【人工智能】人工智能5大商业模式

2017 年 10 月 16 日 产业智能官 人工智能LeadAI

1前言

未来所有的政府、公司、军队都是人工智能机构，人工智能将无处不在。美国国防部20年未到访硅谷，而在任国防部长卡特自去年上任以来连续4次密集访问硅谷，对人工智能表示出极大兴趣，直言要将民用AI技术用于改进国防装备体系，帮助美国培育出新型的“钢铁侠”战士，国防部高等研究计划局（DARPA）正在基于人工智能技术研发自动驾驶战车、反潜无人机械船、智能电子战系统、“半人马”人类作战行动辅助系统等。据悉，美国国防部2017财年建议的研发预算为120～150亿美元，而被国防部所看重的硅谷科技公司，如谷歌、微软、苹果、脸书和英特尔等巨头也正在不约而同地投入“人工智能优先”战略。

本报告由阿里云研究中心、波士顿咨询公司和Alibaba Innovation Ventures合作推出，通过对人工智能内涵的阐述，分析了未来人工智能行业的竞争格局和企业制胜之道。

报告主要观点包括：

数据、算法、计算、场景驱动新一轮人工智能。现阶段，人工智能正在从专有人工智能向通用人工智能发展过渡，由互联网技术群（数据/算法/计算）和场景互为推动，协同发展，自我演进。人工智能已不再局限于模拟人的行为结果，而拓展到“泛智能”应用。

人工智能具备“快速处理”和“自主学习”两种能力。人工智能实现了学习、决策和行动的快速处理，并且具备不停迭代和优化“试验—验证—学习”的正循环；人工智能可以更灵活地自主学习和管理知识，支持知识的“产生—存储—应用—更新”的体系化管理。

人工智能更易于解决具备三类关键特性的商业问题：

l 行业存在持续痛点；

l 商业流程本身具备数字化的信息输入，问题可以细分并清晰地界定，商业流程存在重复，且获得的结果的沟通以书面沟通或单项沟通为主；

l 商业流程较少受整体商业环境的复杂影响。

大数据是人工智能战略性竞争优势：

l 互联网催生了大数据，大数据催生了人工智能；

l 场景数据的积累，促进人工智能技术应用，从而形成更高效的解决方案；

l 数据主要有自筹数据、公共数据、产业协同数据三大来源。

人工智能按照服务智能、科技突破和超级智能三个阶段进化，未来3-5年处于服务智能。

l 服务智能：充分发挥现有技术的能力，打造人工智能赋能的应用场景，让智能服务各行各业。

l 科技突破：应用的扩展，数据的进一步丰富，对技术带来新的要求，最终促进技术实现显著突破，并相应推动应用向纵深拓展。

l 超级智能：技术显著突破，应用海量扩展，人工智能无所不在。

人工智能五大竞争定位模式，生态构建者是关键一环：

l 按产业链展开分析，人工智能将呈现生态构建者、技术算法驱动者、应用聚焦者、垂直行业先行者、基础设施提供者五类竞争定位模式；

l 生态构建者布局全产业链，聚集大量开发者和用户，将成为其中重要的一类模式。

2人工智能内涵和应用

四大维度理解内涵、三类关键预测应用

有这样一位“学习达人”，“他”的学习速度是人类的1万倍，只花10小时，就会唱几百万首流行歌曲，成功预测出《我是歌手》总决赛的歌王！

有这样一双未卜先知的“眼睛”，城市里错综复杂的十字路口和成千上万的路段都在“它”的视野里，并能提前告诉你5分钟后、10分钟后，乃至1小时后的路况信息！路况预测准确率在91%以上！

有这样一双“速记快手”，“她”能够高速记录大会演讲，准确率方面竟然以0.67%的微弱优势战胜第50届国际速联速记大赛全球速记亚军姜毅！

……他、她、它的背后，都有一个共同的名字：人工智能。人工智能到底是什么？能为人类做什么？我们该如何使用？

2.1人工智能是什么？

人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。自20世纪50年代以来，三次技术革新浪潮中，学界和业界对人工智能的理解众说纷纭，科技和商业的多元化发展导致对人工智能的定义、发展动力以及表现形式的理解各异。

让我们从以下四个维度来总结和理解人工智能的多种内涵：

（1）人工智能的定义：根据人工智能的应用，人工智能可以分为专有人工智能、通用人工智能、超级人工智能。根据人工智能的内涵，人工智能可以分为类人行为（模拟行为结果）、类人思维（模拟大脑运作）、泛（不再局限于模拟人）智能。

（2）人工智能的驱动因素：算法/技术驱动、数据/计算、场景和颠覆性商业模式驱动。

（3）人工智能的承载方式：

l 技术承载方式：单机智能、平行运算/多核智能、高度分散/群体智能

l 表现方式：云智能、端智能、云端融合

（4）人工智能与人的关系：机器主导、人主导、人机融合

现阶段，人工智能正在从专有人工智能向通用人工智能发展过渡，由互联网技术群（数据/算法/计算）和应用场景互为推动，协同发展，自我演进。人工智能已不再局限于模拟人的行为结果，而拓展到“泛智能”应用，即更好地解决问题、有创意地解决问题和解决更复杂的问题。这些问题既包含人在信息爆炸时代面临的信息接受和处理困难，也包含企业面临的运营成本逐步增加、消费者诉求和行为模式转变、商业模式被颠覆等问题，同时还包含社会亟需解决的对自然/环境的治理、对社会资源优化和维护社会稳定等挑战。

在这个过程中，虽然“模拟人”不再是唯一方向，但是人依然是人工智能实现不可缺少的关键因素。人是主导者（设计解决问题的方法），参与者（数据的提供者、反馈数据的产生者，也是数据的使用者），同时也是受益者（智能服务的接受方）。

例如，我们开篇所讲的故事，就是阿里云研发出的人工智能ET。ET基于强大的云计算能力，学习海量的人类大数据，正应用工作、生活各个领域并不断进化，目前已具备智能语音交互、图像/视频识别、交通预测、情感分析等技能。ET能实现直播实时字幕、看图说话、个性化推荐、体育视频分析，帮助人们更好地接受和处理各种格式的信息；还能提供包括智能客服、工业设备异常检测、法庭庭审速记、金融风控、电子商务恶意行为监测等企业解决方案，帮助企业减低成本，提高效率，降低风险；并实现了交通预测和社会公众趋势预测，提高社会公众服务和管理水平。浙江省交通运输厅与阿里巴巴合作试点中，实时路况监测成本下降了90%，未来路况预测准确率在91%以上。

2.2人工智能会做什么？

人工智能具备“快速处理”和“自主学习”两种能力。

人工智能实现了学习、决策和行动的快速处理。计算机处理信息、沟通信息、并行计算和线性计算的速度都快于人类。此外，计算机还能够不停迭代和优化“试验—验证—学习”的正循环。例如：在上文提到的阿里云ET人工智能调度交通的应用中，城市的交通是非常复杂的，每个路口和路段都有错综复杂，千丝万缕的关系。机器需要对成千上万个路段的海量历史数据进行处理和学习，以获得路段的全天路况模型，再结合城市的每个路口传回来的智能视频信息（包括车辆识别、车速识别等信息）来做全局的、实时的分析，这个过程对数据处理能力在规模、复杂度、实时性上都提出了更大的挑战。

人工智能可以更灵活地自主学习和管理知识，支持知识的“产生—存储—应用—更新”的体系化管理。例如：在淘宝和天猫，每天有近5万次热线电话求助。这些海量的语音数据通过人工智能机器的自我学习，使得机器具备能“听”能“懂”的知识，这些知识可以运用到语音交互相关的各个行业和各个场景，例如：智能客服语音交互、电话呼叫中心质检、互联网汽车语音命令等等。在一些特定场景的应用下，例如法院庭审速记，会产生的一些新的数据，和适应于此场景的新的知识，这些知识又同时被用来更新语音识别知识库，并被其他应用快速使用，这也是阿里ET可以打败世界速记亚军的知识来源。

如何让人工智能做好知识管理，是这个体系化工程的重要部分。双十一是由淘宝天猫发起的全球消费者的购物狂欢节，在2015年，更是创下了一秒14万笔订单的世界记录。庞大订单量也带来的用户咨询服务和问题的高峰，阿里巴巴的算法工程师们通过对海量问题的分析和预测，在业内首次将知识库的自动更新时效提升至分钟级，使得智能客服在此场景下获得高达94%的智能解决率。

2.3人工智能用在哪？

人工智能已在多个方面成功应用。图像识别（包括交通信号灯和人脸）技术已经超越人类水平。微软计算机视觉软件的图片识别错误率已经低于人类。计算机不仅能识别简单图像，还能分析整个电磁波谱。语言识别和自然语言处理技术已经在日常生活中广泛应用，例如苹果手机内置的语音识别助手Siri、亚马逊智能音箱Echo、阿里YunOS个人助理+、淘宝小蜜、支付宝安娜等。通过传感器和制动器，人工智能可以感知并行动。机器视觉和各类传感器，结合高精度地图和环境感知信息，机器人、无人机、自动驾驶等智能设备已经投入使用，Google、Uber、Tesla、阿里巴巴与上海汽车合作等都已在无人驾驶和互联网汽车领域布局。

人工智能最适用于解决什么样的问题？通过分解典型的商业流程，我们发现，人工智能更易于解决符合以下特点的商业问题：

l 行业存在持续痛点；

l 商业流程本身具备数字化的信息输入，问题可以细分并清晰地界定，商业流程存在重复，且获得的结果的沟通以书面沟通或单项沟通为主；

l 商业流程较少受整体商业环境的复杂影响。

企业客服就是人工智能应用的一个典型例子，作为企业用户与企业服务的交互入口，客服面对的80%的问题都是简单的、重复的的问题，但是却需要大量人力和时间的工作。同时，客服提供的服务内容大都来自与企业自有知识体系，受整体商业环境的影响相对较弱。这使得企业客服的智能化应用相对容易，很多基于自定义知识库的问答型企业智能客服产品蜂涌而出。

但是如何真正实现人工智能意义的智能客服？与真人深度交互，也就是尽可能地模仿真人的思维交流方式为人类服务，并有效帮助业务提升用户体验，是人工智能时代对商业流程智能化的思考。

2015年起，阿里巴巴推出新一代智能客服产品——阿里小蜜，基于语音识别、语义理解、个性化推荐、深度学习等人工智能技术的应用，并将外部消费场景和阿里后台的关键业务流程无缝融合。阿里小蜜通过积累的大数据优势，提前分析、预测消费者的服务诉求，主动触达用户，阿里小蜜将用户转电话及在线人工服务的求助率降低了70%。即便在每天应对百万级服务量的情况下，智能解决率也达到了接近80%（该指标高于行业智能客服产品平均水平60%以上），并且，依靠阿里巴巴在语音识别领域的知识积累，把服务领域里人机对话语义意图的精确匹配率提升到了93%，满意度比传统的自助服务提升了一倍。

2.4大数据是战略性竞争优势

数据是人工智能的基础，拥有针对特定领域的庞大数据集，能够成为竞争优势的重要来源。现阶段，制约人工智能领域很多重大突破的关键，并非是算法不够先进，而是缺乏高质量的数据集。

海量、精准、高质量的数据为训练人工智能提供了原材料（参阅图1），巨型数据库、十几年累积的搜索结果，乃至整个互联网都让人工智能变得更聪明。人工智能从庞大的、复杂的、无序的个体数据中发现更为本质、更能解释世界的规律，并复合多个规律共同作用，以解决问题。

人工智能的三种主要技术，都需要专有类型的数据。

l 机器学习，例如计算机视觉、情感分析、自然语言处理等技术，需要大量的标签样本数据。

l 模式识别，例如文字、语音、指纹、人脸等识别技术，则偏重于信号、图像、语音、文字、指纹等非直观数据。

l 人机交互，如智能机器人技术，则需要积累大量的用户数据。

互联网催生了大数据，大数据催生了人工智能

从信息浏览、社交网络、电子商务、到互联网＋，互联网的发展融入到我们生活、工作和经济的各个方面。用户在享受互联网带来的便捷的同时，也在无形中贡献着数据的足迹，音频、视频、邮件、微薄、文件、浏览历史等数据逐渐累积。互联网的快速发展，推动信息社会进入到大数据时代。同时，大数据也加快推动了互联网的演进。拥有海量用户搜索数据的Google，社交数据的Facebook，交易数据的Amazon、阿里巴巴等互联网公司充分借助云计算、大数据的技术来更好的了解用户，提供更好的或者创新的服务和产品。例如：阿里巴巴的蚂蚁小贷，借助互联网，获得比传统银行能采集到的贷款者相关的更丰富、准确的信息，比如这些淘宝卖家正在卖哪些商品、生意好不好、卖家经营店铺勤快程度（例如，客服旺旺的回复速度，每天经营时间的长短等）、之前是否有过不诚信行为等。通过充分处理、计算和分析这些互联网数据，来解决小微企业的贷款业务这一公认难题，真正实现纯信用，全程零人工介入、客户1秒钟获贷。

互联网的演进和催生的新业态，又进一步吸引了大量用户的积极参与，实现了数据“产生—使用—新数据产生—再使用”的闭环，这个闭环恰恰是人工智能自主学习和知识管理的基础。例如：拥有上亿注册用户和上亿商品的阿里巴巴淘宝，后台积累了286亿多个图片文件，更方便的让用户在即时场景（电视观看、社交图片分享、逛街等）下所见即所“得”的找到感兴趣的商品，是淘宝“拍立淘“应用的主要目的。在“以图搜图”模式下，机器学习正确理解后台几百亿图片并打上标签，用户通过点击商品列表等参与来判断机器的理解是否正确。人工智能的应用的实现本质上就是知识产生—知识应用—知识产生的自我学习和优化的体系化过程的落地。

场景数据的积累，可以促进人工智能技术的应用，从而形成更高效的解决方案

例如，传统外卖配送采用人工调度，由派单员进行手工派单，所依据的是有限的餐厅和配送员的数据，因此派单随机性强，配送效率低，派单高峰时，爆单现象频发，派单本身的人工成本较高。互联网外卖应用的火爆，积累大量外卖场景的相关数据后，阿里云大数据孵化器团队采用人工智能技术，基于外卖场景的数据基础，分析餐厅、配送员、订餐人、配送路径的特点、并结合业务规律、天气等数据实现智能调度高级算法，实现机器实时智能调度，从而合理利用运力，提高配送效率。当场景应用形成正循环后，甚至能够提前对用户行为（如提醒订餐）和餐厅行为（如点菜和出餐速度分析）等进行影响分析，从而进一步提高外卖场景的整体效率。

现阶段，特别是对创业公司而言，数据的来源主要有三种：

方式一，自筹数据，即从零开始，投入大量人力采集数据。例如，很多聊天机器人公司聘请人类担任“AI训练师”，让他们手动创建或核实虚拟助手做出的预测。一旦能够引发数据网络效应，即形成“更多用户—更多数据—更优智能算法—更好产品—更多用户”的正循环后，所需人力就无需再跟随用户数量同步增加，这种简单的自建数据策略就能取得成功。另一些公司采取向消费者提供特定领域免费应用的策略，以此来快速积累数据。例如，Madbits、Clarifai等图像识别公司都推出了免费的照片应用，以便为图像识别核心业务收集更多的图像数据。

方式二，公共数据。美国联邦政府已在Data.gov数据平台开放了来自多个领域的13万个数据集的数据。这些领域包括图中所列的农业、商业、气候、生态、教育、能源、金融、卫生、科研等十多个主题。这些主题下的数据都是美国联邦政府的各个部委所开放的。英国、加拿大、新西兰等国在2009年之后都建立起了政府数据开放平台，成为了国际信息化和大数据领域的一个重要趋势。在我国，2011年香港特区政府上线了data.gov.hk，称为香港政府资料一线通。上海在2012年6月推出了中国大陆第一个数据开放平台。之后，北京、武汉、无锡、佛山南海等城市也都上线了自己的数据平台。

方式三，产业数据协同，即下游创业公司或行业公司和产业链上游的数据或平台型公司建立合作，连接对双方均有利的产品或数据，例如：益海鑫星、有理数科技和阿里云数加平台合作，以中国海洋局的海量遥感卫星数据和全球船舶定位画像数据为基础，打造围绕海洋数据服务平台，服务于渔业、远洋贸易、交通运输、金融保险、石油天然气、滨海旅游、海水垦殖、环境保护等众多行业，从智能指导远洋金枪鱼捕捞到智能预测船舶在港时间，场景丰富。

3人工智能未来趋势

三阶段发展场景，短期处于服务智能

从人工智能的技术突破和应用价值两维度分析，未来人工智能将会出现三个阶段（参阅图2）：

情景一：未来3-5年，仍以服务智能为主。在人工智能既有技术的基础上，技术取得边际进步，机器始终作为人的辅助；在应用层面，人工智能拓展、整合多个垂直行业应用，丰富实用场景。随着数据和场景的增加，人工智能创造的价值呈现指数增长。

情景二：中长期将出现显著科技突破。人工智能技术取得显著突破，如自然语言处理技术可以即时完全理解类人对话，甚至预测出“潜台词”。在技术创新的领域，现有的应用向纵深拓展，价值创造限制在技术取得突破的领域。

情景三：长期可能出现超级智能。人工智能的技术取得显著突破，应用范围显著拓宽，人机完全共融，人工智能全面超越人类，无所不在，且颠覆各个行业和领域，价值创造极高。

到目前为止，人工智能还停留在“专有人工智能”阶段，主要应用是完成具体任务，例如“识别病灶医学图像并判断是否是肿瘤”。现阶段，人工智能将逐渐向“通用人工智能”过渡，应用于完成复杂任务，判断并满足用户需求，如“识别医学图像，并快速诊断疾病（不限于肿瘤）”。中长期，随着技术显著突破，人工智能将逐步发展为“抽象人工智能”，在基础科技取得重大突破后，人工智能可以理解用户情感，从而改变用户行为，例如“说服慢性病患者坚持按医嘱服药并在患病后改变生活习惯”。在遥远的将来，人工智能可能演变为“超级人工智能”，全面超越人类，通过技术突破和广泛的应用，预测并预先改变消费者的行为，例如“预先说服用户改变不良生活习惯，预防慢性病”。

未来3-5年，人工智能仍以服务智能为主要趋势。在服务智能下，人工智能会取得边际技术进步，如算法突破，小数据训练或分布式算法（不从数据开始训练，直接下载智能）成为可能；或者，图像识别或自然语言处理技术取得边际突破，对数据结构化的要求降低。人工智能的应用将更加广阔，例如综合天气、土壤变化数据和大宗商品交易行情，人工智能可以为农业决策，选择今年最有经济效益的种植品种；或者，图像识别技术突破后，机器人可以识别消费者微表情的变化，从而预测消费者的情绪。人工智能的应用将更有深度，产生新的社会、商业和个人生活模式，创造巨大的商业价值。人工智能的发展也将更为融合：实现“感知/交互—正确理解—自主决策—自我学习”的实时循环；数据传输速度实现质的飞跃，云端将无缝融合；介入式芯片等新的硬件形式将出现，甚至实现人机共融。

在服务智能情景下，数据可得性高的行业，人工智能将率先用于解决行业痛点，爆发大量场景应用。医疗、金融、交通、教育、公共安全、零售、商业服务等行业数据电子化程度较高、数据较集中且数据质量较高，因此在这些行业将会率先涌现大量的人工智能场景应用，用以解决行业痛点。

对人工智能而言，医疗领域一直被视为一个很有前景的应用领域。基于人工智能的应用在未来数年内能够为千百万人改进健康结果和生活质量，例如临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统管理、慢病用药和生活管理等。

在金融领域，智能个人身份识别将用于解决金融安全隐患，智能高频交易将用于提高金融决策效率，智能投顾将帮助金融机构开拓用户。

在交通领域，人工智能将应用于无人驾驶、智能汽车、交通规划等场景，用于解决目前交通行业普遍存在的驾驶感受差、道路严重拥堵等问题。

在教育领域，K-12线上教育以及大学配套设备等等人工智能应用已经被学校和学生广泛使用，机器人早已经成为了广为欢迎的教育设备，智能辅导系统（ITS）也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。

在公共安全领域，人脸识别将广泛应用于安防监控，无人机、预测警务应用可以应用于反恐、维护公共治安等场景，用以解决公共安全隐患。

在零售领域，人工智能将提供精准搜索和推荐，智能导购将降低营销成本，提升用户体验，从而迎合消费升级和消费者日渐成熟的趋势。

在商业服务领域，人工智能已广泛应用于个人智能客服和企业智能助手，未来人工智能还将拓展到人力、法律等专业服务领域。

4人工智能未来格局

五大竞争定位模式，生态构建者是关键一环

4.1人工智能产业链

人工智能产业链根据技术层级从上到下，分为基础层、技术层和应用层。基础层最靠近“云”，应用层最靠近“端”。

基础层（按技术层级从上到下，下同）

l 计算能力层：大数据、云计算、GPU/FPGA等硬件加速、神经网络芯片等计算能力提供商

l 数据层：身份信息、医疗、购物、交通出行等各行业、各场景的一手数据

技术层

l 框架层：TensorFlow, Caffe, Theano, Torch, DMTK, DTPAR, ROS等框架或操作系统

l 算法层：机器学习、深度学习、增强学习等各种算法

l 通用技术层：语音识别、图像识别、人脸识别、NLP、SLAM、传感器融合、路径规划等技术或中间件

应用层

l 应用平台层：行业应用分发和运营平台，机器人运营平台

l 解决方案层：智能广告、智能诊断、自动写作、身份识别、智能投资顾问、智能助理、无人车、机器人等场景应用

人工智能产业链中，基础层是构建生态的基础，价值最高，需要长期投入进行战略布局；通用技术层是构建技术护城河的基础，需要中长期进行布局；解决方案层直戳行业痛点，变现能力最强（参阅图3）。

4.2未来人工智能竞争格局和企业制胜之道

在人工智能平台化的趋势下，未来人工智能将呈现若干主导平台加广泛场景应用的竞争格局，生态构建者将成为其中最重要的一类模式（参阅图4）。

模式一：生态构建者——全产业链生态+场景应用作为突破口。以互联网公司为主，长期投资基础设施和技术，

关键成功因素：大量计算能力投入，积累海量优质多维度数据，建立算法平台、通用技术平台和应用平台，以场景应用为入口，积累用户。

模式二：技术算法驱动者——技术层+场景应用作为突破口。以软件公司为主，深耕算法平台和通用技术平台，同时以场景应用作为流量入口，逐渐建立应用平台（如Microsoft、IBM Watson等）。

关键成功因素：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。

模式三：应用聚焦者——场景应用。以创业公司和传统行业公司为主，基于场景或行业数据，开发大量细分场景应用。

关键成功因素：掌握细分市场数据，选择合适的场景构建应用，建立大量多维度的场景应用，抓住用户；同时，与互联网公司合作，有效结合传统商业模式和人工智能。

模式四：垂直领域先行者——杀手级应用+逐渐构建垂直领域生态。以垂直领域先行者为主，在垂直领域依靠杀手级应用（如出行场景应用、面部识别应用等）积累大量用户和数据，并深耕该领域的通用技术和算法，成为垂直领域的颠覆者（如滴滴出行、旷视科技等）。

关键成功因素：在应用较广泛且有海量数据的场景能率先推出杀手级应用，从而积累用户，成为该垂直行业的主导者；通过积累海量数据，逐步向应用平台、通用技术、基础算法拓展。

模式五：基础设施提供者——从基础设施切入，并向产业链下游拓展。以芯片或硬件等基础设施公司为主，从基础设施切入，提高技术能力，向数据、算法等产业链上游拓展。

关键成功因素：开发具有智能计算能力的新型芯片，如图像、语音识别芯片等，拓展芯片的应用场景；在移动智能设备、大型服务器、无人机（车），机器人等设备、设施上广泛集成运用，提供更加高效、低成本的运算能力、服务，与相关行业进行深度整合。

目前，互联网公司和软件公司巨头都在产业链的技术层和应用层着手布局。在产业链的基础层，科技巨头通过推出算法平台吸引开发者，希望实现快速的产品迭代、活跃的社区、众多的开发者，从而打造开发者生态，成为行业标准，实现持续获利。谷歌、Facebook、IBM、微软等科技巨头已经相继推出并在近期开源自家的人工智能工具。其中，Facebook开源多款深度学习人工智能工具；谷歌发布新的机器学习平台TensorFlow并将其开源，被称为人工智能界的Android；IBM也宣布通过Apache软件基金会免费为外部程序员提供System ML人工智能工具的源代码；微软宣布将开源旗下人工智能（AI）平台Project Malmo，所有研究者都可以用廉价、有效地对人工智能算法和程序进行测试。

在产业链的应用层，科技巨头都借助积累的个人用户数据，开发针对个人用户和企业用户的解决方案。在个人用户应用上，Apple推出Siri个人助手，Facebook推出虚拟用户助手Moneypenny，Amazon推出智能家居硬件Echo，Google推出家具中枢GoogleHome，阿里巴巴推出个人助手阿里小蜜和智能家居等。个人用户应用既可以吸引用户和流量，又可以收集数据，验证商业模式，从而开发新场景应用。在针对企业用户的解决方案上，Google、Apple布局无人驾驶，IBM Watson推出医疗、金融、政府、呼叫中心等企业应用，阿里巴巴布局智能金融解决方案等。针对企业用户的应用/解决方案未来的变现模式除直接出售解决方案外，还可以从流量和广告中转化价值。

创业企业除直接布局场景应用解决方案外，更有效的方式是采取从深挖技术到拓展应用的发展路径。例如，旷视科技以机器视觉技术为突破点，深耕先进的人脸识别、图像识别技术，进而拓展到行业智能解决方案、智能硬件及智能云服务。在发展前期（2011-2014年），旷视科技定位为商用机器视觉开放平台，深耕Face++人脸识别云服务、Image++图像识别云服务和Brain++人工智能深度学习系统。2014年后，Face++开始发力智能行业解决方案，主攻覆盖银行、保险、互联网金融的泛金融行业解决方案和覆盖地产、零售、公安的泛安防解决方案，目前已形成远程核实身份、智能企业、智能商超、智能生活、智慧安防等多种解决方案和人脸识别智能摄像机等智能硬件。未来，旷世科技将向纵深拓展，构建人工智能云、智能感觉网、服务机器人等智能生态基础架构。

5人工智能对企业和政府的启示

抓住战略机遇，构建竞争优势

5.1企业：抓住人工智能风口，构建新的竞争优势

传统企业的竞争优势主要来自于两个方面，其一，在企业布局上，企业有专有的固定资产、品牌、知识产权等资源，在所在领域取得规模经济和范围经济，并通过门店和经销商网络建立了稳定的客户关系；其二，在企业自身的能力上，企业积累独特的人力资源和技能，并在流程上尽可能精简。

大数据和人工智能将企业竞争带入新的纪元，互联网不仅连接虚拟空间，还连接人和资产所在的现实空间。人工智能时代，企业竞争优势转变为算法和数据资产，建立学习网络和数据生态，360度洞察消费者，通过人工智能不断地学习产生新的知识，同时在数据驱动下，进行即时自动决策。

为实现快速转型，在人工智能阶段构建新的竞争优势，传统企业需要携手互联网企业，探索新的商业模式。通用电气（GE）公司与微软公司近期宣布合作将通用电气用于工业互联网的Predix平台登陆Microsoft Azure云平台为工业客户提供服务。2015年，富士康和阿里巴巴合作发起“淘富成真”项目，这一项目开放富士康世界级的设计、研发、专利、供应链、智造等能力，阿里云的云计算平台和大数据处理能力，YunOS物联网操作系统能力，阿里电商平台、淘宝众筹能力，同时引入基金和孵化器等企业为创业者提供全链路创新创业服务，目的是帮助中小智能硬件的创业者，完成硬件创业孵化的闭环。

5.2政府：全方位政策支持，构建人工智能产业体系

人工智能产业已充分得到了我国政府的重视，近期国家级人工智能扶持政策相继出台。2015年7月，国务院《关于积极推进‘互联网+’行动的指导意见》中指出，“将推进人工智能产业在技术和应用层面加速发展……人工智能作为重点布局的11个领域之一，将会在智能家居、智能终端、智能汽车及机器人等领域进一步推广应用。”为落实该指导意见，加快人工智能产业发展，国家发展改革委、科技部、工业和信息化部、中央网信办制定了《‘互联网+’人工智能三年行动实施方案》，指出，“到2018年，中国将基本建立人工智能产业体系、创新服务体系和标准化体系，培育若干全球领先的人工智能骨干企业，行成千亿级的人工智能市场应用规模。”

为加快人工智能产业发展，政府应从以下三个维度加强对人工智能产业的政策支持：

开放政府及公共领域数据，打造国家级人工智能资源平台。数据是人工智能的基础。为鼓励人工智能产业发展，应开放公共数据，并优化数据质量，建立系统化结构化的数据库平台，为人工智能的发展提供资源。

建立企业主导、高校研发、国家投入的人工智能产业一体化发展模式。人工智能在未来数年内将以服务智能为主，因此需要树立企业在人工智能行业的主导地位，鼓励企业积极开发人工智能的场景应用，以将人工智能科研成果转变为商业价值。同时，鼓励高校研发、增加国家科研投入，为长期人工智能基础科技突破做准备。

以产业基金、专项基金等激励人工智能创新，提供针对人工智能创业企业的税收优惠，以人才为导向，配套全球人工智能人才安家政策，提供宽松的人工智能法律法规环境。

延展阅读：人工智能迎来第三次发展浪潮，全球人工智能产业生态系统逐步完善

人工智能LeadAI

2016年，人工智能经历了两起两落迎来了第三次发展浪潮，技术驱动下的人工智能从实验室走向了市场，并进入了快速发展阶段。

1950-1969 兴起阶段

以控制论、信息论和系统论作为理论基础，对人工智能开始探索。

1950年，图灵测试、机器学习、遗传算法和强化学习被提出。

1955年，达特茅斯学院会议首次提出“人工智能”。

1957年，罗森布拉特发明第一款神经网络Perceptron。

1970-1979 低谷阶段

被称为经典符号时期，此时人工智能与认知心理学、认知科学紧密相连。

1970年，计算机能力突破没能使机器完成大规模数据训练和复杂任务。

1973年，lighthill针对英国AI研究状况的报告批评了AI在实现其“宏伟目标”上的完全失败。

1980-1986 初步产业化阶段

通过建模特定领域专家解决某些问题的方法，进而让机器模拟专家实现解决特定领域问题的能力。

1980年，卡内基·梅隆大学设计出XCON专家系统。

1981年，日本经济产业省拨款支持第五代计算机项目。

1982年，霍普菲尔德神经网络被提出。

1986年，BP算法的出现使大规模神经网络的训练成为可能。

1987-1996 低潮阶段

技术成果较少，但是以神经网络、遗传算法为代表的技术得到关注。

1987年，苹果和IBM生产的台式机性能超过Symbolics等厂商生产的通用型计算机。

1990年，人工智能计算机DARPA没能实现。

1991年，日本人设定的“第五代工程”失败。

21世纪初期至今快速发展阶段

大数据、云计算、以及认知技术等的出现和发展，推动了深度学习技术在人工智能领域普及化，并推动语音识别、图像识别等技术快速发展并迅速产业化。

1997年，深蓝（Deep Blue）战胜人类国际象棋冠军卡其帕罗夫。

2006年，Hinton提出“深度学习”神经网络。

2009年，洛桑联邦理工学院发起的“蓝脑计划”声称已经成功地模拟了部分鼠脑。

2013年，深度学习技术在语音和图像识别领域取得突破性进展。

2014年，无监督学习算法取得突破。

2016年，谷歌AlphaGo4：1战胜人类围棋冠军李世石。

基础支撑

硬件：NVIDIA Qualcomm Kneron Xilinx Teradeep 寒武纪 Artificial Learning Nervana Systems 深鉴科技

数据处理：Trifacta Tamr ClearStory Paxata Alation 拓尔思

数据收集：Diffbot Connotate WorkFusion Kimono CrowdFlower Import.io

核心技术

图像处理：Clarifai Face++ 依图科技 Madbits 格灵深瞳图普科技 DNNResearch 商汤科技神州云海 Dextro

预测APIS：MindOps BigML Indico Prediction IO Algorithmia Wise.io

语音识别：Nuance iSpeech 思必驰 Gridspace 科大讯飞云知声 Pop Up Archive SoundHound 出门问问捷通华声

综合：IBM 微软 Facebook 谷歌 Cycorp 百度

机器学习：Context DataRPM SparkBeyond Oxdata RapidMiner SimpleLegal

自然语言处理：cortical.io Luminoso Maluuba idibon Expert Labs 小i机器人

应用+企业

销售：Preact NGDATA AVISO Clarabridge Framed Data RelateIQ

安全/认证：Conjur EyeVerify Cylance Crossmatch BitSight Bionym

监测：SOCURE Feedzai Verafin Sift Science ThreatMetrix Brighterion

招聘：Entelo Predikt Gild TalentBin Connectifier hiQ

营销：AirPR Radius TellApart BrightFunnel BloomReach CommandIQ

客服：智齿客服爱客服小i机器人

应用+行业

农业：Hone comb TerrAvion Blue River Planet Labs Prospera Tule The Climate Corporation Descartes Labs Ceres Imaging

教育： Declara Knewton 科大讯飞 Coursera Kidaptive 云知声 Udacity 口语100

金融：Kensho Dataminr 第四范式 Bloomberg AlphaSense MinettaBook FinGenius

法律：Ravel Judicata eBrevia Lex Mahcina BrightLeaf Counselytics

制造：Microscan IVISYS Sight Machine Boulder Imaging

传媒：Outbrain Arria Wavii Newsle Sailthru Owlin

征信：Affirm BillGuard 蚂蚁金服 InVenture LendUP 因果树 ZestFinance Lending Club 交通银行平安集团

汽车：谷歌百度图森互联 Mobileye Cruise Continental Minieye Tesla

医疗：Enlitic 3Scan Lumiata Entopsis Wellframe Ginger.io IBM Watson 云碳智能

安防：东方网力格林深瞳尚云在线旷视科技 360

医药：Parzival Zephyr Health 碳云智能 Transcriptic Bina Grand Round Table Genescient 华大基因

应用+终端

增强现实：Augmate Blippar META Layar APX Labs Wearable Intelligence

机器人：英特尔达阀科技埃夫特机器人沈阳新松 Boston Dynamics 璟和技创 iRobot 金明精机 Liquid Robotics SoftBank

手势计算：Omek Flutter eyeSight Thalmic Labs Leap Motion 3Gear Systems

无人机：Lily Drone Parrot 3D Robotics 大疆极飞亿航

延展阅读：智能生态系统的产业架构与趋势研究

云威人工智能

来源：本翼资本CapitalWings

概要：信息生态链产业自下而上可以分为：感知层—网络层—平台层—应用层；而在智能革命下，生态链的网络层和平台层会更加扁平化、融合化，本文提出了“云、管、端”一体化的智能生态系统架构。

基本结论

信息生态链产业自下而上可以分为：感知层—网络层—平台层—应用层；而在智能革命下，生态链的网络层和平台层会更加扁平化、融合化，本文提出了“云、管、端”一体化的智能生态系统架构。依据生态链的纵向层次和供应链的价值分配关系，本文提出了智能生态链的产业投资地图，并将投资地图按照价值特性分为规模定制圈、范围经济圈和平台经济圈，结合产业趋势和资本节奏的视角，得出产业投资时钟。

一、信息生态系统的构成与层次

1.信息生态系统的构成

信息生态系统指的是信息活动中各种要素的总称。归纳起来，可以认为，信息生态系统由信息源、信息依附平台、信息主体三大要素组成（见图表1.1）。

（1）信息源既是信息生产的原料，也是产品。一方面，信息早就存在于客观世界，包括自然信息和社会信息；另一方面，它是信息主体的劳动成果,通过信息反馈方式，对社会各种活动直接产生效用，进一步丰富信息资源。

（2）信息主体（聚合为“信息服务链”）是为了某种目的的生产信息的劳动者，包括原始信息生产者、信息分配者、信息消费者以及信息加工者或信息再生产者，以上信息主体的聚合便构成了“信息消费链”，从本质而言，信息消费的过程也是围绕以信息主体为核心的服务过程，所以，我们又将“信息食物链”定义为“信息服务链”。信息服务链自上而下分为信息分解、信息生产、信息分配、和信息消费等四层，信息分解为信息生产指明方向，信息生产的内容通过信息分配传输到信息消费层，实现信息消费的目的，而信息分解通过数据挖掘发现信息消费的偏好和潜在需求，决定信息生产的方向。

（3）信息依附平台是信息源与信息主体间实现信息活动的技术实现工具，信息依附平台通过一系列的信息通信技术对声音、文字、图像、视频等数据和各种传感信号的信息进行收集、加工、存储、传递和利用，也是各级信息主体进行与之相匹配的信息活动的生产工具汇总，这些生产工具总称为“信息制造链”，信息制造链自上而下分为应用层、平台层、网络层和感知层（或终端层），分别实现信息挖掘与再生、信息存储与处理、信息交换与传输、信息获取与利用等功能。

2.信息生态系统的制造链与服务链的对应关系

根据上面的分析，信息生态系统包含信息制造链和信息服务链，信息制造链自下而上分为感知层、网络层、平台层和应用层，而信息服务链自下而上分为信息消费、信息传输、信息处理和信息挖掘，分别实现信息采集与利用、信息交互与传输、信息存储与计算、信息挖掘与再生等功能（见图表1.2）。

感知层（用户体验）主要的任务是通过特定终端或智能设备实现用户信息采集，并按照特定程序反馈用户所需的内容或控制信号，实现硬件、软件、内容的一体化体验，达到用户体验价值最大化的目的。

网络层主要由无线接入系统（2G/3G/4G/5G）、固定宽带接入系统

（DSL/HFC/FTTx）、传输网、数据通信网和核心网络共同构成，提供接入和宽带服务。从长期趋势看，网络层日益成为公共服务体系的一部分。

平台层主要包括信息技术硬件平台，如计算服务器、存储服务器、路由器、交换机等，还有基础软件，如操作系统、数据库、虚拟化软件，以及企业可能使用的各种监控软件平台、软件开发环境等。这一层提供信息存储和计算的能力，以及网络自动化管理等功能。

应用层包括特定业务的应用程序，相应的业务流程软件，以及数据分析与决策工具。随着客户需求日益个性化，企业要保持业务流程与时俱进以顺应各种变革，那么灵活的、连续的资源重组和各企业的协作网络管理，只能通过精密的技术架构和相应的业务流程来进行管理。同时，企业需求洞察消费行为和供应网络的变化，就需要大量数据分析工具的支持，分析能力是竞争前景和业务流程清晰度之间的桥梁，从而帮助决策者超越以往对管理直觉的依赖。

信息生态链的第二、三层倾向于标准化趋势，规模经济特征明显。从长期趋势看，它们逐步向水电煤等公共服务体系演变，这些层级通常可以部分或全部交由第三方管理，企业再也不能依靠标准化的硬件系统、操作系统、中间件或数据库来实现差异化了。

信息生态链的差异化主要体现在第一层和第四层。差异化的核心价值在于满足最终用户的核心关注点，企业用户关心的是如何解决企业“既能增长又能降低成本”的经营目标，而个人用户关心的是满足个性化体验价值的最大化。

二、智能生态系统的演变趋势

1.智能革命的核心驱动力

智能革命的三大技术驱动力分别来自于：a.智能人机交互技术的变革使得人和机器的互动交流成为可能，网络连接从人与人、人与物、物与物到万物互联，大数据的获取成为可能；b.网络的软件化、平台资源的虚拟化,网络效率大幅提高，信息传输和信息处理成本大幅降低，大数据的处理成本大幅降低；c.基于云计算、大数据之上的人工智能从量变到质变，推动信息演变成知识或决策。

（1）感知层的万物互联化：人与机器的交互革命。从“键盘、触控”到“语音、手势识别、体感交互”，会带来新的智能硬件革命。人机交互的终极目标是利用人们的日常技能与习惯进行交互，交互场所将从计算机面前扩展到人们生活的整个三维物理空间，交互方式适合于人们的习惯并且尽可能不分散用户对工作本身的关注。人机交互的革命打开了人与人、人与物、物与物的之间互动交流的大门，海量数据的实时获取成为可能。

（2）网络层的扁平化：云计算与宽带网络的一体化融合，海量信息处理成本大幅降低。为满足人机交互的实时性要求，网络的效率需要更高、带宽需要更快，网络需要变得更加规模化、低成本化，因此，未来的网络资源一定会共享。网络资源包括：带宽资源（接入、速度、覆盖、时延等核心指标）、计算资源、存储资源，三种资源动态分配。网络的软件化、硬件的虚拟化，最终导致云网融合，形成广义的网络——又称“云网一体化”。

（3）应用层的智能化：大数据与深度学习共同推动人工智能实现从量变到质量的进化。大数据是深度学习的养料，巧妇难为无米之炊，没有大数据提供穷举的可能，深度学习的算法以及深度学习所需的神经网络就无法得到进一步的优化。

大数据具有数量大、多维度、速度快、真实性这四大特征。以往人类无法通过“穷举”来把握一个事情的规律，只能采用“取样”来估计，或者通过观察用简单明了的函数来代表事物规律，但大数据让穷举的笨方法变成可能。

深度神经网络大大优化了机器学习的速度，使人工智能技术获得了突破性进展。在此基础上，图像识别、语音识别、机器翻译等都取得了长足进步。基于深度学习的人工智能和过去的人工智能原理不同，但与我们所了解的数据挖掘有着相似的逻辑：先得到结果，反向寻找模式。这个过程被称为训练。

随着云计算、大数据、人工智能等技术的自身发展与变革，新一代的智能经济正沿着人与人、物与物、人与物的发展路径延伸和扩张，到最后万物皆联网，这将极大地推进互联网经济各类应用的产业变革快速深化，“泛互联网化”和“泛智能化”的产业变革将对生活方式、生产方式、社会关系、经济关系等方面产生重大变革。

2.构筑“云、管、端”的智能生态系统

随着智能人机交互、移动宽带网络、云计算、大数据、人工智能等技术的发展和渗透，原信息生态系统的网络层和平台层倾向于标准化、虚拟化、融合化趋势，网络层和平台层最终会殊途同归、合二为一，演变成未来的广义网络，由此，原信息生态系统由四层演变成未来的“云、管、端”三层架构（见图表2.1）。

由“云、管、端”构筑的生态系统越来越接近一个生物有机体的特征，云是大脑，完成记忆、感知、识别、学习等能力；管是有机体的神经中枢和神经末梢，完成信息传输和交换；端是有机体的各个部位的器官和毛细血管，完成信息感知和控制行动等功能。

“云”位于生态系统的顶层,是指数以百万计的生物机器汇聚在一起的群体智能。那些原本属于生命体特有却被成功移植到云端系统中的智能能够自我复制、自我管理、自我修复、自我学习和适度进化。云端是汇聚信息的海洋，一个典型的趋势是工作负荷加速向云端的迁移。

“管”就是无所不在的网络渗透力。随着光通信技术、移动通信技术和智能传感器的高度发展，网络渗透力一方面逐步从人体表皮渗透到器官、血液甚至组织等，另一方面逐步从人与人通信向人与物、物与物的连接扩张。万物皆被连接，最终网络将广泛渗透到国民经济各企业各行业各产业各企业各机器的毛细血管当中。

“端”位于生态系统层级架构的底层，是一支由无数廉价的小芯片组成的大军，构成了感知网络，它们将位置和用途等信息直接向其云端汇报，这些芯片不是超级电脑，但凭借来自分布式的能力，当细如蝼蚁的单元聚集成群且彼此互联时，它们便升格为一种群体智力。在物联网时代，万物皆被连接，“端”的含义可扩张到各类机器、工厂、公司、产业甚至经济实体。端的主要功能实现信息感知和信息反馈以及行动控制等；同时，智能终端将具备日益丰富的感知能力和多模的联网能力，成为网络中的关键节点。未来，智能终端会发展出基于手势、动作捕捉、自然语言等更加人性化的人机交互技术，不断改善用户的体验。生物传感器、智能机器人成为端的主要趋势。届时实现电影《阿凡达》中通过将自己的意识传输到另一个生命体而以一个全新的身份活在另一个世界中的情形将不再是科学幻想。

现代生态学之父，生物学家格利森认为，生态系统越复杂，它所能容纳的物种就越多。生态系统越大，达到稳定所需要时间就越长，破坏它也就越困难。智能生态系统的复杂程度最终取决于“云、管、端”一体化的融合深度与广度。“云”的处理能力越强，各类端的感知能力越灵敏，网络渗透率越大越高效，智能生态系统的复杂程度就越高。云的推动力和管的渗透力将共同撬起各类智能硬件系统以及各类商业应用和内容的无限市场前景。

三、智能生态链的产业投资地图

1.智能生态链的产业投资框架

（1）从功能实现看，智能生态系统是一个典型的闭环控制系统，应该包括信息获取与利用、信息交互与传输、信息存储与处理、信息挖掘与再生等四个环节。从长期趋势而言，信息获取与控制将由各类带感知能力的终端或智能机器人完成，信息交互与传输、信息存储与处理将交由广义的网络来完成，信息挖掘与再生将交由基于云端智能来实现。

（2）从纵向产业架构看，智能生态链自下而上分为“端”、“管”、“云”的三层，依次对应为感知层、广义网络层、应用层。

（3）从横向产业架构看，无论“端“，或者“管”，还是“云”，均由制造链和服务链构成；而制造链的供应链自上而下包含核心标准与底层专利、产品设计与制造等环节等，服务链的供应链自上而下包含平台标准与运营、业务集成与服务提供等环节。

纵向按照智能生态系统的架构分为三层，横向按照产业的供应链关系分为四个环节，共同构成了智能生态链的产业投资地图（见图表3.1）。

2.智能生态链的创新层级分类

根据创新种类的分类，信息制造链自上而下可分为原始创新和集成创新，服务链自上而下可分为模式创新和业务创新（如图表3.1）。

（1）原始创新的竞争优势在于技术垄断

原始创新主要包括核心标准、核心专利发明、核心底层芯片、核心操作系统等方面创新，原始创新的门槛非常高，是典型的垄断经济。智能生态链的原始创新主要体现在应用层的人工智能技术、网络层的智能网络技术、感知层的智能交互技术等方面，围绕人工智能方面的原始创新又包括数据挖掘、深度学习、类脑计算、量子计算等；智能网络技术主要包括通信网络标准、软件定义网络、硬件虚拟化技术、智能网络芯片、量子通信等；智能人机交互技术是人和机器信息交互的环节，主要包括终端操作系统、机器学习、智能处理器、核心芯片、核心传感器等方面。原始创新的企业凭借其独有的技术和资源，以及在市场上的先发优势，可以在一定时期内享有超额利润，但随着产品及技术的推进，垄断优势将会越来越被市场上其他竞争者所蚕食。所以，具有原始创新能力的企业进入的往往是业内的蓝海市场，掌握着垄断资源，具备着规模经济和范围经济所不具有的独特优势。

（2）集成（产品）创新的竞争焦点在于市场先入和市场份额提升

智能生态链中的集成创新[集成创新是利用各种原始创新、管理技术与工具等，对各个创新要素和创新内容进行选择、集成和优化，形成优势互补的有机整体的动态创新过程。

主要体现在应用层如各类定制企业软件，网络层如网络通信系统，以及感知层（或终端层）如各类智能硬件等方面。其中，各类定制企业软件主要包括定制化的商业应用软件以及各类私有云，网络通信系统主要由光纤接入设备、传输网络设备、移动通信系统、云计算数据中心等；智能硬件则是市场空间最大的部分，包括智能手机、可穿戴设备、AR/VR、无人驾驶、机器人、智能家电等。集成创新相对于原始创新的垄断优势则没有那么明显，核心竞争优势主要体现在市场先入或者市场份额的垄断方面的能力。

（3）服务（业务）创新的核心是客户需求的把握

智能生态链的服务创新主要体现在应用层的各类SaaS服务或则IT服务，网络层的网络接入服务、网络服务NaaS、云计算的IaaS服务、以及网络资源的出租服务等，感知层（终端层）的信息消费服务包括语音信息、游戏、视频、社交、AR/VR等。服务创新主要业务和内容层面，体现着范围经济的特征。

要成功地进行服务创新,其中最关键的因素就是对市场、客户需求把握的程度,越了解市场和客户需求,服务创新的成功率就越大

（4）商业模式创新的核心是网络规模与网络效应

智能生态链的模式创新[商业模式创新是指企业价值创造提供基本逻辑的创新变化，它既可能包括多个商业模式构成要素的变化，也可能包括要素间关系或者动力机制的变化。通俗地说，商业模式创新就是指企业以新的有效方式赚钱]主要体现在应用层如数据挖掘平台，网络层的智能管道平台服务，感知层（或终端层）的内容运营平台等方面。其中，数据挖掘平台主要包括数据挖掘和PaaS服务；智能管道平台主要是面向客户的数据挖掘以及资源调度等。模式创新所颠覆的更多是一种商业模式，一旦其商业模式被人们接受，就会基于社交属性快速传播，形成协同的平台效应，如阿里和亚马逊均是典型平台经济模式。

3.智能生态链的产业价值特性研究

根据信息生态链的价值特性，我们将上述的产业研究框架划分为三大价值圈（见图表3.1），分别为规模定制经济圈、范围经济圈、平台经济圈。从经济特性看，“管道层”属于基础设施投资层面，体现规模经济特性，竞争终点是规模经济和低成本，归属于规模经济圈；感知层和应用层属于产品、业务层面，体现范围经济特性，呈现多样化、智能化、个性化的趋势，归属于范围经济圈；具有技术垄断优势的核心芯片、基础软件企业和平台运营商，归属于平台经济圈。

根据细分子行业的经济特性，信息生态系统可以分为规模定制经济、范围经济、平台经济，（见图表3.2）。

（1）规模经济圈：主要包括电信网络、数据中心、宽带接入服务、IAAS服务等细分行业。其中，电信网络和数据中心均属于基础设施投资层面，通常由运营商或政府投资，归属于投资品（见图表3.2），产能扩张、产品成本、财务费用是企业业绩驱动的关键因素。宽带接入服务和Iaas服务属于居民普遍服务的范畴，就长期发展趋势而言，其行业特性逐步向公共事业演变，行业准入、价格管制和反垄断政策是决定企业能力的核心要素。

（2）范围经济圈：专业化和品牌化是竞争终点。范围经济圈的主要特征是面向最终客户，主要包括智能终端、内容、各类商业应用、SaaS服务、面向行业的各类人工智能应用等，销售和利润独立于经济周期，而超常增长主要依赖于技术创新和创造新需求。从理论上讲，范围经济圈的市场空间是无边界的，产品种类日趋繁多，产品生命周期越来越短，日益呈现快速消费品的特性（见图表3.2），销售能力、溢价能力和销售、行政、研发费用控制能力决定了企业最终赢利能力。企业价值创造的具体途径是通过各种手段提高为消费者提供的价值，从而相应从消费者获得更高的回报；品牌溢价将逐渐成为范围经济圈内企业创造价值主要方式，通过不断满足消费者在功能和心理上的个性化的需求，持续提高消费者生活品质，与消费者建立长期稳定的关系。

（3）平台经济圈：在这种模式下，厂商通过提供一个平台，可以导致或促成双方或多方客户在平台上展开交易。客户越多则边际成本越低，收益越大。]圈：制造链的核心价值在于知识产权的先入优势和资源垄断优势，服务链的核心价值在于谁真正拥有平台资源（包含用户资源、带宽资源、内容资源、数据资源、商业信息、网络关系群体和在线服务资源等），格局高度垄断导致新进入者极难进入，存在垄断利润。全球著名公司，如亚马逊、谷歌、苹果、英伟达、阿里巴巴、腾讯等均归属于平台经济圈的范畴。

4.智能生态系统的产业投资时钟

信息生态系统正在从规模定制经济向智能化和个性化演变。信息产业发展初期，产业投资热点是基础设施，通过完善底层网络提升自由通信能力；紧随其后的投资热点是信息技术平台，以提升信息存储和计算资源的共享能力。这两个阶段的投资重点基本在基础设施的层面，属于投资品，体现规模经济特性。随着信息传输成本和信息处理成本快速下降，各类商业应用和内容服务的沉没成本快速下降，业务创新门槛大幅降低，层出不穷的业务和内容呈现滚雪球效应，业务和内容的繁荣成为拉动信息产业后续增长的持续动力，信息消费为信息产业的持续增长带来后续空间。

回顾历史，展望未来，可以将信息文明的发展划分为以下三个阶段：

第一阶段，互联网革命时代：满足人们的信息通信需求，信息消费重点从语音通信向数据通信转移，电子通信设备制造业和电信服务业、互联网、移动互联网、智能终端产业得到快速增长，最伟大的公司集中在个人消费类公司，如苹果、微软、谷歌。在2010年“全球最有创意的50家公司”的名单中，包括信息技术类8家、网络类12家、能源类12家、生物医药类11家、材料类7家。其中，苹果连续六年第一、谷歌第二、微软第三、IBM第四。值得一提的是，前三名均是信息技术领域面向“个人消费类”的企业，前四名均具备极强的全球配置和整合资源的能力。

在整理了当今伟大的全球信息技术企业的成立时间可以看到，信息化浪潮始于日本而，而后向北美、欧洲和亚洲转移。在20世纪30-60年代，信息技术创新型企业多发生在日本，在这期间成立的公司如：富士通、松下电器、夏普、佳能、索尼、爱普生等；1960年以后，北美的创业型公司爆发式增长，如：英特尔、戴尔、EMC（易安信）、苹果、微软、SAIC等；20世纪80年代后，伟大型的公司多出现在亚洲和北美，如：甲骨文、思科、戴尔、Twitter、Facebook、Google、Salesforce，中国的公司如：联想、中兴、华为、华硕、腾讯、阿里巴巴、百度等。

第二阶段，智能革命时代：为满足人们的获得尊重的需求，信息消费的重点将从大众化信息转向智能化应用和个性化内容转移。在智能化时代，业务和应用为成为竞争焦点，应用层是信息的决策中心，感知层是信息控制和信息采集的执行环节，明智的决策和高效的执行效率成为企业制胜的关键。智能终端、机器人、无人驾驶、数据中心、物联网应用、SaaS服务、PaaS服务、人工智能等产业将得到快速增长，成长最快的公司将来自于智能机器人、无人驾驶、SaaS/PaaS服务提供商等。

第三阶段，智慧地球时代：满足人们在虚拟世界自我实现的需求，更多追求个性化体验以及提升个人关注度和美誉度。

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（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+商业的人工智能赛博物理操作系统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。