原文来源

（报告出品方：德勒）

主要发现

人工智能核心产业规模 5 年内将突破 5000 亿元：预计 2021 年中国人工智能市场规模将达 2058 亿元，增速 30%，到 2025 年突破 5000 亿元。随着疫情中人工智能场景的密集应用、落地渠道的增加和技术的不断成熟和开放，中国人工智能将再度高速增张，产业迎来黄金期。

成长型 AI 企业数量庞大：中国人工智能相关企业总共约 5015 家，其中，成长型 AI 企业 4484 家，占到近所有人工智能企业的九成。成长型 AI 企业覆盖的产业领域日趋全面，在许多特定的 AI 领域，目前已由成长型 AI 企业引领市场和技术，假以时日，这些成长型 AI 企业将成为明日之星。

2020 年投资总额同比增长 73.8%，投融资向 B 轮及以后企业聚拢：2020 年中国在人工智能领域的投融资金额再次创下新高，达到 1748 亿元，相比 2019 年同比增长 73.8%，但融资次数同比减少，平均单笔融资金额稳步攀升。整体来看，A 轮以前的初始轮的投融资数量明显减少，资金不断向 B 轮及以后轮次的成熟企业集中，其中，智能制造和智慧医疗是投融资数最多的两大细分领域。

成长型 AI 企业集中在应用层：中国成长型 AI 企业主要聚集在应用层，依托技术优势帮助场景落地，尤其在终端产品落地丰富。这些企业在机器人终端市场占比最大，达 52%。其次，随着市场需求的多样化和个性化的发展，智能家居和无人机成为第二、第三大 AI 终端产品市场。成长型 AI 企业在技术和产品创新的速度方面很快，能够快速集中可用资源、聚焦客户产品需求并迅速创新优化产品，在一些意想不到的领域开发产品，抢先一步得到市场先机。

成长型 AI 企业小而灵活：成长型 AI 企业虽然在发展初期规模较小，但凭借着自身的独特优势可以快速地将技术与应用场景相融合，在细分垂直领域成为行业的“特种部队”。其优势包括了团队背景优秀、技术领先；能在垂直细分领域灵活地找到场景并快速部署；善用优势互补共赢发展；专利软著成为有利的竞争武器，以及能够借助孵化器的创业资源迅速发展壮大。成长型 AI 企业通常能更快速的去调整并找到技术和场景的适配的点，从一个切入点开始，去扩大自己的广度，然后不断发展形成自己独特的竞争优势。

场景落地与运营优化是成长型 AI 企业关键成功要素：成长型 AI 企业想在激烈的竞争环境下充分发挥优势，求得生存与发展，必须重视的是不同阶段企业战略的规划及实施，先垂直渗透后向上发展，精于技术强于场景方案。成长型 AI 企业是搭建技术产品与场景落地最重要的桥梁，如何实现场景落地是每家成长型 AI 企业所面临最大的挑战，如何进一步提升市场竞争力，制定合理的运营策略是关键。同时，如何把握住多元化的融资渠道，也是成长型型人工智能企业需要聚焦思考的重点。

成长型 AI 企业即将迈上大舞台：十四五规划将人工智能列为前沿科技领域的最高优先级，必将推动中国的人工智能产业迎来新一轮的大发展。在全球抗疫的大背景下，抗疫需求为人工智能提供了应用落地的契机和试验场，AI 在医疗、城市治理、工业、服务业等领域迅速发展，充分展现了人工智能的应用潜力。与此同时，成长型 AI 企业迈向更大的舞台，其通过获取投资、AI 技术与商业模式创新、加速细分场景落地等方式，不断完善产业链布局，获取了更大的增长空间。

北上深占据中国成长型 AI 企业近“半壁江山”：在城市层面，北京、上海和深圳作为京津冀、长三角、珠三角地区的中心城市，有着良好的经济基础和丰富的政策红利，分别带动了三个地区的人工智能产业集群发展，三地占中国成长型 AI 企业的比重总和为 41%。杭州、南京、广州作为高速发展的核心人工智能城市，近年来在技术应用广度、科技发展等方面迅速成长，是我国人工智能城市发展的中坚力量；在人工智能新兴城市中，苏州、重庆和成都发展尤为显着，分别在产业园建设、应用场景扩大和引入科教资源方面发展较快。在区域层面，长三角地区为人工智能企业发展营造的环境相对更优，珠三角借着粤港澳大湾区的重大发展机遇，推进经济社会的“赋智赋能”，实现全面发展；京津翼地区以北京为核心，正在探索人工智能产业的协同发展布局。

成长型 AI 企业当前多采用热门模型与框架：在为了降低应用开发门槛与开发风险，同时利用丰富的社区资源，成长型 AI 企业当前多采用热门模型与框架。英特尔研究显示，成长型 AI 企业采用较多的模型包括计算机视觉领域的 Resnet 框架、Fast R-CNN 和 Yolov3，语音识别领域的 CTC、HMM 和 GMM 模型与其他马尔可夫模型，自然语言处理领域的 Attention、LSTM、RNN 模型；成长型 AI 企业采用较多的热门框架主要是 TensorFlow、Pytorch、PaddlePaddle、Caffe。其中，Tensorflow 认知度高达 83.8%，市场份额达到 70.6%，仍然排名第一，Pytorch 和 paddle 在过去两年增长明显，认知度和份额分别排名二、三位。除了上述四个框架以外，MXNet、CNTK、Caffe2、Keras 等框架也得到了不少企业的关注。

边缘计算等跨界领域将会是成长型 AI 企业未来的发力点：伴随着 AI 技术的不断创新与应用领域的持续拓展，AI 与 5G、计算机视觉等技术实现了跨学科的融合，并实现跨越不同场景的落地以及跨空间的应用模式。例如，AI 和边缘计算、和 5G 等技术的融合带来了更低延迟的智慧应用场景，联邦学习推动了 AI 数据的互联互通，AI 交互式技术催生了更多智能设备形态……这孕育了大量的新兴细分市场，为成长型 AI 企业提供了巨大的市场机遇。

一、中国成长型 AI 企业概况

1.1 数量庞大

我们正在经历人工智能发展的第三次浪潮，人工智能技术正在深刻的变革人们生活和社会活动的方方面面，而人工智能相关企业是人工智能技术发展和创新的主要推动群体之一，更是将人工智能技术落地，赋能千行百业的主体。

当前中国人工智能相关企业可分为四大类：互联网巨头、传统软硬件厂商（包括集成商（SI）、独立软件开发商（ISV）和设备制造商（OEM）以及各垂直行业的领军企业等）、人工智能企业又分为独角兽企业和成长型企业。其中，人工智能成长型企业（以下简称成长型 AI 企业）数量庞大，全国共约 4484 家，占人工智能相关企业的 89%。这些企业深耕垂直领域，在人工智能技术和千行百业融合的过程中，起到重要的推动作用。过去几年，经过巨量资本的加持，以及海量的市场需求，都使数量庞大的成长型 AI 企业获得了快速发展，尤其在疫情后，对无人化，智能化的解决方案需求非常旺盛。

然而，人工智能技术工程化落地有一定复杂性，尽管人工智能技术取得了一定程度的阶段性发展，但投入实际的应用仍存在很多局限性。因此，英特尔 AI 百佳创新激励计划团队和德勤认为：未来 5 年，人工智能产业不会出现赢家通吃，寡头鼎立的局面。通过对几千家成长型 AI 企业的分析研究，数百家成长型 AI 企业的走访和近百家企业的深度合作，英特尔 AI 百佳团队和德勤坚信，未来 5 年成长型 AI 企业会呈现百花齐放的竞合局面，是人工智能产业的重要一极，具有广阔的发展空间。综合以上原因，对成长型 AI 企业这个群体的深入研究，对理解中国人工智能产业的发展现状和发展趋势有着极为重要的意义。

1.2 小而灵活

在本报告研究的 4484 家成长型 AI 企业中，人员规模 250 人以下的企业共 4200 家，占比 92%；其中，员工数在 11-50 人企业数量最多，占比达 45%；员工人数在 51-100 人和 101-250 人企业数占比分别为 14% 和 17%；企业人员规模 250~500 人以上的企业共 284 家，占比 6%。而人数在 500 人以上的大型企业仅占 2%。

成长型 AI 企业虽然在发展初期规模较小，但凭借着自身的独特优势可以快速地将技术与应用场景相融合，在细分垂直领域成为行业的“特种部队”。

1.3 迈上大舞台

成长型 AI 企业的快速发展可从四个方面来探讨：

1.4 成长型 AI 企业发展挑战

通过以上分析我们发现中国人工智能行业整体市场环境向好，企业百花齐放蓬勃发展，但这其中的成长型 AI 企业也存在着一些挑战：

营收规模和亏损的双重挑战。根据数据研究和数百家企业的走访以及专访发现，和获得了大量资本加持的独角兽 AI 企业不同，成长型 AI 企业的团队规模和业务规模的匹配更加合理，对资本投入都比较谨慎，一般有项目才会增加人员，并且对财务数据把控严格，不盲目扩张。但由于技术通用性和解决方案的扩展性的局限，特殊的商业环境，以及较弱的市场开拓能力，都使得成长型 AI 企业难以在短期内大幅度的增加营收，甚至实现盈利。随着产业智能化转型的深入，如何让企业进入良性的发展轨道，实现自我造血能力，以应对未来扶持政策和资本支持的变化，是所有成长型 AI 企业要认真应对的一个课题。

初级发展企业可能面临淘汰出局。根据投融资数据我们发现，资本市场资源正不断向 B 轮以后企业聚拢，至今尚没有融资的企业，很有可能面临淘汰出局。根据 IT 橘子的数据，截至 2020 年，30% 的成长型 AI 企业尚未或投，这些未或投企业很多没有找到细分的价值板块，产品差异化竞争优势不明显，存在显著的同质化竞争现象。如果遇到较大公司的进驻或碾压后，容易被投资方半途放弃，创业风险急剧增大。另外有 45% 的已或投企业轮次融资轮次在 A 轮之前，这些企业尽管产品研发已经基本完成，但市场仍处于开拓阶段，尚未能实现收入大幅增长。此外，缺乏高质量数据、应用场景不明确、产品打磨不完善等都是这些企业技术场景化落地的难点。

成长型 AI 企业缺乏人才聚集效应。随着人工智能越来越热，人工智能人才成本也水涨船高。大企业有资金、平台和品牌的优势，人才容易聚集，人力成本也比较好控制，而中小企业往往需要付出更高的成本才能在市场上获得优质人才。在很多新技术、新领域，比如无人驾驶的大方向，成长型 AI 企业都处于无现成的可用的人才状态，这些企业在很多情况下需要通过产学研合作，内部培养，学习公开课的方式进行内部培养人才。然而，人才一旦培养成形，在市场人才抢夺的大环境下，如何留住人才，减少流失也是成长型 AI 企业面临的不小挑战。

创业团队的人才结构不完善。一些创业团队只注重在技术上的突破，尤其技术型的科学家团队，没有与行业专家进行准确融和，没有与商务市场团队有效对接，使得技术与市场出现比较严重的脱节，对商业化落地造成了致命打击。这些企业对潜在客户场景需求的理解相对模糊，不断在研发投入上烧钱，没有对商业营销进行有创意的设计与推进，在产品销量出现低迷时，未及时意识到根本原因并作出有效调整，处于不断亏损的尴尬境地。因此，人工智能是综合性极强的学科，创业团队如何跨界、融合技术与商业模型，并有效地设计与推进市场营销，对团队人才结构的完善要求非常高。

二、成长型 AI 企业地域分析

人工智能技术进入商业应用阶段后，已经逐步在众多行业得到应用，成为影响经济发展的重要力量。各地政府为推动产业升级，实现经济新旧动能转换，纷纷颁布与人工智能产业相关的产业规划指导意见，提供税收优惠、资金补贴、人才引入、优化政务流程等措施优化营商环境，吸引有实力的企业入驻，同时培育本地人工智能企业。在政策与资本等多重力量的推动下，长三角、珠三角、京津冀等地区成为了人工智能企业最为密集的发展区域。

1. 长三角优势突出：在政策方面，长三角地区为人工智能企业发展营造的环境相对更优。上海作为长三角的中心城市，被选为我国人工智能政策的先行示范区，产业发展环境理想。杭州、苏州、南京近年来也陆续出台多项政策扶持人工智能产业的孵化。长三角各城市对人工智能企业的资金支持力度也较大，有利于成长型企业的创新与发展。目前上海的核心成长型人工智能企业数量上为全国第二，仅次于北京；产业布局较为完善。同时上海也拥有丰富的科研和人才资源，在资金支持方面力度大。此外，长三角地区的杭州、南京、苏州等地成长型企业的发展也在全国处于领先地位，在应用层的机器人、软件及信息服务领域布局优势突出。其中，杭州核心成长型企业数量在全国排名第四，成长型企业依托阿里系企业和浙江大学的优势呈聚集性发展。南京市成长型企业在区域上分布相对均匀，依托产业园的优势形成了全市人工智能产业协调发展的生态。而苏州成长型企业依托政策扶持及产业资源快速发展。

2. 珠三角产全面方展：广东省政府正大力推动新一代人工智能发展，借着粤港澳大湾区的重大发展机遇，推进经济社会的“赋智赋能”，为珠三角成长型人工智能企业的发展提供了良好的环境。深圳核心成长型 AI 企业数量位列全国前三，已形成完善的产业链，高新技术制造业发达。同时，深圳拥有多个人工智能开放创新平台和人工智能实验室，创新能力全国领跑。广州第三产业发达，拥有良好的经济实力。作为科技部设立的国家新一代人工智能创新发展试验区，广州在政策方面优势明显。目前广州正大力推进人工智能和数字经济试验区的建设，并将在未来两年内新增多个人工智能应用场景。

3. 京津冀科技资源集中：作为京津翼地区的中心城市，北京以技术和产业的领先为发展人工智能产业的首要目标。北京科研实力最为雄厚，拥有超过全国 50% 以上的科研院校，以及超过 10 家国家级实验室，同时，百度、京东、美团等互联网巨头建设企业实验室，向人工智能技术研发投入大量社会资本，引领京津翼地区科技资源的聚集，为该地区成长型企业的发展提供了丰富资源。就核心成长型 AI 企业而言，北京的成长型企业为全国最多，共 1074 家，占总数的 24%。北京成长型企业在基础层、技术层、应用层的分布相对较均衡，产业布局领域较广。北京成长型企业在应用层的研发方面领跑全国，软件平台、无人驾驶等多个领域研究具有明显优势。为推动京津翼地区人工智能产业的协同发展，北京经济开发区一直以来都积极组织资源，对京津翼三地实施全产业链布局，现已探索出“亦庄技术研发 + 产品创新、津冀产业化应用 + 工业化量产”的创新产业模式。

在城市层面，北京、上海和深圳作为京津冀、长三角、珠三角、地区的中心城市，有着良好的经济基础和丰富的政策红利，分别带动了三个地区的人工智能产业集群发展；杭州、南京、广州作为高速发展的核心人工智能城市，近年来在技术应用广度、科技发展等方面迅速成长，是我国人工智能城市发展的中坚力量；在人工智能新兴城市中，苏州、重庆和成都发展尤为显着，分别在产业园建设、应用场景扩大和引入科教资源方面发展较快。

2.1 北上深 — 全面方位引领

北京引领技术

北京是全球十大科技创新中心之一，也是我国最先开展人工智能建设的城市。作为我国新一代人工智能创新试验区，北京市人工智能企业的数量和专利数均位列全国第一。北京成长型 AI 企业集中分布在海淀区和朝阳区，呈现集聚发展的态势。海淀区引领北京市的 AI 发展，是全球人工智能企业最密集的区域之一。北京智源人工智能研究院、中关村海华信息技术研究院等一批前沿的研发机构都聚集于此，为海淀区人工智能企业提供了大量高端人才。此外，海淀区率先开发了包括智慧医疗、智慧社区在内的一批人工智能应用场景，并设立人工智能科学家创业基金，构建特色创新创业体系，利于成长型企业发展。朝阳区则以人工智能推动数字产业化发展，运用人工智能技术打造了包括智慧园区、智慧零售、智慧游览在内的多个高质量的应用场景。北京在人工智能各方面的发展都领跑全国，其中，最为突出的优势主要体现在政策支持、科技资源和基础层技术三大方面。

上海商用排头兵

上海作为创新开放的国际性大都市，是人工智能快速发展的领先城市。上海的核心成长型 AI 企业数量上为全国第二，仅次于北京；产业布局较为完善，商业化应用场景丰富。上海目前入驻浦东新区和徐汇区的人工智能成长型企业数量最多。浦东新区拥有张江人工智能岛、浦东软件园、张江机器人谷等多个人工智能核心产业集聚区，聚集了大量上下游企业，产业链完整，同时上海科技大学、中科院张江实验室等优质高校资源也聚集于此，为人工智能企业的发展提供了良好的科研环境和大量的高端人才。徐汇区拥有西岸国际人工智能中心、北杨人工智能小镇，聚焦智慧医疗、智慧安防等多个应用场景，人工智能产业发展迅速，且在政策层面、高级人才培养、人才生活和服务等全方面，徐汇区均对入驻企业给予了支持与帮助，因此吸引了大批成长型企业。从商业化应用到人才积累再到产业国际合作方面，上海都具有明显的人工智能发展优势。

深圳产业化强市

深圳因其粤港澳大湾区、中国社会主义先行示范区等特殊战略地位，在人工智能产业发展上具备深厚基础，走在全国前列。深圳同时拥有大量新兴和成熟的人工智能企业，从区域分布来看，深圳成长型 AI 企业呈集中分布的态势，半数企业均聚集在南山区，宝安区和福田区。深圳在人工智能产业发展方面的优势主要聚焦在产业化优势、资本实力优势等方面。

2.2 杭宁穗 — 优势稳进

作为仅次于北上深的人工智能高速发展城市，杭州、南京和广州，在政策、资金、人才及科研等方面优势突出，人工智能建设要素完备程度相对较高，因此它们以稳进的发展态势推进人工智能产业的发展。

杭州资源汇聚潜力大

杭州核心成长型企业数量在全国排名第四，仅次于北京、上海和深圳。杭州的人工智能产业分布区域集中在余杭区、滨江区和西湖区，围绕浙江大学和阿里系企业的研发资源呈现聚集性发展的态势。杭州成长型人工智能企业中 72% 分布于应用层。应用层企业涉及医疗、安防、制造、金融、交通、生活服务等多个领域；技术层覆盖图像识别、自然语言处理、计算机视觉等；基础层企业包括了云计算、大数据、AI 芯片等。杭州人工智能发展的核心竞争力主要体现在科研实力以及产业园布局方面。

南京“新势力”

南京地处我国长江经济带枢纽区，拥有齐全的工业门类基础，共有成长型 AI 企业约 25 家，主要集中在南京市的中部地区，包括江宁区、秦淮区、雨花台区等。南京成长型 AI 企业以应用层为主，已初步建成相对完善的人工智能产业生态。南京应用层的成长型 AI 企业依托南京的软件产业的优势发展，主要集中在智能软件、智能应用系统、智能机器人等领域。在人工智能发展方面，南京优势主要体现于人才培养、科研及产业布局三大方面。

广州大湾区研发“主心骨”

广州是大湾区区域发展的核心，具有良好的人工智能产业发展基础，目前广州共汇聚成长型人工智能核心企业40% 集中在天河区。天河区是粤港澳大湾区最大的软件产业聚集区，在包括大数据、云计算等与人工智能有关的领域具有大量发展优势，能为成长型 AI 企业的技术与业务发展提供便利。广州成长型 AI 企业中，应用层企业主要集中在软件、机器人技术、智慧金融等领域，广州包括电子产品、汽车、金融在内的多个主导产业为应用层企业的发展提供了支撑。技术层的成长型企业覆盖了自然语言处理、计算机视觉、机器学习等领域。基础层企业覆盖云计算、大数据等，广州成熟的电子产品制造业为基础层成长型企业的发展提供了计算硬件、传感硬件等多方面的支持。广州市在研发能力、产业集聚以及投融资三方面尤为突出。

2.3 苏渝蓉 — 奋起直追

苏州、重庆和成都是我国人工智能产业发展的主要后进力量。虽然在人工智能产业发展要素方面的建设尚未全面完善，但是其在基础设施建设、应用场景建设等方面较为重视，并获得了一定的发展，为其余人工智能发展中城市起到了示范带领作用。

苏州产业日趋完善

苏州是我国主要的高新技术产业和智能制造基地之一，地理位置上毗邻上海。苏州作为人工智能发展的新兴城市，在产业园建设、经济基础以及地理位置的优势下，具有较大的发展后劲。目前苏州以大数据、云计算为支撑的人工智能产业链日趋完善，在智能制造与自动驾驶领域已形成较为明显的集群优势。苏州共有成长型人工智能核心企业超过半数聚集在苏州工业园区内，其次是相城区和昆山市。苏州核心成长型企业主要集中在应用层，覆盖了智能制造、软件、智慧医疗等场景。产业园建设、经济基础及地理位置方面是苏州发展人工智能产业的优势。

重庆应用扩大“后发先至”

重庆近年来在人工智能发展方面增速较快。目前重庆共有成长型人工智能核心企业集中分布在渝北、渝中和江北区。重庆应用层的成长型企业覆盖企业服务、信息服务、智慧医疗等场景，技术层企业涵盖自然语言处理、图像识别等领域；基础层企业多以大数据计算作为核心技术。重庆市在新兴人工智能城市中的主要发展优势体现在工业基础良好和应用场景不断扩大两大方面。

成都“后起新秀”

成都作为西部新一线领跑城市，自 2019 年来就积极布局人工智能产业，重点发展人工智能在交通、金融、医疗等领域的应用。成都高新区集中了 75% 的成长型人工智能核心企业。成都高新区一直以来发展处于全国高新区的前列，市场容量及物流条件良好；高新区拥有完整的电子信息产业链；聚集了 6 家省级产研院和 1 家市级产研院，在科研方面优势突出，对成长型人工智能企业有较大的吸引力。总体来看，成都在科教资源和场景应用方面的优势尤为突出。

三、成长型 AI 企业生态圈与应用

3.1 企业生态圈

从生态圈来看，人工智能生态圈分三层结构：基础设施、技术平台、落地场景。基础设施主要包括云计算平台提供商、芯片、IT 软硬件系统提供商；技术平台主要有人工智能算法企业、机器学习平台企业、知识图谱技术提供商、智能语音企业、RPA 提供商、AI 软件框架；落地场景则包括工业、金融、医疗、零售、营销等海量丰富场景。

成长型 AI 企业集中在应用层。从整体来看，中国成长型 AI 企业主要聚集在应用层，依托技术优势帮助场景落地，尤其在终端产品落地丰富。这些企业在机器人终端市场占比最大，达 52%。其次，随着市场需求的多样化和个性化的发展，智能家居和无人机成为第二、第三大 AI 终端产品市场。成长型 AI 企业在技术和产品创新的速度方面很快，创新速度比产业型大公司的创新速度快，因此能够快速集中可用资源、聚焦客户产品需求并迅速创新优化产品，在一些意想不到的领域开发产品，抢先一步得到市场订单。

在 AI 行业解决方案细分领域，2020 年 AI+ 制造、AI+ 医疗分别以 23% 和 21% 成为占比最高的两大行业。由于中国市场辽阔，技术与场景的深入融合仍有很大空间，端到端的产品覆盖和数据触达能力需要广大成长型 AI 企业进一步落实。传统行业应用场景与 AI 深度融合的趋势下，人工智能将不再是单点替代的形式，而是真正融入到传统产业各个环节之中，推动传统产业的工艺、流程、流通、服务等核心业务的高效创新。

计算机视觉技术应用最广泛。在 AI 的技术层，计算机视觉以 45% 的占比成为成长型 AI 企业应用最多的技术，而人机交互由于刚刚兴起，2020 年在技术层市场占比相对较小，仅有 14%。未来，人机交互将会极大提高场景的融通性和体验性，发展空间巨大，建议成长型 AI 企业可在该赛道开拓落地商机。

大型企业主要分布在基础层搭建基础设施和技术平台。目前我国人工智能基础层核心技术有待突破，存在产学研不够紧密的问题，成长型 AI 企业数量相对较少。而巨头企业目前主要着力在基础层的设施搭建和技术平台设施的完善上，其中云计算和芯片仍有核心技术有待攻克，市场占比 17.3% 和 11.6%；而在大数据和传感器领域，已发展的较为成熟完善，市场占比分别为 51.1% 和 20%。

3.2 成长型 AI 企业应用场景

人工智能技术在过去数年持续快速发展，商业化应用成为关注焦点。从市场规模以及行业渗透率的视角来看，人工智能的行业应用可以落入四个象限：

• 萌芽期：人工智能技术的行业渗透以及市场机会都尚未成熟。虽然处于起步阶段，但是这些行业在未来往往有着巨大的发展潜力、蕴藏巨大市场机遇，例如医疗行业、无人驾驶；

• 过渡期：人工智能技术在该行业具有较高的渗透程度，但现阶段市场规模较低。未来，这些行业有可能因为政策驱动等因素，带来新的行业增长点，如数字政务；

• 成长期：表示虽然行业的渗透度不足，但市场规模巨大，在现阶段就拥有较高的市场增长潜力，例如智能制造；

• 发展期：表示人工智能技术已经在这些领域产生了较为深刻的影响，行业应用度较高，同时市场机会也高，例如金融行业。

3.2.1 智能制造将逐步释放巨大市场潜力

人工智能与相关技术结合，可优化制造业各流程环节的效率，通过工业物联网采集各种生产资料，再借助深度学习算法处理后提供建议甚至自主优化。然而，相较于金融、商业、医疗行业，人工智能在制造业领域应用潜力被明显低估。我国制造业正加速智能化进程，未来巨大的市场潜力将逐步被释放。预计到 2025 年，中国制造业人工智能市场规模将达到 133 亿元，预测期（2018-2025 年）复合年增长率为 49.4%。制造业大数据技术的迅猛发展、自动化水平的不断提高以及人工智能应用的不断加强是推动中国制造业人工智能发展的主要因素。

智能工厂代表了传统自动化向“全互联”和“柔性化”的飞跃。智能工厂不是简单的自动化，而是一个柔性系统，能够自行优化整个网络的表现，自行适应并实时或近实时学习新的环境条件，并自动运行整个生产流程。智能工厂能够在工厂车间内自动运作，同时与具有类似生产系统的全球网络甚至整个数字化供应网络互联。智能工厂不是单一设备的智能化改造，而是要对人员、设备、物料、工艺、环境进行统一的数理化建模，建立以顾客需求为中心的柔性生产制造模式，利用 AI 以及大数据技术对生产、物流、销售及内部管理等各环节进行工业 4.0 的全面升级。在人工智能和 5G 工业互联网为代表的新技术推动下，制造不再以人为核心，而是利用“网络 + 数据 + 算法 + 算力”构建以科技为核心的制造体系，实现智能化生产。

智能工厂具有互联、优化、透明、前瞻与敏捷的特点。互联或许是智能工厂最重要的特征，智能工厂须确保基本流程与物料的互联互通，以生成实时决策所需的各项数据。在真正意义的智能工厂中，传感器遍布各项资产，因此系统可不断从新兴与传统渠道抓取数据、确保数据持续更新。通过整合来自运营系统、业务系统、以及供应商和客户的数据，可全面掌控供应链上下游流程，从而提高供应网络的整体效率；经过优化的智能工厂可实现高度可靠的运转，最大程度上降低人工干预。智能工厂具备自动化工作流程，可同步了解资产状况，同时优化了追踪系统与进度计划，能源消耗亦更加合理，可有效提高产量、运行时间以及质量，并降低成本、避免浪费；智能工厂获取数据公开透明，通过实时数据可视化，将从流程与成品或半成品获取的数据进行处理，并转变为切实可行的洞见，从而协助人工及自动化决策流程。在一个前瞻型体系中，员工与系统可预见即将出现的问题或挑战，并提前予以应对。这一特征包括识别异常情况，储备并补充库存，发现并提前解决质量问题，以及监控安全与维修问题。智能工厂能够基于历史与实时数据，预测未来成果，从而提高正常运行时间、产量与质量，同时预防安全问题。智能工厂还具备敏捷的灵活性，可快速适应进度以及产品变更，自动配置设备与物料流程，进而实时掌握这些变更所造成的影响，并最大程度上降低调整幅度，从而提高运行时间与产量，并确保灵活的进度安排。

3.2.2 金融 AI 负载的边缘化与服务的个性化、精细化和普惠化

从金融服务来看，在 AI 技术应用的驱动下，我国金融行业呈现出产品个性化、管理精细化和服务普惠化三大发展态势。

3.2.3 智慧医疗进入价值验证期

在 AI 医疗领域，技术的成熟度决定了场景落地的时机。当前，在视觉和语音领域的发展已经完全可以商业化的时候，AI 在单病的医疗影像诊断领域已经非常成熟，但在多模态影像与临床的融合场景中，AI 技术提高整个医院的信息化水平方面还处于早期阶段。随着交互式人工智能的发展，AI 医疗在虚拟医生助手和辅助临床诊断将会有进一步发展；未来，联邦学的发展将可以广泛应用于药物研发和基因测序。因此，企业对技术发展节奏的把握非常关键，只有找准时机点及其关键点，才能将技术落实于应用场景，实现商业化。

中国医疗器械行业市场规模较大且持续快速增长。2020 年，中国医疗器械市场规模预估为 8,000 亿元人民币，目前占据了全球医疗器械市场近 20% 的份额，较 2015 年的 3,080 亿元人民币翻了一番多。国内医疗器械企业以成长型 AI 企业为主，主要集中于低价值医用耗材等低附加值器械领域。这些小型国内企业主导着中低端市场。就高端器械而言，行业仍高度依赖于进口，这一细分市场由少数外资品牌主导。不过，在过去的 10 年里，国内品牌在高值医用耗材细分市场的份额已从约 20% 增长至约 30%，未来，成长型 AI 企业在医疗领域将成为高端医疗器械国产替代的主力军。

AI 提高临床操作的效率，降低医疗风险。基于人工智能的解决方案可以通过使用跨机构的大量结构化和非结构化医疗数据，有效简化诊断和治疗流程。这可以帮助医院和卫生系统的医生进行临床决策，为他们提供实时的、以数据为导向的见解。

AI 在医院管理领域帮助节省人力并优化患者体验。AI 快速检查大量信息的能力可以帮助医院管理者优化绩效，提高生产力，改善资源利用率，从而提高效率和节省成本。此外，物流机器人可以大量替代人力完成高危作业，提升医院运营效率。最后，AI 还可以通过虚拟助手促进与患者的对话，提供个性化体验。

机器学习可将错误用药的安全风险降至最低。AI 还可以识别出传统临床决策系统无法检测到的用药错误，最大限度地降低患者风险，同时还可以减少医生疲劳导致的误诊和假阳性。第三方平台可以标记出与患者、医生或医疗机构的档案相冲突的药物，应用先进的机器学习算法和异常值检测机制来识别和预防与用药相关的错误和风险。以“用药管家”为例，在机器学习过程中，它“阅读”了 6 万+ 份药品说明书、10 万+ 份临床指南、5000 万+ 篇医疗科普文章、2000 万+ 份医学论文以及人民卫生教育出版社出版的专业医学书籍，形成了专业的医疗知识图谱。此外，再结合医生的处方，为患者提供用药指导、用药问答、用药管理、用药信息采集等药事服务。目前，“用药管家”已经签约及上线的三甲医院约 70 家，除了这款应用，左手医生还通过智能自诊、智能导诊、智能预问诊、智能问药、智能问答、医学文本数据结构化引擎等搭建了一条完整的医疗链条。

AI 提高药物研发的效率、降低研发投入与风险。通过深度学习模型和经典的计算机辅助药物设计方法，可以为定制医药化合物提供准确、高效的计算模型支持。利用机器学习建模平台，可以大大提高对于数据的特征提取能力，在同等数据规模情况下，提供更加精确的模型，同时降低机器学习使用时对于数据规模的要求。AI 药物研发公司晶泰科技利用机器学习模型，可以快速对化合物性质进行评价，高效构建定制化模型，有效提高模型在特定化合物、特定靶点上的表现能力。在制药过程中，结合数据分析、可视化模块、分子库分析模块和数据解释模块，可以帮助药物设计者快速获取关于分子库特征、化合物构效关系等设计决策中的关键信息，提高制药决策的信息性和成功率。

四、成长型 AI 企业技术发展现状

技术的进步涵盖了算法、数据、框架和算力四个方面，它们是 AI 技术发展的重要环节。在算法方面，人类取得了前所未有的突破，特别是视觉和语音技术方面的成就尤为突出。在数据方面，移动互联网时代的到来使数据量迎来了爆炸式增长。在框架方面，国内外各大 IT 企业不断推陈出新，TensorFlow、PyTorch、PaddlePaddle等已经占领大量市场。在算力方面，GPU、CPU 和 AI 加速芯片在市面上被广泛使用，其中推理部分 CPU 占比较大，训练部分 GPU 占据主导。通过平台化的整合，AI 技术的进步推动了政务、金融、医疗、制造等各领域的发展。在上述业务的发展过程中，除了大型头部互联网企业以外，也出现了成长型 AI 企业的身影。由于成长型 AI 企业体量相对较小、资金储备不如大型企业，因此其自研技术所占的比例有限，会更倾向于选用时下热门的技术。对于行业内技术的观察和追踪，成长型 AI 企业有很大的参考价值。近些年，成长型 AI 企业更加青睐Attention、CTC、Resnet 和 BERT 等热门算法，以及 TensorFlow 和 Pytorch 等热门深度学习框架，而在产品的部署方式上则更倾向于选择大型通用平台。

4.1 算法 — CV、NLP 等领域需求大、投入多

计算机视觉、自然语言处理和语音识别是 AI 技术落地需求最大、速度最快的三个方向，近些年来学界和业界在目标识别、对话交互等领域都有大量的投入和产出。在成长型 AI 企业中，有三成多的企业也涉足了这三个领域，采用算法模型时它们更偏向于 Attention、CTC 和 Resnet 等热门模型。

4.1.1 计算机视觉和自然语言处理分别聚焦目标识别和机器学习

计算机视觉关注目标检测与分类、迁移与小样本学习和人体识别。CVPR 会议是计算机视觉领域的顶级年度峰会，在 2020 年的会议上公布的数据显示：2020 年所有提交的论文中，目标检测与识别相关的论文数量多于其他领域，此外迁移与小样本学习以及人脸/手势/姿态识别相关的论文数量也相对较多。

自然语言处理聚焦机器学习、对话交互系统和机器翻译。ACL 是计算语言学学会一年一度的年会，也是该领域最重要的学术会议。2020 年组织方公布的数据显示：论文数量最多的 3 个领域分别是机器学习、对话交互和机器翻译，分别占总论文比重 6% 至 9%，尽管这些领域的论文数量排名靠前，但并未与其他领域拉开差距。

4.1.2 新冠疫情推动了 AI 算法在生物医学的应用

截至 2021 年 2 月，在论文数据库 arxiv.org 中，与 AI 算法相关的研究论文已经超过 34000 篇。自 2016 年起，每年发表与 AI 相关论文的数量持续增长。2020 年疫情的爆发并没有减缓这种趋势，论文发表数增长幅度甚至远超往年。与此同时，以医疗保健为重点的研究项目，除了 2019 年 Q4 至 2020 年 Q1 这段时期，整体也呈现上升趋势。

4.1.3 成长型 AI 企业多采用计算机视觉算法及各种热门模型

在成长型 AI 企业的自研算法中，计算机视觉方向的算法数量居多。截至 2021 年 2 月，中国境内成长型 AI 企业采用的算法中偏向计算机视觉方向的占 24%，偏向自然语言处理方向的占 10%，其余为偏向其他领域或方向不明。由于计算机视觉领域数据丰富，模型效果更好，所以成长型 AI 企业会更倾向采用计算机视觉算法。

成长型 AI 企业更愿意采用 Resnet、CTC、Attention 等模型。通过对 520 家成长型 AI 企业的统计和调研可以看到，成长型 AI 企业使用各类模型的数量和比例比较平均。计算机视觉领域，Resnet 框架、Fast R-CNN 和 Yolov3 分别有接近 30% 的使用率；语音识别领域，CTC、HMM 和 GMM 模型得到更多的使用，同时其他马尔可夫模型也饱受欢迎；自然语言处理领域内，Attention、LSTM、RNN 模型使用率较高。上述这些模型经过过去几年多方的验证，被认为是成熟的模型，且大多是由早期模型改进而来，优势明显。网络平台有诸多对于这些热门模型的数学背景介绍和使用方法指导，加速了他们的推广。

4.2 框架 — TensorFlow 和 PyTorch 成为热门

4.2.1 TensorFlow 与 Pytorch：工业界与学术界主流

TensorFlow 是时下工业界的主流框架。作为工业界常用的项目托管平台，每个 GitHub 仓库的关注、编辑和复制数是衡量框架流在工业界流行度的一个重要指标。截止到 2021 年 1 月，在 GitHub 活动的各项指标中（star 数，fork 数，watcher 数和 contributor 数），TensorFlow 和 Pytorch 均位于前两位，与 MXNet 和 PaddlePaddle 相比，二者优势明显。

学术界 PyTorch 比 TensorFlow 受欢迎。根据 2017 年以来各大 AI 技术论坛提供的数据，Pytorch 与 TensorFlow 的论文数量比逐年提升，2020 年的 ICLR 论坛上 Pytorch 与 TensorFlow 的论文数量比甚至达到了 7:1。Pytorch 简单的 API、直观的结果输出、较短的复现模型时间、可以对底层进行微调等优点对科研人员有很大的吸引力。

4.2.2 成长型 AI 企业更多使用 TensorFlow，其他热门框架也被大量使用

成长型 AI 企业使用多种热门框架。成长型 AI 企业集中使用四种框架，按照规模的排序依次是：TensorFlow、Pytorch、PaddlePaddle、Caffe。这其中 Caffe 的使用量在过去的两年内呈现了下降的趋势，其余三个框架呈现上升趋势。同时，各家企业把未来使用框架的目光放在了更多选择上。除了之前提到的最大的四个框架以外，MXNet、CNTK、Caffe2、Keras 等框架都有不少企业在关注他们的发展。此外，Pytorch 的上升幅度非常大，已经追上了 TensorFlow 得到的关注度。随着 Pytorch 引入其他编译器和 C++ 模型的支持，“不能很好支持移动端”这个缺点正在慢慢补齐，TensorFlow 也引入 eager mode 简化 API，两个框架也互相融合优点，之间的差距可能在未来会逐渐缩小。

4.3 平台 — 通用与垂直领域双向发展

4.3.1 云平台成为 AI 产业发展的增长点

大型云平台发展迅速。作为 AI 基础技术领域里的集大成者，云平台可以对算法中庞大的数据处理进行速度上的优化，可以让框架搭载在其之上实现互通等平台之外难以实现的操作。大型企业搭建平台便于自己业务的拓展，成长型 AI 企业利用这些平台省去研发和硬件上的巨额开销。可以说，云平台带来的收益将会是迅速和高效的。

4.3.2 成长型 AI 企业大量使用通用平台，其余建立垂直领域平台形成长尾

成长型 AI 企业使用通用平台对平台方和成长型 AI 企业都有利。利用百度、腾讯、阿里、华为等大型企业开发的通用型 AI 平台，成长型 AI 企业可以上传其开发的 AI 产品至通用型 AI 平台供其他企业使用，拓宽自己在垂类领域中的优势，从中获取相比独自开发平台更多更快的利润。大型企业同时为优秀的成长型 AI 企业注入资金，并通过加速器和培训等方式帮助成长型 AI 企业成长，与成长型 AI 企业建立合伙人关系，共建平台的生态系统，为所开发平台提供活力。2019 年我国已经应用云计算的企业占比达到 66.1%，较 2018 年上升了7.5%。同时公有云和混合云的使用增长率超过了 10%，私有云的增长率则不如前两种云平台模式。公有云市场规模也相应提升，2017 年与 2020 年相比已经超出了三倍左右，由此可以看到市场现阶段对于公有云的认可大于私有云，作为公有云一大客户的成长型 AI 企业发挥的作用不言而喻。

AI 平台获得的单笔投资额逐年提升。2016-2022 年中国 AI 云平台投资规模逐步提升，但是投资笔数的增长率在下降，说明加入搭建独立平台行列的企业在减少，而获得投资的企业每一笔所获得的额度每年增长明显。

4.4 趋势 — 跨学科、跨场景、跨空间的融合

联邦学习在众多领域会是一大技术发力点

未来 AI 需要多家企业一起创立和维护同一个模型的情况会变得愈发频繁，联邦学习有利于数据之间的互通。例如在金融领域里，以往机器联合建模时会不会有隐私泄露和数据保存问题开始变得特别突出。金融机构内部的数据和银行客户的数据是不能出行的，这要求模型要在银行和第三方两边分别跑同一个模型分析，在两边输出不同的模型和标签，然后对脱敏的标签进行综合学习，得出规律，联邦学习成为解决这一问题的最好利器。联邦学习在医疗领域也能有所作为，可以解决了医疗行业数据不出院的痛点。而近期联邦学习 IEEE 国际标准的发布，是这一技术发展的里程碑，将促使联邦学习的生态迅速发展，为人工智能安全合规的长远发展奠定了良好的基础。

无监督学习潜力巨大

目前的深度学习模型依赖大量的标注数据，以获得优异的性能，但是往往标签需要非常大的工作量，有时会变得非常困难。这时候需要无监督学习算法的发展来解决这一问题。无监督学习的自身特点导致其现在难以得到现有的监督学习，也即分类学习一样的近乎于完美的结果。但是其优势在与解决多系统信息的共享，有利于实现跨系统的复杂系统的出现。

智能边缘的崛起

AI、5G、边缘计算的融合能够在边缘端提供网络、计算、存储和应用，将 AI 工作流的推理部分从云或数据中心转移到就近部署的边缘计算终端，从而降低延迟，节约网络带宽，同时满足隐私性和安全性等方面的要求。SAR Insight & Consulting 的最新 AI/ML 嵌入式芯片数据库显示，在 2019-2024 年期间，全球拥有边缘计算能力的 AI 设备的数量将以 64.2% 的复合年增长率增长。德勤也预测，全球在 2020 年将售出超过 7.5 亿个边缘人工智能芯片，在未来四年内，企业市场的增长速度将超过消费者市场，复合年增长率为50%。

AI 交互式技术可以使智能设备“更加智能”

目前，智能设备已经大量搭载了语音助手、聊天机器人等产品，但是技术尚未成熟，未达到用户的期望值。要让身边的智能设备能够很好地完成面向场景的任务执行，急需自然语言处理技术的突破，让智能设备变得“更加智能”。交互式技术可以运用到语音助手、智能音箱等产品中。目前语音助手的典型代表是苹果的 Siri 和微软的 Cortana，以及国内各大安卓厂商推出的自家语音助手等，而亚马逊的 Echo 音箱、苹果的 Homepod 等则是智能音箱的典型代表，各大企业对于交互式技术的发展高度重视可见一斑。它们遇到的共性问题就是做到 “听见了”，但是做不到“听懂了”，因此很难将其落在实用化用途上，往往会“被动”娱乐化。自然语言处理技术如果能在语境建模和对机器人自身建模的技术问题上产生突破，就有望解决保持用户活跃度等实际应用问题，从而使得交互式技术用在更多场景化任务的执行中。

五、成长型 AI 企业关键成功要素

在我国人工智能产业高速发展的背景下，大量成长型 AI 企业破壳而出，而这些企业突出重围的发展道路上仍然存在着巨大的困难和挑战。基于对成功的成长型 AI 企业的访谈和研究，我们从中总结出成长型 AI 企业的关键成功要素：

5.1先垂直渗透后向上发展

成长型 AI 企业以其组织以及经营方式灵活等优势活跃于市场，而面对市场中大量的稳定发展大型企业，成长型 AI 企业想在激烈的竞争环境下充分发挥优势，求得生存与发展，首先必须重视的是不同阶段企业战略的规划及实施。

做垂直领域的颠覆者：在发展初期，优秀成长型 AI 企业多精于一个核心技术点发展，向下渗透场景，更快更灵活地把技术优势转化为产品优势，获得市场占有率。若初创企业在未来想要抗衡巨头，就应该深耕垂直领域，练好内功而非盲目追逐热点。因为越是底层的东西，巨头越会涉足，同理，越是通用型的产品，越是大公司会做的。成长型公司，特别是初创领域的企业，可以选择做垂直领域的先行者，积累用户和数据，结合技术和算法优势，成为垂直领域的颠覆者。

逐步向上游发展：而在发展得相对成熟之后，成长型 AI 企业应当将技术落地于更多的场景中，扩大市场规模的同时，减少对上游大企业基础设施的依赖度，并逐渐向上游发展。

与巨头争夺市场需要独辟蹊径：人工智能领域巨头盘踞，业界的龙头企业往往会向市场开放框架或者算法技术平台方向发展，为更多的企业提供基础支撑，而一些市场规模还不大的细化场景，巨头公司尚不会涉足。当下的人工智能与各行各业的融合程度并不深，且人工智能技术尚处于发展阶段，融通性和体验性较好的终端产品还不多，市场机遇仍然具有很大的拓展空间。因此，成长型 AI 企业应当独辟蹊径选一个具体行业赛道解决实际问题，强化获得场景能力和获得数据的能力，把迭代形成的数据优势，演变为局部优势，对于企业而言是为良策。

5.2精于技术强于场景方案

未来很多基础技术服务都将是大公司的赛道，且趋于免费。而依托于算法的技术壁垒会越来越低，在一些“非关键应用”上，两个算法之间的微小差别其实对使用者感知并不明显。因此，对于技术提供商和算法类公司，如果技术壁垒不够高，上游很可能直接替代。成长型 AI 企业若不能直接面向用户或客户提供整体场景解决方案，其商业价值会将越来越小，技术创业者如果只定位做技术提供商，容易被上游巨头延展到自己的业务领域。因此，成长型 AI 企业需要：在技术窗口期抢占场景；强化商务能力；布局专利软著。

在技术窗口期抢占场景：在互联网和移动互联网创业的时代，技术商业化落地都有窗口期的概念，错过了窗口期会很难做大，进入过早失败概率也较高。在大部分投资都有投资回报期要求的情况下，创业公司要控制业务的方向和节奏，找好合适的时机。在人工智能领域，时机和节奏感的把握都很重要，而节奏感的控制除了来自对人工智能技术发展程度的判断，还有来自对融资环境的判断，对市场发展速度与变化的判断，和对竞争对手的判断。有这几个方向的判断，就能知道是否步子应该迈得大一些。

强化商务能力：除了业务与科技，最重要的是商务能力，对大客户合作模式要有深入了解，否则，就会了解不到客户的预算，决策，以及在什么情况下会采购产品。同时，也要注意行业监管的要求，要了解所做的方向是否合规以及和行业机构要求以什么样的方式合作。

布局专利软著：企业要注重于知识产权的规划，在建立行业信誉的同时进一步提升竞争力。知识产权不单只是专利的申请问题，更是要注重在哪些点上布局知识产权，可以起到保护自己和进一步提升竞争力的作用。

5.3善用多元化融资渠道

在政府引导资源配置投入与民间投入结合的背景下，我国人工智能产业融资环境不断完善发展，已逐渐形成了多元化的资本市场，成长型 AI 企业融资难度也在逐渐降低。如何抓住多元化的融资机遇，是成长型人工智能企业需要聚焦的重点：

产业孵化器：人工智能产业的迅速扩大，大量人工智能产业孵化器随之发展，不同阶段的初创企业均可运用孵化器的融资服务，得到更好的资金发展空间。以北京中关村创业大街为例，创业大街为不同阶段人工智能企业提供空间、运营服务及投资三大方面的不同孵化支持，针对具有核心技术和较大发展潜力的人工智能公司，将提供融资投入，助力企业成长。

风投融资：针对发展初期的非独角 AI 企业，在选择融资方时，选择对企业经营的干预较少，给予较多资源支持，同时留给企业充足的自由发展空间的投资方较为合适。此外，诸多投资人通常具有丰富的行业经验，能为初期成长型 AI 企业提供更开阔的发展视野。

债务/股权融资：成长型 AI 企业表现为依赖内源融资，对于发展中期的这些企业而言，持续扩大发展的关键在于寻求更广泛的外源融资。其中，银行债务融资与股权融资最为重要，吸引此类融资，需要这些企业注意建立一定的信用规模，建立税务透明。

此外，需关注融资成本与融资额度两大方面：

融资成本：基于成长型 AI 企业融资风险承担能力较弱的特点，这些企业应在融资前精准预估自我的风险承担能力，做到量力而行；另一方面，成长型企业也应考虑融资成功后所需支付的二阶段成本，计算比较回报效率再选择最合适的融资渠道。

融资额度：融资额度确定方面，成长型 AI 企业也应审视企业实际情况，过多的融资无法创造预期的回报，也会导致承重的资金负担。

5.4创新市场强化合作

在庞大的市场中，成长型 AI 企业如何抢占更大的优势资源，拓展更大的市场，需要思考以下几点：

• 市场洞察：使一个产品落地，所需要内部的链条很长，除了技术和研发，剩下 70% 的人可能是产品、销售、生产、渠道。若是硬件，则需要考虑硬件以年计的开发周期。发展初期非独角 AI 企业通常会由于缺乏具体市场经验而做出不正确的市场决策，因此，做好完备全面的市场洞察，包括市场规模、市场前景、应用场景等，对于成长型 AI 企业的顺利发展将起到举足轻重的作用。

• 市场合作：成长型 AI 企业应重视市场合作，包括与大型公司的合作和与社会资源的合作。在与大型公司的合作方面，成长型 AI 企业可以利用自身在某一核心技术上的能力，寻求与大型公司项目的合作甚至融资机会，从而向更宽阔的市场发展；在与社会资源的合作方面，应充分利用政策红利，提高市场效率。

5.5优化运营提升竞争力

对于成长型 AI 企业而言，企业运营对于企业战略目标的实现具有重大的影响，如何进一步提升市场竞争力，制定合理的运营策略是关键：

• 内部组织结构运营：据不同阶段的发展实况，适时调整公司内部组织结构是成长型 AI 企业的必要手段，包括但不局限于企业营销渠道、内部职能、管理制度等方面。只有不断根据市场变化、技术需求快速做出反应并且调整企业组织形式，才能确保成长型 AI 企业的技术成功快速转化以及上市。

• 人力资本运营：首先，在人才方面，要建立人才梯队。初创企业发展规模较小，人才聚集效应不佳，可由一到两个杰出人才，带一批普通的人才。在人力资源的引进和管理上，应当充分考虑人才在物质和职业成长方面的需求。其次，储备跨界人才。多家企业管理层均提到成长型 AI 企业应着手于寻找匹配公司核心技术发展的高层次人力，与此同时，在资金允许的情况下，应寻找更多不同领域的复合型人才，为公司未来技术应用场景的拓展做好铺垫。

• 企业文化运营：文化是企业的软实力，成长型 AI 企业的活力主要来源于创新，而只有培育开放宽松的创新文化氛围，企业创新才可以持续发展。

• 市场运营：企业是整个行业生态系统中的组成部分，对于成长型 AI 企业而言，应格外注重与生态系统中其余部分的市场合作，通过与政府部门、院校和科学院以及上下游企业/客户的合作更有利于把不同要素进行组合，最终达到质变产生创新成果。

5.6打造数据闭环迭代优化产品

成长型 AI 企业是搭建技术产品与场景落地最重要的桥梁，如何实现场景落地是每家人工智能初创企业所面临最大的挑战，场景落地需要打造数据闭环：

• 首先，梳理用户逻辑，分解数据来源。成长型 AI 企业在构想多数据维度场景时，首先需要先梳理用户逻辑，分解数据来源，根据用户需求选取技术路线，为客户提供更时尚、更个性化的用户体验。同时，企业在产品创新时需要思考市场的真正需求，从而规划适合自身产品的商业路径。

• 其次，产品迭代与测试需要形成闭环，不断优化与更新。产品落地需要选择基础设施、经过原型开发、迭代测试才能最终部署，这过程当中会不停积累用户数据，成长型 AI 企业需要以数据为驱动使产品测试与迭代形成闭环并且不断优化，为客户提供更加精简、高度网络化、更加专业化的企业服务。

• 第三，根据用户反馈优化运营并且迭代产品。产品落地后的运营业需要根据不断收集和分析用户反馈进行调整，优化运营和产品。成长型 AI 企业的产品价值在于开源、增效和降本，而这些价值必须在对企业现有产品和运营通路的深度优化中才能体现。