👇点击阅读原文
免费查看及下载102页PDF高清完整版报告
其他
2020年中国人工智能产业研究报告
人工智能丨研究报告
全文字数:7198字 精读时间:18分钟
目前中国大型企业基本都已在持续规划投入实施人工智能项目，而全部规上企业中约有超过10%的企业已将人工智能与其主营业务结合，实现产业地位提高或经营效益优化。
2020年，人工智能预计达到超过1500亿元规模，疫情环境下，2020年的业务高速增长主要由AI开放平台API贡献，除此之外的增长动力将在第四章详细阐述；到2025年，产业规模预计超过4500亿元。
在企业加速推进数字化转型的过程中，部署人工智能解决方案可推动甲方企业业务模型变革，助力企业快速灵活地适应市场变化。艾瑞执行的2020年CTO/CIO调研显示， 有65.9%落地AI项目的企业在项目实施前设定了明确的ROI标准，其中绝大部分（占总数53.7%）的企业能够完全达成或部分达到ROI目标。
本报告主要聚焦人工智能技术与应用层市场研究，有关人工智能模型生产、算力、数据等基础设施性内容，敬请关注艾瑞近期将推出的人工智能基础层研究。本报告分为公开版与商业分析版，如果您是一名AI从业者或关注AI的产业从业者，请阅读公开版报告，如果您希望获取更细分维度的行业数据支持商业分析和决策，请阅读商业分析版报告。智能经济
人工智能对产业经济形成价值闭环（1/2）
企业和政府对人工智能的应用逐渐升温。在决定企业产生经济效益的各个环节，都已能够看到人工智能的身影：AI 核身帮助人们安全生活、远程交易、便捷通行；深度学习和知识图谱帮助企业在生产过程中分析预测、科学决策；人机对话提升了拜访登记、服务响应中的用户体验。人工智能将催生新技术、新产品、新产业、新业态、新模式，实现社会生产力的整体跃升，推动社会进入智能经济时代。我们估算，目前中国大型企业基本都已在持续规划投入实施人工智能项目，而全部规上企业中约有超过10%的企业已将人工智能与其主营业务结合，实现产业地位提高或经营效益优化。
当然，AI 在经济生产活动中的落地升温，并非意味企业已经能够完全依赖AI 解决主流业务问题。
中国企业的数字化转型整体处于早期阶段，即使是洞见超前的先行者，也需要统筹数字化和信息化、上云、数据治理与AI以及管理思维转型等四大方向，合力探索。业务信息系统支撑企业前/中/后台的交易、信息和流程、业务分析等需求，提供相对标准规范的功能；向云端迁移降低IT建设成本、促进运营互联化、数据化、智能化、精细化；数据治理与AI 解决业务场景中高度复杂的计算问题（往往需要处理海量、异构数据），以及多因素的、动态的、可扩展的推理问题，通过计算机运算帮助人们完成观察、认知与决策的过程；而管理战略与思维主导企业科学布局、有效组织人才，面对机遇或困境寻求完整的解决方法、探索出路。因此，在产业经济中，人机协同模式将长期稳定存在，推动效率变革、动能转换。
人工智能布局落子将影响十年格局
人工智能产业与企业生长
上市企业数量与表现是衡量一个行业发展情况的风向标。截至2020年12月上旬，科创板已注册生效的80家信息科技类公司中，2家为人工智能公司，42家（53%）披露具有人工智能核心技术或相关业务，这些公司主要来自地理信息技术、IT软件/运维/信息化、网络及内容安全、云服务、半导体设计、物联网及智能硬件、金融科技等赛道。已上市的人工智能公司在市值方面都取得了令人瞩目的表现。
来自资本的期望
近三年人工智能在一级市场吸收超千亿元资金
根据清科研究中心《2020中国科创企业展望报告》，超过68%的投资机构在2020-2021年将AI作为重点投资领域。艾瑞统计发现，2018年，资本市场对AI创企抱有极高的热情，虽2019年有所回落，但截至2020年Q3的33个月内AI依然吸收一级市场超千亿元资金。B+轮之后的项目融资额占比逐年回落，侧面也反映出近一两年市场上还未出现新一批独角兽。
人工智能对社会经济的回报
回馈社会经济，实现良性循环
高估值、高吸金，以及过早从萌芽期催熟至起步期，都加重了人们对人工智能的期望值，当社会注入期望与资金超过人工智能解决经济生产中问题的速度时，焦虑就开始产生。相比于互联网产业，人工智能发展期与成熟期的到来预计较晚（第六页观点，我们认为人工智能产业从15年萌芽到起步用时4年，2019年进入起步期，显著快于电子信息与互联网产业，而从起步期到发展期则需要6年，长于互联网产业4年的用时），从社会期望、资本回报预期方面可能加重企业承受的压力。但尽管如此，人工智能产值成长速度也令人瞩目。基于AI的“赋能”特性，会展现出把单向的产品供应做成各产业深度参与的双向共建特征，回馈社会经济，实现良性循环，推动AI自身真正走入产业鸿图。2020年，人工智能预计达到超过1500亿元规模，疫情环境下，2020年的业务高速增长主要由AI开放平台API贡献，除此之外的增长动力将在第四章详细阐述；到2025年，产业规模预计超过4500亿元。我们判断大约30%-45%的市场是人工智能创业企业所占据，外围赛道切换而来的互联网公司、云服务公司、大数据公司、信息技术服务公司、通信设备公司以及个别科研院所切分其余市场。
人工智能产业图谱
人工智能商业模式
摸索与丰富阶段，未来会分化为两条路径
作为新生朝阳产业，人工智能的商业模式还在不断摸索与丰富，尚未形成定局。当前阶段，To B/G企业服务的色彩相当浓重。未来我们认为会分化出两条路径：一是沿着企业服务的道路，成为专业级工具的提供者、智能转型困境的处理者；二是直接切入最终用户（End Customer），走核心圈辐射生态圈的道路，成长为智能经济时代的主流企业。
人工智能赋能行业
当下行业份额格局比较集中
2020年，中国人工智能市场主要客户来自政府城市治理和运营（公安、交警、司法、城市运营、政务、交运管理、国土资源、监所、环保等），互联网与金融行业也位居前列。预计未来五年，这一行业格局分布会发生一定变化，主要动因来自人工智能核心技术赛道增速有差异、不同行业对人工智能的应用节奏发生变化，将在本报告商业分析版第四章节呈现。
第一个拐点——感知赛道的革新
计算机视觉：千亿级大赛道初露端倪
得益于深度学习算法的成熟应用，侧重于感知智能的图像分类技术在工业界逐步实现商用价值，助力金融、安防、互联网、交通、医疗、工业、政务等领域智能升级。通过对下游行业需求统计测算，2020年我国计算机视觉产品的市场规模占整个人工智能行业的57%，达到862.1亿元，与此同时，和计算机视觉有关的计算机通信设备销售、医疗器械等专用设备销售、工程建设、传统业务效益转化等带动相关产业规模超过2200亿元。
人机交互与智能语音垂直行业应用核心产品规模及带动产值
语音交互技术正在逐步改变人们的生产及生活方式。人机交互产品通过将用户意图转化为机器可以理解的内容，可协助用户解答问题或帮助用户完成特定任务。其中，对话机器人为客服等服务性行业带来了产品改革及效率优化；而基于AI语音助手的对话交互功能则促进了一系列消费级智能硬件产品的出现或升级，如智能音箱、智能车载、语音控制家电等。据艾瑞测算，2020年我国对话式人机交互产品的市场规模达到58.5亿元，带动相关产业经济规模达486.9亿元。除典型的对话式人机交互产品外，2020年智能语音技术在教育、医疗、司法、公安、互联网等垂直行业应用的核心产品规模达到57.7亿元，带动相关产业经济规模达317.1亿元。
第二个拐点——挖掘数据的价值
机器学习：市场规模超200亿，带动相关产业规模超千亿
作为人工智能极为关键的通用技术之一，机器学习时常被外界认为是AI应用中使用的公式或定理般的抽象基础。机器学习的本质的确是函数，但它依然能够以单纯的算法能力直接落地于金融、工业、医药、互联网等数字化基础较好的领域，为企业提供智能风控、预测性维护、药物发现、个性化推荐等多种服务。2020年，预计我国机器学习产品服务的市场规模将达到206.9亿元，并以20%以上的年均增速发展，2025年有望突破500亿元。此外，机器学习产品服务还将以节约成本、降低风险与损失、减少研发时间、提升效益等形式带动应用方创收超千亿元。
联邦学习：打破数据孤岛+保护数据隐私的AI“新爆款”
如上文所述，机器学习的根基和动力来源于数据，在获取数据的过程中，我们通常会面临一个两难问题，很多情况下算法模型所需的训练数据以孤岛形式散落在不同的企业与用户之中，我们一方面需要尽可能全面的获取数据以扩充训练样本规模，另一方面出于隐私与安全的相关要求又不能随意收集、融合和使用数据进行AI处理。为解决以上难题，联邦学习应运而生。联邦学习的主要思想是基于分布在多个设备上的数据集构建机器学习模型，同时防止数据泄漏，通过安全多方计算、差别隐私、同态加密等技术为模型提供隐私保证。作为一种创新的建模机制，联邦学习的核心价值在于它并不改变机器学习和数据存储的基本实现方式，而是改变了不同AI模型之间的协作模式，可以针对来自多方的数据训练统一模型而又不损害这些数据的隐私和安全性，因此联邦学习在金融、医疗、销售、城市管理以及许多其他领域中都很有前景。
知识图谱与NLP：从数据和信息中萃取智慧
自然语言处理本质是一个文本处理+机器学习的过程，它让计算机完成以自然语言为载体的各类非结构化信息的处理任务；知识图谱建立从数据到知识库中实体、属性、关系的映射，使得机器理解与解释真实自然世界成为可能。在实际应用中，知识图谱和NLP往往有着相同的目的、紧密耦合，比如通过搜索引擎做信息检索时，既需要对自然语言进行抽取，又需要通过实体之间的联系进行推理返回结果，以使提供的信息准确、丰富、有层次、可延伸阅读。从数字世界的发展阶段而言，已经到了感知层面的信息爆炸期，注意、记忆、推理、问题求解、决策以及语言生成等认知层面能力整体而言开始被撬动，感知层面的变化将给知识图谱与NLP带来新的机遇。垂直行业的知识图谱与NLP产品先一步发展起来，在2020年将实现超过百亿元的销售规模，预计到2025年，下游客户渗透扩散，图谱构建工具和“工艺”进一步成熟、情感分析任务与多模态识别碰撞出新的产品形态，刺激市场达到近500亿元规模。
知识图谱与NLP：数据治理、业务目标与决策指挥
站在管理者的角度，对业务进行全局观察、预测和决策指挥很有必要，需要实现全方位的数据接入、治理，结合知识图谱与NLP等工具进行分析、决策。数据越来越成为企业的核心资产，但对于数据的有效利用存在诸多痛点：手工填报的数据标准和质量不一，原始数据录入错漏与不完整，缺少有效的分级分类数据标签，数据分散在不同的核心系统中而各系统侧重点差异大、导致难以融合或未及时更新，以及不同类别的数据本身对于变量的定义和要求不同等等。因此，耗费大量的精力与成本，才能使数据治理到适合人工智能研究或应用的程度，有的时候，还会面临上一次数据治理缺乏有效的策略，需要重复工作、使用代价高的问题。因此，无论是教育、医疗还是工业、金融、零售中的应用，对于数据打通、数据标准化以及降低数据治理的工作量都有着极大的需求，一个行之有效的路径是，以业务的落地目标为出发点，基于业务目标，回到数据源头进行治理，再结合到具体的数据科学和业务建模分析中，反复调整、适配与验证，衍生出丰富的应用。
第三个拐点——成为基础性产品
将算法进行芯片级封装的战略意义
人工智能产业正处在一个向强业务属性发展的过程中，各领域细分应用场景及衍生的多样性算法需求不断增加。芯片作为实现AI应用的重要算力基础设施，NVIDIA等通用性AI芯片对目前应用场景的适配性和可优化程度有所局限。因此，具备将算法进行芯片级封装的底层技术能力一定程度上决定了AI企业的业务布局层级是否可自主优化；在全球科技竞争的大背景下，自研芯片能力也决定了企业的业务链条是否安全可控。近年来，AI算法企业中的“造芯运动”风起云涌，前瞻布局的算法厂商基于对算法技术及应用场景算力需求的理解，致力采用集成架构或自定义的处理器架构和指令集进行算法芯片级封装尝试，以提升算法在解决方案中的场景适配性及高性价比，拓宽产业链环节、加固技术壁垒，抢位未来AI产业竞争的战略制高点。
甲方企业的投入回报
企业部署数字化转型AI项目常见的ROI验证方法
在CTO/CIO调研中发现：26.8%的企业在推进AI探索应用中面临“如何制定投入与产出的评价标准”这一阻碍。AI项目作为企业业务流程再造的重要投入，价值体现或难以立竿见影，但对于企业竞争力塑造具有重要的战略意义。因此甲方企业在进行AI项目投入的可行性评估时，应设定合理的ROI评价标准，科学、理性地评价方案的成本要求、效果要求和利润要求等，避免错失转型改革机遇。根据甲方企业所在行业特性、部署项目需求、使用AI技术和应用场景等差异，AI项目ROI的验证方法也比较多样。
中国企业AI应用调研：AI应用技术
计算机视觉、机器学习等为AI应用热门方向
中国企业AI应用调研：中台建设普及率
超六成企业已搭建中台体系，数据中台为第一选择
63.4%的企业已搭建中台体系，在已搭建中台的企业中，100%的企业建立了数据中台；在未建立中台体系但有相应规划的调研企业中，75%的企业选择规划数据中台。
AI中台的普及率与需求程度排在第二位。已搭建中台体系的样本企业中，53.8%的企业搭建了AI中台；未建立但有相应规划的企业中，41.7%的企业规划建设AI中台。
中国企业AI应用调研：供应商评价指标
服务可用性及稳定性、定制化服务能力是供应商关键评价指标
技术或产品的可用性和稳定性影响企业AI项目及相关业务是否能够高效地运行与开展，因此服务可用性及稳定性（56.1%）是企业选择人工智能技术服务商或产品供应商的首要因素。在实际决策过程中，考虑到企业的特定业务需求，供应商定制化服务能力（48.8%）和技术产品适配性（43.9%）也是选择供应商的主要评价指标。
中国企业AI应用调研：AI项目实施效果
提升大数据分析能力为主要目标，辅助决策效果不及预期
通常企业为AI项目实施设定明确的目标并以此定期评估实施成果，最常见的实施目标主要有提升大数据分析能力（41.5%）辅助决策（36.6%）、创新性体验（34.1%）以及提高营业收入（31.7%）。实施效果评估层面，以5分为满分，统计评分结果，最终提升产品/品牌竞争力、创新性体验、提高客户满意度的完成效果最佳，评分均在3.8以上；辅助决策目标的完成度最低，评分仅为2.8。
中国企业AI应用调研：决策者角色
多数AI项目属于“一把手工程”
根据调研结果，国内大中型企业AI项目的最终决策者或是参与最终决策的人员主要包括两类人群，一种是整个企业的最高决策者，如企业创始人/CEO/总经理等（68.3%），另外就是企业技术及IT业务的主要负责人，如CTO/CIO等（65.9%）。
中国企业AI应用调研：AI项目实施阻碍
专业人才和数据质量为企业探索AI应用中遇到的主要障碍
企业认为缺乏AI专业人才（51.2%）和高质量的数据资源（48.8%）是推进人工智能的探索应用中遇到的主要障碍，人才紧缺和数据质量成为企业推动AI项目实施亟待解决的首要问题。
人工智能行业洞察
社会化分工态势出现
2020年开始出现人工智能产业链走向成熟与分工的信号：《国家新一代人工智能标准体系建设指南》印发；新一代人工智能开放创新平台陆续发布；AI 应用模型效率化生产平台开始出现；各行业推动高质量的适度规模的数据集建立，减少基础性重复投入；人工智能学科走进各级学校，从K12到职教、高教均有覆盖。人工智能本身的“基建”层崭露头角，从早期朴素的、“小农式”的算法开发，走向效率化、工业化生产，社会化分工态势已经明确显现。
（点击图片即可获取原文👇）
推荐