視聯網就是以視頻作為主要信息傳遞介質和功能載體的下一代互聯網形態，將顛覆當前圖文生態的互聯網形態，引發新一輪互聯網生態的激烈競爭。要實現視聯網，需要突破通訊帶寬、視頻識別和視頻互動等三個方面的難點。而5G的普及以及AI技術的突破將是解決這三個難點的重要抓手。

因此，報告將視聯網的發展趨勢劃分為四階段：初步應用AI技術的嬰兒期、AI技術成熟的成長期、視聯網生態形成的青年期以及與智能硬件完美結合的成熟期。

當前，我們正處于視聯網的嬰兒期。那么，在技術快速進步的當下，我們離實現視聯網的成熟期還有多遠?視聯網究竟是一個遙不可及的概念還是一個即將到來的重大趨勢?在5G+AI的時代中，我們又將如何一步步實現視聯網的四個階段?

本期報告將回答這些問題。圍繞視聯網的實現路徑，報告將深度解讀推動視聯網成長的三個核心要素，挖掘視聯網發展的“一主一次一輔”三條路徑，為視聯網的發展與生態建立提供具備操作性的發展規劃。

第一章：探尋視聯網的實現路徑

為了探尋視聯網的實現路徑，有必要更深入的分析視聯網的起點與終點，從中提煉出推動視聯網成長的核心要素。

視聯網的嬰兒期：“預期-推送”應用模式

在視聯網的起點，人們剛剛學會如何利用AI技術打破視頻的信息壁，并能夠利用視頻信息進行初步的商業應用。在這一階段中，對于視頻信息的解讀和利用是比較有限的，表現為數據維度較少、可辨識的類別有限。這主要是受限于視頻數據的數據量和標識量。

當前以深度學習神經網絡算法為主流的AI技術需要大量經過標識的數據樣本作為訓練AI算法的養料。通常，計算機要達到可商用的識別能力，需要上百個差異化的數據樣本的反復調試。但數據的標識和算法的訓練需要大量的人力投入，同時視頻內容的版權和信息安全問題也制約了視頻數據的傳播。人力與數據共同限制著視頻識別能力的提升。

為了最大化的利用識別出的有限信息，“嬰兒期”的視聯網應用表現出了典型的“預期-推送”模式。在這一模式中，本質上是利用外部已有的用戶大數據和行為心理學對視頻觀眾的心態和行為進行預測，挑選出被認為是最能引起觀眾共鳴的場景。進而，集中人力和數據讓計算機學會識別這些場景，并在全網視頻中找出此類場景中，推送與之相關的應用服務。例如，針對視頻中的團隊聚餐事件，可以分為提出聚餐、進入餐廳、點菜、吃的熱火朝天和結賬等五個場景。通過數據分析和常識判斷，吃的熱火朝天的場景最能引起人們對吃的情感共鳴，這時候就可以集中資源讓計算機學會識別“吃的熱火朝天”場景，進而在此類場景中大規模自動化地推送與吃相關的應用服務，比如外賣廣告。

基于“預期-推送”模式，視聯網的早期參與者開發出了廣告和電商兩類應用模式。這兩者相對于其他互聯網服務而言，具有商業模式較輕、變現速度較快的特點，并且對于視頻場景的需求也較為明確。

廣告業務的基本形式在于視頻場景與廣告內涵的匹配。通過解析視頻內容中蘊含的人物、物體、動作、地標等信息，可以尋找到與廣告品牌內涵相一致的視頻場景，進而實現廣告品牌價值與視頻內容場景相互匹配。這種模式下，可以創造出視頻場景廣告這一全新的廣告形式，大幅提高廣告曝光的接受度和回報率。

電商業務的核心是滿足視頻觀眾的場景消費沖動。視頻可以帶來強烈的情感渲染和共鳴，刺激觀眾在特定場景下對特定商品形成消費沖動。當前的視頻服務可以通過解析視頻場景的注意力指數，在合適的視頻位置推送與場景關聯度最高的商品，促進商品的銷售轉化。

“預期-推送”模式的主要問題以及發展方向都在于如何提高“預期”的準確性。對于觀眾行為的預期越是準確，推送服務的商業價值也就越大。就目前的模式而言，“預期”在理論上有兩重錯配的可能。一是預期的用戶行為與實際行為不符，表現為大數據分析與個體實際行為間的差異，在當前階段難以解決;二是實際視頻內容與所需視頻場景不符合，來自于視頻識別過程中的錯判，需要提高識別的準確率來解決。

視聯網的成熟期：“實時-調用”應用模式

技術的發展將為人帶來更大的便利。從技術便利性的角度出發，我們可以對視聯網的成熟形態作出大膽而又合乎情理的想象。

在視聯網的成熟期，借助可穿戴智能設備、尤其是智能眼鏡的普及，人所見的一切信息都將被攝像頭捕捉并在極短的時間內處理成計算機可以識別的視頻信息。此時，人們從視覺信息中激發的所有需求都能得到直接的響應。通過語言、手勢、眼動捕捉等多種形式，計算機能夠接收到人們提出的需求，并結合捕捉到的視頻信息獲悉需求的具體內容和對象，進而調用互聯網的相關應用和服務來滿足人的需求。

最終，以一種極為便利的交互形式(可能是AR、VR或MR)將應用和服務反饋在人機交互的虛擬層上，形成了我們理想中的成熟的視聯網模式。在這一階段中，“實時”與“調用”將是描述應用模式最為核心的關鍵詞，與“嬰兒期”的“預期-推送”模式形成鮮明的對比。

當然，這并不意味著“預期-推送”模式將被被完全取代，更可能是作為“實時-調用”模式的一種補充。

“實時”強調的是視頻解析能力的全面性和即時性。這一時期的視頻內容將在各個維度被全面解析，人眼觀察所能認知的一切信息都將被計算機捕獲，甚至超越人眼的可辨識范疇的信息都將被計算機掌握。并且，這種識別能力將是極為迅速的，視覺所及的一切內容在形成需求前都將被計算機解析，從而響應人們隨時可能激發的任意需求。

“調用”強調的是互聯網服務與視頻內容的完美結合，包含了互聯網服務的全面鏈接和服務形式的因地制宜兩重含義，是視聯網生態成熟的重要標志。在這一時期，互聯網中的各類服務和應用將以小程序的形式與視頻內容全方位打通，人們在觀看視頻過程中激發出的需求將可以十分便利的調用對應的互聯網服務來滿足。例如，對于景點不了解就調用百科小程序，對于商品感興趣就調用電商小程序。同時，不同形式的互聯網服務將以最恰當的互動形式呈現給人們，實現體驗的最優化。

推動“視聯網”成長的核心要素

對比當前“嬰兒期”的視聯網模式和理想中的“成熟期”視聯網模式，可以發現“視聯網”的成長需要在以下三個方面形成突破：

視頻識別能力是推動視聯網發展的核心能力，也是視聯網的實現基礎。可以說，視頻識別的精度和速度決定了視聯網鏈接的廣度和深度。速度上的提升能提高視聯網的適用范圍，越快的識別速度意味著觀眾可以更迅速的與視頻內容產生互動。識別的精度和維度的提升有助于提高視聯網的鏈接深度。更多維度和更高精度的識別才能精準定位用戶需求，進而深耕具體的需求內容，調用最為合適的互聯網服務。

視頻小程序生態是視聯網的價值體現。通過多樣的視頻內小程序鏈接豐富的互聯網服務，將視頻識別的技術能力轉化為給視頻觀眾帶來服務的功能模塊，在生態集聚中實現產業價值的最大化。視頻小程序生態是建立視頻識別能力之上的。如何最大化利用既有的視頻識別能力，鏈接盡可能多且好的互聯網服務、為視頻觀眾提供最為便利性的服務，是視頻小程序生態建設的核心問題。

軟硬件協同進程：視聯網真正走向成熟，還需要軟硬件層面的協同發展，促進視聯網的快速推廣與應用落地。這其中的協同包括處理芯片、通訊帶寬、攝影設備、互動設備等。這就要求在硬件設計層面就盡可能囊括視聯網的軟件應用，包括識別算法、互動程序等。

第二章：視聯網的發展路徑：“一主一次一輔”

圍繞視聯網成長的三個核心要素，可以明確視聯網發展的主要路徑，具體分為“一主一次一輔”的三條發展路徑。

仔細辨析三條路徑的發展前景，可以發現，視聯網的成熟期離我們并不遙遠。

主線：視頻識別能力從量變到質變

視頻識別能力的進步是視聯網發展的核心主線。視聯網從嬰兒期向成熟期的發展，需要視頻識別能力變得更快、更準、維度更多。尤其是在維度層面，視頻識別不僅是對單個元素，例如人臉、物體、商標等的識別，更需要對多元素組合而成的場景、連貫發展的事件等進行識別，以保證人的相關需求都能得到響應。

從當前的技術條件來看，視頻識別能力的進步主要取決于數據積累和算法迭代兩個方面。其中，算法迭代往往是可遇而不可求的，當前人工智能算法的突破也是建立在數十年理論研究和天才的靈光一閃之上。

與之相比，利用當前深度學習算法實現視頻識別能力的提升是可預期和可實現的。其中的關鍵在于數據積累引起的識別能力從量變到質變。

深度學習算法的特點在于可以通過不斷的數據積累，讓計算機對于已標注的單元識別能力越來越精準。與此同時，更多的數據又有助于寫出更優化的算法，提高計算機對于視頻的識別速度。

隨著被標注的元素和事件維度越來越豐富，計算機可識別的元素廣度和事件深度也在不斷增加。

在這個量的積累過程中，計算機的識別能力正在不斷接近人眼的識別能力，而當計算機能完全識別所有人眼能夠捕捉到的信息，就完成了從量變到質變的過程。在此之后，起碼在精確度和識別維度方面，計算機已經能夠勝任實時處理的要求。

在處理速度方面，隨著摩爾定律繼續發揮作用，能夠滿足實時處理能力的視頻處理專用芯片也將很快誕生，推動視頻識別能力走向成熟。

在阻礙方面，視頻標注所需的大量人力成本或許會成為制約視頻識別能力快速發展的主要阻礙。為了應對這一問題，一方面需要投入更多資源研發數據需求量更少的算法，另一方面也可以建立研發聯盟，由頭部企業聯合起來共同承擔成本，可以避免在視頻識別技術上的重復投入。

次線：視頻小程序生態的建設與優化

視頻小程序生態的逐步壯大和優化是視聯網發展的次線。之所以是次線，是由于視頻小程序生態需要建立在較強的視頻識別能力之上。一個完善的視頻小程序生態可以將視頻識別技術創造出的價值最大化，為更多的人提供服務和便利。

而要形成一個完善的視頻小程序生態，最為重要的就是建立一個針對視頻互動技術的開發者生態，讓開發者有動力和激勵圍繞視頻識別技術的進步不斷研發新服務和更新已有視頻小程序。

對比手機應用市場和小程序等生態的建立，視頻互動技術的開發者生態，乃至視頻小程序生態的建立，需要在以下三個方面加以努力。

一是市場和流量規模。市場規模越大，越能吸引開發者加入研發新的應用程序，而越多的應用程序，越能吸引顧客進一步擴大市場規模。但對于全新的視頻小程序生態而言，市場規模從零開始，應該如何做到冷啟動，形成良性循環?首要的目標應是做大流量規模，以一兩款核心小程序為賣點，讓視頻小程序生態接入盡可能多的視頻播放平臺，獲得足夠的曝光機會。也正因此，視頻小程序生態的先發者往往能占據很大的優勢。

二是小程序生態的管理水平。視頻小程序生態的建立能帶來巨大的市場價值，也必然面臨激烈的競爭。不同視頻生態間的競爭考察的不僅是視頻識別的技術能力，同樣考察企業對于小程序生態的管理能力，包括如何在開發者、流量方和平臺方之間分配收益、如何管理審核小程序的規范性和合法性、如何激勵開發者為新技術研發新應用等。完善的生態管理機制將大幅增加視頻小程序生態的親和度，進而加快開發者生態的形成。

三是開發環境的便利度。一個良好的開發生態的建立還需要便利的開發環境，包括開發語言的難易程度、功能模塊的完善程度、應用更新的便利程度等。

視聯網中的小程序生態必然將引發激烈的競爭，以上三個角度將是企業建立護城河，打造行業標準的重要方面。

輔線：軟硬件協同進程的不斷推進

軟硬件協同指的是將特定的軟件功能內嵌在硬件之中，通過有針對性的資源優化，從而加快處理速度、減少功耗等。軟硬件協同之所以是輔線，一方面是由于缺失硬件配套并不妨礙視聯網產業生態的建立，另一方面則是硬件投入成本高，軟硬件協同需要大規模市場的刺激，對于新生的視聯網生態而言，過早的介入硬件開發不利于在軟件開發上的精益求精。

但是，通過軟硬件協同，可以大幅減少視聯網落地應用和走向成熟的時間。例如，在攝像頭中直接加載視頻識別能力，可以大幅減少視頻識別所需的時間和成本;在視頻播放設備(如投影、眼鏡、電視等)中內嵌視頻互動生態，可以極大的拓展視聯網生態的應用范圍。

第三章：視聯網發展的前景預期

在分析了視聯網的核心發展要素和實現路徑之后，回顧視聯網發展的四個階段，可以更為詳盡的解析各個階段的狀態和市場規模，描繪一個更為清晰的視聯網發展前景。

“百億規模的嬰兒期”(3年內)

最為核心的特點是視頻識別能力的不斷積累。視聯網的參與主體們都在努力修煉自身算法，以期盡早占據技術高地，形成獨一無二的產品優勢。與此同時，圍繞視聯網的視頻小程序應用開發也將如火如荼的展開。早期的加入者希望抓住這一新的機遇，牢牢把握先發優勢，以期在視頻小程序生態中成長為新的巨頭企業。

嬰兒期的視聯網企業需要在技術能力和商務能力上實現“雙輪驅動”。提高視頻識別的技術能力和加強視頻互動產品落地的商務能力，兩者是相互促進、一榮共榮的關系，這是由當前的技術特色所決定的。

應用場景和數據的增多會有助于進一步優化視頻識別算法，從而為應用場景帶來更好的服務效果，促進商務的更快拓展。因此，對于以技術為核心的眾多初創企業而言，迅速拓展商務能力不僅能帶來高速增長的業績，更是企業生存和競爭必要選擇。

從市場規模看，當前已有的廣告和電商的互動形式將支持視聯網迅速踏上百億級的臺階，三年的估算是一個相對保守的測算。例如視頻場景廣告就將迅速替代已有的前貼片、中插等視頻廣告形式，而單單視頻貼片廣告的市場規模在中國就達到了四五百億之多。

千億規模的成長期(未來3-6年)

視聯網進入成長期的重要標志是視頻識別能力達到或超越人眼的識別能力，并能支持較為復雜的事件識別。

在這個階段，視頻識別能力提升所能帶來的收益已經越來越少，市場競爭的重點轉向了視頻小程序生態的競爭。

早期參與視頻小程序生態的企業將面臨新玩家的激烈競爭。視聯網的價值將得到廣泛認可，眾多巨頭為了搶占視聯網的全新風口，將紛紛斥巨資加入視聯網生態的競爭。與此同時，一些有遠見和資源的企業將會把目光放在視聯網硬件的開發之上，把視頻識別技術嵌入硬件之中，形成諸如智能攝像、智能編輯、視頻專用芯片等產品。

未來3-6年中，視聯網在各類視頻小程序生態的支持下，將輕松突破千億規模。例如，廣告將不再局限在視頻場景之中，各類視頻內的小程序服務(如百科、訂票、購物推薦等)都將成為廣告載體，擴大整個視聯網的市場規模。

萬億規模的青年期(未來6-10年)

視聯網的青年期代表了視聯網小程序生態的基本形成。依托完整的應用生態和成熟的視頻識別技術，視聯網已經基本能夠實現“實時-調用”模式。

在這一階段，視聯網的硬件研發將進入高潮，可穿戴智能設備的逐漸成熟帶動視聯網與硬件的結合越來越緊密。

視頻互動生態的形成和硬件研發的深入將推動視聯網從千億級規模邁入萬億級規模。

視聯網的成熟期(未來10-15年)

視聯網的成熟期可能將在未來10-15年到來，這主要取決于新一代智能設備的成熟時間。

智能硬件與視聯網將完美結合，人的視覺感官將成為互聯網的入口，可以鏈接到一切聯入互聯網的設備、享受其提供的服務。

這一時期視聯網的市場規模將沒有統計的意義，就像現在的互聯網一樣，視聯網將成為基礎設施，融入生活的方方面面。