正文
在2005年，中国出现第一笔AI风险投资（晚于美国6年），2013年进入爆发期。
2016年，中国总融资额短暂接近美国，达到492.98亿，距离美国约30亿。但中国在2017年增势放缓，相反的，美国融资则出现井喷，累计融资大幅度超越中国。
2.3 中美人工智能九大热点领域对比
2.3.1 中美产业侧重点不同
在美国AI创业公司中排名前三的领域为：自然语言处理252家，机器学习应用（Machine Learning Application）242家，以及计算机视觉与图像190家。
在中国AI创业公司中排名前三的领域为：计算机视觉与图像146家，智能机器人125家以及自然语言处理92家。
中美人工智能企业的共同热点均为计算机视觉与图像及自然语言处理，这两大领域也是AI产业的领头羊。
中美的差别存在于智能机器人和机器学习应用两方面。前者属于专业领域的机器人应用，应用于医疗、作业类和家居类等领域较多；服务于后者属于企业或个人辅助工具，各个行业均有涉及，覆盖范围更广。
基础层（包含处理器/芯片）的企业数量，中国拥有14家，美国33家，中国仅为美国的42%。
技术层（自然语言处理/计算机视觉与图像/技术平台）的企业数量，中国拥有273家，美国拥有586家，中国为美国的46%
应用层（机器学习应用/智能无人机/智能机器人/自动驾驶辅助驾驶/语音识别）的企业数量，中国拥有304家，美国拥有488家，中国是美国的62.3%。
总体来看，美国在企业数量上全面领先中国，基础层和技术层的企业数量约为中国的2倍，但是在应用层上，中国和美国的差距略小。
2.3.2 中国应用层VS美国基础层
中国投资者在应用层关注的更多。中国人工智能企业中，融资占比排名前三的领域为计算机视觉与图像，融资143亿元，占比23%；自然语音处理，融资122亿元，占比19%；以及自动驾驶/辅助驾驶融资107亿元，占比18%。而中国的自动驾驶/辅助驾驶企业虽然数量不多，只有31家，但融资额是第三，表明中国的投资者非常看好这一领域。
美国投资者对于基础层更为看重。在美国人工智能企业中，融资占比排名前三的领域为芯片/处理器融资315亿占比31%，机器学习应用融资207亿占比21%，自然语言处理融资134亿占比13%。
芯片企业的数量排名第八，33家，但融资量却是第一，美国的芯片实力和资金吸引力，可见一斑。
2.3.3 投资事件美国是中国1.96倍
美国投资事件数量1509起，中国767起。两者相比，美国:中国=1.96:1。
事件数量大意味着热度更大，关注更多。
在美国，自动驾驶/辅助驾驶和处理器/芯片是投资热点。应用层和基础层兼顾，适合长远发展。
中国各方面发展较为均衡，突出的领域是智能无人机和计算机视觉与图像，其高成熟度的技术吸引了不少投资者。
中国处理器/芯片投资事件数量比重排名第四，占比7.55%，表明中国投资者对于基础层已经具有了一定的重视，但可能由于基础层公司少，投资门槛高，导致事件数量仍和美国有较大差距。
2.4. 超过一亿美元的投资事件（略）
2.5 未来趋势判断：行业泡沫
AI领域创投行业泡沫即将出现。主要信号有两个：
一是资金多而项目缺。
综合过往数据和2017年前半年的情况，今年美国新增企业数量将跌到谷底，预计在2017结束之前，美国新增企业数量范围将在25-30家之间徘徊。同时，美国的累计融资量持续快速增长，最后将稳定在1380-1500亿元的区间。2018年后，中美两国AI企业数量增长都将有所恢复，但依然平缓。在这段时期内，创投圈将会发现，找到一个新的有潜力的项目越来越难，由于新增企业数量稀少，经常只能跟投一些项目。到2020年，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。
二是周期长而营收难。
通俗的说，现在的人工智能被高估了。深度学习起源于上世纪八九十年代的神经网络研究。在很多情况下，前沿研究是由对已有方法的微小改动和改进组成，而这些方法在几十年就已经被设计出来了。
尽管如此，市场热炒的人工智能技术和产品的成熟度仍然有限。许多项目和技术，并不能直接获得消费者欢迎，还需要相当长的时间才能走向成熟。
这种前提下，创业项目不得不舍弃大众消费场而致力于解决企业级问题，创新公司的商业模式回归到类似传统IT厂商的角色，进一步加大了营收难度。或许有一天，你会发现创业者不够用了。
资金多而项目缺，周期长而营收难，项目却一天比一天更加昂贵，这是资本泡沫即将出现的信号。但对于创业公司，它们将过上一段顺风顺水的好日子。
具体到美国未来趋势而言，美国AI领域的融资可能在2020年前突破2000亿。原因在于特朗普上台后采取了一系列改革措施，促进了美国经济的恢复。美国资本迅速回流，资本市场正在加大对AI企业的投资。由此推动美国AI产业融资持续上升。预计在2020年之前，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。
具体到中国来看，中国AI企业增势不明朗，但资金仍在增加。
根据历史数据推断，中国在2017年成立的新公司将不超过15家，融资增长也较前两年放缓，预计融资总额将会在2017年年末达到745亿，是美国同期预计值的50%。
从行业发展周期来看，中国人工智能产业将会在2018年回暖，当年新增公司数量会上扬到30家以上，预期融资累计量将会达到900-1000亿人民币，整体上仍和美国有较大差距。
引领AI产业发展的技术竞赛，主要是巨头之间的角力。由于AI产业核心技术和资源掌握在巨头企业手里，而巨头企业在产业中的资源和布局，都是创业公司所无法比拟的，所以巨头引领着AI发展。
目前，苹果、谷歌、微软、亚马逊、脸书，这五大巨头无一例外都投入了越来越多资源，来抢占人工智能市场，甚至将自己整体转型为人工智能驱动型的公司。国内互联网领军者“BAT”也将人工智能作为重点战略，凭借自身优势，积极布局人工智能领域。
随着政府和产业界的积极推动，中美两国技术竞赛格局初步显现。美国巨头公司致力于全产业链布局，在技术层、基础层和应用层均卡住了战略要点。中国巨头则在应用层展示出了强劲的发展意愿。
在技术层，美国巨头构建核心研究队伍，通过收购拼抢人才，强化技术储备；同时，争相开源，构建生态，以图占领产业应用核心。巨头企业致力于建立人工智能的数据场景和生态。人工智能的平台化、云端化将成为全球发展的潮流。
在应用层，中美各有侧重点。语音交互成为入口，云服务是未来战场。凭借场景和数据优势，中国在计算机视觉、语音识别等领域，具备了与美国一较高下的实力。
在基础层，美国芯片与算法领先。美国巨头布局芯片，各类AI芯片百花齐放，牢牢把控全球产业核心。美国巨头重视算法突破，其优势来源于基础学科几十年的积累，完善的基础学科配置是保障产业核心能力突破的关键。
在研究领域，近年来中国在人工智能领域的论文和专利数量保持高速增长，已进入第一梯队。而美国研究者更关注基础研究，人工智能人才培养体系扎实，研究型人才优势显著。未来，两国将在人工智能领域有更多正面角力。
中国能否在十年内全面超越美国？这是个强烈的悬念。
3.1 中美巨头的产业布局
从产业图谱来看，人工智能主要分为技术层、应用层和基础层。技术层包括人工智能通用技术平台（例如计算机视觉与图像、自然语言处理、语音识别）。应用层包括人工智能行业应用方案、消费类终端或服务等。基础层包括人工智能芯片、算法和数据。
美国巨头呈现出全产业布局的特征，包括基础层、技术层、应用层，均有布局；而中国巨头主要集中在应用侧，只在技术层局部有所突破。
3.2 技术层：争抢人才，构建生态
在技术层面，巨头通过招募高端人才、组建实验室等方式加快关键技术研发。同时，通过持续收购创业公司，争夺AI人才，完善自身布局。此外，巨头还通过开源技术平台，构建生态体系，赋能全行业。
3.2.1 建立核心人才队伍：AI实验室
3.2.2 持续收购拼抢人才与技术
初创公司往往会成为巨头的猎物。打个比方，如果AI全产业如一部巨大机器，那么新兴创业公司，大多是机器上的某个零部件。这是因为新兴创业公司，仅具有某一项或几项技术优势，很难成为主导全局型应用，但有助于完善巨头布局，因而，最终难逃被巨头收购。
巨头公司通过投资和并购储备人工智能研发人才与技术的这种趋势越来越明显。中美并购事件近两年密集增加。CB Insights的研究报告显示，谷歌自2012年以来共收购了11家人工智能创业公司，是所有科技巨头中最多的，苹果、Facebook和英特尔分别排名第二、第三和第四。标的集中于计算机视觉、图像识别、语义识别等领域。Google于2014年以4亿美元收购了深度学习算法公司Deepmind，该公司开发的AlphaGo为Google的人工智能添上了浓墨重彩的一笔。
2011-2016人工智能主要收购事件 来源：CB Insights
3.2.3 建立开源生态，占领产业核心
人工智能的常见开发框架包括谷歌的TensorFlow、Facebook的Torch、Microsoft的CNTK以及IBM的SystemML。这些框架的地位类似于人工智能时代的iOS/Android。开源也成为了这些软件开发框架共同的策略。
谷歌早在2011年就成立AI部门，在谷歌内部，由机器学习驱动的产品和业务不计其数，包括谷歌搜索、Google Now、Gmail等，同时谷歌还向其开源Android手机系统中注入大量机器学习功能。2011 年第一代机器学习系统，从大量的Youtube 图片中学会了识别猫；2015年，谷歌将内部采用深度学习的技术整理到一起，发布第二代人工智能系统TensorFlow，并宣布将其开源。这是一套包括很多常用深度学习技术、功能和例子的框架。得益于庞大的计算和数据资源，谷歌大脑在深度学习方面取得了显著的成果。在几次人机大战中大放异彩的DeepMind公司自2014年被Google收购后，陆续发表了207篇顶级期刊论文，为Google带来了大量研究人才。
2013年卷积神经网络发明者Yann LeCun加入Facebook，带领公司的图像识别技术和自然语言处理技术大幅提升。Facebook的深度学习框架是基于之前的Torch基础上实现的，于2015年12月开源。此外，Facebook还开源了人工智能硬件平台Big Sur等十余个项目。
微软在2016年整合微软研究院、Cortana和机器人等团队建立“微软人工智能与研究事业部”，现有7000多名计算机科学家和工程师。同年，微软发布了其深度学习工作包CNTK，CNTK使得实现和组合前馈型神经网络DNN、卷积神经网络和循环神经网络变得非常容易。
在Google和微软分别开源其机器学习平台后，IBM也开源了其深度学习平台SystemML。IBM主推的认知计算平台也向开发者开放了Watson的认知计算能力，加速人工智能的部署。
2016年，百度开放了其深度学习平台Paddle-Paddle，覆盖了搜索、图像、语音识别、语义处理、用户画像等领域的技术。腾讯不同事业部都在不同领域展开AI研究。AI Lab注重将技术与腾讯业务场景相结合，即游戏、社交、内容生态。
