前言

智能芯片的分类有很多，一般智能芯片就相当于一个单片机，负责处理收集到的感应信号，再通过电器开关驱动电力马达，将指令传递给传动系统来完成初始要达到的效果。那么智能芯片发展前景会是怎样的呢?

前言

比起人类，深度学习算法已经在很多任务上的表现更优秀。但它们的学习效率很低。一个电子游戏，人类玩一个下午大概就会了，而算法得花上百个小时。Deep Mind认为，这可能是人类的元学习能力占了优势。

Deep Mind指出，人类之所以能非常快地掌握新事物，原因可能是能从以往的经历中提取出规律，这种能力称为元学习。

不过元学习的底层机制一直是个谜。

Deep Mind利用元强化学习来解释人类大脑的快速学习原理，探索多巴胺（dopamine）在人脑学习中的地位，并据此提出了强化学习模型未来的发展思路。

一、前额叶皮质——人脑中的“元强化学习系统”

Deep Mind在该研究中使用AI来探索大脑中的多巴胺所发挥的帮助学习的作用。通过这项研究，Deep Mind使用元强化学习（meta-RL）算法，指出多巴胺的作用不仅仅是奖励对过去行为的学习，它发挥的是整体作用，特别是在前额叶区域，它使我们能高效地学习新知识、执行新任务——而不需要像深度学习算法那样，依赖大量数据进行训练。

多巴胺是人们所熟悉的大脑快乐信号，通常被用来类比AI强化学习算法中使用的奖励预测误差信号，AI和人脑通过反复试错来进行学习与决策，正是由这种奖励推动的。

1.什么是元学习

说到什么是元强化学习，必须先说到什么是元学习。

正如我们所见，目前，AI系统已经掌握多种视频游戏（例如Atari的经典游戏 Breakout和Pong）的玩法，或像阿尔法狗一样学会了下围棋。虽然其表现令人印象深刻，但AI仍然依赖于数千小时的游戏经验才能达到并超越人类玩家的表现，而人类仅需数分钟就可以掌握视频游戏的基本玩法。对大脑何以能在少量的经验下快速学习这一问题的探究推动了元学习（meta-learning）或“学习如何学习”理论的发展。

由于人脑往往轻而易举便能学会更加错综复杂的事物，人们提出了“元学习”理论（theory of meta-learning），换句话说，就是“学习如何学习”。一般认为，我们的学习可以分为两个时间尺度：短期学习中，我们往往更专注于事实的学习；而长期学习中，我们更偏重任务中抽象的技巧与规则。正是这样长期、短期学习的结合帮助我们有效学习，并得以在新任务中快速而灵活地应用新知识。

2.什么是元强化学习

而在人工智能系统中，这种“元学习”结构的再创造被称为“元强化学习”（meta-reinforcement learning），在进行快速、单次的学习任务中极富有成效。然而，要从神经科学角度解释人脑中相应的机制则困难得多。

元学习，即从例子中快速学习，以及随着时间的推移从这些例子中明白事物的规则。这被认为是人类比AI能更有效地获得新知识的原因之一。

在 AI 系统中基于强化学习算法创建这种元学习结构，即元强化学习（meta-RL）。

二、多巴胺在人脑学习中的作用

我们最新运用了人工智能研究中“元强化学习”的框架，以探索多巴胺（dopamine）在人脑学习中的地位。多巴胺因作为大脑中的“快乐信号”被大家熟知，目前被认为是一种“奖励预测误差”（reward prediction error，RPE）信号，类似于人工智能中的强化学习算法。Deep Mind提出，多巴胺的功能并不只是从过往事件中估测奖励值。事实上，多巴胺尤其在前额叶皮质区中扮演着且重要的整体性角色，使我们在新任务中高效、迅速、灵活地学习。

Deep Mind虚拟再现了神经科学领域中6个现实的元学习（meta-learning）实验来测试他们提出的理论。每个实验需要一个元强化学习智能体（meta-RL agent）使用相同的基础原则或技能（但在某些维度上有所变化）来执行任务。研究者使用标准的深度强化学习技术（代表多巴胺）训练了一个循环神经网络（代表前额叶），然后对比该循环神经网络的活动数据和之前神经科学实验研究成果的真实数据是否相同，以求证明其理论。

Deep Mind虚拟再现的其中一个实验是Harlow实验，这是一个 1940 年代提出的心理训练测试，用于探索元学习的概念。在1940年的Harlow实验训练中，研究人员先向一组猴子展示了2个它们不熟悉的物体并让它们进行选择，其中1个物体能带来食物奖励。这两个物体被展示了 6 次，每次展示中两个物体的左右位置都是随机的，因此猴子必须学会选择哪个物体才能带来食物奖励。然后，研究人员又向它们展示了2个新物体并让它们进行选择，这时也是只有其中1个能带来食物奖励。通过该训练过程，猴子摸索出了一种策略来选择可以获得奖励的物体：猴子学会了在第一次选择时进行随机选择，然后基于奖励反馈选择有奖励的物体，而不是只选择左右位置。该实验证明了猴子可以从例子中快速学会完成任务，并学会抽象的任务规则，即元学习（meta-learning）。

虚拟Harlow实验中，元强化学习智能体需要将关注点移向它认为与奖励相关的目标

人类要有很强的学习能力，掌握到多变事物的规律，不可能仅依赖突触增强这种长期慢性的改变。这暗示着多巴胺很可能有能力抽象出模块化的信息。不过，这不是科学家首次用AI模拟人脑。

荷兰内梅亨大学就用循环神经网络预测出了人脑处理感知信息的过程，特别是视觉刺激。但Deep Mind官博认为，大体来讲这些发现对机器学习领域有更大的启发，对神经生物学倒没起到什么推进的作用。

去年，Deep Mind针对人脑的部分解剖结构建模，用神经网络模仿前额皮质的活动以及海马的记忆。结果得到了一个强于大多数网络的AI。最近，DeepMind把研究重心转移到了理性机制上，造了一个合成的神经网络，可进行逻辑推演以及解决问题。

通过这个多巴胺的研究，医学界终于可以从神经网络研究中有所收获和启发了。

从AI里获得对神经生物学界有启发的认知洞见，这两个学科之间的互哺非常可贵。希望随着AI研究的深入，对人脑的运作机制有更多的了解，进一步设计出学习能力更强大的智能体。

Deep Mind使用虚拟计算机屏幕和随机展示的图像模拟了一个类似的测试。他们发现元强化学习智能体（meta-RL agent）的学习方式与Harlow实验中的猴子非常相似，这种相似性即使在展示完全没见过的全新图像时也会存在，即元强化学习智能体（meta-RL agent）能快速学习解决不同规则的大量任务，而且因此它还学到了进行快速学习的通用法则。

事实上，这些元强化学习网络迅速地适应了一系列不同规则和结构的实验任务；也正是因为它们已经了解了如何适应各种任务，它们还学会了高效学习的一些普适性原则。

上图展示了元强化学习算法在多个任务基础上学习如何高效地解决新任务

更重要的是，传统神经科学观点认为，多巴胺可以加强前额叶系统中神经元间的突触联系，慢慢的改变神经元间突触的权重，从而强化大脑的特定的行为。而Deep Mind此次研究结果表明多巴胺不仅可以通过改变突触权重来强化大脑的特定行为，还可以快速编码和传输关于抽象任务规则的重要信息，使得大脑能够更快适应新任务。

模拟循环神经网络中编码动作和奖励历史的独立单元

而且，长期以来，神经科学家们发现前额叶皮质中有类似上一段提到的神经激活模式，这种模式适应速度快且灵活，但他们一直找不到一个合理的解释。前额叶皮质的神经网络不依赖缓慢的突触权重变化来学习抽象任务规则，而是使用多巴胺直接编码的基于模型或例子的信息来快速学习，这个思路为前额叶皮质快速而灵活神经激活模式提供了更合理的解释。

据此，Deep Mind不仅为神经科学做出了贡献，还运用了元强化学习（meta-RL）算法使AI像人脑一般可以快速解决并适应新的任务。

三、元强化学习（meta-RL）的意义

近年来，Deep Mind团队的阿尔法狗打遍围棋界，这让大家惊讶，Deep Mind似乎解决了通用AI中极其核心的一个问题，就是要让AI自己学会思考、学会推理。去年，Deep Mind团队又宣布要用AI挑战《星际争霸2》电脑游戏，然而却遭遇失败。

这是因为AI学会下围棋，是运用了深度强化学习的方法，而非AI真的学会了推理。在围棋棋盘上，给AI提供的选择数量仅有几百个，而《星际争霸2》给AI提供的选择数量达到上千万个，AI需要非常长的时间熟悉这些选择与选择带来的结果，才能做出正确的选择。

然而在面对巨量选择的情况下，人类依然没问题，而且人类通过战略战术大幅度降低了选择范围，因此如何使AI能够学会思考，而不只是从过往经验中慢慢强化正确选择，并快速构建战略以完成新目标非常关键。而模仿人类的元学习（meta-learning）便是使AI学会处理这种高难度问题的解决方法。

运用元强化学习（meta-RL）算法的AI能真正帮助人类解决各种类型的问题，而不只是执行某个特定任务，这将使得AI真正适用到人们的生活、工作中。以AI机器人将来或走进千家万户为例，每个人对AI机器人的要求是不同的，每个家庭的环境也并不相同，如果AI机器人运用元强化学习（meta-RL）算法，则不需要长时间的学习就能快速灵活的适应每个家庭的需求。

总结

一直以来，神经科学家们在前额叶皮质中观察到了不少类似的神经活动模式，然而关于这些适应及时且具有灵活性的模式，他们始终没能找到合理的解释。对于神经模式的多变性，有一种较为合理的观点：前额叶皮质并不依赖于突触权重随着规则结构学习的缓慢改变，而是基于直接编码于多巴胺的抽象模型信息。

我们的研究证明了，人工智能中元强化学习的关键因素同样存在于大脑中，而提出的理论不仅结合了对多巴胺和前额叶皮质的现有认知，还解释了神经科学与心理学的许多未知现象。

这进而引发一些对其他问题的思考：基于结构和模型的学习是如何发生在脑中的？为什么多巴胺本身就编码模型信息？前额叶皮质的神经元是如何调节学习信号的？此外，从人工智能得到的结果能应用到神经科学、心理学等其他学科的发现上，这就进一步强调了不同学科领域间的互惠价值。未来我们期待这一研究成果能够反向，从大脑神经环路的组织结构中获得启发，从而设计出更新、更好的强化学习模型。

前言

存储器市场爆发，DRAM市场前景看好。2017年全球存储器市场增长率达到60%，首次超越逻辑电路，成为半导体第一大产品。DRAM继续保持半导体存储器领域市占率第一。DRAM厂商中，三星、SK海力士和美光均采用IDM模式继续保持垄断地位，合计市占率超过95%，国产厂商开始积极布局，2018年将实现量产，有望逐步改变当前产业格局。DRAM消费产品中，移动终端、服务器和PC依旧占据头三名，合计占比86%，未来将继续拉动DRAM消费增长。

三星领先优势明显，传统技术难以替代。三星于2017年开始量产第二代10nm级8GbDDR4DRAM，并持续扩大整体10nm级DRAM的产能，继续维持与其他DRAM大厂1-2年以上的技术差距。新型存储器由于存在CMOS兼容问题和器件级变化性，且DRAM的性价比高，技术成熟且具有规模优势，金准人工智能专家预计未来5-10年内难以被替代。

同时，由于DRAM的平面微缩接近极限并向垂直方向扩展，18/16nm之后，薄膜厚度无法继续缩减，且不适合采用高介电常数材料和电极，继续在二维方向缩减尺寸已不再具备成本和性能方面的优势，3DDRAM在宽松尺寸下能够实现高密度容量，且寄生阻容减少，延时串扰低，未来可能成为DRAM的演进方向。

受益于需求增长拉动，DRAM保持量价齐增态势。随着5G商用逼近以及云计算、IDC业务的拉动，移动终端、服务器和PC侧的消费需求增长明显。各大厂商扩产热情不减，包括三星在韩国平泽的P1厂房和Line15生产线，SK海力士的M14生产线，以及美光在广岛的Fab15和Fab16的扩产计划，但由于光刻技术接近瓶颈，良率问题日益突出以及新技术的出现，各厂商工艺进程都有所推迟，金准人工智能专家预计2018年全球DRAM产能增加10%，2018年DRAM依旧保持量价齐增态势。

一、半导体产业格局：价格推升成为半导体领域最大细分市场

1.全球半导体格局：亚太成为全球重心，存储器首超逻辑电路

存储器作为半导体行业的重要分支，在经历了2015和2016年的持续走低后，2017年，全球存储器市场迎来了爆发，增长率达到60%。世界半导体贸易统计协会报告显示，2017年，存储器销售额为历年来新高，超过1200亿美元，占全球半导体市场总值的30.1%，主要原因是DRAM和NANDFlash从2016年下半年起缺货并引发涨价，2017年，DRAM平均售价同比上涨77%，销售总值达720亿美元，同比增长74%；NANDFlash平均售价同比上涨38%，销售总额达498亿美元，同比增长44%；NORFlash为43亿美元。金准人工智能专家分析，三大存储器的价格大幅上涨导致全球存储器总体市场增长58%，存储器也首次超越历年占比最大的逻辑电路，成为全球半导体市场销售额占比最高的分支，在产业中占据极为重要的地位。

2017年半导体产品市场全球地区分布中，亚太及其他地区占比为60.6%，同比增长18.9%；北美地区占比为21.2%，同比增长31.9%；欧洲地区半导体产品市场占比为9.3%，同比增长16.3%；日本半导体产品市场占比为8.9%，同比增长12.6%。亚太地区作为全球最大的半导体消费市场，金准人工智能专家认为主要有两方面原因：一是由于中国产品规模在亚太地区的占比逐年提升，2016年占比更是创下92.4%的历史新高；二是由于中国的产品规模逐年增加，且增长率连续几年都高于亚太及其他地区整体水平，中国市场的良好表现有效拉动了整个亚太地区的增长。

2.DRAM全球市场：市占率第一，三巨头垄断地位难撼动

2.1DRAM继续占据存储器细分市场第一

2017年全球半导体存储市场，DRAM的价格/Gb增长了47%，由于价格大涨，DRAM市场规模到达722亿美元，较2016年的415亿美元增长了74%，市场占有率53%，继续保持半导体存储器领域市占率第一的地位。

2.2DRAM供给侧分析：国内在建产能释放有望逐步改变市场格局

从当前DRAM全球市场份额来看，韩国独占鳌头，市场集中度很高。金准数据显示，2017年三季度，韩国半导体行业两大巨头——三星和SK海力士在全球DRAM市场份额合计达到72.4%，占据全球领先地位。其中，三星以44.5%的市场份额稳居市场第一宝座，SK海力士以27.9%的市场份额紧追其后，美光科技（22.9%）、南亚科技（2.2%）、华邦电子（0.8%）分列其后。

从制程工艺角度来看，DRAM存储器已经步入10nm阶段。据金准人工智能专家了解，目前，三星已大规模采用20nm工艺，并率先量产18nm工艺。SK海力士则以25nm工艺为主，已导入21nm工艺。美光目前以30nm工艺为主，20nm工艺进入良率提升阶段。2017年底，三星已开发出全球最小的动态随机存取记忆体（DRAM）芯片，采用10nm级工艺，继续扩大对竞争对手的技术领先优势，同时将在2018年把多数现有DRAM生产转为10nm级芯片。

金准人工智能专家预测，国内厂商在DRAM领域一直处于空白，但有望于2018年实现突破。目前已形成福建晋华和合肥长鑫两大阵营，其中，福建晋华的是32nm的DRAM利基型产品，主攻消费型电子市场；合肥长鑫的是19nmDRAM，主攻行动式内存产品，并且将在2018年底前实现试产，开通生产线。此外，长江存储和兆易创新也对DRAM进行了布局。

福建晋华集团与台湾联电合作，一期投资370亿元，在晋江建设12英寸晶圆DRAM厂，2018年建成月产能6万片，年产值12亿美元。规划到2025年四期建成月产能24万片。

合肥长鑫投资494亿元建设12英寸DRAM工厂，预计2019年底将实现达12.5万片的月产能，以生产19nmDRAM产品为主。

长江存储启动了武汉存储器基地建设，总投资240亿美元，计划2018年投产，2020年形成月产能30万片的规模，其中涵盖DRAM。

兆易创新将与合肥市产业投资控股有限公司合作开展12英寸晶圆、19nm工艺存储器的研发项目，包括DRAM内存颗粒，项目预算约180亿元人民币，此次项目建成后将实现月产能2000-3000片。

金准人工智能专家认为，国内厂商由于仍处于起步阶段，存储器的研发能否成功，未来几年将是关键期，研发成功后，良率能否提升到较高水平，成本控制是否能够达到预期，知识产权能否做到有效保护等，仍然有一定的不确定性，从研发成功至量产并形成销售，仍然需要长达几年时间。因此，金准人工智能专家预计国内在建产能是个逐步释放的过程，但随着国内在建产能陆续释放，国家存储器产业的不断成熟，有望逐步改变当前的产业格局，对全球DRAM产业发展起到积极推动的作用。

2.3DRAM分产品对比：移动终端、服务器、PC依旧是三大主力市场

2010-2017年，DRAM各类应用产品中，移动终端的份额持续提升，服务器份额也稳中有升，PC份额大幅下降。2017年DRAM市场份额中，移动终端占据约37%的市场份额，领跑DRAM应用市场；服务器约20%紧随其后；PC约13%位列第三，移动终端、服务器和PC也构成了DRAM三大消费产品，合计占比约70%。

金准人工智能专家预计到2018年，DRAM移动终端和服务器消费份额将继续增长，PC消费将继续下降，到达历史最低点。

3.产业链模式：存储器产业崛起有赖于IDM水平

观察全球存储器产业模式，不同于垂直分工模式，存储器产业基本采用的是IDM模式，采用IDM模式的产值占比存储芯片总产值90%以上。三星、SK海力士、美光等DRAM巨头无一例外都采用IDM模式，都拥有自己的晶圆制造厂与封测厂，产业布局相当完善。IDM模式的优势在于其具有资源的内部整合优势，以及具有较高的利润率。由于IDM模式贯穿半导体生产流程的始终，不存在工艺流程对接问题，新产品从开发到面市的时间较短，且因为覆盖前端的IC设计和末端的品牌营销环节，具有较高的利润率水平。

存储器产业竞争的核心要素在于制造工艺和规模化效应。由于芯片设计相对简单，标准化程度高，导致存储芯片产业极其依赖规模化，同时工艺制程转变快，紧跟摩尔定律。各厂商之间竞争的特点是通过拼制造工艺、拼产能，最终赢得市场，所以生产制造能力是存储器厂商的核心竞争力，各厂商往往严格把控，台湾地区存储器产业之所以走向没落，没能打造出强大的IDM厂商是一个重要因素。因此，我们认为DRAM产业采用IDM作为主流竞争模式短期内不会改变。

二、存储器分类及DRAM

1.存储器概念、作用及分类

存储器的主要功能是存储程序和各种数据，并能在计算机运行过程中高速、自动地完成程序或数据的存取，是具有“记忆”功能的设备。存储器的种类很多，按其用途可分为主存储器和辅助存储器。主存储器又称内存储器（简称内存），可以与CPU直接交换数据，特点是速度快，容量小，价格高。

辅助存储器又称外存储器（简称外存），是指除计算机内存及CPU缓存以外的储存器，此类储存器一般断电后仍然能保存数据，用来存放当前没有使用的程序和数据，特点是速度慢，容量大，价格低，常见的外存储器有硬盘、软盘、光盘、U盘等。按照关闭计算机时数据是否丢失，可分为易失性存储器和非易失性存储器。易失性存储器在关闭计算机时数据会丢失，非易失性存储器在关闭计算机时数据不会丢失。

按照存储介质来分，可以分为光学存储器、半导体存储器和磁性存储器。其中，光学存储器非易失，耐用性好，记录密度高；半导体存储器体积小、存取速度快、存储密度高、与逻辑电路接口容易；磁性存储器非易失，存取速度慢。半导体存储器按照功能又可分为只读存储器ROM和随机存取存储器RAM。

1.2DRAM工艺流程

DRAM是随机存储器RAM的一种，也是最为常见的系统内存，DRAM使用电容存储。由于DRAM只能将数据保持很短的时间，当关机或断电时，其中的信息都会随之丢失，为了保持数据，必须隔一段时间刷新一次，如果存储单元没有被刷新，存储的信息就会丢失。

DRAM工艺制造分为八个步骤，分别是浅槽隔离、阱、栅极、存储单元及周边电路器件、电容、接触孔、金属线和通孔、钝化层及引脚，每个步骤由一步或多步工艺流程制成。

1.3DRAM产品细分

SDRAM（同步动态随机存储器）作为DRAM的一种升级，是通过在现有的标准动态存储器中加入同步控制逻辑，利用一个单一的系统时钟同步所有的地址数据和控制信号。使用SDRAM不但能提高系统表现，还能简化设计、提供高速的数据传输。在功能上，它类似常规的DRAM，且也需时钟进行刷新。SDRAM是一种改善了结构的增强型DRAM，已经逐渐成为PC机的标准内存配臵。

SDRAM从发展到现在已经经历了五代，第一代SDRSDRAM为单倍数据传输率，第二代DDRSDRAM为双信道同步动态随机存取内存，第三代DDR2SDRAM为双信道两次同步动态随机存取内存，第四代DDR3SDRAM为双信道三次同步动态随机存取内存，第五代DDR4SDRAM为双信道四次同步动态随机存取内存，每一代的更新都伴随着传输速率的大幅提升。

三、DRAM发展趋势：传统技术难以替代，各厂商技术竞赛

1.存储技术对比

从市场规模来看，当下最主流的存储器是DRAM，NANDFlash，NORFlash，尤其是前两者，占据了所有半导体存储器规模的95%左右。DRAM需要不断的刷新，才能保存数据，主要应用在内存里，而NANDFlash容量较大，改写速度快，适用于大量数据的存储，应用市场包括记忆卡、U盘及固态硬盘（SSD）等。

在某些领域，新型存储器已经涌现，从目前的结果看，阻变存储器（RRAM）容量大、速度快（读写时间<10ns）、能耗低，相比于其他新型存储技术，与CMOS工艺兼容，被认为是代替DRAM的一个可能的选择。但是由于其严重的器件级变化性，且DRAM的性价比高，技术成熟且具有规模优势，预计未来5-10年内很难被替代。

2. 3DDRAM技术

由于DRAM的平面微缩正在一步步接近极限并向垂直方向扩展，18/16nm之后，由于薄膜厚度无法继续缩减，以及不适合采用高介电常数材料和电极等原因，继续在二维方向缩减尺寸已不再具备成本和性能方面的优势。

3DDRAM技术体现在芯片层面，而非晶体管层面，即其3D指的是3D封装——采用TSV将多片芯片堆叠在一起，随着电子产品对DRAM容量要求和性能的提升，未来3DDRAM比重将呈上升趋势。

3DDRAM优点：

1）宽松尺寸下实现高密度容量：和3DNAND类似，Z方向的扩展能力使得其对平面微缩的要求降低，从而可以在较大制程下大幅提升单根内存条容量。

2）寄生阻容减少，延时串扰降低：改用3D封装之后，很多芯片之间的连接由水平面上交杂的铜线变成了垂直方向的通孔，互连线长度大大降低，从而极大的改善了后道线间延时和串扰，对芯片性能的提升有很大的帮助。

3.三大厂商积极布局

从现阶段的技术发展而言，韩国的三星电子依然领先于SK海力士、美光等竞争对手，三星除了积极扩大存储器产量，确保市场上的领先地位之外，也积极发展晶圆代工事业，将其视为半导体领域的新成长动力。

3.1三星扩产维持技术优势

2017年12月20日，三星宣布已开始量产第二代10nm级8GbDDR4DRAM，并持续扩大整体10nm级DRAM的生产，有助于满足全球不断飙升的DRAM芯片需求，继续加强三星市场竞争力。第二代10nm级8GbDDR4是全球尺寸最小DRAM，采用先进的专有电路设计技术，比第一代芯片快10%，功耗降低15%。相比第一代10nm级工艺，采用第二代工艺可使产能提高30%，扩大行业领先优势。

三星还将加速其下一代DRAM芯片和系统开发计划，包括应用于企业服务器、移动设备、超级计算机、高性能计算系统和高速显卡的DDR5、HBM3、LPDDR5和GDDR6等产品。此外，三星预计将迅速提高第二代10nm级DRAM产品产量，而且还将生产更多的主流的第一代10nm级DRAM，共同满足全球高端电子系统对DRAM产品日益增长的需求。

三星可能采取的扩产动作，除了应对供给吃紧状况，最重要的是借助提高DRAM产出量，压抑内存价格上涨幅度。虽然短期内的高资本支出将带来折旧费用的提升，并导致获利能力下滑，但三星着眼的是长期的产业布局与保有其在DRAM市场的领先地位，以及与其他DRAM大厂维持1-2年以上的技术差距，提升新进者进入门槛。此外，明年是中国内存发展的元年，三星透过压低DRAM或是NAND的价格，将能提升国内竞争者的进入门槛，并使竞争对手亏损扩大、增加发展难度并减缓其开发速度。

三星有意将其平泽厂二楼原定兴建NAND的产线，部分转往生产DRAM，并全数采用18nm制程，加上原有Line17还有部分空间可以扩产，预计三星此举最多将2018年DRAM产出量提升80-100K，也代表三星的DRAM产能可能由2017年底的390K一口气逼近至500K的水平，亦将带动三星2018年bitgrowth由原本预估的18%成长上升至23%。

3.2受惠于市场需求，SK海力士导入新技术和新工艺

2017年全球市场对存储器需求猛涨，特别是服务器领域，全球互联网数据中心迅速增加。受惠于服务器市场的强劲需求和移动产品价格上涨，SK海力士2017年Q4市场形势继续良好，DRAMbitgrowth增长3%（环比），平均销售价格上涨9%，营收约84.5亿美元，同比增长68%，营业利润约41.83亿美元，同比暴涨191%，营业利润率49%，净利润约30.13亿美元，同比增长98%。其中DRAM营收占该季度营收77%，NANDFlash营收占该季度营收22%。

SK海力士将通过在服务器和SSD产品导入新的技术与工艺来满足日益增长的市场需求。未来将扩大1xnmDRAM产能，这一产品已在2017年Q4量产，并应用于PC、移动设备和服务器产品。

3.3美光业绩优于预期，年底步入1xnm阵营

存储器市况优于预期，美光将2018年Q2营收目标自原先的68亿至72亿美元，调高到72亿至73.5亿美元。美光调升展望，意味着DRAM需求持续看好，DRAM价格第一季持续调涨3～5%，MobileDRAM第一季涨幅3%。预计2018年Q2DRAM占整体营收的71%，营收环比增长14%，同比增长76%，出货量环比上升约5%，平均售价环比上升约10%。

健康的市场供需环境，使DRAM产业长期保持增长的动力，金准人工智能专家预计2018年DRAM市场bitgrowth将增长20%，符合行业增长水平。此外，美光将利用先进的技术优势降低成本，加强在市场上的竞争力，预计在2018年底将提供1xnmDRAM产品。

四、DRAM预测：需求大幅拉动，量价齐增态势明显

1.供给端：产能增长有限，摩尔定律放缓将会持续

1.1三巨头垄断全球90%产能，2018产能增速10%

DRAM价格飙涨带动2017年全球半导体产值冲破4000亿美元，观察全球DRAM产业三大厂商，三星、SK海力士两大韩系厂商在扩产脚步上是猛踩油门，包括三星在韩国平泽的P1厂房和Line15生产线，以及SK海力士的M14生产线；同时，美光在广岛的Fab15和Fab16也有DRAM扩产计划，但产能的增加仍主要依靠两大韩系厂商。

全球90%以上的DRAM芯片供给掌握在三星、SK海力士和美光三家企业手中。根据三家公司目前最新的建厂规模，2017年全球每季度芯片产能为1100K左右。根据金准人工智能专家预测，到2018年，三星和SK海力士将会有接近20%左右的产能提升，美光的产能增量为10%，预计全球每季度芯片产能为1200K左右，2018年产能同比增速在10%左右，其中2018年Q4环比增速将会比较明显。

1.2良率问题及新技术出现，产能增速放缓

1994-2014年，DRAM产业的bitgrowth整体呈下降趋势。其中，1994-2003年bitgrowth平均增速为70%左右，2004-2014年bitgrowth平均增速为45%左右，2017年，DRAM的bitgrowth则降到了20%以下，金准人工智能专家预计2018年bitgrowth将继续下滑。主要原因在于，随着工艺尺寸越来越小，DRAM良率无法得到有效控制。以目前最为成熟的193nm浸没式光刻技术来看，它在精确度及成本上达到了一个近乎完美的平衡，但是随着处理图形的尺度不断缩小，线宽减少越来越困难，图形已经变形严重，解决办法是二重曝光，把版图中同一层次较复杂的图形分解成两个层次较简单图形的组合，用两层光罩分两次完成。随着工艺的进一步进化，还需要三重，四重曝光，65nm的工艺往往需要20多层光罩，到了14nm，由于要使用多重曝光，光罩数可能要增加到80，这样繁琐的做法，势必带来巨大的良率问题，进而影响产能释放。

目前193nm光刻技术已经走到尽头，而EUV光刻设备年产能极其有限，这些问题使得DRAM工艺节点突破困难重重，各厂商工艺进度计划也被迫一再推迟。2017年，三星1ynm进度不及预期；SK海力士2016年和2017年工艺进展持续不及预期；美光从2016年开始1xnm制程就开始落后于计划，2017年1ynm继续不及预期，影响到了2018年的扩产增速。同时，卖方主导DRAM市场和新型非易失性存储器技术的出现也都造成了全球范围内DRAM龙头企业技术升级和扩产意愿下降。

1.3DRAM涨价带动盈利提升

DRAM技术瓶颈虽然带来了产能扩张上的困难，但是全球前五大厂商却也因此获得了价格上涨带来的巨大利润。金准人工智能专家以DRAM收入占比较高的SK海力士和美光两家公司作为研究对象，发现其DRAM产品收入占比从2016年Q2以来在持续上升，因此技术瓶颈导致的扩产难题反而让SK海力士和美光的DRAM业务盈利能力大幅提升。

回顾DRAM的价格走势，2012年以后DRAM就已经进入了长期涨价通道。因此，金准人工智能专家判断在没有大的产能提升或者技术突破的前提下，DRAM持续涨价的态势将在未来长期存在。特别是由于2020年5G商用的节点越来越近，DRAM市场极有可能出现2013年4G商用后的快速涨价期。

2.终端结构性增长仍然存在，5G带动需求加速提升

DRAM市场的下游需求方面，由于移动终端、服务器和PC合计份额占比约70%，因此，这三大类应用的需求基本决定了整个DRAM市场的需求。

2.1移动终端：国产手机占据半壁江山，需求持续上升

从2015年开始，手机就进入到每年15亿台的稳定换机周期，2017年全球销量前十大的智能手机中，国产品牌已经占有六席，占有率仍在持续提升，金准人工智能专家预计2018年国产手机占有率将达到53%，移动终端对DRAM的需求具有继续向国产机品牌集中的趋势。

DRAM在手机中的平均存储容量保持在每年10%-20%的增长速度，结合手机市场的增长，DRAM需求将继续增长，预计2018年移动终端的DRAM需求将增长18.7%。

2.2服务器：5G、云计算、IDC发力，增长率第一

服务器出货量继续平稳上升，2016年和2017年的年增长率分别为3.4%和3.7%，预计2018年为2.9%。同时服务器单系统容量未来增长速度将会持续，预计2018年单系统容量将达到184GB，同比增长35.8%。2020年5G商用在即，未来云计算、IDC的发展都需要海量数据存储，金准人工智能专家认为服务器未来无论从系统出货量，还是单系统DRAM容量提升都具有长期的成长驱动力。预计2018年服务器对DRAM需求增长率为26.1%，将成为增速最大的产品类型。

2.3PC：市场整体稳定，未来小幅提升

PC市场仍然保持稳定，我们认为其对DRAM的需求也将保持相对稳定的小幅增长态势，预计2018年PC领域的市场增长率为6.6%。

3.结论：多方需求拉动，步入持续量增涨价周期

2018-2020年，DRAM扩产仍将受困于技术瓶颈和国际大厂的垄断，因此DRAM产品全球bitgrowth将继续徘徊在20%左右的历史低位水平。但是下游终端应用的市场需求将持续温和上升，特别是终端品牌继续向国产品牌集中，造成国产手机对于DRAM产品的需求出现区域性的增加，同时5G、云计算、IDC等将拉动服务器应用大幅增长。我们判断2018-2020年阶段DRAM产品将处于持续性的涨价周期。

可能产生变化的因素：

大陆DRAM产能大部分将会在2019年以后开始量产，如果进程顺利将有可能缓解DRAM供需缺口。

4.DRAM产业链：国产晶圆规模受限，设备厂商势头正劲

按半导体制造流程，可分为硅片制造、晶圆制造、封装测试三个环节，晶圆制造设备占比最高。其中，硅片制造企业全球只有大约10家，其中前5家企业占有98%的市场份额，分别是日本信越、日本胜高、台湾环球晶圆、德国Siltronic、韩国SKSiltronic。国内厂商如重庆超硅，成都超硅，上海新昇，宁夏银和，金瑞泓等，产能规模还十分有限，国内DRAM厂商晶圆依赖进口的形势短期不会改变。

半导体设备行业细分领域众多，大致上可以分为沉积设备、光刻设备、刻蚀设备、材料制备设备、表面处理设备、注入设备等几大块。其中光刻设备成本最高，占比高达39%。

全球来看，美国应用材料公司（AMAT）是半导体设备厂商的龙头，市值600亿美金，除了光刻机以外的所有设备几乎都是第一。而最核心、技术门槛最高光刻设备，目前被荷兰ASML垄断，占据了全球高达80%的市场份额以及全部的高端市场份额。由于高端技术壁垒太强，国内厂商选择从中低端开始切入，目前已具备部分核心设备的制造能力，如光刻机、离子注入机、CMP、ECD等设备。2017年中国半导体设备需求规模约70多亿美元，保持全球占比前三位，金准人工智能专家预计到2018年可能超过110亿美元，位列全球第二，设备增长空间持续走高，随着国家政策支持力度加大，大基金持续投入，未来我们看好如下公司：兆易创新、北方华创、长川科技、长江存储。

4.1兆易创新

行业景气度提升，公司利润翻倍。报告期内，公司实现营业收入20.30亿元，同比增长36.32%；归属于上市公司股东的净利润3.97亿元，同比增长125.26%；归属于上市公司股东的扣非净利润为3.32亿元，同比增长119.93%。

国家政策利好，DRAM。有望率先突破。《中国制造2025》中明确计划2020年中国大陆集成电路产业内需市场自主生产制造率将达40%，2025年将更进一步提高至70%，基于信息安全考虑和巨大的进口替代空间，集成电路产业将是未来10年国家政策重点支持的领域，根据《国家电路产业发展推进纲要》，到2020年，集成电路行业销售收入年均增速超过20%。在DRAM产品上，公司通过与合肥产投的合作，将开展12英寸晶圆、19nm工艺存储器的研发项目，其中就包括有DRAM内存颗粒，项目预算约180亿元人民币，建成后将实现月产能2000-3000片，填补国内DRAM领域空白。

风险提示：行业竞争加剧；新产线建设不及预期。

4.2北方华创

受益全球半导体产能转移，业绩增长显著。公司2017年实现总营收为22.23亿元，同比增长37.01%；归属于上市公司股东的净利润为1.26亿元，同比增长35.21%。分行业来看，电子工艺装备营收14.35亿元，同比增长43.96%，其中半导体设备11.34亿元，同比增长39.47%。

产品规模持续提升，行业龙头地位继续加固。2017年公司持续提升产品技术研发和规模化生产能力，满足集成电路领域快速增长的市场需求，产品订单快速增长，进一步巩固了在泛半导体领域的竞争地位。包括Etch、PVD、单片退火设备、立式炉、清洗机等在内的多项12英寸关键集成电路装备实现了在国内龙头代工企业和领军存储器企业的应用，8英寸设备也全面进驻国内主流代工厂和IDM企业。

半导体产业步入新周期，市场环境欣欣向荣。半导体产业市场方面，2017年以来全球半导体产业进入了由人工智能（AI）和5G等技术驱动的新一轮成长阶段，这些技术为智能汽车、智能城市、智慧医疗、AR/VR等创新性的终端应用构建了起步和发展基础，并拉动了半导体产业的又一轮成长，使半导体产业在今后3-5年内都将处于一个相对稳定的成长阶段。政策方面，自主发展集成电路产业已经上升到国家战略高度，在政策和资金支持、下游市场广阔以及全球半导体制造产能转移的利好背景下，中国半导体产业将迎来难得的的发展机遇。

风险提示：市场竞争加剧；技术更新不及预期。

4.3长川科技

国内客户需求旺盛，经营业绩大幅提升。公司2017年前三季度实现总营收为0.99亿元，同比增长70.13%；归属于上市公司股东的净利润为0.25亿元，同比增长78.76%；归属于上市公司股东的扣非净利润为0.17亿元，同比增长110.26%。

产品全面覆盖国内龙头封测企业，市占率有望进一步提升。公司拥有多项自主知识产权和核心技术，生产的集成电路测试机和分选机产品已获得长电科技、华天科技、通富微电、士兰微、华润微电子、日月光等多个一流集成电路企业的使用和认可。随着公司持续深入的研发和产品的不断升级，产品性能将进一步提升，产品类型和客户群体将进一步扩充，公司市场占有率将继续提升。

风险提示：行业波动风险；政府补助不及预期。

4.4长江存储

国家资金大力扶持，国产存储量产准备。长江存储一期由国家集成电路产业投资基金、湖北国芯产业投资基金和武汉新芯股东湖北省科技投资集团共同出资，在武汉新芯的基础上建立，二期由紫光集团和国家集成电路产业投资基金共同出资。目前芯片生产机台正式进场安装，标志着国家存储器基地从厂房建设阶段进入量产准备阶段。

具额投资初见成效，市场订单实现“零”的突破。武汉存储器基地20/18nm生产线建设，总投资240亿美元，计划2018年投产，2020年形成月产能30万片的规模，其中涵盖DRAM。目前32层3DNAND芯片已经获得第一笔订单，总计10776颗，将用于8GBUSD存储卡产品。

风险提示：行业竞争加剧；产线建设不及预期。

总结

存储器市场爆发，DRAM市场前景看好，三星领先优势明显，传统技术难以替代，3DDRAM未来可能成为DRAM的演进方向。受益于需求增长拉动，DRAM保持量价齐增态势。金准人工智能专家建议关注国家政策资金支持带来的投资机会：兆易创新（A股存储器龙头）、北方华创（A股集成电路设备龙头）、长川科技（A股封测设备龙头）。同时，金准人工智能专家也注意到行业竞争加剧，需求增长不达预期。

前言

随着计算能力的提高、数据的积累和算法的改进，最近几年人工智能不断在一些垂直应用领域得到发展，比较火的是人脸识别、语音识别，还有机器人、无人机、无人驾驶汽车等。人工智能是未来的发展趋势。在国家政策的支持下，许多BAT企业、电商企业都已意识到了这一领域的发展潜力，纷纷争先进入。

一、人工智能的万亿价值

目前已知的人工智能最大的潜力在于分析技术，包括回归和分类。神经网络技术可以提供更高的功能性，或者产生附加的见解和应用。

1.人工智能可创造3.5-5.8万亿美元的潜在价值

金准人工智能专家分析案例表明，在旅行、交通、零售、汽车、高科技、能源、化工、娱乐传媒、基础材料、消费品、农业、银行、医疗系统与服务、公共部门、通讯、医疗制药、保险、先进电子器件/半导体、航天与国防这19个行业中，人工智能（AI，包括前馈神经网络和卷积神经网络）的引入，可以创造3.5万亿到5.8万亿美元的潜在价值，包括更有价值的产品和服务、收入的增长、成本的节约、消费者剩余等。

这相当于整体分析技术价值规模（9.5万亿到15.4万亿美元）的40%，对于每个行业而言，AI潜在价值平均占行业总规模的1%到2%。即便是应用潜力最小的航天与国防（少于500亿美元），这也相当于黎巴嫩的GDP了。

AI价值潜力：3.5万亿到580亿美元（行业年产值）

2.人工智能在不同行业的价值

对于通讯行业，运营商有大量的结构化的客户数据，非常适合传统分析技术和AI分析技术，AI的潜在价值是行业年收的3%到6%，超过1000亿美元。同样的，对于公共部门，大量的数据和用例亦使其成为AI比较成熟的应用领域，但数据隐私和分析成功的可解释性/逻辑透明性限制了潜在的价值。金准人工智能专家认为，尽管如此，公共部门依旧是AI技术非常大的潜在机会点。

AI分析技术还将用于各个行业的风险管理，如保险业更为精准的风险评估和保费设置，制药公司将AI算法用于降低临床试验风险，矿业公司预测生产中断风险，实现更有效的勘探、钻探和开采规划等。此外，AI还可创造新的产品和业务模式，如用于银行客户类型识别，可以有效改进的欺诈检测。

AI最大的价值机遇是供应链管理和制造业中营销和销售环节。对于公司而言，他们必须检查自己的部门组合，理解行业的价值驱动，寻找人工智能的布局机会，已确定合适的投资部署。此外，零售与高科技等消费行业将出现更多AI营销和销售应用，这是由于更为频繁的数字交互，特别是对电商平台而言，基于AI分析实时制定促销、价格和产品动态，利用生成模型优化端到端的供应链等，将有效降低各项成本，提高运营效率，实现精准营销。

AI最大的价值机遇是供应链管理和制造业中营销和销售环节

二、人工智能简明释义

为帮助建立更为具象的AI技术框架，金准人工智能专家对重要的人工智能相关概念进行简明释义。

人工智能指人造的机器智能，由1956年达特茅斯会议上正式提出。机器学习是实现人工智能的主流手段，是基于一种数据训练的模型，即机器通过分析大量数据进行学习，无需编程从而归纳和识别特定目标，重在发现数据之间内在的相关性并做出预测。

各类分析技术在19大领域中的热度

1.神经网络

神经网络技术是机器学习下属的一个概念，本质上是从信息处理的角度对人脑神经元网络进行抽象模拟，从而建立计算模型。

基于神经连接的计算模型在上世纪40年代开始受到重视，大量的训练数据（包括图像、视频和语音）成功的实现了数据分析。在深度学习发展之前，神经网络通常只有3到5层，和几十个神经元/节点；深度学习之后，神经网络扩展到7到10层，甚至更多层，模拟神经元数目增至百万量级，从而面向更为复杂的问题实现更为可靠的处理。当下兴起的人工智能，主要就是大规模的深度学习。

具体来看，神经网络有三类主要形式：

1.1 前馈神经网络

前馈神经网络（Feed forward neural networks）是最常见的人工神经网络。在这种结构下，信息只向一个方向（向前）移动，即从输入层经过“隐藏层”到输出层，没有循环网络。首个单节神经网络在1958年提出，经过计算能力和训练算法的大发展，前馈神经网络展现出了更高的性能水平。

1.2 循环神经网络

循环神经网络(Recurrent neural networks)指结构中包含节点定向连接成环（loops）的人工神经网络，非常适合于处理（手写、文本、语音形式的）任意时序的输入序列。2016年11月，牛津研究报告显示，基于神经网络（和卷积神经网络）的系统在唇语识别应用中实现了95%的准确率（有经验的人类唇语者准确率近52%）。

1.3 卷积神经网络

卷积神经网络（Convolutional neural networks）是一种深度前馈人工神经网络，其逻辑结构受动物视觉大脑皮层的启发，对于大型图像处理（视觉感知任务）有出色表现。

最好的AI系统识别能力已经超过人类

2.其他机器学习概念

从学习的方式来看，机器学习分为监督式学习（训练数据集中的目标由人标注的）、非监督式学习（训练集没有人为标注）、半监督式学习（训练集被部分标识）和强化学习（输入数据作为模型的反馈）。

从算法的类型来看，常见的机器学习算法有决策树算法（采用树状结构建立决策模型）、回归算法（对连续值预测）、分类算法（对离散值预测，事前已经知道分类）、聚类算法（对离散值预测，事前不知道分类）、神经网络和集成算法（集成几种学习模型）。

为帮助后文理解，金准人工智能专家进一步说明两类在新生业务中极具潜力的机器学习技术：

不同用例中的数据类型（结构化程度、时序性、文本or音频or视频or图片）

不同类型数据的AI价值

2.1 生成对抗网络/GANs

生成对抗网络（Generative adversarial networks）是深度学习领域的一个重要生成模型，即两个网络（生成器和鉴别器）在同一时间训练并且在极小化极大算法（mini max）中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难，巧妙地通过对抗学习来近似一些不可解的损失函数，在图像、视频、自然语言和音乐等数据的生成方面有着广泛应用。

2.2 强化学习

强化学习（Reinforcement learning）本质上就是通过试错实现模型优化。目前，强化学习已经被广泛采用，包括谷歌Deep mind的视频游戏和Alpha Go。

3.分析技术之于实际问题

分析技术：从经典到前沿（将深度学习神经网络、迁移学习和增强学习定义为AI技术）

分析技术在不同业务类型中可以解决多种实际问题，包括：

分类（Classification），即根据一组训练数据，将新输入的数据进行分类的业务，主要任务为识别特定物理对象（如卡车、汽车、生产线上接受质检的产品等）的图形；

连续评估（Continuous estimation），即根据训练数据，评估新输入数据的序列值，常见于预测型任务，如根据销售数据、消费者态度、天气等数据来预测消费需求，或者根据建筑物的相关数据和照片来于猜测房产价格等；

集群（Clustering），即根据任务数据创建系统单个组类别，案例有，基于特人数据的消费偏好；

其他优化（All other optimization），即系统根据任务产生一组输出为特定目标的函数优化结果，案例有，基于用户（时间、费用、偏好等）需求的最佳交通路线推荐；

异常检测（Anomaly detection），即根据训练数据/历史相关性判断输入数据是否异常，本质上是分类功能的子范畴；

排序（Ranking），常见于信息检索问题，即基于检索需求按照某种排序标准呈现结果，比如提供产品购买推荐等；

建议（Recommendations），即根据训练数据提供建议，比如根据个人购买历史行为推荐“下一个产品”；

数据生成（Data generation），即根据训练数据生成合适的新数据，用例包括音乐创作等，即根据音乐素材在特定风格下创作出新的音乐片段。

不同类型实际问题涉及的分析技术（条状图表征该问题中AI技术的价值和潜力）

三、从用例看潜力

金准人工智能专家认为，人工智能算法跟传统算法相比，在性能方面的优势（总体而言，AI分析技术能带来传统之外的30%到128%的行业价值提升）：

AI分析技术的价值潜力（左为AI与传统分析技术的对比，右为AI分析为19大行业带来的潜在价值增量）

1.预测维护

传统系统，已经能够对传感器时序数据，包括检测温度、振动状态等，进行分析，实现预测异常检测和预测维护（对组件的剩余使用寿命做出预测）了。但深度学习将这个功能带到了一个新的高度：可以对数据进行分层，从而分析海量的、高维度的，包括图像、音频等各种形式的传感器数据，一些原先不适用的低质量数据（来自廉价的麦克风和照相机）也能被用起来。

在被调研的案例中，这种基于AI技术的预测维护（远程机载诊断技术），可以帮助企业减少停机时间，制定有计划的干预措施，提高产量，并降低经营成本，对应的经济价值约为总销售额的1%到2%。

在货运飞机的案例中，AI技术加持的预测维修，能够延长飞机寿命。因为相比于传统模型，它能更有效的结合平面模型数据、维护历史、物联网传感器数据（包括发动机振动数据、发动机状况的图像和视频等）。

2.物流优化

以AI为导向的物流优化可以实时预测，降低成本，指导行为，提高燃油效率，减少交货时间。

在一个欧洲货运的案例中，基于AI技术的车辆性能检测和驾驶员行为分析，司机能够获得实时指导（合适加速、减速等），以优化燃料费用并降低维护成本，货车公司省了15%的燃油费。在一个航空案例中，航空公司基于AI预测交通拥堵和天气相关问题，避免了昂贵的取消费用。对于每天航线近十万的公司而言，哪怕减少1%的取消飞行，也意味着很大的不同。

3.客户管理

金准人工智能专家预测，AI正在成为客户服务管理和个性化市场营销的重要工具。

呼叫中心将AI用于语音识别（不仅是语言内容，甚至是情绪语调）和呼叫路径规划，可以更有效的为客户提供更为无缝的体验；在销售领域（如亚马逊和Netflix），AI也成功的用于个性化的“下一个”产品推荐，大幅提高了销售转化率；在保险领域，汽车保险保费可以根据驾驶数据（驱动模式和距离）进行调整；对于旅游公司，全方位的客户视图（额外的酒店、航班服务）将帮助增加10%到15%的收入，相当于总营收的7%到12%，价值是传统分析的两倍以上；在零售业，SKU性能数据能被用于优化促销策略。

各类分析技术在九项业务中的应用热度

根据金准人工智能专家调研，69%的案例中AI分析技术完成了对传统分析技术的性能优化，16%的“绿地”案例非AI不可。“绿地案例”主要存在于客户服务等商业领域，如疾病诊断、改善护理等，对应的数据丰富（大量音频、视频、图像和文本），还需要整合人类的反应。

此外，还有15%的案例是AI分析，或者说深度学习不适用的，比如药品和医疗产品、电信等领域，一方面是受限于现有的技术和该领域不够充足的结构化的数据量（据估计，一个监督学习算法要实现可接受的性能，每个类别需要至少5000个标记过的数据），另一方面受限于行业和监管问题。

除了使用深度学习提高分析性能之外，很多常见的消费产品，如Siri、Alexa和Cortana，甚至基于图像处理的自动驾驶也在发展中。对于这些AI系统，数据采集和再培训是必要的（需要至少每月更新一次，有时甚至是每天更新一次）。除了数据量和多样性之外，训练数据的刷新也很重要，特别是销售、供应、管理和制造业领域。

对于大约三分之一的用例，AI分析模型需要频繁更新（四分之三的情况需要每月更新一次，近四分之一的情况至少每周更新一次）

四、前路的挑战

尽管人工智能前途远大，它依旧面临着诸多的挑战和限制。

从数据的角度出发，金准人工智能专家认为可以把困难归纳为五点：训练数据的标记常常需要人工手动，难以获取足够大且全面的训练数据集（特别影响医疗用例），模型透明度有待提高（直接影响汽车、医疗认证等领域的应用），学习缺乏可概括性（难以从一个应用迁移到另一个相似的应用），数据和算法中存在偏差的风险（更社会化的问题）。

此外，人工智能还存在恶意使用的问题，包括更为复杂的黑客攻击和高度个性化的政治虚假信息运动、欺骗性的视频等一些列安全威胁。

考虑到数据的关键性，金准人工智能专家认为，对于企业和组织来说，制定数字战略，建立数据中心（或者更普适的，选择云供应商），争夺高级人才，思考获取和生成数据的方式，至关重要。技术方面，组织必须开发出健壮的数据维护和治理流程，并实现软件现代化（如Agile和DevOps），并确保AI分析被实例化，克服“最后一英里”（组织挑战）。

总结

金准人工智能专家认为，AI作为当下信息技术革新的主要动力之一，指向了庞大的经济和社会价值，正在将各个参与者，包括（技术）革新者、公司和政策制定者等，凝聚起来，从而营造充满活力产业环境，确保更为安全、有效的经济和社会福利。现有案例足够说明，AI技术的引进，不仅将深化传统技术价值，更将拓展新的产品和业务形态。对于企业而言，相关数字战略的制定，迫在眉睫。

前言

提到AI，可能很多人会想到的是AlphaGo或者自动驾驶等比较“大”的应用。不过对于手机来说，受到体积和性能的限制，显然是无法像Google的TPU、NVIDIA的Xavier那样使用巨大的数据来训练神经网络模型的。

目前手机中常见的AI应用，其实是将已经训练好的神经网络模型编译成离线模型，然后跑在手机本地的硬件上。

一、智能手机行业有望回暖

1.新机销售有助于改善智能手机去库存状态

智能手机的出货量在持续下滑。金准数据显示，一季度，中国智能手机出货量跌破1亿台，同比下降16%。

尽管一季度出货量下跌有清理库存的季节原因，但去年全球智能手机出货量首现下跌以来，对于消费者疲于智能手机换代的担忧就一直存在。

不过，金准人工智能专家认为，一季度行业处在全面去库存状态，随着3月的新机发布，未来的环比改善趋势确立，产业链有望逐步回暖。

本轮的去库存力度较大，金准人工智能专家认为，是未能跟上2017年全面屏创新的品牌在拖累。而2017年的数据证明，在OPPO、vivo旗舰产品退出后，新机销量份额迅速提升。

2017年上半年，安卓品牌旗舰发布纷纷靠后，使得前两个季度国内市场销售的主力是2016年旗舰机型，随着OPPO、vivo新旗舰的推出，三四季度新机销量份额迅速提升，例如三季度R11（2017.6发布）份额3.5%，四季度X20Plus（2017.9发布）份额2.1%。

随着安卓旗舰机的发布，18Q2新机销量有望带动行业回暖，供应链新一轮备货开启，预计二季度消费者需求与供应链企业业绩将出现环比改善。

2.新一轮换机周期带来智能手机迭代行情

对行业的信心很大程度上来自产业链公司积极的一季报展望。苹果公司的二季度营收指引（515亿-535亿美元），也要高于市场的预期。

金准人工智能专家提到，智能手机耐用度提升、创新边际收益降低、高端手机价格增长过快，中国消费者的换机周期的确有所延长，令本轮智能手机出货量下滑。

但换机周期不会无限制拉长，中国用户平均换机周期已达到2.7年，而所有品牌中平均换机周期最长的苹果一般在3-4年。

从国内用户iPhone保有量看，2016年至今发布的机型占比约为32.3%，而发布两年以上的机型占比为67.7%，主要为iPhone6系列及iPhone6S系列。考虑到苹果手机较长的销售生命周期，可以大体上认为约有一半左右的机器面临陆续的更换需求。

国产品牌中华为、小米各机型保有量较为平均，T5保有量在25%-30%。OPPO、vivo中2016年发布的机型占比在30%以上：vivo—X9（11月）、Y66（12月）、X7（6月）、Y67（11月）；OPPO—R9（3月）、R9s（10月）、A57（11月）。

金准人工智能专家认为，安卓品牌特别是OV的换机时点在18年末至19年上半年到来，由于OV在2016年是销售高峰，三四线城市用户基数庞大，有望在明年带来一轮迭代行情。

从4G商用化过程来看，运营商牌照发放一年内出货的智能手机中支持4G的数量占比就达到30%，再一年后这个数字接近90%。

3.受益于“新中产”，智能手机经历第三次消费升级

最后，智能手机受益于“新中产”阶级的诞生，也在经历第三次消费升级。

我国居民人均收入快速增长。2011年至今，我国城镇居民人均可支配收入由22000元/年增长至36000元/年，增长幅度为63.6%，我国农村居民人均可支配收入由9400元/年增长至13400元/年，增长幅度为42.6%。

中产阶级+新生代，消费力量壮大。人均收入提升使得中产阶级群体不断壮大，形成智能手机消费升级的中坚力量。另一个层面看，80、90后步入工作岗位，接力成为智能手机迭代周期的主要目标人群。根据金准人工智能专家了解到的中国银联与京东金融联合统计数据，新生代消费行为升级更为有力。

二、智能手机享受用户基数红利，走过黄金十年

换机周期延长的一个重要原因在于，智能手机的创新空间变少，创新边际收益降低。过去的消费者可以仅仅因为指纹识别而更换手机，现在的用户则期待一种全新的、颠覆式的体验。

充分享受了用户基数红利，智能手机已经走过了黄金十年的增长。

智能手机最初的爆发式增长来源于对功能机的替代。智能手机与功能机最本质的区别在于丰富的APP资源，使得手机实现了超越单一通话和短信成为以社交为核心的功能载体。

三、智能手机新的增长红利：AI和5G

这种颠覆式的体验，最终由谁来担起？金准人工智能专家认为，AI和5G是重点。AI植入终端，令手机的边缘智能计算能力大幅提升；而类似于4G的推出，5G建设也有望带来新一轮换机刚需，智能手机的二次颠覆即来。

目前来看，最先实现突破的是图像识别和语音识别，其次是AR、健康监测等，图像与语音领域的相关产品和服务将率先迎来变革。金准人工智能专家相信，智能手机与成熟的AI技术、应用的结合，是乔布斯时代以来智能硬件的第二次颠覆。

1.AI运算移植到手机上的原因

之所以要把AI运算移植到手机上而不是留在“云端”，主要原因有两个。

第一是速度。虽然通讯技术的发展已经大大提高了网络带宽，降低了时延，但在一些需要实时性的操作中，依然需要在设备本地进行计算来保证速度。

以目前应用广泛的人脸解锁为例，手机在检测到人脸时，如果还是像Siri等智能语音助手那样，先将数据传输到云端，然后在云端进行特征点的比对，再向手机返回结果，就会导致处理时长明显增加，严重影响使用体验。

再比如已经成为AI手机“标配”的拍照场景识别功能，手机需要在用户取景的同时对画面里的物体进行识别，在检测到对应的场景后自动对拍照参数进行调整，如果说这个处理过程搬到云端，即使网络状况再好，也会造成明显的延迟，直接导致这个功能变得不可用。

除了速度，由于手机本身是一个生产力型的工具，为了保证隐私数据的安全，部分数据也只能在手机端进行处理。

2.让手机AI运算更快更高效的方式

经过了过去一两年的探索，将部分AI运算移植到手机、让手机设备本身具备处理AI运算能力（端侧AI）已经成为行业共识，不过在如何让手机AI运算更快更高效这个问题上，几家芯片厂商的做法有着明显的不同，具体可以分为三种。

第一种方式是为增加专用的AI芯片来进行AI运算。代表产品是麒麟970（内置NPU）和苹果A11Bionic（神经网络专用加速模块），其中A11Bionic的神经网络专用加速模块比较特别，目前只是用在了Face ID人脸解锁上，没有开放给第三方。

高通AI Engine

第二种方式是调用SoC中原有的模块来进行AI运算。代表产品是高通的AI Engine平台（支持的骁龙660、820、835、845），具体是通过骁龙神经处理引擎（Neural Processing Engine，NPE）软件框架，根据需求从CPU（非并发小数据处理）、GPU（并发大数据处理）、DSP（向量运算）中使用最适合的内核进行数据处理。

第三种方案是联发科在HelioP60里采用的APU设计。这个核心有些像NPU，不过APU的设计更像是改进版的多核DSP，擅长图像处理，具备一定的AI运算能力但并没有NPU那样“专一”和高效，这个思路有点像找一个数学不错的物理老师来给学生教数学。

芯片厂商不同的做法，延伸到宣传和营销中，就有了所谓的“真假AI”的概念，有人认为芯片必须有独立的AI芯片才能算是“真AI”，有人则认为决定手机是不是“真AI”的应该是具体的功能，而不是芯片的设计。

3.独立的AI 芯片的意义

那么独立的AI芯片究竟有多少意义？这里我们就以麒麟970的NPU为例聊聊。

NPU模块的意义

大家可能还记得，AI手机这个概念是荣耀Magic上第一次提出的。

Magic是荣耀在2016年底发布的一款产品，也是荣耀和华为2012实验室4年磨一剑的作品。在这款手机上，荣耀展示了具备自然语义理解、计算机视觉、深度学习能力的Magic Live智慧引擎，即使放在2018年，荣耀Magic上的很多理念依然很有前瞻性。

同时，也正是在研发Magic的过程中，华为和荣耀的工程师发现，为了让AI在手机中发挥更大的作用，需要更加算力更强并且更加省电的芯片进行支撑，最终决定在麒麟970上增加一颗行业里还没有先例的NPU模块，即使这意味着芯片制造的成本会有明显的增加（成本也是高通没有使用NPU的主要原因）。

麒麟970的NPU实际效果相比起高通AIE、联发科P60的“非专用”方案会有一定的优势。这种优势不仅仅是体现在单纯的算力层面，还体现在执行效率上。

在去年9月麒麟970的发布会上，华为消费者BGCEO余承东展示了上面这组图，在AI运算性能上，NPU相比起CPU和GPU分别有着25倍和6.25倍的优势，而更重要的是PPT右边这组数据，能效比上，NPU更是达到了CPU的50倍，GPU的6.25倍。

我们知道，受限于手机的体积，功耗和发热会大大制约手机芯片的性能表现，而NPU在运算效率上的巨大优势意味着在功耗和发热允许的范围内，可以在手机上跑更加复杂、对算力要求更高的算法，提供更多有价值的功能。

NPU高效的优势在发布之初、应用场景还相对简单的时候表现并不明显，不过随着华为和荣耀对NPU应用的深入，NPU正在逐步地兑现它的潜力。

还是以拍照时的智能场景识别为例，目前无论是采用高通的AIE平台的机型，还是搭载麒麟970的手机，都已经可以做到数十个拍照场景的识别，不过在华为P20系列、荣耀10这两款新上市的麒麟970机型上，又把场景识别的复杂程度进行了大幅度的提升。

在荣耀10发布会上，荣耀CEO赵明展示了下面这个使用AI来优化拍照的实例。

这张照片中，在麒麟970NPU的帮助下，荣耀10可以实时地识别出人物、动物、植物、蓝天4个层级，然后对每一个部分进行单独的优化，这可要比单独的识别出某一个场景然后进行整体微调来的复杂多了。

再比如在这张主体为人像的拍摄中，荣耀10可以在识别出人像然后将人景分离之后，还可以使用AI算法对边缘头发部分进行单独的优化，同时对人物的五官进行分区然后结合识别出的性别、年龄信息进行精确美颜，如果人物的位置不太合适，荣耀10甚至还可以智能地对构图进行微调。

这些都是AI赋予手机相机的能力，随着算法的进步和手机本地AI算力的提升，手机可以“识别”出得东西会越来越多，对拍照的优化会越来越明显。对于用户来说，这意味着拍出好照片的成本会越来越低。

4.AI手机还能干什么？

半年多以前，当第一款搭载麒麟970的机型华为Mate10、Mate10Pro上市的时候，华为已经展示了不少NPU参与实现的功能，比如拍照时的场景识别、通话时的AI降噪、使用NPU加速的微软翻译。不过要想真正让AI变革手机体验，手机厂商自己的力量是不够的，还要开放给更多的第三方开发者，共同打造AI生态。在这方面，高通和华为都已经完成了很多的布局。

今年2月份，高通正式发布了AI Engine。AI Engien包含了3个硬件和3个核心软件，硬件部分为CPU、GPU、DSP三个部分，软件部分则分别是骁龙神经处理引擎（NPE）软件框架（帮助开发者从DSP、GPU、CPU中选择合适的内核）、随Android8.0发布的Android NNAPI（一个用于在移动设备上进行深度学习的C语言API）和Hexagon Neutral Network库（让开发者的AI算法在DSP上运行）。

在此基础上，高通和多家算法提供商联合推出了多个利用AI Engine的应用优化，比如商汤科技和旷视Face++提供的多种预先训练的用于背景虚化、面部解锁、场景识别的神经网络，虹软提供的单摄和双摄算法，创通联达针对人工智能视觉用例和终端提供完整的解决方案，而腾讯、百度等云服务厂商也在利用AI Engine进行应用优化。

金准人工智能专家认为，相比高通，华为海思的进度整体还要更快一些。

如果你使用的是华为和荣耀的搭载麒麟970的手机，在应用商店里应该已经能够找到一个为人工智能优化过的应用专区，其中的app目前大都是知名度很高的主流app，有淘宝、抖音、百度、有道翻译官、Prisma、WPS。

通过使用接入华为的HiKey970开发平台，开发者可以通过调用NPU，对神经网络计算进行硬件级的加速，实际的效果还是很明显的，比如淘宝的扫码购物，使用NPU优化后识别速度可以最高缩短到原来的1/10，再比如抖音的AR画面特效，使用NPU优化后画面的精度和识别的速度都有明显的提高。

总结

虽然目前手机AI发展依然处在比较早期的阶段，不过随着AI芯片的发展和开发工具、分发平台的完善，在未来可预见的一段时间里，芯片厂商、手机厂商和第三方开发者会持续在手机AI上进行投入，AI对手机体验的加成会越来越明显。

金准人工智能专家预测，在即将到来的5G时代，AI很可能和5G一起，成为未来智能手机的一项“基本能力”，共同定义下一代的智能手机体验。

前言

在“中国制造2025”战略布局和劳动力市场结构性短缺的双重刺激下，我国机器人产业进入高速增长期。中国自2013年起成为世界上最大的工业机器人消费市场，并保持至今。

金准人工智能专家整理国家统计局数据显示，2017年中国工业机器人产量达13万台，同比大增8%。有分析称，未来3年机器人市场复合增长率将达20%左右，到2020年有望达1511亿元。

金准人工智能专家注意到，2015年前的中国工业机器人黄金发展期，主要受益的是以ABB、库卡、发那科、安川电机为代表的机器人行业全球四大家族等外资品牌。

近年来，随着机器人本体及核心零部件国产化的推进，成本降低（投资回收期缩短）、人工替代、进口替代的加速，中国工业机器人行业民族品牌龙头正在迎来黄金时代！

一、工业机器人进入黄金五年

工业机器人是面向工业领域的机器装置，它能自动执行工作，靠自身动力和控制能力来完成各种工作。在“人工智能”的变革中，工业机器人扮演着重要的角色。如何让机器人代替人进行更快速有效的工作，进一步解放劳动力，提高生产效率，成为了整个机器人领域都在思考的问题。

金准人工智能专家预计未来五年，将是工业机器人持续高速发展的黄金时代，这背后的逻辑在于人工成本的持续上涨，以及机器人带来的产品质量稳定性。

1.人工成本持续上涨，而机器人售价呈下降趋势

首先，与人力相比，工业机器人具有低成本、高效率以及24小时工作的特点。近年来，随着国内劳动力成本不断上涨，我国制造业劳动力优势不显，制造业亟待向智能化转型，工业机器人呈现强劲发展的态势。

金准人工智能专家考虑到机器人平均效率可以替代2名人工，可以24小时工作，目前机器人投资回收周期约为2年。

2.机器人投资回收期显著缩短

除了成本优势，工业机器人普遍能达到低于0.1毫米的运动精度，且负载能力、稳定性、可靠均优于人力，不仅可以完成高强度精细工序，更能够保障产品质量的稳定性。比如，采用机器人抛光，成品率可从87%提高到93%。

金准人工智能专家认为机器人带来的产品质量稳定性，使得应用不断拓展。按下游应用分类，目前汽车制造和电子产业，这两个对负载和精度要求较高的行业，工业机器人应用最为广泛。其他应用领域包括橡胶及塑料行业、铸造行业、食品行业等。

二、国产的江湖地位

1.工业机器人零部件核心技术企业分为上中下游

工业机器人由机械本体、控制系统、驱动与传动系统和传感器组件等基本部分组成，行业上游生产核心零部件（减速器、伺服系统、控制器），中游即本体生产商，下游则是系统集成商（包括单项系统集成商、综合系统集成商）。

2.中国机器人行业主要上市公司

我国工业机器人产业化起步较晚，与工业机器人“四大家族”（库卡、ABB、安川、发那科）技术代差明显，目前主要集中在本体和系统集成端（即中下游）。金准人工智能专家分析认为在核心零部件方面，目前国内八成以上依赖进口（且采购的成本要比外企自用高三五倍以上），进口替代空间巨大。

国内437家工业机器人企业业务分类

过去5年系统集成市场与本体市场的比值持续下降。根据GGII数据，2017年预计国内机器人本体市场约为320亿元，系统集成市场约为535亿元，核心零部件市场约为210亿元；三者比例关系为1:1.7:0.6。（考虑核心零部件约占机器人本体成本70%，机器人本体毛利率为5-15%）。

国内本体市场与集成市场：机器人集成增速低于本体增速

三、市场：三个积极信号

近年来，中国机器人市场需求快速增长，增长速度和市场份额远超其他国家，已经连续五年成为全球机器人第一大市场。

中国工业机器人2020年预计将保持20%-25%的增速

根据金准数据，预计2017年中国机器人销量达13.6万台，同比增长56%（国家统计局数据：国内产量13万台，同比增长81%）；对应本体及集成市场约855亿元，同比增长37%。2018年前2个月，产量近1.9万台，较2017年前两月同比增长37%。

金准人工智能专家预测，到2020年中国的工业机器人销量将保持20%-25%的增速，全球销量占比将达40%，坐稳全球第一大市场。

尽管如此，我国工业机器人市场依然处在整体密度较低，主要市场待渗透的情况。与此同时，正在发生的半导体产业链转移，将带来洁净机器人需求大幅增长。这三点，是积极信号！

机器人密度：中国与韩国、新加坡、德国、美国等仍有较大差距

先来看我国机器人密度：据金准人工智能专家统计，世界各地的生产自动化正在加速，2017年全球工业机器人密度达到74（每10,000名员工拥有74个机器人单位），我国机器人密度全球排名第23位，仍有很大空间。

1.庞大的密度上升空间，指向了可期的机器人市场复合增速

预计未来3年机器人市场复合增速20.4%，到2020年达1511亿元

根据《机器人产业发展规划（2016-2020年）》，我国预计于2020年前进入世界前十大自动化程度最高的国家，届时其机器人密度将达到150台/万人，较2016年提升121%，对应机器人保有量将达66万台，年均需求16.5万台。

考虑到到机器人价格下降将刺激市场增长，金准人工智能专家认为未来3年我国机器人销量有望超出产业规划目标（接近IFR预测值），2018-2020年销售额复合增速在18-23%，到2020年机器人本体销售额有望达到560亿元。考虑系统集成与本体比例约为1.7:1，对应系统集成市场在951亿元。机器人市场合计1511亿元。

据金准人工智能专家预测，我国10年内机器人密度即每1万名工人的机器人数将超过500台。对应工业机器人保有量达350万台，考虑机器人5-10年寿命，年均需求超过50万台，年均本体市场空间有望近1000亿元，本体加集成市场合计将超过2500亿元。

2.汽车制造和电子电气两大主要市场，将给行业带来高景气度

我国工业机器人广泛应用于汽车、电子、塑料、食品、金属加工等行业，目前主要以“汽车+电子”双轮驱动的形式进行发展，两者合计占到72%的份额。其中3C电子占比从2012年的18%迅速提升至2016年29%。

我国电子电气行业机器人占比持续提升

2016年我国3C产品销售总额达到9.8万亿元，同比增长8.7%，国内虽然集中了全球约70%的3C产品产能，但自动化程度低，3C行业目前机器人密度仅为11台/万员工，而日韩等国家的机器人密度超过1200台/万员工。

金准人工智能专家认为3C行业景气度高、产品周期短和更新换代快、机器人密度提升空间大，未来有望持续高增长。

3.半导体产业链转移，将带来洁净机器人需求的大幅增长

自2016年起，由于移动应用、物联网、AI、5G等技术革新共同推动，半导体产业持续向上。由于国家战略聚焦、产业资本支持，使得以集成电路、面板为代表的半导体产业向大陆转移。

根据金准人工智能专家估计，2017-2020年全球共有62座前端半导体晶圆厂投产，其中26座设于中国大陆，占比达42%。

中国12寸芯片制造企业一览图

半导体产业的高速发展，带来了国内自动化设备需求的大幅增长。半导体的生产储运均在洁净环境下进行，对机器人的驱动方式等技术要求不同。真空机械手、OHT等洁净机器人难进口、受限制、用量大、通用性强，其成为制约了半导体装备整机的研发进度和整机产品竞争力的关键部件。

自动化设备价值量在半导体设备、面板设备中占比约为8%左右，目前全球半导体设备市场达2500亿元左右，对应洁净机器人市场需求在每年约200亿元，随着国内半导体、面板行业快速发展，市场需求有望达全球40%左右。

四、战局：巨头垄断国产求突围

机器人四大家族核心优势及业务模式

在世界工业机器人业界中，以瑞士的ABB、德国的库卡、日本的发那科和安川电机最为著名，并称工业机器人四大家族，目前在全球范围内市场占有率达到60%。

2016年机器人四大家族财务数据及目前市值（单位：亿元）

当前国内机器人市场竞争仍然激烈，“四大家族”由于发展机器人较早且较早进入国内市场，近几年充分享受了国内机器人市场发展的红利，其产能和出货量均出现较快增长态势，在国内市场仍占据主要市场份额。

机器人四大家族市场占有率

受限于无法掌握三大零部件核心技术，我国工业机器人三大核心零部件一直都是依赖进口的局面，国内的机器人的产品以中下游为主，毛利率低订单分散。核心技术的缺失和订单的非标准化导致了国内传统工业机器人企业的ROE难以提升。

机器人上游核心零部件的占整个产业链中价值的70%左右

下面来详细分析中外工业机器人核心技术，也就是控制器、伺服电机、减速机的差距。

1.控制器国内外差距最小

控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，包括一些主控单元、信号处理部分等电路，国产品牌已经掌握；软件部分主要是控制算法、二次开发等，国产品牌在稳定性、响应速度、易用性等还有差距。

国内机器人控制器市场份额

2.伺服系统外资企业占据绝对优势

金准数据显示，伺服电机和驱动超过80%依赖进口，主要来自日本、欧美。日系品牌凭借良好的产品性能与极具竞争力的价格垄断了中小型OEM（设备制造业）市场。

国内机器人伺服器市场份额

3.减速机市场外资企业高度垄断

减速器用来精确控制机器人动作，传输更大的力矩，目前机器人减速机市场高度垄断，普及期国产减速机无法实现全面进口替代。

减速器分为两种，安装在机座、大臂、肩膀等重负载位置的RV减速机和安装在小臂、腕部或手部等轻负载位置的谐波减速机。RV减速机被日本纳博特斯克垄断，谐波减速机日本哈默纳科占绝对优势。

国内机器人减速器市场份额

但是，经过几年的发展，国内机器人厂商逐步崛起，目前正在迅速放量，并且在部分核心零部件（伺服电机、控制器等）方面实现了自主研发和市场推广。

国内机器人本体制造的优势正在逐步建立，由中低端机器人（例如Scara等）向中高端机器人（如六轴、高精度、重负载）进行产品升级，并且在系统集成服务的市场化应用方面巩固优势逐步赶超外资品牌，在行业快速发展的大背景下国产品牌有望逐步崛起。

国内企业在机器人核心零部件不断尝试突围

总结

我国的工业机器人产业起步较晚，但发展迅速。在过去的三年时间里，我国已成为全球第一大工业机器人市场，机器人逐渐成为提升我国整体竞争力的重要领域。大量优秀的工业机器人企业涌现，以新松、埃斯顿为代表的企业为我国机器人行业的发展不断添火加薪。

金准人工高智能专家认为，时值全球自动化浪潮和中国制造2025的战略布局，制造业对工业机器人的需求高涨，而投资者也将在高投资回报、更新快速的庞大市场的驱动下下注机器人布局。尽管目前四大家族依然在核心技术方面垄断，但国内工业机器人厂商正在逐步崛起，并将杀入接下来的黄金五年发展期。

前言

5G技术是第五代移动电话行动通信标准，也称第五代移动通信技术，网速可达5M/S - 6M/S。无线通信技术在人们日常生活及工作中极为重要，很大程度上满足了人们的用网需求。4G时代，用户的网络体验不断丰富，5G技术也已经投入研究和开发。通信产业的发展是对社会发展程度的重要透射，为社会经济提供了无限发展潜力。当前，我国网络通信经历了由2G、3G到4G的变革，社会反响极为强烈，使5G无线通信技术更具发展契机，将会给人们带来独特的用网体验。

一、5G技术对第四次工业革命的意义

5G将推动全人类更快地步入第四次工业革命的时代。第四次工业革命，将会让人类进入到前所未遇的时代、即智能化的时代。事实上，中国的“中国制造2025”、美国的“AMP”、德国的“工业4.0”都统称为第四次工业革命，中、美、德等国都是在利用科技上的突破，尤其重大的突破来发展经济产业。

第四次工业革命的时代，制造业将转向服务化，这是趋势。金准人工智能专家预测像今天的淘宝电商模式会被市场淘汰；企业内部各环节的信息将实现无缝连接，以利于自身的生产效率进一步提高和为客户提供个性化的定制生产；企业将从过去“以产品为中心”向“以产品服务为中心”转变。而第四次工业革命要全方位、最大化地给人类创造出价值，显然离不开网络。

5G对于第四工业革命的意义在哪里？金准人工智能专家分析认为，高性能的无线网络连接工厂内的海量传感器、机器人和信息系统，连接产生的海量数据、优质数据不断“喂食”人工智能，并将分析、决策反馈至工厂。同时，5G广覆盖的物联网络覆盖全球，连接广泛分布或跨区域的商品、客户和供应商等，保持对整个产品生命周期的全连接。总之，未来的工厂是数字虚拟和物理现实相融合，ICT技术与现代制造业相融合，以提高工业生产的灵活性、可追溯性、多功能性和生产效率，为制造业开辟新的商业模式。工厂内部和外部之间的界限也越来越模糊，工厂不再是独立的封闭实体，而是庞大的价值链和生态系统的一部分，这就是所谓的“虚拟工厂”。

二、驱动第四次工业革命的三大关键5G技术

金准人工智能专家认为，新空口（NR）、网络切片和边缘计算是驱动第四次工业革命的，三大具关键性的5G技术。

1. 新空口

这里指的是5G的无线连接能力，众所周知，5G定义了eMMB、URLLC和mMTC三大场景，eMMB指高速率连接，URLLC指超低时延超可靠连接，mMTC指超大规模连接，工业4.0里，这三大场景均将应用到。

金准人工智能专家以未来工厂的四大典型连接：移动机器人、工厂自动化、新的人机界面和物流为例，来看一看它们如何对应5G的三大场景。

移动机器人

移动机器人属于“柔性工厂”的范畴，所谓柔性工厂，指可以自由的移动机器设备、自由的重装生产工具，以保证工厂可以迅速且低成本地在不同种类的产品生产线之间转换生产，快速适应改变。

要实现柔性工厂，需用无线连接来替换工厂内现有的有线连接，只有摆脱了有线的束缚，才可以自由的设计、操作和升级互联的机器设备和机器人。

但是，众所周知，通常无线连接的稳定性逊于有线连接，因此，这就需要——超高可靠超低延迟的无线连接，即5G的URLLC场景。

工厂自动化

在自动化工厂内部，为了提高生产线的效率，需对各个子部件进行实时监控，对生产的产品质量进行实时测量，乃至对生产线进行实时优化，这就要求具有超低时延超高可靠的无线连接，同时，视觉控制机器人手臂、3D模型传送、远程数字工厂等应用需要高可靠的高带宽通信，因此，这就需要同时支持mMTC、eMMB和URLLC三大场景。

新的人机界面（HMI）

早期的人机界面是指工业控制设备中的一些串口通信，比如变频器、直流调速器、温控仪表、数采模块等都可以连接HMI，来实现人机交互功能。

未来的人机界面应用将发生颠覆性的改变，其借助工业智能与大数据的融合，使可穿戴工业设备、增强现实（AR）在人机融合中扮演重要角色，比如让工人们穿上机器人外骨骼装备，利用“可穿戴工业设备+AR技术”，将信息与真实世界场景融为一体，随时捕捉信息、接收云端指令和操作协助等，这需要网络支持eMMB和URLLC两大场景。

物流

在物流方面，从智能仓库管理到物流配送，均需要广覆盖、深覆盖、低功耗、大连接、低成本的5G物联网连接，这对应了5G的mMTC场景。

此外，虚拟工厂的端到端整合跨越产品的整个生命周期，要连接分布广泛的已售出的商品，也需要低功耗、低成本和广覆盖的5G物联网，这也对应了5G的mMTC场景。

企业内部/企业之间的横向集成也需要无所不在的、无缝的5G联网。“随时随地设计，随时随地生产”是智能工厂的雄心壮志，进而要求网络必须适应即时变化的容量和移动性要求，乃至能灵活融合各种不同的无线接入技术，因此，5G网络的包容性和支持业务的多样性不可或缺。

综上，金准人工智能专家认为未来工厂离不开5G的连接能力，但5G网络要一张网络支持eMMB、URLLC和mMTC三大场景，离不开另一大关键技术——网络切片。,

2. 网络切片

所谓网络切片，就是将一张物理网络切成多张相互独立的、逻辑的切片子网络，这些“切片网络”共享物理基础设施，分别提供不同的服务类型，应对不同的场景。

我们经常把4G网络比喻为高速交通系统，金准人工智能专家把5G网络切片比喻为一个城市综合交通系统，有公路、地铁、轻轨、BRT，还有人行道、自行车道等等，不同的交通系统应对人们不同的需求。

要创建和管理网络切片，需要NFV和SDN两大技术。

NFV，即网络功能虚拟化，其构架在横向分为三层：物理资源层、虚拟化层和服务层，纵向是NFV管理编排（MANO）层。

NFV构架

•物理资源层指底层的计算、存储、网络等物理资源。

•虚拟化层是指用于部署和执行网络功能的一组虚拟资源，它通过对底层物理资源虚拟化，以虚拟机（VM）的形式共享底层物理资源，一个虚拟机可包含一定数量的计算和存储资源。

•服务层由一系列由虚拟资源构建的VNF（虚拟网络功能单元）组成，VNF可以理解为是对应网络中现有物理网元的模块化的软件功能实体。

•以上三层由MANO负责编排管理，MANO根据需求分配资源，为NF（网络功能）配置物理和虚拟资源。

NFV负责各种网元的虚拟化，它将传统电信设备软硬件解耦，而SDN主要负责将每一个网络节点的控制面和数据面分离，并将控制面抽取出来组成一个独立的、集中的控制器（SDN Controller），这个控制器相当于网络的中枢大脑，它从更高的层次俯视整个网络，并下发指令统一管理网络中的多层转发，控制信令不再是口口相传，而是集中智能管理。打个比方，如果把网络比喻为人体，人身上的眼、耳、鼻、手、足等这些人体器官对应不同的NF（网络功能），那么，SDN就相当于大脑，控制各个器官协调工作。

网络切片原理

基于NFV/SDN技术，一张5G物理网络“切”成多个逻辑网络，服务于工业4.0的不同场景。

网络切片还有一个关键特征——端到端的QoS保障。传统的无线服务主要以“尽力而为”的方式提供，每个人共享网络和无线资源，但工业应用要求更严苛的QoS（网络服务质量），网络切片不但能提供端到端的QoS保障，还能隔离不同服务，满足未来工厂不同的服务需求。

当运营商为工业4.0创建了个性化的网络切片之后，每个网络切片满足不同的用例和行业特定需求，这就打开了全新的、定制化的网络切片即服务（NSaaS）的服务模式，也未来传统制造商向综合产品服务提供商转型，引入新的商业模式和商业生态奠定了基础。我们将看到未来更多的网络切片、网络子切片应用于工业4.0。

以上关于网络切片的介绍有点抽象，我们来举一个应用案例。

以定制化制药为例。假设某家制药厂在全球分布有10家分厂，每一家分厂内的制药流程都是一样的，即通过控制安装在机器手臂上移液器来分配药品的药物成分。与以往制药过程不同，现在叫“定制化制药”，即根据不同类型的患者来分配药物成分的类型和数量，为此，这10家分厂均要通过5G网络连接到云端，云端存储海量的患者信息数据，并通过大数据分析和人工智能确定针对不同类型患者的药物成分，在生产过程中机器手臂需实时通过5G网络连接到云端，并根据云端的指令实时的进行配药。

这一案例对应了5G URLLC场景，需依靠具备端到端QoS保障的5G网络切片才能实现。同时，在生产过程中工人们利用可穿戴设备、AR技术等新的人机界面（HMI）来监视生产过程，并实时增强显示来自云端的视频，以及生产线上安装无数传感器来实现自动化流程等，这些场景还需要其他的5G网络切片来实现。

为了保障端到端的QoS，在应对工业4.0中的超低时延超高可靠场景时，另一大关键技术非常重要——边缘计算。

3. 边缘计算

边缘计算指将云端的计算和存储能力下沉到网络边缘，使之更接近用户端，不仅可降低网络时延和负荷，还能基于本地部署新的应用。

边缘计算是工业4.0的基石，也是催化剂，主要表现在以下几个方面：

•低时延

边缘计算部署在本地，意味着可提供超低时延，非常适合于工厂自动化环境，这不必多言。低时延的另一大好处是可以激发出创新应用，比如我们前面讲的利用新的人机界面引入异地协同增强现实等。

•安全性

工业4.0通过网络将工厂内的机器、资产等连接，并通过网络连接到外部云端，这提高了工厂灵活性和自动化水平，但这也意味着受到网络攻击的可能性更大，而边缘计算将尽可能多的数据存储和处理于边缘，不必发送到云端，可降低安全风险。

•集成性

边缘计算不仅无需将所有数据发送到远端云，它还能在本地与工厂车间的数据、ERP系统等无云集成，从而实现工厂纵向集成。

•低成本

智能制造从联网的传感器中收集、分析数据，并作出实时决策和预测性维护，这些数据量越来越大，给数据传输、计算、存储都带来了巨大的成本压力，边缘计算可智能收集数据，过滤无用数据，从而降低成本。

此外，未来工厂的一些设备功能可以通过虚拟实体的方式部署于边缘计算，进一步提升工厂灵活性和可扩展性。

三、5G八大关键技术发展趋势

未来的网络将会面对：1000倍的数据容量增长，10到100倍的无线设备连接，10到100倍的用户速率需求，10倍长的电池续航时间需求等等。4G网络无法满足这些需求，所以5G就必须登场。

但是，5G不是一次革命。5G是4G的延续，金准人工智能专家相信5G在核心网部分不会有太大的变动，5G的关键技术集中在无线部分。虽然5G最终将采用何种技术，目前还没有定论。不过，综合各大高端论坛讨论的焦点，金准人工智能专家收集了8大关键技术。当然，应该远不止这些。

1.非正交多址接入技术（Non-Orthogonal Multiple Access, NOMA）

我们知道3G采用直接序列码分多址（Direct Sequence CDMA，DS-CDMA）技术，手机接收端使用Rake接收器，由于其非正交特性，就得使用快速功率控制（Fast transmission power control，TPC)来解决手机和小区之间的远-近问题。

而4G网络则采用正交频分多址（OFDM）技术，OFDM不但可以克服多径干扰问题，而且和MIMO技术配合，极大的提高了数据速率。由于多用户正交，手机和小区之间就不存在远-近问题，快速功率控制就被舍弃，而采用AMC（自适应编码）的方法来实现链路自适应。

NOMA希望实现的是，重拾3G时代的非正交多用户复用原理，并将之融合于现在的4G OFDM技术之中。

从2G，3G到4G,多用户复用技术无非就是在时域、频域、码域上做文章，而NOMA在OFDM的基础上增加了一个维度——功率域。

新增这个功率域的目的是，利用每个用户不同的路径损耗来实现多用户复用。

实现多用户在功率域的复用，需要在接收端加装一个SIC（持续干扰消除），通过这个干扰消除器，加上信道编码（如Turbo code或低密度奇偶校验码（LDPC)等），就可以在接收端区分出不同用户的信号。

NOMA可以利用不同的路径损耗的差异来对多路发射信号进行叠加，从而提高信号增益。它能够让同一小区覆盖范围的所有移动设备都能获得最大的可接入带宽，可以解决由于大规模连接带来的网络挑战。

NOMA在未来5G移动通信网络中的应用

NOMA的另一优点是，无需知道每个信道的CSI（信道状态信息），从而有望在高速移动场景下获得更好的性能，并能组建更好的移动节点回程链路。

2. FBMC（滤波组多载波技术）

在OFDM系统中，各个子载波在时域相互正交，它们的频谱相互重叠，因而具有较高的频谱利用率。OFDM技术一般应用在无线系统的数据传输中，在OFDM系统中，由于无线信道的多径效应，从而使符号间产生干扰。为了消除符号问干扰(ISl)，在符号间插入保护间隔。插入保护间隔的一般方法是符号间置零，即发送第一个符号后停留一段时间(不发送任何信息)，接下来再发送第二个符号。在OFDM系统中，这样虽然减弱或消除了符号间干扰，由于破坏了子载波间的正交性，从而导致了子载波之间的干扰(ICI)。因此，这种方法在OFDM系统中不能采用。在OFDM系统中，为了既可以消除ISI，又可以消除ICI，通常保护间隔是由CP（Cycle Prefix ，循环前缀来)充当。CP是系统开销，不传输有效数据,从而降低了频谱效率。

而FBMC利用一组不交叠的带限子载波实现多载波传输，FMC对于频偏引起的载波间干扰非常小，不需要CP（循环前缀），较大的提高了频率效率。

3. 毫米波（millimetre waves ，mmWaves)

什么叫毫米波？频率30GHz到300GHz,波长范围10到1毫米。世界范围内新的5G频谱分配，范围从20几GHz(例如26GHz和28GHz，它们技术上不是毫米波，但通常被归入该类)，到30G~40GHz内的几个频段和40G~50GHz内的几个频段。有一个60GHz的Wi-Fi频段可用于5G无线，其他更高的频率正在考虑中。

毫米波范围(30~300GHz)附近和以内的频谱特别适合于更高的数据速率，尽管有缺陷，但却有吸引力。

一方面，这些较高频率的讯号将支持比5G规定高得多的数据速率。为提高其迄今为止已设法实现的频谱效率，业界仍然有工作需进行。另一方面，毫米波讯号的传输速率明显低于期望。毫米波讯号及6GHz以下讯号不能传得很远，也不能穿透障碍物。

一般来说，5G的许多组件仍然昂贵，在毫米波频谱尤其如此。随着规模经济拉动并基于未来可能的创新，进一步的整合将肯定使成本下降。

在以前的无线网络演进中，基本的目标任务是把数据送到手机。这是从简单的电话开始，并发展到增加宽带接入；其他类型的设备是由4G/LTE网络支持，但绝大多数的无线网络使用是向手机收发数据，但这将随着5G而改变。5G将成为许多物联网(IoT)应用的使能技术，但同样重要的是，这些物联网应用将有助于证明5G演进的正确性。金准人工智能专家预测，包括物联网在内的用例实际上内置于5G技术发展蓝图中，这是5G市场发展的内在。

由于足够量的可用带宽，较高的天线增益，毫米波技术可以支持超高速的传输率，且波束窄，灵活可控，可以连接大量设备。以下图为例：

蓝色手机处于4G小区覆盖边缘，信号较差，且有建筑物（房子）阻挡，此时，就可以通过毫米波传输，绕过建筑物阻挡，实现高速传输。

同样，粉色手机同样可以使用毫米波实现与4G小区的连接，且不会产生干扰。

当然，由于绿色手机距离4G小区较近，可以直接和4G小区连接。

4. 大规模MIMO技术（3D /Massive MIMO）

MIMO技术已经广泛应用于WIFI、LTE等。理论上，天线越多，频谱效率和传输可靠性就越高。

大规模MIMO技术可以由一些并不昂贵的低功耗的天线组件来实现，为实现在高频段上进行移动通信提供了广阔的前景，它可以成倍提升无线频谱效率，增强网络覆盖和系统容量，帮助运营商最大限度利用已有站址和频谱资源。

我们以一个20平方厘米的天线物理平面为例，如果这些天线以半波长的间距排列在一个个方格中，则：如果工作频段为3.5GHz，就可部署16副天线；如工作频段为10GHz，就可部署169根天线。。。。。

3D-MIMO技术在原有的MIMO基础上增加了垂直维度，使得波束在空间上三维赋型，可避免了相互之间的干扰。配合大规模MIMO，可实现多方向波束赋型。

5.认知无线电技术（Cognitive radio spectrum sensing techniques）

认知无线电技术最大的特点就是能够动态的选择无线信道。在不产生干扰的前提下，手机通过不断感知频率，选择并使用可用的无线频谱。

6.超宽带频谱

信道容量与带宽和SNR成正比，为了满足5G网络Gpbs级的数据速率，需要更大的带宽。

频率越高，带宽就越大，信道容量也越高。因此，高频段连续带宽成为5G的必然选择。

得益于一些有效提升频谱效率的技术（比如：大规模MIMO），即使是采用相对简单的调制技术（比如QPSK),也可以实现在1Ghz的超带宽上实现10Gpbs的传输速率。

7. 超密度异构网络（ultra-dense Hetnets）

立体分层网络（HetNet）是指，在宏蜂窝网络层中布放大量微蜂窝（Microcell）、微微蜂窝（Picocell）、毫微微蜂窝（Femtocell）等接入点，来满足数据容量增长要求。

到了5G时代，更多的物-物连接接入网络，HetNet的密度将会大大增加。

8. 多技术载波聚合（multi-technology carrier aggregation）

未来的网络是一个融合的网络，载波聚合技术不但要实现LTE内载波间的聚合，还要扩展到与3G、WIFI等网络的融合。

多技术载波聚合技术与HetNet一起，终将实现万物之间的无缝连接。

总结

当前社会背景下，人们的通信要求日渐增加，加大了5G网络技术研发力度。虽未对其核心体系进行明确定论，但发展前景极为广阔。金准人工智能专家认为，相较于以往通信技术，5G无线通信技术在传输速度和能耗方面极具优势，能够满足管理、网络及业务发展要求，为通信技术提供广阔的应用发展空间。

当代科学技术的飞速发展，尤其是网络通信技术的迅猛发展，将有力推动5G移动通信技术的发展进程，依据移动通信技术的发展规律，金准人工智能专家预测，在2020年后，5G移动通信技术将有望实现商用，能够满足未来移动互联网业务的发展需求，并带给移动互联网用户一种前所未有的全新体验。目前，5G移动通信技术的科研尚处于起步阶段，并即将迈入发展的关键时期，其关键指标和技术需求都会在未来几年内陆续出台，届时将引领我国移动通信行业的新一轮变革。