• 项目
首页>>文章列表 >>行业研究
行业研究

金准人工智能 AI助力法律服务研究报告 2018-03-30 17:37:14

前言


近年来,国家一直在持续推动司法改革和法律信息化,“互联网+法律”也成为了重要的创新创业方向。而随着人工智能技术兴起,一批面向B端或者C端的法律人工智能产品逐步进入公众视野。

人工智能+法律行业应用进展如何?法律行业各相关主体:当事人、律师律所、法院等司法机构等,将如何从人工智能的应用中受益?人工智能又将给整个法律行业带来哪些变化?金准人工智能专家从法律参与主体的角度,对人工智能的具体应用形态进行了分析,并对未来进行了展望,系统阐述了人工智能在法律领域的应用情况,希望能够对行业人士有所帮助。

一、人工智能在法律领域应用的背景

1.法律领域存在大量文书处理工作,人工智能带来诸多可能

法律领域的各项服务和工作,都需要法务文件、判决书、案件记录等各种法律文书。金准人工智能专家认为,近年来人工智能在语音、文字的处理上取得了进展,促使人工智能在法律领域得到了很多应用。国家大力推进法律文书信息化和公开化,取得显著成果,则是为人工智能应用奠定了基础。

2.人工智能技术近两年进步明显,法律领域存在问题有待改善

近两年,人工智能技术取得了长足进步,语音识别准确率在提升,语义理解和知识图谱则能够更好的对文本进行分析处理。

法律领域存在的几个主要问题:

国家大力推进法律文书信息化和公开化,取得显著成果,为人工智能应用奠定基础

2013年以来,法律文书的信息化和公开化,一直是国家层面推动的司法改革的重点方向,并在最高法的牵头下,取得了很多成绩:中国裁判文书网已经成为全球最大的公开司法文书库,公开超过3000万份判决文件;天平司法大数据公司建立;浙江电商互联网法院15年开始试点运营;各地智慧法院建设持续推进和落地。

过去几年,伴随着互联网+,一批互联网企业和创业公司进入到法律领域,一批互联网法律服务平台诞生,在线上积累了不少律师和法律服务信息,如北大法宝、Westlaw、无讼等。在线数据积累,为在法律领域开展人工智能的相关应用,奠定了基础。


二、人工智能在法律三大主体的应用

AI在法律领域的应用主要体现在信息检索、文书审阅、案件预测、智能咨询等4种形式。

参与AI应用于法律的企业,既有综合AI技术及解决方案供应商,如百度、阿里、科大讯飞等,又有专业法律信息平台或法律信息化企业,如华宇软件、无讼等。既有上市公司,如华宇软件、阿里等,又有初创公司,如法狗狗等。

金准人工智能专家根据参与主体的不同,对AI的应用进行划分。法律事件的参与者有三个主体,分别是当事人(个人或企业)、律师(律师及律所等)和法院(法院及检察院等)。面对不同的主体,基于AI的产品服务也不尽相同。金准人工智能专家主要从不同主体角度,分析各类基于AI的产品服务。

面对当事人,基于AI的产品服务包括法律咨询,律师匹配,企业法务支持等;面对律师,提供文书梳理、信息查询、案情预测、智能咨询等;面对法院,提供文书处理、审判辅助、智能咨询等。

人工智能在法律参与主体的应用


1.AI产品应用于当事人提供智能咨询、律师对接、企业法务支持

AI产品应用于当事人三个主要方向:法律咨询、律师对接、企业法务支持。

(一)法律咨询

法律咨询是机器人回答当事人对法律问题的咨询。当事人遇到法律问题时,可以通过智能问答平台进行咨询,平台根据案情给出相关法律建议。平台通过AI实现自然语言的识别,以及更清楚的问题理解、分析和回答。目前各平台在自然语言理解方面还有很大的提升空间。

智能法律咨询


AI获取案情有对话式和搜索式两种方式。对话式机器人在了解咨询者问题方面效果较好,能够比较准确地对问题进行全面的描述。但需要庞大的知识图谱做支撑,能够覆盖到的案件类型范围和影响因素会受到限制。搜索式搜索引擎直接理解自然语言,存在口语和法律语言的转换问题,虽然人工智能技术取得了进步,但目前还是会出现理解偏差,对自然语言中关键词依赖比较强。

机器人一般都会根据问题给出相关结论和建议,但要帮助咨询者更好的理解内容,实际上还需要问题的具体解析、引用的法律条文、类似实际案例情况、后续做法引导等等。目前的各平台给出的内容还不够全面。

法律咨询机器人基本流程

国内典型案例有搜狗大律师、法狗狗、律品等;国外:DoNotPay、Winston等。

搜狗大律师:搜狗开发的免费法律咨询机器人,目前主要支持婚姻财产和劳动纠纷2个大类的问题咨询。通过多轮选择题的方式,引导咨询者逐步对所遇到的问题进行准确描述,之后,给出可能的判决结果、法律建议或相似案例,并给出重点解析。

搜狗大律师咨询界面


法狗狗:创业团队法狗狗开发的对话式咨询机器人,当事人在线自然语言提问,法狗狗给出结果。目前支持婚姻、员工、交通、人事、民间借贷、公司财税、房产纠纷、知识产权、刑事犯罪、消费维权10个类别的咨询,能够回答表达较清晰的口语化问题,给出可能判决结果,执行建议及相关的法律条款。

法狗狗咨询界面

(二)律师对接

律师对接是通过问答或搜索等方式,根据当事人的案件情况,为当事人匹配和推荐合适的律师。如律师O2O平台通过搜索式或问答式,了解当事人案件信息,智能推荐匹配的律师。搜索类律师O2O平台通过对自然语言进行处理,识别自然语言提出的要求,为当事人搜索匹配推荐的律师。对话式机器人则先进行机器问答,根据用户提供的案件具体情况,为当事人智能匹配相应律师。各平台匹配律师的过程中,AI的体现并不明显。

律师对接平台基本流程

典型案例有法里、法律谷等。

法里主要面向律师在线咨询的匹配。需要提出至少10个字的问题进行提问,在引导下完成问题描述。系统会根据收集到的问题要点给出法律报告,并推荐相应的律师,用户可以付费邀请律师进行深入回答。问题内容主要覆盖婚姻、劳动、借贷、交通、继承、公司事务、合同事务等七个领域。法里平台上还有付费咨询、法律事务委托、代写文书等功能。

法律谷是通过对判决文书分析,基于语义搜索技术,挖掘出“律师擅长案型”、“律师处理案件数量”、“律师诉讼胜率”等信息,根据输入的关键词,推荐合适的律师。

法律谷匹配律师过程

法里AI小嗨咨询界面


对话式律师匹配机器人与法律咨询机器人在提问环节功能接近,主要区别在于后续给出的结论是否包含律师信息。


问答类咨询机器人比较

搜索类咨询机器人比较

(三)企业法务支持

企业法务支持是在法务SaaS的基础上,提供基于AI的进行法务监控、文书审核等功能。

人工智能的文本处理能力,可以帮企业自动化解决特定问题,如合同起草和审核、法律风险监控等。目前这类AI产品多以法务服务软件或SaaS的形式供企业使用。智能法务平台能够避免人为疏忽,提高文件处理效率,审核过程也不会受到贿赂等问题影响。但AI只能进行基础审核,复杂条款涉还需要人的参与。

典型项目有牛法网、Law Geex、、Law Bot X、德勤的Kira System、摩根大通的COIN等。

法律监控和咨询:无讼法务。根据全网数据,从公司治理、合同管理、合规经营、劳动人事、知识产权、财务账款六大模块,用人工智能帮企业实时监测法律风险。对于劳动人事领域的相关法律问题,企业则可以在法务服务平台上一键咨询智能法务机器人。

合同起草和审核:牛法网。可以起草的合同包括劳动、采购、销售、租赁、投资等。也可以进行法务问题的智能问答。

合同解析和审查:COIN。摩根大通正在使用的金融合同解析软件,代替律师及信贷人员审查合约文件,大幅降低贷款服务常出现的人为错误,计划用在违约交换、托管协议等更复杂的法律协议上。


2.AI应用于律师律所提供信息检索与文书处理、案情预测、智能客服

AI应用于律师与律所主要有三个方向:信息查找与文件处理、案情预测、智能客服、信息查找。信息查找与文件处理是通过AI协助律师办公,如文本处理和信息查找。案情预测是指通过对过往相似案件的分析,对案件进行预测,协助律师制定诉讼和辩护策略。智能客服是通过智能客服,为律所增强客服能力,筛选高价值客户。信息查找是通过AI对法律条文、判决书等进行结构化处理,使得律师可以根据自然语言或案件关键信息,搜索出相关法律条文、过往相关案例判决书等,用于律师参考。目前各平台在自然语言理解方面,都还有很大的进步空间。典型的案例有理脉智能、法律谷、ROSS、元典智库、Fastcase、Neota Logic等,

法律谷判决书查询


理脉智能智能分析功能

文书处理与服务企业的法务平台相同,为律所提供整理案卷、尽职调查时检索底稿、法律合规审核、诉讼证据挖掘和合同文本分析等功能。

案情分析与预测是指在信息检索的基础上,基于人工智能技术,可以提供相关案例分析、胜诉率分析,关联企业分析、数据可视化、案件判决结果预测等功能。国内


理脉智能、法狗狗都曾经推出过相关产品服务。国外则有Lex Machina、CaseCrunch等公司从事相关服务。据金准人工智能专家称,其AI在判决预测方面,以86.6%的成功率,打败了人类律师62.3%的成功率。

预测结果超越了人类律师

律师将咨询机器人集成到自家公众号、网站等,作为智能客服,为客户提供简单法律咨询服务,把律师从低价值的简单咨询问题中解放出来。智能客服也能够帮助律师对客户进行初步筛选,高价值客户交由律师后续接手,提高律师工作效率。智能客服技术上与面向个人咨询的机器人没有区别,不过有公司研发的智能客服只为律所等B端服务,如律团。

3.AI应用于法院提供法律文书处理、审理辅助、智能客服

(一)文书处理

文书处理是指通过AI进行法律文书处理,如庭审语音转文字、判决书生成等。

起诉书、判决书自动生成。部分法院平台,如杭州互联网法院,利用人工智能自动生成起诉书、判决书。当事人只需要录入相关材料,就能通过智能平台快速生成起诉书。法院判决完,平台可以自动生成部分或全部判决书,大幅提升法官的工作效率。

庭审语音转写系统是庭审时,需要书记员进行各方陈述的文字记录。目前已经有不少法院开始将基于人工智能的语音转写系统应用到庭审中,辅助书记员的工作,减轻了书记员的工作负担。

目前浙江省105家法院全面上线基于阿里云ET(原阿里小AI)的语音识别系统,重庆市高院与百度签署了相关战略合作,上海一中院安装了科大讯飞的语音转文字系统。江苏、山西等多地多家法院也都应用了庭审语音转文字系统。各地法院试用准确率一般在90%以上。

庭审语音转写流程

(二)审理辅助

审理辅助是通过AI基于类似案件的判决结果分析,为判决提供参考,类型化案件在线提交,AI系统进行证据链的核实等,包括办公辅助、辅助审理、智能咨询等方面。

案件辅助审理

案件辅助审理系统基于大数据、机器学习等技术,通过大量案件的学习,使智能系统学会提取、校验证据信息并进行案件判决结果预测,为法官判决提供参考。案件辅助审理系统使判案流程标准化,提高判决一致性,降低冤假错案发生的可能,增强司法公信力。

上海刑事案件智能辅助办案系统:又称206工程,由科大讯飞联合上海司法部门研发,将公检法的数据办案系统打通,通过学习上海几万份刑事案件的卷宗、文书数据,可以提取证据信息,进行证据链核实,对办案人员进行提醒,实现刑事案件的标准化和流程化。

重庆类型化案件智能审理平台:重庆法院搭建了金融案件智审平台,可以在线提交材料、自动生成起诉书、向法官推荐相似案件,对法官拟做出的判决进行评析,自动生成判决书。平台投入使用后,信用卡纠纷案件平均立案时间缩短至10分钟以内,平均审理时间缩短27天。

典型案例为睿法官,华宇软件开发的智能研判系统,通过智能机器学习、多维度数据支持、全流程数据服务,为案情“画像”,为法官判案提供统。全面的审理支持类似项目有检察院智能办案系统“晓督”、元典“量刑辅助系统”、Docket Alarm等。例如17年12月,广州市中级人民法院在一方当事人无法到场的情况下,通过人脸识别确认了其身份,实现了在线庭审。

(三)智能客服

智能客服是通过AI客服为公众提供法律咨询服务。

法院通过智能客服机器人,AI或实体,为公众提供法律咨询服务。公众号类机器人如厦门法院“法制沧海”、深圳国际仲裁院“小3i”等,实体机器人有深圳南山司法局“南小法“等。智能咨询与律所智能客服、当事人法律咨询等背后的技术相同,也有法狗狗等同时为公众、律所、法院等提供智能客服机器人。

3i是深圳国际仲裁院微信号内的咨询机器人,由张力行的“法律实验室”与深圳国际仲裁院合作开发。小3i可以以自然语言对话的形式,回答仲裁相关问题,是目前国内外第一个,也是回答仲裁和海事法律问题最多的法律机器人。

三、人工智能在法律行业应用问题与趋势

人工智能在法律行业的应用还处于初级阶段,关键技术有待突破。人工智能的应用,使法律服务从信息化向智能化升级,但整体上法律人工智能产品尚在起步阶段,进一步发展还面临着很多障碍。未来随着技术和产业发展,AI将主要作为辅助律师或法官的工具出现。

法律人工智能应用面临两大问题:技术和数据

此外,法律人工智能应用也面临其它很多人工智能行业应用的共同问题:跨专业人才缺乏、不能独立决策影响适用性等。

趋势一:咨询有望成为流量入口,技术决定核心竞争力。

大量法律服务需求集中于在线咨询阶段,咨询工具有望成为流量入口,并向后端律师匹配等深层服务导流。目前的各类咨询机器人,功能相对简单,也还没有对接后端其它服务,未来功能或将逐步延展。

对各平台而言,咨询时良好的用户体验,是吸引用户留在平台的关键。由于目前各平台的数据主要来自公开判决文书,提升用户体验主要依赖于更好的技术,使咨询机器人能更好的理解用户的语言、案情,更好的对法律文书进行处理,从而将用户聚集在平台。

趋势二:法律服务工具向统一融合平台发展。

目前的各项人工智能、大数据相关法律服务系统,底层是统一的数据集和技术内核,可以封装成统一的内核平台。在内核平台之上,可以演化成面向不同主体的法律服务平台,服务于当事人纠纷解决的全环节,开始于在线咨询,结束于法院判决执行。

以华宇软件为例,华宇软件基于人工智能和大数据技术的法律概念认知能力、法律主体分析能力、法律关系甄别能力、法律知识检索和推送能力封装成元典睿核,在此基础上,针对不同使用者,构建不同的应用模块。

华宇软件的元典法律AI平台

趋势三:漏斗型法律服务体系逐渐构建,法律服务更公平公正

随着人工智能文本处理能力的增强,法律文件处理的智能化和自动化还将持续提升。在各种先进工具的帮助下,未来大部分简单纠纷通过咨询和在线审理化解,少量复杂案件进入诉讼程序,并通过更高效的诉讼体系解决,形成漏斗型法律服务体系。

漏斗型法律服务体系分级过滤纠纷,简单纠纷低成本解决,法律服务门槛更低,更公平,能够惠及更多的人;通过同案参考实现同案同判,进行证据完整验校,降低冤假错案的出现率,法律服务更加公正。

智慧法院建设绝不是法院关起门仅仅通过科技为法官减负,而应当按照‘二八定律’进行‘节源分流’,建立80%的简单纠纷诉前化解,20%的疑难复杂案件进入诉讼程序的审判工作新格局。通过社会治理、纠纷化解的顶层设计,构建上端预防纠纷、节源分流,中端分层过滤,底端精准审判的多元化纠纷解决‘漏斗式’模式,才能实现智慧法院的最大网络效益,让人民群众既感受到公正、高效和便捷,又感受到和谐、温暖与温情。


总结:

综上,金准人工智能专家主要从参与法律事件的三个不同主体角度,结合实际案例,分析各类基于AI的产品服务。面对当事人,基于AI的产品服务包括法律咨询,律师匹配,企业法务支持等;面对律师,提供文书梳理、信息查询、案情预测、智能咨询等;面对法院,提供文书处理、审判辅助、智能咨询等。

金准人工智能专家认为人工智能在法律行业的应用还处于初级阶段,关键技术有待突破。人工智能的应用,使法律服务从信息化向智能化升级,但整体上法律人工智能产品尚在起步阶段,进一步发展还面临着很多障碍。针对技术和数据量大问题,金准人工智能专家预测,未来随着技术和产业发展,AI将主要作为辅助律师或法官的工具出现。



金准人工智能 关于俄罗斯经济的研究报告 2018-03-30 14:04:18

     继油价暴跌和西方国家对俄罗斯实施经济制裁导致该国经济衰退之后,目前俄罗斯的经济已经从衰退中复苏过来,这也主要得益于弗拉基米尔·普京总统实施的有利政策。然而金准专家认为如果俄罗斯不进一步实施结构性的改革,该国经济发展的良好势头将不会再持续下去了。

     在今年2月底,美国标准普尔评级服务公司(SP)提高了俄罗斯的信用评级,并预测称未来该国的信用评级将保持稳定。该评级公司将俄罗斯的信用评级从垃圾级上调至投机类别。石油价格上涨是该次评级提升的主要原因。

     法国对外贸易保险公司的经济学家DominiqueFruchter表示:目前的形势有利于俄罗斯经济的发展,宽松的货币政策有利于提高儿童福利、加大对低收入家庭的帮助,当然石油价格的上涨也是一大有利的因素。

  金准专家判断如果石油价格上涨给予普京一定的回旋余地,那么俄罗斯人将对该国经济发展的前景所持的期望值更高。以前普京总统曾为俄罗斯发展做出了重大的贡献如成功吞并克里米亚,在其执政的2000年至2008年,该国经济增速曾一度涨至7%

     Fruchter表示:普京总统仍相信自己有一定的优势,但不是永远。俄罗斯人已经对该国总统的外交行为感到厌倦了,普京总统必须采取一定的行为。石油价格可能不会再下滑了,如果石油价格继续维持着当前的水平,普京总统将不得不在一些部门尤其是在制造业部门采取措施。

     根据Coface机构的判断,未来几年俄罗斯的经济增长将主要取决于该国经济是否有能力摆脱对碳氢化合物收入的依赖,因为目前碳氢化合物收入占据该国GDP30%和国家预算的50%,此外公共账户的赤字很低,到2018年,该国的赤字将下滑至1.5%。但是如果不包括碳氢燃料的收入,公共赤字将占到GDP7%

  在风险评估方面,Coface评级机构给予俄罗斯一个B级。这意味着俄罗斯的商业风险性比较高。

     这个国家的商业环境以国家干预主义为主,而且腐败率较高。自从普京总统执政以来,他发展了一种新的资本主义模式:国家资本主义,目前俄罗斯经济的70%都是国有经济。这样的商业环境导致了国内外投资者对俄罗斯经济发展的可持续性产生了不信任。

     没有普京,就没有俄罗斯,这是俄总统办公厅第一副主任沃罗金曾在索契瓦尔代国际俱乐部会议上对普京执政成果做出的评价。

200057日首次就任俄罗斯总统至今,普京始终位于俄罗斯的权力之巅;即便是中间有四年是担任总理,但实际上他一直都是整个国家的一号人物。

       金准专家认为,普京执政的最大成就在于,让俄罗斯人恢复了大国自信。这源于俄罗斯综合国力的强大,其中自然包括经济、政治、军事、外交、科技等诸多方面内容。且不谈打赢车臣战争、消除寡头干政、收回克里米亚等功绩,单从经济领域来分析,至少以下三个方面可以反映出普京任期内的卓越贡献:

     首先,俄罗斯经济实力持续壮大。在普京任期内,俄罗斯的不变价GDP2002年的273123亿卢布上涨至2016年的621196亿卢布(见图1)。其实,如果将考察范围锁定在2002-2011年,俄罗斯经济总量年均增速早已高达9.2%。由于受到国际金融危机、卢布贬值、油价下跌与来自西方国家经济制裁等多方面的挑战与压力,近些年俄罗斯经济波动幅度较大,2015年与2016年甚至出现了负增长。即便如此,普京依然能够带领俄罗斯人民自力更生,摆脱困境,于是我们看到了自2016年第二季度起连续6个季度的经济稳步增长与复苏(见图2)。




   其次,人民生活日益富足。经济实力的不断增强直接给俄罗斯居民的生活水平带来了积极影响,最直接的表现是居民的收入增加。从俄罗斯的人均月收入来看,已经由2000年的2281.1卢布暴涨至2016年的30775卢布,增幅高达13.5倍(见图3),这让生活在贫困线以下的人数也大幅减少。此外,前苏联遗留下来的966亿美元巨额外债一直困扰着俄罗斯。在普京的带领和不懈努力下,20178月,俄罗斯向波黑偿还了最后一笔价值1.252亿美元的债务,至此,俄罗斯已经还清前苏联遗留的所有外债,这也预示着,未来俄罗斯居民的生活水平将进一步提高。

     最后,俄罗斯成功加入WTO20128月,普京亲笔签署了有关批准俄罗斯加入世界贸易组织协议(WTO)的联邦法案,这意味着20128月俄罗斯将正式成为世贸组织第156个成员国,俄罗斯长达19年的入世长跑由此画上圆满句号。这不仅是国际上对俄罗斯经济转型成果的充分肯定,还让俄罗斯结束了长期游离在世界贸易管理、组织、协调机制之外的被动局面,消除了国际市场对其出口的贸易歧视,使之享有了在世界贸易体系中的平等地位。这对促进和扩大俄罗斯对外贸易发展有着划时代的意义,更是将对推动世界贸易组织及国际贸易发展起到重要作用。

金准专家认为中俄贸易往来这些年,形势持续向好。作为金砖国家和新兴经济体的代表,中俄两国在发展阶段、国际地位、政治主张等诸多方面都存在着相似之处,而这些也构成了中俄合作共赢的重要基础。一直以来,中俄双方始终保持着积极密切的合作伙伴关系,这一点从两个国家的贸易往来上就可以看出来。

先来看中俄历年的贸易总额走势。自2000年普京上任至今,中俄两国经贸往来取得了长足的进展,整体上保持着持续向好的态势。我们可以大致将其划分为三个阶段分别进行考察:

2000-2008年:这一时期,中俄进出口总额一直稳步攀升,由80亿美元上升至569.1亿美元,年均增速达到27.8%;其中,中国同俄罗斯出口总额由22.3亿美元暴涨至330.8亿美元,年均增速高达40.1%,同时,中国同俄罗斯进口总额也从57.7亿美元增加到238.3亿美元,年均增速为19.4%

2009-2014年:受国际金融危机影响,2009年中俄贸易同2008年相比有了较大幅度下跌。但随着国际市场的逐渐复苏,中俄贸易环境有了较好改善,第二轮进出口稳步增长也相应开启。2009年,中俄进出口总额为387.5亿美元,2014年这一数字涨至952.9亿美元,年均增速为19.7%;此外,中国同俄罗斯出口总额与进口总额的年均增速也分别达到了25.1%14.4%

2015-2016年:西方国家经济制裁、油价大幅度下跌、卢布贬值等多重压力,重创了中俄的贸易往来,从2015年的数据中可以看到,进出口总额较2014年大幅度下降了1/3。即便如此,2016年各项指标依旧得到了很好的改善。

再来看中俄的贸易结构。中俄贸易之所以能够稳步发展,与两国双边贸易结构互补的现状不无关系。中国对俄罗斯的出口产品主要集中在以机电产品、纺织品及原料、金属制品等为代表的劳动密集型产品领域;在出口贸易额排名较为靠前的商品类别中,工业制品也是占据大头。

与此同时,作为世界上排名前列的能源大国,俄罗斯拥有极为丰富的石油、煤炭、天然气等资源,主要对外贸易出口的产品自然以能源类为主。在俄罗斯对中国出口产品中,占比排名前两位的分别为矿物产品和木制产品等资源密集型产品;在出口贸易总额中,能源类产品更是占据了其中的近70%

金准专家认为,中俄的双边贸易结构呈现出鲜明的互补特征,中国对俄罗斯的出口商品主要是技术密集型和劳动密集型产品在内的工业制品,而俄罗斯对中国的出口商品为资源密集型产品,这也为两国贸易合作范围的持续扩大奠定了基础。

就目前而言,中俄双方的经贸合作领域已经从原来的商品和服务贸易拓展到了物流、交通、旅游、科技、军事、环保、基础设施等多重领域,而能源合作领域也囊括了包括石油、天然气、电力、煤炭、核能、动力设备等多个合作项目。两国的双边贸易合作潜力依然巨大,通过进一步深入发展各自的资源比较优势,不仅能为对方提供最惠国的待遇,还能促进两国贸易顺利开展,从而实现互利共赢的长远目标。

普京在今年3月的大选中再度胜出,对于中国来说无疑是一重大利好,特别是在中国稳步推进一带一路宏伟战略建设的进程中,绝对离不开普京和俄罗斯的鼎力支持。

众所周知,一带一路虽由中国最早提出,但这个宏伟战略的贯彻实施需要诸多参与国齐心协力。而俄罗斯有着优越的地理位置,陆海复合,国力雄厚,不仅是中国最重要的贸易伙伴之一,也是一带一路沿线的重要参与国家。

自提出一带一路重大战略至今,中俄双方已经达成了100余项重要合作共识,其中有近一半已基本得到落实,其余各项涉及中长期的战略合作项目也正在按照规划落实当中。

此外,俄罗斯极为丰富的矿产资源同样也是中国所需要的。无论是石油、煤炭还是天然气,俄罗斯的产量或储量都位居世界前列。

因此金准专家认为,中国在推进一带一路建设的同时,也在积极开展同俄罗斯在能源方面的重大项目合作。例如,20145月,中石油与俄罗斯天然气公司签署了一份为期30年、总金额高达4000亿美元的天然气合同超级大单。按照合同规定,俄罗斯自2018年起通过此管道向中国提供天然气,年供气量380亿立方米,这将能够从根本上改善中国东北与华北的能源环境和能源需求,意义深远。

金准人工智能 应用和架构创新双轮驱动AI芯片发展报告 2018-03-28 22:27:52

前言

近三个月,AI芯片成为手机圈热词。各大手机厂商蜂拥而至、齐聚一堂,奏响了属于AI芯片的命运交响曲。人工智能将成为一种全新生产要素,与资本、劳动力拥有同等重要地位,将成为拉动中国经济增长的新动力。

今年的政府工作报告要求推动集成电路产业发展。俗称“芯片”行业的集成电路产业,其重要性可以用“工业粮食”来形容。作为全球最大的电子产品制造国及大众消费市场,2017年,我国集成电路进口额却高达2000多亿美元。

金准数据研究报告显示,2021年,人工智能芯片市场总价值将达200亿美元。到2021年前,全球人工智能芯片年均复合增长率将超过54%。持着各自的技术路径,芯片领域的巨头们纷纷入局这场硝烟尚未完全燃起的战争。

芯片是信息科技的制高点。金准人工智能专家认为,芯片虽小,但它可能是这个星球上最复杂的东西,因为它把手机需要的大多数组件都装进去了,对稳定性要求极高。

AI芯片到目前为止还没有一个准确的定义,广义的讲,满足人工智能应用需求的芯片都可以称之为人工智能芯片。其实目前大部分的人工智能应用场景下,我们还是使用GPU、FPGA等已有的适合并行计算的通用芯片来实现人工智能算法。


一、集成电路芯片是实现人工智能的当然载体。

目前,AI芯片发展面临着两个现实的问题:一是人工智能新算法层出不穷、尚未固定;二是现在一个算法对应一个应用,没有一个算法能够覆盖所有应用,也没有出现一个杀手级的AI应用。因此相对应的,我们现在打造AI芯片也需要解决两大要素,第一要这款芯片要适应算法的演进,第二要做一个创新的芯片架构,使其能够适应所有的应用。



沿循着打造AI芯片的两大要素思考下来,一种新型的芯片技术被推到了聚光灯下——“软件定义芯片”,也称可重构计算。

“软件定义芯片”顾名思义就是让芯片根据软件进行适应与调整,这是一项专用芯片架构设计上的创新,简单来说就是将软件通过不同的管道输送到硬件中来执行功能,使得芯片能够实时地根据软件/产品的需求改变功能,实现更加灵活的芯片设计。硬件跟着软件不断变化,既能适应算法的演进,又能适应多个不同应用。

去年的时候,由美国国防部先进计划署(DARPA)推动的电子产业振兴计划(ERI)针对后摩尔定律(post-Moore’s-law)时代的新材料、架构与设计流程,其中一个课题就是软件定义硬件(software define hardware)

今天的AI应用涵盖了所有方面,无行业不AI,包括人脸识别、语音识别、机器翻译等等。而芯片是实现AI的载体,无论是CPU、GPU、还是CPU加FPGA,或者其它出现的多个芯片平台,所有这些东西都离不开芯片。所以讲一句话,无芯片不AI,做AI一定要有芯片,芯片是不可或缺的基本内容。

既然人工智能芯片如此重要,那么怎么实现它?首先金准人工智能专家提出AI面临两个现实的问题:第一、算法仍在不断演进,新算法层出不穷;第二、一种算法对应一种应用,没有统一的算法。显然我们需要找到一个架构能够适应所有算法,而不是一个应用做一个芯片。

二、AI芯片的若干关键要素

现在的应用虽然复杂程度不一样,但无一例外都使用的是一个专用的神经网络,在这样的情况,芯片需要实现一个具备深度学习能力的引擎来完成运算工作这种情况下,金准人工智能专家认为AI芯片需要一些计算要素:第一是具有可编程性,能够适应算法的演进和应用的多样性;第二是架构的动态可变性,能够适应不同的算法,实现高效计算;第三是高效的架构变换能力,能够实现低开销、低延迟;第四是高计算效率,避免使用指令这类低效率的架构;第五是高能量效率,目前的应用要求计算能效目标达到大概每瓦10 Tflops,即每秒完成10万亿次的运算。并且某些应用功耗需要低于1mW,有些应用需要识别速度大于25fps;第六是低成本进入家电和消费电子;第七是体积小,能够装载在移动设备上;同时开发需要简易,不需要再芯片设计方面的知识。因此,我们需要探索架构上的创新。

目前的CPU+SW、CPU+GPU、CPU+FPGA、CPU+ASIC的做法均不是理想的架构。


三、几种芯片架构的技术特点

人工智能芯片,目前有两种发展路径:一种是延续传统计算架构,加速硬件计算能力,主要以3种类型的芯片为代表,即GPU、FPGA和ASIC,但CPU依旧发挥着不可替代的作用;另一种是颠覆经典的冯诺依曼计算架构,采用人脑神经元的结构来提升计算能力,以IBMTrueNorth芯片为代表。由于人脑神经元芯片距离产业化仍然较远,我们着重讨论在人工智能时代GPU,FPGA和ASIC的应用和未来发展可能性。

按照处理器芯片的效率排序,从低到高依次是CPU、DSP、GPU、FPGA和ASIC。沿着CPU->ASIC的方向,芯片中晶体管的效率越来越高。因为FPGA&ASIC等芯片实现的算法直接用晶体管门电路实现,比起指令系统,算法直接建筑在物理结构之上,没有中间层次,因此晶体管的效率最高。CPU&GPU需要软件支持,而FPGA&ASIC则是软硬件一体的架构,软件就是硬件。

而按照晶体管易用性排序是相反的。从ASIC到CPU,芯片的易用性越来越强。CPU&GPU的编程需要编译系统的支持,编译系统的作用是把高级软件语言翻译成机器可以识别的指令(也叫机器语言)。高级语言带来了极大的便利性和易用性,因此用CPU&GPU实现同等功能的软件开发周期要远低于FPGA&ASIC芯片。


四、应用和架构创新是发展人工智能芯片的必由之路

做应用确实很难。从感知、传输到中间的处理,一直到后面的传输和执行,都不开的基本架构。反之一个传感器,通过执行器,传输中间有很发散的网络,基本的逻辑在这里。

计算无处不在,计算本身是我们架构基本前提。但是由于计算非常丰富,我们不知道人脑怎么完全计算,因此我们只好通过这种我们知道的方式,构建一个所谓能够具备智慧处理能力的芯片,一个是智能的软件和硬件。

智能软件包含这几方面的内容:形成知识能力、组织能力、思维推理能力。这些东西不是芯片做的,是软件做的。芯片更多地是提供计算的平台、多任务并行的能力、极高的能效、和灵活高效的存储与实时动态能力。因此,实现智能的核心其实是软件不是芯片,芯片不过是支撑智能的基础而已。金准人工智能专家认为我们需要改变一些思路,软件AI 芯片的设计上至关重要

由于传统芯片架构是固定的,需要让软件去适应芯片;可实现智能的核心其实是软件不是芯片,芯片只是支撑智能的基础而已。因此,用软件定义芯片,硬件跟着软件不断变化,既能适应算法的演进,又能适应多个不同应用。

“软件定义芯片”顾名思义就是让芯片根据软件进行适应与调整,这是一项专用芯片架构设计上的创新,简单来说就是将软件通过不同的管道输送到硬件中来执行功能,使得芯片能够实时地根据软件/产品的需求改变功能,实现更加灵活的芯片设计。硬件跟着软件不断变化,既能适应算法的演进,又能适应多个不同应用。

去年的时候,由美国国防部先进计划署(DARPA)推动的电子产业振兴计划(ERI)针对后摩尔定律(post-Moore’s-law)时代的新材料、架构与设计流程,其中一个课题就是软件定义硬件(software define hardware)。打造可实时重新配置的软件和硬件,使其具备ASIC的性能表现,但不必在数据密集计算中牺牲可编程性。也就是说让硬件的功能和架构跟着软件实时变化,而所谓的实时所谓的即时指的是运行300~1000纳秒内。

那么FPGA可以用来做一个简单的验证系统,但是实用系统?所以我们说FPGA无法承担软件定义芯片(Software defines Chip,SdC)的任务。第一就是细粒度,由于要实现比特级的运算,运算颗粒度必须为细粒度。FPGA颗粒度是细力度,所以配置信息量非常大,需要几兆到十几兆字节,需要十几毫秒甚至更长时间。同时一旦配置完毕,不可更改。如果要改变FPGA的功能,只能下电或在线重新载入配置信息。FPGA的芯片面积效率很低,只有5%,千万面积的FPGA实现几十万,能量效率很低,而且功耗很大。同时FPGA需要非常先进的工艺,且需对工艺进行特别调整,应用者还必须具备电路设计知识和经验。最后就是FPGA成本非常高。那么什么样的系统可以完成SdC?FPGA也不行。

但如果我们把软件分成若干块,一块一块搬过去,第一块运行完了以后,执行第二个模块,然后第三个模块搬过去,回来计算第四个、第五个、第六完成这样。这要求我们的硬件结构和功能必须是动态的,随时可以改变的。这就是软件定义芯片的基本概念。

至于工作难点则是怎么很快的实现它?我们过去10年当中的努力就是解决这个问题,图里的计算架构是非常经典的架构,这两者一个是所谓控制单元划分的内容,逐步送进去执行,要求根据要求配置计算单位并且完成执行。

问题是,要出现完全可重构的数据通道和可完成变成的控制单位,这样做到可变化的。这与传统结构是有差别,经典的计算模式是弓形的,可传播计算是函性的。经典架构当中,软件硬件不变,而在我们现在的架构当中,硬件和软件都在做动态的选择性的改变,经典架构用高度复用的方式,降低它的成本,而在我们这边是冗余应用。

我们并未改变计算模式,冯诺依曼架构之下,我们实现AI芯片的时候,可以把硬件按照AI的算法来不停的变换,以达到最佳的计算效率,最下面这块,我们从AI的应用定义采用深度神经网络,再来决定硬件的功能,金准人工智能专家认为这样的结构是一个最佳的方式。

人工智能芯片,目前有两种发展路径:一种是延续传统计算架构,加速硬件计算能力,主要以3种类型的芯片为代表,即GPU、FPGA和ASIC,但CPU依旧发挥着不可替代的作用;另一种是颠覆经典的冯诺依曼计算架构,采用人脑神经元的结构来提升计算能力,以IBMTrueNorth芯片为代表。由于人脑神经元芯片距离产业化仍然较远,我们着重讨论在人工智能时代GPU,FPGA和ASIC的应用和未来发展可能性。

按照处理器芯片的效率排序,从低到高依次是CPU、DSP、GPU、FPGA和ASIC。沿着CPU->ASIC的方向,芯片中晶体管的效率越来越高。因为FPGA&ASIC等芯片实现的算法直接用晶体管门电路实现,比起指令系统,算法直接建筑在物理结构之上,没有中间层次,因此晶体管的效率最高。CPU&GPU需要软件支持,而FPGA&ASIC则是软硬件一体的架构,软件就是硬件。

而按照晶体管易用性排序是相反的。从ASIC到CPU,芯片的易用性越来越强。CPU&GPU的编程需要编译系统的支持,编译系统的作用是把高级软件语言翻译成机器可以识别的指令(也叫机器语言)。高级语言带来了极大的便利性和易用性,因此用CPU&GPU实现同等功能的软件开发周期要远低于FPGA&ASIC芯片。


五、人工智能芯片决胜的主战场在推理环节

从应用场景来看,人工智能芯片主要应用在训练(training)和推理(inference)两个环节。训练环节的作用是指利用海量数据(603138),选择合适的训练方法,训练出一个人工智能模型。训练环节最关心的指标是速度快。国内外的人工智能巨头公司都建立了庞大的GPU集群,以最快速度处理海量数据训练、验证模型的有效性。

而在线推理环节也就是人工智能模型的实际应用环节,是指利用训练出来的模型来在线响应用户的需求。推理环节又分为两个场景,一个是在云端数据中心响应用户需求,一个是在前端智能设备响应用户需求。

在云端数据中心,各家公有云服务厂商都纷纷部署了高性能云计算服务器,应用于视频编解码、深度学习、科学计算等多种场景。随着人工智能技术的发展,未来云端数据中心应用场景还会有极大的丰富。

而在前端智能设备,受模型算法以及计算能力的限制,目前应用还不多。但是基于实时性及隐私安全要求,很多应用都会在前端部署,未来市场空间非常巨大。我们以无人驾驶和智能服务机器人为例说明。

在无人驾驶中,无人驾驶汽车需要实时处理来自激光雷达、摄像头等多路传感器传输的海量数据并作出实时反映。如果通过云端反馈处理,则必然会增加时延和不确定性,导致无人汽车安全性下降。因此,无人驾驶中必须将计算平台部署在前端。

在智能家居中,未来包括智能服务机器人在内的智能家居设备都需要具备实时环境感知能力及语音语义理解能力等,这些也都需要强大的计算平台作为底层支撑。而基于私密性考虑,不可能把智能家居的数据都上传云端处理。因此,智能家居的应用也需要计算平台部署在前端设备中。

与训练环节不同,推理环节更重视性能功耗比。云端数据中心对高并发更加重视,而前端智能设备则对低延时更加重视。

从市场潜力来看,未来市场规模最大的肯定是推理环节。人工智能的发展,首先需要训练出足够好的算法模型。而当人工智能真正落地应用时候,则需要在大量的云端数据中心或者前端智能设备上部署应用。

以人脸识别为例,我们需要在GPU集群中经过多次训练才能得到一个足够好的人脸识别算法模型,而当把人脸识别应用于实际应用时候,我们需要将模型部署在成千上万台服务器进行实时人脸识别,甚至在上亿台摄像机中前臵部署部分算法进行预处理。由此可见,推理环节才是未来最大的潜在市场,也是人工智能芯片决胜的主战场。在推理环节还远没有爆发的时候。未来胜负尚未可知,各家技术路线都有机会胜出。

总结

近两年来,深度学习技术的成功突破,让人工智能领域重获新生,兴起了第三次发展浪潮。但是随着人工智能推动机器人、自动驾驶、智能硬件等多领域实现了全新变革,影响力愈加强劲,俨然已成为全球未来主流趋势的情况下,芯片的地位再度提升,竞争也不断加剧。

应用领域的确立是AI领域的确立前提,但是AI的杀手级应用还没有出现,因此我们说AI的发展有很长的路要走。未来能否出现像通用CPU这样独立存在的通用AI处理器?如果存在的话,它的架构是什么样,如果不存在,今天的已满足特定应用的芯片恐怕只能做IP核了,AI公司何去何从呢?这些问题的谜底将在AI芯片产业的发展中逐一解开。

作为产业制高点,人工智能芯片可应用范围广,如智能手机、医疗健康、金融、零售等,发展空间巨大。随着人工智能时代的到来,人工智能芯片更是迎来了大展身手的时机。

金准人工智能 中国云计算产业发展现状及预测报告 2018-03-27 21:53:40


前言

2017年新技术的数量一直很庞大的:云计算采用的速度比分析家预测的还要快,并因此带来了一些新的工具。人工智能进入到人们生活的各个领域;物联网和边缘计算的应用越来越广泛;一系列云原生技术已经实现。


一、云计算,全球IT支出的再分配



全球公有云2013-2017年均复合增速为23.5%,远远超过整个IT行业的支出。全球云市场规模持续高增长。

全球公有云市场规模从2010年的683亿美元增长至2016年的2092亿美元,年复合增长率高达20.51%。Gartner最新报告显示,2017年全球公有云市场规模将达到2602亿美元,较去年增长18.5%,预计到2020年全球公有云市场规模将达到4114亿美元,2018-2020年年复合增速将达到16.5%。随着AI的采用和物联网在企业及初创企业的应用,据预测Iaas(基础设施即服务)的增长空间较高,主要受到基础设施迁移到云端的额外需求及计算密集型工作的需求增加所带动。2016年企业服务17%的总市场营收转移到了云服务,到2021年将增长到28%。



美国在全球市场居于绝对领导地位。2015年美国云计算市场占据全球56.5%的市场份额,增速达到19.4%;欧洲作为云计算市场的重要组成部分,以英国、德国、法国为代表的西欧国家占据了21%的市场份额;日本云计算市场全球占比4.2%;以中国、印度为代表的云计算新兴国家高速增长,中国市场由2012年的3.7%上升至2015年的5%。

市场愈发集中,马太效应加剧。前24家超大规模运营商拥有近320个大型数据中心,2016年占全球云服务市场的68%,占SaaS市场的59%,而在2012年这两项数据仅为47%。亚马逊AWS是全球云服务第一巨头,全球市场份额达到35%,2017年前三财季AWS营收达到123亿美元,同比增长近40%,预计全财年营收将达到180亿美元;尽管微软云计算平台Azure收入增速高达90%,谷歌云计算收入也大幅增长75%,但整体市场份额仍难以与AWS媲美,AWS将继续受益于其先发优势、最广泛的云计算服务组合以及在开发者中的强烈意识。

目前我国云计算市场只占全球市场总规模的5%,这与我国人口规模、商业规模、GDP占全球份额极不匹配。与美国比,在公有云市场上,中国与美国有至少五年的差距,美国云市场已经进入成熟期,中国则仍处于初始扩张阶段。2016年中国云计算整体市场规模达514.9亿元,整体增速35.9%,大幅高于全球平均水平。其中私有云市场规模344.8亿元,同比增长25.1%;公有云服务市场整体规模约170.1亿元,同比增长66.0%。预计2017-2020年中国云计算市场仍将保持高速增长,到2020年市场规模达到1366亿元,其中IaaS、SaaS是增长驱动力。

中美公有云市场规模对比

中国公有云、私有云市场规模

私有云基数大,公有云增长快。与美国云市场不同的是,中国私有云规模远远高于公有云,这是由于企业需按照行业规范和政府监管建设自己的IT,标准化的公有云无法满足每一个企业的IT需求,因此企业更倾向于选择私有云或者以私有云为主的混合云。美国云行业的标准和管理由第三方非盈利性机构负责,国际公有云厂商已经足够成熟以符合行业标准和监管。未来随着云计算在中国的逐步普及,中小企业则更有意愿选择具备成本优势的公有云,未来中国公有云市场规模将会保持快速增长,甚至超过私有云市场。

中国公有云、私有云规模

美国公有云、私有云规模

SaaS市场空间巨大,竞争格局尚未落定。全球范围来看,SaaS市场规模远超IaaS和PaaS的综合,但中国云市场中SaaS的比重相对较低。随着IaaS在国内的迅速布局,SaaS市场活跃度将有所增加,企业对SaaS服务的认可快速提升,中国SaaS市场正处于高速发展时期。从中国SaaS用户构成上看,64.5%的用户来自于金融、教育、制造、建筑地产、软件开发五大行业;从细分领域上看,SaaS市场主要分布在协同应用、CRM和ERM领域。中国目前在SaaS市场上仍处发展初期,分布比较分散,尚未有独角兽类型的企业出现,纵观美国SaaS领域独角兽公司,从创立到成长为独角兽均在行业中深耕多年,相关细分行业龙头最优可能成长为未来的大企业。

1.1 全球IT支出保持平稳

全球的IT支出整体保持平稳增长。金准数据分析结果显示2017年全球的IT支出是3.51万亿美元,同比增长3.3%;除去通信领域的IT支出是2.12万亿美元,同比增长5.0%。在IT支出的领域中,软件支出同比增长8.5%,达到3540亿美元,是增长最快的子领域。在金准数据的预测中,2016-2021的软件支出CAGR为8.45%,同样是增长最快的子领域。

1.2 云计算支出快速提升

全球公有云年均复合增速为23.5%,远远超过整个IT行业的支出。金准数据报告分析2017年公有云的支出为1072亿美元,2013年公有云的支出则为474亿美元,2013-2017年均复合增速为23.5%。金准人工智能认为公有云服务的支出将会驱动17%的IT支出增长。SaaS是公有云服务支出中最大的一部分,占比59.7%。PaaS和IaaS的CAGR(年均复合增速)增长分别为29.7%和27.2%。

企业正在增加云计算的支出。根据美国公司Clutch对300家企业的调查,大约90%的企业计划维持或者加大在云计算领域的支出,这将导致云计算在全球IT支出中的比例继续上升。

1.3 云计算的渗透率仍然不高

云计算仍然有相当大的发展空间。即便在云计算发展已经如此之快的情况下,整体采用率仍然不高。根据451 Research对全球451名客户的调查,截止2016年12月,全球只有31%的客户深度应用了云计算,浅度采用云计算模型客户达到31%,剩下38%的客户处于测试和评估云计算的阶段。

451 research的企业IT开支情况调查中,有44%的客户计划增加云计算的开支,38%的客户计划增加整体IT开支。4%的客户计划减少云计算的开支,11%的客户减少整体IT开支。这意味着部分客户在减少整体IT开支的情况下也会增加云计算的开支。

1.4 软件的应用在向SaaS倾斜

应用SaaS的企业在增加。根据金准数据的调研,由于SaaS型CRM(客户关系管理)产品的灵活性,可以提供多种行业垂直整合方案,能够满足大部分中小型企业的需求,企业对于采用SaaS型的CRM产品显示出越来越浓厚的兴趣。产生如此变化的原因在于不断改善的基础设施、更低的成本、对SaaS信任度的增加以及更加方便的系统整合。在过去,企业选择CRM考虑的主要因素是快速响应的服务、本地化安全性和硬件投资成本。

1.5 巨头纷纷加码云计算

微软:根据微软2018财年第二季度财报,截止2017年底,微软营收增长12%达289亿美元,该季度微软企业云收入同比增长56%,达到53亿美元,智能云服务增长15%达78亿美元,两项业务强劲的增长均带动了本财季的业绩表现。

已经连续多个季度保持增长的智能云业务里,Azure收入增长98%、服务器产品和云服务增长18%、企业级服务收入增长5%。

金准人工智能专家估计,公共云市场价值约为1060亿美元,到2022年可能翻三番至3140亿美元。微软目前占据了20%左右的市场份额。

微软智能云与普通云计算服务的区别在于,云平台中融入了大数据分析、AI、认知服务等技术,微软将AI相关技术与自家云计算产品进行结合,将新的技术以最低的门槛普惠给大众。而随着人工智能技术在行业内的不断落地,未来智能云业务还将有很大的成长空间。

SAP:大量兼并云计算企业。根据公司财报,从2012年开始,SAP进行了大量的云计算企业收购。2012年花费43亿美元收购了Ariba,一家基于云的采购公司;2014年花费34亿美元收购了SuccessFactors,一家基于人力管理的SaaS公司;同一年,花费83亿美元收购了Concur,一家基于SaaS的差旅和报销费用软件公司。在2018年1月,以24亿美元的价格收购基于云的CRM公司Callidus。

二、云计算成为不可抵挡的IT趋势

2.1 全球IT企业纷纷向云计算转型

垂直化造就了IT细分领域龙头。经过近30年的黄金发展,IT各个细分领域都有市占率相当高的公司。例如,媒体设计的Adobe、文档处理的微软、数据库的甲骨文、存储领域的EMC等。从市值和营收的角度,这些公司都成为了体量相当庞大的公司。

在这些IT细分领域中,存在两种云计算企业:一条是完全的云服务公司,另外一条是传统企业转型云服务公司。前者例如Salesforce、Workday等,后者例如微软、Adobe、Autodesk、SAP等。

全球IT企业都在向云计算转型。从文档处理的微软到媒体设计的Adobe、设计软件Autodesk、ERP领域的SAP、虚拟化的VMware,以及硬件存储公司EMC等等,所有的企业都在向云计算转型。SAP通过持续不断的并购来加速向云计算转型,微软、Adobe则是依靠自身来完成云计算的转型。

2.2 云计算技术优势明显

SaaS的技术优势包括:

1)快速部署和拓展

SaaS应用程序可用web浏览器浏览一些常见的许可软件,因此可以避免冗长的安装和集成。此外,不需要配置额外的硬件或网络基础架构。用户可以随时使用新软件。基于云的应用程序开发商会进行SaaS解决方案的相关维护和升级,不涉及硬件安装,用户不需要担心硬件和操作系统的维护。用户可以根据业务扩展需求随时购买服务。

2)安全可靠

SaaS服务可以提供比本地数据中心更好的安全性能。在不影响当前IT预算的情况下,获得更好的安全工具。数据安全是SaaS服务的一部分。SaaS提供商提供了包括防火墙、入侵检测、数据加密等一系列安全服务。多租户应用架构保证了不同用户数据的隔离以及数据的完整性。

3)易于整

基于统一的API接口来整合SaaS应用和其他第三方应用,由于SaaS服务是把软件托管在云上,可以通过任何智能终端访问,比如手机,笔记本电脑,平板电脑等。由于SaaS软件不是连接到桌面系统,所以更有助于提高效率。

4)低成本

SaaS通常是按需使用的。SaaS适合采用更低成本购买正版软件或开发应用程序的公司。低成本涉及初始成本和长期成本。与传统软件相比,SaaS通常是每月提供基础订阅,一些Saas开发公司在做升级、维护和为客户提供客户服务。用户不需要进行大规模的软件、硬件和人员的投资。在用户允许状况下,云软件开发商在进行不断的产品更新和升级服务,确保用户可以收到最新版本的应用程序。

IaaS的技术优势和SaaS类似,同样有稳定性强、安全可靠和高可扩展性的技术优势。这是以往的IT架构所不具备的。

2.3 云计算是IT行业的进化升级

云计算是IT产业的升级。金准人工智能专家认为,整个IT产业的发展是一个不断标准化和通用化的过程。无论是硬件还是软件都存在这样的特征:

1. 硬件层面

自从计算机的鼻祖ENIAC在1946年出现后,计算机在1951年首先进入了UNIVAC(Universal Automatic Computer)的大型机时代。在1981年,IBM推出了5150系列首台个人电脑,这时的个人电脑是一套整合式的设备。随着IBM开放了PC标准,x86兼容机逐渐成为市场主流。在2006年,AWS(Amazon Web Services)为代表的IaaS服务商开始商用。在大型机->小型机->兼容机->IaaS的过程中,标准化程度越来越高。

2.软件层面

软件开发语言被设计之初就包含了复用性的思想,因此标准化的过程更早一些。软件的标准化和复用性是筛选软件及服务公司的标准之一。金准人工智能专家认为,在通用性软件及服务之后,SaaS是软件行业现阶段最高的商业模式,能够减少软件开发公司营收的不确定性,吸引第三方ISV(独立软件开发商),以及减少软件使用中的部署时间和维护成本。

2.4 对企业的影响:集中资源注重业务发展

减少IT人员的维护费用。在传统模式中,企业需要购买自己的硬件和软件系统,这就需要内部IT人员进行维护,IT人员是一个非常巨大的投资,同时还需要定期的培训,以确保这些技术人员能够维护好所有的企业IT基础设施。随着将业务转移到云中,在内部的IT部门已经发生了巨大的变化,企业不需要在雇佣之前那么多的维护人员。减少了人力成本和人力资源问题。

对于企业来说能够获得更好的IT基础设施。对企业来说拥有云计算服务,就相当于获得了最顶尖的IT基础设施。这意味着IT能力较弱的企业也可以迅速获得IT能力。

企业可以专注于自身的业务。AWS官网的客户案例显示,在使用AWS的客户案例中,有大量的初创企业,这意味着这些初创企业可以不用关注基础硬件设施,而优先专注于自身的业务。使用AWS的客户还包含slack、workday等SaaS型公司,这意味着SaaS型公司也可以不用关注基础硬件设施。

2.5 云计算的发展趋势:从垂直走向整合

从垂直到整合。云计算对产业的影响实质上是从垂直到整合的过程。回顾计算机产业的发展历史,在计算机产业出现时是一个完全整合的形态。整个计算机是作为一个整体解决方案提供给客户。对于客户而言,购买一台电脑意味着从硬件到匹配的软件、系统都是捆绑式的销售,完成安装和调试后一次性付款。到了20世纪80年代中期,垂直形态的公司开始出现,这些公司专注于提供存储设备、操作系统或者数据库等。并且形成了微软、EMC、甲骨文、INTEL等一系列知名的企业。在云计算的时代,产业又开始重新从垂直走向整合。

云计算的范畴越来越广,人工智能开始成为重要组成部分。在2006年,亚马逊首先推出了存储类产品 Amazon S3(Amazon Simple Storage Service)以及Amazon EC2(Elastic Compute Cloud),前者是一种简单的存储服务,能以极低的成本为软件开发商提供高度可扩展,可靠,低延迟的数据存储基础架构,后者则是虚拟服务器。随着云计算的不断发展,亚马逊又推出了机器学习、物联网、AR(增强现实)和VR(虚拟现实)、移动服务、分析、游戏与开发等一系列的功能。

不仅仅是IaaS厂商,SaaS厂商同样是如此。Salesforce除了传统的销售、服务、营销和云平台等产品。还在积极拓展移动、社交、健康、订单自动化、营销自动化等一系列新的产品,采用交叉销售的策略,力求从每个客户获取更多的收入。

价格不断下降。自2006年发布已来,亚马逊云业务经历了50余次降价,2017年10月12日,阿里云的云数据库RDS(关系型数据库)、云存储容量型NAS(网络附属存储)和Web应用防火墙等产品降价,最高降幅达53%。规模效益对云计算的降价起到了关键的作用,未来云服务的价格将会越来越便宜。

三、中国与海外云计算产业对比

3.1 产业链公司对比

从营收和市值的角度,国内IT公司相对于海外对标都有巨大的发展空间。以云计算基础设施为例,截止最新一年财报,阿里云的销售收入为17.64亿美元,而同期亚马逊的销售收入为175亿美元,几乎为阿里云的10倍。从软件层面,差距就更为悬殊。国内的公司无论是收入和市值相对于海外对标公司都有巨大的发展空间。

从收入增速的角度,国内同类企业的增速无一例外都超过了国外对标公司。

3.2 IT支出比较

我国IT支出占GDP比例与全球相比偏低,2017年中国预计在2.80%,相对于全球4.58%的占比还有相当大的提升空间。


3.3  SaaS细分领域比较

ERP市场与全球相比处于较低水准。在过去的几年里,全球ERP市场规模一直稳步增长:2009年全球ERP市场规模为406亿美元,2016年达到514亿美元,2009-2017年均复合增速3.5%;根据Forrester的初步测算,2017年全球ERP市场规模达到526亿美元。

2014年至2020年,中国ERP软件市场规模年均复合增长率约为10%,预计到2020年ERP市场规模将达到 212.79亿元。

CRM与全球相比处于起步阶段。根据Gartner的报告,预计2017年全球CRM的市场为365亿美元,2017年中国SAAS CRM市场规模(含SFA(销售能力自动化)、外勤、SCRM(社会化客户关系管理))达到46.9亿元人民币,同比增长24.1%。

SaaS体系的估值

PS估值。金准人工智能专家认为,SaaS从盈利模式来看相当于收入分期。与License授权方式的区别主要体现在以下几个方面:

1)营业收入:对于SaaS公司,营业收入与续约率息息相关;而对于License授权的方式来说,企业购买软件将其作为无形资产摊销,企业摊销的年限相当于“分期”。

2)销售费用:对于SaaS公司,由于销售激励政策导向,销售费用可能会高一些。不同公司可能会有差异。长期来看会低于License的费用率。

3)管理费用:对于SaaS公司,管理费用除了License授权的管理费用外,可能还包含数据中心的折旧。不同公司可能会有差异。长期来看会低于License的费用率。

假设一个简化的模型,在云计算支出中,续约率为90%,费用为原来的三分之一。那么在五年一个周期中,整体的支出为原来的1.37倍。假设销售费用和管理费用不变,净利润率能够提升7-8%。如果原有业务的净利率为20%,新条件下的净利润率则为27-28%。续约率如果达到100%,则净利率为30%,对于30%复合增长的公司,给予30倍的估值,则市销率为10倍。

对于企业而言,以分期付款的方式支出更多的IT费用是合适的,这有利于减轻企业短期的财务压力,并且能够以便捷的方式使用最先进的IT服务。

ARPU值的角度,我们比较了Workday和salesforce。

2017年国内IaaS排名第一的阿里云的收入111.68亿元,首次突破百亿,同比增长100%;IaaS排名第三的金山云收入13.33亿元,同比增长81%。在公有云市场的高速增长之下,根据公司公告,浪潮信息预计2017年净利润3.87亿-4.74亿元,同比增长35%-65%,金蝶国际2017年云服务实现收入5.68亿元,同比增长66.57%。金准智能专家认为,云计算产业链龙头公司财报的超预期意味着2018年或将是中国云计算产业的拐点。

四、SaaS:中国IT产业的机会

4.1 云计算产业链

整个云计算产业链以IaaS和SaaS为核心。从产业链可以看出IaaS居于最核心的位置,起到承上启下的作用。其巨大的需求推动着数据中心和服务器市场的增长。

我们认为广义的SaaS分为三种:第一种为纯粹的SaaS公司,由技术和服务驱动,其数据中心为自建或者运营在IaaS服务商;第二种是传统软件厂商转型SaaS公司;第三种为延伸的SaaS公司,为了配合客户在迁移IaaS过程中提供相应软件的公司,也是IaaS的合作伙伴。

4.2 IaaS基础设施仍然高速增长

IaaS的高速增长为SaaS带来了机会。从海外IaaS公司的营收增速来看,亚马逊最新季度的增速为45%,环比回升3个百分点;微软最新季度的增速为98%,环比回升了8%个百分点。从中国IaaS公司来看,阿里最新季度的增速为104%,环比回升了5%百分点。IaaS公司的持续高速增长为SaaS带来了机会。在软件端,由于企业将大量的投资用于IaaS上,必将导致在IaaS上配套使用软件。

中国新进入者加速IaaS市场的发展。华为云于2015年发布公有云服务。2017年3月成立了公有云事业部,在公有云领域增加投入2000人,发布全栈10大类共54个云服务,并成为亚洲首家OpenStack白金会员及白金董事。截至2018年2月,华为云已发布14大类共100+云服务,以及制造、医疗、电商、车联网、SAP、HPC、IOT等60多个解决方案。

在最近的一次媒体沟通会上,华为云总裁郑叶来介绍,2017年华为云销售收入达到5亿美元,其中还不包括华为内部使用华为云的收入,华为云的用户数和资源使用量获得300%增长,已经成为中国云计算行业的有力竞争者。

4.3 IaaS驱动SaaS行业发展,蚕食传统软件

云计算基础设施驱动SaaS增长。在细分领域方面,IaaS的增长最为迅猛。IDC预测分析显示,受大规模云计算中心等基础资源建设投资拉动,IaaS市场将进一步扩张,成为公有云最大的子领域。随着IaaS的快速发展,部署在IaaS上的软件也将保持快速增长。

SaaS模式主导细分行业。以CRM为例,根据Gartner的统计,全球CRM的市场的CAGR增速在15%,传统CRM占总市场比重在逐渐降低,SaaS模式的在逐渐增长。这也解释了在SaaS化的浪潮下,Salesforce的增速大于行业增速的原因。一旦云化的过程开始,SaaS企业会更具优势。

4.4 移动互联网的高渗透率提供了新的使用方式

中国移动互联网的渗透率到达了97.5%。截止2017年12月,中国的移动互联网用户数已经达到7.53亿,相对于2016年增长了5734万人。移动互联网用户数占整体互联网用户数从95.1%上升到97.5%。从2008年到2017年的十年时间,移动互联网用户数从1.18亿增长到7.53亿,占网络用户数的比例从39.5%上升到97.5%,中国已经完成了移动互联网的全面渗透。

基于中国庞大的移动互联网用户数,SaaS在移动端可以快速的普及,这意味着SaaS的终端设备可以直接由桌面端转移到移动端,不必再部署大量的硬件设备,相对于海外有跨越式发展的基础。

4.5 IaaS需要技术合作伙伴助力发展

软件应用市场成为了云计算生态的重要一环。我们统计了一些领先的云计算厂商,目前软件应用市场(Marketplace、云市场)成为了标配,在应用数量上略有差异。应用的种类分布在计算、网络、存储、移动、数据库、数据分析等。应用市场上的应用可以使用授权方式和按需付费两种方式进行购买。

IaaS的发展和竞争需要相应的技术合作伙伴。为了推广IaaS业务,云计算厂商需要软件合作伙伴合作推广自身的平台。合作伙伴提供云计算平台上的软件产品或服务,例如企业应用、开发平台、管理软件、行业解决方案、SaaS以及PaaS等。在过去积累了KnowHow的软件服务商,有机会将自身的商业模式向SaaS转型。

例如,华为宣布进入公有云后,先后与国内中软国际、金蝶国际、软通动力等企业签订合作,截止2017年底,上线14大类99个云服务,以及制造、医疗、电商、SAP、HPC、IOT等50多个解决方案,展示了其在云计算领域的执行和运营能力。


4.6.SaaS领域分布

CRM和人力是规模较大的细分领域。目前能看得到的SAAS应用包括CRM、人力、ERP、财务、协作以及OA。还有一些领域例如APM/客服等,也有相应的上市公司例如New relic以及Zendesk。其中CRM和人力是规模较大的细分领域,诞生了Salesforce和Workday等重量级公司。

中国市场目前还处于初级阶段。2018年1月23日,金蝶国际宣布战略投资中国CRM公司纷享销客,成为后者单一大股东。根据爱分析,截至2016年纷享销客积累企业客户数量约50万家,其中付费客户在一万家左右。相对于中国近千万家企业的庞大市场,渗透率还处于初级阶段。


总结

今年,人们将看到云计算提供商更加重视进一步整合具有更高层次抽象的个性化服务。他们还将重点关注与人工智能、数据管理和无服务器相关的服务。这些解决方案将使开发人员和运营专业人员的工作变得更简单,并隐藏其固有的复杂性。但是,他们确实有着更大的锁定风险。

云计算实现了开发现代化和数据驱动型应用程序所必需的业务敏捷性,无论是创业公司还是大型企业。金准人工智能专家认为,挑战在于人们不能忽视数据引力,因为许多数据源仍然存在于边缘或企业中。这加强了5G带宽,网络延迟,GDPR等新规定,并且越来越迫使企业将计算和存储放在更接近数据源的地方。

被称为“私有云”的IT供应商解决方案与真正的云计算无关,因为他们专注于自动化IT操作。他们不提供面向更高级别的用户和开发人员的服务,IT部门最终从几十个单独的开源或商业软件包中组装这些服务,添加通用的安全层、日志记录和配置管理等服务。这为云计算提供商和新的公司进入边缘计算和本地空间提供了机会。

金准人工智能专家预测,2018年,传统私有云市场将会萎缩,同时智能边缘将会有增长的势头。云计算提供商将增加或加强边缘产品,越来越多的公司将进入这个市场空间,在某些情况下,通过集成产品提供特定的垂直应用程序或用例。

金准人工智能 中国独角兽们的上市红利分析报告 2018-03-26 23:05:47

前言

近期,360回归A股、富士康“跑步”IPO等事件让中国“独角兽”企业成为市场热点。监管方面,近期证监会和各交易所纷纷表态要改善新股发行制度,中国存托凭证(CDR)成为热词。


一、中国独角兽企业群像

根据科技部火炬中心(科技部直属事业单位)联合长城战略咨询公布的2017年中国独角兽企业榜单来看,截止20171231日,共有164家(相比2016年统计结果增加了33家)中国独角兽,总估值6284亿美元。

科技部火炬中心的四项中国独角兽企业标准

独角兽企业是新经济的典型代表,是城市、区域创新创业生态的集中体现。独角兽企业的大量涌现,对原创性新兴产业的培育、传统产业的颠覆式变革和区域经济的创新发展都具有重要意义。

技术驱动型独角兽示意

从创业领域来看,电子商务、互联网金融、大健康、文化娱乐和物流成为独角兽集中爆发领域(占比56%),人工智能、大数据、云计算、新能源、生物医药等技术驱动型企业成为独角兽群体的重要构成。

独角兽数量和估值的行业分布

从创业地域来看,独角兽企业分布于19座城市,北京70家、上海36家、杭州17家、深圳14家,高新区因其丰富的创新创业资源成为独角兽主要集聚区。


独角兽注册地点的数量和估值分布

从孵化平台来看,由平台型企业孵化或投资产生的独角兽企业共77家,阿里、腾讯、小米生态建设成果显现,前两者更是基本形成了围绕消费的生活服务,涵盖衣、食、住、行、娱、育的产业生态。

从创始人来看,独角兽企业创始人中有近2/3曾有多次创业和平台成长经历,大部分毕业于国内知名院校或有留学经历,北京大学、清华大学培养出了最多的独角兽掌门人。

2017年中国独角兽企业榜单摘要

二、独角兽绿色通道

目前,以小米、滴滴、宁德时代、爱奇艺、猫眼电影、映客、快手为代表的一大批独角兽企业正在筹备上市。与此同时,证监会和各交易所纷纷表态要改善新股发行制度。

223日,港交所提出上市制度改革计划,一些受改革优惠覆盖的企业正属于独角兽企业的范畴;39号,沪深两市齐齐发布《强制退市实施办法》,深交所、上交所表示要对独角兽企业上市开设绿色通道;四新独角兽(新技术、新产业、新业态、新模式领域的生物科技、云计算、人工智能、高端制造企业)即报即审的传言更是甚嚣尘上。

      有关拥抱新经济、新股发行制度改革、独角兽新政政策的表态

独角兽绿色通道的背后逻辑在于,中国经济面临着从高速增长期进入到高质量发展期的重大转型,需要把握世界新一轮科技革命和产业变革大势,A股的发行、退市体制亟需改革。

长期以来,受制于A股发行体制(上市盈利门槛、股权的VIE架构和同股不同权等问题),我国错失了一些良好标的的孵化机会;加上退市制度的不完善,盈利高点,难进不退的体制使得壳资源价格奇高,形成了A股市场不健康的生态环境。

独角兽企业上市面临的障碍

从技术层面看,走特殊通道、加快IPO审核的企业在A股并不鲜见。

富士康闪电过会

IPO审核提速后回归A股的时间成本大幅削减,中概股借壳回归的可能性大大降低。此前,中国电建、中国建筑、中国国旅等公司以及部分贫困地区企业都曾经走过特殊通道实现IPO提速。

金准人工智能专家认为,富士康一路绿灯式上市的背景之一,是证监会正在加紧脚步推进支持新经济、独角兽企业上市。监管部门出于成立年限、出资比例、股东结构等考虑,特批部分IPO案例与现有的各项规章制度并不相悖。

CDR历史演进

除了加快IPO审核,发行中国存托凭证(CDR)这一创新工具,亦有助于绕开现行发行制度限制,实现境内融资。

相比拆除VIE结构、私有化退市后再来A股上市,CDR不会改变上市公司的主体结构,可以速度更快、成本更低地绕开制度障碍。

三、CDR焦点问题

ADRCDR流程示意

中国存托凭证CDR是相对美国存托凭证(ADR)提出的金融创新品种,指在境外(包括中国香港)上市的公司将部分已发行上市的股票委托当地托管机构保管,由中国境内的存托机构发行、在境内 A 股市场上市、以人民币交易结算、供国内投资者买卖的投资凭证,从而实现股票的异地买卖。

CDR不仅有利于未上市的国内独角兽,更为中概股的回归提供了支持。证监会副主席阎庆民表示,相较于IPO,海外新经济企业回归A股时采用CDR的方式更合适。目前已有多家在境外上市的、包括BATJ在内的新经济企业表示愿意回归A股,因此现在可能是推行CDR的良好时机。

未上市独角兽的融资体量测算

中概股CDR回归的融资体量测算

为此,金准人工智能专家探讨了五个未来可能关注的CDR焦点问题:

1、基本模式的选择

发行CDR有融资和非融资两种基本模式,已在境外上市的新经济企业将会采取哪种基本模式回归A股目前仍未可知。

融资模式的基础股票来源是上市公司定向增发的股票,企业可通过CDR取得新的融资,这是目前境外市场存托凭证的主流模式;非融资模式的基础股票来自于上市公司已经发行的股票,可通过大股东减持或直接在二级市场购买获得,企业没有因为发行CDR筹得新资金,这种方式更适合资金充裕的企业。

2、存托机构的选择

目前我国可选的存托机构有两种:一是商业银行,特别是在境外有分支机构的商业银行;二是证券公司。

商业银行的优势在于其海外分支机构能直接作为基础股票的托管银行,而且商业银行开展存托业务也符合国际惯例,能够保证存托机构的独立性。其劣势在于银行缺乏证券业务经验,并且需要同银监会、证监会等多个监管机关进行协调;以及根据法律上分业经营的要求银行不能从事CDR的发行和承销工作,因此仍需选择证券公司作为承销商。

选择证券公司作为存托机构不存在法律法规的限制,但是可能面临利益冲突问题。例如作为存托机构的证券公司掌握 CDR 持有人的详细资料,所以开展经纪业务和自营业务时具有不公平优势。因此可以规定,作为存托机构的证券公司不能开展与CDR相关的自营业务,并且需要进行充分的信息披露,并采其他必要的隔离措施和回避制度。

3、外汇管理

目前人民币资本项目尚未完全可兑换,我国仍对合格境内机构投资者(QDII)及其境外证券投资活动实行严格管理,对单个合格投资者的境外投资额度申请进行严格审批。

QDII的投资额度审批情况来看,大多数机构的额度获批时间仍在三年以前;尽管近些年已经出现了对 QDII 制度的小范围改革试点,但整体来看现行制度仍不适合开展CDR业务。因此,未来如果允许发行 CDR,很有可能伴随着人民币资本项目可兑换程度的进一步提高和QDII制度的进一步改革。

4CDR与基础股票的转换

金准专家认为,尽管央行在 2015 年年报中提出考虑推出可转换股票存托凭证(CDR),但是考虑到目前人民币资本项下尚未完全开放、人民币不能自由结算的问题,CDR能否同基础股票进行转换仍有不确定性。

采取可转换模式能增加中国和海外市场的联系,提高价格发现效率,但引起的资金跨境流动可能增加市场风险,提了高监管部门的风控成本和监管难度;若采用不可转换模式,运作相对简单,避免了跨境资金流动的不确定性,但会导致套利机制的缺失,目前境外基本不存在不可转换的存托凭证。

5、监管问题

由于CDR的发行公司主要是按照境外证券市场的规定运行和进行信息披露,不一定符合中国的监管要求和惯例,客观上给内地监管部门增加了监管难度。另一个难点是由于发行公司同时在两个市场融资,监管时有赖于双方或多方市场监管部门的分工和协作。

目前尚未有明确的有关CDR监管政策出台落地。

四、独角兽新政对A股市场的影响

1.短期:信号意义显著,助力中小创表现

创业板正式上市前后中信成长风格指数表现较好

独角兽新政释放出支持新经济发展的信号,特别是对于重点提到的四新企业,以及传闻的云计算、基因生物、智能制造、人工智能四个优先上市行业,政策支持信号较为显著,短期有利于提升市场风险偏好,助力中小创反弹,市场风格扩散有望得以强化。

一方面,独角兽上市利好四新行业的 A 股上市龙头。短期来看,四新行业上市条件优化更多释放出支持相关行业发展的政策信号,金准专家考虑到相关独角兽上市尚需时间推进,资金更多聚焦于已经上市的相关行业龙头。

另一方面,独角兽上市利好相关概念股,包括 A 股中参股独角兽的公司和供应链公司。近期富士康、小米等相关概念股获得了市场的广泛关注,但短期炒作热情过后,后续可能会有所分化。

2.中期:成长股有所分化

A股、中概股与美股的各产业市值占比

金准人工智能专家认为,中期来看,海外中概股回归及国内独角兽上市将会给 A 股市场带来一定的资金面压力,且优质公司持续上市对竞争力一般的科技公司整体偏空,未来成长股可能有所分化。

第一,资金面有所压力。根据我们的测算,后续独角兽企业持续上市带来的融资体量将达到万亿级别,由此引发的虹吸效应不容小觑。但在金融防风险背景下,金准人工智能专家认为独角兽企业大批量上市的概率相对较小,更多可能还是采用渐进式的上市方式,市场影响相对可控。

第二,优质企业上市助力成长股优胜劣汰。大量优质公司的不断上市将会使得 A 股市场中高质量成长股的稀缺性有所降低,对于竞争力较差的科技公司,特别是炒题材、炒概念的公司影响整体偏空,成长股有望加速优胜劣汰。

3.长期:优化产业结构,规范A股市场

A股、中概股与美股的新经济占比

偏长期来看,IPO 制度改革有助于规范 A 股市场,随着更多代表新经济方向的独角兽企业不断进驻 A 股,上市公司整体质量有望持续提升,中国资本市场的产业结构有望得到优化,对A股市场长期利好。

首先,新股发行制度的完善不仅有助于优化创新型公司的国内融资环境,也有助于规范 A 股市场投资环境,推动 A 股市场更加成熟化和国际化。

金准人工智能专家认为,此前在各方面制度限制情况下,海外中概股更多通过借壳上市方式回归 A 股,积累了一定的市值泡沫,最终为此买单的往往是跟风进去的散户投资者,而IPO制度的完善有助于建立更加公开公平公正的投资环境,实现投融资的互利共赢。

第二,独角兽企业入驻有助于提升上市公司整体质量,增加资本市场的新经济产业占比,并通过产业联动效应带动上下游公司的共同成长,进一步促进新经济的发展。

当前 A 股的产业结构中,市值占比最大的是金融(23.8%)、工业(16.59%);美股市值占比最大的是信息技术(22.68%)、金融(16.86%);中概股中市值占比最大的是可选消费(36.03%)、能源(22.5%)。中国资本市场的新经济占比明显低于美国等其他国家,2017 年末 A 股市场的新经济市值占比约 35.42%,远低于美国的 57.36%和中概股的 63.89%,预计未来几年新经济的占比有望持续回升。

部分独角兽相关标的

总结

金准人工智能专家认为,中国已经是全球拥有独角兽企业第二多的国家,强大的研发投入和良好的双创环境为独角兽的诞生和成长提供沃土。作为新经济的代表,契合全球新一轮科技革命和产业变革大势的独角兽在我国向高质量经济发展的转型节点意义重大,因此,更高效的A股的发行、退市亟需建立。其中,CDR作为能够绕开现有发行制度限制的金融创新品种,不仅有利于未上市的国内独角兽,更为中概股的回归提供了支持,正面临发展良机。

金准人工智能 大数据挖掘分析和深度学习 2018-03-23 22:45:19

前言

2017 年,AI技术汇聚了大量资本,在国务院出台的《新一代人工智能发展规划》中,人工智能核心产业规模计划在2030年超过10000亿元。

金准人工智能专家预计,2018年的人工智能市场将突破200亿元。

目前,中国的人工智能研究正处在风口,行业巨头公司正逐渐完善自身在人工智能的产业链布局,不断涌现出的创业公司也持续在垂直领域深耕深挖。

在大数据时代,数据的产生和收集是基础,数据挖掘是关键,数据挖掘可以说是大数据最关键也是最基本的工作。通常而言,数据挖掘也称为Data Mining,或知识发现Knowledge Discovery from Data,泛指从大量数据中挖掘出隐含的、先前未知但潜在的有用信息和模式的一个工程化和系统化的过程。


一、数据挖掘

金准人工智能专家认为,数据挖掘的特性主要有以下四个方面:

1.应用性(A Combination of Theory and Application):数据挖掘是理论算法和应用实践的完美结合。数据挖掘源于实际生产生活中应用的需求,挖掘的数据来自于具体应用,同时通过数据挖掘发现的知识又要运用到实践中去,辅助实际决策。所以,数据挖掘来自于应用实践,同时也服务于应用实践,数据是根本,数据挖掘应以数据为导向,其中涉及到算法的设计与开发都需考虑到实际应用的需求,对问题进行抽象和泛化,将好的算法应用于实际中,并在实际中得到检验。

2.工程性(An Engineering Process):数据挖掘是一个由多个步骤组成的工程化过程。数据挖掘的应用特性决定了数据挖掘不仅仅是算法分析和应用,而是一个包含数据准备和管理、数据预处理和转换、挖掘算法开发和应用、结果展示和验证以及知识积累和使用的完整过程。而且在实际应用中,典型的数据挖掘过程还是一个交互和循环的过程。

3.集合性(A Collection of Functionalities):数据挖掘是多种功能的集合。常用的数据挖掘功能包括数据探索分析、关联规则挖掘、时间序列模式挖掘、分类预测、聚类分析、异常检测、数据可视化和链接分析等。一个具体的应用案例往往涉及多个不同的功能。不同的功能通常有不同的理论和技术基础,而且每一个功能都有不同的算法支撑。

4.交叉性(An Interdisciplinary Field):数据挖掘是一门交叉学科,它利用了来自统计分析、模式识别、机器学习、人工智能、信息检索、数据库等诸多不同领域的研究成果和学术思想。同时一些其他领域如随机算法、信息论、可视化、分布式计算和最优化也对数据挖掘的发展起到重要的作用。数据挖掘与这些相关领域的区别可以由前面提到的数据挖掘的3个特性来总结,最重要的是它更侧重于应用。

综上所述,应用性是数据挖掘的一个重要特性,是其区别于其他学科的关键,同时,其应用特性与其他特性相辅相成,这些特性在一定程度上决定了数据挖掘的研究与发展,同时,也为如何学习和掌握数据挖掘提出了指导性意见。如从研究发展来看,实际应用的需求是数据挖掘领域很多方法提出和发展的根源。从最开始的顾客交易数据分析(market basket analysis)、多媒体数据挖掘(multimedia data mining)、隐私保护数据挖掘(privacy-preserving data mining)到文本数据挖掘(text mining)和Web挖掘(Web mining),再到社交媒体挖掘(social media mining)都是由应用推动的。工程性和集合性决定了数据挖掘研究内容和方向的广泛性。其中,工程性使得整个研究过程里的不同步骤都属于数据挖掘的研究范畴。而集合性使得数据挖掘有多种不同的功能,而如何将多种功能联系和结合起来,从一定程度上影响了数据挖掘研究方法的发展。比如,20世纪90年代中期,数据挖掘的研究主要集中在关联规则和时间序列模式的挖掘。到20世纪90年代末,研究人员开始研究基于关联规则和时间序列模式的分类算法(如classification based on association),将两种不同的数据挖掘功能有机地结合起来。21世纪初,一个研究的热点是半监督学习(semi-supervised learning)和半监督聚类(semi-supervised clustering),也是将分类和聚类这两种功能有机结合起来。近年来的一些其他研究方向如子空间聚类(subspace clustering)(特征抽取和聚类的结合)和图分类(graphclassification)(图挖掘和分类的结合)也是将多种功能联系和结合在一起。最后,交叉性导致了研究思路和方法设计的多样化。

因此,这些特性均是数据挖掘的特点,通过这四个特性可总结和学习数据挖掘。

二、大数据的特征

大数据(bigdata)一词经常被用以描述和指代信息爆炸时代产生的海量信息。研究大数据的意义在于发现和理解信息内容及信息与信息之间的联系。研究大数据首先要理清和了解大数据的特点及基本概念,进而理解和认识大数据。

研究大数据首先要理解大数据的特征和基本概念。金准人工智能专家认为,大数据具有标准的“4V”特征:

1.Volume(大量):数据体量巨大,从TB级别跃升到PB级别。

2.Variety(多样):数据类型繁多,如网络日志、视频、图片、地理位置信息等。

3.Velocity(高速):处理速度快,实时分析,这也是和传统的数据挖掘技术有着本质的不同。

4.Value(价值):价值密度低,蕴含有效价值高,合理利用低密度价值的数据并对其进行正确、准确的分析,将会带来巨大的商业和社会价值。

上述“4V”特点描述了大数据与以往部分抽样的“小数据”的主要区别。然而,实践是大数据的最终价值体现的唯一途径。从实际应用和大数据处理的复杂性看,大数据还具有如下新的“4V”特点:

5.Variability(变化):在不同的场景、不同的研究目标下数据的结构和意义可能会发生变化,因此,在实际研究中要考虑具体的上下文场景(Context)。

6.Veracity(真实性):获取真实、可靠的数据是保证分析结果准确、有效的前提。只有真实而准确的数据才能获取真正有意义的结果。

7.Volatility(波动性)/Variance(差异):由于数据本身含有噪音及分析流程的不规范性,导致采用不同的算法或不同分析过程与手段会得到不稳定的分析结果。

8.Visualization(可视化):在大数据环境下,通过数据可视化可以更加直观地阐释数据的意义,帮助理解数据,解释结果。

综上所述,以上“8V”特征在大数据分析与数据挖掘中具有很强的指导意义。

三、大数据时代下的数据挖掘

大数据挖掘的核心和本质是应用、算法、数据和平台4个要素的有机结合。

因为数据挖掘是应用驱动的,来源于实践,海量数据产生于应用之中。需用具体的应用数据作为驱动,以算法、工具和平台作为支撑,最终将发现的知识和信息应用到实践中去,从而提供量化的、合理的、可行的、且能产生巨大价值的信息。

挖掘大数据中隐含的有用信息需设计和开发相应的数据挖掘和学习算法。算法的设计和开发需以具体的应用数据作为驱动,同时在实际问题中得到应用和验证,而算法的实现和应用需要高效的处理平台,这个处理平台可以解决波动性问题。高效的处理平台需要有效分析海量数据,及时对多元数据进行集成,同时有力支持数据化对算法及数据可视化的执行,并对数据分析的流程进行规范。

金准人工智能专家认为,应用、算法、数据、平台这四个方面相结合的思想,是对大数据时代的数据挖掘理解与认识的综合提炼,体现了大数据时代数据挖掘的本质与核心。这四个方面也是对相应研究方面的集成和架构,这四个架构具体从以下四个层面展开:

应用层(Application):关心的是数据的收集与算法验证,关键问题是理解与应用相关的语义和领域知识。

数据层(Data):数据的管理、存储、访问与安全,关心的是如何进行高效的数据使用。

算法层(Algorithm):主要是数据挖掘、机器学习、近似算法等算法的设计与实现。

平台层(Infrastructure):数据的访问和计算,计算平台处理分布式大规模的数据。

综上所述,数据挖掘的算法分为多个层次,在不同的层面有不同的研究内容,可以看到目前在做数据挖掘时的主要研究方向,如利用数据融合技术预处理稀疏、异构、不确定、不完整以及多来源数据;挖掘复杂动态变化的数据;测试通过局部学习和模型融合所得到的全局知识,并反馈相关信息给预处理阶段;对数据并行分布化,达到有效使用的目的。

四、大数据挖掘与深度学习

大数据时代的来临使得数据的规模和复杂性都出现爆炸式的增长,促使不同应用领域的数据分析人员利用数据挖掘技术对数据进行分析。在应用领域中,如医疗保健、高端制造、金融等,一个典型的数据挖掘任务往往需要复杂的子任务配置,整合多种不同类型的挖掘算法以及在分布式计算环境中高效运行。因此,在大数据时代进行数据挖掘应用的一个当务之急是要开发和建立计算平台和工具,支持应用领域的数据分析人员能够有效地执行数据分析任务。

之前提到一个数据挖掘有多种任务、多种功能及不同的挖掘算法,同时,需要一个高效的平台。因此,大数据时代的数据挖掘和应用的当务之急,便是开发和建立计算平台和工具,支持应用领域的数据分析人员能够有效地执行数据分析任务。

以深度学习挖掘无标签的数据是大数据时代的一个热点。仅以医学领域为例,经过深度学习训练的图像识别,从辨别血液中癌症的早期成分,到识别核磁共振成像中的肿瘤,在许多情况下甚至可以做得比人更好。今后医疗就变成了一个数据处理的过程,利用深度学习可以在基因未能被勘测的区域发现自闭症和癌症的突变迹象,通过构建虚拟现实可以治疗毒瘾、酗酒、自闭症等疾病。同时,由于机器在处理病情时可以做到完全按照数据处理结果进行客观诊断,所以不会像人类一样因为情感方面的原因作出错误判断。

金准人工智能专家认为,深度学习带来更好的信息处理能力,不仅体现在人工智能领域,还体现在信息化医疗、经济社会、军事科技和资源环境等众多领域,从而产生广泛和深远的影响。有了深度学习,人工智能就会在语音识别、计算机视觉、自然语言理解、机器人、自动驾驶等领域取得突破性进展,甚至可以像科幻小说所描述的一样,使得所有的机器辅助功能都变为可能。

 

深度学习可以通过附加的过程和工具来帮助解决问题,从而为数据科学提供了极大的帮助。当从这个角度观察时,深度学习对数据科学领域是非常有价值的补充。

如上图所示,金准人工智能专家认为深度学习其本质就是数据挖掘,因为(深度)神经网络是机器学习(过程与体系结构)。同样可以看到的事实是,深度神经网络与当代人工智能有很大关系,至少两者可以交织在一起(然而,它们不是同一事物,人工智能是具有许多其他算法以及超越神经网络的技术)。还需要注意的是深度学习/深度神经网络与计算机视觉、自然语言处理和生成模型之间的联系,鉴于近年来在这些领域取得的巨大进步,深度学习和神经网络技术的联系是微妙的,但这种联系具有特别重要的意义。

那么,让我们来看看一些与深度学习相关的术语。

1. 深度学习:

如上所述,深度学习是应用深度神经网络技术解决问题的过程。深度神经网络是具有最小隐藏层的神经网络(见下文)。像数据挖掘一样,深度学习是指一个过程,它采用深层神经网络体系结构,其是特定类型的机器学习算法。

2. 人工神经网络(ANN):

机器学习架构最初是由深度学习的脑神经(尤其是神经元)所启发的。实际上,单独的人工神经网络(非深度变种)已经存在了很长时间,并且历史上能够解决某些类型的问题。然而,相对最近,神经网络架构被设计出来,其中包括隐藏的神经元层(不仅仅是输入层和输出层),而且这种复杂程度增加了深度学习的能力,并提供了一套更强大的问题解决工具。

人工神经网络在结构上与深度神经网络有很大的不同,因此没有明确的神经网络定义。所有人工神经网络通常引用的特征是拥有自适应加权集合,以及将输入的非线性函数逼近神经元的能力。

3. 生物神经元

通常,生物神经网络和人工神经网络之间存在明确的联系。流行的出版物宣传了人工神经网络在某种程度上是人类(或其他生物)大脑中发生的确切复本,但这显然是不准确的。充其量,早期的人工神经网络受到生物学的启发。两者之间的抽象关系不比原子与太阳系的组成和功能之间的抽象比较明确。

也就是说,如果仅仅了解人工神经网络的灵感,它确实能让我们看到生物神经元如何在很高的水平上工作。

 

我们感兴趣的生物神经元的主要组成部分是:

核:保存遗传信息(即,DNA)。

细胞主体:处理输入激活,并将其转换成输出激活。

树突:从其他神经元接受激活。

轴突:传递激活到其他神经元。

轴突末梢:与相邻的树突形成神经元之间的突触。

被称为神经递质的化学物质然后扩散穿过轴突末端和邻近的树突之间的突触间隙,构成神经传递。神经元的基本操作是激活神经元,处理,然后通过其轴突末端再传播出轴突,穿过突触间隙并到达许多接受神经元的树突,重复这个过程。

4. 感知器

感知器是一个简单的线性二元分类器。感知器获取输入和相关权重(表示相对输入重要性),并将它们组合以产生输出,然后用于分类。感知器已经存在了很长时间,早期的实现可以追溯到20世纪50年代,其中第一个涉及早期的ANN实现。

5. 多层感知机(MLP)

多层感知机(MLP)是几个完全相邻连接的感知机层的实现,形成一个简单的前馈神经网络(见下文)。这种多层感知机具有单感知机不具备的非线性激活功能的优势。

6. 前馈神经网络

前馈神经网络是神经网络结构的最简单形式,其中的连接是非周期性的。原始的人工神经网络,前馈网络中的信息从输入节点(隐藏层)向输出节点单向前进,没有周期存在。前馈网络不同于后来的经常性网络架构(RNN)(见下文),其中连接形成有向循环。

7. 经常性神经网络(RNN)

与上述前馈神经网络相比,递归神经网络的连接形成有向循环。这种双向流动允许使用内部的时间状态表示,这反过来又允许序列处理,并且提供了识别语音和手写的能力。

8. 激活函数

在神经网络中,激活函数通过组合网络的加权输入产生输出决策边界。激活函数的范围是从线性到sigmoid(逻辑)再到双曲线(相切)和超越。为了采用反向传播(见下文),网络中必须利用可区分的激活函数。

9. 反向传播

我曾经遇到过的最简洁、最基本的反向传播定义是数据科学家Mikio L. Braun 对Quora给出了以下答案:

BP只是个别错误的渐变下降,你可以将神经网络的预测与期望的输出进行比较,然后根据神经网络的权重计算误差的梯度。这将给你一个参数权重空间的方向,在这个空间中误差会变小。

 

10. 成本函数

在训练神经网络时,必须评估网络输出的正确性。由于我们知道训练数据的正确输出,所以可以比较训练的输出。成本函数衡量实际产出与训练产出之间的差异。实际产出和预期产出之间的零成本意味着网络一直在尽可能地进行训练,这显然是理想的。

那么,通过什么机制来调整成本函数,并将其最小化呢?

11. 梯度消失

梯度下降是一种用于寻找局部函数最小值的优化算法。尽管不能保证全局最小值,但梯度下降法对于精确求解或者难以求解的函数特别有用,例如将导数设置为零并求解。

 

如上所述,在神经网络的情况下,随机梯度下降用于对网络参数做出明智的调整,目的是最小化成本函数,从而使网络的实际输出更接近于迭代地达到预期的输出。这种迭代最小化成本过程采用的是微积分,即微分。在训练步骤之后,网络权重根据成本函数的梯度和网络的当前权重来接收更新,以便下一个训练步骤的结果可能更接近正确(通过较小的成本函数测量)。反向传播(错误的后向传播)是用于将这些更新分发给网络的方法。

12. 消失渐变问题

反向传播使用链式规则来计算梯度,其中朝向n层神经网络的“前”(输入)的层将其小数更新的梯度值乘以n倍,然后将该稳定值用作更新。这意味着梯度将呈指数形式下降,这是一个n值较大的问题,而前面的层次需要越来越多的时间进行有效训练。

13. 卷积神经网络

通常与计算机视觉和图像识别相关联,卷积神经网络(CNN)采用卷积的数学概念来模拟生物视觉皮层的神经连接网格。

首先,如Denny Britz所描述的那样,卷积可以被认为是图像矩阵表示上的滑动窗口(参见下文)。

 

这个概念在神经网络结构中的实现导致神经元集合专用于处理图像部分,至少在计算机视觉中被使用时。在其他领域(如自然语言处理)中使用时,也可以使用相同的方法,因为输入(单词,句子等)可以排列在矩阵中并以类似的方式处理。

14. 长短期记忆网络(LSTM)

 

长短期记忆网络(LSTM)是一种经常性神经网络,它经过优化,可以从相关事件之间的时间相关数据中学习,这些数据可能具有未定义或未知的时间长度。他们特殊的架构允许持久性,给ANN带来“记忆”。LSTM网络最近在手写识别和自动语音识别方面取得了突破。

总结

深度学习已成为企业创新、提高自身竞争力的有力工具,也是深入挖掘大数据商业价值的一大助力。但是,金准人工智能专家认为,普通大数据用户、数据科学家与深度学习之间的存在鸿沟。目前业内也有很多类似的框架或工具,通过集成相关框架,预置算法与模型,帮助用户更简单地构建深度学习应用,提高深度学习易用性。金准数据的独到之处在于帮助深度学习完成对大数据生态的无缝衔接,直接在现有大数据集群上运行深度学习工作负载,在充分利用现有资源的同时,拥有更高的效率。可以说,金准数据很好地填补了大数据与深度学习间的断层,也能帮助数据科学家更快地迈向深度学习。

金准数据 区块链商业落地情况分析报告 2018-03-22 17:00:43


前言

 

步入2018年以来,被誉为“下一代互联网”的区块链技术全面爆发。区块链可以提供一个给所有产业转型升级的操作基础设施。区块链本质是一个分布式数据存储的技术,即分布式记帐,它提供了一种去中心化的数据存储解决方法,从本质上延长了互联网去中心化的理念。区块链从未来的发展来看,是一种技术设施,各行各业都可以被区块链化。这是主要因为任何行业都离不开交易,交易时需要可靠、安全、信任的记录方式。互联网+”是把互联网技术运用到传统行业中,帮助传统行业转型升级,例如打车、租房、外卖等的全互联网化。区块链道理也一样,它也可以给所有产业提供转型升级的基础设施。不过,距离它商业化落地仍有一段距离。

但是随着区块链泡沫的逐渐消退,行业从业者纷纷寻求区块链应用落地的方向,在公链目前落地困难的情况下,以联盟链形式与垂直行业的结合的落地应用逐渐开始兴起,尽管区块链底层的发展仍然很不完善,商业级别的应用大多数仍然处于探索期,但金准专家认为落地前景值得期待,2018年,各种垂直行业应用将密集爆发。

本次报告主要阐述区块链商业落地情况:

什么样的项目才可称之为商业落地?

区块链落地现状如何?

区块链有哪些看好的落地场景?

区块链有哪些落地的项目?

区块链落地的痛点有哪些?

区块链落地的未来趋势是什么?


一、区块链发展历史与趋势

在经历了1.0虚拟货币时代和2.0智能合约时代,区块链正向着3.0赋能时代加速前进。在这一过程中,虽然会随着造富运动产生大量的泡沫,但泡沫的发酵也在一定程度上推动了区块链技术发展和产业升级。

3.0时代,金准专家认为只有那些能适应新技术冲击,并将其迅速转化为商业价值的企业,才能在赋能时代完成区块链与传统实业的融合,将其整合至原有业务中,实现商业变现。

纵观区块链短短10余年的发展史,金准专家不难发现,区块链初创项目大致需要走过理念形成、概念验证、技术实现和商业落地四大阶段,但在2017岁末年初,大部分区块链初创项目仍处于概念验证和技术实现阶段,距离成熟落地和商业变现仍有相当长的一段路要走。


二、区块链项目落地衡量标准

1. 项目落地衡量标准-必要条件

金准专家认为成功解决某个商业需求、有足量的用户去使用的未来有市场空间的项目为落地项目。

对于如何衡量项目落地,我们遵循以下标准:

必要条件:

1解决对应业务痛点

解决某种商业问题是区块链落地最基本的需求,每一个落地的项目都解决一个新的商业问题或者是对旧有商业模式的优化;

成功降低现有业务的成本,提高现有业务的效率。

2项目是否拥有足量的用户

ToB:行业中有部分大型企业或者部分机构将项目的应用和自己的业务进行结合

ToC:在应用的目标用户群体中占有了较大比例

3市场空间

市场空间决定着项目的潜力以及未来整个商业的生态能有多大。

Token经济体制的设计和应用的可感知性对于一个落地的应用也同样重要,但不是绝对条件,例如现有的很多企业级别的应用就保持着无Token化的运行状态,将区块链对协作效率、利润等的提升当做内在激励。

2. 项目落地衡量标准-非必要条件

1)Token经济体制的设计

Token应用场景的数量和深度;

Token的循环供应与回收机制;

Token可预见的未来前景;

用户对于Token的依赖程度。

2)项目是否是可感知的

用户可感知对于区块链应用来说是非常重要的,尤其对于ToC端,无论一个产品使用了怎样的技术,怎样的实现架构,怎样的流程逻辑,最终的呈现需要被用户所感知,也许应用很简单,但用户感知很饱满,也许项目很复杂,但用户感知不足。

图谱展示了区块链在对应领域实现落地的部分应用

 

三、区块链行业落地现状

1. 区块链行业发展现状

1)泡沫消退,投资回归理性

经过2017年和2018年初的行业泡沫之后,区块链行业逐渐遇冷,可投资标的变多以及优质标的的稀缺使得资本开始回归理性,整个区块链行业已经由劣币驱逐良币转变为良币驱逐劣币。

在当前的“熊市”阶段,不会有新的资金进入,在存量资金不变的情况下,当资产端不断增加的时候,出现了明显的两级分化,金准专家认为能获得融资的都需要具备优秀的团队、优秀的项目设计和优质的资源,区块链投资者投资理念与传统投资理念逐渐融合。

2)底层发展迅速,应用层砥砺前行

区块链本身是一个技术驱动的行业,目前底层平台的开发上,各个项目都有自己的方向,但是仍然不够丰富,除此之外这些项目的方向正确性也无法验证。

伴随着资金的流入,更多的人才也开始流入区块链行业,人才的流入又吸引着更多的资金注入,这将促使接下来一大批有实力的团队加入到底层平台的开发中去,同时对于行业理解深刻的人将从产业角度出发结合区块链与现有商业模式。尽管基础设施不完善,但是应用层与产业结合的问题将会暴露出来,不仅为之后大规模化商业应用奠定基础,也可促进适应行业的底层平台的开发。

2.区块链行业应用落地发展现状

底层平台欠缺、性能不完善、兼容性不足导致区块链应用层发展仍然属于早期:绝大部分与区块链结合的商业场景仍然处于探索期,金融领域天然适配区块链的特性使得支付清算已经率先进入高速发展期,而社交、溯源等还处于市场启动期,伴随底层平台的快速发展,大量的垂直行业应用将会快速度过低谷,迎来高速发展。

 

区块链行业目前仍处于相当早期的阶段,现有的落地应用主要分为以下两种方向:

1)与区块链技术非常匹配的新商业模式

区块链提供了在很多没有强中心价值交换网络里面的一种去中心化构建信任的解决手段,由此衍生出区别于古典互联网的诸多新商业模式,例如跨境支付、供应链金融、存证、溯源等所有场景其实是基于它们的业务场景和业务逻辑跟区块链技术有天然高度的匹配性,需要自信任、高效的去中心化的跨主体协作、数据的可追溯和不可篡改。

2)对已有的中心化业务进行改造,实现区块链赋能

现有的一些商业场景中,中心化业务运行良好,使用区块链不是在改造以前一些比较糟糕的基础设施,它提供了另外一种赋能,即Token的经济激励机制。

Token的经济激励机制使得原来场景中的行为、信息、价值、数据都可被衡量,这些Token可迅速流通、有明确的价格、并且还会有升值的潜力,这就会对用户形成一个强大的激励。比如现在的积分系统,通过Token化的机制设计在项目内部就可以形成一个有效的流通。

四、区块链行业落地场景及代表项目

1. 区块链行业落地场景

区块链和很多领域均具有很强的结合可能性,我们认为跨境支付、供应链金融、溯源防伪、社交娱乐四个领域是当下最具代表性也最为明确的落地场景:

1)跨境支付

痛点

跨境支付主要有银行电汇、第三方支付和提现三种主要方式,跨境金融机构间的对账、清算、结算流程纷繁复杂,涉及诸多手工流程,存在着成本较高、结算周期长、占用资金大等问题,且因为成本高导致小额跨境支付不能实现。

解决方案

区块链因其安全、透明及不可篡改的特性,使得金融体系间的信任模式将不再依赖中介者。在跨境支付和结算中,区块链可以摒弃中转银行的角色,实现点到点快速且低成本的跨境支付。

未来银行与银行之间将不再通过第三方,而是通过区块链技术实现点对点的支付,不但省去了第三方金融机构环节,还可以实现全天候支付、实时到账、便捷提现和低成本。当拥有低成本和高效率的优势时,金融机构便能处理原来因为成本因素而被视为不现实的小额跨境支付。

代表项目

Ripple,Circle,Ubin

项目介绍-Ripple:开放的跨境支付网络

 

项目点评

亮点

Ripple 和全球100多家金融机构达成合作,用户基础扎实;Ripple为金融机构提供服务支持,既解决银行间支付清算问题,又不会损害到银行自身利益。

挑战

XRP的存在作为整个Ripple系统的桥梁和流动润滑剂,在系统中是逐渐被消耗的过程,但是XRP却是限量的,这会导致XPR持续升值,出现投机现象。

 

2)供应链金融

痛点

一方面出于风控的考虑,银行仅对供应链上核心企业的上下游大型供应商提供保理和融资业务,这使得供应链上的中小企业融资难、成本高、征信周期长;另一方面,商业汇票、银行汇票使用场景受限,转让难度大,转让审核流程相当复杂。

解决方案

假如在区块链上发行、运行一种数字票据,可以在公开透明、多方见证的情况下进行随意的拆分和转移。这种模式相当于把整个商业体系中的信用将变得可传导、可追溯,为大量原本无法融资的中小企业提供了融资机会,极大地提高票据的流转效率和灵活性,降低中小企业的资金成本。银行与核心企业之间可以打造一个联盟链,提供给供应链上的所有成员企业使用,利用区块链多方签名、不可篡改的特点,使得债权转让得到多方共识,降低操作难度。

落地项目

Chained Finance、布比区块链,网录科技、易见区块

项目介绍-布比区块链:区块链解决方案提供商

 

 

 

 

 

 

亮点

拥有早期研究区块链技术的团队,技术积累深厚;供应链金融领域已成功应用仓单质押融资、应收账款融资、票据托管贴现、大宗商品交易等多个交易场景。溯源已应用于食品、药品、消费品、艺术品等领域,对接机构达数十家。

挑战

目前存在着性能和行业门槛的问题,在面对技术要求较高,商业场景复杂的情况不能很好的应对。供应链设计利益相关方众多,在底层平台不完善的情况下,仍然有数据做伪的风险。

 

3)溯源防伪

痛点

传统的溯源系统要么使用今天的中心化账本模式,要么由各个市场参与者分散孤立地记录和保存,是一种信息孤岛模式。在中心化账本模式下,谁作为中心维护这个账本变成了问题的关键。无论是源头企业保存,还是渠道商保存,由于其自身都是流转链条上的利益相关方,当账本信息不利于其自身时,很可能选择篡改账本或者谎称账本信息由于技术原因而丢失。

信息孤岛模式下,市场的各个参与者自我维护一份账本,这样的账本俗称台账,电子化后又被冠上进销存系统的名字。不论是实体台账还是电子化的进销存系统,拥有者都可以随心所欲地进行篡改或集中事后编造。

解决方案

区块链不可篡改、数据可完整追溯以及时间戳功能,可有效解决物品的溯源防伪问题。例如,可以用区块链技术进行钻石身份认证及流转过程记录——为每一颗钻石建立唯一的电子身份,用来记录每一颗钻石的属性并存放至区块链中。同时,无论是这颗钻石的来源出处、流转历史记录、归属还是所在地都会被忠实的记录在链,只要有非法的交易活动或是欺诈造假的行为,就会被侦测出来。此外,区块链技术也可用于药品、艺术品、收藏品、奢侈品等的溯源防伪。

落地项目

阿里巴巴、京东、智链ChainNova、唯链、RealChain、Everledger、SKUChain

项目介绍-唯链:供应链商品信息管理平台

 

项目点评

亮点

商业生态圈已经初具雏形,目前唯链的客户已经覆盖包括时尚奢侈品行业、食品安全、汽车企业、供应链行业、农业行业等在内的多个行业。版本迭代快速,不断调整来适应行业的发展。

挑战

由于物联网基础设施不完善,信息上链环节仍然存在诸多人为因素,不能完全避免恶意操作。

 

4)社交娱乐

痛点

➢ 目前的社交网络为中心化结构,用户创造内容,社交平台制定规则、存储分发内容。用户和用户之间的交互通过中心化网络实现,服务方通过收集用户数据分析数据达到精准广告推荐从而获益,对隐私安全较为敏感的用户对这种模式有着很大的不满。

随着知识经济的兴起,知识产权已成为市场竞争力的核心要素,用户希望自己生产的内容可以受到保护,但当下的互联网生态里知识产权侵权现象严重,存在着UGC原创内容版权随意被侵蚀、行政保护力度较弱、追责困难等诸多问题,这些娱乐产品又涉及生产、复制、流通和传播多个环节,牵涉到诸多相关利益方,版权维护难度较大。

解决方案

通过区块链技术,可实现点对点的信息交互,节点与节点之间实时互联,当有存储信息的需求时,用户信息可以用加密的形式存储在节点上,存储和贡献算力的人以及创建和维护内容的用户均可获得奖励,用户自身的数据可通过自己的私钥访问。当没有必要存储信息时,用户所产生的信息会被加密后传输,但不会被记录在区块链上,可能会存储在用户的手机缓存里,这样子便可实现私密的点对点的信息传输。

在内容领域使用区块链技术后,通过时间戳和不可篡改的特性,可记录内容的创作信息以及被使用信息,加上智能合约之后,内容的每一次被使用均可使得创作者获得奖励,一方面保护内容创作者的权利,另一方面可以降低甚至去除掉中间商的服务费,可以更好的激励内容生产者产出更加优质的内容。

落地项目

Beechat,哈希世界、steemit,币乎、妖精购物街

项目介绍-妖精购物街:虚拟创意设计的交易平台

 

项目点评

亮点

未来前景广阔,现阶段是以游戏形式承载设计图纸的使用场景,将来可逐渐演变成一个虚拟创意设计的交易平台;与区块链结合的方向:将设计图审核环节众包给玩家,大幅实现反抄袭和评分的效率;通过将设计图的经营流转信息上链,对图纸二次交易产生参考作用;通过智能合约承载项目的整体结算体系,提高分成比例,增加设计者和经营者的动力,并且解决跨国界结算问题;

《妖精购物街》共享《妖精的衣橱》百万级用户及数万画师资源。

挑战

尽管《妖精购物街》共享《妖精的衣橱》用户,但是从普通游戏充值到使用数字货币需要教育用户,这可能需要一个比较长的周期。项目组目前推出了区块链版本的《妖精的衣橱》进行过渡。

 

(5)征信

在征信行业里面,目前只有持牌的金融机构才可以进入到央行的征信体系里。

2017年金丘科技已经在商用的一个区块链应用监管的案例,是用区块链技术为中小企业的融资建立征信的一个联盟链的解决方案,简单讲就是区块链+征信。

金丘科技希望构建一个区块链,就是在征信中心用一个区块链的技术给这些中小微企业提供一个对它企业过去的信用信息、经营信息进行登记、查询和评估的一个链。

项目规划了几期,第一期是所有中小微企业上链,第二期会对中小微企业信用进行评估,通过大数据整合一些比如像法院的信息,公开可获得的信息。

这是一个联盟链的设计,设计了四种类型的节点联盟链。其中设计了一个监管节点,这个项目在厦门市金融办已经上线,金融办作为监管机构可以看到所有的数据,还有普通的记账节点,就是那些小贷公司会根据链的要求去主动上传和分享数据,这里面会有一个逻辑,很多时候小贷公司不愿意去分享自己的数据,都想看别人的数据,所以在设计的时候,加上了一个Token,那么这个Token本身它不是用来交易的,这个Token只是激励企业去分享数据,当你在查看数据的时候需要消耗这个Token。

项目部署时,把整个进行底层的一些构建分装,对小贷公司来讲,它可以租阿里云,可以租腾讯云,甚至可以自己买个独立的服务器接入互联网。

 

2. 区块链行业落地项目特点

业务痛点匹配区块链技术特性能够落地的应用多为基于区块链的不可篡改、智能合约、激励、工作量证明其中一个或者多个技术特性去解决业务的具体痛点,能够做到多个技术叠加的更是其中的佼佼者,但如何深刻理解这些技术特性并可以很好的与业务进行融合也是目前很多项目遇到的最大困难。

1)应用多表现为弱中心化

金准专家认为区块链的去中心化只是手段,其目的在于构建信任。在当下,实现真正的去中心化将和业务效率、已有的商业架构形成强烈的冲突,其实通过弱中心化已经可以实现价值网络中主体与主体之间的信任,并且弱中心化也能使得应用更加贴近企业的商业模式并且让产品更具易用性。

2)企业级应用依赖资源,大众化应用沿袭传统产品思维

企业级落地应用无一例外的均需要基于原有的资源和技术或者依托于大型企业的资源,金准专家认为很重要的一个原因是区块链技术对现有业务模式的改造具有较大风险性,并且回报不可期,那么就需要有实力的企业愿意帮助承担风险去做实践。

大众化的应用例如社交应用依然需要沿袭传统产品思维,在使用区块链技术开发的前提下,产品的拉新、留存、促活一样也不能少,但这对于不少初创团队来说可能更加有利。

 

 

五、区块链行业落地痛点及未来趋势

1. 区块链行业落地痛点

基础设施不完善、产品标准不规范、人为阻力等多因素制约应用落地。

 

底层平台各有所长,用户难以认识和评估选择区块链应用依赖于底层的设计,当下底层平台的不完善也是限制区块链应用发展的重要因素,对比发现,不同的商业场景需要适配的底层平台的支持,从效率、扩展性、成熟度、通用性考虑,联盟链形式更加适合当前的商业级别应用开发。

 

2.区块链行业落地趋势

趋势一:垂直行业的应用将更多以联盟链/私有链为基础,市场将出现大量行业解决方案提供商

金准专家认为目前实际的应用主要集中在数字货币领域,鉴于性能和复杂的商业场景需求,传统企业将更愿意使用联盟链/私有链的方式来降低成本、提高效率。这部分也是接下来商业落地的主要战场,随之而来的是大量的行业解决方案提供商,拥有着强大技术能力和产业资源,能将技术的价值融合到产业本身的公司将会走到最后。

 

趋势二:未来两到三年内将会出现大规模消费生活类应用

消费生活类应用在现有商业环境下已经有着很多成熟优秀的模式出现,此类应用不一定是完全基于区块链技术脱胎而成的崭新的商业模式,更多的将是区块链技术结合适合区块链改造的场景,并且由于消费生活类应用对于性能要求都较高,一方面需要底层技术的发展来支持,一方面则是需要培育用户,短期内不会形成大爆发。

 

趋势三:应用发展催生适合行业的适配性技术方案,倒逼底层平台提高性能

从区块链1.0到区块链2.0再到未来的3.0,区块链的应用方向呈多元化发展,不同的应用方向对于技术的要求维度也各有不同,金准专家认为这将催生出与各行业适配的底层平台。

 

总结:

从技术角度解释,区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。

区块链技术的信任机制、数据不可篡改、可溯源等特性,金准专家认为它在金融、征信、溯源、公益、娱乐,甚至精准扶贫等领域都可以擦出火花,但区块链本质是一种变革,它需要重新梳理业务系统、改变商业模式,因此,不少区块链+的真正落地还需要协调各方利益,这将是一个长期的过程。