宝马740娱乐网址_官网欢迎您!!

中文 · EN
最新动态
【宝马娱乐行研】人工智能行业研究和投资建议

宝马娱乐资本行业研究报告
——
人工智能行业研究和投资建议


作者:人工智能投资团队


【前言】

  创新投资本质上投的是未来,前瞻性的判断力与洞察力离不开系统且深入的行业研究及思考,行业研究工作一直是宝马娱乐资本执行模式的核心。宝马娱乐资本相信深入的研究能赋予我们卓越的洞察力和判断力,帮助我们做出更好的投资决策。与众不同的研究能力能够更好地帮助我们在行业内建立起广泛而有效的连接,有助于我们发现价值、创造价值和成就价值。

  宝马娱乐资本在人工智能领域的研究能力来自于宝马娱乐资本的人工智能团队。宝马娱乐资本人工智能团队由来自清华、北大、上海交大等知名大学的硕士组成,并且与知名科研院所、学术机构等保持紧密联系。

  《人工智能行业研究及其投资建议》由宝马娱乐资本人工智能团队陈曦先生撰写,欢迎大家指正交流。

 


一、投资建议

  作为经济长周期的基础技术之一,人工智能对未来社会的颠覆是全面的、彻底的,将经历从技术理论创新,到生产力变革,再到生产关系重构的过程。我们认为这个过程中存在三个方面的机会:
  1、人工智能技术对传统行业改造的机会。人工智能由技术理论创新,实现生产力工具的产品化创新,进而提升传统行业产业效率。由于当前阶段技术只能解决某些局部环节的问题,中短期内很难对传统行业的生产关系彻底颠覆,价值天花板明显。
  2、人工智能创新社群连接,构建全新生产关系的机会。人工智能以智能网络为基础,以直接面向用户的产品化创新为载体,构建去中心化的社群连接生态,彻底颠覆传统互联网的商业模式和生产关系。
  3、人工智能为社群商业模式提供全方位、系统性服务的机会。在生产关系大变革的趋势下,人工智能聚焦在为未来创新社群生态提供系统性服务,如以5G为基础的垂直社群场景定制化超级网络服务,以智能制造为基础的超级工厂系统服务等。

 

二、行业研究

(一)人工智能重塑未来的商业模式


  过去的两百年,全球经济发展的主要动力来自于工业化和城市化,这其中以机械化、电气化、自动化等为主的基础技术起到了关键作用。在历次的经济长周期中,这些基础技术以第二产业劳动力替代为切入,不断地颠覆生产力、重塑生产关系。作为下一代的基础技术,人工智能以“类脑思考”作为终极目标,将以第三产业思考力替代进行渗透,颠覆社会生产力和生产关系。在未来数十年的发展中,这个过程是循序渐进、持续不断的。人工智能对未来社会的颠覆是彻底的、全面的,将依次经历从技术理论创新到生产力颠覆,再到生产关系重塑的过程。从这个角度看,对于人工智能行业的研究必须是系统化的,不能只着眼于人工智能技术或生产工具本身,更要对未来社会的商业模式和生产关系有深刻的理解。

 

1、社群是未来的商业模式,是对当前互联网中心化模式的颠覆

  社会经济的发展本质上是围绕供需展开的,供需是经济学理论的基础,也最终决定了商业价值的分配。理解未来的商业模式和生产关系也必须以理解未来社会供需关系为基础,即国内发展逐步进入到城市化的中后期阶段,社会总供给逐步进入到广义过剩的阶段。过去二十年互联网的发展过程中,将大量的线下产品服务转移到线上,形成了各类中心化的平台,满足广大用户的产品或服务需求,这个过程持续到2015年左右达到顶峰。互联网标准化的产品服务没有本质差异,随着广义供给的过剩和用户线上转移的结束,规模优势导致需求流量逐步向寡头聚集:一方面大量的中小互联网平台或倒闭或被并购,另一方面头部的互联网平台流量增长趋于平缓或停滞。

  中心化互联网平台提供标准的产品和服务,其早期规模增长依靠的正是传统线下用户向线上转移的红利,但在进入到供给过剩阶段后,显然无法满足用户各种个性化、差异化、情感化的需求。这其中最显著的特征:虽然目前中心化互联网平台形成了较大的用户规模,但在用户活跃度、使用时长、使用频率、用户黏性、转化率等方面是落后的、停滞的。“社群”,正是对这种中心化模式的颠覆,满足的正是用户个性化、差异化、情感化的需求。“社群”是基于目标用户的某个共同结构属性,创造具备共同情感或价值观的群体,通过用户自组织、自生产、自传播、自裂变的方式形成高频、高粘性、高活跃度的去中心化互联网生态。

 

2、人工智能如何重塑未来生产关系

  在理解社群商业模式的基础上,我们认为人工智能在重塑未来生产关系中的两大重要作用:

  1)、从用户出发,面向C端用户直接提供基于人工智能的创新产品形态,构建用户社群的连接方式,形成社群生态。这个过程不再是类似传统中心化平台下提供工具或服务,满足用户标准化需求,而是通过多维度创新形态的连接方式,构建用户在生态内的自组织、自生产、自传播、自裂变。

  这种模式下,人工智能将摆脱单一技术维度的束缚,从单一的算法、芯片、准确率、终端载体等要素的依赖,转移到对社群用户连接形态的产品化创新。对创业团队来说,其对于连接产品形态创新能力的要求远高于其对人工智能技术创新能力的要求。

  2)从社群生态出发,面向以社群生态作为商业模式的B端企业提供基于人工智能的系统性服务。这个过程虽然也是基于人工智能生产力的创新,但其面向的是社群生态下全新的、系统的场景需求,而不是传统产业环节简单的工具效率提升。

  这种模式下,人工智能的生产力创新是要服务于各类垂直社群场景的,满足社群生态自生产、自组织、自传播、自裂变的系统性需求。例如某些社群场景下,基于人工智能的用户视频内容生产、个性化分发、端到端网络服务等。对于创业团队来说,在理解社群场景需求的基础上,提供全维度的系统服务是关键。

 

 

(二)人工智能算法行业

  从系统的角度看,当前人工智能的发展仍旧处于早期阶段,远未达到需求预期。人工智能理论的萌芽和学术探索虽然已经持续数十年,但直至最近几年才初步的落地应用。这个历史过程中,人工智能理论的发展是不断变化的,对应各阶段的基础要素也是在不断变化的。要理解当前人工智能行业的本质逻辑,以及未来的发展规律,需要我们对基础要素行业有更深度的研究和思考。在当前以深度学习为主的人工智能阶段,我们重点对算法、数据和算力三大要素行业进行研究。

 

1、理论发展是逐步迭代、共存融合的过程

  人工智能理论起源于20世纪50年代,至今经历了多个发展阶段,并产生了多个学术流派和技术类别,其中近几年人工智能热潮主要是指以深度学习为基础的人工神经网络。这一理论的提出已有数十年,但受限于理论模型的不完善和计算能力不足,长期难以落地。直至2006年,Hinton等人提出了深度学习的神经网络理论,颠覆了传统的人工神经网络模型,获得突破性进展。2010年以来,随着商用计算能力的提升,包括云计算、GPU等资源的商用化普及,基于深度学习的人工智能开始商业应用落地。

 

2、深度学习的创新突破与开放扩散

  一直以来,人工神经网络的思维模式是开放的,包括深度学习的人工神经网络提出后也是如此。在Hinton等人的创新突破下,无论是学术机构还是产业机构,都在基于这种模型结构进行工程实践上的探索。深度学习模型的搭建和训练不具备技术门槛,只是工程实现上相对复杂。以谷歌等为首的产业巨头将各自的深度模型框架开源,通过模块化的封装帮助开发者不再需要从复杂的神经网络开始编代码,可以直接使用已有的模型,自行训练。至此,大量的初创企业借助开源的框架进行各场景下的应用探索,深度学习开始全面扩散。

 

3、深度学习的适用边界,以及与其他算法的融合

  深度学习以神经网络结构学习具有复杂特征属性的大数据,在具有局部相关特性的大数据上远超过传统算法,效果显著。如语音识别与合成、视觉识别等方向超越人类的平均水平,较传统算法下的效果表现出“质”的提升。但相对应的也存在劣势:(1)对连续局部相关性的大数据样本的依赖,离散型数据或者数据样本规模不足时,相对其他算法没有优势;(2)对计算能力的依赖,目前的商用计算资源仅能初步满足需求,在某些高实时、低功耗、低成本、前端化的场景下没有优势;(3)模型的不可解释性导致某些关键应用领域无法容忍“黑盒”的存在。

  因此,深度学习并不是万能的,在面对目标场景时,解决问题才是关键。根据场景需求特征,除了深度学习神经网络外,其他的算法也将会融合搭配。例如专家系统在简单规则场景下的效果良好,由于算力需求相对不高、规则清晰,对实时性和安全性要求较高的场景也在广泛应用。此外,深度学习并不是人工智能发展的终点,面向更高场景需求的创新算法仍在努力突破中。

 

 

(三)人工智能数据行业

 

1、人工智能的数据是样本,不是互联网大数据

  人工智能(深度学习)本质上是概率统计模型,其训练过程就是通过样本数据对概率统计模型进行优化的过程。因此,人工智能数据指的是数据样本,虽然也强调数据规模,但与互联网大数据有本质区别。人工智能的数据,更加强调数据的结构性、高价值密度、单应用维度、可解析标注等特征;对应的互联网大数据除了大规模外,强调多样性、多维度、高速流转、低价值密度等特征,数据本身更加混杂繁琐,并不排斥数据噪声。

 

2、深度学习人工智能对数据强依赖

  人工智能在进入以深度学习神经网络的阶段后,大规模的数据样本才成为决定了机器决策性能的关键,也成为了人工智能产业基础要素之一。当前阶段的人工智能以监督学习为主,所谓监督学习即从标记的训练数据来推断一个功能的机器学习任务。这种方式决定了人工智能的性能强弱与所能使用数据样本的规模密切相关,在没有创新理论突破的情况下,对数据规模的依赖难以摆脱。

  根据的谷歌实验表明,在当前阶段复杂深度学习模型和计算能力差异不大的前提下,数据样本的规模成为了决定性能差异的关键。从具体的实验数据来看:在计算能力和深度模型选择合适的情况下,数据规模越大对于人工智能的决策能力越有提升,且这种性能的线性增长关系目前没有边界或停滞。数据样本的重要性已经成为人工智能差异化竞争的关键,大规模、持续性、独占性的数据已经成为行业事实上的核心竞争要素。

 

3、独立掌控数据是构建商业竞争壁垒的核心之一

  对于已沉淀数据的目标场景行业,数据从产生到流通、沉淀、分发、汇集的过程贯穿了整个产业链环节。那些能够规模汇集沉淀数据的关键产业链环节才是具备人工智能数据产业价值的目标。对于人工智能企业来说,在算法和算力的竞争没有本质差异的基础上,数据就是商业的核心竞争壁垒,掌控目标行业关键产业环节数据获取能力是其商业模式的关键。互联网的发展等可以极大地提高人工智能数据的获取效率、降低获取成本,但并不能改变产业数据本身的分布逻辑。

  对于那些没有数据沉淀或者开放性的行业,采集标注规模数据样本成为业务发展的前提。由于人工智能数据的结构性、单维度、大规模、高价值密度、离线性等特征,市场上也出现了大量的生产、销售样本数据的第三方服务商,但这种模式更多是行业发展初期的结果。由于算法和算力并无显著差异,多数厂商早期以资本换时间的模式来快速推进业务。但当行业进入到深度竞争阶段,市场集中度提升,需求规模持续成长艰难。此外,对于头部企业来说,数据样本终究会成为其差异性竞争的核心商业壁垒,持续性、私有化、独占性、排他性的数据需求很难持续大规模支撑第三方数据服务商的模式。

 


(四)人工智能算力行业

 

1、算力的两大基础逻辑:芯片和网络

  算力即计算能力,代指用于运行算法软件的广义计算资源。这种广义计算资源并不是狭义的指某些芯片、电路等,而是对计算资源网络系统的综合描述,既包括计算单元的芯片,也包括基于这些节点单元构成的计算网络。


  对所有的芯片来说,计算能力的强弱本质上取决于芯片单位体积内能够放置的晶体管元件数量,也就是芯片内的晶体管密度。数十年来,芯片计算性能的整体提升依靠的正是半导体制造技术的进步。随着制程精度的逐步提升,“摩尔定律”逐步失效:全球半导体行业研究规划等普遍认为摩尔定律将在2020年制程工艺达到7nm后达到极限,现有技术下探索5纳米和3纳米的制程工艺既不具备经济性,也无法保证良率和稳定性。

  在芯片晶体管密度同等的基础下,芯片设计很大程度上影响了计算效果。1964年冯诺依曼正式提出了现代计算机的体系结构-冯诺依曼体系结构,这种基于二进制的计算机理论已成熟多年。整体来看,目前的芯片设计是冯诺依曼计算理论和半导体制造能力的基础上进行的场景或功能的定制开发,以使得芯片在某些功能上达到更高、更优性能,如CPU、GPU、FPGA、DSP、MCU等。除了GPU等通用性芯片,目前大量的AI芯片本质上属于ASIC专用的芯片,都是针对特定的人工智能应用场景进行的某种程度定制化开发,只是灵活度不同。这是在当前计算理论和半导体制造技术停滞基础上的工程创新,可提升空间有限,天花板显著。

  没有芯片是完全通用的,所有的芯片厂商都是针对目标行业场景提供相对应的芯片,如通信领域的芯片厂商与汽车领域的芯片厂商有很大不同。对于人工智能芯片,这种场景划分颗粒度会更加精细,甚至与具体场景直接绑定。因此,人工智能芯片的特征意味着厂商只能针对自己熟悉的场景需求、行业标准、设备特征进行开发,不存在“通吃”的模式。

  由于人工智能的专用化、定制化芯片是在基础芯片上针对业务场景的适配,因此在技术上需要下游的设备和场景环节深度配合、打磨迭代。在业务上需要下游的场景和生态厂商规模需求深度绑定,只有稳定的大规模应用需求才能支撑持续的研发迭代。因此,对于人工智能芯片厂商,芯片设计的工程创新能力并不是核心竞争壁垒,而是其对下游用户、场景、设备、生态等资源的整合及掌控能力。或者反过来说,那些人工智能芯片厂商需要对业务场景深度掌控和理解,很难以独立的第三方芯片提供商的角色存在,更多的是具体业务场景下的人工智能解决方案商或设备商反向延伸芯片环节。

 

2、5G网络形态的变革是未来算力创新的关键

  从算力系统的发展历程来看,虽然计算设备与网络发展是一体,但整体上计算设备的发展是始终先于网络的。由于数据的可传播性,意味着算力资源是可以通过网络传输实现间接转移的。网络传输的性能越好、分布越灵活,对应算力资源的形态就越丰富。

  传统PC互联网时代,算力受限于网络被迫依赖于独立的终端计算节点。移动互联网性能的提升使得算力资源能够由传统的独立终端向中心聚集,在芯片设计和制造技术不变的前提下,通过构建规模化的集中式云端计算中心来几何级的提升算力。这也是2010年以来,本轮深度学习人工智能能够快速商业普及渗透的重要推动力之一。但以4G为主的网络仍旧受限,针对移动通信而设计的单一网络架构,无论性能方面还是形态方面,都无法满足人工智能的算力需求。如某些高实时或低功耗场景无法应用,或者通过阉割算法复杂度来降低算力需求等。

  5G网络的目标是万物互联,即用基础的物理网络来满足各式各样的场景网络需求,如高带宽场景、低时延场景、低功耗场景、广域网场景等。以虚拟化、网络切片、SDN、NFV等技术作为支撑,5G网络的结构将会更加层次化、丰富化和结构化,原本针对手机移动通信设计的单一标准化网络扩展为各式各样网络。针对各种人工智能场景的算力需求,通过不同的算力节点布局和多层次的融合算力形态来满足,如终端计算、边缘计算、雾计算、云计算,甚至其他形态的算力网络。

  结合5G行业研究来看,我们未来重点关注基于全新算力网络支撑下的新形态场景服务,尤其是目前严重受限于算力束缚的社群场景,其中既包括软件类如语音、图像、文本、游戏、办公等社群场景服务,也包括硬件类如智能汽车、智能机器人、穿戴设备、VR/AR等社群场景服务。此外,我们也关注5G万物互联下,面向众多垂直社群场景提供系统算力网络的第三方服务商,其本质上属于网络服务商的深化。

 

3、全新的计算理论突破是最终目标

  从长远期来看,过去的数十年间无论是芯片体系架构的发展还是指令集的创新,本质上都没有脱离冯诺依曼的基于二进制的电子计算理论,也就没有摆脱摩尔定律的限制。这意味着如果算力要有质的突破创新,必须要有全新的计算理论作为支撑。我们长期保持颠覆性计算理论的关注,如光子计算、量子计算、生物计算等。