从婴儿时期的「物体恒存」开始，我们知道跟我们玩躲猫猫的大人其实并没有消失，他们就藏在某个地方，只是被某个东西挡住了。

近年来，人工智能产业吸引融资数量持续增长。2020年中国人工智能产业融资规模约1400亿元，资本持续看好中国人工智能产业发展。随着国家政策的倾斜和5G等相关基础技术的发展，中国人工智能产业进入快速增长阶段，市场发展潜力巨大。截至2020年6月底，我国人工智能核心产业规模达770亿元，预计在2025年将达到4000亿元，未来有望发展为全球最大的人工智能市场。

随着应用模式与商业模式的成形，人工智能产业发展将持续向好，中国人工智能企业超过2500家，已成为全球独角兽企业主要集中地之一。预计2021年，人工智能领域专业化和细分化程度将进一步提升，人工智能广泛应用的商业化落地阶段来临。

人工智能应用场景落地加速

2021年，人工智能有望与虚拟现实技术的相结合，为虚拟制造、模拟医疗、教育培训、影视娱乐等提供场景丰富、互动及时的平台环境。

人工智能将加速企业数字化转型。随着人工智能技术各细分领域不断创新和发展，带来生产效率的大幅提升，企业将扩大人工智能资源的引进规模，加大自主研发投入，将人工智能与其主营业务结合，提升核心竞争力。

人工智能在医疗领域的应用将持续深化。医疗人工智能产业上游主要是为行业提供基础技术支持的行业，如医疗数据挖掘、算法等。下游主要为医疗人工智能技术的应用层，主要的应用场景有医学影像、虚拟助手、药物研发、健康管理、疾病风险预测、病历/文献分析。

人工智能将与汽车产业加速融合，实现感知、决策、控制等专用功能模块，进一步革新传统汽车产业链，使汽车加速智能化、网联化。

1. 基于人工智能的自动驾驶。在当前社会发展的大背景下，交通压力日渐增大，交通事故也频频发生。而在汽车操作上引入人工智能系统，实现信息化自动操控，则成为避免人为事故发生的好办法。而从当前科技来看，人工智能汽车要想获得持续的发展，汽车自动驾驶系统是需要解决的重要问题。在实际的汽车驾驶过程中，自动驾驶不是遵循一套简单的数据规则或是信息技术下的一种简单分析、推断和计算，它涉及深度学习等人工智能技术的运用。人工智能汽车一旦能够取得大的技术突破，其能力将超越当前人类的驾驶能力，可以帮助人们规避一些人为驾驶风险，进而改善当前交通状况，建立一种新型的交通秩序。

2. 预测性维护。汽车维护与检测是当代汽车应用的重要组成部分，目前，汽车还未能完全实现智能化的自我预测维护。而在未来人工智能汽车中，智能汽车会自动连接云服务平台，并在此基础上实时监控汽车上的数百个传感器，并通过学习算法从中发现和对比汽车本身发生的细微变化，在汽车出现问题之前就进行预测和判断，进而将汽车相关数据发送至汽车服务平台与汽车驾驶人员电子终端系统中，并提出合理化建议。这样未来的智能汽车维修行业就会大幅度提升维修速度，提高汽车的使用效率。

3. 个性化推荐。5G时代的到来，智能推送不断应用于各个领域。汽车智能系统也会提供更加精确的服务，从而提升使用人员的舒适感。在未来，无论是汽车娱乐系统的推送还是汽车上智能附带系统，都会更加科学与精确，更加人性化。4. 驾驶员风险评估与汽车索赔。驾驶员风险评估与汽车索赔是汽车行业的有机组成部分，传统意义上的依赖历史驾驶行为来设定保费的做法逐渐会被淘汰。在不远的将来，人工智能通过大数据技术分析驾驶员个人风险因子，对驾驶员的实际能力进行个性化量算评级，进而减少人为风险，提升其安全系数。汽车索赔也会基于大数据进行实时检测与管理，联通预先建立的智能汽车分析数据库，进行智能定损，智能赔付等。

人工智能将在制造业更多环节、更多层面得到推广和深化，需求导向、痛点聚焦将成为人工智能与制造业融合的关键之一，人工智能产品和服务将落在具体的工业智能产品或具体行业领域的系统解决方案上。

1. 质量检验。比如芯片检测，如果生产5亿芯片，人工检测的话每年大约需要1亿美金，但是如果利用视觉+机器学习，人工参与度将大大降低，从而节约成本。

2. 库房管理与物流。比如某物流库房，需要按照订单和发货地分拣成品，同时回收空的料箱，并把部分废料、废品扔进废料堆放处。这个工作每个班次由两名工人合作完成，库房内有粉尘和噪音，每天累计重复分拣动作要执行2000-3000次，虽然重物搬运由机械手完成，但仍是强度大、环境差、技术含量低的重复性工作。

企业用一台机器人替换每天三班倒的两个工位，机器人带有机器视觉系统，成品识别和发货地分拣准确率很高，已不需要库房留人补缺，只在废料废品回收时，捡出极少量的空箱即可。

1. 工艺优化。AI通过调节和改进生产过程中的参数，对于制造中使用的很多机器进行参数设置。生产过程中，机器需要进行诸多参数的设置。例如，在注塑中，可能需要控制塑料的温度、冷却时间表、速度等。所有这些参数都可能受到各种外部因素的影响，例如，外界温度等。通过收集所有这些数据，AI可以改进自动设置和调整机器的参数。

2. 生产制造。现在个性化越来越多，但是个性化生产的成本又非常巨大，只有一种途径就是大规模定制可以兼顾个性化和成本。利用个人消费数据进行分析后形成综合的订单，然后平台分发进行大规模生产进而降低成品单价。

人工智能产业底层支撑持续提升

2020年3月，中共中央政治局常务委员会召开会议，提出加快5G网络、数据中心等新型基础设施建设进度。“新基建”具有新时代的丰富内涵，既符合未来经济社会发展趋势，又适应中国当前社会经济发展阶段和转型需求，在补短板的同时将成为社会经济发展的新引擎，人工智能“新基建”对人工智能产业发展具有重大意义。预计2021年，围绕算法、数据和计算力等人工智能新基建的“三驾马车”，人工智能产业链建设力度将继续增大。

预计2021年地方政府对人工智能产业发展的热度将持续，地方扶持政策、举措等也将变得更加务实和具备可操作性，应用将成为政府关注和紧抓的重要内容，国内更多城市将聚焦智能芯片、智能无人机、智能网联汽车、智能机器人等优势产业，面向医疗健康、金融、交通、制造、家居、轨道交通等重点应用领域，积极构建符合本地优势和发展特点的人工智能深度应用场景，预计未来一年新零售、自动驾驶、医疗和教育等易落地的人工智能应用场景将更加受到资本关注。

人工智能技术发展趋势

第一、深度学习技术从单模态向多模态发展

未来甚至可以对嗅觉、味觉、心理学等难以量化的信号进行融合，实现多个模态的联合分析，将推进深度学习从感知智能升级为认知智能，在更多场景、更多业务上辅助人类工作。一方面，多模态融合能够推动人机交互模式的升级，人机交互过程中可以从视觉、听觉、触觉等多方面体会机器的情感和表达的语义，通过图文、语音、动作等多方式互动，从整体上提高人机交互的自然度和精确度。另一方面，多模态融合技术，能够对人体的形态、表情和功能进行模拟仿真，打造出高度拟人化的虚拟形象，像真人一样与人沟通互动，不断提升交互体验。

第二、边缘人工智能兴起

边缘人工智能是人工智能领域引人注目的新领域之一，其目的是让用户运行人工智能流程而不必担心隐私或数据传输较慢带来的影响。边缘人工智能可以使人工智能技术得到更广泛的应用，使智能设备在无需接入云平台的情况下对输入做出快速反应。

边缘人工智能变得越来越重要，这是因为越来越多的设备需要在无法访问云平台的情况下使用人工智能技术。在自动化机器人或配备计算机视觉算法的智能汽车的应用中，数据传输的滞后可能是灾难性的。自动驾驶汽车在检测道路的人员或障碍时不能受到延迟的影响，由于快速响应时间是如此重要，必须采用边缘人工智能系统，允许实时分析和分类图像，而不依赖云计算连接。

边缘人工智能可以与5G和物联网等其他数字技术相结合。物联网为边缘人工智能系统生成数据以供使用，而5G技术对于边缘人工智能和物联网的持续发展至关重要。

边缘人工智能的用例包括几乎所有在本地设备上进行数据处理比通过云平台更有效的实例。边缘人工智能的一些常见用例包括自动驾驶汽车、无人机、面部识别和数字助理。

第三、人工智能将呈现多平台多系统协同态势

未来，人工智能产业将逐步向工业化迈进。标准化的产品、规模化的生产、流水线式的作业将是人工智能实现产业化的发展方向。企业在行业实践中的大量人机协同经验沉淀将通过开放平台扩散至更多行业。既拥有行业知识又拥有智能技术的企业通过提供标准化、模块化的产品和服务，为横向多行业全场景赋能。“开放、共享”将成为下一阶段人工智能产业发展的关键词。

开放创新平台的建设可以更好的整合行业技术、数据及用户需求等方面的资源，以普惠应用的方式细化产业链层级，助力人工智能产业生态的构建。中小型人工智能企业能够依托开放平台，集中资源和力量，打造自身的核心竞争力。传统领域的企业能够借助开放平台的技术能力，快速实现行业的智能化转型。“开放、共享”的创新发展模式将提升人工智能技术成果的扩散与转化能力，促进中国人工智能产业形成以开放平台为核心的智能生态圈。

具体可分为两个路径，一是通用平台向行业平台分化。立足于传统产业各自的行业业务逻辑，实现融合行业基础应用，深耕行业应用场景。二是边缘系统向协同系统发展。边缘系统目前功能单一且能力固化、应用场景有限且缺乏系统协同，现有的边缘应用无论是功能还是可扩展性上都远远达不到实际的泛化应用需求。因此要实现通用平台、行业平台和边缘应用的协同组合，以软硬一体的方式实现具体应用的功能定制和扩展。

第四、人机协同将成为未来产业发展新模式

在深度学习技术开启的人工智能第一发展阶段，单点技术的革新在市场中快速形成小型的技术应用闭环，技术为驱动的商业模式快速形成。计算机视觉、自然语言处理、语音处理等人工智能核心技术领域的突破开启了全球智能时代的新浪潮。以计算机视觉为例，门禁、考勤、人证核验、刷脸支付等场景问题在活体检测、ReID、动作识别等计算机视觉技术应用后能够高效地被解决。然而未来随着人工智能技术在场景中应用的不断深化，单一技术实现的技术闭环难以满足复杂场景下的智能化需求。人们对于智能算法的能力要求持续升高，核心技术能力的研发难度开始加大。

目前，人工智能已在金融、医疗、教育、零售、工业、交通、娱乐等诸多领域进行智能化的渗透。在智能变革的趋势下，传统行业纷纷开始探索如何与人工智能结合应用。随着传统产业的智能化实践逐步深入，行业中深层次的知识和经验尤为重要。简单的人工智能技术叠加将不再能满足用户的智能化预期。例如在金融领域，虚假申请、伪冒交易、内容违规给传统金融信贷造成巨大风险，传统的用户信用评估使得企业和个人信贷申请流程较为繁琐，金融机构的风险把控力不足。人机协同则通过融合专家能力与机器能力，将风控专家的知识技能模型化、结构化，再运用深度学习、自然语言处理、计算机视觉、知识图谱等技术手段自动学习贷款者的行为消费细节，实现用户画像的精准定位，从而提高风险识别能力，对全局的风险做到有效控制。