模块二：大科技行业 05 人工智能：过去让人像机器，未来让机器更像人

从核心行业到龙头公司，开启我的股票自选计划。欢迎来到《我的股票计划Pro》（行业分析版），我是朱振鑫。

人类会不会被人工智能统治？这个科幻电影里的终极疑问，暂时还没有办法解答。但已经有人类天才早早踏上了与人工智能对抗的道路。2016年，传奇围棋选手李世石连续三局败给谷歌人工智能AlphaGo，这被看作人工智能历史上的重大时刻。

李世石说道：“我没有想到AlphaGo能下得如此完美。”在李世石最终战胜AlphaGo之后的一年，世界排名第一的围棋选手柯洁三局均败给升级后的AlphaGo，对此，柯洁表示只能用“震撼”来形容AlphaGo带给围棋界的感受。

围棋被称作世界上最复杂的智力游戏之一，棋手需要经过多年的训练，破解简单规则背后的无穷变化，才能成为高手。那么AlphaGo的开发者DeepMind是如何做到战胜人类顶尖选手的呢？就是因为它使用了人工智能领域的深度学习和类神经网络技术来学会下围棋。

AlphaGo的智能来自对人类棋手比赛中数百万棋局和落子的学习，通过对曾练习过的棋局进行不断地改进，再练习，让AlphaGo形成“策略网络”，能够预测对手的下一步棋。进而又形成了“价值网络”，让AlphaGo学会评估棋局。可以说，这样的学习系统使AlphaGo更像人类。

AlphaGo的成功，让全世界更深刻地认识到了人工智能的强大。麦肯锡研究数据显示，2030年，人工智能有可能为全球额外贡献13万亿美元的增量GDP，较2018年基础上增长16%。这意味着平均每年推动GDP增长约1.2个百分点，足以比肩历史上三次工业革命所带来的变革性影响。

就像马云说的，过去20年，我们让人像机器一样工作，而未来20年，我们将让机器像人一样工作，一场以AI技术为代表的“第四次工业革命”正在向我们招手。

一、人工智能技术的三大重点要素

全球各国都在积极布局人工智能赛道。在这场关乎未来的竞争中，美国依然遥遥领先，中国紧随其后。罗兰贝格发布的最新数据显示，2018年美国人工智能初创企业高达1393家，占据全球人工智能创业公司数量近40%。中国排在第二位，初创企业数量为383个。

美国依托Google、Apple、Facebook、Amazon四大龙头科技企业，已经建立起从底层基础设施到算法，再到应用的完善人工智能体系。在中国，BAT同样也在发挥着类似的作用。全球人工智能专利分布来看，中国占比37%，超过美国的25%，排名世界第一。

其实，人工智能并不是我们认知中特别新鲜的一个行业。自1956年达特茅斯会议上首次提出人工智能以来，这个行业已经发展了60多年的时间。但是人工智能行业的发展并不是一帆风顺的。在上世纪70年代和80年代末经历了两次低潮期。

在第一次低潮期，人们发现即使再尖端的AI产品，只能完成待解决问题最简单的环节，缺乏基本的常识和推理能力，因此很难实现人类的一些基本技能。

在第二次低潮期，人们又发现由于系统升级困难、稳定性不足，维护成本又很高，导致很难实现商业化。归根结底就是数据、算力、算法三大核心要件难以为人工智能的发展提供支撑。

而21世纪以来，由于信息技术环境发生了巨大的变化，数据、算力、算法三大要素都出现了巨大的进步和提升，也为人工智能应用的爆发奠定了基础。

第一是数据。海量数据为算法的实现和优化提供了坚实的支持。

人工智能的根基是训练，就如同人类如果要获取一定的技能，那必须经过不断地训练才能获得，也就是熟能生巧。

AI也是如此，只有经过大量的训练，神经网络才能总结出规律，应用到新的样本上。如果现实中出现了训练从未有过的场景，则网络会基本处于瞎猜状态，正确率可想而知。

因此，对于AI而言，大量的数据太重要了，而且需要覆盖各种可能的场景，这样才能得到一个表现良好的模型，看起来更智能。

根据IDC报告，2025年全球的数据量将达到163ZB，是2016年的10倍之多，其中2015-2025年的平均增速将超过30%。海量的数据为人工智能的准确性提升创造了条件。

第二是算力。有了数据之后，就需要进行训练，而且是不断地训练。

AI中有一个术语叫epoch，意思是把训练集翻过来调过去训练多少轮。只把训练集从头到尾训练一遍网络是学不好的。当然，除了训练，AI实际需要运行在硬件上，也需要推理，这些都需要算力的支撑。

人工智能的每一次浪潮，都离不开算力的升级。除了CPU之外，相继出现了GPU、TPU、FPGA、ASIC等人工智能专用芯片（*GPU：显示核心、视觉处理器、显示芯片。TPU：是谷歌研发的一种神经网络训练的处理器，主要用于深度学习、AI运算。FPGA：现场可编程门阵列。ASIC：专用集成电路。），性能比CPU有显著的提高。而且超算、云计算等基础设施也使得算力有了长足的进步。

在算力提高的同时，计算成本也出现大幅下降。1985年1000美元只能买到人脑算力的万亿分之一，1995年变成百万分之一，到了2015年，同样的钱可以买到人脑算力的千分之一，提升是非常可观的。

第三是算法。算法是人工智能的核心，简单来说就是一个学习的过程，解决“学什么”、“怎么学”、“做什么”的问题。

最著名的算法就是神经网络模型。算法的优化使得计算效率大幅提升的同时，更加降低能耗。以AlphaGo为例，该系统使用了1920个CPU和280个GPU才能完成计算，一盘棋的能耗费用高达3000美元，这在大规模应用中是不能接受的。

但是，谷歌通过引入TPU以及自我学习算法模型之后，计算的时间大幅缩短，使用的硬件也降低到4个TPU，能耗显著下降。

正是因为这三个方面大的变化，人工智能才有了大面积应用的可能。

当今的人工智能技术以机器学习，特别是深度学习为核心，在视觉、语音、自然语言等应用领域迅速发展。人工智能作为数字经济时代的“新电能”赋能于各个行业。

我国已经把人工智能视作必须要攻克的关键核心技术，有望成为新基建的核心力量。IDC数据显示，2019年中国人工智能软件及应用市场规模达28.9亿美元，包括硬件在内，整体市场规模将达到60亿美元。到2024年，中国人工智能软件及应用市场规模将达到127.5亿美金，2018-2024年复合增长率将达到39%。

尽管目前人工智能的发展与科幻小说和电影里的构想有很大差距，但我们的现实生活中已经普遍接触到人工智能的产品和服务。小到翻译软件、智能音箱，大到自动驾驶、城市安防。无论是企业还是政府，都开始积极拥抱这项技术。我们也已经逐渐形成比较完善的人工智能产业链，可以划分为基础支持层、中间技术层和下游应用层。

二、人工智能产业链和相关公司

人工智能产业链包括基础支持层、中间技术层和下游应用层。

1.基础支持层

基础层是人工智能产业的基础，主要为人工智能技术提供计算能力以及数据输入，包括计算硬件、系统技术和数据资源。

硬件最重要的就是AI芯片和传感器。系统技术则涉及到大数据和云计算/超算平台。数据资源也就是数据的采集和分析。大数据和云计算我们在后面的课程单独分析，这一节课的重点就是两个：AI芯片和数据资源。

（1）AI芯片

传统的芯片受限于CPU的计算能力，无法满足AI产业的算力需求。算力更高，功耗更低的AI芯片是一个冉冉升起的朝阳赛道。

根据权威智库Tractica的研究报告显示，2019年全球人工智能芯片的市场规模达到110亿美元。预计在2025年全球人工智能芯片市场规模达724亿美元，7年复合增长率达37%。在全球的AI芯片市场中，中国的市场规模占比最大，约占四分之一。

虽然目前中国AI芯片行业发展尚处于起步阶段，但随着人工智能应用生态的爆发，近两年迎来了新一轮的爆发。预计2019-2024年中国AI芯片市场规模仍将保持40%以上的增长速度。

从AI芯片的市场竞争格局来看，底层基础技术和高端产品主要被欧美日韩等少数国际巨头垄断，龙头集中度很高。GPU领域，英伟达和AMD双垄断格局稳固。英伟达市场份额占比达到67%，垄断地位不断强化。AMD市场份额占17%，英特尔占16%。

FPGA领域，四大巨头赛灵思，英特尔、莱迪思、美高森美几乎垄断96%的市场份额，把握行业“制空权”。赛灵思市场份额占49%，英特尔占36%，美高森美占6%，莱迪思占5%。中国FPGA研发厂商有紫光同创、复旦微电子等，整体仅占全球FPGA市场份额不足3%。

目前人工智能还处于发展初期，算法演变快，格局不明朗，只有谷歌这样拥有大量的计算需求量才能将成本分配到使用中，国内的厂商还比较初级。

以寒武纪为例，虽然它的MLU芯片都已经逐渐流片并投产，但产品性能整体看与国际龙头仍有不小的差距，而且营收并不高，2019年到2020年三季度，公司还巨亏14个亿。另一家国内做AI芯片的新三板企业地平线也差不多是一样的情况，2018年以来营业成本不断提升，盈利下滑，目前基本上没有什么盈利。

（2）数据资源

基础层还有一个领域：数据资源。虽然产业链中下游公司都可以通过自身的项目和产品获得一定的数据，但对于数据的处理还需要更加专业的技能。

单个公司的数据总是存在不完善的地方，中小公司的业务数据也相对匮乏，因此专业的资源公司应运而生。从这个角度看，数据资源类公司和医药行业中的CRO/CMO公司有异曲同工的地方，都属于朝阳行业中的“卖水人”，未来龙头公司保持业务拓展和财务数据稳步发展的确定性很强。

国内数据资源类公司起步较晚，公司较少，主要有海天瑞声、慧听科技、标贝科技，主要是为智能语音识别提供数据产品的。不过这些公司的盈利都实现了快速的增长，像海天瑞声近三年净利润增长了2.4倍，经营性现金流的增长和净利润基本同步。

2.中间技术层

技术层是人工智能产业链的核心，以模拟人的智能相关特征为出发点。通过开发算法模型和海量识别训练以及机器学习建模，将基础能力转化成人工智能技术。

人工智能的核心技术，就是模仿人类的眼睛、耳朵、嘴巴，实现能看、能听、能说，由此可以分为智能语音、自然语言处理、计算机视觉和其他类技术。

（1）智能语音

人工智能的技术中，一个完整的对话交互是由“听懂—理解—回答”三个步骤完成的闭环。其中，听懂需要语音识别、理解需要自然语言处理技术，回答需要语音合成。

智能语音目前的核心应用就是语音识别和语音合成。智能语音是人工智能中成熟度较高，较早开始产业化进程的技术，目前已经大规模出现商业化落地的产品。

在专业服务市场，有30%的智能语音解决方案业务应用于公检法、27%应用于A.I.客服，16%应用于智慧教育，8%应用于智慧医疗。

在消费领域，智能语音也有比较广泛的使用，像是小度、小爱这样的智能音箱，还有智能家居、智能车载等等。IDC数据显示，2019年中国语音语义应用市场达12.2亿美元。由于国内智能语音市场规模相比国际差距较大，未来几年仍有望保持40%左右的高速增长。

智能语音产业具有显著的马太效应和较高的行业壁垒，在经历过行业多次洗牌之后，虽然全球范围内尚未出现绝对的垄断者，但是仅有少数厂商具备较强的竞争力。

从全球来看，Nuance市占率32%（Nuance就是苹果Siri的技术服务商）、谷歌占28%、苹果占15%、微软占8%、科大讯飞占4.5%，CR5集中度达到87.5%，形成了寡头垄断竞争格局。

从国内来看，科大讯飞龙头地位突出，市占率达到44%，百度占28%，苹果占7%，Nuance占3%。CR4集中度达到92%。

以科大讯飞、百度等为代表的技术平台类公司地位比较核心，相比于下游的公司，具备较强的产业链扩展能力。即使是海康威视这样在下游比较强势的企业，就算在安防领域AI研发很强，也很难将技术输出到其他关联度很小的领域。

而科大讯飞开放平台上的开发者数量已经达到157万，对外开放了331项AI能力及方案，可以利用云计算以非常低的成本迅速扩张用户和使用场景。

从公司盈利能力也能看出，科大讯飞的业绩一直保持50%以上的高速增长，在人工智能产业链公司普遍面临高估值、盈利难的现状下，科大讯飞做到这个业绩很不容易。

（2）自然语言处理

下一个环节就是自然语言处理（NLP），就是利用计算机对语言文字进行分析，以模拟实现人类对于语言的理解。

自然语言处理的应用场景你一定不陌生，从苹果的聊天机器人Siri、谷歌的机器翻译，到电商平台推荐你可能感兴趣的产品，知乎分析回答的质量是不是需要折叠，这些场景都离不开对自然语言的处理。

NLP是实现认知智能的关键技术，理论上下游的空间十分广阔。大家可能看过一部电影《银翼杀手》，里面复制人虽然和人类长得一模一样，但致命缺陷正是缺乏“移情”的能力。

但是当前NLP技术发展仍然面临较大挑战，商业应用程度比较低。国内2018年的自然语言处理市场规模大约为49.77亿元，相对国际来说较为落后，相关企业在自然语言处理领域实力较弱，暂时没有什么值得关注的投资标的。

（3）计算机视觉

除了智能语音对话之外，人工智能还有一个重要的技术，就是对图像或视频信息进行分析处理，模仿人类通过眼睛观察和理解外部世界，这被称作计算机视觉。

计算机视觉的核心应用是图像识别，进一步发展就是人脸识别。IDC数据显示，2019年中国计算机视觉应用市场达14.6亿美元，增速超过100%。

计算机视觉的超预期增长主要和政府投资有关。智能安防技术成熟度最高，有接近70%的计算机视觉应用集中于安防领域，像是商汤科技的SenseFace动态人脸布控系统曾多次助力达沃斯论坛、博鳌亚洲论坛等大型国际会议。

云从科技也已经在29个省的公安厅内陆续落地应用。另外还有18%应用于商业零售的广告营销，8%应用于泛金融，4%应用于互联网娱乐，还有2%应用于手机。

在计算机视觉领域，四家头部企业已经脱颖而出，竞争优势明显。根据IDC报告数据，“AI四小龙”商汤科技（17.4%）、旷视科技（15.2%）、云从科技（9.8%）和依图科技（9.0%）占据了国内计算机视觉应用市场份额的51.4%，分列前四名，但相较于2017年69.4%的市场份额有所下滑。

后端设备生产起家的传统安防企业海康威视、大华股份和宇视科技在AI+安防市场的份额也显著增长。在质检、巡检方向，百度、华为、阿里、腾讯以及以创新奇智为代表的创业公司也在崛起。

“AI四小龙”为了争取更大的市场份额，正在从狭义的人脸识别公司变成更加综合的平台型公司，但即使是收入增长最快的云从科技，目前仍然处于大幅亏损的状态，也属于典型的高成长但高风险的赛道。

3.下游应用层

应用层是基于技术层的能力，去解决具体现实生活中的问题。目前人工智能技术在安防、医疗、教育、金融、智能驾驶、智慧城市、机器人等领域有较多落地成果。

其中市场规模最大，增长最快的是安防领域。2011-2017年中国安防市场规模的复合增长率高达14.5%，高于全球市场8.5%的增速，并且未来仍将保持10%的增速。2018年市场规模达135亿元。

安防企业具有显著的规模性，龙头企业的业务增速远远快于平均增速。2008~2019年，龙头企业海康威视、大华股份的营收复合增速达41%，远大于15%的行业平均增速，也大幅高于行业内其他上市公司平均25%的增速。

同时IHS的数据显示，这两家企业的合计全球市占率也由2012年的12.3%增加到2018年的37.4%。双寡头垄断的格局已经非常明显。两家龙头的研发费用能达到第二梯队企业的几十倍，自研芯片使成本优势进一步增强，高市占率也带来了海量数据优势，其龙头地位很难被动摇。

人工智能技术在金融领域的应用速度也很快。根据IDC的预测，到2020年，银行、保险、证券这三大金融核心领域的IT市场规模已经达到2500亿元，其中银行IT的市场规模就达到接近2000亿元。

人工智能在金融领域的应用重点有两个，一个是赋能，另一个就是风控。一方面AI可以通过智能化解决方案降低人工成本，提高工作效率。典型的就是银行的智慧网点、智能客服等等。

另一方面，AI和大数据分析技术的结合能够实现对海量数据的实时挖掘，能够前瞻性地发现风险，快速评估风险。典型的如运用人脸识别、机器学习等AI技术监测客户交易的安全性等。

除此之外，人工智能应用已经向财富管理领域延伸，主要就是智能投顾和智能投研。不过目前AI在财富管理方面的应用仍处于初级阶段，尤其是在非标资产的配置上没有相应的理论和技术支持。因此目前应用更广泛的是半智能投顾，机器人投顾给出的建议最终必需经过人工检查才能使用。

未来，AI应用最有想象空间的领域还有很多，最值得关注的是两个方向。

一个是自动驾驶。2019年中国智能驾驶市场规模差不多达到1137亿元，增长27%。虽然中国的智能驾驶起步较晚，在L2和L3阶段均落后于欧美，但在L4阶段大有赶超之势。

我国目前在智能驾驶方向取得了不错的成绩，自动驾驶应用已在我国多地部署运营。2020年7月，苏州发布了全球首条城市微循环无人小巴市民体验线路，落地了全国首个常态化运营的城市公开道路无人小巴项目。

2020年10月，百度自动驾驶出租车服务在北京全面开放，10月12日单天呼单量突破2600单。上市公司中，自动驾驶核心厂商四维图新高精度地图卡位优势明显，2019年进入宝马、华为L3级别自动驾驶地图供应链。

另一个是AI医疗。当前，AI在细分领域中以影像诊断和语音病例最为广泛，主要是因为这两个领域有大量的数据累计，相关人脸识别、语音识别算法的应用也比较成熟。

早在2017年，科大讯飞的“智医助理”机器人便顺利通过临床执业医师综合笔试，这在全球尚属首次。如今已经覆盖了安徽四县一区的1153个基层医院，辅助基层诊断建议数290万。

综合来看，人工智能是一项还处于成长初期的技术，所以很多细分领域还没有出现成熟的商业模式和落地应用，而我国在大部分领域还处于相对弱势的地位，但这也恰恰是未来增长的空间所在。长期来看，中游的智能语音、计算机视觉以及下游的安防、自动驾驶等应用尤其值得关注，具备长期投资价值。

今天的课程就讲到这里，感谢大家的收听。

编辑丨刘欣如   审核丨杨笛