2018年中国人工智能行业发展现状及发展前景分析

　　深度学习的突破将人工智能带进全新阶段。 2006 年-2015 年是人工智能崛起的黄金十年。 2006 年 Hinton 提出“深度学习” 神经网络（深度臵信网络， DBN）使得人工智能的性能获得了突破性进展， 2006 年成为人工智能发展史上一个重要的分界点。 近年来，随着深度学习算法的逐步成熟， AI 相关的应用也在近年加速落地。 谷歌的“AlphaGo”的围棋算法是其中一个典型成功的应用。目前图像和语音识别研究也取得了很大突破，并逐步进行探索性的应用。

AI 2.0 是人工智能崛起的黄金十年

数据来源：公开资料整理

　　中国 AI 市场规模增速高于全球增速： 2015 年国内人工智能市场为 12 亿元，其中语音识别占 60%，计算机视觉占据 12.5%，其他识别部分为 27.5%。在只考虑语音识别、计算机视觉，不包括硬件产品销售收入(如机器人、无人机、智能家居等销售)、信息搜索、资讯分发、精准广告推送等的情况下， BBC 预计全球人工智能总体市场规模 2020 年将达到 1190 亿元，复合增长率约为 19.7%；预测国内人工智能市场规模 2020 年将达到 91 亿，年复合增长率约 50%。

全球人工智能市场规模快速增长

数据来源：公开资料整理

国内人工智能市场规模快速增长

数据来源：公开资料整理

　　人工智能上升为国家战略，并明确了阶段性发展目标： 7 月 20 日，新华社2报道了国务院关于印发3《新一代人工智能规划》 4的通知， 提出了面向 2030 年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。 本次《规划》的印发意义重大。其一，本次《规划》的印发由国务院主导，意味着人工智能正式成为国家战略。其二，本次《规划》明确提出了“三步走”的战略：第一步，我国人工智能产业到 2020 前与世界先进水平同步，重点发展领域为大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等， AI 核心产业 1500 亿，拉动 1 万亿；第二步，到 2025 部分技术与应用达到世界领先水平，重点领域为智能制造、智能医疗、智慧城市、智能农业、国防建设等， AI 核心产业 4000 亿拉动 5 万亿；第三步到 2030 年达到世界先进水平，重点领域为类脑智能、自主智能、混合智能和群体智能等， AI 核心产业 1 万亿拉动 10 万亿。三步走的战略将《规划》进行了细化，并给出了具体量化的发展目标，有望推动人工智能的快速发展逐步实现。其三，本次《规划》不仅对人工智能的基础硬件、算法框架等内容提出了要求，同时对软件、下游应用、生态，以及人才培养体系等、相关配套政策均提出了要求，有望使人工智能作为生态型重点发展产业扶持。其四，《规划》提出了要给予充分的财政和政策支持，并鼓励成立人工智能发展基金，政策和资金上的支持对新兴产业的发展至关重要，将成为行业发展的基石。

　　发展人工智能，芯片先行。 深度学习通过构建很多隐层的机器学习模型和海量的数据来训练机器，使机器去学习更有用的特征，从而最终提升分类和推理的准确性，引领当今人工智能算法方向。深度学习需要进行大量的并行计算，而传统的 CPU 往往需要数百甚至成千上万条指令才能完成一个神经单元的处理，无法支撑深度学习大规模数据的并行计算，深度学习需要新的芯片来对大规模的并行计算进行加速。目前常用的加速深度学习并行计算的人工智能芯片有 GPU、 FPGA、ASIC 和处于理论阶段的类脑芯片。深度学习的训练需要强大的计算能力：人工智能因其自身神经网络模型结构的复杂性，以及训练深度神经网络需要大量的高阶统计数据，对于计算能力的需求非常大。 与李世乭对弈的谷歌 ALPHAGO 有 1920 个 CPU 加 280 个 GPU，而这只是比赛时执行深度学习算法的计算机系统。训练这个深度学习算法的计算机网络规模至少要提高一个数量级，而这个提供训练计算能力的计算机网络才是ALPHAGO 持续进化的原动力。

　　人工智能芯片“云+端” 高速发展： 未来人工智能芯片的应用大体有两个方向：其一是用于云端服务器的的芯片，对于云端的高运算需求来说，预计将以CPU+GPU 搭配为主， 主要特点是高功耗、 高计算能力以及通用性，云端人工智能运算对于具体应用场景的要求较少，通用芯片即可满足要求；其二是用于终端（例如手机及其他智能硬件） 的人工智能芯片，由于终端运算空间有限，所以对于芯片的要求主要在于其低功耗，并针对不同场景有所区分，因此定制及半定制化的 FPGA、 ASIC 及类脑芯片有望成为主流。“CPU+GPU 并行” 在人工智能云端中被广泛运用： 计算能力的限制曾经是人工智能研究跌入低谷的原因。随着摩尔定律的发展，计算能力逐步得到解放。CPU 性能飞速提升，被最初用来训练深度学习。但不久发现拥有出色的浮点计算性能的 GPU 更适合做深度学习训练。提高了深度学习两大关键活动：分类和卷积的性能，同时又达到所需的精准度，相对传统 CPU 的方式， GPU 拥有更快的处理速度、更少的服务器投入和更低的功耗。现在文本处理、语音和图像识别上，CPU+GPU 并行不仅被 Google、 Facebook、百度、微软等巨头采用，也成为猿题库、旷视科技这类初创公司训练人工智能深度神经网络的选择。

GPU 相比 CPU 拥有更高的训练速度

数据来源：公开资料整理

　　基于 FPGA 的半定制芯片在终端深度学习中的应用值得期待： FPGA（Field－Programmable Gate Array），即现场可编程门阵列，是一种半定制的集成电路，百度就采用了 FPGA 打造百度大脑专用 AI 芯片。全球 FPGA 市场有三大产商，Xilinx 和 Altera 长期稳坐第一和第二的位臵，两者占据了市场约 90%的份额，是市场和技术的领头羊。剩余的份额被 Lattice 占据。其中， Altera2015 年被英特尔以 167 亿美元收购，收购的原因之一就是看中 FPGA 的专用计算能力在人工智能领域的发展。 Xilinx 与 IBM 也进行了战略合作加速数据中心应用。 FPGA 突出优势是能够根据应用的特征来定制计算和存储结构，达到硬件结构与深度学习算法的最优匹配，获得更高的性能功耗比；并且， FPGA 灵活的重构功能也方便了算法的微调和优化，能够大大缩短开发周期，所以基于 FPGA 的半定制芯片在深度学习中的未来非常值得期待。

FPGA 的结构决定其能够根据编好的固定模式处理输入

数据来源：公开资料整理

　　万物互联的背景下， AI 芯片的应用拥有广阔的想象空间：未来每一个机器人、每一辆无人驾驶汽车、每一个摄像头甚至绝大多数硬件都将具有智能，而这其中充当其大脑的就是芯片。 X86 架构和 ARM 分别在互联网和移动互联网时代充当了霸主， Intel 收购 FPGA 公司，英伟达专门针对人工智能的深度学习开发了TeslaP100，国内中科院的寒武纪公司以及地平线机器人也正在发力人工智能芯片，充分说明了 AI 芯片领域被产业界看好，在新的智能时代， AI 芯片作为人工智能底层的核心基础无疑将拥有非常广阔的应用空间。

　　智能硬件抢占 C 端入口，数据端入口打通，为算法奠定基础： 智能硬件是继智能手机之后的一个科技概念，通过软硬件结合的方式，对传统设备进行改造，进而让其拥有智能化的功能。智能化之后，硬件具备连接的能力，实现互联网服务的加载，形成“云+端”的典型架构，具备了大数据等附加价值。 智能硬件已经从可穿戴设备延伸到智能电视、智能家居、智能汽车、医疗健康、智能玩具、机器人等领域。比较典型的智能硬件包括 Google Glass、三星 Gear、 FitBit、麦开水杯、咕咚手环、 Tesla、乐视电视等。 智能硬件对于整个人工智能产业而言，其功能除了打开 C 端消费市场之外，更为重要的是通过智能硬件以及加载其中的软件，抢占 C 端入口可以进行终端数据的采集，为后续的算法完善及商业模式推进奠定良好基础。智能音箱产品亚马逊 Echo 在美国越来越受欢迎：目前亚马逊 Echo 在美国的认知率已经从 2015 年的 20%提升到了 2016 年的 61%，在所有美国亚马逊客户当中， Echo 的拥有率已经从 2%提升到了 5%，相比于其他的亚马逊设备的拥有率，未来的销量前景非常可观。

　　机器人按照应用领域的不同分为工业机器人、服务机器人、特种机器人： 由于传感器、人工智能、大数据、物联网等技术的运用，机器人产业中涌现出新的制造模式和商业模式——服务型机器人出现了。相较于工业机器人，它与个人、家庭生活联系更为紧密， 2015-2018 年，个人及家庭用服务机器人全球销量将达到 2,590 万台，市场规模将达到 122 亿美元。目前我国服务机器人需求领域包括：养老、监护等社会需求；国防、公共安全、救援抢险、科学考查等国家重大需求；在智能家居、教育、保洁等个人及家庭消费需求。服务机器人的重点在于服务，基于特殊场景应用的服务及 AI 的建设是重点，各行业 AI化将是未来的发展方向。到 2020 年，我国服务机器人年销售收入超过 300 亿元：在助老助残、医疗康复等领域实现小批量生产及应用。围绕助老助残、家庭服务、医疗康复、救援救灾、能源安全、公共安全、重大科学研究等领域，培育智慧生活、现代服务、特殊作业等方面的需求，重点发展消防救援机器人、手术机器人、智能型公共服务机器人、智能护理机器人等四种标志性产品，推进专业服务机器人实现系列化，个人及家庭服务机器人实现商品化。重点突破人机协同与安全、产品创意与性能优化设计、模块化/标准化体系结构设计、信息技术融合、影像定位与导航、生肌电感知与融合等关键技术。

　　多层次特征提取提升计算机视觉识别效果： 计算机视觉领域主要包括图片/视频识别与分析、人像与物体识别、生物特征识别、手势控制、体感识别、环境识别。计算机视觉的识别效果的提升，是通过引入卷积操作，将深度模型的处理对 象 从 之 前 的 小 尺 度 图 像 （32pixel×32pixel ） 扩 展 到 大 尺 度 图 像 上（200pixel×200pixel），提出了卷积深度臵信网（Convolutional DBN），通过可视化每层学习到的特征，演示了低层特征不断被复合生成高层抽象特征的过程。深度结构模型具有从数据中学习多层次特征表示的特点，这与人脑的基本结构和处理感知信息的过程很相似，如视觉系统识别外界信息时，包含一系列连续的多阶段处理过程，首先检测边缘信息，然后是基本的形状信息，再逐渐地上升为更复杂的视觉目标信息，依次递进。

图像识别过程

数据来源：公开资料整理

特征提取借鉴了人脑信息处理过程

数据来源：公开资料整理

　　深度学习研究的初衷主要就是应用于图像识别： 迄今为止，尽管深度学习已经被应用到语音、图像、文字等方面，但深度学习领域发表的论文中大约 70%是关于图像识别的。从 2012 年的 ImageNet 竞赛开始，深度学习在图像识别领域发挥出较大威力，在通用图像分类、图像检测、光学字符识别(Optical CharacterRecognition, OCR)、人脸识别等领域，最好的系统都是基于深度学习的。生物识别技术市场规模不断增大。 生物识别不仅是目前正进行的如火如荼的行业，同时也是在未来五年具有发展潜力的市场。预计 2020 年生物识别技术全球市场规模将达到 250 亿美元。 国内生物识别技术市场规模有望从 2015 年 100 亿元上升至 2020 年的 300 亿元。 2013 年的统计数据显示，人脸识别占比 23%。同时国际生物识别小组于 2009 年的研究结果表明指纹识别占据生物识别的 50%市场，人脸识别紧随其后占据 13%的份额。预计到 2020 年，人脸识别市场空间预计超过 40 亿元人民币。

中国生物识别市场规模与预测（亿元）

数据来源：公开资料整理

我国人脸识别市场规模预测（亿元）

数据来源：公开资料整理

　　语音逐渐成为人机交互的新范式，产品及商业模式成为盈利的关键： 过去 200年左右时间里，基本的人机交互形式不断进化，在过去的 75 年当中几乎每隔 10年，交互方式就有一个大的创新，现在语音已成为人机交互的新范式。 语音技术逐步通用化、基础化，预计未来将面临免费提供的局面。 例如，百度就在 11 月30 日宣布其语音技术全系列接口永久免费开放，提供语音识别、语音合成、语音唤醒多平台 SDK(软件开发工具包)。通用算法技术成为免费平台的趋势已经呈现，行业需要商业模式的创新，如何将技术转换成产品及流量、数据等，才是真正实现盈利的关键。

　　技术进步与市场需求推动语音识别快速发展： 狭义的语音识别就是让机器能够明白你说的是什么，广义的语音识别是机器不仅能理解语音含义，而且能把语音转化为文字、另一种语言或者命令。语音识别能够在社交娱乐、搜索、虚拟机器人中大规模应用主要得益于以下两个原因。其一是技术进步：语音识别算法模型的改进及训练效果的提升使得语音识别错误率不断降低。其二是市场需求：个人消费层面的社交娱乐需求催化行业热情，作为重要的人机交互方式应用场景广阔。

　　语音识别效果不断提升，国内语音识别与合成研究领先国际： 自 2009 年把深度神经网络用于语音识别研究，相关研究突飞猛进，这一事件重新点燃了对语音识别的热情。 2010 年深度神经网络 DCNN 使语音识别错误率降低了 20%， 2011年微软用 DCNN 彻底改变了语音识别原有技术框架，2012 年又公开演示了其全自动同声传译系统。国内， 科大讯飞是语音识别研究的龙头， 公司改进了 RNN 模型，使语音识别效果获得 40%的性能提升。公司于 2016 年在国际重要比赛 CHiME中包揽三项冠军，并在 2017 年语音合成大赛中获得第一名。

语音识别发展逐步领先

数据来源：公开资料整理

　　语音识别技术逐步开放，数据及场景成为竞争关键： 截止 2017 年三季度，科大讯飞自身的开放平台累计终端数增长 87%至 15.9亿，第三方创业团队增长 123%到 45 万，日均使用次数增长 56%到 40 亿次。开放平台的大数据广告业务继续保持快速增长，前三季度收入同比增长 241%。 从国际大型互联网企业角度看， 2017年 3 月，谷歌和亚马逊先后宣布旗下的语音技术对大众开放。国内， 腾讯和阿里已在早前先后开放其语音平台， 就在 2017 年 11 月 30 日，百度宣布语音技术全系列接口永久免费开放，为平台用户提供语音识别、语音合成、语音唤醒多平台 SDK等。目前语音识别正在逐步成为开放平台，未来从语音输入端获取数据并基于具体场景的行业应用和商业模式创新成为厂商盈利的关键。科大讯飞目前主要精力已经逐步转移到对赛道的开发，包括对接教育、法律、医疗、汽车等行业客户。阿里目前已经在智能电视、智能汽车、智能法庭、智能客服领域应用其语音技术进行行业深度下沉。

　　智能制造成为各国转型升级的核心战略。 2012 年，美国率先提出“先进制造业国家战略计划”，随后德国、日本、英国分别提出“工业 4.0”、 “科技工业联盟”、“工业 2050 战略”。对比各国关于制造业转型升级的战略规划，尽管各个国家侧重有所不同，但均是以智能制造作为其战略核心，不断推动制造业向数字化、网络化、智能化发展。2015 年，我国发布制造强国中长期发展战略规划《中国制造 2025》，力争通过“三步走”实现制造强国的战略目标， 1、力争用十年时间，迈入制造强国行列； 2、到 2035 年，我国制造业整体达到世界制造强国阵营中等水平； 3、新中国成立一百年时，制造业大国地位更加巩固，综合实力进入世界制造强国前列。因此，我们认为制造业转型升级是我国长期工程，围绕此战略开展的业务将得到政策、产业、资金等多重支持。车间层的智能化生产是智能制造的核心。 根据中国电子技术标准化研究院对智能制造系统的 5 层分级，一定程度可窥见智能制造的产业链情况，主要包括设备层、控制层、车间层、企业层、协同层。 1、设备层： 是制造的物质技术基础，它包括传感器、仪器仪表、条码、射频识别等。2、控制层： 包括各类控制系统，如可编程逻辑控制器 PLC、监视控制与数据采集系统 SCADA（对现场运行设备监视和控制，涉及组态软件、数据传输链路、工业隔离安全网关等）、分布式控制系统 DCS、现场总线控制系统 FCS（将最底层的现场控制器和现场智能仪表设备互连的实时网络控制系统）等。 3、车间层： 面向工厂和车间的生产管理，包括制造执行系统 MES 等，其中 MES 又包括工厂信息管理系统 PIMS、先进控制系统APC、历史数据库、计划排产、仓储管理等，是智能制造的核心。 4、企业层： 面向企业的经营管理，包括企业资源计划系统 ERP、产品生命周期管理 PLM、供应链管理系统 SCM、客户关系管理系统 CRM 等。 5、协同层： 体现企业之间的协作过程，它是由产业链上不同企业通过互联网进行全方位的协同和信息分享，实现协同研发、智能生产、精准物流和智能服务等。 我们看好， 工业软件和工业互联网平台的发展前景。

智能制造系统层级

数据来源：公开资料整理

　　2022 年我国工业大数据有望突破 1200 亿元， 复合增速 42%。 工业大数据是提升制造智能化水平，推动中国制造业转型升级的关键动力，具体包括企业信息化数据、工业物联网数据，以及外部跨界数据。其中，企业信息化和工业物联网中机器产生的海量时序数据是工业数据的主要来源。 工业大数据不仅可以优化现有业务，实现提质增效，而且还有望推动企业业务定位和盈利模式发生重大改变，向个性化定制、智能化生产、网络化协同、服务化延伸等智能化场景转型。预计到 2022 年，中国工业大数据市场规模有望突破 1200亿元，年复合增速 42%。

中国工业大数据市场规模（亿元）

数据来源：公开资料整理

　　我国 MES 2018 年市场规模有望突破百亿元，未来年复合增速约 40%。 工业软件主要包括运营管理类（ERP、 CRM 等）、设计研发类（PLM、 CAD 等）、生产控制类（MES 等），我们认为 MES 软件未来发展弹性更大。 2014 年全球 MES 行业市场规模约为 416 亿元，过去 5 年保持年均 21.65%的高速增长，到 2020 年， MES 行业市场规模有望达到 931 亿元，未来保持年均18%的复合增速。而 MES 在中国的需求更为旺盛， 2014 年我国 MES 行业市场规模约为 26 亿元，同比增长 24%，预计到 2018 年市场规模将达到 100 亿元，未来平均增幅保持在 40%左右，远高于国际市场增速（预计2015-2020 年全球复合增速 13.6%）。

中国 MES 市场规模

数据来源：公开资料整理

　　2025 年形成 3-5 个国家级工业互联网平台。 被誉为工业互联网平台操作系统的 PaaS 正逐渐成为工业互联网发展的聚焦点和关键突破口，目前由于平台标准体系尚未建立，商业模式尚不清晰，因此商业价值仍处于探索阶段。 2017 年 11 月，国务院发布《关于深化“互联网+先进制造业”发展工业互联网的指导意见》，强调到 2020 年，工业互联网平台体系初步形成，支持建设 10 个左右跨行业、跨领域平台，建成一批支撑企业数字化、网络化、智能化转型的企业级平台； 到 2025年，工业互联网平台体系基本完善，形成 3-5 个具有国际竞争力的工业互联网平台。可以预见，未来工业互联网平台发展前景广阔。

　　自动驾驶掌控权主要在算法： 自动驾驶（autonomous drivng）是一个宽泛的概念，涵盖智能辅助驾驶系统（Advanced driving assistance system, ADAS）和无人驾驶。 智能辅助驾驶系统中驾驶员可以对汽车进行控制，其智能体现在对环境的感知，并适时预警（如车道偏离预警）。无人驾驶是自动驾驶发展的高级阶段，除了对环境的智能感知，还加入了规划、 决策和控制。 智能辅助驾驶系统中最终的决策和控制权掌握在驾驶员手中，而无人驾驶对汽车的控制权由计算机掌握。无人驾驶从技术角度来看可以分为感知、决策和执行。其中决策层主要包括计算平台（芯片）及算法。目前在算法方面深度学习成为主流。深度学习强调的是端到端的学习，其优势在于对于非结构化数据的识别、判断和分类，并把复杂信息精简地表达出来。因此深度学习对感知有非常强的能力，可以理解各种复杂图像的含义，十分适合自动驾驶复杂的环境。深度学习通过与增强学习相结合，可以将感知和执行紧密地结合在一起，构成一个完整的自动驾驶系统。

无人驾驶汽车结构图

数据来源：公开资料整理

无人驾驶汽车预计趋势

数据来源：公开资料整理

　　智能感知系统和智能控制系统是产业链核心环节：无人驾驶汽车主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶， 主要包括智能感知系统和智能控制系统。智能感知系统包括环境感知、速度感知等。智能控制系统主要包括自动泊车、自动刹车、智能巡航等。无人驾驶涉及到的硬件核心是传感器，传感器包括激光测距仪、摄像头等。软件核心就是高精度地图，无人驾驶汽车需要将实时将感知到的数据与地图数据比较，来识别周边环境。

　　互联网公司与传统车厂引领智能驾驶浪潮：参与无人驾驶盛宴的企业可以分为两类，一类是互联网企业如百度、谷歌，一步到位直接切入到全自动驾驶，另一类是传统的汽车企业，从辅助驾驶一步步升级。随着 CPU/GPU 并行计算能力的提升，海量地图数据为人工智能的训练提供基础，加之高速网络、云计算的结合，汽车智能化已经进入了实质性阶段。

主要车厂智能化汽车量产时间

数据来源：公开资料整理

　　智能驾驶市场渗透率有望持续提升： 2015年 5月，国务院印发《中国制造 2025》，将无人驾驶汽车作为汽车产业未来转型升级的重要方向之一。“十三五”规划也提出要积极发展智能网联汽车的目标，相关法律法规已经提上日程。 智能汽车市场增长空间可期，中国智能驾驶产业市场规模预计 2020年有望达到 1214元人民币。从渗透率看，截止 2015 年，智能驾驶乘用车渗透率已经达到 15%左右，未来预计有望进一步实现提升，并带动车载软硬件设施产业的发展。

中国乘用车销量

数据来源：公开资料整理

智能驾驶乘用车渗透率

数据来源：公开资料整理

　　人工智能开始用于医疗诊断： 医疗诊断领域最重要的是药品、病情特征、病人情况数据信息。对于机器训练而言，需要海量的数据信息才能让机器学会获得医疗诊断的能力。 辅助诊断领域的代表是 IBM 沃森系统。 截至 2015 年 5 月，Watson 已收录了肿瘤学研究领域的 42 种医学期刊、临床试验的 60 多万条医疗证据和 200 万页文本资料。之后， IBM“沃森健康部门”又陆续与数家医院、诊所公司、 14 家肿瘤研究中心、连锁药品零售商展开了深度合作。通过沃森，帮助护士快速完成复杂的病历检索；审查医疗服务提供者的医疗请求；为癌症患者诊断配药，为医药专家提供更多疾病考量因素等。

　　图像识别与庞大的医疗影像数据为智能医疗影像奠定基础： 目前医疗数据中有超过 90%来自医疗影像，这些数据大多要进行人工分析，如果能够运用算法自动分析影像，再将影像与其它病例记录进行对比，就能极大降低医学误诊，帮助做出准诊断。医疗影像智能分析是指运用人工智能技术识别及分析医疗影像，帮助医生定位病症分析病情，辅助做出诊断。人工智能与医疗影像的结合最关键有三个点：第一是数据，第二个是算法，第三临床的证明，其中数据与算法是基础。数据方面，全国 X 光设备保有量超过 3 万台， CT 设备保有量超过 2 万台，基层医院已大部分配备了 DR 等设备。图像识别是深度学习等人工智能技术最先突破的领域，已经广泛用于图片搜索、自动驾驶、人脸识别。由于数据与算法已经具备，在医疗健康领域，医疗影像有望成为人工智能与医疗结合中，最可能先发展起来的领域。

数据、算法、临床是发展智能医疗影像最关键的三个点

数据来源：公开资料整理

　　物联网在医疗领域的市场价值逐年增加：到 2020年，物联网在医疗领域的市场价值有望达到 1630 亿美元， 2015 年到 2020 年间复合增长率为 38.1%，预计医疗机构对于医疗信息化的投入会随着 IT 预算的总体规模增加而增加。

物联网在医疗领域投资额

数据来源：公开资料整理