基于高质量的广告内容和形式、精准的用户投放、再加上信息流这一用户注意力集中的位置，Facebook的移动广告效果，无论从点击率还是广告主的投放成本，都显示出优势。网络广告机构MarinSoftware提供数据称，移动端信息流广告的点击率要比PC端高出187，而点击成本却低了22。Facebook的优势在于能够基于用户行为数据实现更精准的广告投放，只有用户数据的积累和算法的优化才会提升信息流广告的精准，这背后的支撑就是人工智能技术。
对微信的信息流广告市场规模的估算：作为国内最具影响力的移动社交软件，微信推出信息流广告是其商业化道路上的一个起点，也开启了这座百亿价值金矿的挖掘。目前，微信累计注册用户数11.2亿，月活跃用户超过4.4亿。假定微信用户的广告价值是Facebook的一半，每个用户每年可以带来广告价值3.5美元，微信4.4亿月活跃用户每年可能带来将近15.4亿美元（将近100亿人民币）的广告收入，无疑将成为互联网广告的爆炸性产品。
信息流广告基于社交网络数据挖掘，将成为移动互联网时代重要的广告推送方式，给互联网广告市场带来新的增长点。根据易观智库的数据，2014年整个中国互联网广告市场依然保持着高速增长，市场规模预计达1565.3亿元，同比增长56.5。我们认为，随着AI技术的进步，广告业的精准投放将得到进一步提升，市场规模也有望继续扩大。
我们整理了美国市场的前沿公司如何运用AI技术，给现有的广告业带来新的产品或服务，并估算他们的市场空间。
我们关注A股上市公司中，有几家聚焦在线广告媒体行业的计算机公司，他们现阶段都已经在为数字营销行业客户提供信息化和数据服务。未来，他们的主业都有可植入AI应用的重要方向，我们进行了梳理和推荐。
6.1.6AI重塑农业
AI技术正在对农业生产进行重塑。我们看到美国市场上已经出现不少为农业客户提供AI应用公司。美国BlueRiverTechnology是一家农业科技和农业自动化技术服务商，主打机器人系统优化农业经营方式，减少化学农药在粮食生产中的使用。其机器人系统能够自动识别农作物，比如确定幼苗间距是否过小、或是确认哪些杂草应该清除。这帮助农民能减少在购买农药上的支出和人力的投入。
除草机器人里有三个不同算法在工作。第一个只是简单的照相机的取景，这台相机朝地，用来分辨是否长的像植物。这里不仅仅是弄清楚绿色的就是植物，算法还要能够记录植物的生长起点和终点，这样便于之后辨别它。第二个算法是分类，用来确定植物到底是不是杂草。这个算法的准确率达到98到99。最后的算法被简单地称为除草算法，它的目的是决定什么时候适合注射剂量足以致死的肥料。因为除草机器并没有处在机器人的视野里，必须要基于机器人移动的速度、杂草的位置以及杂草被分类的时间来决定在哪里注射肥料。
中国农业收割AI应用市场规模估算：根据第二次全国土地调查数据显示，全国耕地面积共18.26亿亩。全国耕地按质量等级由高到低依次划分为一至十等，扣除掉七至十等耕地基础地力相对较差的耕地，其余部分耕地基础地力较高，农田基础设施建设具备一定基础，也可实施农业机械化操作，这部分耕地面积为13.16亿亩。我们参照水稻收割机一天工作10小时可收割40亩，除草机器人的需求量可达658万台，按每台6万元价格计算，市场规模为3948亿元，可以说存在着巨大的空间。
我们整理了美国市场的前沿公司如何运用AI技术，给现有的农业带来新的产品或服务，并估算他们的市场空间。
我们关注A股上市公司中，有几家聚焦农业信息化的计算机公司，他们现阶段都已经在为农业客户提供信息化和数据服务。未来，他们的主业都有可植入AI应用的重要方向，我们进行了梳理和推荐。
6.1.7AI重塑工业
AI技术正在对工业生产进行重塑。我们看到美国市场上已经出现不少为工业客户提供AI应用公司。Wise.io应对工业领域大规模数据计算的算法采用的是机器学习的方式。它的这个框架可以接受来自Hadoop、Mongo等各种数据源的数据。之后引擎会为这些注入的数据创建多维度视图。而机器学习算法会调整视图中每一个像素和其它像素的关系。举例来说，炼油厂、核电工厂等大部分企业都需要做大规模数据分析获得工业安全报告。这些报告目前如果靠人力完成可能需要一个上百人的团队花接近半年的时间，而Wise.io的算法仅仅需要20分钟就能出一份报告，极大的提升了工作效率。
中国的工业数据分析AI应用的市场规模估算：全国大中型工业企业数量大约有4.5万家，如果采用基于机器学习的工业数据分析软件，每套按10万元计算，市场规模就超过45亿元。
我们整理了美国市场的前沿公司如何运用AI技术，给现有的农业带来新的产品或服务，并估算他们的市场空间。
我们关注A股上市公司中，有几家聚焦工业信息化的计算机公司，他们现阶段都已经在为工业客户提供信息化和数据服务。未来，他们的主业都有可植入AI应用的重要方向，我们进行了梳理和推荐。
6.1.8AI重塑商业
AI对商业领域也进行了重塑，在现代企业的全业务周期范围内，包括招聘、销售、采购、会计财务管理等等业务模块，AI技术均能够帮助企业客户提高效率和节约成本。
以HR招聘为例，人工智能可以通过数据匹配找到合适的人选，代替原有人工检索的方式。社交网站已经可以构建起一个人的肖像，但每个人的信息分散在Twitter、Google 、Facebook、LinkedIn，而且他们还不足以描绘一个人的专业技能。智能招聘软件Entelo通过不停地抓取网页上的信息，包括时事新闻、社交网站、专业社区等；当用户提出需求要招聘符合某些特定条件的候选人后，Entelo就会做数据匹配，它主要解决两个问题——第一，时机：如何率先发现“想换工作的人”并和他们取得联系，例如当一个公司发生了收购或被收购的新闻时，总是会带来一些人事变动；第二，对的人：Entelo会从社交网站、专业社区中做个人信息的检索和匹配，这种方法就像先建立起一个数据库，再从不同的角度过滤数据。除了做数据匹配，甚至可以做预测分析企业什么时候需要招聘新岗位，以及跟踪的职业经理人什么时候可能考虑换工作。
我们整理了美国市场的前沿公司如何运用AI技术，给现有的商业公司带来新的产品或服务，并估算他们的市场空间。
我们关注A股上市公司中，有几家聚焦商业智能的计算机公司，他们现阶段都已经在为商业企业客户提供信息化和数据服务。未来，他们的主业都有可植入AI应用的重要方向，我们进行了梳理和推荐。
6.1.9AI重塑在线教育
AI技术的应用也为在线教育行业带来了新的模式。
传统的教育模式下老师与学生是一对多的关系。老师的精力有限决定了其教学只能针对平均水平推进。对于学习能力不同的学生来说，这样的教学都欠缺了一些针对性。因此，个性化教育成为了未来智慧教育的趋势之一。根据Knewton公司的报告，93的教师认为在线教育工具能提高教育水平；95的教师认为这能更好地吸引学生注意力。以面向100名学生进行1小时课程为例，在线教育的成本约9500美元，而教师辅导方式则要17000美元，能够减少约44的费用。
我们再看国内市场，根据艾瑞数据显示，2013年中国在线教育市场规模达839.7亿元，同比增长19.9。其中，中小学在线教育、在线职业教育、高等学历在线教育等细分领域成为市场规模增长的主要动力。随着内容生产方、技术设备提供方、平台搭建方的相继入场，用户习惯的养成，在线教育将会有持续的增长。其中，职业在线教育和在线语言培训属用户刚性需求，且用户付费能力较强，将会成为在线教育发展较为突出的领域。如果能够利用AI技术为在线教育提升教学互动的体验，将个性化的内容和教学方式植入在线教育的课堂中，那么，在线教育的市场规模有望持续高速成长。
美国的在线教育服务公司Knewton提供动态适配学习技术，能够为学生创造个性化学习资源并不断了解学生学习特点的技术。Knewton的核心产品是在线学习工具，可针对每一位学习者的个性化需求进行适配。
Knewton通过与Pearson等出版商合作将各类课程材料进行数字化，其覆盖的学生范围包括K12、高等教育及职业发展教育等。Knewton的核心技术是适配学习技术，通过数据收集、推断及建议三部曲来提供个性化的教学。数据收集阶段会建立学习内容中不同概念的关联，然后将类别、学习目标与学生互动集成起来，再由模型计算引擎对数据进行处理供后续阶段使用。推断阶段会通过心理测试引擎、策略引擎及反馈引擎对收集到的数据进行分析，分析的结果将提供给建议阶段进行个性化学习推荐使用。建议阶段则通过建议引擎、预测性分析引擎为教师与学生提供学习建议并提供统一汇总的学习历史。
我们整理了美国市场的前沿公司如何运用AI技术，给现有的商业公司带来新的产品或服务，并估算他们的市场空间。
我们关注A股上市公司中，有几家聚焦教育智能化的计算机公司，他们现阶段都已经在为教育行业客户提供信息化和数据服务。未来，他们的主业都有可植入AI应用的重要方向，我们进行了梳理和推荐。
6.2AI技术爆发带来的IT设备投资新周期：新一轮云计算建设方兴未艾
一旦人工智能被大范围应用，对于计算资源的渴求程度将会呈现指数级别的提升，那么伴随而产生的IT设备投资需求将出现井喷。
我们以语音识别技术为例，说明AI技术的应用带来的计算资源需求的迅速膨胀。我们分两个极端的场景来看：
1、实验室级别的语音识别应用所需的计算资源。安静环境中，对于标准普通话的限定词库的识别，响应请求的终端数量只有1个。这样所需的服务器资源大约是什么水平？
2、当我们把应用场景扩展到：嘈杂环境中，对于非标准普通话（可能是方言）的非限定词库的识别，响应请求的终端数量超过1000万个。这样的情况下所需的服务器资源大约是什么水平？
回答这个问题，我们首先需要明确AI应用的计算资源分两部分组成：第一，用于训练算法和优化模型的线下研发资源池；第二，将成熟的算法模型用于服务线上客户的海量响应所需的线上服务资源池。相比而言，线下资源池的需求量级更大，一旦完成了线下研发的过程，线下的资源就被闲置出来，等到线上服务响应收集到更多的数据后，进一步对原有模型进行持续优化，因此，线下的研发资源池将是重资产的投入，仅有实力雄厚的巨头企业能够支撑。相比而言，线上的服务资源池的大小取决于同时服务客户端的需求数量大小，是一般的应用服务和产品提供商都可以承受的。
我们以科大讯飞语音识别云平台的架构为例，目前科大讯飞的语音云基础架构分为：业务、调度、计算、存储四个层次，内含2000颗CPU、300片GPU、4PB的存储、40TB的内存，整个架构的硬件造价大约是3000万元。这部分相当于我们上文中提到的线上服务资源池。讯飞的语音云为超过2亿的移动端用户提供语音识别服务，支持同时发生请求的服务数量超过1000万/秒。那么，线下研发计算资源池有多大呢？根据我们的估算，线下研发计算资源池是线上服务计算资源池的10倍以上！也就是至少3亿元以上的IT基础设施投资额。
