AI市场进入理性期 六大行业推动应用落地是关键

本文原创，作者：章鹰，电子发烧友执行副主编。

人工智能是数字经济的核心之一。2018年全球人工智能市场规模达到240亿美元，中国市场占9.2%，达23亿美金。近五年来，中国AI市场成就斐然，2018年中国软件市场占据全球软件市场规模的3.1%，中国人工智能软件市场占据全球的15.4%，未来还有更大的增长空间。

图：中国AI产业五年间发展迅猛

近日，IDC新兴技术研究部高级研究经理卢言霞在深圳举办的2019年年中国ICT中国市场趋势论坛上，分享了AI技术最新路线图，中国AI最新发展情况和全球AI应用落地趋势。

2019年，市场对人工智能的期望恢复理性，开始进入落地应用阶段。核心AI能力不断扩展，包括推理、强化学习、迁移学习/小数据、数据自动化（例如贴标签）、终端AI、情感AI、可解释/透明AI、窄域到宽域、学习+推理等，这也催生了大量的行业AI项目。

IDC预计，到2024年，基于人工智能的IT项目实施以每年至少7%的增长推动新一轮的业务流程重构，这需要具有深厚行业背景的公司提供专业的技术服务。2020年，5G牌照的发放和商用将会使数据的收集和流通变的更加简单和通畅，AI和5G的结合可以更快的推动如自动驾驶、平安城市的发展。

机器学习和人工智能算法成为发展基石

IDC高级研究经理卢言霞表示，人工智能市场处于缓慢爆发的过程，展望未来，算法是人工智能发展的基石，机器学习会驱动人工智能上层应用的发展，也将成为衔接任务型AI，向活动型AI、流程型AI发展的重要基石，其中认知智能成为关键的基础技术。卢言霞指出，认知智能是实现从任务型AI向更高层次AI的必经之路——自然语言和语义理解。

图：AI形态的全球演进趋势

纵观国际大型科技公司，在人工智能领域都有专门布局和收购。比如拥有海量数据的互联网巨头谷歌有专门的TPU芯片，专门的机器学习框架，在机器学习、认知智能和视觉相关领域，都收购了大量的初创公司。谷歌投入４亿英镑收购英国人工智能初创公司DeepMind，这是一家前沿的人工智能企业，其将机器学习和系统神经科学的最先进技术结合起来，建立强大的通用学习算法。击败韩国围棋冠军李世石的AlphaGo就是DeepMind 开发的程序。

还有亚马逊公司，它引领消费者智能化风潮，在云端AI优势驱动企业用户，，在认知智能和视觉领域，都收购了大量的初创公司。同样，微软主要服务商业用户，在企业进行自动化改造开始，微软在认知智能和视觉领域的收购非常活跃。

在未来机会中，IDC建议ICT厂商中的有实力企业投资AI中的关键基础技术，大型企业为社会培养人工智能人才，并在全社会推广培养数据素养，包括提高数据认知和加强数据素养。

六大行业应用推动AI市场增长

政府行业、金融业、互联网行业在经过近年的应用实践后将全面扩展AI的应用。而新零售、新制造、医疗领域也将成为AI市场的新增长点。IDC预计未来3年这六大行业应用AI的复合增长率将超过30%。

在过去的两年中，AI在医疗影像领域进展迅速，机器读取影像模型数据，AI给出数据模型效果。从目前的医疗影像识别，到未来患者用药提醒和诊疗建议，我们称之为人类领导机器辅助。人工智能将辅助临床决策诊断。例如电子健康病例诊疗记录，最后的决策和诊疗方案由医生来执行。在医疗行业中，目前更多的是单点任务的自动化，很难实现活动流程的自动化。

目前，人工智能应用多处于单点任务阶段，融合决策模型，实现活动流程的自动化是远期目标，更需要融合不同模型之间的实时预测。

IDC认为，2019年人工智能在消费终端和商用终端的应用将不断加强。2019年超过65%智能终端产品引入人工智能应用，包括手机、智能家居产品。更重要的是，2019年超过10%的商用终端产品也开始采用人工智能应用，商用办公助手成为新亮点。 到2022年将有40%的商用终端产品采用人工智能。

中国AI发展处于单点任务阶段，未来向流程型任务转变

中国AI和全球AI在自动化当中处于什么程度，目前已经开放了人工智能的技术图谱，五十年之内人工智能的关键词只有几个：机器学习，监督学习、半监督学习、无监督学习。人工智能技术的类别达到上百项，仅仅是图像识别技术达到五十项。机器学习和深度学习已经走出主流的算法模型。

图：目前中国AI的发展阶段

目前，单点任务型是支持中国AI向前发展的主要动力，IDC调研，中国任务型AI应用广泛，超四成是计算机视觉，超四成是语音语义，一成是机器学习。在视觉领域，一批企业崛起，比如商汤、旷视科技、依图科技、云从科技和云天励飞，在语音语义识别市场，则有科大讯飞、小i机器人，还有平台级的公司百度、微软、阿里、华为，亚马逊和IBM，在从单点任务向流程型任务的转变中，这些平台级的公司越来越起着引领的作用。

图：中国任务型AI应用的主要类别

数据资源匮乏是AI发展主要障碍

以人工智能发展的50年来看，各个国家之间的差异明显，动力和阻力并存。第一个五十年，人工智能没有走出实验室，走到生产环境，这一波浪潮中，人才是主要限制的瓶颈。

目前，数据资源成为AI发展中的极大瓶颈。从2019年数据来看，新增的数据空间大约33ZB，仅有27%的数据资源在标准标签后成为有效数据，这其中又仅有44%是打了标签的数据资源，在这其中能够进行分析的是21%，注入到AI模型的是15%。全球仅有１％的有效数据被注入人工智能。未来数据空间的挖掘价值非常大。