1999年上映的《黑客帝國》雖然不是人類關(guān)于人工智能的第一次影視化探索，卻可以說是最有影響力的一次。

　　電影講述的是基努李維斯飾演的網(wǎng)絡(luò)黑客尼奧發(fā)現(xiàn)自己生活的世界被某種外部力量控制并通過調(diào)查發(fā)現(xiàn)自己活在人工智能的虛擬世界里，之后同一個反抗者組織奮起而抗爭的故事。

　　在《黑客帝國》設(shè)定的真實世界中，他們的肉體早已被當作被養(yǎng)殖的作物，為母體供應(yīng)能量，只有意識在母體Matrix中活動，誤以為自己還在過正常生活。

　　2011年，英劇《黑鏡》第一季上線，之后連續(xù)推出四季，這是一部探討科技對人類生活改變的電影，其中也包含諸多人工智能對于人類生活的改變與顛覆故事。

   　2016年，HBO發(fā)行的科幻類美劇《西部世界》上線，講述了由一座巨型高科技以西部世界為主題的成人樂園，提供機器人接待員給游客，讓他們實現(xiàn)殺戮與性欲的滿足;但后來隨著接待員有了自主意識和思維，他們開始懷疑這個世界的本質(zhì)，進而覺醒并反抗人類的故事。

   　這些電影，講述的多是人工智能發(fā)展的高級階段，更是最近大家討論的“元宇宙”的形象化表現(xiàn)。

　　拋開道德上的善惡對錯不談，回到人工智能技術(shù)本身，在達成這些了不起的成就之前，在計算機能夠“思考”之前，最早需要開始學(xué)習(xí)的技能是“感知”，其中最重要部分之一就是學(xué)會“看”，這也幾乎是公認的人工智能第一步。

　　就在《黑鏡》上映的同一年——2011年，如今被稱為“AI四小龍”之一的曠視科技在三個天才少年的帶領(lǐng)下成立了，隨后四年間，商湯科技、依圖科技和云從科技業(yè)全部拔地而起，所選擇的賽道都是“人臉識別”，其實本質(zhì)就是讓計算機看圖。

　　最近，在經(jīng)過多年的奮戰(zhàn)之后，基于搶占賽道或者搶占資金的想法，他們?nèi)缃窠K于走進了資本市場的視野。除了依圖科技已經(jīng)撤回上市申請之外，其他三家都離上市僅一步之遙了。

　　這些年，被稱為“人臉識別”的計算機視覺都經(jīng)歷了什么?

起步階段：人類對教會機器“看”的執(zhí)念

　　在我們講述計算機視覺之前，先要了解目前人工智能所處的階段，那就是“感知智能”，無論是AI四小龍的“人臉識別”還是科大訊飛的“語音識別”，都落在這一階段。

　　在此之前，我們還只是用計算機來計算數(shù)據(jù)、運行代碼，但這只是初級的“計算智能”階段?，F(xiàn)在計算機已經(jīng)學(xué)會了“感知”，不過距離計算機“能理解、會思考”的認知智能階段，也就是最開始講的那些電影里能達到的最終水平，還差得很遠。

　　讓計算機學(xué)會“感知”，最重要的一步就是”看“了。

　　眼睛，是人類用來觀察這個世界的最重要器官，也是唯一的視覺器官。在佛家所謂的六根——眼耳鼻舌身意中，眼睛也排在首位。

　　用眼睛看，是人類與生俱來的能力，剛出生的嬰兒只需要幾天的時間就能學(xué)會模仿父母的表情，人們能從復(fù)雜結(jié)構(gòu)的圖片中找到關(guān)注重點、在昏暗的環(huán)境下認出熟人。

　　人類對眼睛的功能是有執(zhí)念的。

　　為了將自己看到的東西保存下來，人類發(fā)明了照相機。最早的真正照相機來自1839年1月，當時中國還在清朝的道光年間。攝影師達蓋爾在巴黎沙龍上展示了銀板照相法，將涂有碘化銀的銅片暴露在光線下，然后通過汞蒸汽和食鹽溶液來顯影，震驚了法國科學(xué)院，并于當年推廣開來。

　　達蓋爾

　　銀板照相法所使用的就是這種用木箱子裝的相機。

　　銀板照相機

　　自此人類終于學(xué)會長時間保存眼睛看到的圖像了，之后又有了膠卷和即顯攝影。

　　但似乎對于人類來說，光是記錄并不夠，我們還想讓機器自己去看，并且告訴我它們看到了什么。

　　為了讓機器學(xué)會如何去“看”，就有了計算機視覺，當然，它更為大家所熟知的名稱是“人臉識別”。

　　最初的探討發(fā)生在1956年左右。在當年的達特茅斯會議上，約翰麥卡錫、馬文閔斯基、克勞德香農(nóng)、艾倫紐厄爾和赫伯特西蒙等科學(xué)家聚在一起，討論著一個完全不食人間煙火的主題：用機器來模仿人類學(xué)習(xí)以及其他方面的智能。

　　會議一共開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內(nèi)容起了一個名字：人工智能。因此，1956年也就成為了人工智能元年。

　　1957年春天，美國國家標準局的科學(xué)家拉塞爾·基爾希為他的兒子瓦爾登拍了一張照，并將其掃描到了東部標準自動計算機(SEAC)中。為了使圖片可以放進SEAC有限的存儲空間中，他將圖片分割成176176的網(wǎng)格——共30976位二進制，并進行了多次掃描。這張邊長5厘米的正方形圖片就是歷史上第一張數(shù)字圖像，從某種意義上來講它甚至是CT掃描、衛(wèi)星圖像和數(shù)碼攝影的鼻祖。

　　1959年，神經(jīng)生理學(xué)家大衛(wèi)·休伯爾和托斯坦·維厄瑟爾通過貓的視覺實驗，首次發(fā)現(xiàn)了視覺初級皮層神經(jīng)元對于移動邊緣刺激敏感，發(fā)現(xiàn)了視功能柱結(jié)構(gòu)，為視覺神經(jīng)研究奠定了基礎(chǔ)——促成了計算機視覺技術(shù)40年后的突破性發(fā)展，奠定了深度學(xué)習(xí)的核心準則。

　　大衛(wèi)休伯爾和托斯坦維厄瑟爾

　　到了60年代，勞倫斯羅伯茨在《三維固體的機器感知》描述了從二維圖片中推導(dǎo)三維信息的過程，成為計算機視覺的前導(dǎo)之一，開創(chuàng)了理解三維場景為目的的計算機視覺研究。這個研究給世界帶來了很大啟發(fā)，并且對邊緣、線條、明暗等各種特征建立了各種數(shù)據(jù)結(jié)構(gòu)和推理規(guī)則。

　　1969年秋天，貝爾實驗室的兩位科學(xué)家韋拉德博伊爾和喬治史密斯正忙于電荷耦合器件(CCD)的研發(fā)。它是一種將光子轉(zhuǎn)化為電脈沖的器件，很快成為了高質(zhì)量數(shù)字圖像采集任務(wù)的新寵，逐漸應(yīng)用于工業(yè)相機傳感器，標志著計算機視覺走上應(yīng)用舞臺，投入到工業(yè)機器視覺中。

　　70年代是人工智能發(fā)展的低潮期。

　　80年代后計算機視覺成為一門獨立學(xué)科，并開始從實驗室走向應(yīng)用。80年日本科學(xué)家福島邦彥建立了第一個神經(jīng)網(wǎng)絡(luò)，82年大衛(wèi)馬爾發(fā)表了一篇非常有影響力的論文，介紹了處理視覺數(shù)據(jù)的算法框架，同年《Vision》這本書問世，標志著計算機視覺正式成為了一門獨立學(xué)科。

　　大發(fā)展：卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

　　90年代計算機視覺的發(fā)展整體比較落寞，因為訓(xùn)練神經(jīng)網(wǎng)絡(luò)是一項資源非常密集、并且進展極為緩慢的工作。

　　一直到2005年之后，才又迎來快速發(fā)展階段。

　　2006年左右，杰弗里·希爾頓(Geoffrey Hilton)和他的學(xué)生首次提出了深度置信網(wǎng)絡(luò)(DBN)的概念。他給多層神經(jīng)網(wǎng)絡(luò)相關(guān)的學(xué)習(xí)方法賦予了一個新名詞–“深度學(xué)習(xí)”(Deep Learning)。

　　人腦視覺系統(tǒng)的信息處理是分層的。簡單來說，就是要先從功能相對低級的區(qū)域分辨出朝向、空間位置和運動方向，然后到下一個區(qū)域再去處理形狀和顏色等信息。

　　比如當你看《黑客帝國》時，你是先看到一個人朝著鏡頭走過來，然后才分出這個人的臉型和各種面部特征、穿著的衣服顏色，根據(jù)這些信息和你大腦中原有的海量信息做匹配，你就能夠判斷出來這個正在運動的人是基努里維斯。

　　所以在大腦中，對一個形象的判別是分層次處理的，并不是一股腦把所有信息交給某個部分，然后它突然得出結(jié)論這個人是里維斯。

　　而深度學(xué)習(xí)就是借鑒人腦的信息處理過程，對信息進行分層處理，進行特征提取和分類。深度學(xué)習(xí)的實質(zhì)，是通過構(gòu)建具有很多隱層的機器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類的準確性。

　　計算機需要學(xué)習(xí)足夠的數(shù)據(jù)，才能訓(xùn)練出一個能夠用于識別的模型。

　　數(shù)據(jù)量很重要，對你的大腦也是一樣。一個不是特別恰當?shù)睦邮牵绻銢]見過里維斯，你就算看到了這個五官、清晰地分別出頭發(fā)和瞳孔顏色，也沒有辦法判斷他到底是誰。

　　這也是為什么，在網(wǎng)絡(luò)數(shù)據(jù)受限的情況下，深度學(xué)習(xí)的資源就不夠。

　　此外，神經(jīng)網(wǎng)絡(luò)的分層也是在不斷進步的。

　　2005 年以前提出的人工神經(jīng)網(wǎng)絡(luò)只是一種淺層模型，只含有一層隱層節(jié)點，但這比人腦簡化太多了，效果也就差得多。

　　而用深度置信網(wǎng)絡(luò)解決來這個問題，可以構(gòu)建更多層的模型，更接近人的視覺神經(jīng)系統(tǒng)的結(jié)構(gòu)。

　　不過隨著時間的推移，深度置信模型(DBP)也有一些問題，包括計算量太大、樣本量太大等等。卷積神經(jīng)網(wǎng)絡(luò)(CNN)又可以解決這個問題，它將每一層信息僅通過一個“卷積核”相連。

　　你可以理解兩個平面之間，前者是需要每個點直接相連，現(xiàn)在只需要中間的一個點直接相連。

　　等于DBN需要計算機一次性看完整張圖，全局對比;但CNN可以一步一步一塊一塊地對比小特征，和分布式系統(tǒng)的感覺有點像。

　　這樣處理樣本的速度就顯著加快了。

　　據(jù)廣證恒生在2019年的研究報告，美國國家標準與技術(shù)研究院(NIST)公布了全球權(quán)威人臉識別比賽(FRVT)最新報告，從前十名企業(yè)在千分之一的誤報率下的識 別準確率來看，其平均能達到 99.69%，在千萬分之一誤報下的識別準確率超過 99%，意味著機器幾乎可 以做到在 1000 萬人的規(guī)模下準確識別每一個人。

　　而人腦記憶100個人的身份都有可能出錯。

　　這幾年，無論是安防中的人臉識別，還是高鐵閘機上的人臉識別，抑或是證券在線開戶、交易等，大家都開始自由地使用人臉作為個人識別的特征。

　　當技術(shù)不再困難的時候，在討論倫理之前，創(chuàng)業(yè)公司們卻首先迎來了商業(yè)化的難題。

艱難的商業(yè)化：合適的落地場景難找

       其實，在2015年那一次機器識別準確率高于人眼之前，如今的AI四小龍已經(jīng)成立了。

　　其中曠視科技成立最早——2011年，云從科技成立最晚——2015年。

　　曠視科技由三個年輕人正式創(chuàng)立，三位創(chuàng)始人是清華“姚班”畢業(yè)的印奇、唐文斌、楊沐。

　　商湯科技則是由香港中文大學(xué)信息工程系湯曉鷗組建的，是產(chǎn)學(xué)研的極佳代表。

　　云從科技周曦的核心創(chuàng)始團隊有中科院背景，融資又是全內(nèi)資與政府基金背景，云從又被外界稱為“AI國家隊”，在“AI四小龍”中，云從國資背景最強。

　　依圖科技由朱瓏、林晨曦共同創(chuàng)立，林晨曦曾經(jīng)是阿里的第一任技術(shù)總監(jiān)，更早之前是在微軟亞洲研究院，是產(chǎn)業(yè)背景最深的一個。

　　這四家都在2015年拐點之前成立并一起迎接了牛市的到來。

　　當人臉識別的算法首次獲得突破人眼的成就之時，創(chuàng)業(yè)者和資本都很興奮。

　　整個計算機視覺行業(yè)和人臉識別產(chǎn)業(yè)也迎來了第一波投資上的熱潮，但隨后的商業(yè)化過程卻并不容易。

　　因為，當為這項技術(shù)找一個落地姿勢的時候，就非常明顯地遇到了兩個大問題：

　　第一個困境是，人臉識別就算再牛，也只是一個模塊技術(shù)。這個屬性意味著，它無法作為一個獨立的業(yè)務(wù)出現(xiàn)，而大多是為原先的業(yè)務(wù)做增強服務(wù)。比如在金融業(yè)務(wù)中做人臉校驗加強密碼屬性，比如使用人臉檢索功能加強安防等領(lǐng)域的防控效率，比如相似人臉推薦可以用來做婚介社交和整容設(shè)計。

　　這樣的屬性意味著，如果沒有合適的落地賽道，人臉識別就是空中樓閣。即便找到了合適的落地賽道，人臉識別在其中的價值量占比也不夠高。

　　第二個困境其實是第一個困境帶來的，由于需要具體的落地場景、價值占比不夠高，這項技術(shù)始終沒有找到比較好的商業(yè)模式。

　　行業(yè)中常見的有幾種模式，要么是直接賣產(chǎn)品、要么賣人臉SDK授權(quán)和API服務(wù)，要么使用后臺流量變現(xiàn)。算法再好，也需要產(chǎn)品。沒有真正的標準化產(chǎn)品，它就會淪為項目制中的一個模塊，很難做大規(guī)模;甚至有些將它作為免費的額外服務(wù)提供。

　　比如在A股曾經(jīng)火爆過一陣的人臉識別閘機相關(guān)概念股，最后大家發(fā)現(xiàn)其實只要達到一定精度(不需要最高)，誰都可以做，技術(shù)門檻并不高。

　　也就是說，AI的最終任務(wù)是實現(xiàn)在各垂直行業(yè)的場景化落地，并找到在其中AI能發(fā)揮最大價值、實現(xiàn)良好商業(yè)模式的場景賽道?；蛘?，打造一個通用型平臺。

　　中國AI行業(yè)融資規(guī)模與投融資數(shù)量在2013-2018年整體快速增長，但2019年出現(xiàn)45%左右的顯著下滑，2020年投融資金額恢復(fù)42.5%正增長，但距2018年顛覆時期仍有差距，投融資數(shù)量顯著下降。

　　二級市場的熱度也可以通過研報數(shù)量提供輔證，以”人臉識別“作為關(guān)鍵詞為例，在Wind上2015年這一關(guān)鍵詞搜索到的行業(yè)研究(不含個股研究)報告(僅以Wind數(shù)據(jù)為例，不保證完全覆蓋)數(shù)量為17篇。而在2014年這一數(shù)據(jù)為0，2018年-2020年，每年都只有1篇。

　　在人工智能發(fā)展的最初，算法研發(fā)能力的評判是對一家創(chuàng)業(yè)企業(yè)最有效的估值方法，換句話說，也就是從企業(yè)的投資轉(zhuǎn)為對技術(shù)甚至是對人才的投資。

　　2014年年初，谷歌創(chuàng)始人拉里佩奇親自操刀了一宗收購案，斥資5.4億美元，收購一家名為DeepMind的人工智能公司，也就是后來研發(fā)AlphaGo的公司。而那時，DeepMind是沒有任何商業(yè)模式方面的探索的，谷歌僅僅是為了人才，就可以掏出5.4億美元。

　　但當AI競爭進入深水區(qū)，商業(yè)化才是真正的考驗。

　　上市肉搏戰(zhàn)：商業(yè)模式破冰乏力

　　在這種困境中，AI四小龍也基本都開始轉(zhuǎn)型了，尋找不同的落地場景。

　　計算機視覺產(chǎn)業(yè)鏈可劃分為基礎(chǔ)層、技術(shù)層和應(yīng)用層。基礎(chǔ)層包括硬件支持、算法支持和數(shù)據(jù)集;技術(shù)層包括視覺技術(shù)平臺、視頻識別、圖片識別和模式匹配;應(yīng)用層包括計算機視覺技術(shù)在智慧城市、智慧安防、智慧物流、智慧金融、手機終端和智慧商業(yè)等領(lǐng)域的應(yīng)用。

　　曠視科技，在原創(chuàng)技術(shù)的研究基礎(chǔ)上加上IOT、公共IOT、商業(yè)IOT等三個領(lǐng)域的頂層設(shè)計，開始逐步打開局面，主要專注于物聯(lián)網(wǎng)領(lǐng)域。

　　商湯科技呢，則開始向平臺型“操作系統(tǒng)”轉(zhuǎn)型，試圖擺脫單一賽道帶來的困境。與其他企業(yè)專注特定賽道相比，商湯沒有選擇具體的細分賽道。從現(xiàn)在的情況看，它更多是將自己定義為了一個“AI零部件”生產(chǎn)工廠。

　　云從科技從創(chuàng)立一開始，就是唯一一個有”國家隊“背景的公司，它背后站著中科院，目前公司主力業(yè)務(wù)針對金融，是銀行領(lǐng)域第一大AI供應(yīng)商，以為客戶提供解決方案為主。

　　依圖則是一開始將計算機視覺業(yè)務(wù)對接安防的，提供算法產(chǎn)品的輸出。隨著后續(xù)項目落地，開始轉(zhuǎn)向醫(yī)學(xué)圖像和智能城市業(yè)務(wù)。目前，依圖的業(yè)務(wù)重點已經(jīng)是自研AI芯片了，逐步從純軟件轉(zhuǎn)向底層硬件+平臺結(jié)合的路線。

　　從競爭格局來看，以收入規(guī)模計，商湯科技排第一，曠視科技排在第二位，高于依圖科技與云從科技。不過依圖科技自從撤回招股書之后未再出現(xiàn)更新。

　　來源：招股書、華爾街見聞?wù)?/p>

　　至于盈利能力，借用此前某位AI行業(yè)的一級市場投資人的話說：

　　全球大部分AI公司的毛利率都很低，毛利率一般都在50%-60%，而軟件服務(wù)行業(yè)的毛利率在60%-80%以上。

　　這樣的結(jié)果正是目前AI行業(yè)普遍面臨的商業(yè)模式導(dǎo)致的，大部分公司都還在做定制化業(yè)務(wù)，不管是做政府業(yè)務(wù)、還是金融業(yè)務(wù)，只要面對大型客戶，這些AI企業(yè)都很難使用通用打包產(chǎn)品提供客戶所需要的服務(wù)。

　　最后就會變得和傳統(tǒng)IT企業(yè)一樣，要通過堆人頭、做項目來獲得收入。

　　2G的業(yè)務(wù)越多，毛利率就越低、銷售費用率就越高。以2020年數(shù)據(jù)計算，依圖科技(只有上半年數(shù)據(jù))和商湯科技毛利率均超過70%，但云從和商湯毛利率都低于上述投資人說的50%下限。

　　更要命的是，由于AI類企業(yè)的研發(fā)投入要高于一般的IT企業(yè)，因此最終每一家公司都處于虧損狀態(tài)。

　　虧得最多的商湯科技，3年多虧200多億。

　　在這種局面之下，上市尋求更多資金支持就成為一條不得不走的路。

　　計算機視覺的前路——工業(yè)、醫(yī)療

　　但計算機視覺之路卻并沒有被堵死，因為除了”人臉識別“之外，還有工業(yè)機器視覺和醫(yī)療影像識別。

　　1、工業(yè)機器視覺

　　據(jù)天風(fēng)證券的研究報告，機器視覺在工業(yè)應(yīng)用中，可以用來甄別物體特征、定位、測量并檢測，而這些通過人眼是很難完成的。

　　工業(yè)視覺具備極強的機器特性，如極高的速度、精度、重復(fù)性等，這些特性成為工業(yè)機器視覺 產(chǎn)品的重要參數(shù)。

　　與此同時，工業(yè)機器視覺擁有采集大量現(xiàn)場數(shù)據(jù)的能力，數(shù)據(jù)是驅(qū)動行業(yè)快速迭代、獲取信息 的重要來源，這也將成為工業(yè)機器視覺未來的巨大可能。

　　傳統(tǒng)的工業(yè)機器視覺采用本地數(shù)據(jù)存儲和處理， 通過本地總線連接，每臺設(shè)備搭載一臺性能強大的電腦進行數(shù)據(jù)的存儲和處理;而現(xiàn)在的機器視覺系統(tǒng)通過有線(光纖/銅纜) 或無線(WiFi/4G/5G)連接至PC端，PC端無需放置在本地。

　　因此隨著5G的到來，機器視覺有望迎來更好的發(fā)展。

　　2、醫(yī)療影像

　　當前中國CT行業(yè)影像數(shù)據(jù)爆 炸增長，2019年市場規(guī)模達到24.7億元，CAGR約30%。另一方面，目前我國放射科醫(yī)師僅有8萬多名，每年承擔(dān)的診 斷工作量卻達到了14.4億張影像，結(jié)合中國醫(yī)學(xué)影像數(shù)據(jù)每年30%的增速，與之相對應(yīng)的放射科醫(yī)師的年增長速率卻只有4%，兩者之間存在巨大缺口，AI+CT影像識別有望彌補這一缺口，發(fā)展?jié)摿薮蟆?/p>

　　AI+CT影像的主要產(chǎn)品形態(tài)包括：影像分析與診斷軟件、CT影像三維重建系統(tǒng)、靶 區(qū)自動勾畫及自適應(yīng)放療系統(tǒng)。通過智能CT影像識別，能夠完成病例篩查、智能分析診斷、輔助臨床診療決策等工 作。從應(yīng)用的場景來看，主要包括胸部、四肢關(guān)節(jié)等部位，乳腺、心肺、冠狀動脈、骨骼等器官組織，應(yīng)用領(lǐng)域廣闊。

　　人工讀片存在主觀性高、重復(fù)性低、定量及信息利用度不足、耗時及勞動強度和知識經(jīng)驗的傳承困難等問題;而人工智能讀片的優(yōu)勢體現(xiàn)在高效率低成本。隨著產(chǎn)品的成熟帶動識別率的提升，人工智能讀片的精準度也將形成比較優(yōu)勢。

　　尾聲

　　發(fā)展60多年來，機器視覺作為AI技術(shù)的急先鋒，經(jīng)歷了幾輪起落，終于迎來技術(shù)上的爆發(fā)。但隨著技術(shù)進入深水區(qū)，尋找合適的商業(yè)模式真正成為了機器視覺這門技術(shù)的最大難點。

　　互聯(lián)網(wǎng)巨頭的AI技術(shù)可以在自身不斷得到驗證，字節(jié)的推薦算法可以通過用戶點擊數(shù)據(jù)驗證;美團的算法可以優(yōu)化騎手路線通過送達時間變化來驗證等。

　　我們最近看到的四小龍扎堆IPO僅僅是行業(yè)規(guī)范化、商業(yè)化的開端，計算機視覺的前路還很長。

　　但是國家政策一直是鼓勵并支持AI產(chǎn)業(yè)的發(fā)展的，相信未來它們一定能找到更好的出路，帶領(lǐng)中國的計算機視覺乃至整個AI產(chǎn)業(yè)走在全球前列。