20191215-投中研究院-2019中国人工智能产业投融资白皮书_52页_4mb.pdf

投中研究院 崇期资本 2019中国人工智能产业投融资白皮书投中研究院 崇期资本联合出品2019.122版权声明本报告所有权归投中研究院与崇期资本共同所有 。崇期资本 （ VIA Capital） 是一家专注于中国智慧生态的投资机构 ， 团队由来自不同领域的专业人士 顶尖学院科学家 、 先进制造专家 、成功企业家及专业股权投资者组成 ， 透过跨界合作 ， 赋能中国智造生态 ， 重塑未来全球制造业格局 。 团队成员拥有丰富历史投资经验 ，过往案例包括商汤科技 、 出门问问 、 大疆创新 、 竹间智能等优秀企业 。 投资主要布局于智慧城市和先进制造两个大类 ， 分别包括 AIoT和云服务 、 机器人和工业互联网等四个小类 ， 与优秀的科技公司建立长期关系 ， 共同推动中国工业向智能化方向发展 。投中信息创办于 2005年 ， 现已成为中国私募股权投资行业领先的金融科技服务企业 ， 致力于解决私募股权投资行业的信息不对称问题 。投中信息目前拥有媒体平台 、 研究咨询 、 金融数据 、 会议活动四大主营业务 ， 通过提供全链条的信息资源与专业化整合服务 ， 以期让出资者更加了解股权基金的运作状态 ， 让基金管理者更加洞彻产业发展趋势 。 目前 ， 投中信息在北京 、 上海 、 深圳等地均设有办公室 。投中研究院成立于 2006年 12月 ， 隶属于投中信息 。 依托投中多元化产品 、 丰富资源和海量数据 ， 聚焦 VC/PE行业政策环境 、 投资趋势 、新经济领域投融资等开展深入研究 ， 为国内外投资机构 、 监管部门和行业组织提供专业服务与研究成果 ， 目前已成为中国 VC/PE领域权威的咨询研究机构 。免责声明：本报告旨为人工智能投资者提供参考和借鉴 。 投中研究院与崇期资本确认其所载资料的来源及观点的出处皆被认为可靠 ， 但不能担保其准确性或完整性 。 报告内容仅供参考 ， 不作为机构投资决策依据 。 投中信息与崇期资本不对因使用此报告的材料而引致的损失而担负任何责任 ， 报告阅读者不能仅依靠此报告而取代行使独立判断 。2Contents1 报告研究范围及核心观点2 行业概述3 投融资分析4 技术概览5 重点细分领域分析6 未来展望报告研究范围及核心观点PART. ONE5报告研究范围及研究目标研究范围 人工智能（ Artificial Intelligence，简称 AI）是研究以模拟和扩展人的智能理论方法及应用系统的技术科学，利用计算机模拟人类的思维及行动，感知周围环境并作出相应的反应，算法、算力和数据是人工智能发展的关键驱动因素。 本报告首先通过探索人工智能的发展历程、驱动因素及资本市场的投资热度，来剖析人工智能产业的发展现状；接着，选择了 AI视觉和 AI语音两个热点赛道从产业方面重点分析，阐述 AI重点细分赛道的发展现状，加上部分行业的应用案例，探讨热点赛道的内在投资价值。研究目标本报告主要从人工智能产业整体发展现状、投融资情况、重点细分赛道及未来发展趋势等方面展开研究。 人工智能产业的行业内外部发展驱动力是什么？其产业发展历程是怎样的？ 人工智能产业链是什么？产业链各环节的发展情况如何？ 从资本视角看人工智能产业的投融资情况及重点细分领域的投资热度如何？各细分领域企业数量如何分布？ 人工智能有哪些热门技术及其产业应用情况如何？ AI视觉、 AI语音等重点细分赛道的技术应用情况及行业发展格局是什么？有哪些代表案例？ 人工智能产业未来的投资机遇及行业风险是什么？56报告核心观点01.政策资本多重利好驱动人工智能发展02.资本逐步理性，偏好中早期项目03.数据开发、基础技术力量储备薄弱2015年以来，我国密集出台一系列扶植人工智能发展的政策 ； 2018年突破 1000家一级市场投资机构参与布局人工智能领域2014-2019年 Q3,中国人工智能行业总计共有 2845起投融资事件发生，总计融资金额为 3583.65亿人民币 ， 行业泡沫弱化2014-2019年 Q3人工智能基础技术的融资金额在这几年间仅有 201.99亿元，远远低于应用场景及硬件等领域的融资额度，说明我国目前的人工智能投融资 对于行业金字塔的底部支撑重视程度仍然不够 ，在追求场景变现的情况下， 逐利表现明显6行业概述PART. TWO8行业发展外部驱动力 政策 2015年以来，我国密集出台一系列扶植人工智能发展的政策，国家发展改革委、科技部、工业和信息化部、中央网信办等多个部门参与人工智能联合推进机制，积极推动人工智能技术的发展及其在各个细分领域的渗透。国家连续出台多项利好政策，推动人工智能产业发展文件名称 发布机构 发布时间 政策内容 国务院关于积极推进“互联网 +” 行动的指导意见 国务院 2015年 7月 依托互联网平台提供人工智能公共创新服务 ， 加快人工智能核心技术突破 ， 培育发展人工智能新兴产业 ， 推动人工智能在智能产品 、 工业制造等领域规模商用 ， 为产业智能化升级夯实基础 。 中华人民共和国国民经济与社会发展第十三个五年发展规划纲要 国务院 2016年 3月 布局未来网络架构 、 技术体系和安全保障体系 。 重点突破大数据和云计算关键技术 、 自主可控操作系统 、 高端工业和大型管理软件 、 新兴领域人工智能技术 。 人工智能写入 “ 十三五 ” 规划纲要 。 “ 互联网 +” 人工智能三年行动实施方案 国家发改委、科技部、 工信部、中央网信办2016年 5月 到 2018年 ， 打造人工智能基础资源与创新平台 ， 人工智能产业体系基本建立 ， 基础核心技术有所突破 ， 总体技术与产业发展与国际同步 ， 应用及系统级技术局部领先 。 “ 十三五”国家科技创新规划 国务院 2016年 7月大力发展新一代信息技术 ， 其中人工智能重点发展大数据驱动的类人智能技术方法；突破以人为中心的人机物融合理论方法和关键技术 ， 研制相关设备 、 工具和平台；重点开发移动互联 、 量子信息 、 人工智能等技术 ， 推动增材制造 、 智能机器人 、 无人驾驶汽车等技术的发展 。 “ 十三五”国家战略性新兴产业发展规划 国务院 2016年 11月发展人工智能 ， 培育人工智能产业生态 ， 促进人工智能在经济社会重点领域推广应用 ， 打造国际领先的技术体系 。 具体包括：加快人工智能支撑体系建设；推动人工智能技术在各领域应用 。89行业发展外部驱动力 政策 2017-2019年，人工智能连续三年被写入政府工作报告，凸显了政府对人工智能产业的重视； 2017年 7月 新一代人工智能发展规划 的颁布，标志着人工智能上升至国家战略高度。人工智能上升至国家战略高度，连续三年被写入政府工作报告文件名称 发布机构 发布时间 政策内容 2017年政府工作报告 国务院 2017年 3月 全面实施战略性新兴产业发展规划 ， 加快新材料 、 人工智能 、 集成电路 、 生物制药 、 第五代移动通信等技术研发和转化 ， 做大做强产业集群 。 人工智能首次被写入政府工作报告 。 新一代人工智能发展规划 国务院 2017年 7月制定了分三步走的战略目标：到 2020年人工智能总体技术和应用与世界先进水平同步；到 2025年人工智能基础理论实现重大突破 ， 部分技术与应用达到世界领先水平；到 2030年人工智能理论 、技术与应用总体达到世界领先水平 ， 成为世界主要人工智能创新中心 。 标志着人工智能上升至国家战略高度 。 促进新一代人工智能产业发展三年行动计划（ 2018-2020年） 工信部 2017年 12月从推动产业发展角度出发，结合“中国制造 2025”，对 新一代人 工智能发展规划 相关任务进行了细化和落实。以信息技术与制造技术深度融合为主线，以新一代人工智能技术的产业化和集成应用为重点，推动人工智能和实体经济深度融合，加快制造强国和网络强国建设。 2018年政府工作报告 国务院 2018年 3月 做大做强新兴产业集群，实施大数据发展行动，加强新一代人工智能研发应用，在医疗、养老、教育、文化、体育等多领域推进“互联网 +” 。 2019年政府工作报告 国务院 2019年 3月 促进新兴产业加快发展。深化大数据、人工智能等研发应用，培育新一代信息技术、高端装备、生物医药、新能源汽车、新材料等新兴产业集群，壮大数字经济。9100200400600800100012002014 2015 2016 2017 20182014-2018年布局人工智能领域的机构数量机构数量（家）行业发展外部驱动力 资本 科创板的出台，拓宽了高科技企业的融资及退出渠道。新一代信息技术领域是科创板六大重点支持领域之一，人工智能是其重点细分赛道，科创板的上市条件侧重企业的研发能力和技术实力，弱化了盈利要求， 拓宽了高科技企业的融资及退出渠道 。科创板拓宽了企业融资及退出途径；近年来，布局人工智能赛道的机构数量逐年攀升 2014-2018年 ， 布局人工智能赛道的投资机构数量不断攀升 ， CAGR为39.4%， 2018年突破 1000家机构 ， 可见资本市场对人工智能赛道的关注 ，不断加码人工智能赛道的布局 。 资本的推动 ， 为人工智能行业发展提供了资金支持 。主要包括半导体和集成电路、电子信息、下一代信息网络、人工智能、大数据、云计算、新兴软件、互联网、物联网和智能硬件等科创板重点推荐领域节能环保新能源 高端装备新材料新一代信息技术0504020106生物医药03数据来源： CVSource， 投中研究院1011行业发展内部驱动力 算力对于人工智能的普及具有关键的作用。人工智能发展初期由于传统的数据处理技术难以满足大数据的处理需求，限制了技术的落地应用。 AI芯片的出现提高了数据的处理能力， 弥补了 CPU在大规模和高速率计算能力上的不足，当前主流AI芯片有三类：以 GPU 为代表的通用芯片、以 FPFA 为代表的半定制化芯片和 ASIC 定制化专用芯片。 其中， GPU 作为市场上 AI 计算最成熟、 应用最广泛的通用型芯片，短期内 GPU仍将继续占领 AI 芯片的主要市场份额。深度学习、强大算力、海量数据助推人工智能从实验室走向商业化应用的快速发展 算法、算力和数据是影响人工智能发展的三大关键发展要素，基础要素的积累和突破，推动了人工智能的爆发。算法上，深度学习算法突破了人工提取的低效率、深层模型难以训练的局限，提高了算法的性能；算力上， AI芯片的出现提高了数据的处理能力，弥补了 CPU在并行运算上的不足，提高了运算能力；数据上，得益于互联网、 物联网的发展及普及，积累海量和具体应用场景的数据，为训练算法提高了数据基础。 海量和优质的应用场景数据是训练算法精确性的关键基础。随着互联网、物联网的发展，其产生并存储的数据量急剧增加，为深度学习算法训练模型提供了数据基础。 IDC数据显示，从 2011年起，全球所产生的数据量已达到 ZB级别（ 1ZB约为 10亿 GB )，海量的数据将为计算机视觉算法模型提供远远不断的素材。 目前深度学习是人工智能主流的算法，深度学习算法超越了传统机器的各种浅层学习算法。 2006 年， Hinton 等提出深度学习神经网络，掀起了深度学习的浪潮 。深度学习算法包括深度神经网络（ DNN）、卷积神经网络（ CNN）、循环神经网络（ RNN）等。以深度学习算法为代表的人工智能技术快速发展，在计算机视觉、语音识别、自然语言等领域都实现了突破。算法算力数据1112行业发展历程 1956年 ， 达特茅斯大会上人工智能概念首次被提出 ， 发展至今已有六十多年发展历史 ， 经历了三次高峰期 ， 但受算法和算力的局限 ， 两次陷入低谷 。 上世纪七十年代 ， 受制于算法和计算能力的局限人工智能陷入了第一次低谷；上世纪九十年代 ， 由于计算成本和数据成本问题 ， 技术无法在应用层面直接转换为商业价值 ， 陷入第二个低谷 。 1960-1965年 ， 第一次高峰期 ， 以感知器模型为首的各类算法诞生 ， 概念可行性得到证明； 1980-1990年 ， 第二次高峰期 ， 以 BP算法为代表的初级神经网络算法出现 ， 产业化开始起步； 2006年至今 ， 第三次高峰期 ， Hinton提出深度学习神经网络使人工智能获得突破性进展 ， 行业进入快速发展期 。随着算法的突破 、 计算能力的提高 、 以及互联网数据的积累 ， 人工智能进入全面爆发期 。人工智能概念在上世纪 50 年代末首次被提出，发展至今经历了三次高峰期2016人工智能发展历程19561956年 ，人工智能概念在达特茅斯大会上被提出1960-1965年 ，第一次高峰：以感知器模型为首的各类算法诞生，概念可行性得到证明理论研究与算力提升进展缓慢1980-1990年 ，第二次高峰：以 BP算法为代表的初级神经网络算法出现，产业化起步2006年至今 ，第三次高峰：深度学习模型取得突破，技术进步在应用层落地，全面爆发技术进步无法在应用层面直接转换为商业价值，目标落空1966 1976 1986 1996 2006资料来源： ： The History of Artificial Intelligence ， 中金公司研究部 ， 投中研究院1213人工智能产业链情况 人工智能产业链分为基础支持层 、 通用技术层和垂直应用层 。基础层主要提供硬件 （ 芯片 、 传感器等 ） 及软件 （ 算法模型等 ） ；技术层主要解决语音识别 、 图形识别等具体类别的问题；应用层主要应用在安防 、 金融等行业中 ， 解决具体的应用场景问题 。 基础层主要指芯片 、 传感器 、 数据及云计算等支撑人工智能技术的核心能力 ， 人工智能芯片从投入研发到规模化生产需要多年时间 ， 投资回报周期较长 。 目前我国在基础层的发展相对薄弱 ， 与国外发达国家技术差距较大 。 通用技术层主要包括视觉类技术 （ 包括生物识别 、 图像识别 、视频识别等 ） 、 语音类技术 （ 包括语音识别 、 语音合成等 ） 、自然语言处理类技术 （ 包括机器翻译 、 文本挖掘 、 情感分析等 ） 、 机器学习应用与决策支持类技术 （ 包括类脑智能 、 推理智能 、 学习判断 、 逻辑思考等 ） 以及知识图谱 。 识别准确率等技术能力指标是核心关注点 ， 目前我国公司在人脸识别 、语音识别 、 自然语言处理等技术准确率屡创新高 。 垂直应用层主要应用在具体行业 ， 解决应用场景中的具体问题 。 数据的可获得性及商业化落地是其主要考量标准 ， 目前人工智能在安防 、 金融等领域应用较多 ， 产业成熟度较高 。我国人工智能公司主要分布在垂直应用层，基础支持层发展相对薄弱资料来源：投中研究院基础支持层语音识别传感器通用技术层垂直应用层自然语言处理 计算机视觉自动驾驶 AI+安防 AI+金融 AI+医疗AI+教育 无人机 机器人 AI+物流芯片 算法数据人工智能产业链云计算机器学习 知识图谱13投融资分析PART. THREE15融资规模及融资事件数量分布2014-2019年 Q3，中国人工智能行业总计共有 2845起投融资事件发生，总计融资金额为 3583.65亿人民币 ，其中 2014-2018年在融资事件及融资规模上呈现持续增长态势，预计 2019年将出现首次回落， 行业泡沫弱化 。平均融资规模除在 2016年有所回落外，总体呈现跨越式走高之势，从 2014年的平均融资额0.65亿人民币增长至 2019年的 2.27亿人民币， 增长率达 249.23%，资金流向头部项目的趋势明显 。141.89458.27 489.26727.261189.8577.17219489607 627 64925401002003004005006007008000200400600800100012001400总体融资规模（亿人民币） 融资事件数（起）数据来源： CVSource，投中研究院整理2014-2019年中国人工智能行业投融资趋势0.650.970.811.161.832.2700.511.522.52014 2015 2016 2017 2018 2019Q1-Q3平均融资金额（亿人民币）2014-2019年中国人工智能行业平均融资金额数据来源： CVSource，投中研究院整理+249.23%人工智能行业泡沫弱化，头部项目强势吸金1516投融资事件地域分布9036873842711846662402214118193北京广东上海浙江江苏湖北四川天津湖南重庆河南河北其他数据来源： CVSource，投中研究院整理2014-2019年人工智能行业投融资事件数量地域分布概况 北京、广东两地聚集了 2014-2019年 Q3全国 55.89%的投融资事件数量，上海与浙江紧随其后，分别有 384及 271起人工智能行业投融资事件发生。北方、南方、东部地区的表现较为强势。 其中以城市据点来看， 北京、深圳、上海 三座国内超一线城市已成为了我国人工智能行业发展的三角着力点，以点带面地带动 京津冀发展区、粤港澳大湾区、长三角经济区 的人工智能技术崛起，并覆盖全国。“北上广”以点带面， 撬动区域崛起161737.63%34.16%9.60%2.65%0.86%8.15%6.24% 0.71%天使轮 Pre-A轮、 A轮及 A+轮 Pre-B轮、 B轮及 B+轮Pre-C轮、 C轮及 C+轮 Pre-D轮、 D轮及 D+轮 战略融资非控制权收购 上市及以后融资事件轮次分布 纵观中国人工智能行业在 2014-2019年 Q3的表现，我们可以发现资本对于人工智能行业的投资行为 更偏好于早期投资 ，初创期企业及成长期企业对资本来说相对更好入手 ，更加符合国家对于创业投资行为“投早投小”的政策导向。对天使轮、 A轮（ Pre-A轮、 A轮及 A+轮）、 B轮（ Pre-B轮、 B轮及 B+轮）的投资出手次数占全部投资次数的 81.93%。 究其原因，主要在于人工智能行业企业早期融资金额及估值相对合理，泡沫较小，对有捕捉未来期望的机构较有吸引力。 与此同时，战略融资及非控制权收购案例数量占比同样显眼，分别达到 8.15%及 6.24%。显示 人工智能行业项目在融资时也十分着重未来的战略规划以及各方资源的补给，在合适的情况下期望能够与外部投资者形成有机整合 。 随着我国大部分人工智能企业生命周期的不断演进，预计未来资本对于 成长期、成熟期 的企业项目出手次数将会增多，对应的 C轮、 D轮融资事件数量及金额也将对应增加。2014-2019年人工智能行业融资事件轮次分布资本偏好中早期项目，与“投早投小”引导方向趋同数据来源： CVSource，投中研究院整理1718非控制收购、上市及以后阶段投融资分析7.7839.01 35.6833.6766.656.4825 32 40 24649254-1000100200300400500600700010203040506070总体融资规模（亿人民币） 融资事件数（起）2014-2019年中国人工智能行业非控制收购投融资趋势21.1238.3 41.266.2695.772343501234560204060801001202014 2015 2016 2017 2018总体融资规模（亿人民币） 融资事件数（起）2014-2018年中国人工智能行业上市及以后投融资趋势数据来源： CVSource，投中研究院整理2014-2019年 Q3,中国人工智能行业总计共有 167起非控制权收购投融资事件发生，总计融资金额为 239.12亿人民币 ，项目平均融资额为 1.43亿人民币，其中 2014-2018年在融资事件及融资规模上呈现持续增长态势，预计 2019年末将录得与 2018年相当的融资规模。而在 2014-2018年这 5年间，仅有 20起人工智能行业企业进行上市或上市后融资的事件，整体融资规模为 221.24亿人民币，项目平均融资额为 11.64亿人民币。 其中在 2018年项目平均融资额达到顶峰，达 19.16亿人民币 。融资规模录得增长，行业趋势上行1819应用及平台36.84%硬件36.56%视觉技术11.39%人工智能其他6.92%基础技术6.61%语音技术1.69%应用及平台 硬件 视觉技术 人工智能其他 基础技术 语音技术 融资事件数（起）10481040324197188480 200 400 600 800 1000 1200应用及平台硬件视觉技术人工智能其他基础技术语音技术细分领域投融资分析 融资事件数量数据来源： CVSource，投中研究院整理2014-2019年人工智能行业细分领域融资事件分布基础技术粮草储备不足，资金流向便捷变现领域1920201.991140.89629.8558.9981.14570.48020040060080010001200基础技术 应用及平台 视觉技术 语音技术 硬件 人工智能其他数据来源： CVSource，投中研究院整理细分领域投融资分析 融资金额 在 2014-2019年间，人工智能行业总计获得的 3583.65亿元融资当中，获得融资金额最多的领域为人工智能行业当中的 应用及平台使用，占全行业的 31.83%，同时该领域的融资事件案例数也最为突出，说明行业中资本最为看重好人工智能各类技术的应用场景，有助于资本在项目身上变现回流。 语音技术领域所获得的融资金额最少 ，仅 58.9亿投向了该领域，占全行业的 1.64%，表明 AI语音技术相对与 AI视觉等其他技术而言，对于资本的吸引力较弱。 除此之外， AI基础技术的融资金额在这几年间仅有 201.99亿元，远远低于应用场景及硬件等领域的融资额度，显示我国目前的人工智能投融资 对于行业金字塔的底部支撑重视程度仍然不够 ，在追求场景变现的情况下， 逐利表现明显 。 从行业投融资角度来看，人工智能基础技术所受重视程度较低，未来若要长远持续发展并取得突破性成绩，必须加大对人工智能基础技术的研究投入，夯实行业根基。对缺乏社会效应或无效的应用层企业，应及时出清，以保证人工智能股权投融健康平衡，降低泡沫带来的负面影响。2014-2019年人工智能行业细分领域融资金额分布（单位：亿元）基础技术粮草储备不足，资金流向便捷变现领域2021创投基金关注行业分布16%15%13%9%7%7%6%4%4%3%3%3%3%3%2%1%1%1%1%医疗健康人工智能新材料智能硬件消费升级物联网及 5G环保在线教育互联网金融金融科技汽车交通新零售企业服务文娱传媒2019年创业投资基金最倾向关注的行业调研数据来源：中国证券投资基金业协会问卷调研 纵观中国人工智能行业在 2014-2019年的表现，我们可以发现资本对于人工智能行业的投资行为 更偏好于早期投资 ，更加符合国家对于创业投资行为“投早投小”的政策导向。对天使轮、 A轮（ Pre-A轮、 A轮及 A+轮）、 B轮（ Pre-B轮、B轮及 B+轮）的投资出手次数占全部投资次数的 81.93%。 究其原因，主要在于人工智能行业企业早期融资金额及估值相对合理，泡沫相对于中后期阶段较小，对有捕捉未来期望的机构较有吸引力。 与此同时，战略融资及非控制权收购案例数量占比同样显眼，分别达到 8.15%及 6.24%。显示 人工智能行业项目在融资时也十分着重未来的战略规划以及各方资源的补给，在合适的情况下期望能够与外部投资者形成有机整合 。 除人工智能领域外，医疗健康、新材料、智能硬件行业也在 2019年最受到创业投资基金的青睐，此三个行业与人工智能行业具有高度的可融合性，跨技术领域的复合发展，将在未来成为人工智能项目创业投资的重点方向。资本齐看好人工智能，渴望尽早发掘优质标的2122331,461191,907143,320 142,775 131,00957,502 54,399 49,42038,212 36,796418,697237,892180,220 165,851159,84894,10272,442 67,72151,847 47,661050000100000150000200000250000300000350000400000450000广东省 北京市 浙江省 江苏省 上海市 山东省 辽宁省 安徽省 重庆市 吉林省2018 2019Q1-Q3从业人员地域分布数据来源： CVSource，投中研究院整理，基于企业社保人数统计（未缴纳社保人员不计算在内） 在从业人员的角度看， 2019年 Q3人工智能行业的从业人员数量整体较 2018年并没有出现大幅度的增长。 增长幅度最为明显地区为广东省，从 2018年的331461名从业人员发展至今的 418697名从业人员，增幅达到 26.31%。华东三地浙江省、江苏省、上海市的整体从业人员数量也较为可观，表明华东三地也已经具备了一定的产业发展基础。广东人才数量增长明显，储备全国居首人工智能领域从业人员地域分布2223上市人工智能企业平均财务水平204.527.941073.9989.421.652.55119.66463.9112.18899107.1414.21.95442.41市值（亿元）历史融资（亿元）专利信息（个）风险信息（个）市盈率 TTM(PE)市净率 MRQ(PB)最近财年收入（亿元）A股 港股数据来源： CVSource，投中研究院整理，截至 2019年 11月2019年上市人工智能企业平均财务表现 从上市人工智能企业的财务表现来看，国内 A股人工智能企业除了在市盈率倍数、市净率倍数、风险警示信息超过港股人工智能上市企业之外，表现均不如港股人工智能上市企业。 在市值、历史融资、专利信息等方面，港股上市人工智能企业的表现更优。说明 港股市场上市人工智能企业质量更优，但从早期投资机构退出获利预期上来看， A股市场更具有吸引力 。上市公司作为行业表现的风向标，提升人工智能上市公司质量，将可为保障行业健康发展起带头作用，为行业提供直接有效的财务借鉴。A股具备较高退出收益预期，港股项目质量更优2324各细分领域企业数量分布AI分类第一层级 AI分类第二层级 AI分类第三层级基础层（ 1115） 计算能力（ 1115） 计算能力平台 （ 129） 芯片（ 326） 传感器（ 834）技术层（ 2101） 感知 层（ 1670） 认知层（ 705） 平台层（ 16）计算机 视觉（ 487）语音识别（ 757）生物识别（ 593）类脑智能推理智能（ 382）学习判断逻辑思考（ 701）技术应用平台（ 16）应用层（ 17212） 场景 应用（ 4035） 消费级终端（ 14771）自动驾驶 ADAS（ 444）智慧金融（ 728）智慧营销（ 239）智慧医疗（ 619）新零售（ 169）智慧城市（ 1217）智慧教育（ 289）智慧安防（ 755）智能 机器人（ 3295）智能无人机（ 1814）其他智能硬件（ 11655）数据来源： CVSource，投中研究院整理2019年 11月国内人工智能所涉业务分类企业数量人工智能基础建设及技术根基不牢固，应用层企业将面临迅速洗牌24技术概览PART. FOUR26热点技术概览人工智能主要技术发展情况热点技术 机器学习 机器视觉 自然语言理解 生物特征识别技术重点- 监督学习- 无监督学习- 增强学习- 深度学习- 迁移学习- 图像识别（二维）- 视频识别（三维）- 运动追踪- 视频图片编解码- 文字识别- 语音识别- 语音合成- 语音交互- 情感识别- 指纹识别- 虹膜识别- 人脸识别- 声纹识别- DNA识别技术内容机器人在学习大量数据后，精确地演示相关任务，当中涉及统计学，计算机学和逼近理论等多领域的交叉领域学科。常见的算法有贝叶斯算法，决策树算法，人工神经网络，深度学习和循环神经网络应用等通过海量图片的深度学习达到对特定目标进行识别，进而实现图像的语义分割、目标分类和人脸识别等图像识别技术。通过视频中的帧图相数据关联和运动信息分析达到视频数据分拣、压缩和重要信息提取，理解视频中反映的行为特征以计算机对人类日常使用的语言信息进行输入、识别、分析、理解和交互等处理。当中，机器人最主要能通过自然语言理解而体现功能就是翻译，文本摘要和问答，是集合计算机科学，心理学和语言学等一系列学术的交叉学课通过人类的生理及行为特征对其身份进行技术认证，当中包括通过不同类型的传感器对人类的图像，声纹甚至运动特征进行辨别技术成熟度在强化学习、迁移学习和对抗学习等领域加强了深度和提供更有效的算力，但是仍然缺乏高度自由的自我学习功能在二维图像识别上的成熟度已极高，在某些领域上的识别率甚至靠近 100%，但在三维视频的分析上却需要超越深度学习的全新算法、更大的算力和更全面的数据库作为支持能够处理基本的文本翻译，语句理解，准确的把声音转化成文字，但对于部分复杂的问题 ,目前的自然语言处理仍然缺少不了人工处理及修正指纹、人脸及声纹识别已经被广泛使用，识别率也十分之高。虹膜识别虽然识别率也能达到近 100%，但是由于硬件产品的价格昂贵，却没能被行业广泛应用，导致产品及技术发展速度远不及图像识别2627热点产业概览人工智能技术主要应用产业热点产业 智能家居 智能穿戴 智能安防 智能客服产业重点- 智能音箱- 智能电视- 智能冰箱- 智能空调- 智能手表- 智能耳机- 智能眼镜- 智能项链- 智能摄像头- 智能 NVR- 智能传感器- 智能人脸识别- 智能质检- 智能反欺诈- 智能虚拟助手- 智能排障产业内容有别于传统家电，智能家电配合不同领域的 AI技术，可以向家庭提供更个性化的服务，比如智能音箱能通过了解使用者的搜索习惯，可以为使用者推送更符合其品味的音乐通过智能穿戴，人类能够轻松使用大量互联网功能。比如通过智能手表，使用者能够上网，打电话甚至观察基本生理状况；而通过智能耳机，用户能够通过语音交互去进行点歌，天气查询和与手机互联等功能安防是我国近年来大力发展的一个智能产业。以平安城市、天网工程、雪亮工程及金盾工程为主的全国性安防工程，建立了一个全方位的智能监控、分析与警报系统，有效扑灭及减少区域犯罪行为主要以自然语言处理为核心技术的产业应用，通过机器人对于语音和文字的理解，为各行业提供企业客户关系管理系统，对其前端销售，售后管理及企业内部管理提供智能化应对方案2728AI-Not人工智能技术能走多远 ?其他大数据深度学习算法人工智能技术困局迁移能力差过度依赖于大数据非绿色，大多数数据是无意义的，挖掘有效数据成本高基于图灵机的不完备问题：图灵机的停机问题 哥德尔不完备数据需求量大数据标注对结果影响大机制不明确（黑盒子）产生非预期结果 对个别未知的参数敏感算法可能会有漏洞解决方案：数据瘦身、有效数据先提取再分析计算复杂性问题 P问题上没有实质性突破 P问题是否等于 NP问题没有一行代码的代码才没有缺陷： Uber的 AI团队试图造一台自己除 Bug的 AI，结果 AI删去了所有代码区块链技术基于算法稳定性，但不完备说明有限算法行都会有缺陷，只是还没有找到而已2829人工智能产业发展现状 从市场份额上看 ， 2018年 ， 自然语言及语言和视觉已经占据中国 AI行业 80%的市场份额 。 从市场规模上看 ， 预计到 2020年 ， 中国 AI市场规模将达到 710亿元 ， 2015-2020年的市场规模年复合预计增长达 44.5%。 人工智能的发展提升了社会的生产力 ， 其自动化所带来的效能使到各行业的平均工时下降 1%， 预计到 2025年 ， 人工智能可以使生产力平均提升 51-154比特 /秒 。 近年来 ， 大量资本涌入人工智能领域 ， 资本投资的增长超越了整体劳动力的增长 ， 这意味着人工智能开始逐渐取代人类的基本劳动力 ， 包括劳动密集型的工业制造 （ 如电子屏 ， 衣服和汽车制造 ） ， 简单但具重复性的服务 （ 如食物传递 ， 邮件物流及客服问答 ） 和极具系统性的数据处理 （ 如财报生成 ， 数字化模型运算及机器翻译 ） 等 。人工智能市场规模急增，视觉与语音垄断 AI行业34.90%45.80%11.30%8%2018中国 AI行业市场占比视觉自然语言及语言硬件算法112.4141.9216.93395007100 100 200 300 400 500 600 700 800201520162017201820192020中国 AI市场规模（亿元）资料来源：根据前瞻产业研究院数据整理资料来源：清华大学 中国人工智能发展报告 2930AI新兴赋能突破性 AI视频编码赋能视频分析与存储视频信号输入 数据预测 数据变换 数据量化 熵编码 编码码流输出视频编码主要算法 卷积神经网络，混合高斯模型，贝叶斯概率模型，多特征融合目标跟踪及超分辨率卷积神经网络等多重算法组合视频编码概览摄像头编码器 解码器AI处理显示器预测量化二进编码二进编码反量化综合AI视频编码流程结构图示 AI视觉技术领域近年来有突破性的进展 ， 包括从图像识别 、 人脸识别 、运动追踪及视频分析等领域 ， 出现了商汤科技 、 旷视科技 、 云从科技和依图科技的 “ AI视觉四小龙 ” 。 随着 5G时代的到来 ， AI原有的算法及产品功率将无法适应当下的需求 。因此 ， 在原有的图片及视频底层结构化技术中又衍生出 AI编码这个细分领域 ， 通过 AI编码 ， 图片和视频能够被大大减少其所需的存储容量 ， 而经过结构化处理的图片和视频也更容易被使用在 AI分析 。 市场上现普遍使用 H.264和 H.265作为视频格式 ， 但新型的 AI编码能够在原有的编码基础上进行二次编码 ， 进一步把原有的数据再无损压缩 5-10倍 ， 使到后端的存储和运算成本大幅减少 。30重点赛道分析PART. FIVE32AI 投资现况回归理性，大浪淘沙-70.00%-60.00%-50.00%-40.00%-30.00%-20.00%-10.00%0.00%整体企业投融 人工智能投融资 AI视觉企业投融资 AI语音企业投融资-46.20% -50.49% -43.25%-60.21%2019年 Q3人工智能领域投融资事件数较去年同期缩减情况 2019年，整体及人工智能相关的投融资数量都急速下跌，但数据却显示人工智能的各个产业市场规模却并未下跌，甚至加大了增长力度。中国的 AI市场规模年均增速达 44.5%，而全球的 AI市场增长速度也达 22.4%，预计 2019年的中国核心 AI市场规模约为 500亿元，这说明了投融资数量的变化和市场规模变化成反比。两者的反比带出投资 AI领域正回归理性，一些具有核心壁垒及优秀落地能力的 AI企业市占率更大，收入更好，但同时一些相对普通而缺乏特点的企业则难以在这次“寒冬”中度过。反观在中美贸易战爆发的同时，这些相对优秀的 AI企业却是更加受惠。中国经济的结构化转变与内需经济的进一步扩大使到本土市场规模增速上升，也是 AI市场规模增长的主要动力。数据来源： CVSource3233AI视觉 技术概述 AI视觉技术的本质是对客观物体的识别 ， 并转化成机器可以阅读的代码 ， 实现人的视觉功能 ， 以适应 、 理解外界环境和控制自身运动 。 Shi和 Malik提出使用 Normalized cut以降低物体识别的难度 (Shi&Malik， 1997)， 加入了向量机和统计机器学习的算法后 ， AdaBoost算法 （ Viola & Boost， 2001） 完成了人脸识别 。 2007年由李飞飞教授发起的 ImageNet计划将 AI影像数据推向了前所未有的规模 ， 动用超过 5万技术人员 ， 至今已超过 1500万张经过人工清洗标注的图片 ， 含有 2万个分类 ， 成功的把 AI视觉推向另一个巅峰 。 随着 GPU、 CPU的算力提升 ， 2012年 Krizevsky等人 （ Krizevsky et al， 2012） 在使用了 1998年贝尔实验室 LeCun等人 (LeChun etal, 1998)提出的深度学习算法卷积神经网络使得 AI视觉的识别准确率提升了一大步 。 计算机视觉应用场景可分为两大类：图像识别和人脸识别 ， 每类又可继续划分为动 、 静共四个类别 ， 基本覆盖了目前计算机视