编辑器| 14 近年来，随着PC市场和移动终端市场逐渐饱和，互联网迎来了人工智能时代。
据艾瑞预计，2020年全球人工智能市场规模将达1亿元，年复合增长率约19.7%；同期，中国人工智能市场规模将达到91亿元，年复合增长率超过50%。
事实上，随着人口老龄化、劳动力成本上升、从事关键工作的意愿下降，人工智能的商业化进程正在逐渐加速。
目前，人工智能在很多细分领域已经超越人类。
未来，数千个“专脑”可能通过移动互联网、云计算等方式连接成“一脑万能”的人工生物大脑。
本期的智能内参，推荐长城证券的AI行业报告。
如果您想收藏本报告全文，可回复关键词“nc”下载。
以下是智能内参呈现的干货信息：PC互联网时代企业的核心竞争力是软件产品的快速响应能力，移动互联网时代是构建移动终端的生态系统，人工智能时代更多依赖AI核心技术。
人工智能技术有两大要素：核心技术平台和数据周期。
只有将AI技术与数据相结合，才能形成切实可行的业务。
本报告主要介绍国外科技巨头的AI战略布局和技术现状。
| IBM：入局较早，受益于行业发展。
人工智能是IBM年后重点关注的领域。
IBM在AI领域无可比拟，比如20世纪80年代的专家系统、2016年击败国际象棋冠军卡斯帕罗夫的深蓝计算机、以及在美国智力问答节目《危险边缘》中击败人类对手的沃森系统。
IBM。
IBM在AI领域的布局围绕沃森和类脑芯片，试图打造AI生态系统。
目前，IBM已经裁撤了全球业务咨询GBS和技术服务GTS等部门，转型为一家认知解决方案和云平台公司。
IBM未来十年战略的核心是“智慧地球”计划，IBM每年在研发方面的投入超过30亿美元。
未来，IBM的创新解决方案将在智慧能源、智慧交通、智慧医疗、智慧零售、智慧能源、智慧水资源等领域全面开花，涵盖节能减排、食品安全、环保、交通、医疗、现代服务业、软件及服务、云计算、虚拟化等热点话题。
今年Q3，以Watson为代表的认知解决方案服务实现营收8900万美元，营收增长迅速，占比达到22.17%。
IBM在AI领域的利润开始爆发。
我们预计，2018年IBM认知解决方案服务将分别实现营业收入3900万元、9500万元和8400万元。
届时，认知解决方案服务将占IBM营收的24.56%、26.89%和28.72%，成为推动力。
IBM的主营业务业绩增长。
Watson引领认知业务：目前，IBM不再将Watson作为单一系统来运营，而是将其功能拆分为不同的组件，每个组件都可以出租来解决特定的业务问题。
以IBM Watson为代表的认知技术将商业带入认知商业时代，帮助各行业挖掘商业价值，重塑产业格局。
IBM正在为客户提供创新的解决方案，客户不断地将自己的企业数据输入到Watson中并训练Watson。
认知商业时代，以认知计算、大数据分析、物联网、异构计算、神经元芯片Synapse、认知机器系统等为代表的一批新兴前沿技术应用正逐步进入新能源利用、污染防治、城市管理、生态改善、医疗、交通、食品安全追溯、社区服务。
当Watson分析问题并确定最佳答案时，它利用先进的自然语言处理、信息检索、知识表达、推理和机器学习技术来收集大量证据，产生假设，并进行分析和评估。
目前，Watson 已开发出 40 种不同的产品，其中包括通用语言识别服务。
沃森擅长认知，专为理解、推理和学习而设计。
它有机会克服以前不可能的挑战，例如智胜医疗挑战、智胜水资源管理挑战、智胜保险欺诈挑战、智胜时尚挑战和智胜时尚挑战。
环境挑战、智胜并购风险挑战等。
Watson+Medical打造智慧医疗平台：Watson在医疗领域主要专注于肿瘤、癌症的诊断。
它的优势在于自然语言处理并通过挖掘非结构化数据来发现深层关系。
沃森医疗的经营策略是：1、深耕肿瘤领域，并向其他领域拓展； 2、通过大规模采集获得数据资源； 3、通过合作拓展使用场景，输出生态能力。
在汇聚医疗数据、人力、能力和客户之后，Watson Health将成为一个具有巨大潜力的大型医疗平台，而Watson认知计算将助力智慧医疗领域。
沃森的效率和准确性明显高于人类。
“认知计算+医疗”前景广阔，IBM也深深受益于行业的发展红利。
类脑芯片研发实力雄厚：此外，IBM还凭借其强大的认知计算能力，应用于数字顾问、虚拟助理、云计算、科学研究等领域。
大力研发量子计算电路，开放量子计算平台，推出多种并行类脑芯片，提升AI算力。
2019年11月，IBM开源基础人工智能平台SystemML，可支持描述性分析、分类、聚类、回归、矩阵分解和生存分析等算法。
Watson 集成了许多 SystemML 功能。
|谷歌：软硬件结合、开源系统构建AI生态系统。
谷歌的大数据检索核心技术全球领先，建立了全球最大的数据库系统。
广告盈利是谷歌的主要盈利模式，目前其90%以上的收入来自其广告系统。
2019年8月，谷歌宣布架构重组，成立母公司Alphabet。
谷歌已经从一家搜索引擎公司转型为一家涵盖多个领域的高科技企业。
谷歌于2011年成立AI部门，目前已有多个团队使用机器学习技术，包括Google Search、Google Now、Gmail等，并在其开源的Android手机系统中注入了大量的机器学习功能（如如使用卷积神经网络）。
开发Android手机语音识别系统）。
谷歌目前的产品和服务主要由AI技术驱动。
例如，谷歌使用深度学习技术来改进其搜索引擎、识别Android手机命令以及识别其Google+社交网络上的图像。
Google AI的做法是：1、覆盖更多用户使用场景，从互联网、移动互联网等传统业务延伸到智能家居、自动驾驶、机器人等领域，积累更多数据信息； 2、积累人工智能底层技术，开发更先进的深度学习算法，增强图形识别和语音识别能力，可以对信息进行更深层次的处理。
谷歌正试图将人工智能渗透到其所有产品中，为用户带来更多的使用场景和更多的智能功能。
研发+并购拥有两套AI系统：今年11月，谷歌开源了第二代深度学习系统Tensorflow。
Tensorflow可以编写、编译和执行机器学习算法代码，将机器学习算法转化为符号表达的各种图表，缩短重写代码的时间。
TensorFlow可以模仿人脑的工作方式和识别模式，并应用于语音识别或照片识别等许多领域。
此外，用TensorFlow编写的操作只需很少的改变就可以在各种异构系统上运行。
开源代码开放后，所有工程师都会帮助谷歌修改和完善这项技术。
谷歌收到反馈后，可以推出更好的服务和产品，从而推动整个AI行业的发展。
DeepMind成立于2007年，它结合了最先进的机器学习和系统神经科学技术，创建了强大的通用机器学习算法。
当年1月，谷歌斥资2.63亿美元收购Deepmind。
同年12月，谷歌通过DeepMind与牛津大学的两个AI研究团队建立了合作关系。
2019年2月，Deepmind系统学习了49款经典Atari游戏。
今年3月，Deepmind开发的AlphaGo以4:1的比分击败世界围棋冠军李世石，引发了世界对人工智能的关注。
AlphaGo目前专注于棋类游戏的开发，但未来也将应用于医疗诊断或无人驾驶等领域，以加速AI的商业化。
虚拟助手融入智能家居推动生态建设：谷歌认为智能家居领域将是未来AI应用的重要市场。
目前，全球各国智能家居普及率较低。
为此，谷歌正在加速基于Nest和Google Assistant的智能家居的开发。
家居生态系统的建设就是通过一系列的并购、开放平台的建立、软硬件的整合来打造这个生态系统。
今年5月，谷歌推出了语音智能助手Google Assistant，它是语音识别、人工智能、自然语音理解的集大成者。
Google Assistant可以充分理解上下文并回答问题，将与Alexa、Siri和Hound等智能助手竞争。
与主要用于手机和PC上的Google Now相比，Google Assistant已经开始集成到各种设备中（Google Home、Allo聊天机器人）。
据MarketsandMarkets预测，自然语言处理市场规模将从2018年的76.3亿美元增长至2018年的7亿美元，年增长率为16.1%。
今年6月，谷歌斥资5.55亿美元通过Nest收购了基于云的家庭监控公司Dropcam。
10月，收购智能家居中控设备公司Revolv。
Revolv 将参与 Nest 的“Works with Nest”开放计划。
Google Home（智能音箱）于五月推出。
Google Home 是一款基于 Google Assistant 语音控制的智能音箱。
与Amazon Echo相比，Google Home将利用谷歌庞大的数据库来了解用户需求。
传感器结合AI算法开发自动驾驶原型：谷歌的自动驾驶汽车项目始于2007年，2006年收购了Systems、Anthony's Robots等公司。
目前自动驾驶里程已达10000英里，并已成功发布了全球第一辆完全自动驾驶原型车“吊舱车”，并宣布谷歌自动驾驶汽车将于2020年正式上市。
谷歌无人驾驶是由技术，重点关注基础技术研究和人工智能核心技术开发。
在攻克相关深度学习和脑技术开发等软件算法的基础上，集成了各种传感器。
今年12月，谷歌和福特将成立一家合资企业，开发基于谷歌AI技术的自动驾驶汽车，这可以节省汽车制造技术的时间和金钱。
与NASA联手开发量子硬件，发布TPU进军芯片市场：谷歌成立了量子人工智能实验室（QuAIL），由NASA和大学空间研究协会联合主办。
2017年，谷歌使用D-Wave机器探索量子计算在网络搜索、语音/图像模式识别、规划和调度、空中交通管理、机器人外太空任务以及支持任务控制中心运营等应用中的应用。
2017年，谷歌利用其在D-Wave机器方面的经验来开发量子硬件，聘请了加州大学物理学教授约翰·马蒂尼斯（John Martinis）及其团队，打造了谷歌独家的量子芯片。
今年5月，谷歌发布了专门为机器学习开发的TPU（张量处理单元）芯片。
当计算精度降低时，TPU芯片更耐用，并且使用更复杂和高功率的机器学习模型。
通过快速应用这些模型，用户可以获得更准确的结果。
谷歌声称TPU将使机器学习能力提高三代，TPU将使摩尔定律前进七年。
在“深度学习”领域，TPU的单位功耗性能也比“GPU”和“FPGA”好10倍。
| NVIDIA：在GPU大趋势下，端到端AI平台的布局是基于传统PC GPU业务的逐渐饱和以及对AI潜在市场的强烈看好。
NVIDIA正在积极推进战略转型。
2020年Q1，不再提及传统的PC GPU业务，将战略聚焦于游戏、专业工作站、数据中心和汽车电子四大市场。
NVIDIA GPU芯片目前在虚拟现实、人工智能、无人驾驶汽车等领域处于领先地位。
重要中心。
今年Q2，NVIDIA实现营收14.3亿美元，同比增长24%，较Q1同比增长9%。
这主要是由游戏、数据中心、专业虚拟化和Tegra无人驾驶系统等产品的强劲需求推动的。
AI芯片市场需求强劲，呈现爆发式增长。
与CPU相比，GPU拥有数千个计算核心和强大高效的并行计算能力，可实现10倍的应用吞吐量，特别适合AI海量训练数据情况。
当前的深度学习解决方案几乎完全依赖 NVIDIA GPU。
艾瑞咨询预计，全球人工智能市场年规模达1亿元，市场潜力巨大。
据机构预测，硬件市场将占据AI市场份额的30%。
此外，NVIDIA还专门为深度学习设计了全球首个GPU架构（Pascal架构）。
在AI领域，NVIDIA并不希望成为一家纯粹的硬件或软件制造商，而是致力于打造一家基于AI平台的公司，打造端到端的深度学习平台。
NVIDIA CEO黄仁勋表示，未来，NVIDIA将是一家基于人工智能平台的公司，业务将涵盖智慧城市、交通、超级计算等领域。
在AI和自动驾驶领域，NVIDIA形成了以Tesla P和DGX-1为核心的训练系统，以P4/P40和Tensor-RT为核心的数据中心推理系统，以及搭载Jetpack 2.3的Jetson TX1 DRIVEPX 2 以Driveworks为核心的智能设备系统。
NVIDIA在上述领域从硬件、软件到解决方案都进行了全面布局，构建了端到端的深度学习平台。
|英特尔：研发+收购抢占芯片市场份额 近年来，英特尔传统业务表现不佳。
为避免过度依赖PC和服务器，公司立足主业，积极进行战略转型，将业务从PC芯片、移动芯片拓展至数据中心（云服务）、物联网、人工智能等领域。
领域，还提出了“重构计划”，将未来工作重点从PC芯片转向物联网和云计算。
随着战略转型的推进，预计未来三年英特尔数据中心和物联网营收增速将保持在5%至10%之间。
根据CB Insights的数据，英特尔在AI领域的总投资排名第二，这将增强其在AI领域的核心竞争力。
未来，英特尔将打通从云数据中心到设备终端的AI闭环，通过大数据处理链路，再回到云数据中心，构建AI生态系统，寻求领先地位。
英特尔的AI终端布局注重人机交互。
通过提供Intel Curie模块、Edison计算平台、Cedar Trail芯片平台、RealSense技术、Atom处理器等技术，进一步提升终端设备的智能化水平，并将设备数据上传至后端数据中心。
AI后端布局主要是开发适合机器学习的CPU芯片（如Xeon Phi）和FPGA芯片，以扩展AI计算性能。
软件方面，致力于数学核心函数库和数据分析加速库：目前Intel已经开源了深度学习数学核心函数库——深度学习神经网络（Intel MKL-DNN），供使用MKL 深度学习神经网络层。
。
数据分析加速库DAAL于2018年发布，可以帮助第三方开发者更好地在英特尔底层硬件上构建和训练机器学习模型。
英特尔还将在2020年发布“数学核心函数库”产品中的神经网络API供开发者直接访问，降低开发者上手机器学习的门槛。
此外，英特尔还在AI领域进行了一系列收购（如体感识别公司Omek Interactive、Hadoop咨询公司Xtremeinsights、自然语言处理初创公司Indisys、联想内存Saffron Technology、半导体制造商Altera、半导体功能安全解决方案制造商 Yogitech、计算机视觉公司 Itseez、AI 初创公司 Nervana、计算机视觉公司 Movidius）。
硬件方面，采用三管齐下的方式对抗NVIDIA GPU：虽然Intel芯片以高速处理数字而闻名，但NVIDIA GPU芯片在处理视频和语音等非结构化数据以及识别模型时效率更高，并且在深度学习和神经网络服务器方面更加高效。
性能远远超过Intel。
今年4月，英特尔发布了双路服务器芯片Xeon E5-v，极其适合处理机器学习模型评分（评分）应用。
英特尔目前正在开发面向AI应用的Xeon Phi处理器家族Xeon Phi，并计划今年推出新的Xeon Phi芯片（代号Knights Mill）。
借助英特尔底层芯片架构，京东和奇虎将机器学习模块的可扩展性提高了10倍，并将部分机器学习周期缩短了8倍。
未来，百度深度语音平台数据中心将采用这款Xeon Phi芯片，最大限度地提高自然语言语音分析的速度。
预计未来Xeon Phi将广泛应用于语音识别、图像识别、自动驾驶等领域。
与此同时，今年8月，英特尔斥资4亿美元收购深度学习初创公司Nervana，试图通过Nervana Systems在硅层实现机器学习，而不是基于GPU架构。
Nervana 为神经网络设计了一款引擎芯片。
在深度学习训练过程中，Engine芯片比传统GPU具有更加突出的能耗和性能优势（据说Nervana处理器可以达到GPU速度的10倍）。
通过收购Nervana，英特尔可以将其CPU优势延伸到深度学习领域，缩短深度学习应用开发和应用推广的时间。
此外，今年12月，英特尔以1亿美元收购了FPGA制造商Altera。
Intel目前正在开发统一接口，试图将Altera的FPGA和Intel Xeon系列处理器封装到一颗芯片中。
新芯片将以互补合作的方式完成深度学习训练。
2020年4月，英特尔与科大讯飞联合推出深度学习计算平台，该平台利用英特尔至强处理器和Altera FPGA底层硬件技术，依托科大讯飞在自然语言处理和语音识别方面的核心技术。
演讲者的语音转换为文本的准确率高达 95%。
未来，Xeon和FPGA集成芯片将大大提高CNN图像识别、目标检测和大数据模式发现的效率。
英特尔在无人驾驶和机器视觉领域频频发力。
英特尔在车联网领域频频发力，重点开发“ADAS高级驾驶辅助系统”，并与多家汽车厂商合作测试。
与中交兴路成立“车联网联合创新中心”，共同探索智能车载终端技术、车联网云平台、行业大数据解决方案和商业模式创新。
英特尔还在机器视觉领域进行了一系列重大收购，以加速自动驾驶项目的推进。
2019年5月，英特尔收购了计算机视觉（CV）算法公司Itseez。
Itseez 帮助英特尔开发创新的深度学习 CV 应用（例如数字安全监控、自动驾驶和工业检测），以创建从汽车到安全系统 (IoT) 的物联网。
2019年9月，英特尔收购了计算机视觉开发商Movidius。
Movidius技术被谷歌、大疆和联想等公司用来为无人机、安全摄像头和AR/VR耳机等智能设备提供视觉功能。
收购后，Movidius将与英特尔的RealSense技术合作。
智东西认为，随着谷歌、IBM等巨头相继开源AI平台，以及NVIDIA、英特尔深度涉足AI芯片，AI商业化的技术壁垒已显着降低，AI将迎来商业化高潮。
智能家居、无人驾驶、模糊检索等领域将率先发展。
目前IBM、Google在基础层、技术层、应用层都有全面布局。
IBM已转型为认知解决方案和云平台公司，Watson将迎来认知业务时代。
谷歌专注于机器学习，充分发挥平台优势，构建软硬件结合的生态系统。
作为传统芯片企业，英伟达和英特尔面临着PC、移动智能终端等市场逐渐饱和的压力，以及AI市场强劲的市场前景。
他们致力于开发可行的AI硬件，并在AI框架和商业应用方面做出了许多尝试。
下载提醒： 1、如果您想收藏本文完整报告，回复关键字“nc”即可下载。
2、如果你想了解《智能内参》近期出品的“智慧产业创业公司百强系列”，请立即关注。
3、如需获取智能内参全部报告全文，请添加微信zhidx_com向编辑索取。