时间：2023-08-09 17:32:58
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇医学影像技术发展现状，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
【关键词】计算机 图像识别 应用
1 计算机图像识别技术的特点及其发展现状
1.1 技术特点
计算机图像处理与识别技术又被称之为图像识别（Image Recognition，下面简称IR技术），它的技术核心是计算机与信息两种当前最为先进的技术，其中计算机系统是该技术得以实现的载体，主要负责完成各种输入图像的处理与分析，再将分析结果与数据库中的有关信息进行比对，从而实现对不同对象的准确识别。IR技术是时代进步的产物，它是一种非常强大的技术，可以帮助使用者从大量的图像当中得到有价值的信息，由此使得该技术在多个领域中获得了广泛的应用，其在对图像进行识别的过程中，主要是利用空间映射来获取基本的图像，然后再借助计算机的分析与处理能力，通过对图像特征的提取，并将之与数据库中存储的相关信息进行对比和匹配，确保了图像处理后的高清晰度和可识别性。IR技术之所以在各个领域内得到了广泛应用与其自身所具备的诸多特点有着密不可分的关系，下面对技术的一些特点进行简要阐述。
1.1.1 超大的信息处理量
IR技术是以计算机为载体，以系统软件和数据库作为支撑，在硬件与软件配置全部满足条件的前提下，它可以对大量的图像信息进行有效的处理，并在较短的时间内完成图像的识别。
1.1.2 超高的精确度
传统的图像识别由于受到技术水平的限制，只能够对单个的图像进行处理，通过将图像中的信息以数字化形式转换为2D数组，实现对图像的处理与识别，识别结果的精确度并不是很高。而IR技术借助了计算机系统强大的处理能力，并利用信息技术和数据库，使图像识别可以满足用户对图像精确度的要求。
1.1.3 超强的灵活性
利用IR技术进行图像识别时，借助计算机系统可对图像进行放大处理，这使得该技术变得更较灵活，再通过相关的运算方法便可完成整个图像的处理与识别过程。
1.2 发展现状
从IR技术的发展历程上看，其经历了以下三个阶段，第一个阶段是对文字信息的识别，第二个阶段是对数字化信息的处理，第三个阶段是对物体的识别。第一个阶段起始于上个世纪50年代，在当时，文字识别的主要对象是字母、符号等，很多领域中的专用设备对该技术进行了利用；第二个阶段是在上个世纪60年代中期，随着科技的不断发展，数字图像逐步被运用到了图像识别的研究领域当中，数字化的图像处理以其自身所具备的诸多优势，给图像识别的发展提供了条件；在前两个阶段的基础之上，IR技术利用人工智能化的各种研究成果实现了对物体的识别，至此该技术在各个领域及行业中得到了越来越广泛的应用。提升对图像的识别能力是IR技术发展过程中的核心及重点，目前，在业内专家学者的不懈研究下，该技术已经日趋成熟，经过计算机处理之后的图像信息，无论是在清晰度方面，还是在可识别性方面都有了非常显著的提升。
2 图像识别技术的应用及细节问题
现阶段，IR技术在各个领域及行业中获得了广泛应用，下面本文重点对该技术在交通、医学、安防和农业等几个领域中的应用及一些细节问题进行分析。
2.1 在交通领域的应用
在交通领域中，IR技术主要被应用于ITS系统当中，具体的应用范围包括以下几个方面：
2.1.1道路识别
在交通环境中，由于路况较为复杂，所以经常需要运用车载导航来识别不同环境下的路况信息，IR技术的应用，能够快速识别出各种不同的路况，从而为驾驶员提供有效的信息，确保了行车的安全性。
2.1.2车辆检测
对于交通监控系统而言，车辆检测是重要环节，而想要对交通路网中的各种车辆进行有效的识别与跟踪，就必须对车辆进行准确地分割，在此基础上才可以实现对交通流信息的测量与分析，换言之车辆检测是交通流各类参数测量的基础。利用IR技术能够将交通路网中的各种车辆进行准确地分割，为车辆计数、车流量、行车速度等交通流参数的测量提供了条件。
2.2在安防领域的应用
在当前的社会中，人们开始逐步认识到安防的重要性，由此推动了安防领域的发展，各种视频监控系统层出不穷。对于这类系统而言，在应用时，需要通过人工的方式对视频图像进行查看，这无形中增大了劳动强度。IR技术与安防技术的融合，使这一问题得到了有效的解决。基于IR技术的视频智能分析系统可以对前端采集到的图像信息进行智能分析，并将其中有效的信息提取出来，减轻了使用者的工作量，真正意义上地实现了视频监控自动化。
2.3 在医学领域中的应用
医学是与人类健康有关的重要领域之一，推动它的发展对于人类而言意义重大。目前，IR技术在医学领域中有着十分广泛的应用，尤其是在临床和病理研究中。例如，CT（电子计算机断层扫描），它实质上就是IR技术的扩展应用；又如微创手术中的手术导航技术，它是利用IR技术和医学影像，获悉患者的情况，据此制定最为合理可行的手术方案，并在手术前完成模拟操作。
2.4 在农业中的应用
我国是农业大国，农业的发展对于国民经济增长有着至关重要的作用。在农业生产中，应用IR技术可对农作物的生长过程进行监测与评价，还能对农产品进行质检。在农场中，通过IR技术可以进行病虫害的图像诊断，并对整个农场进行全景图像监控。
3 结论
综上所述，本文在简要阐述IR技术的特点及其发展现状的基础上，从交通、医学、安防和农业等几个领域，对IR技术的应用及细节问题进行了分析。期望通过本文的研究，能够在促进IR技术发展的同时，使其在更多的领域中得到更广泛的应用。
参考文献
[1]杨劲峰，陈清，韩晓日.数字图像处理技术在蔬菜叶面积测量中的应用[J].农业工程学报，2012（10）：78-79.
[2]杨小冬.宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报，2014（12）：124-126.
[3]孙凤杰，崔维新，张晋保等.远程数字视频监控与图像识别技术在电力系统中的应用[J].电网技术，2012（5）：81-84.
[4]陈兵旗，孙旭东，韩旭.基于机器视觉的水稻种子精选技术[J].农业机械学报，2013（11）：99-101.
作者单位
据统计，2017年中国人工智能核心产业规模超过700亿元，随着各地人工智能建设的逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，年复合增长率将达31.7%。
随着人工智能技术的不断成熟，人工智能创业的难度逐步降低，越来越多的创业公司加入人工智能的阵营。
2018年被称为人工智能爆发的元年，人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面，带来生产效率及生活品质的大幅提升。智能红利时代开启！资本、巨头和创业公司纷纷涌入，将人工智能拉到了信息产业革命的风口。
如何把握产业动向，抓住风口机会？创业邦研究中心凭借在人工智能等前言科技领域持续研究、洞察的能力，在对国内人工智能创业公司进行系统调研的基础上，推出《2018中国人工智能白皮书》，对人工智能的核心技术、主要应用领域、巨头和创业公司的布局、未来发展态势和投资机会进行了深度解析。
第一部分人工智能行业发展概述
1.人工智能概念及发展
人工智能（Artificial Intelligence， AI）又称机器智能，是指由人制造出来的机器所表现出来的智能，即通过普通计算机程序的手段实现的类人智能技术。
自1956年达特茅斯会议提出“人工智能”的概念以来，“人工智能”经历了寒冬与交替的起起伏伏60多年的发展历程。2010年以后，深度学习的发展推动语音识别、图像识别和自然语言处理等技术取得了惊人突破，前所未有的人工智能商业化和全球化浪潮席卷而来。
人工智能发展历程
2.人工智能产业链图谱
人工智能产业链可以分为基础设施层、应用技术层和行业应用层。
A基础层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。
B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。
C应用层，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。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方向。
人工智能产业链
资料来源：创业邦研究中心
第二部分人工智能行业巨头布局
巨头积极寻找人工智能落地场景，B、C 端全面发力。
资料来源：券商报告、互联网公开信息，创业邦研究中心整理
第三部分机器视觉技术解读及行业分析
1.机器视觉技术概念
机器视觉是指通过用计算机或图像处理器及相关设备来模拟人类视觉，以让机器获得相关的视觉信息并加以理解，它是将图像转换成数字信号进行分析处理的技术。
机器视觉的两个组成部分
资料来源：互联网公开信息，创业邦研究中心整理
2.发展关键要素：数据、算力和算法
数据、算力和算法是影响机器视觉行业发展的三要素。 人工智能正在像婴儿一样成长，机器不再只是通过特定的编程完成任务，而是通过不断学习来掌握本领，这主要依赖高效的模型算法进行大量数据训练，其背后需要具备高性能计算能力的软硬件作为支撑。
深度学习出现后，机器视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流，即机器从海量数据里自行归纳特征，然后按照该特征规律使图像识别的精准度也得到极大的提升，从70%+提升到95%。
3.商业模式分析
机器视觉包括软件平台开发和软硬件一体解决方案服务。整体用户更偏向于B端。软件服务提供商作为技术算法的驱动者，其商业模式应以“技术层+场景应用”作为突破口。软硬件一体化服务供应商作为生态构建者，适合以“全产业链生态+场景应用”作为突破口，加速商业化。
（1）软件服务：技术算法驱动者—“技术层+场景应用”作为突破口
这种商业模式主要是提供以工程师为主的企业级软件服务。有海量数据支撑，构建起功能和信息架构较为复杂的生态系统，推动最末端的消费者体验。
此类商业模式成功关键因素：深耕算法和通用技术，建立技术优势，同时以场景应用为入口，积累用户软件。视觉软件服务按处理方式和存储位置的不同可分为在线API、离线SDK、私有云等。
国内外基础算法应用对比
资料来源：互联网公开信息，创业邦研究中心整理
（2）软硬件一体化：生态构建者—“全产业链生态+场景应用”作为突破口
软硬一体化的商业模式是一种“终端+软件+服务”全产业链体系。成功的因素是大量算力投入，海量优质数据积累，建立算法平台、通用技术平台和应用平台，以场景为入口，积累用户。亮点是打造终端、操作系统、应用和服务一体化的生态系统，各部分相辅相承，锐化企业竞争力，在产业链中拥有更多话语权。
4.投资方向
（1）前端智能化，低成本的视觉解决模块或设备
从需求层面讲，一些场景对实时响应是有很高要求的。提供某些前端就本身有一定计算能力的低成本的视觉模块和设备将有很大市场需求。前置计算让前端设备成为数据采集设备和数据处理单元的合体，一方面提升了处理速度，另一方面可以处理云端难以解决的问题。
机器视觉在消费领域落地的一个障碍是支持高性能运算的低功耗、低价位芯片选择太少。从低功耗、高运算能力的芯片出发，结合先进的算法开发模块和产品，这类企业将在机器视觉领域拥有核心竞争力。
（2）深度学习解决视觉算法场景的专用芯片
以AI芯片方式作为视觉处理芯片有相当大的市场空间。以手势识别为例，传统的识别方案大都基于颜色空间，如 RGB，HSV ，YCrBr，无法排除类肤色物体及黑色皮肤对识别精度的干扰。借助深度学习，如通过 R-CNN 训练大量标注后的手势图像数据，得到的模型在处理带有复杂背景及暗光环境下的手势识别问题时，比传统方案的效果好很多。
（3）新兴服务领域的特殊应用
前沿技术带来的新领域（如无人车、服务机器人、谷歌眼镜等），对机器视觉提出了新要求。机器视觉可以让机器人在多种场合实现应用。服务机器人与工业机器人最大的区别就是多维空间的应用。目前国内的机器视觉，涉及三维空间、多维空间，其技术基本上处在初始阶段，未来存在较大市场增长空间。
（4）数据是争夺要点，应用场景是着力关键
机器视觉的研究虽然始于学术界，但作为商业应用，能解决实际问题才是核心的竞争力。当一家公司先天能够获得大量连续不断的优质场景数据，又有挖掘该数据价值的先进技术时，商业模式和数据模式上就能形成协同效应。创业公司要么通过自有平台获取数据，要么选择与拥有数据源的公司进行合作，同时选择一个商业落地的方向，实现快速的数据循环。
第四部分智能语言技术解读及行业分析
1.语音识别技术
（1）语音识别技术已趋成熟，全球应用持续升温
语音识别技术已趋成熟，全球应用持续升温。语音识别技术经历了长达60年的发展，近年来机器学习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。深度神经网络逐步找到模型结构和调参算法来替代或结合高斯混合算法和HMM算法，在识别率上取得突破。根据Google Trends统计，自2008年iPhone及谷歌语音搜索推出以来语音搜索增长超35倍。百度人工智能专家吴恩达预测，2020年语音及图像搜索占比有望达到50%。Echo热销超过400万，带动智能音箱热潮。
（2）语音识别进入巨头崛起时代，开放平台扩大生态圈成主流
语音识别即将进入大规模产业化时代。随着亚马逊Echo的大卖，语音交互技术催生的新商机，吸引大大小小的公司构建自己主导的语音生态产业链。各大公司纷纷开放各自的智能语音平台和语音能力，欲吸引更多玩家进入他们的生态系统。
（3）语音识别技术发展瓶颈与趋势
低噪声语料下的高识别率在现实环境使用中会明显下降到70-80%，远场识别、复杂噪声环境和特异性口音的识别是下一个阶段需要解决的问题。
麦克风阵列类前端技术不仅是通过降噪和声源定位带来识别率的提高，带环境音的语料的搜集、标注可用于模型的训练，有助于打造更新一代的语音识别引擎技术。语音巨头已经在布局。
在IOT包括车载领域，云端识别并非通行的最优方案，把识别引擎结合场景进行裁剪后往芯片端迁徙是工程化发展的方向。
2.自然语言处理（NLP）发展现状
（1）多技术融合应用促进NLP技术及应用的发展
深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破，比如翻译和写作。2014年开始LSTM、Word2Vec以及Attention Model等技术研究的进展，使DL有了路径在语义理解领域取得突破，并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。2014-2015年，硅谷在语义理解领域的投资热度剧增。
深度学习能最大程度发挥对大数据和算力资源的利用，语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用，应用场景越明确（如客服/助理），逻辑推理要求越浅（如翻译），知识图谱领域越成熟（如数据饱和度和标准性较强的行业），技术上实现可能性相对较低。在各种技术融合应用发展的情况下，具备获取一定优质数据资源能力并可结合行业Domain knowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。
（2）NLP主要应用场景
问答系统。问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如 IBM 的 Watson，典型的办法是把问答用FAQ索引起来，与搜索引擎相似。对每一个新问题进行检索，再将回答按匹配度进行排序，把最有可能的答案排在前面，往往就取第一个作为答案返回给用户。
图像检索。同样也是基于深度学习技术，跨模态地把文本和图片联系起来。
机器翻译。机器翻译的历史被认为与自然语言处理的历史是一样的。最近，深度学习被成功地运用到机器翻译里，使得机器翻译的准确率大幅度提升。
对话系统。对话系统的回复是完全开放的，要求机器能准确地理解问题，并且基于自身的知识系统和对于对话目标的理解，去生成一个回复。
（3）创业公司的机遇
1)机器翻译方面：经过多年的探索，机器翻译的水平已经得到大幅度提升，在很多垂直领域已经能够在相当大程度上替代一部分人工，机器翻译技术的商业化应用已经开始进入大规模爆发的前夜。
2)应用于垂直领域的自然语言处理技术
避开巨头们对语音交互入口的竞争，以某一细分行业为切入点，深耕垂直领域，对创业公司也是一个不错的选择。
第五部分人工智能在金融行业的应用分析
人工智能产业链包含基础层、技术层、应用层三个层面。基础层的大数据、云计算等细分技术被应用到金融征信、保险、理财管理、支付等金融细分领域；技术层的机器学习、神经网络与知识图谱应用于金融领域的征信与反欺诈、智能投顾、智能量化交易，计算机视觉与生物识别应用于金融领域的身份识别，语音识别及自然语言处理应用于金融领域的智能客服、智能投研；应用层的认知智能应用于金融领域的智能风控。
人工智能在金融行业的典型应用情况
资料来源：创业邦研究中心
第六部分人工智能在医疗行业的应用分析
1.人工智能在医疗行业的应用图谱
人工智能在医疗行业的应用潜力巨大，目前在健康管理、辅助诊疗、虚拟助理、医学影像、智能化器械、药物挖掘和医院管理等领域均有企业在布局，其中医学影像、药物挖掘、健康管理，辅助诊疗、虚拟助理的应用发展速度较快。
图 人工智能在医疗行业的应用图谱
资料来源：创业邦研究中心
2.人工智能在医疗行业的具体应用场景
医学影像。人工智能应用于医学影像，通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助更快的获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。 人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注，三维重建，靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。
药物挖掘。人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段：将深度学习技术应用于药物临床前研究，在计算机上模拟药物筛选的过程，包括靶点选择、药效和晶型分析等，预测化合物的活性、稳定性和副作用，快速 、准确地挖掘和筛选合适的化合物或生物，提高筛选效率，优化构效关系。临床后阶段：针对临床试验的不同阶段，利用人工智能技术对患者病历进行分析，迅速筛选符合条件的被试者，监测管理临床试验过程中的患者服药依从性和数据收集过程，提高临床试验的准确性。
虚拟助理。医疗虚拟助理是基于医疗领域的知识系统，通过人工智能技术实现人机交互，从而在就医过程中，承担诊前问询、诊中记录等工作，成为医务人员的合作伙伴，使医生有更多时间可以与患者互动。医疗虚拟助理根据参与就医过程的功能不同，主要有智能导诊分诊，智能问诊，用药咨询和语音电子病历等方向。
第七部分智能驾驶行业分析
1.智能驾驶行业产业链
智能驾驶行业的中心业务是以Google、百度为代表的智能驾驶操纵解决方案提供商和以特斯拉、蔚来为代表的成车厂商。该类厂商，上接上游软硬件提供商，下接公司和消费者，在整个业务链中扮演至关重要的一环。
产业链上游厂商多为细分技术提供商，如深度学习、人机交互、图像识别和新材料、新制造新能源等。
智能驾驶产业链图谱
资料来源：创业邦研究中心
2.智能驾驶市场分析
伴随着 ADAS 技术的不断更新，推断全球 L1-L5 智能驾驶市场的渗透率会在接下来 5年内处于高速渗透期，然 后伴随半无人驾驶的普及进入稳速增长期。在未来的 2025 年无人驾驶放量阶段后，依赖全产业链的配合而进入市场成熟期。预测到2030年，全球 L4/5 级别的自动驾驶车辆渗透率将达到 15%，单车应用成本的显着提升之 外，从 L1-L4 级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。
按照 IHS Automotive 保守估计，全球 L4/L5 自动驾驶汽车产量在 2025 年将接近 60 万辆，并在 2025- 2035 年间获得高速发展，年复合增长率将达到43%，并在2035年达到2100万辆。另有接近 7600 万辆的汽车具备部分自动驾驶功能，同时会带动产业链衍生市场的大规模催化扩张。
根据独立市场调研机构 Strategy Engineers 的预测，L4 高度自动驾驶等级下，自动驾驶零部件成本约在 3100 美元/车，其中硬件占比 45%，软件占比 30%，系统整合占比 14%，车联网部分占比 11%。按照全球 1 亿辆量 产规模计算，理想假设所有车辆全部达到 L4 高度自动驾驶水平，那么全球自动驾驶零部件市场规模在 2020 年 将达到 3100 亿美元。
第八部分中国人工智能企业画像分析
随着人工智能技术的不断成熟，人工智能创业的难度逐步降低。创新的大门吸引众多创业企业进入。为了观察行业风向，助力创新企业发展，创业邦研究中心对国内200多家人工智能创业公司进行了系统调研，从发展能力、创新能力、融资能力等多维度指标，评选出“2018中国人工智能创新成长企业50强”。
地域分布
全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比高达39.66%;其次是上海，人工智能企业占比达21.55%;位列第三的是广东，人工智能企业占达15.52%。北京以领先全国其他地区的政策环境、人才储备、产业基础、资本支持等，成为人工智能创业首要阵地;华东地区的上海、江苏、浙江均有良好的经济基础和科技实力，人工智能应用实力雄厚，也聚集了一批人工智能垂直产业园;广东互联网产业发达，企业对数据需求强烈，依靠大数据产业链推动人工智能产业发展。
行业分布
从行业大类分布来看，行业应用层的企业占比最大，为56.03%;其次是应用技术层的企业，占比达31.04%;基础技术层的企业占比最小，仅为12.93%。随着人工智能技术的发展，人工智能与场景深度融合，应用领域不断扩展，行业应用公司比重不断提升。在基础层技术方面，国际IT巨头占据行业领先地位， 国内与国际差距明显，中小初创企业很难进入。
从行业应用来看，智能金融企业占比最大，为16.92%;其次是机器人企业，占比达15.38%;位列第三的是智能驾驶和智能教育，占比均为12.31%。金融行业的强数据导向为人工智能的落地提供了产业基础，智慧金融被列入国家发展规划中，庞大的金融市场为人工智能落地带来了发展前景。机器人作为人工智能产业落地输出， 目前市场需求较大，商业机器人占据较大份额。中国智能驾驶市场在资本推动下进入者较多，企业积极推动应用落地，百度、北汽等大型企业尝试商业化落地智能驾驶汽车。人工智能推动教育个性化落地，相关初创企业涉入教育蓝海，推动智慧教育的发展。
收入情况
收入分布在500-10000万之间的企业最多，占比达49.14%;500万以下的企业位居其次，占比达 26.72%;位列第三的是10000-100000万之间的企业，占比为17.24%。
最新估值
企业最新估值均在亿元级别，且分布较为均衡。三成企业估值超过15亿元，还有企业估值达到百亿级别，如优必
选科技、达闼科技和商汤科技等，将来或将跻身人工智能独角兽企业。(备注：分析样本量剔除一半未披露企业)
第九部分典型企业案例分析
1.Atman
企业概述
Atman由来自微软的人工智能科学家和产业经验丰富的产品团队创办，提供专业领域机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品，致力于成为医学、新闻、法律等专业领域语言智能专家，为专业领域用户赋能，推动专业领域用户进入人工智能时代，助力专业领域文字智能水平实现跨越式提升。Atman已为强生、新华社参考消息、北大法宝、君合律师事务所等世界领先药企、新闻媒体、法律服务机构开发机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品。
目前Atman在北京和苏州两地运营，能快速响应全国各地客户需求。
企业团队
创始人&CEO：马磊
清华大学计算机系毕业，曾先后在微软研究院和工程院担任研究员和架构师，机器学习专家、多次创业者、曾主导多项人工智能重大项目，和申请国际专利共计15+项。
Atman公司核心团队由来自微软、百度、法电等领域高端人才和资深技术人才组成，公司员工40人，其中硕士以上学历占比60%，技术开发人员占比70%，一半以上来自微软亚洲研究院和工程院。
核心技术与产品
技术方面，擅长机器学习（深度学习、强化学习、群体智能）在复杂问题的应用，和国际专利15项，Atman神经网络机器翻译系统于2016年9月首秀，早于谷歌的GNMT，专业领域翻译效果在公测标准和行业客户测试中均持续领先。核心产品为垂直领域机器翻译、机器写作、知识图谱抽取构建、大数据智能挖掘等语言智能产品。
Atman的机器翻译产品可自动翻译编辑专业文献、报告、音视频和网页，支持私有部署和云端混合部署，提供包括数据隐私安全以及自学习的端到端解决方案。
机器写作可对海量数据进行快速搜索、过滤、聚类，根据行业需求自动生成专业文档，适用于所有专业写作场景，可大幅减少专业报告写作过程中的繁复工作，大幅提升专业领域写作效率。
知识图谱可实现海量数据的语义检索、长链推理、意图识别、因果分析，形成一个全局知识库。大数据智能采集挖掘系统为专业领域用户提供智能数据源管理、海量专业数据获取和非结构化数据自动解析并结合知识图谱提供auto-screening、知识重构、专业决策辅助，帮助用户建立强大的以专业大数据为基础的业务辅助能力。
2.黑芝麻
企业概述
黑芝麻智能科技有限公司是一家视觉感知核心技术与应用软件开发企业，2016年分别在美国硅谷和上海成立研发中心，主攻领域为嵌入式图像、计算机视觉，公司核心业务是提供基于图像处理、计算图像以及人工智能的嵌入式视觉感知平台，为ADAS及自动驾驶提供完整的视觉感知方案。
目前公司和博世、滴滴、蔚来、上汽、上汽大通、EVCARD、中科创达、车联天下和云乐新能源等展开深入合作，提供基于视觉的感知方案；除此之外，公司还在消费电子、智能家居等领域布局为智能终端提供视觉解决方案。目前公司已经完成A+轮融资。
企业团队
团队核心成员来自于OmniVision、博世、安霸、英伟达和高通等知名企业，平均拥有超过15年以上的产业经验，毕业于清华、交大、中科大和浙大等知名高校。
创始人&CEO：单记章此前在硅谷一家全球顶尖的图像传感器公司工作近20年，离职前担任该公司的技术副总裁一职，工作内容覆盖了图像传感器研发和设计、图像处理算法研发和图像处理芯片设计。
核心技术和产品
在汽车领域，黑芝麻可提供车内监控方案（DMS），自动泊车方案（AVP），ADAS/自动驾驶感知平台方案。黑芝麻智能科技提供的解决方案包括算法和芯片两个核心部分：黑芝麻感知算法从基础的控光技术，到面向AI的图像处理技术出发来提高成像质量，以及应用深度神经网络训练，结合视频处理和压缩技术，形成从传感器端到应用端的处理过程；黑芝麻芯片平台采用独有的神经网络架构，包括独有的图像处理，视频压缩和计算机视觉模块，与黑芝麻视觉算法结合，采用16nm制程，设计功耗2.5w，每秒浮点计算达20T。
3.乂学教育
企业概述
乂学教育，成立于2014年，是一家网络教育培训机构，采用人工智能和大数据技术，为学生提供量身定制学习解决方案和个性化学习内容。核心团队来自美国Knewton、Realizeit、ALEKS等人工智能教育公司，销售团队有全国40亿toC销售额的经验。
企业自主研发了针对中国K12领域的学生智适应学习产品，其核心部分是以高级算法为核心的智适应学习引擎“松鼠AI”，该产品拥有完整自主知识产权，能够模拟真实特级教师教学。企业发表的学术论文得到了全球国际学术会议AIED、CSEDU、UMAP认可，并在纽约设计了人工智能教育实验室，与斯坦福国际研究院（SRI）在硅谷成立了人工智能联合实验室。
主要产品
学生智适应学习是以学生为中心的智能化、个性化教育，在教、学、评、测、练等教学过程中应用人工智能技术，在模拟优秀教师的基础之上，达到超越真人教学的目的。该产品性价比高，以人工智能+真人教师的模式，做到因材施教，有效解决传统教育课时费用高，名师资源少，学习效率低等问题。
智适应学习人工智能系统
智适应学习人工智能系统模拟特级教师，采用图论、概率图模型，机器学习完成知识点拆分和个人学习画像，采用神经网络、逻辑斯蒂回归和遗传算法为学生实时动态推荐最佳学习路径，实现个性化教育。
业务模式
线上与线下，2B和2C相结合。以松鼠AI智适应系统教学为主，真人教师辅助，学生通过互联网在线上学习课程。开创教育新零售模式，授权线下合作学校，已在全国100多个城市开设500多家学校。
4.云从科技
企业概述
云从科技成立于2015年4月，是一家孵化于中国科学院重庆研究院的高科技企业，专注于计算机视觉与人工智 能。云从科技是人工智能行业国家队，是中科院战略先导项目人脸识别团队唯一代表，唯一一家同时受邀制定人 脸识别国家标准、行业标准的企业。2018年，云从科技成为祖国“一带一路”战略实行路上的人工智能先锋，与 非洲南部第二大经济体津巴布韦政府完成签约。
云从科技奠定了行业领导地位： 国家肯定，国家发改委2017、2018年人工智能重大工程承建单位；顶层设计，唯一同时制定国标、部标和行标的人工智能企业；模式创新，三大平台解决方案，科学家平台、核心技术平台和行业应用平台。
企业核心团队
创始人
周曦博士，师从四院院士、计算机视觉之父—ThomasS.Huan黄煦涛教授，专注于人工智能识别领域的计算机视觉 研究。入选中科院“百人计划”，曾任中国科学院重庆研究院信息所副所长、智能多媒体技术研究中心主任。
周曦博士带领团队曾在计算机视觉识别、图像识别、音频检测等国际挑战赛中7次夺冠;在国际顶级会议、杂志 上发表60余篇文章，被引用上千次。
核心技术团队
云从科技依托美国UIUC和硅谷两个前沿实验室，中科院、上海交大两个联合实验室上海、广州、重庆、成都四 个研发中心组成的三级研发架构。目前研发团队已经超过300人，80%以上拥有硕士学历。
技术优势
全方位多维智能学习模块适应不同场景要求；模块化设计为在工业视觉、医学影像、自动驾驶AR等领域扩展打下良好基础。
云从科技具有高技术壁垒：世界智能识别挑战赛成绩斐然，在CLEAR、 ASTAR、 PASCAL VOC、 IMAGENET、FERA以及微软全球图像识别挑战赛上共计夺得7次世界冠军;在银行、公安等行业智能识别技术 PK实战中，85次获得第一；2018年，云从科技入选MIT全球十大突破性技术代表企业。
在跨镜追踪(ReID)技术上取得重大突破。Market-1501，DukeMTMC-reID，CUHK03三个数据同时集体刷 新世界记录， Market-1501上的首位命中率达到96.6%，首次达到商用水平。
正式在国内“3D结构光人脸识别技术”，可全面应用于手机、电脑、机具、设备、家电。相较以往的2D人 脸识别及以红外活体检测技术，3D结构光人脸识别技术拥有不需要用户进行任何动作配合完成活体验证的功能， 分析时间压缩到了毫秒级以及不受环境光线强弱的影响等诸多优点，受到国际巨头公司的关注。
行业应用
目前国内有能力自建系统的银行约为148家。截止2018年3月15日，已经完成招标的银行约为121家，其中云从科 技中标了88家总行平台，市场占有率约为72.7%;在安防领域推动中科院与公安部全面合作，通过公安部重大课题研发火眼人脸大数据平台等智能化系统，在民航领域，已经与中科院重庆院合作覆盖80%的枢纽机场。
5.Yi+
企业概述
北京陌上花科技是领先的计算机视觉引擎服务商，为企业提供视觉内容智能化和商业化解决方案。致力于“发现视觉信息的价值”。
旗下品牌Yi+是世界一流的人工智能计算机视觉引擎，衣+是时尚商品搜索引擎。公司在图像视频中对场景、通用物体、商品、人脸的检测、识别、搜索及推荐均达到领先水平。
目前公司和阿里巴巴、爱奇艺、优酷土豆、中国有线、CIBN、中信国安、海信、华为、360等数十家顶级机构/产品深度合作，通过提供边看边买引擎、图像视频内容分析引擎、人脸识别引擎等基于视觉识别技术的数据结构化产品服务于海量用户，同时帮助政府机构、广电系统、内容媒体、零售商、电商、视听设备等行业实现智能分析、智能互动与场景营销。目前公司已经获得B轮融资。
企业团队
团队成员来自于斯坦福、耶鲁、帝国理工、新加坡国大、南洋理工、清华、北大、中科院等名校及谷歌、微软、IBM、英特尔、阿里巴巴、腾讯、百度、华为等名企。
创始人&CEO：张默
北京大学软件工程硕士， 南洋理工大学创业创新硕士。连续创业者， 曾任华为算法工程师、微软WindowsMobile工程师、 IBM SmarterCity 架构师，北方区合作伙伴经理，主机Linux中国区负责人，中国区开源联盟负责人，年销售额数亿。 2013年创业于美国硅谷和新加坡，2014年6月在中国设立北京陌上花科技有限公司。
核心技术与产品
技术方面，在国际顶级计算机视觉竞赛ImageNet中，成绩曾超过谷歌、斯坦福等，2015-2016年2年获得十项世界第一。2018年3月，人脸识别准确率位列LFW榜首。Yi+通过遵循无限制，标记的外部数据协议。 Yi+的系统由人脸检测，人脸对齐和人脸描述符提取组成。使用多重损失和训练数据集训练CNN模型，其中包含来自多个来源的约10M个图像，其中包含150，000个人（训练数据集与LFW没有交集）。在测试时， Yi+使用原始的LFW图像并应用简单的L2norm。图像对之间的相似性用欧氏距离来测量，最终取得优异成绩。
公司的核心产品主要包括视觉搜索引擎，图像视频分析引擎以及人脸识别和分析引擎：
行业解决方案
针对营销、安防、相机和电视的不同特点，推出相应解决方案。
营销+AI。场景化广告方案中，大屏AI助理信息流推荐、神字幕、物体/人脸AR动态贴图、video-out、场景化角标与广告滤镜等形式的广告内容推荐，适用于快消、汽车、电商、IT、金融、旅游服务等多个行业。
智慧城市+AI。使用计算及视觉助力智慧城市，在智慧安防、智慧交通、智慧园区等方面提供解决方案。在智慧安防实时识别上，实时处理直播摄像头信息，算法反应敏捷，相应迅速。建立智慧园区方案模型，考虑扩展性&灵活性、数据管理、松散耦合性、安全性、实时整合性以及功能性和非功能性需求等技术方案要素，从业务和技术两方面整合解决方案实现步骤。
电视+AI。电视+AI的解决方案赋予智能电视多样播放能力和营销能力。
相机+AI。相机更具交互能力。用户通过搜索关键字标签同步展示图片，打通相册和购物一站式体验。准确识别人物属性特征，动态适应表情变化，可以在视频以及图像中对人脸实时检测，基于深度学习技术，进行人脸相似度检测，实现面部关键点定位、妆容图像渲染，试用与粉底、唇彩以及眼影等多种虚拟试装方式。实时检测摄像头中出现的物品、场景和人脸等，添加AR效果，SDK支持本地检测、识别、追踪，平均检测帧率可达到25fps。
新零售+AI。Yi+新零售解决方案是基于公司自主研发的人脸识别、商品识别和其他图像识别算法技术为核心，建立一整套基于人脸、商品的智能零售门店管理方案。Yi+新零售解决方案主要包含数据采集、算法模型说明和部署方案三部分，其中数据采集包括人脸数据采集、商品数据采集；算法模型说明包括识别算法训练、商品识别、识别输出；部署方案包括本地部署、云端部署、本地部署与云端部署结合。
6.擎创科技
企业简介
擎创科技成立于2016年，专注于将人工智能和机器学习赋予传统IT运维／企业运营管理，为企业客户提供智能运维大数据分析解决方案，从而取代和改善对高技能运维人员严重依赖的现状。2017年，擎创科技已实现全年2000万营收，迅速成为国内AIOps领域的领跑者和中流砥柱。2018年初，擎创科技完成了数千万人民币的A轮融资，由火山石投资领投，晨晖创投、元璟资本及新加坡STTelemedia跟投。
核心团队
擎创团队的核心成员主要由BMC、微软等美国企业服务上市公司的运维老兵，与新浪、饿了么等知名互联网公司的大数据、算法专家组成，核心团队成员至少拥有10年以上的行业经验。其中CEO杨辰是国内最顶级的B端销售，曾带领团队获得10倍的业绩增长；CTO葛晓波拥有长达15年的企业级软件开发和运维经验；而产品总监屈中泠则来自甲方，创业前为浦发硅谷银行企业架构师，深知甲方对企业运维产品的需求。这个曾经深耕于运维企业服务市场的团队，如今在智能运维企业服务赛道继续领跑，让擎创科技成为最懂企业的客户，最值得企业客户信赖的软件厂商。
主要产品
“夏洛克AIOps” 作为擎创自主研发的大数据智能运维主打产品，自2016年上线以来，已从1.0版本升级至1.9版本，可应用在金融、大型制造业、铁路民航、能源电力等涉及国家发展和民生问题的多种行业。在2017全球运维大会上，夏洛克AIOps获得由中国信息通信研究院与高效运维社区联合颁发的“年度最具影响力AIOps产品”奖。
“夏洛克AIOps”充分利用自研算法辅助客户实现IT运维价值，结合客户的现有情况，规划从传统ITOM至AIOps智能运维的一站式路径，助其运营落地，由此打破数据孤岛，建立统一的大数据智能分析平台，实现以人工智能为核心，驱动传统IT运维监、管、控三个层面，并将相关运维数据及业务数据实时展现。
“夏洛克AIOps”拥有多项自研算法，犹如运维界的福尔摩斯，能迅速发现并定位运维问题的根因，实现秒级排障，最大程度避免企业产生重大损失。更有价值的是，“夏洛克AIOps”还能通过长期的数据积累和机器学习，运用新型深度神经网络算法对企业的业务数据进行预测，帮助企业提前规划IT资源，高效预防各类黑天鹅事件的发生。
商业模式
目前，擎创科技已与多家金融和制造行业标杆客户形成稳定的合作关系，包括浦发银行、浦发硅谷银行、国家开发银行、上海铁路局、银联、海尔、浙江能源等。针对不同客户，采用个性化的商业模式进行服务，目前主要有私有模式和SaaS模式两种，都具有较强的可复制性。
核心优势
