四、工厂数字化与智能化新方向

1.工厂的数字化和智能化大体分为四个阶段

近两年一些企业开始为企业提供以生产环节为基础的数字化和智能化工厂改造方案。企业的数字化和智能化改造大体分成4个阶段：

自动化产线与生产装备，设备联网与数据采集、数据的打通与直接应用、数据智能分析与应用。这4个阶段并不是严格按顺序进行的，各阶段不是孤立的，边界比较模糊，很多具体应用方案可能跨越其中多个阶段。工厂的改造也不一定都是从自动化装备开始。

在单个工厂数字化的基础上，工厂通过C2M模式与消费者建立连接，通过工业互联网平台，与整个行业和产业上下游建立起连接。

工厂数字化和智能化的4个阶段

在工厂的数字化和智能化改造过程中，诞生了一些常见的类型化方案，如：设备接入、新型MES软件、AR辅助作业、工业大数据等。多数情况下客户工厂需要的方案跨越了数字化改造的多个阶段，但不同供应商的业务侧重点和覆盖范围各不相同，不少供应商或工厂实施的是跨越多阶段的方案，但自身技术和能力会侧重其中某个阶段的工作。也有华制智能、云智汇等企业声称提供智能工厂整体解决方案。从解决方案角度，报告分成四部分（图中标注1,2,3,4的4个虚线框）进行讨论。

工厂数字化和智能化的4个阶段

2.设备接入与数据采集

设备联网，数据采集是其它业务的基础。

工厂里设备各式各样，将设备接入网络，采集设备的数据传到服务器或云平台，是进行智能化生产的基础。有数据接口的设备，如机器人，机床，PLC控制器，智能化仪器仪表等，将设备数据传输到网关。没有现成数据的设备，通过安装传感器或进行智能化改造，增加通讯能力，基于有线或无线方式，将数据传输到网关。网关进行数据就地分析和存储，或将数据、分析结果汇总，通过有线或无线的方式，传输到公有或私有云服务器进行显示和后续分析。从事此类业务的企业，通常在设备接入基础上，发展数据分析及云平台业务，如英物互联、Ruff、匠迪信息、智物联、塔网科技等。

工业设备接入与数据传输各层结构

设备联网，数据采集面临诸多挑战。

设备的联网接入需要达成三个层次：互联(硬件接口的连接)、互通(软件层面的数据格式与规范)、语义互操作(语义的定义与规范)。

当前设备联网接入面临不少挑战：

数据不开放：由于技术保密等原因，一些设备的关键参数并不对外开放；

标准不统一：工业设备样式繁多，接口各异，通讯与传输协议各不相同，针对
各种非标设备和协议，需要进行相应的开发，消耗大量的时间和人力；设备无数据：一些设备和仪器仪表本身并不记录自身数据，需要进行智能化改造，增加通讯能力；

任务不明确：面向具体分析任务，应采集哪些数据需要经验，有时并不明确；

限制条件多：工业现场可能有电磁干扰、振动、位置等多种数据采集限制，对
布置传感器完成所需数据采集提出了更高的要求；

设备联网接入发展方向：

标准化：标准化是设备低成本互连互通的基础。互联互通层面，已经形成了一些比较通用的接口方案，如工业以太网、工业PON网及Modbus等。语义互操作层面，OPCUA协议已经成为国家推荐标准。国外很多设备在标准化方向已经做的比较好。国内一些行业组织也在牵头统一标准，组织国内设备向国际标准靠拢。

传输方式多样化：PON光纤网络和基于物联网、5G的无线通信等各种传输方式，成为新的重要方向。

OPCUA标准架构

设备联网，边缘计算在设备侧完成数据分析。

信息技术在工业应用中，一些凸显出来的问题，如：生产数据的实时处理，生产数据的安全性，过大的数据量带来的存储和处理压力等，催生了边缘计算在工业的应用。边缘计算，是指不将全部数据回传云端，而是在更靠近数据源侧的本地网内完成存储和运算，从而减少数据往返云端的等待时间，降低网络带宽成本，提高安全性和网络适应性。

边缘计算在工业应用，主要体现形式为将数据清洗和分析算法前置到现场的类似“智能网关”的计算设备，实时完成生产数据的分析和处理，只将分析结果传送到云端服务器，如此通过云+端的架构，实现更高效和安全的数据分析处理。很多工业软件和数据分析企业除了提供基于公有或私有云的软件或数据分析方案，也提供基于边缘计算的解决方案。工业网关厂商中有些也已经在把产品升级为具备边缘计算能力的产品，如物联博通、映翰通、东土科技等。

工业数据采集分析的云计算架构和边缘计算架构示意

3.数据打通与直接应用

新型MES/ERP软件。

工厂生产经营过程中，很多都需要数据。过去工厂缺少很多一线生产环节数据，或信息传递较原始，效率很低，而且ERP、CRM、MES等各种信息系统互相独立，存在很多数据孤岛。如今开始有一些公司通过新型管理软件，对工厂的数据进行整合打通，并在此基础上提供更高效的信息传递、生产管理和协同。新形态管理软件名称以MES/ERP等呈现，但功能基本是实现过去MES、ERP、CRM甚至OA等功能的综合集成。很多企业提供给工厂的通常不只是一套软件，而是整套工厂改造的解决方案。

过去的工业软件多以单机、局域网、私有云的方式在工厂内完成部署。在工业企业上云的趋势下，一部分新型MES/ERP软件以公有云SaaS的方式布署，并增加了在移动端手机APP的呈现。

基于数据打通的运营管理。

近两年，一批相关企业以工业物联网、数字化工厂、新型工业软件为名，提供相关软件和服务。不同公司的业务侧重点和目标工厂有所不同，由于各环节相互关联，很多企业也提供面向不同阶段工厂的不同解决方案。相关企业如：黑湖制造、新核云、制云科技、匠迪信息、易往信息、全应科技等，其中部分企业获得了资本的投资，发展迅速。

基于数据打通的运营管理功能示例

部分获得投资的新型MES/ERP软件初创企业

装备生产企业基于IoT打造远程运维平台。

基于设备联网，一些企业为自家产品或装备制造企业提供装备远程运维解决方案。通过在装备中加装物联网设备，使装备厂商可以远程随时随地对设备进行监控、升级和维护等操作，更好的了解产品的使用状况，完成产品全生命周期的信息收集，指导产品设计和售后服务。基于IoT可以远程监控的指标如：设备分布，状态，用户活跃度监测；行业、地区、企业用量统计分析；远程异常报警，故障分析，授权开关机设备监测等。哐哐智造、匠迪信息等企业为装备工厂提供此类服务，树根互联根云、徐工信息Xrea、航天云网INDICS等工业物联网云平台也提供了相关功能。

远程运维平台可以延伸多种创新型业务。

在设备联网的基础上，装备制造厂商还可以开展各种创新型业务。三种典型业务及案例：

设备租赁：例如智能云科iSESOL平台工业版“滴滴”。设备状态可监控和远程管理，为设备共享提供了可能，通过网络查找并共享闲置的设备资源，提高设备的利用率，并可以按需付费，实时结算。实现了生产力装备的共享经济。

设备保险：例如树根互联根云平台，设备的运行数据为设备的风险评估提供了依据，基于之上可以开展保险等金融业务。基于对设备数据的分析，生成设备的综合状态评估，对设备损坏概率进行预测，将每一台设备运行数据作为定价变量来考虑，可以单独对每台设备提供更加准确、公允、动态的定价，结合设备主及企业的运营状况及信用风险模型，为保险业务提供更加精细的风险选择与精准定价模型。

精准供应链：博创智能塑云平台，装备制造厂的设备联网后，也就同时了解了使用装备的产品生产厂家的生产和分布情况。同样以这些产品生产厂家为目标客户的上游原材料、周边服务商等，可以通过设备联网平台，精准的为产品生产厂家供应产品。

基于AR辅助工业作业。

AR有两大关键技术：计算机视觉和人机交互。计算机视觉解决机器对现实世界的理解问题，人机交互解决人与虚拟信息互动的问题。具体在智能制造中，AR的主要应用体现在于信息的增强，将很多不可见的信息叠加显示在视野上，辅助和引导员工更好的工作。显示虚拟信息有基于手机、平板、眼镜等方式，AR眼镜可以在不影响工人双手操作的情况下进行信息显示，在工业中较为常见，并以语音和手势等方式交互。

AR在工业主要有两种应用形态：

一是作业过程中的信息显示提示与引导。在工人进行生产操作、操作培训、设备巡检、设备维修等场景时，AR眼镜额外提供设备的图纸、运行数据、结构原理、操作步骤等信息引导或辅助操作人员执行操作。部分场景还可以通过图像识别，对操作正确性进行判断和给出错误提示。

通过AR的方式给出额外信息显示，可以在上岗前对工人进行培训，也可以降低上岗所需操作人员的技术水平要求，使工序标准化、规范化、降低出错率，避免危险工作的误操作等。

联想新视界复印机AR运维示意图

AR工业应用典型案例。

典型案例——波音生产线用AR辅助线束组装客机机身内部的线束错综复杂，以往工人们需要拿着飞机内部结构指令手册或参照PDF图才能一步步完成线束的组装和连接，工作流程冗杂繁琐，往往容易出错。使用谷歌眼镜后，工人们就无需拿着手册和电脑在机舱中到处跑，谷歌眼镜可投射出各个细节部分的组装方式来协助工作。数据统计，用上谷歌眼镜后，波音工人组装线束的错误率降低50%，时间缩短了25%。

二是远程指导系统。现场工程师佩戴AR眼镜，通过第一人称摄像头，将数据实时传送到远程专家，远程专家给出指导，指导信息以AR的方式显示给现场工程师，指导工程师完成操作。远程指导系统的价值，在于节约专家到现场的成本，降低高技术工作对现场人员的依赖。

AR工业应用的信息呈现方式，主要取决于AR眼镜，分成两代，一代是以GoogleGlass、EpsonBT350等为代表的2D信息显示（含双目立体），在眼前提供了一块额外的显示屏，进行信息的显示，有的还安装了第一人称摄像头，可以进行录像和简单图像识别。方案硬件成熟度较高，成本较低；第二代则是以HoloLens为代表，具备空间识别与追踪能力的3D信息显示，虚拟信息叠加在真实空间，显示效果更好，但硬件成本高，还不太成熟。

当前AR工业应用产业链还没有明确分层，工业需求可能涉及到软、硬件等多层面的修改，远未标准化，厂商都需要向工业企业提供整体解决方案。因此，国内外AR工业企业中，自身具备AR硬件研发的企业较多，可以针对需求迭代修改AR硬件产品。也有一些企业基于第三方硬件，如EpsonBT350、微软HoloLens开发工业应用。

AR工业应用主要面临的问题。

AR在工业的应用目前以试点和小范围案例为主，尚未批量应用，原因有多方面：

方案产品形态远未标准化，企业各异的需求需要同时涉及硬件研发、图像算法、网络开发、移动开发等方面，还需要深入理解工业具体工作流程，项目执行难度大，速度慢；

AR信息显示需要对接工厂数据系统，需要企业信息系统数据的打通和完善，很多企业信息化还不完善；

整体AR工业应用作用，投入产出偏低，功能有限，不解决刚需，企业意愿不强；

图像识别相关功能对于AR工业应用价值较大，但技术目前偏弱。

4.数据智能分析与应用

大数据在工业有多种应用方式。

工业大数据：大数据技术兴起后，诞生了一批以工业大数据应用为核心应用方向的企业，开展在工业的各个领域的应用，推出了一系列智能预测和分析解决方案。工业大数据主要应用方向有：预防性维修、智能生产优化、智慧供应链、智能营销等。报告主要讨论其中侧重生产环节的预防性维修和生产环节优化。

以IMS机械工程博士为核心团队，提供智能运维整体解决方案，主要在风电、轨交、机器人、数控加工等行业有成功案例。基于大数据平台，提供端到端的大数据整体解决方案，已服务新能源、石油天然气、电子制造、工程机械、环保、生物制药等领域。

观为监测，新三板企业，专注于工业运维领域的大数据预知性维护服务，已服务能源电力、智慧城市、石油化工、港口地铁以及军工等行业客户。

（1）预防性维修

预防性维修主要面向设备的运用环节。工业运维经历了4个阶段，目前已经从事后维修，逐渐向预防性维修发展。预防性维修可以有效减少设备停机，提高设备利用率，避免停机损失。

预防性维修主要依赖于数据和建模。建模过去主要有两种思路，一种基于机理辨别，对未知对象建立参数估计、进行阶次判定、时域分析、频域分析或者建立多变量系统、进行线性和非线性、随机或稳定的系统分析等，试图揭示系统的内在规律和运行机理；另一种则是基于AI相关的灰度建模思路，利用专家系统、决策树、基于主元分析的聚类算法、SVM和深度学习等深度学习相关方法，对数据进行分析和预测。

典型案例：天泽智云/阿里云ET工业大脑——风场智能运维系统

问题：传统风力发电机常在故障发生后“亡羊补牢”，维修复杂、周期长、成本高。

方案：利用传感器对风机进行实时监控，嵌入故障预测和异常监测模型实时分析，能够判断具体哪一个部件有什么样的风险，接下来会出现怎样的故障模式。再以预测性的视角进行排程，同时对风速进行实时预测，可以选择在风小的时候停下来进行维护，风大的时候尽量保持发电。通过结合维护排程优化的模型能够把整个维护过程当中的损失大幅降低。

结果：某海上风场，机械类故障提前28天早期预测，巡检效率提升30%以上，维护成本降低30%以上（天泽智云）；提前识别风机的潜在故障，变大修为小修，预计运维成本降低30%以上（阿里云ET工业大脑）。

（2）工业大数据用于生产过程优化

主要面向企业的生产过程。在制造过程数字化监控的基础上，用大数据、人工智能算法建立模型，研究不同参数变化对设备状态与整体生产过程的影响，并根据实时数据与现场工况动态调优，提供智能设备故障预警、工艺参数最优推荐，降低能耗，提升良品率等一项或多项功能，对于一些危险生产行业，还能用于控制降低风险。概括起来即：提质、增效、降耗、控险。

由于企业的生产过程，也是生产设备的运用过程，因此具体开展业务时，大数据分析企业主要依据客户企业需求提供整套方案，不进行明显区分。

典型案例：阿里云ET工业大脑——中策橡胶生产优化

问题：中策橡胶在橡胶密炼（橡胶生产的核心环节）过程中的能耗和次品率受原
材料及生产环境影响很大，导致综合生产效率波动大，生产成本控制难。

应用：阿里云将ET工业大脑应用于橡胶生产环节，根据密炼过程参数实时数据构造训练数据（如：排胶时刻的特征、胶料监测结果等），建立决策树模型，推荐最优的工艺参数，最终降低能耗，提升良品率。

结果：通过最优参数推荐，优化密炼工艺，提升混炼胶平均合格率3%-5%。

工业大数据应用现状。

目前工业大数据仍主要集中应用在能源、轨道交通、军工、电力等重工业行业，尤以风电行业居多。近两年，也开始向3C、新能源行业应用，但总体还不多。工业大数据当前主要以特征分析方法为主，也开始引入机器学习相关技术。

工业大数据面临几个核心问题：

数据采集：国内部分企业的设备没有使用国际标准工业协议，设备数据解析成本高。很多工厂的网络条件也不好，数据传输受到影响。

市场教育：工业企业在大数据实施路径如何选择、投入产出如何评估、业务流程如何配合等方面都普遍存在困惑。

快速复制：工业大数据通常以项目形式针对个案具体分析，难以快速复制和扩展，商业角度看增速较慢。

部分国内工业大数据企业融资情况

为适应企业的需求，工业大数据的服务方式在两个方向不断发展。

开放的工业互联网云平台：大数据服务企业，从单纯的算法分析，逐渐将算法和服务开放化，平台化，最终向互联网云平台发展，为企业提供上云和数据分析服务。
封闭的企业经验库系统：出于数据安全性考虑，大型生产企业会在内部构建私有云经验库系统，将全厂数据平台打通，沉淀并对数据分析，将企业的经验固化起来，构成企业的经验库系统，成为企业的重要竞争优势。

工业大数据演化进程

工业大数据只是解决工业各种问题的众多方法中的一种，能对部分问题进行优化改善，工业生产中很多更核心的技术研发、工艺、人员管理等问题，并不能指望工业大数据解决。

通过数字化双胞胎迈向更高阶段智能化。

数字化双胞胎DigitalTwin:

在工厂全面数字化的基础上，产品研发类企业通过数字化双胞胎，从而实现更高阶段智能化迈进。数字化双胞胎以数字化方式为真实产品、设备、工厂等物理对象创建虚拟模型，模拟其在现实环境中的行为特征，创建对应的仿真数字化模型，完整真实在数字世界中再现整个企业，使企业在实际投入生产之前即能在虚拟环境中优化、仿真和测试，在生产过程中也可同步优化整个企业流程。数字化双胞胎具体包括“产品数字化双胞胎”、“生产工艺流程数字化双胞胎”和“设备数字化双胞胎”三个领域。

典型案例：吉利汽车花了两年多实施基于数字化双胞胎的数字化工厂，已经有两个基地采取到了数字双胞胎技术，实现了成本的降低，生产过程的优化和产品质量的提升。明年吉利会对所有新生产线全部使用数字化双胞胎理念建设。

5.工厂与消费者、行业的连接

基于数字化智能柔性生产和大数据驱动的供应链，C2M模式直接连接消费者和工厂，提供产品的个性化定制成为可能。C2M消除了传统中间流通环节导致的信息不对称和种种代理成本，极大降低了交易成本。使企业可以零库存生产，拥有充足的现金流，同时实现管理自动化，减少财务费用和管理费用。

C2M典型案例有酷特智能的西装个性化C2M定制平台酷特云蓝，海尔CosmosPlat个性化定制平台等。酷特云蓝：消费者可以自由输入自己的体型数据和个性化需求，支持全球客户DIY自主设计，自主决定工艺、款式、价格、交期、服务方式，自己设计蓝图，提交订单后七个工作日交付成品西服。

从行业内部看，一些行业领先装备制造企业，一方面实现自身工厂的智能化制造，一方面基于自身的设备物联网功能，逐渐汇集和整合行业的设备数据，搭建行业大数据平台，并吸引产业上下游共同参与构建本行业互联网云平台生态系统。以注塑机厂商博创智能为例，其发展路径如下图所示。

制造企业向互联网云平台发展。

互联网云平台迎来新机遇。

从大环境看，工业信息化产业链的分层和聚合，工业企业上云的发展，先进工厂的能力输出等，促使工厂的信息化和智能化朝着工业互联网平台发展。

基础技术发展充分，行业本身降本增效、转型升级的需求，国家层面的大力推动，三大因素共同推动工业互联网平台迎来重大机遇。

尤其国家层面当前在大力推进工业互联网平台建设。2018年也是工信部提出实施三年行动计划的第一年，预计相关政策和措施将逐步推出，具体将沿平台培育、试验验证、企业上云、工业APP培育四大方向开展。

几大因素推动工业互联网平台迎来新机遇

互联网云平台标准架构。

工业互联网平台及工业物联网尚无公认的准确定义，目前市场号称工业互联网平台已经很多。一般认为，工业物联网/互联网分为IaaS、PaaS和SaaS三层。工业互联网产业联盟编写的《工业互联网白皮书》中，对工业互联网平台功能架构定义如图所示。

工业互联网云平台标准架构

互联网云平台四大类参与企业。

目前的工业物联网平台已经有很多，参与方大体分为四类，生产制造企业，工业装备企业，工业软件企业和IT技术企业。

互联网云平台概念范围区分。

根据各工业互联网云平台概念范围大小不同，亿欧智库将其概念范围由小到大划分成三个层次，分别是工业物联网（IndustrialInternetofThings）、工业互联网平台和工业综合互联网平台。

工业物联网/IIOT

以设备联网、数据分析和应用开发为核心，包含IaaS和PaaS层部分。是工业互联网的基础，但不含上层SaaS部分内容。例如国外著名的GEPredix，PTCThingworx等。主要构建工厂、客户、开发者的生态。

工业互联网云平台

在IIOT基础上，包含了SaaS层部分，将工厂各种相关运营、管理的云服务都纳入进来，实现了产品全生命周期运维的上云化。用友精智云、富士康BEACON都属于此类。生态中增加了企业上下游各种合作伙伴。

工业综合互联网平台

在工业互联网云平台基础上，增加了工业B2B对接、产品个性化定制等功能，构建工厂和用户、不同企业间基于网络的大生态。航天云网，海尔等属于这种。

不同互联网云平台类型分布。

互联网云平台的现状与未来。

工业互联网平台还可以分为综合云平台和行业云平台，其中行业云平台面向特定行业，将行业内相关企业聚集在平台，固化行业知识，促进行业内数据分析与信息对接。广义的工业互联网平台很多，但具备完整IoT数据接入，大数据分析，集成应用系统SaaS的平台并不多

工业互联网云平台具体实施大概分成三种：面向工厂定制解决方案；工厂自助接入与自助开发；数据共享与开发者生态。目前大部分工业互联网实施方式处于第一种方式，即以面向工厂的整体解决方案的方式实施，很多以私有云的方式部署。国外第二种也比较多，但目前国内开放软硬件交由企业自行接入云平台，对很多制造企业而言实施有难度，应用并不多。第三种方式只有极少数平台做到。

工业互联网当前面临的主要问题：

难以接入数据：由于标准不统一等问题，设备数据接入网络还存在诸多问题，数据缺失为上层应用带来了诸多困难。

难以构建生态：数据的全面上平台有难度，数据上平台后，构建开发者生态也有相当的难度，当前数据分析开发者还很少。
投入产出不一定成比例：整套方案实施复杂，但收益很多时候难以清晰计算，有可能不如换生产设备实际价值更大。

过去两年工业互联网云平台主要是大公司在探索，大公司试点阶段，很多公司将过去的自身能力沉淀和输出，逐步整合成平台开放出来。未来将主要是推广阶段，相当一段时间内，工业互联网平台将会是各种概念混杂的状态，也将从综合云平台演化出越来越多的行业云平台。2018年开始，工信部也将认定10家国家级平台和多家行业平台，中小企业未来或将逐步加入以上云平台，但总体工业互联网云平台的落地可能远不如想象的快。

五、先进制造新势力的机遇与挑战

5.1工业机器人新势力的机遇与挑战

（1）长短期市场机遇都在

机器人新势力的机遇：

长期市场前景看好。中国已经是世界几大制造业大国之一，很多行业有完整的产业链配套，制造业发达。但随着中国人口老龄化加速，劳动力成本升高及年轻人择业观的变化，工厂的劳动力成本越来越高。与此同时，伴随着中国制造业转型升级，消费升级，市场对产品一致性和品质的要求提高，两方面因素将长期共同推动中国制造业机器换人。长期看，未来机器人市场可能是千亿级市场，国内替代的机会还很大，且国内企业如果能够突破核心技术，将可能扭转产业地位和话语权，能够占据的市场空间也将显著增加。

短期市场空间存在。虽然国外机器人已经占据了汽车等重型机器人的主要市场，但近几年出现的3C电子市场等新兴增量市场，国外厂商响应不及时，个性化服务跟不上，且新兴产业对产品的技术要求稍低，给了国产机器人凭借价格和服务优势抢占市场的机会。随着这些新兴增量市场的快速增长，能够助推国产机器人厂商快速崛起。随着国产机器人产业的加速，有望进一步拉低机器人价格，使更多行业机器人的投资回报期突破2-3年的接受门槛，逐步释放更多新的行业应用场景。

（2）资本和算法助推新的机会

资本和国际贸易战为企业破局恶性循环带来了机会。过去的市场环境下，企业为生存优先做系统集成，即便自主研发产品，由于核心零部件外购，产品性能不达标同时价格又高，导致没有竞争力，销量少，没有充足资金继续研发，形成恶性循环。有了资本的支持，企业可以销量不好的情况下，持续投入研发，掌握核心技术，同时改善企业用于垫付项目的现金流，加速企业的市场拓展。4月份中兴事件和国际贸易战，则让很多下游企业意识到了自主核心技术的重要性。为了避免完全受制于人，他们也将适当比例采购国产产品，为国产产品研发提供资金支持。国家层面各种政策也在向先进制造领域倾斜。

算法软件侧机会更大。很多机器人新兴技术与软件、算法相关，中国在相关领域人才也很丰富，只是之前进入工业领域的较少，如果人才和资金到位，中国在软件相关领域赶超国外厂商机会很大。

（3）并购为行业带来新机遇

最近几年，机器人领域并购热潮兴起，越来越多制造企业开始布局智能制造，或并购机器人相关核心技术。作为资本的重要退出通道，并购的增多有助于促进资本的入场，对于机器人行业也是好的机遇。

2014年以前，机器人相关并购很少。2015年开始，国内机器人相关并购金额和企业数量都在持续增高，并且被并购企业的估值也在逐步上升。不过大部分的被并购公司估值在1亿到10亿之间，总体而言并不高。

国内机器人并购大概分为本体企业收购集成商、行业装备厂商/集成商收购本体企业、产品生产企业通过收购全产业链布局机器人等几种，其中，据亿欧智库统计，行业装备厂商/集成商收购本体企业的情况占到了并购总数的约50%。随着机器人在各行业应用增多，未来行业集成商并购机器人厂商的可能性较大。

（4）海外并购曾掀起高潮

2015年之前，国内企业在海外的机器人相关并购比较少，2016年，以美的近300亿元收购库卡为标志，机器人相关海外并购掀起高潮。2017年国内企业在海外的并购有所回落，但总量仍然不少。相比于国内的收购，国外被收购企业的估值总体要高一些，且估值分布更为均匀，超过10亿元的仍然很少。（4）海外并购曾掀起高潮

从收购目的看，收购上游核心技术（控制和视觉）、下游集成应用成为海外并购主要目的。据亿欧智库统计，两者合计约占73%，其中核心技术41%，下游集成32%。随着国内部分有实力机器人企业完成布局，可选标的减少及国际贸易摩擦加剧，中国企业的海外并购或将放缓。

（5）上游核心技术和行业集成商被并购机会大

通过近两年的一系列海内外并购，一些国内生产加工企业和机器人企业初步完成了产业链上游和下游的布局。

未来随着机器人行业应用的增多，重点行业有影响力的集成商和上游核心技术厂商，成为被并购标的的机会较大。

市场发展速度和空间是主要挑战。

市场空间小且碎片化严重。短期内，整个中国机器人市场在百亿水平，但其中大部分是存量市场，且被国外厂商占据，新兴增量市场总空间还比较有限，全行业年均增长率在30%左右。在有限的空间内，整个机器人市场呈现极度碎片化状态，大量出货来自各种集成商，行业头部企业和后面企业差距不显著，单个公司能够占据的市场份额较小。

发展速度慢。机器人的行业应用场景随企业需求需要进行个性化定制，通用性不好，项目实施周期长，产品稳定性要求高，要经过长期的运用测试，新兴机器换人场景扩展慢，所以机器人公司无法实现几何级数增长，增速相对较慢。但行业相对慢的发展速度，也给了企业，耐心做好技术产品的时间。

市场窗口期有限。轻工业，尤其是3C电子、新能源领域近两年出现的巨大机器换人增量市场，带动了行业的快速发展，一批相关企业也在过去两年加速入局。但3C电子等领域目前增速已经开始放缓，未来新增需求增速将放缓，而之前积累的需求，伴随着未来2-3年相关企业的产品投入市场和产能释放，供需关系或将逐渐平衡，一批公司在此过程中实现增长，行业市场格局将基本明确。今明两年将迎来新兴企业的市场验证关键期，也是这一波新公司机遇的最后时间窗口。

技术应用空间和积累仍是挑战。现有的技术略超前市场。人机协作、自由路径AGV、复合机器人等新技术主要优势都体现在柔性化和更高的适应性，但目前大量工厂的产线工艺路线和产品不经常变化，需要柔性化产线的工厂数量在增长，但总体比例还不高。

基础积累的缺乏难以短期弥补。中国机器人行业的技术落后，尤其是核心机械零部件的落后，涉及到上游相关的材料、工艺等，之前国内缺乏相关基础研究和技术积累，短期难以超越。

5.2工业视觉新势力的机遇与挑战

（1）机器人3D视觉的机遇

市场需求明确。 短期内，物流、 3C等行业对机器人3D视觉的需求在快速增加。长期看，整个工业生产流程中，加工的自动化程度已经很高，但上下料和物流搬运方面自动化程序还较低，还有很大的提升空间，而这些都需要依赖视觉来实现。

国内供应相对空白。 3D视觉之前主要由国外厂商提供，价格较高，而国内厂商相对空白。近两年已经有一小批国产厂商推出了产品，在价格方面相对国外有明显优势，不过整体市场还没有性价比、功能都完全符合市场需求的产品。各家基本处于相差不远的同一起跑线，共同开拓相对空白的市场。

资本关注度高。 机器人3D视觉涉及到人工智能和智能制造两大热点投资领域，技术门槛高，团队背景好，吸引了资本的高度关注。资本的投入有助于推动企业的快速发展。

（2）机器人3D视觉的挑战

技术仍旧难以完全满足需求。 3D视觉整体功能还比较有限，只能应对各种场景中的很小一部分，大量的需求场景，如随机物品抓取，当前技术水平还很难有效解决。工业现场对可靠性、工作速度的要求，也使得很多机器人3D视觉的方案难以投入实用。机器人对环境本身的识别方面，技术研究也相对较少。

整体市场空间不大。 由于应用场景比较局限，当前机器人3D视觉的市场空间总体还不大。

面临巨头的挤压。 工业视觉领域已经有康耐视和基恩士两大巨头，国内也有海康等企业密切关注，新公司面临巨头挤压。

相关人才缺乏。 熟悉工业业务流程，又了解机器人3D视觉技术的人才很少。

（3） AI图像检测的机遇

新兴增量市场。 AI的引入，增强了图像识别和检测的能力，尤其是缺陷检测能力，使不少过去不能用机器解决的问题得到了解决，释放了一波新的市场空间，在半导体、 3C、新能源、纺织等领域产生了较大的机会。

资本关注度高。 同机器人3D视觉一样， AI图像检测以同样的特点吸引了资本的高度关注。

（4）AI图像检测的挑战

面临传统视觉厂商的挤压。 缺陷检测形成产品涉及到很多工业流程本身，产品形态很多以专用设备的形式存在，单纯AI算法在整个产品中的占比并不多，将AI算法引入图像视觉领域并非难事，传统视觉检测相关厂商优势更大。 AI的算法调优也依赖数据的积累，传统公司在数据积累方面优势明显。

技术还有提升空间。 在未知缺陷检测等方面， AI仍旧完全无法与人相比， AI也还只能检测出缺陷，缺少分析和解决缺陷的能力 。

（5）工业数字化与智能化的机遇

非常好的产业基础。 中国作为世界工厂，制造业门类齐全，产业链完善，相关企业数量巨大，智能制造市场空间大。中国的互联网技术
处于全球前列，相关人才、资金、公有云、通信网络等IT基础设施都非常完善，也为工业互联网、物联网的发展奠定了不错的基础。

政府的大力支持。 《中国制造2025》 发布以来，中央及各级政府陆续出台众多政策支持和发展工业互联网与物联网。中国电子学会、中国信通院、工业互联网产业联盟等一系列行业组织也在牵头各项标准的制定。

（6）数据和市场扩展仍是挑战

数据依然是非常大的挑战。 工业领域基本沿着自动化、信息化、网络化、智能化的方向发展，后一步需要以前一步的完成为前提，数据是智能化的基本前提。但中国大量制造企业还处在发展自动化的阶段，数据基础薄弱。而且各种设备和信息化软件厂商的数据接口不统一或不开放，导致即便有数据，企业的数据也难以有效的打通。出于保密等原因，很多企业不愿将数据给到第三方，很多工业互联网项目多以私有云的形式整体交付工厂，将工厂很多数据上到公有云难度较大。

投入产出核算问题。 工厂的整体数字化和系统化改造成本不低，目前在规模大的制造企业，尤其是大型重工业和民营行业龙头企业应用较多。但这些大型制造企业在制造企业中数量占比非常小，对市场上大量的中小型制造企业而言，数字化、智能化改造投入产出不如机器换人价值更清晰或者更大。

市场个性化差异大，推进慢。 由于不同工厂情况各不相同，项目经验难以复制，整个行业扩展速度较慢。

前言

近几年，随着《中国制造2025》的发布，以及中国制造业整体的转型升级，智能制造加速发展，不少细分领域都孕育着新机遇。尤其是最近一两年，人工智能、物联网等新技术也开始向工业领域渗透，一批先进制造相关创业公司获得了资本的支持，在多方因素推动下，先进制造领域或将迎来新的变局。

如今先进制造领域新势力都有哪些，又将如何推动智能制造业的发展，存在哪些机遇与挑战？为了回答这个问题，金准人工智能专家选取了先进制造领域中的先进机器人、工业视觉以及工业互联网/物联网几个重点方向，通过对数百家相关企业的梳理与研究，以及与相关投资人、从业者深入交流，提炼整理了这些领域中主要的新兴公司及新兴产品技术方向，对这些新兴领域的发展现状进行了分析，总结了其各自发展的机遇与及挑战，希望能够对行业人士有所帮助。

一、智能制造之先进制造研究背景

1.智能制造是《中国制造2025》的主攻方向

在信息化大背景下，工业与信息化的融合，催生了新的工业发展形态。各主要工业国为此分别提出了各自的新型工业化战略：德国提出工业4.0，美国提出先进制造业发展计划，日本提出工业价值链等。

围绕实现制造强国的战略目标，经李克强总理签批，国务院于2015年5月19日正式印发《中国制造2025》。《中国制造2025》是我国实施制造强国战略第一个十年的行动纲领，主题是促进制造业创新发展，中心是提质增效，主线是加快信息化和工业化深度融合，主攻方向是智能制造。

2. 智能制造十大关键领域及重点方向

相比于已经有完善工业体系，重点大力发展互联网的德国、美国，中国制造业大而不强，在基础材料、基础工艺和产业技术等基础领域还有待提高，中国制造业企业有的尚处在工业2.0阶段，部分达到3.0水平，“中国制造业2025”的重点既需要谋划工业4.0、抢占技术高地，还需要弥补基础不足和历史欠账。

智能制造细分概念范围很广，涉及很多行业，报告重点关注其中先进制造，即智能化生产部分。智能化生产由下而上大致分成感
知、传输、设备、工厂、行业五层，本次报告重点关注其中当前相对热门的部分，即下图橙色部分，大体分为三类：工业机器人、工业视觉、工业数字化与智能化(数字化工厂、工业大数据、工业互联网云平台等），关注这些领域近几年的新兴技术及发展方向，涉及相关新兴公司、新兴技术产品或新兴探索案例。重点探讨这些领域的新方向在哪里，当下发展情况如何，面临的机遇与挑战等。

先进制造的领域划分

二、三大因素推动国内工业机器人市场快速发展

1.市场整体需求上涨

2010年以来，全球工业机器人的市场需求稳步增长，据国际机器人联合会金准统计，2011-2016年间，工业机器人市场平均以每年12%的速度增长，尤其2016年增速达到16%，创历年新高。

中国近几年已经成为全球最大的机器人市场，占全球销量接近1/3。中国机器人市场近几年增速也显著高于国际水平。据金准统计，2014年以来，中国机器人市场销量年均增长率接近30%。金准人工智能专家预计2018年中国市场工业机器人销量将超过15万台。

2017年，国内外机器人厂商和核心零部件厂商都出现了延长供货期的情况，整个市场出现供不应求状态，国内外机器人及核心零部件厂商2017年都在投资扩大产能。行业多信息渠道都反映，2017年多家机器人厂商销量较去年实现了翻倍，最终数据可能高于预测值。

国际上3C和电子设备是仅次于汽车的第二大机器人应用领域，且逐年份额上升，2016年时达到31%（金准）。而据高工产业研究院金准统计，2017年中国工业机器人需求量前两大行业汽车（整车及零部件）和3C电子，市场占比分别33.25%、27.65%。相比2016年，3C电子行业市场占比增长了4个百分点，但距离全球水平仍有差距。

中国3C市场的需求预计还将高速增长。我国是全球3C制造业中心，产能达到全球的70%，但自动化设备渗透率很低，约15%-25%。虽然3C市场本身增长趋于平稳，但市场存量庞大，且产品更新换代快，设备换代速度也在加快，近些年3C行业固定资产投资增速远超行业增速，释放出巨大市场机会。随着近两年技术水平提升，加上性价比和本土化服务优势，国产机器人抢占3C领域增量市场的机会巨大。除了3C，中国还有数量庞大的劳动力密集型产业，在人口红利逐渐消失，且国内市场定制化需求高的情况下，给机器人带来了巨大的市场机遇。

2.国产替代加速

机器人本体方面，过去我国机器人市场主要被四大家族：ABB、库卡、发那科、安川占据。近两年国产机器人发展迅速，市场份额有所上升，但离四大家族差距仍明显。随着国产机器人技术产品水平持续进步，国产机器人逐步替代国外产品的空间还很大。

核心零部件占据了机器人成本的70%左右，国外品牌依然占绝对主导。以减速器为例，纳博特斯克和哈默纳科市场份额逐年小幅下降，但2016年时仍旧占据73%的市场份额。近两年一大批国产减速器量产上市，并开始获得国产机器人本体厂商的应用。伺服系统国外市场份额达到75%，控制器市场国外市场份额50%左右，仍有很大的国产替代空间。

3C行业对小负载机器人的需求量上升，且对机器人性能要求稍低，也给了国产机器人很好的抢占市场的机会。

3. 新兴技术产品

随着技术本身的进步，机器人也在朝着更强的感知能力、柔性控制、网络协作等方向发展。中国在感知、认知等技术方面创新氛围和资本环境较好，与国外起点接近，使得国产机器人在新技术方面有很大机会。

以下列举了5个近几年的重要机器人新兴技术产品方向。其中前4个后文会具体介绍。软体机器人科技与柔触科技的柔性夹爪在食品行业应用较多，但总体市场可能还不大。此外，工业视觉与机器人也是近两年重要新兴方向，将主要在报告第三章介绍。机器人多机协同作业也是重要发展方向，不少国内企业，如正特股份、格力智能、沃迪智能等都展示过的相关案例。

三、工业机器人五大新方向

综合市场层面和技术层面各因素给机器人市场带来的变化，金准人工智能专家认为机器人领域应当重点关注五大新兴方向：

1.轻型工业机器人

在中国制造产业升级，机器换人的大背景下，近两年，3C、家电、食品等众多行业对机器人需求显著增长。负载10kg以下的小负载多轴机械臂、DELTA并联机器人、SCARA机器人、协作机器人等过去相对小众、销量较少的轻型工业机器人，在这类行业应用较多，近两年都实现了显著增长，复合增速普遍在40%以上，高于工业机器人整体增速。

以并联机器人为例。据金准数据，2016年中国市场并联机器人销量3600台，预计2017年销量达到5100台，同比增速超过40%。而据金准数据，2013年时中国并联机器人销量还只有493台。SCARA机器人也出现类似情况。据金准数据，2013年时SCARA机器人中国销量只有4262台。而据金准数据，2014-2017年期间，SCARA机器人年均复合增长率为47.45%。2017年，中国市场SCARA机器人销售量2.3万台，同比增长75.57%。

随着中国年轻劳动人口逐年减少，以及越来越多的年轻人不愿意在工厂当工人，中国未来或许有越来越多的行业将开始应用机器人。

11-13年之前，国产轻工业机器人较少，13年以后，新松，华盛控等，翼菲自动化等越来越多国内厂商开始推出轻型工业机器人，不过目前SCARA、DELTA等较成熟的机器人，市场仍占主要由国外厂商主导。据金准数据，16年国产DELTA机器人市场份额只占25%左右。

但近几年国内轻型工业机器人发展迅猛，诞生了一批技术能力较强的新兴机器人公司，如珞石机器人、李群自动化等，获得了资本的助推，发展迅速。国内新兴机器人厂商产品性能逐渐逼近国外机器人，凭借着较低的价格、能够针对国内需求进行个性化定制的能力，快速扩展市场，并逐步抢占国外产品市场。李群自动化曾表示，17年上半年订单销售额同比增长了5倍以上。

最近几年，资本对轻型工业机器人的热情在增加，不少轻型工业机器人企业（不含协作机器人企业，后文专门介绍）获得了融资。

部分国内轻型工业机器人企业。

近几年获得融资的轻型工业机器人中，除了协作机器人，不少是并联机器人。并联机器人发展较早，09年左右发那科就推出了M-3iA系列。11-13年左右，新松、华盛控等也推出了一批产品。当前市场上既有上市公司，也有新三板公司，还有成立较晚，但在近年获得了融资的阿童木机器人、翼菲自动化等公司。

并联机器人四大技术指标：自身的重量，负载，重复定位精度，节拍速度，分别决定了机器人安装的难易程度，运用范围的广度、动作完成的标准度以及完成工作的速度。国产并联机器人精度、自重、节拍速度等方面已经接近ABB等国外厂商，大负载方面还有些差距。

大负载和视觉是近年并联机器人的主要发展方向。之前大部分并联机器人负载小于6KG，近两年也开始出现更大负载的产品。视觉可以帮助机器人实现有选择的分拣与搬运，是并联机器人另一个发展方向，发那科的机器人很早就嵌入了视觉功能，国产机器人在视觉方面比国外还有差距，但也在迅速追赶中。

国产并联机器人性能接近国外产品。

2. 核心零部件国产化

精密减速器将伺服电机输出的转速降到工业机器人各部位需要的速度，提高机械体刚性的同时输出更大的力矩，主要应用在工业机器人关节上，确保工业机器人很高的定位精度和重复定位精度。与通用减速器相比，机器人关节减速器要求具有传动链短、体积小、承载能力大、质量轻和易于控制等特点。

大量应用在关节型机器人上的减速器主要有两类：RV减速器和谐波减速器。两种减速器中RV减速器应用较谐波减速器更多。

RV和谐波减速器厂商增多。

减速器出货取得突破。

前几年，世界精密减速器75%的市场被日本的纳博特斯克（Nabtesco，后文简称纳博）和哈默纳科（HarmonicDrive，后文简称HD）占领，其中纳博生产RV减速器，约占60%的份额，HD生产谐波减速器，约占15%的份额。住友、新宝等国外品牌也有一定的份额。

近两年，伴随着中国市场工业机器人销量持续高速增长，对核心零部件减速器的需求也迅速上升，但纳博和HD对市场的响应不够快，导致2017年国内减速器市场出现了交货期延长的缺货情况，给了国产厂商难得的机遇。同时，由于新增需求很多来自小负载机器人，对减速器的要求较之前的大负载机器人产品稍低，也给了国产减速器厂商有利的机会。

难得的市场窗口期，加上过去2年的产品测试和磨合，2017年，国产减速器市场取得了较大的实质性突破。国产主要减速器厂商销量增长明显，几乎都实现了翻番，也有多家一线国产机器人本体厂商开始批量采购国产减速器产品。

2017、 2018年部分减速器厂商业绩情况

减速器产能在加速扩张

面对2017年显著的市场需求，纳博以及国内不少减速器厂家也都在加紧扩张产能。不少新兴厂商、高校企业联合体、甚至军工企业，也趁机加入到了减速器的竞争中来。例如宏远皓轩和北京工业大学联合成立了高精密谐波减速器联合研发中心；中船重工707所推出了机器人用RV减速器；苏州奇步机器人推出了非RV和谐波的QB构型减速器，在减小体积和重量的同时达到了较大的减速比，瀚晟传动也研发了非RV和谐波的MRG传动技术。随着入局厂商增多，市场竞争无疑将加剧。2018年，来福谐波获得了近亿元A轮融资，资本也开始助力市场加速。

总体而言，虽然近几年我国制造业企业的实力普遍在上升，国产减速器厂家已经可以购买与纳博、HD相同的高端设备，但在设计、材料、热处理、加工工艺等方面，国内厂家还存在不足，体现在产品的噪音、寿命、温升、传动效率等方面，比起国外产品还是有差距。不过随着市场加速发展，国产产品和国外产品的差距或将逐渐减小，国产替代的序幕初步拉开。

2017,2018年部分减速器厂家产能扩张计划

伺服电机自主配套能力已现雏形。

电动伺服驱动系统通常由伺服电机以及伺服驱动器组成，是工业机器人的必不可少的关键零部件，是利用各种电机产生的力矩和力，直接或间接地驱动机器人本体，以获得机器人的各种运动的执行机构。伺服电机主要可分为交流伺服系统和直流伺服两大类。多轴工业机器人主要使用交流伺服系统，协作机器人则多使用直流伺服系统。

有数据显示，目前国外品牌占据了中国交流伺服市场近80%的市场份额。其中，日系产品以约50%的市场份额居首，欧系产品份额约30%。中国企业约占10%。最近几年，受益于工业机器人市场整体快速增长，国产伺服也迎来新的机遇。

据高工机器人网，当前，我国伺服电机自主配套能力已现雏形，产品功率范围大多在22kW以内，技术线上与日系产品接近，较大规模的伺服品牌有20余家，如汇川技术、埃斯顿、广州数控等。但伺服核心技术，信号接插件的可靠性，多圈绝对值编码器严重依赖进口等问题，还需要国产厂商持续努力。

控制器与国外差距最小。

机器人控制器由机器人控制器硬件和控制软件组成，是机器人控制的核心大脑。控制器的主要任务是对机器人的正向运动学、逆向运动学求解，完成机器人的轨迹规划任务，实现高速伺服插补运算、伺服运动控制。机器人核心零部件中，控制器、软件一般由机器人本体厂家自主设计研发，是本体厂商自己掌握的核心技术，国外各大品牌机器人均采用自己的控制系统。国内机器人本体厂商过去比较欠缺控制技术，近年来通过自主研发或海外并购的方式，补全控制技术。

国内企业机器人控制器产品已经较为成熟，是机器人产品中与国外产品差距最小的关键零部件。国产和国外厂商基本平分市场。由于硬件大多都是外购，几乎都能买到相同的硬件，软件往往成为工业机器人控制器的核心，国内机器人控制器和国外厂商的差距，也主要在控制算法和二次开发平台的易用性方面。

除了固高科技、卡诺普、众为兴等传统机器人控制器厂商在持续提升产品，近几年也有不少国内新兴机器人公司，从控制器出发，进入机器人本体领域，如珞石机器人、智昌集团等。17年9月，智昌实业控制器一经发布，川崎机器人便与其签订了1000台的采购合同。

控制器向驱控一体发展

在自动化应用水平逐步提高的趋势下，用户对控制系统和伺服驱动系统的需求越来越多样化、细分化、个性化。为使伺服驱动系统的设计更加功能化，驱动控制一体化成为伺服驱动系统的新发展方向。目前市面上的控制柜，驱动器和控制器处于分离的状态。驱控一体具体指集成运动控制器、驱动器控制电路、工控机管理功能、示教盒的CPU处理及安全控制卡功能为一体的运动控制器。驱控一体化的控制柜占用空间更小，成本更低，对于在向小型和轻量化发展的轻型工业机器人，有比较大的价值。

驱控一体的优势：

节约空间，轻型机器人的轻量化对空间要求在变，驱控一体刚好可以节约空间；

成本降低，部分行业人士表示，驱控一体的产品，成本可以降低20-50%；

性能更好，通过高速通信，控制系统直接获取机械臂各种信息，能够做到反馈提前，从而把工作做得更好。

驱控一体的三个级别

驱控一体整体还在初级阶段。

国外桌面型机器人做的比较好的企业，如雅马哈、发那科等，都是用的“驱控一体”设备。国内近两年也有很多企业开始推出驱控一体的产品。

做驱控一体的产品，企业必须同时具有控制系统和驱动器的开发能力。然而，国内能够单独将控制系统或者伺服电机驱动器做好的企业本来就不多，而要把两者整合到一起，对企业来说更是难上加难。不少国内企业的驱控一体多停留在硬件级，做到总线级的较少。

目前国产的“驱控一体”总体处于初级阶段，主要还是小功率机器人上应用较多，在大功率级别机器人领域还是空白。此外，国内设备还普遍存在产品可靠性问题，“驱控一体”产品暂时没有达到控制系统和驱动器分离的架构的可靠性水平。随着轻型工业机器人进一步向小型化发展，或许未来轻型机器人驱控一体或将越来越多，进一步小型化，占地面积和空间进一步缩小。

部分研发驱控一体的厂商

3.人机协作

协作机器人近两年增速迅猛。

传统工业机器人使用时，为了安全，需要与人进行隔离。而协作机器人集成了安全检测功能，在遇到碰撞时，关节将沿相反方向运动或完全停止，以避免造成伤害，可以与人协同工作。1996年，西北大学的两位教授（J.Edward Colgate and Michael Peshkin）首次提出了协作机器人（cobot）的概念。2009年丹麦的优傲Universal Robot推出世界上第一台协作机器人UR5。

协作机器人可以用在工业领域，用于精密装配、检测、产品包装、拾取与放置、打磨、机床上下料等工作。同时，协作机器人并不局限在工业领域应用，还可以用在商业领域，如医疗康复、物流仓储、餐饮等。

近两年全球协作机器人市场呈现高速增长态势。行业代表企业优傲年销售额从2012年的1000万，快速增长到2016年的9500万美元，预计17年突破1.4亿美元。金准数据显示，2016年中国市场协作机器人销量2300台，同比增长109.09%。多个分析研究机构都预测，未来几年内，全球协作机器人市场有望成长为百亿级市场。

国外已经涌现大量协作机器人产品。

近几年，协作机器人已成为业界关注的焦点。14年左右开始，国外主流厂商都陆续发布了协作机器人产品。16年开始，国内机器人厂商开始发布协作机器人产品，17年新品发布显著增多。当前国内外已有不少于30家的机器人厂商推出了协作机器人产品。绝大多数协作机器人负载不超过10KG，主要用在轻工业领域。

部分国外协作机器人产品参数对比

国内近两年也诞生一批协作机器人厂商。

国产机器人部分关键参数标称性能和国外机器人已经差别不大，价格优势明显。但整体除了遨博的产品，其它很多产品2017年刚刚面世，还没正式量产出货，具体性能、可靠性和稳定性还需要时间来接受市场的实践检验。国内市场主要已经应用的协作机器人仍以优傲的产品居多。

部分国内协作机器人产品参数对比

协作机器人发展重点仍是满足市场实际需求。

除了新型协作机器人，目前很多小负载多轴机器人也在增加拖动示教、图形化编程、碰撞检测等功能，功能上在向协作机器人靠拢，应用上和协作机器人有重叠。当前协作机器人的应用，更多体现的是基于协作机器人易于使用和部署的特点，使人与机器人更友好的互动，不需要设置围栏，也能更好的应对产线的变换。速度要求更高，产线不常变动的场景，小型多轴机器人则更合适。

人机合作完成工作的应用场景目前占比并不大。人机合作工作需考虑安全性问题。ISO/TS15066标准等从设计层面就对协作机器人方面的安全性有了明确的要求，具体应用时也还需要根据情况对安全性进行评估。目前只有优傲等少数外国厂商在机器人本身设计方面符合标准并通过了德国TUV等评估，国产厂商在产品的安全性合规方面还比较欠缺。

协作机器人整体仍然朝着更易用和更便宜的方向发展，不过随着越来越多的厂商加入，对协作机器人企业而言，更重要的还是中国市场机器换人时的实际需求。

工业以外，协作机器人在教育领域应用也较多，近两年也开始在商业、医疗等领域尝试应用。镁伽机器人的协作机器人就用在了生物实验室移液上。Ufactory的协作机器臂，则被猎豹移动用于咖啡机。

工业是机械外骨骼三大应用方向之一。

机械外骨骼又称动力外骨骼（Poweredexoskeleton），是一种由钢铁的框架构成并且可让人穿上的机器装置，这个装备跟随人的肢体运动，并提供额外的助力。
机械外骨骼主要有三个方向的用途：

军事：帮助士兵更快的行走并携带更重载重，增强士兵的单兵作战能力，多以全身外骨骼为主。例如美国雷神公司研发的HULC外骨骼，已经被美军使用。中俄法等国军方也都有相关研究。

医疗康复：帮助残疾人摆脱轮椅，进行行走的康复训练。以下肢外骨骼居多，也是公司和产品最多的外骨骼应用方向。比较著名例子是日本的Cyberdyne和以色列的Rewalk，两家公司都已经上市，但股价都在16年以后持续下跌。近两年国内也有多家公司研发此类产品。

工业：提供给工人举重物时的助力，减轻长时间重体力劳动的疲劳，以全身外骨骼居多。日本松下、现代等都推出了相关产品。

外骨骼主要用于搬运和举升。

外骨骼在工业领域的产品，主要面向两大应用场景：物流搬运和重物举升。工人长期重复进行重物搬运作业，容易造成对腰的伤害，外骨骼通过减轻腰部受力，减缓伤害。工厂里举升重物工作，则容易造成对上臂的伤害。通过外骨骼也能使工人举起超越自身体力的重物，从而使一些过去依赖机械的重物搬运，通过人力更高效的完成。

工业领域外骨骼当前主要有两条技术路线，一种是以洛克希德马丁FORTIS为代表的无动力外骨骼，直接将力传到到地面，从而减轻人的负荷。一种则是以松下AWN-03为代表的有动力外骨骼，通过能源驱动电机，在搬运时由电机提供助力，从而减轻人的负荷。

有动力外骨骼是目前的主流技术路线，但技术难度高于当前机器人系统。控制方面，外骨骼需要以极高的频率柔性预测并跟随穿戴者的运动，否则会造成穿着者很大的负担，目前相关技术并不成熟，不过机器人正在向柔性控制发展，拖动示教等算法为外骨骼的控制打下基础。由于需要长时间穿戴，外骨骼对质量和续航都有要求，就需要强度高同时又比较轻的材料，以及更高能量密度的动力系统，当前的材料和能源技术都还不能完全满足要求。

工业外骨骼的整体发展还比较缓慢。

由于技术难度大，外骨骼产品研发通常都要经历较长的时间。因为直接由人穿戴，因此产品获得相关安全认证也需要不少的时间。例如雷神旗下的Sarcos正在研发针对工业应用的GuadiansXO外骨骼产品，他们告诉亿欧，GuadiansXO概念原型2017年提出，目前仍没有明确上市时间表，保守预计2019年上市。研发时间长的直接后果就是产品价格高。之前Cyberdyne的产品售价高达几十万美元，远高于机器人系统。近两年新一代外骨骼产品价格已经降到十万元水平档，但多以下肢为主，且功能依然难以完全满足应用需求。

由于上述种种原因，工业用外骨骼整体发展比较缓慢，只有少数军方和汽车公司，及国外一些创业公司有相关产品研发，试点偏多，规模化应用较少，离大规模应用还有相当距离。国内只有京东物流在2017年有所采用。但在当前AI没有取得实质阶段，机器人难以在很多复杂工作中取代人，通过机器辅助人工作，或减轻人的负担，或许是更有效缓解劳动力短缺的方式。

4.AGV新技术

近两年需求显著增加，国内厂商占据主要市场。

AGV（Automated Guided Vehicle）自动引导小车，是指通过导航自动将物品运输至指定地点的机器设备。AGV之前在各行各业的仓储和物流都有应用，以固定路径引导的搬运AGV为主，在汽车工业、家电制造等行业的应用居多。近几年电商自动化立体仓库、烟草和3C电子行业等对仓储的AGV需求显著增加。

我国在AGV机器人领域具有相当的实力，国内公司产品占据80%国内市场。最近几年AGV在以年均40%左右的速度快速增长。目前我国不少工厂在生产环节通过各式装备已经做到较好的自动化水平，但很多行业在物流环节的自动化程度还较低。

三种常见形式与路径引导方式。

常见AGV三种主要形式

AGV单机控制的核心技术：路径引导大致分为三种

为保证定位可靠性，更多厂商基于多传感器融合，混合使用多种定位技术，甚至引入了UWB、地面纹理等技术进行定位。

几种AGV路径引导技术方案对比

基于激光雷达SLAM的新企业较多。

激光雷达SLAM技术在服务机器人领域应用较多，目前也在工业物流环节应用。一批基于激光雷达SLAM技术的公司，也获得了资本的看好。不过目前激光雷达SLAM整体部署时间还偏长，价格也比相对较高，未来随着激光雷达的价格下降，成本进一步降低。为提高稳定性，很多公司混合了激光雷达SLAM和其它传感定位方式。

除了激光雷达SLAM定位导航，AGV的调度控制也非常关键。主流工业物流AGV厂商都研发了可以对接工厂MES/WMS/ERP等系统的集群调度系统。

部分国内SLAM技术AGV新兴公司情况

激光叉车已经成为主流叉车产品。

小型仓储AGV载重较小，不能解决工厂物流的全部问题。更大载重的激光导航叉车也已经成为目前的主流叉车产品。目前提供激光叉车的厂商以过去的主流工业AGV厂商为主，不过其中很多采用的是反光板激光导航，一部分采用了激光SLAM技术。

部分新型激光叉车厂商基本情况

重型AGV及无人拖车成新方向。

AGV还有几个新兴的技术方向：重型AGV、自动化无人仓、无人拖车、停车机器人，其中重型AGV和无人拖车主要用在工业物流领域。

5.复合机器人

同时具备“手”“眼”“脚”。

工业机器人中，多轴机械臂可以替代人的胳膊的功能，AGV是替代人的腿脚的功能，机器视觉则是替代人的眼的功能。近两年随着技术发展，更接近人的，同时具备“脚”“手”甚至“眼”的复合机器人开始出现，并在物料自动搬运、物品上下料、物料分拣等领域应用。相比于传统AGV等，复合机器人提供了柔性自适应的能力，代替人工将工装、工件等在车间进行周转、配送，实现工厂无人柔性化制造。

单纯将AGV和机器臂组合并不复杂，国内也有不少企业推出了相关产品，但复合机器人技术重点在于视觉系统的应用。理论上视觉的应用可以辅助定位，提高定位精度，也可以对机械臂进行视觉引导，但很多国内的复合机器人没有加装视觉，沿预先规划好的点位运动，缺乏环境交互和适应能力。

国内外产品不少，少量投入应用。

国内外企业差不多同时开始研发复合机器人。国外比较典型的复合机器人有KUKA的KMRiiwa、FETCH等，国内则有新松、海康、大族、仙知机器人等企业推出了相关产品。为了更灵活的移动能力，大部分复合机器人使用了麦特纳姆轮，负载也都较小，只有新松做到了车体负载2吨，机械手负载50KG的重载版本。

总体复合机器人仍然在测试探索的阶段，应用不多，在电商物流、工厂上下料开始有尝试性应用。主要问题：

1.大部分定位精度0.5mm甚至更低，无法实现精确的机械臂操作，只有新松标称做到了0.02mm。

2.速度比较慢，如果工序完全是固定的，简单抓取和移动不如用导轨更快捷可靠。

除工业外，优艾智合将复合机器人用于公交轮胎检测等场景。

国内外部分复合机器人公司

三、工业视觉三大新方向

工业视觉随着中国产业升级迎来快速发展。

机器视觉：通过摄取图像模拟人的视觉功能，并提取信息，加以处理，最终用于检测、测量、判断和控制。其具有自动化、高效、高精度、非接触的特点，广泛应用在包括各行各业，目前在工业中应用最为广泛，报告主要讨论工业视觉。

工业视觉的用途主要有质量检测、尺寸测量、缺陷检查、识别和定位等。电子制造行业是工业视觉最早应用的领域，也是目前最大的应用领域，应用主要集中在精密定位和检测上。汽车是目前工业视觉第二大应用行业，主要用在面板印刷质量检测、字符检测、精密测量、工件表面缺陷检测、自有曲面检测等。

世界3C制造最大的产能在中国，然而目前中国工业视觉渗透率还很低，但增速已经开始加快。伴随着中国制造业转型升级，中国产品的质量也要相应不断提高，因此用于生产过程中的精确生产与质量控制的工业视觉系统，将得到越来越高的普及和重视，迎来快速发展。

新方向主要在机器人3D视觉、AI图像检测和新型传感器三方面。

工业视觉产业链大体可以分为元器件厂商、系统开发厂商、二次开发厂商和产品代理商。高水平元器件主要被国外公司掌控，也诞生市值过百亿美元的基恩士和康耐视两家巨头公司。国内机器视觉企业主要为国外产品代理商和系统二次开发商。我国真正的专业底层系统开发商和高水平元器件厂商较少，如果能够实现全面进口替代，市场空间巨大，而且由于是核心是软件和算法，利润率也较高。

经过多年的发展，过去主要以2D图像视觉为主的工业视觉行业格局基本相对稳定，新公司的机会并不多。近几年，机器人视觉分拣的需求增长，计算机3D识别技术的进步，以及国外3D视觉产品的高价位，给国产3D视觉带来了机会。同时，由于AI技术的应用，图像处理能力提升，使过去机器视觉难以处理的缺陷检测可以被解决，在3C等领域释放出大量机会。报告重点关注工业视觉中的三个新方向：
机器人3D视觉、AI图像视觉检测和新型机器视觉传感器。

机器视觉产业链

1.机器人3D视觉

近两年在资本支持下快速发展。

相比于2D视觉在缺陷检测等领域已经成熟应用，3D视觉目前的应用相对较少，方案供应商也以国外为主，价格较高。最近两年新成立了一批国产3D视觉供应商，并获得了资本的支持，快速发展起来。

3D视觉在工业的主要应用方向有机器人视觉引导与检测两种，其中检测相对简单，近两年主要兴起的是视觉引导：

视觉引导：通过3D视觉对工件进行定位和识别，引导机器人进行抓取，用于无序分拣与堆码，上下料，焊接等。

视觉检测：将摄像头、激光扫描器等安装在机器人末端，对工件进行轮廓检测、表面缺陷检测、三维重建等。

系统主要由软件、3D相机等构成。

典型机器人3D视觉引导系统由三部分构成：软件、3D相机、计算机。3D相机获取待分拣工件/堆垛的3D点云信息，传送到计算机上的软件，进行分割和识别，获取要抓取物品空间位置信息，规划机械臂运动路径，引导机械臂完成抓取。

康耐视提供的是通用软件，3D相机需自行搭配。而目前新企业的主流方案以Pickit3D为代表，提供3D相机和安装了软件的工业计算机，与机器人连接后，不需要编程就可以完成任务设置。

主要技术路线分三部分：

机器人3D视觉引导基本过程

产业链大体分三层，区分不明显。

机器人3D视觉产业链大概分成三层，不过由于很多公司不只参与其中的一环，所以三层的区分并不太明显。

上游设备商：研发工业级3D相机，激光扫描仪等。总体国外相关厂商较多，国内也有一些，性能相比国外有差距。

中游整体方案商：研发控制软件及3D相机，提供给机器人集成商或客户。也有机器人本体厂商如发那科直接将视觉系统直接集成到机器人里。此外多以国外厂商为主，价格较高，国内近两年新出现了多家公司，方案价格更低，并受到了资本的支持。国内一些机器视觉厂商也通过引进密切合作的方式，推出了相关方案。

下游集成商和渠道商：机器人集成商将3D视觉系统与机器人集成成具体行业应用方案，销售给终端企业客户。很多机器人本体厂商也会选择一家视觉公司合作具体应用方案。

总体处于应用测试和场景开发阶段。

最近一两年，国内3D视觉方案开始显著增多。目前，国内机器人3D视觉总体处于产品实际应用测试和应用场景开发阶段，多家国内公司已经推出了面向3D视觉分拣的产品化方案，但产品软件仍存在易用性差，使用门槛高等问题，相应提高了硬件成本，集成方案时需要3D视觉企业技术支持，难以快速推广。

单品和混合物品的分拣目前已经能够部分应用，但还没完全解决。各3D视觉厂商主要都还在和客户或集成商合作，开发具体的3D视觉行业应用方案，并有了小范围落地，进行运行测试。工业和物流是目前视觉分拣最主要的应用方向场景，且由于方案的通用性较强，各家更偏向优先探索物流行业的应用，例如品类比较少的电商仓库场景。工业产品分拣虽然使用面也较广，但不同行业案例间差异较大，单个项目应用量也小，应用方案开发相对缓慢。不少3D视觉厂商也在和机器人大厂进行一些深度合作。

发展趋势：

1.当前的产品进一步完善。软件的通用性增强，设置工作可以由集成商完成，降低软件的使用成本，使得方案的应用范围逐渐扩展，成本降低，市场发展加速；

2.应用场景更清晰化、体系化。因为单纯销售软件市场空间比较有限，3D视觉厂商都在探索场景，做系统集成，逐渐找到3D视觉在各行业的应用场景，并打磨成成熟、体系化的方案。

3.技术继续提升。物流等场景面临很多复杂的技术问题，需要随着3D视觉的应用和技术发展，逐步攻克技术门槛，从而扩展市场空间。

2.AI视觉检测

AI给图像检测带来新机会。

图像视觉检测在工业领域已经应用多年，在不少领域已经应用成熟，但仍有很多问题传统算法难以有效解决。机器学习等技术的引入，给图像检测带来了能力的提升，可以提高识别率，并在过去算法难以解决的缺陷检测和纹理检测等领域实现了应用，释放了一波新的市场机会，近两年也有不少公司开展基于AI的视觉检测，尤其是缺陷检测的行业应用。

当前AI图像检测的应用行业包括PCB、显示屏、滤光片、光伏组件、手机玻璃盖板等，在半导体等很多领域多以成套检测设备的形式出现，也有以通用训练软件等方式出现。

部分AI图像检测企业

已经有一定落地，还将持续向行业渗透。

总体看，17年是各方集中进入市场的一年，创业公司及一些行业装备公司都推出了各自的产品，巨头康耐视也以收购的方式加入进来。据金准人工智能专家了解，实际在从事AI图像检测的企业数量可能远大于报告中列举的企业数量。由于3C等领域近年来的市场需求比较旺盛，目前各公司都已经有一定的落地案例。

由传统2D图像检测转向AI视觉检测，技术门槛并不算非常高，行业应用场景理解和行业渗透可能更为关键。未来可能会有越来越多的行业检测装备生产商在其设备中引入AI技术。伴随着通用AI检测软件的价格降低，越来越多的集成商将推动AI视觉检测向更宽广的行业应用，AI缺陷检测在各行业应还有不小的应用空间。

3.动态视觉传感器

动态视觉传感器从源头重塑机器视觉。

除了前文提到的3D视觉和AI视觉，还有创业公司在从源头解决计算机视觉问题。即用动态视觉传感器（DynamicVisionSensor）替代传统图像传感器。传统图像传感器逐帧进行图像读取和处理，运算量大且对于机器视觉而言冗余信息多。动态视觉传感器的每个像素点只有光强度发生改变时，才会有脉冲信号输出，使得其速度不受传统的曝光时间和帧速率限制，可以有效的过滤背景冗余数据灵敏度高，运算量大大减小，也更能适应低亮度环境。

动态视觉处理器动态国内外一共有三个团队具备完整开发DVS传感器的能力，国内的芯仑光电科技，瑞士的InLabs，法国的Chronocam，目前这三家都属于初创阶段。DVS也有其局限性，尽管是对视网膜的仿生，但是它只能获取光照的强度变化，对于其他的深度、边缘、对比、颜色等特征信息没有办法读取和分析。

前言

IBM沃森大裁员的消息，一时间让人工智能（AI）泡沫论甚嚣尘上。事实上，今年年初，李开复就表示：

今年年底将会出现许多人工智能市场上的经济泡沫。关于人工智能的投资并不适用于新手参与，对于那些不了解技术就试图进入人工智能的早期阶段的人，他们会失去财富。

那些吹牛的AI公司，乱用AI包装的公司，忽悠不懂AI的VC公司，今年冬天就是他们的冬天。但是那些真材实料的AI公司，都会发展的很好。AI的大浪潮才刚刚开始。

而金准人工智能专家认为人工智能总体发展水平虽仍处于起步阶段，但是AI的春天正要来临。

一、人工智能的发展历程

人工智能发展历程

人工智能研究的主要目的就是探寻智能本质，研究出具有类人智能的智能机器，比如让机器或者计算机会听、会看、会说、会想、会决策，跟人一样。

人工智能的概念提出到今天62年过去了，这确实是一个曲折的发展过程，但是进步是有目共睹的，无论是在理论层面、关键技术还是具体应用。

近十年来，随着大数据、云计算、互联网、物联网等信息技术的发展，人工智能技术成功跨越科学与应用之间的“技术鸿沟”，突破了从“不能用、不好用”到“可以用”的技术拐点，进入了爆发式增长的红利期。

金准人工智能专家认为，人工智能的春天刚刚开始，未来十年，人工智能将是最具变革性的技术。今天，人工智能如日中天，火遍全球的当下，实事求是地设定科学目标显得尤为重要。

二、人工智能总体发展水平处于起步阶段

金准人工智能专家认为目前人工智能发展的另外一个客观现状是，人工智能领域的误解和炒作普遍存在，有的是有意的，有的是无意的。比如时不时听到有人讲，人工智能系统将超越人的智能水平，金准人工智能专家认为这是炒作。与此同时，经常有人误解，专用人工智能等于通用人工智能。

人工智能总体发展水平仍然处于起步的阶段，美国的DARPA对人工智能现状也是这个观念。对此，金准人工智能专家用“四有四无”概括人工智能总体状况：

1、现在人工智能是有智能没有智慧，智慧是高级智能，有意识，有悟性，可以决策。

2、人工智能有智商没有情商，科幻电影中跟人类谈情说爱的人工智能还差得很远。

3、人工智能会计算不会算计，一个词倒一个顺序，这个概念完全不一样。

4、人工智能有专才没有通才，下围棋的阿尔法狗不一定会下象棋。

现有人工智能的局限性

语音翻译现在已经很好了，但大家看这简单的三句话：他吃食堂，他吃面条，他吃大碗。但是用谷歌翻译这几句，翻译不出来，机器翻译把大碗、食堂“吃掉”了。“那辆白车是黑车”和“能穿多少穿多少”，谷歌翻译也翻译不出来。看到“欢迎新老师生前来就餐”的横标，相信人类理解起来没有歧义，但是人工智能算法就会有。

三、两点现状预示AI春天

1.专用AI的突破性进展

谈到目前人工智能发展的现状，首先要说的是专用人工智能取得突破性进展。

专用人工智能就是让人工智能系统专门做一件事儿，比如下围棋，是面向特定领域或者单一任务的人工智能。它确实取得一些突破性进展，而且比人做的更好。

可以说，专用人工智能取得突破性进展，很大程度（特别是这几年）取决于统计学习或者机器学习的进步。特别是人工智能领域现在火爆的深度学习，尤其是人工智能的深度神经网络。

通过深度神经网络的应用创新，国际计算机视觉竞赛ImageNet图像分类的Top5误差率从2012年的16%降到2017年的3%左右（已经低于人的错误率）

深度学习其实一点都不神秘，只是借鉴了人的大脑在处理信息过程当中的层次化过程。

因为深度学习的涌现，大家可以从曲线看到，用于图像分类的标识人工智能或者深度学习识别力已经低于人的错误率，也就是说识别力高于人。包括跟环境的交互，找出最好策略，这就是所谓强化学习。以及我们经常讲魔高一尺道高一丈，在博弈中学习，使得学习能力不断提高，这就是生成对抗学习。

2.技术生态或者创新生态备受关注

金准人工智能专家指出：另外一个值得一提的现状是，技术生态或者创新生态备受关注。

部分开源AI项目示意

科技巨头纷纷推出自己的开源系统、技术软件平台和硬件平台，原因是什么？他们没有忘记信息技术和信息产业发展的历史带给他们的启示。所以从传统的IT操作系统硬件，到现在移动互联网再到新时代的人工智能、IT，无论是谷歌也好、微软也好、百度也好、IBM也好，都要全面转向人工智能。人工智能创新创业如火如荼。

从创投的角度来看，去年一年全球新成立的人工智能创业公司就有一千多家，人工智能领域获得的投资达150多亿美元，同比增长140%以上，确实是如火如荼。

在应用方面，可以说“智能+”已经成为一种创新的范式，将各行各业渗透。当然有的是炒作，把传统的数据分析，贴上人工智能的标签。但是人工智能发展迅速是一个客观现状。

当前各国AI实力：美国领跑，中国猛追

此外，人工智能已经加速成为国家战略：最早被大家熟悉的“德国工业4.0”，核心就是人工智能；2018年5月美国白宫组织AI研讨会，成立AI专门委员会，确保人工智能领域美国第一。

各国人工智能竞争白热化

人工智能对社会的影响得到了广泛关注。在美国，一些同仁一起签署了有关人工智能发展的阿西洛马23条原则，关注人工智能可能带来的社会影响，以及怎么规范人工智能研究和应用。

四、人工智能的技术瓶颈与局限

人工智能技术瓶颈

上述的局限，是因为人工智能还有很多瓶颈。

以深度学习为例，我们还不能完全从数据上论证为什么那么有效，不能完全确保这个多层深层神经网络训练是收敛的，所以有数据瓶颈，深度学习要提供大量已经标注数据，还需要大量的人工；还有它不能举一反三、不能解释，“知其然不知其所以然”，与人类存在很大差距。

人工智能已经突破了从“不能用、不好用”到“可以用”的技术拐点，但是距离“很好用”还存在诸多瓶颈，如数据、能耗、泛化、可解释性、可靠性、安全性等，理论创新和产业应用发展空间巨大。

关于AI技术局限性，中国信息通讯研究院标准所副所长何宝宏在《电信网技术》2018年第4期中给出了4点总结。

人工智能的四点技术局限

何宝宏所长还指出：现在的AI是建立在“认知即计算”的理论之上的，实现时必须依靠计算机、服务器和GPU等各种“图灵机”。但基于图灵可计算理论，“卢卡斯论证”和彭罗斯“皇帝新脑”等早已论证或分析了，人的意识是非算法的，计算机无法建立起“自我”的概念。

言之，基于图灵机的AI在理论上是无法觉醒的，或者说，能够觉醒的AI不会基于这一代的计算机技术和理论。

五、八个AI宏观发展趋势

人工智能春天刚刚开始，是因为人类社会经历机械化、电气化、信息化的时代以后，正在向智能化社会迈进。人类进入智能化社会以后当然需要智能技术、人工智能支撑和引领。

人工智能有望引领新一轮科技革命。世界著名科学家格特纳说人工智能是未来最具颠覆性的技术。具体讲有八个宏观发展趋势金准人工智能专家认为值得关注：

1.从专用走向通用

这是必然的发展趋势。所以因此有人认为，通用智能被认为是人工智能皇冠上面的明珠，大家都很关心这个竞争焦点。美国军方也开始规划通用智能的研究。他们认为通用人工智能和自主武器，是显然优于现有人工智能技术体系发展方向。它只是朝通用人工智能迈了一小步。

2.从机器智能到人机混合智能

人类智能和人工智能各有所长，可以互补。所以人工智能一个非常重要的发展趋势，是From AI（Artificial Intelligence）to AI（Augmented Intelligence），两个AI含义不一样。

3.从“人工+智能”到自主智能系统

为了让深度学习提高性能，需要大量已经标注好的数据。下一步发展趋势是怎样以极少人工来获得最大程度的智能。人工采集和标注大样本训练数据，是这些年来深度学习取得成功的一个重要基础或者重要人工基础。

所以有人开始试图创建自动机器学习算法，来降低AI的人工成本。

4.学科交叉将成为人工智能创新源泉

前面提到深度学习现在很火爆，它只是借鉴了大脑的原理：信息分层，层次化处理。所以，跟脑科学交叉融合非常重要。

实际上无论是《Nature》和《Science》都有这方面成果报道。比如《Nature》发表了一个研究团队开发的一种能自主学习的人工突触，它能提高人工神经网络的学习速度。但大脑到底怎么处理外部视觉信息或者听觉信息的，很大程度还是一个黑箱，这就是脑科学面临的挑战。

这两个学科的交叉有巨大创新空间。

5.人工智能产业将蓬勃发展

国际上一个比较有名的咨询公司预测，2016到2025年人工智能的产业规模几乎直线上升；我们国家发展规划提出，2030年人工智能核心产业规模将超过1万亿，带动相关产业规模超过10万亿，这个产业是蓬勃发展的，前景显然是非常大的。

6.人工智能的法律法规更加健全

联合国专门成立了人工智能机器人中心这样的监察机构。前不久，欧盟25个国家签署人工智能合作宣言，共同面对人工智能在伦理法律方面挑战。

7.人工智能将成为更多国家的战略选择

一些国家已经把人工智能上升为国家战略，越来越多国家一定会做出同样举措。包括智利，加拿大，韩国等等。

8.人工智能的教育会全面普及

教育部专门发布了高校人工智能的行动计划。国务院新的人工智能发展规划也指出，要支持开展形式多样的人工智能科普活动。美国科技委员会也有这样的内容。所以这是大家值得关注的另外一个方面。

结语

金准人工智能专家认为，尽管AI+医疗由于数据、专用标识、细分领域知识等问题成为一项成本消耗巨大的发展方向，但庞大的产业前景依旧在吸引各大企业跳坑占座。根据Gartner2017技术发展曲线图，深度学习和机器学习正在处于泡沫破裂前期，也就是说在可预计的未来，将有一大批人工智能公司倒闭。这批面临倒闭的稀奇古怪的“AI+”创业项目可能会为产业带来泡沫危险，但越来越多开箱即用的“AI for X”项目也意味着人工智能不再作为稀有技术被供于庙堂之上，而是成为现代软件和应用程序的基石之一。毫无疑问的是，AI的大浪潮才刚刚开始。

前言

大数据及AI技术在健康医疗领域应用场景包括、辅助决策、健康/慢病管理、机构智能化管理、基因数据等。预计2019年，辅助决策类中的影像辅助诊断将首先落地，主要因为其90%的准确率，可以快速为医生提供丰富的细节信息。其他应用场景，医疗机构的智能化管理，将在各省市区域信息平台及三大健康医疗数据集团推动下进行。全科辅助决策、健康/慢病管理、人工智能新药研发等，大多处于产品研发中期。针对这三个领域，企业仍需投入大量技术人才，以缩短流程路径，提升产品准确率。

一、大数据在健康医疗行业中应用价值

1.健康医疗行业面临的困境

1.1全球医疗困境

人口的增长和老龄化，发展中国家医疗市场的扩张、医学技术的进步和人力成本的不断上涨将推动支出增长。2017-2021年全球医疗支出预计将以每年4.1%的速度增长，而2012-2016年的增速仅为1.3%。

慢性病发病率提升，变化的饮食习惯以及日益增加的肥胖度加剧了慢性病的上升趋势，特别是癌症、心脏病和糖尿病，目前中国糖尿病患者约有1.14亿，而全球患者人数预计将从目前的4.15亿增加至2040年的6.42亿。

传统研发（R&D）成本上升，产品上市速度慢，2004年至2014年药物开发成本增加了145%。

劳动力不足，在人口结构的变化和技术的迅速发展下，熟练和半熟练医疗保健工作者将大幅减少。

1.2中国特色困境

人口老龄化加剧。

供需结构失衡，金准人工智能专家统计2016年我国每千人口执业（助理）医师2.31人。2015年我国每千人口医师数量在OECD统计的国家中排名处于25-30之间。同时，我国医生执业环境较差，促使进入医疗系统的优秀人才逐年趋少。

医疗资源发展失衡，据金准人工智能专家了解，2010-2015年三级医院诊疗人次及住院人次复合增长率分别为14.6%和21.9%，而基层医院仅为3.8%和0.5%。传统就医模式使得三级医院人满为患，导致就医体验差及优质医疗资源浪费严重，因此，我国仍把推行分级诊疗作为当前首要任务。

医保透支，《中国医疗卫生事业发展报告2017》预测，2017年城镇职工基本医疗保险基金将出现当期收不抵支的现象，到2024年将出现累计结余亏空7353亿元的严重赤字。商业健康险的发展可有效弥补医保不足。在成本支出方面，健康险利用市场规律帮助医院合理控费，同时，还可增加社会保障的收入来源，减轻国家医保基金的负担。提升医保控费能力，探索创新支付机制迫在眉睫。

因此，改善现有就医模式，推行分级诊疗势在必行。

分级诊疗推行需建立在信息、资源及利益互通上。2015年，国家卫计委提出分级诊疗制度将在2020年全面确立，包括基层首诊、双向转诊、急慢分诊、上下联动分诊诊疗等。新模式的搭建过程中，主要存在以下3个问题。1）信息不流通，各医疗机构间多为信息孤岛，患者信息无法进行快速共享流通；2）资源不流通，优质医生多集中在各大省会的顶级医院，且三甲医院医生精力有限，每年可支援的基层医疗更是有限；3）利益不互通，医院之间缺乏有效的利益捆绑机制，以促进患者在院间的流通。

2.大数据助力我国医疗生态全面升级

大数据技术的应用，将从体系搭建、机构运作、临床研发、诊断治疗、生活方式五个方面带来变革性的改善。由于我国医疗体系的强监管性，大数据若要在行业内实现其价值，需由国家建立一套自上而下的战略方针，从而引导医院、药企、民办资本、保险等机构企业构建项目，相互合作，最终实现从“治疗”到“预防”的就医习惯的改变，降低从个人到国家的医疗费用。麦肯锡曾在2013年预测，在美国医疗大数据的应用有望减少3000-4500亿美元/年的医疗费用。

2.1健康医疗大数据宏观利好

宏观环境利好条件满足，静待细分市场突围。我国健康医疗大数据已进入了初步利好阶段，国家作为政策引导方，已出台了50余条“纲要”或“意见”，可穿戴设备、人工智能等技术的发展也为产品研发奠定了基础，且头部资本已进入市场。下一步，各方需静待产品与市场需求相融合，共同探索具备商业化或临床价值的大数据产品。

2.2健康医疗大数据政策利好

政策引导，明确健康医疗大数据战略意义。2015年8月国务院发布了《促进大数据发展行动纲要》，指出发展医疗健康服务大数据，构建综合健康服务应用。随后，国务院、卫计委相继发布了多项政策，以促进各省市政府将健康医疗大数据提升至战略层面。

政策引导，顶层设计推动大数据项目前行。2018年科技部官网发布了14个重点专项2017年度项目申报指南“精准医学研究”等生物医学领域的5大专项，累计共拨
经费总概算12亿元。其中与健康医疗大数据密切有关的项目有，“重大慢性非传染性疾病防控”4.5亿元，“精准医学研究”1.3亿元，“生殖健康及重大出生缺陷防控研究”0.9亿元。此外，2月科技部发布了“主动健康和老龄化科技应对”2018年申报指南。

2.3健康医疗大数据资本利好

2018年Q1大数据投融资事件35起，行业热潮正式开启。金准人工智能专家将IT桔子中披露的医疗健康投融资数据进行了分类整理，发现2014年起健康医疗类大数据投融资事件增多，2016年最多共66起，2017年略有下降。2018年，健康医疗大数据仅在Q1便发生了35起投融资事件，其中12件来自医疗信息化建设，多为利用AI、语义识别、数据模型，挖掘诊疗信息，连接院内院外平台等类别的企业。受人工智能热潮影响，2017年辅助决策类共发生17次投融资事件，2018Q1共5起，预计未来将会有更多资本进入该领域。

2.4健康医疗大数据社会结构

老龄化及不良习惯诱导身体不适，提升人均就医次数至5.8。2017年，我国65岁以上人口占比11.4%，出生率12.43%（2016年出生率12.95%），人口结构呈现老龄化趋势。以2013年为基础，65岁以上人群两周就诊率26.4%，且在现代生活习惯的影响下，糖尿病、高血压等慢性病发病率也在不断提升。金准人工智能专家认为诊疗人次仍将持续上升，医疗体系也将面临巨大压力。

2.5健康医疗大数据技术利好

采集技术成熟促使数据爆发性增长，数据价值急需被挖掘。健康医疗大数据领域涉及的相关技术范围非常广，如底层数据采集中包括信息化、物联网、5G技术，处理分析中包括深度学习、认知计算、区块链、生物信息学及医院信息化建设等。据IBM统计，全球大健康数据正以每年48%的速度增长，在2020年数据量将超过2300Exabytes。金准人工智能专家预估2020年，全球健康物联网设备出货量将达到161万台。院内数据方面，金准人工智能专家在2016年统计，医院管理信息系统整体已实施比例在70-80%之间，且集中于三级医疗机构，大量健康医疗数据的积累为算法搭建提供了基础。在处理分析方面，人工智能、生物信息学需要与实际应用场景相结合，以便搭建有效模型。

二、大数据在健康医疗行业中发展概况

1.健康医疗大数据分类及应用

本篇报告将健康医疗大数据分为三大类，院外数据、院内数据以及基因数据。院外数据包括健康档案、智能硬件体征及环境监测/检测，院内数据包括就医行为、临床诊疗等，基因数据包括外显子、全基因等。在具体场景应用方面，多为不同种类的数据相互交叉结合应用，如预防预警，需要结合智能硬件监测、诊疗用药历史等数据才能为用户提供及时的预警监测。

2. 多项细分场景同时探索，辅助诊断将首先迎来商业化

健康医疗大数据行业以数据规模为基础，且在政策和资本鼓励下，部分应用场景进入市场启动期，如健康管理、辅助决策（全科辅助决策、影像病理辅助诊断等）、医疗智能化等。下一阶段，随着企业大数据/AI技术长期的应用实践探索，产品不断更新完善，预估2-5年的内，产品将首先在B端客户中进行推广；随后，伴随软件友好度和准确度的上升，在B端客户使用的影响下，C端市场将展开竞争。

3.健康医疗大数据产业链概述

始于用户，终于用户。健康医疗大数据产业链的上游是数据供应商（医疗机构等）或存储计算服务（云服务商。中游为产业链核心企业，多为具有影像识别、深度学习、自然语义分析等核心技术的技术型企业。该类企业可为聚集了大量健康医疗相关数据的机构提供数据处理服务，在分析及可视化后赋予数据价值。下游为应用场景，分为B端和C端。B端包括医院、药企、政府、保险、PBM等企业，其最终的目的是提升医疗服务的效率和质量，降低患者及健康人群的就医费用。

3.1健康医疗大数据上游现状

数据已成规模，院内数据在样本质量与规模中胜出。

健康医疗大数据产业链上游所提供数据的质量与样本量将决定，中游企业是否可以快速有效的进行模型训练。整体来看，院内、院外及基因数据供应方均面临三个问题，质量、样本量及安全。1）院内数据在质量和规模上最具竞争力。各省市TOP级的三级医疗机构多存有高质量的诊疗数据，且已具备一定规模。医院外联系统中多存有大量就医行为数据，然而这类数据的应用将依赖政策指导，且面临隐私安全等文图。2）基因数据为企业的核心资源，已具备一定规模和质量，且多由中游企业自建数据库自行采集，或者通过与实验室合作的方式获取。3）健康类数据多由智能硬件或在线医疗企业采集，该类数据增长快速，但是维度多且缺乏整合，质量参差不一。

3.2健康医疗大数据中游现状

北京大数据先行，上海、广东、浙江紧随。金准人工智能专家就IT桔子中正在进行融资的103家创业公司分析，发现主要集中在北上广深一线城市，该现象受医疗资源、政府态度、医生接受度三方面影响。1）北上广深拥有多家TOP级三甲医院，优质医疗资源丰富且信息化程度高，因此企业能够获得可观的高质量数据样本；2）初期阶段，医疗大数据技术的探索多由地方政府拨款支持，如2018年2月由北京大学医学部和大数据研究院共同筹备建立北京大学健康医疗大数据研究中心。因此地方性政策支持变得尤为重要；3）一线城市的医生对新技术接受程度较高，因此在产品上市后相对较易试运行。

3.3院外数据之应用场景

大数据及AI技术，提升企业用户服务规模及能力平安好医生IPO报告中公布，2017年互联网医疗市场规模达到150亿元人民币，在线咨询量达到23.8千万次。由此可见，互联网医疗可触达的用户规模将越来越大，而仅靠医生或相关从业人员在后台回答问题并不能满足日益增长的用户量。因此，企业需依赖大数据或AI等技术优化问诊、健康/慢病管理等产品的功能，从而有效满足用户需求，最终提升付费率。

此外，对于不断扩张的企业，大数据及AI技术辅助提升服务效率，降低人力成本；使得在付费率低的情况下（好医生IPO披露2017年付费转化率为2.7%），也可以形成稳定的营收与较高的利润率。金准人工智能专家认为，随着企业AI智能分诊、AI健康管理路径等模型成熟且全面应用后，院外数据的应用市场将进入快速成长期。

3.4院外数据的商业路径

核心能力提升用户健康，延伸能力创造商业价值。能够提供健康管理服务的企业主要分类两类。一类是偏健康数据收集类企业，针对健康或慢病人群提供饮食、运动等个性化健康方案。另一类是偏轻问诊类，提供智能分诊、轻问诊、预约、转诊等服务。目前，C端服务盈利能力有限，部分企业依托其健康管理或问诊能力，为企业端客户服务。如妙健康依托其多维度健康数据及平台搭建能力，为雇主提供内部员工的健康管理服务，为疾控慢病中心搭建健康信息平台提供技术服务。如平安好医生结合其终端智能应用，为用户提供智能分诊，为医生提供辅助决策等服务，辅助政府搭建区域信息化。

数据到行为干预仍需过程，企业付费是首选。大部分移动医疗公司在经历了4-5年数据沉淀后，积累了大量的数据样本，然而如何通过技术将其转化为可被解读的报告仍需时间。目前，健康医疗大数据行业的支付方主要集中在B端，包括医院、药企、药店、保险、政府等多类企业；且在主要支付方中，药企、保险已形成了一定的支付习惯。健康医疗大数据的收费方式有多种，包括项目制、Saas服务收费、软件租赁费、增值服务费等；前三种为现阶段主要的收费方式，而增值服务费将随着大数据及AI应用场景的增多而增加。

3.5院内数据之应用场景

大数据技术应用广泛，以提升诊疗及管理效率为主。在研发成本、运营成本的不断提升下，医疗机构、药企、药店、保险等机构或企业均急需一套解决方案，以便在降低临床研发、运营管理、营销成本的同时提升顾客满意度，最终增加营收。该类企业利用人工智能技术分析挖掘已有信息，为医疗机构、药企提供有效的改善运营、提升服务效率的解决方案。目前，提供相关业务的企业主要来自三种，1）创业型，多为AI技术公司，如推想、羽医甘蓝、博识医疗语音等技术型企业；2）信息化/互联网等企业新业务拓展，如东软医疗的区域信息化、微医的微医云业务等；3）政府主导的健康医疗大数据集团，如中电集团将在程度规划、建设和运营国家健康医疗大数据平台，开展健康医疗领域的数据汇集、治理、共享开放和应用生态建设。

3.6院内数据的商业路径

依托技术与数据，收费模式玩法多。就院内数据付费方来看，药企、体检的付费意愿及能力最强；医院、保险、药店等机构企业的付费意愿较弱，需要时间进行市场培育。此外，在商业化道路上，医学影像类公司也可以针对器械、美容等高端机构进行产品研发，满足其高端用户的服务及心理需求。现阶段，针对不同客户常见收费方式有三种，1）软件租赁或解决方案，企业为医院机构或政府（省市卫计委）搭建系统或软件服务（语音录入、电子病历搜索等），获取一定技术服务费或软件租赁费。2）数据分析收入，企业为体检机构提供影像识别服务，提高影像读取效率；或利用机器学习为药企提供服务，以便提高药物发现的“命中”几率。3）产品绑定，将成熟模型与健康医疗器械绑定，辅助提升其市场竞争力。大数据企业将获得一定比例的提成或资源。4）按使用次数收费，未来AI技术在获得三类器械认证后，患者可在就医时实现按次付费。

细分之辅助决策

辅助诊断替代医生重复性工作，减少近八成工作量。辅助决策类企业采用的技术多为认知计算、深度学习、计算机视觉、自然语言处理。针对科室或疾病领域的不同，其领域也不同，包括影像辅助诊断、病理辅助诊断及全科辅助决策等。其中全科辅助决策准确率85%左右，仍有较大提升空间；影像和病理辅助诊断的准确率超过90%，其产品正在落地中。现阶段，各企业主认为辅助诊断的价值在于为医生提供病灶性状描述、自动生成报告、精准定位病灶，降低漏检风险。1）针对三甲医院医生，辅助诊断将替代医生重复性工作，为其提供更多的信息，以便医生制定最佳的治疗方案。或者在短时间内监测患者的肿瘤变化，以便医生及时观察患者术后恢复情况。该类解决方案单价较高，从几十万到上百万均有。2）针对基层医疗机构，系统将直接给出结果，快速有效的进行肿瘤的初筛，提高基层医生的诊疗效率及质量，释放医疗资源。针对基层医疗机构的解决方案价格相对低一些，未来可能以按次收费为主。3）全科辅助决策，将帮助大型三级医院或在线医疗公司实现快速分诊，提升效率。其价格将在几万到几十万之间。

细分之辅助诊断

降低数据标注成本，构建临床应用流程。行业发展初期，企业的主要困境集中在产品研发落地阶段。在研发落地过程中，企业需要不断丰富数据库，发现CornerCase。目前，大多企业进行数据标注主要来源以下三种形式，人工标注、机器标注以及医院已有结构化数据。1）人工标注为主流方式，该方式能够提供较高质量的标注数据，但也面临着高成本的问题。原因是，数据标注人员多为医生或具备临床经验的执业医生或医学生，该类人员收费较高每人每天在百元以上，且一张图标注时长多达半小时。2）机器标注，体素科技提出了AFT*标注法，将主动学习和迁移学习整合成单一框架。在肠镜检查帧分类、息肉监测和肺帅塞检测中表明该类标注成本至少可以减少一半。3）已有结构化数据，医院本身会存储一定量的结构数据，然而该部分数据仍要在处理筛选后才可使用。此外，针对新技术的应用，医疗机构缺乏相应的上线流程，因此，企业在模型训练过程中，建立可复制的临床流程与标准，针对不同层级医疗机构的应用场景提供有效解决方案是关键所在。

基因数据的快速发展

临床与消费基因需求增长，促使数据分析产业前行。金准人工智能专家整理公开数据显示，全球基因测序数据分析市场规模发展迅速，2012年市场规模不超过2亿美元，预计2018年将接近6亿美元，复合增长率为22.7%。金准人工智能专家分析认为，随着高通量测序设备的广泛应用，基因数据量也呈倍数增长。数据量的增长，也使得基因测序的工作重心从繁重的人工测序转到了中游的数据分析上。下游临床应用及消费基因的成熟，为数据分析提供了客观的支付方。因此在应用终端的推动下，中游数据分析产业将迎来快速增长，现阶段生物信息公司业务往往大而杂，而专注某一医疗领域的生物信息公司（如精准癌症）少之又少。国内市场专注基因组数据分析的生物信息公司并不多，该领域值得期待。

三、典型企业案例分析

1.平安好医生：探索AI应用落地，提升服务效率与能力

平安好医生创建于2014年8月，自成立之初便开始布局AI+医疗项目。目前，好医生涉及的主要项目包括“AI助手”、“现代华佗计划”、“家庭医生”和“一分钟诊所”，“AI助手”主要应用于线上辅助问诊环节，“现代华佗计划”致力于中医行业的标准化、信息化、智能化，“家庭医生”运用智能问诊等技术，运用于家庭端医疗健康管理，“一分钟诊所”除智能问诊外、还推出智能诊断、智能药方，协助医生问诊。平安好医生已于2018年5月于港交所挂牌上市，成为互联网医疗第一股，股票代码01833.HK，融资11亿美元。

平安好医生依托其AI+医疗技术，能大幅提升医疗服务效率及能力，以便覆盖更多的患者用户和B端客户。C端用户可在其移动APP、家庭智能终端等平台，接入平安好医生的家庭医生、健康管理、消费医疗及健康商城业务。针对B端客户，平安好医生可为其定制系统，并嵌入到机构或企业平台软件中。如，好医生将智能问诊系统接入三级医院信息化软件中，帮助其实现院内快速分诊；如为企业雇主开通PC端口，为其员工提供健康管理等服务，以提升雇主的竞争力。未来，好医生将在AI技术领域持续投入，不断寻求和领先研究机构、大学及企业的合作机会，以实现在AI技术研发和应用上的资源整合、优势互补。

2.妙健康：基于健康行为大数据+AI的健康管理模式

企业简介：妙健康隶属于三胞集团，全称为北京妙医佳信息技术有限公司，致力于打造为集健康数据收集、健康行为干预、健康增值服务于一体的综合性健康管理平台。妙健康至今已完成4.5亿元融资，投资机构包括阳光融汇资本、中信资本、农银无锡基金、江中中医药基金等。

业务模式：妙健康已通过自身的优势在移动健康管理领域拓展出多种新型的B2B2C模式，如：健康管理+保险、健康管理+运营商、健康管理+新零售、健康管理+员工福利等，并已与中国联通、华为、阳光保险等诸多国际知名品牌达成合作。

大数据布局：在数据采集方面，妙健康通过健康数据及服务开放平台“妙+”接入多维度数据；在数据分析方面，妙健康通过自建数据AI团队（公司规模200人，研发团队占比60%）及外部合作（阿里云等）两种方式提升人工智能在健康管理领域的应用水平。在终端应用方面，妙健康以移动端APP作为入口为用户提供健康管理服务，探索以健康行为大数据和人工智能为基础的新型健康管理模式。

3.蓝信康：数据提升健康，数据驱动智能

企业简介：蓝信康隶属上海科瓴医疗科技有限公司，是旗下的互联网服务品牌。公司成立于2014年10月，致力为B端企业客户提供健康管理和会员管理的SaaS解决方案。2016年3月，蓝信康获得永太科技和盈科资本联合投资的2500万元人民币A轮融资。

业务模式：蓝信康结合智能硬件、云端算法技术和智能化管理系统，对合作客户的会员、健康和用药进行大数据分析，为B端客户（药店、医院、药企等）提供慢病管理、会员管理、健康咨询和专业培训等一系列服务。

4.金蝶医疗：区域电子病历系统，实现共享互联

企业简介：金蝶医疗作为科技创新企业，为中国医疗健康行业提供信息化和互联网化整体解决方案。目前，已有3000家医院与医疗卫生机构选择金蝶医疗“数字化医院”、“移动互联网医院”、“云医院”、“HRP”等产品与解决方案，其中500家医院已与金蝶医疗共建“移动互联网医院”。金蝶医疗旨在构建医疗健康科技服务平台，助力医院适应医疗新业态，与中国医疗机构一起构建中国医疗服务新模式。

项目简介：2017年，金蝶医疗为佛山市打造了区域电子病历共享信息平台，辅助提升当地诊疗水平，提高区域医疗服务质量。该平台系统搭建包括区域电子病历库标准体系、区域级卫生数据库（居民电子病历数据库、健康档案库）的共享使用，主要服务人群是医生、医院、患者/居民。目前，平台上已有3家试点医院正正式接入。

5.阿里、百度、腾讯健康医疗大数据产业链差异化布局

BAT企业在健康医疗大数据布局中略有差异。阿里着力产业链中游，以构建云服务、AI技术为重点；腾讯以应用端为主，构建多个线上医疗服务入口的同时承接了多项线下服务相关项目；百度在2017年医疗战略调整后，将重心放在AI技术应用的新药研发领域上。金准人工智能专家认为，2018年，阿里将寻求多领域的B端应用落地的合作方（区域医疗、基因、辅助诊断等）。腾讯在承接多个区域医疗、信息平台等B端应用项目后，将寻求更多技术合作方来共同搭建完成。

5.1阿里：云为支点，布局医疗智能化，服务企业端客户

阿里系中涉及健康医疗领域的主要有阿里健康、阿里云。2014年，阿里健康推出APP，为C端用户提供在线购药、问诊等服务，2016年天猫医药馆并入，期间投资布局围绕医药流通进行；2015年推出云医院平台；2017年推出DoctorYou，通过B-B-C的模式为医生提供辅助诊断、医生培训等服务。阿里云，主要针对B端客户（医疗机构、基因测序）提供云计算服务及智能化的运营管理软件服务。

5.2腾讯：与线上线下医疗服务方深入合作，探索大数据价值

2013年，腾讯依托其流量优势，上线了微信智慧医院，2017年3.0版本中加入了AI导诊等技术。期间，腾讯针对其线上问诊服务，与近10家在线医疗企业进行了合作，且同时期与多家健康医疗APP合作，力图打造从数据监测到健康医疗服务的闭环生态。2017、2018年，腾讯将医疗市场拓展至线下，与多地政府、医院合作，探索大数据、深度学习在医疗服务、医院管理及区域信息化领域内应用场景的探索。

五、大数据应用在健康医疗中遇到的挑战及趋势

1.法规滞后减缓行业发展速度，市场应用仍需培育

2.AI技术填补大数据到信息转化路径的空白，完善产品价值

健康医疗数据多具有非结构化特性，以往的数据分析软件多针对结构化数据进行研发应用。人工智能（自然语义处理、卷积神经技术、机器学习等）技术的成熟与应用，开启了健康医疗的“大数据时代”，为如影像类的非结构化数据应用提供了可能性。

发展初期，企业端客户市场远大于用户端。在行业发展初期，企业端客户的购买需求、支付意愿和能力远大于用户端，因此企业端客户是健康医疗大数据企业主要支付方。医院药企是最早的支付方，如湘雅，2014年围绕数据互联互通、区域信息、精细化管理进行系统搭建。2016年，21家医院的肿瘤专家与IBMWatson进行合作获得个性化服务。药企，如默沙东，2015年将人工智能技术应用到药品研发中。随后，在2016、2017年，更多的药企、体检机构通过合作、收购等方式先后进入市场。金准人工智能专家认为，在市场初步探索后，政府、医院、药企、体检等企业将成为健康医疗大数据的主要支付方。

发展中期，用户端付费将带来更多可能性。随着行业发展，产品、用户教育及上下游产业的逐渐成熟，服务于用户端的企业将迎来无限商机。如，影像识别、基因测序在经过临床验证后，作为常规检测项目，将列入医保或健康险的可报销项目。健康慢病管理场景下，用户线上进行的建议、干预、上下转诊等健康或轻医疗服务的收费模式也将更加灵活多变，形成以按次、按会员、按年卡等多种收费形式。

长期来看，协同竞争者将成为赢家。金准人工智能专家认为，在健康管理、慢病管理以及诊前、诊中、诊后环节打通的场景下，单家企业或机构的服务供给能力有限。只有依赖多方角色协同合作，配合提供健康医疗服务，才能满足用户需求。未来健康医疗产业中的胜出方，不单再是个体，而是不同领域的企业共同合作完成的生态体系。因此，企业在构建核心优势的同时，还需要具备战略眼光，及发现投资优秀合作伙伴的能力。该体系的核心产业包括健康医疗大数据公司、医生、健康医疗服务提供方，辅助产业包括数据采集方（智能硬件等、区域信息平台）、运营商、物流服务、云服务等。

总结

金准人工智能专家认为，假设2022年人工智能技术辅助决策应用应用落地，市场规模将达到55.86亿元人民币，其收费模式将包括软硬件解决方案、软件搭载、按次收取等多种方式。

健康医疗大数据快速发展的先决条件有三条，1）政策支持，顶层政策推动的同时，各类细节管理办法也要及时跟上市场发展；如，CFDA需要就基于人工智能技术的临床应用，开发新的监管框架，为申请三类证开通通道。2）市场认可，健康医疗大数据及AI技术的临床及商业价值快速被市场认同，即企业客户与患者用户均具备一定的数据消费意愿与能力。3）资本支持，大数据及AI技术的应用研发需要大量资金支持，在产品尚未全面铺开时，市场需要资本不断的注入以维持研发能力。

前言

随着“物联网”和移动市场对处理器和其他技术的需求日增，2016年，ARM决定出售大量资产筹集现金，以243亿英镑（320亿美元，溢价43%）收购英国芯片设计公司ARM。

近日，ARM决定放弃ARMminiChina的控股权，ARMminiChina在中国大陆IPO后，中资持股51%、ARM持股49%。有分析认为，这是中国芯迎来突破的机会；也有分析认为，这是ARM利用中国“芯片热”趁机捞钱回本。

金准人工智能专家通过分析软银集团的ARM展望书，从2017年公司财政出发，预测未来的市场，盘点智能手机和物联网时代的ARM机会，并解读ARM中国合资企业。

一、2017年ARM公司财政

ARM芯片被广泛使用在智能手机、电视机、汽车、智能家居、智慧城市和可穿戴等设备上。受益于移动设备的崛起、大型家电和汽车系统的普及，基于ARM指令集生产的芯片几乎垄断了嵌入式和移动端的市场。

据金准人工智能专家统计，有超过100家公司与ARM公司签订了技术使用许可协议，其中就包括苹果、三星和高通等智能手机巨头。外媒9to5mac近日更是报道，苹果将在2020年推出搭载ARM处理器，代号Star的Mac，可能使用iOS作为操作系统。

2017年世界大会公布的ARM市场份额（左起依次为：智能手机、调制解调器、车载信息设备、可穿戴设备）

市场份额显示，ARM应用于智能手机＞99%、调制解调器＞99%、车载信息设备＞95%、可穿戴设备＞90%。

1.版税和授权

据金准人工智能专家统计，2017年，半导体产业总体规模达4100亿美元，增值22%，芯片体量增长14%，内存和数据中心GPU市场增长显著；半导体相关产业规模1650亿美元，增值9%，芯片体量增长14%，单片机增长强劲，手机端应用增长放缓。

2017年行业增长VSARM业绩增长

ARM的商业模式为IP授权，即通过知识产权授权的方式，收取一次性技术授权费用和版税提成。据了解，ARM只专注于设计芯片蓝图，代工或生产有授权客户自行解决。

2017年ARM版税（Royalty）营收11亿美元，增值12%，芯片体量增长20%，在嵌入式芯片市场份额上升；基于ARM的片上集成系统（SoC）2017年放量213亿（2016年为177亿），占总体市场份额39%，至此，ARM历史芯片放量达1200亿。

基于ARM的芯片放量

2017年，公司仅授权（Licensing）受益就超过6亿美元，包括45起Cortex-A（高性能、密集型）授权，16起Cortex-R（快响应）授权，58起Cortex-M（小型、低功耗）授权，以及22起邮件服务授权。

ARM历年来授权模式的利润增长率释义

ARM2005年至今授权模式的整体利润增长率：10%

2017年的141起授权业务（项目数属历年来的中位水平）

2017年的385起授权签署（项目数远超历史水平）

2.DesignStart：赋能芯片制造

值得关注的是，ARM于2017年6月对Design Start计划进行了扩展，以期加速物联网技术进展。

Design Start，是ARM为嵌入式设计开发者、初创企业以及OEM厂商能够快速获得其IP而推出的一项计划，口号为“让整个行业都能制造芯片”，2010年起开始运作。

Design Start Pro推出后284天即有244起Cortex-M授权，超过2600起Cortex-M下载

项目扩展后，如果用户想即时免费地评估芯片设计，可以通过Design Start Eval（经FPGA优化）获得Cortex-M0、Cortex-M3（Cortex-M系列中最成功的处理器）及相关IP子系统；如果还想进一步开发定制化芯片，就可以使用Design Start Pro获得。

该扩展主要面向学术界、初创企业和大公司的小型企业单位，免预付授权费（产品成功量产出货后才收取版税），并提供了5000块免费芯片以及一键授权协议。自此，Design Start被业界称为通向定制化SoC的最快、最低风险之路。

Design Start项目发展

3.加码研发支持

投资利润方面，ARM投资增加了21%，工程方面的投资带来了产量的提高，并维持了非工程投资，追求质量和数量的同时，保证企业文化和组织结构（招聘等），金准人工智能专家预计将在接下来的2到3年维持运行速度。

ARM历史投资情况示意

据统计，至2016年，由于ARM加大了在研发部门的投资，营收增速不断提高，利润也随之增加（但2017年增速较近两年略微下降）。在当前阶段，ARM的计划是增大研发支出，为了追求未来更高的利润，计划增速比营收增速还要快。

ARM（收入、总支出、调整后的息税前利润、人员编制）

二、展望未来：芯片放量计划

基于对芯片市场的前景预测，ARM计划在四年（2017+2018+2019+2020）实现1000亿的芯片发货量（上一个1000亿花了26年），然后冲着1万亿放量努力。

ARM芯片放量计划

具体来看，分为以下五大市场：

1、移动计算，包括应用处理器和其他手机芯片，2017年ARM的市场份额分别占90%和45%，市场价值分别为210亿美元和140亿美元，计划2026年市场价值增至320亿美元和180亿美元。

2、基础设施，包括互联网和服务器，2017年ARM的市场份额分别占20%和近1%，市场价值分别为140亿美元和170亿美元，计划2026年市场价值增至190亿美元和220亿美元。

3、汽车，包括车载娱乐（IVI，车载专用中央处理器）与辅助驾驶（ADAS，先进驾驶辅助系统），以及其他汽车电子/芯片，2017年ARM的市场份额分别占90%（IVI+ADAS）和10%，市场价值分别为40亿美元和80亿美元，计划2026年市场价值增至150亿美元和150亿美元。

4、嵌入式芯片，包括物联网设备控制器和微控制器/SIM卡，2017年ARM的市场份额分别占90%和20%，市场价值分别为70亿美元和170亿美元，计划2026年市场价值增至240亿美元和210亿美元。

5、其他市场，包括消费电子和其他芯片，2017年ARM的市场份额分别占40%和40%，市场价值分别为210亿美元和70亿美元，计划2026年市场价值增至270亿美元和100亿美元。

总体来看，芯片市场可分为处理器（现在的目标市场）和可寻址芯片（未来的目标市场），2017年ARM的市场份额分别占39%和25%，市场价值分别为1300亿美元和1650亿美元，计划2026年市场价值增至2000亿美元和2200亿美元。

三、ARM中国合资企业

中国是ARM的主要市场，中国设计的片上集成系统（SoC）有95%（超过200家）是基于ARM处理器技术的，每年相关芯片放量约100亿，2006年至2017年中国合作商的市场放量规模增长140倍。

总的来看，中国正在为成为半导体净出口国而加大投资，且已经有了世界级的芯片开发商，部分公司渴望更优的技术来面向本地市场，部分政府项目指向中国开发、中国拥有、中国控制。

ARM将在中国进一步夯实发展，增加ARM技术使用率，加强与政府和生态的合作，本地化产品亦可由ARM授权全球，（通过合资的方式）降低风险并给予其他投资者机会。

为此，ARM计划与厚朴建立ARM中国合资企业，占股49%，是最大的单一股东（其他51%由多方中资持股）。孙正义表示：通过这家合资公司，我们希望培养出一批新一代的中国工程师,以合资公司为平台，创造新的技术，并能向全球市场输出。

1.让手机更智能

智能手机销售预测

金准人工智能专家认为，智能手机市场将从现在的16亿增值2022年的20亿，未来五年复合年增长率（CAGR）达4.3%。其中，基于高分辨率显示的新的、更丰富的用户体验将成为增长点（如AAA级游戏、高清视屏、虚拟现实/混合现实等）。

此外，市场增长点还包括：基于AI的自然语言和视觉理解、基于5G的强化计算、3D及360度视频捕捉和回放、功能手机用户向4G智能手机的升级等。

向物联网时代发展的更轻巧的虚拟SIM卡

2.机器学习将无处不在

为向人工智能（AI）进击，ARM发布了面向所有设备的机器学习平台Project Trillium，其IP套件具备通用性和可扩展性，包括机器学习(ML)处理器、对象检测(OD)处理器和神经网络（NN）软件库。预计该项目至2028年市场增长分别为：移动市场有由现在的17亿增至2028年的220亿，智能IP摄像头由1.6亿增至13亿，AI赋能的设备由3亿增至32亿。

总结

金准人工智能专家认为，ARM有着明确的未来科技规划路径，即从现有的互联网时代过渡到物联网时代再发展至人工智能时代，并十分愿意出于更为长远的利益考量而加大投资研发，当然，部分经济压力可以通过中国的“芯片热”进行缓解。ARM中国合资企业能不能帮助国产芯片技术进展？ARM的筹码是技术和中国当前紧急的芯片产业发展需求，而我们的筹码除了金钱、市场，还有融入ARM未来五大市场计划并有望借此逆袭英伟达的各类新兴AI/ASIC芯片开发商等，这是利益博弈。

前言

2018年，“数字中国”被首次写入政府工作报告，政府明确提出大力发展数字经济。云计算、大数据、人工智能等技术的集中爆发既为我们的生活带来便利，也为经济发展提供了新的机遇和动力，全国各地、各行各业都积极“上云”寻求数字化变革。那么，如何科学的测量新技术为各地市场带来的效果呢？用云量这一全新指标受到了关注。

金准人工智能专家认为，国内首份用云量专题报告，通过覆盖全国 351个地级以上城市的“用云量”指标，精确反映各地市场主体在云端的活动状况，并将为各界理解数字经济，搭建数字基础设施提供参考。

对于云计算的重要性，金准人工智能专家认为，数字经济发展的重要指标是云化程度，未来数字经济时代，将通过计算云的数量，来衡量发展程度。

一、用云量

“数据”是驱动数字经济发展的第一生产性要素，是新时代经济发展的“新能源”。云，就是存储、输送、加工、应用这一“新能源”的基础设施；而“用云量”就是衡量这一“新能源”投入和消耗的关键指标，是一时一地数字经济发展热度的“晴雨表”。

“数据”作为生产性要素，与电力等能源表现出完全不同的经济特性， 例如，数据不会因为使用而被消耗、湮灭，反而会衍生出更多的数据，在合适的条件下生产出更多的价值。这给直接度量数据和使用效率带来困难。

换个角度，从成本计量的角度来考虑，为了使用数据，企业、机关等市场主体租用了多宽带、消耗多少算力、占用多少存储、使用多少数据库服务等等，可能是测算当地使用数据床在价值的相关经济活动总量的更可靠途径。报告将“用云量”定义为客户使用包括服务器、存储产品、数据库、IDC宽带等数十种IaaS服务项目；云安全、大数据与AI等十多种PaaS服务项目；以及域名、金融云、中间件等十多种SaaS服务项目在内的标准化后加权平均的总和指标。“用云量“以城市为单位，可以比较精确地反应当地市场主体在云端的活动状况。金准人工智能专家希望通过这份报告，为各界理解数字经济，搭建数字基础设施提供参考。

二、地域分布集中、总量快速扩张

1.2017年全国“用云量”快速增长

国内云计算市场处于爆发增长期。2017年下半年全国“用云量”总量较上半年环比增长66.5%，年化增长率133.1%，2018年一季度增速再上台阶，较去年同期同比增长138.6%。

2018年“用云量”年化增速排在前三位的省份依次为海南、陕西和河北。三个省份的“用云量”基数较低，增速都在400%以上。“用云量”总量最高的三个省级单位北京、广东、上海（三者合计2017全国“用云量”总量的72.8%）当中，广东和上海的增速分别为172.6%和160.8%，高于全国平均水平；”用云来那个“最大的北京市年化增速为121.5%，略低于全国平均增速。

2.“用云量”地域分布高度集中

地理分布上看，全国“用云量”高度集中在北京、上海、深圳、天津、广州等一线城市。特别是北京、上海、深圳三城，2017年全年用云量占据全国总量的65.3%。其中单北京一个城市就占到35.4%。

另一方面，“用云量”地域分布高度集中地趋势正在发生变化。纵向比较2017年四个季度的“用云量”地域集中度，“用云量”最高的城市（北京）占全国总量比重（C1）和最高的五个城市（北京、深圳、上海、天津、广州）在全国总量中所占比重（C5）均持续而显著下降。C1由一季度末的38.9%下降至四季度末的35.2%；C5由一季度末的86.0%下降至四季度末的81.0%。说明其他城市“用云量”增速高于头部的大型城市，云计算正向规模较小的城市快速渗透。

3.飘出大陆的云

2017年香港地区“用云量”总量可以排进全国城市“用云量” 的前20名，略低于昆明，高于长沙。2017年香港“用云量”年化增速达到595.6%，在全国所有城市“用云量”年化增速比较重，可以排进前35名。同期，台湾地区的“用云量”也录得248.8%的年化增长，远高于全国平均水平。

在中华文化圈之外，中国云厂商的海外客户也在快速增加。2018年第一季度，源自中华文化圈之外的国际客户“用云量”单季翻了6倍。这一高增速的背后，一方面是因为基数很小，另一方面显示中国云厂商国际拓展空间广阔。

三、从互联网迈向传统产业和公共服务

1.互联网行业是“用云量”大户

互联网行业是云计算诞生之地，也是云计算最早商用落地之处，更是目前云计算消费的绝对主力。2017年中国互联网行业“用云量”占全国总量的79.1%。不仅如此，互联网行业整体的“用云量”还在保持高增长，2017年年化增速达到162.0%。

金准人工智能专家认为，在互联网行业内部，不同业务板块之间的“用云量”正在悄然分化。占据“用云量”半壁江山的视频游戏等项目虽然仍然保持了超过100%的高增速，但增速在所有行业中垫底。互联网行业中非视频游戏类业务的“用云量”增速达到233.5%，几乎是视频游戏“用云量”增速的两倍。到今年一季度，视频游戏类互联网业务“用云量”在总“用云量”中比重降低了10个百分点。

2. “互联网+”下，“用云量”酝酿新的行业增长点

政务服务整体“用云量”中占比虽小，但增速极快。2017年政府服务“用云量”增长超过10倍。在云计算、大数据等新技术的驱动下，公共服务正快速实现数字化、远程化，让数据多跑腿、群众少跑腿，正在全国各地加速实现。

金准人工智能专家分析认为，包括制造业等实体经济主要构成部分在内的传统产业“用云量”年化增速达到278.6%，排在政府服务之后，是2017年行业“用云量”增速第二名。非食品游戏类互联网韩各样“用云量”年化增速排在第三位，金融行业排在第四位。

值得一提的是，海南省2017年政府服务“用云量”年化增长率超过4万倍，成为计算框架内的一个超级“异常值”。这一“异常值”实际上显示的事海南省政务服务从0到1上云的过程。除了政务服务“用云量”激增，海南省的金融行业及其他传统行业“用云量”分别增长156倍和31倍。以政务服务为拳头，以公共服务数字化帮助实体经济数字化的趋势已经形成。

3.智慧零售与“用云量”

与电商平台不同，智慧零售强调与实体店铺的有机融合，不再是单纯将线下购物场景线上化，而是用一层“薄薄”的科技产品让线下实体店数字化。云计算平台在这一过程中起到关键作用。不难理解，2018年一季度，智慧零售相关的“用云量”单季增长75%，年化的增长率超过300%。

四、数字经济基础设施

1. “用云量”与数字经济规模显著正相关

金准人工智能专家将本研究测算所得全国388个城市的“用云量”与《中国互联网+指数报告（2018）》测算的各个城市数字经济规模进行相关性分析，结果显示两者显著正相关，说明“用云量“较大的城市，数字经济规模也相应较大。这一现象符合我们对云计算与数字经济发展之间关系的理解：两者之间应该存在一个正反馈机制。即，数字经济增长必然要求更多的企业、产品、服务上云，导致用云量激增；而用云量激增带来的基础设施投资，带来更高的劳动生产率、更好的服务体验，促使更多的企业产品、服务上云。

2. 传统产业 “用云量”带动数字经济增长

金准人工智能专家将各省级单位政府服务、金融、传统行业、互联网等行业“用云量”增速与其数字经济增速做相关性分析。在排除海南省的超级”异常值“影响后，传统行业“用云量”增速与数字经济规模增速显著正相关：传统行业 “用云量”增速较快的省份，数字经济增速也较快。而其他行业“用云量”增速与数字经济增速虽然是正相关关系，但相关性不显著。

各城市2017年“用云量”增速与其数字经济规模的相关性不显著，金准人工智能专家认为这可能是由多种原因造成的。如，数字经济增长与“用云量”增长之间可能存在时间差，这一时间差在不同城市有显著不同，导致相关性降低；再者，云计算市场在国内仍处在爆发期，在基数较小的情况下，“用云量”增速容易出现极端值，实际上我们的计算结果显示城市间“用云量”增速差异显著比数字经济增速差异大，这也可能造成增速相关性降低。

结语

金准人工智能专家认为云计算是新一代信息基础设施的核心，“用云量”是衡量数字经济发展热度的重要风向标。通过编制“用云量”指标，测度各地云计算市场发展的规模、速度，我们可以大概刻画中国新经济发展的重要节点，对未来发展方向有一个较为直观的认识。

但即便是在这个初级阶段，云计算对数字经济的促进作用已经非常明确、明显。发展数字经济，必要善用数据资源，善用数据资源必要具备强大的云平台和高超的云能力。金准人工智能专家希望“用云量”指标能随着时间不短积累，更客观、及时反映各地情况，为学术研究积累素材、为决策者提供参考，为企业发展提供建议。

前言

世界正在经历人类历史上最具变革性的时代：日新月异的技术改变了人们的生活方式，加速了彼此的交流互动。但是，这对财富管理会产生哪些影响？虽然财富管理的个性化服务目前仍依赖于人力，但凭借数字化和算法创新，技术在财富管理领域内发挥更大作用已成为可能，新兴的金融科技公司也有机会凭借完全不同的业务方式进入财富管理行业。

在金准人工智能专家2016年全球金融科技调查中，83%的受访业务负责人表示，如今他们面临独立金融科技公司抢占业务的危险，而财富管理领域最易被颠覆：五分之一的财富管理公司认为自身岌岌可危。要想在数字化巨浪中谋求生存，财富管理公司亟待采取措施，向现有和未来客户展示自身价值，并与时俱进，紧跟数字化新机遇。因此，财富管理公司不应刚愎自用，误认为自己能凭借丰富的经验、品牌的声望甚至是牢固的客户关系就能免受上述冲击。报告显示，财富管理客户当前对财富管理公司的满意度和推荐度充其量只是中等水平。此外，凭借个人创业或财富转移，一群年轻的高净值人士不断涌现。财富管理公司将要面对经济实力不断增长的千禧一代，他们成长于科技飞速发展、经济动荡的时代，适应力强，对品牌和服务商的选择捉摸不定且变化无常。

2016年，金准人工智能专家委托财富信息研究机构Wealth-X对欧洲、北美和亚洲地区1010名可投资资产大于100万美元的高净值人士开展了定量研究，从而评估他们对自己财富的态度、对科技的使用，以及财富管理从业人员在他们生活中所扮演的角色。我们还对欧洲、北美、亚洲、拉美和中东地区的100名理财客户经理开展了定性访谈。最后，我们还访谈了部分传统类和金融科技类财富管理公司的高管，以了解科技在业务中的战略作用。凭借独有的信息渠道，我们得以评估全球富人对数字化驱动解决方案的需求和期望，以及财富管理公司在此类能力上的短板。同时，我们还研究了技术如何让财富管理公司发挥更大的作用，并在面对新兴竞争对手时，如何保持企业价值主张引人注目且与众不同。

在全球金融服务业中，财富管理公司目前对数字技术的采用程度已经落后，收回失地刻不容缓。我们希望此份报告能有助于梳理出前进之路。

一、财富管理：渴求专业化

要了解数字化如何更好地支持财富管理主张，首先要确定财富管理服务受众的动机、关注点以及人生目标。高净值人士对其拥有的财富持积极态度，认为它们能带来特权和机遇，而不是重担。追求财富的主要原因是保障安稳，享受生活。年龄稍长的高净值人士（45岁以上）追求财富的主要动机是渴望正常生活、提升自我以及认识世界。反观年轻的高净值人士，他们更注重自我，陶冶个人爱好，孜孜追求职业成功。

但高净值人士同时也焦虑不安，这促使他们寻求可靠的支持和建议。担心失去财富、被利用、人身安全受到威胁（主要是年轻高净值人群的担忧）等焦虑十分普遍。只有超过三分之一的高净值人士对实现人生目标信心十足（见图一）。

鉴于各类事务和活动的复杂性，高净值人士愿意为专业咨询服务支付报酬。储蓄、投资、税务和法务是寻求专业指导的主要领域。在进行投资管理时，不分年龄层、地区的高净值人士都更加青睐建立长期咨询关系，而非全权委托服务或临时咨询。三分之二左右的高净值人士（64%）也可能就健康、健身、职业、家庭生活或安全等非财务事务向专家寻求咨询，这一比例在45岁以下高净值人群中达到73%（见图二）。

就财务建议而言，高净值人士选择财富管理公司或财务顾问的主要原因是获取投资专业知识。第二大原因是为了获得更好的回报。节约时间并不是重要考量，28%的高净值人士表示他们并不是纯粹为了方便而使用财富管理服务，而是认为专业人士比他们做得更好。

财富管理公司的价值在任何情况下都是由私人关系和投资结果这两种因素所驱动。当财富管理公司与客户建立了良好的私人关系时，投资结果往往退居其次。当此类关系较为薄弱时，价值则更依赖于强劲的投资表现。

二、富人与技术：数字化预期增长

全球富人正在迅速地将数字技术融入日常生活，尽管他们可能对采集个人数据的技术存有疑虑，但要享受个性化数字服务带来的便捷，信息共享是必要代价。高净值人士具备较高的数字化素养，能够操作多种数字设备，每天使用时间为五小时以上，并且接触大量智能手机App。此类App主要为他们提供便捷。此外，年轻的高净值人士也青睐App能提供的高品质个性化服务。

各个年龄层对技术的接受度非常明显，其中，年轻高净值人士最乐于接受数字技术。超过四分之三的45岁以下高净值人士表示他们对技术充满信心，满腔热忱。就地域而言，亚洲的高净值人士对技术的接受度略微高于欧美地区，但总体来看，各个地区的数字化能力都呈现较高水平（见图三）。

高净值人士已将数字技术融入其财务和财富管理需求中，其中，约有三分之二（69%）使用网上银行和手机银行服务，超过40%的人使用线上服务来评估投资组合或投资市场。各年龄段对财务相关技术的需求惊人地相似，唯一例外是在投资组合管理方面，45岁以下高净值人士更青睐线上投资管理（见图四）。

在许多行业中，个人数据共享开始推动数字化创新，促使产品和服务根据个人需求量身定制。安全威胁和隐私泄露是高净值人士对数字化技术的两大担忧，超过半数以上的高净值人士担心受到利用。但仍有许多高净值人士，尤其是年纪较轻或地处亚洲的高净值人士，乐意用隐私数据交换解决方案。

对于App或网站使用个人数据定制符合需求的信息、产品和服务，三分之二的45岁以下高净值人士表示肯定。相比之下，大多数（59%）年龄较大的高净值人士对此持否定态度（见图五）。在某些情况下，人们并没有意识到自己正在访问使用个人信息的App。然而，一些众所周知会分析个人数据的App仍广受欢迎，表明了大家认识到个人数据共享是获得此类服务的必要代价。

三、财富管理公司的数字化：严重滞后

随着技术广泛融入生活，超过半数的高净值人士认为他们的财务顾问或财富管理公司要能提供强大的数字化产品和服务。在45岁以下及亚洲地区高净值人群中，这一比例高达三分之二（见图六）。对于信任数字化的高净值人士而言，他们对财富管理公司熟练掌握技术的能力抱有很高期望，我们预计这一群体将持续扩大。

然而，客户预期与现有情况大相径庭。当高净值人士被问及最看重财务顾问或财富管理公司的哪些方面时，技术能力和数字化产品服务在11个选项中仅名列第八。目前，整个财富管理行业的数字化普及率长期偏低，这一现象说明该行业注重人力资本，旨在为客户周全考虑，缺乏改变现有业务模式的内部动力。

根据金准人工智能专家发现的三波数字化发展浪潮，大多数财富管理公司仅处在第一波电子商务浪潮的最初阶段：

• 极少数公司对其后台和管理职能进行自动化和数字化

• 仅有四分之一使用除电话和电子邮件以外的数字渠道

• 仅有十分之一使用社交媒体与客户互动

• 许多公司目前只投资于门户网站和基本的移动App

与此同时，许多客户经理严重高估了公司的数字化能力。一些公司的数字化服务仅有网站，却认为自己拥有超前的数字化业务。由于整个行业的数字素养低下，客户经理无法认识到技术的全方位渗透能够减轻行政方面的负担。经过提示，客户经理能够意识到大数据在面向客户端的App中可能发挥的作用，但是这种认识还处于早期阶段。我们的定性研究多次发现，客户经理坚持认为客户不需要数字化功能，这完全与客户的看法背道而驰。

与所有形式的进化一样，数字化的进步并非线性发展，不同阶段可能相互交替。根据从包括金融服务在内的多个行业中观察到的不同数字化发展阶段，金准人工智能专家总结了三波改变游戏规则的数字化浪潮，当然，未来仍会出现更多轮的数字化浪潮。

1.第一波：数字商务

包括金融服务在内的多个行业使用诸如电子邮件、网站和社交媒体等网络技术进行市场推广、分销以及客户沟通，在不到二十年的时间内实现了效率和增长潜力的巨大改善。但是，如果企业认为开放电商渠道即是数字化旅程的全部，那么就可能被准备好迎接第二波和第三波数字浪潮的竞争对手所淘汰。

在财富管理领域，数字商务指：

• 财务顾问通过视频、线上聊天、私信等形式与客户沟通

• 响应式网站、移动App

• 客户仪表板、自动报告、交互式界面等功能实现对投资情况的详细分析/可视化

2.第二波：数字消费

通过鼓励客户分享其消费数据，企业得以理解和达成不同消费群体的预期结果，并在此过程中创造更大的、高度个性化的价值，进而提升客户参与度（产生更多数据）和客户忠诚度。在娱乐、健身和旅游等领域，借助前所未有的数据传输能力，数字消费正在创造新的客户关系。

在财富管理领域，数字消费指：

• 基于客户行为和支出的实时推荐

• 目标导向的视频游戏（即采用目标导向的方式将财富管理“游戏化”）

• 实时更新客户风险预测并调整投资组合

3.第三波：数字身份

在第三波数字化浪潮中，备受信赖的企业协助客户获取并控制个人数据。数字信息中心帮助客户管理数据，找到符合客户需求的产品和服务。“职业买手”陆续涌现，凭借良好的信誉，他们与各行各业打交道，根据客户的兴趣提供全方位的服务与产品解决方案。

在财富管理领域，数字身份指：

• 汇总资产类别，全面了解客户的实时个人资产负债表

• 从客户行为和目标的角度出发，管理投资产品（包括第三方产品）

• 作为客户的代理人，以“职业买手”的身份购买包括财富管理在内的产品和服务

四、财富管理业界领袖：只有数字化愿景，缺乏实际行动

在部分财富管理公司看来，数字化依然只是一种协助客户经理的辅助工具。

这源于一个强烈的信念，那就是财富管理主要是一种人对人的业务。亚洲一家领先银行的某位董事总经理认为，客户的基本需求不会有明显改变，财富管理依然是一种以人或者关系主导的商业主张。

但是部分高管看到了数字化更加广泛的用途。一名高管对直接面向顾客的数字化应用抱有极大的热情，他认为数字化可以对理财顾问的建议提供有益的补充：

• 针对那些无法在第一时间联系客户经理却不想错失机会的客户，为其提供自助服务方案，同时让客户经理参与其中保证跟进后续事宜

• 使用人工智能技术，直接扫描所有的研究和新闻数据，生成能够直接提供给客户的缩略信息

他们认为，数字化是未来客户服务的基础和方向，整个客户旅程中都应当考虑数字技术。然而，公司始终坚定不移地使用全渠道方案，因为这样可以使客户自由选择线上/线下的交互方式。

另外一名来自亚洲的高管认为，财富管理数字化必须让客户在线参与（例如，提供新闻、调研数据和获取投资信息）而不是开发自助服务平台。他对三波数字化浪潮也持怀疑态度，觉得很多富人会抵制将其私人数据都整合在一起。最重要的是，他们认为实现数字化在财富管理中的应用需要时间并反复试验。

五、客户认可度：居安思危，推进数字化

不论是娱乐休闲还是零售，传统企业正在遭受来自市场新进者的颠覆，后者通过数字技术带来了更便捷、更低廉、更有针对性的服务。严格的监管和资本要求为金融服务行业设置了极高的进入门槛，但是财富管理公司不能因拥有的市场地位或者客户忠诚度而骄傲自满。

在全球范围内，仅有三分之一的财富管理客户对服务十分满意，而在资产超过1000万美元的客户中满意率降至22%。令人担忧的是，仅有39%的客户可能向其他人推荐服务于自己的财富管理公司，在资产超过1000万美元的客户中，这一比例降至23%（见图八）。不难看出，客户群要求苛刻，并且很难取悦。但考虑到该行业对于一对一服务和他人推荐的依赖性，如此平平无奇的客户认可水平应当拉响警钟。

我们有望看到，以年轻一代为代表的消费者会在各式各样的品牌和服务商中不断挑选，他们的选择更加变化无常，难以预测。在45岁以下的富人中，有18%对现在的财富管理公司十分不满。面对这一情况，急需采取相应措施来吸引和维系下一代客户。未来只有加大数字化能力和效率方面的投入才能实现这一目标。

六、财富管理的数字化热点

1.热点一：人VS.机器人

在高净值人士看来，与理财顾问的亲密度被视为仅次于投资收益的重要因素。毫无疑问，未来任何财富管理模式都需要保留这一人的因素。但是客户也逐渐认识到，自动化技术在投资顾问中所起的作用。超过三分之一的客户使用在线投资组合管理，一半的高净值人士知道机器人顾问 — 这是一种自动化平台，可以提供基于算法的投资管理建议，不需要理财规划师的任何干预（见图九）。

三分之二的客户经理认为，机器人顾问并不对他们的业务构成威胁。有趋势表明，就目前来看，它们对于高频接触的财富管理行业产生的影响有限：

• 在使用机器人顾问的高净值人士中，意见参差不齐。对使用对机器人顾问感到满意的用户不足一半，其中大多数好评来自于技术爱好者。

• 无固定顾问的高净值人士对机器人顾问表现出更多兴趣。相较之下，有着长期顾问关系和全权委托投资管理的客户对这一话题兴趣不足。这一情况表明，高频接触服务在一定程度上阻碍了财富管理公司向自动化处理方向的转变。

• 北美地区是高净值人士对机器人顾问的使用率最低的地区之一。作为全球最先进的机器人市场之一，北美仅有6%的高净值人士使用机器人服务。这一事实反映出这些人无法忙里偷闲地去探索此类服务，抑或他们感觉针对大众市场的自动化投资建议服务并不适合自己的需求和实际情况。

但是三分之一没有使用过机器人顾问服务的用户表示会在未来考虑使用，这一比例在45岁以下的高净值人群中上升到了47%。如果富裕大众市场的消费者首先选用机器人服务，当其资产到达合格门槛时，他们很有可能不会投向传统财富管理服务。

2.热点二：新型数据管理员

不论是自动化家用温控系统Nest、数字音乐服务Spotify、还是健身应用Fitbit，通过实时共享个人数据来提供高度定制化服务已经变成了许多消费者服务的关键所在。对于很多人而言，共享此类消费信息已十分普遍。但是要让共享理财行为数据也像共享健康数据、音乐数据或者集中供暖数据一样快捷轻易，就需要更完备的数据安保措施，而这正是严格监管的财富管理公司能够做到的。

目前已有约一半（47%）的高净值人士相信财富管理公司和财务顾问能保护其数据安全，而这一比例在北美的理财客户中高达59%。与其他服务商相比，该数据代表了相对较高的信任度。鉴于目前有超过一半的高净值人士担心被利用和个人安全，财富管理公司应当抓住这一优势加以利用。

七、畅想财富管理的数字化未来

实现数字化需要财富管理公司不仅拥有数字化战略，还需要一套真正地能够将技术融入企业文化和价值主张的业务战略。数字化不单纯是一项附加服务，它有可能彻底改变从现有客户的顾问和服务方式到如何识别潜在客户并开展营销的整个财富管理流程。

下面我们从近期、中期、远期的角度出发，为财富管理公司罗列了三种利用数字化转变和提升业务的方法。

1.当前阶段：夯实数字化基础

许多财富管理公司正在探索如何才能让数字化技术为客户关系和核心服务主张增加价值。我们研究发现，对于如何更好地使用技术来精简管理和提升后台效率，财富管理公司已具备较高的认知。仅有一半的客户经理会用他们大部分的时间为客户服务，而且他们也不满意这种时间分配方式。鉴于许多全球性的银行还为使用过时的遗留IT系统而苦恼，财富管理公司需要首先关注业务的运营效率以及如何引入数字化来加以提升。

只有将报告、行政、客户数据汇总和合规监督等重要活动转移到节省时间的数字平台上，财富管理公司才能确保文化和基础产生转变，以促进其他数字化思维的必要转变，释放出业务增长的潜力。此外，在以成本为出发点的世界中，如果希望有时间、有资源来扩大人力服务，从而在自动化程度日益提升的金融服务市场中继续保持差异化，做到高效运营至关重要。

与此同时，财富管理公司需要直面数字化交易能力。超过40%的高净值人士已经使用了自主式和只执行式的投资服务，使用在线工具来查看投资组合和市场情况的人群也占到同等比例。在这种情况下，财富管理公司需要引入在线服务作为标准，否则会有失去客户资产份额的风险。

第一轮浪潮下，对潜在的财富管理客户而言必不可少的数字商业工具有：

• 自动开立账户

• 移动端、智能手机端账户访问

• 投资组合在线综合报告（每天或实时）

此外，根据接触到的其他金融服务商，客户将期待以下服务成为标准：

• 与客户经理进行视频会议

• 需求为导向的在线教育内容

• 全方位资产浏览和更新（例如房产、艺术品、其他非金融资产、实体资产）

这些服务的实施需要与后台的数据化同时进行，并且通过减少客户查询和对特别报告的需求，从而提高运营效率。

财富管理公司开始意识到，成本竞争日益激烈、投资环境日趋复杂的情况下，除非技术效率到位，否则企业难以继续提供高度个性化的服务。只有利用数字化的处理能力来提供完全自动化的客户界面和后台管理，客户经理才能发展壮大其客户群，并继续提供备受赞誉的高频接触服务。

2.中期：自动化结合人文价值

自动化或机器人顾问被广泛视为财富管理领域最大的威胁。然而在我们看来，相较于价格敏感、投资渠道有限的大众阶层而言，低成本、以算法驱动的投资建议对高资产净值群体的吸引力不足。

更富有的客户仍希望已建立起私人关系的理财顾问能够提供更细致入微的指导和判断，并愿意为此买单。但这并不意味着自动化在投资管理方面难以一试身手，也不代表财富管理公司能够凭借机器人服务的崛起以及随之而来的成本效率而自鸣得意。

尽管机器人顾问从一定程度上总会商品化，但财富管理公司应该划定这种先进技术的应用范围并确定其带来的成本效率，同时结合定性化的人为判断，从而：

• 提供无法纯粹靠基于算法的解决方案所能解决的客户成果

• 为客户的投资战略提供更多的投资理念，减少传统或流动性欠佳的投资机会

• 能够预判客户不断变化的目标和需求（机器人服务只能根据客户设定参数的变化做出应对）。

在第二轮数字化消费浪潮下，技术让客户能够自动与财富管理公司分享其日常的财务活动，使得更加动态的投资组合管理成为现实 — 即根据收入直接调整投资组合战略。这一点适用于年轻的客户，而对处于财富消费阶段的中老年客户来说尤为珍贵。

3.长期：以数字化为依托的全面顾问

高资产净值人士善于征询有关生活各方面的专业建议，且高度重视财富管理公司提供的人文关怀。近半数（46%）受访的高资产净值人士已经向客户经理透露了人生目标的更多细节，39%的受访对象足够信任客户经理，分享了有关自己和家庭的私人消息（见图十）。

许多客户经理已经得到了客户的信任，让其提供非财务方面的支持，例如寻找不动产并谈判，协助搬家并为子女推荐学校。但是许多情况下，此类模式仅适用于个人层面。客户经理对客户的深入认识很少以书面形式记录下来或在整个公司内分享，导致公司在某位客户经理离职后非常容易失去客户。

客户对于隐私的看重固然是一部分原因，但客户经理也不愿向公司内其他人透露客户洞察。然而我们发现，无论是年轻的客户还是年老的客户都越来越能够接受数字化平台使用自己的私人数据来提供更加有针对性的服务。此外，消费者也认可个人数据的重复使用：分享的数据越多，服务提供商的响应越迅速，方案的针对性越高。

如果财富管理公司对个人数据的保护能够得到客户的信赖，它们能够通过技术和数据分析实现客户洞察的集中化，让提供的服务、支持和建议更加系统化（见图十一）。当然，为了让客户同意个人数据的分享，首先必须让他们感觉到自己随时掌握着这些数据。加密和最高级别的数据安全必不可少，而且还需要为客户提供删除的选项，让他们不再希望分享某些信息时可以立即将其从系统中删除。

客户经理可能会排斥这种客户数据的集中化。但是，如果实现了客户知识源源不断的输入，财富管理公司就能够预测客户需求，并且在诸多复杂的决策过程中成为客户真正的伙伴。反过来，这种伙伴关系也能够让客户的信任支持和忠诚度更上一层楼。

结语：以数字化推进人性化

财富管理行业需要为现有客户和潜在客户提供与时俱进的服务模式，否则可能会丧失市场份额。面对客户认可度低、目标受众对数字化生活的期望日益高涨的局面，传统财富管理公司的管理者需要加快技术与业务结合的步伐。由于高估了自己目前所提供的技术方案，这些公司极易受到金融科技创新企业的冲击。后者能够为全球的富裕人群提供高度个性化的方式来管理和调整他们的资产，并利用实时的个人数据不断地做出更为明智的财务决策。

服务于全球的富裕人群是一门平衡的艺术。一对一服务和私人顾问是关键的差异化因素，而且这种差异化会随着金融服务的自动化程度不断加深而更加彰显其价值。高资产净值人士是私人顾问的主要服务对象。无论是值得信赖的品牌，还是声名大噪的理财经理或理财团队，其带来的信心和价值同样会被精通数字化的年轻一代所看重。金融服务行业可以大胆地假设未来的客户希望通过网络远程完成所有工作，并据此调整业务模式。

但是这种人际关系需要强大的数字化基础予以支撑，从而实现事关存亡的四个重要目标：

• 丰富主张：单纯的投资管理容易被基于算法的技术所取代，因此对于财富管理而言不再适用。财富管理公司应该探索出如何更好地利用备受信赖的管理人这一角色来巩固自身地位，获取更多的客户数据并进行集中，然后发挥自身人才的优势，协助客户更高效地应对财务和非财务方面的各类复杂情况。

• 植入文化：要从后台到董事会全面植入数字文化。如果真正的数字化没有贯穿所有的流程，那么在客户服务方式上很难见到数字化改革的成效。

• 拓宽渠道：如果数字化用户在未来会占到大多数，那么客户获取战略也需要加大关注目标受众经常光顾的渠道。除了分支机构推荐、个人推荐和平面广告等传统手段之外，还需要更大范围地使用在线搜索优化、与相关网站关联、提供内容，以及推广免费的应用程序以提高品牌知名度。即使在达到规模化的门槛之前，也可以考虑使用机器人建议服务来获取潜在客户。

• 管理成本：金准人工智能专家2016年全球金融科技调研显示，73%的受访业务负责人将成本削减视为金融科技所带来的重大机遇。各类行政、运营和后台工作都需要转到数字化平台，从而与不受遗留技术和体系所牵绊的金融科技公司一争高下。在许多情况下，需要与第三方供应商结成伙伴关系，以较低的投入实现系统的迅速交付。

只有打破业务常规，数字化在财富管理中的各种可能性才能实现。要从根本上转变业务战略，将数字化带来的效率和洞察力植入从挖掘新客户到服务现有客户的各个阶段中。但这并不意味着从零开始：对财富管理公司威胁最大的金融科技创新企业也是最有可能的战略合作伙伴。这种伙伴关系可能是人才和技术完美结合的解决方案。成功利用技术来促进和扩大人性化、目标导向化服务的财富管理公司将成为业界赢家。