信號檢測功能與微處理器的信號處理功能有機地融合在一起

• 2.6.5. 中國智能傳感器市場被國外廠商佔據了87%的市場份額

• 2.6.6. 霍尼韋爾的產品包括了壓力傳感器、温度傳感器、濕度傳感器等多個類型，涉及航空航天、交通運輸、醫療等領域

• 2.6.7. 美國壓電的產品涵蓋了加速度傳感器、壓力傳感器、扭矩傳感器等，涉及核工業、石化、水力、電力和車輛等領域

• 2.6.8. 高德紅外主要生產紅外熱成像儀，華潤半導體主要生產光敏半導體，但也出現了華工科技、中航電測等少數綜合性傳感器廠商

2.7. 算法模型

• 2.7.1. 算法創新是推動本輪人工智能大發展的重要驅動力

• 2.7.2. 深度學習、強化學習等技術的出現大大提升了機器智能的水平

• 2.7.3. 科技巨頭是算法模型領域的執牛耳者

2.8. 雲計算

• 2.8.1. 雲計算是一種按使用量付費的模式，這種模式提供可用的、便捷的、按需的網絡訪問，使用户進入可配置的計算資源共享池（資源包括網絡、服務器、存儲、應用軟件、服務）​，用户只需投入很少的管理工作，或與服務供應商進行很少的交互，便可迅速獲取這些資源

• 2.8.2. 雲計算是分佈式計算(distributed computing)、並行計算(parallel computing)、效用計算(utility computing)、網絡存儲(network storage)、虛擬化(virtualization)、負載均衡(load balance)、熱備份冗餘(high available)等傳統計算機和網絡技術發展融合的產物

• 2.8.3. 雲計算生態分為三層

• 2.8.3.1. Infrastructure（基礎設施）-as-a-Service(IaaS)

>  2.8.3.1.1. 基礎設施在最下端

>  2.8.3.1.2. IaaS公司提供場外服務器、存儲和網絡硬件

• 2.8.3.2. Platform（平台）-as-a-Service(PaaS)

>  2.8.3.2.1. 平台在中間

• 2.8.3.3. Software（軟件）-as-a-Service(SaaS)

>  2.8.3.3.1. 軟件在頂端

• 2.8.4. 大數據為人工智能提供信息來源，雲計算為人工智能提供平台，人工智能關鍵技術在雲計算和大數據日益成熟的背景下取得了突破性進展

2.9. 大數據

• 2.9.1. 大數據是通過現有的數據管理技術難以應對的超大、複雜的數據集

• 2.9.2. 數據量巨大、來源多樣和類型多樣的數據集

• 2.9.3. 新型的數據處理和分析技術

• 2.9.4. 運用數據分析形成價值

• 2.9.5. 一個大而複雜的、難以用現有數據庫管理工具處理的數據集

• 2.9.6. 早在大數據概念火起來之前，美國信息技術產業在大數據領域就已經有了很多技術積累，這使得美國的大型信息技術企業可以迅速轉型為大數據企業，從而推動美國整個大數據產業的發展壯大

• 2.9.7. 中國數據大多數都掌握在政府手裏，數據源比美國相對封閉，數據分析受到侷限，也影響了大數據的發展

2.10. 智能語音語義

• 2.10.1. 智能語音語義是目前人工智能落地最成功的領域之一

• 2.10.2. 隨着技術的成熟，語音交互幾乎已經成為各類智能助理、導航軟件甚至是智能攝像頭等智能產品的標配，這其中也涌現出了一大批語音技術商業化相當成功的互聯網巨頭和創業公司

• 2.10.3. Nuance曾經是全球最大的語音識別技術廠商，側重於為服務提供商提供底層技術解決方案，隨着企業戰略目標以及商業環境的改變，目前轉型為客户端解決方案提供商

2.11. 計算機視覺

• 2.11.1. 計算機視覺是指利用計算機來模擬人的視覺，從圖像中識別出物體、場景和活動的能力，也是人工智能技術層商業化比較成功的一個分支

• 2.11.2. 人臉識別、視頻監控、互聯網圖像內容審查，已經成為計算機視覺技術的產業入口

• 2.11.3. 人臉識別又是計算機視覺最熱門的應用，已具備大規模商用條件，未來將在金融、安防等領域迎來大爆發

• 2.11.4. 計算機視覺可劃分為圖像預處理、初級視覺、中級視覺和高級視覺四個層次

• 2.11.4.1. 初級視覺的任務是找到圖像之間的一致性，高級視覺的目標是圖像理解

• 2.11.5. 國外公司大多進行底層技術研發，同時偏重於提出整體解決方案，積極建立開源代碼生態體系

• 2.11.6. 國內企業直接對接細分領域，商業化發展道路較為明確

• 2.11.6.1. 曠視科技重點研發人臉識別技術產品，加強管控卡口綜合安檢、重點場所管控、小區管控、智慧營區等領域的業務佈局

• 2.11.6.2. 圖普科技在阿里雲市場提供識別色情圖像和暴恐圖像的產品和服務，確定準確率超過99.5%，滿足了雲端用户的安全需求

• 2.11.6.3. 商湯科技目前已經形成了視頻智能、身份驗證、移動互聯網、智慧城市四大產品矩陣，廣泛應用於智能手機、金融、交通、娛樂等領域

• 2.11.7. 計算機視覺正值橫向擴張的紅利期，但遲早有一天需要憑藉縱向發展展開更高層次上的技術競爭

2.12. 機器學習

• 2.12.1. 機器學習是一種能夠賦予機器學習的能力來讓它完成直接編程無法完成的任務的方法

• 2.12.2. 機器學習是一種通過利用數據，訓練出模型，然後使用模型預測的方法，機器學習的過程與人類思考的過程頗為相似

• 2.12.3. 機器學習一直以來都是人工智能的核心研究領域