作，将算法的商业价值变现。对于开放算法，将深度学习直接用于ADAS领域的公司，将迎来一次机会，如Comma.ai、Driv.ai这样的公司。
（4）趋势4:自动驾驶深度学习专用集成电路处理器
专用集成电路（ASIC）是根据特定客户要求和特定电子系统的需要而设计、制造的集成电路。在批量生产时，与通用集成相比具有体积更小、功耗更低、可靠性更高、保密性更强、成本更低等优点。将深度学习算法应用在自动驾驶并且利用特定芯片实现深度学习功能的专用处理器，相比于FPGA，ASIC牺牲灵活性换取尺寸和功耗下降，ASIC去除了芯片中与算法实现无关的组件，在牺牲灵活性的同时，极大地提升了自动驾驶深度学习的效率。
(5)趋势5：物流行业的无人驾驶应用
物流领域的无人驾驶应用，使用物流无人驾驶能为物流行业解决以下三个问题。
①路线较为固定，降低了环境的复杂性，有利于提升无人驾驶的安全性。
②该细分领域司机疲劳驾驶情况比较明显，无人驾驶可以提高安全性。
③有效降低运营的人力成本，提升行业效率。
2.4 AI产业发展趋势分析
如图2-18所示，人工智能产业链可以分为基础设施层、技术层和应用产品层，各层的发展趋势如下。
基础设施层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云计算服务商。在过去的5\~10年，人工智能技术得以商业化，主要得益于传感器等硬件价格快速下降、云服务的普及以及GPIJ等芯片使大规模并行计算能力得以提升。人工智能产业在基础设施层面的搭建已经基本形成。
技术层，主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。与其他技术相比，语音识别在技术和应用方面都已经较为成熟，谷歌、亚马逊、苹果、百度、阿里等巨头的布局很深，科大讯飞等企业也显示了良好的增长势头。另外，计算机视觉尤其是人脸识别、自然语言处理等方向也将是技术和应用发展较快的领域。
处于应用产品层的企业，主要是把人工智能相关技术集成到自己的产品和服务中，然后切入特定场景（金融、家居、医疗、安防、车载等）。未来数据完整（信息化程度原本就比较高的行业或者数据洼地行业）、反馈机制清晰、追求效率动力比较强的场景或将率先实现AI技术的大规模商业化。目前来看，自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好的方向。
第2章 AI产业
55