人工智能的商业化应用范文
时间：2023-11-09 17:54:48
导语：如何才能写好一篇人工智能的商业化应用，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
北京鑫根投资管理有限公司创始合伙人曾强提出了人类六次飞跃的革命。他表示：“前五次是地权、海权、空权、币权到网权的争夺，每一次争夺都产生了每一次大国的崛起。我们认为在最近的这几年所发生的事情是人类的第六次制高点的争夺，那就是智权。智权的争夺对下一个大国的崛起会起到最重要。”
人工智能其实离每个人都很近，就像北京旷视科技Face+创始人兼CEO印奇所说：“今年是个人脸识别的大年。”印奇非常看好一个行业，叫“城市大脑”。他表示，在新型城市的建设里面有很多安防摄像头，这些摄像头连接会成为整个城市建设的基础信息，这些信息量是最全的，这是一个未来物理世界和城市管理的基础设施，这些基础数据会像水电煤一样体现在各个方面。
印奇认为，当大家提到人工智能的时候，一定要做人工智能的产业和行业结合，人工智能的公司不能简单说是一家技术公司，而是要做产品落地。同时他还提出：“在人工智能(AI)这个场景下，最终的商业价值的话语权取决于对数据运营权的争夺，我们到底是一个AI+行业，还是行业+AI，最终看这个行业最重要的流通数据掌握在什么样的生态里。”
ScopeMedia Inc.，联合创始人，CEO王延青非常赞同印奇的观点。他说，人工智能一定要跟行业结合，要不然自己就是一个数学公式。
王延青说：“我们自己尽量多做产品，少做项目，因为我感觉人工智能现在仍然处于一个找市场、找突破口，没有一个公司真正垄断的行业，把一个入口做好就是一件很好的事情。同时，我们试图做成某种标杆、某种标准，这也是我们一个努力的方向。”
对于人工智能的理解，哈佛大学脑科学中心博士/脑机接口公司BrainCo创始人兼CEO韩壁丞相信，通过数据的力量可以让非启蒙式的脑接口走向普及的大众。比如能够实时了解学生上课状态的的智能仪器，用大脑来控制的智能假肢、中风偏瘫患者的康复产品，以及预防老年痴呆的产品，都是人工智能和接口做的具体商业化的产品和落地。
中国新一代人工智能发展战略研究院副院长刘刚教授也谈了自己对人工智能的看法。他表示，人工智能用在智能制造的时候实际上是两条路径，一条是阿里巴巴的工业大脑，还有一条是往控制系统上做。人工智能在产品化和商业化的过程中，任何一个新技术都要解决市场技术识别、资源整合和合法化这三个问题。
在人工智能产品化和商业化过程中，石头科技创始人兼CEO昌敬向大家介绍了一个比较实际的落地案例。昌敬说：“我们把一些谷歌无人车的技术应用到了扫地机器人领域，让人扫地机器人变得更聪明一些。人工智能的加入，大大降低产品的闲置率。”
篇2
关键词：智能制造；关键技术；政策建议
一、当前经济形势下智能制造发展宏观分析
1.基础技术的应用和发展
随着我国需求市场的蓬勃发展，一大批企业的快速跟进，使我国在计算机视觉、中文语音识别和无人驾驶等典型应用方面进入全球前列，具备了加速发展的市场条件和产业基础。在新一代信息技术接力式创新的驱动下，万物互联和智能化趋势越发明显，预计2035年全球联网设备数量将突破千亿件，将快速推动智能制造快速发展。近年来在算法、数据和算力三方面的突破下，新一代人工智能开始成为新的竞争焦点。人工智能在看、听、理解等关键指标上已经媲美甚至赶超人类。在机器识别图像、语音和自然语言等开始广泛应用，类似技术已广泛嵌入呼叫中心、客服系统、智能助手、聊天机器人等产品中。人工智能蕴含着无可估量机遇，各路企业争相涌入布局。从2013年到2017年，全球人工智能投资事件从310件增长到1349件，投资额从17亿美元增长到152亿美元，安防、医疗、交通、制造等数据丰富的行业成为重点投资领域。
2.我国智能制造发展情况
随着我国智能制造发展的快速推动，依托用户规模、应用场景、风险资金和科技论文等优势，我国在一些基础技术的应用方面进入全球前列，一大批骨干企业快速发展，在智能制造产业各个环节积极布局，为我国智能制造的快速发展，实现弯道刹车提供有利条件。数据资源是发展人工智能的关键要素，主要来自用户和联网设备。从用户数看，到2017年底，我国有3.49亿固定宽带用户，是美国的3.5倍，占全球38%。从数据量来看，我国已占全球13%，据高盛报告预测，随着用户数和在线时长增长，这一指标到2020年预计提升至20%—25%。我国有用户规模的先天优势。我国有近4亿的年轻用户，他们对新科技、新产品的接受度比较高，所以广泛的行业分布、多样的用户需求为拓展人工智能应用提供了广阔市场。在这一轮人工智能刚兴起时，国内一批公司深耕计算机视觉技术，目前从算法水准和应用情况看，人脸识别、安防监控等领域已获得全球认可。总体上，智能应用开始进入快速扩展期，我国有望在更多领域形成自身优势。
二、我国智能制造发展当前阶段面临的问题
1.芯片产业发展有待提升
高端芯片产业的发展是智能制造的重要前提，但是芯片关键技术方面还有很大的提高空间，目前处于“受制于人”的情况。当前芯片产业关键技术方面美国还是占主导地位，首先，图形处理芯片方面，英伟达、超威和英特尔三强主导市场方向。其次，可编程逻辑阵列芯片方面，赛灵思和英特尔两强主导市场。第三，专用集成电路(ASIC)芯片方面，谷歌的张量处理芯片(TPU)性能优势明显。目前，由于价格和关键技术的制约我国还处于芯片进口阶段，孙然有部分企业可以进行芯片的定制，但是由于资本投入和商业化推广的弊端还处于初级阶段。
2.人工智能的基础技术依旧不能形成单独生态体系
人工智能的算法框架依附于国外巨头开源生态体系。当前我国人工智能产业必须降低人工智能产品或应用开发成本，进而吸引世界各地开发者入驻生态。从高盛报告看，谷歌Tensorflow算法框架聚集了6.8万名明星开发者；而百度Pad-dlePaddle平台仅有5330位，不到前者1/10。我国当前大部分都机遇谷歌的基础算法框架进行开发，很难自主建立内生性的生态系统。3.专业技术人才的缺失异常严重智能制造的重要核心就是专业技术人才的集聚，但是我国智能制造相关人才总量和人才结构上还处于比较落后的阶段。如全球最大招聘网站领英2017年《全球AI领域人才报告》显示，全球人工智能人才数量190万人，其中美国85万人，我国5万人，位列印度、英国、加拿大、澳大利亚、法国之后，排第七位。从专业化人员从业时间来看，与美国相比我国专业化从业人员，从业超过十年以上的不足40%，而美国却超过了70%，我国大部分关键技术人员和管理人员都是海外引进，我国在智能制造的核心技术方面，尤其是人工智能的底层算法方面与美国还是有很大的距离。
4.我国关键技术创新相关的政策法规落后于技术创新的需求
数据开放、隐私管理、算法歧视、网络攻击等方面需要新的监管法规。以智能影像诊断为例，美国2017年采取先上市后批准的模式助推产业创新；我国则按照医疗器械监管，要求经过器械检测、临床评测、器械技术审批、政府发放批文等四个环节，企业反映总耗时30个月，且准入制度、收费模式、医保对接等尚是空白。所以，首先数据开放是我们必须要解决的问题，我国政府数据开放排名全球靠后，而在科技巨头之间创建标准统一、跨平台分享的数据生态系统要落后于美国。其次数据隐私管理方面问题，海量数据的采集不可避免涉及个人隐私，如何避免滥用是各方关切点。最后是网络攻击问题，防御网络攻击、保障安全是客户最为关心的主要问题。
三、推动我国智能制造发展的路径及建议
1.建立核心技术研发标准，加大产业上下游衔接
我国智能制造虽然全面推广，但是在芯片产业方面还是短板，想要借助人工智能的机会实现弯道超车必须要放长战线，做好基础研发工作。我国消费市场具有一定的优势，要做好开放合作的准备，加强学习的强度，缩短学习的周期。避免资金、人才等资源的浪费，推进强强联合，鼓励走差异化技术路线。优化产业链条，加强上下游的衔接，利用好国内良好的消费市场，产业链相关企业要积极抓住这个机会，积极实现商业化应用。
2.建立标准化产业链条平台
积极累计专业化技术成果，虽然我国在机器视觉算法方面也走在全球前列，但没有完整商业化生态体系，要快速构建原生的算法构架和标准化平台。要借鉴PC互联网时代win-dows操作系统主导生态、移动互联网时代安卓主导生态的经验做法，支持组建产业联盟构筑生态搭建算法框架。政策上支持构建算法构架，兼容多平台应用，抓住机会提升我国基础技术平台的应用和研发水平。并且要建设以人工智能为基础的公共数据资源库、标准测试数据集，为评估算法效能提供评价基准。
篇3
2012年，在技术创业尚未形成风气之时，他中断了在美国的学术道路，回到中国，与中学同学、前阿里云总监林晨曦创办了依图科技公司，致力于计算机视觉业务。谈到创业的初衷，他说：“我始终认为，技术要应用于现实生活中，才能发挥出最大的价值。”
2013年，依图科技拿到了真格基金百万美元的天使投资。2015年和2016年，依图科技先后完成A轮、B轮融资，估值数千万美元，成为业界最被看好的计算机视觉创业公司之一。
创业四年，甘苦尝尽。朱珑的技术优势显而易见，要面对的难题也不少：没有商科背景，是否会让他在管理上左支右绌？在人工智能这样的前沿领域，没有现成的商业模式可供借鉴，他该如何取舍公司的业务方向？
8月，趁朱珑在北京出差之际，《时间线》对他进行了专访，听朱珑讲述行走在中国科技产业浪潮之巅的故事。
《时间线》：2012年你创业的时候，国内人工智能市场是怎样的？
朱珑：当时大家对人工智能的未来不像今天这样有信心，资本对这个圈子的热度也远不如今天。并不是说你来自MIT就很容易拿到投资。我认为2012年是技术类创业的标杆性的一年，此后，创投圈开始从“资金密集型”和“资源密集型”转向“智慧密集型”。
《时间线》：如你所说，当时资本圈对AI并不像今天这样抱有信心，依图拿到真格基金百万美元的天使投资，经历了怎样的过程？
朱珑：在红杉资本中国基金副总裁吴莹的介绍下，我和我的合伙人林晨曦与真格基金的创始人徐小平先生在他的家中见面，交流了十几个小时。当时，徐老师对人工智能技术并不十分了解，但非常看好我们的团队和AI的未来，提出给依图两百万美元的投资，这笔资金动用了当时真格基金总额的7%，我认为徐小平老师是个非常有魄力的投资人。
《时间线》：你们的很多项目都是与政府部门合作的，一家创业公司是如何取得政府的信任的？
朱珑：我回国之后动用了自己在国内所有的人际关系，最终获得了在某个公安系统会议的茶歇时间与一名负责人交流3分钟的机会。经过一番争取，他愿意让我尝试计算机车辆识别系统，当时计算机的车辆自动识别准确率不到30%，对方希望提升到70%。接到任务两个月后，我们做出了一套车辆识别系统，识别准确率达到了90%，获得公司成立后的第一单业务。
由此开始，我们与公安系统开始了长期紧密合作，将人脸识别技术应用于追逃、刑侦、监控等方 面。
《时间线》：人脸识别技术具体可以如何应用到公安系统的工作中？
朱珑：我们曾协助苏州公安完成一起追逃任务，公安用全国在逃库的26万人与常住及暂住人口库中的1300万人进行比对，通过人脸识别的捕捉，系统共预警25人。经过人工甄别，最终确定了17人为嫌疑人，其中9人已撤销，最后现场捕获了3人。这是过去单靠警力无法做到的事情，现在人工智能技术可以帮助我们实现。此外，人脸识别技术还可以应用到金融等其他行业。
《时间线》：从创业到现在，人工智能市场经历了怎样的变化？
朱珑：今年的前三、四个月，比过去一年的变化还大。很多投资人的逻辑是“我就要投资人工智能，一定要进来参与这个领域。”
《时间线》：在人工智能大热的今天，可能会有一些投机主义的公司涌现，这是否会成为你的困扰？
朱珑：肯定有，这很正常。有一些公司不见得会涉及智能的那些部分，只是包装一个概念，但时间会自动筛选出真伪，有实力的公司很稀缺，团队会更加值钱。
为杭州打造“城市数据大脑”
今年9月，全球瞩目的G20峰会将在杭州召开，杭州市委市政府联合众多公司，在阿里云的牵头下开展了一个名为“城市数据大脑”的城市交通规划项目，借此盛会展现大数据在城市管理中的作用，依图公司参与其中，提供车辆识别及大数据相关技术。首次涉通领域，对于依图来说是一个新的挑战。
《时间线》：“城市数据大脑”项目中，依图进行了哪些方面的技术支持？
朱珑：我们对城市中车辆的行驶路径等数据进行收集、分析，对车、道路、红绿灯的信息进行建模。在建模的基础上对政府的交通管理者给予建议和优化方法，比如红绿灯的改进措施，道路的修缮方案。我们希望通过解决城市交通这类世界级难题，让人工智能使我们的生活更加轻松便捷。
《时间线》：这个项目的难点在哪里？
朱珑：从技术层面来讲，交通管理是一个非常新的领域，世界上顶级机构对这一领域的研究也处于原始阶段，现有的学术界的模型、数据体量无法满足模型精度的需求。要完成这个项目，我们还要做很多新的研究。从操作层面来讲，我们的工作要跨越政府的不同部门，把这些数据整合到一起。
《时间线》：大数据对人工智能技术有重要作用，你们如何建立自己的数据库？
朱珑：最朴素的办法就是一点一滴积累，比如车辆数据，我们自己去路上拍了很多，慢慢地数据就积累起来了。在和客户合作的过程中，客户也会提供一些数据。
《时间线》：现阶段在中国进行技术创业，难点在哪里？
朱珑：从创业环境来看，我们没有完善的反垄断机制，也就是说大公司还是可以跟你竞争的；但在美国，这不一定行得通。而且中国的知识版权的保护尚为薄弱，小公司抄袭的情况比较多。
此外，探索出好的商业模式是非常困难的。依图成立四年，经历了很多探索，我们一直在扎实地做垂直领域，包括公安、金融等领域。我始终在问自己：人工智能的卖点是什么？
AI最大的考验是商业模式的创新
2016年初，一场人机大战成为全民热点。人工智能的概念从科技圈走向大众，做了一次生动的市场教育。影响迅速蔓延到二级市场，人工智能概念股迅速飙升，中国兴起一波人工智能创业热潮。创业四年，朱珑目睹了人工智能产业的变迁，他有着怎样的体会？作为一个创业者，他如何看待这个产业的未来
《时间线》：现在依图在技术研发和商业方面的比率大概是什么样的？
朱珑：超过50%都是技术团队，我们的核心优势是对技术的理解能力。有了技术作为基础，扩张的成本会变得很低。
《时间线》：作为学者型创业者，商业背景的匮乏会不会成为你的瓶颈？
朱珑：创业四年，这个部分的知识我补充了很多。商业知识是不断学习的过程，今天学到的商业经验不一定能解决明天的问题。换句话说，有商科背景不一定比我更有能力解决未来将面对的问题。创业本身就是个不确定的探索过程。
《时间线》：如何看待技术与商业化的平衡？
朱珑：技术与商业化从来不是矛盾的。中国现在有很多大规模的问题放到学术上都是非常有挑战性和标杆性的。在实验室是无法直接解决问题的，因为有些数据不易得到，做商业项目与学术研究并不冲突，反而可以更好地促进技术发展。
篇4
研讨会上，中国工业合作协会理事长唐保玲致辞并提出，此次研讨会目的是倡导推动“中国制造2025”和“互联网+”融合发展，意在探索如何利用互联网创新模式结合AI做好工业领域的精细化服务。移动互联网、大数据、云计算和人工智能的快速发展，为工业传统转型和服务升级提供一个弯道超车的机会。中国工业合作协会着力构建以工业互联网平台为基础、以大数据为服务支撑的互联网+人工智能全要素服务体系，并大力营造有利于人工智能企业发展的环境，鼓励将人工智能的基础和应用研究产业化、商业化，争做促进中国制造业转型的前沿力量，共同为实现中华民族伟大复兴的中国梦作贡献。
中国兵器集团科技带头人、兵科院总体部部长李军致辞时指出，工业服务云平台+人工智能更高水平的融合创新，将是军民融合项目的发展方向。目前，在国家军民融合项目战略发展推动下，兵器行业用开放合作、技术共享的模式与民用企业紧密合作，打造更大的共同体，推行全价值链的体系化经济管理。军民融合项目的成果和技术的提升应用在兵器行业和民用行业领域，将会大力推动工业发展和服务创新，不断升级工业生产理念、产品制造和组织模式升级，希望工业企业能有效利用物联网、大数据、人工智能技术，加快提升自身竞争力并汇聚新动力。
国际欧亚科学院院士马俊如强调，制造业在不同的发展阶段要把握好自己的创新驱动模式，即引进消化吸收再创新、集成创新、原始创新三种，一个国家推动创新驱动在不同发展阶段是这三种模式的组合。集成创新的模式目前正处于上升阶段，工业4.0是代表人工智能领域应用的一个新目标，但工业服务云平台和人工智能的融合并不要把它定义为工业4.0的最高层次，务必要由低到高地瞄准新目标系列化发展，并响应国家“一带一路”创新倡议。他中肯地说，要从全球化视野看问题，不要头脑发热认为互联网+、人工智能可以解决一切，要踏踏实实地走好创新之路。
篇5
据统计，2017年中国人工智能核心产业规模超过700亿元，随着各地人工智能建设的逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，年复合增长率将达31.7%。
随着人工智能技术的不断成熟，人工智能创业的难度逐步降低，越来越多的创业公司加入人工智能的阵营。
2018年被称为人工智能爆发的元年，人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面，带来生产效率及生活品质的大幅提升。智能红利时代开启！资本、巨头和创业公司纷纷涌入，将人工智能拉到了信息产业革命的风口。
如何把握产业动向，抓住风口机会？创业邦研究中心凭借在人工智能等前言科技领域持续研究、洞察的能力，在对国内人工智能创业公司进行系统调研的基础上，推出《2018中国人工智能白皮书》，对人工智能的核心技术、主要应用领域、巨头和创业公司的布局、未来发展态势和投资机会进行了深度解析。
第一部分人工智能行业发展概述
1.人工智能概念及发展
人工智能（Artificial Intelligence， AI）又称机器智能，是指由人制造出来的机器所表现出来的智能，即通过普通计算机程序的手段实现的类人智能技术。
自1956年达特茅斯会议提出“人工智能”的概念以来，“人工智能”经历了寒冬与交替的起起伏伏60多年的发展历程。2010年以后，深度学习的发展推动语音识别、图像识别和自然语言处理等技术取得了惊人突破，前所未有的人工智能商业化和全球化浪潮席卷而来。
人工智能发展历程
2.人工智能产业链图谱
人工智能产业链可以分为基础设施层、应用技术层和行业应用层。
A基础层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。
B技术层，主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。
C应用层，主要是把人工智能相关技术集成到自己的产品和服务中，然后切入特定场景。目前来看，自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好方向。
人工智能产业链
资料来源：创业邦研究中心
第二部分人工智能行业巨头布局
巨头积极寻找人工智能落地场景，B、C 端全面发力。
资料来源：券商报告、互联网公开信息，创业邦研究中心整理
第三部分机器视觉技术解读及行业分析
1.机器视觉技术概念
机器视觉是指通过用计算机或图像处理器及相关设备来模拟人类视觉，以让机器获得相关的视觉信息并加以理解，它是将图像转换成数字信号进行分析处理的技术。
机器视觉的两个组成部分
资料来源：互联网公开信息，创业邦研究中心整理
2.发展关键要素：数据、算力和算法
数据、算力和算法是影响机器视觉行业发展的三要素。 人工智能正在像婴儿一样成长，机器不再只是通过特定的编程完成任务，而是通过不断学习来掌握本领，这主要依赖高效的模型算法进行大量数据训练，其背后需要具备高性能计算能力的软硬件作为支撑。
深度学习出现后，机器视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流，即机器从海量数据里自行归纳特征，然后按照该特征规律使图像识别的精准度也得到极大的提升，从70%+提升到95%。
3.商业模式分析
机器视觉包括软件平台开发和软硬件一体解决方案服务。整体用户更偏向于B端。软件服务提供商作为技术算法的驱动者，其商业模式应以“技术层+场景应用”作为突破口。软硬件一体化服务供应商作为生态构建者，适合以“全产业链生态+场景应用”作为突破口，加速商业化。
（1）软件服务：技术算法驱动者—“技术层+场景应用”作为突破口
这种商业模式主要是提供以工程师为主的企业级软件服务。有海量数据支撑，构建起功能和信息架构较为复杂的生态系统，推动最末端的消费者体验。
此类商业模式成功关键因素：深耕算法和通用技术，建立技术优势，同时以场景应用为入口，积累用户软件。视觉软件服务按处理方式和存储位置的不同可分为在线API、离线SDK、私有云等。
国内外基础算法应用对比
资料来源：互联网公开信息，创业邦研究中心整理
（2）软硬件一体化：生态构建者—“全产业链生态+场景应用”作为突破口
软硬一体化的商业模式是一种“终端+软件+服务”全产业链体系。成功的因素是大量算力投入，海量优质数据积累，建立算法平台、通用技术平台和应用平台，以场景为入口，积累用户。亮点是打造终端、操作系统、应用和服务一体化的生态系统，各部分相辅相承，锐化企业竞争力，在产业链中拥有更多话语权。
4.投资方向
（1）前端智能化，低成本的视觉解决模块或设备
从需求层面讲，一些场景对实时响应是有很高要求的。提供某些前端就本身有一定计算能力的低成本的视觉模块和设备将有很大市场需求。前置计算让前端设备成为数据采集设备和数据处理单元的合体，一方面提升了处理速度，另一方面可以处理云端难以解决的问题。
机器视觉在消费领域落地的一个障碍是支持高性能运算的低功耗、低价位芯片选择太少。从低功耗、高运算能力的芯片出发，结合先进的算法开发模块和产品，这类企业将在机器视觉领域拥有核心竞争力。
（2）深度学习解决视觉算法场景的专用芯片
以AI芯片方式作为视觉处理芯片有相当大的市场空间。以手势识别为例，传统的识别方案大都基于颜色空间，如 RGB，HSV ，YCrBr，无法排除类肤色物体及黑色皮肤对识别精度的干扰。借助深度学习，如通过 R-CNN 训练大量标注后的手势图像数据，得到的模型在处理带有复杂背景及暗光环境下的手势识别问题时，比传统方案的效果好很多。
（3）新兴服务领域的特殊应用
前沿技术带来的新领域（如无人车、服务机器人、谷歌眼镜等），对机器视觉提出了新要求。机器视觉可以让机器人在多种场合实现应用。服务机器人与工业机器人最大的区别就是多维空间的应用。目前国内的机器视觉，涉及三维空间、多维空间，其技术基本上处在初始阶段，未来存在较大市场增长空间。
（4）数据是争夺要点，应用场景是着力关键
机器视觉的研究虽然始于学术界，但作为商业应用，能解决实际问题才是核心的竞争力。当一家公司先天能够获得大量连续不断的优质场景数据，又有挖掘该数据价值的先进技术时，商业模式和数据模式上就能形成协同效应。创业公司要么通过自有平台获取数据，要么选择与拥有数据源的公司进行合作，同时选择一个商业落地的方向，实现快速的数据循环。
第四部分智能语言技术解读及行业分析
1.语音识别技术
（1）语音识别技术已趋成熟，全球应用持续升温
语音识别技术已趋成熟，全球应用持续升温。语音识别技术经历了长达60年的发展，近年来机器学习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。深度神经网络逐步找到模型结构和调参算法来替代或结合高斯混合算法和HMM算法，在识别率上取得突破。根据Google Trends统计，自2008年iPhone及谷歌语音搜索推出以来语音搜索增长超35倍。百度人工智能专家吴恩达预测，2020年语音及图像搜索占比有望达到50%。Echo热销超过400万，带动智能音箱热潮。
（2）语音识别进入巨头崛起时代，开放平台扩大生态圈成主流
语音识别即将进入大规模产业化时代。随着亚马逊Echo的大卖，语音交互技术催生的新商机，吸引大大小小的公司构建自己主导的语音生态产业链。各大公司纷纷开放各自的智能语音平台和语音能力，欲吸引更多玩家进入他们的生态系统。
（3）语音识别技术发展瓶颈与趋势
低噪声语料下的高识别率在现实环境使用中会明显下降到70-80%，远场识别、复杂噪声环境和特异性口音的识别是下一个阶段需要解决的问题。
麦克风阵列类前端技术不仅是通过降噪和声源定位带来识别率的提高，带环境音的语料的搜集、标注可用于模型的训练，有助于打造更新一代的语音识别引擎技术。语音巨头已经在布局。
在IOT包括车载领域，云端识别并非通行的最优方案，把识别引擎结合场景进行裁剪后往芯片端迁徙是工程化发展的方向。
2.自然语言处理（NLP）发展现状
（1）多技术融合应用促进NLP技术及应用的发展
深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破，比如翻译和写作。2014年开始LSTM、Word2Vec以及Attention Model等技术研究的进展，使DL有了路径在语义理解领域取得突破，并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。2014-2015年，硅谷在语义理解领域的投资热度剧增。
深度学习能最大程度发挥对大数据和算力资源的利用，语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用，应用场景越明确（如客服/助理），逻辑推理要求越浅（如翻译），知识图谱领域越成熟（如数据饱和度和标准性较强的行业），技术上实现可能性相对较低。在各种技术融合应用发展的情况下，具备获取一定优质数据资源能力并可结合行业Domain knowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。
（2）NLP主要应用场景
问答系统。问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如 IBM 的 Watson，典型的办法是把问答用FAQ索引起来，与搜索引擎相似。对每一个新问题进行检索，再将回答按匹配度进行排序，把最有可能的答案排在前面，往往就取第一个作为答案返回给用户。
图像检索。同样也是基于深度学习技术，跨模态地把文本和图片联系起来。
机器翻译。机器翻译的历史被认为与自然语言处理的历史是一样的。最近，深度学习被成功地运用到机器翻译里，使得机器翻译的准确率大幅度提升。
对话系统。对话系统的回复是完全开放的，要求机器能准确地理解问题，并且基于自身的知识系统和对于对话目标的理解，去生成一个回复。
（3）创业公司的机遇
1)机器翻译方面：经过多年的探索，机器翻译的水平已经得到大幅度提升，在很多垂直领域已经能够在相当大程度上替代一部分人工，机器翻译技术的商业化应用已经开始进入大规模爆发的前夜。
2)应用于垂直领域的自然语言处理技术
避开巨头们对语音交互入口的竞争，以某一细分行业为切入点，深耕垂直领域，对创业公司也是一个不错的选择。
第五部分人工智能在金融行业的应用分析
人工智能产业链包含基础层、技术层、应用层三个层面。基础层的大数据、云计算等细分技术被应用到金融征信、保险、理财管理、支付等金融细分领域；技术层的机器学习、神经网络与知识图谱应用于金融领域的征信与反欺诈、智能投顾、智能量化交易，计算机视觉与生物识别应用于金融领域的身份识别，语音识别及自然语言处理应用于金融领域的智能客服、智能投研；应用层的认知智能应用于金融领域的智能风控。
人工智能在金融行业的典型应用情况
资料来源：创业邦研究中心
第六部分人工智能在医疗行业的应用分析
1.人工智能在医疗行业的应用图谱
人工智能在医疗行业的应用潜力巨大，目前在健康管理、辅助诊疗、虚拟助理、医学影像、智能化器械、药物挖掘和医院管理等领域均有企业在布局，其中医学影像、药物挖掘、健康管理，辅助诊疗、虚拟助理的应用发展速度较快。
图 人工智能在医疗行业的应用图谱
资料来源：创业邦研究中心
2.人工智能在医疗行业的具体应用场景
医学影像。人工智能应用于医学影像，通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助更快的获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。 人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注，三维重建，靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。
药物挖掘。人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段：将深度学习技术应用于药物临床前研究，在计算机上模拟药物筛选的过程，包括靶点选择、药效和晶型分析等，预测化合物的活性、稳定性和副作用，快速 、准确地挖掘和筛选合适的化合物或生物，提高筛选效率，优化构效关系。临床后阶段：针对临床试验的不同阶段，利用人工智能技术对患者病历进行分析，迅速筛选符合条件的被试者，监测管理临床试验过程中的患者服药依从性和数据收集过程，提高临床试验的准确性。
虚拟助理。医疗虚拟助理是基于医疗领域的知识系统，通过人工智能技术实现人机交互，从而在就医过程中，承担诊前问询、诊中记录等工作，成为医务人员的合作伙伴，使医生有更多时间可以与患者互动。医疗虚拟助理根据参与就医过程的功能不同，主要有智能导诊分诊，智能问诊，用药咨询和语音电子病历等方向。
第七部分智能驾驶行业分析
1.智能驾驶行业产业链
智能驾驶行业的中心业务是以Google、百度为代表的智能驾驶操纵解决方案提供商和以特斯拉、蔚来为代表的成车厂商。该类厂商，上接上游软硬件提供商，下接公司和消费者，在整个业务链中扮演至关重要的一环。
产业链上游厂商多为细分技术提供商，如深度学习、人机交互、图像识别和新材料、新制造新能源等。
智能驾驶产业链图谱
资料来源：创业邦研究中心
2.智能驾驶市场分析
伴随着 ADAS 技术的不断更新，推断全球 L1-L5 智能驾驶市场的渗透率会在接下来 5年内处于高速渗透期，然 后伴随半无人驾驶的普及进入稳速增长期。在未来的 2025 年无人驾驶放量阶段后，依赖全产业链的配合而进入市场成熟期。预测到2030年，全球 L4/5 级别的自动驾驶车辆渗透率将达到 15%，单车应用成本的显着提升之 外，从 L1-L4 级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。
按照 IHS Automotive 保守估计，全球 L4/L5 自动驾驶汽车产量在 2025 年将接近 60 万辆，并在 2025- 2035 年间获得高速发展，年复合增长率将达到43%，并在2035年达到2100万辆。另有接近 7600 万辆的汽车具备部分自动驾驶功能，同时会带动产业链衍生市场的大规模催化扩张。
根据独立市场调研机构 Strategy Engineers 的预测，L4 高度自动驾驶等级下，自动驾驶零部件成本约在 3100 美元/车，其中硬件占比 45%，软件占比 30%，系统整合占比 14%，车联网部分占比 11%。按照全球 1 亿辆量 产规模计算，理想假设所有车辆全部达到 L4 高度自动驾驶水平，那么全球自动驾驶零部件市场规模在 2020 年 将达到 3100 亿美元。
第八部分中国人工智能企业画像分析
随着人工智能技术的不断成熟，人工智能创业的难度逐步降低。创新的大门吸引众多创业企业进入。为了观察行业风向，助力创新企业发展，创业邦研究中心对国内200多家人工智能创业公司进行了系统调研，从发展能力、创新能力、融资能力等多维度指标，评选出“2018中国人工智能创新成长企业50强”。
地域分布
全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比高达39.66%;其次是上海，人工智能企业占比达21.55%;位列第三的是广东，人工智能企业占达15.52%。北京以领先全国其他地区的政策环境、人才储备、产业基础、资本支持等，成为人工智能创业首要阵地;华东地区的上海、江苏、浙江均有良好的经济基础和科技实力，人工智能应用实力雄厚，也聚集了一批人工智能垂直产业园;广东互联网产业发达，企业对数据需求强烈，依靠大数据产业链推动人工智能产业发展。
行业分布
从行业大类分布来看，行业应用层的企业占比最大，为56.03%;其次是应用技术层的企业，占比达31.04%;基础技术层的企业占比最小，仅为12.93%。随着人工智能技术的发展，人工智能与场景深度融合，应用领域不断扩展，行业应用公司比重不断提升。在基础层技术方面，国际IT巨头占据行业领先地位， 国内与国际差距明显，中小初创企业很难进入。
从行业应用来看，智能金融企业占比最大，为16.92%;其次是机器人企业，占比达15.38%;位列第三的是智能驾驶和智能教育，占比均为12.31%。金融行业的强数据导向为人工智能的落地提供了产业基础，智慧金融被列入国家发展规划中，庞大的金融市场为人工智能落地带来了发展前景。机器人作为人工智能产业落地输出， 目前市场需求较大，商业机器人占据较大份额。中国智能驾驶市场在资本推动下进入者较多，企业积极推动应用落地，百度、北汽等大型企业尝试商业化落地智能驾驶汽车。人工智能推动教育个性化落地，相关初创企业涉入教育蓝海，推动智慧教育的发展。
收入情况
收入分布在500-10000万之间的企业最多，占比达49.14%;500万以下的企业位居其次，占比达 26.72%;位列第三的是10000-100000万之间的企业，占比为17.24%。
最新估值
企业最新估值均在亿元级别，且分布较为均衡。三成企业估值超过15亿元，还有企业估值达到百亿级别，如优必
选科技、达闼科技和商汤科技等，将来或将跻身人工智能独角兽企业。(备注：分析样本量剔除一半未披露企业)
第九部分典型企业案例分析
1.Atman
企业概述
Atman由来自微软的人工智能科学家和产业经验丰富的产品团队创办，提供专业领域机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品，致力于成为医学、新闻、法律等专业领域语言智能专家，为专业领域用户赋能，推动专业领域用户进入人工智能时代，助力专业领域文字智能水平实现跨越式提升。Atman已为强生、新华社参考消息、北大法宝、君合律师事务所等世界领先药企、新闻媒体、法律服务机构开发机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品。
目前Atman在北京和苏州两地运营，能快速响应全国各地客户需求。
企业团队
创始人&CEO：马磊
清华大学计算机系毕业，曾先后在微软研究院和工程院担任研究员和架构师，机器学习专家、多次创业者、曾主导多项人工智能重大项目，和申请国际专利共计15+项。
Atman公司核心团队由来自微软、百度、法电等领域高端人才和资深技术人才组成，公司员工40人，其中硕士以上学历占比60%，技术开发人员占比70%，一半以上来自微软亚洲研究院和工程院。
核心技术与产品
技术方面，擅长机器学习（深度学习、强化学习、群体智能）在复杂问题的应用，和国际专利15项，Atman神经网络机器翻译系统于2016年9月首秀，早于谷歌的GNMT，专业领域翻译效果在公测标准和行业客户测试中均持续领先。核心产品为垂直领域机器翻译、机器写作、知识图谱抽取构建、大数据智能挖掘等语言智能产品。
Atman的机器翻译产品可自动翻译编辑专业文献、报告、音视频和网页，支持私有部署和云端混合部署，提供包括数据隐私安全以及自学习的端到端解决方案。
机器写作可对海量数据进行快速搜索、过滤、聚类，根据行业需求自动生成专业文档，适用于所有专业写作场景，可大幅减少专业报告写作过程中的繁复工作，大幅提升专业领域写作效率。
知识图谱可实现海量数据的语义检索、长链推理、意图识别、因果分析，形成一个全局知识库。大数据智能采集挖掘系统为专业领域用户提供智能数据源管理、海量专业数据获取和非结构化数据自动解析并结合知识图谱提供auto-screening、知识重构、专业决策辅助，帮助用户建立强大的以专业大数据为基础的业务辅助能力。
2.黑芝麻
企业概述
黑芝麻智能科技有限公司是一家视觉感知核心技术与应用软件开发企业，2016年分别在美国硅谷和上海成立研发中心，主攻领域为嵌入式图像、计算机视觉，公司核心业务是提供基于图像处理、计算图像以及人工智能的嵌入式视觉感知平台，为ADAS及自动驾驶提供完整的视觉感知方案。
目前公司和博世、滴滴、蔚来、上汽、上汽大通、EVCARD、中科创达、车联天下和云乐新能源等展开深入合作，提供基于视觉的感知方案；除此之外，公司还在消费电子、智能家居等领域布局为智能终端提供视觉解决方案。目前公司已经完成A+轮融资。
企业团队
团队核心成员来自于OmniVision、博世、安霸、英伟达和高通等知名企业，平均拥有超过15年以上的产业经验，毕业于清华、交大、中科大和浙大等知名高校。
创始人&CEO：单记章此前在硅谷一家全球顶尖的图像传感器公司工作近20年，离职前担任该公司的技术副总裁一职，工作内容覆盖了图像传感器研发和设计、图像处理算法研发和图像处理芯片设计。
核心技术和产品
在汽车领域，黑芝麻可提供车内监控方案（DMS），自动泊车方案（AVP），ADAS/自动驾驶感知平台方案。黑芝麻智能科技提供的解决方案包括算法和芯片两个核心部分：黑芝麻感知算法从基础的控光技术，到面向AI的图像处理技术出发来提高成像质量，以及应用深度神经网络训练，结合视频处理和压缩技术，形成从传感器端到应用端的处理过程；黑芝麻芯片平台采用独有的神经网络架构，包括独有的图像处理，视频压缩和计算机视觉模块，与黑芝麻视觉算法结合，采用16nm制程，设计功耗2.5w，每秒浮点计算达20T。
3.乂学教育
企业概述
乂学教育，成立于2014年，是一家网络教育培训机构，采用人工智能和大数据技术，为学生提供量身定制学习解决方案和个性化学习内容。核心团队来自美国Knewton、Realizeit、ALEKS等人工智能教育公司，销售团队有全国40亿toC销售额的经验。
企业自主研发了针对中国K12领域的学生智适应学习产品，其核心部分是以高级算法为核心的智适应学习引擎“松鼠AI”，该产品拥有完整自主知识产权，能够模拟真实特级教师教学。企业发表的学术论文得到了全球国际学术会议AIED、CSEDU、UMAP认可，并在纽约设计了人工智能教育实验室，与斯坦福国际研究院（SRI）在硅谷成立了人工智能联合实验室。
主要产品
学生智适应学习是以学生为中心的智能化、个性化教育，在教、学、评、测、练等教学过程中应用人工智能技术，在模拟优秀教师的基础之上，达到超越真人教学的目的。该产品性价比高，以人工智能+真人教师的模式，做到因材施教，有效解决传统教育课时费用高，名师资源少，学习效率低等问题。
智适应学习人工智能系统
智适应学习人工智能系统模拟特级教师，采用图论、概率图模型，机器学习完成知识点拆分和个人学习画像，采用神经网络、逻辑斯蒂回归和遗传算法为学生实时动态推荐最佳学习路径，实现个性化教育。
业务模式
线上与线下，2B和2C相结合。以松鼠AI智适应系统教学为主，真人教师辅助，学生通过互联网在线上学习课程。开创教育新零售模式，授权线下合作学校，已在全国100多个城市开设500多家学校。
4.云从科技
企业概述
云从科技成立于2015年4月，是一家孵化于中国科学院重庆研究院的高科技企业，专注于计算机视觉与人工智 能。云从科技是人工智能行业国家队，是中科院战略先导项目人脸识别团队唯一代表，唯一一家同时受邀制定人 脸识别国家标准、行业标准的企业。2018年，云从科技成为祖国“一带一路”战略实行路上的人工智能先锋，与 非洲南部第二大经济体津巴布韦政府完成签约。
云从科技奠定了行业领导地位： 国家肯定，国家发改委2017、2018年人工智能重大工程承建单位；顶层设计，唯一同时制定国标、部标和行标的人工智能企业；模式创新，三大平台解决方案，科学家平台、核心技术平台和行业应用平台。
企业核心团队
创始人
周曦博士，师从四院院士、计算机视觉之父—ThomasS.Huan黄煦涛教授，专注于人工智能识别领域的计算机视觉 研究。入选中科院“百人计划”，曾任中国科学院重庆研究院信息所副所长、智能多媒体技术研究中心主任。
周曦博士带领团队曾在计算机视觉识别、图像识别、音频检测等国际挑战赛中7次夺冠;在国际顶级会议、杂志 上发表60余篇文章，被引用上千次。
核心技术团队
云从科技依托美国UIUC和硅谷两个前沿实验室，中科院、上海交大两个联合实验室上海、广州、重庆、成都四 个研发中心组成的三级研发架构。目前研发团队已经超过300人，80%以上拥有硕士学历。
技术优势
全方位多维智能学习模块适应不同场景要求；模块化设计为在工业视觉、医学影像、自动驾驶AR等领域扩展打下良好基础。
云从科技具有高技术壁垒：世界智能识别挑战赛成绩斐然，在CLEAR、 ASTAR、 PASCAL VOC、 IMAGENET、FERA以及微软全球图像识别挑战赛上共计夺得7次世界冠军;在银行、公安等行业智能识别技术 PK实战中，85次获得第一；2018年，云从科技入选MIT全球十大突破性技术代表企业。
在跨镜追踪(ReID)技术上取得重大突破。Market-1501，DukeMTMC-reID，CUHK03三个数据同时集体刷 新世界记录， Market-1501上的首位命中率达到96.6%，首次达到商用水平。
正式在国内“3D结构光人脸识别技术”，可全面应用于手机、电脑、机具、设备、家电。相较以往的2D人 脸识别及以红外活体检测技术，3D结构光人脸识别技术拥有不需要用户进行任何动作配合完成活体验证的功能， 分析时间压缩到了毫秒级以及不受环境光线强弱的影响等诸多优点，受到国际巨头公司的关注。
行业应用
目前国内有能力自建系统的银行约为148家。截止2018年3月15日，已经完成招标的银行约为121家，其中云从科 技中标了88家总行平台，市场占有率约为72.7%;在安防领域推动中科院与公安部全面合作，通过公安部重大课题研发火眼人脸大数据平台等智能化系统，在民航领域，已经与中科院重庆院合作覆盖80%的枢纽机场。
5.Yi+
企业概述
北京陌上花科技是领先的计算机视觉引擎服务商，为企业提供视觉内容智能化和商业化解决方案。致力于“发现视觉信息的价值”。
旗下品牌Yi+是世界一流的人工智能计算机视觉引擎，衣+是时尚商品搜索引擎。公司在图像视频中对场景、通用物体、商品、人脸的检测、识别、搜索及推荐均达到领先水平。
目前公司和阿里巴巴、爱奇艺、优酷土豆、中国有线、CIBN、中信国安、海信、华为、360等数十家顶级机构/产品深度合作，通过提供边看边买引擎、图像视频内容分析引擎、人脸识别引擎等基于视觉识别技术的数据结构化产品服务于海量用户，同时帮助政府机构、广电系统、内容媒体、零售商、电商、视听设备等行业实现智能分析、智能互动与场景营销。目前公司已经获得B轮融资。
企业团队
团队成员来自于斯坦福、耶鲁、帝国理工、新加坡国大、南洋理工、清华、北大、中科院等名校及谷歌、微软、IBM、英特尔、阿里巴巴、腾讯、百度、华为等名企。
创始人&CEO：张默
北京大学软件工程硕士， 南洋理工大学创业创新硕士。连续创业者， 曾任华为算法工程师、微软WindowsMobile工程师、 IBM SmarterCity 架构师，北方区合作伙伴经理，主机Linux中国区负责人，中国区开源联盟负责人，年销售额数亿。 2013年创业于美国硅谷和新加坡，2014年6月在中国设立北京陌上花科技有限公司。
核心技术与产品
技术方面，在国际顶级计算机视觉竞赛ImageNet中，成绩曾超过谷歌、斯坦福等，2015-2016年2年获得十项世界第一。2018年3月，人脸识别准确率位列LFW榜首。Yi+通过遵循无限制，标记的外部数据协议。 Yi+的系统由人脸检测，人脸对齐和人脸描述符提取组成。使用多重损失和训练数据集训练CNN模型，其中包含来自多个来源的约10M个图像，其中包含150，000个人（训练数据集与LFW没有交集）。在测试时， Yi+使用原始的LFW图像并应用简单的L2norm。图像对之间的相似性用欧氏距离来测量，最终取得优异成绩。
公司的核心产品主要包括视觉搜索引擎，图像视频分析引擎以及人脸识别和分析引擎：
行业解决方案
针对营销、安防、相机和电视的不同特点，推出相应解决方案。
营销+AI。场景化广告方案中，大屏AI助理信息流推荐、神字幕、物体/人脸AR动态贴图、video-out、场景化角标与广告滤镜等形式的广告内容推荐，适用于快消、汽车、电商、IT、金融、旅游服务等多个行业。
智慧城市+AI。使用计算及视觉助力智慧城市，在智慧安防、智慧交通、智慧园区等方面提供解决方案。在智慧安防实时识别上，实时处理直播摄像头信息，算法反应敏捷，相应迅速。建立智慧园区方案模型，考虑扩展性&灵活性、数据管理、松散耦合性、安全性、实时整合性以及功能性和非功能性需求等技术方案要素，从业务和技术两方面整合解决方案实现步骤。
电视+AI。电视+AI的解决方案赋予智能电视多样播放能力和营销能力。
相机+AI。相机更具交互能力。用户通过搜索关键字标签同步展示图片，打通相册和购物一站式体验。准确识别人物属性特征，动态适应表情变化，可以在视频以及图像中对人脸实时检测，基于深度学习技术，进行人脸相似度检测，实现面部关键点定位、妆容图像渲染，试用与粉底、唇彩以及眼影等多种虚拟试装方式。实时检测摄像头中出现的物品、场景和人脸等，添加AR效果，SDK支持本地检测、识别、追踪，平均检测帧率可达到25fps。
新零售+AI。Yi+新零售解决方案是基于公司自主研发的人脸识别、商品识别和其他图像识别算法技术为核心，建立一整套基于人脸、商品的智能零售门店管理方案。Yi+新零售解决方案主要包含数据采集、算法模型说明和部署方案三部分，其中数据采集包括人脸数据采集、商品数据采集；算法模型说明包括识别算法训练、商品识别、识别输出；部署方案包括本地部署、云端部署、本地部署与云端部署结合。
6.擎创科技
企业简介
擎创科技成立于2016年，专注于将人工智能和机器学习赋予传统IT运维／企业运营管理，为企业客户提供智能运维大数据分析解决方案，从而取代和改善对高技能运维人员严重依赖的现状。2017年，擎创科技已实现全年2000万营收，迅速成为国内AIOps领域的领跑者和中流砥柱。2018年初，擎创科技完成了数千万人民币的A轮融资，由火山石投资领投，晨晖创投、元璟资本及新加坡STTelemedia跟投。
核心团队
擎创团队的核心成员主要由BMC、微软等美国企业服务上市公司的运维老兵，与新浪、饿了么等知名互联网公司的大数据、算法专家组成，核心团队成员至少拥有10年以上的行业经验。其中CEO杨辰是国内最顶级的B端销售，曾带领团队获得10倍的业绩增长；CTO葛晓波拥有长达15年的企业级软件开发和运维经验；而产品总监屈中泠则来自甲方，创业前为浦发硅谷银行企业架构师，深知甲方对企业运维产品的需求。这个曾经深耕于运维企业服务市场的团队，如今在智能运维企业服务赛道继续领跑，让擎创科技成为最懂企业的客户，最值得企业客户信赖的软件厂商。
主要产品
“夏洛克AIOps” 作为擎创自主研发的大数据智能运维主打产品，自2016年上线以来，已从1.0版本升级至1.9版本，可应用在金融、大型制造业、铁路民航、能源电力等涉及国家发展和民生问题的多种行业。在2017全球运维大会上，夏洛克AIOps获得由中国信息通信研究院与高效运维社区联合颁发的“年度最具影响力AIOps产品”奖。
“夏洛克AIOps”充分利用自研算法辅助客户实现IT运维价值，结合客户的现有情况，规划从传统ITOM至AIOps智能运维的一站式路径，助其运营落地，由此打破数据孤岛，建立统一的大数据智能分析平台，实现以人工智能为核心，驱动传统IT运维监、管、控三个层面，并将相关运维数据及业务数据实时展现。
“夏洛克AIOps”拥有多项自研算法，犹如运维界的福尔摩斯，能迅速发现并定位运维问题的根因，实现秒级排障，最大程度避免企业产生重大损失。更有价值的是，“夏洛克AIOps”还能通过长期的数据积累和机器学习，运用新型深度神经网络算法对企业的业务数据进行预测，帮助企业提前规划IT资源，高效预防各类黑天鹅事件的发生。
商业模式
目前，擎创科技已与多家金融和制造行业标杆客户形成稳定的合作关系，包括浦发银行、浦发硅谷银行、国家开发银行、上海铁路局、银联、海尔、浙江能源等。针对不同客户，采用个性化的商业模式进行服务，目前主要有私有模式和SaaS模式两种，都具有较强的可复制性。
核心优势
篇6
以下为报告详细内容：
逾八成人工智能创业公司聚集一线城市
iiMedia Research（艾媒咨询）数据显示，35.7%的人工智能创业公司位于北京，另外在深圳、上海、广州这三个一线城市也聚集了超过四成的人工智能创业公司。艾媒咨询分析师认为，人工智能是高度知识密集型的产业，北京的人才、技术、产业、资本等环境都优于其它地区，是人工智能的创业重镇。共有81.8%的人工智能创业公司分布在有丰富技术、硬件和产业资源的北上广深。人工智能产业将形成以北京为绝对核心，一线城市上海、广州、深圳为重点的地理布局。
手机网民普遍认为无人驾驶只能部分取代人类驾驶
iiMedia Research（艾媒咨询）数据显示，有78.9%的受访手机网民认为无人驾驶将部分取代人类驾驶，10.0%的受访手机网民认为无人驾驶能全部取代人类驾驶，6.9%的受访手机网民认为无人驾驶完全不能取代人类驾驶。艾媒咨询分析师认为，近年国内外企业陆续开发无人驾驶领域引发网民对无人驾驶和人类驾驶之间关系的热烈关注，人们对仍处于起步阶段的无人驾驶接受程度仍有待提高，但随着智能技术进一步发展，未来无人驾驶产品的市场普及程度仍然值得期待。
人们相信无人驾驶更安全
iiMedia Research（艾媒咨询）数据显示， 对于无人驾驶与人类驾驶的安全性比较，32.6%的受访手机网民认为无人驾驶更安全，26.6%的受访手机网民认为人更安全。艾媒咨询分析师认为，无人驾驶与人类驾驶安全性比较问题尚停留在理论阶段，对于无人驾驶算法判断的精准性，用户仍然没有具体的感知。现阶段无人驾驶技术水平处于起步阶段影响人们对未来智能汽车操控方式的期望，未来无人驾驶技术说仍需继续提高以增强人们对汽车智能操控的信心。
人工智能为主的操纵方式受欢迎
iiMedia Research（艾媒咨询）数据显示，人们对未来无人驾驶汽车的操纵方式也有自己不同的看法，62.6%的受访手机网民认为智能汽车操纵方式应以人工智能为主，人工操作为辅，22.0%的受访手机网民认可人工操控为主，智能辅助为辅的方式， 只有10.6% 的受访手机网民选择纯人工智能操控。艾媒咨询分析师认为，随着无人驾驶技术的进一步深入，其在日常驾驶的应用比例将稳步提升，人工判断与智能判断并行的驾驶方式或将成为较长时间内的主流。
无人驾驶安全性最受关注
iiMedia Research（艾媒咨询）数据显示，当前对无人驾驶实际应用主要的担忧因素中，受访手机网民最担心的是安全技术不够成熟，占比61.7%，另外23.4%和12.6%的受访手机网民认为购车成本高和使用不方便。艾媒咨询分析师认为，智能汽车相关厂商需要通过更多的试验参数，不断提高无人驾驶安全技术，以获取用户对智能汽车安全的信任。同时，当前无人驾驶技术在前期投入的研发成本巨大，其实际应用的较高购买门槛，也将是其普及的一大阻碍。
速记、翻译工作者未来最可能被人工智能取代
篇7
认知计算互联网保险应用
一、认知计算的涵义及特点
认知源于心理学里的概念，《辞海》将其解释为人类认识客观事物，获得知识的活动，包括知觉、记忆、学习、言语、思维和问题解决等过程，是对外界信息积极进行加工的过程。通常使用的认知技术包括机器学习、计算机视觉、语音识别、自然语言处理和机器人学等。
认知计算技术，基于算法、数据、软件、硬件实现，关键特点是理解、推理和学习。理解是通过感知和互动，快速理解数据，实现用户交互，从而理解、回答用户的问题。推理是凭借假设生成技术，透过数据揭示洞察力、模式和关系，以多种方式进行认知，产出多种结果。学习是能够从所有文档中快速提取关键信息。通过追踪用户反馈和专家训练，不断进步，提升解答能力。
二、认知计算的商业化应用
2011年，IBM沃森带来认知计算的概念，当时人们对这项吸引眼球的新奇技术能做些什么还非常懵懂。沃森通过解读自然语言来分析数据，有的成了医生，有的担任教师助手，有的成为一流的厨师，还有一个赢得了电视智力竞赛《危险边缘》的冠军，成为人工智能打败人类的经典案例。五年后的今天，随着物联网、云计算和大数据技术的发展与应用，认知计算的商业化应用越来越值得期待。
认知计算的商业化应用或将带来不可思议的变化。在医疗领域为疑难杂症快速提供诊疗方案，帮助企业从大量数据中发掘、洞察增强预测和决策能力；在旅游、美食等领域帮助人们获得更好的生活体验；甚至帮助红毯上的模特设计出“会表达情绪的时装”。认知计算使得机器人更加接近于人类的需求，这些应用将造福于人类，值得更多期待。
根据德勤研究报告，认知计算技术或将在以下三个企业级软件市场中发挥作用。一是企业级应用软件市场专注于利用计算机的力量来达成特定目标。比如解决如何向大量匿名用户进行线上营销的问题，采用机器学习去发掘某一网站的新用户与之前具有相似行动的用户之间行为上的关联，目标就是为了使该网站的用户体验更好，并将其转化成销量。二是企业级基础软件市场为公司建立、运行，以及管理IT资源的表现提供工具。比如利用机器学习能力提升应用系统的日志工具，可以将具有类似服务器问题的事件归为一类，以方便IT经理辨认这是一个正在发生的问题、还是实时信息导致的不寻常的计算趋势。三是特定垂直软件关注一个狭窄的领域，常体现为一个独立的软件应用。比如一套独立的肿瘤学应用，通过移动和桌面设备，深度机器学习可以分析大量的病患记录并基于现有记录提供潜在的治疗手段。
在销售方面，机器人可能比人类做得更好。日本大阪大学智能机器人实验室科研人员曾开发出一个生动的女机器人，将其放入一家百货商店内，销售一款100美元的羊绒衫。在试验期间，机器人接待的消费者数量是商场销售员接待数量的2倍。通过与IBM沃森云计算平台合作，软银旗下第一款可感知人类情绪的机器人Pepper的“智力”进一步得到强化，Pepper或将以“销售员”的身份入驻日本最大的电器销售商山田电机（Yamada Denki）。之前，Pepper曾帮助销售过智能手机和咖啡机等商品，但工程人员希望强化Pepper提供相关信息的能力，与消费者进行更丰富的互动。Pepper与人类进行彻底的无障碍交流仍存在困难，需要进行更多神经式网络的培训。据悉，软银接受其他企业对Pepper的租赁订单，每月租金为55000日元，仅为日本平均最低工资的一半。
三、认知计算技术在互联网保险的应用前景
近两年互联网保险保费规模实现爆发增长，互联网保险渗透速度加快。越来越多的保险公司意识到互联网保险不仅是销售渠道的变迁，还是依照互联网的规则和习惯，对现有保险产品、运营和服务模式的深刻变革。互联网保险，一方面把传统的保险产品搬到互联网上销售，并提供配套的产品服务；另一方面利用互联网经济的新型消费场景，提供创新型保险产品。互联网保险打破时间和空间的限制，随着物联网、大数据、人工智能以及移动设备等新技术的兴起，或将迎来保险行业的一场深刻变革。
认知计算技术可以帮助保险企业更好地认知客户、也更深刻地认知自己。认知客户，知道客户所想所需，改进保险销售和服务，解决痛点问题；认知企业，找到运营管理盲区，提升内部运作效率。
在《2016年中国互联网保险行业研究报告》中指出，人工智能最先改造保险的销售渠道。美国的一家保险科创公司使用智能机器人销售车险保单，只要拍下车牌号并发送给机器人，它就能搜索到用户的个人信息和驾驶记录，从而推荐合适的险别。同时，通过减少人数来提高效率的成本策略，例如，呼叫中心通过将第一层顾客支持自动化来减少需要聘用的员工。
不管是服务型还是销售型的呼叫中心，通常采用传统的IVR技术提供服务菜单，受限于数字键盘的数量和语音逐条播报耗时较长，寻求服务的用户最希望的还是用最快的速度找到人工客服，解决问题；寻求产品的用户希望用最快的速度触达产品，减少等待。而呼叫中心面临的挑战是基于接线率灵活快速配置人力资源，而不单纯地通过增加人数来提升接线率。大数据时代，认知计算与呼叫中心技术有着天然的默契，在一定程度上帮助合理配置人力。在与用户通话的另一端安装上智慧的“大脑”。
针对服务型呼叫中心，可以利用认知技术，将标准服务话术的知识库安装到认知智能应答机器人的大脑，降低企业培训和人力成本。针对销售型呼叫中心，具有认知计算大脑的机器人可以承担简单地销售业务场景，例如解决呼入溢出场景的预约投保，解决销售过程质量的自动回访，帮助老客户续签新一年保单，为新客户提供粗略产品报价、解释营销活动和赠品规则等。也可以结合社交媒体、用户网购、驾驶行为等多维度数据，分析客户类型，帮助人工坐席更好地理解客户。
认知时代，机器或将变成下一代计算机，因为计算的能力，对于机器学习算法的理解，对于大脑的研究都在往前走。计算可以带来更多的突破。我们拭目以待。
参考文献：
[1]董超，毕晓君.认知计算的发展综述[J].电子世界，2014（15）：200-200.
篇8
在百度看来，智能汽车包括自动驾驶车辆要实现商业化量产，必须做到“安全、舒适、经济”，这就要求百度这种智能汽车软件方案和服务提供商必须拿出低成本、可量产的自动驾驶解决方案与服务。在当前这个阶段，百度经过分析认为高速路、自动泊车、商用车这三个领域有可能率先普及自动驾驶技术。
步步推进量产
2015年一个寻常的冬日，北京五环路上惊现一辆正在跑的百度无人驾驶汽车，这一消息迅速传开令业界颇为震惊。据了解，当时这辆车的最高时速达到100公里/小时，已经能够实现多次跟车减速、变道、超车、上下匝道、调头等复杂驾驶动作，完成了进入高速（汇入车流）到驶出高速（离开车流）的不同道路场景的切换。
很多人只将此视为一个开场信号，却忽略了早在2013年，百度研究院便开始主导研发无人驾驶汽车的事实，当时的百度研究院将技术核心定为“百度汽车大脑”，包括高精度地图、定位、感知、智能决策与控制四大模块。
随着智能互联时代到来，智能汽车已成传统车企、互联网公司、零部件商等多方争相涌入的领域，已经吸引了谷歌、苹果、特斯拉，甚至三星等科技巨头纷纷发力。在这种竞争形势下，百度的节奏也不可不快。就在2015年底完成自家首次的完全自动驾驶路测后没几天，百度宣布正式成立自动驾驶事业部，聚焦自动驾驶汽车的技术研发、生态建设与产业落地。随后，百度又对汽车相关业务进行调整，成立智能驾驶事业群组（IDG），由自动驾驶事业部（L4）、智能汽车事业部（L3）、车联网业务（Car Life etc. ）共同组成。
而在事业部成立之初，百度就提出了三年就实现自动驾驶汽车的商用化，五年实现量产的宏伟计划。如此底气，也源于百度的三大核心竞争优势：人工智能、大数据以及云计算。
根据百度的判断，2020年即可实现自动驾驶大规模商业化。据介绍，百度为此将提供包括感知、自定位和决策在内的应用级自动驾驶辅助软件服务；还有百度的高精度地图，能自动识别交通标志等上百种目标，相对精度达0.1-0.2米，覆盖国内全程约30万公里的高速公路；另外就是Learning Map平台（将由多源感知数据处理、云服务中心和数据中心等构成；还有百度Road Hackers，即百度自动驾驶开放平台，将提供中国路情驾驶数据放、基于深度学习的自动驾驶算法的演示和自动驾驶算法基准测试评比等。
“车联网+大数据”则是百度对汽车智能化的解决方案，百度能为汽车用户提供更加智能的人车交互体验，还有人车互联服务平台，囊括CarLife、MyCar、CoDriver以及MapAuto四种解决方案。
在百度看来，智能汽车包括自动驾驶车辆要实现商业化量产，必须做到“安全、舒适、经济”，这就要求百度这种智能汽车软件方案和服务提供商必须拿出低成本、可量产的自动驾驶解决方案与服务。在当前这个阶段，百度经过分析认为，高速路、自动泊车、商用车这三个领域有可能率先普及自动驾驶技术，因此，这也成为百度智能汽车目前重点解决的应用场景。
今年年初，百度将智能汽车的量产进程又推进一大步：百度与北汽将共同开发L3级别的自动驾驶汽车，并在未来1～2年内率先投入量产。据了解，百度智能汽车L3自动驾驶解决方案从信息采集、处理决策到最终的车辆控制等技术环节中，已与多家汽车厂商、新品厂商建立合作。此外，预装百度智能汽车产品CarLife的已经超过60家车企品牌，包括奔驰、现代、上海通用、一汽等企业的产品。
大计划重塑生态
智能汽车融合了汽车工业、人工智能等综合技术领域，要求极致的硬软件配置，技术门槛高、研发资金需求大，已经逐渐渗透至产业链上的诸多环节，如何集合各方优势资源是推动智能汽车量产的关键行为。
百度此前已经在共同开放智能汽车驾驶技术有颇多行动，在国内也初具智能汽车产业生态规模，但百度仍然拿出了更伟大的计划。
“汽车产业在技术开发过程中彼此封闭、不共享，但在市场上是共存的，IT产业的特点正好反过来，在开发的时候是充分共享的，但是市场上杀个你死我活，只有老大没有老二，互不共存。我们汽车人是不是可以借鉴IT产业这方面的优势呢？比如我们在开发的过程当中是否可以共享呢？”在2017中国汽车论坛上，老汽车人、现任的百度副总裁邬学斌不断反思、反问：“为什么一定要抱着以前传统的路一直走，我一直在汽车行业做研发，我做研发的时候也是不跟别人共享，我现在想想有点后悔。汽车产品和IT产品是有很大的区别，它有很多的社会属性，它牵扯到千家万户每个人的财产安全、生命安全。怎么共享，需要我们大家进行探讨。”
他的反醒与迷惑从另一个角度深刻阐释了百度的“阿波罗计划”的重要性和必要性。根据邬学斌的理解，百度的这一计划是希望在智能汽车特别是自动驾驶、无人驾驶领域搭起一个开放、完整、安全的软件平台，给整个智能驾驶和无人驾驶汽车工业营造快速创新的生态。
据邬学斌介绍，在这项计划中，百度的开放模式是，“把公开的软件能力、主要的核心能力，比如感知、路径规划、车辆控制等通过开放代码等各种适合的方式来开放，让所有生态系统的参与者可以充分利用这些能力。在完整性方面，我们的计划设计是软硬一体，提供一套完整的软硬件和服务的解决方案，对整个生态提供整体服务。还有安全，对于智能驾驶、无人驾驶来说，安全是至关重要的。”
百度阿波计划希望通过此类“开源”行动，避免产业上的企业再“从零开始”，w学斌认为：“我们在搞电动车的时候，很多公司、很多机构都从零开始，花了很多精力，这个教训我们还是应该吸取的。”
篇9
12月智能网联汽车在产业政策、标准制定、硬件产品3个方面持续发酵。上述《行动计划》将智能网联汽车作为第一类需要取得率先突破的智能产品，计划到2020年建成“软件(车辆智能计算平台体系架构、自动驾驶操作系统)+硬件(车载智能芯片)+算法(车辆智能算法)”一体化的车辆智能化平台及平台相关标准，以支撑高度自动驾驶(HA级/L4级)。12月18日，北京市交通委推出《北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见(试行)》和《北京市自动驾驶车辆道路测试管理实施细则(试行)》，使得我国首个自动驾驶路测规定成功落地。12月26日全国汽车标准化技术委员会智能网联汽车分技术委员会获批成立，负责汽车驾驶环境感知与预警、驾驶辅助、自动驾驶以及与汽车驾驶直接相关的车载信息服务领域国家标准制修订工作。12月27日，工信部及国标委联合印发《国家车联网产业标准体系建设指南(智能网联汽车)》，充分发挥标准在智能网联汽车产业生态环境构建中的顶层设计和基础引领作用;《指南》提出99项智能网联汽车领域标准项目，其中24项标准项目研究和制定工作已于近期启动。12月22日，地平线机器人面向智能驾驶的征程(Journey)1.0处理器和面向智能摄像头的旭日(Sunrise)1.0处理器，助推车载智能芯片商业化步伐。我们建议重点关注将在2018年年初的百度Apollo2.0(原计划于2017.12月)，届时Apollo2.0平台将新增高级感知、安全服务两大功能。
从产品、巨头行动、融资三个方面来看AI芯片依然“热度不减”。12月除了地平线机器人两款车载智能芯片外，海外芯片巨头英伟达在11号适用于机器学习的新款GPU--TitanV，IBM也在26号POWER9处理器，以及装有POWER9的新一代PowerSystems服务器AC922，该服务器可以大幅提升Chainer、TensorFlow及Caffe等各大人工智能框架的性能，将深度学习框架的训练时效提高近四倍。12月26日，英伟达禁止在数据中心使用消费者级显卡GeForce做深度学习一时引起业界一片哗然，但事后英伟达表态“GeForce/Titan客户只要不下载新的驱动程序就对GeForce/Titan用户在数据中心的使用无影响”，此前新闻系误读。融资方面，地平线机器人获得建投华科、英特尔等投资方的上亿美元A+轮战略投资，Thinkforce获得依图科技、云锋基金等投资方的4.5亿元A轮投资。
投资建议
根据我们对产业链的调研及跟踪，AI领域，建议重点关注:海康威视、大华股份、中科曙光、恒生电子、富瀚微、科大讯飞等，智能网联领域建议重点关注:德赛西威、华阳集团、四维图新、千方科技、索菱股份、路畅科技等
风险提示
篇10
关键词：颠覆性技术；创新；移动互联；机器人；人工智能
基金项目：“江苏省社科应用研究精品工程”课题；项目名称：颠覆性技术的识别及培育发展研究；项目编号：16SYB-023。
历史上，每次科技革命时期，都是颠覆性技术出现的高峰期。科技革命构成了发掘和发展颠覆性技术的难得历史机遇。目前，科W已经沉寂了60余年，第三次技术革命发生距今接近80年，科技知识体系积累的内在矛盾已经凸显，迫切需要新的重大突破。在物质科学、量子信息科学、生命科学、宇宙科学等基础科学领域，一些重要的科学问题和关键技术发生革命性突破的先兆日益显现；科技发展跨学科趋势愈益明显，新学科、新知识、新思想的出现更多体现为学科交叉融合的方式，许多重大创新出现在学科交叉领域。当今世界已处在新一轮科技革命的前夜，颠覆性技术大量涌现的时期即将到来。
一、颠覆性技术的概念
颠覆性技术概念最早出自美国哈弗商学院克莱顿・克里斯滕森教授1995年出版的《颠覆性技术的机遇浪潮》。他认为，颠覆性技术是指这样一类技术：它们往往从低端或边缘市场切入，以简单、方便、便宜为初始阶段特征，随着性能与功能的不断改进与完善，最终取代已有技术，开辟出新市场，形成新的价值体系。德国弗郎恩霍夫协会认为：颠覆性技术就是指能够“改变已有规则”的技术，即那些与现有技术相比，在性能或功能上有重大突破，其未来发展将逐步取代已有技术，进而改变作战模式或作战规则的技术。
综上所述，颠覆性技术是一种另辟蹊径、会对已有传统或主流技术途径产生颠覆性效果的技术，可能是完全创新的新技术，也可能是基于现有技术的跨学科、跨领域的创新型应用。颠覆性技术具有四个特点：技术发展速度快、产生潜在影响范围广、可创造经济价值高、带来颠覆性影响大。与渐进性技术相比，颠覆性技术在形态上更具有超越性和突变性，在效能上更具备革命性和破坏性。
二、我国颠覆性创新的领域选择
（一）“十三五”国家科技创新规划：15个领域
《“十三五”国家科技创新规划》中明确提出要发展引领产业变革的颠覆性技术：加强产业变革趋势和重大技术的预警，加强对颠覆性技术替代传统产业拐点的预判，及时布局新兴产业前沿技术研发，在信息、制造、生物、新材料、能源等领域，特别是交叉融合的方向，加快部署一批具有重大影响、能够改变或部分改变科技、经济、社会、生态格局的颠覆性技术研究，在新一轮产业变革中赢得竞争优势。重点开发移动互联、量子信息、人工智能等技术，推动增材制造、智能机器人、无人驾驶汽车等技术的发展，重视基因编辑、干细胞、合成生物、再生医学等技术对生命科学、生物育种、工业生物领域的深刻影响，开发氢能、燃料电池等新一代能源技术，发挥纳米技术、智能技术、石墨烯等对新材料产业发展的引领作用。
（二）国家科技重大专项：16个领域
《国家中长期科学技术发展规划纲要（2006-2020 年）》确定了核心电子器件、高端通用芯片及基础软件，极大规模集成电路制造技术及成套工艺，新一代宽带无线移动通信，高档数控机床与基础制造技术，大型油气田及煤层气开发，大型先进压水堆及高温气冷堆核电站，水体污染控制与治理，转基因生物新品种培育，重大新药创制，艾滋病和病毒性肝炎等重大传染病防治，大型飞机，高分辨率对地观测系统，载人航天与探月工程等16个重大专项，涉及信息、生物等战略产业领域，能源资源环境和人民健康等重大紧迫问题，以及军民两用技术和国防技术。
（三）中国科技发展战略研究院：20项关键技术
2016年，中国科学技术发展战略研究院科技预测与评价研究所对关系到我国经济建设、生态建设、国防建设、民生改善乃至综合国力提升具有决定性、基础性的核心技术，按照科学（属于国际竞争激烈的前沿或核心技术）、颠覆性（有望取代主流技术、替代主导产业的技术）、重大（有望替代1-2个主导产品，或颠覆1个以上行业的技术）、可行（经过10年努力能够取得自主知识产权，并有望商业化的技术）四个原则，进行了预测和遴选，遴选出未来能够改变或部分改变科技、经济、生态、军事现状与格局的20项关键技术。
（四）中国科协创新战略研究院：7大领域
中国科协创新战略研究院在的《我国应对颠覆性技术创新需要重点布局的领域》中，认为未来十年世界范围内可能出现的颠覆性创新集中在9大领域：先进计算技术与人工智能、纳米技术与材料科学、基因与精准医疗、能源开发与存储、航空航天与地外生命探测、网络与大数据、智能汽车与智慧交通、绿色制造与先进制造、教育技术与知识自动化。
从我国各机构评选的技术来看，出现频率最高的五大技术领域是移动互联、机器人、3D 打印、人工智能、纳米技术，这五大技术领域将是我国未来颠覆性技术创新的主要方向。
三、我国颠覆性领域的技术创新方向
（一）移动互联领域
大力支持移动互联网软件开发，突破系统软件、人机交互、应用开发、虚拟化等热点技术与新兴技术。加快推进移动互联网的云计算和大数据应用，重点突破数据挖掘、海量数据处理、计费、访问控制等平台关键核心技术。支持开展未来网络重大基础设施（CENI）项目的关键技术研究，加强相关领域产品研发和产业孵化，大力推广基于下一代广播电视网的创新业务及相关应用。充分发挥移动互联网对生产领域的带动作用，在工程机械、汽车、食品、电子信息、物流等行业形成领先的服务产品。深化移动互联网在生活领域的引领作用，大力推广面向餐饮、休闲娱乐、购物、旅游等的移动互联网应用，重点发展移动支付、移动娱乐、移动阅读、移动资讯、移动搜索、移动位置服务等。鼓励移动互联网应用创新，重点发展车载数据与资讯、智能交通、基于北斗等多制式智能交通导航、远程测试诊断、在线节能监管、道路救援、食品安全溯源与安防等移动信息服务。
（二）机器人领域
重点研究智能机器人机构设计、制造工艺、智能控制和人机交互等共性技术，攻克机器人优化建模、精准感知、多机器人协调等核心技术。（1）伺服电机方面：重点发展根据机器人的高速，重载，高精度等应用要求，增加驱动器和电机的瞬时过载能力，增加驱动器的动态响应能力，驱动增加相应的自定义算法接口单元，且采用通用的高速通讯总线作为通讯接口，摒弃原先的模拟量和脉冲方式，进一步提高控制品质。（2）减速器方面：重点发展高强度耐磨材料技g、加工工艺优化技术、高速技术、高精度装配技术、可靠性及寿命检测技术以及新型传动机理的探索，发展适合机器人应用的高效率、低重量、长期免维护的系列化减速器。（3）控制器方面：重点研究开放式，模块化控制系统，开发适用于机器人控制的通用软件包；提高机器人控制器的智能化和网络化水平，开发具有多传感器信息融合能力的控制器。
（三）3D打印领域
围绕3D打印重点方向，突破一批原创性技术。（1）材料方面：针对金属3D打印专用材料，优化粉末大小、形状和化学性质等材料特性，开发满足3D打印发展需要的金属材料；针对非金属3D打印专用材料，提高现有材料在耐高温、高强度等方面的性能，降低材料成本。（2）工艺方面：解决金属构件成形中高效、热应力控制及变形开裂预防、组织性能调控，以及非金属材料成形技术中温度场控制、变形控制、材料组份控制等工艺难题。（3）装备及核心器件方面：加强3D打印专用材料、工艺技术与装备的结合，不断提高金属材料3D打印装备的效率、精度、可靠性，以及非金属材料3D打印装备的高工况温度和工艺稳定性，提升个人桌面机的易用性、可靠性；重点研制与3D打印装备配套的嵌入式软件系统及核心器件，提升装备软、硬件协同能力。
（四）人工智能领域
进行人工智能前沿技术布局，推动核心技术产业化，重点突破人工智能基础理论（包括深度学习、类脑智能等）、人工智能共性技术（包括人工智能领域的芯片、传感器、操作系统、存储系统、高端服务器、关键网络设备、网络安全技术设备、中间件等基础软硬件技术）、人工智能应用技术（包括基于人工智能的计算机视听觉、生物特征识别、复杂环境识别、新型人机交互、自然语言理解、机器翻译、智能决策控制、网络安全技术等）。加快人工智能基础资源公共服务平台建设，包括满足深度学习计算需求的新型计算集群共享平台、云端智能分析处理平台、算法与技术开放平台、智能系统安全情报共享平台等，为人工智能创新创业提供相关研发工具、检验评测、安全、标准、知识产权、创业咨询等专业化服务。加快人工智能技术的产业化进程，推动人工智能在家居、汽车、无人系统、安防、制造、教育、环境、交通、商业、健康医疗、网络安全、社会治理等重要领域开展试点。
（五）纳米技术领域
加强纳米技术研究，重点突破纳米材料及制品的制备与应用关键技术，积极开发纳米粉体、纳米碳管、富勒烯等材料，大力推进纳米材料在电子信息、生物医药、新能源和节能环保等领域的广泛应用。针对信息、能源、环保、生物医学等领域的迫切需求，开发纳米结构加工与制造的新方法、纳米器件集成与系统的设计、制备技术。重点研究新型纳米电子、光电器件、传感器件，大力发展纳米晶太阳能电池、新型薄膜太阳能电池、有机太阳能电池、热电电池、超级电容器等技术，着力突破室内空气污染物、工业源有毒有害气体、动力机械尾气的纳米净化材料及催化净化技术，切实攻克纳米颗粒与生物活性物质的组装方法。促进纳米绿色印刷制版、高密度存储器、新型显示、高效能源转化、气体净化、疾病快速诊断等纳米材料与技术的规模化应用，抢占未来纳米材料发展的制高点。
参考文献
[1] 刘根生.多些“颠覆性技术创新”[J].群众，2016，（1）.
[2] 杨，余晓洁.科技创新引领“第一动力”重视颠覆性技术创新[J].中国职工教育，2016，（1）.
[3] 赵刚.未来五年颠覆性技术将不断涌现[J].领导文萃，2016，（7）.
[4] 王武军.颠覆性技术的“摇篮”高明在哪儿[J].中国中小企业，2016，（6）.
