|
为何要看法人工智能？
《“十四五”规划和2035年远景目的纲要》把新一代人工智能放在科技前沿范畴攻关的第一位。这是由于神经网络的出现，使得人工智能走出实验室进而找到商业形式成为能够。人工智能是把大数据转换成数据资产的关键技术。
1、人工智能的过去、如今与将来
人类的大脑中有数百至上千亿个神经元，而且每个神经元都经过成千上万个“突触”与其他神经元相连，构成超级庞大和复杂的神经元网络，以分布和并发的方式传导信号，相当于超大规模的并行计算（Parallel Computing）。因此虽然单个神经元传导信号的速度很慢（每秒百米的级别，远低于计算机的 CPU），但这种超大规模的并行计算结构照旧使得人脑远超计算机，成为世界上到目前为止最弱小的信息处理系统。
人工神经网络表示图
神经网络算法，是一种经过模拟人脑神经元的结构，结合机器学习的理念，构建人工智能处理方案的算法。从 1957 年第一个神经网络——感知器被提出以来，神经网络算法便不断被优化，优质算法的不断迭代使得模型的准确率不断提高，在算法不断完成打破的同时，数据和计算才能成为次要瓶颈，神经网络隐含层数的添加要求拥有充足的用于训练模型的数据集，但是 80 年代可以采集到的数据极为有限。使得深度神经网络曾经一度“无用武之地”。
随着运算才能和储存才能提升，为人工智能第三次浪潮的到来提供基础。1946 年计算机正式出如古人们的视野中，至今已有 70 年的发展历史，从 5000 次/秒的加法运算才能到如今5.59 亿次/秒的峰值计算速度；从简单的迷信计算到如今各范畴数据处理的运用；从单机处理到全球网络互联互通的协同作业；从人工连线驱动计算到如今的智能大脑的诞生；计算机运算才能的不断提升，为人工智能大时代的到来提供了物理硬件基础。
从产业生态格局看，AI底层为基础资源支持层，由运算平台和数据工厂组成；中层为 AI 技术层，经过不同类型的算法建立模型，构成有效的可供运用的技术；顶层为 AI 运用层，应用 AI 技术为用户提供智能化的服务和产品；每一层架构中，都有不同的企业参与，最终构成围绕AI 技术，产品和服务的生态圈。
2、人工智能的运用机会
第一是芯片。人工智能芯片为 AI 提供物理基础。
2009 年，吴恩达（Andrew Ng）以及斯坦福大学的一个研讨小组看法到，GPU 芯片可以并行运转神经网络。将 GPU 运用于深度学习，理想数据表明 12 颗英伟达GPU 可以提供相当于2,000 颗CPU 的深度学习功能。这一发现开启了人工神经网络新的能够性，使得人工神经网络能包容上亿个节点间的衔接。自此，人工智能一场新的革命正式拉开帷幕。
硬件范畴是各个龙头兵家必争之地，由于就好像 PC 时代的 Intel，以及移动互联网时代的高通，谁制定了行业标准，谁就将成为一个时代的主宰者。因此，昔日龙头 Intel、高通（ARM）纷纷祭出杀招，而传统市场上较为边缘的英伟达由于其架构更顺应人工智能运算因此在竞争中获得先发优势，另外谷歌作为一个颠覆创新者，自行研发了一套硬件体系也成为行业的搅局者。就目前而言，AI 硬件架构次要分为英伟达代表的 GPU 阵营、Intel 代表的 CPU+FPGA 阵营、高通代表的 ARM 阵营以及谷歌代表的 TPU 阵营。
第二是视觉辨认的运用——安防。
中国目前正处于高清化监控的提高阶段，此阶段的市场容量持续添加，视频监控系统与用户业务系统交融。随着视频监控技术的晋级，安防行业的智能化也迅速到来。与此同时，硬件设备功能的提升也为人工智能运用提供了重要保障。图像辨认功能所采用的深度神经网络算法是采用大量训练数据停止模拟和调优所构建的。这就意味着人工智能图像辨认技术的运算与运用离不开大量数据的支持，为模型提供的图像信息越丰富、像素质量与明晰度越高，越有助于图像辨认准确率的提升。
在众多 ToG、ToB 范畴，安防行业有望率先成为 AI 产业化的第一站。核心缘由在于算法成熟、需求分明和基础波动。第一是安防行业场景较为集中，容易完成技术优化与打破，目前图像辨认算法已达到安防运用要求；第二是政府安防范畴效率提升诉求较强，安防正向全工夫全地域的双维度扩展；第三是政府不断大力投资安防范畴，全国超过半数的摄像头已完成高清摄像头部署，警务电子化与信息化已逐渐完成，为人工智能技术部署提供了基础条件。
人脸辨认率达 99.80%，机器视觉超越人眼。机器视觉代替人眼，简单的说，就是用机器代替人眼来做测量和判别。机器视觉系统是经过机器视觉产品(即图像摄取安装，分 CMOS 和CCD 两种)将被摄取目的转换成图像信号，传送给公用的图像处理系统，得到被摄目的的形状信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号停止各种运算来抽取目的的特征，进而根据判别的结果来控制现场的设备动作。人脸辨认率达 99.80%，攻破人类视觉感知最后一道防线。对于人脸的辨认，是人工智能在视觉方面最次要的运用之一，也是作为人工智能和人眼比较的重要标志。根据 LabeledFaces in the Wild 数据显示，人眼对于遮挡的人脸的辨认率为 94.27%，对于剪裁后的人脸辨认率为 97.53%，而人眼对于残缺的人脸辨认率则达到了 99.20%的超高准确率。
计算机视觉让机器成为敏锐的观察者计算机视觉是一门研讨如何使机器“看”的迷信，更进一步地说，就是指用摄影机和电脑代替人眼对目的停止辨认、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更合适人眼观察或传送给仪器检测的图像。计算机视觉包括目的检测、目的辨认、行为辨认三个过程，分别对应“去背景”“、”是什么“、干什么”的认知步骤。计算机视觉的核心运用功能包括特定物体辨认，通用物体辨认以及空间地位感知。而特定物体辨认是让计算机辨认一个已知的 2D 或者 3D 物体，在辨认物体前，计算机需求经过学习得知辨认物体的特征，然后将输入物体和已知物体之间的特征婚配来完成。特定物体辨认可以高效地完成一些形式化、标准化的工作，极大添加工作效率，降低工作成本。特定物体辨认功能作用的典型范畴包括安防范畴和医疗范畴。
AI 技术将对区域布防业务提供弱小附加功能，减少安保人员投入，减少应急呼应工夫，保障人民社会及经济活动的顺利停止。借助 AI 技术，安防由被动监控向自动预警发展。一方面，应用人工智能和大数据技术，可以对大型公共场所和道路停止监控，当流量超过阈值时则提示采取限流等措施，完成人流管控和交通引导；另一方面，可应用大数据停止潜在犯罪的预判，结合行为人先前犯罪前科等数据，对其可疑行为（如购买违禁品、在特定地点蹲点彷徨等）停止辨认和预警。得益于 AI 技术的发展，AI+安防正在由被动安防向自动预警发展。
第三是金融。
金融数据的复杂度较高，但价值宏大。在众多范畴的数据中，金融数据的获取难度高，但金融数据是一切数据价值含量最高的数据之一，其占国内消费总值的比重也非常高。目后人工智能技术在金融范畴中次要有三种方式的运用，分别是智能投资顾问、智能风险控制和智能资产管理。
智能投顾也称机器人投顾(roboadvisor)，是根据古代资产组合实际、结合个人投资者的风险偏好和理财目的、应用算法和敌对的互联网界面，为客户提供资产管理和在线投资建议服务。相比起美国智能投顾的市场，中国市场才刚刚起步。自 2015 年年底起，一批新兴金融科技企业才末尾开拓中国智能投顾市场，而像京东等互联网巨头和招商银行这样的传统金融机构也正在积极规划这一范畴。虽然刚在初始阶段，我们以为随着移动互联网普及，中国规模庞大的新中产阶层将会有宏大的市场潜力，有能够助推中国成为全球第一大智能投顾市场。
第四是医疗。在人口老龄化和医护人员短缺的大环境下，AI是缓解医疗资源供需矛盾的一个重要处理方案。AI能为现有的医疗体系带来流程改进与效率提升，减轻医务人员的工作负担，以及加速药物和疫苗的研发进度。海量的文献和数据样本、算力的提升和并行计算的出现，以及广阔的运用场景，培育了深度学习作为赋能AI 医疗的次要技术。在医疗范畴，计算机视觉技术也可以大放异彩，将医生和护士从一部分反复性休息中解放出来，让医疗资源可以集中到更需求的患者上。目前医疗数据中有超过 90%来自于医学影像，但是这些数据大多要停止人工分析。假如可以运用人工智能技术分析医学影像，并将影像与医学文本记录停止交叉对比，就可以极大地降低医学诊断上的失误，协助医生精准诊断。
在医疗范畴，计算机视觉技术也可以大放异彩，将医生和护士从一部分反复性休息中解放出来，让医疗资源可以集中到更需求的患者上。目前医疗数据中有超过 90%来自于医学影像，但是这些数据大多要停止人工分析。假如可以运用人工智能技术分析医学影像，并将影像与医学文本记录停止交叉对比，就可以极大地降低医学诊断上的失误，协助医生精准诊断。
机器读片，至少有四个优势：一是工夫更短。一位经过严厉训练，有多年临床阅历的医生，诊断一个病例平均需求查看200 张以上的 CT 扫描图片，诊断工夫超过 20 分钟。而计算机结节检测系统经过学习大量有阅历医师标注的样本，能在秒级，甚至是毫秒级，就给出分析结果。二是准确率更高。此前，浙江大学附属第一医院就应用 ET 完成了甲状腺 B 超的疾速分析。ET可以在片子上圈出结节区域，并给出良性与恶性的判别，大大节省了医生的诊断工夫，准确率也比三甲医院高出 21%。肺癌诊断就是医疗大脑预备“攻克”的下一个目的。三是波动度更高。广州医学院第一医院院长何健行表示，人的大脑会出现疲劳，人诊断的准确性比 85%高，可以达到 95%，但不能保证无时无刻都是 95%。四是让年轻医生获得名医的诊断才能。随着大量医生（尤其是名医）训练机器读片，这一才能将被集成到单个医生身上，使之功力呈现 N 倍添加。
最后压轴的是自动驾驶。
无人驾驶软件算法的完成，实践上是基于人工智能技术，叠加云计算的信息互通，和机器人技术的操控停止的技术“大综合”，代表着人工智能技术目前最前沿和运用最广阔的方向。无人驾驶的技术完成，从L3层面看，硬件的应战次要集中在多传感器的综合和成本以及车载芯片的算力和功耗；而软件的应战次要在于人工智能算法主导的机器视觉和驾驶决策；其他方面的应战包括高精度地图和传输的延时等。
无人驾驶研讨范畴目前基本分为两个阵营：
1、以谷歌、百度以及初创科技公司为主的“越级式”研讨型阵营——「在特定区域里发挥全效功能」；他们强调经过采集某一区域的高精度3D 地图信息配合激光雷达在某一区域完成无人驾驶。
2、以传统汽车厂商与 Mobileye 合作的“递进式”运用型阵营——「在任何区域里发挥部分功能」；他们强调「万无一失」的复杂传感器组合(redundancy in system)辨认周围环境，经过低精度导航地图在任何区域完成无人驾驶。
车载芯片是技术研发壁垒相对最高一环。次要车载芯片玩家包括国内的地平线、黑芝麻、华为，以及国外的Mobileye。目前以Mobileye的产品更为成熟，在全球浸透率达70%，但其黑箱子处理方案较为局限，且本土化服务才能较弱；而国内玩家中地平线具有先发优势，有研报以为其有望成为Mobileye在国内的最大竞争对手。英伟达构建的高算力软硬件一体化自动驾驶闭环先发优势分明，但华为以Tier 1供应商作为定位，在芯片、激光雷达、毫米波雷达等也有研发，并凭着本身在5G的实力，打造“5G汽车生态圈”，剑指高级别自动驾驶市场，也不容忽视。
3、结语
人工智能留给我们丰富的想象空间。但是，高科技股的固有风险不容忽视。人工智能技术发展能够不及预期，尤其是在以芯片为代表的硬件晋级换代供应瓶颈之下；自动驾驶、金融服务、医疗医药等行业发展不及预期，这些高度依赖扶持政策的延续性；法规政策推进和支持不及预期也是一个影响产业发展的重要要素；最后，新冠疫情影响大于预期、全球经济恢复进度不及预期等不可抗力的要素是黑天鹅或灰犀牛般的存在。即便前述风险没有发生，高科技行业本身的激烈竞争也是值得关注的。技术一日千里，明天的巨头不知道哪天能够被竞争对手超越。 | 
