中国人工智能技术平台分析

中国人工智能技术平台分析

一、人工智能技术平台功能分析

技术层主要依托基础层的运算平台和数据资源进行机器学习建模，开发面向不同领域的应用技术，包含感知智能及认知智能两个阶段。感知智能阶段通过传感器、搜索引擎和人机交互等实现人与信息的连接，获得建模所需的数据，如语音识别、图像识别、自然语音处理和生物识别等;认知智能阶段对获取的数据进行建模运算，利用深度学习等类人脑的思考功能得出结果，如机器学习、预测类 API 和人工智能平台等。

二、人工智能技术平台涉及领域

当前，技术层面的应用技术面向不同领域的需求各放异彩，语音识别、图像识别、机器学习、生物识别等各类应用层出不穷，国内技术层公司发展势头也随之迅猛。

AI 技术层的作用是基于底层提供的计算存储资源和大数据，通过机器学习建模，开发面向不同领域的应用技术，例如语音识别、语义识别和计算机视觉等。 中间层的运行机制和人类的思维形成过程高度相似，是从感知到思考再到最终的决策行动甚至是创造，核心是机器学习技术的应用。首先，感知环节需要连接的是人、信息和物理世界，通过传感器，搜索引擎和人机交互来获取建模必须的数据，相当于人类的感知过程。依托于底层的高性能计算和弹性存储能力，中间层对感知到的数据进行建模运算，相当于人类的思考过程。最终，应用层利用数据拟合出的模型结果，对智能应用的服务和产品端输出指令，指挥包括机器人、无人机、3D打印等在内的各种设备响应用户需求。尽管目前由于思考层面的计算存储能力和建模能力的不足，导致人工智能还无法达到和人类相接近的“智慧”程度，但也足以支撑包括语音识别、图像识别和知识图谱在内的各种 AI技术在特定场景下的应用。

另外一方面，在具体的应用场景中，更为优化的算法和更为准确的背景知识库数据集等因素都有助于在不提升计算资源的前提下实现更优的结果。这就给众多专业领域的 AI公司带来了巨大的市场机遇。

三、人工智能技术平台竞争格局

我们看到，专用智能的商业化应用风生水起，在这个领域，巨头和新贵都处于同一起跑线上，产业格局会趋于分散，先入者优势明显。我们判断，在数据、算法、云计算资源等几个关键因素中，数据的获得以及算法的优化是先入者的护城河，能够帮助他们在专用领域的特定场景下，迅速实现 AI的商业化应用，从而抢占市场。我们关注到国内市场已经出现了这样的局面：语音识别领域的科大讯飞、计算机视觉方面的格林深瞳、语义识别方面的小 i机器人、人脸识别方面的face++等等细分行业龙头，都在具体应用场景的技术结果上，实现了对百度、谷歌、微软和 IBM等 AI 巨头的超越。

图表：人工智能产业链

技术支撑层主要由算法模型(软件)和关键硬件(AI芯片、传感器)两部分构成。传感器负责收集数据，AI芯片(GPU，FPGA，NPU等)负责运算，算法模型负责训练数据。

基础应用层主要由感知类技术和其他深度学习应用构成。感知技术主要用于让机器完成对外部世界的探测，即看懂世界、听懂、读懂世界，由计算机视觉、语音识别、语义识别一并构成，是人工智能产品或方案不可或缺的重要部分。 唯有看懂、听懂、读懂，才能够做出分析判断，进而采取行动，让更复杂层面的智慧决策、自主行动成为可能。

方案集成为集成了一类或多类基础应用技术的，面向应用场景特定需求的产品或方案。人工智能作为一类技术，应用在多种多样的应用场景中;而在各类产品中人工智能的比重或有区别，但其本质都是让机器更好的服务于我们的生产和生活。

人工智能风口已至已毋庸置疑，但需要声明的是，以算法、深度学习、增强学习为代表的核心技术研发周期较长，由此决定了人工智能的全面爆发不可能一蹴而就。其发展必定是基于现有成熟技术率先在特定领域实现规模化应用。而后随着高性能芯片及计算平台等软硬件架构的突破实现通用领域规模化推广。

“基础层-技术层-应用层”的产业架构日渐明晰：

通过梳理人工智能产业链可知，围绕“基础资源层—技术层—应用层”的 AI 产业架构已经初具雏形。在政策与资本的叠加驱动下，国内企业已经从软硬件层面实现全产业链覆盖。

当前，人工智能已经发展成为一门拥有庞大技术体系的分支。包括了深度学习、机器学习、机器视觉、神经网络、自然语言处理等多个细分领域。下图展示了目前主流的人工智能技术和研究领域。

深度学习技术：深度学习的概念由Hinton等人于2006年提出。深度学习可以有人监督(需要人工干预来培训基本模型的演进)，也可以无人监督(通过自我评估自动改进模型)。深度学习目前广泛运用于各类场合，在财资管理领域，如可以通过深度学习来进行现金流预测和头寸智能化管理。

循症技术：指应用AI技术为医疗诊断提供辅助，基本方法是将病人情况和医学数据库进行数据挖掘和匹配，降低医疗人员主观失误的概率乃至最终完全取代人工医疗。在财务和金融领域，可以用于管理诊断、交易事故审查和合规性审计。

推荐引擎：推荐系统是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”。推荐系统可用于支付结算中智能路由的设计，以及金融超市和卖场中交易的智能撮合。

机器学习系统：机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为， 以获取新的知识或技能。深度学习技术是机器学习各项技术中发展最旺盛也是最成功的一个分支。我们常说的人工神经网络是机器学习中的一种算法。机器学习的其他算法包括聚类算法、贝叶斯算法等。在量化交易、智能投资和智能风控中，往往会应用机器学习技术。

预测分析：是指一类对数据假设的预测性分析。其表现在使用数据挖掘技术、历史数据和对未来状况的假设，来预测未来的可能性。如应收账款分析、现金流预测，以及未来金融市场的汇率、利率等的波动。

规范性分析：大数据技术的一个分支，指基于尽可能获得的数据和计算得到确切的最优方案，以模拟或超越人脑的决策能力。该技术目前正处于相当早期阶段。

自然语言处理和文本挖掘技术：泛指各类通过处理自然的语言数据并转化为电脑可以“理解”的数据技术。自然语言处理一方面可以辅助财务共享服务中心进行客户服务;另一方面，结合自然语言技术，便利知识管理和智能搜索。

自然语言产生技术：指将电脑与人类通过自然语言的方式交互的技术，核心是将电脑计算的二进制结果转化为人类可以快速方便理解的语音/文字交互的载体。

机器学习是人工智能的核心技术，指从数据中自动分析获得规律，并利用规律对未知数据进行预测的技术，是计算机具有智能的根本途径。机器学习中一个重要分支就是深度学习技术，其已经遍及人工智能的各个领域，它的工作流程表现为利用感知层产生大数据，进而进行数据分析处理，处理后数据最后反哺给前台应用系统，使得系统做出相应的反应。

欲了解更多行业的未来发展前景，可以点击查看中研普华产业院研究报告《2025-2030年中国人工智能行业发展前景及投资战略分析报告》。