全球主要国家均将人工智能作为未来主导性战略

A、全球主要国家均将人工智能作为未来主导性战略，美中领跑

美中暂时领先，中国在人工智能领城强在应用层，基础和技术层是相对短板。全球已有超22个国家发布Al计划，2017年与Al相关的VC投资达140亿美元。美国和中国在人工智能领域处于领先位置，根据腾讯研究院的统计，全球人工智能企业总数达到2542家，其中美国拥有1078家，占42%；中国其次，拥有592家，占据23%。其余872家企业分布在瑞典、新加坡、日本、英国、澳大利亚、以色列、印度等国家。从中美两国在人工智能版图的产业布局看，中国在基础层（计算硬件及基础设施，核心为处理器、Al芯片和底层系统、数据等）和技术层（算法理论、开发平台和应用技术，包括开源框架、自然语言处理、计算机视觉与图像等）与美国差距巨大，在应用层（Al向各传统行业的渗透，包括机器学习应用、智能无人机、智能机器人、自动驾驶辅助驾驶、语音识别等）则与美国平分秋色。

美国在基础层和技术层的Al企业数量约为中国的两倍，在应用层两国公司无论是数量还是融资金额差距较小。这说明在人工智能领域，中美两国延续了在互联网时代的竞争格局和发展路线，即美国的产业发展从底层技术开始再向上游应用拓展，而中国则开始更多在应用侧进行创新，逐步向底层技术进行渗透。美国Al创业公司中排名前三的领域分别为自然语言处理、机器学习应用以及计算机视觉与图像；中国Al创业公司中排名前三的领域分别为计算机视觉与图像、智能机器人以及自然语言处理。在基础和技术层的处理器/芯片，技术平台领域中国与美国存在巨大差距。

人工智能上升至中国国家战略层面，行业发展全面加速：2017年7月，国务院印发《新一代人工智能发展规划的通知》，首次从国家战略层面对人工智能进行了系统布局，规划提到至2030年，人工智能行业将在中国产生10兆的产业带动效益；2017年10月，人工智能写入十九大报告；17年12月，《促进新一代人工智能产业发展三年行动计划（2018-2020年）》；18年3月，人工智能再次被写入政府工作报告。政策密集出台，行业已进入发展黄金阶段。

5G+Al是特朗普政府让美国再次伟大的关键：美国希望在人工智能领域延续移动互联网时代领先优势，在5G领域重新抢占制高点。2019年2月，美国总统特朗普签署行政命令，正式启动美国人工智能计划，这是美国政府首次推出国家层面的人工智能促进计划。美国人工智能计划包括研发领域、开放资源、政策制定、人才培养、国际合作等五个关键领域。5G+Al将成为支撑川普承诺“再次让美国变得伟大”的关键。

B、技术变革促使Al突破应用瓶颈，推动产业应用爆发

人工智能的概念形成于20世纪50年代，诞生于1956年的达特茅斯会议。其发展阶段经历了三次浪潮：第一次是50-60年代注重逻辑推理的机器翻译时代在此阶段机器人和智能软件开始出现；第二次是70-80年代依托知识积累构建模型的专家系统时代，但由于缺乏实用性行业很快又一次趋冷；第三次是2006年起深度学习算法的推出，开始了重视数据、自主学习的认知智能时代。在数据、算法和计算力条件成熟的条件下，本次人工智能的爆发浪潮中技术开始真正实现落地，深入到应用层面，帮助传统行业创造切实经济效果。

经过六十多年的发展，人工智能已从实验室（Alin vitro）全面走向了产业与行业的应用和研发（Alin vivo）。根据Gartner2018年发布的人工智能技术成熟度曲线，VR/AR等技术已逐步进入稳步爬升的光明期（Slope ofEnlightement），语音识别技术甚至已经到达实质生产的高峰期（Plateau ofProductivity）。

D、人工智能重塑产业生态，芯片和软件平台是产业制高点

ICT产业正在跨界和重构，传统的芯片商、运营商、设备商和互联网公司及云服务商的合作和竞争边界变得越来越模糊，设备商和云服务商巨头进入芯片领域成为普遍趋势。

Al颊覆芯片产业格局，行业进入群雄逐鹿阶段：不同于传统通用芯片功能，Al时代，底层芯片的设计目的并非为了执行逻辑复杂的指令，而是为了实现大规模数据训练和推理。随着Al+成为普遍商业模式，人工智能已成为芯片产业最重要的增长动力，未来将加速普及渗透。芯片市场蛋糕将越做越大，拥有不同功能和定位的芯片将长期共存，百花齐放。全球Al芯片产业目前已初步形成五大阵营：一是传统的芯片企业转型升级做Al芯片，典型海外公司如Intel，英伟达，赛灵思，高通，国内公司如杭州国芯、瑞芯微等；二是初创Al芯片公司，海外如SambaNova Systems、Movidius，国内如寒武纪、地平线、深鉴科技，耐能，肇观等；三是互联网公司巨头进入Al芯片领域，海外如Google、Facebook，Amazon等，国内包括阿里巴巴、百度等；四是传统的ICT（Information and CommunicationTechnology）巨头进入Al领域，海外如IBM，国内如华为；五是中国独有的产业生态，即从矿机芯片向Al芯片进行转型，典型的如比特大陆、嘉楠耘智等。

人工智能的软件技术平台将是巨头的必争之地：人工智能平台被认为是Al领域的“下一代操作系统”，这一领域将成为Google、微软、Facebook、Amazon等大玩家的竞争重点。Google推出了TensorFlow跨平台深度学习架构，能够实现云端大规模学习到终端多平台部署的无缝衔接；Microsoft推出的CNTK支持对常用深度神经网络架构的结构性执行，比如老积神经网络（CNNs），循环神经网络（RNNs）和长短期记忆网络（LSTMs），同时支持多个计算设备以及多个GPU的计算；此外Amazon，Facebook，阿里，腾讯等均已推出了自己的Al软件平台。我们认为，人工智能平台的技术壁垒高，马太效应强，且需要长期持续的的大规模研发资本投入，未来这一领域将是国际巨头间博弈。

2、Al是全新的生产要素及工具，A+行业将成为普遍商业模

A、高数字化行业将优先实现人工智能的应用

人工智能作为全新的生产要素，将改变企业竞争及增长方式：人工智能作为全新的生产要素，将至少在三个方面推动增长：首先是智能自动化效应，Al能够自动执行实体环境中对敏捷性及适应性要求较高的复杂任务，同时伴随大规模的重复工作能够进行自我学习以实现持续升级；第二，Al可以补充和增强现有劳动力及资本，对其赋能，提高资源利用效率；第三，人工智能可以激发大量创新，如自动驾驶，新零售等。故人工智能未来将成为社会发展的基础设施，作为新的生产要素彻底改变企业的竞争及增长方式。据埃森哲数据，未来与Al深度融合的企业能够将盈利能力平均提升38%，同时Al将为包括教育、制造、批发、零售等16个行业额外带来超14万亿美元的总附加值。

人工智能的应用进展取决于数字化程度，高数字化行业将优先实现应用：

Al时代是数据驱动的时代，深度学习算法的优化需要大规模数据来训练提升，数据越丰富完整，应用效果越完美。高数字化程度的行业拥有较密集数据资源，成为Al优先落地的领域。在落地应用场景中，目前来看安防、高技术/电信业、金融、汽车等行业落地最快，医疗、零售、旅游、地产等行业较为滞后。

与以往信息化不同，Al深入到各行各业需要深入到生产系统，与线下、本地各种场景相结合，采用云服务是必然的。ABC融合是云服务进入2.0阶段的标志，行业数字化还需遵循C>B->A的路径，即先云化，再有大数据最后实现智能化。未来人工智能将成为基础设施，科技巨头将成为人工智能基础设施的提供者，普通企业拥抱人工智能的前提是先云化，实现核心业务在线才能加入人工智能的大生态圈，这将不是IT支出转云服务支出“左右互搏”的零和游戏，而是涉及未来生死存亡的抉择。

B、安防、自动驾驶是当前和未来人工智能重点应用领域

人工智能触发的产业变革，将涉及所有行业，从交通、教育、医疗到翻译、运维和自动驾驶等等。我们认为，人工智能在行业的应用进展取决于行业数字化度，科技行业之外的应用虽然目前整体上还处于早期阶段，但在部分领域已经取得了巨大的进展。人工智能率先应用的场景，一定是有海量数据和海量计算需求的场景，安防和自动驾驶正是这样的场景之一。

Al推动安防行业进一步升级，拓宽行业成长空间：受益于Al机器视觉技术的迅速成熟，安防行业亦逐步由“看得见”—“看得清”一“看得懂”发展，智能安防能够自行提取更多细微特征，大幅减少人力及开发成本，将原来的事后追责转变为事前预防及事中识别，大幅提升政府/企业工作效率，如2017年商汤科技的人脸识别在重庆落地后，相比人工效率提升200倍。安防行业从过去的模拟到数字再到高清化时代，每一次产业升级都伴随着市场需求的进一步释放。我们认为，在智能化时代，安防行业的市场边界将进一步拓宽，未来Al+视频监控将逐步下沉至自动驾驶、智慧医、环境监测等下游新兴应用，市场空间将进一步拓宽。预计2020年我国安防行业整体规模将超过9000亿元。

自动驾驶是人工智能的重要落地领城：Intel曾经预估，由于激光雷达（每小时可产生36-252Gigabyte的影像资料）和摄像头（每小时可产生72-144Gigabyte的影像资料）的大量使用，每辆无人驾驶车每天将产生4Terabyteor 4，000 Gigabyte的路况原始影像资料。

目前各整车厂及科技巨头均在自动驾驶领域有所布局：整车厂方面，奥迪L3级A8已实现量产上市；特斯拉已宣布覆盖各类驾驶场景的完全自动驾驶将于19年年末上市；通用汽车18年计划生产数千辆自动驾驶汽车用于Lyft 出租车服务。科技巨头方面，谷歌Waymo18年已拿到首个商业自动驾驶打车服务执照；百度Apollo于11月与一汽共同宣布了中国首款L4级自动驾驶乘用车的量产计划。

华为在自动驾驶领域近期也动作频频，去年10月华为联合奥迪发布了自动驾驶方案MDC600。利用8颗异腾芯片+CPU+ISP所组成的系统，基于异腾自动驾驶方案的奥迪Q7自动驾驶汽车号称达到了L4水平。我们认为在L3以上的级别，自动驾驶未来的数据处理方式将从单一的自带处理单元本地处理，发展为自带处理单元和网络边缘服务器处理简单计算过程，云端处理大量复杂计算过程的模式。在自动驾驶领域，我们也将看到人工智能多场景的融合，即设备端智能（车）+边缘运算智能（MEC）+云端计算智能的统一。

3、计算机视觉、智能语音是Al时代入口，中国初创龙头企业具备全球竞争力

A、计算机视觉：Al行业最具商业化价值的赛道

计算机视觉是国内外Al企业最集中的领域，商业成熟度较高：从Al企业的应用技术方向分布来看，计算机视觉技术企业在全球Al企业中占比约40%，在国内占比约46%；无论国外还是国内，计算机视觉都是Al企业最集中的领域。从市场规模来看，2017年计算机视觉市场占全球Al市场总规模的16.9%，排在语音识别之后；而国内计算机视觉市场占Al市场的34.9%，排名第一。国内外计算机视觉的市场规模差异要远大于企业分布差异，说明国内计算机视觉公司的总体盈利能力较其他Al领域的公司较强，商业成熟度较高。

计算机视觉是Al领域应用场景最丰富、商业化价值最大的赛道：目前，Al技术处理的数据类型不外乎四类：文字、语音、图像和视频。从信息维度来看，从文字到视频维度是递增的，文字的信息维度最少、包含的信息量也最少，视频的信息维度最多、包含的信息量也更大。反映在数据量占比上，以线上数据为例，根据Cisco的研究，到2022年全球线上视频流量占总量的比例将从2017年的75%上升到82%，说明线上数据将越来越被视频数据所主导。信息维度更高加之数据量更大，因此以图像和视频为主要处理对象的计算机视觉要比以文字或语音为主要处理对象的其它Al技术具有更加丰富的应用场景和商业化价值。我们认为，当前资本市场也正以其资源配置、资产定价功能充分反映计算机视觉相对其它Al领域的优势。例如，根据公开资料，当前计算机视觉行业四家头部初创企业（商汤、旷视、依图、云从）的总估值已经超过1000亿人民币，也超过了语音识别行业几家头部初创企业（思必驰、云知声、出门问问、图灵机器人、捷通华声）总估值加上A股Al语音龙头科大讯飞的市值总和。

科技巨头把控基础层，初创企业领跑应用层：计算机视觉架构从下至上：1）基础层——核心芯片被Intel、Nvidia等传统芯片厂商把控，新型芯片厂商尚未崛起，规模应用有待时日；开源平台以谷歌的Tensorflow、Facebook的Caffe等为主，其他企业的深度学习框架多为二次开发；2）技术层算法，初创企业占优；云计算，几乎被亚马逊的AWS、谷歌的Cloud、微软的Azure、阿里云等垄断；3）应用层——垂直行业龙头占据场景，技术层初创企业向上渗透。根据IDC的统计，2017年中国计算机应用市场商汤、旷视、依图、云从等算法及软件解决方案公司“四小龙”总体市场份额达69.4%，其中商汤市场份额20.6%排名第一。

国内以安防、金融、互联网为主vs.国外消费、机器人（及机器视觉）、智能驾驶领先：根据IDC的市场跟踪，2018年中国计算机视觉技术输出规模最大的3个行业是政府、金融和互联网，最大的两个场景为政府行业中的平安城市以及金融行业中基于人脸识别的身份认证。而根据Tractica的预测，2018年全球计算机视觉技术输出规模最大的3个行业分别为消费、机器（及机器视觉）以及智能驾驶。我们认为，造成国内外市场结构巨大差异的原因，主要是政府对市场的干预程度。政府的干预体现在两个方面：

1）政府作为市场玩家之一参与市场的深度。在国内，基于公共安防效率及成本方面的考虑，政府成为最早和最积极采用计算机视觉产品的市场玩家

之一。由于安防行业商业成熟度高、实际买单方（政府）信用和购买力好、图像及视频数据多，因而计算机视觉最容易落地。

2）政府作为监管者出台相关政策干预市场的强度。在欧美，生物特征作为关键的个人信息，在被科技公司收集和使用时受到法律法规的严格保护。例如，去年5月25日，欧盟史上适用范围最广、定则条例最严、处罚金额最昂贵的数据保护法案GDPR生效，该法案将指纹、人脸、视网膜等信息全部纳入个人资产范畴，对科技公司利用上述信息盈利进行了严格规定和限制。因此，欧美计算机视觉的主要落地方向多为对个人隐私保护要求较低的行业。政策因素（如实名制、反洗钱等）也是导致国内金融业主动拥抱计算机视觉技术的主要原因。

B、中短期核心竞争壁全是技术和产品能力，长期是生态构建能力

在这里技术能力是指企业算法的设计能力、迭代速度等，产品能力是指企业技术的落地能力。中短期来看，包括人脸识别、人体识别、图像识别等在内的主要计算机视觉技术的研发将保持基于使用神经网络的深度学习算法，而神经网络的种类选择、结构设计以及参数调整等是一连串极其复杂的工作，因此算法的优劣和迭代速度将直接取决于算法设计人员的知识和经验储备，也会进一步决定计算机视觉技术的准确率、可靠性等关键性能。此外，计算机视觉技术在场景中落地时需要企业具备大量的除算法以外的know how，例如在软硬件结合以及保护终端用户隐私上的知识和经验。现阶段，掌握技术的Al人才（尤其是顶级人才）主要分布在高校及科研院所，产业内的人才供应不足，加之多数场景下计算机视觉的落地能力不足，技术（人才）的争夺与产品（落地能力）的竞争将决定企业的发展速度。

技术层面，随着自动机器学习技术AutoML的出现，机器学习模型的设计门槛随之降低。AutoML的出发点是用强大的算力通过更多次的训练提高模型的准确度，其最大特点是将机器学习模型的设计过程自动化。算法设计人员只需了解模型的基本概念并提供标签数据即可，神经网络的参数及结构调整是自动完成的，无需人工干预。目前AutoML已经进入落地阶段。去年1月谷歌发布了提供自定义图像识别系统自动开发服务的Cloud AutoML Vision，用户从导入数据到训练模型都可以通过拖放式界面完成。AutoML已经被谷歌应用于CIFAR-10高度基准测试数据集，并且训练出了与手工设计不相上下的模型。我们认为，随着AutoML技术的成熟，算法设计的门槛将越来越低，但是相应的，算力的重要性会越来越明显，长期来看有可能成为计算机视觉企业的核心竞争力之一。

产品层面，我们认为，随着竞争的加剧，成功的企业不仅要具备大量的跟技术落地相关的know how，还必须能够主动地去挖掘甚至创造客户的需求，具备类似苹果在智能手机上的理解力。这就要求企业在纵向上能够主导整个产业链，横向上能够接入更多开发者和场景，因此长期看生态构建能力将成为主要竞争壁垒。

C、头部算法企业横向建立平台，垂直领城龙头纵向深耕行业，科技巨头立体式打造全产业生态。

头部算法企业的布局是横向拓展基础技术，建立基础平台。例如，商汤以人脸识别技术起家，逐渐拓展到人体分析、机器人、无人驾驶等领域，加上GPU超算中心和云计算平台，逐渐将自身打造成一个基础的人工智能平台，然后探索在应用端的迅速落地。

垂直领域龙头公司的布局是纵向打通计算机视觉框架，深耕所在行业。例如，安防设备龙头海康威视逐渐脱离了与初创算法企业的合作，自主研发关键技术，并在ILSVRC（2016）图像分类获得第一名；此外，还推出了Al Cloud平台，着力解决算力问题，而大华积极投资其基础层边缘运算芯片的研发。通过纵向打通基础层、技术层和应用层，垂直领域龙头公司可以提出更加智能的行业解决方案。

科技巨头公司的布局是以平台为核心立体式地推进，打造全产业生态。例如，Google以TensorFlow及Google Cloud为核心，横向上进军图像分析、文字识别等技术，推出Google Lens等视觉服务产品；纵向上向下拓展基础硬件推出TPU张量处理器1，2，3芯片，向上拓展医疗（Verily）、无人驾驶（Waymo）等垂直领域，逐渐打造包括计算机视觉在内的人工智能大生态。

D、智能语音：产业进入爆发期，看好对话式人工智能发展

智能语音技术逐渐成熟，未来几年市场将维持高速增长：根据Gartner发布的2018年Al技术成熟度曲线，语音识别已经进入“实质生产高峰期”。此外，像自然语言处理、虚拟助理等相关智能语音技术历经淘洗之后即将落入“泡沫化低谷期”，商业模式越来越成熟，也将进一步推动智能语音的落地。根据ReportLinker的预测，全球智能语音市场规模将从2018年的75亿美元增长至2024年的215亿美元，其中医疗健康、移动银行以及智能终端智能语音技术快速增长的需求将成为主要的驱动因素。

国内外市场均已相对集中，头部企业占据大部分市场份额：根据中商产业研究院的数据，2018年智能语音全球市场CR5达到88%，中国市场CR5达到84.6%，均已呈现出相对较为集中的市场格局。值得注意的是，国内的市场格局与国外存在着明显的差异，主导国外市场的巨头玩家如Nuance、谷歌等并没有在中国市场取得同样的市场地位。我们认为，这种现象主要是由两方面原因造成的：一是由于中文与外语在分词及句法的逻辑等方面有着明显的不同，并且中国有大量独具特色的方言，这种语言上的差异使得国内企业在中文处理上独具优势；二是受益于国内互联网和移动互联网的高速发展，智能语音在国内具有更加丰富的落地场景和商业化环境。这种“天时”、“地利”的优势使得中国企业领跑国内市场。

现阶段，产品化能力是智能语音初创企业的核心壁全：一方面，从技术的角度，在无噪音环境下，机器的语音识别准确率已经达到相当高水平，未来上升空间有限。科研界将错词率（Word Error Rate，WER）视为衡量语音识别技术的核心指标（准确率=1-WER），其中人类的平均WER为5.9%（即94.1%的准确率），受过严格专业训练的速记员平均WER为3%（即97%的准确率）。自2016年机器的语音识别准确率首次超过人类平均水平以来，目前最好的算法已经可以将准确率做到97.03%，超越专业速记员。另一方面，从商业化角度，技术难以成为企业核心壁垒，产品化能力才是成长的关键。这是因为技术的门槛越来越低，单纯依靠提供技术的商业模式将面临越来越大的竞争因而难以持续，这一点从近几年头部智能语音初创企业如云知声、思必驰等纷纷从技术提供商转向产品/服务提供商就可以看出。

技术全栈化已经成为新的趋势，产业链延伸是当前最好的策略：对于智能语音而言，多数场景下普遍存在的问题是落地体验不好，而这带来了技术上和产业上的两层影响：技术上，落地体验的改善有赖于从硬件到软件、从算法到产品各个环节的紧密协调，在这种情况下，头部企业多倾向于走技术全栈化路线，即打通全链条上的技术环节；产业上，为了实现更好地商业化，企业倾向于通过上下游延伸创造更多价值。最能说明上述两个趋势的例证是当前几乎所有的头部初创企业都在布局专用语音芯片，主要原因是专用语音芯片的应用性能可以达到通用芯片的40-50倍，而同时成本只有通用芯片的1/4-1/3。

图表：头部舒能语香初创企业育款专用芯片发布梳理

对话式人工智能即将规模化落地，看好智能家居、随身设备、智能车载三个场景：与一般的智能语音应用相比，对话式人工智能中人与机器之间是双向交互的，机器在追求理解人的意图的同时也会给人以反馈（比如要求人进一步明确意图或者给出选择等）。对话式人工智能的整个人机交互过程可分为唤醒、识别、理解、反馈四个环节。我们认为对话式人工智能将率先在智能家居、随身设备、智能车载三个场景中实现大规模落地，原因是：

1）上述三个场景作为家庭loT、个人loT以及车联网的重要入口，是头部企业争夺的重点，例如亚马逊的Echo、谷歌的Assistant，苹果的Siri、思必驰的飞歌GS2正是分别瞄准上述场景；

2）上述三个场景对智能语音技术的要求相对较低，例如智能家居和智能车载都是在相对封闭的环境，语音唤醒成功率和语音识别的准确率会相对较高；

3）在这三个场景里C端用户对交互式人工智能的接受程度较高，IDC调研数据显示89%的人有意向在未来两年内采用对话式人工智能终端。另外，根据IDC预测，到2020年中国对话式人工智能在上述三个关键领域的渗透率将分别达到27%、68%、51%。

市场玩家的布局：通用平台商打造开放语音生态，专业应用商抢占重点赛道：智能语音市场玩家大体上可以分为两种，一种是通用平台商，另一种是专业应用商。通用平台商如谷歌、百度等科技巨头，致力于围绕智能语音开放系统打造智能语音生态。以百度为例，公司在2017年全面开放了语音接口，目前依托DuerOS打造出较为完整的技术、开发与商业生态系统截至2018年7月底搭载DuerOS的智能设备激活数量已突破1亿台。专业应用商以垂直领域和细分场景为突破口，均有重点布局的赛道。例如，云知声重点布局家居、车载与医疗，思必驰重点布局家居、车载与机器人，两者多有重合但侧重也有差异。

4.领先初创企业介绍：商汤、旷视、依图、云从、云知声

A、商汤：Al算法提供商龙头，平台化战略赋能公司和行业

Al算法提供商龙头，“1+1+X”打造核心平台：公司成立于2014年，创始人为香港中文大学工程学院教授汤晓鸥，业务聚焦于计算机视觉和深度学习领域，拥有2200位员工，其中约150位拥有世界顶级大学博士学位。2018年9月，公司被科技部选为“智能视觉”国家新一代人工智能开放创新平台建设依托单位。公司采取平台化战略，主要的业务模式是首先进行前期基础技术研究，然后结合当前行业应用热点生成相关产品和服务，最后进行营销和推广，即“1（基础研发）+1（产品和服务化）+X（行业应用）”打法。当前公司战略推进顺利，去年5月31日公司公告表示2017年已实现全面盈利，业务营收连续三年保持400%同比增长，2018年主营业务合同收入同比增长10多倍。

内生+外延，圈绕计算机视觉展开全方位布局：公司通过内生和外延不断拓展技术和业务边界，提前进行产业布局。内生上，公司以人脸识别技术起家，当前核心技术已覆盖人脸、人体、图像、视频、SLAM与3D、机器人、无人驾驶等多领域计算机视觉技术，并且仍在不断横向拓展，进而衍生出智能视频、身份验证、移动互联网、智慧商业等多类产品和服务，覆盖智慧城市、智能终端、互联网娱乐、智慧金融、智慧商业、遥感、移动运营商、无人驾驶、AR/VR等多个应用场景。外延上，公司通过成立投资部门，

通过直投或者产业基金方式向下游延伸布局新应用和新场景，投资标的以在垂直领域已建立起行业场景、占据一定地位或者已具备一定行业认知及客户资源但技术和产品尚不成熟的初创企业为主，例如医疗健康领域的Al初创企业禾连健康、R看房企业51VR等。