摘要：摩尔定律走向极限进入后摩尔时代，AI投资成功的关键在于，通过边缘端以及云端算法、算力的合理分配，实现数据+算力+算法的优化，从而实现在端到端的解决方案，抓住核心业务场景的落地能力将成为AI投资的关键因素。
一、人工智能产业链简述
总体来看，人工智能行业可分为基础支撑层、技术层和应用层。
基础层提供计算力，主要包含人工智能芯片、传感器、大数据及云计算。其中芯片具有极高的技术门槛，且生态搭建已基本成型。目前该层级的主要贡献者是Nvidia、Mobileye和英特尔在内的国际科技巨头。中国在基础层的实力相对薄弱。
技术层解决具体类别问题。这一层级主要依托运算平台和数据资源进行海量识别训练和机器学习建模，开发面向不同领域的应用技术，包括语音识别、自然语言处理、计算机视觉和机器学习技术。科技巨头谷歌、IBM、亚马逊、苹果、阿里、百度都在该层级深度布局。中国人工智能技术层在近年发展迅速，目前发展主要聚焦于计算机视觉、语音识别和语言技术处理领域。除了BAT在内的科技企业之外，出现了如商汤、旷视、科大讯飞等诸多独角兽公司。
应用层解决实践问题，是人工智能技术针对行业提供产品、服务和解决方案，其核心是商业化。应用层企业将人工智能技术集成到自己的产品和服务，从特定行业或场景切入（金融、安防、交通、医疗、制造、机器人等）。未来，场景数据完整（信息化程度原本比较高的行业或者数据洼地行业），反哺机制清晰，追求效率动力比较强的场景或将率先实现人工智能的大规模商业化。
从全球来看，Facebook、苹果将重心集中在了应用层，先后在语音识别、图像识别、智能助理等领域进行了布局。得益于人工智能的全球开源社区，这个层级的门槛相对较低。目前，应用层的企业规模和数量在中国人工智能层级分布中占比最大。
二、AI投资的核心大背景
摩尔定律放缓，摩尔定律走向极限进入后摩尔时代，仅靠扩大芯片面积、缩小线宽尺寸得到的传统平面结构和材料不能满足当前要求缩小特征尺寸难度越来越大，投入成本越来越高：从70年代的几千万美元，到如今三星、英特尔和台积电投资的7纳米生产厂，投资额均已超二百亿美元。
摩尔定律渐近极限使得芯片特征尺寸仅为名义上的等比缩小，性能提升成为关键，同时注重优化晶体管设计、配合多核多线程架构设计技术，更多采用新系统级技术，增加系统集成功能，如系统级封装SIP；并且注重新微观技术取代面临极限的CMOS器件。如自旋电子、单电子、环绕栅极场效应晶体管GAAFET、量子阱FinFET和SOI FinFET等；同时适用于场景的芯片将更加重要，就如同GPU、DSP、视频处理芯片等一波新应用带来的专用芯片架构的变革，AI在这一波浪潮当中也会随着算法的演进和收敛，逐渐沉淀出一些更加高效的架构来，并且这些芯片架构是和场景应用软件高度融合，平衡功耗、性能、成本的设计。
2013年及2015年晶圆芯片物理线宽尺寸进展预测 
从AI终端市场的前瞻信号来看，也预示着AIOT时代芯片产业从通用处理器到专用芯片的变革。2018年开始，各类语音识别公司纷纷发布自研终端AI交互芯片：2018年5月，出门问问正式发布了中国首款已量产的AI语音芯片模组——问芯Mobvoi A1；同月，云知声正式推出了耗时近三年打造的首款物联网AI芯片——雨燕（Swift），成为当时语音AI领域为数不多的拥有自研芯片的企业；2019年1月思必驰发布AI语音芯片，主要面向智能家居、智能终端、车载、手机、可穿戴设备等各类终端设备，解决方案包含算法+芯片，具有完整语音交互功能，能实现语音处理、语音识别、语音播报等功能，支持离线语音交互。
三、人工智能投资核心逻辑
在后摩尔时代，我们认为“数据+算力+算法”将成为人工智能投资的核心逻辑。
首先，5G、物联网、人工智能、数字孪生、云计算、边缘计算等智能技术群的“核聚变”，推动着万物互联（Internet of Everything）迈向万物智能（Intelligence ofEverything）时代，进而带动了智能+ 时代的到来。
5G解决了AI在终端大规模普及应用的瓶颈：1、5G带来云与端通信紧密化，与边缘计算的结合解决了终端AI应用的实时性、随时性、隐私性问题；2、通过5G连接更多设备获取更多情景数据，极大丰富了AI应用的训练数据资源，并能够在实时场景中不断迭代训练。
AI时代是由数据+算法+算力定义的时代。首先通过各类终端设备的传感器收集数据，之后利用算力，通过各类算法对数据进行处理，最后做出决策。在5G时代，5G技术解决了终端连接和高效通信的问题，而AI技术解决了终端交互和数据分析的问题。
“数据+算力+算法”带来两场革命：工具革命+决策革命。工具革命是指从传统的人力工具到目前的智能工具，决策革命则是指从传统的靠人脑经验+分析模式转变为数据+算法决策模式。
基于5G+AI的生态体系，针对某一具体的业务应用场景，通过快速的部署，解决行业痛点，实现通过边缘端以及云端算法、算力的合理分配，实现数据+算力+算法的优化，从而实现在端到端的解决方案，将成为项目快速成长的关键驱动因素。
从AI投资的数据来看，根据Venture Scanner.Statista 的预测，截止到2019 年3 月，全球人工智能风险投资的总额达到824 亿美元，其中机器学习应用占据了429 亿美元，超过一半，另外智能机器人75 亿美元，占据超过一半投资总额的机器学习应用也代表了当下人工智能的研发和商用的主攻方向。
在深度学习以及摩尔定律逐渐走向其极限的时候，对于投资的逻辑转变为：算法、算力+数据，根据其应用场景，摸索AI在具体场景的落地，用AI技术来赋能原本受制于数据分析技术，而未能实现快速发展的领域。
综上所述，我们认为AI投资成功的关键在于，通过边缘端以及云端算法、算力的合理分配，实现数据+算力+算法的优化，从而实现在端到端的解决方案，抓住核心业务场景的落地能力将成为AI投资的关键因素。