• 项目
首页>>文章列表 >>行业研究
行业研究

金准产业研究 2019年中国大数据行业研究(下) 2019-11-14 18:57:21

金准产业研究 2019年中国大数据行业研究(上) 2019-11-14 18:56:27

前言

目前,大数据已从概念落到实地,在精准营销、智慧医疗、影视娱乐、金融、教育、体育、安防等领域均有大量应用,随着云计算、物联网、移动互联网等支撑行业快速发展,未来大数据将拥有更为广阔的应用市场空间。

一、大数据行业发展现状

1.1大数据产业概况

1.1.1大数据的定义

大数据(bigdata),是指需要通过快速获取、处理、分析以从中提取价值的海量、多样化的交易数据、交互数据与传感数据,其规模往往达到了PB(1024TB)级。不同机构对大数据也有不同的定义。

麦肯锡对大数据的定义:一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

移动信息化研究中心对大数据的定义:大数据是帮助企业利用海量数据资产,实时、精确地洞察未知逻辑领域的动态变化,并快速重塑业务流程、组织和行业的新兴数据管理技术。

金准产业研究团队认为大数据具备海量(volume)、异构(Variety)、高速(Velocity)和价值(Value)四大特性。

1.1.2大数据的价值

随着移动互联网、云计算、物联网等信息技术产业发展日新月异,信息传输、存储、处理能力快速上升,导致数据量的指数型递增。

传统简单抽样调查分析已无法满足当下对数据时效性、海量性、精确性的需求。大数据的出现改变了传统数据收集、存储、处理挖掘的方式,数据采集方式更加多样化,数据来源更加广泛、多样化,数据处理方式也由简单因果关系转向发现丰富联系的相关关系,同时,大数据还能基于历史数据分析,提供市场预测,促成决策。

目前,大数据已从概念落到实地,在精准营销、智慧医疗、影视娱乐、金融、教育、体育、安防等领域均有大量应用,金准产业研究团队认为,随着云计算、物联网、移动互联网等支撑行业快速发展,未来大数据将拥有更为广阔的应用市场空间。

1.1.3大数据产业构建

大数据产业构建可分为6个层次,分别为:硬件设施、基础服务、数据来源、技术开发、融合应用及产业支撑。

1、硬件设施包括采集设备、传输设备、计算存储、设计集成4个方面;

2、基础服务包括网络服务、云平台服务、系统开发3个方面;

3、数据来源包括政府数据、行业数据、企业数据、物联网数据、通信数据、互联网数据、第三方数据7个方面;

4、技术开发包括数据管理、技术研究、信息安全3个方面;

5、融合应用包括工业、农业、政府、医疗、金融、电信、电商等行业需求相关的整体解决方案;

6、产业支撑包括数据评估中心、数据交易中心、科研机构、行业联盟、咨询机构、论坛会展、融资平台、孵化机构等。


1.2全球大数据行业发展现状

随着物联网、电子商务、社会化网络的快速发展,全球大数据储量迅猛增长,成为大数据产业发展的基础。根据国际数据公司(IDC)的监测数据显示,2013年全球大数据储量为4.3ZB(相当于47.24亿个1TB容量的移动硬盘),2018年全球大数据储量达到33.0ZB,同比增长52.8%。

从大数据储量分布情况来看,美国大数据储量占比为21%,EMEA(欧洲、中东、非洲)占比为30%,中国地区占比为23%。

基于大数据对各个行业的深入影响,2012年以来,美国、欧盟、日本等主要发达经济体积极推进大数据发展战略。

根据Wikibon研究数据,全球大数据市场规模将从2018年的420亿美元增长至2024年的840亿美元,年复合增长率为12.3%。

从细分市场来看,大数据软件市场份额占比将呈逐渐上升趋势,2018年,大数据软件市场份额占比为33.3%,到2024年,大数据软件市场份额占比将上升至41.0%;大数据硬件市场比重则呈下降趋势,2018年大数据硬件市场规模约为120亿美元,占比为28.6%,到2024年硬件所占比重预计将下降至24.1%。

全球排名靠前大数据企业主要包括IBM、SAP、HPE、Teradata、Oracle、Amazon、Microsoft、Google、Palantir、Splunk等。根据Wikibon数据,2017年,IBM全球大数据市场的10%份额,SAP占4%,Oracle、HPE和Splunk各占据3%市场份额。

根据市场分析和调查,2017年全球有53%的公司采用大数据分析,2019年,这比例上升至64%。2019年大数据分析在任务优化及业务自动化领域使用将更加普及。根据Frost&Sullivan数据,大数据分析市场规模正以29.7%的年复合增长率增长,金准产业研究团队预计到2023年增长至406亿美元。

2015年来,国家出台了一系列大数据政策,覆盖生态环境大数据、农业大数据、水利大数据、城市大数据、医疗大数据、交通旅游服务大数据等多层次下游应用市场。2016-2017年为大数据相关政策出台高峰期,根据赛迪不完全统计数据,2016年国家层面出台大数据政策12个,省级层面出台大数据55个;2017年国家层面出台大数据政策10个,省级层面则达到75个。同时伴随地方大数据政策出台,各地政府相继成立了大数据管理机构,促进大数据产业发展。

1.3中国大数据产业规模

2015年8月,国务院颁布《促进大数据发展行动纲要》,大数据正式上升为国家发展战略。2016年,工信部印发了《大数据产业发展规划(2016-2020年)》,全国引来大数据产业建设高峰,目前已形成八大大数据综合试验区,建成100多个大数据产业园。伴随新一代信息技术、智慧城市、数字中国等发展战略逐步推动社会经济数字化转型,大数据的产业支撑得到强化,应用范围加速拓展,产业规模实现快速增长。根据赛迪数据显示,2018年中国大数据产业规模为4384.5亿元,同比增长23.5%;到2021年,中国大数据产业规模将超过8000亿元。从企业业务布局来看,大数据产业主要集中在华北、华东及中南地区。

大数据产业园成为集聚大数据资源重要载体。

2016年2月,国家发改委、工信部和网信办同意贵州建设全国首个大数据综合试验区,2016年10月,第二批大数据综合试验区获得批复,包括两个跨区类综试区(京津冀、珠江三角洲),四个区域示范类综试区(上海、河南、重庆、沈阳),一个大数据基础设施统筹发展类综试区(内蒙古)。国家大数据综合试验区的成立,对国家大数据开放共享、大数据应用创新、大数据产业集聚等方面起到重要促进作用。

八大国家大数据综合试验区成立后,各地政府和企业也在积极推进大数据产业的发展,陆续设立大数据产业园区。截至2018年底,国内建成的大数据产业园超过100个,金准产业研究团队认为,大数据产业园成为集聚大数据产业资源的重要载体。

1.4大数据硬件市场概况

大数据硬件是指数据的产生、传输、存储、计算处理等所需的相关硬件设备,包括传感器、采集器、读写器、信息传输设备、芯片、服务器、存储设备、网络安全防护设备等。

当前中国正加速从数据大国向着数据强国迈进。根据IDC和数据存储公司希捷的一份报告显示,到2025年,随着中国物联网等新技术的持续推进,其产生的数据将超过美国,中国产生的数据量将从2018年的7.6ZB增至2025年的48.6ZB。数据量的快速增长将继续推动数据存储、数据处理等相关硬件市场需求。根据赛迪数据显示,2018年,中国大数据硬件市场规模为2541.7亿元,同比增长13.2%,到2020年,中国大数据硬件市场规模将达到2850.1亿元。

大数据软件是指用于实现数据采集、存储、分析挖掘和展示的各类软件,包括大数据计算软件、大数据存储软件、数据查询检索软件、基础平台软件、平台管理软件、系统工具软件和大数据应用软件等。根据赛迪数据,近年来中国大数据软件市场规模实现较快增长,2018年中国大数据软件市场规模为822.5亿元,同比增长30.5%,到2020年大数据软件市场规模将达到1362.6亿元。

大数据服务的内容涵盖范围较广,主要包括了大数据查询服务、大数据分析服务、大数据交易服务、大数据安全等。大数据查询服务是指大数据拥有者对数据进行封装,为客户提供按需的数据查询服务,典型案例包括阿里数据超市、数据魔方;大数据分析服务是指大数据服务提供商为企业提供大数据分析能力和大数据价值挖掘服务。

此外,大数据服务又可分为在线大数据分析服务和离线大数据分析服务,在线大数据分析服务主要依托SaaS或PaaS云服务形式,为客户提供在线分析服务。

根据金准数据,2018年,中国大数据服务市场规模为1317.3亿元,同比增长36.6%,到2020年,中国大数据服务市场规模将达到2393.1亿元。

二、大数据应用场景分析

2.1医疗大数据

目前,大数据医疗的应用场景主要包括临床决策支持、健康及慢病管理、支付和定价、医药研収、医疗管理,服务对象涵盖居民、医疗服务机构、科研机构、医疗保险机构、公共健康管理部门等,其应用有助于提高医疗服务质量、减少资源浪费、优化资源配置、控制骗保行为、改善自我健康管理,具有巨大潜在价值。

金准产业研究团队认为,大数据医疗行业市场规模快速增长。

近年来,健康医疗大数据应用市场规模快速增长,2014-2018年大数据医疗行业市场规模年复合增长率达到74.6%,2018年大数据医疗行业市场规模为56.3元,同比增长36.8%,其中数据整合管理市场规模为29.7亿元,数据分析应用市场规模为17.1亿元。

2016年10月和2017年12月,国家卫计委分别确定两批健康医疗大数据中心试点省份及城市,第一批为福建省、江苏省及福州、常州、厦门、南京;第二批为山东省、安徽省、贵州省。此前规划的“1+7+X”即1个国家数据中心、7个区域数据中心、X个应用发展中心,被调整为了“1+5+X”。中国的五大健康医疗大数据区域中心已基本确定,从地域来看,除了贵州拥有领先的大数据优势,而被确定为健康医疗大数据中心建设试点省份外,其余全部集中在华东地区。

金准产业研究团队认为,当前,虽然各地医疗大数据中心建设侧重点有所不同,但大体上形成了“一个中心多个产业园区或基地”建设共识。

2.2营销大数据

大数据服务商主要为企业提供大数据技术工具、大数据应用服务以及技术开发服务。

技术开发服务主要针对企业客户的个性化需求,为其定制开发大数据应用系统及其他相关技术产品服务,主要包括数据采集工具、数据分析系统、运营平台、会员管理系统等。

大数据应用服务主要为客户提供大数据在各个商业应用场景的解决方案,主要包括大数据营销和运营、数字媒体投放、电商运营等种类,其中大数据营销主要为客户提供数据采集、数据分析、潜在市场挖掘、会员管理、资产构建等服务;数字媒体投放服务利用大数据算法和技术实现精准投放,同时实现投放前中后数量及效果监测,优化投放方案。

程序化广告是指通过改造广告主、代理公司、媒体平台,将其与程序化对接,从而实现目标人群匹配、竞价购买,广告投放,投放监测反馈等一系列自动化过程的广告投放技术。程序化广告主要基于大数据的用户画像来定位目标客户群体,从而实现广告的精准投放,同时广告位的选择、竞价投放全部依赖机器完成。

相对于传统广告,程序化广告投放更加准确高效,同时节约资源成本。2012开始,程序化广告进入了高速发展期,2018年我国程序化广告市场规模达到471.9亿元,同比增长35.9%。

目前专注于程序化广告的上市企业包括亿玛在线、蓝色光标、汇量科技、爱点击、木瓜移动、新数网络等。

2.3公安大数据

大数据带来了数据处理方式变革,基于大数据的挖掘分析,将有助于公共安全治理机制由“事后处理”转变为“事前预测”。传统公共安全治理方式为应对式决策,体现为“事件突发—逻辑分析—寻找因果关系—进行突发事件应急决策”的流程;而预测式决策则是一种“正向”思维,体现为“挖掘数据—量化分析—寻找相互关系—进行突发事件预测决策”的流程。

大数据技术支撑下,由“(客观)事实驱动”的决策取代“(主观)经验驱动”的决策,将成为大数据时代智慧治理过程的关键特征。

在传统的公共安全应对中,政府部分几乎是唯一的治理主体,而在大数据时代,企业成为公共安全治理的重要参与主体。特别是一些互联网、信息技术行业领先企业,可以凭借其所拥有的大数据处理技术,协助政府管理者从海量数据中挖掘有益信息。

目前国内公安大数据的主要参与主体大致可以分为五类:第一类是以中国电信、中国移动为代表的通信企业;第二类是以浪潮软件、美亚柏科为代表的大数据、云计算等技术与服务提供商,该类企业数量较多,占主流地位;第三类是以华为、海康威视等为代表的设备供应商;第四类是以阿里、腾讯等为代表的互联网企业,具有强大数据获取能力;第五类是公安部的直属科研单位。


根据中国政府采购网披露招标项目信息,2016-2019年上半年,我国公安大数据成功建设项目共246项。2018年成功建设项目共为77项,同比增长14.93%,为历年最高值。

2016-2019年上半年,全国公安大数据项目建设金额为16.51亿元,其中全国83个警务云大数据项目建设金额共达8.91亿元,占总建设金额的54.0%;技侦大数据建设金额为1亿元,占比为6.1%;公安信息资源服务项目和网警综合平台建设金额分别为0.32和0.34亿元,占比分别为1.9%、2.1%。

2.4工业大数据

工业大数据的产生贯穿与整个生产制造过程,包括了设计、研发、订单、采购、制造、供应、库存、发货、交付、售后、运维、报废回收等整个产品生命周期所产生的各类数据及相关技术和应用。

工业大数据主要分为三类:第一类为生产经营相关数据,包括企业资源管理(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理等;第二类为设备物联数据,主要包括工业生产设备的操作和运行情况、工况状况、环境参数等,狭义的工业大数据主要指该类数据;第三类为外部数据,是指与工业企业生产活动和产品相关的企业外部互联网来源数据。

工业大数据是实现制造业数字化、网络化、智能化发展的战略基础资源,正在对制造业生产方式、运行模式、生态体系产生重大而深远的影响。工业大数据在制造业的作用主要体现在智能化设计、智能化生产、网络化协同制造、智能化服务、个性化定制等方面。

2019年9月4日,工信部发布了《工业大数据发展指导意见(征求意见稿)》,重点推进九项任务建设,到2025年,基本建成工业大数据资源体系、融合体系、产业体系和治理体系。

根据贵阳大数据交易所发布数据显示,2017年我国工业大数据市场规模约为212元,同比增长41.3%,结合国内工业发展及数字经济发展情况,预测2018年国内工业大数据的规模为292亿元左右,同比增长37.7%。

三、大数据行业典型企业案例分析

3.1零氪科技医疗大数据领域的首个独角兽企业

2018年上半年,零氪科技完成由“国家队”资本——中国投资有限责任公司参与的10亿元D轮融资之后,零氪科技估值程国内医疗大数据和人工智能领域的首个“独角兽”企业。

零氪科技成立于2014年,从肿瘤大数据入手,搭建了医疗数据服务平台,为医疗机构、制药企业、保险机构等提供医疗大数据解决方案,移机人工智能辅助决策系统、患者全流程管理、医院舆情监控及品牌建设、药械研发、保险控费等已提回服务。

零氪科技主要医疗大数据产品线包括:

人工智能辅助决策平台Hubble——通过数据可视化模块,为医院管理决策提供数据依据,场景化、流程化完成科研课题。

数据采集管理平台LinkLad——提供符合医生习惯的医学科研数据采集、管理、及应用的一站式服务。

智能辅助治疗平台——集成诊疗方案及相似病例推荐、医学影像智能诊断、风险预警等功能。

3.2木瓜移动——海外营销领军企业

北京木瓜移动科技股份有限公司是一家专注于大数据营销技术的科技型企业,由清华、斯坦福、谷歌北京的海归精英团队创立于2008年,总部设在北京,并在美国和中国香港等地设立了子公司。

木瓜移动的主营业务是利用全球大数据资源和大数据处理分析技术为广大国内企业提供海外营销服务,为中国数以万计的开发者、新经济企业和媒体提供低成本、便捷、快速、精准的出海业务和宣传服务。企业营销网络遍布北美、东南亚、南亚、中东、东欧等地区,业务覆盖一带一路65个国家和地区。

木瓜移动为企业提供海外营销服务,其商业模式一边对接全球媒体流量资源,另一边对接具有出海需求的企业、开发者和媒体,通过大数据分析技术为广告主提供最优投放方案,在节约广告主投放支出前提下获得广告收益。

在全球媒体对接方面,木瓜移动与Facebook、Google、网盟、Twitter、Bing、Linkedln、Snapchat等顶级流量平台合作,通过Papaya智能营销平台,为广告主提供广告自动投放、内容优化、数据分析并生成投放效果报告功能。目前平台数据库已覆盖全球20亿人,拥有上千个维度的实时时刻画建模,实现千人千面精准营销。

木瓜移动是国内最早开展全球程序化投放的企业之一,通过多年全球互联网营销业务积累了大量实践数据,并始终坚持核心技术自主研发,建立了全套拥有自主知识产权的大数据营销业务系统。在营销领域,公司积极推动大数据与人工智能技术融合,研发用户画像人工智能引擎(UME),实现对用户超1000个维度建模,提升营销效率;在数据层面,公司积累了200多个国家,20多亿人的目标受众数据,数据规模达到PB级别。





金准产业研究 2019年中国人工智能基础数据服务行业研究报告 2019-11-14 13:27:46

前言

在经历了一段时期的野蛮生长之后,人工智能基础数据服务行业进入成长期,行业格局逐渐清晰。

人工智能基础数据服务方的上游是数据生产和外包提供者,下游是AI算法研发单位,人工智能基础数据服务方通过数据处理能力和项目管理能力为其提供整体的数据资源服务,不过AI算法研发单位和AI中台也可提供一些数据处理工具,产业上下游普遍存在交叉。

2018年中国人工智能基础数据服务市场规模为25.86亿元,其中数据资源定制服务占比86%,预计2025年市场规模将突破113亿元。市场供给方主要由人工智能基础数据服务供应商和算法研发单位自建或直接获取外包标注团队的形式组成,其中供应商是行业主要支撑力量。

数据安全、采标能力、数据质量、管理能力、服务能力等仍是需求方的痛点,需要人工智能基础服务商有明确具体的安全管理流程、能够深入理解算法标注需求、可提供精力集中且高质量的服务、能够积极配合、快速响应需求方的要求。

随着算法需求越来越旺盛,依赖人工标注不能满足市场需求,因此增强数据处理平台持续学习能力,由机器持续学习人工标注,提升预标注和自动标注能力对人工的替代率将成趋势。远期,越来越多的长尾、小概率事件所产生的数据需求增强,机器模拟或机器生成数据会是解决这一问题的良好途径,及早研发相应技术也将成为AI基础数据服务商未来的护城河。

一、人工智能基础数据服务行业概述

1.1人工智能基础数据服务定义

意指为AI算法训练及优化提供数据采集和标注等形式的服务

人工智能基础数据服务指为AI算法训练及优化提供的数据采集、清洗、信息抽取、标注等服务,以采集和标注为主。人工智能概念爆发伊始,算法、算力、数据就作为最重要的三要素被人们乐道,进入落地阶段,智能交互、人脸识别、无人驾驶等应用成为了最大的热门,AI公司开始比拼技术与产业的结合能力,而数据作为AI算法的“燃料”,是实现这一能力的必要条件,因此,为机器学习算法训练、优化提供数据采集、标注等服务的人工智能基础数据服务成为了这一人工智能热潮中必不可少的一环。如果说计算机工程师是AI的老师,那基础数据服务就是老师手中的教材。

1.2人工智能基础数据服务的行业价值

目前有监督的深度学习是主流,标注数据是其学习根本

伴随国内人工智能热潮爆发,大量的AI公司拿到融资,为了不断提高算法精度,数据采标需求也空前爆发,一度催生了行业的繁荣。但早期的AI基础数据服务门槛较低,玩家鱼龙混杂,使行业标准模糊、服务质量参差不齐。随着竞争加快,AI公司对训练数据的质量要求也不断提高,并且当产业落地成为主旋律,需求方对垂直场景的定制化数据采标需求成为主流,众多小型AI基础数据服务公司从数据质量和采标能力上达不到要求,或被淘汰,或依附大平台,行业格局逐渐清晰,头部公司实力逐渐凸显。随着算法需求越来越旺盛,目前机器辅助标注、人工主要标注的手段需要改进提升,增强数据处理平台持续学习和自学习能力,增加机器能够标注维度、提升机器处理数据的精度,由机器承担主要标注工作将成为下一阶段的行业重心。未来,越来越多的长尾、小概率事件所产生的数据需求增强,人机协作标注的模式性价比不足,机器模拟或机器生成数据会是解决这一问题的良好途径,及早研发相应技术也将成为AI基础数据服务商未来的护城河。

目前有监督的深度学习是主流,标注数据是其学习根本

人工智能是研究如何通过机器来模拟人类认知能力的科学,机器学习是现阶段实现人工智能的主要手段。机器学习方法通常是从已知数据中学习规律或者判断规则,建立预测模型,其中,深度学习可以通过对低层特征的组合,形成更加抽象的高层属性类别,自动从信息中学习有效的特征并进行分类,而无需人为选取特征。凭借自动提取特征、神经网络结构、端到端学习等优势,深度学习在图像和语音领域学习效果最佳,是当今最热门的算法架构。在实际应用中,深度学习算法多采用有监督学习模式,即需要标注数据对学习结果进行反馈,在大量数据训练下,算法错误率能大大降低。现在的人脸识别、自动驾驶、语音交互等应用都采用这类方法训练,对于各类标注数据有着海量需求,可以说数据资源决定了当今人工智能的高度。由于应用有监督学习的AI算法对于标注数据的需求远大于现有的标注效率和投入预算,无监督或仅需要少量标注数据的弱监督学习、小样本学习成为了科学家探索的方向,但目前无论从学习效果和使用边界来看,均不能有效替代有监督学习,人工智能基础数据服务将持续释放其对于人工智能的基础支撑价值。

1.3人工智能基础数据服务的主要产品形式

定制服务为主要服务形式,数据集产品集中于语音类赛道

目前,国内AI基础数据服务主要为数据集产品和数据资源定制服务,数据集产品往往是AI基础数据服务商根据自身积累产出的标准数据集,以语音数据集为主,主体偏普通话语音、英文语音、方言语音等;为保证算法优势,客户更多采用定制化服务,由客户提出具体需求,数据服务商或直接对客户提供的数据进行标注、或对数据进行采集并标注。大型的需求方,为保障数据的安全,往往提供Web形式的自有标注平台给执行方,以此对整体项目进行把控,也有一些AI基础数据服务商向客户提供私有化平台建设服务,或将自身平台与甲方系统兼容;除以上两种形式外,部分AI基础数据服务商还向算法服务进行拓展,提供算法训练、模型搭建等服务。

1.4人工智能基础数据服务的发展背景

人工智能经济崛起为基础数据服务提供长期向好的基本面

2010年语音识别和计算机视觉领域产生重大突破,国内开始萌生AI概念。到2015年,国内迎来人工智能创业热潮,独角兽不断涌现,融资记录被不断打破。2012年-2019年8月人工智能领域共发生2787件投融资事件,总融资额达4740亿元,人工智能成为最炙手可热的融资热点,百度、阿里、腾讯、京东、华为等科技企业也纷纷加注。2017年至今,产业落地成为AI行业的主流,人工智能赋能实体经济保持高速发展态势,涉及行业包括安防、金融、零售、交通、教育、医疗、营销、工业、农业、企服等众多领域。下游的爆发式增长为人工智能基础数据服务的发展提供了长期向好的基本面。

数据量呈指数式增长,非结构化数据的应用依赖于清洗标注

PC、互联网、消费级移动设备的兴起宣告了数据时代的来临,物联网的发展更使线下业务产生的大量数据被采集起来,数据量呈指数式增长,据IDC统计,全球每年生产的数据量将从2016年的16.1ZB猛增至2025年的163ZB,其中80%-90%是非结构化数据。过去计算机主要处理结构化数据,人工智能模型却以处理非结构化数据见长,但“玉不琢不成器”,数据经过清洗与标注才能被唤醒价值,这就产生了源源不断的清洗与标注需求。在我国,每年需要进行标注的语音数据超过200万小时,图片则有数亿张。

二、人工智能基础数据服务市场现状

2.1人工智能基础数据服务产业链

AI基础数据服务方是行业核心环节

2.2人工智能基础数据服务产业图谱

产业上下游普遍存在交叉

AI基础数据服务方的上游是数据生产和外包提供者,下游是AI算法研发单位,AI基础数据服务方通过数据处理能力和项目管理能力为其提供整体的数据资源服务。AI基础数据服务方整体有两大类,一种是具备自有的标注基地或全职标注团队,这类企业也参与产业上游部分直接提供产能资源,另一种是依靠众包或外包模式,专注于数据产品的开发与项目执行。下游部分AI公司拥有自己的标注工具,也可通过AI中台获取一些通用标注工具,同时一些数据需求大的企业还孵化了自己的数据服务团队。整体而言,产业上下游普遍存在交叉关系。

2.3人工智能基础数据服务行业投融资

融资规模集中于千万量级,早期融资项目居多

从融资规模来看,人工智能基础数据服务市场的融资多集中在千万级别。从时间维度来看,2015年人工智能基础数据服务商获得的融资金额相对较高,标志着行业初露头角,受到资本的认可。从获得融资的企业数量来看,目前获得融资的玩家并不多,资本市场表现的活跃度不高。从融资轮次来看,大部分融资仍然集中于早期融资,目前上市的企业仅挂牌新三板的数据堂一家(不考虑科技公司内部孵化的基础数据服务商)。人工智能基础数据服务毛利率普遍较高,但为保持与人工智能市场前沿算法的匹配,需要投入大量研发成本进行数据处理平台与工具的研发升级,因此对融资仍有较强依赖。

2.4人工智能基础数据服务行业商业模式

生产、获客、部署合力驱动发展

人工智能基础数据服务行业是典型的To B型业务,商业模式较为稳定。在生产方面,主要通过自建标注基地或标注团队、搭建众包平台、采购供应商外包服务(BPO)等模式实现生产运营,大多企业主要采取众包与外包模式,百度数据众包、倍赛等企业自建标注基地或全职标注团队,对于培训较高素质工作人员、完善团队管理有积极意义;在获客方面,主要通过口碑传播、学术会议与展会及代理渠道等模式进入市场,对销售人员熟悉市场趋势、客户需求的要求较高;在实施交付方面,有私有化部署和公有部署两类,能够较为灵活地应对客户对数据安全、交付周期与成本的个性化需求。

2.5人工智能基础数据服务市场规模

2025年市场规模将突破百亿,行业年复合增长率为23.5%

2018年中国人工智能基础数据服务市场规模为25.86亿元,其中数据资源定制服务占比86.2%,数据集产品占比12.9%,其他数据资源应用服务占比0.9%;行业年复合增长率为23.5%,预计2025年市场规模将突破110亿元。从整体增速来看,行业发展较为稳健,下游人工智能行业持续发力将形成长期利好。

2.6人工智能基础数据服务细分结构

纯标注服务为主体,由供应商提供服务占79%

2018年中国人工智能基础数据服务市场以语音、视觉、NLP领域的标注服务为主,同时提供采集与标注服务占比较少,这是由于生数据由需求方提供的情况较多,但这并不意味着市场中数据采集需求弱,相反,人工智能技术落地后产生了大量新兴垂直领域的数据需求,然而这些数据采集难度大,能够提供相关采集工具和服务的供应商将获取竞争优势。市场供给方主要由企业自建或直接获取外包团队的形式以及供应商组成,又以供应商为行业主要支撑力量,占比79%。

2.7人工智能基础数据服务市场格局

行业将提升至较高集中度,CR5占26%市场份额

目前人工智能基础数据服务行业CR5占26%市场份额,行业集中度较为适中,既非寡占型市场也非充分竞争市场,这一方面是由于百度数据众包、海天瑞声、数据堂等企业进入市场较早,积累了较多客户资源,另一方面则是由于下游企业之前多采用公开数据集训练模型,对数据的高精度要求由来尚短,受生态传导效应滞后影响,市场门槛还不显著,资金与研发实力较为薄弱的中小企业还有较强的发展土壤。然而未来,随着下游企业发展壮大,直接使用外包团队成本低廉、数据安全可控性强,一些基础性需求将由下游企业自给自足,外部的数据服务商现有的存量市场面临下降,因此必须承担高难度、前沿独特性任务,这就要求其自身投入高精度、专业化数据处理工具的研发和人工智能算法基础研究,以把握客户需求,开拓增量市场,因此资金与研发实力成为较高行业门槛,同时受近年资本市场冷却影响,一批中小型厂商面临业务收缩,再者部分厂商如倍赛开始在业内并购,参考海外数据服务市场发展情况(海外行业巨头Appen多次并购其他企业),并购也将成为市场趋势,多种因素叠加影响下,行业集中度将提升。


三、人工智能基础数据服务场景分析

3.1视图基础数据服务市场现状

人像与OCR数据是视图基础数据服务的主流

在不考虑自动驾驶的前提下,2018年视图基础数据服务市场达到6.6亿元,人像与OCR数据是视图基础数据服务的主流,尤其人像数据占市场的42.9%。OCR占27%,其他的人体识别数据、商品识别数据、工业质检数据、医学影像数据及其他新场景数据等较为分散,合计占市场30.1%。

视图基础数据服务技术趋势

针对算法研发方向判断数据需求,挖掘增量市场

按照数据使用方向,可以划分为新算法模型搭建与研发、在已有算法基础上增加新模块、解决方案交付过程中定制优化等三类,其中新算法模型搭建与研发和在已有算法基础上增加新模块类型的数据需求是可以根据相应机器视觉算法的前沿研发方向来判断预测的。例如,就智慧城市场景而言,针对汉族的人脸识别和视频结构化已较为成熟,在实际应用场景中还需针对少数民族和其他人种进行优化以提升整体算法准确率,此外,跨镜追踪成为场景研发热点,相应的跨摄像头数据如何标注对算法训练也会产生较大影响,再及,深度相机可以帮计算机读懂三维立体的监控视频,还能够较好地解决复杂光照条件下视图数据采集的问题,也将在未来成为重要的研发方向,综上,多民族、多人种数据、跨摄像头数据、3D数据的采集与标注服务将为视图基础数据服务市场的发展带来增量空间,OCR、手机、零售等其他领域也同理可针对算法研发方向挖掘增量市场。

3.2自动驾驶基础数据服务应用场景

算法尚未成熟,对数据有长期需求,且缺口仍在

L3级别以上的自动驾驶系统主要有感知、定位、预测、决策和控制五部分,其对于计算机视觉技术的需求度远高于ADAS,系统需要对雷达、摄像头等传感器采集的点云和图像数据进行抽取、处理和融合,构建车辆行驶环境,为预测和决策做依据,这对于算法的准确性和实时性有极大考验。目前自动驾驶的视觉技术主要应用有监督的深度学习,是基于已知变量和因变量推导函数关系的算法模型,需要大量的标注数据对模型进行训练和调优。在世界级无人驾驶大赛中,主办方往往提供近亿张图片、数十万张标注图片供参赛团队训练使用;在路测或真实道路驾驶时,如人车混杂、分布稠密、行为多变等复杂环境问题更需要海量的真实路况数据不断对算法进行优化,才能保障无人驾驶车辆正常可用。如今国内自动驾驶飞速发展,AI公司、科技公司、高精地图厂商、车厂等参与者众多,该领域的数据采集和标注需求已经成为AI基础数据服务的主要项目之一,且自动驾驶算法应用仍待优化,数据需求缺口仍在,市场远未饱和。


自动驾驶基础数据服务市场现状

2025年采标规模将超24亿,科技公司和车厂是主要需求方

自动驾驶基础数据主要是道路交通图像、障碍物图像、车辆行驶环境图像等,需求方以科技公司、汽车厂商和高精地图厂商为主,2018年自动驾驶行业基础数据服务规模为5.76亿元,预计2025年将超24亿元,三方规模占比分别为49%、47.2%和3.8%,行业数据总任务量超一亿张,2D图像标注与3D点云标注任务量基本为2:1。其中高精地图厂商算法较为成熟,数据自动化标注程度可达90%左右,外包需求较少;以百度、图森未来为代表的自动驾驶科技公司一直是该领域基础数据服务的主要买方,平均各家算法训练图像数据累积需求在千万级以上,随着落地项目进程加快,将会有更多细分场景的需求产生;近几年,汽车厂商在ADAS和自动驾驶方向的投入明显,上汽、吉利等厂商年投入均可达数亿元,对于数据的采集和标注需求也逐年增加,预计未来3年中,汽车厂商将成为需求主力。


3.3智能交互基础数据服务市场现状

远场语音交互成为主流需求,中文类数据仍占据市场核心

2018年语音交互相关数据服务市场规模达到13.5亿元。语音交互主要分为近场交互、中场交互和远场交互,以智能影音家居、可交互机器人和车机为代表的中远场交互类数据服务需求合计占到智能交互基础数据服务的68%,成为当前智能交互基础数据服务的主流需求,因此针对远场语音交互的低噪声环境服务具有较强发展潜力和议价能力。在服务语种上,中文(含方言)服务占据71%的市场份额,外语种资源相对稀缺,采集和标注难度较大,成本相对更高,目前占29%的市场份额。

智能交互基础数据服务技术趋势

实现跨语音识别、语义理解的复合数据标注

目前企业在智能交互系统的建设中,对单纯的语音识别或合成方面技术能力相对较完善,而在上下文理解、多轮对话、情绪识别、模糊语义识别、意图判断等方面的研发痛点更强,根据智能交互系统算法的发展,迭代并设计符合算法需求的NLP数据产品,有助于从数据层面推动智能交互系统的发展。特别的,对话系统的效果对标注数据的质量和规模依赖性很强,但目前受标注数据和模型能力的双重制约,对话流程还无法对语音、语义整个交互流程打通,而实现跨语音识别、语义理解的复合数据标注可以帮助减轻语音信息与文本信息之间的信息误传导,对整个对话流程效果增强能够产生积极影响,将增加智能交互基础数据服务探索的可能性。

四、人工智能基础数据服务需求分析

4.1人工智能基础数据服务客户定位

客户分为AI公司、科技公司、科研机构、行业企业四类

从需求方来看,AI公司和科技公司占主要份额,AI公司更聚焦于视觉、语音等某一类型的基础数据服务,而科技公司结合集团优势,向人工智能整体发力,不同部门会产生多类型数据需求,科研机构需求占比较小。此外传统意义上的行业企业,如汽车厂商、手机品牌商、安防厂商等传统企业围绕自身业务进行技术拓展,也开始产生AI基础数据需求,并且量级逐渐增大,未来将释放更多市场空间。

4.2人工智能基础数据服务核心需求类型

AI应用三大阶段,对基础数据服务产生差异化需求

企业应用人工智能算法要经历研发、训练和落地三个阶段,不同阶段对于AI基础数据服务也有差异化需求。研发需求是新算法研发拓展时产生的数据需求,一般量级较大,初期多采用标准数据集产品训练,中后期则需要专业的数据定制采标服务;训练需求是通过标注数据对已有算法的准确率、鲁棒性等能力进行优化,是市场中的主要需求,以定制化服务为主,对算法的准确性有较高要求;落地场景的业务需求中算法较为成熟,涉及的数据采集和标注更贴合具体业务,如飞机保养中的涂料识别数据等,对于标注能力和供应商主动提出优化意见的服务意识有较强要求。

4.3人工智能基础数据服务需求痛点

五大需求痛点决定AI基础数据服务商的服务标准

目前需求方在选择数据服务时往往会遇到数据安全、采标能力、数据质量、管理能力、服务能力等痛点。对于数据安全,需求方希望基础数据服务商有明确具体的安全管理流程,对数据传输、存储,以及结项后的数据销毁等环节比较重视。在采标能力方面,需求方算法越来越贴近业务,希望数据服务商对于自动驾驶、工业等有一定门槛的领域有采集能力,并且能理解客户意图,配合标注,甚至可以提出标注建议;根据市场反应,大多数数据服务公司首次交付项目时,数据的准确率普遍偏低,都需要一到两次的返工,故需求方对无效数据少、准确率高的公司更加青睐。对于执行效率,一般AI基础数据服务商都能在项目周期内完成,但管理能力较弱的公司很难在兼顾多个项目时做到精力集中、高质量地服务客户,同时执行团队的素养与信誉也是重要影响因素。服务意识是一项软实力,需要AI基础数据服务商能够积极配合、快速响应需求方要求。

结语

人工智能基础数据服务发展建议

企业由被动执行向主动服务的意识跃迁

单纯依据客户各个项目的诉求进行数据采集和标注属于被动执行,主观能动性低、行业边界有限,各家公司的产品和服务趋于同质化、竞争呈胶着状态,制约着AI基础数据服务的发展。通过对需求方的研究,发现除安全性、质量、效率等核心关注点之外,越来越多的需求方对数据服务公司产生了主动服务的需求,希望数据公司能够更懂算法技术、更懂需求场景,甚至能参与到算法的研发中来,给出数据采标方面的优化建议,这也为数据服务商形成差异化竞争带来了契机,尤其是在AI落地阶段,在垂直场景中能够形成一套集调研、咨询、设计、采集、标注为一体的AI基础数据整体解决办法,将在收入和业务边界上实现突破。



金准产业研究 AI与机器人的42个大问题(下) 2019-11-12 17:00:07

31AI会给人类文化带来怎样的转变?

AI和机器人概念已经成为了现代文化的重要组成部分,你能在文字或影视的故事里看到它们,也能看到它们被用于商家宣传的广告中,现在你甚至还能直接看到机器人表演的节目(比如《机器人擂台》 )以及AI生成的音乐等作品。

毫无疑问, AI和机器人已经成为了人类文化的重要组成部分,它们不仅仅是我们的娱乐方式,而且也在启迪着人类对自身的思索以及关于整个宇宙的哲学思辨。

举几个例子, 在《2001太空漫游》 中, AIHAL9 0 0 0 成 为 了一个经典的邪恶AI形象,也在很大程度上影响了人类对AI的认知。在《黑客帝国》 所描述的故事中, AI甚至将人类包裹进了一个虚拟世界之中,这也激励着观众去思考和探究现实和真实本身。而在电影《她》中,智能系统Samantha展示了超级 AI解救人于孤独之中的潜力,同时也描述了 AI最终超越并抛弃人类的可能性。

32AI将如何影响艺术创作?

2018年 , 一副AI创作的画作拍出了432500美元的高价,成为了 AI艺术史的一个里程碑事件。但AI实际上早就已经进入了艺术创作领域一它们已被用来渲染图像、 创作音乐、 生成游戏场景和创作诗篇,甚至还已被用来生成小说和电影剧本。

举个例子, Continuator可以在学习了音乐家的风格后表演类似风格的音乐,其表现能力让一位爵士乐音乐家也颇为吃惊:“ 我听到的一切我都能理解。那是我的音乐世界。它的演奏就像我的演奏方式,只是它演奏出了我之前的音乐声响世界中从没想到过的东西。”

毫无疑问, AI还必将在艺术创作中发挥更重要的价值。AI对艺术的影响也得到了很多人的关注和探讨一 作品的著作权属于谁?AI的设计者算是艺术家吗?如果机器没有意识,那么它的艺术是要表达什么?因此,也有一些观点质疑AI创造的东西能否被称为“艺术” 。

33AI是否有助于提升人类的创造力?

AI的一大好处是能让人免受繁冗的任务之苦。借助AI,创造者可以将更多精力和时间投入到策略和创造性思考上。不仅如此, AI还能为创造者提供有关市场需求的见解以及对未来前景的预测。

比如在音乐方面, AI可以成为音乐家的力助手,甚至可以直接参与音乐创作。在视觉艺术方面 , AI 有得天独厚的优势 。比 如 AI可 被 用 于 帮 助 作 者 理 解 内容,进而帮助他们获取进一步设计的素材。Adobe 开发的 Concept Canvas 就是其中一例。这个工具可以学习“看懂”图像、识别显著的元素和布局并自动标注和描述它们,然后让用户可以基于不同概念之间的空间关系搜索图像。

AI也可以帮助书写文章 , 比 如2016年《华盛顿邮报》 实验了使用自动故事生成来帮助报道里约奥运会。据介绍,机器学习可被用于收集相关的事实,并将它们融合为一份草稿。这能为写作者提供一个写作起点,并帮助他们理解他们写作的主题和重点。然后写作者可以在此基础上将其完善为能吸引读者的内容。可以说,这能消除写作者工作中的繁琐部分,并为写作者提供更多数据,帮助他们获得更大的创造力。

34AI将如何改变法律?

AI的发展与应用不仅会深刻地影响我们的生活和生产,催生出一种数据和算法驱动的全新的智能经济与社会形式,而且会带来法律的演进。

BradSmith所言,未来可能出现“ AI法律”这一全新的领域,正如互联网过去20多年的发展使得隐私和个人信息保护法律成为一门显学一样。虽然AI法律尚在起步阶段,侵权、隐私等法律已经适用于AI,在自动驾驶等领域开始出现新的法律。

因此未来可能诞生AI法律职业共同体,出现专门从事AI法律的学者、律师、法官等。

另一方面, AI也会让当前和未来法律人的工作内容和方式发生极大变化。当前AI已经开始起草合同、起诉书、判决书等法律文件,可以对法律文章、判决书等进行自动摘要,被用于辅助司法审判等。可以有把握地预测,未来所有法律人都将依赖AI来辅助其从事法律职业。这要求现在和将来的法律人掌握新的技能和思维。

35AI系统能否内置道德伦理规则

我们创造AI的目的是为了给人类创造更美好的生活,因此有必要让AI懂得遵守人类的道德伦理规范。那么我们究竟能否做到这一点?

人类的道德规范往往可以用自然语言描述,但却难以编写成计算机代码或其它任何能被机器理解的方式,因此,让AI具备理解人类自然语言的能力可能对这一任务具有极其重要的价值。幸运的是,近年来自然语言处理( NLP) 技术突飞猛进,取得了非常重要的进展,让我们离AI真正理解人类语言的目标又更近了一步。

但这个问题远不止涉及自然语言处理,一个更加核心的问题是我们人类自身尚且还没有在道德方面形成完全一致的看法,更何况现实生活中还往往存在着两难的道德困境。而机器往往需要清晰明确的指标以实现优化和判断。

举个例子,我们该如何让机器学会克服其训练数据中的族群和性别偏见以实现公正?如果工程师无法为“公正”这一概念提供精准的定义和评估指标,那么机器也将很难学习到它,进而可能导致AI拒绝或无法为少数群体服务的后果。

牛津大学研究员Vyacheslav Polonski在一篇文章中总结了设计更道德的机器所应遵循的几个指导方针:

明确定义合乎道德的行为;

让大众参与到人类道德的定义之中;

AI系统更加透明。

目前来看这几点都还很难真正在实际生活中实现,光是第一条就很难办到,毕竟我们连怎样确定人类是否道德都还没有一致的看法,更勿论创造道德的机器了。

36、需要创造现代版本的阿西莫夫机器人定律吗?

阿西莫夫机器人定律:

第一定律:机器人不得伤害人类,或坐视人类受到伤害。

第二定律:除非违背第一法则,否则机器人必须服从人类命令。

第三定律:除非违背第一或第二法则,否则机器人必须保护自己。

第零定律:机器人不得伤害整体人类,或坐视整体人类受到伤害。

阿西莫夫机器人定律是一个科幻设定,具体实践起来可能非常困难甚至完全不可能。这主要涉及到一些实际操作上的难题,比如如何将这些定律转换成机器能够解读的语言、如何保证机器确实能够理解这些定律、如何确保机器理解这些定律的方式符合我们的意图。毕竟,使在阿西莫夫自己写的科幻故事里,机器人在解读这些定律上也出现了一些逻辑困难。因此,我们很可能需要开发一种可以实现的现代版本的“阿西莫夫机器人定律”。

一些研究者正在为实现阿西莫夫机器人定律的目标而努力,比如机器人安全研究 SamiHaddadin的博士论文《实现安全机器人:向阿西莫夫第一定律前进》就研究了这样一个重要问题:如何确保人类与机器人共存时的安全?具体内容涉及人与机器人交互中的伤害评估、效果评估以及影响伤害情况的因素。另一些研究者则试图更新阿西莫夫机器人定律,比如维也纳应用艺术博物馆负责人 Christoph Thun-Hohenstein 提出了三条定律:

1、 智能机器人必须为人类的共同利益服务,并帮助我们人类实现生态、社会、文化和经济上可持续的生活。

2、 智能机器人只能在与人类相容的程度上替代人类工作者,从而帮助人类创造有尊严、文化和创造性的自我实现的有意义的生活一除非该规则与规则1冲突。

3、智能机器人必须被设计为合作型的自学习机器并且始终会协同式运作一除非该规则与规则1和2冲突。

AI所可能遇到的问题,比如谷歌的一项研究就找到了五个安全应用AI所应注意的问题:

避免负面影响 : 我们如何确保 AI系 统在实现自己的目标时不会为其环境带来负面影响?

避免奖励被攻击:我们如何避免AI系统的奖励函数被攻击或利用?

可扩展的监督:我们如何有效确保给定的AI系统做种目标的各个方面,即使当在训练期间频繁评估这些方面时具有过局的成本?

安全探索:如何确保AI系统的探索行为不会造成负面影响?

在分布变化时保持稳健:我们如何确保 AI系统在使用环境非常不同于其训练环境时也能够稳健地识别和采取行动?

在确保未来AI和机器人的行为符合人类的利益方面还有很长的路要走,这不仅需要技术上的攻坚克难,还需要我们在语言以及伦理道德方面做更多探索。

37AI的行为可能偏离人类的目的和利益吗?

当前的 AI已经能够表现出一些设计者计划和意料之外的行为,比如利用游戏漏洞刷分、 在遇到人眼无法识别的对抗攻击时出错。所以AI的行为有可能发生偏移,尤其是当我们无法解读AI决策的原因时,也就很难预测它在不同环境下的实际表现,进而产生意料之外甚至有违设计者设计初衷的行为。

更进一步,已有研究者表达了对AI偏离人类整体利益的担忧,这种偏移可能是有意的,也可能完全是人类自身的无心之 失 或 在 设 计 逻 辑 上 的 缺 陷 。哲 学 家Nick Bostrom提出过有关于此的思想实验 : 如果将一个强大AI的任务目标设置成“最大化的生产回形针”, AI就可能会为了这个目标而偏离人类原本的目的和利益,比如为了维持生产拒绝被人类关闭、为了获取生产回形针的原料而抢夺资源甚至猎捕人类。

当前的AI就像是人类诞生的婴儿,基本上还处在人类的控制之下。但随着技术的进一步发展,系统的复杂度的进一步提升,我们可能未来将越来越需要借助AI系 统 设 计 迭 代 新 一 代 AI系 统 。AI将可能借助自己的力量实现未来的进一步成长,到那时候,人类还能确保AI与自己的利益一致吗 ?

38、如何解决AI可能具有的歧视与偏见问题?

歧视已经是AI领域内一个老生常谈的问题了。AI的歧视主要可分为以下几类:

数据偏见。如果训练深度学习模型的数据存在某些群体代表性不足的问题,那么训练好的模型可能难以处理来自这些群体的新数据。比如如果人脸识别训练数据集中的主要使用白人的数据进行开发,那么在黑人群体使用该模型时就可能出现显著更多的错误, 从而表现出歧视。

人本身的偏见。在训练数据时,我们往往需要对数据进行标注,如果我们依照自己的偏见将某些数据标记为“正确”,将另一些标注为“错误”,那么模型就会从这些标注后的数据中学习到人的偏见。此外,设计者在设计新模型时,可能会刻意调整模型的参数以便拟合已知存在缺陷的数据,这样也可能为实际应用引入偏见。

刻意歧视。“ 大数据杀熟”已经成为了一个网络热词。这是指电商企业通过分析用户的消费习惯、决策心理、个人画像,从而对用户越来越“熟悉”,从而为自己创造杀熟条件。和通常的歧视新用户的案例不同,“大数据杀熟”的歧视针对的是忠诚的老用户,也因此更难察觉。

解决AI的歧视问题既需要研究者通透完备地思考,也需要有相关的法律法规保证。

39、具有或不具有身体的AI是否应该被区别对待?

想象这样一个场景,一个是没有身体的超智能程序,一个是外观与人类别无二致的塑像,当它们遭受破坏时,我们更容易对哪一个产生同情?这个问题的答案并不显而易见。一项研究表明,如果机器人的身体形状不一样,我们就可能对其产生不同的情绪。在面对一个具有身体的智能机器人与一个没有可以控制的身体的智能软件,我们更可能对机器人产生同理心。

这个主题也涉及到一个被称为具身认知(embodied cognition)的研究领域;该领域希望能找到智能与身体之间的联系,以期揭示出智能的形成机制和本质。根据斯坦福的定义,具身认知是将认知建模为神经和非神经过程的动态交互的产物,其中认知、智能体的身体体验和现实生活背景之间不存在割裂。具身认知的研究能为我们寻找这一问题的解提供参考。除此之外,我们也还需要在法律和伦理道德等方面探寻它的答案。

40、如何避免AI技术被恶意使用?

比起AI无故失控, AI被人类恶意滥用的可能性应该还会更高一些。实际上,近来的一些事件已经展现出了 AI被滥用的潜在危害:

加大社会分歧。人们基本上总是更喜欢与自己观点一致的新闻或评论,个性化智能推荐则会让人更沉浸于与自己观念一致的氛围中,这会让人更加确信自己的 观点是正确的,尽管那可能存在漏洞或过于片面。而更让人担忧的是,恶意者可能会利用个性化推荐的这种缺陷故意传播偏颇片面的内容,进而诱导不同群体之间产生更明显的分歧甚至敌意。

侵犯用户隐私。进入智能手机时代以后,软件过度收集用户数据早已不再是什么新鲜事了,甚至 现状。而随着AI应用的普及,这一问题可能还会进一步恶 化 , 比如语音助手或智能音箱可能被用于偷听和分析用户日常生活对话,并基于此投放广告。随着AI的到来,“没人知道你是条狗”的互联网早期故事已成往事,现在人们不仅知道你是条狗,而是还知道你的品种、爱好、毛色甚至性取向。

41AI事故如何追责?

AI在自动驾驶、机器人等领域已经出现了一些事故,造成了人身财产的损害,使得追究AI的法律责任成为一个各界争议颇多的话题,国外开始出现一些新的立法趋势。

当然, AI还不是法律主体,不能像人或公司那样为其行为独立承担法律责任。因此,对于AI造成的事故,应当考虑追究个人、公司等相关法律主体的责任。我们的法律责任体系当前有过错责任、严格责任、产品责任等,因此必须在既有的法律框架之内考虑AI事故的责任承担。比如对于无人驾驶汽车,在不存在司机或司机无过错的情况下,就可以基于产品责任让系统设计者、研发者、硬件提供者等承担责任。

然而, AI所具有的自主性、不可预测性等特征可能给责任承担提出挑战,使得受害人的损害无法获得弥补。因此,欧盟、英国等开始考虑出台新的责任规则,如通过保险、赔偿基金等方式来分担事故的损害。未来随着AI应用的普及,我们必须能够以明确的规则和方式来追究AI事故的责任,以培养消费者和生产者的信心。

42、如何更为公平公正地分配AI所创造的价值?

我们的经济体系基于对经济所做的贡献的补偿,而这又通常是通过工资来衡量的。目前大多数公司仍然是通过人力劳动来创造经济价值 但一旦进入AI时代,公司对人力的依赖将减少,这就意味着享受公司收入的人会变少。由此可能导 致 拥 有 这 些 AI驱动的公司的人将赚取大量财富,而没有所有权的人却一无所获。

事实上,技术加大贫富差距的问题已经开始显现了 据世界经济论坛报道 2014年底特律前三大公司和硅谷前三大公司所产生的收入基本相当,但后者的员工数量却不到前者的十分之一。这样显著的差距必然会给价值分配造成严重的不均衡。随着AI技术的应用,这样的差距还会进一步拉大。正如《 AI及其对收入分配和失业的影响》中写道的那样:“如果智能变成了支付的能力,那么可以想见最富有(经过增强的)人类的生产力(智能能力)将远远超过未有增强的人类,从而让绝大多数人更进一步落后。”

如何为之创造公平的分配机制将具有非常重要的意义。目前人们正在探讨的政策可能性包括全民基本收入与机器人税。

全民基本收入。全民基本收入的概念很简单,也就是无条件地向每个合法居民发放足够其正常生活的财物。据联合国教科文组织,全民基本收入有望给不平等问题带来极大影响。贫困将被消除,劳动将更尊重意愿;而且由于工作者可以选择退出,工作者与雇主之间的权力关系也将更加平等。人们将更有可能合作起来为市场之外的人提供产品和服务,因为这样的活动再也无需为参与者的生活提供基本的标准。全民基本收入自然也存在反对意见,包括降低人们工作的动力从而导致劳动力减少、支持全民基本收入需要很高的税率。

机器人税。即向机器人产生的财富的征收更高的税,以此限制企业过快地用机器替代人力 (social safety net)所需的资金。

AI和机器人的发展必然将给人类社会带来天翻地覆的变化。在这场正在实现的巨大变革中,如何能够更为公平公正地分 配 AI所 创 造 的 价 值 将 是 一 个 值 得 所有人思考的问题。

金准人工智能专家认为,人工智能以及机器人学属于前沿科学的范畴,相对于已经发展了几百年的成熟的基础科学和应用科学,人工智能仅有几十年历史,尚处于起步阶段,远未形成坚实的基础和完整的架构。研究人工智能,技术是个难题,但相比技术,更深层次的哲学问题尤为重要,而且在几乎任何领域,提出正确问题可能比找到最终答案更加重要。腾讯AI Lab这份AI42个问题正是AI探索道路上最基本、最重要的问题,值得所有人的思考。

 

金准产业研究 AI与机器人的42个大问题(上) 2019-11-12 16:59:38

前言

近日,腾讯AI Lab联 合 自 然 科 研 ( Nature Research)、其子刊《自然-机器智能》和《自然-生物医学工程》,于2019年9月在深圳共同举办世界首届“ Nature Conference - AI与机器人大会”。并在大会发布了 “ AI与机器人的42个大问题”报告,期望能找到通用人工智能和机器人探索之路上的人类将会遭遇的重要问题,激发对人、AI与机器人未来的长远思考。

1AI的未来是什么?

这是有关AI未来最基本的问题,甚至在一定程度上涵盖了其它所有问题。要回答这一问题,我们首先需要了解人们现在正在做什么。

近年来取得成功的AI技术大都基于深度学习和神经网络,当前热门研究方向依然是基于这些方法的改进以及与对抗学习或强化学习等其它思想的融合。在应用方面,这些技术已经进入了我们的日常生活,比如智能推荐、机器翻译、聊天机器人以及各种图像美化应用。

对于近期的未来,人们普遍相信深度学习还有进一步的发展空间,甚至有望彻底改变我们的生活方式,比如很多人都相信成功的自动驾驶技术将会彻底改变我们的生活出行。同时,由于深度学习在泛化能力以及可解释性方面的困难,也有人认为深度学习将难以在一些存在严格要求的领域发挥真正重要的价值,进一步的突破还需要探索更广泛的方法。下面列出了近期未来的一些主要的研究和应用方向:

高效和低成本模型。尽管目前相当多一些模型已经能够在较低成本的硬件上有效运行,但要训练出足够实用的模型,当前的深度学习方法往往需要大规模数据集和成本高昂的计算硬件。如何设计高效的训练方法已经成为当前的一大重要研究主题。对于已经 MobileNet、 ShuffleNet 和PeleeNet等一些模型,其实用性仍被认为还有所欠缺。高效和低成本模型仍会继续是AI领域的一个重要未来方向。

模型可解释性。深度学习的模型可解释性已经成为了制约深度学习广泛应用的一大主要障碍,其也在法律和伦理方面引发了一些讨论和争议。可以预见这方面的技术探索和社会讨论还会继续。

深度神经网络与新思想融合。深度学习与对抗学习和强化学习等思想的结合已经为 AI领域带来了很多重大突破 , 比如从AlphaGo到 AlphaZero的一系列进展。另外,研究者也在继续从生物学、脑科学、逻辑学等领域汲取新的灵感,比如Hinton提 出 的 Capsule计划。这一趋势必然还会继续。

AI继续进入人类的日常生活。智能音箱进入家庭、人脸识别在守卫街道、机器翻译在建造巴别塔、自动驾驶汽车已经上路测试、数字助理正在学习处理越来越复杂的任务......AI应用还会继续进入更多曰常生活场景并继续改变我们的生活方式。

AI相关政策和法规会越来越多。随着AI越来越深刻地影响人类的生活,相关的法律法规和政策制度也在逐渐成形。其中既有推动AI技术发展的国家政策或规划,比如中国的《新一代人工智能发展规划》、 美国的《国家人工智能研究和发展战略规划》、 加拿大的《泛加拿大人工智能战略》;也有旨在规范智能应用和数字隐私保护的,比如欧盟的《通用数据保护条例》。可以预见还会有更多相关政策随AI的进一步发展而诞生。

2、机器人的未来是什么?

机器人有很多不同的分类方式,每种分类方式也都有不同的类型,比如依照形态可分为人形机器人、四足机器人、轮式机器人等等,依照用途可分为民用机器人、工业机器人和军用机器人等。这些不同类型的机器人的发展虽然都有各自不同的侧重点,但总体而言机器人领域的主要发展方向包括:

更高的自动化程度。近来机器人控制方面的一个研究重点是让机器人具备更强的自主行动能力以及更强的学习能力。目前这方面最受关注的发展方向之一是强 化学习 , 即让智能体在环境中进行探索来学习最大化奖励的策略。另外,使用深度神经网络训练的视觉与听觉等模型也正被集成到机器人身上,让它们可以具备更强的感知世界的能力。

机器人应用场景增多。工业机器人已经在组装生产线上得到了广泛的应用,现在随着机器人智能水平的提升,它们也开始在更动态多变的日常生活环境中得到应用,比如迎宾、 送餐、 做饭、 导游和教学等等。医疗机器人也是非常重要的发展方向,它们有的能够动手术、有的可被吞入腹中,还有的甚至能作为义肢直接成为残障人士身体的一部分。农业也正迎来机器人的变革, 里业无人机、 无人收割机、 除草机器人、 放牧机器人等已经出现了地球上的一些田间地头或牧场。另外,为了应对全球范围内的蜜蜂灭绝危机,也有研究在探索打造可接替蜜蜂工作的昆虫机器人。

集群式机器人进一步发展。集群式机器人是指大量机器人通过互相协作,从而组合为同一个系统的技术,这种技术具有更高的稳健性一即使部分机器人停止工作,其余的机器人也能够继续完成任务。但这样的机器人系统也面临着通信和协调方面的问题,目前大多数集群式机器人还主要使用中心控制单元来进行调控(比如在2018年平昌冬奥会上亮相的1218架英特尔Shooting Star 无人机群) , 但也有研究者在探索无中心的分布式控制方法。

3、通用人工智能(AGI)有可能实现吗?

通用人工智能(AGI)是指有能力理解和学习人类所能做到的任何智力任务的机器智能。全面比肩甚至超越人类的AGI一直以来都是AI领域的一大终极目标,这一目标也被称为“ AI奇点”。未来学家雷 • 库 玆韦尔给出了他认为的AI奇点的到达时间:2045年。

但也有很多人对此表示怀疑,甚至有相当多一些人认为根本不可能实现在所有方面都超越人类的单个 AI系统。比如2018年掀起过轩然大波的“ AI寒冬论”,作者Filip Piekniewski就在文中提到:“我们让计算机做一些看似只有受过教育的成人才能做的事,但后来才意识到这些计算机甚至无法处理婴儿或动物都能解决的事情。如果我们继续陷入同样的陷阱, AI (尤其是通用人工智能)将仍然是一个白日梦。”

也有相当多一些学者认为虽然现在深度学习成果颇丰,但却不是通向通用人工智能的 不可能实现的。比如纽约大学心理学教授Gary Marcus就对深度学习多次提出逃评意见, 其中包括深度学习的数据依赖性、适应变化的能力以及整合先验知识的能力等。因此,通用人工智能目标的实现可能还需要在神经科学、认知科学、进化方法等多个方向的努力。

通用人工智能究竟能否实现仍是一个悬而未决的问题, 我们甚至还不清楚通用人工智能究竟必需怎样的组件或结构。

4AI能否具有自我意识?

意识( consciousness)到目前为止仍还是一个没有得到公认的明确定义的名词,毕竟我们对自身意识产生的原因还知之甚少,也因而就更难以回答机器能否具有意识的问题了。

2017年的一篇Science论文将意识戈划分成了三个层次:

C0:这一层的意识是指人脑中无意识的运算,比如人脸和语音识别。

C1 :这一层的意识涉及到根据信息、思考和可能性进行决策的能力。

C2 :这一层的意识则涉及到所谓的“元认知(metacognition)”,即认识到自我的能力。自我意识能帮助人们了解自己知道什么以及不知道什么,进而导致好奇心。

照这样的划分方式,目前的AI模型已经能在C0层面上取得比肩甚至超越人类的表现了,并且在C1层面上也进展颇丰。该论文也认为目前已有一些AI实现了 C2层面意识的_些方面,比如一些模型能够监控自己学习解决问题的过程。

但意识究竟将如何产生?我们目前还没有答案,下面简单梳理了一些理论上的看法:

意识源自特定的神经结构。有的研究者认为大脑的特定结构是意识的来源,比如2016年的一项研究找到了两个对意识清醒非常重要的大脑区域,这两个区域都包含一种被称为“von Economo神经元”的脑细胞。如果特定的神经结构确实能够产生意识,那么具有类似结构的AI也可能具备意识。

意识源自系统与外部的交互过程。有的研究者则认为意识涌现于复杂系统与外部的交互过程。比如物理学家Max Tegmark认 为 意 识 是 在 被 以 某 种 复 杂方式处理时信息的感觉方式。神经科学家 Giulio Tononi推进了这一思路 : 信息处理系统若要有意识,它的信息必须被整合为一个统一的整体。该思想融入了一 个复杂的数学理论,即整合信息理论(integrated information theory) 〇如果意识确实源自系统与外部的交互过程,那么随着AI在 日 常生活中的进一步应用,我们有望看到这方面的一些进展。

意识源自复杂度。也有研究者认为一旦一个单一的有序动态系统达到一定的复杂度,意识就会自然而然地涌现。随着现今AI系统的复杂度提升,这一理论或将逐步得到验证。

意识的产生机制已经非常复杂,自我意识只会更加复杂,在短期内或许无法找到确定的答案

5AI如何帮助我们理解认知和意识的本质?

AI的发展从神经科学和认知科学等领域汲取了很多灵感,同时也为这些科学领域的研究贡献了很多新思路, 有的研究者甚至将AI领域视为认知科学的一部分。

机器学习方法在帮助我们理解神经活动的模式方面已经初见成效,成为计算神经科学的重要发展推动力;另外该方法也已被用于建模人类的活动、分析和理解人类的语言、预测人类的响应模式和行动决策,这些都能帮助我们分析和理解我们自己的认知方式乃至意识的本质。

目前,随着大数据神经科学的发展,已经出现了一些相关的大型国际研究项目,其中包括美国白宫于 2 0 1 3 年发起的“ 旨在革新我们对大脑的理解 ” 的BRAIN Initiative、 同样始于 2013 年的欧盟人类脑计划( Human Brain Project) 、 2014 年日本启动的 Brain/-MINDS项目、2016年开始推动的中国脑计划。其中中国脑计划既包括对认知的神经机制的基础研究,也包括脑疾病的诊断和干预以及脑启发智力技术的转化研究。

现在研究者已经在转译大脑信号方面取得了一些亮眼的进步,比如日本一组研究者使用了深度神经网络来基于人脑活动信号来重建人所感知的影像。据介绍, 该技术不仅能重建受试者正在观察的影像,而且还能重建出受试者记忆中的影像。

6、我们能否真正解释和理解AI的决策与结果?

AI技 术决策和得到结果的具体过程,它们也常常表现出设计者意料之外的行为。比如OpenAI训练的一个赛船游戏智能体学会了一个“技巧” :为了得到更高的分数,智能体控制的小船没有选择尽快穿过终点线,而是不断地循环刷分,即使小船不停地与其它船只碰撞、滑向墙壁、反复着火。如果在实际应用中智能体也出现类似的状况,不仅不能很好地完成预设的任务,反而可能给周围环境和用户带来危险。

金准产业研究团队认为,我们需要理解AI决策的过程和依据,从而信任AI,这就涉及AI领域的一大重要主题:可解释性(explainablity) 。

幸运的是,研究者和决策者正在努力推动这方面的工作。比如,2018年5月开始 生 效 的 欧 盟 “ 通用数据保护条例(GDPR) ”允许用户可以要求解释机器任何“合法或类似重要”的决策;另外在模型可解释性方面研究方面也有一些值得关注的进展,比如谷歌推出的神经网络可视化库Lucid和华盛顿大学提出的一种能解释分类器的预测结果的解释技术LIME。

当然也有很多人认为, 过于强调“可解释性”可能会阻碍AI的 发 展 , 毕竟当前在深度学习模型可解释性方面还面临着诸多困难。更有甚者认为, 可解释AI是永远不可能实现的。

7AI能否具有好奇心和创造力?

有人认为,好奇心是自我意识的一种延伸,同时也是创造力的基础,但也有人并不认同。有人认为创造能力并不需要自我意识,即使完全依照本能行事,生物体或机器也能表现出创造能力。

AI能否具有对世界的好奇心吗?金准人工智能专家认为,强化学习方法提供了一种可能的思路。强化学习能让智能体根据在环境中的奖励调整自己的动作,从而最大化自己所获得的奖励。为了实现这样的目标,智能体需要具有探索未知环境的能力,在一定程度上而言,这种探索未知的需求可视为一种好奇心。

在创造力方面, AI系统已经有所表现,比如,谷歌的DeepDream系统能够通过对图像进行刻意的过处理而创造出“梦幻般”的图像结果;2018年,一副由生成对抗网络(GAN)生成的画作在巴黎以432500美元的价格出售。另外,AI也早已被用来生成音乐和生成场景(虚拟现实或游戏)。但这些结果基本还只是对已有数据的组合或加工,未来AI能否自发地创造前所未有的事物?这一点还有待验证。

8AI可能彻底掌握人类语言吗?

AI在自然语言处理( NLP)领域已经取得了很好的进展来自谷歌的 BERT模型和来自OpenAI的GPT-2模型已经在文本分类、语言建模等一些任务上实现了甚至可能优于人类的表现。但是,我们仍然 可 以 肯 定 的 说 : AI尚未真正掌握人类语言。AI在处理罕见词、语境、讽刺以及其它一些更“微妙”的自然语言处理问题时,还面临着一些困难。

AI能够真正掌握语言吗?目前成功的AI语言模型大都基于数据分析和模式发现,是对已有数据的提炼。而语言本身则处在不断变化之中,新的词汇在不断产生,比如“十动然拒”;旧有的词汇的含义也会发生变迁,比如“真香”;而且同_种语言内部也会存在因为地域、使用人群和使用场景等带来的差异。此外,人类在使用语言时常常会出错。因此,基于过往数据的AI模型不一定适用于当下的情况。

AI能够真正理解语言的这种动态变化性质,进而随人类的语言环境一起演进吗?这是一个仍待解决且意义重大的问题。

9AI能否发现新的科学理论?

当前深度学习技术发展势头的基础是数据和强大的计算能力,而基于数据来验证新理论已经成为了可能,比如2019年4 月谷歌的一个团队用 AI证明了 1 2 0 0多条数学定理。

除了验证理论, AI也已被用于发现新理论和新方法。2015年,英国剑桥大学的研究者探索了自动发现和优化化学过程的新方法。2017年,英国爱丁堡大学和格拉斯哥大学的研究者提出了自动探索数学理论的MATHsAiD项目。2018年,英国格拉斯哥大学的研究者设计了一个以AI为核心的自动化实验设备, 并希望通过这种方式加速对生命诞生过程的探索。

实际上, AI有望给所有自然科学学科带来变革,不管是用于分析亿万年前的星光还是用干解开生命的密码, AI都大有用武之地。人文科学也能从AI技术的发展中受益,我们实际上也已经通过机器翻译和金融分析见证了它们在语言学和经济学中的表现。很显然, AI确实能在我们探索新科学理论之路上为人类提供帮助,但它们能自己发现新理论吗?

10人工智能冬天是否可能再次出现?

1956年的达特茅斯会议以来,我们已 经 遭 遇 过 两 次 “ 人 工 智 能 冬 天 ( AI Winter)”了。在这两个冬天里,媒体和公众对AI的关注降至低点,政府和企业对 AI研究的投入也大幅缩减甚至完全中断。这两次“人工智能冬天”都曾给AI行业的发展造成过巨大的负面影响,而引起这两次寒冬的原因都涉及到实际发展的 AI技术与人们的预期不相匹配的问题。

目前的 AI领域仍然在一定程度上面临着过度炒作的问题,我们也不时能在新闻报道中看到一些夸大其辞的断言,这似乎正是下一个寒冬的预兆 ( 实际上也有一些研究者确实这么想);但是,目前这一波基于深度学习的热潮也与之前有所不同一这一次真正有一些实用的应用落地并创造价值,比如人脸识别、语音识别和机器翻译,因此金准人工智能专家认为“人工智能冬天”不会再来。

尽管目前AI研究者对未来发展普遍乐观,但人工智能冬天究竟会不会再来仍尚无定论。

11AI将如何影响全球军事和政治?

AI在军事场景中被认为具有很多“用武之地”,其中包括自动化武器、战场检测与情报分析处理技术、辅助决策智能技术、自动化网络攻防技术等。实际上一些技术已经投入应用,比如旨在“加速国防部整合大数据与机器学习”的美国国防部Maven项目,在设立仅6个月后就已经在打击“伊斯兰国( ISIS)”的战争中得到了应用。

当然, 反对AI武器化的声音也一直存在,认为AI军备竞赛无益于人类福祉。金准人工智能专家认为,无论如何,讨论AI军事应用的利弊与有效的约束方式,具有极其重要的价值和意义。

政治方面, AI已经开始影响全球政治格局。比如数据分析已被用于竞选广告的精准投放和舆论引导。另一方面, AI也可能被用于辅助执政,甚至被直接用于制定政治决策。

实际上,已经有一些研究者在开始尝试AI政治家的实践了。2018年4月, 一个名为 Michihito Matsuda的 AI程序参加了日本东京多摩市的市长竞选 , 以4000得票数获得了第三名的成绩。另外还有一个名叫 SAM的 AI正在准备参加2020年的新西兰全民普选。

随着AI应用的曰益普及,传统的政治格局和政治参与方式必然会发生转变。

12、如何控制自动化武器的发展?

自动化武器现在已经成为了一个非常现实的问题,反对武器自动化的呼声也一直没有中断。

2015年,生命未来研究所( FLI)在IJCAI2015会议上发布了_份公开信,呼吁禁止开发超出人类有效控制的进攻性自动武器。截至目前,该公开信已经收集到了三万多个签名,其中包括4500多位AI或机器人专家,比如Stuart Russell、Yann LeCun、 Yoshua Bengio、 Richard S. Sutton等众多著名学者;另外斯蒂 芬 • 霍 金 、 诺 姆 • 乔 姆 斯 基 和 斯 蒂 夫•沃玆尼亚克等其他很多知名人士也在该公开信后留下了自己的名字。

联合国秘书长安东尼奥 • 古特雷斯也在今年三月的政府专家组关于致命自动化武器系统的会议上指出, 有能力和自由裁量权来夺走人类生命的机器“在政治上不可接受,在道德上令人厌恶,应该被国际法禁止。

尽管如此,禁用自动化武器的目标却并 不容易实现。为了实现军事优势,各国甚至会竞相开发自动武器,就像英国智库皇家国际事务研究所的《 AI与战争的未来》总结的那样:“在自动武器的发展是否应该被控制以及如何控制的复杂讨论中,空中和地面自动系统的商用市场的快速发展必须得到充分考虑。鉴于商用领域能够提供衍生技术或更好的技术,所以禁止自动技术的军事应用可能是不切实际的。

13AI将如何影响经济发展?

毫无疑问, AI必然会对全球经济带来巨大的影响,甚至导致天翻地覆的变革。

麦肯锡2018年9月的一份报告建模了AI对全球经济的影响,其给出了两个关键性结论:

AI有很大的潜力为全球经济活动做贡献;

AI可能加大国家、公司和工作者之间的差距。

普华永道2018年的报告《 AI的宏观经济影响》 则估计,按照基准增长趋势,全球 GDP将在2030年增长至114万亿美 元 , 而如果考虑到 AI的发展 , 全球GDP预 计 将 高 出 这 一 数 值 1 4 % , 即 AI有望为全球GDP带来额外1 5 . 7 万亿美元的增长。该报告还预测中国和北美的经济将从AI技术获益最多一2030年,AI的 贡 献 将 分 别 占 中 国 和 美 国 GDP的26.1%和14.5%。

随着AI所能完成的工作越来越多,创造的财富价值也越来越大,如何公平有效地分配这些财富也是值得政策制定者和经济学家思考的问题。在这样的可能出现的不劳而获的未来里,经济发展可能将需要一种前所未有的全新模式。

14AI将如何影响农业?

农业也被称为第一产业,是涉及到“食物”这一人类最基本需求的至关重要的行业。尽管农业生产很少出现在热点新闻中,但其重要性是不言而喻的。AI对农业的变革已经开始,比如腾讯AI Lab与 农 业 专 家 合 作 开 发 的 种 黄 瓜 AI能 显著降低黄瓜生产所需的资源和人力成本以及提高黄瓜产量。

随着农业自动化的发展, AI还将在农业发展中发挥更重要的作用。大致而言, A1在农业领域的应用场景可以涵盖从生产计划到终端销售整个流稈。在农业生产开始前,借助AI分析历史数据和当前趋势,生产者可以预测市场需求,进而规划具体的作物和种植规模,这样能避免产销脱节,造成经济损失和农产品浪费。在农业生产过程中,可根据热量、通风和二氧化碳水平等因素来优化种植策略,比如温室温度、种植密度、灌溉施肥;此外AI还能被用于操作农业自动化设备,实现无人生产。在农作物收获之后,计算机视觉技术可以高效地进行农产品售前品质检测和分类等工作;还可以用大数据分析市场行情,可帮助农产品电商运营,引导企业制定更灵活准确的销售策略。另外,通过AI遗传算法和多目标路径优化数学模型,可对物流配送路径进行智能优化,完善生鲜农产品供应链。

此外, AI也可用于改良作物品种,比如筛选和改良农作物基因,达到提升口味、增强抗虫性、增加产量的目的。

15AI将如何影响工业?

自动化技术已在工业生产中已有悠久的历史,从水车磨坊到汽车无人组装流水线。毫不夸张地说,大规模自动化工业生产正是现代文明的基础,我们的生活方式的基本保证。

AI还能将自动化生产更向前推进一步,它们可以自动检测生产环境、预测可能发生的故障、优化供应链和生产流程、通过分析市场需求动态调整产量、实现工业产品快速定制 最终实现工业生产 的 智 能 化 。这正是AI所要实现的目标。

在工业4.0时代,工业物联网将创造巨量需要分析的数据,同时生产者也需要对生产过程进行及时高效的响应。AI将在这样的流程发挥举足轻重的作用。比如在优化物流和供应链时, AI可以根据市场、路况、天气等信息进行动态调整。如果因为天气原因导致供货延迟,生产部门还可及时调整生产优先级,进而实现效率最大化。

16 AI将如何影响务业?

AI在变革农业和工业的同时自然也不会错过服务业,尤其是那些处理重复任务的工作,比如会计、客服、咨询。随着智能客服越来越善解人意,未来当我们拨打客服电话时,我们可能再也不需要呼叫人工服务了。

智能客服是最受人关注也最具市场潜力的AI应用领域之一,并且已被很多企业投入了实际应用,谷歌甚至已经推出了基 于 AI的 客 服 服 务 解 决 方 案 Contact Center Al0据 Gartner 预测,到 2020年,85%的客户交互都将由机器管理。

在金融领域,人们正在探索AI在智能理财、智能风险评估、智能理赔、自动算法交易、欺诈检测等诸多应用中的实践。

医疗服务也是AI应用的最前沿一通过监控分析人们的身体状况预测健康风险、 AI可以帮助影像科医生分析医疗影像、为医疗资源缺乏的地区提供辅助诊断、针对患者个案提供个性化医疗方案建议。此外, AI也已经被用在了新药开发中。

17AI是否会造成大规模失业?

这是现在大众和决策者最关注的AI相关问题之一,甚至可以说这个问题的最终答案将塑造人类文明未来很长一段时间的发展。

AI和机器人可能将在很多岗位上接替人类工作者, AI将在一定程度上影响各行各业,但并非每种工作面临的风险都相等。据普华永道预测,第一波自动化浪潮只会替代少量工作(约3% ),但到2030年代中叶,这一比例将增至30%。其中交通运输行业的工作岗位所面临的风险较大,而需要社交、情感和文艺能力的工作被替代的风险较小。

有些人相信AI确实会造成人类工作者的大规模失业,甚至也已经开始讨论“居民基本收入” 和“ AI价值分配制度” 等一些可能的解决方案。

当然也有人并不认为 AI会 造 成 显 著 的大规模失业,一个常见的论据是过去的技术变革在夺走了就业岗位的同时也会创造(甚至可能更多的)新岗位,比如汽 车虽然夺走了马车夫的工作,但也创造了 司 机 和 汽 车 修 理 工 的 工 作 。金准人工智能专家认为,人 AI合作才更可能是未来就业所趋之大势。2018 年的报告《 Reworking the Revolution》 就估计到 2020年,结合人力的 AI新应用将为全球就业带来 1 0 %的提升。

但我们也必须承认, AI与以往的变革性技术存在根本的不同。蒸汽机、电力、计算机更多的是在体力工作和繁琐重复的文件任务上替代人类,而AI则能够在更需要认知能力的任务上接替人类的工作,比如分析、理解和决策,完成这些任务在一定程度上似乎对人类“万物之灵”的地位发起了挑战。幸好,目前来看那样的未来还比较遥远。

18AI将如何改变未来的工作就业?

毫无疑问, AI必然会给未来的工作场景带来重大的影响。

首先,工作对技能的需求会发生巨大的变化。未来的工作者将需要不同领域的混合知识,比如农民也将需要理解大数据、手术医生需要会控制机器人、生物学家要学习电子工程 。随着 AI的发展成熟 , 工作者也需要具备快速的适应能力一能够很快地适应新的工作流程 、系统和工具。

积极的一面, AI有助于提升生产力和效率,让人类工作者可以将更多精力投入到更具价值的非重复性任务上,同时也能让他们拥有更多个人生活的时间。

AI对人类工作也有消极的一面,比如前一问提到的人类大规模失业风险。另外,如果AI在太多工作岗位上都具备了相对于人类的绝对优势,很多人可能就将陷入无事可做的困境,此时的人们可能将需要新的方式来追寻自己的人生意义。

19AI将如何改变城市?

人类文明正处于一场前所未有的城市化浪潮中。据联合国统计,2008年,城市居民人数首次在历史上超过农村居民。世界城市化进程预计将在许多发展中国家继续快速进行,至2050年世界人口的70%可能是城市居民。2007年至2050年期间,城市居民人数预计将增加 31亿,从33亿增至64亿,而世界人口将增加25亿。因此, AI对城市的影响将具有改变世界上绝大多数人的生活的潜力。

这至少涵盖以下几个方面:

交通运输。智能分析已经在交通运输领域得到了实际应用,比如使用路径规划技术为快递员规划最高效的送货路径。未来,随着自动驾驶技术的发展,无人驾驶载具(不仅限于汽车,还包括无人飞行器等载具)将在我们的日常出行及物品运送中扮演越来越重要的角色。

公共安全。智能图像和视频分析技术正在进入城市街道、商场和公园等公共区域,它们能以极高的效率分析各种场景,识别和预测违法犯罪。这不仅能让执法机关做到快速响应,而且还能让他们根据预测结果采取预防措施。另外,语音识别和步态分析等技术还能帮助安保人员快速识别行为可疑的人。

医疗保健。AI正在变革医疗保健领域,而且也已经在医疗数据分析、辅助诊断、 发现新药、个性化医疗等方面得到了初步的应用。另外,机器人技术也在这方面有重要的应用价值,比如可用于为残障人士和病患老人打造智能轮椅或机器外骨骼;机器人也能被医院用于陪护、搬运和清洁等任务。

教育。AI将在许多方面为教育方法带来变革。比如, AI可以通过分析历史数据来改进教育方法;同时,借助AI技术,教育还可以 根 据 学 习 者 的 个 人 偏 好 和 学 习 进 度实现个性化。另外,组合虚拟现实等技术,学习者还能在沉浸式的环境中习得新知识。

娱乐。人类的娱乐方式一直都在随着技术而转变。AI也将为我们创造新的娱乐方式和更新奇的体验。比如智能分析技术可以通过分析你的过往数据向你推荐音乐、电影或书籍,也能根据你的偏好为你生成个性化的虚拟现实场景。

20、自动驾驶技术将如何改变未来交通?

自动驾驶,又称无人驾驶,是指无需人类操作者,通过某种系统控制载具运动和航行的技术。根据自动化程度的不同,自动驾驶技术可分为不同的层级,而具体的分级方式却可能因定义它们的研究者或机构的不同而出现差异。比如美国交通运输部国家公路交通安全管理局( NHTSA) 2013年将自动驾驶系统(ADS)的自动化程度分为了 5级,而里际自动机工程师学会则在2016年给出了 一个 分 为 6 级 的 划分方式,其中Level 0〜Level 2是驾驶辅助能力 , 而 Level 3~Level 5是自动驾驶能力, 具体如下:

Level 0。无驾驶自动化。所有DDT (动态驾驶任务 , 即 用 于 在 道 路 交 通 中 操 作 _ 辆 汽 车的所有实时的操作和触动功能)的操作全由驾驶员完成。

Level 1。驾驶辅助。这种驾驶自动化系统的特点是 DDT的横向或纵向载具控制子任务 可以得到维持或特定于ODD (运行设计域)的执行。Level 1不包括同时执行这些子任务,也需要驾驶员执行DDT的其它任务。

Level 2。部分驾驶自动化。类似于Level 1,但特点是 DDT的横向和纵向载具运动控制子任务可以得到维持或特定于ODD的执行,需要驾驶员完成目标和事件检测与响应( OEDR)子任务并监督驾驶自动化系统。

Level 3。有条件驾驶自动化。所有DDT的子任务都可以得到维持或特定于ODD的执行,需 要 人 类 驾 驶 员 做 好 响 应 问 题 发 生 时ADS的干预请求的准备。

Level 4。高度驾驶自动化。所有DDT的子任务都可以得到维持或特定于ODD的执行,不预期用户响应干预请求。

Level 5。全驾驶自动化。所有DDT任务都可以得到维持和无条件的执行,不预期用户响应干预请求。注意这里的执行是无条件的,不限于ODD。

现在,自动驾驶汽车已经上路了。在美国和中国的多个城市,你都有机会看到正在公路上测试的自动驾驶汽车。但要实现真正的实际应用,自动驾驶汽车必须具备完全可靠的能力一至少要比人类驾 驶者可靠得多 毕竟没人愿意把自己的人身安全交到可能出问题的机器手里。

21AI将如何影响人与人之间的关系?

每一项变革性技术的诞生都势必影响人与人之间的关系,比如电话诞生以后,我们就再也不用“千里寄相思”了,电波就能将我们的思恋之情瞬间传递到千里之外。社交网络的诞生为普通公众提供了快捷发表自己意见的平台,对公共事务的探讨已经不再是意见领袖们的专利。

AI又将怎么样影响人与人之间的关系?是会让人与人之间更加亲密?还是加剧现有的人与人之间日益疏离的趋势?这些问题仍没有确定的答案,但一些实验结果或许能让我们稍微窥见些未来。

耶鲁大学的研究者曾通过人与机器人共存的实验得到了一些有趣的结果:勇于承认自己错误的机器人能帮助团队取得更好的表现、具有易出错的机器人的人机协作团队的表现优于机器人不出错的团队 。但同时他们也提到了一些可能存在的负面影响,比如如果人长期以对待物的态度对待机器人,那么他可能会逐渐用对待物的态度对待其他人;人对待机器人的粗鲁态度可能被孩童学会。

22AI将如何影响政府与公民之间的关系?

政府与公民的关系是自人类建立城邦以来一直备受关注的主题,古往今来的哲学家和政治学家已经为此贡献了很多心力,而AI又将为政府与公民的关系带来新的变数。

毫无疑问, AI可以提升政府的效率。据《经济学人》 称:“AI能在5到7年内为政府节省30%的劳动力时间。就像电子表格变革了财务部门一样, AI有望让例行的办公室工作更加高效。”但需警惕的是, AI同时也可能让公权力更为强大。

相应地,公民也能够借助AI更有效地监督政府,防止它们滥用权力。

23AI与人之间的关系将如何变化?

人常常自诩为“万物之灵”,这大概是因为我们认为自己拥有超出万物的智力,而 AI第一次为此带来了变数, 虽然离全面超越人类水平还很遥远,但它们已经在图像、语音和游戏领域的一些特定任务上超越了人类的表现。按照现在的发展趋势, AI技术还将继续进步,继续在更多任务上达到乃至超越人类的能力。看起来,人类的“万物之灵”地位似乎正遭遇挑战,在这个过程中,人与AI的关系也必然发生改变。

AI和机器人技术发展早期,它们还主要是作为人类的工具,目的是执行那些对人类过于繁琐的任务,比如组装汽车和主板。随着智能和自动化的提升, AI和机器人也开始在人类的日常生活中扮演更多样化的角色,比如索尼开发的机器狗AIM可以作为人类的宠 物 、 微 软开发的聊天机器人小冰能与人类打趣逗乐。进一步设想一下,如果一个机器人不管是外观还是行为都变得与人类无法区分,那人应该如何对待它?

24、 机器人能否成为人类的伴侣?

人类是群居动物,但不是每一个灵魂都能在他人那里得到陪伴和慰藉。甚至有些人似乎注定一生孤独。现在,配备了AI大脑的机器人有望给“孤独”这一千古难 题带来一些解决方案——它们正在变成人类的伴侣。这些机器人不仅能帮助照顾孤寡老人和患有自闭症的儿童,也能慰藉每一个孤独地生活在现代社会中的人。

机器人伴侣可分为多种类型,包括宠物机器人、 治愈型机器人、 性爱机器人、 生活辅助与陪伴机器人等。每种机器人都有各自不同的使用场景。

借助AI技术,机器人可以通过与人类用户互动来构建用户的个性化模型,从而具备用户最偏爱的性格,成为用户的最佳伴侣。

现在已经有一些公司和研究者正在向着这一目标迈进,并且也已经有一些产品问世 其中包括人形社交机器人 Pepper、 情感伴侣机器人Buddv、 宠物海豹治愈机器人PARO等。但总体而言,机器人伴侣还处于非常早期的发展阶段,它们往往还不能有效地处理我们日常生活所遇到的各种场景。

25AI能否成为公正的司法裁决者?

司法裁判的公正性始终是法律行业的一大难题,不仅因为法官的专业水平,而且因为司法腐败以及判决易受法官的个人观念、情绪、偏见等因素影响。法谚有云:“司法正义取决于法官早餐吃什么”。这表明法律之外的因素可能影响裁判的公正性。

因此,在一些简单、常规的案件中引入AI的辅助甚至由AI直接代替法官裁判,不仅能够消除法官个人主观观念等法律之外的因素对案件结果的影响,实现裁判的客观性,而且能够促进同案同判,真正实现法律面前人人平等。

当然, AI在消除法律之外因素对判决影响的同时,也可能带来新的风险,诸如算法歧视等。AI对于法律的理解、模型的设计以及所使用的数据都可能造成新的歧视。因此,未来的司法裁判不可能全然交给 AI, 即使在AI独立裁判的情况下 ,也必须存在人类监督 , 即 human- inthe-loop,来确保更加公平公正的司法裁判。

26AI将如何帮助人类认识自身的历史?

AI作为人类的造物,也将在帮助我们认识自身上发挥重要的作用,而认识自身的一个至关重要的方面是认识自身的历史。

一些考古学家和历史学家已经开始借助 AI的力量来发掘历史的真相了 。比如以色列理工学院和海法大学的一 组研究人员开发了一种可用于解决考古拼图问题的计算机视觉方法,能够帮助复原发掘出来的文物碎片。另外, AI也已被用于识别西夏文、 鉴定圣经起源、翻译失传的语言。

AI也可被用于分析历史的发展趋势 。2 0 1 7 年 , 一 组 研 究 者 使 用 AI分 析 了1800年至1950年这150年间的3500万 份 英 国 地 区 新 闻 报 道 中 的 2 8 6 亿 词汇,并在其中发现了一些之前并不显而易见的历史进程,比如技术被接纳的速度 正 在 不 算 加 快 一 “ 我 们可以看到电话和广播被公众接受的速度有多快。这个速度在不断加快。现在,人们接受Twitter或Facebook只需要一年。”AI甚至还被用于分析AI论文以预测该领域的发展趋势。

27AI如何帮助人类更健康地生活?

AI能 帮 助 我 们 实 现 更 健 康 的 生 活 方 式吗?这个问题的答案是肯定的,但它们将如何做到这一点?

首先在医疗领域, AI已经开始崭露头角,它们已被用于医疗影像处理和疾病筛查,也在辅助诊断、药物发现、疗法推荐等方面极具潜力。

智能分析技术也已被用于根据可穿戴设备等收集的身体指标数据预测健康风险,它们能做到一直不间断地实时监控, 同时还能为用户提供更健康的生活习惯建议。据世界卫生组织( WHO)统计,与个人健康和生活质量相关的因素中,有60%都与生活习惯有关。因此,相信这方面的研究进步和应用推广将有望极大提升人们的健康水平。

AI在基因组分析方面也极具潜力。分析结果可用于针对性地制定保健策略,也能提前预知由于遗传或突变引起的患病风险,从而让使用者能够提前做好准备以及采取预防措施。现在,在AI的帮助 下,可用于基因疾病诊断的全基因组测序不到24小时就能完成。这种快速诊断技术对于刚出生便带有奇怪病症的婴儿而言非常重要,能让他们及时尽快地得到合理的救治和干预。

另外, AI也在心理健康方面极具价值。据Our World in Data 的报告称,2017 年全球人口有13%都有心理健康方面的问题,而且这一数字还在继续增长。但是,尽管存在这么多需求,仍有超过一半的心理疾病患者没有得到治疗,其中很重要的一大原因是心理医生短缺。而据世界卫生组织的数据,全球平均每隔40秒就有一人自杀死亡,同时还有超过20人试图自杀。因此,为心理健康不佳的人提供实时有效的干预具有非常重要的意义。AI可以充当虚拟心理医生(比如南加州大学的研究者开发的EUie),能够全天候在线地提供服务,此外它还能为不同的用户训练不同的个性化模型,提供专属的心理健康服务。

28AI如何解决人口老龄化问题?

人口老龄化是现在很多国家都面临着的核心社会问题, 比如日本2018年的新生儿数量创下了百年来的新低。老龄化的社会在国家财政、社会活力和国家竞争力等方面都将面临严重的问题。

AI在缓解人口老龄化的影响方面存在许多极具价值的应用场景,比如机器人可以帮助照料行动不便的老人,也能帮助疏导老人的心理,保证老人的心理健康。AI还能帮助监控老人的身体状况,在问题出现之前就发出预警。

另外,随着人口老龄化,某些岗位可能会面临劳动力短缺的问题, AI也许能够接替一部分工作,在维持社会运转的同时创造更多价值。

29AI将如何帮助解决环境问题?

环境污染、气候异常、物种灭绝......地球正面临着严峻的环境问题,而AI可望为这一事关所有人类的问题带来解决方案。据英特尔和调研公司Concentrix联合发起的一项针对环境可持续发展领域决策者的调查:“74%的受访者认同AI将有助于解决长期存在的环境难题。”

环境问题通常涉及到科学家还不能完全理解的复杂过程,而且用于应对环境问题的资源也还很有限。借助于AI,我们可以基于收集到的数据来更好地建模环境中的复杂过程,同时机器学习和深度学习的预测能力也能帮助我们很好地预测未来的趋势,包括水资源变化趋势、环境适宜性和污染情况等。

事实上, AI技术已经在环境问题方面得到了初步的应用,比如WildTrack开发了一种足迹识别技术( FIT),能以非侵入的方式监控濒危物种;谷歌也已经将机器学习应用在了数据中心的冷却中,能在降低成本的同时减少能耗。

30AI会助力太空探索和旅行吗?

“地球是人类的摇篮,但人类不可能永远生活在摇篮中。”在迈向无垠宇宙的道路上, AI和机器人是我们的先遣队。

实际上, AI已经在太空探索中得到的重要的应用 , 比 如 Earth Observing- 1( EO- 1 )地 球 观 测 卫 星 搭 载 的 AI系统能帮助优化分析自然界中的突发事件(比如洪水或火山爆发)并作出快速响应。在某些情况下,这个AI甚至能在地面工作人员知晓的情况下自行开始拍摄影像。另外, 天空图像分类和分析工具( SKICAT)在第二次帕洛马巡天计划(Palomar Sky Survey)发挥了重要的作用一能够在低分辨率的图像中分类数以千计的目标。类似的AI系统也已经帮助天文学家分辨了 56种可能存在的引力透镜,为暗物质方面的研究做出了重要贡献。另外,来自普林斯顿大学的一组研究者使用了AI来模拟宇宙结构的形成过程,这能促进我们对自身所在的宇宙以及我们的形成过程的认识。

还不要忘记人类送往太空和其它星球的各种机器人,它们也开始具备AI大脑和越来越高的自主程度。比如好奇号( Curiosity)搭载了一个名为“为了收集更多科学知识的自动探索(AEGIS)”的软件,能 让 其 自 行 控 制 其 ChemCam( 化学相机),这个设备能够通过激光烧灼石头产生的气体来分析该石头的化学成分。每当好奇号到达一个新位 置 时 , AEGIS都可以使用机载相机自动扫描周围环境,然 后 决 定 要 使 用 ChemCam调查的石块和调查顺序。


金准产业研究 国产CPU发展前景研究报告 2019-11-11 16:19:38

前言

CPU(中央处理器)是计算机系统的核心和大脑,也是国家大宗战略物资,系统复杂研发难度高。我国CPU研发起步较早,但发展较为坎坷,步入正轨是在“十二五”之后。在国家集成电路产业政策和大基金投资等多重措施支持下,一大批国产CPU设计单位成长起来,产品覆盖了高性能计算、桌面、移动和嵌入式等主要应用场景。

一、国产CPU发展现状

1.1国产 CPU 研发起步较早但发展历经坎坷,十二五开始逐步踏上正轨

CPU是计算机的大脑和心脏,是国家大宗战略产品,也是一个巨复杂系统。计算机主要由三部分构成:CPU、内存、外部设备。CPU负责指挥外部设备和内存进行协同的工作,处在指挥和控制地位。CPU也是国家大宗战略产品,尤其是进入信息化、智能化时代,应用面广,支撑作用强,是国家战略安全、产业安全的重要保障。CPU还是一个巨复杂系统,它同其他芯片器件不同,CPU不但强调逻辑控制,还需要有强劲的性能,技术实现难度非常之高,全球能够独立研发高性能CPU的国家非常少。

计算机结构简图

我国处理器研发起步相对较早,但发展历程比较坎坷。上世纪六十年代,计算机系统就是一个大型的中央处理器,体积大,速度慢。那时我国的计算机系统都是自主设计,与国际水平差距不大,标志性产品包括1965年6月研制的晶体管109机、1968年研制的小规模集成电路106机。70年代以后,大规模集成电路尤其是超大规模集成电路在美国快速发展起来,以英特尔4004为标志,真正意义上的微处理器面世,CPU正式进入商用时代,此后按照摩尔定律持续快速演进。

相反受限于国内经济条件、国际技术封锁等原因,我国虽然研制出了基于大规模集成电路的第三代计算机系统——专用77型微机,但丧失了第四代计算机系统(基于超大规模集成电路)的研发机会。从“七五”开始,一直到“九五”,国家对国产CPU的支持力度明显下降,主要科研支持计划都未将其列入。直接导致了CPU设计能力基本丧失。

但是,随着国内信息化的加速以及电子信息制造业的快速发展,“缺芯”的问题受到国家高度重视。“十五”期间科技部信息产业部启动了发展国产CPU的“泰山计划”。为国产CPU的发展点燃了“星星之火”。

除了“泰山计划”外,科技部也在通过“863计划”对国产CPU进行支持。从“十一五”开始,国家通过核高基重大科技专项对国产CPU重点企业进行了扶持。“十二五”以来,国家通过集成电路产业优惠政策、产业基金等措施扶持国产CPU产业,国内培育出了一批国产CPU设计单位和研究机构,发展走向正轨。

1.2部分国产 CPU 厂商具备完全自主发展能力,但多数仍依托国际合作

国产 CPU 技术格局:少数具备自主指令集架构设计能力,多数依靠国际成熟架构授权。

CPU发展到今天,其内部架构和逻辑关系已经变得错综复杂,设计企业如果从头开始进入,成功难度很大。国内有部分完全自主架构,如北大众志完全自主开发的指令集产品UniCore,苏州国芯、杭州中天、浙江大学共同设计的国产嵌入式CPU——C-Core等。但是我们也看到,虽然这些产品在指令集架构上,实现了完全的自主,安全性最高,但是缺点也十分明显,包括缺乏操作系统等基础软硬件支持、开发工具少(编译器、调试器等)、应用程序开发困难、移植难度大等,所以一直以来在产业化上受到较大制约。目前,活跃在市场上的国产CPU绝大多数都是采用同国外合作的方式,主要途径包括购买指令集授权、技术合作等。

提到指令集架构,则要从计算机的发展史开始说起。早期的计算机系统,软件的编写都是直接面向硬件系统的,即使是同一厂商的不同计算机产品,他们的软件和硬件都是不能通用的,软件和硬件紧紧耦合在一起,不可分离。后来,IBM为了使自己的一系列计算机能够使用相同的软件,免去重复编写的痛苦,于是在它的计算机系统中引入指令集架构(ISA,Instruction Set Architecture)的概念,将软件编程所需要的硬件信息抽象出来,形成一个抽象的机器架构,编程人员在这个抽象机器上进行编程,进而实现了与硬件的解耦。至此,处理器则从原来与系统不能分离,演变成为指令集架构、微结构、底层的物理实现三层结构,并一直延续到现在。指令集架构中,最为基础的就是指令集,它是用来引导CPU进行加减运算和控制计算机操作系统的一系列指令集合。

处理器结构演变过程

目前,全球CPU指令集架构有两类——复杂指令集(X86)和精简指令集(以ARM、MIPS、POWER等为代表)。其中,复杂指令集(CISC)通过增加可实现复杂功能的指令和多种灵活的编址方式,来提高程序的运行速度。但直接后果就是需要对不等长的指令进行分割处理,造成一些不必要的等待,效率较低,对硬件集成度、工艺、功耗均非常高。

相反,精简指令集(RISC)采用的等长的指令,可以将一条指令分割成若干个进程或者线程,交给不同的处理器并行处理,效率高,硬件集成度要求不高,工艺简单而且成本低。英特尔在早期研发CPU时,精简指令集还未出现,而在精简指令集出现之后,英特尔也看到了精简指令集存在的明显优势,但为了实现后向兼容,也不得不一条路走到黑,继续推动X86复杂指令集的发展。

这两类架构竞争十分激烈。上世纪90年代,复杂指令集和精简指令集阵营展开了激烈厮杀。复杂指令集一方,英特尔凭借着与微软的事实上的结盟(Wintel体系),同时也在新的微内核中融合了一些精简指令集的技术优势,在中低档服务器、PC、笔记本等主流领域占据了绝大多数份额;精简指令集一方,虽然指令集本身有优势,但是群龙无首且各自为战,最终被Wintel体系打败,且挤压到嵌入式市场,后来在智能手机兴起之后才觅得新的市场空间。尤其是ARM,通过与Android的合作,在智能手机处理器市场占据了绝大多数份额。在ARM的64位产品(ARMV8)推出之后,其市场也不再局限于嵌入式和移动领域,高性能计算、服务器和桌面也都成为其重要方向。

2018年全球服务器CPU市场份额

2019年10月全球X86桌面CPU市场份额

复杂指令集和精简指令集架构在国内均有授权或者技术合作。X86授权的有兆芯、海光,兆芯是通过威盛获得的X86授权,海光则是中科曙光和AMD合作的产物。精简指令集授权的有龙芯(MIPS)、飞腾(兼容ARMV8架构)、申威(Alpha)、海思(ARM)等。可以看到,ARM架构在国内市场上的影响力较大。

复杂指令集与精简指令集对比

全球主要CPU架构及授权情况

目前,CPU授权主流的方式有三种:架构授权、软核授权和硬核授权,金准产业研究团队认为,对于使用授权的企业来说,CPU的完成度依次上升,设计难度依次下降,但自主程度也在降低。

1)架构授权。该级别授权允许被授权方研发芯片,兼容授权方发展出来的指令集架构,主要好处在于可以分享授权方建立起来的软件生态红利。但由于架构只是处理器的抽象描述、设计理念,类似于大楼的渲染图,对被授权方的研发能力要求非常高,设计中出现任何错误,都将造成投资失败。目前国内购买架构授权的企业均是芯片研发能力领先的企业。如天津飞腾、龙芯和申威等,被授权方拿到的都是标准文档(包含指令的定义,通用寄存器的数量等),而大量的寄存器传输级模型和布线都需要设计,对自主设计要求非常高,也正是因为如此,上述企业也被认为是当前自主可控程度最高的设计厂商。

2)软核授权。软核通常是用HDL文本形式提交给用户,它经过RTL级设计优化和功能验证,但其中不含有任何具体的物理信息。据此,用户可以综合出正确的门电路级设计网表,并可以进行后续的结构设计,具有很大的灵活性,借助于EDA综合工具可以很容易地与其他外部逻辑电路合成一体,根据各种不同半导体工艺,设计成具有不同性能的器件,设计难度和自由度低于架构授权。

3)硬核授权。硬核是基于半导体工艺的物理设计,已有固定的拓扑布局和具体工艺,并已经过工艺验证,具有可保证的性能。其提供给用户的形式是电路物理结构掩模版图和全套工艺文件,是可以拿来就用的全套技术,用户拿到授权之后就可以生产。硬核的设计和工艺已经完成而不能更改,授权厂商对其实行全权控制,对知识产权的保护相对简单。因此,采用此类授权模式的厂商,自主可控能力最弱,但商业化成功的可能性最高。

以处理器授权公司ARM为例,该公司的IP也是大体按照上述的三种模式进行授权的,但也发展出一些更为具体的授权类别。比如学术授权,是免费面向高校和科研机构的;Design Start,是为了方便半导体企业低成本、低风险、快速了解ARMIP的一种授权模式;这两种模式下设计出来的芯片不能销售,只能用于内部研究。

另外,它还设计出了多用途授权、单用途授权。多用途授权模式还细分为普通多用途授权和终身多用途授权,以时间为授权效力划分,均较为昂贵,相对来说比较适合大型企业。而单用途授权以用途划分授权效力范围,这种授权模式之下,需要交一笔前期授权费,此后按照每颗芯片收取约2%的版税,这种授权相对来说比较适合创业公司,或者目标明确的特定设计项目。

典型的授权结构

1.3国产 CPU 正实现从无到有可用到好用的转变,生态短板逐步补齐

国产 CPU 在高性能计算、桌面、移动及嵌入式领域均实现较快发展,且差距扩大趋势在逆转。

从拿到授权到设计出产品,需要大量的资金、人员投入,以及国家产业政策的持续支持。在2006年启动的核高基专项,以及后续大基金持续支持下,政府和企业均在发力,无论是大CPU(高性能计算、服务器)、还是中CPU(桌面级)以及小CPU(移动和嵌入式)都取得了较大进展,已有的产品通过不断的优化升级,实现了从“可用”到“好用”,一些量大面广的领域,也实现了“零”的突破。从整体上看,国产CPU芯片同国际差距扩大的态势逐步在逆转。

高性能计算方面,国内天津飞腾、海光、申威等处理器产品已经在E级(每秒百亿亿次)超算原型机上得到应用,申威的处理器、加速器均实现了完全国产化。服务器芯片方面,飞腾、龙芯、海光、华为海思均有新品发布,其中飞腾2000+/64核产品性能已经与英特尔主流E5部分产品性能相当。海光由于采用的是AMD的Zen架构授权,该芯片除了性价比优势较为明显之外,还具备同X86生态的良好兼容性。华为海思在2019年1月份推出鲲鹏920处理器,兼容ARMV8架构,64核,7nm工艺,主频达到2.6GHz,在中档服务器CPU市场上具备较强的竞争力。

桌面处理器方面,飞腾、龙芯、兆芯等均有产品推出,且近年来产品性能提升明显。飞腾传统的桌面产品是FT1500/4A产品,工作主频在1.5GHz-2.0GHz之间,最大功耗15W,主频相当于奔腾4的早期产品,但同主流酷睿处理器差距较大,民用市场竞争力相对较弱。2019年9月,公司推出了FT2000+/4A桌面处理器产品,工作主频为2.6GHz-3.0GHz,16nm工艺,主频指标已经与英特尔酷睿i5部分产品的性能相当,明显好于国内其他桌面产品。该芯片能耗10W,显著低于英特尔同类产品35W-45W的能耗水平。此外,龙芯推出的3A/3B3000产品,商业级产品主频在1.5GHz左右,相较前一代产品,主频提升近50%,改善明显。

国内移动CPU设计能力快速成长,已经处于全球领先地位。相比传统的PC和服务器市场,我国移动芯片同国际差距已并不明显,华为海思和台湾联发科在移动处理器设计领域都处在全球领先地位。2019年9月,华为海思发布麒麟990和麒麟9905G产品,这两款芯片使用台积电二代的7nm工艺制造,整体性能较前一代产品——麒麟980提升10%左右。从公开的跑分数据来看,麒麟990多线程跑分均高于高通最新推出的骁龙855和骁龙855+,单线程高于骁龙855,略低于骁龙855+。

飞腾最新桌面芯片与英特尔处理器对比

主流移动芯片GB5跑分数据对比

处理器产品除了自身技术因素外,更多依托的是生态。所谓生态,就是产业链条上的企业形成的一种紧密的分工协作关系,类似于准同盟。生态的作用在CPU市场上表现的十分突出。在传统PC市场上,英特尔和微软构成的“Wintel”体系一直牢不可破,英特尔引领着CPU的发展并领导着一批PC硬件和制造企业为其适配,而微软及合作伙伴在操作系统和应用软件方面同X86芯片进行紧密协作。一般而言,微软新操作系统的发布之后,会拉动一波新的PC更换,进而带动新CPU的需求,循环往复,微软和英特尔等软硬件厂商都在其中受益。在移动市场上同样存在类似的生态,ARM和Android的组合(业内称AA体系或者ARM-Android体系)同样具备强大的影响力。ARM占据了全球95%的移动芯片授权市场,而Android在移动操作系统市场上的份额也高达85%。而在中低档服务器市场上,基本上是X86的天下,ARM正在以挑战者的角色进入。

在典型的CPU生态结构中,一般需要一个或者两个核心企业,引领整个行业发展。但是在国内,各处理器设计企业在指令集选择上,山头林立,各自为战,但都没能做大,对生态的领导能力较弱。而一般的软件企业只会对一两种微结构进行编译,如果一种指令集在市场生态上处于弱势,软件企业就不愿意选择该指令集进行优化,这种指令集也很难获得市场成功。恰恰在国内市场上,处理器采用的指令集可谓是五花八门,但市场销售量都不大,每款产品出货量很低,这就给操作系统、中间件、数据库以及应用软件企业造成非常大的困扰,无所适从,操作系统、软件企业与处理器芯片适配积极性不是很高,因此很多还是在依托国家研发专项在推动,还没能形成内生的配套机制。

Wintel体系生态构

ARM-Android生态系统构成

但近两年来,国内企业也在通过各种途径建设生态,已经取得了一定的效果。

一方面,芯片和操作系统厂商联合打造的生态“雏形”已经显现。参考Wintel和ARM-Android模式,电子信息央企——中国电子开始加强对“PK体系”的建设,目前该体系已经推进到2.0版本。P、K分别是天津飞腾(Phytium)和银河麒麟(Kylin)的英文名称首字母,银河麒麟是我国重要的自主操作系统研发厂商,长期与飞腾芯片进行优化适配。除了软件适配的整合,硬件方面的领导力建设也在加强,2019年中国电子对旗下业务进行重大调整,旗下整机厂商中国长城收购天津飞腾,整机业务全面转向PK体系,国产CPU缺乏硬件支持的短板正在补齐。同时,处理器和操作系统厂商也在加强开源社区、认证培训、支持学术研究等方式引导相关软件开发、应用推广。

另一方面,国家也在加快推动基于国产CPU的整机品牌在党政军、重点行业的应用,通过应用带动生态建设。目前,相关项目推动顺利,服务器、笔记本、台式机、移动及嵌入式终端、外设企业多数都在参与国产CPU的适配工作,基于国产CPU的操作系统、通用软件及应用软件的开发推广工作都在有序进行,国产化软硬件平台体系建设逐步完善。

从目前生态建设效果来看,链条越短的领域,生态建设的越完善。金准产业研究团队认为,在整个计算机产业链中,高新性能计算和服务器是产业链最短的,涉及的软件应用最少,正因为如此,国内整机、外设企业分布较为密集,每家国产CPU设计企业周围都有大量的厂商集聚。相反,台式机和笔记本市场由于对通用、应用软件要求较高,目前的整机种类相对少一些,但是主流的整机制造厂还均有产品推出。

国产CPU配套软硬件厂商

二、国产 CPU 发展机遇及前景展望

2.1国际形势倒逼国内CPU加快自主可控步伐

我国CPU市场规模和潜力非常大,庞大的整机制造能力意味着巨量的CPU采购。据国家统计局数据统计,2018年国内智能手机产量高达13.69亿台,计算机整机产量也达到3.2亿台。虽然近些年,计算机整机和智能手机产量增长都出现瓶颈,由于这两类产品体量庞大,CPU的需求量大且单品价值非常高,市场规模依然非常可观。同时,服务器CPU伴随着整机出货的快速成长,需求量增长也较为迅速。

IDC数据显示,2018年国内服务器出货量达到330.4万台,同比增长26%,其中互联网、电信、金融和服务业等行业的出货量增速也均超过20%。另外,国内在物联网、车联网、人工智能等新兴计算领域,对CPU也存在海量的需求。

国内CPU绝大多数都是进口或者采购国外企业在华产品。移动CPU除了华为能够通过海思自给之外,其余都需要从国外或台资企业(如高通、联发科等)采购;桌面CPU则更是严重依赖X86架构,台式机、笔记本CPU主要为英特尔、AMD占领;服务器市场则主要为英特尔垄断。2019年前7个月,我国芯片累计进口额为1645.71亿美元,继续超过原油居国内进口产品首位。其中,处理器及控制器芯片(主要为CPU)进口额749.71亿美元,占到芯片进口额的46%。

2016-2018年我国智能手机产量及增速

2014-2018年我国电子计算机整机产量及增速

2019年1-7月我国集成电路进口额结构

2019年1-7月我国处理器进口额来源地排序

美国企业(英特尔、AMD、高通等)是我国CPU产品的主要供应商,其中直接从美国本土进口的CPU芯片体量也比较大。金准产业研究团队统计,2019年前7个月,我国累计从美国进口处理器64.87亿元,占到我国从美国芯片进口额的84%,占比非常之高。对美国处理器的过度依赖,成为我国信息产业发展的一大软肋,在当前贸易战持续的大背景下,影响已经十分明显。

特朗普政府上台之后,美国对我国超算、服务器、智能手机、通信系统设备等整机制造核心企业的制裁持续在升级,CPU的供应也成为问题。2018年以来,中兴、华为、中科曙光、江南计算所等企业都已经被美国列入限制性清单,最近海康、大华、科大讯飞等人工智能企业也被美国实施禁运,这些企业的生产经营受到不同程度的影响。

更为严峻的是,全球核心技术和关键产品武器化趋势明显。除美国外,重点材料、元器件供应国——日本和韩国,也开始将关键产品禁运作为政治筹码,相互倾轧,断供问题至今尚未完全解决,曾经国内甚嚣尘上的可以完全依靠“国际供应链”的神话被彻底打破。我国作为电子信息终端制造大国,一旦其他国家在CPU这种关键器件上卡脖子,我国却缺乏有效的应对和准备,将会对整个电子信息行业甚至是国民经济社会发展产生极具破坏性的影响。

2019年1-7月我国从美国的芯片进口额结构

近年来中美电子信息领域摩擦情况

采用国外的CPU产品,国内用户对其内部逻辑、软件代码缺乏控制,存在逻辑炸弹、软件后门等安全性问题。同时,在一些关键基础设施、武器装备等领域,由于使用周期非常长,相当长时间内可能都不需要对信息系统(包括CPU等元器件)进行升级换代,这和消费级产品存在着根本性的差异,其对供应链安全的要求远远大于性能要求。如果采用国外的CPU产品,一般会按照摩尔定律快速演进,国内相关基础设施、武器系统所采用的工艺或技术相对落后的元器件,就非常可能遭遇生产线关闭的情况,对于一些系统级装备,都需要进行重新设计,增加不必要的成本。

相反,如果是采用国内供应商,涉及到武器和关键基础设施的零部件,企业会保留相关产能和售后服务团队。另外,CPU作为基础性、先导性的产品,是信息产业重要的发展方向,需要大量的创新要素包括人力、财力、产业政策等方面的投入,大量采购进口芯片,抑制了国产CPU产品的生态培育和成长。

也正是如此,党中央、国务院以及地方政府对该领域的支持力度逐步加大,政策日趋完善,为产业后续实现跨越式发展创造了良好的外部环境。尤其是未来中美在科技领域竞争加剧的大背景下,国内对国产CPU的支持力度还会保持在高强度。(1)对CPU相关的元硬件研发引导、资金支持以及财税优惠政策有所倾斜;(2)支持企业通过兼并重组、国际合作等方式做大做强,提高国产化替代能力;(3)加强应用端扶持,推动国产化采购工作,将基于国产芯片的整机产品列入政府采购清单,鼓励软件、周边设备对国产CPU进行优化和适配;(4)加强人才培养,2019年10月工信部发布消息称,将与教育部合作加强集成电路人才队伍建设,将集成电路设置为一级学科,这将引导更多的高校、科研院所教师参与到集成电路研究当中,相应的研究生和本科生集成电路人才培养也会起来。

近年来我国CPU相关政策

2.2国产CPU自主可控潜力巨大

国内仍将长期是全球最大的CPU消费市场。从主要下游行业来看:首先,智能手机将面临着大量的换机需求,针对5G场景和应用的CPU处理器也将得到较快推广。目前,国内5G手机已经进入预热状态,金准产业研究团队预计到2020年年底,国内5G手机有望进入实质性增长阶段。

据中国信通院数据显示,2019年10月份,国内市场5G手机销量达到78.7万部。2019年国庆之前,三大运营商也启动了5G套餐的预约,10天内预约量就超过1000万人。其次,PC虽然未来相对疲软,但用户基数非常庞大;服务器芯片市场将继续在云计算、企业数字化转型中受益,尤其是在国内市场上,云计算市场规模增速未来几年将持续保持在30%以上。

最后,工业控制领域的嵌入式CPU需求广阔,我国作为制造业大国,目前正在向制造强国转型,智能化改造是重要方向,CPU作为智能化的核心部件,将广泛应用于工控系统当中。

CPU市场主要分为三类:党政军及重点行业、企业以及消费级市场,需求特点各异。党政军及重点行业市场,市场化程度相对较低,对安全性和定制化的要求远高于消费级市场,同时对生态的要求相对较低,这同国产CPU当前的发展现状非常契合,因此这一板块一直是国产CPU的传统和核心市场;企业级市场主要是高性能计算和嵌入式CPU,这个领域对生态的要求,高于党政军但弱于消费级市场,这个板块是国产CPU未来重要的增量市场;消费级市场则是国产CPU长期要突破的目标,尤其是桌面CPU性能、生态等方面还有巨大的差距,还需要重点弥补。

其中,党政军及重点行业是国产CPU确定性最强的领域。在当前贸易战的大背景下,国内关键IT基础设施、涉密、电子公文等领域正在推动自主可控试点,基于国产CPU的信息产品已经得到应用,除了中央机关已经明确大规模采购之外,地方政府部门也将开始相关国产化替代工作;对信息安全、供应链安全高度敏感的军队,一直是国产CPU的传统市场,将来伴随着国防信息化的加速,服务器、PC、嵌入式和移动CPU需求量均将增加;金融、电信、能源等重点行业领域也在加大基于国产CPU的服务器产品采购,未来使用范围将逐步从非生产领域进入核心领域,目前飞腾、兆芯、海光等产品在金融、电力等市场都有公开的应用案例。

2.3 AI、开源架构带来弯道超车机会

传统CPU技术差距虽然巨大,但依然存在追赶上的可能。

首先,国内关于CPU的知识储备趋于完善。主要设计企业无论是通过自研还是国际合作,都已经在架构方面积累了较为丰富的经验,包括架构的升级、内核的设计等,已形成了较多的参考案例,有望在现有平台上实现跃升。

其次,国内技术人才的积累也在日趋丰富。随着国内芯片设计市场的不断扩大,已经在行业内沉淀了一批技术人才,龙头设计企业如飞腾、龙芯、申威、海思等都具备了稳定的核心设计团队。值得注意的是,教育部和科技部已经将集成电路列为一级学科,未来高校细分专业设置的空间将更大,相关人才的培养也将加速。

最后,CPU进入后摩尔定律时期升级速度趋缓,国产CPU离天花板较远,缩小差距存在可能。目前,英特尔的最新工艺水平已经到了14nm,后续再提升难度非常大,性能提升速度将显著趋缓,尤其是英特尔在10nm上存在不小的障碍,新品迟迟未能推出。即使是工艺已经升级到7nm的台积电,后续离硅加工极限(3nm)已非常接近,空间非常小。而国内企业制程和性能水平相对较低,所处的阶段反而更会像英特尔发展的早期,如果能够保证持续的研发投入,我们认为在传统通用CPU可以实现按照摩尔定律进行追赶,进而缩小差距。

英特尔桌面CPU加工工艺升级进展

金准产业研究团队认为,随着人工智能、5G、边缘计算、区块链等技术的发展和成熟,将对传统计算需求形成巨大挑战,并创造出新的计算技术需求,国内CPU企业如能在此期间不断拓展产品谱系,将大有可为。同时,除了X86和国内广泛使用的ARM架构之外,开源架构未来也将成为重要选择,中小企业也可以利用其免费特点,摆脱Wintel和ARM-Android体系的历史包袱,实现换道超车。

目前,国际上主要的开源架构为RISC-V、Open-RISC、SPARC等,其中RISC-V架构正在受到市场的认可,该架构篇幅简洁,指令集模块化、指令集数量少,不但能够实现向后兼容,还解决了类似X86、ARM架构在升级过程中出现的问题,没有历史包袱。对于RISC-V生态,目前国内企业如阿里,已经有所行动,全资收购的中天微已经发布RISC-V第三代指令系统架构处理器CK902,平头哥也在2019年发布了全球性能最强的RISC-V的MCU产品,具备发展CPU的潜力。另外,华为之前也表示,对RISC-V开发很有兴趣,公司也是这个基金会的成员。

RISC-V与X86、ARM指令集比较

开源架构RISC-V生态

结语

金准产业研究团队认为,CPU被称为“工业粮草”,是国家电子信息技术水平的体现。虽然中国信息产业近些年一直飞速发展,但一直没有走出“缺芯”的局面。十几年来,芯片进口远超石油成为中国最大宗进口产品,特别是其中市场化程度最高的CPU,基本依靠全进口。但是,在政府的大力支持、国际供应链断裂和信息安全风险加剧的大背景下,国产CPU在经历了许多坎坷后,逐步实现了“从无到有”、“可用到好用”的转变,“造不如买”的国际产业链逻辑已被打破。但是,虽然有国家政策的全力支持,但芯片行业更需要市场的磨砺与洗礼,经过市场的充分竞争与淘汰,希望能很快看到一批走出国门,屹立世界的国产CPU企业。


金准产业研究 军用机器人行业深度报告 2019-11-08 16:40:57

前言

本篇报告对机器人行业及龙头上市公司进行分析,对比日本、美国、德国机器人行业技术路线、发展路径、下游市场分布,对国内机器人行业发展方向和空间进行预测,挖掘中国股市的tenbager。

一、发展历史:第三代智能机器人

为了军事目的而研制出来的自动机器人。军事机器人(military robot)是一种用于完成以往由人员承担军事任务的自主式、半主式或人工遥控的机械电子装置。它是以完成预定的战术或战略任务为目标,以智能化信息处理技术和通信技术为核心的智能化武器装备,为了军事目的而研制出来的自动机器人。

军事机器人相比起传统的军人有着以下优点:全方位、全天候的作战能力。军事机器人可以在毒气、冲击波、热辐射等袭击等极为恶劣的环境下继续工作,而人类有着明显承受上限。强的战场生存能力。军事机器人不会感觉到疼痛,具有很强的战场生存能力。服从命令听从指挥。军事机器人没有人类所特有的恐惧等心理,可以严格地服从命令听从指挥,有利于战事分局和对武力掌控。按照使用环境和军事用途来分类,军事机器人大分类:地面军用机器人、空中机器人、水下机器人和空间机器人。

 

发展历史:三代演进。军事机器人从60年代开始研制,至今已经有了三代的演进。第一代的机器人是“遥控操作器”,第二代机器人是按事先编好的程序,自动重复完成某种操作,第三代机器人是智能机器人,它能利用各种传感器获取环境信息,然后利用智能技术进行识别、理解、推理并最后做出规划决策,是一种能通过自主行动实现预定目标的高级机器人。目前世界各国军用机器人已达上百种之多,主要应用于侦察、排雷、防化、进攻、防御以及保障等各个领域。无人化、机器人兵器是高技术领域中多学科交叉的技术结晶,包括微电子、光电子、纳米、微机电、计算机、新材料、新动力及航天等高新技术,集中了当今科学技术的许多尖端成果。在未来战争中,自动机器人士兵以后可能会成为对敌作战的军事行动的绝对主力。

 

二、军用机器人发展强国:美德英法意以日韩

军用机器人的研制涉及到国家军事安全,属于军用设备的高端产品。军用机器人强国包括美德英法意以日韩,这些国家不仅在技术处于研究的先列,其产品已经在军事上有了实际运用。

美国目前在军用机器人技术上,无论是在基础技术、系统开发、生产配套方面,还是在技术转化和实战应用经验上都处于绝对领先地位。美国军用机器人开发与应用涵盖陆、海、空、天等各兵种,是世界唯一具有综合开发、试验和实战应用能力的国家。美军已经装配了超过7500架无人机和15000个地面机器人,美国国会曾批准2015年美军作战平台中无人作战系统的比例达三分之一的方案。美国在2007年12月18日发布了《无人(驾驶)系统路线图》(Unmanned Systems Road map,包括无人机系统、无人地面系统、无人水下系统。该路线图提供了全方位国防对无人系统及其相关技术的愿景。美国国防部现正在研制智能机器人的集成作战系统(FCS)的计划用于提升海陆空军事系统实力,包括四大类机器人:用于监视、勘察导弹的无人驾驶飞行器(UAV);用于深入士兵无法进入的危险领域获取信息的小型无人地面车辆(UGV);在战斗中负责补充作战物资的多功能后勤保障机器人(MULE);还有运输功能强大的武装平台和运输复杂的侦查设备的武装机器人战车(ARV)。

德国的智能地面无人作战平台的研究和应用方面在世界上处于公认的领先地位。二战中德国研制的数千辆遥控无人自爆式坦克是无人战车的最早雏形,着重研究装备方面的自主系统和图像分析系统,在20世纪80年代中期就提出了要向高级的、带感知的智能型机器人转移的目标。德国的智能机动无人系统计划(PRIMUS)是德国的重要的地面无人车辆项目,以数字化“鼬鼠Ⅱ”装甲车为试验平台,目标是开发通用的功能模块,以便根据不同的任务选择相应的基本功能模块组成各种优化系统。其次,德国在欧洲各国的反水雷战方面处于领先地位,德国的STN、HDW等公司研制用于反潜战的水下无人航行体TCM/TAU2000鱼雷对抗系统是为海军服务的,保护海上交通线及在恶劣的浅水环境中港口的畅通,在较深的海岸水域中,保护航母作战群和其他高价值的部队,准备直到拍岸浪区的两栖攻击。德国海军还有总经费为2.5亿美元的专业反水雷舰队的改造计MJ334,把扫雷舰改造成为猎雷舰尽量减少、消除水雷对人员及装备的威胁。

英国开展地面无人作战平台研制的时间较长,早在上世纪60年代末英国Hall Automation公司研制出自己的机器人RAMP。英国地面军用机器人的研究方针是:由遥控机器人走向自主机器人,包括“地雷探测、标识和处理计划”(MINDER)、“小猎犬”战斗工程牵引车(CET)和可突破壕沟、雷区等多种障碍物的未来工程坦克(FET)。而英国履带式手推车及超级手推车排爆机器人已经装备在50多个国家的军警机构。

法国是欧洲研制地面机器人的主要国家之一,不仅在地面无人作战平台拥有量上居于世界前列,在地面无人作战平台应用水平和应用范围上处于世界先进水平,计划在数年时间内研制大量警戒机器人和空军基地低空防御机器人。代表军用机器人有自主式快速运动侦察演示车(DARDS)和目标压制的无人目标捕获系统(SYRANO)。

意大利在后期也加入军用机器人的研制行列,和法国和西班牙联合开发移动式机器人“AMR”,包括野外快速巡逻机器人,运送其他机器和进行监测工作和可以在复杂堆积物地方爬行的机器人,遥控或者自主控制。

以色列也是自主研制的无人军用机器人很早的国家,其中包括用于安全任务的自主导航机器人车辆和用于支持步兵城市作战的手携式机器人等。以色列“守护者”(Guardium)军民两用全自动安全系统,可连续地对机场、港口、军事基地、重要管线以及其他有全日安全监视需求的设施执行巡逻任务。

日本是高精技术的强国,日本政府给予了财政支持自卫队的机器人野战应用可行性研究,开发探雷及排雷机器人。日本的UUV技术用于地震预报、海洋开发如水下采矿、海底石油和天然气的开发。日本的灭雷具的ROV技术国际领先,其耗资6千万美元KaikoROV可以下潜到世界上最深的海底。

韩国是亚洲机器人技术研制的强国,三星集团研发的SGR-1哨兵机器人被韩国政府部署在三八线附近。SGR-1个头与3岁孩子相当,体重17公斤,装备多种探测装备,昼夜不停地站岗,能够发现几公里外的隐秘威胁,在侦测到闯入者时会发出警报,后方的机器人管理员将通过机器人盘问闯入者,并决定是否用该机器人的5.5毫米口径机枪将其射杀。韩国联合参谋本部作战处上校崔谨孝曾经说过机器人可以使韩国军队的战斗力增强2-4倍。

三、美国主要军用机器人公司和产品介绍

 

 

四、空间估算:未来10年达940亿美元

军用机器人的研制需要大量资金。以美国为例,美军“未来战斗系统”的研究经费预计为250亿美元,每装备一个旅要花费60~80亿美元,总计1450亿美元左右,这甚至远远超出了原来预计的920亿美元。如果美国陆军全部装备“未来战斗系统”,则将耗资13000亿美元。虽然机器人造价昂贵,但可以避免因人员伤亡而造成的恐慌和巨大压力。一些军队的机器人已开始执行侦察和监视任务,替代士兵站岗放哨、排雷除爆,可降低士兵伤亡率达60%至80%。如果把土兵的工资、培训费用、退休金、福利以及伤亡补贴算到一起的话,机器人士兵也比使用合同役士兵更实惠。从美国国防部的角度看,用武装机器人替代士兵服役打仗,实现军队的机器人化,是少花钱、低风险、高效率实施未来战争的选择。加之军事防备属于一国安全问题,事关重大,虽然当前智能机器人在军事方面的应用存在着道德问题和安全风险,军用机器人大范围取代传统人力战士还有需要一段时间,但明显的,未来军用机器人的研制投入和发展空间是巨大的。

 

2004年美军仅有163个地面机器人。2007年则增长到5000个,至少10款智能战争机器人在伊拉克和阿富汗“服役”。而目前,一些国家正在组建机器人部队。一些军队的机器人已开始执行侦察和监视任务,替代士兵站岗放哨、排雷除爆。军机市场预测的权威机构蒂尔集团称未来10年全球无人机研发投入和采购需求将达到940亿美元,这将是一个巨大的市场。

五、我国军用机器人:技术落后,重点支持

我国在机器人核心及关键技术的原创性研究、高可靠性基础功能部件的批量生产应用等方面,同发达国家相比差距很大。但政府一直非常重视军用机器人技术的研究与开发,在《国家中长期科学和技术发展规划纲要(2006-2020)》、《国家高技术研究计划(863)“十一·五”发展纲要》、《国务院关于加快振兴装备制造业的若干意见》等有着重提出,国家863计划、国家自然科学基金、国防科工委预研项目中予以重点支持。

目前在我国,军用机器人基本没有完全自主的生产商,在军用机器人方面技术比较领先的是新松机器人自动化股份有限公司。目前新松机器人已定型八个军用机器人产品,列装两个,未来订单会稳步增长。