安防行业专题研究：AI赋能制造业道路，传统安防龙头估值逻辑切换

　　（报告出品方/作者：天风证券，潘暕、许俊峰）

　　1. 大模型突破技术瓶颈，有望加速 AI 场景落地

　　我们认为，AI 在安防行业商业化落地进程中主要存在两大痛点：第一，传统机器学习模型 精度不足；其次，模型限制成为大数据发展的挑战之一，模型下游应用场景有限。 随着 AI 时代到来，我们看到如下趋势：通过突破技术端瓶颈，或将显著提高模型精度并降 低人工标注成本，拓宽下游应用领域，加速场景落地。具体而言，（1）图像机器学习+大小 模型协同进化，模型精度将显著提升；（2）大模型有效降低标注成本，助力下游场景日渐 丰富；（3）多模态驱动模型精度提升，音频技术助力智能安防。

　　1.1. 图像机器学习 +大小模型协同进化，模型精度显著提升

　　我们认为，图像机器学习+注意力机制将提高精度并降低人工标注成本，通过大小模型协 同进化，拓宽下游应用场景。 具体而言：（1）在图像机器学习+注意力机制赋能下，AI 大模型对于复杂图片和场景的识 别能力有望显著提升，降低人工标注成本，提高大模型自我训练的精度；（2）大模型通过 知识蒸馏、量化等方式，在边侧将其沉淀的知识与推理能力向小模型输出，达到训练小模 型的目的。（3）小模型向大模型反馈算法和执行成效，帮助大模型迅速收敛。通过上述流 程，将实现大小模型在云边端协同进化。

　　

　　1.1.1. 图像机器学习+注意力机制实现降本提精，图像交互方式或被颠覆

　　Clip 模型是 OpenAI 于 2021 年初发布的开源神经网络，在无需人工标注标签的图像识别上 性能卓越，Clip 开源的特点或将加快国内厂商技术追赶图像机器学习进度，为后续机器视 觉大规模商业化打下技术基础。 Clip 带来图像机器学习关键节点，机器视觉大规模商业化时间线可参考 ChatGPT。Clip 技 术突破带来迅速的下游应用渗透，在 Clip 发布两年后，2022 年 11 月、2023 年 3 月 ChatGPT 与 GPT-4 分别发布，图像机器学习使得 AIGC 大规模商业化成为了可能。参考 ChatGPT， 我们认为图像机器学习的技术触角有望延展到机器视觉 2B 应用端：（1）短期：可实现降 低成本、提高精度；（2）中长期：人和图像数据的交互方式或被颠覆。

　　短期：图像机器学习摆脱人工标注，将降低标注成本、提升识别精度。1) 实现图像的机器 学习将减少 AI 图像视频判断对人工标注的依赖，降低数据成本。2）在识别成本下降的同 时，机器学习将会提升图像标签的识别精度，提升数据挖掘的维度，无法被人眼识别的数 据将得到被挖掘的可能，拓宽下游机器视觉 2B 应用场景。 长期：在摄像头海量数据支持下，AI+安防的交互方式或被颠覆。摄像头作为目前视频、 图像信息的重要接收窗口，在日常生活中具备较高覆盖度，可以从边端侧为 AI 分析提供海 量数据源，是 AI 自我学习视频图像数据的重要抓手。通过机器学习，如今已经实现通过文 字描述查找视频关键帧等应用，随着机器学习技术的进一步迭代，深入挖掘更多图像视频 的视觉信息，我们认为在 AI+安防领域有望创造更多人与深度视觉数据互动的方式，如自 动生成监控视频的文字描述、选择关键片段替代原视频等。

　　实现不同模态信息提取，注意力机制助力图像识别的机器学习。在图像的机器学习中，使用了注意力机制，用于提取图像和文本的特征表示，从而实现图像和文本之间的相似度计 算。模仿人类视觉选择性关注信息、忽略其他可见信息的特点，注意力机制是一种抑制无 用特征、提高对有用特征的关注度的算法。在 2017 年由 Google 提出可以实现注意力机制 的神经网络架构 Transformer 后，注意力机制经过发展，已经可以完成音频、图像、视频、 自然语言等不同模态的数据特征抓取任务，实现了多模态的信息提取，成为 Clip 模型为代 表的图像机器学习的重要基础之一。

　　

　　注意力机制原理如下：注意力机制共包含三个参数：查询向量（query vector），键向量（key vector），和值向量（values vector），实现注意力机制的核心在于对于给定输入图片，实现 Q、K、V 值的不断重置。以面部识别为例，将图像分割成数个部分，把各模块（眼睛、皮 肤、胡须等）按序编码得到一系列 Q、K、V 向量，依次计算每一部分 Q 向量与所有特征 K 向量（K 向量为所有 Q 向量的集合）的相似度，即注意力权重系数，并将系数与原特征向 量 V（V 在第一次迭代中=K）进行加权求和，重新生成携带关联性信息的该特征向量（V^1）， 例如嘴巴（关联性程度依次为胡须、皮肤等）。 在识别图片过程中，注意力机制不断选出与此次迭代的 V 相关性最高的特征，不断更新 Q、 K、V 直到图像中的所有特征都被识别完毕。例如，在对给定男性肖像图片进行识别时， Transformer 框架将综合重点特征描述，通过多次迭代推导出最终的识别结果：男性。

　　1.1.2. 大模型+小模型协同进化，在边侧实现模型精度提升

　　传统机器学习模型精度瓶颈明显，复杂场景识别受限。由于数据量不足、特征提取能力不 足、模型复杂度不足、计算资源有限等问题，传统机器学习模型往往精度有限、难以处理 大规模的数据。当在复杂环境中存在干扰因素时，识别效果往往大打折扣。 例如在工业质检领域，质量检测是制造业生产线中的重要环节，对精度要求尤为严格，通 常为微米级别，在半导体等产业甚至达到纳米级别。以车间加工中心为例，各工序精度要 求基本在 1-10μm 间。传统机器学习模型存在精度不足、成本过高等痛点，应用效果不 佳。

　　大小模型协同进化实现精度提升，使复杂场景精确识别成为可能。（1）在图像机器学习+ 注意力机制赋能下，大模型对于复杂图片和场景的识别能力将会显著提升，助力模型精度 提高；（2）在算力不足的边侧，通过知识蒸馏等方式实现大模型对小模型的训练；（3）小 模型向大模型反馈算法和执行成效，帮助大模型迅速收敛。通过上述流程，将实现大小模 型在云边端协同进化、实现精度提升。 例如在自动驾驶背景下，车辆需要实时感知周围场景。传统模型下人工标注的信息获取维 度单一，处于运动状态下的车辆可能出现相互遮挡等情况，导致无法精准识别并感知周围 场景。而在机器视觉充分被数据训练后，海量的多维度数据将会被标注，并给予适量权重， 从而使复杂场景的精确识别成为可能。

　　

　　在大模型监督、训练小模型的过程中，知识蒸馏是主流方法之一。知识蒸馏核心思想是生 成一个复杂的大模型，对于同一数据源，小模型以大模型的输出结果或生成的数据标签为 目标进行训练。 知识蒸馏可实现大模型能力迁移，在边侧等算力不足区域提高模型精度。（1）提升模型精 度：利用已有的更高精度的大模型对小模型进行知识蒸馏，从而得到更高精度的小模型。 （2）降低模型时延，压缩网络参数：通过更高精度的大模型对参数量小、时延低的小模型 进行知识蒸馏，提高该小模型的精度，从而降低时延。（3）标签之间的域迁移：将两个训 练集不同的模型同时蒸馏，可以得到集合两个模型效果的模型，实现了两个不同域的数据 集的集成和迁移。

　　以小米的小爱同学智能音响为例，首先在云上基于大规模数据训练 BERT 大模型，然后再 将这个模型作为 teacher 模型，进行模型蒸馏，来训练一个更小的 Albert tiny 模型。最终 得到的小模型可以学习到 Bert 大模型的知识，在效果没有明显下降的情况下，响应时间降 低到 20ms，大幅优化了客户体验。

　　1.2. 机器学习有效降低标注成本，助力下游场景日渐丰富

　　我们认为，以减少人工标注成本为基础，“预训练大模型+下游任务微调”模式是后续视觉 模型大规模应用的重要前提。 传统网络模型训练依赖海量经标注的数据，数据成本较高。由于获取、标注数据成本高， 且针对不同行业需要重新收集、标注数据和训练模型，产生大量重复成本。 根据极市平台公众号、得物技术公众号、高工智能汽车公众号总结的 AI 项目通常开发过 程，结合 2016 年海康威视在海关便携式审讯设备采购项目中落地流程的实例，项目落地 的主要流程包括：确定需求、数据搜集、根据需求和数据设计定制化模型、安装并部署项 目、根据实际应用数据优化模型、验收项目、后期运维。项目中依赖人工搜集并标注数据， 产生大量成本。此外，需要结合实际部署情况所得数据对模型进行优化，将产生重复成本。

　　机器学习将有效降低人工标注的数据成本。有 50000 人参与了图片数据库 ImageNet 中 1400 万张图片的标注，与此相比，Clip 使用的是互联网上公开的文本-图像对，在标注方 面，也利用自监督学习、对比方法、自训练方法以及生成建模等方法减少对人工标注的依 赖。在实现图像标签的自动机器学习后，数据人工标注的成本将被大幅降低。 大模型实现自动机器学习之后，可通过知识蒸馏将识别迁移传到至边缘模型，提高模型通 用性。我们认为 ChatGPT 的成功，标志着 AI 应用从以专用小模型训练为主的“手工作坊 时代”转变为以通用大模型预训练为主的“工业化时代”。1）通过实现机器自动标注数据、 高精度带来的数据样本量扩大等因素，人工数据标注的成本大幅降低。2）机器自动标注促 使大规模预训练成为可能，提高了基础模型的泛化能力，降低了定制化需求的成本。简而 言之，AI 大模型学习了各行各业各类数据，成为具备良好的知识迁移能力的“通才”，只需 根据下游应用具体场景对参数进行微调，便可实现靶向高速处理。

　　

　　1.3. 多模态驱动模型精度提升，音频技术助力智能安防

　　1.3.1. 多模态模型落地，多维数据提升模型精度

　　多模态时代开启，目前文本-图像模型为主。多模态机器学习旨在建立能够处理和关联来自 多种模态的信息的模型，常见的模态包括视觉、文字、声音等。2023 年以来，各科技巨头 纷纷推出多模态大模型，包括谷歌 PaLM-E、微软 KOSMOS-1、GPT-4 和百度文心一言等。 目前多模态大模型以文本-视觉领域为主，实现了视觉对话、视觉解释、AI 生成图像等突 破。未来多模态模型或将逐步接入音频、视频等模态形式，进一步丰富数据类型。

　　多模态模型通过输入多维数据提升模型精度。通过利用来自多种不同来源的信息，这些信 息可以相互补充和增强，从而提高模型的性能。具体而言，（1）多模态可以得到更加全面、 准确的特征表示。（2）减少单个模态的不确定性，提高模型的鲁棒性。（3）扩展模型的应 用范围，使其适用于多任务场景。例如，将图像和文本等多种模态的信息结合起来可以提 高图像检索、图像标注等计算机视觉任务的准确性。

　　1.3.2. 音频模态接入，助力智能安防场景落地

　　声音通过与其他模态信息结合，能够提高人机交互和人脸识别的效率、精确度，在安防领 域广泛运用于安防机器人、智能视频监控。 多模态结合，声音技术助力智能安防。声音是视觉以外获得信息的最重要渠道，将声音与 视觉、文字等模态相结合能够提升人机交互的精确度与效率。常见的包含声音的多模态应 用场景可以分为 “文字-音频”，“视觉-音频”，“视觉-文字”三类。在安防领域，声音与 其他模态相结合的主要应用有安防机器人和智能视频监控。

　　人机交互核心技术，语音识别推动智能安防机器人发展。语音识别技术作为人机交互最为 核心的落地技术，在安防行业主要应用在以智能巡检机器人为代表的安防机器人身上。安 防机器人能通过内置的麦克风接受外界声音，并对人声进行识别和理解，一旦读懂“人声” 背后有疑似危险行为，将自动触发报警系统进入防御状态，从而对目标人物起到安全防护 的作用。 智能视频监控迈入全新发展领域，多模态生物识别技术是关键。以人脸识别技术为核心的 视频监控是安防行业的主要应用，用智能语音技术辅助人脸识别，使得视频监控更为智能 化。例如，通过智能语音识别技术中的声纹识别，将说话人声纹信息与已知用户声纹进行 1:1 比对验证和 1:N 的检索，能辨认和确认说话者的身份，提升人脸识别的准确率。

　　

　　2. 大模型应用领域不断丰富，打开安防下游市场空间

　　我们认为，随着技术端的突破，AI 将赋能各行各业，有望为安防行业带来万亿潜在可替代 市场空间。具体可以从工业、智慧城市、煤炭和农业四个行业来看： （1）工业：智能化转型为安防带来广阔空间。据我们测算，每年在质检方面有将近 2100 亿的人力成本，汽车行业、消费电子等行业潜在可替代空间均有望达到千亿级别。（2）智慧城市：校园/医疗/城市等多场景深度赋能安防。智慧城市辐射多个领域，驱动市 场规模超百亿级。视频监控摄像头作为数据核心，为视觉应用厂商带来广阔机遇。 （3）煤炭：政策指引+IT 赋能，智慧矿山驱动智慧物联需求。安永预计智慧矿山整体市场 规模超万亿元。 （4）农业：降本增效+技术进步驱动，潜在可替代成本预计突破万亿，养殖和种植双场景 赋能智慧农业。

　　2.1. 工业：智能化转型市场广阔，安防迎来全新机遇

　　人口“负增长”叠加“老龄化”背景下，工业生产人工成本高涨，工业智能化转型市场空 间潜力跃增。从应用场景看，单质检行业潜在可替代空间即可达到 2100 亿；从细分行业 来看，汽车行业、消费电子行业等潜在可替代空间均可达千亿级别。

　　2.1.1. 人口负增长、老龄化背景下，智能工厂迎来广阔空间

　　人口“负增长”+“老龄化”趋势下人工成本高企，工厂智能转型迎来机遇。未来人口增 速及结构发生变化，总体趋势为人口“负增长”+“老龄化”。根据人社部数据，市场岗位 空缺与求职人数的比率从 2017 年 Q1 的 1.13 上升至 2021 年 Q3 的 1.53，劳动力市场供给 整体呈逐年下降的趋势。我们认为在这样的背景下，企业人工成本持续高涨，工厂智能化 转型或将迎来广阔的空间和机遇。

　　

　　我们认为，机器视觉精度提高+AI 赋能，将拓宽机器视觉工业场景，助力工厂智能化转型。 机器视觉的主要功能有视觉测量、视觉引导、视觉检测，机器视觉的应用提高了工业生产 中的柔性和自动化程度，在生产中极大地减少了人工的使用，并提高和保证了生产的质量。 AI 视觉算法配合工业相机可实现生产自动化；而具备视觉分辨能力的机器人可以持续高效 的完成重复动作，极大提高了生产效率。 以质检为例，我们认为整个质检市场广阔，经初步估算，现有质检工人工资约 2100 亿。 根据前瞻产业研究院的数据，每天产线上进行目视检查的工人按 350 万来测算；根据 BOSS 直聘注册用户提供的质检员薪酬数据，薪资水平按 60252 元/年来测算。工业质检是工业 生产中最重要的环节之一，也是智能制造转型升级的重要突破口。然而目前人工质检常会 出现检查效率低、审核质量不稳定、人力成本大及招聘难的问题。AI 视觉可以完成工业智 能运维中的外观异常检测、仪表示数异常检测，帮助实现预测性维护和智能运维；也可以 独立应用于生产环节的质量质检、产品和组件装配检查等。

　　2.1.2. 工业智能化转型市场广阔，细分行业潜在可替代空间均可达千亿级别

　　降本驱动下，汽车行业潜在可替代空间可达千亿级别。汽车行业是劳动密集型产业，据我 们测算，绝大部分企业生产员工占总员工的比例都超过了 50%，十家主要厂商生产 人员的人工成本将近 800 亿，根据 Wind 显示，截至 2021 年底，我国汽车行业有 2994 家 公司，因此合理推算行业生产人员的人工成本每年可达到千亿级别。我们认为随着工厂逐 步实现智能化转型、工业机器人渗透率不断提高，生产员工有望可以逐步实现替代，从而 大大减少企业的生产成本。

　　自动化工厂为特斯拉打造生产壁垒，2022 年毛利率远超比亚迪。比亚迪 2022 全年销量 180 万辆，毛利率 20.39%；特斯拉 2022 全年销量 131 万辆，毛利率 28.5%，特斯拉比体量 大的比亚迪毛利高出 8 个百分点。我们认为特斯拉高毛利的背后与其工厂制造的自动化程 度高是密不可分的，自动化是整个工业生产降本的关键逻辑。 特斯拉超级工厂运营下的生产效率直接决定整车制造成本。1）同一产线生产多个系列产 品，摊薄成本，提升毛利。同一汽车平台产线，如果能够实现生产多个系列产品，随着销 量的攀升，固定成本的投入会被摊薄，毛利空间更大、定价策略也更加灵活。以上海工厂 生产的 Model 3 和 Model Y 为例，这两款车型是特斯拉的主力产品，也出自同一平台。 2）工厂自动化程度高，机器人是特斯拉产能提升的关键。汽车生产的整个流程分为冲压、 焊接、涂装、总装四个板块，特斯拉将其全部集中到一个大的厂房里面。生产线上装配有 大量美的旗下库卡公司的机器人，在 Model 3 电动汽车进行量产的关键时期，机器人能很 好完成制造生产线上的点焊、激光焊接、装配材料等任务。这样做的应用成效也非常明显， Model 3 和 Model Y 的产量曾在一个季度内增长了 70%以上，目前上海占特斯拉全球产量 一半，2021 年特斯拉上海工厂年产值高达 47 万台，2022 年年产能则超过了 75 万辆。

　　

　　智能转型、降本驱动下，消费电子行业潜在可替代空间也可达千亿级别。消费电子行业同 样是劳动密集型企业，据我们测算，十家主要厂商生产人员成本达 623 亿，根据 wind 显示，截至 2021 年底，我国消费电子行业有 3527 家公司，因此合理推算行业生产人 员的人工成本每年可达千亿级别。

　　富士康作为消费电子行业龙头，智能工厂建设成效显著。富士康是全球电子科技制造服务 领域唯一拥有 4 座 WFE 灯塔的企业。制造业“灯塔工厂”即在第四次工业革命尖端技术应 用整合工作方面卓有成效，堪为全球表率的领先企业。

　　蓝思科技入选工信部示范工厂，工厂智能化程度高，显著提高绩效。蓝思科技的生产基地 里没有流水线上大量操作的工人，取而代之的是机械手。所有工序都由计算机控制的机器 人、CNC 设备、AGV 和自动化仓库设备来操作。目前蓝思科技内部有生产设备数万台，需 要对设备的物联集成以及设备状态、位置、加工工艺等参数进行采集与程序管理，将传感 器采集到的工业数据传输至云平台，实现生产制造过程智能化。2021 年，在智能转型中， 蓝思科技显示元器件智能工厂绩效得到改善，劳动生产率提升 12.18%，质量损失率下降 5.6%， 单位品综合能耗下降 5%。

　　2.2. 智慧城市：以摄像头为核心，多领域市场空间达百亿级

　　多个下游市场规模超百亿级，视觉应用厂商机遇广阔。智慧城市辐射数字产业多个领域， 智慧交通、智慧校园、智慧物流、智慧政务等，其中视频监控摄像头是数据核心，为视觉 应用企业带来发展机遇。

　　2.2.1. 智慧校园应用分为两个场景，中小学市场规模达千亿级

　　以智慧校园为例，中小学升级需求集中在智慧教学、智慧安防两个场景，经我们估计市场 空间将达到 1000 亿元量级。 智慧校园可分为智慧教学和智慧安防两大应用场景。智慧教学：场景集中在教室内，可以 通过 1）课堂摄像头采集人体行为数据，如听讲、举手、交头接耳等，量化课堂教学过程， 为教学质量评估提供客观依据。2）摄像头感知光线，实现教室灯光智能管控，降低能耗， 保护视力。智慧安防：场景集中在校园内，如 1）智能门锁可以为宿舍、教室等提供集中 门锁权限，实现更高精度的身份识别，提升安全系数。2）在校门口等重点区域，利用摄像 头的智能识别功能，叠加深度学习技术，实现刷脸进校、以图搜图、机器巡更等应用。

　　据智慧校园相关招投标数据，我们认为中小学的智慧校园市场空间在 1000 亿元量级。通 过对各地智慧校园相关招投标公告的收集整理，我们估计新建高中学校的智能化设备支出 为 1000 万元，已有中小学智能化升级改造支出约为 50-500 万元。据中华人民共和国教育 部数据，截至 2021 年，我国共有中小学 21 万所，按每所学校 50 万元的改造支出计算， 则智能校园的市场空间为 1000 亿元，与艾瑞咨询以及业内预期基本一致，叠加我国职业 技术学校、高等教育学校、新建中小学的智慧校园相关需求，预计市场规模将达到 1500 余 亿以上。

　　2.2.2. 智慧医院涉及三大核心，相关市场规模达 360 亿元

　　在智慧医院领域，目前的解决方案涉及智慧服务、智慧医疗、智慧管理等三大核心，相关 市场规模可达 360 亿量级。 现有智慧医院的解决方案以智慧服务、智慧医疗、智慧管理为核心。已经实现 1）动态配 置病区通行限制，针对特殊患者单独设置通行策略，无需护士人工确定陪护人员和探视时 间。2）对于精神病院、养老院、康复中心等地的特殊患者，依托 RFID 定位技术，结合物 联感知设备进行实时安全性监测。3)通过 AI 视觉设备在医疗作业中实现手术目标识别、视 觉病灶分析，自动搜集患者身体情况，实现信息的互联互通。 据医院相关智能化产品招投标情况，预计市场规模为 360 亿元。根据搜集整理的医院相关 招投标情况，我们发现依据医院的规模，视觉领域智能升级的费用在 20-880 万元之间浮 动。2021 年全国共有 3.6 万余家医院，若仅考虑公立与民营医院，以每家医院 100 万的中 位数支出测算，则仅医疗领域视频安防的升级市场空间就为 360 亿量级。

　　2.2.3. 视频监控为智慧城市核心，运营商视联网平台丰富摄像头应用环境

　　视频监控领域是智慧城市建设的核心，相关应用效果未达预期。中星技术总工程师施清平 认为，在智慧城市的构想中，城市中的视频监控摄像头起到了 80%以上的真实数据采集功 能，是不可或缺的感知层硬件。但受制于 1）目前城市中部署的摄像头算法精度不足，大 部分城市处于 S1、S2 阶段；2）智慧城市的实现有赖于城市运营服务与发展建设的结合， 专业的城市运营将加强城市智能化建设的体验感；使得单独的摄像头无法替代智慧城市成 网体系，应用效果未达预期。 丰富摄像头应用环境，运营商搭建视联网平台。为使摄像头视频资源发挥更大应用效果， 中国电信构建了天翼视联网平台，在视联网中，中国电信整合了摄像头等监控系统，将视频内容直接上传到云端。视联网实现了全国一张网统管所有视频内容，无需部署本地视频 网络，推动了摄像头智能看家、摄像头监督厨房险情等的应用，成为了继移动网、宽带网、 物联网、卫星网之后的“第五张网”。 目前中国电信已发力整合监控摄像头等视频设备，并提供加装 AI 摄像头的服务，旷视、萤 石、大华等公司已成为中国电信合作伙伴。十四五期间，中国电信将基于视联网实现超过 亿台视频终端接入，促进 AI+安防产业发展，视觉厂商或将因此受益。

　　

　　2.3. 煤炭：智慧矿山驱动智慧物联需求

　　在煤炭领域，安全生产问题偕同政策指引、IT 技术进步，共同驱动智能矿山需求增长，安 永预计未来国内所有矿山的智能化改造成本可达万亿。大华为煤炭行业提供智慧物联解决 方案，可运用于煤矿的智能可视化和智能生产调度。 安全生产挑战仍存，煤炭企业亟需智能化转型。煤炭仍是我国的主体能源，据中国煤炭工 业协会统计，全国规模以上煤炭企业营业收入 4.02 万亿元，同比增长 19.5%。我国煤矿安 全生产形势依然严峻，与发达国家相比仍处于较低水平。2022 年，全国共发生煤矿事故 168 起、死亡 245 人，同比分别上升 85%和 38%，全国煤矿百万吨死亡率为 5.4%，同比上升 1pct。 相比之下，2020 年美国因煤矿安全生产事故造成的死亡人数仅为 5 人，百万吨死亡率为 1%。因此，我们认为煤炭企业亟需建设集成应用各类传感感知、信息通讯、自动控制、智 能决策等先进智能化技术，提升矿山安全水平。

　　政策指引+IT 赋能，智慧矿山前景广阔。（1）国家相关政策积极推动智能化技术与煤炭产 业融合发展，煤矿无人化、数字化、智能化成为大势所趋。（2）物联网、AI、大数据、云 计算、5G 等新技术已经形成完整的信息化网络，助推着更便捷、更迅速的物联采集、数据 传输、数据存储及数据应用，能够帮助煤炭行业提高开采生产运输效率，优化能源管理流 程，降低开采成本和损耗，增加能源供给。

　　煤矿智能化浪潮下，大华提供智慧矿山解决方案。大华立足视觉感知技术，融合热成像， 视频 AI，融合通信，UWB 定位等先进技术优势，提供了煤矿监控和融合通信的综合解决方 案，可广泛运用于煤矿的智能可视化和智能生产调度。

　　煤矿智能化改造成本超万亿，智慧矿山蕴含一定潜能。根据中国煤炭工业协会于 2023 年 发布的《2022 煤炭行业发展年度报告》统计，全国煤矿数量在 4,400 座以内。根据安永测 算，已有单矿井的智能化改造费用在 1.49-2.63 亿元。考虑到不同产能的改造金额不同， 安永预计智慧矿山整体市场规模超万亿元。

　　2.4. 农业：降本增效驱动下，智慧农业前景广阔

　　在农业领域，降本提效需求协同技术进步共同驱动智慧农业规模增长，我们预计潜在可替 代成本突破万亿。大华提出智慧农业解决方案，通过视频 AI 及物联网技术落地种养场景， 节约人力成本，实现精细化管理，中移动加入后有望进一步开拓智慧农业空间。

　　2.4.1. 传统农业规模大，智慧农业发展前景广

　　传统农业人力成本达万亿，智慧农业占比不足 1%，种植业和养殖业存在广泛渗透机会。我 们估计 2022 年农民可支配收入达 9.89 万亿，传统农业蕴含一定的潜在可替代成本。在此 背景下，智慧农业发展前景广阔。

　　

　　智慧农业促进降本增效，但传感器应用渗透率不到 1%。根据中国信息通信研究院和中国人 民大学，智慧农业是新一代信息技术与农业决策、生产、流通交易等深度融合的新型农业 生产模式与综合解决方案，能实现精细化生，节省人力成本。但传感器技术的应用渗透率 低，关键技术精度不够，有较大增长空间。

　　以养猪业为例，养殖成本达万亿，智慧养猪可通过机器替代人工实现降本增效截至 2021 年，我国约有 2600 万户生猪养殖场，我们估计养殖成本预计达 1.62 万亿，其中前 10 大猪 企人力成本为 453 亿元。与国外相比，每斤猪料成本是美国的 2 倍，人力成本是美国的 5 倍。智慧农业渗透后将实现自动化养猪，用机器代替人工，年出栏生猪 1 万头的猪场每年 可节省人力成本 12 余万元。 以牧原为例，（1）智能化养猪减少约 40 万人力，提高劳动效率 35%。采用数字化智能养猪 系统后，饲养员人均年饲养商品猪出栏量达行业平均数 2 倍。智能化猪舍根据猪舍内温度， 自动调节热交换风机的开启功率、定频风机的开启数量、滑窗开度，实现自动化养殖；（2） 自主研发养猪机器人每年节省人工费用 6000 余万元，实现机器替代人工。机器人与 18.3 万个智能终端和 5800 台独立机器人协作，年加工饲料 80 万吨，饲喂装备投资 2.8 亿元， 为常规饲料厂投资的一半，投入成本大大减少。

　　2.4.2. 智慧养殖将实现全流程智能管理，农林牧渔业潜在可替代人力成本已超亿元

　　农林牧渔业总工资达亿元，智慧养殖快速发展实现降本提效。2021 年农林牧渔业城镇单位 就业人员总工资达 471.4 亿元，且平均工资有逐年上升趋势，我们预计未来农林牧渔业人 力成本会继续上升。我们认为，在人力成本增加，智慧养殖发展的双重驱动下，企业寻求 智慧养殖解方案，减少人力投入，实现全流程管理。

　　智慧养殖实现机器替代人力，存在潜在可替代成本。京东农牧提出智能养殖解决方案，该 方案能降低大中型养殖企业人工成本 30%，降低全行业养殖业成本至少 500 亿元/年。方案 独创养殖巡检机器人、饲喂机器人、3D 农业级摄像头等先进设备，实现养殖业自动化、智 能化，降低劳动力投入。 智慧养殖提升安全管理效率，实现全流程智能管理。北方某养殖企业利用大华数智化能力 将违规事件统计频次由平均 2 天/次缩短为平均 2 小时/次，生物安全违规事件检出率提升 90%，生物安全管理效率提升 50%。通过全流程、全闭环的数智化监管方式，对进出养殖场 的“、车、猪、物”洗消、跨区和作业等进行管理，提高效率。

　　2.4.3. 智慧种植有望实现无人化，潜在可替代种植业人力成本达到千亿

　　粮食作物人工成本达千亿，智慧农业促进无人化种植，降低人力成本，提高种植质量和效 率。我们测算，2021 年粮食作物总人工成本达 7.3 千亿，种植业人力成本投入大。以水稻 生产为例，2020 年国内人工成本占比 41%，远高于美国 10%和日本 26%，机械相关费用占 比 18%，远低于美国的 38%和日本的 42%。为减少人工成本支出，提高种植效率，国内先进 企业以数字技术和智能装备赋能农业种植全过程。

　　

　　智慧种植实现全过程管理，减少人力投入。中移动助力延津县小麦种植，每年节省人工成 本 65%，提升亩均粮食产量 30%，提升亩均收入 1 倍，全过程助力种植智能决策。播种前， 5G+智慧农业管理平台模拟地块产量，科学推算种子、水、肥、药的需求量；生长期间， 动态监管农作物生长环境，通过数据分析与决策科学推荐小麦生长需求符合的灌溉、施肥、 施药策略；收获期，运用遥感信息和作物生长模型，精准预估小麦成熟度。 智慧种植实现智能化管理，提高种植质量和效率。大华助力中科康成育苗产业园实现大棚 智能化改造，种苗存活率提高 10%，人员工作效率提高 30%。通过智能化感知系统实现环 境智能化、可视化展现，实时感知并汇聚环境因素，通过数据中心分析和展示，并利用智 慧化管理平台远程操控前端智能设备。随着大华引入中移动作为战略投资者，作为国内安 防监控龙头企业和传感器概念上市企业，有望弥补传感器渗透不足等问题，与中移动在智 慧农有广阔合作空间。

　　机器视觉技术扮演“机器代人”的催化剂角色，节约劳动力，实现农业精准化和自动化。 以云南省昆明市某产业园草莓智慧管控云服务托管系统为例，该系统基于机器视觉的草莓 生长状态识别系统，解决草莓生长状态识别和辨认完全依靠种植者经验的问题，首次提出 基于知识图谱的设施草莓智慧管控决策方法，方法的标准化知识库随着知识的积累和数据 的增加，决策方法会更加精准，从而实现种植的智能化和自动化，节省人力成本，提高农 品质量。

　　3. 行业格局：AI 时代下，安防两大巨头有望持续领航

　　我们认为，在 AI 时代下，安防行业将呈现强者恒强的发展趋势。与雪亮工程对比，AI 将 为安防行业带来更大空间和发展机遇，龙头企业受益程度亦会高于雪亮工程时代。 （1）雪亮工程时代：受政府大订单驱动，安防企业迎来机遇，但行业具有周期性强、项目 周期长、市场集中于 G 端的特点，行业格局尚未清晰。海康大华在雪亮工程后占据行业主 导地位，推动安防行业格局进入稳定期。以大华为例，从 2015 年营收体量 101 亿元增长 至 2018 年 237 亿，CAGR 达 32.92%。 （2）AI 时代：AI 赋能各行各业，AI to B 市场广阔。AI 时代下，降本增效驱动逻辑顺畅， 有望通过新领域渗透、传统领域替代两条路径打开行业天花板，具有空间广阔、周期性减 弱的特点。我们认为伴随着 AI 的快速发展，安防行业马太效应凸显，海康大华凭借其核心 竞争有望持续领航。

　　

　　3.1. 渠道：全球化营销和渠道优势，品牌效应明显

　　安防龙头营销网络覆盖国内外，规模优势打造成本壁垒。目前安防企业正积极推动渠道下 沉和海外渠道拓展。2021 年，海康境内外营收占比分别为 73%和 27%，大华境内外营收占 比分别为 59%和 41%。截至 2021 年底，大华在国内设有 32 个省区级办事处，海外门店总 数达 5000 家，同比 2020 年增长 112%。

　　品牌效应显著，在 G 端和 B 端等大客户中积累良好口碑。以大华为例，作为国家高新技术 企业，大华股份连续 13 年被列入国家软件企业百强，是中国智慧城市建设推荐品牌和中 国安防最具影响力的品牌之一。由科技媒体 a&s《安全自动化》发布的“2022 全球安防 50 强”排行榜单中，大华股份以 50 多亿美元的销售额稳居第二，拉开第三名将近 20 亿美元， 大华的企业实力、品牌地位等得到进一步的巩固和加强。

　　3.2. 技术：数据+行业 Know-How 构建 AI 时代下护城河

　　我们认为，数据和行业 Know-How 是 AI 技术落地及变现的基础，海康大华凭借优势可构 筑 AI 时代下护城河。（1）数据：数据是 AI 模型落地的基础，安防龙头数据资源优势明显； （2）行业 Know-How：丰富行业理解将提升数据精度，助力技术快速变现。智慧物联等行 业碎片化程度高，对行业的理解、解决方案的积累对于实现技术变现尤为关键。

　　3.2.1. 行业 Know-How：行业理解提升数据精度，助力 AI 技术快速变现

　　我们认为，行业 Know-How 是技术变现的基础，助力数据精度提升。由于安防行业具有 碎片化的特点，AI 技术落地需要依赖对细分行业具有深刻理解。安防龙头多年以来积累了 大量行业 Know-How 和解决方案，为技术商业化落地提供了基础。

　　以大华为例，通过企业平台 3.0 和城市平台 2.0，打造具有行业 Know-How 的数智中台。 （1）To B：洞察业务细分场景超 3000 个，开发业务组件 1000 余个、累计形成行业解决 方案超 300 个。（2）To G：大华在城市治理、应急指挥、交通、港口、生态环境等行业， 悉细分场景超 5000 个、开发业务组件超 800 个，推出行业解决方案 200 个。

　　夯实数字底座和中台能力，提高行业理解转换为商业价值的能力。（1）底层数据上，大华 更加注重数据融合和架构融合，从数据储存、数据治理、数据分析和数据安全多环节夯实 数字底座能力。（2）整体设计：大华不仅仅是针对云端的大数据平台实现一个治理活动， 而是在囊括端、边、云多个软硬件环节的整个网路中进行布局，从而提高公司的数字中台 能力。

　　

　　3.2.2. 数据：AI 模型的基础和源泉，安防龙头数据资源优势明显

　　安防行业积累大量数据资源，是 AI 模型的构建和落地的核心。据 IDC 统计，2025 年全球 数据圈将达到 175ZB，数据资源是 AI 模型搭建的基础，安防龙头将在 AI 时代下凸显其商 业价值。 安防龙头构建智能数据中台，数据搜集和价值提取能力优势明显。数据中台的本质是大数 据的延伸，是打通数据孤岛、实现数据互通，实现数据智能化的手段。通过数据中台的建 设，可以实现：1）看现在：对现有的数据进行治理，形成资产；2）看未来：对数据进行 分析提炼，以支撑业务的决策。

　　以大华股份为例，大华行业化数据中台在全国多个地市落地，其中在某地市的公安系统建 设的数据中台，大华拥有超过 3000 多亿感知数据。大华通过数据中台，面向客户实现多 警种的数据共享，以及通过数据整合，有效消除了数据壁垒，并且通过模型大幅度提升各 种的业务实战能力。

　　3.3. 中移动：大华股份特有阿尔法，战投有望实现协同发展

　　我们认为，中国移动在 AI 领域布局清晰，将从研发、渠道等维度深度赋能大华。3 月 30 日，大华股份向中国移动非公开发行股票计划落地，本次发行共 2.93 亿股，实际募资资金 净额 50.9 亿元。在本次定增后，中国移动预计成为公司第二大股东，占比 8.81%。我们认 为，定增落地有望助力中国移动与公司实现全面战略协同，推动大华在 AI 领域加速布局。

　　3.3.1. 研发端：中移 AI 领域优势明显，深度赋能大华 AI 安防发展

　　中国移动在视觉 AI、算法、数据等多方面拥有优质资源，战略协同将打开大华在 AI 安防 领域广阔空间。中国移动作为我国运营商龙头企业，2022 年实现营收 9373 亿元（+10.5%）， 归母净利润达 1255 亿元（+8.0%）。中国移动目前在算力、AI 视觉、数据和 AI 落地等方面 均有明显优势： 1）AI 视觉：中移积极布局 AI 视觉领域，与大华高度战略协同。中移动搭建 AI 视觉能力 中台，目前已具备人脸应用、人体分析、图像语义理解、视频内容挖掘和 3D 视觉等核心 技术。AI 视觉可有效提升事件发现效能，搭载 AI 算法的一网统管事件发现中心可做到超 15%的事件自动发现。截至 22 年 7 月，中移雄安产业研究院在城市治理领域已积累 17 类 算法模型，包括打架斗殴检测、机动车/非机动车违停检测、道路垃圾检测等。

　　以垃圾满溢为例，当前此算法模型准确率为 98.5%，主要包括算法流程设计、数据处理、模 型构建、模型训练、模型推理五大流程： （1）算法流程设计：采用检测区域圈选、视频图像抽帧、图像预处理、模型推理 4 步法输 出检测结果；（2）数据处理： 3 万张训练数据+5 千张测试数据作为训练源，使用 Mosaic、 Mixup、Cutout 等多种算法对图像进行预处理，提高数据的多样性；（3）模型构建：根据 垃圾满溢问题的特点，增添了 C3、BiFPN 等算法模块；（4）模型训练：在训练过程中通过 调节学习率，运用多尺度训练的方式，提升网络模型的稳定性；（5）模型推理：在推理阶 段采用模型集成、后处理 DIOU-NMS 等多种方式，优化结果。 我们认为，垃圾满溢等算法模型以视觉为核心，与大华有高度协同效应。垃圾满溢在输入 端和对图像进行预处理都离不开图像视觉能力，而大华作为安防厂商在视觉能力上积累了 量优势，二者战略协同有助于实现强强联合，推动大华在 AI 安防领域的发展。

　　中移动视觉 AI 能力将有效拓宽安防边界，助推大华安防应用场景落地。中移动目前在视 觉 AI 方面形成了人体姿态行为分析能力、通用场景目标检测能力。通过两大能力将有效提 对图像、视频等形式的具体场景的分析能力，赋能大华在安防领域应用场景落地。

　　2）算力：规模达 8.0 EFLOPS，构建“算网一体”原创技术体系。“4（热点区域）+N（中 心节点）+31（省级节点）+X（边缘节点）”集约化梯次布局，对外可用 IDC 机架达到 46.7 万架，算力规模达到 8.0 EFLOPS。23 年 3 月，由中国移动主导推进的“算力路由”工作 组在国际互联网标准化组织（IETF）成功获批，目前“算力路由”已被验证可在全局时延优 化和系统处理容量上实现约 30%的性能提升。

　　

　　3）数据：数据价值挖掘能力突出，中移动发布梧桐大数据平台，赋能各行各业。作为通信 运营商的中国移动为“人民群众的 24 小时数字生活”提供了强力支撑。当前，中国移动梧 桐大数据平台数据规模已累计超 600PB，日采集量超 5.5PB，日处理量超 27PB，集群规模 全球领先。面向金融、政务、交通等 9 大类行业，服务 6 万多个企业客户，梧桐大数据提 了 150 多个产品和解决方案，用数智化能力赋能各行各业。

　　3.3.2. 渠道端：运营商龙头企业，助力大华渠道下沉

　　运营商龙头企业，渠道网络下沉乡镇，助力大华拓展业务网络。2019 年拥有实体渠道布点60 万（包括营业厅+加盟店+授权店），全渠道月均触达近 5 亿客户，触达量超 15 亿人次。 2022 年，公司移动客户数量达 9.75 亿，家庭宽带客户为 2.44 亿，政企数量为 2320 万。 通过中移动遍布市/县/镇的营销渠道，大华可触达下沉客户群体，弥补公司在国内渠道网 络上的不足。

　　（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

　　精选报告来源：【未来智库】。