首页 >> 研究资讯 >> 鼎浩宏观经济研究
鼎浩宏观经济研究

人工智能,未来已来(上)

来源:鼎浩财富    发布时间:2018-01-31     点击量:788

目录

核心观点:

(一) 综述篇

1.人工智能之前世今生

2.人工智能产业链明晰,发展前景明朗

3.人工智能市场发展概况

(二) AI芯片

1.AI爆发,芯片致胜

2.训练、云端推理、终端推理,三类芯片各有优势

3.芯片格局未定,国内初创企业机会在终端

4.国内优质上市公司梳理

(三) AI应用篇

1.安防+AI

2.汽车+AI

3.家居+AI

4.医疗+AI

附录:优质标的汇总


核心观点:

1、人工智能起源于1956年达特茅斯会议,至今经历了三次高潮和两次寒冬;人工智能产业链明晰,分为基础层、技术层和应用层,其中基础层的传感器和数据服务机构负责数据的收集,而AI芯片(GPU、FPGA、ASIC等)和云计算负责运算;技术层中,深度学习算法使人工智能有了实质性进展,引爆本轮人工智能,计算机视觉和图像处理技术、语音识别和处理技术分别让AI观察世界和倾听世界;人工智能应用领域广泛,包括安防、金融、家居、教育、医疗、汽车等领域;全球人工智能市场目前由美国主导,中国紧随其后,目前研究深度学习应用的公司最多,自然语言处理和计算机视觉的公司其次,深度学习和自然语言处理获得的融资额也是最多的;2014-2016年是中国人工智能发展最为迅速的三年,北京领跑全国人工智能领域,计算机视觉、机器人、自然语言处理是创业最热门的领域,融资额也最多。


2、AI芯片是算法的载体,是人工智能的基础,随着人工智能的发展,AI芯片前景广阔;AI芯片目前主流框架是GPU、FPGA、ASIC,GPU计算能力和通用性强,FPGA具有可编程、高性能和低功耗的特点,ASIC是高度定制专用芯片,在性能、能耗和量产成本均优于GPU和FPGA,但研发投入大,周期长;AI芯片的需求可以分为训练、云端推理、终端推理三个方面;AI训练运算力要求高,GPU占绝对优势;云端场景下GPU领先,FPGA随后,ASIC萌芽;终端场景,目前按需应用,未来ASIC是主流;AI芯片领域格局还未定,科技巨头通过AI芯片打造强大AI生态,传统芯片生产商专注于研发更高性能的通用型AI芯片,而国内初创型企业多沿着ASIC路线,研发面向无人机、安防监控、机器人、AR等终端的专用芯片。由于我国政策大力支持AI芯片,且国内终端场景丰富,初创企业在ASIC专用芯片领域具有广阔的市场空间,具有弯道超车的机会。


3、深度学习的出现解决了长期困扰安防智能化的问题,智能安防快速发展,市场前景广阔,国内智能安防行业集中度空前提升,由海康和大华两大巨头主导;智能驾驶两条发展路径,1.由传统车厂采用,由ADAS切入,逐步提升传统汽车的自动驾驶功能,2.互联网巨头利用人工智能技术,直接设计无人驾驶汽车,在无人驾驶领域,传统车企暂时领先,福特暂居第一,Google只名列第七,中国百度名列第十八位;智能驾驶要件之一是ADAS系统,市场前景相当可观,同时高精地图也是智能驾驶不可或缺的;智能家居能自主学习,提供个性化服务,前景广阔,国内智能家居市场处于孤岛式“技术+商业联盟”的产业格局,以海尔、美的、三星为核心的白色家电制造商,以腾讯、阿里、百度为代表的互联网巨头,以及华为、苹果、小米为主的移动终端制造商,和移动、联通、电信等通讯运营商各自于智能家居市场占据了属于自己的一方高地;医疗服务供需严重失衡倒逼产业智能化升级,智能医疗各种要件均具备,发展迅猛;人工智能领域相关技术成熟,智能医疗应用广泛,可用于语音录入病历、医疗影像智能识别、辅助诊疗/癌症诊断、医疗机器人、个人健康大数据的智能分析等。

 


(一)综述篇


1.人工智能之前世今生


1.1人工智能是何方神圣?


人工智能(Artificial Intelligence),英文缩写为AI。它是研究、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新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能(能力)是智能机器所执行的通常与人类智能有关的智能行为,如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习核问题求解等思维活动。


2016 年3 月 AlphaGo 大战李世石以来,人们对人工智能的关注度空前火热,人工智能无疑会带来下一代科技革命,国内外互联网巨头 Google 、微软、亚马逊、百度、腾讯、阿里巴巴等在人工智能领域跑马圈地,各国也将人工智能上升到国家战略,企图抢占下一代技术革命的制高点。


 1.2人工智能的起源与发展


人工智能从1956年正式提出,至今已经有61年大发展历程,中间经历了三次高潮和两次寒冬。


图1:人工智能发展历史

 


 1.2.1人工智能的起源(二战期间-1956)


二战期间,计算机之父,阿兰·图灵,利用计算机原理协助英国军队破解了德国的著名密码系统Enigma,帮助盟军取得了二战的胜利。

1950年,图灵通过“图灵测试”定义了计算机的智能:让一位测试者分别与一台计算机和一个人进行交谈,测试者事先并不知道交谈对象是人还是计算机,如果交谈后测试者仍然分不清楚交谈对象是人还是计算机,那么则可以认为这台计算机具有智能。

1956年,在达特茅斯学院举行的一次会议上,不同领域(数学,心理学,工程学,经济学和政治学)的科学家正式确立了人工智能为研究学科,标志着人工智能学科的正式诞生。


1.2.2人工智能的发展(1956-至今)


(1)第一次高潮(1956年—1974年)

期间:人工神经网络感知机诞生;贝尔曼公式(增强学习雏形)被提出;感知器(深度学习雏形)被提出等。

五十年代中期和六十年代初开发的国际象棋程序,棋力已经可以挑战具有相当水平的业余爱好者


(2)第一次寒冬(1974年—1980年)

70年代初,AI遭遇到瓶颈。期间被质疑点:计算机运算能力遭遇瓶颈,无法解决指数型爆炸的复杂计算问题;常识和推理需要大量对世界的认识信息,计算机达不到“看懂”和“听懂”的地步;神经网络研究学者遭遇冷落。


(3)第二次高潮(1980年—1987年)

期间:80年代初,专家系统诞生;专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。

另外,BP算法实现了神经网络训练的突破,神经网络研究学者重新受到关注。


(4)第二次寒冬(1987年—1993年)

期间:1987年,AI硬件的市场需求突然下跌。科学家发现,专家系统虽然很有用,但它的应用领域过于狭窄,而且更新迭代和维护成本非常高。

受到IBM等公司台式机和“个人电脑”理念的冲击影响较大,商业机构对AI的追捧和冷落,使AI化为泡沫并破裂。


(5)第三次高潮(1993年-至今)

计算机性能、云计算、大数据、机器学习、自然语言和机器视觉等领域发展迅速,人工智能迎来第三次高潮。

主要事件:

1997年,IBM的“深蓝”战胜国际象棋世界冠军,取得里程碑似的成果。

2006年,Geoffrey Hinton提出多层神经网络的深度学习算法;Eric Schmidt在搜索引擎大会提出“云计算”概念。

2010年,谷歌无人驾驶汽车曝光,创下了超过16万千米无事故的纪录;

2016年:GoogleAlphaGo以比分4:1战胜围棋九段棋手李世石;

2017年:AlphaGO在围棋网络对战平台以60连胜击败世界各地高手;Google 开源深度学习系统Tensorflow 1.0正式发布;Google AlphaGo以比分3:0完胜世界第一围棋九段棋手柯洁;

另外,人脸识别大规模应用,无人驾驶投资猛增,语音识别应用成熟,聊天机器人进入儿童玩具市场,工业机器人、服务机器人逐渐取代低级重复人力劳动。最重要的是,人工智能通过强大计算和学习能力,逐渐开始在保险、风险评估、证券等金融领域广泛渗透,尤其是在量化投资领域,成为新金融科技Fintech的重要推动力,并具有强大的市场和深刻的变革能力。


2.人工智能产业链明晰,发展前景明朗


人工智能产业链清晰,可以分为基础层、技术层和应用层。


图2:人工智能产业链及相关公司

 


2.1数据收集和运算是人工智能的基础


基础层主要涉及数据的收集以及运算,其中传感器和数据服务机构负责数据的收集,而AI芯片(GPU、FPGA、ASIC等)和云计算负责运算。

GPU的兴起,为人工智能带来质的飞跃。纯数据驱动的算法,需要极强的运算能力以带动巨大的数据处理需求,所以在早期,一些实验训练只能在微软、谷歌等巨头公司进行。一次人脸识别算法的迭代训练,用CPU计算,可能要十几天乃至几十天才能完成,效率低、投入高,使得人工智能将创业公司阻隔在外;但是换成GPU后,可能就只需要几小时。技术带来的巨大变革,使得各种小型的公司能够通过GPU的运算进入到深度学习领域,实现了人工智能研究应用的“平民化”。


图3:CPU和GPU运算速度比较

 


大数据和云服务的发展奠定数据基础。互联网与移动互联网的发展使人们生活中产生大量的数据。得益于近年来大数据概念的爆发,我国已经形成了从数据收集,数据分析,数据管理到数据应用的一条较为完整的产业链。这为国内人工智能输入海量数据进行“深度学习”奠定了坚实的基础。通过物联网产生、收集海量的数据需要存储于云平台,进而进行大数据分析,从而形成智能。在云服务领域,亚马逊起步较早,占据了最大的份额。截止2016年低,亚马逊占据公共云服务市场份额达到40%。微软也将云计算列入自己的重点战略方向。国内顶尖的云服务商有阿里云、腾讯云、百度云、华为云等。


2.2深度学习—AI核心算法,引爆本轮人工智能


在收集到海量的数据后,技术层要做的就是模拟人脑,对数据进行有效的处理和分析。算法是技术层的一项核心内容,而算法中一项核心内容就是深度学习。深度学习是机器学习研究中的一个新领域,其过程是建立和模拟人脑进行分析学习的神经网络,从而模仿人脑的机制来读取和分析数据。深度学习被视为当前最接近人工智能的机器学习方法。


    在深度学习出现之前,机器学习领域的主流是各种浅层学习算法。初期的人工智能研究的重点是以机器学习为代表的统计方法。机器学习是人工智能的一个分支,是目前实现人工智能的一个重要途径。机器学习使机器从数据中自动分析习得规律,再利用规律对未知数据进行预测。机器学习浅层算法如神经网络的反响传播算法( BP 算法)、支撑向量机( SVM )、 Boosting 、 Logistic Regression 等。这些算法的局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限,对复杂数据的处理受到制约。


传统的机器学习需要人工提取特征。其思路是,从开始的通过传感器来获取数据,然后经过预处理、特征提取、特征选择、再到推理、预测或者识别,最后一部分也就是机器学习的部分。中间三部分概况起来就是特征表达,是靠人工提取特征。良好的特征表达对最终算法的准确性起到了非常关键的作用。然而手工地选取特征既耗费时间又不能保证选取好,深度学习彻底解决了这个问题。


 

图4:机器学习的思路

 


深度学习突破人工智能算法瓶颈。2016 年,Hinton 等人提出深度学习神经网络,掀起了深度学习的浪潮。“深度”某种意义上是指人工神经网络的层数,旨在建立可以模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据,例如,图像、声音和文本。在短短几年内,深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路,创造了一种从数据出发,经过一个端到端最后得到结果的新模式。由于深度学习是根据提供给它的大量的实际行为(训练数据集)来自调整规则中的参数,进而调整规则,因此在和训练数据集类似的场景下,可以做出一些很准确的判断。

 

图5:深度学习和传统计算模式的区别

 


深度学习赋予人工智能自我成长,不断提高的能力。基于深度学习的人工智智能中,分为“训练阶段”和“推理阶段”。在训练阶段,人的任务是创造从海量数据中提取经验的规则,以及经验存储的经验结构;机器的任务是从海量的数据中获取经验,并且按照预定的规则存储经验。在推理阶段,人类创造一套根据机器遇到的情形从学习得到的经验中获得执行动作的规则,即根据已有经验处理新问题的规则;机器的任务是根据人制定的规则进行解读并执行。


深度学习首先在图像、声音和语义识别取得了长足的进步,特别是在图像和声音领域相比传统的算法大大提升了识别率,其实也很容易理解,深度学习是仿人来大脑神经感知外部世界的算法,而最直接的外部自然信号莫过于图像、声音和文字(非语义)。


2.3计算机视觉和图像技术让AI看到世界


计算机视觉是一门研究如何使机器“看”的科学,简单说,就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。计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。


国内计算机视觉创业公司的模式,主要是面向B端提供软硬件一体化解决方案,满足个性化需求。从业务领域看,国内创业公司在B端的业务较为同质化,大部分集中于图像识别、人脸识别等应用场景。其中,人脸识别在计算机视觉领域做得最早最成熟,主要用于对风控要求高的金融、支付、安防、交通以及智慧城市等行业。


图6:计算机视觉应用领域及相关公司

 


定位于计算机视觉领域的知名公司有:微软亚洲研究院、汉王科技(002362)、商汤科技、face++旷视科技、图谱科技、盛开互动、依图科技、格林深瞳、诺亦腾、云从科技、图森互联、中科奥森、深网视界、图漾科技、阅面科技、中科视拓、linkface、聚力维度、深圳科葩、速感科技等


(1)汉王科技(SZ.002362)国内人脸识别知名公司

公司自2003 年开始人脸识别算法研究,拥有人脸识别专利168 项,授权专利94项(授权发明专利54 项),获得软件着作权32 项,搭建了自主知识产权的人脸识别技术体系。公司专注于“以模式识别为核心的智能人机交互”技术应用领域,依托自主研发的手写识别、笔迹输入、OCR和嵌入式软硬件四大核心技术。公司嵌入"双目立体"人脸识别算法(Dual Sensor )芯片的专用双摄像头人脸通产品的识别性能达到国际一流,市场占有率领先于业界同行。人脸识别技术市场前景广阔,目前主要应用到教育、金融、安防、电信等领域。公司依托多年在人脸识别领域的技术积累,通过行业应用战略转型,有望在安防、金融、智慧城市、酒店管理等领域,并取得不错的成绩。


(2)SenseTime商汤科技教会计算机看懂这个世界

商汤致力于引领人工智能核心“深度学习”技术突破,构建人工智能、大数据分析行业解决方案。商汤成功聚集了当下华人中较有影响力的深度学习、计算机视觉科学家。在人工智能产业兴起的大背景下,商汤集团凭借在技术、人才、专利上超过十年的积累,迅速成为了人工智能行业领军企业之一。该公司在今年7月宣布完成4.1亿美元B轮融资,创下公开报道中全球人工智能领域单轮融资最高纪录。


(3)旷视科技让机器看懂世界

北京旷视科技有限公司(Face++)成立于2012年11月,公司专注于人脸识别技术和相关产品应用研究,面向开发者提供服务,能提供一整套人脸检测、人脸识别、人脸分析以及人脸3D技术的视觉技术服务,主要通过提供云端API、离线SDK、以及面向用户的自主研发产品形式,将人脸识别技术广泛应用到互联网及移动应用场景中。

Face++通过和众多互联网公司合作,并通过“脱敏”技术掌握到了500万张人脸图片数据库,在互联网图片人脸识别LFW的准确率达到99.6%,合作伙伴包括阿里、360等一批大型的图片、社交、设备类企业。


(4)云从科技:源自计算机视觉之父的人脸识别技术

广州云从信息科技有限公司即云从科技是一家专注于计算机视觉与人工智能的高科技企业,核心技术源于四院院士、计算机视觉之父——ThomasS.Huang黄煦涛教授。核心团队曾于2007年到2011年6次斩获智能识别世界冠军,得到上市公司佳都科技与香港杰翱资本的战略投资。

凭借核心算法、大数据等资源,云从科技已经居于国内人工智能行业的领军地位。据报道,目前国内有50多家银行、80%以上的民航枢纽机场在使用云从科技的远程身份认证、人脸与证件照比对识别等产品,22个省(直辖市)采用云从科技的安防技术。2016年,公司实现产值1.5亿元。


2.4语音识别和处理技术让AI倾听世界


计算机可以理解人类的语言,包括将人类语言转化为计算机程序可以处理的形式及将计算机数据转化为人类自然语言两种形式。这里指的语言可以是声音也可以是文字。这项技术的主要内容包括信息检索、信息抽取、词性标注、句法分析、多语处理、语音识别等。


  国内外语音识别方面技术已经成熟,商业化应用成为可能。谷歌机器语音识别准确率突破90%,或内百度和科大讯飞中文语音识别率达到了97%。此外,国内企业在人机交互方面有了重大突破,在自然语言生成方面达到全球领先水平。


图7: 国内外知名企业语音识别率

 

智能语音整体处于启动期,在智能车载、智能家居以及智能可穿戴等垂直领域应用前景广阔。国内外科技巨头、初创公司纷纷布局相关产业链。国外巨头以谷歌、苹果为代表,通过并购等手段,夯实核心技术,开放应用平台,在既有的产品和业务中实现AI first,扩展以AI为核心的生态系统。谷歌延续既有的开放模式,打造开发者生态链,推出Google Home,试图建立物联网时代安卓系统。苹果则基于智能硬件定标准、做平台、获数据,重视物联网时代生态控制权。


图8: 国外科技巨头的智能语音生态

 


国内互联网巨头主要有百度、阿里、腾讯、搜狗等,它们开放语音生态系统,以产业内合作的方式,将语音技术植入产品和或应用于相关业务场景,构建全产业生态链。其中百度瞄准人工智能战场,对外开放语音生态系统,对内在自身产品业务中实现AI First。


图9:国内互联网巨头的智能语音生态

 


国内的智能语音公司科大讯飞(002230)以及捷通华声(837791):依托原有优势,从单一语音技术商转型全方位技术服务服务商。


图10:科大讯飞和捷通华声的语音生态

 


科大讯飞(SZ.002230):国内和世界最大的中文智能语音技术提供商,与寒武纪强强联合

国内和世界最大的中文智能语音技术提供商,产品的技术含量全球领先,在中文语音市场具有绝对领先地位。公司为中国最大智能语音技术提供商,在中文语音合成市场拥有70%以上市场份额,中文语音产业60%以上整体市场份额,处于语音市场绝对领先地位,开发伙伴超过500家,实际应用案例超过6000个,应用遍及金融、电信、邮政、电力、政府和企业等各个重要行业和领域。 公司与中国移动将在智能语音门户、智能语音云服务、智能语音技术和创新产品、客户服务应用、基础电信业务及行业信息化等领域建立战略合作。


AI核心技术持续进步,关键领域国际领先。作为中国智能语音与人工智能产业领导者,公司在语音合成、语音识别、口语评侧、自然语言处理、机器翻译、常识推理等多项人工智能核心技术上拥有国际领先的成果,囊括多项国际人工智能大赛的冠军,在认知智能领域,相继获得国际认知智能侧试全球第一、国际知识图谱构建大赛核心任务全球第一,改写了全球智能语音与人工智能技术的竞争格局。AI核心技术为公司各产品的市场竞争树立了较高的技术壁垒,为人工智能在产业层面的应用奠定扎实的基础。


教育领域AI率先突破,“平台+赛道”的人工智能战略成果不断显现。公司“平台+赛道”的人工智能战略成果不断显现,平台类业务方面:人工智能开放平台用户规模、开发伙伴数量、交互请求数保持快速增长,智能车载语音、移动互联网和智能硬件等领域的业务规模、用户规模持续上升;在客服、教育、医疗、司法、智慧城市等重点行业的各条赛道上,通过核心技术创新+行业应用数据及行业专家经验的整合,聚焦行业需求持续迭代,应用成果不断显现。其中教育率先突破,讯飞AI教育重要载体智学网增值服务的付费用户快速增长,上半年营收超过3000万元,教育行业营收同比增长57.71,毛利同比增长105.56%,日益进入收获期。


天使轮投资北京中科寒武纪,与深度学习芯片领头羊强强联合。科大讯飞在天使轮以1000万元购买北京中科寒武纪科技有限公司2.08%股权。寒武纪人工智能计算芯片对讯飞核心算法和应用如虎添翼,与寒武纪强强联合,未来发展潜力值得期待。


在智能语音领域的国内初创公司有图灵机器人、思必拓、云知声、普强信息、出门问问等,其中图灵机器人最为知名。图灵机器人定位于语义和认知计算的平台服务提供商,提供聊天机器人平台和机器人操作系统。思必驰专注垂直领域智能硬件的语音交互解决方案;云知声聚焦物联网,构建“云端芯”产品战略;出门问问以可穿戴设备为切入点,走以AI为中心的软硬结合路线。


图11:初创厂商的语音生态


2.5人工智能应用广阔,前途光明


人工智能应用领域广泛,包括安防、金融、家居、教育、医疗、汽车等,前景一片光明。


图12:国内人工智能应用层竞争格局

 


3.人工智能市场发展概况


3.1全球人工智能市场发展概况


自2000年-2016年,全球新增AI企业数8107家,全球AI融资额288亿美元,全球AI投资频数6827次。其中2012年-2016年间,新增企业数5154家,是此前12年的1.75倍;全球AI融资额224亿美元,占2000年-2016年融资总额的77.8%,仅2016年融资规模就达到92.2亿美元,是2012年的5.87倍。


全球人工智能产业至今由美国主导。2000年-2016年,美国新增AI企业数3033家,占全球累计总额的37.41%,但美国每年新增人工智能企业数占全球总数的比例在下降,这一比例在2016年首次低于30%。2000年-2016年,美国AI融资规模达到207亿美元,占全球累计融资总额的71.8%,这一比例也在下降,2016年的占比降至64.49%。


图13:全球每年新增AI企业数与融资规模趋势

 


图14:2016年中美欧新增AI公司占全球比重

 


图15:2016年中美欧AI融资规模占全球的比重

 


目前受到关注度最高的 AI 应用有自然语言处理、图像识别的深度学习、计算机视觉、自动驾驶、聊天机器人等。其中研究深度学习应用的公司最多,自然语言处理和计算机视觉的公司其次。同时,深度学习和自然语言处理获得的融资额也是最多的。应用型的深度学习公司融资额最高为 2.1 亿美元,自然语言处理类的公司总融资额为 7000 万美元,位居第二位。


图16:截止2016年 AI公司融资额及相应公司数量

 


3.2中国人工智能市场发展概况


2000年至2016年,中国人工智能企业累计增长1477家,融资规模累计达27.6亿美元。其中,2014-2016年是中国人工智能发展最为迅速的三年。从省份来看,无论是融资规模还是企业数量,北京均领跑全国,广东、上海、江苏、浙江也是AI发展较为领先的省份。

中国人工智能产业规模2016年已突破100亿,以43.3%的增长率达到了100.60亿元,预计2017年增长率将提高至51.2%,产业规模达到152.10亿元,并于2019年增长至345.2亿元。


图17:2014-2019年中国人工智能产业规模及预测

 


国内获投最多领域为NLP 、机器人和计算机视觉。从 1996 年至今,国内至今仍在运营的人工智能公司有366家。通过数据分析可以看出,计算机视觉、机器人、自然语言处理是创业最热门的领域。


图18: 截至2016年国内各领域人工智能公司数量

 


2015-2016 年人工智能领域获投金额在 90 亿人民币左右。可以看出,获投最多的细分领域有自然语言处理、机器人、计算机视觉,均在 10 亿以上人民币的级别。


图19: 2015-2016年国内人工智能公司获投金额


3.3政策利好迭起,助力AI腾飞


近年来,中央政府非常重视人工智能的发展,出台了若干促进政策及措施。处于政策红利期的人工智能,正迎来史上最好的发展时期。

2015年5月,国务院印发《中国制造2025》,部署全面推进实施制造强国战略。根据规划,通过“三步走”实现制造强国的战略目标,其中第一步,即到2025年迈入制造强国行列。“智能制造”被定位为中国制造的主攻方向。

2015年7月,国务院印发《“互联网+”行动指导意见》,明确人工智能为形成新产业模式的11个重点发展领域之一,将发展人工智能提升到国家战略层面。

2016年3月, 《国民经济和社会发展第十三个五年规划规划纲要》,将“脑科学与类脑研究”、“大力发展工业机器人、服务机器人、手术机器人和军用机器人,推动人工智能技术在各领域商用”、“推动驾驶自动化、设施数字化和运行智慧化”等内容,列入国家未来几年的重要发展战略。

2016年7月,国务院印发《“十三五”国家科技创新规划》,要大力发展泛在融合、绿色宽带、安全智能的新一代信息技术,研发新一代互联网技术,保障网络空间安全,促进信息技术向各行业广泛渗透与深度融合。

2017年3月,《政府工作报告》更明确提出,要加快培育壮大包括人工智能在内的新兴产业强国。


(二)AI芯片


1.AI爆发,芯片致胜


1.1芯片承载算法,是AI硬件竞争的核心


人工智能的要素之一是算法,而深度学习是最重要得人工智能算法。深度学习分为训练(training)和推断(inference)两个环节。训练环境通常需要通过大量的数据输入,或采取增强学习等非监督学习方法,训练出一个复杂的深度神经网络模型,一般在“云端”进行。推断环节指利用训练好的模型,使用新的数据去“推断”出各种结论,如视频监控设备通过后台的深度神经网络模型,判断一张抓拍到的人脸是否属于黑名单。推断的场景包括云端和终端。


深度学习使得计算量大大增加,对芯片的运算力要求也带来更高的要求。传统CPU芯片运算能力不足,不能满足深度学习的要求。目前,AI芯片主要有GPU、FPGA、ASIC。


1.2 AI进入爆发期,芯片市场空间巨大:


人工智能芯片是人工智能市场一个重要环节。芯片处于AI产业链上游,成长性最为确定,盈利模式最为清晰。无论下游哪个应用领域落地,AI芯片都将迎来高增长。据智研咨询统计,2016年人工智能芯片市场规模达到6亿美金,预计到2021年将达到52亿美金,年复合增长率达到53%,增长迅猛,发展空间巨大。图20:2016-2021年人工智能芯片市场规模及预测


 


2017年3月,《政府工作报告》更明确提出,要加快培育壮大包括人工智能在内的新兴产业。AI芯片作为人工智能的基础硬件,也是国家大力支持的产业。


2.训练、云端推理、终端推理,三类芯片各有优势


2.1主流框架:GPU、FPGA、ASIC


图21:人工智能芯片分类

 


GPU:计算能力和通用性强。GPU的运算能力大大强于CPU。在内部结构上,CPU中70%晶体管都是用来构建Cache(高速缓冲存储器)和一部分控制单元,负责逻辑运算的部分(ALU模块)并不多,指令执行是一条接一条的串行过程。GPU 由并行计算单元和控制单元以及存储单元构成,拥有大量的核(多达几千个)和大量的高速内存,擅长做类似图像处理的并行计算,以矩阵的分布式形式来实现计算。同CPU不同的是,GPU的计算单元明显增多,特别适合大规模并行计算。


图22:CPU VS GPU架构

  


FPGA:可编程、高性能和低功耗。FPGA(可编程门阵列,Field Programmable Gate Array)是一种集成大量基本门电路及存储器的芯片,可通过烧入FPGA配置文件来来定义这些门电路及存储器间的连线,从而实现特定的功能。而且烧入的内容是可配置的,通过配置特定的文件可将FPGA转变为不同的处理器,就如一块可重复刷写的白板一样。因此FPGA可灵活支持各类深度学习的计算任务,性能上根据百度的一项研究显示,对于大量的矩阵运算GPU远好于FPGA,但是当处理小计算量大批次的实际计算时FPGA性能优于GPU,另外FPGA有低延迟的特点,非常适合在推断环节支撑海量的用户实时计算请求(如语音云识别)。FPGA可实现高速计算,速度远超CPU。2010年微软研究院对BLAS算法的FPGA加速研究结果显示,FPGA运算速度基本与GPU相同,比CPU快60%。此外,FPGA还有低功耗的优点。


ASIC:高度定制专用,性能、能耗和量产成本均优于GPU和FPGA。ASIC(专用集成电路,Application Specific IntegratedCircuit)则是不可配置的高度定制专用芯片。特点是需要大量的研发投入,如果不能保证出货量其单颗成本难以下降,而且芯片的功能一旦流片后则无更改余地,若市场深度学习方向一旦改变,ASIC前期投入将无法回收,意味着ASIC具有较大的市场风险。但ASIC作为专用芯片性能高于FPGA,如能实现高出货量,其单颗成本可做到远低于FPGA。此外,ASIC兼具性能和功耗双重优点,可能成为未来AI芯片主流。但前提条件是深度学习主流框架在今后几年不发生重大变化,否则专用芯片ASIC会因变化而毫无价值。


AI芯片市场需求分为三类:

面向于各大人工智能企业及实验室研发阶段的Training需求(主要是云端,设备端Training需求尚不明确);

Inference On Cloud:Face++、出门问问、Siri等主流人工智能应用均通过云端提供服务;

Inference On Device:面向智能手机、智能摄像头、机器人/无人机、自动驾驶、VR等设备的设备端推理市场,需要高度定制化、低功耗的AI芯片产品。如华为麒麟970搭载了“神经网络处理单元(NPU,实际为寒武纪的IP)”、苹果A11搭载了“神经网络引擎(Neural Engine)”。


图23:AI芯片产业生态

 


2.2 AI训练运算力要求高,GPU占绝对优势


2007年以前,人工智能研究受限于当时算法、数据等因素,对于芯片并没有特别强烈的需求,通用的CPU芯片即可提供足够的计算能力。当深度学习出现后,AI研究对运算力的要求大大提高,CPU难以满足运算力的要求。深度学习的训练过程由于涉及海量的训练数据(大数据)和复杂的深度神经网络结构,需要的计算规模非常庞大,通常需要GPU集群训练几天甚至数周的时间,在训练环节GPU目前暂时扮演着难以轻易替代的角色。


在人工智能的通用计算GPU市场,NVIDIA现在一家独大。2010年NVIDIA就开始布局人工智能产品,2014年发布了新一代PASCAL GPU芯片架构,这是NVIDIA的第五代GPU架构,也是首个为深度学习而设计的GPU,它支持所有主流的深度学习计算框架。2016年上半年,NVIDIA又针对神经网络训练过程推出了基于PASCAL架构的TESLA P100芯片以及相应的超级计算机DGX-1。Training市场目前能与NVIDIA竞争的就是Google。2017年5月份Google发布了TPU 2.0,TPU(TensorProcessing Unit)是Google研发的一款针对深度学习加速的ASIC芯片,第一代TPU仅能用于推理,而目前发布的TPU 2.0既可以用于训练神经网络,又可以用于推理。


2.3云端场景,GPU领先,FPGA随后,ASIC萌芽


一项深度学习应用,如基于深度神经网络的机器翻译服务,经过数周甚至长达数月的GPU集群并行训练后获得了足够性能,接下来将投入面向终端用户的消费级服务应用中。由于一般而言训练出来的深度神经网络模型往往非常复杂,其Inference(推断)仍然是计算密集型和存储密集型的,这使得它难以被部署到资源有限的终端用户设备(如智能手机)上。正如Google不期望用户会安装一个大小超过300M的机器翻译APP应用到手机上,并且每次翻译推断(应用训练好的神经网络模型计算出翻译的结果)的手机本地计算时间长达数分钟甚至耗尽手机电量仍然未完成计算。这时候,云端推断(Inference On Cloud)在人工智能应用部署架构上变得非常必要。


图24:各公司云计算平台运用的核心芯片


云端需要巨量的计算,CPU显然不能满足运算的要求。云端芯片的现状是:GPU占据云端人工智能主导市场,FPGA在数据中心业务中发展较快,而以TPU为代表的ASIC只运用于巨头的闭环生态。


图25:各云端平台采用芯片示意图

 


GPU开发周期短,成本相对较低,技术体系成熟,目前全球各大云计算中心如谷歌、微软、亚马逊、阿里巴巴等主流公司均采用GPU进行计算。

谷歌除大量使用GPU外,努力开发自身AI专属的ASIC芯片。2017年5月,谷歌推出的TPU与GPU相比,耗电量下降60%,芯片面积下降40%,性能更佳,但是目前TPU只供谷歌自身的开源TensorFlow机器学习框架和生态系统使用。


百度、腾讯等厂商也在数据中心业务中使用FPGA进行云端加速。FPGA可以看做是从GPU到ASIC的一个过渡方案,因ASIC的优势所在,今后ASIC很可能是主流芯片。


2.4终端场景,目前按需应用,未来ASIC是主流


设备端推理的应用场景更为多样化,可以归类四类:(1)智能安防;(2)辅助驾驶;(3)手机、音响、机器人、无人机、VR/AR等。这些设备需求各异,需要更为定制化、低功耗、低成本、高运算的嵌入式解决方案,根据这个要求今后ASIC会成为主流,而目前ASIC处于萌芽时期,这就给了创业公司更多机会,市场竞争生态也会更加多样化。


图26:终端场景需求、目前主流和最优解决方案

 


这三类终端对AI芯片要求各有侧重:(1)智能驾驶、智能安防优于由于视频信号的数据量较大,对数据运算力的要求高;(2)智能驾驶除运算力要求外,对芯片性能的稳定性和对突发状况处理速度要求较高;(3)手机、音响、VR/AR等终端受限于电池容量,对低功耗的要求更高。


智能安防目前主流的解决方案是GPU,例如国内安防巨头海康威视和大华股份均采用英伟达的GPU产品。但GPU的一大缺点是采购成本高,一些安防厂家尝试用FPGA芯片来降低成本。例如,国内公司深鉴科技已经与大华股份和东方网力等公司展开合作,推出基于Xilinx FPGA的DPU产品,功耗降低80%,价格较GPU更低。但是,ASIC同时具备低成本、低功耗、高运算力的优点,未来会成为安防芯片主流。


图27:AI+安防芯片应用趋势

 


智能驾驶目前主流的解决方案是GPU,而ASIC是未来主流方向。ASCI不仅性能优良,处理数据的速度更快,能耗也维持相对降低水平,而且更重要的是解决车载应用下重点关心的“最差情况处理”的延迟问题。但是,ASIC研发投入大,研发周期长,目前主流厂商仍讲GPU作为主流方案。


图28:AI+汽车芯片应用趋势

 


终端电子方面,由于ASIC低成本、低功耗、低面积,成为智慧手机目前主流解决方案;智能音响目前的主流解决方案是GPU,未来的方案是ASIC;对于无人机、AR/VR来说,ASIC将是必然选择。


总之,终端AI对芯片具有低成本、低能耗和高运算力的需求,而ASIC专门定制芯片都能满足这些需求。虽然ASIC芯片研发投入大,研发周期长,但从成本效能看,其终将成为终端场景的主流芯片。


3.芯片格局未定,国内初创企业机会在终端


随着AI的兴起,AI芯片未来市场空间巨大,国内外公司纷纷介入,竞争状况异常激烈。竞争主体可以分为三类:(1)科技巨头,谷歌、微软,凭借深厚的技术储备和强劲的资金实习,研发芯片服务自有生态,最终占领应用层领域;(2)传统芯片厂商,如英伟达和英特尔,属于第三方芯片巨头,从传统芯片切入人工智能领域,重点打造通用型AI芯片;(3)国内初创企业,如寒武纪、地平线、深鉴科技等,其技术储备和资金实力有限,选择与AI应用层厂商合作,开发专有芯片。


图29:AI芯片市场竞争主体及其产品

 


谷歌资金实力雄厚,并且其很多产品,例如搜索排序、街景、图片搜索、智能回复、YouTube 推荐将用到AI算法,所以打造专属AI芯片成为必然。2016年发布的第一代TPU,在计算性能和能耗指标上,TPU 的表现都远远优于传统 CPU、GPU 组合,主要用于推理;2017年5月份Google发布了TPU 2.0,TPU(TensorProcessing Unit)是Google研发的一款针对深度学习加速的ASIC芯片,TPU 2.0既可以用于训练神经网络,又可以用于推理。谷歌不出手TPU系统,而是服务于自由生态。现在已经形成TPU+Tensor Flower+Google云服务+搜索等下游应用场景的强大AI系统。

微软选择FPGA作为AI加速器,已经应用在Bing搜索上。凭借FPGA,结合微软和Facebook于2017年9月联合发布的ONNX深度学习模型标准,及自身Azure云服务,微软也积极构建自身AI生态。

    英伟达和英特尔都是传统的芯片生产商,在传统芯片领域占据绝对优势。英伟达是图像处理GPU生产商,从2010年起转型人工智能领域,目前在人工智能芯片领域暂时取得领先地位。为巩固地位,英伟达在2017年5月推出全新架构Volta的GPU—Tesla V100,成退提升了推理性能。英特尔为对抗英伟达,一方面自主研发更高性能的AI芯片,另一方面并购AI领域具备先进技术和受市场广泛认可的高科技企业。


寒武纪:中科院背景,领先国内AI芯片市场。寒武纪成立于2016年3月,前身是中国科学院计算机研究所下的课题组。主营业务是打造各类智能云服务器、智能终端以及智能机器人核心处理芯片,现估值约10亿美元。在2016年推出的寒武纪1A处理器是世界首款深度学习专用处理器,已经获得市场的一致认可。2017年9月,华为正式发布的新一代移动计算芯片——麒麟970,该款芯片搭载的NPU正式寒武纪1A处理器。公司的应用领域为智能手机、安防监控、智能可穿戴设备和云端市场。


深鉴科技专注于神经网络芯片,核心技术在算法。同时专注深度学习处理器和编译器技术,研发“深度压缩”技术,在一定程度上解决FPGA处理器携带的问题。硬件终端主要应用于无人机、安防监控、机器人、AR等,服务器终端主要面向大型互联网企业的语音处理、图像处理等。深鉴科技服务于零度智控、川大智胜、搜狗等国内知名企业,现估值超过10亿人民币。


地平线机器人:提供嵌入式人工智能解决方案,布局智能驾驶、智能家居、智能安防等。

小结:通过对于可以知道,科技巨头通过AI芯片打造强大AI生态,传统芯片生产商专注于研发更高性能的通用型AI芯片,而国内初创型企业多沿着ASIC路线,研发面向无人机、安防监控、机器人、AR等终端的专用芯片。由于我国政策大力支持AI芯片,且国内终端场景丰富,初创企业在ASIC专用芯片领域具有广阔的市场空间,具有弯道超车的机会。


4.国内优质上市公司梳理


(1)富瀚微(SZ.300613):国内安防芯片龙头,布局AI前景可期

国内安防芯片龙头。公司是国内最早从事安防视频监控处理芯片业务的企业之一,业务主要分为安防视频监控芯片业务及数字接口模块业务。公司2016年实现营收3.22亿元,归母净利润1.12亿元。其中安防视频监控芯片包括ISP系列芯片、I PC SoC系列芯片、DVR芯片,占公司2016年收入比例超过90%。数字接口模块业务主要是公司接受客户委托,为客户定制开发接口电路模块,占比相对较少。公司与第一大客户海康威视关系密切,从公司成立之初就进行长期深度合作,16年营收中海康占比近41%。除安防行业之外,公司积极布局智能、家居、智能汽车、智慧城市中各个领域内所运营的视频监控类产品。


高清ISP产品国际领先,积极布局IPC SoC产品。目前国内模拟标清摄像机逐步向模拟高清摄像机升级,16年标清摄像机负增长9.6%,而高清摄像机增加率达56.9%,公司高清ISP产品技术水平达到国际先进水平,持续导入大客户,2016年公司ISP产品渗透率约为60%市场份额不断提升。另外,国内网络摄像机会逐的取代模拟摄像成为监控主流。2016年中国网络摄像机销售约6.1亿台,与模拟摄像机销售总量6.7亿台接近。预计到19年网络摄像机销售将超9亿台。公司积极布局网络摄像机监控芯片,2014年实现I PC SoC芯片量产,并持续大力投入研发。公司未来计划重点加大ISP和SoC芯片的研发投入和市场布局,紧跟海康等下游厂商主要客户投资方向,在产品规划和设计能力上不断升级。


紧跟国际标准,占据技术优势。2013年,新一代视频编解码标准H.265/HEVC正式发布,其高像素视频编码压缩效率较前一代标准H.264/AVC提升40%-60%左右。随着H.265/HEVC标准应用的不断普及,安防视频监控网络摄像机、消费类摄像机等市场将对基于H.265/HEVC标准的视频编码芯片形成巨大需求。公司目前正开展基于H.265/HEVC视频压缩标准的超高清视频编码SoC芯片研发,积极占据技术优势,为未来空间增加动力。


 布局AI前景可期。公司芯片主要用于图像编解码,目前在视频、音频、机器视觉等智能化产品领域持续推动自主“Smart 265 IP”研发。智能IP的引入能极大降低目前智能安防摄像头成本,成长空间广阔。现在主流智能安防芯片解决方案多基于英伟达Jetson下X1 GPU芯片,单个芯片成本估算在70150美元左右,模块成本在200300美元。而公司“IP”属于ASIC类别,一旦量产,其量产成本我们预计不超过10美元,未来有望在安防智能化芯片产品打开新一轮增长空间。 


(2)中科创达(SZ.300496):智能操作系统领域龙头

与华为共筑AI软硬生态,AI操作系统未来空间广阔。公司属于智能操作系统领域龙头标的,长期和全球领先的芯片厂商合作,提供基于操作系统的参考设计及适配性开发。客户包括高通、英特尔、三星等公司。近期华为麒麟970芯片采用了公司嵌入式AI解决方案,示范效应明显。NPU硬件的使用需要专门的编程模型实现,中科创达为华为构建操作系统AI软件生态环境。中科创达是移动智能终端操作系统产品和技术提供商,主营业务为移动智能终端操作系统产品的研发、销售及提供相关技术服务,长期以来专注在操作系统核心技术上,并具有较高的可扩展性。公司与华为建立了长期的合作关系,一直以来为华为终端海外市场提供技术服务和产品定制。此次华为发布麒麟970智能芯片,AI软件系统由中科创达定制开发,软硬龙头强强联手,把芯片性能发挥至最大化。在即将到来的人工智能时代,智能芯片的配套系统不可或缺,未来市场空间广阔。


内生外延同时发力,智能车载快速发展。公司以操作系统为切入点,在智能车载业务领域持续发力,目前已形成完整的智能驾驶舱解决方案,客户群体不断扩大。公司已经在车载信息娱乐系统/智能驾驶舱领域,与逾30家全球领先的汽车品牌车厂和一级零部件供应商展开业务合作。在加大自身车载业务研发投入的同时,外延并购已成为公司拓展车载业务的有力补充,完成了收购专业车载系统厂商爱普新思和慧驰科技100%股权:收购芬兰Rightware公司100%股权并完成交割。公司将力争寻求有效整合和业务协同,实现智能车载业务快速发展。


卡位智能操作系统多点开花,智能硬件全面布局。公司在智能硬件领域已经形成了“芯片+操作系统+核心算法”的模块化产品,目前在进一步提升技术和产品能力,形成覆盖高通、Intel和三星芯片平台的智能硬件整体解决方案,同时不断拓展新兴客户和重点客户,并在早期研发阶段就力争探索行业爆款产品,推动行业发展。随着营收增速的加快,2017年中报智能硬件收入占比已超过10%,并且同比翻倍增长,前景可期。


(3)中科曙光(SH.603019):高性能计算龙头,与华为、寒武纪和英伟达达成战略合作

高性能计算龙头,主营业务稳步增长。公司在高端计算机、存储等硬件领域已经成为国内市场主要供应商之一。在高端服务器领域,实现CPU和网络模块的全线升级,进一步增强产品竞争力;在高性能计算领域,获批“地球系统数值模拟装置”的建设以及“E级高性能计算机原型系统研制”项目,显示强大的核心技术竞争力;在存储领域,根据Gatner数据,2016年公司NAS存储产品在中国市场按厂商销售额排名第一位,与业界领先厂商Promise合资成立存储公司,为公司加快布局下一代统一架构存储产品创造有利条件。围绕着硬件服务器,核心技术达到国际先进水平,全年营收稳步增长。


牵手AMD,X86服务器自主可控加速。AMD在FY2017Q1季报中披露,与公司参股子公司天津海光成立合资子公司将高性能服务器核心处理器技术和SoC技术授予合资子公司。英特尔的Skylake芯片在高端服务器芯片市场占据了决定领先地位,但是2017Q1AMD新推出的Zen服务器芯片在性能上不逊于Skylake。过去三个季度,Zen服务器销售表现靓丽。近期曙光开始在昆山建厂,计划100万台的安全可控服务器,推侧X86国产化将大概率成功。


与寒武纪合作,AI芯片解决人工智能算力问题。2016年4月,公司与寒武纪签订协议战略合作协议,布局安全可控的AI芯片。寒武纪与公司均为中科院孵化,具有相似的研发基因。寒武纪开发的芯片主要应用于深度学习等方向,可应用于云服务器和智能终端。在AI领域,GPU下计算平台附加值相对传统算力高(产业调研显示20%毛利率+),执行端内核架构ASIC将逐步爆发,寒武纪是世界级核心,预计寒武纪和曙光合作深度持续增强!


 与华为合作推出全球首款移动端AI计算平台,服务器端芯片指日可待。9月2日,华为首款人工智能移动计算平台—麒麟970在德国IFA2017大展上正式发布。这是全球首款内置独立NPU(神经网络单元)的智能手机AI计算平台,并将首发搭载于10月16日在德国慕尼黑发布的新旗舰Mate 10上。根据华为公布的侧试数据,在处理相同的AI应用任务时,麒麟970的HiAI异构计算架构拥有大约50倍能效和25倍性能优势。9月4日,有谋体披露了中科院发给华为的贺信,称寒武纪公司研制并具有自主知识产权的“寒武纪1A深度学习处理器”,在人工智能应用上达到了4核CPU25倍以上的性能和50倍以上的能效。此次,麒麟970芯片集成寒武纪1A处理器作为其核心人工智能处理单元,实现了手机上本地、实时、高效的智能处理。根据寒武纪官网,其宗旨是“打造各类智能云服务器、智能终端以及智能机器人的核心处理器芯片。”预计将推出服务器级芯片。