2023年人工智能行业研究报告
第一章行业概况1.1定义和分类人工智能（ArtificialIntelligence,AI）是一个广泛的计算机科学分支，它致力于创建和应用智能机器。在更深入的层次上，人工智能可以被理解为以下几个方面：
学习和适应：人工智能系统需要具有学习和适应的能力。这意味着这些系统能从数据中学习，并在新的、未曾见过的情况下，根据所学到的知识做出适应性的反应。
理解和解析：人工智能系统需要有能力理解和解析其所处的环境。这可能包括理解语言，识别图像，或者理解复杂的模式和关系。
决策和行动：人工智能系统需要能够基于其理解和学习，做出决策并采取行动。这可能包括自动驾驶汽车的导航决策，或者聊天机器人产生回应的决策。
自我改进：人工智能系统需要有能力进行自我改进。这意味着系统能够根据其性能的反馈，调整其行为以提高未来的性能。
人工智能可以按照不同的标准进行分类。以下是一些常见的分类方式：
（1）按照功能分类：
弱人工智能（NarrowAI）：这类人工智能系统专门针对某一特定任务进行优化，例如语音识别或图像识别。它们只能在特定领域内表现出人类级别的智能。
强人工智能（GeneralAI）：强人工智能系统能够执行任何人类智能能够执行的任务，理论上它们能够理解、学习、适应并执行任何一种可以由人类大脑完成的认知任务。
超人工智能：各个领域超越人类，创新创造领域超越人类，解决人类无法解决的问题。
当前，人工智能的发展仍处于“弱”人工智能阶段，只具备在特定领域模拟人类的能力，“工具性”仍是该阶段主要特点，同全面模拟或者超越人类能力的强人工智能、超人工智能差距巨大。
图智能的构成以及人工智能分级
资料来源：资产信息网千际投行平安证券研究所
（2）按照技术分类：
机器学习（MachineLearning）：机器学习是一种让计算机系统从数据中学习的方法。机器学习算法使用统计学习理论，从输入数据中找到并学习潜在的模式。
深度学习（DeepLearning）：深度学习是机器学习的一个子领域，使用神经网络模拟人脑神经元的工作方式，从复杂的、大量的数据中进行学习。
自然语言处理（NaturalLanguageProcessing）：自然语言处理是计算机用来理解、解析和生成人类语言的技术。
计算机视觉（ComputerVision）：计算机视觉是让计算机和机器能够“看到”和理解视觉信息的技术。
以上就是人工智能的一些主要分类，它们不同的特性和应用场景使得人工智能在各个领域都有广泛的应用。
1.2发展历程人工智能的历史已有七十余年的长河，其脉络可追溯到上世纪初的岁月。如今，AI已然深入到我们生活的每个角落，无论是医疗保健、汽车产业、金融业、游戏产业、环境监测、农业、体育、能源管理，还是安全领域，大量的AI应用都正在彻底改变我们的生活方式、工作习惯以及娱乐模式。这些技术的持续进步预示着第四次工业革命的到来。
（1）萌芽1900-1956
1900年，希尔伯特在数学家大会上宣布了23个未解决的问题，其中第二和第十个问题与人工智能密切相关，最终促进了计算机的发明。1954年，冯-诺依曼完成了早期计算机EDVAC的设计，并提出了“冯-诺依曼架构”。图灵、哥德尔、冯-诺依曼、维纳、克劳德-香农和其他的先驱者奠定了人工智能和计算机技术的基础。
（2）黄金时代1956-1974
1965年，麦卡锡、明斯基等科学家召开“达特茅斯会议”，首次提出“人工智能(AI)”的概念，标志着人工智能学科的诞生。随后，人工智能研究进入了20年的黄金时代，取得了一批令人瞩目的研究成果，如机器定理证明和跳棋程序，掀起了人工智能发展的第一个高潮。
在这个黄金时代，约翰-麦卡锡开发了LISP语音，成为此后几十年人工智能领域最主要的编程语言；马文-明斯基对神经网络有了更深入的研究，也发现了简单神经网络的缺点；接着开始出现多层神经网络和反向传播算法。
（3）第一次寒冬1974-1980
人工智能发展的最初突破极大地提高了人们的期望，使人们高估了科技发展的速度。然而，连续的失败和预期目标的落空使人工智能的发展进入低谷。
1973年，赖特-希尔关于人工智能的报告，拉开了人工智能冬天的序幕。此后，科学界对人工智能进行了一轮深入的拷问，使人工智能受到了严厉的批评和对其实用价值的质疑。随后，政府和机构也停止或减少了资助，人工智能在20世纪70年代陷入了它的第一个冬天。
有限的计算能力和大量常识性数据的缺乏使发展陷入瓶颈，尤其是过度依赖计算能力和经验数据量的神经网络技术，在很长一段时间内没有取得实质性的进展。
（4）应用发展1980-1987
专家系统模拟人类专家的知识和经验来解决特定领域的问题，实现了人工智能从理论研究到实际应用的重大突破。专家系统在医学、化学、地质学等领域的成功，将人工智能推向了应用发展的新高潮，1980年XCON在卡内基梅隆大学(CMU)正式启动，成为专家系统开始在特定领域发挥作用的里程碑，推动了整个人工智能技术进入繁荣阶段。
经过十年的沉寂，神经网络有了新的研究进展，并发现了具有学习能力的神经网络算法，这使得神经网络的发展在20世纪90年代后期一路走向商业化，被应用于文字图像识别和语音识别。
（5）第二次寒冬1987-1993
随着人工智能应用规模的不断扩大，应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、与现有专家系统数据库难以兼容等问题逐渐暴露出来。当时的人工智能领域主要使用约翰-麦卡锡的LISP编程语言。LISP机的逐步发展被蓬勃发展的个人电脑打败了，专用LISP机的硬件销售市场严重崩溃，人工智能领域再次进入寒冬。
硬件市场的崩溃和理论研究的混乱，再加上政府和机构纷纷停止对人工智能研究领域的资金投入，导致人工智能领域几年来一直处于低迷状态。但另一方面在理论方法的研究上也取得了一些成果。
1988年，美国科学家朱迪亚-皮尔将概率统计方法引入人工智能的推理过程;IBM的沃森研究中心将概率统计方法引入到人工智能的语言处理中；1992年，李开复利用统计方法设计开发了世界上第一个独立于扬声器的连续语音识别程序；1989年，AT&T贝尔实验室的亚恩-莱坤和团队将卷积神经网络技术应用在了人工智能的手写数字图像识别中。
（6）稳步发展1993-2011
人工智能的创新研究因网络技术的发展而加速，尤其是互联网的发展，使人工智能技术进一步实用化。
1995年，理查德-华莱士开发了新的聊天机器人程序Alice，它能够利用互联网不断增加自己的数据集并优化内容。
1997年，IMB的计算机Deepblue深蓝击败了世界象棋冠军卡斯帕罗夫。德国科学家霍克赖特和施米德赫伯提出了LSTM递归神经网络，至今仍被用于手写识别和语音识别，对后来的人工智能研究产生了深远影响。
2004年，美国神经科学家杰夫·霍金斯出版了《人工智能的未来》，2006年，杰弗里辛顿出版了《学习多层表征》，为神经网络奠定了一个新的架构，对未来人工智能中的深度学习的研究产生了深刻影响。
（7）深化阶段2012-至今
随着移动互联网技术和云计算技术的爆发，积累了难以想象的数据量，为人工智能的后续发展提供了足够的素材和动力，以深度神经网络为代表的人工智能技术的快速发展，大大跨越了科学与应用之间的“技术鸿沟”，迎来了爆发式增长。
2012年，多伦多大学在ImageNet视觉识别挑战赛上设计的深度卷积神经网络算法，被认为是深度学习革命的开始。
2014年，IanGoodfellow提出了GANs生成式对抗网络算法，这是一种用于无监督学习的人工网络。这是一种用于无监督学习的人工智能算法，由生成网络和评估网络组成，这种方法很快被人工智能的许多技术领域所采用。
2016年和2017年，谷歌推出的人工智能程序AlphaGo连续击败了前围棋世界冠军韩国的李世石，以及现任围棋世界冠军中国的柯洁，引起了巨大轰动。同时语音识别、图像识别、无人驾驶等技术不断进步。
2022年11月，OpenAI推出其开发的一个人工智慧聊天机器人程序ChatGPT。该程序使用基于GPT-3.5架构的大型语言模型并通过强化学习进行训练，成为AIGC现象级应用。
在2023年3月，OpenAI又推出了ChatGPT的升级版——GPT-4，迭代速度极快。其包含的重大升级是支持图像和文本的输入，并且在GPT-3原来欠缺的专业和学术能力上得到重大突破，它通过了美国律师法律考试，并且打败了90%的应试者。在各种类型考试中，GPT-4的表现都优于GPT-3。
1.3市场现状全球AI产业规模预计2030年将达到1500亿，未来8年复合增速约40%。目前全球人工智能企业的数量迅速增长，2022年，全球人工智能(AI)市场规模估计为197.8亿美元，预计到2030年将达到1591.03亿美元，从2022年到2030年，复合年增长率为38.1%。
图人工智能全球市场规模预测
资料来源：资产信息网千际投行PrecedenceResearch
2022年中国人工智能产业规模达1958亿元，年增长率7.8%，整体稳健增长。而从应用格局来看，机器视觉、智能语音和自然语言处理是中国人工智能市场规模最大的三个应用方向。根据清华大学数据显示，三者占比分别为34.9%、24.8%和21%。一方面，政策推动下国内应用场景不断开放，各行业积累的大量数据为技术落地和优化提供了基础条件。另一方面，以百度、阿里、腾讯和华为为代表的头部互联网和科技企业加快在三大核心技术领域布局，同时一系列创新型独角兽企业在垂直领域快速发展，庞大的商业化潜力推动核心技术创新。
图中国人工智能产业规模
资料来源：资产信息网千际投行艾瑞咨询
第二章商业模式和技术发展2.1产业链人工智能产业链主要分为基础层、技术层、应用层三个层级：
基础层以数据、算力、算法为核心；
技术层是建立在基础层的核心能力之上，通过打造一套人工智能系统使机器能够像人类一样进行感知与分析，其中最关键的领域包括计算机视觉（图像识别与分析）、语音识别与自然语言处理技术（语音识别与合成）、机器学习与深度学习（分析决策及行动）等；
应用层是将技术能力与具体场景相融合，帮助企业/城市管理者等客户降本增效，目前主要应用的场景有泛安防、金融、医疗、自动驾驶等领域。
在上述三个层级之外，通常面向终端时还涉及硬件交付，如摄像头、服务器、芯片等，所以人工智能产业链涉及业务方众多。
图：产业链
资料来源：资产信息网千际投行招商银行
上游
人工智能基础层是支撑各类人工智能应用开发与运行的资源平台，主要包括数据资源、硬件设置和计算力三大要素。
人工智能基础层主要包括智能计算集群、智能模型敏捷开发工具、数据基础服务与治理平台三个板块。
智能计算集群：提供支持AI模型开发、训练或推理的算力资源，包括系统级AI芯片和异构智能计算服务器，以及下游的人工智能计算中心等;
智能模型敏捷开发工具：主要实现AI应用模型的生产，包括开源算法框架，提供语音、图像等AI技术能力调用的AI开放平台和AI应用模型效率化生产平台;
数据基础服务与治理平台：实现应用所需的数据资源生产与治理，提供AI基础数据服务及面向AI的数据治理平台。
AI基础层企业通过提供AI算力、开发工具或数据资源助力人工智能应用在各行业领域、各应用场景落地，支撑人工智能产业健康稳定发展。
图：人工智能基础层分类
资料来源：资产信息网千际投行
通用计算芯片CPU、GPU全球市场基本被Intel、Nvidia等美国芯片厂商垄断，技术与专利壁垒较高，卡脖子现象严重。华为麒麟、巴龙、昇腾及鲲鹏四大芯片有望突破此壁垒。未来几年，全球各大芯片企业、互联网巨头、初创企业都将成为该市场的主要玩家。
图中国及全球人工智能基础层产业规模及年增长率
资料来源：资产信息网千际投行中国电子学会
计算力指数国家排名中美国列国家计算力指数排名第一，坐拥全球最多超大规模数据中心，这是美国算力的基础保障。中国列第二，AI算力领跑全球。日本、德国、英国分别位列第三至第五名。
计算平台方面，全球市场被亚马逊、谷歌、阿里、腾讯、华为等公司基本垄断，但小公司的计算平台凭借价格优势仍有生存空间。
中游
技术层作为人工智能产业的核心，主要依托基础层的运算平台和海量数据资源进行识别训练和机器学习建模，以开发面向不同领域的应用技术，对应用层的产品智能化程度起着决定性作用。根据技术层级分为通用技术层、AI软件框架层和算法模型层。
算法作为人工智能技术的引擎，主要用于计算、数据分析和自动推理。当前最为主流的基础算法是深度学习算法，深度学习可以从大量数据中自动总结规律，并使其适应自身结构，从而应用到案例中。随着基础算法的成熟和稳定，算法发展重点转向工程实现——软件框架，很多企业开始转向建设算法模型工具库，将算法封装为软件框架，提供给开发者使用。
图中国及全球人工智能技术层产业规模及年增长率
资料来源：资产信息网千际投行中国电子学会
目前美国是该领域发展水平最高的国家，以谷歌、Facebook、IBM和微软为主的科技巨头均将人工智能的重点布局在算法理论和软件框架等门槛高的技术之上。而我国基础理论体系尚不成熟，鲜有拥有针对算法的开放平台，百度的Paddle-Paddle、腾讯的Angle等国内企业的算法框架尚无法与国际主流产品竞争。
下游
应用层是基于技术层的能力，去解决具体现实生活中的问题。比如利用计算机视觉技术，实现金融、安防等多个领域的人脸识别；利用智能语音技术，实现智能音箱、录音笔等的语音识别；利用自然语言处理技术，用于智能客服的问答。
图全球及中国应用层产业规模及增速
资料来源：资产信息网千际投行中国电子学会
在实际的应用中，技术层和应用层的关系是相互交叉的，某个领域的应用可能用到多个维度的技术层的能力，比如金融行业的应用对于智能语音、计算机视觉、自然语言处理技术都会有需求；同样某个技术层的能力也可以广泛应用到多个不同的应用领域，比如计算机视觉技术可以广泛应用到金融、安防、医疗、交通、教育等多个维度。
2.2商业模式人工智能相关产业大概分为五类：销售智能设备、提供智能服务、智能平台变现、智能软件授权以及智能项目整合。不同的商业领域决定AI技术的变现能力，根据五类产业内容又可分为计算能力、数据、算法框架、应用平台和解决方案六类商业领域，其进入壁垒、演化路径与短期长期价值各不相同。
图：人工智能常见五种商业模式
资料来源：资产信息网千际投行
目前，国内外的中大型厂商都已经初步形成了各自不同的核心竞争力，依据五大类人工智能商业内容呈现出的最终形式大致可以分为以下三类公司。
人工智能创业公司：主要是依靠其对于某一垂直领域的技术研发或渠道优势，通过销售相关技术产品设备或服务获得盈利。人工智能领域创业的技术门槛较高，一旦成功产业化，则竞争压力相对较小。商业模式相对比较传统，在获得市场关注和盈利前，需要投资人在人才与研发环节持续投入。而获得源源不断的融资也靠创始人的声誉背书，因此这类企业短时间内的收入模型和盈利模式比较模糊。
人工智能平台：大型人工智能科技公司一般布局都在基础功能平台服务上，如大数据、云计算平台。现在越来越多的巨头也把资源投入到了AI领域，如微软旗下成熟的AI平台。大型科技巨头公司将主要精力花在布局基础设施上，且大型人工智能平台主要都是靠应用程序接口（API）来盈利，调用的API次数越多，收费越高。而在调用这些API的同时，用户通常还会涉及其他服务，如服务器、虚拟机、数据库等，这也将为企业盈利带来新的增长点。
人工智能咨询与定制服务：主要根据企业和客户的需求进行定制化的人工智能解决方案。现阶段，人工智能方案对于传统制造与服务类企业来说，规模化应用及成本控制难度较大。但随着未来AI技术的发展，与人工智能服务相关的产品成本必将下降，中小型企业也可以负担并愿意进行智能升级改造。
AI咨询与定制服务的商业模式较为独特，目前大致有以下两种模式：
成熟的AI专利应用，如开发一个独家专利的人工智能解决方案产品，并出售给下游用户，其产品可标准化、规模化量产。
客户定制化服务，比如为某家公司客户进行产品定制服务，服务的归属权归客户所有，服务公司无权转卖，此类定制服务价格较高，竞争能力强。
2.3专利申请量专利申请量是衡量人工智能技术创新能力和发展潜质的核心要素。在全球范围内，人工智能专利申请主要来源于中国、美国和日本。2000年至2018年间，中美日三国AI专利申请量占全球总申请量的73.95%。中国虽在AI领域起步较晚，但自2010年起，专利产出量首超美国，并长期雄踞申请量首位。
从专利申请领域来看，深度学习、语音识别、人脸识别和机器人等热门领域均成为各国重点布局领域。其中，美国几乎全领域领跑，而中国在语音识别(中文语音识别正确率世界第一)、文本挖掘、云计算领域优势明显。具体来看，多数国内专利于AI科技热潮兴起后申请，并集中在应用端(如智能搜索、智能推荐)，而AI芯片、基础算法等关键领域和前沿领域专利技术主要仍被美国掌握。由此反映出中国AI发展存在基础不牢，存在表面繁荣的结构性不均衡问题。
从专利权人分布来看，中国高校和科研机构创新占据主导地位，或导致理论、技术和产业割断的市场格局。欧美日人工智能申请人集中在企业，IBM、微软、三星等巨头企业已构建了相对成熟的研发体系和策略，成为专利申请量最多的专利人之一。其中，IBM拥有专利数量全球遥遥领先。而中国是全球唯一的大学和研究机构AI专利申请高于企业的国家。由于高校与企业定位与利益追求本质上存在差异，国内技术创新与市场需求是否有效结合的问题值得关注。
图AI领域主要专利权人分布
资料来源：资产信息网千际投行Derwent
通过对国内人工智能行业的各个专利申请人的专利数量进行统计，排名前列的公司依次为：中兴通讯、京东方A、四川长虹、视源股份、海康威视、浪潮信息、大华股份、航天信息等。
图国内人工智能行业专利数量Top10
资料来源：资产信息网千际投行iFinD
中国AI专利质量参差不齐，海外市场布局仍有欠缺。尽管中国专利申请量远超美国，但技术“多而不强，专而不优”问题亟待调整。其一，中国AI专利国内为主，高质量PCT数量较少。
PCT(PatentCooperationTreaty)是由WIPO进行管理，在全球范围内保护专利发明者的条约。PCT通常被为是具有较高的技术价值。据中国专利保护协会统计，美国PCT申请量占全球的41%，国际应用广泛。而中国PCT数量(2568件)相对较少，仅为美国PCT申请量的1/4。
目前，我国AI技术尚未形成规模性技术输出，国际市场布局欠缺;其二，中国实用新型专利占比高，专利废弃比例大。我国专利类别包括发明、实用新型专利和外观设计三类，技术难度依次降低。中国拥有AI专利中较多为门槛低的实用新型专利。此外，据剑桥大学报告显示，受高昂专利维护费用影响，我国61%的AI实用新型和95%的外观设计将于5年后失效，而美国85.6%的专利仍能得到有效保留。
2.4政策监管人工智能行业根据中国证监会颁布的《上市公司行业分类指引》（2012年修订）和国家统计局《国民经济行业分类》（GB/T4754-2017）隶属于“软件和信息技术服务业”（行业代码为I65）。根据《战略性新兴产业分类（2018）》隶属于“新一代信息技术产业”中的“人工智能”行业。
人工智能行业的行政监管部门为工信部，负责拟订信息产业的规划、政策和标准并组织实施，指导行业技术创新和技术进步，组织实施有关国家科技重大专项，推进相关科研成果产业化，推动软件业、信息服务业和新兴产业发展。
人工智能的自律协会包括：
中国软件行业协会：协助政府部门组织制定、修改行业的国家标准、行业标准及推荐性标准，并推进标准的贯彻落实；开展软件和信息服务行业的调查与统计，提出行业中、长期发展规划的咨询建议；根据软件行业发展需要，组织行业人才培训、人才交流等。
中国人工智能产业发展联盟：聚集产业生态各方力量，联合开展人工智能技术、标准和产业研究，共同探索人工智能的新模式和新机制，推进技术、产业与应用研发，开展试点示范，广泛开展国际合作等。
中国人工智能学会：组织和领导会员开展人工智能科学与技术的创新研究，促进人工智能科学与技术的发展；开展国内、国际学术交流活动，提高会员的学术水平；开展人工智能科学与技术的咨询与培训；组织开展对人工智能领域科学技术和产业发展战略的研究，向政府部门提出咨询建议等。
人工智能的行业政策包括：
资料来源：资产信息网千际投行
2020年国家标准化管理委员会、中央网信办国家发展改革委、科技部、工业和信息化部关于印发《国家新一代人工智能标准体系建设指南》的通知，将人工智能标准体系结构分为八大部分。
基础共性标准：包括术语、参考架构、测试评估三大类，位于人工智能标准体系结构的最左侧，支撑标准体系结构中其它部分。
支撑技术与产品标准：对人工智能软硬件平台建设、算法模型开发、人工智能应用提供基础支撑。
基础软硬件平台标准：主要围绕智能芯片、系统软件、开发框架等方面，为人工智能提供基础设施支撑。
关键通用技术标准：主要围绕智能芯片、系统软件、开发框架等方面，为人工智能提供基础设施支撑。
关键领域技术标准：主要围绕自然语言处理、智能语音、计算机视觉、生物特征识别、虚拟现实/增强现实、人机交互等方面，为人工智能应用提供领域技术支撑。
产品与服务标准：包括在人工智能技术领域中形成的智能化产品及新服务模式的相关标准。
行业应用标准：位于人工智能标准体系结构的最顶层，面向行业具体需求，对其它部分标准进行细化，支撑各行业发展。
安全/伦理标准：位于人工智能标准体系结构的最右侧，贯穿于其他部分，为人工智能建立合规体系。
图：人工智能标准体系结构
资料来源：资产信息网千际投行东吴证券
第三章行业估值、定价机制和全球龙头企业3.1行业综合财务分析和估值方法图：指数表现
资料来源：资产信息网千际投行iFinD
人工智能行业估值方法可以选择市盈率估值法、PEG估值法、市净率估值法、市现率、P/S市销率估值法、EV/Sales市售率估值法、RNAV重估净资产估值法、EV/EBITDA估值法、DDM估值法、DCF现金流折现估值法、NAV净资产价值估值法等。
3.2行业发展和驱动因子多个行业希望利用AI实现数字化转型
当前，数字化浪潮来袭，以人工智能为代表的新一代数字技术日新月异，催生了数字经济这一新的经济发展形态。过去20余年消费互联网的充分发展为我国数字技术的创新、数字企业的成长以及数字产业的蓬勃发展提供了重要机遇。人工智能等新一代信息技术的快速发展和应用，推动着各行各业加速向数字化迈进。伴随着数字技术的融合应用以及我国供给侧结构性改革的不断深化，加快AI等数字技术与产业经济的融合发展成为多个行业的共识。
大量人工智能高端人才
高端人才对于一个行业的影响毋庸置疑，甚至可以说，一个国家在人工智能领域的实力主要取决于少数精英研究人员的质量。目前世界范围内，美国仍然是拥有最多拔尖研究人员的国家，这就是为什么美国在人工智能发明的年代能够取得领先地位，并且进入应用的时代时，他们比自己的同行有优势。
近年来，我国企业对于机器学习、知识图谱等领域关注度逐年增加，尤其在金融、教育、医疗领域，并由此吸引了越来越多的人才从事相关领域的学习。在研究热度、就业前景、政策红利等多方面因素叠加下，未来我国有望培养大量该领域的高端人才。
移动互联网的推动
随着人工智能进入应用时代，数据的应用量得到了大幅提升。当今人工智能应用的核心，就是通过深度学习在海量数据中概括出人类难以发觉的细微联系的能力。数据可以被视为支撑人工智能运行的原材料。
我国拥有大量的移动互联网用户基础，为我国人工智能行业提供数据支撑。截至2021年上半年，我国手机网民规模为10.07亿，较2020年12月新增手机网民2092万，网民中使用手机上网的比例为99.6%
技术进步
（1）边缘计算技术：通过将边缘技术应用于人工智能，可以提供更快的计算和洞察力、更好的数据安全性以及对持续运营的有效控制。因此，它可以提高支持人工智能的应用程序的性能，并降低运营成本。
（2）分布式计算技术：可以将计算任务分派给多个分布式服务器进行下发，计算完成后再将结果通过不同的分布式服务器进行汇总，通过中央控制器合成展现。分布式计算架构与人工智能计算相辅相成，共同完成大数据处理和计算任务。
政府政策支持
政府政策在驱动中国人工智能发展方面的作用是显著的但常常被人误解。政府常常挑选优势企业进行补贴，或者发布命令规定应当发展的技术。如果人工智能对经济的影响远小于当前预期，那么投入人工智能的资源可能是一种浪费。
另外，由于许多人工智能技术都已经成熟，选择哪些进行支持对公共部门来说是一个问题。政府的参与绝不是技术领先的先决条件，但随着人工智能更深入地渗透到现实系统中，政府参与可能会加速技术产生经济影响。
3.3行业风险分析表：常见行业风险因子
资料来源：资产信息网千际投行
（1）美国对国内AI发展限制力度可能加大
限制我国高科技产业的发展，已经成为美国政治精英层的共识。AI作为未来全球科技的重要发展方向，美国对相关领域的出口管制力度，不但不会因中美双方的后续协商而有所缓解，甚至还有可能加大。目前，美国已经将主要AI技术列入“限制性出口清单”，虽然没有明确限制对象，我国作为其重要竞争对手，限制力度可能更为严格，国内企业在技术引进、产品进口等方面将面临更多限制。
（2）政策支持力度不达预期或调整
当前，国内人工智能发展还处在起步阶段，产业链各环节发展还较为薄弱，企业对政府在技术研发、财税优惠、公共服务平台搭建、投融资支持、政府采购、人才培养等方面支持还十分依赖。如果政策支持方向出现调整，或者力度不达预期，对企业的业务发展和公司业绩都会造成较大的影响。
（3）技术研发和产业化不及预期
人工智能作为计算机领域的交叉和新兴学科，近年来进入创新爆发期，产品周期明显缩短，技术创新迭代加速，企业面临着的技术层面的竞争更为激烈。如果企业在技术研发投入不足或者产业化不及预期，对整个公司的发展将造成严重影响。
（4）市场竞争激化的风险
目前，国内在应用领域企业较为集中，微创企业、传统互联网巨头、垂直行业企业都在积极进入，形成了“百家争鸣”的格局，而且未来在国家政策的支持下，行业新进入企业将可能增多，市场、利润争夺也将趋于白热化，企业盈利能力将可能受到挑战。
3.4竞争分析-SWOT模型优势
人工智能可以提供各种各样的应用来服务人类，比如京东和淘宝的智能推荐，无人车的自动驾驶。人工智能可用于完成最困难，最复杂甚至最危险的任务。我们可以利用人工智能的优势并充分利用它。人工智能还可以节省人力资源和提高效率，帮助我们完成单调，重复和耗时的过程。并且人工智能可以不停地工作，但人们不能这样做。同时人工智能能够比人们更快地完成复杂的任务，节省大量时间并加快进程，并且人工智能的成本与人力成本相比要低很多。
劣势
人工智能系统还无法超出场景或语境理解行为，并且具有不可预测性，用户无法预测人工智能会做出何种决策，这既是一种优势，也会带来风险，因为系统可能会做出不符合设计者初衷的决策。最后是安全问题和漏洞。机器会重结果而轻过程，它只会通过找到系统漏洞，实现字面意义上的目标，但其采用的方法不一定是设计者的初衷。例如，网站会推荐一些极端主义视频，因为刺激性内容可以增加浏览时间。再如，网络安全系统会判断人是导致破坏性软件植入的主要原因，于是索性不允许人进入系统。
机遇
无论人类社会自身的需求，还是由于人工智能的介入而产生的新需求，这些需求本身都为人工智能的发展提供了难得的机遇。虽然这些机遇不一定促成人工智能的进步，但它们的确是人工智能进一步发展的动力。人类总是期望人工智能可以更安全、更贴心地服务于人类，为人类创造更多的便利。
威胁
从技术层面来说，当前人工智能仍然面临着众多技术上的难题。技术上的难题关系着人工智能是否具有可靠性与高效性，能否取得人类信任，能否避免出现重大技术事故等。
从社会规范层面来看，人工智能的快速发展在一定程度上打破了传统的社会规范，也因此带来了一系列的社会问题。这些问题的出现，为人工智能的发展带来了诸多隐忧，甚至在一定程度上阻碍了人工智能的发展。人工智能能否解决人类对人工智能自身发展的担忧，在很大程度上决定着其自身的发展前景。
3.5重要参与企业中国主要企业有海康威视[002415.SZ]、工业富联[601138.SH]、京东方A[000725.SZ]、中兴通讯[000063.SZ]、科大讯飞[002230.SZ]、恒生电子[600570.SH]、澜起科技[688008.SH]、闻泰科技[600745.SH]、兆易创新[603986.SH]、圣邦股份[300661.SZ]等。
根据Google的综合数据，全球人工智能企业排名前十分别是：Nvidia,Microsoft,IBM,Google,OpenAI,Alphabet,DataRobot,Apple,Intel,SenseTime。
第四章未来展望整体趋势
人工智能作为第四次工业革命的重要抓手之一，已经成为各国科技领域争夺的焦点。中美两国在该领域各有千秋，竞争日趋激烈。国内人工智能政策环境较好，产业基础初步具备，市场需求十分旺盛。按照中央规划，未来人工智能核心产业、“AI+”(AI与传统产业融合)均是战略发展重点。
基础层
该层主要为人工智能提供算力支撑和数据输入，包括AI芯片、算力基础设施和大数据服务等。AI芯片方面，未来随着产业自身发展以及科创板的推进，国内AI专用芯片尤其是边缘端芯片领域的投资标的可能增加，一些视觉、语音算法研发企业已经注意到该领域的发展潜力，开始增加该板块的投资。
基础设施方面，服务器、云计算、超算等算力都开始向AI倾斜，尤其是GPU服务器需求增长更为迅速，国内主要服务器企业也在持续发力，竞争优势开始凸显。
技术层
该层是人工智能的核心，除了开源技术框架主要为国外AI巨头所掌控之外，我国企业在算法、语音和视觉技术等方面的布局已经相对完善。
应用层
该层是我国AI市场最为活跃的领域，国内AI企业多集中在该板块。尤其是语音、计算机视觉、知识图谱等相对成熟的技术，在AI产品、融合解决方案市场(安防、医疗、家居和金融等)上都得到了广泛应用，随着我国“AI+”战略的实施，该领域的市场空间更为广阔。
人工智能现状研究报告（上）
原创|文BFT机器人
01 介绍
定义
人工智能(A):一种广泛的学科，其目标是创造智能机器，而不是人类和动物所展示的自然智能。
通用人工智能(AlamosGold):一个术语，用来描述未来机器可以在所有有经济价值的任务中达到甚至超过人类的全部认知能力。
人工智能安全:一个研究和尝试减轻未来人工智能可能对人类造成的灾难性风险的领域。
机器学习(ML):人工智能的一个子集，经常使用统计技术，使机器能够从数据中“学习”，而不需要明确给出如何这样做的指令这个过程被称为“训练”一个“模型”，使用学习“算法，逐步提高模型在特定任务中的性能。
强化学习(RL):机器学习的一个领域，在这个领域中，软件代理通过在一个环境中的试验和错误来学习以目标为导向的行为该环境提供奖励或惩罚以响应他们为实现目标而采取的行动(称为“策略”)。
深度学习(DL):机器学习的一个领域，试图模仿大脑神经元层的活动，以学习如何识别数据中的复杂模式。“深度”指的是当代模型中大量的神经元，有助于学习丰富的数据表示，以获得更好的性能提升。
型号: 一旦ML算法已经在数据上进行了训练，过程的输出就被称为模型。然后，这可以用来作出预测。
计算机视觉(CV):使机器能够分析、理解和处理图像和视频
Transformer模型体系结构：是大多数最先进(SOTA)ML研究的核心。它由多“关注”层组成，这些层学习输入数据的哪一部分对于给定的任务来说是最重要的。Transformers开始于语言建模，然后扩展到计算机视觉、音频和其他形式。
研究
漫射模型以其令人印象深刻的文本到图像生成能力席卷了计算机视觉世界
人工智能研究更多的科学问题，包括塑料回收、核聚变反应堆控制和天然产物发现。
标度法则重新关注数据:也许模型标度并不是您所需要的全部。朝着用一个模式来统治他们的方向发展社区驱动的大型模型开源以极快的速度发生，使集体能够与大型实验室竞争受到神经科学的启发，人工智能研究在方法上开始看起来像认知科学。
行业
新贵Al半导体初创公司与NVIDIA相比有没有取得进展?铝的使用统计数据显示，NVIDIA领先20-100倍。大型科技公司扩展他们的人工智能云，并与A(G)L初创公司建立大规模合作伙伴关系招聘冻结和人工智能实验室的解散加速了包括DeepMind和OpenAl在内的许多巨头初创公司的形成。
MaiorAl药物研发公司拥有18项临床资产，首个CE标志被授予自主医学成像诊断人工智能领域最新的代码研究成果被大型科技公司和初创公司迅速转化为商业开发工具。
政策
学术界和工业界在大规模人工智能工作方面的鸿沟可能无法弥补:学术界几乎没有完成任何工作学术界正在把接力棒传给由非传统来源供资的分散的研究集体。
美国半导体能力的伟大复兴是认真的开始。
-人工智能继续被注入更多的国防产品类别，国防人工智能初创企业获得更多的资金安全
-人工智能安全研究的意识、人才和资金都有所提高，但仍远远落后于能力研究。
我们的2021年预测
变形金刚取代RNN来学习世界模型，在大型和丰富的游戏中，RL代理超过了人类的性能。
ASML的市值达到500亿美元。
Anthropic在GPT、DotaAlphaGo的水平上发表文章，使自己成为AlamosGold研究的第三极。
随着Graphcore、Cerebras、SambaNova、Groq或Mythic中的至少一家被大型技术公司或主要半导体公司收购，铝半导体行业出现了一波整合浪潮。
小型变压器+CNN混合型号与lmageNet上的当前SOTA相匹配(CoAtNet-7,90.88%，244B参数)，参数少10倍
DeepMind显示了物理科学的重大突破
根据PapersWithCode的测量，JAX框架每月创建的回购量从1%增长到5%。
一个新的以AlamosGold为重点的研究公司成立，该公司拥有重要的支持和路线图，该路线图侧重于一个垂直部门(如开发人员工具、生命科学)。
02 调查研究2021预测:DeepMind在物理科学上的突破(1/3)
2021年，我们预测:“DeepMind发布了物理科学的重大研究突破。这此后，公司在数学和材料科学方面取得了重大进展。
数学中的决定性时刻之一是对感兴趣的变量之间的关系提出一个猜想或假设。这通常是通过观察这些变量值的大量实例来实现的，并且可能使用数据驱动的猜想生成方法。但它们仅限于低维、线性和一般简单的数学对象。
在《自然》杂志的一篇文章中DeepMind的研究人员提出了一个选代的工作流程，涉及数学家和监督ML模型(典型的是NN)。数学家假设一个函数涉及两个变量(输入X()和输出Y())。一台计算机生成大量的变量的实例和神经网络拟合的数据。梯度显著性方法用于确定X》中最相关的输入。数学家可以转而完善他们的假设和/或生成更多的数据，直到猜想在大量数据上成立。
2021预测:DeepMind在物理科学上的突破(2/3)
2021年，据预测:“DeepMind发布了物理科学的重大研究突破。”这此后，公司在数学和材料科学方面取得了重大进展。
DeepMind的研究人员与悉尼大学和牛津大学的数学教授合作，使用他们的框架(i)提出一个算法，可以解决表征理论中长达40年的猜想。
DeepMind在材料科学方面也做出了重要贡献。结果表明，密度泛函理论中的精确泛函是计算电子能量的重要工具，可以用神经网络对其进行有效的逼近。值得注意的是，研究人员没有约束神经网络来验证dft函数的数学约束，而只是将它们合并到适合神经网络的训练数据中。
2021预测:DeepMind在物理科学上的突破(3/3)
2021年，我们预测:“DeepMind发布了物理科学的重大研究突破。”这此后，公司在数学和材料科学方面取得了重大进展
DeepMind改变了AlphaZero的用途(他们的RL模型训练来击败国际象棋、围棋和将棋中最好的人类棋手)做矩阵乘法。这个AlphaTensor模型能够找到新的确定性算法来乘以两个矩阵。为了使用AlphaZero，研究人员将矩阵乘法问题重新定义为一个单人游戏，其中每一步都对应一个算法指令，目标是将一个张量归零，以测量预测算法的正确性。
寻找更快的矩阵乘法算法，一个看似简单且得到充分研究的问题，几十年来一直是陈腐的。DeepMind的方法不仅有助于加速该领域的研究，还促进了基于矩阵乘法的技术，即人工智能、成像，以及手机上发生的一切。
强化学习可能成为下一个核聚变突破的核心组成部分
DeepMind训练了一个强化学习系统来调整洛桑TCV(可变配置托卡马克)的磁线圈。该系统的灵活性意味着它也可以用于ITER，法国正在建造的下一代托卡马克装置。
实现核聚变的一个流行途径是使用托卡马克装置将极热的等离子体限制在足够长的时间内。
一个主要的障碍是等离子体是不稳定的，当它接触到托卡马克的墙壁时会损失热量和降解材料。稳定它需要调整磁线圈每秒数千次。
DeepMind的深度RL系统就做到了这一点:首先在模拟环境中，然后部署在洛桑的TCV中。该系统还能够以新的方式塑造等离子体，包括使其与ITER的设计兼容。
预测整个已知蛋白质组的结构:下一步会开启什么?
自开源以来，DeepMind的AlphaFold2已经在数百篇研究论文中使用。该公司目前已经部署了该系统来预测来自植物、细菌、动物和其他生物体的2亿种已知蛋白质的三维结构。这一技术所带来的下游突破--从药物发现到基础科学一一需要几年时间才能实现。
今天，蛋白质数据库中有19万个由经验确定的3D结构。这些都是通过X射线晶体学和低温电子显微镜得出的。
·AlphaFoldDB于20221年7月首次发布1M预测蛋白质结构。
这个新版本的数据库大小是200x。来自190个国家的500,000多名研究人员使用了该数据库。
·AlphaFold在人工智能研究文献中被提及的次数正在大幅增长，预计每年将增长三倍(右图)。
蛋白质的语言模型:一个熟悉的开源和缩放模型的故事
研究人员独立地将语言模型应用于蛋白质的生成和结构预测问题，同时对模型参数进行定标。他们都报告说，从扩展他们的模型中获得了巨大的好处。
Salesforce研究人员发现，扩展LM可以让他们更好地捕获蛋白质序列的训练分布使用6B参数ProGen2，他们产生的蛋白质具有类似的折叠天然蛋白质，但具有显示不同的序列身份。但是，为了释放规模的全部潜力，作者们坚持认为应该把更多的重点放在数据分布上。
超能力者等。介绍了蛋白质LM的ESM家族，其大小范围从8M到15B(称为ESM-2)参数。使用ESM-2,他们构建ESMFold来预测蛋白质结构他们表明，ESMFold产生类似的预测ALphaFold2和RoseTTAFold，但快了一个数量级。
这是因为ESMFold不依赖于使用多序列比对(MSA)和模板，如AlphaFold2和RoseTTAFold，而是只使用蛋白质序列。
OpenCell:在机器学习的帮助下理解蛋白质定位
研究人员利用基于CRISPR的内源性标记修饰基因，通过阐明蛋白质功能的特定方面，来确定蛋白质在细胞中的定位。然后，他们使用聚类算法来识别蛋白质群落，并制定关于未表征蛋白质的机械假设。
基因组研究的一个重要目标是了解蛋白质的定位以及它们在细胞中如何相互作用以实现特定的功能。OpenCell计划拥有约5900张3D图像中的1310个标记蛋白质的数据集，使研究人员能够绘制蛋白质的空间分布、功能和相互作用之间的重要联系。
马尔可夫聚类的图上的蛋白质相互作用成功地划定功能相关的蛋白质。这将有助于研究人员更好地了解迄今尚未定性的蛋白质。
我们经常期望ML能够提供明确的预测。但这里和数学一样，机器学习首先给出部分答案(这里是聚类)，然后人类解释、制定和测试假设，最后给出一个确定的答案。
塑料回收得到急需的ML工程酶
来自UTAustin的研究人员设计了一种能够降解PET的酶，PET是一种占全球固体废物12%的塑料。
PET水解酶，称为快速PETase，比现有的酶对不同的温度和pH值更有活力。
FAST-PETase能够在1周内几乎完全降解51种不同的产品。
他们还表明，他们可以从FAST-PET酶降解回收的单体中重新合成PET，这可能为工业规模的闭环PET回收开辟道路。
当心复杂的错误。
随着ML在定量科学中的使用越来越多，ML中的方法学错误可能会泄露给这些学科。普林斯顿大学的研究人员警告说，基于机器学习的科学的可重复性危机日益严重，部分原因是一个这样的方法论错误:数据泄漏。
数据泄漏是一个总括术语，涵盖了所有不应该对模型可用的数据实际上是可用的情况。最常见的例子是测试数据包含在训练集中。但是，当模型使用的特征是结果变量的代理时，或者当测试数据来自与科学主张不同的分布时，泄漏可能会更加有害。
作者认为，基干机器学习的科学的可重复性失败是系统性的:他们研究了17个科学领域的20篇综述，检查了基干机器学习的科学中的错误，发现在329篇综述中的每一篇都发生了数据泄漏错误。受ML中日益流行的模型卡的启发，作者建议研究人员使用旨在防止数据泄漏问题的模型信息表。
OpenAl使用Minecraft作为计算机使用代理的测试平台
OpenAl训练了一个模型(VideoPreTraining,VPT)，使用少量标记的鼠标和键盘交互从视频玩Minecraft。VPT是第一个学习制作钻石的机器学习模型，“一项任务通常需要熟练的人类超过20分钟(24000次操作)。
OpenAl收集了2000小时的标记有鼠标和键盘动作的视频并训练了一个逆动力学模型(IDM)来预测过去和未来的动作一一这是预训练部分。
然后，他们使用IDM标记70小时的视频，在此基础上，他们训练了一个模型，仅根据过去的视频来预测动作。
结果表明，该模型可以通过仿真学习和强化学习(RL)对(a)模型进行微调，以获得难以从零开始使用RL的性能。
企业人工智能实验室争相进入人工智能进行代码研究
驱动GitHubCopilot的OpenAl的Codex以其多行代码或直接从自然语言指令完成代码的能力给计算机科学界留下了深刻的印象。这一成功刺激了这一领域的更多研究，包括Salesforce、Gogle和DeepMind。
·借助对话式CodeGen,Salesforce研究人员可以利用LLM的语言理解能力来指定多回合语言交互中的编码要求。它是唯一一个与Codex竞争的开源模式。
·谷歌的LLMPaLM取得了更令人印象深刻的成就，它实现了与Codex类似的性能，但其训练数据中的代码少了50倍(PaLM是在更大的非代码数据集上训练的)。当对Python代码进行微调时，PaLM的表现优于SOTA(82%vs717%)Depfix上的同行，一个代码修复任务。
DeepMind的AlphaCode解决了一个不同的问题:在竞争性编程任务中生成整个程序。它在Codeforces一个编码竞赛平台上排名前半。它是预先训练的对GitHub数据和Codeforces问题和解决方案进行微调。然后对数百万个可能的解决方案进行采样、过滤和聚类，以获得10个最终候选方案。
Transformer五年后，一定会有一些高效的替代品。
变压器模型核心的注意层因其输入的二次依赖而闻名。大量的论文承诺解决这个问题，但没有采用任何方法。
SOTALLM有不同的风格(自编码，自回归，编码器-解码器)，但都依赖于相同的注意力机制。
在过去的几年里，一群古戈尔的变压器已经被训练好了，花费了数百万数十亿?)到世界各地的实验室和公司。但是所谓的“高效变形金刚”EfficientTransformers)在大规模的LM研究中是找不到的(它们会带来最大的不同!)GPT-3PaLMLaMDA，地鼠，OPT，布卢姆，GPT-Neo巨电子-图灵NLG，GLM-130B等都在他们的变形金刚中使用了原始的注意层。
有几个原因可以解释这种缺乏采用:(一)潜在的线性加速只适用于大的输入序列，(ii)新的方法引入额外的约束，使架构不那么普遍，(ii)报告的效率措施不转化为实际的计算成本和时间节省。
语言模型的数学能力大大超过预期
基于谷歌的540B参数LMPaLM，谷歌的Minerva在数学基准测试中获得了503%的分数(比之前的SOTA高出43.4%)，超过了预测者预期的2022年的最佳得分(13%)。同时，OpenAl训练了一个网络来解决两个数学奥林匹克问题(IMO)。
Google使用LaTeX和MathJax，使用来自arXiv和网页的额外118GB科学论文数据集来训练其(预训练的)LLMPaLM。通过使用思维链提示(包括提示中的中间推理步骤，而不仅仅是最终答案)和多数投票等其他技术，Minerva将大多数数据集上的SOTA提高了至少两位数的百分比。
Minerva只使用语言模型，并没有明确地对形式数学进行编码。它更灵活，但只能自动评估其最终答案，而不是它的整个推理，这可能证明一些分数膨胀。相比之下，OpenAl在精益正式环境中构建了一个(基于转换器的)定理证明器。他们的模型的不同版本能够解决AMC12(26)、AIME(6)和IMO(2)中的一些问题(难度递增的顺序)。
更多精彩内容请关注公众号：BFT机器人本文为原创文章，版权归BFT机器人所有，如需转载请与我们联系。若您对该文章内容有任何疑问，请与我们联系，将及时回应。