■文/亿欧智库

人工智能作为一项具有生产力变革作用的新技术，正在以其强大的运算、认知和感知能力，出现在人们的视野中，并开始催生中国乃至世界新一轮的产业革命。

无论是从媒体报道数量、搜索引擎指数，还是创业公司数量、投资频次和额度，又或是专利数量，我们都可以很直观地感受到，人工智能作为一项具有生产力变革作用的新技术，正在以其强大的运算、认知和感知能力，出现在人们视野中，并开始催生中国乃至世界新一轮的产业革命。国内外顶尖的算法工程师、产品设计师正在针对不同行业、不同应用场景研发人工智能产品，其中部分产品已逐步在市场上落地并直击行业“痛点”，实现了生产效率的显著提升与生产成本的大幅下降。

随着人工智能的快速发展，学界和商界都在密切关注和研究人工智能的技术发展与市场表现，人工智能在各大产业中的作用越来越重要。

人工智能“前世今生”：人类赋予计算机的未来形态

“人工智能”(Artificial Intelligence)一词现世已逾60年。从20世纪计算机的诞生和神经网络研究的曲折发展，到21世纪深度学习的提出，以及深度学习算法实现的更高层次的计算机视觉、智能语音技术和自然语言处理的出现，人工智能研究经过跌宕起伏的数十年，终于在2012年正式步入了产品化和商业化阶段。

人工智能进入新的发展阶段，虽离不开深度学习算法的贡献，但作为人类赋予计算机的未来形态，人工智能并不止步于深度学习。目前，深度学习和数据挖掘是人工智能的两大高频使用技术。同时，迁移学习、强化学习、认知计算等技术正逐渐被重视和利用，其在解决某些特定问题方面拥有超越深度学习的表现，有望成为人工智能的“明日之星”。

此外，以处理器/芯片、传感器元件、激光雷达等为代表的硬件设备，提供计算和存储服务的云平台，以及大数据服务平台，均为人工智能的产品化过程提供了底层支持。

产业变革初见端倪，人工智能赋能效果显著

根据亿欧智库的观察，人工智能的产品化进程首先发生于金融、医疗、安防、自动驾驶等产业。其中，在利益杠杆强作用下的金融产业，和模式过于陈旧而“痛点”显著的医疗产业，人工智能产品的市场落地速度相对较快。

●智能金融：前、中、后台全程优化

金融业，一向被称为“国民经济的命脉”。随着人工智能技术与金融服务和产品发生动态融合，“智能金融”的概念被提出，并被列入国家规划。伴随经济的增长，我国居民可支配收入和可投资资产的增加，金融需求的不断上升与金融工作人员的服务能力日渐不足之间的矛盾逐渐显现。此外，金融机构对于提高金融风险定价能力、节省风险控制成本也有迫切需求。人工智能技术驱动下的金融创新，能够对上述问题提供有效的解决方案。

那么，人工智能在金融领域具体有哪些应用呢？概括而言，主要有七大方面，涉及金融机构的前、中、后台。其中，前台包括智能支付、智能营销、智能客服，中台包括智能风控、智能投顾、智能投研，后台为智能数据。在这七大场景中，智能投顾可以说是最近比较热的一个概念，无论是银行还是创业公司都在积极布局智能投顾。

智能投顾最早在2008年前后兴起于美国，又称机器人理财（Robo-advisor）。其依据现代资产组合理论，结合个人投资者的风险偏好和理财目标，利用算法和友好的互联网界面，为客户提供财富管理和在线投资建议服务。投资者对于投资顾问的需求主要体现在“情绪管理”和“投资策略/建议”：一方面，投资者在投资过程中容易产生贪婪或恐慌等情绪波动；另一方面，投资者对金融市场信息了解相对较少，信息不对称。智能投顾充当的就是投资顾问的角色，但是与传统的投资顾问相比，具有门槛低、费用低、投资广、透明度高、操作简单、个性化定制等优势。

智能投顾与传统投顾服务一样，都包括客户分析、大类资产配置、投资组合选择、交易执行、组合再选择、税负管理和组合分析。它们的差异在于服务实施方式的不同，智能投顾其实就是通过技术代替人工实现投资管理。

虽然智能投顾最近才爆发，但它并不是一个新概念，因为算法基础早在20年前就已然扎根成形，智能投顾近年来的发展主要得益于大数据和计算力的提升。在当下舆论圈热烈讨论智能投顾的时候，我们需要冷静的思考。目前，智能投顾与人工智能的关系更多处于概念阶段，智能投顾实现了策略的个性化、配置的合理化以及流程的自动化，有“智能”但离“人工智能”尚远。例如，目前的智能投顾客户分析主要是通过客户自己填写调查问卷，投资标的与传统无太大差异，主要基于设定风险和期限给出全球范围内投资组合。未来，智能投顾可能引用大数据对客户进行风险监测，选择投资标的时，在考虑基金历史价值等数据的同时也考虑基金管理人的信息。

●智能医疗：八大应用场景

医疗，无疑是当前社会中模式老旧、“痛点”显著的领域。在人口老龄化不断加重、医疗需求不断上升的大背景之下，我国存在医疗资源严重短缺、漏诊误诊率高、就医结构不平衡等各种问题，亟待通过技术手段改变目前不合理、不健康的医疗现状。人工智能在医疗领域的应用场景主要包括虚拟助理、医学影像、辅助诊疗、疾病风险预测、药物挖掘、健康管理、医院管理和辅助医学研究平台。其中，医学影像是各应用场景中发展最快、走得最远的应用场景之一。

“医学影像”应用场景，主要是运用计算机视觉技术，解决病灶识别与标注、靶区自动勾画与自适应放疗、影像三维重建3种需求，解决影像科、放疗科医生数量不足，漏诊、误诊率高，读片与勾画片子效率低等问题。以病灶识别与标注为例，此类产品可以对X射线、CT、磁共振等医学影像的病灶进行自动识别与标注，帮助医生发现用肉眼难以发现和判断的早期病灶，降低假阳性诊断结果的发生概率。系统对10万张以上的影像进行处理仅耗时数秒。据统计，目前国内共有35家企业正在研发病灶识别与标注功能的影像类人工智能产品。

AI+医学影像类产品的发展前景被普遍看好，主要原因包括图像识别技术的逐步成熟、海量医学数据的支撑、影像方向“痛点”和需求显著，以及多元化的业务模式。以业务模式为例，AI+医学影像场景下的公司，既可以与上游结合，向医疗器械厂商寻求合作，将软件与硬件设备捆绑销售，或将产品功能嵌入硬件设备中，也可以向下游拓展，面向医院、体检中心以及第三方医学影像中心，出售软件的使用权限，或收取一定的服务费用。

值得一提的是，医学影像中心或许将是“AI+医学影像”产品的大面积落地点。2016年10月，中共中央、国务院印发的《“健康中国2030”规划纲要》大力提倡建立医疗影像中心，并鼓励民间资本进入医疗事业建设中。在政策引导和支持下，目前一脉阳光、翼展科技等国内大型医疗人工智能企业正在各地建立第三方影像中心，这将是未来AI+医学影像类产品大面积落地的巨大市场机遇。

●智能安防：“点”“线”“面”布防+后台分析

目前，我国处于社会经济转型阶段，资源的市场化配置正在引起人口流动、就业分布等一系列变化，社会管理难度加大，各种矛盾冲突表面化，客观上为犯罪活动提供了更多的机遇。而装载在城市各个角落的视频监控系统存在识别准确度不高、设备环境适应性不强、识别种类少等诸多问题。人工智能与安防的结合，则是借助计算机视觉技术，利用海量视频监控数据以解决上述问题，具体体现在“点”“线”“面”的布防以及后台分析4大应用场景。

“面”布防的应用原理，主要是通过对视频的迅速分析，使信息分析平台可以监测出可视范围内的人群数量，并且捕捉每个个体的行为动作，形成重点场所及区域的面状布防。智能安防能通过图像识别技术实现静态识别，完成动态识别和轨迹识别，进而通过更为优化的AI算法与模型实时分析可视范围内的人物、车辆及其行为。例如，旷视科技的智能安防解决方案便适用于“面”布防场景，其重点区域的智能监控可自动判别危险分子进入前后，是否出现异常态势（如人员异常聚集等）并及时预警，而且可以通过对可视化人员的滞留分析、人群行为分析和群体轨迹分析，为公安机关实现快速、精准、移动化指挥提供依据。

智能安防目前存在的问题集中表现在视频监控系统存在的不足，主要包括三大方面：第一，视频监控均为固定安装，存在死区，容易被破坏或躲避；第二，传统的巡更系统技术陈旧，安装繁杂，维护成本高；第三，发生警情时不能及时进行现场处置，阻止犯罪和警情扩大作用有限。智能安防进一步的发展和实现，必然首先要解决视频监控系统的上述问题。除视频监控系统以外，AI还将会纵向复制，赋能其他移动化工具，诸如移动执法记录仪、安防无人机、安防机器人等。

●自动驾驶：计算机视觉模拟人类感知与决策过程

汽车系统代替驾驶员的角色，模拟人类感知、决策的过程，一直是实现自动驾驶的设想路线。从我国交通情况与汽车产业来看，一方面交通事故发生率仍保持较高水平，另一方面在严重的交通拥堵与共享经济影响下，国内传统汽车产业的销售利润率正不断下降。为寻找新的增长点，车企纷纷投身于电动化、智能化的蓝海市场，希望促进传统产业的转型升级。

自动驾驶理想的工作流程是，通过传感器识别眼前的物体，对周边态势有整体的把握，并将这一信息传递给车载电脑。车载电脑被预先注入了一定的驾驶经验、交互能力和临场处置能力，以便在实时工作时做出正确决策。由此可见，自动驾驶要突破的关键技术主要包括环境感知、行为决策、路径规划和运动控制。人工智能所拥有的能力恰好匹配自动驾驶需求：立足于类似人脑的多层卷积神经网络，人工智能经过大量的标注数据集训练后，便能达到人类水平的图像识别能力。

计算机视觉，是实现自动驾驶的底层技术代表之一。计算机视觉技术就是用摄像头代替人眼对目标（车辆、行人、交通标志）进行识别、跟踪和测量，感知汽车周边的障碍物以及可驾驶区域，理解道路标志的语义，从而对当下的驾驶场景进行完整描述。人工智能还有另一种方案，即端到端的深度学习简化算法步骤，将数据信息输入即可直接得到结果，获取全局最优解。

传感器作为自动驾驶汽车的感知端，发挥着驾驶员感官的作用。作为传感器重要部分的激光雷达，目前面临层层挑战和阻碍，价格过高、不能量产是其核心问题。例如，领先厂商Velodyne的高端产品64线激光雷达质量达13.2千克，有花盆大小，价格更是在10万美元之上。为满足自动驾驶的需求，供应商纷纷在牺牲一部分性能的基础上，以小型化、廉价化、固态化作为车载激光雷达的发展方向，以降低成本、提高产能作为突破口，力图让激光雷达实现商业化量产的目标。与此同时，以摄像头为主的计算机视觉技术也在同步发展，提高环境感知能力。就当前车载传感器的发展而言，任何单一传感器都无法独当一面地承担自动驾驶汽车的感知任务，多传感器融合、不同传感器优势互补逐步成为共识。

新一轮产业变革中的技术机遇与挑战

随着人工智能上升为国家战略，其发展拥有了明显的政策利好。三年来，人工智能领域的投资热度持续上升，各大高校纷纷创建人工智能实验室以培养算法人才，以存储、计算、高速网络、框架工具为方向的硬件/服务提供商为产品化提供强有力的底层支持……人工智能的发展正处于前所未有的良好环境。

但是，一些潜在挑战仍不可忽视，如各产业数据获取难，非结构化数据处理成本较高且存在隐私侵犯等法律问题。现阶段算法人才难求，而算法红利终会消退，产品和商业模式将成为未来企业的“角斗场”。弱人工智能阶段，产品普遍尚未成熟，人类的低容错率导致人工智能产品面临信任危机。诸如此类的挑战，将在一定程度上制约人工智能产品的快速落地。