人工智能產業鏈介紹

一、人工智能產業基礎支撐

人工智能產業鏈可以分為技術支撐層、基礎應用層和產品層。

圖表：人工智能產業鏈

技術支撐層主要由算法模型(軟件)和關鍵硬件(AI芯片、傳感器)兩部分構成。傳感器負責收集數據，AI芯片(GPU，FPGA，NPU等)負責運算，算法模型負責訓練數據。

基礎應用層主要由感知類技術和其他深度學習應用構成。感知技術主要用于讓機器完成對外部世界的探測，即看懂世界、聽懂、讀懂世界，由計算機視覺、語音識別、語義識別一并構成，是人工智能產品或方案不可或缺的重要部分。 唯有看懂、聽懂、讀懂，才能夠做出分析判斷，進而采取行動，讓更復雜層面的智慧決策、自主行動成為可能。

方案集成為集成了一類或多類基礎應用技術的，面向應用場景特定需求的產品或方案。人工智能作為一類技術，應用在多種多樣的應用場景中;而在各類產品中人工智能的比重或有區別，但其本質都是讓機器更好的服務于我們的生產和生活。

人工智能風口已至已毋庸置疑，但需要聲明的是，以算法、深度學習、增強學習為代表的核心技術研發周期較長，由此決定了人工智能的全面爆發不可能一蹴而就。其發展必定是基于現有成熟技術率先在特定領域實現規模化應用。而后隨著高性能芯片及計算平臺等軟硬件架構的突破實現通用領域規?；茝V。

“基礎層-技術層-應用層”的產業架構日漸明晰：

通過梳理人工智能產業鏈可知，圍繞“基礎資源層—技術層—應用層”的 AI 產業架構已經初具雛形。在政策與資本的疊加驅動下，國內企業已經從軟硬件層面實現全產業鏈覆蓋。

二、人工智能關鍵技術介紹

當前，人工智能已經發展成為一門擁有龐大技術體系的分支。包括了深度學習、機器學習、機器視覺、神經網絡、自然語言處理等多個細分領域。下圖展示了目前主流的人工智能技術和研究領域。

深度學習技術：深度學習的概念由Hinton等人于2006年提出。深度學習可以有人監督(需要人工干預來培訓基本模型的演進)，也可以無人監督(通過自我評估自動改進模型)。深度學習目前廣泛運用于各類場合，在財資管理領域，如可以通過深度學習來進行現金流預測和頭寸智能化管理。

循癥技術：指應用AI技術為醫療診斷提供輔助，基本方法是將病人情況和醫學數據庫進行數據挖掘和匹配，降低醫療人員主觀失誤的概率乃至最終完全取代人工醫療。在財務和金融領域，可以用于管理診斷、交易事故審查和合規性審計。

推薦引擎：推薦系統是一種信息過濾系統，用于預測用戶對物品的“評分”或“偏好”。推薦系統可用于支付結算中智能路由的設計，以及金融超市和賣場中交易的智能撮合。

機器學習系統：機器學習是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為， 以獲取新的知識或技能。深度學習技術是機器學習各項技術中發展最旺盛也是最成功的一個分支。我們常說的人工神經網絡是機器學習中的一種算法。機器學習的其他算法包括聚類算法、貝葉斯算法等。在量化交易、智能投資和智能風控中，往往會應用機器學習技術。

預測分析：是指一類對數據假設的預測性分析。其表現在使用數據挖掘技術、歷史數據和對未來狀況的假設，來預測未來的可能性。如應收賬款分析、現金流預測，以及未來金融市場的匯率、利率等的波動。

規范性分析：大數據技術的一個分支，指基于盡可能獲得的數據和計算得到確切的最優方案，以模擬或超越人腦的決策能力。該技術目前正處于相當早期階段。

自然語言處理和文本挖掘技術：泛指各類通過處理自然的語言數據并轉化為電腦可以“理解”的數據技術。自然語言處理一方面可以輔助財務共享服務中心進行客戶服務;另一方面，結合自然語言技術，便利知識管理和智能搜索。

自然語言產生技術：指將電腦與人類通過自然語言的方式交互的技術，核心是將電腦計算的二進制結果轉化為人類可以快速方便理解的語音/文字交互的載體。

機器學習是人工智能的核心技術，指從數據中自動分析獲得規律，并利用規律對未知數據進行預測的技術，是計算機具有智能的根本途徑。機器學習中一個重要分支就是深度學習技術，其已經遍及人工智能的各個領域，它的工作流程表現為利用感知層產生大數據，進而進行數據分析處理，處理后數據最后反哺給前臺應用系統，使得系統做出相應的反應。

機器學習往往遵循一些基本的流程，主要步驟包括：數據獲取、特征提取、數據轉換、模型訓練、模型選擇和模型預測。數據獲取可以通過數據庫以及網絡爬蟲技術，途徑日趨多元化。特征提取基于人的經驗和探索，優質的特征能夠起到事半功倍的效果。數據轉換包括缺失值填充、標準化和降維。機器學習模型可分為監督學習和非監督學習。模型選擇通常借助交互驗證和一系列評價指標。

三、人工智能應用場景介紹

1、人工智能水平應用場景

人工智能水平應用場景包括：機器學習/深度學習算法，計算機視覺技術，語音識別/自然語言處理技術。

人工智能水平應用場景一：機器學習/深度學習算法

機器學習/深度學習算法是人工智能的底層技術，人工智能在各個垂直領域的應用都離不開用行業數據訓練機器學習/深度學習算法，進而提升算法處理新數據和預測分析的能力。因此專注研發機器學習/深度學習算法的人工智能公司是人工智能的第一個水平應用場景。

人工智能水平應用場景二：計算機視覺技術

計算機視覺技術基于機器學習/深度學習算法，經圖片、視頻等圖像資料訓練所得。目前，計算機視覺技術在多個垂直領域均有所應用，例如無人超市中的自助結賬系統、iPhone X面部識別解鎖功能、無人駕駛汽車自動駕駛功能以及醫療影像診斷等。

人工智能水平應用場景三：語音識別&自然語言處理技術

語音識別/自然語言處理技術基于機器學習/深度學習算法，經音頻等語音資料訓練所得。目前，語音識別&自然語言處理技術的主要應用體現為智能語音助手如，蘋果Siri、亞馬遜Alexa、微軟小冰等。智能語音助手在多個垂直領域均有所應用，如智能家居、電商客服、醫療診斷語音助理、交通出行等領域。

2、人工智能垂直應用場景

人工智能垂直應用場景包括：企業服務、醫療健康、物聯網、新零售、網絡安全、金融科技、新型應用。

人工智能x 企業服務：

2017年預計共有308個人工智能x 企業服務項目獲得投資。人工智能在企業服務領域中的應用可以細分為三個場景：市場營銷、商業分析、人力資源，其中市場營銷類項目獲得投資的比例最高。

欲了解更多行業的未來發展前景，可以點擊查看中研普華產業院研究報告《2024-2030年中國人工智能行業發展前景及投資戰略分析報告》。