人工智能和大数据
-
2023年3月16日发(作者：优秀教学设计案例)⼤数据和⼈⼯智能概念全⾯解析
如果你想要系统地学习⼈⼯智能，那么推荐你去看床长⼈⼯智能教程。⾮常棒的⼤神之作，教程不仅通俗易懂，⽽且很风趣幽默。点击可以
查看教程。
随着移动互联⽹的爆发，数据量呈现出指数级的增长，⼤数据的积累为⼈⼯智能提供了基础⽀撑。同时受益于计算机技术在数据采集、存
储、计算等环节的突破，⼈⼯智能已从简单的算法+数据库发展演化到了机器学习+深度理解的状态。
⼆、⼈⼯智能产业及⽣态
按产业链结构划分，⼈⼯智能可以分为基础技术层、AI技术层和AI应⽤层。基础技术层主要聚焦于数据资源、计算能⼒和硬件平台，数据资
源主要是各类⼤数据，硬件资源包括芯⽚研发、存储设备开发等。AI技术层着重于算法、模型及可应⽤技术，如计算智能算法、感知智能算
法、认知智能算法。AI应⽤层则主要关注将⼈⼯智能与下游各领域结合起来，如⽆⼈机、机器⼈、虚拟客服、语⾳输⼊法等。
图1⼈⼯智能产业链
资料来源：中国产业信息⽹，《2017年中国⼈⼯智能⾏业发展概况及未来发展趋势分析》
（⼀）基础技术层
⼀、⼤数据和⼈⼯智能
⼤数据是伴随着信息数据爆炸式增长和⽹络计算技术迅速发展⽽兴起的⼀个新型概念。根据麦肯锡全球研究所的定义，⼤数据是⼀种规模⼤
到在获取、存储、管理、分析⽅⾯⼤⼤超出了传统数据库软件⼯具能⼒范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数
据类型和价值密度低四⼤特征。⼤数据能够帮助各⾏各业的企业从原本毫⽆价值的海量数据中挖掘出⽤户的需求，使数据能够从量变到质
变，真正产⽣价值。随着⼤数据的发展，其应⽤已经渗透到农业、⼯业、商业、服务业、医疗领域等各个⽅⾯，成为影响产业发展的⼀个重
要因素。
当前⼈们所说的⼈⼯智能，是指研究、开发⽤于模拟、延伸和扩展⼈的智能的理论、⽅法、技术以及应⽤系统的⼀门新的技术科学，是由⼈
⼯制造出来的系统所表现出来的智能。
传统⼈⼯智能受制于计算能⼒，并没能完成⼤规模的并⾏计算和并⾏处理，⼈⼯智能系统的能⼒较差。2006年，Hinton教授提出“深度
学习”神经⽹络使得⼈⼯智能性能获得突破性进展，进⽽促使⼈⼯智能产业⼜⼀次进⼊快速发展阶段。“深度学习”神经⽹络主要机理是通
过深层神经⽹络算法来模拟⼈的⼤脑学习过程，通过输⼊与输出的⾮线性关系将低层特征组合成更⾼层的抽象表⽰，最终达到掌握运⽤的⽔
平。数据量的丰富程度决定了是否有充⾜数据对神经⽹络进⾏训练，进⽽使⼈⼯智能系统经过深度学习训练后达到强⼈⼯智能⽔平。因此，
能否有⾜够多的数据对⼈⼯神经⽹络进⾏深度训练，提升算法有效性是⼈⼯智能能否达到类⼈或超⼈⽔平的决定因素之⼀。
1.1⼤数据
数据资源是机器学习训练的基本素材，通过对于数据的学习，机器能不断积累经验和优化决策参数，逐渐变得更贴近⼈类智能。
从数据流动⽅向的⾓度来看，⼤数据的产业链可分为底层平台、处理分析、应⽤三个层次。底层平台由基础设施与数据资产池构成，主要提
供数据采集、分享和交易服务，处理分析则是在原始数据的基础上对数据进⾏清洗后以不同⽅式呈现。在数据处理分析的基础之上，挖掘各
⾏业的数据需求，最终为⽤户提供服务。
根据数据应⽤程度不同，⼤数据产业链下各参与⽅功能可细分为数据标准与规范化、数据采集、数据安全、数据储存与管理、数据分析与挖
掘、数据运维和数据运⽤七个⽅⾯。
1.2计算能⼒和硬件平台
数据资源、核⼼算法、运算能⼒是⼈⼯智能的三⼤核⼼要素。随着全球移动互联⽹和物联⽹等快速发展，⼈类可获取利⽤的数据正以爆炸式
增长。海量的⼤数据通过最新的深度学习技术将为⼈⼯智能的发展与应⽤带来难以估量的价值，⽽运算能⼒提升是⼈⼯智能发展的前提保
障。其中，芯⽚是运算能⼒的核⼼。
就⽬前⽽⾔，AI芯⽚主要类型有GPU、FPGA、ASIC和类⼈脑芯⽚四种。
1.2.1GPU
1.2.1.1GPU简介
GPU即图形处理器，最初是⽤来做图像运算的微处理器。GPU优化和调整了CPU结构，使其运算速度突飞猛进，拥有了更强⼤的处理浮
点运算的能⼒。2009年，斯坦福⼤学的吴恩达及其团队发现GPU芯⽚可以并⾏运⾏神经⽹络。⽤GPU来运⾏机器学习模型，同样的⼤训
练集，GPU在耗费功率更低、占⽤基础设施更少的情况下能够⽀持远⽐单纯使⽤CPU时10-100倍的应⽤吞吐量。因此GPU已经成为数据
科学家处理⼤数据的处理器。
1.2.1.2GPU⾏业现状
⽬前国际GPU市场被NVIDIA和AMD两⼤公司⽠分，全球GPU⾏业的市场份额有超过70％被NVIDIA占据，⽽应⽤在⼈⼯智能领域的可进
⾏通⽤计算的GPU市场则基本被NVIDIA垄断。⽬前公司已与⾕歌、微软、IBM、丰⽥、百度等多家尝试利⽤深度神经⽹络来解决海量复杂
计算问题的企业建⽴和合作关系。NVIDIA与下游客户在深度学习领域的合作不断加深，已经开发出多款针对深度学习的GPU产品。从产品
成熟度、⽣态圈的规模⾓度⽽⾔，NVIDIA的GPU已具备统治性的地位。
中国在GPU芯⽚设计领域起步较晚，⽬前只有景嘉微和兆芯两家掌握核⼼技术的公司正在逐步打破国外芯⽚在我国GPU市场的垄断局⾯，
但产品还是主要⽤于GPU最初的图形显控领域，距⼈⼯智能所需要的GPU技术还有很远的距离。
1.2.2FPGA
1.2.2.1FPGA简介
FPGA，即场效可编程逻辑闸阵列，最初是从专⽤集成电路上发展起来的半定制化的可编程电路，FPGA还具有静态可重复编程和动态在系
统重构的特性，使得硬件的功能可以像软件⼀样通过编程来修改，不同的编程数据在同⼀⽚FPGA上可以产⽣不同的电路功能，具有很强的
灵活性和适应性。
FPGA和GPU内都有⼤量的计算单元，因此它们的计算能⼒都很强。在进⾏神经⽹络运算的时候，两者的速度会⽐CPU快很多。但是
GPU由于架构固定，硬件原⽣⽀持的指令也就固定了，⽽FPGA则是可编程的。其可编程性是关键，因为它让软件与终端应⽤公司能够提
供与其竞争对⼿不同的解决⽅案，并且能够灵活地针对⾃⼰所⽤的算法修改电路。与GPU相⽐，FPGA具有性能⾼、能耗低及可硬件编程的
特点。
1.2.2.2FPGA⾏业现状
⽬前FPGA整个市场被国外的两⼤巨头所寡占，据东⽅证券研究所数据显⽰，Xilinx和Altera占了近90%的份额，合计专利达到6000多
项，剩余份额被Lattice和Microsemi两家占据，两家专利合计共有超过3000项。技术专利的限制和漫长的开发周期使得FPGA⾏业有着极
⾼的壁垒。
尽管我国政府多年来在此领域投⼊了数百亿的科研经费，但FPGA的专利限制及技术门槛使得中国FPGA的研发之路⼗分艰⾟，国内如同创
国芯、京微雅格、⾼云等公司在FPGA研发⽅⾯已获得⼀定进展，但产品性能、功耗、容量和应⽤领域上都同国外先进技术存在着较⼤差
距。当前国内部分资本已经试图⾛出国门，通过并购半导体类公司的⽅法进⼊FPGA的⾏业，实现弯道超车。
1.2.3ASIC
1.2.3.1ASIC简介
ASIC，即专⽤集成电路，是指应特定⽤户要求或特定电⼦系统的需要⽽设计、制造的集成电路。ASIC作为集成电路技术与特定⽤户的整机
或系统技术紧密结合的产物，与通⽤集成电路相⽐，具有以下⼏个⽅⾯的优越性：体积更⼩、功耗更低、可靠性提⾼、性能提⾼、保密性增
强。FPGA⼀般来说⽐ASIC的速度要慢，⽽且⽆法完成更复杂的设计，并且会消耗更多的电能，因此就算⼒⽽⾔ASIC远优于FPGA；但
ASIC的专⽤特点使得其⽣产成本很⾼，如果出货量较⼩，则采⽤ASIC在经济上不太实惠。⼀旦⼈⼯智能技术成熟，ASIC专⽤集成的特点
反⽽会达到规模效应，较通⽤集成电路⽽⾔，成本⼤⼤降低。
当前ASIC在⼈⼯智能深度学习⽅⾯的应⽤还不多，但是我们可以拿⽐特币矿机芯⽚的发展做类似的推理。⽐特币挖矿和⼈⼯智能深度学习
有类似之处，都是依赖于底层的芯⽚进⾏⼤规模的并⾏计算。⽐特币矿机的芯⽚经历了四个阶段：CPU、GPU、FPGA和ASIC。其中
ASIC在⽐特币挖矿领域，展现出了得天独厚的优势。随着⼈⼯智能越来越多的应⽤在各个领域并表现出优越的性能，长期来看ASIC⼤有可
为。
1.2.3.2ASIC市场现状
随着⼈⼯智能的兴起，科技巨头纷纷布局芯⽚制造。⾼通、AMD、ARM、Intel和NVIDIA都在致⼒于将定制化芯⽚整合进它们的现有解决
⽅案中。Nervana和Movidius（⽬前都在Intel旗下）据说正在开发集合⽅案。ASIC中较为成熟的产品是⾕歌针对AlphaGo研发的TPU。
第⼀代TPU产品由⾕歌在2016年I/O⼤会上正式推出，今年5⽉的开发者I/O⼤会上，⾕歌正式公布了第⼆代TPU，⼜称CloudTPU，相较
于初代TPU，既能⽤于训练神经⽹络，⼜可以⽤于推理，浮点性能⽅⾯较传统的GPU提升了15倍。
ASIC在⼈⼯智能领域的应⽤起步较晚，国内外⽔平相差不⼤。⽬前国内已有数家公司致⼒于⼈⼯智能相关ASIC芯⽚研究，代表公司为地平
线机器⼈、中科寒武纪与中星微电⼦。其中地平线机器⼈公司作为初创企业，致⼒于打造基于深度神经⽹络的⼈⼯智能“⼤脑”平台-包括
软件和芯⽚，可以做到低功耗、本地化的解决环境感知、⼈机交互、决策控制等问题。其关于芯⽚的研发⽬前还未成熟。中科寒武纪和中星
微电⼦则已经有了相对成熟的产品。寒武纪芯⽚专门⾯向深度学习技术，研制了国际⾸个深度学习专⽤处理器芯⽚NPU，⽬前已研发的三款
芯⽚分别⾯向神经⽹络的原型处理器结构、⼤规模神经⽹络和多种机器学习算法，预计将于2018年实现芯⽚的产业化。中星微电⼦于
2016年6⽉推出中国⾸款嵌⼊式神经⽹络处理器（NPU）芯⽚，这是全球⾸颗具备深度学习⼈⼯智能的嵌⼊式视频采集压缩编码系统级芯
⽚。这款基于深度学习的芯⽚运⽤在⼈脸识别上，最⾼能达到98%的准确率，超过⼈眼的识别率。该芯⽚于2017年3⽉6⽇实现量产，截
⽌到今年5⽉出货量为⼗⼏万件。
1.2.4类⼈脑芯⽚
1.2.4.1类⼈脑芯⽚简介
类⼈脑芯⽚是⼀种基于神经形态⼯程、借鉴⼈脑信息处理⽅式，旨在打破“冯·诺依曼”架构束缚，适于实时处理⾮结构化信息、具有学习
能⼒的超低功耗新型计算芯⽚。从理论上来看，类⼈脑芯⽚更加接近于⼈⼯智能⽬标的芯⽚，⼒图在基本架构上模仿⼈脑的⼯作原理，使⽤
神经元和突触的⽅式替代传统架构体系，使芯⽚能够进⾏异步、并⾏、低俗和分布式处理信息数据的能⼒，同时具备⾃护感知、识别和学习
的能⼒。
1.2.4.2类⼈脑芯⽚市场现状
类⼈脑芯⽚是⼈⼯智能芯⽚发展的重点⽅向。⽬前各国政府及科技巨头都在⼤⼒推动类⼈脑芯⽚的研发进程，包括美国、⽇本、德国、英
国、瑞⼠等发达国家已经制定相应的发展战略，中国的类⼈脑科学研究项⽬⽬前也已经正式启动。当前世界上已有⼀批科技公司⾛在前列，
在类⼈脑芯⽚研发中取得了突破，代表产品包括IBM的TrueNorth芯⽚、⾼通Zeroth芯⽚、⾕歌的“神经⽹络图灵机”等。
（⼆）AI技术层
AI技术层主要着眼于算法、模型及可应⽤技术。按照智能程度不同，⼈⼯智能可分为运算智能、感知智能、认知智能三个阶段。运算智能，
即快速计算和记忆存储能⼒，在这⼀阶段主要是算法与数据库相结合，使得机器开始像⼈类⼀样会计算和传递信息；感知智能，即视觉、
听觉、触觉等感知能⼒，在这⼀阶段，数据库与浅层学习算法结合，使得机器开始看懂和听懂，并做出判断、采取⾏动；认知智能，即能理
解会思考的能⼒，这⼀阶段主要是采⽤深度学习算法，使得机器能够像⼈⼀样思考，主动采取⾏动。
AI技术层可以分为框架层和算法层，其中框架层指TensorFlow，Caffe，Theano，Torch，DMTK，DTPAR，ROS等框架或操作系统，
算法层指的是对数据的处理⽅法。
根据数据类型的不同，对⼀个问题会采⽤不同的建模⽅式，即学习⽅式。按照学习⽅式来分类，⼈⼯智能算法可以分为传统机器学习和神经
⽹络算法，其中传统机器学习⼜可细分为监督式学习、⾮监督式学习、半监督式学习、强化学习。
2.1传统机器学习
2.1.1监督式学习
在监督式学习下，输⼊数据被称为“训练数据”，每组训练数据有⼀个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“⾮垃圾邮
件”，对⼿写数字识别中的“1“，”2“，”3“，”4“等。在建⽴预测模型的时候，监督式学习建⽴⼀个学习过程，将预测结果与“训
练数据”的实际结果进⾏⽐较，不断的调整预测模型，直到模型的预测结果达到⼀个预期的准确率。监督式学习的常见应⽤场景如分类问题
和回归问题。常⽤算法有回归算法、朴素贝叶斯、SVM等。
2.1.2⾮监督式学习
在⾮监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的⼀些内在结构。常见的应⽤场景包括关联规则的学习以及聚类等。
关联规则学习的常见算法主要为Apriori算法及其拓展算法，聚类的常⽤算法有k-Means算法及其相似算法。
2.1.3半监督式学习
在此学习⽅式下，输⼊数据部分被标识，部分没有被标识，这种学习模型可以⽤来进⾏预测，但是模型⾸先需要学习数据的内在结构以便合
理的组织数据来进⾏预测。应⽤场景包括分类和回归，算法包括⼀些对常⽤监督式学习算法的延伸，这些算法⾸先试图对未标识数据进⾏建
模，在此基础上再对标识的数据进⾏预测。如图论推理算法（GraphInference）或者拉普拉斯⽀持向量机（LaplacianSVM.）等。
2.1.4强化学习
在此学习模式下，输⼊数据作为对模型的反馈，不像监督模型那样，输⼊数据仅仅是作为⼀个检查模型对错的⽅式，在强化学习下，输⼊数
据直接反馈到模型，模型必须对此⽴刻作出调整。常见的应⽤场景包括动态系统以及机器⼈控制等。常见算法包括Q-Learning以及时间差
学习（Temporaldifferencelearning）。
2.2神经⽹络
⼈⼯神经⽹络是模拟⽣物神经⽹络，由众多的神经元可调的连接权值连接⽽成，具有⼤规模并⾏处理、分布式信息存储、良好的组织学习能
⼒特点，并通过⼀定学习准则进⾏学习，进⽽建⽴相关模型，解决⼀定⼯作。在⼈⼯神经⽹络的学习算法设计⽅⾯，⼀般对⼈⼯神经⽹络进
⾏⼤量的数据训练和调整，不断修正各层级节点参数，通过不断学习使得⼈⼯神经⽹络具有初步的⾃适应能⼒和⾃我组织能⼒及较强的泛化
能⼒，进⽽较快适应周边环境要求，基于其众多优点，⼈⼯神经⽹络已然成为⼈⼯智能算法的核⼼。深度学习算法是⼈⼯神经⽹络当前最新
算法，其实质是通过很多隐层的机器学习模型和海量的训练数据来学习更有⽤的特征，从⽽提升分类或预测的准确性。
（三）AI应⽤层
⼈⼯智能的应⽤主要是采⽤了“AI+垂直⾏业”的⽅式渗透到传统各⾏业，按发展层次的不同可以分为专⽤⼈⼯智能、通⽤⼈⼯智能和超级
⼈⼯智能三个层次。其中，专⽤⼈⼯智能以⼀个或多个专门的领域和功能为主；通⽤⼈⼯智能即机器与⼈类⼀样拥有进⾏所有⼯作的可能，
关键在于⾃动地认知和拓展；超级⼈⼯智能是指具有⾃我意识，包括独⽴⾃主的价值观、世界观等，⽬前仅存在于⽂化作品构想中。
按应⽤技术类型进⾏划分，⼈⼯智能的应⽤技术可以分为计算机视觉、机器学习、⾃然语⾔处理和机器⼈四块。
3.1计算机视觉
计算机视觉，是指计算机从图像中识别出物体、场景和活动的能⼒。计算机视觉技术运⽤由图像处理操作及其他技术所组成的序列来将图像
分析任务分解为便于管理的⼩块任务⽬前计算机视觉主要应⽤在⼈脸识别、图像识别⽅⾯（包括静态、动态两类信息）。
⼈脸识别，亦叫⼈像识别、⾯部识别，是基于⼈的脸部特征信息进⾏⾝份识别的⼀种⽣物识别技术。⽤摄像机或摄像头采集含有⼈脸的图像
或视频流，并⾃动在图像中检测和跟踪⼈脸，进⽽对检测到的⼈脸进⾏处理的⼀系列相关技术。
图像识别，是计算机对图像进⾏处理、分析和理解，以识别各种不同模式的⽬标和对象的技术。识别过程包括图像预处理、图像分割、特征
提取和判断匹配。由于动态监测与识别的技术限制，静态图像识别与⼈脸识别的研究暂时处于领先位置。
当前国外科技巨头⾃⾏研发和收购双管齐下布局计算机视觉领域，将技术⼴泛⽤于⾃⾝产品升级，并基于⾃⾝基因打造技术服务平台和新品
类持续提升影响⼒。中国国内BAT都已纷纷布局相关领域，并基于⾃⾝产品进⾏功能研发。百度相对更加激进，成⽴了独⽴风投公司，专注
于AI早期投资。
除BAT三巨头外，国内也有不少初创公司涉⾜计算机视觉技术，主要聚焦于技术应⽤。其中典型代表当属旷视科技。公司成⽴于2012年11
⽉，公司专注于⼈脸识别技术和相关产品应⽤研究，⾯向开发者提供服务，能提供⼀整套⼈脸检测、⼈脸识别、⼈脸分析以及⼈脸3D技术
的视觉技术服务，主要通过提供云端API、离线SDK、以及⾯向⽤户的⾃主研发产品形式，将⼈脸识别技术⼴泛应⽤到互联⽹及移动应⽤场
景中。Face++通过和众多互联⽹公司合作，并通过“脱敏”技术掌握到了500万张⼈脸图⽚数据库，在互联⽹图⽚⼈脸识别LFW的准确率
达到99.6%，合作伙伴包括阿⾥、360等⼀批⼤型的图⽚、社交、设备类企业。
当前国内计算机视觉创业热度不断提⾼，iiMediaResearch(艾媒咨询)数据显⽰，中国⼈⼯智能创业公司所属领域分布中，计算机视觉领
域拥有最多创业公司，⾼达35家。
3.2机器学习
机器学习是指计算机通过对⼤量已有数据的处理分析和学习，从⽽拥有预测判断和做出最佳决策的能⼒。其核⼼在于，机器学习是从数据中
⾃动发现模式，模式⼀旦被发现便可⽤于做预测。
机器学习的应⽤范围⾮常⼴泛，针对那些产⽣庞⼤数据的活动，它⼏乎拥有改进⼀切性能的潜⼒。除了欺诈甄别之外，这些活动还包括销售
预测、库存管理、⽯油和天然⽓勘探、以及公共卫⽣。机器学习技术在其他的认知技术领域也扮演着重要⾓⾊，⽐如计算机视觉，它能在海
量图像中通过不断训练和改进视觉模型来提⾼其识别对象的能⼒。
现如今，机器学习已经成为认知技术中最炙⼿可热的研究领域之⼀，在2011-2014年中这段时间内就已吸引了近⼗亿美元的风险投资。⾕
歌也在2014年斥资4亿美⾦收购Deepmind这家研究机器学习技术的公司。⽬前国内机器学习相关企业数量相对较少。BAT在机器学习⽅
⾯有着先天的优势，国内初创公司第四范式是基于机器学习的解决⽅案提供商。
3.3⾃然语⾔处理
⾃然语⾔处理就是⽤⼈⼯智能来处理、理解以及运⽤⼈类语⾔，通过建⽴语⾔模型来预测语⾔表达的概率分布，从⽽实现⽬标。
⾃然语⾔处理技术在⽣活中应⽤⼴泛，例如机器翻译、⼿写体和印刷体字符识别、语⾳识别后实现⽂字转换、信息检索、抽取与过滤、⽂
本分类与聚类、舆情分析和观点挖掘等。它们分别应⽤了⾃然语⾔处理当中的语法分析、语义分析、篇章理解等技术，是⼈⼯智能界最前沿
的研究领域。时⾄今⽇AI在这些技术领域的发展已经把识别准确率从70%提⾼到了90%以上，但只有当准确率提⾼到99%及以上时，才能
被认定为⾃然语⾔处理的技术达到⼈类⽔平。
在资本与产业助⼒之下，我国⼈⼯智能的语⾳识别技术已处于国际领先⽔平，技术成熟，通⽤识别率上，各企业均维持在了95%左右的⽔
平。类似百度、科⼤讯飞等上市公司凭借深厚的技术和数据积累在市场上占据前列，且通过软硬件服务的开发不断进化着⾃⾝的服务能⼒。
在科⼤讯飞之后发布国内第⼆家“语⾳识别公有云”的云知声在各项通⽤语⾳服务技术的提供上也占据着不⼩的市场空间。除此之外，依托
中科院⾃动化所的紫冬锐意和纳象⽴⽅以及有着海外背景的苏州思必驰在教育领域的语⾳识别上占据着领先的位置。
3.4机器⼈
将机器视觉、⾃动规划等认知技术整合⾄极⼩却⾼性能的传感器、致动器、以及设计巧妙的硬件中，这就催⽣了新⼀代的机器⼈，它有能⼒
与⼈类⼀起⼯作，能在各种未知环境中灵活处理不同的任务。
⽬前世界上⾄少有48个国家在发展机器⼈，其中25个国家已涉⾜服务型机器⼈开发。在⽇本、北美和欧洲，迄今已有7种类型计40余款服
务型机器⼈进⼊实验和半商业化应⽤在服务机器⼈领域。美国是机器⼈的发源地，美国的机器⼈技术在国际上仍⼀直处于领先地位，其技术
全⾯、先进，适应性⼗分强，在军⽤、医疗、家⽤服务机器⼈产业都占有绝对的优势，占服务机器⼈市场约60%的份额。国内智能机器⼈⾏
业的研发主要集中于家庭机器⼈、⼯业/企业服务和智能助⼿三个⽅⾯。其中⼯业及企业服务类的机器⼈研发企业依托政策背景和市场需求
处于相对领先的发展阶段。然⽽在中国涉⾜智能机器⼈的企业中，从事家庭机器⼈和智能助⼿研发的企业占据了绝⼤多数⽐例。
因为服务⼀般都要结合特定市场进⾏开发，本⼟企业更容易结合特定的环境和⽂化进⾏开发占据良好的市场定位，从⽽保持⼀定的竞争优
势；另⼀⽅⾯，外国的服务机器⼈公司也属于新兴产业，⼤部分成⽴的时候还⽐较短，因⽽我国的服务机器⼈产业⾯临着⽐较⼤的机遇和可
发展空间。