2020年是不平凡的一年，新冠疫情打亂了很多經濟生活的節奏，人工智能站上了抗擊疫情的浪尖。防疫態勢與指揮平臺、AI測溫、無感通行、疫情問詢機器人、AI輔助診療，以及在人們居家生活中帶來快樂的趣味視頻特效、閑聊機器人，都幫助人工智能走進生產生活，使AI 成為2020年的高頻詞匯。
這些日?？梢姷膱鼍爸皇侨斯ぶ悄艿囊粋€小小縮影。回歸到產業思維，上一年，我們談到，人工智能已經從講技術教育市場的階段，過渡到思考如何將技術與商業相結合進行落地的階段，時代進入了人工智能與傳統產業廣泛、深度融合的前夜。2020年，我們觀察到，人工智能已經廣泛出現在決定企業產生經濟效益的各個環節，以人機協同模式為主導，推動傳統行業啟動效率變革、動能轉換之路。人工智能作為創業企業標簽的屬性在變弱，而越來越成為千行百業的經營主體都在積極嘗試和運用的生產要素。人工智能被納入新基建范疇，實際上是水到渠成的事情。

[[360948]]

智能經濟

人工智能對產業經濟形成價值閉環（1/2）

企業和政府對人工智能的應用逐漸升溫。在決定企業產生經濟效益的各個環節，都已能夠看到人工智能的身影：AI 核身幫助人們安全生活、遠程交易、便捷通行；深度學習和知識圖譜幫助企業在生產過程中分析預測、科學決策；人機對話提升了拜訪登記、服務響應中的用戶體驗。人工智能將催生新技術、新產品、新產業、新業態、新模式，實現社會生產力的整體躍升，推動社會進入智能經濟時代。我們估算，目前中國大型企業基本都已在持續規劃投入實施人工智能項目，而全部規上企業中約有超過10%的企業已將人工智能與其主營業務結合，實現產業地位提高或經營效益優化。

人工智能對產業經濟形成價值閉環（2/2）
當然，AI 在經濟生產活動中的落地升溫，并非意味企業已經能夠完全依賴AI 解決主流業務問題。

中國企業的數字化轉型整體處于早期階段，即使是洞見超前的先行者，也需要統籌數字化和信息化、上云、數據治理與AI以及管理思維轉型等四大方向，合力探索。業務信息系統支撐企業前/中/后臺的交易、信息和流程、業務分析等需求，提供相對標準規范的功能；向云端遷移降低IT建設成本、促進運營互聯化、數據化、智能化、精細化；數據治理與AI 解決業務場景中高度復雜的計算問題（往往需要處理海量、異構數據），以及多因素的、動態的、可擴展的推理問題，通過計算機運算幫助人們完成觀察、認知與決策的過程；而管理戰略與思維主導企業科學布局、有效組織人才，面對機遇或困境尋求完整的解決方法、探索出路。因此，在產業經濟中，人機協同模式將長期穩定存在，推動效率變革、動能轉換。

人工智能布局落子將影響十年格局

人工智能產業與企業生長

上市企業數量與表現是衡量一個行業發展情況的風向標。截至2020年12月上旬，科創板已注冊生效的80家信息科技類公司中，2家為人工智能公司，42家（53%）披露具有人工智能核心技術或相關業務，這些公司主要來自地理信息技術、IT軟件/運維/信息化、網絡及內容安全、云服務、半導體設計、物聯網及智能硬件、金融科技等賽道。已上市的人工智能公司在市值方面都取得了令人矚目的表現。

[[360949]]

來自資本的期望

近三年人工智能在一級市場吸收超千億元資金

根據清科研究中心《2020中國科創企業展望報告》，超過68%的投資機構在2020-2021年將AI作為重點投資領域。艾瑞統計發現，2018年，資本市場對AI創企抱有極高的熱情，雖2019年有所回落，但截至2020年Q3的33個月內AI依然吸收一級市場超千億元資金。B+輪之后的項目融資額占比逐年回落，側面也反映出近一兩年市場上還未出現新一批獨角獸。

人工智能對社會經濟的回報

回饋社會經濟，實現良性循環

高估值、高吸金，以及過早從萌芽期催熟至起步期，都加重了人們對人工智能的期望值，當社會注入期望與資金超過人工智能解決經濟生產中問題的速度時，焦慮就開始產生。相比于互聯網產業，人工智能發展期與成熟期的到來預計較晚（第六頁觀點，我們認為人工智能產業從15年萌芽到起步用時4年，2019年進入起步期，顯著快于電子信息與互聯網產業，而從起步期到發展期則需要6年，長于互聯網產業4年的用時），從社會期望、資本回報預期方面可能加重企業承受的壓力。但盡管如此，人工智能產值成長速度也令人矚目?；贏I的“賦能”特性，會展現出把單向的產品供應做成各產業深度參與的雙向共建特征，回饋社會經濟，實現良性循環，推動AI自身真正走入產業鴻圖。2020年，人工智能預計達到超過1500億元規模，疫情環境下，2020年的業務高速增長主要由AI開放平臺API貢獻，除此之外的增長動力將在第四章詳細闡述；到2025年，產業規模預計超過4500億元。我們判斷大約30%-45%的市場是人工智能創業企業所占據，外圍賽道切換而來的互聯網公司、云服務公司、大數據公司、信息技術服務公司、通信設備公司以及個別科研院所切分其余市場。

[[360950]]

人工智能產業圖譜

人工智能商業模式

摸索與豐富階段，未來會分化為兩條路徑

作為新生朝陽產業，人工智能的商業模式還在不斷摸索與豐富，尚未形成定局。當前階段，To B/G企業服務的色彩相當濃重。未來我們認為會分化出兩條路徑：一是沿著企業服務的道路，成為專業級工具的提供者、智能轉型困境的處理者；二是直接切入最終用戶（End Customer），走核心圈輻射生態圈的道路，成長為智能經濟時代的主流企業。

人工智能賦能行業

當下行業份額格局比較集中

2020年，中國人工智能市場主要客戶來自政府城市治理和運營（公安、交警、司法、城市運營、政務、交運管理、國土資源、監所、環保等），互聯網與金融行業也位居前列。預計未來五年，這一行業格局分布會發生一定變化，主要動因來自人工智能核心技術賽道增速有差異、不同行業對人工智能的應用節奏發生變化，將在本報告商業分析版第四章節呈現。

[[360951]]

第一個拐點——感知賽道的革新

計算機視覺：千億級大賽道初露端倪

得益于深度學習算法的成熟應用，側重于感知智能的圖像分類技術在工業界逐步實現商用價值，助力金融、安防、互聯網、交通、醫療、工業、政務等領域智能升級。通過對下游行業需求統計測算，2020年我國計算機視覺產品的市場規模占整個人工智能行業的57%，達到862.1億元，與此同時，和計算機視覺有關的計算機通信設備銷售、醫療器械等專用設備銷售、工程建設、傳統業務效益轉化等帶動相關產業規模超過2200億元。

人機交互與智能語音垂直行業應用核心產品規模及帶動產值

語音交互技術正在逐步改變人們的生產及生活方式。人機交互產品通過將用戶意圖轉化為機器可以理解的內容，可協助用戶解答問題或幫助用戶完成特定任務。其中，對話機器人為客服等服務性行業帶來了產品改革及效率優化；而基于AI語音助手的對話交互功能則促進了一系列消費級智能硬件產品的出現或升級，如智能音箱、智能車載、語音控制家電等。據艾瑞測算，2020年我國對話式人機交互產品的市場規模達到58.5億元，帶動相關產業經濟規模達486.9億元。除典型的對話式人機交互產品外，2020年智能語音技術在教育、醫療、司法、公安、互聯網等垂直行業應用的核心產品規模達到57.7億元，帶動相關產業經濟規模達317.1億元。

第二個拐點——挖掘數據的價值

機器學習：市場規模超200億，帶動相關產業規模超千億

作為人工智能極為關鍵的通用技術之一，機器學習時常被外界認為是AI應用中使用的公式或定理般的抽象基礎。機器學習的本質的確是函數，但它依然能夠以單純的算法能力直接落地于金融、工業、醫藥、互聯網等數字化基礎較好的領域，為企業提供智能風控、預測性維護、藥物發現、個性化推薦等多種服務。2020年，預計我國機器學習產品服務的市場規模將達到206.9億元，并以20%以上的年均增速發展，2025年有望突破500億元。此外，機器學習產品服務還將以節約成本、降低風險與損失、減少研發時間、提升效益等形式帶動應用方創收超千億元。

聯邦學習：打破數據孤島+保護數據隱私的AI“新爆款”

如上文所述，機器學習的根基和動力來源于數據，在獲取數據的過程中，我們通常會面臨一個兩難問題，很多情況下算法模型所需的訓練數據以孤島形式散落在不同的企業與用戶之中，我們一方面需要盡可能全面的獲取數據以擴充訓練樣本規模，另一方面出于隱私與安全的相關要求又不能隨意收集、融合和使用數據進行AI處理。為解決以上難題，聯邦學習應運而生。聯邦學習的主要思想是基于分布在多個設備上的數據集構建機器學習模型，同時防止數據泄漏，通過安全多方計算、差別隱私、同態加密等技術為模型提供隱私保證。作為一種創新的建模機制，聯邦學習的核心價值在于它并不改變機器學習和數據存儲的基本實現方式，而是改變了不同AI模型之間的協作模式，可以針對來自多方的數據訓練統一模型而又不損害這些數據的隱私和安全性，因此聯邦學習在金融、醫療、銷售、城市管理以及許多其他領域中都很有前景。

知識圖譜與NLP：從數據和信息中萃取智慧

自然語言處理本質是一個文本處理+機器學習的過程，它讓計算機完成以自然語言為載體的各類非結構化信息的處理任務；知識圖譜建立從數據到知識庫中實體、屬性、關系的映射，使得機器理解與解釋真實自然世界成為可能。在實際應用中，知識圖譜和NLP往往有著相同的目的、緊密耦合，比如通過搜索引擎做信息檢索時，既需要對自然語言進行抽取，又需要通過實體之間的聯系進行推理返回結果，以使提供的信息準確、豐富、有層次、可延伸閱讀。從數字世界的發展階段而言，已經到了感知層面的信息爆炸期，注意、記憶、推理、問題求解、決策以及語言生成等認知層面能力整體而言開始被撬動，感知層面的變化將給知識圖譜與NLP帶來新的機遇。垂直行業的知識圖譜與NLP產品先一步發展起來，在2020年將實現超過百億元的銷售規模，預計到2025年，下游客戶滲透擴散，圖譜構建工具和“工藝”進一步成熟、情感分析任務與多模態識別碰撞出新的產品形態，刺激市場達到近500億元規模。

知識圖譜與NLP：數據治理、業務目標與決策指揮

站在管理者的角度，對業務進行全局觀察、預測和決策指揮很有必要，需要實現全方位的數據接入、治理，結合知識圖譜與NLP等工具進行分析、決策。數據越來越成為企業的核心資產，但對于數據的有效利用存在諸多痛點：手工填報的數據標準和質量不一，原始數據錄入錯漏與不完整，缺少有效的分級分類數據標簽，數據分散在不同的核心系統中而各系統側重點差異大、導致難以融合或未及時更新，以及不同類別的數據本身對于變量的定義和要求不同等等。因此，耗費大量的精力與成本，才能使數據治理到適合人工智能研究或應用的程度，有的時候，還會面臨上一次數據治理缺乏有效的策略，需要重復工作、使用代價高的問題。因此，無論是教育、醫療還是工業、金融、零售中的應用，對于數據打通、數據標準化以及降低數據治理的工作量都有著極大的需求，一個行之有效的路徑是，以業務的落地目標為出發點，基于業務目標，回到數據源頭進行治理，再結合到具體的數據科學和業務建模分析中，反復調整、適配與驗證，衍生出豐富的應用。

第三個拐點——成為基礎性產品

將算法進行芯片級封裝的戰略意義

人工智能產業正處在一個向強業務屬性發展的過程中，各領域細分應用場景及衍生的多樣性算法需求不斷增加。芯片作為實現AI應用的重要算力基礎設施，NVIDIA等通用性AI芯片對目前應用場景的適配性和可優化程度有所局限。因此，具備將算法進行芯片級封裝的底層技術能力一定程度上決定了AI企業的業務布局層級是否可自主優化；在全球科技競爭的大背景下，自研芯片能力也決定了企業的業務鏈條是否安全可控。近年來，AI算法企業中的“造芯運動”風起云涌，前瞻布局的算法廠商基于對算法技術及應用場景算力需求的理解，致力采用集成架構或自定義的處理器架構和指令集進行算法芯片級封裝嘗試，以提升算法在解決方案中的場景適配性及高性價比，拓寬產業鏈環節、加固技術壁壘，搶位未來AI產業競爭的戰略制高點。

[[360952]]

甲方企業的投入回報

企業部署數字化轉型AI項目常見的ROI驗證方法

在CTO/CIO調研中發現：26.8%的企業在推進AI探索應用中面臨“如何制定投入與產出的評價標準”這一阻礙。AI項目作為企業業務流程再造的重要投入，價值體現或難以立竿見影，但對于企業競爭力塑造具有重要的戰略意義。因此甲方企業在進行AI項目投入的可行性評估時，應設定合理的ROI評價標準，科學、理性地評價方案的成本要求、效果要求和利潤要求等，避免錯失轉型改革機遇。根據甲方企業所在行業特性、部署項目需求、使用AI技術和應用場景等差異，AI項目ROI的驗證方法也比較多樣。

中國企業AI應用調研：AI應用技術

計算機視覺、機器學習等為AI應用熱門方向

中國企業AI應用調研：中臺建設普及率

超六成企業已搭建中臺體系，數據中臺為第一選擇

63.4%的企業已搭建中臺體系，在已搭建中臺的企業中，100%的企業建立了數據中臺；在未建立中臺體系但有相應規劃的調研企業中，75%的企業選擇規劃數據中臺。

AI中臺的普及率與需求程度排在第二位。已搭建中臺體系的樣本企業中，53.8%的企業搭建了AI中臺；未建立但有相應規劃的企業中，41.7%的企業規劃建設AI中臺。

中國企業AI應用調研：供應商評價指標

服務可用性及穩定性、定制化服務能力是供應商關鍵評價指標

技術或產品的可用性和穩定性影響企業AI項目及相關業務是否能夠高效地運行與開展，因此服務可用性及穩定性（56.1%）是企業選擇人工智能技術服務商或產品供應商的首要因素。在實際決策過程中，考慮到企業的特定業務需求，供應商定制化服務能力（48.8%）和技術產品適配性（43.9%）也是選擇供應商的主要評價指標。

中國企業AI應用調研：AI項目實施效果

提升大數據分析能力為主要目標，輔助決策效果不及預期

通常企業為AI項目實施設定明確的目標并以此定期評估實施成果，最常見的實施目標主要有提升大數據分析能力（41.5%）輔助決策（36.6%）、創新性體驗（34.1%）以及提高營業收入（31.7%）。實施效果評估層面，以5分為滿分，統計評分結果，最終提升產品/品牌競爭力、創新性體驗、提高客戶滿意度的完成效果最佳，評分均在3.8以上；輔助決策目標的完成度最低，評分僅為2.8。

中國企業AI應用調研：決策者角色

多數AI項目屬于“一把手工程”

根據調研結果，國內大中型企業AI項目的最終決策者或是參與最終決策的人員主要包括兩類人群，一種是整個企業的最高決策者，如企業創始人/CEO/總經理等（68.3%），另外就是企業技術及IT業務的主要負責人，如CTO/CIO等（65.9%）。

中國企業AI應用調研：AI項目實施阻礙

專業人才和數據質量為企業探索AI應用中遇到的主要障礙

企業認為缺乏AI專業人才（51.2%）和高質量的數據資源（48.8%）是推進人工智能的探索應用中遇到的主要障礙，人才緊缺和數據質量成為企業推動AI項目實施亟待解決的首要問題。

[[360953]]

人工智能行業洞察

社會化分工態勢出現

2020年開始出現人工智能產業鏈走向成熟與分工的信號：《國家新一代人工智能標準體系建設指南》印發；新一代人工智能開放創新平臺陸續發布；AI 應用模型效率化生產平臺開始出現；各行業推動高質量的適度規模的數據集建立，減少基礎性重復投入；人工智能學科走進各級學校，從K12到職教、高教均有覆蓋。人工智能本身的“基建”層嶄露頭角，從早期樸素的、“小農式”的算法開發，走向效率化、工業化生產，社會化分工態勢已經明確顯現。