星期二, 24 08月 2021 00:02

蓄势待发,拥抱AI市场新机遇

近几年,随着AI技术的日益成熟,产业政策的持续出台,垂直行业应用的逐步落地,产业资本的持续投入,AI应用进入高速发展的快车道。AI市场的每一次变动都孕育着机遇,利尔达以现状分析为切入点深入思考我们在智能领域的定位和使命。

AI市场现状分析

 

  ●学术研究层面

 

  目前我国人工智能论文发文量全球领先。从研究方向看,逐步由机器学习向深度学习转变。深度学习从一开始的深度神经网络到循环神经网络、卷积神经网络,再到生成对抗网络,AI核心技术不断取得创新突破。近两年深度学习的一个分支——图神经网络又成为新的热点研究方向并引发AI应用热潮。据中国知网相关数据显示,截至2020年9月,AI相关期刊论文的发表数量达到22000+篇。同时,从研究纵深看,人工智能从以“计算机视觉、智能语音领域”为典型特点的感知智能阶段向以“迁移学习、类脑学习”为代表的认知智能方向发展,与传统深度学习不断融合,助推人工智能向认知智能过渡。

  资本加持层面

 

  据“亿欧数据”的相关统计数据显示,2012--2018平均每年流入AI领域的私募资金规模不低于1000亿元;2019年6月,中国科创板正式开板,成为科创企业重要的融资渠道。早期成立的AI企业在技术、产品、资本的助推下,落地场景和商业形态基本形成,发展路径逐渐清晰,具备高成长性。而科创板的创立,有效形成了私募市场和二级资本市场的衔接,为需要大量资金推进的优秀AI企业提供了重要融资渠道,助推其快速地迈向下一个发展阶段。

 

  政策扶持层面

 

  2015-2016年,中央连续发布《“互联网+”行动指导意见》和《“互联网+”人工智能三年行动实施方案》,重点推动人工智能核心技术的突破;2017年国务院发布《新一代人工智能发展规划》,至此人工智能正式上升到国家战略层面。同时国务院明确提出“必须加速人工智能深度应用”,随后《促进新一代人工智能产业发展三年行动计划(2018-2020年)》发布,从各个方面详细规划了人工智能在未来三年的重点发展方向与目标。2019-2020年,国家充分发挥了地方主体作用和发展“新基建”,将“人工智能”列入国家“十四五规划”的重点发展领域,将助推中国人工智能发展迈向更高的台阶。

 

  技术应用层面

 

  整体来看,2012年至今年4月期间,13种主流技术应用占比结构具有强延续性,其中计算机视觉类、数据挖掘类、机器学习类、智能语音类、机器和生物识别类企业数量在2014-2018年间迅速增加,并随着AI创业热潮的回落,AI企业经营持续稳定,各类技术应用保持了相对稳定的格局。截至今年4月,生物识别技术在13种主流技术中占10%,成为AI应用增速最快,占比排第6位的应用技术。

  行业落地层面

 

  随着以GPU、FPGA、ASIC和类脑芯片为代表的AI芯片迭代发展,其算力和功耗等性能实现快速提升,为终端设备实现本地智能化提供了可能。同时,实时响应的需求也在不断拉近人工智能与终端设备的距离,例如在自动驾驶领域,车辆需要对海量环境感知数据实现毫秒级的响应速度,本地智能计算不仅能实现高可靠、低延时决策,同时还能克服汽车非联网驾驶环境等极端情况;从而使得AI部署从以云端“训练+推理”模式逐步向“云端训练+本地推理”模式,并持续向本地“训练+推理”为典型代表的边缘计算方向发展。根据亿欧智库统计,经过近10余年的快速发展,中国人工智能企业更聚焦于To B业务,行业解决方案、企业服务、机器人、大健康、安防等赛道是AI企业的重点关注领域。

我们的定位与使命

 

  前面说到在AI主流的技术应用中,生物识别技术成为人工智能领域应用占比第6位的技术。目前,主流的生物识别技术主要有指纹、虹膜、声音、静脉、人脸识别等。

  人的脸部特征与其它生物特征(如指纹、虹膜等)一样与生俱来,它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提。人脸识别与其它类型的生物识别(如语音、静脉等)相比具有如下特点:

 

  1、非强制性

 

  用户不需要专门配合人脸采集设备,几乎可以在无意识的状态下就可获取人脸图像;

 

  2、非接触性

 

  用户不需要和设备直接接触就能获取人脸图像;

 

  3、并发性

 

  在实际应用场景下可以进行多个人脸的分拣、判断及识别;并且符合视觉特性——以貌识人,以及操作简单、结果直观、隐蔽性好等特点,其广泛应用门禁/考勤、金融、安防、教育、社交娱乐、智能交通、智能商业等细分场景。

 

  据行业知名咨询公司数据显示,截至2019年底,全球人脸识别市场达到1080亿元,未来5年的年化复合增长率达到17.83%;中国市场,截至2019年底,市场规模达到115亿元,未来5年的年化复合增长率将达到27%。

  然而,在国内的人脸识别应用中,企业客户通常采用硬件自研,算法自研或外购的方式进行设计和开发,存在研发成本高、难度大、开发周期长的痛点。

查看 2278