60 年前，达特茅斯会议召开，人工智能作为一门新兴学科在美国肇始。经过六十年的演进，人工智能即将成为改变人类经济、社会的新技术引擎。2016年9月3日，习近平主席在二十国集团工商峰会发表主旨演讲，指出以互联网为核心的新一轮科技和产业革命蓄势待发，人工智能、虚拟现实等新技术日新月异，虚拟经济与实体经济的结合，将给人们的生产方式和生活方式带来革命性变化。随着人工智能从学术课题研发全面步入产业经济爆发阶段，目前全球正迈向以互联网＋、人工智能、3D 打印、自动驾驶等技术代表的第四次工业革命。中国是全球创新舞台上的佼佼者，也是迈向智能时代最快的国家之一。
1.人工智能的简介
1.1定义
计算机科学理论奠基人图灵在论文《计算机器和智能》中提出了提出了著名的“图灵测试”——如果一台机器能够与人展开对话（通过电传设备），并且会被人误以为它也是人，那么这台机器就具有智能。人工智能之父之一的马文•明斯基则将其定义为“让机器作本需要 人的智能才能够做到的事情的一门科学”。而代表人工智能另一条路线——符号派的司马贺认为，智能是对符号的操作，最原始的符号对应于物理客体。
1.2发展历史
人工智能发展历经波折，历史上经历过2次低谷。传统人工智能受制于计算能力，并没能完成大规模的并行计算和并行处理，人工智能系统的能力较差。2006年，Hinton教授提出“深度学习”神经网络使得人工智能性能获得突破性进展，进而促使人工智能产业又一次进入快速发展阶段。
表1：人工智能发展里程碑

图1：人工智能行业发展历史

1.3人工智能行业产业链的划分
人工智能产业链可简单划为三层，即底层基础层、中间层技术层与上层应用层。其中，1）基础层包含硬件存储与计算资源和数据资源等，GPU芯片、云计算平台、传感器、数据等均包含在此层中；2）技术层包含算法、模型平台，感知智能算法、认知智能算法等均在此层中；3）应用层包含硬件产品和软件与服务，硬件中包含无人机、机器人及其他智能硬件等，软件与服务包含语音输入法、虚拟助手、自动驾驶及智能安防等。
从目前的发展情况看，算法层为人工智能产业链的核心，支撑上层应用的发展，目前感知智能已加速发展，认知智能为人工智能在算法层面的下一个突破方向。而底层基础层中的数据能力与计算能力主要的发展方向为低成本与小型化，数据采集的发展方向为多样化，移动互联网的发展已经为产业积累了一定的数据，未来随着物联网的发展将积累更多的环境与行为层面数据，丰富数据构成。应用层主要与各垂直行业结合开发深度人工智能应用。

2.行业现状
2.1全球市场现状
2.1.1 产业规模快速增长
在深度学习技术和开源平台的推动下，人工智能技术门槛逐渐降低，受到全球下游应用需求的迫切倒逼，人工智能赢得了加速发展的黄金期，围绕人工智能的应用和创新不断涌现。2015 年，全球人工智能产业规模达到82.2 亿美元，预计2016 年将突破100 亿美元。金准数据估计2020 年全球人工智能市场规模将达183 亿美元。在未来10 年甚至更久的时间里，人工智能将是众多智能产业技术和应用发展的突破点。
图2：2014-2020年全球人工智能产业规模

除产业规模快速增长外，围绕人工智能的创业企业数量也大幅提升。截至到2016 年第三季度，全球人工智能创业公司数量已有1287 家，其中585 家获得投资，投资金额总计达到77 亿美元，其中美国投资金额超过31 亿美元。
2.1.2 国际间人工智能产业发展不均衡，美英中三国独占鳌头
全球人工智能企业数量集中分布在美国、中国、英国等少数国家，三国企业数量占总数的65.73%。
图3：全球人工智能企业分布

与人工智能企业分布相同，美中英三国融资规模为全球最大，但三者间的规模差距较大，美国为英国的21.9倍，中国的6.96倍。
图4：全球人工智能融资规模分布

投资机构在地域分布上，美国、英国、中国为前三位，与其各自企业数量、融资规模次序相同。
图5：全球人工智能投资机构分布

各国获得的人工智能领域投资次数，与当地企业数量、投资机构数量呈现正相关关系。
图6：全球人工智能企业获得投资次数的分布

全球人工智能专利数量，美国、中国、日本位列前三，且数量级接近，三国占总体专利的73.85%。位列第四的德国人工智能专利数量仅为中国的27.8%，美国的16.8%。
图7：全球人工智能专利数量分布

2.1.3 资本大量涌入，看好行业前景
敏锐的资本方正在积极布局人工智能领域，近年来风投不断加大对人工智能初创企业的投资，持续布局人工智能这个重要“风口”。根据VentureScanner统计数据，近年来全球人工智能领域的投资金额已成爆发增长态势。
2014年人工智能企业融资总量首次超过10亿美金，2015年融资总量更是超过12亿美金。2016年前三个月的不完全统计显示，全球在人工智能领域的投资已经超过4亿美金。
图8：全球人工智能投资金额

根据VentureScanner统计，从人工智能投资分布情况看，机器学习（应用）分类以263家公司的数量遥遥领先，自然语言处理公司以154的数量位列第二，通用计算机视觉排名第四。从资本方的投资意愿看，对机器学习、自然语言理解、计算机视觉等技术与应用关注度较高。
图9：人工智能投资领域分布

金准数据认为，巨头的加入、资本的持续布局在一定程度上印证了人工智能行业的火爆，虽短期看人工智能仍处于大规模投入期，短期内较难变现，但未来人工智能应用于无人驾驶汽车、辅助诊断、刑侦监测等领域将会产生巨大的商业价值和社会价值，资本层面的爆发将持续带动人工智能行业加速爆发。
2.1.4 互联网巨头积极布局，抢占先机
科技巨头在人工智能领域的布局始终领先，以Google为例，其在2014年斥巨资收购的DeepMind公司，后者在2015年开发出的基于深度学习模型的围棋程序AlphaGo先是在2015年击败欧洲冠军樊麾二段，后又于2016年3月击败世界冠军李世石九段。显示出人工智能在围棋领域的强大实力，也在一定程度上引发社会对人工智能的关注。除Google外，Facebook在人工智能领域也较为领先，其在图像识别、机器围棋等领域也在不断投入。国内互联网厂商诸如百度、腾讯，同样在人工智能领域加大投入，持续布局人工智能领域。

表2：互联网巨头的人工智能布局
1、谷歌：贯彻软硬件结合的理念
谷歌，或者说现在的Alphabet，已经建立了独一无二的AI检索算法，在自然语言处理上面颇具优势，并应用于谷歌搜索，预计还将在谷歌智能家居生态中大显身手。公司的开源软件库/云计算平台TensorFlow还在结合了很多前沿的硬件加速器，推出新的AI张量处理单元TPU。此外，收购的DeepMind也在击败李世石的战役中一举成名。
2、亚马逊：筹备开源服务
亚马逊AWS在云服务的布局已经颇具优势，2015年4月，公司宣布推出机器学习服务亚马逊ML，提供针对性的用户体验。今年5月，亚马逊推出了自家的开源软件DSSTNE，帮助建立深度学习开发库。
3、苹果：活跃的收购者
过去一年间，评估已经收购了Emotient、Turi、Tuplejump等AI创业公司，并雇佣了之前在NVIDIA从事GPU软件项目的Johnathan Cohen，并找来Ruslan Salakhutdinov作为其AI研发部主管。Siri可以算作苹果在AI方面最主要的成就之一，此外，苹果大脑的传言也甚嚣尘上。
4、微软：力推基于GPU和FPGA的云
微软首席执行官纳德拉介绍称，微软正在建立“民主化的AI（democratizing AI）”，目前AI研究小组员工人数超过5000人，目标在于改变人机体验和交互技术，小娜是比较有代表性的一个成果。此外，公司还在建立基于GPU和FPGA的云（Azure）方面做努力。
5、Facebook：开源工具组建开发者社群
Facebook在AI方面的主要布局集中在建立开发者社群，开源Torch、Chef、fastText、BigSur 等一系列 AI 工具及资料库，并推出具体的应用程序，比如已经出现的图象识别、语音文字转换和智能翻译等。
6、Salesforce：建立云生态
2014和2015年，Salesforce开始利用自家电开发平台执行云机器学习任务。公司还收购了Minhash,、PredictionIO、MetaMind等AI公司，目的在于建立云销售、云营销、云服务、云社区、云物联网、基于云的应用程序等。
7、NVIDIA：借力GPU大势
GPU在之前的计算机应用不多，但AI算法给了它莫大的基于，目前，几乎所有的AI算法都采用了NVIDIA的GPU，虽然英特尔也在加快研发新的替代芯片FPGA，但目前来看，GPU依旧是比较好的选择。借此大势，NVIDIA还专门设计了全球首款针对深度学习的GPU架构（Pascal 架构） 。
8、英特尔：加快芯片研发
GPU的大势让英特尔感到了危机，英特尔收购Nervana systems和Altera，加快FPGA的推进，在运算速度和编程灵活性取得一系列进展。2016年中期，英特尔推出了至强二代，用于智能家庭产品的网络服务和云服务。
9、Uber：合作汽车制造商
Uber在AI方面的主要布局更趋近于物联网，尤其是汽车传感器。2016年9月，Uber在匹兹堡推出了自动驾驶试点项目，并于卡内基梅隆大学教授、汽车制造商合作，研发基于传感器获得的数百万数据点，建立安全、有序、自动的交通模式。
10、IBM：沃森成AI之星
IBM在AI方面的布局很早，公司在全球的AI研发每人元超过3000名，专利超过1400项，覆盖云计算和硅纳米科学，其超级智脑沃森在自然语言处理和模式识别、非结构化数据处理方面有着出色的表现，已经应用于虚拟代理，帮助金融、医疗等合作伙伴处理和分析数据。
11、中国方面：BAT着力构建神经网络
目前，国内对于AI的支持力度也比较大，在学术方面也有很是很大的研究热点。学术机构，以及百度、阿里、腾讯等公司也在语音识别、图像识别、神经网络、自然语言处理等方面都有重要的突破。艾瑞咨询认为，国内AI市场将从2015年的12亿元增至2020年的91亿元。
2.1.5 大量创业创业企业涌现，行业不断细分
人工智能发展条件的成熟同时催生了大量人工智能创业企业。Venture Scanner 将1139 家人工智能公司划分为13 个细分行业，包括深度学习/ 机器学习（通用）、深度学习/ 机器学习（应用）、自然语言处理（通用）、自然语言处理（语音识别）、计算机视觉/ 图像识别（通用）、计算机视觉/ 图像识别（应用）、手势控制、虚拟私人助手、智能机器人、推荐引擎和协助过滤算法、情境感知计算、语音翻译、视频内容自动识别13 个细分行业。其中机器学习（应用）分类以约300 家企业的数量遥遥领先，自然语言处理公司数量位列第二。
图10：全球人工智能创业企业

金准数据认为随着人工智能的持续发展，围绕人工智能的竞争将日趋激烈。纵观智能语音、智能图像、自然语言处理、智能驾驶等人工智能技术的广泛应用，人工智能已成为推动产业升级、创新发展的关键动力。未来将会有越来越多的企业融入到人工智能产业之中，推动新一轮的技术浪潮。人工智能在众多领域的应用潜力，也会给行业发展带来无限的想象力。
2.2国内市场现状
在全球人工智能浪潮下，我国人工智能产业正在积极健康发展。2016 年，我国人工智能产业 规模将进一步提升。产业规模增长的背后是百度、阿里巴巴、腾讯、科大讯飞等企业在人工智能领域的不懈努力，以及围绕人工智能积极创新的中小企业。此外，国家和地方政府通过战略指引、政策支持等方式积极推动我国人工智能产业做大做强。
2.2.1 国内人工智能市场规模逐年扩大
人工智能技术在我国移动互联网、智能家居、无人驾驶等领域的应用继续不断深入，人工智 能产业规模持续高速增长。2015 年，中国人工智能产业规模进一步扩大，达到69.33 亿元，同比增长42.65%。预计2016 年，中国人工智能产业规模将达到95.61 亿元。此后，在无人驾驶及机器人等应用的推动下，人工智能产业规模快速增长，预计2018 年将突破200 亿元， 并带动相关产业规模增长超过1000 亿元。
图11：2014-2020年我国人工智能产业规模

2.2.2 人工智能已经上升至国家战略，各项政策逐步出台
我国政府近几年持续关注人工智能发展，并针对人工智能制定多项国家战略。2015 年5 月， 国务院发布的《中国制造2025 》中明确提出“加快发展智能制造装备和产品”。2015 年7 月，《国务院关于积极推进“互联网+ ”行动的指导意见》中将人工智能作为重点布局的11 个领域之一。2016 年3 月，国务院《国民经济和社会发展第十三个五年规划纲要（草案）》指出将重点突破新兴领域人工智能技术等。2016 年5 月，发改委、科技部等4 部门联合印发《“互联网+ ”人工智能三年行动实施方案》。方案提出，到2018 年，打造人工智能基础资源与创新平台，人工智能产业体系、创新服务体系、标准化体系基本建立，基础核心技术有所突破，总体技术和产业发展与国际同步，应用及系统级技术局部领先。在重点领域培育若干全球领先的人工智能骨干企业，初步建成基础坚实、创新活跃、开放协作、绿色安全的人工智能产业生态，形成千亿级的人工智能市场应用规模。
表3：我国人工智能产业相关政策

2.2.3 国内涌现一大批龙头企业
从我国目前人工智能产业发展情况看，我国互联网巨头、创业公司在人工智能基础层、技术层与应用层的参与热情均较高，产业链各环节均已涌现出龙头公司。在基础层中，有百度、阿里为代表的互联网巨头也有数据堂为代表的专业化数据公司；技术层中，百度在机器学习、语音识别与视觉方面均有较深布局，此外如旷视科技、科大讯飞等也分别在其垂直领域有叫深厚的技术储备积累；应用层中，虚拟助手、智能客服、BI与语音识别和图像识别等软件与服务产品较为丰富，硬件产品中诸如服务机器人、教育机器人等产品也处于快速发展中。
从中国人工智能产业全景图看，我国人工智能产业目前发展现状与国外类似，在基础层与感知智能技术方面积累较为深厚，图像识别、语音识别等感知层技术与应用发展较为完善，而在诸如认知智能技术开发与应用方面尚未找到突破口。
图12：中国人工智能产业全景图

2.2.4 国内出现人工智能的三大中心
北京、上海、广东为中国人工智能专利数量分布的三大中心，与中国经济的分布区域特点相吻合。北上广浙苏五省市占总体的59.62%。
图13：中国人工智能申请专利数量分布图

2.2.5 国内人工智能细分方向的发展与国外发展不完全相同
人工智能专利在细分领域上的分布，大体上相似，机器人、神经网络、语音识别及图像识别占主体部分。
图14：全球与中国人工智能申请专利各细分领域百分比

人工智能细分领域的专利数量，中国与美国有四项相同。前五项占总体的80%以上。
图15：全球与中国人工智能专利细分领域百分比TOP5对比

机器人与计算机视觉呈现高度相似的趋势，这与两者间的高度相关性有关。诸如机器人、计算机视觉等应用层专利，增长幅度更快，也更易受外界影响。目前全球范围内已经进入平稳期。
图16：全球人工智能细分领域申请专利数量趋势

2011年之后，中国在这些领域有显著的增长。诸如机器人、计算机视觉等应用层专利，增长幅度更快，也更易受外界影响。相较于全球而言，中国相关专利还处于增长期。
图17：中国AI细分领域申请专利发展趋势

3.发展前景
1、AI农业规模达200亿美元
基于传感器和卫星等技术提供的有效的视听数据，机器学习有望帮助增加作物产量（即繁殖能力），减少肥料和灌溉成本，协作作物和牲畜疾病的早期检测，降低劳动力成本，帮助收获后进行分类物流，进入市场。
图18：人工智能/机器学习技术的各项创新对于农业产量的影响

2、金融服务规模达340-4302亿美元
机器学习和人工智能在金融服务行业有广泛的应用,随着数据集的丰富，AI可以用于投资决策、信贷风险概况等，利用更少的时间处理更为丰富全面的市场信息，提供专业可观，甚至更准确的分析。
图19：人工智能应用于金融服务

3、AI医疗每年能省540亿美元
机器学习在医疗方面的可用性非常广，能够提供实时监测，帮助发现高回报的技术和药物，帮助测试分析、优化治疗。预计随着机器学习的人工智能的技术逐渐成熟，将推动药物研发过程，每年减少260亿成本支出，同时还能驱动医疗信息高效化。
图20：人工智能在医疗方向的应用以及相关产品

4、零售业年均消费540亿美元省410亿美元
线上对线下已经被证实是对传统零售业的挑战，电子商务可以积累大量的客户信息，基于这些数据，AI零售可以帮助企业更好的为目标客户服务，更有效的传递产品信息。
图21：全球电子商务的发展趋势

5、AI能帮助能源工程节约1400亿美元
石油和天然气行业的探测和采炼有时处在极端条件，因此设备和工艺的可靠性很重要，影响着项目的经济效益。为了避免操作失误，这个行业往往采用了过渡冗杂的工程化设备和过多的人力。事实上，AI可以帮助设计更为可靠的设备和流程，降低资本支出和运营成本，预计未来时间，基于AI的能源工程在未来10年内可以帮助共节省1400亿美元的开支。
图22：现有能源结构的规模以及AI技术的应用潜力

4.投资建议
5.1 投资的主体类型
第一是直接投资优秀的人工智能创新企业。因为当风口来的时候，顶尖的公司可能可以赚1000倍，普通的公司也可以赚几十倍。目前想要进入人工智能领域的资本数目远远大于实际上正在创业的企业数目，而且在可以预见的未来将会有更多的企业、资本涌入这一风口。
第二个是找一个好的基金，这个基金很懂这个领域，机构参与者比起个人参与者有着更为丰富的信息资源以及风险管控机制。
第三个方式，投资人工智能的基础层。无论人工智能如何发展，各家公司的思路谁对谁错，技术都需要一个承载体。人工智能的基础层包含硬件存储与计算资源和数据资源等，GPU芯片、云计算平台、传感器、数据等均包含在此层中。
最后如果是想要在人工智能的风口中自己亲身参与，自己创业的话，就必须看到，由于人工的智能的基础层以及技术核心层的资本以及技术门槛过高，早已经成为巨头的游戏；作为初创企业，应该着眼于某一特定应用场景下的应用层。先试图在垂直领域抢夺自己的蛋糕生存下来，然后再考虑企业的多元化发展。
5.2 人工智能适合的领域以及筛选企业的标准
图23：人工智能合适的领域

人工智能的五个条件——海量的数据，清晰领域界限，顶尖的AI科学家，还有自动标注数据，以及超大的计算量。在移动互联网的时代，许多平民企业家以及普通人抓住互联网的大潮，完成了创业成功。可在人工智能的时代，创业的要求更加严格。以往将线下资源转移至线上的商业模式已经行不通了，因为没有巨大的机器，没有顶尖的科学家，也没有特别大的计算量。因此，也有一些人将人工智能时代称之为“科学家的创业时代”。
根据人工智能可以实现突破的应用领域，可以得出投资者筛选投资企业时需要考量的标准。第一，就是要寻找行业里面有特别大的大数据，然后是垄断性和闭环的。第一种大数据是互联网大数据，例如BAT、滴滴、今日头条等互联网公司，他们手中有数据，而且已经标注，只要有科学家就可以产生价值。第二种是传统行业内部的信息，比如说股票的数据，比如说制造业的数据。这些数据非常的丰富，而且是非常的狭窄领域，不用跨领域的理解，而且可以快速产生商业价值，在原有行业内部产生应用价值。例如IBM推出的Watson专家系统，就能够自我学习病历并完成新的案例诊断。
第二是公司需要有足够大的运算能力。由于人工智能公司需要对大数据进行处理与学习，对于后台计算能力的要求十分严格，无论是CPU+GPU，还是云计算能力。
第三是技术过硬的技术团队。
第四，在商业逻辑上需要注意以下几点：第一是做助手，而非取代人。现有技术不足以实现完全的人工智能，但可以实现专门领域的人工智能。第二是界面要用好，给很多结果，而不只是一个结果。第三草船借箭，要用户提供数据，如果你的数据不够。第四局限你的领域，不要做一个特别伟大的超级的技术。初创企业最好瞄准特定应用场景而不要一开始就想着成为整个人工智能领域的执牛耳者。
5.3 独立思考，控制风险
目前，无疑人工智能处于风口之上，各方资本与技术都希望能能成为能够飞上天的猪。但必须看到，人工智能的发展历史，就是一部人性的反应史。技术上一旦有所突破，资本就会疯狂的涌入可一旦技术突破停滞，潮水退去，才会发现沙滩上一群人在裸泳。直到下一轮技术突破被新的商业模式所消化。人工智能领域的投资切忌炫酷的demo，相反需要切实考察企业的商业应用能力，哪怕是看上去很小的商业盈利，也比单纯的概念炒作来得踏实。