多維度分析“深度學習”市場的趨勢走向
行業分析
2016年，全球深度學習市場規模據估計已達到2.27億美元。隨著在自動駕駛和醫療健康產業的應用越來越多，深度學習應該仍會對行業增長帶來突出的貢獻。它在技術上克服數據量、強計算力以及在數據存儲能力方面的優勢，使得其在語音、圖像等對數據復雜性要求很高的領域中異軍突起，提供了巨大的研究空間和價值。
各行各業日益增長的大量數據也在引領著行業發展，另外，對人機交互的巨大需求也為各類解決方案提供商提供了開發方案和功能的新途徑。然而， 訓練神經網絡所需的數據對行業增長來講卻是一個挑戰。
各大公司都在深度學習技術與產品結合方面大力投入。2016年11月，SK電信宣布他們和Intel合作，開發基于深度學習的V2X和視頻識別技術。此外，政府對此領域的扶持和預算增加也將會促進未來幾年行業內的增長。例如，中國國家發改委就出資大力支持深度學習研究實驗室的發展。
解決方案分析
目前深度學習領域的發展主要集中在軟件層面，通過基于深度學習以及機器學習技術的SaaS，已經給整個行業帶來顛覆式的轉變。這些解決方案不僅僅是數據的組織和集合，更能從中提取大量有用的信息來做預測和判斷。
另一方面，算法和硬件的發展還有很長一段路要走，為此也推動著芯片的發展。在日益增長的需求下，FPGA和專用集成電路（ASIC）也在快速更新，以滿足客戶的需求。
硬件分析
在2016年里，GPU霸占了硬件區域，性能比其他芯片快很多。越來越多的增強圖形內容的需求引發了深度學習應用使用GPU的需求。
另一方面，大公司增加使用GPU做研發也會增加GPU的需求。比如，谷歌宣布了2017年早期會在云機器學習和運算引擎里添加GPU，提高大量運算任務的性能。GPU正見證著用神經網絡訓練深度學習模型帶來的巨大發展。
FPGA在16年剛剛踏進深度學習領域時，只占有小量的收入。但是，大家都普遍看好它會有更大的發展，有能力達到比GPU還高的效率。現在FGPA還屬于新生期，但我們期望它會成為這個領域的重要玩家。
行業應用分析
2016年，圖像識別在行業里獲得了巨大的關注，收入超過了總份額的40%。這個技術最廣泛的應用是Facebook的人臉識別功能。它在非結構化數據的模式識別領域也應用廣泛，例如語音，文字，圖象和視頻等。
另外在未來8年，醫療和安防領域的圖像識別應用也會快速推動行業的發展。汽車和金融行業也會不斷轉型，來和高新技術不斷磨合，用技術進一步提高運營能力并且和技術轉化落地的能力，為業務和用戶帶來更多的價值。
數據挖掘技術在2016年在市場擁有5%的占有率。對于模式識別和有效預測的數據分割預測，是促使這項技術增長的主要驅動力。 用數據挖掘技術去做決策和推斷正在為大數據分析領域帶來顛覆式的變革。
終端應用分析
深度學習在航空航天和國防上的收入占到了2016年市場總收入的20%，主要來自于在遠程傳感、物體檢測和定位、光譜分析、識別網絡異常以及惡意代碼檢測上的應用。另外，隨著駕駛艙到步兵團逐漸開始引入可穿戴計算，對于通用型GPU的的需要激增。
航空航天和國防正在利用深度學習技術，通過運行著大量數據的嵌入式平臺來應對防御上的挑戰。通過圖像處理和數據挖掘技術，這些解決方案能夠預測和評估未來的行動路線。例如，美國國土安全局就使用深度學習技術在他的綜合環境分析和模擬項目中來進行未來可能發生的事件的評估。
汽車產業在整個去年深度學習產業收入上的占比也很顯著。這是由于如今汽車產業正在由過去的私人所有制向共享經濟轉型。汽車制造商開始意識到，自動駕駛汽車的意義，并且都開始將深度學習納入到自己的生態系統中。奧迪在它與攝像機有關的技術中使用了深度學習算法，以此來通過特征和形狀來識別交通標志。
地區分析
由于在人工智能和神經網絡方面投資的增加，在2016年的總收入中，北美市場的收入份額占比超過了45%。在可預期的一段時間內，這種增勢還將會持續發生。北美市場對前沿科技的接受程度非常之高，這也使得地區內的企業對深度學習技術的采用也處在一個高速過程中。
另一方面，政府越來越多的支持也刺激了這個領域的發展。美國聯邦政府已經建立了人工智能和機器學習的專業委員會，這也使得行業發展迅速。
歐洲對于人工智能的重視也在不斷的加強，這使得深度學習產業的增長空間也進一步擴大。尤其是在英國，自動駕駛、智能設備以及網絡安全都在促使整個行業不斷發展。
競爭分析
目前市場上的主要玩家包括：Nvidia、Intel、Google、微軟。這些玩家目前正在通過不斷的并購來不斷擴展自己在研發以及市場份額爭奪上的優勢。2016年8月，英特爾收購了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，希望能在自己的產品中加入深度學習的能力。2016年11月，GE醫療宣布和加州大學舊金山分析合作開發深度學習算法庫，以此來促進內科醫生在診斷和治療病人上的效率和準確率。
