2017年人工智能发展史及算法分析报告
2017年人工智能行业算法及应用分析报告
2017年人工智能行业算法及应用分析报告(此文档为word格式，可任意修改编辑！）2017年10月正文目录1. 人工智能概念 (4)2.人工智能发展历史 (4)2.1.形成阶段（1956-1961） (4)2.2.黄金时代（1961-1973） (5)2.3.第一次发展低谷及复苏（1973-1987） (6)2.4.第二次发展低谷（1987-1993） (8)2.5.现代人工智能（1993-至今） (9)3. 人工智能算法 (11)3.1. 感知器 (12)3.2. 聚类算法 (13)3.3. 决策树 (14)3.4. 支持向量机 (15)3.5. 卷积神经网络 (17)4. 在金融领域的应用 (18)5. 总结 (19)图表目录图1：1950-1973年人工智能主要研究成果 (6)图2：1973-1987年人工智能主要研究成果 (8)图3：1987-1993年人工智能主要研究成果 (9)图4：1993年-至今人工智能主要研究成果 (10)图5：机器学习模式识别流程 (12)图6：感知器结构 (13)图7：感知器分类 (13)图8：k-means算法描述 (14)图9：一维空间分类 (16)图10：二维空间分类 (16)图11：卷积神经网络LeNet-5结构图 (17)图12：智能投顾运行模式 (19)1. 人工智能概念什么是人工智能？按照李开复博士的解释，人工智能指的是获取某一领域的海量信息，并利用这些信息对具体案例做出判断，达成特定目标的一种技术。
举个例子，比如说互联网贷款，计算机通过海量的贷款记录训练模型，对能否对某一用户进行贷款这一事件做出判断，想达到的目标就是放贷人利益最大化。
早期人工智能的研究是基于一个很基本的假设，就是人的思维活动可以用机械的方式进行表达。
在上世纪五十年代，有人断言只需要经过一代人努力，就可以创造出与人类同等智力水平的计算机机器，然而直到20世纪70年代，人工智能技术才开始扩展到各个研究领域，包括数学定理证明、机器翻译、机器人技术等。
2019届高三语文高频话题阅读试题精选(4)人工智能(含解析)
人工智能1、阅读下面的材料,完成1-3题。
材料一人工智能发展历经波折,历史上经历过两次低谷。
传统人工智能受制于计算能力,并没能完成大规模的并行计算和并行处理,人工智能系统的能力较差。
2006年,Hinton教授提出“深度学习”神经网络使得人工智能性能获得突破性进展,进而促使人工智能产业又一次进入快速发展阶段。
表1 人工智能发展历程其中,谷歌AlphaGo战胜李世石九段对业界产生的轰动效应最大。
AlphaGo是一款基于深度学习技术研究开发的围棋人工智能程序。
这个程序利用“价值网络”去计算局面,用“策略网络”去选择下子。
2015年10月,阿尔法围棋以5:0完胜欧洲围棋冠军、职业二段选手樊麾。
为了测试阿尔法围棋的水平,谷歌于201 6年3月份向围棋世界冠军、韩国顶尖棋手李世石发起挑战,并以4:1的总比分获胜。
AlphaGo与传统围棋程序最大的区别在于其利用深度学习方法进行训练,AlphaGo学习了3 000万步人类实战的围棋下法,学习完毕后,可以通过“左右互搏”,自己跟自己下棋,在下了几千盘棋局后,AlphaGo能从这些棋局中学习新的围棋策略,这个过程被Deep- Mind称为“强化学习”。
正是由于深度学习方法的引入,谷歌AlphaGo才能迅速达到顶尖围棋高手水平。
(选白《2016年“人工智能+”产业专题研究报告》) 材料二AI(人工智能)与人类的围棋决战,首局人脑落败。
AI普及是大势所趋,提升人类生活质量,却又威胁饭碗,人类实须筹谋应对,以免酿成社会经济问题。
AI技术日渐成熟,将会全面渗入生活,甚至成为企业的制胜关键,这正是多家信息企业如苹果、Google、微软、Amazon、Facebook,腾讯和百度纷纷投入大量资源开发AI的原因。
百度行政总裁李彦宏已表示,百度已不再是互联网公司,而是AI企业,可见AI潜力无穷,企业趋之若鹜。
AI的急速发展也引起忧虑,是否会替代更多的工种、扩大贫富差距、冲击社会稳定呢?过去是制造业职位、服务业职位由发达国家外移至发展中国家,AI引发的不止是职位迁移,而是取代,甚至是要求知识与智力的工种,如税务审计、法律、医疗、基金管理等。
2017年人工智能行业现状与发展趋势报告
目录CONTENTS1人工智能行业产业链结构2人工智能行业整体市场发展3人工智能行业投资现状4人工智能行业发展前景人工智能行业产业链结构l人工智能产业链结构l人工智能基础技术提供平台l人工智能技术平台l人工智能应用领域PART 01人工智能产业链结构人工智能产业链的主要包含三个核心环节——基础技术、人工智能技术和人工智能应用。
其中，基础技术主要包括数据平台、数据存储以及数据挖掘等，人工智能技术包括语音识别、自然语言处理、图像识别和生物识别等，人用智能应用有工业4.0、无人驾驶汽车、智能家居、智能金融、智慧医疗、智能营销、智能教育以及智能农业等。
基础技术支撑数据平台数据存储数据挖掘计算智能语音识别自然语音处理图像识别生物识别感知智能机器学习预测类API 人工智能平台认知智能工业4.0无人驾驶汽车智能家居智能金融智慧医疗智能营销智能教育智能农业基础技术支撑人工智能技术人工智能应用人工智能产业链结构IaaS代表企业：阿里云、电信天翼云、联通沃云、Ucloud 、青云、万国数据、首都在线等。
基础设施即服务，它是把ICT 基础设施作为一种服务提供的商业模式。
用户通过Internet 可以从服务提供商那里得到完善的计算机基础设施服务。
这些服务包括服务器或虚拟服务器的计算资源、处理能力及基础网络。
PaaS代表企业：科大讯飞、环信、容联、亲加、云知声、思必驰等。
PaaS 的功能主要体现在将现有各种业务能力进行整合，向下根据业务能力需要测算基础服务能力，通过IaaS 提供的API 调用硬件资源，向上提供业务调度中心服务，实时监控平台的各种资源，并将这些资源通过API 开放给SaaS 用户。
SaaS代表企业：百度云、用友云、浪潮、 Ucloud、 Oracle、Infor、Microsoft 等。
SaaS 是一种通过Internet 提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
2017年人工智能AI行业现状及发展趋势分析报告
(此文档为word格式，可任意修改编辑！）正文目录1. 人工智能厚积薄发，引领IT新一轮革命 (13)1.1. 人工智能发展的三大背景 (13)1.1.1. 神经网络的出现，为人工智能的出现提供动力 (13)1.1.2. 运算能力和储存能力提升,为人工智能第三次浪潮的到来提供基础 (16)1.1.3. 各界需求的不断攀升，为人工智能的完善保驾护航 (20)1.2. 人工智能在IT中的架构中处于核心地位 (21)1.3. 人工智能演化历史，三起两落 (22)2. 人工智能前沿解析——人工智能全方位超越人类 (24)2.1. 感知智能全方面超越人类 (25)2.1.1. 人脸识别率达99.80%，机器视觉超越人眼 (26)2.1.2. 语音识别率接近人类，实验环境更待普遍化 (28)2.2. 语言领域功能创新让机器不再冰冷 (30)2.2.1. 语音转录技术已成熟，正在逐步实现各场景渗透 (30)2.2.2. 语音交互从各个特殊场景起步，功能日渐强大 (33)2.2.3. 特征识别通过语音来实现身份认证 (35)2.2.4. 机器翻译帮助人类迅速实现地球村概念 (36)2.3. 计算机视觉让机器成为敏锐的观察者 (37)2.3.1. 特定物体识别已实现突破，其中人脸识别最具价值 (37)2.3.2. 通用物体识别是真正强智能时代的标志 (39)2.3.3. 空间位置感知技术构成无人驾驶最核心功能 (40)2.4. 人工智能连下数城，认知智能逐渐突破 (42)2.4.1. AlphaGo攻下围棋领域，完整信息博弈先下一城 (43)2.4.2. Libratus斩获德州扑克，非完整信息博弈再下一城 (45)2.4.3. 认知智能下一座城在何处？ (48)2.5. 逻辑推断完成机器认知智能第一步 (50)2.5.1. 行为决策源于游戏，却高于游戏 (50)2.5.2. 知识图谱为机器提供更加庞大的认知体系 (51)3. 人工智能算法的突破将为AI应用提供无限可能 (53)3.1. 神经网络是人工智能算法的核心 (53)3.2. 监督学习算法让人工智能成为可能 (57)3.2.1. CNN算法带领机器视觉全面超越人类 (60)3.2.2. RNN算法帮助机器听懂人类语言 (64)3.3. 未来智能学习新领域——非监督学习算法 (68)3.3.1. Apriori算法 (68)3.3.2. K-Means算法 (69)3.3.3. 高斯混合模型算法 (70)3.4. 聚焦算法创新进展 (70)3.4.1. FSMN改善语音实时交互延时问题 (70)3.4.2. DFCNN让卷积神经网络“听得更多” (72)3.4.3. 迁移学习扩宽深度学习算法应用边界 (73)4. 人工智能芯片为AI提供物理基础 (74)4.1. 算力提升是人工智能发展的前提保障 (74)4.2. AI硬件架构战场烽火未定 (74)4.2.1. 英伟达在AI硬件领域率先起跑，已获得生态圈优势 (75)4.2.1.1. 英伟达GPU行业霸主，逐渐形成AI生态圈 (75)4.2.1.2. 英伟达正着力制定无人驾驶硬件标准 (76)4.2.2. Intel大举并购，成为CPU+FPGA阵营的领军者 (84)4.2.3. 以高通、ARM为代表的ARM阵营有望统一终端计算市场 (86)4.2.4. 其他技术路线应受到更大重视 (88)5. 人工智能下游应用 (89)5.1. AI+安防——构建城市“最强大脑” (89)5.1.1. 高清摄像头升级为“AI+安防”提供可能性 (89)5.1.2. AI实现安防点线面全维度布局，打开市场增长空间 (90)5.1.2.1. 单点布防，刷脸认证 (90)5.1.2.2. 连线成网，智能交通 (92)5.1.2.3. 从点到面，行为与人群识别 (94)5.1.2.4. 断文识字，智能案情分析 (95)5.1.3. 我国安防产业链逐渐完善 (96)5.1.4. 技术实力与三个产业化壁垒下AI安防企业核心竞争力 (97)5.2. AI+医疗——用数据造福人类健康 (101)5.2.1. IBM：医疗人工智能的先行军 (101)5.2.2. Enlitic：人工智能医疗影像诊断服务商 (103)5.2.3. Arterys：云计算医疗成像分析拟进军肿瘤领域 (104)5.2.4. 阿里ET医疗大脑：为医生配一个24小时“全能”助手 (106)5.3. AI+金融——为资产配置打开“上帝视角” (108)5.3.1. AI+金融行业背景 (108)5.3.1.1. 金融数据的复杂度较高，但价值巨大 (108)5.3.1.2. 全球金融科技100榜单中模式创新为主，技术创新较少 (110)5.3.1.3. 可能在金融领域应用的人工智能技术 (110)5.3.2. 人工智能在金融领域应用 (111)5.3.2.1. 智能投顾 (112)5.3.2.2. 智能风控 (120)5.3.2.3. 智能资管 (124)5.4. AI+汽车——移动的智能载人机器人 (129)5.4.1. 无人驾驶“升级”路径 (129)5.4.2. 三大传感器比较 (130)5.4.3. 无人驾驶两大阵营 (132)5.4.3.1. 递进式阵营 (132)5.4.3.2. 越级式阵营 (133)5.4.4. 各国政府政策指引 (133)5.4.4.1. 各地区安全政策进展 (134)5.4.5. 谷歌的超级司机 (135)5.4.5.1. Waymo的Tier One野心 (138)5.4.6. Elon Musk与他的大师计划：Autopilot车队学习 (141)5.4.6.1. Autopilot 1.0的诞生 (141)5.4.6.2. Autopilot 2.0的启动 (143)5.5. AI+服务——替代人在服务业中的作用 (145)5.5.1. AI在语音识别领域的应用 (145)5.5.2. AI在智能呼叫中心服务领域的应用 (147)5.5.3. 人工智能智能玩具 (149)5.5.4. AI在教育领域应用 (154)5.5.5. AI在电商零售领域应用 (156)5.5.6. AI在云计算领域中的应用 (160)6. 人工智能发展趋势与投资策略 (161)6.1. MIT Tech Review 2017年人工智能5大趋势预测 (162)6.1.1. 趋势一：正向强化学习 (Positive reinforcement) (162)6.1.2. 趋势二：对抗性神经网络 (Dueling neural networks) (162)6.1.3. 趋势三：中国的人工智能热潮 (China's AI boom) (163)6.1.4. 趋势四：语言学习 (Language learning) (168)6.1.5. 趋势五：反对人工智能过度炒作 (Backlash to the hype) (169)6.2. 各行业投资及重点关注标的 (169)6.2.1. AI+安防 (169)6.2.2. AI+金融 (170)6.2.3. AI+医疗 (170)6.2.4. AI+汽车 (171)6.2.5. AI+服务 (171)6.2.6. AI海外标的 (171)图目录图1：人工神经网络示意图 (14)图2：神经网络发展阶段一 (15)图3：神经网络发展阶段二 (15)图4：深度学习近期标杆事件 (15)图5：基本完整的深度学习网络 (16)图6：CPU架构 (16)图7：GPU架构 (17)图8：CPU和GPU 计算能力比较 (18)图9：摩尔定律驱动的产业 (18)图10：机械硬盘：容量增加了100万倍 (19)图11：服务器磁盘存储：36万倍的提升 (19)图12：人工智能板块蓝图 (20)图13：ICT 在过去的变革 (21)图14：人工智能产业生态格局的三层基本架构 (22)图15：人工智能的演化历史 (23)图16：人工智能三大阶段 (24)图17：机器视觉工作原理 (26)图18：人工智能99.80%超越人类 (27)图19：高置信度条件人工智能显优势 (27)图20：微软语音识别Cortana (28)图21：苹果语音识别 (29)图22：英文语音识错率 (29)图23：中文语音识错率 (30)图24：亚马逊Echo及无线遥控器 (31)图25：Google Home多房间支持 (32)图26：阿里小蜜和京东JIMI机器人 (33)图27：Siri、谷歌助理、百度度秘提问测试对比 (35)图28：谷歌翻译、有道翻译、百度翻译实例对比 (36)图29：人脸识别进行身份验证 (38)图30：谷歌可以识别照片上的各种物体 (39)图31：谷歌图片识别原理图 (40)图32：特斯拉Autopilot升级阶段 (41)图33：谷歌无人车的3D LIDAR图像 (42)图34：LIDAR扫描车身周围环境示意图 (42)图35：认知智能连下数城 (43)图36：被AlphaGo逼入苦战的李世石 (44)图37：AlphaGo解空间 (45)图38：信息集量级对比 (45)图39：Libratus完胜人类选手 (46)图40：信息集量级对比 (47)图41：Libratus残局解算器 (48)图42：Libratus运算过程 (48)图43：认知智能未来发展预期 (49)图44：认知智能逐步发展 (50)图45：AlphaGo的神经网络 (51)图46：中文知识图谱网站zhishi.me (52)图47：人工神经网络算法 (54)图48：深度学习算法训练模型 (55)图49：无标签数据训练过程 (55)图50：监督学习微调之只调整分类器过程 (56)图51：监督学习微调之调整整个系统过程 (56)图52：监督学习算法的主要步骤 (57)图53：KNN在图像识别应用 (58)图54：IRIS数据特征自己的分类效果图 (59)图55：两层之间卷积网络传输示意图 (61)图56：卷积神经网络算法全部感知和局部感知 (61)图57：CNN在Image Net图像分类的应用 (62)图58： CNN算法在膝关节软骨的分割识别中处理方法 (63)图59：Policy Network的CNN结构 (64)图60：RNN算法一般逻辑 (64)图61：RNN使用形式 (65)图62：标准RNN重复模块 (65)图63：LSTM重复模块 (66)图64：三大语音助手问题答复率 (66)图65：三大语音助手问题答复完整度 (67)图66：基于RNN——CTC的主流语音识别系统框架 (67)图67：非监督学习算法模型 (68)图68：Apriori算法每轮候选集与剪枝结果 (69)图69：K-means算法示意图 (70)图70：高斯混合模型算法分类前后 (70)图71：FSMN结构示意图 (71)图72：隐含层记忆模块时序展开示意图 (72)图73：DFCNN示意图 (72)图74：传统的监督学习模式 (73)图75：迁移学习模式 (74)图76：英伟达各项业务营收比较（百万美元） (75)图77：英伟达游戏、数据中心、汽车三块业务同比增速 (75)图78：英伟达GPU在人工智能的主要合作平台 (76)图79：英伟达DRIVE PX 2车载电脑平台 (77)图80：英伟达CES 2017大会开幕演讲 (78)图81：英伟达宣布多项合作 (78)图82：英伟达Xavier下一代车载超级电脑 (79)图83：BB8内部的演示屏幕，包括图像识别和实时分析 (79)图84：BB8在CES上的展示 (80)图85：DriveWorks软件开发平台 (80)图86：AI Co-Pilot功能展示 (81)图87：英伟达与奥迪宣布新合作 (82)图88：奥迪Q7展示车辆 (82)图89：采埃孚开发ZF ProAI系统 (83)图90：英伟达宣布与博世合作 (83)图91：英伟达在CES宣布合作伙伴 (84)图92：Intel CPU+FPGA解决方案产品演进图 (85)图93：Intel的人工智能战略 (85)图94：高通提供的Zeroth技术路线 (87)图95：移动端智能化是大势所趋 (87)图96：我国视频监控的四个阶段 (89)图97：中国生物识别市场规模与预测（亿元） (91)图98：中国人脸识别行业市场规模预测（亿元） (91)图99：图像识别在道路监控及交通执法中的应用 (93)图100：套牌车分析系统应用 (93)图101：人群分析与重点区域布防应用 (94)图102：语言要素及语义理解模型 (95)图103：安防行业产业链示意图 (97)图104：AI图像识别的技术梯队化 (97)图105：数据获取能力比较 (98)图106：产品化能力比较 (99)图107：渠道能力比较 (99)图108：医疗资料浪费严重 (101)图109：人工智能在医疗领域应用潜力巨大 (101)图110：IBM Watson近三年布局 (102)图111：IBM Watson所拥有的数据量与功能 (103)图112：公司近年发展历程 (104)图113：Enlitic软件的四大功能 (104)图114：4.3. Arterys公司发展历程 (105)图115：4D血流分析软件特点 (105)图116：阿里发布ET医疗大脑 (106)图117：阿里云希望挑战肺结节领域的机器读片 (107)图118：阿里联合英特尔、LindDoc启动天池医疗AI系列赛 (108)图119：金融数据价值巨大（圆圈大小表示价值占GDP的大小） (109)图120：2016年Fintech100领域分类 (110)图121：可应用于金融领域的人工智能技术及其特征 (111)图122：人工智能在金融领域的三大应用 (111)图123：智能投顾的主要流程 (112)图124：智能投顾软件核心步骤 (113)图125：智能投顾的主要AI和理论技术 (114)图126：个人理财业务三大分类 (115)图127：智能投顾的三大模式 (116)图128：美国智能投顾软件资金管理规模 (116)图129：wealthfront智能投顾四个步骤 (117)图130：采用了Monte-Carlo算法预测退休金需求 (118)图131：资金管理的两种模式 (119)图132：根据用户分类匹配的投资建议 (119)图133：退休账户情景分析 (120)图134：AI技术在风险管理领域的应用 (121)图135：智能风控三步走 (121)图136：智能风控三大分类 (122)图137：WatsonAnalyics主要业务 (122)图138：Algo服务流程 (123)图139：新一代“认知计算”的AI大脑引擎 (123)图140：AI大脑引擎技术与应用 (124)图141：算法交易的分类 (124)图142：AI模型辅助交易称为必然趋势 (125)图143：AI算法交易底层技术 (126)图144：舆情交易分析技术 (126)图145：Rebellion投资行业 (127)图146：KFL 每月收益一览 (128)图147：David Ferrucci与Watson (128)图148：Bridgewater CEO Ray Dalio (129)图149：SAE自动驾驶安全等级划分 (130)图150：三款传感器主要应用比较 (131)图151：主流完全自动驾驶系统车辆传感器配置 (131)图152：无人驾驶两大阵营 (132)图153：谷歌无人车原型主要配置 (136)图154：谷歌无人车LiDAR绘制的3D地图 (136)图155：谷歌使用的Velodyne 64束激光雷达 (137)图156：Velodyne的主要LiDAR产品 (137)图157：搭载Waymo传感器套件的Pacifica (138)图158：Waymo在车展上进行展示 (139)图159：Waymo在车展上进行展示 (139)图160：Waymo在车展上进行展示 (140)图161：谷歌发布“共享出租”专利 (141)图162：谷歌发布“共享出租”专利 (141)图163：特斯拉Autopilot升级阶段 (142)图164：特斯拉硬件升级Autopilot 2.0渲染图 (143)图165：特斯拉车队学习模式 (143)图166：特斯拉Model S与奔驰E200的智能驾驶测试对比 (144)图167：Amazon Alexa工作原理 (146)图168：晓译翻译机能够实现多场景语音识别 (147)图169：晓译翻译机能实现多种方式翻译 (147)图170：人智能呼叫中心服务 (148)图171：salesforce将人工智能应用于呼叫中心业务 (148)图172：salesforce将人工智能应用于呼叫中心业务 (149)图173：人工智能玩具未来趋势 (150)图174：Hello Barbie产品 (151)图175：Hello Barbie产品 (151)图176：Thomas&Friends Talk toYou产品 (152)图177：Thomas&Friends Talk toYou产品 (152)图178：hi乐迪智能玩具外形 (153)图179：hi乐迪智能玩具 (154)图180：人工智能教育的优势 (155)图181：科大讯飞智学云教育系统 (156)图182：JIMI客服聊天界面 (157)图183：应用于JIMI机器人的人工智能技术 (157)图184：京东无人仓——Shuttle货架穿梭车 (158)图185：京东配送无人机 (159)图186：手机淘宝的拍立淘功能 (160)图187：拍立淘能够通过图像识别技术满足客户购物需求 (160)图188：数据中心PUE的机器学习测试结果 (161)图189：Deep Speech与苹果Dictation、微软Bing Speech、Facebook wit.ai、谷歌API的语音识别错误率比较 (163)图190：Deep Speech 2用于英文和中文的深度RNN结构 (164)图191：百度展示人脸识别错误率已经降到2.3% (164)图192：百度深度学习研究员主攻方向 (165)图193：百度的AR技术交互模式展示 (165)图194：神经网络在人脸识别上超过人眼 (166)图195：蚂蚁金服漆远介绍金融领域AI元素 (167)图196：蚂蚁金服漆远介绍金融领域AI应用 (168)表目录表1：人工智能最新进展 (25)表2：监督学习算法部分类别特征 (60)表3：ILSVRC-2012验证集和测试集错误率对比 (62)表4：智能安防领域企业实力比较 (100)表5：投资顾问与机器人智能理财顾问对比 (115)1. 人工智能厚积薄发，引领IT新一轮革命1.1. 人工智能发展的三大背景2016年是人工智能的元年，Alpha Go的胜利引爆了全民的热情。
2017年人工智能行业现状及发展趋势分析报告
(此文档为word格式，可任意修改编辑！）2017年4月正文目录1 人工智能与人工神经网络 (6)1.1 从神经元到神经网络 (7)1.1.1 神经元及其抽象模型 (7)1.1.2 前馈神经网络 (8)1.2 深度学习：CNN与LSTM (9)1.2.1 卷积神经网络（Convolutional Neural Networks，CNN） (10)1.2.2 循环神经网络（Recurrent Neural Networks，RNN）与长短期记忆网络（Long-Short Term Memory，LSTM） (11)1.3 深度学习框架 (12)1.4 神经网络的发展几经沉浮 (14)2 人工智能已经到了爆发的关口 (15)2.1 深度学习经过十年的发展已比较成熟 (15)2.2大数据和云计算为人工智能的发展扫清了障碍 (16)2.2.1大数据造就了规模，规模造就了深度学习 (16)2.2.2 计算能力决定了人工智能的下限 (18)2.3 真正的智能化需求正在增长 (19)2.4 IT巨头频繁布局，创业公司和资本井喷 (22)3人工智能产业链 (24)3.1 人工智能芯片 (25)3.1.1人工智能从三个层面对芯片提出了要求 (25)3.1.2 人工智能芯片的发展路径：从通用走向专用 (26)3.1.3芯片厂商存在弯道超车机会 (34)3.2人工智能应用 (34)3.2.1基础应用：准确率是关键，变现是难题 (35)3.2.2高级应用：与环境交互频繁，颠覆性巨大 (36)3.2.3行业应用：与行业紧密结合，最先落地 (37)3.2.4人工智能应用的演进路径：从行业应用开始的良性闭环 (38)4人工智能产业的发展趋势 (42)4.1企业收购频繁，上下游垂直整合 (42)4.2 学界与业界的壁垒正在逐渐打破 (43)4.3 端到端学习的崛起 (44)4.4 无监督学习与强化学习将重塑人工智能 (45)4.4.1无监督学习 (46)4.4.2强化学习 (46)4.4.3应用举例 (47)5 投资机会分析与标的推荐 (49)5.1市场规模 (49)5.2 成熟时机 (49)5.3 行业催化剂 (50)5.3.1 创新的行业应用 (50)5.3.2物联网商用 (52)5.3.3技术突破 (53)5.4 总结 (53)5.5 投资逻辑和标的推荐 (54)图表目录图表1：Alpha Go像去年一样吸引了无数人的关注 (6)图表2：神经元的结构 (7)图表3：神经元的抽象模型 (8)图表4：典型的前馈神经网络 (9)图表5：深度学习的新结构和新方法 (10)图表6：一个具有7层网络结构的CNN (10)图表7：RNN的结构 (11)图表8：LSTM的结构 (12)图表9：巨头相继开源深度学习框架 (13)图表10：目前常用的开源深度学习框架 (13)图表11：Caffe在CPU、GPU和cuDNN下的性能比较 (14)图表12：神经网络的发展历史 (14)图表13：百度语音识别的算法模型迅速迭代 (15)图表14：科大讯飞DFCNN结构图 (16)图表15：2016年深度学习模型重大突破 (16)图表16：全球数据总量10年增长了40倍 (17)图表17：规模造就了深度学习 (18)图表18：并行计算、分布式计算、集群计算和云计算 (18)图表19：人工智能是大数据的延伸 (19)图表20：全球可穿戴智能设备出货量 (20)图表21：人工智能重塑行业生态 (21)图表22：中美人工智能相关战略 (21)图表23：IT巨头布局人工智能 (22)图表24：全球人工智能投资金额及频次 (23)图表25：中国人工智能投资金额及频次 (23)图表26：人工智能创业公司众多 (24)图表27：人工智能产业链 (24)图表28：16位计算带来两倍的效率提升 (26)图表29：人工智能芯片的发展路径 (26)图表30：CPU与GPU的抽象结构 (27)图表31：CPU与GPU理论每秒10亿的浮点运算数（GFLOP/s）比较 (27)图表32：NVIDIA2016财年-2017财年的收入和净利润 (28)图表33：黄仁勋在2016年GPU技术大会上公布Tesla P100 (29)图表34：使用NVIDIA 深度学习GPU的机构数及分布 (29)图表35：做矩阵乘法时CPU、GPU、FPGA的效率对比 (30)图表36：FPGA降低了Bing的延迟，提高了延迟的稳定性 (31)图表37：三款主要的神经网络芯片 (32)图表38：骁龙820中的各IP核 (33)图表39：DSP IP核公司与产品 (33)图表40：寒武纪并不急于推出芯片，而是首先推出IP授权 (34)图表41：人工智能应用 (35)图表42：国内主要基础应用公司 (36)图表43：国内主要高级应用公司 (36)图表44：人工智能的适用领域 (37)图表45：国内主要行业应用公司 (38)图表46：人工智能应用的演进路径 (38)图表47：科大讯飞麦克风阵列面临的现实问题与解决方案 (39)图表48：机器学习性能提升曲线 (40)图表49：不同人脸识别技术的准确率比较（基于LFW数据集） (40)图表50：纽昂斯2012-2015年收入和净利润 (41)图表51：2015年全球语音识别市场份额 (41)图表52：近期人工智能公司收购案例 (43)图表53：学术界人才加速向产业界流动 (44)图表54：语音识别的端到端模型 (45)图表55：智能驾驶的端到端模型 (45)图表56：强化学习示意图 (47)图表57：Alpha Go的聚类算法示意图 (48)图表58：Alpha Go的三个神经网络层次 (48)图表59：人工智能市场规模 (49)图表60：Gartner2016年新兴技术成熟度曲线 (50)图表61：Facebok的DeepText帮助用户进行决策 (51)图表62：全球物联网连接数预测 (52)图表63：婴儿标签：应用RFID和皮肤感应的防脱落标签 (57)图表64：高新兴立体防控云防系统逻辑整合旧监控系统逻辑 (58)图表65：赛为智能业务介绍 (60)图表66：易联众产品人力资源社会保障服务自助终端和专利 (62)图表67：四维图新业务构成变动 (63)图表68：相关标的及重点标的 (64)1 人工智能与人工神经网络2016，AlphaGo轻松战胜李世石，由此开始了持续一年的大讨论；2017年伊始，Alpha Go的升级版本Master就以一波60连胜宣告强势归来，同样宣告的还有即将到来的人工智能时代。
2017年我国人工智能行业发展态势图文综合分析报告
2017年我国人工智能行业发展态势
图文综合分析报告
（2017.09.06）
一、人工智能产业链明晰，算法处核心地位
人工智能产业链可简单划为三层，即底层基础层、中间层技术层与上层应用层。
其中， 1）基础层包含硬件存储与计算资源和数据资源等， GPU 芯片、云计算平台、传感器、数据等均包含在此层中； 2）技术层包含算法、模型平台，感知智能算法、认知智能算法等均在此层中； 3）应用层包含硬件产品和软件与服务，硬件中包含无人机、机器人及其他智能硬件等，软件与服务包含语音输入法、虚拟助手、自动驾驶及智能安防等。
人工智能产业链
从目前的发展情况看，算法层为人工智能产业链的核心，支撑上层应用的发展，目前感知智能已加速发展，认知智能为人工智能在算法层面的下一个突破方向。
而底层基础层中的数据能力与计算能力主要的发展方向为低成本与小型化，数据采集的发展方向为多样化，移动互联网的发展已经为产业积累了一定的数据，未来随着物联网的发展将积累更多的环境与行为层面数据，丰富数据构成。
应用层主要与各垂直行业结合开发深度人工智能应用。
人工智能行业研究报告（2017年）
人工智能行业研究报告（2017年）从去年的Alpha Go对战李世石开始，再到今年升级版的Alpha Go对战柯洁，人工智能经过一年多的发酵早已不再是一个陌生的名词。
截至目前，人工智能行业已发布了多篇报告，但我们仍致力于写出不一样的东西。
除却老生常谈的算法、计算力、数据之外，我们认为人工智能的未来最重要的驱动力一定会是“场景驱动”。
在人工智能的场景驱动阶段，不但可以针对不同用户做个性化服务，而且可在不同的场景下执行不同的决策，最终实现“给予决策支持”的目标。
因此本报告中，我们用了较大的篇幅去描绘人工智能的场景应用。
那么，在不同的场景中，人工智能是如何发挥作用的？带着这个问题，我们研究了国内外与此领域相关的企业，写出了这份人工智能行业的研究报告。
报告摘要人工智能（ArtificialIntelligence）是指使用机器代替人类实现认知、识别、分析、决策等功能，其本质是对人的意识与思维的信息过程的模拟。
1. 在AI发展的不同阶段，驱动力各有侧重，我们可以将AI的发展划分为三个阶段：技术驱动阶段、数据驱动阶段和场景驱动阶段。
其中技术驱动阶段集中诞生了基础理论、基本规则和基本开发工具。
在此阶段，算法和计算力对AI的发展起到主要推动作用，其中计算力主要包含芯片、超级计算机、云计算等三个维度。
2. 在市场规模方面，综合考虑我国人工智能的爆发节点、技术成熟度以及全球AI市场规模等因素，我们保守估计最迟至2019年我国AI的市场规模将突破百亿元，而2022年这一数字应在700亿元左右。
3. 随着AI支撑技术的不断发展，AI将持续拓展更多的应用场景；而愈发多样化的应用场景需求又会反过来驱动支撑技术，从而带动整个AI行业的持续发展。
但各应用场景的发展并非均衡，整体看来将从垂直领域AI逐渐过渡到通用型AI。
总体来说，AI最重要的还是要将技术与应用场景相结合，无法落地的技术很难得到资本青睐和市场认可，而有闭环、垄断性的数据，并且其技术能够与实际应用场景结合的公司将有望产生难以被替代的商业价值。
2017年百度人工智能战略分析报告
2017年百度人工智能战略分析报告2017年10月目录一、百度引领中国人工智能浪潮 (4)二、百度为什么选择All in AI (5)三、国内最完整的AI平台：百度大脑+智能云 (8)1、百度大脑包括基础层、感知层、认知层、平台层四个层次 (8)2、百度AI 平台的基础是百度智能云 (8)四、两大开放生态占据AI行业制高点 (9)1、DuerOS是人工智能时代的安卓系统 (10)（1）DuerOS 是人工智能时代的安卓系统 (10)（2）DuerOS 的核心优势在于解决了听清、听懂、满足的三大人机交互需求 (11)（3）DuerOS开放软硬件一体化解决方案，大幅降低AI交互的开发门槛 (13)2、Apollo平台占据全球自动驾驶生态制高点 (14)（1）Apollo是全球首个自动驾驶开放平台 (14)（2）首例商用车落地证明Apollo能够大幅缩短车厂自动驾驶研发进度 (15)（3）Apollo对汽车工业的影响贡献将是非常巨大和深远 (15)①开放能力 (15)②共享资源 (16)③加速创新 (16)④持续共赢 (17)（4）Apollo平台开放了完整的技术架构 (17)①软件平台 (17)②云端服务平台 (18)③参考硬件平台和车辆平台 (21)（5）开放的自动驾驶平台对我国汽车产业发展的重要意义 (22)①开放平台能大幅加速行业创新 (22)②开放平台将帮助自动驾驶更快实现产业价值 (23)③开放平台将加速产业价值链的重塑，助力我国汽车工业提升话语权 (23)百度度最早发起“中国大脑”计划，见证人工智能上升为国家战略全过程。
在2015 年3 月的全国两会上，李彦宏提出中国应该设立“中国大脑”计划，推进人工智能跨越式发展。
2017 年3 月的全国两会，李彦宏提交的三项提案也全部聚焦于人工智能，他建议制定国家层面的总体行动计划，大力推进“智能+经济”的发展。
2017 年7 月，国务院正式印发《新一代人工智能发展规划》，这是我国第一个人工智能规划，具有里程碑意义，标志人工智能正式上升为国家战略。
埃森哲：2017年人工智能发展报告
埃森哲：2017年人工智能发展报告
人工智能，正如我们看到的那样，集多项技术于一身，使机器可以感受、理解、学习并采取行动，无论是自食其力还是参与人类活动。
现实数据揭示了当今经济增长中令人沮丧的真相:生产的传统杠杆（资本投资和劳动力）推动经济增长的能力显著下降。
然而，这些数字仅揭露了部分事实。
作为一种新型生产因素，人工智能 (AI) 是极有可能推动新的增长，改变工作方式并强化人的作用，推动业务增长。
埃森哲研究了AI（人工智能）在 12 个发达经济体中所产生的影响，揭示了通过改变工作本质创建人与机器之间的新型关系。
经预测，AI （人工智能）可将劳动生产率提高 40% ，使人们能更有效地利用时间。
到2035年，AI（人工智能）能使年度经济增长率提高一倍。
2017年人工智能发展史及算法分析报告
2017年人工智能发展史及算法分析报告2017年10月目录一、人工智能概念 (4)二、人工智能发展历史 (5)1、形成阶段（1956-1961） (5)2、黄金时代（1961-1973） (6)3、第一次发展低谷及复苏（1973-1987） (8)4、第二次发展低谷（1987-1993） (10)5、现代人工智能（1993-至今） (11)三、人工智能算法 (14)1、感知器 (15)2、聚类算法 (17)3、决策树 (18)4、支持向量机 (18)5、卷积神经网络 (20)四、在金融领域的应用 (22)1、大数据基金 (22)2、运用人工智能进行预测 (23)3、智能投顾 (23)本文围绕人工智能的发展历史，人工智能主要算法以及人工智能在金融领域的应用展开综合论述，力求先为投资者勾勒出一幅人工智能全景图。
人工智能发展历史波折起伏：人工智能自1956 年正式确立以来，一直曲折发展，从产生到成为研究热点一直饱受质疑，期间经历两次发展低谷，而学科自身所迸发的生命力不断推动其走出低谷，成为引领技术革命的热点。
从诞生伊始，人工智能就有理性学派和感性学派之争，理性学派从符号计算出发，将人脑看成信息处理器，认为任何能够以一定的逻辑规则描述的问题都可以通过人工智能程序来计算解决。
感性学派简单说就是通过对脑神经的模拟来获得人工智能，随着深度学习等技术的成功，人工智能的研究热点越来越集中到感性学派。
人工智能算法发展方向不断变化：学术界早期研究重点集中在符号计算，神经网络在人工智能发展早期被完全否定，而后逐渐被认可，再成为今天引领人工智能发展潮流的一大类算法，持续显现出生命活力。
本文着重介绍人工智能领域比较著名的4 个算法，他们分别是感知器、决策树，支持向量机和卷积神经网络。
通过这4 个具有代表性的算法，理清机器学习的基本思想。
人工智能在金融领域应用：7 月20 日国务院正式印发了《新一代人工智能发展规划》，明确指出到2030 年之前我国AI 核心产业规模或超1 万亿元。
2017年我国人工智能综合发展态势图文分析
2017年我国人工智能综合发展
态势图文分析
（2018.04.13）
人工智能（ArtificialIntelligence），英文缩写为AI。
它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是全球2017年信息通信领域的最大热点，远高于物联网、5G、安全与隐私、区块链等。
2017年全球信息通信热点领域新闻热度及专利申请数
长期来看，人工智能行业总体处于爆发增长阶段，公司和产品数量众多，并在垂直行业中开始渗透。
此前积累的技术潜力迅速释放，新技术发展迅猛，算法和算力的突破为技术创新奠定了良好的基础。
人工智能行业发展总体所处阶段
全球历年人工智能领域专利数量变化趋势表明，人工智能技术在经历了较长时间积累后，在2010年后进入快速增长阶段。
从行业发展的长周期来看，技术成熟度的变化趋势会呈现“S”型，而从短期来看，专利数量在2002年和2008年前后都曾出现增长瓶颈，技术的发展在波动中不断进步。
国内人工智能领域投融资在2011年初见规模，除2013年出现一定波动外，该领域投资热情持续高涨，2017年投融资总规模达到1800亿人民币，平均每笔金额接近6亿人民币。
2017年人工智能+专题深度分析报告
(此文档为word格式，可任意修改编辑！）2017年1月正文目录1. 2017：迎来“人工智能+”的春天 (5)1.1. 人才角度：大量人工智能人才将进入产业界 (5)1.2. 行业先行指标：群雄逐鹿人工智能芯片 (6)1.3. 全球芯片龙头出现“易主”征兆 (8)1.4. “人工智能+”是中国IT产业弯道超车的机遇 (11)2. “人工智能+”将成为引领发展的第一动力 (13)2.1. 人工智能将成为各个行业的基础设施 (13)2.2. “人工智能+”给传统企业节约成本、提升效率 (14)2.3. “人工智能+”能让信息化公司切入行业核心业务 (16)2.4. “人工智能+”市场未来四年将增长五倍 (16)3. “人工智能+”发展路线图 (17)3.1. 基础层：机会主要集中在巨头手中 (18)3.1. 技术层：用SaaS模式拓展行业应用范围 (19)3.2. 应用层：数据化程度高的行业率先启动 (19)3.3. AI+安防 (21)3.4. AI+金融 (24)3.5. AI+医疗 (27)3.6. AI+汽车 (29)3.7. AI+教育 (31)3.8. AI+信息安全 (32)4. 投资建议 (36)4.1. 细分领域重点关注公司汇总 (36)4.2. 同花顺：“人工智能+互联网金融”核聚变 (36)4.3. 丰东股份：构建“财+税”新生态 (38)4.4. *ST易桥：企业级服务市场的“链家” (38)4.5. 神州数码：生态共赢冲上“云”霄 (39)4.6. 北部湾旅：收购博康智能，切入“智慧安全、智慧交通”领域 (40)4.7. 恒华科技：智能电网信息化龙头，打造电网“天猫”平台 (41)4.8. 奥马电器：快速成长的Fintech新锐 (42)4.9. 合众思壮：北斗和车联网比翼齐飞 (43)4.10. 启明星辰：信息安全航母扬帆起航 (44)4.11. 康耐特：大数据翘楚矗立潮头 (45)5. 风险提示 (46)图表目录图1：人工智能行业离职率居各行业榜首，人才短缺导致行业人才争夺激烈5 图2：人工智能时代“晶体管”横空出世：IBM制成首个相变神经元 (7)图3：“群雄逐鹿”人工智能芯片 (8)图4：移动处理器芯片设计公司ARM股价在移动互联 (9)图5：人工智能芯片龙头英伟达已经成为近两年涨幅最网变革初期涨幅近百倍大的美国科技股 (10)图6：英伟达芯片下游应用伙伴成指数级增长的趋势 (10)图7：人工智能相关数据中心业务已经成为英伟达收入增速最快的业务 (11)图8：各国深度学习主要论文数量 (12)图9：各国深度学习论文平均引用次数 (12)图10：深度学习直接应用于多个通用基础功能模块 (13)图11：人工智能将完成人体自身、企业和产业的三层重构 (14)图12：从医疗信息化切入医疗服务，市场空间规模扩大100倍 (14)图13：“UBER+无人驾驶”所代表的终极模式：软件后台取代数十万人的出租车行业 (15)图14：从“人控”到人工智能，成本降低，效率提升 (15)图15：人工智能将使行业信息化公司切入行业核心业务 (16)图16：认知系统和人工智能（AI）市场空间（亿美元） (17)图17：2017年人工智能的投资将同比增长300％以上 (17)图18：人工智能基础、技术和应用层的进入门槛及价值 (18)图19：人工智能基础平台主要以互联网巨头为主 (18)图20：公司三层平台架构 (19)图21：人工智能发展路线图 (20)图22：人工智能未来竞争格局 (20)图23：A股安防信息化公司争相引入人工智能技术 (21)图24：实现任意脸部遮挡及视角下的实时检测 (21)图25：生理特征识别 (22)图26：行人检测 (22)图27：车辆检测 (23)图28：人工智能实现实时人群分析 (23)图29：长尾信贷及财富管理需求缺口示意图 (24)图30：人工智能有望帮助金融机构满足长尾客群金融需求 (25)图31：科技让原本无法实现的长尾金融服务成真 (26)图32：六大业务板块将被以人工智能为代表的Fintech重构 (27)图33：医疗行业围绕大数据的行业生态 (28)图34：全球ADAS市场规模 (29)图35：ADAS市场主要构成 (30)图36：无人驾驶系统结构 (30)图37：无人驾驶领域全球范围内的“合纵连横”将是常态 (31)图38：Knewton 学习平台 (32)图39：我国传统信息安全下游需求分布 (33)图40：智能汽车信息安全问题简要脉络 (33)图41：智能汽车信息安全事故将造成极为严重后果 (34)图42：智能汽车迅速增长将带来安全风险的集中积累 (34)图43：国外IT企业在智能汽车安全领域的探索 (35)图44：人工智能带来网络安全改变的六大领域 (35)图45：百度近期推出了4.0杀毒系统：慧眼引擎 (36)图46：“人工智能+”相关标的梳理 (36)1. 2017：迎来“人工智能+”的春天“人工智能+”就是把人工智能的创新成果与经济社会各领域深度融合，创造出以人工智能为基础设施和创新要素的新的业态、新的服务模式。
人工智能算法发展历史
人工智能算法发展历史人工智能（Artificial Intelligence，简称AI）是计算机科学的一个重要分支，旨在开发能够模仿或复制人类智能的机器系统。
人工智能算法是人工智能的核心，经过多年的发展，已经取得了巨大的突破和进展。
20世纪50年代，人工智能的研究刚刚起步。
当时，人们主要使用逻辑推理和符号处理来开发人工智能算法。
逻辑推理是一种基于规则和前提条件进行推理和决策的方法，而符号处理则是通过对符号和符号之间关系的处理来模拟人类智能。
然而，由于计算机的处理能力有限，这些早期的人工智能算法面临着很多困难和挑战。
随着计算机技术的进步，人工智能算法开始向更加复杂和高级的方向发展。
20世纪60年代，机器学习成为人工智能的重要分支之一。
机器学习是一种通过使用数据和统计方法来训练机器系统的方法。
这种方法可以使机器系统自动从数据中学习，并根据学习到的知识来做出决策和预测。
机器学习的发展为人工智能算法的进步提供了强大的支持。
20世纪80年代，神经网络成为人工智能算法的热点研究领域。
神经网络是一种模仿人类神经系统结构和功能的计算模型。
它由大量的节点（称为神经元）和连接这些节点的权重组成。
神经网络可以通过调整权重来学习和适应不同的任务和问题。
神经网络的出现使得人工智能算法在模式识别、图像处理和语音识别等方面取得了重大突破。
随着互联网的普及和大数据的兴起，人工智能算法进入了一个新的发展阶段。
21世纪初，深度学习成为人工智能算法的重要突破。
深度学习是一种基于神经网络的机器学习方法，它通过多层次的神经网络来模拟人脑的信息处理过程。
深度学习的出现使得人工智能在图像识别、自然语言处理和智能驾驶等领域取得了重大突破。
人工智能算法也在不断向更加复杂和智能化的方向发展。
例如，强化学习是一种通过与环境交互来学习和改进决策策略的方法。
这种方法可以使机器系统通过试错和反馈来不断优化自己的性能。
另外，遗传算法是一种通过模拟生物遗传进化过程来优化问题求解的方法。
2017年人工智能行业百度AI分析报告
2017年人工智能行业百度AI分析报告2017年10月目录一、百度AI平台将逐步开放，助力构建百度AI生态圈 (4)1、“云+大脑”打磨升级构成百度AI平台 (4)2、多领域在人工智能方向进行战略构建 (5)（1）机构设立方面 (5)（2）人才储备方面 (6)（3）技术落地方面 (6)（4）资本投入方面 (7)二、AI平台开放、百度生态建设延伸至端 (9)1、DuerOS：开放的对话式人工智能系统 (10)2、Apollo：自动驾驶开放平台 (13)（1）能力一：障碍物感知 (15)（2）能力二：决策规划 (16)（3）能力三：高精度地图 (17)（4）能力四：云端仿真 (17)（5）能力五：端到端 (18)3、PaddlePaddle：深度学习开放平台 (24)三、百度“能听会看”作为触手、带动技术领域的商业化落地 (26)1、从“能听”走向“能听懂”的学习之路 (26)（1）百度以语音识别为切入点，构建人工智能生态圈 (26)（2）自然语言处理技术赋予机器认知能力 (28)2、全方位视频理解技术使机器不仅“会看”，还会理解 (31)百度AI平台将逐步开放，助力构建百度AI生态圈。
今年的百度AI开发者大会（Baidu Create 2017）上，百度AI平台架构图首次完整亮相，全新开放了视频、语音、AR/VR、机器人视觉、自然语音处理等五大类目共14项全新能力。
此次开放的技术能力总共有60个，是目前最全面的AI技术开放平台，包括百度智能云及百度大脑。
此外，百度在AI方面的布局已经相对完善，无论是从AI部门的设置、集团战略定位，还是从开放的各类技术平台均能够帮助百度更快地构建生态圈，以此带来更多场景应用的落地。
AI平台开放、百度生态建设延伸至端。
百度AI平台以百度智能云为基础、百度大脑为核心，目前开放DuerOS 和Apollo 两大平台向终端下沉，与云端一起初步构建起AI生态圈。
百度以DuerOS 作为其人工智能的切入点，打造智能语音生态链；以Apollo 自动驾驶开放平台作为其人工智能的核心突破口。
人工智能技术演进分析报告
人工智能技术演进分析报告人工智能（Artificial Intelligence, AI）技术是近几年来备受瞩目和关注的一个热门话题。
作为一种新兴的技术，它始于上个世纪50年代的“AI冬季”时期的语言程序设计，到今天的智能家居、智能助手、无人驾驶等领域的创新应用，AI技术的演进经历了多个阶段的变革。
第一阶段，算法驱动的机器学习：AI技术的起始之路主要依靠算法驱动的机器学习。
这种方法的前提是需要有大量的人工数据输入，以供机器学习，进而进行逻辑推断和决策，实现智能判断，并生成相应的答案。
随着算法的不断调整和提高，机器人、游戏等领域使用AI技术的应用逐步渗透到人们的生活当中。
第二阶段，神经网络机器学习：20世纪80年代到90年代初，神经网络技术的出现完善了AI技术的概念和应用，其核心思想是模仿人类神经网络的工作原理来构建模型和进行训练，进一步改进算法的表现力和效率。
不仅如此，神经网络还在视觉识别、自然语言处理、语音识别等领域取得了长足进展，从此AI技术进入了深度学习时期，应用场景也从单一的游戏、机器人等领域跨足到金融、交通、医疗等多个领域。
第三阶段，增强学习：增强学习是一种新兴的技术方法，像AlphaGo的胜利标志着增强学习时代的到来。
增强学习不同于传统的监督学习和无监督学习，其核心思想是让机器通过尝试和错误，逐步探索自己应该采取何种行动，来达到期望的目标。
这样，机器就能自我学习、自我进化，从而生成更优秀的答案，而不需要人工的大量数据前期输入。
这使得机器具备了自主思考、自主行动的智能特征，为智能家居、智能机器人等领域的创新应用提供了强有力的技术基础。
第四阶段，AI与云、物联网的融合：未来可预见，AI与云计算、物联网的融合将进一步推动AI技术的发展。
云计算技术能够为AI提供强大的计算和存储能力，使得AI能够产生更为精确、更有价值的预测结果；物联网技术则将为AI技术提供更丰富的数据来源和更多样的实现场景，使得AI技术得以快速普及和应用，并更好地服务于人类社会的发展需求。
人工智能技术演进分析报告
人工智能技术演进分析报告人工智能技术在过去几十年里发展如火如荼，从相对较为落后的语音、图像和视觉技术到复杂的自然语言处理（NLP）、机器学习（ML）和认知科学，AI已被广泛应用于各行各业领域，影响着消费者、企业和政府全方位的生活。
本文将回顾人工智能技术的演进过程，总结和分析AI技术近几年的发展趋势，以及未来的发展前景。
早期的AI研究以及应用都是以信息处理为主，主要侧重研究机器如何使用规则或知识执行任务，如游戏的规则棋、视觉图像处理等。
随着计算机的发展，近30年来AI技术不断发展，在大量的实践技术上也取得了一定的成就，使AI技术得以应用于各行各业领域，特别在机器学习和自然语言处理方面发展迅速。
2018年以来，AI技术突飞猛进，在基础研究和应用研究方面都有重要突破。
尤其是在机器学习方面，深度学习的出现给AI技术发展带来了更多机会和挑战，同时也推动了AI在许多领域的广泛应用，如人脸识别、智能家居、语音识别等。
此外，尽管自然语言处理技术也在持续发展，但它仍需要解决许多挑战，如语义理解和机器翻译等。
从当前情况看，AI技术未来仍将继续发展，大多数机器学习方法将被深度学习方法取代，从而带来更大范围的应用。
另外，未来的AI技术也将在更多领域延伸，更好地满足人类的需求，例如金融和医疗等。
此外，AI技术也将更多地融入物联网，推动大规模的自动化，并且可能引入以无人驾驶技术为代表的更多前沿技术。
结论：AI技术已经发展得很快，并且未来仍会持续发展，涉及到更多的领域，应用范围也会更广泛。
而深度学习等技术将有望打破AI领域的局限，为AI技术发展提供新的思路和方向。
在AI技术发展的过程中，计算机视觉技术也得到了显著发展。
目前，大多数计算机视觉技术基于深度学习技术，如识别对象、物体检测和定位等技术均取得了重大进展，且准确率也得到大幅提高。
此外，计算机视觉技术也用于多种场景，如自动驾驶技术、农业机械、无人机等，以及虚拟现实、增强现实等新技术。
2017全球人工智能发展报告
欧洲人工智能企业分布图
自2000年以来， 英国新增AI企业数：
418
其中，最近五年新增企业数：
264
13
自2000年以来， 德国新增AI企业数：
189
其中，最近五年新增企业数：
119
欧洲主要国家的人工智能企业发展对比
l 2000年以来，欧洲每年新增人工智能企业数占全球当年新增人工智能企业总数的比例介于17%-21%之间。欧洲人工智能企业的平均年 龄，明显大于中国，与美国较为接近。
2017年全球工智能发展报告
目
录
05
06
· 09
13
CONTENTS
15
17
前言 美国人工智能企业引领全球，优势在哪 中国人工智能企业发展逼近美国，拐点来临？ 欧洲人工智能企业发展力争上游，机遇在哪 亚洲人工智能企业发展方兴未艾，弯道超车？ 小结
前言
l 人工智能始于1956年的达特茅斯会议，今年逐渐升温；2016年，随着AlphaGo人机大战而成为 热词。如今，人工智能的产品也无处不在，比如Apple的Siri，谷歌的无人车，IBM的Watson， 以及其它各种人脸识别技术等。这些都使投资界和产业界对人工智能的关注前所未有地高涨。
l 人工智能可能带来的颠覆性变化也被全球知名金融和咨询机构的支持。比如麦肯锡全球研究院就 认为人工智能正在促进人类社会发生转变。这种转变将比工业革命“发生的速度快 10倍， 规模 大300倍，影响几乎大3000倍”。
l 人工智能，这一信息时代的尖端科技，目前在全球的发展趋势是怎样的，产业如何与之相结合， 哪些行业更受投资者青睐，哪些地方更适合人工智能创业、发展？而不同国家间的人工智能实力 又是怎样的，差距在哪里？
北京AI企业与其它国家的对比
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2017年人工智能发展史及算法分析报告
2017年10月
目录
一、人工智能概念 (4)
二、人工智能发展历史 (5)
1、形成阶段（1956-1961） (5)
2、黄金时代（1961-1973） (6)
3、第一次发展低谷及复苏（1973-1987） (8)
4、第二次发展低谷（1987-1993） (10)
5、现代人工智能（1993-至今） (11)
三、人工智能算法 (14)
1、感知器 (15)
2、聚类算法 (17)
3、决策树 (18)
4、支持向量机 (18)
5、卷积神经网络 (20)
四、在金融领域的应用 (22)
1、大数据基金 (22)
2、运用人工智能进行预测 (23)
3、智能投顾 (23)
本文围绕人工智能的发展历史，人工智能主要算法以及人工智能在金融领域的应用展开综合论述，力求先为投资者勾勒出一幅人工智能全景图。
人工智能发展历史波折起伏：人工智能自1956 年正式确立以来，一直曲折发展，从产生到成为研究热点一直饱受质疑，期间经历两次发展低谷，而学科自身所迸发的生命力不断推动其走出低谷，成为引领技术革命的热点。
从诞生伊始，人工智能就有理性学派和感性学派之争，理性学派从符号计算出发，将人脑看成信息处理器，认为任何能够以一定的逻辑规则描述的问题都可以通过人工智能程序来计算解决。
感性学派简单说就是通过对脑神经的模拟来获得人工智能，随着深度学习等技术的成功，人工智能的研究热点越来越集中到感性学派。
人工智能算法发展方向不断变化：学术界早期研究重点集中在符号计算，神经网络在人工智能发展早期被完全否定，而后逐渐被认可，再成为今天引领人工智能发展潮流的一大类算法，持续显现出生命活力。
本文着重介绍人工智能领域比较著名的4 个算法，他们分别是感知器、决策树，支持向量机和卷积神经网络。
通过这4 个具有代表性的算法，理清机器学习的基本思想。
人工智能在金融领域应用：7 月20 日国务院正式印发了《新一代人工智能发展规划》，明确指出到2030 年之前我国AI 核心产业规模或超1 万亿元。
这是人工智能首次上升到国家战略高度，我们认为国内人工智能在金融里的应用还处于探索阶段，未来具有很大的发
展潜力。
目前人工智能应用场景还是集中在和大数据分析、与互联网连接紧密的领域，本文列举大数据基金、人工智能预测和智能投顾等例子来进行阐述。
一、人工智能概念
什么是人工智能？按照李开复博士的解释，人工智能指的是获取某一领域的海量信息，并利用这些信息对具体案例做出判断，达成特定目标的一种技术。
举个例子，比如说互联网贷款，计算机通过海量的贷款记录训练模型，对能否对某一用户进行贷款这一事件做出判断，想达到的目标就是放贷人利益最大化。
早期人工智能的研究是基于一个很基本的假设，就是人的思维活动可以用机械的方式进行表达。
在上世纪五十年代，有人断言只需要经过一代人努力，就可以创造出与人类同等智力水平的计算机机器，然而直到20 世纪70 年代，人工智能技术才开始扩展到各个研究领域，包括数学定理证明、机器翻译、机器人技术等。
近年来，随着深度学习的发展和计算机硬件技术的提高，人工智能又进入新的发展高潮。
耳熟能详的例子就是AlphaGo 战胜李世石，之后又有Master 以60 连胜的记录横扫中日韩的围棋高手。
2017 年5 月份AlphaGo 又3 比0 战胜了柯洁。
2017年7月20日国务院正式印发了《新一代人工智能发展规划》，明确指出到2030年之前我国人工智能核心产业规模或超1 万亿元。