1、 Table_yemei1 观点聚焦 Investment Focus Table_yejiao1 本研究报告由海通国际分销，海通国际是由海通国际研究有限公司，海通证券印度私人有限公司，海通国际株式会社和海通国际证券集团其他各成员单位的证券研究团队所组成的全球品牌，海通国际证券集团各成员分别在其许可的司法管辖区内从事证券活动。关于海通国际的分析师证明，重要披露声明和免责声明，请参阅附录。(Please see appendix for English translation of the disclaimer) 研究报告 Research Report 9 May 2022 创新奇智创新奇智

2、AInnovation Technology (2121 HK) 首次覆盖：工业质检领域差异化竞争优势明显，整体收入规模高速增长 The Differentiated Competitive Advantage in the Field of Industrial Quality Inspection Is Obvious, the Overall Revenue Scale Is Growing Rapidly: Initiation Table_Info 首次覆盖优于大市首次覆盖优于大市Initiate with OUTPERFORM 评级 优于大市 OUTPERFORM 现价 HK$20

3、.00 目标价 HK$27.74 市值 HK$11.19bn / US$1.43bn 日交易额 (3 个月均值) US$0.79mn 发行股票数目 559.30mn 自由流通股 (%) 24% 1 年股价最高最低值 HK$20.35-HK$8.09 注：现价 HK$20.00 为 2022 年 5 月 6 日收盘价 资料来源： Factset 1mth 3mth 12mth 绝对值 25.3% 2.8% 绝对值（美元） 25.1% 2.0% 相对 MSCI China 37.3% 25.4% Table_Profit (Rmb mn) Dec-21A Dec-22E Dec-23E Dec-2

4、4E 营业收入 861 1,551 2,495 3,996 (+/-) 86% 80% 61% 60% 净利润 -637_ -579_ -442_ -95_ (+/-) -76% 9% 24% 79% 全面摊薄 EPS (Rmb) -1.14 -1.03 -0.79 -0.17 毛利率 31% 32% 34% 35% 净资产收益率 70% -35% -24% -21% 市盈率 n.a. n.a. n.a. n.a. 资料来源：公司信息, HTI (Please see APPENDIX 1 for English summary) 深耕深耕 AI+工业制造的人工智能解决方案提供商。工业制造的人

5、工智能解决方案提供商。公司是中国快速成长的企业 AI 解决方案提供商，重点专注于制造、金融等行业的 AI赋能，在“技术资产”+“行业场景”双轮驱动模式下，打造 MMOC 平台体系，包括 ManuVision（机器视觉智能平台）；MatrixVision（边缘视频智能平台）；Orion（分布式机器学习平台）和 Cloud（云平台），赋能制造业智能化转型。公司目前员工数 400+，计划扩张到千人规模。 公司是计算机视觉和机器学习中小样本学习机制的典型代表。公司是计算机视觉和机器学习中小样本学习机制的典型代表。2021 年，大模型机器学习迎来爆发，是人工智能发展的重要方向之一，但大模型大样本的泛化性

6、并不能适用所有应用场景，比如制造业中的缺陷检测系统。 公司专注于公司专注于 AI应用的实践落地和应用的实践落地和 AI工程化，持续在人工智能产业工程化，持续在人工智能产业链上层（应用层）发力，向上发展。链上层（应用层）发力，向上发展。人工智能产业链可以分为 AI基础层（模型生产、算力基础和数据资源管理），AI 技术层（计算机视觉、语音识别、NLP、机器学习和知识图谱等）和 AI 应用层（AI+泛安防、AI+工业、AI+金融等）。公司持续在 AI 应用层（工业和金融）重点投入，不断深化在相关领域的 AI 工程化实践落地，构建 AI+行业 know how 的技术路线，形成显著的差异化竞争态势和发

7、展思路。 公司在工业公司在工业 AI 质检领域优势明显。质检领域优势明显。根据 IDC 的市场格局报告，目前，公司在中国计算机视觉市场占有率排名第五，在机器学习市场占有率排名第四。而在工业质检子领域，公司仅次于百度智能云排名第二，在独立第三方 AI 解决方案提供商中位列榜首。 公司业绩高速增长。公司业绩高速增长。2018 到 2021 年，公司实现收入分别为3720.8 万，2.29 亿，4.62 亿和 8.61 亿。2021 年，公司收入增长了 86%，其中制造业收入增长 133%，金融行业增长了 49%，制造业营收占比提升至 52.2%，制造+金融两者的收入占比达到84%。受益于新基建和“

8、十四五”智能制造发展规划的政策推动，我们认为，在制造业这个强赛道，公司将会继续保持高速增长。 投资建议：投资建议：我们预测，公司 2022-2024 年营业收入分别为15.51/24.95/39.96 亿元人民币，2021-2024 期间的收入 CAGR 为67%。综合考虑公司和可比公司的收入增速、毛利率水平，所在市场，以及公司在行业和赛道的差异化竞争优势等因素，我们给予公司 2022 年 10 倍 PS，则目标市值为 155.12 亿元人民币，按 5.593 亿总股本计算，目标价格为 27.74 元人民币/股（对应 32.89港元/股），首次覆盖给予“优于大市”评级。风险提示风险提示：公司制

9、造业领域收入放缓影响整体收入增速，工业质检领域竞争加剧导致公司收入增速和毛利率提升不及预期，海外限制政策影响相关市场估值水平等因素。 Table_Author Liang Song 杨林杨林 Lin Yang Natalie Wu, CFA 4070100130160Price ReturnMSCI ChinaJan-22Volume 9 May 2022 2 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 1. AI 行业综述行业综述 我国十四五规划纲要提出着力打造数字新经济并强调了人工智能等新兴数字产业在提高国家竞争力上的重要价值。对于数字经济来

10、说，人工智能技术在很多行业，包括商业、传媒、金融、电信、工业、能源等，都有了成熟落地的解决方案。很多产业的应用场景，通过不断地数据积累和算法迭代，提升了行业的生产效率，实现了降本增效的作用。随着新基础设施计划的实施和产业互联网的发展，人工智能产业已成为数字经济时代的核心生产力和产业支撑能力，是数字经济相关产业由数字化向智能化升级的核心技术。 图图 1：2021 年中国各行业数字化增益产值年中国各行业数字化增益产值 资料来源：艾瑞咨询，HTI 人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗透且成熟度不断提升。随着越来越多的模型出现和海量数据的积累，各行业应用场景价值逐步提升

11、，人工智能应用已从大政务、泛安防、消费、互联网等向制造、能源、电力等传统行业辐射。以计算机视觉技术主导的人脸识别、光学字符识别（OCR）、商品识别、医学影像识别，工业质检、工业智能机器人等产品的商业价值已得到市场认可；另外，以机器学习、知识图谱、自然语言处理等技术主导的智能决策类产品也在数据治理、客户触达、决策支持等企业核心业务环节广泛应用。 图图 2：人工智能行业成熟度：人工智能行业成熟度 资料来源：艾瑞咨询，HTI PZnUiVhUyQyRoMbR8QaQmOpPpNoMlOoOmReRrQqR6MmNoOuOqRuNNZrNmR 9 May 2022 3 Table_header2 创新

12、奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 从图中可以看出，人工智能在泛安防和金融领域，市场规模、应用场景、数据规模和算法成熟度的水平都较高，而在制造业领域，从 2021 年开始，热度显著上升，客户需求激增、算法增量和数据规模水平已提升至较高水平。 图图 3：中国人工智能产业链：中国人工智能产业链 资料来源：艾瑞咨询，HTI 人工智能产业链从底层到上层包括人工智能基础层（AI 模型、算力和数据管理），人工智能技术层（计算机视觉、语音识别，自然语言处理，机器学习和知识图谱）和人工智能应用层（泛安防、工业、金融、泛互联网、医疗、自动驾驶/AGV、零售、对话 AI 等）。 从产业链分

13、布来看，除了互联网大厂、传统芯片厂商和其他创新型公司外，AI四小龙+第四范式广泛布局人工智能产业链从底层到上层的各个环节。应用领域方面，泛安防仍然是 AI 四小龙的主战场，并向泛互联网、零售、医疗，工业扩展，而第四范式在金融数据智能决策领域更具实力。与其他知名竞争对手相比较，创新奇智的发展思路比较独特，其深度专注于工业应用领域（公司另一主要业务是金融ABC 监控一体机），从基础算法、模型生产、机器学习到 AI 工程交付都与工业智能应用密切相关，目前主攻方向是工业质检。 1.1. 人工智能核心领域人工智能核心领域 从人工智能技术分类角度，人工智能核心领域主要包括计算机视觉、机器学习、自然语音处理

14、、智能语音和 AI 芯片等，这里主要对计算机视觉和机器学习进行描述。 1.1.1. 计算机视觉计算机视觉 计算机视觉是目前商业化程度最高的领域，应用场景广泛，如人脸识别技术。艾瑞咨询认为，技术上，在定位、检测、分割、测量等基础感知任务上业界已经取得良好表现，但在多模态信息融合技术、3D识别、数据路径依赖等问题上仍需要继 9 May 2022 4 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 续突破。目前，计算机视觉面临的主要难点在于海量数据标注问题，仅通过人为标注的方法已无法适应深度学习，需从无标签数据学习中探索计算机视觉技术的突破。从现阶段的人工

15、智能技术发展趋势看，关键点在两个方向，即“大模型预训练”的自监督学习和减少数据量依赖的少样本学习。自监督学习领域目前是最为活跃的学习方式，例如图灵奖获得者杨立昆（Yann LeCun），在加速自监督学习的研究进程，通过从未标记的数据集中学习监督信息，提升数据无标注下的学习能力；谷歌、脸书等多家企业也先后发布使用自监督学习的算法模型，通过挖掘无标注数据的监督信息，显著减少人为干预；华盛顿大学利用自监督学习方式实现图像背景的前后景分离，精度达像素级别，可实现头发丝的精确分离。而少样本学习则是通过复用其他领域知识结构，使用少量数据对新领域进行训练，并已进入应用阶段，如英伟达提出基于少样本学习的视频转

16、化（Few-shot vid2vid）框架，仅借助少量目标示例图像即可合成未出现过的目标或场景视频。另外，创新奇智也是少样本学习领域的典型代表，针对非标物体进行计算机视觉实践，目前已广泛应用于工业检测领域。 我国计算机视觉解决方案在泛安防（包括公安、交通、社区、文教卫等多个领域）中的应用深受政策及财政支持，多年以来一直是计算机视觉乃至整个国内人工智能产业实际落地的重要基石。金融领域主要通过计算机视觉产品技术完成人脸识别及证照识别等工作，由于前期市场需求已大部分得到满足，未来数年市场将保持稳定增长。互联网领域，在互联网/ICT/安防等领域巨头大力推进AI开放平台业务的背景下，计算机视觉算法可通过

17、 API 调用模式实现快速扩张。医疗领域是近两年计算机视觉应用最火热的领域之一，尽管现阶段市场规模较小，但随着 AI 医学影像辅助诊断产品及新型智能医疗器械的成熟，医疗领域市场将进入应用发展期。 1.1.2. 机器学习机器学习 数字技术的发展与应用，使得各类社会生产活动能以数字化方式生成为可记录、可存储、可交互、可分析的数据、信息与知识，数据由此成为当代社会的新生产资料和关键生产要素。而机器学习作为数字产业化的 AI 算法工具，体现在企业对数据感知的认可并投资数字应用解决方案。企业开始构建数据仓库、数据中台、数据平台等与数据治理有关的项目，并基于已治理的数据，构建各类智能数字应用。 金融作为信

18、息化水平高、数据标准统一的行业在机器学习领域起跑最早，银行、保险公司、证券公司以及基金公司引入智能决策产品，在营销获客、反欺诈和智能风控等业务场景投资不同业务的解决方案。在工业领域，如汽车制造业、3C高科技、面板半导体等电子设备制造业企业采购嵌入式机器学习技术的大数据产品与机器学习解决方案，服务于生产线故障排查与质检、电路故障排查与检修等业务。另外，在自动驾驶领域，L1L2等级的产品和未来 L3及以上等级的产品也是机器学习的典型应用。 自动机器学习技术（AutoML）是提升 AI 工程化能力的重要工具。自动机器学习是指在机器学习开发应用全流程的部分环节或者全部环节实现自动化，可以有效降低人工智

19、能开发门槛高、技术人才匮乏等挑战。该技术主要包括自动数据预处理、自动特征工程、自动超参数搜索、自动模型网络结构设计、自动模型部署等内容，低代码开发、预训练模型等技术也与自动机器学习密切相关，并呈现融合发展的趋势。当前，头部互联网企业和创新企业已经开始积极布局 AutoML 技术和工具，但受限于技术成熟度，AutoML 的应用场景还停留在某些开发环节（如特征工程）或者某些特定的技术领域（如语音识别、目标检测、智能对话等）。 9 May 2022 5 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 现实企业经营中，传统依赖经验决策与人力计算显然已难以满足

20、企业的需求，运算速度快、自动化程度高、分析精准的决策智能应用由此走入企业视线。智能决策指使用机器学习等技术，对企业的内外数据进行治理，挖掘和利用数据背后的信息，让机器具备自主分析、预测、选择的功能，从而解决生产经营过程中的决策管理问题，其本质是一个数据治理的过程，属于认知计算的领域，步骤包括数据收集、数据清洗、模型训练、模型验证四个阶段，是机器学习向上层应用落地的基础。就算法类型而言，一般常见的代表算法有迁移学习、强化学习、分类与回归树等。目前，智能决策已在金融、零售、制造、医疗、自动驾驶等领域获得应用，其中，金融领域渗透率最高。（以上结合艾瑞咨询和中国信通院报告以及行业专家的观点） 1.1.

21、3. 大模型大模型 大模型，即超大规模预训练模型，其对运算速度与算法的要求极高，因而需要充足的芯片资源支持与复杂的机器学习算法支撑。自 OpenAI 于 2020 年推出 GPT-3 以来，谷歌、华为、智源研究院、中科院、阿里巴巴等企业和研究机构相继推出超大规模预训练模型，包括 Switch Transformer、DALL*E、MT-NLG、盘古、悟道2.0、紫东太初和 M6，不断刷新各榜单纪录。百度 ERNIE3.0 模型在自然语言理解任务上的综合评分（GLUE）已达 90%以上，智源悟道文澜模型在多源图文数据集评分（RUC-CAS-wenlan）相比 OpenAI 的 CLIP 模型大幅

22、提升 37%。根据中国信通院的预计，当前，预训练模型参数数量、训练数据规模正按照 300 倍/年的趋势增长，大模型算法和增加训练数据仍是短期内的演进方向；另外，跨模态预训练大模型日益普遍，已经从早期只学习文本数据，到联合学习文本和图像，再到如今可以处理文本、图像、语音三种模态数据，未来使用更多种图像编码、更多种语言、以及更多类型数据的预训练模型将会继续涌现，是实现人工智能通用化的有益探索。 图图 4：大模型参数量和训练数据：大模型参数量和训练数据规模增长规模增长 资料来源：中国信通院，HTI 艾瑞咨询认为，虽然大模型于 2021 年迎来爆发，但进一步发展将面临几个问题：1）算法方面，参数越多、

23、模型越复杂，模型越难以解释，复杂的大模型成为了“黑箱”，让业务使用者甚至是研发者都无法获知模型的结果与特征之间的关系。2）投入产出方面，成本与回报难匹配，训练所需的芯片成本过高、训练时间过长、碳排放量过高，而训练出的模型可能局限于某些行业业务、普适性差，让大模型沦为一次性的模型，浪费大量资源。3）应用实践方面，客户更注重模型的实用性，很多小模型即可满足客户的业务需求，且成本更低，性价比更高。然而，宏观经济运行与监管和大规模计算应用需求，如：航空航天量子计算、医药研发、细胞 9 May 2022 6 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 分类

24、等社会与自然科学领域的重大分析任务，以及跨行业的通用模型研究又需要大模型工具。对此，大小模型云边端协同发展的模式被提出：云端大模型为边，提供充足的算力与数据存储空间，容纳大模型的训练与演变；小模型为端，输出通用知识与能力，并快速执行推理任务，专注于特定场景，并向云端大模型反馈数据和结果，最终实现功能独立的大模型的全社会共享。 1.1.4. 少样本学习（少样本学习（Few-Shot Learning） 随着大数据时代的到来,深度学习模型已经在图像分类、文本分类等任务中取得了先进成果。但深度学习模型的成功,很大程度上依赖于大量训练数据。而在现实世界的真实场景中，某些类别只有少量数据或少量标注数据，

25、而对无标签数据进行标注将会消耗大量的时间和人力。与此相反，人类只需要通过少量数据就能做到快速学习，即少样本学习。 少样本学习(FSL)在机器学习领域具有重要意义和挑战性。成功地从很少的样本中学习和归纳的能力是区分人工智能和人类智能的一个明显的界限，因为人类可以很容易地从一个或几个例子中建立他们对新事物的认知，而机器学习算法通常需要大量样本来保证泛化能力。FSL 的起点可以追溯到 21 世纪初，相关研究已有 20多年的历史，近年来随着深度学习技术的蓬勃发展开始引起了广泛关注。 一般来说，深度学习的成功可以归结为三个关键因素：强大的计算资源(如GPU)、复杂的神经网络和大规模数据集。然而，在现实的

26、应用场景中，比如在工业、医学、军事、金融等领域，由于行业特性、隐私、安全、数据标注成本高等各种客观因素，无法获得足够的标签训练样本。因此，使学习系统能够有效地从很少的样本中进行学习和归纳，成为与大模型大样本学习相对应的另一项研究领域。 从更高层次上看，研究少样本学习的理论和现实意义主要来自三个方面。首先，FSL 方法不依赖于大规模的训练样本，从而避免了在某些特定应用中数据准备的高昂成本。第二，FSL 可以缩小人类智能和人工智能之间的差距，是发展通用人工智能的必要途径。第三，FSL 可以实现一个新兴任务的低成本和快速的模型部署，而这个任务只有少量暂时可用的样本，这有利于阐明任务早期的潜在规律。（

27、以上是清华大学人工智能专家关于少样本学习的部分论述，HTI 整理） Landing AI 公司是一家 AI 创新公司，创始人是人工智能领域赫赫有名的吴恩达，谷歌大脑实验室的创始人、百度前首席科学家。该公司构建了一个名为LandingLens 的平台，帮助制造商利用计算机视觉进行视觉检测。近日，吴恩达接受了 IEEE 的采访，谈了他对人工智能发展趋势的看法。吴恩达认为过去十年，深度学习发生在面向消费者的公司，这些公司拥有庞大的用户群，也因此拥有非常庞大的数据集，这种大模型机器学习范式为消费类软件带来了巨大的经济价值，但适用于这种规模的方法对于其他行业并不适用。在许多行业中，巨型数据集根本不存在，

28、有50个好样本就可以构建一些有价值的东西，比如缺陷检测系统，所以关注点必须从大数据转向好数据，并构建以数据为中心的 AI。在大模型场景中，比如消费类，AI 平台可以训练少数几种机器学习模型来服务 10 亿级的用户，但在制造业场景，可能要为 1 万个制造商构建 1 万个定制化的人工智能模型，所以为了能够实现可扩展性，必须赋能客户来做大量的训练和相关工作。Landing AI 平台可以提供一套 AI 赋能工具，确保软件快速且易于使用并通过机器学习开发的迭代过程为客户提供建议，让制造企业可以自己完成机器学习任务，比如如何在平台上训练模型，何时以及如何改进数据的标注，从而提高模型的性能。 2022 年

29、初，创新奇智的一篇“关于双注意力机制少样本学习“的研究论文被全球人工智能顶会 AAAI 收录，这篇论文主要是针对少样本细粒度图像识别任务，可用于制造业等领域标注样本极少的情况下区分属于不同子类的图像，如不同车型的汽 9 May 2022 7 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 车、不同类型的零件、零件上不同种类的缺陷等，减少实际应用场景中对数据量的依赖，并提高识别准确率。由于细粒度属性，该识别任务的难度在于需要获取有限训练数据中细小但具有辨识性的部件级别模式，论文提出的由硬/软双注意力流构成的双注意力网络（DUAL ATT-NET），在常

30、用的细粒度基准数据集上的结果明显优于其他的现有方法。 注意力机制（Attention Mechanism）是机器学习中的一种数据处理方法，本质上与人类对外界事物的观察机制相似。通常来说，人们在观察外界事物的时候，首先会关注事物某些重要的局部信息，然后再把不同区域的信息组合起来，形成一个整体印象。注意力机制能够使深度学习在观察目标时更加具有针对性，提高目标识别与分类的精度。软注意力是确定性的注意力，学习完成后可直接通过网络生成，软注意力是可微分的，意味着可以通过神经网络算出梯度并且前向传播和后向反馈来得到注意力的权重。很多工业领域的应用，如分类、检测、分割、视频处理等都会使用到软注意力。而硬注意

31、力则更加关注点，图像中的每个点都可能延伸出注意力，同时硬注意力是一个随机预测过程，强调动态变化，是一种不可微分的注意力，需要通过增强学习来训练完成。 图图 5：细粒度数据集的可视化实验：细粒度数据集的可视化实验 资料来源：创新奇智，HTI 根据双注意力机制少样本学习将软/硬注意力样本进行可视化，图中第一排为输入图像；第二排为硬注意力选取的深度描述符的位置，均对应物体的细粒度部分，如头、耳、尾、轮胎等；第三排为软注意力展示，更多的细节细粒度模式能够被软注意力关注到。 综上来看，大模型对某些场景适用（比如 2C 领域，用户量大且数据泛化性强），但对某些场景不适用（比如工业缺陷检测，场景个性化程度高

32、，数据量小且泛化性差）。在个性化场景中，需要通过小样本学习来提升数据质量，进而提升模型的质量，并结合AI交付工具设计将“最后一公里”交给客户。创新奇智的MMOC平台在体系设计方面，包括小样本学习机制，面向结构化数据的特征平台，面向图像数据的训练模型以及数据建模的 AutoML 等方面，同样都是聚焦在数据质量提升以及面向客户的无代码低门槛建模上，整体思路与 landing AI 平台的构建理念高度一致。 9 May 2022 8 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 1.1.5. AI 工程化工程化 Gartner 将“AI 工程化”列为 2

33、021 年度九大重要战略科技趋势之一。Gartner 认为，只有 53%的项目能够从 AI 原型转化为生产力。AI 要成为企业生产力，就必须以工程化的技术来解决模型开发、部署、管理、预测等全链路生命周期管理的问题。在 Gartner 的 AI 魔力象限中，阿里云成为首次入选 DSML（数据科学与机器学习）和 CAIDS（云 AI 开发者服务）魔力象限，而百度云、腾讯云也进入了 CAIDS魔力象限。针对 AI 工程化落地的实践经验，阿里云认为应该具备三大基础能力：平台云原生化、模型超大规模化、AI 服务场景化（懂 AI，更要懂行业），这代表了互联网大厂和第三方头部 AI 厂商的主流发展思路。 A

34、I 商业化落地是系统性工程，从需求分析、方案设计、数据收集/预训练，再到软硬件开发和解决方案落地，各环节对 AI 的实际应用效果都将产生直接影响。所谓AI 工程化可以定义为：不涉及 AI、算法、前沿分支的深入研究和探索，而是基于业界成熟算法，结合行业产业需求，形成可落地的可实施的工程方案，即称为 AI 工程化。工程化能力是对 AI 厂商综合能力的全面考验，缺乏工程化能力的 AI 厂商则可能在商业拓展上受阻。与学术界 AI 模型不同，工业界 AI 模型是在不断调整优化的过程中注入了企业对行业的理解和认知，模型技术能力向生产力的实质转化效率是AI 工程化落地的重要依据。总体来看，AI 工程化意味着

35、技术的成熟和良好的使用体验，可以让 AI 应用加速落地，是人工智能产业发展的必要条件。 根据中国信通院的报告统计，目前我国在视觉、语音等应用领域的工程化水平处于全球领先地位，算法模型的二次创新优化能力也非常突出，如：旷视的ShuffleNet模型具有轻量级 CNN模型结构（卷积神经网络），在计算复杂度相同情况下，相比其他模型可编码更多信息，人脸解锁时间小于 0.1 秒。百度推出的ERNIE 模型是基于 BERT（全称为 Bidirectional Encoder Representation from Transformers，是一个预训练的语言表征模型。）的预训练思想，支持词汇、语法、语义三

36、个层次的预训练任务，可获得更多的潜在语义信息，在中文任务上已超越原 BERT 模型水平。另外，我国企业在多个全球权威比赛中也成绩突出，如：商汤、旷视、依图、腾讯等企业在细粒度图像识别、自动驾驶场景定位及追踪、行人重识别（ReID）、人体视频解析等复杂任务上位列各类比赛榜单首位，哈工大讯飞联合实验室在推理阅读理解评测任务（HotpotQA）全维基赛道中获得第一，百度提出的面向端到端问答的检索模型 RocketQA 刷新微软 MS MARCO（微软机器阅读理解）段落排序任务的榜单。 AI 工程化应用实践工程化应用实践 一直以来，to G 的泛安防是 AI 应用落地的强应用，如今，以工业、金融、零售

37、和医疗为代表的各行业正以 AI 应用率先落地的原始场景为起点，逐步实现了更多场景的赋能延伸。多业务场景的泛化升级将带来企业 AI 应用的数据连通与业务协同等加成效应，加速企业的智能化转型进程。 9 May 2022 9 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 图图 6：AI 工程化落地实践场景工程化落地实践场景 资料来源：艾瑞咨询，HTI 工业企业数字化转型进度不一，AI 应用落地以质量检查和工业机器人引导的视觉领域先行，而近年来受数据平台成熟与痛点需求驱动，以预测性维护与供应链管理为代表的经营运维应用热度渐起。创新奇智专注于生产制造环境的质

38、量检测领域（包括工业机器人视觉引导），目前处于业界领先地位。金融在国家政策引导和业务需求驱动下，已率先进入从数据治理、平台建设到 AI应用服务的进程阶段，AI应用场景更加广泛，由前台的客户运营营销向后台的信贷业务做持续渗透。以第四示范为代表的智能决策系统广泛应用于金融行业，创新奇智在金融行业数据中心的智能监控领域也已形成规模销售。 AI 应用应用的定制化要求（属的定制化要求（属 AI 工程化范畴）工程化范畴） 现阶段在国内，无论是从 AI 服务商营业收入构成，还是 AI 落地的实际需求的角度来看，定制化项目是 AI 行业应用的主要业务形式，这种类型的项目需要更多额外人员的投入，项目周期也随着前

39、期调研和产品个性化研发相应拉长。定制化项目尤其是包含软硬件及安装服务的综合类项目的合同金额一般较大，但周期较长。对于 AI 应用落地来说，完全的 AI 产品化是比较困难的，但如果解决方案中的标准化模块占比越高，定制化的工作量就会越少，可以降低边际成本来实现对新客户/场景的覆盖，收入增长速度可以远超成本增长速度，实现定制化解决方案的规模效应。 创新奇智的思路是在项目中不断提升整体解决方案的标准化程度，但不刻意追求完全的标准化产品。以智慧铁水运输为例，它不是一个标准化的产品，但通过 3年的项目打磨，不断积累标准化的技术资产，标准化的提升直接反映到毛利率的提升，钢铁冶金细分行业的收入超过一半都来自于

40、这一解决方案。 另外，在 AI 工程实践的研发管理体系中，以 MLOps 为代表的自动运维技术受到越来越多的关注。MLOps 是指机器学习开发运维一体化，包含项目设计、模型开发、模型运维三大步骤，融合了业务、数据、算法和运维，以更加快捷的方式完成试验、开发、部署和管理 ML 模型，保证 ML 模型的交付与运行质量，相当于机器学习领域的 DevOps，其主要作用是构建可通用、可复用的模型生产流水线。机器学习的生命周期全流程复杂且耗时，只有在部署的模型与现有业务充分整合后，各业务线才能从模型中获得效用与价值，而实际情况是业务开发与模型部署常常脱节，包括工具的碎片化、数据样本匮乏、集成开发环境缺失、

41、模型可解释性差、行业知识短板等等。为改善这些现实障碍，MLOps 可更好的衔接模型开发运维的全流程，通过自动化、可重复的工作流与可复用的数据和模型技术资产来提升开发运行效率，从而加速机器学习周期和提升模型的可解释性。 9 May 2022 10 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 1.1.6. AI 平台化的商业价值平台化的商业价值 在非标的定制化项目中找到相对标准化、效率化供给方式是 AI 企业实现规模化效应的关键点。作为 AI 技术和资源支撑的 AI 平台是众多 AI 解决方案使能的核心载体，由于平台可以提供云化算力支持、数据治理一体

42、化工具、通用的模型开发能力，甚至可以提供面向部分应用场景的标准化 AI模型，AI平台可标准化程度越高，则 AI企业的产品化能力就越强。在市场机会方面，AI平台面向的市场巨大，一旦客户依赖于该平台，将产生很强的产品黏性。根据艾瑞咨询的调研，目前，企业普遍缺乏智能应用研发与部署的支撑能力，AI 算法模型研发门槛高，部署工具难以在实际生产环境中的广泛落地，AI技术与行业的融合应用仍有巨大的鸿沟，通过 AI平台化建设可以让 AI 落地摆脱碎片化落地的状态，从而在各个行业赛道里进行广泛布局，并且能够把创新型的技术成果快速进行商业转化。但就目前而言，通用型 AI 平台在具体应用领域中，特别是垂直细分领域，

43、如工业制造，其能否实现平台化的广泛性和普适性，我们认为还有待探索和观察。 9 May 2022 11 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 1.2. 市场格局市场格局 根据 IDC 发布的 2021 年上半年市场份额排名，计算机视觉领域，前五名的厂商为商汤科技、海康威视、云从科技和创新奇智。从规模上看，前五大厂商已经能够跻身世界领先行列。其中增速明显的企业包括创新奇智、商汤科技、海康威视；机器学习领域，第四范式在该市场仍然保持领先优势，华为云也取得高速增长，九章云极、创新奇智紧随其后。另外，很多创新型企业也参与其中，例如星环科技，天云大数据

44、等。 图图 7：中国计算机视觉应用市场份额排名：中国计算机视觉应用市场份额排名 图图 8：中国机器学习平台市场份额排名：中国机器学习平台市场份额排名 资料来源：IDC，HTI 资料来源：IDC，HTI 我们从各领域挑选了 12 家 AI 厂商进行对比。独立第三方 AI 厂商中，商汤的收入规模最高，主要聚焦在 to G 领域，云从和第四范式更多聚焦在金融领域，旷视在仓储物流 AGV 业务领域有竞争优势；如前所述，AI 四小龙更加聚焦基础层和平台层，提供算力标准化和交付产品标准化封装。传统行业巨头，如海康威视，在工业智能机器人领域发展迅速，而传统工业视觉领域，Keyence 和 Cognex 是绝

45、对的龙头企业，收入规模较大，软硬件产品都是自研产品，所以毛利率很高，但由于其偏传统工业视觉算法，在国内市场，创新奇智具备国产替代的潜在竞争优势。以公有AI云为代表的百度智能云和华为云，发力 AI云平台效应，收入规模较大，特别是百度智能云，IDC发布的2020年工业质检市场份额报告中，排名第一，创新奇智紧随其后。百度云主推百度工业云大脑，做产品工艺洞察，按整条产线进行智能化布局，比如新建整条产线或车间，而创新奇智一般是在现有产线环境下（存量改造），由点到线，再由线到面，层层推进，目前两者存在少量竞争交集。在工业质检领域，创新奇智在与 AI 公有云大厂的竞争中脱颖而出，与其整体战略和 AI 技术发

46、展路径密不可分。 9 May 2022 12 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 图图 9：中国：中国 AI 工业质检市场格局工业质检市场格局 资料来源：IDC，HTI 综合来看，创新奇智的收入规模还小于其他竞争对手，但增速很快。公司毛利率相对其他竞争对手略低，与其所在领域有直接关系，软硬件一体化 AI 解决方案是工业质检行业客户的必选项，公司需要外采硬件产品，如工业机器臂和高清摄像头等，并与自有 AI 平台做完整的系统化集成后交付给客户。从云从科技的毛利率开始收敛，与创新奇智大体在一个水平可以看出，这是垂直应用落地的行业特征，而不是创新

47、奇智自身盈利能力的问题。在算法模型方面，创新奇智也与其他 AI 竞争对手有着显著差异，主要聚焦在少样本模型学习领域，从它在人工智能顶会上发表的论文数（少量）和内容（少样本相关）可见一斑，这与其深耕的物体识别而非人脸识别的市场领域有关。公司的研发占收比远低于竞争对手，也是其 AI 发展路径所导致，从某种意义上来说，公司在向上探索（应用端），突出 AI 工程化落地，聚焦垂直行业细分赛道，而其他竞争对手在向下延伸（基础层，平台化），做更多布局和尝试，属于两种完全不同的发展路线。 IDC 认为，以创新奇智为代表的 AI 企业将计算机视觉技术深入到工业领域的应用场景，迅速渗入市场，打造“智能制造系统”，

48、从运营效率和信息智能两大维度助力智能转型，已经在工业质检领域积累了多个细分领域案例。阿丘科技、思谋科技等 AI 创新型企业与创新奇智最为相似，也大多聚集在成熟度高、空间大的行业，如电子制造、汽车、半导体等市场，以工业质检的 AI 视觉解决方案为切入点，正在开始积累 AI 工业视觉落地的行业 know-how，但目前规模很小。 百度智能云, 14.6%创新奇智, 13.2%华为云, 7.8%阿里云, 5.9%其他, 58.6% 9 May 2022 13 Table_header2 创新奇智 (2121 HK) 首次覆盖优于大市首次覆盖优于大市 表表 1：AI 典型厂商对比表典型厂商对比表 资料

49、来源：wind，公司财报，HTI 注：（1）第四范式是 2021 年前 9 个月收入；云从科技的人工智能解决方案收入占总收入的 87%，毛利率 31.34%，第三方软硬件收入占 36.17%；（2）海康威视的收入为其机器人业务收入，毛利率为其创新业务毛利率，客户数为总客户数；（3）市占率为各公司收入与 IDC 市场规模预测值的比例； 创新奇智在前沿 AI 技术研究方面的投入不及以商汤为代表的 AI 四小龙，发表的顶会论文不多，论文内容也基本与小样本学习，负样本学习和零样本学习领域有关，并与公司所在垂直行业的应用结合紧密，而通用人工智能平台研究目前不是公司的投入重点。行业 AI 人工智能目前出现

50、两种技术路线的发展趋势，一个是通用人工智能平台，通过大模型，大数据，收集长尾数据，并结合大算力，提升算法精确度，来打通各行业的数据差异和壁垒，成为真正的 AI 通用平台，覆盖各行各业。另一种技术路线则是率先下沉到行业 AI专属应用平台，如创新奇智认为：AI未来将作为一种技术工具，从赋能各行业“AI+”向行业应用驱动型“+AI”演进，行业知识作为驱动因子驱动 AI 赋能的注入，终极目标是垂直行业的 AI 运营公司。从这点来看，虽然发展模式不同，但与通用人工智能平台存在殊路同归的理念。 1.3. 中国人工智能产业规模中国人工智能产业规模 根据 IDC 的预测报告，2021 年，中国在 AI 市场的