人工智能行业研究报告.docx
《人工智能行业研究报告.docx》由会员分享,可在线阅读,更多相关《人工智能行业研究报告.docx(40页珍藏版)》请在咨信网上搜索。
1、人工智能行业研究报告概要人工智能是信息时代的尖端技术。从人类建立起需要指导控制才能运行的计算机,到计算机拥有能够自己去学习的能力,这一飞跃对各行各业都产生了巨大的影响。虽然此时此刻可能是下一个 AI 冬季(图8)到来之前的给予承诺又让人失望的周期,但这些投资和新技术至少会给我们带来有形的机器学习生产力的经济利益。与此同时,人工智能、机器人和无人驾驶汽车已经成为了流行文化甚至是政治话语的前沿。而且我们在过去一年的研究使我们相信这不是一个错误的开始,而是一个拐点。正如我们将在本报告中探讨的那样,这个变化的原因有显而易见的(更快更强的计算资源和爆炸式增长的数据库),也有细致入微(深度学习,专有硬件和
2、开源的崛起)的。这个 AI 拐点(AI inflection)中更令人兴奋的一个方面是现实世界的使用案例比比皆是。虽然深度学习使计算机视觉和自然语言处理等技术有了显著的提高,比如苹果公司的 Siri,亚马逊的 Alexa 和 Google 的图像识别,可是 AI 不但仅是科技技术(tech for tech),也就是大数据集与足够强大的技术相结合的情况下,价值正在被慢慢创立,竞争优势也变得越来越明显。例如,在医疗保健中,图像识别技术能够提高癌症诊断的准确性。在农业中,农民和种子生产商能够利用深度学习技术来提高作物产量。在制药业中,深度学习能够用于改进药物的研发。在能源方面,勘探效率正在提高,设
3、备可用性正在不断增强。在金融服务方面,经过开辟新的数据集,实现更快的分析,从而降低成本,提高回报。AI 现在还处于发现其可被利用场景的早期阶段,这些必要的技术会经过基于云的服务实现大众化、平等化,我们相信随之而来的创新浪潮将在每个行业中创造新的赢家和输家。AI 的广泛应用让我们得出了一个结论:它是一种能够变革全球经济的技术,是提高生产力并结束美国生产率停滞增长的驱动力。结合 GS 首席经济学家 Jan Hatzius 的研究,我们明确了资本深化当前的停滞及其对美国生产率的相关影响。我们相信,AI 技术将会驱动生产力的提高,就像 20 世纪 90 年代那样,驱动企业投资更多的资本和劳动密集型项目
4、,加快发展的脚步,提高盈利能力以及提高股票的估值。启示虽然我们看到了人工智能能够及时地影响到每个公司、行业和一部分经济,但对投资者而言,我们认为这其中有四个影响最为显著。生产率。AI 和机器学习具有激发生产率增长周期的潜力,这会有利于经济的增长,提升企业的盈利能力,资本回报率和资产估值。根据 GS 首席经济学家 Jan Hatzius 所说:大致上而言,AI 看起来似乎比上一次创新浪潮更有可能在统计数据中捕捉到更有价值的东西,人工智能能够降低成本,减少对高附加值生产类型的劳动投入。举个例子,这些在商业部门成本节约上的创新可能比在 iPhone 中增加应用程序的可用性和多用性更利于统计学家去捕获
5、有价值的东西。考虑人工智能对商业部门的成本结构的广泛影响,我有理由相信它会被统计学家接受,而且会出现在整体生产力数据中。尖端技术。AI 和机器学习在速度上的价值有利于构建一种在建设数据中心和网络服务时让硬件更便宜的趋势。我们认为这可能推动硬件,软件和服务支出的市场份额的大幅度改变。例如,在标准数据中心计算资源上运行的 AWS 工作负载的成本低至 $ 0.0065 /小时,而在使用 AI 优化过的 GPU 上运行的成本为 0.900 美元一小时。竞争优势。我们看到了 AI 和机器学习具有重新调整每个行业的竞争秩序的潜力。未能投资和利用这些技术的管理团队在和受益于战略智能的企业竞争时,有很大可能会
6、被淘汰掉,因为这些技术能够让企业的生产力提高,并为它们创造资本效益。在第 41 页开始的短文中,我们将研究这些竞争优势是如何在医疗保健、能源、零售、金融和农业等领域发展起来的。创办新公司。我们发现了 150 多家在过去十年中创立的人工智能和机器学习公司(附录 69-75)。虽然我们相信人工智能的大部分价值都掌握在具有资源、数据和投资能力的大公司手中,但我们也期望风险投资家、企业家和技术专家能够继续推动新公司的创立,从而促进实质性的创新和价值创造,即使最后创业公司会被收购。当然我们也不能忽视人工智能巨头(人工智能领域的谷歌或 Facebook)的出现。在接下来的篇幅中,我们将深入探讨 AI 的技
7、术,历史,机器学习的生态系统以及这些技术在行业和领头公司中的应用。什么是人工智能?人工智能是做出能够以人类智能的方式学习并解决问题的智能机器和计算机程序的理工科。传统而言,该领域包括自然语言处理与翻译、视觉感知与模式识别,以及决策制定。但该领域以及应用的复杂度都在急剧扩展。在此报告中,我们的大部分分析集中在机器学习(人工智能的一个分支)与深度学习(机器学习的分支)上。我们强调两点:简言之,机器学习是从样本和经验(即数据集)中进行学习的算法,而不是依靠硬编码和预先定义的规则。换言之,也就是开发者不再告诉程序如何区分苹果和橘子,而是向算法输入数据(训练),然后自己学习如何区分苹果和橘子。深度学习的
8、重大发展是人工智能拐点背后的主要驱动。深度学习是机器学习的一个子集。在大部分传统的机器学习方法中,特征(即有预测性的输入或属性)由人来设计。特征工程是一大瓶颈,需要大量的专业知识。在无监督学习中,重要特征并非由人预定义,而是由算法学习并创造。为了更加明了,我们不注重真人工智能、强人工智能或通用人工智能这样的概念,它们意味着复制人类智能,也经常出现在流行文化中。虽然已经有了一些有潜力的突破,比如谷歌 DeepMind 的 AlphaGo 系统,我们还是更注重立即有实在经济的人工智能发展。为何人工智能发展加速?深度学习能力的极大发展是如今人工智能拐点背后的催化剂之一。深度学习的底层技术框架神经网络
9、,已经存在了数十年,但过去 5 到 10 年的 3 种东西改变了深度学习:1. 数据。随着全球设备、机器和系统的连接,大量的无结构数据被创造出来。神经网络有了更多的数据,就变得更为有效,也就是说随着数据量增加,机器学习能够解决的问题也增加。手机、IoT 、低成本数据存储和处理(云)技术的成熟使得可用数据集的大小、结构都有了极大增长。例如,特斯拉收集了 780mn 英里的驾驶数据,而且经过她们的互连汽车,每 10 小时就能增加 100 万英里的数据。另外,Jasper 有一个平台,能让多家汽车制造商和电信公司进行机器间的交流,这家公司于今年 2 月份被 Cisco 收购。Verizon 在 8
10、月份做了类似的投资,宣布收购 Fleetmatics,Fleetmatics 做的是将汽车上的远程传感器经过无线网络连接到云软件。未来,5G 网络的上线将会加速数据生成与传输的速率。据 IDC 的 Digital Universe Report 显示,年度数据生成预期到 2020 年达到 44zettabytes,表明我们正在见证应用这些技术的使用案例。图 1:年度数据生成预期到 2020 年达到 44zettabytes2. 更快的硬件。GPU 的再次使用、低成本计算能力的普遍化,特别是经过云服务,以及建立新的神经网络模型,已经极大的增加了神经网络产生结果的速度与准确率。GPU 和并行架构要
11、比传统的基于数据中心架构的 CPU 能更快的训练机器学习系统。经过使用图像芯片,网络能更快的迭代,能在短期内进行更准确的训练。同时,特制硅的发展,比如微软和百度使用的 FPGA,能够用训练出的深度学习系统做更快的推断。另外,从 1993 年开始超级计算机的原计算能力有了极大发展(图 2)。在 年,单张英伟达游戏显卡就有了类似于 年之前最强大的超级计算机拥有的计算能力。图 2:全球超级计算机的原计算性能,以 GFLOPs 测试成本也有了极大的降低。英伟达 GPU(GTX 1080)有 9 TFLOPS 的性能,只要 700 美元,意味着每 GFLOPS 只要 8 美分。在 1961 年,串够 I
12、BM 1620s 每提供 1 GFLOPS 需要的钱超过 9 万亿。图 3:每单位计算的价格有了极大下降3. 更好、更普遍可用的算法。更好的输入(计算和数据)使得更多的研发是面向算法,从而支持深度学习的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 这样的开源框架。比如,刚开源一周年的 TensorFlow,成为了 GitHub 上有最多 forked repositories 的框架。虽然不是所有的人工智能发生于普遍可用的开源框架中,但开源确实在加速发展,而且也有更多先进的工具正在开源。方向虽然本报告的重点是人工智能的发展方向以及公司如何把握这个方向,可是了解人
13、工智能对我们生活的影响程度也是很重要的。在线搜索。就在一年多以前,谷歌透露,它们已经开始将大量的搜索工作移植到了 RankBrain(一个人工智能系统),使其和链接(links)以及内容(content)成为了谷歌搜索算法的三个最重要的标志。推荐引擎。Netflix,亚马逊 和 Pandora 都在使用人工智能来确定推荐什么样的电影和歌曲,突出哪些产品。5 月,亚马逊开源了它们的深度可扩展稀疏传感网络引擎(the Deep Scalable Sparse Tensor Network Engine(DSSTNE),简称Destiny),它被用于产品推荐,同时能够被扩展以实现超越语言和语言理解以
14、及异议识别的目的。人脸识别。Google(FaceNet)和 Facebook(DeepFace)都投入了大量的技术来确定您的照片中的人脸和真实的人脸是不是几乎完全吻合。1 月,苹果采取了进一步措施,购买了 Emotient(一个致力于经过读取人的面部表情来确定其情绪状态的 AI 创业公司)显然,这些技术远远不止于对照片进行标记。虽然个人助理应用产品有无数的用户,比如苹果的 Siri,信用贷,保险风险评估,甚至天气预测。在接下来的篇幅中,我们探讨企业该如何使用这些技术来加速增长,降低成本和控制风险。从这些技术及其使用这些技术的应用的发展速度来看,它们充其量不过能够为公司和投资者提供一些方向,以
15、保持她们的竞争力。加强未来的生产率美国的劳动生产率在 90 年代中期的快速增长和过去十年的缓慢增长和之后,近年来已经停止增长了。我们认为,就像 20 世纪 90 年代互联网技术被广泛采用那样,消费类机器学习和人工智能的扩散有可能大幅度地改变全球产业的生产范式。在整个行业中,我们发现在自动化的促使下,劳动时间减少了约 0.5-1.5,同时,由于 AI / ML 技术带来的效率增益,到 2025 年,这些技术将对生产力增长产生高达 51-1154 个基点(bps)的影响。虽然我们期望 AI / ML 能够随着时间同时提高生产率的分母和分子,不过我们认为最重要的是,早期的影响将是低工资任务的自动化,
16、即以更少的劳动时间推动类似的产出增长水平。我们的基本案例 AI / ML 驱动提高了 97 个基点,这意味着 2025 年的增长生产率中的 1.61 将由 IT 贡献,比 1995 - 年高出 11 个基点(图 9,10)。图 9:生产力分析;单位百万美元,假设 年之后 GDP 线性增长生态系统:云服务,开源在未来的 AI 投资周期中的关键受益人我们相信,在未来的几年中,一个公司利用人工智能技术的能力将成为体现公司在所有主要行业竞争力的一个属性。虽然战略会因公司规模和行业而有所不同,但如果管理团队不会把重心放在领导人工智能和在此基础上的利益上,那么未来产品创新、劳动效率和资本杠杆都会存在落后的
17、风险。因此,我们认为公司需要投资这些新技术以保持竞争力,同时这将导致对人工智能因此依赖的人才、服务和硬件的空前的需求。作为比较,20 世纪 90 年代技术驱动的生产力繁荣推动了相应的激增。增加对技术的资本支出导致了新的企业和业务的增加来捕获这些资本支出。在不可避免的行业整合发生之前,成立软件、硬件和网络公司开始发生转变。下图 13 突出了软件行业内的这种模式。在 1995 - 1999 年期间,在通货膨胀调整后,市值在 20 亿美元到 50 亿美元之间的公共软件公司的数量几乎增加了两倍,在 年代中期才得到巩固。图 13:伴随 20 世纪 90 年代生产力激增的驱动者生态系统(enabler e
18、cosystem)图 14:这十年来,投资人工智能的风险资本出现了暴增我们看到了由 AI 驱动的生产率具有产生下一个相似的繁荣周期的潜力,能够经过利用这些潜力,把软件、硬件、数据和服务提供商作为商业投资来创造价值。如上图 14 所反映的那样,与 AI 相关的初创企业的风险投资在这十年中急剧增加。AI 企业投资的繁荣现象的巨大潜力也开始推动整合。特别是云平台对 AI 相关人才进行了大量投入,自 年以来,谷歌、亚马逊、微软和 Salesforce 共进行了 17 项与 AI 相关的收购(下图)。在上下文中对 AI 和 ML 技术的发展和历史技术周期的比较中,我们看到了前者的一些益处。与过去 50
19、年的其它主要技术的周期一样,计算(和摩尔定律)一直是进步的抑制剂和推动者。例如,在系统架构方面,我们目睹了从大型机系统转变为客户端-服务器模型的整个过程,而且近年来已经开始被云/移动模式所取代。这种进化的驱动因素是计算能力、存储容量和带宽的改进。每个转换都伴随着应用开发的转变,包括各种新编程语言的出现和演变(见图表 15)和各种可能的应用程序各种的类型。如上下文中所提及的一样,AI 这个概念已经存在几十年了,其中神经网络的概念出现在 20 世纪 60 年代,虽然直到最近几年,计算能力才开始让神经网络能在实际环境中使用。我们相信我们正处于 AI 平台的早期阶段,就如同 20 世纪 50 年代大型
20、机才开始商业化到 21 世纪的智能手机和云的商业化。随着平台曲线的变化(我们认为它正在发生),应用程序、工具和服务驱动者(enabler)会爆炸式增长,我们将在下面更详细地讨论。图 15:人工智能的发展能够与历史上的系统架构和编程语言的采用的技术革命相比,尽管我们认为我们当前依然处在人工智能发展和应用的早期阶段stack 的演变过程以及和 AI 之间的对应关系蓝色 =专有供应商,橙色 =开源,绿色 =云服务(注意:一些供应商,如 IBM 和 Microsoft 都是专有服务和云服务)图 17:生产中的机器学习:如何在机器学习管道中利用各种开源和云技术图 18:机器学习管道中的关键开源项目。可用
21、的项目支持公司和风险投资图表 20:人工智能即服务(AI-as-a-Service(AI-aaS)概览:机器学习 API 正在被开发以解决水平和垂直使用案例图表 21:水平 AI-aaS 产品和定价:来自云平台的 AI-aaS 产品示例中国人工智能现状iResearch 预测,2020 年,中国人工智能市场将从 年的 12 亿人民币增长至 91 亿人民币。 年,约 14 亿资本(年增长率 76%)流入了中国的人工智能市场。在政府政策方面,中国的国家发展改革委员会(发改委)和其它相关政府机构于 年 5 月 18 日发布了。指出了人工智能领域发展的六大保障措施,包括资金支持、标准体系、知识产权保护
22、、人才培养、国际合作和组织实施。提出,到 年,中国的人工智能基础资源与创新平台、产业体系、创新服务体系、标准化体系应基本建立。发改委期望中国人工智能产业整体与国际同步,系统级别(system-level)的人工智能技术和应用要位于市场领先位置。中国已经做出一些重大举措,而且根据提及深度学习和深度神经网络的被引用期刊论文数量, 年,中国已经超越美国(Exhibit 23)。中国拥有世界领先的语音和视觉识别技术,其人工智能研究能力也令人印象深刻(Exhibit 24)。百度于 年 11 月发布的 Deep Speech 2 已经能够达到 97% 的正确率,并被评为 年十大突破科技之一。另外,早在
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 行业 研究 报告
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【丰****】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【丰****】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。