计算机系统研究报告

一、AIOT 产业万亿市场徐徐打开（一）物联网 ARPU 值提升，剪刀差收窄物联网最早由美国在 1999 年提出，用于指“传感网”。过去 20 多年里，物联网受制于技 术、成本等因素，其实一直未能大规模普及，产业趋势确定但雷声大雨点小，有一点“狼来了” 的感觉，但在当下物联网逐渐向 AIoT 方向过渡，IoT+AI，处于爆发前夜。IoT 标准主要解决 数据传输技术，而 AIoT 关注新的 IoT 应用形态，更强调的是服务，特别是面向物联网的后端 处理及应用。AI 与 IoT 相辅相成，IoT 为人工智能提供深度学习所需的海量数据养料，而其 场景化互联更为 AI 的快速落地提供了基础；AI 将连接后产生的海量数据经分析决策转换为价 值。在政策驱动下，中国物联网规模迅速放量。工信部统计数据显示，2020 年 1-10 月蜂窝物 联网终端用户 10.8 亿户，同比增长 13.9%，比上年末净增 5236 万户，其中应用于智能制造、 智慧交通、智慧公共事业的终端用户占比分别达 19.4%、19%、22.7%。目前，中国是全球最 大的 M2M 市场，三大运营商物联网连接用户量增长率远超手机用户增长率。同时，物联网 ARPU 值不断提升，物联网连接增速与物联网收入增速之间的剪刀差不断收窄。运营商对物联 网的考核指标逐渐由连接数考核转化为对出账收入、真实激活数等指标的考核，物联网场景应 用落地将快速兴起。（二）5G 与 AI 技术带来产业发展机遇AI 技术是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的 一门技术。借助 AI 技术，人类在图像识别、语音识别等领域的效率迅速提升。“人工智能” 概念于 1956 年首次被提出，技术发展经历了“三起两落”。受益于 AI 算力对神经网络算法的 优化，本阶段大数据与算力提升结合的 AI 技术有望再图像识别、语音识别、训练与推理领域提高效率。5G 技术的性能目标是高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大 规模设备连接。随着 5G 商业化进程的不断推进，人和设备的不断连接带来将数据规模提升和 质量升级，提升数据传输速度，增强网络可靠性，在降低连接成本的同时，拓展连接边界，助 力 AIOT 市场发展。2019 年 6 月，工信部向中国移动、中国电信、中国联通和中国广电发放 了 5G 商用牌照，进一步推动 5G 商业落地。目前，中国在 5G 技术方面的发展位于全球第一 梯队，研发投入与资本支出均相对较大。随着 AI 技术的不断进步，物联网传感器、数据处理成本及宽带成本不断下降、人力成本 却居高不下，移动互联流量红利见顶，上述技术因素的共同驱动下，AIOT 产业展现了良好的 发展势头。（三）政策支持为 AIOT 产业发展营造良好环境2013 年，国家开始提出物联网相关发展战略，先后发布物联网相关发展规划与行动计划， 推进物联网相关产业发展。各省市发布物联网发展规划，促进物联网产业集群建设。（四）AIOT 产业链解构—上游量升价减下游景气提升AIoT 是 AI 和 IoT 二者的融合， 将人工智能(AI)赋能物联网(IoT)，再结合 5G 技术，将 万物互联、人机交互做全产业延伸和融合。根据 Ericsson 报告，AIoT 产业链组成部分包括硬 件/终端(占比 25%)， 通信服务(占比 10%)，平台服务(占比 10%)，软件开发/系统集成/增值 服务(55%)。随着上游量升价减，下游景气提升，应用端需求市场预期放量，市场空间可观。下游 VR/AR 的应用在物联网和 5G 技术的发展下不断推动，VR/AR 出货量逐年增长，可以 用于游戏、医疗、旅游和社交等垂直行业领域。据 IDC 预测，从 2019-2023 年，未来 AR/VR 设备的出货量年复合增长率将高达 66.78%。智能网联车通过搭载先进的感应器和智能软件，实现车与各类信息的交互和处理。IDC 发 布《IDC 全球智能网联汽车预测报告》预测，未来 5 年智能网联汽车市场将迎来快速发展，到 2023 年，全球智能网联汽车出货量将进一步增至 7220 万辆，年增长率为 9.3%。随着出货量的 增加，车载的前装和后装市场潜在基数和装配率也将不断提升。其中车载终端的参与者众多， 竞争激烈。国外厂商以大陆、博世、德尔福为主，国内企业大唐电信、华为、德赛西威、东软、 千方科技、万集科技、中兴等均积极布局。伴随着全球智能设备连接的快速增长，物联网的市场规模不断扩大。工业互联网作为物联 网的核心应用场景之一，通过信息技术和制造业的融合，助力企业的数字化转型，发展潜力巨 大。据 GSMA 统计，2018 年全球物联网设备联网数量已达 90 亿个，到 2025 年复合增长率将 达到 16%。5G 发展为工业互联网赋能，下游创新应用场景不断出现。智能制造、智能工厂、智 能电网、智能安防等业务渗透率不断提升，正逐步迈入高成长期，据中国信通院数据显示，我 国工业互联网的产业规模将于 2020 年达到 31370 亿元，未来的发展前景可观。随着物联网技术不断成熟与 5G 商用的发展，低成本网络覆盖范围扩大，应用成本不断下 降，更多可能的应用逐渐成为现实，AIOT 的应用范围和需求不断拓展。AIOT 产业与传统产 业融合不断加深，市场规模广阔。全球 AIoT 市场正快速爆发，麦肯锡全球研究所的数据显示， 每一秒都有 127 个新的 IoT 设备联网，2020 年消费类电子设备数为所有已安装的 IoT 设备的 63%，到 2024 年全球的联网设备将达到 400 亿个。二、算力侧：AI 芯片发展提速，国产芯片具备发展机遇（一）算力侧芯片技术迭代更新，国产 AI 芯片急需场景落地人工智能芯片目前有两种发展路径：一种是延续传统计算架构，加速硬件计算能力，主要 以 3 种类型的芯片为代表，即 GPU、 FPGA、 ASIC，但 CPU 依旧发挥着不可替代的作用；另 一种是颠覆经典的冯·诺依曼计算架构，采用类脑神经结构来提升计算能力，以 IBM TrueNorth 芯片为代表。伴随着 AIOT 产业技术的不断发展和市场空间的不断拓宽，传统的芯片受限于 CPU 的算力 问题，无法满足物联网的算力要求。AI 芯片性能功耗比更高，能够提供更强的计算能力。作 为算力侧的核心基础，AI 芯片为云、边、端多方协同提供算力支持和决策推理。根据 IDC 数 据，16 年至今全球的 AI 服务器和芯片数量将不断上升，中国 AI 芯片市场整体规模不断扩大。 根据《中国人工智能芯片产业发展白皮书》显示，2018 年在全球的 AI 芯片市场中，中国的整 体规模占比最大，约占四分之一，未来 AI 芯片的发展前景可观。AI 芯片因需求扩张，政策支持迎来发展良机，但因 AI 芯片相对技术门槛偏低，对晶圆代 工厂商依赖度高，“量产”是一条红线，未来行业将快速洗牌。芯片公司需要找到好的落地场 景，以保证出货量。传统 AI 芯片按产品架构分为 GPU、FPGA 和 ASIC 三种。GPU 具有大规模的并行架构，适合 对数据密集型的应用进行计算和处理，且性能高于传统 CPU 数十上百倍，其主要缺点是功耗较 高及其带来的高昂电费开支。ASIC 作为人工智能的专用芯片，相较于 GPU 有极高的性能和较 低的功耗，但专用芯片灵活性较低，研发投入较高。FPGA 的功耗在几瓦到几十瓦之间，在性 能指标中都有比较理想的平衡，可以实现定制化的硬件，并且可以在硬件层面进行大规模的并 行运算，有较高的吞吐量。从应用场景上划分，AI 芯片可以分为云端芯片、边缘端芯片和终端芯片。人工智能技术 应用场景广泛，在不同场景所需要的计算能力、功耗等有所差异，因此针对不同的应用场景可 以将 AI 芯片划分为这三大类。云端芯片主要针对云数据中心，兼具训练和推理的任务需求。 该场景对计算能力和计算密度要求高，一般计算能力要求每秒处理超过 30 亿万次基本人工智 能运算，相对功耗也较大，一般在 50 瓦以上。边缘端芯片主要面向智能制造、智能家居、智 能驾驶等领域，以推理任务为主，性能要求和功耗介于云端和终端之间。终端芯片服务于各类 消费电子领域，其对性能要求相对较小，但对成本和功耗较为敏感，以推理任务为主，产品形态众多。（二）AI 芯片发展提速，前景空间广阔由于 AI 芯片的应用场景丰富且需求端驱动力强劲，AI 芯片市场规模将呈快速增长态势。 根据 Tractica 的研究报告显示，2019 年全球人工智能芯片的市场规模达到 110 亿美元。中商 产业研究院预测，全球 AI 芯片市场将迎来高速发展期，在 2025 年全球人工智能芯片市场规模 达 724 亿美元，7 年复合增长率达 36.90%。中国 AI 芯片行业发展尚处于起步阶段，但随着智 能终端的更新迭代和数据中心服务器智能化大趋势的推动下，随着人工智能应用生态的爆发， 两年迎来了新一轮的爆发。2019-2024年，中国AI芯片市场规模仍将保持40%以上的增长速度， 预计 2024 年中国 AI 芯片市场规模将增长至 785 亿元。AI 芯片在三大类应用场景上均将维持快速增长：云端芯片的主要应用场景为针对海量数据计算和处理的云数据中心、超级数据中心等，目 前对计算能力的需求也呈现指数型增长。随着云计算技术的发展，目前全球范围内各云数据中 心建设速度也不断提升。Cisco 预计 2016 至 2021 年全球数据中心负载任务量将成长近三倍， 到 2021 年，超级数据中心将达到 628 座，占总数据中心比例达到 53%。数据中心市场蓬勃发 展可以从国外老牌芯片厂商的布局一窥全豹：Intel 作为传统型芯片厂商，也实现了数据中心 产品的销售；Nvidia 数据中心业务增长迅速，从 2016 年开始以 72.23%的年均复合增长率实现 了 2019 年的 29.8 亿美元的收入。据 IDC 报告显示，云端智能芯片市场需求，预计将从 2017 年的 26 亿美元增长到 2022 年的 136 亿美元，年均复合增长率为 39.22%。边缘端场景是由于云端不能满足用户的较高需求，推动大量数据存储向边缘端转移而产生 的。边缘计算为 5G 网络架构中的核心环节，应用场景相较云端更为广泛，同时边缘端芯片价 格相对更便宜，未来将在大量行业中普遍应用。据 Gartner 预测，未来物联网将约有 10%的数 据需要在网络边缘进行存储和分析，2020 年全球边缘计算的市场需求将达到 411.40 亿美元。在终端应用方面，在日常的手机、平板电脑、音箱等散热、能耗敏感的消费类电子终端产 品中，仍然需要专门的人工智能处理器提升性能降低能耗。其中，在智能手机端，由于传统手 机芯片无法满足人工智能相关应用的用户体验，智能手机搭载 AI 芯片将成为各厂商提升产品 吸引力的重要一环。根据 Gartner 预测，搭载人工智能应用的智能手机出货量占比将从 2017 年的不到 10%提升到 2022 年的 80%，年销量超 13 亿部，也带动了人工智能芯片快速发展，2020 年人工智能芯片在消费电子终端市场的销售规模将超过 25 亿美元，市场逐渐形成规模。同时，AI 芯片市场的发展也受智能驾驶的发展大潮的牵引。保证智能驾驶系统稳定运行 的核心是芯片，所以未来人工智能芯片在车载领域都具备广阔的市场空间。根据市场调研机构 iiMediaResearch 估计，2016 年全球智能驾驶汽车市场规模为 40.0 亿美元，预计至 2021 年增长至 70.3 亿美元，复合增长率 11.94%。（三）英伟达领跑全球市场，国产 AI 芯片具备发展机遇云端芯片方面，英伟达领跑，其他厂商奋力追赶。云端芯片厂商主要有英伟达、英特尔、 华为海思、寒武纪等。因云端芯片需兼具训练和推算能力，对性能要求较高。英伟达最新发布 的 A100 芯片采用 7nm 工艺且运算能力处于绝对领先位置。除此之外，英伟达领先布局生态 CUDA， 软件生态具备优势，是云数据中心市场的绝对龙头，综合多家咨询数据判断其在全球市场的市 占率约 80%左右。英特尔主要通过收购 HabanaLabs 来布局云 AI 芯片市场，主打 Goya 和 Gaudi 两款产品。国内厂商主要以华为海思和寒武纪、地平线等公司为代表，产品性能从目前来看不 及英伟达，但差距相对较小，主要在生态布局上还需要奋起直追。根据 IDC 预测，GPU 市场将 持续下降。我们认为，云端芯片下游主要为云数据中心，兼具云计算业务的厂商如华为市场份 额将有望提升。加之国产自主可控浪潮，国产 AI 芯片厂商潜力较大。边缘端芯片方面，英伟达领先，国产厂商产品性能优越，处于市场开拓期。英伟达以Jeston TX1、Jeston TX2 以及最新的 Xavier 和 Xavier NX 布局边缘端市场，具备领先布局优势。华 为海思和寒武纪在产品性能方面不亚于英伟达，采用 12/16nm 工艺，计算能力与能耗方面表现 优越。但因进入市场时间较短，仍处于市场布局初期。终端芯片方面，百花齐放，国产厂商具备一定优势。提供终端智能处理器的厂商主要有 英国的 ARM、以色列的 CEVA、美国的 Cadence 和国内的寒武纪等。从市场应用情况来看，装载 寒武纪终端智能芯片的 SoC 芯片出货量超一亿，采用 7nm 工艺，性能功耗比表现优越，支持推 理和训练任务。在智能手机市场应用优势较为明显，具备一定优势。三、平台侧：格局未定，国内外诸侯割据（略）（一）物联网平台侧居于枢纽地位，参与者众多在 AIOT 的平台侧，物联网平台能够为设备和场景应用搭建连接桥梁，为上下游提供中间 层的核心能力，物联网平台主要功能包括设备管理、连接管理、应用支持和业务分析。支持多 种协议的适配，实现各类物联网设备的接入及对设备进行实时管理和分析。目前平台侧的服务商众多，据 IoT Analytics 统计 2019 年全球公认物联网平台数量就有 620 家。其中大平台主要来自于云服务提供商、电信和通信设备厂商，主要以互联网巨头阿里 云、亚马逊、腾讯等为主。国内的主要平台服务商包括阿里、腾讯、百度、小米以及三大电信 运营商。阿里云 IoT 物联网平台依托阿里云的技术优势，以及活跃的云栖开发者社区，能够支持主 流的物联网协议接入，设备端和云端支持丰富的语言 SDK，为开发者提供细粒度的实时监控告 警。腾讯云 IoT Explorer 平台开发文档丰富，与腾讯连连微信小程序联通，可以便利地支持 智能家居等场景；移动的 Onenet 是中移物联网搭建的云平台，从连接和设备管理切入，接入 协议丰富，NB-IoT 基站部署广泛，能够为各种跨平台物联网应用、行业提供丰富的解决方案。 小米的 IoT 开发者平台主要以小米用户群体为主，服务智能家居和个人穿戴和出行设备，能帮 助开发者打造智能互通的智能产品。各类服务商根据其不同的优势作为其物联网平台的切入点， 在原有技术功能基础上，根据其自身优势拓展服务形式和客户群。从功能角度划分，物联网平台可以分为设备管理平台（Device Management Platform，DMP）、 连接管理平台（Connectivity Management Platform，CMP）、应用赋能平台（Application Enablement Platform，AEP）和业务分析平台（Business Analytics Platform，BAP）。从企 业属性角度划分，物联网平台市场参与者主要有传统通信厂商（如中国移动 OneNet 等）、互联 网/云计算厂商（如谷歌 Azure、阿里云等）、垂直领域厂商（如博世、西门子、海尔等）和创 业领域厂商（如 TheThings、青莲云等）。传统通信厂商的布局主要针对物联网设备的通信连 接管理，云计算厂商的布局主要侧重完善整个生态布局，垂直领域厂商主要从自身业务出发为 产品做科技赋能，创业领域厂商属于有针对性的专注于平台的研发。（二）市场处于高速发展阶段，生态布局是关键突破点物联网平台层在物联网市场占比约三分之一，目前处于高速发展阶段，空间较大格局未 定。物联网设备层、连接层、平台层和应用层的价值占比分别为 21%、10%、34%和 35%。根据 Statista 数据，2020 年全球物联网市场规模约为 2480 亿美元，预计到 2025 年将增长至 15670 亿美元，年复合增长率为 39%；根据 IDC 数据，预计中国物联网市场规模到 2025 年为 3918 亿 美元。由此推断出，物联网平台 2025 年全球规模约为 5327 亿美元，中国规模约为 1332 亿美 元，市场空间广阔。从连接设备数量来看，国外头部厂商主要有亚马逊、苹果、谷歌和三星等，国内厂商主要 有起步较早的小米，此外，华为近年也开始大力布局 IoT 市场。根据艾瑞咨询数据，物联网链 接设备前 5 名的厂商为小米、亚马逊、苹果、谷歌和三星，市场份额分别为 1.9%、1.2%、1.0%、 0.9%和 0.8%。我们认为，物联网平台的竞争力体现在连接万物的能力，连接设备越多活跃用 户量更大的平台更具备价值。在物联网平台高速上升的现阶段，打通上下游产业链、布局全生 态场景的厂商有望抢占先机，国内厂商如小米和华为、国外厂商如苹果和谷歌有望脱颖而出。……四、网络侧 ：5G 模组需求提升物联网的通信技术分为有线通信和无线通信技术，为了满足万物互联的要求，主流技术为 无线通信技术。无线通信技术主要分为两大类，短距离无线通信技术，包括 2/3/4/5G 和 LPWAN 技术（LoRa 和 NB-LOT 等）以及短距离的无线通信技术蓝牙、WI-FI、ZigBee、Zwave 等。根据工信部 2020 年 5 月发布的最新政策：推动 2G/3G 物联网业务迁移转网，建立 NB-IoT、 4G 和 5G 协同发展的移动物联网综合生态体系。以 NB-IoT 满足大部分低速率场景需求，以 LTE-Cat1 满足中等速率物联需求和话音需求，以 5G 技术满足更高速率、低时延联网需求。随 着移动互联网和物联网的发展，5G 技术不断拓宽物联网的应用场景，能够满足物联网设备多 样化以及不同场景和应用对网络的需求。5G 网络加速建设，5G 模组出货有望带动毛利率提升。目前主流模组厂商 5G 产品已陆续 小批量发货。预计随着 5G 网络覆盖的完善，一些可落地的应用场景将带动 5G 模组需求进一 步提升。随着全球 5G 网络的不断建设和发展，中国电信服务提供商在 5G 核心网部署中占据了最大 的份额。截止 2019 年底，中国移动建设开通超过 5 万个基站，覆盖 50 余个城市；中国电信建 成 4 万座 5G 基站，并与中国联通合作建设 5G 基站超过 2 万座，共享基站超过 5 万座；中国联 通目前可用 5G 基站规模超过 6 万个。三大运营商今年用于 5G 建设合计预算投入 1803 亿元， 较 2019 年实际支出增长约 338%。华为、中兴等企业依靠领先的 5G 技术领先优势和国内的规 模优势，未来有望加速发展，进一步扩大全球 5G 网络建设的市场份额。5G 网络建设进度节节 推进，据中国产业信息网预计 2020~2022 年全国 5G 基站建设数量将分别达到 80 万、110 万和 120 万个。5G 时代，移动物联网的快速部署已成为重要的趋势。物联网技术需要依靠基站等基础设 施来完成区域的覆盖，需要投入大量的基础设施建设。但是由于在岛屿、沙漠、海洋等偏远地 区安装基站和铺设光纤线路的难度大、成本高，目前地面蜂窝基站的陆地覆盖率约为 20%，而 海洋覆盖率则不到 5%。卫星物联网通信技术能够突破因地面基站所不能及而带来的物联网覆 盖限制。同时伴随着电力、矿山、森林防火等领域的信息化和数字化转型的需求，对于海洋、 沙漠、森林等不便建立基站的地区，卫星物联网则作为最重要的通信网络基础设施，覆盖面更 广，通信稳定性好，组网方便，能够对传统产业的数字化转型提供重要的通信技术支持，有望成为拉动经济发展的新支点。从市场规模上来看，美国权威卫星行业咨询公司 NSR 预测，2022 年将有 1 亿至 2 亿台物联网设备有接入卫星的需求。麦肯锡公司预测，天基物联网的产值在 2025 年可达 5600 亿美元至 8500 亿美元。五、边缘侧及终端侧处于爆发增长前夜边缘侧位于云层和终端层之间，向下支持各种设备的接入，向上和云端进行对接。在 5G、 物联网和产业互联网发展的带动下，全球边缘计算产业逐渐兴起。据 IDC 数据，到 2025 年全 球将有 418 亿台 IoT 连接设备，互连的 IoT 设备生成的数据量将从 2019 年的 18.3 ZB 增长达 到 73.1 ZB。在海量数据的产生下，边缘计算作为算力去中心化的基础设施迎来快速发展。相 较于云计算，边缘计算拥有低时延、少带宽、高安全性的优势，可以满足实时处理终端设备产 生的海量数据，成为万物互联时代中实时处理、快速连接和隐私保护的关键支撑，能够为垂直 行业 AR、自动驾驶和 IoT 等领域的应用提供足够的算力资源。据赛迪顾问显示，预计未来全 球边缘计算市场规模年均复合增长率将超过 50%，在 2025 年可达到 157 亿美元。2021 中国边 缘计算市场规模预计将达 325.31 亿元，未来市场规模广阔。边缘侧的产业链包括上游的边缘节点，芯片网关和控制器传感器，以及中游的云计算平台 服务商以及下游的终端开发商。市场主要参与者包括芯片厂商、电信运营商以及以云计算巨头 为主的软硬件服务商。边缘侧的主要市场分为边缘节点、控制传感器等硬件产品以及提供平台 服务和终端应用开发等软件服务。据赛迪顾问数据显示，2018 年中国边缘计算硬件市场份额 达到 71.22%，软件和服务市场占 28.78%。参与边缘计算的硬件载体公司以爱立信、ARM、华为、 联想、广和通等为主。提供边缘计算的软件平台包括 AWS、阿里云、百度云、华为云、腾讯云 等服务商，主要负责对边缘节点的各项功能进行统一调度和管理，并上传到云端进行分析处理。AIOT 在终端侧的应用主要涵盖 5G 手机，VR/AR，智能网联车和工业智能终端等领域。在 5G 手机市场中，随着国内 5G 网络的不断部署和推进，国内各大手机厂商的 5G 手机的出货量 快速增长，需求旺盛。今年下半年 5G手机出货量逐渐恢复，整体渗透率保持在 60%左右。Canalys 预测在 2023 年全球 5G 手机出货量将达到约 8 亿部，占全部智能手机出货量的 51.4%，2019 年到 2023 年出货量 CAGR 达 179.9%。六、应用侧之工业互联网：平台为核心，生态为关键（一）工业互联网走向落地据麦肯锡预测，未来物联网的价值 30%在 B2C，70%在 B2B。工业互联网作为物联网 B 端的 重要应用，具有巨大的发展潜力。工业互联网围绕制造体系的四大层次与四大要素实现。工业互联网通过将新一代信息技 术与制造业深度融合，实现人、机、物的全面互联，构建起全要素、全产业链、全价值链的全 面连接的新型工业生产制造和服务体系，是第四次工业革命的重要基石。工业互联网覆盖了制造体系的设备层、边缘层、企业层和产业层，把连接由企业内扩展到企业外；并且，网络、平 台、安全、标识四大要素贯穿四个层级，实现全要素、全产业链的互联互通。工业互联网发展正从概念框架走向落地。国际上，发达国家均非常重视工业互联网建设， 如美国在先进制造国家战略中，将工业互联网和工业互联网平台作为重点发展方向，德国工业 4.0 战略也将推进网络化制造作为核心。2018 年 6 月 7 日，工信部印发《工业互联网发展行动 计划（2018-2020 年）》，明确了基础设施能力提升行动、标识解析体系构建行动、工业互联网 平台建设行动等八大重点任务，目标是在 2020 年底初步建成工业互联网基础设施和产业体系。 计划实施近两年来，我国工业互联网发展正从概念框架走向落地实践，在网络、平台、安全、 标识解析等方面形成一系列突破，逐步建立起与我国经济发展相适应的工业互联网生态体系。 工业互联网标识解析体系已实现从 0 到 1 的突破，以国家顶级节点为核心的工业互联网标识解 析体系初步形成，截至 2020 年 8 月，已上线运营 60 个二级节点，覆盖 21 省 26 个重点行业， 接入企业节点超 3000 个，标识注册量突破 54 亿。工业互联网平台蓬勃发展，多层次系统化平台体系初步形成，截至 2020 年 8 月，具有一定行业、区域影响力的平台超 70 个，平均工业设 备连接数近 60 万台。据信通院测算，2018 年、2019 年我国工业互联网产业经济规模（包括融合带动规模）分 别为 1.42 万亿元、2.13 万亿元，占 GDP 比重分别为 1.5%、2.2%。预计 2020 年，我国工业互 联网产业经济规模将达 3.1 万亿元，占 GDP 比重为 2.9%，同时可带动约 255 万个新增就业岗 位。工业互联网在不同行业的应用水平存在差异，汽车、电子信息、家电等行业较为领先。信通院构建了工业互联网应用成熟度评估体系，并于 2019 年发布了《工业互联网应用成熟度 白皮书 2.0》。汽车及零部件制造行业的基础支撑能力较强，新技术应用相对成熟，电子信息 行业工业互联网的建设起步较快，进一步升级的基础较好，家电行业由于大规模化生产的需求， 生产和营销方面逐步智能化升级；生物医药、化工、装备制造等行业的互联互通能力不断提升， 基本能实现数据采集，但在系统集成和数据分析方面需要提升；机械制造等其他传统行业的工 业互联网建设成熟度不高，只有部分企业基础设施完善，互联互通水平不高，数据采集和分析 尚处于探索阶段。工业互联网在生产管控、产品服务和市场营销等环节已经显示出较大价值。但是，研发设 计、供应链管理等业务流程的应用水平仍然不高，工业互联网在研发设计中的应用成为短板， 仍需进一步提升。（二）工业互联网平台为产业发展核心我国工业互联网细分产业中，工业互联网平台与工业软件产业规模最大，增速领先。2017-2019 年，工业互联网平台与工业软件产业规模从 1490 亿元增长到 2486 亿元，年均复合 增长率 29.2%；工业互联网网络产业规模从 381 亿元增长到 651 亿元，年均复合增长率 30.7%； 工业互联网安全产业规模从 13.4 亿元增长到 27.2 亿元，年均复合增长率 42.3%；工业互联自 动化产业规模从 829 亿元增长到 1152 亿元，年均复合增长率 17.8%；工业数字化装备产业规 模从 658 亿元增长到 1045 亿元，年均复合增长率 26.0%。全球工业互联网平台市场持续呈现高速增长。根据研究机构 MarketsandMarkets 统计数 据显示，2017 年全球工业互联网平台市场规模为 25.7 亿美元，2018 年达到 32.7 亿美元，预计 2023 年将增长至 138.2 亿美元，预期年均复合增长率达 33.4%。美国当前平台发展具有显 著的集团优势，占据主导地位；欧洲平台领域进展迅速，成为美国之外主要的竞争力量；亚洲 市场增速最快且未来有望成为最大市场。美国头部企业有 GE、微软、亚马逊、PTC、罗克韦尔、 思科、艾默生、霍尼韦尔等；欧洲诸如西门子、ABB、博世、施耐德、SAP 等欧洲工业巨头具 有领先的制造业基础优势；日本的日立、东芝、三菱、NEC、发那科等也在积极布局。工业 PaaS 层是工业互联网平台的核心，工业 SaaS 层是关键。边缘层、工业 PaaS 层、工 业 SaaS 层是工业互联网平台三大层级。边缘层是基础，通过大范围、深层次的数据采集，以 及异构数据的协议转换与边缘处理，为工业互联网平台提供数据基础；工业 PaaS 层相当于工业操作系统，基于通用 PaaS 叠加大数据处理、工业数据分析、工业微服务等能力，支持各类 工业 APP 应用的开发与运营；工业 SaaS 层是工业互联网平台价值的体现，包括满足不同行业、 不同场景的工业 APP，形成平台生态。未来的平台竞争本质上是基于平台的生态之争，生态建 设是关键。工业 PaaS 层需要支撑前端灵活构建各类工业应用和解决方案，其参与者需要深厚的专业 知识和领域经验积累沉淀，装备/自动化、工业软件及制造业三类企业各具优势。装备和自动 化企业在工业现场积累了大量设备系统，拥有丰富的经验知识模型，通过打造平台实现底层数 据的汇集与建模以及工业知识的复用，典型代表有国外的 GE、西门子、ABB、博世、发那科、 施耐德、库卡(KUKA)、霍尼韦尔、罗克韦尔等，我国的和利时、徐工、三一、研华科技、蓝卓、沈阳机床等。工业软件厂商将研发设计、生产制造、运营管理或采购销售领域软件转化成平台 中独立的服务模块满足个性化定制需求，并将全生命周期数据集成形成数字孪生，加速产品迭 代，典型代表有国外的 PTC、达索、SAP 等，我国的索为、数码大方、安世亚太、石化盈科、 宝信、用友、东方国信等。制造类企业拥有特定行业的经验知识与成熟模式，将其以数字化模 型或专业软件工具的形式预置到平台中，典型代表有国外的日立、东芝等，我国的海尔、富士 康、航天云网、一汽等。工业互联网平台的发展趋势：当前工业互联网平台仍然处于发展初期，尚未出现绝对的领导者，产业仍处于摸索与寻找 机会的阶段。当前有两个趋势正在逐渐显现：一是横向看，国际巨头正在通过并购或合作形 成具有全生命周期流程一体化服务能力的平台，形成综合性竞争优势。西门子和达索通过不 断并购，已拥有全流程产品，并迁移至平台，包括设计仿真软件、生产管理软件、资产运维软 件、经营管理软件等，达索还与 ABB 合作，以进一步提升自动化领域解决方案服务能力。PTC 则通过与多家企业的深度合作来弥补自身在生产和运营方面的短板，与罗克韦尔通过 10 亿美 元的股权投资形成战略合作，提升生产管控和资产运维能力；与 ANSYS 合作，提升了设计仿真 能力。二是纵向看，以垂直行业的企业为主体，与 ICT 公司优势互补，工业互联网有望产生细 分领域的龙头企业。垂直行业的制造企业对本行业的生产流程熟悉，拥有成熟的经验模式， ICT 企业为其提供大数据、云计算、物联网能力支撑。（三）工业 APP 生态体系为平台价值实现的关键工业 APP 创新能力与应用交付能力将是平台价值实现的关键，生态建设将成为下一阶段平 台产业发展的主线。“工业互联网平台+APP”为核心的工业互联网生态体系可类比于移动互联 网时代的“平台（iOS 或 Android）+APP”生态模式。因此，工业 APP 实际上可以理解为工业 软件。我国工业软件市场增速远超全球平均，潜在发展空间仍然巨大。2018 年全球工业软件产 品市场规模达到 3893 亿美元，较 2017 年增长 5.19%。2019 年全球工业软件产品收入已突破 4000 亿美元，经估算，到 2020 年全球工业软件行业市场规模将达 4332 亿美元。国内市场方面增速远远超过全球平均，2019 年，我国工业软件产品收入 1720 亿元，较 2018 年增长 16.45%。 2012-2019 年，我国工业软件产品收入年复合增长率为 20.34%。据中商产业研究院预测，2020 年，我国工业软件产品收入将突破 2000 亿元。按此口径计算，我国工业软件市场增速虽然快， 但全球市占率仅有约 6%，而同期我国工业生产总值占全球比重近 30%，潜在发展空间仍然巨大。工业软件是工业化长期进程的不可或缺的伴生物，没有丰富的工业技术积累，难以产出优 秀的工业软件。工业化水平走在世界前列的发达国家，如法国、德国、美国等工业强国，其工 业软件具有先发优势，21 世纪初，随着全球制造业转型升级，服务模式创新趋势演进，在国 内企业开始大量购买和应用国外软件产品的同时，国外软件厂商通过并购扩大规模。如法国达 索 CATIA 迅速形成集团研发模式，占领国内市场，而国内软件厂商因资金不足以及用户流失面 临着生存困难甚至倒闭的局面。目前，发达国家在全球率先建立了较为完整的工业体系，工业软件在为工业企业服务的同 时也不断完善改进，二者相互促进，孕育出了达索、西门子、SAP 等多家全球工业软件龙头企 业。而目前虽然我国尚处于工业化阶段，还没有完成工业化进程，但发展速度快，制造业升级需求迫切，仍为国内工业软件厂商的发展带来契机。总体而言，在外国市场，工业软件行业已基本形成巨头垄断的格局，如研发设计类软件领 域由达索、西门子、ANASYS、Synopsys 等龙头占据着技术和市场优势；在生产控制软件领域， 西门子、Honeywell、GE、ABB、Rockwell 占据龙头地位；信息管理类软件领域 SAP、Oracle 占 据主导地位。当前，我国工业软件市场长期被国外企业占据，但在研发设计领域，产生了部分 自研的工业软件产品；在生产制造类和经营管理类软件领域，国内厂商在部分细分领域已具有 行业竞争优势，但在高端领域仍渗透率较低。我国工业软件市场增速远超全球平均，潜在发展空间仍然巨大。建议从两条主线寻找投资 机会：一条是从发展“卡脖子”的核心技术角度，研发设计类软件是我国的短板，长期被国外 巨头垄断，国产品牌市占率极小，目前产生了部分有望突围的企业，如中望软件、华大九天、 芯愿景（拟上市）、山大华天和数码大方等。另一条是从制造业升级的角度，挖掘一些具有行 业竞争优势，有望受益于工业信息化持续渗透的公司，如中控技术、用友网络、鼎捷软件、柏楚电子等。七、应用侧之智能网联汽车：前景渐明，顺周期下迎来高成长期（一）产业架构与四大驱动因素从 2010 年以车载信息娱乐服务为核心的“车联网”概念的萌芽，到 2016 年以行车安全为 核心的智能网联技术路线的提出，再到 2017 年 LTE-V2X 标准的确定开启商业化进程，从 2020 年开始 5G逐步替代 LTE 实现更高级别的自动驾驶，至今，智能网联汽车产业经历了 10 年摸索， 以 V2X 为核心基础实现网联自动驾驶的产业路径逐渐清晰，产业前景渐明。智能网联汽车与智慧交通紧密相连，两者融合协同发展是未来的主要趋势。智能网联汽 车通过搭载先进的车载传感器、控制器、执行器等装置，融合现代通信与网络技术，实现车与 X（人、车、路、云等）智能信息交互、共享，具备复杂环境感知、智能决策、协同控制等功 能，可实现“安全、高效、舒适、节能”行驶，进而使汽车成为智能交通网络系统中重要的功 能结点，从而构建“人-车-路-云”协同的智能交通体系。智能网联汽车产业的跨行业、跨领 域属性突出，涉及汽车、电子、信息通信、交通等多个产业及交通、交管等多个主管部门，因 此产业架构复杂，需要多方协同推进。C-V2X、高精度地图、自动驾驶技术、政策协同是智能网联汽车产业发展的四大驱动因素。1、C-V2X：在 V2X 系统中主要有短距离直接通信的传输模式（V2V，V2I，V2P）和基于网络的 远程通信（V2N），V2X 的概念也随之扩展为对增强的高级驾驶辅助系统（ADAS）的协同控制， 使得车辆之间可以分享感知信息，从而最终 V2X 将发展为协作式自动驾驶（CAD）。车路协同 市场的发展需要依靠路侧设施先行，当路侧设施普及率达到一定程度，V2X 车载终端装车成本 会进一步降低，普及率将逐渐提高，智能交通网络搭建成功，再依托边缘计算、云控平台等技 术，从而进一步提高城市和道路的运转效率。车路协同得到发展，L4/L5 级自动驾驶才有可能 实现。所以 C-V2X 是核心。2、高精度地图：不同级别的自动驾驶对地图有不同的内容和精度 要求，对高级别自动驾驶 L4 和无人自动驾驶 L5，高精度地图是必备项。3、自动驾驶技术： 包括计算平台、ADAS、高端传感器、新型汽车电子、车载操作系统等等。4、政策协同：智能网联汽车的跨行业、跨领域属性突出，涉及汽车、电子、信息通信、交通等多个产业及交通、 交管等多个主管部门，在政策、专项研究、法律法规、标准、试验测试等工作方面均需要协同 推进。四个因素密不可分，缺一不可，共同推动智能网联汽车产业发展。最核心的驱动因素是 V2X，这是车与道路、车、人进行信息交换的基础设施建设的统称，包括车载终端、路侧设施、 通信协议、路侧与交通、交管等监管部门的接口规范等等。基于 V2X 建设达到一定程度，再结 合高精度地图、车辆自动驾驶技术的辅助及各监管部门政策的完备这 3 个驱动因素，车-路人协同的智能驾驶才能实现，这是产业的发展路径，四个因素缺一不可，通过跟踪四个驱动因 素的发展情况可以获知产业现状。（二）C-V2X 产业化部署处于导入期我国 C-V2X 工作组给出了产业化路径及时间表：2019-2021 年为 C-V2X 产业化部署导入 期，我国正在积极开展车路协同测试示范。在这一阶段，C-V2X 通信设备、安全保障、数据平 台、测试认证方面可基本满足 C-V2X 产业化初期部署需求。同时，在国家和联网示范区、先 导区及部分特定园区部署路侧设施，形成示范应用，车企逐步在新车前装 C-V2X 设备，鼓励 后装 C-V2X 设备，车、路部署相辅相成，形成良性循环，C-V2X 生态环境逐步建立，探索商业 化运营模式。V2X 是车与道路、车、人进行信息交换的基础设施建设的统称，下面将介绍其中 V2X 车载 终端、路侧设施环节的发展情况及竞争格局。（三）自动驾驶：L3 接近量产，L4 处于研发和小规模测试阶段乘用车及商用车的 L3 级自动驾驶系统已接近量产，L4 级自动驾驶系统处于研发和小规模 测试阶段。主流车厂目前都给出了量产的 L2.5 的时间表，基本上集中在 2022 年前后。2018 年奥迪曾宣布推出量产 L3 级自动驾驶车型奥迪 A8，这是世界范围内第一台宣布量产的 L3 级 自动驾驶汽车。2019 年国内品牌上汽集团、广汽集团均推出了 L3 车型，2020 年长安汽车也已 推出 L3 车型。国内主流客车企业在自动驾驶方面走在前列的以宇通、厦门金龙、中车、中通、 厦门金旅等为主要代表，卡车以东风商用车、一汽解放、重汽等为主要代表。自动驾驶技术发展水平及难点：自动驾驶技术按运行步骤可分为环境感知层、规划决策层和控制执行层。自动驾驶通过装配在车上的传感器设备感知汽车周围的驾驶环境，结合导航的高精度地图等地图数据，进行 快速的运算和分析，不断模拟和深度学习潜在的路况环境并作出判断，进一步借助算法规划汽 车最理想或最合适的行驶路线及方式，再通过芯片反馈给控制系统进行刹车、方向盘控制等实 际操作。下面表格介绍环境感知层、规划决策层和控制执行层的技术发展水平及难点、主要参与者。自动驾驶软件和算法领域的领先参与者：在自动驾驶软件技术和算法服务中，市场发展潜力巨大。车企、互联网科技公司和初创公 司等纷纷开展相关的研发。国外以美国的 Waymo 和以色列的 mobileye 为主。国内参与的互联 网公司包括百度、阿里、腾讯、滴滴和华为。智能汽车公司包括 ponyai、小鹏汽车、理想汽 车、威马汽车、蔚来、Auto X 等。初创和科技公司中研发软件服务和核心算法的包括地平线、 Momenta、驭势科技、环宇智行、纵目科技、东软集团、图森未来、Plus Ai、商汤科技、虹软 科技等。地平线是目前中国唯一一家实现车规级 AI 芯片量产前装的公司；Momenta 作为国内 知名的自动驾驶算法提供商，在自动驾驶算法、高精度地图、ADAS 等细分方向都具有较强的 研发实力；驭势科技在业务上已形成可规模化部署的 L3-L4 级智能驾驶系统，并已在多种商业 场景中率先落地，在行业居于领先地位。除了初创科技公司和互联网巨头，国内整车企业也在 建设研发团队，包括上汽、广汽、一汽、长城、长安、吉利、比亚迪和其他车企，并与互联网 和科技公司进行合作发展。智能网联汽车的市场空间：中国汽车工程学会预测，2025 年、2030 年我国销售新车联网比率将分别达到 80%、100%， 联网汽车销售规模将分别达到 2800 万辆、3800 万辆。预测到 2025 年 L1/L2 联网汽车占比 55%， L3 联网汽车占比 20%，L4/L5 联网汽车占比 5%。根据市场研究机构 Marketsandmarkets 预测， 全球智能网联汽车市场规模在 2027 年将达到 2,127 亿美元，2019-2027 的年复合增长率将达 到 22.3%。（四）政策：给出明确目标《智能网联汽车技术路线图 2.0》已发布，相比 1.0 给出了延伸至 2035 年的发展目标。 在自动驾驶方面，目标 L2、L3 级自动驾驶在 2025 年新车销量占比中达到 50%，2030 年占比到 70%。而 L4 级自动驾驶，2025 年在“高速公路、专用车道、停车场、园区、港口、矿区”等 特定场景和限定区域商业化应用，在 2030 年新车占比 20%，在高速公路广泛应用，在城市道 路实现规模化应用。2035 年以后，L5 级无人驾驶乘用车开始应用。V2X 方面，目标 2025 年 C-V2X 终端的新车装配率达到 50%，2030 年基本普及。总体来说我国智能网联汽车产业进程走在世界前列，得到政策大力支持。参照技术路线 2.0，预计 2025 年之前 L2、L3 级自动驾驶商用车型有望放量，相应的 C-V2X 终端模块及路侧 设施建设也将跟进。可以围绕 C-V2X、高精度地图、自动驾驶等产业链环节，以及智 能网联汽车催生的需求场景（如智能座舱等）挖掘投资机会，相关公司有道通科技、虹软科技、 中科创达、万集科技、千方科技、鸿泉物联、四维图新等。……（报告观点属于原作者，仅供参考。报告来源/作者：银河证券，吴砚靖、邹文倩）如需完整报告请登录【未来智库官网】。

中商情报网讯：计算机视觉是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取“信息”的人工智能系统。2018年中国计算机视觉市场规模突破100亿元。预计2019年中国计算机视觉市场规模将进一步扩大，达到300亿元。《2019年中国计算机视觉行业市场前景研究报告》主要围绕计算机视觉行业概况；计算机视觉市场分析；计算机视觉市场促进因素；重点企业分析；计算机视觉市场行业发展前景等五个章节展开，通过对当前的计算机视觉行业进行分析，总结计算机视觉行业发展现状，从而预提出当前行业的发展前景。 PART1计算机视觉行业概况计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息。计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，深度学习在计算机视觉、语音识别和自然语言处理等领域有成功的应用。 PART2计算机视觉市场分析近年来中国人工智能产业发展迅速。从市场规模来看，自2015年开始，中国人工智能市场规模逐年攀升。2017年中国人工智能市场规模将达到152.1亿元，增长率达到51.2%。随着人工智能技术的逐渐成熟，科技、制造业等业界巨头布局的深入，应用场景不断扩展，2018年中国人工智能市场规模约为238.2亿元，增长率达到56.6%。 PART3计算机视觉市场促进因素随着提高预测精度，降低数据标注成本的不断发展，计算机视觉能够识别信息的种类从最初的文字信息，到人脸，人的体态识别，以及各种不同的物体。识别精度也从最初的1：1对比，到1：N比对，以及M：N的动态监控。除了提高算法精度以外，提高数据标注的效率也是计算机视觉公司重要的课题之一。国外互联网公司推出自动标注系统，例如谷歌的AutoML和微软的Cognitive Services。商汤科技、扩博智能等AI公司也通过运用半监督学习、迁移学习、主动学习等技术，提高数据标注的自动化程度，达到提高效率，降低成本的目的。 PART4重点企业分析商汤科技成立于2014年11月，是中国一家计算机视觉和深度学习原创技术的创新型科技公司，也是一家知名独角兽企业，致力于引领人工智能核心“深度学习”的技术突破，构建人工智能、大数据分析行业解决方案。目前，商汤科技已与国内外700多家世界知名的企业和机构建立合作，包括美国麻省理工学院、高通、英伟达、本田、SNOW、阿里巴巴、苏宁、中国移动、OPPO、vivo、小米、微博、万科、融创等。 PART5计算机视觉行业发展前景随着人们对生活安全及生产效率需求的提升，凭借着计算机视觉应用场景的广泛性，计算机视觉有望发展成为下一个智能时代的标配。计算机视觉行业发展前景觉得其具有高成长性特点，未来将涌现更多人工智能领域优秀企业。但行业发展同时伴随高风险性，行业竞争需要比拼企业技术算法能力、资金能力以及人才资源，同时考验企业能否实现技术迅速落地，对企业综合实力要求高，综合实力不具备优势的企业在行业内将难以生存。《2019年中国计算机视觉行业市场前景研究报告》全局研究了当前计算机视觉的发展概况，为产业未来的发展提供了可行性思路。中商产业研究院在对整个行业把控的前提下，关注计算机视觉行业现状和未来发展趋势，从市场现状和重点企业进行剖析。

2017年下半年，数家计算机视觉公司单笔融资上亿美元，再次将计算机视觉推向人工智能领域最受关注的方向之一。本报告聚焦于计算机视觉技术现阶段在工业界的应用与研发，将在对相关技术热点及产业整体做概述性介绍的基础上，对典型应用的具体使用场景分领域论述，希望理清现状，写明征途，供产业界、投资界、政策制定者及关注人工智能领域的社会各界以参考。因报告研究对象以技术层创业公司为主，偏颇遗漏之处，敬请指正。 报告核心观点： 1. 深度学习主要提升的是计算机视觉领域分类任务的准确率；开源环境仅降低计算机视觉领域的入门技术门槛，前沿算法的技术壁垒依然存在；计算机视觉比赛成绩、论文成果不直接代表技术团队解决实际业务问题的能力。2. 2017年中国计算机视觉规模预期为40亿，凭借安防领域的爆发性增长，预期2020年将增长至725亿。3. 前端嵌入式智能系统的渗透率将逐步提升，与后端协同智能计算，加速产业智能升级。4. 算法迭代将不断提升限定场景识别准确率，加速渗透为各行业应用赋能。5. 前沿算法之外，计算机视觉公司的商业壁垒有赖于产品、服务、市场等综合建设。 一、计算机视觉技术概述 计算机视觉横跨感知与认知智能，现阶段应用以感知为主 视觉使人类得以感知和理解周边的世界，人的大脑皮层大约有70%的活动在处理视觉相关信息。计算机视觉即通过电子化的方式来感知和理解影像，以达到甚至超越人类视觉智能的效果。从1966年学科建立（MIT：The SummerVision Project）至今，尽管计算机视觉在感知与认知智能方向仍有大量难以解决、尚待探索的问题，但得益于深度学习算法的成熟应用（2012年，采用深度学习架构的AlexNet模型，以超越第二名10个百分点的成绩在ImageNet竞赛中夺冠），侧重于感知智能的图像分类技术在工业界逐步实现商用价值，助力金融、安防、互联网、手机、医疗、工业等领域智能升级。 现阶段有较好商业化进展的主要为语义感知中的分类任务 与人类实时选择性处理视觉信息不同（如人在驾驶时不需在意公路边草地的纹理或形状，也不用知道每辆车的确切形状），计算机仍难以从实际需求出发自主选择性输入并计算影像信息，通常需要人类对具体任务进行分解并使用与之匹配的计算方法，建立完整理想的智能视觉系统仍有很大挑战。另外，与可结合常识做猜想和推理进而辅助识别的人类智能系统相比，现阶段的视觉技术往往仅能利用影像表层信息，缺乏常识以及对事物功能、因果、动机等深层信息的认知把握。 数据与算力是深度学习的重要支撑 开源环境仅降低计算机视觉领域的入门技术门槛 工业界和学术界先后推出了用于深度学习模型训练的开源工具和框架，包括Caffe、Theano、Torch、MXNet、TensorFlow、PaddlePaddle、CNTK等等，极大降低了人工智能技术在工业实践中的入门门槛。尽管不同框架各有所长，但它们并不能真正满足企业在处理实际复杂业务时所面对的挑战，性能、显存支持、生态系统完善性、使用效率等不同层面的不足要求企业需要针对性的调整框架以适合自身业务所需。而在数据处理、计算集群管理、网络设计、应用端性能优化等若干重要环节都存在各种各样非开源技术或已成熟方案所能解决，极度依赖相关技术专家去探索求解的重要问题。对于前沿算法的突破创新以及算法在不同使用环境中的优化升级，不同公司的技术高低差异依然很大。 计算机视觉比赛的意义在于推动算法思想的进步 2007年由李飞飞教授发起的ImageNet计划将人工智能领域的影像数据推向了前所未有的规模，至今已有1400万张经过人工清洗标注的图片，含有2万个分类，为计算机视觉领域做出巨大贡献。自2010年每年一度的ImageNet物体识别竞赛（对1000类接近50万张图片的单标签识别），更是成为了计算机视觉领域最受关注的比赛。2017年，ImageNet举行了最后一届图像分类竞赛，Top 5的错误率降至2.25%（大幅领先人眼），该竞赛完成了历史使命，而更多的关于图像语义分割（像素级的分类问题）、1:N人脸识别、图像及视频理解（看图写话）方向的数据集与比赛将逐步登上舞台，推动更多领域更贴近真实世界场景的算法革新。 二、计算机视觉行业概况 计算机视觉行业图谱 中国计算机视觉行业市场规模 2016年下半年，1：N人脸识别、视频结构化等计算机视觉相关技术在安防领域的实战场景中突破工业化红线，敲响了计算机视觉行业市场大规模爆发的前奏。伴随人脸识别、物体识别等分类、分割算法不算提升精度，在2017年占比较高的安防、视频广告、泛金融、手机及互联网娱乐领域之外，医疗影像、工业制造、批发零售等现阶段的创新领域也将逐步解锁，成为行业整体快速发展的重要支撑。 前端智能的渗透率将逐步提升，与后端协同智能计算 伴随AI专用芯片及嵌入式感知系统的成熟研发，前端设备即可完成相对基础的视觉感知，并将识别、分类的结果实时应用，实现前端智能。对于需要大量计算、存储资源，利用多维度数据关联分析的诸多场景，后端服务器计算依然是当前主流。前端智能的渗透率将逐步提升，与后端智能协同加速产业升级，不仅可满足特定场景对实时性、隐私性的要求，还可在前端成像（千万像素、千帧/秒）提供越来越多数据信息的背景下，让前端智能选择预处理过的结构化的高质量数据及分析结果传输至后端，减少因带宽压力过大导致的丢包、压缩所引起的信息丢失或误差，提升智能分析的准确性。前端智能系统的功耗、稳定性、存储空间、数据及系统更新的网络传输等诸多重要问题仍有待解决，现阶段主要通过压缩算法模型、挖掘硬件潜力以及在压缩模型的同时针对现有芯片进行优化的方式来解决功耗有限、运算能力低的问题。 三、计算机视觉的应用场景 1、安防影像分析领域 主要应用场景之人脸识别 对道路卡口、车站、地铁站、机场等地方的监控视频进行智能分析，检测出动态视频中的人脸与黑名单库中的影像记录做实时比对，比对成功则立即报警推送给警务人员处置。 主要应用场景之视频结构化 2012年南京“1．6”案件发生后，南京警方从全市1万多个摄像头共提取了近2000T的视频数据，调动1500多名公安干警查阅搜索视频线索，共耗时一个多月。海量视频的有效利用存在巨大挑战，完全依靠人工费时费力，而安防影像智能分析则可有效缓解这一问题。视频结构化可针对已经生成的海量视频内容进行自动化处理，提供行人、机动车、非机动车等关键目标的监测、跟踪、属性分析，辅以以图搜图等检索功能，让案件侦办和治安布控更加智能便捷。 安防行业的千亿市场为视觉智能改造提供充分空间 2016年中国安防行业总产值为5410亿，占据2016年中国GDP的7‰，其中1900亿属于安防产品产值。从产品结构角度，安防产品可划分为视频监控、防盗报警、出入口控制等，安防影像的智能分析属于视频监控产品的升级改造，是各地区平安城市项目建设中的重要组成。2011年至2016年中国安防市场连续5年保持2位数增长，结合国家政府对建设更高水平的平安中国、进一步提升人民安全性的要求，未来中国的安防市场依然会保持稳定增长，对人工智能、计算机视觉技术的升级改造也提出了更高的期待。 智能安防相关产业链条分析 计算机视觉技术供应商在提供智能安防影像分析的时候，可能面对监控设备及平台软件厂商、集成商、公安等三大类客户。在最终的使用者公安以外，其他三类参与者关系复杂，各自的业务定位都在发展变化，合作间有竞争。 2、泛金融身份认证领域 主要应用场景及相关影像采集设备 与安防影像分析中人脸的“1:N”识别不同，目前泛金融领域以人脸“1:1”身份认证为主，部分场景涉及“1:N”识别，如银行网点中对VIP客户的智能识别。 刷脸认证的优势与功效 3、手机及互联网娱乐领域 为消费级产品带来全新智能体验 计算机视觉技术的成熟进步为同质化的手机产品及互联网娱乐应用带来了新的活力。2017年诸多国内外手机厂商推出了具有刷脸解锁的旗舰机型，而手机与影像相关的拍照优化、相册分类、编辑处理等也于近几年得以智能升级。人脸识别、特征点定位以及场景识别、物体识别等技术也丰富了直播、短视频等互联网应用的娱乐性，同时为影像内容的智能审核及分类做出贡献。 4、商品识别领域 拓宽信息边界，连接人与商品 键入关键词，搜索引擎可连接人与信息，大幅提升人类获取信息、搜集知识的效率，为世界创造巨大价值。计算机视觉则将信息的边界再度拓宽，缩短设计、原料采购、生产制造、线上与线下零售等各个环节的人与商品的距离，为商品供应链带来效能提升。 5、工业制造领域 产品质检及3D分拣 伴随年轻人从事重复性体力劳动的意愿降低，相关领域的劳动力成本极速上升，工厂对智能自动化设备的需求日益凸显，为计算机视觉技术在工业制造领域的研发落地提供了市场基础。产品（尤其3C产品）质检是现有视觉技术有望在未来3-5年在工业制造领域大规模落地的应用场景，目前产品质检依然依靠大量人力做肉眼判断，效率低、成本高、漏检误检严重，而深度学习算法可支持多种缺陷类型，增量学习也能不断提升产品适用性。另外，工业场景中存在大量的冲压件、组合件等不规则物体，不规则物体的分拣（无序抓取并有序放置，涉及物体识别、姿态估计、尺寸测量、运动规划等）需借助3D视觉技术，即使技术相对领先的国外产商相关产品也不足够成熟，出现问题难以即时相应（往往邮件沟通，售后服务难以保障），给予目前尚处于产品研发测试阶段的国内新兴厂商反超机会。 6、广告营销领域 智能挖掘影像内容广告位，构建新型营销模式 计算机视觉技术可在长视频、短视频等点播平台、直播平台以及利用手机摄像头的AR应用中，为广告主提供多种形式的互动化、与内容强相关的场景广告。 7、医疗影像分析领域 智能医疗影像分析对病种的要求及重要指标 相比计算机视觉在其他领域的数据标注工作，医疗影像的标注门槛较高，需由专业医师标注，而且非典型病例的标注意见较难统一。标注工作之外，医疗影像分析对数字化程度、数据量、临床路径、对应检测量都有着苛刻的要求，不同病种的情况不同，难以一概而论。另外，对具体系统分析能力的考核，不能仅依据简单的准确率，特异性与敏感性是最基本的两个指标。 8、自动驾驶领域 自动驾驶技术剖析 自动驾驶系统主要涉及传感器融合、感知、高精地图、定位、规划及控制等若干技术环节，以解决“我在哪儿，周围有什么，环境将发生什么变化以及我该怎么做“等四个问题，计算机视觉则在环境感知（周围有什么）与地图绘制（我在哪儿）中发挥重要作用。 从起步到落地，自动驾驶仍需经历长期测试 自动驾驶汽车主要由车辆本身、内部硬件（传感器、计算机等）以及用于做出驾驶决策的自动驾驶软件等三个子系统组成。车辆本身需由OEM认证；内部硬件也需在各种极端条件下充分测试其稳定性，达到车规级要求；自动驾驶软件方面，相关系统需经过百亿甚至千亿公里以上的测试来充分验证其安全性（人类司机平均每1亿公里发生致命事故1~3起，自动驾驶技术要想大规模落地应用，必须优于人类司机的安全性）。与此同时，大规模路测也是收集相关场景数据以便改进感知、决策等智能技术的必要手段。然而，100万辆10万公里总里程/年的车辆行驶1年才能达到千亿公里的数据量级（Waymo在过去8年积累350万英里以上的自动驾驶数据），仿真环境下的虚拟路测（如今每天有多达25000辆虚拟的Waymo无人车在模拟器中驾驶高达八百万英里的里程）与不涉及实际控制的影子模式可作为常规测试的补充，有效降低路测成本。 自动驾驶，起步于限定场景 数据驱动的感知及决策算法难以应对开放、动态的环境的千变万化，自动驾驶车辆如何理解人类意图、如何与人工驾驶车辆的司机沟通交互也面对巨大挑战。在清晰简单的限定场景中，规则易总结，数据易收集，相关算法就越容易达到安全性要求。因此，相比开放环境下大众乘车出行的一般场景，自动驾驶技术将先在高速货运、低速摆渡、特定生产等场景落地应用。大众出行领域，自动驾驶也会逐步在特定速度限制下（时速60公里内的L3级自动驾驶汽车已有量产），停车场，乃至高速或环线等相对简单的封闭道路中替代人类驾驶。另外在自动驾驶实现以前，视觉监控系统也可对车内驾驶员进行疲劳检测、注意力检测和手势识别等，为L3级自动驾驶人机控制权的交接提供支撑，兼顾安全、驾驶辅助和车内互动娱乐。 智能出行公司为大众带来无人驾驶出行体验 美国交通部和美国高速公路安全管理局（ NHTSA）在今年9月份发布《自动驾驶制度方针 2.0》，预计将在2025之后实现全面自动的安全功能以及高速公路的自动驾驶。国内科技公司相对乐观，纷纷发声将在2021年前后实现仅在特殊情况需人类介入的L4级自动驾驶乘用车的量产。考虑到现有算法技术的能力边界，2021年其实难以实现通用场景的L4级自动驾驶，小概率的意外缺陷都有可能引发致命事故，但2021年成为创业者标杆的时候，它将促进“预言的自我实现”，技术的突破性进展及不断拓宽的行驶场景依然值得期待。自动驾驶的到来需要在汽车中装配大量的软硬件设备，共享出行可减轻自动驾驶在推进消费市场时的阻碍，由出行服务商评测系统安全性，承担并消化成本。智能化与共享化是汽车产业生态的重要发展趋势，车企、科技公司、出行服务商间（三方均已布局自动驾驶研发）的合作结盟也会愈发频繁，智能出行公司随之诞生。 四、计算机视觉行业发展趋势 不断提升限定场景识别准确率，优化性能渗透更多行业应用 虽然终极愿景道阻且长，但分类任务的日益精准已解锁并将不断解锁更多场景应用。如同过去5年计算机视觉技术在人脸识别上的不断突破，误报率从2015年的千分之一提升至2017年的十亿分之一（在通过率为90%的情况下），商业服务、城市安全、大众娱乐等诸多场景均体会到不同层次的智能升级，商品、道路环境、医疗影像、遥感影像等更多对象的识别、分类问题也将会逐步突破工业化红线，从仅做辅助补充的非关键性应用拓展到切实提升核心业务效率的关键性应用。各行各业的创新型智能应用将纷至沓来，而人脸识别的性能亦将继续攀升，追求百亿、千亿规模上的可行性。 前沿算法之外，商业壁垒有赖于产品、服务、市场等综合建设 对于更为广泛的传统行业或线下使用场景的潜在客户，计算机视觉的技术落地往往涉及对具体业务场景的硬件设备改造、软件集成以及本地计算设施的部署，算法、技术的实际功效更需要建立在对客户真实业务场景的深层理解之上的针对性开发。不断增长的市场需求要求更加全面、及时的售前、售中、售后服务，而在对视觉技术能够达到的有效帮助缺乏足够认知或部分暂时缺乏科学完善的评测标准或技术相对同化的业务场景，市场销售的重要性尤为凸显。既要注重前沿算法研发，又要注意现阶段商业落地与市场拓展，这些都为以高新技术人才为主的计算机视觉公司提出了更为综合的挑战。

一、 行情回顾1.1 计算机行业上市公司业绩逐步恢复计算机行业上市公司一季度业绩承压，二、三季度逐步恢复。受新冠疫情影响，行业上市公司 2020 年一季度业绩下滑较为明显，营收合计和归母净利润合计均呈现下降态势。其中营收合计同比下降 13.2%，归母净利润合计同比下降 122.8%（同比由盈转亏）。自二季度起，随着复工复产的推进， 行业上市公司业绩开始逐步恢复。其中，二季度营收合计和归母净利润合计分别同比增长 13.6%、 1.1%，三季度营收合计和归母净利润合计分别同比增长 5.6%、-4.2%。1.2 计算机行业行情呈现三次大幅震荡，行业指数位列第 17 位行情呈现三次上行和三次下行的震荡态势。年初以来，行业行情呈现较大幅度震荡，在市场情绪、 流动性边际变化和行业上市公司业绩基本面等因素的多重影响下，今年以来的计算机行业行情呈现 了三次上行和三次下行的区间，目前处于第三次下行区间中。我们判断，随着年底行业上市公司订 单和收入的集中确认，行业上市公司基本面将进一步恢复，行情有望向好。行业指数年累计涨幅跑输沪深 300，位列第 17位。截至到 2020年 12月 14日，申万计算机指数上 涨了 9.94%，跑输沪深 300指数 10.52个百分点，在 28个申万一级行业中排名第 17位，排名靠后。 分板块看，虽然行业指数表现一般，但云计算、金融科技、网络安全、智能汽车等都有不错表现， 广联达、用友网络、恒生电子、安恒信息、中科创达等龙头标的年初以来的累计涨幅都在 50%以上。1.3 估值高于历史中位数水平，数字经济大潮带来机会当前，计算机行业估值高于历史中位数水平。根据我们的统计，2015年以来，申万计算机行业历史 市盈率（TTM 整体法，提出负值）中位数为 53.55。计算机行业当前市盈率（TTM 整体法，剔除负 值）为 61.82，当前市盈率水平在历史市盈率中位数水平之上。展望明年，在新基建启动以及加快发展数字经济的背景下，计算机行业将再次成为市场热点。产业 数字化转型将为计算机行业带来广阔的发展空间。其中，第二产业与数字化的融合将大有作为，工 业软件、智能汽车、建筑数字化等领域的确定性更高。二、 转型：数字经济来袭，信息技术将为传统行业深度赋能2.1 数字经济已经成为全球经济增长的新动能，多国将其提升为国家战略数字经济是利用数字化的信息技术重构经济发展、政府治理模式的一种新型经济形态。数字经济的 核心包括四个部分，分别为数字产业化、产业数字化、数字化治理以及数据价值化，而且其外延还 在不断的扩展。从当前来看，数字产业化和产业数字化是其最主要的两部分，也是产值最为集中的 领域，而数字化治理和数据价值化近年来关注度持续提升。数字经济是全球经济增长的重要支撑，尤其是在经济增速下行以及新冠疫情蔓延的大背景下更是获 得了逆势发展。2019 年，全球数字经济增速达到 5.4%，较同期全球经济增速高 3.1 个百分点，占 全球经济的比重为 41.5%。2020年以来，全球疫情蔓延，远程办公、电子商务、互联网教育、互联 网音视频、网络游戏等线上经济火爆，数字经济成为全球经济发展中为数不多的亮点。数字经济也是各大国竞逐的关键领域，竞争激烈异常，以中美贸易战触发出来的科技战表现最为明 显。美国通过长臂管辖手段，对中兴、华为进行制裁，后续以国家安全、人权等为由将我国大量科 研机构、高校、科技企业列入限制性清单，不但要破坏我国数字产业发展的基础，同时也要掐断产 业数字化的“枝蔓”。除了中美之外，数字产业关键技术武器化的趋势也在蔓延。2019 年，韩日之 间因为政治议题相互制裁，日本曾经对出口韩国的若干电子材料进行管制，对韩国整个芯片产业造 成很大影响，曾经一度健壮的全球产业链正在遭受严重侵蚀。除了各国在数字经济领域的短期“战术”博弈外，部分发达国家和地区在战略层面的布局已经较为 完善，而且近期升级更新频密。美国、欧盟、英国、德国等发达国家和地区自 2018年前后就密集出 台了数字经济相关战略，以图增强本国科技和经济竞争力，保持自身科技创新领域的优势地位。以 美国为例，2018 年就出台了《数据科学战略计划》、《美国国家网络战略》等战略规划，2019 年 6 月白宫更新发布了《国家人工智能研究发展战略计划》，指导相关领域的研发和投资。此外，德国也 对其数字经济战略进行了更新，在最新修订版的《人工智能战略》中，就将其对人工智能未来五年 的投资从 30 亿欧元提高到 50 亿欧元。2.2 国内数字经济渗透率稳步提升，产业数字化表现出积极发展势头国内数字经济发展较为顺利，占国民经济的比重在持续提升。近年来，国内“云物移大智”产业快 速发展且应用广泛，数字产业化和产业数字化进程都明显加快。2019年，我国数字经济规模为 35.84 万亿元，占 GDP 的比重为 36.2%，占比持续上升。其中，产业数字化表现尤为亮眼。近年来，通信、计算机等技术快速升级和迭代，国家通过网络强 国战略、“互联网+”等政策持续鼓励行业数字化发展，电子商务、智能制造等数字化应用得到持续 推进，产业数字化产业规模快速扩大。2019年，国内产业数字化规模达到 28.75万亿元，同比增长 15.56%，占数字经济的比重为 80.2%，该比重与发达国家基本持平。国内数字经济在结构上呈现出良性互动态势，持续改善。数字经济呈现典型的“倒金字塔”结构， 上层是庞大的 IT应用产业，中间层是整机，而下层是基础软硬件及电子加工设备。上层主要是产业 数字化的产物，而中间层和下层是数字产业化的主要构成部分。在这个结构中，越往下层，就越基 础，规模经济越差，而且发展难度大、风险高、市场参与者也更少。在国内数字经济发展早期，数 字产业各层次之间的互动相对割裂，尤其是底层的支撑能力较为薄弱，但近些年正在改变。尤其是在移动互联网兴起以来，国内终端和应用产业发展迅速，不但成就了自身，也为整个 IT产业 提供了较为丰厚的资金和场景的积累，为数字产业基础的进一步夯实创造了条件。以前，行业被忽 略的基础软硬件部分，重视程度开始被提升，尤其是中美贸易战，更是将该领域的重要性显著放大。 很多做应用和终端的企业，开始围绕国产基础软硬件进行设计、开发和适配，甚至直接进行投资， 产业数字化和数字产业化的互动更为频密。我们预计，通过全产业链的努力，基础软硬件这块硬骨 头有希望通过信创工程等措施啃下来，国内数字经济的“中国元素”比重将会持续上升。具体到三次产业，服务业是数字化最为活跃的领域，渗透率大幅领先于第二产业和第一产业。按照 信通院的统计，2019年，我国第一、第二和第三产业数字化规模占行业增加值的比重分别为 8.2%、 19.5%和 37.8%，渗透率较上年同期分别上升 0.90 个、1.20 个和 1.90 个百分点。第三产业服务业 先天就具有产业数字化的潜质，其物理资产较轻，哑终端少，便于数字化改造，而且很多企业还都 是在 PC 互联网和移动互联网时代发展起来的，数字化水平本来就高。服务业中，数字产业渗透率 最高的包括保险、广播影视制作、银行及证券、公共服务、邮政、教育以及租赁等。第二产业数字 化水平整体较低，且数字化水平参差不齐，子行业之间差距大。横向对比来看，我国同美国类似，是典型的服务业数字化水平明显高于第一、第二产业的国家；而 英国、德国则相对均衡，三次产业的数字化水平均较高；韩国、新西兰等则属于工业数字化水平明 显高于其他产业的国家。通过比较，可以明显发现，我国在三次产业数字化还处于早期，未来发展 需要更为均衡，尤其是较为薄弱的工业数字化方面需要着重发力。2.3 国内数字化转型条件初步具备，“十四五”数字经济渗透率将再上台阶相比美、德、日、韩等国家，我国数字经济渗透率依然不高。据信通院数据显示，2019 年，德国、 英国、美国数字经济占 GDP 比重达到 63.4%、62.3%和 61.0%，韩国、日本、爱尔兰等国家数字经 济占 GDP 的比重也超过 40%。国内数字经济占 GDP 的比重同上述国家相比，还有较大提升空间， 预计到 2025 年国内该比重将超过 50%，差距将显著缩小。其中，数字产业化和产业数字化均有较 大发展潜力，但是产业数字化预计将有着更为广阔的空间。现代信息体系正在优化提升，国内数字经济发展基础逐步夯实我国 ICT基础能力提升表现在几个方面：1）通信基础设施持续完善，固网宽带基础设施进入千兆时 代，5G 商用已经一年，基站建设已成规模，企业外网和内网质量均在提升；2）基础软硬件生态加 速发展，处理器芯片、操作系统进入生态构建阶段；3）人工智能技术深化融合应用，面向视觉、语 音、自然语言处理等领域的人工智能芯片、深度学习算法等关键技术加快迭代创新；4）大数据及工 业互联网产业应用提速，工业互联网标识、平台和工业 APP 数量都达到较大规模。数字经济政策加持企业数字化升级需求，数字化转型动力十足我国较早就将数字经济上升为国家战略，将其作为中长期经济社会发展的主要动力，“十四五”战略 关注度进一步提升。中共中央“十四五”纲要的建议中就指出，坚定不移建设数字中国，加快发展 数字经济，并提出推进数字产业化和产业数字化等措施。相关部门也在积极推动国内经济、社会数字化进程。“十九大”以来，各部门都在持续推进数字中国 战略。2020年，国家发改委、中央网信办等 13部委联合发布《关于支持新业态新模式健康发展 激 活消费市场带动扩大就业的意见》，该文件明确指出，从线上公共服务和消费模式、生产领域数字化 转型、新型就业形态、共享经济新业态等 4个方面，为 15种数字经济新模式新业态提供政策支持。 工信部相关司局也在近期指出，在“十四五”期间要加强数字基础设施建设，继续加快推动数字经 济的高质量发展，持续推动数字产业化、产业数字化，继续优化发展环境，推进更高水平的开放合 作。8 月 21 日，国资委印发《关于加快推进国有企业数字化转型工作的通知》，该通知就推动国有 企业数字化转型做出了全面部署，并明确提出，要打造四类企业标杆：一是制造类企业示范样板， 二是能源类企业示范样板，三是建筑类企业示范样板，四是服务类企业示范样板。除了政策引导之外，企业自身也开始向数字化要效益，疫情加速这一进程。数字化可以实现人与人、 人与物、物与物的广泛和高效连接。从企业角度讲，一方面必须适应信息技术创新大潮，落后可能 就会被淘汰；另一方面，企业也需要应用数字化技术，对流程进行优化改造，降本增效。2020年的 疫情限制了社交距离和出行，在线经济快速被市场接受，云计算、大数据、在线办公等数字化工具 应用明显提升。即使在国内疫情得到控制之后，政府和企业在相关领域的投入意愿依然较高，相关 的应用创新还在加快。其中，阿里巴巴的犀牛智造就是数字化应用的典型，通过数字化技术实现柔 性大规模定制。三、 明珠：产业升级转型迫切，工业和建筑业均蕴藏着巨 大数字化机遇3.1 工业和建筑业数字化潜力大，是未来最大的蓝海市场如前所述，我国工业和建筑业产业规模虽然庞大，但数字化整体水平较低，各子行业数字化水平也 是参差不齐，未来潜力巨大。一方面，国家持续在鼓励“云物移大智”等技术在工业和建筑业中应 用，不断通过产业政策予以支持；另一方面，面对着国内快速增长的工业及建筑领域的数字化需求， 从数字化生命周期的各个环节都产生了较大影响力的企业，包括大数据平台、工业互联网、工业软 件、建筑行业数字化平台、智能汽车等，引领示范效果正在显现。展望 2020年，我们认为工业软件、智能汽车、建筑数字化方案等方面蕴藏着更多的机会。工业软件 是我国工业和建筑行业信息化最大的短板之一，包括 CAD（计算机辅助设计）、EDA（电子设计自 动化）、数学软件等，国产化替代空间大；智能汽车将是国内汽车产业的重要趋势，其中智能网联、 自动驾驶方向将带动更多第三方软件和服务需求；建筑领域如造价、施工以及建筑物管理等数字化 转型空间也较大。3.2 工业软件：工业数字化转型的重要工具，是智能制造的基础国内工业软件整体发展相对滞后，某些关键领域卡脖子问题严重工业软件指专用于工业领域、以提高工业企业研发、制造、管理水平和工业装备性能的软件，覆盖 工业生产的全生命周期的各个环节，是企业数字化、智能化升级的重要工具，同时工业软件是我国 智能制造的重要基础和核心支撑。根据应用环节的不同，工业软件主要可分为四大类：信息管理类、研发设计类、生产控制类、嵌入 式工业软件，主要产品包括企业资源管理计划（ERP）、计算机辅助设计（CAD）、生产制造执行系 统（MES）、嵌入在工业通信系统中的软件等。我国工业软件发展较为滞后，除了在研发设计和嵌入式等部分单点软件上取得了一些积极的成果外， 整体仍较为滞后。2018年，国内工业软件市场规模为 1678.4亿元，同比增长 16%左右。但是，国 内工业软件发展也面临着较大困难，传统的“重硬轻软”的工业发展思维依然存在，对软件的投入 整体不高，知识产权保护还存在不足，关键产品卡脖子的问题十分严重。尤其在中美贸易战以来， 美国针对 EDA、MATLAB 等工业软件产品，对我国部分企业、高校实施了禁运，对相关机构的业务 和研发的开展造成了较大影响。信息管理类软件垂直行业机会更大，未来将加速转型信息管理类工业软件是基于企业的业务模型，实现企业生产过程中产品研发、生产、销售和管理过 程中业务流程信息化的工业软件，可以帮助企业提高生产和管理水平，提高经营效率。该市场传统 领域如 ERP 等，已经是红海市场，未来发展方向将是“转云”。同时，我们看到，在一些垂直市场 上，如汽车、电力等领域，专业的信息管理类软件也蕴藏着较大机会。从市场结构看，2018年，我 国信息管理类工业软件市场用友网络市占率为首位，占比 16%，SAP 及 Oracle 分别位列第二、三 位；产品结构方面，市场份额排名前三的产品分别为 ERP、FM 和 CRM。研发设计类市场主要被外企掌控，国内企业在细分领域存在优势研发设计类工业软件主要是协助工程技术人员完成产品设计和制造，提升产品开发效率、降低开发 成本、缩短开发周期、提高产品质量。主要包括计算机辅助设计与制造（CAD/CAM）、计算机辅助 工程（CAE）、电子设计自动化软件（EDA）等。在这个市场上，我国产品技术差距较大，除了在 BIM、军工航天等领域有部分优势企业外，其余多为外企所掌控。根据 CCID 数据，2018年，我国 研发设计类工业软件市场广联达市占率为首位，占比 14.4%，达索及西门子分别位列第二、三位。生产控制类软件市场竞争较为激烈，未来高端装备制造将是关注焦点生产控制类工业软件是帮助企业实现生产自动化的工业软件，是将企业的生产计划数据传送给企业 的数字化设备的桥梁。生产控制类软件主要包括 MES（生产过程执行管理系统）、DCS（分布式控 制系统）和 SCADA（数据采集及监控控制系统）等。目前，这类工业软件主要应用在能源、冶金和 石化等领域，但是这个市场竞争已经十分激烈，其中西门子、南瑞和 ABB 的产品主要应用在电力能 源行业，宝信、石化盈科、中控主要聚焦在钢铁石化领域。从市场趋势上看，未来行业增量主要来 自于高端装备制造等领域，相关企业对数字化诉求较高。嵌入式软件广泛应用于“三化”水平提升，工业通信、机器人机会凸显嵌入式工业软件是嵌入在工业装备/设备中的软件/程序，提高工业装备/设备的数字化、自动化、智 能化水平。国内嵌入式软件发展最为快速的是工业通信，未来也将引领市场增长，华为凭借着在该 领域的显著优势领跑整个市场；工业机器人在一些工作环境恶劣、劳动强度大等场景应用会显著增 多，机器换人也将成为嵌入式软件发展的长期动力；能源电子和汽车电子是国内外企业竞逐之地， 但未来市场潜力也较大。政策、技术和需求红利持续释放，工业软件将延续较快增长势头国家支持智能化相关政策将刺激需求增长。2016 年 12 月，工信部和财政部印发《智能制造发展规 划（2016-2020 年）》（以下简称“《发展规划》”）。《发展规划》提出，到 2020年，制造业重点领域 企业数字化研发设计工具普及率超过 70%，关键工序数控化率超过 50%，数字化车间/智能工厂普 及率超过 20%，运营成本、产品研制周期和产品不良品率大幅度降低。2020 年 3 月，工信部发布 《关于推动工业互联网加快发展的通知》（以下简称“《通知》”）。《通知》提出，鼓励相关单位在时 间敏感网络、边缘计算、工业智能等领域加快技术攻关，打造智能传感、智能网关、协议转换、工 业机理模型库、工业软件等关键软硬件产品，加快部署应用。2021 年，国内工业软件市场将持续较快速增长。根据 CCID 数据，2021 年，我国工业软件市场规 模将达到 2631.1亿元，同比增长 16.2%。其中，信息管理类、研发设计类、生产控制类、嵌入式工 业软件细分市场规模将分别达到 448.1 亿元、223.9 亿元、448.9 亿元、1510.2 亿元，占比分别为 17.0%、8.5%、17.1%、57.4%。我国工业软件占工业增加值的比例低于全球平均水平。作为全球工业大国，随着我国智能制造产业 的发展，我国工业软件占工业增加值的比例必将持续提升。根据 CCID和国家统计局数据，2018年， 我国工业软件市场规模为 1678.4亿元，我国工业增加值为 30.11万亿元，我国工业软件占工业增加 值的比例为 0.56%；根据 CCID和世界银行数据，2018年，全球工业软件市场规模为 3893亿美元， 全球工业增加值为 23.36 万亿美元，全球工业软件占全球工业增加值的比例为 1.68%。假设未来我 国工业软件占工业增加值的比例达到 2%，以 2019年我国工业增加值 31.71万亿元为基数估算，则 我国工业软件的市场空间将超过 6000 亿元，前景广阔。3.3 工业互联网：短期重点是夯实基础，中长期应用潜力巨大工业互联网是通过 ICT 技术实现企业内部生产系统到外部商业活动的智能化，包括机器之间、机器 与系统、企业上下游之间实时连接与智能交互。党中央、国务院一直将工业互联网作为企业数字化 的重要手段持续推进，工信部也将其作为工业和信息化重点任务在分步实施。2020年，政治局常务 工作会议上将工业互联网和数据中心列为“新基建”的重点，3 月中央办公厅发出通知要求加快工 业互联网发展。由于数字化基础较为薄弱，国内工业互联网是一个巨大的系统性工程，难度大且市场空间广阔。发 展工业互联网，主要任务有四项，未来将有序推进：1）做好企业内外网建设，尤其是内网升级需要 较长周期；2）构建完善的工业互联网标识解析体系，顶级节点、灾备节点的建设都需要加快推进； 3）继续做好跨行业跨领域的平台示范工作，为后续行业推广积累经验和工具；4）加强工业互联网 数据中心建设。短期关注重点行业投资动向及双跨试点平台企业。国家将工业互联网作为“新基建”的重点，2021 年投入重点我们预计有两个：1）企业内、外网的改造工作。目前外网建设公司运营商正在积极推动， 包括 IPV6、企业专网、5G 等，但企业内网建设需时日，时间敏感网络等关键技术有待成熟，企业 设备网络化也是一项长期工程，投入较大；2）继续进行跨行业跨领域的工业互联网平台示范工程， 上市公司如东方国信、用友网络均参与其中，后续还将加快重点地区/行业的工业互联网平台建设。3.4 智能汽车：技术、模式发生重要转变，第三方软件企业面临机会电动化、智能网联化和自动驾驶化正在重塑汽车产业，软件定义汽车开始成为潮流相比传统汽车主要作为移动出行工具，智能汽车将定位于融出行、娱乐、办公、生活服务等多功能 于一身的移动智能终端或者移动机器人。在智能汽车时代，汽车的技术构成、商业模式和生态体系 均将发生根本性变革，蕴含的商业价值不言而喻，各方参与者已然展开激烈的博弈。除了车身的智能化外，由“车-路-云-人”共同构成的车联网也是智能汽车的重要技术构成。网联化 不仅可降低汽车本地的软硬件技术实现难度，还可通过网络向用户提供更加多元的服务，衍生出众 多商业模式，包括跨界合作、共享出行等。汽车软件定义已成为趋势。汽车“三化”之后，就面临着海量数据处理、OTA 升级（Over the air， 空中下载）、APP 化等问题，必须逐步由软件最终完成硬件资源管理和应用功能实现。据麦肯锡数据 显示，目前车企的代码数量已经超过 2 亿条，而且还在快速增加中。汽车智能化背景下，汽车本地 电子电气架构（EEA）将发生根本变革，从分布式向集中式演进，最终算力将集中到汽车中心计算 机或者云计算平台。计算单元集中的趋势下，汽车软硬件分离成为可能，汽车可以通过虚拟化（融 合化）建立资源池，并通过软件对汽车实现灵活控制。软件公司和其他数字技术企业也将借着智能化的浪潮，挤进汽车生态圈。目前，一些软件企业正从 二、三级供应商逐步成为整车企业的一级供应商。根据麦肯锡预计，2020年全球汽车软件市场规模 将达到 350亿美元，而到 2025年、2030年分别将达到 620亿、840亿美元，2020-2030年间增速 将达到 9%，占汽车整车成本比重也在持续上升。其中，智能网联、ADAS、操作系统和中间件等软 件市场规模最大，这也是第三方软件厂商最为擅长的领域。智能网联汽车路线图 2.0发布，顶层规划趋于完善智能汽车行业的发展离不开政策的引导和支持，从 2016年开始，相关实施方案、法规、标准、路测 细则等相继出台。从整体上看，我国智能汽车产业的顶层设计基本搭建完成，预计下一步的政策重 点将更多放在解决实施和推广阶段的具体问题。我们认为，未来对行业影响较大的文件有两个：一个是 2020年 3月国家发改委等 11个部委联合出 台的《智能汽车创新发展战略》，该文件可谓是近年来智能汽车行业最为权威和重磅的文件。另一个 是 2020年11月国家智能网联汽车创新中心发布的《智能网联汽车技术路线图 2.0》，研究了面向2035 年的智能网联汽车技术发展的总体目标、愿景、里程碑与发展路径。该文件虽然非国家政策文件， 但是其 1.0 版本曾经对国内的智能汽车发展政策起到过较大的影响，预计新版本也能对行业中长期 规划起到建设性作用，对智能网联汽车的长期发展也有积极意义。智能座舱将是第三方软件厂商的主要着力点，一芯多屏将成主要解决方案智能座舱是智能网联汽车的核心，为客户提供智能化的汽车驾驶与乘坐空间，通过液晶仪表盘、车 载信息娱乐系统、人机交互模块、抬头显示系统、流媒体后视镜等产品和模块，实现与人、路、车、 云的协同运作，最终将座舱发展成为“智能移动空间”。智能座舱是需求和技术双重驱动的产物。从需求上看，消费者不再满足汽车座舱内单一安全机械操 作，逐步转变为对舒适性体验的要求，很多消费者已经习惯通过车机实现车内服务，而且希望通过 车机实现生活服务、娱乐功能等。从技术发展来看，随着芯片运算能力的不断提升，5G、人工智能、大数据、车联网等技术日趋成熟，车辆的海量数据获取、传输、处理和应用问题已经能够较好解决， 为智能座舱解决方案的成熟奠定了基础。对于第三方软件企业来说，由于智能座舱解决方案暂不涉及车身及动力、底盘及传动等安全性要求 极高的领域，且独立性较强，是非常好的切入点。其中，一芯多屏多系统的集成式智能座舱正在迅 速推广，其融合的功能也在不断增加。据中汽研预计，2020年国内智能座舱市场规模将达到 628亿 元，同比增长 20.54%。软件方面的需求动力主要来自于两个方面： 集成度上升。以前中控屏、仪表盘等设备都是由不同厂商提供，为分散式座舱系统。目前的趋 势看，集成式座舱正在成为主流，中控屏、数字仪表、副屏、HUD 等设备通常由同一块芯片 SoC支持，由统一的软件平台系统驱动，有望大幅降低成本。相关平台和应用的定制化开发工 作量将实现较快增长。 座舱配置更为丰富。新车型多采用大尺寸屏幕、语音交互、触控等新技术，一些新车型开始选 用液晶仪表和 HUD，同时操作系统除了 Linux、QNX以及 Tier1 自研之外，Android操作系统 应用也在增多，支持的 APP 数量也在大幅增加。自动驾驶领域第三方软件企业正在积极发力，主要布局包括 ADAS、算法和地图ADAS 正在迅速普及，算法和操作系统厂商终将受益。自动驾驶是汽车智能化的另一个赛道，其中 涉及大量的计算机技术应用，ADAS 则是自动驾驶基础性技术，正在快速渗透。更高级别的 L2+/L3 技术出现拐点迹象，L4技术或将在部分相对简单的场景开始尝试应用。此外，自动驾驶操作系统有 望在未来数年逐步普及，进一步促进软硬分离。从软件角度看，算法、高精度地图、自动驾驶操作系统是主要的投资机会。对于感知算法，互联网 企业、初创企业、人工智能企业、传感器企业等均有参与；车身控制算法则主要由博世、大陆等 Tier-1 企业把持，第三方软件企业进入可能性较低；高精度地图对于 L3及以上车辆近乎是刚需，四维图新、 高德、HERE 等是主要供应商；在软硬分离的趋势下，自动驾驶操作系统领域的角逐比较激烈，如 操作系统技术厂商中科创达正参与其中。3.5 建筑数字化：建筑产业体量巨大，数字化存在做大可能国内建筑业数字化水平同发达国家差距大，蕴含巨大潜力建筑业是我国国民经济支柱产业之一，产业规模巨大。根据国家统计局数据，2019年，我国建筑业 总产值 24.84万亿元，同比增长 5.7%，且连续多年持续增长。2019年，我国国内生产总值（GDP） 为 99.09万亿元，其中建筑业增加值 7.09万亿元，占 GDP 的比例为 7.16%。建筑业是我国国民经 济中实至名归的大行业。我国建筑业因为传统上是劳动密集型的粗放式发展模式，虽然具有巨大体量，但是数字化程度很低。 根据麦肯锡 2017年 12月发布的《数字时代的中国：打造具有全球竞争力的新经济》报告结果显示， 我国建筑业的数字化水平在报告分析的 22个行业中排名最末。“大行业+低数字化水平”的现状，蕴 含数字化转型的巨大发展潜力。数字化程度低与我国建筑业信息化投入水平低直接相关。根据中国建筑业协会数据，我国建筑业信 息化投入占建筑业总产值的比例约为 0.08%，而发达国家建筑业信息化投入占建筑业总产值的比例 可达 1%。假设我国建筑业信息化投入占总产值的比例未来提高到 0.5%，则以 2019 年我国建筑业 总产值 24.84 万亿为基数估算，我国建筑信息化市场规模将超过千亿量级。国内建筑业也面临着转型升级的压力，需要依托数字化改造建筑业转型升级需要依托与信息产业的融合。改革开放以来，我国建筑业的发展模式伴随着高能耗 与人工红利。根据广联达公开资料数据显示，全国建筑业的能耗约占全社会总能耗的 50%。2017 年 2月，国务院印发《关于促进建筑业持续健康发展的意见》，明确要求“建筑设计应体现地域特征、 民族特点和时代风貌，突出建筑使用功能及节能、节水、节地、节材和环保等要求，提供功能适用、 经济合理、安全可靠、技术先进、环境协调的建筑设计产品”。2019年 12月，全国住房和城乡建设 工作会议在北京召开，会议强调 2020 年要重点抓好 9 个方面工作，其中包括“着力推进建筑业供 给侧结构性改革，促进建筑产业转型升级”。建筑业传统粗放式的发展模式已难以为继，转型升级已 迫在眉睫。老龄化推高用工成本，企业需要向数字化要效益。根据我们的统计，自 2008 年起，我国 16-40 岁 年龄段的农民工占比持续走低，相对应地，41岁以上年龄段的农民工占比持续走高。人口老龄化的 压力导致建筑业农民工的人力成本持续上升。根据国家统计局数据，2019年，我国建筑业农民工月 平均收入 4567元，同比增长 8.5%。人力成本的持续上升对建筑业的产值利润率持续产生下行压力， 也将推动建筑业发展模式的转变。业界开始认同“数字建筑”等相关理念，行业数字化推广将提速2020 年 9 月，由全联房地产商会和广联达联合主办的中国数字建筑峰会在全国 16个城市跨区域同 步举办。自 2010年起，作为中国建设行业年度峰会，这一峰会已连续举办十一届。峰会持续推动建 筑行业信息化应用，积极向行业宣导数字化转型的理念。2018 年，峰会以“数字建筑 赋能产业升级”为主题在西安举办，国家原住建部副部长宋春华做了题为 “加快创新 融合联动 促进数字建筑、智慧城市的新发展”的主题演讲，广联达公司总裁对数字建筑的 概念进行了深入剖析，与会其他演讲嘉宾也围绕“数字建筑”主题展开了深入讨论。自此，“数字建筑” 的理念在业界逐渐得到广泛认同，成为业界数字化转型被广泛认可的方法论。2018 年 1月，广联达发布国内首个《数字建筑白皮书》，提出“新设计、新建造、新运维”的“三新”理 念；给出了“数字建筑”概念的深刻诠释，即“数字建筑”是指“利用 BIM 和云计算、大数据、物联网、 移动互联网、人工智能等信息技术引领产业升级的行业战略，它结合先进的精益建造理论方法，集 成人员、流程、数据、技术和业务系统，实现建筑的全过程、全要素、全参与方的数字化、在线化、 智能化，从而构建项目、企业和产业的平台生态新体系，从而推动以新设计、新建造、新运维为代 表的产业升级，实现让每一个工程项目成功的产业目标”。2019 年 6月，广联达在中国数字建筑年度峰会（青岛）发布《数字建筑：建筑产业数字化转型白皮 书》，提出建筑业数字化转型新范式。2020年 9月，广联达在中国数字建筑(全国)峰会 2020上发布 的《数字建筑平台:构筑数字化转型新基建》白皮书提出，数字建筑平台的出现将实现建筑业全过程、 全要素、全参与方的“三全”升级，以及岗位层、项目层、企业层和行业层的“四层”变革，这将深刻改 变行业面貌。作为中国建设行业年度峰会的主办方之一，广联达持续为建筑业数字化转型提供新理 念、新方法，对持续推动业界数字化转型产生了积极影响。BIM 与数字建筑的理念相契合，是我国建筑业数字化转型的重要抓手 BIM 已在国际市场上得到广泛应用，其价值也在被认可根据 2016 年 12 月住建部发布的《建筑信息模型应用统一标准》对 BIM（建筑信息模型）的定义， BIM 是在建设工程及设施全生命期内，对其物理和功能特性进行数字化表达，并以此设计、施工、 运营的过程和结果的总称。由此定义我们可以看出，BIM 不只是狭义的模型或建模技术，而是一种 全新的工程理念和行业信息技术，正在引领建设领域规划、设计、施工、运维一系列技术创新和管 理变革。在国际上，BIM 在欧美等发达国家已经有较为广泛的应用。根据 McGraw Hill 的数据，2012年美国 工程建设行业采用 BIM 的比例从 2007年的 28%提高到 2009年的 49%再到 2012年的 71%，其中 74%的承包商（施工企业）已经在实施 BIM 了，超过了建筑师（70%）及机电工程师（67%）。美 国斯坦福大学整合设施工程中心（CIFE）根据 32 个采用 BIM 的项目总结了使用建筑信息模型的优 势：（1）消除 40%的预算外更改；（2）造价估算控制在 3%精确度范围内；（3）造价估算耗费的时 间缩短 80%；（4）项目时限缩短 7%，及早实现投资回报；（5）通过发现和解决冲突，将合同价格 降低 10%。BIM 在降低成本、缩短工期等方面的价值在国际上不断得到认可。随着价值的不断被认可，全球范围内 BIM的市场规模迅速增长。根据 Transparency Market Research 数据，2014年全球 BIM 市场规模为 27.6亿美元，到 2022年预计将达到 115.4亿美元，2014-2022 年间年复合增长率超过 19%。2014年，北美是全球最大的 BIM 市场，在全球 BIM 市场中占比 33%。 根据 Transparency Market Research预计，北美在全球 BIM 市场的优势会保持到 2022年，亚太地 区是全球 BIM 市场最具潜力的地区。 政策与需求双轮驱动，我国 BIM 市场未来发展前景广阔2017 年 2月，国务院发布《关于促进建筑业持续健康发展的意见》，《意见》提出，加快推进建筑信 息模型（BIM）技术在规划、勘察、设计、施工和运营维护全过程的集成应用，实现工程建设项目 全生命周期数据共享和信息化管理。从国家政策的层面明确了 BIM 对于建筑业发展的意义，将为 BIM 技术在我国建筑业的大规模应用起到积极的促进作用。在标准方面，住建部近年来连续发布了建筑 信息模型领域的 6项国家标准和 1项行业标准，以推动 BIM 在建筑全生命周期的大范围应用，其中 5 项国家标准和1 项行业标准已正式实施。我国地方政府也发布了相关政策支持 BIM 的发展。截至目前，全国已经有 20多个省发布了 BIM 相 关政策。当前，我国建筑业迫切需要节能增效，这一需求与应用 BIM 技术能带来的益处是契合的。 根据我们的产业调研，目前 BIM 已经受到了我国建筑业各参与方（包括业主方、施工方等）的普遍 重视和认可。我们认为，在政策的推动以及建筑业节能增效内在需求的双重推动下，BIM 将成为我 国建筑行业数字化转型未来的发展方向，我们看好 BIM 在我国的未来发展。我国 BIM 市场未来空间广阔。当前，我国建筑业每年涉及项目约 60 万个，假设以平均每个项目每 年在 BIM 技术上的投入为 5-10 万元估算，则我国 BIM 市场未来将有 300-600 亿元的市场空间。四、 投资建议及风险提示4.1 投资建议：关注工业软件、智能汽车和建筑数字化等投资机会投资逻辑：我们预计，2021年，工业软件很多卡脖子领域有望实现从零到一的跨越式发展，汽车智 能座舱等解决方案需求依然旺盛；而作为“新基建”重点的工业互联网产业，短期仍需要做好基础 建设、试点示范工作，中长期潜力巨大；数字建筑理念有望加速推广，BIM 等解决方案应用场景将 更为广阔。同时，数字产业化方面，我们预计基础软硬件国产化、网络安全、云计算等领域，依然 具备较强的增长潜力。2021年，我们继续看好计算机行业发展，维持行业“强于大市”评级不变。投资标的：建筑数字化、工业软件及工业互联网领域，强烈推荐广联达，推荐用友网络、东方国信； 智能汽车板块，强烈推荐国内智能驾驶舱龙头企业中科创达；数字产业化方面，推荐金山办公、深 信服和安恒信息。4.2 风险提示政策支持力度不及预期。工业互联网、工业软件和智能汽车在国内处于起步阶段，离不开政府 政策的引导和扶持，如果后续政策落地不及预期，行业发展可能面临困难。中美科技争端有可能延续。我国工业软件、关键基础元器件等对西方国家依赖较为严重，而美 国精英层已经将中国视为竞争对手，拜登上台之后，中美之间的科技纠纷未必能彻底平息，相 关企业尤其是应用开发企业可能将面临着较大的供应链风险。企业或者政府支出不及预期。由于全球疫情蔓延，我国经济增长压力依然较大，企业资本支出 或者政府财政支出可能依然谨慎，而我国计算机行业多以 To B 或者 To G为主，受到的影响可 能较大。（报告观点属于原作者，仅供参考。报告出品方/作者：平安证券，付强、闫磊）如需完整报告请登录【未来智库官网】。

编者按：本文来自微信公众号“学术头条”（ID:SciTouTiao），作者：阳光，36氪经授权发布。近日，未来今日研究所（Future Today Institute）发布了最新版《2020 年科技趋势报告》，其中包括对人工智能在内的多项前沿科技未来一年的发展前景进行了展望。根据报告，未来世界科技产业将由中国、人工智能等趋势塑造。《2020 科技趋势报告》由未来今日研究所和纽约大学斯特恩商学院（New York University's Stern School of Business）主任艾米韦伯（Amy Webb）教授共同撰写，这次已经是第 13 年发布。这份报告试图认识到技术与未来不确定性之间的联系，比如 2020 年美国总统大选的结果，以及冠状病毒等流行病的传播。在所有前沿科技中，人工智能再次成为该榜单的第一名。韦伯表示，人工智能将引发第三次计算浪潮，带来积极的影响，例如 AlphaFold 在发现疾病的治疗方法中可以发挥的作用；但也会带来消极的影响，例如它当前对刑事司法系统的影响。一些科技巨头，例如美国的 Amazon、IBM、Facebook、Google 和 Microsoft，以及中国的腾讯、阿里和百度，继续在全球科技领域发挥最大的影响力。韦伯已经在 2019 年出版的《九大巨头》中预测了这些公司将如何塑造世界。“ 这 9 家公司推动了人工智能的大部分研究、资金、政府参与和消费级应用。大学的研究人员和实验室依靠这些公司提供数据、工具和资金。九大人工智能公司也对人工智能合并和收购产生了巨大影响，为人工智能初创公司提供资金并为下一代开发人员提供支持。”同时，报告指出，中国的企业和政府正在全面合作，以使其在 2030 年之前成为全球主要的人工智能创新中心。与中国相比，美国拥有众多组织和中心，但是，这些机构 “缺乏机构间合作和协调的努力”，在行动目标、研发工作安排和资金周转方面存在不协调的情况。据了解，每年韦伯通常会在德克萨斯州奥斯汀举行的 SXSW 会议上，以一场演讲作为报告发布的开头，但是由于冠状病毒的影响，今年的会议已经取消。未来今日研究所这份报告对人工智能领域的科技预测可谓面面俱到，无论是对于人工智能企业、人工智能研究者，还是人工智能学习者，这都是一份比较详尽的报告。限于篇幅，学术头条精选了报告中关于人工智能的部分内容进行翻译，希望对读者有参考价值。报告更多亮点及全文，可在文末查看。人工智能科技趋势总览1.AI 与企业1.1 利用人工智能加速科学发现的进程用几个变量进行实验，通常需要对测量、材料和输入进行微小的、系统的调整。研究生们可能会花上几百个无聊的小时，一次又一次地做一些小的调整，直到找到一个解决方案。越来越多的人工智能系统被用于研究实验室，以加快科学发现的进程。1.2 云端人工智能人工智能生态系统内的企业领导者一直在竞相抢占人工智能云共享平台，并成为远程服务器上最受信任的人工智能提供商。企业客户也可能会坚持最初选择的供应商，因为机器学习系统访问的数据越多，随着时间的推移则能不断学习做出更好的决策。1.3 线下人工智能可以在设备上进行这种由本地人工智能驱动的处理和决策，在云或互联网上没有任何数据交互——这是一种使用所谓 “边缘计算” 的技术。直接在设备上处理数据，在未来对于医疗保健、汽车和制造业应用将非常重要，因为它可能更快、更安全。1.4 机器人流程自动化机器人流程自动化（RPA）使企业能够在办公室内自动化某些任务和流程，从而使员工能够将时间花在更高价值的工作上。RPA 最终将他们的生产力提升到更高的水平，这将使媒体和娱乐公司能够在许多不同领域做出更好的实时预测性决策，从客户服务到成本节约。1.5 企业中的数字双胞胎和认知双胞胎央视推出人工智能主持人数字双胞胎是真实世界环境、产品或资产的虚拟表示，用于多种目的。制造商使用数字双胞胎来管理机器和工厂的性能和效率，而城市规划者则使用它们来模拟新开发项目的影响。1.6 认知机器人随着人类和机器更加紧密地合作，机器人有机会根据环境学习和适应新的技能。机器学习、深度强化学习、计算机视觉和模拟环境的发展将很快导致具有早期认知能力的机器人出现。应用包括环境清理、探索危险地形和协助急救人员。1.7 先进的人工智能芯片神经网络长期以来需要巨大的计算能力，需要很长时间的训练，并且依赖于消耗数百千瓦电力的数据中心和计算机。一些知名企业已经致力于研究使芯片更容易在人工智能项目上工作，并且应该保证更快、更安全的处理。1.8 无服务器计算亚马逊网络服务、阿里云、微软 Azure、谷歌云和百度云正在为开发者推出新的产品和软件包，希望能让一大批人工智能初创企业更容易、更实惠地将自己的创意投放市场。1.9 专业化、本土化的人工智能语言Python 是一种领先的语言，有许多预先构建的库和框架。Julia 是麻省理工学院开发的一种专注于数值计算的开源语言。当然还有 Lisp，由现代人工智能的前辈约翰麦卡锡在 1958 年创造的。1.10 Franken 算法的扩散（Proliferation of Franken-algorithms）算法只是定义和自动处理数据的规则。它们是用计算机能够理解和处理的 “如果这个，那么那个” 逻辑来构建的。开发人员并不总是提前知道一个算法将如何与其他算法一起工作。有时，几个开发团队都在独立地处理不同的算法和数据集，只有在部署后才能看到他们的工作。这一直是导致最近股市出现故障和电子商务网站发力的原因。1.11 为了竞争而操纵 AI 系统的公司过去几年，亚马逊、谷歌和 Facebook 都因操纵搜索系统，将对公司更有利的结果进行优先排序而受到抨击。对搜索算法的调整会对互联网用户的看法产生重大影响，无论是新闻、销售产品还是广告。美国和欧盟目前正在调查亚马逊同时扮演搜索引擎、市场运营商和自有产品销售商的角色。立法者尚未就操纵算法以获得竞争优势是否符合反垄断活动的标准达成一致。1.12 企业生物识别欺骗在实施监控和认证员工的人工智能系统之前，公司可能会三思而后行。机器学习的新技术导致了合成指纹和其他能够欺骗监控系统的自动生成生物识别器。1.13 人工智能机器人bot，在最基本的层次上，是设计用于自动化指定任务的软件应用程序。它们可以是基于文本或音频的，并且可以跨各种平台部署。机器人技术的下一个重大进步不是技术性的，而是监管性的。2. 人工智能与商业生态系统2.1 全球对人工智能的投资热潮众所周知，人工智能人才短缺，每个行业都希望将人工智能融入其核心业务职能。因此，在全球范围内都在争先恐后地为人工智能研究提供资金，并收购初创企业。2.2 算法市场在 21 世纪一零年代，大型科技公司、初创公司和开发者社区利用算法市场来分享和销售他们的作品。2018 年，微软斥资 75 亿美元收购了 GitHub，这是一个流行的开发平台，允许任何人托管和审查代码，与其他开发人员合作，并构建各种项目。Github 是一个流行的平台，允许任何人托管和审查代码2.3 市场整合尽管人工智能的生态系统正在蓬勃发展，但收购热潮也意味着整合。现在，大公司在有时间成熟之前就开始创业，收购的平均年龄是 3 岁。只有 9 家大公司占据了人工智能的主导地位：美国的 Amazon、 Google、Microsoft、 IBM、Facebook 和苹果，中国的巨头百度、阿里巴巴和腾讯。2.4 破碎人工智能的生态系统覆盖了数百家公司。许多政策团体、倡导组织和政府都在制定指导方针、规范和标准以及政策框架，希望以此来指导人工智能的未来发展。因此，生态系统在两个方面支离破碎：基础设施标准和治理。2.5 人工智能责任当机器运转不好时，谁该受责备？我们目前的法律体系是为了规范人类行为，而不是无监督机器的行为。当企业急于构建和实施人工智能产品和流程时，他们必须提前计划新出现的风险。2.6 环境监测关门后发生的事情可能不会是长期的秘密，高管们应该提防新的环境监测方法。人工智能可能很快拥有 x 光视觉能力，这对从事敏感项目的公司来说可能不是什么好消息。从事信息安全和风险管理工作的人应特别关注计算机视觉的发展。3. 过程、系统与计算机神经科学3.1 从平面二维图像创建三维模型研究人员使用大量的三维模型、转换成三维模型的图像和从不同角度显示物体的二维图像训练神经网络。结果：一个新的系统，可以渲染三维模型，无需任何人为干预。实际应用包括仅使用二维图像自动生成环境真实模型的机器人。3.2 神经符号人工智能算法与系统人工智能的发展一直走在两条概念轨道上：符号（机器使用表示概念的知识和规则基础）和非符号（机器使用原始数据创建自己的模式和概念表示）。神经网络将通过符号来理解数据，而不是总是依赖人类程序员为数据排序、标记和编目。符号算法将有助于这一过程，这最终将导致不总是需要人来训练的鲁棒系统。亚马逊的重新命名识别知名人士，帮助人们 “为营销、广告和媒体行业使用案例提供视频和照片目录”3.3 实时机器学习人工智能的一大挑战是构建能够主动收集和解释数据、识别模式和整合上下文并最终实时学习的机器。对实时机器学习（RTML）的最新研究表明，使用连续的事务数据流和实时调整模型是可能的。这标志着数据移动方式和我们检索信息的方式发生了重大变化。3.4 自然语言理解（NLU）NLU 允许研究人员通过提取概念、映射关系和分析情感来量化和学习所有文本，并且他们在过去一年中取得了一些令人印象深刻的进步。在最近的一次语言理解评估竞赛中，中国的百度击败了谷歌和微软，成为第一个开发不仅能懂英语，还能懂中文的技术的公司。3.5 机器阅读理解（MRC）对于人工智能研究者来说，机器阅读理解（MRC）一直是一个具有挑战性的目标，但却是一个重要的目标。MRC 使得系统能够在筛选大量数据集的同时读取、推断意义并立即给出答案。它代表了实现人工通用智能的必要步骤，在短期内，它可能将从技术手册到历史地图，再到我们的医疗记录，一切都变成易于搜索的信息存储库。3.6 自然语言生成（NLG）随着数字助理的日益普及，消费者希望能够与机器进行自然对话。但是训练人工智能系统需要大量的数据。自然语言生成（NLG）系统自动检测、分析、可视化和叙述关键数据。NLG 的一个可能性是：开发一个可以使用简单语言向他人解释自己和所做决定的系统。3.7 机器学习中的实时上下文（Real-Time Context in Machine Learning）世界上充斥着信息、错误信息和肤浅的思想，机器学习中的实时上下文技术旨在帮助人们实践推理、发展见多识广的论点并得出可靠的结论。3.8 一般强化学习算法研究人员正在开发能够学习多个任务的单一算法，AlphaZero。它不仅能在围棋中获得超人的表现，还能在其他游戏中获得超人的表现，包括国际象棋和日本象棋。这一个算法从游戏规则之外的知识开始，最终发展出自己的策略来击败其他玩家。3.9 深度学习范围程序员使用特殊的深度学习算法，同时使用大量的数据，通常是数兆字节的文本、图像、视频、语音等，系统被训练成独立学习。虽然概念上的深度学习并不是什么新鲜事，但最近发生的变化是计算量和可用的数据量。实际上，这意味着越来越多的人工过程将被自动化，包括软件的编写，计算机很快就会开始自己编写。3.10 更快、更强大的开源框架硬件升级和更快的芯片将有助于使开源框架在未来几年变得更快和更流行。3.11 强化学习与分层学习强化学习是解决决策问题的有力工具，它被用来训练人工智能系统以获得超人的能力。在计算机模拟中，一个系统尝试、失败、学习、实验，然后快速连续地再次尝试，每次都会改变它未来的尝试。3.12 持续学习目前，深度学习技术已经帮助系统学习以更接近人类所能做的方式解决复杂任务，但这些任务仍然是特定的，它们需要一个严格的序列，而且可能很耗时。持续学习（CL）更多的是关于自主和渐进的技能培养和发展，研究人员将继续在这一领域不断地突破可能的极限。3.13 多任务学习在过去的一年里，卡内基梅隆大学和 Facebook 的人工智能实验室的研究人员发布了一款名为 Pluribus 的多人扑克人工智能，扑克也让多个玩家相互竞争，获得胜利比抓取游戏碎片要复杂得多。Pluribus 学会了同时做几件事，并建立了自己的战略来赢得胜利。3.14 生成性对抗网络生成性对抗网络（GANs）是本世纪最有趣的想法，在过去几年里，GANs 有了巨大的进步。把一个 GAN 想象成图灵测试，但是没有任何人类参与。GANs 是一个无监督的深度学习系统，由两个相互竞争的神经网络组成，它们在相同的数据（如人的图像）上进行训练。仅去年一年，就有许多有趣的实验涉及 GANs。研究人员维克多迪比亚（Victor Dibia）训练了一个 DCGAN 模型（深度卷积世代对抗网络）来生成非洲面具3.15 新的生成建模技术自回归隐式分位数网络（简称 AIQN）听起来很复杂，但它是一个创新的想法，有助于改进算法，使它们更稳定。这意味着：这可能会加快人工智能的发展步伐 —— 这可能意味着整个生态系统中更快的机遇和创新。3.16 概率规划语言概率编程语言减轻了开发概率模型的一些压力和繁琐。这些较新的语言允许开发人员构建、重用和共享他们的模型库，同时仍然容纳不完整的信息。3.17 机器图像完成（Machine Image Completion）如果一个计算机系统能够访问上百万的图片，就说它可以修补和填补图片中的漏洞。这项功能对专业摄影师以及所有想拍出更好自拍的人都有实际的应用。图像完成也是执法和军事情报人员的一个有用工具，计算机现在可以帮助他们识别谁或什么是在框架中。考虑到我们已经在机器学习算法和数据集上看到的偏见，图像完成可能成为未来关于隐私和我们设备的争论的一部分。3.18 混合人 - 计算机视觉分析目前人工智能没有人的帮助还不能完全发挥作用。混合智能系统将人类和人工智能系统结合起来，以获得更高的精确度。3.19 预测机器视觉预测机器视觉研究有朝一日将使机器人能够更容易地在人类环境中导航，并通过从我们自己的肢体语言中获取线索与我们人类互动。它也可以用于零售环境，当我们操作机器，或当我们在教室学习。3.20 自动机器学习（AutoML）一些组织希望摆脱传统的机器学习方法，这种方法费时费力，需要数据科学家、人工智能领域的专家和工程师。自动机器学习（AutoML）是一种新的方法：将原始数据和模型匹配在一起以显示最相关的信息的过程。谷歌、亚马逊和微软现在提供了大量的 AutoML 产品和服务。3.21 定制机器学习不久，个人用户将上传他们自己的数据来定制现有的人工智能模型。例如，像 Google 的 Cloud AutoML 和 Amazon SageMaker Autopilot 这样的工具允许组织在没有受过高度培训的员工的情况下培训定制的机器学习模型。3.22 图神经网络气味分类是很棘手的，因为它需要一个多标签系统。谷歌的研究人员正在构建图形神经网络（graph neural networks），一种以图形为输入的特殊类型的深层神经网络以在分子水平上预测气味。3.23 智能光学字符识别一个持续的挑战是让机器认识到我们用书面表达自己的各种方式。光学字符识别（OCR）以固定的、可识别的格式工作，如公路标志和书中的文字。但是，OCR 往往不够聪明，无法识别不同的字体、独特的符号或只有一家公司的字段的电子表格。4. 人工智能与内容创意4.1 人工智能与创意过程亚马逊的 DeepComposer 系统 “自动” 作曲生成性对抗网络（GANs）的能力远远超过生成深度假视频。研究人员正与艺术家和音乐家合作，创造出全新的创造性表达形式。从合成非洲部落面具到建立幻想的虚构星系，人工智能正被用来探索新的想法。4.2 内容生成算法一段时间以来，人们一直在训练计算机观看视频并预测我们物质世界中相应的声音。内容生成算法研究的重点是帮助系统了解物体在物理领域如何相互作用。4.3 从短视频生成虚拟环境自动生成的虚拟环境的未来应用非常广泛：考虑物流培训环境（仓库、工厂、航运中心）、城市规划模拟，甚至在游乐园和购物中心内测试客户流场景。4.4 自动版本控制随着更多的实验的进行，人们期望看到新闻和娱乐媒体公司开发同一内容的多个版本，以达到更广泛的受众或大规模生产大量的内容。4.5 自动语音克隆和配音类似人工智能和描述使克隆声音成为可能，这意味着很快你可以在电影中看到基努里夫斯，也可以听到他用自己的声音用意大利语说话。4.6 机器文字识别在过去的一年里，研究人员展示了人工智能是如何被用来编写好的文本的，以至于人类无法分辨它是由机器编写的。事实证明，人工智能还可以用来检测文本是什么时候生成的，即使我们人类无法识别假文本。4.7 算法事实检查误导性和彻头彻尾的虚假信息已经污染了互联网和我们的社交媒体渠道，日常消费者难以应对，旨在传播谎言的算法可以比人类的事实核查器工作得更快。人工智能研究人员一直在研究使用框架语义的自动化技术。框架是描述特定事件、情况、对象或关系及其参与者的示意图。4.8 数据挖掘群智能手机拥有量已经达到临界值，人们对各种网络的使用也达到临界值。人类的数据不仅可以跟踪我们自己，还可以供任何人搜索、收集和分析。预计更多的新闻机构以及营销人员、活动家和其他团体将开始以创造性的方式利用这些数据。4.9 深度链接自智能手机问世以来，深度移动连接就一直存在，它使人们更容易在手机中的所有应用程序中查找和共享数据。深度链接的使用方式现在已经模糊了消费者的信息。5. 消费品和服务5.1 环境计算扩展环境计算系统承诺优先考虑许多与人类行为相关的决策，代表人们授权它们，甚至根据环境自主地为人们回答。在没有直接监督和投入的情况下，很多无形的决策都会发生。使环境设计如此诱人的是，它应该要求我们在不久的将来做出越来越少的决定。把它看作是一种意图的自动完成。5.2 无处不在的数字助理（DAs）在很多地方都可以找到数字助理。现在有成千上万的应用程序和小工具可以跟踪和响应 DAs。新闻机构、娱乐公司、营销人员、信用卡公司、银行、地方政府机构（警察、公路管理局）、政治活动和许多其他机构都可以利用 DAs 来显示和提供关键信息。5.3 人工智能致力药物研发制药公司加大了人工智能研究力度2018 年和 2019 年，制药公司加大了研究力度，以确定人工智能是否可以用于药物开发的每个阶段，从假设、挑选更好的化合物和确定更好的药物靶点，到设计更成功的临床试验和跟踪现实世界的结果。5.4 人工智能面试识别系统现在可以用来观察人们被面试的过程，来衡量面试者的热情、坚韧和沉着。算法分析数以百计的细节，比如面试者的语调、面部表情和行为习惯，试图预测面试者将如何适应一个社区的文化。5.5 消费者级人工智能应用新的自动机器学习平台使非专家能够建立和部署预测模型。许多人希望，在不久的将来，人们将使用各种各样的人工智能应用程序作为日常工作的一部分，就像人们今天使用微软 Office 或谷歌文档一样。6. 人工智能与地缘政治、地缘经济与战争6.1 新的高科技工业综合体在过去的几年里，美国一些最大的中情局公司开始与军方合作，推进研究，寻找销量，开发新的技术系统，可以在各种情况下部署。2017 年，美国国防部成立了一个算法战争跨职能团队，致力于一个名为 “Maven 项目” 的项目，这是一个计算机视觉和深度学习系统，可以自动识别静止图像和视频中的物体。该小组没有必要的人工智能能力，因此国防部与谷歌签订合同，帮助训练人工智能系统分析无人机画面。但被分配到这个项目的谷歌员工并不知道他们实际上在做一个军事项目，这导致了引人注目的反弹。多达 4000 名谷歌员工签署了一份请愿书，反对 Maven 项目。他们在《纽约时报》上登了一整版广告，最终数十名员工辞职。最终，谷歌表示不会与国防部续签合同。谷歌员工抗议该公司在美国军事项目上的情报工作6.2 国家情报战略在过去的几年里，人工智能的危险性得到了极大的缓解。从自驾车事故到通过造谣活动进行选举，再到通过面部识别和自动搜索增强的政治压制，谷歌员工抗议该公司在美国军事项目上的情报工作。在地缘政治、地缘经济和战争面纱的第十三个年头，很明显，国际情报局正在改变国家、公司和公民的安全环境。现在，几乎没有一种技术能够触及人类的方方面面，世界各国都在竞相制定和公布自己的人工智能战略和指导方针。谷歌前 CEO 埃里克施密特（左）与前国防部长阿什卡特握手6.3 建立人工智能规则的竞赛去年，中国在全球率先制定了一套规范和标准，以管理人工智能的未来，随后，许多国家和地区争相出台相关的政策，随着人工智能在中国、欧盟和美国继续按照不同的规则发展，全球 AI 学术领域的合作可能会急剧下降。6.4 算法战争我们未来的战争将以代码作战，使用数据和算法作为强大武器。当前的全球秩序正在被人工智能所塑造，而世界各国在美国、中国、以色列、法国、俄罗斯、英国和韩国等国家的研究也在发展包括至少一些自主功能的武器系统。FTI 分析表明，未来的战争不仅仅包括传统武器。使用人工智能技术，军队可以通过破坏经济稳定而不是摧毁农村和城市中心来 “取胜”。6.5 人工智能自我解释毫无疑问，你听过有人说人工智能正在变成一个 “黑匣子”—— 即使是在这个领域工作的研究人员也不明白我们最新的系统是如何工作的。这并不完全正确，但是越来越多的计算机科学家、记者和法律学者表示担心，他们认为人工智能系统不应该如此秘密。但要求人工智能的透明度可能会泄露公司的商业机密。要求系统同时解释其决策过程也会降低输出的速度和质量。6.6 在关键系统中使用人工智能机器学习保证了人们关键基础设施系统的效率和新的保障措施。为此，政府研究人员正在探索如何率先开发关键系统：道路和铁路运输系统、发电和配电以及预测救护车和消防车等公共安全车辆的路线。人们不再回避人工智能系统，而是对利用这项技术预防灾害和提高安全性产生了新的兴趣。7. 中国人工智能规则7.1 中国规则如果认为中国是一个只是复制而不是创新的国家，麻烦再想一想。中国已经是人工智能领域的全球领导者。该国在许多领域取得了巨大的进步，但尤其是在人工智能企业和政府已经合作了一个全面的计划，使中国在 2030 之前成为世界上主要的人工智能创新中心，并且它已经朝着这个目标迈进了一大步。同时赋予了中国三大公司百度、阿里巴巴和腾讯一个称号 ——BAT。目前，中国的人工智能初创企业几乎占到所有人工智能全球投资的一半。7.2 中国的数据盈余中国人口众多，接近 14 亿人，为那里的研究人员和初创企业提供了未来人类数据中最有价值的自然资源，而不受世界许多地方普遍存在的隐私和安全限制。如果数据是新的石油，那么中国就是新的欧佩克。中国人正在挖掘的这种丰富的数据可以用来训练人工智能，挖掘从教育、制造到零售和军事应用等各个领域的模式。中国公司 Sensetime 是世界上最有价值的人工智能初创公司之一，它正在打造更多人工智能新技术8. 人工智能与社会8.1 人工情感智能研究人员正在教授机器无条件的爱、积极的倾听和移情根据信诺健康服务机构的研究，在过去的 50 年里，美国人的孤独率翻了一番。两年前，英国前总理 Theresa May 创造了一个新的内阁职位，世界上首位孤独部长。在我们日益紧密联系的世界里，报告说人们感到更加孤立。在未来，像韩国这样正在与大规模心理健康危机作斗争的政府，可能会转向情感支持机器人来大规模解决这个问题。8.2 个人数码双胞胎去年中国中央电视台的春节联欢晚会上，四位著名的人类主持人与他们的数码双胞胎一起亮相。据估计，有 10 亿人观看，这些人工智能复制品模仿了人类的同类，没有预先设定的行为、演讲或程序。不久的将来，可能会有一对数字双胞胎，面向包括健康和教育在内的多个领域的专业人士。8.3 问题数据集人工智能本身并没有偏见，但是数据输入方法和输入数据的人可以显著改变人工智能的行为。从真实的人那里获取真实的数据来训练系统很困难，而且随着新的隐私限制，开发人员可能会选择更多地依赖公开的和有问题的数据集。8.4 人工智能识别欺骗性为人工智能也被用来识别欺骗行为。ECRI 研究所的 Crosscheq 使用机器学习和数据分析来寻找招聘过程中的夸张和误导信息。德雷克塞尔大学的研究人员开发了一个应用程序，利用生物特征来预测节食者何时可能偏离规定的饮食方案。8.5 针对弱势群体设计的算法在世界各地的国家，人工智能正被用于边境口岸、贫困社区以及存在犯罪问题的学区。大多数时候，这项技术被称为一种解决方案，但它有助于剥夺弱势社区的公民权。8.6 人工智能存在偏见随着计算机系统越来越擅长做决定，算法可能会把人们每个人分成对我们自身来说没有任何明显意义但可能产生巨大影响的组。每一天，人们都在创造难以想象的数据量，这些数据是通过算法挖掘和使用的，通常没有您的直接知识或理解。它被用来制作广告，帮助潜在的雇主预测我们的行为，确定我们的抵押贷款利率，甚至帮助执法部门预测我们是否可能犯罪。8.7 人工智能故意隐藏数据计算机正是按照命令来做的。命令一台机器在比赛中获胜，它将尽其所能实现这一目标。显然现在包括作弊，而且这种情况发生的越发频繁。8.8 未报告（Undocumented）人工智能事故的兴起目前，研究人员没有义务报告涉及我们的数据或人工智能过程的事故或事件，除非违反了法律。虽然大公司必须告知消费者其个人数据信用卡号码、家庭住址、密码是否被盗，但它们不必公开算法基于种族或性别歧视某人的实例。8.9 人工智能与数字红利人工智能将不可避免地导致全球劳动力的转移，导致许多行业的失业。数字红利则是一种公司向社会偿还一部分从人工智能获得的利润的方式。8.10 优先考虑责任和信任人们依赖于对人工智能的信任将不再能够判断一个数据集是否被有意或无意地篡改，如果我们不再相信这个结果，几十年的研究和技术进步将一无所获。政府、企业、非营利组织等各个部门的领导人都必须对所使用的数据和算法有信心。此外，雇佣伦理学家直接与管理者和开发人员合作，并确保开发人员本身代表不同种族、民族和性别的多样性，将减少人工智能系统中固有的偏见。最后，这份报告还涵盖了包括量子计算、合成材料在内的其他众多领域的技术趋势，但是由于篇幅所限，在这里不能一一翻译整理，感兴趣的朋友可以在公众号后台回复 “2020 科技趋势” 查看报告完整版。

一、 计算机投资进入黄金时代流动性+政策驱动资本市场发展大时代：新冠疫情全球冲击之下，美联储不断推出宽松政策，包括降息速度、量化宽松（QE）容 量、非常规工具重启等多方面。美联储的政策力度远超预期，使得全球流动性大量释放。 即使 2021 年经济表观增速回正，但疫情及全球增长点乏力中期仍大概率会限制流动性的收缩。6 月份，证监会主席易会满在陆家嘴论坛表示：“大家普遍认为这次由疫情引发的系列问 题，兼具了 1918 年大流感、1929-1933 年大萧条和 2008 年国际金融危机的部分特征， 应对难度前所未有。” 各主要金融市场将可能共同面临“资产荒”的挑战，优质上市公 司资源的竞争会更加激烈，中国政策不断，表达了对资本市场的重视。高流动性下计算机行业估值收益：核心估值方法下资本市场流动性促进高成长资产估值提升。DCF 方法做为企业价值评估 的一种方法，已经被越来越多的国内评估机构所借鉴和采用，是价值投资的基准。PE、 PEG、市值空间法是在不同增长环境下对 DCF 的转化。影响折现率的几个重要外部指标 为： 无风险利率、市场风险溢价、可比公司的收益指标和财务杠杆等财务指标、企业特 定风险调整系数等几个参数。从数据上看，增速更快的企业对流动性更加敏感。定性来 看，流动性充裕下对新兴资产不确定容忍度提高，高成长性空间较大资产受到青睐。计算机行业特点为产业链扁平，不透明度相对较高，受科技与政策影响大，但又为最典 型高成长空间较大行业。在流动性与风险偏好持续提升时，投资者会更加重视对空间的 判断，淡化对其中不确定性的担忧。2019VS2013：商业模式升级、护城河与集中度提升、数据触碰新需求。护城河与行业集中度提升：1）云计算的本质是 IT 与数据集中，领先服务商的产品及服 务优势更加明显，以往集成商靠渠道取胜的优势在淡化。2）技术与行业 Know-how 不 断迭代与竞争，各细分领域头部公司更加明显。商业模式升级：云计算以及运营方式改造使得从订单型收费，转变为按流量（年/人次/ 使用次数）收费。例如广联达传统造价软件收入受到建筑业新开工面积波动影响较大， SaaS 转型后按年收费，可以平滑业绩波动。从 IT 到 DT，空间打开：1）2013-2015 年期间，计算机公司相继推进互联网+战略，本 质上是业务与数据运营开始，各类数据的汇集开始产生新的需求。2018 年，市场上有一 批优质公司进入到收获期，可验证性增强。2）云计算带动数据集中，集中后创新模块不 断被发现和推出，带动空间打开。大科技周期在 2016 年开始导入期，2018 年预期消化。区块链、5G、物联网、AR 在 2016 年资本市场都出现过导入期炒作，2017 年 AI 伴随 Alphago 以及国家规划在计算机 行业整体下行中有极大相对收益。2018 年各科技趋势伴随本身预期消化及资本市场去杠 杆开始出现标志性降温事件。下一个 IT 代际逐步到来，2019 年出现产业化信号。四大科技赛道不断出现积极信号： 1）云计算 10 年成长期加速。2）信创进入产业落地期，相关公司订单、报表变化。3） 5G 应用孕育产业化信号。4）AI 已出现多领域应用场景，开始触动信息化再次深化。我们跟市场反复强调金融 IT 的行业特征为：业绩弹性大、壁垒深厚，关键变量是监管。证券 IT 领军公司如恒生电子、同花顺、东方财富在 2015 年牛市期间业绩大幅增长，尤 其是由 IT 切入金融业务的空间巨大。 证券公司对 IT 核心业务系统依赖度、更替成本都很高，因此领军 IT 厂商壁垒深厚，在 细分领域市占率普遍过半，行业竞争格局稳定。2020 年监管进入全面鼓励发展阶段：回顾近十年金融监管政策历程，2020 年进入全面 鼓励发展阶段，近期金融 IT 政策大趋势不断演绎。1）政策全面宽松阶段：2009 年“四 万亿”，2011 年金融创新，2014 年连续双降；2）全面监管阶段：2016 年底央行开始防 控风险，2017 年“资管新规”，2018 年供给侧改革；3）兼顾发展阶段：2018 年 10 月 政治局会议强调稳住资本市场，以及证监会后续诸多配套政策，2019 年科创板等政策红 利；4）全面鼓励阶段：2019Q4 证券修法、LPR 改革、理财新规等，2020 年推出创业 板注册制、上证综指调整、t+0 有望试点，政策进入全面鼓励发展阶段。我国云计算仍然处于早期阶段，落后美国五年左右。根据 IDC 资料，我们认为国内云计 算产业落后美国至少五年。亚马逊 AWS 在 2006 年推出首款产品，阿里云诞生于 2009 年。国内市场在 2013 年企业用户才逐步对云计算接受并认可，目前产业正进入广泛应 用阶段。海外云计算虽经历二十年增长，现在才刚开始。回顾云计算历史，2000 年新兴的云计算 公司包括 Salesforce、Netsuite 和 Paypal，但价值达 10 亿美元的云计算公司一家都没有。 但是在 20 年内，大量云计算巨头企业迅速成长壮大，2008 年云计算前五大公司的总市 值约为 140 亿美元，2020 年云计算前五大公司的总市值已经超过 6160 亿美元，是 2008 年的 44 倍，是 2015 年的 5.3 倍。部分云计算公司甚至超越了传统软件巨头的市值。Adobe 转云后目前市值超过 2000 亿 美元，Salesforce 的目前市值约为 1700 亿美元，Salesforce 的市值也在今年超过了其长 期以来的竞争对手之一 Oracle。中美科技摩擦或将成为常态。美国对中国的出口管制由来已久，从小布什政府冻结克林 顿政府对两个电子束系统发放的出口许可，再到 2018 年美国商务部对中兴和福建晋华 的禁售。2019 年 5 月，美国总统以国家安全令有效地封锁华为。6 月，美国商务部宣布， 将把四家中国公司和一家中国研究所列入实体清单。包括中科曙光(603019)、天津海光、 成都海光集成电路、成都海光微电子技术、无锡江南计算技术研究所。我们认为中美两国在科技领域的摩擦将成为新常态。从行业上看，2019 年信创产业主要在党政军领域进行试点。2020 年，党政军进入全面 推广阶段，八大行业试点逐步展开，其中金融行业已进入规模性试点阶段，未来有望实 现政务云架构的全面国产化。2020 年截至目前 5G 应用低于预期。2020 年初资本市场对 5G 应用快速推进有较大期 待。但产业发展有自身规律，截至目前相关应用低于市场预期。5G 应用仍将在 3-5 年内大规模商用。从整体上看，各大 5G 应用均已完成技术准备阶 段，在解决关键问题的同时进行产业化推广。根据各领域时间表来看，3-5 年内 V2X、 超高清、VR、云游戏均有望形成大规模商用的可能，围绕新应用、新生态、新技术的投 资机会会不断涌现。软件和信息技术服务业增速逐渐与 GDP 增速部分脱钩。历史上软件行业收入增速与 GDP 增速的变动基本保持一致。2017 年之后我国实际 GDP 增速开始缓慢下行，然而软 件业务收入增速呈现上涨趋势。云计算等信息化深化，行业增长保持高速。2019 年第一季度我国软件业务收入 14755 亿元，同比增长 14.4%，增速同比提高 0.4 个百分点。二、 金融 IT 产业趋势加速推进我们跟市场反复强调金融 IT 的行业特征为：业绩弹性大、壁垒深厚，关键变量是监管。 根据近期陆家嘴论坛监管层发言以及产业趋势，资本市场政策前瞻梳理：1）科创板方面，纳入沪股通、引入做市商制度、IPO 老股转让、再融资办法、科创 板指数、“T+0”交易等政策；2）注册制在创业板试点，未来将在主板、中小板陆续推广；3）扩大沪深股通的投资范围和标的；进一步完善沪伦通业务；拓宽 ETF 互联互通机 制；4）继续鼓励和支持外资金融机构设立或控股证券基金期货机构；5）金融市场放开方面，支持上海股票市场交易所债券市场、期货和金融衍生品市场 开放发展；6）国有大行可能获得券商牌照；头部券商或加速整合。金融 IT 领军的高壁垒体现为：1）技术和经验优势。金融机构对于业务系统的稳定性和安全性要求极高，相关厂商在行 业内积累了多年经验和技术，短期来看难以被超越，如恒生电子的投资交易系统、长亮 科技的银行核心业务系统等。2）行业口碑和渠道粘性高。行业领军公司花费多年建立的行业口碑，形成了极强的渠道 粘性。从客户角度，系统替换成本极高。因此，往往头部厂商市占率较高。3）行业集中度较高。例如，恒生电子在证券集中交易系统市占率为 50%、基金投资交 易管理系统市占率为 83%。线上流量领军同花顺的 DAU 可以达到 2000 万。长期来看，恒生电子作为证券 IT 顶级领军未来拥有十倍成长空间。1）根据 IDC 等相关 数据，参照国内银行 IT 和保险 IT 每年 20%市场规模增速，在资本市场大力发展的情况 下，预计证券 IT 市场规模增速在 25%，即未来三年市场规模翻倍、达到 200 亿以上。2） 海外对标角度，FIS 作为全球级金融 IT 领军，2019 年 FIS 收入达到 103.33 亿美元，其 中北美地区收入为 78.59 亿美元。同期恒生电子营业收入为 38.72 亿元，与 FIS 相差十 倍以上。另外考虑两家公司市值规模以及所处资本市场规模，长期来看，恒生电子未来 拥有十倍成长空间。互联网资管领军技术和流量的积累在资本市场高峰期有望爆发。1）同花顺自上市起就 有各类量化非专利技术，2018 年财报显示已经获得“基于深度学习的个股交易系统”、 “基于人工智能的组合管理优化”等人工智能领域非专利技术，标志公司已具备人工智 能投资的技术储备。2）“金融大师”和“财富先锋”是公司付费 PC 产品线里面向 C 端 的主要投资机器人产品。如“金融大师”利用 AI 技术为选股、择时、风控赋能，产品功 能主要有 AI 大数据（揭示活跃机构资金）、大盘趋势（多维智能分析系统）、九维理念（高 端股票池系统）等。3）2019 年同花顺手机端 APP 的 MAU 超过 4000 万、为国内第一， 而 2015 年仅为 2000 万。AI 技术赋能下，以及资本市场高峰期，有望大幅提高各项业 务变现空间。区块链行业迎政策拐点，2019 年底已上升至国家战略高度。据新华社消息，中共中央政治局 2019 年 10 月 24 日下午就区块链技术发展现状和趋势进行第十八次集体学习， 强调区块链技术的集成应用在新的技术革新和产业变革中起着重要作用。我们要把区块 链作为核心技术自主创新的重要突破口，明确主攻方向，加大投入力度，着力攻克一批 关键核心技术，加快推动区块链技术和产业创新发展。大国竞争之下，央行数字货币“呼之欲出”。1）金融领域最大应用即为数字货币，而国内数字货币由央行主导。DCEP 由时任央行行 长的周小川 2018 年 3 月 9 日在十三届全国人大一次会议“金融改革与发展”主题记者 会上首次提出：央行研发的法定数字货币的名字是“DC/EP”（DC，digital currency，数 字货币；EP，electronic payment，电子支付）。2）在区块链这场技术浪潮中，无论是中国和美国都想要获得先发的优势，而数字货币作 为区块链发挥去中心作用、进行价值传输的工具，世界大国都想争夺这一法币之外的货 币的话语权。而 6 月 18 日，Facebook 已经发布 Libra 白皮书，由此引发了世界各国央 行的关注与讨论。全球央行开始密集释放研发数字货币的信号。因此，央行数字货币具 有国家战略高度。3）2020 年 1 月 10 日，央行明确基本完成法定数字货币顶层设计、标准制定、功能研 发、联调测试等工作。首批试点名单共有 4 地，分别是苏州、雄安、成都和深圳。双层架构和市场化决定了商业银行 IT 端投入将明显加大；便捷匿名的“双离线支付” 带来线下支付终端的大量升级改造需求。三、 加速转云：北美 2013云计算的集中度进一步提升在公有云领域已经得到很明显的体现，头部参与者的市场份 额不断提升。全球范围：前四大公有云巨头（Amazon、微软、阿里巴巴、google）在 2019 年的市场 份额总和为 59.9%，2018 年市场份额总额为 55.2%。国内范围：前四大公有云厂商阿里云、腾讯云、华为云、百度云的市场份额总额也从 2017 年的 61.8%提升到了 81.8%。SaaS 领域：软件 SaaS 化实现数据与资源的全面流通，领先者市占率更上一层楼。垂 直细分领域具有龙头企业，市占率高，用户粘性强，例如建筑、餐饮等，云转型后市占 率有望进一步提升。国外：Salesforce。成立 20 年以来，云 CRM 逐渐侵蚀传统软件份额，2018 年市占率 20%。 国内：广联达。目前广联达云转型已取得初步成效，实际渗透率提升明显。造价领域竞 争对手鲁班与神机妙算底层采用的是 AUTODESK 产品，所以在转云的时候难以跟进。Adobe：在过去的几十年仅提供视频、图像等软件技术服务，其客户使用上述软件技术 进行广告等创意创作。2015 年顺利转变为一家 SaaS 企业，下游原本分散的视频和图像 数据资源得以在云上集中，新业务的拓展也变得更加便捷。产业链下游业务的外延收购，与现有产品形成协同，增加产品体系的广度。为了弥补 Adobe 在客户分析、营销方案推广等方面的不足，完善数字营销技术链，Adobe 开始挖 掘自己使用自家软件的制作营销广告的可能性，逐步布局新业务蓝图，并通过收购获取 广告营销内容制作技术、营销视频播放平台，开展数字营销服务。传统 IT 领域里，海内外差距已十分明显，追赶需要较长时间：计算机技术在 20 世纪 40 年代的美国就已开始酝酿，而在 50 年代－60 年代即逐渐发展 成熟；同一时代的中国，仍在市场和计划之间反复摇摆，1984 年才提出“有计划的商品 经济”。从市值体量对比来看，美国的 Apple、Microsoft、Amazon 的总市值都已经达到 1.7 万亿 美元、1.6 亿美元、1.5 亿美元。对比之下，中国 ERP、财税、建筑领域的龙头公司的用 友网络、航天信息、广联达的总市值都有望朝着 300 亿美元目标奋斗。云计算应用下海内外差距有望拉近，中国 IT 有望实现弯道超车。中美云计算差距较小， 中国云计算企业有望依托于国内庞大的实有企业和人口数量形成的生态圈，反哺云计算 技术，从而推动 IT 技术向前迈进，实现弯道超车的可能。从时间来看，在 IaaS 层，美国与中国的起步相差仅 5-7 年左右。在 SaaS 层：Workday、 ServiceNow 都是 2005 年才成立，云转型企业 Adobe、Autodesk 的 SaaS 化起点时间为 2012 年、2014 年。相比之下，我国 SaaS 云转型的领先企业用友网络、金蝶国际、广联 达、石基信息的云转型时间在 2016-2017 年期间。海外与国内的云计算 SaaS 公司，如使用 PE 估值法分析，会发现传统软件公司普遍使 用的 PE 估值法失效，目前资本市场习惯用 PS 估值法对云计算 SaaS 公司评估。快速发展后可迅速转化成可接受 PE。较高的 PS 能在收入较快成长后迅速下降，且面向 未来的销售费用和研发投入一旦减少，稳定利润率将使 PE 回到可接受范围。云计算企 业通常在稳定期理论净利润率有望达到 30-40%。若假设两年后降低投入且进入稳定期， 实际上云计算领军企业市盈率将进入可接受范围。金山办公：SaaS 订阅客户付费率仅为 3%左右，存在极大提升空间。SaaS 订阅客户的付费率较低，存在极大提升空间。截至 2019 年 12 月 31 日，公司主 要产品月度活跃用户（MAU）已达到 4.11 亿，同比增长 32.6%。其中，2019 年度累计 的年度付费个人会员数达到 1202 万，同比增长 104.4%。从付费率的角度来看，目前金 山办公约为 3%。在国人的付费习惯上面，可以参考视频网站爱奇艺模式，截至 2020 一季度，爱奇艺付 费订阅会员数已经达到 1.18 亿人，并且季度 ARPU 值连续 3 个季度提升。一旦金山办公 的 WPS 开始重视用户的变现，开启全员收费的商业模式，其付费率将有可能是目前的 3-6 倍，ARPU 值也将随着用户忠诚度和产品实用度快速提升，公司的收入也将随之指数 型增长，公司市值天花板仍然远未达到。我们对金山办公的 WPS 会员收入和稻壳会员收入的敏感性分析，WPS 会员未来 5 年 的年收入区间约为 4.3 亿元-16.2 亿元，稻壳会员未来 5 年的年收入区间约为 2.5 亿元 -11.7 亿元。即乐观估计可以在 5 年内达到 28 亿元年收入。此外，如果考虑云文档、 云存储等功能一旦进入到变现阶段，也将推动 ARPU 值显著提升。信创落地进程中，未来 5 年 WPS 将释放 60.8 亿市场空间。全国的党政机关各个部门 人员用的电脑共有 2000 万，未来还将逐步渗透到国资委下的企业。根据统计局数据， 2015 年全国党政机关公务员超过 700 余万人，事业单位编制人员 3100 余万人、中央 企业员工 200 余万人，总数合计约 5000 万人。我们按照截止 2022 年，2000w 台替换电脑测算，政府部门多以场地面积授权方式付费， 假设 Linux 版本的 WPS office 价格为 960 元/3 年/台，即 320 元/年/台。WPS 的竞争对 手还有永中 Office，但是 WPS 的市占率达到 95%以上，释放 60.8 亿市场空间。广联达：从软件企业到云计算企业再到智能企业，边界无限拓宽。非公开发行募集资金，进一步夯实造价及施工业务的优势。广联达是数字建筑平台服务 商，收入构成目前以造价业务和施工业务为主。2017 年至今，公司造价业务的云转型持 续推进，造价业务的商业模式由销售软件产品逐步转向提供服务的 SaaS 模式。2020 年公司顺利完成定增，募集资金 27 亿元，用于造价大数据及 AI 应用项目、数字项 目集成管理平台项目、BIMDeco 装饰一体化平台项目、BIM 三维图形平台项目、广联达 数字建筑产品研发及产业化基地及偿还债券等项目。此次定增大部分募集资金投入到公司的主业造价业务和施工业务中，将推动公司从传统 造价软件企业向云计算企业和智能企业迈进，其中： 造价大数据及 AI 应用项目：公司造价产品已升级到第二代以云计价和云算量为代表 的“云加端” 产品，通过有效的数据积累为后续数据类增值应用打好基础。开发基 于造价大数据及 AI 应用的智能计价与智能算量的下一代造价产品，有利于提高公 司数据增值服务和提高客单价。 数字项目集成管理平台项目：数字项目集成管理平台通过将业务提炼成公共组件， 并对组件产生的公共数据进行统一管理调用，打破了原有的业务和数据的壁垒，最 终实现业务和信息互通，解决了传统模式下的信息孤岛难题。 BIMDeco 装饰一体化平台项目：主要助力装饰产业实现数字装饰，是数字建筑的另 一组成部分，同时也是公司在造价及施工业务之外的又一领域探索。 BIM 三维图形平台项目：由于国内缺少自主知识产权的三维图形平台，因此打造 BIM 三维图形平台利于实现建筑软件自主安全可控，进一步增强国产建筑软件核心竞争 力。 广联达数字建筑产品研发及产业化基地：打造西安研发中心，为公司研发提供技术 人才资源。横向提高数字造价 ARPU 值，纵向深入拓展建筑信息化各个领域。横向提高客单价方面， 在造价业务 SaaS 化成功的基础上，公司将融合人工智能、大数据、云计算等技术，打 造广联达工程造价大数据及 AI 应用平台及相关产品和服务，还可以向公司其他业务线提 供 AI 能力复用，与数字施工业务、供应商业务、教育培训业务及政务业务形成协同效应； 纵向拓展其他领域方面，公司通过进入到装饰领域、设计领域，深化公司在建筑信息化 各个领域的布局。考虑造价业务转型成功后，盗版用户及竞争对手用户转移到广联达的产品，以及增值服 务带来的 ARPU 值提升，广联达的造价业务的年收入可超过 50 亿元。施工信息化业务的潜在收入空间可达百亿规模。工程项目是施工企业的基本工作单元， 2016 年我国施工项目数为 79 万个，平均每个项目的投资额为 1.41 亿元，如果每个项 目在施工阶段投入 15 万元到信息化，占比仅为投资额的 0.1%左右，那么施工阶段软 件市场在中国可达千亿级别。如果广联达在施工业务的市占率达到 10%，那么广联达 的施工收入将达到百亿级别。BIMDeco 装饰一体化业务是数字建筑的另一组成部分，是公司在造价及施工业务之外 的又一领域探索，BIMDeco 以装饰 BIM 为基础，打通设计、预算、施工的项目全过程， 通过三维建模工具，实时渲染技术，实现工程项目虚拟与现实数字孪生共存，从而帮助 公装领域相关企业逐步实现 BIM 化设计、工业化生产与数字化、装配式施工。卫宁健康：推出 WinCloud 计划，引领医疗行业 SaaS 变革。发布 WinCloud，宣告开启 SaaS 转型之路。医疗信息化产品一直以来存在定制化程度 高，难以完全产品化，实施交付流程长等痛点，SaaS 化解决了医疗信息化产品的痛点： 1）“1+X” 数字生态解决医院各类定制化需求；2） 云端交付解决实施交付周期较长问 题； 3) 大量医疗数据的交互与互联互通需求，包括在院内、线上线下、以及医院与医 联体和医保局等场景。云原生的 WinCloud 可以部署在云端，上面可以生长出很多内容， 包括传统的线下业务产品、线上互联网产品、甚至第三方的产品，都可以基于未来的产 品来进行生长来打造一个完整的产品生态。基于这个产品生态往外进行辐射，可以跟政 府进行连接，跟产业的上下游进行连接，从而实现全面云化的 WinCloud 生态打造。转云后的卫宁估值天花板被大幅抬高。我们假设：1）WiNEX 产品（仅包括数据中台、 业务中台与技术中台）在医院平均订阅服务年费为 232 万，第一年初装费用为 150 万。而订阅服务年费可以随着医院应用市场以及模块增加可以逐步提高。2）2020-2024 年公 司实现订阅制收费的医院数量分别为 30/100/180/300/500 家，公司 2019 年医疗卫生机 构用户已经超过 6000 家，其中三级医院数量超过 400 家；3）公司全面推广 WiNEX 产 品，未接受订阅制付费的医院的订单在行业趋势保持快速增长。预计公司 2020-2024 年云业务表观收入分别为 1.15/3.37/5.38/8.76/14.60 亿元，传统订 单业务由于 WiNEX 产品上线，实施成本降低，交付周期缩短，规模效应逐步体现， 2020-2024 年收入分别为 22.20/26.57/31.07/35.80/40.30 亿元。四、 信创进入收获期，数据库为最后一公里自主可控产业链可分为四部分：1）IT 基础设施：主要指 CPU 芯片、服务器、存储、交换机、路由器，这些是信息安全 的基础，国产化替代空间巨大；2）基础软件：主要指操作系统、数据库、中间件，随着基础软件技术逐渐成熟，国内 厂商积极抢占国外巨头市场份额；3）应用软件：主要指为不同行业领域用户需求而提供的软件，比如 ERP 领域、电力行 业、金融行业、政务应用、办公软件，目前国产化替代逐渐从基础软件向高端软件渗透；4）信息安全：主要指边界安全产品、终端安全产品、安全管理产品，目前国产信息安 全产品可基本替代国外同类产品。国产终端大体上相当于 Wintel 3-5 年前的水平，技术上可以实现完全替代。Linux 操作 系统与 windows 的比较，最大缺陷是缺少大量行业软件支持的生态问题，但是国内应用 软件成熟度日益提高改善整体生态水平，可以说国产 CPU+操作系统正从“可用”向“好 用”发展。从进展上看，2019 年信创产业主要在党政军领域进行试点。2020 年，党政军进入全 面推广阶段，八大行业试点逐步展开，其中金融行业已进入规模性试点阶段，未来有望 实现政务云架构的全面国产化。数据库的发展历史反映了产品要随着结构复杂化、数据独立性、冗余度和控制功能不断 进化。数据库系统阶段是从 60 年代后期开始的，数据库中的数据不再是面向某个应用 或某个程序，而是面向整个企业(组织)或整个应用的。数据库系统阶段的特点是：1. 采 用复杂的结构化的数据模型，数据库系统不仅要描述数据本身，还要描述数据之间的联 系。这种联系是通过存取路径来实现的。2. 较高的数据独立性，数据和程序彼此独立， 数据存储结构的变化尽量不影响用户程序的使用。3. 最低的冗余度，数据库系统中的重复数据被减少到最低程度，这样，在有限的存储空间内可以存放更多的数据并减少存取 时间。4. 数据控制功能，数据库系统具有数据的安全性，以防止数据的丢失和被非法使 用；具有数据的完整性，以保护数据的正确、有效和相容；具有数据的并发控制，避免 并发程序之间的相互干扰；具有数据的恢复功能，在数据库被破坏或数据不可靠时，系 统有能力把数据库恢复到最近某个时刻的正确状态。数据库产品需要与技术和场景结合。当前有许多研究是建立在数据库已有的成果和技术 上的，针对不同的应用，对传统的 DBMS，主要是 RDBMS 进行不同层次上的扩充，例如 建立对象关系(OR)模型和建立对象关系数据库(ORDB)。面对场景上比如面向工程，面向 地图系统，面向设计类等特定的领域。这一类数据库会对业务场景进行深入理解，分析 其中的数据模型，特性，数据流的梳理特点，从而定制形成专属的更符合业务场景的， 在性能，交互，事务处理方面更好表现的数据库。主流数据库主要是以 MySQL，Oracle，PG 等为基础的。数据库是指长期存储在计算 机内有组织的、可共享的数据集合。数据库中的数据按一定的数据模型组织、描述和存 储，具有较小的冗余度、较高的数据独立性和易扩展性，并可为各种用户共享。“共享”是指数据库中的数据，可为多个不同的用户、使用多种不同的语言、为了不同的目的而 同时存取数据库，甚至同一块数据也可以同时存取；“集合”是指某特定应用环境中的各 种应用的数据及其数据之间的联系(联系也是一种数据)全部集中地按照一定的结构形式 进行存储。传统主流的数据库主要以 MySQL，Oracle，PG 等为基础的。国产数据库市场规模达 268 亿元。2016 年人社局数据表示全国公务员数量为 716.7 万 人，统计局数据表示国有单位在业人员 5739.7 万人，全国 PC 存量 PC 台数近 3 亿。在 不考虑民用消费市场的前提下，我们基于政务市场和事业单位的保守假设，基于政务市 场、事业单位和央企国企的中性假设下，预测其潜在市场空间分别达到 108 亿元和 268 亿元。国内数据库行业呈现出三大核心竞争阵营，一是以阿里、腾讯和华为科技巨头为代表的 云数据厂商；二是以武汉达梦、南大通用和神舟通用为代表的传统国产厂商；三是以科 蓝软件外延并购的 SUNJESOFT 为代表的厂商。五、 5G 模式渐明，软件定义汽车先行1.超高清赛道稳步推进，国产 AVS 有望弯道超车上海上线首个超高清 4K 频道。2020 年 7 月 15 日，上海首个 4K 超高清频道“欢笑剧 场频道”正式对外开播，该频道是在上海广播电视台原高清“欢笑剧场”频道基础上， 保持名称和呼号不变调整升级而来，频道全天 24 小时播出，内容囊括影视剧、综艺、 纪实、体育等门类。首播栏目包括《甄选影院》、《强档综艺》、《超清赛事》和《探索大 发现》等。“5G+4K/8K 超高清直播示范平台”项目启动。未来总台将以该项目为抓手，推动总 台从传统技术布局向“5G+4K/8K+AI”战略转型，项目总投资 4.2 亿元，将在未来两年 内完成。项目建成后，将首次实现基于 5G 技术的“云管端”全新业务模式，形成年产 10000 小 时超高清节目制作能力，并全面对接总台电视、新媒体、电影平台，实现 4K/8K 超高清 电视节目在各平台的直播、点播。受到疫情冲击，超高清赛道推动进展低于预期。受到新冠疫情冲击、奥运会延期的影响， 超高清赛道在 2020 年的落地推动进展一定程度上有所延缓。年内截至 2020 年 7 月，央 视暂未看到超高清 4K 频道的落地播出（根据中央电视总台的 4K 超高清频道技术系统建 设规划，原计划 2020 年 6 月之前完成体育、综艺、纪录片等 3 至 5 个频道 4K 超高清制 播系统的建设，新增具备每天 30 小时的 4K 节目制作能力）。但是同时，新冠疫情也加 速了在线教育、在线办公等多个新兴场景的普及，一定程度上弥补了疫情对于超高清传 统赛道业务的冲击。国产 AVS 视频编码期待弯道超车，产业未来有望看到进一步发展。面对海外的 H.265收费乱局，国产的 AVS 标准有望突围，虽然目前 AVS2 相对 H.265 略有劣势，但是未来 随着超高清产业的进一步发展，有望推动 AVS3 在性能方面相对 H.266 的超越，标准与 产业需要同步发展，产业的前进给行业标准提供落地的土壤。未来随着新冠疫情的逐步 控制、2021 年奥运会召开时间的逐渐临近，超高清赛道依然有望看到疫情压制逐步消失 之后的快速恢复性发展。2. VR 赛道进展低于预期，技术和内容同步推进方可走进千家万户三大运营商在 2019 年底、2020 年初提出了 2020 年度的 VR 出货目标，合计约 600 万台，但截至目前目标完成度较低。中国电信在 2020 年的 VR 出货量目标就达到了 300 万台。而根据 2019 年 11 月 15 日，中国移动召开的 5G 泛智能终端渠道生态合作峰会 上所发布的 2020 年终端产品规划，2020 年中国移动预计 XR 终端出货量为 200 万台（由 于目前市场中相比 VR，AR 的市场体量较小，我们可以假设 200 万台基本为 VR 终端的 预期出货数量）。中国联通在 2019 年 10 月 17 日的中国联通智慧生态合作大会上公布了 2020 年的 VR 发展目标，用户数从“试点”状态达到过 100 万。不过由于受到疫情对线 下门店的影响，叠加内容端粘性、丰富度的相对欠缺。内容端出现破冰者，产业发展有望提速。2020 年 3 月 24 日，Valve 携 Half-Life 系列新 作《半衰期：爱莉克斯》强势归来，好评如潮，Steam 社区首日就获 5000+评价，好评 率 97%，我们认为该款游戏有望成为 VR 行业游戏内容端的破冰者，未来逐步推动 VR 产业的发展提速。未来期待新技术的迭代进一步推动 VR 产业的发展。根据《日经亚洲评论》报道，Facebook 的“新”Oculus VR 头显将在 2020 年 7 月底开始大规模量产，而歌尔股份可转债项目也 加码了 AR/VR 光学模组项目。Oculus 作为全球 VR 赛道的行业先驱依然在探索新的技术 应用可能性，我们期待 VR 上能看到更高性能的计算芯片、更清晰和逼真的图像显示效 果、更丰富的手部交互功能和眼球跟踪等高科技技术的落地，技术的更新迭代有望进一 步推动 VR 产业的发展，VR 逐步走进人们的日常生活，而不仅仅是中高端游戏玩家的专 有产品。3. R16 标准冻结推动自动驾驶逐步落地，软件定义汽车先行R16 标准冻结。2020 年 7 月 3 日晚，国际标准组织 3GPP 宣布 R16 标准冻结，标志 5G 第一个演进版本标准完成。R16 标准不仅增强了 5G 的功能，让 5G 进一步走入各行各业 并催生新的数字生态产业，还更多兼顾了成本、效率、效能等因素，使通信基础投资发 挥更大的效益，进一步助力社会经济的数字转型。R16 进一步增加了自动驾驶落地的可能性。R16 标准增强了新空口（NR）在垂直行业 应用的能力，尤其是对 TSN（Time Sensitive Networking）时间敏感网络的支持，同时 通过引入组播和广播等多种通信方式，以及优化感知、调度、重传以及车车间连接质量 控制等技术，实现 V2X 支持车辆编队、半自动驾驶、外延传感器、远程驾驶等。在当前 车联网辅助预警场景的基础上促进增强 V2X 场景的应用，不仅加快车联网的商用落地进 程，也进一步满足自动驾驶应用中对车联网通信的要求，促进车联网与自动驾驶深度融 合，进一步增加自动驾驶落地的可能性。2020 年上半年多家企业开放 Robottaxi 服务。全球的自动驾驶商业化落地依然较少， 绝大多数处于测试或者是示范区试点阶段，Waymo One 服务已经在亚利桑那州凤凰城 为公众提供乘车服务，但是数量依旧有限。2020 年 6 月 27 日，上海智能网联汽车规模 化载人示范应用启动，滴滴首次面向公众开放自动驾驶服务。从百度到高德，再到滴滴， 短短 3 个月时间，三家企业扎堆开放 Robotaxi 自动驾驶出租车服务。我们认为自动驾驶未来逐步可以落地的领域包括：卡车货运。2020 年 3 月，Waymo 获得 22.5 亿美元融资，推出 Waymo Via 计划在 美国进行卡车自动驾驶测试。不过我们初期预计自动驾驶卡车会在固定的高速公路 路段进行自主配送，以此降低自动驾驶技术将要面对的技术复杂度。班车、港口、园区交通。上述几个场景的路线相对固定，且道路复杂度不会很高， 更容易实现商业化的落地，美国的 Optimus Ride 提供的班车服务就在布鲁克林海军 基地的私人道路上闭环运行。国内的车企也进行了很多自动驾驶商业化方面的尝试， 主要在一些特定场景和示范区域里，如公共交通、市政环卫、港口码头、货运物流、 矿山开采及零售行业。目前也出现了一批自动驾驶领域的初创企业，如 Pony.ai、图 森未来、Momenta、地平线、文远知行等等。特斯拉成为汽车 OTA 的先锋。特斯拉 OTA 可实现让车辆定期获得安全及导航方面的新 功能、提升车辆性能、完善驾驶体验等功能。例如，Model X 100D 经过 OTA 升级后， 百公里加速时间可从 5.2 秒缩短至 4.7 秒，Model S 100D 的百公里加速时间则直接缩短 了 1 秒，升级后仅需 3.3 秒。根据统计，从第一款 ModelS 上市开始，截止到 17 年 3 月 份的 5 年时间里，Tesla 总计推送 25 次 OTA 升级（不含小版本），涉及各大功能域、至 少 22 个控制器。在这其中：中控屏更新 22 次，更新内容囊括 bug 更新/显示/报警/交互 /控制设置等方面，几乎每次更新都会涉及；动力及电池系统相关更新 11 次，包括能量 管理/热管理/性能优化/车载充电等方面；座舱系统相关更新 10 次，包括雨刮/座椅/PE/ 门把手/鸥翼门等方面。国内众多新车企均搭载 OTA 升级。例如蔚来的 ES8 在新节能模式下无论是百公里能耗 （21.7 平均能耗、18.6 实时平均能耗）、还是由数据推算出的实际高速续航里程（279.9 公里）都比早前表现好了很多：能耗降低了超过 10%，续航也提升了近 10%。理想汽 车旗下的 ONE 在 2020 年 1 月 15 日也进行了首次 OTA 更新，包括增加预约充电功能、 提升音响体验、优化电源管理、改善油耗以及全速域自适应巡航（ACC）。小鹏汽车则在 2019 年 7 月首次进行了 OTA 升级，开放包括 ALC 自动变道辅助、TJA 交通拥堵辅助、 透明底盘、驾驶员疲劳预警、驾驶员分神预警等功能。……（报告观点属于原作者，仅供参考。报告来源：国盛证券）

机器之心报道机器之心编辑部一直以来，我们都能听到中国 AI 实力已经超越美国论调，在此报告中我们能够看到详实的数据支持。联合国世界知识产权组织基于对专利申请数量与 AI 科学出版物的统计，对 AI 的过去与当前的技术趋势进行了综述，同时也对 AI 领域的主要参与者做了分析。其中大量的数据统计让我们能看清 AI 发展的技术趋势，也能对各国 AI 研究的实力有所观察。该报告共 158 页，机器之心对其核心内容做了编译介绍。报告地址：https://www.wipo.int/edocs/pubdocs/en/wipo_pub_1055.pdf目录：执行摘要介绍AI 趋势AI 专利申请和科学出版物的演变AI 专利申请的主要参与者专利申请图示AI 相关市场趋势AI 引发的问题与相关策略AI 和 IP 系统的未来执行摘要人工智能越来越多地促进技术和商业的发展，从自动驾驶汽车到医疗诊断再到高级制造业等。随着 AI 从理论领域走向全球市场，其发展受到数据和快速发展的计算处理能力地极大促进，带来了变革性影响：通过在数十亿个看似不相关的数据点中检测模式，AI 可以改进天气预报、提高庄稼产量、促进癌症检测、预测传染病，以及提高工业生产力。透过专利分析看技术趋势世界知识产权组织（WIPO）的专家对专利数据进行了分析，从而出版了《WIPO Technology Trends》系列的第一部分《WIPO Technology Trends 2019: Artificial Intelligence》。该报告分析了专利、科研发表文章等数据，对 AI 的过去和当前趋势进行了综述，同时也对 AI 领域未来的创新趋势提供了洞见。该报告系统性介绍了 AI 技术的研究趋势，以发现哪个领域出现了最多的创新型 AI 活动，哪家企业、哪家机构在领导 AI 发展，以及未来的发展市场在哪里。WIPO 为理解 AI 领域构建了一个新框架，将 AI 相关技术分为三组，以反映 AI 的三个维度：AI 使用的技术，如机器翻译；功能性应用，如语音处理和计算机视觉；应用领域，如通信和交通。该报告为这三个领域都提供了数据和分析，概括了其趋势、主要参与者、地域分布和市场活动，包括并购和诉讼。此外，该报告还包括全球 AI 专家的贡献，他们解决了一些问题，如 AI 技术的现有和潜在应用以及影响、法律法规问题、数据保护和伦理关注等。AI 相关的发明快速发展，从理论转向商业应用自 20 世纪 50 年代人工智能出现以来，创新者和研究者为将近 34 万 AI 相关的发明申请了专利，并发表了超过 160 万篇科研文章。值得注意的是，AI 相关的专利正在快速发展：超过半数专利是在 2013 年之后公布的。AI 科研文章的暴涨出现在 2001 年左右，比专利申请的暴涨早了差不多 12 年。此外，科研论文和发明之间的比例从 2010 年的 8:1 下降到 2016 年的 3:1，说明该领域从理论研究转向 AI 技术在商业产品和服务中的应用。AI 的一些领域发展得较快……机器学习是这些专利中的主导 AI 技术。机器学习相关专利的数量平均每年增加 28%，2016 年有 20195 个专利申请，而 2013 年仅有 9567 个）。革新 AI 领域的机器学习技术是深度学习和神经网络，而它们也正是专利申请中增长最快的 AI 技术：2013-2016 年，深度学习的年均增长率为 175%，2016 年达到了 2399 的专利数量；神经网络的同期增长率为 46%，2016 年达到了 6506 的专利数量。在 AI 的功能性应用中，计算机视觉（包含图像识别）最流行。计算机视觉在 49% 的 AI 相关专利中有所提及，年均增长率为 24%。2013-2016 年，增长最快的 AI 功能性应用是机器人学和控制方法，年均增长率为 55%。AI 相关专利的年均增长率远远高于所有技术领域，后者在 2013-2016 年间年均增长率为 10%。此外，很多 AI 专利可用于不同行业，如通信、交通、医疗、个人设备、计算和人机交互，以及银行业、娱乐业安防、制造业、农业等。某些 AI 技术、应用和行业紧密相关。如深度学习+计算机视觉；计算机视觉和交通、通信、安防；知识本体工程和自然语言处理；机器学习和生物医学。这些表明未来可能出现快速发展的领域。来自日本、美国和中国的企业主导了 AI 专利活动top 30 AI 专利申请人中有 26 个是企业，只有四家是大学或公立研究组织。大部分 AI 技术、应用和领域都是如此。top 20 AI 专利申请企业中 12 家在日本，3 家在美国，2 家来自中国。IBM 和微软是 AI 专利的领头羊IBM 拥有最多的 AI 专利申请——8290 个发明，微软紧随其后，有 5930 个发明。这两家公司的 AI 相关专利涉及大量 AI 技术、应用和领域。前五名中还有东芝 (5,223)、三星 (5,102) 和 NEC (4,406)。中国国家电网公司跃居 top 20，2013-2016 年年均增长率为 70%，尤其是生物启发方法和支持向量机这两种机器学习技术。而在某些技术和领域中，最高专利申请来自于在该领域具备高专业度和丰富经验的企业。比如百度在深度学习领域专利众多，Facebook 和腾讯在网络和社交网络方面专利众多。大学对特定领域的 AI 研究贡献良多，中国高校占据主导企业在 AI 专利方面占据主导地位，但大学和公立研究组织在某些 AI 领域（如分布式 AI）、机器学习技术和神经科学／神经机器人学方面是主导性的。中国组织在 AI 专利 top 20 学术组织中占了 17 个，在 top 20 AI 相关科研文章中占了 10 个。中国组织在深度学习技术方面尤其强悍。占据领先地位的公立研究组织申请人是中国科学院，拥有超过 2500 个同族专利和超过 20000 篇 AI 相关的科研论文。中国组织领先地位稳固，2013-2016 年专利申请量年均增长率超过 20%。top 500 专利申请者中有 167 个来自大学和公立研究组织。其中，110 家来自中国，20 家来自美国，19 家来自韩国，4 家来自日本。收购补充了内部研究和知识产权战略自 1998 年以来，总共有 434 家 AI 领域公司被收购，53% 的收购是 2016 年进行的。自 2012 年以来，人工智能领域的收购数量逐年增加，2017 年达 103 起。虽然 Alphabet（旗下包括谷歌、DeepMind、Waymo 和 X Development）在提交的发明数量中仅排第十，共有 3814 项，但在收购 AI 公司方面它排第一。苹果和微软也积极参与收购。有些公司，如 IBM 和英特尔，瞄准的是成熟的公司。然而，大部分被收购的公司都是初创企业，只有少量或者没有专利项目。这说明收购看中了被收购公司的其它资产，包括人才、数据、知识和其它知识产权。AI 研究领域的合作有限，冲突也是如此在很多情况下，合作研究的组织被认为是专利申请的共同受让人。然而，top 20 专利申请者没有一个与其它申请者分享超过 1% 的 AI 专利所有权。总的来说，本报告确定的诉讼数量相对较少（不到 1% 的专利被起诉），这可能是因为产品还未上市，侵权行为难以证明。诉讼中发现了 1264 个人工智能同族专利，其中 74% 的案件发生在美国，全球有 4231 件专利异议案件。AI 专利诉讼中排名前三名的原告是 Nuance Communications、American Vehicular Sciences 和 Automotive Technologies International。技术趋势可以为人工智能的未来决策提供信息本报告中呈现的分析为人工智能的创新趋势提供了一些新的见解。它表明人工智能在很多技术领域和其它活动中正扮演者越来越重要的角色。AI 的潜在社会影响已经被发现，而且还会产生更多的影响。在这方面，我们必须结合人工智能对劳动力、经济和整个社会的影响来看待它。政策制定者必须迅速行动，跟上 AI 相关的发展，并确定 AI 的发展方向。各种各样的利益相关者必须思考正确的政策组合，以最大限度地从人工智能中受益，特别关注与人工智能相关的战略、政策、法律和法规，解决法律和道德方面的考虑；考虑数字数据的访问和所有权及其对知识产权系统的影响；具备适当技能的劳动力；以及投资战略和相关资金。本报告记录了 AI 赋能的技术如何快速进入全球市场，并整合了前沿 AI 专家的观点。它旨在为公共和私营部门的决策者讨论 AI 的未来时提供更好的知识库、政策和监管框架。AI 专利申请和科学出版物的演变本章将介绍人工智能的整体趋势，包括其行业主要参与者的行为、地理趋势，收购和执法趋势，包括以下三类：1）AI 技术；2）AI 功能应用；3）AI 应用，如第 1 章中的图 1.1 至 1.3 所示。下面报告的增长率是基于 2013 年至 2016 年专利申请的年平均增长率。在第 3、4、5 和 6 章中更详细地分析了这些结果。主要发现自 1960 年至 2018 年早期，人们提交的与人工智能相关同族专利接近 34 万，发表了超过 160 万篇科研论文。2011 年至 2017 年，每年在 AI 领域提交的专利申请数量增长了 6.5 倍。面向技术解决方案的工业应用的专利申请热潮在科学出版物中滞后了大约 10 年。此外，科研论文与已发表专利的比例正在下降，表明人们对人工智能技术的实际应用越来越感兴趣。专利文献最广泛关注的人工智能技术是机器学习，其次是逻辑编程（专家系统）和模糊逻辑。最主要的 AI 功能应用是计算机视觉、自然语言处理和语音处理。专利文献中最常提到的 AI 应用领域包括电信、运输、生命和医学科学，但近年来几乎所有领域都显示出专利活动的增长。2013 年至 2016 年间最显著增长的专利活动包括了机器学习技术和深度学习。在此期间，深度学习的平均年增长率为 175％。机器人和控制方法（均为 55％）是增长最快的 AI 功能应用，航空航天/航空电子（67％）和智能城市（47％）是增长最快的应用领域。社区之间也存在紧密联系。例如，深度学习经常与计算机视觉应用程序共同出现。图 3.1：最早出版年份的 AI 同族专利和科学出版物。图 3.4：早期顶级人工智能同族专利数量变化图，机器学习从 2011 到 2016 年平均每年都会增长 26%。图 3.5：人工智能技术类别和子类别的同族专利数，机器学习占据了绝对的领导地位，占与 AI 技术相关专利数的 89%。图 3.7：机器学习子领域的同族专利数和科学发刊物数量的对比，占比为占整体 AI 技术的比例。其中规则系统与监督学习的专利数要比科学发刊物多一些。图 3.10:职能型应用类别和子分类的同族专利，其中计算机视觉占据与某项应用相关专利的 49%。图 3.11 通过最早优先权统计的顶级功能应用同族专利。自 2011 年至 2016 年，计算机视觉平均每年增长 23%。图 3.12:通过最早优先权统计的顶级计算机视觉子分类。2013 年开始，生物统计学增长了 30%，超越了其他所有子分类。图 3.13:通过最早优先权统计的顶级自然语言处理子分类同族专利。从 2013 年到 2016 年，信息提取增长了 24%，语义增长了 33%。图 3.14 通过最早优先权统计的顶级语音处理子分类同族专利。语音识别占据其中的 86%。AI 专利申请的主要参与者公司占据了前 30 名专利申请人中的 26 名。其中大多数是在消费电子、电信和/或软件以及电力和汽车制造等行业中活跃的企业集团。前 30 名中只有四名是大学或公共研究组织。IBM 拥有最多的 AI 专利组合，拥有 8290 项专利申请；其次是微软，拥有 5930 项专利申请。在前 20 家公司中，有 12 家是日本公司。顶级公司在其专利申请中提到的主要功能应用是计算机视觉（20 个中的 19 个），尽管 IBM 更加关注自然语言处理。机器学习是迄今为止最多专利组合中最具代表性的人工智能技术。专利共同所有权很少见：前 20 名申请人中没有一家实体拥有超过百分之一的 AI 共同专利，与其他技术领域相似。前 20 家公司中有 7 家已经收购了 AI 公司。其中，Alphabet 已收购的 AI 公司最多（18），同时在过去几年中减少了其专利申请活动。大学/公共研究机构中的领先机构是中国科学院（CAS）（在总体成绩中排名第 17 位）。在前 500 名专利持有人中，大约有 100 家中国机构，而前 20 名学术机构中有 17 家在中国。中国大学/研究机构的专利活动取得了显着增长（每年 20％至 60％），与其他大多数国家的组织增长率相匹配或超过其增长率。与公司一样，计算机视觉是顶级大学/公共研究组织专利组合中提到的主要功能应用。机器学习和神经网络是最常提到的 AI 技术。顶尖大学/公共研究机构在其原籍国提交绝大多数优先权专利申请（Fraunhofer 是主要的例外，一些优先权申请也在美国或通过欧洲专利申请）。中国科学院（CAS）是深度学习专利申请的领导者，中国科学院（CAS）是近期增长显着的领域的主要参与者，其次是百度，然后是 Alphabet、西门子、小米、微软、三星、IBM 和 NEC。图 4.1：30 大申请 AI 同族专利的公司与学校，其中 26 家是公司。图 4.2：部分地区高校与公开研究机构申请 AI 专利的数量排行。中国科学院和韩国电子通信研究院分别排名第一、第二。图 4.3：前 500 名专利申请者中，各地区占据的申请机构数量。其中来自中国的大学和公开研究机构占据前 500 名专利数量申请者中的 1/5。图 4.4：发表 AI 科学出版物的 20 大高校与公开研究组织，根据文章数量进行排名。其中，10 个来自中国，6 家来自美国，2 个来自韩国，日本和法国各占一家。专利申请地理趋势关键信息最早的一笔 AI 相关专利是由日本专利部门在 1980 年注册的；接下来数年，相关专利数量停滞，美国和中国后续增长；基于对专利申请数据和科学出版物的分析，中国和美国在 AI 应用和基础研究上都处于领导地位；2014 年，在中国首先注册的 AI 专利申请数量超越美国，但是只有 4% 的专利后续在其他地方注册；其他主要的 AI 专利申请地包括：法国、德国、韩国和英国，印度逐渐成为新兴的 AI 专利申请地；中国和美国在 AI 技术和功能应用的专利申请上处于领导地位，但是在模糊逻辑、计算机视觉和语音处理领域日本有竞争优势，在本体工程领域韩国有竞争优势。中国和美国在应用领域的专利申请上上也处于领导地位，只有日本在艺术与人文、文档管理和发表，以及韩国在军事应用上能够相抗衡。图 5.1:不同专利注册地注册的专利数量（上）和不同地方机构发表的科学出版物数量（下）。AI 研究和 AI 相关的专利保护在全世界都有。AI 相关市场趋势关键信息：自 1998 年，434 家 AI 相关公司被收购；53% 的收购发生自 2016 年至今；AI 领域大部分被收购的公司源自美国（283 家），英国位列第二（25 家）；前 10 大公司每家至少收购了 5 家 AI 公司，这 10 大公司共做了 79 项收购；Alphabet、苹果、微软是最活跃的公司，分布进行了 18 项、11 项、9 项 AI 收购；基于公开信息，到 2018 年 5 月，2868 家 AI 公司获得融资（占据 6538 家公司总数的 44%），总金额大概为 460 亿美元；在诉讼案例中共有 1264 项同族专利被提到，大概为 AI 相关专利的 0.37%；在异议案例中，4231 项同族专利被提到（大概为 AI 相关专利的 1.25%）；二者更有 492 项交叉案例；诉讼案例中 3 大原告分别为 Nuance、American Vehicular Services 和 Automotive Technologies International，微软、苹果和 Alphabet 为几大被告；对 AI 专利存在异议的最大申报者是西门子、戴姆勒和 Giesecke+Devrient，异议案例中最大的被告是三星、LG 和现代。图 6.1 收购年度 AI 领域的收购数量。2000-2012 年间收购量平均增长 5%，2012-2017 年间平均增长 33%。AI 引发的问题与相关策略（略）AI 和 IP 系统的未来该报告的聚焦点是对 AI 相关技术的现状和近期趋势进行分析，就像对专利和科学出版物的统计数据分析这样。在此终章中，报告对 AI 技术的未来进行了回顾，包括下一代 AI 技术所能带来的机遇、AI 和知识产权（IP) 系统的结合。如同前面几章，这部分内容包含了业内众多专家的评论与贡献。

深度生成模型与算法和概率编程库生成对抗网络（GAN）是深度生成模型（Deep Generative Model）中的一种方式。下面介绍一下相关的算法。现在很多场景下的深度学习，我们在机器学习里面跟准确的说法是，判别式的机器学习，或者判别式的深度学习。目标是想学一个从输入到输出的一个映射函数。通常情况下可以把F定义成一个可以求导的光滑的函数，所以可以用反向传播（Gradient back-propagation）的算法来进行训练它。现在大家用的很多的网络基本上都是符合，图中是最早的卷积网络的原形，今天主要围绕产生式模型（Generative Modeling ）进行介绍。形式化描述产生式模型的不同之处是：数据服从某种分布，真实世界里面的分布我们是不知道的，真实分布在真实世界里面分布的非常复杂。但我们能拿到一些样本，也是一些数据，比如我看到的图片，看到文本，或者看到一些色交网络等等的结构，这都是我们看到的数据。我们希望去学一个模型，这个模型也用一个分布来描述。我们叫 model，我们希望 model的分布和数据的分布是比较吻合的，或者说在某种意义上比较相似。如果这个前提达成的话。希望从模型里面生成很多新的数据，可以去泛化，可以去举一反三，图片中是一个简单的例子，手写体字符里面可以训练出一个模型，可以生成出一些在新的在训练集里面没有看到的样本。这是生成模型一个主要目标。生成模型在机器学习中有很多的作用，首先是可以做无监督的模型。比如现在判决式神经网络需要有大量的标注数据去训练。比如ImageNet。广义上来说有很多的没有标准的原始数据。我们有更多的没有标注的原始数据。对于这种数据可以用生成模型去学习它的一个表示，就是深度的生成模型。他可以发挥应用的场景，具体我们可以做无监督的学习，你可以做简单的密度估计、生成新的样本、可以做一些聚类、可以做一些特征提取，甚至做降维等这都是无监督的一些任务。有监督和无监督之间有一种混合的叫半监督的学习，半监督的学习就是我们希望用大量的五无标注的数据帮助我们做有监督的学习任务，能够提升分类的效果。这些是学习任务，还有一些应用场景，比武我们可以做所谓的条件生成，你的输入是一种模态的数据，然后生成另外一种模态的数据，比如合成一些声音，输入文本生成语音。例如做翻译本身也是一个条件生成的任务，你输入一直语言，然后生成另外一种语言，或者image captuer 现在我输入的是图片，生成的是文本。还有很多很多的任务可以定义成条件生成。内容纲要：Basics of Generative ModelsDeep Generative Models Semi-supervised LearningBasics of Generative Models生成模型在人工智能、数据挖掘的每个任务里面，基本上都能看得到，这是一个非常简单的例子，大家要做文本的分析，我们最简单的统计模型叫 unigram language model ，文本会描述成bag-of-words的向量。我们会用一个简单的概率模型刻画单词出现的概率。这是一个非常的简单的language model .我们会有一个topic去描述每个单词在这个语料库里出现的概率，这个概率本身是我们自己不知道的，我们需要通过学习去估计，这里用的工具也是最基本的，对于这种常用模型是比较容易去计算的，对于like model我们有解析，对于这种一般的高速数据我们也解析，这个问题相对简单，也是最常见的生成模型。更进一步，我们希望考虑更复杂的模型，我们可以对这种复杂的数据去挖掘背后的隐藏结构。如图的例子，我把数据放到二维空间里面，这每一个点对应一个文本，大家从数据里面很清楚的就能看到这个数据分布不是一致的。我们看到数据背后有些结构，有些数据在一个group，另有些数据在另一个group，分这个结构。如果去看这个文本的话，我们会发现有些文本是关于信息检索的。这背后就隐藏了一些机构，这就是我们后面要引入的Deep Generative Models 的最基本的思想，我们能否做一个有隐变量的模型尽量挖掘数据隐含的这种结构。假设我告诉你这两类文章都是从哪里来的，告诉你有两类，不过两类都是隐含的，告诉你两类从哪里来，这是可以用最简单的Generative models 去描述它，我们每一个都可以用一个language去刻画它。但是这两个类别的划分是未知的，所以我们会用一个隐含变量的概率模型与刻画。比如我们用一个Z变量去指示（indicate）到底属于哪一个类别。构造这样一个简单的概率模型，因为我们的Z是没有观察到的，我们用一个先验概率去表述。假定Z值已经取定的话我们的X可以用一个Generative models 去描述。这样放在一起的话就是一个联合概率模型。这是一个常见的模型。现在包括Generative models 里面都用这种思想去建模数据。这里面因为Z是没有观察到的。我们看到的只有X,这里很重要的任务就是做推断（infer）去发现这个隐含的Z，因为它揭示了这个数据到底属于哪个类别的变量。这个对我们数据做理解是非常重要的。这种情况下我们通常用的贝叶斯公式，最常用的推理的framework。假设模型给你，你可以做后验的推断，但这里面还有问题。这个模型从哪里来，我们也需要从数据里面去学，比如最常用的我们有函数的话，我们可以用最大估计，对于有隐变量这种，我们通常用EM algorithm ，这也是一个非常经典的算法，做迭代是两步，第一步去猜数据属于哪一类，第二步是优化。假设已经知道的话，就可以不断的去优化这个模型，这是EM algorithm 的一个迭代算法。以上是一些基本概念，我们为什么要在实际的场景下考虑隐变量，我们是怎么考虑的，用什么工具去做的。为了让模型理解表示在给定训练数据中的大千世界，训练具有隐藏单元的生成 模型是一种有力方法。通过学习模型 pmodel(x) 和表示 pmodel(h|x)，生成模型可以 解答 x 输入变量之间关系的许多推断问题。并且可以在层次的不同层，对h求期望，来提供表示x的许多不同方式，生成模型为AI系统提供它们需要理解的，有所不同的直观的框架。让它们有能力在面对不确定性的情况下推理。——《深度学习》Deep Generative Models在Deep Generative Models 里面，可以把网络的层次加深，让模型变得更复杂、更灵活。Deep Generative Models 有两种方式去构建，一种叫做传统的方法，一种是非传统的方法。传统的方法主要是从贝叶斯学习而来，贝叶斯有一种技术是长期以来都在用的，叫层次的贝叶斯，可以在一层层叠加先验，它本身就是一个深度的模型，模型可以达到无穷深。非传统的方法是用了深度神经网络来帮助我们生成模型。下图是一个传统的方法：用层次贝叶斯的思路，我有一堆变量，这一堆变量可以定义成多种层次的依赖关系，这些变量之间会用一个联合概率来刻画。用贝叶斯网络理论可以写一些简单的分布层。这是贝叶斯网络里面告诉你的。这种描述概率分布和它语义是完全相符的。图中每一个factor分解之后每一个乘积项都像是一个非常简单的概率分布，如果是离散的话，我们用多项式、连续的可能用高斯等你等这些常见的分布区描述。大家从14年开始，更熟悉的是深度神经网络，卷及网络里面大家从2011年，2012年有很多应用上的性能的显著提升。在深度生成模型里面显著提升实在14年以后，里程碑意义的事情是，大家找到更好的昂视去学这个网络。首先看一下这个网络灵活在什么地方。用了学科里面最基本的trick。统计里面有一个简单的分布——均匀分布，零一之间均匀分布的变量。如果有一个函数对这个变量做一个变换。会得到另一个随机变量。这个随机变量他的概率分布和函数变化是有关系的，如果用简单的函数变化会得到相对简单的Y变量。如果用复杂的话，它的分布就变得更复杂。一般情况下，如果F解析形式告诉你他可以得到解析解，这是我们在概率统计里面学到的。如果大家对贝叶斯概率熟悉，这种trick——假设对分布做一个采样，我们都在用这种trick。比如要从高斯采样，从均匀的变量开始，通过函数变化得到想要目标的变量。这是传统的经典方法。那现在的方法是什么呢，把函数变化变成深度神经网络，这个深度神经网络是可以学习的。不再是一个解析的形式。我们可能写不出来它的解析形式，但是可以通过数据去学习。学到符合数据分布的最有的函数（网络）出来。这就是深度神经网络和深度模型的特点。再看几个例子：用一个全连接的MLP网络来做变换，最上层是一个最简单的标准高斯的随机变量，采样出来经过两层的一个全连接网络。输出后有四个。这个和一般的神经网络不太一样。我这里面的输出值是作为另外一个分布的参数来定义的。前面的四个定义成两维高斯的均值和方差。这和我们一般的分类网络不一样。所以有了高斯之后，可以描述数据的分布。这种模型非常灵活。因为Z是连续的，在连续的空间里随便采样。假设这个网络是固定的。你用不同的Z得到的高斯是不一样的。所以每一个Z的具体取值就等到一个对应的高斯。基本上是把无穷多个高斯混合在一起。从分布的表达能力上来说，是很强大的网络。但是这则模型也有一个局限。你必须要设定生成数据的噪声模型，这里用的是高斯，如果离散的话，可以运用伯努利分布。在机器学习里还有另外一种非常灵活的方法：它的灵活在于去掉产生数据的噪声模型的假设。我不再假设高斯或者其他的，只有一个随机过程，就是给初始条件。可能会有约束条件，比如边界的约束条件参数，有些条件下是可以参数化的， 给一个输入的初始条件，就给你一个样本。比如给一个初始的高斯白噪声值，经过这个网路之后给你生成一个图片。神奇之处在于，这个网络本质上没有假设任何的数据分布的形式。通过网络做的变化。把标准高斯的变量可以变成复杂分布的变量。能够直接描述数据。这个在统计里面实际上研究了很多年——Implicit Models 。对比GAN，也是一个深度的Implicit Models，所谓的deep就是这里面的function的变化过程，用一个深度的神经网络来刻画。我这里面可以变成一个可以学习的深度神经网络。非常灵活。遵循这种思路，我们有一个非常简单的白噪声，也是Z变量。通过一个可以学习的深度神经网络变换。最后可以生成我们看到的漂亮的图片效果。这是一些内容。包括像GAN或者其他网络里面大家能够找到的很多例子。现在也有很多的应用。如果能够学习的话，可以做辅助学习或者其他的任务。网络是非常灵活的。如果有一个很强大的神经网络，可以把白噪声掰扯非常漂亮的图片。听起来很强大，问题是我们怎么找到这个网络。难度在于怎么去找到这个网络，怎么去找到最优的神经网络。你要在一个非常灵活的、非常大的空间里面来进行搜索。搜索到一个好的神经网络。而且要有一个准字告诉你哪个网络更好，这里面的准则是，前面我们讲的任务，我们有的数据有自己的分布，希望找到模型是一个红色的线。它的密度函数的曲线是红色的。我们希望这两个分布是比较近的。我们学习的目的是希望模型可以调参数。模型的分布和数据分布接近。就用某种距离度量。我的距离的度量是千差万别的选择。假如我们有数据生成的模型的话，可以用最经典的最大似然估计（MLE），这里面必须有显示的似然函数，但有些模型不符合这种条件，比如隐式的模型。隐式的模型怎么学？答案这里就引出了GAN，GAN本质上以一个Minimax objective 优化的问题。但是GAN通常的解释两个玩家对抗的游戏。除了GAN统计里面有很多其他的方法，例如，Moment-matching:，在统计的历史上比极大似然估计方法(Maximum Likelihood Estimate,MLE)还要早。早期，大家做一个高斯估计实际上用了Moment-matching，现在我们也可以用Moment-matching去估计Implicit 概率模型。比如我有一个数据的训练集，模型里面可以采样出来一个训练集。现在做一个检验。这两个数据集是不是符合同样的分布。如果符合同样的分布，就说明我的数据分布和模型的分布是一致的。如果不符合两个就是有差别的。我们可以把差别来做一种距离的度量。来指导我们优化网络找到一个更好的。这里面叫MMD。可以保证到最后得到的是我们想要的一致的解。这是深度生成模型里面一些基本的任务和相关的问题。这里面大概列了我们团队从2014年开始做的：关键点一：根据算法，怎么样构造一个好的学习准则来帮我们训练网络。关键点二：怎么用深度神经网络模型帮助我们更好的去训练。Moment-Matching DGMs我们在学习implicit模型的时候GAN不是唯一的方法。我们还有Moment-matching这一经典方法。一个简单的变量通过神经网络。可以用relu这种卷积网络或者用其他网络。经过变化之后可以达到你生成数据的目的。有了这个网络，假如参数给你了。你可以采样先验分布。当天有一组参数，实际上可以通过采样先验分布得到无穷的训练样本。从模型里面生成无穷多的样本。这个样本和训练集做比较。我们可以定一个Kernel MMD的准则，这个是在泛函空间（希尔伯特）里面得到定义。如果你Kernel 表达能力很强，你可以保证这个距离等于零的话，这两个分布是一样的。你的模型分布和数据分布是一样的。这是一个基本条件。在这种条件下，就可以不断优化，找到更优的深度神经网络、这里面因为是生成的模型，你也可以用来计算梯度。原来的技术都可以扩展到这个里面。这是团队2015年的一些工作。可以帮UMLD来做条件模型，也就是条件概率的估计。因为条件概率我们在很多场景下是受关心的，比如要做预测，预测就是给你一个输入再算一个条件概率。另外你可以做Conditional Models，比如你做image capture，你输入的是一个图片生成的一个文本。或者反过来。这是条件的生成。更可以用Conditional 的分布构造一个大的网络比如贝叶斯网络。本质上就是条件分布祖海在一起。所以如果你能够估计这种条件模型的话。对于有图结构的模型都可以去估计。我们做了基本的Conditional 的去估计。这个思想和前文中提到的， Moment-Matching的思想是一样的。可以定一个条件的生成模型。你的输入是有一个随机噪声。另外加上其他条件，比如条件文本或者是图片。后面经过神经网络变化得到输出的样本。这是我们从模型里面生成的XY的变量。训练集里面的担忧XY。现在就是定一个准则来去评判两个数据集到蒂是不是符合同一个分布。这里面我们定义（We define conditional max-min discrepancy (CMMD):），如下图：在泛函空间里面定义。它可以保证当你的kernel足够强大的时候，距离等于零的时候，两个分布严格一致。这个可以用来做估计。细节做不展开：这里有一些结论可以和原来没有conditional有一些泛化。如果原来MMD可以用举证写出来。这里有单位是一的矩阵。当一矩阵变成C1, C2, C3，C1, C2, C3表示了你属于条件变量的信息，所以从这个一上很直观的看出来你要考虑条件，反映了条件变量的影响。最终你的模型是更加灵活。算法就不详细介绍了主要是BP to compute the gradients。这是结果，做预测分类，在2016年的时候单个模型和最好的模型比也是有竞争力的。你可以做条件的生成，有一个比较有意思的是 Dark Knowledge ，从一个大的网络里面提取一些信息。这里面可能有很多个大模型。我们用贝叶斯的观点来看，将很多个大模型平均起来，很难，所有一个Bayesian Dark Knowledge ，就是我不显示运算。我可以学习一个模型去近似贝叶斯的运算。原来非常复杂我用一个简单网络而去模拟它，来做输入输出的映射。这样，对于运算，和我们之前讲的conditional model是一致的。可以用前面讲的准则去实现这个任务。和完全贝叶斯推断得到的结果。你学一个简单的网络的话。你可以逼近它，因为精度基本上没有太多损失。下图是一个任务。这是关于怎么去应用深度生成模型。Semi-supervised Learning先定义GAN。我们有一个生成网络，一个判别网络，两个网络的对抗。生成网络就是从白噪声通过神经网络来变换，得到真实的数据。判别网络从机器学习的角度来说是一个最简单的分类器——二分类。如果我们的数据从训练集里来的，那我就标注成1，如果是模型来的就标注成0，如果告诉你的话。大家都会做到。GAN对于判别器来说，是有监督的学习。因为知道真实的数据是哪些。目标函数是对判别模型最大似然估计，如果你的数据标注成1，是的输出1的概率最高，如果标注成0就是零的概率最高。可以用 cross-entropy ，但是从分类的角度可以西环城很多loss.我可以定义不同的GAN。对于生成模型主要意图是去欺骗，使得生成的数据尽量能够被分成1。最大化分成1的概率。所以放在一起就是一个想去分类，一个想去欺骗分类。所以就是Minimax objective function它有些结果，你可以分析它的最优解（Optimum）。也可以得到所谓的Max均衡。如何应用到Semi-supervised Learning中呢？主要目的是我标注的数据很少。比如我给你一个红色的一个蓝色的你可能会告诉我最优分离超平面是在中间。如果是这种分布你可能会怀疑原来那个分离面是不是最优的。你可能会说下图的更好。这是一个非常直观的例子，未标注的数据可能包含一些信息。对我们做分类是有用的。怎么样抽取未标准数据的信息，帮助我们来做半监督学习。现在深度学习的进展，解决了表示的问题。在半监督学习里表示也很重要。你用不同的表述会得到不同的分类结果。如下图，所以怎么样去学习一个表示在这种半监督的场景下。下图是团队去年的工作，叫Triple Generative Adversarial Nets，想法也很直观，GAN是无监督学习。去估计数据密度是不是和模型密度一样。我有XY有输入输出，但大部分情况Y不知道，所以要考虑Y的概率分布。我们的目的就是要学 ,有没有联合分布。和GAN的目标一样。希望数据和联合分布的数据是一致的。两个达到平衡的时候是相等的。这是我们的目标，我们的目标定义清楚之后如何实现？两个变量联合分布，我们可以用两种变量来分解它。这是两种分解形式出品：谭婧美编：陈泓宇

图片来源@视觉中国文｜学术头条近日，未来今日研究所（Future Today Institute）发布了最新版《2020 年科技趋势报告》，其中包括对人工智能在内的多项前沿科技未来一年的发展前景进行了展望。根据报告，未来世界科技产业将由中国、人工智能等趋势塑造。《2020 科技趋势报告》由未来今日研究所和纽约大学斯特恩商学院（New York University's Stern School of Business）主任艾米韦伯（Amy Webb）教授共同撰写，这次已经是第 13 年发布。这份报告试图认识到技术与未来不确定性之间的联系，比如 2020 年美国总统大选的结果，以及冠状病毒等流行病的传播。在所有前沿科技中，人工智能再次成为该榜单的第一名。韦伯表示，人工智能将引发第三次计算浪潮，带来积极的影响，例如 AlphaFold 在发现疾病的治疗方法中可以发挥的作用；但也会带来消极的影响，例如它当前对刑事司法系统的影响。一些科技巨头，例如美国的 Amazon、IBM、Facebook、Google 和 Microsoft，以及中国的腾讯、阿里和百度，继续在全球科技领域发挥最大的影响力。韦伯已经在 2019 年出版的《九大巨头》中预测了这些公司将如何塑造世界。“ 这 9 家公司推动了人工智能的大部分研究、资金、政府参与和消费级应用。大学的研究人员和实验室依靠这些公司提供数据、工具和资金。九大人工智能公司也对人工智能合并和收购产生了巨大影响，为人工智能初创公司提供资金并为下一代开发人员提供支持。”同时，报告指出，中国的企业和政府正在全面合作，以使其在 2030 年之前成为全球主要的人工智能创新中心。与中国相比，美国拥有众多组织和中心，但是，这些机构 “缺乏机构间合作和协调的努力”，在行动目标、研发工作安排和资金周转方面存在不协调的情况。据了解，每年韦伯通常会在德克萨斯州奥斯汀举行的 SXSW 会议上，以一场演讲作为报告发布的开头，但是由于冠状病毒的影响，今年的会议已经取消。未来今日研究所这份报告对人工智能领域的科技预测可谓面面俱到，无论是对于人工智能企业、人工智能研究者，还是人工智能学习者，这都是一份比较详尽的报告。限于篇幅，学术头条精选了报告中关于人工智能的部分内容进行翻译，希望对读者有参考价值。1.AI 与企业1.1 利用人工智能加速科学发现的进程用几个变量进行实验，通常需要对测量、材料和输入进行微小的、系统的调整。研究生们可能会花上几百个无聊的小时，一次又一次地做一些小的调整，直到找到一个解决方案。越来越多的人工智能系统被用于研究实验室，以加快科学发现的进程。1.2 云端人工智能人工智能生态系统内的企业领导者一直在竞相抢占人工智能云共享平台，并成为远程服务器上最受信任的人工智能提供商。企业客户也可能会坚持最初选择的供应商，因为机器学习系统访问的数据越多，随着时间的推移则能不断学习做出更好的决策。1.3 线下人工智能可以在设备上进行这种由本地人工智能驱动的处理和决策，在云或互联网上没有任何数据交互——这是一种使用所谓 “边缘计算” 的技术。直接在设备上处理数据，在未来对于医疗保健、汽车和制造业应用将非常重要，因为它可能更快、更安全。1.4 机器人流程自动化机器人流程自动化（RPA）使企业能够在办公室内自动化某些任务和流程，从而使员工能够将时间花在更高价值的工作上。RPA 最终将他们的生产力提升到更高的水平，这将使媒体和娱乐公司能够在许多不同领域做出更好的实时预测性决策，从客户服务到成本节约。1.5 企业中的数字双胞胎和认知双胞胎数字双胞胎是真实世界环境、产品或资产的虚拟表示，用于多种目的。制造商使用数字双胞胎来管理机器和工厂的性能和效率，而城市规划者则使用它们来模拟新开发项目的影响。1.6 认知机器人随着人类和机器更加紧密地合作，机器人有机会根据环境学习和适应新的技能。机器学习、深度强化学习、计算机视觉和模拟环境的发展将很快导致具有早期认知能力的机器人出现。应用包括环境清理、探索危险地形和协助急救人员。1.7 先进的人工智能芯片神经网络长期以来需要巨大的计算能力，需要很长时间的训练，并且依赖于消耗数百千瓦电力的数据中心和计算机。一些知名企业已经致力于研究使芯片更容易在人工智能项目上工作，并且应该保证更快、更安全的处理。1.8 无服务器计算亚马逊网络服务、阿里云、微软 Azure、谷歌云和百度云正在为开发者推出新的产品和软件包，希望能让一大批人工智能初创企业更容易、更实惠地将自己的创意投放市场。1.9 专业化、本土化的人工智能语言Python 是一种领先的语言，有许多预先构建的库和框架。Julia 是麻省理工学院开发的一种专注于数值计算的开源语言。当然还有 Lisp，由现代人工智能的前辈约翰麦卡锡在 1958 年创造的。1.10 Franken 算法的扩散（Proliferation of Franken-algorithms）算法只是定义和自动处理数据的规则。它们是用计算机能够理解和处理的 “如果这个，那么那个” 逻辑来构建的。开发人员并不总是提前知道一个算法将如何与其他算法一起工作。有时，几个开发团队都在独立地处理不同的算法和数据集，只有在部署后才能看到他们的工作。这一直是导致最近股市出现故障和电子商务网站发力的原因。1.11 为了竞争而操纵 AI 系统的公司过去几年，亚马逊、谷歌和 Facebook 都因操纵搜索系统，将对公司更有利的结果进行优先排序而受到抨击。对搜索算法的调整会对互联网用户的看法产生重大影响，无论是新闻、销售产品还是广告。美国和欧盟目前正在调查亚马逊同时扮演搜索引擎、市场运营商和自有产品销售商的角色。立法者尚未就操纵算法以获得竞争优势是否符合反垄断活动的标准达成一致。1.12 企业生物识别欺骗在实施监控和认证员工的人工智能系统之前，公司可能会三思而后行。机器学习的新技术导致了合成指纹和其他能够欺骗监控系统的自动生成生物识别器。1.13 人工智能机器人bot，在最基本的层次上，是设计用于自动化指定任务的软件应用程序。它们可以是基于文本或音频的，并且可以跨各种平台部署。机器人技术的下一个重大进步不是技术性的，而是监管性的。2. 人工智能与商业生态系统2.1 全球对人工智能的投资热潮众所周知，人工智能人才短缺，每个行业都希望将人工智能融入其核心业务职能。因此，在全球范围内都在争先恐后地为人工智能研究提供资金，并收购初创企业。2.2 算法市场在 21 世纪一零年代，大型科技公司、初创公司和开发者社区利用算法市场来分享和销售他们的作品。2018 年，微软斥资 75 亿美元收购了 GitHub，这是一个流行的开发平台，允许任何人托管和审查代码，与其他开发人员合作，并构建各种项目。2.3 市场整合尽管人工智能的生态系统正在蓬勃发展，但收购热潮也意味着整合。现在，大公司在有时间成熟之前就开始创业，收购的平均年龄是 3 岁。只有 9 家大公司占据了人工智能的主导地位：美国的 Amazon、 Google、Microsoft、 IBM、Facebook 和苹果，中国的巨头百度、阿里巴巴和腾讯。2.4 破碎人工智能的生态系统覆盖了数百家公司。许多政策团体、倡导组织和政府都在制定指导方针、规范和标准以及政策框架，希望以此来指导人工智能的未来发展。因此，生态系统在两个方面支离破碎：基础设施标准和治理。2.5 人工智能责任当机器运转不好时，谁该受责备？我们目前的法律体系是为了规范人类行为，而不是无监督机器的行为。当企业急于构建和实施人工智能产品和流程时，他们必须提前计划新出现的风险。2.6 环境监测关门后发生的事情可能不会是长期的秘密，高管们应该提防新的环境监测方法。人工智能可能很快拥有 x 光视觉能力，这对从事敏感项目的公司来说可能不是什么好消息。从事信息安全和风险管理工作的人应特别关注计算机视觉的发展。3. 过程、系统与计算机神经科学3.1 从平面二维图像创建三维模型研究人员使用大量的三维模型、转换成三维模型的图像和从不同角度显示物体的二维图像训练神经网络。结果：一个新的系统，可以渲染三维模型，无需任何人为干预。实际应用包括仅使用二维图像自动生成环境真实模型的机器人。3.2 神经符号人工智能算法与系统人工智能的发展一直走在两条概念轨道上：符号（机器使用表示概念的知识和规则基础）和非符号（机器使用原始数据创建自己的模式和概念表示）。神经网络将通过符号来理解数据，而不是总是依赖人类程序员为数据排序、标记和编目。符号算法将有助于这一过程，这最终将导致不总是需要人来训练的鲁棒系统。亚马逊的重新命名识别知名人士，帮助人们 “为营销、广告和媒体行业使用案例提供视频和照片目录”。3.3 实时机器学习人工智能的一大挑战是构建能够主动收集和解释数据、识别模式和整合上下文并最终实时学习的机器。对实时机器学习（RTML）的最新研究表明，使用连续的事务数据流和实时调整模型是可能的。这标志着数据移动方式和我们检索信息的方式发生了重大变化。3.4 自然语言理解（NLU）NLU 允许研究人员通过提取概念、映射关系和分析情感来量化和学习所有文本，并且他们在过去一年中取得了一些令人印象深刻的进步。在最近的一次语言理解评估竞赛中，中国的百度击败了谷歌和微软，成为第一个开发不仅能懂英语，还能懂中文的技术的公司。3.5 机器阅读理解（MRC）对于人工智能研究者来说，机器阅读理解（MRC）一直是一个具有挑战性的目标，但却是一个重要的目标。MRC 使得系统能够在筛选大量数据集的同时读取、推断意义并立即给出答案。它代表了实现人工通用智能的必要步骤，在短期内，它可能将从技术手册到历史地图，再到我们的医疗记录，一切都变成易于搜索的信息存储库。3.6 自然语言生成（NLG）随着数字助理的日益普及，消费者希望能够与机器进行自然对话。但是训练人工智能系统需要大量的数据。自然语言生成（NLG）系统自动检测、分析、可视化和叙述关键数据。NLG 的一个可能性是：开发一个可以使用简单语言向他人解释自己和所做决定的系统。3.7 机器学习中的实时上下文（Real-Time Context in Machine Learning）世界上充斥着信息、错误信息和肤浅的思想，机器学习中的实时上下文技术旨在帮助人们实践推理、发展见多识广的论点并得出可靠的结论。3.8 一般强化学习算法研究人员正在开发能够学习多个任务的单一算法，AlphaZero。它不仅能在围棋中获得超人的表现，还能在其他游戏中获得超人的表现，包括国际象棋和日本象棋。这一个算法从游戏规则之外的知识开始，最终发展出自己的策略来击败其他玩家。3.9 深度学习范围程序员使用特殊的深度学习算法，同时使用大量的数据，通常是数兆字节的文本、图像、视频、语音等，系统被训练成独立学习。虽然概念上的深度学习并不是什么新鲜事，但最近发生的变化是计算量和可用的数据量。实际上，这意味着越来越多的人工过程将被自动化，包括软件的编写，计算机很快就会开始自己编写。3.10 更快、更强大的开源框架硬件升级和更快的芯片将有助于使开源框架在未来几年变得更快和更流行。3.11 强化学习与分层学习强化学习是解决决策问题的有力工具，它被用来训练人工智能系统以获得超人的能力。在计算机模拟中，一个系统尝试、失败、学习、实验，然后快速连续地再次尝试，每次都会改变它未来的尝试。3.12 持续学习目前，深度学习技术已经帮助系统学习以更接近人类所能做的方式解决复杂任务，但这些任务仍然是特定的，它们需要一个严格的序列，而且可能很耗时。持续学习（CL）更多的是关于自主和渐进的技能培养和发展，研究人员将继续在这一领域不断地突破可能的极限。3.13 多任务学习在过去的一年里，卡内基梅隆大学和 Facebook 的人工智能实验室的研究人员发布了一款名为 Pluribus 的多人扑克人工智能，扑克也让多个玩家相互竞争，获得胜利比抓取游戏碎片要复杂得多。Pluribus 学会了同时做几件事，并建立了自己的战略来赢得胜利。3.14 生成性对抗网络生成性对抗网络（GANs）是本世纪最有趣的想法，在过去几年里，GANs 有了巨大的进步。把一个 GAN 想象成图灵测试，但是没有任何人类参与。GANs 是一个无监督的深度学习系统，由两个相互竞争的神经网络组成，它们在相同的数据（如人的图像）上进行训练。仅去年一年，就有许多有趣的实验涉及 GANs。研究人员维克多迪比亚（Victor Dibia）训练了一个 DCGAN 模型（深度卷积世代对抗网络）来生成非洲面具。3.15 新的生成建模技术自回归隐式分位数网络（简称 AIQN）听起来很复杂，但它是一个创新的想法，有助于改进算法，使它们更稳定。这意味着：这可能会加快人工智能的发展步伐 —— 这可能意味着整个生态系统中更快的机遇和创新。3.16 概率规划语言概率编程语言减轻了开发概率模型的一些压力和繁琐。这些较新的语言允许开发人员构建、重用和共享他们的模型库，同时仍然容纳不完整的信息。3.17 机器图像完成（Machine Image Completion）如果一个计算机系统能够访问上百万的图片，就说它可以修补和填补图片中的漏洞。这项功能对专业摄影师以及所有想拍出更好自拍的人都有实际的应用。图像完成也是执法和军事情报人员的一个有用工具，计算机现在可以帮助他们识别谁或什么是在框架中。考虑到我们已经在机器学习算法和数据集上看到的偏见，图像完成可能成为未来关于隐私和我们设备的争论的一部分。3.18 混合人 - 计算机视觉分析目前人工智能没有人的帮助还不能完全发挥作用。混合智能系统将人类和人工智能系统结合起来，以获得更高的精确度。3.19 预测机器视觉预测机器视觉研究有朝一日将使机器人能够更容易地在人类环境中导航，并通过从我们自己的肢体语言中获取线索与我们人类互动。它也可以用于零售环境，当我们操作机器，或当我们在教室学习。3.20 自动机器学习（AutoML）一些组织希望摆脱传统的机器学习方法，这种方法费时费力，需要数据科学家、人工智能领域的专家和工程师。自动机器学习（AutoML）是一种新的方法：将原始数据和模型匹配在一起以显示最相关的信息的过程。谷歌、亚马逊和微软现在提供了大量的 AutoML 产品和服务。3.21 定制机器学习不久，个人用户将上传他们自己的数据来定制现有的人工智能模型。例如，像 Google 的 Cloud AutoML 和 Amazon SageMaker Autopilot 这样的工具允许组织在没有受过高度培训的员工的情况下培训定制的机器学习模型。3.22 图神经网络气味分类是很棘手的，因为它需要一个多标签系统。谷歌的研究人员正在构建图形神经网络（graph neural networks），一种以图形为输入的特殊类型的深层神经网络以在分子水平上预测气味。3.23 智能光学字符识别一个持续的挑战是让机器认识到我们用书面表达自己的各种方式。光学字符识别（OCR）以固定的、可识别的格式工作，如公路标志和书中的文字。但是，OCR 往往不够聪明，无法识别不同的字体、独特的符号或只有一家公司的字段的电子表格。4. 人工智能与内容创意4.1 人工智能与创意过程亚马逊的 DeepComposer 系统 “自动” 作曲。生成性对抗网络（GANs）的能力远远超过生成深度假视频。研究人员正与艺术家和音乐家合作，创造出全新的创造性表达形式。从合成非洲部落面具到建立幻想的虚构星系，人工智能正被用来探索新的想法。4.2 内容生成算法一段时间以来，人们一直在训练计算机观看视频并预测我们物质世界中相应的声音。内容生成算法研究的重点是帮助系统了解物体在物理领域如何相互作用。4.3 从短视频生成虚拟环境自动生成的虚拟环境的未来应用非常广泛：考虑物流培训环境（仓库、工厂、航运中心）、城市规划模拟，甚至在游乐园和购物中心内测试客户流场景。4.4 自动版本控制随着更多的实验的进行，人们期望看到新闻和娱乐媒体公司开发同一内容的多个版本，以达到更广泛的受众或大规模生产大量的内容。4.5 自动语音克隆和配音类似人工智能和描述使克隆声音成为可能，这意味着很快你可以在电影中看到基努里夫斯，也可以听到他用自己的声音用意大利语说话。4.6 机器文字识别在过去的一年里，研究人员展示了人工智能是如何被用来编写好的文本的，以至于人类无法分辨它是由机器编写的。事实证明，人工智能还可以用来检测文本是什么时候生成的，即使我们人类无法识别假文本。4.7 算法事实检查误导性和彻头彻尾的虚假信息已经污染了互联网和我们的社交媒体渠道，日常消费者难以应对，旨在传播谎言的算法可以比人类的事实核查器工作得更快。人工智能研究人员一直在研究使用框架语义的自动化技术。框架是描述特定事件、情况、对象或关系及其参与者的示意图。4.8 数据挖掘群智能手机拥有量已经达到临界值，人们对各种网络的使用也达到临界值。人类的数据不仅可以跟踪我们自己，还可以供任何人搜索、收集和分析。预计更多的新闻机构以及营销人员、活动家和其他团体将开始以创造性的方式利用这些数据。4.9 深度链接自智能手机问世以来，深度移动连接就一直存在，它使人们更容易在手机中的所有应用程序中查找和共享数据。深度链接的使用方式现在已经模糊了消费者的信息。5. 消费品和服务5.1 环境计算扩展环境计算系统承诺优先考虑许多与人类行为相关的决策，代表人们授权它们，甚至根据环境自主地为人们回答。在没有直接监督和投入的情况下，很多无形的决策都会发生。使环境设计如此诱人的是，它应该要求我们在不久的将来做出越来越少的决定。把它看作是一种意图的自动完成。5.2 无处不在的数字助理（DAs）在很多地方都可以找到数字助理。现在有成千上万的应用程序和小工具可以跟踪和响应 DAs。新闻机构、娱乐公司、营销人员、信用卡公司、银行、地方政府机构（警察、公路管理局）、政治活动和许多其他机构都可以利用 DAs 来显示和提供关键信息。5.3 人工智能致力药物研发2018 年和 2019 年，制药公司加大了研究力度，以确定人工智能是否可以用于药物开发的每个阶段，从假设、挑选更好的化合物和确定更好的药物靶点，到设计更成功的临床试验和跟踪现实世界的结果。5.4 人工智能面试识别系统现在可以用来观察人们被面试的过程，来衡量面试者的热情、坚韧和沉着。算法分析数以百计的细节，比如面试者的语调、面部表情和行为习惯，试图预测面试者将如何适应一个社区的文化。5.5 消费者级人工智能应用新的自动机器学习平台使非专家能够建立和部署预测模型。许多人希望，在不久的将来，人们将使用各种各样的人工智能应用程序作为日常工作的一部分，就像人们今天使用微软 Office 或谷歌文档一样。6. 人工智能与地缘政治、地缘经济与战争6.1 新的高科技工业综合体在过去的几年里，美国一些最大的中情局公司开始与军方合作，推进研究，寻找销量，开发新的技术系统，可以在各种情况下部署。2017 年，美国国防部成立了一个算法战争跨职能团队，致力于一个名为 “Maven 项目” 的项目，这是一个计算机视觉和深度学习系统，可以自动识别静止图像和视频中的物体。该小组没有必要的人工智能能力，因此国防部与谷歌签订合同，帮助训练人工智能系统分析无人机画面。但被分配到这个项目的谷歌员工并不知道他们实际上在做一个军事项目，这导致了引人注目的反弹。多达 4000 名谷歌员工签署了一份请愿书，反对 Maven 项目。他们在《纽约时报》上登了一整版广告，最终数十名员工辞职。最终，谷歌表示不会与国防部续签合同。6.2 国家情报战略在过去的几年里，人工智能的危险性得到了极大的缓解。从自驾车事故到通过造谣活动进行选举，再到通过面部识别和自动搜索增强的政治压制，谷歌员工抗议该公司在美国军事项目上的情报工作。在地缘政治、地缘经济和战争面纱的第十三个年头，很明显，国际情报局正在改变国家、公司和公民的安全环境。现在，几乎没有一种技术能够触及人类的方方面面，世界各国都在竞相制定和公布自己的人工智能战略和指导方针。6.3 建立人工智能规则的竞赛去年，中国在全球率先制定了一套规范和标准，以管理人工智能的未来，随后，许多国家和地区争相出台相关的政策，随着人工智能在中国、欧盟和美国继续按照不同的规则发展，全球 AI 学术领域的合作可能会急剧下降。6.4 算法战争我们未来的战争将以代码作战，使用数据和算法作为强大武器。当前的全球秩序正在被人工智能所塑造，而世界各国在美国、中国、以色列、法国、俄罗斯、英国和韩国等国家的研究也在发展包括至少一些自主功能的武器系统。FTI 分析表明，未来的战争不仅仅包括传统武器。使用人工智能技术，军队可以通过破坏经济稳定而不是摧毁农村和城市中心来 “取胜”。6.5 人工智能自我解释毫无疑问，你听过有人说人工智能正在变成一个 “黑匣子”—— 即使是在这个领域工作的研究人员也不明白我们最新的系统是如何工作的。这并不完全正确，但是越来越多的计算机科学家、记者和法律学者表示担心，他们认为人工智能系统不应该如此秘密。但要求人工智能的透明度可能会泄露公司的商业机密。要求系统同时解释其决策过程也会降低输出的速度和质量。6.6 在关键系统中使用人工智能机器学习保证了人们关键基础设施系统的效率和新的保障措施。为此，政府研究人员正在探索如何率先开发关键系统：道路和铁路运输系统、发电和配电以及预测救护车和消防车等公共安全车辆的路线。人们不再回避人工智能系统，而是对利用这项技术预防灾害和提高安全性产生了新的兴趣。7. 中国人工智能规则7.1 中国规则如果认为中国是一个只是复制而不是创新的国家，麻烦再想一想。中国已经是人工智能领域的全球领导者。该国在许多领域取得了巨大的进步，但尤其是在人工智能企业和政府已经合作了一个全面的计划，使中国在 2030 之前成为世界上主要的人工智能创新中心，并且它已经朝着这个目标迈进了一大步。同时赋予了中国三大公司百度、阿里巴巴和腾讯一个称号 ——BAT。目前，中国的人工智能初创企业几乎占到所有人工智能全球投资的一半。7.2 中国的数据盈余中国人口众多，接近 14 亿人，为那里的研究人员和初创企业提供了未来人类数据中最有价值的自然资源，而不受世界许多地方普遍存在的隐私和安全限制。如果数据是新的石油，那么中国就是新的欧佩克。中国人正在挖掘的这种丰富的数据可以用来训练人工智能，挖掘从教育、制造到零售和军事应用等各个领域的模式。8. 人工智能与社会8.1 人工情感智能根据信诺健康服务机构的研究，在过去的 50 年里，美国人的孤独率翻了一番。两年前，英国前总理 Theresa May 创造了一个新的内阁职位，世界上首位孤独部长。在我们日益紧密联系的世界里，报告说人们感到更加孤立。在未来，像韩国这样正在与大规模心理健康危机作斗争的政府，可能会转向情感支持机器人来大规模解决这个问题。8.2 个人数码双胞胎去年中国中央电视台的春节联欢晚会上，四位著名的人类主持人与他们的数码双胞胎一起亮相。据估计，有 10 亿人观看，这些人工智能复制品模仿了人类的同类，没有预先设定的行为、演讲或程序。不久的将来，可能会有一对数字双胞胎，面向包括健康和教育在内的多个领域的专业人士。8.3 问题数据集人工智能本身并没有偏见，但是数据输入方法和输入数据的人可以显著改变人工智能的行为。从真实的人那里获取真实的数据来训练系统很困难，而且随着新的隐私限制，开发人员可能会选择更多地依赖公开的和有问题的数据集。8.4 人工智能识别欺骗性为人工智能也被用来识别欺骗行为。ECRI 研究所的 Crosscheq 使用机器学习和数据分析来寻找招聘过程中的夸张和误导信息。德雷克塞尔大学的研究人员开发了一个应用程序，利用生物特征来预测节食者何时可能偏离规定的饮食方案。8.5 针对弱势群体设计的算法在世界各地的国家，人工智能正被用于边境口岸、贫困社区以及存在犯罪问题的学区。大多数时候，这项技术被称为一种解决方案，但它有助于剥夺弱势社区的公民权。8.6 人工智能存在偏见随着计算机系统越来越擅长做决定，算法可能会把人们每个人分成对我们自身来说没有任何明显意义但可能产生巨大影响的组。每一天，人们都在创造难以想象的数据量，这些数据是通过算法挖掘和使用的，通常没有您的直接知识或理解。它被用来制作广告，帮助潜在的雇主预测我们的行为，确定我们的抵押贷款利率，甚至帮助执法部门预测我们是否可能犯罪。8.7 人工智能故意隐藏数据计算机正是按照命令来做的。命令一台机器在比赛中获胜，它将尽其所能实现这一目标。显然现在包括作弊，而且这种情况发生的越发频繁。8.8 未报告（Undocumented）人工智能事故的兴起目前，研究人员没有义务报告涉及我们的数据或人工智能过程的事故或事件，除非违反了法律。虽然大公司必须告知消费者其个人数据信用卡号码、家庭住址、密码是否被盗，但它们不必公开算法基于种族或性别歧视某人的实例。8.9 人工智能与数字红利人工智能将不可避免地导致全球劳动力的转移，导致许多行业的失业。数字红利则是一种公司向社会偿还一部分从人工智能获得的利润的方式。8.10 优先考虑责任和信任人们依赖于对人工智能的信任将不再能够判断一个数据集是否被有意或无意地篡改，如果我们不再相信这个结果，几十年的研究和技术进步将一无所获。政府、企业、非营利组织等各个部门的领导人都必须对所使用的数据和算法有信心。此外，雇佣伦理学家直接与管理者和开发人员合作，并确保开发人员本身代表不同种族、民族和性别的多样性，将减少人工智能系统中固有的偏见。最后，这份报告还涵盖了包括量子计算、合成材料在内的其他众多领域的技术趋势，但是由于篇幅所限，在这里不能一一翻译整理，感兴趣的朋友可以在公众号后台回复 “2020 科技趋势” 查看报告完整版。未来今日研究所官方网址：https://futuretodayinstitute.com/2020-tech-trends/