人工智能行业研究分析报告

概要

人工智能是信息时代的尖端技术。从人类建立起需要指导操纵才能运行的计算机，到计算机拥有能够自己去学习的能力，这一飞跃对各行各业都产生了巨大的阻碍。尽管现在此刻可能是下一个 AI 冬季（图8）到来之前的「给予承诺又让人失望」的周期，但这些投资和新技术至少会给我们带来有形的机器学习生产力的经济利益。

与此同时，人工智能、机器人和无人驾驶汽车差不多成为了流行文化甚至是政治话语的前沿。而且我们在过去一年的研究使我们相信这不是一个错误的开始，而是一个拐点。正如我们将在本报告中探讨的那样，那个变化的缘故有显而易见的（更快更强的计算资源和爆炸式增长的数据库），也有细致入微（深度学习，专有硬件和开源的崛起）的。

那个 AI 拐点（AI inflection）中更令人兴奋的一个方面是「现实世界」的使用案例比比皆是。尽管深度学习使计算机视觉和自然语言处理等技术有了显著的提高，比如苹果公司的Siri，亚马逊的 Alexa 和 Google 的图像识不，然而 AI 不仅仅是「科技技术」（tech for tech），也确实是大数据集与足够强大的技术相结合的情况下，价值正在被慢慢创建，竞争优势也变得越来越明显。

例如，在医疗保健中，图像识不技术能够提高癌症诊断的准确性。在农业中，农民和种子生产商能够利用深度学习技术来提高作物产量。在制药业中，深度学习能够用于改善药物的研发。在能源方面，勘探效率正在提高，设备可用性正在不断增强。在金融服务方面，通过开发新的数据集，实现更快的分析，从而降低成本，提高回报。AI 现在还处于发觉其可被利用场景的早期时期，这些必要的技术会通过基于云的服务实现大众化、平等化，我们相信随之而来的创新浪潮将在每个行业中制造新的赢家和

输家。

AI 的广泛应用让我们得出了一个结论：它是一种能够变革

全球经济的技术，是提高生产力并结束美国生产率停滞增长的驱动力。结合 GS 首席经济学家 Jan Hatzius 的研究，我们明确

了资本深化目前的停滞及其对美国生产率的相关阻碍。我们相信，AI 技术将会驱动生产力的提高，就像 20 世纪 90 年代那样，

驱动企业投资更多的资本和劳动密集型项目，加快进展的脚步，提高盈利能力以及提高股票的估值。

启发

尽管我们看到了人工智能能够及时地阻碍到每个公司、行业和一部分经济，但对投资者而言，我们认为这其中有四个阻碍最为显著。

生产率。AI 和机器学习具有激发生产率增长周期的潜力，

这会有利于经济的增长，提升企业的盈利能力，资本回报率和资产估值。依照 GS 首席经济学家 Jan Hatzius 所讲：「大体上

而言，AI 看起来大概比上一次创新浪潮更有可能在统计数据中

捕捉到更有价值的东西，人工智能能够降低成本，减少对高附加值生产类型的劳动投入。举个例子，这些在商业部门成本节约上的创新可能比在 iPhone 中增加应用程序的可用性和多用性更

利于统计学家去捕获有价值的东西。考虑人工智能对商业部门的成本结构的广泛阻碍，我有理由相信它会被统计学家同意，同时会出现在整体生产力数据中。

尖端技术。AI 和机器学习在速度上的价值有利于构建一种

在建设数据中心和网络服务时让硬件更廉价的趋势。我们认为这可能推动硬件，软件和服务支出的市场份额的大幅度改变。例如，在「标准」数据中心计算资源上运行的 AWS 工作负载的成本低

至 $ 0.0065 /小时，而在使用 AI 优化过的 GPU 上运行的成本为 0.900 美元一小时。

竞争优势。我们看到了 AI 和机器学习具有重新调整每个行业的竞争秩序的潜力。未能投资和利用这些技术的治理团队在和受益于战略智能的企业竞争时，有专门大可能会被淘汰掉，因为这些技术能够让企业的生产力提高，并为它们制造资本效益。在第 41 页开始的短文中，我们将研究这些竞争优势是如何在医疗保健、能源、零售、金融和农业等领域进展起来的。

创办新公司。我们发觉了 150 多家在过去十年中创建的人

工智能和机器学习公司（附录 69-75）。尽管我们相信人工智能的大部分价值都掌握在具有资源、数据和投资能力的大公司手中，但我们也期望风险投资家、企业家和技术专家能够接着推动新公司的创立，从而促进实质性的创新和价值制造，即使最后创业公司会被收购。因此我们也不能忽视人工智能巨头（人工智能领域的谷歌或 Facebook）的出现。

在接下来的篇幅中，我们将深入探讨 AI 的技术，历史，机器学习的生态系统以及这些技术在行业和领头公司中的应用。

什么是人工智能？

人工智能是做出能够以人类智能的方式学习并解决问题的

智能机器和计算机程序的理工科。传统而言，该领域包括自然语言处理与翻译、视觉感知与模式识不，以及决策制定。但该领域以及应用的复杂度都在急剧扩展。

在此报告中，我们的大部分分析集中在机器学习（人工智能的一个分支）与深度学习（机器学习的分支）上。我们强调两点：简言之，机器学习是从样本和经验（即数据集）中进行学习的算法，而不是依靠硬编码和预先定义的规则。换言之，也确实是开发者不再告诉程序如何区分苹果和橘子，而是向算法输入数据（训练），然后自己学习如何区分苹果和橘子。

深度学习的重大进展是人工智能拐点背后的要紧驱动。深度学习是机器学习的一个子集。在大部分传统的机器学习方法中，特征（即有预测性的输入或属性）由人来设计。特征工程是一大瓶颈，需要大量的专业知识。在无监督学习中，重要特征并非由人预定义，而是由算法学习并制造。

为了更加明了，我们不注重真人工智能、强人工智能或通用人工智能如此的概念，它们意味着复制人类智能，也经常出现在流行文化中。尽管差不多有了一些有潜力的突破，比如谷歌DeepMind 的 AlphaGo 系统，我们依旧更注重立即有实在经济的人工智能进展。

为何人工智能进展加速？

深度学习能力的极大进展是现在人工智能拐点背后的催化

剂之一。深度学习的底层技术框架——神经网络，差不多存在了数十年，但过去 5 到 10 年的 3 种东西改变了深度学习：

1.数据。随着全球设备、机器和系统的连接，大量的

无结构数据被制造出来。神经网络有了更多的数据，就变

得更为有效，也确实是讲随着数据量增加，机器学习能够

解决的问题也增加。手机、IoT 、低成本数据存储和处理

（云）技术的成熟使得可用数据集的大小、结构都有了极

大增长。

例如，特斯拉收集了 780mn 英里的驾驶数据，而且通过他们的互连汽车，每 10 小时就能增加 100 万英里的数

据。此外，Jasper 有一个平台，能让多家汽车制造商和电

信公司进行机器间的交流，这家公司于今年 2 月份被

Cisco 收购。Verizon 在 8 月份做了类似的投资，宣布收

购 Fleetmatics，Fleetmatics 做的是将汽车内的远程传

感器通过无线网络连接到云软件。

以后，5G 网络的上线将会加速数据生成与传输的速率。

据 IDC 的 Digital Universe Report 显示，年度数据生

成预期到 2020 年达到 44zettabytes，表明我们正在见证

应用这些技术的使用案例。

图 1：年度数据生成预期到 2020 年达到 44zettabytes

2. 更快的硬件。GPU 的再次使用、低成本计算能力的普遍化，特不是通过云服务，以及建立新的神经网络模型，差不多极大的增加了神经网络产生结果的速度与准确率。GPU 和并行架构要比传统的基于数据中心架构的 CPU 能更快的训练机器学习系统。通过使用图像芯片，网络能更快的迭代，能在短期内进行更准确的训练。同时，特制硅的进展，比如微软和百度使用的 FPGA，能够用训练出的深度学习系统做更快的推断。另外，从 1993 年开始超级计算机的原计算能力有了极大进展（图 2）。在 2016 年，单张英伟达游戏显卡就有了类似于 2002 年之前最强大的超级

计算机拥有的计算能力。

图 2：全球超级计算机的原计算性能，以 GFLOPs 测试

成本也有了极大的降低。英伟达 GPU（GTX 1080）有 9 TFLOPS 的性能，只要 700 美元，意味着每 GFLOPS 只要 8 美分。在1961 年，串够 IBM 1620s 每提供 1 GFLOPS 需要的钞票超过 9 万亿。

图 3：每单位计算的价格有了极大下降

3. 更好、更普遍可用的算法。更好的输入（计算和数据）使得更多的研发是面向算法，从而支持深度学习的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 如此的开源框架。比如，刚开源一周年的 TensorFlow，成为了 GitHub 上有最多forked repositories 的框架。尽管不是所有的人工智能发生于普遍可用的开源框架中，但开源确实在加速进展，而且也有更多先进的工具正在开源。

方向

尽管本报告的重点是人工智能的进展方向以及公司如何把

握那个方向，然而了解人工智能对我们生活的阻碍程度也是专门重要的。

在线搜索。就在一年多往常，谷歌透露，它们差不多开始将大量的搜索工作移植到了 RankBrain（一个人工智能系统），使

其和链接（links）以及内容（content）成为了谷歌搜索算法的三个最重要的标志。

推举引擎。Netflix，亚马逊和 Pandora 都在使用人工智能来确定推举什么样的电影和歌曲，突出哪些产品。5 月，亚马逊开源了它们的深度可扩展稀疏传感网络引擎（the Deep Scalable Sparse Tensor Network Engine（DSSTNE），简称「Destiny」），它被用于产品推举，同时能够被扩展以实现超越语言和语言理解以及异议识不的目的。

人脸识不。Google（FaceNet）和 Facebook（DeepFace）都投入了大量的技术来确定您的照片中的人脸和真实的人脸是不

是几乎完全吻合。1 月，苹果采取了进一步措施，购买了Emotient（一个致力于通过读取人的面部表情来确定其情绪状态的 AI 创业公司）显然，这些技术远远不止于对比片进行标记。

尽管个人助理应用产品有许多的用户，比如苹果的 Siri，信用贷，保险风险评估，甚至天气预测。在接下来的篇幅中，我们探讨企业该如何使用这些技术来加速增长，降低成本和操纵风险。从这些技术及其使用这些技术的应用的进展速度来看，它们充其量只是能够为公司和投资者提供一些方向，以保持他们的竞争力。

加强以后的生产率

美国的劳动生产率在 90 年代中期的快速增长和过去十年

的缓慢增长和之后，近年来差不多停止增长了。我们认为，就像

20 世纪 90 年代互联网技术被广泛采纳那样，消费类机器学习和人工智能的扩散有可能大幅度地改变全球产业的生产范式。

在整个行业中，我们发觉在自动化的促使下，劳动时刻减少了约 0.5％-1.5％，同时，由于 AI / ML 技术带来的效率增益，到 2025 年，这些技术将对生产力增长产生高达 51-1154 个基点（bps）的阻碍。尽管我们期望 AI / ML 能够随着时刻同时提高生产率的分母和分子，只是我们认为最重要的是，早期的阻碍将是低工资任务的自动化，即以更少的劳动时刻推动类似的产出增长水平。我们的差不多案例 AI / ML 驱动提高了 97 个基点，这意味着 2025 年的增长生产率中的 1.61％将由 IT 贡献，比1995 - 2004 年高出 11 个基点（图 9,10）。

图 9：生产力分析；单位百万美元，假设 2019 年之后 GDP

线性增长

生态系统：云服务，开源在以后的 AI 投资周期中的关键受益人

我们相信，在以后的几年中，一个公司利用人工智能技术的能力将成为体现公司在所有要紧行业竞争力的一个属性。尽管战略会因公司规模和行业而有所不同，但假如治理团队可不能把重心放在领导人工智能和在此基础上的利益上，那么以后产品创新、劳动效率和资本杠杆都会存在落后的风险。因此，我们认为公司需要投资这些新技术以保持竞争力，同时这将导致对人工智能因此依靠的人才、服务和硬件的空前的需求。

作为比较，20 世纪 90 年代技术驱动的生产力繁荣推动了

相应的激增。增加对技术的资本支出导致了新的企业和业务的增加来捕获这些资本支出。在不可幸免的行业整合发生之前，成立软件、硬件和网络公司开始发生转变。下图 13 突出了软件行业内的这种模式。在 1995 - 1999 年期间，在通货膨胀调整后，

市值在 20 亿美元到 50 亿美元之间的公共软件公司的数量几乎增加了两倍，在 2000 年代中期才得到巩固。

图 13：伴随 20 世纪 90 年代生产力激增的驱动者生态系

统（enabler ecosystem）

图 14：这十年来，投资人工智能的风险资本出现了暴增

我们看到了由 AI 驱动的生产率具有产生下一个相似的繁

荣周期的潜力，能够通过利用这些潜力，把软件、硬件、数据和服务提供商作为商业投资来制造价值。如上图 14 所反映的那样，与 AI 相关的初创企业的风险投资在这十年中急剧增加。AI 企

业投资的繁荣现象的巨大潜力也开始推动整合。尤其是云平台对AI 相关人才进行了大量投入，自 2014 年以来，谷歌、亚马逊、微软和 Salesforce 共进行了 17 项与 AI 相关的收购（下图）。