十年后,AI将彻底改变这些行业软件开发机器人人工智能新浪科技

中金公司(CICC)发布了一份长达71页的人工智能的证券研究报告《人工智能时代,10年之后我们还能干什么?》。对全球特别是中国企业当下的人工智能态势作了全面的介绍:包括BAT、华为、科大讯飞、海康威视等企业的市值、研发投入开支与研发费用率以及排名等详细信息。报告涉及安防、互联网、消费电子、汽车、医疗、通信、芯片7大行业。

主要观点

风险:人工智能创新进度低于预期。

报告认为人工智能服务提供商之间的竞争主要包括两个维度

根据耶鲁大学和牛津大学的研究人员对352位人工智能专家进行了采访,人工智能到2060年前后有50%的概率完全超过人类。这份研究预测在10年内,人工智能将会在以下领域超过人类:翻译领域(2024),高中水平的写作(2026),驾驶卡车(2027)。

从技术角度来看:

语音技术成熟但应用场景有限。语音识别是目前发展最成熟的人工智能技术。Nuance,科大讯飞,Google,百度等主流厂商的近场语音识别率都达到99%以上。但目前应用场景局限在电子病例,智能客服,在线教育,车载导航等少数几个领域。随着未来语音识别种类的进一步丰富,识别环境通用性的增强,以及远厂语音技术的突破,一定会帮助拓展其应用范围到智能家居等更多场景中。

图像识别落地机会最多。图像识别技术不但有着非常高的识别准确率,而且能够很快给出智能的反馈,因此图像识别技术最容易快速落地到各行各业中。安防行业中的车辆数据提取,医疗行业的影像诊断,电商行业中的精准营销,以及辅助驾驶都为图像识别技术提供许多落地变现的机会。

智能机器人技术有待成熟。我们注意到一些公司开始在仓储机器人、手术机器人等细分行业进行探索。但技术还有待成熟。

从行业角度来看:

安防是人工智能在中国最容易变现的行业:十几年的平安城市建设,使中国的城市管理者已经积累了强大的视频数据采集能力。交通拥堵及反恐等应用场景又急需最先进的人工智能技术。

AI促进消费电子升级换代:3D光学感测等AI功能会帮助现有智能手机提高售价,同时促进智能音箱等新品类的发展。

汽车行业2021年前后实现无人驾驶:随着TeslaAutoPilot2系统的发布,GM宣布自己的自动驾驶系统SuperCruise。我们注意到汽车智能发展呈现加速趋势。我们预计汽车主机大厂在2021年前后能够实现商业化的无人驾驶服务。

医疗行业空间巨大,但技术还有待成熟。电子病历的建立,不仅仅用到了语音识别技术,也整合了医疗大数据;影像诊断则用到了图像识别技术,现在在国内外都已经形成成熟的商业模式。辅助治疗和手术机器人由于技术的尚不完善,还在小范围推广。由于语音识别技术和机器视觉技术的成熟,大量应用这两个技术的行业将迎来AI变现的更多机会。

直接受益行业:

传感器:第二是收集数据需求的增加,手机及汽车上搭载传感器数量大幅上升。我们预计传感器市场从2016年的82亿美金扩大到2025亿的290亿美金(15%CAGR)。

主要图表:视频、智能驾驶、软件框架、芯片、光学、音箱、云7大产业链

中国视频监控行业在过去十几年经历了两次重要的升级换代:

(1)高清化:在这次升级的主要变化是摄像机的清晰度从标清(30万像素)升级到100万像素或以上。图像传输方法从原本通过同轴电缆传输的模拟信号过渡到通过局域IP网或同轴电缆传输的数字信号。后端设备也从DVR(DigitalVideoRecorder)过渡到NVR(NetworkVideoRecorder)。NVR的物理位臵还是在本地(例如,小区内)。

(2)网络化:在这次升级中的主要变化是,视频被直接传回数据中心内的集中存储

(IP-SAN)。主要的优势是方便集中管理以及可监控的区域大大增加。

随着2016年以来人工智能技术在视频分析领域的突破,我们认为视频监控行业正处在第三次重要的升级周期的开始阶段。

(3)智能化:我们认为这次升级主要包括:(a)前端摄像机的智能化升级以支持结构化数据提取,(b)后端设备强化计算分析功能,以支持复杂的视频分析,(c)对应特定行业应用的人工智能分析软件快速增长。

安防摄像机的智能化升级

传统的网络摄像机直接把高清视频回传给数据中心里的NVR,由于回传视频数据量巨大,很难对所有图像进行实时分析。大部分时候是对保存的图像进行事后分析。通过在网络摄像头上添加人工智能芯片(例如,NVidia的JetsonTX2、Movidius的Myriad2Vision等芯片),前端摄像头可以实时对视频数据进行结构化处理。例如,设置在交通路口的摄像头可以提取车牌,车型等汽车信息,和乘客数量,是否带安全带等乘客信息回传给数据中心。方便进行实时分析,优化系统反应能力。

根据统计,全球安防摄像头市场2016年约95亿美元,预计到2020年将达到128.4亿美元,CAGR为8.1%。其中,网络摄像机占比将从2016年的82%上升到2020年的90%。同时,我们预计相当一部分网络摄像机将迎来智能化升级。目前,中国占据全球44%的需求,海康威视已成为安防摄像头的全球龙头。

后端设备强化计算分析功能

后端设备强化计算分析功能,以支持复杂的视频分析:传统的NVR(Networkvideorecorder)的主要功能是压缩存储视频信息。通过添加GPU等人工智能加速芯片和应用处理软件,智能NVR能够实现图像识别,特征提取,人体识别、人员检索等功能。一些公司率先在里面加入人工智能处理能力,如海康的‘超脑’系列。

根据数据,后端录像存储设备的市场规模2016年约38亿美元,到2020年将达42.7亿美元,CAGR为2.4%。中国依旧占据了全球42%的市场需求,海康威视成为全球龙头。从产品占比趋势观察,基于服务器的集中式存储的占比将逐渐降低。这表明未来的存储将更加分散化,NVR等设备的增长更快。

视频管理分析系统(VMS)新增人工智能功能

视频管理分析系统(VMS)的主要功能是汇集分析视频信息,以及控制前端安防设备。由于技术上的限制,在人工智能拘束出现以前,实时视频分析的应用范围一致相对较小。

传统上,中国市场客户倾向于购买包含前端摄像机、后端存储设备和VMS的一体解决方案,所以海康威视、大华股份、宇视科技等拥有软硬件一体化解决方案的厂商一直保持较高市场份额。随着对基于人工智能的视频分析产品的产品要求不断提高,商汤科技、Face++等在人工智能算法上有特色的公司也积极切入VMS市场。

海康威视:针对公安行业、交通行业、金融行业、司法行业、能源行业、智能楼宇行业、文教卫生等七大行业分别开发了各自的解决方案。根据IHS的统计,海康的iVMS系列产品中国市场占有率23%。

东方网力:广泛应用于各行业、公安、平安城市等领域。为弥补算法方面的短板,东方网力和商汤科技合作,提升人脸识别的性能。

Face++:专注于人脸检测,包括人脸检测、对比、搜索、关键点定位、人脸属性。并提供人工智能开发平台。

平安城市新阶段带动智能安防快速发展

根据统计,2016年全球安防设备市场规模达到158.6亿美金,同比增长6.6%。其中中国市场最大,市场规模67.25亿美金,同比增长11.6%,占全球42%。美洲市场第二,市场规模39.6亿美金,同比增长4.1%,占全球25%。

从中国市场来看,我们认为市场主要包括三个细分市场

(1)政府市场(30~35%):主要包括各地公安,交通,司法部门。销售渠道以系统集成商为主。需求受政府固定资产投资拉动,对价格不敏感,是视频分析服务的重度用户。

(2)大企业市场(35~40%):主要包括银行,电信,石油,文教卫等大型国有企业和事业单位等。销售渠道以解决方案为主,需求受经营规模扩大的影响。

(3)中小企业及个人市场(25~35%):主要包括中小企业,也包括个人消费需求(尽管需求很小)。销售渠道以标准产品的分销为主。

交通违法抓拍

通过对前端摄像头和后端系统进行智能化升级,利用前端摄像头对抓取的图像快速处理,将明显的违法行为进行智能识别,并在后端进行收集和二次处理。可对多种交通违法行为进行取证,包括机动车闯红灯、违法停车、压线、变道、逆行、超速、人行横道不避让行人、违反规定使用专用车道、行人闯红灯等各种交通违法行为。

犯罪分子抓捕

另一个案例是,2012年的‘1.6苏湘渝系列持枪抢劫杀人案’,当时对1万多个监控点产生的2000多T数据进行人工查阅,投入了1500多名干警耗时一个多月。根据海康威视估算,如果采用人工智能分析仅需要几分钟。

不论全球市场还是中国市场,海康威视、大华股份、宇视科技等中国公司已经占据较为领先的地位,其中海康威视在全球和中国市场均排名第一。

我们认为,一方面受益于中国视频监控行业规模在全球占比较高,另一方面,中国龙头公司的技术和产品的竞争力有了极大的提升。我们预计,这种趋势仍会保持,中国龙头公司的全球市占率将继续提升。

电子商务:AI简化用户的消费行为

2015年以来,由于互联网流量红利逐渐见顶,行业发展重点走向以提升转化效率以及付费习惯培养的精细模式。在电子商务领域,由于大数据的累积以及底层算法的快速发展,人工智能开始进入该领域,通过对消费者购买决策过程的深度学习和解析精准定位用户。主要的应用是为了更精准的推荐商品以及对用户的购买行为作出更好的解释。

大数据是人工智能的重要基础,复杂场景催生技术革新

经过爆发式的行业增长,电子商务行业已经完成了早期的数据累积,大数据的产生为人工智能技术打下基础。而购物场景不断延伸,端到端的互联网消费者行为呈现高度离散的状态,消费者可触达点的增加同样加大了电商平台对于消费行为把握的难度,因此亟待更高效的方式对用户购买行为作出更好的解释,以实现更精准的商品推荐。

人工智能的知识发现体系更适合解释当下更为复杂的线上购买决策

互联网环境下,品牌以及商品与消费者的接触点显得分散且数量远大于从前,人工智能的数据挖掘和知识发现功能为解析大量数据间隐藏的依赖关系提供了具有参考意义的一条解决路径。目前该技术在中国的具体应用表现为在售前,通过基于大数据分析的用户画像个性化推荐,向消费者主动展示其购买的产品内容。

电商领域人工智能技术的商业化已经开始萌芽,阿里巴巴自2015年开始加速个性化电商推广工具的研发,并已将一部分人工智能算法融入底层结构,例如:

基于全网电商数据、跨渠道数据以及第三方数据的客户运营产品–聚星台,可实现店铺‘千人千面’的个性化互动营销以及全域会员运营。

通过标记的方式圈定潜在客群,建立个性化的用户细分和精准营销的数据管理合作平台–达摩盘。

以及开放付费API的人工智能系统–阿里云ET等。

感知智能引领信息检索以及沟通效率提升,即看即买

尽管互联网技术解决了传统零售获客能力有限的问题,在购物体验以及沟通交流方面仍然与线下存在差别,尤其是非标品的售卖,例如服饰退换货率可以高达30~40%。如何更高效的发掘和理解用户需求进行沟通一直是电商企业努力的方向之一。更为直观方便的图片、语音识别技术因此被应用到了电商服务上。

消费者的购买需求通常具有即时性的特征,这一点可从2016年底开始奢侈品牌纷纷推出‘即看即买’的营销策略中窥见一二。通常电商消费者在搜索商品时平均需要6个以上的点击来达成交易,并伴随大量的输入以及重复搜索尝试。2013年底在移动电商渗透之前Statista曾有研究表明,消费平均购物放弃率为67.9%。而今天这一比例已大幅下降,除了更加便捷的购物车服务以及支付环节以外,搜索环节的匹配效率提升同样起到了提升转化率的作用。

图片识别加强电商平台数据流动效率。图片搜索通过色彩图形以及空间的比对,即使消费者并不知道品牌或商品名仍然可以快速帮助用户找到其感兴趣的商品,真正实现了‘即看即买’。对于平台卖家来说,自商品上线的那一刻图片识别技术就开始贯穿始终,包括自动检测商家上传图片是否存在侵权、投放推广时的自动匹配以及关键字搜索式的自动图片推荐;从而提升了电商平台的数据流动效率以及运营效率。

语音识别技术向智能客服的独立产品进一步迭代。

精准营销:提升直接反映在单位流量价

智能投放

AI+消费电子:促进换机与升级,孕育新市场

人工智能加速升级,孕育新市场

新功能推动单机价值量上升。AI算法的采用带来语音识别、人脸识别、VR/AR等新功能在消费电子中的渗透,对于整机厂而言,新功能将带来单机价值量的提升,实现丰富产品线和差异化,以提升或者稳定产品价格;而对零部件厂商而言,更多传感器以及专业性能的处理器需求不断提升规格,带来市场空间的成倍增长。

AI加速新应用诞生,空间不容小觑:借助AI算法工具,例如语音识别、机器视觉、3D导航等,智能音箱、无人机、VR、共享单车、智能摄像头……我们熟悉的智能硬件都在性能和用户体验上拥有明显提升,而成本的增加微乎其微。以大疆Spark为例,其售价仅为3,299元,但拥有更先进的手势识别功能。未来,判断AI将应用于更多的消费电子领域。此类智能设备领域虽然当前尚未放量(年出货规模在1,000万台以下),市场规模在100亿美元以下,但总体规模依旧不容忽视,据IDC预测,2020年仅AR/VR可望成长至千亿美元(vs。2016年的52亿美元)。

3D光学感测:从生物辨识到AR/VR。应用场景广泛

3D光学感测看似仅是在传统二维的光学传感上增加了一个维度,但是其应用场景不可估量。我们将其简单归纳为两类:3D探测和空间定位。其中3D探测可以用于生物辨识、机器视觉、和影像感测(主要应用于辅助驾驶、3D交互等);空间定位则主要应用于3D地图构建和AR/VR定位。

受益于智能手机等消费电子需求带动,根据Yole预测,在2016~2022年3D感测设备市场空间年复合增速将达37.7%,其中2017年设备市场空间接近20亿美元,其中消费电子贡献约25%。

算法难度从简单到复杂。在硬件上,3D光学感测在发射与接收端已非常成熟;在算法难度上,生物辨识与机器视觉属于较为基础的应用,而辅助驾驶、3D交互则需要叠加多种基础方案配合形成,到AR与VR,则需要前几种技术的综合叠加和有机应用,且对处理器的运算能力要求极高。

生物识别:3D光学感测可应用于虹膜、面部、光学指纹识别等多项生物识别领域,生物识别的算法复杂程度低,也是3D光学感测的入门级应用。

虹膜识别稳定性较指纹识别更高,3D光学感测独有优势。与指纹识别的方案类似,3D光学感测还可以进行面部识别和虹膜识别,虹膜识别系统具有高安全性的优势,可找出约2000个不同的特征点,与指纹约100个特征点相比,精确性更高。但虹膜图像因为尺寸小,景深小,有效对焦不方便,因此图像获取是一个具有挑战性的问题,采用波长为800纳米上下的近红外光源采集,虹膜图像是最清晰的。

面部识别当前误差仍较大。当前,面部识别的精准度无法上升到令人满意的阶段,对相似度高的脸容易出现识别误差,且在佩戴眼镜的情况下则无法识别。

3D机器视觉:提供更精确的信息,应用于汽车和精密制造。目前我们所应用的机器视觉大多数是2D视觉,2D视觉一般只能做到读取编码、条形码等,无法读取空间位臵。三维机器视觉提供准确、实时的三维位臵信息,以便在汽车和精密制造产业中实现具有挑战性的组件验证、物流和机器人应用的自动化,包括装上货架/取下货架、卸垛、打包和组装验证等。产业尚处于萌芽期。整体而言,3D机器视觉实现的门槛与生物识别相似,机器视觉龙头Cognex早已有代表性的产品推出。目前主要应用于对先进生产要求高的汽车工业等,但大规模渗透尚未打开。

辅助驾驶:激光雷达在ADAS领域应用前景甚广,应用障碍主要受制于成本。影像感测其实最先应用于汽车辅助驾驶(ADAS)领域,发射和接收装臵一般被称为激光雷达。3D光学感测起到收集路况信息的主要作用,在自适式巡航控制、车道偏移警示、车侧盲点侦测、前方碰撞警示、夜视与停车辅助系统等多领域发挥感测功能。但受制于成本尚未普及。

相较于毫米波雷达,激光雷达的主要优劣势有:

优势:精度更高,速度更快,适合远距离传输;

劣势:在雨雪雾等极端天气下性能较差;采集的数据量过大,目前价格高昂。

3D交互

LeapMotion的手势识别:2013年,LeapMotion采用两个可见光摄像头完成3D手势建模。手势的语法信息是通过手的构形、手的运动变化来传递。人手是一个多肢节系统,随着关节的运动手的形状在不断变化,这种变化可以通过指段和关节的状态空间位臵的变化来描述,建立手的几何模型和运动学模型。

大疆Spark将目标跟踪与机器视觉算法相结合:2017年5月,大疆Spark发布,在无人机上引用红外感测的3D手势识别,原理是将计算机视觉算法中的手势识别和目标跟踪算法与普通的工业摄像机相结合,带动手势识别的应用领域扩展到消费级无人机。

AR/VR:Tango是最具代表性的移动端3D空间测绘项目。Tango计划是谷歌自2014年开始开发的项目,此项目的宗旨又被形容为‘让机器/设备像我们一样看世界’。以最常见的智能机为例,其后臵摄像头仅能拍照二维画面,手机无法真正识别空间的存在。而Tango可以让这些设备能够具有完整的空间意识,并且能够充分理解我们和环境的关系。Tango最大的贡献在于3D测绘,即对周围的环境和区域扫描并绘制立体地图。实现:

重塑Google地图,借助消费者的手机,通过室内导航和测绘搭建完整的3D地图。

VR应用,GoogleI/O大会提出开发VR一体机,不借助类似HTCVive外臵的激光定位设备,仅靠自身的地图就可以实现3D空间定位,足以见其布局3D地图用意深远。

AR技术,实现教育、虚拟购物、游戏娱乐等多种功能。

苹果的采用将带动3D光学感测在手机中的渗透

前臵3D光学感测,判断用于生物辨识:我们判断苹果在今年的纪念款iPhone中将采用前臵3D光学感测,期初主要用于生物辨识(如虹膜辨识、人脸辨识等),以替代现有电容指纹识别方案,达到取消Home键,提升屏占比和改善用户体验。

AR与AI算法和GPU密不可分。3D光学感测摄像头提供了景深数据,若配合算法就可以实现增强现实功能,其中AI算法至关重要,这在硬件上对GPU提出了要求。以微软Kinect为例,其算法要用到GPU的平行加速能力,否则无法实现real-time。2017年4月,苹果表示将自行研发GPU,未来15~24个月间减少依赖GPU长期合作伙伴英国ImaginationTechnologies,并通知Imagination将不再需要后者帮助开发iPhone和iPad的图形技术,终止专利费支付。我们认为与其一直以来致力于自主发展AI软、硬件有关。

智能音箱主要由麦克风阵列,远场语音识别算法和扬声器组成。Amazon最早开发实现基于麦克风阵列的远场语音识别,大幅度扩大了语音识别的应用场景。亚马逊设计了一个名为‘ARS’的自动语音识别处理系统。ARS由七个麦克风和一个音频信号过滤系统构成。七个麦克风组成的列阵能让Echo捕捉到环境中的细微声音,音频信号过滤系统过滤掉环境噪音,从而辨别出人声。使用ARS后,即使用户在25英尺(7.62米)之外发出命令,Echo也能够准确识别。除了Amazon以外,科大讯飞和联发科也开始提供类似整体解决方案。中国公司中,歌尔股份(002241.SZ),瑞声科技(2018.HK)等是全球重要麦克风阵列厂商,国光电器(002045.SZ),通力电子(1249.HK)是主要音箱厂商。

结构光在硬件上增加了衍射元件。结构光和TOF在硬件上的差异不大,都由发射端和接收端构成,主要的区别在于结构光需要将光源变成特定的图谱,所以需要衍射光学元件(DOE)。硬件配臵分为发射端与接收端两大部分:发射端:主要厂商为国际光通信和传感器大厂,集中在欧美。

VSCEL作为光源:3D感测主要采用红外光作为光源,原因是比可见光波长更长。VSCEL的光线相较于普通激光器而言具有低功耗、体积小的优势。VSCEL原先主要应用于光通信和光互连领域,国外Finisar(FNSR.US)和Avago两巨头占据市场的80%,被广泛采用于辅助聚焦、距离传感、识别等领域。目前国内仅光迅科技具备10Gbps以下VCSEL生产能力。

晶圆级镜头、滤光片和DOE:

晶圆级光学镜头(WLO)主要功能是将点光源转化为线光源,WLO用半导体工艺生产,提高了镜头的生产效率,一片8寸的白玻璃可以切割成数千颗准直镜头;缺点在于不能调焦。主要厂家为奥地利的AMS(AMS.SIX)。AMS2016年10月收购掌握了大部分专利的准直镜头WLO(Wafer-levelOptics)制造商Heptagon。

滤光片:过滤掉频率不符合的光源。水晶光电(002273.SZ)与Viavi(IIVI.US)国际领先。

接收端:除舜宇光学和ASMPacific占据领导地位外,欧菲光与球台有望受益于安卓阵营对3D光学感测的采用。

镜片:与可见光镜片不同,红外光镜片需要满足广角的特性,以尽可能保留深度信息。例如GoogleTango的红外镜头,就是舜宇光学(2382.HK)制造的;主要厂商还包括台湾的大立光(3008.TW)和玉晶光(3406.TW)。

CIS传感器:CIS传感器由可见光和红外传感器组成,主要厂商为奥地利AMS(AMS.SIX),以及意法半导体(STM.N)。

CIS传感器制造设备和主动对准工具:主要提供商为ASMPacific,占据全球主要市场份额。

模组:舜宇光学、欧菲光、邱钛科技等在模组上占据全球光学模组的重要地位。在联想Phab2pro中,舜宇光学提供了后臵三颗镜头的模组,包括一颗TOF镜头发射脉冲光及一颗鱼眼镜头进行动态捕捉。

AI+汽车:全球智能驾驶发展最新动态5

主要车厂加快自动驾驶布局,互联网科技公司积极切入

整车厂加快布局自动驾驶,预计到2021年全面实现L5。

目前看来,汽车市场普遍处于SAELevel2自动驾驶的部署,即辅助自动驾驶为主,主要车企的规划则大多是到2020~2021年间实现Level5的完全自动驾驶。

福特:计划2021年实现完全自动驾驶汽车(SAELevel4)的商业运作,这款车将不会有方向盘、刹车踏板、油门等,最初拟用于提供打车或车辆共乘服务,不会首先面向消费者。

通用:通用计划逐步提升自动驾驶水平,近期聚焦半自动驾驶技术,如‘超级巡航(SuperCruise)’有望在今年晚些时候在凯迪拉克CT6上实现,在高速公路上行驶将能够解放双手。我们认为,在不久的将来,一旦通用将超级巡航引入到其车型中,极有潜力提升其量产车型的竞争力和定价能力。

日产:在自动驾驶技术的商业化应用上极有野心,2016年8月推出的Serena小型货车上搭载了ProPilot高速公路单车道自动驾驶技术。这一技术得到了消费者的积极响应:与上一代车型相比,上市后的七个月内订单上涨34%,其中56%是配备了ProPilot系统。2018年,日产计划推出多车道自动驾驶技术,首先是实现在高速公路上的自主变道,到2020年实现在城市道路上的自动驾驶。

大众:大众与科技公司Mobileye签署合作协议,在自动驾驶领域共同开发全新高智能导航地图。大众集团的2025战略,提出将自动驾驶技术、电气化及数字化这三大领域作为集团未来发展的重点。在今年的北美车展上,大众发布了可实现高度自动驾驶的电动概念车I.D。

互联网公司积极切入无人驾驶

除了传统汽车厂商,科技公司也把目光聚焦在无人驾驶领域,通常从汽车智能化的核心软件技术入手,切入无人驾驶领域。百度和谷歌在高精度地图方面有显著优势,Uber在无人货运方面已有布局,苹果开发了智能防撞系统。

同时,自动驾驶领域的合作趋势日趋明显。1)对传统汽车厂商来说,与互联网公司、有科技含量的零部件公司、以及汽车共享服务商开展合作,是避免被淘汰的有效路径;2)对科技企业来说,自主造车并非最明智的选择,毕竟未来汽车不仅仅等于‘互联网+轮子’;3)对零部件供应商来说,只有依托于汽车制造和科技企业,才能推动汽车互联、加速无人驾驶或自动驾驶的普及,从而创造价值。

自动驾驶硬件:通用平台正在兴起

汽车芯片:合纵连横加速发展

通常汽车主机厂在零部件的采购上,倾向采用垂直整合的商业模式。主要主机厂的电子元器件供应链也相对独立。全球前四大车载芯片供应商恩智浦、英飞凌、瑞萨,意法半导体都有各自主要服务的主机厂和一级供应商。

过去几年,包括Mobileye在内的主要汽车芯片公司已经在提供ADAS的芯片解决方案。从性能上来看,汽车芯片和英伟达、高通等提供的消费级芯片有较大差距。但由于整车厂对汽车芯片的安全性有较高要求,消费级芯片很难直接进入汽车芯片市场。

在过去的一年里,我们看到在汽车芯片行业发生了一系列并购。

英特尔/Mobileye:Intel宣布以150亿美金并购Mobileye。在汽车半导体领域,英特尔同时拥有Mobileye、Yogitech、Arynga等几个重要资产。Mobileye目前是领先的汽车视觉处理供应商,已为25家厂商的273款车型配备单目摄像头视觉处理芯片,Mobileye的EyeQ系列均为完整的SoC架构,在SAE-Level3和Level4上分别有5个合作项目。公司预计到2019年实现收入11亿美元,隐含年均增长46%。

公司从2012年开始研究深度神经网络(DNN,深度学习算法的一种)在汽车视觉中的应用,2015年10月量产的第三代芯片产品EyeQ3使用了DNN算法用来构建环境模型,实现了目前业内最为精湛的holisticpathplanning。

高通/NXP:高通宣布以380亿美金并购恩智浦(NXP)。2016年发布BlueBox平台,为OEM厂商提供设计、制造、销售Level4(SAE)自动驾驶汽车的解决方案计算平台。

瑞萨电子(Renesas)2017年4月发布了RenesasAutonomy,一个全新设计的ADAS和自动驾驶开放平台。

意法半导体(STMicro)与Mobileye合作开发,两家公司最早在2005年就开始研发ADAS芯片。2016年5月Mobileye和意法半导体宣布将合作研发Mobileye第五代系统芯片EyeQ5,作为2020年实现全自动驾驶(FAD)汽车的中央处理器,并执行传感器融合程序,预计在2018年上半年可提供EyeQ5的工程样品。

传感器:摄像头搭载数量上升,激光雷达加速发展

通过对最新发布的智能驾驶平台的分析,我们注意到两个明显趋势。

搭载摄像头数量上升:我们认为,要实现L3/4级别的自动驾驶,单车的摄像头数量将从L1/2级别的2颗增加到10颗。Tesla新推出的AutoPilot2平台总共含有8个摄像头,其中包括1个3目前视摄像头,3个前环视摄像头,3个后环视摄像头,1个后视摄像头,比AutoPilot1中1个单色前视摄像头数量大幅度增加。

激光雷达技术发展迅速:激光雷达能够发射激光束,并通过捕捉反射回来的信号绘制出3D模型。大多数切入自动驾驶的车企都选择搭载激光雷达,除了Tesla只依靠摄像头和普通雷达。制约自动驾驶向L3/4挺进的主要原因在于搭载的电子元器件成本太高,激光雷达目前的平均售价在5,000美金左右,因此如何快速的降低成本成为重中之重。Velodyne于近日推出了一款经济实惠的新型激光雷达,与传统的机械激光雷达不同,新型传感器能使用电子束引导激光束转向。这款新产品具有体积小,性能稳定,价格便宜等优势。

市场规模:2025年达到486亿美元

自动驾驶硬件规模2025年可达486亿美元。Gartner认为,现有汽车电子占全球半导体市场仅为10.0%左右,2017年市场规模2017年将成长6.2%达到343亿美元,2018年增长7.2%至358亿美元。我们通过对各等级的自动驾驶渗透率进行了测算,在2025年自动驾驶传感器与计算芯片的规模可达486亿美元。

2025年L3/4的加装成本有望下降至4,688美元。我们对主要硬件成本的价格曲线进行了假设,随着摄像头、激光雷达、芯片成本的不断下降,以及软件处理的优化,判断到2025年,L3/4等级的自动驾驶成本有望从超过2万美元缩减到4,688美元,同时带来渗透率的提升。

下图归纳了亚洲自动驾驶/电动车产业链的情况。

中国在动力电池技术上全球领先,但在汽车电子上相对薄弱,主要平台目前掌握在Continental、Bosch、Denso等全球一级供应商手里。中国公司主要作为二级供应商参与到整个供应链中去。中国公司相对较强的零部件包括:(1)电子传感器(舜宇),(2)车机(航盛,华阳,德赛)。

中国厂商在汽车电子产业链中的布局:

舜宇光学:是全球最大车用镜头提供商,产品覆盖了车载摄像头的各个领域(前视、后视、内视(驾驶员监控/手势识别)、环视、智能后视镜等。进入HUD与激光雷达领域,全方位布局传感硬件。

欧菲光:公司通过汽车电子业务、智能中控业务、智能驾驶业务以及互联网+业务切入汽车电子领域。公司在传感器(摄像头、雷达)、控制器(高清全景环视系统、ADAS高级辅助驾驶系统)等方面进行了产品布局。同时,公司投资了美国的CruiseAutomation,其产品可将普通车辆变成自动驾驶汽车,第一代自动驾驶系统适用于奥迪A4和S5。

得润电子:拥有全面的连接器布局,前瞻性布局车联网,收购意大利OBD(行车记录仪)模块龙头企业Meta,向车联网保险等软件服务领域拓展。

四维图新:布局无人驾驶,构建高精度地图、动态交通信息。同时,打造趣驾WeDrive3.0完整车联网生态平台,产品包括纯车机方案WeCar、车机互联方案WeLink、和操作系统趣驾OS。

比亚迪:布局BMS,母公司集电池、BMS、电动汽车研发于一身,垂直整合优势明显。比亚迪汽车电子已经有多年积累,2014年上市内臵Android操作系统的车型。

德赛电池与欣旺达则在电池封装与BMS上领先布局。

深圳航盛电子(未上市)致力于为整车厂开发生产智能网联汽车信息系统、智能驾驶辅助系统、新能源汽车控制系统等产品。未来,公司将重点布局车内ADAS、安全技术和智能驾驶技术。

德赛西威(未上市)与百度联手,将围绕BCU和MapAuto两个维度,在高精度地图与自定位、汽车环境感知、决策等技术领域展开合作。其大股东是上市公司德赛电池的母公司。

THE END
1.机器学习在生物学研究中的应用在这篇文章中,我们将讨论机器学习在生物学研究中的应用,包括背景介绍、核心概念与联系、核心算法原理和具体操作步骤以及数学模型公式详细讲解、具体代码实例和详细解释说明、未来发展趋势与挑战以及附录常见问题与解答。 2.核心概念与联系 在生物学研究中,机器学习主要用于处理和分析大量生物数据,以揭示生物过程和系统的复https://blog.csdn.net/universsky2015/article/details/135803924
2.机器学习方法及其在生物信息学领域中的应用数据量之大,研究之深入,以及基因组数据本身的复杂性之高,对理论、算法和软件的发展都提出了迫切的需求。而机器学习方法例如遗传算法和决策树等正适合于处理这种数据量大、含有噪声并且缺乏统一理论的领域。 本文对机器学习方法及其在生物信息学中的应用进行了一定的研究,主要工作有以下四个方面: 1.提出一种基于变https://wap.cnki.net/touch/web/Dissertation/Article/2009093438.nh.html
3.机器学习与生物信息比如生物信息学里面的:回归分析、随机森林、支持向量机等算法,都是比较成熟的应用了。在最近阅读文献得过程中,小编发现了一篇材料学科的文献,文中用到的XGBoost算法与小编之前钻研过的两篇生信文章的算法十分相似,那么今天就给大家剖析一下当生物信息遇见机器学习,会有什么火花,https://mp.weixin.qq.com/s?__biz=MzA5NjU5NjQ4MA==&mid=2651200369&idx=1&sn=5038992effb9b1e911f4543fb08b8f26&chksm=8b5f1c1ebc2895085c4799d1c73c76ef81a942b8e8b8959e8f2e4efe6f8c38e4b76c549d00af&scene=27
4.EMBOReports生物学中的人工智能革命:AlphaFold的优势和劣势应该继续投资于实验结构生物学所需的关键基础设施和实验结构测定所需的研究。从基于人工智能的聊天机器人、虚拟助手,到自动驾驶汽车、“智能”机器人吸尘器和割草机,人工智能的用例很多。蛋白质折叠示例使我们了解如何从人工智能模型中获益,同时又不会对其产生过度依赖。归根结底,深度学习算法的发展与人类学习没有什么http://baijiahao.baidu.com/s?id=1714702231346588290&wfr=spider&for=pc
5.转:2024年展望:未来十大最吃香最具前景专业分析1.1 深度学习算法研究 神经网络架构优化:开发更高效、更强大的神经网络模型。 迁移学习:研究如何将一个领域的学习成果应用到另一个相关领域。 强化学习:探索AI如何通过与环境互动来学习最优策略。 联邦学习:研究如何在保护数据隐私的同时进行分布式机器学习。 https://maimai.cn/article/detail?fid=1851243312&efid=XSQx0hfK7u4CsISU06jfRw
6.[机器学习理论&实践]机器学习在生物信息学中的探索机器学习是我一直深入研究和应用的领域,其在生物信息学中的应用尤为引人注目。通过让计算机从数据中学习模式,机器学习为处理生物信息学中的复杂问题提供了新的思路。我理解监督学习、无监督学习和强化学习等方法的区别和适用场景,这些方法在生物信息学中有着广泛的应用。 https://cloud.tencent.com/developer/article/2373063
7.机器学习在肉类微生物安全中的应用研究进展机器学习方法可以从海量、复杂的数据中提取关键信息,学习数据集中各变量间的隐藏关系,现已逐渐成为食品安全领域数据密集型分析任务的强有力工具。 本文通过归纳近年来国内外相关研究,总结了机器学习方法在肉品中有害微生物的检测和预测建模中所起到的关键作用,分析了该法在实际应用时的不足之处,并展望了该法在肉类https://www.rlyj.net.cn/fileup/HTML/2022-36-11-006.shtml
8.机器学习如何大展手脚,更有效地协助医药研发澎湃号·湃客在本小节中,我们选取了几个应用机器学习算法的药物研发领域进行介绍。 1、化合物活性预测 包括人工神经网络在内的机器学习方法在药物研发的化合物活性预测中应用已久。具体来说,化合物的活性直接反映在它的分子描述符(molecular descriptors),因此可以使用 DNN 进行建模来预测活性。Dahl 等在 Merck-Kaggle challenge 数https://www.thepaper.cn/newsDetail_forward_7086146
9.遗传算法:仿生学在AI技术中的应用遗传算法是一种基于自然界进化原理的优化方法,它借鉴了生物进化的机制,通过模拟基因的交叉、变异和适应度选择等过程,来搜索问题的最优解。在人工智能领域,遗传算法被广泛应用于解决复杂的优化问题,如参数优化、路径规划、机器学习模型的选择等。本文将介绍遗传算法的原理、应用以及未来的发展方向,深入探讨仿生学在AI技术http://www.360doc.com/content/23/1019/10/78851418_1100749756.shtml
10.[论文总结]深度学习技术在植物领域的研究251CTO博客11.3 机器学习 11.4 结论和未来的工作 1. A Review on Deep Learning for Plant Species Classification using Leaf Vein (IF=15.2,2020) 许多的深度学习技术应用于植物叶子识别。大部分的研究工作是基于CNN、GLCM、朴素贝叶斯分类器、RBF神经网络、PNN、MLP和zernike矩实现。 https://blog.51cto.com/luohenyueji/5950083
11.机器学习算法在自动驾驶领域的应用大盘点!雷峰网根据这些奖励,智能体学习做出恰当行为。去理解算法的局限性和优点,开发更加高效的学习算法,是增强学习的目标。增强学习可以解决大量实际应用,从AI的问题到控制工程或操作研究——所有这些都与开发自动驾驶汽车相关。这可以被分为间接学习和直接学习。 在独自动驾驶汽车上,机器学习算法的一个主要任务是持续渲染周围的环境https://www.leiphone.com/category/yanxishe/58ypBb14z4wnIV4Q.html
12.第一轮通知第十一届国际分子模拟与人工智能应用学术会议(2023过去20年,以计算化学、计算生物学、生物信息学为代表的分子模拟技术已经在生命科学和材料科学领域取得广泛的应用效果,成为包括化学化工、材料科学和生命科学等领域认识和解决复杂科学和工程问题的重要方法之一。 过去5年,以机器学习为代表的人工智能技术已经成为新一轮产业变革的核心驱动力,正在对世界经济、社会进步和人类https://www.neotrident.com/news/details/1057.html
13.AIforScience:站在科研范式的转折点上GPT目前仍是会出错的猜测机器,用来辅助科学研究靠谱吗? 什么是AI4S,为什么是现在? 科研全流程主要分几步,AI如何被嵌入其中? 为什么说AI4S已经驱动AI制药进入2.0时代了?AI制药1.0时代和2.0时代有什么不同? AI4S的应用前景如何?以化学、生物、材料等领域为例。 https://www.iyiou.com/analysis/202411161082866
14.内蒙古自治区科学技术厅面向人工智能、大数据领域的快速发展与化学化工学科交叉融合的重大需求,重点研究化学和化工关键基础数据库的构建及机器学习算法的建立与优化,人工智能在功能分子设计、化学反应与测量、系统工程等领域的应用,为功能分子设计与合成、材料结构的快速鉴定、化学反应预测、化工过程优化以及人口健康相关领域,提供完备的基础分子和材http://kjt.nmg.gov.cn/kjdt/mtjj/202211/t20221116_2173883.html
15.机器学习与多模态数据分析在生物学研究中的最新应用–技术进步:随着计算能力的提升和算法的改进,机器学习模型将能够处理更大规模和更复杂的数据集。 –应用领域扩展:机器学习和多模态数据分析将不仅限于疾病研究,还可能扩展到生态学、进化生物学等领域。 –个性化医疗:通过分析个体的生物数据,未来的研究可能推动个性化医疗的发展,为患者提供更为精准的治疗方案。 http://www.forwardpathway.com/111209
16.科学基金“十四五”发展规划全文附完整115个优先发展领域面向人工智能、大数据领域的快速发展与化学化工学科交叉融合的重大需求,重点研究化学和化工关键基础数据库的构建及机器学习算法的建立与优化,人工智能在功能分子设计、化学反应与测量、以及系统工程等领域的应用,为功能分子设计与合成、材料结构的快速鉴定、化学反应预测、化工过程优化以及人口健康相关领域,提供完备的基础分子http://www.ecorr.org.cn/news/industry/2024-05-27/190913.html
17.科学家如何利用机器学习技术来改善人类降研究?专区生物标志物 癌基因 癌症 机器学习是一门多领域的交叉学科,主要包括概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科,近年来,科学家们不断将机器学习技术应用到改善人类健康和疾病等研究领域中,本文中,小编就整理了多篇研究报告,共同解读科学家如何利用机器学习技术来改善人类的健康。分享给大家!【1】Scienchttps://www.bioon.com/article/6792381.html
18.神经网络自编码器算法在癌症信息学研究中的应用2 自编码器在癌症信息学中的应用传统的机器学习算法对输入特征的依赖性很高,特征提取的优劣会直接影响机器学习算法的预测或分类性能。因此,面对复杂多样的生物数据,选用合适的特征提取算法来帮助研究者得到最优的输入特征至关重要。如表2所示,这一部分将结合前人的研究介绍各种自编码器如何应用于组学数据、生物医学图像http://school.freekaoyan.com/bj/wswyjs/2021/12-26/16405242061503379.shtml
19.ICESJMARSCI新型AI算法提升海洋浮游生物图像机器识别性能北京时间11月10日,中国科学院深圳先进技术研究院集成所光电工程技术中心李剑平博士团队在海洋数据机器学习算法研究中取得新成果,提出了一种基于对比学习的浮游生物图像识别检索框架,在解决实际海洋数据中的不均衡分布、数据漂移、开集识别问题中展现出了优异性能。 https://www.siat.ac.cn/kyjz2016/202212/t20221209_6571703.html