目 錄一、產業篇 1）人工智能60年 11．人工智能：感知+理解+決策 12．人工智能三“起”三“落”后迎來爆發 2）全球人工智能產業發展態勢 3全球人工智能產業將進入快速增長期 3全球人工智能企業競爭日趨激烈 4人工智能已上升為國家戰略 8）我國人工智能產業發展態勢 10我國人工智能產業將在2018年突破200億元 10百家人工智能企業助推產業轉型升級 10國家和地方政策助力人工智能產業健康快速發展 13二、技術篇——深度學習 15）技術演進 15深度學習：像人腦一樣思考 15深度學習的三個里程碑 17）深度學習發展現狀 19多家巨頭力推產業布局 19三大領域技術革新 21三大開源框架促進技術落地 21）深度學習未來展望 23三、應用熱點篇——自動駕駛 25）概述 25四個等級兩種路徑 25無人車商用時間線：3-4年之后 26）人工智能與自動駕駛自動駕駛中的人工智能技261．感知數272．決策計323．地圖 344．車聯網 35）無人駕駛產業 37國外自動駕駛發展趨勢 37中國自動駕駛的發展趨勢 41趨勢：智能出行公司的平臺優勢明顯，成有力武器 42四、投融資篇——新智元100報告 44）全球AI創業公司投融資市場概覽 44）中國人工智能創業與投融資概覽 46）新智元100分析報告 47）新智元100最具競爭力榜單Top10 51附錄：新智元100評選榜單 55PAGEPAGEPAGEPAGE一、產業篇人工智能經過60年的發展，已逐漸從技術走向應用。近幾年，在深度學習的推動下，人工智能取得了飛速發展。世界各國紛紛將人工智能作為國家戰略，積極推動產業發展，企業將人工智能作為未來的發展方向積極布局，圍繞人工智能的創新創業也在不斷涌現。未來，人工智能將深刻改變人類的生產、生活方式。一、產業篇（一）人工智能60年1．人工智能：感知+理解+決策1956年達特茅斯會議提出“人工智能”這個詞以來，業界對“人工智能”的認知也在不斷StuartRussellandPeterNorvig的定義，對人工智能的認知可以按思考還是行動、像人還是理性兩個維度分為四種，即像人一樣行動、像人一樣思考、合理地思考以及合理地行動。圖表1對人工智能的不同認知及其特點資料來源：《Arti?cialIntelligence:AModernApproach》3rdEdition中國人工智能產業發展報告中國人工智能產業發展報告一、產業篇一、產業篇前三種認知方式下的人工智能由于技術受限和其它一些原因，尚未實現大規模產業化應用。像人一樣行動以阿蘭?圖靈在1950年提出的圖靈測試為代表，強調人工智能應該像人一樣行動。近年來，又有人提出全面圖靈測試，增加了視覺信號和物理操縱需求，從而使圖靈測試覆蓋了自然語言處理、知識表示、自動推理、機器學習、計算機視覺和機器人六大學科。因此60年后，圖靈測試對于驗證一個系統是否具備智能，仍然有效。像人一樣思考基于認知建模，更加強調像人一樣思考。人的大腦一直是一個未解之謎，目前美國和歐盟均在開展人腦研究，一旦破解了大腦思考方式這個世界難題，類人的智能研究將取得重大突破。現階段的人腦研究尚不足以支撐人工智能建立像人一樣思考的系統。合理地思考則是邏輯主義流派提倡的通過制定規則使智能系統合理地思考。這種基于規則的認知方式開發出的人工智能系統精準度較高。但對非形式的知識制定規則并不容易，因此僅適用于規則清晰的專業領域，在通用領域中難以得到大規模應用。以合理地行動為代表的人工智能帶動了新一輪的人工智能浪潮。合理地行動現階段以基于深度學習的人工智能為代表，強調通過感知++決策來實現，是建立在大量先驗知識的基礎上做出的相對合理的判斷和決策。盡管基于深度學習的人工智能需要基于大量先驗知識做出判斷，無法實++決策”的人工智能有望不斷接近完美合理，使得人工智能技術在產業上得到大規模應用。2．人工智能三“起”三“落”后迎來爆發204060年。根據人工智能技術及產業發展的整體形勢，我們將其分為三個階段。第一階段（20世紀50年代中期到80年代初期深耕細作，30年技術發展為人工智能產業化奠定基礎。1956年之前，人工智能就已經開始孕育。神經元模型、圖靈測試的提出以及SNARC神經網絡計算機的發明，為人工智能的誕生奠定了基礎。1956年的達特茅斯會議代表人工AlphaGo增強學習的雛形——感知器均在這個階段得以發明。隨后由于早期的系統適用于更寬的問題選擇和更難的問題時效果均不理想，因此美國、英國相繼縮減經費支持，人工智能進入低谷。第二階段（208021急功近利，人工智能成功商用但跨越式發展失敗。80年代初期，人工智能逐漸成為產業，第一個成功的商用專家系統R1DEC公司每年節40002080500強”都在開發或使用“專家系統”。受此鼓勵，日本、美國等國家投入巨資開發第5代計算機——人工智能計算機。在90年代初，IBM、蘋果推出的臺式機進入普通百姓家庭中，奠定了計算機工業的發展方向。第5代計算機由于技術路線明顯背離計算機工業的發展方向，項目宣告失敗，人工智能再一次進入低谷。盡管如此，淺層學習如支持向量機、Boosting和最大熵方法等在90年代得到了廣泛應用。第三階段（21量變產生質變，人工智能有望實現規模化應用。摩爾定律和云習算法在各行業得到快速應用，并推動語音識別、圖像識別等技術快速發展并迅速產業化。2006PAGEPAGEPAGEPAGE年，GeoffreyHinton和他的學生在《Science》上提出基于深度信念網絡（DeepBeliefNetworks,DBN）可使用非監督學習的訓練算法，使得深度學習在學術界持續升溫。2012年，DNN技術在圖像識別領域的應用使得Hinton的學生在ImageNet評測中取得了非常好的成績。深度學習算法的應用使得語音識別、圖像識別技術取得了突破性進展，圍繞語音、圖像、機器人、自動駕駛等人工智能技術的創新創業大量涌現，人工智能迅速進入發展熱潮。未來，人工智能的熱度將可能會有所回落，但人工智能技術的發展將深入到金融、交通、醫療、工業等各個領域，逐漸改變人類的生產生活方式。圖表2人工智能發展歷程（二）全球人工智能產業發展態勢經過60年的發展，人工智能在深度學習、海量數據和高性能計算的支撐下，現已進入產業化應用初期。2016年，基于深度學習的智能語音、圖像識別、智能駕駛等技術開始向各個應用領域滲透，全球人工智能產業規模快速增長。為搶占人工智能高地，谷歌、微軟、IBM、Facebook等企業在人工智能領域的戰略布局進一步突出，圍繞人工智能的創新創業進一步繁榮。美國、日本等國家也先后出臺人工智能相關政策及國家計劃，為產業發展創造良好的生態環境。全球人工智能產業將進入快速增長期在深度學習技術和開源平臺的推動下，人工智能技術門檻逐漸降低，受到全球下游應用需求的2015球人工智能產業規模達到82.22016100BBC預計，2020年全18310年甚至更久的時間里，人工智能將是眾多智能產業技術和應用發展的突破點。圖表32014-2020年全球人工智能產業規模除產業規模快速增長外，圍繞人工智能的創業企業數量也大幅提升。根據Scanner對71個國家人工智能公司的統計，截至到2016年第三季度，全球人工智能創業公司數量已有12875857731億美元。圖表42016年全球人工智能企業區域分布資料來源：VentureScanner全球人工智能企業競爭日趨激烈谷歌、微軟、IBM、Facebook等企業憑借自身優勢，積極布局整個人工智能領域。各大企業通過加大研發投入力度、招募高端人才、建設實驗室等方式加快關鍵技術研發；同時，通過收購等方式吸收人工智能優秀中小企業來提升整體競爭力；此外，各大企業還積極開放、開源技術平臺，構建圍繞自有體系的生態環境。2016年4月，谷歌CEOSundarPichai第一次明確提出將AI優先作為公司大戰略。谷歌以深度學習技術為依托，涉足人機交互、語言理解、機器人等人工智能核心技術應用領域，全方位布局人工智能產業。技術方面，谷歌通過加強自身技術水平，提升谷歌傳統搜索、翻譯和社交業務；推動TensorFlow以及自然語言理解軟件SyntaxNet的源代碼，引領互聯網巨頭在人工智能領域開源的趨勢改為浪DeepMind等人工智能行業創業企業的并購以及與強生、福特等傳統產業巨頭的合作，實現人工智能領域的全面布局及縱深式發展。圖表5谷歌的人工智能布局CortanaSkypeTranslator20155月初發布了人工智能領域的牛津計劃，由一系API、SDK和相關服務等組成，旨在讓開發人員們不需要繁復的機器理和計算機視覺三個部分。1在2016年的WindowBuild開發者大會上，微軟開放了MicrosoftBotFramework，開發者可以直接接入MicrosoftBotFramework來開發類似微軟小冰這樣的聊天機器人。9月，公司更宣布成立5000人的人工智能部門，與Windows和Of?ce、云計算等部門并列。圖表6微軟人工智能布局Facebook積極組建人工智能實驗室，并通過開源技術平臺等方式來獲取更大的成功。FacebookFacebookLeCun負責，主要專注于基礎科學和長期研究。現有三個實驗室，分別位于美國紐約、加州門洛帕克以及130位人工智能專家。）JoaquinCandela負責。AML正試圖為排名、廣告、搜索、語言翻譯、語音識別、自動產生視頻字幕以及自然語言理解等領域開發更好的算法以提升Facebook的基礎。為了進一步彌補在語音技術方面的短板，2015年初，Facebook收購了語音指令創業公司Wit.AI，之后建立了語言技術部門。為了進一步提升技術水平，Facebookfbcunn上更快速地訓練神經網絡的模塊、人工智能硬件平臺BigSur等十余個項目。FacebookAI系統進行開源，有助于整個產業加速發展。圖表7Facebook人工智能布局在認知計算平臺項目上持續投入，并成立專門部門推動9發布基于自然語言處nns5圖表8IBM人工智能布局人工智能發展條件的成熟同時催生了大量人工智能創業企業。Scanner1139家人工13個細分行業，包括深度學習/機器學習/機器學習、自然語言處理、自然語言處理/圖像識別/圖像識別、手勢控制、虛擬私人助手、智能機器人、推薦引擎和協助過濾算法、情境感知計13個細分行業。其中機器學習）300家企業的數量遙遙領先，自然語言處理公司數量位列第二。圖表92016年第一季度全球人工智能創業企業圖譜資料來源：VentureScanner隨著人工智能的持續發展，圍繞人工智能的競爭將日趨激烈。縱觀智能語音、智能圖像、自然語言處理、智能駕駛等人工智能技術的廣泛應用，人工智能已成為推動產業升級、創新發展的關鍵動力。未來將會有越來越多的企業融入到人工智能產業之中，推動新一輪的技術浪潮。人工智能在眾多領域的應用潛力，也會給行業發展帶來無限的想象力。人工智能已上升為國家戰略新一輪的人工智能浪潮受到各國政府的高度關注，美國、日本、韓國等國家近幾年紛紛出臺多項戰略、計劃積極推動人工智能發展，人工智能已逐漸上升為國家戰略。2013年啟動創新神經技術腦研究（BRAI）計劃，由美國國立衛生研究院（、國家科學基金會（、1045億美元。A201530年的技術發展。美國白宮于20165月宣布成立前多用人工智能提高政府辦公效率。圖表10 美國人工智能相關戰略、計劃時 間戰略、計劃備 注2013年4月“推進創新神經技術腦研究計劃BRAI）政府撥款1.1億美元2014年NIH小組制定未來十年詳細計劃十年總投資45億美元2015年10月DARPA“未來技術論壇”未來30年技術發展預測2015年11月CSIS發布《國防2045：為國防政策制定者評估未來的安全環境及影響》報告指出人工智能是影響未來安全環境的重要因素2016年2月DARPA表示正在發展人工智能技術，以奠定其理論基礎支撐美國第三次“抵消戰略”2016年5月美國白宮成立人工智能和機器學習委員會探討制定人工智能相關政策和法律日本政府近年來高度重視人工智能技術。2015110億日元在東京成立“人工2015年底，日本政府發布第五個科學與技術基礎五年計劃。計劃中，日本政府提出了名為“超級智能社會（rt”的未來社會構想，要262016年制定高級綜合智能平臺計劃，是為實現日本第五個科技基礎五年計劃、建設“超級智能社會”而提出的人工智能、大數據、物聯網、網絡安全綜合發展計劃。圖表11日本人工智能相關戰略、計劃時 間戰略、計劃備 注2015年1月新機器人戰略通過發展機器人技術，推動工業生產力的提高。2015年人工智能研究中心前期投入10億日元。2015年12月第五個科學與技術基礎五年計劃提出名為“超級智能社會（supersmartsociet”的未來社會構想，發展信息技術、人工智能以及機器人技術，預算26萬億日元。2016年高級綜合智能平臺計劃（AIP）人工智能、大數據、物聯網、網絡安全綜合發展計劃。20135Exobrain計劃，計劃由韓國未來創造科學部102014年，韓國發布的第二個智能機器人總規劃（2014-2018）希望能將機器人產業與其他制造業和服務業相結合，保持在機器人技術及相關重點產業的優勢。2015年，韓國未來創造科學部StarLab軟件研發項目，人工智能是五大關鍵領域之一。圖表12 韓國人工智能相關戰略、計劃時 間戰略、計劃備 注2013年5月Exobrain計劃歷時10年，總預算為九千萬美元，計劃的目標是開發專業領域人機交流的自然語言對話系統。2014年第二個智能機器人總規劃（2014-2018）將機器人產業與其他制造業和服務業相結合，保持在機器人技術及相關重點產業的優勢。2015年AIStarLab人工智能是項目五大關鍵領域之一。（三）我國人工智能產業發展態勢在全球人工智能浪潮下，我國人工智能產業正在積極健康發展。2016年，我國人工智能產業規模將進一步提升。產業規模增長的背后是百度、阿里巴巴、騰訊、科大訊飛等企業在人工智能領域的不懈努力，以及圍繞人工智能積極創新的中小企業。此外，國家和地方政府通過戰略指引、政策支持等方式積極推動我國人工智能產業做大做強。2018200億元人工智能技術在我國移動互聯網、智能家居、無人駕駛等領域的應用繼續不斷深入，人工智能產業規模持續高速增長。根據新智元統計，2015年，中國人工智能產業規模進一步擴大，達到69.33億元，同比增長42.65%。預計2016年，中國人工智能產業規模將達到95.61億元。此后，在無人駕駛及機器人等應用的推動下，人工智能產業規模快速增長，預計2018年將突破200億元，并帶動相關產業規模增長超過1000億元。圖表132014-2020年中國人工智能產業規模百家人工智能企業助推產業轉型升級我國人工智能產業快速增長的背后，是不斷壯大的人工智能企業和不斷涌現的圍繞人工智能的創新創業。百度、阿里巴巴、騰訊、科大訊飛等將人工智能作為整體戰略提前布局。圍繞人工智能的創業企業瞄準細分市場深耕細作，希望在未來人工智能競爭中占據一席之地。在技術研發的基礎上，百度也積極將實驗室中的技術投入產品進行實踐。基礎功能方面，百度基于智能語義、圖像識別技術推出語音搜索、百度識圖等產品，并在百度主流產品中均加入了這部分基礎功能。商業實踐方面，百度的人工智能技術與百度外賣、百度糯米等應用深度融合，通過深度學習算法，利用海量的O2O線上數據進行推算，從而幫助用戶規劃時間、路線，提升工作效率。傳統產業方面，百度目前已經將圖像識別、數據風控技術用于信貸產品的審批當中，在提高審批效率的同時有效控制風險。相對來說，金融，醫療、教育等行業的應用還處于起步階段。新興技術產業方面，無人車成為百度的重點方向，投入較大。由于無人車的發展和普及需要法律法規、交通等全面配套，因此短期內難以獲利。圖表14 百度人工智能布局阿里巴巴2016年之前，阿里巴巴重點開放計算資源及人工智能共性技術，并將人工智能統一到云服務2012年開始組織團隊從事人工智能研究，經過多年的厚積薄發，2015DT，集成了阿里的核心算法庫。在此技術基Ai。20168Ai的基礎上ET機器人，ET學家周靖人介紹，ET1.0業生產、健康等領域輸出決策。此外，阿里將其人工智能技術與電商平臺、大數據、云計算等原有業務相融合，提升各板塊的技術水平，并且成立智能生活事業部，整合電商、數據、平臺資源，與其他廠商合作，推出智能家居產品。圖表15阿里巴巴人工智能布局騰訊、5戰圖表16騰訊人工智能布局科大訊飛不同于互聯網巨頭依托數據資源和技術基礎發展人工智能技術的路徑，科大訊飛以語音技術為產業化方向，核心技術集中于語音識別、語音合成、自然語言處理等幾個方向。在此基礎上，科大訊飛構建了全面的語音技術平臺，推出語音技術引擎、訊飛語音云以及嵌入式軟件，提供語音技術服務。此外，科大訊飛開發了多種語音應用軟件，在電信、公共安全、教育、智能建筑等領域提供相關行業應用解決方案。作為國內最大的語音技術供應商，科大訊飛與電信、金融、家電、汽車等多個主流行業的龍頭企業建立合作關系，形成對語音市場的絕對占有。圖表17科大訊飛人工智能布局科大訊飛超腦計劃科大訊飛目前正在執行的訊飛超腦計劃，就是想實現包括感知智能和認知智能在內的全面突30%～50%的錯誤率的下降。訊飛在認知智能上的研究目標，關鍵是讓機器能理解會思考，這必須要突破語言理解、知識表示、聯想推理，自主學習等多個方面。美國華盛頓圖靈中心在研究如何讓機器人通過美國高中生物測試。日本國立情報研究所在研發863其目的就是要研發高考機器人。該項目包括9個課題組，全國共有31家單位參加聯合攻關，其中科大訊飛作為牽頭單位。除龍頭企業外，我國近幾年圍繞人工智能的創新創業大量涌現。新智元對14個應用領域的人工智能創業企業從營收規模、估值等角度進行梳理分析，具體內容將在投融資篇呈現。國家和地方政策助力人工智能產業健康快速發展我國政府近幾年持續關注人工智能發展，并針對人工智能制定多項國家戰略。20155月，202520157中國人工智能產業發展報告中國人工智能產業發展報告中國人工智能產業發展報告中國人工智能產業發展報告PAGEPAGEPAGEPAGE務院關于積極推進“互聯網+”行動的指導意見》中將人工智能作為重點布局的個領域之一。20163月，國務院《國民經濟和社會發展第十三個五年規劃綱要》指出將重點突破新興領域人工智能技術等。201654+”人工智能三2018年，打造人工智能基礎資源與創新平臺，人工智能產業體系、創新服務體系、標準化體系基本建立，基礎核心技術有所突破，總體技術和產業發展與國際同圖表18 我國人工智能相關政策時 間發布單位戰略、規劃備 注2015年5月國務院《中國制造2025》明確提出“加快發展智能制造裝備和產品”2015年7月國務院《國務院關于積極推進“互聯網”行動的指導意見》明確提出人工智能作為重點布局的11個領域之一。2016年3月國務院《國民經濟和社會發展第十三個五年規劃綱要重點突破新興領域人工智能技術等。2016年5月發改委《“互聯網+”人工智能三年行動實施方案》2018年，打造人工智能基礎資源與創新平臺，人工智能產業體系、創新服務體系、標準化體系基本建立，基礎核心技術有所突破，總體技術和產業發展與國際同步，應用及系統級技術局部領先。二、技術篇——深度學習二、技術篇——深度學習二、技術篇——深度學習（一）技術演進二、技術篇——深度學習深度學習：像人腦一樣思考圖表19 深度學習結構示意圖1深度學習pLearnin，是目前人工智能領域最流行的技術。具體來講，深度學習模型由一1/blog/?p=804中國人工智能產業發展報告中國人工智能產業發展報告二、技術篇——深度學習二、技術篇——深度學習PAGEPAGEPAGEPAGE的特征表示，進一步可以直接用于分類圖像和語音，甚至是控制無人機或是無人車。深度學習試圖使用包含復雜結構或由多重非線性變換構成的多個處理層對數據進行高層抽象，與目前的人腦模型接近，符合人類層次化地組織概念、由簡至繁分層抽象的認知過程。深度學習可以模擬人腦從外界環境中學習、理解甚至解決模糊歧義的過程。與淺層學習相比，深度學習最大的不同在于利用簡單的神經網絡實現更層次化的特征表示，取代人工挑選的復雜特征（即特征工程）表示，并能夠在具體任務上達到更好的效果。深度學習的概念并不新穎，但直到近年才得到認可。業界普遍認為，是超大規模訓練數據、復雜的深層模型和分布式并行訓練造就了今天深度學習的繁榮。具體來講，包含多個隱藏層的神經網絡，利用現在的高性能計算機和人工標注的海量數據，通過迭代得到超過淺層模型的效果。深度學習帶來了模式識別和機器學習方面的革命。圖表20神經網絡發展時間線目前的深度學習模型可以分為神經網絡和深度模型兩條發展路徑如下表所列。圖表21 神經網絡方面的發展1943年McCulloch和Pitt設計的人工神經元1958年Rosenblatt提出感知機1979年Fukushima設計最早的卷積神經網絡，已經具備了多層卷積和池化，但是訓練方法上還存在缺陷1985年Hinton將反向傳播引入神經網絡訓練，發現可以得出帶有語義的網絡結構1985年業界提出認知學問題：人類是否也是類似的依賴神經元連接來進行認知1989年Hinton提出自編碼（AutoEncoder）1999年Hinton等人提出受限玻爾茲曼機圖表22 深層模型發展1965年烏克蘭數學家Ivakhnenko發表深度前向多層感知器；1971年Ivakhnenko設計八層網絡；1986年Dechter將深度學習引入到機器學習領域；2000年Aizenberg等將其與人工神經網絡結合；1989LeCun利用卷積神經網絡結合反向傳播訓練方法進行手寫體識別，后期推廣到全美支票識別。然而由于人工智能行業整體的不景氣，訓練速度和規模受限等問題，包括1997HochreiterLSTM等技術的應用不如1995提出的支持向量機方法廣泛。21世紀初，伴隨著信息革命的發展，計算機性能大幅提升，大規模并行計算設備如GPU等的出現，使得深度學習模型的訓練過程可以提速千倍，在同等海量數據規模的情況下，其表現超過了支持向量機等淺層模型，并隨著數據的增加可獲得持續改進，業界對其應用前景的評估日益樂觀，開始源源不斷地投入深度學習的改進中。深度學習的三個里程碑任何技術的發展過程，都伴隨著一些重要的突破節點，在深度學習技術方面，可劃分為模型初步、大規模嘗試和遍地開花三個階段。2006年前后，深度模型初見端倪，這個階段主要的挑戰是如何有效訓練更大更深層次的神經網絡，曾一度因為梯度方法容易造成層次間信息損失而效果受到影響。業界嘗試利用逐層預訓練的方法（還有一種嘗試方法是上文提到的LSTM）來解決該問題，預訓練首先通過無監督學習得到一些比較穩定的特征，而后用監督學習稍加調整便可得到較好效果，最早是1992年Schmidhuber提出，而后Hinton等人在2006年改進為前向反饋。圖表23 Google大腦計劃2011Google大腦”項目啟動，由時任斯坦福大學教授的吳恩達和GoogleJeffDean主導，專注于發展最先進的神經網16000GPU視頻中的貓臉作為數據對網絡進行訓練和識別，引起業界轟動，此后在語音識別和圖像識別等領域均有所斬獲。圖表24ImageNet挑戰賽資料來源：新智元近年來深度學習獲得了非常廣泛的關注，其進展的一個直觀的體現就是ImageNet競賽。在這個競賽中參賽算法在數千個種類圖像和視頻的大規模數據上測試檢測和分類的正確率快速上升。圖表252011年至2015年ImageNet圖片分類結果資料來源：新智元GPU2011年Ciresan等利用深度卷積神經網絡贏得多項文本識別、交通標志識別和醫學圖像識別等競賽。2012年之前，競賽中物體的識別率一直提升得非常緩慢2012年引入深度學習之后，HintonILSVRC-2012ImageNet80%95%。這標志了人工特征工程正逐步被深度模型所取代。從排名來看，深度學習目前具有壓倒性優勢，已經取代了傳統視覺方法在這一競賽中的地位。進一步地，強化學習也重新成為焦點，2016年Google子公司DeepMind研發的基于深度強化學習網絡的AlphaGo，與人類頂尖棋手李世石進行了一場“世紀對決”，最終贏得比賽。AlphaGo突破了傳統程序，搭建了兩套模仿人類思維的深度學習：價值網絡承擔棋局態勢評估，策略網絡選擇如何落子。（二）深度學習發展現狀多家巨頭力推產業布局技術的發展離不開產業巨頭的推進，深度學習也不例外。FacebookGPUDNNGPUFacebook人工智能研究院推出的專門用于深度學習訓練的計算平臺中扮演著重要的作用。Facebook寄希望以此推動機器智能的發展并幫助人們更好的交流，目前在信息推薦、過濾攻擊言論、推薦熱門話題、搜索結果排名等等已經使用了大量人工智Facebook，還有許多應用能夠從機器學習模型中獲利，然而對于很多沒有深厚機器學習背景的工程師來說，想要利用這些機器學習基礎設施，還是有很大的困難。2014年FacebookFBLearnerFlow，試圖重新定義自己的機器學習平臺，把人工智能與機器學習中Facebook的工程師。這一平臺能方便地在不同的產品中重復使用多種算法，并可以延伸到成千上萬種模擬的定制試驗操中，輕松地對實驗進行管理。這一平臺Python編碼進行自動化平行移用中自動生成用戶界面25%FacebookFBLearnerFlow。其未來的改進計劃包括效率、速度和自動化等。上文提到，Google也在深度學習領域投入了大量力量。以2011年“Google大腦”為契機，Google逐年在多個內部重點項目上如廣告系統、YouTube、Gmail和機器翻譯等部署深度學習，為Google進一步改善產品質量和用戶體驗提供了強有力的支持。此外，鑒于開源Android的成功經驗，Google在深度學習模型和工具方面也積極擁抱開源，目前正在大力推動TensorFlow開源深度學習平臺。Google目前有能力快速搭建和訓練基于海量數據的模型，解決真實世界中的實際問題，并在不同的平臺（比如移動端、GPU、云端）部署生產模型，相關技術都以云服務API的形式提供。圖表26Google產品中深度學習的應用在迅速增長就國內來講，百度是較早引入并大規模實踐深度學習的典范。2013年，百度成立深度學習實驗室，是百度歷史上首個正式成立的前瞻性研究機構，致力于“讓計算機像人腦一樣智能”的科學研究，并推出“百度大腦”計劃，支撐百度相關產品線模型的改進，近年來在搜索技術、自然語言處理、機器翻譯、機器學習、數據挖掘、推薦及個性化、語音、多媒體等領域取得了大量成果，并廣泛應用于百度PC和移動端產品當中。2010DNN語音識別研究，2011年上線首個中文語音識別DNN系統，2013BN-ivec技術，2016年將注意力模型神經網絡應用于認知智能。圖表27科大訊飛的深度學習之路，來源新智元三大領域技術革新圖表28基于深度學習技術的創業公司在產業界巨頭和學術界精英的不斷推動下，基于深度學習的人工智能終于迎來了“春天”，數不清的應用和創業公司出現，試圖利用深度模型和垂直領域的積累來掘得第一桶金，主要聚集的領域有圖像識別、語音識別和自然語言處理。圖像識別領域最早嘗試深度學習，從早期LeCun的卷積神經網絡，到Hinton的更深層次網絡，再到百度以圖搜圖和人臉識別等技術，整個領域逐漸從人工特征工程和淺層學習模型，轉向基于深度學習和大數據的方法。如Face++以云服務方式提供基于深度學習的人臉識別技術，并且在金融、安防、零售領域分別開始了商業化探索。語音識別領域，深度學習技術能夠更好描述特征狀態空間，尤其可以引入更高維的表示，能更好描述特征間相關性，取代了長久以來占據壟斷性地位的混合高斯模型。如百度采用深度學習技術，進行聲音建模的語音識別系統相比于傳統的GMM語音識別系統而言，相對誤識別率能降低25%，早在2012年就上線了基于深度學習技術的語音搜索系統。三大開源框架促進技術落地深度學習目前表現出來的趨勢，不光是技術，還有商業模式的轉變。過去幾個月，所有巨頭都將自己的深度學習IP開源。核心目的是為了吸引用戶、擴大市場，吸引人才、加速創新。開源會使技術發展更快，但主宰市場的仍將是巨頭。深度學習算法和平臺本身的設計與實現是較難的問題，也不應該是應用開發者所需要過分關注的事情。近年來依托開源運動，全球互聯網巨頭從2015年起掀起新一輪最前沿技術平臺開源共享的風潮。例如谷歌和Facebook分別將深度學習平臺TensorFlow和Torchnet全面開源，在全球范圍內大幅推進人工智能與深度學習技術的應用普及，擴大產業整體的市場規模，極大加速了深度學習在應用領域的迅速推廣。這些軟件所具有的共同設計特征是：容易表達、可擴展、多平臺適用、可重復使用和快速見效。并在性能上較同等Paddle是百度的深度學習系統，已經在內部運行和推廣多年，多次獲得百度最高獎榮譽，并且已經做出了一些實際的產品，較為成熟。在性能和各項指標上都有優點，如代碼簡潔、設計干凈，Paddle也獲得了較高的肯定，是一個不錯的深度學習工具，在國內有較大的應用潛力。另一個值得一提的是Caffee，是一個清晰而且高效的深度學習框架，以易用性、擴展性和速度快迅速得到業界的認可，并且在文檔撰寫和代碼迭代過程中非常注重與用戶的互動，時至今日已擁有一個龐大的開發社區。GitHub根據上述框架衍生出數十個開源項目，構成良好的深度學習開發社區氛圍，進一步推1500的大型項目。圖表29 GitHub深度學習開源排名項 目星級應用項目DeepDream9042一款圖像識別工具。Keras7502一款由Python實現的深度學習庫，包括卷積神經網絡、遞歸神經網絡等。運行在Theano和TensorFlow之上。RocAlphaGo7170由學生主導的一個獨立項目，重新實現了DeepMind2016Nature"MasteringthegameofGowithdeepneuralnetworksandtreesearc用深度學習和樹搜索學習圍棋"(Nature529,484-489,28Jan2016)。NeuralDoodle6275運用深度學習將涂鴉變為優雅的藝術品，從照片生成無縫紋理，轉變圖片風格，進行基于實例的提升，等等。（語義風格傳遞的實現）CNTK5957計算網絡工具（ComputationalNetworkToolkit，CNTK）TensorFlowExamples5872面向初學者的TensorFlow教程和代碼示例OpenFace4855基于深度學習網絡的面部識別。（續表）項 目星級應用項目Nupic4364Numenta平臺NumentaPlatformforIntelligentComputing，Nupi：一個腦啟發式的計算智能和機器智能平臺，基于皮層學習算法的生物精確神經網絡模型。Leaf4281面向黑客的開源機器智能框架。CharRNN3820基于Torch開發的多層遞歸神經網絡的字符級別語言模型。NeuralTalk3694一個Python+numpy項目，用多模式遞歸神經網絡描述圖像。deeplearning4j3673基于Hadoop和Spark的Java,Scala&Clojure深度學習工具。TFLearn3368深度學習庫，包括高層次的TensorFlow接口。OpenAIGym3020一種用于開發和比較強化學習算法的工具包。Magenta2914用機器智能生成音樂和藝術Colornet2798用神經網絡模型給灰度圖上色。Synaptic2666基于node.js和瀏覽器的免架構神經網絡庫。NeuralTalk22550Torch開發的圖像簡介生成代碼，運行在GPU上。ImageAnalogies2540使用神經匹配和融合生成相似圖形。DeepLearningFlappyBird1721使用深度強化學習破解FlappyBird游戲。（三）深度學習未來展望技術的發展，尤其是到大規模落實階段，都難免會發現局限性，也正是這些局限性，不斷促進業界思考和改進技術，進而得到未來的發展方向。就深度學習而言，首先，缺乏理論支持。對于深度學習架構，業界存在一系列的疑問：卷積神經網絡為什么是一個好的架構，深度學習的結構需要多少隱層，在一個大規模的卷積網絡中到底需要多少有效的參數，隨機梯度下降方法優化權重得到一個局部最優值如何解決。雖然深度學習在很多實際的應用中取得了突出的效果，但這些問題一直困擾著深度學習的研究人員。深度學習方法常常被視為黑盒，大多數的結論確認都由經驗而非理論來確定。不管是為了構建更好的深度學習系統，還是為了提供更好的解釋，深度學習都還需要更完善的理論支撐。隨著神經網絡框架變得越來越復雜而精密，在感知、語言翻譯等等方面的大部分最先進的神經網絡框架正在發展并且不再僅僅關于簡單前饋式（feed框架或者卷積式框架LSTM卷積、自定義目標函數、多皮層柱（multiplecortical等等。此外，神經網絡超參數和網絡結構的設計目前多依賴人工經驗，如何能夠自動且高效地得到優化是值得關注的方向。其次，缺乏推理能力。深度學習技術缺乏表達因果關系的手段，缺乏進行邏輯推理的方法。解決這個問題的一種典型方法是將深度學習與結構化預測相結合。目前幾個帶有結構化預測模塊的增強的深度學習系統已經被提出來用于OCR、身體姿態檢測和語義分割等任務中。總的來說，需要更多新的思路以應用于需要復雜推理的任務中。盡管深度學習和簡單推理已經應用于語音和手寫字PAGEPAGEPAGEPAGE中國人工智能產業發展報告識別較長時間，仍需要在大的向量上使用新的范式來代替基于規則的字符表達式操作。最終，那些結合了復雜推理和表示學習的系統很可能為人工智能帶來巨大的進步。深度學習和強化學習的交叉應用會繼續，不僅僅聚焦在圖像、聲音和文本數據。如端對端學習控制無人車和機器人，使用深度學習和強化學習來完成原始傳感器數據到實際動作執行器的直接映射。深度學習模型正從過去的只是分類一步步發展到試圖理解如何在方程中加入規劃控制相關的變量。第三，缺乏短時記憶能力。人類的大腦有著驚人的記憶功能，不僅能夠識別個體案例，更能關聯性。例如在自然語言理解的許多任務）中，需要一種方法來臨時存儲分隔的片的記憶。這使得研究人員提出在神經網絡中增加獨立的記憶模塊，如LSTM，記憶網絡（Memory，神經圖靈機luringkRNNdRN。雖然這些方法思路很直觀，也取得了一定的成果，但在未來仍需要更多的嘗試和新的思路。最后，缺乏執行無監督學習的能力。無監督學習在人類和動物的學習中占據主導地位，我們通過觀察能夠發現世界的內在結構，無需被告知每一個客觀事物的名稱。在機器學習領域，神經網2005年左右，雖然無監督學習可以幫助特定的深度這并不能代表非監督學習在深度學習中沒有作用，反而具有非常大的潛力，因為業界擁有的非標記數據比標記數據多很多，只是尚未找到很合適的非監督學習算法。非監督學習在未來存在巨大的研究空間，今后計算機視覺的進步將有賴于在無監督學習上取得突破，尤其是對于視頻的理解。三、應用熱點篇——自動駕駛三、應用熱點篇——自動駕駛三、應用熱點篇——自動駕駛（一）概述三、應用熱點篇——自動駕駛自動駕駛又叫機器駕駛，涉及大量的人工智能技術，其發展與人工智能的發展密不可分。近年來，隨著人工智能獲得快速進步，自動駕駛作為這一技術商業化的一個重要方向，也迎來了發展的熱潮，是近幾年最熱門的應用之一。四個等級兩種路徑自動駕駛等級定義：目前美國、歐洲、日本都對自動駕駛的等級做了定義，其中受到廣泛認可的是美國高速公路交通安全管理局和國際自動機工程師學會的定義，如下圖所示。圖表30NHTSA自動駕駛等級定義無人駕駛的研發路徑主要分為兩種：半自動的輔助駕駛，完全的全自動駕駛。輔助駕中國人工智能產業發展報告中國人工智能產業發展報告三、應用熱點篇——自動駕駛三、應用熱點篇——自動駕駛PAGEPAGEPAGEPAGE研發者主要是互聯網公司，較為知名的是谷歌和百度。無人車商用時間線：3-4年之后2015年年底以來，從百度開始，世界上幾大開發智能駕駛汽車的主要廠家紛紛發布無人駕駛汽車商用和量產的時間線。已經公布無人車（包括無人駕駛公交車）上路時間表的公司：圖表31 資料來源，中信證券研究部，新智元公 司商用/量產日期公 司商用/量產日期百度2018年商用，2020年量產寶馬2017-2020年谷歌2020年量產奧迪2017年Uber2017年奔馳2020年Mobileye2019年通用2020年福特2019年現代2020年豐田2020年起亞2020年本田2020年沃爾沃2020年大眾2020年綜合看來，國內外研發無人駕駛汽車的公司都把無人駕駛商用的時間線劃在了2020年前后。接下來的3到4年將會是這一技術商業化落地的一個沖刺時期。（二）人工智能與自動駕駛（自動駕駛中的人工智能技術）圖表32自動駕駛所涉及的技術總的來說，自動駕駛中涉及的人工智能技術主要包括感知、決策、地圖和車聯網。感知）感知是汽車實現自動駕駛的一個基本前提，簡單來說，感知也就是采集數據的過程。自動駕駛汽車要依靠傳感器進行環境感知，目前主要有雷達、攝像頭、GPS三種，三種傳感器具有互補性，所以不管是在輔助駕駛還是全自動駕駛的路徑上，三種傳感器呈融合發展態勢。圖表33谷歌無人駕駛感知層雷達在無人車使用的雷達中，較為常見的有激光、毫米波、紅外、超聲等。圖表34毫米波雷達與其他傳感技術對比表毫米波雷達毫米波雷達是指工作在毫米波波段的雷達，其發射的無線電波長為1-10mm，頻率為30G-300GHz。測量范圍在100-200米左右。跟激光雷達相比，毫米波的準確度會差一些，但毫米波雷達具有穩定的探測性和良好的環境適應性，受天氣和光線的影響小。因此毫米波雷達能很好的填補了攝像頭、激光、超聲波、紅外等其他傳感器在車載應用中所不具備的使用場景空白。77GHz毫米波雷達的大規模應用將稍微推24GHz。24GHz77GHz77GHz雷達波長短，距離檢測范圍更廣、精度更高，因此在使用的時候各有利弊，但大部分專家認為最后頻段會統一到77GHz。20207200ADAS2020年30%ADAS41個長距毫米波雷達，則國內出貨量可達4500萬顆，市場規模將超200億。圖表35全球車載毫米波雷達預測圖表36 主要毫米波雷達廠商24GHz77GHz主要應用盲區監測、碰撞預警自適應巡航國外廠家Hella大陸TRWTyco西門子博世德爾福電裝TRWFujitsuTenHitachiHella+NXP(預計2018年推出）廈門意行半導體（2016年底推出）廈門意行半導體（已量產）北京行易道（已裝車試驗）-北汽湖南納雷（已量產）蕪湖森思泰克（已產品化）國內廠家蕪湖森思泰克（已產品化）南京隼眼（樣機階段）杭州智波（樣機階段）杭州智波（實驗階段）華域汽車（在研）沈陽承泰（測試階段）深圳卓泰達（測試階段）激光雷達（LiDAR）通過發射激光束來探測目標位置、速度等特征量的雷達系統，具有測量精度高、方向性好等優200m以內，多采用多3D測量。3D3D環境地圖，在自動駕駛系統中具有重要作用。激光雷達和視覺組合的方案，既可以保證測距的準確性和可靠性，又可獲取顏色和紋理等特Google、寶馬、奔馳、奧迪和沃爾沃，供應商如博世、德爾福、大陸和先鋒，以及初Zoox，NuTonomy，都在自己的自動駕駛系統中重度使用激光雷達。目前激光雷達因為價78萬美元，成本高昂，固沒能被大規模采用，低成本的激光雷達方案如能達到同樣效果，將極大的推動無人駕駛進度。10.2202535.2無人車從實驗走向量產，激光雷達需要突破如下幾個瓶頸：技術方面：當前，激光雷達系統在感知方面比較成功，但在預測方面能力比較弱，發展自動駕駛，預測能力是關鍵一環，有待突破，同時要在可靠性方面下足功夫。價格方面：6460萬元人民幣，所以，降低價格是未來工作的重點。已Quanergy公司合作開發一款激光雷達的解250美元。安全問題：現在只要在雷達發出信號后找個合適時間點把激光信號反饋給雷達，就能造成遇到障礙物后回傳的假象。自動駕駛汽車接到這些偽造的信號后，就會確信某個地方有一個障礙物存在。未來需要充分考慮安全問題。圖表37 典型高端激光雷達技術指標360°視場LiDAR局部視場LiDAR典型視場覆蓋360°110°最遠測量距離~100100-200m典型掃描線數16/324/8/16傳感器輪廓尺寸φ100×80mm200×100×100mm200-300100米以外的障礙物就0.18-16個扇形通道來處理。局部視場110°）8、1632LiDAR有利于嵌入汽車車身，便于主機廠整車設計，將在前裝市場受到高度重視。圖表38 激光雷達主要廠商廠 商產 品合作廠商Velodyne包括16線束、32線束及64線束福特IbeoLUX-4L與LUX-8L專用于ADAS無人駕駛系統Quanergy3D激光雷達傳感器奔馳、Delphi華達科捷32線束的三維激光雷達巨星科技中海達32線激光雷達攝像頭）攝像頭的感知原理包括三層：圖像處理、模式識別和雙目定位。其優勢包括成本較低，需要的數據量較少，目前技術較為成熟。但是，攝像頭受外部環境的影響較大，包括光線和天氣等。目前無人駕駛汽車上安裝的攝像頭主要有：1）單目攝像頭；2）后視攝像頭；3）雙目攝像頭；4）360度環視攝像頭。采用基于攝像頭的圖像識別感知的典型企業：MobileyeMobileye總部位于以色列，當前比較成熟的是它的視覺感知技術，通過一個高清攝像頭搭配EyeQADAS功能。目前提供多類預警功能，包括：前碰撞預警（FC、前方車距監測與預警系統HM、車道偏離預警系統LD、行人探測與防撞系統PC）與智能遠光燈控制系統（IHC）2015100020273款車型。圖表392015年Mobileye主要合作方及功能實現圖表40Mobileye營業收入與凈利潤（百萬美元）早在2000年Mobileye就選擇了單目視覺的路線。2012年開始深度學習的研究，在2015年10月發布的EyeQ3上首次運用了此技術，讓車輛學會處理攝像頭收集的信息，通過關鍵特征和輪廓提取，可實現物體檢測、環境建模、路徑規劃、場景識別等。在2016年的CES上，創始人Shashua闡述了Mobileye在自動駕駛方面的解決方案：360o可行區域和障礙物信息；通過已經配裝在車上的Mobileye進行稀疏地標地圖的收集，具有數據量小的特點，僅為3D。因此方便用戶將數據上傳云端，進行眾包數據采集REM，構成路書RoadBoo，用來導航和規劃路徑；開發基于強化學習的駕駛決策控制算法。REM的汽車廠商有通用（2016、大眾（2018）以及一家不愿透露名稱的廠商（2018，這樣一來，eREM將覆蓋全球三分之一的汽車。由此也能看Mobileye正在慢慢調整自己的產品策略，增加除攝像頭之外其他傳感器數據的處理能力，在芯片上實現傳感器融合。圖表41Mobileye技術路線圖Mobileye從2016年5月月份以來的發展道路：a．2019推全自動無人駕駛，大眾、寶馬、通用等多家廠商合約在手，8月23日宣布與德爾福合作，將合作開發全自動駕駛系統。從2019年開始，汽車廠商將可以在車輛中應用這一系統。b．7月29日終止與特斯拉的合作）無人駕駛車輛在道路上自主行駛時,需要進行如下決策:,規劃出一條合理的甚至是最優的行車路線。,根據道路中的車道線、路口前的導向箭頭、斑馬線等保證車輛的正確通行。依照道路的限速標志、路面交通流情況控制車速。,,與其他障礙物保持安全的距離。,,,,之前的大量研究是通過預設的規則來進行駕駛決策，此方法有致命的缺陷。畢竟現實中有著太多的突發情況和不確定性，預設的規則并不能窮盡所有的可能。最好的方式是讓車學會像人類一樣，綜合處理各種視覺、聽覺信號，并基于駕駛經驗做出判斷，而不是依靠生搬硬套各種規矩。另外，在自動駕駛進入商業化量產的過程中，必然會經歷駕駛者與自動駕駛模式之間的“適應性”問題。這些問題在目前保守的實驗階段還無法凸顯出來。而一旦商業化，只有符合駕駛者風格的自動駕駛，才會獲得大家對自動駕駛的認同，這種“適應性”會直接影響到自動駕駛模式的使用頻率。這都需要汽車通過機器學習“如何像人一樣進行駕駛決策”。計算也就是數據處理，然后形成決策的過程中，涉及大量的算法、處理器、芯片等，是人工智能技術。由此，也有許多芯片巨頭參與到無人駕駛中來，其中尤以Intel和Nvidia為典型。提供無人駕駛套裝的Comma.ai也是一個新例子。Intel今年早些時候，英特爾收購了一家為自動駕駛汽車芯片提供安全工具的公司——Yogitech；與此同時，英特爾的風河事業部買下了Arynga，這家公司產品以基于GENIVI聯盟標準開發的CarSync軟件為主，它能夠使車用計算機具備OTA無線升級的功能。而兩樁并購案的共同點在于，它們都將用于英特爾為全無人駕駛汽車開發的未來芯片和參考設計中。20165ItseezInc，它的主營業務為機器視覺算法及使用該算法的嵌入&定制化硬件系統。7月初，英特爾與寶馬、Mobileye宣布合作。8月，英特爾宣布收購深度學NervanaSystems4.089月，英特爾再次展開收購，買下計算機視覺公司。NvidiaNvidia2015年初發布了可用于圖像、計算機視覺和深度學習的自動駕駛平臺DrivePX系統，2016年初又發布了新一代的DrivePX2，其視覺計算能力和I/O帶寬比上一代產品提高了一個數量級。DrivePX是圍繞深度學習構建的，在Caffe框架上運行DNN模型，可融合來自12個攝像頭、雷達、激光雷達、超聲波傳感器的數據，實現360度環繞視圖解決方案，可實現動態和靜態物體物體的檢測、分類和跟蹤，實時處理路況信息，包括其他車輛、信號燈、路標、道路標志、監控攝像頭等等，甚至部分行人。DrivePXNvidia云端平臺數據，進行“自我學習”不斷優化系統，提高識別精準度。Nvidia同時也表示一輛自動駕駛車必須在本地就具備完整的駕駛能力，而不是更多去依賴云端提供輔助信息，因此應盡量增強本地運算能力。DrivePX2150MacBookProPascalGPU12GPU24XC90車型上使用該Nvidia的這項技術。2016913日，NVIDIAGPU技術大會上推出了手掌大小的節能型人工智能計算機——NVIDIADRIVEPX2AUTOCRUISE，可用于自動駕駛汽車的駕駛和制圖功能。百度自動駕駛汽車將使用該款產品。NVIDIADRIVEPX2AUTOCRUISE計算平臺適用于自動巡航功能包括高速公路自動駕，能夠實時了解周邊情況、在高精度地圖上精確定位，以及規劃安全行車路線。該10瓦，可以幫助車輛利用深度學習處理來自多個攝像頭和傳感器的數據。DRIVEPX2NVIDIAAI計算解決方案家族中的一員，將成為百度自動駕駛汽AI引擎。為了進行深度學習的部署，Nvidia的策略有三步：第一步是建立深度學習生態圈，共同進行深服務器等；第三步則是提供端對端的解決方案。這種方式的好處是，Nvidia可以在不同平臺上讓這套算法去進行學習并共享知識，而且未來這套深度學習算法的應用，很有可能并不止于自動駕駛的汽車上，在物聯網上也可提供解決方案。Comma.aiComma.ai26GeorgeHotz201510月。Comma.ai創始人GeorgeHotz昨天公布了公司的第一款官方產品——CommaOne，將在今年年底前正式上市，售價999美元。這是一個和特斯拉的Autopilot類似的系統，功能差不多。談到與特斯拉的競爭，HotzIOSAndroid。Comma.ai使用，深地圖城市道路環境下的駕駛地圖主要由簡單道路、復雜道路和路口3大要素組成。智能駕駛地圖提供商圖表圖表42來自中信證券前瞻研究專題報告HERE是諾基亞的地圖服務部門，2015725億歐元收購，以配合自動駕駛的研發。20157月，HERELiDAR的數據采集車以及HD地圖數據，供汽車廠商做10~20厘米。HERE10家汽車廠商合作，進行自動駕駛開發項目。中國國內的主要地圖廠商有高德地圖、百度地圖、騰訊地圖、搜狗地圖、老虎地圖、圖吧地圖、四維圖新、天下圖、圖盟、圖為先、凱立德。自動駕駛使用的較多的是百度地圖、高德地圖和騰訊地圖。圖表43中國地圖市場4．車聯網現在“互聯網”正在向“物聯網”發展，而自動駕駛的“車聯網”是“萬物互聯”的重要的應V2XV2VV2PV2I之間實現高效的信息交換與共享，從而對人、車、路和交通設施進行智能管控。無人駕駛的最終實現必然依賴車聯網，車聯網整個交通系統的運行效率。圖表44車聯網示意圖V2X通信中使用的無線技術需要在高度動態化的環境中工作，其中，發射器與接收器之間需要為安全相關應用提供極低通信延時。另外，通信鏈路還需要承受因多個主機傳輸多條消息而造成的高負載問題。目前，V2X分為DSRC和LTE-V兩個標準和產業陣營。DSRC專用短程無線通信標準以IEEE802.11p為物理層和MAC層基礎，采用5.9GHz頻段，主要應用為V2V。美國、日本和歐洲都在推進產業化，主要有NXP、ST、瑞薩等廠家，但至今未形成國際統一標準。有專家預計，DSRC在V2P應用中的地位在2020年將被LTE替代。圖表45 各國DSRC標準2002年和2003年美國分別發布了E2213-02和E2203-03兩個DSRC標準1997年歐洲發布了ENV122535.8GHzDSRC物理層和ENV12795DSRC數據鏈路層兩個標準2001年和2004年日本分別發布了ARIBSTD-T75和ATIBSTD-T88兩個標準圖表46 美國DSRC標準美國DSRC標準應用層IEEE1609.1資源管理IEEE1609.2安全服務IEEE1609.3網絡層協議及管理機制IEEE1609.4多信道協調應用MAC層IEEE802.11p物理層IEEE802.11p兩大技術支持包括V2I、V2VV2P等各類應用，目前正處于標準制定的關鍵階段，形成了以大唐、華為、高通蜂窩式）3GPP最近發布的V2VCorepart20169V2XCorepart20173月完成。初步推V2X2018-2019年商用。圖表47V2X技術兩大陣營V2XV2X基礎設施。我國目前尚未IEEE802.11pDSRC蜂窩網絡基站已經存在，只需要增設一些額外設備，部署成本低；覆蓋廣，網絡運營盈利模式清晰；晶片組，大幅降低模塊、芯片成本；4）5G持續演進。DSRC網絡的現狀和演進的技V2X技術標準首選。預計車聯網技術2019年就將成為美國車輛的強制標準，而歐洲更是有可能在2018年5月強制3-53000億元。201619%202049%55%。202367%，屆時中國將成為全球最大的車聯網前裝市場。（三）無人駕駛產業無人駕駛具有極大的社會價值和經濟價值。BCG在報告《回歸未來：通向自動駕駛之路》中指出：以美國為例，如果自動駕駛汽車得到34040%的燃1.3萬億美元。百度自動駕駛事業部總裁王勁說，在中國，無人駕駛技術的普及會每天讓500個人免于在車禍中喪生。圖表48自動駕駛的優勢國外自動駕駛發展趨勢IHS201662020年美國或將成為第一個允許無人駕駛汽車上路國家，該年將有數千輛無人駕駛汽車出現在美國的道路上。2025年全球無人駕駛6010年中，因為這類汽車將被全世界所有關鍵市場接受，銷量將以每年43%的速度持續增長。圖表49全球無人駕駛銷量增長趨勢到2035年全球無人駕駛汽車銷量將達2100萬輛，大幅高于兩年前1180萬輛的預估值。其中，450570萬輛。歐洲的銷420100萬輛。與此同時，日本和韓國市場將售出120萬輛無人駕駛汽車。根據新智元此前的報道，國際著名調研機構IHS報告，使用智能駕駛系統的汽車數量將從2015700202512.2100。圖表50未來5年無人駕駛汽車數量增長趨勢，來源BusinessInsider5這期間得到越來越廣泛的應用，包括語音和手勢識別、虛擬助理和語言界面等信息娛樂系統。產業環境自動駕駛乃至無人駕駛作為未來的重要趨勢，除了在技術層面需要樹立強制性的標準和規范外，法律、法規上的問題也需要得到解決，特別是對于無人駕駛技術而言。無人駕駛在近期內只能在固定的區域和路線內實現，但即使是這樣也無法徹底避免相關法律、法規需要更改的需求。目前國內外尚無配套的法律支持完全自動駕駛產業的發展，完全自動駕駛汽車上路仍受到法律的約束。NHTSA于2016年2月給出結論：谷歌無人駕駛車符合聯邦法律，并且無人駕駛汽車的司機是自動駕駛系統，而不是車主本人。但必須安裝類似傳統車輛的控制裝置，駕駛位必須有司機，且司機必須有專門的駕駛資質。歐洲、日本國家也鼓勵無人駕駛的發展，但法律亟待出臺。美國交通部2016年9月21日發布了自動駕駛汽車首個聯邦條例，這是世界上目前為止第一個廣泛性的、國家級自動駕駛政策。新聞發布會上，美國國家公路與安全交通管理委員會的主任MarkRosekind說，該法案的目標是“創造一條通往全自動（駕駛）技術的道路”。邦政府和州政府在自動駕駛汽車監管中承擔的不同責任，從政策上為各州提供參考。在新政策發布的同時，NHTSA做出了呼應，發布了相應的關于NHTSA會如何執行《聯邦自動駕駛汽車政策》的文件。NHTSA特別指出，若半自動化駕駛系統在危險情況下，司機無法重新控制車輛，產生不可控的風險，NHTSA將會進行強制性召回處理。英國為實現到2020年允許自動駕駛汽車上路的目標，以及從法規方面給予消費者使用自動駕駛車的信心，在7月11日就保險規則和汽車上路行駛標準的修改召開了一次諮商。英國政府表示，全球自動駕駛市場估值高達900億英鎊1.29，但其需要能夠確定3月份公布了在高速公路上測試汽車的計劃，并且表示，政府將制定相應政策，使技術研發跨越法規障礙。英國商務部和運輸部大臣稱，該國將清除束縛自動駕駛車的法規，其中包括交通規則，以及駕駛員必須遵守的政策法規。互聯網企業與傳統車廠爭奪市場科技與汽車行業之間的界限正在逐漸變得模糊，自動駕駛技術也正在把汽車變成一臺計算機。但是這些發展是非常昂貴的：從2010年到2014年，汽車制造商研究與發展的預算增加了61%，共上漲了1370億美元。為了分享風險和成本，現有的汽車巨頭以及行業潛在的破壞者正在組隊，這是一個前所未有的復雜聯盟。現在，汽車行業利潤豐厚，汽車制造商希望保證軟件公司不會占據市場獲得最大份額。McKinsey分析認為，到2030年，分享汽車和主板數據服務會讓汽車行業的年收入增加1.5萬億美元，而傳統汽車銷售和服務的收入到2030年會達到5.2萬億美元。下圖是無人車產業中三種玩家的投資、合作、談判和人才流動關系圖。值得注意的是，這并不是一張囊括所有關系的圖表。圖表51一張圖讀懂無人駕駛玩家黑馬Nutonmy8月25日，NuTonomy成為全球首個上路測試無人駕駛出租車的公司。NuTonomy于2013年在美國麻省理工學院內部孵化，后從學校分離成立，由該校博士生KarlIagnemma以及航空航天工程系教授EmilioFrazzoli共同創辦，前者擔任CEO，后者擔任CTO。兩人均在自動駕駛領域有超過10年的研究經驗。它開發的軟件可告知無人駕駛汽車如何根據環境規劃它們的行駛。該公司從數家風投基金獲得了360萬美元的投資，參加這輪融資的分別是SignalVentures、SamsungVentures,、FontinalisPartners和StevenLaValle博士。中國自動駕駛的發展趨勢中國的市場規模L1-L3等級的技術已部分實現商業化量產，也即高端車型配備的自適應巡航、高速路自動駕駛、自動泊車等高級輔助駕駛系統，而部分實驗室階段的無人車輛已能實現部分道路條件乃至全工況下的無人駕駛。畢馬威公司L3L42018年和202010年后逐漸普及。202520001.9萬億美元的產值。大眾汽車集團中）2030年在所有銷售汽車中無人駕駛的比例可15%50%國汽車市場的半壁江山。目前國內外尚無配套的法律支持完全自動駕駛產業的發展，完全自動駕駛汽車上路仍受到法律3月舉行的全國人民代表大會上，全國政協委員、吉利集團董事長李書福和全國政協委員、百度公司董事長兼CEO李彥宏提交提案：要求加快自動駕駛法規建設，為無人駕駛汽車積極組織開展無人駕駛汽車測試的試點工作。中國的政策有望在一到兩年內出臺。無人駕駛汽車市場前景明朗的原因在于，汽車制造商加大研發力度的同時，各國推行的相關法律也朝著有利的方向發展。目前主要發達國家都已采取多種措施支持企業開展無人駕駛汽車的研發和測試，通過包括批準無人駕駛汽車路測、建成無人駕駛汽車測試路段等方式促進無人駕駛汽車產業的發展。但是，我國現有的大部分政策法規與無人車發展還不相適應，無人駕駛汽車該由誰來監管，路上測試與應用應該如何規范，這些問題還尚未得到解決。目前，中國智能駕駛依然處于法律空白地帶。主要企業圖表52中國智能駕駛主要公司分析，來源易觀智庫，中信證券研究部趨勢：智能出行公司的平臺優勢明顯，成有力武器無人駕駛對社會的改變不僅僅是在解放司機，更多的是在出行方式和汽車所有權的改變上。未來，作為交通工具的無人車，將不再是私人所有，而是采取“分時出租”的方式為顧客服務。在未來的無人駕駛交通系統里，叫車服務公司的平臺化優勢非常明顯。UberCEOTravisKalanick在談到無人車業務時曾表示，無人車“不是副業，事關生死存亡isnotasideproject.Thisisexistentialfor由此，通過叫車軟件連接客戶的出行公司，已經占據入口地位的互聯網將在整個生態系統上占有一個較為明顯的地位，這類企業中，較為典型的是Uber和滴滴出行。Uber2015年就開始布局無人駕駛。2015年，Uber梅隆大學在匹Technologies的機構，開始在無人車研發上合作，UberCMU50名資深機器人專家。7UberGoogleLiorRonGoogleClaireDelaunayGoogle資深工程DonBurnette等人。OttoAnthonyLevandowskiGoogle無人駕駛團隊擔任要職。除了“挖人”建立人才庫，Uber5月，Uber接受豐田汽車戰略投資。此前Uber曾聯合福特測試無人駕駛汽車。8月18號，Uber32021年推出自動駕駛汽車。根據協議，Uber1.5億美元作為初步研發資金，共同開發無人車：Uber提供技術讓汽車變為自動駕駛的軟件，沃爾沃則提供車，具體使用的車型是沃爾沃0。913日，Uber又從特斯來挖來了地圖負責人。繼續發力無人駕駛研究。2016年9月，國外媒體報道，已經可以在匹茲堡市區叫到無人駕駛汽車。CTO張博曾對新智元透露，無人車是滴滴重大戰略布局，很快會有無人車上路。根據滴滴出行CEO程維公布的數據，20167151600萬。201681日，滴滴出行宣布與優步全球達成戰略協議，將收購優步中國的全部資產。82日，交易雙方履行股權變更登記手續，完成Uber后，滴滴出行在智能出行上的地位進一步鞏固。PAGEPAGEPAGEPAGE中國人工智能產業發展報告四、投融資篇——新智元100報告中國人工智能產業發展報告四、投融資篇——新智元100報告（一）全球AI創業公司投融資市場概覽首先來看全球風險投資機構PlayfairCapital估計，全球大900I領域的業務，其中絕大部分的企業主要業務方向是改善商業智能B金融和安全領域的實際應用問題。VC熱衷于投資學術研究實力強大的初創公2014VC投資案例中，全球比較知名的有：Vicarious，ScaledInference，MetaMind，SentientTechnologiesAI領域的投資市場來看，80%500VCAI初創公司。根據CBInsights的數據分析顯示，過去5年里，有超過65%的融資發生在種子/天使輪或A輪，D輪及以后的融資僅有20家。圖表53全球人工智能投融資情況，來源CBInsightsCBInsights2015AI23.88397筆交易。20161436.02億美元，成四、投融資篇——新智元100報告交次數相當于2015全年的36%，顯示AI領域的投融資交易比以往任何時候都更活躍。截止2016年6月15日，已有超過200家人工智能初創公司總共獲得了近15億美元的融資。圖表54全球AI產業融資圖景，季度對比，來源CBInsightsCrunchbase256AI司，其中目前作為初創公司運營IPO、融資次數在三輪或三輪以下AI20725家初創企業如下表：圖表55按照融資總額排名的前25家初創企業，來源CrunchBaseAI201533IPO次退出案例發生在歐洲，1次在亞洲，其余均發生在美國。其中最大的三筆交易分別是：TellApart/（5.321700Elastica/BlueCoatystem（2.84500）IronSourc（1500萬；2100，均有可觀的財務投資回報率。其余并購退出項目主要是出于整合團7人。中國人工智能產業發展報告中國人工智能產業發展報告四、投融資篇——新智元100報告四、投融資篇——新智元100報告PAGEPAGEPAGEPAGE總體而言，2015VCAIVC5%2013年的該比例僅2%AI領域的投資呈現增長趨勢，但整體規模仍然較小。綜上所述，AIVC投資和退出市場的兩個最主要特點是，第一，市場仍然處于初步興起階段，投資輪次仍然多數偏早期，投資金額整體偏小；第二，市場中曝光的絕大多數交易活動主要來自美國市場。（二）中國人工智能創業與投融資概覽圖表56中國人工智能行業投資額及投資次數根據艾瑞咨詢