正文
在海康安防监控产品提供商向智能物联网解决方案、大数据服务提供商转变的过程中，营收结构日益丰富，2018年实现总营收498亿元，同比增长18.93%，其中前端音视频产品占比48.32%、中心控制设备占比14.69%、后端音视频产品占比13.6%、智能家居业务占比3.28%、创新业务占比2.13%、工程施工业务占比4.58%，从营收增速角度来看，2018年智能家居和创新业务表现亮眼，分别同比增长50%、87.8%。与此同时，伴随国际竞争力的提升和海外渠道的完善，公司海外收入同步高增长，在2018年达到141.91亿元，占总营收比例28.47%，连续三年稳定在28%以上。
2Q19单季营收增速拐点已现，我们认为，智能化和物联网应用有望使得公司重回高增长轨道。
2018年在国内宏观经济增速下行、去杠杆带来全行业资金收缩压力加大、中美贸易摩擦局面反复的影响下，公司经营的外部风险加大，为此公司更加注重营收质量，采用了效益和风险兼顾的增长策略，从2Q18开始在国内渠道市场采取去库存策略，帮助分销商降低库存、优化资产结构、提升资金风险应对能力，为此公司季度营收增速在2018年逐季下行，从1Q18的32.95%降至1Q19的6.17%。但是随着渠道去库存的逐步完成、中美贸易摩擦的缓和以及公司向物联网等创新方向加速转型，单季营收增速自2Q19已经出现拐点，3Q19已恢复至23.12%。
19年前三季度公司净利率环比持续改善。
2018年公司开始改变自09年推出的七大行业事业部架构（公安、交通、司法、金融、文教卫、能源和楼宇），重新组织整合资源，将国内业务整合成为PBG（以传统公安、交通、司法事业部为基础）、EBG（以传统金融、能源、楼宇、文教卫四个事业部为基础）、SMBG（以渠道经销管理团队为基础）三个业务群，一方面更好适应客户需求，另一方面提高内部运营效率。基于业务结构的多元化和内部协同效应的充分释放，公司19年
前三季度净利率
水平环比持续改善，3Q19达到24.32%，环比提升4.97pct。
安防监控由“看得见”到“看得清”再向“看得懂”升级
视频监控产业链技术综合性强，应用场景碎片化
如今的安防视频监控是一项涉及到光学、传感器、微电子技术、成像技术、视频压缩技术、视频存储技术、视频传输技术、低照度和宽动态技术、视频显示技术、大数据、人工智能等技术方向的综合性解决方案。单从视频监控硬件产品来看，其产业链上游主要有光学镜头、热成像Sensor、视音频/AI算法提供商、集成电路设计及制造商，其中以DSP、CCD、GPU/FPGA/ASIC人工智能芯片等为代表的半导体技术进步对视频监控行业的发展方向影响重大。
安防视频监控产品的下游主要是安防工程商、经销商和公安、金融、交通等终端行业用户，应用场景碎片化。由于安防视频监控系统的设计、安装、集成和调试工作需要专业的技术人员完成，大多数终端用户并不具备该项能力，因此往往需要由安防工程商根据终端客户的具体需求向产品制造商定制或采购产品。
如前所述，成立之初的海康作为一个视频监控硬件产品提供商，以后端存储产品为主，随后完成了向前端摄像头产品的品类扩张，之后又完成了向下游工程商、集成商的业务延伸，在2015年推动了安防监控行业智能化的浪潮，并
正基于AI Cloud和物信融合架构引领视频监控行业向更加广泛的物联网应用场景实现市场开拓。
根据前瞻产业研究院数据，2018年全球安防产业规模达到2758亿美金，同比增长7.31%，而同期国内安防产业规模为6570亿人民币，同比增长10.23%，市场规模占全球34%， 2019年国内安防产业规模达到7412亿人民币，同比增长12.8%。根据中安网数据，2018年国内安防产品的下游应用主要可分为平安城市（金额占比24%，下同）、智慧交通（18%）、智慧楼宇（16%）、文教卫（13%）、金融行业（12%）、能源（7%）、司法监狱（5%）、其他（5%）。
在芯片算力和软件算法进步的前提下，AI与视频监控的结合日益紧密
根据中国国家标准化管理委员会颁布的《人工智能标准化白皮书2018》中的定义，
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
1956年人工智能概念在达特茅斯大会上首次被提出，经过了六十多年的发展，随着算法与算力的突破，人工智能行业目前进入快速增长期。
根据赛迪顾问数据，2018年全球人工智能市场规模达到2636.7亿元，同比增长17.7%；2018年中国人工智能市场规模达到383.8亿元，同比增长27.6%；预计2021年中国人工智能市场规模将达到818.7亿元，18-21年复合增速为28.7%。在2018年中国人工智能市场行业应用结构中，互联网是收入占比最大的行业市场，达到19.1%；金融、安防行业占比分别为17.6%、17.5%，位列第二和第三。
算法的演进、算力的提升、数据的支撑是推动人工智能发展的三大关键因素。
算法上，深度学习算法突破了人工提取的低效率、深层模型难以训练的局限；算力上，AI芯片的出现提高了数据的处理能力，弥补了CPU在并行运算上的不足；数据上，受益于互联网、物联网的发展及普及，海量数据得到积累，为训练算法提供了数据支撑。
人工智能算法不断演进，目前深度学习算法是主流
在人工智能发展的初期，符号学派盛行，认为人工智能源于数理逻辑，无论是人类的认知思维，还是机器学习，本质都是对符号的逻辑运算。在人工智能发展的中期，控制学派盛行，这是一种基于“感知—行动”的行为智能模拟方法。
目前人工智能算法以连接学派为主，这一学派起源于仿生学，通过算法模拟神经元，并把这样一个单元叫做感知机，将多个感知机组成一层网络，多层这样的网络互相连接最终得到神经网络。
连接学派分为前期神经网络和后期深度学习两个时期，目前深度学习是主流。
Hopfield在1982年提出用硬件模拟神经网络，Rumelhart等人在1986年提出多层网络中的反向传播算法（BP）算法，但由于计算能力不足等原因，神经网络算法一度被否定。21世纪后连接主义卷土重来，Hinton在2006年提出将神经网络由一层改进为多层，成为了“深度学习”之父，掀起了深度学习的浪潮。目前深度学习算法包括深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）等。
深度学习被广泛应用于人工智能的各个领域，在图像处理、语音识别等领域展现出了巨大的优势。
在图像分析领域，深度学习具有特征提取能力强、识别精度高的特性，在图像分类、人脸识别的应用中具有优异的性能。在语音识别领域，早在2011年微软便使用深度学习击败了传统的高斯混合模型（GMM），在语音识别准确度和快速性上得到了大幅度改善；2012年谷歌的语音识别模型由GMM模型换为深度学习模型，错误率降低了20%。
在深度学习领域，海康威视的研究团队技术水平全球领先。
根据公司年报，海康在15年分别取得MOT Challenge多目标跟踪技术、 KITTI5车辆检测和车头方向评估算法测评世界第一， 在16年分别取得PASCAL VOC目标检测、ImageNet场景分类（Scene Classification）测评世界第一，并于17年3月在ICDAR8RobustReading竞赛的“互联网图像文字（Web and Email Born-Digital Images）” 、 “对焦自然场景文字（FocusedScene Text）”和“随拍自然场景文字（Incidental Scene Text） ”三项挑战的文字识别任务中，大幅超越国内外参赛团队获得冠军。
算力是承载和推动人工智能走向实际应用的基础平台和决定性力量
人工智能对于算力的需求几乎是无止境的，以CPU为主的传统通用计算芯片无法满足现有深度学习数据量大、并行性强、计算密集的需求，专用于深度学习算法加速的AI芯片在产业应用中逐步兴起。AI芯片指在人工智能系统中，能够实现利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展的算法芯片。
目前AI芯片主要分为图形处理器（GPU）、现场可编程阵列（FPGA）、专用集成电路（ASIC）和类脑芯片四类。
GPU早期是专为执行图像渲染而设计的，是一种在个人电脑、工作站、游戏机和一些移动设备上处理图像运算工作的微处理器。GPU在执行深度学习算法的过程中实现了对CPU的全面超越，因为CPU是为执行通用计算任务而设计，既无法牺牲灵活性专门为某一类算法做优化，也无法满足深度学习算法的并行计算要求。GPU在处理图形数据和复杂算法方面拥有比CPU更高的效率，目前已在深度学习的训练环节中被广泛使用。
FPGA是一种集成大量基本门电路及存储器的芯片，通过烧入FPGA 配置文件定义门电路及存储器间的连线，实现特定的功能，用户可根据自身需要可重复编程的集成电路。FPGA实现了对高性能和通用性的折中，适合处理小计算量大批次的计算任务，对于大量的矩阵运算具有低延迟的特点，适合在推断环节支撑海量的用户实时计算请求。
ASIC是面向特定需求设计和制造的专用集成电路芯片，具有性能高、体积小、功耗低的特点，但是通用性较差，一旦流片，无更改余地，因此ASIC具有较大的市场风险。ASIC作为专用芯片的性能大大高于FPGA，在自动驾驶、视频监控、智能手机等人工智能技术应用方向明确的细分领域中，ASIC有望成为主流。
