做為私募基金的投資人，應具有一定的經濟實力，了解資本市場的規則體系，能結合自身的分析判斷作出投資決策，并在投資之后對私募管理機構和托管機構給予持續關注和監督。

1.宣傳“套路”要警惕。高風險是私募基金的本質屬性，揭示風險是私募機構的義務。推介業務時過度包裝、過度宣傳，且不敢或刻意回避講風險、講隱患的私募機構投資者要警惕。私募基金銷售中往往存在如下宣傳“套路”：

一是以“登記備案”不當增信。一方面，私募機構的登記備案不是行政審批，僅是事后登記備案，管理人宣傳私募機構是證監會或基金業協會批準的正規持牌金融機構，私募基金是合規的投資產品，屬于誤導投資者，莫輕信。另一方面，登記備案是對申請文件的形式審查，只對申請文件的完整性和規范性做出要求?；饦I協會對私募機構并不做實質審核，也不設許可門檻，基金管理人利用投資者的認識偏差，宣傳中將登記備案等同于監管部門的信用背書行為，利用備案信息自我增信是違法行為。

二是以“托管人托管”不當增信。私募基金不強制要求托管，托管人職責不完全等同于管理人職責，基金托管也不等于資金進入了“保險箱”，投資者不應迷信“托管”，謹防管理人以“XX銀行/券商托管”為宣傳噱頭，不當增信。

三是其他違規宣傳“套路”。如宣傳承諾保本保收益或者高收益、定期付息；虛構或夸大投資項目、以虛假宣傳造勢、利用親情誘騙等手段，騙取投資者的資金；宣傳基金產品設置多重增信，尤其是投資標的大股東個人增信、關聯機構增信；利用傳銷式銷售方式，構建龐大的銷售隊伍、眾多分支機構和銷售網點，高額銷售獎勵，介紹身邊人買基金，即可得高額傭金，或者針對老年人群體，買基金送諸如iPhone、電視機等禮品。

2．購買渠道要正規。切記通過非法渠道購買，警惕披著“金融創新”外衣的違規募資。私募基金管理人及其產品應當在基金業協會登記備案，建議投資者在購買私募產品前，先在基金業協會官網進行查詢。在購買私募產品時，應仔細閱讀相關產品介紹，了解買的是誰的產品、到底與誰簽約、資金劃到何處以及具體投向何處等，切勿被所謂的高收益蒙騙，切記“你看中的是別人的收益，別人惦記的卻是你的本金”。如發現異常，應及時咨詢基金業協會或監管部門。

3．投資要量力而行。一是對本人資質進行判斷。私募基金的投資者，除單只私募基金投資額不低于100萬元外，單位凈資產不低于1000萬元，個人金融資產不低于300萬元或者最近三年個人年均收入不少于50萬元，同時應當具備足夠的風險識別和承受能力。投資者要從自身實際出發，判斷是否符合合格投資者的標準。二是對風險承受能力進行評估。私募基金有高風險、高收益的特征，同時還有初始投資額的門檻要求。因此在認購私募基金時，應對本人的風險承受能力進行評估，如不能承受或承受風險能力較弱時，應審慎購買。

4．事前要摸清底細。目前登記的私募機構眾多，投資者在認購前可在中國證券投資基金業協會官網上查詢私募機構及其備案的私募基金的基本情況、在全國企業信用信息公示系統上查詢工商登記信息。

一是初步判斷合規水平。投資者可以登陸基金業協會網站查閱相關信息，結合登記備案信息的質量對私募機構的合規運作情況進行初步判斷，同時還應查看監管部門是否對私募管理人采取過監管措施等情況。

二是了解執業能力。目前，不少沒有證券從業經驗，也無任何專業背景的人員轉行從事私募基金行業，其初衷即是打著私募基金的招牌從事非法活動，博取違法收益，從其設立之初即伴隨極高的風險隱患。因此，對公司執業能力的判斷不能僅僅依據辦公場所的裝修檔次及工作人員的著裝品質，投資者更應關注公司高管人員的教育背景及從業經歷，對從業人員無執業能力的私募機構應持謹慎態度。

三是細看合同。包括但不限于：①查看合同時，要注意合同約定的權利義務是否合理，合同是否完整，是否存在缺頁漏頁等異常情況，要仔細閱讀條款，對于不懂的概念、模糊的表述及時要求管理人解釋說明，警惕短期限、定期付息，切勿被各種夸大、虛假宣傳忽悠、蒙蔽。對一式多份的合同，還應檢查每份合同內容是否完全一致。②關注期限與收益的匹配，私募基金尤其是私募股權基金投資期限較長，“短期高利”往往不符合股權投資特征，存在“龐氏騙局”等較大違法違規風險，需提高警惕。

5．決策要理性謹慎。許多機構以高收益為噱頭吸引投資者，甚至打著私募基金的名義詐騙、非法集資。因此投資者要保持清醒的頭腦，切勿因高收益的吸引而放松警惕、盲目投資，自覺抵制“一夜暴富”、“快速致富”、“高收益無風險”“保本保收益”等噱頭誘惑，多一分懷疑，少一分僥幸，牢固樹立“投資有風險”的理念，在充分了解風險的基礎上，審慎投資，避免上當受騙。

6．投后要持續關注。投資者在認購私募基金產品后，要持續關注私募基金產品投資、運作情況，要求私募基金管理人按照約定履行信息披露義務。投資者若發現管理人失聯、跑路，基金財產被侵占、挪用，基金存在重大風險等情況，要及時向基金業協會或私募基金管理人注冊地所在地證監局反映，或者在糾紛發生后及時通過仲裁、訴訟途徑維護自身合法權益；若發現私募基金管理人涉嫌詐騙、非法集資等犯罪線索的，要及時向公安、司法機關報案。

文章節選：紅杉匯

當不可抗力來襲，很多企業把工作的第一優先級目標變成了“活下去”。

對于抗風險能力較低的初創企業來說，面臨的挑戰可能會更大。這也是考驗每個創業者如何更好地“開源”（融資）和“節流”（現金流管理）的時刻。

現狀篇：

如何客觀地評估目前局勢和自身狀況？

對于創業者來說，疫情雖然在短期內會造成勞動力和生產資料短缺、交通物流不便阻礙交付、內部現金流壓力劇增等問題，但長期來看，我們需要客觀分析這場疫情可能帶來的變革趨勢和機遇。

? 第一，人的生活方式的變化。主要體現在人與人以及人與信息、商品、服務的交互方式。

1.“宅經濟”迎來進一步發展，移動互聯網可能獲得第二次人口/時長紅利，從事線上文娛、教育、電商的企業會從中得到機會。

2.到家服務業務滲透率會獲得較大提升，這將對以O2O、生鮮到家、外賣為主營業務的企業帶來利好。

3.疫情會讓人在未來一段時間內高度重視醫療健康，因此醫療科技企業會迎來發展的紅利期，尤其是以互聯網醫療、醫藥電商、醫療保險為主營業務的企業。

? 第二，企業生產方式的變化。

1.智能化辦公會迎來發展紅利期。智能辦公、線上協作平臺、視頻/語音會議系統會成為越來越多企業的工作標配。
    2.對于人力密集型行業來說，這會促使管理者對企業進行科技化改造，降低人力成本的同時提升效率。
    3.靈活用工滲透率快速提升，“零工經濟”可能迎來新發展。
? 第三，政策利好將刺激經濟回升。
    1.新冠疫情的傳播范圍廣，因此一系列防控疫情的政策對于2020年上半年的經濟會產生較大影響。
    2.疫情結束后，政府有望出臺一系列政策措施，在適度寬松的貨幣政策、科技創新政策和區域政策的大背景下進行深化，并輔以經濟刺激政策，對新經濟產業的長期發展依然是利好的。
    除此之外，企業需要評估自己在這一特殊時期受到的影響。受疫情影響嚴重的企業、中輕度受損企業和疫情時期業務有增量的企業，需要采用不同的策略。

? 第一，對于受疫情影響嚴重的企業：
1.果斷砍掉6個月內無法成為利潤中心的業務。
2.調整渠道策略和銷售體系，提升回款激勵，將固定成本轉化為變動成本。
3.我們有客戶在疫情開始后一個月內完成了50%的人力靈活用工，快速把現金流管理到相對安全的狀態。

? 第二，對于中輕度受損的企業：
1.切忌增加不必要的新業務嘗試和資本性投資，以經營安全為第一優先級。
2.建立危機應對體系，筑好企業經營安全防火墻。
3.調整產品和服務機構，針對新的人口流動/生產組織場景推出新的服務和產品。

? 第三，對于疫情時期業務有增量的企業：
1.積極尋求投放策略的調整，抓住增長機遇。
2.練好內功，區分業務利好的長期因素和短期因素，把握短期因素、轉化為長期留存。
3.打磨好產品，服務依然是王道。
4.頭部效應明顯的行業，積極考慮行業上下游整合。

融資篇：

如何在特殊環境下保持融資節奏？

企業需要認識到一點，融資是幫助企業渡過難關的工具。對大多數融資失敗的企業來說，最終需要從增長、模型、現金流和組織建設的角度尋找原因。
    特殊時期的融資策略和自身評估一樣，需要從受疫情影響的程度出發。但總體需要做到戰略謹慎樂觀——投資的反彈或可快于疫情的結束和經濟反彈，戰術上嚴陣以待——合理預期、科學計劃、周密執行。
? 第一，對于疫情影響嚴重的企業：
    1.活下來第一原則。
    2.啟動融資時，不計較估值，經濟受損會反映在估值和條款，此時，平衡、合適和速度比交易金額更關鍵。
    3.強化現金流管理，增加多種融資工具，盡快與老股東商討過橋貸款/CB。
    4.考慮在有下行保護的基礎上適當引入業績復蘇條款。
? 第二，對于中輕度受損的企業：
    1.活下來第一原則。
    2.強化現金流管理，增加多種融資渠道，只有先活下來才能在被清空的跑道上暢行。
    3.小步快跑，降低決策門檻，同時保持與老股東的良好溝通，積極向資本市場溝通企業受影響情況和恢復情況，幫助投資人重建信心。
    4.科學管理所有交易時間節點，在每個關鍵節點到來之前準備充足的可落地的備選方案。
? 第三，對于疫情時期業務有增量的企業：
    1.切忌趁機提升估值，應以交易快速與安全為第一原則。
    2.區分好短期和長期因素，并消化短期因素為長期因素，做充分的局部價值挖掘。
    3.拿夠資金，考慮布局和整合產業鏈，提升業務效率和規模。

現金篇：

企業怎么做才能保障現金流？

企業最重要的現金流包括三種：

1.經營性現金流，來自日常的運營和管理。

2.股權融資現金流，從不同類型的基金獲得的支持。

3.債權融資現金流，包括傳統銀行貸款、來自政府平臺支持的銀行債權、債權基金和風險貸款四種類型。

在不同階段，企業現金流來源，即三種現金流的比例各不相同。企業CEO需要與相關財務人員，包括投資人、銀行一起，根據企業所處階段、行業，為企業做最好的配置，做好最優決策。
    通過長期觀察幾百家現金管理優良的企業，我們發現了三個現金管理原則：
? 第一，未雨綢繆。我們鼓勵科創企業預留未來12個月所需要的現金流，來面對市場和融資不確定性的情況。當市場下調時，企業會有足夠彈藥，用相對低的成本去擴張市場、擴張供應鏈、招募人才。
? 第二，精準聚焦。聚焦有兩個層面的含義：一是，資金使用要非常專注。我們建議不要用撒胡椒面的方式花錢，把資金用在刀口上，用在真正提升企業價值、提升核心競爭力的領域；二是，要用好創始人的時間和精力。有些企業會采用小步快走的方式進行融資，但這恐怕會浪費企業家的時間和精力。
? 第三，按照階段，做最優決策。從債權融資角度，企業需要清楚不同階段的信貸資產是什么。企業的信貸資產有三類：一是房產、機器等固定資產，應當在最需要的時候再動用；二是企業經營性現金流，在企業經營性現金流閉環鏈條里，有一家核心企業付款能力得到銀行認可，就可以向銀行申請供應鏈融資，在企業拓展規模時使用；三是企業的核心價值，銀行風險貸款看重的是企業價值、未來的成長性，這類貸款應當盡可能多地嘗試申請。
在不同階段，創始人應根據企業的信貸資產、獲取資金的成本、企業經營的決策點等，按照戰略優先級做好融資的最優決策。

特殊時期，創業者要給自己企業的財務狀況做個“體檢”，尤其要針對“三表”——資產負債表、利潤表、現金流量表——所反映的問題做詳細對策。這個階段，現金為王、效率優先、精細管理、充分溝通是財務管理的重要原則。

? 第一、資產負債表：

重點檢查應收賬款的可回收性、存貨的可變現性、固定資產投入/投資的價值創造能力、應付賬款的時間計劃、不要忽略或有負債。

后續行動要重點做到：

1.評估上下游受災情況，考慮資金鏈斷裂后果，加大回款力度，善用折讓、貼現、保理等工具。

2.積極處置高齡存貨，停止新增回報周期較長的資產投資。

3.制定周密有序的付款計劃。

準確預估未在負債表中體現的：已簽約的不可撤銷的采購合同、租約，無法履約造成的損失和賠償責任，裁員成本等。

? 第二、利潤表：

第一時間重估經濟模型，包括成本重估、精細化核算、利潤中心、收入預測、費用預算和招聘計劃等。

后續行動要重點做到：

1.最保守地估計經濟模型，充分消化不確定性。

2.考慮暫時砍掉/停止擴張6個月內無法成為利潤中心的業務。

3.評估需求、供給、履約變化對業務的影響，最保守地對收入預測進行重估。

4.充分考慮開工晚/實施難/交付難情況下成本結構的變化，考慮替代方案優化成本結構，盡量降低、攤薄固定成本或用變動成本替代固定成本。

5.砍掉不必要的費用和人員招聘。

? 第三、現金流量表：

要時刻關注賬上余額，對往來賬款期進行評估、預測現金流滾動情況，重新評估今年投資性現金流的計劃。

后續行動要重點做到：

1.下調現金支付審批門檻。

2.增加對流動資金的監控，準確預測每個月的現金收支，避免現金短缺。

3.設定融資預警線，并做好融資準備工作，具備隨時啟動條件。

4.砍掉不必要的對外投資。

10月23日，全球四大會計師事務所之一的畢馬威與澳大利亞知名金融科技風投機構H2 Ventures聯合發布了《2018全球金融科技100強》榜單，從全球36個國家中遴選出100家金融科技創新公司，榜單包括來自多個行業的金融科技公司，如數字支付、貸款、保險科技和新型銀行系統等。

榜單顯示，中國金融科技公司繼續領跑整個榜單，有四家中國企業躋身前十。螞蟻金服拔得頭籌位列榜首，京東金融位居第二，百度旗下度小滿金融排名第四，陸金所位列第十名。此外，前 50 名中國公司還有平安集團旗下的金融一賬通(第 11 位)、 51 信用卡(第 12 位)、WeLab(第 23 位)、點融網(第 27 位)、眾安保險(第 36 位)。

2018Fintech100 是第五屆年度報告。據畢馬威和H2稱，2018年金融科技100強榜單是多個榜單的融合，其中包括金融科技“領先50”(Leading 50)榜單和“新興50”(Emerging 50)榜單?！邦I先50”榜單的制作基于創新、融資活動、公司體量和影響力，“新興50”則是那些處于創新技術及實踐最前沿、經常追求新商業模式的金融科技公司。兩家公司表示，金融科技100強榜單是在廣泛的全球研究和分析基礎上，根據與五項因素相關的數據而選出的。其中兩個因素與資本籌集有關，后者可以反映出風險投資者對公司創新能力的重視。具體而言，這五個因素分別是：融資總額、融資頻率、地理多樣性、行業多樣性和X因素（產品、服務和商業模式創新的程度）。

全球競爭持續擴大，有36個國家出現在了2018年的100強完整榜單中，高于2017年的29個和2016年的22個。在2018年上榜的公司中，有近一半（41家）是在新興市場成立并持續運營的。其中支付企業在榜單中占據主導。其中，有34家公司上榜，之后是借貸企業（22家）、理財公司（14家）和保險公司（12家）。

從地域來看，登榜企業最多的國家是美國，共有18家企業登榜，其中前十位中占據三席。緊隨其后的是英國和中國，分別為12家和11家。澳大利亞和新加坡亦表現不俗，分別有7家和6家。擁有多種金融服務的“多業務”公司占據較多席位，中國作為全球最大的消費市場和全球增長最快的地區之一，正處于全球金融科技發展的潮頭。

具體來看，排名榜首的螞蟻金服脫胎于阿里巴巴的在線支付系統，如今已成長為鮮有對手的金融巨擘，目前估值1500億美元（約合10413億元），令高盛集團(Goldman Sachs Group Inc.)和摩根士丹利(Morgan Stanley)相形見絀。2017年，螞蟻金服旗下支付寶及其全球子公司的用戶數量已經達到8.7億，每秒處理交易多達25.6萬筆。2018年6月螞蟻金服宣布新一輪融資，融資總金額140億美元（約合971億元），投資者包括新加坡政府投資公司、淡馬錫和華平投資。據彭博新聞社報道，近日螞蟻金服同意在巴西版“支付寶”StoneCo Ltd的首次公開募股(IPO)定價后購買股份，加入了沃倫·巴菲特投資正在蓬勃發展的巴西金融科技初創企業的行列。現任螞蟻金服董事長兼CEO井賢棟在接受《新京報》采訪時表示：“國際化的第一塊，就是服務中國人走出去，到不同的國家消費，相對來說比較容易，海外商家都學會了用中國的移動支付。另外一塊，我們走到本地去，幫助本地人發展當地的支付寶，分享我們的技術、風險管理的經驗，更準確是叫做‘全球本地化’?！?/p>

螞蟻金服董事長兼CEO井賢棟

作為“后來者”，排名榜單第二的京東金融在經歷了三四年的金融基礎設施構建后，以消費金融板塊的增長為排頭兵。得益于數據方面的快速積累、技術和模式方面的不斷創新，在5年發展歷程中，京東金融創下多個第一，例如，推出中國首個互聯網消費金融產品——“白條”；在深交所發行國內第一個互聯網消費金融ABS產品——白條ABS；推出中國第一張帶互聯網基因的借記卡——小金卡；推出國內第一個貫穿零售信貸業務全流程的產品——北斗七星。對于產品創新，京東金融副總裁馬驥近日在第41屆sibos年會表示：“不能為了創新而創新，關鍵在于找到可持續的商業模式。隨著手機與智能設備變得越來越流行，數據收集變得容易，基于海量用戶和數據，京東金融堅持技術投入，進而創造了一個全新的數據驅動的商業模式?！蓖瑫r，京東金融也與傳統金融機構進行合作，目前的合作伙伴涵蓋400余家銀行、120余家保險公司、110余家基金公司，40余家證券、信托、評級機構，是業內首家達成中國本土四類銀行全覆蓋的科技公司。京東金融于2018年7月完成B輪融資，獲得了來自中金資本、中銀投資、中信建投和中信資本等機構投資者的130億元融資，投后估值約1330億元。

作為上榜位列全球第四的企業，度小滿金融（原百度金融）科技產品合作機構目前超500家。度小滿金融在智能金融時代,充分發揮其AI優勢和技術實力,踐行普惠金融,服務實體經濟。據了解,度小滿金融已將 AI 技術應用在智能獲客、身份識別、大數據風控、智能投顧、區塊鏈等多個領域,在智能語音機器人、消費金融開放平臺、聯合建模平臺、服務小微企業主客群等多方面取得顯著成果。

作為中國平安旗下在線投資理財平臺，在本次榜單排名第十的陸金所致力于利用科技賦能的金融DNA來提供個性化金融服務，提供的服務是針對包括擁有海外資產的中國公民在內的國際客戶，目前主要業務領域包括財富管理、消費金融、機構間交易等。陸金所在2017年首次實現了全年整體盈利，資產管理規模已達4616.99億元，較年初增長5.3%，管理貸款余額2884.34億元，較年初增長96.7%。包括中國平安在內的中國金融公司正在東南亞地區擴張，尋求在本土市場之外建立客戶群。

近年來，中國的金融服務業在科技的助力下，從1.0時代的“信息科技+金融”、2.0時代的“ 互聯網+金融”向3.0時代的“智能金融”轉型，金融服務的效率和質量不斷提升。這個轉型歷程，既是一個新競爭者進入、現有的行業格局遭挑戰到傳統金融機構與金融科技公司全面合作的過程，也是金融科技從前端渠道獲客，全面應用到中后臺產品設計、風控、合規等領域的過程。

畢馬威全球金融科技主管合伙人 Ian Pollari 說道：“今年的榜單可以看出，全球金融科技市場變得更加多元，規模也更大。支付和借貸仍是主導板塊，但理財板塊也在壯大，本年有14家公司上榜，而保險科技企業也表現強勁，保持在12家。今年表現突出的是新銀行領域，共有10家公司上榜。我們認為，數字化銀行模式在全球范圍內的加速已經開始?！?/p>

H2Ventures的創始合伙人Ben Heap認為市場對金融科技公司的風投資金仍在加大。2018年上榜公司已籌集到520億美元（約合3610億元），比2017年上榜公司所籌集的兩倍還要多。在過去12個月內，共籌集到超過270億美元（約合1874億元），較上年增長366%。在A輪籌資中，榜單上有26家公司在過去12個月中分別籌集到1億美元（約合6.94億元）。僅“50強”中的前4家企業，在過去12個月內就籌集到超過10億美元（約合69億元）。

附：《2018全球金融科技100強》榜單

“領先50”(Leading 50)榜單

“新興50”(Emerging 50)榜單

文： 恒大研究院 沈明輝 劉宸

人工智能（Artificial Intelligence，簡稱AI）嵌入多個生活場景，被寄望為下一輪技術革命。微觀層面，機器翻譯、資訊分發和輔助駕駛等AI應用已讓人類生活更美好。宏觀層面，AI能替代繁瑣、重復人類工作，提升資源配置效率并減少生產損耗，其被寄望為經濟增長新引擎。

人工智能前景判斷：1）技術層面：短期或不及預期，長期仍有望引爆新一輪技術革命。2）產業層面：短期看商業模式，中期看公司技術研發，長期看基礎研究突破。

人工智能是模擬人類思維和行為的系統，當前處于弱AI時代。人工智能旨在模擬人類思考方式、行為規劃和學習能力，最終像人類一樣感知周邊環境并且做出反應。當前人工智能處于僅能解決特定問題且往往扮演輔助角色的弱AI時代。

人工智能螺旋式發展，經歷三個時期：1）起步時期：1956年達特茅斯會議提出人工智能概念，計算機性能和數據量制約AI發展。2）專家系統時期：“知識庫+推理機”實現AI商用化，臺式機性能提升終結專家系統。3）深度學習時期：2006年Hinton論文開啟當前深度學習時代。

人工智能已是新風口，技術是核心驅動力。2017年全球AI融資超150億美元，谷歌、亞馬遜、蘋果以及百度、騰訊等中美科技巨頭紛紛布局。算法、算力和數據是AI發展的核心驅動力：深度學習算法使AI邁入數據驅動時代，互聯網孕育海量的多維度數據，GPU并行計算能力為“大數據+神經網絡”提供算力。

人工智能產業鏈分為基礎層、技術層和應用層，中國產業布局偏好技術成熟、應用性強的領域，對需要長周期、基礎研究的芯片的關注度小。

1）基礎層提供算力和“操作系統”。芯片賽道，GPU仍是人工智能首選，產業格局呈三足鼎立，AI專用芯片中國企業存彎道超車機會。開發框架賽道，“開源+巨頭支持”是主流模式，TensorFlow、Torch等各有所長。

2）技術層解決具體類別問題。語音識別負責語音轉文本，技術和行業格局趨于成熟，但智能音箱等消費級產品或已侵蝕Nuance等頭部企業先發優勢。自然語言處理實現機器“聽得懂”，技術成熟度較低，市場分散且未形成頭部企業，新入局者仍有機會。計算機視覺實現機器“看得懂”，靜態物體識別趨于成熟，安防廠商、互聯網巨頭和創業公司是主要玩家。

3）應用層解決實踐問題。目前AI產品普遍是人類輔助者，自動駕駛或是下一個重量級市場。語音場景，智能音箱流量入口屬性使科技巨頭群雄逐鹿，生態整合決定發展前景。安防場景，視頻結構化、人臉比對助力警務管理，誤報率、動態人臉監控仍是短板。金融場景，應用于身份認證、征信風控和投顧理財。醫療場景，應用于醫學影像、輔助診療和語音電子病例，騰訊覓影已篩查400多例早期食道癌病例。自動駕駛場景，主流系統處于輔助駕駛級別，谷歌、特斯拉和百度領跑中美自動駕駛賽道。

1   人工智能：已融入多個生活場景，未來有望引爆新一輪技術革命

1.1   人工智能已嵌入多個生活場景，被寄望為下一輪技術革命

1.2   前景判斷：短期或不及預期，長期仍充滿希望

2   概念、標準與分類：人類思維和行為的模擬，目前仍處于弱人工智能時代  

2.1   概念：人類思維和行為的模擬

2.2   標準：圖靈測試

2.3   分類：弱AI、強AI和超強AI

3   人工智能的“前身今世”：螺旋式發展，深度學習開啟新浪潮

3.1   起步時期：達特茅斯會議提出人工智能概念，人機對話小程序ELIZAL令人驚艷

3.2   專家系統時期：“知識庫+推理機”組合實現人工智能商用化

3.3   深度學習時期：Hinton論文開啟人工智能新浪潮，Alphago戰勝人類世界冠軍

4   技術+政策+資本助力行業發展，Alphago引爆行業風口

4.1   新風口：未來十年人工智能或使全球GDP增長12%

4.2   算法+算力+數據：行業發展的核心驅動力

4.3   政策+資本：行業發展的沃土

4.4   Alphago：引爆風口的催化劑

5   人工智能產業鏈：基礎層+技術層+應用層，中國基礎層存不足

5.1   產業鏈初探：基礎層+技術層+應用層

5.2   產業鏈布局：中國偏好技術成熟、可應用性強的領域

6   基礎層：芯片+開發框架

6.1   芯片：GPU帶來算力革命性突破，未來發展瞄準AI專用芯片

6.2   開發框架：“開源+巨頭支持”模式，百度推出Paddle-Paddle

7   技術層：語音識別+自然語言交互+計算機視覺

7.1   語音識別：正確率提升推動商業化，消費級產品或打破市場格局

7.2   自然語言處理：實現機器“聽得懂”，技術成熟度仍較低

7.3   計算機視覺：實現機器“看得懂”，安防廠商、科技巨頭和創業公司機會并存

8   應用層：智能語音+安防+金融+醫療+自動駕駛

8.1   智能語音：人工智能時代的流量入口，科技巨頭群雄逐鹿

8.2   AI+安防：智慧安防助力警務管理，動態人臉識別仍存不足

8.3   AI+金融：人工智能助力金融服務效率，身份認證、風控和投顧是三大應用場景

8.4   AI+醫療：醫學影像、輔助診療和語音電子病例是主要應用場景，騰訊覓影已篩查400多例早期食道癌病例

8.5   自動駕駛：未來或顛覆全球汽車產業鏈，谷歌、特斯拉和百度領跑自動駕駛賽道

1 人工智能：已融入多個生活場景，未來有望引爆新一輪技術革命

1.1 人工智能已嵌入多個生活場景，被寄望為下一輪技術革命

人工智能落地于多個場景，讓人類生活變得更加美好。目前不少智能手機應用已經嵌入人工智能技術，如機器翻譯、智能分發、圖片美化、智能語音等，汽車也裝載了輔助駕駛系統。機器翻譯降低了不同文化間交流的門檻，智能分發實現了“千人千面”的資訊分發，智能語音讓人機互動方式從鍵盤轉變為語音，輔助駕駛讓人類駕駛汽車變得更加輕松、容易。

人工智能有望成為全球經濟增長的新引擎，因此被視作是互聯網之后的新一輪技術革命。人工智能促進經濟增長的影響機制存在于以下方面：

• 替代固定、繁瑣和標準化工作，釋放勞動力，既緩解人口老齡化時代勞動力短缺，也提升勞動生產率，如機器翻譯替代部分翻譯的工作，智能分發替代部分編輯的工作，智能語音替代部分客服助手工作，未來的自動駕駛將替代駕駛員工作。

• 提升資源配置效率，如智能分發將資訊、廣告等信息資源精準投放給需求用戶。

• 減少社會生產中的損耗，如自動駕駛避免了疲勞駕駛、違反交通規則等所產生的交通事故。

基于上述三大機制，人工智能將使基于場景的微觀領域創新傳導至宏觀經濟領域，技術進步提升社會生產率，打開新的增量空間，人工智能因此被寄望為新一輪技術革命。

1.2 前景判斷：短期或不及預期，長期仍充滿希望

新技術革命依賴人工智能技術水平提升，奇點是業界和學界討論焦點。以新技術革命來定位人工智能意味著其不僅需要覆蓋更多的應用場景，而且需要更高的智能程度。因此人工智能有了“奇點”概念：奇點是一個時刻，過了該時刻，人工智能的智能化程度將指數式上升，且擁有自我完善能力，超越人類智慧，預測技術發展奇點是人工智能領域關注焦點。

對技術發展來說，短期將不及預期，長期仍有望引爆新一輪技術革命，當前技術發展水平看自動駕駛。此輪以數據驅動的人工智能發展浪潮（詳見第4部分）存在部分硬傷：1）數據驅動意味著計算機無法理解規則關聯的內在機理，因此缺乏人類的推理能力和常識認知能力。2）深度學習必須以海量數據作為訓練集，缺乏人類快速提取特征能力（如看iphone一眼后就可以認出它），因此訓練速度受到制約。此外，摩爾定律逐漸失效讓計算機數據采集、處理和存儲能力短期內趕超人腦存疑，且生命科學對人腦運作機理的探索速度比計算機科學發展要慢得多，數據驅動的人工智能發展路徑短期內難以被替代。因此人工智能短期內很難大規模替代人類工作，短期技術發展程度和速度或不及預期，但是長期來看人工智能始終處于螺旋上升通道中，未來仍然有望引爆新一輪技術革命。面向特定領域的弱AI仍是當前技術發展重點，自動駕駛市場規模大且匯聚技術、人才和資本，自動駕駛的技術能力和商業化程度是當前觀察人工智能技術發展水平的重要指標。

對產業發展來說，短期看商業模式，中期看公司技術研發，長期看基礎研究突破。短期來說，產業爆發需要將現有的技術條件更好地與應用場景結合，創新服務模式來滿足原有產品所難以滿足的需求，例如今日頭條的“千人千面”精準分發和智能音箱的人機語音互動。中期來說，企業層面的研發能力是關鍵，技術研發將提升和優化技術水平，解決產品中的技術痛點，如計算機視覺企業能否提升復雜環境下動態人臉識別準確度將直接決定智能安防的應用程度。長期來說，產業發展依賴算法、芯片等領域基礎研究突破，此輪人工智能浪潮正是源于深度學習理論的突破（詳見第3部分）。

2 概念、標準與分類：人類思維和行為的模擬，目前仍處于弱人工智能時代 

2.1 概念：人類思維和行為的模擬

人工智能（Artificial Intelligence，簡稱AI）是“模擬”人類思維和行為的系統。人工智能對人類的“模擬”包括思考方式、行為規劃和學習能力等范圍，最終目的是像人類一樣感知周邊環境并且做出反應。

2.2 標準：圖靈測試

圖靈測試是判定機器智能與否最悠久、最經典的方法。人工智能是“模擬”人類思維和行為的系統，但是模擬能力本身就是一個連續的光譜，模擬能力只有超過某個標準，系統才會被認為是智能的。1952年，圖靈在《計算機械與智能》（Computing Machinery and Intelligence）一文中提出了“圖靈測試”來驗證機器有無智能：如果一臺機器能夠與人類展開交流，且有超過30%的人無法在規定時間內識別出與自己交談的是人還是機器，那么這臺機器就具有智能。圖靈測試提出至今已超過60年，不過目前機器僅在短時長和細分領域的測試中通過了圖靈測試。后來的計算機科學家也提出了其他界定人工智能的標準，包括能否實現語音識別、機器翻譯、文本的自動摘要或者寫作、戰勝人類的國際象棋冠軍、自動回答問題。

2.3 分類：弱AI、強AI和超強AI

當前人工智能世界處于弱人工智能時代，人工智能還無法擁有人類的推理、規劃和學習等能力，超強人工智能僅存于哲學層面。為區分人工智能的智能程度，人們提出了弱人工智能（Artificial Narrow Intelligence，簡稱ANI）、強人工智能（Artificial General Intelligence，簡稱AGI）和超強人工智能（Artificial Superintelligence，簡稱ASI）三個分類。當前人工智能處于弱人工智能的發展階段，系統僅能解決某個特定問題，且往往扮演輔助工具的角色。例如，AlphaGO僅限于利用“大數據+深度學習”來推算圍棋每一步獲勝的概率，但是并不了解每一步背后的原理。強人工智能仍然無法實現，人工智能尚無法擁有人類推理、規劃和學習能力，超強人工智能甚至只能從哲學和科幻角度進行探討。

3 人工智能的“前身今世”：螺旋式發展，深度學習開啟新浪潮

3.1 起步時期：達特茅斯會議提出人工智能概念，人機對話小程序ELIZAL令人驚艷

• 興起：達特茅斯會議提出人工智能概念，人工智能迎來第一輪繁榮期。1956年達特茅斯會議，麥卡錫（John McCarthy）、明斯基（Marvin Minsky）、羅切斯特（Nathaniel Rochester）和香農（Claude Shannon）等首次提出“人工智能”術語。此后，麻省理工大學、卡內基梅隆大學等學府均建立人工智能實驗室，美國國防高級研究計劃署投入了大筆研究資金，研究者也樂觀認為“二十年內機器將能完成人能做到的一切”。

• 標志事件：人機對話小程序ELIZA面世，智能交互能力令人驚艷。資金投入和人才涌入產生了一批顯著成果，其中人機對話小程序ELIZA是第一款人機對話程序。Eliza被設計成一個可以通過交談幫助病人完成心理恢復的精神治療醫師，程序模擬人的反應來回答用戶問題。

• 衰落：計算機技術制約早期人工智能發展，明斯基的《語義信息處理》催生行業拐點。樂觀情緒伴隨著早期人工智能，但研究始終受制于當時技術瓶頸：計算機性能制約了早期程序的應用、程序處理的對象少且復雜性低、機器無法讀取足夠數據來實現智能化。1968年，明斯基在《語義信息處理》（Semantic Information）一文中指出了人工智能的局限性：人們對語言的理解不是來源于語法和語義，而是來自常識，人工智能無法擁有該能力，也就不可能實現人的智能。明斯基的論文直接導致美國政府大規模削減人工智能研究經費。

3.2 專家系統時期：“知識庫+推理機”組合實現人工智能商用化

• 興起：專家系統XCON為DEC公司每年節省數千萬美元，人工智能迎來新一輪繁榮。專家系統是基于知識的智能計算機程序系統，其內部根據該領域大量的專家知識與經驗進行推理和判斷，即利用“知識庫+推理機”來模擬專家決策。1968年第一臺專家系統DENDRAL面世，其可用于推斷化合物的可能分子結構。1980年卡內基梅隆大學為DEC公司設計了專家系統XCON，每年可為DEC省下超過4000萬元經費，人工智能商業化帶動了新一輪產業熱潮。

• 標志事件：日本斥資8.5億美元研發第五代計算機。專家系統使人工智能商業化落地，并且誕生了Symbolics、Lisp Machines、IntelliCorp和Aion等軟硬件公司，日本甚至斥資8.5億美元用以研發第五代能夠像人一樣推理的計算機。

• 衰落：蘋果和IBM臺式機性能超過Symbolics等廠商生產的通用計算機，專家系統逐漸淘汰。專家系統復雜而精密，使其造價和維護費用居高不下，然而功能卻僅限于極其狹小的領域，1987年蘋果和IBM公司生產的臺式機性能都超過了Symbolics等廠商生產的通用計算機，徹底終結了此輪以專家系統主導的人工智能浪潮。

3.3 深度學習時期：Hinton論文開啟人工智能新浪潮，Alphago戰勝人類世界冠軍

• 興起：2006年Hinton提出了神經網絡Deep Learning算法，開啟了深度學習在學術界和工業界的浪潮。Hinton的深度學習打破了傳統BP神經網絡的短板：1）多隱層的人工神經網絡具有優異的特征學習能力，從而有利于可視化或分類。2）人工神經網絡的訓練難度可通過“逐層初始化”來克服。

• 標志事件：Alphago戰勝人類世界冠軍，微軟語音識別錯誤率降至5.5%。深度學習算法使人工智能獲得突破性進展：在圍棋領域，2016年3月基于深度學習算法的AlphaGo成為了第一個擊敗人類圍棋世界冠軍的人工智能程序，2016年末2017年初該程序以Master為賬號與中日韓數十位職業圍棋高手對弈，連續60局無一敗績。在語音識別領域，深度學習突破了技術瓶頸，大幅降低語音識別的錯誤率，2017年微軟轉錄Switchboard語料庫錄音的錯誤率已降至5.5%。

4 技術+政策+資本助力行業發展，Alphago引爆行業風口

4.1 新風口：未來十年人工智能或使全球GDP增長12%

人工智能已成新風口，未來十年或使全球GDP增長12%，以FAAG和BAT為首的科技巨頭均涉獵人工智能，其中不少企業布局了全產業鏈。

• 市場規模：從全球來看，根據賽迪研究院估算，2018年AI市場規模預計達2697.3億元，且呈加速增長態勢?！督洕鷧⒖紙蟆方y計國內外20家權威機構預測數據，未來十年AI將使全球GDP增長12%，近10萬億美元。從中國來看，根據國務院發展規劃，2020年、2025年和2030年中國AI核心產業規模將分別超1500億元、4000億元和10000億元，并且帶動數萬億規模的相關產業。

• 巨頭布局：中美科技巨頭均涉足人工智能產業，Facebook、Amazon、Google、Mircrosoft和百度甚至布局了芯片、技術平臺/框架、消費級產品和行業解決方案的人工智能全產業鏈。其中，智能音箱Echo、智能超市Amazon go、TensorFlow系統、小冰聊天機器人、Watson、Apollo、DuerOS均已成為行業內的現象級產品。

4.2 算法+算力+數據：行業發展的核心驅動力

4.2.1 算法：從傳統機器學習到人工神經網絡，深度學習大幅提升機器學習能力

人工智能算法經歷了基于既定規則系統、傳統機器學習和深度學習三個時代：

• 基于既定規則系統：人類搭建智能背后的邏輯關聯，即人工提取特征，并且構建特征之間的“IF…THEN…”關聯規則。

• 傳統機器學習算法：由機器構建邏輯關聯，即人工提取特征后，由機器根據輸入的特征和分類構建“IF…THEN…”關聯規則，其本質是實現特征學習器功能。傳統機器學習算法（如支持向量機和決策樹）的擴展性較差，適合小數據集，其始終難以模擬現實世界的特征規律。

• 深度學習算法：特征提取和規則構建均由機器完成。深度學習是一個復雜的、包含多個層級的數據處理網絡，根據輸入的數據和分類結果不斷調整網絡的參數設置，直到滿足要求位置，形成特征和分類之間的關聯規則。因此，深度學習由海量數據驅動，如支撐圖像識別的數據庫ImageNet是一個百萬量級圖片數據集。人工神經網絡是最典型的深度學習算法，深度學習的隱含層數量將決定網絡的擬合能力。

4.2.2 數據：互聯網孕育大數據時代，為深度學習提供外部支撐

互聯網造就了大數據時代，海量、多維度數據為機器學習提供了養料。數據驅動是深度學習算法區別于傳統機器學習的關鍵點，因此深度學習算法需要以海量大數據作為支撐。人工神經網絡算法起源于20世紀40年代，此輪興起一定程度上源于互聯網帶動數據量爆發?；ヂ摼W生產并存儲大量圖片、語音、視頻以及網頁瀏覽數據，移動互聯網更是將數據拓展到線下場景，線下零售消費、滴滴打車等數據豐富了大數據維度。灼識咨詢數據顯示，全球結構化數據從2013年的0.8ZB增長至2017年的2.3ZB，非結構化數據從2013年的3.6ZB增至2017年11.3ZB，兩者復合增長率分別為30.2%和33.1%，預計2022年將達到18.9ZB和55.7ZB。

4.2.3 算力：GPU芯片提供高效計算能力，加速深度學習訓練

“大數據+多層神經網絡”需要高速和大規模算力作為支撐，GPU芯片彌補了CPU在并行計算上的短板，大規模、高速率的算力加速了深度學習訓練。“大數據+多層神經網絡”意味著深度學習需要利用數據進行擬合，即不斷地迭代、試錯以挖掘最優的關聯規則，因此深度學習需要以算力作為支撐。

• CPU芯片：擅長邏輯控制和串行計算，大規模和高速率計算能力不足。從CPU芯片架構來看，負責存儲的Cache、DRAM模塊和負責控制的Control模塊占據CPU的大部分，而負責處理計算的ALU僅占據了很小一部分，因此CPU難以滿足大規模和高速率的計算需求。

• GPU芯片：擅長并行計算，加速深度學習訓練。GPU芯片最初用于電腦和工作站的繪圖運算處理，對圖片每個像素的處理是類型統一但數量眾多的工作，負責計算的ALU單元占據了GPU架構大部分，GPU可一次執行多個指令算法。以英偉達的GPU芯片為例，Tesla P100和Tesla V100的推理學習能力分別是傳統CPU的15倍和47倍。2011年GPU被引入人工智能，并行計算加速了多層人工神經網絡訓練。

4.3 政策+資本：行業發展的沃土

政策的密集出臺和資本的頻頻介入為人工智能行業發展提供了沃土，使技術逐漸轉化為商業實踐。

• 政策支持：中國、美國和歐洲均出臺了產業發展規劃，中國對人工智能產業的政策支持力度不斷加大。中國對于人工智能產業的政策支持力度不斷加大，2015年人工智能僅是中國制造2050和互聯網+戰略的子集，而2017年人工智能形成了獨立戰略規劃和實施細則，且進入政府工作報告和十九大報告。2016年，美國白宮陸續發布了《為了人工智能的未來做好準備》、《美國國家人工智能研究與發展戰略規劃》和《人工智能、自動化和經濟》等報告，為美國人工智能產業發展制定宏偉藍圖。此外，法國、歐盟和日本也均推出了人工智能戰略。

• 資本介入：2017年全球人工智能融資規模達152.42億美元，中國人工智能融資規模已超美國。全球人工智能融資規模從2013年的17.4億美元增至2017年的152.4億美元（約合1054.0億人民幣），年復合增長率72.0%。2017年中國人工智能融資額825.0億人民幣，融資事件數441起。根據CB Insight數據，2017年中國人工智能融資規模占全球的49%，而美國僅為38%。

4.4 Alphago：引爆風口的催化劑

AlphaGO戰勝李世石九段標志人類最后棋類智力堡壘的失守，人工智能行業熱度被徹底引爆。早在1997年,IBM“深藍”就戰勝了世界冠軍卡斯帕羅夫，但是圍棋比國際象棋難了6-9個數量級，圍棋也因此被視作是人類棋類智力的最后堡壘。2016年3月AlphaGO戰勝李世石九段點燃了人工智能的熱度，AlphaGO使人們意識到人工智能技術的發展水平遠甚于人類預期，人力資本和資金開始大規模涌入。2017年10月，DeepMind推出AlphaGO Zero，AlphaGO Zero在沒有人類經驗情況下通過自我對弈實現自我學習，這意味著部分領域的人工智能不需要人類經驗就能實現智能化。

5 人工智能產業鏈：基礎層+技術層+應用層，中國基礎層存不足

5.1 產業鏈初探：基礎層+技術層+應用層

人工智能產業鏈分為基礎層、技術層和應用層。基礎層提供算力和算法，技術層致力于解決不同類別問題，應用層將技術應用于商業場景。

• 基礎層：包含硬件和軟件，分別提供算力和算法框架。人工智能技術層由芯片和算法框架組成，芯片主要為深度學習的訓練和推理提供運算能力，算法框架是人工智能開發的“操作系統”，為開發者提供編程環境和算法模塊。目前中國企業尚未深度涉足基礎層，芯片研制和生產以及算法框架設計基本由國外巨頭壟斷。

• 技術層：致力于解決具體類別問題，語音識別、自然語言處理和計算機視覺是主要方向。技術層開始使用機器學習和深度學習算法來解決具體的語音或圖像問題，并且根據問題導向劃分為語音識別、自然語言處理和計算機視覺三大技術方向，識別準確率等技術能力指標是技術層關注焦點。

• 應用層：將技術運用于商業場景，模擬人類以解決實踐問題。應用層將語音識別、自然語言處理和計算機視覺直接應用于實踐產品，如金融、醫療、安防等領域。應用層由“技術水平+用戶體驗”雙輪驅動，且用戶體驗更為關鍵，產品能否洞察人性、迎合用戶需要將決定產品成敗。目前人臉識別認證、安防視頻搜索和智能音箱已邁向成熟，而自動駕駛、醫療影像診斷等產品處于探索期。

5.2 產業鏈布局：中國偏好技術成熟、可應用性強的領域

5.2.1 中美對比：中國側重技術層和應用層，美國側重基礎層

對比中美AI產業鏈布局（2017年7月前），中國偏好技術相對成熟的應用層和技術層（如語音識別和計算機視覺），而美國對需要長周期、基礎研究的芯片和技術平臺的關注度明顯超過中國。

• 企業分布（2017年7月）：中國技術層和應用層AI企業數與美國差距較小，而基礎層差距尤為明顯。中國芯片、技術平臺企業數僅為美國42.4%和24.3%，而技術層和應用層差距較小，技術相對成熟的語音識別和計算機視覺的企業數為美國的150%和76.8%，仍處于探索期的自然語言處理僅為美國的36.5%。

• 累計融資規模（截止2017年7月）：中國在語音識別、計算機視覺和智能無人機領域的累計融資規模超過美國，芯片融資規模差距明顯。中國人工智能融資同樣投向了技術相對成熟、可應用性強的領域，如語音識別、計算機視覺、智能機器人、自動駕駛的融資規模超過了美國，而芯片企業融資僅為美國的4.3%。

• 累計融資事件數（截止2017年7月）：中美應用層融資事件均超基礎層和技術層，美國芯片領域融資事件數已比肩應用層。中美在無人機、智能機器人和自動駕駛領域融資事件數明顯超基礎層和應用層，表明技術層的通用技術需要根據細分應用場景進行再開發，使產品有效結合技術和用戶體驗，這為小型企業切入人工智能提供機會。

5.2.2 中國融資事件分析：大市場且技術成熟領域受資本追捧

市場規模和技術成熟度是中國AI投資關注焦點。為了解近2年AI領域投融資狀況，我們分析IT桔子AI融資數據庫中2017年至今且金額過億的融資事件（共92筆），發現中國AI投資偏好未發生改變，即應用層和相對成熟的技術層的融資事件數依舊超過基礎層。此外，市場規模和技術成熟度是決定融資能力的核心因素：

• 大市場的細分領域被資本追逐。自動駕駛、AI+醫療和計算機視覺融資數明顯超過其他領域，其中自動駕駛和AI+醫療市場規模大，計算機視覺通用性強，應用場景覆蓋新零售、安防等多個領域。

• 技術趨于成熟且已有產品落地的領域是投資熱點。在金額超過5億人民幣的中國企業融資事件中，計算機視覺占據9筆，且合計金額超200億元，語音識別占據3筆。自動駕駛和AI芯片處于研發初期，因此芯片領域僅寒武紀獲得過億美元融資，自動駕駛領域則有多筆資金投向了海外企業。

6 基礎層：芯片+開發框架

6.1 芯片：GPU帶來算力革命性突破，未來發展瞄準AI專用芯片

人工智能引入GPU突破CPU并行計算短板，GPU、FPGA和ASIC各有優劣。“大數據+人工神經網絡”的人工智能模式將海量數據切割進行并行計算，這需要芯片作為硬件支撐。目前市場上的人工智能芯片主要有GPU、FPGA和ASCI三類。

• GPU：通用性強，但功耗高，目前仍是人工智能芯片首選。GPU全稱圖形處理器（Graphics Processing Unit），起初是專用于圖像運算的微處理器。人工智能訓練有大量浮點計算和矩陣計算，GPU計算的內部并行度高，GPU恰好突破了CPU在并行計算上的短板，為深度學習帶來革命性變化。GPU通用性強，不過功耗相對較高。

• ASIC：人工智能專用芯片，功耗低，但研發門檻高。ASIC全稱專用集成電路（Application-Specific Integrated Circuit）。與GPU的通用性截然相反，ASIC特點是專用性，ASIC根據任務和算法量身定制芯片，結構上節省大量沒有使用的邏輯實現，同等工藝下執行速度超過其他類型芯片，且能耗更低。不過，ASIC芯片無法更改任務目標，適用的算法相對有限，研發周期明顯長于其他類型芯片。Google的TPU與寒武紀的NPU是ASIC的典型代表。

• FPGA：介于GPU和ASIC之間，提供邏輯可設計的電路平臺。FPGA全稱現場可編程門陣列（Field Programmable Gate Array），其折中于通用型芯片GPU和專用型芯片ASIC之間，用戶可根據需要設計邏輯，支持重復編程。FPGA使用靈活，用戶可隨意組合邏輯功能，且無需介入芯片布線和工藝，效率略高于GPU（GPU乘法器和加法器數量固定，應用環節可能造成功能浪費）。FPGA功耗小于CPU，但是大規模開發難度大，總體性價比不占優。

6.1.1 GPU市場格局：Intel、AMD和NVIDIA三足鼎立，NVIDIA領跑AI賽道

GPU芯片技術發展歷史悠久，行業巨頭技術先發優勢明顯。GPU市場呈現Intel、AMD和NVIDIA三足鼎立格局,尚無中國廠商有能力參與市場競爭。從JPR提供的2017Q4數據來看，在PC GPU市場，Intel市占率達到67.4%，AMD和NVIDIA則瓜分了剩余的市場份額，市占率分別達到18.4%和14.2%；在獨立GPU市場，NVIDIA以66.3%市占率占據第一大市場份額。

NVIDIA推出多款面向人工智能的GPU芯片，領跑AI賽道。2016年4月NVIDIA推出了面向人工智能設計的GPU——Tesla P100，2017年5月推出了升級版——Tesla V100，將深度學習訓練速度提升了約2.4倍。

6.1.2 FPGA市場格局：Xilinx、Altera占據主要市場份額，Intel并購布局

FPGA核心玩家是Altera、Xilinx，其中Altera被Intel天價收購。與GPU相似，FPGA市場同樣出現寡頭壟斷趨勢，市場份額由Altera、Xilinx瓜分。2016年Xilinx、Altera的FPGA市占率分別達到54%和36%，剩余10%市場份額由Microsemi和Lattice等廠商占據。2015年6月，Intel宣布以167億美元價格收購第二大FPGA廠商Altera，豐富AI芯片產品線。

6.1.3 谷歌TPU領跑ASIC，寒武紀NPU是新生力量

ASIC行業格局未定，谷歌TPU引爆人工智能專用芯片熱潮，寒武紀NPU嘗試彎道超車。

• 谷歌TPU：內在需求驅動谷歌研發TPU。2011年谷歌測算發現，如果用戶每天使用3分鐘谷歌提供的語音搜索服務，谷歌的數據中心就必須擴大兩倍，深度學習的海量數據處理需求驅動谷歌研發更高效的芯片。大約在2015年，谷歌在內部數據中心上線了TPU芯片（Tensor Processing Unit）。TPU為機器學習量身定制，每個操作執行所需晶體管數量更少，因此提升了深度學習效率。根據谷歌發表的論文，TPU平均比當前GPU或CPU快15-30倍，性能功耗比高出約30-80倍。

• 寒武紀NPU：避開傳統芯片紅海市場，發力智能芯片旨在彎道超車。寒武紀脫胎于中科院學術團隊，主要面向人工智能專用芯片，目前已是中國芯片領域的獨角獸企業。寒武紀瞄準了智能芯片，避開Intel、AMD等巨頭壟斷的傳統芯片市場，嘗試利用技術迭代來實現彎道超車。寒武紀有智能處理器IP、MLU智能芯片和軟件開發環境三條產品線，分別面向終端、云端和開發者。NPU芯片是寒武紀核心產品，目前已推出了1A、1H8和1H6三款產品，其中華為首款AI手機芯片麒麟970已集成寒武紀1A，并在華為Mate 10中實現大規模商用。

6.2 開發框架：“開源+巨頭支持”模式，百度推出Paddle-Paddle

6.2.1 開發框架鏈接軟硬件，降低AI使用門檻

人工智能開發框架為AI開發、深度學習提供了軟件環境，降低AI應用門檻幫助開發者進行高效訓練和推斷。芯片提升了底層硬件支持，不過硬件和軟件之間需要鏈接紐帶，人工智能開發框架即是人工智能開發和應用的“操作系統”。人工智能開發框架主要功能包括為開發者提供編程環境和硬件工具庫、根據開發需要分配GPU等硬件資源，其最終目的是為開發者提供模塊化、通用、靈活的軟件環境，使開發者只需要關注高層結構，無需注意底層瑣碎問題，降低人工智能開發和使用門檻。

6.2.2 市場格局：開源平臺普遍背靠互聯網巨頭，百度推出PaddlePaddle

TensorFlow、Torch、Caffee、CNTK等主流框架各有所長，百度推出國內首個開源框架PaddlePaddle。目前最主流的人工智能開發框架有TensorFlow、Torch、Caffee、CNTK等，主要面向深度學習開發，各平臺在穩定性、調試難度、執行速度、內存占用等方面各有所長。2013年百度宣布其深度學習開源平臺PaddlePaddle在開源社區Github及百度大腦平臺開放，PaddlePaddle是首個國內企業推出的開源框架。

“開源+巨頭支持”是人工智能框架的主流模式，巨頭介入或為內部應用和搭建“框架-硬件”產業鏈條的雙重需求。主流人工智能框架均采用開源模式，但是普遍由科技巨頭支持，TensorFlow和CNTK由谷歌和微軟研發推出，Torch和MXNet分別被Facebook和亞馬遜推薦（作為公司的主要深度學習框架，且為生態系統開發提供軟件代碼、文檔和投資）。我們認為“開源+巨頭支持”模式或源于以下原因：1）人工智能仍處于發展初期，開源框架有助于推廣，且有利于知識溢出和行業發展。2）開源框架仍然需要不斷進行技術迭代和開發體驗優化（如由李沐及社區貢獻者開發的MXNet框架就因為API文檔和自定義教程過于簡單而難以滿足開發者需要），這些均需要雄厚資金的支持。3）谷歌、亞馬遜、百度等科技巨頭布局開源平臺一方面源于企業內部深度學習應用需要，擁有開發框架知識產權可以避免后續發展受制于人，另一方面則可建立“框架-硬件”產業鏈條，借力開源框架推廣自身的人工智能業務，進而帶動后續的AI芯片和AI云服務業務（自己研發平臺對自己產業鏈上下游產品支持度更好）。

7 技術層：語音識別+自然語言交互+計算機視覺

7.1 語音識別：正確率提升推動商業化，消費級產品或打破市場格局

7.1.1 語音識別正確率已提升至95%，顛覆人機交互模式仍需技術進一步提升

深度學習將語音識別正確率提升至95%，不過顛覆人機交互模式仍有待于語音識別正確率提升。語音識別（Auto Speech Recognize，簡稱AS）是機器將語音轉化為相應文本或命令的技術。從發展歷史來看，語音識別經歷了2個技術階段：1）GMM計算概率分布-HMM決策判斷：GMM是高斯混合模型，HMM是隱馬爾可夫模型，兩者結合將語音識別正確率提升至約80%，不過該正確率仍然難以滿足商業化需要。2）深度學習：2011年深度學習技術被引入語音識別，語音識別正確率突破了技術瓶頸（2017年識別正確率已達95%），Siri、Google Assistant、Echo等一系列商業化產品隨之涌現。不過，95%的正確率僅能滿足偶爾使用需求，語音徹底取代鍵盤成為最常用人機交互模式仍有待于正確率的進一步提升。

語音識別可分為“降噪-特征提取-解碼”三個環節，深度學習提升“特征-單詞”映射正確率。語音識別首先對輸入的語音信號進行清洗，然后將信號切割成若干片段并抽取辨別單詞的語音特征，最后根據深度學習生成的語音模型將提取特征映射到單詞。

7.1.2 市場格局：行業格局已初步形成，消費級產品助力科技巨頭后發制人

作為人工智能領域相對成熟的技術，語音識別市場格局已初步形成。根據中國語音產業聯盟數據，2015年Nuance和科大訊飛分別占據全球和中國語音市場的頭把交椅。

• Nuance是全球最大的語音識別廠商，2015年全球市場份額達31.6%。Nuance語音識別技術被用于蘋果Siri，旗下產品Dragon Drive（車載語音識別）用于奔馳、雷克薩斯、豐田、榮威等眾多汽車品牌。

• 科大訊飛是中國智能語音產業的領導者，2015年中國市場份額達 44.2%。科大訊以訊飛超腦、AIUI為內核打造了AI開放平臺，面向教育、城市、汽車、醫療和家居等多個場景，其在電信、金融、能源、交通、政府等主流行業的市場份額達到80%以上。

技術趨于成熟且消費級產品出現為行業格局帶來變數，谷歌、蘋果、亞馬遜以及百度、阿里等中美科技巨頭目前在語音識別賽道增長迅猛。Nuance和科大訊飛在技術上的先發優勢使其占據了大量市場份額，不過隨著語音識別技術趨于成熟，行業發展重心從基礎技術研發轉向產品應用，谷歌、亞馬遜和蘋果等互聯網巨頭的消費級產品或將顛覆現有的市場格局，Echo、Google Assistant等消費級產品的誕生驅動科技巨頭涌入語音市場，科技巨頭的人才和資本優勢以及消費級產品積累的數據將侵蝕Nuance和科大訊飛的基礎技術優勢，傳統頭部企業市占率或進一步下滑。

• 全球市場來看，Nuance市場份額已從2012年的62%下滑至2015年的31.6%，谷歌和蘋果市場份額已提升至28.4%和15.4%。

• 中國市場來看，科大訊飛市場份額已從2012年的54.3%下滑至2015年的44.2%，百度則提升至27.8%。

7.2 自然語言處理：實現機器“聽得懂”，技術成熟度仍較低

7.2.1 自然語言處理實現機器“聽得懂”，語言規則復雜性制約技術成熟度

自然語言處理主要解決機器“聽得懂”問題，機器翻譯、問答系統和文本摘要是其主要應用場景。自然語言處理（Natural Language Processing，簡稱NPL）主要解決機器“聽得懂”問題，即理解人類語言和文字，是人工智能的核心分支之一。自然語言處理也是人機互動閉環的關鍵技術，計算機首先需要使用語義理解技術來分析用戶輸入的語言，進而調取知識庫，最后生成語言輸出給用戶。自然語言處理主要應用于以下領域：

• 機器翻譯：機器翻譯將一種自然語言翻譯到另一種自然語言，其不僅包含了兩種語言間詞和短語的映射，而且需要根據上下文的語境表征并結合自然語言知識圖譜（基于海量數據訓練）進行適當推理，最后給出最合適、自然的翻譯結果。

• 問答系統：問答系統旨在使計算機像人類一樣用自然語言與人進行交流，即人們向計算機提問并獲取關聯度較高的答案。問答系統目前已廣泛應用于聊天機器人、智能客服、智能手機助手。

• 文本摘要：文本摘要通過閱讀文字段落進而將其中的核心內容提煉出來。文字摘要已有廣泛的應用場景，如新聞標題和關鍵詞的提煉，也包括谷歌、百度等搜索引擎的優化，實現搜索的“所見即所得”，提升用戶搜索的準確率。

語言的不確定性、不可預測性、長尾現象和非線性關聯使自然語言處理的技術成熟度較低。自然語言處理的技術成熟度明顯遜于語音識別和計算機視覺，其在技術上主要面臨以下挑戰：1）詞法、句法、語義、語用和語音的不確定性。2）新的詞匯、術語、語義和語法的不可預測性。3）數據不充分的長尾現象，即數字資源難以覆蓋全部語言現象。4）語義知識的非線性關聯，即語義關聯難以用簡單數學模型描述。以“我們把香蕉給猴子，因為它們熟透了”和“我們把香蕉給猴子，因為它們餓了”兩句為例，其中的“它們”需要結合猴子和香蕉屬性進行推理。

7.2.2 市場格局：市場較為分散，新入局者仍有機會

技術發展水平制約自然語言處理頭部企業誕生，新入局者仍有機會。語言規則復雜性以及技術的低成熟度使自然語言處理領域尚未誕生覆蓋所有細分領域且占據市場多數份額的龍頭企業。目前，自然語言處理產品可分為3類：1）細分領域技術應用：人工智能律師Ross、百度和谷歌翻譯。2）消費級平臺產品：如Alexa語音助手和小度在家等，不過僅限于資訊了解、鬧鐘設定、任務提醒等簡單功能。3）面向B端的產品解決方案：如Duroes、谷歌和三角獸等，但是功能和應用場景仍然相對有限。因此，受制于技術水平和語義規則復雜性，自然語言處理市場相對分散，新入局者仍有機會獲取一定的市場份額。

7.3 計算機視覺：實現機器“看得懂”，安防廠商、科技巨頭和創業公司機會并存

7.3.1 計算機視覺實現機器“看得懂”，靜態物體識別技術趨于成熟

計算機視覺實現了計算機“看得懂”，人臉識別、OCR和圖像結構化是其主要應用場景。計算機視覺是用計算機模擬人眼對目標進行識別、跟蹤和測量，并且對圖形進行處理，即實現計算機“看得懂”。計算機視覺處理過程包括預處理、分割、特征提取和分類四個環節：預處理主要對圖像傳輸過程中的退化進行改善（如亮度、色彩和對比度），切割將圖像分成互補重疊而又具有各自特征的子區域，特征提取描繪邊緣的方向密度分布，分類根據算法模型給出類型結果。計算機視覺可用于以下領域：

• 人臉識別：基于人的臉部特征信息進行身份識別，用于門禁考勤、身份認證、人臉對比等。

• 文字OCR：計算機讀取印在或寫在紙上的字，實現文字的快速錄入。

• 圖像結構化：提取圖片或視頻中的人、車、物，使得圖片和視頻的信息可以被計算機搜索和查詢，并對車輛及車輛行為、人體屬性及其行為進行分析。

靜態物體識別技術趨于成熟，監督學習和推理能力是計算機視覺技術的主要短板。從技術成熟度來看，生物特征（人臉、指紋和瞳孔）和靜態物體識別較為成熟，動態圖像識別難度較大。從圖像識別技術瓶頸來看，1）現有技術難以解決光線過爆和過暗問題。2）圖像識別分類主要依賴監督學習（利用標記訓練數據來推斷分類），即機器學習需要手工標注物體特征，數據標注的體量和數量受限使計算機可識別的物體種類有限。3）現有技術仍然由數據驅動，因此計算機視覺技術缺乏基于常識的推理能力。

7.3.2 市場格局：2020年中國市場規模預計725億元，安防廠商、互聯網巨頭和創業公司機會并存

計算機視覺2020年市場規模預計達725億元，安防廠商、互聯網巨頭和創業公司是主要玩家。根據智研咨詢的數據，2017年計算機視覺市場規模為40億元，2020年市場規模預計達725億元。國內計算機視覺的玩家有三類：1）?？?、大華等安防廠商：安防影像分析的市場需求驅動此類企業的技術研發。2）互聯網巨頭：以百度為首的互聯網巨頭在數據獲取上有明顯優勢，且以收購或并購形式擴大技術優勢。3）創業公司：包括商湯科技、依圖科技和曠視科技等企業，普遍以細分領域為發力點。

8 應用層：智能語音+安防+金融+醫療+自動駕駛

8.1 智能語音：人工智能時代的流量入口，科技巨頭群雄逐鹿

智能語音或將成為人工智能時代的流量入口，以FAAG和BAT為代表的科技巨頭均發力智能語音技術。智能語音主要通過“語音識別+自然語言處理”作為媒介來調取后端應用，從而為用戶提供服務。隨著語音識別和自然語言處理技術的日趨成熟，人機互動方式將逐漸從文字轉變為語音，智能語音或將成為人工智能時代的流量入口。因此，以FAAG和BAT為代表的科技巨頭均發力智能語音技術，推出了Siri（蘋果）、Assistant（谷歌）、Alexa（亞馬遜）、Cortana（微軟）、DuerOS（百度）、騰訊叮當（騰訊）等產品，以占據下一輪技術迭代的風口。主流智能語音已覆蓋了日常信息查詢、影音娛樂、個人助手、生活服務、智能家居控制等功能，實現人、物和服務的互通互聯。

手機、車載設備和智能音箱是智能語音的硬件載體，其中主打家庭場景的智能音箱已成新風口。目前，手機、車載設備和智能音箱是智能語音技術的主要硬件載體，分別面向移動場景、駕駛場景和家庭場景。其中，主打智慧家庭的智能音箱已成眾多科技巨頭布局重點：1）智能音箱是家庭IoT設備（Internet of things）的控制器，智能音箱未來有望帶動同一廠商其他家庭IoT產品的消費量（如冰箱、空調等）。2）作為家庭生活的流量入口，智能音箱將為廠商提供家庭生活的行為數據，進一步支撐數字營銷和產品研發。2017年全球智能音箱出貨量達3000萬臺，2019年預計達8500萬臺，2018Q2亞馬遜和谷歌合計占據了70%的智能音箱市場份額。作為消費級人工智能產品，用戶體驗、功能覆蓋的優先級高于技術水平，因此智能音箱的生態整合能力是未來發展的關鍵，流量入口的“網絡效應”將取決于平臺能否接入更多種類的應用、設備以及更多數量的用戶。

8.2 AI+安防：智慧安防助力警務管理，動態人臉識別仍存不足

千億視頻監控市場使“AI+安防”落地，智能安防的視頻結構化、人臉比對功能助力警務管理。2018年中國視頻監控市場規模預計達1192億元，千億市場和政府網格化管理的雙重驅動力使“AI+安防”落地。借助于計算機視覺技術，人工智能能夠對視頻數據進行實時結構化處理，不僅使警務人員對視頻內容進行快速檢索，而且還可自動將抓拍人臉與數據庫進行比對，提供黑名單預警、人員布控、人臉檢索、大庫比對等智能化應用，對嫌疑人員進行實時布控，警務管理效率明顯提升：

• 案例一：2016年某地公安引入大華股份的警務方案后，警情同比下降46%，落地侵財破案率達到72%，入戶盜竊破案率達到61%，扒竊破案率高達90%。

• 案例二：某搶劫案偵破需要對來自500多個監控點的長達250個小時視頻中的50萬人流進行分析，傳統人力查閱至少需要30天時間，且極易遺漏關鍵信息，而?？低暼斯ぶ悄芤曨l分析技術僅5秒就找到了犯罪嫌疑人。

• 案例三：襄陽市襄城區曾發生搶劫案，接警后嫌疑人照片被導入曠視（Face++）智能安防人臉識別系統比對搜索，民警迅速鎖定了涉案人員。

“AI+安防”目前受制于誤報率和復雜多變的應用環境，動態人臉監控尚未大規模運用。目前動態人臉識別準確率無法達到100%，導致系統頻頻誤報干擾正常警務工作，使不少公安部門棄用動態人臉識別。此外，現有人臉識別未形成數據閉環（缺乏自主學習和自主標注功能），千萬人口級城市仍然存在數十萬的人臉盲點。

8.3 AI+金融：人工智能助力金融服務效率，身份認證、風控和投顧是三大應用場景

重復度高、數據標準化和數據處理量大使金融成為人工智能落地場景，智能身份認證、智能征信風控和智能投顧理財是AI+金融典型應用。資料歸檔等固定程序工作以及客戶、行業數據整合優化均可被人工智能取代，節省人力和物力，并且提升金融服務效率。目前“AI+金融”主要集中在以下三個方面：

• 智能身份認證：基于計算機視覺的人臉識別使得用戶遠程開戶、刷臉支付成為現實，助力金融機構遠程獲客和數字營銷，優化了用戶體驗，且人臉信息較難復制和盜取特點提升了金融服務的安全性。目前智能身份識別技術較為成熟，已廣泛應用于銀行和券商開戶、業務辦理以及新零售等場景。

• 智能風控：人工智能技術可助力金融行業形成標準化、模型化、智能化、精準化的風控系統。傳統風控依靠地推式實地考察和人工資質核實，效率低且存在委托代理風險，而智能風控可實現實時、智能征信和審批，提升放貸效率。對個人用戶來說，多維度用戶數據（如通話記錄、短信信息、購買歷史和社交網絡信息）通過自然語言處理可轉化為用戶特征畫像，進而根據評分模型評估個人信用。對企業用戶來說，智能征信風控可挖掘企業間關聯以及企業子母公司、上下游、競爭對手和高管等深度信息，最后使用機器學習來評估企業還款能力。以京東金融為例，其基于人工智能開展放貸業務效率比傳統金融機構提升了70倍，成本降低了30%。智能風控技術已經較為成熟，未來數據數量與質量將決定風控效果。 

• 智能投顧：智能投顧通過特定算法模型管理帳戶，結合投資者風險偏好、財產狀況與理財目標，為用戶提供自動化的資產配置。AI+投顧有以下優勢：1）挖掘用戶個性化需求，彌補投資顧問在深度了解客戶方面的不足。2）結合用戶需求以及生命周期等特征，提供“千人千面”的定制化資產配置。從行業格局來看，智能投顧已孕育了諸多知名公司，2017年Betterment在美國的AUM（Asset Under Management，簡稱AUM）達80億美元，中國則誕生了理財魔方、摩羯智投和金貝塔等頭部企業，分別主打國內資產配置、“銀行+人機結合”和“基金+社交跟投”，不過智能投顧尚處于技術探索期，技術仍在不斷改良和優化。

8.4 AI+醫療：醫學影像、輔助診療和語音電子病例是主要應用場景，騰訊覓影已篩查400多例早期食道癌病例

人工智能賦能醫生，提升診療能力和工作效率破局醫療服務痛點。人口老齡化加劇、慢性疾病增長使大眾對醫療服務需求日益增加，而區域醫療資源分布不均，醫生培養周期長，優質醫療服務供不應求等醫療服務痛點使其成為AI應用場景。目前AI+醫療主要集中在醫學影像、輔助診療和語音電子病歷三大領域：

• 醫學影像：AI+醫學影像利用計算機視覺技術來模擬醫生讀片，篩選出有潛在疾病的影像片子并且指出病灶所在位置。傳統人工讀片模式速度慢，讀片量有限，且基層醫院醫生受限于知識結構難以發現早期病變。AI+醫學影像助力疾病早期篩查，提高患者生存率。

• 輔助診療：AI+輔助診療是讓計算機學習醫療知識和診療案例，幫助醫生診療推理疾病原因，并且給出可靠的診斷治療方案。AI+輔助診療彌補了社區醫院、村診所等基層醫療衛生機構在診療能力方面的短板，提升基層醫療效率，降低患者的就醫成本。以精神疾病為例，中國人均精神科專家不足發達國家10%，檢查率僅9%，人工智能輔助診療可將診斷效率提升69%。

• 語音電子病例：語音電子病例利用語音識別技術將醫生語音直接轉成電子文字病例。撰寫病例往往占據醫生大量時間，根據香港德信的調查，50%中國住院醫生每天用于寫病例時間超4小時，有部分醫生甚至超7小時。語音電子病例大幅節約醫生在患者病程、手術記錄等電子文本的錄入時間，使醫生專注于醫患交流。

科技巨頭紛紛入局，騰訊覓影已篩查400多例早期食道癌病例。2016年10月百度推出了“百度醫療大腦”，2017年3月阿里云發布醫療操作系統“ET醫療大腦”，2017年8月騰訊推出AI醫學影像產品“騰訊覓影”。騰訊覓影已在全國100多家三甲醫院落地，覆蓋食管癌、肺癌、糖尿病視網膜病變、乳腺癌、結直腸癌和宮頸癌六種疾病的早期篩選，篩查出高風險病變3.7萬例。以食管癌為例，由于缺乏足夠認知和有效篩查手段，中國早期食管癌檢出率低于10%，而騰訊覓影對早期食道癌發現準確率高達90%，截止2018年9月已篩查400多例早期食道癌病例。

AI+醫療仍處于發展初期，缺乏高質量標注數據是AI+醫療面臨的主要挑戰。醫療服務特殊性使其對產品識別準確性要求高，因此數據標注準確性尤為關鍵，且醫學影像需要訓練數據量大，僅騰訊覓影食管癌篩選系統就使用了10萬張不同級別醫生雙盲隨機循環標注的醫學影像作為訓練數據。

8.5 自動駕駛：未來或顛覆全球汽車產業鏈，谷歌、特斯拉和百度領跑自動駕駛賽道

自動駕駛通過“感知-認知決策-控制執行”模擬人類駕駛，主流自動駕駛系統處于L2、L3級技術水平。自動駕駛是依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作，讓計算機在沒有任何人類主動操作情況下，自動安全地操作機動車輛。自動駕駛通過“感知-認知決策-控制執行”三個環節來模擬人類車輛駕駛流程，感知環節主要由傳感器檢測周邊障礙物和道路環境，認知決策環節根據云端算法、地圖和數據進行行為決策與路線規劃，控制執行環節負責最后的車輛行駛。根據SAE（國際自動機工程師學會）定義，自動駕駛分為L0-L5六級，L4、L5是無人駕駛階段，汽車可在限定環境或全部環境下去自動完成駕駛任務，L1、L2和L3是輔助駕駛階段，汽車可完成縱向、轉彎和加減速等操作，但是仍然需要人類駕駛員隨時接管車輛。目前，包括特斯拉AutoPilot在內的自動駕駛系統均處于L2、L3級，百度“阿波龍”則是全球首款量產的L4級自動駕駛巴士。

自動駕駛或顛覆全球汽車產業鏈，谷歌、特斯拉和百度領跑中美自動駕駛。自動駕駛的顛覆性影響存在于以下方面：1）自動駕駛使車輛不再受駕駛員心理和情緒干擾，減少違反交通犯規和人為疏忽所造成的交通事故。NHTSA（美國國家公路交通安全管理局）報告顯示，特斯拉在引入AutoPilot后，每百萬英里交通事故數從1.3降至0.8。2）自動駕駛將節省人工駕駛的時間成本，根據科技智庫RethinkX估計，美國在汽車駕駛上花費了1400億小時，這部分時間釋放的生產力將使GDP增長1萬億美元。3）共享出行將成為現實，私家車保有量減少將大幅降低溫室氣體排放。汽車行業巨大市場規模以及自動駕駛顛覆性影響讓科技巨頭紛紛入局自動駕駛，目前谷歌、特斯拉和百度分別領跑中美自動駕駛賽道：

• 谷歌：先發優勢明顯，測試里程、傳感器制造設計和全自動駕駛均領先其他廠商。谷歌是科技巨頭中最早布局自動駕駛的企業，2009年谷歌就創建了自動駕駛項目，2012年谷歌獲得了美國第一張自動駕駛測試牌照。先發優勢已形成了技術上領先：1）測試里程遠超其他廠商：截止2018年8月谷歌自動駕駛測試里程數已達900萬公里。2）擁有自己設計制造的自動駕駛硬件傳感器：包括激光雷達、視覺傳感器等。3）公路測試完全自動駕駛：2017年末谷歌路測完全自動駕駛，即測試車輛中沒有駕駛員掌握方向盤。2016年12月，谷歌自動駕駛Waymo脫離谷歌母公司Alphabet獨立運作，開啟了商業化進程，目前已經在美國菲尼克斯推出了600輛無人出租車供志愿者試用。

• 特斯拉：AutoPilot商業化早，且用戶體驗好，但技術存風險。特斯拉AutoPilot是最早商業化且受關注程度最高的自動駕駛技術，2015年特斯拉為Model S開啟了AutoPilot功能。從技術能力來看，AutoPilot處于L2、L3級。從用戶體驗來看，AutoPilot操作簡單，對道路環境的寬容度高，且能及時、準確處理變道和插隊情況。不過，AutoPilot發生了多起因未能識別障礙物而發生的車禍，技術仍然存在巨大風險。2016年5月美國弗羅里達州一位車主使用自動駕駛時發生事故死亡，同年1月AutoPilot在中國京港粵高速上因未能識別道路清掃車而發生撞擊致死事故。

• 百度：自動駕駛研發明顯領先騰訊和阿里，商用型L4級自動駕駛客車“阿伯龍”已量產下線。百度是中國自動駕駛賽道最早的入局者，百度啟動自動駕駛項目、成立自動駕駛事業部、獲得T3牌照和推出自動駕駛平臺的時間節點均領先于騰訊和阿里。2018年7月百度自動駕駛技術已進入商業化階段，百度和金龍客車推出的首款商用型L4級自動駕駛客車“阿伯龍”正式量產下線，將在北京、雄安、深圳和日本東京等地進行商業化運營。

文：恒大研究院  任澤平  羅志恒  馬家進

       實習生馬燕妮對此文有貢獻

2018年諾貝爾經濟學獎授予耶魯大學的諾德豪斯（William D. Nordhaus）和世界銀行前首席經濟學家羅默（Paul M. Romer），以表彰其在創新、氣候和經濟增長研究中的貢獻。此次獲獎的兩個主題共同指向經濟的長期可持續發展。當前中國經濟已從高速增長轉入高質量發展階段，從依賴要素轉向依靠科技創新與人力資本建設；資源環境對經濟發展的約束增強，“污染防治”提高到三大攻堅戰的位置，經濟不再片面追求GDP規模，注重環境保護和經濟的可持續發展。本文梳理兩位諾獎得主的主要經濟思想和理論貢獻，同時提出對中國經濟的啟示與建議。

經濟學圍繞“經濟為什么會增長？”、“經濟為什么會波動？”形成了經濟增長和周期理論。各流派的經濟學家提出各種理論解釋分析，尤其是對經濟增長的探索不斷推進，亞當·斯密的社會分工、馬爾薩斯的人口決定、馬克思的兩部門再生產理論、熊彼特的“創新理論”等均解釋了經濟增長的動力，但現代增長理論的起點是哈羅德-多馬模型的出現，索洛模型意味著現代增長理論的成熟。索洛模型提出人口增長率、儲蓄率和技術水平決定經濟增長，但是技術水平（全要素生產率TFP）是外生變量，該模型并未回答什么決定技術水平，沒有解釋長期經濟增長的真正來源。與此同時，新古典增長理論始終無法解釋兩大現實問題：各國經濟的長期持續增長問題、不同國家人均收入存在的巨大差異問題。直到1980年代中期，以羅默、盧卡斯等人為代表的經濟學家提出了以“內生技術變化”為核心的全新經濟增長理論。羅默建立了內生技術變化的長期增長模型，認為技術進步是經濟增長的核心；大部分的技術進步源于市場激勵而致的有意識的投資行為，即技術是內生的；創新能使知識成為商品，知識和人力資本具有規模收益遞增，從而能夠促進經濟長期持續增長。羅默的內生增長理論具有較強的政策意義，核心主張是投資教育和提高研究開發的人力資本存量等促進技術進步的政策措施十分必要。

經濟學的核心是實現有限資源的最優配置，追求資源約束下的效用最大化。人類經濟社會發展的外部約束之一是其所處的自然環境。諾德豪斯致力于研究的問題是人類的經濟活動如何影響自然環境，自然環境變化又將如何作用于人類社會，人類要怎樣才能實現與自然的良性互動，具體表現為碳排放、氣候變化與經濟增長之間的相互作用機制。主張建立全球碳稅機制和用“凈經濟福利指標”衡量經濟產出，奠定了“綠色GDP”核算的理論基礎。

當前我國正轉型高質量發展，兩位諾獎得主的經濟思想對我國發展具有重要啟示和政策意義：1、加強科技研發和教育投入，向基礎科研傾斜，降低高科技企業的增值稅稅率，探索人力資本和知識密集型行業人員工資的增值稅抵扣，落實并繼續提高研發費用加計扣除比例的措施，提高創新能力和人力資本。2、改革科技管理體制，賦予研究人員更大的自由度，預算管理上放寬薪酬發放的限制，賦予科研人員科研產權以激發積極性。3、加強產權保護，穩定科研人員和企業家信心以利于長期投資。4、繼續堅持對外開放，加強國際間的知識、科技交流與合作。5、通過大幅降低關稅、減稅清費、放開行業管制、打破壟斷等促進制造業和服務業開放，引起外資和民間資本，促進市場競爭、知識外溢、技術研發和產業升級。6、完善環境保護相關的制度安排與政策執行，適時開征碳排放稅，作為地方稅，提高資源稅稅率，將高污染、高耗能行業納入消費稅征收范圍并提高消費稅稅率。7、提高環保政策制定的專業性，避免一刀切式的懶政和惰政，尤其要避免對中小企業和民營經濟的誤傷。

一、羅默與諾德豪斯生平簡介

羅默（Paul Romer）是內生增長理論的創建者，提出“憲章城市”理論，集學者、創業者、世行官員身份于一身。羅默于1983年獲芝加哥大學經濟學博士學位，先后在羅徹斯特大學、芝加哥大學、加州大學伯克利分校、斯坦福大學和紐約大學任教。1986年，羅默在《收益遞增經濟增長模型》中提出了內生經濟增長模型，認為人力資本、知識投資和創新是經濟增長的源泉，是內生增長理論的創建者。羅默在城市化研究方面提出“憲章城市”理論，認為制度對經濟發展至關重要，發展中國家可以香港為藍本，辟出一塊試驗區，借用發達國家的政治經濟制度，將該實驗區交給發達國家托管，并計劃在洪都拉斯將該理論付諸實踐，但因被質疑為“殖民主義”的新形式而未能實現。羅默還是成功的創業者，2001年創立以“知識付費”為主要模式的Aplia，Aplia匯集各類科目與權威教科書相對接的網上預習、復習、網上測驗等功能。羅默曾專任總裁，后將Aplia出售給Cengage Learning。2016年10月至2018年1月，羅默擔任世界銀行首席經濟學家兼高級副行長。

諾德豪斯（William Nordhaus）是環境經濟學的開拓者，奠定“綠色GDP”核算的理論基礎，從政治經濟學角度研究美國經濟周期，提出“機會主義周期理論”，因與薩繆爾森合著教科書《經濟學》為公眾所熟知。諾德豪斯于1967年獲麻省理工學院經濟學博士學位，師從薩繆爾森和索洛等經濟學大師，其間接觸的“外部性”理論成為其后續經濟學成就的重要思想來源，此后他一直在耶魯大學任教，現為耶魯大學的“斯特林經濟學教授”。諾德豪斯運用“負外部性”研究環境與經濟的關系，并將家政服務、社會義工等活動納入GDP核算，奠定“綠色GDP”核算的理論基礎。諾德豪斯相對其他經濟學家，重視政治在經濟活動中的作用，從政治經濟學角度研究美國經濟周期，提出“機會主義周期理論”，認為政黨政治與經濟存在相互影響的關系。他是美國國家科學院院士和美國藝術與科學院院士、國家經濟研究局研究員、布魯金斯經濟活動小組的成員和高級顧問，于1977-1979年擔任總統經濟顧問委員會成員，并曾在國家科學院的多個委員會任職。其研究領域覆蓋宏觀經濟學、環境經濟學和資源經濟學，并因與薩繆爾森合作著名教科書《經濟學》而被公眾所熟知。

二、主要經濟思想與理論貢獻

羅默與諾德豪斯研究的主題共同指向經濟的長期可持續發展。

（一）羅默“內生增長理論”：知識、技術和創新是經濟增長動力

亞當·斯密的社會分工、馬爾薩斯的人口決定、馬克思的兩部門再生產理論、熊彼特的“創新理論”等均解釋了經濟增長的動力，但現代增長理論的起點是哈羅德-多馬模型的出現，索洛模型意味著現代增長理論的成熟。索洛模型提出人口增長率、儲蓄率和技術水平決定經濟增長，但是技術水平（全要素生產率TFP）是外生變量，該模型并未回答什么決定技術水平，即未能夠解釋長期經濟增長的真正來源。與此同時，新古典增長理論始終無法解釋兩個現實問題。第一，各國經濟的長期持續增長問題。經濟增長率的長期數據表明人均產出的增長是遞增而非遞減的，而新古典增長理論建立在資本邊際收益遞減的前提，資本的邊際產品增長率是趨于下降的，而技術是外生變量得不到解釋。第二，不同國家人均收入存在的巨大差異問題。按照新古典增長理論從長期的發展看，發展中國家的增長率是可以與發達國家趨同的。但根據以往資料，隨著經濟的發展，發達國家與發展中國家收入有不斷拉大的趨勢。經過1950年代中期至1960年代末期經濟增長理論的黃金時期，1970年代初期以來，有關增長理論的文章突然從西方各主要學術期刊上基本消失了。直到1980年代中期，以羅默（1986）、盧卡斯（1988）等人為代表的經濟學家摒棄了新古典增長理論的核心假設，提出了以“內生技術變化”為核心的全新的經濟增長理論，探討了長期增長的可能前景，經濟增長理論研究進入新的發展階段。

1、第一個內生增長模型：技術內生，知識和專業化的人力資本

1983年羅默在芝加哥大學完成的博士論文《動態競爭分析中的外部性和收益遞增》，被視為新增長理論的代表作。該文提出了經濟學中最古老的問題之一：在以收益遞減和稀缺為特征的物質世界中是什么維持經濟的增長？

1986年羅默在此基礎上發表了著名的論文《收益遞增和長期增長》，文章構建了一個具有內生技術變化的長期增長模型。該模型假定完全競爭并采用收益遞增和技術外部性來解釋經濟增長。羅默認為特殊的知識和專業化的人力資本是經濟增長的主要因素，知識和人力資本不僅能使自身形成遞增收益，而且能使資本和勞動等要素也產生遞增收益，從而整個經濟的規模收益遞增，保證了經濟的長期增長。

該模型的經濟意義和政策含義在于：（1）知識能夠提高投資收益率，解釋了收益率隨著時間變化以及各國經濟增長率不一致的原因。（2）與資本一樣，知識是一種生產要素，國家必須以對待機器投資的同樣方式對待知識投資。（3）由于過去的資本對知識積累是有益的，因而存在著投資促進知識、知識促進投資的良性循環。這意味著，投資的持續增加能夠長期地提高一個國家的增長率，這一點突破了傳統理論的觀點，同時說明規模經濟對經濟增長的作用，大國總可以比小國增長得快，從而推翻了新古典絕對趨同的結論。

該模型的缺陷：完全競爭的假設條件限制了模型的解釋力和實用性，無法較好地描述知識和技術商品所具有的非競爭性和部分排他性的特殊屬性。因此，羅默開始在壟斷競爭的假設下研究經濟增長問題。

2、第二個內生增長模型：四要素三部門模型，投資教育和提高研發的人力資本存量能夠促進技術進步，引致經濟增長

1990年羅默在《內生技術進步》中又提出了他的第二內生增長模型，即四要素三部門模型。該模型有三個基本前提或假定：第一，技術進步是經濟增長的核心；第二，大部分的技術進步源于市場激勵而致的有意識的投資行為，即技術是內生的。第三，創新能使知識成為商品。羅默特別強調知識商品的特殊性：使用上的非競爭性(nonrival)和占有上的部分排他性(partially excludable)。由此產生了兩個重要結果：（1）使用上非競爭性的商品可以無限地累積增長；（2）不完全的排他性和不完全的獨占性使知識可以產生溢出（spillover）效應，經濟具有長期的收益遞增性。

該模型的經濟可分為三個部門：研發部門、中間品生產部門和最終品生產部門，研發部門把知識產品賣給中間品部門用于生產機械等，中間品部門將產品賣給最終品部門，研發部門因知識的部分排他性（有期限的知識產權保護期）獲得利潤。有四種投入要素：有形資本、非熟練勞動力、人力資本和技術水平。人力資本指熟練勞動力，用受教育的時間來表示，人力資本水平在所有經濟中短期是固定的，技術水平隱含在先前的創新產品之中。知識由兩部分組成：一是人力資本，它具有競爭性；二是技術水平，它是非競爭性的，可實現無限的增長。模型假定人口是固定的，人力資本用于最終品生產和新知識的生產。

該模型的經濟含義和政策結論是：（1）增長率隨著研究的人力資本的增加而增加，與勞動力規模以及生產中間產品的工藝無關。大力投資于教育和研究開發有利于經濟增長，而直接支持中間品的投資政策無效；（2）人力資本的規模是至關重要的，居民的文化程度對產出的收益遞增必不可少。一個國家必須盡力擴大人力資本存量才能實現更快的經濟增長。經濟落后國家人力資本低，研究投入的人力資本少，增長緩慢，經濟將長期處于“低收入的陷阱”。（3）由于知識的溢出效應和專利的壟斷性，政府的干預是必要的。政府可通過向研究者、中間產品的購買者、最終產品的生產者提供補貼的政策，實施有期限的知識產權保護，以提高經濟增長率和社會福利水平。（4）開放有利于增加知識和技術的生產與積累。

3、羅默的政策主張：投資教育和研發，促進技術進步

羅默的政策主張核心觀點是技術進步是經濟增長最主要的動力，投資教育和提高研究開發的人力資本存量等促進技術進步的政策措施十分必要。

羅默既不贊成新古典市場調節的政策建議，也不同意凱恩斯主義的主張。他認為，政策不應把注意力集中在經濟周期的治理上，而應著力促進發展新技術的各種政策，忙于進行“微調”和尋求操縱“軟著陸”的方法是不對的。政府應較少地投資基礎設施，使基礎設施投資私人化是正確的選擇。政府應補貼以大學為基地的科學和技術的開發，或建立法律框架以鼓勵風險資本和資本的自由流動等。對于科技政策，羅默認為大學的作用在于探索基本的概念，著眼國家的安全和需要，追求長遠利益。大學不應以商業和經濟為目的，應給大學提供良好的環境，不能把大學里的研究推向私人部門。 

（二）諾德豪斯：開拓環境經濟學，研究碳排放、氣候變化與經濟增長

經濟學的核心是實現有限資源的最優配置，追求資源約束下的效用最大化。人類經濟社會發展的最大外部約束之一是其所處的自然環境，某地能源或礦產的發現帶來繁榮，資源的耗竭又引發衰落，不同地區之間通過自由貿易交換資源，或發動戰爭掠奪資源。在討論人與自然的關系時，經濟學家更關注能源礦產等自然資源的稀缺性，典型代表如羅馬俱樂部《增長的極限》，而往往忽視自然環境承載力的有限性，低估環境污染和生態破壞產生的不良后果。

近年來極端氣候出現的頻率不斷上升，幾十年一遇的災害時有發生，其中一個重要誘因便是全球變暖，背后則是人類活動帶來的大量碳排放。諾德豪斯致力于研究的問題是人類的經濟活動如何影響自然環境，自然環境變化又將如何作用于人類社會，人類要怎樣才能實現與自然的良性互動，具體表現為碳排放、氣候變化與經濟增長之間的相互作用機制。

1、氣候-經濟綜合評估模型：經濟活動與氣候變化的交互影響

諾德豪斯對該領域的研究始于1970年代，當時科學家越來越關注化石燃料燃燒產生的溫室氣體排放帶來的全球變暖問題及其可能引發的后果。該領域屬于交叉學科，自然科學可以查明全球變暖的前因后果，但缺乏對經濟活動與政策制定的理解；經濟學擅長于后者，但對前者無能為力。諾德豪斯集自然科學與經濟學之所長，在索洛增長模型中納入碳排放帶來的全球變暖的負外部性，開創性地構建了一個關于全球經濟-氣候系統的簡單、動態且量化的模型框架，即綜合評估模型（IAMs），以研究經濟活動與氣候變化之間的雙向反饋循環。該模型框架能夠模擬經濟和氣候在不同的自然、市場與政策假設下如何共同演化，進而在不同的全球場景和政策干預中做出最優選擇。

諾德豪斯的綜合評估模型（IAMs）包含三大相互作用的模塊：

碳循環模塊分析了全球的CO2排放如何影響大氣中CO2的濃度，刻畫了CO2排放如何在三個碳庫（大氣、海洋表面和生物圈、深海）之間循環。該模塊構建了大氣中CO2濃度的時間曲線。

氣候模塊分析了CO2及其他溫室氣體的大氣濃度如何影響進出地球的能量流之間的平衡，刻畫了全球能量收支隨時間的變化。該模塊構建了氣候變化關鍵指標（全球氣溫）的時間曲線。

經濟增長模塊分析了經濟主體如何運用資本、勞動和能源進行生產活動，描述了不同的氣候政策（碳稅或碳配額）如何影響經濟增長和CO2排放。該模塊構建了GDP、社會福利和全球CO2排放的時間曲線，以及氣候變化造成破壞的時間曲線。

上述三大模塊共同組成了一個簡單、動態交互的世界模型，有兩大版本：區域綜合氣候-經濟（RICE）模型以及動態綜合氣候-經濟（DICE）模型。諾德豪斯的綜合評估模型（IAMs）能夠模擬出保持現狀或者采用不同政策干預產生的結果，有助于將市場經濟引向平衡社會成本與收益的合理碳排放水平。 

2、諾德豪斯的政策主張：碳稅和綠色GDP核算

諾德豪斯建議，解決溫室氣體排放問題的最高效方式是建立全球碳稅機制。環境污染具有較強的負外部性，一國的溫室氣體排放進大氣層，引發全球變暖，最終造成他國受損。環境污染的總成本并不完全由污染者自身承擔，從而導致污染高于均衡水平，社會福利減少。政府需要通過征收庇古稅來糾正負外部性，使用碳稅或碳交易等政策干預抑制溫室氣體排放。諾德豪斯的量化模型為計算最優的碳稅安排提供了條件。

考慮到外部性問題，諾德豪斯和托賓提出了“凈經濟福利指標”(net economic welfare)，主張把城市中的污染、國防開支和交通堵塞等經濟行為產生的社會成本從GDP中扣除；同時加入以往通常被忽略的經濟活動，例如家政服務、社會義工等，奠定了“綠色GDP”核算的理論基礎。

3、機會主義周期理論：政黨政治對經濟周期的影響

諾德豪斯是一位研究興趣廣泛且高產高質的經濟學家，除了上述環境經濟學方面的卓越貢獻以外，他在宏觀經濟學領域也有突出表現，其中影響最大的是1975年發表的《政治經濟周期》，被引次數高達4786。諾德豪斯在該文中提出了“機會主義周期理論”，認為政黨政治會對經濟周期產生顯著影響。

在以往的經濟周期理論當中，政府通常扮演超然無私的社會計劃者的角色，其主要職責是進行逆周期調控以平抑經濟波動。但是事實上組成政府的政黨和官員都是理性自利的經濟個體，其機會主義行為是經濟周期波動的重要來源之一。對于執政黨和在任官員來說，最重要的是下屆連任。而選民具有兩大特點：一是根據通脹和失業等經濟表現選擇是否支持，二是較為短視，近期的經濟表現對其投票決策影響更大。因此執政黨和在任官員會采取機會主義行為，在選舉之前通過財政擴張等方式刺激經濟來吸引選票，在選舉之后再進行政策緊縮彌補赤字抑制通脹。定期選舉和政黨操縱導致經濟出現周期性的擴張和收縮，從而使經濟呈現出顯著的政治周期。

三、對中國發展的啟示

羅默提出的經濟增長動力源于知識技術的生產，諾德豪斯提出的環境與經濟增長的關系，對中國實現高質量發展有諸多啟示。

1、加強科技研發和教育投入，降低高科技企業的增值稅稅率，探索人力資本和知識密集型行業人員工資的增值稅抵扣，落實并繼續提高研發費用加計扣除比例的措施，提高創新能力和人力資本。近年來我國科研投入增速較快，研發支出/GDP達到2.1%，但與美國的2.7%仍有差距，更低于韓國和日本，總投入為美國的1/2，每百萬人口擁有的研發人員僅為美國的1/4。在研發支出構成中，我國側重應用研究，基礎研究與美國比低11.8個百分點。因此，第一，繼續加大研發和教育投入，調整支出結構，向基礎科研傾斜，提高經費使用效率。第二，降低高科技研發企業的增值稅稅率。第三，針對人力資本和知識密集型企業難以取得足夠增值稅抵扣的情況，探索員工工資的增值稅抵扣。第四，目前研發支出加計扣除比例已經提高到75%，需全面落實并加大力度逐步提高至100%。

2、改革科技管理體制，賦予研究人員更大的自由度，預算管理上放寬薪酬發放的限制，國外經驗表明人員費是基礎科學研究經費支出的主要部分，賦予科研人員科研產權以激發積極性。強化多來源的成果評價機制，區分基礎科學研究與應用基礎科學研究的評價體系?；A科學成果由學術共同體評價，聘請國際科研人員，主要考核其對學科發展的意義；應用基礎研究成果由第三方應用部門根據實際應用情況評價。加強基礎研發，降低政府機構研發的比重，提高高等院校研發經費的比重。改革教育管理制度，夯實基礎教育，提高高等教育投入，放開教育行業管制，改革教育理念，充分給予學術討論的自由，生產思想與人才。與美國比，我國學前教育較好，但高等教育嚴重滯后。

3、加強產權保護，穩定科研人員和企業家信心以利于長期投資。知識技術具有顯著的正外部性，產權保護的缺失將導致技術創新放緩，研發投入不足。要實現由“中國制造”轉向“中國智造”，除了支持高校等科研機構的基礎性研究以外，還要建立適當的產權保護制度，充分保障技術創新的未來收益，激勵科研人員和企業家積極投入應用性研究，實現長期可持續的良性發展。

4、繼續堅持對外開放，加強國際間知識、科技的交流與合作。新經濟增長理論認為開放經濟有利于知識的積累，從而促使經濟發展世界各國的經濟發展。經驗也表明，開放的國家經濟發展速度顯著快于封閉的國家。

5、通過大幅降低關稅、減稅清費、放開行業管制、打破壟斷等促進制造業和服務業開放，引入外資和民間資本，促進市場競爭、知識外溢、技術研發和產業升級。中國改革開放四十年以來所取得的巨大成就，相當程度上要歸功于引入國外先進技術和管理所帶來的全要素生產率提高。當前中國的生產效率相比發達國家還有很大的提升空間，進一步開放帶來的競爭和技術引進將助力中國實現經濟和產業的轉型升級。

6、完善環境保護相關的制度安排與政策執行，適時開征碳排放稅，提高資源稅稅率、改革消費稅。習近平總書記提出“綠水青山就是金山銀山；生態環境保護是功在當代、利在千秋的事業”。黨的十九大報告要求堅持節約資源和保護環境的基本國策，實行最嚴格的生態環境保護制度?！拔廴痉乐巍北涣腥肴蠊詰鹬?。為提高資源使用效率和加強環保，可以適時開征碳排放稅，作為地方稅，提高資源稅稅率，將高污染、高耗能行業納入消費稅征收范圍并提高消費稅稅率。

7、提高環保政策制定的專業性，避免一刀切式的懶政和惰政，尤其要避免對中小企業和民營經濟的誤傷。環境污染的外部性存在代際和區域之間的不平衡，經濟和環境之間存在復雜的動態交互作用，因此環保政策的制定需要科學的分析框架和專業的智力支持。制定環保政策時要考慮經濟個體的激勵約束，通過激勵相容達到最優效果。要通過完善而長期的制度安排抑制污染排放，而不是采取運動式的行政手段一刀切關停相關企業。

四、代表性文章

羅默主要的學術論文：

"Growth Cycles", with George Evans and Seppo Honkapohja (American Economic Review, June 1998). 

"Preferences, Promises, and the Politics of Entitlement" (Individual and Social Responsibility: Child Care, Education, Medical Care, and Long-Term Care in America, Victor R. Fuchs (ed.), Chicago: University of Chicago Press, 1995).

"New Goods, Old Theory, and the Welfare Costs of Trade Restrictions," Journal of Development Economics, No. 43 (1994), pp. 5–38.

"Looting: The Economic Underworld of Bankruptcy for Profit" with George Akerlof (Brookings Papers on Economic Activity 2, William C. Brainard and George L. Perry (eds.), 1993, pp. 1–74). 

"Economic Integration and Endogenous Growth," with Luis Rivera-Batiz (Quarterly Journal of Economics CVI, May 1991, pp. 531–55). 

"Endogenous Technological Change" (Journal of Political Economy, October 1990). 

"Increasing Returns and Long Run Growth" (Journal of Political Economy, October 1986). 

"Cake Eating, Chattering and Jumps: Existence Results for Variational Problems" (Econometrica 54, July 1986, pp. 897–908).

諾德豪斯主要的學術論文：

“Resources as a Constraint on Growth,” American Economic Review, Volume 64, No. 2, 1974.

“The Political Business Cycle,” Review of Economic Studies, April 1975.

“Economic Growth and Climate: The Case of Carbon Dioxide,” The American Economic Review, May 1977.

“How Fast Should We Graze the Global Commons?,” American Economic Review, Volume 72, 2, May 1982.

“A Sketch of the Economics of the Greenhouse Effect,” American Economic Review, May 1991.

“To Slow or Not to Slow: The Economics of the Greenhouse Effect,” The Economic Journal, July 1991, vol. 101, pp. 920-937.

“Rolling the 'DICE': An Optimal Transition Path for Controlling Greenhouse Gases,” Resource and Energy Economics, vol. 15, 1993, pp. 27-50.

“A Regional Dynamic General-Equilibrium Model of Alternative Climate-Change Strategies,” with Zili Yang, American Economic Review, vol. 86, No. 4, September 1996, pp. 741-765.

論文列表來源：

https://ideas.repec.org/e/pro45.html

https://sites.google.com/site/williamdnordhaus/cv