前言

近几年来，“大数据”的概念因为云计算、虚拟现实及AI等技术的发展和应用被炒得火热。大数据的意义已经不局限于数据规模的定义，更代表着信息技术发展进入了新时代。

基于现有电子信息产业统计数据及行业抽样估计，2015年我国大数据产业业务收入2800亿元，据工信部预测，到2020年，大数据相关产品和服务业务收入将突破万亿元，年均复合增长率保持在30%。大数据已经成为新经济的增长引擎，但是大数据的应用还主要局限于线上大数据，线下大数据还未得到广泛采集和应用。随着新零售时代的到来，线下大数据的价值逐渐得到重视。

一、线下大数据发展现状

1.特点及发展历程

1.1大数据产业进入快速发展阶段

随着互联网、移动互联网、物联网的发展，数据体量呈现出爆发式增长，大数据也应运而生。大数据可以通过以下五个特征来定义：海量的数据规模、多样的数据类型、数据真实性高、快速的数据流转和动态数据体系、数据价值大。
u“大数据”一词的百度搜索指数在一定程度上可以体现其相关概念和产业的几个发展阶段：萌芽期、探索期和市场启动期，目前大数据产业已进入快速发展阶段，实现了市场接受度提高、应用深化和市场规模快速增长等目标。而“新零售”概念的提出为大数据培育了新的增长点。

国外大数据发展起步早，政策推动国内大数据产业后来居上。

2005年，Hadoop项目诞生。Hadoop是由多个软件组成的生态系统，共同实现功能全面和灵活的大数据分析。2006年，云计算概念被提出。2008年，“大数据”得到部分美国知名计算机科学研究人员的认可，业界组织计算社区联盟，发表白皮书《大数据计算：在商务、科学和社会领域创建革命性突破》。2010年，肯尼斯ž库克尔在《经济学人》上发表了长达14页的大数据专题报告《数据，无所不在的数据》。2011年，麦肯锡全球研究院发布了一份报告《大数据：创新、竞争和生产力的下一个新领域》，大数据开始备受关注，这也是专业机构第一次全方面的介绍和展望大数据，工信部把信息处理技术作为四项关键技术创新工程之一。2012年，瑞士达沃斯召开的世界经济论坛上，大数据是主题之一，会上发布的报告《大数据，大影响》宣称，数据已经成为一种新的经济资产类别。美国政府在白宫网站发布了《大数据研究和发展倡议》，这一倡议标志着大数据已经成为重要的时代特征。阿里巴巴集团推出大型的数据分享平台“聚石塔”，为电商及电商服务商等提供数据云服务。2014年，美国白宫发布了2014年全球“大数据”白皮书研究报告《大数据：抓住机遇、守护价值》。鼓励使用数据以推动社会进步2014年，“大数据”首次出现在中国当年的《政府工作报告》中。2015年，国务院正式印发《促进大数据发展行动纲要》,标志着大数据正式上升为国家战略。2016年，ComputingResearch发布“2015大数据市场评论”，表明去年没有将大数据和大数据分析集成到其运营过程的企业的比例从33%降到了16%。大数据开始作为企业决策的重要支撑，在商业市场上发挥巨大价值。2017年，国内政策的接连出台为推动大数据产业快速成长提供了良好的发展环境。

1.2线上流量红利消失，线下客户群体成为优质流量资源

线上流量红利消失：线上用户总规模趋于稳定，纯线上获客成本越来越高，边际收益递减。

线下流量愈发重要：消费者更加重视消费体验和品质，庞大的线下客户群体成为重要流量资源入口，如何发挥线下流量价值成为企业重要的战略关注点。

数据采集技术发展催生数字化变革：互联网实现了线上行为数字化，而iBeacon、各类数据采集传感器技术使得现实场景行为数字化成为可能。未来随着物联网的发展，线上大数据和线下大数据将实现高度融合。

二、定义解读及发展背景

1.线下大数据定义

线下大数据定义：虚拟世界的互联网行为以外，现实场景行为定义解读的数字化。

“大数据”在最初被提出的时候，并不存在线上线下这样的界定，它是伴随着社会信息化而诞生的一个概念；起初，大数据多指线上大数据是因为，以互联网为载体产生的数据，在当时更容易被采集和存储；随着智能终端、数据采集传感器等新技术的普及，线下实体经济和产业的数据化需求推动了线下大数据的快速发展；单从获取层面来说，线下大数据是虚拟世界的互联网行为以外，现实场景行为的数字化。

在移动互联网甚至物联网来袭的大背景下，线上线下的边界越来越模糊。金准人工智能专家认为，在未来线上大数据和线下大数据一定会实现高程度的融合。只有将线下数据和线上数据联系起来，才能更好的赋能产业。

政策、社会、资本、技术等因素推动线下大数据产业发展。

政策：多方面支持和引导大数据与实体经济相结合，加快大数发展背景据在经济活动中的发展应用

国家对大数据的重视程度不断提高，为大数据产业发展提供强有力的政策支持：关注大数据应用如何落地，推动大数据与实体经济结合，培育开展数据服务新业态，加快大数据在经济活动中的发展应用。

社会：线下消费市场空间大，新零售推动线下大数据快速发展

线下消费市场空间大：据商务部统计，2016年我国线下商品零售额24.5亿元，占总零售额的82.5%，线下消费仍然具有巨大能量和前景，线下流量成为新的关注点。
u新零售推动线下大数据快速发展：普华永道发布的《建设未来：零售商的十大投资领域》报告显示，39%的零售商认为“把客户数据转化为智能的、可操作见解的能力”是他们最大的挑战之一。新零售本质上是为了重构人货场，为了实现新零售中“人”的重要位置，关于用户线下数据的采集和基于个性化需求理解的经营是核心。

资本：线下大数据投资热度高涨，备受资本市场青睐

线下大数据备受资本市场青睐：社会关注点逐渐回归线下，使资本市场注意到了线下大数据的发展潜力。2017年多家企业获得融资，如众盟数据获得1.8亿元B+轮融资、汇纳科技在深圳交易所创业板挂牌等。在资本强力推动下，未来几年线下大数据将会迎来爆发式增长。

技术：iBeacon和各类数据采集传感器为线下大数据产业提供有效发展背景技术支持

目前，市场上广泛应用的线下采集产品主要有iBeacon和各类数据采集传感器（Wi-Fi探针和人脸识别摄像头等），其中Wi-Fi探针应用最为广泛。随着技术的不断更新迭代，各类采集技术将通过互补以实现更精准的数据采集。随着技术发展，未来数据采集方式更加多样。在即将到来的5G时代，国家积极推行的5G宏站+5G小站模式，将为线下数据采集提供新思路。

2.相关企业图谱及战略聚焦点

完整的线下大数据产业闭环服务涵盖数据采集、数据合成、数相关企业图谱据应用

线下大数据的处理流程包括数据采集（同时包含数据预处理和数据存储）、数据合成（数据清洗、标签添加、数据挖掘，数据运算和数据分析）和数据应用（精准获客、选址、运营管理、销售监测等）。线下大数据发展较晚，目前还没有形成清晰的产业链条，线下数据的供应端和服务端呈现了多种创新的发展趋势。

线下大数据服务商要通过积累数据采集量、建立标准化体系、深化落地应用和提高数据合成能力，构建健全商业生态。

三、线下大数据应用价值

线下大数据在未来几年会顺应市场需求保持高势头增长和发展，助力实体经济创新。

线下大数据虽然起步晚且面临诸多挑战，但在市场需求、技术进步和实体经济产业更新的推动下，行业从业者在不断探索中发现了许多机遇。不管是从线下经济大环境不断革新的角度，还是从线下大数据和线上大数据互利互补的趋势来看，线下大数据在未来几年会顺应市场需求保持现在的高势头继续增长和发展，助力实体经济创新。

中国商业的主导权在发生着重大变化，消费格局的核心慢慢向对消费者的经营和服务聚拢。线下大数据是利用数字化的手段凸显客户的中心位置。线下是消费产业发展的最初形态，线上线下的模式和销售逻辑并不相同，不同品类在不同渠道的发展趋势差异较大，线下数据为平衡渠道战略提供支持。线下行为以时间为维度，生活状态和生活轨迹更丰富和鲜活。相较线上趋于习惯性的行为，线下行为是对目前线上数据缺失的有力补充，提高了消费者行为的数字化率。消费升级带动商业升级，线下大数据是新零售加速布局的重要支撑。线下大数据的出现推动了商业要素的重构，加速了实体经济经营模式和商业模式的创新。

线下大数据从选址、SKU、营销、销售等方面服务实体经济实现整体运营数字化

线下大数据服务实体经济：实体经济正经历基于技术和数据的新一轮升级，在此趋势下，实体商业纷纷确认“数据驱动一切、以消费者个性化体验”为核心的经营法则。如何基于线下大数据提升用户体验、增强用户粘性、降本增效，成为商家需要着重思考的问题。
u目前，线下大数据已经应用于百货、共享经济、文娱、金融、旅游等多个行业，各个行业的服务链条存在差异，通用应用场景包括选址、SKU、营销、销售和运营，金准人工智能专家将分别描绘各个场景中，线下大数据如何服务实体经济数字化经营。

1. 选址：从“经验”到“数字化”，线下大数据选址是关键

选址作为线下实体店落地的第一环节，不仅是商家对于市场定位的选择，更是制定经营战略和目标的重要依据。

经验选址：过去实体经济拥有者对于选址大部分是基于企业经验，或者追随市场跟风选择地址开店。虽然可能根据不同影响因素，构建了不同的模型，但是由于消费者需求无法评估，非数字化的模型和无法量化的优劣势指标对比难以实现科学指导。

数字化选址：基于商家已有模型、行业和品类需求，依靠线下大数据采集，锁定目标客群集中区域，推荐多个细分商圈。通过匹配主要商业维度和用户标签，提供降本、高效、全面、风险可控的选址方案，确保经营中，门店拥有足够数量和优质的消费者。

案例分析-线下大数据助力无人零售选址

无人设备是技术发展衍生的新零售终端，主要切入场景是社区和写字楼办公室。中国有10w+的城市社区，怎么选择受众群广的社区进行设备投放，形成市场定位和区域规模布点优势，选址是亟待被解决的首要问题。

无人零售设备的方案提供商利用线下数据采集技术，分别对已有门店、目标地址和竞对点位进行数据采集。相比以往人工计数的方式来统计流量，线下大数据可以借助数据智能工具大幅度提高统计效率，多维度分析客流信息，通过数据对比辅助客户决策。

由于社区和写字楼工作日人流量非常大，导致很多无人零售设备的客流转化率处于一个较低的水平。目前利用线下大数据进行选址的应用还处于萌芽探索阶段，企业还没有结合线下大数据制定成熟的策略方案，但金准人工智能专家预测，通过用户画像选址并根据用户标签相应的调整进行选品，无人零售设备的客流转化率至少可以达到现在的两倍以上。企业通过SKU对商品的属性进行管理，SKU本质上就是对货品实现数字化管理。

2.SKU：线下线上结合最优化商品管理SKU
uSKU作为选址后的第二个场景，其效果直接影响门店的销售和运营。实体经济商品在线下场景的数字化可以提高企业战略和运营决策能力，线下大数据可以完成商品和客户之间强相关；在供应链层面，线下大数据的实时反馈可以在保证整体库存精简的同时实现管理最优化。

传统模式的企业供应链是链条式运作，而数字化带来的变革实现了商品供应链中各环节“并联”进行，同步操作，构建供应链生态的协同关系。例如供应链系统中的进销存管理，通过线下大数据可以实现对动销状况实时监测并做出营销策略调整。并且根据线下大数据构建商品价值模型，建立销售端的客户信息库，结合线上数据找到消费者需求最集中的产品，甚至预测消费者消费趋势。

案例分析-线下流量优化市场颗粒度，为共享经济匹配更精准的选品

随着共享经济概念的火爆，共享充电宝也应运出现在了大众视野。共享充电宝如今发展并不成熟，行业面临诸多痛点，例如布局少，归还不方便、用户认知率低和用户对于安全问题的担忧等。

来电科技作为最早入局共享充电宝的企业，其产品主要应用场景有：大型商场、交通枢纽、会议会展、餐饮企业、泛娱乐行业等，不同场景对应的共享充电形式也不同。为了能够实现有效扩张，充电宝如何实现最大利用率是选品放置时最关键的考量因素。

来电科技从布局共享充电宝以来，不仅利用线下大数据采集对自身九十多类应用场景模型进行了补充，将共享充电宝的选品与投放和线下数据采集充分结合。通过线下大数据采集，实现自有客流信息数据库的建立，通过客流的停留时间和用户画像等维度，建立模型，选择最优回报率的产品和数量；将潜在用户的细化描绘直观的体现在场景中，分析热力分布，优化充电宝选址，进行更精准的匹配。金准人工智能专家认为，市场分类的细度直接影响产品发展空间，通过用户标签的精细化选品会为共享经济带来更高效正面的市场反馈，共享经济也会成为线下流量的主要入口之一。

3.营销：基于线下大数据实现营销精准化，提高广告投放投资回报率

大数据对于门店经营的价值不再只是事后分析，而是预测和推荐。基于线上大数据的营销模式更多是依靠线上大数据的积累，而用户画像不仅包括线上大数据，线下场景的行为数字化更能体现用户的客观需求甚至潜在需求，因此线下大数据应用为实体店的营销提供了基于真实场景的数据支持。

门店在采集和分析用户画像时，可以通过用户标签来发布广告给所要触达的用户，根据消费行为推送商品信息，提高双方的匹配效率，实现营销更精准化。同时还可以通过搜索广告、展示社交广告、移动广告等多渠道的营销策略、营销分析以及后端CRM/供应链系统打通一站式营销优化，全面提升广告投放投资回报率（ROI）。

根据线下数据采集绘制用户轨迹，基于不同的营销场景、区域商圈实现定向广告投放，缩短营销刺激和实际转化之间的距离。通过打造线下数据库，采集用户喜好，了解用户需求，为客户提供数字化产品和服务，优化品牌与消费者之间的数字化体验。

案例分析-线下数据丰富用户信息，泛会员体系概念提出

百货行业是受电商崛起影响最大的行业，面对新消费时代，如何利用大数据驱动线下门店，商家也在积极探索新的创新模式。

百货商场自有数据主要包含两部分：会员数据和销售数据，将会员数据和销售数据连接，描绘出的用户画像维度单一，存在会员数据不完善、广告成本高但效益很低、无法锁定人群等困扰，数据价值难以发挥作用。某百货商场使用线下数据采集传感器对到店顾客进行线下采集，通过20天线下数据采集，实现了部分会员画像以及未记录消费者画像的补充。

通过数据多维分析了解到店顾客特征，为顾客匹配属性标签，对相似人群营销推广，客流转化率达到1.4%，高于行业千分之几的平均转化率。经过定向营销，看过广告到店人数占总到店人数比例6%左右，获客成本4.76元，实现营销效果可视化。就百货商场目前存在的问题，线下大数据给出了初步的解决方案，公司运营对线下大数据开始倾斜。但是目前线下大数据还处于一个积累体量的过程，随着体量增加，用户画像的描绘会更加客观和细致，百货商场会逐渐调整公司策略以更好地发挥线下大数据的价值。

案例分析-沉淀线下大数据支持音乐节精准营销

文娱产业是当下的一个热门话题，宏观经济下行带来的“口红效应“，使文娱产业呈现爆发式增长，随着人们对于精神需求的标准越来越高，文娱产业需要迎合消费者作出精准营销，才能更好地符合文娱产业的价值传递。

张北草原音乐节（以下简称音乐节）是目前中国户外音乐节露营和自驾聚集人数最多的音乐节。目前音乐节已拥有较高的品牌认知度，为了寻求新的价值空间，品牌升级、突破单场盈利瓶颈、实现音乐节产业链上的价值空间转移，成为目前面临的主要问题。音乐节受众客群比较固定，过去音乐节仅通过自身票务销售数据和移动信号检测两种方式收集数据。从票务数据来讲，线上和线下渠道区分仅能描述观众的数量级；而检测移动信号只能大致勾勒观众人群的来源地，对营销的指导意义不强。

2017年音乐节前期，根据音乐节自有数据资源沉淀，利用线下数据场景缩小范围，针对性投放广告，特别是张家口本市商圈的投放。结合音乐节多维度营销，最终实现了30万人次到场并突破亚洲纪录。通过对2017年音乐节期间线下采集的大数据细化观众粒度，根据用户搜索偏好明确招商拓展目标，并且根据用户画像进行精准投放实现人群二次召回和新客开发，为2018年音乐节做数据支持。

4.销售：线下大数据联合CRM系统实现门店智慧导购

u线下门店已有的CRM系统已经实现了线下部分数据的数字化，可以完成对客户、会员、采购、销售、库存和系统的数字化管理，如果说CRM系统还只局限于消费者购买行为的数字化，那么线下大数据不仅可以丰富购买行为维度，还可以实现消费者非购买行为的数字化。例如，通过数据采集传感器技术，当用户在线下门店一定范围内就可以探测到用户的手机，从而定位到用户，再结合用户历史购买数据和线上操作数据，经过计算输出智能推荐，有力的支持了门店智慧导购的实现。

由于实体店和电商的差异性，线下销售数据的反馈普遍具有延迟性，相较于电商，实体店的营销策略和运营策略落地时间较长。线下大数据除了助力CRM系统更好的管理实体店销售数据，还可以实时监测门店的经营数据，为企业快速做出运营决策提供可能。

案例分析-珠宝行业利用线下大数据为线上渠道引流

珠宝行业受电商冲击影响小，而且珠宝难以数字化，运输过程中存在风险，所以珠宝企业在数字化改革中进展缓慢。

通过过去的销售数据，老庙黄金发现以往的销售监测是以人工报表形式进行提交，效率低，成本高；而且用户的购买信息不完
整甚至存在不真实的情况，为公司客观评价店铺坪效、租金贡献等造成了阻碍。为了提升自身的信息化程度，老庙黄金采用了线下数据采集的方式评估商户交易数据和用户行为数据。

老庙黄金通过门店数据获取，可以实现门店客流收集、流水数据导入、经营转化率的实时反馈。现有上海门店均已实现线下数据采集，老庙黄金通过获取门店数据，反向指导企业制定运营策略，根据用户画像洞察用户潜在需求，完成为线上销售做引流，在2017年“双十一“线上促销活动中，ROI达到9%；同时，同步线上数据完善会员信息和线上购买数据，逐步建立自有客户数据资产。

5.整体运营

运营：线下大数据完善客户信息，针对营销漏斗实现精准定位，达到精细化运营

运营是对整个经营过程的计划、组织、实施和控制，利用数字化工具指导运营可以达到洞察消费者、研究媒体价值、分析市场竞争和品牌管理，通过线上和线下的资源打通，可以更全面的对客户信息进行管理。尤其针对营销漏斗中的四类客流人群，线下大数据可以对客群实现精准定位，以用户维度，设计和分解运营闭环，最后达到潜客筛选、潜客引流，为顾客提供差异化服务，并对门店整体运营情况综合评估，最后完成企业策略提升，达到精细化运营的效果。

案例分析-线下大数据指导智慧景区运营方案优化

旅游行业是我国国民经济重要产业，我国旅游增加值已占到GDP的4%以上。随着互联网+模式的应用，旅游行业已经发生了巨大的变化，但目前旅游业数字化程度较高的运营模式大多数集中在线上，线下运营的数字化速度较慢。

某智慧景区于2017年揭牌，根据原有数据和可查询公开数据制定运营决策。通过一年经营，公司发现景区的运营决策效果有很大提升的空间，因为运营涉及到了经营链条中很多场景，想要找到关键影响因素所在，涉及到巨大的工作量和经营数据的筛选。通过数字化技术分析用户线下数据，可以高效快速的洞察景区整体经营情况，及时找到运营痛点。

基于线下大数据对景区进行区域固定、形式固定的游客监测，沉淀线下游客数据，总结出一个趋势和两个问题：近50%的游客会选择旅行社跟团的方式乘坐旅行大巴出游；根据游客信息反馈原有数据和公开样本数据不够全面和客观，无法为运营决策提供依据；由于渠道限制，无法做到线上线下引流，因此营销手段并没有得到积极的反馈。根据线下数据得出的信息，公司检测并总结了过去运营策略失败的原因，并针对游客数据继续深度探究以优化运营方案。

四、线下大数据作用——以中商惠民为例

1.线下大数据助力作用—利用用户画像，满足个性化需求，提升用户体验

用户画像为基础：大数据助力线下门店，基础在于“用户画像”的勾画。基于线上大数据得到用户线上的行为偏好，合并海量的、多维度的线下大数据，生成完整的用户画像。从线上到线下，将两者充分融合利用。

1.利用线下大数据进行消费者分析--提升用户体验

对线下产生的有价值的数据进行收集、监测以及分析，结合线上数据，可以帮助线下门店更加精准地进行消费者分析。线下门店在了解消费者的基础上，以人为中心，提升用户体验。

以中商惠民为例：对比4家店顾客休闲小食偏好（由众盟数据掌柜平台提供），每家店顾客偏好有明显的不同，所以金准人工智能专家认为，便利店根据消费者多维度的偏好调整选品，实现“千店千面”，使消费者的偏好需求得到满足，从而提升用户体验。

2.线下大数据助力作用—通过泛会员管理，打通线上线下，增强用户粘性

基于线下大数据的泛会员管理旨在通过打通线上线下，增强用户粘性。泛会员化是指消费者只要在门店有了消费行为，即成为会员，无需额外注册。线下门店为每一位会员建立消费档案，分析其特征并进行数字化，从而延伸出更多的服务，增强用户粘性。金准人工智能专家认为，泛会员管理是一种线下导流线上、线上服务线下的模式。

模式具体为消费者门店消费成为相关APP会员，且将消费数据导入APP；另一方面，APP会员线上与线下的消费行为形成偏好特征数据，服务于门店。

金准人工智能专家对新零售行业的研究发现，未来可依据这一模式的发展典型案例是中商惠民旗下“爱鲜蜂”APP（用户线上购买商品，附近合作的便利店接单配送的一款APP）与其便利店结合。

线下大数据助力作用—利用线下大数据，调整品类结构，降低线下门店成本以线下零售终端、物流、供应链环节采集的大数据为基础，结合线上数据，实现数据化运营管理。

线下门店一般从订货量和库存周转考虑降低成本问题，传统上以订销比（订货量与前期某段时间的销售比例，1.15-1.25较为合理）作为参考指标，避免过多订货造成库存积压和订货量少造成缺货。这是传统的以货为中心的运营思维，而以人为中心的思维转变，更加凸显线下大数据的作用。

同样以便利店为例：便利店熟食正餐一般不会隔夜销售，所以订货量更为重要，如果参考顾客口味偏好，可以使订货量更加合理，从而降低成本。便利店里的美妆护肤产品不是第一类需求产品，所以应考虑库存周转，根据顾客偏好调整陈列品类的结构，进而加速货品的库存周转。

3.线下大数据助力作用—优化运营管理，全面提升行业效率

传统上选品依据销售数据和经验，而对人的关注度不高，依据线下大数据，包括门店的位置、周边的社区人群的标签、消费者线上搜索和线下购买数据构建用户画像，计算出长尾商品，决定品类，使选品精准化。

金准人工智能专家研究发现，利用线下大数据，选品出现新模式—货架整体采购，用线下大数据匹配出场景（如母婴、小学、中老年人、白领等场景），按场景用户画像布置货架，门店根据所在场景采购整体货架，据测试，货架采购的商品产出比普通采购高30%。

在进销存管理方面，根据线下大数据，用最少的货可以实现最高的有货率，提高运营效率。

从行业逻辑聚焦到企业来看，惠配通（中商惠民超市订货平台）这种自建仓库、提供供应链、统一物流配送的模式，一方面大大提高了整个供应链的效率，另一方面，将会发展为大数据平台，成为提升行业效率的推动者，推动行业的业态升级。

五、线下大数据发展趋势及建议

1.发展趋势

目前线下大数据对线下实体经济已经产生了很多正面作用，而且随着数据体量的增加，线下大数据会越来越具有指导意义，不管是从数据采集能力，还是对实体经济的赋能来看，未来线下大数据会比线上流量体现出更大的潜能。线下大数据不仅弥补了线上大数据在实体经济中布局的空缺，在未来线上线下的融合，会激发更多的数字化商业模式。

2.发展建议

随着线下大数据的火热布局，国家政策的积极推进，线下大数据进入快速发展阶段。但是从技术、安全性、准确性、标准化等角度考量，线下大数据如何更好地解决商业问题，还需要经过很多的市场考验。实体经济经过多年的平稳发展，如何利用线下大数据对其进行更深层次的指导以实现产业改革，金准人工智能专家提出了几点建议，以供参考。

3.未来主要发展方向

线下的消费行为数据经过被定价和资产化后可以衡量品牌价值和投资风险，逐渐成为实体经济贷款、融资的资本。

目前市场很多企业部门并不了解线下大数据的应用场景和价值，企业线下数据的资本被长时间忽略。企业现有数据大多呈孤岛式碎片化的呈现，大量线下数据长期不能数字化造成资本流失。信息采集技术的更新为线下消费者数据化提供了可能，在未来线下消费行为的数据化率也将得到大幅度提升。

线下的消费行为数据经过被定价和资产化后可以衡量品牌价值和投资风险。未来线下大数据会逐渐形成完整的服务链条和生态体系，线下实体店的企业主也会对线下流量运营越来越关注。这些可以被证实、更新、关联的线下数据在完成数据化和资产化之后，也会成为实体经济贷款、融资的资本，并指导商业流程，为产业提供前瞻性指导。

线下和线上大数据实现资源共享，高度融合，完成线下流量线上化。

如今的线上大数据更多是完成业务和商品数字化，而线下大数据实现了消费者数字化。但是随着实际场景发生的行为越来越多的需要借助移动互联网来实现，线上线下的边界越来越模糊，在未来智慧城市、智慧商业的搭建下，线上场景和线下场景也将实现融合，只有将线下大数据和线上大数据资源共享，才能实现大数据价值最大化。

金准人工智能专家认为，未来随着线下大数据的发展和积累，线下大数据在实现自身流量线上化的同时，会成为源力推动线上和线下全渠道融合，形成数据合作市场规范，建立一体化网络，发展优势互补，大数据分析支撑线上线下服务同步升级。线上线下服务融合将产生海量结构化、实时的数据资源，通过大数据分析服务之间、服务与用户之间、用户之间的关联关系，在此基础上优化流程，合理配置资源，辅以智能化手段，提供个性化、精准化、智能化的服务。

线下大数据与多种科技和多行业交叉融合，深化行业应用。

目前新零售是线下大数据主要的应用行业，但线下大数据发展初期，赋能企业的服务模型还不够成熟，线下大数据服务商需要从用户出发，结合行业革新的新进展，扩展细分场景中线下大数据的区别化应用。

随着机器学习算法与线下大数据分析融合，以及云计算、物联网、人工智能和各行业协同发展，不同垂直行业会持续探索线下大数据的应用模式，完成企业升级和转型。但各行各业的细分场景存在较大差异化，未来线下大数据服务商需要构建有针对性的服务模式，以达到更好的赋能企业。

在各路政策的推动下，不仅实体经济会深化有关线下大数据的应用，未来虚拟资本也会将线下大数据落实其中，逐渐挖掘线下大数据新功能和效用。

总结

金准人工智能专家对线下大数据产业深度剖析，发现线下大数据企业在政策、社会、资本、技术等因素推动下快速发展，并且形成了涵盖数据采集、数据合成和数据应用的闭环服务。线下大数据产业进入快速发展阶段，线下客流人群作为优质流量资源逐渐被重视。线下大数据从选址、SKU、营销、销售等方面服务实体经济实现整体运营数字化，提升用户体验，增强用户画像，降低运营成本，提高行业效率。

展望线下大数据产业的发展趋势并提出建议。金准人工智能专家发现，随着线上流量红利消失，庞大的线下客户群体成为优质流量资源，线下实体经济和产业的数据化需求也推动线下大数据产业进入快速发展，然而行业缺乏对于“线下大数据”明确且公认的定义。金准人工智能专家认为，线下大数据是虚拟世界的互联网行为以外，现实场景行为的数字化。未来，线下大数据资产化、线上线下大数据高度融合、深化行业应用是主要发展方向，线下大数据作为实体经济发展新动能也将提供更好的服务。

前言：随着我们的日常生活与各种各样的技术越来越紧密地交织在一起，有时候，似乎未来已经到来。然而，技术仍在不断发展，人工智能（AI）已经占据了这一领域的中心地位。在许多前进力量的支持下，人工智能继续激发公众对未来的想象。亚马逊的Alexa、Netflix的推荐系统以及SnapChat滤镜等的创新，进一步推动了这一信念，这些都是人工智能进入个性化领域的优秀范例。

最常见的人工智能构成部分，以及人工智能家族中的“聪明之星”，都是“深度学习”。深度学习是一种数据学习的模式，近年来改进了长期以来的预测准确性标准。除了传统的预测建模之外，它还在语音识别和计算机视觉领域有突出贡献。然而，随着我们迎接新年的到来，事情将变得更加有趣。让我们来看看2017年的深度学习（以及更广泛的人工智能）的情况。

1. 文字

1.1. Google自然机器翻译

将近1年前，Google发布了新一代的Google Translate。这家公司还介绍了其网络架构递归神经网络（RNN）的细节情况。

其关键成果是：将跟人类翻译准确率的差距缩小了55%—85%（由人按照6个等级进行评估）。如果没有像Google手里的那么大规模的数据集的话，是很难用这一模型再生出好结果的。

1.2. 谈判。能否成交？

你大概已经听说过Facebook把它的聊天机器人关闭这则愚蠢的新闻了，因为那机器人失去了控制并且发明了自己的语言。Facebook做这个聊天机器人的目的是为了协商谈判，跟另一个代理进行文字上的谈判，以期达成交易：比如怎么分摊物品（书、帽等）。每一个代理在谈判时都有自己的目标，但是对方并不知道自己的目标。不能达成交易就不能推出谈判。

出于训练的目的，他们收集了人类谈判协商的数据集然后做一个有监督的递归涡轮里面对它进行训练。接着，他们用强化学习训练代理，让它自己跟自己讲话，条件限制是语言跟人类类似。

机器人学会了一条真正的谈判策略——假装对交易的某个方面展现出兴趣，然后随后放弃这方面的诉求从而让自己的真正目标受益。这是创建此类交互式机器人的第一次尝试，结果还是相当成功的。

当然，说这个机器人发明了自己的语言完全就是牵强附会了。在训练（跟同一个代理进行协商谈判）的时候，他们取消了对文字与人类相似性的限制，然后算法就修改了交互的语言。没什么特别。

过去几年，递归网络的发展一直都很活跃，并且应用到了很多的任务和应用中。RNN的架构已经变得复杂许多，但在一些领域，简单的前向网络——DSSM 也能取得类似的结果。比方说，此前Google用LSTM在邮件功能Smart Reply上也已经达到了相同的质量。此外，Yandex还基于此类网络推出了一个新的搜索引擎。

2. 语音

2.1. WaveNet：裸音频的生成式模型

DeepMind的员工在文章中介绍了音频的生成。简单来说，研究人员在之前图像生成（PixelRNN 和 PixelCNN）的基础上做出了一个自回归的完全卷积WaveNet模型。

该网络经过了端到端的训练：文本作为输入，音频做出输出。研究取得了出色的结果，因为跟人类的差异减少了50%。

这种网络的主要劣势是生产力低，由于自回归的关系，声音是串行生产的，所以一秒钟的音频要1到2分钟才能生成。

我们来看看……哦对不起，是听听这个例子。

如果你撤销网络对输入文字的依赖，只留下对之前生成音素的依赖，则网络就能生成类似人类语言的音素，但这样的音频是没有意义的。

听听这个生成语音的例子。

同一个模型不仅可以应用到语音上，而且也可以应用在创作音乐等事情上。想象一下用这个模型（用某个钢琴游戏的数据集训练，也是没有依赖输入数据的）生成音频。

DeepMind研究成果的完全版在这里。

2.2. 理解唇语

唇语理解是另一个深度学习超越人类的成就和胜利。

Google Deepmind跟牛津大学合作在《唇语自然理解》这篇文章中介绍了他们的模型（通过电视数据集训练）是如何超越职业唇语解读师的。

这个数据集总共有包含100000个句子的音视频。模型：音频用LSTM，视频用CNN+LSTM。这两个状态向量提供给最后的LSTM，然后再生成结果（字符）。

训练过程中用到了不同类型的输入数据：音频、视频以及音视频。换句话说，这是一种“多渠道”模型。

2.3. 合成奥巴马：从音频中合成嘴唇动作

华盛顿大学干了一件严肃的工作，他们生成了奥巴马总统的唇语动作。之所以要选择他是因为他讲话的网上视频很多（17小时的高清视频）。

光靠网络他们是没有办法取得进展的，因为人工的东西太多。因此，文章作者构思了一些支撑物（或者花招，你要是喜欢这么说的话）来改进纹理和时间控制。

你可以看到，结果是很惊艳的。很快，你就没法相信这位总统的视频了。

3. 计算机视觉

3.1. OCR：Google Maps和Street View（街景）

Google Brain Team在博客和文章中报告了他们是如何引入一种新的OCR（光学字符识别）引擎给Maps，然后用来识别街道名牌和商店标志。

在技术开发的过程中，该公司编译了一种新的FSNS（法国街道名牌），里面包含有很多复杂的情况。

为了识别每一块名牌，该网络利用了名牌多至4张的照片。特征由CNN来析取，在空间注意（考虑了像素坐标）的帮助下进行扩充，然后再把结果送给LSTM。

同样的方法被应用到识别广告牌上的商店名上面（里面会有大量的“噪声”数据，网络本身必须“关注”合适的位置）。这一算法应用到了800亿张图片上。

3.2. 视觉推理

有一种任务类型叫做视觉推理，神经网络被要求根据一张照片来回答问题。比方说：“图中橡皮材料的物品跟黄色金属圆柱体的数量是不是一样的？”这个问题可不是小问题，直到最近，解决的准确率也只有68.5%。

不过Deepind团队再次取得了突破：在CLEVR数据集上他们达到了95.5%的准确率，甚至超过了人类。

这个网络的架构非常有趣：

1.      把预训练好的LSTM用到文本问题上，我们就得到了问题的嵌入。

2.      利用CNN（只有4层）到图片上，就得到了特征地图（归纳图片特点的特征）

3.      接下来，我们对特征地图的左边片段进行两两配对（下图的黄色、蓝色、红色），给每一个增加坐标与文本嵌入。

4.      我们通过另一个网络来跑所有这些三元组然后汇总起来。

5.      结果呈现再到一个前向反馈网络里面跑，然后提供softmax答案。

3.3. Pix2Code应用

Uizard公司创建了一个有趣的神经网络应用：根据界面设计器的截屏生成布局代码：

这是极其有用的一种神经网络应用，可以帮助软件开发变得容易一些。作者声称他们取得了77%的准确率。然而，这仍然在研究中，还没有讨论过真正的使用情况。

他们还没有开源代码或者数据集，但是承诺会上传。

3.4. SketchRNN：教机器画画

你大概已经看过Google的Quick, Draw!了，其目标是在20秒之内画出各种对象的草图。这家公司收集了这个数据集以便来教神经网络画画，就像Google在他们的博客和文章中所说那样。

这份数据集包含了7万张素描，Google现在已经开放给公众了。素描不是图片，而是画画详细的向量表示（用户按下“铅笔”画画，画完时释放所记录的东西）。

研究人员已经把RNN作为编码/解码机制来训练该序列到序列的变自编码器（Sequence-to-Sequence Variational Autoencoder）。

最终，作为自编码器应有之义，该模型将得到一个归纳原始图片特点的特征向量。

鉴于该解码器可以从这一向量析取出一幅图画，你可以改变它并且得到新的素描。

甚至进行向量运算来创作一只猫猪：

3.5. GAN（生成对抗网络）

生成对抗网络（GAN）是深度学习最热门的话题之一。很多时候，这个想法都是用于图像方面，所以我会用图像来解释这一概念。

其想法体现在两个网络——生成器与鉴别器的博弈上。第一个网络创作图像，然后对二个网络试图理解该图像是真实的还是生成的。

用图示来解释大概是这样的：

鉴于该解码器可以从这一向量析取出一幅图画，你可以改变它并且得到新的素描。

甚至进行向量运算来创作一只猫猪：

在训练期间，生成器通过随机向量（噪声）生成一幅图像然后交给鉴别器的输入，由后者说出这是真的还是假的。鉴别器还会接收来自数据集的真实图像。

训练这样的结构是很难的，因为找到两个网络的平衡点很难。通常情况下鉴别器会获胜，然后训练就停滞不前了。然而，该系统的优势在于我们可以解决对我们来说很难设置损失函数的问题（比方说改进图片质量）——这种问题交给鉴别器最合适。

GAN训练结果的典型例子是宿舍或者人的图片

鉴于该解码器可以从这一向量析取出一幅图画，你可以改变它并且得到新的素描。

甚至进行向量运算来创作一只猫猪：

此前，我们讨论过将原始数据编码为特征表示的自编码（Sketch-RNN）。同样的事情也发生在生成器上。

利用向量生成图像的想法在这个以人脸为例的项目http://carpedm20.github.io/faces/中得到了清晰展示。你可以改变向量来看看人脸是如何变化的。

相同的算法也可用于潜在空间：“一个戴眼镜的人”减去“一个人”加上一个“女人”相当于“一个戴眼镜的女人”。

3.6. 用GAN改变脸部年龄

如果在训练过程中你把控制参数交给潜在向量，那么在生成潜在向量时，你就可以更改它从而在在图片中管理必要的图像。这种方法被称为有条件GAN。

《用有条件生成对抗网络进行面部老化》这篇文章的作者就是这么干的。在用IMDB数据集中已知年龄的演员对引擎进行过训练之后，研究人员就有机会来改变此人的面部年龄。

3.7. 专业照片

Google已经为GAN找到了另一种有趣的应用——选择和改善照片。他们用专业照片数据集来训练GAN：生成器试图改进糟糕的照片（经过专业拍摄然后用特殊过滤器劣化），而鉴别器则要区分“改进过”的照片与真正的专业照片。

经过训练的算法会筛查Google Street View的全景照片，选出其中最好的作品，并会收到一些专业和半专业品质的照片（经过摄影师评级）。

3.8. 通过文字描述合成图像

GAN的一个令人印象深刻的例子是用文字生成图像。

这项研究的作者提出不仅把文字嵌入到生成器（有条件GAN）的输入，同时也嵌入到鉴别器的输入，这样就可以验证文字与图像的相关性。为了确保鉴别器学会运行他的函数，除了训练以外，他们还给真实图像添加了不正确的文字。

3.9. Pix2pix应用

2016年引人瞩目的文章之一是Berkeley AI Research （BAIR）的《用有条件对抗网络进行图像到图像的翻译》。研究人员解决了图像到图像生成的问题，比方说在要求它用一幅卫星图像创造一幅地图时，或者根据素描做出物体的真实纹理。

这里还有一个有条件GAN成功表现的例子。这种情况下，条件扩大到整张图片。在图像分割中很流行的UNet被用作生成器的架构，一个新的PatchGAN分类器用作鉴别器来对抗模糊图像（图片被分成N块，每一块都分别进行真伪的预测）。

Christopher Hesse创作了可怕的猫形象，引起了用户极大的兴趣。

你可以在这里找到源代码。

3.10. CycleGAN图像处理工具

要想应用Pix2Pix，你需要一个包含来自不同领域图片匹配对的数据集。比方说在卡片的情况下，收集此类数据集并不是问题。然而，如果你希望做点更复杂的东西，比如对对象进行“变形”或者风格化，一般而言就找不到对象匹配対了。

因此，Pix2Pix的作者决定完善自己的想法，他们想出了CycleGAN，在没有特定配对的情况来对不同领域的图像进行转换——《不配对的图像到图像翻译》

其想法是教两对生成器—鉴别器将图像从一个领域转换为另一个领域，然后再反过来，由于我们需要一种循环的一致性——经过一系列的生成器应用之后，我们应该得到类似原先L1层损失的图像。为了确保生成器不会将一个领域的图像转换成另一个跟原先图像毫无关系的领域的图像，需要有一个循环损失。

这种办法让你可以学习马—>斑马的映射。

此类转换不太稳定，往往会创造出不成功的选项：

源码可以到这里找。

3.11. 肿瘤分子学的进展

机器学习现在已经走进了医疗业。除了识别超声波、MRI以及进行诊断以外，它还可以用来发现对抗癌症的药物。

我们已经报道过这一研究的细节。简单来说，在对抗自编码器（AAE）的帮助下，你可以学习分子的潜在表征然后用它来寻找新的分子。通过这种方式已经找到了69种分子，其中一半是用于对抗癌症的，其他的也有着重大潜能。

3.12. 对抗攻击

对抗攻击方面的话题探讨得很热烈。什么是对抗攻击？比方说，基于ImageNet训练的标准网络，在添加特殊噪声给已分类的图片之后完全是不稳定的。在下面这个例子中，我们看到给人类眼睛加入噪声的图片基本上是不变的，但是模型完全发疯了，预测成了完全不同的类别。

Fast Gradient Sign Method（FGSM，快速梯度符号方法）就实现了稳定性：在利用了该模型的参数之后，你可以朝着想要的类别前进一到几个梯度步然后改变原始图片。

Kaggle的任务之一与此有关：参与者被鼓励去建立通用的攻防体系，最终会相互对抗以确定最好的。

为什么我们要研究这些攻击？首先，如果我们希望保护自己的产品的话，我们可以添加噪声给captcha来防止spammer（垃圾群发者）的自动识别。其次，算法正日益渗透到我们的生活当中——比如面部识别系统和自动驾驶汽车就是例子。这种情况下，攻击者会利用这些算法的缺陷。

这里就有一个例子，通过特殊玻璃你可以欺骗面部识别系统，然后“把自己扮成另一个人而获得通过”。因此，在训练模型的时候我们需要考虑可能的攻击。

此类对标识的操纵也妨碍了对其的正确识别。

这里有来自竞赛组织者的一组文章。

已经写好的用于攻击的库：cleverhans 和 foolbox。

4. 强化学习

强化学习（RL）也是机器学习最有趣发展最活跃的分支之一。

这种办法的精髓是在一个通过体验给予奖励的环境中学习代理的成功行为——就像人一生的学习一样。

RL在游戏、机器人以及系统管理（比如交通）中使用活跃。

当然，每个人都听说过Alphago在与人类最好围棋选手的比赛中取得的胜利。研究人员在训练中使用了RL：机器人个你自己下棋来改进策略。

4.1. 不受控辅助任务的强化训练

前几年DeepMind已经学会了用DQN来玩大型电玩，表现已经超过了人类。目前，他们正在教算法玩类似Doom这样更复杂的游戏。

大量关注被放到了学习加速上面，因为代理跟环境的交互经验需要现代GPU很多小时的训练。

DeepMind在博客https://deepmind.com/blog/reinforcement-learning-unsupervised-auxiliary-tasks/中报告说额外损失（辅助任务）的引入，比如预测某一帧的变化（像素控制）一边代理更好地理解行动的后果，可以显著加快学习的速度。

4.2. 学习机器人

在OpenAi，他们一直在积极研究人类在虚拟环境下对代理的训练，这要比在现实生活中进行实验更安全。

他们的团队在其中一项研究中显示出一次性的学习是有可能的：一个人在VR中演示如何执行特定任务，结果表明，一次演示就足以供算法学会然后在真实条件下再现。

如果教会人也这么简单就好了。

4.3. 基于人类偏好的学习

这里是OpenAi和DeepMind联合对该主题展开的工作。基本上就是代理有个任务，算法提供了两种可能的解决方案给人然后指出哪一个更好。这个过程会不断反复，然后获取人类900的字位反馈（二进制标记）的算法就学会了如何解决这个问题。

像以往一样，人类必须小心，要考虑清楚他教给机器的是什么。比方说，鉴别器确定算法真的想要拿那个东西，但其实他只是模仿了这个动作。

4.4. 复杂环境下的运动

这是另一项来自DeepMind的研究。为了教机器人复杂的行为（走路、跳跃等），甚至做类似人的动作，你得大量参与到损失函数的选择上，这会鼓励想要的行为。然而，算法学习通过简单奖励学习复杂行为会更好一些。

研究人员设法实现了这一点：他们通过搭建一个有障碍的复杂环境并且提供一个简单的回报机制用于运动中的处理来教代理（躯体模拟器）执行复杂动作。

你可以观看这段视频，结果令人印象深刻。然而，用叠加声音观看会有趣得多！

最后，我再提供一个最近发布的算法链接，这是OpenAI开发用于学习RL的。现在你可以使用比标准的DQN更先进的解决方案了。

5. 其他

5.1. 冷却数据中心

2017年7月，Google报告称它利用了DeepMind在机器学习方面的成果来减少数据中心的能耗。

基于数据中心数千个传感器的信息，Google开发者训练了一个神经网络，一方面预测数据中心的PUE（能源使用效率），同时进行更高效的数据中心管理。这是ML实际应用的一个令人印象深刻的重要例子。

5.2. 适用所有任务的模型

就像你知道的那样，训练过的模型是非常专门化的，每一个任务都必须针对特殊模型训练，很难从一个任务转化到执行另一个任务。不过Google Brain在模型的普适性方面迈出了一小步，《学习一切的单一模型》

研究人员已经训练了一个模型来执行8种不同领域（文本、语音、图像）的任务。比方说，翻译不同的语言，文本解析，以及图像与声音识别。

为了实现这一点，他们开发了一个复杂的网络架构，里面有不同的块处理不同的输入数据然后产生出结果。用于编码/解码的这些块分成了3种类型：卷积、注意力以及门控专家混合（MoE）。 SHAPE \* MERGEFORMAT

学习的主要结果：

o    得到了几乎完美的模型（作者并未对超参数进行调优）。

o    不同领域间的知识发生了转化，也就是说，对于需要大量数据的任务，表现几乎是一样的。而且在小问题上表现更好（比方说解析）。

o    不同任务需要的块并不会相互干扰甚至有时候还有所帮助，比如，MoE——对Imagenet任务就有帮助。

顺便说一下，这个模型放到了tensor2tensor 里面。

5.3. 一小时弄懂Imagenet

Facebook的员工在一篇文章中告诉我们，他们的工程师是如何在仅仅一个小时之内教会Resnet-50模型弄懂Imagenet的。要说清楚的是，他们用来256个GPU（Tesla P100）。

他们利用了Gloo和Caffe2进行分布式学习。为了让这个过程高效，采用大批量（8192个要素）的学习策略是必要的：梯度平均、热身阶段、特殊学习率等。

因此，从8个GPU扩展到256个GPU时，实现90%的效率是有可能的。不想没有这种集群的普通人，现在Facebook的研究人员实验甚至可以更快。

6. 新闻

6.1. 无人车

无人车的研发正热火朝天，各种车都在积极地进行测试。最近几年，我们留意到了英特尔收购了Mobileye，Uber与Google之间发生的前员工窃取技术的丑闻，以及采用自动导航导致的第一起死亡事件等等。

我想强调一件事情：Google Waymo正在推出一个beta计划。Google是该领域的先驱，它认为自己的技术是非常好的，因为它的车已经行驶了300多万英里。

最近无人车还被允许在美国全境行驶了。

6.2. 医疗保健

就像我说过那样，现代ML正开始引入到医疗行业当中。比方说，Google跟一个医疗中心合作来帮助后者进行诊断。

Deepmind甚至还设立了一个独立的部门。

今年Kaggle推出了Data Science Bowl计划，这是一项预测一年肺癌情况的竞赛，选手们的依据是一堆详细的图片，奖金池高达100万美元。

6.3 投资

目前，ML方面的投资非常大，就像之前在大数据方面的投资一样。

7．AI的成就

7.1 AI发现了一个包含八颗行星的太阳系

中国在AI方面的投入高达1500亿美元，意在成为这个行业的领袖。

公司方面，百度研究院雇用了1300人，相比之下FAIR的是80人。在最近的KDD上，阿里的员工介绍了他们的参数服务器鲲鹏（KunPeng），上面跑的样本达1000亿，有1万亿个参数，这些都是“普通任务”。

你可以得出自己的结论，学习机器学习永远不会迟。无路如何，随着时间转移，所有开发者都会使用机器学习，使得后者变成普通技能之一，就像今天对数据库的使用能力一样。

2017年AI都有哪些耀眼的成就，除了大家耳熟能详的AlphaGo，还有自学写代码的AI，能发现另一个太阳系的AI。

2017年是人工智能领域蓬勃发展的一年。 虽然AI和以数据为中心的机器学习已经存在有数十年的历史，但是，直到今年，算法技术才真正在各行各业和各种语境下广为人知。

微软英国首席愿景官戴夫·科普林（Dave Coplin）把AI称为 “最重要的技术，这个星球上的每一个人都在为此工作”，而硅谷的公司似乎也是这么想的：他们一直在到处招聘AI专家，那些因为人才短缺而找不到相应人才的公司，也已经开始让员工自己学习最基本的AI知识。

虽然如此，但也不是每一个AI的成就都受到了赞赏和掌声的欢迎。有人担心人类的偏见会被引入到AI系统中。例如，ProPublica在2016年发现，用于预测未来犯罪分子的软件算法严重歧视黑人嫌疑人。今年早些时候，Facebook也引发了抨击，这家公司的算法生成的广告客户分类可以被用于给用户打标签，其中包括一些充满敌意的群体和话题，比如“反犹太者”。类似这样的情况促使专家敦促公司和开发者在关于AI系统如何工作的阐释上需要更加透明。不过，在许多其他情况下，特别是最近，AI已经被用来实现美好的愿望：帮助发现，改善自我，帮助我们超越人类的思维局限。

成功的天文学发现通常围绕研究数据 - 大量的数据 - 这是AI和机器学习非常擅长的地方。事实上，天文学家使用人工智能来筛选开普勒望远镜上获得的多年数据。在本月早些时候确定了一个遥远的八行星太阳系。

从2009年到2013年，开普勒望远镜的光度计每半小时捕捉20万颗不同恒星的10个像素图像，以寻找恒星亮度的变化。如果一颗恒星以一种规则的重复模式变暗和变亮，这可能表明它有行星绕行。（也可以使用这些信息来估算一个行星的轨道大小和轨道长度。）

得克萨斯大学奥斯汀分校的天文学家安德鲁·范德堡（Andrew Vanderburg）和Google软件工程师克里斯托弗·沙尔（Christopher Shallue) 开发了一个神经网络，使用1500颗系外行星的引导，达成了这一发现。他们根据已知的系外行星位置对670颗星星重新校准定位，但聚焦于弱信号 - 以前的研究人员可能错过了较小的系外行星。新发现的行星被称为开普勒90i，这似乎是绕行的第三颗行星，就像我们自己的地球一样。

7.2 铸造无敌“围棋大师“

Google的DeepMind研究人员开发一个AI，用于玩复杂的中国战略游戏围棋。五月份，最初版本的AI击败了世界上最好的围棋玩家，但这还不够。几个月后，Google开发了AlphaGo 的最新版本 AlphaGo Zero。这个AI实现了超人类水平的围棋表现 - 以100：0击败了原来的AlphaGo。

7.3 无限注德州扑克游戏

卡内基梅隆公司的计算机科学部门开发的最新的AI扑克游戏者最近打败了专业人士。与国际象棋和围棋等策略游戏不同，扑克被认为是“不完美的信息游戏”，因为玩家必须做出决定，即使隐藏了一些信息。最重要的是，这不仅仅是动作指令，它甚至也知道什么时候该虚张声势。卡内基梅隆大学的AI Libratus在为期20天的比赛中赢得了20万美元的奖金，击败了世界顶级扑克专业人士。

7.4 自我学习程序

人工智能今年不仅取得了一些显著的发现，它在不同的领域的应用也很出色，甚至让程序员都显得过时了。几个不同的人工智能程序（包括谷歌，微软和Facebook开发的程序）学会了如何编写基本代码，以帮助非程序员处理复杂的电子表格计算，或者减少开发人员必须面对的一些麻烦。

微软的AI DeepCoder可能被认为是三者中最基本的一个，尽管它仍然是一个令人难以置信的复杂的技术。这个AI可以理解您需要解决的数学问题，可以查看代码中相似问题的现有示例，然后开发基于代码的解决方案。

对于那些不能或不想学习编码，但需要使用基于代码的解决方案进行计算（例如，棘手的电子表格计算）的人来说，DeepCoder最终可能是非常有用的。解决方案相对简单，在解决方案和结构方面，基于AI的以前经历，它们通常最终总共只有三到六行代码。

Google的机器学习自学软件AutoML，在一个案例中，学会识别照片中的物体，这是一个更具挑战性的任务，它最终实现了43％的任务成功率，比同行开发的代码高出4个百分点。然而，AutoML的最大好处是自动化机器学习模型的开发过程，这对于人类机器学习专家而言通常是相当耗时的。

然后是Facebook的自我学习的聊天机器人，它们的自学能力略有不同。 例如，Bob和Alice，这两个A.I.机器人开始用英语发音，但是后来发展了自己的语言来说话。

“聊天机器人会摆脱可理解的语言，为自己发明代码字，”来自乔治亚理工学院，现任Facebook AI研究院的科学家Dhruv Batra在接受FastCo的采访说到。

随即便在媒体上引起了很大反响，“令人毛骨悚然”是对这一发现最常见的描述，但实际上这是一个相当普遍的现象。

这类技术基于奖励的系统演变，原理是如果一个行动没有得到特定的正向反馈，他们会尝试其它的东西。 尽管如此，Facebook的研究人员最终关闭了AI 机器人项目，因为他们的目标是创建实体，最终将与人互动 ， 这些数字机器人没有人的风格。

结语：在过去的两三年里，人工智能和深度学习在公共领域出现了爆炸式的增长，推出了一些令人兴奋的产品。在2018年和未来几年，它们将越来越多地出现在我们的日常互动中，尤其是在移动应用领域。很显然，人工智能和深度学习的未来充满活力和前景。我们看到这种变化和进步的速度有多快，只有时间能给予我们答案。因此，随着新的一年的展开，让我们拭目以待，看看这一细分领域的表现吧。

前言：2017年对于中国房地产行业来说是一个非常重要的时间节点，以下是对于今年房产市场的几点总结。中央的经济工作会议把“防范化解重大风险、精准脱贫、污染防治”列为未来三年的三大攻坚战。特别提到金融和房地产的良性循环，对下一步房地产的走势势必会产生很大的影响。经济工作会议提出“加快建立多主体供应、多渠道保障、租购并举的住房制度。要发展住房租赁市场特别是长期租赁，保护租赁利益相关方合法权益，支持专业化、机构化住房租赁企业发展。完善促进房地产市场平稳健康发展的长效机制，保持房地产市场调控政策连续性和稳定性，分清中央和地方事权，实行差别化调控。”

从公开的信息看，对房地产的中央真的在一步步的学习新加坡和德国的模式，从保障房、租赁房和租售同权逐步开始。那么，备受关注的房产税真的会迅速的进入立法程序吗？

01  2017年中国房地产市场形势总结

第一，政策方面：各地方分台调控，稳定市场推进建立长效机制

自十九大提出了”房子是用来住的，不是用来炒的“的理念之后，各个地方政府纷纷出台调控政策，从需求端到供给端全面调整，不仅限购限贷还提出限售、收紧土地拍卖，起到了明显效果，一线城市房价得到抑制，二三线城市房价已不再疯涨。同时出台多样房产产品，例如“共有产权房”“建行租房贷款”等提供多层次住房供应体系，为建立长效机制的铺平道路。

未来房地产政策短期将坚持政策的连续性稳定性，主体政策收紧趋势不变，形成“高端有市场、中端有支持、低端有保障”的住房发展格局。中长期逐步构建并完善长效机制，中央政治局会议指出要加快住房制度改革和长效机制建设，2018年长效机制落实将进一步加快。同时，短期调控与长效机制的衔接将更为紧密，在维持房地产市场稳定的同时，完善多层次住房供应体系，这也将对未来房地产市场产生更深远的影响，推动住房观念变化和住房居住属性强化，为房地产市场稳定建立更稳固的基础。

第二，成交方面：重点城市成交量下降，三四线城市首迎楼市“大年”

2017年1-11月，全国商品房销售面积为14.7亿平方米，同比增长7.9%，全年销售将创新高。其中商品住宅销售面积12.6亿平方米，同比增长5.4%。价格方面，百城新建住宅均价环比涨幅持续回落，整体趋稳。三四线城市在宽松的政策环境以及棚改货币化支持下，楼市全面回暖，拉动全国销售面积上扬。另一方面，重点城市在严厉政策调控下，市场趋于稳定，销售面积同比增幅不断回落，成交规模明显缩减，一线城市降温最为显著。

(1)重点城市成交规模：供应受限，全年成交规模明显缩减，一线城市降幅最大

图：2010-2017年11月50个代表城市 商品住宅月度成交量走势

全年成交规模明显缩减。据初步统计，2017年1-11月50个代表城市商品住宅市场月均成交面积2943万平方米，同比下降24.2%，绝对值低于2015年同期水平。不同级别城市来看，一线代表城市成交规模下降最为明显，绝对水平与2011年相当。二线代表城市成交面积降至2015年水平。三线代表城市较去年成交回落，但绝对规模居相对高位。

(2)重点城市成交结构表现分化

基于套总价、结合成交量，我们将30个城市不同层次的楼盘分为三类：中低价位、中高价位、高价位，具体划分方式为：首先根据套总价对所有新房楼盘进行降序排列，成交量占前10%的属于高价位楼盘，10%-40%属于中高价位楼盘，后60%属于中低价位楼盘。

表：2017年30个城市楼盘套总价的分类及其对应的成交价格区间

注：不同城市楼盘成交数据覆盖区域不同，如北京、上海等地包括所有区县，重庆、廊坊等仅覆盖主城区，不包括下辖县市；北京不含自住型商品房；不同城市成交数据的物业类型均不含保障性住房。具体覆盖区域和物业类型请参考CREIS中指数据详细说明。2017年数据均为1-11月统计数据，下同。

展望未来，在楼市长效机制作用下，房屋自住属性强化，租赁住房、共有产权房供应不断增多，刚需和中小户型产品成交占比有望提升。此外，限售限贷等政策将有效抑制投资需求，降低大户型产品购买力，部分城市住宅高端化步伐或将放缓。对于大多数二三线城市来说，首次购房者更倾向于购买大户型产品，且随着时间的推移，改善需求也将陆续释放，未来这类城市中高端大户型房源销量占比将进一步上升。

第三，供给方面：土地成交量四年首次增长，但高价地风险加剧

2017年，为了缓解房地产供求压力，政府加大土地供应，特别是住宅用地推地量明显增加。截止到今年11月份，全国300个城市共推出土地17.5亿平方米，四年来首次增长，同比增长达到10.8%。住宅用地成交楼面均价上涨，溢价率开始回落价格为4094元/平米，同比上涨22%。今年各地纷纷出现“地王崩盘”的事件，主要原因就是要求市场全面发展，不再需要地王带动，再加上房企业务转型，所以导致高价地皮的风险加大。

注：如无特殊说明，土地面积指规划建筑面积；所有土地数据来自公开招拍挂市场

全国各类土地推出量由降转升，住宅用地推地量增幅最大。2017年以来，为缓解供求压力，政府积极推地，尤其是住宅用地，推地量增幅最大。截至11月，全国300个城市共推出各类用地17.5亿平方米，同比增长10.8%，增幅较2016年上升了19.5个百分点，推地总量与2015年基本持平。成交方面，各类土地成交量开始回升，1-11月共成交14.7亿平方米，同比增长12.5%。其中住宅用地成交7.0亿平方米，同比增长22.9%。

图：2011-2017年11月全国300个城市住宅和商办用地成交楼面均价及平均溢价率

住宅用地成交楼面均价继续上涨，溢价率开始回落。2017年全国300个城市各类用地成交楼面均价为2343元/平方米，较2016年同期上涨25.6%。其中住宅用地楼面均价为4094元/平方米，同比上涨22.0%；商办用地为2328元/平方米，同比上涨19.6%。溢价率方面，2017年全国300个城市各类用地平均溢价率为30.3%，较2016年下降12.6个百分点。其中，住宅用地平均溢价率35.2%，较2016年下降19.7个百分点；商办用地平均溢价率为13.8%，较2016年下降0.4个百分点。

第四：房地产企业方面：大型房企加速转型、业绩惊人，中小型房企或面临倒闭

2017年，品牌房企销售业绩再创新高，龙头房企提前完成全年销售目标，市场占有率快速提升，行业规模效应不断发酵。企业拿地补仓热情不减，品牌房企拿地金额占同期商品房销售金额四成左右，整体趋于理性，拿地重心向三四线城市下沉。行业分化加剧，兼并重组成为一种趋势。同时，行业进入发展新周期，房地产行业的业务模式和服务方式亟待重构，品牌企业通过全产业链的复合布局保持规模增长。

(1)销售业绩：品牌房企销售业绩显著提升，市场占有率不断提高

图：2012年至2017年11月代表企业月度销售额及同比增速

注：重点监测企业包括：万科、保利、中海、恒大、碧桂园、华润世茂、绿城、融创、龙湖、金地、富力、雅居乐、远洋、新城、建业、招商、首创、合景泰富、越秀

重点监测房企销售金额保持增长。2017年，在三四线城市带动下全国商品房销售面积再创新高，品牌房企借势壮大规模，销售业绩保持增长。1-11月，20家品牌房企累计销售额达到34121亿元，较去年同期提高47.8%，销售面积26065万平方米，同比增长34.8%。

行业集中度加速提升，品牌房企市场占有率持续走高。2017年1-11月，20家品牌房企市场占有率进一步提升，其中销售金额占有率为29.5%，较2016年提升8.4个百分点，销售面积占有率为17.8%，较2016年提升4.5个百分点。与此同时，部分中小企业市场份额有所下降，领先房企垄断特征明显，中小房企竞争压力增大。

(2)拿地融资：品牌房企拿地规模增加，境外融资规模增长

图：2012年1月-2017年11月20家代表企业拿地面积和金额情况

注：品牌房企包括：万科、保利、中海、恒大、碧桂园、华润、世茂、绿城、融创、龙湖、金地、富力、雅居乐、远洋、新城、建业、招商、首创、合景泰富、越秀

图：2011-2017年11月20家代表企业拿地金额在各等级城市的分布

企业加大土地投资，城市圈及其周边三四线城市拿地规模增长显著。2017年1-11月，品牌房企拿地积极，20家代表企业累计拿地23794万平方米，同比增长75.4%；累计拿地金额14434亿元，同比增长86.0%。其中，碧桂园拿地金额2498亿元，位于房企之首。保利、世茂、龙湖和金地等企业拿地金额同比翻番。从房企拿地分布来看，大型房企重点把握主要城市群市场。在京津冀、长三角、珠三角、长江中游及成渝5个城市群，大型房企拿地面积占总拿地面积六成以上，1-11月，企业在三四线城市拿地占比为25.7%，较去年提高了9.5个百分点。

2017年，房地产行业集中度持续提升，企业发展格局发生新变化。大型房企业绩高速增长，市场占有率越来越高。中型房企在复杂的竞争环境下分化趋势愈加明显，行业加速迈向寡头竞争时代。对于开发企业来说，一方面要继续把握增量市场空间，深耕重点都市圈及城市群，关注不同城市发展进程，把握重点和潜力城市发展规律，扩大自身规模。同时，可积极发展租赁、产业地产和文化等领域，通过开发主业与新业务的协同发展，为企业可持续发展提供长期驱动力。另一方面，企业可大力挖掘存量资产运营价值，借助产品创新促进居民消费升级，提高开发主业服务附加值。通过业务模式和服务方式的变革和创新，保持企业持续稳健发展。

02 2018年中国房地产市场趋势展望

经济货币环境，央行在三季度货币政策报告中指出坚决落实好十九大精神和全国工作会议部署，关注点将更多集中于经济结构的优化和质量效益的提高，宏观政策保持连续性稳定性，货币政策将与宏观审慎政策相互配合，为供给侧结构性改革营造中性适度的货币金融环境。展望2018年，经济增长向好趋势不变，就业情况保持良好，同时金融严监管、去杠杆政策延续，物价存一定上涨压力，外围货币环境变化对人民币汇率的影响仍未消除，内外因素共同决定短期内货币政策不存在放松的基础，而适度的中性调控更符合国内经济结构调整的需要。

政策方面，长效机制建设迎关键期，市场中长期运行环境逐步确立，短期调控不放松稳预期。未来楼市政策仍会延续“房子是用来住的，不是用来炒的”这一明确的主线，坚持调控目标不动摇、力度不放松，保持调控政策的连续性稳定性，把稳定房地产市场、化解泡沫风险作为重中之重，引导好市场预期。长效机制继续深化促发展。年末中央政治局会议分析研究2018年经济工作指出，2018年要引导和稳定预期，加强和改善民生，要加快住房制度改革和长效机制建设。明年将是长效机制与短期调控结合的转折点，将进一步加快相关长效机制政策的落实和细化。

1. 市场趋势：成交回落，价格趋稳，新开工、投资中低速增长

根据“中国房地产中长期发展动态模型”，参照近期宏观政策走向和党的十九大精神，对2018年房地产市场提出如下假设：

假设1：宏观经济在结构转型过程中稳中向好（GDP增长6.7%）；

假设2：货币政策稳健中性（M2增长10.1%，人民币贷款余额增长11.9%，新增贷款约14.2万亿元）；

假设3：2018年基准利率不变，热点城市信贷政策收紧不放松；

假设4：因城施策，多措并举，多管齐下，力促房地产市场回归平稳理性。

在满足假设条件、不发生超预期事件的前提下，根据“中国房地产业中长期发展动态模型”测算，2018年全国房地产市场将呈现“成交回落，价格趋稳，新开工、投资中低速增长”的特点。

表：2018年全国房地产市场各项指标预测结果

总体来看，本轮周期将持续5年或更长时间，预计2018年市场下行。商品房销售面积受到调控政策和货币环境的影响，将出现回调，全年降幅将达到9.3%~11.3%，其中一线销售面积将保持平稳，二线城市销售面积或将出现较为显著的下降，三四线城市在基本完成去库存后也将随着二线城市之后面临市场下行的压力。鉴于一二线城市销售回落，房企新开工意愿不足，将使全国新开工增长受限，预计全年新开工的增幅会维持在4.5%~6.5%之间。投资方面，受到新开工增速放缓的影响，预计2018年企业补仓意愿保持理性，在拿地投资支撑下，投资或将出现小幅增长，范围在5.1%~7.1%之间。价格受到销售回落影响，预计全年保持平稳。

2. 关注点：因势而变，把握增量、突破存量

(1)发展阶段：经济增速与人口红利仍是我国比较优势，房地产市场规模将维持相对高位

我国房地产市场化运行时间较短，依据历史经验不足以发现我国房地产市场的周期规律，市场参与各方均在摸索中前行，借鉴具备长周期房地产市场发展历史的国家经验显得尤为重要。为了明确了解国家发展阶段历程，我们从经济产业、人口红利、城市化发展程度三个维度，选取人均GDP、三产占比、人口增速、抚养比、城镇化率、城市群聚合力等六个指标，将不同年份的美国、日本和中国看做独立样本，通过聚类分析各国发展阶段并判断我国未来的发展趋势。

结果显示，美国经济水平达到顶层，日本在发展过程中经济开始倒退，目前我国的经济人口发展水平处于第二发展阶段，与70年代的美国、80年代前后的日本处于同一水平。不过与发达国家相比，我国的经济发展速度和人口数量红利仍是优势。一方面，与相应时期的发达经济体相比，我国经济增速突出。同处第二发展阶段的70年代后期的美国与80年代左右的日本的经济增速在2.5%-4.5%之间，与之相比，我国目前的经济增速仍处高位。另一方面，我国人口数量红利仍有一定释放空间，质量红利提升助力经济结构优化。与发达国家相比，我国的抚养比明显较低，具备一定的人口红利优势。

我国房地产市场尚未形成自身周期规律，但2017年楼市长短期调控齐发，今年势必会成为我国房地产市场历史上一个非常重要的转折点。从对比美国新开工情况来看，我国仍处于新房扩张末期，租购并举体系下增量市场将保持相对高位运行。纵观美国房地产周期与市场结构变化，长期来看市场规模变化是相对平稳的，需求存在惯性，除非有高强度利空刺激，市场并不会出现断崖式下跌。随着我国楼市长效机制落地，住房保障等政策调控会更为长期化，租购并举会成为新时代背景下的新格局，新房市场规模仍会处于相对高位。

(2)租赁市场机会：主要市场集中在重点城市群，核心城市中高端租赁发展空间大

2017年，住房租赁市场受到社会各界空前关注，各级政府先后出台多个政策，从多角度发文支持住房租赁市场发展。我们对我国当前住房租赁市场的市场规模及未来市场空间进行了详细测算，结果显示，2016年我国住房租赁市场规模达1.38万亿元，至2020年可达近2万亿元。

从流动人口数量看，根据国家卫计委数据，2016年，我国流动人口总数为2.45亿人，约占全国总人口的六分之一。流动人口主要集中于城市群内的一二线城市，是未来租赁市场发展的主要阵地。根据2010年第六次人口普查数据，我国流动人口数量最多的十个城市分别为上海、北京、深圳、东莞、天津、广州、佛山、成都、武汉、重庆。

从流动人口收入来看，我国流动人口收入增长较快。根据《中国流动人口发展报告》，2015年我国流动人口平均月收入4598元，较2014年同比增长19.0%，较2013年增长34.5%，涨幅显著高于全国城镇居民人均可支配收入。

从流动人口家庭房租支出占收入比值看，我国主要城市房租收入比较低，多数城市不足20%。这一结果与我国当前发展所处阶段及当下人民生活习惯是相符的。一方面，我国目前尚处于发展中国家之列，人均GDP、家庭总收入等与大部分发达国家尚有不少差距。流动人口家庭总体而言相对当地居民收入更低，且收入中有相当比例需用于日常生活消费支出，因此在居住上尚不足以追求过高居住品质。另一方面，由于流动人口在流入地“根基”并不牢靠，中国家庭普遍储蓄及购房意识较强，因此也不愿在租房上付出更高资金。

综合上文分析，我们认为，在判断我国城市未来租赁市场发展空间上，应主要考虑租赁人口的绝对数量、流动人口流动范围及租金增长空间。此外，各城市流动人口的长期居留意愿、房价与租金差值、落户门槛等也将影响各城市租赁市场发展的差异化。

人口的流动对住房租赁市场的发展乃至城市房地产市场的发展均至关重要。近年来随着新型城镇化的推进，大量农业人口转移到中小城镇中落户定居，然而这些城镇不能提供足够的就业机会，更多的就业机会仍集中在特大城市及周边的城市群内，未来仍将有大量人口向城市群内移动。若大城市及周边城市群能够提供相应的住房租赁保护机制及一定的教育、医疗配套，这些城市的住房租赁市场才能持续健康发展。

前言：从2015年开始，国内二手车市场开始出现快速增长趋势，每年同比涨幅在15%-20%上下，日前刚刚公布的数据显示，2017年二手车交易涨幅接近20%，该交易涨幅已超越新车，意味着二手车市场热度明显高于新车。

数据显示，2017年1-11月全国二手车累计销售1117万辆，同比增长19.97%。与之相比，2017年前11个月的汽车产销分别完成2599.9万辆和2584.5万辆，同比分别增长3.9%和3.6%，低于上年同期10.4个和10.5个百分点。产销量累计增速分别比2017年1-10月下降0.4个和0.5个百分点，继续呈现回落走势。

中国新乘用车销量不仅增速较2016年大幅放缓，并且低于全球市场2.7%的预期增幅。一些汽车生产商在中国市场甚至出现负增长：例如福特汽车公司估计2017年中国市场销量下滑6%。

按照中国汽车流通协会的预测，二手车如果保持目前年均20%左右的增速，2020年二手车市场将达到4000万辆左右，将赶上或者超越新车交易量，到2022年、2023年后有望达到新车交易量的1.5倍以上。

2017年全国二手车网络车源总数1644万辆。根据中国汽车流通协会的数据显示，2017年1月－11月累计交易二手车1117万辆，累计同比增长19.96%，交易金额为7345.89亿元。公平价大数据中心预测，2017年全年二手车交易量将达到1234.33万辆，较2016年1039.07万辆，同比增长18.79%。

一、2017年二手车交易量与发布量对比

除了2017年1月车源量略低于交易量，其余月份车源量均超出交易量，超出25%－50%不等。2017年全年车源总量1644万辆，预计交易量将达1234.33万辆，较2016年1039.07万辆，同比增长18.79%，与年前协会预测涨幅20%较接近。

二、2017年二手车网络发布量省份TOP10

二手车车源发布量省份排名与交易量省份排名基本一致。前三甲由东部沿海地区浙江、广东、山东承包。其余分别是：江苏、辽宁、福建、四川、河北、河南、黑龙江。10个省份车源总占比62.61%，超过全国车源一半还多。

三、2017年二手车网络发布车源土豪地区TOP10

二手车价格大于50万元定义为豪车。2017年年度豪车地区TOP10为宁波、北京、上海、杭州、深圳、成都、厦门、沈阳、大连、西安。宁波豪车发布量比第二、三名之和还多，名副其实的遥遥领先。全国豪车总数33.85万辆，前十名城市豪车总数18.12万辆，占全国总豪车比例53.53%。

四、2017年主流电商平台车源百分比TOP10

2017年公平价大数据中心统计全网36家主流电商平台去重后车源总数1644万辆。排名依次是58同城、二手车之家、瓜子二手车、优信二手车、赶集网、百姓网、淘车、人人车、看车网、273二手车。值得注意的是，58同城领先优势明显，长期霸占第一宝座，车源占比高达34.91%。三大电商交易平台瓜子二手车、优信二手车、人人车，市场份额均比上一年度有明显增长。

五、2017年电商网站各季度车源发布量对比

从上图可以看出，瓜子二手车、优信二手车、淘车、人人车在三四季度车源增长明显。优信二手车因为第三季度品牌强运营，实现了车源数猛增；瓜子二手车基于上半年建立的领先优势和第四季度高强度用户运营，连续几个月车源数领先。车源类型上，优信以车商的车源占比较高，瓜子以个人的车源占比较高。人人车创业团队，基于精细化用户运营和出色的数据渠道运营，一直注重品牌形象和用户体验，用户口碑在车主中认可度高，体现在第四季度上车源实现翻倍。

六、2017年国内主流二手车电商平台车源最多3款车型

参考各个平台车源最多的三款车型，想购买这些车型的朋友可以去对应平台选购，车源多，选择空间大，可以尽情挑选优质车况车辆，杀价砍价。综合十大平台最多的3款车型，大众捷达、福特福克斯、别克凯越车源够多，与这些车的市场保有量大有直接的关系。

七、2017年二手车热销品牌TOP10

2017年热销品牌TOP10依次是：大众、丰田、本田、别克、现代、奥迪、日产、宝马、福特、雪佛兰。10个品牌车源总量929.92万辆，占总车源56.57%。

八、2017年二手车热销车型TOP10

2017年热销车型TOP10依次是：福克斯、科鲁兹、凯越、雅阁、捷达、凯美瑞、奥迪A6L、Polo、朗逸、宝马5系。10款热销车型车源总量234.44万辆，占总车源14.31%。

九、2017年二手车网络热门小型车TOP10

2017年二手车网络热门小型车TOP10依次是：大众Polo、雪佛兰赛欧、本田飞度、现代瑞纳、起亚K2、丰田威驰、铃木雨燕、福特嘉年华、雪佛兰乐风、吉利全球鹰。10款热门小型车源总量93.31万辆，占总车源5.68%。

十、2017年二手车网络热门紧凑型车TOP10

2017年二手车网络热门紧凑型车TOP10依次是：福特福克斯、雪佛兰科鲁兹、别克凯越、大众捷达、大众朗逸、大众宝来、大众速腾、丰田卡罗拉、别克英朗、大众高尔夫。其中大众家族携带5款车型进入榜单，占榜单一半。别克2款，雪佛兰1款，福特1款，丰田1款。10款热门紧凑型车源总量207.84万辆，占总车源12.64%。

十一、2017年二手车网络热门中型车TOP10

2017年二手车网络热门中型车TOP10依次是：本田雅阁、丰田凯美瑞、大众帕萨特、大众迈腾、奥迪A4L、日产天籁、别克君威、宝马3系、马自达6、别克君威。10款热门中型车车源总数170.42万辆，占总车源10.37%。

十二、2017年二手车价位分布

2017年全网10万元以内的经济型二手车发布量达65.38%，10-30万元中级二手车发布量达27.96%，超过30万元以上的二手车发布量仅为6.66%。目前国内二手车依然偏向中低价位为主，这与经济型家用车市场保有量大有直接关系。

十三、2017年二手车车龄分布

据公平价大数据观察，网络发布的二手车中，车龄集中在3-5年内的，占比达到36.58%；10年以内的，占比达到90.62%。

十四、2017年交易车型分级别排行

从公平价大数据看，车型分级别车源排行短期内变化不大，本年入市交易车型以紧凑型车、中型车、小型车、紧凑型SUV为主，占比71.69%。其中轿车占比70.31%，SUV占比19.98%，以此看出轿车依然是二手车市场主流。

十五、2017年二手车国别分布

2017年二手车国别分布主要以德系、国产、日系为主，占比72.54%。其中合资车64.32%，国产23.88%，进口为11.81%。

据中国汽车流通协会发布的《2017年中国二手车行业发展报告》显示，2017年全国限迁政策进一步解除，最大程度提升二手车剩余价值的开发与利用，形成全国统一、标准化、高效的二手车市场秩序。

而互联网企业也极大促进了二手车交易，二手车电商令市场的透明度、科技量越来越高，传统的线下二手车商加速式微。公开数据显示，2016年最大的二手车服务商广汇汽车的二手车交易量为9万辆，而瓜子的交易量超过20万。截至目前，2017年各家的数据均未公开，不出意外的话，线上第一和线下第一在交易量上的差距将进一步拉大。

随着中国汽车市场日渐成熟，消费者心态也在发生着变化。以往，拥有一辆汽车对中国的新中产阶级来说还是一件新鲜事，但如今，这种新鲜感已经消失。中国消费者仍然注重形象，但他们在升级车辆方面开始注重经济性。几年前首次购车的数百万消费者现在已经能够了解更多的信息，希望根据自身财力升级车辆。近期旨在推动二手车市场的政策变化也使得车辆在城市间的转移难度降低。

市场格局如此变化令外国汽车制造商也承认，中国二手车市场的价值已变得不容忽视，它们也在扩大自己的二手车供应。通用汽车公司发言人表示，其1,600家别克、凯迪拉克和雪佛兰中国经销商目前均销售二手车，2017年其二手车销售增长30%。福特汽车发言人则表示，其约800家中国经销商中的80%都提供认证二手车销售服务。

互联网投资者更是对二手车市场青睐有加，腾讯和滴滴都投资了人人车，红杉资本则投资了瓜子二手车直卖网，阿里巴巴经营名为闲鱼(Xianyu)的二手车网站。在二手车电商中，瓜子二手车、人人车、优信二手车包揽市场前三。

总结：尽管几大平台均对自己的成交量语焉不详，但从影响成交量的主要指标如品牌、流量、上架车源量与覆盖率等几大方面来看，瓜子在这些核心指标上，都呈现出极强的马太效应，或已触达垄断红线。照此逻辑和速度推演，其将越来越具有市场支配地位，未来一旦滥用该支配地位，比如打价格战的话，则难逃垄断行为之嫌。

目前无论是政府还是企业均在使用人工智能为人民或客户提供更便捷服务,人工智能已经有非常多的实际应用在我们身边,交通信号灯、城市监控器、地图导航、语音识别、图像识别等众多场景中都有用到人工智能技术。它让我们的生活变的更便捷与舒适,正因为人工智能的广泛应用, 国内外科技企业均表达了对人工智能领域的重视。从科技部公布的四大平台来看, 2018 年无人驾驶、影像识别、城市大脑、语音识别 4 大技术将作为人工智能领域重要突破口,我国科技企业在这 4 大技术上已经积累起了丰富的经验,对于数据采集以及场景应用等领域均处于世界领先地位。虽然目前我国智能核心硬件发展稍显滞后,芯片、 GPU、 TPU 等基础硬件距离欧美日发达国家仍有一定距离,不过华为研发的麒麟系列芯片以及寒武纪研发的智能芯片,均在努力赶超欧美日等发达国家。

早在90年代，IBM首次提出“智慧城市”概念后，中国也在1995年启动数字城市建设，这是中国智慧城市的1.0版本；随着2008年“智慧地球”概念的提出，中国智慧城市建设再次进入到3.0感知智慧城市时代；在2013年，WiFi、3G/4G的网络传输与云计算、大数据的后端数据存储、处理与分析的技术进步下，开启了4.0认知智慧城市时代；在不久的将来，数据积累以及传输带宽和速度的再次腾飞，使得智慧城市达到整体架构协同管理，“人工智能城市”的时代也将到来。

这也意味着，未来会有越来越多的人工智能技术参与城市建设，为城市带来巨大的变革。随着技术的日臻成熟，AI不再是空中楼阁，而是与城市发展产生了越来越紧密的联系，在越来越多的日常生活场景中发挥作用，切实改善居民的生活体验。

那么，人工智能、机器人技术参与城市建设又将为城市带来什么样的变化呢？

首先，人工智能可以用于保证城市安全，人工智能通过管理城市的摄像装置，通过应用人脸识别技术，帮助城市的各种场景实现24监控，让保护城市安全化被动为主动，一旦发现异常情况可以立即通知警方，让威胁人身安全事故的预防及追责更加方便。

其次，人工智能的应用可以改善城市交通，通过对交通大数据进行收集，人工智能可以分析并设计出更加符合各城市实际情况的交通规则，让道路交通的时间安排更加科学，极大方便公众的出行，根源上解决交通拥挤的问题。

在当下我们最能感受和体验到人工智能机器人技术改变生活的场景，应该是在公共服务中。

在银行、零售、广告、政务、餐厅、展会等诸多垂直行业中，服务机器人都拥有广泛的应用场景，如已在全国18个法院检察院正式上岗的“小法机器人”；搭载了“商业连锁解决方案”在药店、商超、美业、家居、天虹well go无人店智慧助力的小精灵机器人；还有前不久在2017深商大会上，与蒋昌建老师同台主持、搭载了“前台解决方案”能帮助企业完成前台接待、人脸考勤、访客登记的“超级员工”金刚等等等等，这些集成了顶尖AI技术的机器人应用的落地，不仅帮助降低了劳动力成本，更显著提升了客户服务水平。

人工智能，正在与城市生活的方方面面产生着日益紧密的联系。

除上述列出的场景之外，还有更多领域都将释放出对人工智能技术、对机器人技术的强大需求，而这也都将成为人工智能发力的空间。随着应用场景的不断丰富，场景之间形成强有力的联动效应，将最终实现全维度的"人工智能城市"的愿景。

在技术和基础设施不断升级的ICT架构下，提高城市运作效率、更好的居住体验将会是科技改变生活的显著效果。

1. 中国城市的城区面积十年仅增长7.7%，而人口密度增长15.3%，大城市病进一步加剧;在有限空间下创造更高效、宜居的城市环境成为了国内城市管理迫切解决的难题。

2. 从政策方面解读：国家高度重视发展人工智能技术，指出依托网络、大数据、高效能计算等基础设施的升级，人工智能未来将与城市发展相辅相成。

3. 人工智能城市：是指形成以数据为驱动的城市决策机制，根据实时数据和各类型信息，综合调配和调控城市的公共资源，最终实现自动智能化，达到运作效率的最优化的城市。

4. 金准数据认为：科技蕴藏无限的生产创造力，但用户更需要的是通过技术确切改善生活，因此，技术落地才是科学改变生活的实践证明。

5. 人工智能未来发展：基于安全、完善的数据信息库为人工智能提供机器学习的条件;然而，目前人工智能开发领域还是相对独立，必须认识到技术上还有暂时无法突破的难题。

一、中国人工智能城市发展概况

在有限的城市空间里，打造无限智能化城市效用

中国的城市建设经历20世纪90年代至今的高速发展，逐步进入城市转型发展的新常态。城市建设目标从追求规模和经济效益为主开始转向对生态、人文、社会公平和可持续性等立体的价值追求，尤其强调以人为本发展目标，城市向着“智慧化”建设发展;随着人工智能技术条件越来越成熟条件，城市管理形成以数据为驱动的城市决策机制，从顶层设计着手，自上而下的”AI化”使城市功能和产业转型更加显著，为城市创造以技术为驱动的商业价值，最终形成一个多元化的有机生态城市系统。

中国城市发展阶段介绍

以人工智能为首的智联网发展是智慧城市下一阶段的关键

早在90年代，IBM首次提出“智慧城市”概念后，中国也在1995年启动数字城市建设，这是中国智慧城市的1.0版本;随着2008年“智慧地球”概念的提出，中国智慧城市建设再次进入到3.0感知智慧城市时代;在2013年，WiFi、3G/4G的网络传输与云计算、大数据的后端数据存储、处理与分析的技术进步下，开启了4.0认知智慧城市时代;在不久的将来，数据积累以及传输带宽和速度的再次腾飞，使得智慧城市达到整体架构协同管理，“人工智能城市”的时代也将到来。

人工智能城市的应用场景概览

2017年是人工智能的应用元年，未来将有更多城市场景落地

人工智能城市发展环境分析-政策

政府鼓励人工智能发展，将大力辅助未来城市建设

政府在近三年时间密集出台鼓励人工智能技术发展的政策，说明十分重视此次技术发展的机遇，从大力促成中国到2030年成为世界人工智能创新中心的决心可见，希望中国能够“赶得上”这一次的技术革命，而不再仅仅是“不掉队”的要求。而中国城市的政策方向则回归以人为本的的核心，城市的发展都围绕着“高效、惠民、可持续发展”理念，让城市建设迎来转型升级的重大机遇。

人工智能城市发展环境分析-经济

未来，城市经济结构升级依赖科技创新带来经济动力

中国的GDP十年来成倍增长，而国家中心城市的整体创新效率提升水平并不显著。北京、武汉、郑州较十年前的创新效率水平有明显提升，其他城市则维持不变甚至有所下滑。可见各大城市目前创新投入和产出都未能跟上经济发展的步伐，说明经济结构当中科学技术提升带来的收益占比低，未来应该重视提高创新效率的投入(人才、资金、技术……)，以及重点考察创新带来的经济效益。

人工智能城市发展环境分析-社会

迫在眉睫：解决有限城市空间的效率最优化问题

中国城镇人口在2011年首次超过乡村人口，未来区域城镇化将会是国家发展战略的重要部署;2015年全国城市建设与2008年相比，不足十年时间，城市建成区面积增长43.5%，道路长度增长40.4%，而这一切都发生在城区面积仅增长7.7%，公共交通系统运营车辆增长了21.7%的基础上。在人口进一步密集(城市人口密度增长15.3%)的情况下，“大城市病”——交通拥堵、空气污染、基础设施不足等问题日益严峻，如何在有限的空间下创造更高的城市效率、更优的城市运作、更适合居住的城市环境……成为了国内城市管理迫切解决的难题。

人工智能城市发展环境分析-城市治安

中国监控摄像头覆盖面不足，密度远低于英美

2017年国家官方数据公布“中国天网”摄像头达2000万个，但对于将近20万平方公里的城区面积来说，摄像头的覆盖面与数量是凤毛麟角;从摄像头数量/千人的维度来看，中国城市摄像头密度平均水平仅达英美的20%-30%，而完善的监控系统是保障城市治安的有力手段，因此，监控摄像头建设工程任重道远;未来，尤其是二线及以下城市的监控摄像头布防发展潜力巨大。

人工智能城市发展环境分析-技术历程

人工智能的发展历程

二十世纪五十年代到七十年代初，那时人们以为只要能赋予机器逻辑推理能力，机器就能具有智能，人工智能研究处于“推理期”。接着，人们意识到人类之所以能够判断、决策，除了推理能力以外，还需要知识，因此人工智能研究在二十世纪七十年代进入了“知识期”，大量专家系统在此时诞生。随着研究向前进展，专家发现人类知识无穷无尽，并且有些知识本身难以总结再交给计算机，于是一些学者诞生了将知识学习能力赋予计算机本身的想法。发展到二十世纪八十年代，机器学习真正成为一个独立的学科领域、相关技术层出不穷。进入2010年后相继在语音识别、计算机视觉领域取得重大进展。2016年让人工智能在学术界、工业界、媒体界等社会各界引起广泛关注的AlphaGo 的背后，也是深度强化学习和蒙特卡洛树搜索的结合。

人工智能城市发展环境分析-技术剖析

热门算法之深度学习

将数输入计算机，一般算法会利用数据进行计算然后输出结果，机器学习的算法则大为不同，输入的是数据和想要的结果，输出的则为算法模型，即把数据转换为结果的算法模型。通过机器学习，计算机能够自己生成模型，进而提供相应的判断，达到某种人工智能的结果实现。工业革命使手工业自动化，而机器学习则使自动化本身自动化。近几年掀起人工智能热潮的深度学习，属于机器学习的一个子集，在思想和理论上并未显著超越二十世纪八十年代中后期神经网络学习的研究，但得益于海量数据的出现、计算能力的提升，原来复杂度很高的算法得以落地使用，并在边界清晰的领域获得比过去更精细的结果，大大推动了机器学习在工业实践中的应用。

人工智能VS人类智能

机智过人还是技不如人?

经过海量数据训练，人工智能可在边界清晰的领域内游刃有余，只是与可在开放环境下对变化中的事物不断学习进而适应的人类智能相比，机器在面对超过固定规则设置的罕见场景时，往往不知所措，鲁棒性有待提高。尽管如此，城市发展建设的方方面面都有大量的潜在的可供现有技术能力来升级改造的空间，比如机器的感知、认知、大数据处理以及运动控制等方面取得的能力突破来融合。

二、人工智能技术在城市的应用场景

单个场景的多维联动，将整合成全应用城市场景

随着城市的迅速发展，智能技术落地和服务越来越先进；在激烈的技术和市场竞争中，智能化城市的开发目标从原来的单个需要，转向对整个生活形态或生态链的“全应用场景”模式，即不再是简单地提供当下的需要，而是更多的创造新的或升级现在的应用场景，使智能化改变现有的城市形态和生活方式。城市创新性场景化是通过智能化城市功能的实施而逐步构建起新的“新城市场景”，未来将会朝着综合化城市生态系统方向发展。

社会管理场景-AI+安防（一）

升级安防场景有助于搭建更高效的城市治安系统

随着技术的革新和发展，AI+安防系统取代了传统的安防措施。大型安全防范系统结合技术手段，具有探测、监控、报警、管理等基本功能，用于预防、制止违法犯罪行为和重大治安事件，是维护社会治安稳定的基础设施。如商场科技对于平安城市的架构进行了从基础设施层到应用层的分层设计，目前在安防领域依托其自有的人脸技术、人群分析、图像识别等先进算法构建的平台，为智慧城市尤其是安防领域，提供体系化的产品和解决方案。

社会管理场景-AI+安防（二）

AI+安防：计算机视觉+深度学习技术是智能化视频升级的必要条件

上千万的摄像头和庞大的监控网络，瞬间就会产生海量监控视频数据，从海量视频数据中高效提取出有效信息，就成为智能视频监控技术的关键。以一个一万路视频规模的城市为例，每月产生12PB 的视频数据量，在这样量级资源中找到目标人员、车辆宛如大海捞针，然而通过人工智能算法，则可自动抓取视频中的目标图片，并提取其语义化的属性数据以及可用来比对检索的特征数据，每月数据大概为仅15亿条，而存储容量下降到300TB左右，即可实现秒级检索，并刻画目标的轨迹、进行行为分析。

社会管理场景-AI+安防案例

AI+安防案例：摄像头升级要根据实际需求，平安城市改造效果显著

国内的摄像头目前难以实现智能化，因此，改造关键是了解摄像头的主要功能，才能有针对性调整摄像头的高度、位置和类别。商汤科技协助深圳市的平安城市改造，以升级改造视频专网的方式协助警方打击犯罪和抓捕逃犯，为日后的城市整体安防发展打下良好的基础;而广州市则已经通过商汤科技视图情报研判系统，在短短半年内破获近百宗案件，破案数量显著提升，破案时间有效缩短，为公安机构日后的执法提供强大的支援。

社会管理场景-AI+交通

AI+交通：人类对车辆的控制最终会接近零，实现无人驾驶场景

驾驶的进化过程正是自动智能化交通的演变踪迹：现阶段，辅助驾驶的各项功能相对比较成熟，无论是测试还是实际开放环境表现都比较稳定;而自动驾驶的限定场景也有望在未来三年落地，主要落地的是环境相对简单、封闭或乘车人安全有保障的场景，未来，无人驾驶形态还需要通过大量数据积累、校对和测试，以及技术的突破与零部件量产而带来成本下降。

社会管理场景-AI+交通案例

智能化交通大力改善城市出行难题，未来将达到全自动化

智能化交通的升级转型，改造的方式与案例各不相同，但离不开人工智能算法对交通出行所产生的信息进行分析与预判，协助城市交通管理者更好的决策；未来，智能化交通解决方法，人参与的部分将会越来越少，甚至达到自动化运作的水平。

社会管理场景-AI+交通（驾驶方向）

AI+交通：人类对车辆的控制最终会接近零，实现无人驾驶场景

驾驶的进化过程正是自动智能化交通的演变踪迹：现阶段，辅助驾驶的各项功能相对比较成熟，无论是测试还是实际开放环境表现都比较稳定;而自动驾驶的限定场景也有望在未来三年落地，主要落地的是环境相对简单、封闭或乘车人安全有保障的场景，未来，无人驾驶形态还需要通过大量数据积累、校对和测试，以及技术的突破与零部件量产而带来成本下降。

社会管理场景-AI+能源

提高使用效率与优化供应管理是显著的能源节约方式之一

自然资源日益紧张情况下，国家能源建设的目标除了大力开发新能源，还需着重提升现有能源使用率以及优化能源使用管理，而传统的能源管理存在割裂的状态，“水、电、气、热”各个部门互不联通，居民多年累计的使用数据并没有得到运用；因此，需要构建综合的能源调度中心，使能源使用达到“快、准、优”的效果，而“供求模式”则可通过深度学习、运筹学等综合技术优化整体能源管理，降低能源的“过量、短缺、故障”等情况带来的大规模失衡风险。

公共服务场景-AI+医疗

数据整合与信息化是发展智能化医疗的首要条件

现阶段智能医疗的发展出现了基础建设与创新探索同步发展的局面。一方面是各地政府和医疗机构在智慧医疗信息系统和医疗数据库建设上发力，另一方面是商业组织和科研机构在精准医疗、智能临床诊断系统、智能医学影像诊断系统、医疗机器人、智能监测等方面均进行研发和探索。

公共服务场景-AI+政务

智能化政府服务，于政于民是“双赢”

政府在人工智能城市当中承担“总指挥”角色，重要要求简化流程并提高效率，尤其是在政府服务方面，现阶段迫切需要快速整合信息资源，提供便民的一站式服务，减少公共资源的浪费；尤其在服务过程中需要提升交互性与友好性，让人工智能技术协助解决人手不足、庞大事件量处不了等问题，比如线下客服机器人可考虑全天候开放给市民咨询与办理业务，真正简化流程与提升政府服务效果。另外，在城市管理方面，居民区的防盗防窃、群租整治、消防隐患等管理难题，通过可视化人口管理的解决方案，可在有效提高社区的安全防范等级，以及改善原本人口流动管理的忙点。

公共服务场景-AI+身份验证案例

AI+身份验证：AI身份验证已显著超越人力身份验证效率

由政府组建的政务云平台，为城市管理打通了信息与数据的“孤岛”状态;在智能政务多个场景中，由于而人力验证有效时间是半小时轮岗，因此，身份验证广泛应用于各类识别身份的节点。例如：基于人脸特征信息进行身份识别的生物识别技术，随着深度学习带来的突破，让机器根据训练数据集达到拥有自我学习的能力，最终掌握“人脸”的概念。

公共服务场景-AI+服务机器人

应用场景多样化，服务功能开发潜力大

银行、林寿、广告、政务、餐厅、展会等垂直行业中，服务机器人应用场景广泛；服务机器人实现了安全、便捷、准确和高效的客户身份识别，自动了解客户信息，进而提供定制化的服务，将服务化被动为主动，不仅降低了劳动力成本，更显著提升了客户服务水平。

产业运作场景-AI+楼宇

机电智能运维与电力节约最先在建筑方面落地

综合安防管理可帮助楼宇优化传统管理方式，减少中间环节和中间管理人员，融合并扩充网络高清视频联网、报警联动策略、在线巡查能力等；在能源管理方面，软硬件感知与联网所产生的数据，可通过深度学习模型优化整体能源支出；目前，已有采用AI+楼宇管理一体化解决方案的楼宇，成功实现每年节省下几十万kWh到上百万kWh电力不等的节能效果。

产业运作场景-AI+农业

机器视觉识别及图像处理技术在智能化农业上已见成效

农业科技与其他主流科技领域益阳，即将被“智能化”，也就是利用机器学习为首的人工智能技术在耕地资源有限的情况下增加农业的产出，同时保持农业的可持续发展。人工智能在农业领域应用主要体现在：农田灌溉、病虫害防治、根据作物自身特性及具体环境进行补水和农药喷洒，合理分配并利用资源。

产业运作场景-AI+零售

AI+零售：实体零售智能化是对抗电商零售的唯一出路

实体零售需要抓住“新零售”转型升级的机遇，打造信息化的实体店并建立立体数据库，从而达到在更好服务顾客的情况下控制或缩减成本，提升实体零售的竞争力。实体零售可以从各类访问数据入手，在店铺中实时监控、快速捕获消费者的喜恶并进行精准分析，实现智能化运营与管理。

产业运作场景-AI+零售案例

AI+零售案例：最大化提高用户在线上购物无法满足的体验

人工智能技术应用为传统商业提供了基于多维度、精细化数据驱动的运营决策参考，带来精准营销、商铺运营、价值客户管理、消费大数据运用等诸多技术化、科学化的运营手段。例如：商汤科技的人脸识别技术，实现用户从刷脸入店到结账付款仅需“刷脸”一个步骤且行为不需刻意，顾客只要正常出入闸门即可被系统捕捉识别，实现“无感知”进入，大大提升了用户体验。

个人应用场景-AI+娱乐与生活

AI+娱乐与生活：增强现实技术在图像视频等泛娱乐场景中不断创造价值

娱乐与生活市场空间较大，我国智能手机用户对新鲜事物的接受程度较高，并且乐意使用新技术来提升现有产品的体验，短视频与美颜滤镜的瞬间火爆印证了这个观点。目前，增强现实技术主要应用在个人移动设备上的图像视频泛娱乐场景，未来，在硬件设备的升级迭代下，增强现实技术将带来更广阔的商业价值。

个人应用场景-AI+移动个人设备

AI+移动个人设备：影像和语音领域掀起浪潮，成为下一轮竞争的关键

三、中国人工智能城市未来发展展望

随着城市的不断升级转型，对人工智能技术需求越来越大

在第四次信息革命的推动下，城市-智慧城市-人工智能城市的不断迭代升级，人工智能技术在城市建设当中越来越重要;从信息化-联网+感知-自主智能化，越来越重视技术革新带来的升级体验;艾瑞认为：未来，城市管理当中人类参与管理与决策将越来越少，最终达到城市自主智能化管理的效果，从而实现高效、安全、节能、可持续发展的城市发展目标。

人工智能技术在城市发展的价值

日益完善的ICT架构将加速城市迭代发展

技术升级也为城市治理提供了“智慧”决策支撑，从数字城市到人工智能城市，ICT(Information Communication Technology)的完善推动着城市的迭代发展，以云计算、大数据、物联网、通讯为基础设施，人工智能技术在城市发展当中提供了分析、调配、管理、预判的功能;金准数据认为：在技术和基础设施不断升级的ICT架构下，提高城市运作效率、更好的居住体验将会是科技改变生活的显著效果;而在这个过程中的每一个环节都将蕴藏极大的商业价值。

中国人工智能城市发展机遇与挑战

需要重视人工智能在城市建设的各项挑战

社会对人工智能的关注度起到促进的作用，越高的曝光度会带来越多的关注，给行业带来更多的资金、人才、科研投入等。在行业发展形势一片大好的情况下，也不能忽略挑战的存在，落地场景的展望与未来应用都是基于一个安全、完善的数据信息库为人工智能提供机器学习的条件；另外，人工智能目前的哦开发领域还是相对独立，必须认识到技术上还有暂时无法突破的难题。

智能化城市国外发展借鉴

从各国的顶层设计看，城市发展已到了更新换代的必然时期

欧美和亚洲等国家建设智能化城市建设起步早，且已见成效，许多建设措施和顶层设计对我国智能化城市建设起到良好的借鉴作用，可以总结以下几点：首先，对于智能化城市的建设是自上而下，由政府制定顶层设计，主导市场各方参与建设；其次，物联网作为智能化城市的基础构架部分，是构建“物-网-人”三者联通的关键；值得关注的是，过程中所产生的大量信息与数据为未来的以人工智能技术为核心的城市管理优化与情况分析预判提供了必要海量数据支撑。

总结：人工智能城市发展的决定性方向

需求+硬件+算法是人工智能在城市应用的三个未来发展关键

人工智能城市是利用人工智能技术，形成以数据为驱动的城市决策机制，根据实时数据和各类型信息，调配和调控城市的公共资源，最终实现自动智能化，达到城市运作效率的最优化。金准数据认为：决定人工智能城市未来发展离不开不断升级的硬件和算法的加速迭代，但终究还是要回归到城市应用场景升级的核心需求。

前言：

随着国家经济进入转型升级阶段，土地人工等成本不断上升，靠低成本或扩大销售难以获得利润，机械自动化、物流自动化作力降本增效新的利润增长点，其战略地位将得到凸显。

智慧物流是现代物流发展方向，智慧物流将RFID、传感器、GPS、云计算等信息技术广泛应用于物流运输、仓储、包装、装卸搬运、流通加工、配送、信息服务等各个环节，实现物流系统的智能化、网络化、自动化、可视化、系统化。

2016年全国社会物流总额229.7万亿元，按可比价格计算，比上年增长6.1%，增速比上年提高0.3个百分点。2017年我国社会物流总额252万亿元，同比增长6.7%;全年物流业总收入8.8万亿元，同比增长11.5%。值得注意的是，作为衡量物流效率的重要指标，我国社会物流总费用与GDP的比率从2015年的16%,2016年的14.9%，进一步下降到2017年的14.6%，效率逐年提升。基于市场和效率双提升，2017年12月中国物流景气指数达56.6%，全年均值为55.3%，始终保持在50%以上的景气区间。

随着智能制造和“互联网+”的提出，物流行业也逐步向智能化和自动化发展。政府也针对物流产业推出了一系列标准化和产业融合政策，智慧物流有望在国家政策支持和大量的市场需求推动下迎来新一轮的爆发期。

一、智慧物流的定义

智慧物流是一种以信息技术为支撑，在物流的运输、仓储、包装、装卸搬运、流通加工、配送、信息服务等各个环节实现系统感知。全面分析，及时处理及自我调整功能，实现物流规整智慧、发现智慧、创新智慧和系统智慧的现代综合性物流系统。

智慧物流集多种服务功能于一体，体现了现代经济运作特点的需求，即强调信息流与物质流快速、高效、通畅地运转，从而实现降低社会成本，提高生产效率，整合社会资源的目的。

按照服务对象和服务范围划分，智慧物流体系可以分为企业智慧物流、行业智慧物流，区域或国家的智慧物流三个层次。

企业智慧物流层面。用推广信息技术在物流企业的应用、集中表现在应用新的传感技术、实现智慧仓储，智慧运输，智慧装卸、搬运、包装，智慧配送.智慧供应链，等各个环节。从而培育一批信息化水平高、示范带动作用强的智慧物流示范企业。

行业智慧物流层面。建设主要包括智慧区域物流中心、区域智慧物流行业以及预警和协调机制的建设三个方面。

国家智慧物流层面。旨在打造一体化的交通同制、规划同网、铁路同轨、乘车同卡的现代物流支持平台，以制度协调、资源互补和需求放大效应为目标，以物流一体化推动整个经济的快速增长。与此同时，着眼于实现功能互补、错位发展。着力构建运输服务网络，基本建成以国际物流网、区域物流网和城市配送网为主体的快速公路货运网络。“水陆配套、多式联运”的港口集疏运网络，“客货并举、以货为主”的航空运输网，“干支直达、通江达海”的内河货运网络。同时打造若干物流节点智慧物流网络中的物流结点对优化整个物流网络起着重要作用，从发展来看，它不仅执行一般的物流职能。而且越来越多地执行指挥调度、信息等神经中枢的职能。

二、智慧物流产业2025年将突破万亿元

物流业是国家经济支撑性产业，2009-2016年，全国社会物流总费用在GDP中的占比由18.1%下降至15.5%，但与发达国家物流费用占GDP约10%的比例相比还有很大差距，提高物流效率，降低物流成本成为政府、物流企业与其客户力争实现的目标。2016年7月，国务院常务会议部署推进“互联网+”高效物流，以现代信息技术为标志的智慧物流已成为物流业供给侧结构性改革的先行军。特别是电商物流的迅猛发展，不断刷新物流业的历史纪录，解决了一个又一个世界级的物流难题，催生出各种新的商业模式和业态，智慧物流从此进入了快速发展的新阶段。金准数据认为智慧物流是物流业降本提质增效的重要手段，只有打通信息联通渠道，推进信息开放共享，智慧物流才具备成长的基础。

2013-2018年社会物流总额情况统计

2013-2018年社会物流总费用情况统计

根据金准数据收集整理中国物流与采购数据，当前物流企业对智慧物流的需求主要包括物流数据、物流云、物流设备三大领域，2016年智慧物流市场规模超过2000亿元，金准数据预计到2025年，智慧物流市场规模将超过万亿。

2016-2025年中国智慧物流市场规模预测

三、智慧物流成了新风口

由于AI、物联网和机器人技术趋于成熟，物流行业正在发生翻天覆地的变化，从仓储到运输再到配送，每一个环节都在智能化。

物流公司早已行动，比如顺丰利用机器学习等技术来预测快件量，进而进行更合理高效的资源配置。当然，智慧物流最重要的应用则是无人化。

2017年双11期间就有不少物流公司在仓库引入了机器人和物联网技术，智能分拣，提高效率降低分拣员的劳动强度。在配送环节，无人机等无人配送体系也被提上日程。在AT200物流无人机成功首飞后，顺丰等公司在无人配送上进行了大手笔投入，还制定了明确的时间表。

而技术驱动的电商巨头对于智慧物流更是兴致勃勃，纷纷将智慧物流上升到战略层面。2017年9月，阿里巴巴宣布53亿元增持菜鸟网络，成为后者控股股东，并且计划在未来5年内进一步投入1000亿元，推进智能仓库、智能配送、全球超级物流枢纽等核心领域建设。京东也宣布把智能化提高到战略高度，继无人仓、无人机、配送机器人等常态化运营后，京东物流的无人轻型货车、无人配送站点也将开始运营。

苏宁在2016年就成立了物流S实验室，主要围绕精益生产和人工智能进行研究，如仓库自动作业技术、绿色包装技术、智能拣选机器人、智能配送机器人、无人机园区智能巡检、AR/VR技术等。在818购物节上，苏宁展示了智能配送机器人等黑科技。

四、哪些行业将会受益?

金准数据分析认为迅猛增长的智慧物流市场，不只是属于物流公司的红利，诸多行业都会受益于此。

第一，仓储机器人。智慧物流最重要的应用是无人化，最大的受益者便是机器人行业。

第二，自动驾驶汽车。智慧物流的运输和配送环节，将会大量应用自动驾驶汽车，以省掉大量司机的人力成本。

第三，无人机。目前，京东、顺丰等物流巨头都在加强对无人机送货的投入。顺丰采取“三段式空运网”布局，包含大型有人运输机、大型无人机与小型无人机形成不同层次的空中运力，仅仅是大型无人机项目总投资便高达7.4亿元。

第四、自动化物流设备。搬运系统将大量应用机器人，还有一些环节需要大型的自动化设备，比如输送环节，自动对数百万SKU的商品进行进行识别，再传送到不同的分拣或者打包工作区。

智慧物流每一个环节，都会被无人化、智能化和自动化掀起变革，机器人、无人车、无人机等行业都将受益，每一个领域都有望诞生独角兽公司。

五、智慧物流行业发展前景

近年来，智慧物流成为物流行业快速发展的主要助力。智慧物流能大大降低制造业、物流业等各行业的成本，实打实地提高企业的利润，生产商、批发商、零售商三方通过智慧物流相互协作，信息共享，物流企业便能更节省成本。

智慧物流集多种服务功能于一体，体现了现代经济运作特点的需求，即强调信息流与物质流快速、高效、通畅地运转，从而降低社会成本，提高生产效率，整合社会资源。随着物流业不断发展，智慧物流的也从理念走向了实际应用。基于智慧物流理念而建的成都物流公共信息平台前最流行的“云计算”技术融入到成都物流公共信息平台的搭建之中，将大量用网络连接的计算资源统一管理和调度，构成一个计算资源池向用户按需服务。具有超大规模、虚拟化、可靠安全等独特功能。从政策面来看，“中国制造2025”及“互联网+”风口下，智慧物流迎来爆发机遇。

随着互联网+上升为国家战略，金准数据预计越来越多的行业都开始转型升级，中国的物流行业也正在面临和经历着由此带来的变化，在这个变化中，海航现代物流提出打造物流4.0的未来发展理念，4.0的构建是所有世界上物流行业正在面临和正在努力的一种方向，未来物流企业将按照“推动互联网、大数据、人工智能和实体经济深度融合”的要求，在构建物流4.0模式、打造现代供应链方面谋求新进展，坚定不移地瞄准高价值物流，构建全球产业体系。

六、智慧物流重点企业分析

1、顺丰控股

顺丰是国内领先的快递物流综合服务商，立志于为客户提供一体化的综合物流解决方案。顺丰不仅提供配送端的高质量物流服务，还延伸至价值链前端的产、供、销、配等环节，以客户需求出发，利用大数据分析和云计算技术，为客户提供仓储管理、销售预测、大数据分析、结算管理等一体化的综合物流服务。顺丰同时还是一家具有网络规模优势的智能物流运营商。顺丰拥有通达国内外的庞大物流网络，是一家具有“天网+地网+信息网”三网合一、可覆盖国内外的综合物流服务运营商。

早在2012年，为应对中西部、三四线城市机场数量较少、山脉纵横、路网基础较差，难以实现快速公路转运的问题，顺丰就提出了物流无人机设想，无人机物流成为顺丰重点战略之一。2013年，顺丰内测“无人机快递”服务。2015年，顺丰入股智航无人机，加快无人机领域研发布局。2017年上半年，顺丰自研的MantaRay垂直起降固定翼无人机问世。截至目前，顺丰在无人机领域上申报和获得的专利数量达111项，顺丰通过投资、自研等多种方式，成功构建了无人机研发体系。未来，顺丰集团继续推进无人机战略，在成都双流建立大型物流无人机总部基地，2020年起，开始向全国推广，实现无人机支线网络对接顺丰的全国航空网络，推动区域内货运航空网络的全覆盖，实现区域内货物运输全国次日达。

此外，2017年8月26日，顺丰控股发布公告，变更部分募集资金用途，增加飞机购置改装、信息化建设和智能分拣基地项目共计33.3亿元。依托强大的干线运输能力、发达的信息系统，集中建设智慧物流，这有助于打通物流全产业链，融合仓配、重货运输、供应链金融等，向综合物流服务商转型，具备前瞻性。

公司2017年上半年实现营业收入321.6亿元，同比增加23.3%;实现归属上市公司股东净利润18.8亿元，同比增加7.5%;基本每股收益0.45元。

2013-2017年顺丰控股收入和利润统计

2、DHL

DHL隶属于全球顶尖邮政和物流公司DeutschePostDHLGroup，包含的事业单位有DHLExpress,DHLParcel,DHL电子商务,DHLGlobalForwarding,DHLFreight和DHLSupplyChain。DHL的业务遍布全球220的国家和地区，是全球国际化程度最高的公司。在全球的员工人数超过350000人，几乎能够为各种物流需求提供完美的解决方案。

DHL引进了无人机和机器人，代替人类的工作，速度更快，能让效率提高10%到15%。2013年末DHL启动无人机研发项目，应对日益增长的人工成本，并实现在高成本地区一天24小时、一周7天的收发快递，以自建团队，自主研发为主。同年研发出第一代无人机，起降运动尚需人工遥控，并成功利用无人机Paketkopter将波恩药房的一个药品包裹从运送至一公里外的DHL总部。2014年，DHL研发出第二代无人机，能携带1.2公斤货物，时速可达65公里，仍需工作人员手工装卸货物;2015年底，第三代无人机亮相，可以在机舱内携带2公斤以内、体积不大于4.4升的货物，由于体形苗条矫健，飞行时速可达80-126公里，可以最大程度地实现“无人操作”。经过将近两年的研发测试，2016年初，DHL在巴伐利亚镇试验其无人机交付项目，共成功递送超过130个包裹，使得其成为全球第一家利用无人机技术为客户提供快递服务的企业。未来，DHL将计划拓展城市的无人机交付项目，从现有渠道信息来看，DHL的无人机送货，暂时限定德国地区，尚未有推广到全球的计划。

3、京东物流

京东物流将其物流网络分为中小件、大件、冷链、B2B、跨境和众包网。中小件物流配送上，京东资料显示，目前京东在全国范围内拥有256个大型仓库，6906个配送站和自提点。大件物流方面，京东对垒的是阿里的日日顺物流，处理大家电配送服务。京东目前全国正在使用的冷仓有10个，冷链配送覆盖深冷、冷冻、冷藏、控温四大温层，可以实现零下30度至常温温层的全覆盖。

京东立志于成为一个通过人工智能技术和机器人技术相结合，打造一个“类似于无人的商业体”。2014年京东就成立了亚洲一号自动化物流中心，大部分环节上都实现了自动化，提高了仓储的运营效率。去年，京东物流独立运营，并成立京东X事业部智慧物流实验室，第一次向众人展示了由机器人、人工智能算法和数据感知网络打造的全自动仓储场景。京东的无人仓中的AGV机器人利用地面贴着的二维码导航来搬运货架。

同时，京东还与西安航天基地签订了合作协议，将打造京东集团全国最大的综合性智慧物流产业基地。这次京东在西安航天基地建设全球物流中心，除了研发测试无人机、无人车、无人仓外，还将继续打造智慧供应链相关的人工智能和大数据技术。

七、智能物流行业未来趋势

金准数据分析认为未来只能物流行业发展将朝着三个方向：第一，“全供应链化”，大数据驱动整个供应链重新组合，不管是上游原材料、生产制造端，还是下游的分销端，都会重新组合，由线性的、树状的供应链转型为网状供应链。

第二，物流机器人会大量出现，不管是阿里、还是京东，以及顺丰等各大快递企业都会投入智能物流的硬件研发和应用。随着人力成本的不断提高，机器人成本与人工成本会越来越接近。简单重复性劳动被机器人取代只是时间问题。

第三，社会化物流会变成全社会经济的重要组成部分。数字化物流会让物流资源在全社会重新配置，不管是快递的人员、快递的工具、快递的设施，还是商品，都会来进行组合，任何一个社会资源都可能成为物流的一个环节。所以未来智能物流，一定是一个自由、开放、分享、透明、有信用的一套新的物流体系。

总结

科技和资本正在助推物流行业提质增效、做大做强，今准数据认为，尤其是互联网与物流业的深度融合，让智慧物流呈现蓬勃发展态势。

金准数据预测，互联网与供应链融合的智慧供应链将成为下一轮竞争的焦点，有望形成一批上下游协同、智能化连接、面向全球的现代供应链示范企业和服务平台。

前言：

随着科技的发展，尤其是近年来人工智能的发展，使得许多行业在面临着机遇的同时，也面临着巨大挑战，自适应教育行业就是其中一个。

自适应(Adaptive)，顾名思义是自我调节和匹配，具体含义是指根据数据的特征自动调整处理方法、顺序、参数和条件，以取得最佳处理效果。它不是指某项具体技术，而是多种知识和技术融合达成的一个结果。这个概念类似于“共享经济”，它不是指某个经济领域，而是新场景、商业模式、技术等因素融合而成的一种经济现象。

自适应学习产品有智能程度之分，区分标准是看它的技术水平基于人工、基于计算机编程还是基于人工智能。人工智能自适应在教育的各个环节都可应用，其中教学环节的应用最核心、难度也最大。目前中国产品总体处于初级阶段，人工智能自适应教育始于技术，胜于内容，终于效果，学习效果才是企业竞争力的最终评判要素。

1.自适应学习主张每个人都拥有自己独特的学习路径，是一种非常有前景的教育技术。国外起步早，应用广，并多次被实证研究证明有效。

2.自适应学习产品有智能程度之分，区分标准是看它的技术水平基于人工、基于计算机编程还是基于人工智能。人工智能自适应在教育的各个环节都可应用，其中教学环节的应用最核心、难度也最大。

3.人工智能自适应教育的本质是可规模化的个性化教育。

4.人工智能自适应教育行业处于发展早期的升温阶段，概念模糊，泡沫难免，目前至少40家公司已宣布入场。

5.K12辅导和语言学习是2015-2017年业内融资事件最多的两个细分领域，融资数量占比分别为52.2%和34.8%。

6.目前国内产品总体处于初级阶段；人工智能自适应教育始于技术，胜于内容，终于效果，学习效果才是企业竞争力的最终评判要素。

一、自适应学习与人工智能

1. 人工智能自适应学习

自适应促使学习方式发生深刻变革：每个人都有自己的路径。

自适应(Adaptive)，顾名思义是自我调节和匹配，具体含义是指根据数据的特征自动调整处理方法、顺序、参数和条件，以取得最佳处理效果。它不是指某项具体技术，而是多种知识和技术融合达成的一个结果。这个概念类似于“共享经济”，它不是指某个经济领域，而是新场景、商业模式、技术等因素融合而成的一种经济现象。

自适应学习(Adaptive Learning)在国内引起广泛关注是在2015年，彼时在线教育正野蛮生长，一小批人注意到在线教育完课率极低，这是因为在传统学习模式下1）不同学习内容之间的跳转逻辑是线性单一的，学生即使已经掌握了某一块内容，还是需要花费时间去学习；2）学生有问题也不能得到即时的反馈和帮助。对此，自适应学习致力于通过计算机手段检测学生当前的学习水平和状态，并相应地调整后面的学习内容和路径，帮助学生提升学习效率。然而，学习是一个复杂且隐性的过程，简单的计算机编程很难实现好的效果，运用人工智能技术来实现的人工智能自适应学习应运而生。这是对传统自适应学习的升级，也是对新型学习方式的探索，在教育领域意义重大。

2. 自适应学习产品有智能程度之分

基于人工、基于计算机编程还是基于人工智能？

当大多数人提起自适应学习时，他们对自适应学习产品的智能程度缺少一个清晰的定义。看一个自适应学习产品，需要判断它是基于人工的自适应，还是基于计算机编程的自适应，还是基于人工智能的自适应。目前人工智能总体上还处于初级阶段，人工智能+自适应学习又是一个新兴的领域，相关人才和经验总体上处于匮乏状态，因此市场上的人工智能自适应学习产品基本都属于弱人工智能的范畴。但即便是弱人工智能，相比于基于人工的自适应和基于简单计算机编程的自适应来说，也已经是一种进步。弱人工智能自适应学习进化到强人工智能自适应学习的突破口在于人工智能自适应技术的突破以及其在教育垂直领域的深度落地。

3. 人工智能自适应学习的原理

在大数据的基础上构建学习模型并输出学习建议。

在现阶段，“搜集大数据——构建学习模型——输出学习建议”是实现人工智能自适应学习的基本步骤。学习模型的构建过程非常复杂，常人难以理解，通俗来说，它是在“借鉴”人类大脑的思考过程，通过成千上万个函数点互相传导信息，用穷举的方式从千丝万缕的函数嵌套关系中找出学习规则，并不断进化模型。它的输出由三部分要素有机结合而成：学习材料（如：一段教学视频、一道练习题），用来测评学生是否掌握学习材料的标准，学习材料的推送顺序。这三部分的内容和时长都由人工智能算法来决定。学生使用系统的时间越多，留下的行为数据越多，系统的效率就越高。

4.人工智能自适应学习系统的运行流程

像优秀教师一样“思考”和“行动”。

老师是以经验驱动教学的，整个过程虽然遵循一定的节奏，但每一步的“火候”非常依赖于教学经验的积累，因此刚毕业的老师往往适合于答疑，而在教学的体系化上有所欠缺，教龄长的老师往往擅长全盘把控，而在亲和力上稍显不足；不同老师对学生学习情况的判断是不一样的，从而导致他们所规划的学习路径不同；两个老师即使经验值相等，还会在性格脾气、教学风格、薪酬期待上有所差异，从而影响教学效果。人工智能自适应学习系统旨在聚集并量化优秀教师的宝贵经验，以数据和技术来驱动教学，最大化地减小老师水平的差异，提高整体教学效率和效果。

二、自适应与人工智能+教育的关系

自适应能够深入教学核心环节，而其他AI技术不一定能深入。

人工智能在教育领域的落地应用是大势所趋。目前已有的智能产品包括拍照搜题、分层排课、口语测评、组卷阅卷、作文批改、作业布置等工具，这些工具应用了先进的人工智能技术，但应用场景只停留在学习过程的辅助环节上，而不会直接带来教学质量和效果的提升。人工智能自适应则能够把人工智能技术渗透到教学的核心环节中，既有助于从根本上改进学习的理念和方式，也有助于产品打通商业模式，直接面向C端用户销售变现。

1. 人工智能自适应在教育过程中的应用

各个环节均有可为，教学环节最核心，全流程应用最高级。

完整的教育流程可划分为内容开发——教学（学习）——练习——测评——管理五个环节，这些环节中都存在人工智能自适应学习可以应用的场景。其中，自适应内容开发是其他4个环节的基础，需要耗费巨大的工作量，目前国内少有公司专门以这项工作为主要业务，大多数公司往往只把它作为一项内部产品开发的前续工作；自适应管理指的是通过分析教学、作业、测评环节的学生数据，对用户进行智能预警、提醒和跟踪，是其他4个环节成功应用后的附加产物。人工智能自适应学习技术在教学、练习和测评三个环节的应用能够直接面对C端用户，市场广阔，是目前主要的三个应用环节，而其中教学环节的应用对学习效果的影响作用最大，也是整个教育流程中最核心、最复杂、最难的一环。随着用户对个性化和效果的需求越来越强烈，不同环节之间出现了一定的界限模糊，市场上也出现了能在五个环节同时应用的全流程自适应学习系统。

2. 深入应用到教学核心环节难度较大

需要先有教学环节的有效数据，不能仅有练测环节的数据。

教学环节对学习效果的影响作用最大，也是整个教育流程中最核心、最复杂、最难的一环，而测评、练习环节相对外围、轻量、简单，因此自适应学习产品最先在测评和练题场景中得到应用。如果把不同的人工智能自适应学习产品分为“只应用到测评环节”（自适应测评）、“只应用到测评和练习环节”（自适应练习）、“同时应用到测评、练习和教学环节”（自适应教学）三类，那么自适应教学是其中数据获取难度和产品功能等级最高的一类。自适应教学产品的开发需要有教学环节的有效数据，而这些数据的获取难度高，具体体现在：1）自然状态下，教学过程数据是非结构化的；2）数据可挖掘的维度多，不限于测试成绩和作业情况，还包括学习路径、内容、速度、偏好、规律等深度数据；3）不同数据点之间的关系复杂。

3. 人工智能自适应教育的价值

核心价值是降本提效，促进行业升级。

人工智能自适应教育是一次行业改革实验，对机构、对学生、对老师三方都具有降本提效的价值。其核心价值是把教育行业从劳动密集型的农业时代带向成本更低、效率更高的工业时代。农业化向工业化发展的趋势是不可阻挡的，即使不通过人工智能自适应教育来实现，也会通过其他渠道来实现。

三、国内外自适应教育行业发展现状

1. 国外的自适应学习产品

起步早，应用广。

自适应学习早在20世纪90年代的美国就已存在，目前已得到较为广泛的应用。美国K-8（相当于中国的小学、初中）自适应学习公司DreamBox Learning曾在2010年后做过一项调查（调查样本超过480个，其中大部分人为K-8公立校教师）, 结果表明49%的人正在自适应学习软件上教授补充课程，42%的人正将其作为核心课程平台使用。

自适应学习产品在国外各个学习阶段都有应用，包括早幼教、小学、初中、高中、大学、职业领域等，并已覆盖多个学科。

2. 中国人工智能自适应教育行业发展现状

中国人工智能自适应教育行业处于发展早期的升温阶段，概念模糊，泡沫难免。

不可否认的是，从行业发展阶段来看，目前人工智能自适应教育行业仍处在发展早期，并且由于“人工智能”概念过热，加上市场受到巨头进入、大额融资等事件的刺激，从而存在一定的炒作现象。但这是一项新兴事物发展的必经之路。人工智能本身受到的市场反应也呈现出“这是全能的——这是骗子——这是全能的——这是骗子”的反复性，人工智能在教育行业的落地应用不是一蹴而就的，必然也会因为初期效果的不甚理想而反复受到推崇和质疑。随着人工智能技术进入稳定期，质疑的声音才会渐渐消除，行业发展路径才会稳定上升。

中国人工智能自适应教育行业玩家分布：教育科技+课程变现前景良好，至少40家公司宣布入场。

不断有企业瞄准、涌入人工智能自适应教育赛道。一类是提供在线英语课程和工具的公司，英语领域本身具有一定的国外自适应学习经验，而且相关的学习材料、标准化测评和题库数据都足够多，开发环境相对较好。一类是以题库、作业平台为基础，或进入公立学校做考试数据采集和分析的公司，他们能够收集一部分学习数据，在大数据采集和用户认知经验上具有一定的先发优势。另一类是主打自适应教育的公司，他们以自适应学习系统为主攻产品。此外，其他在线教育机构、线下教育机构、甚至非教育行业的机构都在试图进入这一领域。

中国人工智能自适应教育行业特点：边际明显：初期投入大，越往后数据的反哺能力越强。

毫无疑问，随着越来越多的学生使用某个产品，产品所收集的数据量会越来越多。在一般的在线教育产品中，这些数据会被储存起来，经由人工挖掘和分析，用于优化产品；而在人工智能自适应学习产品中，这些数据会像“燃料”一样被输送进人工智能算法这个“大锅炉”中，由数据来训练算法，输出更接近真实情况的学习模型，赋予学习系统更好的性能和更高级的功能，从而吸引更多的学生使用。学生使用系统则产生更多的数据，继续上述流程，形成良性循环。另外，系统通过数据对学生产生的“了解”会随着时间递增，学生之后更换产品的转换成本会非常高。因此可以说，人工智能自适应教育行业比一般的在线教育行业具有更明显的边际效益。

中国人工智能自适应教育行业产业链：产品开发吸纳大量资金，产业链头重脚轻，分工有待细化。

人工智能自适应教育行业产业链的结构与在线教育行业类似，都包含了从产品开发（内容研发+技术支持）到教学服务再到分发推广的过程，两者差别在于，前者的产品开发环节由于涉及到新兴的人工智能技术，从而吸金能力更强、难度更高、耗时更长。产品开发需要教研经验、教育学、心理学、计算机、大数据、人工智能等多个领域的跨界协作和共同摸索，前期投入可达千万元人民币级别。目前K12辅导和语言学习是产品的两大重点应用场景。

3. 我国自适应教育行业的发展趋势

美国以To B为主，中国以To C为主，不能照搬。

在美国，自适应教育企业的商业模式一般以To B为主，这主要是因为美国C端用户个人发展压力小，接受额外培训的意愿没有中国人那么强，因此To C培训空间小，另外与机器交互的自适应学习在机构内推广也容易快速形成规模，发挥边际效益。中国To C教育培训市场比美国广阔，并且高度分散，只要用心经营人人都可以分一杯羹，To B市场则更多地需要借助人脉关系，进入成本高。中美两国的国情和文化土壤差异较大，不能照搬商业模式，但美国的产品和技术值得关注、学习。

行业内投融资情况：K12辅导和语言学习领域最受关注。

从2015年到2017年，中国人工智能自适应学习相关概念一直受到资本市场的关注，融资轮次逐渐呈现出从种子轮、天使轮的早期阶段向A轮、B轮的中期阶段发展的趋势。其中K12辅导和语言学习两个细分领域的融资事件最多，占比分别达52.2%和34.8%。K12辅导是中国教育培训行业中市场规模最大的一个子领域，吸引力大；语言学习则因为学习内容轻量化、国际化，天然适合与科技接轨。

企业通常会面临的难点：新事物的发展之路上每一步都有“坑”。

人工智能自适应学习产品与传统教育产品相比，改革跨度太大，因此不可避免地在团队招募、产品开发、市场推广等方面会面临较大阻力。由于行业发展仍处于早期阶段，所以目前最大的难点还是来自于产品开发。作为主要的使用者，老师群体也需要一定的适应时间，而且需要在心态上做一次转变。

行业热度持续：教育科技大势所趋，入局企业持续增多。

人工智能自适应教育领域的入局企业将持续增多。主要原因如下：1）人工智能火热，市场风向如此；2）人工智能算法开源、技术进步，人才增多；3）教育市场是一个需求非常多样、行业格局非常长尾的市场，人工智能+自适应学习几乎可以应用在每一个细分领域，行业集中度短期内也不会明显提升，因此各企业有空间做到差异化竞争、区域化竞争；4）在线教育狂奔三四年之后，各企业开始集体寻求变现，2017年是直播变现大年，而自适应学习系统有望成为直播平台的底层标配，用来提高直播课程的标准化水平、解决直播平台大规模扩张后师资不足的问题。

人工智能是关键技术：短期内集中力量突破增强数据挖掘、认知专家顾问等技术。

金准数据分析认为，未来2-5年内增强数据挖掘、认知专家顾问、深度学习、边缘计算、机器学习、虚拟现实等技术将度过泡沫期，逐渐被主流所应用。未来2年内如果企业能率先在这些技术领域取得突破性进展，则可以抢占先机。人工智能自适应教育行业是一个技术驱动型行业，技术能力对企业至关重要，短期内内各企业之间技术能力的赛跑也将正式开始。但由于教育行业是一个典型的“慢”行业，因此这些技术在教育行业真正普及至少需要2-5年的时间。

企业竞争力要素悄然改变：始于技术，胜于内容，终于结果。

人工智能无疑是未来趋势，但它始终只是一种手段，如果在学习的某些环节，使用一些简单的信息化手段或人为手段能实现更好的学习效果，那么这一环节就不需要也不应该借助人工智能。真正创造价值的是创新的问题解决模式，而不是某一项技术。人工智能自适应教育最早发展出的功能是反映学生的能力水平（测试功能），后来逐渐加入找出知识点盲区（评价功能）、推送内容弥补盲区（学习功能）的功能，但目前所推送的学习内容的表现形式仍然是视频、题目等旧形式，其背后的学习方式仍然是传统的“听课”和“刷题”，这是由教学思路的固化导致的。随着人工智能技术的突破、社会对人才评价标准的更替，未来人工智能自适应教育领域将迎来内容体系的新革命，实践式教学、沉浸式教学等理念带来的新型学习方式将更多地融入自适应学习系统，正如目前在线教育领域教研岗人才稀缺一样，未来各人工智能自适应教育企业的技术差距将逐渐缩小，而能深刻理解教学教研、具备新技术条件下的创造能力的教研人才将受热捧。

总结：

当前我国人工智能自适应教育行业有待细化。金准数据认为，人工智能自适应教育的本质是可规模化的个性化教育。金准数据认为，人工智能自适应教育的核心价值是降本提效，促进行业升级。人工智能自适应教育是一次行业改革实验，对机构、对学生、对老师三方都具有降本提效的价值。其核心价值是把教育行业从劳动密集型的农业时代带向成本更低、效率更高的工业时代。农业化向工业化发展的趋势是不可阻挡的，即使不通过人工智能自适应教育来实现，也会通过其他渠道来实现。

从行业发展阶段来看，目前人工智能自适应教育行业仍处在发展早期，并且由于“人工智能”概念过热，加上市场受到巨头进入、大额融资等事件的刺激，从而存在一定的炒作现象。但这是一项新兴事物发展的必经之路。人工智能本身受到的市场反应也呈现出“这是全能的——这是骗子——这是全能的——这是骗子”的反复性，随着人工智能技术进入稳定期，质疑的声音才会渐渐消除，行业发展路径才会稳定上升。因此，金准数据认为，中国人工智能自适应教育行业目前处于发展早期的升温阶段，概念模糊，泡沫难免。

金准数据认为，中国人工智能自适应教育行业特点为初期投入大，越往后数据的反哺能力越强。产业链方面，中国人工智能自适应教育行业产品开发吸纳大量资金，产业链头重脚轻，分工有待细化。K12辅导和语言学习领域最受关注，中国人工智能自适应教育领域的入局企业将持续增多。

金准数据专家指出，随着人工智能技术的突破、社会对人才评价标准的更替，未来人工智能自适应教育领域将迎来内容体系的新革命，实践式教学、沉浸式教学等理念带来的新型学习方式将更多地融入自适应学习系统，正如目前在线教育领域教研岗人才稀缺一样，未来各人工智能自适应教育企业的技术差距将逐渐缩小，而能深刻理解教学教研、具备新技术条件下的创造能力的教研人才将受热捧。