人工智能加速赋能实体经济
2021年全球人工智能产业投融资金额为714.7亿美元，我国达201.2亿美元人工智能加速赋能实体经济
2021年，我国人工智能产业规模达4041亿元人民币，产业投融资金额为201.2亿美元，同比增长40.4%。随着相关科技成果不断落地，应用场景更加丰富，人工智能技术与实体经济加速融合，助推传统产业转型升级，为高质量发展注入了强劲动力。
高效高精度仿真预测，为大型客机减少风洞试验的次数；构建数字孪生工厂，并在未来建成全息3D裸眼效果的数字工厂；人体通过360度扫描后，将投射到屏幕上制作成数字人……这些奇思妙想，都在借助人工智能技术实现。
新一代人工智能是推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量。日前，由国家发改委、工信部、科技部、国家网信办、中国科学院、中国工程院、中国科协和上海市政府共同主办的2022世界人工智能大会举行，一大批新成果、新技术、新应用发布，展示了人工智能赋能实体经济发展的美好图景，并描绘了产业发展的方向与趋势。
人工智能科技成果加速落地
2018年，首届世界人工智能大会在上海举办。几年来，我国人工智能科技成果层出不穷，并加速落地。
机器人应用场景更加丰富——
机器人冲咖啡拉花、送咖啡、专业消毒，还能手持吸尘器做清洁，俨然全职“家庭保姆”……会上，业内先进的机器人技术和展品齐聚，新品迭出，带来全新的机器人能力认知和服务体验。
智能网联汽车发展不断推进——
“系好安全带，我不用方向盘，准备出发。”在金桥智能网联汽车测试示范区，安全员启动自动驾驶车开始演示无人驾驶。测试现场，荣威、威马等品牌的自动驾驶车上路展示，斑马智行、小马智行、复睿智行等自动驾驶平台也一同亮相。
“5年前，自动驾驶还处在起步阶段，现在已经有了相当多的平台和自动驾驶车。”金桥管理局副局长严俊杰介绍，2019年，上海浦东新区作为全国首个人工智能创新应用先导区正式揭牌。今年8月31日，金桥智能网联汽车测试区正式启动，助力金桥一大批车企推进研发、测试自动驾驶技术。
城市算力建设取得新进展——
在国家“东数西算”工程与全国一体化算力网络国家枢纽节点的布局下，中国算力网——智算网络一期于今年6月正式上线。在本届大会上，沈阳、福州、长沙、广州、重庆、昆明、河北（廊坊）7个新增节点接入中国算力网。至此，多个人工智能计算中心间的算力调度与协同训练已完成初步验证，全国算力一张网已具雏形。
“这是一个开源开放、功能丰富的产业级深度学习平台。”会上，百度展示的飞桨平台吸引了不少人的目光。工作人员介绍，飞桨平台具有标准化、自动化和模块化等特征，能够降低应用门槛，让人工智能技术高效便捷地应用于各行各业，不同单位的项目都可以在这个平台上学习。截至今年5月，飞桨平台上已汇聚477万开发者、创建56万个人工智能模型，服务18万家企事业单位。
数实融合助力实体经济转型升级
目前，一大批人工智能相关企业正在不断成长。据统计，我国人工智能核心企业数量已超3000家，比2019年同期增加15%。领军龙头企业分布在无人机、语音识别、图像识别、智能机器人、智能汽车、可穿戴设备、虚拟现实等领域。
技术的发展带来了突破，人工智能正更多地服务于实体企业，越来越多传统实体企业也借助人工智能实现转型升级。
在本届大会上，中国商飞联合华为发布了工业级流体仿真大模型“东方·御风”。这是基于昇腾人工智能基础软硬件平台打造的面向大型客机翼型流场高效高精度人工智能仿真预测模型，有效提高了对复杂流动的仿真能力，将仿真时间缩短至原来的1/24，减少了风洞试验的次数。
虚拟原生、数字孪生和空间计算等，是人工智能领域的新生态。腾讯正与宝钢合作，开发应用实时云渲染、视觉动态捕捉、增强现实/虚拟现实交互等技术，为宝钢热轧部提供孪生工厂服务，最终的目标是建成一座全息3D裸眼效果的数字工厂。“我们从数实融合的角度来推动技术革新，助力产业升级和实体经济数字化转型。”腾讯集团副总裁、政企业务总裁李强说。
在张江科学会堂展区，多个与元宇宙相关的产品夺人眼球，数字人便是其中一个。人体通过360度扫描后，全部投射到屏幕上，极其逼真。“它有许多用处，可以成为网络世界的另一个自己而存在。”影眸科技首席执行官吴迪说。
9月1日，在2022世界人工智能大会产业发展全体会议上，中国信息通信研究院院长余晓晖介绍，2021年全球人工智能产业规模达3619亿美元，中国占4041亿元人民币。从投融资规模来看，2021年全球人工智能产业投融资金额为714.7亿美元，同比增长90.2%，中国为201.2亿美元，同比增长40.4%。
新趋势将带来新机遇和新突破
作为人工智能技术的新热点和新趋势，“多模态学习”是各方都在争抢的创新制高点。“多模态人工智能可以通过图像、声音和文件等多种数据做出高水平判断。大数据与多模态人工智能的结合，将推动人工智能技术产生巨大变革。”中国工程院院士、浙江大学教授潘云鹤说。
上海期智研究院院长、图灵奖得主姚期智认为，多模态人工智能在国际上也刚刚起步，我国应该争取先机参与竞争。例如，在自动驾驶领域，可采用以视觉为中心的自动驾驶方案，结合多模感知进行智能运算。
随着人工智能深入发展，算力变得愈发重要。“随着量子计算机的出现，我们或许有更好的方法来进行算法突破。”姚期智说，量子计算机可以使人工智能发挥更大的效能，同时人工智能也可以为量子物理带来重要的学术贡献。
近年来，人工智能技术快速迭代，为高质量发展带来了新机遇，但也面临一些应用领域的瓶颈。宁德时代首席制造官倪军表示，目前在一些工业应用场景里，因为数据量不足、训练数据失衡等问题，人工智能缺乏合适的训练数据样本，难以实现真正的智能制造。而且，工业制造中多工况、多工位的动态场景，导致工业人工智能预测模型开发难度大、时间长。倪军认为，需要大量复合型人才去深入了解剖析工业场景，解决构建工业人工智能模型的痛点。
此外，人工智能产业的健康发展离不开配套制度的健全与完善。百度董事长兼首席执行官李彦宏认为，自动驾驶是人工智能在交通领域的体现，但目前无人车的普及还面临入市、上牌、事故责任难以认定等方面的掣肘。我国自动驾驶技术处于世界前列，急需政策支持推动，实现人工智能和实体经济的融合发展。（记者谢卫群沈文敏黄晓慧）
15张图表带你速览2023人工智能最新趋势
「中国人工智能研究论文总数已经超过了美国，成为全球第一」
「人工智能初创企业获得的资本青睐越来越少」
「主流NLP系统也存在种族歧视」
这些话题都出自斯坦福大学Human-Centered人工智能研究所近期发布的「2021年人工智能指数报告」。报告内容覆盖AI研发、技术性能、经济、教育、道德、多样性以及各国相关政策和国家战略等大量内容。
这份报告长达222页，包含大量数据和图表，我们从中精选了15份图表，带你速览这份斯坦福「2021年人工智能指数报告」，了解2021年人工智能发展现状。
作者|ElizaStrickland
编译|机器之能
「2021年人工智能指数报告」由斯坦福大学Human-Centered人工智能研究所，以及来自哈佛大学，经济合作与发展组织，thePartnershiponAI合作组织和SRIInternational的11名专家组成的指导委员会共同编制。这份报告引用了大量AI研究数据，引用了包括：arXiv的AI研究数据，Crunchbase的资金数据，以及对BlackinAI和QueerinAI等团体的调查。
报告对2021年度人工智能最新的研究趋势和进展进行了总结，并分析了资本、政策对AI技术的影响，以及深度学习、图像识别、语言识别等AI主要子领域的研究。
一
人工智能的盛夏
人工智能研究工作正处在爆炸增长期：2019年全球发布了超过12万篇人工智能研究领域的同行评审论文。自2000年以来，人工智能领域论文在同行评审论文中的占比，从0.8%一路攀升至2019年的3.8%。
二
中国在人工智能研究领域取得显著成就
自2017年中国研究人员发表的同行评审论文首次超过欧洲以来，中国的人工智能研究论文数量持续上升。到2020年，中国研究人员发布的人工智能研究论文在权威期刊的引用率已经领先全球。
AI指数指导委员会联合主任JackClark表示，这些数据对中国来说似乎是「学术成功的指标」，也在一定程度上映射出不同国家在人工智能生态体系建设方面的现状。他认为研究论文更像是一种学术权威认证，一个领域的学术性越弱，其行业实用性可能会越强。他指出：「中国有获得期刊出版物的明确政策，政府机构在研究中发挥更大的作用，而在美国，大部分这方面的研发主要集中在企业内部。」
三
快速训练=更好的AI
MLPerf以训练速度与硬件的关系为基础，分析了机器学习的系统性能，客观地对机器学习系统性能进行排名。通过对各种图像分类器系统在标准ImageNet数据库上进行培训，并根据训练时间进行排名。2018年，训练最佳系统需要6.2分钟；2020年，培训最佳系统需要47秒。这一进步也得益于近年来机器学习专用芯片的快速发展。
报告认为，硬件加速对机器学习的影响至关重要。系统训练耗时几秒和几小时的差别巨大，这种差异直接影响着研究人员的想法，以及研究的类型和数量，以及它可能影响到的研究风险。
四
AI不能理解「喝咖啡」？
在过去的几年里，人工智能在静态图像识别方面的进展突飞猛进，而计算机视觉未来必将朝着视频识别的方向发展。研究人员正在构建可以从视频剪辑中识别各种活动的系统，因为如果将机器视觉应用到现实世界（例如自动驾驶汽车、监控摄像头等），这种类型的识别可能会大有用处。计算机视觉性能的基准之一是ActivityNet数据集，其中包含来自2万个视频的近650小时镜头。在其中显示的200项日常生活活动中，人工智能系统在2019年和2020年都很难识别「喝咖啡」这项活动。这似乎是一个主要问题，因为喝咖啡是所有其他活动的基本活动。无论如何，这是未来几年值得关注的领域。
五
自然语言识别需要更难的测试
自然语言处理（NLP）的迅速崛起似乎遵循了计算机视觉的轨迹，在过去十年中，计算机视觉从学术领域的分支专业发展成为广泛的商业部署。今天的NLP也由深度学习驱动，JackClark认为，NLP继承了计算机视觉工作的策略，例如对大型数据库的训练和特定应用程序的微调。他说：「我们看到这些创新非常迅速地流向人工智能的另一个领域。」
JackClark表示，衡量NLP系统的性能正在变得很棘手，学术界一直在研发更为困难的AI测试系统和指标，但无论何种系统总会在六个月内出现新的AI击败它。这份图表显示了两个版本的阅读理解测试SQuAD的表现，人工智能语言模型必须根据一段文本回答多项选择题。2.0版通过包含无法回答的问题来使任务更加困难，模型必须识别这些问题，并且不回答。一个模型在第一个版本上花了25个月才超过人类的性能，但另一个模型只花了10个月就完成了更艰巨的任务。
六
NLP也存在「种族歧视」
语音识别和文本生成等任务的语言模型总的来说已经非常完善了。但即便在主流的成熟商业NLP系统中仍存在认知偏差，如果这些问题不得到解决，则可能会严重影响这些技术的商业应用。
例如AI系统也存在种族歧视问题，图表显示了几款较为成熟的商业化语音识别程序的错误率。
虽然系统存在认知偏差，但大多数研究人员只注重系统性能，而很少有人会去注意到这种偏差。这个问题在未来很可能会阻碍各种形式的人工智能发展，包括计算机视觉和决策支持工具。
七
AI就业市场全球化
据LinkedIn数据显示，从2016年到2020年，巴西、印度、加拿大、新加坡和南非的人工智能岗位增长最快。而这并不意味着这些国家的绝对就业机会最多（美国和中国仍占据AI就业机会的首位），但这些国家对人工智能的投入将会对人工智能技术以及整个社会的发展产生积极影响。LinkedIn发现，2020年的全球疫情并未对AI领域的工作岗位招聘造成丝毫影响。
值得注意的是，印度和中国的人才对LinkedIn的应用并不广泛，因此这些国家的人才市场状况在LinkedIn上的数据并不具有充分的代表性。
八
企业对AI的投资热度「不想停，也不会停」
自2015年以来大量资金持续涌入人工智能领域。2020年，全球企业对人工智能的投资飙升至近680亿美元，比前一年增长40%。
九
创业狂潮接近尾声
从前面一张图表可以看出，AI领域的企业投资持续增长，但在增长的背后，却是增速逐年放缓。这张图表显示，AI初创企业得到的投资越来越少。虽然疫情可能对初创企业的活动产生了影响，但AI初创企业数量下降的明显趋势始于2018年，从好的方面来看，这似乎是行业正在逐步走向成熟的信号。
十
新冠病毒带来的影响
虽然人工智能的许多趋势在很大程度上没有受到全球疫情的影响，但这张图表显示，2020年的AI投资更偏向于全球应对新冠病毒中发挥重要作用的单位。制药相关公司投资的激增就很好的说明了这一点。而对教育技术和游戏的投资增长，也与2020年疫情隔离导致人们把更多时间花费在电脑前有直接关系。
十一
风险？有风险吗？
大量企业在电信、金融服务和汽车等行业稳步增加人工智能工具的应用。然而，大多数公司似乎不知道或不关心这项新技术带来的风险。麦肯锡在一项研究中调查了企业对AI应用相关风险的认知，只有网络安全风险受到了半数以上受访者的关注。与人工智能相关的伦理问题，如隐私和公平，是当今人工智能研究领域最热门的话题之一，然而这些问题并未引起企业的足够重视。
十二
AI领域的博士们正在涌入企业
AI领域的学术工作有限，虽然高校增加了本科生和研究生级别的人工智能相关课程，终身制教师职位也相应增加，但学术界仍然无法吸收逐年新增的AI博士。这份图表仅代表北美地区的AI博士毕业生，这些毕业生中的绝大多数正在流向AI企业。
十三
AI的伦理问题
如前所述，很多公司对人工智能的伦理问题重视程度不足，但研究人员对此越来越关心。许多团体正在研究人工智能系统的不透明决策（称为可解释性问题），嵌入偏见和歧视，以及隐私入侵等问题。这份图表显示了人工智能会议上伦理问题的相关论文正在逐年增加，JackClark认为这非常值得高兴。他指出，由于有这么多学生参加这些人工智能会议，几年后，将有大量关注AI伦理的从业者进入行业。
然而，除了会议文件的增加外，在这一问题上业界并没有其他突出的进步。报告强调，人工智能系统中的偏差量化测试才刚刚开始出现。JackClark说，「这些评估体系，就像人工智能科学领域的一个新分支。」
十四
多样性问题（1）
解决人工智能系统中嵌入的偏见和歧视的一种方法是确保构建人工智能系统的群体的多样性。这不是一个激进的概念。然而，报告称，在学术界和行业，人工智能劳动力「仍然以男性为主」。这张图表来自美国计算机研究协会年度调查，数据显示，在北美人工智能相关的博士课程的毕业生中，女性仅占约20%。
十五
多样性问题（2）
来自同一调查的数据讲述了一个关于种族/民族身份的类似故事。这个问题在即将毕业的博士生中似乎相当明显，有许多优秀的科学、技术、工程和数学项目都以女孩和少数族裔为重点。这使我们想到了AI4ALL组织，或许社会可以更加关注这些群体，给他们更多的资助，或者以某种方式参与其中。
参考链接：
https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf
https://spectrum.ieee.org/tech-talk/artificial-intelligence/machine-learning/the-state-of-ai-in-15-graphs
机器之能面向正在进行数字化转型及智能化升级的各领域产业方，为他们提供高质量信息、研究洞见、数据库、技术供应商调研及对接等服务，帮助他们更好的理解并应用技术。产业方对以上服务有任何需求，都可联系我们。
zhaoyunfeng@jiqizhixin.com
原标题：《15张图表带你速览2021人工智能最新趋势》
阅读原文
2023年中国人工智能产业研究报告（Ⅳ）
原创艾瑞艾瑞咨询
人工智能丨研究报告
核心摘要：
近年来，在数字经济高速发展的背景下，人工智能技术及产品在企业设计、生产、营销等多个环节中均有渗透且成熟度不断提升，AI应用从消费、互联网等泛C端领域，向制造、电力等传统行业辐射。据艾瑞预测，2021年人工智能核心产业规模预计达到1998亿元，2026年将超过6000亿元，2021-2026年CAGR=24.8%。计算机视觉仍是AI技术赛道中贡献最大的市场，AI芯片则作为底层的算力支撑获得高速发展，其在预测时间内年的复合增长率维持在40%以上。在AI商业化的探索之路上，我们从需求侧观察到各行各业以高频高价值场景为落点做持续的AI泛化，愈多业务场景的泛化升级将带来企业AI应用的数据连通与业务协同等加成效应，反哺加速企业的智能化转型进程。而从供给侧看，AI企业在过去一年中纷纷加快上市动作，多家企业已在2021年成功实现上市。趋势演变上，可信AI在监管合规与商业内驱的合力下成为人工智能产业的发展趋势与研究重点，而大小模型云-边-端协同发展模式有望改善大模型在训练推理以及后续的落地中面临的卡点。同时，AI工程化有望打通AI全链路管理能力，助力AI企业实现落地赋能与商业变现的双赢。
人工智能产业化发展进程
技术能力创新、应用规模突破、产业地位跨越
随着2016年AlphaGo战胜人类棋手，开启了新一波人工智能浪潮，人工智能技术及产业进入加速发展期；2021年DeepMind团队开源AlphaFold2数据集，其利用人工智能技术解决蛋白质结构预测问题，供全世界科研人员使用。AI技术应用于生物领域取得的前瞻性进展有力推动了生命科学发展，也代表随着AI算力提升及算法的不断突破创新，AI技术在各行业领域的增量式技术改进、系统性前瞻性研发等重要产业改造环节提供价值。人工智能产业化进程发展至今，已逐步从AI技术与各行业典型应用场景融合赋能阶段向效率化、工业化生产的成熟阶段演进。
数字经济的华章
企业云端迁移进程加速，数字经济高速发展
数字经济是以数据为关键生产要素、以现代信息网络为重要载体、以数字技术应用为主要特征的经济形态。发展数字经济，将打通供应链上下游、产业链的不同环节与服务链的各个节点，通过产业的数字化升级，实现效率变革、动力变革、质量变革，助力新发展格局的形成与发展。近年来，我国数字经济发展迅速，2020年我国数字经济规模为39.2万亿元，占GDP比重达到38.6%。在我国“十四五规划”中，国家也首次明确提出要将数字经济核心产业增加值占GDP比重由2020年的7.8%提高到10%。未来，随着网络传输速度，海量数据积累，云计算、人工智能、物联网等代表性技术的成熟，数字经济将在各行业开启更大的想象空间。
数字经济下的人工智能产业升级
AI成为数字经济时代的核心生产力，驱动数字经济纵深发展
2021年3月我国十四五规划纲要出台，提出“打造数字经济新优势”的建设方针并强调了人工智能等新兴数字产业在提高国家竞争力上的重要价值。规划纲要指出要充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，以数据驱动生产过程优化，催生新产业、新业态、新模式。数字经济的高速发展为人工智能发展创造了良好的经济与技术环境，且人工智能作为关键性的新型信息基础设施，也被视为拉动我国数字经济发展的新动能。随着新基础设施计划的实施、消费互联网的升级和产业互联网的发展，人工智能科技产业开始步入全面融合发展的新阶段。
人工智能助力产业经济价值实现
人工智能于各环节提升经济生产活动效能
近年来，人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗透且成熟度不断提升。同时，随着新技术模型出现、各行业应用场景价值打磨与海量数据积累下的产品效果提升，人工智能应用已从消费、互联网等泛C端领域，向制造、能源、电力等传统行业辐射。以计算机视觉技术主导的人脸识别、光学字符识别（OCR）、商品识别、医学影像识别和以对话式AI技术主导的对话机器人、智能外呼等产品的商业价值已得到市场充分认可；除感知智能技术外，机器学习、知识图谱、自然语言处理等技术主导的决策智能类产品也在客户触达、决策支持等企业业务核心环节体现价值。
人工智能产业发展将打开新一轮城市与区域竞争变局
人工智能产业发展也打开了新一轮的城市与区域竞争变局。根据中国新一代人工智能发展战略研究院2018-2021年针对区域人工智能科技产业竞争力评价指数的追踪研究表明，2021年长三角总评分首次超过京津冀位列第一。人工智能和实体经济融合发展进程的加速和北方人工智能科技产业创新资源的“南移”是改变区域竞争力发展格局的重要因素。因此，各区域应加速补全人工智能及面向各行业的产业链、积极建设示范性智慧应用场景、前瞻布局人工智能相关标准及管理体系、推动公共研发等资源共享、强化科研与人才培育建设等以把握人工智能产业发展的重大历史机遇。
人工智能产业规模
视觉市场筑起主要版图，AI芯片是增速的重要拉力
人工智能产业正从发展期向成熟期过渡，除AI芯片外的细分技术赛道产业已跨过高速增长期，步入了稳步增长阶段。2021年，人工智能预计达到1998亿元规模，2026年将超6000亿元。计算机视觉仍是贡献最大的市场，但随着下游各方数字化发展的意识不断加强，其对数据这一AI模型生产要素的要求在不断变高，采购含有机器学习技术的数据类产品的需求暴露与凸显，在一定程度上带动了机器学习市场；此外，AI芯片作为人工智能产业的关键硬件，其2021-2026年的CAGR在40%以上，是拉动整体产业核心规模增速与带动规模增速的重要拉力。
人工智能产业图谱
机器学习：厂商的数据与应用业务补全
数据治理与ML应用开发将逐渐走向一体化
2021年，中国机器学习核心产品的市场规模为275亿元，带动规模为1089亿元，核心规模2021-2026年CAGR=20.6%。ML应用厂商补全数据治理业务、数据治理厂商补全ML应用开发业务成为了一大发展趋势。机器学习应用厂商在进行决策智能应用开发时，往往面临模型与数据无法拉齐的问题，所以需要溯源到前置环节，从一开始就把数据治理的工作做好，构建模型特有的数据资产。数据治理厂商完成数据治理后，本就对客户的业务数据有了深入了解，能够较为顺利地进入到下一轮的模型开发业务中，且模型应用开发可增加新的业务收入，故不少数据治理厂商投身于ML应用部署的业务中。
知识图谱：行业落地情况剖析
深耕业务，持续迭代，注重可落地性，克服双重卡点
2021年，中国知识图谱核心产品的市场规模为107亿元，带动规模为412亿元，核心规模2021-2026年CAGR=22.5%。在行业知识图谱的推进过程中，供应商会面临业务与技术上的卡点。业务方面，供应商团队常面临行业理解不到位、产品化封装难、客户期望过高等问题；而在技术方面，客户的底层运算基础设施欠缺、部分数据敏感度高的行业数据集缺失、知识图谱这类二维链接的图数据存在存储困难是普遍问题。对此，供应商需持续深入业务，形成知识图谱模型持续迭代的生产闭环，并注重产品化与工程化的可落地性，避免一味地投入高额成本却生产出智能化高、业务吻合度低的低效模型。
自然语言处理：金融NLP商业生态圈探讨
银行对NLP公司具有依赖性，双方互惠共存
2021年，中国NLP核心产品的市场规模为171亿元，带动规模为450亿元，核心规模2021-2026年CAGR=24.8%。以银行为主体的金融机构在外采NLP相关产品时，一般都会带着自研的目的。其采购NLP公司的产品或解决方案，对项目中的技术、经验等进行学习与吸纳，从而服务自身。这就会让部分NLP公司陷入疑问：银行若是学会了技术，自给自足，自己要如何保证市场份额与增量空间。事实上，银行是离不开NLP公司的。由于体制与文化的局限性，银行难以直接将身份过渡为NLP产品的供应商，其往往会成立一个需要持续对外学习新技术的第三方公司，或者投资、成立一些NLP公司，以保证经济安全、便捷有效的NLP产品更新替代，以及在众多银行中的业务竞争力。因此，垂直领域的NLP公司不必过于焦虑，其应继续深耕领域内的技术与业务实力，保证自己的能力领先，才能够持续对银行输出，保有自己的“蛋糕”。
智能语音与对话式AI：产品价值持续延伸
对话式AI的价值边界不断拓宽，以交互为入口深化AI赋能
2021年，中国对话式AI产品的核心产品市场规模达到80亿元，带动规模为728亿元，核心规模2021-2026年CAGR=27.0%。对话式AI最早依托于智能语音技术和简单的自然语言理解能力，实现机器与人类简单的问答交互，而后逐步承载知识库和知识图谱等知识工程，并融合情感计算模型，让机器同时具备一定知识背景支撑和情绪感知能力。此时对话式AI产品智能性已然凸显，可应用在营销客服等领域帮助或替代人类完成大量重复性工作。未来对话式AI的产品边界将进一步扩大，以对话式AI为入口，以NLP和知识图谱等认知能力为底座，泛化赋能营销洞察、舆情监督等更多应用场景。
计算机视觉：Transformer与CNN模型的跨界融合
大规模预训练与Transformer模型“跨界”融合推动计算机视觉技术进一步革新
2021年，中国计算机视觉核心产品的市场规模为990亿元，带动规模为3079亿元，核心规模2021-2026年CAGR=17.4%。计算机视觉作为商业化程度最高、应用场景最广的人工智能赛道，从技术层面来看，在分类、定位、检测、分割等基本语义感知研究任务上已经取得很好的表现，在真实场景中也能够较好应对实战考验。在训练模型上，人工智能技术正呈现“大一统”趋势，在自然语言理解领域大放异彩的Transformer模型框架正在逐步拓展至计算机视觉模态，未来数年内我们很可能会看到Transformer与CNN相结合的混合模型架构成为视觉任务的主导模型，用以达到降低模型结构的复杂性并提升模型的可扩展性和训练效率的目的。
AI芯片：“新需求”下的人工智能计算中心
提高AI算法和AI技术落地效率，商业价值初见端倪
2021年，中国AI芯片市场规模为297亿元，预计2026年超过1900亿元，2021-2026年CAGR=45.2%。以GPU、ASIC、FPGA为代表的AI芯片被广泛应用于云计算、AIDC、安防、自动驾驶、移动终端等领域，高效支撑AI技术落地应用，成为了AI算力突破的新增长点。而涵盖系统级AI芯片、异构智能计算服务器以及人工智能计算中心（AIDC）等的智能计算集群，可高效提供支撑AI模型开发、训练或推理的算力资源，并降低总拥有成本。AIDC既可以提高AI算法的产能，又可以提升AI技术落地效率，从算力底层实现的AI适配为人工智能企业的商业化价值拓展带来了更多可能。
AI技术发展趋势：云数智融合
云计算·大数据·AI融合变革升级，开启业务转型增长新时代
云数智的超融合发展，将带来云资源、数据资源和AI能力的极致解耦与弹性协同。拉通云服务调用、数据管理、AI模型训练及算法迭代等全链路资源后，在底层让云资源调配更加灵活弹性，在数据层与AI平台高效融合，在开发层实现敏捷式开发的质效提升，为企业提供从开发到部署、端到端的一站式大数据智能服务，达到资源节约、敏捷开发与高质效落地。
资本市场总况
资本回暖，成熟企业融资转向二级市场，部分企业冲刺成功
本报告以2018年-2021年11月为融资统计分析区间。在经过2020年新冠疫情的行业洗牌后，2021年资本回暖，资金流入更为成熟企业（C轮及以后）的同时，也流入了众多A+轮及以前的初创企业，投资者重拾对人工智能创业回报的信心。此外，多家AI企业集中进行IPO使得行业融资实现了跨越，云从科技、旷视科技、格林深瞳、云天励飞均顺利过会，并拟在科创板上市，其人工智能融资即将打开二级市场的通道；2021年底，商汤科技成功完成港股上市，为AI行业资本市场发展带来了新气象，且同年亦有AI医疗影像赛道的企业冲刺成功。
人工智能企业价值实现进程
行业内IPO进程加快，技术与商业化的结合仍将是发展关键
当前，大多数企业已经逐步从早期技术驱动阶段向商业驱动发展，尤其是基于视觉、语音和文本的AI技术相对较为成熟，AI在安防、医疗等领域有较多的落地成果。随着AI逐步走向成熟，市场的自然规律会为行业“去伪存真”，能够真正用AI技术解决实际问题并完成良好商业化落地的企业才能经受住时间的考验，真正释放AI的价值。2021年以来，许多企业加快上市动作，部分企业已将上市变为了现实，成功实现了私募市场和二级资本市场的衔接，打通了进一步发展的重要融资渠道。不过，若想持续赢得投资者的信任，企业不仅需要可观的财务报表，更需要建立技术的商业化落地能力，以此将企业发展带上一个良性循环的轨道。
智能化改革践行者的人工智能思维
各行各业以高频高价值场景为落点做持续AI泛化
企业AI转型核心为先找到最值得赋能落地的“高频高价值”场景，再以此为切入点带动企业内外部更多场景的转型升级。如今，以金融、零售、医疗和工业为代表的各行各业正以AI应用率先落地的原始场景为起点，逐步实现了更多场景的赋能延伸。愈多业务场景的泛化升级将带来企业AI应用的数据连通与业务协同等加成效应，反哺加速企业的智能化转型进程。
数据为AI应用落地核心痛点，面向AI的数据治理备受关注
数据治理在AI应用落地实施中花费90%以上的精力，而面对AI应用对数据的质量、量级、字段丰富度和实时性等维度的高质量要求，大多传统数据治理体系难以满足，因此对应数据存在反复治理、二次治理的工作，极大拉低AI应用的规模化落地效率。若企业搭建面向人工智能的数据治理体系，可将面向AI应用的数据治理环节流程化、标准化和体系化，降低数据反复准备、特征筛选、模型调优和迭代的成本，缩短AI模型的开发构建周期，最终显著提升AI应用的规模化落地效率。
人工智能企业商业化价值路径
产品化和商业模式的结合探索是AI成功商业化的正确路径
产品与商业模式之间本身具有强烈的联动关系，企业用产品探索市场与客户，加深对技术场景的理解，而这种理解可以反推商业模式，然而AI行业内一直存在着产品和商业化相互妥协和制约的现象。因此，AI服务商在思考如何实现自身商业化价值增长时，需要将产品化和商业模式二者紧密结合起来去探索正确有效的商业化路径，切勿孤立地追求优先二者满足其一，目前许多行业内企业也正积极地走在这条探索之路上。
AI平台的商业价值
具备摆脱AI碎片化落地，实现技术成果快速商业化的基础
如何在非标的定制化项目服务中找到相对标准化、效率化供给方式是AI企业实现规模化效应的破局点。AI平台可提供云化算力支持、数据治理一体化工具、通用的模型开发能力，甚至面向部分应用场景的标准化AI模型，有效加成AI企业产品化能力。目前，客户企业普遍缺乏智能应用研发与部署的支撑能力，带来了AI算法模型研发门槛高、作坊式的部署工具难以在实际生产环境中落地等问题。AI企业锚定这一市场痛点，通过扎实的平台试图让AI落地摆脱碎片化落地的状态，从而在各个行业赛道里进行广泛布局，在人员需求更低的同时，却可以获得更多的创新技术成果，并且能够把这些创新性的技术成果快速进行商业化落地。
AI工程化能力的商业价值
打通AI全链路管理能力，实现落地赋能与商业变现的双赢
人工智能应用的场景呈现出多元性日益增长、用户体验要求高、迭代迅速等特点，传统的开发方式已经无法满足企业客户的需求，亟需对数据计算分析、模型开发部署、在线训练推理、应用开发运维等各种环节进行全周期管理，因此“AI工程化”被频频提及。与学术界AI模型不同，工业界AI模型在不断调整优化的过程中凝聚和注入了企业对行业的理解和认知，模型技术能力向生产力的实质转化效率是AI工程化落地的重要依据。未来AI应用将形成专业分工更精细的产业链生态，需具备开箱即用、自主定制、成本经济的特点，而部分AI企业已经开始打造可创建和管理生产级人工智能管道工具，形成自身的AI工程化能力，提升从算力、数据、模型到上层应用的普惠性、兼容性、敏捷性、经济性和高效性。
可信人工智能的重要性升级
可信AI将逐步成为行业规范化、技术商业化的关键助推器
可信人工智能的核心原则是让AI应用满足可靠、安全、可解释、隐私保护、责任明确等条件，是落实AI治理的重要实践。AI企业作为人工智能技术产品化的主体，在可信人工智能的发展实践中正发挥着日益积极的作用。除了承担社会公益和行业引领的责任外，AI企业在商业化上面临越来越多的限制和挑战也是关键驱动因素。以可信人工智能所包含的隐私保护为例，部分AI企业在接受监管机构上市问询时，被重点要求说明其技术、业务及产品中涉及到数据应用的具体环节，相关数据来源与合规性，以及保证数据合规的具体措施等。这种自上而下的监管推动也将与企业内驱形成合力，共同推动可信人工智能的发展与实践。
大模型争论
大小模型云-边-端协同发展
自2020年6月OpenAI发布GPT-3以来，各大学术机构与科技企业争先参与到大模型竞赛中，大模型于2021年迎来了大爆发。尽管大模型的研发取得了较大进展，其发展却面临诸多卡点：1）数据方面，开发者使用的数据集可能会重复，进而导致各家的大模型能力相近。2）算法方面，参数越多、模型越复杂，模型越难以解释，复杂的大模型成为了“黑箱”，让业务使用者甚至是研发者都无法获知模型的结果与特征之间的关系。3）投入产出方面，成本与回报难匹配，训练所需的芯片成本过高、训练时间过长、碳排放量过高，而训练出的模型可能局限于某些行业业务、普适性差，让大模型沦为一次性的模型，浪费大量资源。4）应用使用方面，客户更注重模型的实用性，很多中小企业研发的小模型即可满足客户的业务需求，且成本更低，性价比更高。然而，宏观经济运行与监管、航空航天量子计算、医药研发、细胞分类等社会与自然科学领域的重大分析任务，以及跨行业的通用模型研究又恰恰需要大模型这一先进工具。对此，大小模型云-边-端协同发展的模式被提出：云端提供充足的算力与数据存储空间，容纳大模型的训练与演变，云端大模型为边、端小模型输送通用知识与能力；而在边与端侧，小模型快速执行推理任务，专注于特定场景的极致化，并向云端大模型反馈数据、成效，解决大模型数据集单一的问题，最终实现功能独立的大模型的全社会共享。
大模型商业化探讨
随着大模型技术的演进，其商业化路径将逐渐清晰
大模型意在打造成为变革性产业基础设施建设设施，通过一个巨大的模型通用式的解决各个场景的AI解决方案，与弱人工智能时代为单个产品提供单个解决方案模型的运作方式有着本质上的区别，规模化的人工智能模型生产将形成成本边际效应，极大节约AI应用的开发成本。尽管现阶段大模型处于发展初期，技术难度、资源消耗和收益模式均面临着诸多挑战，但随着大模型在技术上不断地提升与演进，未来的AI大模型的商业化路径和收益将逐渐清晰，而站在巨人肩膀上的人工智能行业也会因大模型而取得更大的进步。
低/零代码开发，AI落地千行百业
未来AI应用或将迈入“零门槛”开发时代
如今，面对复杂度较低、业务流程相对简单的开发需求，AI应用已经初步实现全流程可视化界面的开发操作，一只脚成功迈入“零门槛”开发时代。未来随着AI技术能力的突破与厂商在垂类业务逻辑的沉淀积累，低/零代码AI开发平台将赋能适用在更多行业及细分场景，让AI应用真正迈入“零门槛”开发时代。而当AI应用落地开发实现人人”触手可及“的时候，AI算法模型的内部可解释性、AI体系的自动化闭环迭代、AI数据的隐私安全等问题需进一步的关注与探讨。
原标题：《2021年中国人工智能产业研究报告（Ⅳ）》
《新一代人工智能发展规划》政策解读
点击查看源文件点击查看政策解读点击查看政策图解点击查看政策视频解读2017年7月8日，经中央政治局常委会、国务院常务会议审议通过，国务院印发《新一代人工智能发展规划》（国发〔2017〕35号）（以下简称《规划》）。国务院新闻办于7月21日举行国务院政策例行吹风会，请科学技术部副部长李萌、科技部创新发展司司长许倞、科技部高新技术发展及产业化司司长秦勇介绍《规划》有关情况，回答记者提问，并进行了相关政策解读。
《规划》是我国科技发展史上的一件大事
国务院这次发布的《规划》是我国科技发展史上的一件大事，也是科技部贯彻落实去年全国科技创新大会精神又一次有力的具体行动。
以习近平同志为核心的党中央高度重视人工智能发展。习近平总书记多次就人工智能做出重要批示，指出人工智能技术的发展将深刻改变人类社会生活、改变世界，要求抓住机遇，在这一高技术领域抢占先机，加快部署和实施。李克强总理在今年《政府工作报告》中强调，要加快人工智能等技术研发和转化，做大做强产业集群。
2016年7月徐匡迪等一批院士研究提出“启动中国人工智能重大科技计划的建议”，中央迅速采纳，决定制定新一代人工智能发展规划，实施新一代人工智能重大科技项目。
按照党中央、国务院部署，在刘延东副总理的直接领导下，科技部、发展改革委、工程院会同相关单位在系统梳理、深入研究、广泛征求意见的基础上，研究起草了《新一代人工智能发展规划》。前期，工程院组织了各方面的专家做了大量深度研究，打下了很好的基础。经过中央政治局常委会、国务院常务会议审议通过，国务院印发《新一代人工智能发展规划》。
《规划》的基本内容
1.《规划》是我们国家在人工智能领域进行的第一个系统部署的文件，也是面向未来打造我国先发优势的一个指导性文件，重点对2030年我国新人工智能发展的总体思路、战略目标和主要任务、保障措施进行系统的规划和部署。
2.《规划》描绘了未来十几年我国人工智能发展的宏伟蓝图，确立了“三步走”目标：到2020年人工智能总体技术和应用与世界先进水平同步；到2025年人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平；到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
3.《规划》提出以提升新一代人工智能科技创新能力为主攻方向，以加快人工智能与经济社会国防深度融合为主线，按照“构建一个体系、把握双重属性、坚持三位一体、强化四大支撑”进行总体布局，确定了建立开放协同的人工智能科技创新体系、培育高端高效的智能经济、建设安全便捷的智能社会、强化人工智能对国家安全的支撑、构建泛在安全高效的智能化基础设施体系、实施新一代人工智能重大科技项目等六方面的重点任务。
4.《规划》还对项目和《规划》的实施做了一些安排，包括强调发挥财政引导和市场主导作用，撬动企业、社会资源，形成财政、金融和社会资本多渠道支持新一代人工智能发展的格局，并从法律法规、伦理规范、知识产权、科学普及等方面提出保障措施。
《规划》是立足于我国发展战略需求作出的安排
中国发布人工智能规划不是为了挑战哪个国家，而是根据科技发展前沿趋势的判断，立足于我国经济社会发展的战略需求做出的安排，通过有条不紊的部署来推动人工智能研发和应用。经过多年的积累，我国人工智能研发取得了重要进展。我国在专利和论文上已经在国际上居于前列，在语音识别、机器视觉、机器翻译领域也是全球领先，而且人工智能创新创业非常活跃。最近几年发展起来的一批在全球有影响力的人工智能企业，在国际社会上得到了广泛认可。
我国在人工智能领域属于全球第一梯队
总体的判断，我国在全球是属于第一梯队。当然，要清醒地认识到自己的短板和问题。比如，在研发上，基础理论、核心算法、关键设备、高端芯片、重大产品和系统方面的原始创新成果还比较少；在人才储备上，无论从人才规模还是人才质量，现有的人才储备远远满足不了经济社会发展对于人工智能快速发展的强烈需求，特别是高端领军人才比较缺乏；在产业生态上，我国的科研机构和企业还没有形成具有国际影响力的生态圈和产业链。
在人工智能发展规制方面，我国和世界其他国家一样都很关注。科技部将在建设人工智能基础设施、政策法规、标准体系、安全和伦理等方面积极探索，更好适应人工智能发展。
新一代的人工智能主要是大数据基础上的人工智能
1956年人工智能概念提出以后，经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术的引领下，再加上经济社会发展强烈需求的驱动，人工智能出现了一些新特点，包括《规划》当中讲到“它呈现出深度学习、跨界融合、机协同、群智开放和自主智能的新特点”。新一代的人工智能主要是大数据基础上的人工智能。
人工智能有五个特点：一是从人工知识表达到大数据驱动的知识学习技术；二是从分类型处理的界面或者环境数据转向跨媒体的认知、学习、推理；三是从追求智能机器到高水平的人机、脑机相互协同和融合；四是从聚焦个体智能到基于互联网和大数据的群体智能，它可以把很多人的智能集聚融合起来变成群体智能；五是从拟人化的机器人转向更加广阔的智能自主系统，不是一个单纯的机器人才叫人工智能，比如说智能工厂、智能无人机系统，这都是人工智能。
同时，随着科学研究的进展，受脑科学成果启发的类脑智能也在蓄势待发，芯片的硬件化平台趋势也非常明显，这些重大变化使得人工智能进入到与前60年完全不同的一个阶段。
跟前60年比，新一代的人工智能不但有更高的水平，能够接近人的智能形态存在，而且以提高人的智力能力活动为主要目标，融入日常生活中。新一代人工智能对于人类现有的知识进行一些重组，比如大数据就是继理论推导、实践检验之后的一个新的科学范式、科学方法。现在人工智能还能为生产生活和资源环境等社会问题发展提出一些建议，在现实生活中已经应用的越来越多。在越来越多的一些专门领域，人工智能的博弈、识别、控制、预测甚至超过人的脑能力。新一代人工智能相关的科学发展、技术创新、软件硬件升级的整体推进，正在引发链式突破，推动经济社会发展从数字化、网络化向智能化加速跃进。
构建开放协同的人工智能技术创新体系的意义
《规划》是一个国家规划，在起草过程中凝聚了各方共识，政府针对我国人工智能的薄弱环节加强系统部署，特别是要加强技术创新的体系能力建设，所以在《规划》中专门提出建立开放协同的人工智能技术创新体系，包括提升基础研究的能力、技术创新的能力、转化应用的能力。在科技创新体系的章节中也作出了系统部署，从基础理论研究、技术创新、能力建设提出了一整套措施，特别提出开放协同，就是要充分调动政产学研用各方积极性形成发展合力，以人工智能技术创新能力的提升实现对未来智能经济、智能社会的强大支撑。
《规划》重点部署了高端高效智能经济
人工智能对于我们来说已经无处不在。所以就人工智能产业而言，《规划》重点部署的是高端、高效的智能经济，绝不是低端产业。
这些产业主要包括三个层次：第一个层次是人工智能的战略性新兴产业，包括模式识别、人脸识别、智能机器人、智能运载工具、增强现实和虚拟现实、智能终端、物联网基础器件，这是人工智能发展本身创造的新领域。第二个层次是改造和提升传统产业，让传统产业智能化，包括智能制造、智能农业、智能海洋、智能物流、智能商务。第三个层次是大力发展智能企业，对企业进行智能化升级，培育人工智能产业的领军企业。现在我国很多企业已经向智能化方向发展，也产生了很多在全球领先、有影响的企业和品牌。
从社会角度来讲，一方面利用人工智能技术的发展能使生活更加便利，另一方面人工智能技术的发展也能提高公共管理的服务水平。
加强学科建设、引进高端人才带领我国人工智能研发应用走向新高度
《规划》制定过程中，研究了国外人工智能发展的规划布局，包括国际上的一些大企业技术发展方向、成功经验和做法。它们给我国最大的启发就是对人才的重视。现在世界范围内的信息产业巨头，包括人工智能企业的巨头都在不惜一切代价从全球网罗最高端的人才。我国企业跟国外企业相比，最缺的是高端人才。因为缺乏高端人才，就有可能在高端引领方面落后，我国正在在加快赶上。
同时，我国也在积极进行学科建设，加强人工智能一级学科的建设。国内现在人工智能还不是一级学科，高端实验室也还比较少。要学习国际上的一些经验，从各方面引进一些高端人才，形成团队，带领人工智能的研发应用走向新的高度。当然，也欢迎国外人工智能领先企业参与中国人工智能研发创新和产业发展，深化合作，互利共赢。
实施新一代人工智能重大科技项目的安排部署
《规划》有一个很大的特点，就是对攻克掌握核心技术方面作了专门部署。现在新一代人工智能的发展还处在非常初级的阶段，未来对经济社会产生的影响，归根到底还是要依靠技术进步。
《规划》对核心技术布局设计了新一代人工智能科技重大项目。这个项目主要瞄准人工智能技术前沿，结合国家重大需求进行设计。比如大数据智能、跨媒体混合智能、群体智能、自主智能系统，这恰恰是新一代人工智能技术发展的重要方向。这个重大项目就是沿着这几个重点发展方向，从基础理论到前沿技术，从关键共性技术到技术支撑平台，以及未来可能的应用场景和应用领域进行了系统部署。
结合重大项目，对围绕人工智能方面的计划项目部署进行了整体安排，形成“1+N”的人工智能项目群，包括大数据、云计算、智能制造、机器人、量子计算、量子通信、脑科学等等。新一代人工智能重大科技项目，将和这些已经安排的项目任务，共同形成了国家人工智能研发的总体布局。
第一点，《规划》中提出“1+N”的人工智能项目群，其中的“1”就是新一代人工智能重大科技项目，专门针对新一代人工智能特有的基础理论、关键共性技术进行攻关。“N”就是围绕人工智能相关的基础支撑、领域应用形成的各类研发任务布局。
第二点，新一代人工智能重大科技项目的实施方式也有很多新的措施。项目将充分调动中央政府、地方政府、企业、社会资本等各方积极性，多渠道出资，共同发力，做好实施。《规划》确定的四个原则中，有一个重要原则就是市场主导，人工智能项目的实施也要采取市场主导的方式进行，政府搞核心的、重大的、前瞻的，其他的放手让企业搞。国家和企业联合起来做项目，并引入一些社会资本等。
附件：附件：2023年中国人工智能人才发展现状分析 人工智能人才缺乏、各大高校纷纷开展相关专业
当前位置：前瞻产业研究院»经济学人»研究员专栏2021年中国人工智能人才发展现状分析人工智能人才缺乏、各大高校纷纷开展相关专业UVc分享到：王蕤•2021-09-1714:20:52来源：前瞻产业研究院E19952G02023-2028年中国人工智能行业发展前景预测与投资战略规划分析报告2023-2028年全球人工智能芯片（AI芯片）行业市场调研与发展前景研究报告2023-2028年中国大数据产业发展前景与投资战略规划分析报告2023-2028年中国云计算产业发展前景预测与投资战略规划分析报告2023-2028年中国生物识别技术行业市场调研与投资预测分析报告人工智能行业主要上市公司：目前国内人工智能行业的上市公司主要有百度百度(BAIDU)、腾讯(TCTZF)、阿里巴巴(BABA)、科大讯飞(002230)等。
本文核心数据：中国企业AI应用实施中遇到的阻碍情况TOP5,人工智能各技术方向岗位人才供需比,开设“人工智能”本科专业学校数量,全国首批建设“人工智能”(080717T)本科新专业高校名单,中国龙头企业与高校合作或共建人工智能学院汇总
1、AI专业人才成为企业应用实施中最主要的问题
专业人才为企业探索AI应用中遇到的主要障碍。从对于中国企业的调查来看，企业认为推进人工智能的探索应用中遇到的最主要的障碍是AI专业人才的缺乏，占比高达51.2%，其次是高质量的数据资源，占比达到48.8%。
同时，根据工信部发布的数据显示，人工智能不同技术方向岗位的人才供需比均低于0.4，说明该技术方向的人才供应严重不足。从细分行业来看，智能语音和计算机视觉的岗位人才供需比分别为0.08、0.09，相关人才极度稀缺。
岗位人才供需比=意向进入岗位的人才数量/岗位数量。
2、国家开始重视人工智能人才培养
近年来我国人工智能学科和专业加快推进，多层次人工智能人才培养体系逐渐形成。2018年4月，教育部发布的《高等学校人工智能创新行动计划》提出，到2020年建立50家人工智能学院、研究院或交叉研究中心。
2019年，新增人工智能专业的高校达到了180所，也是2019年度新增备案专业数量较多的学科。2020年，包括清华大学、北京语言大学、华北电力大学等在内的130所高校增设人工智能专业。
2019年，教育部印发了《教育部关于公布2018年度普通高等学校本科专业备案和审批结果的通知》，全国共有35所高校获首批建设“人工智能”本科专业资格。
除了增加人工智能专业的学校数量外，中国人工智能的龙头公司也开始与高校合作共建人工智能学院。我国人工智能领域的龙头企业也纷纷与顶尖高校(独立或联合)联合成立了人工智能学院或重点实验室，旨在培养未来人工智能人才。其中，科大讯飞与西南政法大学、重庆邮电大学、南宁学院等大学展开合作;腾讯则与深圳大学、辽宁工程技术大学等院校展开合作。
以上数据参考前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》，同时前瞻产业研究院还提供产业大数据、产业研究、产业链咨询、产业图谱、产业规划、园区规划、产业招商引资、IPO募投可研、招股说明书撰写等解决方案。
更多深度行业分析尽在【前瞻经济学人AIPP】，还可以与500+经济学家/资深行业研究员交流互动。
前瞻产业研究院-深度报告REPORTS2023-2028年中国人工智能行业发展前景预测与投资战略规划分析报告本报告前瞻性、适时性地对人工智能行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来人工智能行业发展轨迹及实践经验，对人工智能行业未来...
查看详情
本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）品牌合作与广告投放请联系：0755-33015062或hezuo@qianzhan.com在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。如有IPO业务合作需求请直接联系前瞻产业研究院IPO团队，联系方式：400-068-7188。
p45q0我要投稿
UVc分享：标签：人工智能人才发展现状人工智能人才人工智能相关专业人工智能行业品牌、内容合作请点这里：寻求合作››
产业规划
园区规划
产业招商
可行性研究
碳中和
市场调研
IPO咨询
前瞻经济学人专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。前瞻产业研究院中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。相关阅读RELEVANT【行业深度】深度解读！人工智能市场高速增长谁将持续领跑全球？
【干货】人工智能芯片行业产业链全景梳理及区域热力地图
2023年中国人工智能芯片行业发展现状分析行业处于萌芽期【组图】
2023年中国人工智能芯片行业主流产品分析产品市场容量持续扩大【组图】
重磅！2023年中国及31省市人工智能芯片行业政策汇总及解读（全）“AI芯标准赋能传统行业”
【全球首发】2022全球人工智能行业企业区域大数据分析哪个国家“更卷”？
人工智能人才培养现状、问题及发展方向
7月26日，中国科协青少年科技中心、中国青少年科技辅导员协会和山东省科学技术协会共同主办的2021年中国人工智能普及教育发展论坛在山东烟台举行。论坛主题为“智能时代智创未来”，中国科学院大学人工智能学院副院长肖俊，浙江大学计算机学院教授、教育部义务教育信息科技课标组专家翁恺，山东大学软件学院副院长许信顺围绕人工智能人才培养现状、问题及如何做好人工智能人才培养等话题进行了分享和交流。小编整理专家们的干货观点，为你呈现：
2021年中国人工智能普及教育发展论坛会议现场
人工智能人才培养历史及现状
01
国内外人工智能人才培养链条初步形成
基于研究的高端人工智能人才培养已经发展了近半个世纪，肖俊梳理了国内外人工智能人才培养发展过程中有影响力的十件大事。
1958年，麦卡锡在麻省理工大学组建全球第一个人工智能实验室，开始人工智能研究和人才培养。1962年他在斯坦福组建了世界上第二个人工智能实验室。时至今日，上述两个实验室和卡内基梅隆大学的人工智能实验室排名全球前三。
2017年5月，中国科学院大学成立国内首个全面人工智能人才培养学院，随后，清华大学、北京大学、中国人民大学、南京大学等相继成立了人工智能学院和研究院。
2017年，中国《新一代人工智能发展规划》出台，明确提出要加快培养聚集人工智能高端人才，包括“人工智能+X”复合专业培养、学科交叉和产学研合作，同时实施全民智能教育项目，中小学阶段设置人工智能相关课程。
2018年4月，中国教育部印发《高等学校人工智能创新行动计划》，提出要加强理论研究，引导高校从增量知识和存量调整方面加大人工智能人才培养力度。教育部印发文件还指出，为构建人工智能多层次教育体系，中小学阶段也将引入人工智能普及教育。同时鼓励支持高校相关教学、科研资源开放，建立面向青少年和社会公众的人工智能科普公共服务平台，积极参与科普工作。
2018年5月，卡内基梅隆大学（CMU）开设全美第一个人工智能本科专业。同年，中国35所高校申请并获批招收人工智能本科专业学生，2019年之后逐渐变多，教育部也新增高职（专科）人工智能专业，2020年起开始执行。人工智能本科、专科和研究生层次的人才培养开始正式招生。
2018年来，中小学人工智能普及教育引发广泛关注。相关专业机构成立、面向中小学的教材陆续出版。2018年4月14日，中国青少年科技辅导员协会成立人工智能普及教育专业委员会；2019年5月26日中国人工智能学会成立了中小学工作委员会。如陈玉琨、汤晓鸥编写的《人工智能基础（高中版）》等。
2019年，中国人社部相关通知发布人工智能工程技术人员成为“新”的职业工种并组织专家和相关企业起草人工智能职业的相关标准和规范。
2019年3月22日，首届中国人工智能教育大会召开；2019年5月16-18日，国际人工智能与教育大会在北京召开，时任中国教育部部长陈宝生出席。
2019年9月22日，北京大学、清华大学等9所高校及清华大学出版社成立中国人工智能教育联席会，围绕全面提高人工智能人才培养这一核心，共同研讨人工智能人才培养的理念、方法和机制，抓好人工智能专业内涵建设，构建和完善“多主体协同育人长效机制”，培养高水平人工智能人才。
2020年1月21日，教育部、国家发展改革委和财政部印发的《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》出台，2020年人工智能专业研究生大幅扩招。
从上述这十件事情可以看出：尽管国内人工智能教育开始时间不长，但已受到学校、企业和政府等多方的高度重视；我国已逐步开启学位教育与职业培训协同发展的多元化人工智能人才培养模式；我国已经初步形成覆盖中小学、专科、本科、研究生等各个层次的人工智能人才培养链条，但仅仅是“初步形成”，和高等教育相比，中小学、专科和本科教育仍需再深入研究。
02
我国人工智能人才缺口大
人工智能人才紧缺是我国人工智能发展面临的主要困境。肖俊以2017年《全球AI领域人才报告》为依据，将当前中美人工智能人才数量做了一个对比。截至2017年一季度，全球人工智能领域专业技术人才数量超过190万，美国超过85万，排在第一位，而中国超过5万，全球第七，不足美国的6%。从人工智能人才从业时间的角度分析，中国高层次AI人才极其稀缺且从业时间短，美国从业十年以上的人才比我国高一倍。从年龄分布角度来看，我国也处于明显的弱势，整体而言28-37岁是AI主力军，但是在中国48岁以上的资深AI人才比较少，年轻人比较多一些。而48岁以上美国占到16.5%，中国只有3.7%。
随着诸多行业转向人工智能领域，该领域的人才需求量十分巨大。传统IT企业全面向人工智能转型，纷纷抢占智能产业制高点，如谷歌、IBM等。诸多非IT企业也开始布局人工智能产业，这与人工智能逐渐深入各行各业迫使它们不得不向该方向做转型有关，比如碧桂园就不惜重金招人工智能博士帮企业布局新发展。很多学物理化学材料专业的学生也开始学人工智能技术，希望可以通过学科交叉做出一些新的东西。据TalentSeer和AI人才社区Robin.ly联合发布的数据显示，2016-2019年，全球人工智能人才需求年均增长达74％，而我国工业和信息化部人才交流中心数据显示，当前我国人工智能产业内，有效人才缺口达30万。可见，人工智能的人才培养已是刻不容缓。
人工智能高等教育人才培养
面临的问题及解决思路
01
追求短平快，学科建设、各方协作不足
肖俊认为我国目前的人工智能高等教育主要存在三方面的问题。一是学科建设不健全。人工智能非一级学科，国内现在有几个专业都在做人工智能人才培养，包括智能科学与技术、数据科学和大数据、机器人工程等，没有明确规定人工智能人才必须在哪个系统或者哪个学院培养，导致培养体系不健全，目前每所高校的方案都不一样。二是要警惕“短平快”导向偏差。现在人人都来跨专业学人工智能，简单学一些深度学习算法和Python编程等基本能力就出去找工作。这种浅层次学习和人才培养其实不一定需要由高校承担。高校的人才培养需要贯彻落实“百年树人”思想，不能追求短平快。三是产学研协作不足。人才培养定位和目标不明确、校企供需对接不够、学校招生需求与就业脱节。
02
做好人才培养的精确分类
肖俊认为，人才培养需要执行“三个面向”方针，即面向世界科技前沿，面向国家重大需求和面向国民经济主战场，对人才做好分类培养。针对人工智能人才培养定位和目标不明确、校企供需对接不够、学校招生需求与就业脱节等问题，首先应面向不同需求做好精确分类，比如学术和职业教育层面就应区分开。研究生层面应设立创新型人才培养与技术应用型人才培养互补，专业化培育与定制型培育相结合的培养体系。职业教育层面，要充分发挥高职高专的职业教育优势，尤其是要与新公布的人工智能新职业工种和标准做好衔接。此外，人工智能教育培训市场目前也存在一定的泡沫，社会化培训也需要进一步规范，培养人才的初衷不能变。面向成人的教育，可以以技能培训为目标，并与职业资格考试结合。许信顺将高等教育人工智能人才培养划分为三个层次：一是研究人才培养，主要做核心算法、核心理念创新的工作，还有产业研发等；二是应用型人才培养，主要是把人工智能算法和具体产业相结合落地，使用现有人工智能工具，根据场景解决具体问题，做规模化、产业化；三是人工智能人才基础素养培养。
03
注重学科交叉、数理人文基础教育
“学科交叉”是肖俊谈人工智能高等人才培养的第一个关键词。针对人工智能培养体系不健全等问题，他认为首先应加快人工智能一级学科论证，充分考虑和重视人工智能的学科交叉性，考虑在2020年新增的“交叉学科”门类下进行设置；第二，应制定规范的人工智能人才培养方案，明确招生目标，合理设置招生专业和课程，充分体现人工智能与计算机科学、控制科学的异同；第三，应区分相关教材和专著，目前是专著多，教材少，应打造真正适合教学、学生使用的人工智能系列教材。针对“短平快”问题，现阶段人工智能方向的研究生应将模式识别、计算机视觉作为首选方向，像一些基础性、交叉性方向比如（脑）科学、生物信息学是很好的，但很多学生不一定很感兴趣，他们大多喜欢刷数据集，做应用，调参数，短平快的出成果。当然，出现这一现象也有老师的一部分责任，很多教师的目标在于出“成果”，这个目标本无可厚非，但不应该是人才培养的全部。事实上，不管是人工智能人才培养还是其它学科的人才培养，既然是人才培养，就一定要遵循自身规律，要注重周期性、流畅和质量。
“数理人文基础”是肖俊提出的第二个关键词。在论坛中，他介绍了卡内基梅隆大学（CMU）开设的人工智能本科专业的课程设置。它的课程很有特点，数学与统计学核心课程占6门，人文与艺术占7门，反而像计算机科学和人工智能这类核心课程加一起才8门。可见其非常重视培养学生的数理基础和人文艺术等交叉学科的整体素养的培养。这也是现在我国很多大学所做的通识教育，比如中国科学院大学的本科，前三个学期主要在学数理基础。因此，通过国外的做法可以看到，人工智能高等教育应重视对学生数理基础和人文知识素养的培养，为交叉学科做好准备。因为数学是人工智能核心算法的基础，而人文、伦理是人工智能涉及的重要方面。
04
政府、学校、企业协同
作为一个对硬件和软件要求较高的学科，在人工智能人才培养过程中联合政府、学校和企业之力实现资源共建共享是十分必要的，这也是目前很多学校在探索的路径。
许信顺提出，研究型人才的主要培养主体在高校和研究所。高校主要做规模化课程体系，而科研院所拥有非常先进的设备和优质的研究环境。除了前述两个主体外，还离不开政府和企业。政府方面，在国内能否培养哪个专业人才是需要教育部批准的，另外还需要做资金投入，需要政府拨款，与此同时政府还通过典型的项目投资来推动相关人才的培养工作。企业方面，前些年许多企业经常表示大学培养出来的人才与实际需求相脱钩，为此国家也非常重视这方面的问题，比如推动产教融合的人才培养模式。在人才培养过程中，企业可以提供相关研究环境包括数据，从而深入参与到人才培养过程中。尤其，对于应用型人才培养，更应该推动高校和企业的联合培养，高校有系统化的课程体系，企业有非常完善和成熟的应用场景，二者可以做深度结合。
肖俊也提出，校企协作是提高人工智能人才培养效率重要途径。企业、研究机构和高校有最先进的技术、设备和体验场所可以向社会开放，如中国科学院的研究所每年都有公众开放日，年年预约总是瞬间就满了，这说明社会需求量很大。如果相关企业高校都可以做这种开放日让公众去体验，那么可以在很大程度上解决这个问题。还有如百度、华为、阿里等企业，它们都有体验中心可以对学生开放，在这方面国外企业开始的很早，而国内比较晚。
中小学人工智能普及教育
面临的问题及解决思路
01
基础教育师资短缺，课程、平台不完善
人工智能普及教育要进入中小学，目前面临了三个难题。第一是没有形成成套系统的课程体系。许信顺建议，应该把人工智能基本概念、算法程序设计、机器学习、计算机视觉、人机交互等知识在整个素养培养过程当中进行融入。除了课程体系外，师资力量短缺的问题更是制约发展的瓶颈。依靠现有各个中小学的师资，把所有课程体系内容都讲通有一定难度，在济南很多学校达不到，师资配备不可能把所有课程串起来。第三，教学平台不完善。据许信顺了解，目前济南市拥有比较完善平台的学校只有一所，大部分学校现有的教学平台难以支撑实施所有的人工智能课程模块。现在很多学校有一个思路就是做高校企业的联合培养，通过资源整合来加快人才的培养进程。
02
人工智能普及教育应是一种素质教育
翁恺在论坛发言中特别强调，基础教育阶段的人工智能教育首先应是一种素质教育，即所有学生都应该在基础教育阶段学习，从小学到大学需要有连贯的规划和设计。其次是非技能性，基础教育学科的课程都是基本原理，而不是技能，既不期望学生学了语文可以成为小说家，也不期望学生学了物理可以成为机械工程师；理解人工智能的核心价值和基础理念比掌握具体可见的人工智能技术、手段更重要。
翁恺简单介绍了教育部新一轮的义务教育阶段信息科技课程标准修订的大致情况。课程的核心素养包括信息意识、计算思维、数字化学习以及信息社会责任等，课程目标是让学生具备应用信息科技解决问题的能力，养成合作与探究的习惯，自觉践行信息社会责任，为成为信息社会的合格公民打下数字化基础。
为什么要提“信息科技”而非“信息技术”呢？翁恺表示，之所以这样提，是为了使课程更具科学性。课程的科学性既体现在知识内容上，也体现在教和学的方法上，如何设计教学手段让学生自己探究来得到这些知识，这才是更重要的。教育不仅仅是使学生习得谋生的方法，正如浙江大学老校长竺可桢曾说，教育更需要有科学的方法来分析，公正的态度来计划和果断的决心来执行，而这些都应该是小学时代养成和学习的，这就是教育当中科学的体现。
03
培养孩子对机器的亲切感
生活在信息时代的孩子们，是互联网的原住民，对于非物质世界的认识，他们比以往任何一代都要深刻。因此，人工智能作为一门理解非物质世界的基础学科，需要把握好核心和出发点。在翁恺看来，人工智能教育最重要的是培养和机器打交道的能力，最原始的出发点就是让孩子喜欢计算机，培养他们对机器的亲切感，见到机器不陌生不害怕，习惯用机器解决问题。就像农民的孩子看到锄头是亲切的，医生的孩子看到听诊器是亲切的，我们的孩子看到机器应该是亲切的。在这样一个基础之上理解什么是虚拟，什么是现实，理解技术的边界和能力。
（来源：“全国青少年人工智能科普活动”微信公众号）
中国青少年科技辅导员协会
提醒广大科技辅导员
戴口罩勤洗手少集会
不给病毒可乘之机！
原标题：《人工智能人才培养现状、问题及发展方向》