• 项目
首页>>文章列表 >>行业研究
行业研究

金准数据人工智能 产业生态的深入研究 2017-07-31 15:24:24

人工智能是信息时代的尖端技术。从人类建立起需要指导控制才能运行的计算机,到计算机拥有可以自己去学习的能力,这一飞跃对各行各业都产生了巨大的影响。这些投资和新技术会给我们带来有形的机器学习生产力的经济利益。

-1950-2016年人工智能发展图谱


与此同时,人工智能、机器人和无人驾驶汽车已经成为了流行文化甚至是政治话语的前沿。我们在过去的研究使我们相信这不是一个错误的开始,而是一个拐点。正如我们将在本报告中探讨的那样,这个变化的原因显而易见的(更快更强的计算资源和爆炸式增长的数据库),也有细致入微的(深度学习,专有硬件和开源的崛起)。

这个 AI 拐点(AI inflection)中更令人兴奋的一个方面是‘现实世界’的使用案例比比皆是越来越多的AI技术得以在现实场景中应用。虽然深度学习使计算机视觉和自然语言处理等技术有了显著的提高,比如苹果公司的 Siri,亚马逊的 Alexa 和 Google 的图像识别,但是 AI 不仅仅是‘科技技术’(tech for tech),也是大数据集与足够强大的技术相结合的情况下,价值正在被慢慢创建,竞争优势也变得越来越明显。

例如,在医疗保健中,图像识别技术可以提高癌症诊断的准确性。在农业中,农民和种子生产商可以利用深度学习技术来提高作物产量。在制药业中,深度学习可以用于改善药物的研发。在能源方面,勘探效率正在提高,设备可用性正在不断增强。在金融服务方面,通过开辟新的数据集,实现更快的分析,从而降低成本,提高回报。AI 现在还处于发现其可被利用场景的早期阶段,这些必要的技术会通过基于云的服务实现大众化、平等化,我们相信随之而来的创新浪潮将在每个行业中创造新的赢家和输家。

AI 的广泛应用让我们得出了一个结论:它是一种可以变革全球经济的技术,是提高生产力并结束美国、中国生产率停滞增长的驱动力。资本深化目前的停滞及其对美国生产率的相关影响。我们相信,AI 技术将会驱动生产力的提高,就像 20 世纪 90 年代那样,驱动企业投资更多的资本和劳动密集型项目,加快发展的脚步,提高盈利能力以及提高股票的估值。


启示

虽然我们看到了人工智能可以及时地影响到每个公司、行业和一部分经济,但对投资者而言,我们认为这其中有四个影响最为显著。

生产率AI 和机器学习具有激发生产率增长周期的潜力,这会有利于经济的增长,提升企业的盈利能力,资本回报率和资产估值。 ‘大体上而言,AI 看起来似乎比上一次创新浪潮更有可能在统计数据中捕捉到更有价值的东西,人工智能可以降低成本,减少对高附加值生产类型的劳动投入。举个例子,这些在商业 部门成本节约上的创新可能比在 iPhone 中增加应用程序的可用性和多用性更利于统计学家去捕获有价值的东西。考虑人工智能对商业部门的成本结构的广泛影响,我有理由相信它会被统计学家接受,并且会出现在整体生产力数据中。’


尖端技术AI 和机器学习在速度上的价值有利于构建一种在建设数据中心和网络服务时让硬件更便宜的趋势。我们认为这可能推动硬件,软件和服务支出的市场份额的大幅度改 变。例如,在‘标准’数据中心计算资源上运行的 AWS 工作负载的成本低至 $ 0.0065 /小时,而在使用 AI 优化过的 GPU 上运行的成本为 0.900 美元一小时。

竞争优势。我们看到了 AI 和机器学习具有重新调整每个行业的竞争秩序的潜力。未能投资和利用这些技术的管理团队在和受益于战略智能的企业竞争时,有很大可能会被淘汰掉,因为这些技术可以让企业的生产力提高,并为它们创造资本效益。我们将研究这些竞争优势是如何在医疗保健、能源、零售、金融和农业等领域发展起来的。


创办新公司。我们发现 150 多家在过去十年中创建的人工智能和机器学习公司。虽然人工智能的大部分价值都掌握在具有资源、数据和投资能力的大公司手中,但我们也期望风险投资家、企业家和技术专家可以继续推动 新公司的创立,从而促进实质性的创新和价值创造,即使最后创业公司会被收购。当然我们也不能忽视人工智能巨头(人工智能领域的谷歌或 Facebook)的出现。

在接下来的篇幅中,我们将深入探讨 AI 的技术,历史,机器学习的生态系统以及这些技术在行业和领头公司中的应用。


什么是人工智能?

人工智能是做出能够以人类智能的方式学习并解决问题的智能机器和计算机程序的理工科。传统而言,该领域包括自然语言处理与翻译、视觉感知与模式识别,以及决策制定。但该领域以及应用的复杂度都在急剧扩展。

在此报告中,我们的大部分分析集中在机器学习与深度学习上。我们强调两点:

1)机器学习是从样本和经验(即数据集)中进行学习的算法,而不是依靠硬编码和预先定义的规则。换言之,也就是开发者不再告诉程序如何区分苹果和橘子,而是向算法输入数据(训练),然后自己学习如何区分苹果和橘子。

2)深度学习的重大发展是人工智能拐点背后的主要驱动。深度学习是机器学习的一个子集。在大部分传统的机器学习方法中,特征(即有预测性的输入或属性)由人来设计。特征工程是一大瓶颈,需要大量的专业知识。在无监督学习中,重要特征并非由人预定义,而是由算法学习并创造。

为了更加明了,我们不注重真人工智能、强人工智能或通用人工智能这样的概念,它们意味着复制人类智能,也经常出现在流行文化中。虽然已经有了一些有潜力的突破,比如谷歌 DeepMind 的 AlphaGo 系统,我们还是更注重立即有实在经济的人工智能发展。


为何人工智能发展加速?

深度学习能力的极大发展是如今人工智能拐点背后的催化剂之一。深度学习的底层技术框架——神经网络,已经存在了数十年,但过去 5 到 10 年的 3 种东西改变了深度学习:

数据随着全球设备、机器和系统的连接,大量的无结构数据被创造出来。神经网络有了更多的数据,就变得更为有效,也就是说随着数据量增加,机器学习能够解决的问题 也增加。手机、IoT 、低成本数据存储和处理(云)技术的成熟使得可用数据集的大小、结构都有了极大增长。例如,特斯拉收集了 780mn 英里的驾驶数据,而且通过他们的互连汽车,每 10 小时就能增加 100 万英里的数据。此外,Jasper 有一个平台,能让多家汽车制造商和电信公司进行机器间的交流,这家公司于今年 2 月份被 Cisco 收购。Verizon 在 8 月份做了类似的投资,宣布收购 Fleetmatics,Fleetmatics 做的是将汽车上的远程传感器通过无线网络连接到云软件。未来,5G 网络的上线将会加速数据生成与传输的速率。据 IDC 的 Digital Universe Report 显示,年度数据生成预期到 2020 年达到 44zettabytes,表明我们正在见证应用这些技术的使用案例。

-年度数据生成预期到2020年达到44zettabytes


更快的硬件GPU的再次使用、低成本计算能力的普遍化,特别是通过云服务,以及建立新的神经网络模型,已经极大的增加了神经网络产生结果的速度与准确率。GPU和并行架构要比传统的基于数据中心架构的CPU能更快的训练机器学习系统。通过使用图像芯片,网络能更快的迭代,能在短期内进行更准确的训练。同时,特制硅的发展,比如微软和百度使用的FPGA,能够用训练出的深度学习系统做更快的推断。另外,从1993年开始超级计算机的原计算能力有了极大发展。在2016年,单张英伟达游戏显卡就有了类似于2002年之前最强大的超级计算机拥有的计算能力。


-全球超级计算机的原计算性能,以GFLOPs测试


成本也有了极大的降低。英伟达GPUGTX 1080)有9 TFLOPS的性能,只要700美元,意味着每GFLOPS只要8美分。在1961年,串够IBM 1620s每提供1 GFLOPS需要的钱超过9万亿。

-每单位计算的价格有了极大下降


更好、更普遍可用的算法。更好的输入(计算和数据)使得更多的研发是面向算法,从而支持深度学习的使用。例如伯克利的Caffe、谷歌的TensorFlowTorch这样的开源框架。比如,刚开源一周年的TensorFlow,成为了GitHub上有最多forked repositories的框架。虽然不是所有的人工智能发生于普遍可用的开源框架中,但开源确实在加速发展,而且也有更多先进的工具正在开源。

方向

人工智能对我们生活的影响程度。

在线搜索。就在一年多以前,谷歌透露,它们已经开始将大量的搜索工作移植到了RankBrain(一个人工智能系统),使其和链接(links)以及内容(content)成为了谷歌搜索算法的三个最重要的标志。

推荐引擎Netflix,亚马逊 和Pandora都在使用人工智能来确定推荐什么样的电影和歌曲,突出哪些产品。5月,亚马逊开源了它们的深度可扩展稀疏传感网络引擎(the Deep Scalable Sparse Tensor Network EngineDSSTNE),简称「Destiny」),它被用于产品推荐,同时可以被扩展以实现超越语言和语言理解以及异议识别的目的。

人脸识别GoogleFaceNet)和FacebookDeepFace)都投入了大量的技术来确定您的照片中的人脸和真实的人脸是不是几乎完全吻合。1月,苹果采取了进一步措施,购买了Emotient(一个致力于通过读取人的面部表情来确定其情绪状态的AI创业公司)显然,这些技术远远不止于对照片进行标记。

虽然个人助理应用产品有无数的用户,比如苹果的Siri,信用贷,保险风险评估,甚至天气预测。从这些技术及其使用这些技术的应用的发展速度来看,它们可以为公司和投资者提供一些方向,以保持他们的竞争力。

加强未来的生产率

美国的劳动生产率在90年代中期的快速增长和过去十年的缓慢增长和之后,近年来已经停止增长了。我们认为,就像20世纪90年代互联网技术被广泛采用那样,消费类机器学习和人工智能的扩散有可能大幅度地改变全球产业的生产范式。

在整个行业中,我们发现在自动化的促使下,劳动时间减少了约0.5-1.5%,同时,由于AI / ML技术带来的效率增益,到2025年,这些技术将对生产力增长产生高达51-1154个基点(bps)的影响。虽然我们期望AI / ML可以随着时间同时提高生产率的分母和分子,不过我们认为最重要的是,早期的影响将是低工资任务的自动化,即以更少的劳动时间推动类似的产出增长水平。我们的基本案例AI / ML驱动提高了97个基点,这意味着2025年的增长生产率中的1.61% 将由IT贡献,比1995 - 2004年高出11个基点

-生产力分析;单位百万美元,假设2019年之后GDP线性增长


生态系统:云服务,开源在未来的AI投资周期中的关键受益人

根据金准数据分析,在未来的几年中,一个公司利用人工智能技术的能力将成为体现公司在所有主要行业竞争力的一个属性。虽然战略会因公司规模和行业而有所不同,但如果管理团队不会把重心放在领导人工智能和在此基础上的利益上,那么未来产品创新、劳动效率和资本杠杆都会存在落后的风险。因此,我们认为公司需要投资这些新技术以保持竞争力,同时这将导致对人工智能所以依赖的人才、服务和硬件的空前的需求。

作为比较,20世纪90年代技术驱动的生产力繁荣推动了相应的激增。增加对技术的资本支出导致了新的企业和业务的增加来捕获这些资本支出。在不可避免的行业整合发生之前,成立软件、硬件和网络公司开始发生转变。突出了软件行业内的这种模式。在1995 - 1999年期间,在通货膨胀调整后,市值在20亿美元到50亿美元之间的公共软件公司的数量几乎增加了两倍,在2000年代中期才得到巩固。

伴随20世纪90年代生产力激增的驱动者生态系统(enabler ecosystem

-这十年来,投资人工智能的风险资本出现了暴增

我们看到了由AI驱动的生产率具有产生下一个相似的繁荣周期的潜力,可以通过利用这些潜力,把软件、硬件、数据和服务提供商作为商业投资来创造价值。与AI相关的初创企业的风险投资在这十年中急剧增加。AI企业投资的繁荣现象的巨大潜力也开始推动整合。尤其是云平台对AI相关人才进行了大量投入,自2014年以来,谷歌、亚马逊、微软和Salesforce共进行了17项与AI相关的收购


与过去50年的其他主要技术的周期一样,计算(和摩尔定律)一直是进步的抑制剂和推动者。例如,在系统架构方面,我们目睹了从大型机系统转变为客户端-服务器模型的整个过程,并且近年来已经开始被云/移动模式所取代。这种进化的驱动因素是计算能力、存储容量和带宽的改进。每个转换都伴随着应用开发的转变,包括各种新编程语言的出现和演变和各种可能的应用程序各种的类型。如上下文中所提及的一样,AI这个概念已经存在几十年了,其中神经网络的概念出现在20世纪60年代,虽然直到最近几年,计算能力才开始让神经网络能在实际环境中使用。我们相信我们正处于AI平台的早期阶段,就如同20世纪50年代大型机才开始商业化到21世纪的智能手机和云的商业化。随着平台曲线的变化(我们认为它正在发生),应用程序、工具和服务驱动者(enabler)会爆炸式增长,我们将在下面更详细地讨论。

人工智能的发展可以与历史上的系统架构和编程语言的采用的技术革命相比,尽管我们认为我们目前仍然处在人工智能发展和应用的早期阶段


stack的演变过程以及和AI之间的对应关系

蓝色 =专有供应商,橙色 =开源,绿色 =云服务(注意:一些供应商,如IBMMicrosoft都是专有服务和云服务)


-生产中的机器学习:如何在机器学习管道中利用各种开源和云技术


-机器学习管道中的关键开源项目。可用的项目\支持公司和风险投资


-IT服务提供商在机器学习领域布局


-人工智能即服务(AI-as-a-ServiceAI-aaS))概览:机器学习API正在被开发以解决水平和垂直使用


-AI-aaS产品和定价:云平台的AI-aaS 产品示例


中国人工智能现状

金准数据预测,2020年,中国人工智能市场将从 2015年的 12亿人民币增长至 91亿人民币。2015年,约 14亿资本(年增长率 76%)流入了中国的人工智能市场。

在政府政策方面,中国的国家发展改革委员会(发改委)和其他相关政府机构于 2016518日发布了《「互联网+」人工智能三年行动实施方案》。《方案》指出了人工智能领域发展的六大保障措施,包括资金支持、标准体系、知识产权保护、人才培养、国际合作和组织实施。《方案》提出,到 2018年,中国的人工智能基础资源与创新平台、产业体系、创新服务体系、标准化体系应基本建立。发改委期望中国人工智能产业整体与国际同步,系统级别(system-level)的人工智能技术和应用要位于市场领先位置。

中国已经做出一些重大举措,而且根据提及「深度学习」和「深度神经网络」的被引用期刊论文数量,2014年,中国已经超越美国。中国拥有世界领先的语音和视觉识别技术,其人工智能研究能力也令人印象深刻。百度于 201511月发布的Deep Speech 2已经能够达到 97% 的正确率,并被《麻省科技评论》评为 2016年十大突破科技之一。另外,早在 2014年香港中文大学开发的DeepID 系统就在LFW 数据库中达到了 99.15% 的面目识别正确率。

-「深度学习」或者「深度神经网络」的期刊文章数量

-至少被引用一次的、「深度学习」或者「深度神经网络」的期刊文章数量

中国的互联网巨头百度、阿里巴巴和腾讯(BAT)正在领导中国的人工智能市场,同时数以百计的初创公司也正渗透到这一产业中,并在各种人工智能细分市场及应用领域建立服务模型。目前,中国的人工智能领域包括:

1. 基本服务,如数据资源和计算平台;

2. 硬件产品,如工业机器人和服务机器人;

3. 智能服务,如智能客户服务和商业智能;以及

4. 技术能力,如视觉识别和机器学习。

目前,语音和视觉识别技术分别占中国人工智能市场的 60% 12.5%。在中国,所有和人工智能相关的公司中,71% 专注于开发应用。其余的公司专注算法,其中,55% 的公司研究计算机视觉,13% 研究自然语言处理,9% 致力于基础机器学习。

我们认为,人工智能前沿的重要参与者可能会继续来自美国和中国。


人工智能的作用是使社会、群体的资源效率得以提升。而技术能力的提高,带来成本的下降,使很多应用场景的成本变得可行。因此,金准数据关注使用技术带来边际效益的行业,金准数据同时推出两款人工智能大数据产品: 企业AI分析平台和金准商讯。将人工智能引入大数据,将舆情分析用于企业评估,企业AI分析平台是针对上市公司和大型企业推出的企业信用评估系统。而金准商讯则是面向中小企业,展示企业营销状况、商讯商情推广成果的实时移动平台。

企业AI分析平台是一款企业数据智能查找分析平台,包括企业大数据、产业链大数据、特色库和风险预警四大功能模块。用户可根据不同条件查询企业信息。比如,输入企业产品或提供的服务,即可查询全国提供对应产品的服务的企业。给3800多万家企业贴标签,这是一项大工程,据称也是金准数据企业AI分析平台的一大特色。

企业大数据融合了600多座城市、2800多个区县、3000多万家法人企业数据。产业链大数据则涵盖了36个产业链、8000个行业、40000个细分市场。这其中,企业AI分析平台还着重区别于传统产业链,建立基于经济圈和投资圈的产业链关联关系,能够密切关注整个产业链的运行状况,了解企业上下游企业的信息。

巨头做的大多是平台,而人工智能行业架构不止有底层技术,中间还有中间层,上层还有对于某细分领域的优化和定制,在定制和工程化的过程中也都是有壁垒的。所以说,某些细分领域的机会是有的,巨头也不可能面面俱到地在所有领域都扎下去。“当用户查询企业信息的时候,在企业AI分析平台的企业详情页,不仅可以看到企业工商信息、经营状况、年报信息,同时还会显示风险信息。” 金准数据风险信息的有无,就能体现信誉与信用的一字之差。企业风险信息包括被执行人信息、失信被执行人信息、裁判文书,法院公告和行政处罚信息。这种风险预警功能致力于打造全国企业信用信息防护网,立体、实时地预警失信企业。

AI技术可以提高商业模式应用上的效率,但现在多数是通过SaaS服务按API调用量收费,SDKlicense数量收费,把这个算法做到芯片化,以芯片出货量计费,或放到服务器上按照软硬件一体的方式收费等等,这些比较传统的2B的技术提供、技术输出的收费模式。但是我们看到AI带来的经济效益远远不止于此,客户通过使用AI算法,进行成本结构上的改善可以带来利润上的显著提升。所以这类的场景下,金准数据认为对潜在企业的投资并购是AI应用的最佳结合方式,如果用AI技术验证了,可以帮助把客户的利润、收入提升30%50%,那么我应该提前投资这家企业,获得股票价值增长的收益,甚至可以控股这家企业,它提升了一个亿两个亿的利润,都可以直接并入我的报表。这可能是在未来,比较适配人工智能这项产生巨大价值的技术的商业模式。


根据麦肯锡此前的一份报告显示,人工智能的投资正在快速增长,从全球范围看,2016 年科技巨头在人工智能上投入 200-300 亿美元。其中 90% 花在研发和部署,另外 10% 则花在人工智能的并购上。根据 467 家中国人工智能企业来看,投资事件就有 636 起,2015 年人工智能创业热度最高,当年人工智能创业公司达到 130 家。而在 2016 年,人工智能投资事件就有 208 期,达到最高峰。人工智能总获投资率为 67.65%,行业获投率整体偏高,这不仅代表着创业热潮,同时也表明着投资热潮。


百度:

· 2015 9 月,百度「度秘」:声控人工智能个人助理(整合进百度移动搜索应用)

· 2015 11 月,百度DeepSpeech 2:包含一个大型神经网络的语音技术,通过样本学会将声音与语词联系起来

· 2015 12 月,百度无人车:百度无人车在北京道路上完成测试,并在硅谷设立自动驾驶部门(ADU

· 2016 8 月,百度「DuSee」:为移动设备打造的AR 平台(整合进百度搜索和地图移动应用),在搜索广告方面有着广泛应用

· 2016 9 月,百度大脑:官方介绍,百度的人工智能平台

· 2016 9 月,Paddle Paddle:百度近期开源的深度学习工具包

· 2016 10 月,百度移动应用 8.0:新升级的移动搜索应用,内含一个整合了智能搜索和个性化新闻推荐的系统,其背后采用了人工智能、自然语言处理和深度学习技术

阿里巴巴:

· 2015 7 月,阿里小蜜「阿里小秘书」:虚拟人工智能客服,据公司 2016 10 月报告,问题解决率已达到 80%

· 2015 8 月,DT PAI:基于阿里云的服务,用来处理机器学习过程,被该公司称为是中国的第一个人工智能平台

· 2016 6 月,阿里妈妈光学字符识别:该技术获得文档分析与识别国际会议(ICDARRobust Reading 比赛第一名

· 2016 8 月,阿里云 ET:一套综合的人工智能解决方案套件,包括视频、图像和语音识别技术

腾讯:

· 2015 6 月,优图:腾讯为开发者开放了其面部识别技术,以及优图科技的其他核心技术

· 2015 8 月,腾讯 TICS 实验室:2015 年腾讯设立的智能计算和搜索实验室,专注于四个方面:搜索、自然语言处理、数据挖掘和人工智能

· 2015 9 月,Dreamwriter:腾讯上线中国第一个新闻报道机器人

· 2015 11 月,WHAT 实验室:微信-香港科技大学人工智能联合实验室,于 2015 11 26 日成立






世界巨头公司在人工智能方向的布局

人工智能不是人的延伸,而是人的替代。花旗银行与牛津大学合作的报告预测,美国47%的就业岗位可能被人工智能代替,在英国,这个比例是35,在中国,该比例居然高达77%,在整个世界经合组织国家,平均57%的工作岗位将实现自动化。人工智能所带来的失业潮很可能不同于以往我们所经历的任何一场。在过去,人类所熟悉的失业潮真的如其名字一般如一场海啸或洪水——当技术革命或经济衰退到来,一些不再吃香的行业被淹没了,其中的从业者不得不向“高处”搬迁,通过学习新技能,找更体面、更高技术的工种重新稳住饭碗。金准数据调查发现,在经济下行环境压力下,企业负担问题凸显,中小企业负担较重,很多企业靠借债维持运营,为了降低劳动成本,不少企业在努力创新和以机器代人。例如,目前东莞市政府已建立了推进“机器换人”行动计划,提供设备租赁补贴和“机器换人”贷款贴息。


谷歌在做些什么?

谷歌的搜索算法在过去二十年里进展迅速。从 1998 年的 PageRank 2015 年的 RankBrain,基于链接的网络排名已经进化成人工智能驱动下的查询匹配系统,后者能够不断适应那些独特的搜索(占谷歌所有搜索的 15%)。在云技术方面,公司五月份公布了针对平台的定制化硬件加速器方面取得的进展,一种定制化的 ASIC,亦即 TPU,这一进展对 2015 年开源的机器学习软件库 TensorFlow 进行了补充。过去三年中,在与人工智能相关的收购战中,公司也当仁不让。被收购的公司中,最知名的当属 DeepMind,它提升了 Alphabet 的神经网络功能并已经将其应用于各种人工智能驱动的项目中。


为什么重要?

在搜索中使用算法,谷歌可谓先行者。将自然语言处理应用到配备用户搜索意图和可欲结果方面,公司一直处于领先地位,这也不断加强了公司在该领域的竞争优势。 在进一步推进人工智能领域的融合。在促进人工智能一体化(AI integration)方面,公司的开源应用 TensorFlow 已经为其他云平台以及研究社区利用公司资源提供了先例。同时,谷歌正通过自身优势,比如 TPU,充分利用开源世界为公司提供竞争优势,尽管其机器学习库是开源的。因为 DeepMind, 公司提升了端到端的强化能力;2015 年末击败职业围棋选手的 AlphaGo。将人工智能带到更为广泛的研究社区,同时也通过软硬件方面的自身优势进行创新,谷歌是最好例子。


亚马逊在做什么?

亚马逊正在公司内部和云端使用机器学习技术。2015 4 月,公司发布 Amazon ML,这款机器学习服务能够为对云数据的使用提供机器学习功能(无需之前的客户经验)。公司紧随谷歌的开源步伐,今年 5 月开源了 DSSTNE,一个针对推荐深度学习模型的的库。通过改善搜索、定制化产品推荐以及语音识别、增加有质量的产品评价,公司内部也在使用机器学习改善端到端 的用户体验。


为什么重要?

借助 AWS,亚马逊成为全球最大的云服务商,可能也是最成熟的人工智能平台。借助 Amazon ML,公司成为作为服务的人工智能(AI-as-a-service)生态系统的领先者,将复杂的推理能力带到之前几乎没有机器学习经验的公司办公室当 中。无需基于定制的复杂应用,AWS 用户就能使用机器学习训练模型,评估以及优化潜力。亚马逊推荐引擎使用了机器学习,在匹配用户意图以及可欲结果方面,具有竞争优势,也为公司创造了商机。 公司正更加高效地利用收集到的数据合理化用户购物体验,也让电子商务体验更具互动性。随着 DSSTNE 的开源,亚马逊也与其他科技巨头一起,推动科技社区的人工智能进步。


苹果在做什么?

去年,苹果已经成为最活跃 的人工智能公司收购商,比如 Vocal IQPerceptioEmotientTuri, 以及 Tuplejump。几乎同时收购了 Vocal IQ Perceptio,公司请来了 Johnathan Cohen,当时还是英伟达 CUDA 库以及 GPU 加速软件项目的负责人。近期,据报道,公司请来 Ruslan Salakhutdinov 担任人工智能研究总监,这也标志着公司人工智能战略的转型。在此之前,公司最初人工智能成果之一是 Siri , 第一款嵌入移动技术的虚拟助手,2014 年,其语音识别技术被移入神经网络系统。


为什么重要?

直到去年,苹 果已经取得相对专有的机器学习成就;2015 10 月,Bloomberg Businessweek 报道,在大众消费方面,苹果研究人员还没发过一篇与人工智能有关的论文。不过,这一策略转型多少与新的、与人工智能相关的雇佣与收购有关,科技记者 Steven Levy Backchannel 的一篇报道强调公司已经在人工智能领域活跃一段时间了。特别是,公司收购 Turi 突出了公司要按规模推进非结构数据和推论,以及开放给更为广泛的人工智能研究社区。这次收购,配以基于收购公司技术的较小应用,反映出苹果致力于用这些新 技术创新公司产品。


微软在做什么?

CEO Satya Nadella 表示,微软正在大众化人工智能(democratizing AI)。公司的人工智能和研究团队(总人数大约 5 千多),关注改变人类体验和与机器的互动。微软已经积极地将新的、融合人工智能的功能嵌入公司核心服务中,并在对话计算(比如 Cortana)、自然语言处理(SwfitKey)等方面取得进展。公司正进一步打造基于 GPU FPGA 的云(Azure),在公司所谓的更高水平的人工智能服务,比如语音识别、图片识别以及自然语言处理当中,为机器学习提供动力和速度。


为什么重要?

个单词:人工智能大众化(democratizing AI)。由于这个行业中的公司将研究计划甚至库开放给人工智能研究社区,微软发明了这一表述,用来解释许多领先的人工智能创新者的举动。去年,微软在人工 智能领域颇为活跃,正式发布了产品以及研究计划,并宣布了一个新的人工智能和研究小组(2016 9 月下旬)。微软的 FPGA 表现突出了人工智能可以为普通商业或个人带来什么;不到十分之一秒,它就翻译完了整个维基百科(30 亿个单词和 500 万条条款)。而且伴随着虚拟助理 CortanaSiriAlexa 以及其他助理之间的竞争,进一步将人工智能研发融入广泛使用的产品中去,通过产品进步吸引客户似乎是必须的。


Facebook 在做什么?

Facebook 人工智能研究部门(FAIR2013 )的策略是在更广泛的研究社区背景下研发技术。这个团队以推进无监督表征学习(比如,观察世界、而不是借助人类算法干预,借助对抗网络进行学习)的进步 而为众人所知。应用机器学习部门(AML)FAIR 之后成立,聚焦将研究应用到公司产品中,时间限制为月或季度(而不是年)。公司正将机器学习功能应用到各种垂直领域中,比如面部识别,机器翻译以及深度文 本(DeepText)语言或文本学习。


为什么重要?

公司已经发布了多个无监督学习方面的研究成果,随着机器 学习超越从正确答案中学习,开始聚焦独立的模式识别,无监督学习已经成为一个重要的焦点领域。无监督学习有望去除更多的、与大数据有关的人类成分,公 司在 Yann Lecun 的带领下,正引领该领域的研究。今年五月,公司发布的 FBLearner FLow 合理化了端到端 UI(从研究到工作流程、实验管理以及视觉化和比较输出)。公司的人工智能项目和工作流程应用不限于 AML 成员,公司各部门领域都可以使用借鉴。这样一来,公司就可以利用研究部门之外所取得的人工智能进步。


Salesforce 在做什么?

2014 年和 2015 年,Salesforce 开始解释自己的 Apex 开发平台如何可被用在 Salesforce1 云上完成机器学习任务。从此,该公司开始在人工智能上投入更多的资源,收购了多家人工智能公司,包括 MinhashPredictionIO MetaMind。在 9 月份,Salesforce 推出了 Einstein——一个面向多平台的基于人工智能的云计划。该计划专注于将人工智能融入销售云、市场云、服务云、社区云、IoT 云和 app 云。


为什么重要?

Salesforce Einstein 有潜力促进商业使用数据的方式。在销售云中,该公司希望让各个组织通过预测销售线索得分、洞见机会以及自动捕捉活动来优化销售机遇。市场和服务云将提供预 测参与度得分,来分析消费者使用情况。还能提供预测客户,从而帮助定位市场,并基于趋势和用户历史通过自动案例分类更快解决消费者服务事件。 Salesforce 用微妙的使用案例将机器学习带到云中,强调它对公司核心竞争力的影响。


英伟达在做什么?

伟达已经从之前电子游戏 GPU 生产商转型为机器学习应用硬件厂商。2015 年年底,公司表示,较之使用传统 CPU,使用了 GPU 神经网络的训练速度提升了 10 20 倍。尽管英特尔重金投入的 FPGA(作为 GPU 的替代产品)加入硬件市场角逐,但是,GPU 的机器学习应用能实现更加密集的训练。相对而言,FPGA 可以提供更快、计算密集程度更低的推理和任务;这说明市场会根据实际应用案例区分对待。过去五年,到 2016 6 月为止,英伟达所占 GPU 市场份额已经从二分之一上升到近四分之三。


为什么重要?

在人工智能创新公司和学术机构中,GPU 加速的深度学习一直是许多项目的前沿。英伟达所占据的市场份额意味着,随着人工智能越来越成为未来几年中大型商务的中心议题,公司可以从中获益。使用公司 产品的一个例子,俄罗斯的 NTechLab,使用 GPU 加速的深度学习框架来训练面部识别模型,识别密集集会中的个人,并在 AWS 中利用这些 GPU 进行推理。

作为一种选择,许多大学也使用英伟达 Tesla 加速器来模拟可能的抗体突变,这种变异可能会击败进化中的伊波拉病毒,将来研究会进一步关注流感病毒。


英特尔在做什么?

英特尔的战略比较独特,其使用的案例多种多样。2016 年年中,公司发布了第二代 Xeon Phi 产品系列,以其高性能计算(HPC)能力著称,它可以让人工智能扩展到更加大型的服务器网络和云端。在硬件不断进步的同时,公司也下重金投资 FPGA,这主要归功于其推理速度和灵活的可编程性。英特尔令人瞩目的收购包括 Nervana(深度学习),以及 Altera——该公司将 FPGA 的创新带入了英特尔。


为什么重要?

英特尔关注 FPGA 创新补足了英伟达对 GPU 的关注。当处理大型数据库(微软等许多大公司用来测试大数据分析的边界)FPGA 能够提供更加快速的推理速度。在物联网的应用环境中,公司也宣布了一个计划,旨在将学习技术融入可穿戴微芯片中(显然是通过 Xeon Quark)。物联网和人工智能的衔接有助于为公司和个人日常使用案例的数据搜集机制提供机器学习解决方案。


Uber 在做什么?

Uber 正在使用机器学习优化 UberX ETA 以及接送地点的准确性。为了实现这一点,需要数百万之前搭乘记录的数据点来探测常规交通模式,从而可以相应调整 ETA/接送地点。今年 9 月,Uber 展开了一个自动驾驶试点项目,地点位于匹兹堡,由来自 CMU 的研究人员(受雇于 Uber)负责该项目,很多大型汽车制造商业参与了进来。该公司还和沃尔沃达成了一项合作(金额 300 万美元),研发协作也为这个试点项目提供了机遇。不过,公司并不止步于小轿车。公司收购了一家自动卡车创业公司 Otto,今年十月在科罗拉多,公司试点快递了 5 万瓶啤酒。


为什么重要?

Uber 的机器学习负责人 Danny Lange 在接受 GeekWire 的采访中提及,他们的团队正在将这种技术无缝供给公司的其他团队,这些团队无需具备机器学习背景就可以使用 APIs。这也能让公司不同部门能高效利用机器学习基础架构,例如,UberXUberPoolUberEats 以及自动驾驶工具都使用到了公司的人工智能技术。


IBM 在做什么?

IBM 在全球有 3000 多名研究人员。过去十年,IBM 在认知计算上超过有 1400 项专利,下一代云上有 1200 项,在硅/纳米科学上有 7200 项专利。IBM Watson 利用自然语言处理机器学习技术识别模式,并提供在非结构数据上的洞见,据该公司表示这代表如今所有数据的 80%。其他 Watson 产品包括 Virtual Agent,一个响应分析的自动消费者服务体验;Explorer,这是一个分析并连接大量不同数据集的工具。


为什么重要?

IBM 一直是该领域的先驱,有着极大的成就,包括上世纪 90 年代的 DeepBlue 2011 年的 WatsonWatson 的应用包括医疗中的病人治疗分析,基于 twitter 数据的股票推荐,零售中消费者的行为分析,以及对抗网络安全威胁。据财富报道,GM Watson 加入到了汽车中,在 OnStar 系统上结合了 Watson 的能力。

金准数据 2017年1-6月投融资研究报告 2017-07-28 17:09:57

一、2017Q1-Q2投融资事件数量

2017年前两季度国内投融资事件共发生了6339件其中涉及一级市场投融资事件有3606起,二级市场融资事件1411起,其中二级市场涵盖新三板定增990起,A股IPO上市企业332家。


1、整体概述

从融资阶段分析,2017年半年投融资市场总体回暖,较2016年同期投融资对比,融资阶段开始在早期扩大,大量项目开始重新萌芽;A轮至C轮市场保持稳定;二级市场IPO上市增速明显。


2017年Q1-Q2两个季度的总投资数量对比2016年同期有着明显的上升。种子期的投资事件共有1998起,占总投资事件数量的37.32%。定向增发投资事件共有1058起,天使轮投资事件637起,显示创业投资市场明显复苏。而随着IPO加快提速,IPO上市事件也达到了248起。其中种子期投资表现耀眼,表示我国在经历了2016年所谓的“资本寒冬”以后已经有了明显的回暖,更多的机构和投资人开始响应国家“大众创业,万众创新”的号召,对中小创业者给予资金上的帮助。


二、热门行业盘点

1、领域分布

随着互联网、物联网以及相关的技术应用越来越丰富,我们可以发现在此的基础上诞生了很多复合型、跨领域的创业项目诞生。比如说共享经济,这个领域就将互联网技术、传统生产制造、金融、支付等领域进行了结合。

而新技术的诞生也让市场上的资本一拥而上进行探索,并试图占得先机。这方面体现得最明显的就是VR/AR技术的探索。

在互联网时代逐步从IT时代走向DT时代的过程中,大数据应用也越来越丰富。透过数据渗透到各行各业的决策,是最为直接的应用方式。

创业趋势聚焦于企业服务、生产制造、医疗健康、文化娱乐等领域。其中企业服务领域投融资事件共539起,占总投资事件数的15.69%;生产制造领域投融资事件共537起,占总投资事件数的15.63%;可谓在一众行业当中独领风骚,医疗健康、文化娱乐等行业紧随其后。

从投资机构来看,经纬创投最为活跃,在2017前半年产生了43起投资事件。而在互联网巨头BAT当中,腾讯旗下的腾讯产业基金最为活跃,共产生了31起投资事件。


2、地域分布


由于创业生态、资本聚集、产业效应等因素,北上广深苏杭依旧是国内投融资事件的集中高发地。有983家被投资企业坐落于北京,占总数的27.78%;有630家被投资企业坐落于上海,占总数的15.34%;有543家被投资企业聚集在广东省,占总数的17.8%。

其中除了北京上海以外,广东的被投资企业数量越来越多,这与以深圳为代表粤港澳大湾区的发展不无关系。随着创业环境的完善,创业政策的鼓励,气候宜人及生活环境良好的广东已经吸引了越来越多的创业者来此地区发展。



3、服务领域

企业服务是2017年上半年获得投资最多的创业领域,共有539家企业服务领域的创业公司获得投资。其中在云服务行业有两笔投融资事件金额较大,分别是UCloud的D轮9.6亿人民币和青云的D轮10.8亿人民币。可以由此看出随着互联网技术的应用广泛应用,其基础服务建设越来越受到市场的重视。

除此之外,SaaS行业也颇受资本的青睐。根据IDC数据统计,预计至2020年,中国SaaS市场规模将达到18亿美元。




4、共享经济项目

在这些企业当中,金准数据发现交通出行、金融、硬件这三个领域的创业项目数量最多。分别占比为27.06%、20.39%、19.61%。说明这三个领域目前竞争最为激烈,同时也说明其他领域还具有很大的潜力。

据金准数据调查,以上词云图中的投资机构对共享经济项目的投资次数最多。其中腾讯产业共赢基金、蚂蚁金服、北极光创投、创新工场、经纬中国这5家机构是最活跃的投资机构,可以说是这窝蜂里的“蜂将军”。


投资界的宠儿:共享单车

ofo、摩拜单车相继完成高额融资的同时,国内不断涌现出各类单车共享平台,一时间共享单车、共享电动车、共享滑板车不断刷新着投资圈最高融资纪录。

• 2017年前半年,摩拜单车在华兴资本担任融资顾问的协助下,顺利拿下超过9亿美金的多轮融资。

• 2017年3月,ofo拿下4.5亿美金的D轮融资,由滴滴出行领投。又在7月完成一笔近5亿美金的新一轮融资。

• 2017年1月小蓝单车再获4亿元融资,骑呗单车完成1亿人民币A轮融资。

• 另一方面公司成立时间主要集中在15、16年,对于成立时间短、盈利模式单⼀的共享单车能否经受市场的考验仍需要拭目以待。

新晋霸主



5、人工智能

人工智能领域受到热捧

2017年人⼯智能(AI)依然成为各大机构追捧的对象,巨头公司不断上演收购AI初创公司的竞赛,到2018年62%的大型企业都将会使用AI技术。

• “乂学教育”是自适应智能教育系统研发商,获得1.2亿人民币的天使轮投资,由景林投资、国科嘉和、新东方参与。

• “Geek+”是仓储机器人研发商,获得1.5亿人民币的A+轮投资,由祥峰投资、火山石资本、高榕资本参与。

• “中译语通”是全球语言服务O2O商业平台,获得1.5亿人民币的B+轮投资。

• “达闼科技”是云端智能机器人公司,获得1亿美金的A轮投资,由软银中国和富士康参与。

人工智能行业投融资市场目前保持平稳,真正的爆发期并没有到来。相比于2017Q1的66起投融资事件,2017Q2共发生73起融资,人工智能投资发展驱稳,机器学习、NLP等新技术的应用也将推动产业升级和技术变革,催化智慧生活的到来。


6、消费升级

从个性化到精品的定制,随着“消费升级”热度的持续攀升,轻奢、高端商品将成为拉动消费新主力,由此带来新消费领域三个重要的变化:中高端消费需求提升服务升级消费细分

中高端消费需求不断提升,消费者对性价比要求变高,成为未来消费升级主要驱动力,品质化是消费者需求方不断追求的性质。

消费者购买力提高带来服务升级,非物质需求成为消费升级的重要部分;如,中文包车导游服务平台“皇包车”宣布完成2.1亿人民币B+轮融资;每日优鲜获得C轮近1亿美金融资;消费细分及个性化服务及精品定制也将带来新⼀轮的消费。


7、大数据


大数据方向受资本热烈追捧


8、文娱产业


纵观文化娱乐产业的发展趋势可以发现,伴随产业升级,原创内容越来越受市场欢迎、用户日益成为影响文娱行业的关键,泛娱乐精品化和大IP成为文化娱乐行业重要的发展趋势。数据显示,文化娱乐行业投融资在2017年第一季度转冷后,第二季度立马反弹。说明文化娱乐仍然是大众生活不可或缺的部分。


9、新能源汽车

金准数据发现腾讯产业基金、联想创投、乐视控股等投资机构对于电动汽车企业的投资活动最为积极。

金准数据认为,传统车企进入电动汽车行业具有得天独厚的优势,最主要体现在产业链整合上。新型电动汽车企业数量也越来越多,资本对于这些企业的支持程度十分之大。其中以腾讯、乐视、联想等科技企业对于这一领域十分看好,从投资出手的程度就可见一斑。在未来,电动汽车的市场将随着产业链整合以及支撑服务的提升将被迅速打开,电动汽车企业的市值也将迎来进一步走高。


10、物流快递

2016年始,快递业的资本竞速趋势日渐明显,快递公司纷纷将上市日程提前,力图通过资本市场的融资平台,发展多元化业务,建立竞争的新壁垒。借壳上市成为企业加快进程的必经之路。

物流快递行业呈高速增长趋势

快递业务量连续6年保持50%左右的超高速增长,2016年业务量313.5亿件,增长52.18%,且每月同比增长都稳定在50%左右。新型电商、农村电商、跨境电商正在快速孕育,将进⼀步促进快递业走向品牌化、质量化、差异化。2017前半年物流快递行业共发生69起投融资事件,超九成企业融资额在数千万人民币以上。

其中,比较大的几笔交易如下:丰巢融资25亿人民币,投资方是鼎晖投资、国开金融和钟鼎创投。天天快递获得29.75亿人民币投资,投资方是苏宁云商。


物流快递行业进行技术转型

随着物流快递的转型升级,智慧物流将成为新趋势,促使快递业从劳动力密集型向技术密集型转变。“货到人”将在不久的将来全面实现,将有一大批传统物流从业人员失业。

2016年,顺丰推出“数据灯塔”,不断完善信息平台,整合物流数据,打造“云端物流”,通过对顺丰内外部数据的融合,为物流业提供更智能的服务;菜鸟网络也将结合阿里巴巴在大数据、人工智能领域的优势构建智慧物流生态圈;京东欲打造空中物流网络,集中在自动化运作、数据化运营、智慧化供应链等三个层面布局智慧物流。

除此之外,京东也在自建物流以及仓储布局上下了很大⼀笔功夫,高效是其物流系统的绝对优势之⼀。

重大融资聚焦:乐视X融创中国

6月28日,停牌两个多月的乐视网(300104)在北京召开了2016年度股东大会。从股东会上乐视高管就公司的发展和布局,以及近期乐视非上市公司资产剥离的事件可以发现,此时的乐视正在尝试转让部分烧钱的股权资产,回笼资金重归核心主业,以度过此次的资金危机。

融创中国通过旗下公司收购乐视网8.61%股权,代价为60.4亿元;收购乐视影业15%股权,代价为人民币10.5亿元;增资以及收购乐视致新33.5%股权,代价为79.5亿元,总代价为150亿元。

以上为融创中国直接透过天津盈瑞汇鑫企业管理有限公司(嘉睿汇鑫)控股乐视网的架构示意图。

融创中国的150亿元资金对乐视的直接输血,将重点投向乐视汽车的研发、乐视视频、乐视影业等主要产业,后续情况如何,我们将拭目以待。

金准数据 区块链系列报告之(三) 2017-07-27 16:50:52

区块链应用场景的研究报告


对于整个金融行业和国家金融体系而言,区块链技术和比特币的崛起打开了一个潘多拉魔盒,面对它,有人充满信仰,有人心生恐惧,有人认为比特币是新时代的货币,是人类已知金钱的终结,也有人已经做好了迎接数字货币金融风口的准备。

Linux基金会领导的开源协作项目超级账本(Hyperledger)发布了首个可供大型商业公司利用的产品化区块链代码库。但是,对私有化且被许可的区块链网络的批评一直都是针对私人分类帐的安全方面。由于网络没有进行去中心化,潜在的漏洞可能会导致资金盗窃和信息变更。

区块链的应用与安全挑战下,金准数据为您梳理,未来哪些应用场景将会崛起。


一、区块链技术在金融领域潜在的应用场景

1、数字货币

目前区块链技术最广泛、最成功的运用是以比特币为代表的数字货币。近年来数字货币发展很快,由于去中心化信用和频繁交易的特点,使得其具有较高交易流通价值,并能够通过开发对冲性金融衍生品作为准超主权货币,保持相对稳定的价格。数字货币建立了主权货币背书下的数字货币交易信用,交易量越大,交易越频繁,数字货币交易信用基础越牢固。一旦在全球范围实现了区块链信用体系,数字货币将成为类黄金的全球通用支付信用。

2、支付清算

现阶段商业贸易交易清算支付都要借助于银行,这种传统的通过中介进行交易的方式要经过开户行、对手行、央行、境外银行。在此过程中每一个机构都有自己的账务系统,彼此之间需要建立代理关系,需要有授信额度;每笔交易需要在本银行记录,还要与交易对手进行清算和对账等,导致交易速度慢,成本高。与传统支付体系相比,区块链支付为交易双方直接进行,不涉及中间机构,即使部分网络瘫痪也不影响整个系统运行。如果基于区块链技术构建一套通用的分布式银行间金融交易协议,为用户提供跨境、任意币种实时支付清算服务,则跨境支付将会变得便捷和成本低廉。

以跨境汇兑为例,如果我在本国的一家小型银行开户,向境外另一家小型银行汇款,传统SWIFT体系下的转账过程中需要如下步骤:第一,我向自己所属的小型银行提交申请;第二,小型银行向签有汇兑条款的同国大型银行提交申请;第三,大型银行电汇境外合作银行;第四,合作银行向境外小型银行汇款。目前而言,根据所在国不同,该过程需要10分钟到两天不等。如果使用基于区块链的结算技术,在汇出人民币的同时在做市商处进行挂单,世界上某个参与体系的交易银行接单,双方握手从而完成兑换,支付平均确认的速度则在几秒之内。

3、数字票据

数字票据是结合区块链技术和票据属性、法规、市场,开发出的一种全新的票据展现形式,与现有的电子票据体系的技术架构完全不同。数字票据的核心优势主要表现在:一是实现票据价值传递的去中介化。在传统票据交易中,往往票据中介利用信息差进行撮合,借助区块链实现点对点交易后,票据中介将失去中介职能,重新进行身份定位。二是有效防范票据市场风险。区块链由于具有不可篡改的时间戳和全网公开的特性,一旦交易,将不会存在赖账现象,从而避免了纸票“一票多卖”、电票打款背书不同步的问题。三是系统的搭建和数据存储不需要中心服务器,省去了中心应用和接入系统的开发成本,降低了传统模式下系统的维护和优化成本,减少了系统中心化带来的风险。四是规范市场秩序,降低监管成本。区块链数据前后相连构成的不可篡改的时间戳,使得监管的调阅成本大大降低,完全透明的数据管理体系提供了可信任的追溯途径,并且可以在链条中针对监管规则通过编程建立共用约束代码,实现监管政策全覆盖和硬控制。

4、权益证明

区块链每个参与维护节点都能获得一份完整的数据记录,利用区块链可靠和集体维护的特点,可对权益的所有者确权。对于存储永久性记录的需求,区块链是理想解决方案,适用于土地所有权、股权交易等场景。其中股权证明是目前尝试应用最多的领域,股权所有者凭借私钥,可证明对该股权的所有权,股权转让时通过区块链系统转让给下家,产权明晰,记录明确。整个过程无需第三方的参与。

在伦敦举办的2015年欧洲卓越贸易技术金融新闻奖的主题演讲中,纳斯达克首席执行官BobGreifeld宣布,该交易所打算使用区块链技术管理代理投票系统。代理投票本来是由一家上市交易所使用的一项重要而又费时的操作,区块链技术的应用可以让股东们不必出席公司周年大会就能参与投票,人们用自己的手机就能投票,并且永远保存投票记录。区块链技术被视为股权交易领域能够在更短时间内确保透明交易的先进技术。

5、银行征信

目前,商业银行信贷业务的开展,无论是针对企业还是个人,最基础的考量是借款主体本身所具备的金融信用。各家银行将每个借款主体的还款情况上传至央行的征信中心,需要查询时,在客户授权的前提下,再从央行征信中心下载参考。这其中存在信息不完整、数据不准确、使用效率低、使用成本高等问题。在这一领域,区块链的优势在于依靠程序算法自动记录海量信息,并存储在区块链网络的每一台计算机上,信息透明、篡改难度高、使用成本低。各商业银行以加密的形式存储并共享客户在本机构的信用状况,客户申请贷款时不必再到央行申请查询征信,即去中心化,贷款机构通过调取区块链的相应信息数据即可完成全部征信工作。


二、区块链应用场景的条件

中国银联电子商务和电子支付国家工程实验室朱涛博士在第九届财资论道暨2017中国交易金融高端研讨会上带来分享。业务的推陈出新是基于底层技术的强有力支撑。

技术从原先作为构建信息化平台的一个工具、一种手段,逐渐延伸到与金融的深度融合。而以云计算、大数据、区块链、人工智能为代表的一系列金融科技,正在不断推动金融体系的创新,并延伸出新的产品、新的业务、新的流程。

区块链是和云计算、大数据一样的时代企业级计算技术,也是未来金融基础设施的支柱之一,必定会在未来信息系统建设中占重要的地位。区块链是多个领域、多种技术的集成创新,从技术架构和技术底层来说表现出两种结构,两种算法,一个合约。

结合近两年区块链技术在金融领域的应用探索来看,区块链技术的应用需要从简单的业务入手,逐渐向复杂业务场景扩展。从非核心的业务场景逐渐延伸至核心业务场景,逐步探索区块链在金融行业大规模应用的可行性。 区块链的核心价值主要体现在两点:

1、构建点对点的信任;

2、构建点对点的价值转移的网络。

从技术应用来看,比较适合区块链的应用场景必须满足四个条件:

1、非实时性不能太强;

2、数据存储量不能过大;

3、数据的敏感性要较低;

4、吞吐量较小。比如可信电子凭证、数字化积分、跨境对账、供应链溯源和商业票据等场景。





三、哪些应用场景将崛起

1、三位一体新型资产管理平台

1)量化金融,大趋势下的选择

金融行业相对于以前来说有很大变化,一个明显变化是越来越多的信息公开,很多数据记录在云端和数据库里,我们可以通过计算机接口调用需要的数据,通过包含人工智能方法等量化金融策略分析得出某些指标和未来的走向预测,帮助和指导投资人投资,所以说科技驾驭金融。

“在物理学里我们经常会用到数学建模的方法去处理一些问题,而金融行业本身具有大量有价值可分析的数据,怎样把数学建模的方法融合进来去处理金融行业的问题,感觉这是将来的一个大趋势。”Simons Chain创始人周轶说。


2三位一体数字资产管理

Simons Chain在数字货币金融产业链上是怎样一个定位?就像一个新的金融生态,可以横向类比股票、基金、债券等传统金融体系,数字货币领域已经有了交易所(如火币网、OKCoin、聚币网等),类似于上交所、深交所;也有了类似于高盛之类的发行机构(如区块链公司AChain等),在这个新的金融生态中还没有专业的基金公司,Simons Chain作为数字货币资产管理领域的先行机构将让整个体系更加完整。

Simons Chain 数字资产管理生态主要涵盖三大核心服务:C2C 策略优选超市,B2C程序化数字资产管理, 以及AI 数据模型遴选计划。

C2C策略超市:免费展示数字货币资产管理人的实盘交易业绩,并提供评级服务。优秀的资产管理人可申请对接C端有资产管理需求的用户,发行资管产品,收取服务佣金,用户则可以像在“淘宝”上购买商品一样,选择心仪资产管理人的产品,享受“民间牛人”的资管服务。

B2C程序化数字资产管理Simons Chain团队来源于传统的量化资产管理行业,同时对数字货币交易业务理解深刻。团队专注于程序化交易,为市场上的优质数字货币提供流动性,促进其理性定价,能够管理好生态中用户的数字货币资产,实现保值增值。

AI 数据模型遴选计划:汇聚全球数据科学家的智慧,丰富数据库的交易模型,将交易中遇见的问题抽象成研究课题,面向全球数据科学家寻求有效的模型解决方案,获取到有效的模型之后Simons Chain团队再进行二次开发,产出行之有效的交易策略。


2、食品云的食品履历追踪

用区块链可追踪的特性,可进行部署食品云的食品履历追踪。

区块链的可追踪性、不可窜改特性相当适合作为履历追踪,或是从实体电影票、演唱会门票到非实体商品如贷款、股权、债权商品、点数或智慧财产等数位资产商品交易平台,透过平台营运商或商家互联互通,可支援票据投资、融资及或是点数管理。比如下面的点数平台。

区块链的可追踪性、不可窜改特性相当适合作为履历追踪,或是从实体电影票、演唱会门票到非实体商品如贷款、股权、债权商品、点数或智慧财产等数位资产商品交易平台,透过平台营运商或商家互联互通,可支援票据投资、融资及或是点数管理。比如下面的点数平台。

区块链的「共享帐簿互联网」(Internet of Value)精神不仅可满足于单一平台/商家的交易需求,更能解决传统上跨平台间价值传送的问题,而降低平台之间清算的高额成本。同样,作为实现透明顺畅的全球商品流通的方式,运输和物流业是全球交易的血管系统。与其他任何传统行业一样,它们问题颇多,区块链的变革模式是解决这些问题的一个方式。运输和物流业和区块链的契合更高 。

目前区块链在物流业的应用也许受限于风险和批评,但是项目的成功将拉近现实的距离,我们可以推测数年后区块链将像野火一样燃遍整个行业。未来,区块链(Block chain)和大数据(Big data)被称作金融科技的两大支柱。

然而安全及资讯防罪永远处在技术竞赛中。区块链旨在建立安全可靠的交易环境,却也有骇客虎视耽耽。

2016年6月公共区块链以太坊(Ethereum)上的智慧化群众募资平台The DAO(the Decentralized Autonomous Organization)遭到骇客入侵。DAO是一种智慧化合约,它为了防范以DAO平台上募资中少数人以过半比例强渡关山某个专案,因而设计了「splitDAO」的机制,可让不想投资的人将钱转到ChildDAO合约,然而骇客利用其中的漏洞发动「Race to Empty」攻击,非法转出投资人的以太币约370万个,价值约合台币10亿元,同时暴力分叉了区块链。另外,近年来已有多家比特币交易商被骇,导致比特币窃取,甚至有交易商因此关门。这些都造成大众、特别是官方单位对区块链的疑虑。

不过金准数据认为这些都只是区块链发展中面临的挑战,但我们不应该缺席。目前,区块链去中心的架构对于很多没有传统金融等领域制约的地区都是一个非常大的发展机遇。全球掀起共享经济热潮,需要平等参与的架构,区块链去中心化的设计正符合这个精神,只需共享演算模式,不需共享资料,只要我们能处在区块链的浪头上,就能参与改变世界的游戏。


3、ICO规范机制

25日在贵阳举办的“区块链ICO行业生态体系建设研讨会”上,贵州区块链产业技术创新联盟、中关村区块链产业联盟、区块链金融协会、贵阳区块链创新研究院等6家区块链研究机构联手发布“贵阳区块链ICO共识”(下称“ICO共识”),这也是国内首个规范区块链ICO发展的共识机制,旨在规范与发展,防止发生系统性金融风险。

ICO是区块链公司或自治组织发行初始加密代币,出售给合格参与者从而间接获得资金、用于项目开发的一种融资方式。简而言之,本质上就是卖出代币,换回比特币,然后兑换成现金的融资模式。ICO推出的初始加密代币代表的是技术基础设施的使用权,或者是使用开源项目服务的预付费。

目前,ICO作为全球区块链金融重要组成部分,还处于野蛮生长状态。伴随着比特币行情的癫狂及投资人门槛一路走低,整个ICO行业存在着诸多问题。在这样的背景下,根据“ICO共识”,贵阳着力于构建区块链ICO行业生态体系,通过构建基于合规体系之上的区块链数字资产生态,规范和繁荣ICO市场,服务实体经济,防控金融风险。

此次会议上还推出了国内首个“区块链ICO沙盒计划”。该计划将推出共建机制,号召行业内领导性公司在协会自律自清的共识之下,建立标准“沙盒计划”及各领域“子沙盒计划”,通过进一步细化规则,形成切实可行的监管体制。

在共建机制之下,“区块链ICO沙盒计划”将开展ICO创新试点,在ICO制度建设、监管模式、信任机制、投资者教育方法等方面寻求成熟的解决方案。

同时,在确保投资者利益的前提下,在监管沙盒内对ICO的上市审批、投资者限制、项目公开宣传和推介等方面实施有限豁免或有限授权,允许ICO项目开展测试活动而不需要担心监管后果,为ICO项目创造安全的创新空间,降低创新成本和政策风险。

“区块链ICO沙盒计划很快就会落地,这也将是国内首个具有监管和自律性质,由政府指导、民间行业组织规划和执行的沙盒计划。”贵阳区块链创新研究院执行院长叶强表示。




四、中小型企业将受益更大

无论规模大小,企业都需要承担经营所必需的短期成本。办公室租金、短期投资和员工薪水通常按周或者按月支出,而应收账款需要90至120天才能收回。目前的发票融资方式,即中小型企业为了即时付款而出售短期资产的方式,对它们的业务产生不利影响。没有长期信用记录的公司通常没有资格筹集资金,而大多数公司又付不起保理公司的佣金。

由于比特币等加密数字货币作为一种付款方式被越来越多的人接受,企业主们开始期待这或许能为中小企业在应收账款上提供解决办法。


1、发票融资增长迅速但有缺陷

发票保理是最受欢迎的发票融资方式,要求企业将发票按一定折扣卖给保理公司。保理公司将未支付的发票视为资产,尤其当这些发票来自于信誉良好的客户时。这些发票只存在于何时支付,而不是是否支付的问题,所以通常金融家们愿意为小企业提供流动性以换取部分发票收益。

客户信誉良好、结算周期长的企业最常进行发票融资,比如需要向众多司机付款的物流公司,与政府签了长期合同的公司,以及在交易完成前需要购买所有原材料的纺织品制造商。

全球化和中小企业日益增长的盈利能力带动了发票融资的强需求。大多数银行对于任何形式的企业融资都需要大量抵押担保和长期的信用记录。尽管在经营小型企业的经济可行性越来越强,但信贷约束却没有改变。正是这样的资金缺口催生了对短期融资的大量需求。与之相似的情况是,全球贸易增长的速度也比企业收回款项的速度更快。简而言之,当前金融体系的创新步伐跟不上全球经济的增长需求。

发票融资在全球范围内正迅速增长。United Capital估测目前全球发票融资规模达到3万亿美元,并且以24.8%的年增长率上涨。在亚洲和欧洲这两个全球最大的保理市场中,许多国家的发票融资年增长率都超过了20%。尤为显著的是,过去五年中国的发票融资年增长率达到了54%。

但这些极有价值的解决方案并非没有缺陷。发票融资并不便宜,债权人要求的佣金可以高达应收账款的10%。对于在支付即时账单已经很困难的小企业而言,高昂的佣金将令它们的生存更加艰难。此外,核实流程也很繁重,需要耗费大量人力。检查借款人的信用值、确认交付的货物及服务、评估准确的发票条款需要手写签名及大量资源,这些工作都拉高了保理费用。


2、区块链技术应用是最适合的方案

区块链技术非常适合解决上述问题。对于有短期资金需求的小企业来说,区块链技术已经作为一种解决方案被提出来了。区块链非常适合用于标记金融资产以及记录所有权的复杂变化。由于在评估每张发票时涉及到众多第三方,利用区块链技术使得核实和支付功能去中心化,能大大提升保理业务的效率和公平性。

“有了区块链技术,每张发票都是唯一的,可以通过信用评分算法进行评估,从而提升整个发票融资流程的自动化程度和透明度。”Hive project的联合创始人兼CEO Jure Soklic表示。

Jure Soklic称,由于ICO已经超越了风险投资,Hive project希望帮助中小企业越过传统金融机构,满足融资需求。由以太坊提供支持的P2P市场能将成长中的小企业与迅速增长的投资群体对接起来。流动的区块链资产几乎能让每个人都参与到发票保理业务流程中。

企业能够确保他们上传的发票信息将被加密保存在整个融资周期中。Hive project利用自适应算法,而不是过时的人工计算来评估借款人的信用值。ERP的整合允许用户自动上传所有评估所需信息,缓解了发票核查问题。同样地,所有的金融协议都通过智能合约来记录和执行。

类似于Hive project的区块链技术应用正在消除P2P融资结构的边界。曾经风险投资只是风投公司的专利,但现在越来越多的投资者都能参与进来。加密市场的区块链和资产流动性将驱动发票保理行业愈加民主化。

随着越来越多的应用涌入市场,势必有一些会失败。但无论如何,金准数据确信这个充斥着交易对手风险和金融交流的市场已经有了好的开始。

金准数据粤港澳大湾区研究报告 2017-07-27 10:24:04

1、香港回归20周年,中央研究制定“粤港澳大湾区”发展规划

有关“粤港澳”合作很早已经开始,但作为国家级战略发展的提出,只是在近年。

2016年广东省政府工作报告曾提出,“开展珠三角城市升级行动,联手港澳打造粤港澳大湾区”。到2017年两会,已经进入总理政府工作报告,“研究制定粤港澳大湾区城市群发展规划”,此时的粤港澳区域发展已经上升为国家战略,媲美世界三大湾区纽约湾区、旧金山湾区以及东京湾区的第四大湾区——粤港澳大湾区作为中国经济新引擎受到世界瞩目。

2017年4月7日,国家发改委制定印发《2017年国家级新区体制机制创新工作要点》;2017年4月11日,总理李克强回见港特首林郑月娥时谈到“今年,中央政府要研究制定粤港澳大湾区发展规划”。可见,未来粤港澳三地协同合作将达到新高度,成为提升珠三角区域整体国际竞争力的引擎,并有望成为世界一流城市群湾区。

“粤港澳大湾区” 世界级城市群由“9+2”城市组成,即“广州、佛山、肇庆、深圳、东莞、惠州、珠海、中山、江门”9市和香港、澳门特别行政区形成的城市群。


2、粤港澳大湾区,具备成为世界一流大湾区城市群的基础条件

2.1.世界级城市群竞争力与共性

世界顶级城市群大多分布在湾区,全球沿海地区的经济总量和人口主要集中在湾区。从城市竞争的角度,全球城市竞争力最强的一定是大城市群,大城市群的竞争力看湾区,尤其是各国沿海湾区。如美国旧金山湾区,由103个城市形成一个城市群,各个城市间是平等的,依托各城市自身优势,使整个湾区城市群成为科技经济的创新中心。

世界级城市群都有共同特点,即高聚集度,对内联系紧密,对外高度开放。世界著名三大湾区——东京湾区,纽约湾区、旧金山湾区,他们依靠极强的金融业和发达的科技业,GDP总量和人均GDP极高,加上粤港澳大湾区后,世界上将有四大湾区。

中国符合上述特征的是“两江一海”,即环渤海经济圈、长江三角洲城市群和粤港澳大湾区。粤港澳大湾区,是由一个海湾或相连的若干个海湾、港湾、邻近岛屿共同组成的区域,相比较而言,更具竞争力。

2.2 粤港澳大湾区经济实力突出

2016年,粤港澳大湾区经济总量近1.4万亿美元。2015年、2016年两年,广东的经济总量直逼西班牙,在全球约居第15位,在中国各省区市经济总量持续排名第1位。

2015年数据显示,从世界角度看广东各城市GDP发现:广州GDP追赶新加坡,深圳GDP赶超香港,佛山GDP直追欧洲名城阿姆斯特丹,东莞GDP超越“赌城”拉斯维加斯。经济总量方面,中山与日内瓦、江门与爱丁堡并驾齐驱,弯道超车的肇庆与“工业革命重镇”利物浦相当。

“广州-深圳-香港”是粤港澳大湾区世界级城市群的脊梁,而广佛同城、深莞惠一体化、深汕合作、港珠澳的联通,都是围绕这个湾区展开。广州是华南区中心拥有厚重的岭南文化;香港是世界金融中心之一,代表先进文明;深圳是中国金融科创中心,加之其民营、制造和高创能力突出,连接周边东莞、惠州、中山、江门湾区制造业等基地,将引领湾区硅谷起飞。


2.3 粤港澳大湾区交通网络日臻完备

截至2016年底,广东省公路通车总里程21.8万公里,高速通车里程7673公里,位居全国第一;港口码头泊位2811个,其中万吨级及以上泊位304个;全省港口货物年通过能力达到16.7亿吨,位居全国第二,其中集装箱年通过能力达到5948.1万标箱,位居全国第一。

“十三五”期间,广东省港口将集群化。将整合优化粤港澳大湾区内铁路、公路、水路、民航等基础设斲,形成粤港澳大湾区互联互通、辐射国内外的综合交通运输网,成为“21世纪海上丝绸之路”国家门户。

2030年,珠江口东西两岸将建设12条公路和铁路跨江通道。加快高速出省通道和粤东西北地区连通珠江三角洲的高速公路建设。规划33条出省高速公路,其中通香港4条、通澳门2条。

随着深中通道贯通、港珠澳大桥落成,深茂铁路和广佛江珠城际轨道通车,整个珠江三角洲将形成像旧金山湾大湾区一样的城市群,对周边城市区域的人流、物流、资金流辐射力大幅提升。



3、大湾区是港澳在内的珠三角城市融合发展的升级版

粤港澳区域的合作从过去几十年前店后厂的经贸格局,升级成为集金融中心、科创中心、先进制造业和现代服务业于一体的最重要的城市集群示范区;从区域经济合作,上升到全方位对外开放,引领“一路一带”发展国家战略。

3.1预计将从六大方向建设粤港澳大湾区

17年3月6日两会期间,广东省发改委主任何宁卡建议,未来将仍六个方面重点发展粤港澳大湾区。

加强基础设施互联互通。形成与区域经济社会发展相适应的基础设施体系,重点共建“一中心三网”,形成辐射国内外的综合交通体系;

打造全球创新高地。合作打造全球科技创新平台,构建开放型创新体系,完善创新合作体制机制,建设粤港澳大湾区创新共同体,逐步发展成为全球重要科技产业创新中心;

携手构建“一带一路”开放新格局。深化与沿线国家基础设施互联互通及经贸合作,深入推进粤港澳服务贸易自由化,打造CEPA升级版;

培育利益共享的产业价值链。加快向全球价值链高端迈进,打造具有国际竞争力的现代产业先导区。加快推动制造业转型升级,重点培育发展新一代信息技术、生物技术、高端装备、新材料、节能环保、新能源汽车等战略新兴产业集群;

共建金融核心圈。推动粤港澳金融竞合有序、协同发展,培育金融合作新平台,扩大内地与港澳金融市场要素双向开放与联通,打造引领泛珠、辐射东南亚、服务于“一带一路”的金融枢纽,形成以香港为龙头,以广州、深圳、澳门、珠海为依托,以南沙、前海和横琴为节点的大湾区金融核心圈;

共建大湾区优质生活圈。以改善社会民生为重点,打造国际化教育高地,完善就业创业服务体系,促进文化繁荣发展,共建健康湾区,推进社会协同治理,把粤港澳大湾区建成绿色、宜居、宜业、宜游的世界级城市群。


3.2粤港澳大湾区将聚焦“八大产业”

粤港澳大湾区的产业发展将紧紧围绕研发及科技成果转化、国际教育培训、金融服务、专业服务、商贸服务、休闲旅游及健康服务、航运物流服务、资讯科技等八大产业。


金准数据 区块链系列报告之(二) 2017-07-26 15:54:42

比特币依靠特定算法并通过大量的计算产生。然而,由于P2P的去中心化特性与算法本身,也将比特币的总数量永久限制在了2100万个。正因如此,比特币才具有极强的稀缺性,这意味着其背后蕴藏着巨大的升值空间。

比特币是运用区块链技术最早最成熟的应用,从2009年1月25日上线,至今已经运行了7年。区块链是比特币的底层技术。区块链不仅用于比特币,还可以跟其他行业结合,通过区块链+,可能会对行业产生重大影响,甚至是颠覆性的变革。


一、区块链是什么

1、区块链的概念

什么是区块链?从通信层面看,区块链是一种网络协议,就像网站编程须遵循HTTP协议,否则网站无法互通。邮箱的邮件系统须通过SMTP协议来进行信息通信,否则邮件递送。如果没有大家统一认可的协议,彼此之间的通信就会出现问题。也就是说,区块链跟HTTP协议、SMTP协议一样,也是一种网络协议。

从数据存储方式看,它是分布式的,非中心化存储,就像一个分布式的账本,所有的记录由多个节点共同完成,每个节点都有完整账目。所有节点参与监督交易是否合法。没有任何节点可单独记账,避免记录被篡改。之,区块链是一个网络和权限对等的结构,去中心化的结构。在区块链中,任何参与者都是一个节点,每个节点有对等权限。

·分布式、去中心化是区块链最明显的特征,此外还有如下三个重要方面:

首先,区块链为保证账户信息的安全和隐私,具备加密算法。虽然区块链上的交易等信息是公开的,但账户信息是被保护的,没有授权无法访问数据。

其次,为了保证记录有效性,区块链拥有一个共识机制。多个记账节点须达成共识才能确认记录有效,比如比特币采用的共识机制是POW(Power Of Work)。

最后,区块链还有智能合约机制。根据真实数据记录,达到预定条件时,自动执行特定条款。比如航班延误险,通过区块链智能合约,一旦到达了可赔付的条件,自动把钱打入客户账务。


2、公开的分布式账本

区块链就是以去中心化和去信任化的方式,集体维护一个可靠数据库的技术方案。区块链可以理解为一种全民记账的技术,也可以理解为一种分布式记账技术,因此,也有人将区块链称为“公开的大账本”。

区块链技术之所以得到关注和应用,主要是因为其解决了信息通信中的一个基础问题——拜占庭将军问题。拜占庭将军问题由计算机学家莱斯利·兰伯特提出,其本质是解决信任问题,源于拜占庭帝国即东罗马帝国,当时帝国国土辽阔,为了防御目的,每一支军队都分隔很远,将军与将军之间只能靠信差传递消息。根据拜占庭军队的规定,只有所有的将军和副官在达成共识的情况下才能攻打敌人。但是,军队内可能存在叛徒和敌军的间谍左右将军的决定,因此,在已知有成员谋反的情况下,其余忠诚的将军如何不受叛徒影响达成一致协议成为问题。

将拜占庭军队中的信任问题对应到通信世界中,实际上就是分布式系统中进行信息交互时面临的难题,即在整个网络中的任意节点都无法信任与之通信的对方时,如何能够达成共识来进行安全的信息交互而无须担心数据被篡改。区块链的出现,让这个问题迎刃而解,当有一个公开、透明的“账本”存在的情况下,整个系统中的所有节点都能够在信任的环境下进行自动安全的数据交换。

目前业界对于区块链的相关研究还在进行中,在一些技术领域也存在诸多争议。不过区块链的三大特征值得关注。

第一是去中心化,这意味着整个网络没有中心化的硬件或者管理机构,任意节点之间的权利和义务都是均等的,且任一节点的损坏或者失去都不会影响整体系统的运作。因此,有观点认为这决定了区块链的系统具有极好的强壮性。

第二是去信任,参与整个系统中的每一个节点之间进行数据交换是无须互相信任的,因为整个系统的运作规则是公开透明的,所有的数据也是公开的,因此在系统指定的规则和时间范围内,节点之间不能也无法欺骗。

第三是无法篡改和加密安全性,区块链采用单向哈希算法,同时每个新产生的区块严格按照时间顺序推进,时间的不可逆性导致任何试图入侵和篡改区块链内数据的行为都能被追溯,从而被其他节点排斥,数据的安全性得到了充分保障。


二、比特币的与区块链的关系

1、比特币的概念

比特币是2009年由一个化名中本聪(Satoshi Nakamoto)的神秘个人(或组织)创建的。本质上,比特币就是一份数字文件 ,里面列举着帐户和金额,就像是一个账本,这份文件的副本被保存在比特币网络的每一台电脑中。

其实,在现实世界中,这些数字不具有任何意义,它们之所以存在价值,是因为人们自愿用其交易真实货物以及购买服务,并相信其他人也会这样做。

当你向别人转账时,需要向整个网络发送一条信息,随后你账户的金额就会减少,接收者账户的金额就会增加。与此同时,比特币网络中的节点或计算机会更新其账户副本信息,然后继续将交易信息传递到其他节点。这种以数字计算为基础的安全机制,组成了比特币交易网络本身,是一个系统,让一组计算机共同保存一份账本。

其实这与银行保存账本的方式很像,由一组计算机保存而非一个单一实体组织来保存账本。不像在银行只有你自己知道你的交易信息,在比特币交易网络里,每个人都知道每个人的交易信息。而在现实生活中,你能够信任银行也有权起诉它(如果某些交易出了差错),但在比特币网络中,你每时每刻都在与陌生人打交道,因此你不能相信任何人。换言之,比特币系统的设计机制也让“信任”没有存在的必要。特设的数字函数确保系统的每个方面正常运行。


2、比特币与区块链的关系

区块链是比特币的底层技术,但日渐独立于比特币,由于其自身技术的成熟程度与安全性等优点,可以在多个领域发挥作用,应用领域及发展潜力巨大。

比特币自诞生以来,目前已拥有超过100亿美元的总市值,日均交易市值最高达到25万美元/人,日交易量峰值达到3500万美元。比特币七年的运行足以证明区块链技术的成熟性与可靠性。

简单来说,区块链类似于一个公共信息记录本,所具有的去中心化、开放性、自治性、信息不可篡改以及匿名性等五大特征,使其在金融领域具有天然优势,可以降低审核清算成本,减少对中心节点的不信任,让金融资产的流动更加透明便利。

事实上,目前区块链技术的应用的确逐渐由数字货币向“区块链+”过渡,由金融领域逐步向物联网等非金融领域延伸。


3、比特币的运作机制

例如A给B转账时,他只需向比特币网络广播一条信息,说明账户和金额信息,从A账户转5个BTC给B账户,每个接收到这条信息的节点,会更新他们的账户副本信息,然后继续传送这条交易消息,但节点如何能确定这条请求是可信的呢?因为只有真正的拥有才有权发送这条信息。

实际上,比特币有一套密码规则,用来解锁和管理货币交易,这种密码叫做“数字签名”。就像现实生活中的亲笔签字一样,它能够证明交易的真实性,并通过一种数字算法实现。这种算法能够防止数据复制或伪造。但与简单的静态密码不同的是,每笔交易数字签名都完全不同。

因此,在比特币交易网络中你是和完全陌生的人打交道,所以你永远不要把密码暴露给别人,因为密码有被复制和重新使用的危险。

数字签名是这样运作的,它由两个不同但相互关联的密钥构成,“私人密钥”用来创建一个数字签名,“公共密钥”用来让其他人核对私人密钥。我们可将私人密钥看作真正的密码,数字签名将作为一个媒介,证明你拥有密码,同时并不要求你将密码信息展示出来。

在比特币交易网络中,公共密钥其实就是“发送至”地址,所以当你向某人转账时,其实是将货币发送至对方的公共密钥。消费时,你必须证明你是公钥地址的(钱被转至的地址)真正拥有者,通过交易信息和你的私钥生成数字签名的这个过程,可以证明你是真正拥有者的身份。

网络中的其他节点可在一个不同的函数中,利用该数字签名来核实它是否与你的公钥相符。通过分析数字签名背后的数学算法,网络中的其他人就能够核实发送人为密钥真实拥有者,而无需真正看到密钥。

有一点非常重要,由于数字签名取决于交易消息,因此每笔交易数字签名都不相同,而且不能在另一笔交易中再次使用,而且数字签名取决于交易信息的关系,意味着没有人可以修改该信息。当该交易信息在网络中传送时,因为任何对交易信息的更改都会导致数字签名失效。当然,这背后的数学算法非常复杂,因此我们在这里不做详细的解释,但可以提供一些关键词供大家自行百度,例如‘椭圆曲线数字签名算法’,‘数字陷门(函数)’等等。

比特币交易网络中,货币的所有权是通过验证历史交易信息进行核实的。

例如要发送5个BTC给B,A必须援引之前收到这5个或更多比特币的历史交易信息,这些被援引的交易记录称作“进账”,网络中核实该交易信息的节点会查看那些“进账”,以确保A是真正的接收者,并确保进账数额为5个BTC或更多。


三、关于区块链技术的讨论

1、区块链带来的革新

全球正在掀起一股区块链的热潮。作为比特币的底层技术,区块链正在越来越多地引发学术界、金融界以及科技界的关注。有观点认为,区块链解决了点对点通信中的信任问题,构建了一个公开、透明的环境,能够以不用中介的方式,通过互联网实现直接的、点对点的价值传递。虽然从技术成熟度和应用的落地情况上看,区块链距离真正的普及还需时日,但是区块链带来的理念和架构的革新,却相当值得关注。

人类的近二十年是一个非常不一样的二十年。我们几乎说不清在这二十年里,我们已经多少次被各种逆天的技术的出现虐心了。从链接全球的internet到去中心化的internet 2.0,从横空出世的大数据到打败人类最强大脑的AlphaGO,AI人工智能。

仿佛仅在一夜之间,区块链(blockchain)就火了起来。其不仅成为美国风投机构青睐的领域之一,同时也引起全球各大金融机构的关注,越来越多的技术公司更是投身其中,以期抢占先机。

互联网的出现,带来了两项最重大最深远的影响就是:实现了信息的去中心化;链接了亿万个个体。正是由于这样的影响,深度影响了我们的生活,塑造出很多原先并不存在的便利,但是同时,潘多拉的盒子被拉开,在创造了便利的同时也创造了新的问题。

当信息的来源去中心化以后,信息源的真实性可靠性已经无法保障。互联网世界良莠不齐,充斥着各种虚假信息。与此同时,正因为链接个体的广泛,同时信息在被链接的个体中传播时也缺乏控制的手段,可能在传播的过程中的任何一个环节出现被篡改的可能。而信息的不真实,作为社会运行的一个熵值,降低了社会运行的效率。每一天我们都在为验证各种信息的真实性而奋斗,如果从整个社会来看,这是巨大的浪费。

目前不少网站和APP数据质量不高,各种数据鱼龙混杂,无法确定哪些数据是真实可信的,但区块链的到来,通过记录一切的分布式账本解决了数据质量的问题。区块链的到来,意味着一个可信任社会的到来。

区块链互联网跟传统互联网最大的区别在于:区块链是一个基于信任的价值互联网,而传统互联网更多是信息互联网。如果说互联网+开启了传统行业走向互联网的意识觉醒,那么,区快链+将结结实实地改变传统行业的主体、交易方式、交易流程、商业模式等。

区块链+各种行业就是要帮助各行业提升生产力。交易成本高往往是不信任导致的,“区块链+”各种行业的本质是解决行业信任的问题。一旦解决了行业信任的问题,就可大幅降低交易成本、缩短流程、提升效率,最终提升整个行业生产力。那么,区块链+的核心就是要把所有需要中介来做信任的行业逐步消解掉。

当前互联网的很多中心节点和服务平台,本质上是信任中介。用户通过淘宝、滴滴、美团、支付宝、微信支付等信任中介来完成购物、出行、叫餐、支付等行为。但互联网从来就不会静止不动,持续演进是常态,未来人们会有新的信任依赖。

由于区块链的记录不可篡改,真实可信,人们对区块链的信任要逐渐超过对中心化公司的信任。在众多区块链企业和一些传统行业的共同努力下,世界将由中心化的信任驱动逐步过渡到由算法、数据为核心的系统驱动,当中心化的信任中介被逐渐弱化之后,区块链为代表的系统将逐步接管整个世界的运作方式,最终形成“去中介化”的系统信任。

因此,区块链不仅是一种技术,更是一个关于世界运作范式转移的故事,尽管这个故事从目前看还有点遥远,但它已经有了萌芽和初步的发展。区块链互联网会从跟信任、溯源最密切相关的产业切入,逐步扩张、扩大,直到大多数行业都被区块链化,都被区块链+”


2、市场热度持续升温

进入2016年,区块链就以前所未有的热度“火”了起来。全球各大金融机构纷纷表示关注区块链并展开相关的研究和试验,传统技术公司以及大量的初创公司开始推出区块链技术和应用。而随着各方力量的加入,区块链技术正在争议中野蛮生长。甚至有观点认为,区块链未来将颠覆整个金融行业。

俄罗斯联邦储备银行(Sberbank)副主席Andrey Sharov在不久前举办的2016年麦德龙展览会上大胆预测,区块链技术的出现和普及会在2026年前让银行消失。摩根大通前首席执行官Blythe Masters投身区块链公司也被认为具有风向标意义。IBM的区块链专家詹姆斯·沃利斯(James Wallis)日前在一个行业研讨会上表示,区块链技术近来取得的一系列成果正在使其变得更加强大,相比较传统的金融体系,区块链更为安全。

正是因为看到了区块链技术可能带来的颠覆,全球越来越多的顶级银行展开了基于区块链的研究。在各大区块链组织中,有一抹身影不容忽视——R3 CEV区块链联盟,这是由金融科技公司R3领导的,全球主要银行财团共同参与的联盟。据悉,目前已经有数十家全球性的大型银行加入这一联盟,共同探索如何利用区块链技术。

畅想未来,随着移动互联网、物联网等应用的普及,区块链去中心化、可信任、不可篡改的特性,确实将给很多行业带来变革。在区块链打造的公开、透明的信息交互环境中,借助算法能够在两个完全没有信用关系的交易主体之间达成协议。而区块链去中心化的特性,更利于个人隐私的保护。



3、存在的问题

区块链也会遇到很多问题,比如性能和容量问题。从理论上,各种数字资产都可以运行在区块链上,如音乐、电影、小说等,但目前公有链技术区块只有几MB级别容量,如果所有数据都写进区块,区块链短期内极大膨胀,会导致无法存储。当交易量快速增长,也会影响交易速度,影响用户体验,会导致用户对区快链的信任度下降。

另外,史上最大的众筹项目The DAO 遭受攻击损失价值6000万美元以太币的事件也让用户对区块链发展存在疑虑。

目前虽然有不少行业已经有了区块链应用,但要产生真正的影响还需要一段时间。同时,还有很多应用怎么落地,怎么跟现有的企业融合,怎么有效提升生产力,也是需要摸索。

政府和行业相关利益方如何看待区块链,如何认知区块链对现有体系的影响也会对区块链发展速度产生重要影响。尤其是区块链有去中心化的特征,这对于现有的监管机构和行业来说,有哪些是不兼容的?比如监管方面,区块链在改造具体行业时如何做到监管合规,尤其是金融行业。当因为区块链技术导致金融交易速度加快、流动性大增时,对金融的监管规则如何制定?如何实现有效监管?这需要很多实践探索。

随着智能产品越来越多,智能设备可以感应和通信,让真实数据自由流转,并根据设定的条件自主交易。区块链让所有交易同步、总账本透明安全,个人账户匿名,隐私受保护,可点对点,一切运作高效。这是一个面向未来的场景。

区块链+各种行业,让系统产生的信任变得比“中心化中介”产生的信任更加可依赖,这导致“无中介”信任世界的到来,“机器产生的信任”成为驱动这个世界前进的重要方式。这个改变对于人类社会来说,是非常深远的。它跟人工智能和大数据一起成为改变人类生活及工作的重要源泉。

从目前看,区块链互联网处于非常早期阶段,对行业真正产生影响需要一段时间,但跟任何新生事物一样,总会遇到各种困难和实施问题,只要它代表的是一种更高效率的生产力,最终会普及开来,成为互联网进化史上的重要阶段。

金准数据 区块链系列报告之(一) 2017-07-25 16:33:12

从语言的诞生到互联网的发展,技术不断推动我们在新的尺度上合作。人类在规模和力量不断增长的互联网中协作努力,一起达成共同的目标。而现在,在无数人接入互联网这个巨型共享平台的时代,一个新的理论将让35亿人无障碍知识共享这一目标得以实现。这便是区块链技术(Blockchain Technology)。

区块链技术是一种正在发展的数据库技术,它将每个区块用于保存不断增长的数据列表的分布式数据库——用时间戳和链接串联起来,使块中的数据不能被更改和追溯。通过这种开放式、分布式的“账本”,交易记录可以被高效且稳定的存储。其特点是去中心化与公开透明。


一、区块链的运行规则与模式


1、零边际成本社会

金准数据认为人类社会从工业社会向信息社会的过渡,是一场堪比人类祖先走出非洲那样的大迁徙,只不过这是一场“数字化大迁徙”。如果说12世纪到13世纪欧洲的“大航海”时代是人类社会发现了一个物理上早就存在的“新大陆”;那么,正在进行的数字化迁徙时代就是人类社会的第二次“地理大发现”,只不过这次是建设了一个之前并不存在的、非物理结构的数字世界。

量子链(Qtum)的发行加密数字代币的“ICO”模式,本质上就是一种建立在数字世界里、用数字化方法来重构的、新型的企业制度和产权关系。现代产权理论的基础是科斯观察到的市场机制运行中的“交易成本”,而企业之所以成为市场活动中的基本组织单位,就是为了降低交易成本。

我们看到的数字化经济运行规则,和1937年科斯看到的工业化经济运行规则,有了巨大的新变化。一首歌曲要发送给一万个人,在工业化经济运行规则下,我们得灌成一万张唱片,原子结构的边际成本是递增的;而在数字化经济运行规则下,我们通过互联网发送,比特在互联网上的传递,别说一万个人,一千万个人来接受这首歌曲,边际成本也几乎为零。在数字化世界里,像“ICO”这样的分布式商业模式,已经不同于1937年科斯眼里为了降低交易成本(科斯《企业的性质》)而设立的企业了。


2、共享经济模式

人们已经习惯于把这种新型的经济组织叫作共享经济模式。而我更愿意把它称之为“分布式商业模式”。相对于共享经济模式,分布式商业模式涵盖的范围更大:共享经济之外,还包括开源软件社区、非营利服务机构、分布式商业自治组织等。

分布式商业模式最大的几个特点是:1)基础技术架构体现为分布式网络结构,相关各参与方处于点对点对等关系,相互互不隶属;2)价值创造机制体现为数字化规则下的零边际成本;3)价值增长机制体现“摩尔定律”,一旦越过拐点,立马实现指数级增长;4)组织机制体现为以社区自治、平台组织和生态系统作为运行架构;5)协作机制体现为依靠共识而不是指令;6)激励机制体现为羊毛出在猪身上的互联网思维;7)利益分配机制体现为共享、分享、他享。

分布式商业模式尽管具体表现形式多种多样,在目前这样一个早期阶段,我们还没有穷尽的能力。但它们都有一个共同的特质:轻所有权,重使用权,甚至没有所有权,只有使用权。比如开源软件社区,比如共享经济模式,比如非营利性机构,再比如分布式自治组织(在区块链上,人们把分布式自治组织称为“DAO”:系Distributed Autonomous Organization的缩写),指的是无中心控制机制的、去第三方中介服务的,以点对点、端到端方式来运行的组织。类似比特币区块链、以太坊区块链那样的公有区块链,是一个最典型的分布式商业组织的案例:产品著作权完全开源免费、没有服务器没有运维人员没有组织、一套软件发布到网络上之后就完全依靠志愿者社区来开发维护、任何人无须许可就可以下载终端成为网络节点、非营利无权益人也无收益分配。


3、与人工智能并驾齐驱的革命性技术

人工智能和区块链的关系相当于生产力和生产关系。人工智能可以使得我们社会的生产力极大地提升,因此相当于生产力。而区块链则是在更好的处理经济活动中人与人的关系,利益分配方式,因此相当于生产关系。

一个是极大提升社会的生产力,一个是极大的改善和优化生产关系。但对我们而言,它们还有一个本质的区别:人工智能普通人很难参与,而区块链给了更多普通人一个参与的机会。


4、资本与资产VS所有权与使用权

根据现代产权经济学理论,所有权适合私有,否则无法很好地解决“公地悲剧”和“租金消散”的问题。而在分布式商业模式运行规律之下,我们发现:与所有权的私有不同,使用权适合“公有”!一辆汽车,在私有的状况下,使用率大概10%;而在共享经济的模式下,使用率可以提高到50%;有研究机构甚至提出,在无人驾驶技术成熟之后,采用分时共享模式,一辆汽车的使用率可能提高到90%。很显然,这种情况下,无论从内部效用还是外部效用来分析,使用权一旦“公有”,对各方面的效用都是最大化、最优化的。

经济社会的基本规则就是产权规则,你改变了产权的规则,你就改变了整个系统。所有权的虚化、轻化或者幻化,催生出来一种新的金融服务体系,一块完全崭新的风景画展现开来:以所有权为基础,对应的是资本市场;而以使用权为基础,对应的是资产市场。技术的开源、产品的分享、组织的自治及商业目标的非营利使得分布式商业模式下,没有了资本的立足之地。在消费者、投资者和交易者眼里,代表所有权的资本失去了价值,作为提供消费和体验的产品或资产才具有价值。金融的新疆域由此而开辟。

在移动互联网之前,手机叫功能手机,移动互联网之后,手机叫智能手机,中间的差别就在于功能手机不能24小时连网,手机一旦在线,就成为了智能手机;同样道理,IBM在其发表于2014年的物联网白皮书中,把能够24小时连网在线的机器设备也命名为智能设备;当区块链技术于2009年横空出世,业界把登记在区块链上的能够24小时在线的智能设备称作智能资产(在线与在链)。

资本与资产这一字之差,金融涵义却别有洞天。资本更适合证券化,不适合货币化;资本的基本形态是股权或债权,适合证券化为股票或债券。资产更适合货币化,不适合证券化;资产的基本形态是使用权或分享权,适合货币化为数字代币(Coin、Token)。证券化的资本,使得所有权可以拆分转让,因为流动性提高,融资也随之方便;货币化的资产,使得使用权可以拆分转让,因为是以数字货币的形态流通,7天24小时全球交易,税收结构最为简单,交易费用最为低廉,流动性更高,融资也更为方便。

人类刚创造出房屋时,是没有产权、物权意识的,最初的房屋只有遮风避雨的功能意识。物权、产权意识的出现,导致房契、地契等权益凭证的产生,而这些权益凭证的产生,极大地提高了物权、产权等资本品的整体可转让性;证券化更使得房契、地契等权益凭证可以份额化,使得物权、产权的可转让性极大提升,其价值也大幅提升,财产性收入也成为人民的主要收入来源之一;而区块链带来的资产数字化,是在物权、产权等资本品份额化之后,把使用权等资产也份额化了,资产数字化的金融表现形式就是资产的货币化。

资产货币化是一个实物资产“液化”的结果,一旦实物设备被数字化,数字的传输和水的流动一样高效多能了,实物资产一旦获得像“水”一样的流动性。一台设备或者一辆汽车,如果24小时与互联网连接,设备的身份登记在区块链上,我们就可以确保它的身份的唯一性、确认它传输的数据的真实性、追踪设备的轨迹和状态、用它每分每秒传送过来的数据重塑一个数字化的它,以其作抵押物或以其使用价值作锚定物来发行数字货币融资。


基于所有权的金融体系有如下特点:1)是营利性商业机构;2)往往依据《公司法》采用公司法人体制;3)发行股权、债权及其衍生品等投资工具融资;4)投资者具有收益分配权及剩余财产追索权;5)除特殊结构,大多数情况下,股东承担有限责任;6)需要建立现代公司治理机制,既约束股东,也约束经理人;7)负有在企业经营的不同环节缴纳各种税收的义务;8)需要聘请第三方中介机构如会计师事务所和律师事务所来增加透明度;9)外部监督机制:政府部门、第三方中介机构如会计师事务所等。

基于使用权的金融体系特点却不同:1)主体经营活动追求非营利性;2)往往采用开源基金会的公共性组织结构,没有权益人;3)共建、共有、共担、共享、共治的分布式自治组织;4)社区治理机制取代了公司治理机制;5)外部监督机制除有限度的依靠政府外,不再依靠第三方中介机构,基本采用各种数学算法模型来作内部约束;6)发行数字货币(coin)或数字代币(token)等投资工具融资;7)投资者对发行机构不享有股权债权、收益分配权及财产追索权;8)发行的数字货币与法定货币不同,没有利息收入(这点类似黄金),只有数字货币价格变化的损益;9)只是在数字货币的交易环节才有税收产生;10)最重要的是:基于使用权的金融体系一定是建立在区块链或分布式账本上的。



二、区块链的优势

1、分布式去中心化(公正)

由于区块链中每个节点和矿工都必须遵循同一记账交易规则,而这个规则是基于密码算法而不是信用,同时每笔交易需要网络内其他用户的批准,所以去中心化的交易系统不需要一套第三方中介结构或信任机构背书。

2、 开放性(公开)

系统是开放的,除了交易各方的私有信息被加密外,区块链的数据对所有人公开,任何人都可以通过公开的接口查询区块链数据和开发相关应用,因此整个系统信息高度透明。

3、自治性(可信)

区块链采用基于协商一致的规范和协议使得整个系统中的所有节点能够在去信任的环境自由安全的交换数据,使得对“人”的信任改成了对机器的信任,任何人为的干预不起作用。

传统时代,人们用日久见人心来建立信任,但区块链的共识机制可以让陌生人初次见面时,就建立信任。这极大的减少了接触产生信任的成本,让市场更高效。

4、 信息不可篡改(可靠)

一旦信息经过验证并添加至区块链,就会永久的存储起来,区块链的数据稳定性和可靠性都极高。

坚石哥解读:传统情况下,一些服务都要经过某个公司,一旦这个公司的数据中心垮掉了,服务就瘫痪了。但如果使用区块链协议,除非整个互联网垮掉了,否则服务一直能进行下去。

当然,区块链链还有许多的优势,比如我们在享受互联网越来越便利的同时,个人的信息安全隐患一直都是大家担忧的事。但如采用区块链的方法,就可以避免用户在获得互联网服务时,失去隐私。



三、现状及前景分析

1、区块链+供应链管理,开启透明化时代

区块链+的各赛道包括金融、医疗、供应链、物联网等,均出现了不少落地应用的尝试。供应链管理和供应链金融,由于市场规模足够大,满足多信任主体、多方协作、中低频交易、商业逻辑完备等特点,天然是区块链的用武之地,备受瞩目。

对于制造业公司而言,如果说从0到1靠研发,那从1到N靠的就是供应链,好的供应链管理能够降低产品和运营成本,保证出货速度,是企业的核心竞争力。比如美国苹果公司的奇迹背后,背后就有一套卓越的供应链管理体系在支撑,CEO库克是著名的供应链专家。

然而,随着全球化分工的日益深化,现代企业的供应链不断延长,出现零碎化、复杂化、地理分散化等特点,给供应链管理带来了很大的挑战。比如一家波音客机,就有超过600万个零部件,其中90%由外包供应商制造,这些供应商数量巨大,且分布在全球各地。

根据IBM商业价值研究院发布的报告,这种现状导致了供应链的不透明性,信息不对称导致且摩擦成本高昂,而区块链这种“信任机器”能够提高核心企业对供应链的掌控力,进而使得产品高效准确地溯源成为现实,当商品的信息、物流、资金流都记录在链上,结合物联网技术,创造出新的商业模式。


2、区块链+供应链金融

全球著名债券评级机构穆迪曾给出过127个区块链案例,从积分到交易清算,从文件存证到供应链管理,从跨境支付到供应链金融,各种应用层出不穷。

而在如此众多的应用当中,又属供应链金融领域备受瞩目,商业化落地的进展较快。

这是因为首先,供应链金融这个场景具有万亿级别的市场规模,天花板足够高,其次,这个场景天然需要多方合作,却又没有一个传统中心化的机构在治理,需要用区块链来建立信任,同时,在技术上这个场景并不需要高并发,目前的区块链技术能够满足。

那么供应链金融这个赛道的优势何在,传统的模式存在哪些痛点,区块链能够创造出哪些新的商业模式来解决这些难题,创业公司们又当如何切入这个领域,行业里又已经有了哪些案例,作为投资了全球40余家区块链初创公司的VC基金,分布式资本将会持续关注这个领域的应用。


供应链金融万亿级别市场

根据定义,供应链金融(Supply ChainFinance),是指将供应链上的核心企业以及与其相关的上下游企业看作一个整体,以核心企业为依托,以真实贸易为前提,运用自偿性贸易融资的方式,对供应链上下游企业提供的综合性金融产品和服务。

根据融资担保品的不同,金融机构将供应链金融分为在应收账款类、预付类和存货类融资,其中应收账款类的规模尤为巨大。

国家统计局数据显示,2016年末,我国规模以上工业企业应收账款12.6万亿元,同比增长10% ,这其中产生了企业巨大的融资需求。而相比于巨大的应收账款,2015年我国年商业保理量仅在2000亿元左右,可以看出,还有大量供应链需求没有被满足,因而供应链金融行业发展空间巨大。


3、国外典型供应链管理公司案例

Skuchain

Skuchain是家美国的供应链区块创业公司,得到了数字货币集团(DCG)、分布式资本、AminoCapital的投资支持,主要开发区块链供应链的解决方案,解决贸易融资当中的痛点,实现无纸化。去年Skuchain与澳洲联邦银行(CBA)、富国银行(Wells Fargo)一起合作完成了一次基于区块链的跨境贸易: 将一批 88 包的棉花从美国的德克萨斯州运到中国的青岛,实现了智能合约、区块链、物联网三种技术综合运用。


Everledger

区块链初创公司Everledger是钻石防伪行业的领导者,目前已经加密保护了100万颗钻石,通过完成对钻石的保护了确权,该公司致力于打造一个钻石的交易市场,已经拥有了围绕钻石产业的多种商业模式。去年底,everledger又进入了葡萄酒行业,打造了一个叫做Chai Wine Vault的葡萄酒防伪和打假系统,通过高分辨率照片、酒庄、储藏记录等90个维度来验证每一瓶葡萄酒。


Chronicled

Chronicled是一家利用区块链技术来帮助验证收藏类运动鞋的创业公司,它使用“智能标签”来确保消费者产品的真实性。公司已获得了由香港风险投资公司曼图资本(Mandra Capital)领投的342万美元种子轮融资,其他投资方包括黑豹资本(Pantera Capital) 以及Colbeck资本管理公司。


BlockVerify

BlockVerify 是一家位于伦敦的初创企业,是一家基于区块链技术的防伪方案服务商,目前主打药品的追踪溯源。公司提供的服务包括:真伪验证,帮助专家验证产品真伪等。Block Verify能够鉴别商品包括:伪造品、调换品、被偷商品、虚假交易。



4、本年第一季度区块链行业形势

第一季度对于区块链领域来说是个重要阶段,见证了数字货币的大幅上涨及企业以太坊联盟的成立,它可能最终会成为该行业发展的决定性阶段。在该季度,ICO也持续获得了更多关注,尽管这种活动缺乏美国证券交易委员会(SEC)等机构的明确监管指导。

然而,该季度也并不总是充斥着币价上涨、联盟成立的好消息。

在第一季度,比特币用户的交易费用达到新高,SEC拒绝了两个比特币ETF的上市申请,不过该机构正在对此重新考虑。并且,中国人民银行,即中国央行,作为监管机构在其国内的比特币交易生态系统中开始扮演更加积极的角色,导致了长达数月的提币冻结及世界交易量的变化。但总的来说,这个季度对区块链行业来说仍然是激动人心的。为了使人们了解整体情况,金准数据做了以下总结。

1) 数字货币价格回升

几乎所有数字资产在第一季度都出现了价格回升,市场总值增加了70亿美元,达到250亿美元的历史新高。在第一季度结束以来的几个月中,数字货币的总体市值已突破900亿美元。

在第一季度,十大数字资产的价值都上涨了,各种各样的代币价值都创下了历史新高,其中一半实现了两位数的涨幅,另一半则分别增长了三倍。虽然比特币的价值增长了10%,但随着小资产实现重大增长,比特币的市场占有率出现历史新低。

与传统货币相比,比特币的涨幅超过了几乎所有主要国家的货币以及贵金属,而贵金属经常在有限供应、独立于政府、对冲传统金融市场崩溃方面被拿来与数字货币作比较。

2) 交易量与费用上升,更加关注扩展

第一季度刷新了一系列记录,比特币最高日交易量达287098笔,最大区块达0.92MB,最昂贵交易费为0.62美元。

其他主要公有链也在第一季度实现了更多应用,包括以太币、达世币、门罗币、零币等一系列专注于隐私的数字货币。

比特币扩展的道路已经铺平,链上扩展可以通过“SegWit”(最近使用莱特币推出)或扩大固定的最大区块(或诸如“Segwit2Mb”等混合方案)等进行,链下扩展可以通过像“闪电网络” 和Raiden等进行。

3)监管者对全球市场产生重大影响

由于全球各地的机构制定了影响隐私货币交易结构和处理的决策,第一季度的交易构成发生了变化。1月份,中国人民银行就零交易费和反洗钱政策问题与三大比特币交易和其他国内交易所进行了会面。随着OKCoin、火币网、BTCC和其他中国交易所暂停提币和保证金交易等功能,并提高手续用,全球交易量大幅下降。在第一季度,世界其他国家也出现了主要监管进展,有积极的,也有消极的。


3月份,SEC拒绝了Winklevoss兄弟比特币ETF的上市申请,该申请差不多于四年前就提出了。几周后,该机构又拒绝了SolidX的一个ETF提案,其理由都是该市场严重缺乏管制。

然而,有些地方的情况则不同,日本的监管机构已将比特币视为合法支付方式,引发了对亚洲国家对该领域更多的兴趣。

2017第一季度区块链行业报告的焦点研究通过一份波斯语的调查查看了“伊朗区块链热度”,发现大多数受访者都在使用数字货币来进行跨境支付。

值得注意的是,大多数受访者都认为伊朗政府可以有效推动比特币及其社区的发展。

4)对许可链和企业发展的兴趣增加

更多传统公司进入区块链领域,丰富了该领域不断发展的“许可”方面的研究。

随着联盟规模扩大,以企业为导向的项目在本季度见证了许多发展,试点项目通过与主要组织和公司的合作继续开展。彼时,由Linux基金会主导的超级账本项目的成员、概念验证、框架和工具都增加了。于2月成立的企业以太坊联盟则拥有众多大型公司和区块链初创企业,以使用以太坊公共网络实现互操作性为目标。

金准数据 人工智能系列报告之(二) 2017-07-24 17:01:06

从未来5-7年的中期来看,金准数据认为计算智能和部分感知智能将迎来机会,计算智能的基因检测和药物发现、感知智能中的医疗智能语音、医疗智能视觉、可穿戴医疗设备等将迎来爆发;从未来8-10年的长期来看,部分感知智能如:远程医疗和医疗机器人、认知智能的智能决策和智能诊断将迎来爆发。

 

一、人工智能在医疗行业的主要应用领域

人工智能的最大特点是高效的计算和精准的分析与决策,它刚好是现在医疗的痛点所在,因而人工智能在医疗行业有着广阔的发展空间,我们认为其在医疗领域主要的应用领域有:基因测序、药物发现、医疗智能语音、医疗智能视觉、医疗机器人、可穿戴设备、远程医疗、智能决策、智能诊断等。

人工智能在医疗领域中可划分归类为:计算智能、感知智能和认知智能,人工智能在医疗领域的完美应用场景是感知智能、计算智能、认知智能互相协同,形成一个完整的智能闭环。

 

1.智能医疗之——计算智能

计算智能是人工智能借助云计算对大数据的高效智能计算与分析。计算智能是人工智能的基础环节,高效的智能计算可以有效挖掘大数据之间的有效信息,它是认知智能和感知智能的前提和保障。计算智能在意料中最为典型的应用就是基因测序和药物发现。

基因测序:指分析特定DNA片段的碱基序列,也就是腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)与鸟嘌呤的(G)排列方式。基因测序是一个典型的,依靠计算智能来发现人的个性化的例子, 它能锁定个人病变基因,提前预防和治疗,预测罹患多种疾病的可能性,个体的行为特征及行为合理,如癌症、白血病、运动能力、酒量等。基因测序相关产品和技术已由实验室研究演变到临床使用,我们认为基因测序技术,将会是是下一个改变世界的技术。

 

药物发现:智能计算利用大数据为当代药物发现带来了空前的机会,它允许科学家在以前难以想象的时域和微观尺度探索化学多样性空间、发现药物靶标、模拟受体-配体的相互作用、解析药物分子的作用机制,研究中药的配方问题。在药物研发领域中,大数据具有信息量大、信息种类繁多、数据产生的速度快等特点。药物发现中最重要的不仅仅是数量,而是对于数据的整合、分析与解读,从海量数据中快速地找到那些真正具有价值的成分,或通过对于数据的分析,及时总结出规律,缩短药物发现的时间。

 

 

2.智能医疗之——感知智能

感知智能层是信息采集和信息控制的执行环节,也是潜在市场空间最大的环节,我们要关注新的技术和趋势。感知智能在医疗方面的应用主要用来解决人际交互问题包括:医疗智能视觉、医疗智能语音、可穿戴医疗设备等。

医疗智能语音:医疗智能语音是基于语音识别、语音合成、自然语言理解等技术,为企业在多种实际应用场景下,赋予产品“能听、会说、懂你”式的智能人机交互体验。通过语音识别和疾病数据分析,可实现机器诊断疾病。医疗是专业度更高的领域,有很多专业术语和专业技能需要机器去学习,只有通过海量的学习,人工智能诊断疾病可更准确、更快捷、更安全,使得人机交互与智能诊断能成为现实。

目前医疗智能语音主要用于医生电子病历的生成,以云知声的智能语音产品为例,在临床和科技室场景支持中,在神经科、免疫内科、血液科、普通内科等的语音识别准确率达到95%以上,辅以云端语义校正技术后,整体识别率接近100%。

 

医疗智能视觉:医疗智能视觉分析是智能视觉在医疗领域的应用。智能视觉在医疗行业的应用的要求要比其他行业更高,其最广泛的应用就是智能图像识别,通过智能视觉的图像识别技术,计算机可以分析病人的医学成像如X片检查情况,通过更精准的智能识别,给出更准确的判断。目前,智能视觉在对图像的检测效率和精度两个方面,都可以做得比专业医生更好,除此之外,还可以减少人为操作的误判率,克服人性的弱点。

 

医疗机器人:感应机器人系统是用于医院、诊所的医疗或辅助医疗的感应机器手臂或机器人,因为应用领域的不同,医疗机器人的种类很多,有临床医疗用机器人、护理机器人、医用教学机器人和为残疾人服务机器人等。最为典型的代表就是Intuitive Surgical公司的达.芬奇手术机器人,其特点是,通过机器人系统获取更加精准的手术信息,同时,操作过程中拥有着比人手更加灵活精准的守护治疗,如今达.芬奇手术机器人已经在全世界范围内开始应用,并且已经为数以万计的患者提供服务,实现了小范围的商业化。

 

可穿戴医疗设备:可穿戴的医疗设备是可穿戴设备的一种,其重点是偏向于医疗数据的采集,它集成了多种无线传感器,可以测量环境指标如:空气湿度、温度、亮度、辐射强度等以及人的生理指标如:体温、心跳脉搏、呼吸、血压、血糖等,并通过无线网络将测量数据发送给接收的云端。未来可穿戴医疗设备将会集成更多、精度更高的无线传感器,可以实时获取人身的各项生理数据,进而可以更好地配合医疗。

 

远程医疗:远程医疗是指通过计算机技术、遥感、遥测、遥控技术为依托,充分发挥大医院或专科医疗中心的医疗技术和医疗设备优势,提高诊断与医疗水平、降低医疗开支、满足广大人民群众保健需求的一项全新的医疗服务。远程医疗的前提是远程感知设备能够感知到足够多的、精准的医疗数据,并通过远程传递的方式送到医生面前,引领医生进性疾病诊断和治疗。目前,远程医疗技术已经从最初的电视监护、电话远程诊断发展到利用高速网络进行数字、图像、语音的综合传输,并且实现了实时的语音和高清晰图像的交流,为未来更进一步远程医疗的应用提供了先行条件。

 

3.智能医疗之——认知智能

医疗认知智能是人工智能在医疗领域应用的高级阶段。其特点在于其机器能够“理解”非结构化数据,就包括语言、图像、视频等,认知智能的核心能力实际上是机器拥有人类的某些能力,但人类相比,其优点是计算能力更加高效而且永不会疲劳。认知智能在医疗领域应用时,一方面可以进行医疗相关信息的管理,另一方面又可以参与疾病的诊断与治疗。

 

医疗智能决策:智能决策是建立在计算智能与感知智能的基础上做出深层次的智能决策,高效的医疗智能决策依赖于感知智能获取的精准信息、又依赖于计算智能的高效计算,感知智能和计算智能都是智能决策的前提条件。相较人的决策而言,医疗智能决策通过对医疗大数据的智能分析,在多条路径中高效选择找出最佳的决策路径,能有效提高医疗效率、降低医疗成本。智能决策可以用于医院医疗信息的管理,又可用于医疗方案的制定。

智能诊断:智能诊断也是建立在计算智能与感知智能的基础上做出深层次的医疗诊断。智能诊断在医疗诊断过程中能给出具体治疗方案,其方案是基于针对性的病情诊断结果,并对这种病情提出最佳方案建议和效果说明。智能诊断的前提是要具备认知智能的“学习”与“思考”能力。

以沃森医生为例,IBM Watson可以在17秒内阅读3469本医学专著,248000篇论文,69种治疗方案,61540次试验数据,106000份临床报告,通过海量汲取医学知识,包括300多份医学期刊、200多种教科书及近1000万页文字,因而IBM Watson在短时间内通过学习迅速成为肿瘤专家;除了学习能力外,还能“思考”,有效地将学到的海量知识利用起来,进而可以像专家一样提供医疗建议和咨询。

 


二、医疗行业生态链以病人的需求为核心

智能医疗产生态链应该紧紧围绕病人展开,从和人的交互角度来看,其主要由云和端构成,其中,云是医疗生态链的顶层环节,是为了解决医疗信息的存储汇总管理、发掘与决策的云端应用层,如谷歌的医疗大脑,它一般是不和人们直接接触;端是医疗行业的落地点,是智能医疗设备和人的交互环节,是获取与反馈病人信息、检测与治疗的设备终端,如核磁共振检测仪、手术机器人等均属于端的范围,医疗生态链的端作为人机交互的终端设备拥有着最广阔的市场空间,其未来的演化路径是便捷化、实时化、智能化。

 

病人是医疗需求的出发点和落脚点:病人是整个医疗行业的核心,是医疗行业的根本驱动力所在。从病人群体角度看,所有人都是潜在的病人,因而所有人都在从事疾病治疗、康复理疗、疾病预防等的某一个或多个环节。因此我们认为,整个医疗生态链的市场空间非常大。

 

环境恶化导致各种疾病迸发进一步刺激医疗需求:环境污染尤其是水、空气等资源的污染导致大量并发症,以空气污染为例,全世界每年有10万人因为室内空气污染而死于哮喘病,其中35%为儿童。在空气污染环境下生活的儿童更容易患支气管过敏反应,这种过敏反应到头来又会导致生命后期发生过敏性哮喘和其他肺部疾病。环境污染进一步给医疗提出了新的需求。

 

老龄化、发病率持续走高进一步扩大医疗需求:从2007年以来,我国老龄人口的人数和占比均呈现上涨态势,老龄人口从2007年的1.53亿人上涨至2015年的2.12亿人,占总人口比例从11.6%上升到16.2%。预计2020年老龄人口可达2.49亿人,占比可达17.4%。从数据上看,我国人口老龄化趋势非常明显,老年人的发病率较年轻人更高,因而,人口老龄化给医疗行业带来巨大需求。

 

 

三、人工智能颠覆医疗行业生态链

金准数据认为,人工智能对医疗行业的颠覆是全方位的。首先,颠覆传统的药企,颠覆传统药企主要体现在药物发现环节,可以提供精准化、个性化药品;其次,颠覆传统的医院,颠覆的路径是促使传统医院从固定到移动、从近程到远程;再者,颠覆医生的诊断方式,促使医生从繁琐的事物中解脱出来,转变成诊疗规则的制定者和诊疗过程的监督者;最后,颠覆病人的看病方式,病人将逐步实现足不出户得到精准的、个性化的解决方案,从而拥有更好的治疗体验。

1. 人工智能直击医疗行业痛点提供精准化、个性化医疗

当人工智能有了大数据和云计算辅助加之市场上大量的医疗案例可供学习,人工智能设备的医疗判断与决策将比医生更可靠。我们认为,未来机器判断的比重会越来越高,人工智能通过对病人个人信息与特点的深度分析,提供针对性更强的医疗解决方案,从而使得吃药、手术等治疗方案变得更加精准与可靠。

 

个性化医疗:个性化医疗是以个人基因组信息为基础,结合蛋白质组、代谢组等相关内环境信息,为病人量身设计出最佳治疗方案,以达到治疗效果最大化和副作用最小化的一门定制医疗模式。传统医疗以病人的临床症状和体征,结合性别、年龄、身高、体重、家族疾病史,实验室和影像学评估等数据确定药物和使用剂量、剂型,这通常是一个被动的处理方式,缺乏个性化,无论是治疗过程还是治疗效果均难以令人满意。而个性化医疗则有着更好的治疗效果与医疗体验。从长远角度看,个性化医疗通过更精确的诊断,预测潜在疾病的风险,提供更有效、更有针对性的治疗,预防某种疾病的发生,比“治有病”更节约治疗成本。

精准医疗:是一种将个人基因、环境与生活习惯差异考虑在内的疾病预防与治疗的新兴方法。其本质是通过基因组、蛋白质组等组学技术和医学前沿技术,对于大样本人群与特定疾病类型进行生物标记物的分析与鉴定、验证与应用,从而精确寻找到疾病的原因和治疗的靶点,并对一种疾病不同状态和过程进行精确分类,最终实现对于疾病和特定患者进行个性化精准治疗的目的,提高疾病诊治与预防的效益。与个体化医疗相比,精准医疗更重视“病”的深度特征和“药”的高度精准性,是在对人、病、药深度认识基础上,形成的高水平医疗技术。

 

2 .人工智能颠覆医疗行业演化路径

目前,中国“AI+医疗”产业尚处于起步阶段。随着全球科技巨头陆续将人工智能平台开放,将有效弥补我国在底层方面的积累不足,各个细分领域的AI+医疗创业公司将受益。目前,众多巨头已经纷纷布局“IA+医疗”,未来更多针对性应用有望破蛹而出。我们认为人工智能颠覆医疗行业的演化路径主要顺序为:计算智能 → 感知智能 → 认知智能。从计算智能到感知智能再到认知智能,是人工智能的不断深化与完善的过程,也是实现人工智能对医疗行业颠覆的演化路径,我们认为三者将在互相协同并进中实现对医疗行业的颠覆。

(1) 人工智能颠覆传统医药制造行业

医药制造企业是指从事药品生产和经营销售的企业。传统医药企业的药品制造和经营具有很大的弊端。以药品发现为例,传统的制药过程需要大量的组合实验与样本测试,消耗大量人力、物力和财力,且制造出来的普适性药品收获的医疗效果很难令人满意,根据临床测试显示,传统的药品制造往往只对非常小的样本人群有效,而对于大部分人来说不仅起不到治疗作用,还有很大的副作用,因此我们认为人工智能将颠覆传统医药制造行业。

首先,人工智能将颠覆医药的发现模式。人工智能在医药发现中的应用越来越受到重视,人工智能借助大数据和云计算在医药发现中,可以通过海量数据模拟药物的效果与药物成分之间的化学反应。因而可以实现微观尺度探索化学多样性空间、发现药物靶标、模拟受体-配体的相互作用、解析药物分子的作用机制。对大数据的分析解读后,从数据海洋中寻找有效药物成分,快速完成药物的发现。

再者,人工智能使将颠覆医药的供应方式。传统的医药供应中,供应的均是通用的药物,我们认为未来药企提供的是个性化的、精确的药物。传统医药供应中往往只注意到了人的通性而忽略到人的个性。而人工智能在医药行业的应用则可以有效解决个性的问题,人工智能通过辨别人的性别、体重、基因等方式来确定人的个性,并针对性人的个性设计出对其效果最佳的药品,从而在大大提高药品的效果的同时减少对身体的损害。因而我们认为提供个性化、精准化的药物将是未来长期的发展趋势。

 

(2) 人工智能颠覆传统医院模式

传统医院模式是以医院为固定治疗地点,以医生诊断和治疗的中心,病人进入医院治疗通常是一个墨守成规的过程:挂号、诊断、检测、复诊(确诊)、开药、住院等,医院却几乎是疾病治疗的唯一场所,这将导致病人看病是耗时耗力,治疗体验又差。随着科技的进步和医疗需求的提高,医院传统模式将会迎来变革,远程医疗和虚拟医院将成为医院的新兴模式。因此我们认为,人工智能对医院的颠覆将是从固定端到移动端、从近程到远程的变革。

首先,随着人工智能中感知智能的不断发展,远程医疗将成为现实。在不远的将来,医疗智能语音、医疗智能视觉等将逐步商用化,智能医疗检测设备可以采集到病人精准的病情信息,而这些获取的病情信息往往比医生直接给病人检查来的还要精准,通过远程通信的方式将病人信息传递给远程的医生手中,医生根据精准的病情信息做出诊断与治疗,把病人从医院固定场所中解脱出来,从近程诊疗到远程诊疗。同时又获得了更可靠的治疗方案,省时省力,治疗体验更佳。

其次,随着人工智能中认知智能的不断发展,虚拟医院将成为现实。随着智能医疗决策和只能诊断的发展,越来越多的诊断与治疗均可由云端智能机器完成,通过感知智能与计算智能获取的病人精准的信息,经过网络层传递给云端智能诊断机器人,智能诊断机器人对病情可以做出更加精准的判断,同时反馈给病人更可靠的治疗方案,病人基本可以从传统的医院场所中解脱出来,从固定场所诊疗到移动任意场所诊疗。

 

 

 

(3) 人工智能颠覆医生诊疗方式

传统的医生诊疗方式是医生参与病人病情的诊断到病人病情的确认再到病人的后期治疗甚至包括病床的安排等的全过程,需要消耗大量的时间与精力。我们认为人工智能将对医生传统的诊疗方式带来改变,可以辅助医生诊断与治疗,将医生从繁忙、低效的工作中解脱出来。

首先,我们认为未来智能化医疗机器人将会成为医生的“助理”角色。随着计算智能、感知智能、认知智能的发展,智能化机器将可以辅助医生进行病情的诊断,最为典型的例子就是在医疗图像识别中。其中,以阿里ET医疗大脑为例,其已经可以实现比专家医生更可靠的图像识别,在图像识别、语音识别等医疗工作中做一名优秀的“医生助理”。

 

再者,我们认为随着“医生助理”的进一步升级,智能化医疗机器人将取代部分医生的职能。随着认知智能的不断发展,职能诊断将使得智能医疗机器人可以实现从疾病的诊断到病情的确立到治疗方案制定的一体化。我们认为,医生的职能角色将发生变化,医生可以从传统的医疗束缚中解放出来,成为医疗规则的制定者和医疗过程的监督者。

 

 

(4) 人工智能颠覆病人治疗效果与诊疗体验

病人是整个医疗行业生态链的核心,病人的医疗需求是医疗行业的驱动力所在。我们认为人工智能在医疗行业的颠覆主要在于一方面提高了治疗的效果,另一方面改善了诊疗体验。我们认为,随着智能医疗的不断上深化,病人可以足不出户地借助随身可穿戴设备等感知智能设备实时读取自身精准的医疗信息数据,然后通过网络将医疗信息数据传给诊断治疗方(医生或智能诊断云端),诊断治疗方根据病人的精准医疗信息做出疾病的诊断并制定配套的治疗方案。从而病人可以得到更好的检测体验与治疗体验。

 

试想一下这样一幅场景:一天一个病人感到身体不适,于是他利用身边的感知智能设备,联系了远方的医生,感知智能设备精准读取了他身上的医疗信息并通过无线网络传递给了远方的医生,医生根据医疗信息制定了针对他这次疾病的药物治疗方案,医生将药物信息通过网络发送给远方的制药企业,制药企业根据医生提供的药物治疗方案精准定制了药物并通过物流方式递送到病人手中。我们认为未来这样的景象将成为现实。

 

 

3.国内外巨头布局与发展现状

 

总体来看,国外公司技术更成熟一些,在感知及认知智能方面布局显著领先;而国内的巨头还是偏向计算智能、感知智能,在高级阶段的认知智能方面,还没有显著的进展。其中在人工智能的高级阶段认知智能中,IBM是世界的先锋,代表着认知智能的现在,引领认知智能的未来。

 

 

 

四、智能医疗行业发展逻辑

金准数据认为智能医疗行业的爆发顺序应为计算智能→感知智能→认知智能,但这三者的发展并不是严格的先后顺序关系,医疗生态链三个智能的融合与协同并进。从未来5-7年的中期来看,我们认为计算智能和部分感知智能将迎来机会,计算智能的基因检测和药物发现、感知智能中的医疗智能语音、医疗智能视觉、可穿戴医疗设备等将迎来爆发;从未来8-10年的长期来看,部分感知智能如远程医疗和医疗机器人、认知智能的智能决策和智能诊断将迎来爆发。

 

五、医疗行业的人工智能应用存在四大痛点

麻省理终身教授、波士顿人工智能实验室主任曹渔在题为《端智能在医学领域的应用》的发言中谈到医疗行业的人工智能应用存在四大痛点。

曹渔谈到,所谓端智能,是指把人工智能的算法、架构部署在终端,在终端领域,运行我们的计算。在这种情况下,我们可以保证我们的计算不依赖于网络,同时我们可以实现实时的数据处理。更重要的是,我们可以保护用户的隐私,而且实现个性化的定制。在这基础上,有可能产生很多新的商业模式。我们认为,端智能是推动垂直领域人工智能化最重要的技术之一。

2016 年美国的主流 ID 厂商逐步布局边缘计算和端智能。在过去的一两年之内,大概有近 20 家与端智能相关的企业获得超过 5 亿美元的融资。在 2017 年到来的时候,边缘计算已经迅速发展成为 10 亿美元的技术市场。近期,微软公司宣布进行重大转型,专注云计算和端智能也是未来的方向之一。

那么,人工智能的医学应用存在什么痛点呢?

首先,异构数据普遍存在。在医疗领域有医疗图像、视频数据、音频数据、结构化数据、非结构化数据、文本数据。每一种数据的处理方式、存储格式、传输方法、算法都不尽相同。不可否认,一旦理顺了多格式,多源头,呈爆炸性成长的大数据的整合和分析,医疗大数据将对提高医疗质量,强化患者安全,降低风险,降低医疗成本等方面发挥无与伦比的巨大作用。但是,怎么样能够开发一个有效的人工智能的系统,能够把这些多模态的数据利用起来,作出更好的诊断和治疗,这是非常有挑战性的任务。

其次,有效数据的缺失。其实,很多应用里面其实没有大数据,只有小数据。如何解决?当我们只有小数据的时候,仍然希望能够训练一个很好的模型。在这种情况下,用迁移学习的方法就可以做到用一个领域的大量的数据,通过迁移学习的方法,到新的领域进行学习,达到类似的效果,解决小数据训练问题。

第三,缺乏个性化模型。其实这和精准医疗密切相关。精准医疗的目的是实现千人千面,但离我们的目标还有一定的距离。可以用增量学习的方法,来解决个性化模型定制问题。所谓「增量学习」,是指最开始的时候,用数据学到一个通用的模型,这个通用模型会教给用户和病人。在跟病人进一步交互过程中,我们用增量学习的方法更新模型。在这种情况下,我们就可以定制一个模型。比如说一种治疗的方法、一种诊断,在某一个病人的手中,经过一段时间的交互,经过一段时间的数据积累,它的模型会发生变化,实现理想中的千人千面。

第四,技术架构和系统功效。在传统的云计算里面,在云端有很强的计算能力,不用考虑功耗。但是,在终端必须考虑功耗,我们手机一天要充电,在这种情况下我们必须考虑到如何重新开发技术架构,使系统更高效。特别是在传统云计算里面,数据要传到网上,传到云端。但是,很多医院不允许把数据传到云端,即使传到云端,也存在很大的隐私泄露的领域。所以在医疗领域,我们希望把数据留在本地。问题就出现了,怎么样才能使本地计算更有效、高效地技术?这是我们认为具有挑战的方向。

端智能如何解决医疗中的技术挑战?简单来说,将人工智能算法部署在医疗的终端,实现本地计算和个性化模型的定制,从而确保病人的隐私和数据安全,从高层次角度解决医疗技术的挑战。

 

六、主要结论

金准数据认为人工智能在医疗行业诸多领域将迎来爆发。其中,人工智能的云端将以医疗信息存储管理和医疗数据挖掘决策的方式同医疗行业深度融合,它是是整个生态链的顶层,是为了解决医疗信息的存储汇总、大数据挖掘、信息管理与决策等的网络应用层。人工智能的端部分是智能设备终端,它通过人机交互的方式参与疾病诊断治疗的方式融入医疗行业,一方面,有些智能终端通过其内部集成的各种智能传感器来实时获取病人的医疗信息作为医疗检测的判断基础;另一方面,有些智能设备终端是帮助治疗的机器人,可以根据病人的信息提供更精准的、个性化的治疗;最后,有些设备终端主要起到辅助作用,可以辅助、医生、病人等,可以帮助医院及医生辅助治疗又可以辅助病人如:帮助老人活动、助听、助视等。

对人工智能按不同医疗领域的应用可阶段性划分为初级计算智能、中级感知智能、和高级认知智能三个阶段。

从中期来看,我们认为,未来5-7年计算智能将迎来全面发展:随着大数据、云计算的发展,人工智能在计算领域的计算智能可以依靠云计算对大数据的高效分析与智能计算,布局计算智能的国内外公司非常多,已经形成小部分商业功能。在感知智能领域,以Intuitive Surgical为牵头的机器间接感知治疗已经形成小范围商业化;此外,众多科技巨头纷纷布局的智能语音、智能视觉等已经崭露头角,我们认为,未来5-7年初级感知智能中的医疗智能语音、医疗智能视觉和可穿戴医疗设备等将迎来飞速发展。

从长期来看,我们认为,未来8-10年部分感知智能和认知智能将迎来全面发展:随着医疗智能视觉、医疗智能语音、可穿戴医疗设备等的发展,高精度传感器集成度的提高,感知智能的远程医疗、医疗机器人等将迎来全面发展。认知智能依赖计算智能和感知智能的发展,随着计算智能设备计算能力的加强和感知智能设备精确信息的采集,我们认为认知智能设备将拥有足够的数据信息进行决策与诊断,因此我们认为认知智能将在未来8-10年将迎来爆发。

具体细分领域发展逻辑图: