前言

国内产业链初步成型，上中下游各司其职。经过近年的快速发展，国内人工智能产业逐步分化出了上中下游，其中上游提供基础能力；中游将基础能力转化成AI技术；下游则将AI技术具体运用到特定行业，形成生产力。不同领域企业特点不同，经营策略有所区别。AI芯片公司建议聚焦龙头，资产类业务需根据财务状况谨慎处理；数据资源公司建议提前布局，全方位经营，包括资产类以及存款类业务；技术平台公司建议针对头部企业中短期拓展存款类业务，未来可考虑进行资产类业务的投放。

一、人工智能:新一轮产业升级的核心推动力

人工智能，英文缩写为AI(Artificial Intelligence)，指的是由人类发明设计的智能系统，能够模仿人类的思考方式，实现人脑的部分功能，替代人脑解决特定问题。

1.1人工智能当前处于第三次大发展期，赋能产业升级

人工智能的概念最早在20世纪50年代提出，1956年的达特茅斯暑期会议上正式提出了人工智能的概念。期间经历了三次发展浪潮，当前处于第三次大发展期。

第三次浪潮发生在2006~现在，可以称之为基于互联网大数据的深度学习，将大数据、神经元网络和数学统计的方法结合在一起。第三次浪潮的理论基础和第二次浪潮类似，主要的差别在于基于神经网络的深度学习算法取得了巨大的成功。这里的主要推动因素包括了硬件的进步、卷积神经网络模型优化、参数训练技巧的发展等。 

前两次浪潮解决了人工智能的一些基础理论问题，第三次浪潮的发展已经使得人工智能技术的发展程度(识别率、准确率等)可以实际解决很多传统需要人类大脑才能解决的问题，具备了很强的实用性，获得生产力。

1.2人工智能根据从底层到应用的技术逻辑可以分成基础层、技术层、应用层

人工智能根据从底层到应用的技术逻辑可以分成基础层、技术层、应用层。基础层从硬件和理论层面，为人工智能的实现提供了根本保障，主要包括AI芯片和深度学习算法。AI芯片的发展进步，提供了越来越强的计算能力；深度学习算法的建立，提供了AI解决问题的计算方法。

技术层是基于基础层的支撑，设计出的解决某一类过去需要人脑解决问题的通用方法，具体包括智能语音、计算机视觉、自然语言处理以及其他类这四大人脑功能的处理方法。这些方法基于深度学习算法，根据具体的数据以及处理场景，形成了专门的成套技术处理方法和最佳实践。通过技术层的实现，我们可以将基础层提供的算力以及计算方法运用到具体领域，去真实对应到大脑的某一类功能以及实践能力。

应用层是基于技术层的能力，去解决具体现实生活中的问题。比如利用计算机视觉技术，实现金融、安防等多个领域的人脸识别；利用智能语音技术，实现智能音箱、录音笔等的语音识别；利用自然语言处理技术，用于智能客服的问答。在实际的应用中，技术层和应用层的关系是相互交叉的，某个领域的应用可能用到多个维度的技术层的能力，比如金融行业的应用对于智能语音、计算机视觉、自然语言处理技术都会有需求；同样某个技术层的能力也可以广泛应用到多个不同的应用领域，比如计算机视觉技术可以广泛应用到金融、安防、医疗、交通、教育等多个维度。

1.3数据、算法、算力、领域专业能力是人工智能效果的关键

当前的人工智能应用的核心，是基于神经网络的深度学习，该方法的特点是需要根据特定应用目的，利用大量且优质的数据，对学习网络进行反复训练，通过传播算法，不断自动变换各层以及各节点的参数，以最终得到符合实际应用要求的训练结果。

深度学习的训练特点，决定了数据、算法、算力、领域专业能力是人工智能效果的关键:

数据:深度学习算法的核心在于通过优质的数据去训练，是否取得任务相关的足量优质数据集是人工智能技术取得成功的关键。科大讯飞在智能语音领域的重要优势，是有足够优秀的方言训练数据，因此其语音识别产品能够较好应对各种方言的情况，形成护城河。

算法:虽然深度学习的核心框架相对固定，但是为了使得学习模型在特定应用场景取得较好效果，往往需要做很多的算法优化和工程优化，以使得模型最终在具体场景取得更好的效果，比如更快的计算效率，更准确的分类概率等。每年的人工智能顶级会议IJCAI、AAAI等均由大量论文，针对很多具体应用场景，对深度学习算法从各个角度进行改进和优化。因此对特定领域，具备强大的算法能力，是产品和企业成功的关键技术保障。

算力:由于现在需要解决的具体问题越来越复杂，云端的人工智能算法对硬件的计算能力需求近乎无止境。虽然当前芯片技术不断进步，云计算的提供越来越完善，但是对于一些高难度高复杂度的人工智能工作，依然需要非常大的算力才能训练出足够好的解决模型。这样强大的算力也非常昂贵，很多小公司无力承担。

领域专业能力:最后，人工智能技术的落地应用，最终还是要和应用场景结合起来，往往需要最终的实施公司，既理解行业痛点，又具备丰富的行业实施经验以及渠道能力，方能更好地将技术和具体硬件以及流程结合，取得好的实施效果。

1.4人工智能发展中美“双雄并立”，成为国家战略

相比之前历次工业革命中的落后状态，中国在人工智能时代从技术到产业的多方面已经进入了国际领先集团。国际范围来看，人工智能行业呈现美国相对领先，中美“双雄并立”构成第一集团，英日法德等传统发达国家构成第二集团的竞争局面。同时全球各国针对AI领域的发展均出台政策大力支持，其中又尤以中国和美国的支持力度较大，上升到国家战略层面。

中国的人工智能基础研究能力仅次于美国，处于第二集团

基础研究能力是衡量一个国家行业发展水平的重要标志，其中科研论文和人才是核心指标，综合这两个指标来看，中国的人工智能基础研究能力仅次于美国，处于第二集团。

中国AI论文数量从2000年开始快速攀升，根据清华大学的统计，我国(含港澳台)的AI论文数量，从1997年的1000余篇快速增长至2017年的37000多篇；占全球的比例也从4.26%增长至27.68%。

近年来，随着人工智能技术的快速发展，全球展开了AI军备竞赛，各主要发达国家均出台了不少支持和引导AI行业发展的政策，其中又尤以中国和美国的支持力度较大，上升到国家战略层面。

二、国内人工智能产业链初步成型，市场空间超千亿元

2.1产业链上中下游各司其职，将技术转化成生产力

从宏观视角来看，人工智能产业链可以分为上中下游，其中上游提供的是基础能力；中游将基础能力转化成具体的AI技术；下游则将AI技术具体运用到各行各业，形成生产力。下图代表的是人工智能产业链的全景示意。

上游提供基础计算能力、方法和数据

上游代表的是支撑人工智能行业发展的基础设施和方法，主要包括AI芯片、数据以及AI算法。

AI芯片是支撑人工智能行业发展的基础硬件，提供适配于AI算法的计算能力，当前国内外都有不少公司专注于AI芯片的设计，同时部分中游公司也进行AI芯片的设计以更好匹配自己公司的专用计算模型。

数据对于AI技术在具体行业的应用有非常重要的作用，主要的数据掌握在行业中下游公司中，但是数据的处理是一个较为专业化的工作，当前国内外均出现少数公司专注于数据处理，为行业中下游提供数据资源服务。

当前的主流AI算法一般基于深度学习技术，进行AI算法研究的主力军一般是各大院校以及科研机构，部分实力较强的中游企业也具备很强的原创研究能力。

中游将基础计算能力和方法转化成四类AI技术

中游代表的是基于现有的AI算法，在实际应用中能达到较好智能效果，具备扩展性，在各行各业的应用前景广泛的基础性技术。当前的基础技术可以分为智能语音、计算机视觉、自然语言处理以及其他类技术。

智能语音指的是利用计算机对语音信息进行分析处理，以模仿人类实现能听、能说等语音能力的技术，语音识别和语音合成目前是其核心应用。智能语音技术当前的发展已经比较成熟，在很多领域的应用已经接近人类的水平，比如智能语音交互就在迅速成为主流的人机交互方式。

计算机视觉指的利用计算机对图像或视频信息进行处理分析，以模拟实现人类通过眼睛观察和理解外界世界的技术，当前的主要应用包括了图像视频的复原和增强、分割和识别、理解和自动匹配等。计算机视觉技术给机器安上了智慧的眼睛，能替代很多原本需要人类才能完成的工作。随着近年来计算机视觉技术在多个领域的应用取得突破，目前其已成为人工智能最为炙手可热的技术分支。

自然语言处理指的是利用计算机对语言文字进行分析，以模拟实现人类对于语言的理解和掌控的技术，当前的主要应用包括自然语言理解和自然语言生成。自然语言处理是实现认知智能的关键技术，虽然当前依然面临较大挑战，但其未来的进步和突破对人类社会的意义将十分深远。

其他类指的是基于人工智能算法对一些特定类问题进行方案设计，利用计算机将其智能解决的技术，其从实际效果来看，针对相应问题实现了模拟人类智能。这类技术相比前三类技术，其应用范围相对较窄，基础性较弱，为了便于分类，我们将这些技术统称为其他类。典型的应用场景包括棋类的AlphaGo，智能游戏选手AlphaStar，金融领域的反欺诈反洗钱、智能投顾、自动交易等。

中游技术类企业具备很强的研发能力，占据了行业内软件类技术的高地，并且在发展过程中也逐步建立了资金和数据的壁垒。同时中游人工智能技术是链接产业上下游的关键，且具备较强基础性和横向扩展性，需要利用这些技术的下游厂商很多。因此其中的竞争获胜者未来有可能成为人工智能行业的核心公司，当前的领先公司非常具备长期跟踪的价值。

但是技术类的公司存在变现困难的问题。虽然一些基础技术比如人脸识别的扩展速度很快，全国的机场都已铺开，但是短期内依靠技术输出获得的营收和现金流收入依然较为有限，这些企业主要通过股权融资的方式获取资金，信贷业务合作的难度较大。

下游综合利用各类AI技术解决各自行业的应用问题

产业链下游指的是人工智能技术在各个行业中的实际应用，是技术和场景

结合并落地的环节。当前人工智能应用落地比较多的下游行业包括金融、安防、教育、医疗、自动驾驶、智慧城市、智能穿戴等，产业链的中下游企业均有参与。

2.1人工智能在国内市场空间超千亿元，国际市场空间达数百亿美元

当前的人工智能产业链中，中游是核心环节且掌握核心技术，因此我们将人工智能市场根据智能语音、计算机视觉、自然语言处理等中游核心技术进行划分，分别计算基于各项核心技术而发展出的市场的空间，来估算总体的人工智能市场空间。

进行这样的估算后，我们可以知道未来三年在国内的市场空间有望达到千亿元量级，国际市场空间将达到数百亿美元。

智能语音在国内外均进入稳定中高速增长期

智能语音是人工智能技术中成熟度较高，较早开始产业化进程的技术，近年形成了较为广泛的客户群体和应用领域，保持了较为稳定的中高速增长。中商产业研究院预计到2018年，国际和国内的智能语音市场规模将分别达到141.1亿美元以及159.7亿元。由于国内的智能语音市场规模相比国际差距较大，未来几年仍有望保持40%左右的中高速增长。

计算机视觉在国内将持续爆发式增长

计算机视觉技术从2012年开始取得了突破性的进步，权威的ILSVRC挑战赛的错误率迅速降低，进而在很多领域的应用逐步跨过了识别率的门槛，使其具备了很强的经济价值；同时随着国内平安中国建设的稳步推进，金融科技的快速发展，计算机视觉技术的下游需求迅速扩大，两者的叠加造成了计算机视觉这两年在国内迎来了爆发式增长，同时这样的趋势仍在延续。

中商产业研究院预计到2020年，国内计算机视觉市场空间将达到755.5亿元，连续四年保持100%以上的增长速度。

国际市场空间方面Forrester、Tractica公司分别预测未来全球计算机视觉市场空间将超过200亿美元、260亿美元。相比而言，国内企业在计算机视觉领域的应用走在了国际前列。

自然语言处理将稳步发展，技术突破将是关键

自然语言处理技术(NLP)的理论下游空间十分广阔，但是当前的技术发展离真正实用，即接近人类的语言理解能力还有较大距离。

信通院预测全球的自然语言处理市场规模预计将从2016年的76.3亿美元增长到2021年的160.7亿美元，复合年增长率16.1%，国内2017年的自然语言处理市场规模大约为49.77亿元，相对国际来说较为落后。

基于NLP技术得不到突破进步的保守预期下，我们预测到2021年，国内的NLP市场大约保持20%的中速增长。

其他类技术也具备很大市场空间

其他类技术中比较重要的包括智能投顾和反洗钱技术。智能投顾过去几年呈现高速增长的趋势，据智研咨询、花旗银行预测，美国智能投顾规模到2020年将达到2.2万亿美元，复合增长率82%；据金准产业研究团队预测，中国智能投顾规模到2022年将达到6651亿美元，复合增长率87%。若假设管理费率为百分之一，那么国际国内的智能投顾市场空间分别达到百亿美元以及人民币的量级。

反欺诈反洗钱类应用的市场空间也十分巨大。ReportLinker2019年最新发布的报告显示，2018年全球反洗钱软件市场规模为9.057亿美元，预计2027年将达到49.932亿美元，复合增长率21.1%。未来的反洗钱软件基本都将采用人工智能技术，有望成为百亿美元的市场。

三、上游AI芯片国内企业较为弱小，数据资源公司提供服务将长期受益

人工智能产业链上游的算法环节，主要以高校和科研机构为主，算法信息一般都是及时公开的，因此在上游环节，银行的业务合作的主要对象是AI芯片以及数据资源公司。

当前上游AI芯片国内产业能力较为弱小，其中云端芯片面临国外的英伟达、INTEL等几大巨头的竞争，虽然具备挑战但风险较大；终端芯片由于要求较低具备一定的国产化机会但市场空间有限，因此该领域总体能投放的信贷量有限。

数据资源公司国内当前规模较小，但是数据资源服务好比人工智能行业的铲子，未来的需求将十分巨大，这类公司的成长空间和现金流都将较好，其中的优秀公司将具备很多银行业务合作的机会。

3.1 AI芯片类公司面临国际竞争压力大，云端终端均面临挑战

当前国内的AI芯片类公司主要集中在芯片设计环节，而国内的芯片设计行业和国际差距较大。金准产业研究团队调查发现，2017年中国大陆的芯片设计产业市场份额占全球比例只有11%，而其中5%还是海思(华为)、中兴、大唐的内部转移支付。

虽然AI芯片是一个新领域，国内厂商更具备弯道超车的可能，但由于国内整体芯片设计能力较低，其和国际竞争对手挑战的竞争压力很大。AI芯片和传统芯片并不是完全割裂的关系，从原理上来说，传统的CPU和显卡都可以进行AI运算，只是在效率和性价比上会和AI芯片有差距。由于深度学习程序的设计特点，决定了其需要的是大规模并行计算能力，这一点恰好是显卡的强项，因此显卡龙头英伟达可以将其在传统芯片领域的设计经验，迅速复用到深度学习的计算领域，成为AI芯片的领导者。我们可以看到，当前国际上AI芯片的领先企业主要集中在国外，且一般具备十年以上的芯片设计经验。

AI芯片分为云端和终端，云端芯片一般用于数据中心，通用性强市场空间大，但是竞争也更为激烈。终端芯片一般用于各种智能硬件设施，需要适应特定场景的特定需求，具备定制化的特点，因此每个特定市场的空间相对小，竞争压力较小。国内坚持进行云端芯片设计的厂商很少，少数国家队企业如寒武纪科技虽然技术在国内领先，想象空间很大，但其未来的不确定性依然很大；国内进行终端芯片设计的厂商相对较多，部分企业如思必驰、云知声能够快速获得一定的营收，但特定领域的市场有限，企业成长空间受限。

3.2数据资源公司财务数据健康，未来成长空间可期

数据对于人工智能的效果有非常重要的作用，产业链中下游公司均可以通过自身的项目和产品获得一定数据，但是由于对于数据的处理也需要更加专业的技能，同时单个公司的数据总存在不够完善的地方，中小公司的业务数据相对匮乏，因此专业的数据资源公司应运而生。这些公司通过数据资源定制服务、数据库产品、数据资源相关的应用服务等方式为人工智能行业提供数据支持，具体如下:

数据资源定制服务:根据客户对人工智能算法模型开发、训练、拓展及优化等过程所需数据资源的个性化需求，为客户量体裁衣地提供定制化数据资源的设计及开发服务，对客户提供的数据进行处理，最终形成符合客户需求的定制化数据资源，客户享有最终形成的定制化数据资源的知识产权。

数据库产品:根据对人工智能算法模型应用领域、行业发展趋势、市场需求等的评估和研判，设计并开发多种数据库产品，开发完成后授权给客户使用。数据库产品的知识产权属于数据资源公司。

数据资源相关的应用服务:直接为下游客户提供有效的数据资源相关的应用服务，协助客户实现人工智能算法模型的识别率提升、语言种类拓展和垂直应用领域拓展等，助力人工智能技术及应用的设计、开发和领域拓展。

这三类服务均覆盖智能语音、计算机视觉、自然语言处理等人工智能的主要技术领域。

数据资源类公司起步较晚，公司较少，国内主要有海天瑞声、慧听科技、标贝科技，国外的领军企业是appen。但这些公司发展较快，财务指标也非常健康。海天瑞声近三年净利润均为正且增长六倍，经营性现金流的增长和净利润基本同步；appen近三年的营收和净利润也均有翻倍的增长。

从业务特点、行业发展的角度来看，金准产业研究团队认为数据资源类公司和创新药领域的CRO/CMO公司有较多相似的地方，都属于朝阳行业中提供服务的公司。未来其中的领先公司将能保持业务拓展和财务数据的稳步发展。

3.3产业链上游公司选择标准以及判断

AI芯片类公司具备技术要求高、投入大、风险大的特点，在发展初期需要国家支持，因此对于这类公司，主要从其技术实力、股东资金背景、成功产品的角度进行判断:

技术实力:主要看相应公司是否具备领先的科研队伍，拥有院士、千人计划专家或者国际芯片大厂成功经验技术人员。

股东资金背景:主要看相应公司的重要股东是否有国家队或者BAT等顶尖企业，历次融资情况是否充足，满足业务发展需求。

成功产品:主要看历史上是否真的产出过比较成功的芯片，较大规模运用到实践中，如云端服务器、知名手机设备等。

我们根据以上标准，对国内主要的AI芯片企业进行了评价和划分，金准产业研究团队认为，综合评价第四档的企业暂时不具备业务合作的必要，综合评价第三档及以上的公司值得长期跟踪。

数据资源公司核心的竞争力包括人才技术、数据积累、客户资源:

人才技术:核心技术人员以及在数据资源领域的经验积累。

数据积累:在智能语音、计算机视觉、自然语言处理等各领域积累的重要数据。

客户资源:是否覆盖行业内核心客户，如BAT、知名中游技术公司等。

当前国内专业的数据资源公司非常少，主要参与者有海天瑞声、慧听科技、标贝科技，其中海天瑞声由于拟申报科创板，信息披露较为完善。从披露的信息来看，海天瑞声在人才技术、数据积累、客户资源等方面的积累均处于非常优秀的水平，是一家非常值得长期合作的企业。

慧听科技、标贝科技这两家企业的公开信息非常缺乏，若能获得相应数据，可以和海天瑞声的业务和财务进行对比，以确定这些公司的行业地位。

四、中游技术平台将是产业链中的核心玩家

在整个人工智能产业链中，金准产业研究团队认为中游的技术平台类公司将有望成为产业链中的核心环节，具备更大的不可替代性和护城河，长期而言有望持续输出价值。其中智能语音类和计算机视觉类公司经历了几轮洗牌后，当前脱颖而出的头部公司具备相对稳定的竞争格局，新入局的厂家想要挑战的难度较大。同时这两类公司当前的技术成熟度较高，潜在应用场景又非常广泛，可拓展性很强，具备长期合作的价值。

4.1中游技术平台类公司是人工智能产业链的核心环节，在产业链中地位相对有利

在人工智能产业链中，中游技术平台类公司的地位比较核心，主要是因为其具备较强壁垒，同时向产业链上下游的扩张较为容易。

技术平台类公司具备较强壁垒，规模提升能带来马太效应。

技术平台类公司的壁垒体现在人才、资金、技术生态圈三个方面。

平台类公司需要非常强大的研发团队和科研基因，才能第一时间消化吸收最新的科研论文成果，并应用到具体技术领域。我们可以看到，当前国内影响力最大的几个技术平台类公司，其创始人团队基本都出身于顶级名校或者国内顶级科研机构。

同时，中游平台建设也需要大量资金。一方面当前顶尖的AI人才，需要很高的薪酬才能吸引，IDG的数据显示2017年人工智能从业人员平均薪酬是大数据等其他热门岗位的150%以上；另一方面，算力是决定技术应用效果的重要因素，需要大量的资金自建或者租用计算资源；最后，建设长期生态，需要有功能完善强大、用户友好易于推广的平台系统，前期也需要长期资金的投入，所以具备资金壁垒。以科大讯飞为例，为进一步进行平台建设和研发，其2018年增发的资金需求达到了56亿元的量级。

生态圈指的是中游企业基于其领先的技术实力，搭建人工智能开放平台，以云服务等方式提供人工智能领域的技术、产品和解决方案，为行业内的企业和个人用户，提供高效优质服务。生态圈不仅可以通过各种服务获得相应收入，更重要的是培育了企业和个人的使用习惯，增强了自身技术和解决方案的影响力。同时生态圈平台可以利用云计算的特性，以非常低的成本迅速扩展自己的服务对象；而用户和使用场景的迅速扩张，则进一步提升了用户的信任度和服务的质量，形成正向循环。以科大讯飞为例，自2015开始加大力度建设生态平台后，其开发者数量近年增长迅速，接近百万量级。因此平台类企业还具备技术生态圈的壁垒。

4.2计算机视觉和智能语音类公司竞争格局稳定，具备长期合作价值

在四大类平台公司中，当前来看计算机视觉以及智能语音类公司最具备长期合作价值。而自然语言处理的技术成熟度不够高，且国内的积累较国外差距较大，竞争格局也不稳定；其他类平台也存在竞争格局不够清晰的问题，尚未看到下游应用空间大且脱颖而出的企业。

计算机视觉和智能语音类公司技术相对成熟、国内企业实力较强

根据前文的分析，计算机视觉和智能语音类公司技术成熟，正处于行业下游迅速应用的时期。同时相比国外，计算机视觉和智能语音也是国内企业的优势领域。

根据信通院的数据统计，人工智能企业的应用领域分布中，国内企业在视觉和语音方面的比例要大于国外，而自然语言处理的比例大幅低于国外。

竞争格局逐步稳固，头部企业脱颖而出

据金准产业研究团队整理的数据，2016年开始人工智能初创企业产生的速度已经大幅降低，而计算机视觉和智能语音类平台公司的市场竞争格局逐步稳固，部分头部企业已经脱颖而出，竞争优势明显。

据金准产业研究团队统计，2017年中国计算机视觉市场份额中，商汤、旷世、依图、云从四家公司已经占据了70%的市场份额；据金准产业研究团队的统计，2018年我国智能语音市场份额中，科大讯飞占据了44%的市场份额。

同时，这些头部企业不仅当前占据了主要的市场，在2018年他们依旧持续进行融资，用于研发和业务拓展，不断扩大自己的资金和技术优势。

4.3技术平台类公司选择标准以及判断

技术平台类公司的判定标准，可以从业务领域和平台综合能力两方面来看。

业务领域方面，根据我们前文的分析，计算机视觉、智能语音类属于较好领域，自然语言处理、其他类属于一般领域。

平台综合能力则要从下游客户质量、平台打造能力、技术输出营收、创始团队实力、公司研发投入、资本能力、激励机制等方面来判断，其中:

下游客户质量主要指的是购买公司输出技术的是否是行业内顶尖的，对技术要求高的公司，比如BAT、海康威视等。客户行业地位以及技术要求越高，越能证明公司的能力。

平台打造能力主要指的是公司现有平台的输出能力，主要包括技术平台的标准化、效率、易用性、用户数量等。

技术输出营收，重点需要看的是由于技术输出带来的直接营收。比如收取相应公司的技术服务费，云端AI服务收入等。需要区别的是基于工程项目类的营收，因为这种营收不同行业差别很大，技术附加值也较难判断。

创始团队实力，重点看的是创始团队的技术背景，是否是人工智能领域顶尖高校科班出身，或者具备行业内顶尖公司的成功经验，以及在学术领域具备丰硕成果。

公司研发投入指的是具体用于AI技术以及平台的实际投入，要和用于IT项目的项目人员实施投入区分开来。

激励机制指的是能否给予核心人员足够激励，比如BAT公司在这一方面就明显弱了一些。

结语

从人工智能的崛起，我们可以看到数据、算法、人工智能对信息分发的变革。而如今，人工智能、深度学习、NLP等技术对信息产业、平台类公司的革新愈演愈烈。