📖 ZKIZ Archives

人工智能行業分析和投資機會｜黑馬薦文

藍馳創投BlueRun 2016-09-09 10:34

推薦人：張曉軍

推薦星級：☆☆☆☆

閱讀時間：本文2982字，需5分鐘。

推薦理由：深度學習的人工智能技術或成未來十年新風向標，本文從人工智能的發展歷程、不同階段、融資歷史與面臨的現狀等角度全面深入分析了這個行業的機遇與挑戰。本文由藍馳創投BlueRun（微信ID：lanchichuangtou）授權i黑馬發布。 

文 | 藍馳創投BlueRun

人工智能發展歷程

1. 概念介紹

（1）人工智能(Artificial Intelligence)能夠和人一樣進行感知、認知、決策、執行的人工程序或系統。機器學習是人工智能的一個分支，是通過算法使得機器能從大量歷史數據中學習規律，從而對新的樣本做智能識別或對未來做預測。

（2）深度學習是機器學習的一個分支，它試圖在多個層次中進行學習，每層對應不同級別的抽象。一般使用人工神經網絡，學習到的統計模型中的不同層對應於不同的概念。高層概念取決於低層概念，而且同一低層的概念有助於確定多個高層概念。

2. 發展歷程

自1956年達特茅斯會議提出人工智能這一概念以後，歷經沈浮，中間遭遇過多次冷遇，進入21世紀後，隨著數據量和硬件上的進步，在深度神經網絡算法出現以後，克服了一直以來的算法和硬件的瓶頸，進入快速發展時期，很多領域進入實用階段。

3. 技術支撐

（1）深度學習算法--核心算法的突破

計算機科學家集合 Yann LeCun 的卷積神經網絡、Geoff Hinton 的反向傳播法，以及 Stochastic 的梯度下降（Gradient Descent）訓練法，加上吳恩達（Andrew Ng）大規模應用 GPU 來加快深度神經網絡（DNNs）的運算速度，促進“深度學習”這項現代人工智慧技術出現大爆炸般的發展。

（2）GPU芯片—計算能力的突破

GPU（Graphic Process Units，圖形處理器）的眾核體系結構包含幾千個流處理器，可將矢量運算並行化執行，大幅縮短計算時間。隨著NVIDIA、AMD等公司不斷推進其GPU的大規模並行架構支持，面向通用計算的GPU（General-Purposed GPU、GPGPU）已成為加速可並行應用程序的重要手段。

（3）大數據—海量數據

與人工規則構造特征相比，利用大數據來學習特征，更能刻畫數據豐富的內在信息。在大數據情況下，只有比較複雜的模型，或者表達能力強的模型，才能充分發掘海量數據中蘊藏的豐富信息。運用更強大的深度模型能從大數據中發掘出更多有價值的信息和知識。

人工智能的三個發展階段

第一階段：運算智能，能存會算；

第二階段：感知智能，能聽會說、能看會認；

第三階段：認知智能，能理解會思考。

目前在運算智能和感知智能方面已經有重大突破，在認知智能方面還在進一步摸索中。認知智能是目前機器與人差距最大的領域，也是目前各大科技巨頭都在力圖尋求突破的領域。認知智能目前還沒有太大突破，未來需要花更多時間進行研究。

人工智能現狀介紹

1. 語音和自然語言角度

語音和自然語音是人類最自然的語言交互方式，具有快、簡單、自然等優點。

（1）目前進展：

①語音識別率已經接近99%，抗噪震識別技術、語音合成技術、多人對話技術已成為新的研究熱點；

②對於自然語音的處理和理解仍沒有得到一個很好的突破，原因在於：

語音識別基於視覺或音頻的“底層認知特征”，但語言理解是基於詞法、句法和語義學等“高層認知特征”的，發音的音頻圖像可能是比較確定的，但由於不同的拆解可能有不同的含義。

（2）自然語言處理的發展方向和趨勢：

①海量數據時代的信息抽取；

②深度學習在自然語言處理中的應用；

③超大規模知識圖譜的建設和應用。

上述三個步驟是同時進行的，通過知識圖譜將不同的語義、詞匯分類並根據相關性進行聚合和連接，類似於人思考過程中的聯想功能。

目前語音已經到了爆發的階段，下圖統計了從2013到2015年智能手機使用智能語音功能的比例。

到2020年，至少50%在百度瀏覽器上的搜索都將通過圖像或語音。

2. 圖像角度

目前的應用主要在人臉識別、照片自動歸類、圖片搜索、自動駕駛/ADAS等方面。但應用有前後之分，比如：醫療領域的人工影像的算法研究比較滯後，識別率達到70%左右，這種識別不夠精確，不能很好地對醫生加以輔助。

促使計算機在圖像感知、圖像識別上發生飛躍的技術主要有以下三個方面：

算法、深度學習網絡和模型；

海量深度數據的訓練模型；

從CPU到GPU的使用。

3. 產品角度

（1）人工智能的應用給生活帶來的影響及場景描述：

①從信息到服務：

舉例：從原來人工找咖啡館喝咖啡到之後享受被送到指定地點咖啡的服務；從原來人工訂票到使用人工智能技術享受訂好票訂的過程。

②從軟件到軟硬結合：

無人車等都具備軟件和硬件結合交互的特征，將具備可移動性、可隨身攜帶性，從但一到綜合，會有更多傳感器、更豐富交互性（視覺、語音、語言、手勢、移動等）。

（2）常見的AI產業化路線：

①在已有的產品中實現AI first戰略 例如：Google；

②AI作為技術API提供給第三方；

③創業公司從技術或者應用入手。

（3）toB還是toC？

目前大部分公司定位為toB，需求明確、市場接受度高，將率先落地，同時較容易普及。而toC除了掃地機、無人機等品類外，其它領域的需求還不夠強勁、市場接受度較差、技術和市場成熟還需時日，但是目前有越來越多定位toC的產品出來,例如Amazon Echo、出門問問的ticwatch等。

4. 人才角度

深度學習的再一次興起起源於學術界，但目前學術界的大牛大部分被挖到巨頭公司。之前是學術界的研究領先於工業界，但現在人才、計算資源等條件，巨頭已領先於學術界，研究的中心已轉移到工業界。

現在來看美國比中國還是領先不少，美國有4大名校：MIT、斯坦福、卡內基梅隆、紐約大學，還有Google、Facebook、MS這些大牛公司，培養了很多人才。在語音識別，圖像處理等領域國際很多頂級專家都是華人。國內也有很多專家，行業薪資待遇越來越好，會吸引更多的優秀人才進來。這批人目前可能在百度、騰訊和阿里，將來可能加入創業大軍（已經出現）。

中國的優勢在於有大量互聯網用戶，很多的數據，有和各行各業結合緊密的應用，未來美國技術+中國商業模式會引領人工智能的發展。

相較於O2O、直播等領域，人工智能創業門檻較高，創始人以及核心團隊一般均有極強的科研背景，行業人才較為稀缺，導致了行業創業公司總體數量較少。

巨頭參與加劇競爭，創業者要思考“你與BAT競爭有什麽優勢”，選好產品定位和切入點。

人工智能不僅對於創業者來說門檻較高，對於投資人同樣如此，要結合技術和應用前景作出準確判斷挑戰較大。

全球融資歷史

1. 融資額

AI領域的融資額從2011年的$282M增長到2015年的$2.4B,增長了約7倍，未來仍將繼續保持快速增長。

2. 融資階段

從投資階段來看，大部分項目是早期項目（天使+A輪），早期項目雖從2011年的70%下降到2015年65%，但仍占有最大比例，說明AI創業活動仍然活躍。同時B/C/D輪項目增多，說明前期公司成長性不錯。未來在這些領域創業活動將仍然活躍，繼續提供較多投資標的。

3. 退出案例

退出案例越來越多，主要有並購和IPO兩種方式，並購占絕大部分，並購方主要是像Google這樣的科技巨頭公司，Google目前已經並購了20多家AI創業公司，其它活躍的並購方還有Twitter、Apple、Intel、Salesforce、AOL、IBM、Yahoo等。創業公司以一個比較好的價格被並購也是一個不錯的退出方式，可能也是大部分創業公司變現的機會，除了具有獨立IPO機會的公司，我們也可以關註國內對BAT等巨頭有業務互補有可能被他們並購或者投資的創業公司。

人工智能現狀總結

目前人工智能尚處於技術成熟的早期階段，在計算能力提升、深度學習算法進步及大數據的積累情況下，某些特定的認知計算領域，如計算機視覺、自然語言處理領域取得了階段性突破，從而引來了大量此領域的技術專家人才加入創業。但是，我們也看到現有技術更多是在輔助和增強人類的認知能力，而且技術依然處於快速叠代升級的階段，所以技術與商業結合的路線選擇就顯得更為重要。藍馳更看好與產業結合，有好的商業變現場景的技術產業型公司，而非單純強調AI技術的公司。

文章評論

匿名用戶

發布

全部評論：10

發布