人工智能 | 深度學(xué)習(xí) |GPT-4

文心一言 | 機(jī)器學(xué)習(xí) | ChatGPT

近日，隨著ChatGPT-4和百度的文心一言的出臺(tái)，人工智能技術(shù)得到迅猛發(fā)展。人工智能（AI）是一種模擬人類智能的技術(shù)，它可以通過(guò)學(xué)習(xí)和自我改進(jìn)來(lái)執(zhí)行各種任務(wù)。ChatGPT是一種基于AI的聊天機(jī)器人，它可以與人類進(jìn)行自然語(yǔ)言交互，回答問題和提供信息。

人工智能是通過(guò)模擬人類大腦的方式來(lái)工作的。它使用算法和數(shù)據(jù)來(lái)學(xué)習(xí)和自我改進(jìn)，以便更好地執(zhí)行任務(wù)。人工智能可以分為弱人工智能和強(qiáng)人工智能。弱人工智能是指只能執(zhí)行特定任務(wù)的AI，例如語(yǔ)音識(shí)別或圖像識(shí)別。強(qiáng)人工智能是指可以像人類一樣思考和決策的AI。

2023年政府工作報(bào)告指出“過(guò)去五年極不尋常、極不平凡，我們經(jīng)受了世界變局加快演變、新冠疫情沖擊、國(guó)內(nèi)經(jīng)濟(jì)下行等多重考驗(yàn)，經(jīng)濟(jì)社會(huì)發(fā)展取得舉世矚目的重大成就。”聚焦到科技領(lǐng)域，“全社會(huì)研發(fā)經(jīng)費(fèi)投入強(qiáng)度從2.1%提高到2.5%以上，科技進(jìn)步貢獻(xiàn)率提高到60%以上。科技創(chuàng)新成果豐碩，人工智能領(lǐng)域的創(chuàng)新成果也不斷涌現(xiàn)。”

縱覽人工智能產(chǎn)業(yè)近年發(fā)展，雖然一定程度上突破了深度學(xué)習(xí)等各類算法革新、技術(shù)產(chǎn)品化落地、應(yīng)用場(chǎng)景打磨、市場(chǎng)教育等難點(diǎn)；但如今也仍需致力解決可信、業(yè)務(wù)持續(xù)、盈利、部署的投資回報(bào)率等商業(yè)化卡點(diǎn)。

聚焦于2022年，這一歷史上極為重要一年中我國(guó)AI產(chǎn)業(yè)參與者的特征表現(xiàn)、探討AI產(chǎn)業(yè)在我國(guó)經(jīng)濟(jì)發(fā)展中的價(jià)值與地位、洞察各技術(shù)賽道參與者的發(fā)展路徑與產(chǎn)業(yè)進(jìn)階突破點(diǎn)。

人工智能產(chǎn)業(yè)發(fā)展環(huán)境演變

一、人工智能參與社會(huì)建設(shè)的千行百業(yè)——價(jià)值性、通用性、效率化為產(chǎn)業(yè)發(fā)展戰(zhàn)略方向

人工智能已成為推動(dòng)產(chǎn)業(yè)發(fā)展的主流趨勢(shì)，其產(chǎn)品形態(tài)和應(yīng)用邊界不斷拓寬，包括軟件服務(wù)、云服務(wù)、硬件基礎(chǔ)設(shè)施等形式，應(yīng)用場(chǎng)景涵蓋消費(fèi)、制造業(yè)、互聯(lián)網(wǎng)、金融、元宇宙和數(shù)字孿生等領(lǐng)域。據(jù)艾瑞預(yù)測(cè)，到2022年，我國(guó)人工智能產(chǎn)業(yè)規(guī)模將達(dá)到1958億元，同時(shí)，人工智能產(chǎn)學(xué)研界在通用大模型、行業(yè)大模型等方向上取得了一定突破，促進(jìn)技術(shù)通用性和效率化生產(chǎn)。AI技術(shù)的商業(yè)價(jià)值塑造、通用性提升和效率化應(yīng)用是其助力產(chǎn)業(yè)發(fā)展、社會(huì)進(jìn)步和自身造血的關(guān)鍵。

二、企業(yè)積極部署AI戰(zhàn)略以實(shí)現(xiàn)業(yè)務(wù)增長(zhǎng)——對(duì)AI應(yīng)用的比率及數(shù)量持續(xù)走高； AI提升營(yíng)收能力進(jìn)步

縱觀近五年來(lái)的AI技術(shù)商業(yè)落地發(fā)展脈絡(luò)，產(chǎn)品及服務(wù)提供商圍繞技術(shù)深耕、場(chǎng)景創(chuàng)新、商業(yè)價(jià)值創(chuàng)造、精細(xì)化服務(wù)不斷努力；需求側(cè)企業(yè)也在從單點(diǎn)試驗(yàn)、數(shù)據(jù)積累到戰(zhàn)略改革的發(fā)展路線上，與AI技術(shù)逐漸深度綁定。AI成為企業(yè)數(shù)字化、智能化改革的重要抓手，也是各行業(yè)領(lǐng)軍企業(yè)打造營(yíng)收護(hù)城河的重要方向。

麥肯錫2022年對(duì)企業(yè)應(yīng)用AI技術(shù)的調(diào)研表明：相較于2017年的20%，2022年企業(yè)至少在一個(gè)業(yè)務(wù)領(lǐng)域采用AI技術(shù)的比率增加了一倍多，達(dá)到50%；應(yīng)用的AI產(chǎn)品數(shù)量也從2018年的平均1.9個(gè)增加到2022年的3.8個(gè)。除了應(yīng)用數(shù)量上的提升，AI產(chǎn)生的商業(yè)價(jià)值也不斷增長(zhǎng)，企業(yè)部署AI的動(dòng)力顯著。

埃森哲商業(yè)研究院針對(duì)中國(guó)250家領(lǐng)先企業(yè)的調(diào)研顯示，2018-2021年，企業(yè)營(yíng)收中“由AI推動(dòng)的份額”平均增加了一倍，預(yù)計(jì)到2024年將進(jìn)一步增加至36%。落地AI應(yīng)用對(duì)企業(yè)業(yè)務(wù)運(yùn)營(yíng)的商業(yè)價(jià)值與戰(zhàn)略意義越來(lái)越明確。

三、城市算腦建設(shè)推動(dòng)區(qū)域發(fā)展與產(chǎn)業(yè)升級(jí)——各地加速布局區(qū)域智算中心，夯實(shí)AI算力基礎(chǔ)設(shè)施

基于對(duì)支撐AI應(yīng)用及研發(fā)的智能算力需求擴(kuò)大、以及全國(guó)算力樞紐一體化和“東數(shù)西算”的工程建設(shè)方向。近兩年來(lái)，各地對(duì)人工智能計(jì)算/超算中心（智算中心）的關(guān)注度和投資增多。智算中心是指基于最新AI理論，采用領(lǐng)先的AI計(jì)算架構(gòu)，提供AI應(yīng)用所需算力服務(wù)、數(shù)據(jù)服務(wù)和算法服務(wù)的公共算力新型基礎(chǔ)設(shè)施。目前，我國(guó)有超過(guò)30個(gè)城市建設(shè)或提出建設(shè)智算中心，其中已有近10個(gè)城市的智算中心投入運(yùn)營(yíng)，為當(dāng)?shù)馗餍袠I(yè)領(lǐng)域提供算力支撐。智算中心建設(shè)對(duì)區(qū)域經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)升級(jí)有明顯推動(dòng)作用，同時(shí)可提高城市治理智能化水平和城市競(jìng)爭(zhēng)力。從政府投資角度看，智算中心產(chǎn)業(yè)發(fā)展尚處于初期階段，建設(shè)、運(yùn)營(yíng)、應(yīng)用推廣與生態(tài)建設(shè)、節(jié)能環(huán)保要求等投入較大，需結(jié)合地方財(cái)政能力合理評(píng)估，根據(jù)實(shí)際需求適度超前部署機(jī)柜。

四、政策引導(dǎo)解決AI重大應(yīng)用和產(chǎn)業(yè)化問題——著力打造人工智能重大場(chǎng)景，形成可復(fù)制推廣的標(biāo)桿應(yīng)用

盡管我國(guó)在數(shù)據(jù)、算力、算法及模型的基礎(chǔ)層資源與研究積累日益豐富，為開展下游人工智能場(chǎng)景創(chuàng)新應(yīng)用打下了堅(jiān)實(shí)基礎(chǔ)，但在應(yīng)用場(chǎng)景上仍存在“對(duì)場(chǎng)景創(chuàng)新認(rèn)識(shí)不到位，重大場(chǎng)景系統(tǒng)設(shè)計(jì)不足，場(chǎng)景機(jī)會(huì)開放程度不夠，場(chǎng)景創(chuàng)新生態(tài)不完善”等問題。為此，2022年，我國(guó)陸續(xù)出臺(tái)一系列指導(dǎo)意見及通知，持續(xù)加強(qiáng)對(duì)人工智能場(chǎng)景創(chuàng)新工作的統(tǒng)籌指導(dǎo)，規(guī)范與加強(qiáng)人工智能應(yīng)用建設(shè)，實(shí)現(xiàn)AI與實(shí)體產(chǎn)業(yè)經(jīng)濟(jì)的深度融合。其中，政策引導(dǎo)是解決AI重大應(yīng)用和產(chǎn)業(yè)化問題的重要手段之一。著力打造人工智能重大場(chǎng)景，形成可復(fù)制推廣的標(biāo)桿應(yīng)用，是政策引導(dǎo)的重要方向之一。通過(guò)政策引導(dǎo)，加強(qiáng)對(duì)人工智能場(chǎng)景創(chuàng)新工作的統(tǒng)籌指導(dǎo)，規(guī)范與加強(qiáng)人工智能應(yīng)用建設(shè)，將有助于實(shí)現(xiàn)AI與實(shí)體產(chǎn)業(yè)經(jīng)濟(jì)的深度融合。

五、科技倫理治理持續(xù)引導(dǎo)AI “向善”——全球AI倫理治理邁入法治時(shí)代，我國(guó)積極倡導(dǎo)框架規(guī)范

隨著人工智能與社會(huì)產(chǎn)業(yè)的融合應(yīng)用，其帶來(lái)的安全、法律和倫理方面的風(fēng)險(xiǎn)不容忽視。2022年，科技倫理治理的約束力和影響力持續(xù)提升。從全球范圍來(lái)看，主要發(fā)達(dá)國(guó)家和地區(qū)的人工智能倫理治理從政策建議正式進(jìn)入法律范疇，相關(guān)立法逐步完善，國(guó)際組織也在凝聚共識(shí)的基礎(chǔ)上，啟動(dòng)大規(guī)模深入研討。而在中國(guó)，在吸取發(fā)達(dá)國(guó)家治理經(jīng)驗(yàn)和思路的基礎(chǔ)上，2022年首次將人工智能倫理治理上升到國(guó)家政策層面，提出科技倫理治理的原則和行動(dòng)方案，具體治理舉措將會(huì)不斷細(xì)化和完善。同時(shí)，我國(guó)也在科技倫理問題上通過(guò)國(guó)際組織積極表態(tài)，增強(qiáng)國(guó)際影響力和話語(yǔ)權(quán)，防止在科技倫理問題上陷入被動(dòng)。

六、人工智能產(chǎn)業(yè)投資熱度仍在——融資向中后期過(guò)渡，視覺賽道上市浪潮涌動(dòng)

人工智能產(chǎn)業(yè)一直是投資市場(chǎng)的熱門領(lǐng)域，而最近的數(shù)據(jù)顯示，這一趨勢(shì)仍在持續(xù)。統(tǒng)計(jì)數(shù)據(jù)顯示，Pre-A~A+輪人工智能產(chǎn)業(yè)創(chuàng)投輪次數(shù)量最多，但整體而言，Pre-B~B輪+及以后輪次的人工智能產(chǎn)業(yè)創(chuàng)投數(shù)量逐漸成長(zhǎng)，資本流向穩(wěn)定發(fā)展企業(yè)，融資逐漸向中后期過(guò)渡。此外，視覺賽道上市浪潮也在涌動(dòng)，商湯科技、格靈深瞳、云從科技、創(chuàng)新奇智等企業(yè)都已實(shí)現(xiàn)上市目標(biāo)。雖然2022年我國(guó)人工智能產(chǎn)業(yè)資本市場(chǎng)投資金額整體縮水，但投資標(biāo)的更加豐富，孵化出AIGC、元宇宙、虛擬數(shù)字人等新投資賽道，認(rèn)知與決策智能類企業(yè)也吸引更多關(guān)注，智能機(jī)器人、自動(dòng)駕駛兩類無(wú)人系統(tǒng)是融資的熱門賽道。

七、區(qū)域與獨(dú)角獸企業(yè)融資分布特點(diǎn)——北上廣與江浙地帶融資密度高；獨(dú)角獸企業(yè)聚集于自動(dòng)駕駛、醫(yī)療、工業(yè)、芯片賽道

從區(qū)域分布看，統(tǒng)計(jì)時(shí)間內(nèi)融資事件集中分布于北上廣、江浙地帶。北京的融資事件密度最高，融資事件數(shù)量占全國(guó)的31.1%。除北上廣、江浙地帶以外區(qū)域融資密度較低且分散，相應(yīng)融資事件數(shù)量占全國(guó)不超過(guò)10%。這可能是因?yàn)楸鄙蠌V、江浙地帶人工智能人才密集、具備產(chǎn)業(yè)園區(qū)進(jìn)行產(chǎn)學(xué)研成果轉(zhuǎn)化、風(fēng)投機(jī)構(gòu)密布等因素，為孵化創(chuàng)投項(xiàng)目提供了有利條件。

從獨(dú)角獸企業(yè)融資情況看，統(tǒng)計(jì)時(shí)間內(nèi)獨(dú)角獸企業(yè)占比6.7%，但對(duì)應(yīng)的融資金額比例高達(dá)32.3%。獨(dú)角獸融資事件集中分布于自動(dòng)駕駛、醫(yī)療、工業(yè)、芯片行業(yè)賽道，分別孵化出L3及以上智能駕駛解決方案、AIDD藥物研發(fā)服務(wù)、工業(yè)機(jī)器人、云端大規(guī)模訓(xùn)練或端側(cè)推理芯片等產(chǎn)品或服務(wù)。隨著市場(chǎng)資金向獨(dú)角獸企業(yè)持續(xù)流入，AI產(chǎn)業(yè)未來(lái)或?qū)⒅鸩匠霈F(xiàn)一批明星上市企業(yè)。

八、人工智能產(chǎn)業(yè)市場(chǎng)規(guī)模——2022年市場(chǎng)平穩(wěn)向好，市場(chǎng)規(guī)模近2000億元

根據(jù)艾瑞的定義，我國(guó)人工智能產(chǎn)業(yè)規(guī)模涵蓋AI應(yīng)用軟件、硬件及服務(wù)，主要包括AI芯片、智能機(jī)器人（商用）、AI基礎(chǔ)數(shù)據(jù)服務(wù)、面向AI的數(shù)據(jù)治理、計(jì)算機(jī)視覺、智能語(yǔ)音與人機(jī)交互、機(jī)器學(xué)習(xí)、知識(shí)圖譜和自然語(yǔ)言處理等核心產(chǎn)業(yè)。預(yù)計(jì)到2022年，中國(guó)人工智能產(chǎn)業(yè)規(guī)模將達(dá)到1958億元，年增長(zhǎng)率為7.8%，整體平穩(wěn)向好。2022年的業(yè)務(wù)增長(zhǎng)主要依靠智算中心建設(shè)以及大模型訓(xùn)練等應(yīng)用需求拉動(dòng)的AI芯片市場(chǎng)、無(wú)接觸服務(wù)需求拉動(dòng)的智能機(jī)器人及對(duì)話式AI市場(chǎng)，除此之外的增長(zhǎng)動(dòng)力將在第三章詳細(xì)闡述。目前，中國(guó)大型企業(yè)基本都已在持續(xù)規(guī)劃投入實(shí)施人工智能項(xiàng)目，未來(lái)隨著中小型企業(yè)的普遍嘗試和大型企業(yè)的穩(wěn)健部署，在AI成為數(shù)字經(jīng)濟(jì)時(shí)代核心生產(chǎn)力的背景下，AI芯片、自動(dòng)駕駛及車聯(lián)網(wǎng)視覺解決方案、智能機(jī)器人、智能制造、決策智能應(yīng)用等細(xì)分領(lǐng)域增長(zhǎng)強(qiáng)勁。預(yù)計(jì)到2027年，人工智能產(chǎn)業(yè)整體規(guī)模可達(dá)6122億元，2022-2027年的相關(guān)CAGR為25.6%。

人工智能的底層基礎(chǔ)

一、AI芯片

1、AI芯片針對(duì)機(jī)器學(xué)習(xí)算法設(shè)計(jì)開發(fā)，廣泛應(yīng)用于云、邊、端各類場(chǎng)景

AI芯片(AI Chip)是一種專門用于處理人工智能相關(guān)的計(jì)算任務(wù)的芯片。它的架構(gòu)是專門為人工智能算法和應(yīng)用進(jìn)行優(yōu)化的，能夠高效地處理大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。AI芯片能夠高效地支持視覺、語(yǔ)音、自然語(yǔ)言處理等智能處理任務(wù)。目前，AI芯片主要分為GPU、FPGA、TPU、IPU、DPU、NPU等類型。AI芯片廣泛應(yīng)用于云端、邊緣端、終端等各種場(chǎng)景。云端AI芯片具有高性能特征，終端AI芯片具有低功耗和高能效特性，而邊緣端AI芯片的性能介于云端和終端之間。

2、AI芯片性能指標(biāo)評(píng)價(jià)評(píng)價(jià)AI芯片性能需重點(diǎn)關(guān)注TOPS/W、時(shí)延、功耗等相關(guān)指標(biāo)

目前，評(píng)價(jià)AI芯片性能的指標(biāo)主要包括TOPS、TOPS/W、時(shí)延、成本、功耗、可擴(kuò)展性、精度、適用性、吞吐量和熱管理等。其中，TOPS/W是用于度量在1W功耗的情況下，芯片能進(jìn)行多少萬(wàn)億次操作的關(guān)鍵指標(biāo)。近年來(lái)，MIT、Nvidia等研發(fā)人員開發(fā)了專門的芯片軟件評(píng)價(jià)工具，如Accelergy（評(píng)估芯片架構(gòu)級(jí)能耗）和Timeloop（評(píng)估芯片運(yùn)算執(zhí)行情況），對(duì)于AI芯片的性能做出了系統(tǒng)、全面評(píng)價(jià)。此外，MLPerf是由來(lái)自學(xué)術(shù)界、研究實(shí)驗(yàn)室和相關(guān)行業(yè)的AI領(lǐng)導(dǎo)者組成的聯(lián)盟，旨在“構(gòu)建公平和有用的基準(zhǔn)測(cè)試”，可用于衡量深度學(xué)習(xí)軟件框架、AI芯片和云平臺(tái)性能。

3、AI芯片：云端場(chǎng)景數(shù)據(jù)中心

1）GPU具備矩陣和大規(guī)模并行計(jì)算優(yōu)勢(shì)，適合數(shù)據(jù)中心場(chǎng)景

CPU是一種通用處理器，它由控制單元（負(fù)責(zé)指令讀取和指令譯碼）、存儲(chǔ)單元（包括CPU片內(nèi)緩存和寄存器）以及運(yùn)算單元（ALU約占20%CPU空間）三個(gè)主要模塊組成。然而，由于成本、功耗、技術(shù)難度和算力瓶頸等問題的限制，目前還沒有出現(xiàn)適用于AI高算力要求的主流CPU產(chǎn)品。

相比之下，GPU是一種由大量核心組成的大規(guī)模并行計(jì)算架構(gòu)，它具有較多的運(yùn)算單元（ALU）和較少的緩存（cache），是專門為同時(shí)處理多重任務(wù)而設(shè)計(jì)的芯片。GPU擁有良好的矩陣計(jì)算能力和并行計(jì)算優(yōu)勢(shì)，能夠滿足深度學(xué)習(xí)等AI算法的處理需求，因此成為主流云端AI芯片。

2）張量計(jì)算單元是GPU進(jìn)行深度學(xué)習(xí)運(yùn)算的核心組成部分

英偉達(dá)A100芯片是一種并發(fā)多核處理器，由多個(gè)SM單元(Streaming Multiprocessors，流式多處理器)構(gòu)成。不同的SM單元共享L2 Cache存儲(chǔ)資源，以便進(jìn)行數(shù)據(jù)訪問。該芯片采用安培架構(gòu)，擁有128個(gè)SM核，其中SM結(jié)構(gòu)是芯片架構(gòu)升級(jí)的核心。此外，英偉達(dá)GPU架構(gòu)中還設(shè)置了Tensor Core，這是專為深度學(xué)習(xí)矩陣運(yùn)算設(shè)計(jì)的張量計(jì)算單元，也是英偉達(dá)GPU系列深度學(xué)習(xí)運(yùn)算加速的核心。Tensor Core主要處理大型矩陣運(yùn)算，執(zhí)行一種專門的矩陣數(shù)學(xué)運(yùn)算，適用于深度學(xué)習(xí)和某些類型的高性能計(jì)算。其功能是執(zhí)行融合乘法和加法的運(yùn)算，其中兩個(gè)4*4 FP16矩陣相乘，然后將結(jié)果添加到4*4 FP32或FP64矩陣中，最終輸出新的4*4 FP32或FP64矩陣。

4、邊緣端場(chǎng)景—AIoT。邊緣端集成AI芯片可以實(shí)現(xiàn)本地化數(shù)據(jù)的實(shí)時(shí)處理

AIoT是一種融合了人工智能和物聯(lián)網(wǎng)技術(shù)的新型智能化系統(tǒng)，它可以實(shí)現(xiàn)萬(wàn)物智聯(lián)，涉及到安防、移動(dòng)互聯(lián)網(wǎng)等多種場(chǎng)景。在智慧安防方面，由于終端攝像頭每天產(chǎn)生大量的視頻數(shù)據(jù)，若全部回傳到云數(shù)據(jù)中心將會(huì)對(duì)網(wǎng)絡(luò)帶寬和數(shù)據(jù)中心資源造成極大占用。為了解決這個(gè)問題，可以在終端加裝AI芯片，實(shí)現(xiàn)數(shù)據(jù)本地化實(shí)時(shí)處理，即僅將經(jīng)過(guò)結(jié)構(gòu)化處理、關(guān)鍵信息提取后帶有關(guān)鍵信息的數(shù)據(jù)回傳云端，從而大大降低網(wǎng)絡(luò)傳輸帶寬壓力。目前，主流解決方案是在前端攝像頭設(shè)備內(nèi)集成AI芯片，在邊緣端采用智能服務(wù)器級(jí)產(chǎn)品，后端在邊緣服務(wù)器中集成智能推理芯片。為了推動(dòng)這項(xiàng)技術(shù)的發(fā)展，國(guó)內(nèi)外企業(yè)正在加大對(duì)邊緣端AI視覺處理芯片的研發(fā)和投入，相關(guān)芯片產(chǎn)品如英偉達(dá)Jetson AGX Xavier、地平線旭日3、華為海思Hi3559A V100等。

5、終端場(chǎng)景—智能駕駛。隨著智能駕駛等級(jí)的提高，技術(shù)不斷迭代促使車用AI芯片性能逐步增強(qiáng)

SAE（國(guó)際自動(dòng)機(jī)工程師學(xué)會(huì)）將自動(dòng)駕駛分為六個(gè)級(jí)別，從L0（非自動(dòng)化）到L5（完全自動(dòng)化）。每一級(jí)別需要強(qiáng)大的算力進(jìn)行實(shí)時(shí)分析、處理大量數(shù)據(jù)和執(zhí)行復(fù)雜的邏輯運(yùn)算，對(duì)計(jì)算能力有著極高的要求。L1（駕駛員輔助）和L2（部分自動(dòng)化）需要的計(jì)算能力相對(duì)較低，而L3（有條件自動(dòng)化）需要約250TOPS的計(jì)算能力，L4（高度自動(dòng)化）需要超過(guò)500TOPS，L5（全場(chǎng)景自動(dòng)駕駛）需要超過(guò)1,000TOPS。隨著芯片設(shè)計(jì)和制造工藝的提高，車用AI芯片正朝著高算力、低功耗的方向發(fā)展。

6、終端場(chǎng)景—智能駕駛。預(yù)計(jì)到2025年，全球車用AI芯片市場(chǎng)規(guī)模將突破17億美元

隨著汽車控制方式逐漸由機(jī)械式轉(zhuǎn)向電子式，每輛汽車對(duì)車用AI芯片需求提升，帶動(dòng)車用AI芯片長(zhǎng)期發(fā)展。據(jù)市場(chǎng)研究機(jī)構(gòu)Yole預(yù)測(cè)，到2025年，全球車用AI芯片產(chǎn)量將達(dá)到67.19億顆，市場(chǎng)規(guī)模將達(dá)到17.76億美元，年復(fù)合增速分別達(dá)到99.28%和59.27%。此外，車用AI芯片逐漸往高能效方向發(fā)展。例如，英特爾計(jì)劃于2022年推出EyeQ Ultra自動(dòng)駕駛汽車芯片，該芯片基于經(jīng)過(guò)驗(yàn)證的Mobileye EyeQ架構(gòu)而打造，含有8個(gè)PMA、16個(gè)VMP、24個(gè)MPC、2個(gè)CNN Accelerator視覺處理單元（VPU），通過(guò)優(yōu)化算力和效能以達(dá)到176TOPS，可滿足L4自動(dòng)駕駛場(chǎng)景。該產(chǎn)品將于2023年底供貨，預(yù)計(jì)在2025年全面實(shí)現(xiàn)車規(guī)級(jí)量產(chǎn)。

7、終端場(chǎng)景—消費(fèi)電子。2026年全球消費(fèi)電子AI芯片市場(chǎng)規(guī)模將突破55億美元

AI芯片在圖像識(shí)別、語(yǔ)音識(shí)別和快速建立用戶畫像等方面具有重要作用。根 據(jù)Yole預(yù)測(cè)，2026年全球消費(fèi)電子AI芯片市場(chǎng)規(guī)模將達(dá)到55.8億美元，其中筆記本電腦、平板電腦和智能手機(jī)AI芯片滲透率將分別達(dá)到100%、100%和91%， 未來(lái)全球消費(fèi)電子AI芯片市場(chǎng)規(guī)模和滲透率呈現(xiàn)逐步增長(zhǎng)態(tài)勢(shì)。

二、深度學(xué)習(xí)開源框架

深度學(xué)習(xí)開源框架是一種標(biāo)準(zhǔn)接口、特性庫(kù)和工具包，用于設(shè)計(jì)、訓(xùn)練和驗(yàn)證AI算法模型。它們集成了數(shù)據(jù)調(diào)用、算法封裝和計(jì)算資源的使用，是AI開發(fā)的重要工具。目前，國(guó)際上廣泛使用的深度學(xué)習(xí)開源框架包括Google TensorFlow、Facebook PyTorch、Amazon MXNet和微軟CNTK等。在中國(guó)，也有一些深度學(xué)習(xí)開源框架，如百度PaddlePaddle、華為MindSpore等。這些框架已經(jīng)初步應(yīng)用于工業(yè)、服務(wù)業(yè)等場(chǎng)景，服務(wù)200余萬(wàn)開發(fā)者。

三、數(shù)據(jù)服務(wù)以AI訓(xùn)練與調(diào)優(yōu)為目的，涉及數(shù)據(jù)采集、標(biāo)注與質(zhì)檢等環(huán)節(jié)

人工智能數(shù)據(jù)服務(wù)是指提供數(shù)據(jù)庫(kù)設(shè)計(jì)、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)注和數(shù)據(jù)質(zhì)檢等服務(wù)，以滿足客戶的需求。這個(gè)服務(wù)流程是圍繞客戶需求展開的，最終產(chǎn)出的產(chǎn)品是數(shù)據(jù)集和數(shù)據(jù)資源定制服務(wù)，為AI模型訓(xùn)練提供可靠、可用的數(shù)據(jù)。隨著短視頻、直播、社交電商等應(yīng)用的快速興起，全球數(shù)據(jù)量也在快速增長(zhǎng)。根據(jù)IDC的預(yù)測(cè)，全球數(shù)據(jù)量將從2015年的9ZB增加到2025年的175ZB，這為人工智能技術(shù)的持續(xù)迭代提供了重要的底層基礎(chǔ)。

四、云計(jì)算服務(wù)顯著降低人工智能算法開發(fā)成本，縮短產(chǎn)品開發(fā)周期

由于人工智能的開發(fā)和應(yīng)用對(duì)于算力和數(shù)據(jù)有較大需求，云計(jì)算服務(wù)可以為開發(fā)者提供智能服務(wù)器集群等強(qiáng)大算力設(shè)施的租用。同時(shí)，云計(jì)算服務(wù)還可以直接提供已經(jīng)訓(xùn)練好的人工智能功能模塊等產(chǎn)品，通過(guò)多元化的服務(wù)模式，降低開發(fā)者的開發(fā)成本和產(chǎn)品開發(fā)周期，為客戶提供AI賦能。

例如，亞馬遜SageMaker可以提供圖片/圖像分析、語(yǔ)音處理、自然語(yǔ)言理解等相關(guān)服務(wù)。使用者無(wú)需了解參數(shù)和算法即可實(shí)現(xiàn)功能的應(yīng)用。隨著底層技術(shù)的發(fā)展，IBM推出深度學(xué)習(xí)即服務(wù)（DLaaS），借助此項(xiàng)服務(wù)用戶可以使用主流框架來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，如TensorFlow、PyTorch及Caffe。用戶無(wú)需購(gòu)買和維護(hù)成本高昂的硬件，每一個(gè)云計(jì)算處理單元都遵循簡(jiǎn)單易用的原則而設(shè)置，無(wú)需用戶對(duì)基礎(chǔ)設(shè)施進(jìn)行管理。用戶可以根據(jù)支持的深度學(xué)習(xí)框架、神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練數(shù)據(jù)、成本約束等條件進(jìn)行挑選，然后DLaaS服務(wù)會(huì)幫助完成其余的事情，提供交互式、可迭代的訓(xùn)練體驗(yàn)。

人工智能的核心技術(shù)

機(jī)器學(xué)習(xí)作為人工智能技術(shù)的核心，近年來(lái)實(shí)現(xiàn)了明顯的突破。它與計(jì)算機(jī)視覺、自然語(yǔ)言處理、語(yǔ)音處理和知識(shí)圖譜等關(guān)鍵技術(shù)緊密結(jié)合，相關(guān)機(jī)器學(xué)習(xí)算法主要應(yīng)用于圖像分類、語(yǔ)音識(shí)別、文本分類等相關(guān)場(chǎng)景中。這些應(yīng)用場(chǎng)景的不斷發(fā)展和完善，不僅提升了人工智能技術(shù)的整體應(yīng)用效果，也使得人工智能技術(shù)在金融、醫(yī)療、交通等各領(lǐng)域?qū)崿F(xiàn)了廣泛的應(yīng)用。

一、機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的核心方法，專門研究計(jì)算機(jī)如何模擬/實(shí)現(xiàn)生物體的學(xué)習(xí)行為，獲取新的知識(shí)技能，利用經(jīng)驗(yàn)來(lái)改善特定算法的性能。根據(jù)學(xué)習(xí)范式的不同，機(jī)器學(xué)習(xí)可劃分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)三類。有監(jiān)督學(xué)習(xí)是指通過(guò)給計(jì)算機(jī)提供標(biāo)注數(shù)據(jù)，讓計(jì)算機(jī)學(xué)習(xí)如何將輸入映射到輸出的過(guò)程。無(wú)監(jiān)督學(xué)習(xí)則是指在沒有標(biāo)注數(shù)據(jù)的情況下，讓計(jì)算機(jī)自行學(xué)習(xí)數(shù)據(jù)的特征和結(jié)構(gòu)。強(qiáng)化學(xué)習(xí)則是通過(guò)讓計(jì)算機(jī)在與環(huán)境的交互中不斷試錯(cuò)，從而學(xué)習(xí)如何最大化獎(jiǎng)勵(lì)的過(guò)程。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)算法的一種，具有多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其在圖像識(shí)別、語(yǔ)音處理等領(lǐng)域取得了劃時(shí)代的成果。

1、有監(jiān)督學(xué)習(xí)：從有標(biāo)注訓(xùn)練數(shù)據(jù)中推導(dǎo)出預(yù)測(cè)函數(shù)

有監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)任務(wù)的一種類型，其目的是從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)函數(shù)（模型參數(shù)），以便在新的數(shù)據(jù)到來(lái)時(shí)，能夠根據(jù)該函數(shù)預(yù)測(cè)結(jié)果。訓(xùn)練集中包括輸入和輸出，也稱為特征和目標(biāo)，其中目標(biāo)是由人工標(biāo)注的。有監(jiān)督學(xué)習(xí)的過(guò)程一般包括確定訓(xùn)練類型、收集訓(xùn)練集、確定特征提取方法、選擇算法、訓(xùn)練算法、評(píng)估準(zhǔn)確性六個(gè)環(huán)節(jié)。通過(guò)已有的訓(xùn)練樣本去訓(xùn)練得到一個(gè)最優(yōu)模型，再利用該模型將所有的輸入映射為相應(yīng)的輸出，從而實(shí)現(xiàn)分類目的。

1）邏輯回歸

邏輯回歸是一種用于學(xué)習(xí)某事件發(fā)生概率的算法，它可以對(duì)某個(gè)事件的發(fā)生或不發(fā)生進(jìn)行二元分類。邏輯回歸使用 Sigmoid 函數(shù)來(lái)輸出結(jié)果，其輸出結(jié)果的范圍在 [0,1] 之間。邏輯回歸的主要目標(biāo)是發(fā)現(xiàn)特征與特定結(jié)果可能性之間的聯(lián)系。例如，我們可以使用邏輯回歸來(lái)根據(jù)學(xué)習(xí)時(shí)長(zhǎng)來(lái)預(yù)測(cè)學(xué)生是否通過(guò)考試，其中響應(yīng)變量為“通過(guò)”和“未通過(guò)”考試。

2）支持向量機(jī)：以間隔最大化為基準(zhǔn)學(xué)習(xí)遠(yuǎn)離數(shù)據(jù)的決策邊界

支持向量機(jī)（Support Vector Machine，SVM）是一種基于間隔最大化的決策邊界算法。其主要目的是學(xué)習(xí)一個(gè)盡可能遠(yuǎn)離數(shù)據(jù)的決策邊界，以確保分類的準(zhǔn)確性。在SVM中，支持向量是決策邊界的重要數(shù)據(jù)點(diǎn)，其位置對(duì)于分類結(jié)果具有重要的影響。

當(dāng)訓(xùn)練樣本線性可分時(shí)，SVM采用硬間隔最大化的方法學(xué)習(xí)線性可分支持向量機(jī)；當(dāng)訓(xùn)練樣本近似線性可分時(shí)，SVM采用軟間隔最大化的方法學(xué)習(xí)線性支持向量機(jī)。在解決線性不可分問題時(shí)，SVM引入核函數(shù)，將數(shù)據(jù)映射到另一個(gè)特征空間，然后進(jìn)行線性回歸。通過(guò)采用核方法的支持向量機(jī)，原本線性不可分的數(shù)據(jù)在特征空間內(nèi)變?yōu)榫€性可分，從而實(shí)現(xiàn)了分類的準(zhǔn)確性。

3）決策樹：以樹結(jié)構(gòu)形式表達(dá)的預(yù)測(cè)分析模型

決策樹是一種樹狀結(jié)構(gòu)，用于對(duì)數(shù)據(jù)進(jìn)行劃分。它通過(guò)一系列決策（選擇）來(lái)劃分?jǐn)?shù)據(jù)，類似于針對(duì)一系列問題進(jìn)行選擇。一棵決策樹通常包含一個(gè)根節(jié)點(diǎn)、若干個(gè)內(nèi)部節(jié)點(diǎn)和若干個(gè)葉節(jié)點(diǎn)。每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，每個(gè)葉節(jié)點(diǎn)代表一種類別。

決策樹的生成是一個(gè)遞歸過(guò)程。在決策樹基本算法中，有三種情況會(huì)導(dǎo)致遞歸返回：

當(dāng)前節(jié)點(diǎn)包含的樣本全屬于同一類別，無(wú)需劃分。

當(dāng)前屬性集為空或是所有樣本在所有屬性上取值相同，無(wú)法劃分。

當(dāng)前節(jié)點(diǎn)包含的樣本集合為空，不能劃分。

這些情況都是決策樹生成過(guò)程中的終止條件。

4）隨機(jī)森林：利用多決策樹模型，提高模型預(yù)測(cè)精度

隨機(jī)森林是一種分類器，它利用多棵決策樹對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)。在隨機(jī)森林算法中，每個(gè)決策樹的輸出被收集起來(lái)，通過(guò)多數(shù)表決的方式得到最終的分類結(jié)果。這種方法類似于找人商量事情，不只聽一個(gè)人的意見，而是在聽取多人意見后綜合判斷。隨機(jī)森林的每棵樹都是通過(guò)以下步驟生成的：

從訓(xùn)練集中隨機(jī)且有放回地抽取N個(gè)訓(xùn)練樣本，作為該樹的訓(xùn)練集，重復(fù)K次，生成K組訓(xùn)練樣本集；

從M個(gè)特征中隨機(jī)選取m個(gè)特征，其中m<

利用m個(gè)特征實(shí)現(xiàn)每棵樹最大程度的生長(zhǎng)，并且沒有剪枝過(guò)程。

這種方法可以有效地避免過(guò)擬合問題，并且在處理大型數(shù)據(jù)集時(shí)表現(xiàn)良好。

5）樸素貝葉斯是常用于自然語(yǔ)言分類問題的算法

樸素貝葉斯是一種基于概率進(jìn)行預(yù)測(cè)的算法，主要用于分類問題。在實(shí)踐中，它被廣泛應(yīng)用于文本分類和垃圾郵件判定等自然語(yǔ)言處理領(lǐng)域。具體來(lái)說(shuō)，該算法通過(guò)計(jì)算數(shù)據(jù)為某個(gè)標(biāo)簽的概率，將其分類為概率值最大的標(biāo)簽。例如，假設(shè)訓(xùn)練數(shù)據(jù)類別為電影（包括那部讓人感動(dòng)的電影名作重映、華麗的動(dòng)作電影首映和復(fù)映的名作感動(dòng)了世界），訓(xùn)練數(shù)據(jù)類別為宇宙（包括沙塵暴籠罩著火星、火星探測(cè)終于重新開始和VR中看到的火星沙塵暴讓人感動(dòng)），而驗(yàn)證數(shù)據(jù)為“復(fù)映的動(dòng)作電影名作讓人感動(dòng)”。在這種情況下，樸素貝葉斯算法將通過(guò)計(jì)算“復(fù)映的動(dòng)作電影名作讓人感動(dòng)”屬于電影或宇宙的概率，來(lái)判斷該數(shù)據(jù)屬于哪個(gè)類別。以下為樸素貝葉斯算法過(guò)程：

2、無(wú)監(jiān)督學(xué)習(xí)：對(duì)無(wú)標(biāo)簽樣本進(jìn)行學(xué)習(xí)揭示數(shù)據(jù)內(nèi)在規(guī)律

無(wú)監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，其主要目的是在沒有標(biāo)記的訓(xùn)練數(shù)據(jù)的情況下生成模型。這種方法通常用于缺乏足夠的先驗(yàn)知識(shí)難以進(jìn)行人工標(biāo)注類別或進(jìn)行人工類別標(biāo)注成本高的情況下。無(wú)監(jiān)督學(xué)習(xí)的目標(biāo)是通過(guò)對(duì)無(wú)標(biāo)簽樣本的學(xué)習(xí)來(lái)揭示數(shù)據(jù)的內(nèi)在特性及規(guī)律。該方法主要涉及聚類和降維問題。聚類問題包括K-means聚類、概念聚類、模糊聚類等算法，其目標(biāo)是為數(shù)據(jù)點(diǎn)分組，使得不同聚類中的數(shù)據(jù)點(diǎn)不相似，同一聚類中的數(shù)據(jù)點(diǎn)則是相似的。降維問題主要是主成分分析、線性判別分析、多維尺度分析等算法，其中主成分分析將數(shù)據(jù)中存在的空間重映射成一個(gè)更加緊湊的空間，此種變換后的維度比原來(lái)維度更小。無(wú)監(jiān)督學(xué)習(xí)適用于發(fā)現(xiàn)異常數(shù)據(jù)、用戶類別劃分、推薦系統(tǒng)等場(chǎng)景。

1）策略梯度：有效處理高維及連續(xù)動(dòng)作空間問題

策略梯度（Policy Gradient,PG）是一種基于策略優(yōu)化的強(qiáng)化學(xué)習(xí)算法。在強(qiáng)化學(xué)習(xí)中，機(jī)器通過(guò)判斷在特定狀態(tài)下采取不同動(dòng)作所得環(huán)境回報(bào)大小來(lái)評(píng)價(jià)采取該動(dòng)作的優(yōu)劣。PG的核心思想是，當(dāng)一個(gè)動(dòng)作的環(huán)境回報(bào)較大時(shí)，增加其被選擇的概率；反之，減少該動(dòng)作被選擇的概率。每個(gè)動(dòng)作選擇概率由神經(jīng)網(wǎng)絡(luò)決定，以參數(shù)化神經(jīng)網(wǎng)絡(luò)表示策略

審核編輯黃宇