中國人工智能技術平臺分析

一、人工智能技術平臺功能分析

技術層主要依托基礎層的運算平臺和數據資源進行機器學習建模，開發面向不同領域的應用技術，包含感知智能及認知智能兩個階段。感知智能階段通過傳感器、搜索引擎和人機交互等實現人與信息的連接，獲得建模所需的數據，如語音識別、圖像識別、自然語音處理和生物識別等;認知智能階段對獲取的數據進行建模運算，利用深度學習等類人腦的思考功能得出結果，如機器學習、預測類 API 和人工智能平臺等。

二、人工智能技術平臺涉及領域

當前，技術層面的應用技術面向不同領域的需求各放異彩，語音識別、圖像識別、機器學習、生物識別等各類應用層出不窮，國內技術層公司發展勢頭也隨之迅猛。

AI 技術層的作用是基于底層提供的計算存儲資源和大數據，通過機器學習建模，開發面向不同領域的應用技術，例如語音識別、語義識別和計算機視覺等。 中間層的運行機制和人類的思維形成過程高度相似，是從感知到思考再到最終的決策行動甚至是創造，核心是機器學習技術的應用。首先，感知環節需要連接的是人、信息和物理世界，通過傳感器，搜索引擎和人機交互來獲取建模必須的數據，相當于人類的感知過程。依托于底層的高性能計算和彈性存儲能力，中間層對感知到的數據進行建模運算，相當于人類的思考過程。最終，應用層利用數據擬合出的模型結果，對智能應用的服務和產品端輸出指令，指揮包括機器人、無人機、3D打印等在內的各種設備響應用戶需求。盡管目前由于思考層面的計算存儲能力和建模能力的不足，導致人工智能還無法達到和人類相接近的“智慧”程度，但也足以支撐包括語音識別、圖像識別和知識圖譜在內的各種 AI技術在特定場景下的應用。

另外一方面，在具體的應用場景中，更為優化的算法和更為準確的背景知識庫數據集等因素都有助于在不提升計算資源的前提下實現更優的結果。這就給眾多專業領域的 AI公司帶來了巨大的市場機遇。

三、人工智能技術平臺競爭格局

我們看到，專用智能的商業化應用風生水起，在這個領域，巨頭和新貴都處于同一起跑線上，產業格局會趨于分散，先入者優勢明顯。我們判斷，在數據、算法、云計算資源等幾個關鍵因素中，數據的獲得以及算法的優化是先入者的護城河，能夠幫助他們在專用領域的特定場景下，迅速實現 AI的商業化應用，從而搶占市場。我們關注到國內市場已經出現了這樣的局面：語音識別領域的科大訊飛、計算機視覺方面的格林深瞳、語義識別方面的小 i機器人、人臉識別方面的face++等等細分行業龍頭，都在具體應用場景的技術結果上，實現了對百度、谷歌、微軟和 IBM等 AI 巨頭的超越。

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模化推廣。

“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。

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。

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《2025-2030年中國人工智能行業發展前景及投資戰略分析報告》。