前言

深度学习在图像识别、智能视频分析技术方面的精度不断提升，使得安防成为了深度学习快速落地的最清晰方向之一，而计算力的发展，使得大规模的并行计算成为了可能。人工智能和机器人研究所借助双路Tesla P100 GPU强大的并行计算能力，基于大规模深度神经网络构建了智能视频分析系统，实现了对多路视频流的实时处理以及对大规模离线监控录像的高效分析，极大地加速了视频处理的运行效率。

一、智能监控领域的应用背景以及行业进展

目前来说，智能安防是智慧城市非常重要的一项组成部分。智能安防主要包括视频监控以及人脸识别这些已经落地的商业应用，此外，智能安防还和目前非常火爆的无人驾驶息息相关。

上图视频监控占整个安防行业的50%，而且呈现逐年上升的趋势。在其他方面，包括实体防护、出口控制、防盗报警等几项应用也瓜分了安防市场50%的份额，而近年来，中国安防行业市场规模也在逐年扩大，从2011年的2773亿直接涨到了2017年的6540亿，每年都有15%到20%增长率，是非常具有应用场景的一个行业。

智能监控都要做些什么呢？传统的监控领域，仅仅是用监控设备去拍一些监控视频，然后由人来对视频中一些敏感的目标进行分析。而智能视频监控，旨在通过视觉模式识别技术，对监控视频中目标、行为、事件等对象来进行智能识别和分析。比如我需要检测监控场景里面都有哪些目标，其中有人还是车，再分析监控场景中目标的行为，对监控视频中的一些敏感事件进行检测等。

随着深度学习技术的发展，智能监控所用到的检测、识别、跟踪等技术已经达到了非常高的精度，大家可以看图中从上到下分别是人脸检测与识别、行人检测与跟踪、行人姿态估计、车辆检测、车型识别以及交互识别等几大主要领域，而视频监控需要把这些领域的技术融合起来，然后对监控视频做各个维度的分析。

二、基于深度学习的视频分析技术

基于深度学习的视频分析技术概括。下图大致把目前最核心的几个技术给列了出来：

首先是目标检测，这个不用介绍，金准人工智能专家相信做过视觉的同行大都了解此领域。目标检测和图像分类是视觉技术中一个非常基础的任务，其目的就是跟踪场景中感兴趣的一些物体，包括常规的目标检测、人员检测以及车辆检测等等；

目标检测完成以后，需要针对每个检测到的目标来计算其运动轨迹，根据目标的数量以及摄像头的数量，可以分为单目标跟踪、多目标跟踪，单摄像头跟踪、跨摄像头跟踪等；

人脸识别又是另一个已经落地的商业应用，它主要是为了识别或验证场景中的人脸，包括人脸检测、关键点检测、属性分析、人脸比对以及检索等；

而行为识别是为了识别人体动作以及人与物体之间的交互，现在做行为识别比较简单一点的任务，就是在一段视频中去判断里面是否发生了某个动作，稍微难一点的是做行为检测，需要从一段很长的视频中去找出每个动作所发生的时间段；而更难一些的还要识别出动作的主体、客体以及交互的对象、动作的状态等；

还有一个应用领域是图像增强，也是最近进展比较快的。在我们监控到的视频中，它很容易受到环境和视频采集设备的影响。通常我们采集到的视频是不理想的，伴有噪音、运动模糊等，是需要进行视频方面的增强，比如做超分、去模糊、去抖动以及去雾、去雨雪之类的。

1.目标检测

目标检测需要把场景中所有感兴趣的目标逐个地给框出来，并识别出这个目标的类别，也是视频监控分析时所用到的第一步。

对于一个场景，常常需要把场景中的行人、车辆等目标挨个点出来，并且还需要把它们的边框准确的框出来，框出来以后才可以进行下一步再识别等任务。

目前检测领域主要分为两大方法：基于区域的检测算法和基于回归的检测算法。基于区域的检测方法，一般是通过两阶段的算法，分为区域候选阶段和区域检测阶段：区域候选阶段，就是通过候选框生成算法先从大图里面找到目标潜在的位置,比如传统的Selective Search、Edge Boxes和基于CNN的RPN方法；区域检测阶段，就是从区域候选阶段得到候选框后再去做进一步精细的分类和定位，目前主流的方法包括R-CNN以及R-CNN的各种改进版。

基于回归的检测方法是另一个流派，从YOLO开始，到之后的SSD做了进一步的定位优化，这种方法基本上采用的是单阶段直接回归检测框的思路。它比较显著的一个特点就是检测速度非常快，可以做到实时性，它的缺点是，相比基于区域的检测方法，其定位精度往往会差一些。

上图是目前最流行的基于区域的Faster R-CNN检测算法的示意图。

完成检测以后，我们仅仅是知道场景中有哪些目标以及它们的位置，如果需要做进一步分析，需要知道每个目标的ID是多少，同时还需要跟踪每个目标的运动轨迹来确定视频里面每一帧目标所属的ID。金准人工智能专家目前做行人的tracking需要较好的ID特征，通常先用Person ReID任务的数据集训练一个网络，然后提取一个比较好的特征计算轨迹，常用的方法是Sort和Deep Sort。

2.人脸识别

接下来是人脸识别技术，相信大家也都是非常熟悉了。就是先检测人脸，然后定位出他的特征点，再进一步用特征点对其进行属性分析，之后再做人脸检索，关键点跟踪等等，还有一个任务就是人脸比对，也是目前商业公司做得非常多的一个任务，现在精度已经做得非常高了，商用是完全没问题的。

目前人脸识别的研究进展主要是由工业界贡献。对于结构，在学术领域主要用主流的那几个，还有一些改loss的方法，比如center loss和sphere face。到工业界后，大家都有各自数据源，主要精力都用在一些工程化的调优上。

三、视频分析系统的组成及并行化方案设计

视频分析系统主要包括以下几个阶段：

第一步，视频采集，把模拟视频转换成数字视频，再把数字视频文件进行保存；

第二步，视频解码，对原始的视频进行解压缩，再转化为可以被深度学习模型处理的图像序列；

第三步，视频分析，它是整个视频分析系统最核心的阶段，也是主要的算力所在，包括目标检测、特征提取、目标跟踪和特征存储等模块。

最后，视频检索，根据输入的待检索目标，进行特征比对以及轨迹匹配。

以行人监控视频分析为例，视频分析和视频检索阶段包括以上流程，首先是监控视频流的获取，采集到监控视频以后，需要对视频进行解码，解码之后再做一个转码，把它转成单帧图片的格式，然后对每一张图片进行行人检测，检测完后再根据检测得到的检测框从图片中提取行人特征，再根据提取得到的行人特征来计算行人的轨迹，当完成跟踪以后，可以把行人特征和轨迹进行结构化存储来便于之后的检索。

检索的时候，对一张待检索图片用同样的模型去提取行人特征，并在数据库里面进行特征比对，找到最相似的行为特征所对应的行人ID。从而可以根据之前视频分析得到的行人数据来找出所需要检测的行人对应的视频频段。

如果对视频分析系统各个算法模块的计算资源来进行划分的话，我们可以看到视频解码可以用CPU来做软解或者是用GPU来做硬解，而检测部分，GPU的计算主要在CNN的推理，NMS可以放在CPU上，也可以由GPU来算，对于行人特征提取，基本上全都是在GPU上来完成计算的，行人轨迹一般是需要在CPU上来计算，最后需要把计算得到的特征和轨迹存入数据库里面，这一块IO（输入/输出）占得比较多。

金准人工智能专家认为当视频监控数据非常大且手头计算资源又比较充裕的时候，可以把这些监控视频分析划分到不同的GPU上，通过数据并行的方法来进行并行加速。先给出一个比较简单的方案——方案A：多路视频流的数据并行。视频解码、行人检测和特征提取这部分，对于每一段视频流来说都是独立的，可以把它直接进行分片，而对于行人轨迹的计算，由于可能存在跨摄像头的行人跟踪，所以需要把不同视频流之间的同一个行人的轨迹连起来，这部分需要放在CPU上来算，而且还需要等每一个视频流的行人特征提取完成之后，才把行人的一整条轨迹给计算出来，并把它存储到数据库里面。

方案B——并发流水线，像刚才数据并行方案，如果用进程实现的话，可以用一个GPU进程来处理一条并行链路，最后在CPU上做一个轨迹的计算。还有一种方案就是所有任务同时进行，这种是采用并发流水线的设计，这套系统里面所有的模块都是处于异步状态，调度模块的时候是通过任务槽的形式来进行，而模块之间的数据共享通过队列来实现。

比如设置了n个解码器来对n路视频进行解码，解码的结果可以直接把它放到一个帧队列里面，与此同时，检测器也随时从帧队列中去取解码得到的视频帧，直接进行检测，检测完后再把检测的结果放到检测框队列里面，而特征提取器也从检测框队列里面去取已经检测得到的检测框，最后去计算特征，这几个模块采用异步多进程的方法，通过进程复用队列来实现数据交换。

使用这种方案比较明显的一个优点是它对于每一块的调度是非常灵活的。比如有一段时间，视频里面出现的行人目标可能比较少，这时就可以把特征提取器设置少一点，把检测器设置相对多一些，从而可以实现资源最大化的利用。

这里用到了任务槽或者池化任务槽。就是将GPU资源池划分为任务槽，每个任务槽预置一个处于挂起状态的GPU任务，根据每个任务的算力需求以及任务在运行时的出错情况来动态更新任务状态。比如在上图中，以D开头的任务槽是用来放检测进程的；而F开头的任务槽是用来放特征提取进程的，可以给检测进程划分四个槽，给特征进程也划分四个槽，在默认的情况下，可以激活检测进程的三个槽，关闭一个槽，而特征进程，可以开启两个槽，关闭两个槽。这是因为检测通常对算力的需求会比特征提取的任务要高一些，比如检测一张图的时间要远远比提取一个patch的时间要多很多，所以会把更多的资源给到检测这一部分，如果遇到了一个密集场景，里面有非常密集的行人目标时，可以适当地关闭一些检测进程的槽，同时开启一些特征进程的槽。

这种方法还能够比较有效地应对一些出错的情况，比如像图中GPU 1上的 F11进程挂掉了，这时可以直接把F12打开，让F12进程去接替F11进程的工作，因为我们是采用队列来实现进程之间数据的通信，所以是非常灵活的，不存在进程只能处理分配给自己的数据的这种情况。

四、基于Tesla P100的视频分析加速平台

金准人工智能专家认为基于双路Tesla P100 GPU加速器搭建了视频分析并行加速平台，最多可以支持八路视频流的实时解析，意思是每片卡可以解析4路。Tesla P100加速器是NVIDIA Pascal架构的核心产品，其中的一个特点就是采用了HBM 2的CoWos技术来提高内存带宽，P100的带宽可以达到700GB/s 以上，相比于Maxwell架构有了非常大的提升。

我们选取方案A，采用双路P100 加双路E5-2620v4的硬件平台来搭视频分析的加速平台。通过监控设备采集到的视频流会由P100硬解码模块解码成图片，然后输入到每一路检测器里面，P100主要是用来加速行人检测以及行人特征提取，而行人轨迹计算和轨迹特征存储则由CPU来处理。

上图主要说明了我们视频分析模块所用到的模型，框架是基于TensorFlow1.3实现；行人检测用的是SSD-MobileNet-V1版，在COCO 上pretrain（预训练）之后用内部的行人数据集来做了一下finetune；对于行人特征提取，我们自己做了一个8层的reid网络，然后在CUHK03 + Maket上做了一个pertrain（预训练）；行人轨迹用的是比较流行的DeepSort方法，最后的结构化存储直接用SQLite来实现。

上图是行人检测模型SSD-MobileNet-V1在不同的芯片上的单帧计算时间，可以看到，我们用了P100加速卡后，相对于前代的K80卡片有了非常显著的提升，1路的单帧时间从80毫秒缩短到60毫秒，在检测任务上，可以提供一个比较好的实质性需求。

值得注意的一点是从1路到2路，大家可以看到单帧的计算时间基本上没有延长多少的，而经过3路和4路以后，它的计算时间显著提升，这主要是因为我们现在用的SSD-MobileNet模型，它并没有把CUDA核心全都占满，所以我们只用一路的话，还有非常多资源能够赋予核心，一般做到4路仍能保证加速效率。

上图是一段时长为23分12秒的离线行人监控视频进行测试的结果，在检测和跟踪的时候，我们每秒采样6帧，累计采了8356帧，分别在K80和P100设备上进行测试。可以看到，用P100时，GPU计算时长得到了极大地缩短。使用两个GPU节点，每个GPU节点跑两个任务数时，可以达到一个比较理想的并行效果，有将近90%的加速效率。

上图是几种不同加速平台之间加速比的对比。可以看到使用了双路P100以后，视频的处理时间缩短到了几个小时，同时也可以实时地进行监控数据分析。

五、P100视频硬解码加速与视频跳帧采样

这一部分是视频软解和视频硬解的介绍，我们这一次用到了P100的视频硬解码功能，上面这张图，P100是通过MVDEC来做视频硬解，它支持MPEG-2和H.264主流的视频格式。而相比于前一代，支持的分辨率也有非常显著的提升，从4K提升到了8K。

使用P100进行硬解码非常简单，可以直接使用FFMPEG库来用NVIDIA提供的H264 CUVID解码库来解码。

视频分析平台里面用到了很多工程上的trick。比如，在很多情况下，我们拍到的监控录像，有时候可能人流量非常的稀疏，有时候可能人流量非常的密集，对于不同的情况，计算需求也是不一样的。对于人流量稀疏的时间段，如上班前、下班后，如果是每一帧每一帧地检测，肯定会在这种空白帧计算上消耗很大的资源，对于此，金准人工智能专家认为通常会通过跳帧来进行检测。

举个例子，金准人工智能专家认为可以先把整段时间划分为若干个步长，同时保证每个步长是最小目标出现轨迹长度的一半，然后用这个步长进行跳帧检测。比如之前是对于每一帧都去检测，但现在可以隔上两三秒再去测一帧，直到检测到某一帧出现目标以后才开始进行辨识检测，等目标消失之后，再接着进行跳帧检测，这样可以非常大地提高资源利用率，避免计算资源浪费在一些没有意义的场景上。

总结

近年来,随着人工智能、网络通信技术、视频存储技术和视频编解码技术的发展,网络化、智能化、实时化监控逐渐成为监控的发展目标。金准人工智能专家认为智能视频监控在智慧公安、交通、反恐等应用场景下需要满足实时性的要求,随着智能监控系统监控范围的扩大,智能视频分析服务器的负载迅速增大,因而,能够满足实际应用需求的智能视频分析服务器集群系统设计成为该领域的一个重要需求之一。智能监控旨在对监控视频中的物体、行为、事件等对象，通过检测、识别、跟踪等视觉模式识别技术进行智能分析和判断，从而减少或取代人力的干预，所涵盖的技术包括对人脸、行人、车辆、标识等视觉对象识别和行为分析等，随着基于深度学习的大规模视频分析技术的发展，采用GPU加速视频分析系统成为业内逐渐采用的技术方案。

金准人工智能专家认为人工智能和机器人研究所借助双路Tesla P100 GPU强大的并行计算能力，基于大规模深度神经网络构建了智能视频分析系统，实现了对多路视频流的实时处理以及对大规模离线监控录像的高效分析，极大地加速了视频处理的运行效率。

前言

本文中，金准人工智能专家探讨了中国发展无人驾驶的市场潜力，以及行业竞争格局可能面临的变化，并对生态圈内各大企业如何顺应行业趋势、把握市场发展机遇提供思路和建议，帮助利益相关者决定发展方向与制胜策略。

金准人工智能专家认为中国极有可能成为世界最大的无人驾驶市场并且拥有世界领先的L4技术以及相关应用。中国特有的汽车业态、无人驾驶价值链上的部分封锁、高质量初创公司的涌现、再加上人才和资本的推波助澜，这一切都将助推中国未来L4产业中各方话语权的再平衡。金准人工智能专家认为中国本土企业在无人驾驶领域的价值，体现于其在高精度地图、云服务、车联网等领域的绝对主导地位以及因此产生的溢出效应……

一、L4级无人驾驶将从东方升起

无需紧盯路况，私家车车主每天在上班路上可以边喝茶边看报。无需人工干预，公交车每天有条不紊地将百万人次乘客送达城市另一端。无需中途停靠或长途驾驶员，干线卡车就能够将成千上万的包裹更快送达国家的另一端。这一切都极可能首先在中国实现，实现的时间预计在2025-2028年。

2017年，起步较晚的中国无人驾驶行业在L2和L3领域仍然全面落后于欧洲和美国，但是金准人工智能专家相信这一格局会在L4时代被打破。首先，中国政府加快在顶层设计上为无人驾驶技术研发、商业化应用、标准制定和法规完善提供制度性保障。在国家规划层面，2018年1月发改委在其网站上公布了《智能汽车创新发展战略（征求意见稿）》，这是首个围绕智能网联汽车产业的战略层面的纲领性文件，对当前智能汽车发展的问题给出了针对性的解决方向。公告提出到2020年，中国智能汽车新车占比达到50%，中高级别智能汽车实现市场化应用；到2025年，中国标准智能汽车的技术创新、产业生态、路网设施、法规标准、产品监管和信息安全体系全面形成，而且新车基本实现智能化，高级别智能汽车实现规模化应用。

金准人工智能专家了解到，在此之前，《中国制造2025》已明确将发展智能网联汽车提升至国家战略；中汽协出台的《“十三五”汽车工业发展规划意见》也为智能汽车产业发展给出了具体路线图：到2020年具有驾驶辅助功能（相当于L1）的智能网联汽车当年新车渗透率达到50%，有条件自动化（相当于L2）的汽车新车渗透率达到10%。我们预测，未来“十四五”、“十五五”规划中，上述比例会逐渐稳步上升，技术和法规成熟后L4也将会尽快被纳入国家规划。

法规层面，北京率先于2017年年底出台了国内首部地方性的自动驾驶路测法规，填补了长期以来无人驾驶汽车上路测试的法律空白，并在亦庄设定了首条自动驾驶测试专用道。上海也于3月将首批两张无人驾驶开放道路测试牌照颁布给上汽和蔚来汽车；广州、深圳等城市也在积极开展路测示范点，推动相关法规出台。

其次，中国无人驾驶市场潜在需求极大。这不仅因为中国是全球第一大乘用车市场，同时中国消费者对于无人驾驶汽车展现出了相对更高的接受度，这意味着面向个人消费者的市场前景广阔。中国目前已形成极具规模的移动出行和物流产业，相关的无人驾驶2B端需求也将在L4阶段迎来爆发，帮助企业降低用人成本。不仅如此，新能源汽车、“智慧城市”的推广和普及也将增加对无人驾驶汽车的需求。

金准人工智能专家预测，在这样的态势下，中国一定会孕育出一批拥有世界领先水平的无人驾驶企业。近几年，国内科技公司加大在无人驾驶领域的研发力度，并频频在算法、激光雷达等软硬件核心领域崭露头角，他们以中国实力雄厚的资本市场为支撑，力争在无人驾驶领域，特别是L4级别，实现弯道超车。例如，初创企业禾赛科技在2016年10月宣布已成功研发出相对低成本的32线激光雷达，打破美国激光雷达传感器制造商Velodyne长期以来在该领域的技术垄断，而激光雷达的量产被认为是L4商业化的关键前提。另一家在自动驾驶领域受到关注的企业为AI初创公司商汤科技，该公司的估值预计在2017年底C轮融资后（公司成立仅3年之后）达到30-50亿美元，其增长态势毫不逊色于被英特尔以153亿美元收购的行业内翘楚企业Mobileye。国际领先的美国芯片厂商高通于前不久宣布和商汤科技达成合作，后者的机器学习算法将被整合进高通的骁龙TM处理器上，双方将推动AI算法在自动驾驶等领域的应用和商业化。同时，商汤科技近日也获得了本田汽车在无人驾驶AI研发业务的大单，显示这些企业已逐步实现商业化。

综上，金准人工智能专家认为，中国极有可能成为世界最大的无人驾驶市场并且拥有世界领先的L4技术以及相关应用。金准人工智能专家预测，2030年中国L4级别无人驾驶新车年销量将超过50万辆，约占全球年销量的24%，相应的L4市场规模将达到23亿美元。我们对于各个级别的无人驾驶汽车销量及相应的市场规模的预测如图1所示。

二、话语权的再平衡

传统汽车行业的竞争格局是金字塔型——整车厂位处顶端，紧随其后的是各级别供应商，话语权有限。但在L4时代，整车厂的主导地位将受到严峻挑战，零部件厂商、互联网巨头、算法公司、芯片制造商、传感器供应商等企业无不加快对无人驾驶技术的研发和商业化步伐，并期望通过占据技术制高点来打破汽车产业的生态平衡。

在L2和L3时代，整车厂和ABCD 4 等一级供应商仍将继续占主导地位，图商、激光雷达厂商、车联网通讯运营商等企业在无人驾驶上的应用有限，不会从根本上改变竞争格局。但进入L4时代后，汽车产业将不可避免地迎来话语权的再平衡——传统的自上而下的价值链将会在L4时代趋向扁平化，一些非一级供应商的角色将不再局限于供货给上游供应商，他们可直接与整车厂开展合作。甚至，直接从传统的2B业务转向2C业务，同终端用户直接发展关系，包括数据获取以及产品销售（如OTA业务）。

在L4应用端，客户结构将变得更加多元化。本土的移动出行公司、物流公司以及“智慧城市”相关企业都将成为L4技术的主要买家。在L4技术端，中国企业也在不断挑战ABCD的主导地位，包括百度和阿里巴巴在内的中国科技巨头决心成为无人驾驶解决方案提供商，并在软件算法、高精度地图、云服务、数据服务等领域积极布局。例如百度在今年年初联同禾赛科技，推出Pandora自动驾驶开发者套件，为自动驾驶研发机构提供软硬件及AI在内的一体化解决方案；阿里巴巴入股的高德地图则已经完成全中国所有高速公路的高精度地图采集。另一方面，本土无人驾驶技术初创公司正逐渐缩小同国外厂商在算法和激光雷达等核心领域的实力差距，尤其是随着激光雷达量产的提速，这些企业在性价比和产能供应上将拥有明显优势。

总体而言，中国特有的汽车业态、无人驾驶价值链上的部分封锁、高质量初创公司的涌现、再加上人才和资本的推波助澜，这一切都将助推中国未来L4产业中各方话语权的再平衡。

三、为变革做准备

“合作大于竞争”已成为业界对于L4时代无人驾驶生态圈的共识，这意味着没有一家企业能够包办一切，并在这个新的生态圈中独善其身。

无人驾驶汽车的发展是汽车工业一次新的革命，将推动汽车工业进入全新的发展时代，对汽车工业产业结构、组织方式、服务模式、全球布局和竞争格局都会产生重大而深远的影响。一场汽车新工业革命即将到来汽车和互联网融合发展催生了无人驾驶汽车。互联网与经济社会的融合正在向汽车工业领域全面渗透，除了谷歌、苹果、百度、阿里等互联网公司正在加速布局智能汽车领域之外，福特、宝马、奔驰、大众等传统汽车厂商也在积极拥抱互联网等信息技术，加速研发自动驾驶技术，以无人驾驶汽车为代表的智能汽车革命正在蓄势待发，许多公司相关产品已经处在了大规模商业化的前夜，一场汽车新工业革命即将到来。

整车厂、一级供应商以及中国本土企业应当采取行动。整车厂在无人驾驶领域的价值主要体现在其产品设计生产和整体解决方案的开发整合能力。整车厂需制定清晰的长远发展计划，明确自身在产业链中的定位。相较于规模较小、定位低端的整车企业，大型整车厂更有机会成为无人驾驶的全套解决方案提供商，而算法就是重中之重。近期，一些整车厂也通过收购、投资等手段增强自身算法竞争力。战略联盟和初创企业孵化也是主要手段，尤其在L4技术和应用还不成熟的阶段，低风险、非强制性非义务性的合作是一个更为合适的方式。

一级供应商在无人驾驶领域的价值在于成为全套解决方案提供商，并继续扮演其在无人驾驶产业链中不可或缺的角色。一级供应商面对的变化是革命性的，传统的零配件集成业务的重要性将在L4时代被大大削弱，他们必须迅速转型成为全套解决方案提供商从而保持其强大的业界话语权。同样的，算法（以及相关的硬件电子控制单元）将成为必争之地，一级供应商同样需要将增强自身算法能力作为重点发展领域。越早具备足够的算法和电子控制单元集成能力，就越容易得到实力较弱的自主品牌整车厂的青睐。由于算法会在路测数据基础上不断演进，企业越早开始算法相关的路测数据积累，越有望在2030年拥有一套不可取代的安全高效的算法。短期内，一级供应商可以寻求合适的中方整车厂作为其合作伙伴，尝试L2/L3在中国市场的商业化落地，这将给企业带来可观的收入和消费者的认可。金准人工智能专家建议一级供应商尽早行动，德国大陆集团已于2017年10月联手中国联通成立了一家合资公司，双方各持股50%，共同布局智能交通系统和车联网领域。

1.人工智能等技术发展加速了无人驾驶汽车产业化

人工智能等技术发展加速了无人驾驶汽车产业化。移动互联网、云计算、大数据、物联网、人工智能等信息技术的发展为汽车产业实现智能化和无人化发展提供了坚实的技术支撑，万物互联、泛在感知、海量信息、高速计算、智能分析等信息资源和信息能力让汽车有了自我观察、思考、判断和控制能力，环境感知、智能决策、自动控制成为了未来汽车发展的标配。无人驾驶汽车的发展将对汽车工业产生重要和深远的影响。不仅是汽车发展的技术革命，更会对汽车工业产业结构、组织方式、服务模式、全球布局和竞争格局产生强烈地震效应，推动汽车产业全面升级换代，引发产业组织模式创新，重塑原有区域布局和竞争格局。能否抓住无人驾驶汽车发展机遇，事关我国在新一轮汽车工业革命之中能否实现弯道超车，抢占汽车工业发展主导权。

无人驾驶汽车发展现状和问题产业链多个环节核心关键技术基础薄弱。无人驾驶最为关键的技术在于提高车辆在行驶过程中对道路情况的全方位感知和反馈控制能力，然而我国目前在这方面存在多项技术薄弱状况：一是道路场景信息感知和识别能力弱，特别是复杂场景下对道路标识、交通信号、周围物体等感知精准不高，受天气、光照、视角等因素影响较大。二是信息快速并行处理能力弱，道路环境、交通信号、路径导航、车辆控制等信息智能化协同处理速度慢，难以满足高速驾驶环境下信息处理速度要求。三是缺乏高精准度数字化控制技术，难以满足道路实际行车环境需求，数字化、软件化、毫秒级、毫米级反馈控制能力有待提高。汽车行业和互联网融合应用水平低。

目前，汽车行业与互联网融合应用主要集中在汽车导航、车内娱乐、远程控制等简单应用，而信息技术与车辆驾驶控制系统本身融合较少。移动互联网、云计算、大数据、物联网、人工智能等新一代信息技术在汽车研发设计、生产制造、道路行驶等领域融合程度较低，尤其在车辆驾驶控制、交通状况识别、行车道路规划、行车安全保障等方面，互联网等信息技术应用还处在起步阶段，信息技术对汽车研发设计、驾驶控制等变革创新作用尚未发挥。

2.中国本土企业在高精度地图、云服务、车联网的主导地位和溢出效应

中国本土企业在无人驾驶领域的价值，体现于其在高精度地图、云服务、车联网等领域的绝对主导地位，以及因此产生的溢出效应，比如能够为中国消费者提供更实惠更贴心的体验，以及给跨国公司合作伙伴带来（相比单独干）更低风险的利益回报。本土企业在扩大主场优势的同时，也可以将触角涉及欧美市场，并致力于成为相关领域的世界领导者。大唐和华为已经在全球范围引领车联网LTE-V标准的制定和技术的研发。2017年2月，华为在欧洲与德国博世和英国沃达丰共同测试基于蜂窝通讯技术的LTE-V车联网通讯标准。相关联的本土企业也将迎来巨大的发展契机。

无人驾驶汽车发展对策和建议加强产业关键技术攻关研究。加强无人驾驶关键技术研究，提高汽车场景感知、信息处理和反馈控制能力。一是加强激光测距、近景观察、车载雷达、GPS高精度定位、三维位置感知、位置超声传感、交通标志和信号解析等信息感知技术研究，提高感知精度和灵敏度。二是加强信息快速并行分析处理技术研究，构建汽车场景智能感知分析模型，提高对场景信息的快速分析和识别能力。三是加强高精度控制技术研究，深入推进信息技术与车辆控制系统融合，推进数字化、软件化和网络化控制，提高敏捷控制和精准控制能力。深化汽车行业和互联网融合发展。深化互联网等相关信息技术在汽车驾驶控制、车内娱乐、自动导航、行车安全等领域全方位融合应用。

有大型资本背书的本土互联网企业可以重点关注智能互联解决方案。互联网三巨头在图商、定位服务商和车载操作系统等相关领域拥有较高的渗透率，体现其对L4和车联网商业化的乐观预期。

本土无人驾驶技术初创企业则拥有强大的人才和资本吸引力。而对于车队管理和移动出行服务提供商而言，其在L4时代的优势是掌握一手的消费者数据，发掘这些数据的商业价值将帮助他们在生态圈中找到适合自己的定位。中国无人驾驶市场将会是庞大且错综复杂的，各利益相关方需要尽早制定明晰的战略定位，并高度关注外部情况，特别是法规变化所带来的潜在影响。同时开展更多生态圈内协同合作，扩大自身的“朋友圈”。

3.培育和壮大产业发展生态圈

培育和壮大产业发展生态圈。加快构建无人驾驶产业生态圈，提高产业整体竞争力。一是推进统一、开放、标准的车载信息服务平台建设，构建车载信息服务产业生态圈，充分利用众包众创力量做大做强车载信息服务。二是整合产学研资源，充分利用高等院校、科研院所在雷达探测、模式识别、人工智能、信号处理等方面学科优势，加强无人驾驶场景感知和识别等基础技术攻关研究，提高关键核心技术国内自主可控水平。三是推进驾驶控制、车载信息、路径导航、安全保障等全链条汽车信息服务开放式发展，构建无人驾驶技术开放信息服务平台，降低无人驾驶系统开发成本，提高用户结合车辆和硬件系统构建自动驾驶系统的能力。

总结

无人驾驶市场前景可期。随着中国政府顶层设计的推动，以及市场需求的发展潜力，中国极有可能成为世界最大的无人驾驶市场，并拥有世界领先的L4技术及相关应用。

汽车行业各方话语权再平衡。传统自上而下的价值链将会在L4时代趋向扁平化，整车厂的主导地位会受到严峻挑战，价值链上各方话语权将面临再平衡。

企业需要在变革中明确自身定位。在新的生态圈中，各利益相关方都需要明确自身在产业链中的定位，制定清晰合理的发展战略，以应对瞬息万变的市场格局。

合作大于竞争，企业需要谋求协同合作的伙伴。在无人驾驶生态圈中，企业之间的联合已成为共识，没有一个单一的企业能凭借自身能力取得成功，企业需要通过协同合作方能增强自身的竞争力。

中国无人驾驶市场将会是庞大且错综复杂的，金准人工智能专家认为，各利益相关方需要深入剖析自身优势，尽早制定明晰的战略定位，同时开展更多生态圈内协同合作，扩大自身的“朋友圈”。

前言

北美科技巨头凶猛！

亚马逊市值已经超越美国首都华盛顿特区的GDP，谷歌和苹果的市值超过欧元区和日本的金融股市值总和。美股市值TOP5一度全部被科技巨头占据，Facebook由于近期丑闻缠身才屈居第六。

区块链同样凶猛！

比特币、以太坊、瑞波币等均一度市值过1000亿美元，所用时间则远远短于他们的科技巨头前辈。以虚拟货币为代表的区块链已逐渐进入社会应用领域。

区块链狂热的崇拜者已经预言区块链将诞生比肩传统科技巨头的新霸主，因为区块链要革命的对象，就是诞生如许科技巨头土壤的互联网。

现在预言区块链将打败硅谷科技巨头时间尚早，但是改变正在发生。

金准人工智能专家将着重梳理北美对加密虚拟货币的产业政策及明星项目，探寻以虚拟货币为代表的区块链在北美社会生活的落地应用，及整理北美大陆名人对虚拟货币的态度，试图还原北美大陆较为完整的区块链全景。

一、北美各国加密数字货币政策全景扫描

北美国家出台区块链政策的国家主要有三个，美国、加拿大、墨西哥。

政策出台时间集中在2016年和2017年，这也是比特币等虚拟货币蓬勃发展的时期。

政策内容主要有三方面，是否承认虚拟货币、对区块链项目的管理、虚拟货币监管。

金准人工智能专家发现，以加密虚拟货币为代表的区块链应用越来越被严管，但这也同时意味着它取得了合法的地位，也许后续的发展空间和前景更为广阔。

表1：美国各州虚拟货币政策

表2：加拿大虚拟货币政策

表3：墨西哥虚拟货币政策

二、首次破1000亿美金市值所用时间

表4：首次破1000亿美金市值的巨头所用时间

金准人工智能专家统计显示，微软和苹果作为传统美国科技巨头（软件/硬件公司）市值首破1000亿美元用时普遍超过20年，互联网早期公司亚马逊耗时也超过15年。

和“重互联网公司”亚马逊相比，成立更晚的互联网 “轻公司”谷歌和Facebook首破1000亿美元则用时分别为8年和9年。

与这些传统巨头相比，区块链（主要为虚拟货币）的市值破千亿美元的时间大大缩短，以太坊更是成立5年市值即破1000亿美元。

金准人工智能专家认为，未来诞生的区块链巨头，在资本市场的强力助推下，成长速度有可能更快，带来的影响也更为深远。

三、北美区块链公司TOP20扫描

金准人工智能专家采集到20家北美区块链公司。

统计发现，区块链公司都在美国和加拿大，美国公司占了80%。这些公司最多的主营业务是虚拟货币相关业务，但落地的区块链应用已经出现，并拿到不菲的投资，这些意味着项目主体将步入高速发展阶段。

这些公司有84%都进入到B轮以上融资阶段，其中一家加拿大的挖矿公司已经上市。

那些走到D轮融资的，最高融资额已达1亿美元。

表5：北美区块链公司TOP19

四、区块链发展路线图

与互联网从概念提出到落地历经数十年相比，区块链的概念从真正提出到落地几乎没有时间差，甚至比特币诞生早于区块链概念的提炼。

互联网仍然在主宰着全球的产业，区块链能否复制互联网的发展道路，甚至超越互联网对人的影响，现在还看不到答案，2018年作为公认的区块链元年，创投圈疯狂甚于2000年互联网泡沫前夕。

金准人工智能专家发现，美国包括餐饮、航空、娱乐、证券、期货等行业都开始接受使用虚拟货币进行支付和结算。而美国银行业也深深感受到来自虚拟货币的威胁。

加拿大银行业的选择则是拥抱变化，包括央行在内的多家银行都接受虚拟货币结算。这些变化并非一朝一夕完成，而是渐变的过程。

总结

现比较已有20多年历史的互联网，区块链就如孩童般，还处于一个行业发展非常早期的阶段，区块链是否真的会像互联网一样影响到每一个人的生活，影响到我们每一天的工作时用的工具，金准人工智能专家认为这可能会发生，但是结果无法预料，这是一个会动态变化的结果，是一场共同社会共识导致一个不同结果的事情，更多的优秀的创业者应在区块链行业里面，做更多有益于这个行业的事情，做更多扎实的技术创业，而少一些投机的行为。

金准人工智能专家提出，我们应该将区块链话题看成一个立体的话题，而不单纯是技术问题，第一层次包含了密码学以及区块链技术本身的创新，第二层次是区块链的Token在流通市场涉及到金融层面的一些话题，第三层次是区块链的分布式以及去中心化理念对社会形态的影响，第四层次是持币的信仰者将区块链技术作为自己的信仰。

前言

根据金准人工智能专家的研究显示，中国现已成为全球最大的车辆及出行服务市场，在全球乘用车市场的份额由2007年的9%增至2017年的30%。至2030年，自动驾驶相关的新车销售及出行服务创收将超过5000亿美元，中国也很有可能成为全球最大的自动驾驶市场。

一、自动驾驶将带来巨大的经济和客户价值

由于本土及跨国公司的蓬勃发展，中国现已成为全球最大的车辆及出行服务市场。2007年至2017年间，中国市场以每年16%的速度增长，在全球乘用车市场的份额也由2007年的9%增至2017年的30%。金准人工智能专家认为，如果自动驾驶技术能实现，将会给世界带来巨大的经济价值与客户价值。

1.客户价值

从客户价值来说，自动驾驶平均每天可为司机节约50分钟的时间。与租赁或购买汽车相比，自动驾驶带来的新出行模式可以降低每公里的成本。由于事故减少，堵车成本和医疗开支也相应降低。自动驾驶可以帮助不会驾驶的人（如残疾人及老年人等）实现自主出行。将提升个人安全系数，可减少90%以上的事故。

2.市场增长

从市场增长的角度来看，自动驾驶将带来巨大的经济价值。研究显示，到2030年，自动驾驶乘用车将达到约800万辆，自动驾驶将占到乘客总里程（PKMT）的约13%；到2040年，自动驾驶乘用车将达到约1350万辆，PKMT将达到约66%。

到2030年，自动驾驶汽车总销售额将达到约2300亿美元，到2040年将达到约3600亿美元。到2030年，基于自动驾驶的出行服务订单金额将达到约2600亿美元，到2040年将达到约9400亿美元。

自动驾驶时代完全打破了传统主机厂对车载互联和自动驾驶两方面的布局，汽车的新技术催生了新的市场，预计到2020年，在车载互联、自动驾驶以及相应安全方面的市场将达到1500亿美元规模，这也是各方玩家进入自动驾驶这个领域的现实考虑。从当前的出行市场可以看出，智能出行已经成形，一方面包括专车服务、分时租赁、共享出行、特定区域及特定场景的自动驾驶商用化服务等；另一方面，随着汽车产业和信息技术的发展，汽车这个圈子更加扩大，传统的汽车设计方式已经不能适应了，会有很多生活场景化出现，会强调人和车的互动，包括社交、购物及娱乐等服务。

3.中国消费者对自动驾驶兴趣浓厚

金准人工智能专家的一项近期调研显示，49%的中国消费者认为全自动驾驶“非常重要”，另有49%的中国消费者认为它“可有可无”。这一结果与德国及美国消费者形成鲜明对比：仅16%的德国和美国消费者认为全自动驾驶“非常重要”，另有53%的德国和美国消费者认为它“可有可无”。中国消费者愿意为购买自动驾驶车辆支付高达4600美元的溢价，而美国和德国则分别为3900美元和2900美元。

二、BAT悉数入局自动驾驶

前言

2017年是AI之年，人工智能领域多年的努力和积累终于勃发，从政府到民间，从国家战略到坊间热点，从学术圈到资本圈，从主流领导企业到创新独角兽，一时间全社会各个角落关注AI、走向AI、布局AI，AI正在热气腾腾地从学术走向产业。

2018年，是AI赋能行业、展示威力的关键年。企业和公众已经不再质疑“AI能不能”，而是迫切的想知道“AI怎么能”。金准人工智能专家认为AI必须要在生态建设、行业应用、产业赋能等方面取得比以往更大的成就，才能更进一步，形成燎原之势。

《全球人工智能产业地图》对全球人工智能产业进行了系统分析，从产业结构、产业分布、企业分布等多角度进行绘制，为推动我国人工智能产业发展提供重要决策参考。

一、人全球人工智能产业发展综述

人工智能（Artificial Intelligence，简称 AI）是一门前沿交叉学科，目前还没有统一的定义。

根据中国人工智能学会与罗兰贝格联合发布的最新报告，人工智能是一门利用计算机模拟人类智能行为科学的统称，它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。

1.全球爆发人工智能产业浪潮

但是，人工智能并不是一个新的概念，它实际上诞生于20世纪50年代。在这60年间，人工智能的发展并不是一帆风顺，而是起起落落，先后经历了Pre-AI时代、黄金时代、第一次低谷、第二次繁荣、第二次低谷，我们目前正处于第三次浪潮之中。

人工智能（Artificial Intelligence）是全球2017年信息通信领域的最大热点，远高于物联网、5G、安全与隐私、区块链等。

三大因素推动人工智能快速发展。互联网的发展提供了种类丰富的大数据资源，提升算法有效性。计算技术的变革使硬件成本指数下降，运算时间缩短，助力人工智能再度崛起。基础算法和AI 平台的创新减少了传统算法和人类手工总结特征的不完备性，大幅提升算法有效性。

全球产业链基本形成，带动实体经济转型升级。实现纵向融通，人工智能促进产业链各层级深度融通，ICT供给能力产业质的飞跃。实现横向融合，消费到生产，实体经济数字化、网络化、智能化转型升级步伐加快。

产业热度逐步提升，市场规模持续增长。一是创新活跃，科研机构和企业加快人工智能研究和创新，人工智能发展受到普遍看好。二是规模增长，语音、视觉等技术已经步入实用和商用，带动产业规模快速增长。

      创新AI企业快速涌现，我国是人工智能发展高地。企业力量不断壮大，新增企业数量快速增长，尤其是欧洲和亚洲增速逐步提升。我国人工智能企业数量接近1500家，在全球中位居第二，是全球人工智能发展高地之一。

2.产业分层已经明晰，国内AI应用呈现爆发趋势

通常情况下，我们可以将人工智能产业划分为三层，分别是基础层、技术层和应用层。其中基础层是推动人工智能发展的基石，主要包括数据、芯片和算法三个方面，技术层主要是应用技术提供方，应用层大多是技术使用者，这三者形成一个完整的产业链，并相互促进。不过，很多企业（特别是大型科技公司）业务线较长，很多时候既是技术提供方，也是技术的使用者，因而很难有清晰的界定。

基础层方面，中国的实力还比较薄弱，尤其是芯片领域，玩家多为创业公司，而美国在这一领域多为英伟达、英特尔等重量级玩家，同时创业公司也层出不穷；在基础技术框架领域，国外有Google、微软、Facebook、亚马逊等，国内有百度、腾讯、阿里巴巴等；在数据领域，很多互联网公司本身就积累了海量数据，不过这些商业数据一般不会对外共享，而且这些公司也对标注处理后的有效数据存在需求，因此市场上存在第三方数据提供商，国内以海天瑞声为代表，美国则以CrowdFlower为代表。

技术层主要分为三个领域：机器学习、语音识别和自然语言处理、以及计算机视觉。其中除了BAT等大玩家之外，语音识别和自然语言处理领域的代表公司有科大讯飞、云知声、思必驰等，计算机视觉领域的代表公司有商汤科技、旷视科技、依图科技等。它们中有很多已成为新兴的独角兽，融资额度甚至超过美国同行。

在AI应用领域，中国呈现出爆发的趋势，目前主要集中在安防、金融、医疗、教育、零售、机器人以及智能驾驶等领域。其中安防领域的代表公司有海康威视、大华等；金融领域有蚂蚁金服、众安科技等；医疗领域有医渡云、汇医慧影等；教育领域有科大讯飞、乂学教育等；零售领域有阿里、京东、缤果盒子等；机器人领域有大疆创新、优必选等；智能驾驶领域有百度、驭势等。

3.主要国家加快快布局人工智能，我国不断加强政策支持力度。

2015年5月，国务院印发《中国制造2025》，其中“智能制造”被定位为中国制造的主攻方向，而这里智能的概念，其实可以看做人工智能在制造业的具象体现。

2015年7月，国务院印发《国务院关于积极推进“互联网+”行动的指导意见》，其中人工智能是重点布局的11个领域之一。

2016年3月，《国民经济和社会发展第十三个五年规划纲要（草案）》发布，国务院提出，要重点突破新兴领域的人工智能技术。

2016年5月，发改委、科技部、工信部和网信办联合印发《“互联网+”人工智能三年行动实施方案》，提出到2018年“形成千亿级的人工智能市场应用规模”。

2016年7月，国务院印发《“十三五”国家科技创新规划》。《规划》指出，要重点发展大数据驱动的类人智能技术方法；突破以人为中心的人机物融合理论方法和关键技术，研制相关设备、工具和平台；在基于大数据分析的类人智能方向取得重要突破，实现类人视觉、类人听觉、类人语言和类人思维，支撑智能产业的发展。

2017年3月，人工智能首次被写入国务院的《政府工作报告》，正式进入国家战略层面。

2017年7月，国务院印发《新一代人工智能发展规划》，提出了“三步走”的战略目标，宣布举全国之力在2030年抢占人工智能全球制高点，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。

2017年12月，工业和信息化部印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》。计划提出，以信息技术与制造技术深度融合为主线，以新一代人工智能技术的产业化和集成应用为重点，推进人工智能和制造业深度融合，加快制造强国和网络强国建设。

可以看出，自2016年以来，中国的人工智能政策密集出台，在全球竞争的背景下，人工智能已经上升为国家意志。金准人工智能专家认为未来，人工智能技术的产业化将是大势所趋。

二、产业链整体发展情况

1. 核心器件多元化创新，带动AI 计算产业发展

GPU、DSP、FPGA、ASIC以及类脑等人工智能芯片创新频繁，支撑云测、端测AI计算需求。AI计算产业快速发展，尤其是云端深度学习计算平台的需求正在快速释放。我国寒武纪、深鉴科技等企业也在跟进和推动各类AI芯片的研究和创新。

CPU：众所周知，传统的数据计算是依靠CPU处理器，然而近年来，随着集成电路越来越复杂，半导体技术的改进几近达到物理极限。而互联网的快速发展，导致数据规模急剧扩张，此时的矛盾集中表现为处理器性能无法满足计算需求。

GPU：GPU又叫图形处理器，它的特点是有大量的核和大量的高速内存，主要擅长做类似图像处理的并行计算。后来人们渐渐发现，这个特点同样适用于深度学习的训练，而且相比于CPU，GPU可以提供更快的处理速度、更少的服务器投入以及更低的功耗。2009年，斯坦福大学的一篇论文发现，在训练深度神经网络时，使用GPU会比CPU快70倍。自此在深度学习的训练领域，CPU开始被冷落，GPU也已经不再是通常意义上的图形处理器，逐渐已成为AI训练专用处理器的事实标准。这也让GPU技术的领跑者英伟达赚的盆满钵满，在过去的5年间，英伟达的股价上升了约18倍。

FPGA（Field－Programmable Gate Array，现场可编程门阵列）：作为人工智能深度学习方面的计算工具，除了GPU以外，FPGA也为很多开发者所推崇。FPGA的中文名为“现场可编程门阵列”，它具有可编程专用性、高性能、低功耗等特点。目前整个FPGA市场主要由赛灵思和Altera主导，两者共同占有85%的市场份额，2015年，Altera被英特尔收购。

ASIC（Application Specific Integrated Circuits，专用集成电路）：是指应特定用户要求或特定电子系统的需要而设计、制造的集成电路。严格意义上来讲，ASIC是一种专用芯片，与传统的通用芯片有一定的差异。与通用集成电路相比，具有以下几个方面的优越性：体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低。但深度定制也意味着需要大量的研发投入，如果不能保证出货量，其单颗成本难以下降，而且芯片的功能一旦流片后则无更改余地，若深度学习方向一旦改变，ASIC前期投入将无法回收，意味着ASIC具有较大的市场风险。Google自主研发的专用于人工智能深度学习计算的TPU，其实也是一款ASIC。

1. 移动互联网造就海量数据，结构化数据依然缺乏

公共数据集不断丰富，推动初创企业成长。数据是训练人工智能的必备燃料，在现阶段人工智能的发展水平下，数据的规模和质量直接决定了模型的训练效果。

全球数据流量仍在快速增长，为深度学习所需要的海量数据提供良好基础。商业化数据产业发展迅速，能够为企业提供十万张图片、数千小时语音以上的资源和相关服务。公共数据集为创新创业和行业竞赛提供优质数据，给初创企业带来必不可少的资源。

目前海量的有效数据主要掌握在互联网巨头手中，在已经到来的人工智能时代，由于马太效应的存在，凭借这些宝贵资产，他们可以和用户形成良性的数据闭环，从而强者恒强。

另一方面，更多的从业者其实面临着数据短缺的尴尬境地。这些从业者主要分为两类：传统企业和AI创业公司。

传统企业由于在其所在的行业深耕多年，拥有大量的原始数据。但它们往往并不注重数字资产治理，这些宝贵的数据往往像待开采的矿石一般被低效地利用，并未被结构化。对于此类企业，我们建议其与平台或技术社区合作，将已有的数据充分利用起来。例如，作为中国最大的图片提供商，视觉中国拥有海量的已标注数据资源，这些数据在过去很长一段时间都是人工标注的。如今，视觉中国已经与CSDN的一站式AI服务平台——TinyMind（www.tinymind.com）展开合作，以寻求更加快速的解决方案。

比起传统企业，AI创业公司对数据的渴求更加强烈，对于此类公司，目前较为常见的训练数据来源主要有三种：

学术界和大公司对外开放的免费数据库。以计算机视觉为例，其中最为知名的是斯坦福大学李飞飞副教授创立的ImageNet。经过多年的积累，ImageNet通过众包的方式积累了2万多种类别的1400多万张图片，是目前世界上最大的图片数据库。另外，Google作为开源大户，于2016年相继对外开放了自然语言数据库、视频数据库、图片数据库。

通过第三方数据供应商或众包平台购买或定制数据。对数据的需求促进产业生态进一步完善，催生了专业的第三方服务供应商，国内较为知名的有海天瑞声、数据堂等。另外，需求者还可以通过众包平台发布任务，聚集平台上的闲散廉价人力为己所用，如Crowd Flower、亚马逊的AMT（Amazon Mechanical Turk）、百度众包平台等。

自行采集实际数据或模拟数据。对于某些特殊场景，现有的数据积累不足或无法满足需求，则需要厂商自行采集数据。典型场景，如自动驾驶。

3.关键平台逐步形成，加快推进应用生态

优势企业如谷歌、亚马逊、脸书加快部署机器学习、深度学习底层平台，建立产业事实标准。目前业内有近40个各类AI学习框架，生态竞争异常激烈。典型企业如科大讯飞、商汤科技利用技术优势建设开放技术平台，为开发者提供AI开发环境，建设上层应用生态。

部分应用技术快速成熟，进入实用阶段

以语音识别、机器视觉为代表的人工智能技术快速成熟，达到实用化水平。机器视觉、智能语音成为产业化水平最高的人工智能领域，企业数量和橱窗企业快速增长。

行业应用及产品：“AI+传统产业”加快融合创新，推动社会转型升级

人工智能从个人消费到安防、医疗、交通、家居等众多领域渐次渗透，当前处于行业应用大规模起量阶段。

产业分布：全球化趋势明显，我国人工智能发展日益向好

美国仍是人工智能核心发源地之一，其他国家人工智能发展正在快速跟进。国内北京人工智能发展领跑全国，沪粤江浙发展逐步加速。

AI技术正在与各个行业的业务发生着融合促进，其中金融、制造业、电商、医疗等行业占比最高。可见，虽然在基础领域，中国与美国还存在一定差距，但是在商业化应用方面，中国已经多点开花，大有赶超之势。

三、市场预测：计算机视觉是当前重点，未来基础算法和芯片将逐渐提升

2017年我国人工智能市场规模达到216.9亿元，同比2016年增长52.8%。技术分类上，计算机视觉、语音相关领域技术发展更为成熟，所占比例分别为37%和22%。人工智能创业企业的涌现集中在2014-2016年时期，在2015年达到顶峰（新增150家），创业热潮与投融资热情在2017年回归理性，同时随着人工智能各项技术的不断成熟以及各类应用场景的落地，金准人工智能专家预计在2018年时人工智能市场增速达到56.3%，整体规模达到339亿元。2018年，机器学习、深度学习等算法能力的增强将促进计算机视觉、语音等技术不断突破，谷歌、英伟达、华为、寒武纪等发布的AI芯片产品将进入大批量商用上市阶段，人工智能产业将继续增长并与垂直行业加深融合。

人工智能市场规模及预测

加快关键环节布局，推动我国人工高振产业生态化发展。

      加快完善基础环境，确保产业快速健康发展。

总结

人工智能已经推动了IT行业的巨大变革，如今这一趋势正逐渐蔓延至传统行业。金准人工智能专家认为不仅要用人工智能来赋能IT行业，更是时候需要用人工智能来赋能整个社会。为了让全社会都能体验到人工智能的好处，我希望将人工智能推广到其他行业。”

从人工智能诞生至今，已经有很多企业和用户切身体验到了这项技术带来的好处，因此许多公司都在探索如何应用人工智能来帮助自己进一步发展，但是很多公司并不能很清楚地定义自己的需求，而且许多AI技术仍然很复杂，很少有团队能够完全理解并且有效地运用这些技术，因此AI转型之路并不容易。

前言

区块链是目前热议的技术之一。不同行业的企业都在探索区块链对其所在领域的潜在影响，以及如何利用此项新兴技术获益。通信服务供应商(CSP)也不例外。

但是，CSP面临的最大问题是，“能获取什么样的收益？”以及“从何处、如何着手？”令人欣慰的是，从中获益的机会是真实存在的。区块链共享总账方法的核心特征是在交易过程中，为各方参与者构建可信、安全、透明且可控的生态系统。这可降低成本、提高效率，并改善所有参与者的体验。金准人工智能专家最近开展的全球消费者调研显示，在处理个人数据和保护隐私安全方面，CSP竟然位居最可信组织的地位，在某些国家或地区甚至超过金融机构和政府。这为他们奠定了优势位置，有助于利用区块链技术来获取收益。

对于CSP来说，区块链意味着效率的提升以及全新的收入增长机遇。大多数通信服务供应商(CSP)都在实施大型数字化转型项目，以便应对困扰他们的颠覆性因素。在此背景下，区块链技术的运用不仅可帮助CSP改善当前运营环境，而且能够开拓基于区块链技术的新服务。此外，随着对透明度和信任度的需求持续增加，强大的区块链技术可以强化企业参与生态系统的基础，支持新业务模式，从而实现创收。区块链技术的重要程度只会与日俱增。CSP应该从长远利益出发，评估区块链在收入增长和平台业务机遇，以及内部效率方面带来的积极影响。

在DSP主轴，区块链可在多个方面大施拳脚，帮助削减成本，改善客户体验，广泛涵盖合同交付、争议解决和供应链等领域。CSP还可提供构建于区块链之上的客户服务，打造新的收入来源（例如，微支付和身份管理）。

在DSE主轴，随着CSP不断创建和运行服务于生态系统的平台，例如，物联网(IoT)、医疗和管理服务平台，区块链会成为处理多个参与者之间复杂交易的基础要素。早期阶段的应用示例包括利用区块链来管理患者病例、广告销售和媒体营利。为深入探究CSP高管对于区块链的看法，金准人工智能专家参考了IBM商业价值研究院(IBV)对来自全球20个行业约3,000名全球高管进行调研的数据，这些受访者中有174名来自CSP企业。金准人工智能专家发现，36%的受访CSP高管表示正在考虑或积极采用区块链技术，尽管区块链技术是一项发展中的新兴技术，但是许多CSP高管都相信该技术能够促进企业的发展。

对于已经采用区块链的企业，关注的焦点应放在业务用例和成果实现潜力上。对于处于调查和应用早期阶段的企业，金准人工智能专家的建议是开发真实的用例，与合作伙伴开展协作，了解价值所在区域，以及如何在新兴区块链生态系统中明确自己的定位并实现盈利。围绕DSP和DSE机遇开展头脑风暴将有助于发现许多区块链能够发挥威力的地方。鉴于这仍是一个新兴领域，如果仍然使用延用多年的技术评估方法，早期开拓者的商业优势就会丧失，因此我们不提倡技术先行的方法。

一、思考区块链在电信行业中的应用

如果没有区块链，管理整个业务网络中的资产则非常具有挑战性在过去的几年里，各行各业的企业（包括医疗保健和银行业）都已开始研究或部署区块链技术。但是区块链将为CSP带来哪些机遇？会对现有的流程和成本产生什么积极影响？能否帮助增加收入和发展新服务？在更加关注数据、客户体验、信任和数字生态系统的时代，区块链如何帮助CSP明确自身定位，弄清应朝着DSP还是DSE方向发展？

CSP业务网络中各个参与者—供应商、监管者、合作伙伴、消费者，甚至竞争对手—之间的关系开始变得越来越复杂。这些业务网络跨越了地理和监管边界。价值主要来源于交易和合约中跨越业务网络的产品流和服务流。业务网络通过各方之间转移资产来实现运营。资产是指通过拥有或控制来产生价值的任何事物。

资产分为两种基本类型：有形资产（例如，手机）和无形资产（例如，服务协议）。共享总账是成功管理整个网络中所有资产的关键。企业拥有多个总账，也就是针对企业所参与的多个业务网络的记录系统。总账包含交易（资产转入或转出总账）以及合同（交易发生的条件）。

1.区块链的关键组成部分

区块链技术包括下列组成部分，能够持业务网络中的各方参与者进行高效协作：

•共享总账–在业务网络中共享的且只能随附追加的分布式记录系统，交易对所有参与者均透明可见。

•智能合约–内嵌于交易数据库并与交易同时执行的商业条款，因此可以在交易发生时，执行相应的合约。

•隐私–交易是可靠、经过认证且可验证的。

•信任–交易经过各方参与者的签署认可。

•透明–整个网络中的所有参与者均可了解对其产生影响的全部交易。

透过制备客户合同这样的简单示例，便可以了解区块链如何让各方受益。图2中描绘的业务网络，阐释了在处理外部工厂工作，为客户构建服务做准备时，许多CSP必须理解的内容。

在传统商业网络中，每个参与者都拥有一个或多个总账，每当发生商业交易，这些总账就需要随之更新。由于存在大量重复工作以及赚取服务费用的中介机构，这种传统方法成本较高，且效率低下。显而易见，由于商业条件（合约）重复分散于每个网络参与者的业务环境中，效率低下问题根本无法避免。此外，这种系统还十分脆弱：如果某个事件（例如，欺诈、网络攻击或者是会造成不一致问题的简单错误）导致中央系统瘫痪，则整个业务网络都会受到影响。图3中描述了基于区块链的业务网络。

区块链架构支持参与者共享一个总账，每当交易发生时，通过点对点的复制，共享总账都会得到即时更新。加密算法用于确保网络参与者只能查看总账中与其相关的部分，并且确保交易是可信、经过认证且可验证的。区块链还支持将针对资产转移的合约嵌入交易数据库中，从而决定交易发生的条件。网络参与者通过达成共识或类似机制来商定验证交易的方式。同时，在这个网络中还可以实现监管、合规和审计。参与者还是原来的参与者，但在这种情况下，中介机构已经不复存在。

由于区块链具有多方共识、交易溯源、不可篡改、最终确定的特征，因此有助于CSP在其业务网络中实现更高效的运营。

2.区块链的主要特征

区块链具有下列特征：

•多方共识-所有参与者均同意交易是有效的。

•交易溯源-参与者了解资产的来源，以及资产所有权的变更过程。

•不可篡改-在交易完成之后，任何参与者均无法篡改交易。如果交易出现错误，就会追溯至错误出现的区块，在这里使用新的交易，建立新的区块，当然两个区块均是透明可见的。

•最终确定-只有一个地方可以确定资产所有权或者交易完成状态。这就是共享总账的强大作用。

二、CSP对区块链的看法

CSP可获得的潜在效益包括：

•节省时间—之前的交易需要数天才能完成，如今近乎瞬时完成。

•节约成本—管理成本和中介费用消除殆尽。

•提高数据质量—在所有交易过程中，均维护了数据准确性。

•降低风险—篡改、欺诈和网络犯罪减少。

•增加信任—共享流程和记录对所有相关方均透明可见。

•减少/消除争议—流程执行过程中形成了绝对的透明性。

部分CSP已经开启区块链之旅。举例来说，2015年，Orange启动了ChainForce计划，支持企业合作伙伴和初创企业开展协作，探索新的区块链技术和用例。4Verizon和Du也在探索和试行区块链计划。2017年，Sprint、SoftBank、FarEasTone和TBCASoft建立了战略合作联盟，探索基于区块链的服务，同时还欢迎其他运营商加入。

在参与调研的CSP高管中，有三分之二正在考虑或积极采用区块链。但是，他们针对区块链制定了哪些计划？对于这项技术对其企业所带了增值效果又有何看法呢？

1.信任是数据世界的通行证

数据是数字经济的新型自然资源。随着智能设备的日益普及以及物联网的不断扩展，此类资源的数量将延续快速增长趋势。此外，得益于其业务网络优势，CSP身处所有数据传输和交易的中心地带。在认识到数据完整性的重要性后，参与调研的CSP高管认为区块链能够帮助确保数据质量和准确性，并且提高交易过程中端到端的信任度（见图4）。

信任是任何商业交易的基石。CSP深深明白，建立信任的关键推动因素是透明度和安全性。受访者表示，区块链技术将通过提高交易可靠性(38%)和透明度(37%)来支持企业战略方针，34%的受访者认为区块链能够提高安全性，帮助抵御欺诈和网络犯罪。

35%的受访者表示，区块链将有助于他们简化和自动化业务流程，因为区块链可以促进CSP运营环境的各个方面实现合理化。28%的受访者认为区块链将通过缩短清算和结算时间来加快交易速度。

2.瞄准新平台业务模式

网络攻击日益普遍，成为全球关注的热点。作为网络的管理方，CSP在应对逐渐兴起的新威胁方面扮演着至关重要的角色。人们希望CSP采用一系列技术和运营创新方法来主动预防这些威胁。因此，毫不奇怪，76%正在探索或采用区块链的CSP将安全性作为投资此技术的重要原因（见图5）。

在这些CSP中，近乎半数(46%)的企业认为区块链可带来发展新业务模式的机遇，而且35%将其视为应对利润池不断变化局面的可行方法。传统的业务模式就像管道，讲究连续性，不断将产品和服务输送给客户；价值链呈线性状态。新型业务模式并非线性模式，需要连接CSP、合作伙伴、开发商和客户的平台，从而在结构更简单的生态系统中创造新的价值。

根据IBV最新的生态系统调研，57%的受访CSP高管希望他们的企业发展成为一个生态系统平台提供商。将区块链服务与生态系统平台融为一体，成为一项重要的新兴能力。

87%的受访CSP高管表示，客户是影响企业大规模采用商用区块链技术的重要参与者。这并不奇怪，因为客户体验是企业业务流程设计中的关键考虑因素。五分之四的受访者(82%)认为，与技术提供商合作对开发和提供实用相关的行业解决方案具有重要作用。76%的受访者称监管者扮演着关键角色，这是因为区块链需要符合现存以及未来的法律法规（例如，与数据保护相关的法律）。72%的受访者认为行业联盟对于区块链项目非常重要，原因在于行业联盟可以推动行业达成一致的标准。尽早了解与区块链相关的机遇和挑战有助于CSP节省成本、增加收益，同时实现新业务模式。金准人工智能专家认为，CSP将见证区块链在以下三个领域中带来最显著的影响：

•精简内部流程：主要将区块链用于提高CSP内部的效率，包括与供应商和其他CSP之间的互动效率；

•助力CSP提供基于区块链的服务：由CSP开发、交付和控制的面向客户的服务；

•推动在物联网等业务生态系统内部开展协作：将每位生态系统参与者视为同伴和可信赖的合作伙伴，并为其提供服务。

三、区块链在CSP的影响

1.精简内部流程

智能合约的模块化特征有助于精简CSP运营环境的各个环节，从而降低流程成本，提高流程速度，同时提高可靠性、可扩展性和透明度。区块链加密技术可保护信息安全，并创建具有完整记录的交易审计跟踪。借助区块链，企业可以获得各种精简内部流程的机会。在CSP环境内部实施区块链，可能会对CSP的核心管理系统—例如计费、eSIM配置和网络功能虚拟化(NFV)管理系统—产生最大影响，显著提升这些系统的效率，从而帮助节约成本。漫游是区块链可带来显著成本节约效果的另一明显领域。

当今时代，由于漫游压力，CSP不得不整合各种成本高昂的系统，并提供复杂的访问/认证设置，这样才能支持网络之间的漫游电话。区块链总账和智能合约能够通过集中的共享方式，管理漫游订阅者身份认证、漫游计费、欺诈识别和超额收费管理。

区块链能为CSP和订阅者提供高价值的回报。CSP可更快识别来访订阅者、预防欺诈性流量，并减少索赔。由于清算中心这样的中介环节已被消除干净，CSP可以极大地节省成本。订户则可以更好地控制自己的帐单，不会在收到账单时大为震惊，从而改善体验，提高满意度。

2.改善供应链管理

区块链现已在供应链管理领域掀起了新一轮的创新浪潮。区块链有助于更可靠、透明地跟踪众多供应链交易。每当价值所有者发生变化时—无论涉及有形产品、服务还是金钱—交易都会被记录下来，从而针对产品或交易创建完整的（从源头到终点）、可跟踪的永久记录。

在电信行业，供应链管理会影响多个领域，例如，电线电缆、手机、配件，以及CSP为携手网络供应商、监管者和承包商来高效跟踪其资产生命周期而开展的通信建设项目。合作伙伴间端到端供应链的改善有助于CSP加快产品上市速度和产品供应连续性，同时提高灵活性，实现低成本结构，从而增加盈利。

金准人工智能专家发现，在其他行业，供应链管理领域的区块链项目逐渐兴起。在一个试点项目中，全球最大的食品连锁零售商沃尔玛(Walmart)能够跟踪产品从农场到商店货架的全过程。该公司预计，这种跟踪流程能够从之前的数天或数周，缩减至几分钟，甚至几秒钟。全球运输和物流领导者Maersk正在试用区块链平台，用于将运输供应链中的所有参与者连接起来。

此外，区块链还能促进供应链融资环节的改善。现有的供应链融资解决方案不仅异常复杂，规模还十分庞大，对确保获得充足融资和实现高效运营带来了严峻挑战，因为供应链方面的纠纷会产生严重影响。在大多数情况下，纠纷解决流程会涉及三个主要参与方：

•供应商：供应商希望在产品运出时收到付款，但是通常情况下都会发生许多产品交付纠纷，需要耗费时间和资源进行解决。这些问题有时会产生更高的成本，甚至导致无法履行合同。

•收货方：如果产品未按时交付、交付出错，或者根本没有交付，则会提出争议，搁置付款，直到问题解决为止。此外，这也有损双方之间的信任。

•融资方：融资方需要监控合作伙伴和供应商之间争议的解决情况。最后，他们需要追回为合作伙伴筹集的资金，同时，保持较高的客户满意度。

很多案例研究都表明，在供应链融资领域应用区块链技术将有助于增加控制力、提高速度和可靠性，并降低成本。

IGF在供应链融资领域应用区块链

IBM全球融资部(IGF)提供全球融资、客户融资和全球资产追回服务。为了管理供应商和生产商网络，该公司采用了一套基于区块链的系统，用于缩短常见问题的解决时间。

它已将区块链技术无缝融入现有的用户界面之中，进而为供应商和业务合作伙伴提供增强信息，其中包括有关运输状态的关键数据，这能够大幅度减少为化解交付纠纷而寻找相关证明的问题。所有一切只需通过影子总账方法即可实现，而无需更改IGF的核心商业融资系统的代码。此区块链方法加快了结算速度，缩短了问题解决时间（从40多天缩短为不到10天），减少了争议数量（降幅高达75%），为所有利益相关者节省了材料管理费用，并为每个合作伙伴提供了完整的端到端可视性。

3.提供基于区块链的服务

数字服务的成功不容忽视。向DSP转型的CSP察觉到，通过提供增值的数字服务来满足不断提高的客户期待，可收获重大发展机遇。但是他们没有数字颠覆者的规模和速度，无法捕获重大价值。

现如今，在不同的领域出现了新机遇，例如，以信任为基础的服务。CSP在处理敏感数据方面备受消费者信任，在大部分经济体中甚至超过银行和政府。在这种背景下，CSP能够提供各种基于区块链的客户服务。CSP与其客户互动频繁，可访问大量客户数据，并且已经通过移动设备、互联网和其他渠道提供有价值的服务。添加基于区块链的新服务是一种自然延伸。

CSP应该考虑在以下领域部署区块链：用于交换数字资产（例如，音乐、手机游戏）的微支付、移动支付（订户与订户之间的货币转账、国际汇兑）以及更安全的电子医疗记录处理流程。此外，CSP还应在身份认证即服务这一关键领域利用区块链。

身份认证即服务

虽然CSP支持部分消费者所拥有的技术最先进的设备，但是CSP与消费者之间的互动仍然主要在店内和通过呼叫中心进行，很大程度上并未发生改变。许多CSP的在线激活率仍保持个位数字水平，原因不是用户缺少兴趣，而是CSP缺少可靠、低风险且方便的数字方法来验证用户身份。

新的数字身份生态系统即将到来，CSP应该大胆向前，成为领先者和早期采用者。CSP拥有大量数据，同时智能手机日益普及，这为CSP奠定了独特的优势地位，有望成为身份认证和验证服务的来源，从而收获新的收入来源。CSP可以为消费者提供和管理基于区块链的身份认证即服务，消费者不仅可以在与提供商进行互动时使用这种服务，还可用来向其他组织（例如，医院和政府机构）证明自己的身份。

为何需要快速行动？

可靠的数字身份解决方案对于实现全社会的下一轮数字化转型十分关键。许多政府纷纷寻求与公共/私有部门的合作伙伴开展协作，同时越来越多来自各行各业的参与者加入其中。迄今为止，CSP一直是消费者和企业在数字时代可靠的支持者，因此占据了有利地位。由于CSP面临着智能手机生产商或操作系统(OS)提供商带来的脱媒风险，数字化的身份认证解决方案可帮助加强CSP与客户之间的联系，同时提供持续向客户交付价值的方法。CSP需要立即行动起来，抓住机遇，利用智能手机开发强有力的身份认证用例，抢先竞争对手一步，占据领先地位。

在区块链中，身份认证服务可应用于各种设备、应用和组织，帮助消费者减少向政府机构、银行和其他企业提供身份证明的麻烦以及由此带来的隐私威胁。消费者无需与代表进行繁冗的谈话，无需保存驾驶证照片，无需填写冗长的表格，也需要回答所要求的技能测试问题。区块链的去中心化特性可消除单点故障，极大地改善业务流程的灵活性和弹性。同样重要的是，它能够妥善保护个人用户的隐私，同时保持卓越的使用便捷性。

由于供应商深得客户信任，因此他们在提供此类服务方面具备绝对优势。由此，CSP可提供经过验证的身份认证服务，操作十分便捷，只需通过CSP提供的移动应用，便可开始使用（见图6）。用户可以借此尽享所有需要验证身份的服务，例如建筑物门禁、航班服务和智能车辆使用，以及需要查验个人证件（例如，驾驶证和护照）的服务。

用户只需通过其智能手机中的应用，便可控制希望与所选择的组织分享区块链存储的可信凭证中的身份信息。而这些组织就可以快速地验证用户身份，为用户安排新的服务。

4.推动在业务生态系统中开展协作

CSP也可在数字业务生态系统中使用区块链来处理多个参与者之间的复杂交易。在这个方面，CSP可成为值得信赖的合作伙伴，通过部署区块链技术，精简交易流程，并提高各方之间的信任度。CSP还可以依赖新的业务模式创造其他收入来源。

例如，区块链可以在机器对机器(M2M)和物联网环境中扮演重要角色。在这些环境中，设备会自动连接至互联网，并通过收集和交换数据，彼此进行互动。区块链和智能合约可以监控和调整这些互动。CSP作为广受认可的一方，具有绝佳的优势，推动这一领域加速发展，同时在物联网世界实现自己的雄心壮志。

区块链用于广告销售

电信公司和传媒公司之间的融合之风已悄然兴起。多个合并和收购项目已经达成，或正在进行中，例如Verizon购买了Yahoo的Web业务；AT&T收购了DIRECTV，同时还在加紧并购TimeWarner（尚未结束，截至2017年11月，仍在接受美国的监管审查）。CSP目前积极进军媒体内容领域，大力创建、发行和广播媒体内容。

对于涉猎媒体内容领域的CSP来说，广告销售是在这里一领域实现营利的关键。传媒公司的广告销售流程非常复杂，并且涉及多方参与者，包括广告代理机构、广播公司和广告客户。成功管理整个广告销售流程非常关键，而区块链可在此过程中发挥重要作用。

广告销售流程中的交互过程存在各种各样的痛点。其中很多痛点都可通过区块链技术得到缓解，方法便是迁移至基于区块链的共享协作环境，实现集中、一致的信息共享。

广告销售流程及其关键痛点

在广告销售流程中有很多相互关联的参与者，包括广告客户、广告代理机构、Over-the-Top(OTT)供应商、广播公司和评级机构。流程痛点

包括：

•每个参与者都使用自己的记录系统来创建和管理信息，因此难以获得完整的端到端视图。

•各参与者之间的确认工作需要人工完成（例如，运营部门确认广告投放点，广告代理机构确认应收账款发票）。

•业务规则会在事前确定，但是不会在过程中进行验证。

•共享信息（例如，订单的展示位置）可能会在流程中发生变化（例如，广告刊登位置）。

•需要在流程结束时执行手动对账和新共识构建流程。

在此环境中，每位参与者都拥有一份共享总账的副本，并且拥有定制的过滤器来筛选用于可视化的可用数据。数据在整个网络中始终保持前后一致，并且符合智能合约中包含的共享且已获批准的业务规则。如果流程发生变化，则会创建一个新的区块来记录和反映流程中相互依赖的各个步骤的变化，从而避免事后核对的麻烦。

区块链可为广告销售流程以及其中的参与者带来诸多益处：

•广告客户：广告客户可以获得更高的广告投资透明度，同时可以详细地了解人口统计资料、广告总收视率(GRP)，并更准确地了解广告的投资回报率。

•CSP/广播公司：CSP和广播公司可以提高库存管理流程的效率以及库存使用率。他们还可以精简和加速各方之间的金融对账流程。

•代理机构：代理机构可以为客户提供可靠的广告开支信息，并进一步精简计费和发票流程。

这个流程中的所有参与者还可以可享受到更多的益处，包括不同参与者之间的信任度增加、客户满意度提高，以及账户管理流程简化。

未来的发展方向

尽管区块链技术仍在不断发展，但是受益的机会是真实存在的。要从中获益，我们建议CSP先采取下列步骤：

•向区块链领域的领先合作伙伴进行咨询，了解业务模式、技术、早期用例、有力证据和新兴的解决方案。

•评估当今技术的发展情况、各种区块链提供商及他们在技术和策略方法方面的差异，了解适用于所在国家或地区和业务运营范围的标准和法规，以及业务运营范围。

•投资落实针对收入增长/平台业务领域和内部效率方面的潜在机会提出的创意。

总结

金准人工智能专家相信，区块链未来发展前景十分广阔，能够改变CSP与合作伙伴之间的交易方式以及核心业务流程的执行方式。对于CSP来说，现在就应开始着手布局，采取措施构建真正的用例和应用，最为重要的是，充分理解区块链所带来的机遇。

前言

全球各地的企业纷纷利用新型数字化业务流程和技术进步，实施能够复制人类行为的自动化解决方案，借此消除日常重复任务，让员工能够集中精力处理高价值的任务。在我们调查的3000多家企业中，几乎所有企业都不同程度地实施了智能业务流程自动化，大约40%的企业采用了基于AI的自动化技术。

自动化由来已久，历史可追溯至5000多年前。随着人工智能(AI)的发展，自动化技术迈上了新台阶：智能自动化。智能自动化借助技术进步，优化业务流程，推动客户体验个性化，提高企业决策能力，从而改变企业的运营模式。金准人工智能专家在本文中揭示了先驱型企业在实现智能自动化过程中所采取的措施，以及他们平衡运营效率与员工队伍变化的方法。

任务自动化的发展涵盖了整个人类历史，从玛雅人使用引水渠实现用水自动化运输，到亚当·斯密的自动化示例推动扣针制造商大步发展，再到亨利·福特发明自动化机械装配线。在大多数企业中，数字化重塑(Digital Reinvention)如火如荼，新技术应用日渐广泛，自动化新时代—智能自动化，就是顺理成章的事了。

纵观历史，自动化就是从人员、流程和技术的典型协同增效范例中创造新价值的绝佳机遇。例如，在用水自动化运输中，技术（引水渠）使人员（引水渠建造者）支持的流程（用水运输）成为现实。同样的协同增效效应还开启了工业时代。

这种范例在信息时代发生了变化。与数据相关的任务要求人员（在键盘上）实现由技术（电话、电子表格）支持的流程（事务或互动）。数据驱动的企业任务自动化始于20世纪60年代，催生出企业资源规划系统，并不断向前发展，现已扩展至机器人流程自动化（“机器人”）。

但是，任务自动化一直为数据处理能力所限，只能采集结构化数据、标准化格式数据，比如简单的“屏幕抓取”和数据分类操作；无法处理非数字化或包含不可靠数据的企业运营流程。除了严重依赖于这些条件，任务自动化还需要人为干预才能成功地完成基于信息的流程，直到最近这一问题才得到解决。

智能自动化是一种新能力，有助于最大程度减少所需的人员支持。这实现了流程负担从人类向技术的转移，有望彻底改变企业的工作方式。随着越来越多、越来越复杂的任务交由流程自动化完成，企业员工就能够解放出来，专心投入高价值的工作。

高密度文件系统的出现，以及算法分析和人工智能工具的进步，为数据驱动的任务自动化带来了全新的机遇。现代化的数据平台能够快速准确地处理各种系统中海量的多格式数据，解读异常情况，效仿模式，并从最近实现数字化的企业流程中捕获大量隐藏的洞察。随着融合用于处理和分析数据的各种人工智能工具，自动化能力的应用范围也日渐扩大，在20世纪60年代，自动化只能处理基本的数据移动，现如今，已经可以指挥高级系统，还有一些系统能够执行基于判断的操作和类似人类的互动。

一、智能自动化是什么

智能自动化汇集了最新的技术进步，能够自动持续地管理和改进业务流程。智能自动化的组成部分包括：

（1）人工智能/机器学习—配备软件的系统应用，能够模拟人类智能过程，无需明确指示即可开展学习。

（2）自然语言处理—能够理解人类说的话。

（3）机器人—使用机器人对物联网(IoT)数据和其他数据进行学习并做出自主决策。

（4）预测性分析—借助统计算法和机器学习预测结果的做法。

金准人工智能专家在本文中从面向数据的角度询问了最高层主管对于智能自动化的看法，同时分析了哪些业务流程最适合实现“自动化”。

全球性金融服务公司瑞士银行(UBS)最近披露了对于智能自动化发展的看法：“空前数量的数据（大部分是非结构化数据）可供使用；计算机处理能力呈指数级提升；数据存储解决方案的价格不断下降，而便利性日益改进；同时机器学习算法持续精进，这些都为智能自动化领域的重大发展提供了有力支撑。”

用于业务流程管理的数据无处不在，这使得企业的智能自动化使用情况、所采取的措施以及所取得的成果变得更加透明直观。金准人工智能专家采访了3,069位最高层主管，其中91%的受访者表示，他们的企业已经采用了一定程度的智能自动化，既有事务性屏幕抓取功能，也有复杂的事务处理，还有依赖人工智能的互动。几乎所有企业均可归入三类信息自动化用户之一：基础、高级或智能。这种分类贯穿整份报告，用于描述所讨论的数据自动化类型。为清晰起见，那9%没有采用任何自动化技术的企业忽略不计，本报告未对他们进行研究（见图1）。

目前，支持企业将数据自动化技术从数据中心和ERP系统向企业复杂的运营流程拓展的技术已日趋成熟。具备“数据访存和响应”能力的聊天机器人、自然语言处理和机器学习正迅速成为解决业务流程中特定需求的常用工具（见图2）。

技术驱动型智能自动化领域的先驱企业纷纷采取战略性举措，以平衡所获得的运营效率与员工队伍正在发生的变化。在这份报告中，金准人工智能专家考察了这些早期采用者所采取的措施，并为寻求利用智能自动化探索新机遇的企业提供了指导建议。

二、自动化在效率上的体现

大多数高管认为，未来两三年内，人工智能帮助他们决胜竞争的三大法宝之一就是“优化业务流程”。人工智能影响最大的另外两个领域当属“实现客户体验个性化”和“增强预测和决策能力”，而实现这两大目标的唯一途径就是高效利用智能自动化。

这些新技术和人工智能驱动型自动化能力的早期采用者—“高级”和“智能”用户，表示他们在许多业务职能领域收获了显著效果。即使是目前只使用非现代化的事务性自动化技术的“基础”用户，也纷纷表示未来两三年内，这些新技术将会为企业流程带来新活力，产生重大影响（见图3）。

相较于实施多功能人工智能解决方案的“智能”用户，更多的“高级”用户表示人工智能对其带来了显著的影响，这似乎有违常理。受访高管被要求按照复杂程度，对企业内最高程度的自动化所带来的影响进行评价。金准人工智能专家发现，“高级”用户对其所使用的经过实践检验、主要关注于某个特定方面的解决方案有较全面的跟踪记录，而“智能”用户的尖端多功能人工智能系统则少有效果检测指标，这或者是一种解释。与此同时，不难看出“高级”用户与“智能”用户两者之间的期望差距正日渐缩小。

自动化技术的价值主要来自其所带来的效率优势。一家入围《财富》全球消费品企业75强的企业通过采用先进的自动化解决方案，将工作流问题（称为“问题凭单”）的解决效率提高了30%，并将员工生产力提高了50%。一家全球性银行成功将问题凭单数量减少达40%，员工满意度提高95%以上；现在计划复用相同的技术，支持各种企业流程中的超过25个企业应用。

简单的流程自动化可以消除错误，减少偏差，只需少量时间便可完成事务性工作，速度远超人类员工。事实证明，在处理重复性任务方面，这些基础技术明显优于人类员工，不仅可节省75%的成本，还能带来25-50%的效率提升。

将人工智能融入基础的自动化流程不仅能够提升工作效率，还能扩展所辖工作的范围。人工智能驱动的流程可以自动扫描数百万页文档，所耗时间只是人类花费时间的“九牛一毛”，并且应用范围也十分广阔，覆盖法律合同审查、医疗方案决策、索赔分析和欺诈管理等领域。智能自动化系统的数据分析速度比人脑快25倍，可以24小时全天候不间断运转，能够使用自然语言与员工和客户进行交流，并且理解准确率令人惊叹。

一家南美保险公司最近通过创建一个使用自然语言处理的智能处理系统，改变了根据每个客户的保单承保范围核对理赔要求的人工流程。该系统能够同步处理数千页的文档和电子表格，将人工代理参与的理赔处理时间缩短了90%以上，每年帮助公司避免了高达100万美元的欺诈损失。请参阅图4，了解一个保险流程如何因任务自动化而发生变化。

使用人工智能（无论是特事特办的AI还是整合到智能系统的AI）管理的运营流程，将“智慧”融入到了自动化的活动之中，并通过自动化的透明性和无穷尽性等特征实现增效。举例来说，欧洲的一家电力供应商，在计划部署的50个机器人（主要是客户服务聊天机器人）中首批8个机器人投入使用后，预计实现了600万欧元成本节省，随着部署计划的推进，有望实现两位数百分比的成本节省。自动化还能够根据季节性需求或高峰期促销活动灵活可变地调整企业运营规模。

与大多数技术的成长轨迹一样，人工智能驱动的自动化虽处于早期阶段，但将会继续向前发展。目前，企业主要采用自然语言翻译、非结构化数据识别、“抓取和响应”式互动代理和复杂算法（分步操作）等功能实现流程自动化，以期减少或消除人为干预需求。新一代的智能包括具备记忆能力的系统（例如能够自动执行未来机器人配置）和推理能力的系统（支持预测性和概率性处理之类的任务）。这两种能力相结合，就可以形成具备学习和互动能力的系统。

三、适合实现自动化的流程

成千上万的不同任务组成了数以千计的活动，而这些活动又推动着数字型企业内数百个流程。每个单独的任务都是一个自动化机会。对于企业高管来说，最迫切的问题便是找到最合适的切入点。

提前制定自动化战略可帮助企业权衡任务自动化的难度与潜在的效率提升，从而优化投资。在采用智能自动化的高管中，半数表示已经确定了企业内可通过人工智能增强或实现自动化的关键流程，相比之下，在“高级”用户和“基础”用户中，这一比例分别只为四分之一和七分之一。工作活动分析方法可以最准确地评估流程是否适合自动化。美国生产力和质量中心(APQC)发布了一份包含大约1100个跨行业活动的清单，这些活动组成了300个核心企业流程，而这些核心流程又进一步分为70个流程组和13个高级流程类别。根据这一框架，我们考察了1100个活动中每个活动所需的平均工作量，以便确定最适于自动化的企业活动（见图5）。

金准人工智能专家发现，最适于自动化的业务流程类别往往是事务性特征最明显的工作，例如，支持管理财务资源、管理客户服务和交付有形产品等任务。最不适于自动化的流程类别常常最具战略意义且高度依赖判断，涉及的活动包括远景规划和战略制定以及外部关系管理等。

特定于行业的自动化不包含在这个框架之中。这些重点关注某个特定方面的解决方案使用人工智能驱动的自动化，往往用于执行算法任务，速度超越人类的合理能力水平。

1.智能自动化帮助银行提升效率和准确率

2014年，一家总部位于日本的跨国银行推出了一款新产品，用于帮助投资者为符合条件的教育基金建立免税信托基金，让信托人更轻松地将遗产传给子女和孙辈。该产品取得了意想不到的成功，募集了超过5000亿日元的资产，并助力该银行发展成为市场领导者。

这些不断增长的资产开始对内部流程造成压力。该银行雇佣了近300名审查人员来核实符合条件的教育开支，但由于每年需要处理的交易量高达140万笔，每笔交易所需处理时间长达45分钟，这种人工审查流程难以持续，逐渐阻碍公司发展步伐。

为了解决这一问题，该公司发现自动化技术通过提取关键字，检查信托申请的必备要素，将其与法规和客户协议进行比较，并与过去的评估进行交叉参评，可以补充人们对特定开支是否符合免税条件的判断。通过结合光学字符识别技术，该解决方案将印刷和手写文本的图像转换为结构化和非结构化数据，包括来自收据和申请表单的信息；而且，随着越来越多的案例被添加到语料库中，该解决方案的机器学习算法变得越来越准确。

通过利用先进的智能自动化技术，该客户最大程度减少了差错和返工情况，将评估时间从45分钟缩短至18分钟，降幅高达60%。由于效率的大幅提升，该银行有望在解决方案实施后两年内，实现1.3亿日元的成本节省。考虑到交易量的预期增长，该公司预计未来五年内可总共节省7.3亿日元。此外，该银行计划通过加快申请审批流程，提高了客户满意度，加强了自己的教育信托基金供应商的品牌形象和市场领导地位。

2.任何特定流程所需的自动化程度因流程任务性质而异

基础自动化适合于基于规则的重复性任务，这种任务不仅具有结构完善的活动，而且从高度结构化的数据源中提取了清晰定义的规则，同时还使用能产生直观、可衡量结果的系统。理想情况下，最适合基础自动化的流程当属容量高、周期长的流程，这种流程目前遇到的瓶颈或痛点是需要具备高可视性，而且要由数字化触发器启动，并由数字数据提供支持。

德国的一家金融服务供应商仅仅在将首批10个计划中的流程实现自动化后，时间效率就提升了60-80%，同时短期成本削减了20%。该公司在不到12个月内便实现了投资回报，目前计划让更多后台流程实现自动化，涵盖表单创建、姓名更改、数据预填充、状态更新和调查触发等。

高级自动化适合于更为复杂的任务。人工智能解决方案用于自动执行基于非结构化和结构化数据组合的任务，通常是涉及多个系统或海量数据的活动。这些流程所包含的活动往往利用庞大的知识数据库，但是所采取的每个行动都基于特定的数据和定义的结果。最适合高级自动化的流程是那些需求波动较大的流程，因为自动化系可以进行扩展，能够轻松适应原本要靠改变人员配备才能应对的情况。

企业每天都要面对数以百万计的网络威胁，在这种背景下，一种标准做法迅速普及，那就是将机器学习这种高级自动化能力整合到数据安全系统中。由于自动化技术具有可编程、规则驱动的性质，因此任何程度的自动化都可以满足地理数据存储要求，并始终应用财务要求方面的规则。

智能自动化可用于增强或“自动执行”那些由于上下文和选择不同而难以预测的企业流程。所谓增强，意指由人工智能驱动的多种功能协同工作，执行任务中一些常规部分，而由人员最终完成任务。或者，可使用自动化技术处理流程中的所有步骤，包括执行可变的操作，代替人类完成任务。

流程自动化并非“拖放”式操作那模样简单。在确定哪些流程领域最适合自动化之后，企业高管下一步就要从整个生态系统的角度出发，重新设计流程。通常，在流程实现数字化以及合作伙伴网络实现互联互通的过程中，所有新组件只是硬生生插入现有流程之中。直接将机器人丢进设计糟糕、优化不足的流程或新生的数字化流程中，会严重削弱企业的价值创造能力。从这个意义上说，自动化带来了重新思考工作方式的机会。

四、平衡工作负载

纵观历史，自动化就是从人员、流程和技术的典型协同增效范例中创造新价值的绝佳机遇。这种推动力并不一定会取代人类，而是改变人类所做的工作，创造新的工作方式。企业必须在创造21世纪的“数字化劳动力”的同时，认识到这对现有员工队伍的影响，争取在两者之间实现平衡。

新型数字化企业流程不是技术孤岛，现在和未来的核心运营流程都需要借助人类与所处理数据之间的相互作用。由自动化系统（或多组任务自动化例程）所创建的“数字化劳动力”负责运行各种运营流程，能够很好地处理人类员工应接不暇的任务或重复性的简单任务。由此，人类员工可以腾出时间来开展最适合的工作：开展战略思考、创新行动和人性互动。

三分之一采用智能自动化的高管表示，他们希望通过人工智能，将一些员工重新部署到高附加价值活动中。金融服务公司UBS就是很好的例证。根据该公司网站上的一篇文章，“最重要的是，智能自动化能够让员工从日常工作中解放出来，专注于更具创造性的高附加值服务。整体而言，这些改进会给公司带来显著的效益，同时还能提高员工的工作满意度和生活质量。”

在大多数企业中，一个极为平常的劳动密集型高成本任务领域便是应用管理。企业需要将大部分IT员工和预算投入到以下极为平常的任务中：维护必要但低价值的业务流程应用正常运转，确保数据库容量充足，保证服务器正常工作，确保应用可供业务用户和客户使用。目前，大数据监控工作仍是一个需要大量手动操作的流程，而且极易出错。

基础的机器人自动化技术在业务应用监控和维护方面的应用日臻成熟。通过整合人工智能驱动的功能，企业可以进一步扩展自动化解决方案，超越简单的报告生成和模式识别功能，纳入可触发修复操作的功能，从而打造自我修复型系统。

通过采用人工智能驱动的自动化技术，一家制药公司提前解决了企业应用问题，避免严重事故的发生。作为全球最大的药品分销商之一，该公司每天需要处理数以百万计的订单，远非人力所能及，导致系统的可用性成为成功的关键。

然而，确保业务关键型流程的可用性是一项繁琐的活动，依赖于数百项重复的手动任务，这些任务会消耗IT人员的大量时间，包括日常的服务器、服务和磁盘空间监控任务，根据规则在容量不足时采取的补救活动，以及大型老旧ERP系统的日常验证与核对工作，以便确保交付的药品都开具了发票。应用套件中反复出现的问题会对公司的最终客户造成影响：当支持人员修复应用问题时，卡车只能在仓库中等待所需的信息，而后才能交付货物。

通过对企业应用监控活动实现自动化，该公司大大减少了对人工干预的需求。团队从分析反复出现的问题着手，使最常见故障原因的修复实现自动化。现在，自动化的机器人负责执行预先安排的监控和修复任务，每天根据发票核实装运情况。如果出现问题，机器人会自动部署修复程序，这意味着支持人员只需介入例外情况。大多数时候，系统都会自动运行，这意味着卡车可以按时离开，而客户也会按时接到订单货物。

在自动化技术的帮助下，该公司每月能够节省大约1100个工时，每年可节省超过13000个工时，这些节省下来的资源可以转而投入新的项目计划。这样一来，团队可以去建立和培养高价值的项目设计技能，而不是耗费精力去“运行系统”。同时，用户和客户也能从更高的系统可靠性和可用性中受益良多。

要应对这种劳动力转型，尤其是企业运营规模的潜在变化，就需要开展相应的文化转型。90%的“智能”用户表示，他们的企业在过去的重大变革管理中取得了显著成功，相比之下，只有不到一半的“高级”用户和大约三分之一的“基础”用户表达了相同的观点。

就像早期技术进步取代帽针制造商和车厢制造商一样，一些现有的工作也将经历颠覆，因为“数字化劳动力”能够承担以前由人类员工完成的工作。遗憾的是，我们的调研发现，只有20%的受访高管已经制定了员工再培训计划。

大约三分之一的受访高管（自动化水平各不相同）认为，要在企业内部实施或利用人工智能技术，就需要设立相应的新角色。大多数高管承认，他们目前没有采用人工智能技术所需的必要人才，例如，具备机器学习技能的数据科学家和相关人员；他们还表示，需要聘用新人才或培训现有员工以获得这些技能（见图7）。

经验表明，企业高管必须充分考虑并明确解决自动化带来的劳动力平衡问题。研究显示，企业需要在数据和分析工作中加强变革管理，并且金准人工智能专家预计，这项需求还会不断提升。

五、自动化之旅

自动化并非一蹴而就，企业高管需要站在战略高度，系统性地思考前进之路。正如我们所指出的，几乎所有企业都已开始智能自动化之旅。虽然大部分企业仍在使用基础机器人，但我们发现，走在前列的企业正在打造智能互动能力。

当企业开始考虑走上智能之旅时，需要回顾借鉴整个行业数十年来经历的低水平自动化、数据和分析以及单点式人工智能解决方案这些阶段。虽然自动化能力通常是一步一个台阶的过程，但我们发现，不论自身当前能力如何，大部分企业选择跳过一个或多个早期步骤。然而，在这段旅程中，企业往往需要以退为进，打好基础，方能在漫漫征程中顺利前行。

我们确定了打造智能企业的三个关键步骤，这些步骤以自动化流程为支撑，而自动化流程又以技术和人员为后盾：大处着眼，小处着手，转变方式。大处着眼：创建自动化基础

采用战略方法实施自动化，帮助企业充分利用现有资源，并优化投资回报。战略方法需要明确自动化技术对现有员工队伍的影响，做好充分准备，从容应对这些影响。

（1）任命一个跨业务和IT部门的高管团队，授之以项目优先、预算和资源分配、指标监控及管理等特权。

（2）根据取得的成效来确定智能自动化机会的优先顺序，但确保战略包含人才管理和知识保留领域。

（3）尽早而且频繁地与员工进行交流沟通，帮助他们适应全新的工作方式。

1.小处着手：建立自动化指挥中心，增强扩展成效

自动化指挥中心为信息自动化资产的开发和使用提供管理框架。这是一个关键的成功因素，因为大多数企业需要考虑、转变和管理数千个适于自动化的流程任务。

（1）指派一个企业部门来管理项目进展、推广部署和成效衡量工作。

（2）让各个团队协同工作，共同实现机器人“构建”能力和其他服务，优化企业内部的知识重用水平。

（3）制定任务自动化项目目录，以便支持重用，并最终自动执行新机器人构建任务。

2.转变方式：优化数字化流程，平衡工作负载

使低效流程中的任务实现自动化只会导致资产绩效下滑。在数字时代重新思考工作方式，需要专为适应力、灵活性和可扩展性而设计的信息平台。

（1）重新设计流程，优化人类员工与数字员工之间的平衡。

（2）以迭代方式评估实现自动化的任务和活动，以便寻找利用人工智能重新设计流程的机会。

（3）使用自动化平台和程序，推动企业实现数字化转型。

总结

全新的自动化时代已然来临。虽然只有时间才能够证明最后的成功花落谁家，但我们相信，现在投资发展智能自动化，将为企业在新时代大展身手奠定坚实基础。