人工智能的十大应用家居人工智能能做什么工作

发表时间：2023-07-04 10:42:56

人工智能的十大应用

导读：人工智能已经逐渐走进我们的生活，并应用于各个领域，它不仅给许多行业带来了巨大的经济效益，也为我们的生活带来了许多改变和便利。下面，我们将分别介绍人工智能的一些主要应用场景。

作者：王健宗何安珣李泽远

来源：大数据DT（ID：hzdashuju）

01 无人驾驶汽车

无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶控制器来实现无人驾驶。无人驾驶中涉及的技术包含多个方面，例如计算机视觉、自动控制技术等。

美国、英国、德国等发达国家从20世纪70年代开始就投入到无人驾驶汽车的研究中，中国从20世纪80年代起也开始了无人驾驶汽车的研究。

2005年，一辆名为Stanley的无人驾驶汽车以平均40km/h的速度跑完了美国莫哈维沙漠中的野外地形赛道，用时6小时53分58秒，完成了约282千米的驾驶里程。

Stanley是由一辆大众途锐汽车经过改装而来的，由大众汽车技术研究部、大众汽车集团下属的电子研究工作实验室及斯坦福大学一起合作完成，其外部装有摄像头、雷达、激光测距仪等装置来感应周边环境，内部装有自动驾驶控制系统来完成指挥、导航、制动和加速等操作。

2006年，卡内基梅隆大学又研发了无人驾驶汽车Boss，Boss能够按照交通规则安全地驾驶通过附近有空军基地的街道，并且会避让其他车辆和行人。

近年来，伴随着人工智能浪潮的兴起，无人驾驶成为人们热议的话题，国内外许多公司都纷纷投入到自动驾驶和无人驾驶的研究中。例如，Google的GoogleX实验室正在积极研发无人驾驶汽车GoogleDriverlessCar，百度也已启动了“百度无人驾驶汽车”研发计划，其自主研发的无人驾驶汽车Apollo还曾亮相2018年央视春晚。

但是最近两年，发现无人驾驶的复杂程度远超几年前所预期的，要真正实现商业化还有很长的路要走。

02 人脸识别

人脸识别也称人像识别、面部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别涉及的技术主要包括计算机视觉、图像处理等。

人脸识别系统的研究始于20世纪60年代，之后，随着计算机技术和光学成像技术的发展，人脸识别技术水平在20世纪80年代得到不断提高。在20世纪90年代后期，人脸识别技术进入初级应用阶段。目前，人脸识别技术已广泛应用于多个领域，如金融、司法、公安、边检、航天、电力、教育、医疗等。

有一个关于人脸识别技术应用的有趣案例：张学友获封“逃犯克星”，因为警方利用人脸识别技术在其演唱会上多次抓到了在逃人员。

2018年4月7日，张学友南昌演唱会开始后，看台上一名粉丝便被警方带离现场。实际上，他是一名逃犯，安保人员通过人像识别系统锁定了在看台上的他；

2018年5月20日，张学友嘉兴演唱会上，犯罪嫌疑人于某在通过安检门时被人脸识别系统识别出是逃犯，随后被警方抓获。随着人脸识别技术的进一步成熟和社会认同度的提高，其将应用在更多领域，给人们的生活带来更多改变。

03机器翻译

机器翻译是计算语言学的一个分支，是利用计算机将一种自然语言转换为另一种自然语言的过程。机器翻译用到的技术主要是神经机器翻译技术（NeuralMachineTranslation，NMT），该技术当前在很多语言上的表现已经超过人类。

随着经济全球化进程的加快及互联网的迅速发展，机器翻译技术在促进政治、经济、文化交流等方面的价值凸显，也给人们的生活带来了许多便利。例如我们在阅读英文文献时，可以方便地通过有道翻译、Google翻译等网站将英文转换为中文，免去了查字典的麻烦，提高了学习和工作的效率。

04声纹识别

生物特征识别技术包括很多种，除了人脸识别，目前用得比较多的有声纹识别。声纹识别是一种生物鉴权技术，也称为说话人识别，包括说话人辨认和说话人确认。

声纹识别的工作过程为，系统采集说话人的声纹信息并将其录入数据库，当说话人再次说话时，系统会采集这段声纹信息并自动与数据库中已有的声纹信息做对比，从而识别出说话人的身份。

相比于传统的身份识别方法（如钥匙、证件），声纹识别具有抗遗忘、可远程的鉴权特点，在现有算法优化和随机密码的技术手段下，声纹也能有效防录音、防合成，因此安全性高、响应迅速且识别精准。

同时，相较于人脸识别、虹膜识别等生物特征识别技术，声纹识别技术具有可通过电话信道、网络信道等方式采集用户的声纹特征的特点，因此其在远程身份确认上极具优势。

目前，声纹识别技术有声纹核身、声纹锁和黑名单声纹库等多项应用案例，可广泛应用于金融、安防、智能家居等领域，落地场景丰富。

05智能客服机器人

智能客服机器人是一种利用机器模拟人类行为的人工智能实体形态，它能够实现语音识别和自然语义理解，具有业务推理、话术应答等能力。

当用户访问网站并发出会话时，智能客服机器人会根据系统获取的访客地址、IP和访问路径等，快速分析用户意图，回复用户的真实需求。同时，智能客服机器人拥有海量的行业背景知识库，能对用户咨询的常规问题进行标准回复，提高应答准确率。

智能客服机器人广泛应用于商业服务与营销场景，为客户解决问题、提供决策依据。同时，智能客服机器人在应答过程中，可以结合丰富的对话语料进行自适应训练，因此，其在应答话术上将变得越来越精确。

随着智能客服机器人的垂直发展，它已经可以深入解决很多企业的细分场景下的问题。比如电商企业面临的售前咨询问题，对大多数电商企业来说，用户所咨询的售前问题普遍围绕价格、优惠、货品来源渠道等主题，传统的人工客服每天都会对这几类重复性的问题进行回答，导致无法及时为存在更多复杂问题的客户群体提供服务。

而智能客服机器人可以针对用户的各类简单、重复性高的问题进行解答，还能为用户提供全天候的咨询应答、解决问题的服务，它的广泛应用也大大降低了企业的人工客服成本。

06智能外呼机器人

智能外呼机器人是人工智能在语音识别方面的典型应用，它能够自动发起电话外呼，以语音合成的自然人声形式，主动向用户群体介绍产品。

在外呼期间，它可以利用语音识别和自然语言处理技术获取客户意图，而后采用针对性话术与用户进行多轮交互会话，最后对用户进行目标分类，并自动记录每通电话的关键点，以成功完成外呼工作。

从2018年年初开始，智能外呼机器人呈现出喷井式兴起状态，它能够在互动过程中不带有情绪波动，并且自动完成应答、分类、记录和追踪，助力企业完成一些烦琐、重复和耗时的操作，从而解放人工，减少大量的人力成本和重复劳动力，让员工着力于目标客群，进而创造更高的商业价值。当然智能外呼机器人也带来了另一面，即会对用户造成频繁的打扰。

基于维护用户的合法权益，促进语音呼叫服务端健康发展，2020年8月31日国家工信部下发了《通信短信息和语音呼叫服务管理规定（征求意见稿）》，意味着未来的外呼服务，无论人工还是人工智能，都需要持证上岗，而且还要在监管的监视下进行，这也对智能外呼机器人的用户体验和服务质量提出了更高的要求。

07智能音箱

智能音箱是语音识别、自然语言处理等人工智能技术的电子产品类应用与载体，随着智能音箱的迅猛发展，其也被视为智能家居的未来入口。究其本质，智能音箱就是能完成对话环节的拥有语音交互能力的机器。通过与它直接对话，家庭消费者能够完成自助点歌、控制家居设备和唤起生活服务等操作。

支撑智能音箱交互功能的前置基础主要包括将人声转换成文本的自动语音识别（AutomaticSpeechRecognition，ASR）技术，对文字进行词性、句法、语义等分析的自然语言处理（NaturalLanguageProcessing，NLP）技术，以及将文字转换成自然语音流的语音合成技术（TextToSpeech，TTS）技术。

在人工智能技术的加持下，智能音箱也逐渐以更自然的语音交互方式创造出更多家庭场景下的应用。

08个性化推荐

个性化推荐是一种基于聚类与协同过滤技术的人工智能应用，它建立在海量数据挖掘的基础上，通过分析用户的历史行为建立推荐模型，主动给用户提供匹配他们的需求与兴趣的信息，如商品推荐、新闻推荐等。

个性化推荐既可以为用户快速定位需求产品，弱化用户被动消费意识，提升用户兴致和留存黏性，又可以帮助商家快速引流，找准用户群体与定位，做好产品营销。

个性化推荐系统广泛存在于各类网站和App中，本质上，它会根据用户的浏览信息、用户基本信息和对物品或内容的偏好程度等多因素进行考量，依托推荐引擎算法进行指标分类，将与用户目标因素一致的信息内容进行聚类，经过协同过滤算法，实现精确的个性化推荐。

09医学图像处理

医学图像处理是目前人工智能在医疗领域的典型应用，它的处理对象是由各种不同成像机理，如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。

传统的医学影像诊断，主要通过观察二维切片图去发现病变体，这往往需要依靠医生的经验来判断。而利用计算机图像处理技术，可以对医学影像进行图像分割、特征提取、定量分析和对比分析等工作，进而完成病灶识别与标注，针对肿瘤放疗环节的影像的靶区自动勾画，以及手术环节的三维影像重建。

该应用可以辅助医生对病变体及其他目标区域进行定性甚至定量分析，从而大大提高医疗诊断的准确性和可靠性。另外，医学图像处理在医疗教学、手术规划、手术仿真、各类医学研究、医学二维影像重建中也起到重要的辅助作用。

10 图像搜索

图像搜索是近几年用户需求日益旺盛的信息检索类应用，分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，基于深度学习的图像搜索还会计入人脸、姿态、地理位置和字符等语义特征，针对海量数据进行多维度的分析与匹配。

该技术的应用与发展，不仅是为了满足当下用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，更是为了通过分析用户的需求与行为，如搜索同款、相似物比对等，确保企业的产品迭代和服务升级在后续工作中更加聚焦。

关于作者：王健宗，博士，某大型金融集团科技公司资深人工智能总监、高级工程师，中国计算机学会大数据专家委员会委员、高级会员，美国佛罗里达大学人工智能博士后，曾任美国莱斯大学电子与计算机工程系研究员、美国惠普公司高级云计算解决方案专家。

何安珣，某大型金融集团科技公司高级算法工程师，中国计算机学会会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）委员。拥有丰富的金融智能从业经验，主要研究金融智能系统框架搭建、算法研究和模型融合技术等，致力于推动金融智能的落地应用与价值创造。

李泽远，某大型金融集团科技公司高级人工智能产品经理，中国计算机学会会员，长期致力于金融智能的产品化工作，负责技术服务类的产品生态搭建与实施推进。

本文摘编自《金融智能：AI如何为银行、保险、证券业赋能》，经出版方授权发布。

人工智能技术应用的领域主要有哪些

随着智能家电、穿戴设备、智能机器人等产物的出现和普及，人工智能技术已经进入到生活的各个领域，引发越来越多的关注。那么，人工智能目前都应用在哪些领域，运用了怎样的技术原理呢？

什么是人工智能？

人工智能是研究、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，是认知、决策、反馈的过程。曾经有很多人戏称，人工智能就像一列火车，你苦苦期盼，它终于来了，然后它呼啸而过，把你抛在身后。虽然这是一种笑谈，但也反应了人工智能技术发展的迅速和无法想象的快，可能一个不小心，你就被远远甩在身后。

##人工智能技术的细分领域有哪些？人工智能技术应用的细分领域：深度学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理—语音识别、自然语言处理—通用、实时语音翻译、情境感知计算、手势控制、视觉内容自动识别、推荐引擎等。

1、深度学习

深度学习作为人工智能领域的一个应用分支，不管是从市面上公司的数量还是投资人投资喜好的角度来说，都是一重要应用领域。说到深度学习，大家第一个想到的肯定是AlphaGo，通过一次又一次的学习、更新算法，最终在人机大战中打败围棋大师李世石。百度的机器人“小度”多次参加最强大脑的“人机大战”，并取得胜利，亦是深度学习的结果。

深度学习的技术原理：

1.构建一个网络并且随机初始化所有连接的权重；2.将大量的数据情况输出到这个网络中；3.网络处理这些动作并且进行学习；4.如果这个动作符合指定的动作，将会增强权重，如果不符合，将会降低权重；5.系统通过如上过程调整权重；6.在成千上万次的学习之后，超过人类的表现；

2、计算机视觉

计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉有着广泛的细分应用，其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被支付宝或者网上一些自助服务用来自动识别照片里的人物。同时在安防及监控领域，也有很多的应用……

计算机视觉的技术原理：

计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

3、语音识别

语音识别技术最通俗易懂的讲法就是语音转化为文字，并对其进行识别认知和处理。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。

语音识别技术原理：

1、对声音进行处理，使用移动窗函数对声音进行分帧；2、声音被分帧后，变为很多波形，需要将波形做声学体征提取，变为状态；3、特征提起之后，声音就变成了一个N行、N列的矩阵。然后通过音素组合成单词；

4、虚拟个人助理

说到虚拟个人助理，可能大家脑子里还没有具体的概念。但是说到Siri，你肯定就能立马明白什么是虚拟个人助理。除了Siri之外，Windows10的Cortana也是典型代表。

虚拟个人助理技术原理：（以Siri为例）

1、用户对着Siri说话后，语音将立即被编码，并转换成一个压缩数字文件，该文件包含了用户语音的相关信息；2、由于用户手机处于开机状态，语音信号将被转入用户所使用移动运营商的基站当中，然后再通过一系列固定电线发送至用户的互联网服务供应商(ISP)，该ISP拥有云计算服务器；3、该服务器中的内置系列模块，将通过技术手段来识别用户刚才说过的内容。总而言之，Siri等虚拟助理软件的工作原理就是“本地语音识别+云计算服务”。

5、语言处理

自然语言处理（NLP），像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合，实现人机间自然语言通信。

语言处理技术原理：

1、汉字编码词法分析；2、句法分析；3、语义分析；4、文本生成；5、语音识别；

6、智能机器人

智能机器人在生活中随处可见，扫地机器人、陪伴机器人……这些机器人不管是跟人语音聊天，还是自主定位导航行走、安防监控等，都离不开人工智能技术的支持。

智能机器人技术原理：

人工智能技术把机器视觉、自动规划等认知技术、各种传感器整合到机器人身上，使得机器人拥有判断、决策的能力，能在各种不同的环境中处理不同的任务。

智能穿戴设备、智能家电、智能出行或者无人机设备其实都是类似的原理。7、引擎推荐

不知道大家现在上网有没有这样的体验，那就是网站会根据你之前浏览过的页面、搜索过的关键字推送给你一些相关的网站内容。这其实就是引擎推荐技术的一种表现。

Google为什么会做免费搜索引擎，目的就是为了搜集大量的自然搜索数据，丰富他的大数据数据库，为后面的人工智能数据库做准备。

引擎推荐技术原理：

推荐引擎是基于用户的行为、属性（用户浏览网站产生的数据），通过算法分析和处理，主动发现用户当前或潜在需求，并主动推送信息给用户的信息网络。快速推荐给用户信息，提高浏览效率和转化率。

关于人工智能的展望

除了上面的应用之外，人工智能技术肯定会朝着越来越多的分支领域发展。医疗、教育、金融、衣食住行等等涉及人类生活的各个方面都会有所渗透。

当然，人工智能的迅速发展必然会带来一些问题。比如有人鼓吹人工智能万能、也有人说人工智能会对人类造成威胁，或者受市场利益和趋势的驱动，涌现大量跟人工智能沾边的公司，但却没有实际应用场景，过分吹嘘概念。

转自：http://www.arduino.cn/thread-45848-1-1.html

学人工智能以后从事什么工作这6大就业方向前景广阔

学AI以后从事什么工作？近些年来，科技的快速发展，使人工智能方面的人才炙手可热。根据此前UiPath发布的数据显示：我国AI岗位空缺数量最多，有12113个相关职位因为招聘不到人才而发生空缺。

我国对于AI人才的渴求已经超过了人工智能大国美国。因此，我国人工智能专业的毕业生，他们未来的就业前景将会非常广阔。

学人工智能以后从事什么工作？这6大就业方向前景广阔

智能金融

近些年，手机支付成了很多人日常生活中主要的支付方式，取代了现金在生活中的地位。而手机支付也是智能金融的一部分，人工智能在这方面起到了极大地推动作用。

很多金融机构对于人工智能技术十分青睐，并且依靠人工智能技术实现了降低金融诈骗的风险。

人工智能专业的毕业生可以进入智能金融的领域，将人工智能和金融知识相结合。这也是人工智能专业毕业生目前非常火热的就业发展方向之一。

计算机视觉

计算机视觉岗位这也是人工智能领域非常火热的就业方向之一。

拍照的时候，相机可以自动地将人脸的画面进行识别和检测;P图的时候，可以针对人脸进行相应的美化处理(眼睛变大、涂腮红)等等。

当冷冰冰的机器能够感知到具体的影像，并且对此进行识别时，人工智能相当于为机器安上了一双眼睛，这种“神奇”的技术手段在岗位需求中自然会占有先机。

数据服务

大数据时代，人们在网络上获取信息变得更加丰富多元。但是因为数据量过大，人们搜索的结果可能不够准确。有人工智能进行干预，大数据的推算会更加符合搜索者的心意，搜索的结果也会更加准确。

数据服务还包括数据商为网络提供更加海量的数据支持，也为先进的人工智能算法提供了搭建模型的基础。

数据服务的就业前景十分广阔，也是人工智能毕业生比较青睐的就业方向之一。

智能教育

线上教育蓬勃发展，人们学习的方式变得更加多元。除了线下具体的实物教育之外，智能教育将教育的方式推向了一个新的高度。

智能教育通过在教育方式上加入人工智能的手段让人们获得知识的方式更加便捷。

学生在网络搜题的时候变得更加简单，甚至还可以获得相关知识点的推送。而且人工智还能帮助老师批改作业，不仅确保了准确率，同时也极大地降低了老师的工作量。

随着人工智能的逐步发展，智能教育将会变得更加先进，比如说为每个学生制定有针对性的学习方案，更加能够实现真正意义上的因材施教。

机器学习

机器学习是一种较为复杂的就业方向，其目的是让机器在大量的数据训练后学习如何更好地完成任务。这也是人工智能中最复杂、最核心的内容。

机器学习所要求的技术人才水平更高。目前，全世界的人工智能水平仍然处于弱智能阶段，想要帮助机器建立人脑的神经网络确实存在一定的难度。

B站就有很多免费的课程，这里推荐一个大家可以看看：

【冒死整理】小白也能听懂的人工智能课程，AI入门+项目实战，这不比追剧有意思？python-深度学习-机器学习-决策树_哔哩哔哩_bilibili

智能医疗

机器可以进行海量的数据分析，不断地学习医学专业知识，帮助医生分析医学影像，医生可以通过机器所提供的帮助为患者诊断病情。

智能医疗的应用可以让医疗资源得到极大的丰富，降低了医疗成本，人工智能在医疗方面的应用是功德无量的。

人工智能专业的毕业生也可以从事智能医疗相关的工作，智能医疗行业的发展潜力非常巨大，如果可以凭借自身拥有的人工智能知识促进我国的医疗事业发展，是一件非常有意义的事。

人工智能的产业链相较于其他行业，已经发展得较为清晰，主要包括基础支撑、关键技术以及行业应用。毕业生可以根据所学专业的侧重点以及自身的兴趣爱好进行相关就业方向的选择。

免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。

为了更好的系统学习AI，推荐大家收藏一份。

下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号321领取（一定要发暗号321）

一、人工智能必读书籍

二、人工智能免费视频课程和项目

三、人工智能论文合集

四、人工智能行业报告

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码关注公众号【AI技术星球】发送暗号321免费领取文中资料

人工智能可以用来做什么

人工智能可以用来做很多事情，以下是一些常见的应用领域：

人工智能可以用来做什么？

图像和语音识别：人工智能可以对图像和语音进行分析和识别，例如自动识别人脸、文字、物体、声音等。

自然语言处理：人工智能可以理解和生成自然语言，例如机器翻译、自动问答、智能客服等。

智能推荐：人工智能可以根据用户的历史行为和兴趣，推荐合适的产品或服务，例如网上购物、音乐、视频等。

智能控制：人工智能可以控制自动化设备、机器人等，例如自动驾驶汽车、智能家居、工业自动化等。

金融和商业应用：人工智能可以用于股票预测、风险评估、欺诈检测等金融领域，也可以用于客户服务、销售预测、营销等商业领域。

总的来说，人工智能可以用于许多领域，改善人们的生活和工作，并且随着技术的不断发展，人工智能的应用范围也在不断扩大。

免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。

下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号321领取（一定要发暗号321）

一、人工智能免费视频课程和项目

二、人工智能必读书籍

三、人工智能论文合集

四、机器学习+计算机视觉基础算法教程

五、深度学习机器学习速查表（共26张）

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码关注公众号【AI技术星球】发送暗号321免费领取文中资料。

262页人工智能深度报告：AI 20，十年之后我们还能做什么

2）非常规性的脑力活动较难被算法替代。相较白领工作，新药开发等科研工作需要更高层次的认知和创造力，并且工作内容多变，难以被算法替代，受到生成式AI的影响较白领更小；

3）常规性的体力劳动容易被自动化技术替代。在零售、制造等行业中，虽然涉及的语言相关工作不多，受生成式AI的影响不大，但工作中有较多重复且任务标准化程度高的内容，容易被机器人等自动化技术所替代；

4）非常规性的体力劳动受影响较小。建筑、餐饮旅游及交运、采矿等行业虽然也包含较多的体力劳动，但难以被自动化的长尾场景较多，目前看来，受到生成式AI和机器人技术的影响都较小。

AI2.0是下一代通用技术平台

我们认为以ChatGPT为代表的大语言模型的出现，使人工智能技术的发展进入了2.0时代。AI大模型已经具备1)通用性强，2）固定成本高但边际成本递减等平台性技术的显著特征，有望成为继PC，移动互联网，云计算，电动车之后，下一个支撑科技创新的通用技术平台。

如下图所示，每一代通用技术平台的出现，都会伴随几家平台性公司的出现。这具体包括，1）主机时代的IBM，2）PC时代的微软和Intel（Wintel），3）智能手机时代的苹果和谷歌，4）云计算时代的亚马逊和英伟达，5)智能电动车时代的特斯拉和宁德时代。当我们进入AI大模型时代，我们认为，以微软为代表的大模型厂商和以英伟达为代表的算力提供方有望受益于AI2.0的崛起，实现平台扩张。

过去，计算机视觉等AI模型需要针对每个特定任务进行数据采集、模型训练等一系列工作，且训练出来的模型无法用到其他场景，这导致边际成本难以降低、难以大规模落地等问题。大模型的出现改变了AI模型的训练和使用的范式。在大模型的新范式下，首先训练出具备跨领域知识的基础模型（FoundationModel），然后通过微调等方式适配和执行下游各领域的任务，能够降低模型落地的边际成本。大模型的新范式带来了成本结构变迁：大模型出现之前的AI1.0时代，模型训练成本和模型数量等比例增加，边际成本较高；AI2.0时代，训练基础模型的固定成本高，但微调以适应下游应用的成本极低，预训练模型+微调的新范式边际成本低，具有明显的平台效应，为AI公司探索新商业模式提供机会。

展望AI大模型时代，我们认为：

1)算力基础设施率先受益：AI大模型推动算力需求快速增长，基础设施的业绩成长确定性最高，主要产业链环节包括计算芯片、服务器、数据中心等；

2)交互终端次之，当前智能手机是大模型应用的主要载体。未来看好大模型能力提升推动AR/VR，无人驾驶车，机器人等成为下一代硬件载体的潜力。

3)大模型平台是当下产业发展趋势中最核心的一环，看好MaaS成为AI大模型时代新的商业模式，关注各国对AI大模型企业监管政策对行业发展的影响；

4)AI2.0最大的投资机会在应用。看好大模型在搜索，电商零售，办公，金融、医药等行业率先落地。

算力需求增长利好芯片送水人

算力需求增长会率先利好算力芯片，光模块，服务器产业链等送水人。根据OpenAI测算，目前算力的增速（翻1倍/3-4个月）远超过摩尔定律（翻1倍/18-24个月），未来AI应用的逐步丰富，将推动推理芯片等相关市场保持强劲增长。我们预计2025年左右当生成式AI应用大规模落地后，数据中心用推理及训练芯片市场约900亿美元，带动先进代工、先进封装、光模块、服务器在内相关产业链。

算力芯片：全球900亿美金市场，训练英伟达一家独大，推理百花齐放。我们认为是否拥有大模型将成为科技巨头科技平台企业的重要分水岭。我们预计全球有约30家科技巨头和300家AI大模型初创企业在进行算力相关投资。到2025年，这对应大约每年300亿美金训练芯片和600亿美金的推理芯片市场。其中，英伟达凭借CUDA软件框架构建的强大行业壁垒，在训练芯片市场一家独大，推理芯片方面，海外客户除了采用英伟达、AMD等的通用GPU以外，也会采用TPU等ASIC以提高性价比。国内客户出于供应链安全考虑，逐步提升国产芯片的适用占比。海思，寒武纪，燧原等企业都有较好发展。

服务器/PCB/先进封装：AI服务器增速超传统服务器，高算力需求带动先进封装需求。从GPU到AI工厂，我们认为AI计算会为整个服务器产业链带来增长。相较于全球传统服务器需求持续低迷，根据IDC预测AI服务器21-26年复合增速有望达到17%。我们看到从单颗GPU芯片H100，通过NVLINKSwitch形成一颗巨型GPU，然后通过QuantumInfiniBand技术，搭建有上百张GPU的DGX服务器，最后把多台DGX联通形成一台AI超级计算机，整个系统的搭建过程会带动包括服务器整机、PCB、光纤光缆、电源在内的整个服务器产业链的性能升级。在先进封装领域，产业从2.5D封装正走向3D封装，根据Prismark预测ABF载板作为先进封装关键材料有望在21-26年实现复合增速11.5%，而相关测试设备有望长期受益于Chiplet和国产替代趋势。

光模块：AI大模型推动800G光模块迎放量元年。以ChatGPT为代表的AI大模型，对数据中心内外的数据流量都提出了新要求，将带来光模块行业“量”和“质”的双重提升。以ChatGPT为代表的AI大模型训练中，由于需要海量数据及跨机器协作，产生了大量的数据中心内部通信需求，无阻塞的胖树结构成为当下最主流的AI训练网络架构，带来两方面主要变化：1）量方面，AI网络架构带来数据中心内部交换机、服务器数量的增加，光模块作为数据中心内外部连接的核心部件，用量将明显提升；2）质方面，AI对于高速率、大带宽的网络需求将推动光模块向800G加速升级，根据Lightcounting预测，2023将成为800G光模块放量元年，2028年800G出货量有望达998万只，对应2023-2028年复合增长率为72%。在此产业趋势下，我们认为能够提供高速光模块的龙头企业以及上游光器件、光芯片厂商有望迎发展机遇。

谁会成为2.0时代的硬件载体？

展望未来，我们认为大语言模型会大幅提高硬件产品的“思考”能力，机器人技术的发展会提高硬件产品的“行动”能力。一个同时拥有（1）超强感知能力，（2）通用人工智能（AGI），和(3)灵活的行动能力的硬件产品，可能就是现在大家畅想中的人形机器人。虽然很难预判什么时候这个产品能够实现，但在最终实现人形机器人的过程中，我们相信会催熟ARVR，无人驾驶车等很多新的硬件形态，带动产业发展。

世界最后需要几家大模型公司？

我们认为是否拥有大模型将成为科技巨头科技平台企业的重要分水岭。目前AI行业呈现出“百模大战”的格局，我们认为未来基础大模型可能呈现国内外各有数个赢家的寡头竞争格局。类比云计算领域，国外有AWS（亚马逊）、Azure（微软）和GCP（谷歌）三巨头，国内有BAT和华为，前期基础设施的巨大投入造成了云计算的寡头市场格局。与云计算类似，基础大模型需要耗费大量算力和数据标注成本，并且随着规模的增加，其训练费用将指数级增长。在高壁垒和地缘政治等原因下，未来基础大模型可能在国内外各自形成寡头竞争格局。

AI大模型是一个资本密集，人才密集和数据密集的产业，如何形成“数据-模型-应用”的飞轮，是大模型企业成功的关键。具体而言，大模型的诞生以算力基础设施为根基，以算法为骨干，以高质量数据为血肉；大模型结合具体应用场景的落地产生应用；用户使用应用的过程中产生数据，数据又得以反哺模型。由此，从大模型的训练到应用落地产生闭环，我们认为“数据-模型-应用”的飞轮能否运转是大模型企业可持续发展和迭代的关键。

MaaS可能成为AI大模型时代新的商业模式。过去云计算架构主要分为IaaS、PaaS、SaaS三层，经过多年发展，出现了像微软，MongoDB，Adobe等一批代表性企业。未来，我们认为，MaaS(ModelasaService）可能成为AI大模型时代一种新的商业模式。如上所述，大模型具有固定成本高，通用性强等特点，MaaS企业依托已经训练好的大模型，向2B客户提供包括API调用、模型训练、模型微调、模型部署服务等各类服务，数据，算法，算力将是MaaS企业的主要竞争壁垒。目前，国内，阿里，百度，商汤等都已经宣布提供类似服务。

监管政策是规范AI大模型健康发展的基础，关注国内政策落地进展。大模型由于涉及到大量个人和企业数据，生成内容中存在虚假信息等风险，是当前全球各国监管关注的重点。23年6月，欧洲议会在全球率先通过《人工智能法案》，对AI模型提出了版权披露、保障隐私与非歧视等基本权利、风险分级监管等要求。23年4月，国家网信办发布发布《生成式人工智能服务管理办法（征求意见稿）》，明确要求，符合大模型生成的内容需要符合"社会主义核心价值观"，并要求人工智能企业在提供服务前，向国家网信部门申报安全评估；并按照《互联网信息服务算法推荐管理规定》履行算法备案和变更，注销备案等手续。关注监管政策落地对行业发展的影响。

如何把握大模型应用的机会

长期来看AI2.0最大的机会在应用。根据科大讯飞董事长刘庆峰的观点，通用人工智能应当具备文本生成、语言理解，知识问答、逻辑推理、数学、代码、多模态等七大维度的能力。通过对AI在搜索、电商零售、办公、金融法律、影视游戏，医药、教育、汽车等行业应用前景的分析，我们认为，AI应用的落地节奏或与行业数字化程度成正比，我们看到AI大模型在互联网（搜索+广告营销）、办公、金融等领域率先迎来“iPhone时刻”。其中最值得关注的应用包括：1）知识对话在电商、金融、医疗等行业替代传统客服；2）文本和图像生成在办公、广告营销、金融、影视游戏等领域成为下一代生产力工具；3）多模态能力拓宽人类探讨世界的范围，特别是在新药开发上的应用前景。

AI+搜索：输入输出模态多样化，有望集成全新商业模式，打开行业天花板。传统的搜索行为往往需要经历长时间的判断过程和多轮的互动，而AI技术的加入，将从底层结构上改变搜索形态，以GPT为代表的大模型加持赋能搜索行业：1）创造性内容生产与输出，AI大模型可以利用大量实时文本数据学习语言的规律，并根据用户指示创造性地完成特定需求下各种类型的文本输出，如故事、诗歌、摘要、代码等。2）拓展搜索的多模态能力，利用AI技术处理视频、图片、语音等多种形式的信息，使搜索不再受限于信息的形态。AI+搜索的诞生便吸引了全球的注意力，内置AI聊天功能的NewBing搜索引擎在推出一个月后日活跃用户已突破1亿，自NewBing推出以来，聊天功能使用次数累计超过4500万次。根据Industrygrowthinsight，2021年全球搜索市场规模为109.0亿美元，预计2023年达到123.6亿美元。同时AI+搜索也催生出未来新的商业模式，例如微软目前内部正在探讨在生成回复的引用链接中放置订阅制和弹出式广告的可行性，有望进一步打开新的市场空间。

AI+电商零售：定制化内容生成；个性化营销推广。目前广告/营销行业存在单位推广成本高、转化率低的痛点，AI能赋能行业生产力的提升，主要体现在：1)创新广告形式，提升信息传递效率，形成强流量、高互动，提高广告营收；2)提高营销内容生产效率、推进个性化营销；3)有望推动营销服务商商业模式革新、毛利率提升。通过以上赋能，行业增长空间有望提升，盈利能力。目前海内外AI+广告/营销应用百花齐放，例如，国外Adspert利用AI将广告全自动化，优化亚马逊广告竞价投放，增加销售额，提升投产比；国内腾讯广告大模型赋能广告制作环节，同时助力提升广告主15%GMV。

AI+办公：生产力的又一次跃升；重塑内容生产、沟通、协作模式。生成式AI当前在办公领域的应用主要包括改善生产力、沟通、协作工具等应用方向。以Microsoft365Copilot为例，Copilot通过把GPT-4提供的内容生成功能，与存储在Graph数据库中的企业数据，以及Word、Powerpoint、Excel、Outlook、Teams等办公工具相结合，提供包括内容创作、数据分析、辅助决策等一系列新功能。生成式AI将传统的点式交互升级为自然语言的交互方式，能够实现更灵活的功能调度，进一步降低办公场景的沟通协作成本，提升工作效率。此外，生成式AI能够挖掘办公场景中的数据价值，提供知识管理等功能，进一步提升产品的价值空间。

AI+金融：广泛应用于银行、保险、资管、投顾等环节，助力金融机构降本增效。我们认为垂直行业的高价值量数据对于AI大模型的训练和垂直领域应用至关重要，金融行业数字化程度领先，拥有数据富矿，有望成为AI大模型率先落地的垂直领域之一。应用端，我们看到生成式和理解式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。过去，理解式大模型主要用于信息识别与挖掘，例如风险识别、客户识别等等。生成式AI的主要落地场景包括应用于各金融子行业的智能客服以及内容生成，例如投研领域的研报生成、投顾领域的投资建议生成、保险/资管领域的合同模板生成等等。

AI+游戏：AIGC带来玩法体验端的创新升级，以及生产营销端的降本提效。1)玩法体验端:目前看AIGC有望在NPC智能交互及玩法设计创新方面加速应用，AINPC的不断成熟将改变游戏玩家与角色的交互方式，进一步提升游戏沉浸感；同时，AIGC带来的UGC等玩法创新也有望带来全新的游戏类型，进一步提升游戏内容的丰富度及自由度。2)生产营销端:以ChatGPT等大语言模型为基础的文本类Al生成工具、StableDiffusion及Midiourney等Al图像生成工具、Gen2等Al视频生成工具等已在游戏行业各环节有所应用，同时英伟达、微软、EpicGames、Unity等基于原有产品或服务纷纷推出AIGC功能。随工具化AIGC产品和服务快速迭代，行业“卖铲人”将加速AIGC对行业赋能，带来进一步的降本提效空间。

AI+教育：虚拟个性化辅导教学，提升教学质量同时降本增效。传统教育具有人工成本高、内容同质化以及资源分配不均匀的弊病。基于多模态模型在文本、图像等领域取得重大突破，生成式AI技术有望协助构建智慧教育新生态。近期国内外多家公司发布AI+教育产品，例如多邻国在“Max订阅方案”中推出两项基于ChatGPT-4设计的教辅功能、网易有道发布AI口语老师以及科大讯飞发布“1+N”星火认知大模型等。随着大模型的迭代升级，我们看好生成式AI应用于个性化辅导、AI虚拟教师等领域，助力打造全新的低成本、个性化自适应教育模式，推动优质教育资源的规模化应用。同时建议关注AI+教育带来的智慧校园、智能终端等硬件设备，以及相关IT基础设施、云服务等软件设施的投资机会。

AI+医疗：拓宽人类对自然界的认知半径，探索科学边界。医疗健康领域是人工智能率先落地的行业之一，也已经催生了Nuance、IBMWatson等一批全球知名企业。随着基于大模型的生成式AI的出现，我们看到AI+医疗有望迎来一波新的发展机遇。我们看好生成式AI：1）应用于实时病例生成、医疗影响分析等领域，从而发挥提高问诊效率、降低数据分析的人工成本等作用；2）赋能药物发现源头创新，探索自动根据功能需求设计/优化蛋白质、给定抗原等目标蛋白生成抗体等，加速药物发现流程。

AI+汽车：降低数据搜集、处理成本，优化驾驶体验，高级别智能驾驶落地可期。无人驾驶看上去很美，但一直很难落地。无人驾驶是最早被提出的人工智能应用场景之一，谷歌、苹果、特斯拉、百度等海内外科技巨头从2016开始就积极布局，但直到现在仍很难实现大规模商用落地。我们认为，1）多维度数据的获取和标注成本高，2）对小概率事件的决策准确度和人类还存在较大差距，3）事故时法律权责归属不明确，是制约其发展的部分原因。我们认为，1）以ChatGPT和SAM为代表的AI大模型的引入，自动标注、虚拟仿真等技术的引入大幅降低模型中数据的采集和处理成本；2）感知、预测、执行全流程算法迭代，体验能力的提升有助于从行业整体层面加速高级别智能驾驶的量产落地。看好AI大模型赋能之下，降低数据标注成本，提升感知预测执行全流程能力。

2023年十大机会

长期来看，我们认为全球科技行业的发展会沿着元宇宙，人类永生、和星际文明三个维度演进。其中，1）追求永生是推动人类进步的动力之一，未来脑机接口、纳米机器人等前沿科技有望继续延长人类寿命；2）元宇宙是互联网的下一站，也是人类数字化迁移的下一步；3）移民火星的意义在于为人类文明留下“备份”，随着航天技术突破，星际旅行与火星移民终将实现。

AI大模型企业是如何炼成的

我们认为AI大模型是一个资本密集、人才密集和数据密集的产业，如何形成“数据-模型-应用”的飞轮，是大模型企业成功的关键。我们看到海外企业中，微软&OpenAI、谷歌已经逐步形成AI大模型的飞轮。当前，国内百度、阿里、商汤、华为等积极加入，行业呈现“百模大战”的竞争格局，能否形成飞轮是最后能否胜出的关键。

海外大模型：微软&OpenAI、谷歌、英伟达、Meta、AWS

微软&OpenAI领先，谷歌追赶，Meta防御性开源，英伟达转型算力云服务微软和OpenAI是目前大模型技术水平、产品化落地最为前沿的领军者，其对颠覆式创新的持续投入是当前领先的深层原因。谷歌技术储备丰厚，自有业务生态广阔并且是AI落地的潜在场景，但管理上未形成合力，目前正在产品化、生态化加速追赶。英伟达是AI芯片领军者，CUDA框架构筑了其它芯片公司难以逾越的护城河，目前正在从硬件向算力云服务、MaaS等商业模式转型。Meta在产品化上进展缓慢，选择模型开源的防御性策略，以应对OpenAI、谷歌等竞争对手的强势闭源模型。AWS作为领先的云服务厂商，超算技术布局领先，但是在AI大模型竞争上的应对稍显迟缓。

OpenAI：全球领先的AI初创企业

发展历程：从非营利开端到向营利性全面转型OpenAI是美国一家人工智能研究实验室，由非营利组织OpenAI和其营利组织子公司OpenAILP所组成，公司致力于构建安全的通用人工智能（AGI）以造福人类。

非营利开端：硅谷领军人物云集，创建非营利组织以促进AI发展。非营利性的AI项目OpenAI于2015年宣布正式启动，由许多硅谷领军人物共同创建，例如硅谷创业孵化器YCombinatorCEO的SamAltman、GoogleBrain的IlyaSutskever、时任互联网支付处理平台StripeCTO的GregBrockman以及特斯拉的CEOElonMusk等，许多创始人都曾是被誉为“深度学习教父”GeoffreyHinton教授的学生。公司把生成式预训练模型（GenerativePre-trainedTransformer，GPT）确定为主要研究方向，先后推出并开源预训练NLP模型GPT-1，以及采用迁移学习技术、能实现多个NLP任务的GPT-2。

向营利性转型：与微软深度绑定，推出掀起生成式AI浪潮的ChatGPT。2018年，由于ElonMusk担任CEO的Tesla等公司也在开发AI技术，存在利益冲突和人才争夺等矛盾，ElonMusk辞去OpenAI董事会席位。为支撑大模型训练的高算力和资金需求，同年，有限营利公司OpenAILP成立。2019年，OpenAILP接受微软10亿美元投资，与其达成独家合作伙伴关系。在强大算力和充足资金的助力下，OpenAI沿着GPT路线持续发力，2020年推出拥有小样本泛化能力的GPT-3，2022年推出加入指示学习（InstructionLearning）和人类反馈的强化学习（ReinforcementLearningfromHumanFeedback，RLHF）的InstructGPT，并于2022年发布产品化的ChatGPT，掀起了一股席卷全球的生成式AI浪潮。

全面转型：加快商业化步伐，构建生态圈。2023年1月，微软宣布与OpenAI的长期合作伙伴关系进入第三阶段，将继续向OpenAI投资数十亿美元，并加速产品与技术的整合。2023年3月，OpenAI发布工程化的多模态GPT-4，并与各个领域的软件开展合作；同月，OpenAI发布ChatGPTPlugins（ChatGPT插件集），将GPT大模型能力与面向用户的第三方应用程序互联，应用空间想象力广阔。

AI赋能百业：产业变革的奇点

自OpenAI发布ChatGPT掀起AI浪潮以来，国内外科技巨头陆续在AI大模型领域加快布局，人工智能也因此催生出许多创新性领域以及传统领域多个环节的变革，有望实现下游应用百花齐放。其中，企业服务领域，AI赋能办公行业生产力、沟通和协作工具，持续带动生产效率及沟通协作效率提升；汽车领域，AI模型的引入增强了智能驾驶在感知、预测和决策方面的能力，加速无人驾驶的应用与落地；工业领域，AI加码助力工业研发、生产、管理及服务等全环节，极大解放生产力，加速工业智能化水平；金融领域，AI在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。我们认为，伴随技术和各大模型的升级迭代，AI将赋能百业，催生出更多环节的创新型变革。

AI+企业服务：赋能生产力/沟通/协作工具

数字化时代，办公行业生产力、沟通、协作工具不断演进，持续带动生产效率及沟通协作效率提升。以Microsoft365Copilot为例，Copilot通过把GPT-4提供的内容生成功能，与存储在Graph数据库中的企业数据，以及Word、Powerpoint、Excel、Outlook、Teams等办公工具相结合，提供包括内容（包括文字、图片）创作、数据分析、辅助决策等一系列新功能，功能丰富度上，远超notion.ai等现有的基于AI的办公软件。

AI+工业：ChatGPT引领AI赋能工业，工业智能化水平或将加速提升

ChatGPT引领AI大模型突破，随着AI技术和工业领域深度融合，工业AI应用或将迎来高速发展窗口。随着2023年3月OpenAI正式发布大型自然语言处理模型ChatGPT-4，同月微软将其旗下Azure云服务Azure、Microsoft365办公软件、Bing搜索引擎、PowerPlatform低代码开发平台等产品与ChatGPT深度融合，生成式AI在文本、代码、视频等一系列应用领域的前景逐渐明晰。

AI大模型+工业所形成的核心产品、方案与服务，是AI赋能工业的主要载体。其中主要包括四个方面，按层级关系可分为基础软硬件、智能工业装备、自动化与边缘系统、平台/工业软件与方案。其中，基础软硬件是指各类芯片/计算模块、AI框架、工业相机等相对通用的软硬件产品；智能工业装备是指融合智能算法的机器人、AGV（自动导向机器人）、机床等工业生产制造设备；自动化与边缘系统是指融合了智能算法的工业控制系统；平台/工业软件与方案则是指各类具有AI能力的工业互联网平台及其衍生解决方案和应用服务。以上应用通过识别类应用、数据建模优化类应用及知识推理决策类应用三种模式被广泛用于工业研发、生产、管理及服务等全环节。

AI大模型赋能创成式设计，生成式AI未来或可为CAD软件提供大量可供选择的模型。创成式设计是一种利用AI技术根据一系列系统设计来自主创建优化设计的3DCAD功能。其特点在于能在设计师给定的约束条件和目标下，借助AI的能力来快速生成满足要求的目标模型，供设计师从中选择合适的模型进行进一步的设计优化，从而提升设计效率，降低设计成本。从目前来看，生成式AI在严谨理性的数学和逻辑领域的能力相对文字领域仍然比较有限，但未来随着以GPT为代表的通用大模型逐渐成熟，工业设计数据库不断丰富，CAD有望一方面借助生成式AI对设计进行参数优化，另一方面借助大量的设计模块数据库生成推荐的设计草图。

AI+金融：坐拥数据富矿，有望成为AI大模型率先落地的垂直领域之一2023年3月以来，多家金融机构、金融服务机构发布其AI大模型：彭博发布支持金融领域的自然语言处理（NLP）任务的BloombergGPT，中国农业银行推出类ChatGPT的大模型应用ChatABC，中国工商银行发布了基于昇腾AI的金融行业通用模型。我们认为垂直行业的高价值量数据对于AI大模型的训练和垂直领域应用至关重要，金融行业数字化程度领先，拥有数据富矿，有望成为AI大模型率先落地的垂直领域之一。应用端，我们看到生成式和理解式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。

生成式大模型应用于银行领域则可提高客户服务质量，智能客服既能与用户进行多轮对话，还能提出具体可行的解决方案。比如，中国农业银行近期推出的AI大模型ChatABC1.0，拥有在金融领域的知识理解能力、内容生成能力以及安全问答能力，当前已通过平台问答助手、工单自动化回复助手等形式面向内部员工试用。

AIforScience：人工智能助力科学探索的新范式

AIforScience是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。如下图所示，AIforScience主要包括：（1）蛋白质结构分析等生物制药,（2）新材料研发，（3）核聚变等前沿物理，（4）气候预测等地球模拟和天文探索，（5）飞机引擎，汽车动力结构，建筑等工业设计领域。

报告原文目录如下

（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。）

本报告共计：262页。受篇幅限制,仅列举部分内容。

精选报告来源公众：【幻影视界】,回复关键字“202306”，获取完整PDF电子版返回搜狐，查看更多

人工智能的十大应用 家居人工智能能做什么工作