从一些传统的衡量方法来看，目前中国的数字技术发展水平和普及率在全球仅仅居于中游，在2016年世界银行“数字技术普及应用指数”中位列50（共131个国家），“网络就绪指数”第59（共139个国家）。这是以以全国平均发展水平作为衡量依据的。

然而，从数字化应用和创投体量来看，中国已经成为全球领先的数字化大国，在数字服务领域已经实现了净出口（过去五年连续保持年均100-150亿美元的贸易顺差），并正在改写全球数字化的格局，并为远在海外的创业公司提供支持和启迪。

引言：

毋庸置疑，2018年人工智能将继续处于市场炒作周期的顶端。按照国家建设力度，人工智能技术成熟度，以及金融行业 IT 投入领先程度，保守估计，若 2020 年渗透率能够达到 15%，金融 IT 应用投资规模保持 5%的增速，则 2018 年人工智能在金融领域市场资本开支规模将达到 166 亿，2020 年将超过 200 亿人民币。

一、人工智能在金融行业的市场空间

人工智能将优先用于辅助传统金融机构，包括提升数据处理效率和替代简单人工服务。2020 年金融 IT 应用投资中，人工智能相关应用 IT 资本开支预计将超过 200 亿人民币，而智能投顾业务带来的管理费用未来可达千亿 。

优先应用包括智能量化交易、智能投顾、智能客服、身份鉴定。优先使用较成熟的人工智能技术：机器学习、自然语义处理、语音和人脸识别技术。

中国产业信息网报告显示，2016年中国人工智能市场规模达到239亿，目前人工智能在金融 IT 领域的渗透率不足 1%，2016 年四部委发布目标明确指出到 2018 年形成千亿级的人工智能市场应用规模。按照国家建设力度，人工智能技术成熟度，以及金融行业IT投入领先程度，保守估计，若2020年渗透率能够达到15%，金融IT应用投资规模保持 5%的增速，则2018年人工智能在金融领域市场资本开支规模将达到 166 亿，2020年将超过200亿人民币。

智能投顾：国内智能投顾管理费用市场可达千亿。假设按目前金融资产占个人财富比例40%的水平将存量现金及存款 57.5 万亿再分配，并选择智能投顾的方式，将约有 23 万亿现金将转投智能投顾，按市场上收费的智能投顾产品 0.5%左右的管理费率计算，管理费用可以达到 1150 亿元。瑞信预测，我国个人财富还在按 12%的增速逐年增长，在金融资产上配置的比例也呈上升趋势。

二、人工智能技术对金融业的辅助

随着技术进步，未来金融知识图谱将带来至少百亿收入规模，其应用将 给行业带来明显震动。以 IBM Watson 对标，金融知识图谱收费模式多样，保守估计，仅知识图谱在金融行业每年就可获得百亿收入。金融搜索引擎可产生更多商业模式。

证券行业人员总数达到 310288 人，对标Watson 的 Knowledge Studio 产品，若按年费 3 万/人/套测算，券商行业贡献收益每年可达97 亿。私募基金按管理费用分成，预测每年贡献收益为 112 亿元。现阶段，人工智能技术提供数据处理类和客户服务类的辅助型工具和信息服务，让金融业务回归本质，用技术提高业务效率，将工作者从数据工作和重复劳动中解放。未来，基于知识图谱的金融搜索引擎会打破专业壁垒，机器将具备同时高效服务长尾客户的能力，对金融行业造成冲击。

信息技术驱动产业变革，每一次信息技术的升级都能带动劳动生产率飞跃式提高。在金融业中，信息技术可以有效降低个人和小微企业的征信及资金分配的边际成本，大幅度提高“信用”的量化效率，从而服务于长尾客户。

Fintech 是 Financial Technology 的缩写，是金融行业与信息技术融合形成的产业。

Fintech 不是一个全新的概念，随着信息技术的不断进步，Fintech 产业中融合的技术也在不断升级，在业务模式上不断进步。目前来看，运用在金融行业中的技术主要是指：大数据、人工智能、区块链等最前沿技术。

Fintech 领域之一就是互联网、移动互联网和金融的结合，即互联网金融，人工智能和互联网对金融行业产生的影响各不相同。从技术融合进程来看，互联网金融实现了金融行业在渠道上的技术改造，从而实现了商业模式的创新。人工智能和金融业务的结合仍聚焦于传统的金融业务，使用技术手段辅助工作，替代部分重复性的脑力劳动，最终实现工作效率的提升。

-最近几年金融科技发展趋势

四、开源深度学习对金融科技的意义

大量深度学习平台和框架的开源推动行业快速发展。人工智能平台、工具包和框架的开源大幅降低了开发深度学习系统的相关应用门槛。 Google、Facebook、百度和微软等科技巨头公司先后开源其人工智能平台，许多深度学习框架也逐渐开源，世界各地的开发者们可以免费获得优质机器学习算法源码，开源软件可以让规模更小的组织用先进的算法和代码进行试验。2016 年 3 月，两位退休的对冲基金的金融工程师（此前没有使用人工智能软件工作的经验），设计了根据核磁共振成像（MRI）图片诊断心脏病的算法。尽管这些创新者对人工智能较为生疏，他们仍然可以从开源网站 GitHub 下载软件，设计推动产业变革的应用。

金融业对数据的强依赖性为人工智能的介入做好了准备

金融业对数据极其依赖。金融业需要从大量数据中评估风险和做出投资决策。根据麦肯锡的研究，金融业和保险业的工作者的一半时间都花在了处理和收集数据上，这是各种行业中比例最高的。

---各行业收集处理数据时间比

金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资金收付交易等数据。BCG 研究报告统计，以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。彭博社指出，金融服务以及使用互联网服务等数据密集型的行业可能会首先迎来人工智能的冲击。用于识别模型的机器学习和深度强化学习等工具可以更容易地被应用在数据丰富的垂直领域。

金融行业的数据强度在一定程度上决定了金融机构的技术强度。BCG 数据显示，以银行业为例，在海外成熟市场，银行平均将营业收入的 8%左右投入 IT 系统建设；而这一比例在国内稍低，但也可达到 3%左右。

BusinessInsider 报道，高盛 33000 名全职员工中，9000名是工程师和程序员，这比例如 Facebook 和 Linkedin 等互联网巨头的 IT 员工人数都要多。

国内金融牌照逐渐开放，互联网公司和金融 IT 企业积极布局金融行业，进一步推进术进步。一方面，金融 IT 提供商通过直接申请牌照、间接收购或参股有牌照公司或者进行紧密业务合作等方式，开始布局金融业务。另一方面，大型互联网公司为丰富生态，也积极布局金融业务。2016 年上半年，平安集团旗下一站式投资理财平台陆金所，京东集团旗下子平台京东金融，以及阿里巴巴旗下互联网金融公司蚂蚁金服完成融资。

五、中国居民对金融服务的需求提升

存款进入低利率时代，房地产投资进入长周期，占财富配置品种一半以上的房地产和储蓄配置转移到大类资产。根据中国社科院统计，2014 年中国居民总资产达到了 253.7 万亿，其中金融资产为 103 万亿，房地产、汽车等非金融资产为 150 万亿。受经济社会各方面因素影响，我国居民长期以来形成了“重储蓄、轻投资、轻配置”的特点；在投资方向上， 以房养老”的观点和保守的投资理念。

存款进入低利率时代，房地产投资进入长周期，资金寻找其他投资标的。利率市场化使得存款的投资回报率大幅降低；人口结构变化、不动产登记实施临近、限购并未完全解禁、购房投资机会成本较高，房地产投资进入长周期。

金融机构需要提高效率服务低客单客户，我国银行用户进一步增加，初始用户大部分为来自农村居民和老年人的低客单价用户。世界银行 2015 年发布的《全球普惠金融指数》中提到，中国的银行账户拥有者相对全部成年人的比例从 2011 年的 64%飙升至 79%，其中大部分来自农村居民和老年人。按照 2011年第六次人口普查数据，我国 15-59 岁人口约 9.4 亿，推算 3 年间银行新增初始用户增加1.41 亿。利率市场化加速金融业竞争，银行收入结构需要调整。自 2014 年第 4 季度起，国内银行的净息差就在不断下降。2015 年 10 月中国人民银行决定对商业银行和农村合作金融机构等不再设置存款利率浮动上限，这是国内首次开放存款利率上限，利率市场化接近完成。比较各上市银行的营业收入结构可见，净利息收入依然是主要来源。然而，为了应对利率市场化的挑战，各上市银行均大力推动转型，加快中间业务的发展，手续费及佣金收入为主的非主营收入。

证券行业面临日益增加的业绩压力。随着市场行情回落，证券行业 2016 年上半年业绩较 2015 年出现较大幅度回落。从收入构成变化情况看，对小客单价客户的争夺日趋激烈。

一方面，由于我国 A 股散户占主导的格局在相当长时间内仍会维持，经纪业务收入未来仍将占据券商总收入最重要部分，券商仍需要巩固和扩大传统经纪业务收入。而目前随着行业交易佣金费率不断降低，以及一人多账户的放开，各家券商对散户资源的争夺将日趋激烈。以智能交易、智能客服、智能识别为代表的创新性人工智能产品能够为广大长尾散户提供更为便捷和个性化的服务，极大增强用户体验，将成为维系散户资源、增强粘性的重要法宝。

另一方面，投资顾问和投资咨询业务比重呈逐年上升趋势，也体现出广大客户对定制化投资方面的需求日益增加，也将使得以智能投顾为代表的人工智能产品具有更广阔的市场前景。

证券业收入

结语：

目前我国金融业人工智能渗透率尚低。中国产业信息网报告显示，2014 年中国金融业IT 应用投资规模 1140 亿元，同比增长 5.2%，另据艾瑞咨询数据，2015 年中国人工智能市场规模约 12 亿人民币，据此推算，目前人工智能在金融 IT 领域的渗透率不足 1%。2020 年金融 IT 应用投资中，人工智能投资规模预计将超过 200 亿人民币。考虑未来国家在人工智能的投入建设力度，机器学习等人工智能技术以开始成功应用，以及金融行业 IT建设的领先基础，保守估计，若 2020 年渗透率能够达到 15%，金融 IT 应用投资规模保持5%的增速，则 2018 年人工智能在金融领域市场规模达到 166 亿，2020 年将超过 200 亿。

前言：

①工业机器人行业概况及发展趋势

②核心零部件制造商、本体制造商、系统集成商、机器人应用和下游服务商5大产业链布局

③我国工业机器人主要集中在本体和集成端，其根源在于哪个环节？

④知名投资机构布局及地域分布

⑤437家工业机器人行业企业介绍及融资信息

1-9月我国工业机器人产量同比增长69.4%

《2017年世界机器人报告》称，中国机器人行业正在以前所未有的速度迅猛发展，正成为全球机器人行业的领先者。

2016年，中国销售工业机器人增长了27%，达到8.7万台，占全球的近1/3。同时，中国的机器人制造商正在扩大其在国内市场的份额，2018年~2020年，中国机器人的年销售量预计每年平均增长15%~20%。

2017年8月23日，中国电子协会发布报告称，预计今年中国将销售超过11万的工业用途机器人，同时2017年中国工业机器人市场规模将达到42.2亿美元。

2017年1-9月，我国工业机器人产量达到95351台(套)，同比增长69.4%，9月当月产量为13085台(套)，比上年同月增长103.2%，继续保持高速增长态势。

2018机器人十大趋势：工业机器人大受宠

未来1-3年内可能影响机器人行业的ICO和企业高管做出决断的关键性预测。如到2019年，有60%的高新技术制造商将专注于工业机器人的部署；到2020年，全球移动安全机器人市场将增长近3倍等等。

2018年全球机器人行业十大发展预测：

预测1：到2019年，机器人的应用量将增加三分之一，而60%的G2000高新技术厂商将专注于工业机器人的部署。

预测2：到2020年，新安装的工业机器人中将有45%至少配备了一个智能功能，如预测性分析、自我诊断、健康状况意识、同行学习或自主认知。

预测3：到2021年，负责监督和协调智能机器人代理的出现，将有效刺激整个工业机器人行业效率提升30%。

预测4：到2021年，30%的G2000制造商将部署网络物理机器人系统，从而使生产力提高10-20%。

预测5：到2020年，全球移动安全机器人市场将增长近300%，而在增强人类安全上，又将有30%的移动安全机器人将配备机载无人机以进行必要部署。

预测6：到2019年，25%的移动机器人将部署包括添加模块化组件的能力，并在同一移动平台实现多种应用，从而帮助生产力和效率提升30%。

预测7：到2020年，前100家零售商中将有30%在店内采用或试点部署机器人，从而使订单成本降低20%。

预测8：到2021年，移动机器人部署的45%将通过Raas（Robot as a service：机器人即服务）的方式，使设备能够在需求波动期间迅速扩大和缩小，并使机器人部署从资本支出转移至运营成本。

预测9：在无人机行业部署的软硬件和服务方面的投入，将有助于绘制和规划石油、天然气和煤炭等开采地区的基础设施，以及调查和监测数千英亩的农作物，预估其产业价值在2020年将达到1亿美元。

预测10：到2021年，消费类机器人市场将翻一番，下一代基于AI的机器人将减少对物理性任务的关注，而更多的参与家庭成员的教学和互动当中，并开始走进家庭，提高人类生活质量。

目前我国工业机器人主要集中在本体和集成端

工业机器人产业链由核心零部件制造商、本体制造商、系统集成商、工业机器人应用和下游服务商构成，其中本体是机器人产业链的核心。

目前，国内的机器人企业多为系统集成商。从国内机器人市场发展现状看，有两类企业将在未来行业大发展的背景中胜出：一类是有很强技术研发底蕴，项目经验丰富的行业企业，另一类是在某些行业有一定的项目经验，拟在自身行业推广工业机器人的企业。

截至2017年11月，参照系优质企业数据库共收录437家工业机器人行业关联企业。从产业链布局来看，主要集中在系统集成领域，有278家相关企业，占全产业链的64%。

产业分析——核心零部件制造商

从成本上来看，核心零部件占工业机器人总成本约72%左右。多轴工业机器人的成本构成中，机械本体约占22%；伺服系统约占24%；减速器系统约占36%；控制系统约占12%；其他外设约占6%。

部分关联企业介绍

产业分析——本体制造商

工业机器产业链的中游为机器人本体制造商，主要负责工业机器人支柱、手臂、底座等工业机器人主体机械结构部分的生产与组装。根据机械结构形式，工业机器人可以分为直角坐标型机器人，圆柱坐标型机器人，并联机器人，关节型机器人等。

部分关联企业介绍

产业分析——系统集成商

机器人系统集成是指在机器人本体的基础上，根据机器人的不同应用类型为其安装不同的执行装置，将机器人本体和附属设备进行系统集成。

部分关联企业介绍

产业分析——应用

工业机器人应用于行业自动化生产线，是利用以机器人为主的自动化设备，完成搬运、分拣、上下料、装配、焊接、喷涂、检测等一部分或大部分生产线上工作，尽量减少人员使用，实现的自动化生产，它的最高形式是自动化技术和信息数字化技术结合的智慧工厂。

部分关联企业介绍

产业分析——下游服务商

下游服务商主要分为：第三方服务商、代理商。第三服务商主要负责工业机器人的使用、维护、教育培训等。代理商指承担国内外工业机器人品牌的代理、分销等工作。

部分关联企业介绍

投资动向分析

437家工业机器人相关企业中，公开企业资本市场状态的有87家，其中新三板上市的有63家，A股上市的有14家。

最受投资机构追捧企业

引言：

在互联网时代，市值已经替代收入或利润，日益成为衡量上市公司综合实力的最好标尺。

今年以来，腾讯股价几乎翻一倍，目前3.66万亿港元的市值已是中国乃至亚洲最高，前不久更是首次超过Facebook跃居全球第5。金准数据选择在上海、深圳、香港、纽约等全球15个交易所上市的所有中国公司，对它们的最新市值进行加总换汇计算，从结果来看，腾讯控股、阿里巴巴、工商银行占据前三甲。本次榜单入围门槛为市值306.72亿人民币。过去十年的数据发现，期间中国上市公司数量从2847家到6589家，增长了1.31倍，整体市值目前逼近122.8万亿，则3.54倍于十年前。

而进入500强的市值门槛，从2008年12月的42.62亿到最新的306.72亿，剧增了6倍之多，明显跑赢中国上市公司的增长速度。

不仅如此，500强占中国上市公司总市值的比例也逐年增长，从此前的59.41%到目前的接近8成，达到79.44%。截至12月1日，2017中国市值500强的总市值为97.56万亿。

千亿市值巨头连续3年过百

从市值分布来看，4成的500强公司市值在300亿到500亿之间。最新市值超过千亿的中国上市公司一共有131家，其中中国内地93家、香港特别行政区25家、澳门特别行政区2家、台湾地区11家。

这些千亿市值巨头的总市值合计43.44万亿，占据了整个中国上市公司市值的35%，主要分布在金融、房地产、信息技术等行业。

千亿市值巨头的数量已经连续3年超过100家，而在10年前不到30家。

与此同时，万亿市值巨头的数量也在不断增加，今年首次突破10家。

腾讯蝉联中国“市值王”

截至2017年12月1日，占据500强前两位的腾讯控股、阿里巴巴总市值分别为30935亿、29179亿，差不多高出第三名工商银行50%。

值得一提的是，十年来首次，互联网科技公司包揽前两名。而在2008年至2014年，中国石油一直雄踞市值榜首，占据第二名的基本是工商银行；2015年则由工商银行、中国移动领先。

除了这几家公司外，目前万亿俱乐部成员还有建设银行、台积电、中国平安、农业银行、中国银行。这些巨无霸们今年强者恒强，都有不错的涨幅，大涨89%的中国平安市值首次突破万亿。

如果连续看这10年榜单变化不难发现，以银行为主的金融板块依然强者恒强。而腾讯以及阿里的兴起，不仅是互联网科技蓬勃发展的缩影，也是民企越来越来走向中国舞台的一个体现。

86家公司新晋2017年市值500强

从上图中可见，2017年市值前20和2016年市值前20相差不大，仅位次有所变化。上市公司市值一方面呈现出这种“大者恒大”的特征，另一方面“大浪淘沙、新人辈出”。

相比2016年底，这次一共有86家新面孔跻身中国市值500强，既有顺丰控股、中油资本这类通过资产重组市值暴增入榜，也有众安在线、华大基因、浙商证券这类新上市的公司。另外还有一些公司靠股价上涨带动市值快速提升，如方大炭素、赣锋锂业、大族激光等今年股价翻倍的牛股。

新晋500强主要集中在电子元器件（8家）、非银金融（8家）、房地产（8家）、医药（8家）、信息技术（6家）、有色金属（6家）、汽车（6家）等行业。

21数据新闻实验室注意到，腾讯“撑腰”的独角兽公司阅文集团、众安在线、易鑫集团纷纷在新晋名单内。

科技、金融业成市值担当

那么，这些500强有着什么样的行业特征？

从千亿市值巨头的行业分布情况已见端倪，范围进一步扩大到500强，非银金融（57家）、房地产（47家）、信息技术（35家）、医药生物（33家）四大行业入围公司最多，均超过30家。

但如果从行业市值占比来看，则信息技术行业占据榜首，该行业的500强市值总和为10.69万亿。紧随其后的银行业总市值也突破10万亿，两大行业在500强中占比均超过10%。

值得注意的是，这也是十年来首次，信息技术行业在中国公司市值500强中的总市值超过银行业。

而2008年，信息技术行业入榜公司才23家，且总市值不到3500亿，占比仅1.7%。可见，这十年，信息技术行业无论是入榜数量还是市值方面都实现了较大的飞跃。

A股占据500强半壁江山

目前，中国上市公司遍布在纳斯达克、伦敦、巴黎等全球15个交易所，以香港联交所、深圳交易所上市的公司最多，均超过2000家。

60%的500强选择在A股上市，其中上海交易所上市的为181家，深圳交易所上市的为120家，合计301家。

不过，香港联交所上市的500强贡献了最多的市值，这是因为大多高市值巨头为AH股，且伴随港股今年连创新高，在港交所上市的500强数量和市值也水涨船高。

统计显示，500强中，港股高达213家，较去年底增加21家，合计市值35.66万亿元，超过沪深上市的500强市值之和。而作为港股市值王，腾讯贡献了8.68%的市值。

值得注意的是，在美国上市的500强虽然只有31家，但总市值超过深圳上市的500强，其中阿里贡献了26.83%的市值。

京港粤三地500强最多

一个地方市值500强的多少，一定程度上代表着其区域资本竞争力的强弱。

从市值500强总部所在地区域分布来看，北京市、香港特别行政区、广东省无论在数量还是市值上，均遥遥领先其他省（市、区）。其中，91家500强在北京市，80家在香港特别行政区，55家在广东省。

北京市、广东省更是进入10万亿市值俱乐部，当地500强总市值分别为18.29万亿、10.10万亿。此外，香港特别行政区、浙江省、上海市、台湾地区、江苏省、福建省的500强总市值也纷纷在万亿以上。

这些500强覆盖全国109座城市，以北京、香港、上海最多，此外广州、深圳、台北、杭州、南京等城市的500强数量均超过10家。

附完整榜单：

引言：

在第三次人工智能浪潮如火如荼之时，正确理解目前AI的应用能力、发展状态以及与市场预期之间的距离，显得尤为必要。

基于此，中国人工智能学会联合国外研究机构罗兰贝格梳理了人工智能在20个行业的80个具体应用场景，并对AI领域的初创企业管理人、各行业内企业经理人、AI研发人员进行了多方访谈，并于近日发布了《中国人工智能创新应用白皮书》。白皮书指出，中国AI企业的发展势头良好，在全球处于优先地位；金融、汽车、医疗和零售将是受AI影响最大、同时最具成熟发展基础与市场应用潜力的传统产业，制造、教育和通信行业也值得关注。

一、AI产业发展状况

根据中国人工智能学会、罗兰贝格统计，去年全球人工智能融资总额达49.68亿美元。预估2025年全球人工智能市场规模将达30610亿美元。

从技术方面来看，目前主攻AI方向的企业主要分为两类：专注于技术研发的通用型人工智能企业，如DeepMind、 Facebook AI Research、Google Brain与Baidu AI等； 专注于AI技术应用的专用型人工智能企业。

从应用方向来看，目前，金融、医疗、汽车和零售行业的应用场景相对成熟，在这几块的融资热度也较高。

以自动驾驶领域为例，谷歌、百度、特斯拉、奥迪等科技和传统巨头纷纷加入；AI在金融领域的智能风控、智能投顾、市场预测、信用评级等领域都有了成功的应用；在医疗领域，AI算法被应用到新药研制，提供辅助诊疗、癌症检测等方面都有了突破性进展。

而从地域发展方面来看，全球领先的创新高点散落在各个国家，尤以美国（纽约和硅谷）、英国（伦敦）、以色列和中国（北上深）最为突出。

以中国在全球范围的状况为例，总体来看，中国AI企业的发展势头良好，在全球处于优先地位。中国的AI企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。

依上表可知，在国内，计算机视觉、服务机器人和自然语言处理方向的AI企业占据了全国所有AI企业的一半以上，共占比55%。而北京、上海、深圳作为国内AI创新的高地，其相关企业数量占据企业总数的80%。

二、AI商业应用现状

跟据中国人工智能学会、罗兰贝格预测，从定量的角度来看，至2030年，AI将在中国产生10万亿元的产业带动效益。根据二者的估算，AI带来最大影响的传统产业将会是金融、汽车、零售和医疗。

具体来看四个行业未来将受AI影响的增益价值的增加情况：

• 在金融行业，通过AI技术在风险控制、资产配置、智能投顾等方向的应用，预计AI将带来约6000亿元人民币的降本增益效益。

• 在汽车行业，AI在自动驾驶上的技术突破将带来约5000亿元人民币的价值增益。

• 在医疗行业，通过AI技术在药物研发领域提高成功率、在医疗服务机构内提供疾病诊断辅助、疾病监护辅助等提高服务效率的应用，预计AI可以带来约4000亿元人民币的降本价值。

• 在零售行业，AI在推荐系统上的运用将提高在线销售的销量表现，同时更加精准的市场预测将降低库存成本，预计AI技术将带来约4200亿元人民币的降本与增益价值。

为了进一步评估各个行业应用AI的准备程度，中国人工智能学会和罗兰贝格还对AI领域的初创企业高管、各行业企业经理人、AI研发人员进行了访谈。此次访谈是基于各行业的组织结构基础，数据、工作流和技术基础以及人工智能应用基础三者基础之上，建立的评分体系。最终访谈结果可见上图。

从结果上看，金融、零售、医疗与汽车行业的发展基础最为扎实，应用潜力也高于其他行业。

金融行业拥有良好的数据积累，在自动化的工作流与相关技术的运用上也有不错的成型成效。医疗行业拥有多年的医疗数据积累与流程化的数据使用过程，因此在数据与技术基础上有着很强的优势。汽车行业已经开始利用AI技术布局自动驾驶、辅助驾驶技术，因此在组织基础与AI应用基础上有着很好的优势。零售行业在组织结构、数据积累、AI应用方面都有一定基础，处于相对均衡的发展状态。

三、AI产业应用场景案例举例

1）AI在汽车行业的应用场景举例介绍

• 整车的智能营销

以美国的Automotive Mastermind公司为例，其是一家服务于汽车生产商和经销商的技术开发商和服务提供商。

在整车营销中，该公司将AI技术贯穿其中。具体的实施路径为：搜集社会人口学特征、社交网络、市场数据、产品生命周期等大数据；利用自有的行为预测评分算法对超1000个数据点进行清洗和分析；对消费者进行排名，筛选出目标消费者；梳理出消费者的关键驱动因素，包括金融预算、购买动机、产品性能、保障条款等；推荐对该消费者最有效的线上或线下营销手段；实现按需生产、销售。

数据表明，使用Automotive Mastermind公司服务的企业，销售收入提升了30%，客户留存率提高了16.7%。

• 数据驱动的产品优化

利用各类感知设备收集的产品运营状态、事故率、 生命周期等数据，结合产品本身的生产、质量等方面数据，分析出最优的产品设计方案。

例如在特斯拉未来的理想情景下，“如果一辆特斯拉汽车因材料不够厚被撞 挂了，第二天所有的Model S都会自动变厚2英寸”。

• 销量预测驱动的智能生产优化

结合机器学习预测模型对销量的预测和智能设备产生生产数据，通过云计算得出实时最优生产计划与节奏。

收集的生产数据包括：智能机器及时反馈的生产和闲置状况、智能仓库实时监测的库存情况、智能调研系统动态预测的整车和零部件需求等。

• 零部件的预测性维修

预测性维修是将状态监测、故障诊断、状态预测和维修决策多位合为一体的系统过程，通过收集大量运行状态信息和运用预测模型，来实现零配件的提前维修更换。

加拿大企业Ansik于2013年成立，旗下软件PitStop可预测零件故障。该公司向企业代理商和维修站销售一款接入汽车的插件和一个附属手机APP， 以此搜集实时发动机和传感器数据和其他监测信息，观测性能状况并推断汽车故障可能。

如果数据显示汽车将出现问题，会通知用户停车检修，同时提供来自维修站的修理建议。

• 驾驶辅助系统

驾驶辅助系统是汽车人工智能领域目前最为火热的方向。在感知层面，其利用机器视觉与语音识别技术感知驾驶环境、备识别车内人员、理解乘客需求；在决策层面，利用机器学习模型与深度学习模型建立可自动做出判断的驾驶决策系统。

按照机器介入程度，无人驾驶系统可分为无自动驾驶(L0)、驾驶辅助(L1)、部分自动驾驶(L2)、有条件自动(L3)和完全自动(L4)五个 阶段。

目前，技术整体处于多个驾驶辅助系统融合控制、可监控路况并介入紧急情况(L2)向基本实现自动驾驶功能(L3)的转变阶段。

2）AI在医疗行业的应用场景举例介绍

• 医美、齿科等机构基于购买预测的精准营销

医美、齿科机构通过客户购物、浏览等轨迹和客户年龄、交易量、使用习惯等数据的智能匹配，可以从不同方面来了解潜在客户的情况。

以爱尔康为例，其通过建立采集数据的工具，整合和匹配老会员的数据，对会员的线上线下数据进行整合， 跟踪用户行为，深入挖掘数据，描绘出360画像， 取得了微信粉丝增长10083人、微博粉丝增长 10147人、粉丝互动140万次、提升4倍会员增长速度、会员活跃度由20%上升到78% 、线下会员增长占整体会员增长数量39%的成绩。

• 数据驱动的辅助诊断

通过机器学习算法建立多种疾病辅助诊断模型， 人工智能辅助诊断系统会通过分析患者数据来识别病症，再根据大量学习的医疗知识及经验进行病情分析，提出诊断意见和疾病转归预测预警评估。

在AI+辅助诊疗的应用中，IBM Watson是目前最成熟的案例。IBM Watson可以在17秒内阅读3469本医学专著、248000篇论文、69种治疗方 案、61540次试验数据、106000份临床报告，还通过了美国职业医师资格考试，并部署在美国多 家医院提供辅助诊疗服务。

• 医疗图像分析

AI在此的应用主要有两部分：在感知环节应用机器视觉技术识别医疗图像，减少医生读片时间；在学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练。

一个典型的例子为贝斯以色列女执事医学中心 (BIDMC)与哈佛医学院合作研发的人工智能系统。该系统对乳腺癌病理图片中癌细胞的识别准确率 可达92%，与病理学家的分析结合时，其诊断准确率可以高达99.5%。

• 提高筛选生物标志物速度，进行药物有效性、安全性预测评估

通过应用开发虚拟筛选技术，通过机器学习模型预测分析药 物构效关系，取代或者增强传统的高容量筛选过 程，可以大幅度提高生物标志物的筛选速度及成功率，显著缩短新药研发周期，降低新药研发的试错成本。

例如，美国硅谷公司Atomwise通过IBM超级计算机分析数据库，并用深度学习神经网络分析预测化合物的构效关系，于研发早期评估预测新药风 险。其超级计算机可以在几天之内评估出820万种药物研发的候选化合物。该公司也为制药、创业公司和研究机构提供药物预测服务。

3）AI在金融行业的应用场景举例介绍

• 预测性风控

在银行业，AI主要被应用于贷前准入、贷后跟踪、坏账预测等；证券业主要应用于合规、识别垃圾注册、异常交易监测等；保险业则主要应用于 反欺诈。

目前，预测性风控已成为AI技术在金融行业应用最为广泛的场景，众多银行、信用卡中心、P2P 交易平台等都在运用这项技术降低逾期与坏账风 险。

• 智能交易策略

智能交易的关键在于自主学习、推理和决策。其具有一致性和逻辑性，可减少人为疏漏和失误，并利用不断自我改进的模型和全市场内的产品充分分散风险。

以香港AI投资机构Aidyia开发的交易机器人为例，其能够从新闻、政策、社交网络在内的多渠道获取数据，并借鉴多种AI形式（如受遗传演化启发的计算、 基于概率逻辑的形式、深度学习、神经演化等)， 分析之后转化为买卖决策，能够完全自动识别和 执行交易。

• 智能客服

智能客服可以进行简单问题的直接回复，从而帮助客服人员能够集中精力应对高净值业务。

目前，中国农业银行、中信银行、中国邮政储蓄银行、兰州银行、太平洋保险、广发基金、工银瑞信等银行及金融机构已经开始应用智能系统开展24小时客户服务。

• 智能投顾

智能投顾是根据客户理财需求和资质信息、市场状况、投资品信息、资产配置经验等数据，基于大数据的产品模拟和模型预测分析等AI技术，输出符合客户风险偏好和收益预期的投资理财建议。

目前，银行系(如广发智投、招商摩羯智投)、基金系(如南方基 金超级智投宝、广发基金基智理财、天弘基金犇跑篮子)、大型互联网公司系(如百度金融、京 东智投、同花顺)和第三方创业公司系(如弥财、 蓝海财富、拿铁财经)等都在智能投顾上有所应用。

4）AI在消费品与零售领域行业的应用场景介绍

• 精准营销与个性化推荐系统

通过分析用户的购买、浏览、点击等行为，结合各类静态数据得出用户的全方位画像，搭建机器学习模型可预测用户何时会购买什么样的产品，并进行相关产品推荐。

以天猫淘宝为例，其在2016年创造的一千亿人民币销售额的背后，就是有一套成熟稳定的个性化推荐系统。

• 智能店铺管理

通过机器视觉技术捕捉分析店铺客流量与路径、消费者货柜前行为（如表情和肢体语言、停留时间、拿货比货动作）等数据，指导店铺环境布局与设计优化、商品陈列和库存管理、店内营销和服务内容改善以及精准推送和交叉销售。

例如万达通过收购飞凡自建技术团队、银泰选择同阿里巴巴合作获取数字化能力、华润大悦城选择猫酷作为第三方解决方案提供商，正式加入新零售战争时代。

• 产品销量预测与供应链优化

以Zara为例，其打造的极速供应链系统，可联通和协同从市场调研到设计、打版、制作样衣、批量生产、运输和零售整个环节的数据，实现产品柔性生产。

此外，Zara还设有全天候“数据处理中心”，可融合每一个零售网点追踪的销售数据，以获取顾客的动态消费特性。如果公司在商品上市初期发现畅销款或滞销款，能及时迅速做出增产或减产决策，从而保持很高的售罄率。

• 无人超市

亚马逊的Amazon Go是一个典型的无人超市案例，它通过自助检测与跟踪系统捕捉并追踪消费者在店内的所有行为，并在入场和消费者身份识别方面采用人脸识别确认用户亚马逊帐号身份。

在商品位置判断方面，通过货架上的红外传感器、压力感应装置、荷载传感器和摄像头图片对比检索判断货物是否被拿起/放回，以及是否在正确的位置。

在结算意图识别和交易方面，以室内定位技术(图像以及音频分析，GPS以及WIFI信号定 位)判断商品和人的关联，以绑定的信用卡等支付方式结算。

四、人工智能的发展史

虽然全世界都在谈论AI，但鲜少有人熟知前两次AI浪潮遭遇“寒冬”的原因。就此，我们不妨来理一理人工智能的发展史。具体见下图。

如上图，我们可以清楚的看到，AI遭遇的第一次寒冬，是由于当时人类对AI未来失望、停止资金投入。第二次寒冬则与AI本身有关——缺乏实用和商业应用，研究领域陷入困境。

而来到第三次浪潮，数据、算法和计算机条件渐已成熟，大数据、物联网、云计算等技术也能为AI的发展打下良好的基础。具体驱动因素有以下五点：

• 高质量、大规模的大数据为AI技术的发展提供了原材料。据《白皮书》显示，1986至200年，全球单日信息交换量增长了约220倍，全球信息存储能力增加了约120倍。

• 计算力提升突破瓶颈，帮助AI模型可以在更大的数据集上运行。

• 机器学习算法取得重大突破。以多层神经网络模 型为基础的算法，使得机器学习算法在图像识别等领域的准确性取得了飞跃性提升。

• 社会理解与接受程度广泛提升。

• 物联网、大数据、云计算技术为AI发展提供了基础。

结语：

金准数据认为近年全球的低通胀困局是由大宗商品价格下跌、 人口老龄化导致的需求不足、以及欧美兼职热潮兴起所掩盖的劳动力闲置和薪资增长缓慢等综合因素导致。人工智能对通胀的影响最终还是取決於我来人均可支 配收入和政府的再分配政策。故此人工智能技术的进步不是导致低通胀的唯一必然因素，反而技术进步反而会有助推动商品成本下降，给消费者带来更物美价廉的产品。在促进消费升级，同时带动全社會消費水平的提升。让我们做好相应准备，为未来布局，用积极的态度迎接这个必然的变革把！

引言：

纵观历史脉络，伟大的文明离不开各国家、地区之间的商务活动往来。在如今节奏越来越快、竞争日趋激烈的国际市场中，公务航空以其强有力的助推功能，成为促进经济活动运转的加速器。公务航空拥有将大城市与小的区域市场安全、高效地连接起来的能力，为地面交通基础设施可能有限的地区提供一条宝贵的生命线，也通过促进地区经济、投资活动的增加，从而创造就业机会，繁荣区域经济。

近年来，中国政府鼓励通用航空产业的发展，在政府的“十二五”及“十三五”规划文件中，中国把商务航空的长期发展作为重点来抓。根据金准数据显示截止2016年，大中华区公务机的机队数量为466架。北京也成为大中华区拥有公务机数量最多的城市，共34架，占比21%；其次是上海为主的长三角地区，共29架（其中上海有9架）；排名第三的是香港，共25架；排名第四的是深圳为主的珠三角地区，共24架（其中深圳拥有10架）。

根据庞巴迪公务机大中华区副总裁韩智宇预测：中国经济正面临从高速发展向中高速发展的转型。中国公务机市场历经2008年至2012年的高速增长后，也进入到新的发展阶段。2016年，包括中国在内的新兴市场出现相对疲软的状态，但公务机需求依然存在，中国买家对公务机认识加深，长期潜力巨大。根据庞巴迪预测，中国有潜力在未来10年交付875架公务机，总价值达330亿美元。

一：公务机定义

公务机(Business Aviation) 常被人们称为商务机、私人飞机或专机。事实上，目前尚没有公务机的严格定义。国际公务航空委员会对公务机的定义是：装有2台或2台以上涡轮发动机，由专业飞行员驾驶，从事不定期飞行的飞机。公务机可以说是仅有的几种，甚至是唯一的一种“时间机器”。公务机可以“最大化”企业中最宝贵的财富——人力资源，特别是企业中的领导人物及业务专家等。所以，公务机并不是奢侈品，而是成功企业必备的交通工具。可以把空中交通工具与地面交通工具做一下比较，这样公务机的概念就比较清晰了。民航定期航班相当于地面的公共汽车，由客运公司/航空公司确定运营时间及路线/航线；公务机则相当于出租车或私家车，它可以根据实际要求随时随地把你送到指定的目的地，如果你需要在目的地逗留，它还可以“等你”。总之，公务机就是由你指定飞行时间、目的地的交通工具——时空尽在你的掌握中。

二：公务机的优势