2023年中国人工智能基础层行业研究报告
2021年中国人工智能基础层行业研究报告原创艾瑞艾瑞咨询
核心摘要：
算力、算法、数据是人工智能产业发展的三大要素。基于此，艾瑞定义人工智能基础层是支撑AI应用模型开发及落地的必要资源，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大模块。发展人工智能基础层可多环节提效AI技术价值的释放，解决需求方人工智能生产力稀缺问题，且依托AI基础层资源，AI企业可有效应对下游客户的长尾应用需求，将其高频应用转化为新主营业务，寻找业务增长突破点。此外，基础层工具属性标志着AI产业社会化分工的出现，AI产业正逐步进入各产业深度参与、双向共建的效率化生产阶段。据艾瑞测算，2020年人工智能基础层市场规模为497亿元，为AI产业总规模的33%，AI芯片的高增长是产业规模增长的主要拉动力。未来，伴随各行业智能化转型的迫切需求，艾瑞认为人工智能基础层的各模块工具有望走向集约型的生产模式，更多企业将自研开源框架，国产的操作系统与数据库等软件配套设施将稳步崛起，算力模块的智能服务器国产化率也将逐步提升。
人工智能基础层定义
支撑各类人工智能应用开发与运行的资源和平台
算力、算法、数据是人工智能产业发展的三大要素。据此，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模块。智能计算集群提供支撑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模块主要实现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模块则实现AI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。
人工智能基础层价值
AI基础层是支撑AI应用模型开发及落地的必要资源
开发一项人工智能模型并上线应用大致需经历从业务理解、数据采标及处理、模型训练与测试到运维监控等一系列流程。过程中需要大量的AI算力、高质量数据源、AI应用算法研发及AI技术人员的支持，但大部分中小企业用户并不具备在“算力、数据、算法”三维度从0到1部署的能力，而财力雄厚的大型企业亦需高性价比的AI开发部署方案。依靠AI基础层资源，需求企业可降低资源浪费情况、规避试错成本、提高部署应用速度。作为支撑AI模型开发及落地的必要资源，AI基础层可在多环节提效AI技术价值的释放；其工具属性也标志着AI产业社会化分工的出现，AI产业正逐步进入低技术门槛、低部署成本、各产业深度参与双向共建的效率化生产阶段。
人工智能基础层进阶之路
粗放式单点工具向集约型、精细化资源演进
智能化转型趋势下，企业部署AI项目的需求正经历着变化，对数据质量、模型生产周期、模型自学习水平、模型可解释性、云边端多样部署方式、人力成本及资金投入、投资回报率等的要求都逐步走高。在上述需求特点及自动机器学习、AI芯片硬件架构等技术发展的共同推动下，AI基础层资源的整体效能水平也在不断进化，以有效降低需求企业的AI开发成本。大致涵盖相互交融的三个阶段：雏形期，算法/算力/数据各模块多为粗放式的单点工具，新兴产品及赛道逐步出现；快速发展期，各赛道活跃度显著提升，参与者积极探索产品形态与商业模式，基础层服务体系逐步完善、资源价值凸显；最后则向成熟阶段过渡，各赛道内企业竞争加剧，逐步跑出头部企业。同时各赛道间企业生态合作增多，一站式工具平台出现。
基础层初步成型是AI产业链成熟的标志
基础层资源促进AI产业链各环节价值传导顺畅、分工明确
现阶段，已初步成型的AI基础层资源可有效缓解下游行业用户逐渐增长的、从感知到认知多类型的AI应用模型开发及部署需求。细看基础层内部，一方面，数据资源、算力资源和算法开发资源三者之间的分工更为明确和有序。数据基础服务及治理平台企业为AI产业链供应数据生产资料；智能计算集群产出高质效的生产力；智能模型敏捷开发工具则负责模型开发及模型训练等，输出AI技术服务能力，提高AI应用模型在各行业的渗透速率与价值空间。另一方面，基础层厂商的数量保持增长、厂商业务范围持续扩大，可提供专业定制化或一站式的基础资源服务。由此，基础层完成AI工业化生产准备，通过直接供应和间接供应的形式，将基础层资源传送到下游的AI应用需求端，产业链向顺畅的资源输送及价值传导方向演进。
AI基础层解决人工智能生产力稀缺问题
基础层资源缓解甲方在对待人工智能投资上的“矛盾”
根据艾瑞2020年执行的CTO调研，2019年超过51%的样本企业AI相关研发费用占总研发费用比重在10%以上，2020年65.9%的企业AI研发占比达到10%以上。一方面是甲方企业不断增长的对智能化转型的强劲需求，一方面则是在AI应用开发与部署过程中企业普遍面临的数据质量(49%)、技术人才(51%)等基础资源配置难点。且目前只有少数企业可以完成AI项目实施前设定的全部投资回报率（ROI）标准，因此甲方企业在投资AI项目时相对审慎。AI基础层资源则可有效缓解甲方利用AI技术重塑自身业务时的投资矛盾，提升模型生产效率，降低部署成本：数据资源集群具备数据采标与数据治理能力，且一站式的数据平台可对实时数据进行统一管理，提高数据利用率；高效的AI算力集群与调度系统可满足模型训练与推理需求，降低总拥有成本（TCO，TotalCostofOwnership）；基于算法开发平台演化出的语音识别、计算机视觉、机器学习等专业的AI模型生产平台，可提供高效、一站式的AI模型生产服务。
人工智能基础层产业图谱
人工智能基础层市场规模
AI企业业务突破、智能化转型趋势等多因素驱动产业规模增长
AI企业突破业务增长瓶颈的需求是人工智能基础层发展的驱动力之一。当前人工智能核心产业规模保持线性增长态势，且增速趋于平稳与常态化。为寻求产值增长突破点，AI企业发力探索开拓市场的有效手段。依托人工智能基础层资源建设，AI企业可有效应对下游客户的长尾应用需求，再将高频应用转化为新主营业务。此外“新基建”、半导体自主可控等相关政策扶持、传统行业智能化转型等因素也都在助推人工智能基础层资源的发展。据艾瑞测算，2021-2025年，人工智能基础层市场规模CAGR为38%，整体产业规模发展速度较快、空间较为广阔，总体呈现持续增长的走势。2020年，中国人工智能基础层市场规模为497亿元，为人工智能产业总规模的33%，市场规模相较去年同比增长76%，AI应用模型效率化生产平台创收增长、AI芯片市场规模随着云端训练需求出现较高增长等是同比增速的主要拉动力；2021-2024年同比增速趋于平缓下降，市场开始恢复稳步增长态势。到2025年，中国人工智能基础层市场规模将达到2475亿元，云端推理与端侧推理芯片市场持续走高使得人工智能基础层整体市场同比增速稍有抬升。
算力：超算/数据中心的存量与增量判断
从算力需求与节能减排规定看存量替换与增量增长
现有的超算/数据中心以建设单位为标准，可分为两类：1）以国家或地方为建设单位的G端超算中心，服务对象主要为国家牵头的重点科研单位、高校研究院等，此类超算中心是解决国家安全、科学进步、经济发展与国防建设等重大挑战性问题的重要手段，近两年受国家与地方的高度重视与扶持，建设与升级超算中心的趋势愈加明朗。但由于数据网络安全与计算精度要求高，建设周期较长，此类超算中心的数量在中短期内增长缓慢，长期来看则会成为替换存量与增量增长的贡献主力之一。2）以智能云厂商或IDC服务商为建设供应主体的B端超算/数据中心，为互联网公司、其他类型的企业或事业单位提供主机托管、资源出租、增值或应用服务，是存量与增量市场变化主要推力。
从市场变化趋势来看：1）存量市场：日渐增加的AI计算负载需要处理力更强、能耗承受度更大的数据中心，同时，一系列有关控制数据中心PUE值的节能审查规定相继出台，一味盲目扩建、新建数据中心已难合时宜，促进老旧数据中心绿色化改造的减量替代方案因此诞生。微型、中小型数据中心会逐渐被改造为集约型的大型数据中心，符合节能减排相关标准、机柜数量与异构组合增多的集约型超算/数据中心将在存量市场中占据主流。2）增量市场：考虑到边缘计算可分担AI计算任务、兼具低延时优势，管理边缘计算中心则需要布局相应的大型云端数据中心，故增量市场会被异构的边缘计算数据中心与云端超算或大型数据中心扩充。
算力：云化AI算力
开放共享虚拟AI算力资源，实现AI模型海量训练与推理
AI是一种高资源消耗、强计算的技术，AI算力的强弱直接关联到AI模型训练的精度与实时推理的结果。若企业独立部署AI算力，不仅需要建设或租用机房这类重资产与网络宽带资源，还需要购置物理机、内存、硬盘等硬件设备，而且购置设备存在采购周期不确定、硬件资源过度铺张、专业管理团队缺乏等问题。所以，独立部署AI算力资源是一项耗时耗力的工作。将AI算力云化是一种高效能、低成本的有力解决方案。具备先天性业务优势的云服务商搭建数据中心，先将AI服务器算力资源虚拟化，开放给AI模型开发者，做到按需分配，如给短视频业务的开发者优先配备CPU+GPU方案，而后对算力资源的调度工作进行统一管理。由此，“物美价廉”的算力有序注入各行各业的AI模型中，减轻了井喷式数据爆发所带来的模型训练负担，并能及时根据用户使用情况弹性扩充或缩减虚拟算力资源空间，达到方便、灵活、降本增效的效果。
算力：端-边-云的算力协同
端-边-云实现AI算力泛在，加速AI模型训练与推理
在人工智能与5G等技术的冲击下，设备端产生大量实时数据，若直接上传到云端处理，会对云端的带宽、算力、存储空间等造成巨大压力，同时也存在延时长、数据传输安全性等问题。因此，为缓解云端的工作负载，云计算在云与端之间新增了若干个边缘计算节点，从而衍生出端-边-云的资源、数据与算力协同。在算力协同的业务模式下，靠近云端的云计算中心承担更多的模型训练任务，贴近端侧的各设备主要进行模型推理，而二者之间的边缘侧则负责通用模型的转移学习，帮助云端分散通用模型训练任务、处理实时计算的同时，也解决了终端算力不足、计算功耗大的难题。未来，边缘计算的发展会催生出更适宜边缘计算场景的算力集群异构设计，其异构化程度将会高于传统的数据中心，异构设计的突破将会进一步提高端-边-云的整体计算效能，进而加速AI模型的训练与推理。
算力：AI芯片市场规模
当前以训练需求为主，推理需求将成为未来市场主要增长动力
AI芯片是人工智能产业的关键硬件，也是AI加速服务器中用于AI训练与推理的核心计算硬件，被广泛应用于人工智能、云计算、数据中心、边缘计算、移动终端等领域。当前，我国的AI芯片行业仍处于起步期，市场空间有待探索与开拓。据艾瑞统计与预测，2020年我国AI芯片市场规模为197亿元，到2025年，我国AI芯片市场规模将达到1385亿元，2021-2025年的相关CAGR=47%，市场整体增速较快。从AI芯片的计算功能来看，一开始，因AI应用模型首先要在云端经过训练、调优与测试，计算的数据量与执行的任务量数以万计，故云端训练需求是AI芯片市场的主流需求。而在后期，训练好的AI应用模型转移到端侧，结合实时数据进行推理运算、释放AI功能，推理需求逐渐取代训练需求，带动推理芯片市场崛起。2025年，云端推理与端侧推理成为市场规模增长的主要拉动力，提升了逐渐下滑的AI芯片市场规模同比增速。
算法：智能模型敏捷开发工具商业价值分析
API规模经济+AI应用模型效率化生产平台的杠杆增效
智能模型敏捷开发工具的出现与驱动AI业务的外因以及企业自身的内因紧密相关。从外因看，规模化多场景的业务不断衍生出长尾需求，原有的应用需及时更新；从内因看，囿于开发企业有限的经营成本与AI技术人才，其资源主要投放到现阶段的主营业务，现有人员难以推动业务的智能化改造。对此，可有效解决AI应用模型设计与开发过程中通用或特有问题的智能模型敏捷开发工具逐步成为备选方案。AI开放平台与AI应用模型效率化生产平台作为其中的代表性工具，不仅能减少由0到1的开发成本，而且可降低人工智能市场的参与门槛，提升开发效果。AI开放平台属于API资源的一种，其可帮助技术领先企业开放AI能力与先进资源，从而延伸价值链，形成规模经济与长尾经济，利用开发者的创新应用来反哺开放平台。AI应用模型效率化生产平台可提供较为前沿的技术、经济合理的模型生产经验以及为实现敏捷开发而打包的数据、算力与算法资源。具体而言，其采用自动机器学习技术，很大程度上降低了机器学习的编程工作量、节约了AI开发时间、减轻了对专业数据科学家与算法工程师的依赖，让缺乏机器学习经验的开发者用上AI，加快开发效率。
算法：智能模型敏捷开发工具增长模型
API与定制方案共拓产业广度与深度，AI柔性生产贴近需求
在人工智能产业发展的过程中，智能模型敏捷开发工具可持续拓宽与深挖AI业务的广度和深度。从广度讲，AI开放平台形成平台效应，调用平台API的开发者聚集创新，针对不同业务场景的开发成果数量逐渐增多，提高了技术产品的利用率，打造出轻量化的输出模式、降低单位开发成本，并且构建出动态更新的服务池；与此同时，一站式AI应用模型效率化生产平台逐步填充因场景多元化而衍生出的长尾业务模型，丰富模型供应市场的种类与数量。从深度讲，二者均从业务前端发掘潜在或外显的市场需求，针对刚需应用与高价值环节延伸出多条增量建设与运行需求业务线，瞄准市场风口的同时，敏捷、经济地消化个性化或碎片化需求，根据需求柔性匹配生产。
算法：AI技术开放平台市场规模
产业受API经济带动，主要收入贡献来源为计算机视觉类
随着数据量与AI算力的提升，可落地的场景与算法的交互变得愈加频繁，二者结合开发出的AI应用模型就需要更大量地通过API调用AI技术开放平台的AI技术能力。据艾瑞统计与预测，2020年我国AI技术开放平台市场规模为225亿元，到2025年，相应规模可达到730亿元，2021-2025年的相关CAGR=26%。受API经济兴起的影响，2020年市场规模同比增速走高较快，2021年下滑后恢复平稳态势。按AI技术能力划分，计算机视觉类与语音技术类收入占比达72.2%，是收入的主要贡献来源。人脸识别、人体识别、OCR文字识别、图像识别等构成了计算机视觉类业务的主要技术能力，且计算机视觉类的技术价格相较于其他技术而言更高，应用领域也更为广泛。现阶段的市场集中度相对分散，未来，能持续投入成本、研发出强劲算法的厂商有望占领更多的市场份额，市场集中度亦会因此提升。
算法：AI应用模型效率化生产平台市场规模
集成式的模型开发工具包，产业恰逢伊始，前景有待开拓
AI应用模型效率化生产平台是全栈式的、可实现流水线开发的AI应用模型生产工具。假若每次开发模型都需要算法工程师单独完成从生产到上线的全流程搭建，就会导致很多时间的耗损与AI模型开发成本的浪费。集成了数据、算法与算力的相应开发工具的模型开发工具包——AI应用模型效率化生产平台应运而生。据艾瑞统计与预测，2020年我国AI应用模型效率化生产平台市场规模为23亿元；到2025年，相应规模可达到204亿元，2021-2025年的相关CAGR=49%。2020年，AI应用模型效率化生产平台相关业务拓展相对较快、产品恰逢创收伊始阶段，故同比增速增幅较快。与此同时，因参与技术门槛偏高，具备能力的厂商较少，市场尚未形成稳定状态，市场集中度偏高。
数据：人工智能数据基础服务定义
以AI训练与调优为目的提供的数据采集、标注与质检等服务
人工智能基础数据服务是指为各业务场景中的AI算法训练与调优而提供的数据库设计、数据采集、数据清洗、数据标注与数据质检服务。整个基础数据服务流程围绕着客户需求而展开，最终产出产品以数据集与数据资源定制服务为主，为AI模型训练提供可靠、可用的数据。数据采集、数据标注与数据质检是较为重要的三个环节。数据采集是数据挖掘的基础，提供多源的一手数据和二手数据；数据标注对数据进行归类与标记，为待标注数据增加标签，生产满足机器学习训练要求的机器可读数据编码。数据质检为数据的客观性和准确性设置检验标准，从而为AI算法的性能提供保障。AI基础数据服务商可着重在以上三个环节建立壁垒，以巩固行业地位。
数据：AI基础数据服务市场规模
行业规模稳步向前，图像、语音类内容继续向新兴场景开拓
高质量的数据是提高AI应用模型训练速度与精度的必要准备之一，而行之有效的AI基础数据服务又为提高数据质量奠定了坚实的基础。因而，提供通用化、精细化、场景化的AI基础数据服务才能满足日渐增长的AI应用模型训练需求。据艾瑞统计与预测，2020年我国AI基础数据服务市场规模（含数据采集与标注）为37亿元，到2025年，相应规模可达到107亿元，2021-2025年的相关CAGR=25%，整体增速呈现稳步提升的趋势。从市场细分收入结构来看，图像类与语音类收入占总收入规模的88.8%，是业务的主要构成部分；图像类与语音类收入基本持平，图像类业务以智能驾驶与安防为主，而语音类业务以中英大语种、中国本土方言以及外国小语种为主。目前，行业中也相应地分成了以图像类或语音类为主的供应商阵营，各类供应商将会继续立足于主营业务，深挖现有应用场景的业务细分需求，从而带动未来收入的增长。
数据：面向人工智能的数据治理定义
产生于业务，围绕于AI，追溯于治理
在大数据时代背景下，金融、零售、公安、工业等不同行业的业务场景衍生出诸多应用，多元的AI模型开发需求因此产生。AI模型开发的原材料是数据，但在挖掘模型数据时，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，面向AI的数据治理这一概念也就由此出现。面向AI的数据治理是指，以具体业务产生的AI模型开发与训练为目的，使用各个数据组件与人工智能技术，对数据进行针对性与持续性的诊治与管理。相比于传统的数据治理，其更新了数据接入、数据汇聚、数据分析的功能，并新增了AI模型开发与应用组件，以应对海量实时数据迸发、模型需及时对接数据等情形。面向AI的数据治理的特点在于，其对接企业现有的数据、积累新的AI数据而非重新进行AI数据的数据库建设，而且提供针对实时数据的处理办法、优先解决业务落地的困难，并持续挖掘具体业务的数据资产价值。
数据：面向AI业务的数据积累与治理模型
锚准方向，双轮驱动为智能化转型速度与质量赋能
在大数据应用的驱动下，具有相当数据规模的企业的多条业务条线往往会产生大量的结构化与非结构化数据，愈加需要企业内部的数据及时融通，但企业不可能完全抛弃现有的数据库系统、更换一套完全符合面向AI业务开发的数据治理系统；另一方面，智能化转型浪潮推动着企业的AI应用开发需求增长，但数据开发缺少统一标准、数据与业务场景割裂，让面向AI的数据治理的工作面临两难的局面。对此，艾瑞认为面向AI的数据治理并非完全舍弃已有的数据治理结构，而是在原有的基础上，进行数据治理结构的改造，让治理工作更多为AI开发服务，从而完成AI业务数据的积累。面向AI的数据治理工作完成后，才能驱动AI应用模型开发高效、高质运行，而模型开发反过来会为面向AI的数据治理工作提供指导。业务系统与数据系统像两个锚准工作方向的齿轮，共同滚动。符合业务场景需求的AI应用模型、MLKGNLP等AI技术加速促进两个齿轮的转动，使企业的业务系统运转效率向高质高效发展，为企业带来更可观的智能化转型业务发展速度与业务服务质量。
数据：面向AI的数据治理市场规模
存在数据中台带来的业务冲击，后期恢复稳步爬坡态势
在数字化转型与智能化转型的大趋势下，数据治理工作一般伴随着数据中台的搭建以及AI应用模型的开发而展开。数据治理属于数据中台的构成组件，数据治理的工作与服务则属于数据中台建设、运营与维护中不可缺少的环节。与此同时，以AI应用模型所需的数据标准去治理数据，结合AI技术提升数据的可用度与模型的训练效率，才能够更好更快地为人工智能业务前端服务，改善供应商的业务流程与消费者的消费体验。据艾瑞统计与预测，2020年我国面向AI的数据治理市场规模为14亿元，到2025年，相应规模可达到50亿元，2021-2025年的相关CAGR=28%。2018年，数据中台概念兴起，其规模在2020年处于爆发点，而数据治理作为数据中台的组件，也于同期迎来增长爆发点，从而带动面向AI的数据治理。2020年后，数据中台市场规模增速开始降温，数据治理也随之回落，面向AI的应用模型开发业务在该过程中的带动作用有限，故2021年的业务同比增速出现拐点。后期，面向AI的应用模型开发业务的带动效应逐步凸显，规模增速呈现稳步爬坡态势。
一站式基础层资源平台
泛在需求下AI模型生产模式的变迁与资源集成
在人工智能由技术落地应用阶段向效率化生产阶段转变的背景下，艾瑞认为人工智能基础层的各模块工具有望走向集约型的生产模式。该模式主要能赋予开发企业以下价值：1）开发方式改进：从客户需求分析到解决方案部署形成独立的闭环，构建端到端的工作流。在强大算力的支持下，完成数据采集、数据标注、数据治理、数据应用、模型设计、参数调优、模型训练、模型测试、模型推理的全栈式流水线生产。2）管理效率提升：将数据、算法与算力委托给专业的服务商，实现一站式托管，打通三者之间的衔接壁垒，提高交互友好性，让开发者专注于业务。3）部署成本降低：集成数据、算法、算力的各个软件与硬件，企业可在一个平台内按需选择自己所缺失的模块组件并自由搭配，有效避免因采购不同供应商的产品或服务而带来的隐性成本损失与显性成本损失。
基础层全栈自主可控展望
自主可控稳步向前，内外兼修
信创产业涉及到核心技术问题，受到国家的大力扶持。比如，2020年12月，财政部、发改委、工信部等部门就联合发布了《关于促进集成电路产业和软件产业高质量发展企业所得税政策的公告》，文中明确指出：国家鼓励的集成电路线宽小于130纳米(含)，且经营期在10年以上的集成电路生产企业或项目，第一年至第二年免征企业所得税，可见国家对国产芯片的重视。在信创产业稳步推广的的趋势下，人工智能基础层的各模块也在逐个突破“卡脖子”的关键点，朝着全栈国产化的方向迈进。算法模块相对其他两个模块而言，因开源框架协助，算法开发相对容易，但依然面临开源框架商用版限制的潜在风险，同时，使用开源框架难以友好对接到AI企业的业务逻辑，基于这两点，部分企业已开始自研开源框架并取得一定成效；数据模块的各类操作系统与应用软件在较大程度上仍以国外企业为主导，而国产的操作系统与数据库等软件配套设施正在稳步崛起，已存在相应的产品与服务可供客户选择；算力模块的智能服务器的国产化率逐步提升，AI芯片虽然仍以英伟达的GPU为主导，但国内部分企业开始自研AI芯片，产生了一批针对通用GPU、ASIC与FPGA的先行玩家。总的来说，基础层全栈的自主可控建设还处在萌芽阶段，未来将在“可用”的建设要求上打好根基，向“好用”的状态演变，并且从以政府政策引导为主的局面向以企业产品自由竞争的局面转变。
原标题：《2021年中国人工智能基础层行业研究报告》
阅读原文
人工智能产业链的三个核心，底层硬件、通用AI技术及平台、应用领域相关公司盘点
原文：http://m.elecfans.com/article/671552.html
据腾讯研究院统计，截至2017年6月，全球人工智能初创企业共计2617家。美国占据1078家居首，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。
图片来自腾讯研究院
根据艾瑞咨询的数据，2020年全球人工智能市场规模约1190亿人民币，未来10年，人工智能将会是一个2000亿美元的市场，空间非常巨大。
本文针对人工智能产业链的三个核心，底层硬件、通用AI技术及平台、应用领域相关公司盘点。
图片来自易观
底层硬件
国际芯片巨头长期盘踞，中国初创企业很难进入
在人工智能领域，传统的芯片计算架构已无法支撑深度学习等大规模并行计算的需求，这就需要新的底层硬件来更好地储备数据、加速计算过程。
基础层主要以硬件为核心，其中包括GPU/FPGA等用于性能加速的硬件、神经网络芯片、传感器与中间件，这些是支撑人工智能应用的前提。这些硬件为整个人工智能的运算提供算力，目前多以国际芯片巨头为主。
目前在GPU领域，英伟达主打工业级超大规模深度网络加速，并于日前推出了基于Volta、首款速度超越100TFlops的处理器Tesla；英特尔主要围绕FPGA构建产业，推出了模仿人脑的人工智能芯片。谷歌也推出了第二代TPU芯片，为自己的开源TensorFlow框架提供芯片支撑。
除了这些国外的芯片行业巨头，在AI芯片领域国内还有众多的初创公司，如中星微、寒武纪以及西井科技等，但在产业布局能力和研发实力方面还远不足以匹敌国外芯片巨头。
AI芯片：提供用来加速深度神经网络、机器视觉以及其他机器学习算法的微处理器
图片来自易观
云端训练：谷歌（ASIC）、英伟达(GPU)
云端推理：谷歌（ASIC）、英伟达(GPU)、AMD(GPU)、英特尔(FPGA)、Actel(FPGA)、赛灵思(FPGA)、Altera(FPGA)（被英特尔收购）
设备端推理：高通（移动端）、深鉴科技（机器人）、寒武纪科技（移动端、CV、机器人）、地平线科技（CV、机器人、语音）、FaceOS（CV）、思必驰（语音）、声智科技（语音）、云知声（语音）、启英泰伦（语音）、耐能（IoT）、NovuMind（IoT）、微软（VR）、华捷艾米（VR）、IBM（类脑芯片）、西井科技（类脑芯片）
视觉传感器：图像传感器及视觉算法/软件解决方案提供商，用于捕捉和分析视觉信息，代替人眼做各种测量和判断
图片来自易观
激光雷达：禾赛科技、巨星科技、slamtec、robosense、北科天绘、Quanergy、Velodyne LiDAR、大族激光、中海达、擂神智能、北醒、数字绿土
毫米波雷达：博世、隼眼科技、Continental、DENSO、行易道科技、Delphi、森思泰克、智波科技、cheng-tech、ZFTRW、HELLA、Autoliv
监控摄像头：海康威视、大华、宇视科技、Tiandy、Towe、汉邦高科、泰科、亚安科技
自动驾驶摄像头：索尼、Hella、Panasonic、博世、ZFTRW、大陆、OmniVision、Mobileye
3D体感：Microsoft、苹果、华捷艾米、凌感、Vidoo、Orbbec
技术驱动层算法和计算力成主要驱动力，开源化是趋势
技术层是人工智能发展的核心，对应用层的产品智能化程度起到决定性作用，在这一发展过程中，算法和计算力对AI的发展起到主要推动作用。
技术层主要依托基础层的运算平台和数据资源进行海量识别训练和机器学习建模，以及开发面向不同领域的应用技术，包含感知智能和认知智能两个阶段。
感知智能阶段通过传感器、搜索引擎和人机交互等实现人与信息的连接，获得建模所需的数据，如语音识别、图像识别、自然语音处理和生物识别等。
认知智能阶段对获取的数据进行建模运算，利用深度学习等类人脑的思考功能得出结果，如机器学习、预测类API和人工智能平台等。在此基础上，人工智能才能够掌握“看”与“听”的基础性信息输入与处理能力，才能向用户层面演变出更多的应用型产品。
当前，国内的人工智能技术平台在应用层面主要聚焦于计算机视觉、语音识别和语言技术处理领域，国内技术层公司发展势头也随之迅猛，其中的代表性的企业包括科大讯飞、格灵深瞳、捷通华声(灵云)、地平线、SenseTime、永洪科技、旷视科技、云知声等。
AI通用技术：AI通用技术公司开始向产业链上下游延伸，用整套解决方案
深耕垂直领域
图片来自易观
计算机视觉：通过计算机视觉算法及软硬件为客户解决人脸识别、图像识别、视频分析等需求的解决方案提供商。如以下公司↓
腾讯优图、阿里巴巴、三星、微软、Intel、百度、搜狗、商汤、旷视科技、依图、云从科技、Yi+、格灵深瞳、Sensingtech、VISCQVERY、飞搜科技、图普科技、极限元、触景无限、猎户星空、深醒科技、云飞励天
人脸识别：旷视科技、腾讯优图、蚂蚁金服、FaceID、汉王科技
、Facethink、思源科安、云飞励天、商汤科技、云从科技、依图科技、百度、阿里、腾讯、科大讯飞、阅面科技、猎户星空、格灵深瞳、中科奥森、平安科技、海鑫智圣、飞搜科技、汉柏智能、人人智能、中德宏泰
视觉识别：三固科技、Perceptln、云天励飞、博云视觉、径卫视觉、飞搜科技、人人智能、埃尔森智能、魔视智能、亿图视觉、速感科技、码隆科技、深晶科技、图麟科技、图漾科技、黑眸科技、神目科技
语音识别：智能语音通过语音识别算法及硬件为客户提供语音识别/合成/交互等软件/解决方案及智能硬件产品的厂商
科大讯飞、微软、Nuance、搜狗、百度、捷通华声、腾讯、阿里巴巴、思必驰、云知声、声智科技、出门问问、普强信息、灵伴科技、极限元、Rokid、标贝科技、语智科技、Speakin、智齿客服、助理来也、京东JIMI智能客服、紫冬锐意、纳象立方
自然语言理解：通过自然语言处理/语义分析等技术提供智能聊天、对话、问答、客服机器人的技术及软件服务商
搜狗、百度、微软、阿里巴巴、腾讯、小i机器人、图灵机器人、三角兽、来也、追一科技、EMOTIBOT、智言科技、蓦然认知、分音塔科技、新译科技
机器学习|知识图谱：通过知识图谱/机器学习技术为企业和个人提供大数据分析、辅助决策服务
搜狗、百度、腾讯、阿里巴巴、微软、第四范式、爱拼、艾耕科技
云计算、大数据、算法是构成人工智能的三大要素，通用人工智能技术逐渐融入主流云计算平台，并结合大数据分析服务各行各业。
图片来自易观
大数据服务：国双、天云大数据、数据堂、明略数据、易观、Talkingdata
OS：安卓、ROS、微软、图灵机器人、Linux
云计算服务：微软WindowsAzure、CloudFoundry、RedHatOpenShift、GoogleAppEngine、百度BaiduAppEngine、阿里AliCloudEngine、新浪SinaAppEngine、腾讯云、华为、OneNET、金山云、青云、沃云、七牛云、华胜天成、世纪互联
物联网平台：特斯联、机智云、氦氪、深智云、云智易、AbleCloud、艾拉物联、青莲云
场景应用层AI与场景深度融合，领域应用更加广泛
应用层主要是基于基础层与技术层实现与传统产业的融合，实现不同场景的应用。随着人工智能在语音、语意、计算机视觉等领域实现的技术性突破，将加速应用到各个产业场景。
应用层按照对象不同，可分为消费级终端应用以及行业场景应用两部分。
消费级终端包括智能机器人、智能无人机以及智能硬件三个方向
场景应用主要是对接各类外部行业的AI应用场景。
近年来，国内企业陆续推出应用层面的产品和服务，比如小i机器人、智齿客服等智能客服，“出门问问”、“度秘”等虚拟助手，工业机器人和服务型机器人也层出不穷，应用层产品和服务正逐步落地。
IBM最早布局人工智能，“万能Watson”推动多行业变革；
百度推出“百度大脑”计划，重点布局无人驾驶汽车；
而谷歌的人工智能业务则较为繁杂，多领域遍地开花，包括AlphaGo、无人驾驶汽车、智能手术机器人等；
微软在语言语义识别、计算机视觉等领域保持领先。
除此此外，家电行业也掀起了人工智能的热潮，不少家电企业都瞄准了人工智能，潜心研发AI技术，将其应用于家电产品。今年以来，长虹、美的、格力、格兰仕等都在向智能制造转型，试图立足“SmartHome”，将人工智能和智慧家庭更紧密地结合在一起。
智能家居：切入智能家居领域的AI技术及解决方案提供商
百度、阿里巴巴、小米、搜狗、出门问问、360、云知声、科沃斯机器人、Emotibot、三角兽、图灵机器人、Rokid、思必驰、声智科技、机智云、地平线机器人、毫米科技、渡鸦科技、云丁科技、西默科技、lifesmart、百芝龙智慧科技
服务机器人：拥有家用/商用智能服务机器人技术并提供硬件产品的厂商
科沃斯机器人、优必选机器人、360、京东、Slamtec、Roobo、Canbot、Geek+、ARTrobot、Rokid、小米、出门问问、小鱼在家、擎朗、快仓、智言科技、达闼科技、库柏特、极智嘉科技、深之蓝、梅卡曼德机器人、克路德机器人、智齿科技、真机智能、海默机器人、乐聚机器人、扬天科技、ROOBO、优爱智合、普渡科技、进化者机器人、云问机器人、AICRobo、megarobo、工匠社、云迹科技、珞石机器人、若贝特机器人、上海元趣、灵伴即时、墨子AI、拓野机器人、北冥星眸、萝卜科技、游尔机器人
人机交互：Versa、叶浪智能、吉斯卡、翼石科技
图片来自易观
移动设备及软件：将AI技术用于智能手机/可穿戴设备/无人机等软硬件技术及解决方案提供商
百度、搜狗、阿里巴巴、出门问问、科大讯飞、华为、旷视科技、微软、来也
无人机：大疆创新、亿航智能、Yuneec、极飞科技、零零无限、零度智控、TOPXGun、奇蛙智能、扩博智能、德知航创、3DRobotics、Parrot（派诺特）、AscTec、Microdrones、AEE一电、PowerVision、智能鸟、红鹏、FlytrexSky、Skycatch、华科尔、独角兽FPV、澄星、YUNEEC
智能驾驶：为智能驾驶提供视觉传感器/解决方案及整车的技术/产品提供商，不含车载智能语音语义厂商。
驭势、Momenta、奇点汽车、蔚来、图森、易航智能、Minieye、景驰科技、SmarterEye、ZongMu、极自、饮冰科技、极目智能、清智科技、智行者科技、Roadster.ai、Drive.ai、图森为了、FMC汽车、未来黑科技、踏歌智行、中科慧银、斑马数智、极奥科技
行业应用：将AI通用技术应用于金融、安防、建筑、医疗、教育、零售/电商、视频/娱乐/社交等领域，或传统行业通过研发AI技术赋能自身业务以实现降本增效、提升用户体验的公司。
图片来自易观
金融行业：旷视、商汤、依图、云从、博易识道、Yi+、捷通华声、第四范式、京东金融、Pintec
安防行业：旷视、商汤、依图、云从、特斯联、海康威视、东方网力
医疗行业：iCarbonX、腾讯觅影、搜狗明医、天智航、康夫子、万里云、汇医慧影、医渡云、羽医甘蓝、医拍智能、推想科技、图玛深维、体素科技、E诊断、迪英加、智成科技、视见医疗、雅森科技、海鹅科技、联影医疗、汇医慧影、深睿医疗、PereDoc、伦琴医疗、人和未来、希氏异构、康夫子、博实股份、妙手机器人、璟和技创
企业服务：布本智能、闪银奇异科技、深兰科技、冰鉴科技、法里、飞蝉智投、NewsBreak、PaperWeekly、Video++、BigQuant、墨丘科技、特斯联科技、华瑞新智、DeepBrain、妙盈科技、华瑞新智科技、追一科技、Aibee、文安智能、助理来也
教育行业：科大讯飞、高木、百度作业帮、IPIN、优必选、云知声、学霸君、小猿搜题、英语流利说、嘿哈科技
客服行业：小i机器人、图灵机器人、三角兽、蓦然认知、Emotibot、灵伴科技、追一科技、智言科技
视频|娱乐：Yi+、爱奇艺、Viscqvery、极限元、图普科技、华捷艾米、Video++
零售|电商：阿里巴巴、京东、旷视、Yi+、甘来
建筑：旷视、商汤、特斯联、小库科技、马良行
法律：华宇、法狗狗、法律谷、理脉
招聘：拉勾、IPIN、辈出
新闻资讯：今日头条、腾讯、微信公众号、一点资讯
以下为国内知名投资机构在人工智能领域的代表性投资：
真格基金：地平线机器人、智齿科技、格灵深瞳、助理来也、亿航无人机、泼辣熊、零零无限科技。
红杉资本中国：地平线机器人、格灵深瞳、助理来也、大疆科技等。
IDG资本：小i机器人、智齿科技、SenseTime、碳原子科技、芋头科技、零零无限科技、科沃斯机器人等。
创新工场：蓝胖子机器人、小雨在家、易致机器人、旷世科技等。
金沙江创投：地平线机器人、零零无限科技、天机等。
北极光创投：图谱科技、进化动力等。
启明创投：云知声、旷世科技等。
东方富海：亿航无人机、永洪科技等。
联想之星：旷世科技、思必驰、乐驾等。
晨兴资本：地平线机器人、碳原子科技、美洽等。
英诺天使基金：臻迪智能、通用机器人、速感科技等。
GGV纪源资本：亿航无人机、深之蓝水下机器人、元趣味等。
湖杉资本：天博智、元趣等。
光速安振中国创业投资：助理来也、小鱼在家等。
高通：云知声、七鑫易维等。
线性资本：地平线机器人、芋头科技等。
经纬中国：Camera360、永洪科技等。
达泰资本：金石机器人、永洪科技。
极客帮创投：异构智能、碳原子科技等
以下为《互联网周刊》与eNet研究院评选的2017年度人工智能企业百强
2017年度人工智能企业百强排名企业领域1百度开放的人工智能服务平台2阿里巴巴互联网综合服务提供商3腾讯互联网综合服务提供商4华为人工智能自动化业务、智能芯片5平安集团人工智能金融研发平台6搜狗综合人工智能解决方案平台7科大讯飞智能语音技术提供商8华大基因多组学精准检测、医疗数据运营服务提供商9珍岛集团SaaS级智能营销云平台（Digi-MarketingAI）10中科创达智能终端平台技术提供商11博实股份智能成套装备系统解决方案提供商12全志科技智能应用处理器SoC和智能模拟芯片设计厂商13汉王科技文字识别技术与智能交互14商汤科技人工智能视觉深度学习平台15智车优行互联网思维造车科技公司16face++ 旷视科技人工智能产品和行业解决方案提供商17智臻智能智能机器人技术提供和平台运营商18出门问问自主语音识别、语义分析、垂直搜索19七牛云计算机视觉领域AI创新服务商20GEO集奥聚合第三方数据整合和场景化应用平台21Chinapex创略企业级智能客户数据平台22TalkingData腾云天下移动互联网大数据平台23碳云智能健康大数据平台24寒武纪科技深度学习专用的智能芯片25Rokid智能机器人研发科技公司26暴风AI电视AI电视开发27中星微电子芯片设计企业28依图科技计算机视觉科技公司29触宝AI输入法30智能管家智能硬件科技公司31地平线机器人嵌入式人工智能和系统级解决方案提供商32云知声物联网人工智能服务33达闼科技云端智能机器人运营商34盛开互动视觉识别和人工智能技术研发公司35优必选科技智能家庭机器人研发36旗瀚科技自动化控制、人工智能技术、云平台服务37云从科技人脸识别及计算机视觉研发38阅面科技深度学习和嵌入式视觉39玻森数据中文自然语言分析云服务提供商40图森未来城际物流运输自动驾驶解决方案提供商41Geek+物流仓储智能机器人科技公司42数据堂大数据服务平台43Video++消费级视频的AI科技44深鉴科技深度学习处理器解决方案45掌贝智能化的店铺营销服务46A.I.Nemo小鱼在家互联网硬件和智能家电的创新型公司47丁盯智能智能家居、智能生活硬件技术公司48永洪科技大数据服务和BI商业智能分析服务商49臻迪智能工业级无人机及机器人开发公司50诺亦腾动作姿态捕捉系统研发51卓翼科技通讯、计算机、消费类电子产品研发52汇医慧影第三方的医学影像咨询平台53Momenta无人驾驶解决方案提供商54体素科技人工智能医疗影像服务55思必驰智能硬件领域语音公司56瑞为技术视觉感知技术方案提供商57海致网络可视化大数据分析服务提供商58乂学教育人工智能自适应网络教育公司59思岚科技激光雷达机器人定位导航解决方案供应商60捷通华声语音、手写识别等智能人机交互61格林深瞳计算机视觉和深度学习技术以及嵌入式硬件研发62速感科技以机器视觉为核心的人工智能创业公司63佑驾创新汽车ADAS驾驶辅助系统研发商64图玛深维自动化辅助诊断系统与医学数据分析系统65云天励飞视觉人工智能领域66中科汇联专注于软件开发、咨询服务的互联网公司67涂图(TuSDK )视频图像服务商68医渡云大数据医疗的科技公司69推想科技医疗服务推想深度人工智能70镭神智能激光雷达解决方案提供商71亮风台AR核心技术与产品研发72零零无限科技无人机技术公司73图普科技图像识别服务供应商74冰鉴科技人工智能第三方独立征信平台75公子小白陪伴型机器人研发商76图灵机器人个性化智能机器人平台77飞搜科技人脸识别、图像识别78三角兽科技中文智能交互系统79普强信息智能语音识别和语言处理技术80猎萝卜智能猎头招聘平台81智齿科技智能客服技术开发商82猛犸反欺诈业务反欺诈服务商83贝尔科教机器人儿童培训84智位股份开源硬件、机器人产品服务商85远鉴科技专注人工智能生物识别领域86声智科技人工智能交互与声学解决方案服务商87埃夫特智能工业机器人设计、研发、制造与系统应用开发公司88中科视拓人脸识别技术89祈飞科技智能机器人系统方案商90水滴科技计算机视觉技术91米文动力机器人智能控制系统解决方案提供商92中科奥森人脸识别和智能视频技术93驭势科技无人驾驶解决方案提供商94速腾聚创机器人感知技术研发及相关设备提供商95第四范式人工智能技术与服务提供商96ImageQ大数据语义分析云平台97linkface深度学习技术和计算机视觉研究98云洲智能自动智能无人船99擎朗智能智能机器人研发生产100智行者科技无人驾驶解决方案提供商人工智能产业发展现状与四大趋势
随着全球新一轮科技革命和产业变革孕育兴起，人工智能等数字技术加速演进，引领数字经济蓬勃发展，对各国科技、经济、社会等产生深远影响，已成为驱动新一轮科技革命和产业变革的重要力量。近年来，各国政府及相关组织持续加强人工智能战略布局，以人工智能为核心的集成化技术创新成为重点，人工智能相关技术产业化和商业化进程不断提速，正在加快与千行百业深度融合，其“头雁”效应得以充分发挥。此外，全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识。
一人工智能的内涵与产业链
（一）人工智能的内涵
人工智能（ArtificialIntelligence）作为一门前沿交叉学科，与数学、计算机科学、控制科学、脑与认知科学、语言学等密切相关，自1956年首次提出以来，各方对其界定一直存在不同的观点。通过梳理不同研究机构和专家学者提出的相关概念，关于“人工智能”的内涵可总结如下：人工智能是指研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学，赋予机器模拟、延伸、扩展类人智能，实现会听、会看、会说、会思考、会学习、会行动等功能，本质是对人的意识和思想过程的模拟。
图1：人工智能内涵示意图
来源：火石创造根据公开资料绘制
（二）人工智能的发展历程
从1956年“人工智能”概念在达特茅斯会议上首次被提出至今，人工智能发展已经历经60余年，经历了三次发展浪潮。当前全球人工智能正处于第三次发展浪潮之中。
第一次浪潮（1956－1980年）：训练机器逻辑推理能力。在1956年达特茅斯会议上，以“人工智能”概念被提出为标志，第一次发展浪潮正式掀起，该阶段的核心是：让计算机具备逻辑推理能力。这一时期内，开发出了计算机可以解决代数应用题、证明几何定理、学习和使用英语的程序，并且研发出第一款感知神经网络软件和聊天软件，这些初期的突破性进展让人工智能迎来发展史上的第一个高峰。但与此同时，受限于当时计算机的内存容量和处理速度，早期的人工智能大多是通过固定指令来执行特定问题，并不具备真正的学习能力。
第二次浪潮（1980－2006年）：专家系统应用推广。1980年，以“专家系统”商业化兴起为标志，第二次发展浪潮正式掀起，该阶段的核心是：总结知识，并“教授”给计算机。这一时期内，解决特定领域问题的“专家系统”AI程序开始为全世界的公司所采纳，弥补了第一次发展浪潮中“早起人工智能大多是通过固定指令来执行特定问题”，使得AI变得实用起来，知识库系统和知识工程成为了80年代AI研究的主要方向，应用领域不断拓宽。
第三次浪潮（2006年至今）：机器学习、深度学习、类脑计算提出。以2006年Hinton提出“深度学习”神经网络为标志，第三次发展浪潮正式掀起，该阶段的核心是实现从“不能用、不好用”到“可以用”的技术突破。与此前多次起落不同，第三次浪潮解决了人工智能的基础理论问题，受到互联网、云计算、5G通信、大数据等新兴技术不断崛起的影响，以及核心算法的突破、计算能力的提高和海量数据的支撑，人工智能领域的发展跨越了从科学理论与实际应用之间的“技术鸿沟”，迎来爆发式增长的新高潮。
图2：人工智能的三次发展浪潮
来源：火石创造根据公开资料绘制
（三）人工智能的产业链
人工智能产业链分为三层：基础层、技术层以及应用层。基础层涉及数据收集与运算，这是人工智能的发展基础，包括智能芯片、智能传感器、大数据与云计算等；技术层处理数据的挖掘、学习与智能处理，是连接基础层与应用层的桥梁，包括机器学习、类脑智能计算、计算机视觉、自然语言处理、智能语音、生物特征识别等；应用层是将人工智能技术与行业的融合发展的应用场景，包括智能机器人、智能终端、智慧城市、智能交通、智能制造、智能医疗、智能教育等。
图3：人工智能产业链
来源：火石创造根据公开资料绘制
二全球人工智能产业发展现状
（一）人工智能产业规模保持快速增长
近年来人工智能技术飞速发展，对人类社会的经济发展以及生产生活方式的变革产生重大影响。人工智能正全方位商业化，AI技术已在金融、医疗、制造、教育、安防等多个领域实现技术落地，应用场景也日益丰富。人工智能的广泛应用及商业化，加快推动了企业的数字化、产业链结构的优化以及信息利用效率的提升。全球范围内美国、欧盟、英国、日本、中国等国家和地区均大力支持人工智能产业发展，相关新兴应用不断落地。根据相关统计显示，全球人工智能产业规模已从2017年的6900亿美元增长至2021年的3万亿美元，并有望到2025年突破6万亿美元，2017－2025年有望以超30％的复合增长率快速增长。
图4：2017－2025年全球人工智能产业规模（单位：亿美元）
数据来源：火石创造根据公开资料整理
（二）全球主要经济体争相布局，中美两国占据领先位置
人工智能作为引领未来的战略性技术，目前全球主要经济体都将人工智能作为提升国家竞争力、维护国家安全的重大战略。美国处于全球人工智能领导者地位，中国紧随其后，欧洲的英国、德国、法国，亚洲的日本、韩国，北美的加拿大等国也具有较好的基础。从全球各国人工智能企业数量来看，美国人工智能企业数量在全球占比达到41％，中国占比为22％，英国为11％，以上三个国家的人工智能企业数量合计占到全球的七成以上。
图5：全球人工智能企业数量分布
数据来源：中国信通院，火石创造整理
（三）公共数据集不断丰富，关键平台逐步形成
全球数据流量持续快速增长，为深度学习所需要的海量数据提供良好基础。商业化数据产业发展迅速，为企业提供海量图片、语音等数据资源和相关服务。公共数据集为创新创业和行业竞争提供优质数据，也为初创企业的发展带来必不可少的资源。优势企业例如Google、亚马逊、Facebook等都加快部署机器学习、深度学习底层平台，建立产业事实标准。目前业内已有近40个各类AI学习框架，生态竞争十分激烈。中国的代表企业如科大讯飞、商汤科技利用技术优势建设开放技术平台，为开发者提供AI开发环境，建设上层应用生态。
（四）人工智能技术飞速发展，应用持续深入
近十年来，得益于深度学习等算法的突破、算力的不断提升以及海量数据的持续积累，人工智能真正大范围地从实验室研究走向产业实践。以深度学习为代表的算法爆发拉开了人工智能浪潮的序幕，在计算机视觉、智能语音、自然语言处理等领域广泛应用，相继超过人类识别水平。人工智能与云计算、大数据等支撑技术的融合不断深入，围绕着数据处理、模型训练、部署运营和安全监测等各环节的工具链不断丰富。工程化能力持续增强，人工智能的落地应用和产品交付更加便捷高效。AI在医疗、制造、自动驾驶、安防、消杀等领域的应用持续深入，特别是新冠疫情以来，社会的数字化、智能化转型不断提速，进一步推动人工智能应用迈入快车道。
三全球人工智能产业发展趋势
（一）算法、算力和数据作为人工智能产业的底层支撑，仍是全球新一代人工智能产业的核心引擎
算法、算力和数据被全球公认为是人工智能发展的三驾马车，也是推动人工智能发展的重要基础。在算力层面，单点算力持续提升，算力定制化、多元化成为重要发展趋势；计算技术围绕数据处理、数据存储、数据交互三大能力要素演进升级，类脑芯片、量子计算等方向持续探索智能芯片的技术架构由通用类芯片发展为全定制化芯片，技术创新带来的蓝海市场吸引了大量的巨头企业和初创企业进入产业。在算法层面，Cafe框架?CNTK框架等分别针对不同新兴人工智能算法模型进行收集整合，可以大幅度提高算法开发的场景适用性，人工智能算法从RNN、LSTM到CNN过渡到GAN和BERT还有GPT－3等，不断涌现的新兴学习算法将在主流机器学习算法模型库中得到更高效的实现。在数据层面，以深度学习为代表的人工智能技术需要大量的标注数据，催生了专业的技术服务，数据服务进入深度定制化阶段。
（二）全球新兴技术持续孕育涌现，以人工智能为核心的集成化技术创新成为重点
随着全球虚拟现实、超高清视频、新兴汽车电子等新技术、新产品将不断孕育涌现，并与人工智能加速交叉集成，推动生产生活方式和社会治理方式智能化变革的经济形态；与此同时，人工智能与5G、云计算、大数据、工业互联网、物联网、混合现实（MR）、量子计算、区块链、边缘计算等新一代信息技术互为支撑。这意味着以交叉融合为特征的集成化创新渐成主流，多种新兴技术交叉集成的价值将使人工智能发挥更大社会经济价值。例如：人工智能与汽车电子领域加速融合，实现感知、决策、控制等专用功能模块，推动形成自动驾驶、驾驶辅助、人车交互、服务娱乐应用系统；人工智能与虚拟现实技术相结合，为生产制造、家装等提供工具，并为虚拟制造、智能驾驶、模拟医疗、教育培训、影视娱乐等提供场景丰富、互动及时的平台环境等。
（三）新基建春风与场景赋能双轮驱动，全球泛在智能时代加速来临
在新冠肺炎疫情成为全球发展“新常态”背景下，全球主要经济体均面临经济社会创新发展和转型升级挑战，对人工智能的运用需求愈加迫切，纷纷推动人工智能与实体经济加速融合，助力实现新常态下产业转型升级。一方面，全球大力布局智能化基础设施建设和传统基础设施智能化升级，推动网络泛在、数据泛在和应用需求泛在的万物互联生态加速实现，为人工智能的应用场景向更多行业、更多领域、更多环节、更多层面拓展奠定基础；另一方面，AI应用场景建设成为国内外关注和紧抓的关键举措，面向医疗健康、金融、供应链交通、制造、家居、轨道交通等重点应用领域，积极构建符合本地优势和发展特点的人工智能深度应用场景，探索智能制造、智能物流、智能农业、智慧旅游、智能医疗、智慧城市等模式创新和业态创新，同时典型场景建设也吸引了全球资本市场的重点关注，泛在化智能经济发展时代即将到来。
（四）全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识
随着全球人工智能发展步入蓬勃发展阶段，人工智能深入赋能引发的挑战与风险广受关注，并在全球范围内掀起了人工治理浪潮。2019年6月，二十国集团（G20）批准了倡导人工智能使用和研发“尊重法律原则、人权和民主价值观”的《G20人工智能原则》，成为人工智能治理方面的首个政府间国际公约，发展安全可信的人工智能已经成为全球共识。此后，全球各国纷纷加速完善人工智能治理相关规则体系，聚焦自动驾驶、智慧医疗和人脸识别等重点领域出台分级分类的监管措施，推动人工治理从以“软法”为导向的社会规范体系，向以“硬法”为保障的风险防控制度体系转变。与此同时，面向人工智能治理体系建设和打造安全可信生态的相关需求，围绕着安全性、稳定性、可解释性、隐私保护、公平性等方面的可信人工智能研究持续升温，其理念逐步贯彻到人工智能的全生命周期之中，基于模糊理论的相关测试技术、AI结合隐私计算技术、引入公平决策量化指标的算法模型等新技术陆续涌现，产业实践不断丰富，已经演变为落实人工智能治理相关要求的重要方法论。
原文标题 : 全球视野下人工智能产业发展现状与四大趋势
什么是人工智能人工智能的层次结构有哪些
人工智能（ArtificialIntelligence）：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年首次提出，当时的定义为“制造智能机器的科学与工程”。人工智能目的就是让机器能够像人一样思考，让机器拥有智能。时至今日，人工智能的内涵已经大大扩展，是一门交叉学科。
人工智能的层次结构
基础设施层：回顾人工智能发展史，每次基础设施的发展都显著地推动了算法层和技术层的演进。从20世纪70年代的计算机的兴起，80年代计算机的普及，90年代计算机运算速度和存储量的增加，互联网兴起带来的电子化，均产生了较大的推动作用。到21世纪，大规模集群的出现，大数据的积累，GPU与异构/低功耗芯片兴起带来的运算力的提升，促成了深度学习的诞生，点燃了人工智能的爆**潮，其中海量的训练数据是人工智能发展的重要燃料。
算法层：机器学习是指利用算法使计算机能够像人一样从数据中挖掘出信息，而深度学习作为机器学习的一个子集，相比于其他学习方法，使用了更多的参数、模型也更复杂，从而使得模型对数据的理解更加深入也更加智能。
计算机视觉：计算机视觉的历史可以追溯到1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉我们它通过摄像头看到了什么，这也被认为是计算机视觉最早的任务描述。计算机视觉借鉴了人类看东西的方法，即“三维重构”与“先验知识库”。计算机视觉除了在比较成熟的安防领域外，也应用于金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等。
语音处理：让机器学会“听”和“说”，实现与人类的无障碍交流一直是人工智能、人机交互领域的一大梦想。1920年生产的“RadioRex”玩具狗可能是世界上最早的语音识别器，第一个真正基于语音识别系统出现在1952年，AT&T贝尔实验室开发的Audrey的语音识别系统，能够识别10个英文数字，正确率高达98%。比如AppleSiri，Echo等。
自然语言处理：人类的日常社会活动中，语言交流是不同个体间信息交换和沟通的重要途径。对机器而言，能否自然的与人类进行交流、理解人类表达的意思并作出合适的回应，被认为是衡量其智能程度的一个重要参照。
规划决策系统：人工智能规划决策系统的发展，一度是以棋类游戏为载体的。比如，AlphaGo战胜李世石，Master对顶级选手取得60连胜，机器人，无人车。
本文由人工智能提供，https://www.ai-indeed.com