未來已來：人工智能正在催生新一輪產業革命

■文/億歐智庫

人工智能作為一項具有生產力變革作用的新技術，正在以其強大的運算、認知和感知能力，出現在人們的視野中，并開始催生中國乃至世界新一輪的產業革命。

無論是從媒體報道數量、搜索引擎指數，還是創業公司數量、投資頻次和額度，又或是專利數量，我們都可以很直觀地感受到，人工智能作為一項具有生產力變革作用的新技術，正在以其強大的運算、認知和感知能力，出現在人們視野中，并開始催生中國乃至世界新一輪的產業革命。國內外頂尖的算法工程師、產品設計師正在針對不同行業、不同應用場景研發人工智能產品，其中部分產品已逐步在市場上落地并直擊行業“痛點”，實現了生產效率的顯著提升與生產成本的大幅下降。

隨著人工智能的快速發展，學界和商界都在密切關注和研究人工智能的技術發展與市場表現，人工智能在各大產業中的作用越來越重要。

人工智能“前世今生”：人類賦予計算機的未來形態

“人工智能”(Artificial Intelligence)一詞現世已逾60年。從20世紀計算機的誕生和神經網絡研究的曲折發展，到21世紀深度學習的提出，以及深度學習算法實現的更高層次的計算機視覺、智能語音技術和自然語言處理的出現，人工智能研究經過跌宕起伏的數十年，終于在2012年正式步入了產品化和商業化階段。

人工智能進入新的發展階段，雖離不開深度學習算法的貢獻，但作為人類賦予計算機的未來形態，人工智能并不止步于深度學習。目前，深度學習和數據挖掘是人工智能的兩大高頻使用技術。同時，遷移學習、強化學習、認知計算等技術正逐漸被重視和利用，其在解決某些特定問題方面擁有超越深度學習的表現，有望成為人工智能的“明日之星”。

此外，以處理器/芯片、傳感器元件、激光雷達等為代表的硬件設備，提供計算和存儲服務的云平臺，以及大數據服務平臺，均為人工智能的產品化過程提供了底層支持。

產業變革初見端倪，人工智能賦能效果顯著

根據億歐智庫的觀察，人工智能的產品化進程首先發生于金融、醫療、安防、自動駕駛等產業。其中，在利益杠桿強作用下的金融產業，和模式過于陳舊而“痛點”顯著的醫療產業，人工智能產品的市場落地速度相對較快。

●智能金融：前、中、后臺全程優化

金融業，一向被稱為“國民經濟的命脈”。隨著人工智能技術與金融服務和產品發生動態融合，“智能金融”的概念被提出，并被列入國家規劃。伴隨經濟的增長，我國居民可支配收入和可投資資產的增加，金融需求的不斷上升與金融工作人員的服務能力日漸不足之間的矛盾逐漸顯現。此外，金融機構對于提高金融風險定價能力、節省風險控制成本也有迫切需求。人工智能技術驅動下的金融創新，能夠對上述問題提供有效的解決方案。

那么，人工智能在金融領域具體有哪些應用呢？概括而言，主要有七大方面，涉及金融機構的前、中、后臺。其中，前臺包括智能支付、智能營銷、智能客服，中臺包括智能風控、智能投顧、智能投研，后臺為智能數據。在這七大場景中，智能投顧可以說是最近比較熱的一個概念，無論是銀行還是創業公司都在積極布局智能投顧。

智能投顧最早在2008年前后興起于美國，又稱機器人理財（Robo-advisor）。其依據現代資產組合理論，結合個人投資者的風險偏好和理財目標，利用算法和友好的互聯網界面，為客戶提供財富管理和在線投資建議服務。投資者對于投資顧問的需求主要體現在“情緒管理”和“投資策略/建議”：一方面，投資者在投資過程中容易產生貪婪或恐慌等情緒波動；另一方面，投資者對金融市場信息了解相對較少，信息不對稱。智能投顧充當的就是投資顧問的角色，但是與傳統的投資顧問相比，具有門檻低、費用低、投資廣、透明度高、操作簡單、個性化定制等優勢。

智能投顧與傳統投顧服務一樣，都包括客戶分析、大類資產配置、投資組合選擇、交易執行、組合再選擇、稅負管理和組合分析。它們的差異在于服務實施方式的不同，智能投顧其實就是通過技術代替人工實現投資管理。

雖然智能投顧最近才爆發，但它并不是一個新概念，因為算法基礎早在20年前就已然扎根成形，智能投顧近年來的發展主要得益于大數據和計算力的提升。在當下輿論圈熱烈討論智能投顧的時候，我們需要冷靜的思考。目前，智能投顧與人工智能的關系更多處于概念階段，智能投顧實現了策略的個性化、配置的合理化以及流程的自動化，有“智能”但離“人工智能”尚遠。例如，目前的智能投顧客戶分析主要是通過客戶自己填寫調查問卷，投資標的與傳統無太大差異，主要基于設定風險和期限給出全球范圍內投資組合。未來，智能投顧可能引用大數據對客戶進行風險監測，選擇投資標的時，在考慮基金歷史價值等數據的同時也考慮基金管理人的信息。

●智能醫療：八大應用場景

醫療，無疑是當前社會中模式老舊、“痛點”顯著的領域。在人口老齡化不斷加重、醫療需求不斷上升的大背景之下，我國存在醫療資源嚴重短缺、漏診誤診率高、就醫結構不平衡等各種問題，亟待通過技術手段改變目前不合理、不健康的醫療現狀。人工智能在醫療領域的應用場景主要包括虛擬助理、醫學影像、輔助診療、疾病風險預測、藥物挖掘、健康管理、醫院管理和輔助醫學研究平臺。其中，醫學影像是各應用場景中發展最快、走得最遠的應用場景之一。

“醫學影像”應用場景，主要是運用計算機視覺技術，解決病灶識別與標注、靶區自動勾畫與自適應放療、影像三維重建3種需求，解決影像科、放療科醫生數量不足，漏診、誤診率高，讀片與勾畫片子效率低等問題。以病灶識別與標注為例，此類產品可以對X射線、CT、磁共振等醫學影像的病灶進行自動識別與標注，幫助醫生發現用肉眼難以發現和判斷的早期病灶，降低假陽性診斷結果的發生概率。系統對10萬張以上的影像進行處理僅耗時數秒。據統計，目前國內共有35家企業正在研發病灶識別與標注功能的影像類人工智能產品。

AI+醫學影像類產品的發展前景被普遍看好，主要原因包括圖像識別技術的逐步成熟、海量醫學數據的支撐、影像方向“痛點”和需求顯著，以及多元化的業務模式。以業務模式為例，AI+醫學影像場景下的公司，既可以與上游結合，向醫療器械廠商尋求合作，將軟件與硬件設備捆綁銷售，或將產品功能嵌入硬件設備中，也可以向下游拓展，面向醫院、體檢中心以及第三方醫學影像中心，出售軟件的使用權限，或收取一定的服務費用。

值得一提的是，醫學影像中心或許將是“AI+醫學影像”產品的大面積落地點。2016年10月，中共中央、國務院印發的《“健康中國2030”規劃綱要》大力提倡建立醫療影像中心，并鼓勵民間資本進入醫療事業建設中。在政策引導和支持下，目前一脈陽光、翼展科技等國內大型醫療人工智能企業正在各地建立第三方影像中心，這將是未來AI+醫學影像類產品大面積落地的巨大市場機遇。

●智能安防：“點”“線”“面”布防+后臺分析

目前，我國處于社會經濟轉型階段，資源的市場化配置正在引起人口流動、就業分布等一系列變化，社會管理難度加大，各種矛盾沖突表面化，客觀上為犯罪活動提供了更多的機遇。而裝載在城市各個角落的視頻監控系統存在識別準確度不高、設備環境適應性不強、識別種類少等諸多問題。人工智能與安防的結合，則是借助計算機視覺技術，利用海量視頻監控數據以解決上述問題，具體體現在“點”“線”“面”的布防以及后臺分析4大應用場景。

“面”布防的應用原理，主要是通過對視頻的迅速分析，使信息分析平臺可以監測出可視范圍內的人群數量，并且捕捉每個個體的行為動作，形成重點場所及區域的面狀布防。智能安防能通過圖像識別技術實現靜態識別，完成動態識別和軌跡識別，進而通過更為優化的AI算法與模型實時分析可視范圍內的人物、車輛及其行為。例如，曠視科技的智能安防解決方案便適用于“面”布防場景，其重點區域的智能監控可自動判別危險分子進入前后，是否出現異常態勢（如人員異常聚集等）并及時預警，而且可以通過對可視化人員的滯留分析、人群行為分析和群體軌跡分析，為公安機關實現快速、精準、移動化指揮提供依據。

智能安防目前存在的問題集中表現在視頻監控系統存在的不足，主要包括三大方面：第一，視頻監控均為固定安裝，存在死區，容易被破壞或躲避；第二，傳統的巡更系統技術陳舊，安裝繁雜，維護成本高；第三，發生警情時不能及時進行現場處置，阻止犯罪和警情擴大作用有限。智能安防進一步的發展和實現，必然首先要解決視頻監控系統的上述問題。除視頻監控系統以外，AI還將會縱向復制，賦能其他移動化工具，諸如移動執法記錄儀、安防無人機、安防機器人等。

●自動駕駛：計算機視覺模擬人類感知與決策過程

汽車系統代替駕駛員的角色，模擬人類感知、決策的過程，一直是實現自動駕駛的設想路線。從我國交通情況與汽車產業來看，一方面交通事故發生率仍保持較高水平，另一方面在嚴重的交通擁堵與共享經濟影響下，國內傳統汽車產業的銷售利潤率正不斷下降。為尋找新的增長點，車企紛紛投身于電動化、智能化的藍海市場，希望促進傳統產業的轉型升級。

自動駕駛理想的工作流程是，通過傳感器識別眼前的物體，對周邊態勢有整體的把握，并將這一信息傳遞給車載電腦。車載電腦被預先注入了一定的駕駛經驗、交互能力和臨場處置能力，以便在實時工作時做出正確決策。由此可見，自動駕駛要突破的關鍵技術主要包括環境感知、行為決策、路徑規劃和運動控制。人工智能所擁有的能力恰好匹配自動駕駛需求：立足于類似人腦的多層卷積神經網絡，人工智能經過大量的標注數據集訓練后，便能達到人類水平的圖像識別能力。

計算機視覺，是實現自動駕駛的底層技術代表之一。計算機視覺技術就是用攝像頭代替人眼對目標（車輛、行人、交通標志）進行識別、跟蹤和測量，感知汽車周邊的障礙物以及可駕駛區域，理解道路標志的語義，從而對當下的駕駛場景進行完整描述。人工智能還有另一種方案，即端到端的深度學習簡化算法步驟，將數據信息輸入即可直接得到結果，獲取全局最優解。

傳感器作為自動駕駛汽車的感知端，發揮著駕駛員感官的作用。作為傳感器重要部分的激光雷達，目前面臨層層挑戰和阻礙，價格過高、不能量產是其核心問題。例如，領先廠商Velodyne的高端產品64線激光雷達質量達13.2千克，有花盆大小，價格更是在10萬美元之上。為滿足自動駕駛的需求，供應商紛紛在犧牲一部分性能的基礎上，以小型化、廉價化、固態化作為車載激光雷達的發展方向，以降低成本、提高產能作為突破口，力圖讓激光雷達實現商業化量產的目標。與此同時，以攝像頭為主的計算機視覺技術也在同步發展，提高環境感知能力。就當前車載傳感器的發展而言，任何單一傳感器都無法獨當一面地承擔自動駕駛汽車的感知任務，多傳感器融合、不同傳感器優勢互補逐步成為共識。

新一輪產業變革中的技術機遇與挑戰

隨著人工智能上升為國家戰略，其發展擁有了明顯的政策利好。三年來，人工智能領域的投資熱度持續上升，各大高校紛紛創建人工智能實驗室以培養算法人才，以存儲、計算、高速網絡、框架工具為方向的硬件/服務提供商為產品化提供強有力的底層支持……人工智能的發展正處于前所未有的良好環境。

但是，一些潛在挑戰仍不可忽視，如各產業數據獲取難，非結構化數據處理成本較高且存在隱私侵犯等法律問題。現階段算法人才難求，而算法紅利終會消退，產品和商業模式將成為未來企業的“角斗場”。弱人工智能階段，產品普遍尚未成熟，人類的低容錯率導致人工智能產品面臨信任危機。諸如此類的挑戰，將在一定程度上制約人工智能產品的快速落地。