【财富空间】大数据和人工智能行业研究浅析

2017 年 10 月 1 日 产业智能官 水木资本

一、大数据和人工智能

大数据是伴随着信息数据爆炸式增长和网络计算技术迅速发展而兴起的一个新型概念。根据麦肯锡全球研究所的定义，大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据能够帮助各行各业的企业从原本毫无价值的海量数据中挖掘出用户的需求，使数据能够从量变到质变，真正产生价值。随着大数据的发展，其应用已经渗透到农业、工业、商业、服务业、医疗领域等各个方面，成为影响产业发展的一个重要因素。

当前人们所说的人工智能，是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术以及应用系统的一门新的技术科学，是由人工制造出来的系统所表现出来的智能。

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。“深度学习”神经网络主要机理是通过深层神经网络算法来模拟人的大脑学习过程，通过输入与输出的非线性关系将低层特征组合成更高层的抽象表示，最终达到掌握运用的水平。数据量的丰富程度决定了是否有充足数据对神经网络进行训练，进而使人工智能系统经过深度学习训练后达到强人工智能水平。因此，能否有足够多的数据对人工神经网络进行深度训练，提升算法有效性是人工智能能否达到类人或超人水平的决定因素之一。

随着移动互联网的爆发，数据量呈现出指数级的增长，大数据的积累为人工智能提供了基础支撑。同时受益于计算机技术在数据采集、存储、计算等环节的突破，人工智能已从简单的算法+数据库发展演化到了机器学习+深度理解的状态。

二、人工智能产业及生态

按产业链结构划分，人工智能可以分为基础技术层、AI技术层和AI应用层。基础技术层主要聚焦于数据资源、计算能力和硬件平台，数据资源主要是各类大数据，硬件资源包括芯片研发、存储设备开发等。AI技术层着重于算法、模型及可应用技术，如计算智能算法、感知智能算法、认知智能算法。AI应用层则主要关注将人工智能与下游各领域结合起来，如无人机、机器人、虚拟客服、语音输入法等。

图1 人工智能产业链

资料来源：中国产业信息网，《2017年中国人工智能行业发展概况及未来发展趋势分析》

（一）基础技术层

1.1 大数据

数据资源是机器学习训练的基本素材，通过对于数据的学习，机器能不断积累经验和优化决策参数，逐渐变得更贴近人类智能。

从数据流动方向的角度来看，大数据的产业链可分为底层平台、处理分析、应用三个层次。底层平台由基础设施与数据资产池构成，主要提供数据采集、分享和交易服务，处理分析则是在原始数据的基础上对数据进行清洗后以不同方式呈现。在数据处理分析的基础之上，挖掘各行业的数据需求，最终为用户提供服务。

根据数据应用程度不同，大数据产业链下各参与方功能可细分为数据标准与规范化、数据采集、数据安全、数据储存与管理、数据分析与挖掘、数据运维和数据运用七个方面。

1.2 计算能力和硬件平台

数据资源、核心算法、运算能力是人工智能的三大核心要素。随着全球移动互联网和物联网等快速发展，人类可获取利用的数据正以爆炸式增长。海量的大数据通过最新的深度学习技术将为人工智能的发展与应用带来难以估量的价值，而运算能力提升是人工智能发展的前提保障。其中，芯片是运算能力的核心。

就目前而言，AI 芯片主要类型有GPU、FPGA、ASIC和类人脑芯片四种。

1.2.1 GPU

1.2.1.1 GPU简介

GPU 即图形处理器，最初是用来做图像运算的微处理器。GPU 优化和调整了CPU 结构，使其运算速度突飞猛进，拥有了更强大的处理浮点运算的能力。2009 年，斯坦福大学的吴恩达及其团队发现GPU 芯片可以并行运行神经网络。用GPU来运行机器学习模型，同样的大训练集，GPU在耗费功率更低、占用基础设施更少的情况下能够支持远比单纯使用CPU时10-100倍的应用吞吐量。因此GPU已经成为数据科学家处理大数据的处理器。

1.2.1.2 GPU行业现状

目前国际GPU市场被NVIDIA 和AMD 两大公司瓜分，全球GPU 行业的市场份额有超过70％被NVIDIA占据，而应用在人工智能领域的可进行通用计算的GPU 市场则基本被NVIDIA垄断。目前公司已与谷歌、微软、IBM、丰田、百度等多家尝试利用深度神经网络来解决海量复杂计算问题的企业建立和合作关系。NVIDIA与下游客户在深度学习领域的合作不断加深，已经开发出多款针对深度学习的GPU产品。从产品成熟度、生态圈的规模角度而言，NVIDIA的GPU 已具备统治性的地位。

中国在GPU芯片设计领域起步较晚，目前只有景嘉微和兆芯两家掌握核心技术的公司正在逐步打破国外芯片在我国GPU市场的垄断局面，但产品还是主要用于GPU最初的图形显控领域，距人工智能所需要的GPU技术还有很远的距离。

1.2.2 FPGA

1.2.2.1 FPGA简介

FPGA，即场效可编程逻辑闸阵列，最初是从专用集成电路上发展起来的半定制化的可编程电路，FPGA 还具有静态可重复编程和动态在系统重构的特性，使得硬件的功能可以像软件一样通过编程来修改，不同的编程数据在同一片FPGA上可以产生不同的电路功能，具有很强的灵活性和适应性。

FPGA 和GPU 内都有大量的计算单元，因此它们的计算能力都很强。在进行神经网络运算的时候，两者的速度会比CPU 快很多。但是GPU 由于架构固定，硬件原生支持的指令也就固定了，而FPGA 则是可编程的。其可编程性是关键，因为它让软件与终端应用公司能够提供与其竞争对手不同的解决方案，并且能够灵活地针对自己所用的算法修改电路。与GPU相比，FPGA具有性能高、能耗低及可硬件编程的特点。

1.2.2.2 FPGA行业现状

目前FPGA 整个市场被国外的两大巨头所寡占，据东方证券研究所数据显示，Xilinx 和Altera 占了近90%的份额，合计专利达到6000多项，剩余份额被Lattice和Microsemi两家占据，两家专利合计共有超过3000项。技术专利的限制和漫长的开发周期使得FPGA行业有着极高的壁垒。

尽管我国政府多年来在此领域投入了数百亿的科研经费，但FPGA的专利限制及技术门槛使得中国FPGA的研发之路十分艰辛，国内如同创国芯、京微雅格、高云等公司在FPGA研发方面已获得一定进展，但产品性能、功耗、容量和应用领域上都同国外先进技术存在着较大差距。当前国内部分资本已经试图走出国门，通过并购半导体类公司的方法进入FPGA的行业，实现弯道超车。

1.2.3 ASIC

1.2.3.1 ASIC简介

ASIC，即专用集成电路，是指应特定用户要求或特定电子系统的需要而设计、制造的集成电路。ASIC 作为集成电路技术与特定用户的整机或系统技术紧密结合的产物，与通用集成电路相比，具有以下几个方面的优越性：体积更小、功耗更低、可靠性提高、性能提高、保密性增强。FPGA一般来说比ASIC的速度要慢，而且无法完成更复杂的设计，并且会消耗更多的电能，因此就算力而言ASIC远优于FPGA；但ASIC的专用特点使得其生产成本很高，如果出货量较小，则采用ASIC在经济上不太实惠。一旦人工智能技术成熟，ASIC专用集成的特点反而会达到规模效应，较通用集成电路而言，成本大大降低。

当前ASIC 在人工智能深度学习方面的应用还不多，但是我们可以拿比特币矿机芯片的发展做类似的推理。比特币挖矿和人工智能深度学习有类似之处，都是依赖于底层的芯片进行大规模的并行计算。比特币矿机的芯片经历了四个阶段：CPU、GPU、FPGA 和ASIC。其中ASIC 在比特币挖矿领域，展现出了得天独厚的优势。随着人工智能越来越多的应用在各个领域并表现出优越的性能，长期来看ASIC大有可为。

1.2.3.2 ASIC市场现状

随着人工智能的兴起，科技巨头纷纷布局芯片制造。高通、AMD、ARM、Intel和NVIDIA都在致力于将定制化芯片整合进它们的现有解决方案中。Nervana 和 Movidius（目前都在Intel旗下）据说正在开发集合方案。ASIC中较为成熟的产品是谷歌针对AlphaGo研发的TPU。第一代TPU产品由谷歌在2016年I/O大会上正式推出，今年5月的开发者I/O大会上，谷歌正式公布了第二代TPU，又称Cloud TPU，相较于初代TPU，既能用于训练神经网络，又可以用于推理，浮点性能方面较传统的GPU提升了15倍。

ASIC在人工智能领域的应用起步较晚，国内外水平相差不大。目前国内已有数家公司致力于人工智能相关ASIC芯片研究，代表公司为地平线机器人、中科寒武纪与中星微电子。其中地平线机器人公司作为初创企业，致力于打造基于深度神经网络的人工智能“大脑”平台-包括软件和芯片，可以做到低功耗、本地化的解决环境感知、人机交互、决策控制等问题。其关于芯片的研发目前还未成熟。中科寒武纪和中星微电子则已经有了相对成熟的产品。寒武纪芯片专门面向深度学习技术，研制了国际首个深度学习专用处理器芯片NPU，目前已研发的三款芯片分别面向神经网络的原型处理器结构、大规模神经网络和多种机器学习算法，预计将于2018年实现芯片的产业化。中星微电子于2016年6月推出中国首款嵌入式神经网络处理器（NPU）芯片，这是全球首颗具备深度学习人工智能的嵌入式视频采集压缩编码系统级芯片。这款基于深度学习的芯片运用在人脸识别上，最高能达到98%的准确率，超过人眼的识别率。该芯片于2017年3月6日实现量产，截止到今年5月出货量为十几万件。

1.2.4 类人脑芯片

1.2.4.1 类人脑芯片简介

类人脑芯片是一种基于神经形态工程、借鉴人脑信息处理方式，旨在打破“冯·诺依曼”架构束缚，适于实时处理非结构化信息、具有学习能力的超低功耗新型计算芯片。从理论上来看，类人脑芯片更加接近于人工智能目标的芯片，力图在基本架构上模仿人脑的工作原理，使用神经元和突触的方式替代传统架构体系，使芯片能够进行异步、并行、低俗和分布式处理信息数据的能力，同时具备自护感知、识别和学习的能力。

1.2.4.2 类人脑芯片市场现状

类人脑芯片是人工智能芯片发展的重点方向。目前各国政府及科技巨头都在大力推动类人脑芯片的研发进程，包括美国、日本、德国、英国、瑞士等发达国家已经制定相应的发展战略，中国的类人脑科学研究项目目前也已经正式启动。当前世界上已有一批科技公司走在前列，在类人脑芯片研发中取得了突破，代表产品包括IBM的TrueNorth芯片、高通Zeroth芯片、谷歌的“神经网络图灵机”等。

（二）AI技术层

AI技术层主要着眼于算法、模型及可应用技术。按照智能程度不同，人工智能可分为运算智能、感知智能、认知智能三个阶段。运算智能，即快速计算和记忆存储能力，在这一阶段主要是算法与数据库相结合，使得机器开始像人类一样会计算和传递信息；感知智能，即视觉、听觉、触觉等感知能力，在这一阶段，数据库与浅层学习算法结合，使得机器开始看懂和听懂，并做出判断、采取行动；认知智能，即能理解会思考的能力，这一阶段主要是采用深度学习算法，使得机器能够像人一样思考，主动采取行动。

AI技术层可以分为框架层和算法层，其中框架层指TensorFlow，Caffe，Theano，Torch，DMTK，DTPAR，ROS等框架或操作系统，算法层指的是对数据的处理方法。

根据数据类型的不同，对一个问题会采用不同的建模方式，即学习方式。按照学习方式来分类，人工智能算法可以分为传统机器学习和神经网络算法，其中传统机器学习又可细分为监督式学习、非监督式学习、半监督式学习、强化学习。

2.1 传统机器学习

2.1.1 监督式学习

在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常用算法有回归算法、朴素贝叶斯、SVM等。

2.1.2 非监督式学习

在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。关联规则学习的常见算法主要为Apriori算法及其拓展算法，聚类的常用算法有k-Means算法及其相似算法。

2.1.3 半监督式学习

在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。

2.1.4 强化学习

在此学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习（Temporal difference learning）。

2.2 神经网络

人工神经网络是模拟生物神经网络，由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的组织学习能力特点，并通过一定学习准则进行学习，进而建立相关模型，解决一定工作。在人工神经网络的学习算法设计方面，一般对人工神经网络进行大量的数据训练和调整，不断修正各层级节点参数，通过不断学习使得人工神经网络具有初步的自适应能力和自我组织能力及较强的泛化能力，进而较快适应周边环境要求，基于其众多优点，人工神经网络已然成为人工智能算法的核心。深度学习算法是人工神经网络当前最新算法，其实质是通过很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而提升分类或预测的准确性。

（三）AI应用层

人工智能的应用主要是采用了“AI+垂直行业”的方式渗透到传统各行业，按发展层次的不同可以分为专用人工智能、通用人工智能和超级人工智能三个层次。其中，专用人工智能以一个或多个专门的领域和功能为主；通用人工智能即机器与人类一样拥有进行所有工作的可能，关键在于自动地认知和拓展；超级人工智能是指具有自我意识，包括独立自主的价值观、世界观等，目前仅存在于文化作品构想中。

按应用技术类型进行划分，人工智能的应用技术可以分为计算机视觉、机器学习、自然语言处理和机器人四块。

3.1 计算机视觉

计算机视觉，是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务目前计算机视觉主要应用在人脸识别、图像识别方面（包括静态、动态两类信息）。

人脸识别，亦叫人像识别、面部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行处理的一系列相关技术。

图像识别，是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。识别过程包括图像预处理、图像分割、特征提取和判断匹配。由于动态监测与识别的技术限制，静态图像识别与人脸识别的研究暂时处于领先位置。

当前国外科技巨头自行研发和收购双管齐下布局计算机视觉领域，将技术广泛用于自身产品升级，并基于自身基因打造技术服务平台和新品类持续提升影响力。中国国内BAT都已纷纷布局相关领域，并基于自身产品进行功能研发。百度相对更加激进，成立了独立风投公司，专注于AI早期投资。

除BAT三巨头外，国内也有不少初创公司涉足计算机视觉技术，主要聚焦于技术应用。其中典型代表当属旷视科技。公司成立于2012年11月，公司专注于人脸识别技术和相关产品应用研究，面向开发者提供服务，能提供一整套人脸检测、人脸识别、人脸分析以及人脸3D技术的视觉技术服务，主要通过提供云端API、离线SDK、以及面向用户的自主研发产品形式，将人脸识别技术广泛应用到互联网及移动应用场景中。Face++通过和众多互联网公司合作，并通过“脱敏”技术掌握到了500万张人脸图片数据库，在互联网图片人脸识别LFW的准确率达到99.6%，合作伙伴包括阿里、360等一批大型的图片、社交、设备类企业。

当前国内计算机视觉创业热度不断提高，iiMedia Research(艾媒咨询)数据显示，中国人工智能创业公司所属领域分布中，计算机视觉领域拥有最多创业公司，高达35家。

3.2 机器学习

机器学习是指计算机通过对大量已有数据的处理分析和学习，从而拥有预测判断和做出最佳决策的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于做预测。

机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。

现如今，机器学习已经成为认知技术中最炙手可热的研究领域之一，在2011-2014年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。目前国内机器学习相关企业数量相对较少。BAT在机器学习方面有着先天的优势，国内初创公司第四范式是基于机器学习的解决方案提供商。

3.3 自然语言处理

自然语言处理就是用人工智能来处理、理解以及运用人类语言，通过建立语言模型来预测语言表达的概率分布，从而实现目标。

自然语言处理技术在生活中应用广泛，例如机器翻译、手写体和印刷体字符识别、语音识别后实现文字转换、信息检索、抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等。它们分别应用了自然语言处理当中的语法分析、语义分析、篇章理解等技术，是人工智能界最前沿的研究领域。时至今日AI在这些技术领域的发展已经把识别准确率从70%提高到了90%以上，但只有当准确率提高到99%及以上时，才能被认定为自然语言处理的技术达到人类水平。

在资本与产业助力之下，我国人工智能的语音识别技术已处于国际领先水平，技术成熟，通用识别率上，各企业均维持在了95%左右的水平。类似百度、科大讯飞等上市公司凭借深厚的技术和数据积累在市场上占据前列，且通过软硬件服务的开发不断进化着自身的服务能力。在科大讯飞之后发布国内第二家“语音识别公有云”的云知声在各项通用语音服务技术的提供上也占据着不小的市场空间。除此之外，依托中科院自动化所的紫冬锐意和纳象立方以及有着海外背景的苏州思必驰在教育领域的语音识别上占据着领先的位置。

3.4 机器人

将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。

目前世界上至少有48个国家在发展机器人，其中25个国家已涉足服务型机器人开发。在日本、北美和欧洲，迄今已有7种类型计40余款服务型机器人进入实验和半商业化应用在服务机器人领域。美国是机器人的发源地，美国的机器人技术在国际上仍一直处于领先地位，其技术全面、先进，适应性十分强，在军用、医疗、家用服务机器人产业都占有绝对的优势，占服务机器人市场约60%的份额。国内智能机器人行业的研发主要集中于家庭机器人、工业/企业服务和智能助手三个方面。其中工业及企业服务类的机器人研发企业依托政策背景和市场需求处于相对领先的发展阶段。然而在中国涉足智能机器人的企业中，从事家庭机器人和智能助手研发的企业占据了绝大多数比例。

因为服务一般都要结合特定市场进行开发，本土企业更容易结合特定的环境和文化进行开发占据良好的市场定位，从而保持一定的竞争优势；另一方面，外国的服务机器人公司也属于新兴产业，大部分成立的时候还比较短，因而我国的服务机器人产业面临着比较大的机遇和可发展空间。

作者：水木资本

延展阅读：人工智能将成为企业的一项战略能力

来源：聂潜

未来一切的人机交互都应该是简洁、方便的。自动驾驶汽车中使用的计算机视觉，即时翻译所依托的人工神经系统都以此为标准。企业应当将人工智能作为能力建设的重点，实现差异化竞争优势，打造企业数字化门面。

人工智能在人机交互方面大有可为

5年前，可能不会有人想到，现在超过300万的人与亚马逊 Echo的聊天型助手Alexa进行愉快交谈。那个时候，Echo尚处于研发阶段，语音识别技术很不成熟，系统作出反应的平均延迟时间大约3秒钟。

3秒钟是什么概念呢？假如你和朋友聊天时问了一个问题，对方沉默着看了你三秒才作答，这样的对话自然吗？是不是有点尴尬，好像自己说错了什么？在这种尴尬之下，你是否愿意继续与对方聊下去？

对于亚马逊团队而言，缩短这三秒延迟是其首要攻坚课题。团队最初设定的目标是将其缩短至2秒，并成功地在Echo推出之前使之达到了1.5秒——这种既无屏幕又无其他界面的智能设备一经问世便大获成功，即时回应能力居功至伟。

同Alexa谈话就像面对真人一样，如果设备达不到这样的速度，效果肯定大打折扣。

Alexa的大获成功，彰显人工智能在人机交互方面大有可为。随着人工智能技术日趋成熟，过去的很多应用门槛正逐步降低。它不断提升着人与技术互动时的顺畅和智能水平，使人机交互变得更加简洁、方便——推动此类技术得到更为迅速而广泛的普及，也使人类拥有更丰富的体验。

人工智能有助于加快技术在企业内的推广

根据“埃森哲技术展望2017调查”，79%的受访者认为人工智能有助加快技术在企业内的推广。简言之，人工智能将支持企业显著改善每一次关键客户互动的体验与效果。

目前，人工智能已应用到各种场景，打造全新的用户体验。最简单而言，它可以帮助用户管理内容——移动应用Spotify便会根据用户的聆听偏好推荐新的音乐；再复杂一些，依托人工智能的农作物管理系统正在帮助农户提高产量。

在处理复杂难题的时候，人工智能将充分调动其在各个场景和渠道中获得的经验来采取行动，在与人类互动时，它还会不断学习，不断向达成新的目标而努力。

在交付用户体验方面，人工智能正扮演着多种角色。人工智能已应用到各种场景，打造全新的用户体验。

有了人工智能，消费者获益良多。与此同时，这些智能互动也为企业带来了巨大收入。

简化自然互动

尽管许多人质疑人工智能只是另一则被热炒的科技概念，但其发展势头却不容忽视。调查发现，85%的企业高管计划在未来三年广泛投资人工智能相关技术。

人工智能不仅仅吸人眼球，它还能使交互变得更加自然、简洁，因此发展势头大好。例如，自然语言处理与机器学习的进步，使技术变得更加简单易用。过去召开会议之前，必须使用计划软件确定时间、创建活动、并输入具体信息，而现在有了虚拟助手的帮助，一切都可交给其轻松完成。

得益于许多核心技术可以免费获取，人工智能的普及速度正进一步加快。近年来，开源人工智能工具如雨后春笋般层出不穷。正是直观、自然的互动模式，以及开源工具的即时可用，为互动界面的巨大变革铺平了道路。

现如今，随着人与技术的互动方式成为关键的竞争优势，企业正普遍面临着一项当务之急：引入人工智能，优化客户互动这一重要环节的体验。

85%的受访企业高管表示，将在未来三年广泛投资人工智能相关技术。

这意味着，不应再继续将人工智能仅看作一种技术工具，必须给予其足够的重视与投入，使其为品牌打造数字化的“门面”。

此外，人工智能还改变着制造业物流链。产品在仓库中的搬运过程不但非常重要，而且相当耗费人力；利用人工智能机器人自动完成该工作，无疑是企业的成功之举。三星公司已在其俄罗斯工厂部署了依托RoboCV技术的无人驾驶电动汽车，有望通过仓库运输车辆自动运行精简80%的生产流程。在利用视觉感应器观察周边环境后，该系统将构建一套数学模型，以此选择最佳路线并躲避障碍物。

人工智能技术将决定未来的客户体验

未来，人工智能将成为企业的数字化代言人，它突破了传统的用户界面，使每一次客户互动更加自然、更为个性化，影响更大，在各种场景中交付全新的用户体验接过了。

通过这一定位，人工智能终将成为企业的数字化名片。正如iPhone即是智能手机的代名词，亚马逊的Alexa很可能会比亚马逊本身更具知名度。

由于极为简洁便利，客户未来将更多地与人工智能，而非企业员工进行交流。但新的问题也由此产生：每次互动都意味着，客户会对接待他们的人工智能客服产生看法和兴趣，影响其对企业的印象。因此，人工智能将代表企业的品牌形象。

人工客服代表每次只能与一位客户交流，而人工智能系统却可同时服务于几乎无限多的顾客。人工智能不仅可以造就并保持始终一致的出色品牌体验，还将凭借强大的学习功能，为每位客户用户提供个性化服务，并根据企业部署新产品或战略的需要，迅速调整体验内容。企业将拥有前所未有的品牌掌控力，以及全新的灵活度。

人工智能技术将改变企业架构

人工智能不仅成为了企业的数字化名片、客户满意度和忠诚度的重要保证，也是提升员工积极性、运营效率及业务增长的关键因素。

作为企业打造新一代体验的关键推手，人工智能正在彻底改变企业的组织结构。在后端，若想确保人工智能获得所需资源，就必须对业务流程和基础设施做出相应调整。企业首先需要在系统和界面之间建立必要连接，再将各个交互点连接起来。此外，来自各个渠道的丰富数据同样不可或缺，它们不但会被用于训练人工智能系统与客户和员工展开最初互动，而且将助力持续学习，以此厘清互动过程的发展脉络。

到2035年，人工智能有望使年经济增长率翻番。

进一步强化客户关系：多维度互动

借助部署到位的人工智能，企业与客户的互动将从直线式交易，转变为多渠道、多维度的对话交流。人工智能技术支持的客户关系可以通过多个界面、以多种交流方式而存在和发展，包括文字聊天、语音交谈、手势，甚至是虚拟现实环境。这不仅有助客户关系变得更加长久稳固，还能改善客户服务，从而直接创造经济效益。

实际上，如果每一次互动都能考虑到客户偏好，人工智能便开启了改善之门，依据个人所处环境为其带来丰富、愉悦的交流体验。而人们亦可自由选择与企业互动的时间、方式及程度。

聚焦对话，并使技术隐身

人工智能互动正在开启一个崭新的时代——我们将不再为技术所困扰。凭借企业界面上妥善部署的人工智能，客户无需费力弄懂复杂的技术问题，只要开口交谈、做个手势、或是触摸点击即可。在界面中加入情景智能可以使交流更为直观，而企业的目标应是令技术让人无所察觉。这样，企业就可以大规模应用复杂工具，人工智能却能让体验简单便捷。

关键总结

人们利用机器完成任务的过程将变得越来越轻松、便捷。

曾经笨拙的机器设备正变得越来越智能，甚至可以和人类展开自然对话。通过自行与企业和其他系统协同配合，人工智能正令所及之处更加睿智——并且凭借持续学习，不断加快着自身的普及速度。

要想充分利用基于人工智能开展更有效的互动，企业必须由内部开始对话。领军者将从现有渠道着手，使之更为智能。为此，他们必须从新的视角考虑与客户和员工互动的本质问题，并以新的角度对其加以思考。目前用户界面设计都制约于屏幕。所以企业的重要任务在于，帮助用户界面团队驾驭人工智能技术，设法打造不受屏幕限制的互动界面。通过现有渠道展开积极尝试，企业必定能够掌握多维度对话的全新方法。

因此，企业管理层应当立即行动，从根本上重新审视人们与技术、与企业的互动模式。人工智能将是企业迎战竞争对手的利器，企业管理层需要将其作为重点投资建设的核心能力。人工智能绝不只是用以提升效率或创造价值的又一款技术工具，它不仅事关企业的后台运作，更将走向前台来展示企业形象。

延展阅读：保险行业AI化势不可挡，落地法门在于“叩其两端”

靠谱的阿星

保险业并不怎么爱赶时髦，截止目前保监会仍只给众安、泰康在线、宜安、安心等四家公司颁发了互联网保险牌照；而全国160多家保险公司大多延续传统的经验和流程，在互联网金融冲击最生猛的阶段，这种保守主义颇合“保险”之道。

2016年中国保费总收入超3万亿，位列世界第二，仅中国平安去年的营收就高达7740亿元，净利润达720亿元，实际上超过阿里巴巴和腾讯，就是在市值上有些吃亏。而今，伴随“金融科技”（FinTech）风口刮来、热钱涌入，购买商业险已成为全民理财行为，中国的保险业正迎来“黄金时代”。

不过，投保和理赔的“用户体验”一直饱受诟病，销售误导造成退保率居高不下，每年行业有超4000亿的退保金；理赔流程繁琐、周期长是金融消费投诉重灾区，以致于我们看到一线保险推销员的职业尊严感与其在现代金融中地位是极不相符的。

那么，人工智能技术能否让保险更简单？AI改造保险行业的抓手在哪？平台技术社会化会遇到哪些问题？是本文所探讨的话题。

一、AI让保险服务智能化，哪些金融科技巨头具备开放能力？

由于保险代理制由人长期跟踪服务，互联网保险的线上销售模式难成主流；但是“金融科技”取代互金成为新风口，几乎所有保险大佬们都急迫地拍键转身，这背后的逻辑是什么？

平安集团的金融科技“ABC”战略的形象化提法被业内认可：“F（金融科技，FinTech）=A（人工智能，AI）+B（区块链，Blockchain）+C(云计算，Cloud Computing)”。其中，区块链的底层技术和共识机制还不适合做金融交易，在法律监管尚未厘清，因而现阶段金融科技的重头戏是以人工智能技术为核心，提升支付清算、借贷融资、财富管理、零售银行、交易结算以及保险科技等业态的行业效率。

当前，人脸识别技术、智能语音识别、OCR文本扫描均属于机器“感知智能”的范畴，已在不同领域有广泛应用，并且机器人误差率极小、可控、不会有疲劳感，反而能在海量大数据的训练中越来越“聪明”、越来越精通业务。从而帮助保险从业者减轻工作量，保险公司可以人力成本大、周期长的传统运营模式中解放出来。

但这并不意味着所有公司都得从0到1做AI研究，这样将会耗费巨大人力、物力、财力搞重复建设，以平安为例每年拿出年收入1%、近70亿元投入到AI研究之中。再加上，保险人工智能需要具备以下条件：

（1）技术方面，除了在感知智能上有专利外，还需要有核心算法能力不断提升机器认知能力，并最终做到风险控制和决策；

（2）场景方面，要有牌照及行业多年经营经验，才能把业务的逻辑在具体场景中制作业内具有可操作性的工具；

（3）数据方面，必须要有海量保险及用户大数据为AI的深度学习提供源源不断的“原料”。

仅有中国平安、蚂蚁金服具备这样的综合实力及开放化格局，而大数据资源及落地应用场景，为互联网巨头跨界增添了壁垒，但行业领头羊以“企业服务“形式把AI技术“社会化”，是当下化解业务痛点、提振行业效率的最优解。

二、保险业务的“入口端”和“出口端”，成为AI落地的两个抓手

在保险业务之中，一般投保申请是“入口”，而保单理赔是“出口”。如果入口过于繁琐会影响成交率，“出口”如果客户普遍满意度差，很难培育起良好的市场口碑，保证企业持续经营。

平安集团旗下金融科技版块公司金融壹账通于9月6日正式发布两款“智能保险云”产品——“智能认证”和“智能闪赔”，向全行业开放，着眼于提升保险业务“入口”和“出口”两端的效率。

以往投保人买保险需交纳众多资料证明“我就是我”、填写各种表格，完成审核至少需3个工作日；而让中小保险公司头大的还有，如果基层保险员不按常规出牌，推销一些理财产品以完成KPI，伤害到客户体验，为售后增添麻烦，截止2017年8月，保监会就收到理赔投诉达10万件。

“AI智能认证”深度结合人脸识别、声纹识别、微笑情等生物特征识别技术，让用户的身份认证变得更简单；这并非新事物，此前“银行壹账通”的智能认证已服务国内400多家城市银行，开放给保险行业之前已在平安保险内部成功试验一年。

智能认证把投保时间缩短30倍，大幅提升代理人的生产力；在“新契约投保”中首创投保人+代理人实时“智能双录”，代理人须严格遵循操作流程，用户如不同意可随时喊“Cut”中止认证进程，质检成功率提升65%，这大大降低保险公司运营成本，同时保留了可资调取的一手大数据。这一“入口端”的创新从“保单制”升级为“实人制”，在全球保险业中尚属首次。

在保险业务的“出口端”即理赔环节痛点更大，以车险理赔为例，45.8%客户在车辆定损环节满意度较差；全年有近500亿车险赔付渗漏，全行业保险公司近75%车险经营处于亏损状态。

蚂蚁金服于6月27日率先向保险行业开放智能图像识别技术的“定损宝”，开启车险智能定损理赔的新玩法；中国保信于8月底推出“事故车定损云平台”；而金融壹账通的“智能闪赔”的优势在哪？

事故车辆定损及理赔的“坑”很多，比如如何根据所拍摄图像识别车辆外包的损失程度，如何根据不同型号车辆、不同的维修技术、不同的配件成本给予精准的定价；如何规避多年内存在车辆理赔的欺诈问题等等。中国平安在国内最早推出车险业务，加上去年收购汽车之家，使其构建了覆盖所有乘用车型的亿级理赔图片数据库，并能把多年来理赔的经验转化为算法模型，AR（增强现实）技术能有效甄别出伪造损伤部分。

保险服务人员只需一键上传客户理赔车辆照片，就能自动生成维修定价，目前AI智能闪赔准确率已超过平均查勘员，成为保险公司风控的利器。2017年上半年共处理车险理赔案件超499万件，智能拦截风险渗漏达30亿。目前AI智能闪赔向全行业开放，有十余家中小财产险公司签约合作，能否帮助保险公司扭亏为盈也令人期待。

三、巨头抢滩正当时，AI赋能保险行业可能面对的挑战？

据路透社消息，由“三马”共同持股的众安保险于9月8日获得香港交易所的批准进行IPO，这将是金融科技领域最大一笔IPO 。BAT加入进军保险行业的步伐，今年8月17日，马云麾下的云峰金融联合蚂蚁金服等机构斥资的131亿港元收购美国万通在港、澳业务。腾讯正在申请保险牌照，并将在微信钱包九宫格中上线保险产品。

很多中小型保险公司受困于传统业务模式，错过移动互联网的技术红利，人工智能成了全行业弯道超车的寄托所在。再加上保险险种之间的交易属性、用户诉求差异极大，互联网巨头在短时间内还吃不透，这能为保险公司搭乘智能保险云产品升级赢得宝贵时间。

当“智能保险云”产品上线宣布开放给业内保险公司免费使用3个月，本质上属于保险行业SaaS平台，这未免让外界产生其他保险公司出现客户流失及数据安全方面的顾虑？

中国平安集团首席运营官兼信息执行官陈心颖女士接受媒体采访时表示：“平安有5亿客户，已渡过争夺市场份额的阶段；当前平安集团大数据是中国工商银行的3倍多，其中50%是外部的金融大数据，所有数据都经过严格的加密和脱敏，在数据安全方面足够的把握；任何一起客户数据纠纷，都将会损害到平安的品牌信誉，此前在服务金融壹账通银行云中并未发生；另外，保险数据运行在金融壹账通的保险云上受到保监会监管，其他业务数据也要接受‘一行三会’严格的监管；当然，平台会建立同行定期交流机制，共同提升保险行业的理赔服务、风控能力。”

智能保险云产品大幅降低人力成本有目共睹，也引发人们对保险经纪人、查勘员会就业冲击的猜想。以车险查勘员为例，现有的查勘员队伍显然无法应对全国日益递增的车辆理赔案例，只有借助AI装备才能尽快实现线上及时、动态调度。在一些相对复杂、需现场服务的险种中，依然需要业务经验丰富的代理人提供专业服务。当然，在AI不断渗透行业的趋势下，保险从业人员的职业转型大有必要。

当前AI率先在投保、理赔两端落地，但依然处在初期阶段，“智能认证”除了银行、证券及保险等机构签约认证的标配，还能以金融级安全广泛输出更多民用场景中去；当然在API上需要做一些功能的调整。“智能闪赔”目前行业只应用到产险中的车险理赔领域，还有医疗险、寿险以及其他财产险种需要落地，从而不断扩大“出口端”的范围。要想更快、更精准地提升“入口端”智能认证的效率，需要在“智能销售”环节之中强化精准获客；以往保险销售基本依靠代理人纯线下服务，而更多“智能服务”的接入，能更快降低保险行业整体运营成本、不断在流程优化，进而实现“智能运营”。可以预见，随着机器学习能力的不断升级，各个环节之中的AI云服务产品将加快迭代至2.0、3.0.....

结语

保险业务的AI化是流程便捷化、数据可视化的过程，孔子说：“我叩其两端而竭焉”，当前人工智能在投保的“入口端”、理赔的“出口端”拥有了相对完整的行业解决方案，相信AI在保险更多业务节点不断细化、深化，让服务更智能化，进而打通全产业链，让传统保险升级为金融科技排头兵。不难看出，平安保险平台化、开放化战略并非是追逐短期市场利益，而要打造中国保险行业与国际资本竞争抗衡的新生态，只有抓住保险AI化的趋势，国内的保险公司才能抓住当下“金融科技”的技术红利。

新一代技术+商业操作系统：

AI-CPS OS

在新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。