2
1.行业概况：人工智能推动传统行业升级，行业应用花开遍地
1.1人工智能发展历程：自1956年达特茅斯会议人工智能诞生标志开始，
历时半个世纪两起两落，人工智能正在经历第三次高潮
数据量、运算力和算法模型是影响人工智能行业发展的三大要素，
自人工智能的诞生开始，由于计算机运算能力、算法模型和数据量
的限制，人工智能不得不经历数次起落，从人工智能的时间历程来
看，有几个重要的时间节点
2000年后，得益于互联网、社交媒体、移动设备和廉价的传感器，
这个世界产生并存储的数据量急剧增加；而擅长并行计算的GPU满
足人工智能巨量的数据运算需求；深度学习算法较之神经网络的反
响传播算法（BP算法）、支撑向量机（SVM）等浅层学习算法的局
限性，无监督的学习使得机器从海量数据库里自行归纳特征，穷举
各种复杂情境，使算法拟合的准确率达到最高；人工智能也真正走
入了智能感知的时代
人工智能发展历程
36氪调研报告（第48期）——码隆科技
2017.06
请务必阅读文末的免责声明
图示：根据互联网公开信息整理
1956年，达茅斯
会议“人工智能”
正式诞生的标志
1990年，人工智能
计算机DARPA没能
实现，政府投入缩
减，人工智能进入
第二次低谷
现在，深度学习算
法在自然语言处理、
计算机视觉识别上
获得巨大成功，进
入感知智能时代
1957年，第一款神
经网络Perceptron
推动人工智能进入
第一个高峰
1970年，计算能力
未能使机器完成大规
模训练和复杂任务，
AI进入第一次低谷
1982年，霍普菲尔德
神经网络被提出；BP
算法将人工智能推向
第二个高峰
2006年，Hinton提
出“深度学习”神经
网络，使得人工智能
获得突破性进展1.2 深度学习加速人工智能技术发展，使技术能在终端产品和行业
领域里得到应用
1.2.1深度学习技术
深度学习（Deep Learning）是机器学习的分支，它试图使用包含
复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽
象的算法。深度神经网络具备至少一个隐层的神经网络，与浅层神
经网络类似，深度神经网络也能够为复杂非线性系统提供建模，而
多出的层次为模型提供了更高的抽象层次，提高了模型的能力
至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深
度置信网络和递归神经网络已被应用计算机视觉、语音识别、自然
语言处理、音频识别与生物信息学等领域并获取了极好的效果
在短短几年时间里，深度学习颠覆了语音识别、语义理解、计算机
视觉等基础应用领域的算法设计思路，逐渐形成了从一类训练数据
出发，经过一个端到端的模型，直接输出最终结果的一种模式。由
于深度学习是根据提供给它的大量的实际行为（训练数据集）来自
我调整规则中的参数，进而调整规则，因此在和训练数据集类似的
场景下，可以做出一些很准确的判断
36氪调研报告（第48期）——码隆科技
2017.06
请务必阅读文末的免责声明1根据维基百科资料整理
基于神经元网络的深度学习算法示意图1.2.2人工智能行业应用
人工智能按照技术应用的不同场景，可以分为基础技术和终端产品
两层。从基础技术来讲，可以分为芯片、深度学习、计算机视觉和
自然语言处理和计算机识别。从终端产品来讲，可以分为机器人、
智能金融、智能医疗、智能驾驶、智能安防等应用领域
1.2.3 资本涌入带动了人工智能产业落地，人工智能成为传统行业
升级新动力
人工智能促进企业往数据化、结构化、规范化、系统化以及自动化
方向上进行产业升级；尤其近两年来机器人、无人机、智能家居、
智能汽车、安防等领域迅速发展；资本与巨头企业的深度布局促进
工业智能化、无人机植保、自动驾驶、刷脸支付、私人助理等人工
智能升级产品开花遍地
36氪调研报告（第48期）——码隆科技
2017.06
请务必阅读文末的免责声明
自然语言处理
芯片
深度学习
计算机视觉
机器人
智能金融
智能医疗
智能驾驶
智能安防
智能家居
智能教育
无人机
基
础
技
术
终
端
产
品
26
4443475661
76608293
9990116114
142
121
169160156173
69.2%
-2.3%
9.3%19.1%
8.9%
24.6%
-21.1%
36.7%
13.4%
6.5%
-9.1%
28.9%
-1.7%
24.6%
-14.8%
39.7%
-5.3%-2.5%
10.9%
2012-2016年全球人工智能领域投资情况
投资事件数增长率数据来源：CB insights ;创投助手
（单位：件）1.3 图像识别多领域应用广泛，场景化是商业发展的关键
图像识别是计算机对图像进行处理、分析和理解，以识别各种不同
模式的目标和对象的技术，包含生物识别、物体与场景识别、视频
识别三项典型技术；图像识别作为人工智能中发展最迅速、应用最
广泛、商业化成熟度最高的技术，其在终端应用场景上也体现了多
领域和场景化。如，生物识别技术被广泛用于金融和安防领域，而
相对更加复杂的物体与场景识别则应用于自动驾驶、增强现实等领
域，视频与图像识别广泛用于内容鉴黄、医疗影像、教育、零售等
领域
1.3.1 机器视觉识别技术过程
机器的视觉系统主要解决的是物体识别、物体形状和方位确认以及
物体运动判断这三个问题从技术流程上分为三个过程：目标检测、
目标识别和行为识别，分别解决了“去背景”、“是什么”、“干
什么”的问题
目标检测：图像预处理、图像分割
目标识别：特征提取、目标分类、判断匹配
行为识别：模型建立、行为识别
1.3.2 视觉识别应用场景
如果不谈场景，人工智能就只是一门高深的数学科学、物理科学、
计算机科学等等，而人工智能从学术研究到商业应用的过程离不开
场景，只有场景足够深入，技术才能商品化，才会有人为之买单
人工智能的基础是数据，在数据可得性高的行业，将率先使得人工
智能应用于行业，并爆发出大量场景应用
36氪调研报告（第48期）——码隆科技
2017.06
请务必阅读文末的免责声明
目标检测
特征提取
目标分类
判断匹配
模型建立
行为识别
目标识别行为识别
图像预处理
图像分割。