【向上伴你行】科技控看过来→细聊人工智能的前世今生！

一、一起看市场

2月7日至2月11日，2月14日至2月18日，万得全A指数分别上涨1.23%和1.7%，表现前五位的行业是煤炭、有色金属、建筑装饰、钢铁和环保，表现后五位的行业是国防军工、汽车、家用电器、电子和电力设备。

二、后市怎么看？

2022年1月CPI环比表现弱于季节性则主要受到持续走弱的猪价和偏缓慢的消费复苏的压力，而PPI-CPI剪刀差环比收窄0.6个百分点，中下游企业的经营压力或将显著改善。此前央行同步下调1年和5年期LPR贷款利率5个基点，幅度较小但政策意图明显，资金的成本的降低以及信贷宽松预期将刺激资本对实体经济的支持力度。与此同时，1月新增社融增量创历史新高，结构上也有所改善，主要体现政府和企业融资的发力，政府债券将为社融提供持续的支撑，居民贷款的同比少增也表明居民消费仍弱。这一方面体现出稳增长的决心、另一方面也说明融资需求的扩张存在一定空间，尤其考虑到财政跨周期调节的背景下财政和基建对需求的托底作用不宜低估。

全国两会将于近期召开，发改委、各省/市政府等也陆续表态要适度超前开展基础设施投资、推进新型基础设施建设。地方两会中大部分省市将经济增速目标设定于5.5%-7%的区间，稳增长重要性持续凸显，基建成为当下经济企稳的重要抓手。同时在房地产政策方面边际放宽，菏泽等地宣布在合理调整范围内降低购房贷款首付比例。短期迎来“两会”窗口期，可以关注政策发力方向和疫情后期复苏板块，重点关注基建、金融等稳增长受益板块、数字经济等科技创新领域、交运酒旅等疫后复苏行业。

展望2022年，地方政府工作报告中多次提及要大力支持数字经济发展和科技创新。当前新一轮科技革命和产业变革正在重塑全球经济结构，算力成为数字经济的核心生产力，成为全球战略竞争的新焦点。国家发展改革委等部门2月17日联合发布消息，同意在京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏启动建设国家算力枢纽节点，并规划了10个国家数据中心集群。数字经济相关基础设施建设有望发力，5G通信网络是技术应用的前提，数据中心是大数据和云计算的基础。“东数西算”工程的实施，奠定了我国数字经济发展的基础，同时对稳增长和促进经济发展起到重要作用，行业即将迎来快速发展，值得持续关注。

我们继续看好符合人口老龄化、能源低碳化、工具智能化和进口替代等长期优质赛道，并要求这些赛道本身符合政策的指导方向。我们坚持以合理价格买入优质公司的长期价值投资理念，重点布局消费、医药、金融和科技等板块中具有明显护城河、增长确定性强、公司治理优秀和股东回报水平良好的企业。

三、本期看点-人工智能行业的前世今生

1. 人工智能的历史-七大时期，三起三落

（1）1956年达特茅斯会议之前：诞生前期。第二次世界大战促科学技术的快速发展，图灵、哥德尔、冯诺依曼、克劳德香农等先驱者奠定了人工智能和计算机技术的基础。

（2）1956-1974：黄金时代。达特茅斯会议之后，神经网络的基本算法结构开始出现、第一个可以战胜人类的西洋跳棋程序、第一个聊天机器人、第一个自主运动的机器人shakey出现，推高了整个社会对AI的期望和幻想。

（3）1974-1980：第一次寒冬。莱特希尔报告成为了导火索事件，社会舆论的否定和支持资金撤离。

（4）1980-1987:繁荣期。专注小范围知识领域的专家系统开始崛起并创造了巨大价值，资金和资源再一次涌入人工智能领域，80年代再次成为繁荣发展时期。

（5）1987-1993：第二次寒冬。专家系统无法自我学习并更新知识库和算法，维护起来越来越麻烦，成本越来越高。以至于很多企业后来都放弃专家系统或者升级到新的信息处理方式。

（6）1993-2011：稳健发展期。基础理论很少突破，但是人工智能利用计算机和互联网的发展机遇，变身商业智能、数据分析、信息化、自动化、知识工程等名称，渗透到社会生产和生活的每个角落。

（7）2012至今：最近一次热潮。是从2006年深度学习问世并且在2012年证明自己开始在图像识别领域打败一切其他对手开始。内在原因涉及算法上的突破和人工智能走向深层，而外在原因包括数据上的和算力上的突破。

2.机器学习算法

神经网络起步于感知机，它完全是对人类的神经细胞的模仿，是神经细胞的数学模型。感知机只能处理线性分类，解决不了非线性问题。首先DNN（深度神经网络）是由很多个感知机联结二层。DNN的本质是空间的扭曲并进行分类或拟合。一个三层无限宽的DNN可以用来模拟任何数学可以描述的功能（分类和拟合）。DNN通过前行传播和反向传播训练参数。其次CNN（卷积神经网络）通常用在图像处理当中，是对视觉神经系统的模拟。相对DNN具有平移不变性，且仅需要训练卷积核。最后RNN（递归神经网络）可以迭代调用自身，具有记忆和遗忘特性。擅长处理时间数据，用于语音识别、自然语言处理、手写识别，模仿听觉神经系统。绝大多数神经网络是DNN、CNN、RNN的变形和组合。

3.数据方面

第一，监督学习是目前最常见的机器学习类型。样本通常由人工标注。监督学习面临着长尾问题，因为世界千变万化，不可能把所有的训练数据都收集到。尾巴上极少数的数据可能起着非常重要的作用。

第二，无监督学习主要是聚类和降维，用来数据预处理，用处有限。

第三，监督学习有反馈，无监督学习无反馈，强化学习是执行多步之后才反馈，类似人的进化。强化学习强在推理能力和序列决策能力，Alpha Go、波士顿动力、AI控制核聚变都是强化学习算法。随着算力的增加,强化学习开始能够解决的问题复杂度越来越高,呈指数级别上升。难点是需要跟环境大量交互尝试，计算成本高；且算法设计要准确，否则电脑容易钻空子，得到意料之外的结果；另外强化学习比监督学习更难解释，未来可能面临伦理问题。

4.算力方面

图灵架构是计算机的原始数学模型，冯诺依曼架构是图灵机的实现，包括运算、控制、存储、输入、输出五个部分，和图灵机最大的区别在于存储程序的思想。GPU、FPGA、ASIC是目前主流的三种AI计算架构，发展路径基本是：CPU->GPU->FPGA->ASIC。灵活性依次降低，效率依次升高，设计制造难度依次降低。CPU和GPU都是冯诺依曼架构，FPGA则继承了ENIAC的图灵架构。由于计算能力和内存带宽需要配合，以及内存和算力需求总是动态变化，“TOPS值”不等于真实计算效率，两者可能相差80%。人工智能算法、算力、数据三大支柱中主要卡脖子的是算力，算力的需求会持续指数级增长，且GPU、FPGA等壁垒较强，国产替代空间较大，数据量的激增也会带动高速高精度ADC的需求。

5.应用方面

语音识别、图像识别的准确度基本已经稳定在90%以上，提高1%就是重大突破，有0.1%的提高就可以发表论文。

智慧医疗：Watson Health的失败的核心原因来自数据和场景。但国内有大量的医疗数据，且2020年以来人工智能在图像分析、基因分析和制药领域产生了一系列突破性进展，未来几年大概率是AI医疗的落地期。随着模型复杂度提高，人工智能应用领域会出现强者恒强的局面。

6.从感知到认知

今天，归属于感知智能类别的视觉和语音应用已经全面开花，但是属于认知智能的自然语言处理却发展滞后。在实现认知智能的途径上，类脑计算举步维艰，但暴力计算正在稳步推进。自然语言处理、知识图谱（图神经网络）是未来5-10年最有可能突破的关键技术，也是打开强人工智能大门的钥匙。一旦突破，会带动人工智能走向一轮新的繁荣，并会衍生出海量新的应用，如服务型机器人等。建议重点关注该领域的技术突破。

风险提示：本文数据来源为Wind，基金有风险，投资需谨慎。本材料内容中的信息或所表达的意见仅供参考，并不构成任何投资建议。投资人购买基金时应详细阅读基金的基金合同、招募说明书以及基金产品资料概要等法律文件，充分认识基金的风险收益特征和产品特性，充分考虑自身状况选择与自身风险承受能力相匹配的产品。基金存在收益波动风险。基金管理人承诺将本着诚信严谨的原则，勤勉尽责地管理基金资产，但并不保证基金一定盈利，也不保证最低收益。我国基金运作时间较短，不能反映股市发展的所有阶段。