機器學習行業(yè)市場趨勢分析報告

機器學習行業(yè)市場趨勢分析報告SUBTITLEHERE202X-XX-XXCONTENTS行業(yè)分析報告機器學習行業(yè)定義萌芽期（1949-1968年）產(chǎn)業(yè)鏈產(chǎn)業(yè)鏈政治環(huán)境1政治環(huán)境2政治環(huán)境2經(jīng)濟環(huán)境社會環(huán)境1社會環(huán)境2行業(yè)驅動因素行業(yè)驅動因素行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀行業(yè)熱點行業(yè)制約因素行業(yè)問題行業(yè)發(fā)展建議競爭格局行業(yè)發(fā)展趨勢行業(yè)發(fā)展趨勢代表企業(yè)1代表企業(yè)201機器學習行業(yè)定義機器學習行業(yè)定義機器學習指專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為以獲取新的知識或技能的學科，使計算機重新組織已有的知識結構并不斷改善自身的性能。機器學習以數(shù)據(jù)為基礎，通過研究樣本數(shù)據(jù)尋找規(guī)律，并根據(jù)所得規(guī)律對未來數(shù)據(jù)進行預測。機器學習是人工智能的核心，廣泛應用于數(shù)據(jù)挖掘、計算機視覺、自然語言處理、生物特征識別等人工智能領域。(1)按學習模式的不同，機器學習可分為監(jiān)督學習、無監(jiān)督學習、強化學習:(2)按算法網(wǎng)絡深度的不同，機器學習可分為淺層學習和深度學習:02萌芽期（1949-1968年）萌芽期（1949-1968年）1949至1968年，機器學習基礎理論和模型開始出現(xiàn)，行業(yè)進入萌芽期。1949年，DonaldHebb提出赫布學習理論，解釋了循環(huán)神經(jīng)網(wǎng)絡中各節(jié)點之間的關聯(lián)性，為機器學習的發(fā)展奠定了理論基礎。1952年，IBM的ArthurSamuel設計出一款具有學習能力的西洋跳棋程序，該程序可通過觀察棋子的位置變化來構建新模型，逐步改善下棋技巧。ArthurSamuel將機器學習定義為可提供計算機能力而無需顯式編程的研究領域。1957年，Rosenblatt提出感知器模型，其可在簡單結構中表現(xiàn)出智能系統(tǒng)的基本屬性。1960年，Widrow將Delta學習規(guī)則應用于感知器模型中，進一步提高線性分類器的精確度。瓶頸期（1969-1979年）恢復期（1980-1989年）突破期（1990-2005年）瓶頸期（1969-1979年）1969至1979年，機器學習在理論研究方面遇到瓶頸，發(fā)展步伐趨于滯緩。1969年，Minsky提出神經(jīng)網(wǎng)絡異或問題，揭露感知器模型無法處理線性不可分問題的缺陷，機器學習開始面臨理論研究困境。Winston于1970年提出結構學習系統(tǒng)，推動基于邏輯表示的符號主義學習技術進一步發(fā)展，但該系統(tǒng)只能學習單一概念，未能突破機器學習的理論研究瓶頸?；謴推冢?980-1989年）1980至1989年，神經(jīng)網(wǎng)絡領域的理論研究從單一概念學習逐漸拓展至多個概念學習，機器學習的實踐應用逐漸增多，行業(yè)進入恢復期。1980年，首屆機器學習國際研討會于美國卡內(nèi)基梅隆大學召開，機器學習的關注度顯著提升。1981年，Werbos在神經(jīng)網(wǎng)絡反向傳播算法中提出多層感知器模型，機器學習理論研究步伐逐步加快。1986年，Quinlan提出ID3算法，該算法為機器學習領域的主流算法分支之一，其規(guī)則簡單，理論框架清晰，應用場景不斷增多。突破期（1990-2005年）1990至2005年，機器學習在算法模型方面實現(xiàn)突破，Boosting算法、支持向量機模型的提出有力推動機器學習進一步發(fā)展。Schapire于1990年率先構造出多項式級的Boosting算法，F(xiàn)reund于1991年提出更高效的Boosting算法，Boosting算法的提出和發(fā)展顯著提高弱分類器的準確度。1995年，F(xiàn)reund和Schapire在改進Boosting算法的過程中提出AdaBoost算法，AdaBoost算法無需弱學習器的先驗知識，更易于解決實際問題。1995年，Vapnik和Cortes提出支持向量機算法模型，該算法模型具有堅實的理論基礎以及出色的實證結果，是機器學習領域的重大突破。03產(chǎn)業(yè)鏈產(chǎn)業(yè)鏈產(chǎn)業(yè)鏈上游產(chǎn)業(yè)鏈中游產(chǎn)業(yè)鏈下游產(chǎn)業(yè)鏈上游GPU、FPGA、ASIC、IaaS、PaaS、學術機構、人工智能應用公司產(chǎn)業(yè)鏈中游機器學習框架、機器學習技術開放平臺04產(chǎn)業(yè)鏈產(chǎn)業(yè)鏈產(chǎn)業(yè)鏈上游產(chǎn)業(yè)鏈中游產(chǎn)業(yè)鏈下游產(chǎn)業(yè)鏈上游人工智能芯片是機器學習產(chǎn)業(yè)鏈的核心底層硬件，為機器學習應用提供算力基礎。按技術架構的不同，人工智能芯片可分為GPU、ASIC、FPGA。GPU具有軟件生態(tài)齊全、并行計算能力強的特點，是現(xiàn)階段深度學習訓練的首選芯片。GPU是一種具有大規(guī)模并行計算架構，專為同時處理多重任務而設計的芯片，其發(fā)展時間長，產(chǎn)品成熟，支持CUDA統(tǒng)一架構、OpenCL架構等編程環(huán)境，編程語言成熟易用，便于開發(fā)者開發(fā)應用。此外，GPU的峰值計算能力強，處理速度可達CPU的10至100倍，適用于并行計算大規(guī)模數(shù)據(jù)，可顯著加快深度學習計算速度。ASIC是全定制化的人工智能芯片，具有體積小、功耗低、通信效率高、計算速度快等特點。ASIC是為符合特定用戶需求而定制的專用人工智能芯片，其計算能力和通信效率均可通過算法進行定制，專用化、定制化的設計將數(shù)據(jù)傳輸時間和數(shù)據(jù)等待時間壓制到最低，顯著提升芯片性能與運行速率。ASIC的主要類型包括TPU、BPU和NPU，其中，TPU為谷歌于2016年研發(fā)的專用于機器學習的ASIC芯片。FPGA可靈活編譯，處理效率高，適用于深度學習預測。FPGA指現(xiàn)場可編程門陣列，是在可編程器件的基礎上進一步發(fā)展的半定制電路，其處理重復計算指令能力強，相比GPU,“CPU+FPGA”混合異構的功耗更低，運用于深度學習預測的效率更高，性能優(yōu)勢更突出?，F(xiàn)階段，人工智能芯片市場由海外廠商主導，中國廠商的發(fā)展步伐逐步加快，但和海外頭部廠商相比仍有明顯差距。海外頭部廠商包括英偉達、英特爾、IBM、谷歌、微軟、高通等，英偉達于2018年推出新一代GPU產(chǎn)品NVIDIATeslaV100，英特爾通過收購Altera、Nervana、eASIC、NetSpeedSystems等芯片組廠商布局人工智能芯片產(chǎn)品線，谷歌于2018年發(fā)布其第三代人工智能專用處理器TPU0，蘋果于2018年發(fā)布的新款iphone手機均搭載了A12仿生芯片，IBM的人工智能團隊于2018年利用大規(guī)模模擬存儲器陣列訓練深度神經(jīng)網(wǎng)絡，達到與GPU相當?shù)木?。中國人工智能芯片廠商著重布局邊緣端芯片產(chǎn)品，針對安防、自動駕駛、智能家居、物聯(lián)網(wǎng)等領域的終端設備開發(fā)專用的人工智能芯片，代表廠商包括中星微、華為海思、瑞芯微、寒武紀、地平線、深鑒科技、云之聲、曠視科技等，中國人工智能芯片市場以初創(chuàng)型廠商居多。大數(shù)據(jù)服務商提供的服務包括數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)存儲、數(shù)據(jù)交易等，其類型包括學術機構、數(shù)據(jù)外包服務公司、人工智能應用服務公司。學術機構通過自行采集、標注大量數(shù)據(jù)來建立學術研究數(shù)據(jù)庫，以用于算法的創(chuàng)新性驗證、學術競賽等，該類數(shù)據(jù)庫迭代速度慢，商業(yè)應用場景有限，典型代表有ImageNet。數(shù)據(jù)外包服務公司是最常見的大數(shù)據(jù)服務商類型，其業(yè)務類型包括出售現(xiàn)成數(shù)據(jù)訓練集的使用授權以及根據(jù)用戶特定需求提供數(shù)據(jù)采集、數(shù)據(jù)標注、數(shù)據(jù)轉寫等服務。人工智能應用服務公司同是大數(shù)據(jù)服務的需求方和供給方，除購買數(shù)據(jù)外包服務公司的相關服務外，人工智能應用服務公司還通過自建數(shù)據(jù)服務團隊來構建自用數(shù)據(jù)庫，部分人工智能應用服務公司將自建數(shù)據(jù)庫包裝成產(chǎn)品出售，大數(shù)據(jù)服務成為其業(yè)務板塊之一。產(chǎn)業(yè)鏈中游中游的機器學習技術服務商是機器學習產(chǎn)業(yè)鏈的關鍵主體，其提供的服務包括機器學習基礎開源框架以及機器學習技術開放平臺。機器學習基礎開源框架是構建機器學習模型的重要根基，市場中的機器學習基礎開源框架產(chǎn)品繁多，市場競爭激烈，谷歌、亞馬遜、Facebook等互聯(lián)網(wǎng)巨頭在機器學習基礎開源框架領域具有領先優(yōu)勢。谷歌于2016年推出機器學習系統(tǒng)開源工具TensorFlow，適用于智能手機、大型數(shù)據(jù)中心服務器等各類硬件設備，市場關注度不斷提升。MXNet是亞馬遜的機器學習基礎開源框架產(chǎn)品，其適用于Python，R，Julia，Scala，Javascript等語言，可在多個CPU、GPU設備上進行分布式訓練，運算效率優(yōu)勢突出。Facebook于2018年推出機器學習基礎開源框架產(chǎn)品Pytorch，該產(chǎn)品通用性強，語言簡單，用戶數(shù)量逐漸增多。其他機器學習基礎開源框架典型代表產(chǎn)品有Theano、Caffe、Keras等。機器學習技術開放平臺為開發(fā)者提供基于機器學習的應用開發(fā)環(huán)境，可簡化開發(fā)者對算法的接口調(diào)用、可視化、參數(shù)調(diào)優(yōu)等自動化任務的管理。典型的機器學習技術開放平臺包括亞馬遜的AmazonMachineLearning、微軟的Azure機器學習工作臺、騰訊的DI-X機器學習平臺、阿里云機器學習PAI等。產(chǎn)業(yè)鏈下游下游的機器學習應用服務商為最終用戶提供基于機器學習的垂直領域應用服務，機器學習廣泛應用于金融、教育、醫(yī)療、工業(yè)、零售等垂直領域。在金融領域，機器學習可滿足金融機構在數(shù)據(jù)處理安全性、速度、精確度等方面的高要求，其在信用評分、投資組合管理、金融產(chǎn)品推薦、客戶關系管理、金融欺詐檢測等場景具有高適用性。金融領域的機器學習應用服務商有商湯科技、依圖科技、云從科技、竹間智能、京東金融等。在教育領域，應用機器學習的產(chǎn)品包括語音測評產(chǎn)品、智能批改產(chǎn)品、分級閱讀產(chǎn)品等。語音測評產(chǎn)品通過機器學習提高口語測評、統(tǒng)計評分效率，智能批改產(chǎn)品通過機器學習大幅提升批改準確率，分級閱讀產(chǎn)品通過機器學習為不同年齡段學生匹配合適讀物。教育領域的機器學習應用服務商有科大訊飛、馳聲科技、流利說、測評學、一起作業(yè)、高木學習等。在醫(yī)療領域，機器學習在疾病監(jiān)測、藥物發(fā)明、輔助診療等方面具有高適用性，可顯著提高疾病監(jiān)測效率，縮短藥物發(fā)明時間，提高診療精確度。醫(yī)療領域的機器學習應用服務商有碳云智能、騰訊覓影、天智航、萬里云、匯醫(yī)慧影等。在工業(yè)領域，機器學習可顯著提升工業(yè)生產(chǎn)中的設備維護、產(chǎn)品質檢、能源管理、物流運輸?shù)拳h(huán)節(jié)的效率，其在工業(yè)領域的滲透率不斷提高。工業(yè)領域的機器學習應用服務商有高視科技、庫柏特、Uptake等。05政治環(huán)境1政治環(huán)境1《關于積極推進“互聯(lián)網(wǎng)+”行動的指導意見》《促進大數(shù)據(jù)發(fā)展行動綱要》《機器人產(chǎn)業(yè)發(fā)展規(guī)劃（2016－2020年）》《關于積極推進“互聯(lián)網(wǎng)+”行動的指導意見》提出要建設支撐超大規(guī)模深度學習的新型計算集群，構建包括語音、圖像、視頻、地圖等數(shù)據(jù)的海量訓練資源庫，加強人工智能基礎資源和公共服務等創(chuàng)新平臺建設《促進大數(shù)據(jù)發(fā)展行動綱要》提出要支持自然語言理解、機器學習、深度學習等人工智能技術創(chuàng)新，提升數(shù)據(jù)分析處理能力、知識發(fā)現(xiàn)能力和輔助決策能力?！稒C器人產(chǎn)業(yè)發(fā)展規(guī)劃（2016－2020年）》提出要重點開展人工智能、機器人深度學習等基礎前沿技術研究，突破機器人通用控制軟件平臺、人機共存、安全控制、高集成一體化關節(jié)、靈巧手等核心技術。06政治環(huán)境2政治環(huán)境2《“互聯(lián)網(wǎng)+”人工智能三年行動實施方案》《新一代人工智能發(fā)展規(guī)劃》《“互聯(lián)網(wǎng)+”人工智能三年行動實施方案》提出要建設滿足深度學習等智能計算需求的新型計算集群共享平臺、云端智能分析處理服務平臺、算法與技術開放平臺、智能系統(tǒng)安全公共服務平臺、多種生物特征識別的基礎身份認證平臺等基礎資源服務平臺?！缎乱淮斯ぶ悄馨l(fā)展規(guī)劃》提出要重點突破自適應學習、自主學習等理論方法，實現(xiàn)具備高可解釋性、強泛化能力的人工智能，要突破量子加速機器學習方法，建立高性能計算與量子算法混合模型，形成高效精確自主的量子人工智能系統(tǒng)架構07政治環(huán)境2政治環(huán)境2《關于深化“互聯(lián)網(wǎng)+先進制造業(yè)”發(fā)展工業(yè)互聯(lián)網(wǎng)的指導意見》《新一代人工智能產(chǎn)業(yè)創(chuàng)新重點任務揭榜工作方案》《關于深化“互聯(lián)網(wǎng)+先進制造業(yè)”發(fā)展工業(yè)互聯(lián)網(wǎng)的指導意見》提出要著力提升數(shù)據(jù)分析算法與工業(yè)知識、機理、經(jīng)驗的集成創(chuàng)新水平，形成一批面向不同工業(yè)場景的工業(yè)數(shù)據(jù)分析軟件與系統(tǒng)以及具有深度學習等人工智能技術的工業(yè)智能軟件和解決方案?！缎乱淮斯ぶ悄墚a(chǎn)業(yè)創(chuàng)新重點任務揭榜工作方案》神經(jīng)網(wǎng)絡芯片領域的揭榜任務為:研發(fā)面向機器學習訓練應用的云端神經(jīng)網(wǎng)絡芯片、面向終端應用發(fā)展適用于機器學習計算的終端神經(jīng)網(wǎng)絡芯片，研發(fā)與神經(jīng)網(wǎng)絡芯片配套的編譯器、驅動軟件、開發(fā)環(huán)境等產(chǎn)業(yè)化支撐工具。08經(jīng)濟環(huán)境經(jīng)濟環(huán)境高性能計算技術融入智能計算體系，新型智能計算也正助力人工智能發(fā)展。2020年，在疫情防控和復工復產(chǎn)中，人工智能技術發(fā)揮著重要作用，資本市場對于人工智能的熱度升溫，全球AI投資金額基本止跌，中國國內(nèi)AI投資金額轉降為升。全球人工智能產(chǎn)業(yè)規(guī)模達到1565億美元，同比增長13%，但由于疫情影響，增速低于2019年。中國人工智能產(chǎn)業(yè)規(guī)模為434億美元，同比增長175%，超過全球增速。09社會環(huán)境1社會環(huán)境1010201人工智能作為一門前沿交叉學科，其定義一直存有不同的觀點:《人工智能——一種現(xiàn)代方法》中將已有的一些人工智能定義分為四類:像人一樣思考的系統(tǒng)、像人一樣行動的系統(tǒng)、理性地思考的系統(tǒng)、理性地行動的系統(tǒng)。維基百科上定義“人工智能就是機器展現(xiàn)出的智能”，即只要是某種機器，具有某種或某些“智能”的特征或表現(xiàn)，都應該算作“人工智能”。02中國國電子技術標準化研究院在《人工智能標準化白皮書(2018版)》中，將人工智能定義為:人工智能是利用數(shù)字計算機或者數(shù)字計算機控制的機器模擬、延伸和擴展人的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統(tǒng)。010社會環(huán)境2社會環(huán)境2人工智能行業(yè)迎發(fā)展黃金期。4月19日，在首屆濟南國家級人工智能創(chuàng)新應用先導區(qū)高端峰會上中國信息通信研究院發(fā)布《2020年全球人工智能產(chǎn)業(yè)地圖》(以下簡稱《產(chǎn)業(yè)地圖》)。《產(chǎn)業(yè)地圖》顯示，中國AI企業(yè)數(shù)量全球排名第二，中美兩國在人工智能領域占絕對競爭優(yōu)勢。中國信息通信研究院副院長魏亮在現(xiàn)場介紹說，2020年，美國人工智能企業(yè)占據(jù)全球總數(shù)38.3%，中國緊隨其后，占266%。中美兩國AI企業(yè)數(shù)量占據(jù)全球半數(shù)以上，保持絕對競爭優(yōu)勢。美、中、英、加等名列前10名國家的AI企業(yè)數(shù)量排名連續(xù)四年無明顯變化。011行業(yè)驅動因素行業(yè)驅動因素1政策驅動1機器學習技術開放平臺為行業(yè)發(fā)展提供有力支持1政策驅動1明確的政策指引是中國機器學習行業(yè)發(fā)展的重要驅動因素，中國政府發(fā)布的多部重要產(chǎn)業(yè)規(guī)劃均對機器學習行業(yè)提出相關發(fā)展要求及指引，有力推動機器學習行業(yè)進一步發(fā)展。1機器學習技術開放平臺為行業(yè)發(fā)展提供有力支持1機器學習技術開放平臺在機器學習產(chǎn)業(yè)鏈中起著承上啟下的關鍵作用，為機器學習行業(yè)發(fā)展提供有力支持。機器學習技術開放平臺集開發(fā)、調(diào)試、訓練、預測、部署于一體,讓開發(fā)者專注于模型和算法調(diào)優(yōu)，而無須關注機器學習底層工程的繁瑣細節(jié)。機器學習技術開放平臺在整合機器學習算法、機器學習基礎開源框架、機器學習應用開發(fā)等要素和資源的基礎上，利用可視化交互設計快速構建并部署機器學習模型，進一步簡化機器學習模型的構建，顯著加快機器學習模型應用的落地速度。微軟、騰訊、阿里巴巴等科技巨頭均推出了機器學習技術開放平臺，這些科技巨頭的產(chǎn)品布局涵蓋互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等多個領域，其機器學習技術開放平臺的功能聯(lián)動性優(yōu)勢尤為突出。以阿里巴巴為例，阿里巴巴旗下的阿里云機器學習平臺可將機器學習模型配合阿里云的云計算、物聯(lián)網(wǎng)、大數(shù)據(jù)等產(chǎn)品組件進行使用，產(chǎn)品之間的配合使用帶來聯(lián)動效應，機器學習技術開放平臺的功能因此更具連貫性。微軟的Azure機器學習工作臺、騰訊的DI-X機器學習平臺、阿里云機器學習PAI等機器學習技術開放平臺憑借其功能聯(lián)動性優(yōu)勢迅速發(fā)展，用戶體驗逐漸提升，用戶規(guī)模不斷擴大，有力推動機器學習行業(yè)進一步發(fā)展。012行業(yè)驅動因素行業(yè)驅動因素深度學習發(fā)展迅速資本投入推動行業(yè)發(fā)展深度學習發(fā)展迅速作為機器學習領域的主流算法之一，深度學習憑借其適應性強、準確率高等特點獲得市場高度關注，應用領域不斷拓寬，其在圖像識別、語音識別、人臉識別等領域的應用逐步加深，發(fā)展步伐顯著加快，深度學習的迅速發(fā)展是推動機器學習行業(yè)升級發(fā)展的重要因素。深度學習通過加深在圖像識別、語音識別、人臉識別等技術領域的應用進一步滲透至金融、安防、智能駕駛等垂直應用領域，應用推廣速度提升明顯，助力機器學習行業(yè)升級發(fā)展。資本投入推動行業(yè)發(fā)展機器學習作為人工智能領域的重要技術，是資本市場重點關注對象之一。在資本力量推動下，一批以機器學習為核心驅動的初創(chuàng)型公司進入到市場中，逐漸成為市場中的有力競爭者。2012年至2019年7月，機器學習領域的一級市場投資事件共有164起，總投資額達208億元人民幣。隨著資本市場對機器學習的重視程度逐漸提升，多個機器學習項目落地并迅速發(fā)展，充足的投資資金成為初創(chuàng)型機器學習公司進一步發(fā)展的重要力量。013行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀作為人工智能極為關鍵的通用技術之一，機器學習時常被外界認為是AI應用中使用的公式或定理般的抽象基礎。機器學習的本質的確是函數(shù)，但它依然能夠以單純的算法能力直接落地于金融、工業(yè)、醫(yī)藥、互聯(lián)網(wǎng)等數(shù)字化基礎較好的領域，為企業(yè)提供智能風控、預測性維護、藥物發(fā)現(xiàn)、個性化推薦等多種服務。初步估計2022年我國機器學習產(chǎn)品服務的市場規(guī)模為3000億元。014行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀未來五年年復合增長率有望高達20%金融賽道受到投資高度喜愛未來五年年復合增長率有望高達20%未來我國機器學習的核心產(chǎn)品將以26%的復合增長率增長，2025年中國機器學習核心產(chǎn)品市場規(guī)模將達到506.5億元，帶動相關產(chǎn)業(yè)市場規(guī)模也將增長到3238億元。金融賽道受到投資高度喜愛在近年獲投的機器學習創(chuàng)業(yè)公司中，熱門賽道集中于金融、互聯(lián)網(wǎng)、工業(yè)、政務、醫(yī)療等。其中，金融賽道與機器學習契合度高且需求強烈，90%以上的機器學習企業(yè)都開展了金融相關業(yè)務板塊，機器學習在金融領域的應用場景主要在智能風控、保險核定、精準營銷等方面;機器學習在工業(yè)(含電力)領域也有著充分的施展空間，科學的算法模型應用能夠幫助工業(yè)企業(yè)優(yōu)化生產(chǎn)工藝、提升生產(chǎn)效率、減少資產(chǎn)損失;醫(yī)療領域，機器學習的應用集中于兩方面，一是藥物發(fā)現(xiàn)中通過算法提高靶點篩選、晶型預測等環(huán)節(jié)的效率，二是以算法模型賦能基因測序，提升疾病風險預測與輔助診療的準確性。015行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀2006年以來，深度學習的推廣應用速度逐步加快，應用領域不斷拓寬，其逐漸成為機器學習領域的主流算法。在深度學習的帶動發(fā)展下，機器學習在人工智能應用市場中的應用占比從2014年的9.6%上升至2018年的12%。人工智能市場規(guī)模從2014年77億元增長至2018年的339.0億元，年復合增長率達47.5%，在人工智能商業(yè)化應用步伐逐步加快以及機器學習應用占比不斷提高的發(fā)展背景下，機器學習發(fā)展進一步加快。機器學習廣泛應用于金融、教育、醫(yī)療、工業(yè)、零售、能源等多個垂直領域，2014至2018年，各垂直領域的機器學習應用項目平均市場價格處于500萬元至580萬元區(qū)間內(nèi)，根據(jù)各垂直領域機器學習項目平均市場價格以及項目數(shù)量進行計算，中國機器學習行業(yè)市場規(guī)模從2014年的8.7億元增長至2018年的55億元，年復合增長率達56.7%。隨著機器學習算法的不斷改進，其在各垂直領域的應用將進一步加深，各垂直領域的機器學習應用項目數(shù)量將不斷增多，至2023年，機器學習市場規(guī)模將達336.7億元，2019至2023年年復合增長率達46.3%。016行業(yè)現(xiàn)狀行業(yè)現(xiàn)狀機器學習的核心價值是通過特定算法分析已知數(shù)據(jù)，識別隱藏在數(shù)據(jù)中的可能性，并基于此獨立或輔助使用者進行預測與決策。機器學習體現(xiàn)價值的前提是存在大量可供分析的數(shù)據(jù)，具體到企業(yè)的實際應用當中，就是要求企業(yè)能夠提供連續(xù)準確的硏發(fā)設計、生產(chǎn)經(jīng)營、設備運行、營銷獲客等各方面業(yè)務數(shù)據(jù)，以此訓練、修正、完善算法模型，再利用模型挖掘企業(yè)數(shù)據(jù)的真正價值?？梢哉f，行業(yè)或區(qū)域的數(shù)字化程度決定著機器學習能夠在其中發(fā)揮多大作用。2016-2019年我國數(shù)字經(jīng)濟規(guī)模快速增長，占GDP的比重也逐年增加，2019年我國數(shù)字機構及規(guī)模達到5.2億元，占GDP比重達到36.2%。目前，機器學習還缺少在各行各業(yè)大面積應用的數(shù)據(jù)基礎，短期內(nèi)只能在金融、制造、電力、醫(yī)藥等數(shù)字化水平較好的領域謀求發(fā)展。隨著企業(yè)數(shù)字化轉型不斷深化和數(shù)字經(jīng)濟的蓬勃發(fā)展，機器學習還擁有極為廣闊的空間。017行業(yè)熱點行業(yè)熱點熱點一機器學習應用領域廣泛熱點二科研服務市場持續(xù)增長熱點三行業(yè)產(chǎn)品質量整體提高熱點一機器學習應用領域廣泛熱點二科研服務市場持續(xù)增長機器學習行業(yè)具有市場空間廣闊、銷售范圍廣、用戶分散、單批數(shù)量少、銷售單價高等特點。熱點三行業(yè)產(chǎn)品質量整體提高機器學習行業(yè)技術提升，多元化科研服務平臺持續(xù)擴張，促進高價值服務企業(yè)品牌形成。行業(yè)產(chǎn)品化發(fā)展，集研發(fā)、生產(chǎn)、銷售于一體的綜合性科研服務企業(yè)逐漸增多。018行業(yè)制約因素行業(yè)制約因素訓練數(shù)據(jù)問題突出機器學習模型可解釋性差復雜性和質量之間的權衡訓練數(shù)據(jù)問題突出機器學習以數(shù)據(jù)為基礎，訓練數(shù)據(jù)的數(shù)量、質量、代表性與機器學習模型的性能緊密相連?，F(xiàn)階段，機器學習模型構建常因訓練數(shù)據(jù)數(shù)量不足，質量不佳，代表性不高而出現(xiàn)過擬合、欠擬合、泛化能力減弱、準確度不足等狀況，是制約機器學習行業(yè)發(fā)展的重要因素。訓練數(shù)據(jù)的代表性亦是影響機器學習模型性能的重要因素，訓練數(shù)據(jù)缺乏代表性對模型準確度產(chǎn)生明顯負面影響。以人臉識別為例，當機器學習模型缺乏具有代表性、典型性的人臉特征數(shù)據(jù)時（如高鼻梁、沒有眉毛等），模型會出現(xiàn)樣本偏差，導致人臉識別準確度大幅下降。機器學習模型可解釋性差可解釋性指合理地說明事物變化的原因、事物之間的聯(lián)系、事物發(fā)展的規(guī)律等，機器學習可解釋性差，通常只輸出結果，而難以闡釋推理和運算過程。機器學習模型可解釋性差不利于行業(yè)進一步發(fā)展。在機器學習的算法類型中，深度學習的可解釋問題最為突出。深度學習的神經(jīng)元、隱含層數(shù)量眾多，其神經(jīng)網(wǎng)絡參數(shù)對應的特征并非人工設計，而是神經(jīng)網(wǎng)絡在學習過程中其本身選擇所得。人不能了解深度學習模型的學習內(nèi)容以及參數(shù)含義，亦無法解釋模型的運作機制，難以對深度學習模型提出具有針對性的優(yōu)化方案。復雜性和質量之間的權衡建立健壯的機器學習模型需要大量的計算資源來處理特征和標簽。編碼復雜的模型需要數(shù)據(jù)科學家和軟件工程師付出巨大的努力。復雜的模型可能需要大量的計算能力才能執(zhí)行，并且可能需要更長的時間才能得出可用的結果。這代表了企業(yè)的權衡。他們可以選擇較快的響應，但結果可能不太準確?；蛘咚麄兛梢越邮茌^慢的響應，但可以從模型中獲得更準確的結果。但是，這些妥協(xié)并非全是壞消息。是否要以更快的響應獲得更高的成本和更準確的模型的決定取決于用例。019行業(yè)問題行業(yè)問題質量參差不齊行業(yè)監(jiān)管難度大高端產(chǎn)品發(fā)展落后質量參差不齊機器學習行業(yè)缺乏完備的質量控制和質量保證體系，生產(chǎn)商缺乏統(tǒng)一的生產(chǎn)標準，行業(yè)內(nèi)產(chǎn)品質量良莠不齊，導致產(chǎn)品的可靠性難以保證，喪失產(chǎn)品市場競爭力。行業(yè)監(jiān)管難度大高端產(chǎn)品發(fā)展落后020行業(yè)發(fā)展建議行業(yè)發(fā)展建議2提升產(chǎn)品質量2全面增值服務2多元化融資渠道2提升產(chǎn)品質量2（1）政府方面：政府應當制定行業(yè)生產(chǎn)標準，規(guī)范機器學習行業(yè)生產(chǎn)流程，并成立相關部門，對科研用機器學習行業(yè)的研發(fā)、生產(chǎn)、銷售等各個環(huán)節(jié)進行監(jiān)督，形成統(tǒng)一的監(jiān)督管理體系，完善試劑流通環(huán)節(jié)的基礎設施建設，重點加強冷鏈運輸環(huán)節(jié)的基礎設施升級，保證機器學習行業(yè)產(chǎn)品的質量，促進行業(yè)長期穩(wěn)定的發(fā)展；（2）生產(chǎn)企業(yè)方面：機器學習行業(yè)生產(chǎn)企業(yè)應嚴格遵守行業(yè)生產(chǎn)規(guī)范，保證產(chǎn)品質量的穩(wěn)定性。目前市場上已有多個本土機器學習行業(yè)企業(yè)加強生產(chǎn)質量的把控，對標優(yōu)質、高端的進口產(chǎn)品，并憑借價格優(yōu)勢逐步替代進口。此外，機器學習行業(yè)企業(yè)緊跟行業(yè)研發(fā)潮流，加大創(chuàng)新研發(fā)力度，不斷推出新產(chǎn)品，進一步擴大市場占有率，也是未來行業(yè)發(fā)展的重要趨勢。2全面增值服務2單一的資金提供方角色僅能為機器學習行業(yè)企業(yè)提供“凈利差”的盈利模式，機器學習行業(yè)同質化競爭日趨嚴重，利潤空間不斷被壓縮，企業(yè)業(yè)務收入因此受影響，商業(yè)模式亟待轉型除傳統(tǒng)的機器學習行業(yè)需求外，設備管理、服務解決方案、貸款解決方案、結構化融資方案、專業(yè)咨詢服務等方面多方位綜合性的增值服務需求也逐步增強。中國本土機器學習行業(yè)龍頭企業(yè)開始在定制型服務領域發(fā)力，鞏固行業(yè)地位2多元化融資渠道2可持續(xù)公司債等創(chuàng)新產(chǎn)品，擴大非公開定向債務融資工具（PPN）、公司債等額度獲取，形成了公司債、PPN、中期票據(jù)、短融、超短融資等多產(chǎn)品、多市場交替發(fā)行的新局面；企業(yè)獲取各業(yè)態(tài)銀行如國有銀行、政策性銀行、外資銀行以及其他中資行的授信額度，確保了銀行貸款資金來源的穩(wěn)定性。機器學習行業(yè)企業(yè)在保證間接融資渠道通暢的同時，能夠綜合運用發(fā)債和資產(chǎn)證券化等方式促進自身融資渠道的多元化，降低對單一產(chǎn)品和市場的依賴程度，實現(xiàn)融資地域的分散化，從而降低資金成本，提升企業(yè)負債端的市場競爭力。以遠東宏信為例，公司依據(jù)自身戰(zhàn)略發(fā)展需求，堅持“資源全球化”戰(zhàn)略，結合實時國內(nèi)外金融環(huán)境，有效調(diào)整公司直接融資和間接融資的分布結構，在融資成本方面與同業(yè)相比優(yōu)勢突出。021競爭格局競爭格局競爭格局1競爭格局2競爭格局1在機器學習市場中，基礎層核心芯片被英偉達、英特爾、IBM、谷歌、微軟、高通等海外傳統(tǒng)芯片大廠商掌控，云計算由谷歌、亞馬遜、阿里云等互聯(lián)網(wǎng)巨頭引領，大數(shù)據(jù)服務商數(shù)量多，分布零散，市場競爭激烈。競爭格局2技術層機器學習基礎開源框架以谷歌的TensorFlow、亞馬遜的MXNet、Facebook的Pytorch、Theano、Caffe、Keras等為主，機器學習技術開放平臺主流產(chǎn)品包括亞馬遜的AmazonMachineLearning、微軟的Azure機器學習工作臺、騰訊的DI-X機器學習平臺、阿里云機器學習PAI等。應用層以初創(chuàng)型廠商居多，市場競爭最為激烈，典型代表廠商包括商湯科技、依圖科技、云從科技、第四范式、寒武紀、深鑒科技等。022行業(yè)發(fā)展趨勢行業(yè)發(fā)展趨勢人工智能將會更緊密地與實體經(jīng)濟結合，改善民生發(fā)展深度強化學習人工智能將會更緊密地與實體經(jīng)濟結合，改善民生從技術本身來看，人工智能自身并不能脫離產(chǎn)業(yè)單獨發(fā)展，必須與實體企業(yè)相結合，才能發(fā)揮出更大作用。加快實體經(jīng)濟與人工智能技術的深度融合，創(chuàng)造新模式、新業(yè)態(tài)、新產(chǎn)業(yè)，改造傳統(tǒng)產(chǎn)業(yè)、推進智能產(chǎn)業(yè)將成為具有極強吸引力的發(fā)展方向，人工智能和實體經(jīng)濟的融合不僅是新舊經(jīng)濟轉換的核心，更將為保障以及改善民生提供更多更好的路徑。發(fā)展深度強化學習深度強化學習（DRL，DeepReinforcementLearning）由深度學習和強化學習結合而成，其同時具有深度學習的感知能力和強化學習的決策能力。深度強化學習具有靈活度高、擴展性強、所需訓練數(shù)據(jù)量少等特點，其應用范圍不斷擴展，推廣速度逐漸加快，發(fā)展深度強化學習是機器學習行業(yè)的一大發(fā)展趨勢。023行業(yè)發(fā)展趨勢行業(yè)發(fā)展趨勢發(fā)展生成對抗網(wǎng)絡發(fā)展膠囊網(wǎng)絡發(fā)展生成對抗網(wǎng)絡生成對抗網(wǎng)絡（GAN，GenerativeAdversarialNetworks）是一種由兩個相互博弈的神經(jīng)網(wǎng)絡組成的無監(jiān)督深度學習系統(tǒng)，兩個神經(jīng)網(wǎng)絡分別為生成網(wǎng)絡和判別網(wǎng)絡，生成網(wǎng)絡通過捕捉真實數(shù)據(jù)樣本的潛在分布生成新數(shù)據(jù)樣本，判別網(wǎng)絡負責區(qū)分真實數(shù)據(jù)和生成的樣本數(shù)據(jù)。生成對抗網(wǎng)絡進一步拓展了深度學習，使其能處理更大范圍的無監(jiān)督任務。生成對抗網(wǎng)絡的對抗訓練機制優(yōu)勢逐漸突出，其應用領域不斷擴展，發(fā)展生成對抗網(wǎng)絡是機器學習行業(yè)的重要發(fā)展趨勢。發(fā)展膠囊網(wǎng)絡膠囊網(wǎng)絡（CapsNets）是一種新型深度神經(jīng)網(wǎng)絡架構，其以膠囊單元為神經(jīng)元載體，膠囊輸出的高維向量可顯