1、 Table_IndustryInfo 2020 年年 05 月月 29 日日 跟随大市跟随大市(维持维持) 证券研究报告证券研究报告行业研究行业研究汽车汽车 AI 专题报告专题报告 AI 助力人类进入新世界助力人类进入新世界 投资要点投资要点 西南证券研究发展中心西南证券研究发展中心 分析师：谭菁 执业证号：S02 电话： 邮箱： 分析师：宋伟健 执业证号：S01 电话： 邮箱： 行业行业相对指数表现相对指数表现 数据来源：聚源数据 基础基础数据数据 Table_BaseData 股票家数 178 行

2、业总市值（亿元） 17,969.90 流通市值（亿元） 16,317.77 行业市盈率 TTM 21.69 沪深 300 市盈率 TTM 11.9 相关相关研究研究 1. 汽车行业 3 月产销点评：行业降幅收 窄， 重卡需求恢复明显 (2020-04-12) 2. 汽车行业特斯拉专题报告： 持续改善中 的电动车龙头 (2020-02-11) 3. 汽车行业：行业竞争白热化，降本增效 进行时 (2020-01-02) 4. 汽车行业 2020 年投资策略：行业稳定 发展，关注结构性机会 (2019-11-24) 5. 汽车行业 2019 年三季报总结：行业稳 步改善，关注四季度行情 (2019-

3、11-05) 6. 汽车行业 2019 年中报总结：行业低点 已至，静待反转 (2019-09-02) 18 世纪以来，人类经历了三次工业革命，分别以机械、电气和信息技术为核心 驱动力。今天以 AI 为驱动的第四次工业革命已经来临。我国一直在高速地追 赶发达国家，每次革命都提供了更多的变化和机会，也会涌现出来新的科技巨 头。 在物理、化学、材料等基础领域的研究中充满了大数据，而在实际工程中，利 用 AI 提高生产率、降低成本从而提高全球竞争力是各个企业的目标。如果说 几年前，企业大量投资从而达到降本增效的目的还比较模糊，毕竟所有人都追 求“增量” ，但是显然这两年所有企业家都知道要“增效” 。

4、AI 的本质，仍然是 为了在客观世界中和管理实践中增加确定性，这或许是我们所有人都应该具备 的思维。 深度学习是近三十年来机器学习领域发展最快的一个重要分支，也是实现人工 智能的必经之路。深度学习是一类模式分析的统称，含多个隐藏层的多层感知 器就是一种深度学习结构，其最终目标是让机器能够像人一样具有分析学习能 力，能够识别文字、图像和声音等数据。深度学习主要有以计算机视觉和卷积深度学习主要有以计算机视觉和卷积 网络为主、以生成模型为主、序列模型和增强学习四条发展脉络，本节重点介网络为主、以生成模型为主、序列模型和增强学习四条发展脉络，本节重点介 绍卷积神经网络、绍卷积神经网络、AutoEnco

5、der、增强学习和生成对抗网络。、增强学习和生成对抗网络。 虽然技术看起来眼花缭乱，但究其本质，AI 其实是一种新的思维方式，是对人 的意识、思维进行模拟，它渗透到社会的各个层面。提升效率的正面因素是带 来生产率的提升， 而思维和其技术越来越隐藏于背后， 使得外界难以一窥究竟。 可以想见，不具备 AI 思维的企业是没有未来的，不具备 AI 思维的人才是没有 高度的。在可见的未来，AI 将会极大改变社会生态和人才的分布，我们也会更 加深刻地理解，人才是最关键的这个词的真正的力量。 从投资的角度，或许没有办法对技术有多深刻的掌握和理解，由于技术、算法 都是高速迭代，从技术本身进行判断是非常困难的，

6、其商业本质和选择的赛道 会更容判断。所以下面一章，我们会从商业的角度进行梳理。 AI 最令人激动的方面之一是实际应用比比皆是。 深度学习推动了计算机视觉的 发展，而自然语言处理等技术正在极大地提高苹果的 Siri，亚马逊的 Alexa 和 Google 的照片识别质量。在将大数据集与足够强大的技术结合在一起的情况 下，就可以创造价值并获得竞争优势。对 AI 的关注应该是持续的，虽然各行 各业都用 AI 提升自己的效率和技术水平，现阶段在服务、培训、数据、硬件 等方面的投入在持续增加。 重点关注个股重点关注个股：德赛西威（002920.SZ） 。 风险提示风险提示：技术路径风险，政策推动力度不达

7、预期的风险。 -10% -5% 0% 5% 10% 15% 19/519/719/919/1120/120/320/5 汽车 沪深300 AIAI 专题报告专题报告 目目 录录 1 AI 站在科技浪潮之巅站在科技浪潮之巅 . 1 1.1 AI 的发展历程 . 1 1.2 AI 是中国弯道超车的好机会 . 3 2 AI 技术梳理技术梳理 . 5 2.1 机器学习（Machine Learning） . 5 2.2 深度学习（Deep Learning） . 7 2.3 计算机视觉 . 10 3 AI 商业生态梳理商业生态梳理. 11 3.1 技术、硬件全球生态 . 11 3.2 政府和全球巨头生

8、态建设火热进行中 . 13 4 风险提示风险提示 . 14 mNqPrQpMrMmNwPsQxPmQyQbR8Q8OoMqQmOoOlOpPoQlOoOqR6MqQvMvPsPpOMYtRrN AIAI 专题报告专题报告 图图 目目 录录 图 1：每隔五年全球市值前五公司的变迁 . 1 图 2：ImageNet 图像识别错误率的变化 . 1 图 3：不同学派的比较：符号主义与连接主义 . 2 图 4：人工智能的论文产出 . 4 图 5：人工智能技术梳理 . 5 图 6：监督学习的基本流程 . 6 图 7：非监督学习的基本流程 . 6 图 8：半监督学习的基本流程 . 6 图 9：强化学习的基本

9、流程 . 6 图 10：深度学习的重要进展 . 7 图 11：DenseNet 示意图 . 8 图 12：MobileNet 示意图 . 8 图 13：基于卷积神经网络的鸟类识别（图像识别） . 8 图 14：使用 CNN 提取喷流图特征（物理学） . 8 图 15：AutoEncoder 示意图 . 9 图 16：Pre-training 训练神经网络的初始权重 . 9 图 17：生成对抗网络（SinGAN）生成的图像样本 . 10 图 18：编码器模块（DeepLabv3+）的网络结构 . 11 图 19：增强型自动编码器（AAE）的训练过程 . 11 图 20：微软的 AI 布局. 13

10、 图 21：IBM 的 AI 布局 . 13 图 22：谷歌的 AI 布局. 14 图 23：百度的 AI 布局. 14 图 24：腾讯的 AI 布局. 14 图 25：阿里巴巴的 AI 布局 . 14 表表 目目 录录 表 1：人工智能发展历史 . 3 表 2：AI 全球技术生态 . 11 AIAI 专题报告专题报告 1 1 AI 站在科技浪潮之巅站在科技浪潮之巅 随着美国对华为的制裁升级，国内对于高科技的关注与日俱增。我国处于经济转型的关 键时间点已经是毋庸置疑，而整个社会从传统行业转向科技驱动还需要长久的努力。时至今 日，我们对于技术的未来需要有更深层次的理解，所谓科技兴国，在人文上必然

11、需要理性、 理想和理念的价值观来支撑。本篇立足于从技术上对 AI 进行解读，这也是下一次科技浪潮 的必然趋势。 18 世纪以来，人类经历了三次工业革命，分别以机械、电气和信息技术为核心驱动力。 今天以 AI 为驱动的第四次工业革命已经来临。我国一直在高速地追赶发达国家，每次革命 都提供了更多的变化和机会，也会涌现出来新的科技巨头。 人工智能近年来以惊人的速度发展，局部智能水平已经超越人类，比如图像识别领域， ImageNet 图像识别错误率已经降低至 2%以下，明显超过了人类水平。 图图 1：每隔五年全球市值前五公司的变迁：每隔五年全球市值前五公司的变迁 图图 2：ImageNet 图像识别错

12、误率的变化图像识别错误率的变化 数据来源： 人工智能全球格局 ，西南证券整理 数据来源： 人工智能全球格局 ，西南证券整理 在物理、化学、材料等基础领域的研究中充满了大数据，而在实际工程中，利用 AI 提 高生产率、降低成本从而提高全球竞争力是各个企业的目标。如果说几年前，企业大量投资 从而达到降本增效的目的还比较模糊，毕竟所有人都追求“增量” ，但是显然这两年所有企 业家都知道要“增效” 。AI 的本质，仍然是为了在客观世界中和管理实践中增加确定性，这 或许是我们所有人都应该具备的思维。 1.1 AI 的发展历程的发展历程 人工智能（Artificial Intelligence）指由人类制

13、造出来的机器所展现出来的智能，试图通 过计算机来模拟人的思维过程和行为。目前这一领域主要包括计算机视觉、自然语言处理、 跨媒体分析推理、 智适应学习、 群体智能、 自主无人系统、 智能芯片和脑机接口等关键技术， 将为人类的生产生活带来革命性的转变。从历史上看，人工智能主要包括符号主义 （Symbolicism） 、连接主义（Connectionism）和行为主义（Actionism）三大学派： “符号主义”又称心理学派(Psychologism)，原理为符号操作系统假设和有限合理性原 理。其基本思想是应用逻辑推理法则从公理出发推演整个理论体系，在人工智能走向工程应 AIAI 专题报告专题报告

14、2 用和实现理论联系实际具有特别重要的意义。代表人物包括 Newell、Simon 和 Nilsson 等， 主要成果有启发式程序逻辑理论家（LT） 、专家系统、知识工程理论技术等。 “连接主义”又称仿生学派(Physiologism)，原理为神经网络及神经网络间的连接机制 与学习算法。认为人工智能源于仿生学，从神经元开始研究神经网络模型和脑模型，开辟了 人工智能的又一发展道路。代表人物包括 McCulloch、Hopfield 和 Rumelhart 等，主要成果 有脑模型（MP） 、感知机、多层网络中的反向传播算法（BP）和人工神经网络（ANN）等。 “行为主义” 又称控制论学派(Cybe

15、rneticsism)， 原理为控制论及感知-动作型控制系统。 认为智能取决于感知、行为以及对外界环境的自适应能力，把神经系统的工作原理与信息理 论、控制理论、逻辑以及计算机联系起来。行为主义 20 世纪末才兴起，主要关注智能控制 和智能机器人系统，代表性成果为 Brooks 的“控制论动物”六足行走机器人，是一个基于 感知-动作模式模拟昆虫行为的控制系统。 图图 3：不同学派的比较：符号主义与连接主义：不同学派的比较：符号主义与连接主义 数据来源：量子位，西南证券整理 图灵（Turing）最早提出了著名的“图灵测试”和“图灵机”概念，并在 1950 年预言 了创造智能机器的可能性。自 195

16、6 年达特茅斯会议第一次提出人工智能的概念以来，人工 智能的发展经历了三次浪潮： 第一次浪潮（1956-1974） ：算法雏形初现 AIAI 专题报告专题报告 3 第一次浪潮的主要成就是算法、方法论及早期人工智能系统。其中最为杰出的代表就是 贝尔曼公式（增强学习的雏形）和感知机（深度学习的雏形） 。早期人工智能系统主要是用 机器证明的办法去证明和推理一些知识，第一次浪潮中实现效果最好的就是定理证明。这一 时期出了很多人工智能系统，如 STUDENT（1964 年） 、ELIZA（1966 年） ，前者能够实现 应用题的证明，后者可以实现简单的人机对话。但随着计算能力的不足、社会资本的退出、 政

17、府资助的下降，人工智能迎来第一次寒冬。 第二次浪潮（1974-2006） ：专业化发展 较第一次浪潮而言，第二次浪潮朝着更为专业化的方向发展，侧重于借用领域专家的知 识来武装自己。这一时期的主要成就是人工智能计算机、多层神经网络和 BP 反向传播等方 算法的突破及语音识别和语言翻译等领域。第二次浪潮更专注于解决实际问题，不再专注于 理论知识的证明。由于人工智能应用的范畴依旧有限，人工智能的浪潮在 90 年代开始逐渐 消退。 第三次浪潮（2006-至今） ：基于互联网大数据的深度学习 与前两次浪潮不同，第三次浪潮依靠的是计算机性能的提升和海量数据的不断积累，其 核心是深度学习的突破。 2016

18、年的 AlphaGo 和 2017 年的 AlphaGo Master 这两个智能程序 的胜出，促使着人工智能逐渐成为当下炙手可热的研究领域。依靠算法、大数据、计算力的 作用，人工智能迎来第三次浪潮。此外，深度学习在语音识别、图像识别、自然语言理解等 领域均取得了突破性进展，再加上海量数据提供测试样本和强大计算能力的支持，人工智能 开始向前高速发展。 表表 1：人工智能发展历史人工智能发展历史 时间时间 里程碑事件里程碑事件 1956 达特茅斯会议标志 AI 正式诞生 1957 罗布森拉特发明感知机 1960 通用问题求解系统 GPS 系统 1968 DENDRAL 专家系统问世 1969 感

19、知机局限性被指出，连接主义人工智能跌入谷底 1983 经典的 NP 难度的旅行商问题被循环神经网络解决，连接主义再次崛起 1986 BP 算法被发明 20 世纪 90 年代 统计学习登场，代表性技术是支持向量机（SVM） 2006 深度学习神经网络提出 2016 AlphaGo 的胜出是重要里程碑 数据来源： 人工智能的前生、今世与未来 ，西南证券整理 1.2 AI 是中国弯道超车的好机会是中国弯道超车的好机会 众所周知，国内科技企业往往都是先从低端产品做起来，再逐步往上游延伸。比如先从 OEM 做到系统集成，然后再做上游关键零部件，最后积累实力才涉及更基础的研发。AI 的 浪潮中，最核心的就

20、是算法，大家都在算法上角逐，使得基础研究到技术开发到系统集成扁 平化，研究比一般的企业更加贴近市场，这会带来全新的变化：企业创始人和核心管理团队 都必须是技术大牛，企业的文化更加高效，从而极大降低管理成本。在基础研究领域中，国 AIAI 专题报告专题报告 4 内 AI 的水平在迅速提升，中美是最有可能引领该潮流的两个国家，AI 是中国弯道超车的好 机会。 过去二十年间，全球众多国家和地区广泛地参与到人工智能领域的基础性研究中，其中 中国和美国的论文产出位于全球的第一、二位，且是位于第三位的英国产出量的倍以上。英 国、日本、德国、印度、法国、加拿大、意大利、西班牙、韩国、台湾、澳大利亚构成了该

21、领域论文产出的第二梯队。 图图 4：人工智能的论文产出：人工智能的论文产出 数据来源： 2018人工智能发展报告 ，西南证券整理 虽然论文多，但是国际人工智能杰出人才集中投入于美、英、德、法等少数发达国家， 排名前十的国家 AI 人才投入占据总量的 63.6%。美国在人工智能杰出人才投入量上依旧遥 遥领先，占据世界总体的 25%， 。中国排名第六，杰出人才占比过低。 此外高强度人才投入的企业集中在美国， 中国仅有华为一家企业进入前 20。 国际人工智 能人才投入主要以计算机软硬件开发企业为主体，美国相关行业发轫于 19 世纪末，IBM、微 软、谷歌等公司皆为行业巨头，在世界范围内拥有广泛的影响

22、能力，成为集聚人工智能领域 人才的企业前三甲，英特尔、通用电气、惠普、霍尼韦尔、思科、高通、苹果等美国知名企 业也榜上有名。德国的西门子、SAP、软件、博世三家企业入驻前 20，主要以大型制造企业 为主。 369588 327034 96536 94112 85587 75128 72261 61782 61466 58582 52175 46138 45884 34028 27552 25596 25138 23499 22770 19481 0 50000 100000 150000 200000 250000 300000 350000 400000 AIAI 专题报告专题报告 5 2

23、AI 技术梳理技术梳理 人工智能的技术在近年得到长足的发展，主要还是围绕着深度学习、机器视觉两大块。 深度学习是机器学习的升级，流行的卷积神经网络，GAN 等都属于深度学习。 图图 5：人工智能技术梳理：人工智能技术梳理 数据来源：西南证券 2.1 机器学习（机器学习（Machine Learning） 机器学习（ML）是人工智能的重要子领域，与数据挖掘（DM）和知识发现（KDD）领 域相交叉它他的处理系统和算法主要是通过找出数据里隐藏的模式进而做出预测的识别模 式。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度 理论等多门学科。 专门研究计算机怎样模拟或实现人类

24、的学习行为， 以获取新的知识或技能， 重新组织已有的知识结构使之不断改善自身的性能 从发展历史来看， 1950 年图灵测试和 1952 年塞缪尔开发跳棋程序属于机器学习的奠基 时期的。经历过六七十年代发展停滞的瓶颈时期后，神经网络反向传播算法（BP） 、多参数 线性规划（MLP） 、决策树、回归树、ID4 和 CART 算法在八十年代相继提出，机器学习开 始重振。 机器学习的常见算法有决策树、朴素贝叶斯、支持向量机、随机森林、人工神经网络、 Boosting 与 Bagging、关联规则、期望最大化、期望最大化等十大算法。可以按照训练样本 提供的信息以及反馈方式分为监督学习、非监督学习、半监督

25、学习、强化学习。监督学习、非监督学习、半监督学习、强化学习。 监督学习（Supervised Learning）的数据集是有标签的，目标是通过建模样本的特征和 标签之间的关系。根据标签类型可以分为分类问题和回归问题两类，分类问题用来预测某一 样东西所属的类别（离散的） ，回归问题用来预测某一样本所对应的实数输出（连续的） 。大 部分模型如线性分类器、支持向量机等都属于监督学习， 常见算法包括 k-近邻算法 （kNN） 、 决策树（DT）和朴素贝叶斯等。 无监督学习（Unsupervised Learning）的数据集是完全没有标签的，依据相似样本在数 据空间中一般距离较近这一假设分类，可以解决

26、的问题可以分为关联分析、聚类问题和维度 约减。关联分析是指发现不同事物之间同时出现的概率，聚类问题是指将相似的样本划分为 AIAI 专题报告专题报告 6 一个簇，维度约减是指减少数据维度的同时保证不丢失有意义的信息。常见算法包括 DBSCAN 算法、最大期望算法（EM） 、主成分分析（PCA） 、k-均值算法和稀疏自编码等。 图图 6：监督学习的基本流程：监督学习的基本流程 图图 7：非监督学习的基本流程非监督学习的基本流程 数据来源： 2019人工智能发展报告 ，西南证券整理 数据来源： 2019人工智能发展报告 ，西南证券整理 半监督学习（Semi-Supervised Learning）

27、是监督学习与无监督学习相结合的一种学习 方法，数据集量大但标签少。常见的半监督学习方式包括直推学习和归纳学习，直推学习可 以用没有标记的测试数据进行训练，而归纳学习不使用没有标签的数据做测试集 强化学习（Reinforcement Learning）从动物学习、参数扰动自适应控制等理论发展而 来，目标是在每个离散状态发现最优策略以使期望的折扣奖赏和最大。强化学习在机器人学 科中被广泛应用，如果 Agent 的某个行为策略导致环境正的奖赏（强化信号） ，那么 Agent 以后产生这个行为策略的趋势便会加强，通过这种方式改进行动方案以适应环境。 图图 8：半监督学习的基本流程：半监督学习的基本流程

28、 图图 9：强化学习的基本流程强化学习的基本流程 数据来源： 2019人工智能发展报告 ，西南证券整理 数据来源： 2019人工智能发展报告 ，西南证券整理 AIAI 专题报告专题报告 7 2.2 深度学习（深度学习（Deep Learning） 深度学习（DL）是近三十年来机器学习领域发展最快的一个重要分支，也是实现人工智 能的必经之路。深度学习是一类模式分析的统称，含多个隐藏层的多层感知器就是一种深度 学习结构，其最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声 音等数据。深度学习源于人工神经网络的研究，最早可以追溯到 1958 年的感知机，通过组 合低层特征形成高层特

29、征来发现数据的分布式特征表示。 深度学习主要有以计算机视觉和卷积网络为主、以生成模型为主、序列模型和增强学习深度学习主要有以计算机视觉和卷积网络为主、以生成模型为主、序列模型和增强学习 四条发展脉络，本节重点介绍卷积神经网络、四条发展脉络，本节重点介绍卷积神经网络、AutoEncoder、增强学习和生成、增强学习和生成对抗网络。对抗网络。 图图 10：深度学习的重要进展：深度学习的重要进展 数据来源： 2019人工智能发展报告 ，西南证券整理 （1）卷积神经网络是深度学习的代表算法之一卷积神经网络是深度学习的代表算法之一。卷积神经网络（CNN）最早的雏形是 由 LeCun 在 Fukushim

30、a 的神经网络结构的基础上应用 BP 算法进行训练实现的。2012 年 Hinton 引入深层结构和 Dropout 方法提出了 AlexNet， 颠覆了图像识别领域。 在这个基础上， 2013 年 LeCun 提出的 DropConnect 和 2014 年颜水成提出的 NIN 引发了大家对 CNN 结构 的大胆创新，两个新的构架 Inception 和 VGG 把网络加深到 20 层。2015 年任少卿提出 ResNet 将 CNN 深化到 152 层、1202 层等，后来 Residual-Attention、DenseNet、SENet、 MobileNet 也各有贡献。 AIAI 专题报告专题报告 8 图图 11：DenseNet 示意图示意图 图图 12：MobileNet 示意图示意图 数据来源：CSDN，SIGAI，西南证券整理 数据来源：CSDN，SIGAI，西南证券整理 卷积神经网络的结构主要由输入层、隐含层以及输出层三个部分组成，其中隐含层又包 括了由卷积核和卷积层参数并通过激励函数表达的卷积层、 池化层、Inception 模块和全连接 层。以 LeNe