过去六十年，人工智能技术经历了三次发展浪潮，成就斐然。目前，人工智能已成为后疫情时代的重要创新方向之一，以视觉、语音为代表的“AI+”技术，正加速在传统行业落地。展望未来，我们认为碳中和将成为人工智能发挥效用的又一个重要应用场景，有望与城市、制造业、汽车、电力等典型场景融合，催熟无人驾驶、智能制造等新业态，加速达成“碳中和”目标。
建议投资者关注十大领域的投资机会：1）智能电网、2）民用无人机、3）移动机器人、4）工业互联网平台、5）机器视觉、6）智慧城市、7）云计算、8）AI芯片、9）智能驾驶服务、10）传感器。我们预计，未来十年（2021-2030年）上述领域将在国内带来近2万亿元的产业空间。
人工智能：步入“AI+”时代，行业应用多点开花
中国引领人工智能第三次发展浪潮
人工智能发展的三次浪潮
人工智能在1956年的达特茅斯会议上被首次提出，六十多年以来，历经逻辑推理、专家系统、深度学习等技术的发展，社会对人工智能的期待也几经沉浮。我们认为人工智能历史上共出现过三次重要的发展浪潮。
► 第一次浪潮（1956-1974年）：AI思潮赋予机器逻辑推理能力。伴随着“人工智能”这一新兴概念的兴起，人们对AI的未来充满了想象，人工智能迎来第一次发展浪潮。这一阶段，人工智能主要用于解决代数、几何问题，以及学习和使用英语程序，研发主要围绕机器的逻辑推理能力展开。其中20世纪60年代自然语言处理和人机对话技术的突破性发展，大大地提升了人们对人工智能的期望，也将人工智能带入了第一波高潮。
但受限于当时计算机算力不足，同时由于国会压力下美英政府于1973年停止向没有明确目标的人工智能研究项目拨款，人工智能研发变现周期拉长、行业遇冷。
► 第二次浪潮（1980-1987年）：专家系统使得人工智能实用化。最早的专家系统是1968年由费根鲍姆研发的DENDRAL系统，可以帮助化学家判断某特定物质的分子结构；DENDRAL首次对知识库提出定义，也为第二次AI发展浪潮埋下伏笔。20世纪80年代起，特定领域的“专家系统”AI程序被更广泛的采纳，该系统能够根据领域内的专业知识，推理出专业问题的答案，AI也由此变得更加“实用”，专家系统所依赖的知识库系统和知识工程成为了当时主要的研究方向。
然而专家系统的实用性只局限于特定领域，同时升级难度高、维护成本居高不下，行业发展再次遇到瓶颈。1990年人工智能DARPA项目失败，宣告AI的第二次浪潮步入低谷。不过，同时期BP神经网络的提出，为之后机器感知、交互的能力奠定了基础。
► 第三次浪潮（1993年至今）：深度学习助力感知智能步入成熟。不断提高的计算机算力加速了人工智能技术的迭代，也推动感知智能进入成熟阶段，AI与多个应用场景结合落地、产业焕发新生机。2006年深度学习算法的提出、2012年AlexNet在ImageNet训练集上图像识别精度取得重大突破，直接推升了新一轮人工智能发展的浪潮。2016年，AlphaGo打败围棋职业选手后人工智能再次收获了空前的关注度。从技术发展角度来看，前两次浪潮中人工智能逻辑推理能力不断增强、运算智能逐渐成熟，智能能力由运算向感知方向拓展。目前语音识别、语音合成、机器翻译等感知技术的能力都已经逼近人类智能。
由于2018年人工智能实际落地困难带来的失望、2019年Deepfake假视频等伦理问题显现，人工智能行业长期发展方向再次成为行业关注的话题。
从感知智能迈向认知智能，通用人工智能的实现仍是未知
感知智能发展成熟，机器表现在部分情境下超越人脑。人脑的主要功能包括运动、感知、语言、记忆、情感、联想等，比较擅长处理复杂的发散性问题，但容易疲惫、需要休息以及记忆会淡忘或出现偏差。将机器与人脑做对比，目前机器借助于强大的存储和并行计算能力，在“记忆”和“多任务处理”领域已经远远超越人类，同时在图像和语音识别领域人类由于容易疲劳，大量重复工作下的错误率也会高于机器。事实上，2015年，微软亚洲研究院（MSRA）在图像识别任务上首先实现对人类水平（5%错误率）的超越[1]。
迈向认知智能，展望通用人工智能。尽管当前的感知智能已经相对成熟，但仍属于弱人工智能，仅能实现语音识别、图像识别，和简单的自然语言处理等人脑功能的非常有限的一部分，且存在依赖大规模标注数据进行监督训练的问题。在理解、情感、联想等高级功能方面，机器仍难以望人类项背，距离期待中的完全替代甚至超越人脑的通用人工智能（Artificial General Intelligence, AGI）仍有较大差距。
通用人工智能是否真实存在尚未可知。目前，关于什么是智能以及是否可能存在与人类智能不同的智能类型的问题，仍在探索当中。AGI的研究目前处于技术未知且没有具体问题陈述的状态。根据2017年耶鲁大学和牛津大学的研究人员对352位人工智能专家进行的采访，人工智能到2060年前后有50%的概率完全超过人类。这份研究预测在10年内，人工智能将会在以下领域超过人类：翻译领域（2024），高中水平的写作（2026），驾驶卡车（2027）。李开复则表示[2]：“如果你问我AGI泛人工智能何时能实现？我的答案是——未来30年内都没法实现，也可能永远实现不了。”
目前探索AGI的方案包括结构派、行为派、能力派、功能派、原则派。目前探索AGI的工作几乎都是采用模仿人类的方式进行，但所用的方式和路径各异，这些项目都尝试在不同的层面上复制人类智能。
中国是人工智能领域的重要风向标
中美两国在全球人工智能行业占据明显的领先优势。美国体系比较齐全，从芯片到算法框架到算法再到应用都处于领先地位，科技巨头推动人工智能多场景落地；中国互联网产业发达，积累大量用户数据，部分算法（比如与汉语有关的语义识别等）领先美国。展望未来，我们认为中国有能力在AI领域保持领先，得益于中国的用户数据基础、工程师红利和政府的扶持等。据Frost&Sullivan预计，2019年中国人工智能市场份额占全球总份额已超过10%，且占比会持续提升，在2024年将达到20%的水平。
从人工智能企业数量来看，美国的AI企业从1991年开始起步发展，随着技术的不断成熟，从2009年开始高速增长，到2013年达到顶峰之后进入行业发展平稳期。而中国的AI初创企业相较美国起步较晚，但发展速度更快，从2011年开始高速增长，到2016年达到顶峰的新增228家之后进入了平稳期。当前中国AI企业的总体数量已经可以和美国一起占据全球半数以上，保持明显竞争优势。据中国信通院数据，2020年美国人工智能企业占据全球总数的38.3%，中国紧随其后占24.66%。
从融资额角度来看，Statista数据显示，2020年全球AI企业私募投资总融资额达到422亿美元，其中中国AI企业的融资额占到全球的23.5%，美国企业占55.9%。
从科研角度来看，中国在人工智能领域不断探索，已取得卓著成果。根据斯坦福大学《人工智能指数报告2020》，2020年中国AI期刊被引用数占比达到20%，首次超过美国。另外，在2020年AMiner评选出的最有影响力、最有活力的顶级学者中，来自中国的学者占到9.8%，仅次于美国。
中国人工智能市场更加关注应用。我们认为，人工智能最关键的四个维度分别为：数据、算法、算力（半导体）、终端需求（场景），美国在这四个方面都处于领先地位，中国依托互联网公司的崛起，在数据及算法领域掌握优势；得益于中国抓住零部件及品牌厂商发展机会，终端需求（场景）丰富，在安防、无人机、无人车等领域的融资额要高于美国；算力（半导体）方面，中国在芯片设计及先进制程上与美国仍有较大差距，美国芯片融资额高于中国。
中国“AI+”进程领先，推动GDP额外增长。我们认为人工智能正向外溢性明显，通过与其他行业深度融合，赋能整体社会环境向好发展。根据艾瑞咨询数据，2020年中国人工智能产业带动了约6000亿元的其他产业增量；至2025年，国内受益于AI的相关产业规模将达1.6万亿元。PwC预计2030年中国人工智能对GDP的贡献将达到26.1%，这一数字远远领先于北美的14.5%和南欧的11.5%。我们认为，中国“AI+”进程的持续发展，将带动AI在我国的数字经济时代扮演愈发重要角色。
政策：支持与规范并行，AI伦理问题广受关注
我们认为，人工智能作为各国发展数字化的重要技术手段，已经由早期的“野蛮生长”迈入“规范构建”的阶段。当前各国通过政策手段对技术边界做出的规范，其重要性与从战略层面对产业进行的推动并驾齐驱。
战略支持：2016年以来，人工智能逐渐上升为全球政府的国家战略
截至2020年底，全球共有32个国家和地区发布了人工智能国家级战略文件，另有22个国家和地区正在制定相关文件。
► 中国：技术研究起步虽晚，国家战略领先全球。2017年，“人工智能”首次写入政府工作报告。同年发布《新一代人工智能发展规划》，提出三步走的战略规划，人工智能上升为国家战略。2020年“十四五”规划中提到，“强化国家战略科技力量，瞄准人工智能、量子信息、集成电路等重大科技项目”。2021年作为“十四五”规划的开局之年，人工智能有望继续得到大力发展。
► 美国：持续加大投入，旨在维持美国领先地位。2016年，美国发布《为人工智能的未来做准备》《国家人工智能研究与发展战略计划》两份重要报告，人工智能上升为国家战略。2020年，美国发布《人工智能倡议首年年度报告》，回顾在人工智能方面取得的进展，为未来的AI计划提出长期愿景。
► 欧盟：关注数据保护和AI伦理，监管政策最为严格。2018年，欧盟发布《人工智能协调计划》，要求欧盟成员以及挪威、瑞士等欧洲国家互相合作协调，推进人工智能建设。2021年，欧盟推动人工智能立法，对人工智能使用领域做出明确框定和限制，使人工智能在“可被信任”的前提下造福社会。
► 亚太：积极推进人工智能国家战略。日本于2017年首次推出人工智能战略文件，并于2019年进一步通过《AI战略2019》文件以期解决日本所面临的AI问题。韩国、新加坡等国亦分别于2019年将人工智能上升为国家战略。
规范构建：国际社会对AI伦理问题的关注日益上升
现阶段，人工智能应用需要收集和使用大量用户数据，因此人们关注点更加聚焦在隐私问题。以人脸识别技术为例，Facebook曾被要求对平台的人脸识别功能进行过多次调整：2012年9月，Facebook面对欧盟官员的压力，承诺在欧洲市场不使用人脸识别功能[3]；2018年Facebook在欧盟重新推出面部识别功能[4]；2019年9月Facebook更新了平台人脸识别功能的默认设置，用户可以自主选择开启或关闭[5]；2021年2月Facebook在一项针对人脸识别数据滥用的诉讼中被判向160万用户赔偿6.5亿美元[6]。
长远来看，AI技术所面临的伦理挑战还包括：1）人类对智能化的过度依赖（如懒惰退化、信息茧房等）；2）人类对自身身份和能动性的认知紊乱（如脑机技术、人体改造等）；3）算法歧视（如性别歧视、种族歧视等）；4）对人类造成伤害（如智能武器等）。
全球各经济体均意识到人工智能所带来的伦理问题，相继出台政策保障人工智能的长期可持续发展。
► 欧盟GDPR在数据监管领域起到里程碑式作用。2018年5月，欧盟实施通用数据保护条例（GDPR），针对不同数据类型规定了不同的合法处理数据路径，其适用范围广泛（属人管辖和属地管辖叠加），提倡最大限度的保护个人隐私，被视为大数据监管新时代的标志。
► 美国目前没有联邦层面统一的数据保护基本法，但在电信、金融、健康、教育等行业设有专门的数据保护法。以2018年颁布、2020年生效的《加州消费者隐私法案》（CCPA）为例，为帮助消费者充分行使“访问、删除和分享企业收集到的个人数据”这一权利，CCPA 要求任何和加州居民发生业务往来的公司都要遵守CCPA，即收集消费者数据的企业必须披露收集的信息及其商业目的。虽然与GDPR一样出于保护数据主体权利的目的，但其管辖范围只聚焦于加州境内以盈利目的处理个人信息的企业，也没有采用类似GDPR环环相扣的“合法路径事由”，而是只规定了企业的通知义务。与GDPR 相比，CCPA 在适用监管的标准上更宽松，但是一旦满足被监管的标准，违法企业受到的惩罚更大。2021年3月，弗吉尼亚州州长签署了《消费者数据保护法》，该法规性质与CCPA类似，将于2023年正式生效，而弗吉尼亚也成为了美国第二个颁布全面数据隐私法的州。
► 中国的《个人信息保护法》和《数据安全法》加速建立。我国的数据保护立法历经了对个人信息的间接保护到直接保护、从分散立法到研究集中立法的历史沿革，目前暂未形成统一的个人信息保护法。但2017年出台的《网络安全法》中对个人信息的定义和范围进行了统一，系统性定义个人信息保护的要求，并与《APEC个人隐私保护框架》等国际条例接轨。2020年3月国家标准化管理委员会发布《信息安全技术个人信息安全规范》，于2020年10月1日起实施，在我国完成大数据立法之前，起到规范人工智能、大数据等相关产业发展的“准法源”作用。2020年我国人大常委会审议了《个人信息保护法》和《数据安全法》，2021年5月，个人信息保护法和数据安全法的二审稿面向社会公开征求意见。
对比来看，欧盟更注重保护个人权利、而美国偏重于保障信息自由，中国信息保护领域的顶层设计正在加速布局。国际社会正呼吁尽快通过国际性的用户隐私保护政策。我们认为个人信息是大数据时代重要的数据资产，但它同时也承载着个人用户的人格利益和财产利益。数字经济趋势下，个人信息应用场景广泛延展至社会管理和商业领域，在创造价值的同时也要避免对其滥用而损害到个人权益。
技术：感知智能趋于成熟，迈向认知智能时代
自然语言处理、计算机视觉等感知智能成熟度较高，水平逼近人类智能。人工智能的发展脉络一般可分为运算智能→感知智能→认知智能，运算智能用以延伸人类运算能力，感知智能模拟人类的“视听”，认知智能在感知的基础上形成“自我的认知”。目前计算机视觉（CV）、语音识别、自然语言处理（NLP）被用来模拟“视、听、说”等人类行为，技术已经臻于成熟。
我们认为，人工智能长期将向认知智能阶段迈进、甚至不断逼近前文提及的“通用人工智能”，而当前的技术正处于“感知增强智能”的过渡期。“感知增强智能”是以“通过各种传感器获取信息”的感知智能为基础，佐以各种新技术发展，逐步走向认知智能时代的过渡阶段。我们认为要实现认知智能，当前还存在的技术瓶颈主要包括：
► 训练模型标注成本高、局限性较大。目前人工智能对数据标注的依赖度依然较高，训练模型需要标注的数据普遍在十万量级以上。根据中国信通院数据，用于视觉识别的ImageNet标注图片数量超过1400万幅，但人工标注方式成本高昂，以机器翻译为例，每单词翻译市场价为7.5美分，则1000万句（平均30单词每句）人工翻译成本超过2000万美元。另外，一个领域的标注数据在另一细分场景很可能会失效，具有局限性。
► 知识广度不够。目前人工智能一般被训练至精通某一特定领域，但是由于缺乏生活常识的输入，其表现往往与人类存在差异。同时，跨学科知识的交融越来越常见，缺乏另一领域的知识往往会导致人工智能在理解原领域时遭遇困难。
► 隐私问题。人工智能应用需要收集和使用大量用户数据，而数据隐私和安全问题正成为现阶段各国普遍关注的问题。以Deepfake为代表的视频合成技术、通过AI语音技术实施电话诈骗、AI字迹模仿等有争议的应用也引起了人们对于AI被不正当使用的广泛担忧。
► 存算分离的硬件架构。传统硬件采用冯·诺依曼架构，存算分离是最大的特点，由于数据存储在存储器中，进行计算之前首先要读取数据，过程中存在时间和能源的损耗，导致算力面临天花板。目前传统架构在深度学习领域成果斐然，但无法适应推理、决策等“认知智能”的要求。
我们认为未来4大方向的技术进步有望解决当前瓶颈，为人工智能迈向认知智能时代创造较大发展空间：1）自监督学习；2）知识图谱；3）联邦学习；4）神经形态硬件。
自监督学习：减少人工干预，帮助CV、NLP技术向更精细化方向发展
自监督学习（self-supervised learning，SSL）属于无监督学习的一种，能够从无监督数据中自行构造出标签。其中一种方法是，假设数据中的一部分不存在，利用剩余的数据去预测该部分，并将预测结果与实际情况相对比，对模型进行调整，最后自行给数据赋予一个标签（伪标签），以便之后进一步的训练学习。
现实生活中，无标签的数据远多于有标签的数据，利用无监督数据自身进行学习，能够充分利用已有数据，降低人为干预带来的高成本和攻击性，使训练模型在陌生的环境下也能正常运行。2020年初，Google、Facebook分别提出SimCLR和MoCo两个无监督表征学习算法[7]。
自监督学习在CV、NLP领域已经应用广泛。我们认为，自监督、无监督学习将是人工智能未来发展趋势之一。在CV领域，自监督学习可以完成着色、相对位置预测、填补、旋转、运动方向预测等任务，在自动驾驶领域已有学者利用自监督学习框架对点云运动进行估计[8]。在NLP领域，已涌现出BERT、GPT等经典的自监督学习模型，2020年5月OpenAI发布了预训练语言模型GPT-3[9]，该模型包括1750亿个参数，能够出色地完成翻译、问答、填空等任务。
知识图谱：增强人工智能迁移学习能力
知识图谱（Knowledge Graph）这一概念首先由谷歌于2012年提出，能够以结构化的数据标签描述客观世界，其本质是建立一张连接各个领域知识的大规模网络，从而让人工智能具备“认知智能”，用人的思维方式进行推理和决策。知识图谱包括通用知识图谱以及领域知识图谱，前者是常识性知识，后者是行业专业知识。目前金融、医疗、企业等领域已经初步构建了行业知识图谱，例如财经知识图谱、VoxelCloud AI医学影像知识图谱、阿里云企业图谱等。
知识图谱可以解决AI不可解释问题。AI的解释性在学界也是讨论广泛的议题，神经网络包括输入层、隐藏层、输出层，其中隐藏层缺乏透明度，运算相当复杂。人类只能看到运算之后的结果，但“如何运算”这个问题仍是无法解释的“黑匣子”。张钹院士认为下一代人工智能必须具有可解释性[10]。由于知识图谱具有更加形象、直观的特点，故能在一定程度上弥补神经网络的不可解释性。
联邦学习：效率与隐私兼得，有望解决数据孤岛和隐私问题
联邦学习（Federated Learning）可以在多个主体间不直接共享样本数据的情况下，实现模型的合作开发，对于解决数据孤岛和数据隐私问题具有重要意义。我们认为，联邦学习或将成为解决AI隐私问题的关键技术。根据所面向场景的不同，联邦学习又可分为横向和纵向两种不同的技术模式：1）横向联邦学习能够在大样本学习时保护个体隐私，即互联网公司不需要上传用户的数据也可实现模型训练，医院之间可以在不泄露患者隐私的前提下进行协同模型训练；2）纵向联邦学习能够解决跨行业的数据孤岛问题，即互联网公司、保险公司、银行等跨行业机构之间可以联合进行模型训练。
神经形态硬件：突破传统架构算力天花板
神经形态硬件（Neuromorphic Hardware）是在硬件层面对人类大脑神经元的模拟，摒弃了冯·诺依曼架构中存算分离的设计，通过存算一体，解决高时耗、高能耗的问题。与传统架构芯片相比，神经形态硬件可以并行处理数据，为人工智能运算提供算力支撑。典型的非冯架构芯片包括类脑芯片、光子芯片，例如TrueNorth、SpiNNaker、Tianjic、Loihi等。
2020年，神经形态硬件方面的研究取得了一定的进展。清华大学首次提出“类脑计算完备性”概念以及软硬件解耦的类脑计算系统层次结构，拓宽了类脑计算系统应用的范围，兼容CPU、GPU等通用芯片[11]。来自MIT的团队利用19个类脑神经元实现了自动驾驶[12]。
业态：底层技术竞争收敛，应用场景百花齐放
底层技术竞争蕴含马太效应，话语权长期向头部领袖集中
尽管当前人工智能产业仍处于快速成长期，行业竞争格局仍不稳定，但我们认为在底层技术领域的开发框架、模型训练、垂直生态三大维度，头部厂商的马太效应已经初步显现，长尾市场的竞争对手所面临的挑战也越来越大。
马太效应#1：开发框架格局逐渐稳定，主流厂商合作构建护城河。随着开发框架之间的合并以及自然淘汰，现在主流的开发框架以谷歌TensorFlow、脸书PyTorch为代表。为了在开发框架易用性、硬件适配优化等方面保持优势，主流框架之间形成排他性合作。例如TensorFlow与keras合作、MXNet与Gluon合作、PyTorch内部Torch与Caffe2合作，并与其他“联盟”相竞争。
马太效应#2：预训练模型规模激增，高昂训练成本成为进入门槛。2020年5月，OpenAI最新发布的预训练语言模型GPT-3参数高达1750亿，训练费用超过1200万美元，2021年谷歌发布的Switch Transformer进一步将模型参数抬高至1.6万亿个。我们认为，拥有这些模型的AI企业，有望通过“高质量训练模型——高质量训练结果——更高质量的数据——更高质量的训练模型”形成正循环，巩固自身优势。
马太效应#3：科技巨头垂直整合速度加快。人工智能从硬件、到技术、到场景，三个环节的联系日益紧密，“硬件—框架算法—训练平台—应用服务”各环节有能力的科技企业都开始了向上下游延伸的进程，以期实现全产业链布局。云计算厂商亚马逊，由技术服务出发，不仅通过Amazon Rekognition、Polly等应用平台提供服务，还布局了AWS SageMaker训练平台等深度学习框架，于2019、2020年分别推出自研Inferentia与Trainium芯片用于机器学习，垂直一体化地完善了其人工智能版图。华为从芯片硬件出发（于2018年全联接大会上发布了昇腾系列AI处理器），向上延伸覆盖芯片架构（CANN算子库）、算法框架（MindSpore计算框架）、应用平台（ModelArts开发套件），赋能公有云、私有云等多样的终端场景。我们认为头部企业的全产业链布局，有望构筑长期生态壁垒，巩固竞争优势。
平台化发展模式初现，助力应用层加速演进
人工智能平台快速发展，有望推动行业应用的快速迭代升级。人工智能平台是方便开发者进行开发的一种工具，集成了算法、算力和开发框架。根据IDC数据，2020年上半年我国AI平台市场规模达到1.4亿美元。例如，阿里云AI服务、百度大脑的单日调用均已超1万亿次，腾讯AI开放平台已服务全球12亿用户，人工智能平台发展十分迅速。当前，人工智能平台普遍支持TensorFlow、PyTorch等各种主流框架，分布式计算不断优化，技术工具链不断丰富完善，使得面向应用的AI企业能够迅速通过人工智能平台开发出适合的产品。我们认为人工智能平台的出现，有助于应用层的企业在开发环节降本增效，从而为行业生态发展注入活力。
整体来看，我们认为头部厂商将继续在底层技术面拓宽其能力触手，实现“平台化”发展，以抗衡下游场景的碎片化；部分细分赛道和应用领域的企业均有望受惠于这类平台，实现更好、更快的开发。随着头部企业在垂直领域整合力度加大，开放框架以及预训练模型等技术环节的门槛不断提升，我们预计底层技术领域的头部AI企业将以“内生+外延”的方式巩固其竞争优势，AI核心技术环节的话语权将进一步向头部厂商集中。但与此同时，AI平台愈发丰富，有助于在细分赛道积淀了足够Know-How的中小企业更快更好地迭代创新，人工智能应用领域有望迎来百花齐放的局面。
应用场景：语音、视觉有望率先大规模商用落地
复盘人工智能的前两次浪潮，我们都能看到“技术突破——应用落地——遇到瓶颈——热情退潮”的路径。第一次浪潮中，逻辑运算的发展，使人工智能在解题运算领域落地，但算力瓶颈导致了第一次退潮。第二次浪潮中，神经网络的发展帮助机器精专某一领域，专家系统成为率先落地的应用，但由于跨领域知识无法实现，出现第二次退潮。
技术成熟促使企业寻求应用落地，语音、视觉等领域有望迎来大规模商用。我们认为，本次人工智能浪潮在机器学习、深度学习方面已取得较快进展，感知智能已经达到、甚至在部分领域超过了人类智能水平，语音识别、机器翻译、图像识别等技术发展成熟，语音、视觉方面的应用有望不再局限于API式应用接口，而是成为深度融合特定行业、为传统企业带来丰厚利润的商业应用，长期将坚实助力我国的数字化转型。
旷视、商汤、科大讯飞等典型计算机视觉、语音识别企业，已从单技术研发拓展至多场景解决方案的供应商，逐步覆盖了消费、物流、安全等多个领域。例如，2020年，旷视升级仓储物流机器人软件“河图2.0”，将计算机视觉技术，结合Brain++算法，赋能智慧物流业务。商汤继续推进方舟（SenseFoundry）在智慧城市中应用，目前已接入全国31个省市总计十万路摄像头。
----
[1]https://www.msra.cn/zh-cn/news/features/imagenet-challenge-20150211
[2]https://www.sohu.com/a/291003986_100191015
[3]http://roll.sohu.com/20120924/n353820829.shtml
[4]https://www.cnbc.com/2018/04/18/facebook-brings-back-facial-recognition-to-europe-after-closing-it-in-2012.html?&qsearchterm=Facebook%20facial%20recognition
[5]https://cloud.tencent.com/developer/news/435921
[6]https://www.thehindu.com/news/international/facebook-to-pay-650mn-settlement-over-us-privacy-dispute/article33956974.ece
[7]北京智源人工智能研究院：https://mp.weixin.qq.com/s/bMH1GFFTRt5bBYWiwbdspg
[8]https://arxiv.org/pdf/2104.08683.pdf
[9]https://openai.com/blog/openai-api/
[10]张钹.人工智能进入后深度学习时代[J].智能科学与技术学报,2019,1(01):4-6.
[11]https://www.nature.com/articles/s41586-020-2782-y
[12]Neural circuit policies enabling auditable autonomy | Nature Machine Intelligence
文章来源
本文摘自：2021年7月9日已经发布的《“碳”致中和，方兴未“AI”》
