人工智能行业分析和投资机会｜黑马荐文

推荐人：张晓军

推荐星级：☆☆☆☆

阅读时间：本文2982字，需5分钟。

推荐理由：深度学习的人工智能技术或成未来十年新风向标，本文从人工智能的发展历程、不同阶段、融资历史与面临的现状等角度全面深入了分析了这个行业的机遇与挑战。本文由蓝驰创投BlueRun（微信ID：lanchichuangtou）授权 i黑马 发布 。 

文 |  蓝驰创投BlueRun

人工智能发展历程

1. 概念介绍

（1）人工智能(Artificial Intelligence)能够和人一样进行感知、认知、决策、执行的人工程序或系统。机器学习是人工智能的一个分支，是通过算法使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。

（2）深度学习是机器学习的一个分支，它试图在多个层次中进行学习，每层对应不同级别的抽象。一般使用人工神经网络，学习到的统计模型中的不同层对应于不同的概念。高层概念取决于低层概念，而且同一低层的概念有助于确定多个高层概念。

2. 发展历程

自1956年达特茅斯会议提出人工智能这一概念以后，历经沉浮，中间遭遇过多次冷遇，进入21世纪后，随着数据量和硬件上的进步，在深度神经网络算法出现以后，克服了一直以来的算法和硬件的瓶颈，进入快速发展时期，很多领域进入实用阶段。

3. 技术支撑

（1）深度学习算法--核心算法的突破

计算机科学家集合 Yann LeCun 的卷积神经网络、Geoff Hinton 的反向传播法，以及 Stochastic 的梯度下降（Gradient Descent）训练法，加上吴恩达（Andrew Ng）大规模应用 GPU 来加快深度神经网络（DNNs）的运算速度，促进“深度学习”这项现代人工智慧技术出现大爆炸般的发展。

（2）GPU芯片—计算能力的突破

GPU（Graphic Process Units，图形处理器）的众核体系结构包含几千个流处理器，可将矢量运算并行化执行，大幅缩短计算时间。随着NVIDIA、AMD等公司不断推进其GPU的大规模并行架构支持，面向通用计算的GPU（General-Purposed GPU、GPGPU）已成为加速可并行应用程序的重要手段。

（3）大数据—海量数据

与人工规则构造特征相比，利用大数据来学习特征，更能刻画数据丰富的内在信息。在大数据情况下，只有比较复杂的模型，或者表达能力强的模型，才能充分发掘海量数据中蕴藏的丰富信息。运用更强大的深度模型能从大数据中发掘出更多有价值的信息和知识。

人工智能的三个发展阶段

第一阶段：运算智能，能存会算；

第二阶段：感知智能，能听会说、能看会认；

第三阶段：认知智能，能理解会思考。

目前在运算智能和感知智能方面已经有重大突破，在认知智能方面还在进一步摸索中。认知智能是目前机器与人差距最大的领域，也是目前各大科技巨头都在力图寻求突破的领域。认知智能目前还没有太大突破，未来需要花更多时间进行研究。

人工智能现状介绍

1. 语音和自然语言角度

语音和自然语音是人类最自然的语言交互方式，具有快、简单、自然等优点。

（1）目前进展：

①语音识别率已经接近99%，抗噪震识别技术、语音合成技术、多人对话技术已成为新的研究热点；

②对于自然语音的处理和理解仍没有得到一个很好的突破，原因在于：

语音识别基于视觉或音频的“底层认知特征”，但语言理解是基于词法、句法和语义学等“高层认知特征”的，发音的音频图像可能是比较确定的，但由于不同的拆解可能有不同的含义。

（2）自然语言处理的发展方向和趋势：

①海量数据时代的信息抽取；

②深度学习在自然语言处理中的应用；

③超大规模知识图谱的建设和应用。

上述三个步骤是同时进行的，通过知识图谱将不同的语义、词汇分类并根据相关性进行聚合和连接，类似于人思考过程中的联想功能。

目前语音已经到了爆发的阶段，下图统计了从2013到2015年智能手机使用智能语音功能的比例。

到2020年，至少50%在百度浏览器上的搜索都将通过图像或语音。

2. 图像角度

目前的应用主要在人脸识别、照片自动归类、图片搜索、自动驾驶/ADAS等方面。但应用有前后之分，比如：医疗领域的人工影像的算法研究比较滞后，识别率达到70%左右，这种识别不够精确，不能很好地对医生加以辅助。

促使计算机在图像感知、图像识别上发生飞跃的技术主要有以下三个方面：

算法、深度学习网络和模型；

海量深度数据的训练模型；

从CPU到GPU的使用。

3. 产品角度

（1）人工智能的应用给生活带来的影响及场景描述：

①从信息到服务：

举例：从原来人工找咖啡馆喝咖啡到之后享受被送到指定地点咖啡的服务；从原来人工订票到使用人工智能技术享受订好票订的过程。

②从软件到软硬结合：

无人车等都具备软件和硬件结合交互的特征，将具备可移动性、可随身携带性，从但一到综合，会有更多传感器、更丰富交互性（视觉、语音、语言、手势、移动等）。

（2）常见的AI产业化路线：

①在已有的产品中实现AI first战略 例如：Google；

②AI作为技术API提供给第三方；

③创业公司从技术或者应用入手。

（3）toB还是toC？

目前大部分公司定位为toB，需求明确、市场接受度高，将率先落地，同时较容易普及。而toC除了扫地机、无人机等品类外，其它领域的需求还不够强劲、市场接受度较差、技术和市场成熟还需时日，但是目前有越来越多定位toC的产品出来,例如Amazon Echo、出门问问的ticwatch等。

4. 人才角度

深度学习的再一次兴起起源于学术界，但目前学术界的大牛大部分被挖到巨头公司。之前是学术界的研究领先于工业界，但现在人才、计算资源等条件，巨头已领先于学术界，研究的中心已转移到工业界。

现在来看美国比中国还是领先不少，美国有4大名校：MIT、斯坦福、卡内基梅隆、纽约大学，还有Google、Facebook、MS这些大牛公司，培养了很多人才。在语音识别，图像处理等领域国际很多顶级专家都是华人。国内也有很多专家，行业薪资待遇越来越好，会吸引更多的优秀人才进来。这批人目前可能在百度、腾讯和阿里，将来可能加入创业大军（已经出现）。

中国的优势在于有大量互联网用户，很多的数据，有和各行各业结合紧密的应用，未来美国技术+中国商业模式会引领人工智能的发展。

相较于O2O、直播等领域，人工智能创业门槛较高，创始人以及核心团队一般均有极强的科研背景，行业人才较为稀缺，导致了行业创业公司总体数量较少。

巨头参与加剧竞争，创业者要思考“你与BAT竞争有什么优势”，选好产品定位和切入点。

人工智能不仅对于创业者来说门槛较高，对于投资人同样如此，要结合技术和应用前景作出准确判断挑战较大。

全球融资历史

1. 融资额

AI领域的融资额从2011年的$282M增长到2015年的$2.4B,增长了约7倍，未来仍将继续保持快速增长。

2. 融资阶段

从投资阶段来看，大部分项目是早期项目（天使+A轮），早期项目虽从2011年的70%下降到2015年65%，但仍占有最大比例，说明AI创业活动仍然活跃。同时B/C/D轮项目增多，说明前期公司成长性不错。未来在这些领域创业活动将仍然活跃，继续提供较多投资标的。

3. 退出案例

退出案例越来越多，主要有并购和IPO两种方式，并购占绝大部分，并购方主要是像Google这样的科技巨头公司，Google目前已经并购了20多家AI创业公司，其它活跃的并购方还有Twitter、Apple、Intel、Salesforce、AOL、IBM、Yahoo等。创业公司以一个比较好的价格被并购也是一个不错的退出方式，可能也是大部分创业公司变现的机会，除了具有独立IPO机会的公司，我们也可以关注国内对BAT等巨头有业务互补有可能被他们并购或者投资的创业公司。

人工智能现状总结

目前人工智能尚处于技术成熟的早期阶段，在计算能力提升、深度学习算法进步及大数据的积累情况下，某些特定的认知计算领域，如计算机视觉、自然语言处理领域取得了阶段性突破，从而引来了大量此领域的技术专家人才加入创业。但是，我们也看到现有技术更多是在辅助和增强人类的认知能力，而且技术依然处于快速迭代升级的阶段，所以技术与商业结合的路线选择就显得更为重要。蓝驰更看好与产业结合，有好的商业变现场景的技术产业型公司，而非单纯强调AI技术的公司。