人工智能行業(yè)市場(chǎng)分析

人工智能旨在利用計(jì)算機(jī)模擬和執(zhí)行各領(lǐng)域的智能任務(wù)

從日常生活中可以隨處瞥見人工智能的影子

人臉識(shí)別打卡是一種快速、高效的考勤方式，相比傳統(tǒng)的打卡方式，

具有以下優(yōu)勢(shì)：1.準(zhǔn)確率高：人臉識(shí)別技術(shù)可以在不同光線、角度、

表情等情況下，準(zhǔn)確地識(shí)別員工的面部信息，避免了手工打卡時(shí)出現(xiàn)

的誤差和作弊行為。2.安全性強(qiáng)：人臉識(shí)別技術(shù)通過人臉特征識(shí)別，

確保只有正式員工才能進(jìn)行考勤，防止了非法人員的進(jìn)入和作弊行為。

3.便捷性高：人臉識(shí)別打卡無需員工攜帶打卡卡片或密碼，只需要站

在識(shí)別設(shè)備前進(jìn)行識(shí)別即可，方便快捷。

智能推送是一種機(jī)器學(xué)習(xí)方法，可以識(shí)別和預(yù)測(cè)各種用戶的興趣或偏

好，從而有針對(duì)性地、及時(shí)地向用戶主動(dòng)推送所需信息，以滿足不同

用戶的個(gè)性化需求。

計(jì)算智能是人工智能的基礎(chǔ)性功能，賦能產(chǎn)業(yè)領(lǐng)域較廣

計(jì)算智能，通常指基于清晰規(guī)則的數(shù)值運(yùn)算，比如數(shù)值加減、微積分、

矩陣分解等。計(jì)算智能得益于計(jì)算機(jī)存儲(chǔ)與硬件的快速發(fā)展，已給互

聯(lián)網(wǎng)、金融和工業(yè)等多個(gè)領(lǐng)域帶來產(chǎn)業(yè)價(jià)值。計(jì)算智能也面臨顯著困

境。以金融場(chǎng)景為例，計(jì)算智能受限于指定的數(shù)據(jù)邏輯規(guī)則，雖計(jì)算

智能可以高性能地計(jì)算股票的統(tǒng)計(jì)特征，但無法運(yùn)用專家知識(shí)，也難

以進(jìn)行深度、動(dòng)態(tài)和啟發(fā)式的推理，對(duì)投資、博弈等業(yè)務(wù)貢獻(xiàn)的價(jià)值

有限。計(jì)算智能所需的高性能硬件和網(wǎng)絡(luò)支持等，也給企業(yè)帶來了巨

大的成本壓力。

認(rèn)知智能在前兩者基礎(chǔ)上，提升了對(duì)各類信息的處理能力

認(rèn)知智能需要具有對(duì)采集的信息進(jìn)行處理、存儲(chǔ)和轉(zhuǎn)化的能力，在這

一階段需要運(yùn)用計(jì)算智能、感知智能的數(shù)據(jù)清洗、圖像識(shí)別能力C認(rèn)

知智能需要擁有對(duì)業(yè)務(wù)需求的理解及對(duì)分散數(shù)據(jù)、知識(shí)的治理能力。

認(rèn)知智能需要能夠針對(duì)業(yè)務(wù)場(chǎng)景進(jìn)行策略溝建和決策，提升人與機(jī)器、

人與人、人與業(yè)務(wù)的協(xié)同、共享和博弈等能力。

算法是人工智能的靈魂所在

眾所周知，計(jì)算機(jī)最擅長(zhǎng)處理的是數(shù)字，所以我們可以將現(xiàn)實(shí)問題抽

象為數(shù)學(xué)問題，再讓計(jì)算機(jī)幫我們解決。那么，其中的關(guān)鍵就是找到

能夠準(zhǔn)確翻譯該問題的數(shù)據(jù)公式，一般是某個(gè)函數(shù)關(guān)系f（X）。這個(gè)

函數(shù)就叫做“算法/模型”。既然我們知道算法本質(zhì)就是函數(shù)，那么影響

算法準(zhǔn)確程度的因素是什么？答案就是函數(shù)的參數(shù)。而機(jī)器學(xué)習(xí)的本

質(zhì)就是它是一種可以通過反復(fù)帶入數(shù)據(jù)從而自主調(diào)整參數(shù)的人工智

能算法之一。機(jī)器學(xué)習(xí)不是某種具體的算法，而是很多算法的統(tǒng)稱。

機(jī)器學(xué)習(xí)下的算法紛繁復(fù)雜，從學(xué)習(xí)方法上來分，機(jī)器學(xué)習(xí)又可以分

為傳統(tǒng)機(jī)器學(xué)習(xí)（監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)）、深度學(xué)習(xí)

和強(qiáng)化學(xué)習(xí)等等。

數(shù)據(jù)是人工智能發(fā)展的土壤

數(shù)據(jù)是人工智能成長(zhǎng)的能源。人工智能的自我調(diào)整與學(xué)習(xí)的過程，本

質(zhì)上是對(duì)大量數(shù)據(jù)進(jìn)行分析并找出規(guī)律，如無人車需要大量的試車數(shù)

據(jù)不斷地測(cè)試算法，并在業(yè)務(wù)場(chǎng)景上形成自我改進(jìn)的反饋系統(tǒng)?？梢?/p>

如果沒有數(shù)據(jù)的場(chǎng)景不可能實(shí)現(xiàn)人工智能，數(shù)據(jù)就是人工智能的引爆

點(diǎn)。數(shù)據(jù)是人工智能結(jié)果準(zhǔn)確的可靠性保證。對(duì)于人工智能結(jié)果的可

靠性，數(shù)據(jù)要素的豐富性和準(zhǔn)確性是關(guān)鍵，只有數(shù)據(jù)要素充分、準(zhǔn)確，

才能提高人工智能結(jié)果的準(zhǔn)確性。數(shù)據(jù)是人工智能應(yīng)用的創(chuàng)新基礎(chǔ)。

在數(shù)據(jù)要素基礎(chǔ)上，人工智能應(yīng)用可以進(jìn)行跨學(xué)科的整合，輔助解決

大量的實(shí)際問題，如金融預(yù)測(cè)、物流運(yùn)輸、醫(yī)療診斷等，從而推動(dòng)了

各個(gè)領(lǐng)域的創(chuàng)新發(fā)展。

人工智能發(fā)展已歷經(jīng)三次浪潮

AIGC是從早期的“決策型”AI發(fā)展演化而來

AIGC（生成式AI）起源于“決策型”AI,決策型AI發(fā)展過程中的技術(shù)

積累為生成式AI的產(chǎn)生奠定基礎(chǔ)。決策型AI其學(xué)習(xí)的知識(shí)局限于數(shù)

據(jù)本身；生成式AI在總結(jié)歸納數(shù)據(jù)知識(shí)的基礎(chǔ)上可生成數(shù)據(jù)中不存

在的樣本。最新生成式AI技術(shù)如GAN,Diffusion等，催生多款A(yù)IGC

產(chǎn)品如:OpenAI系列、DALL-E2（Diffusion）,StarryA.L（基于GAN）

等。

以ChatGPT為例，其也是基于NLP模型逐步進(jìn)化而來

GPT模型是一種自然語言處理（NLP）模型，使用多層變換器

（Transformer）來預(yù)測(cè)下一個(gè)單詞的概率分布，通過訓(xùn)練在大型文

本語料庫上學(xué)習(xí)到的語言模式來生成自然語言文本。從GPT?1到

GPT-3智能化程度不斷提升，ChatGPT的到來也是GPT-4正式推出

之前的序章。

算力是人工智能的基礎(chǔ)設(shè)施，算法是人工智能的靈魂

算力提升有極強(qiáng)的經(jīng)濟(jì)效益

算力的經(jīng)濟(jì)效益使其成為各國(guó)政策支持的重點(diǎn)。根據(jù)清華大學(xué)全球產(chǎn)

業(yè)院與浪潮信息聯(lián)合發(fā)布的《2021?2022全球計(jì)算力指數(shù)評(píng)估報(bào)告》,

通過對(duì)全球15個(gè)重點(diǎn)國(guó)家的計(jì)算力指數(shù)與數(shù)字經(jīng)濟(jì)及GDP的回歸

分析，得到15個(gè)重點(diǎn)國(guó)家的計(jì)算力指數(shù)平均每提高1點(diǎn)，國(guó)家的數(shù)

字經(jīng)濟(jì)和GDP將分別增長(zhǎng)3.5%。和1.8%oo進(jìn)一步研究發(fā)現(xiàn)，當(dāng)一個(gè)

國(guó)家計(jì)算力指數(shù)分別達(dá)到40分及60分以上時(shí)，計(jì)算力指數(shù)每提升1

點(diǎn)，其對(duì)GDP增長(zhǎng)的推動(dòng)力將分別增加到1.5倍及3倍。智能算力

提升具備重大經(jīng)濟(jì)效益，對(duì)算力基礎(chǔ)設(shè)施發(fā)展的支持性政策成為各國(guó)

政策的重點(diǎn)。

AI數(shù)據(jù)中心需求激增，AI服務(wù)器快速放量

大模型的出現(xiàn)和技術(shù)創(chuàng)新對(duì)AI數(shù)據(jù)中心的發(fā)展起到推動(dòng)作用。大模

型的出現(xiàn)帶來了算力的增量需求。根據(jù)OpenAI發(fā)布的有關(guān)GPT-3

模型的文檔，它包含1750億個(gè)參數(shù)，需要進(jìn)行數(shù)千萬次的計(jì)算操作

來完成一次推理任務(wù)。ChatGPT的總算力消耗約為3640PF-days,

需要7~8個(gè)投資規(guī)模30億、單體算力500P的數(shù)據(jù)中心才能支撐運(yùn)

行，這樣的規(guī)模和復(fù)雜性需要高性能的計(jì)算設(shè)備和大規(guī)模的并行計(jì)算

能力，帶動(dòng)了AI數(shù)據(jù)中心需求的增長(zhǎng)。新的處理器架構(gòu)、高速網(wǎng)絡(luò)、

存儲(chǔ)技術(shù)以及更高效的冷卻和能源管理系統(tǒng)的出現(xiàn)，提升了數(shù)據(jù)中心

的性能和效率，為AI數(shù)據(jù)中心的發(fā)展提供了技術(shù)支持。

AIGC拉動(dòng)AI算力需求，AI芯片將成為未來科技石油

基于APU架構(gòu)的MI300預(yù)計(jì)于年底開始應(yīng)用于超級(jí)計(jì)算機(jī)。隨著

AI進(jìn)入“大模型”時(shí)代，訓(xùn)練數(shù)據(jù)不斷增長(zhǎng)、算法復(fù)雜度不斷提高，國(guó)

內(nèi)人工智能廠商對(duì)算力的需求陡升。AI芯片作為大模型及AI應(yīng)用落

地的算力基礎(chǔ)，重要性日益凸顯。廣義的AI芯片指專門用于處理人

工智能應(yīng)用中大量計(jì)算任務(wù)的模塊，即面向人工智能領(lǐng)域的芯片均被

稱為AI芯片。狹義的AI芯片即針對(duì)人工智能算法做了特殊加速設(shè)計(jì)

的芯片。狹義的AI芯片與傳統(tǒng)芯片（如CPU）相比，性能優(yōu)勢(shì)主要

體現(xiàn)在專用性的側(cè)重上。

要解決人類指定的各類任務(wù)，先要讓計(jì)算機(jī)模擬人類的學(xué)習(xí)機(jī)制

人類跟計(jì)算機(jī)的能力維度各有優(yōu)勢(shì)，讓計(jì)算機(jī)學(xué)習(xí)和模擬人類的解決

問題的方法是各類算法的起點(diǎn)。人類會(huì)非常容易的辨別出垃圾郵件與

貓狗，但是讓計(jì)算機(jī)做卻非常困難，因?yàn)檫@與發(fā)明計(jì)算機(jī)的最初任務(wù)

有本質(zhì)區(qū)別。比如對(duì)1億數(shù)據(jù)進(jìn)行混合四則運(yùn)算或大小排序，這些任

務(wù)讓人類執(zhí)行會(huì)非常低效，但計(jì)算機(jī)卻可以快速完成。而人工智能要

處理的任務(wù)與計(jì)算機(jī)最初的任務(wù)恰好相反。這就促使了讓人們思考人

類到底是怎么進(jìn)行學(xué)習(xí)的。人類的學(xué)習(xí)機(jī)制：嬰兒根本不知道貓狗到

現(xiàn)在我們可以一眼分辨出貓狗，是一個(gè)經(jīng)驗(yàn)學(xué)習(xí)過程：首先需要一定

的樣木資料，從小可能在電視中、現(xiàn)實(shí)中或圖書中或家長(zhǎng)教育中獲得

大量信息，然后大腦將接受的信息進(jìn)行學(xué)習(xí)、歸納、整理、總結(jié)，最

后形成我們的知識(shí)與經(jīng)驗(yàn)。對(duì)于計(jì)算機(jī)，它的優(yōu)勢(shì)是計(jì)算能力非常強(qiáng),

可以處理海量數(shù)據(jù)。我們需要給它提供成千上萬的資料數(shù)據(jù)（貓狗照

片）讓它進(jìn)行學(xué)習(xí)，然后計(jì)算機(jī)再面對(duì)新樣本時(shí)才能以較高的準(zhǔn)確率

進(jìn)行分辨。

單一的專家系統(tǒng)算法會(huì)遇到諸多瓶頸

但在實(shí)踐過程中，有些任務(wù)本身的規(guī)則很難定義。一個(gè)典型的例子就

是圖像識(shí)別。在圖像識(shí)別領(lǐng)域中，一個(gè)最基礎(chǔ)的問題就是分辨這個(gè)圖

像是什么。舉例來說，告訴你一張圖像不是貓就是狗，現(xiàn)在給你一張

圖片，讓你分辨一去圖片到底是貓還是狗。人類可以輕松地分辨出左

側(cè)是貓右側(cè)是狗，但是讓你具體說出你是究竟根據(jù)什么來分辨出貓與

狗的，突然發(fā)現(xiàn)這個(gè)問題很難回答。例如，貓跟狗都有五官與體毛,

并有基本相同的姿勢(shì)等等，計(jì)算機(jī)量化描述這些規(guī)則的話，難度和復(fù)

雜度極大。

無監(jiān)督學(xué)習(xí)跟監(jiān)督學(xué)習(xí)相比，主要有三個(gè)特點(diǎn)

無監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)的訓(xùn)練方式，它本質(zhì)上是一個(gè)統(tǒng)計(jì)手段,

在沒有標(biāo)簽的數(shù)據(jù)里可以發(fā)現(xiàn)潛在的一些結(jié)構(gòu)的一種訓(xùn)練方式。下面

通過跟監(jiān)督學(xué)習(xí)的對(duì)比來理解無監(jiān)督學(xué)習(xí)：監(jiān)督學(xué)習(xí)是一種目的明確

的訓(xùn)練方式，你知道得到的是什么；而無監(jiān)督學(xué)習(xí)則是沒有明確目的

的訓(xùn)練方式，你無法提前知道結(jié)果是什么。監(jiān)督學(xué)習(xí)需要給數(shù)據(jù)打標(biāo)

簽；而無監(jiān)督學(xué)習(xí)不需要給數(shù)據(jù)打標(biāo)簽。監(jiān)督學(xué)習(xí)由于目標(biāo)明確，所

以可以衡量效果；而無監(jiān)督學(xué)習(xí)兒乎無法量化效果如何。

深度學(xué)習(xí)的靈感來自大腦的結(jié)構(gòu)和功能

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，但是并不完全等于傳統(tǒng)神

經(jīng)網(wǎng)絡(luò)，可以看做神經(jīng)網(wǎng)絡(luò)的升級(jí)版本。

根據(jù)李開復(fù)在《人工智能》內(nèi)容，以識(shí)別圖片中的漢字為例來解釋深

度學(xué)習(xí)：

假設(shè)深度學(xué)習(xí)要處理的信息是“水流”，而處理數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)是

一個(gè)由管道和閥門組成的巨大水管網(wǎng)絡(luò)。網(wǎng)絡(luò)的入口是若干管道開口,

網(wǎng)絡(luò)的出口也是若干管道開口。這個(gè)水管網(wǎng)絡(luò)有許多層，每一層由許

多個(gè)可以控制水流流向與流量的調(diào)節(jié)閥。根據(jù)不同任務(wù)的需要，水管

網(wǎng)絡(luò)的層數(shù)、每層的調(diào)節(jié)閥數(shù)量可以有不同的變化組合。對(duì)復(fù)雜任務(wù)

來說，調(diào)節(jié)閥的總數(shù)可以成千上萬甚至更多。水管網(wǎng)絡(luò)中，每一層的

每個(gè)調(diào)節(jié)閥都通過水管與下一層的所有調(diào)節(jié)閥連接起來，組成一個(gè)從

前到后，逐層完全連通的水流系統(tǒng)。那么，計(jì)算機(jī)該如何使用這個(gè)龐

大的水管網(wǎng)絡(luò)來學(xué)習(xí)識(shí)字呢？

比如，當(dāng)計(jì)算機(jī)看到一張寫有“田”字的圖片，就簡(jiǎn)單將組成這張圖片

的所有數(shù)字（在計(jì)算機(jī)里，圖片的每個(gè)顏色點(diǎn)都是用“0”和“1”組成的

數(shù)字來表示的）全都變成信息的水流，從入口灌進(jìn)水管網(wǎng)絡(luò)。

我們預(yù)先在水管網(wǎng)絡(luò)的每個(gè)出口都插一塊字牌，對(duì)應(yīng)于每一個(gè)我們想

讓計(jì)算機(jī)認(rèn)識(shí)的漢字。這時(shí)，因?yàn)檩斎氲氖恰疤铩边@個(gè)漢字，等水流流

過整個(gè)水管網(wǎng)絡(luò)，計(jì)算機(jī)就會(huì)跑到管道出口位置去看一看，是不是標(biāo)

記由“田”字的管道出口流出來的水流最多。如果是這樣，就說明這個(gè)

管道網(wǎng)絡(luò)符合要求。如果不是這樣，就調(diào)節(jié)水管網(wǎng)絡(luò)里的每一個(gè)流量

調(diào)節(jié)閥，讓“田”字出口“流出”的水最多。

與訓(xùn)練時(shí)做的事情類似，未知的圖片會(huì)被計(jì)算機(jī)轉(zhuǎn)變成數(shù)據(jù)的水流,

灌入訓(xùn)練好的水管網(wǎng)絡(luò)。這時(shí)，計(jì)算機(jī)只要觀察一下，哪個(gè)出水口流

出來的水流最多，這張圖片寫的就是哪個(gè)字。

人工智能技術(shù)的應(yīng)用前景廣闊

大模型加持下，人工智能也正在加速進(jìn)入千行百業(yè)

ChatGPT這種通用大模型已經(jīng)引爆垂直領(lǐng)域的千行百業(yè)，各行業(yè)龍

頭企業(yè)甚至初創(chuàng)企業(yè)都摩拳擦掌。金融、教育、醫(yī)療、法律、自動(dòng)駕

駛、智能物流、安防等多個(gè)領(lǐng)域的行業(yè)公司都已相繼加入行業(yè)大模型

的研發(fā)中。星環(huán)科技研發(fā)出金融行業(yè)專屬大模型——無涯，它是一款

面向金融量化領(lǐng)域、超大規(guī)模參數(shù)量的生成式大語言模型。無涯能夠

對(duì)股票、債券、基金、商品等各類市場(chǎng)事件進(jìn)行全面的復(fù)盤、傳播和

推演，從時(shí)間和空間、深度和廣度等多個(gè)方面擴(kuò)展投資研究的視角，

實(shí)現(xiàn)了全新的智能量化投研新范式。哈工大提出了一種基于醫(yī)學(xué)知識(shí)

增強(qiáng)的大型語言模型指令微調(diào)方法，打造出中文醫(yī)學(xué)大模型“本草”。”

本草“在中文醫(yī)療問診場(chǎng)景中展現(xiàn)出一定的性能提升，模型能夠根據(jù)

用戶的問題，提供較準(zhǔn)確、可靠的診斷建議和治療方案，滿足非專業(yè)

人士對(duì)醫(yī)學(xué)知識(shí)的需求。此外，模型具備一定的自適應(yīng)能力，能夠在

不同的中文問診場(chǎng)景中進(jìn)行有效的應(yīng)