AIC Benchmark – 面向人工智能芯片关键技术指标的评测技术服务平台
为了切实反映当前AI芯片的能力，聚合更多AI芯片企业参与，推动产业的健康发展。2022年5月“面向人工智能芯片关键技术指标的测试评价技术服务平台建设”项目组联合国内众多AI芯片领域产、学、研单位，正式发布《人工智能端芯片基准评测方法：AICBenchmark1.0》。
近年来，AI芯片技术取得快速发展，这项技术已经被广泛部署到云、边、端侧的智能设备上。当前，AI芯片产业呈现三大发展趋势：第一，GPU、FPGA和ASIC等共同成为支撑人工智能技术发展的底层硬件；第二，PyTorch、TensorFlow和Caffe等主流框架及如TensorFlowTFLite的一些轻量级框架随应用需求逐步完善、发展；第三，云边端各领域算力需求不断提升，AI芯片成为产业焦点，广泛覆盖计算机视觉、自动驾驶等领域。
在AI芯片产业向上发展的同时也面临诸多挑战：首先，AI芯片面临更加广泛以及多样化的需求，AI芯片产业生态化需求日趋明显；同时，面向不同场景时，AI芯片的利用率、兼容性等有待提高，各类基于不同AI芯片的异构设备协同困难；此外，需构建AI芯片测评标准体系，完善AI芯片测试方法，兼具公平性、权威性和完整性。
在此背景下，行业亟需建设AI芯片标准化体系。“面向人工智能芯片关键技术指标的测试评价技术服务平台建设”项目组致力于AI标准体系建设，致力于建立覆盖云边端全场景，与传统行业协同，打造AI芯片标准体系。
AICBenchmark采用开源方法，针对不同AI芯片补充场景，分别推出云、边、端侧AI芯片性能评测方法。AICBenchmark支持各大主流AI处理框架，易于推广到所有AI芯片产品中，用户可以根据自身产品特性和测试需求，自行选择测试模型完成性能测试。为了保证评测方法中神经网络模型的代表性和权威性，AICBenchmark通过NPUBench工具从神经网络候选池中筛选出多个在网络结构上具有代表性的神经网络模型作为评测模型，以此保证神经网络模型的代表性。同时，AICBenchmark参考了当前AI芯片主流性能评测国际、行业以及团体标准，以此保证评测方法中神经网络模型的权威性。
面向未来的市场需求，“面向人工智能芯片关键技术指标的测试评价技术服务平台建设”项目组将顺应行业发展需要，进一步丰富AICBenchmark，持续迭代。可以预见，基于开放、共赢的产业生态，AICBenchmark将吸引更多企业与开发者加入。
AICBenchmark1.0神经网络模型列表如下：
云侧AI芯片评测模型
测试神经网络模型测试数据集应用场景评价指标网络模型依据模型下载地址DeepSpeech2LibriSpeech语音识别词错误率（WER）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载RNNENERTALK负荷辨识精确率（Precision）、正确率（Accuracy）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载dAEENERTALK负荷辨识精确率（Precision）、正确率（Accuracy）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载ResNet50/101/152ImageNet图像分类Top-1,Top-5准确率《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《DNNbenchmark》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载Inceptionv3/4ImageNet图像分类Top-1,Top-5准确率《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载MobileNetV1/2/3ImageNet图像分类Top-1,Top-5准确率《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载DeepID3LFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载ArcFaceLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载MTCNNLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载CNNLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载Faster-RCNN(withFPN)MicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》点击下载Mask-RCNNMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》、《人工智能芯片基准测试评估方法》点击下载YoloV3MicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载SSDMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《DNNbenchmark》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载NCFMovieLens-20M推荐系统TopN准确率《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》、《DNNbenchmark》点击下载DFSMNSpeechcommandsdataset语音唤醒词错误率（WER）、句错误率（SER）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载BERT-BASESQuAD阅读理解双语评估替补（BLEU）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《DNNenchmark》点击下载SegNetVOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载U-NetVOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载FCNVOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载Deeplabv3+VOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载seq2seqWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》点击下载BertWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》、《DNNbenchmark》点击下载TransformerWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载
边缘侧AI芯片评测模型
测试神经网络模型测试数据集应用场景评价指标网络模型依据模型下载地址ResNet50/101/152ImageNet图像分类Top-1,Top-5准确率《TCESA1119—2020人工智能芯片面向边缘侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《NPUBench》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载Inceptionv3/4ImageNet图像分类Top-1,Top-5准确率《TCESA1119—2020人工智能芯片面向边缘侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《NPUBench》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载MobileNetV1/2/3ImageNet图像分类Top-1,Top-5准确率《TCESA1119—2020人工智能芯片面向边缘侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》、《NPUBench》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载GoogLeNetImageNet图像分类Top-1,Top-5准确率《NPUBench》点击下载SqueezeNetImageNet图像分类Top-1,Top-5准确率《NPUBench》点击下载DeepID3LFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载ArcFaceLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载MTCNNLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载VGG-16-FaceCNNLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载Faster-RCNN(withFPN)MicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》点击下载Mask-RCNNMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载YoloV3MicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《NPUBench》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载SSDMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载LeNet-5MNIST数字识别准确率(Precision)《NPUBench》点击下载dAEREDDBLUED负荷辨识精确率（Precision）、正确率（Accuracy）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载ShortSeq2PointREDDBLUED负荷辨识精确率（Precision）、正确率（Accuracy）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载WindowGRUREDDBLUED负荷辨识精确率（Precision）、正确率（Accuracy）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载VDSRDIV2K超分辨率峰值信噪比（PSNR）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载VGG19DIV2K超分辨率峰值信噪比（PSNR）《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载DFSMNSpeechcommandsdataset语音唤醒词错误率（WER）、句错误率（SER）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载CNNSpeechcommandsdataset语音唤醒词错误率（WER）、句错误率（SER）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》点击下载SegNetVOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》点击下载U-NetVOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向云侧的深度学习芯片测试指标与测试方法》、《人工智能芯片基准测试评估方法》点击下载FCNVOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1119—2020人工智能芯片面向边缘侧的深度学习芯片测试指标与测试方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载Deeplabv3+VOC2012Citescape语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1121—2020人工智能芯片面向边缘侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》点击下载seq2seqWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》、《NPUBench》点击下载BertWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》点击下载TransformerWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载
端侧AI芯片评测模型
测试神经网络模型测试数据集应用场景推理精度指标网络模型依据模型下载地址Yamnetaudioset音频分类Top-5准确率《MobileAIBench》点击下载PoseNetFLIC人体姿态识别关键点相似度（OKS）《MobileAIBench》点击下载ResNet50/101/152ImageNet图像分类Top-1,Top-5准确率《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载VGG16ImageNet图像分类Top-1,Top-5准确率《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》点击下载Inceptionv3/4ImageNet图像分类Top-1,Top-5准确率《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载MobileNetV1/2/3ImageNet图像分类Top-1,Top-5准确率《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载Test_classificationLargeMovieReviewDatasetv1.0文本分类平均交并比（mIoU）《MobileAIBench》点击下载FaceNetLFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》点击下载SSD-MobileNetV2LFW人脸识别误识率（FAR）、拒识率（FRR）、识别正确率（IdentificationRate）《MobileAIBench》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载MobileNet-SSDMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》点击下载ResNet-SSDMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》点击下载Faster-RCNN(withFPN)MicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》点击下载YoloV3MicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载MaskR-CNNMicrosoftCOCO目标检测平均精度均值（mAP）《人工智能芯片基准测试评估方法》点击下载SSDMicrosoftCOCO目标检测平均精度均值（mAP）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》点击下载VDSRDIV2K超分辨率峰值信噪比（PSNR）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载ESRGAN-TF2DIV2K超分辨率峰值信噪比（PSNR）《MobileAIBench》点击下载Conv-actionsSpeechCommands语音唤醒词错误率（WER）、句错误率（SER）《MobileAIBench》点击下载DFSMNSpeechCommands语音唤醒词错误率（WER）、句错误率（SER）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》点击下载CNNSpeechCommands语音唤醒词错误率（WER）、句错误率（SER）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》点击下载Deeplabv3+MicrosoftCOCO语义分割平均交并比（mIoU）,F分数（F-Score）《TCESA1121—2020人工智能芯片面向端侧的深度学习芯片测试指标与方法》、《人工智能芯片基准测试评估方法》点击下载seq2seqWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》点击下载BertWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》点击下载TransformerWMTEnglish-German机器翻译双语评估替补（BLEU）《人工智能芯片基准测试评估方法》、《Metricsandevaluationmethodsforadeepneuralnetworkprocessorbenchmark》点击下载
2023世界人工智能大会7月6日
今天（6月29日）上午，市政府新闻办举行市政府新闻发布会，市经济信息化委主任吴金城介绍了2023世界人工智能大会筹备有关情况，市经济信息化委副主任张英、浦东新区副区长吴强、徐汇区副区长俞林伟、东浩兰生会展集团董事长陈小宏共同出席新闻发布会，并回答记者提问。
今年是上海连续第六年举办世界人工智能大会，本届大会由上海市人民政府和国家发改委、工信部、科技部、国家网信办、中国科学院、中国工程院、中国科协等七部门共同主办，将于7月6日-8日在上海世博中心及世博展览馆举办，并在浦东张江、徐汇西岸设分会场，同步在闵行等产业集聚区开展同期活动。
本届大会的主题是“智联世界生成未来”，会议活动总体架构按照“1+1+2+10+N”设置，即1场开幕式、1场闭幕式、科技创新和产业发展2场全体会议、10场主题论坛，以及N场生态论坛。充分发挥大会“科技风向标、应用展示台、产业加速器、治理议事厅”重要作用，汇聚融通全球人工智能领域思想智慧、前沿技术、产业动向和人文生态，助推人工智能健康创新发展。目前，大会各项筹备工作已进入冲刺阶段。
一、图灵奖、诺奖得主，国内外院士齐聚
本届大会聚焦科学前沿和产业发展，围绕技术、产业、人文三大话题，重点关注大模型、智能芯片、科学智能、机器人、类脑智能、元宇宙、自动驾驶、数据论坛、法治与安全、区块链等十大前沿风向，会同北大、清华、复旦、交大、浙大、同济、上科大等知名高校，展开深度探讨交流。云集国内外大咖。国内外领军学者、知名企业家、国际组织代表等1400余位重量级嘉宾确认参会，包括大卫·帕特森、约瑟夫·斯发基斯、曼纽尔·布卢姆、姚期智4位图灵奖得主以及诺奖得主迈克尔·莱维特、80余位国内外院士齐聚，特斯拉、微软、亚马逊、苹果、华为、阿里等50余位海内外企业领军人才荟萃。扩大国际合作朋友圈。联合国工发组织、联合国教科文组织等国际权威组织再度参会；IEEE元宇宙标准协会、IJCAI首次与大会深度联动；德国巴登-符腾堡州国际经济及科技合作署分享前沿趋势；SWITCH新加坡科技创新周推动国际化AI生态协同发展。持续关注敏捷治理。大会秉承包容审慎、鼓励创新的态度，举办人工智能治理、科技伦理、可信AI等主题论坛，集中发布大模型伦理操作、风险评估、自动驾驶法律治理、生成式人工智能倡议书等一批研究成果，助力为技术创新和产业落地营造安全、稳健、规范的发展环境。
二、SAIL奖首次设置200万元奖金池
“一奖四赛”体系进一步扩充升级，深度链接全球技术趋势、最新论文成果，吸引全球头部企业、国际知名高校、科研机构、创新团队集结热门赛道，角逐榜单奖项。SAIL奖持续引领行业风向。首次设置200万奖金池，进一步激发创新活力，吸引全球优秀创新成果集聚，重磅展示更多前沿黑科技。广泛发动企业、高校和科研机构积极参评，已完成了TOP30初评。由中国科协承办的青年优秀论文奖已从海内外235篇参评论文中评选出来10篇高水平获奖论文。四大赛事影响力进一步提升。AIWIN世界人工智能创新大赛、BPAA应用算法实践典范大赛、黑客马拉松和团市委青少年人工智能创新大赛等四大品牌赛，聚焦热门软件算法、开源生态、行业应用和社会科普等方向同台竞技，参赛队伍超3000支，进一步提升赛事影响力。
三、国内外30余个大模型重磅登场交流
本届大会参展企业数量、展览面积均创历届之最。5万平方米世博主展览涵盖核心技术、智能终端、应用赋能、前沿技术四大板块，包括大模型、芯片、机器人、智能驾驶等领域，参展企业超400家，优秀初创企业超50家，首发首展新品达30余款。海内外大模型集结交流。大会汇聚国内外大模型明星团队、大咖嘉宾，30余个大模型重磅登场交流，核心开发团队围绕大模型路径分享观点；全球领军企业大模型团队重磅亮相，展示大模型赋能各行各业的多元生态。多重展示创新成果。首次设置“中国人工智能产业创新成果展”和“迈向通用人工智能”两大主题展，聚焦AI创新成果和未来产业集群布局；联动张江、徐汇和闵行，围绕元宇宙、人工智能+艺术、智能机器人等主题展示丰富场景，打造沉浸式体验空间。呈现良好科创生态。同步举办“2023世界人工智能大会·民营企业社会开放日”活动，积极邀请社会公众走进人工智能企业，激发全市科技创新浓厚氛围。撬动亿级供给需求。组织百余个采购参观团，征集了80余项人工智能行业需求，打造20余场采购商配对会，覆盖智慧金融、智慧工业、元宇宙、碳中和、投融资等领域，链接百余家上下游企业，以强专业属性提升供需匹配度。
四、共享人工智能赋能应用新图景
大会打造智能化体验空间，以世博展览馆为中心点，线下会场与线上平台统一联动，建设创新性、前瞻性、新奇感、观赏性强的应用体验。拓展智能化应用场景。广泛运用元宇宙、数字人等前沿技术应用，打造“千人千面”数字分身、虚实结合陆家嘴、徐汇AITower等多个地标打卡、机器人综合服务等体验项目；以场景体验、智慧场馆和线上平台为主要形式，深挖智能化场景沉浸式体验，开启“漫游数境未来”的探索之旅。全面升级线上体验。大会云平台4.0提供定制化界面、智能标签和智能推荐等服务。线上元宇宙会展平台，元境星球2.0进一步优化沉浸式互动技术，以更高质量的3D建模、更逼真的场景还原和更低延迟的数据传输，深度融合虚拟世界和现实世界，让线上观众360度身临全方位感受开幕式等论坛盛况，给线上观众带来一场更科幻的未来体验之旅。
此外，大会还将围绕人工智能产业核爆点、新风口，发布一批政策、联盟机构，进一步推动全球范围内的人工智能开放合作。
来源上海发布