行业分析报告：人工智能报告中文版（45页）

高盛人工智能 报告 软件系统测试报告下载sgs报告如何下载关于路面塌陷情况报告535n,sgs报告怎么下载竣工报告下载 中文版目录高盛人工智能报告中文版1高管概述2人工智能是什么？3什么是神经网络？3为什么现在人工智能加速发展？…4价值创造的主要驱动力5主要影响6Al和生产力的矛盾：采访JanHatzius7生态系统：云服务，剧的下一个投资周期开源的关键受益人9Al三个方向：自建，咨询服务和Al服务化9自建：云平台和开源系统正在成为Al的左膀右臂10咨询服务11Al服务化13中国人工智能现状.........．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．巳机器人用户界面的未来17行业应用21农业21零售27能源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．挝1人工智能创新：GOOGL（谷歌〉AMZN（亚马进）...................人工智能创新：AAPL（苹果）IMSFT（微软）........................人工智能创新：FB(Facebook),CRM...........................·........40·....41........42....43人工智能创新：NVDA（英伟达〉INTC（英特尔）..................人工智能创新：Uber,IBM............................................44人工智能创新：百度452高管概述人工智能是信息时代的尖端科技。计算的飞跃建立在人类告知计算机如何表现的基础上，计算建立在计算机学习如何表现能够对每个行业有意义的基础上。虽然目前可能被视作在下一个AI冬天（图8）之前的最新承诺和失望循环，这些投资和新技术至少将给我们带来机器学习产品的实实在在的经济利益。与此同时，人工智能、机器人和自动驾驶已成为流行文化的前沿，甚至是政治表述。但是，我们去年的研究让我们相信这不是一个失败的开端，而是一个拐点。我们将在这个报告里看到，宏观（更多更快的计算和更多数据的爆炸式增长〉和更加微观方面〈在深度学习方面的有益进展，智能硬件和开源方面的增长〉的拐点的原因。关于人工智能拐点的更多令人兴奋的方面之一是真实应用案例的增加。例如深度学习促进计算机视觉的发发展，这些技术做为自然处理语言引人注目地提升了苹果Siri、亚马逊Alexa和谷歌图片识别的质量，人工智能不是为了技术而技术。大数据和强力技术相结合，创造价值，获得竞争优势。例如，在医疗领域，图像识别技术可以促进癌症诊断的准确性。在农业领域，农民和制种者可以利用深度学习促进产量增长。在制药行业，深度学习被用于发现新药。在能源行业，勘探效率和装备可靠性提升。在金融服务行业，同以前可能的相比，成本降低，意fr数据应用于更快速的 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 ，返回结果。人工智能在应用案例发掘的非常早的阶段使用，同时做为基于云服务共辜的必要的科技，我们相信一波革新将到来，为每个行业创造新的冬天和失业者。人工智能广泛的适用性也让我们认识到它是全球经济的针移技术、提升效率和结束美国经济增长停滞的驱动。利用cs首席经济学家JanHatzius的研究，我们 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 了当前的深度资本不景气指数和它对美国生产力的相关影响。我们相信人工智能技术驱动生产力提升的可能，就像1990年一样，驱动更多的资本合作和人力效率提丹项目，促进增长，促进盈利，扩大股票价值。我们发现人工智能实实地影响着每个公司、行业和经济因素，对投资者有四个方面值得注意。生产力。人工智能和机器学习有引发生产力增长的潜力，有益于经济增长，公司盈利，资本回收和资产估值。根据GS首席经济学家JanHatzius“原则上，人工智能看起来的确比上一波革新在统计学上有表现更好的潜力，人工智能降低成本和人力需求，更高的产品附加值类型。”例如，同iPhone应用的多样性和可靠性相比，统计学家可能更好的建立并获得这些商业部门的费用节减革新。广义的人工智能对商业部门的费用结构有广泛的基础性影响，我由衷相信人工智能将被统计学家采纳，并在整体生产力数字中有所展现。”优质科技。人工智能和机器学习的速度价值有扭转更便宜的数据中心和网络硬件的趋势的潜力。我们相信这将驱动硬件、软件和服务领域市场费用的大量变化。例如，l条运行在 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 数据中心上的AWS工作盏，同在人工智能优化后的CPU上运行所需的0.9美元相比，每小时实际计算成本只要0.0065美元。竞争优势。我们看到人工智能和机器学习在改造各行业竞争订单方面的潜力。那些失败于投资和平衡这些科技风险的管理团队被竞争者超越，这些竞争者受益于他们创建的战略情报、获得的生产力和资本效率。在41页插图中，我们论证了这些竞争优势是如何应用于医疗、能源、零售、金融和农业。新公司创建。近10年来（图6975）在人工智能和机器学习领域，我们已经识别出有超过150家私营公司．我们相信人工智能的大部分价值将由拥有资源、数据、投资能力的大公司获得。我们希望风险投资家、企业家和技术专家继续驱动新公司的创建，反过来，驱动实质完全复制人类智慧，包括人类的独立学习和决策能力。虽然像全脑模拟这样的技术被用于实3性的创新和价值创造，至少是，M&A，我们不能无视谷歌或脸书的人工智能出现的可能。接下来的内容中，我们深入了解人工智能，它的历史，由机器学习、围绕这些技术应用的一路领先的行业和公司所构建的应用生态体系。人工智能是什么？人工智能是制造智能机器、可学习计算程序和信要人类智慧解决问题的科学和工程。经典地，这些包括自然语言处理和翻译，视觉感知，模式识别，决策制定等，但应用的数量和复杂性在快速增长。在这份报告中，我们将大部分分析聚焦在机器学习、人工智能的一个分支、深度学习、机器学习的一个分支。我们总结了二个关键点：l.简化地，机器学习是从案例和经验（例如数据配置〉中习得的算i去，而不是依赖于硬件代码和事先定义的规则。换句话说，不是一个开发者来告诉程序如何区分苹果和桶子，而是算法本身通过喂养数据（训练、〉，自己学会如何区分苹果和楠子。2.深度学习的主要发展是现有人工智能拐点的驱动力量之一。深度学习是机器学习的分集。大多数传统机器学习方法和特点（例如，可能预测的输入和属性〉由人来设计。特征工程是一个瓶颈，前要有意义的特定技术。在无人管理的深度学习中，重要特征不是由人类来定义，而是由算法学习和创建。什么是神经网络？神经网络在AII机器学习的中充当一种模拟人类大脑的计算机体系结构，在其上可以构建AII机器学习程序。它由聚合的连接节点组成，如人类大脑中的神经元般可以解决更复杂的问题并学习。什么是深度学习？深度学习是一种需要训练大型神经网络的“深层”层次结构，且每层可以解决问题不同方面的机器学习，从而使系统能解决更复杂问题的。使用上面说到的火车的例子，深层学习系统包含了识别火车的不同特征的各个层。例如，底层将标识是否具有窗户。如果答案是肯定的，下一层将寻找是否有轮子，接下来将会识别是否是长方形的车等等。直到这些层共同地将图片识别为火车或彻底否定。随着技术发展，可以支持大型神经网络的训练，深度学习作为增强机器学习能力的方法己经越来越普遍。什么是监督学习？无监督学习？监督和非监督学习是机器学习的两种类型。在监督学习中，系统给出一系列“正确答案”的例子。基于这些例子，系统将从正确的答案中学习什么是对的，从而进行正确预测的输出。监督学习的现实应用包括垃圾邮件的检测（例如，系统可能有一组标记为“垃圾邮件”并且学习正确识别垃圾邮件的电子邮件〉和手写识别。在无监督学习中，系统没有给出正确的答案，而是提供需要自己去发现特征的未标记示例。一个示例将基于大量客户数据中发现的，包括可以将客户分组的某些特征（例如，购买频率）。什么是一些类型的机器学习？分类。将电子邮件归类为垃圾邮件，识别欺诈，面部识别，语音识别等。聚类。对比图像，文本或语音找到相似的项目；识别异常行为的集群。预测。基于网络活动和其他元数据预测客户或员工流失的可能性，基于可穿戴数据预测健康问题。什么是通用，强大或真实的人工智能？通用，强大或真实人工智能是，机器智能算法突出哪些产品。5月，亚马逊开源了它们的深度可扩展稀疏传感网络引擎（theDeepScalable4现通用Al的目标，但是其所需的计算能力数量，仍然远远超出了当前的技术，使得通用的人工智能基本只存在于理论层面。为什么现在人工智能加速发展？请记住，我们并不关注于重复独立人类智能且在流行文化中常见的真实、强壮或普遍的人工智能。必然存在潜在突破点，例如谷歌深度思维AlphaGo系统，不仅击败了世界冠军，而且使用了没有人曾经做过的行为，我们关注人工智能即刻可触达的经济发展领域。深度学习能力方面的主要飞跃成为当前进行中的AI拐点的催化剂。神经网络，深度学习之后潜在的科技架构，已经存在了几十年，但是过去的5到10年，三件事发生了改变。1.数据。通过分布于全球持续增长无所不在的互相联系的设备、机器和系统产生的非结构化数据的数量呈现巨大的增长。拥有的数据越多，神经网络就变得越有效率，意味着随着数据量的增长，机器语言可以解决的问题的数量也在增长。移动手机、物联网、低耗数据存储的成熟和处理技术（通常在云端〉已经在数量、大小、可靠数据结构方面创造了大量的成长。例如，特斯拉至今己经搜集了780mn英里的驾驶数据，并且每10小时通过它连接的汽车增加百万公里的数据。Jasper(2016年2月被思科以14亿美元收购）拥有一个平台驱动机器和机器的沟通，服务于多种汽车制造商和电话公司。Verizon在8月进行了一次类似的投资，宣布收购Pleetmatics，它通过快速增长的无线网络，连接运输工具上的远程传感器到云端软件。5G的首次展示将最适当地加速数据可被获取和转移的机率。根据IDC的数字领域报告，到2020年，每年数据量将达到44ZB（万亿G),5年内年复合增长率达到141%，暗示我们刚开始看到这些科技可以达到的应用场景。2.更快的硬件。CPU的再次使用、低成本计算能力的普遍化，特别是通过云服务，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。通过使用图像芯片，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PPCA，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2016年，单张英伟达游戏显卡就有了类似于2002年之前最强大的超级计算机拥有的计算能力。成本也有了极大的降低。英伟达GPU(GTX1080)有9TFLOPS的性能，只要700美元，意味着每GFLOPS只要8美分。在1961年，要提供lGFLOPS，需要足够多的IBM1620s串联在一起，计算下来费用要超过9万亿美元（根据通货膨胀调整）。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，已经成为最大的开发人员协作网站GitHub上最多分支（或活动）的框架。虽然不是所有的人工智能都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，但是了解人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〉，使其与链接Oinks）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，制利润创造的潜力。5SparseTensorNetworkEngine(DSSTNE)，简称「DestinyJ），它被用于产品推荐，同时可以被扩展，以实现超越语言和语言理解的目的。人脸识别。Google(FaceNet）和Facebook(DeepF'ace）都投入了大量的技术，来确定照片中的脸和真实的脸是不是完全吻合。1月，苹果采取了进一步措施，购买了Emotient（一个致力于通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，它们充其量不过可以为公司和投资者提供一些方向，以保持他们的竞争力。价值创造的主要驱动力经过深入分析，我们认为与AI主题相关的利润创造（和损失〉可以分解为四个关键输入：人才，数据，基础设施和硅。这些投入也同时也是进入的壁垒。人才AI（特别是深度学习）难度很大。根据我们与领域中的风险投资公司和公司的对话，这种困难造成了人才短缺，以及大型互联网和云计算供应商对这类人才的竞争（见图5）。对于AI人才的高度需求意味着获取必要的AI人才。随着技术和工具的成熟，人才可能变得不再是瓶颈。然而，我们相信人才会迁移到有趣的，差异化的数据集。因此，我们认为，当我们进入一个以AI为中心的世界时，大的差异化数据集是最可能的提高和增加利润的驱动力。数据：数据是AI的关键输入。深度学习效果与大数据集紧密相关，因为更大的数据集会阻碍模型过度拟合。例如，来自马萨诸塞外｜总医院和哈佛医学院放射科的研究人员使用卷积神经网络来识别CT图像，基于训练数据大小来评估神经网络的准确性。随着训练、规模的增大，精度将被提高（图6）。今天的大多数深度学习是监督的或半监督的，意味着用于训练、模型的所有或一些数据必须由人标记。无监督的机器学习是AI中当前的“圣杯”，因为可以利用原始未标记的数据来训练模型。广泛采用深度学习可能与大数据集（这是由于移动互联网和物联网产生）的增长以及无人监督的机器学习的发展有关。然而，我们认为大型差异化数据集（电子健康 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 ，组学数据，地质数据，天气数据等〉可能是未来十年企业利润创造的核心驱动力。参考me报告，全世界创造的信息量预计到2020年将以36%的复合年增长率增长，达到44泽字节（440亿G肘。连接的设备（消费者和工业领域〉，机器到机器通信和远程传感器的增加和组合可以创建大型数据集，然后可以挖掘洞察和训练、自适应算法。在过去十年中，数据的可用性也大大增加，人口普查，劳动力，天气，甚至基因组数据可大量的免费在线查询。我们还留意到卫星图像的可用性增加，这需要大量的计算来支撑全方位的分析。美国地质调查局的Landsat7和Landsat8卫星每8天对整个地球进行成像，USGS使这些图像可以免费使用即使是在压缩时，超高清图像的文件大小也各为lGB左右。其他公司，如OrbitalInsights，正在汇总图像数据并在多个行业创建商业解决方案。基础设施：硬件和基础设施软件是开展AI工作所必需的。我们认为支持AI的基础设施将被迅速商品化。这个观点基于两个现象观察：1）云计算供应商能够将他们的产品扩展到AI基础设施中，2）开源（TensorPlow,Caffe,Spark等〉已经成为AI中软件创新的主要驱动力。为了促进AI技术的应用，我们认为大型云供应商将继续开放基础架构资源，这将限时期内还低。总劳动时间一直在增加，但资本强度对生产力的贡献已经远远落后于上世纪906硅技术：GPU在深度学习领域的新用途成为我们目前AI春天的核心驱动力之一。在人工智能、机器学习生态系统中，存在二个主要应用来决定神经网络的表现，每个神经网络简要不同的资源。首先是学习算法的构造和使用。学习算法借助大数据（通常更大、更好）发现相互联系，并且创建模型，提供新输入，可以决定输出的可能性。学习是资源密集型，并且大多数现代学习通过GPU驱动的系统来运行。一旦经过学习，模型和算法的使用将被称为推论。推论简要更少的计算资源，经常通过更小增量数量输入进行梳理。一些GPU被优化用于推论（例如英伟达P4系列和阳系列〉，给出单目标的自然推论。硅谷有针对性地发展用于该应用的专业技术，例如FPGAs（现场可编程门阵列）和ASICs（专用集成电路）。这种类型的集成电路被独创地用于原型机CPU中，但是运渐地被应用于人工智能推论。谷歌的张量处理单元就是ASIC应用于AI和机器学习的一个例子。微软也在将FPGA应用于推论。英特尔在2015年收购了FPGA制造商Altera，有观点认为，到2020年，二分之一的数据中心将在特殊定制化应用中使用FPGA。赛灵思在1980年开发了可商业化的FPGA，领先提出了云和大数据将做为有价值的增长途径，宣布和百度达成战略协作关系。数据中心业务大概占赛灵思5%的营业收入。主要影响促进未来生产力在经历了90年代中后期的高速发展和过去十年的平缓增长后，美国的劳动生产力近几年己经进入了增长停滞的阶段。我们相信实用的机器学习和人工智能的蓬勃发展可以将生产力典范作用广泛推广至全球各产业领域。人工智能和机器学习带来的自动化及效率提升在普遍各领域都缩减了约0.5%-1.5%的劳动工时，预计到2025年将带来51-154比特／秒的生产力提升。在期待未来人工智能和机器学习得以同时提升生产效率的分子和分母（标准工时和实际投入工时），最重要的是它带来的早期影响将会体现在低薪工作的自动化层面，用更少的工时驱动同比产出增长。我们基本认为人工智能和机器学习提速97比特／秒意味着在2025年IT将为生产率增长贡献l.16%效能，也即比1995-2004提高11比特／秒．技术与生产力增长90年代掀起的科技热潮伴随着生产力、资本深化和多因素生产力被异常放大，并与飞涨的股票估值紧密关联。资本深化高盛的经济学家JanHazius提供了他近期就资本深化（每工时资本量）反周期性趋势的分析，在扩张时期没有同等水平股本增长的情况下历史劳动工时一般趋于增长（参见Jan的报告：“生产率悖论2.0版本再探”2016年2月9日发表）90年代资本深化急剧增长，其中最显著的是非典型资本投资的增长超越了劳动力市场的增长。多因素生产力（MPP)2013年3月，美联储研究的大卫·伯恩等研究后发现，90年代在IT生产和一般操作流程中同时推广技术有助于促进增长呈三倍激增（每劳动工时的产出〉，其中从科技热潮前到1995至2004之间，年生产率平均每年增长中不超过49%的部分来自于IT生产部门。（展示10)千禧年后停滞期在过去的十年中，有关IT应用（计算机硬件、软件和电信〉的资本深化增长已经停滞了。IT资本，与更广泛的市场资本类似，带来IT部分整体增长相比科技浪潮甚至其之前的年代。日益精细且可利用的机器学习和人工智能可能成为一剂催化剂将资本密集度带回最前沿，在我们看来，将会带来类似90年代所看到的周期阶段，极大增加劳动生产率。对于方程另一侧的MF'P，我们更乐观些。高盛经济学家强调（“生产率悖论2.0再探”2016年2月9日发表），ICT价格的正偏差，非货币产出的输入增长（免费的在线内容、后端流程等）也在一定程度上反映了实际CDP和生产力增长。Facebook和谷歌等互联网巨头的发展充分说明了复杂输入的劳动力和资本并不必然将标准生产力指标中的传统消费品转换为货币。人工智能／机器学习激发的生产力可以影响投资我们认为人工智能／机器学习所带来日益增长的生产力产生的潜在影响之一可能是公司资本分配方式的转变。自2011年中期，股息和股票回购的增长大大超过了资本支出增长，然而管理层对于投资资本项目的冷淡依然保持了经济衰退后期的状态。生产率的提高有可能恢复管理层的信心，并鼓励公司像上世纪90年代一样投资于生产性资本。根据高盛资本支出追踪，90年代资本支出同比增长，持续性高于耶鲁大学教授罗伯特·希勒的s&p500分析报告中的同比股息增长。我们有理由更相信投资者会支持提高生产率的这种转变。在资本支出投资和相关生产率的增长期内周期性调整股价收益率经历了严重的通货膨胀，而目前的伯值才刚刚达到经济衰退前水平。AI和生产力的矛盾：采访问nHatziusHealthTerry:是什么造成了过去10年可度量的生产力增长过低？JanHatzius:1990年是一个生产力提升爆发点，主要原因是技术推动的。技术的变化和推进非常快，给我们经济的增长提供了非常强的动力。然而在最近的十年，这种生产力的增速降回了上世纪七八十年代，甚至比那时候还要更低。我认为这种增长可以有多个推动点，而不仅是技术。但是我注意到有三件事降低了这种增速，第一件事是循环效应（CyclicalEffect），我们依然受制于经济衰退后持续的过低的资产化，过低的投资率和告诉的雇员数增长。因为我们的生产力是按照人时换算了，在劳动力市场告诉增长时，我们的生产力也就会越低。另一个因素是技术增长的速度在放缓，在九十年代，互联网带来了一段时间的技术高速增长，但是现在看起来这种增速大大放缓了。第三点是在过去十年发展起来的新技术，比如移动通信和消费者聚焦技术（ConsumerFocusedTechnology），让统计学家们很难具体量化到数字，也就很难定量。这种新奇和聚焦某一个边界的技术对统计人员的要求越来越高，但是统计人员还没有完全跟上脚步，造成了统计错误。Terry:回到90年代的生产力大爆炸，技术扮演了什么角色？Jan:半导体和计算机技术，他们在经济结构中的比例比70和80年代高了很多，而且统计学家们建立了好的计量规则。他们在九十年代做了很多努力去更快实现新的生产力的度量，比如处理器速度，更大内存，更多计算机硬件等。Terry:在过去10寸5年，我们也见到很多新技术的产出，比如Phone,Pacebook和云计算，但是1觉得新技术如Ai和机器学习对资产的股价会产生什么影响：8为什么他们没有给经济带来同样的影响。Jan:我们并没有确切的答案，但是我认为度量能力的缺失是主要原因。这些新产品对经济的影响比较有限。现在丈量名义GDP比较容易，在任何事物中都允许有丈量误差，但我不认为是在名义GDP的计量中出现了误差。将名义GDP按照各个事物的通货膨胀造成的定价变化转化为实际GDP才是最困难的部分。因为这些技术的发展都从通用的硬件转化为了更为专业用途的软硬件和数字结合的产品，这都给我们的度量造成了误差。Terry:AI和机器学习能对生产力提升造成什么影响。Jan:现在看来，这些新技术对生产力的贡献主要是在缩减成本和缩减劳动力需求，这些对统计员们来说会比iPhone中的app对经济的共享更好统计。我必须要做出一个警告，美国的经济规模非常大，在任何一个小行业被180万亿美元做分母时都会使他看起来没那么大影响，我们必须纠正这种观点，这些细分行业存在对经济造成巨大影响的可能。Terry:您刚才提到了成本，这些会影响定价吗？是否这为我们的通缩造成影响？Jan:戚本的降低必然带来定价的降低。假如别的情况不变，改变这个定价确实能降低定价和降低成本，假如别的因素都是恒定不变的话，这会带来一定的通缩。但是现实的市场经济是不会有静态的场景的，有规则的制定者会让人工智能等取代的工作的劳动力转移到别的工作上。我不认为长期上这种成本的降低会带来更高的失业率和更低的通货膨胀，短期内可能会有这种现象。规则的指定能够改变这种情况，总体上这些规则是为了维持一个非常稳定的失业率和通胀率。ferry:有的观点认为，AI和机器人自动化会取代劳动力，你认为这种观点合理吗？Jan:我不认为这种情况会出现，人们确实有一些担忧，但是综合19世纪的例子，每一次技术的革新都会引起这种困扰。最后人们在技术革新后还是找到了很多需要人去做的工作，整体上我不认为会带来失业率的提高。ferry:在过去的十年里，在投资市场里我们看到很多企业的回购和拆分。Jan:投资和生产力是息息相关的。近年来受制于经济大衰退，股票市场和投资市场都不景气，但是我们依然认为今年的投资率在慢慢上升，投资对生产力的影响也在提升，特别是在2010年和2011年。更多的机会是在细分的市场里。’ferry:在企业利润上升的时候，或者是发现新的利润点的时候，获得的利润结合历史应该如何分配才能获得更高的收益呢？Jan:从我对历史的研究中认为，在企业获得新的利润点的时候，可能短期内让企业的利润率飘卦，但是很快就会有竞争介入，之后利润率就会恢复正常水平。Terry:也在提供基于销售数据的服务。9Jan:过去一段时间，人们处于对于90年代技术快速提升带来的增长率的衰弱的恐惧，对股票的估值有了很大的变化。技术的高增长总体上会带来更高的估值。往回看1990s，我们那段时间股价确实有一个高增长，但是周期结束后跌的也很惨。我认为肯定会对估值有很大影响。生态系统：云服务，AI的下一个投资周期开源的关键受益人我们相信利用人工智能技术的能力将成为未来几年所有主要行业竞争优势的主要定义属性之一。而战略将因公司规模和行业而不同，那些不专注于领导人工智能所带来的最终的产品创新，劳动效率和资本杠杆风险的管理团队将被遗忘。因此，我们认为公司简要投资这些新技术以保持竞争力，将推动对人才，服务和硬件底层人工智能的需求的激增。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使能器的激增。对技术的资本支出推动了企业业务的增加，来抓住这种资本支出。在不可避免的行业整合发生面前，软件、硬件和网络公司形成都受到了影响。下面的图例13强调了软件行业内的这种模式，在2000年代中期巩固之前，1995-1999年期间，通货膨胀调整后近两倍的公共软件公司市值在2亿美元和50亿美元之间。我们看到与AI驱动生产力的下一个周期相似的热潮，随着企业投资利用川的潜力，在软件，硬件，数据和服务提供商上创造价值。如上文图表14所强调的，进入人工智能创业公司的风险投资在这十年中大幅增加，大大的反映了这一机遇。企业AI投资的热潮也开始推动整合。云平台特别是对AI的大量投资，谷歌，亚马逊，微软和Salesforce自2014年以来开展了17项与AI相关的收购。比较ALML和历史进程中的其他技术阶段，我们能得出一些非常有意思的结论。在过去的五十年里，计算力（摩尔定律）同事成为了技术进程的促进者和抑制者。例如计算机系统市场cs架构开始的，近些年发展到了cloucle/mobile模式。这种变化的一个因素是计算能力，存储和带宽的提升。同时每次还贷的变化都伴随着新的开发语言的演变。AI和神经网络的概念和原型的提出是在1960年代，但是计算能力的限制让它直到今年才出现了实用的应用。我们依然处于AI平台的初期，就像1950年的主机系统和2000年的智能手机和云。这会带来应用，工具和服务的大爆炸。AI三个方向：自建，咨询服务和AI服务化自建：有着大量私有高价值数据的公司会更喜欢在机器学习上投资。为了支持，出现了一大批开源可直接使用的AI枝上的组件，按照功能分层为（silicon,storage,infrastructuresoftware,dataprocessingengines,programminglanguagesandtools）。产品和平台分别有Databricl侣Cloudera,Hortonworks,Sykmincl和lMicrosoft,Google,Amazon,Baidu提供的平台等。咨询服务：很多公司有自己的特殊数据集，并会有需求为内部，顾客和合作伙伴搭建AI服务。但是因为AI服务和计算能力现在是稀有资源，很多的专业服务商在搭建平台帮助人们获得这种计算能力。IBM的Watsongroup正在做这件事。还有一些新入场的如Kaggle。AI服务化：为了获取这种创新能力，很多企业会选择使用别的公司已经成熟的学习系统，而不是自己完全搭建。现在己有的是Google的Clarifai提供的图片API。SalesForce.com10自建：云平台和开源系统正在成为Al的左膀右臂通过和大量公司vc以及对世界五百强的访谈，AI/ML现在在互联网公司，工业服务提供商（如BoardInstitute）中应用非常多。阻碍企业应用川的主要障晴是数据和人才。随着企业通过物联网，机器和顾客数据或者还有外部数据服务的改进，数据障碍正在逐渐扫清。越来月的多毕业生还有通过培训获得了AI相关只是和技能的人在填补人才的障碍。随着这些趋势，我们认为越来越多的公司会开始使用机器学习。因为是从无到有来创造的，现在AI相关的技术梳仍然是非常碎片化的。欣慰的是整个AIStack正在逐渐形成，现有的创新蓝图如下，具体覆盖了存储，工具，语言等各个层面，依然有非常多的创新等着我们。和之前的技术的一大区别是AI技术非常依赖开元和云平台技术。数据量非常大，计算能力贵，幸亏几大公司已经在开始提供这些服务，能够降低费用。对GPU计算能力的需求是现在的AISpring发展的一大诱因。在AI/ML系统中，有两个主要应用决定了整个神经网络的能力，这两个应用都有各自需求的资源系统。第一个是trainingalgorithm，它在大量数据中寻找出关系，并提炼出模型，并通过模型决定对应新输入可能产生的输出。训练对资源非常敏感，多数的训练是在基于GPU的计算系统上。训练出的模型和算法被称为inference.Inference对计算能力的要求会低很多，并且多数是在更小的不断增加的数据中梳理出来的。FPGAS和ASICs等是已有的相关架构，但是这些是在CPU计算能力的基础上搭建起来的。Google的TensorProcessingUnit是一个ASIC结构的具体实现。微软使用FPGA也有一些实现。INTEL等也在FGPA等方面在做一些具体的应用。考虑到搭建AI系统的投入和产出，我们认为只有少数公司会选择自己搭建自己的专用系统。多数公司会选择使用公共提供的服务，这也促使了入Databricks等开源服务提供者的出现，这些服务会成为多数公司的首选。下面列了一些具体的基于GPU的云服务提供商的不同的特点，可以作为选择哪个服务的参照点：•AmazonAWS：纸面上看起来是现在最强大的。自大提供64核CPU,16TeslaK80GPUs,732Gi8。内存，价格是6.8美元每小时。MicorsoftAzure：现在仍然是在预览阶段，24cores,4NvidiaTeslaK80GPUs,224GBofmemoryandl.41'8SSOdisk。GoogleCloudPlatform(GCP):Beta阶段，Alibaba：只是透出来消息和Nvidia在合作使用TeslaK80GPUs.存储：在深度学习中，大量的数据能够为学习模型提高能力。考虑到成本和已有的HDFS还有S3等存储结构的成本，还有EMC等物理机器的成本。现在数据的增速太大太快，选择开源的存储结构和公共服务存储的同时或者相关的技术支持比自己搭建专用的整套系统更为合适。消息，流处理和数据转化是机器学习的关键组件。在模型的训练过程中，数据是作为流被传入存储系统中的，并在进入神经网络前经过加工。一旦模型被建立，来自传感器，网站和其他来源的活数据被流进模型进行分析，然后试试分析这些数据。在以前的ETL提供商(Informatica和IBM）还有消息厂商（TIBCO）提供了一些流提供和流处理技术。在过去的五年时间里，开源技术入Kafka,Storm和Spark被越来越广泛使用，还有消息服务如AmazonKinesis手日GooglePub/Sub。11在神经网络中，数据是需要做预加工的。比如，图片和文本要被转化为相同大小或者颜色，或者格式。使用SkyMind的DataVee等工具，可以通过编程实现这些加工。可参照的公司：Confluent(Kafka),Databricks(SparkStreaming),Cloudera(SparkStreaming),Hortonworks(Storm,SparkStreaming),Amazon(Kinesis),Google(CloudDataPlow),Skymind(DataVee),IBM(Streams),Microsoft(AzureDataFlow).数据处理：数据库和数据处理技术一直是一个大市场，2015年统计，数据库市场规模是$35.9bn。最大的公司是S肘。在AI应用中，神经网络成为了一种关键的数据处理技术，神经网络从节点获取数据，然后产生输出。例如，输入可能是图片或者是邮件，输出可能是“spam＂或者“cat已有的抖l经网络的具体实现有GoogleTensorFlm飞rorCaffe，能够帮助用户直接使用这些服务处理数据。在很多公司里Spark的应用已经比较广泛，发展也最快，应有超过10个Github星级项目，并获得了来自IBM,Cloudera,HortonworksandDatabricks(whichhasthebulkofthecommitterstotheproject）的投资。编程语言：现在编程语言的支持仍然是在非常初级的阶段。现有的用的最多的语言是Python和LR应用中Microsoft(whichacquiredRevolutionAnalytics)andRStudio(anopensourceprovider）是主耍的支持者。分析工具：非AI行业相关的数据加工的工具，比较成熟的是SASInstituteandSPSS,BIsolutionssuchasMicrostrategyandBusinessObjects，报表类的有CrystalReports。最近商业应用中Tableau提供的数据可视化服务也比较火。机器学习相关的工具，如Microsoft'sAzureMachineLearningsolution，为使用者提供了一种直接拖拽的界面，SAS也提供了界面化的操作工具。可关注的工具：SAS(SASEnterpriseMiner),Tableau,Microsoft(AzureMachineLearning),Amazon(AmazonMachineLearning),Google(CloudMachineLearning),Databricks咨询服务已有一些咨询公司提供相关的服务，来解决人才的问题。已有的提供相关服务的公司有：IBMAccentureandDeloitteTeradata.在机器学习相关人才的培训和储备上，现在做的最好的是这几家公司：IBMHuaweiAccentureandDeloitteAppirio,Bluewolf,andFruitionPartners这些云计算相关的公司也在人才储备方面增长明显。表21:AI呻a.as产品及定价云平台AI-aaS产品示例12，13来源：企业数据Al服务化细化的基础行业AI-aaS情况（客户流失，员工保留等〉在更加细化层面，例如：CRM（商机分析〉、HR（人才保留）和制造业（预见性维护），可以看到Saas供应商已经开始布局，这主要得益于Saas供应商可以接触到大量的不同种类的数据。Workday,Salesforce.com,Zendesk,Oracle,SAP和IBM是最终能够角逐细化的AI-aaS市场的几家供应商。我们调查过的大部分Saas供应商都在开发数据分析产品和建立基准数据集，并且我们发现他们的数据长远来讲是一种障碍。（并且我们发现这类供应商已经为长远发展而圈地）。Salesforce在机器学习能力积累方面步伐最大，其在过去18个月中有过4次AI类型公司的收购（见图的。考察的公司包括：IBM,SAP,Oracle,Salesforce,Workday,Zendesk,Hubspot,Shopify,UltimateSoftw缸·e,ServiceNow垂直专业行业AI-aaS情况（医学图像处理、欺诈预测、天气预测等〉14垂直特定领域的“AIJJ服务”很可能更多样化地推动。大产业巨人能聚合数据，通过这些数据可以构建机器学习模型，同时可以将这些模型卖给合作方、客户、供应商。初创公司可以在垂直领域的用例中构建独特的数据集，例如医疗影像，可以使整个医院网络有其可访问的接口。各领域的行业协会，例如零售或广告业能混合数据（术语）使其和更大的竞争对手竞争（例如一些零售商能够通过混合数据更好地和亚马逊的推荐引擎竞争）医疗行业中，IBM在开发垂直特定的“AI即服务”的能力己经是一个佼佼者。近两年IBM已经花费超过40亿美金来获得大量的医疗技术和收购数据公司。这些收购的结果是大量的医疗数据（IBM在其“健康云”有超过3亿病人的医疗记录）。用这些医疗数据（包括通过合伙企业所采集的其它数据〉和他沃森技术的集合，IBM正在向肿瘤学、临床试验、基因组等用例（场景）提供服务。在医疗垂直领域，其它的初创公司也正在遵循类似的方法来解决医疗影像、药物发现、诊断等方面的疑难问题。医疗行业的垂直“AI即服务”展示：来源：数据公司（Crunchbase)中国人工智能现状根据!Research的研究，中国2020的AI市场规模将由2015年的12亿人民币增长到91亿人民币。在2015年，有将近14亿（年同比增长76%）的资金流入AI市场。在政府政策方面，中国发改委联合相关部门在2016年5月18号发布了互联网＋和人工智能三年实施计划。规划确定了在六个具体方面艾持人工智能的发展，包括资金、系统标准化、知识产权保护、人力资源发展、国际合作和实施安排。规划确立了在2018年前建立基础设施、创新平台、工业系统、创新服务系统和AI基础工业标准化这一目标。发改委预计中国的AI工业会和国际发展水平接轨，同时在系统级的AI技术和应用方面领先世界市场。中国已经采取了行动：从提到“深度学习”或者“深度神经网络”的期刊文章数据上看，中国已经超越美国。中国的AI研究实力同样让人印象深刻，其拥有世界领先水平的语音和图像识别技术。百度在2015年11月开发的深度语音2可以达到97%的准确度，并被MIT科技评论评为2016年度十大科技突破。另外，早在2014年中国香港大学开发的DeepJD在LFW数据集上达到了99.15%的准确度。15阁23,!JI!剑”以l!t宇J＇’，·wJt神役l叫绍’的立1世敢情削24，钝j'lj＂浓度学习.•x"刷i.直伸t闷筋”且被夜少•11n汰的立司Ha位捕归--EngandAusllalia-canada..._Japan曲70创ω4030到1。0去0112012201320142015崛血3502502佣1501（”回。2011201量-+-China．四China．”’USA．四EngandAu剖惜IlaCanada革lO·←USA.._Japan201320142015旬出国USNationalSO自甜’自回TB<加耐咱VCcuncilSource:USNa阳na!S国阳帽a回T嗣州时句yCou时d中国互联网巨头BAT号｜领中国AI的发展，与此同时，数百个初创公司在不同的AI细分和应用领域建立服务模型。当前，中国的AI市场主要分为以下几个领域：1）基础服务如数据源和计算平台2）硬件产品如工业机器人和服务机器人3）智能服务如智能客服和商业智能4）技术能力如图像识别和机器学习根据iResearch的报告，语音和图像识别分别占有当前中国AI市场的60%和12.悦。71%的中国AI公司集中在应用开发上，其他的则聚焦在算法上，其中55%是计算机视觉，13%在自然语言处理，9%在基础机器学习。16我们认为，未来AI领域的引领者仍将会在美国和中国。百度移动APP8.。，，17机器人：用户界面的未来机器人是非常具有潜力的范式转换。在以机器人为中心的世界，用户体验从基于点击的行为转向会话（文本或者语音）以及互动从网络或面向应用转向消息或语音平台。换句话说，相比之前的打开三个不同的应用程序分别预约旅行，购买衣服以及参与客户服务，而现在用户只需要通过会话提供信息给提供帮助的机器人，从而完成同样的事情。因此，我们能看到这些对电子商务，客户支持，员工工作流程及工作效率的广泛影响。在最近的12-18个月中，一个关键驱动因素是大型云服务和互联网公司建立并开放了机器学习框架。在2015年年末，Google开源了机器学习算法库TensorFlow，亚马逊和微软在这方面也非常活跃，通过提供云服务支持他们自己的机器学习项目。我们预计这种机器学习平民化的趋势将会持续激发智能机器人的发展，主要领导者（亚马逊，谷歌，苹果，微软）期望整合会话界面（Alexa,GoogleAssistant,Siri,Cortana）到他们的各自的生态系统。继今年三星收购Viv，我们预计将在三星设备和智能手机生态系统中进一步整合基于VivAI的数字助理。自然语言处理（NLP）.机器人的期望植根于他们智能或处理自然语言的潜力。因此伴随着机器学习、自然语言处理的人工智能技术、计算机理解、以及语义理解兴趣和创新的兴起，对机器人的兴趣也在兴起。相比过去的文字处理方式，与基于硬编码规则集构建的CTRL叩函数操作的处理器相反，NLP利用机器学习算法来基于海量训练、数据来学习规则，然后可以将其应用于新的文本集。机器学习的核心原则同样适用于NLP，获取的数据越多，其应用程序就越准确和更广泛。虽然NLP的早期应用己出现在文本挖掘（例如，法律分析文档，保险单和社交媒体）和自动问答中，但是神经网络和深度学习模型的优势正在使NLP变得越来越智能化，解决人类语言的歧义问题。Google基于人工智能系统Tensorflow的自然语言解析模型分析库SyntaxNet,SyntaxNet将神经网络运用于歧义问题，一个输入句子被从左到右地处理，只有当存在多个得分更高的假设的时候，一个假设才会被抛弃。Syntax！叶的模型是谷歌的TensorFlow框架训练过的最复杂的网络结构。消息平台机器人的兴起与诸如PacebookMessenger,WhatsApp以及面向企业的Slack和HipChat等消息应用的快速增长同步。消息应用程序提供了一种媒介，通过它，机器人可以与iOS,Android和网络上的用户进行交互。此外，更大的消息应用正在发展成支持多种交互类型的平台。在Slack上，企业用户可能与团队合作，监控应用程序，创建待办事项列表或从同一接口监控费用。Pa.cebookMessenger，能够利用同一个界面，用户可以与朋友聊天，提出品牌的支持问题或进行Uber预约。最近的聊天机器人收购或亚马逊（Angel.aiCEO）和Google(APLai）的部分收购，每一个都专注于会话界面技术，突出了公司和投资者在聊天和自然语言处理能力的联合中看到的机会。根据Pitchbook的数据，自2013年以来，在Al/ML，电子商务，Saas和网络安全等方面的私人消息公司累计风险投资约120亿美元，而在8年前则约为20亿美元。18Exhibit25•vc仙”dinga町目mHSaging$millions".SOO钮咽’咽1·fl:svn··’”100回归、剿。＂咽日回回A躏SU咽剖a国$饵”如＂＂施刻筑施剑”＂＂魅抽回2010101120U?OU1014毒lS201‘TotM臼回‘..确僧”’‘’Oulε.....S酣睡阳捕侃到比事件机器人的广泛应用已经使得一些公司获益良多。第一大类的获益的公司是信息传播平台，例如Facebook,Slack,WeChat等等。机器人帮助推动用户参与度的提升，创造机会驱动平台上的商业活动。第二大类获益的公司是硬件和基础设施提供商，其范围从GPU提供商(NVIDIA）到开源提供商，到数据平台提供商，以及像亚马逊，谷歌，微软这样的云服务提供商。其中，亚马逊位置独特，它具有满足电子商务需求的能力。另外一些正在挖掘机器人能力的软件公司包括Zenclesk和Salesforce.com，它们把机器人看作是自动化满足企业客户筒求的一种潜在方式。Exhbit26·Grow由InSlack,FBMessengerusersTheriseofenterpriseandc。nsumerme臼吨ingpl副旬msT「一1:I2001曲「f一，’．lu仨o.sSo.#co.C4'吨皿＂嗣.，，＿，，酣S«ltsGlobal阳回帽帽陆四哑鸭、数字个人助理。很多公司一直在使用复杂的算法，机器学习和大数据软件构建推荐引擎，这些推荐引擎的背后是对客户数据以及历史行为的全面分析。这些推荐引擎正在用于影响购买行为，但大部分相同的技术是用于构建数字个人助理，或者能够基于语音命令完成或自动化简单任务的机器人。通过融合推荐引擎的复杂预测和推断能力，同时结合语音识别软件，很多公司推出了自己的数字个人助理产品，例如苹果的Si时，亚马逊的Alexa，谷歌的GoogleAssistant，微软的Cortana。利用机器学习和云端基础设施，这些应用程序在收集更多的用户信息的同时不断改进，这些用户信息包括：语音模式，兴趣，人口统计，消费习惯，日程，职业，喜欢和不喜欢。大多数（如果不是全部〉这些信息通常可以通过软件监控一个人的智能手机或连接设备（Arn阳onEcho,GoogleHome）来收集。随着这些数字个人助理接触到更多的数据，通过深入分析它们能够区分来自不同用户的类似请求，从而越来越个性化。例如，语音指令“给我看最好的相机”对不同的消费者可能意味着不同的东西。与用户数据相结合的强大分析引擎可以帮助确定用户是否喜欢最便宜的摄像机，最高评价的摄像机，或者通过各种特征组合筛选出来的对于该用户“最佳”的摄像机。我们看到数据聚合和分析持续推动了人工智能驱动的数字个人助理的改进。我们也期待像亚马逊，谷歌这样的持续创新者能够继续完善在购物过程中的使用体验（Echo,EchoDot),从而更加深入到日常生活中的各种任务当中（GoogleHome）。19人工智能生态人工智能的关键参与者运动控制与机器人人工神经网络及其基础设备Anki、UniversalRobotics、Alphabet、Amazon、KivaSystem、Influx、MotionMicrosoft、Intel、BigML、环境传感器（湿度、温度等）Sentrian、BuildingRobotics、MoovAIiRobotIntuitionRobotics、DroneDeploy、Imagimob、FocusMotionVicariousSystems、Sentenai、Skymind、IBM语音识别和复制音频传感及声音处理Mobvoi、nVoq、AISpeech、PullString、ConvirzaDeepgram、AugurySystems、NeuronSW、AudioAnalytic地理空间感知系统检测及资源分配CivilMaps、DriveTimeMetrics、CognitiveScaleSentientTechnologies光学传感器／图像处理训练及推理AuCure、ButterflyNetwork、Nvidia、Intel,Samsung、Event38UnmannedSystems、TaiwanSemi、CorticaBayLabs、DescartesLabs、OrbitalInsight、Abeja、ViSenze、AGERpointMoviclius、Affectiva、ClarifaiGlobalFounclries、Google自然语言处理InbentaTechnologies、DigitalReasoningSystems、DefineclCrowclSemanticSentisisHealthMachinesAnalytics、、Fidelity、Parakweet、Nuance、Clinithink、Maluuba、DigitalGenius-ArtificialInteligence、Cortical.io人工智能生态：使用案例与潜在机会农业：目标时长200亿美元•优化种子种植、施肥、灌溉、喷洒和收获•对水果和蔬菜进行分拣，以降低劳动成本20•根据声音的变化识别牲畜是否生病金融业（美国〉：每年节约和新增收入340-430亿美元•在财务数据冲击市场之前识别和执行交易•正和包装卫星图像，用于经济、市场预测（如石油库存和零售交通的图像）•识别信用风险并自动设限、关闭可能违规的账户•监控电