行業剖析

2016年，全球深度學習商場規模據估計已達到2.27億美元。跟著在自動駕駛和醫療健康工業的運用不斷增加，深度學習應該仍會對職業添加帶來突出的貢獻。它在技能上戰勝數據量、強計算力以及在數據存儲能力方面的優勢，使得其在語音、圖像等對數據雜亂性要求很高的范疇中異軍突起，供給了無窮的研討空間和價值。

各行各業日益添加的很多數據也在引領著職業開展，別的，對人機交互的無窮需要也為各類解決計劃供給商供給了開發計劃和功用的新途徑。但是，訓練神經網絡所需的數據對職業添加來講卻是一個應戰。

各大公司都在深度學習技能與商品結合方面大力投入。2016年11月，SK電信宣告他們和Intel合作，開發根據深度學習的V2X和視頻識別技能。此外，政府對此范疇的扶持和預算添加也將會促進將來幾年職業內的添加。例如，我國國家發改委就出資大力支持深度學習研討實驗室的開展。

解決計劃剖析

現在深度學習范疇的開展首要會集在軟件層面，經過根據深度學習以及機器學習技能的SaaS，現已給全部職業帶來推翻式的轉變。這些解決計劃不僅僅是數據的安排和集合，更能從中提取很多有用的信息來做猜測和判斷。

另一方面，算法和硬件的開展還有很長一段路要走，為此也推進著芯片的開展。在日益添加的需要下，FPGA和專用集成電路（ASIC）也在迅速更新，以滿足客戶的需要。

硬件剖析

在2016年里，GPU霸占了硬件區域，性能比其他芯片快很多。不斷增加的增強圖形內容的需要引發了深度學習運用運用GPU的需要。

另一方面，大公司添加運用GPU做研發也會添加GPU的需要。比如，谷歌宣告了2017年前期會在云機器學習和運算引擎里添加GPU，提高很多運算使命的性能。GPU正見證著用神經網絡訓練深度學習模型帶來的無窮開展。

FPGA在16年剛剛踏進深度學習范疇時，只占有小量的收入。但是，大家都遍及看好它會有更大的開展，有能力達到比GPU還高的效率?，F在FGPA還歸于重生期，但咱們期望它會成為這個范疇的首要玩家。

職業運用剖析

2016年，短網址在二維碼領域里獲得了無窮的關注，收入超過了總比例的40%。這個技能最廣泛的運用是Facebook的人臉識別功用。它在非結構化數據的模式識別范疇也運用廣泛，例如語音，文字，圖象和視頻等。

別的在將來8年，醫療和安防范疇的圖像識別運用也會迅速推進職業的開展。轎車和金融職業也會不斷轉型，來和高新技能不斷磨合，用技能進一步提高運營能力并且和技能轉化落地的能力，為業務和用戶帶來更多的價值。

數據挖掘技能在2016年在商場擁有5%的占有率。關于模式識別和有效猜測的數據分割猜測，是促進這項技能添加的首要驅動力。用數據挖掘技能去做決策和推斷正在為大數據剖析范疇帶來推翻式的變革。

終端運用剖析

深度學習在航空航天和國防上的收入占到了2016年商場總收入的20%，首要來自于在遠程傳感、物體檢測和定位、光譜剖析、識別網絡異常以及惡意代碼檢測上的運用。別的，跟著駕駛艙到步兵團逐步開始引入可穿戴計算，關于通用型GPU的的需要激增。

航空航天和國防正在使用深度學習技能，經過運行著很多數據的嵌入式平臺來應對防御上的應戰。經過圖像處理和數據挖掘技能，這些解決計劃能夠猜測和評估將來的舉動路線。例如，美國國土安全局就運用深度學習技能在他的綜合環境剖析和模仿項目中來進行將來可能發生的事件的評估。

轎車工業在全部去年深度學習工業收入上的占比也很顯著。這是因為現在轎車工業正在由曩昔的私人所有制向同享經濟轉型。轎車制造商開始意識到，自動駕駛轎車的意義，并且都開始將深度學習歸入到自個的生態系統中。奧迪在它與攝像機有關的技能中運用了深度學習算法，以此來經過特征和形狀來識別交通標志。

區域剖析

因為在人工智能和神經網絡方面投資的添加，在2016年的總收入中，北美商場的收入比例占比超過了45%。在可預期的一段時間內，這種增勢還將會繼續發生。北美商場對前沿科技的接受程度非常之高，這也使得區域內的企業對深度學習技能的選用也處在一個高速過程中。

另一方面，政府不斷增加的支持也影響了這個范疇的開展。美國聯邦政府現已建立了人工智能和機器學習的專業委員會，這也使得職業開展迅速。

歐洲關于人工智能的重視也在不斷的加強，這使得深度學習工業的添加空間也進一步擴大。尤其是在英國，自動駕駛、智能設備以及網絡安全都在促進全部職業不斷開展。

競爭剖析

現在商場上的首要玩家包括：Nvidia、Intel、Google、微軟。這些玩家現在正在經過不斷的并購來不斷擴展自個在研發以及商場比例爭奪上的優勢。2016年8月，英特爾收買了Nervana，以此來獲取它的硬件芯片平臺。

與此同時，很多公司也在不斷加大投入，希望能在自個的商品中加入深度學習的能力。2016年11月，GE醫療宣告和加州大學舊金山剖析合作開發深度學習算法庫，以此來促進內科醫生在確診和醫治患者上的效率和準確率。