在日益突出的交通问题上，智能化逐渐被提上台面，而人工智能化应用需通过智能载体或智能应用场景来实现，作为载体与应用场景的传统行业在人工智能科技推动下可实现智能化升级。

 在日益突出的交通问题上，智能化逐渐被提上台面，而人工智能化应用需通过智能载体或智能应用场景来实现，作为载体与应用场景的传统行业在人工智能科技推动下可实现智能化升级。那么人工智能是如何走上台面呢？小编带你一起看看人工智能的发展现状与趋势。

中国人工智能行业发展现状

（1）人工智能迅速发展，万亿蓝海市场凸显

人工智能（Artificial Intelligence，简称 AI），是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。作为二十一世纪三大尖端技术之一的人工智能，被发达国家视为人类的最后科学尖端，科研领域皇冠上的明珠。人工智能化应用需通过智能载体或智能应用场景来实现，作为载体与应用场景的传统行业在人工智能科技推动下可实现智能化升级。当前，处于产业链要素构建时期的人工智能，已经凭借超常的渗透能力迅速重新定义多方领域，溢出效应惠及万亿蓝海。

社交软件逐步向平台级入口定位，作为入口需要将多应用、多交互方式引入其中：对于应用，平台提供智能模块供应用软件调用是最具有吸引力的，模式类似 App store；对于交互方式，触屏、语音、图片、手势的交互方式寻求融合，形成多元化输入模式，扩大平台的入口口径。同时，移动互联网时代，用户获取信息的场景和使用目的变得越来越多元和细化，PC 的搜索方式已经不再符合移动端的特点，从海量数据中挖掘有效信息并快速反馈到用户变得既重要又困难，人工智能技术对于搜索公司来说成为必不可少的技术，届时语音为主文字次之图像为辅的智能搜索才能够满足用户的需求。此外，人工智能还能辅助医生决策预判。IBM 的 Watson 借助自然语言处理技术来阅读和理解大量医学文献，并为医生提供可供选择的循证治疗方案。

（2）三大“人工大脑”开启崭新篇章，强人工智能时代已经来临

人工智能的概念很宽泛，按照人工智能的实力可分为三大类：弱人工智能，在特定领域等同或者超过人类智能或效率的机器智能；强人工智能，各方面都能和人类比肩的人工智能；超人工智能，在包括科学创新、通识和社交技能等各个领域都超越人类的人工智能。人工智能的革命就是从弱人工智能，通过强人工智能，最终达到超人工智能的过程。目前人类已经掌握弱人工智能，生活中弱人工智能无处不在，比如 Siri、垃圾邮件过滤器、谷歌翻译、电商网站上的商品推送、谷歌无人驾驶汽车等。

A、“谷歌大脑”

谷歌大量购买人工智能公司，机器人公司，智能家居公司，大力发展无人汽车，智能眼镜等技术，计划以谷歌大脑为中枢神经系统，为无人汽车、工厂机器人、智能家居、智能眼镜提供源源不断的数据支持。截止 2014 年 4 月，谷歌已经斥巨资收购了包括波士顿动力公司在内的 9 家机器人公司。谷歌的自动驾驶汽车已经完成了总计 70 万英里的高速公路无人驾驶巡航里程。谷歌的人工神经网络通过观看一周 YouTube 视频，能自主学会识别哪些是关于猫的内容。2015 年4 月，谷歌已获得将人类性格植入机器人的系统专利，该系统可以让机器人的说话方式及表情可模仿某个特定的人。

B、IBM 人脑模拟芯片

2014 年 8 月，IBM 发布能模拟人类大脑的 SyNAPSE（Systems ofNeuromorphic Adaptive Plastic Scalable Electronics，即“自适应塑料可伸缩电子神经形态系统”）芯片。相比前一代原型，新的芯片已达到量产要求，并且拥有 100 万个“神经元”内核、2.56 亿个“突触”内核以及 4096 个“神经突触”内核，而功率则仅有 70 毫瓦，该芯片能够模仿人脑的运作模式，更擅长进行模式识别，而且低功耗，在认知计算方面要远远超过传统计算架构。

C、“百度大脑”

“百度大脑”项目集中了世界上最强大的研究团队，融合“深度学习”算法、数据建模、大规模 GPU并行化平台等计算机技术，已经可以做到 2-3 岁孩子的智力水平。百度大脑的深度学习技术，现在已经有能力构建规模达到200亿个参数的深度神经网络，这是业界最大规模的深度神经网络系统。2015年1月 17日在北京举行的极客公园创新大会上，由百度和清华大学研发还处于试验阶段的无人自行车已经在人工智能的驱动下，保持平衡自由穿过讲台前的过道。这辆自行车可以跟着人走，由此人工智能改变了人机关系。

（3）智能化浪潮席卷各领域，新业态、新模式不断涌现

人工智能是具有显著产业溢出效应的基础性技术，能够推动多个领域的变革和跨越式发展，已经引发产业的深刻变革并对传统行业产生颠覆性影响。因此，无论人体自身还是企业，都面临着智能化重构的冲击。目前，智能化浪潮已席卷社会各个领域，智能交通、智能安防、智慧客流等新业态、新模式不断涌现。

国内人工智能行业发展趋势

（1） 构建人机一体化智能系统，通用领域智能化有望实现

不同的科技水平形成不同的生产模式，据统计，人工智能下的生产模式主要已经经历了以下五个阶段：手工作坊→单件小批量→大规模定制→小批量柔性化。目前，在人工智能技术推动下，“智能制造”生产模式有望梦想照进现实智能制造（Intelligent Manufacturing，IM）是一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。它把制造自动化的概念更新，扩展到柔性化、智能化和高度集成化。

由于技术的复杂度，未来 5－10年内，专用领域的智能化是人工智能（AI）应用的主要方向，在更远的将来，随着技术的进一步突破，通用领域的智能化有望实现。无论是专用还是通用领域，人工智能都将围绕“基础资源支持－AI 技术－AI 应用”这三层基本架构形成生态圈。在专用领域的智能化阶段， 有能力的企业都希望打通三层架构。他们有的将从上往下延伸，如苹果、海康威视、小米等智能硬件企业；有的试图从下往上拓展，如百度、谷歌、IBM 等互联网和IT的巨头，以及科大讯飞、格灵深瞳等 AI 技术新贵。整个行业依然处于野蛮生长的初期阶段，未来产业格局将由“竞争”转变为“合作”。 在未来通用智能时代，进入门槛最高，护城河最宽的是底层 AI 资源支持的平台企业；其次是技术层中在细分领域具备核心竞争力的领先企业；门槛最低的是应用层的企业，但消费电子的产品属性也将允许差异化竞争的空间。

（2） 狭义人工智能快速发展，AI+将成为普遍商业模式

如果我们把人工智能的目标分为狭义人工智能、广义人工智能和超级智能。那么，我们现在已经达到机器视觉或接近实现语音识别、自然语言处理的狭义人工智能。科学家们预测在 2040 年左右有 50%的概率可能实现广义人工智能，而2075 年前实现广义人工智能的概率就有 90%。到达广义人工智能以后，可能再花2~30年实现超级智能。因此，从现在到2040 年将是狭义人工智能快速发展，并深入各行各业和消费者个人生活的阶段。

有研究表明，自然语言处理/生成将开启人机交互新界面，也是其他许多 AI应用的基础，到 2025 年市场规模达 300 亿美元。具有自我学习、互相学习并与人密切协作的智能机器人到 2025 年将成为服务机器人的主要形式，也在工业机器人中占 25%的市场份额，规模可达 700 亿美元。预计到 2025 年，自动驾驶汽车相关软硬件市场规模将达 1,500亿美元。Facebook M 等虚拟个人助手将越发全能，成为互联网的最大入口，并为人类生活带来便利。而具备预测和规划功能的智能顾问则将在医疗、金融、法律等具备大量动态数据又需要为终端用户提供个性化服务的行业，带来更大程度的效率提升，市场规模可达1,000亿美元。

（3） 溢出效应颠覆传统行业，产业结构将深刻变革

人工智能作为 21 世纪科技领域最为前沿的技术之一，是具有显著产业溢出效应的基础性技术，能够推动多个领域的变革和跨越式发展。它将对传统行业产生重大颠覆性影响，并引发产业结构的深刻变革。未来几年，人工智能将继续在国防、医疗、工业、农业、金融、商业、教育、公共安全等领域得到广泛应用。无论人体自身还是企业、产业，都将面临智能化重构的冲击。比如，人工智能可以加速发现医治疾病的新疗法，大幅降低新药研发成本；人工智能还可以带动工业机器人、无人驾驶汽车等新兴产业的飞跃式发展，成为新一轮工业革命的推动器。目前倍受追捧的工业 4.0、智能家居、无人驾驶、智能安防、智能医疗等发展方向，所代表的无一不是“人工智能+应用场景”发展的最终形态。

人工智能行业市场空间

目前人工智能技术主要应用在游戏、电商、广告等商业模式上，但对于人工智能的发展空间来说，这只是冰山一角。人工智能技术与机器人和大数据的联系，将会大幅拓宽传统产业的互联网之路，使互联网对于传统企业的互联网化渗透得更加深入，由此产生的万亿规模市场空间将被逐步打开。此外，我国产业结构调整和人工智能升级方向高度重合，面对未来 5年、10年乃至30年的影响，将产生百倍的溢出效应。人工智能不仅是中国 IT 行业的趋势之一，也极有可能是中国科技与国际技术水平的首次齐头并进，共同研究开发这片蓝海，其产业未来潜能可想而知。

从产业链上看，人工智能产业链包括基础技术支撑、人工智能技术及人工智能应用三个层次，其中基础技术支撑由数据中心及运算平台构成，即计算智能阶段；人工智能技术是基于基础层提供的存储资源和大数据，通过机器学习建模，开发面向不同领域的应用技术，包含感知智能及认知智能两个阶段，感知智能如语音识别、图像识别、自然语音处理和生物识别等，认知智能如机器学习、预测类 API 和人工智能平台；人工智能应用主要为人工智能与传统产业相结合实现不同场景的应用，如智能交通、智能安防、智慧客流等领域。 

影响行业发展的有利因素

（1）产业支持政策有望落地，人工智能迎政策春风

2015 年7月，国务院出台关于积极推进“互联网+”行动的指导意见，明确了人工智能作为重点布局的11 个领域之一，这是国家层面首次推出加快人工智能发展的指导文件。

此外，《交通运输信息化“十二五”规划》出台后，智能交通受到政策持续扶持，对智能交通形成全面利好。国家陆续出的一系列政策对视频监控及其信息技术服务产品都有推动作用。可见，我国已经开始加紧人工智能的布局，并强化其战略意义。

（2）底层技术支撑初见雏形，行业将迎爆发性拐点

创新的主体是企业，企业的逐利性，决定了企业拥有创新动力。国内外具有研发创新能力的企业已纷纷进军人工智能，争相提供技术支撑。前沿技术需要依托当前基础环境才能爆发性地应用，而人工智能目前的底层技术支撑已初见雏形：大数据的形成、计算能力的突破、深度学习有望被加速突破等。因此，当今人工智能研究热与上述三大技术突破直接相关。

A、大数据

大数据为人工智能训练提供庞大的资源积累。与人类学习思考的过程类似，机器学习也是在不断学习和训练的过程中才能变得更加智能，大量原始数据则为机器学习提供训练素材，正是基于对数据的不断挖掘和有效关联，机器才能形成新的认知。

B、计算能力

计算能力呈指数级增长、成本急剧下滑是智能奇点突破的前提。这一突破促使技术变革间隔时间越来越短，传统计算模式向更类似人脑的并行计算模式发展。标准计算机处理器已经难以实现模拟大脑并行计算要求，GPU（Graphic Processing Unit）的出现满足了模拟神经网络的并行计算要求并大大降低运算成本。GPU 是相对于 CPU 的一个概念，长期以来 CPU 一直都是单核的，CPU 的设计思路是尽可能快地完成一件任务，而 GPU 的任务是在屏幕上合成可以高达数百万像素的图像，也就是说有几百万个任务需要并行处理。设计 GPU 的体系架构时除了考虑其并行运算能力，还考虑了整型运算和 I/O吞吐能力。

C、深度学习

深度学习（Deep Learning）的概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习采用的模型为深层神经网络（Deep Neural Networks, DNN）模型，即包含多个隐藏层（Hidden Layer）的神经网络，利用模型中的隐藏层，通过特征组合的方式，逐层将原始输入转化为浅层特征、中层特征、高层特征直至最终的任务目标。通过深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深度学习将带来人工智能的正循环。

（3）资金扶持力度不减，助力智慧交通蓬勃发展

我国于 2000 年开始了智能交通系统框架的研究工作，并于 2001 年正式出版了《中国智能运输系统体系框架研究总报告》，以此来指导我国智能交通系统研究工作。中央政府财政状况良好，是在交通等基础设施建设领域的投资持续高增长的有力支撑。我国在交通运输业的财政支出的增速明显快于财政支出的增速，2003-2011年 8 年增长了约 26 倍。

受益于国家近几年对公路基础设施的大力投资、城市道路和交通问题对智能交通形成的需求、信息技术迅速发展的带动以及市民对出行效率的要求等因素的积极影响，城市道路智能交通系统、城市轨道智能交通系统及高速公路智能交通系统在近几年均有很大发展。投资额从2006年的182亿增长到2010年的481 亿，年均复合增长率超 20%。

（4）交通问题的日益突出，智慧城市建设扩大市场需求

随着社会经济和科技的快速发展，城市化水平越来越高，机动车保有量迅速增加，交通安全、交通堵塞及环境污染成为困扰我国交通领域的三大难题。在此大背景下，智慧城市建设热潮迭起。智能交通作为智慧城市应用层架构中的重要组成部分之一，在智慧城市建设中备受各地政府的青睐。

（5）互联网巨头争相布局，带来人工智能示范效应

在前沿科技的应用方面，科技巨头的示范效应是产业化开启的先兆。科技巨头拥有投资、收购和招聘顶级人才的资金实力，更有推动 AI 应用的用户数据和场景，并受益于网络效应，将依然站在食物链顶端。

IBM 目前正在研究一种新型的仿生芯片模仿人脑的运算过程，预计 2019年可完全模拟出人类大脑；谷歌则在这两年通过并购、软硬件一体化以及开放平台战略打造人工智能生态圈：2013 年短短一年之内收购了 8 家知名机器人公司，主要集中在运动控制和软件识别方面，包括精于 3D 机器视觉 Industrial Perception，2014 年收购深度学习公司 Deepmind和图片分析公司 Jetpac，用两年不到的时间就将语音识别的精度从2012年的84%提升至98%，将图像分析识别的准确度提高了4倍；Facebook的Deepface技术也不甘落后，脸部识别率高97%。

国内的 IT 大佬、技术龙头与国际先进水平目前正保持在同一梯队上，其中百度、腾讯、科大讯飞、奇虎属于先锋部队：百度涉足了深度学习与自动驾驶领域，并推出了“百度大脑”计划；阿里巴巴推出了国内首个人工智能平台“DTPAI”；科大讯飞主攻认知智能与智能家居领域，并提出了“讯飞超脑计划”；奇虎则深耕杀毒软件领域而推出了 360QVM 人工智能杀毒引擎——通过海量病毒样本数据归纳出一套智能算法，从而自主发现和学习病毒变化规律。

（6）各地电子警察升级，物联网助力智能交通

有报告指出，电子警察投资开始出现技术升级现象。上海、武汉及广州等各大城市纷纷对原有的老式电子警察进行升级，太原交管部门也相继投入使用 50台移动“电子警察”。目前电子警察的开始出现高清化趋势，由原来的 130 万像素逐渐提升到 200-300 万像素，甚至具备了延迟录像、360 度旋转功能，监控的内容也从闯红灯信号、压黄线等，扩展到车牌识别、违法停车、闯禁行、违法调头、违法变道、违法超车等数十种。可以预见，电子警察的升级体现了智能交通信息化技术的发展趋势，将利好监控行业。

智能交通发展依赖的是一系列新技术的发展，其发展水平随着相关技术水平的升级而不断提升。物联网概念最早由美国麻省理工学院于 1999 年提出，其概念为依托射频识别 （Radio Frequency Identification, RFID）技术和设备，按约定的通信协议与互联网相结合，使物品信息实现智能化识别和管理，实现物品信息互联而形成的网络。物联网的兴起，将引领智能交通开始一轮跨越式发展。物联

网与传统的智能交通系统的发展目标在某种程度上吻合，而且智能交通的发展已经在全行业奠定了良好的技术应用意识及技术普及基础，物联网应用于交通运输领域特别是物流运输领域，具有良好的适应性。

 影响行业发展的不利因素

（1）运营服务市场的条件尚不成熟

目前，我国智能交通管理系统行业尚处于硬件建设和标准制定阶段，行业内企业几乎全部扮演着系统集成商和产品供应商的角色，少量运营商的业务主要集中在工程机械、公路运输车辆和出租车远程管理调度等特定领域且以地方性经营企业为主。因此，大规模交通信息化服务运营市场产生条件尚不成熟。

（2）行业存在多种制约瓶颈亟待突破

美、日、欧在智能交通的发展初期，都是依靠一些有实力的大企业的积极推动，以及政府支持和重视企业所发挥的作用。影响中国智能交通发展的关键在于许多非技术的问题：1) 缺少权威主导部门；2) 政府部门、高校、企业之间缺乏规划协同，处于“跑马圈地”状态，资源难以整合，不能真正实现数据与信息共享；3)缺少实质性产业扶植政策；4) 没有明确的技术发展方向，未体现智能交通“人车路”一体化的核心思想；5) 行业技术标准不统一，完成标准仅约 20%，

造成民间企业不敢大幅投资；6) 起步较晚在前沿技术积累较少，发达国家在 2005 年左右开始车路协同研究，我国相对落后；7) 前期建设过于侧重交通管理忽视出行者服务需求。目前国内的智能交通行业大部分都是中小型企业，有实力的企业不多，需要政府在体制方面创新、在政策方面超前，使我国的智能交通企业在技术、资金、人才等方面得到真正的扶持，从而在市场上真正发挥作用。

（3）主要技术依靠进口，行业标准待规范，产业链待整合

目前我国企业生产的智能交通产品跟国外品牌尚有差距，高端产品主要被外国品牌占据，关键核心技术依赖进口。如在智能导航的专业测量接收机和测向接收机高端产品，国际厂商占 80%，授时接收机国外产品占60%。RFID、传感器、无线通信、GPS芯片等高度依赖国外技术和产品，国产低端产品主要使用国外进口芯片或OEM 模块进行二次开发。关键核心技术依赖进口不仅降低了企业的毛利率，产业命脉也将受制于人，产业安全不得保障。 行业缺乏统一标准，系统间之间没有标准接口，缺乏应有的衔接信息沟通不畅，各系统间形成信息孤岛，加大集成难度。

智能交通设备上下游制造企业没有形成完整的产业链。由于没有形成完整的产业链，产品生产的专业化程度很低。当智能交通发展到一定阶段，高层次的交通信息服务就应成为智能交通的主要部分，企业能共同研发提供出一套完整的城市交通解决方案。现行业内公司逐步通过并购等完善产业链收购行动并未受到经济形势下滑的影响，这个行业已经进入盘整的阶段。

（4）地区发展两极分化，市场集中度较低

一线城市及东部沿海和经济发达城市的智能交通建设已初具规模，而中西部地区的智能交通主要还集中在高速公路收费系统，城市内部的智能交通系统有待于继续建设和完善。智能交通建设将加大发展力度深入二三线城市，总体市场规模增长迅速。

智能交通行业市场空间非常广阔，但由于行业标准不统一、地方保护主义、技术门槛较低等因素影响，整个行业呈现出企业数量较多、规模普遍偏小的现状，且多数集中于模块产品生产及工程建设阶段，因而细分市场众多，市场集中度较低，整个行业中没有处于绝对市场领先的企业。