产业智能化白皮书.pdf

产业智能化白皮书 人工智能产业化发展地形初现端倪 2019 年 3 月产业智能化研究项目课题组 课题负责人 朱恒源 清华大学全球产业研究院副院长、清华大学经济管理学院创新创业与战略系副系主任 伍 晖 百度大学执行副校长、Alpha学院理事长 课题组成员 宋德铮 清华大学全球产业研究院首席研究员 崔桂林 清华大学全球产业研究院高级研究员 余 佳 清华大学全球产业研究院研究员 王 盼 清华大学全球产业研究院研究助理 特别感谢百度大学Alpha学院学员参与课题研究，提供了丰富的 产业智能化实践。1 当前在新一代信息技术蓬勃发展的背景下，人工智能迎来了新一轮的发展浪 潮。这次发展浪潮中，很多专用的人工智能技术开始广泛应用于不同产业， 展现出可观的商业价值和巨大的发展潜力。人工智能技术正在穿越产业化应 用的“死亡谷”，逐渐走向成熟。 本研究聚焦于人工智能产业化发展历程和现状，整合了清华大学全球产业研 究院的学术观察和百度大学Alpha学院的业界实践，从产业演进的视角具体 探讨不同人工智能技术的产业化发展历程，深入分析产业化发展状况，发现 人工智能产业化的动态结构和竞争焦点，希望能够为从业者、投资者和研究 者提供有意义的启发。 本研究分两大部分，第一部分讨论了人工智能的发展情况，并应用TUMC 模型从技术和综合应用场景的角度考察了热点技术和场景的人工智能产业化 成熟度。第二部分，通过企业的具体实践，分析了智能推荐、计算机视觉、 智能语音语义技术等人工智能技术在智慧出行、智能家居、智慧城市、智能 客服等实际应用场景中的产业化发展情况。这些商业实践基本覆盖了当前最 重要的人工智能技术和综合应用场景。 百度大学Alpha学院秉承引领产业智能化认知升级及培养产业智能化领军人 才的发展使命，一直以来致力于以百度人工智能技术为核心的产业化生态建 设。研究期间，来自首汽约车/首汽租车、中国太平洋财产保险股份有限公 司、中国联通软件研究院、中国联通集团、极米科技、软通智慧、中粮我买 网、中信银行、优信集团、飞友科技、中国南方航空股份有限公司、康夫子 医疗、华为以及百度新兴业务事业群组、技术事业群组、人工智能事业群 组、智能驾驶事业群组、智能生活事业群组、智能云事业群组的专家们提供 了丰富的案例以及应用场景，为人工智能产业化提供了宝贵的实践经验。 研究 背景2 当前人工智能技术在很多产业和领域中已经得到广泛应用，人工智能产业化发 展的地形已经初现端倪。 人工智能的产业化过程是多种不同的人工智能技术同时在不同产业中探索应用 的过程。在拓展“智能+”，产业智能化的新发展阶段，很多传统产业都已有 机会发掘适合人工智能的应用场景。企业业务流程的信息化和标准化，以及业 务数据的数字化和结构化是企业智能化转型的重要前提和基本条件。 当前人工智能主要的热点技术产业化成熟度较高，to B的企业业务率先起步。 开拓性综合应用场景中，人工智能技术的产业化成熟度较低。清晰的、便于实 施的子场景以及满足其中用户需求的“杀手级应用”尚未出现。 人工智能技术仍在快速发展。应用层的厂商需要和算法层的厂商建立更多的合 作和连接，培养敏捷的应变能力。算法厂商也需要和应用厂商建立广泛连接， 理解具体需求，催化技术发展。 人工智能和大数据、云、物联网共同组成智能产业革命通用技术最关键的部 分。它们的协同发展和应用推动产业智能化新范式的最终实现。拥有算法技术 和大数据、云技术的大型科技型企业在产业智能化中具备巨大的发展潜力。 在产业智能化转型中，为致力于发展人工智能的企业提出如下建议：从企业业 务（to B业务）入手；首先在已有产业中发掘合适自己人工智能产品的应用场 景；“锁定”早期用户，跟随用户成长，并打磨产品；建设或投资与自身业务 协同的人工智能产业新要素。3 目录 研究篇 人工智能产业化成熟度研究报告 5 1 人工智能概述：从实验室到产业应用 5 2 TUMC模型：新兴技术产业化成熟度的评估框架 14 3 人工智能热点技术及应用场景产业化成熟度评估 18 4 结论与启示 28 商业实践篇 首汽约车：打造面向未来的服务品牌 33 太平洋保险：技术助力竞争力提升 44 中国联通：探索5G时代的产业融合 49 极米科技：家居场景下的视听进化 57 软通智慧：聚合技术与产业，建设智慧城市 64 附录：人工智能产业应用案例摘要汇总 76 C ONTENTS 34 研究篇 人工智能产业化成熟度研究报告 1 人工智能概述：从实验室到产业应用 2 TUMC 模型：新兴技术产业化成熟度的评估框架 3 人工智能热点技术及应用场景产业化成熟度评估 4 结论与启示 45 人工智能产业化成熟度研究报告人工智能概述：从实验室到产业应用 人工智能包括使用计算机模拟人类智力行为、实现工作自动化的各种科学、 技术、方法和工程。人工智能的发展历程是与计算机科学和技术的发展历程 相联系的，从20世纪50年代起，人工智能的方法、研究路径经历了好几次 重大的变化，人工智能的发展也经历了好几次兴衰循环。当前新一轮快速发 展，人工智能正从实验室走向广泛的产业应用。 人工智能发展概览 业内公认人工智能的概念是在1956年达茅斯学院的夏季研讨会上被正式提出 的。在六十余年的发展历程中，人工智能经历“三起两落”，在繁荣和衰落 中反复循环。 图1 人工智能发展历史 1 50 60 80 90 70 2020 2000 2010 ! 约翰 . 麦卡锡 Lisp 编程语言 1958 年 达特茅斯会议 正式提出 人工智能概念 1956 年 世界第一台 可编程机器人 1954 年 世界第一台 神经网络机 SNARC 1951 年 图灵发表论文， 并提出图灵测试 1950 年 世界第一个 聊天机器人 1966 年 麻省理工获得 美国 AI 研究经费 1963 年 世界第一台 工业机器人 应用汽车装配 1962 年 麻省理工研制 首台人工智能 移动机器人 shakey 1966-1972 年 人工智能 研究经费削减 1970 年初 英国科学研究 委员会 报告对人工智 能持悲观态度 1974 年 自然语言指挥 机器人动作 1972 年 里根 星球大战计划 1986 年 神经网络理论 重新发展 1985 年 日本政府投资 8.5 亿美元发展 人工智能计算机， 美国 DARPA 紧随投资发展 AI 1981 年 卡耐基 . 梅 隆大学 XCON 专 家系统 1980 年 深蓝战胜国际 象棋冠军 1997 年 DARPA失败， 政府投入缩减 1991 年 斯坦福大学自 动驾驶机器人 在沙漠比赛 2005 年 斯坦福推出机 器人操作系统 ROS 2007 年 AI 合成主播 2018 年 谷歌 BERT 机 器阅读超越人类 2018 年 AlphaGo 取 得围棋冠军 2016 年 IBM Watson 危险边缘比赛 2011 年 谷歌 无人驾驶汽车 2010 年 人 工 智 能 发 展 历 史 20 世纪 21 世纪6 20世纪5080年代，人工智能经历了第一次兴起和落寞。在科学家的努力 下，计算机已经能够履行一些人类能力范畴内的任务。20世纪80年代，人 工智能迎来了第二次繁荣发展。1981年，日本政府、美国政府相继启动人 工智能发展计划，投入了大量基金研发人工智能技术。这一时期计算机的 内存容量、运算速度呈指数级增长，很多人工智能技术取得突破，神经网 络等算法理论开始复兴，语音识别、图像识别也获得关键发展。 进入21世纪以后，人工智能迎来发展的第三次浪潮。以语音处理、计算机 视觉、自然语言处理为代表的人工智能技术逐渐成熟，并开始应用在搜索 引擎、物流、工业机器人、银行、金融、医疗等行业。 当前，美国、中国、英国、欧盟、加拿大、日本等国家纷纷制定人工智能 的国家发展战略。科研机构、产业界、学术界、政府部门、投资机构都密 切关注人工智能的最新进展，并通过不同方式推动技术进步以及技术的产 业化落地，人工智能迎来前所未有的发展机遇。 人工智能产业迎来起飞 从产业角度看，人工智能技术按照结构划分，分为基础层、算法层、技术 层和应用层。 计算机视觉 语音识别 自然语言 处理 知识图谱 神经网络、遗传算法、深度学习、强化学习，等 计算硬件（芯片、智能传感器等） 数据 云计算 医疗 金融 教育 交 通 安 防 保 险 家 居 旅 游 制 造 电 商 基础层 算法层 应用层 技术层 智能推荐 图2 人工智能的层次结构7 7 基础层包括三个方面：以芯片、传感器为主的计算硬件，数据，以及以云 计算为代表的计算机系统技术。 算法层包括人工智能的各种算法，当前以强化学习、深度学习、神经网 络、卷积神经网络为代表的算法理论广受关注。业内重要的深度学习开源 框架有谷歌的TensorFlow、百度的PaddlePaddle。 技术层主要是通过计算技术实现感知、认知、分析、决策、学习和行动等 人类智慧。主要包括语音识别、计算机视觉、自然语言处理、智能推荐、 知识图谱等。 应用层是指人工智能技术在具体产业中的应用。目前，人工智能技术在搜 索引擎、游戏、电商、物流、银行、金融、安防等行业得到广泛应用。百 度的智能语音平台DuerOS、无人驾驶操作系统Apollo是国内重要的人工智 能应用平台。 20世纪90年代，人工智能技术初步开始产业化应用，IBM 推出via-voice 语音识别系统，计算机视觉技术开始应用于工业领域。21世纪初，人工智 能产品种类快速丰富起来。同时，新的要素出现在人工智能产业链上，例 如剑桥大学的语音识别HTK开发工具包，人脸识别数据集LFW、FDDB、 ImageNet等。2010年以后，人工智能产业化应用的浪潮席卷全球，新产 品、新应用、新场景层出不穷。人工智能的产业化应用增长开始加速，并 在未来几年到达爆发性增长的临界点，人工智能的产业化迎来起飞。8 当前人工智能发展浪潮主要有以下4个驱动因素： 驱动因素一：全球数据量爆发性增长 大数据、云、物联网等信息技术的发展产生了前所未有的海量数据。据IDC 预测，到2020年全球数据预计超过40ZB，并且数据的增长速度越来越 快。丰富的数据训练集，为人工智能技术在更多产业应用提供了可能。驱动因素二：计算能力提升 人工智能算法的实现需要强大的计算能力作为支撑。2010年以后，随着 GPU芯片的普及，计算机的运算能力迈入新的阶段，随着FGGA和ASIC 芯片的发展，2020年以后，计算机的运算能力又将迈入新的层级，运算能 力将突破exaFLOPs 级别，每秒进行百亿亿次的计算。 图3 人工智能技术的产业化历程 20 50 -80 20 90 20102000-2010 IBM Via-VoiceApple Siri IBM Watson AI 9 图4 全球数据量爆发性增长（数据来源：IDC） 图5 计算能力发展历程（数据来源：AMD） 0.16 0.28 0.48 0.8 1 1.8 8 40 0 5 10 15 20 25 30 35 40 45 2006 2007 2008 2009 2010 20 11 2012 2013 2014 2015 2016 2017 2018 2019 2020 ZB 1960 1970 1980 1990 2000 2010 2020 exaFLOPs petaFLOPs teraFLOPs gigaFLOPs megaFLOPs kiloFLOPs 2021： 预计世界第一台 exaFLOP 计算机产生 2009：世界第一台GPU 超级计算机 2008：计算机运行速度达到petaPLOP scale 2009：Cray XT5问世 2005年：“千年赛跑”项目完成，是世界 最大规模的超级计算机宇宙模拟实验 。 1999：ASCI Blue Pacific问世 1993：CM-5/1024超级计算机 1984：M-13超级计算机 1960 ：Univac LARC超级计算机 1976 ：Cray 1 超级计算机 世界计算能力发展历程（1960-2020 ）10 驱动因素三：算法的进步 计算能力的提升和数据规模的增长，使得多层神经网络、深度学习、强化 学习算法取得长足的发展。这些算法广泛应用到智能推荐、计算机视觉、 语音识别、自然语言处理等领域并取得丰硕的成果。技术适用的领域大大 拓展，能够满足越来越多的复杂和动态场景的需求。 驱动因素四：政策支持、科技巨头和资本追逐 中国、美国、加拿大、德国、法国、日本等23个国家都把人工智能列入了 国家发展战略，出台了一系列战略文件和产业政策。政府对人工智能产业 化高度重视，推动人工智能产业化快速发展。 表1 美国人工智能战略主要文件 2016.10 为未来人工智能做准备 2016.10 美国人工智能：研究与发展战略计划 2016.12 人工智能、自动化与经济 2018.03 美国机器智能国家战略报告 72% 74% 84% 88% 93% 95% 96% 97% 97.50% 2010 2011 2012 2013 2014 2015 2016 2017 ILSVRC 0% 20% 40% 60% 80% 100% 1993 1994 1996 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 图6 算法进步推动技术发展（数据来源：中国信通院） 1011 此外，高科技巨头、投资公司、股权市场也对 人工智能产业化落地持有乐观态度，这是推动 人工智能技术产业化应用迎来起飞的另一股重 要力量。 人工智能技术的产业化：中国的重 要机遇 中国和美国是人工智能发展最领先的国家，也 是推动人工智能产业化最活跃的国家。学术研 究、算法、专利、产业应用各个方面，中美两 国占据全球领先地位。 中美日三国人工智能专利数量占全球人工智能 专利总数75%。中国专利数量领先美国和日 本，成为全球人工智能专利最领先的国家。 全球主要国家都很重视人工智能领域的基础性 研究。过去20年中国人工智能领域论文总量、 高引用论文数量世界第一。 图7 2018年全球人工智能专利的分布情况 （数据来源：WIPO）表2 中国人工智能战略主要文件 2016.04 机器人产业发展规划（2016-2020年） 2016.05 “互联网+”人工智能三年行动实施方案 2016.09 智能硬件行业创新发展行动（2015-2018） 2017.07 新一代人工智能发展规划 2017.12 促进新一代人工智能产业发展三年行动计划（2018-2020年） 1112 目前中美两国人工智能企业数量全球占 比超过60%，截止到2018年6月，美国 人工智能企业2039家，世界排名第一， 中国紧随其后，数量达到1040家。 在基础层、算法层、技术层和应用层， 中国都涌现出一批有相当实力的人工智 能企业。芯片领域有华为海思、寒武纪 科技等等；算法和综合领域有百度、 腾讯、阿里；智能语音领域有百度、科 大讯飞等等；计算机视觉领域有商汤科 技、旷视科技等等。越来越多的高科技 企业广泛涉足及人工智能领域。中国已 经初步建立了完整的人工智能产业链。 图8 全球主要国家人工智能论文情况（数据来源：清华大学中国科技政策研究中心） 2039 1040 392 287 152 0 500 1000 1500 2000 2500 中国 美国 英国 加拿大 印度 图9 全球人工智能企业数量排名前5名的国家 （数据来源：中国信通院） 58582 61466 61782 72261 75128 85587 94112 96536 327034 369588 西班牙 意大利 加拿大 法国 印度 德国 日本 英国 美国 中国 1997-2017年人工智能论文总量世界TOP10 国家 247 253 271 354 397 431 472 811 2241 2349 西班牙 意大利 伊朗 法国 加拿大 德国 澳大利亚 英国 美国 中国 1997-2017年人工智能高引用论文世 界TOP10 国家 图8 全球主要国家人工智能论文情况（数据来源：清华大学中国科技政策研究中心） 58582 61466 61782 72261 75128 85587 94112 96536 327034 369588 西班牙 意大利 加拿大 法国 印度 德国 日本 英国 美国 中国 1997-2017年人工智能论文总量世界TOP10 国家 247 253 271 354 397 431 472 811 2241 2349 西班牙 意大利 伊朗 法国 加拿大 德国 澳大利亚 英国 美国 中国 1997-2017年人工智能高引用论文世 界TOP10 国家 图8 全球主要国家人工智能论文情况（数据来源：清华大学中国科技政策研究中心） 58582 61466 61782 72261 75128 85587 94112 96536 327034 369588 西班牙 意大利 加拿大 法国 印度 德国 日本 英国 美国 中国 1997-2017年人工智能论文总量世界TOP10 国家 247 253 271 354 397 431 472 811 2241 2349 西班牙 意大利 伊朗 法国 加拿大 德国 澳大利亚 英国 美国 中国 1997-2017年人工智能高引用论文世 界TOP10 国家 图8 全球主要国家人工智能论文情况（数据来源：清华大学中国科技政策研究中心）13 中国人工智能领域相关投资活跃，增长迅速。投资金额从 2014年到2016年，两年时间增长了6倍。从2013年到2018 年上半年，中国人工智能领域累计融资金额全球占比60%， 超过美国的29%，世界排名第一。 人工智能技术在医疗健康、金融、商业、教育、工业和安防 各个领域得到越来越多的广泛应用。中国巨大的市场，人工 智能有着异常丰富的应用前景。人工智能的增长不断加速， 正在逼近产业化应用爆发的“临界点”。衡量人工智能技术 的产业化成熟度，无论是对于企业家、研究者还是国家相关 产业政策的制定者都具有重要的意义。 38% 48% 14% 60% 29% 11% 2017 2013 - 2018 28 28 111 451 760 754 0 100 200 300 400 500 600 700 800 2012 2013 2014 2015 2016 2017 图10 中国人工智能领域投资情况及全球占比 （数据来源：清华大学中国科技政策研究中心、腾讯研究院、前瞻研究院）14TUMC 模型：新兴技术产业化成熟度的评估框架 本研究采用TUMC模型评估人工智能产业化成熟度。TUMC模型是一个基于战略节奏 理论，从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的工具。TUMC模 型深入到产业结构的内部，分析新兴技术产业化发展的动力机制，评估新产业的成熟 度，探讨新兴技术的产业化情况。 TUMC 模型关注的市场发展阶段 由战略节奏理论，产品市场的发展可以分为4个不同阶段，即，小众市场、大众市 场、分众市场和杂合市场。考察新兴技术产业化的成熟度，研究的关注焦点是从“尚 未进入小众市场”到“即将开启大众市场”的这一阶段。当前不同行业中各种各样的 人工智能应用基本上都处于在这一阶段上。 2 图11 TUMC模型关注市场发展早期阶段产业成熟度 关注的阶段 小众市场 大众市场 分众市场 杂合市场15 小众市场，市场规模小且零散，市场成长速度高度不稳定，市场上用户需 求多样性很高。在小众市场的初期，用户主要是发烧友（创新者），随着 小众市场的发展，主流用户会从发烧友到时尚派的转变。随着时尚派（早 期采用者）越来越多，市场将会逐渐发展到大众市场。 TUMC模型的4个维度和8个节点 TUMC模型是一个评测新兴技术产业化成熟度的工具，综合考察技术 （Technology）、用户效用（user Utility）、市场（Market）以及产业 链（industry Chain）4个维度。每个维度又根据成熟程度分为2个节点。 技术（Technology）：实现商业化的性能阈值 技术维度考察新兴技术从实验室到市场过程中具体的发展程度。 t1 突破实际应用的技术门槛 如果新兴技术能够在实际环境中表现良好，意味着该技术到达了t1节点。 这时的新技术必须要做到稳定、可靠、方便、实用，有一定的抗干扰能 力，输出符合期待，操作方便，适应实际环境。 t2 出现新产品的主导设计 根据技术创新领域的A-U 模型，产业的流动阶段，新产品的设计还没有定 型，企业在努力探索新产品的实现方案，新技术的商业化路径。当大多数 企业都采用的主导设计出现，意味着技术维度上，达到了t2节点。这时候 产业在技术方面已经到达相当成熟的程度。应用新技术的新产品已经突破 “实现商业化的性能阈值”。 用户效用（user Utility）：特定场景中的特定价值 用户效用维度考察新技术和新产品带给用户的价值。 u1 满足特定场景中用户需求 如果应用新技术的新产品找到了合适的特点场景，并能满足场景下用户的 需求，那么，新技术的产业化就达到了u1节点，产品找到了在市场上的立 足点。 T16 u2 完成从“极客产品”到“时尚产品”的转变 “极客产品”面对的是小众市场初期的发烧友用户，而“时尚产品”指的 是满足时尚派用户偏好和需求的产品。完成“极客产品”到“时尚产品” 的转变，意味着达到u2节点。这时的产品形态和用户价值已经达到了相当 的成熟度。 市场（Market）：市场起飞的关键规模 市场维度考察市场规模的变化情况。 m1 找到早期用户并能锁定用户 找到早期发烧友用户并且锁定用户，能够持续满足用户的需求，意味着达 到m1节点。 m2 达到持续扩散的用户数量 当越来越多的时尚派成为用户，应用新技术的新产品在大众中具备越来越 多的持续的曝光度，用户就达到了持续扩散的数量，这意味着在市场维度 达到了m2节点。 产业链（industry Chain）：新的分工协作系统 产业链维度考察新技术新产品的产业链完善程度。 c1 嵌入现有产业链 如果新产品从现有市场中寻找所需供应链的成熟替代品，与现有产业链良 好合作，新兴技术能够“嵌入”现有业务的成熟的产业链中，意味着在产 业链维度达到c1节点。 c2 出现专有产业链要素 专有产业链要素的出现，意味着达到c2节点。新产品市场已经发展到相当 的成熟度，开始形成自己的产业链组织方式和价值生产逻辑，新的分工协 作系统初步成形。 TUMC模型是一个评估新产业的成熟度和新兴技术的产业化成熟度的通用 工具，本研究应用TUMC模型考察人工智能技术的产业化成熟度。17 用户效用（user Utility） 技术（Technology） 产业链（industry Chain） 市场（Market） u2 u1 m2 m1 t2 t1 c2 c1 图12 TUMC模型 表3 TUMC模型的4个维度，8个节点18人工智能热点技术及应用场景产业化成熟度评估 随着人工智能的蓬勃发展，不同种类的人工智能技术逐渐应用到越来越多的产业 中。有些重要的人工智能技术在大量的产业中找到应用场景，获得了广泛地应 用，发展前景日趋明朗。其中，智能推荐、计算机视觉、以语音识别及自然语言 处理为代表的智能语音语义技术应用最为广泛。 除了在不同产业内部发掘应用场景外，涉及多个产业的、综合的复杂人工智能 应用场景也得到广泛地关注，参与厂商众多，不同设计和实施方案竞争激烈。 智能家居、智慧城市、智慧交通是当前最受关注的人工智能技术开拓性的综合 应用场景。 在此，我们从技术和应用场景两个角度，分别讨论智能推荐、计算机视觉、智能 语音语义技术（语音识别、自然语言处理及相关技术）、智能家居、智慧城市的 产业化成熟度。 3 图13 人工智能热点技术及应用场景 智能推荐 智能推荐是一个广泛应用于电子商务、搜索和内容分发等领域的人工智能技术。 从奈飞的影片推荐、亚马逊的图书推荐到现在各个电商平台的各种商品推荐和推 荐引擎的发展，智能推荐获得了长足地发展和广泛地应用。 从技术方面看，智能推荐显然已经穿越了t1节点。相关技术已经突破了实际应用 的技术门槛，在电子商务、新零售、精准营销、内容分发等领域都已经得到广技术 应用场景19 泛应用。人工智能目前仍然处于快速发展阶段，智能推荐虽然得到广泛应用， 但并不能说已经形成了一个“固定成型”的主导设计。称之为“流动的主导设 计”更为恰当。 从用户效用方面看，智能推荐在电商、搜索等很多领域找到了适合的应用场景， 并创造出用户价值。相关产品的设计也不再是仅仅针对“技术极客”用户。 从市场方面看，智能推荐已经过了在发烧友用户中流行的阶段，相关产品已经走 出了“技术极客”用户的小圈子，在电子商务、搜索、内容分发等领域推荐引擎 也越来越收到追捧。智能推荐已经具备了持续扩散的用户基础。 从产业链方面看，市场上出现了很多的智能推荐产品和解决方案。如果一个企 业想要应用智能推荐不需要自己动手开发，从软件包到实施，再到后续的服 务，可以很方便地在市场上找到专门的提供商。 图14 智能推荐的产业化成熟度 用户效用（user Utility） 技术（Technology） 产业链（industry Chain） 市场（Market） u2 u1 m2 m1 t2 t1 c2 c120 在其他三个维度都已有可观发展的情况下，技术方面尚未形成主导设计， 说明技术创新仍然非常活跃，随着人工智能的发展，智能推荐还有很大的 成长空间。 计算机视觉 计算机视觉是指用计算机来模拟人的视觉系统的技术，包括图像识别、物 体形状和方位确认以及物体运动判断等方面。计算机视觉应用场景广泛， 适用于视频监控、基于生物特征的身份识别、医疗影像分析、航空/遥感测 量等领域。 从技术方面看，当前计算机视觉技术已经相当成熟，准确性、稳定性、和 可靠性已经突破实际使用的门槛，在相当多的应用场景中，计算机视觉技 术可以部分或全部替代人工。从算法实现的角度看，市场上厂商的技术路 线具有很大的相似性。计算机视觉技术仍处于快速发展时期，在未来更多 的应用场景中还会有更大的发展空间。技术路线和主导方案仍然会有很大 的流动性。 从用户效用方面看，在安防、金融、保险、医疗诊断、工业自动化系统多 个领域，计算机视觉技术都找到了合适的应用场景，创造出特定的用户价 值。当前计算机视觉技术的用户主要是企业用户，计算机视觉技术相关产 品对于这些企业用户而言，已经不是一个有很高门槛的“极客产品”。 从市场方面看，计算机视觉技术在很多应用领域都达到了持续扩散的用户 基础。比如，指纹和人脸识别在各种身份认证场景中的应用、智能监控在 安防领域的应用，等等。 简单的一次规划和推荐包含着一套复杂的流程，涉及线路规划、特征提 取、路线筛选和路线排序等精密的计算。百度地图通过预估未来交通状 况提供躲避拥堵、限行的路线，ETA算法的进步，大大提高了首汽约车 等网约车合作伙伴的车辆运行效率。而在移动出行场景中，应用智能推 荐技术实现目的地预测，更是为用户提供了友好高效的出行体验。21 从产业链方面看，计算机视觉在当前针对企业用户的业务方面已经有可观 的发展。数据显示，在中国人工智能创业公司所属领域分布中，计算机视 觉领域的占比排行第一，超过20%。商汤科技、旷视科技、码隆科技等该 领域活跃的企业都有很多针对不同产业具体应用场景的成熟产品。计算机 视觉技术在很多领域很好地“嵌入”到现有产业链中，专有的产业链要素 正在形成。 图15 计算机视觉的产业化成熟度 用户效用（user Utility） 技术（Technology） 产业链（industry Chain） 市场（Market） u2 u1 m2 m1 t2 t1 c2 c1 太平洋保险一直积极探索人工智能技术在保险行业中的应用。车险是太平洋 保险的一个重要产品，但其中70%的车险理赔只是5000元以下的小事故，却 占用了非常大的资源。通过和百度合作，太平洋保险应用计算机视觉技术， 智能识别车险出险情况。经过多次版本的迭代、试验和验证，目前智能车险 技术已经在车险理赔中发挥了越来越大的作用，逐步替代人工，提升了效 率。太平洋保险估计，在未来智能车险技术每年为公司节省将会超过2亿元。22 智能语音语义技术 语音识别是把语音信号转变成相应的文本的人工智能技术，而自然语言处 理则是理解自然语言并生成自然语言的技术。在实际的应用中，语音识别 总是和自然语言处理关联在一起的，在这里，从产业应用的角度，我们把 语音识别、自然语言处理、语音合成及其他相关技术统称为智能语音语义 技术。 智能语音语义技术的应用涉及很多领域，比如语音命令交互、智能语音助 理、机器翻译、输入法等方面。 从技术方面看，随着技术的进展，语音识别和自然语言处理近年来都有长 足的进步。市场上知名产品像苹果的Siri，微软的Cortana语音识别的准 确率和对语义的理解都达到了相当高的水平。这使得智能语音语义技术能 够满足一些特定的应用场景的需求。不过，如果能够在日常生活中经常使 用，语音识别的准确率和语义理解的准确率都要更上一层楼。 从用户效用方面看，在一些特定的应用场景中智能语音语义技术能够较好 地满足用户需求，比如命令型的语音交互。但总体上说，适用场景比较 窄，对于复杂的语音交互还没有达到实用的程度。 从市场方面看，和计算机视觉类似，智能语音语义技术的厂商主要是面对 企业用户，开展to B业务。其中相对成熟的应用，已经得到越来越多企业 用户的使用。语音命令交互是其中最典型的例子。作为一个基本满足实用 需求的“人机界面”，语音命令交互已经出现在各种不同的产品上，家用 电器、智能汽车控制、地图导航，等等。不太成熟的应用目前还是处于极 客产品阶段。 从产业链方面看，当前智能语音语义技术的厂商基本上从事to B业务，提供 适用于不同应用场景的智能语音工具供用户使用，嵌入到现有的产业链中。 百度、科大讯飞等国内重要的智能语音厂商，都在积极打造适用于不同行业 的智能语音平台，业务涉及智能硬件、家居、智能客服等诸多领域。 2223 图16 智能语音语义技术的产业化成熟度 用户效用（user Utility） 技术（Technology） 产业链（industry Chain） 市场（Market） u2 u1 m2 m1 t2 t1 c2 c1 客服是中国联通业务闭环中非常关键的组成部分。联通维护庞大的客服部门每年 需要巨大的成本。智能客服是智能语音语义技术、智能知识库等多项人工智能技 术的典型应用，通过与百度智能云合作，联通建成了全渠道、全媒体智能客服， 系统化解决了原有客服系统服务渠道及触点运营能力不足、底层能力不共享、资 源无法整合复用等难题。在天津试点中，智能客服成功完成话费查询、业务办 理、发票咨询等100多个意图模型，在准确率95%、客户满意度90%的情况下，减 少了12%的人工服务时长。客服电话10010的15秒服务水平提升至88.7%，而客服 外包成本则下降了10%，成为行业+智能大规模落地的标杆实践。成功打造了一支 具备人工智能业务能力和行业落地的人才队伍。24 智能家居 当前备受关注的智能家居，是伴随新一代信息技术、人工智能技术发展而 出现的，这是人工智能开拓性的综合应用场景。与人工智能技术应用到单 一产业不同，智能家居涉及到安防、音视频设备、照明系统、暖通系统、 建筑等诸多行业和领域，同时也会涉及到多种人工智能技术。 智能家居是当前人工智能的热门领域，苹果、亚马逊、谷歌等国际重要人 工智能企业，百度、小米等国内重要企业都已进军智能家居领域，并有相 应的产品面世。 从技术方面看，当前智能家居解决方案中所涉及的人工智能技术，基本上 都具备了理论实用性。智能家居领域还没有杀手级应用。近几年很多厂商 推出语音交互的智能音箱，争夺智能家居的入口，是市场探索杀手级应用 的一个尝试，我们观察，当前的产品形态还不具备发展成高渗透率产品的 潜力。在这样的情形下，人工智能技术虽然具备理论实用性，但并没有在 产品中充分应用。 从用户效用方面看，智能家居领域还没有出现一个清晰的应用场景，并有 杀手级应用满足用户特定的需求。智能家居是一个综合复杂的场景，从中 发掘一个足够简单足够清晰的子应用场景，并为之开发相应的产品是人工 智能在复杂场景中落地的关键。 从市场方面看，先行厂商处于积极寻找领先用户并锁定用户的阶段。产品 的形态有巨大不确定性，致力于智能家居的人工智能技术厂商、智能设备 厂商都积极跟踪用户需求，开发新产品。 从产业链方面看，人工智能技术正在嵌入智能家居领域涉及到的各个产业 中。音箱、电视、照明以及其他很多家用电器都开始具备一定的智能功 能。语音命令交互就是一个经常在当前智能电器产品上见到的功能。虽然 智能家居的形态远未定型，但智能家居涉及到的不同产业已经陆续出现集 成了智能化功能的新产品。25 图17 智能家居的产业化成熟度 极米科技成立于2013年，以无屏电视的概念进入市场，短短几年内就已经成长 为行业的领先者。极米从“看电视”出发，发掘智能家居的应用场景。通过应 用百度DuerOS平台、PaddlePaddle深度学习技术，极米的设备在语音命令交互 上能够提供良好的用户体验，而且能够通过用户的行为更好地理解用户喜好， 推荐符合用户需求的电影和视频节目。通过完善“看电视”的用户体验，极米 科技在此基础上，积极探索如何向其他应用场景延伸，寻找智能家居综合应用 中的“突破点”。 用户效用（user Utility） 技术（Technology） 产业链（industry Chain） 市场（Market） u2 u1 m2 m1 t2 t1 c2 c126 智慧城市 智慧城市是指利用信息技术、大数据、人工智能等新一代技术对城市 的各个系统的综合智能规划、实施和管理，从而提升城市的服务水 平、管理效率、资源利用率、宜居性和环境友好性。智慧城市是一个 大型的综合系统，是智能交通系统、通信系统、智能电网、电子政务 等等多种系统组成的复杂系统。智慧城市涉及到非常多的技术和产 业，需要很多领域在系统层面的集成和协同。 作为人工智能应用的广阔舞台，智慧城市吸引了很多知名人工智能技 术企业。典型范例有，百度的AI City、阿里巴巴的ET城市大脑、腾 讯的城市超级大脑项目。中国很多城市对建设智慧城市跃跃欲试，这 为这些企业提供了巨大的市场和实践机会。此外，在智慧交通、电子 政务方面也有众多参与者。 从技术方面看，总体上说，智慧城市涉及的各种人工智能技术、云和 大数据技术基本上具备了理论可行性。但智慧城市是一个非常复杂的 超大型应用，现在处于起步的初期，在以后发展中，将会有很多实际 应用上的技术课题需要解决。 从用户效用方面看，清晰简单的应用场景仍在探索中。智慧交通、电 子政务，这些最具备用户痛点的领域最先取得进展，但目前刚刚起 步，还有巨大的发展空间。 从市场方面看，领先的厂商在寻找领先用户理解需求，积极开发、测 试自己的技术路线和产品方案。智慧城市相关的应用总体上处于设计 和实验阶段。 从产业链方面看，当前智慧城市的探索中，各个相关的产业、领域和 系统正处于相互了解、连接的阶段。人工智能、云、大数据，这些新 技术要素正在嵌入已有的产业中。