artificial intelligence - 深圳国投资本 · 节日ppt模板： ppt素材下载： ppt背景

行业研究行业研究

人工智能分析报告Artificial Intelligence

一技术发展指数加速

CONTENTS

二人工智能

发展

三人工智能投资机会

四人工智能

应用

• 智能安防• 智能家居• 智能交通• 智能金融• 智能医疗

五行业经济

数据

目录

• 人工智能分类• 从弱人工智能到强

人工智能• 智能爆炸

• 硬件• 算法和数据

请务必阅读正文后免责条款部分

PPT模板下载：www.1ppt.com/moban/ 行业PPT模板：www.1ppt.com/hangye/

节日PPT模板：www.1ppt.com/jieri/ PPT素材下载：www.1ppt.com/sucai/PPT背景图片：www.1ppt.com/beijing/ PPT图表下载：www.1ppt.com/tubiao/

优秀PPT下载：www.1ppt.com/xiazai/ PPT教程： www.1ppt.com/powerpoint/ Word教程： www.1ppt.com/word/ Excel教程：www.1ppt.com/excel/

资料下载：www.1ppt.com/ziliao/ PPT课件下载：www.1ppt.com/kejian/

范文下载：www.1ppt.com/fanwen/ 试卷下载：www.1ppt.com/shiti/ 教案下载：www.1ppt.com/jiaoan/ PPT论坛：www.1ppt.cn 人工智能概述

科技发展正加速向前

ARTIFICIAL INTELLIGENCE

人工智能站在技术进步的前沿

硬件、算法和数据是推动人工智能发展的三大支柱，硬件方面：GPU→FPGA →定制化芯片算法和数据方面：顿悟式，1957~1969,1989~1998，2012至今

人工智能的应用正在各个行业展开

摘要


THE BUSENESS PLAN

PPT模板下载：www.1ppt.com/moban/ 行业PPT模板：www.1ppt.com/hangye/

节日PPT模板：www.1ppt.com/jieri/ PPT素材下载：www.1ppt.com/sucai/PPT背景图片：www.1ppt.com/beijing/ PPT图表下载：www.1ppt.com/tubiao/

优秀PPT下载：www.1ppt.com/xiazai/ PPT教程： www.1ppt.com/powerpoint/ Word教程： www.1ppt.com/word/ Excel教程：www.1ppt.com/excel/

资料下载：www.1ppt.com/ziliao/ PPT课件下载：www.1ppt.com/kejian/

范文下载：www.1ppt.com/fanwen/ 试卷下载：www.1ppt.com/shiti/ 教案下载：www.1ppt.com/jiaoan/ PPT论坛：www.1ppt.cn

技术发展指数加速


一


思想实验我们对于历史的思考是线性的，当我们思考未来的变化时，会参照过

去的变化，线性思考在自然演化中是适用的，但是科技的发展不同于自然

演化，其发展呈现出指数爆炸的趋势。在当下，科技的发展开始大幅加速。

我们可以进行这样一个思想实验：


现代

1766年→1516年

12000年前→24000年前

十万年前

农业革命

工业革命

人类文明


思想实验如果我们把一个人从过去到未来，然后对科技发展感到“无法理解”

作为一个时间长度单位“无法理解单位”，那么从狩猎时代向前跨域一个

“无法理解单位”需要十万年，而从工业革命后跨越一个“无法理解单位”

只需要两百年。按加速回报定律来计算，在当下跨越一个“无法理解单位”

只需要几十年。


现代

12000年前→24000年前

十万年前

农业革命

人类文明

1766年→1516年工业革命

几十年后


人工智能发展

二


• 人工智能分类

• 从弱人工智能到强人工智能

• 智能爆炸


人工智能发展：人工智能分类

01

02

03

弱人工智能：弱人工智能是擅长于单个

方面的人工智能

强人工智能：在各方面都能和人类比肩

的人工智能

超人工智能：在几乎所有领域都比最聪

明的人类大脑都聪明很多，包括科学创

新、通识和社交技能

人工智能是发展技术的

技术，按照人工智能的

实力将其分成三大类。

站在科技发展的风口，我们发现目前

唯一能够继续推进科学技术指数爆炸的技

术是人工智能。


人工智能发展：从弱人工智能到强人工智能

每一个弱人工智能的创新，都在给通

往强人工智能和超人工智能的旅途添砖加

瓦。用Aaron Saenz的观点，现在的弱人

工智能，就是地球早期软泥中的氨基酸—

—没有动静的物质，突然之间就组成了生

命。



算法的发展可能看起来很缓慢，但是一次

顿悟，就能永远改变进步的速度。就好像

在人类还信奉地心说的时候，科学家们没

法计算宇宙的运作方式，但是日心说的发

现让一切变得容易很多。创造一个能自我

改进的电脑来说，对我们来说还很远，但

是可能一个无意的变动，就能让现在的系

统变得强大千倍，从而开启朝人类级别智

能的冲刺。



按照智能化的程度，人工智能可以被划分

为计算智能、感知智能和认知智能，目前

我们尚处于感知智能的试点阶段，将迎来

爆发式的推广阶段。

计算智能：

对信息进行存储

和计算

感知智能：

语音识别和图像

识别

认知智能：

思考和灵活运

用知识


人工智能发展：智能爆炸

一旦强人工智能被创造出来，人工智能

将会毫不停留，大踏步向超人工智能迈去。

超人工智能的出现，对于人类将是无法

理解的。就像猴子可以看见高楼大厦，但

无法像人类一样理解它是如何建起，如何

使用的。

人类也许会和所有的物种一起灭绝，但

也许会因为这个仁慈的上帝得到永生。但

对于机器而言，由于与人类的巨大差异性，

它将是非道德的


人工智能投资机会

三


人工智能投资机会

硬件：

计算能力的提升

包括高效的CPU、GPU、AI芯片、多机集群并行化处理等技术

满足深度学习复杂的算法结构带来的训练速度要

求

算法：

模型的改进

DBN→DNN→RNN、无监督预训练网络权值、修正的非线性激活函数

突破旧的模型存在局限（分类能力不强，时序信息捕捉能力弱）

数据：

体量、维度爆炸

数据的积累使复杂多变的高阶统

计数据充足

满足模型训练数据的量和质的要求，解决模型过

拟合问题

人工智能获得突破


人工智能投资机会：硬件

专业定制用于深度学习计算的芯片，研发成本较高

定制化芯片

一种半定制的集成电路，能够根据应用的特征来定制计算和存储结构，达到硬件结构与深度学习算法的最优匹配

FPGA

为三维图像处理而生，数千核并行计算，提高了深度学习分类和卷积的性能

GPU

单纯的CPU无法满足现代深度学习的迅速按速度要求

CPU

根据艾瑞咨询，2020 年全球人工智能市场规模达1190 亿元，市场潜力巨大。据机构预测，硬件市场占AI 市场份额将达30%。



CPU：设计之初所负责的是如何把一

条一条的数据处理玩，内部结构可以

分为控制单元、逻辑单元和存储单元

三大部分

GPU：采用了大量的执行单元，这些

执行单元可以轻松的加载并行处理，

而不像CPU那样的单线程处理



百度就采用了FPGA打造百度大脑专用AI芯片1

Xilinx和Altera长期稳坐第一和第二的位臵，两者占据了市场约90%的份额

2

Altera 2015年被英特尔以167亿美元收购，收购的原因之一就是看中FPGA的专用计算能力在人工智能领域的发展

3

Xilinx与IBM也进行了战略合作加速数据中心应用4

突出优势是能够根据应用的特征来定制计算和存储结构，达到硬件结构与深度学习算法的最优匹配

5

灵活的重构功能也方便了算法的微调和优化，能够大大缩短开发周期

6FPGA



相对于现在的处理器有7年的领先优势，

宽容度更高，每秒在芯片中可以挤出

更多的操作时间，使用更复杂和强大

的机器学习模型，将之更快的部署，

用户也会更加迅速地获得更智能的结

果。其研发目的是为了替代 GPU，实

现更高效率的深度学习。

芯片名称生产厂商芯片特点TPU

(Tensor Processing

Unit)

谷歌 1）TPU是一种专用的加速器芯片，跟其深度学习软件Tensor Flow

匹配

2）TPU专门针对机器学习进行过裁减，运行单个操作时需要的晶体管更少

3）TPU意在取代GPU



目前NVIDIA GPU芯片是神经网络系

统计算的事实标准，微软、Facebook、

谷歌、百度等科技巨头均是英伟达

NVIDIA GPU的客户。英伟达的传统

GPU在无人驾驶领域合作广泛，被特

斯拉、宝马、奥迪和其他多家汽车厂

商用在了车载导航和娱乐系统中。

NVIDIA也与福特、奔驰、奥迪、沃尔

沃、本田合作，开展无人驾驶汽车项

目，而谷歌、百度也在无人驾驶汽车

中使用其GPU。

芯片名称生产厂商芯片特点

Tesla P100

Nvidia 1）Tesla P100芯片安装了150亿个晶体管，是目前市场上许多处理器、图形芯片的3倍

2）芯片面积为600平方毫米，双精度运算速度5.3万亿次，单精度运算速度10.6万亿次，半精度运算速度21.2万亿次



TrueNorth是IBM参与DARPA的研究

项目SyNapse的最新成果其终极目标

是开发出打破冯诺依曼体系的硬件。

IBM相变神经元的整个架构包括输入

端、神经薄膜、信号发生器和输出端，

IBM已经构建了由500个该神经元组成

的阵列，并让该阵列以模拟人类大脑

的工作方式进行信号处理。


TrueNorth IBM 1）TrueNorth使用了54亿个晶体管，分成4096个“神经突触内核(neurosynaptic cores)”的结构

2）TrueNorth芯片只要几厘米的方寸，功耗只有65毫瓦

随机相变神经元芯片

IBM 1）芯片的神经元尺寸最小能到纳米量级，因而信号传输速度极快，同时功耗较低，这就使得随机相变神经元具有生物神经元的特性



Xeon Phi是X86众核架构的。Xeon

Phi 目前已经发展了三代，第一代

Knights Corner，22nm工艺，最多

61个核心，浮点性能1TFLOPS；第二

代是Knights Landing，14nm工艺，

最多72核心，浮点性能3+TFLOPS；

英特尔于2014年宣布第三代Knights

Hill，制程工艺升级到10nm。


Knights Mill

Intel 1）Xeon Phi家族新成员，专为机器深度学习设计的芯片

2）英伟达的GPU和谷歌的TPU芯片，都是辅助处理器，必须和CPU一起工作；Knights Mill芯片可以独自充当处理器，不再需要单独的主机处理器和辅助处理器，可以直接接入RAM系统



该芯片于今年 3月6日实现量产，目前

出货量为十几万件。NPU采用了“数

据驱动 ” 并行计算的架构，单颗

NPU(28nm)能耗仅为400mW，极大

地提升了计算能力与功耗的比例，可

以广泛应用于高清视频监控、智能驾

驶辅助、无人机、机器人等嵌入式机

器视觉领域。


星光智能一号

中星微电子

1）中国首款嵌入式神经网络处理器芯片，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

2）基于该芯片的人脸识别，最高能达到98%的准确率，超过人眼的识别率



寒武纪 3 号多用途机器学习处理器

PuDianNao应运而生，当前已可支持

k-最近邻、k-均值、朴素贝叶斯、线

性回归、支持向量机、决策树、神经

网络等近十种代表性机器学习算法。

PuDianNao的主频为1GHz，峰值性

能达每秒10560亿次基本操作，面积

3.51mm2 ，功耗为0.596W（65nm

工艺下）。


寒武纪中科院 1）向神经网络的原型处理器结构

2）包含一个处理器核，主频为0.98GHz，峰值性能达每秒4520 亿次神经网络基本运算，65nm工艺下功耗为0.485W，面积3.02mm）实验结果表明，DianNao的平均性能超过主流CPU核的100倍，但是面积和功耗仅为1/10，效能提升可达三个数量级

3）DianNao的平均性能与主流 GPGPU相当，但面积和功耗仅为主流GPGPU百分之一量级


人工智能投资机会：算法和数据



联接主义

符号主义

人工智能研究的方向之

一，是以所谓 "专家系

统" 为代表的，用大量

"如果-就" (If-Then) 规

则定义的，自上而下的

思路。

人工神经网络标志着另

外一种，自下而上的思

路。它的基本特点，是

试图模仿大脑的神经元

之间传递，处理信息的

模式。



1

2

3

一个计算模型，要划分为神经网络，通常需要大量彼此连接的节点，并且具备两个特性:• 每个神经元，通过某种特定的输出函数 (也叫激励函数，

计算处理来自其它相邻神经元的加权输入值。• 神经元之间的信息传递的强度，用所谓加权值来定义，

算法会不断自我学习，调整这个加权值。

在此基础上，神经网络的计算模型，依靠大量的数据来训练，还需要:成本函数：用来定量评估根据特定输入值，计算出来的输出结果，离正确值有多远，结果有多靠谱。学习的算法：这是根据成本函数的结果，自学，纠错，最快地找到神经元之间最优化的加权值

神经网络算法的核心是：计算，连接，评估，纠错，疯狂培训精髓是: 非线性，分布式，并行计算，自适应，自组织。



1. 1957年“感知机”的发明

康内尔大学教授 Frank Rosenblatt

1957年提出的"感知器" (Perceptron)，

是第一个用算法来精确定义神经网络，

第一个具有自组织自学习能力的数学

模型，是日后许多新的神经网络模型

的始祖。



2. 1969年明斯基批判

第一，单层的神经网络无法解决不可

线性分割的问题，典型例子如异或门。

第二，更致命的问题是，当时的电脑

完全没有能力完成神经网络模型所需

要的超大的计算量。



3. 1986年Hinton反向传播算法

• 反向传播算法，把纠错的运算量，

下降到只和神经元数目本身成正比。

• 反向传播算法，通过在神经网络里

增加一个所谓隐层，同时也解决了

感知器无法解决异或门(XOR gate)

的难题。

• 使用了反向传播算法的神经网络，

在做诸如形状识别之类的简单工作

时，效率比感知器大大提高。

• 八十年代末计算机的运行速度，也

比二十年前高了几个数量级。

• CNN在九十年代占据支票识别系统

市场20%。



4. 1998年被支持向量机完全超越

• 早在1963年，Vapnik 就提出了支持向量机的算

法。

• SVM，作为一种分类算法，九十年代初开始，在

图像和语音识别上，找到了广泛的用途。

• Vapnik的观点是，SVM，非常精巧地在"容量调

节"上选择一个合适的平衡点，而这是神经网络

不擅长的。

• 神经网络的计算，在实践中还有另外两个主要问

题:第一，算法经常停止于局部最优解，而不是全

球最优解。这好比"只见树木，不见森林"。第二，

算法的培训，时间过长时，会出现过度拟合，把

噪音当做有效信号。

• 2004年CIFAR是世界上唯一支持神经网络研究的

机构



5. 2006年深度学习卷土重来

• Hinton 拿到资金支持不久，做的第一

件事，就是先换个牌坊。

• 提出RBM，引入概率和不确定性，同一

层神经元之间不可连接，可以从输入数

据中进行预先训练。

• 2007年，英伟达GPU CUDA接口优化，

大量学者开始使用该接口运行深度学习

算法，发表论文



6. 2012年ImageNet大赛超越SVM算法，获得学界关注

• 2010 年，以 ImageNet 为基础的大型图像识别竞赛第

一次举办。以数据库内一百二十万个图像为训练样本，

再用于五万个测试图像评估。

• 2010年、2011年竞赛的第一名，均使用SVM，错误率

分别在28%和25.7%。

• 2012年，Hinton 教授和他的两个研究生使用RELU和

“丢弃算法”的深度学习，错误率仅15.3%，第二名是

26.2%。

• 深度学习产生质变，学界为之沸腾。

RELU

REctified Linear

Unit

“丢弃”算法

更稳健，避免过

度拟合



7. RNN和LSTM等新技术突破图像识别，自然语言领域

• RNNs（Recurrent Neural Networks）：产生记忆

• LSTM（Long Short-Term Memory）：存储记忆

• 语音识别技术获得突破进展：百度的英文语音识别系统

• 机器人可以说人话：



8. 人工智能的自然语言处理“奇迹”

• Kapathy 用托尔斯泰的小说 “战争与和平”来训练RNN：

• 100 回合: tyntd-iafhatawiaoihrdemot lytdws e ，tfti，astai f ogoh

• 500 回合: we counter。 He stutn co des。 His stanted out one ofler that

• 1200 回合: he repeated by her door。 "But I would be done and quarts，feeling，then，

son is people。。。。“

• 2000 回合: "Why do what that day，" replied Natasha，and wishing to himself the fact

the princess，Princess Mary was easier，

• 2016年五月，来自谷歌的AI实验室报道，研究者用两千八百六十五部英文言情小说培训机器

• “Her blouse sprang apart. He was assaulted with the sight of lots of pale creamy flesh

bursting out of a hot pink bra."



9. 现在，各大公司纷纷开源自己的平台

• 近年来，科技巨头纷纷开源AI技术，以获得大量用户需求及开发人员，从而建立开放共享、互利

共赢的 AI 生态圈，如谷歌开源 TensorFlow 、 Microsoft 开源 AI 框架 CNTK 、雅虎开源

CaffeOnSpark、Facebook开源了AI硬件设计“Big Sur”、IBM开源SystemML、百度开源AI

人工智能Warp-CTC源代码。

• 研发人工智能算法变得更加容易，深度学习算法极大发展


人工智能应用

四


人工智能应用

01

涉及AI的人脸识别、图像/视频分析技术，未来人工智能应用在安防上，效果将更加清晰、准确。

智能安防 02

传统家电企业、科技企业、互联网公司都希望把持这一应用场景的入口控制权，智能家居没有形成一致的标准，也没有一致的入口级产品。现在亚马逊Echo的异军突起让行业重新看到了曙光。

智能家居 03

随着CPU/GPU并行计算能力的提升，海量地图数据为人工智能的训练提供基础，加之高速网络、云计算的结合，汽车智能化已经进入了实质性阶段。无人机市场也处于类似的高速增长期。

智能交通 04

智能投顾原理上是根据现代资产组合理论搭建一个数据模型，结合投资者风险偏好、财务状况与理财目标，通过后台算法为用户提供资产配臵建议。

智能金融 05 智能医疗

医疗诊断领域最重要的一点就是药品、病情特征、病人情况的数据信息。对于机器而言，则需要海量的数据信息，让机器学会获得医疗诊断的能力。。


行业经济数据

五


行业经济数据

预计在未来5年，基于感知智能的弱人工

智能将进一步普及。

展望未来，无人驾驶和智能家居将随着

技术成熟成为新一轮的热点，服务型的智

能机器人也有可能随着人机交互的不断优

化，走入千家万户，成为强劲的增长点。


总结

科技发展正以加速回报定律飞速向前，人类正处在技术奇点的前夜。线性的思考方式将无法正确地把握未来，我们

需要用指数增长的速度去思考技术。

站在技术发展的前沿，我们发现当下唯一能推动技术继续加速增长的领域是人工智能，因为人工智能是发展技术的

技术，人工智能将能像工厂生产产品一样大规模量产智能，计算速度将跟随摩尔定律指数增长，从而给人类社会带来

巨大而无法理解的改变。

硬件、算法和数据是推动人工智能发展的三大支柱。硬件发展总体上是稳定遵循摩尔定律的，基础配置是

CPU+GPU并行计算，稍显奢侈的配置是使用半定制化FPGA，随着人工智能市场的扩大，科技巨头开始投入专门的研

发费用发展定制化芯片，如Google的TPU，NVIDIA的Tesla P100，我国也具备相应的定制化芯片生产能力。算法的

发展是顿悟式的。随机、静态、循环等新的算法特性让深度学习可以在语音识别、图像识别正确率上超越人类，同时

可以更好地处理时序信息。大量的训练让机器学习的结果接近完美。

人工智能的应用正在各个行业展开，本质上是人工智能从计算智能向感知智能的跨越，推动了人工智能代替人类进

行大部分简单劳动的进程，并带来了更好的人机交互体验。


免责声明

本报告仅供深圳国投资本（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为客户。在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。本报告所载的资料、意见及推测仅反映本公司于发布本报告当

日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。市场有风险，投资

需谨慎。本报告所载的信息、材料及结论只提供特定客户作参考，不构成投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。本报告非盈利性质，客户应考虑本报告中的任何意见或建议是否符合其特定状况。本报告仅向特定客户传送，未经深圳国投资本书面授权，本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。如欲引用或转载本文内容，务必联络深圳国投资本并获得许可，并需注明出处为深圳国投资本，且不得对本文进行有悖原意的引用和删改。

artificial intelligence - 深圳国投资本 · 节日ppt模板： ppt素材下载： ppt背景

Documents