小编自己做了一个电子书下载网站，网址：

    ISBN：978-7-121-34030-7

    出版时间：2018年5月

    出版社：电子工业出版社

    作者：亿欧智库

    案例

    书名：AI进化论：解码人工智能商业场景与

    COPYRIGHT

    内容简介

    业内人士力荐

    序

    第一章 跨越AI商业化“奇点”

    第一节 揭开AI的神秘面纱

    第二节 当资本位移，谁被颠覆

    第二章 金融狂欢下的泡影

    第一节 AI与金融的动态融合

    第二节 前台到后台的多点繁荣

    第三节 保险科技：AI全流程嵌入

    第四节 技术先行，应用多久落地

    第三章 积重难返？医疗AI的颠覆之路

    第一节 医疗变革时代的黎明

    第二节 院内院外，医疗AI应用百花齐放

    第三节 下注未来，医疗AI的春天不是现

    在

    第四章 智慧安防：罪恶无处遁形

    第一节 智慧安防主战场——视频监控

    第二节 社会需求驱动智慧安防

    第三节 “四维”布防下的安防新格局

    第四节 视频监控产业链：传统vs智能

    第五节 移动化工具的AI纵向复制第五章 自动驾驶：定义未来出行

    第一节 自动驾驶，正本清源

    第二节 三头六臂，引领风潮

    第三节 颠覆性重构，探寻新商业路径

    第六章 AI引领的未来零售

    第一节 线下零售新业态

    第二节 AI为店铺运营带来变革

    第三节 AI提升零售物流效率

    第四节 新零售AI应用典型案例——沃尔

    玛

    第七章 内容生产不再是人的专利

    第一节 AI挑战记者和作家

    第二节 AI成不了肖邦，但可以模仿肖邦

    第三节 AI不仅能做设计，还能PS图片

    第四节 AI摄像师与AI剪辑师

    第五节 AI用于制作游戏

    第六节 AI+内容生产：万里长征第一步

    第八章 AI赋能下的法律新格局

    第一节 AI是当事人的优秀法律顾问

    第二节 AI是律师的优秀助手

    第三节 AI书记员和辅助审判

    第四节 AI在法律领域应用趋势

    第九章 AI进驻，教育革命即将到来

    第一节 繁重教育工作的解放

    第二节 教育生态的新变革第三节 AI+教育未来发展趋势与挑战内容简介

    本书全面梳理了人工智能的商业应用，结合

    中国人工智能的商业案例，系统性地介绍了人工

    智能在金融、医疗、安防、自动驾驶、新零售、内容生产、法律、教育等八个领域中的应用与商

    业落地场景，包括技术应用、智能化产品与服

    务、业务模式新思路、产业链结构新变化、商业

    与社会价值提升的新表现等，并分析了人工智能

    未来发展不同阶段所面临的新挑战与新机遇。

    本书内容丰富翔实，阅读门槛适中，适合所

    有从事人工智能相关产业工作，或关注人工智能

    前沿产业发展的朋友阅读。业内人士力荐

    人工智能是一代又一代人类科学家与工程师

    多年来畅想的技术，而直到这一轮深度学习技术

    的崛起，AI才从畅想中真正走入了我们所生活的

    现实世界里。这是一个伟大的时刻，但同时又是

    一个平凡的时刻，短短几年时间，在人们没有感

    受到的各个角落，AI已经在安防、医疗、交通、金融等场景中潜移默化地改变着我们社会的面

    貌。而最让我们这一代人难掩激情的是，这是一

    场属于我们的技术变革，我们不再以旁观者的身

    份观看着变革的发生，每个人都有机会参与其

    中，成为这场最伟大技术变革的推动者，真正通

    过最先进的技术手段，来解决世界上最贴近民生

    的问题。

    ——推想科技创始人兼

    CEO 陈宽

    技术的创新，正在不断刷新着人们对于美好

    生活的体验和想象。人工智能技术的发展所带来

    的全新的场景和价值正在改变和升级着每个行业。亿欧智库的《AI进化论——解码人工智能商

    业场景与案例》梳理了众多的场景案例，对于行

    业十分有参考价值。

    ——将门创投创始人兼

    CEO 高欣欣

    被两度写进政府工作报告的“人工智能”已经

    成为经济发展的重要着力点。人工智能的意义是

    为人类的创造力赋能，而且人工智能本身就是人

    类创造力的结果，依靠海量、高价值的“厚数

    据”的“喂养”，AI实现了商业的数据化、智能化，在为企业多维赋能的同时，也让人们真正享受到

    了AI带来的智慧生活。

    作为专注于AI技术与产业融合研究的行业智

    库，亿欧智库一直致力于研究成果共享，协力商

    业普适进阶，助推产业多元升级。《AI进化论

    ——解码人工智能商业场景与案例》则以行业研

    究为基础，结合企业创新实践经验，为实体经济

    企业引入人工智能，实现企业升级转型提供了良

    好范例。

    ——众盟数据创始人兼

    CEO 广宇昊AI推动了互联网到物联网再到智联网、线上

    到线下的演变，影响深远。AI进化论也可以说是

    社会进化论。

    ——云启资本创始合伙

    人 黄榆镔

    人类的进步，总是科技的发展带来的。科技

    的发展是加速的，每隔一段时间，就会出现一个

    新的科技突破。而人工智能(AI)就是多年以来

    最重大的科技突破之一，将会给人类带来极其深

    远的影响。亿欧智库的《AI进化论——解码人工

    智能商业场景与案例》，把AI的发展史，以及AI

    在各个行业中的应用场景，深入浅出地娓娓道

    来，是一部难得的好书，值得每一位有好奇心，有前瞻理念的人参考。客观认识AI的发展及其巨

    大潜能，就能利用其优势造福人类。与此同时，也可以对不负责任、滥用AI的行为保持应有的警

    觉性。

    ——真格基金投资合伙

    人 蒋为

    在人工智能众多的应用领域中，无人驾驶极

    有可能成为最早落地的大规模商业应用领域。在

    未来，汽车终将进入以无人驾驶和出行空间为核心的汽车3.0时代，人工智能将从根本上改变出行

    领域的生产力。我坚信，未来在出行领域一定会

    诞生市值千亿美元的企业。

    ——汽车之家创始人，车

    和家创始人、董事长兼CEO

    李想

    科技是人类社会的驱动力与基本要素，其中

    AI表现得极为典型，它还是目前唯一可见的可以

    使人脱离生物性走向神性，脱离有限性走向无穷

    性的实用技术。但科技的作用经常借助经济、市

    场和商业发生影响，并在如此丰富的实践之上促

    进范式、制度、伦理和共同认识的进化，最终促

    进人类社会的进化。《AI进化论——解码人工智

    能商业场景与案例》即是遵循着这一普遍逻辑，为我们娓娓道来，让每个人都感受到AI的魅力与

    力量。

    ——中国商务广告协会数

    字营销研究中心主任，原尼尔

    森互联网研究高级副总裁，资

    深商业研究专家 马旗戟

    技术如何应用于各产业，将在生产力与生产

    关系方面带来怎样的影响，是任何新兴技术都面临的核心问题。近年来，我们共同见证了人工智

    能走出实验室，落地于商业应用。本书系统性地

    梳理了人工智能在几个主要行业的商业应用，为

    我们描绘出了一张中国人工智能商业场景地图，内容翔实，值得阅读和收藏。

    ——盛景集团董事长 彭

    志强

    大数据正在驱动产业变革，人工智能正在重

    塑商业格局。视频、图像、声音、语言和文字

    的“数据”属性将越来越显著，并能够借助深度学

    习技术实现更加智能化的建模。人工智能将在产

    业与商业领域创造无穷的价值，而我们要做的就

    是要去读懂它，抓住它。《AI进化论——解码人

    工智能商业场景与案例》一书构建了人工智能的

    产业图景，讲述了众多AI企业的创新实践，能够

    帮助我们更好地洞察人工智能的未来发展趋势，意义深远而广泛。

    ——中国传媒大学新闻学

    院教授、博士生导师，中国传

    媒大学大数据挖掘与社会计算

    实验室主任 沈浩

    很高兴看到一本真正聚焦于“人工智能技术商业场景”的书面世。不管我们对AI有着怎样的

    期待、畅想或恐惧，“人机混合”的时代都已经来

    临。科技的伟大不在于超级，而在于普及。无论

    AI有着怎样神秘的面纱，回归一项技术本身，最

    终要融入场景，服务于用户需求本身。

    当我们站在用户视角来审视问题，或许“AI

    的进化”也更容易接受了。

    ——威马汽车创始人、董

    事长兼CEO 沈晖

    20年前，在IBM的“深蓝时代”，我们思考的

    问题是机器能否与人类对弈；到了“AlphaGo时

    代”，我们谈论的是人类如何可以战胜机器一盘

    棋；而到了AlphaGo Zero时代，人类战胜机器已

    经是一件完全不可能的事情。

    这就是AI的威力，AI必将深深地影响人类的

    生活。但不论怎样，从现在开始关注AI，研究

    AI，是我们每个企业经营者最正确的选择，也是

    我们应对未来的唯一方法。相信此书会对这一切

    有所助力。

    ——拉卡拉集团创始人、董事长，北京工商联副主席 孙陶然

    随着计算机、互联网、大数据、人工智能等

    技术突飞猛进地发展，各行各业在AI方面的应用

    也日新月异，在未来的企业竞争中AI将成为一个

    核心要素。

    本书紧跟时代脉搏，从产业出发，用客观、谨慎的方式，深入浅出地帮助读者深入了解人工

    智能的发展现状和在各行各业中的应用场景。

    人工智能已经不再神秘，本书引用的案例涉

    及面广，行业众多，非常生动有趣。本书用轻快

    的文笔，引人入胜的构思，让读者在轻松愉悦的

    状态下获得丰富的知识，非常值得一读!

    ——彩生活总裁 唐学斌

    人工智能在过去几年中成了公众最为关注的

    技术话题，而一项技术能否带来巨大的价值，取

    决于其商业应用的场景、规模与速度，亿欧智库

    通过调研分析，在这本书中为我们展现了不同行

    业众多企业的实际商业案例，值得大家阅读、分

    享与探讨。

    ——北大汇丰商学院副院长、教授 魏炜

    很多人问我为什么要做AI，我的答案可以追

    溯到五岁的时候，那时候我遇到了一个无解的问

    题——死亡，它让我恐惧。当我意识到这个问题

    是一个无解问题的时候，我开始想如何让人生更

    有意义，而那时我认为我需要做一个机器人，我

    希望可以创造另外一种智慧。也许AI对别人来说

    是一种选择，对我来讲则是一种使命，我希望用

    AI去造福人类，去创造有价值的东西。

    ——旷视科技创始人兼

    CEO 印奇

    当前人工智能成为全球创新创业热点，而中

    国已成为这个进程中最引人注目的力量。《AI进

    化论——解码人工智能商业场景与案例》非常难

    能可贵地从全景视角梳理中国人工智能的商业场

    景，介绍众多典型案例，为这个时代做注解，也

    为希望了解人工智能产业的朋友们提供了一个非

    常好的切入点。

    ——地平线创始人兼

    CEO 余凯

    人工智能正在影响着各行各业。在这个大趋势下，如何找到有价值的应用并将其落地是大家

    重点关注的问题。亿欧智库这本书全面盘点了人

    工智能的典型应用场景，对产业方、从业者和投

    资机构都有很好的参考价值。

    ——高榕资本创始合伙

    人 岳斌

    自从AlphaGo击败人类围棋世界冠军后，人

    工智能很快进入公众视野，并成为热门话题。这

    些年来，云从科技在人工智能领域的产业实践中

    发现，公众对人工智能既有期待、憧憬，也有很

    多不解的地方。为此，云从也设立了人工智能大

    学，在行业领域进行了一些人工智能知识和应用

    方案的普及工作。亿欧智库的这本《AI进化论

    ——解码人工智能商业场景与案例》，依托AI发

    展基本背景，结合行业案例，深入浅入、简明扼

    要又不失重点，值得广大AI爱好者、AI从业者阅

    读和参考。

    ——云从科技创始人兼

    CEO 周曦

    (以姓氏拼音为序)序

    曾有言：当你认为自己理解了一件事情时，你只掌握了30%；当你可以把它讲给别人听时，则掌握了50%；当你可以将它编纂成书时，则掌

    握了70%。亿欧智库编著的《AI进化论——解码

    人工智能商业场景与案例》即将出版，我的内心

    一直忐忑不安。因为我知道，面对人工智能这样

    的新技术和大趋势，我们目前的认知和理解还十

    分有限。但是，我们依然鼓起勇气将书稿付梓，因为我们希望关注并参与到人工智能的大潮之

    中。

    谈及人工智能，公众层面的认知大多起源于

    2016年年初AlphaGo击败李世石的人机大战。但

    是，稍对人工智能有所了解的人士都知道，在这

    场机器取得胜利的大战以前，人工智能已经走过

    了长达60多年的“进化”历程，经历了所谓的“三起

    三落”。而在过去数十年，受益于机器学习算法

    的进步(尤其是以Geoffrey Hinton、Yoshua Bengio

    和Yann LeCun等人的理论为代表的深度学习)，互联网服务积累的海量数据，摩尔定律的驱动，以及大公司依托其商业实力所建设的计算能力，人工智能似乎迎来了一个真正爆发的时机，最显

    著的表现是，其应用场景已经部分落地，并且正

    在创造着规模化的商业成绩。这是一项技术真正

    开始走向成熟的标志与信号，也让我们感受到人

    工智能的商业突破点可能即将到来。

    站在中国的角度，当下的中国具备非常好的

    发展基础和环境，主要体现在：(1)数据——

    中国作为商业大国和人口大国，产生的可计算数

    据量是绝对领先的；(2)人才——中国正在培

    养大量的数学、计算机科学方面人才；(3)商

    业环境——以互联网为代表的新经济，塑造了富

    有创新活力的商业氛围；(4)资本——大量的

    风险投资基金(中国乃至全球)在中国市场投入

    了可观的资金，用以支持人工智能相关企业成

    长；(5)政策——中国政府先后在政府工作报

    告和新一代人工智能发展规划方面做出了极大程

    度的政策支持，与人工智能相关的基础课程也即

    将开设于大、中、小学。在多重因素的共同推动

    下，过去几年间，国内已经涌现出了大量人工智

    能相关的创新企业，大量的AI论文发表，许多优

    秀的人才回国发展。尽管其中存在一定的泡沫，但这些迹象已充分证明了趋势和机会。我们认

    为，当下应从市场研究的角度出发，密切观察和

    分析这些商业趋势、模式，应用的场景、机会与案例等。这对于一项技术或一个产业是必不可少

    的工作，也是本书的立足点。

    站在亿欧公司的角度，亿欧定位于新科技、新理念、新政策驱动产业创新。从成立之时，就

    非常关注新技术驱动的产业应用。亿欧网从2016

    年起广泛关注中国人工智能创新型公司与产业应

    用，“亿欧?视也”通过视频的形式专访过上百位人

    工智能领域的学者、研究者和创业者。而亿欧智

    库从2017年肇始，就聚焦在人工智能的商业应用

    场景研究，我们调研了大量的人工智能相关学

    者、研究机构、大公司和创新公司，综合市场调

    研、数据监测、资料研究，先后推出人工智能行

    业综述、人工智能投资市场、人工智能+医疗、人工智能+金融、人工智能+自动驾驶、人工智能

    +零售、人工智能+法律、人工智能+教育等数十

    份商业研究报告，全部向行业公开发布，内容累

    计近千页。这些研究均定位于人工智能在具体产

    业中的模式探讨与企业案例分析，其中的许多研

    究主题与方向在业内尚属首例。在研究报告发布

    后，我们陆续收到了行业内外很多赞扬与鼓励，也聆听了一些批评与建议。

    所以，基于2017年的研究成果，我们在2018

    年年初对所有研究报告的相关数据进行了更新，对部分纰漏进行了修正，并对行文语言进行了润色，精编核心内容形成此书。在形式上，我们采

    用了更适合图书的章节结构，同时更加突出主

    题“AI进化”，深入解析8大领域的商业模式，并

    对现有企业及其发展趋势进行了分析和判断。本

    书既可以作为人工智能相关从业者了解行业整体

    信息的补充材料，也适合泛从业者、爱好者作为

    了解人工智能商业化路径的学习资料，青年学生

    阅读本书亦能较早一窥商业市场的逻辑。

    总体上由我和张帆负责本书出版计划的制定

    与内容的审核工作，由尚鞅负责内容的编辑、整

    理与统筹工作。具体章节分工如下：

    ●人工智能综述(第一章)与医疗人工智能

    (第三章)的研究内容，由尚鞅负责；

    ●智能金融(第二章)的研究内容，由薄纯

    敏、潘航负责；

    ●智慧安防(第四章)的研究内容，由吴妙

    芸、王双负责；

    ●自动驾驶(第五章)的研究内容，由李星

    宏负责；

    ●AI+实体零售(第六章)、AI+内容生产(第七章)、AI+法律(第八章)的研究内容，由崔粲、茜茹负责；

    ●AI+教育(第九章)的研究内容，由王双负

    责。

    在过去一年的研究和本书的撰写过程中，我

    们走访调研了上百家企业，得到了很多业内学

    者、企业家、创业者等人士的帮助支持，在此也

    对他们表示衷心感谢。

    同时，本书还有诸多不完善之处，面对新兴

    领域和大趋势，描述的准确性、数据时效性和预

    判的前瞻性都是极大的挑战，我们也希望广大读

    者多多提出批评与建议。

    行文至此，本该收尾，突然看到Facebook人

    工智能科学家田渊栋老师博文中一段话，我内心

    十分赞同。我认为，研究人工智能的技术与商

    业，从更大意义上讲，我们关注的是人工智能作

    为一种生产力对人类社会的推动，现在看到的并

    不代表未来的样子，而我们也可能仅仅处在人工

    智能历史进程中的一个早期节点，谨希望本书能

    够对这个历史进程有那么一点点微小的助力。引

    用此段，作为编者序之结尾：古代战场上一个人能对付两三个人就很了不

    起了，俗话说“双掌难敌四手”。但是在现在这个

    满世界都是廉价工具的环境下，处理起事务

    来“以一当千”完全有可能，几台电脑、几千行代

    码，可以轻松完成以前需要几万个人的手工作

    业，够震撼人心了吧？但我个人认为，信息革命

    30年，这些还只是前奏，等到人工智能发展起

    来，等到对大数据的分析趋向成熟，等到信息技

    术充分渗透到其他产业，等到传统的文科因为更

    多数据的到来而变成基础扎实的理工科……到那

    个时候，我们再回头来看，今天的这些成就，不

    过只是历史的先声。

    由天宇

    亿欧公司副总裁 亿欧智库研

    究院院长

    2018年4月于北京第一章

    跨越AI商业化“奇点”

    1956年夏天，在美国新罕布什尔州的汉诺佛

    小镇上，一场历时两个月的会议在达特茅斯学院

    里进行着，讨论的议题是“用机器模仿人的智

    能”。

    你可能会产生这样的思考：人的智能是什

    么？我们常说，人类是一种拥有思维的动物，这

    是人类与其他动物的根本区别。思维的存在，使

    得人类会有意识地使用工具，优化行动。远古时

    期，人类使用木棒和石头抵御野兽的攻击，尝试

    钻木取火，并使用火来取暖和获得熟肉。人类会

    主动创造更高级的工具，并教给更多人如何使用

    这些工具。为了更快速地到达更远的地方，人类

    发明了轮船、火车、汽车、飞机。为了跨地域实

    现信息的传递，人类发明了电报、电话、互联

    网。思维使我们在感知世界的同时，也在改造着

    世界。

    看到这里，或许你会发现，不论是木棒，还是飞机，这些工具都是对人们行动的辅助，而

    非“模仿”。1956年，电视刚刚开始走入人们的生

    活，世界上第一台电子计算机ENIAC才刚刚问

    世，而那时已经有一群科学家在谈论“用机器模

    仿人的智能”这种仅停留于概念层面的话题，不

    由得令人感慨人类思维的广度。也正是在这场会

    议中，“人工智能”(Artificial Intelligence，简称

    AI)一词正式诞生，由此开启了此后半个多世纪

    的计算机科学、神经生物学等学科的发展进程，并引发了人类对于拥有意识与学习能力的“超级

    人工智能”的想象。这场会议叫作“达特茅斯会

    议”(Dartmouth Conference)。

    回到今天，“机器模仿人的智能”已经不再是

    一个概念。商品与新闻资讯的个性化推荐、摄影

    与修图“神器”、语音自动转写文字功能……我们

    口袋中的手机，已然是一台智能机器。另外，还

    有越来越多的产品在被“智能化”：继密码和指纹

    之后，“刷脸”成为新的电子支付方式；自动驾驶

    汽车诞生，相关配套设施的建设与法律法规的制

    定已经提上日程；“AI医生”拥有了癌症诊断的能

    力，不仅速度惊人，而且在某些方面似乎比人类

    医生更准确……今天世界的轮廓，是否在1956年

    已经被疯狂的科学家们描绘出了呢？正如尼克的

    《人工智能简史》中所说：一代人的思想，另一

    代人的世界。然而，在达特茅斯会议之后的很长一段时期

    内，人工智能都仅存在于各大研究派系的实验室

    之中。直到2006年“深度学习”被提出之后，人工

    智能才真正开始走入人类的生产和生活之中，正

    式跨越商业化“奇点”。基于人工智能技术，能产

    生哪些新的生产工具？这是一个非常有趣的话

    题，并且拥有巨大的想象空间，吸引着无数研究

    者、创业者和投资人为其努力和尝试。而了解人

    工智能的发展历史，掌握基础的技术常识，观察

    资本与行业的动态变化，对于理解技术应用与未

    来趋势会大有裨益，这也将是本章的主旨，全书

    的起点。第一节

    揭开AI的神秘面纱

    当人们大谈人工智能的时候，究竟是在谈什

    么？

    在长达半个多世纪的人工智能研究历程中，大量学者对其概念进行了不同维度的界定。综合

    来看，大致可分为两类。

    第一类，从行为和功能的角度出发，定义人

    工智能机器的外在行为和能够实现的功能。最典

    型的代表就是被誉为“计算机科学之父”的艾伦·图

    灵(Alan M. Turing)，他认为：

    “如果一台机器能够与人展开对话(通过电

    传设备)，并且会被人误以为它也是人，那么这

    台机器就具有智能。”

    约翰·麦卡锡(John McCarthy)，是达特茅斯

    会议的重要成员之一，也是真正提出“人工智

    能”这一术语的学者。他认为：

    “人工智能就是要让机器的行为看起来就和人所表现出的智能行为一样。”

    全球著名的管理咨询公司麦肯锡公司

    (McKinsey Company)对于人工智能给出了如

    下定义：

    “人工智能指机器表现出和人一样的智能，例如在不使用包含了各种细节指导的手写编码程

    序的情况下能够接近问题的答案。”

    第二类，则将“人工智能”定义为一门新学科

    或新科学。典型的代表是达特茅斯会议的另一位

    重要成员，计算机科学最高奖“图灵奖”得主

    (1975年)，赫伯特·西蒙(Herbert A. Simon)，他将人工智能定义为：

    “人工智能是对物理符号的操作，是认知心

    理学与计算机科学相结合的新学科。”

    约翰·尼尔森(Nils John Nilsson)是美国斯

    坦福大学计算机科学教授，是人工智能学科的奠

    基性研究者之一。他认为：

    “人工智能是关于知识的学科——怎样表示

    知识以及怎样获得知识并使用知识的学科。”

    美国另外一家著名的管理咨询公司波士顿咨询公司(BCG)在其报告《人工智能：未来制胜

    之道》中对人工智能给出了如下定义：

    “人工智能是研究、开发用于模拟、延伸和

    扩展人类智能的理论、方法、技术及应用系统的

    一门新的技术科学。”

    上述两种定义，一方面说明了人工智能具有

    较高的研究价值，另一方面也反映出，人工智能

    的本质是人类赋予机器的未来形态，即机器具备

    人类智能。六十多年来，人工智能研究学者研究

    与争论的焦点之一，就是通过何种方法能使得机

    器具备人类智能。这些研究学者主要来自计算机

    科学与神经生物学(或神经物理学)领域。前者

    主要通过计算机编写程序的方式来模仿人类的智

    能行为，以神经网络相关研究为代表；后者则重

    点研究人类大脑皮层的工作原理，他们以大脑的

    生物学细节作为约束和指导，同时将智能视作一

    个计算性质的问题，以联结主义范式下的“自—

    联想”记忆网络为代表。从今天人工智能的研究

    进展来看，显然前者占据主流。而后者，学术界

    尚未形成一套能够有效诠释智能本质或大脑工作

    原理的完整理论。[1]

    人工智能相关研究的最终目标，是由机器替

    代人类完成部分相对简单的重复性任务，使人类拥有更多时间进行创造性的劳动，享受更加高效

    便捷的生活，真正步入“智能时代”。历史上，人

    工智能曾经两次走出试验室，被应用于生产活动

    之中。第一次源于1977年，斯坦福大学计算机科

    学家爱德华·费根鲍姆(Edward Albert

    Feigenbaum)通过实验证明了实现智能行为的主

    要手段在于知识，提出了“知识工

    程”(Knowledge Engineering)概念，并为专家系

    统(Expert System)奠定了理论基础。作为知识

    工程的倡导者，费根鲍姆早在[2]

    965年便与莱德伯

    格(Joshua Lederberg)等人合作，开发出了人类

    历史上第一个专家系统DENDRAL。该专家系统

    由大量“如果—就”(If-Then)的规则定义，其中

    存有大量的化学分子式与质谱图，能够从上千种

    可能的分子结构中选出一个正确的分子结构。

    DENDRAL系统的成功开发，被认为是人工智能

    研究史上的重大突破。在随后的十年间，约有上

    千种专家系统诞生，并被应用于化学、医学、农

    业、计算机等各个领域，例如用于辅助医生诊断

    传染病和提供治疗建议的著名专家系统MYCIN

    等。然而，当时的专家系统学习能力非常有限，无法满足大规模的生产需求，所以1990年后专家

    系统逐渐淡出人们的视线。同一时期出现的多层

    神经网络(Multi-layer Perceptron)技术热潮，因

    受到当时的数据量与计算力的限制，也无奈“昙花一现”。此后，人工智能研究进入长达十多年

    的“寒冬期”。

    人工智能历史上的第二个应用阶段，源自

    2006年“深度学习”(Deep Learning)的出现。

    2006年，被誉为“神经网络之父”的多伦多大学教

    授杰弗里·辛顿(Geoffrey Hinton)，与几位学者

    联合发表的论文A fast learning algorithm for deep

    belief nets中，首次提出了“深度学习”概念。深度

    学习，又名“深度神经网络”，它源于人工神经网

    络(Artificial Neural Network，即ANN)研究，能够解决深层结构相关的优化难题，典型代表是

    卷积神经网络(Convolutional Neural Network，即

    CNN)，它是第一个真正的多层结构学习算法，它利用空间相对关系减少参数以提高训练性

    能。[3]

    深度学习算法模型的训练优化，需要大量

    的标注数据样本。随着互联网尤其是移动互联网

    的发展，每天全球产生的数据量达万亿GB之多，无疑为深度学习的发展提供了良好的数据基础。

    同时，产业界也在积极建设数据库，例如，2007

    年李飞飞和普林斯顿大学的同事开始建立大型注

    释图像数据库ImageNet，目的就是为视觉对象识

    别软件的研究提供帮助。深度学习的另一个特

    点，就是需要强大的计算能力。而大规模并行

    GPU、FPGA等可编程逻辑器件的出现，以及云计算技术的逐渐成熟，使深度学习拥有了计算能

    力保障。

    2012年，深度学习在图像识别领域的运用取

    得重大突破。6月，谷歌深度学习项目的吴恩达

    (Andrew Ng)和杰夫·迪恩(Jeff Dean)利用

    1000台计算机、16000个芯片搭建了一个深度学

    习系统，该系统在“学习了”数百万张猫脸图片

    后，自动将线条、亮度、边界、色彩等多个特征

    进行分类。最后，当该系统“看”到猫的图片后，自动识别并将其归入猫的图片分类之中。而在此

    之前，计算机系统内本身并没有“猫”和“猫长得是

    什么样子”的概念和数据。同年10月，辛顿教授

    组建的团队将深度学习用于ImageNet大规模视觉

    识别挑战赛(ILSVCR)中，创造了16%错误率的

    纪录，与前一年25%的最佳水平相比，有了明显

    的提高。该成就立刻引起了工业界强烈的兴趣。

    辛顿教授和他的两个研究生于2012年底成立了一

    个名为DNNresearch的公司，三个月后就被谷歌

    以五百万美元的价格收购。

    除图像识别以外，2012年深度学习在语音识

    别领域也展示了出色的成绩。这一年，谷歌将深

    度学习算法首次用于语音识别，在一个语音输入

    基准测试中，单词错误率(Word Error Rate)最

    低达到了12.3%。而在此之前，世界上各语音识别模型的单词识别错误率在30%以上。而正是由

    于深度学习算法在具体技术领域的运用取得了重

    大突破，打通了底层算法与技术应用之间的通

    路，2012年也由此成了人工智能历史上第二次进

    入应用阶段的起始之年。

    当然，深度学习仅仅是实现人工智能的技术

    方法之一。今天，不少人会狭隘地认为“人工智

    能=深度学习”。其实，假设我们身处于20世纪80

    年代，我们很可能会片面地认为“人工智能=专家

    系统”。事实上，人工智能在不同的发展阶段

    ——不论过去还是未来——都会因技术进步或新

    技术的诞生，而进一步得到发展。就目前的技术

    发展而言，人工智能以机器学习、数据挖掘为两

    大技术核心，两者技术范畴上有所交叉。机器学

    习又包含对抗学习等诸多种类，其中备受瞩目的

    就是深度学习。按照拓扑结构分类，深度学习可

    分为卷积神经网络、循环神经网络和全连接神经

    网络，并通过算法框架实现深度学习过程。在机

    器学习与数据挖掘的技术之上，实现了目前市场

    上最常见的三大技术应用，即计算机视觉、智能

    语音技术和自然语言处理，如图1-1所示。图1-1 人工智能技术图谱(部分)

    各种机器学习与深度学习算法框架的出现与

    开源，极大地降低了算法模型的搭建与训练门

    槛。2013年12月，毕业于美国加州伯克利大学的

    贾扬清教授，在GitHub平台上开源了最初单机版

    本的深度学习框架Caffe，该框架可用于人脸识

    别、图片分类、物体识别等图像处理技术技术，通用性强，性能高，代码可读性好，是目前全球

    最受欢迎的深度学习框架之一。2017年，Facebook开源了升级版的深度学习框架Caffe 2。

    2015年11月，谷歌开源了其开发的深度学习

    框架TensorFlow，该框架不仅提供了丰富的深度学习相关的API接口，而且还提供了可视化分析

    工具Tensorboard，使分析和模型调整更加便捷。

    该模型可用于语音识别、自然语言处理、计算机

    视觉、机器人控制、信息提取等众多应用场景。

    此外，还有百度于2016年开源的深度学习框架

    PaddlePaddle、微软于同年开源的深度学习工具

    包CNTK等等。

    另外，人工智能技术的实现，还要依托于硬

    件的支持(处理器芯片、传感器元件等)以及云

    平台提供的存储与计算服务，等等。

    从底层算法的不断成熟，到各类算法框架的

    开源，从大型数据库的建设，到硬件设备与云计

    算服务的逐步完善，人工智能于2012年后在产业

    界迎来了新一轮爆发阶段。第二节

    当资本位移，谁被颠覆

    自2016年AlphaGo击败人类职业围棋选手开

    始，人工智能(下简称AI)进入公众议程，成为

    人们茶余饭后的热门话题之一。AI能够进入公众

    视野，已足见其发展之迅速，影响之广泛。在此

    背后，是上百家AI创新企业的诞生，以及百亿元

    级资本的追逐。

    2012年，深度学习在技术领域取得重要突

    破，促使产业界众多创新企业开始将图像识别、语音识别应用于各个行业、各类应用场景，并引

    来巨额资本入局。亿欧智库AI创投数据库显示，2012年至2017年间，中国共有439家AI企业获得

    投资，这439家企业大多数成立于2012年之后。

    2015年出现AI创业热潮，新创AI企业多达117

    家。2016年这一数字开始下降，2017年则仅出现

    27家AI新创企业。我们可以预见，2018年后AI市

    场的角逐竞争将在存量的AI“玩家”间展开。图1-2

    展示了中国AI企业历年成立数量情况(2012—

    2017年获投企业)。图1-2 中国AI企业成立时间(2012—2017年

    获投企业)

    来源：亿欧智库AI创投数据库

    在AI创业热潮裹挟之下，大量资本也相继涌

    入。2012—2017年间，中国AI私募股权投资市场

    总投资额达568.8亿元，投资事件共有785笔。如

    果2012年是AI跨入商业化应用阶段的起始之年，那么2014年则正式拉开了中国AI投资市场“疯狂

    吸金”的序幕。从投资事件数量来看，2016年出

    现了投资高峰，当年共发生249笔投资事件。从

    投资金额来看，2017年达到了过去六年来的顶

    峰，总投资额达272.9亿元，超过前两年的投资总

    额。虽然2017年比2016年投资事件有所减少，但

    2017年平均单笔投资额是2016年的两倍(2016年平均单笔投资额为0.6亿元，2017年为1.2亿

    元)。由此可以推测，早期成立的一批AI创新企

    业已完成了初期的团队建设与产品研发，已逐渐

    由初生阶段进入成长阶段；部分AI企业已开始在

    部分垂直领域崭露头角，形成竞争优势。2012—

    2017年中国AI私募股权投资市场的投资事件数量

    与投资额情况如图1-3所示。目前，国内

    以“AI+”作为投资标的的主要投资机构包括真格

    基金、创新工场、红杉资本中国、IDG资本、高

    榕资本、北极光创投、经纬中国、英诺天使基

    金、线性资本及联想之星等。

    图1-3 2012—2017年中国AI私募股权投资市

    场情况

    注：根据统计需要，按照2017年9月23日美元总人民币汇率1:6.5899为标准，将美元基

    金的投资数额转换为人民币数额

    来源：亿欧智库AI创投数据库

    从投资阶段来看，2017年是中国AI投资市场

    的转折点。在此以前，种子轮和天使轮的投资事

    件数量为历年最多，A轮紧随其后。然而，2017

    年的种子轮和天使轮投资事件数量大幅度下降，大约只有2016年该阶段投资事件数量的一半；而

    A轮投资事件数量经历了六年的持续增长，首次

    在各投资阶段中占据主导地位。此外，B轮投资

    事件数量也在稳步增长，于2017年达到峰值。C

    轮及后期的投资事件数量在2017年首次达到了两

    位数。图1-4反映了2012—2017年中国AI投资市场

    各阶段投资事件数量情况。总体来看，中国AI投

    资市场重心已向后期转移，新创企业的融资难度

    大幅度提高，2018年将可能是“大浪淘沙”的一

    年，预计将会有大批AI企业被淘汰。图1-4 2012—2017年中国AI投资市场各阶段

    投资事件数

    注：B轮包括Pre B、B、B+轮，C轮亦然

    来源：亿欧智库AI创投数据库

    从行业角度来看，投资事件数量和投资金额

    最高的四大行业分别是企业服务、汽车交通、医

    疗健康和金融。其中，企业服务行业的AI投资热

    度远高于其他行业，证明中国多数AI企业是技术

    型企业，即凭借其技术能力，为部分行业提供解

    决方案。而在这类企业中，不乏在某些垂直领域

    占据主要市场、具有高度竞争力的企业，例如商

    汤科技、旷视科技等。汽车交通行业居第二位，AI引领了自动驾驶领域的研发进程，典型的企业

    有蔚来汽车、百度等。医疗健康行业位列第三，AI在医疗健康领域的应用场景十分广阔，走在最

    前列的是医学影像领域的应用，代表企业有推想

    科技、腾讯等。金融排在第四位，由于大量为金

    融行业提供解决方案的AI企业同时也在为其他行

    业提供服务，所以被归入企业服务行业之中，如

    果将这一部分企业纳入金融行业以内，金融将位

    列第二。国内大量AI企业在智能金融领域进行产

    品研发，典型的企业有第四范式、明略数据等。

    中国AI投资各行业分布状况如图1-5所示。

    图1-5 中国AI投资行业分布状况

    来源：亿欧智库AI创投数据库除此之外，AI被应用于安防、零售、内容生

    产、法律、教育等多个领域，深刻地影响着人们

    生产生活的各个方面。在资本支持之下，AI企业

    在各领域快速研发智能产品，整合产业资源，竞

    争标杆客户……我们已正式迎来AI的商业大爆发

    时代，而等待我们的将是什么？在后面的章节

    中，我们将深入各个行业，探究AI赋能之路。

    [1]该观点引用自《智能时代的未来》(On

    Intelligence)，作者杰夫·霍金斯、桑德拉·布

    拉克斯莉。

    [2]该观点引用自《深度学习研究综述》，作者孙

    志军、薛磊等，刊于《计算机应用研究》

    2012年第8期。

    [3]该观点引用自《深度学习研究综述》，作者孙

    志军、薛磊等，刊于《计算机应用研究》

    2012年第8期。第二章

    金融狂欢下的泡影

    2017年，摩根大通在宣布将在全球的股票算

    法业务部门采用AI机器人LOXM执行交易之后，又开发了一款金融合同解析软件COIN。这款软件

    上线半年多，经测试，原先律师和贷款人员需要

    360000小时才能完成的工作，COIN只需几秒就能

    完成，且错误率大大降低。金融行业在发展过程

    中积累了大量的数据，包括客户信息、交易信

    息、资产负债信息等，放眼各垂直领域，金融被

    认为是人工智能落地最快的领域之一。

    金融业，一向被称为“国民经济的命脉”。随

    着人工智能技术与金融服务和产品发生动态融

    合，“智能金融”的概念被提出，并已被列入国家

    规划。伴随经济的增长，我国居民可支配收入和

    可投资资产增加，金融需求的不断增加与金融工

    作人员的服务能力日益不足之间的矛盾逐渐显

    现。此外，金融机构还有对于提高金融风险定价

    能力、节省风险控制成本的迫切需求。人工智能

    技术驱动下的金融创新，能够针对上述问题提供有效的解决方案。

    伴随着人工智能在金融领域应用的加

    深，“智能金融”这个词越来越被人熟知。什么是

    智能金融？智能金融有哪些应用场景？智能金融

    为金融行业带来了哪些改变？让我们带着疑问阅

    读下文内容寻找答案。第一节

    AI与金融的动态融合

    随着人工智能技术的爆发，金融行业开始将

    其应用于业务中，自动化、智能化成为金融发展

    的新趋势，“智能金融”这一新概念逐渐得到关

    注。

    在这里，首先界定几个经常被混用的概念：

    金融科技、科技金融和互联网金融。

    金融科技源于美国，由“Financial

    Technology”翻译而来，指应用于金融领域带来金

    融产品和业务服务创新的技术。金融科技的落脚

    点在“技术”，是科技公司属性，本身不涉及金融

    监管，只有应用于金融领域可能带来金融风险

    时，才需要监管部门的介入。目前我国互联网巨

    头BAT的定位就是侧重技术，用技术支持金融机

    构做好金融。

    科技金融指的是金融如何支持和服务科技产

    业，包括丰富银行、证券、信托、融资租赁、创

    业风险投资、产业投资基金等多元化的金融业

    态，以及在业务基础上构建起的多层次资本市场体系，支持科技创新创业企业发展。科技金融的

    落脚点在“金融”，属于金融机构，需要接受金融

    监管。浦发银行和美国硅谷银行合资建立的浦发

    硅谷银行专注于服务科技创新产业，就是科技金

    融的实践。

    互联网金融指传统金融机构与互联网企业利

    用联网技术实现资金融通、支付、投资和信息中

    介服务的新型金融业务模式。互联网金融本质上

    也是金融，只是利用互联网技术实现在渠道和商

    业模式上的创新，理应接受金融监管。

    “智能金融”目前还是一个比较小众的概念，甚至在百度指数、谷歌指数中都搜不到它。亿欧

    智库认为，“智能金融”指人工智能技术与金融服

    务和产品的动态融合，通过利用人工智能技术，创新金融产品和服务模式，改善客户体验，提高

    服务效率等。其参与者不仅包括为金融机构提供

    人工智能技术服务的公司，也包括传统金融机

    构、新兴金融业态及金融业不可或缺的监管机构

    等。这些参与者共同组成智能金融生态系统，如

    图2-1所示。图2-1 智能金融生态示意图第二节

    前台到后台的多点繁荣

    前面我们回答了第一个问题——什么是智能

    金融？那么，智能金融到底有哪些应用场景呢？

    2015年，马云在德国向总理默克尔展示“刷脸”支

    付，使得刷脸支付出现在大众视野；2016年，招

    商银行摩羯智投揭开中国智能投顾序幕；2017

    年，BATJ联手四大行开启智能金融新纪元……从

    前台到后台，人工智能正加速推动金融领域各个

    环节创新。亿欧智库总结了智能金融应用的七大

    场景，前台包括智能支付、智能营销、智能客

    服，中台包括智能风控、智能投顾、智能投研，后台为智能数据，下面为大家一一阐述。

    一、刷脸支付

    2017年9月1日，支付宝宣布在杭州肯德基的

    KPRO餐厅上线刷脸支付：用户在支付宝上开通

    此功能后，在线下购买时不需要用手机，刷脸即

    可买单。这是刷脸支付第一次从线上走到线下，真正实现落地的场景。

    移动支付在过去几年中快速发展，支付方式也多种多样，如NFC支付、二维码支付、指纹支

    付等。人脸识别技术的成熟和人们对支付便捷安

    全性需求的提升，使得刷脸支付出现在大众视

    野。刷脸支付，即基于人脸识别技术的新型支付

    方式，将用户面部信息与支付系统相关联，通过

    拍照把获取的图像信息与数据库中事先采集的存

    储信息进行比对来完成认证。

    刷脸支付之所以成为可能，主要依赖于人脸

    识别技术。人脸识别技术，是作为生物特征识别

    领域中一种基于生理特征的识别，是通过计算机

    提取人脸特征，并根据这些特征进行身份验证的

    一种技术。

    人脸识别技术发展历史悠久，1964年就已经

    出现，经历了机器识别、半自动化、非接触式和

    智能识别四个阶段。智能识别出现之前，人脸识

    别技术的识别率低于74%，并未得到大规模应

    用。2014年，香港中文大学教授汤晓鸥领导的计

    算机视觉研究组开发了一个名为DeepID的深度学

    习模型，该模型达到了LFW数据库中99.15%的识

    别率。这成为一个分水岭，人脸识别的准确率超

    过了人类。

    目前智能识别阶段的人脸识别主要包括人脸

    检测、人脸特征提取三和人脸匹配部分。人脸检测，主要是确定检测到的是人，进而确定人脸的

    大小、位置等信息；人脸特征提取，指的是通过

    精确定位面部关键区域的位置，进行特征点抓

    取；人脸匹配，即判定人脸是不是数据库中存在

    的，然后在数据库中找到匹配度最高的人脸。

    据亿欧智库统计，目前我国人脸识别初创公

    司有三十多家，这些公司大部分是在2012—2015

    年成立，从一开始就选择基于深度学习研究人脸

    识别技术。当然，还有许多像银晨科技、中科奥

    森这样的老牌人脸识别技术提供商。

    基于PitchBook独角兽标准，在这些人脸识别

    技术服务公司中有四家独角兽，包括旷视科技、依图科技、商汤科技和云从科技。在这四家独角

    兽中，旷视科技成立最早，2011年成立；云从科

    技成立最晚，2015年成立；依图科技和商汤科技

    分别于2012年和2014年成立。目前，这四家独角

    兽在金融人脸识别领域都有所涉及，但略有区

    分。

    目前，依图科技人脸识别主要服务于安防，在金融领域落地的主要有刷脸取款和身份验证，合作机构有招商银行；商汤科技目前主要应用于

    京东金融的人脸登录，以及招商银行等机构的身

    份验证；旷视科技目前主要应用于支付宝的刷脸支付和登录，以及互联网金融公司的身份验证；

    云从科技与农行推出ATM机刷脸取款，与收付宝

    合作刷脸支付，以及为多家银行、证券等金融机

    构提供刷脸身份验证。

    目前来看，虽然我国技术层面或许已经满足

    了刷脸支付的要求，但是在监管层面，国家还没

    有出台相应的监管指引政策，因此，距离刷脸支

    付大规模落地还有很长的路要走。

    二、智能客服

    在2017年10月12日阿里巴巴云栖大会上，阿

    里云事业部副总裁李津宣布阿里云正式发布一款

    智能会话客服机器人“云小蜜”，它支持中文英文

    会话，可以7×24小时在线工作。目前，已覆盖阿

    里巴巴生态圈二十余个业务线，每天服务600万

    名客户，问题解决率达到95%。

    随着人力成本的提高、客户消费体验要求的

    提升及人工智能技术的发展，劳动力密集型的传

    统客服已经不能适应市场需求，对客服提出了更

    高的要求。客户群体数目大，咨询频率高，人工

    客服成本高，难以满足需求，智能客服的出现可

    以帮助解决这些问题。据统计，智能机器人客服

    可以解决85%的常见客服问题，而一个机器人客服的花费只相当于一个人工客服的10%。

    智能客服通过网上在线客服、智能手机应

    用、即时通信工具等渠道，以知识库为核心，使

    用文本或语音等方式进行交互，理解客户的意愿

    并为客户提供反馈服务。

    智能客服的应用场景主要分为售前和售后：

    售前以销售为导向，交互过程中需要涉及许多销

    售技巧，目前的人工智能技术并不能满足需求，所以，主要是人机混合作战模式；售后主要是为

    客户提供购买之后的咨询服务，此阶段问题相对

    集中，智能客服主要解决一些重复性的服务性请

    求，应用相对比较成熟。

    智能客服系统主要由四部分构成：客户、渠

    道、处理内容及对话管理系统，客户通过手机、电脑等渠道将文字、语音、图像等处理内容传递

    给对话管理系统，由系统内部处理后再将回复内

    容原路反馈给客户。智能客服系统通过自然语言

    理解、自然语言生成及知识图谱等技术，掌握客

    户需求，自动推送客户特征、知识库等内容，如

    图2-2所示。图2-2 智能客服系统[1]

    来源：GARTNER

    智能客服确实可以起到资源最大利用化、缩

    减回答问题时间、数据化管理、服务模式演进等

    作用。有数据显示，交行使用了小i智能机器人

    后，每月减少了200万通电话，节省了4000万元

    成本。然而，目前的智能客服还处于弱人工智能

    阶段，无法自给自足，仍然需要大量人力的参

    与。智能客服与人工客服将共同协作，一起打造

    服务深浅全面化。

    三、智能营销

    有一天，我们会发现，当我们打算购买一款风险中等的理财产品时，适合自己的理财产品广

    告已经推送到了我们面前。智能营销，就是那个

    比我们自己更了解自己的人。

    对于营销，我们了解最多的是精准营销，它

    出现得比较早，根据图2-3中的百度指数来看，精

    准营销最早产生于2011年。精准营销，指的是在

    精准定位的基础上，依托现代信息技术手段建立

    个性化的顾客沟通服务体系，实现企业可度量的

    低成本扩张之路，是有态度的网络营销理念中的

    核心观点之一。百度指数显示，智能营销是一个

    新概念，2017年才产生。但是，智能营销并不是

    凭空产生的，事实上，它是基于精准营销的再精

    准化。

    图2-3 精准营销和智能营销百度指数

    来源：百度指数智能营销是指在可量化的数据基础上分析消

    费者个体的消费模式和特点，并以此来划分顾客

    群体，精准地找到目标客户，然后进行精准营销

    和个性化推荐的过程。与传统营销相比，智能营

    销基于大数据、机器学习计算框架等技术，具有

    时效性强、精准性高、关联性强、性价比高、个

    性化强等特点。

    智能营销通过客户分析、营销策划、营销执

    行和营销评估实现闭环管理流程，通过大数据技

    术精准刻画用户画像，并基于此策划营销方案，进行精准营销和个性化推荐，同时实时监测，一

    方面用于优化策略方案，另一方面将数据反馈给

    数据库系统，用于接下来的客户分析。营销执行

    主要分为精准营销和个性化推荐，精准营销服务

    于企业的引流获客阶段，个性化推荐服务于企业

    的留存促活阶段。智能营销闭环流程详见图2-4。图2-4 智能营销闭环流程[2]

    目前国内真正利用人工智能来提供营销解决

    方案的公司大约有四十家，按照成立时间和成立

    背景可分为三类：一类是传统广告营销公司，营

    销模式比较成熟，如品友互动；一类是大数据公

    司，他们拥有庞大的数据量，如百分点；最后一

    类是人工智能公司，他们的机器学习等技术比较

    领先，如第四范式。

    综合来看，智能营销解决的主要是营销三要

    素[3]

    中的触达问题，而创意和出价是未来智能营

    销面临的主要挑战。

    四、智能风控

    金融的本质在于风险定价，风控对于金融机

    构和平台来说都是一种保障。互联网金融时代，虽然有庞大诱人的市场，但是仅凭传统的风控手

    段很难判断躲在手机背后的用户、缺失央行征信

    的人是“君子”还是“小人”。金融市场参与者众

    多，金融业务面临众多的风险挑战：首先，群体

    欺诈多，大多是有组织、有规模“进攻”的；第

    二，数据使用难，金融大数据积累多但非结构

    化；第三，高价值数据少，目前风控采取的数据

    多为日常交易数据，央行征信数据依然很少；第四，风险高，客群下沉，欺诈成本低；最后，量

    大，人工无法大规模审核，成本高。

    智能风控主要依托高维度的大数据和人工智

    能技术对风险进行及时有效的识别、预警、防

    范。智能风控整个流程主要分为四个阶段：第一

    阶段，数据收集，数据是智能风控的基础，主要

    数据来源为网络行为数据、授权数据、交易时产

    生的数据、第三方数据等；第二阶段，行为建

    模，在这个过程中，需要对大量数据进行结构化

    处理，形成最有效的信用评估组合；第三阶段，用户画像，通过前期的数据收集和行为建模，形

    成对每个用户的画像；第四阶段，风险定价，主

    要包括行为监控、反欺诈违约和催收。金融业务

    风控新挑战和智能风控基本流程见图2-5。图2-5 金融业务风控新挑战和智能风控基本

    流程

    现有的智能风控公司主要分为三类：第一类

    是研发自用型，所研发的智能风控系统主要用于

    自身业务的发展。例如拍拍贷的“魔镜”大数据风

    控系统、鑫合汇的“鑫盾”风控系统、爱钱进的“云

    图”动态风控系统等。第二类是纯技术输出型，为商业银行、互联网金融公司、消费金融公司、P2P公司等提供信用评估审核、智能风控、反欺

    诈等金融解决方案。例如百融金服的“风险罗

    盘”、明略数据的明智系统“金融风控大脑”等。第

    三类是混合型，既支持自身业务的发展，也对外

    输出技术能力。这一类型的企业一般以建立生态

    为目的，希望以技术输出来丰富自身的数据。比

    如蚂蚁金服对中小企业开放的风控产品“蚁牛”和

    个人征信产品“芝麻信用”、京东金融的供应链金

    融产品“京保贝”、网易金融的“北斗”风控系统

    等。

    智能风控一定程度上确实突破了传统风控的

    局限，在利用更高维度、更充分的数据时降低了

    人为的偏差，减少了风控的成本。然而，智能风

    控的核心数据还不够完善，优秀的风控人才也供

    不应求，征信的建设也处于初步阶段。智能风控

    的运用和完善，任重而道远。五、智能投顾

    2017年11月17日，中国人民银行、银监会、证监会、保监会、外汇局正式公布《关于规范金

    融机构资产管理业务的指导意见(征求意见

    稿)》，首次对智能投顾做出了规范。指导意见

    指出，金融机构运用人工智能技术、采用机器人

    投资顾问开展资产管理业务应当经金融监督管理

    部门许可，取得相应的投资顾问资质，充分披露

    信息，报备智能投顾模型的主要参数及资产配置

    的主要逻辑。

    智能投顾最早在2008年左右兴起于美国，又

    称机器人投顾(Robo-Advisor)，依据现代资产

    组合理论，结合个人投资者的风险偏好和理财目

    标，利用算法和友好的互联网界面，为客户提供

    财富管理和在线投资建议服务。

    投资者对于投资顾问的需求主要体现在“情

    绪管理”和“投资策略建议”：一方面，投资者在

    投资过程中容易产生贪婪或恐慌的情绪波动；另

    一方面，投资者对金融市场信息了解较少，信息

    不对称。如图2-6所示，在图中圈出的位置1处可

    以看出，在基金涨幅度不大的情况下，客户成交

    量趋于稳定；在圈出的位置2处可以看到，基金

    稍有下降趋势便带动成交量呈明显减少的态势，而基金稍有上涨，客户便大量买入带动成交量数

    值增大。从中一方面可以看出投资过程中投资者

    所表现出的贪婪和恐慌情绪的波动，另一方面，投资顾问比多数投资者能更有效地集聚信息、更

    透彻地了解金融市场，从而帮助投资者做出选

    择，所以投资者对于投资顾问的需求主要体现在

    情绪管理和投资策略建议方面。

    图2-6 2012—2017年沪深300指数走势和交

    易量对比

    与传统投顾相比，智能投顾具有门槛低、费用低、投资广、透明度高、操作简单、能个性化

    定制等优势。因此，智能投顾更能满足投资者的

    需求。但是，目前中国的智能投顾大部分还停留

    在交易执行环节，投顾服务主要为资产管理和投

    资顾问，投后服务涉及较少。根据美国金融监管

    局(FINRA)2016年3月提出的标准，理想智能

    投顾服务包括客户分析、大类资产配置、投资组

    合选择、交易执行、组合再选择、税负管理和组

    合分析。传统投顾和智能投顾都基于以上七个步

    骤，只是实施的方式不同，而智能投顾本质上是

    技术代替人工实现投顾。中国投顾现状及理想智

    能投顾的模式如图2-7所示。图2-7 中国投顾现状及理想智能投顾

    虽然智能投顾最近才爆发，但它并不是一个

    新概念，因为算法基础早在20年前就已然扎根成

    型，而智能投顾近年来的发展主要得益于大数据

    和计算力的提升。在当下圈子里热烈讨论智能投

    顾的时候，我们需要冷静地思考。目前智能投顾

    与人工智能的关系更多处于概念阶段，智能投顾

    实现了策略的个性化、配置的合理化及流程的自

    动化，有“智能”但离“人工智能”尚远。举个例

    子，目前的智能投顾客户分析主要通过客户自己

    填写调查问卷，投资标的也与传统无太大差异，主要基于设定风险和期限给出全球范围内的投资

    组合。而未来，智能投顾可能引用大数据对客户

    进行风险监测，在选择投资标的时，可以在考虑

    基金历史价值等数据的同时考虑基金管理人的信

    息。

    六、智能投研

    金融业对数据具有极强的依赖性，麦肯锡的

    调查显示，工作人员每天有一半的时间都用来收

    集和处理数据，如图2-8所示。因此，节省这一半

    处理和收集数据的时间，是金融业对人工智能提

    出的需求。图2-8 各行业收集处理数据时间比

    智能投研基于知识图谱和机器学习等技术，搜集并整理信息，形成文档，供分析师、投资者

    等使用。智能机器效率较高，但创新性不足，而

    人机结合将大大提高决策的效率和质量。

    智能投研主要分为三步：第一步是获取数

    据，实时、动态、多维度的数据；第二步是信息

    化，完成从数据到信息的转换，实现结构化，并

    达成自然语言理解；第三步是知识化，通过海量

    数据，发现因素与因素之间的关系，以及数据现象背后的本质，进而做出预测。

    目前，我国提供智能投研的初创公司主要有

    四家：文因互联、因果树、鼎复数据和阿尔妮

    塔。其中，文因互联是一家用人工智能解决金融

    数据问题的创业公司，主要服务于新三板、主板

    和美股公司；因果树是一家人工智能股权投融资

    服务平台，主要服务于股权投资；阿尔妮塔是一

    个人工智能股权投资机器人，提供创业投资市场

    咨询服务。

    七、智能数据

    “如果我们把资本和机械动能作为大航海时

    代以来全球近代化的推动力的话，那么数据将成

    为下一次技术革命和社会变革的核心动力。”[4]

    伴

    随着互联网、移动互联网、物联网的出现，数据

    呈现出爆发式增长，而金融更是在经营过程中积

    累了大量的数据。

    无论是前台的智能支付、智能营销、智能客

    服，还是中台的智能风控、智能投顾、智能投

    研，都依托于大数据。因此，数据平台的搭建显

    得尤为重要。随着人们行为的数据化，金融大数

    据不仅包括金融机构内部结构化的数据，还包括

    非结构化数据及非金融机构的数据。这些共同构成了金融大数据生态系统，如图2-9所示。

    图2-9 金融机构数据生态系统

    自2000年以来，以Hadoop为代表的分布式存

    储和计算技术迅猛发展，极大地提升了互联网数

    据管理能力，引发全社会开始重新审视数据的价

    值，数据也被作为一种重要的战略资源对待。而

    大数据作为一种新资源、新技术、新理念，为数

    据赋予了新的意义。从资源视角看，大数据是一种新的资源；从技术视角看，大数据代表了新一

    代数据管理和分析技术；从理念视角看，大数据

    打开了一种全新的数据驱动思维角度。

    目前，金融机构正积极建设自己的大数据平

    台，基于既有的数据仓库或内部数据分析挖掘平

    台，及时跟进大数据行业的技术发展，搭建融合

    数据仓库和开源技术的大数据处理平台，高效率

    地进行大数据整合、大数据分析、大数据处理，服务于产品和业务的各个流程，有效支持金融机

    构在线上、线下各类业务的效率提升和融合。第三节

    保险科技：AI全流程嵌入

    中国保险业已经经历了六十多年的发展历

    程，主要经历了三个阶段。第一阶段为传统保险

    时代，1949年，中国第一家国有保险公司成立，拉开了中国保险业发展的帷幕。在经历了产业不

    成熟、管理混乱，以及特殊历史时期的全面停办

    等挫折之后，中国保险业在改革开放的春风中实

    现了传统保险时代的大发展——在市场化机制引

    导下保险市场全面恢复，从国有保险公司垄断经

    营走向多元化经营，保费稳定增长，开办的险种

    也由最初单一的财产保险扩展到财产险、人身

    险、责任险和信用险四大类几百个险种，保险法

    制和监管也逐步健全起来。第二阶段为互联网保

    险时代，伴随着整个信息技术革命的时代浪潮，互联网、移动互联网技术开始渗透到包括保险业

    在内的各个产业。基于传统保险时代奠定的日趋

    规范和良好发展的产业基础，“互联网保险”的概

    念和业态在过去二十年间得以不断发展，传统保

    险公司积极拥抱互联网技术，各种类型的互联网

    保险创业企业也纷纷涌现，中国保险产业进入了

    互联网保险时代。在这一时期，中国保险企业在

    营销获客方面先后引入互联网、移动互联网技术，并且进一步意识到互联网保险最重要的不是

    销售渠道的变迁，而是遵循互联网的规则和习

    惯，对现有保险产品、运营与服务模式进行深刻

    变革。第三阶段为保险科技时代，随着信息技术

    的大发展，近两年越来越多的前沿技术也开始被

    应用到金融乃至保险行业。具体而言，区块链、人工智能、大数据、云计算、物联网等技术，开

    始逐步运用于产品创新、保险营销和保险公司内

    部管理等方面，保险的方方面面都开始从科技进

    步的红利中得益，企业通过创建新的平台、运用

    新的技术更好地为保险消费者服务。

    2016年中国保费收入已经飙升至全球第二，中国也已经成了名副其实的保险大国。而随着移

    动互联网时代的到来，大数据、云计算、人工智

    能、区块链等前沿技术的出现，让保险科技出现

    了新的风口。同时，随着资本的不断涌入，众多

    创业公司正在以自己的方式重塑保险行业生态。

    数据显示，过去的十年间，中国保险行业在

    普及度和精密度上都发生了比较大的改变。年保

    费规模从2006年的5600亿元上升到2016年的3万

    亿元，年均增幅达20%，保险的深度及密度(保

    险深度：某地保费收入占该地GDP之比；保险密

    度：按当地人口计算的人均保险费额)也从2006

    年的2.6%及430元人，快速增长至2016年的4.2%及2200元人。但是保险大国并不等于保险强国，中国保险市场仍然存在着保险深度和保险密度不

    够、渗透率低、行业影响力不足等问题。

    从经济环境上看，随着生活水平的提高，人

    们对于保险的需求也有了更深的认识。而需求推

    动了保险行业的发展，为了迎合更多人群，险种

    的丰富程度也发生了质变。

    为了轻松高效地完成选择、投保、赔偿的步

    骤，人工智能也被运用于保险行业。人工智能介

    入保险的核心业务流程，从产品设计到售前(咨

    询、推荐、关怀)，再到承保(认证、核保、定

    价)，再到理赔(反欺诈、核损、赔付)及售后

    服务(客服、日常分析、CRM)。同时，在营销

    及风控方面也可以依托于人工智能。保险行业的

    业务流程如图2-10所示。图2-10 保险行业业务流程

    保险业中智能金融的应用场景主要有智能客

    服、智能顾问平台及图像定损。其中智能客服的

    落地应用较早。在客户端，运用聊天机器人和自

    然语言处理(NLP)，智能客服可以快速回答问

    题，满足客户的保单服务需求，提高效率，给客

    户带来更好的体验。

    人工智能保险顾问平台为用户提供保险知识

    普及、产品导购，以及后端理赔的自动化全流程

    服务。图像识别技术帮助保险业优化定损流程，提高用户理赔效率。

    一、智能客服在保险业人工智能运用中，智能客服是应用

    最广泛的。2017年9月，中国平安发布十大AI+创

    新服务，其中最受人关注的是平安人寿的“AI客

    服”。而泰康在线在2016年即推出了国内首款保

    险智能机器人“TKer”，弘康人寿也在微信平台推

    出了机器人客服。

    传统的保险公司呼叫中心面临着“招人难，人员流失快”的问题，工作枯燥、工资水平偏低

    是其中的重要原因，客服人员甜美的声音背后，常常是汗水和巨大的精神压力。AI技术大大提升

    了客服效率，如国泰产险正在逐步应用智能客服

    技术。从人工接听到赔款到账，整个过程只用约

    60秒。据了解，国泰产险使用的是以蚂蚁金服提

    供的AI技术为核心的“新客服平台”。

    智能客服软件可以根据用户的地理位置、性

    别、年龄、是否经常开车等信息，帮助用户评估

    和选择保险。比如沿海地区台风高发，就会优先

    推荐能覆盖台风引起的意外的意外险；如果该地

    区高发疾病是肺癌、乳腺癌，就会优先推荐覆盖

    这些疾病且用户性别、年龄符合投保标准的保

    险。

    许多保险科技公司已经利用语音交互技术，在线上使用智能机器人为用户提供风险教育、保险知识解答、投保推荐、智能保单分析和理赔服

    务，这一技术也能提高客服效率。

    具体方式体现在，机器人在与人交流的过程

    中，通过语音交互技术对有效信息进行提取和筛

    选，然后对其进行分析，最后做出回应(如推销

    保险产品等)。

    以保险科技创业公司大特保推出的保险行业

    聊天机器人为例，该机器人能够与用户进行保险

    知识问答和对话，还接入了地域性动态数据，可

    以根据用户所在地域的健康、理赔、社保数据，进行更加精准的方案搭配。图2-11是大特宝智能

    客服的产品页面。图2-11 大特保智能客服

    来源：大特保App

    二、智能保险顾问平台

    保险公司通过打造大数据与人工智能科技驱

    动的智能保险顾问平台，结合第三方数据，搭建

    用户分层分级体系来降低骗保率。同时进行产品

    智能匹配，为用户提供保险知识普及、产品导

    购，以及后端理赔的自动化和全流程服务。智能保险顾问平台通过分布式队列服务、分

    布式锁服务、数据挖掘服务、终端信息库等实现

    从存储、计算、数据库到数据挖掘的全流程，如

    图2-12所示。

    图2-12 智能保险顾问平台

    随着保险产品的迭代和数据准确度的提高，智能保险顾问平台会基于用户画像来进行产品智

    能匹配，并且利用智能机器人为用户提供保险知

    识普及、产品导购，以及后端理赔的自动化和全

    流程服务。

    2017年，蚂蚁金服和太平洋保险分别退出了

    智能保险顾问平台“蚂蚁保险”及“阿尔法保险”。

    从面向受众来看，“蚂蚁保险”只面向使用者个体

    测评；“阿尔法保险”以家庭为单位，给出“家庭理想保险建议”。从测评时间来看，“蚂蚁保险”称能

    在30秒内告诉你应该买什么保险，所解决的问题

    比较简单；“阿尔法保险”要花两分钟，回答六组

    问题，解决给谁买、买什么、买多少的问题。

    目前，我国的智能保险顾问平台定位“只开

    处方，不卖产品”，着眼于有保险需求的消费者

    教育。未来，随着智能保险顾问的升级迭代，将

    真正解决消费者买什么、买多少的难题。

    三、图像识别优化定损

    定损一直都是由人工完成的，在传统的理赔

    流程中，保险公司收到事故照片后，需要核赔、核价，最快也要半小时后才能确定理赔金额，最

    慢可能需要几周的时间才能完成整个流程。现

    在，通过图像识别技术进行定损，通过算法识别

    事故照片，与保险公司对接后，几秒内就能给出

    准确的定损结果，包括受损部件、维修方案及维

    修价格。这能帮助保险公司简单高效地自动定

    损。传统保险业务流程与利用图像识别后的保险

    业务流程具体对比情况如图2-13所示。图2-13 传统保险业务流程与利用图像识别

    后的保险业务流程对比

    2017年6月，蚂蚁金服基于图像识别检测技

    术推出了“定损宝”，它能够在理赔服务流程中降

    低成本。

    蚂蚁金服“定损宝”定损主要分为三步：第一

    步，上传照片，包括汽车全景照片、受损部位照

    片、受损部位细节照片，通过全景照片来定位受

    损部件，然后用细节照片来分析损伤程度；第二

    步，定损结论，对损伤程度的判定是整个定损流

    程中的核心环节，定损宝针对不同的车型、颜色

    和光照条件进行模型迭代学习，融合多个模型的

    经验，产出了现在的解决方案；第三步，生成解

    决方案，通过总结和设计一些保险行业在车辆维

    修过程中的规则来完成对解决方案的学习。报价

    方面，先根据车辆识别码(VIN码)去数据库中

    查找该车各个部件的OE码，然后找到各个部件维

    修和更换的价格。这一步的关键是收集部件数

    据，整理相应的数据库。目前在保险业中，约有10万人从事查勘定损

    的工作。实现自动定损之后，预计可减少查勘定

    损人员50%的工作量。但定损的准确率还有待技

    术进步去提高。

    保险相关创业公司在2015年爆发式出现，经

    过两年多的摸索，衍生出标准化保险服务流程，其中一些公司得到资本认可并获得融资。保险科

    技相关行业前路看似光明，但是亿欧智库认为，无论是国内还是国外，保险科技公司还存在很多

    问题，对于模式的探索还处于初级阶段。首先是

    大数据源问题，一方面，国内保险行业的数据积

    累不足，大量非结构化数据尚待处理；另一方

    面，对于创业公司来说，自营数据有限，并受制

    于其他平台数据源。其次，人工智能技术仍没达

    到要求，保险本身是需要大量“情感倾诉”的行

    业，而目前的技术远没有达到这一程度，且数据

    孤岛化也严重阻碍了技术的发展。

    虽然保险科技的发展还面临众多挑战，但国

    内科技环境的蓬勃景象为这一领域的发展提供了

    肥沃的土壤，保险科技的落地或许只是时间问

    题。第四节

    技术先行，应用多久落地

    人工智能的滚滚洪流，正在影响金融领域的

    各个应用场景。我们认为，智能金融未来发展将

    围绕智能化、场景化和个性化展开。智能化为基

    础，可分为三个层次：第一层次为Robot，即可

    以实现简单的数据收集整理工作(助理分析

    师)；第二层次为Smart，即可以实现数据的简单

    分析(初级分析师)；第三层次为Intelligent，即

    可以实现数据的决策支持和深度洞察(高级分析

    师)。场景化，就是智能金融将驱动金融业态不

    再局限于“金融标签”，而是转变为一种深入各种

    场景的“生活标签”，摆脱以往“高冷”的形象，变

    得更贴近生活。个性化，是相对于标准化而言

    的，虽然智能金融或许不能实现完全的因人而

    异，但智能金融驱动的金融服务和产品的创新，将为人们提供更多元化的选择，这就是一种相对

    的个性化。

    虽然我们很看好智能金融未来的发展趋势，但我们不得不承认人工智能还处于“弱人工智

    能”阶段，智能金融的发展还面临一系列挑战。首先，鼓励金融创新与风险控制之间不平

    衡。智能金融在为金融带来降本增效等好处的同

    时，也增加了金融的风险，甚至出现“劣币驱逐

    良币”的现象，破坏了金融的稳定性。这些，促

    使金融监管越来越严格。虽然政府监管的目的是

    为了“纠偏”，提醒市场金融的创新不能偏离创新

    的本质——金融。

    其次，数据联通与有效应用面临挑战。金融

    业虽然在发展过程中积累了大量数据，但仍面临

    两大数据挑战：数据信息孤岛和数据有效应用。

    目前，用户数据高度集中在BATJ等几家企业中，容易形成数据寡头现象，带来数据垄断，造成所

    谓的数据鸿沟问题，形成信息孤岛，不利于智能

    金融公司数据的联通。同时，金融数据的接收和

    处理是智能金融在应用过程中面临的一大挑战。

    如果数据使用不当，精确的数据挖掘也会导致荒

    谬的结果，这需要智能金融公司深入理解数据与

    金融的逻辑，深入挖掘数据真正的价值。

    最后，需要我们注意的是，虽然我们常听到

    类似“摩根大通使用全球第一款机器人执行金融

    交易”或者某科技公司与金融机构开展合作等新

    闻，但这并不是智能金融技术公司的常态。大部

    分智能金融还处于概念阶段，要想真正落地还有

    很多问题待解决。媒体等对于智能金融过于夸大事实，使得大众的期望值比较高。然而，大众在

    与智能金融应用实际基础过程中，智能金融的实

    际情况并不能符合大众过高的预期，可能会导致

    人们的失望，造成信任危机。例如，人们对智能

    投顾抱有很大的期望，当智能投顾的收益率与预

    期出现偏差的时候，就会导致失望与不信任。所

    以，我们要对智能金融多点耐心，多点信心，谁

    也不知道十年后的智能金融会为我们的生活带来

    多大的改变。

    [1]API：应用程序编程界面(application

    programing interface)，ERP：企业资源规划

    (enterprise resource planning)，NLG：自然

    语言生成(natural-language generation)，NLP：自然语言处理。

    [2]BA测试为投入产出比。

    [3]营销三要素：创意、触达和出价。

    [4]引用自吴军《智能时代》。第三章

    积重难返？医疗AI的颠覆之路

    医疗，关乎民生之根本，涉及每一个人的身

    体与精神健康。今天，中国的医疗产业——涵盖

    医疗救护、医药、保健、生物技术等多个领域

    ——已然是一个具有万亿元市场规模的大产业。

    2016年，中共中央、国务院印发的《“健康中国

    2030”规划纲要》中指出，到2020年，健康服务

    业总规模将超过8万亿元，到2030年达到16万亿

    元。

    医院，作为中国医疗产业的核心主体之一，其面向患者的诊疗与就医流程、院内管理的各环

    节仍保持着僵化的模式。在我们走访多家医疗企

    业过程中，曾不止一位企业管理者感叹：“中国

    的医疗，是中国进化最慢、最传统的产业。”

    然而，人工智能技术的不断进步，开始与医

    疗的各个方面相结合，一个新的名词“医疗人工

    智能”随之诞生。人工智能是否能够加速中国医

    疗产业的进化历程？它都在哪些应用场景之中改变着中国医疗事业？让我们通过本章一探究竟。第一节

    医疗变革时代的黎明

    “医疗人工智能”一词，从2016年起成为新科

    技领域关注的焦点。投资界和产业界的许多人士

    认为，医疗将是人工智能在各产业中有望最先落

    地的产业。究竟何为“医疗人工智能”呢？亿欧智

    库认为，“医疗人工智能”是人工智能技术对于医

    疗产业的赋能现象。

    要理解这一定义，首先要理解“赋能”。所

    谓“赋能”，字面意义上就是指为某个主体赋予某

    种能力或能量。人工智能技术与医疗产品、医疗

    服务的结合，事实上就是一种赋能现象，它不仅

    使得医疗生产活动成本降低、效率提升、效果增

    强，而且牵动整个医疗产业链发生新变化，如图

    3-1所示。图3-1 医疗产业链(部分)示意图

    例如，基于卷积神经网络的肺结节自动检测

    系统的逐步成熟，未来将可能从根本上改变影像

    科医生的工作方式，大大提升影像诊断的精确

    度，降低误诊和漏诊事件的发生概率。同时，该

    类辅助诊断系统的开发者，即医疗企业，将逐步

    实现系统的产品化和商业化，新兴科技企业、传

    统医疗器械与软件供应商之间相互博弈，将形成

    新的市场竞争格局。这只是冰山一角，但足以显

    示出，人工智能技术对医疗产业的赋能将具有变

    革性力量。

    AI与医疗领域的快速融合，与国家政策的支持密不可分。2016—2017年，国家对于医疗领域

    提出明确的人工智能发展要求，包括对技术研发

    的支持政策，就相关技术和产品提出健康信息

    化、医疗大数据、智能健康管理等具体应用，并

    针对医疗、健康及养老方面提出明确的人工智能

    应用方向：

    ●2016年6月，国务院印发的《关于促进和规

    范健康医疗大数据应用发展的指导意见》中提

    出，支持研发健康医疗相关的人工智能技术、生

    物三维(3D)打印技术、医用机器人、大型医疗

    设备、健康和康复辅助器械、可穿戴设备及相关

    微型传感器件。

    ●2016年10月，国务院印发的《关于加快发

    展康复辅助器具产业的若干意见》中提出，推

    动“医工结合”，支持人工智能、脑机接口、虚拟

    现实等新技术在康复辅助器具产品中的集成应

    用。

    ●2017年1月，国家卫生计生委印发的《“十

    三五”全国人口健康信息化发展规划》中提出，充分发挥人工智能、虚拟现实、增强现实、生物

    三维打印、医用机器人等先进技术和装备产品在

    人口健康信息化和健康医疗大数据应用发展中的

    引领作用。●2017年7月，国务院印发的《新一代人工智

    能发展规划》中提出，发展便捷高效的智能服

    务：智能医疗，推广人工智能治疗新模式、新手

    段，建立快速精准的智能医疗体系；智能健康和

    养老，加强群体智能健康管理，建设智能养老社

    区和机构，加强智能产品适老化。

    优质的政策环境，催生了一批又一批医疗人

    工智能创业企业的诞生。拥有万亿元级市场规模

    的医疗产业，对于企业而言无疑是极具诱惑力

    的。但是，中国医疗体制相对传统，改良进程缓

    慢，某些医疗领域甚至被扣上“积重难返”的帽

    子。尝试借助AI技术手段实现个别医疗环节优化

    升级的企业，无疑是勇敢的，但也必将面临重重

    阻碍。第二节

    院内院外，医疗AI应用百花齐放

    医疗人工智能究竟有哪些具体的应用场景

    呢？在医院中，涉及就医流程、诊断、治疗、数

    据结构化、医院管理与决策、医学科研等众多环

    节；在医院外，涉及药品研发及健康类的消费级

    产品。综合来看，亿欧智库将医疗人工智能的应

    用场景分为七类，分别是虚拟助理、医学影像、大数据辅助诊疗、药物研发、医院管理、科研平

    台、健康管理。部分应用场景又存在多类子应

    用，涉及医院内部的各个流程，以及医院以外的

    各类健康相关环节，应用可谓“百花齐放”。下

    面，我们就来逐一进行解读。

    一、虚拟助理

    从苹果的Siri、谷歌的语音助手，到亚马逊

    的Alexa、微软“小娜”Cortana，此类通用型的“虚

    拟助理”对于大众已不陌生，人们通过文字或语

    音的方式，与机器进行类人级别的交流交互。医

    疗领域中的虚拟助理，则属于专用(医用)型虚

    拟助理，它是基于特定领域的知识系统，通过智

    能语音技术(包括语音识别、语音合成和声纹识别)和自然语言处理技术(包含自然语言理解与

    自然语言生成)，实现人机交互，目的是解决使

    用者某一特定的需求。目前，国内医疗领域的虚

    拟助理应用场景主要有：智能问诊、药物推荐、导诊机器人、语音电子病历、陪护机器人，以及

    自动随访、医学教育等其他相对小众的场景。下

    面我们重点介绍其中的部分应用场景。

    智能问诊是各类虚拟助理中产品最多的应用

    场景。所谓智能问诊，就是通过语音交互系统自

    动地完成患者的病情诊断，为医生和患者提供辅

    助与参考。分别针对医患沟通效率低下与医生人

    数不足两大难题，智能问诊又分为“预问诊”和“自

    诊”两大类。“预问诊”就是患者在完成挂号后的等

    待时间内，进入医院App或公众号中的智能问诊

    模块，输入自己的基本信息、症状、既往病史、过敏史等信息，系统将初步形成诊断报告，在患

    者与医生见面之前推送给医生，以减少医生与患

    者的沟通内容，大大缩短问诊时间。“自诊”就是

    患者在手机或PC端通过人机交互完成智能问诊，获取诊断报告以供参考。目前开发智能问诊系统

    的公司既包含阿里巴巴、百度、搜狗、科大讯飞

    等巨头公司或技术服务公司，也包含康夫子、半

    个医生、小壹医疗客服等专注于开发智能问诊系

    统的创新企业。药物推荐，核心目的在于让患者足不出户就

    可以知道“该吃什么药”。北京馨康源健康科技有

    限公司是国内提供推荐用药服务的具有代表性的

    公司，推荐用药属于相对小众的应用场景，其产

    品是“自测用药”App，能够根据患者选择的症状

    和程度，通过后台算法系统给出中药和西药的用

    药建议。国内其他典型企业包括药师小乔、九大

    夫、半个医生等。

    导诊机器人，以其可爱的外表和易用的语音

    交互系统，成为中国众多医院喜闻乐见的“新员

    工”。导诊机器人主要基于人脸识别、语音识

    别、远场识别等技术，通过人机交互，执行挂

    号、科室分布及就医流程引导、身份识别、数据

    分析、知识普及等功能。从2017年起，导诊机器

    人产品开始陆续在北京、安徽、湖北、浙江、广

    东、云南等地的医院、药店中落地使用。比较典

    型的是科大讯飞的“晓曼”导诊机器人，目前已正

    式在合肥市第一人民医院、北京301医院投入使

    用，如图3-2所示。国内其他典型企业包括小胖机

    器人、纳月荷智能科技开发的Andy机器人、若水

    医生开发的康宝机器人等。图3-2 科大讯飞导诊机器人“晓曼”

    来源：天津支部生活网《聚焦首届世界智能

    大会：智能改变世界》

    语音电子病历系统，简单来讲就是通过语音

    转文字，帮助医生快速录入病历的虚拟助理系

    统。语音电子病历为何存在呢？香港德信2016年

    的一项调查显示，中国50%以上的住院医生平均每天用于写病历的时间超过4小时，相当一部分

    医生写病历的时间超过7小时。语音电子病历系

    统，能够帮助医生避免浪费大量时间，医生的主

    诉内容可以自动地、实时地转换成文字，录入病

    历系统中，大大提高了填写病历的效率。该类系

    统以软硬一体全套解决方案为产品形态：软件是

    以语音识别引擎为核心、以医疗知识系统为基础

    的语音对话系统(行业术语：语音OS)，硬件是

    医用麦克风。目前采用该系统的主要是消化内

    科、超声科等检查项目多、病历输入相对烦琐的

    科室。国内提供此类产品的企业主要有三家：科

    大讯飞(产品为云医声)、云知声(产品为云知

    声)、中科汇能(产品为医语通)。图3-3反映的

    就是语音电子病历系统的使用案例。图3-3 语音电子病历系统使用案例

    来源：中科汇能

    在各类虚拟助理之中，语音电子病历更能切

    中痛点，解决医生所面临的实际问题。此外，医

    院具有一定的采购预算和灵活性，国内三甲医院低于30万元(部分医院为50万元)的采购行为通

    常无须公开招标。语音电子病历产品不属于大型

    医疗设备，采购价格低，通常无须招标，因此能

    够快速落地。当然，语音电子病历系统也存在医

    生所使用的医学名词不统一的问题，对于系统背

    后的知识系统要求较高。

    二、医学影像

    随着计算机技术和医学影像技术的不断进

    步，X射线、电脑断层扫描(CT)、核磁共振成

    像(NMRI)等医学影像，已逐渐由辅助检查手

    段发展成现代医学最重要的临床诊断和鉴别诊断

    方法。技术手段不断进步的同时，也不可避免地

    出现诸多问题。以影像科医生为例，影像诊断十

    分依赖医生的经验性判断，中国目前正式注册

    的、拥有医学影像从业资格的医生约为17万人，其中具有丰富临床经验的优质医生数量却十分有

    限，所以医学影像的误诊或漏诊事件较多。中国

    作为癌症大国，平均每分钟就有7人确诊为癌症 [1]

    ，对于优质影像科医生的需求量巨大。但是，影像科医生的培养具有固定的周期，目前影像科

    医生人数年增长率约为4.1%，严重不满足需求，这个问题亟待解决方案。我们再来看放疗科医

    生，在患者上机放疗前，放疗科医生需要对一套

    CT片(200～450张不等)逐一进行照射靶区的勾画。受限于人眼有限的读片速度，放疗科医生完

    成一套片子的手动勾画工作，通常需要耗费约4

    个小时左右，时间成本非常高；此外，在患者上

    机照射过程中，病灶位置可能发生转移，这就要

    求加速器能够不断根据病灶转移情况进行放疗方

    案的调整。如何在保证勾画准确度的前提下有效

    缩短勾画时间？如何实现放疗方案的实时调整？

    这些问题都有待技术来解决。除了影像科与放疗

    科以外，还有术前规划阶段的影像三维重建存在

    的配准问题，会直接影响手术规划的精确度等。

    医学影像在当今医学诊断中具有举足轻重的

    作用，与医学临床的距离最近，而众多疑难问题

    尚未得到解决，由此医学影像成了医疗人工智能

    最热门的应用场景。综合来看，人工智能与医疗

    影像的结合，主要体现于运用图像识别技术实现

    三类核心功能：病灶自动分析与识别、影像自动

    勾画与自适应放疗、影像三维重建。

    病灶自动分析与识别，主要针对“诊”的环

    节，是指机器通过计算机图像处理技术，完成图

    像分割、疑似病灶图像分析与提取、检测与诊断

    等工作，进而辅助影像科医师提高病灶的检出率

    和诊断的精确性，降低漏检、错检的可能性。目

    前，病灶自动分析与识别的产品以癌症筛查类软

    件为主，涉及肺癌、乳腺癌、食管癌等，另外有少数企业的产品主要针对皮肤类疾病的筛查。在

    癌症筛查领域，肺癌的早期筛查类产品是最多

    的，一方面是由于国内在各类癌症中肺癌的发病

    率、死亡率均位居首位；另一方面是因为以卷积

    神经网络为主的肺结节检测算法相对成熟。以推

    想科技为例，其智能CT辅助筛查产品AI-CT完成

    一张肺部CT片的识别用时仅5秒，而人类医生通

    常需要十几分钟到半个小时；对于人的肉眼容易

    遗漏掉的三毫米以内的小病灶，AI-CT更容易识

    别，肺结节发现准确率高达90%。图3-4展示的就

    是推想科技智能CT辅助筛查产品(AI-CT)的功

    能界面。其他国内典型企业代表有腾讯觅影、健

    培科技、羽医甘蓝等。图3-4 推想科技智能CT辅助筛查产品(AI-

    CT)功能界面

    来源：推想科技

    靶区自动勾画与自适应放疗，主要针

    对“疗”的环节，靶区自动勾画是指机器对CT影像

    中的肿瘤器官和周围危及器官进行自动勾画，医

    生只需进行核查即可；自适应放疗是指在患者15

    ～20次上机照射过程中，机器不断跟踪病灶位置

    变化，及时调整放疗计划，有效减少射线对患者健康组织的伤害。机器对靶区的自动勾画，能够

    极大程度上缩短放疗科医生的勾画工作时间。以

    连心医疗为例，连心医疗是该领域的典型企业，其智能放疗云平台在四川省肿瘤医院和中国人民

    解放军海军总医院的使用中，将医生超过5个小

    时的手动勾画时间，缩短至0.6个小时以内。图3-

    5展示的就是连心医疗智能放疗云产品勾靶的功

    能界面。其他国内典型企业代表有汇医慧影、全

    域医疗、医诺智能等。

    图3-5 连心医疗智能放疗云产品勾靶功能界

    面

    来源：连心医疗官网影像三维重建，主要针对手术规划环节，通

    过进化计算优化后的图像配准算法，能完成多层

    CT影像的高精准度配准融合，从而有效解决配准

    缺陷周期性复发的问题。影像三维重建配准融合

    精准度的提高，能够最大程度上自动重构出患者

    器官真实的3D模型，与3D打印机无缝对接，让

    医生手术方案的制定更加精准。目前国内典型企

    业代表有昕健医疗、海纳医信、锐达医疗等。

    由于AI+医学影像类产品涉及诊疗环节，属

    于CFDA(国家食品药品监督管理总局)规定的

    三类医疗器械目录范围，所以产品申报与认证过

    程十分严格，耗时较长。目前基本成型的AI+医

    学影像产品大多数处于医院试用阶段，未来可见

    的业务模式主要有两类：第一类，面向医院、体

    检中心和第三方医学影像中心，出售软件的使用

    权限(License)，以及收取一定的技术服务费

    用；第二类，向医疗器械厂商寻求合作，将软件

    与硬件设备捆绑销售，或将产品功能嵌入硬件设

    备中。近年来，国产医疗器械逐渐发展起来，与

    雅培、罗氏、西门子、瓦里安、医科达等海外公

    司产品形成竞争，“AI+医学影像”软件与医疗器

    械的结合，可帮助医疗器械厂商提供先进的软硬

    一体化解决方案，将大大提升医疗器械厂商的产

    品竞争力。三、大数据辅助诊疗

    全世界每日产生的医疗数据量十分巨大，其

    中蕴藏着巨大的利用价值，然而由于各地区数据

    结构化程度低，缺乏统一的标准，并且有些地区

    的医疗数字化程度还很低。根据IDC Digital预

    测，截至2020年，全球的医疗数据量将达40万亿

    GB，其中约80%的数据为非结构化数据，如图3-

    6所示。

    图3-6 全球产生的医疗数据量预测(万亿

    GB)

    来源：IDC Digital我们知道，计算机能够学习和处理结构化的

    数据，所以非结构化数据的结构化处理是一个重

    要问题，我们在后续章节中会谈到。认知计算的

    运用，使得计算机对非结构化数据的学习和计算

    成为可能。根据IBM研究院的定义，认知计算系

    统指的是有目的地进行大规模学习和推理，并能

    够与人类自然互动交流的系统。从终极目标的角

    度看，认知计算是实现人工智能的一条重要途

    径。IBM Watson for Oncology是全球第一个将认知

    计算运用于医疗临床工作中的产品，该系统以44

    家美国医疗机构的历史癌症治疗案例、300种以

    上的医学期刊、250本以上的医疗图书，以及

    1500万页论文研究数据为训练资料，历经4年的

    不断学习，最终实现了对癌症患者非结构化数据

    的分析，并能为医生提供治疗方案建议。该系统

    已通过美国执业医师测试，IBM Watson为充分挖

    掘海量病例数据的价值开辟了道路。

    IBM Watson正在积极拓展中国市场，2016—

    2017年分别与杭州认知网络科技有限公司、青岛

    百洋智能科技股份有限公司两家公司签署战略合

    作协议。Watson for Oncology在国内落地非常迅

    速，至2017年年底或已覆盖国内超过200家三级

    综合医院。当然，Watson for Oncology在国内医院

    的推广过程中，存在本土化和采纳程度问题。例

    如，亚洲人与美洲人的体质存在差异，Watson forOncology需要研究适合亚洲人体质的治疗与调理

    方案；再如，由于癌症治疗的情况很复杂，给出

    的最好的治疗方案不一定是患者能够接受的方

    案，需要综合考虑患者的年龄、经济状况、精神

    状态等多种因素，所以Watson for Oncology提供的

    很多治疗方案，还需要医生根据病人实际状况进

    行调整。针对上述情况，杭州认知网络科技有限

    公司在Watson for Oncology的基础上正在进行深度

    开发，创立辅助诊疗互动平台——“沃森智能应

    用云平台”，该平台将逐步整合Watson全产品线，并根据国内医院不同的诊疗需求进行定制化调

    适。

    四、药物研发

    中国的医药市场，是一个不断增长的千亿元

    级消费市场。中康CMH的监测数据显示，2010—

    2016年间，中国零售药店市场总规模(以终端零

    售价格计算)年均增长率达10%以上，2016年总

    规模已达到3377亿元，如图3-7所示。围绕中国巨

    大的医药市场，处于产业链上游的药物研发环节

    被重点关注。图3-7 2009—2016年中国零售药店销售规模

    (亿元)

    来源：中康CMH

    药物研发包含新药研发、老药新用、药物筛

    选、药物副作用预测、药物跟踪研究等方面的内

    容，以“研发成本高、周期长、风险大”为主要特

    点。一款成功获批上市的新药，需要经过化合物

    研究、临床前研究、临床研究(临床Ⅰ、Ⅱ、Ⅲ

    期试验)、SCFDA或CFDA审批等流程，耗时往

    往达10年之久，平均研发费用约有15亿美元之

    多。此外，药物研发的成功率较低，平均5000种

    合成化合物中，仅有1种能进入临床Ⅱ期实验。人工智能深度学习算法能够帮助科研工作者

    快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提

    高新药研发成功率的目的。目前深度学习在药物

    研发方面的主要贡献包括两点：第一，提高化合

    物的筛选效率，优化化合物构效关系(即药物的

    化学结构与药效的关系)；第二，同一种药物的

    不同晶型在外观、溶解度、生物有效性等方面可

    能会有显著不同，深度学习算法能够辅助预测小

    分子药物晶型结构，以把握药物的稳定性、生物

    利用度及疗效。目前，人工智能的主要成果体现

    于抗肿瘤药、心血管药、孤儿药(罕见药)，以

    及经济欠发达地区常见的传染病药，其中抗肿瘤

    药占13。人工智能与药物研发结合最典型的案

    例，是硅谷公司Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，筛选出820

    万种候选化合物，研发成本仅为数千美元，研究

    周期仅需要几天。2015年，Atomwise基于现有的

    候选药物，应用AI算法，不到一天时间就成功地

    寻找出能控制埃博拉病毒的两种候选药物，以往

    类似研究需要耗时数月甚至数年时间。

    新药研发速度的加快，使得癌症等重症疾病

    的个性化治疗越来越成为可能。思路迪是国内将

    人工智能技术用于药物研发的典型企业，其基于

    对患者的基因测序结果，结合各类候选药物的患者临床反应，形成新药研发数据库，为个性化药

    物提供数据支持，同时利用深度学习为特定患者

    研发癌症新药。其他国内典型企业代表有明码生

    物科技、瑞博生物、裕策生物等。

    五、医院管理

    医院管理是一个相对宏观的话题，涉及院内

    职能部门间的协同配合、流程管理、突发事件风

    险管理等各项内容，还包括医院与其他医疗机

    构、医药和医疗器械供应商的调配、采购等往来

    关系。而庞大的运行系统，使得医院管理难度较

    大，人力和时间成本负担较重。随着人工智能技

    术的不断进步，人们寄希望于机器代替人类进行

    一部分医院管理工作。早在1977年，斯坦福大学

    计算机科学家费根·鲍姆提出“知识工程”概念，随

    后专家系统渗入医学领域，出现最早用于医院决

    策支持的专家系统。然而，由于当时的专家系统

    技术尚不成熟，机器学习能力有限，所以没有真

    正投入医院管理之中。今天，深度学习技术使机

    器具备了更强大的学习能力，逐渐开始进入医院

    管理的部分节点，包括病历结构化、DRGs智能

    系统、医院决策支持的专家系统、血库调配等。

    在此，我们重点介绍前两项。

    病历结构化，是指针对医院多年积累下的非结构化数据的结构化处理，从而使数据真正发挥

    其价值。病历结构化主要用到自然语言处理技

    术，随着深度学习的发展，循环神经网络进一步

    推动了自然语言处理技术的发展。图3-8所示为自

    然语言处理结构图。

    图3-8 自然语言处理结构图

    目前国内提供病历结构化服务的公司，往往

    面向医院提供开放性平台服务，以服务换数据，实现共赢。具体的业务模式分为两类：第一类，是开放性的中文病历语义API，提供能与医院无

    缝对接的“可插拔式”模块；第二类，是提供智能病历分析服务，服务类型和范围较广，如为保险

    公司做医疗风险评估、精准医学大数据中心的业

    务规划和组织架构设计、协助重大研究课题进行

    前期分析研究、开发医疗人才培养系统，等等。

    提供病历结构化服务的公司，未来在保险与医药

    行业也存在较大的盈利空间，例如帮助保险公司

    发现并减少过度医疗行为，帮助药企监控新产品

    的安全性等。森亿智能是国内专注于医学文本分

    析的人工智能公司，其主要业务是通过机器学习

    和自然语言处理技术自动抓取医学文本中的临床

    变量，将积压的病例自动转化为结构化数据，生

    成标准化的数据库。智能算法能挖掘变量相关

    性，从而为临床科研提供专业性的统计分析支

    持。其他国内典型企业代表有零氪科技、大数医

    达、深思考等。

    DRGs智能系统中的“DRGs”，英文全称是

    Diagnosis Related Groups，可翻译为疾病诊断相

    关分类。它能够根据病人的年龄、性别、住院天

    数、临床诊断、病症、手术情况、疾病严重程度

    等因素把病人分入500～600个诊断相关组，然后

    决定应该给医院多少补偿。DRGs智能系统能有

    效降低医疗保险机构的管理难度和费用，有利于

    宏观预测和控制医疗费用。过去常常出现某些患

    有重大疾病的患者在手术及用药过程中占用太多

    补偿保额的情况，而DRGs智能系统可以帮助医院合理分配保额，帮助医院合理控制费用。国内

    典型企业是医渡云。

    六、科研平台

    2014年以来，国家卫计委、国务院先后出台

    《国家卫生计生委关于进一步加强医学科研项目

    和资金管理的通知》《国务院关于印发“十三

    五”国家科技创新规划的通知》等文件，在鼓励

    医疗机构及医生进行科学研究的同时，也加大了

    医学科研资金的投入和管理。然而，SCI(《科

    学引文索引》)收录的我国医学研究论文中，临

    床研究论文的占比很小，一方面与临床医生时间

    较少有关，另一方面与我国结构化数据较少、医

    生数据统计与分析能力有限相关。

    许多医疗人工智能公司抓住了医生的科研需

    求，依托其本身的技术算法能力和计算能力，制

    作易于操作的人工智能科研平台，为医生科研提

    供以数据分析为方向的辅助性服务。打造科研平

    台，本身就是对企业现有技术能力和资源的商业

    价值的充分挖掘。其更大的意义在于，企业能够

    借助科研平台，与医生、医院或研究机构建立科

    研合作机会，以换取模型训练数据及未来的商业

    变现渠道，其具体情况如图3-9所示。国内典型的

    企业包括推想科技、零氪科技、新屿科技等。图3-9 企业与医疗机构资源优势互补，形成

    科研合作

    七、健康管理

    物质资料的不断丰富，居民生活水平的不断

    提高，使得人们对于健康的需求日益凸显。国内

    一批人工智能企业基于大众对于健康生活的追

    求，围绕营养学、身体健康管理和精神健康管

    理，开发了一系列健康类产品与服务。

    AI在营养学领域的运用，主要是利用AI技术

    进行食物识别，实现个性化合理膳食。世界范围内，爱尔兰都柏林的创业公司Nuritas是典型代

    表。2014年，Nuritas研究人员发现了能够杀死

    MRSA的肽。此前根据不同耐药菌研究药物治疗

    方案的方法，不仅成本高昂，而且费时费力。而

    通过肽杀死抗生素耐药菌的方法，既健康又成本

    低，患者负担较小。而后，Nuritas将AI与生物分

    子学相结合，进行肽(食品类产品中的某些分

    子)的识别，然后根据每个人不同的身体情况，使用特定的肽来激活健康抗菌分子，改变食物成

    分，消除食物副作用，从而帮助个人预防糖尿病

    等疾病的发生，杀死抗生素耐药菌。

    Airdoc是国内将AI与营养学相结合的创新企

    业，其开发的一款名为“每日三次”的App，搭建

    菜品图谱，利用图像识别技术，根据用户拍照上

    传的菜品图片，自动识别其中的食物种类，判断

    菜品所含热量、胆固醇、脂肪、升糖指数等指

    标，并根据每个人的身体状况(例如减肥、高血

    脂、脂肪肝、痛风等)推荐该菜品是否适合食

    用，如图3-10所示。除了Airdoc以外，碳云智能

    的产品“觅我?”提供的一项血糖管理计划，能够

    通过连续血糖监测，发现不同食物的餐后血糖变

    化，从而指导用户用餐。图3-10 每日三次App功能流程示意图

    来源：123RF图库

    身体健康管理的运用，主要是通过基因数

    据、代谢数据和表型(性状)数据的分析，为用

    户提供饮食、起居等各方面的健康生活建议，帮

    助用户规避患病风险。身体健康管理包含数据获

    取、数据分析和行为干预三道流程。基因数据和

    代谢数据分别依靠基因检测技术和代谢质谱检测

    技术获取，表型数据则通过智能硬件收集与用户

    自填获取。人工智能技术的引入，能够对各类数

    据进行综合分析，进而为用户提供个性化的健康

    行为建议。AI在实现更有效的身体健康管理方

    面，目前面临的核心问题是“数据孤岛”问题。以

    手机为例，苹果公司基于iOS系统的封闭生态，通过苹果健康App、智能手表等设备将所有用户

    的数据进行统一的收集和储存。而Android系统的

    手机厂商却很多，部分手机厂商提供健康类App，同时开发或代销健康类硬件设备。以华为

    为例，华为仅仅可以获得用户在华为产品上留下

    的数据，无法获得用户所使用的其他设备上的数

    据，如图3-11所示。如果将用户的各类健康数据

    全部整合于一个平台，就可以挖掘数据深层价

    值，由此能够提供更多的服务，产生更大的商业

    价值。

    图3-11 用户各类健康数据分散于各个平台

    来源：百度图片

    妙健康是国内将AI与身体健康管理相结合的

    创新企业，其搭建了一个集健康数据收集、健康

    行为干预、健康增值服务于一体的综合性健康管

    理平台，其核心是“妙+”和“健康行为指数”。“妙

    +”是数据接入平台，接入的数据包括智能硬件数据、体检和用户自评价数据，以及移动医疗的预

    约挂号、医生咨询等各项服务；“健康行为指

    数”又名“M值”，是妙健康独创并率先提出的健康

    行为算法。M值是收集用户与健康相关的行为

    后，依据一定的算法评出的分值，可通过个性化

    干预，促进用户形成健康习惯，从而提高用户健

    康水平。妙健康依托三胞集团上千家线下门店，开展智能设备的体验式营销，同时结合线上商城

    渠道，通过游戏化管理模式，提高用户黏性和活

    跃度。妙健康为保险、体检、银行等企业提供健

    康管理解决方案，以获得更多用户，从而打造

    B2B2C模式。国内其他典型企业包括碳云智能、悦糖、减约等。图3-12展示的是妙健康健康管理

    平台功能与运营方式。

    图3-12 妙健康健康管理平台功能与运营方

    式从目前来看，国内将AI与精神健康管理相结

    合的企业较少，而精神健康管理与每一个人都息

    息相关，潜在市场较大。根据2009年世界卫生组

    织的调查，中国精神疾病患者占中国总人口的

    7%，已经超过心脏病和癌症，成为中国医疗体系

    最大的负担。2015年，英国世界权威医学杂志

    《柳叶刀》中的一项研究指出，中国约有1.73亿

    人有精神疾病，其中1.58亿人从未接受过专业治

    疗。

    从全球范围来看，AI在精神健康管理方面的

    应用，主要有情绪管理和精神疾病管理两类。AI

    在情绪调节场景中的运用，主要是通过人脸识别

    用户情绪，以聊天、推送音乐或视频等多种交互

    方式帮助用户调节心情。典型的企业有美国创业

    公司Emotient(已被苹果公司收购)、英国创业

    公司Realeyes等。

    AI在精神疾病管理方面的应用，主要是对精

    神疾病的预测与治疗。典型的代表是美国人工智

    能公司Cogito，其与美国麻省总医院合作完成了

    一项国家精神健康研究项目。该项目采用Cogito

    的一款名为Companion的智能手机App，该App通

    过分析患者声音模式的细微变化，来检测患者是

    否有抑郁症、躁狂症、躁郁症复发的可能。该研

    究项目从医院的MoodNetwork系统中挑选1000名测试者，每日使用Companion录入语音日记，Companion将主动追踪主要行为指标，例如物理

    孤立性、社会连接性、疲劳程度等主要的情感障

    碍症状，以积累症状复发的各项特征，给予患者

    长期有效的治疗和关怀，如图3-13所示。在此基

    础上建立健康档案库，并进一步用于改善人们与

    抑郁症、躁郁症患者的共处状态。在此过程中，Cogito也在积累大量患者数据，不断优化

    Companion的预测精准度。

    图3-13 Cogito公司研究项目示意图

    来源：123RF图库

    Avalon AI是另外一家致力于预测阿尔茨海默

    氏症(即老年痴呆症)的英国人工智能公司，其

    利用深度学习和核磁共振成像技术，为人的大脑制作3D核磁共振图像，然后利用卷积神经网络与

    过去阿尔茨海默氏症研究中产生的失智大脑图像

    进行层层对比分析，以找到病症特征，从而实现

    对阿尔茨海默氏症的预测(包括预测是否发病，以及大脑损伤程度)。

    X2AI是创立于硅谷的一家致力于利用人工智

    能进行心理疾病治疗的科技公司。其核心为一种

    称为Tess的心理人工智能算法，能够在与用户进

    行语音或文字交流的过程中，通过自然语言处

    理、智能语音技术，并结合大量心理咨询知识与

    经验构成的知识图谱，为用户提供高度个性化的

    心理治疗、心理教育和心理健康方面的提醒。第三节

    下注未来，医疗AI的春天不是现在

    人工智能技术在医疗各个环节中的应用，既

    面临巨大的机遇，也存在诸多挑战。

    人工智能与医疗的结合，创造了与医疗相关

    的产业链新模式，在逐步解决医疗产业各大痛点

    的同时，也创造着市场需求和相关企业新的增长

    突破点。医疗人工智能企业目前主要以医院、体

    检中心、药店、药企等B端业务为主，健康类产

    品极少面向C端市场。医疗人工智能公司因其刚

    性技术与服务需求，也为解决方案提供商带来了

    新的服务方案和商业机会。综合来看，医疗人工

    智能拥有广阔的市场需求与多元化的业务方向，发展机会非常多。医疗AI企业的业务方向如图3-

    14所示。图3-14 医疗AI企业的业务方向

    医疗人工智能企业中，人才和技术是关键。

    AI技术人才目前在市场上处于供不应求的状态。

    针对该问题，公司最佳策略之一，就是与进行人

    工智能相关研究的国内外高等院校进行科研合

    作，基于公司产品技术应用方向(如医学影像分

    析、语音电子病历文字转换等)进行算法模型的

    开发，该合作不仅推动了公司产品化进程，而且

    能潜移默化地为公司培养未来的算法人才。技术方面，与国内相比，海外成熟的算法模型较多，产品化和产品落地速度普遍领先于国内。国内人

    工智能公司有机会与海外公司进行战略合作，共

    同进行基于中国市场环境的模型训练和产品研

    发；资金雄厚的公司则可以通过战略投资、并购

    等方式，直接获得整个技术与产品研发部门。AI

    技术与人才解决方案如图3-15所示。

    图3-15 AI技术与人才解决方案

    目前国内不论是创业界还是投资界，都十分

    看好医疗人工智能未来的发展前景和市场表现，但从产品真正落地到大规模市场推广的周期有多长，目前仍是未知数，这个周期内也必定会有一

    大批公司创业失败或业务转型。所以，国内医疗

    人工智能创业公司在产品达到一定成熟程度以

    前，将资金用于产品大面积市场推广的风险较

    大。更稳妥的方式是，给予模型与产品充足的训

    练与优化时间，在小范围内不断地进行模型的训

    练，不断评测产品使用效果，并适时进行媒体宣

    传以打造品牌。

    国内医疗人工智能企业面临着不少困难，核

    心难题之一就是缺乏大量可供训练模型的医疗病

    例数据。大多数企业通过与医院建立科研合作的

    方式，让产品在临床试用中不断训练模型，或者

    直接获取脱敏后的病例数据。然而，训练模型所

    需的数据量较大，仅依靠几家医院提供数据远远

    不够，而大量医院并不愿意进行数据共享。

    任何一项用于医疗临床的产品，都需要经过

    CFDA(国家食品药品监督管理总局)的认证，获得医疗器械证书后，才可以取得临床使用的合

    法性。CFDA的审批流程较为烦琐，需要同国家

    指定的三甲医院合作进行临床测试(前提是要通

    过医院的医学伦理委员会审查)，需要同做临床

    测试的每一个病人签订合同，还要在国家专业机

    构做检测和报备，然后才能获得CFDA认证，如

    图3-16所示。其中的时间成本、技术水平等因素均构成了“高门槛”。直到2017年年底，尚没有通

    过三类器械证书的AI医疗产品。

    图3-16 CFDA审批流程

    在目前“弱人工智能”阶段，医疗人工智能产

    品的成熟度还不高，无法彻底避免的错误和漏

    洞，会影响人们的信任度，从而导致采用率可能

    在相当一段时间内保持一个较低的水平。目前市

    场中部分企业大力进行产品宣传，使未来的潜在

    用户对其期望值较高，而实际产品可能无法实现

    部分宣传中提到的功能，用户的信任度和满意度

    都会大打折扣。受限于人的主观经验，信任度的

    培养是一个曲折的过程。例如，患者使用智能问

    诊与推荐用药的产品时，采纳了系统给出的诊断

    和用药建议，假设患者在一段时间后病情好转，可能会归因于产品服务，也可能会认为是随着时

    间推移而自己康复。假如患者在很长一段时间内

    病情没有好转，其必定会归咎于产品“不靠谱”。隐私与伦理问题，将是国家立法机构、AI技

    术服务企业所面临的紧迫问题。我国有关保护患

    者隐私权的法律规定，对医疗人工智能公司获取

    足量的患者数据造成较大的阻碍。我国自2010年

    正式施行的《中华人民共和国侵权责任法》第六

    十二条规定，医疗机构及其医务人员应当对患者

    的隐私保密。泄露患者隐私或者未经患者同意公

    开其病历资料，造成患者损害的，应当承担侵权

    责任。随着人工智能技术的不断进步，人类所产

    生的数据类型越来越多(例如基因数据)，保护

    每一个人的数据安全的法律体系尚未建立，这将

    是医疗人工智能产品落地过程中的隐形挑战。由

    于模型训练中使用的数据多样性有限，可能无形

    中构成对部分社会群体的歧视。例如，某些语音

    识别产品无法识别一些方言，使这些方言使用者

    被排除于产品使用范围以外。由于医疗人工智能

    产品的价格普遍较高，可能会首先被收入水平较

    高的群体使用。尤其当癌症等致死率较高的病症

    通过人工智能手段找到治愈方法后，价格问题会

    加剧患者间的机会不平等，这将可能在医疗领域

    掀起一场有关道德伦理的大讨论。

    不论医疗人工智能企业的发展将面临怎样的

    坎坷之路，我们仍对其抱有极大的信心。AI在医

    疗领域的变革作用，尤其是在诊断与治疗领域的

    各项重大成就，使我们有理由相信，AI将成为医生、医院、患者的好助手，它也将真正在提高医

    疗效率、降低医疗成本、实现精准医疗、拯救更

    多生命等方面，做出其不可估量的贡献。

    [1]数据来源：《2017中国癌症报告》，国家癌症

    中心2017年2月发布。第四章

    智慧安防：罪恶无处遁形

    在我们日常走过的大街小巷，许多地方都安

    装着摄像头，它们为维护社会治安、打击违法犯

    罪行为、降低治安隐患贡献了巨大的力量。然

    而，这些摄像头每日会产生大量的监控视频，对

    于视频的分析应用，一直是困扰着公安部门的问

    题。今天，中国的社会经济处于转型的重要阶

    段，人口流动性强，城乡格局不断发生变化，种

    种因素使得国家安防工作的难度加大，所耗费的

    人力成本和时间成本也越来越高。

    近年来，AI逐步被应用于计算机视觉技术，使得摄像头不再是视频采集与监控设备，而是成

    了集视频采集、图像识别与分析、紧急情况预警

    等功能于一体的智能化设备，不仅降低了视频分

    析的人力和时间成本，而且真正实现了即时性。

    此外，智能摄像头设备还辅助公安部门破获了许

    多积压已久的要案，抓获了逃匿数年的罪犯。

    正是由于安防工作存在种种问题，对于技术改良的需求迫切，使得安防成为人工智能在各个

    行业落地速度最快的领域，“智慧安防”的时代即

    将真正到来。第一节

    智慧安防主战场——视频监控

    安防是一个非常大的话题，涉及公共安全、企业安全和民用安全。影响公共安全的事件，又

    分为自然灾害事件、事故灾难事件、社会安全事

    件与公共卫生事件。在此基础上，还可以进一步

    细分，如图4-1所示。本章中我们所探讨的“安

    防”，主要是指针对恐怖袭击事件和经济安全事

    件的安全防范，即针对社会安全事件的安全防

    范。

    那么，“智慧安防”智慧于何处呢？近年来，以深度学习为代表的人工智能技术取得了突破性

    进展，人工智能技术开始被应用于计算机视觉技

    术之中，并在安防领域表现出巨大的价值。具体

    而言，计算机视觉技术被应用于车牌识别、特征

    属性识别、人脸识别和行为识别，进而能够将视

    频监控数据结构化输出，形成以人、车、物为主

    体的属性信息，帮助公安部门在事前、事中、事

    后三个阶段有效应对社会安全事件。图4-1 智慧安防结构图

    车牌识别是图像处理与字符识别的综合应

    用，它由图像采集、预处理、牌照区域的定位和

    提取、牌照字符的分割和识别等几个部分组成，主要应用于道路、停车场等。识别效果会受环境

    光照条件、拍摄位置和车辆行驶速度等因素的影

    响，有的情况下对识别的实时性要求也很高。

    特征属性识别是通过数据调取接口，实时抓

    拍图片及视频等资源后，做实时或者离线二次识

    别，识别目标的形状、属性及身份等，适用于各

    种公共场所。特征属性识别使用的电警、卡口摄

    像头采用了较高分辨率，拍摄角度越合适、正面状态概率越高，识别的成功率就会越高。

    人脸识别是通过人脸检测将图像分割成人脸

    区域和非人脸区域，然后将已检测到的待识别的

    人脸特征和数据库中的已知人脸特征进行比较得

    出相关结论，主要应用于人证合一、限制环境的

    情况，如银行开户等。一般来说，人脸识别的有

    效宽度在3米左右，采集到的人脸图像信息的分

    辨率最好达到100×100像素以上，这样能有效提

    高识别率。

    行为识别是先检测时空显著兴趣点，在兴趣

    点的局部区域提取特征描述符，再对提取出来的

    特征点进行聚类形成字典，然后把这些特征进行

    最近邻量化并进行直方图向量汇总，最后利用分

    类器对这些直方图特征向量进行分类训练和测

    试，目前主要应用于越界报警、踩踏事件、姿态

    识别等情况。第二节

    社会需求驱动智慧安防

    改革开放至今，中国城镇化的步伐从未停

    歇。以2011年至2015年为例，五年间中国城镇人

    口从6.9亿人上涨至7.7亿人，而乡村人口却减少

    了约5000万人，如图4-2所示。城市人口不断上

    升，带来了社会治安问题的日渐凸显，城市中人

    口高密度区域的安防难度加大。

    图4-2 2011—2015年中国城乡人口变化情况来源：国家统计局

    面对庞大而复杂的城市系统，公安部门要做

    到信息的实时发布、监控、分析和智能化管理，以确保整个系统的决策、命令能够稳妥迅速地传

    达、执行并得到反馈，高度集成的可视化终端是

    必不可少的。装载在城市各个角落的视频监控系

    统，则承担了城市管理系统的职责，成为“智慧

    安防”的核心部件，也成为“智慧城市”的重要组成

    部分。

    讲到这里，我们先来简单了解一下“智慧城

    市”的概念。智慧城市，就是将先进的信息技

    术、数据通信传输技术、电子传感技术、控制技

    术及计算机技术等新技术，有效地集成运用于整

    个城市管理系统之中，从而建立的一种在大范围

    内全方位发挥作用的，实时、准确、高效的城市

    综合管理系统。在国家发改委、中央网信办、国

    家标准委联合下发的《国家新型智慧城市评价指

    标(2016年版)》中，公共安全视频资源采集和

    覆盖情况、公共安全视频监控资源联网和共享程

    度、公共安全视频图像提升社会管理能力情况成

    为智慧城市发展的重要指标。在政策支持之下，视频监控系统拥有了高速发展的驱动力。

    然而，当前安防系统的有效运转受到了较大的挑战，主要是每日产生的海量视频监控数据与

    有限的人工分析能力之间的矛盾。根据博思数据

    公布的调查数据，截至2016年中国前端摄像头出

    货量已达到4338万台，预计在2020年出货量将会

    达到5422万台，如图4-3所示。这意味着中国每日

    视频监控录像达上千PB，而过去累积的历史数据

    更多，并且海量视频监控数据中99%以上都是非

    结构化数据。利用“人海战术”进行视频检索和分

    析的方式，不仅需要消耗大量人力，而且效果不

    佳。IMS Research的一项实验表明，人在盯着视

    频画面仅仅22分钟之后，人眼将对视频画面里

    95%以上的活动信息视而不见。面临以上种种问

    题，对视频监控系统进行优化和升级，成了安防

    领域的刚性需求。图4-3 中国前端摄像头出货量测算(万台)

    来源：博思数据

    事实上，视频监控系统自诞生之日起，便不

    断在技术上被优化和迭代。视频监控系统大致经

    历了三个发展阶段：第一阶段始自20世纪80年

    代，视频监控功能的实现主要采用模拟方式，录

    制的视频主要在同轴电缆中进行信号传输，之后

    在控制主机的监控下实现模拟信号的显示。第二

    阶段始自21世纪初，视频监控实现了远距离视频

    联网，但仍没有完全实现数字化，视频以模拟的

    方式通过同轴电缆来进行信号的传输，在多媒体控制主机及硬盘刻录主机中进行数据处理和储

    存。第三阶段始自2006年，随着数字技术与网络

    技术的发展，安防监控领域的视频技术也进入了

    高清化与网络化阶段，具体体现为前端高清化、传输网络化、处理数字化和系统集成化。视频监

    控系统的发展演进过程如图4-4所示。

    图4-4 视频监控系统的发展

    来源：百度图片

    强大的计算能力，是处理海量视频监控数据

    的基础。计算力的高低，取决于芯片的性能。目

    前安防监控领域使用的主流芯片是GPU，GPU比

    传统的CPU具有压倒性的优势。使用GPU和使用

    传统双核CPU在运算速度上的差距最大可达70

    倍。与后者相比，前者能将程序运行时间从几周

    降低到一天。此外，目前市场中已出现针对安防

    监控开发的FPGA与ASIC智能芯片，如深鉴科技的DPU芯片(FPGA)、北京君正的NPU协处理器

    (ASIC)、寒武纪的AI服务器芯片(ASIC)，等等。

    此外，以计算机视觉为代表的人工智能技术

    在安防监控中的使用，可以大量替代过去由人工

    进行的监测与分析工作。海康威视的调查数据显

    示，与传统的依靠人工进行视频回看查证相比，使用以车牌搜索、特征搜索为核心的智能化搜索

    工具，和以浓缩播放、视频摘要为核心的智能化

    查看工具，公安部门在破案时的线索排查效率可

    提升20—100倍。

    今天，依托人工智能算法、强大的计算力和

    海量的视频监控数据，智能化监控时代即将到

    来。第三节

    “四维”布防下的安防新格局

    随着视频监控的智能化，全新的安防格局也

    正在形成。总体来看，可以将布防格局分为四

    类，分别是“点”布防、“线”布防、“面”布防及后

    台分析。在新的布防格局下，公安部门在维护社

    会治安、打击违法犯罪行为、降低治安隐患方面

    的能力将得到巨大的提升。

    一、“点”布防

    “点”布防，是指卡口、出入口的身份认证，目前主要应用于车站、机场、酒店等相对封闭的

    室内空间和人流量较大的关键节点。单点布防通

    常采用静态人脸识别技术，将人脸图像、身份证

    和公安部门存储的数据进行比对，从而进行身份

    验证。典型的案例是商汤科技开发的身份证一体

    机、格灵深瞳开发的威目人脸识别系统等。

    二、“线”布防

    “线”布防，是指在道路监控中运用ITS系统

    (Intelligent Traffic System，智能交通系统)进行车辆识别和人脸识别，将每个监控单点连

    成“线”，形成“线”布防。“线”布防的监控方式，主要是在道路两侧或中间隔离带位置安装摄像

    头，进行视频图像采集与实时分析，分析内容包

    括车流量、行驶速度、交通密度、车型分类、排

    队长度、转弯信息等。车辆识别技术目前已被应

    用于车牌、车辆颜色、车辆品牌、车辆型号等信

    息的识别，以及驾驶员是否系了安全带、有无接

    听手机等行为的识别。典型的案例是格灵深瞳开

    发的威目车辆大数据系统，该系统是基于深度学

    习的新一代车辆识别系统，产品形态包括在线云

    服务、离线SDK和软硬一体化解决方案。“线”布

    防结构如图4-5所示。图4-5 “线”布防结构图

    来源：百度图片

    三、“面”布防

    “面”布防，主要应用于人员密集且人流量

    大、存在安全隐患的重点区域，尤其是特定时间

    的特定活动场所。例如，2014年跨年夜，上海黄

    浦区外滩陈毅广场发生群众拥挤踩踏事故，致30

    余人死亡，40余人受伤。对于类似区域的安防布

    控，公安部门通常会安排大量的警力，但应急难

    度仍然较大。“面”布防能够通过对监控视频的实时分析，迅速得出可视范围内的人群密度，并捕

    捉个体的行为动作，进而形成重点场所及区域的

    面状布防。

    “面”布防主要包括人数统计分析、个体跟

    踪、禁区监控、异常行为分析四个应用场景。人

    数统计分析，是指通过统计视野范围内人群的规

    模，跟踪个体行为轨迹，防止人群密度超负荷。

    个体跟踪，是指通过人脸识别技术，跟踪特定人

    员的运动轨迹与行为举止，实现提前预警。禁区

    管控，是指通过计算机视觉技术，实时采集和分

    析交通流量动态数据，以实现对禁区的实时监

    控，并对违规行为进行实时报警。异常行为分

    析，则能够在人与车辆的监控中实现多种功能，例如套牌车分析、交通违章监控、人物行为分类

    及异常行为预警等。

    典型案例是旷视科技开发的智慧安防解决方

    案，该方案适用于“面”布防的应用场景。在对重

    点区域的智能监控中，该系统能够自动判别危险

    分子进入前后的异常情况(例如人员异常聚集)

    并及时预警。此外，该系统还能够实现人员滞留

    的可视化分析、人群行为分析和群体轨迹分析，这些功能在公安部门快速、精准、移动化指挥过

    程中，能够发挥重要的辅助性作用。四、后台分析

    公安部门拥有庞大的数据库和海量的文字卷

    宗档案。当需要对卷宗进行查阅和分析时，公安

    部门往往需要安排大量人员进行人工文档筛查。

    而后台分析系统能够结合数据进行智能案情分

    析、统筹资源调配，从而能够节约大量的人力物

    力，实现工作效率的显著提升。后台分析系统，通常是基于人脸识别进行案件管理和串并案分

    析，通过人机配合，提供自定义标签及关键词检

    索功能，缩小研判范围，提升检索效率及准确

    度，迅速获得检索结果。后台系统可实现单机最

    快200万幅秒的入库速度，能在亿幅级人脸图像

    大库中检索出低质量人脸图像，低质量包括模

    糊、残缺、有噪点、暗光、大角度等情况。

    后台分析系统如同一个对特定案件有着独特

    理解的警官，它能够根据实战经验，对案件要素

    进行分类，如作案时间、作案手段、受害对象

    等。根据这些分类，警方往往可以进行串并案的

    分析，以更加精准和全面地描述犯罪嫌疑人的行

    为特征，加快破案速度。图4-6展示的就是公安部

    门案情分析结构图。典型案例是商汤科技开发的

    视图情报研判系统，该系统基于深度学习算法，通过以图搜图、模糊人脸搜索，帮助公安部门快

    速确认相关人员身份，特别适用于刑侦破案场景。

    图4-6 公安部门案情分析结构图

    人工智能技术的应用，使得公安部门构建

    了“点”“线”“面”布防及后台分析的安防新格局。

    通过智能化的视频监控系统，真正实现了实时监

    控、分析与预警，大大提升了安防工作效率，是

    安防领域的一大变革。第四节

    视频监控产业链：传统vs智能

    在技术发展和市场需求的双重作用下，智能

    化的视频监控设备从诞生到应用仅经历了不到两

    年的时间，并进一步引起了视频监控产业链的变

    化，如图4-7所示。具体而言，视频监控产业链的

    变化主要体现在以下三点。

    图4-7 智能化驱动下视频监控产业链内部调

    整第一，由于视频监控系统前端的价值大幅提

    高，产业链上游的芯片厂商开始向下游渗透，自

    主开发并生产智能摄像头。产业链内的参与者类

    型逐渐增多，主要体现在人工智能芯片厂商的出

    现，其将核心算法或者专用芯片等加载于原产品

    之上，降低了低端设备的技术开发难度。例如，芯片厂商英伟达开发的嵌入式人工智能计算平台

    Jetson TX1即适用于视频监控场景，再如依托

    ARM芯片加载人脸识别算法推出人脸机芯等。

    第二，产业链中游开始出现独立智能分析软

    件供应商，其主要依附于大型监控设备商或集成

    商。智能化趋势之下，针对视频监控设备的智能

    分析软件的附加值得到提升。由于独立运行于标

    准监控设备之上的智能分析软件复杂度高、开发

    难度大，独立第三方软件开发商将应运而生。其

    开发的软件运行载体是监控设备，所以软件商将

    与监控设备厂商结盟。从企业实力方面来看，此

    类智能化软件商将依附于大型监控设备商或者集

    成商，小型监控设备商的实力将显得更为单薄。

    第三，渠道的作用更加明显，集成商的进入

    门槛变高。随着市场容量的不断扩大，监控设备

    正朝着标准化的方向发展，销售渠道的作用将更

    加突出。由于视频监控系统十分复杂，集成商需

    要承担起总体架构设计、协调与运营的工作，所以进入门槛较高，产业内的话语权也不断扩大。

    视频监控设备商因为产品系列全、产品质量高、实施经验足等优势，沿着集成商的业务方向顺势

    做整合，则显得水到渠成。第五节

    移动化工具的AI纵向复制

    2018年，智能化的视频监控设备将在各类场

    景中投入使用，进而为设备厂商、技术供应商等

    产业链参与主体带来丰厚的商业回报。那么，究

    竟哪些商业应用场景具备较大发展潜力？面对网

    络安全问题，设备厂商应如何应对？从设备本身

    来看，未来的主流创新方向是什么？下面我们就

    安防行业的未来发展，以及智慧安防的发展趋势

    进行探讨。

    一、安防行业趋势判断

    从安防行业整体发展来看，我们认为，将产

    生以下三大趋势。

    趋势一，民用市场逐渐成为安防热点，发展

    潜力大。民用安防主要指安防产品民用化，从产

    品角度来看，目前民用安防主要包括家庭监控、智能家居、楼宇对讲、防盗报警等产品线，主要

    应用于ATM机、自动售货机、高档小区、一般小

    区、办公单位、普通家庭、便利店、私营企业、养老院等。随着视频监控与入侵报警技术的融合发展和三网合一及无线网络技术的广泛应用，民

    用安防愈来愈成为市场热点。2016年国家提出开

    放式住宅小区建设，进一步提升安防需求，民用

    安防也随之广泛普及。

    从不同国家或地区的“民用安防市场规模安

    防总市场规模”数值来看(如图4-8所示)，中国

    民用安防市场的发展稍落后于世界平均水平，远

    落后于发达国家美国，因此中国民用安防具有较

    大的发展潜力与空间。

    图4-8 不同国家地区的“民用安防市场规

    模安防总市场规模”数值对比

    趋势二，在国家政策和相关部门的支持下，中国安防行业收入持续增长，据中安协预测将在2020年达到8000亿元，如图4-9所示。从增速方面

    来看，因为安防行业相对成熟，头部效应明显，故而越往后发展增速越缓。

    图4-9 中国安防行业收入和增速状况及预测

    来源：中安协

    将2016年中国安防行业总收入5400亿元进行

    拆解，其中安防产品产值占1900亿元，视频监控

    在安防产品中占比明显，达到50.6%，约962亿

    元，如图4-10和图4-11所示。图4-10 2016年安防行业总收入的产业构成

    来源：CPS中安网

    图4-11 2016年安防产品中各细分类市场规

    模来源：CPS中安网

    趋势三，强调网络安全可能让视频监控设备

    商获利。CNCERT(国家互联网应急中心)发布

    的《2015年我国互联网网络安全态势综述》中提

    到，“2015年，CNVD通报了多款智能监控设备、路由器等存在被远程控制高危风险漏洞的安全事

    件。2015年初，政府机关和公共行业广泛使用的

    某型号监控设备被曝存在高危漏洞，并已被利用

    植入恶意代码，导致部分设备被远程控制并可对

    外发动网络攻击；CNCERT核查发现，我国主要

    厂商生产的同类型设备，普遍存在类似安全问

    题，亟需进行大范围整改。”关注网络安全愈加

    成为趋势，在视频监控领域尤为如此。

    强调网络安全作为产品附加功能，或提供安

    全服务的举措，对于视频监控设备厂商来说是有

    可能带来利益的，IHS预计视频监控设备厂商会

    在2017年提升设备的增值服务，特别是针对网络

    安全问题。总的来说，视频监控设备厂商们在网

    络安全问题上逐步掌握了主动权，而不再处于被

    动位置。一方面安防企业为了更好地直面网络安

    全问题，未来或许会收购网络安全公司；另一方

    面，比如华为及戴尔等相关ICTIT企业高调进入

    行业与安防企业进行合作，也能提升安防企业应

    对安全问题的能力。二、智慧安防趋势判断

    人工智能重塑了安防视频监控的产业链，大

    大提升了安防效率，但人工智能的作用不仅局限

    于此，在人工智能赋能下，安防行业的发展将有

    以下五种趋势。

    趋势一，智能化的基础，高清替代标清仍在

    继续。从“看得见”到“看得清”的转变，不仅能让

    人看得更清楚，也能让机器更加精确地提取画面

    中的内容，大大提高对数据和关键信息的利用

    率，为视频监控的智能化打下坚实基础。CPS中

    安网调查数据显示，2012年全国高清摄像机(包

    括IPC、HD-SDI、HD-MDI，720p、1080i、1080p

    等不同型号和参数的)总出货量已突破360万

    台，约占摄像机市场总量的20%。2014年，高清

    摄像机总出货量约为920万台，约占摄像机市场

    总量的46%。

    趋势二，在智能前置的趋势下，前端价值大

    幅提高。大数据时代，数据中心是一切计算的核

    心，而人工智能时代，出于满足实时性处理的需

    求，以及为了缓解后台存储的压力，厂商们会越

    来越将计算力前置，即智能前置。

    实时处理需求源自分布在城市各个角落的摄像头在运行时都不断地产生数据，而系统对每个

    摄像头产生的数据都有很强的实时处理要求。例

    如，摄像头智能识别到发生警情后，能够快速用

    现场及周边的摄像头形成对嫌疑人的跟踪，利于

    对现场情况的掌握和控制。缓解后台压力的需求

    则来自大量视频监控数据的处理。以1080p为

    例，在4Mbps的码率下，中等城市的监控规模一

    般为数千到数万个摄像头，按5000路计算，并发

    写入码流为“5000路×4Mbps×24小时×60分钟×60

    秒”，根据公安部要求录像数据在系统中要保存

    30天以上，中等城市的存储容量为“5000路

    ×4Mbps×24小时×60分钟×60秒×30天”，如果前端

    能实时处理部分视频监控数据，将缓解后台存储

    的压力。

    传统的人脸识别产品都是采用前端摄像机抓

    拍图片，后端服务器计算比对的模式，智能化的

    摄像机可以不依托服务器而实时进行图像处理和

    人脸识别，极大地提高了识别效率。对于数据量

    庞大、实时性要求高的安防行业，工作效率必将

    产生质的飞跃。据海通证券预计，未来前端产品

    在系统中的价值产品将从目前的30%提升至55%

    左右。例如，英伟达的嵌入式人工智能计算平台

    Jestson TX1可用于视频监控场景计算。嵌入了

    Jestson TX1计算平台的摄像机，可以在前端完成

    图片快速比对、人脸高效识别等，可以实时进行至少6万张二代身份证照片的小库比对。

    趋势三，人工智能时代，场景数据为王。AI

    三大基本要素即数据资源、计算力、核心算法，鉴于计算力尚处于突破的瓶颈期，以及底层算法

    的开源化，场景化的数据资源越来越关键。

    随着谷歌的TensorFlow、微软的CNTK等算

    法框架的开源，计算机视觉底层算法模型或将逐

    步走向统一，算法研发的技术门槛也在无形中降

    低。AI视频技术目前在无人驾驶、移动支付、安

    防监控、智慧医疗领域取得了卓有成效的进展。

    在诸多行业的推广应用中，安防监控行业成了国

    内AI视频技术率先落地的行业。

    场景是人工智能公司的基础，没有具体的应

    用场景或数据，单纯的算法技术公司未来将逐渐

    失去价值。从视频应用产业链来看，上游的场景

    公司(如大华股份、海康威视)已经开始做算

    法，下游的芯片公司也在做算法，所以中间纯算

    法类公司的生存将越发艰难，在上下游的巨头中

    话语权较弱。

    趋势四，上下游公司均开始涉足算法领域，中间层的纯算法提供商将面临挑战。设备制造

    商、集成商均开始涉足算法领域，传统终端的功能主要是数据采集和传输，相较之下，设备制造

    商所研发的智能终端对特征数据的抓取和数据预

    处理能力大大提高。随着智能芯片和算法的升

    级，其自身具备更多提取特征值和数据压缩的功

    能，为数据的查找和传输降低门槛。而芯片企业

    也开始涉足算法领域，以英伟达为代表的芯片厂

    商利用底层基础技术使得算法不断创新，尤其是

    GPU集群提供了较强的计算力。以深度学习训练

    为目标的GPU集群在数据量快速积累的前提下，深度学习算法模型创新加速，同时好的算法模型

    能够以硬件FPGA和ASIC方式在应用中加速，形

    成一个智能迭代正循环。因此，GPU集群的算法

    创新迭代，以及全能型芯片FPGA和低功耗ASIC

    都是人工智能对基础信息架构的智能选择。

    趋势五，AI还能纵向复制，通过移动化工具

    来补充视频监控系统的不足。视频监控系统虽然

    在安防中发挥了巨大的作用，但仍存在着几点不

    足。如视频监控设备均为固定安装，存在观测死

    角，容易被破坏或躲避；传统的巡更系统技术陈

    旧，安装繁杂，维护成本高；发生警情时不能及

    时进行现场处置，阻止犯罪进行和警情扩大作用

    有限。因此，除了视频监控系统，AI还需要纵向

    复制，赋能其他移动化工具，诸如移动执法记录

    仪、安防无人机、安防机器人等。公安部发布的《GAT 947-2015单警执法视

    音频系统第2部分：执法记录仪》标准要求执法

    记录仪需要有视音频预录功能，至少要预录触发

    前10秒的视音频信息。预录功能是为满足执法人

    员实际需要，比如在执法人员来不及按下拍摄键

    的情况下，没有录下关键镜头，容易造成执法纠

    纷。如果执法记录仪预录功能和智能分析技术相

    结合起来，在检测到有多人聚集，或有剧烈运动

    时提前开始录制，就会大大减少执法活动中视频

    证据不完整的现象。那么在这个过程中运用到的

    智能视频分析就需要做到基于视频图像的智能判

    别——可以根据人脸识别技术判断是否有多人聚

    集，可以根据人脸跟踪技术判断是否有快速运

    动，可以根据陀螺仪判断是否有剧烈运动。作为

    执法取证的重要设备，随着4G、5G网络的普

    及，该设备在国内也迎来爆发期。

    无人机借助居高临下的视角优势，可以大范

    围监控地面情况，同时能快速到达人员不易到达

    的地方，高效地实施监控，同时也降低了人员风

    险。在公共安全管理、重要设施巡检、道路交通

    管理、消防应急救援、环境保护监测等领域具有

    应用价值。2015年底，海康威视推出的“雄鹰”系

    列行业级无人机，预示着安防企业开始涉足无人

    机领域。海康威视在技术、研发、生产、解决方

    案及行业业务理解等方面的组合优势将在其中发挥重要作用，除了机载平台，在视频、控制、传

    感、结构化信息运用等方面，无人机的技术内涵

    其实与安防监控产品相同。除此之外，原有无人

    机行业中，大疆、一电AEE、科比特、国鹰等品

    牌较为知名，安防行业视频监控解决方案提供商

    东方网力也推出了视频侦查无人飞行器。

    安防机器人则能够很好地弥补传统技防和人

    防的不足。安防机器人与现有的安防监控系统结

    合，将发展出动态安保服务运营体系，实现全方

    位、多参数智能监控，同时具备抵近侦查和现场

    处置能力，大幅提高处警能力。安防机器人目前

    除了需要解决移动机器人的关键共享技术问题

    外，还需要解决复杂环境下的低成本导航定位技

    术、多通道高清图像无线传输技术、智能识别与

    警情判断技术、安防机器人运营管理平台等问

    题。其中，智能识别与警情判断技术的应用是安

    防机器人的高级目标，与传统的静态视频监控系

    统相比，安防机器人所获得的图像背景是动态变

    化的，这给图像处理带来了较大的难度，但是由

    于安防机器人具有抵近侦察的能力，又给提高识

    别能力带来了新的机遇。

    总体来说，公安部门在实操过程中除了遇到

    海量视频监控数据与人力瓶颈之间的矛盾之外，还遇到了视频监控数据应用效率低下的问题，这将导致公安部门不能活用数据，易于错失案件侦

    破的黄金时机。在实际应用中，需要利用数据挖

    掘分析技术对海量数据做相关性呈现，辅助相关

    人员规范执法。因此，未来人工智能与安防还需

    要更深度的融合，协助公安部门执法办案。第五章

    自动驾驶：定义未来出行

    低下的通行效率，频发的交通事故，已成为

    当前民众出行时最为头疼的问题，从驾驶和拥堵

    中解放出来因而成为社会发展的迫切需求。汽车

    经过两百年的发展，逐步进入了电子化的时代，发展出成熟的主动安全系统，辅助或代替了驾驶

    员的一部分工作，减轻驾驶负担，提高了乘车安

    全性，但这还远远不够。随着人工智能的发展，尤其是深度学习的成熟，算法可以凭借大量的数

    据开始识别物体属性，并做出类人的合理决策，无人驾驶逐步成为可能，其背后无限的想象空间

    也令业界向往。

    特斯拉和Waymo在自动驾驶领域的成就在欧

    美的科技界和汽车界引发了“地震”，英特尔狂掷

    百亿美元收购Mobileye、高通收购恩智浦、通用

    收购Cruise等，同样是引人关注的大事件。自

    2016年起，国内自动驾驶产业开始火爆起来，传

    统车企纷纷抛出“智能网联化战略”，计划在2020

    年实现L3级别的自动驾驶。大量初创公司入场，试图抓住新的时代浪潮，资本的追逐和市场的火

    热使业界对自动驾驶十分乐观。

    危机同样存在，新技术被赋予过度期望，往

    往会被拉入泡沫化后的低谷，场内的玩家无不摩

    拳擦掌，展开“军备竞赛”，试图甩开竞争对手。第一节

    自动驾驶，正本清源

    早在20世纪80年代，欧美已经开始自动驾驶

    相关技术的研究和测试，进入21世纪，DARPA(美国国防部高级研究计划局)组办自动

    驾驶汽车挑战赛，进一步提高了自动驾驶的社会

    关注度，激发了从业者的研发热情，DARPA竞赛

    参赛车辆如图5-1所示。2009年，谷歌布局自动驾

    驶，开启了当下的自动驾驶产业热潮，更多的科

    技企业加入市场争夺中。图5-1 DARPA竞赛参赛车辆

    来源：斯坦福大学

    我国自动驾驶研发相对滞后，自20世纪90年

    代起，国内各高校和研究机构陆续开展自动驾驶

    的研发工作，推出多个测试车型。2009年以来，国家自然科学基金委员会举办“中国智能车未来

    挑战赛”，吸引了多个高校和研究机构参与，成

    为国内智能车发展的里程碑。2015年国务院发布

    《中国制造2025》，将无人驾驶作为汽车产业未来转型升级的重要方向之一。当下一汽、上汽等

    主要车厂及百度等科技企业扛起了我国自动驾驶

    研发的大旗。

    自动驾驶作为新兴科技正被频频讨论和研

    究，但在用语上存在混乱不清的情况。我们主要

    参考了NHTSA(美国国家公路交通安全管理局)

    和SAE International(国际汽车工程学会)的标准

    划分文件，以及国内依据SAE分级形成的智能网

    联汽车智能化等级标准，并顾及国内行业对术语

    使用习惯的规范，对自动驾驶这一概念做出解

    释。需要注意的是，NHTSA更多是从法律层面给

    技术设置门槛，SAE更注重技术层面的信息描述

    和传达，国内官方机构则在SAE的基础上更看重

    我国特殊的交通情况。我们在兼顾的同时更关注

    目前业界通用的SAE标准。

    SAE标准把自动驾驶技术划分为五个阶段

    (level)，分别以动态驾驶任务[1]

    、物体和事件

    的探测响应[2]

    、动态驾驶任务支援[3]

    、设计的适

    用范围[4]

    四个指标来衡量，明晰不同驾驶环节的

    主体，有助于行业的有效沟通和消费群体的理

    解。SAE自动驾驶的定义和分级标准见表5-1。

    表5-1 SAE自动驾驶定义和分级标准总结SAE的分级标准，自动驾驶旨在实现汽

    车的自动化控制操作，具体是指至少在某些关键

    操作的控制方面(如对转向、油门和制动的控

    制)无须驾驶员直接操作即可自动完成的技术。

    自动驾驶汽车一般搭载车身传感器、GPS定位系统和其他V2X通信技术设备来获得信息，并针对

    实际驾驶状况进行决策规划，并实施恰当而持续

    的控制。

    了解了自动驾驶的概念之后，需要注意与其

    他近似概念相区分。无人驾驶一般专指Level 4、Lev ......