2016年，全球深度学习市场规模据估计已达到2.27亿美元。随着在自动驾驶和医疗健康产业的应用越来越多，深度学习应该仍会对行业增长带来突出的贡献。它在技术上克服数据量、强计算力以及在数据存储能力方面的优势，使得其在语音、图像等对数据复杂性要求很高的领域中异军突起，提供了巨大的研究空间和价值。

 

各行各业日益增长的大量数据也在引领着行业发展，另外，对人机交互的巨大需求也为各类解决方案提供商提供了开发方案和功能的新途径。然而， 训练神经网络所需的数据对行业增长来讲却是一个挑战。

 

各大公司都在深度学习技术与产品结合方面大力投入。2016年11月，SK电信宣布他们和Intel合作，开发基于深度学习的V2X和视频识别技术。此外，政府对此领域的扶持和预算增加也将会促进未来几年行业内的增长。例如，中国国家发改委就出资大力支持深度学习研究实验室的发展。

 

解决方案分析

 

目前深度学习领域的发展主要集中在软件层面，通过基于深度学习以及机器学习技术的SaaS，已经给整个行业带来颠覆式的转变。这些解决方案不仅仅是数据的组织和集合，更能从中提取大量有用的信息来做预测和判断。

 

另一方面，算法和硬件的发展还有很长一段路要走，为此也推动着芯片的发展。在日益增长的需求下，FPGA和专用集成电路（ASIC）也在快速更新，以满足客户的需求。

 

硬件分析

 

在2016年里，GPU霸占了硬件区域，性能比其他芯片快很多。越来越多的增强图形内容的需求引发了深度学习应用使用GPU的需求。

 

另一方面，大公司增加使用GPU做研发也会增加GPU的需求。比如，谷歌宣布了2017年早期会在云机器学习和运算引擎里添加GPU，提高大量运算任务的性能。GPU正见证着用神经网络训练深度学习模型带来的巨大发展。

 

FPGA在16年刚刚踏进深度学习领域时，只占有小量的收入。但是，大家都普遍看好它会有更大的发展，有能力达到比GPU还高的效率。现在FGPA还属于新生期，但我们期望它会成为这个领域的重要玩家。

 

行业应用分析

 

2016年，图像识别在行业里获得了巨大的关注，收入超过了总份额的40%。这个技术最广泛的应用是Facebook的人脸识别功能。它在非结构化数据的模式识别领域也应用广泛，例如语音，文字，图象和视频等。

 

另外在未来8年，医疗和安防领域的图像识别应用也会快速推动行业的发展。汽车和金融行业也会不断转型，来和高新技术不断磨合，用技术进一步提高运营能力并且和技术转化落地的能力，为业务和用户带来更多的价值。

 

数据挖掘技术在2016年在市场拥有5%的占有率。对于模式识别和有效预测的数据分割预测，是促使这项技术增长的主要驱动力。 用数据挖掘技术去做决策和推断正在为大数据分析领域带来颠覆式的变革。

 

终端应用分析

 

深度学习在航空航天和国防上的收入占到了2016年市场总收入的20%，主要来自于在远程传感、物体检测和定位、光谱分析、识别网络异常以及恶意代码检测上的应用。另外，随着驾驶舱到步兵团逐渐开始引入可穿戴计算，对于通用型GPU的的需要激增。