2020年是不平凡的一年。新冠疫情打乱了很多经济生活的节奏，人工智能站在了抗击疫情的最前沿。防疫形势与指挥平台、AI测温、无感交通、疫情问询机器人、AI辅助诊疗，以及有趣的视频特效和聊天机器人，为人们的居家生活带来快乐，都助力人工智能进入生产生活，让AI成为2020年的高频词汇，这些日常可见的场景只是人工智能的一个小缩影。回到产业思维，去年我们讲到人工智能已经从讲技术教育市场的阶段过渡到思考如何将技术和业务结合起来落地的阶段。时代已经进入人工智能和传统产业时代。博大精深融合的前夕。2020年，我们观察到人工智能已经广泛出现在决定企业经济效益的各个环节。以人机协同模式为主导，推动传统产业向效率和动能转变。人工智能作为创业企业标签的属性正在弱化，越来越成为各行业企业主体积极尝试和使用的生产要素。人工智能被纳入新基建的范畴，其实是水到渠成的事情。智能经济人工智能对产业经济形成价值闭环（1/2）企业和政府对人工智能的应用逐渐升温。在决定企业经济效益的每一个环节都可以看到人工智能的身影：人工智能核心帮助人们安全生活、远程交易、便利出行；深度学习和知识图谱帮助企业在生产过程中进行分析预测和科学决策；人机对话，提升来访登记和服务响应的用户体验。人工智能将催生新技术、新产品、新产业、新业态、新模式，实现社会生产力的全面飞跃，推动社会进入智能经济时代。我们测算，目前中国大部分大型企业都在持续规划和实施人工智能项目，超过10%的规模以上企业将人工智能与主营业务相结合，以提升产业地位或优化经营效率。.人工智能对产业经济形成价值闭环（2/2）当然，人工智能在经济生产活动中越来越普及，并不意味着企业可以完全依赖人工智能解决主流业务问题。中国企业数字化转型整体处于起步阶段。即使是具有超前洞察力的先行者，也需要在数字化和信息化、云迁移、数据治理和人工智能、管理思维转变四大方向上统筹探索。业务信息系统支撑企业前/中/后台交易、信息与流程、业务分析等需求，提供相对标准、标准化的功能；上云降低IT建设成本，促进运营互联化、数据化、智能化、精细化；数据治理和人工智能解决业务场景中高度复杂的计算问题（往往需要处理海量异构数据），以及多因素、动态、可扩展的推理问题，帮助人们完成观察、认知和决策的过程——制作;管理战略和思维引领企业科学布局，有效组织人才，在机遇或困难面前寻求完整的解决方案，探索出路。因此，在工业经济中，人机协作模式将长期稳定存在，促进效率变革和动能转换。人工智能的布局，将影响人工智能产业的十年格局和企业的成长。上市企业的数量和业绩是衡量一个行业发展的风向标。截至2020年12月前十天，已在科创板注册的80家信息科技企业中，2家为人工智能企业，42家（53%）披露拥有人工智能核心技术或相关技术企业。这些公司主要来自地理信息技术、IT软件/运维/信息化、网络与内容安全、云服务、半导体设计、物联网与智能硬件、金融科技等赛道。上市的人工智能公司在市值方面取得了骄人的成绩。资本的期待过去三年，人工智能在一级市场吸纳了超过1000亿元的资金。据清科研究中心《2020中国科创企业展望报告》预测，超过68%的投资机构将AI视为2020-2021年的重点投资领域。艾瑞咨询发现，2018年资本市场对人工智能初创企业的热情很高。2019年虽然有所回落，但截至2020年Q3的33个月里，AI在一级市场的吸纳量依然超过1000亿元，B+轮后的项目融资占比逐年下降，这也反映出新一批的独角兽在过去一两年还没有出现在市场上。人工智能回归社会经济，回归社会经济实现良性循环。高估值、高吸金、从萌芽阶段到创业阶段的早熟，都增加了人们对人工智能的期待。当社会注入期望，资金超出时，人们开始对人工智能解决经济生产问题的速度产生焦虑。与互联网行业相比，人工智能发展期和成熟期的到来预计会更晚（第6页的观点，我们认为人工智能行业从2015年初到开局需要4年的时间，并且2019年进入起步期，明显快于电子信息行业。与互联网行业相比，从起步期到发展期需要6年，比互联网行业的4年要长），社会预期和资本回报预期可能会增加企业的压力。但尽管如此，人工智能产值的增长速度同样令人瞩目。基于人工智能的“赋能”特性，将呈现出变单向产品供给为多行业深度参与的双向共建的特点，回馈社会经济，实现良性循环，并推动AI本身真正进入行业。2020年，人工智能规模有望达到1500亿元以上。疫情大环境下，2020年业务的快速增长将主要由AI开放平台API贡献。其他增长动力将在第4章详细阐述；到2025年，产业规模有望突破4500亿元。我们判断大约30%-45%的市场被人工智能初创企业、互联网公司、云服务公司、大数据公司、信息技术服务公司、通信设备公司和个体科研院所占据。外围轨道。瓜分剩下的市场。人工智能产业版图在探索和丰富人工智能商业模式的阶段，未来将分为两条路径。作为新兴的朝阳产业，人工智能的商业模式仍在探索和丰富中，尚未形成定局。现阶段，ToB/G企业服务的色彩还是比较浓厚的。未来，我们认为会有两条路：一是走企业服务之路，成为专业级工具的提供者和智能化转型困境的处理者；另一种是直接切入终端用户（EndCustomer），走核心圈辐射生态圈的道路，成长为智能经济时代的主流企业。目前人工智能赋能行业的行业份额结构较为集中。2020年中国人工智能市场主要客户来自政府城市治理与运营（公安、交警、司法、城市运营、政务、交通管理、国土资源、监狱、环保等）、互联网金融业也走在前列。预计未来五年，这一产业结构的分布将发生一定的变化，主要是AI核心技术轨迹增速的差异以及不同行业AI应用步伐的变化，将在下文中探讨在本报告的商业分析版第4章部分介绍。第一个拐点——感知赛道的创新计算机视觉：千亿级赛道初现。得益于深度学习算法的成熟应用，以感知智能为核心的图像分类技术逐渐在行业实现商业价值，助力金融、安防、互联网、交通、医疗、工业、政务等领域的智能化升级。根据下游产业需求统计测算，2020年我国计算机视觉产品市场规模将占整个人工智能产业的57%，达到862.1亿元。同时，计算机视觉相关的计算机通信设备销售、医疗器械等专用设备销售、工程建设、传统企业效益改造等带动相关产业规模突破2200亿元。人机交互及智能语音垂直行业应用核心产品规模及带动产值语音交互技术正在逐步改变人们的生产和生活方式。人机交互产品可以通过将用户的意图转化为机器可以理解的内容，来辅助用户回答问题或帮助用户完成特定任务。其中，对话机器人为客服等服务行业带来了产品变革和效率优化；而基于AI语音助手的对话交互功能，则推动了智能音箱、智能汽车、声控家电等一系列消费级智能硬件产品的出现或升级。据艾瑞咨询预测，2020年我国会话式人机交互产品市场规模将达到58.5亿元，拉动相关产业经济规模达到486.9亿元。除了典型的对话式人机交互产品，2020年智能语音技术在教育、医疗、司法、公安、互联网等垂直行业的核心产品规模将达到57.7亿元，带动经济相关产业规模达到317.1亿元。第二个拐点——挖掘数据价值机器学习：市场规模超200亿，带动相关产业规模超千亿作为人工智能最关键的通用技术之一，机器学习常被视为公式用于AI应用程序或类似定理的抽象基础。机器学习的本质确实是一种功能，但它仍然可以直接以纯算法能力应用于金融、工业、医药、互联网等数字化基础较好的领域，为企业提供智能风控、预测性维护、药物发现、个性化推荐和其他服务。2020年，预计我国机器学习产品和服务市场规模将达到206.9亿元，并以年均20%以上的速度发展。2025年有望突破500亿元。此外，机器学习产品和服务还将通过节约成本、降低风险和损失、缩短研发时间、提高效率，带动应用端产生超过1000亿元的收入。联邦学习：打破数据孤岛+保护数据隐私AI“新爆款”正如前文所说，机器学习的基础和力量来自于数据。在获取数据的过程中，我们通常会面临两难的境地。很多时候算法模型所需的训练数据以孤岛的形式分散在不同的企业和用户中。一方面，我们需要获取尽可能全面的数据，以扩大训练样本的规模。另一方面，出于隐私和安全相关要求，我们无法收集、融合和使用数据进行AI处理。为了解决上述问题，联邦学习应运而生。联邦学习的主要思想是基于分布在多个设备上的数据集构建机器学习模型，同时防止数据泄露，并通过安全多方计算、差分隐私、同态加密等为模型提供隐私保障技术。作为一种创新的建模机制，联邦学习的核心价值在于不改变机器学习和数据存储的基本实现方式，而是改变不同AI模型之间的协作模式，可以统一进行多方数据训练。在不损害这些数据的隐私和安全的情况下建立模型，因此联邦学习在金融、医疗保健、销售、城市管理和许多其他领域都有希望。知识图谱与NLP：从数据和信息中提取智慧自然语言处理本质上是一个文本处理+机器学习的过程，让计算机以自然语言为载体完成各种非结构化信息处理任务；知识图谱是建立从数据到知识库中的实体、属性和关系的映射，使机器理解和解释真实的自然世界成为可能。在实际应用中，知识图谱和自然语言处理往往具有相同的目的并且紧密耦合。例如，在通过搜索引擎进行信息检索时，需要提取自然语言，通过实体间的推理返回结果，从而提供准确、丰富、有层次、可扩展阅读的信息。从数字世界的发展阶段来看，已经到了感性层面的信息爆炸时期。注意力、记忆力、推理、解决问题、决策和语言生成等认知能力开始被整体利用。感知层面的变化会给知识图谱和NLP带来新的机遇。垂直行业的知识图谱和NLP产品率先开发，2020年实现销售规模超过100亿元。预计到2025年，下游客户渗透扩散，图谱构建工具和“手艺”进一步深入成熟、情感分析任务和多模态识别碰撞出新的产品形态，刺激市场规模达到近500亿元。知识图谱与NLP：数据治理、业务目标和决策指挥从管理者的角度，需要对业务进行全局的观察、预测和决策指挥。要实现全方位的数据接入和治理，结合知识图谱和NLP等工具进行分析和决策。数据日益成为企业的核心资产，但数据的有效利用存在诸多痛点：人工数据上报标准和质量参差不齐，原始数据录入错误、遗漏和不完整，缺乏有效分类和分类的数据标签，数据分散在不同的核心系统核心系统中，各个系统的侧重点差异很大，导致难以整合或不能及时更新，不同类型的数据对变量的定义和要求不同等。因此，要使数据治理适合人工智能研究或应用，需要付出大量的精力和成本。有时，以前的数据治理缺乏有效的策略，需要重复工作，而且使用成本很高。因此，无论是教育、医疗、工业、金融，还是零售应用，都对数据集成、数据标准化、减轻数据治理工作量有很大的需求。一个有效的路径是以业务落地目标为出发点，基于业务目标，回溯数据源头进行治理，再结合具体的数据科学和业务建模分析，反复调整、适配和验证，并衍生出丰富的应用。第三个拐点——成为基础产品及算法芯片级封装的战略意义。芯片是人工智能应用的重要算力基础设施。NVIDIA等通用AI芯片对当前应用场景的适应性和优化性存在局限性。因此，具备芯片级封装算法的底层技术能力，在一定程度上决定了AI企业的业务布局层面能否自主优化；在全球技术竞争的背景下，自研芯片能力也决定了业务链条是否安全可控。近年来，AI算法企业间的“造芯运动”风起云涌。基于对算法技术和应用场景算力需求的理解，具有前瞻性的算法厂商致力于算法芯片采用集成架构或定制处理器架构和指令集。层次封装试图提高解决方案中算法的场景适应性和性价比，拓宽产业链环节，强化技术壁垒，抢占未来人工智能产业竞争的战略制高点。甲方企业投资回报企业部署数字化转型AI项目的常用ROI验证方法CTO/CIO调查发现，26.8%的企业面临“如何制定投入产出评价标准”的障碍在推动人工智能探索和应用方面。人工智能项目作为企业业务流程再造的重要投资，可能无法立即实现价值，但对塑造企业竞争力具有重要的战略意义。因此，甲方在评估人工智能项目投资的可行性时，应设定合理的ROI评估标准，科学合理地评估方案的成本要求、效果要求、收益要求，避免错失转型改革机遇。根据甲方企业的行业特点、部署项目需求、AI技术的使用及应用场景等，AI项目ROI的验证方式也多种多样。中国企业AI应用研究：计算机视觉、机器学习等AI应用技术是AI应用的热门方向在搭建了中台体系的企业中，100%搭建了中台的企业都建立了数据中间平台；在未建立中台体系但有相应规划的受访企业中，有75%的企业选择规划数据塔。AI中台渗透率和需求水平位居第二。在已建立中台体系的样本企业中，53.8%的企业已建设AI中台；在尚未建立但有相应计划的企业中，41.7%的企业计划建设AI中台。中国企业人工智能应用研究：供应商评价指标服务可用性和稳定性、定制化服务能力是供应商的关键评价指标。技术或产品的可用性和稳定性影响企业人工智能项目和相关业务的高效运营和发展。因此，服务可用性和稳定性（56.1%）是企业选择人工智能技术服务商或产品供应商的首要因素。在实际决策过程中，考虑到企业的具体业务需求，供应商的定制化服务能力（48.8%）和技术产品适应性（43.9%）也是选择供应商的主要评价指标。中国企业人工智能应用研究：人工智能项目实施的主要目标是提升大数据分析能力，辅助决策的效果不如预期。通常，企业会为人工智能项目的实施制定明确的目标，并以此定期评估实施结果。最常见的实施目标主要包括：提升大数据分析能力（41.5%）辅助决策（36.6%）、创新体验（34.1%）、增加营业收入（31.7%）。实施效果评价层面，满分取5分，计分结果。最终，提升产品/品牌竞争力、创新体验、提升客户满意度的完成效果最好，得分均在3.8以上；辅助决策目标完成度最低，得分仅为2.8。中国企业AI应用研究：决策者角色AI项目多数属于“龙头项目”调查结果显示，国内大中型企业的最终决策者或参与最终决策的人员AI项目主要包括两类人，一类是整个企业的最高决策者，比如创始人/CEO/总经理等（68.3%），还有企业技术和IT业务的主要负责人，比如CTO/CIO等（65.9%）。中国企业人工智能应用研究：人工智能项目实施阻碍专业人才，数据质量是企业探索人工智能应用遇到的主要障碍企业认为缺乏人工智能专业人才（51.2%）和优质数据资源（48.8%)是推进人工智能的关键人工智能探索和应用遇到的主要障碍，人才短缺和数据质量成为企业推进人工智能项目落地需要解决的首要问题。人工智能行业洞察社会分工。2020年，人工智能产业链的成熟和分工将有迹象：《国家新一代人工智能标准体系建设指南》发行；新一代人工智能开放创新平台陆续发布；AI应用模型高效生产平台开始出现；行业推动建立高质量、适度规模的数据集，减少基础性重复投资；人工智能学科进入各级学校，覆盖K12到职教、高等教育。人工智能本身的“基础设施”层已经出现。从早期简单的“小农式”算法开发到高效的工业化生产，社会分工已经清晰显现。
