人工智能行業(yè)2023年投資策略報告：AI大時代把握賦能、創(chuàng)新與安全三條主線

信建投(國際)證券有限公司在香港提供。同時請參閱最后一頁的重要聲明。2021/12/132022/1/132022/2/132022/3/132022/4/132022/5/132022/6/132022/7/132022/82021/12/132022/1/132022/2/132022/3/132022/4/132022/5/132022/6/132022/7/132022/8/132022/9/132022/10/132022/11/132022/12/13AI大時代，把握賦能、創(chuàng)新人工智能本質(zhì)上是工具，要結(jié)合算法成熟度、數(shù)據(jù)積累和算力情況等多方面去判斷其在不同領(lǐng)域的應(yīng)用情況，同時下游行業(yè)發(fā)展的不同周期也一定程度上影響AI的應(yīng)用，我們認(rèn)為明年AI投資方向主要來自四個方面：賦能：算法相對比較成熟，數(shù)據(jù)訓(xùn)練也達(dá)到商業(yè)化要求，處于從1到N滲透的階段，典型的如深度學(xué)習(xí)算法在金融、教育、工業(yè)等領(lǐng)域的應(yīng)用，重點關(guān)注教育行業(yè)復(fù)蘇以及工業(yè)領(lǐng)域的AI應(yīng)用。深度學(xué)習(xí)在視覺、自然語言處理均屬于發(fā)展多年且成熟度較高的算法，隨著數(shù)據(jù)的不斷積累和硬件邊際成本的降低，在一些領(lǐng)域滲透率不斷提升，尤其是以安防、金融等領(lǐng)域滲透較好。展望明年，我們認(rèn)為，安防、教育等行業(yè)今年受疫情以及政府支出縮減等影響，明年有望復(fù)蘇，同時受益于財政補貼等因素影響，重點關(guān)注科大訊飛等。工業(yè)和機(jī)器視覺的結(jié)合，是未來幾年AI應(yīng)用最重要的方向之一，核心成長邏輯有三方面：一是下游高質(zhì)量成長帶動的需求，如新能源領(lǐng)域快速發(fā)展疊加品控要求提高帶動了相關(guān)智能視覺檢測設(shè)備需求；二是國產(chǎn)替代，成本疊加服務(wù)優(yōu)勢，國產(chǎn)軟硬件有望逐步替代基恩士、康耐視等；三是新冠疫情下，制造業(yè)對智能化替代的訴求更強了，該領(lǐng)域公司都具備品類拓張的能力。由于多數(shù)工業(yè)領(lǐng)域的機(jī)器視覺公司主要收入來自消費電子領(lǐng)域，今年受下游需求影響增速較慢，明年有望復(fù)蘇，建議重點關(guān)注中控技術(shù)、凌云光(機(jī)械組覆蓋)、奧普特(機(jī)械組覆蓋)、天準(zhǔn)科技(人工智能、機(jī)械組聯(lián)合覆蓋)等。創(chuàng)新：算法仍在迭代，數(shù)據(jù)積累量不夠，算力也剛剛突破，整體看仍處于從0到1階段，典型的如自動駕駛。我們認(rèn)為智能駕駛是明年重要景氣賽道之一：一是展望明年，消費需求有所復(fù)蘇；吉利極氪等傳統(tǒng)車廠明年都會有硬件達(dá)到L4級別的自動駕駛車型量產(chǎn)；三是人民幣進(jìn)入升值通道，板塊毛利率將逐步修復(fù)。因此，明年整個板塊在總量、滲透率還有盈利水平上都將有向好的邊際變化。重點推薦中科創(chuàng)達(dá)、德賽西威和經(jīng)緯恒潤等。Model(擴(kuò)散模型)的推出，基于擴(kuò)散模型的文本生成圖像模型越來越多，并很快擴(kuò)展到文本生成視頻、文本生成3D、文本生成音頻等。再比如近期OpenAI發(fā)布了ChatGPT人機(jī)對話交互模型，模型開放測試一周用戶便突破了百萬級別，其4.0版本將更159231SAC執(zhí)證編號:S1440518040002SFC中央編號:BNS315451607SAC執(zhí)證編號:S1440522030001市場表現(xiàn)%4%-6%-16%-26%-36% 計算機(jī)上證指數(shù)相關(guān)研究報告人人工智能頁的重要聲明加臨近圖靈測試的奇點，這些算法的突破和應(yīng)用將創(chuàng)造出新的業(yè)態(tài)和應(yīng)用。安全：AI軟硬件平臺的國產(chǎn)化比例提升。在中美貿(mào)易戰(zhàn)、科技戰(zhàn)持續(xù)深化的背景下，加強對卡脖子的關(guān)鍵核心技術(shù)研發(fā)的支持，加速國產(chǎn)替代的步伐，重點看好FPGA、EDA等細(xì)分板塊。1)FPGA板塊：一是行業(yè)有成長性，F(xiàn)PGA在2017年之前主要應(yīng)用在通信密集的領(lǐng)域，市場規(guī)模長期在40-50億美金，隨著架構(gòu)、制程的迭代使得FPGA在計算密集也有了用武之地，比如數(shù)據(jù)中心、汽車等領(lǐng)域，2021年市場突破至接近70億美金，2022年Xilinx(AMD)、Altera(Intel)和Lattice三家公司繼續(xù)實現(xiàn)高增長，增速均在30%上下，并且明年Xilinx的FPGA芯片將繼續(xù)提價，驗證該領(lǐng)域的景氣度；二是行業(yè)競爭格局有利于國內(nèi)公司，海外FPGA巨頭沒有優(yōu)先保證中國廠商需求，給了國內(nèi)公司國產(chǎn)替代的機(jī)會，2022年FPGA國內(nèi)市場規(guī)模近200億，替代空間較大；三是FPGA軟硬件協(xié)同，且下游通信、工業(yè)等客戶需求穩(wěn)定，因此構(gòu)筑了較高的壁壘，海外龍頭公司毛利率、凈利率都較高且穩(wěn)定?？春迷摪鍓K的成長性和確定性，重點推薦安路科技。2)EDA板塊：EDA公司如新思科技、Cadence在美股半導(dǎo)體板塊中估值一直相對較高，一方面是該領(lǐng)域的公司壁壘高，另一方面受下游需求影響小，中長期保持穩(wěn)定增長，因此估值一直相對較高。對于國內(nèi)市場來說，內(nèi)EDA市場增速高于全球。同時，EDA是半導(dǎo)體卡脖子最為嚴(yán)重的環(huán)節(jié)之一，國產(chǎn)化率較低，國產(chǎn)替代需求迫切。經(jīng)過幾年發(fā)展，國內(nèi)EDA公司商業(yè)化能力有了大幅提升，無論是點工具布局的完整度、先進(jìn)制程的使用，還是仿真速度及精確度都有了明顯提升，因此在客戶范圍、應(yīng)用領(lǐng)域都有新的突破。我們持續(xù)看好EDA板塊的成長性，重點推薦廣立微和華大九天。風(fēng)險提示：北美經(jīng)濟(jì)衰退預(yù)期逐步增強，宏觀環(huán)境存在較大的不確定性，國際環(huán)境變化影響供應(yīng)鏈及海外拓展；芯片緊缺可能影響相關(guān)公司的正常生產(chǎn)和交付，公司出貨不及預(yù)期；疫情影響公司正常生產(chǎn)和交付，導(dǎo)致收入及增速不及預(yù)期；信息化和數(shù)字化方面的需求和資本開支不及預(yù)期；市場競爭加劇，導(dǎo)致毛利率快速下滑；主要原材料價格上漲，導(dǎo)致毛利率不及預(yù)期；匯率波動影響外向型企業(yè)的匯兌收益與毛利率；人工智能技術(shù)進(jìn)步不及預(yù)期；汽車與工業(yè)智能化進(jìn)展不及預(yù)期等；半導(dǎo)體擴(kuò)產(chǎn)不及預(yù)期。 圖表18：線性問題(左)和非線性問題(右) 10 x 人人工智能頁的重要聲明1一、人工智能行業(yè)簡介及投資策略潮人工智能第一次發(fā)展浪潮：推理與搜索占據(jù)主導(dǎo)，但由于當(dāng)時機(jī)器計算能力的不足而經(jīng)歷了第一次低迷期。人工智能(ArtificialIntelligence，縮寫AI)，是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。這一概念最早由麻省理工學(xué)院的約翰·麥卡錫在1956年的達(dá)特茅斯會議上提出，隨之迎來了人工智能的第一次發(fā)展浪潮(1956-1974)。這一時期的核心在于讓機(jī)器具備邏輯推理能力，通過推理與搜索嘗試開發(fā)能夠解決代數(shù)應(yīng)用題、證明幾何定理、使用英語的機(jī)器。該階段的成果幾乎無法解決實用問題，另外實際應(yīng)用中人工智能計算量的增長是驚人的，特別是模擬人類感知帶來的巨大運算量遠(yuǎn)超70年代的計算能力，因此人工智能經(jīng)歷了第一次低迷期。人工智能第二次發(fā)展浪潮(1980-1987)：專家系統(tǒng)開始商業(yè)化，場景局限性限制其發(fā)展。這一時期的核心是基于“專家系統(tǒng)”思想，讓AI程序能解決特定領(lǐng)域問題，知識庫系統(tǒng)和知識工程成為了這一時期的主要研究方向，專家系統(tǒng)能夠根據(jù)該領(lǐng)域已有的知識或經(jīng)驗進(jìn)行推理和判斷，從而做出可以媲美人類專家的決策。典型代表如醫(yī)學(xué)專家系統(tǒng)MYCIN，MYCIN具有450條規(guī)則，其推導(dǎo)患者病情的過程與專家的推導(dǎo)過程類似，開處方的準(zhǔn)確率可以達(dá)到69%，該水平強于初級醫(yī)師，但比專業(yè)醫(yī)師(準(zhǔn)確率80%)還是差一些。隨著人們發(fā)現(xiàn)專家系統(tǒng)具有很強的場景局限性，同時面臨著升級迭代的高難度和高昂的維護(hù)費用，因而AI技術(shù)發(fā)展經(jīng)歷了第二次低迷期。資料來源：清華大學(xué)AMiner，CSDN、中信建投從1993年開始，AI技術(shù)步入了第三次發(fā)展浪潮：深度學(xué)習(xí)引領(lǐng)浪潮。這一時期，計算性能上的障礙被逐人人工智能頁的重要聲明2基礎(chǔ)層智能機(jī)器人其它智能器件智能語音終端智能無人機(jī)無人車智能搜索軟件翻譯軟件智能語音助手智能助手軟件基礎(chǔ)層智能機(jī)器人其它智能器件智能語音終端智能無人機(jī)無人車智能搜索軟件翻譯軟件智能語音助手智能助手軟件圖像處理軟件其它智能軟件其他算法開發(fā)機(jī)器學(xué)習(xí)語音識別語音處理機(jī)器翻譯文本生成語義理解語言理解算法開發(fā)軟件架構(gòu)GNNCNNRNNTransformerGPTBERTELMoGoogleNetResNetMobileNetTensorflowPytorchpaddlepaddlecaffe步克服，2006年深度學(xué)習(xí)這一重要理論被提出，并解決了訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)時的過擬合問題。2011年以來，深度學(xué)習(xí)算法的突破進(jìn)一步加速了AI技術(shù)發(fā)展的第三次浪潮，標(biāo)志性事件是2012年ImageNet圖像識別大賽，其深度CNN網(wǎng)絡(luò)的錯誤率僅為15%左右，遠(yuǎn)遠(yuǎn)好于第二名支持向量機(jī)算法的26%，這一結(jié)果迅速點燃了產(chǎn)業(yè)對神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的興趣，深度學(xué)習(xí)也快速的實現(xiàn)了商業(yè)化?？偨Y(jié)一下，人工智能三次浪潮均始于算法突破，兩次寒冬則是由于算力和數(shù)據(jù)量的限制：第一次浪潮：核心是符號主義(邏輯主義)，最重要的成果是邏輯推理、啟發(fā)式搜索，第一次浪潮中產(chǎn)生的方法主要是基于知識或模型驅(qū)動的，建立在“if-then”結(jié)構(gòu)的人工設(shè)定的形式邏輯基礎(chǔ)；第二次浪潮：專家系統(tǒng)推動人工智能從理論走向?qū)嶋H，BP算法解決非線性分類，成果集中在語音識別、語音翻譯等領(lǐng)域；第三次浪潮：深度學(xué)習(xí)的突破，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)成功用于圖像、語音識別。人工智能產(chǎn)業(yè)鏈：主要分為基礎(chǔ)層、技術(shù)層和應(yīng)用層?；A(chǔ)層主要包括人工智能芯片、傳感器、云計算、數(shù)據(jù)采集及處理等產(chǎn)品和服務(wù)，智能傳感器、大數(shù)據(jù)主要負(fù)責(zé)數(shù)據(jù)采集，AI芯片和云計算一起負(fù)責(zé)運算。技術(shù)層是連接產(chǎn)業(yè)鏈基礎(chǔ)層與應(yīng)用層的橋梁，包括各種深度學(xué)習(xí)框架、底層算法、通用算法和開發(fā)平臺等。應(yīng)用層則是將人工智能進(jìn)行商業(yè)化應(yīng)用，主要提供各種行業(yè)解決方案、硬件和軟件產(chǎn)品。慧 慧 慧防慧 金融慧物流慧 零售慧業(yè)慧城市慧慧農(nóng)業(yè)慧 文娛慧教育慧制造圖像識別模圖像識別模式識別圖像處理文字識別計算機(jī)視覺底層算法資料來源：云從科技招股說明書，中信建投人人工智能頁的重要聲明3基礎(chǔ)層之AI芯片：CPU憑借通用性，依然在AI訓(xùn)練中占據(jù)重要位置；GPU憑借生態(tài)優(yōu)勢和強大的計算能力在AI應(yīng)用中占據(jù)主導(dǎo)地位，F(xiàn)PGA/ASIC未來占比將不斷提升。AI芯片是AI加速服務(wù)器中用于AI訓(xùn)練與推理的核心計算硬件，主要可以分為CPU/GPU/FPGA/ASIC/NPU等。CPU是目前常見的計算單元，具有很高的靈活性，但在大規(guī)模運算方面的性能和功耗表現(xiàn)一般。GPU因具有大規(guī)模的并行架構(gòu)而能夠在AI計算任務(wù)中實現(xiàn)較好的性能表現(xiàn)，但同時他會帶來不菲的能耗成本。ASIC指的是人工智能專用芯片，在AI任務(wù)中有著最優(yōu)秀的性能表現(xiàn)，其缺點是靈活性較低同時具有高昂的研發(fā)成本和能耗成本。與ASIC相反的是靈活性很高的可重復(fù)編程芯片F(xiàn)PGA，其高效的異步并行能力幫助其在AI計算加速中扮演重要的作用，但其成本較高。目前，GPU因其更強的計算能力和更為成熟的編程框架(如CUDA、OpenCL等)，已經(jīng)成為當(dāng)前AI應(yīng)用中的重要處理器和通用解決方案，而FPGA和ASIC則在特定的應(yīng)用場景下有著各自的優(yōu)勢。AI芯片國產(chǎn)替代空間大。AI芯片是目前人工智能產(chǎn)業(yè)鏈中與國外差距較大的一個環(huán)節(jié)，CPU基本被Intel和AMD所壟斷；GPU基本被英偉達(dá)、AMD所壟斷；FPGA全球90%份額集中在AMD(Xilinx)、Intel(Altera)和Lattice等公司。2%1.0%%%%CPUGPUFPGAASIC低中高高低中高高中低高中DDleDleDD信息資料來源：智能計算機(jī)芯世界，中信建投資料來源：速石科技，中信建投除AI芯片以外，基礎(chǔ)層還包括光學(xué)、聲學(xué)傳感器，公司包括舜宇光學(xué)、禾賽科技等；計算平臺主要指的是能夠為人工智能計算提供所需的專用算力的數(shù)據(jù)計算中心，主要包括浪潮、阿里云、騰訊云、華為云等。數(shù)據(jù)服務(wù)主要指的是為各業(yè)務(wù)場景中的AI算法訓(xùn)練與調(diào)優(yōu)而提供的數(shù)據(jù)庫設(shè)計、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)注與數(shù)據(jù)質(zhì)檢服務(wù)，主要公司包括海天瑞聲、愛數(shù)智慧、云測、標(biāo)貝科技等；硬件設(shè)施主要指的是AI芯片和傳感器。人人工智能頁的重要聲明4技術(shù)層為包括核心算法在內(nèi)的關(guān)鍵技術(shù)研發(fā)和生產(chǎn)企業(yè)，主要分為AI軟件框架、理論算法、通用技術(shù)三個方面。軟件框架簡單來說就是庫，編程時需導(dǎo)入軟件框架，里面有各種模型或算法的一部分，主要提供給使用者設(shè)計自己的AI模型。目前市場上主要的深度學(xué)習(xí)開源框架有Google的TensorFlow、Facebook的Pytorch，而國內(nèi)企業(yè)參與AI軟件框架開發(fā)較晚，主要有百度的飛槳PaddlePaddle、騰訊Angel等。底層算法典型代表如GNN、CNN、RNN、Transformer等底層理論，相關(guān)參與方包括DeepMind、OpenAI、阿里達(dá)摩院等。通用技術(shù)主要指的是感知、認(rèn)知、思維、決策等不同的應(yīng)用方向的技術(shù)，包括計算機(jī)視覺、自然語言處理、知識圖譜、推薦系統(tǒng)等，相關(guān)公司包括商湯科技(計算機(jī)視覺)、云從科技(計算機(jī)視覺)、科大訊飛(自然語言處理)等。隨著底層理論算法的不斷創(chuàng)新和通用技術(shù)的不斷成熟，人工智能算法模型所需算力呈現(xiàn)指數(shù)級增長趨勢。2012年以前，模型的算力需求以接近摩爾定律的速度增長(兩年翻一倍)。2012年以后，模型訓(xùn)練所需計算量增長接近一年翻10倍。應(yīng)用層：安防占據(jù)AI應(yīng)用主要場景，金融應(yīng)用AI較好，醫(yī)療、工業(yè)具有一定快速應(yīng)用前景。在應(yīng)用場景人人工智能頁的重要聲明5維度，目前人工智能已在安防、金融、教育、交通、醫(yī)療、家居、營銷等多垂直領(lǐng)域取得一定發(fā)展，尤其是AI+安防、金融、交通領(lǐng)域發(fā)展較快，典型公司有?？低暋⑸虦萍嫉?；應(yīng)用產(chǎn)品維度廣闊，包括自動駕駛汽車、無人機(jī)、智能語音助手、智能機(jī)器人等，典型公司包括小馬智行、科大訊飛等。從下游需求方來看，安防依然占據(jù)著AI主要需求，金融賽道則是下一個應(yīng)用較好的場景，金融行業(yè)本身有較好的信息化基礎(chǔ)以及數(shù)據(jù)積累，并且對精準(zhǔn)營銷、智能風(fēng)控、反欺詐和反洗錢等機(jī)器學(xué)習(xí)產(chǎn)品有強烈需求，因此金融賽道應(yīng)用AI較好。醫(yī)療、工業(yè)等賽道未來具有一定快速增長潛力，如AI在新藥研發(fā)、手術(shù)機(jī)器人等領(lǐng)域的應(yīng)用，工業(yè)領(lǐng)域也從機(jī)器視覺質(zhì)檢進(jìn)一步拓展至更多領(lǐng)域。工業(yè)學(xué)歷教育其他4.0%2.0%6.0% 4.0%營49.0%從整體市場規(guī)模上來看，人工智能行業(yè)整體市場呈現(xiàn)穩(wěn)步增長的趨勢。2021年全球市場人工智能市場收入規(guī)模(含軟件、硬件及服務(wù))達(dá)850億美元。IDC預(yù)測，2022年該市場規(guī)模將同比增長約20%至1017億美元，并將于2025年突破2000億美元大關(guān)，CAGR達(dá)24.5%。中國人工智能市場規(guī)模(含軟件、硬件及服務(wù))達(dá)82億美元，占全球市場規(guī)模的9.6%，在全球人工智能產(chǎn)業(yè)化地區(qū)中僅次于美國和歐盟，位居全球第三。數(shù)據(jù)顯示，中國人工智能市場規(guī)模由2016年的154億元增長至2020年的1280億元，年均復(fù)合增長率為69.9%。2022年中國人工智能市場規(guī)模將達(dá)2729億元。全球人工智能市場收支規(guī)模(億美元)中國人工智能市場規(guī)模(億元)同比(%)30002500200015001000086.51963085020212022E2025E 31820.000.0201620172018201920202021E2022E資料來源：IDC，上海數(shù)字大腦研究院，中信建投資料來源：中商情報網(wǎng)，中信建投計算機(jī)視覺和自然語言處理是商業(yè)化落地較快的兩項人工智能通用技術(shù)。計算機(jī)視覺相關(guān)技術(shù)已經(jīng)十分成人人工智能頁的重要聲明6熟，技術(shù)落地效果超過人類水平，目前國內(nèi)有35%的AI企業(yè)聚集計算機(jī)視覺領(lǐng)域，2020年市場規(guī)模近千億，在所有領(lǐng)域中占比最高，是目前最具商業(yè)化價值的AI賽道。自然語言處理技術(shù)逐步實現(xiàn)從學(xué)術(shù)研究發(fā)展到商業(yè)應(yīng)用推廣的轉(zhuǎn)變，核心產(chǎn)品及帶動的相關(guān)產(chǎn)業(yè)規(guī)模均穩(wěn)步增長，2021年自然語言處理核心產(chǎn)品規(guī)模預(yù)計達(dá)到219億元，相關(guān)產(chǎn)業(yè)規(guī)模達(dá)到514億元，未來幾年年增長率均維持在20%左右。60005000400030002000100050.040.030.0601.32658.810.04858.433.34350.040.030.0601.32658.810.04858.433.34351.28035.72249.2中國計算機(jī)視覺核心產(chǎn)品規(guī)模(億元)中國計算機(jī)視覺帶動相關(guān)產(chǎn)業(yè)規(guī)模(億元)同比(%)同比(%)60.020.012001000800600400200中國自然語言處理核心產(chǎn)品規(guī)模(億元)中國自然語言處理帶動相關(guān)產(chǎn)業(yè)規(guī)模(億元)同比(%)同比(%)60.050.040.030.020.010.04593320 0.020192020E2021E2022E2023E2024E 0.000.020192020E2021E2022E2023E2024E2025E2026E資料來源：艾瑞咨詢，中信建投人工智能本質(zhì)上是工具，要結(jié)合算法成熟度、數(shù)據(jù)積累和算力情況等多方面去判斷其在不同領(lǐng)域的應(yīng)用情況，同時下游行業(yè)發(fā)展的不同周期也一定程度上影響AI的應(yīng)用，我們認(rèn)為未來AI投資方向主要來自四個方面：第一，算法相對比較成熟，數(shù)據(jù)訓(xùn)練也達(dá)到商業(yè)化要求，處于從1到N滲透的階段，典型的如深度學(xué)習(xí)算法在金融、教育、工業(yè)等領(lǐng)域的應(yīng)用，重點關(guān)注教育行業(yè)復(fù)蘇以及工業(yè)領(lǐng)域的AI應(yīng)用。深度學(xué)習(xí)在視覺、自然語言處理均屬于發(fā)展多年且成熟度較高的算法，隨著數(shù)據(jù)的不斷積累和硬件邊際成本的降低，在該領(lǐng)域不斷滲透，尤其是以安防、金融、教育和工業(yè)等領(lǐng)域滲透較好。展望明年，我們認(rèn)為，安防、教育等行業(yè)今年受疫情以及政府支出縮減等影響，明年有望復(fù)蘇，同時受益于財政補貼等因素影響，重點關(guān)注科大訊飛等。工業(yè)和機(jī)器視覺的結(jié)合，是未來幾年AI應(yīng)用最重要的方向之一，核心成長邏輯有三方面：一是下游高成長帶動需求，如新能源領(lǐng)域快速發(fā)展帶動了相關(guān)智能視覺檢測設(shè)備；二是國產(chǎn)替代，成本疊加服務(wù)優(yōu)勢，有望逐步替代基恩士、康耐視等；三是新冠疫情下，制造業(yè)對機(jī)器替代人的訴求更強了，該領(lǐng)域公司都具備品類拓張的能力。由于多數(shù)工業(yè)領(lǐng)域的機(jī)器視覺公司主要收入來自消費電子領(lǐng)域，今年受下游需求影響增速較慢，明年有望復(fù)蘇，建議重點關(guān)注中控技術(shù)、凌云光(機(jī)械組覆蓋)、天準(zhǔn)科技(人工智能、機(jī)械組聯(lián)合覆蓋)等。第二，算法尚不成熟，數(shù)據(jù)積累量不夠，算力也剛剛突破，整體看仍處于從0到1階段，典型的如自動駕駛。我們認(rèn)為智能駕駛是明年重要景氣賽道之一：一是展望明年，消費需求有所復(fù)蘇；二是智能駕駛的滲透率繼續(xù)提升，明年下半年比亞迪、廣汽Aion、吉利極氪等傳統(tǒng)車廠明年都會有硬件達(dá)到L4級別的自動駕駛車型量產(chǎn)；三是人民幣進(jìn)入升值通道，板塊毛利率將逐步修復(fù)。因此，明年整個板塊在總量、滲透率還有盈利水平人人工智能頁的重要聲明7上都將有向好的邊際變化。重點推薦中科創(chuàng)達(dá)、德賽西威和經(jīng)緯恒潤等。第三，新算法的應(yīng)用，實現(xiàn)從0到1，創(chuàng)造出新的需求。如DiffusionModel(擴(kuò)散模型)的推出，基于擴(kuò)散模型的文本生成圖像模型越來越多，并很快擴(kuò)展到文本生成視頻、文本生成3D、文本生成音頻等，創(chuàng)造出新的業(yè)態(tài)和應(yīng)用。第四，AI軟硬件平臺的國產(chǎn)化比例提升。在中美貿(mào)易戰(zhàn)、科技戰(zhàn)持續(xù)深化的背景下，加強對卡脖子的關(guān)鍵核心技術(shù)研發(fā)的支持，加速國產(chǎn)替代的步伐，重點看好FPGA、EDA等細(xì)分板塊。1)FPGA板塊：一是行業(yè)有成長性，F(xiàn)PGA在2017年之前主要應(yīng)用在通信密集的領(lǐng)域，市場規(guī)模長期在40-50億美金，隨著架構(gòu)、制程的迭代使得FPGA在計算密集也有了用武之地，比如數(shù)據(jù)中心、汽車等領(lǐng)域，2021年市場突破至接近70億美金，2022年Xilinx(AMD)、Altera(Intel)和Lattice三家公司繼續(xù)實現(xiàn)高增長，增速均在30%上下，并且明年Xilinx的FPGA芯片將繼續(xù)提價，驗證該領(lǐng)域的景氣度；二是行業(yè)競爭格局有利于國內(nèi)公司，海外FPGA巨頭沒有優(yōu)先保證中國廠商需求，給了國內(nèi)公司國產(chǎn)替代的機(jī)會，2022年FPGA國內(nèi)市場規(guī)模近200億元，替代空間較大；三是FPGA軟硬件協(xié)同，且下游通信、工業(yè)等客戶需求穩(wěn)定，因此構(gòu)筑了較高的壁壘，海外龍頭公司毛利率、凈利率都較高且穩(wěn)定?？春迷摪鍓K的成長性和確定性，重點推薦安路科技。2)EDA板塊：EDA公司如新思科技、Cadence在美股半導(dǎo)體板塊中估值一直相對較高，一方面是該領(lǐng)域的公司壁壘高，另一方面受下游需求影響小，中長期保持穩(wěn)定增長，因此估值一直相對較高。對于國內(nèi)市場來說，受益于國內(nèi)芯片設(shè)計公司數(shù)量增長以及第三代半導(dǎo)體等領(lǐng)域的新需求，國內(nèi)EDA市場增速高于全球。同時，EDA是半導(dǎo)體卡脖子最為嚴(yán)重的環(huán)節(jié)之一，國產(chǎn)化率較低，國產(chǎn)替代需求迫切。經(jīng)過幾年發(fā)展，國內(nèi)EDA公司商業(yè)化能力有了大幅提升，無論是點工具布局的完整度、先進(jìn)制程的使用，還是仿真速度及精確度都有了明顯提升，因此在客戶范圍、應(yīng)用領(lǐng)域都有新的突破。我們持續(xù)看好EDA板塊的成長性，受益于WAT測試設(shè)備放量以及數(shù)據(jù)分析軟件業(yè)務(wù)的高增長，重點推薦廣立微。華大九天作為國內(nèi)EDA龍頭公司，布局最為全面且領(lǐng)先，重點推薦華大九天。人人工智能頁的重要聲明82.1深度學(xué)習(xí)引領(lǐng)風(fēng)潮深度學(xué)習(xí)是多層人工神經(jīng)網(wǎng)絡(luò)和訓(xùn)練它的方法。人工智能是個大范疇，機(jī)器學(xué)習(xí)是人工智能的一個研究分支——通過計算模型和算法從數(shù)據(jù)中學(xué)習(xí)規(guī)律，機(jī)器學(xué)習(xí)有很多種算法，包括神經(jīng)網(wǎng)絡(luò)、kNN、樸素貝葉斯、支持向量機(jī)(SVM)等算法。其中，神經(jīng)網(wǎng)絡(luò)經(jīng)過不斷的迭代，從一層迭代到多層，因此可以實現(xiàn)更準(zhǔn)確的判斷，標(biāo)準(zhǔn)性事件是ImageNet圖像識別比賽中，深度神經(jīng)網(wǎng)絡(luò)戰(zhàn)勝支持向量機(jī)算法，并在此后逐步超越人類。其中，深度學(xué)習(xí)的理論基礎(chǔ)就是神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)層數(shù)夠深就可以稱為深度模型。人人工智能頁的重要聲明9資料來源：知乎《深度學(xué)習(xí)簡介》，中信建投深度學(xué)習(xí)是過去十年AI研究最熱方向，也是商業(yè)化應(yīng)用最廣泛的算法之一。根據(jù)人工智能發(fā)展報告(2020)數(shù)據(jù)顯示，過去十年中，有5405篇以卷積神經(jīng)網(wǎng)絡(luò)為研究主題的論文在人工智能國際頂會頂刊論文中發(fā)表，其總引用量達(dá)299729，并且在這些頂會頂刊論文引用量排名前十的論文中出現(xiàn)過125次，是2011-2020年最熱門的AI研究主題。深度學(xué)習(xí)通過學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學(xué)習(xí)過程中獲得的信息對諸如文字，圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。深度學(xué)習(xí)在包括計算機(jī)視覺、自然語言處理、推薦系統(tǒng)等相關(guān)領(lǐng)域都取得了優(yōu)異成果。AI熱點名稱文量論文引用量頂會頂刊高引前十AMiner1網(wǎng)絡(luò)97292取8.51347296025割589336學(xué)習(xí)989287絡(luò)53628絡(luò)489729濾9翻譯資料來源：《人工智能發(fā)展報告2020》，中信建投神經(jīng)網(wǎng)絡(luò)的研究是深度學(xué)習(xí)發(fā)展的基礎(chǔ)，上個世紀(jì)50-60年代神經(jīng)網(wǎng)絡(luò)只能處理線性分類，因此應(yīng)用領(lǐng)域狹窄，使得神經(jīng)網(wǎng)絡(luò)研究陷入20年停滯。在深度學(xué)習(xí)概念被明確提出之前，針對神經(jīng)網(wǎng)絡(luò)的研究為后續(xù)深度學(xué)習(xí)的提出和發(fā)展完成了基礎(chǔ)性工作。第一代神經(jīng)網(wǎng)絡(luò)從1958年感知機(jī)算法被提出開始，其可以對輸入的多維數(shù)據(jù)進(jìn)行二分類，并通過梯度下降(使網(wǎng)絡(luò)的預(yù)測值與網(wǎng)絡(luò)的實際/期望值之間的差異不斷縮小)的方法從訓(xùn)練樣人人工智能頁的重要聲明本中自動學(xué)習(xí)更新權(quán)值(模型進(jìn)行分類的參數(shù))，由此引發(fā)了第一次神經(jīng)網(wǎng)絡(luò)研究的熱潮。1969年，Minsky在著作中證明了感知機(jī)本質(zhì)上只是線性模型，對于即使是最簡單的非線性問題都無法正確分類，隨后導(dǎo)致了對神經(jīng)網(wǎng)絡(luò)的研究陷入了近20年的停滯。資料來源：CSDN,中信建投資料來源：知乎,中信建投上個世紀(jì)80-90年代神經(jīng)網(wǎng)絡(luò)具備持續(xù)優(yōu)化和解決非線性能力后，開啟第二代神經(jīng)網(wǎng)絡(luò)研究熱潮，但由于存在梯度消失問題，研究也逐漸冷淡。Hinton于1986年提出了反向傳播算法(從最后輸出的神經(jīng)元開始，反向更新迭代每一個神經(jīng)元的權(quán)值，計算當(dāng)前數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)后的結(jié)果與實際結(jié)果的差距，從而根據(jù)差距進(jìn)行參數(shù)優(yōu)化)，并采用Sigmoid作為激活函數(shù)進(jìn)行了非線性映射，讓神經(jīng)網(wǎng)絡(luò)具有了解決非線性問題的能力，由此開啟了第二代神經(jīng)網(wǎng)絡(luò)研究熱潮。但后續(xù)由于神經(jīng)網(wǎng)絡(luò)缺乏相應(yīng)的嚴(yán)格數(shù)學(xué)理論支持，甚至被指出存在梯度消失問題(隨神經(jīng)網(wǎng)絡(luò)層數(shù)增多,靠近輸入層的層之間的權(quán)重?zé)o法得到有效修正)，嚴(yán)重影響深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率和效果，因而神經(jīng)網(wǎng)絡(luò)的第二次熱潮也逐漸冷淡。這一時期中，也出現(xiàn)了具有革新意義的模型，如CNN-LeNet和LSTM模型，其分別在手寫數(shù)字識別、序列建模兩個方面取得了良好效果，但由于神經(jīng)網(wǎng)絡(luò)研究整體處于下坡而并沒有引起足夠關(guān)注。解決了梯度消失以及利用GPU進(jìn)行深度學(xué)習(xí)訓(xùn)練后，深度學(xué)習(xí)圖像識別準(zhǔn)確率大幅提升，掀起深度學(xué)習(xí)第三次研究熱潮，并持續(xù)至今。2006年Hiton提出了梯度消失的解決方案以及利用GPU進(jìn)行深度學(xué)習(xí)訓(xùn)練，首次提出了深度學(xué)習(xí)這一概念。2011年，新的ReLU激活函數(shù)被提出，有效抑制了梯度消失的問題。2011年，微軟首次將深度學(xué)習(xí)應(yīng)用在語音識別上，取得了重大突破。2012年，Hiton課題組參加ImageNet圖像識別比賽，其深度學(xué)習(xí)模型AlexNet奪得冠軍，識別率遠(yuǎn)遠(yuǎn)超越了基于SVM方法的第二名。理論上的不斷完善和硬件算力 (GPU)的突破共同在全世界范圍內(nèi)掀起了研究深度學(xué)習(xí)的熱潮并持續(xù)至今。頁的重要聲明資料來源：OpenAI,中信建投2012年開始，在計算機(jī)視覺領(lǐng)域內(nèi)，深度學(xué)習(xí)不斷迭代出性能更好的架構(gòu)。如2014年的VGG、GoogleNet。與之前的模型相比，VGG通過增加網(wǎng)絡(luò)深度的方法，在一定程度上提升了神經(jīng)網(wǎng)絡(luò)的效果。其中VGG-16包含了16層，參數(shù)量達(dá)到了1.38億。而GoogleNet(Inception)則采用寬度代替深度，并引入了模塊化思想，其核心思想是分別用不同大小的卷積模塊對前層的輸入進(jìn)行運算，再對各個模塊運算的結(jié)果進(jìn)行通道組合。最終GoogleNet(Inception)以遠(yuǎn)小于VGG的參數(shù)量實現(xiàn)了相當(dāng)?shù)男阅苄Ч?。資料來源：《VERYDEEPCONVOLUTIONALNETWORKSFOR資料來源：《Goingdeeperwithconvolutions》,中信建投LARGE-SCALEIMAGERECOGNITION》,中信建投2015年的ResNet通過殘差結(jié)構(gòu)進(jìn)一步優(yōu)化了神經(jīng)網(wǎng)絡(luò)的性能，而后MobileNet的提出讓神經(jīng)網(wǎng)絡(luò)嵌入到移動端成為可能，NAS和RegNet等算法及模型的應(yīng)用，使得神經(jīng)網(wǎng)絡(luò)可以由機(jī)器自動設(shè)計。ResNet的核心思想在于在輸出跟輸入之間引入一個短路連接(殘差模塊)，讓每一層的輸入在網(wǎng)絡(luò)深度增加的時候也能得以保留，進(jìn)而解決了由于網(wǎng)絡(luò)深度過大帶來的梯度消失問題，讓訓(xùn)練出成百上千層的神經(jīng)網(wǎng)絡(luò)成為可能。2017年，谷歌團(tuán)隊提出MobileNet這一輕量級網(wǎng)絡(luò)結(jié)構(gòu)，相比于傳統(tǒng)的卷積操作能夠大大的減少參數(shù)量和提高網(wǎng)絡(luò)運行人人工智能頁的重要聲明的特性，進(jìn)而讓其能夠有效嵌入到移動端使用的網(wǎng)絡(luò)模型中。2019年開始，神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(NeuralArchitectureSearch，簡稱NAS)開始興起，核心思路是從手工設(shè)計神經(jīng)網(wǎng)絡(luò)到機(jī)器自動設(shè)計神經(jīng)網(wǎng)絡(luò)。此后，RegNet進(jìn)一步優(yōu)化這種機(jī)器自動設(shè)計神經(jīng)網(wǎng)絡(luò)的過程，RegNet也是搜索最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，但是又與NAS有明顯區(qū)別，NAS在定義的搜索空間內(nèi)找到一個最優(yōu)網(wǎng)絡(luò)，RegNet則是在一個巨大的初始搜索空間中，不斷縮減，最終獲得一個高性能模型更加集中的子空間，在這個過程中，發(fā)掘網(wǎng)絡(luò)優(yōu)化準(zhǔn)則，增強網(wǎng)絡(luò)優(yōu)化的可解釋性。資料來源：CSDN,中信建投資料來源：《MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications》,中信建投自然語言處理領(lǐng)域中的Transformer結(jié)構(gòu)的提出是深度學(xué)習(xí)發(fā)展過程中的重要里程碑，為后續(xù)深度學(xué)習(xí)的進(jìn)一步發(fā)展奠定基礎(chǔ)。2017年，為NLP下游任務(wù)中的機(jī)器翻譯而提出的Transformer模型成為了新的重要創(chuàng)新。其利用多個注意力模塊的組合，讓神經(jīng)網(wǎng)絡(luò)得以利用有限的資源從大量信息中快速篩選出高價值信息，不斷提取并學(xué)習(xí)目標(biāo)對象中更為重要的特征，進(jìn)而實現(xiàn)性能的提升。后續(xù)OpenAI和Google基于Transformer分別提出了GPT和BERT，提升了諸多自然語言處理下游項目的最優(yōu)性能。后續(xù)Transformer強大的特征提取能力被包括計算機(jī)視覺在內(nèi)的其他人工智能領(lǐng)域廣泛采用，其核心注意力模塊逐漸成為深度學(xué)習(xí)中不可或缺的部分，大幅推進(jìn)了各領(lǐng)域人工智能算法的性能表現(xiàn)。后續(xù)人工智能深度學(xué)習(xí)中的大部分模型框架也都是建立在Transformer的基礎(chǔ)上，包括引發(fā)熱議的GPT-3和ChatGPT(2.3節(jié))。至此，深度學(xué)習(xí)便從最初簡單的感知機(jī)算法，簡單的神經(jīng)網(wǎng)絡(luò)，發(fā)展到目前參數(shù)量達(dá)到數(shù)千萬億的龐大而復(fù)雜的神經(jīng)網(wǎng)絡(luò)，成為當(dāng)下人工智能技術(shù)、應(yīng)用、產(chǎn)業(yè)中的主流解決方案。資料來源：《AttentionIsAllYouNeed》,中信建投資料來源：StateofAI2022,中信建投人人工智能頁的重要聲明資料來源：中信建投深度學(xué)習(xí)這一技術(shù)所展現(xiàn)出來的變革世界的潛力超越了過去的科技創(chuàng)新，預(yù)計將以前所未有的方式改變世界的生產(chǎn)生活方式，創(chuàng)造大量的經(jīng)濟(jì)價值。根據(jù)ARK數(shù)據(jù)顯示，過去二十年來，互聯(lián)網(wǎng)為全球股票市值增加了ARK度學(xué)習(xí)將在未來15-20年內(nèi)，為全球股票市場增加30萬億美元的市值。資料來源：ARKInvest,WorldFederationofExchanges,"H12020MarketHighlights",中信建投人人工智能頁的重要聲明2.2計算機(jī)視覺：AI下游最好的應(yīng)用方向計算機(jī)視覺是“賦予機(jī)器自然視覺能力”的學(xué)科。實際上，計算機(jī)視覺是研究視覺感知問題的學(xué)科：視覺感知是指對“環(huán)境表達(dá)和理解中，對視覺信息的組織、識別和解釋的過程”。核心問題是研究如何對輸入的圖像信息進(jìn)行組織，對物體和場景進(jìn)行識別，進(jìn)而對圖像內(nèi)容給予解釋。更進(jìn)一步的說，就是指用攝影機(jī)和計算機(jī)代替人眼對目標(biāo)進(jìn)行識別、跟蹤和測量等機(jī)器視覺，并進(jìn)一步做圖像處理，用計算機(jī)處理成為更適合人眼觀察或傳送給儀器檢測的圖像。從計算機(jī)視覺的整理發(fā)展歷程上來看，在研究對象的豐富、研究方法的革新、研究數(shù)據(jù)的完善等過程中不斷發(fā)展。50年代，主題是二維圖像的分析和識別。60年代，開創(chuàng)了三維視覺理解為目的的研究。70年代，出現(xiàn)課程和明確理論體系。1989年，YannLeCun將一種后向傳播風(fēng)格學(xué)習(xí)算法應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在完成該項目幾年后，LeCun發(fā)布了LeNet-5——這是第一個引入我們今天仍在使用的一些基本成分的現(xiàn)代網(wǎng)絡(luò)。90年代，特征對象識別開始成為重點。21世紀(jì)初，出現(xiàn)真正擁有標(biāo)注的高質(zhì)量數(shù)據(jù)集。隨后便是Hinton提出深度學(xué)習(xí)，其學(xué)生于2012年贏得ImageNet大賽，讓CNN真正家喻戶曉，也讓深度學(xué)習(xí)方法計算機(jī)視覺研究領(lǐng)域流行，在應(yīng)用端實現(xiàn)了百花齊放。資料來源：goodpsychology,中信建投資料來源：Packet,中信建投計算機(jī)視覺領(lǐng)域中早期的重要算法同時也是深度學(xué)習(xí)發(fā)展中的重要革新(2.1節(jié))，后續(xù)計算機(jī)視覺在內(nèi)容生成、特征提取兩個方面又向前邁出了一大步。2018年末，英偉達(dá)發(fā)布的視頻到視頻生成(Video-to-Videosynthesis)，其通過精心設(shè)計的發(fā)生器、鑒別器網(wǎng)絡(luò)以及時空對抗物鏡，合成高分辨率、照片級真實、時間一致BigGAN被提出，其擁有更強的學(xué)習(xí)技巧，由它訓(xùn)練生成的圖像連它自己都分辨不出真假，被譽為史上最強的圖像生成器。2020年，隨著VIT的提出，Transformer開始在計算機(jī)視覺領(lǐng)域進(jìn)行應(yīng)用，顛覆了傳統(tǒng)的CNN結(jié)構(gòu)，后續(xù)Swim-Transformer被提出，通過分而治之的思想解決了Transformer應(yīng)用到圖像領(lǐng)域時面臨的：視覺實體變化大影響不同場景下性能和圖像的高分辨率帶來的高計算量問題，在計算機(jī)視覺的多個下游任務(wù)中實現(xiàn)了對CNN結(jié)構(gòu)的壓倒性優(yōu)勢。人人工智能頁的重要聲明189395189395料來源：《SwinTransformer:HierarchicalVisionTransformerusingShiftedWindows》,中信建投隨著計算機(jī)視覺算法和技術(shù)的不斷成熟，下游應(yīng)用場景也逐步滲透和拓展。從2018-2021獲得投資的計算機(jī)視覺企業(yè)來看，其業(yè)務(wù)領(lǐng)域遍布公安、交通、金融、工業(yè)、醫(yī)療等各行各業(yè)。從核心產(chǎn)品和產(chǎn)業(yè)規(guī)模來看，計算機(jī)視覺產(chǎn)品技術(shù)在泛安防中的應(yīng)用深受政策及財政支持，多年以來一直是計算機(jī)視覺乃至整個國內(nèi)人工智能產(chǎn)業(yè)實際落地的重要基石。2021年，國內(nèi)泛安防領(lǐng)域計算機(jī)視覺核心產(chǎn)品市場規(guī)模已達(dá)到531億元，占計算機(jī)視覺總核心產(chǎn)品規(guī)模的70.7%，這一領(lǐng)域的代表公司有商湯科技、海康威視、大華股份；金融領(lǐng)域主要通過計算機(jī)視覺產(chǎn)品技術(shù)完成人臉識別、證照識別及行為動作檢測等工作，代表公司有云從科技(人臉識別)，格靈深瞳(行為動作識別)；醫(yī)療領(lǐng)域中，主要借助計算機(jī)視覺技術(shù)進(jìn)行AI醫(yī)學(xué)影像輔助診斷及新型智能醫(yī)療器械開發(fā)，代表公司為依圖科技；互聯(lián)網(wǎng)領(lǐng)域中，計算機(jī)視覺算法技術(shù)主要基于AI技術(shù)開放平臺，通過API調(diào)用模式開放給更廣泛的開發(fā)者，代表平臺有阿里云(阿里巴巴)、騰訊云(騰訊)、華為云(華為)。工業(yè)領(lǐng)域中，視覺算法被應(yīng)用在生產(chǎn)過程中的工況監(jiān)視、成品檢驗、質(zhì)量控制等方面，主力打造生產(chǎn)制造智能化，主要代表公司為凌云光(零件生產(chǎn)監(jiān)測)、奧普特等。隨著計算機(jī)視覺相關(guān)技術(shù)及硬件設(shè)施的加速發(fā)展與成熟，以及各行業(yè)數(shù)字化程度的不斷提升，計算機(jī)視覺有望在更多具體場景中創(chuàng)造更大的經(jīng)濟(jì)價值。在主要行業(yè)領(lǐng)域應(yīng)用規(guī)模(億元)00%2.70%%00%2.70%%%8.30%零售工業(yè)安防政務(wù)醫(yī)療金融互聯(lián)網(wǎng)營銷泛安防互聯(lián)網(wǎng)金融工業(yè)醫(yī)療180016001401400120010008006004002000 57 50106248 90 59116282 6412832744 3144 96 758614434 344 214 21741068859808858002024E2025E2026E60353603531711201920202021E2022E2023E資料來源：艾瑞咨詢,中信建投資料來源：艾瑞咨詢,中信建投人人工智能頁的重要聲明從競爭格局上分析，目前中國計算機(jī)視覺行業(yè)主要分為三大陣營：1)AI算法公司，多以細(xì)分賽道為具體發(fā)力點，提供定制化的解決方案，代表企業(yè)為“CV四小龍”商湯科技、曠視科技、云從科技、依圖科技及格靈深瞳等；2)互聯(lián)網(wǎng)巨頭，借助更完整的產(chǎn)業(yè)生態(tài)逐步在各個領(lǐng)域進(jìn)行滲透，代表企業(yè)包括阿里巴巴、百度、騰訊、華為等；3)傳統(tǒng)安防巨頭，在云邊融合的架構(gòu)下，借助原有的硬件優(yōu)勢和市場優(yōu)勢，逐步引入算法，研發(fā)智能化解決方案，代表公司包括?？低?，大華股份等。目前我國計算機(jī)視覺市場呈現(xiàn)出市場集中度高的特點，以“CV四小龍”為代表的頭部企業(yè)已逐漸占據(jù)國內(nèi)CV的主要市場份額，2020年，商湯科技市場份額排名第一，達(dá)到17.4%；其次為曠視科技，市占率為15.2%；云從科技及依圖科技分別占比9.8%、9%。目前CV四小龍等公司憑借算法享有一定的先發(fā)優(yōu)勢，但隨著計算機(jī)視覺技術(shù)進(jìn)一步走向具體場景的商業(yè)化應(yīng)用，在場景應(yīng)用層面享有更多資源的互聯(lián)網(wǎng)巨頭和擁有硬件優(yōu)勢的傳統(tǒng)安防巨頭也將獲得更大發(fā)展機(jī)會，未來的核心比拼仍將是應(yīng)用端的商業(yè)化落地。48.6%云從科技9.8%依圖科技9.0%資料來源：華經(jīng)產(chǎn)業(yè)研究院，中信建投資料來源：億歐智庫，IDC，中信建投2.3AIGC成為人工智能新方向，擴(kuò)散模型引發(fā)研究熱潮AIGC即AI-GeneratedContent，是一種新的內(nèi)容生產(chǎn)方式。AI從理解內(nèi)容，走向了可以生成內(nèi)容，甚至能夠創(chuàng)造出獨立價值和獨立視角的內(nèi)容。事實上，使用計算機(jī)生成內(nèi)容的想法自上個世紀(jì)五十年代就已經(jīng)出現(xiàn)，早期的嘗試側(cè)重通過讓計算機(jī)生成照片和音樂來模仿人類的創(chuàng)造力，但是與當(dāng)今合成媒體不同的是，早期階段生成的內(nèi)容很容易與人類創(chuàng)建的內(nèi)容區(qū)分開來。人工智能經(jīng)歷數(shù)十年的重大飛躍，目前使用計算機(jī)生成的內(nèi)容已經(jīng)達(dá)到高水平的真實感。根據(jù)中國信通院劃分，AIGC經(jīng)歷了早期萌芽階段(1950s-1990s)，沉淀積累階段(1990s-2010s)以及快速發(fā)展階段(2010s-至今)。其中，早期萌芽期受限于科技水平，AIGC僅限于小范圍實驗，并沒有取得重大突破，例如通過將計算機(jī)程序中的控制變量換成音符完成了歷史上第一支由計算機(jī)創(chuàng)作的音樂作品——弦樂四重奏《依利亞克組曲(IlliacSuite)》，或者世界第一款可人機(jī)對話的機(jī)器人“伊莉莎”等。沉淀積累階段受益于深度學(xué)習(xí)的重大突破，自然語言處理、語音識別等領(lǐng)域開始向?qū)嵱眯赞D(zhuǎn)變，例如此階段誕生了全世界第一部完全由人工智能創(chuàng)作的小說；微軟推出全自動同聲傳譯系統(tǒng)?？焖侔l(fā)展時期，AIGC迎來百發(fā)齊放階段，該階段人工智能算法可以生成極高質(zhì)量的圖片、視頻、繪畫作品等。人人工智能頁的重要聲明AIGC當(dāng)前快速發(fā)展得益于生成模型的飛躍。與用于監(jiān)督任務(wù)的判別模型不同的是，生成模型通過學(xué)習(xí)某個樣本生成的概率對新數(shù)據(jù)進(jìn)行建模，即判別模型可以識別圖像中的人，而生成模型可以生成一個以前從未存在過的人的新圖像。生成模型的飛躍是GAN(生成對抗網(wǎng)絡(luò))的出現(xiàn)，自GAN推出后，AI生成的媒體模型已經(jīng)實現(xiàn)了逼真的合成，包括照片級圖像的生成、聲音克隆以及面部識別等。AI內(nèi)容創(chuàng)作也已經(jīng)完成了從文字到圖畫再到視頻的躍遷。CGAN資料來源：信通院，中信建投資料來源：Elsevier，中信建投GAN網(wǎng)絡(luò)包括兩部分，一個生成器和一個判別器。生成器負(fù)責(zé)生成類似輸入數(shù)據(jù)的新內(nèi)容，判別器是將生成的輸出與真實數(shù)據(jù)區(qū)分開來，這兩個部分在一個GAN網(wǎng)絡(luò)反饋循環(huán)中相互競爭并試圖超越對方，導(dǎo)致生成輸出的真實性逐漸增加。在GAN網(wǎng)絡(luò)基礎(chǔ)上有兩個經(jīng)典的延伸，一個是StyleGAN，能夠通過將圖像不同部位進(jìn)行區(qū)分，從而能夠直觀控制生成圖像的細(xì)節(jié)；另外一個是in-domainGAN，支持對GAN生成圖像進(jìn)行編輯，從而可以在現(xiàn)有圖像進(jìn)出上進(jìn)行增添元素。除了用于圖像處理上，GAN網(wǎng)絡(luò)也被用于視頻配音、圖像動畫等應(yīng)用中。AIGC中，文本生成領(lǐng)域也得益于GPT-3等語言模型的出現(xiàn)而大放異彩，GPT-3在用于文本處理之外，也可以用于文本到圖像的生成。資料來源：ResearchGate，中信建投資料來源：Github，中信建投AIGC已被廣泛用于多種行業(yè)，包括娛樂、客戶服務(wù)與營銷。例如在移動程序Reface中，用戶能夠在視頻剪輯和GIF中換臉以與朋友分享；在Pinscreen上創(chuàng)建AI虛擬助手，在直播中進(jìn)行面部替換；甚至于可以在視頻中生成嘴唇運動模型，從而允許將視頻翻譯成另外一種語言，嘴唇運動和配音之間沒有任何明顯差異。根據(jù)Capterra調(diào)研顯示，雖然只有33%的營銷人員使用AIGC，但大多數(shù)都對AIGC內(nèi)容質(zhì)量都感到滿意。人人工智能頁的重要聲明AIGC領(lǐng)域投資力度空前。AIGC文字生成領(lǐng)域，負(fù)責(zé)文字生成的AIGC公司彩云小夢、聆心智能獲得了天使輪融資，Jasper.ai更是在A輪融資階段獲得了1.25億美元的融資，估值15億美元。AIGC圖像生成領(lǐng)域，負(fù)責(zé)AI作畫的初創(chuàng)公司詩云科技先后獲得了天使輪、Pre-A輪融資，ZMO.AI獲得了800萬美元的A輪融資，英國開源人工智能公司StabilityAI獲得了1.01億美元的融資，目前該公司估值高達(dá)10億美元，成為了行業(yè)獨角獸。AIGC視頻生成領(lǐng)域，負(fù)責(zé)產(chǎn)出視頻的小冰公司A輪融資由高瓴資本領(lǐng)投，目前估值超過10億美元，Meta的新產(chǎn)品Make-A-Video也可以直接通過文字生成視頻，谷歌也推出了生成視頻的AI模型ImagenVideo、Phenaki。擴(kuò)散模型(DiffusionModel)正引起AIGC領(lǐng)域新一波浪潮。生成模型主要包括GAN(生成對抗網(wǎng)絡(luò))、VAE(變分自編碼器)、基于流的模型以及擴(kuò)散模型等。GAN模型具有對抗性訓(xùn)練性質(zhì)，具有潛在的不穩(wěn)定訓(xùn)練和較少的生成多樣性；VAE依賴于替代損失；基于流的模型必須使用專門的體系結(jié)構(gòu)來構(gòu)建可逆變換。擴(kuò)散模型的靈感來自非平衡熱力學(xué)，模型定義了一個擴(kuò)散步驟的馬爾可夫鏈，在正向擴(kuò)散過程中，將隨機(jī)噪聲添加到數(shù)據(jù)中，然后學(xué)習(xí)反向擴(kuò)散過程，從噪聲中構(gòu)建所需的數(shù)據(jù)樣本。與VAE或基于流的模型不同，擴(kuò)散模型是通過固定過程學(xué)習(xí)的，并且潛在變量具有高維性。在webofscience平臺上，通過關(guān)鍵字“diffusionmodel”在webofscience核心合集數(shù)據(jù)庫中按照主題檢索(檢索時間為2022年11月30日)，2020年相關(guān)主題論文為446篇，2021年相關(guān)論文456篇，為近二十年高峰。擴(kuò)散模型成為ICLR熱門關(guān)鍵詞之一。根據(jù)人工智能頂級會議ICLR2023發(fā)布的評審結(jié)果，擴(kuò)散模型成了今年ICLR的熱門關(guān)鍵詞之一，以擴(kuò)散模型為研究主題的投稿論文數(shù)量出現(xiàn)暴漲。擴(kuò)散模型引發(fā)了席卷式的AIGC熱潮，今年4月OpenAI發(fā)布文本生成圖像模型DALL·E2，之后谷歌推出Imagen，直接對標(biāo)DALL·E2，文本生成圖像領(lǐng)域開始出現(xiàn)激烈競爭。今年8月，初創(chuàng)公司Stability.AI發(fā)布深度學(xué)習(xí)文生圖模型StableDiffusion，開源后更是一石激起千層浪，后續(xù)基于擴(kuò)散模型的文本生成圖像模型層出不窮，并很快擴(kuò)展到文本生成視頻、文本生成3D、文本生成音頻等。人人工智能頁的重要聲明000ubwebofscience擴(kuò)散模型主要包括三個子類別，已應(yīng)用于各種生成建模任務(wù)。第一類擴(kuò)散模型為DDPM(去噪擴(kuò)散概率模型)，DDPM是一種潛在變量模型，利用潛在變量來估計概率分布，可以看做是一種特殊的VAE；第二類擴(kuò)散模型是NCSN(噪聲條件評分網(wǎng)絡(luò))，通過評分匹配訓(xùn)練共享神經(jīng)網(wǎng)絡(luò)來估計不同噪聲水平下受擾數(shù)據(jù)分布的評分函數(shù)；第三類擴(kuò)散模型是SDE(隨機(jī)微分方程)，代表模擬擴(kuò)散的方式。當(dāng)前擴(kuò)散模型已用于各種生成建模任務(wù)，如圖像生成、圖像超分辨率、圖像填充、圖像編輯等領(lǐng)域。未來，擴(kuò)散模型將在圖像去霧化、視頻異常檢測、物體檢測、視頻模擬等領(lǐng)域有所突破。源：《DiffusionModelsinVision:ASurvey》，中信建投資料來源：Arxiv，中信建投我們認(rèn)為，得益于生成模型的突破，AIGC迎來快速發(fā)展階段，在文本、圖像與視頻領(lǐng)域應(yīng)用廣泛，AIGC領(lǐng)域的發(fā)展已經(jīng)從生成對抗網(wǎng)絡(luò)推動逐漸轉(zhuǎn)向擴(kuò)散模型推動，算法模型迭代層出不窮，生成文字、視頻質(zhì)量不斷提高。該領(lǐng)域眾多公司獲得投資青睞，投資機(jī)會已顯現(xiàn)，值得關(guān)注。2.4NLP發(fā)展情況自然語言處理(naturallanguageprocessing，NLP)是基于自然語言理解和自然語言生成的信息處理技術(shù)，近些年來，自然語言處理在機(jī)器翻譯、智能語言助手、文本自動分類都取得了突破性進(jìn)展。1950年，圖靈發(fā)表論文“計算機(jī)器與智能”，其中提到著名的用于衡量機(jī)器智能程度的圖靈測試，可以被認(rèn)為是自然語言的開端，自然語言處理的技術(shù)發(fā)展大致可以分為三個階段：規(guī)則—統(tǒng)計—深度學(xué)習(xí)。20世紀(jì)50頁的重要聲明年代到90年代，研究人員重點關(guān)注語言的規(guī)則，從語言學(xué)的角度來解析自然語言的規(guī)則結(jié)構(gòu)，從而實現(xiàn)自然語言的處理，但是這個階段還不能處理復(fù)雜的語言問題，因而沒有太大的應(yīng)用價值。20世紀(jì)90年代以后，隨著互聯(lián)網(wǎng)的高速發(fā)展，語料庫的日益豐富、計算機(jī)運行速度的提升以及統(tǒng)計方法的成熟，極大地推動了自然語言處理技術(shù)的發(fā)展。資料來源：《自然語言處理技術(shù)發(fā)展》，中信建投2006年深度學(xué)習(xí)算法提出，隨后很快被應(yīng)用到自然語言處理領(lǐng)域，取得了驚人的成績和廣泛的應(yīng)用。誕生了多種神經(jīng)網(wǎng)絡(luò)語言模型，包括多層感知機(jī)(MLP)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長短記憶(LSTM)網(wǎng)絡(luò)，但是都存在一定的不足，MLP難以捕捉局部特征，CNN難以獲得遠(yuǎn)距離特征，RNN難以充分利用并行計算加速，LSTM減少了網(wǎng)絡(luò)的層數(shù)，相對來說更容易優(yōu)化。2017年，采用注意力機(jī)制的Transformer模型被引入到自然語言處理以后取得了極大的成功。注意力機(jī)制更加關(guān)注上下文的相關(guān)程度和深層的語義信息，因而Transformer模型在長距離建模和訓(xùn)練速度方面都優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。近年來，在Transformer模型的基礎(chǔ)之上，衍生出了GPT、BERT等超大規(guī)模的動態(tài)預(yù)訓(xùn)練語言模型，除此以外，還有基于Word2vec的詞向量方法提出的ELMo模型也得到了大規(guī)模的應(yīng)用，ELMo考慮了上下文的詞向量表示，較好的解決了多義詞的問題。ERTPretrainingofDeepBidirectionalTransformersforLanguageUnderstandingGPT模型是OpenAI公司于2018年6月提出的動態(tài)預(yù)訓(xùn)練模型，版本也在不停更新迭代，最新版本GPT-3是目前最為強大的預(yù)訓(xùn)練模型之一，于2020年5月提出。GPT每代模型的參數(shù)數(shù)目不斷提升，初始GPT版本只有1.17億個參數(shù)，GPT-2參數(shù)超過10億，GPT-3參數(shù)高達(dá)1750億，使用了高達(dá)45TB的訓(xùn)練樣本。GPT-3已經(jīng)商業(yè)化落地，基于GPT-3產(chǎn)生的APP達(dá)300多個，覆蓋傳媒、營銷等領(lǐng)域，OpenAI以API的形式向開發(fā)人人工智能頁的重要聲明者提供有償?shù)腉PT-3模型使用權(quán)限，按照token(1000tokens=750words)使用量收費，1000tokens收費在0.0004~0.2美元之間。BERT模型由Goegle于2018年10月提出，BERT使用包含1.1億個參數(shù)的BERTBASE和包含3.4億個參數(shù)的BERTLARGE，在自然語言識別的SQuAD測試中，BERT模型的表現(xiàn)甚至超越了人類?；贐ERT模型衍生出了更多具備特定優(yōu)勢的模型，例如增強長文本理解能力的XLNet，具備強大文本生成能力的BART等。隨著預(yù)訓(xùn)練語言模型的提出和計算機(jī)算力的快速提升，自然語言處理技術(shù)已經(jīng)進(jìn)入全新的發(fā)展階段。預(yù)訓(xùn)練模型通過無需人工標(biāo)注的大規(guī)模文本庫進(jìn)行高算力的預(yù)先訓(xùn)練，得到通用的語言模型和表現(xiàn)形式，再經(jīng)過特定應(yīng)用環(huán)境對預(yù)訓(xùn)練模型進(jìn)行微調(diào)，從而在各種下游應(yīng)用領(lǐng)域得到目標(biāo)任務(wù)的快速收斂和準(zhǔn)確率提升。各種預(yù)訓(xùn)練語言模型還在快速的更新迭代，不斷刷新自然語言處理任務(wù)的表現(xiàn)記錄，預(yù)訓(xùn)練模型已經(jīng)在自然語言處理中得到了廣泛應(yīng)用。當(dāng)前自然語言處理技術(shù)在某些領(lǐng)域已經(jīng)可以媲美人類水平，同時具備多種功能應(yīng)用，包括文本檢索、信息過濾、機(jī)器翻譯、客服問答、文本生成等，在金融、教育、醫(yī)療、互聯(lián)網(wǎng)行業(yè)當(dāng)中得到了廣泛的應(yīng)用，隨著自然語言處理和傳統(tǒng)行業(yè)的深度融合，將人力從部分重復(fù)性的語言工作當(dāng)中解放了出來，實現(xiàn)了人工智能替代。2022年11月30日，OpenAI發(fā)布了ChatGPT人機(jī)對話交互模型，相比過去的人機(jī)對話模型，ChatGPT展現(xiàn)出更貼近人類的思維邏輯，可以回復(fù)用戶的連續(xù)問題，具有一定的道德準(zhǔn)則，減少了錯誤問答的出現(xiàn)概率，具備代碼的編寫和debug功能。ChatGPT在人機(jī)對話上到達(dá)了前所未有的高度，模型開放測試一周用戶便突破了百萬級別。ChatGPT作為GPT3.5的微調(diào)版本，采用了人類反饋強化學(xué)習(xí)方式(RLHF)和近端優(yōu)化策略(PPO)，通過獎勵模型的設(shè)定，極大減少了無效的、編造的、有害的答案出現(xiàn)概率，更多輸出了人們期望的答案。當(dāng)前ChatGPT已經(jīng)在諸多問答環(huán)節(jié)里表現(xiàn)出極高的擬人化，足以以假亂真。目前ChatGPT處于免費的開源公測階段，仍在優(yōu)化迭代過程中。我們預(yù)計，超大規(guī)模的自然語言預(yù)處理模型將率先在傳媒營銷、搜索引擎增強、代碼編程等領(lǐng)域?qū)崿F(xiàn)商業(yè)落地。當(dāng)前自然語言處理的快速發(fā)展已讓我們更加臨近圖靈測試的奇點，未來人工智能將深刻地改變我們的生產(chǎn)生活方式。我們應(yīng)當(dāng)重點關(guān)注自然語言處理的技術(shù)進(jìn)展、大規(guī)模商業(yè)的落地途徑以及我國超大規(guī)模預(yù)訓(xùn)練模型的發(fā)展進(jìn)展。芯片國產(chǎn)替代空間大視覺Transformer正推動自動駕駛向前邁進(jìn)。自動駕駛初期階段，主要目標(biāo)是讓汽車在單車道內(nèi)行駛，隨著駕駛復(fù)雜性，需要對路況進(jìn)行影像提取與3D建模等。特斯拉自動駕駛算法使用的是多任務(wù)學(xué)習(xí)HydraNets架構(gòu)，從而讓汽車共享相同神經(jīng)網(wǎng)絡(luò)或特征提取器的同時能進(jìn)行交通燈檢測、車輛避讓等多項任務(wù)。特斯拉自動駕駛算法中，首先讓車載攝像頭使用RegNet(殘差人人工智能頁的重要聲明網(wǎng)絡(luò))對路況/汽車進(jìn)行原始圖像提取。在每個攝像頭都處理完單個圖像后，使用具有多頭自注意力的Transformer模型進(jìn)行處理，Transformer模型不僅解決了CNN算法在BEV(鳥瞰圖)遮擋區(qū)域預(yù)測問題，同時還有更高的性能和算法準(zhǔn)確度。后續(xù)將處理結(jié)果進(jìn)行多尺度特征、視頻神經(jīng)網(wǎng)絡(luò)等處理，從而完成整個自動駕駛算法。近年來Transformer憑借傳統(tǒng)CNN算法所不能企及的感知能力以及其優(yōu)秀的魯棒性和泛化性，已逐步取代IPM、Lift-splat、MLP成為BEV(鳥瞰圖)感知領(lǐng)域的主流算法。資料來源：TeslaAIDay2022，中信建投資料來源：TeslaAIDay2022，中信建投特斯拉中的Transformer模型側(cè)重于使用交叉注意力。根據(jù)特斯拉2021人工智能日，特斯拉Transformer算法主要原理為：首先初始化一個輸出空間大小的柵格，在輸出空間中利用正弦和余弦的位置編碼進(jìn)行填充，用多層感知機(jī)將其編碼成一組查詢向量。所有的圖像及其特征均生成屬于自己的鍵和值。最后將鍵和值查詢輸入到注意力中。我們認(rèn)為Transformer模型因其注意力機(jī)制解決了CNN中卷積層遮擋區(qū)域檢測問題，成為了自動駕駛領(lǐng)域的首選，交叉注意力機(jī)制目前也更有利于Transformer模型在汽車上進(jìn)行部署，Transformer模型正推動自動駕駛技術(shù)實現(xiàn)飛躍式的迭代。2022年6月2日，馬斯克發(fā)布推特稱，Transformer正在取代C啟發(fā)式算法去處理視覺神經(jīng)網(wǎng)絡(luò)中大量的節(jié)點，特斯拉全自動駕駛正在使用運行在TRIP芯片上的GPT算法實現(xiàn)計算機(jī)視覺。根據(jù)特斯拉2022AI開放日，特斯拉全自動駕駛(FullSelfDriving(beta))客戶已從2021年的2000個增長到2022年的16000個。資料來源：TeslaAIDay2022，中信建投人人工智能頁的重要聲明2022年11月24日，馬斯克發(fā)布推特稱，特斯拉全自動駕駛(FullSelfDriving(beta))已經(jīng)可以提供給北美任何一個購買相關(guān)服務(wù)的車主使用，成為特斯拉Autopilot/AI團(tuán)隊一個重要里程碑。在特斯拉的引領(lǐng)下，自動駕駛功能滲透率將不斷提升，其中智能駕駛域控制器率先放量。深圳發(fā)布《深圳經(jīng)濟(jì)特區(qū)智能網(wǎng)聯(lián)汽車管理條例》，自動駕駛政策放開臨近。近些年來，為了支持自動駕駛等智能汽車行業(yè)的發(fā)展，我國政府陸續(xù)發(fā)布了許多政策。例如，2018年工信部發(fā)布《車聯(lián)網(wǎng)(智能網(wǎng)聯(lián)汽車)產(chǎn)業(yè)發(fā)展行動計劃》，指出要加快建設(shè)智能網(wǎng)聯(lián)汽車制造業(yè)創(chuàng)新中心，促進(jìn)產(chǎn)業(yè)鏈上下游及與相關(guān)行業(yè)之間的融合。2022年11月，工信部發(fā)布《關(guān)于開展智能網(wǎng)聯(lián)汽車準(zhǔn)入和上路通行試點工作的通知(征求意見稿)》，將在全國智能網(wǎng)聯(lián)汽車道路測試與示范應(yīng)用工作基礎(chǔ)上，選出符合條件的企業(yè)和智能網(wǎng)聯(lián)汽車產(chǎn)品，開展準(zhǔn)入試點，其中智能網(wǎng)聯(lián)汽車搭載的自動駕駛功能為L3和L4級。2022年6月，深圳市發(fā)布《深圳經(jīng)濟(jì)特區(qū)智能網(wǎng)聯(lián)汽車管理條例》，這是國內(nèi)首部關(guān)于智能網(wǎng)聯(lián)汽車管理的法規(guī)，對智能網(wǎng)聯(lián)汽車的準(zhǔn)入登記、上路行駛等事項做出具體規(guī)定。北京、上海、重慶、四川等多地也均發(fā)布相關(guān)支持政策?！蛾P(guān)于開展智能網(wǎng)聯(lián)汽車準(zhǔn)入和上路通行試點工作的通知(征求意見稿)》工信部將在全國智能網(wǎng)聯(lián)汽車道路測試與示范應(yīng)用工作基礎(chǔ)上，選出符合條件的企業(yè)和智能網(wǎng)聯(lián)汽車產(chǎn)品，開展準(zhǔn)入試點，以促進(jìn)智能網(wǎng)聯(lián)產(chǎn)業(yè)生態(tài)迭代優(yōu)化。其中，智能網(wǎng)聯(lián)汽車搭載的自動駕駛功能為L3和L4級，即“有條件自動駕駛”和“高度自動駕駛”。《自動駕駛汽車運輸安全服務(wù)指南(試行)》交通運輸部在保障運輸安全的前提下,鼓勵在封閉式快速公交系統(tǒng)等場景使用自動駕駛汽車從事城市公共汽(電)車客運經(jīng)營活動,在交通狀況簡單、條件相對可控的場景使用自動駕駛汽車從事出租汽車客運經(jīng)營活動。智能網(wǎng)聯(lián)汽車政區(qū)無人接駁車管理細(xì)則(道路測試與示范應(yīng)用)》車管理規(guī)則，通過發(fā)放車輛編碼的方式，給予無人接駁車相應(yīng)路權(quán)，允許《上海市加快智能網(wǎng)聯(lián)汽車創(chuàng)新發(fā)展實施方案》上海市政府部署車規(guī)級芯片、人工智能算法、激光雷達(dá)、車載操作系統(tǒng)、智能計算平臺、線控執(zhí)行系統(tǒng)等關(guān)鍵領(lǐng)域，推動車路協(xié)同等配套建設(shè)，提出目標(biāo)到2025年產(chǎn)業(yè)規(guī)模達(dá)到5000億元，L2和L3級汽車占新車生產(chǎn)比例超過70%，L4級汽車在限定區(qū)域和特