德勤成長型AI企業研究報告：邁向巔峰之路

未來智庫

（報告出品方：德勒）

前言

過去 60 年，人工智能經曆了幾次從爆發到低谷再重新煥發生機的過程，進入 21 世紀以來，隨著數據的爆發式增長，計算能力的大幅度提升和深度學習的發展和成熟，人工智能迎來了第三次發展浪潮，人工智能技術走向了全面應用，在全球範圍內掀起了一場新的產業革命。而 2020 年突如其來的疫情，對人類的生命健康，以及全球的經濟發展構成了巨大挑戰，卻也無意中加速了產業智能化的進程。

在中國，人工智能已經上升為國家戰略，連續多年寫入政府工作報告中，得益於社會經濟的持續增長、政策和資本的大力驅動、創新力量的持續沉澱，AI 產業正在蓬勃發展，並孕育了數千家人工智能相關企業。而成長型 AI 企業數量占比達到九成，是人工智能技術發展，應用創新和產業融合的重要推動力量。非獨角獸 AI 企業大多成立於我們正在經曆的第三次人工智能浪潮期間，普遍有著優秀核心團隊，技術上有一定積累，對所賦能的行業有深刻理解，體量雖小，但可以靈活的打造滿足細分市場需求的智能化解決方案，從農業畜牧業，到遊戲娛樂，從時尚產業到工業生產，幾乎所有的行業領域都活躍著一批優秀的成長型 AI 企業，它們是產業生態中的重要一極，所以研究成長型 AI 企業對理解人工智能產業的發展現狀和發展趨勢有著重要意義。

在此大背景之下，英特爾 AI 百佳創新激勵計劃、德勤人工智能研究院和深圳人工智能行業協會強強聯合，基於過去幾年對數千家成長型 AI 企業數據的分析研究，和其中幾百家企業的走訪和近百家優秀企業的深度合作，本研究報告就中國成長型 AI 企業的發展特點、投融資變化、發展過程中面臨的挑戰、不同區域和城市的相關政策和產業現狀、生態圈構建、技術發展趨勢、以及企業發展建議等進行了全面的系統性研究。我們希望通對成長型 AI 企業的多維度的、全面的研究，能夠進一步幫助激發成長型 AI 企業的創新能力，引導成長型 AI 企業通過先垂直滲透後向上發展、拓展場景化應用、使用多元化融資渠道、強化合作等策略，持續提升企業的產品力、服務力與品牌力，從而推動中國成長型 AI 企業的發展，構建更加繁榮的 AI 產業生態，並為政府相關部門制定相應的企業扶持政策和產業發展政策提供一定的參考。

主要發現

人工智能核心產業規模 5 年內將突破 5000 億元：
預計 2021 年中國人工智能市場規模將達 2058 億元，增速 30%，到 2025 年突破 5000 億元。隨著疫情中人工智能場景的密集應用、落地渠道的增加和技術的不斷成熟和開放，中國人工智能將再度高速增張，產業迎來黃金期。

成長型 AI 企業數量龐大：
中國人工智能相關企業總共約 5015 家，其中，成長型 AI 企業 4484 家，占到近所有人工智能企業的九成。成長型 AI 企業覆蓋的產業領域日趨全面，在許多特定的 AI 領域，目前已由成長型 AI 企業引領市場和技術，假以時日，這些成長型 AI 企業將成為明日之星。

2020 年投資總額同比增長 73.8%，投融資向 B 輪及以後企業聚攏：
2020 年中國在人工智能領域的投融資金額再次創下新高，達到 1748 億元，相比 2019 年同比增長 73.8%，但融資次數同比減少，平均單筆融資金額穩步攀升。整體來看，A 輪以前的初始輪的投融資數量明顯減少，資金不斷向 B 輪及以後輪次的成熟企業集中，其中，智能制造和智慧醫療是投融資數最多的兩大細分領域。

成長型 AI 企業集中在應用層：
中國成長型 AI 企業主要聚集在應用層，依托技術優勢幫助場景落地，尤其在終端產品落地豐富。這些企業在機器人終端市場占比最大，達 52%。其次，隨著市場需求的多樣化和個性化的發展，智能家居和無人機成為第二、第三大 AI 終端產品市場。成長型 AI 企業在技術和產品創新的速度方面很快，能夠快速集中可用資源、聚焦客戶產品需求並迅速創新優化產品，在一些意想不到的領域開發產品，搶先一步得到市場先機。

成長型 AI 企業小而靈活：
成長型 AI 企業雖然在發展初期規模較小，但憑借著自身的獨特優勢可以快速地將技術與應用場景相融合，在細分垂直領域成為行業的“特種部隊”。其優勢包括了團隊背景優秀、技術領先；能在垂直細分領域靈活地找到場景並快速部署；善用優勢互補共贏發展；專利軟著成為有利的競爭武器，以及能夠借助孵化器的創業資源迅速發展壯大。成長型 AI 企業通常能更快速的去調整並找到技術和場景的適配的點，從一個切入點開始，去擴大自己的廣度，然後不斷發展形成自己獨特的競爭優勢。

場景落地與運營優化是成長型 AI 企業關鍵成功要素：
成長型 AI 企業想在激烈的競爭環境下充分發揮優勢，求得生存與發展，必須重視的是不同階段企業戰略的規劃及實施，先垂直滲透後向上發展，精於技術強於場景方案。成長型 AI 企業是搭建技術產品與場景落地最重要的橋梁，如何實現場景落地是每家成長型 AI 企業所面臨最大的挑戰，如何進一步提升市場競爭力，制定合理的運營策略是關鍵。同時，如何把握住多元化的融資渠道，也是成長型型人工智能企業需要聚焦思考的重點。

成長型 AI 企業即將邁上大舞台：
十四五規劃將人工智能列為前沿科技領域的最高優先級，必將推動中國的人工智能產業迎來新一輪的大發展。在全球抗疫的大背景下，抗疫需求為人工智能提供了應用落地的契機和試驗場，AI 在醫療、城市治理、工業、服務業等領域迅速發展，充分展現了人工智能的應用潛力。與此同時，成長型 AI 企業邁向更大的舞台，其通過獲取投資、AI 技術與商業模式創新、加速細分場景落地等方式，不斷完善產業鏈布局，獲取了更大的增長空間。

北上深占據中國成長型 AI 企業近“半壁江山”：
在城市層面，北京、上海和深圳作為京津冀、長三角、珠三角地區的中心城市，有著良好的經濟基礎和豐富的政策紅利，分別帶動了三個地區的人工智能產業集群發展，三地占中國成長型 AI 企業的比重總和為 41%。杭州、南京、廣州作為高速發展的核心人工智能城市，近年來在技術應用廣度、科技發展等方面迅速成長，是我國人工智能城市發展的中堅力量；在人工智能新興城市中，蘇州、重慶和成都發展尤為顯著，分別在產業園建設、應用場景擴大和引入科教資源方面發展較快。在區域層面，長三角地區為人工智能企業發展營造的環境相對更優，珠三角借著粵港澳大灣區的重大發展機遇，推進經濟社會的“賦智賦能”，實現全面發展；京津翼地區以北京為核心，正在探索人工智能產業的協同發展布局。

成長型 AI 企業當前多采用熱門模型與框架：
在為了降低應用開發門檻與開發風險，同時利用豐富的社區資源，成長型 AI 企業當前多采用熱門模型與框架。英特爾研究顯示，成長型 AI 企業采用較多的模型包括計算機視覺領域的 Resnet 框架、Fast R-CNN 和 Yolov3，語音識別領域的 CTC、HMM 和 GMM 模型與其他馬爾可夫模型，自然語言處理領域的 Attention、LSTM、RNN 模型；成長型 AI 企業采用較多的熱門框架主要是 TensorFlow、Pytorch、PaddlePaddle、Caffe。其中，Tensorflow 認知度高達 83.8%，市場份額達到 70.6%，仍然排名第一，Pytorch 和 paddle 在過去兩年增長明顯，認知度和份額分別排名二、三位。除了上述四個框架以外，MXNet、CNTK、Caffe2、Keras 等框架也得到了不少企業的關注。

邊緣計算等跨界領域將會是成長型 AI 企業未來的發力點：
伴隨著 AI 技術的不斷創新與應用領域的持續拓展，AI 與 5G、計算機視覺等技術實現了跨學科的融合，並實現跨越不同場景的落地以及跨空間的應用模式。例如，AI 和邊緣計算、和 5G 等技術的融合帶來了更低延遲的智慧應用場景，聯邦學習推動了 AI 數據的互聯互通，AI 交互式技術催生了更多智能設備形態……這孕育了大量的新興細分市場，為成長型 AI 企業提供了巨大的市場機遇。

一、中國成長型 AI 企業概況

1.1 數量龐大

我們正在經曆人工智能發展的第三次浪潮，人工智能技術正在深刻的變革人們生活和社會活動的方方面面，而人工智能相關企業是人工智能技術發展和創新的主要推動群體之一，更是將人工智能技術落地，賦能千行百業的主體。

當前中國人工智能相關企業可分為四大類：互聯網巨頭、傳統軟硬件廠商（包括集成商（SI）、獨立軟件開發商（ISV）和設備制造商（OEM）以及各垂直行業的領軍企業等）、人工智能企業又分為獨角獸企業和成長型企業。其中，人工智能成長型企業（以下簡稱成長型 AI 企業）數量龐大，全國共約 4484 家，占人工智能相關企業的 89%。這些企業深耕垂直領域，在人工智能技術和千行百業融合的過程中，起到重要的推動作用。過去幾年，經過巨量資本的加持，以及海量的市場需求，都使數量龐大的成長型 AI 企業獲得了快速發展，尤其在疫情後，對無人化，智能化的解決方案需求非常旺盛。

然而，人工智能技術工程化落地有一定複雜性，盡管人工智能技術取得了一定程度的階段性發展，但投入實際的應用仍存在很多局限性。因此，英特爾 AI 百佳創新激勵計劃團隊和德勤認為：未來 5 年，人工智能產業不會出現贏家通吃，寡頭鼎立的局面。通過對幾千家成長型 AI 企業的分析研究，數百家成長型 AI 企業的走訪和近百家企業的深度合作，英特爾 AI 百佳團隊和德勤堅信，未來 5 年成長型 AI 企業會呈現百花齊放的競合局面，是人工智能產業的重要一極，具有廣闊的發展空間。綜合以上原因，對成長型 AI 企業這個群體的深入研究，對理解中國人工智能產業的發展現狀和發展趨勢有著極為重要的意義。

1.2 小而靈活

在本報告研究的 4484 家成長型 AI 企業中，人員規模 250 人以下的企業共 4200 家，占比 92%；其中，員工數在 11-50 人企業數量最多，占比達 45%；員工人數在 51-100 人和 101-250 人企業數占比分別為 14% 和 17%；企業人員規模 250~500 人以上的企業共 284 家，占比 6%。而人數在 500 人以上的大型企業僅占 2%。

成長型 AI 企業雖然在發展初期規模較小，但憑借著自身的獨特優勢可以快速地將技術與應用場景相融合，在細分垂直領域成為行業的“特種部隊”。

1.3 邁上大舞台

成長型 AI 企業的快速發展可從四個方面來探討：

1.4 成長型 AI 企業發展挑戰

通過以上分析我們發現中國人工智能行業整體市場環境向好，企業百花齊放蓬勃發展，但這其中的成長型 AI 企業也存在著一些挑戰：

營收規模和虧損的雙重挑戰。
根據數據研究和數百家企業的走訪以及專訪發現，和獲得了大量資本加持的獨角獸 AI 企業不同，成長型 AI 企業的團隊規模和業務規模的匹配更加合理，對資本投入都比較謹慎，一般有項目才會增加人員，並且對財務數據把控嚴格，不盲目擴張。但由於技術通用性和解決方案的擴展性的局限，特殊的商業環境，以及較弱的市場開拓能力，都使得成長型 AI 企業難以在短期內大幅度的增加營收，甚至實現盈利。隨著產業智能化轉型的深入，如何讓企業進入良性的發展軌道，實現自我造血能力，以應對未來扶持政策和資本支持的變化，是所有成長型 AI 企業要認真應對的一個課題。

初級發展企業可能面臨淘汰出局。
根據投融資數據我們發現，資本市場資源正不斷向 B 輪以後企業聚攏，至今尚沒有融資的企業，很有可能面臨淘汰出局。根據 IT 橘子的數據，截至 2020 年，30% 的成長型 AI 企業尚未或投，這些未或投企業很多沒有找到細分的價值板塊，產品差異化競爭優勢不明顯，存在顯著的同質化競爭現象。如果遇到較大公司的進駐或碾壓後，容易被投資方半途放棄，創業風險急劇增大。另外有 45% 的已或投企業輪次融資輪次在 A 輪之前，這些企業盡管產品研發已經基本完成，但市場仍處於開拓階段，尚未能實現收入大幅增長。此外，缺乏高質量數據、應用場景不明確、產品打磨不完善等都是這些企業技術場景化落地的難點。

成長型 AI 企業缺乏人才聚集效應。
隨著人工智能越來越熱，人工智能人才成本也水漲船高。大企業有資金、平台和品牌的優勢，人才容易聚集，人力成本也比較好控制，而中小企業往往需要付出更高的成本才能在市場上獲得優質人才。在很多新技術、新領域，比如無人駕駛的大方向，成長型 AI 企業都處於無現成的可用的人才狀態，這些企業在很多情況下需要通過產學研合作，內部培養，學習公開課的方式進行內部培養人才。然而，人才一旦培養成形，在市場人才搶奪的大環境下，如何留住人才，減少流失也是成長型 AI 企業面臨的不小挑戰。

創業團隊的人才結構不完善。
一些創業團隊只注重在技術上的突破，尤其技術型的科學家團隊，沒有與行業專家進行准確融和，沒有與商務市場團隊有效對接，使得技術與市場出現比較嚴重的脫節，對商業化落地造成了致命打擊。這些企業對潛在客戶場景需求的理解相對模糊，不斷在研發投入上燒錢，沒有對商業營銷進行有創意的設計與推進，在產品銷量出現低迷時，未及時意識到根本原因並作出有效調整，處於不斷虧損的尷尬境地。因此，人工智能是綜合性極強的學科，創業團隊如何跨界、融合技術與商業模型，並有效地設計與推進市場營銷，對團隊人才結構的完善要求非常高。

二、成長型 AI 企業地域分析

人工智能技術進入商業應用階段後，已經逐步在眾多行業得到應用，成為影響經濟發展的重要力量。各地政府為推動產業升級，實現經濟新舊動能轉換，紛紛頒布與人工智能產業相關的產業規劃指導意見，提供稅收優惠、資金補貼、人才引入、優化政務流程等措施優化營商環境，吸引有實力的企業入駐，同時培育本地人工智能企業。在政策與資本等多重力量的推動下，長三角、珠三角、京津冀等地區成為了人工智能企業最為密集的發展區域。

1. 長三角優勢突出：在政策方面，長三角地區為人工智能企業發展營造的環境相對更優。上海作為長三角的中心城市，被選為我國人工智能政策的先行示範區，產業發展環境理想。杭州、蘇州、南京近年來也陸續出台多項政策扶持人工智能產業的孵化。長三角各城市對人工智能企業的資金支持力度也較大，有利於成長型企業的創新與發展。目前上海的核心成長型人工智能企業數量上為全國第二，僅次於北京；產業布局較為完善。同時上海也擁有豐富的科研和人才資源，在資金支持方面力度大。此外，長三角地區的杭州、南京、蘇州等地成長型企業的發展也在全國處於領先地位，在應用層的機器人、軟件及信息服務領域布局優勢突出。其中，杭州核心成長型企業數量在全國排名第四，成長型企業依托阿裏系企業和浙江大學的優勢呈聚集性發展。南京市成長型企業在區域上分布相對均勻，依托產業園的優勢形成了全市人工智能產業協調發展的生態。而蘇州成長型企業依托政策扶持及產業資源快速發展。

2. 珠三角產全面方展：廣東省政府正大力推動新一代人工智能發展，借著粵港澳大灣區的重大發展機遇，推進經濟社會的“賦智賦能”，為珠三角成長型人工智能企業的發展提供了良好的環境。深圳核心成長型 AI 企業數量位列全國前三，已形成完善的產業鏈，高新技術制造業發達。同時，深圳擁有多個人工智能開放創新平台和人工智能實驗室，創新能力全國領跑。廣州第三產業發達，擁有良好的經濟實力。作為科技部設立的國家新一代人工智能創新發展試驗區，廣州在政策方面優勢明顯。目前廣州正大力推進人工智能和數字經濟試驗區的建設，並將在未來兩年內新增多個人工智能應用場景。

3. 京津冀科技資源集中：作為京津翼地區的中心城市，北京以技術和產業的領先為發展人工智能產業的首要目標。北京科研實力最為雄厚，擁有超過全國 50% 以上的科研院校，以及超過 10 家國家級實驗室，同時，百度、京東、美團等互聯網巨頭建設企業實驗室，向人工智能技術研發投入大量社會資本，引領京津翼地區科技資源的聚集，為該地區成長型企業的發展提供了豐富資源。就核心成長型 AI 企業而言，北京的成長型企業為全國最多，共 1074 家，占總數的 24%。北京成長型企業在基礎層、技術層、應用層的分布相對較均衡，產業布局領域較廣。北京成長型企業在應用層的研發方面領跑全國，軟件平台、無人駕駛等多個領域研究具有明顯優勢。為推動京津翼地區人工智能產業的協同發展，北京經濟開發區一直以來都積極組織資源，對京津翼三地實施全產業鏈布局，現已探索出“亦莊技術研發 + 產品創新、津冀產業化應用 + 工業化量產”的創新產業模式。

在城市層面，北京、上海和深圳作為京津冀、長三角、珠三角、地區的中心城市，有著良好的經濟基礎和豐富的政策紅利，分別帶動了三個地區的人工智能產業集群發展；杭州、南京、廣州作為高速發展的核心人工智能城市，近年來在技術應用廣度、科技發展等方面迅速成長，是我國人工智能城市發展的中堅力量；在人工智能新興城市中，蘇州、重慶和成都發展尤為顯著，分別在產業園建設、應用場景擴大和引入科教資源方面發展較快。

2.1 北上深 — 全面方位引領

北京引領技術

北京是全球十大科技創新中心之一，也是我國最先開展人工智能建設的城市。作為我國新一代人工智能創新試驗區，北京市人工智能企業的數量和專利數均位列全國第一。北京成長型 AI 企業集中分布在海澱區和朝陽區，呈現集聚發展的態勢。海澱區引領北京市的 AI 發展，是全球人工智能企業最密集的區域之一。北京智源人工智能研究院、中關村海華信息技術研究院等一批前沿的研發機構都聚集於此，為海澱區人工智能企業提供了大量高端人才。此外，海澱區率先開發了包括智慧醫療、智慧社區在內的一批人工智能應用場景，並設立人工智能科學家創業基金，構建特色創新創業體系，利於成長型企業發展。朝陽區則以人工智能推動數字產業化發展，運用人工智能技術打造了包括智慧園區、智慧零售、智慧遊覽在內的多個高質量的應用場景。北京在人工智能各方面的發展都領跑全國，其中，最為突出的優勢主要體現在政策支持、科技資源和基礎層技術三大方面。

上海商用排頭兵

上海作為創新開放的國際性大都市，是人工智能快速發展的領先城市。上海的核心成長型 AI 企業數量上為全國第二，僅次於北京；產業布局較為完善，商業化應用場景豐富。上海目前入駐浦東新區和徐匯區的人工智能成長型企業數量最多。浦東新區擁有張江人工智能島、浦東軟件園、張江機器人谷等多個人工智能核心產業集聚區，聚集了大量上下遊企業，產業鏈完整，同時上海科技大學、中科院張江實驗室等優質高校資源也聚集於此，為人工智能企業的發展提供了良好的科研環境和大量的高端人才。徐匯區擁有西岸國際人工智能中心、北楊人工智能小鎮，聚焦智慧醫療、智慧安防等多個應用場景，人工智能產業發展迅速，且在政策層面、高級人才培養、人才生活和服務等全方面，徐匯區均對入駐企業給予了支持與幫助，因此吸引了大批成長型企業。從商業化應用到人才積累再到產業國際合作方面，上海都具有明顯的人工智能發展優勢。

深圳產業化強市

深圳因其粵港澳大灣區、中國社會主義先行示範區等特殊戰略地位，在人工智能產業發展上具備深厚基礎，走在全國前列。深圳同時擁有大量新興和成熟的人工智能企業，從區域分布來看，深圳成長型 AI 企業呈集中分布的態勢，半數企業均聚集在南山區，寶安區和福田區。深圳在人工智能產業發展方面的優勢主要聚焦在產業化優勢、資本實力優勢等方面。

2.2 杭寧穗 — 優勢穩進

作為僅次於北上深的人工智能高速發展城市，杭州、南京和廣州，在政策、資金、人才及科研等方面優勢突出，人工智能建設要素完備程度相對較高，因此它們以穩進的發展態勢推進人工智能產業的發展。

杭州資源匯聚潛力大

杭州核心成長型企業數量在全國排名第四，僅次於北京、上海和深圳。杭州的人工智能產業分布區域集中在餘杭區、濱江區和西湖區，圍繞浙江大學和阿裏系企業的研發資源呈現聚集性發展的態勢。杭州成長型人工智能企業中 72% 分布於應用層。應用層企業涉及醫療、安防、制造、金融、交通、生活服務等多個領域；技術層覆蓋圖像識別、自然語言處理、計算機視覺等；基礎層企業包括了雲計算、大數據、AI 芯片等。杭州人工智能發展的核心競爭力主要體現在科研實力以及產業園布局方面。

南京“新勢力”

南京地處我國長江經濟帶樞紐區，擁有齊全的工業門類基礎，共有成長型 AI 企業約 25 家，主要集中在南京市的中部地區，包括江寧區、秦淮區、雨花台區等。南京成長型 AI 企業以應用層為主，已初步建成相對完善的人工智能產業生態。南京應用層的成長型 AI 企業依托南京的軟件產業的優勢發展，主要集中在智能軟件、智能應用系統、智能機器人等領域。在人工智能發展方面，南京優勢主要體現於人才培養、科研及產業布局三大方面。

廣州大灣區研發“主心骨”

廣州是大灣區區域發展的核心，具有良好的人工智能產業發展基礎，目前廣州共匯聚成長型人工智能核心企業40% 集中在天河區。天河區是粵港澳大灣區最大的軟件產業聚集區，在包括大數據、雲計算等與人工智能有關的領域具有大量發展優勢，能為成長型 AI 企業的技術與業務發展提供便利。廣州成長型 AI 企業中，應用層企業主要集中在軟件、機器人技術、智慧金融等領域，廣州包括電子產品、汽車、金融在內的多個主導產業為應用層企業的發展提供了支撐。技術層的成長型企業覆蓋了自然語言處理、計算機視覺、機器學習等領域。基礎層企業覆蓋雲計算、大數據等，廣州成熟的電子產品制造業為基礎層成長型企業的發展提供了計算硬件、傳感硬件等多方面的支持。廣州市在研發能力、產業集聚以及投融資三方面尤為突出。

2.3 蘇渝蓉 — 奮起直追

蘇州、重慶和成都是我國人工智能產業發展的主要後進力量。雖然在人工智能產業發展要素方面的建設尚未全面完善，但是其在基礎設施建設、應用場景建設等方面較為重視，並獲得了一定的發展，為其餘人工智能發展中城市起到了示範帶領作用。

蘇州產業日趨完善

蘇州是我國主要的高新技術產業和智能制造基地之一，地理位置上毗鄰上海。蘇州作為人工智能發展的新興城市，在產業園建設、經濟基礎以及地理位置的優勢下，具有較大的發展後勁。目前蘇州以大數據、雲計算為支撐的人工智能產業鏈日趨完善，在智能制造與自動駕駛領域已形成較為明顯的集群優勢。蘇州共有成長型人工智能核心企業超過半數聚集在蘇州工業園區內，其次是相城區和昆山市。蘇州核心成長型企業主要集中在應用層，覆蓋了智能制造、軟件、智慧醫療等場景。產業園建設、經濟基礎及地理位置方面是蘇州發展人工智能產業的優勢。

重慶應用擴大“後發先至”

重慶近年來在人工智能發展方面增速較快。目前重慶共有成長型人工智能核心企業集中分布在渝北、渝中和江北區。重慶應用層的成長型企業覆蓋企業服務、信息服務、智慧醫療等場景，技術層企業涵蓋自然語言處理、圖像識別等領域；基礎層企業多以大數據計算作為核心技術。重慶市在新興人工智能城市中的主要發展優勢體現在工業基礎良好和應用場景不斷擴大兩大方面。

成都“後起新秀”

成都作為西部新一線領跑城市，自 2019 年來就積極布局人工智能產業，重點發展人工智能在交通、金融、醫療等領域的應用。成都高新區集中了 75% 的成長型人工智能核心企業。成都高新區一直以來發展處於全國高新區的前列，市場容量及物流條件良好；高新區擁有完整的電子信息產業鏈；聚集了 6 家省級產研院和 1 家市級產研院，在科研方面優勢突出，對成長型人工智能企業有較大的吸引力。總體來看，成都在科教資源和場景應用方面的優勢尤為突出。

三、成長型 AI 企業生態圈與應用

3.1 企業生態圈

從生態圈來看，人工智能生態圈分三層結構：基礎設施、技術平台、落地場景。基礎設施主要包括雲計算平台提供商、芯片、IT 軟硬件系統提供商；技術平台主要有人工智能算法企業、機器學習平台企業、知識圖譜技術提供商、智能語音企業、RPA 提供商、AI 軟件框架；落地場景則包括工業、金融、醫療、零售、營銷等海量豐富場景。

成長型 AI 企業集中在應用層。
從整體來看，中國成長型 AI 企業主要聚集在應用層，依托技術優勢幫助場景落地，尤其在終端產品落地豐富。這些企業在機器人終端市場占比最大，達 52%。其次，隨著市場需求的多樣化和個性化的發展，智能家居和無人機成為第二、第三大 AI 終端產品市場。成長型 AI 企業在技術和產品創新的速度方面很快，創新速度比產業型大公司的創新速度快，因此能夠快速集中可用資源、聚焦客戶產品需求並迅速創新優化產品，在一些意想不到的領域開發產品，搶先一步得到市場訂單。

在 AI 行業解決方案細分領域，2020 年 AI+ 制造、AI+ 醫療分別以 23% 和 21% 成為占比最高的兩大行業。由於中國市場遼闊，技術與場景的深入融合仍有很大空間，端到端的產品覆蓋和數據觸達能力需要廣大成長型 AI 企業進一步落實。傳統行業應用場景與 AI 深度融合的趨勢下，人工智能將不再是單點替代的形式，而是真正融入到傳統產業各個環節之中，推動傳統產業的工藝、流程、流通、服務等核心業務的高效創新。

計算機視覺技術應用最廣泛。
在 AI 的技術層，計算機視覺以 45% 的占比成為成長型 AI 企業應用最多的技術，而人機交互由於剛剛興起，2020 年在技術層市場占比相對較小，僅有 14%。未來，人機交互將會極大提高場景的融通性和體驗性，發展空間巨大，建議成長型 AI 企業可在該賽道開拓落地商機。

大型企業主要分布在基礎層搭建基礎設施和技術平台。
目前我國人工智能基礎層核心技術有待突破，存在產學研不夠緊密的問題，成長型 AI 企業數量相對較少。而巨頭企業目前主要著力在基礎層的設施搭建和技術平台設施的完善上，其中雲計算和芯片仍有核心技術有待攻克，市場占比 17.3% 和 11.6%；而在大數據和傳感器領域，已發展的較為成熟完善，市場占比分別為 51.1% 和 20%。

3.2 成長型 AI 企業應用場景

人工智能技術在過去數年持續快速發展，商業化應用成為關注焦點。從市場規模以及行業滲透率的視角來看，人工智能的行業應用可以落入四個象限：

萌芽期：人工智能技術的行業滲透以及市場機會都尚未成熟。雖然處於起步階段，但是這些行業在未來往往有著巨大的發展潛力、蘊藏巨大市場機遇，例如醫療行業、無人駕駛；

過渡期：人工智能技術在該行業具有較高的滲透程度，但現階段市場規模較低。未來，這些行業有可能因為政策驅動等因素，帶來新的行業增長點，如數字政務；

成長期：表示雖然行業的滲透度不足，但市場規模巨大，在現階段就擁有較高的市場增長潛力，例如智能制造；

發展期：表示人工智能技術已經在這些領域產生了較為深刻的影響，行業應用度較高，同時市場機會也高，例如金融行業。

3.2.1 智能制造將逐步釋放巨大市場潛力

人工智能與相關技術結合，可優化制造業各流程環節的效率，通過工業物聯網采集各種生產資料，再借助深度學習算法處理後提供建議甚至自主優化。然而，相較於金融、商業、醫療行業，人工智能在制造業領域應用潛力被明顯低估。我國制造業正加速智能化進程，未來巨大的市場潛力將逐步被釋放。預計到 2025 年，中國制造業人工智能市場規模將達到 133 億元，預測期（2018-2025 年）複合年增長率為 49.4%。制造業大數據技術的迅猛發展、自動化水平的不斷提高以及人工智能應用的不斷加強是推動中國制造業人工智能發展的主要因素。

智能工廠代表了傳統自動化向“全互聯”和“柔性化”的飛躍。
智能工廠不是簡單的自動化，而是一個柔性系統，能夠自行優化整個網絡的表現，自行適應並實時或近實時學習新的環境條件，並自動運行整個生產流程。智能工廠能夠在工廠車間內自動運作，同時與具有類似生產系統的全球網絡甚至整個數字化供應網絡互聯。智能工廠不是單一設備的智能化改造，而是要對人員、設備、物料、工藝、環境進行統一的數理化建模，建立以顧客需求為中心的柔性生產制造模式，利用 AI 以及大數據技術對生產、物流、銷售及內部管理等各環節進行工業 4.0 的全面升級。在人工智能和 5G 工業互聯網為代表的新技術推動下，制造不再以人為核心，而是利用“網絡 + 數據 + 算法 + 算力”構建以科技為核心的制造體系，實現智能化生產。

智能工廠具有互聯、優化、透明、前瞻與敏捷的特點。
互聯或許是智能工廠最重要的特征，智能工廠須確保基本流程與物料的互聯互通，以生成實時決策所需的各項數據。在真正意義的智能工廠中，傳感器遍布各項資產，因此系統可不斷從新興與傳統渠道抓取數據、確保數據持續更新。通過整合來自運營系統、業務系統、以及供應商和客戶的數據，可全面掌控供應鏈上下遊流程，從而提高供應網絡的整體效率；經過優化的智能工廠可實現高度可靠的運轉，最大程度上降低人工干預。智能工廠具備自動化工作流程，可同步了解資產狀況，同時優化了追蹤系統與進度計劃，能源消耗亦更加合理，可有效提高產量、運行時間以及質量，並降低成本、避免浪費；智能工廠獲取數據公開透明，通過實時數據可視化，將從流程與成品或半成品獲取的數據進行處理，並轉變為切實可行的洞見，從而協助人工及自動化決策流程。在一個前瞻型體系中，員工與系統可預見即將出現的問題或挑戰，並提前予以應對。這一特征包括識別異常情況，儲備並補充庫存，發現並提前解決質量問題，以及監控安全與維修問題。智能工廠能夠基於歷史與實時數據，預測未來成果，從而提高正常運行時間、產量與質量，同時預防安全問題。智能工廠還具備敏捷的靈活性，可快速適應進度以及產品變更，自動配置設備與物料流程，進而實時掌握這些變更所造成的影響，並最大程度上降低調整幅度，從而提高運行時間與產量，並確保靈活的進度安排。

3.2.2 金融 AI 負載的邊緣化與服務的個性化、精細化和普惠化

從金融服務來看，在 AI 技術應用的驅動下，我國金融行業呈現出產品個性化、管理精細化和服務普惠化三大發展態勢。

3.2.3 智慧醫療進入價值驗證期

在 AI 醫療領域，技術的成熟度決定了場景落地的時機。
當前，在視覺和語音領域的發展已經完全可以商業化的時候，AI 在單病的醫療影像診斷領域已經非常成熟，但在多模態影像與臨床的融合場景中，AI 技術提高整個醫院的信息化水平方面還處於早期階段。隨著交互式人工智能的發展，AI 醫療在虛擬醫生助手和輔助臨床診斷將會有進一步發展；未來，聯邦學的發展將可以廣泛應用於藥物研發和基因測序。因此，企業對技術發展節奏的把握非常關鍵，只有找准時機點及其關鍵點，才能將技術落實於應用場景，實現商業化。

中國醫療器械行業市場規模較大且持續快速增長。
2020 年，中國醫療器械市場規模預估為 8,000 億元人民幣，目前占據了全球醫療器械市場近 20% 的份額，較 2015 年的 3,080 億元人民幣翻了一番多。國內醫療器械企業以成長型 AI 企業為主，主要集中於低價值醫用耗材等低附加值器械領域。這些小型國內企業主導著中低端市場。就高端器械而言，行業仍高度依賴於進口，這一細分市場由少數外資品牌主導。不過，在過去的 10 年裏，國內品牌在高值醫用耗材細分市場的份額已從約 20% 增長至約 30%，未來，成長型 AI 企業在醫療領域將成為高端醫療器械國產替代的主力軍。

AI 提高臨床操作的效率，降低醫療風險。
基於人工智能的解決方案可以通過使用跨機構的大量結構化和非結構化醫療數據，有效簡化診斷和治療流程。這可以幫助醫院和衛生系統的醫生進行臨床決策，為他們提供實時的、以數據為導向的見解。

AI 在醫院管理領域幫助節省人力並優化患者體驗。
AI 快速檢查大量信息的能力可以幫助醫院管理者優化績效，提高生產力，改善資源利用率，從而提高效率和節省成本。此外，物流機器人可以大量替代人力完成高危作業，提升醫院運營效率。最後，AI 還可以通過虛擬助手促進與患者的對話，提供個性化體驗。

機器學習可將錯誤用藥的安全風險降至最低。
AI 還可以識別出傳統臨床決策系統無法檢測到的用藥錯誤，最大限度地降低患者風險，同時還可以減少醫生疲勞導致的誤診和假陽性。第三方平台可以標記出與患者、醫生或醫療機構的檔案相沖突的藥物，應用先進的機器學習算法和異常值檢測機制來識別和預防與用藥相關的錯誤和風險。以“用藥管家”為例，在機器學習過程中，它“閱讀”了 6 萬+ 份藥品說明書、10 萬+ 份臨床指南、5000 萬+ 篇醫療科普文章、2000 萬+ 份醫學論文以及人民衛生教育出版社出版的專業醫學書籍，形成了專業的醫療知識圖譜。此外，再結合醫生的處方，為患者提供用藥指導、用藥問答、用藥管理、用藥信息采集等藥事服務。目前，“用藥管家”已經簽約及上線的三甲醫院約 70 家，除了這款應用，左手醫生還通過智能自診、智能導診、智能預問診、智能問藥、智能問答、醫學文本數據結構化引擎等搭建了一條完整的醫療鏈條。

AI 提高藥物研發的效率、降低研發投入與風險。
通過深度學習模型和經典的計算機輔助藥物設計方法，可以為定制醫藥化合物提供准確、高效的計算模型支持。利用機器學習建模平台，可以大大提高對於數據的特征提取能力，在同等數據規模情況下，提供更加精確的模型，同時降低機器學習使用時對於數據規模的要求。AI 藥物研發公司晶泰科技利用機器學習模型，可以快速對化合物性質進行評價，高效構建定制化模型，有效提高模型在特定化合物、特定靶點上的表現能力。在制藥過程中，結合數據分析、可視化模塊、分子庫分析模塊和數據解釋模塊，可以幫助藥物設計者快速獲取關於分子庫特征、化合物構效關系等設計決策中的關鍵信息，提高制藥決策的信息性和成功率。

四、成長型 AI 企業技術發展現狀

技術的進步涵蓋了算法、數據、框架和算力四個方面，它們是 AI 技術發展的重要環節。在算法方面，人類取得了前所未有的突破，特別是視覺和語音技術方面的成就尤為突出。在數據方面，移動互聯網時代的到來使數據量迎來了爆炸式增長。在框架方面，國內外各大 IT 企業不斷推陳出新，TensorFlow、PyTorch、PaddlePaddle等已經占領大量市場。在算力方面，GPU、CPU 和 AI 加速芯片在市面上被廣泛使用，其中推理部分 CPU 占比較大，訓練部分 GPU 占據主導。通過平台化的整合，AI 技術的進步推動了政務、金融、醫療、制造等各領域的發展。在上述業務的發展過程中，除了大型頭部互聯網企業以外，也出現了成長型 AI 企業的身影。由於成長型 AI 企業體量相對較小、資金儲備不如大型企業，因此其自研技術所占的比例有限，會更傾向於選用時下熱門的技術。對於行業內技術的觀察和追蹤，成長型 AI 企業有很大的參考價值。近些年，成長型 AI 企業更加青睞Attention、CTC、Resnet 和 BERT 等熱門算法，以及 TensorFlow 和 Pytorch 等熱門深度學習框架，而在產品的部署方式上則更傾向於選擇大型通用平台。

4.1 算法 — CV、NLP 等領域需求大、投入多

計算機視覺、自然語言處理和語音識別是 AI 技術落地需求最大、速度最快的三個方向，近些年來學界和業界在目標識別、對話交互等領域都有大量的投入和產出。在成長型 AI 企業中，有三成多的企業也涉足了這三個領域，采用算法模型時它們更偏向於 Attention、CTC 和 Resnet 等熱門模型。

4.1.1 計算機視覺和自然語言處理分別聚焦目標識別和機器學習

計算機視覺關注目標檢測與分類、遷移與小樣本學習和人體識別。
CVPR 會議是計算機視覺領域的頂級年度峰會，在 2020 年的會議上公布的數據顯示：2020 年所有提交的論文中，目標檢測與識別相關的論文數量多於其他領域，此外遷移與小樣本學習以及人臉/手勢/姿態識別相關的論文數量也相對較多。

自然語言處理聚焦機器學習、對話交互系統和機器翻譯。
ACL 是計算語言學學會一年一度的年會，也是該領域最重要的學術會議。2020 年組織方公布的數據顯示：論文數量最多的 3 個領域分別是機器學習、對話交互和機器翻譯，分別占總論文比重 6% 至 9%，盡管這些領域的論文數量排名靠前，但並未與其他領域拉開差距。

4.1.2 新冠疫情推動了 AI 算法在生物醫學的應用

截至 2021 年 2 月，在論文數據庫 arxiv.org 中，與 AI 算法相關的研究論文已經超過 34000 篇。自 2016 年起，每年發表與 AI 相關論文的數量持續增長。2020 年疫情的爆發並沒有減緩這種趨勢，論文發表數增長幅度甚至遠超往年。與此同時，以醫療保健為重點的研究項目，除了 2019 年 Q4 至 2020 年 Q1 這段時期，整體也呈現上升趨勢。

4.1.3 成長型 AI 企業多采用計算機視覺算法及各種熱門模型

在成長型 AI 企業的自研算法中，計算機視覺方向的算法數量居多。
截至 2021 年 2 月，中國境內成長型 AI 企業采用的算法中偏向計算機視覺方向的占 24%，偏向自然語言處理方向的占 10%，其餘為偏向其他領域或方向不明。由於計算機視覺領域數據豐富，模型效果更好，所以成長型 AI 企業會更傾向采用計算機視覺算法。

成長型 AI 企業更願意采用 Resnet、CTC、Attention 等模型。
通過對 520 家成長型 AI 企業的統計和調研可以看到，成長型 AI 企業使用各類模型的數量和比例比較平均。計算機視覺領域，Resnet 框架、Fast R-CNN 和 Yolov3 分別有接近 30% 的使用率；語音識別領域，CTC、HMM 和 GMM 模型得到更多的使用，同時其他馬爾可夫模型也飽受歡迎；自然語言處理領域內，Attention、LSTM、RNN 模型使用率較高。上述這些模型經過過去幾年多方的驗證，被認為是成熟的模型，且大多是由早期模型改進而來，優勢明顯。網絡平台有諸多對於這些熱門模型的數學背景介紹和使用方法指導，加速了他們的推廣。

4.2 框架 — TensorFlow 和 PyTorch 成為熱門

4.2.1 TensorFlow 與 Pytorch：工業界與學術界主流

TensorFlow 是時下工業界的主流框架。
作為工業界常用的項目托管平台，每個 GitHub 倉庫的關注、編輯和複制數是衡量框架流在工業界流行度的一個重要指標。截止到 2021 年 1 月，在 GitHub 活動的各項指標中（star 數，fork 數，watcher 數和 contributor 數），TensorFlow 和 Pytorch 均位於前兩位，與 MXNet 和 PaddlePaddle 相比，二者優勢明顯。

學術界 PyTorch 比 TensorFlow 受歡迎。
根據 2017 年以來各大 AI 技術論壇提供的數據，Pytorch 與 TensorFlow 的論文數量比逐年提升，2020 年的 ICLR 論壇上 Pytorch 與 TensorFlow 的論文數量比甚至達到了 7:1。Pytorch 簡單的 API、直觀的結果輸出、較短的複現模型時間、可以對底層進行微調等優點對科研人員有很大的吸引力。

4.2.2 成長型 AI 企業更多使用 TensorFlow，其他熱門框架也被大量使用

成長型 AI 企業使用多種熱門框架。
成長型 AI 企業集中使用四種框架，按照規模的排序依次是：TensorFlow、Pytorch、PaddlePaddle、Caffe。這其中 Caffe 的使用量在過去的兩年內呈現了下降的趨勢，其餘三個框架呈現上升趨勢。同時，各家企業把未來使用框架的目光放在了更多選擇上。除了之前提到的最大的四個框架以外，MXNet、CNTK、Caffe2、Keras 等框架都有不少企業在關注他們的發展。此外，Pytorch 的上升幅度非常大，已經追上了 TensorFlow 得到的關注度。隨著 Pytorch 引入其他編譯器和 C++ 模型的支持，“不能很好支持移動端”這個缺點正在慢慢補齊，TensorFlow 也引入 eager mode 簡化 API，兩個框架也互相融合優點，之間的差距可能在未來會逐漸縮小。

4.3 平台 — 通用與垂直領域雙向發展

4.3.1 雲平台成為 AI 產業發展的增長點

大型雲平台發展迅速。
作為 AI 基礎技術領域裏的集大成者，雲平台可以對算法中龐大的數據處理進行速度上的優化，可以讓框架搭載在其之上實現互通等平台之外難以實現的操作。大型企業搭建平台便於自己業務的拓展，成長型 AI 企業利用這些平台省去研發和硬件上的巨額開銷。可以說，雲平台帶來的收益將會是迅速和高效的。

4.3.2 成長型 AI 企業大量使用通用平台，其餘建立垂直領域平台形成長尾

成長型 AI 企業使用通用平台對平台方和成長型 AI 企業都有利。
利用百度、騰訊、阿裏、華為等大型企業開發的通用型 AI 平台，成長型 AI 企業可以上傳其開發的 AI 產品至通用型 AI 平台供其他企業使用，拓寬自己在垂類領域中的優勢，從中獲取相比獨自開發平台更多更快的利潤。大型企業同時為優秀的成長型 AI 企業注入資金，並通過加速器和培訓等方式幫助成長型 AI 企業成長，與成長型 AI 企業建立合夥人關系，共建平台的生態系統，為所開發平台提供活力。2019 年我國已經應用雲計算的企業占比達到 66.1%，較 2018 年上升了7.5%。同時公有雲和混合雲的使用增長率超過了 10%，私有雲的增長率則不如前兩種雲平台模式。公有雲市場規模也相應提升，2017 年與 2020 年相比已經超出了三倍左右，由此可以看到市場現階段對於公有雲的認可大於私有雲，作為公有雲一大客戶的成長型 AI 企業發揮的作用不言而喻。

AI 平台獲得的單筆投資額逐年提升。
2016-2022 年中國 AI 雲平台投資規模逐步提升，但是投資筆數的增長率在下降，說明加入搭建獨立平台行列的企業在減少，而獲得投資的企業每一筆所獲得的額度每年增長明顯。

4.4 趨勢 — 跨學科、跨場景、跨空間的融合

聯邦學習在眾多領域會是一大技術發力點

未來 AI 需要多家企業一起創立和維護同一個模型的情況會變得愈發頻繁，聯邦學習有利於數據之間的互通。例如在金融領域裏，以往機器聯合建模時會不會有隱私泄露和數據保存問題開始變得特別突出。金融機構內部的數據和銀行客戶的數據是不能出行的，這要求模型要在銀行和第三方兩邊分別跑同一個模型分析，在兩邊輸出不同的模型和標簽，然後對脫敏的標簽進行綜合學習，得出規律，聯邦學習成為解決這一問題的最好利器。聯邦學習在醫療領域也能有所作為，可以解決了醫療行業數據不出院的痛點。而近期聯邦學習 IEEE 國際標准的發布，是這一技術發展的里程碑，將促使聯邦學習的生態迅速發展，為人工智能安全合規的長遠發展奠定了良好的基礎。

無監督學習潛力巨大

目前的深度學習模型依賴大量的標注數據，以獲得優異的性能，但是往往標簽需要非常大的工作量，有時會變得非常困難。這時候需要無監督學習算法的發展來解決這一問題。無監督學習的自身特點導致其現在難以得到現有的監督學習，也即分類學習一樣的近乎於完美的結果。但是其優勢在與解決多系統信息的共享，有利於實現跨系統的複雜系統的出現。

智能邊緣的崛起

AI、5G、邊緣計算的融合能夠在邊緣端提供網絡、計算、存儲和應用，將 AI 工作流的推理部分從雲或數據中心轉移到就近部署的邊緣計算終端，從而降低延遲，節約網絡帶寬，同時滿足隱私性和安全性等方面的要求。SAR Insight & Consulting 的最新 AI/ML 嵌入式芯片數據庫顯示，在 2019-2024 年期間，全球擁有邊緣計算能力的 AI 設備的數量將以 64.2% 的複合年增長率增長。德勤也預測，全球在 2020 年將售出超過 7.5 億個邊緣人工智能芯片，在未來四年內，企業市場的增長速度將超過消費者市場，複合年增長率為50%。

AI 交互式技術可以使智能設備“更加智能”

目前，智能設備已經大量搭載了語音助手、聊天機器人等產品，但是技術尚未成熟，未達到用戶的期望值。要讓身邊的智能設備能夠很好地完成面向場景的任務執行，急需自然語言處理技術的突破，讓智能設備變得“更加智能”。交互式技術可以運用到語音助手、智能音箱等產品中。目前語音助手的典型代表是蘋果的 Siri 和微軟的 Cortana，以及國內各大安卓廠商推出的自家語音助手等，而亞馬遜的 Echo 音箱、蘋果的 Homepod 等則是智能音箱的典型代表，各大企業對於交互式技術的發展高度重視可見一斑。它們遇到的共性問題就是做到 “聽見了”，但是做不到“聽懂了”，因此很難將其落在實用化用途上，往往會“被動”娛樂化。自然語言處理技術如果能在語境建模和對機器人自身建模的技術問題上產生突破，就有望解決保持用戶活躍度等實際應用問題，從而使得交互式技術用在更多場景化任務的執行中。

五、成長型 AI 企業關鍵成功要素

在我國人工智能產業高速發展的背景下，大量成長型 AI 企業破殼而出，而這些企業突出重圍的發展道路上仍然存在著巨大的困難和挑戰。基於對成功的成長型 AI 企業的訪談和研究，我們從中總結出成長型 AI 企業的關鍵成功要素：

5.1先垂直滲透後向上發展

成長型 AI 企業以其組織以及經營方式靈活等優勢活躍於市場，而面對市場中大量的穩定發展大型企業，成長型 AI 企業想在激烈的競爭環境下充分發揮優勢，求得生存與發展，首先必須重視的是不同階段企業戰略的規劃及實施。

做垂直領域的顛覆者：
在發展初期，優秀成長型 AI 企業多精於一個核心技術點發展，向下滲透場景，更快更靈活地把技術優勢轉化為產品優勢，獲得市場占有率。若初創企業在未來想要抗衡巨頭，就應該深耕垂直領域，練好內功而非盲目追逐熱點。因為越是底層的東西，巨頭越會涉足，同理，越是通用型的產品，越是大公司會做的。成長型公司，特別是初創領域的企業，可以選擇做垂直領域的先行者，積累用戶和數據，結合技術和算法優勢，成為垂直領域的顛覆者。

逐步向上遊發展：
而在發展得相對成熟之後，成長型 AI 企業應當將技術落地於更多的場景中，擴大市場規模的同時，減少對上遊大企業基礎設施的依賴度，並逐漸向上遊發展。

與巨頭爭奪市場需要獨辟蹊徑：
人工智能領域巨頭盤踞，業界的龍頭企業往往會向市場開放框架或者算法技術平台方向發展，為更多的企業提供基礎支撐，而一些市場規模還不大的細化場景，巨頭公司尚不會涉足。當下的人工智能與各行各業的融合程度並不深，且人工智能技術尚處於發展階段，融通性和體驗性較好的終端產品還不多，市場機遇仍然具有很大的拓展空間。因此，成長型 AI 企業應當獨辟蹊徑選一個具體行業賽道解決實際問題，強化獲得場景能力和獲得數據的能力，把迭代形成的數據優勢，演變為局部優勢，對於企業而言是為良策。

5.2精於技術強於場景方案

未來很多基礎技術服務都將是大公司的賽道，且趨於免費。而依托於算法的技術壁壘會越來越低，在一些“非關鍵應用”上，兩個算法之間的微小差別其實對使用者感知並不明顯。因此，對於技術提供商和算法類公司，如果技術壁壘不夠高，上遊很可能直接替代。成長型 AI 企業若不能直接面向用戶或客戶提供整體場景解決方案，其商業價值會將越來越小，技術創業者如果只定位做技術提供商，容易被上遊巨頭延展到自己的業務領域。因此，成長型 AI 企業需要：在技術窗口期搶占場景；強化商務能力；布局專利軟著。

在技術窗口期搶占場景：
在互聯網和移動互聯網創業的時代，技術商業化落地都有窗口期的概念，錯過了窗口期會很難做大，進入過早失敗概率也較高。在大部分投資都有投資回報期要求的情況下，創業公司要控制業務的方向和節奏，找好合適的時機。在人工智能領域，時機和節奏感的把握都很重要，而節奏感的控制除了來自對人工智能技術發展程度的判斷，還有來自對融資環境的判斷，對市場發展速度與變化的判斷，和對競爭對手的判斷。有這幾個方向的判斷，就能知道是否步子應該邁得大一些。

強化商務能力：
除了業務與科技，最重要的是商務能力，對大客戶合作模式要有深入了解，否則，就會了解不到客戶的預算，決策，以及在什麼情況下會采購產品。同時，也要注意行業監管的要求，要了解所做的方向是否合規以及和行業機構要求以什麼樣的方式合作。

布局專利軟著：
企業要注重於知識產權的規劃，在建立行業信譽的同時進一步提升競爭力。知識產權不單只是專利的申請問題，更是要注重在哪些點上布局知識產權，可以起到保護自己和進一步提升競爭力的作用。

5.3善用多元化融資渠道

在政府引導資源配置投入與民間投入結合的背景下，我國人工智能產業融資環境不斷完善發展，已逐漸形成了多元化的資本市場，成長型 AI 企業融資難度也在逐漸降低。如何抓住多元化的融資機遇，是成長型人工智能企業需要聚焦的重點：

產業孵化器：
人工智能產業的迅速擴大，大量人工智能產業孵化器隨之發展，不同階段的初創企業均可運用孵化器的融資服務，得到更好的資金發展空間。以北京中關村創業大街為例，創業大街為不同階段人工智能企業提供空間、運營服務及投資三大方面的不同孵化支持，針對具有核心技術和較大發展潛力的人工智能公司，將提供融資投入，助力企業成長。

風投融資：
針對發展初期的非獨角 AI 企業，在選擇融資方時，選擇對企業經營的干預較少，給予較多資源支持，同時留給企業充足的自由發展空間的投資方較為合適。此外，諸多投資人通常具有豐富的行業經驗，能為初期成長型 AI 企業提供更開闊的發展視野。

債務/股權融資：
成長型 AI 企業表現為依賴內源融資，對於發展中期的這些企業而言，持續擴大發展的關鍵在於尋求更廣泛的外源融資。其中，銀行債務融資與股權融資最為重要，吸引此類融資，需要這些企業注意建立一定的信用規模，建立稅務透明。

此外，需關注融資成本與融資額度兩大方面：

融資成本：
基於成長型 AI 企業融資風險承擔能力較弱的特點，這些企業應在融資前精准預估自我的風險承擔能力，做到量力而行；另一方面，成長型企業也應考慮融資成功後所需支付的二階段成本，計算比較回報效率再選擇最合適的融資渠道。

融資額度：
融資額度確定方面，成長型 AI 企業也應審視企業實際情況，過多的融資無法創造預期的回報，也會導致承重的資金負擔。

5.4創新市場強化合作

在龐大的市場中，成長型 AI 企業如何搶占更大的優勢資源，拓展更大的市場，需要思考以下幾點：

市場洞察：
使一個產品落地，所需要內部的鏈條很長，除了技術和研發，剩下 70% 的人可能是產品、銷售、生產、渠道。若是硬件，則需要考慮硬件以年計的開發周期。發展初期非獨角 AI 企業通常會由於缺乏具體市場經驗而做出不正確的市場決策，因此，做好完備全面的市場洞察，包括市場規模、市場前景、應用場景等，對於成長型 AI 企業的順利發展將起到舉足輕重的作用。

市場合作：
成長型 AI 企業應重視市場合作，包括與大型公司的合作和與社會資源的合作。在與大型公司的合作方面，成長型 AI 企業可以利用自身在某一核心技術上的能力，尋求與大型公司項目的合作甚至融資機會，從而向更寬闊的市場發展；在與社會資源的合作方面，應充分利用政策紅利，提高市場效率。

5.5優化運營提升競爭力

對於成長型 AI 企業而言，企業運營對於企業戰略目標的實現具有重大的影響，如何進一步提升市場競爭力，制定合理的運營策略是關鍵：

內部組織結構運營：
據不同階段的發展實況，適時調整公司內部組織結構是成長型 AI 企業的必要手段，包括但不局限於企業營銷渠道、內部職能、管理制度等方面。只有不斷根據市場變化、技術需求快速做出反應並且調整企業組織形式，才能確保成長型 AI 企業的技術成功快速轉化以及上市。

人力資本運營：
首先，在人才方面，要建立人才梯隊。初創企業發展規模較小，人才聚集效應不佳，可由一到兩個傑出人才，帶一批普通的人才。在人力資源的引進和管理上，應當充分考慮人才在物質和職業成長方面的需求。其次，儲備跨界人才。多家企業管理層均提到成長型 AI 企業應著手於尋找匹配公司核心技術發展的高層次人力，與此同時，在資金允許的情況下，應尋找更多不同領域的複合型人才，為公司未來技術應用場景的拓展做好鋪墊。

企業文化運營：
文化是企業的軟實力，成長型 AI 企業的活力主要來源於創新，而只有培育開放寬松的創新文化氛圍，企業創新才可以持續發展。

市場運營：
企業是整個行業生態系統中的組成部分，對於成長型 AI 企業而言，應格外注重與生態系統中其餘部分的市場合作，通過與政府部門、院校和科學院以及上下遊企業/客戶的合作更有利於把不同要素進行組合，最終達到質變產生創新成果。

5.6打造數據閉環迭代優化產品

成長型 AI 企業是搭建技術產品與場景落地最重要的橋梁，如何實現場景落地是每家人工智能初創企業所面臨最大的挑戰，場景落地需要打造數據閉環：

首先，梳理用戶邏輯，分解數據來源。
成長型 AI 企業在構想多數據維度場景時，首先需要先梳理用戶邏輯，分解數據來源，根據用戶需求選取技術路線，為客戶提供更時尚、更個性化的用戶體驗。同時，企業在產品創新時需要思考市場的真正需求，從而規劃適合自身產品的商業路徑。

其次，產品迭代與測試需要形成閉環，不斷優化與更新。
產品落地需要選擇基礎設施、經過原型開發、迭代測試才能最終部署，這過程當中會不停積累用戶數據，成長型 AI 企業需要以數據為驅動使產品測試與迭代形成閉環並且不斷優化，為客戶提供更加精簡、高度網絡化、更加專業化的企業服務。

第三，根據用戶反饋優化運營並且迭代產品。
產品落地後的運營業需要根據不斷收集和分析用戶反饋進行調整，優化運營和產品。成長型 AI 企業的產品價值在於開源、增效和降本，而這些價值必須在對企業現有產品和運營通路的深度優化中才能體現。

詳見報告原文。

（本文僅供參考，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）

精選報告來源：未來智庫官網。