顶级盛会：AI大佬全到齐，2021世界人工智能大会，将有哪些看点？

1、2021世界人工智能大会进入召开倒计时 ‍‍

高规格国际顶级盛会召开倒计时，行业领军和龙头企业悉数出席。
世界人工智能大会从 2018 年以来，已连续成功举办三届，由国家发展改革委、科技部、工业和信息化部、国家网信办、中国科学院、中国工程院和上海市人民政府共同主办，已成为人工智能行业的国际顶级盛会。

2021年7月7日-10日，2021世界人工智能大会将在上海举行，大会以“智联世界、众智成城”为主题，按 1 场开幕式、2场全体会议、11场主题会议和各具特色的论坛活动（14场领军企业论坛、27场前沿论坛和27场生态论坛）组成的‚1+2+11+X‛总体架构组成，大会议题将聚焦开源框架、AI 与脑科学、认知智能、隐私计算、AI 与量子计算等，打造近 20 个专业学术论坛。14 场领军企业论坛的协办方均为行业龙头，如 GE、贝壳找房、商汤科技、科大讯飞、中国电信、交通银行、腾讯、华为、中国移动、阿里巴巴、宝武钢铁、中科新松以及阿斯利康等。
华为将展示华为云EI、昇腾计算、智能驾驶等领域的最新解决方案，并综合呈现华为生态应用及实践，商汤科技也将携生态合作伙伴发布多款重磅新品。

分论坛设置兼顾热门和前沿。
比较热门的量子计算、自动驾驶、智慧城市、大数据和智能计算、企业数字化转型均有前沿论坛的分论坛设臵，今年还出现了隐私计算、AI 财务智能化、可信 AI、AI 赋能保险、图神经网络与情感计算、AI 赋能海洋等比较新颖和前沿的论坛主题。

2、AI 进入加速长大期，天然具有规模优势 ‍‍

2.1 AI 进入加速长大期，将持续改造社会和企业
AI 加速进入长大期。
根据 Gartner 每年发布的科技成熟度曲线，AI 从触发期开始，会经过期望膨胀期—泡沫幻灭期—复苏长大期—成熟期。

从目前趋势来看，AI 行业经过三年的预期消化，已不再是追逐热点赛道，而更倾向于考虑打造合理的商业模式，帮助 AI 产业化落地。
2017-2020 年期间，在预期消化的同时，随着资本的助力、政策的驱动、技术的投入，AI 领域中数据、硬件、算法都发生了巨大飞跃，成为了人工智能拐点的催化剂，推动业务的飞跃发展。
此外，Gartner 曾在2019年8月预测：到2021年，AI将创造2.9万亿美元的商业价值，创造全球62亿小时的工人生产力，AI 即将进入回报期。AI 赛道加速长大态势明显。

市场资金向 AI 头部独角兽聚集趋势明显。
根据 2021 年斯坦福大学发布的《2021 年人工智能指数报告》，2018 年开始全球 AI 公司的融资持续向龙头初创公司聚集，2018 年开始每年新成立的公司数量持续下降，但是 AI 融资金额依旧保持上升趋势。

从“发现”到“落地”，AI 将持续改造社会和企业。
软银集团董事长孙正义说过：“未来是 AI 的时代，AI 将会帮助人类让生活变得更加美好，这就是未来的世界”。创新工场董事长李开复说到：“眼下，AI 已经从‘发现’阶段过渡到了‘落地’阶段”。正如汽车取代马车一样，AI 将逐步渗透到个人生活和企业生产中，并通过多种深度学习算法挖掘新的价值，为社会、企业带来更高效更智能的体验。以机器人为代表的 AI 赋能也变得越来越具有吸引力，根据前瞻产业研究院的数据，目前工业机器人的成本回收期也呈现出逐年下降态势。
此外，根据 Gartner 的 2019 年年度 CIO 调查，部署了 AI 的企业从 2018 年的 4%提升至了 2019 年的 14%，企业逐步意识到了 AI 可以为产业带来实实在在的价值，我们认为，AI 渗透到社会和企业的方方面面已是大势所趋。

2.2 AI 三大核心要素不断成熟，提供产业加速沃土
AI 落地所需要的三大要素：算法、数据、算力，目前均处于非常有利于 AI 落地的状态，为 AI 赛道的推进提供了肥沃的土壤。
AI 算法持续突破创新，视觉和语音方面尤为突出，模型复杂度指数级提升。以AutoML 为例，学术界和产业界产品繁多，从方法上可归为三大阵营：基于强化学习算法、基于进化算法和基于梯度的算法，包括但不限于自动数据增强，自动网络结构搜索，自动超参搜索和自动优化器，算法的不断突破创新也持续提升了算法模型的准确率和效率，各类加速方案层出不穷。虽然目前新增的算法模型数量逐年减少，但是模型的复杂程度依然呈现指数级的上升态势。
此外，2014-2015 年出现的生成对抗网络（GAN）、2015 年出现的残差网络（ResNet），2017 年出现的 Transformer 模型均已开始在各个细分领域落地应用，并不断衍生出新的变种，模型的持续丰富也使得场景的适应能力逐步提升。

数据量迎来爆炸式增长，对 AI 算法、系统的持续迭代至关重要。
国际最知名的机器学习学者之一吴恩达曾提出过一个 AI 赛道的二八定律：80%的数据+20%的模型=更好的 AI，模型训练数据的丰富程度、清洗的干净程度一定程度上决定了 AI 算法的优劣。
而大数据技术的不断提升也降低了 AI 赖以学习的标记数据获得成本，同时对数据的处理速度出现大幅提升。
无论是视觉、语音还是自动驾驶场景，历史数据的持续积累将不断提升 AI 系统的适应能力，基于历史的数据的训练将提升算法的性能（不仅仅是准确率）、对行业 know-how 的理解和系统鲁棒性，降低错误判断和决策的概率，对 AI 技术的逐步成熟落地具有不可或缺的重要性。

芯片处理能力提升、硬件价格下降、神经网络模型优化，推动算力大幅提升。2017 年，在公共云上训练像 ResNet-50 这样的图像分类器的成本约为 1,000 美元，到了 2019 年只需大约 10 美元。
目前，同等算法水平所需的计算量每 8 个月减半，成本降低至不到 1%，‚摩尔定律‛效应明显。
截至 2019 年，全球 AI 算力主要是以 GPU 芯片为主，随着技术的不断迭代，包括 ASIC、FPGA 在内的计算单元类别有望成为支撑 AI 技术发展的底层技术，算力的快速提升为 AI 的产业落地提供了非常有利的条件。

计算机视觉、语音识别、自动驾驶作为 AI 市场规模最大和最有潜力的方向，将持续享受行业红利。
AI 在最近十年的进展迅速，包括机器学习、自然语言处理、计算机视觉、智适应技术等领域都得到了长足的发展。根据清华大学数据显示，计算机视觉、语音识别、自然语言处理是中国市场规模最大的三个应用方向，分别占比 34.9%、24.8%和 21%。此外，自动驾驶的本质属于人工智能，通过多维数据的搜集和处理，经过处理器分析，指导车辆的驾驶决策，随着智能网联、自动驾驶技术的不断深入，AI 技术在自动驾驶中将发挥越来越重要的作用。
此外，根据 2021 年 1 月 20 日清华大学人工智能研究院发布的《人工智能发展报告 2020》，中国在 2011-2020 年已经成为全球 AI 专利申请量最大的国家和地区，而 2019 年国际著名 AI 会议期刊 NeurIPS 有 29%的论文来自中国，国内 AI 发展的土壤日益丰富。
我们认为，未来以视觉和语音作为数据入口的 AI 赛道，将会在技术自身迭代的推动下不断形成新的商业应用落地，持续享受到技术改造社会所形成的行业红利。

2.3 AI 具有规模效应，数据积累、模型迭代提升行业 Know-how
当前AI技术以深度学习算法为核心，基于神经网络的主流算法难以实现通用的智能化，细分场景落地时需要结合行业 Know-how、客户需求痛点以及数据，可以产生实质性价值。
根据企鹅号 FMI 团团2021年5月6日的信息，知名外媒《Towards Data Science》按照‚谷歌引用次数‛这个指标，统计了近五年来发表在各大国际顶级会议（如 NeurIPS、 AAAI、ACL，ICML、EMNLP 等）上引用量排名前十的论文。
我们发现，深度学习、基于 NN（Neural Network，神经网络）的框架依然是学界主流。根据通用近似定理（Universal Approximation Theorem），神经网络的计算能力可以近似一个给定的连续函数，但是没有给出如何找到这个网络以及是否是最优解，实际中往往通过经验风险最小化和正则化原则进行参数学习，由于神经网络强大的计算能力，容易产生在训练集上的过度拟合，使得算法难以产生较强的通用性。
目前我们应用的安防监控、自动驾驶、语音识别、地图导航等场景都是深度学习 AI 技术在图像视觉、语音识别、自然语言理解等领域的应用，在各个细分场景落地时都需要结合所在行业的 Know-how、客户的需求痛点以及客户的真实数据，才能产生落地应用的价值，通用的人工智能从当前来看依然存在较大的现实差距。
海康威视高级副总裁徐习明曾于 2018 年对这一论调曾发表过评论，今天的人工智能还是一种弱人工智能，基于深度学习的算法精度会无限逼近 100%，但永远无法达到。
随着‘准确率’提升，最后竞争的更多是场景落地能力。2021年5月29日，腾讯副总裁、腾讯 AI Lab 和 Robotics X 实验室主任张正友在接受新京报记者采访时表示‚强人工智能之路很漫长，需要找到新算法新技术‛。当前的 AI 是场景化的 AI。

AI 所需数据并非外部海量互联网数据所能解决，很多场景甚至没有存量可用的数据，通过深入客户场景、借助算法标注、挖掘，方可获取有价值的结构化数据。
由于 AI 算法需要和行业、场景相结合，否则就是‚garbage in，garbage out‛，因此目前呈现爆发式增长的外部互联网数据并不能很好地作为 AI 模型训练的输入数据，或者说 AI 所需要的大数据往往来源于生产和服务过程中的副产品，但在价值上却往往超过了为了特定目的专门采集的数据。
在部分工业领域，由于过去智能化程度偏低，并没有太多具有挖掘价值的存量数据可以利用，需要 AI 企业深入客户的场景，通过 AI 算法进行数据特征的标注、潜在信息的挖掘，才能形成具有价值的数据，发现产业背后新的规律。
同时，AI 系统的成功取决于所输入数据的相关性和准确性，否则无监督的学习训练可能产出良莠不齐的模型。
正如前文所述，以深度神经网络为核心的机器学习决定了对 AI 数据的饥渴将在一段时间内始终伴随 AI 行业的发展，同时我们从产业化与工程化的逻辑视角来看，今天企业想要打造出用户满意的 AI 产品，可能购买的通用型“面粉”已经不能满足挑剔的用户，企业得学会自己耕种数据的沃土，这就给了卡位细分行业的 AI 公司很好的产业机会。

AI 在场景的赋能所带来的价值是逐步深入的，需要和客户一起长期打磨，产品逐步从‚可用到‚ 好用。
谷歌大脑之父吴恩达提出一个AI的理解公式：
AI=CODE(model/algorithm)+DATA，从这里我们可以看到模型不是一次性构建的，需要持续学习，通过‚收集行为数据–收集反馈数据-模型训练–模型应用全流程提升业务效果，避免传统模型的效果随着时间衰减的弊端。
而行业 Know-how、数据的持续积累对 AI 算法大有裨益。
根据百度公众号科技叨客 2021 年 5 月 13 日的信息，谷歌首席架构师、谷歌人工智能团队谷歌大脑的负责人 Jeff Dean 曾表达过，随着数据规模的不断扩大，未来深度学习算法的精度也将不断提升‛。
因此，AI 所能带来的价值与数据量的增加有正相关性，需要客户不断输出知识反哺 AI 模型，反复迭代算法，从而使得产品从‚可用逐步进化到‚好用状态。
例如广联达与海康威视合作打造智慧工地，对人-物-车进行智慧管理，未来有望实现现场施工数据与 BIM 技术的融合，实现以‚场景化应用、精细化管理、数据化决策‛为核心理念的 BIM 应用助力数字时代下的企业数字化转型，实现施工过程的数字化全流程管理。
我们认为，在 AI 细分赛道有卡位优势、有场景和数据积累的公司有望持续领跑，从而进一步提升规模效应。

AI 的规模优势带来头部企业长期的竞争优势，细分行业集中度提升。
正如前文所述，当前的 AI 是场景化的 AI，同一个赛道的两家AI公司的客户都会持续提供know-how反哺，推动模型迭代，但是客户资源更多、卡位优势更好的企业（假设简称 A 企业）拿到的行业 know-how 会更深，迭代出来的功能模块更丰富，并且积累的客户数据量会更大。
随着时间的推移，A 企业的产品将更具有竞争力（一方面模块更多，一方面和对手同样的模块迭代出来的效果会更好），进一步抢占市场份额，使得其对手逐步失去客户从而失去产品迭代的机会，为 A 企业带来长期的竞争优势，赛道也将呈现头部集中的态势。
行业公司‍

海康威视、科大讯飞、中科创达、大华股份、奥普特和石头科技。
风险提示‍

AI 落地不及预期：行业存在 AI 升级趋势，但由于落地效果、持续迭代需求等制约，AI 在行业的推进速度可能不及预期。
贸易摩擦加剧：贸易摩擦特别是科技制裁影响相关行业发展。
财政支出不及预期：近年政府财政状况较为紧张，影响相关部门对 IT 解决方案采购进度。
经济下行超预期：宏观经济面临下行压力，可能影响企业整体投资力度。

———————————————————

请您关注，了解每日最新的行业分析报告！
报告属于原作者，我们不做任何投资建议！
作者：国盛证券刘高畅杨烨
更多相关行业报告请登录【远瞻智库】或点击下方链接：