深度學習的突破將人工智能帶進全新階段。 2006 年-2015 年是人工智能崛起的黃金十年。 2006 年 Hinton 提出“深度學習” 神經網絡（深度臵信網絡， DBN）使得人工智能的性能獲得了突破性進展， 2006 年成為人工智能發展史上一個重要的分界點。 近年來，隨著深度學習算法的逐步成熟， AI 相關的應用也在近年加速落地。 谷歌的“AlphaGo”的圍棋算法是其中一個典型成功的應用。目前圖像和語音識別研究也取得了很大突破，并逐步進行探索性的應用。

AI 2.0 是人工智能崛起的黃金十年

數據來源：公開資料整理

　　中國 AI 市場規模增速高于全球增速： 2015 年國內人工智能市場為 12 億元，其中語音識別占 60%，計算機視覺占據 12.5%，其他識別部分為 27.5%。在只考慮語音識別、計算機視覺，不包括硬件產品銷售收入(如機器人、無人機、智能家居等銷售)、信息搜索、資訊分發、精準廣告推送等的情況下， BBC 預計全球人工智能總體市場規模 2020 年將達到 1190 億元，復合增長率約為 19.7%；預測國內人工智能市場規模 2020 年將達到 91 億，年復合增長率約 50%。

全球人工智能市場規模快速增長

數據來源：公開資料整理

國內人工智能市場規模快速增長

數據來源：公開資料整理

　　人工智能上升為國家戰略，并明確了階段性發展目標： 7 月 20 日，新華社2報道了國務院關于印發3《新一代人工智能規劃》 4的通知， 提出了面向 2030 年我國新一代人工智能發展的指導思想、戰略目標、重點任務和保障措施，部署構筑我國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國。 本次《規劃》的印發意義重大。其一，本次《規劃》的印發由國務院主導，意味著人工智能正式成為國家戰略。其二，本次《規劃》明確提出了“三步走”的戰略：第一步，我國人工智能產業到 2020 前與世界先進水平同步，重點發展領域為大數據智能、跨媒體智能、群體智能、混合增強智能、自主智能系統等， AI 核心產業 1500 億，拉動 1 萬億；第二步，到 2025 部分技術與應用達到世界領先水平，重點領域為智能制造、智能醫療、智慧城市、智能農業、國防建設等， AI 核心產業 4000 億拉動 5 萬億；第三步到 2030 年達到世界先進水平，重點領域為類腦智能、自主智能、混合智能和群體智能等， AI 核心產業 1 萬億拉動 10 萬億。三步走的戰略將《規劃》進行了細化，并給出了具體量化的發展目標，有望推動人工智能的快速發展逐步實現。其三，本次《規劃》不僅對人工智能的基礎硬件、算法框架等內容提出了要求，同時對軟件、下游應用、生態，以及人才培養體系等、相關配套政策均提出了要求，有望使人工智能作為生態型重點發展產業扶持。其四，《規劃》提出了要給予充分的財政和政策支持，并鼓勵成立人工智能發展基金，政策和資金上的支持對新興產業的發展至關重要，將成為行業發展的基石。

　　發展人工智能，芯片先行。 深度學習通過構建很多隱層的機器學習模型和海量的數據來訓練機器，使機器去學習更有用的特征，從而最終提升分類和推理的準確性，引領當今人工智能算法方向。深度學習需要進行大量的并行計算，而傳統的 CPU 往往需要數百甚至成千上萬條指令才能完成一個神經單元的處理，無法支撐深度學習大規模數據的并行計算，深度學習需要新的芯片來對大規模的并行計算進行加速。目前常用的加速深度學習并行計算的人工智能芯片有 GPU、 FPGA、ASIC 和處于理論階段的類腦芯片。深度學習的訓練需要強大的計算能力：人工智能因其自身神經網絡模型結構的復雜性，以及訓練深度神經網絡需要大量的高階統計數據，對于計算能力的需求非常大。 與李世乭對弈的谷歌 ALPHAGO 有 1920 個 CPU 加 280 個 GPU，而這只是比賽時執行深度學習算法的計算機系統。訓練這個深度學習算法的計算機網絡規模至少要提高一個數量級，而這個提供訓練計算能力的計算機網絡才是ALPHAGO 持續進化的原動力。

　　人工智能芯片“云+端” 高速發展： 未來人工智能芯片的應用大體有兩個方向：其一是用于云端服務器的的芯片，對于云端的高運算需求來說，預計將以CPU+GPU 搭配為主， 主要特點是高功耗、 高計算能力以及通用性，云端人工智能運算對于具體應用場景的要求較少，通用芯片即可滿足要求；其二是用于終端（例如手機及其他智能硬件） 的人工智能芯片，由于終端運算空間有限，所以對于芯片的要求主要在于其低功耗，并針對不同場景有所區分，因此定制及半定制化的 FPGA、 ASIC 及類腦芯片有望成為主流。“CPU+GPU 并行” 在人工智能云端中被廣泛運用： 計算能力的限制曾經是人工智能研究跌入低谷的原因。隨著摩爾定律的發展，計算能力逐步得到解放。CPU 性能飛速提升，被最初用來訓練深度學習。但不久發現擁有出色的浮點計算性能的 GPU 更適合做深度學習訓練。提高了深度學習兩大關鍵活動：分類和卷積的性能，同時又達到所需的精準度，相對傳統 CPU 的方式， GPU 擁有更快的處理速度、更少的服務器投入和更低的功耗。現在文本處理、語音和圖像識別上，CPU+GPU 并行不僅被 Google、 Facebook、百度、微軟等巨頭采用，也成為猿題庫、曠視科技這類初創公司訓練人工智能深度神經網絡的選擇。

GPU 相比 CPU 擁有更高的訓練速度

數據來源：公開資料整理

　　基于 FPGA 的半定制芯片在終端深度學習中的應用值得期待： FPGA（Field－Programmable Gate Array），即現場可編程門陣列，是一種半定制的集成電路，百度就采用了 FPGA 打造百度大腦專用 AI 芯片。全球 FPGA 市場有三大產商，Xilinx 和 Altera 長期穩坐第一和第二的位臵，兩者占據了市場約 90%的份額，是市場和技術的領頭羊。剩余的份額被 Lattice 占據。其中， Altera2015 年被英特爾以 167 億美元收購，收購的原因之一就是看中 FPGA 的專用計算能力在人工智能領域的發展。 Xilinx 與 IBM 也進行了戰略合作加速數據中心應用。 FPGA 突出優勢是能夠根據應用的特征來定制計算和存儲結構，達到硬件結構與深度學習算法的最優匹配，獲得更高的性能功耗比；并且， FPGA 靈活的重構功能也方便了算法的微調和優化，能夠大大縮短開發周期，所以基于 FPGA 的半定制芯片在深度學習中的未來非常值得期待。

FPGA 的結構決定其能夠根據編好的固定模式處理輸入

數據來源：公開資料整理

　　萬物互聯的背景下， AI 芯片的應用擁有廣闊的想象空間：未來每一個機器人、每一輛無人駕駛汽車、每一個攝像頭甚至絕大多數硬件都將具有智能，而這其中充當其大腦的就是芯片。 X86 架構和 ARM 分別在互聯網和移動互聯網時代充當了霸主， Intel 收購 FPGA 公司，英偉達專門針對人工智能的深度學習開發了TeslaP100，國內中科院的寒武紀公司以及地平線機器人也正在發力人工智能芯片，充分說明了 AI 芯片領域被產業界看好，在新的智能時代， AI 芯片作為人工智能底層的核心基礎無疑將擁有非常廣闊的應用空間。

　　智能硬件搶占 C 端入口，數據端入口打通，為算法奠定基礎： 智能硬件是繼智能手機之后的一個科技概念，通過軟硬件結合的方式，對傳統設備進行改造，進而讓其擁有智能化的功能。智能化之后，硬件具備連接的能力，實現互聯網服務的加載，形成“云+端”的典型架構，具備了大數據等附加價值。 智能硬件已經從可穿戴設備延伸到智能電視、智能家居、智能汽車、醫療健康、智能玩具、機器人等領域。比較典型的智能硬件包括 Google Glass、三星 Gear、 FitBit、麥開水杯、咕咚手環、 Tesla、樂視電視等。 智能硬件對于整個人工智能產業而言，其功能除了打開 C 端消費市場之外，更為重要的是通過智能硬件以及加載其中的軟件，搶占 C 端入口可以進行終端數據的采集，為后續的算法完善及商業模式推進奠定良好基礎。智能音箱產品亞馬遜 Echo 在美國越來越受歡迎：目前亞馬遜 Echo 在美國的認知率已經從 2015 年的 20%提升到了 2016 年的 61%，在所有美國亞馬遜客戶當中， Echo 的擁有率已經從 2%提升到了 5%，相比于其他的亞馬遜設備的擁有率，未來的銷量前景非常可觀。

　　機器人按照應用領域的不同分為工業機器人、服務機器人、特種機器人： 由于傳感器、人工智能、大數據、物聯網等技術的運用，機器人產業中涌現出新的制造模式和商業模式——服務型機器人出現了。相較于工業機器人，它與個人、家庭生活聯系更為緊密， 2015-2018 年，個人及家庭用服務機器人全球銷量將達到 2,590 萬臺，市場規模將達到 122 億美元。目前我國服務機器人需求領域包括：養老、監護等社會需求；國防、公共安全、救援搶險、科學考查等國家重大需求；在智能家居、教育、保潔等個人及家庭消費需求。服務機器人的重點在于服務，基于特殊場景應用的服務及 AI 的建設是重點，各行業 AI化將是未來的發展方向。到 2020 年，我國服務機器人年銷售收入超過 300 億元：在助老助殘、醫療康復等領域實現小批量生產及應用。圍繞助老助殘、家庭服務、醫療康復、救援救災、能源安全、公共安全、重大科學研究等領域，培育智慧生活、現代服務、特殊作業等方面的需求，重點發展消防救援機器人、手術機器人、智能型公共服務機器人、智能護理機器人等四種標志性產品，推進專業服務機器人實現系列化，個人及家庭服務機器人實現商品化。重點突破人機協同與安全、產品創意與性能優化設計、模塊化/標準化體系結構設計、信息技術融合、影像定位與導航、生肌電感知與融合等關鍵技術。

　　多層次特征提取提升計算機視覺識別效果： 計算機視覺領域主要包括圖片/視頻識別與分析、人像與物體識別、生物特征識別、手勢控制、體感識別、環境識別。計算機視覺的識別效果的提升，是通過引入卷積操作，將深度模型的處理對 象 從 之 前 的 小 尺 度 圖 像 （32pixel×32pixel ） 擴 展 到 大 尺 度 圖 像 上（200pixel×200pixel），提出了卷積深度臵信網（Convolutional DBN），通過可視化每層學習到的特征，演示了低層特征不斷被復合生成高層抽象特征的過程。深度結構模型具有從數據中學習多層次特征表示的特點，這與人腦的基本結構和處理感知信息的過程很相似，如視覺系統識別外界信息時，包含一系列連續的多階段處理過程，首先檢測邊緣信息，然后是基本的形狀信息，再逐漸地上升為更復雜的視覺目標信息，依次遞進。

圖像識別過程

數據來源：公開資料整理

特征提取借鑒了人腦信息處理過程

數據來源：公開資料整理

　　深度學習研究的初衷主要就是應用于圖像識別： 迄今為止，盡管深度學習已經被應用到語音、圖像、文字等方面，但深度學習領域發表的論文中大約 70%是關于圖像識別的。從 2012 年的 ImageNet 競賽開始，深度學習在圖像識別領域發揮出較大威力，在通用圖像分類、圖像檢測、光學字符識別(Optical CharacterRecognition, OCR)、人臉識別等領域，最好的系統都是基于深度學習的。生物識別技術市場規模不斷增大。 生物識別不僅是目前正進行的如火如荼的行業，同時也是在未來五年具有發展潛力的市場。預計 2020 年生物識別技術全球市場規模將達到 250 億美元。 國內生物識別技術市場規模有望從 2015 年 100 億元上升至 2020 年的 300 億元。 2013 年的統計數據顯示，人臉識別占比 23%。同時國際生物識別小組于 2009 年的研究結果表明指紋識別占據生物識別的 50%市場，人臉識別緊隨其后占據 13%的份額。預計到 2020 年，人臉識別市場空間預計超過 40 億元人民幣。

中國生物識別市場規模與預測（億元）

數據來源：公開資料整理

我國人臉識別市場規模預測（億元）

數據來源：公開資料整理

　　語音逐漸成為人機交互的新范式，產品及商業模式成為盈利的關鍵： 過去 200年左右時間里，基本的人機交互形式不斷進化，在過去的 75 年當中幾乎每隔 10年，交互方式就有一個大的創新，現在語音已成為人機交互的新范式。 語音技術逐步通用化、基礎化，預計未來將面臨免費提供的局面。 例如，百度就在 11 月30 日宣布其語音技術全系列接口永久免費開放，提供語音識別、語音合成、語音喚醒多平臺 SDK(軟件開發工具包)。通用算法技術成為免費平臺的趨勢已經呈現，行業需要商業模式的創新，如何將技術轉換成產品及流量、數據等，才是真正實現盈利的關鍵。

　　技術進步與市場需求推動語音識別快速發展： 狹義的語音識別就是讓機器能夠明白你說的是什么，廣義的語音識別是機器不僅能理解語音含義，而且能把語音轉化為文字、另一種語言或者命令。語音識別能夠在社交娛樂、搜索、虛擬機器人中大規模應用主要得益于以下兩個原因。其一是技術進步：語音識別算法模型的改進及訓練效果的提升使得語音識別錯誤率不斷降低。其二是市場需求：個人消費層面的社交娛樂需求催化行業熱情，作為重要的人機交互方式應用場景廣闊。

　　語音識別效果不斷提升，國內語音識別與合成研究領先國際： 自 2009 年把深度神經網絡用于語音識別研究，相關研究突飛猛進，這一事件重新點燃了對語音識別的熱情。 2010 年深度神經網絡 DCNN 使語音識別錯誤率降低了 20%， 2011年微軟用 DCNN 徹底改變了語音識別原有技術框架，2012 年又公開演示了其全自動同聲傳譯系統。國內， 科大訊飛是語音識別研究的龍頭， 公司改進了 RNN 模型，使語音識別效果獲得 40%的性能提升。公司于 2016 年在國際重要比賽 CHiME中包攬三項冠軍，并在 2017 年語音合成大賽中獲得第一名。

語音識別發展逐步領先

數據來源：公開資料整理

　　語音識別技術逐步開放，數據及場景成為競爭關鍵： 截止 2017 年三季度，科大訊飛自身的開放平臺累計終端數增長 87%至 15.9億，第三方創業團隊增長 123%到 45 萬，日均使用次數增長 56%到 40 億次。開放平臺的大數據廣告業務繼續保持快速增長，前三季度收入同比增長 241%。 從國際大型互聯網企業角度看， 2017年 3 月，谷歌和亞馬遜先后宣布旗下的語音技術對大眾開放。國內， 騰訊和阿里已在早前先后開放其語音平臺， 就在 2017 年 11 月 30 日，百度宣布語音技術全系列接口永久免費開放，為平臺用戶提供語音識別、語音合成、語音喚醒多平臺 SDK等。目前語音識別正在逐步成為開放平臺，未來從語音輸入端獲取數據并基于具體場景的行業應用和商業模式創新成為廠商盈利的關鍵。科大訊飛目前主要精力已經逐步轉移到對賽道的開發，包括對接教育、法律、醫療、汽車等行業客戶。阿里目前已經在智能電視、智能汽車、智能法庭、智能客服領域應用其語音技術進行行業深度下沉。

　　智能制造成為各國轉型升級的核心戰略。 2012 年，美國率先提出“先進制造業國家戰略計劃”，隨后德國、日本、英國分別提出“工業 4.0”、 “科技工業聯盟”、“工業 2050 戰略”。對比各國關于制造業轉型升級的戰略規劃，盡管各個國家側重有所不同，但均是以智能制造作為其戰略核心，不斷推動制造業向數字化、網絡化、智能化發展。2015 年，我國發布制造強國中長期發展戰略規劃《中國制造 2025》，力爭通過“三步走”實現制造強國的戰略目標， 1、力爭用十年時間，邁入制造強國行列； 2、到 2035 年，我國制造業整體達到世界制造強國陣營中等水平； 3、新中國成立一百年時，制造業大國地位更加鞏固，綜合實力進入世界制造強國前列。因此，我們認為制造業轉型升級是我國長期工程，圍繞此戰略開展的業務將得到政策、產業、資金等多重支持。車間層的智能化生產是智能制造的核心。 根據中國電子技術標準化研究院對智能制造系統的 5 層分級，一定程度可窺見智能制造的產業鏈情況，主要包括設備層、控制層、車間層、企業層、協同層。 1、設備層： 是制造的物質技術基礎，它包括傳感器、儀器儀表、條碼、射頻識別等。2、控制層： 包括各類控制系統，如可編程邏輯控制器 PLC、監視控制與數據采集系統 SCADA（對現場運行設備監視和控制，涉及組態軟件、數據傳輸鏈路、工業隔離安全網關等）、分布式控制系統 DCS、現場總線控制系統 FCS（將最底層的現場控制器和現場智能儀表設備互連的實時網絡控制系統）等。 3、車間層： 面向工廠和車間的生產管理，包括制造執行系統 MES 等，其中 MES 又包括工廠信息管理系統 PIMS、先進控制系統APC、歷史數據庫、計劃排產、倉儲管理等，是智能制造的核心。 4、企業層： 面向企業的經營管理，包括企業資源計劃系統 ERP、產品生命周期管理 PLM、供應鏈管理系統 SCM、客戶關系管理系統 CRM 等。 5、協同層： 體現企業之間的協作過程，它是由產業鏈上不同企業通過互聯網進行全方位的協同和信息分享，實現協同研發、智能生產、精準物流和智能服務等。 我們看好， 工業軟件和工業互聯網平臺的發展前景。

智能制造系統層級

數據來源：公開資料整理

　　2022 年我國工業大數據有望突破 1200 億元， 復合增速 42%。 工業大數據是提升制造智能化水平，推動中國制造業轉型升級的關鍵動力，具體包括企業信息化數據、工業物聯網數據，以及外部跨界數據。其中，企業信息化和工業物聯網中機器產生的海量時序數據是工業數據的主要來源。 工業大數據不僅可以優化現有業務，實現提質增效，而且還有望推動企業業務定位和盈利模式發生重大改變，向個性化定制、智能化生產、網絡化協同、服務化延伸等智能化場景轉型。預計到 2022 年，中國工業大數據市場規模有望突破 1200億元，年復合增速 42%。

中國工業大數據市場規模（億元）

數據來源：公開資料整理

　　我國 MES 2018 年市場規模有望突破百億元，未來年復合增速約 40%。 工業軟件主要包括運營管理類（ERP、 CRM 等）、設計研發類（PLM、 CAD 等）、生產控制類（MES 等），我們認為 MES 軟件未來發展彈性更大。 2014 年全球 MES 行業市場規模約為 416 億元，過去 5 年保持年均 21.65%的高速增長，到 2020 年， MES 行業市場規模有望達到 931 億元，未來保持年均18%的復合增速。而 MES 在中國的需求更為旺盛， 2014 年我國 MES 行業市場規模約為 26 億元，同比增長 24%，預計到 2018 年市場規模將達到 100 億元，未來平均增幅保持在 40%左右，遠高于國際市場增速（預計2015-2020 年全球復合增速 13.6%）。

中國 MES 市場規模

數據來源：公開資料整理

　　2025 年形成 3-5 個國家級工業互聯網平臺。 被譽為工業互聯網平臺操作系統的 PaaS 正逐漸成為工業互聯網發展的聚焦點和關鍵突破口，目前由于平臺標準體系尚未建立，商業模式尚不清晰，因此商業價值仍處于探索階段。 2017 年 11 月，國務院發布《關于深化“互聯網+先進制造業”發展工業互聯網的指導意見》，強調到 2020 年，工業互聯網平臺體系初步形成，支持建設 10 個左右跨行業、跨領域平臺，建成一批支撐企業數字化、網絡化、智能化轉型的企業級平臺； 到 2025年，工業互聯網平臺體系基本完善，形成 3-5 個具有國際競爭力的工業互聯網平臺。可以預見，未來工業互聯網平臺發展前景廣闊。

　　自動駕駛掌控權主要在算法： 自動駕駛（autonomous drivng）是一個寬泛的概念，涵蓋智能輔助駕駛系統（Advanced driving assistance system, ADAS）和無人駕駛。 智能輔助駕駛系統中駕駛員可以對汽車進行控制，其智能體現在對環境的感知，并適時預警（如車道偏離預警）。無人駕駛是自動駕駛發展的高級階段，除了對環境的智能感知，還加入了規劃、 決策和控制。 智能輔助駕駛系統中最終的決策和控制權掌握在駕駛員手中，而無人駕駛對汽車的控制權由計算機掌握。無人駕駛從技術角度來看可以分為感知、決策和執行。其中決策層主要包括計算平臺（芯片）及算法。目前在算法方面深度學習成為主流。深度學習強調的是端到端的學習，其優勢在于對于非結構化數據的識別、判斷和分類，并把復雜信息精簡地表達出來。因此深度學習對感知有非常強的能力，可以理解各種復雜圖像的含義，十分適合自動駕駛復雜的環境。深度學習通過與增強學習相結合，可以將感知和執行緊密地結合在一起，構成一個完整的自動駕駛系統。

無人駕駛汽車結構圖

數據來源：公開資料整理

無人駕駛汽車預計趨勢

數據來源：公開資料整理

　　智能感知系統和智能控制系統是產業鏈核心環節：無人駕駛汽車主要依靠車內的以計算機系統為主的智能駕駛儀來實現無人駕駛， 主要包括智能感知系統和智能控制系統。智能感知系統包括環境感知、速度感知等。智能控制系統主要包括自動泊車、自動剎車、智能巡航等。無人駕駛涉及到的硬件核心是傳感器，傳感器包括激光測距儀、攝像頭等。軟件核心就是高精度地圖，無人駕駛汽車需要將實時將感知到的數據與地圖數據比較，來識別周邊環境。

　　互聯網公司與傳統車廠引領智能駕駛浪潮：參與無人駕駛盛宴的企業可以分為兩類，一類是互聯網企業如百度、谷歌，一步到位直接切入到全自動駕駛，另一類是傳統的汽車企業，從輔助駕駛一步步升級。隨著 CPU/GPU 并行計算能力的提升，海量地圖數據為人工智能的訓練提供基礎，加之高速網絡、云計算的結合，汽車智能化已經進入了實質性階段。

主要車廠智能化汽車量產時間

數據來源：公開資料整理

　　智能駕駛市場滲透率有望持續提升： 2015年 5月，國務院印發《中國制造 2025》，將無人駕駛汽車作為汽車產業未來轉型升級的重要方向之一。“十三五”規劃也提出要積極發展智能網聯汽車的目標，相關法律法規已經提上日程。 智能汽車市場增長空間可期，中國智能駕駛產業市場規模預計 2020年有望達到 1214元人民幣。從滲透率看，截止 2015 年，智能駕駛乘用車滲透率已經達到 15%左右，未來預計有望進一步實現提升，并帶動車載軟硬件設施產業的發展。

中國乘用車銷量

數據來源：公開資料整理

智能駕駛乘用車滲透率

數據來源：公開資料整理

　　人工智能開始用于醫療診斷： 醫療診斷領域最重要的是藥品、病情特征、病人情況數據信息。對于機器訓練而言，需要海量的數據信息才能讓機器學會獲得醫療診斷的能力。 輔助診斷領域的代表是 IBM 沃森系統。 截至 2015 年 5 月，Watson 已收錄了腫瘤學研究領域的 42 種醫學期刊、臨床試驗的 60 多萬條醫療證據和 200 萬頁文本資料。之后， IBM“沃森健康部門”又陸續與數家醫院、診所公司、 14 家腫瘤研究中心、連鎖藥品零售商展開了深度合作。通過沃森，幫助護士快速完成復雜的病歷檢索；審查醫療服務提供者的醫療請求；為癌癥患者診斷配藥，為醫藥專家提供更多疾病考量因素等。

　　圖像識別與龐大的醫療影像數據為智能醫療影像奠定基礎： 目前醫療數據中有超過 90%來自醫療影像，這些數據大多要進行人工分析，如果能夠運用算法自動分析影像，再將影像與其它病例記錄進行對比，就能極大降低醫學誤診，幫助做出準診斷。醫療影像智能分析是指運用人工智能技術識別及分析醫療影像，幫助醫生定位病癥分析病情，輔助做出診斷。人工智能與醫療影像的結合最關鍵有三個點：第一是數據，第二個是算法，第三臨床的證明，其中數據與算法是基礎。數據方面，全國 X 光設備保有量超過 3 萬臺， CT 設備保有量超過 2 萬臺，基層醫院已大部分配備了 DR 等設備。圖像識別是深度學習等人工智能技術最先突破的領域，已經廣泛用于圖片搜索、自動駕駛、人臉識別。由于數據與算法已經具備，在醫療健康領域，醫療影像有望成為人工智能與醫療結合中，最可能先發展起來的領域。

數據、算法、臨床是發展智能醫療影像最關鍵的三個點

數據來源：公開資料整理

　　物聯網在醫療領域的市場價值逐年增加：到 2020年，物聯網在醫療領域的市場價值有望達到 1630 億美元， 2015 年到 2020 年間復合增長率為 38.1%，預計醫療機構對于醫療信息化的投入會隨著 IT 預算的總體規模增加而增加。

物聯網在醫療領域投資額

數據來源：公開資料整理