投资建议。人工智能（AI）本质为“用机器取代人类工作”，结合了“机器规模化生产、与人工个性化生产的优势”。运用AI改造传统行业，可同时实现低成本及差异化，大幅提升企业竞争力。随着消费变迁，消费者更加注重于差异化及个性化，追求定制化生产，AI将重塑产业竞争格局。目前，人工智能正处于第三轮爆发时期，AI产学研加速推进，行业前景持续向好。鉴于当前AI基础层（AI芯片、云计算等算力支撑）盈利已经爆发，考虑到产业链传导效应，未来AI产业盈利亮点还将传导至应用层。先前，“芯片计算能力受限”一度制约了深度学习算法的应用。近年来，“计算瓶颈突破&商用价值提升”引爆了人工智能市场，而自然语言处理是当前AI技术瓶颈。AI芯片市场而言：1）“推理输出环节的芯片市场容量”将远超过“模型训练环节”。训练环节注重“处理容量及处理速度”，而推理输出环节必保证“实时性及能效结构”；2）“CPU、GPU、FPGA、ASIC”各类芯片的“计算效率与通用性”难以兼顾，AI生态未来或决定哪种芯片结构最终花落谁家。同时，国内AI芯片企业崛起势头明显。AI商业应用而言：1）凡是具有明确规则的工作，很快会被人工智能取代；没有明确规则（如自然语言处理、语义理解），替代进程相对缓慢；2）AI细分行业的商业潜能主要取决于“替代技术的可能性、应用行业的规模大小、及渗透率高低”；3）就AI行业应用前景而言，某行业的AI需求度（行业规模×AI产品渗透率）比较高，且技术成熟度比较高时，AI应用潜力就比较大。因此，我们建议投资者关注AI需求度及技术成熟度均高的智能安防、无人驾驶等领域。智能安防领域，可关注东方网力（300367.SZ）、海康威视（002415.SZ）、大华股份（002236.SZ）等标的。无人驾驶领域，可关注四维图新（002405.SZ）、均胜电子（600699.SH）等标的。

人工智能可同时实现低成本及差异化，将重塑产业竞争格局。传统企业竞争中，需选择“成本领先、差异化、集中化”三类战略中的一种，但三种战略内部存在矛盾、不可兼顾，而“处于中间战略或者战略定位模糊的企业”则难以争取到“成本导向客户”及“（差异化）价值导向客户”，处于竞争劣势。波特教授认为，若某一战略或技术可同时实现“成本降低、及差异化”，则会大幅提升竞争优势。机器易实现批量化生产，但难满足个性化；人工易实现个性化，但难满足规模化需要。人工智能（AI）本质为“用机器取代人类工作”，结合了“机器规模化生产、与人工个性化生产的优势”：1）“AI+行业”可通过规模化生产，从而“大幅提升工作效率并降低生产成本”；2）“AI+行业”还可通过个性化生产，实现定制化及专门服务，充分满足消费者的差异化需求。因此运用AI改造传统行业，可同时实现低成本及差异化，大幅提升企业竞争力。随着“汽车、家电、电子消费品”等行业日益成熟，由于人类天然具备个性化需求，“这类直接面向消费者的行业话语权”逐步由卖方转向买方，消费者更加注重于差异化及个性化，追求定制化生产，AI将重塑产业竞争格局。

人工智能正处于第三轮爆发时期，盈利亮点由基础层传导至应用层：目前，人工智能处于第三次爆发时期，AI产学研持续推进：1）风投、PE资本竞相涌入；2）“AI相关专利申请数量、市场规模”大增；根据艾瑞咨询，2020年全球AI市场规模将达到1190亿元，年复合增速约19.7%；同期，中国人工智能增速将达91亿元，年复合增速超50%，远超全球增速，市场前景广阔。3）人工智能亦大幅跑赢市场指数，AI超额收益明显。人工智能可分为基础层、技术层和应用层，基础层为算力支撑（AI芯片、云计算），技术层为算法平台，应用层是AI向各传统行业渗透应用。受AI市场（无人驾驶、数据中心）的强劲需求驱动，在过去十余个季度，海外科技巨头英伟达的业绩增速持续超出华尔街预期，英伟达股价一骑绝尘，从2015年的23美元增长至目前187.55美元（2017/9/18，区间涨幅高达8倍）。鉴于当前AI基础层（AI芯片、云计算等算力支撑）盈利已经爆发，考虑到产业链传导效应，未来AI产业盈利亮点还将传导至应用层。

“计算瓶颈突破&商用价值提升”引爆AI产业链，自然语言处理为AI当前技术瓶颈：“提高AI模型精度”需要增加深度学习层数以抽取更多特征。深度学习算法在训练模型时，随着“隐层层数增加及训练数据规模扩大”，训练AI模型时的计算量呈现几何式增长，而“芯片计算能力受限”一度制约了深度学习算法的应用。2013-2015年，英伟达深度学习用GPU计算性能提升50X，训练天数远低于CPU芯片，解决了“训练AI模型的计算能力瓶颈”。目前，英伟达GPU芯片成为“训练深度学习模型的事实标准”。深度学习刻画事物属性的维度将随着层数增加而增加，精度可通过大量事例（大数据）学习来保证。就应用而言，先前很长时间内，图像与语音识别准确率仅可达80-85%，但通过深度神经网络及大数据的训练，准确率提升了10-20%，目前准确率超过90%，语音识别/图像识别接近或达到人类水平，可适用于大部分商业场景。“计算瓶颈突破&商用价值提升”是近年人工智能爆发的两大关键要素。自然语言处理作为人机接口，在“机器识别、智能助理、智能客服”等领域应用前景广泛，是当前AI技术发展的瓶颈。

“芯片的计算效率与通用性”难以兼顾，AI生态或将决定“AI芯片市场”花落谁家：先前受限于芯片计算能力，传统神经网络一般为“十几层到几十层”，难进一步增加。随着“芯片制造工艺的进步（芯片制造工艺已经达10nm）”及“GPU、FPGA、ASIC”等AI专用型芯片的计算能力持续提高，现在算力可支撑“神经网络层数达几千层”，AI模型的精度进一步提升。人工智能应用环节分为训练、推理输出两个步骤，“推理输出环节的芯片市场容量”将远超过“模型训练环节”。对芯片要求而言，训练环节计算工作量极大，注重是服务器的“处理容量及处理速度”；推理输出环节必须保证“实时性及能效结构”。目前，英伟达GPU芯片成为AI模型训练的事实标准，但其未必“推理数据环节”的标准。各类芯片比较而言，从CPU、GPU、FPGA到ASIC，晶体管中的计算单元占比越高，计算效率越高，且芯片通用性降低、专用化加强、易用性降低。“各个芯片的计算效率与通用性”难以兼顾，未来“AI推理输出的芯片市场”花落谁家仍未知。具体而言，各科技巨头亦加速布局AI芯片：1）Google：通过“TensorFlow系统、TPU芯片（ASIC）”再塑AI时代生态；2）NVIDIA：受AI市场强劲需求驱动，AI芯片（GPU）业务持续爆发；3）Intel：收购FPGA龙头Altera，巨资研发AI专用芯片（XeonPhi）；4）IBM：重磅推出多款并行式类脑芯片，大幅提升AI算力；5）苹果：iPhoneX集成A11人工智能芯片，以支持CoreML及AI应用；6）华为：发布全球首款AI移动芯片（麒麟970）。就计算机发展历程而言：操作系统和芯片具有“极强的规模效应”，均形成寡头垄断格局。与“PC时代、智能手机时代”不同的是，人工智能系统对“芯片的专用性”要求更高，而非强调通用性。因此，人工智能系统的生态未来或决定哪种芯片结构将最终获胜。虽然国内芯片进口依赖度较大、集中于产业链低端。但中国高度重视芯片发展，近年来，“芯片设计、芯片制造企业”成长迅速，预计在未来“全球芯片、人工智能产业格局”上，国内芯片厂家有望后来居上。

AI易取代“具有明确规则的工作”，AI商业潜能取决于“行业规模、AI渗透率、技术成熟度”，关注智能安防及无人驾驶：当前AI技术仅可做模式识别，其对目标对象进行“分类、识别”，还无法进行理解，也不具备创造性。“AI模式识别”是在规则场景下的决策控制，以模式识别为主的技术能力决定了AI产业分布（当前，AI产业大部分为视觉、语音处理）。就AI对人工工作替代进程而言：1）凡是具有明确规则的工作，很快会被人工智能取代；没有明确规则（如自然语言处理、语义理解），替代进程相对缓慢。AI应用必须与行业相结合。AI细分行业的商业潜能主要取决于“替代技术的可能性、应用行业的规模大小、及渗透率高低”。AI替代技术的可能性主要取决于“技术成熟度”，而“AI在某一细分行业的渗透率”主要取决于AI产品性价比情况：1）性能方面：深度学习在“语音识别、图像识别、智能安防、无人零售等”应用领域，所发挥的效用已经超过人类智能。未来还大概率向教育、医疗等领域发展；2）成本而言：机器人成本降低到人工成本的一定程度，机会才会涌现。但AI具备明显规模效应，成本可随着规模增加而迅速降低；而随着全球经济向前、及老龄化持续加重，人力成本攀升势头明显。AI替代人类工作将成为历史趋势。就AI行业应用前景而言，某行业的AI需求度（行业规模×AI产品渗透率）比较高，且技术成熟度比较高时，AI应用潜力就大：1）当需求度很低时，即使技术成熟度很高，应用潜力亦有限；2）如果AI需求度很高，但技术却不成熟（比如教育），行业的中期机会亦较少（技术突破需要较长时间）。综合考虑“AI需求度及技术成熟度”，我们建议投资者关注AI需求度及技术成熟度均高的智能安防、无人驾驶等领域。