2021年中国人工智能产业研究报告(Ⅳ)

发布时间:2022-03-02 03:34:09 来源:亚博bet

  近年来,在数字经济高速发展的背景下,人工智能技术及产品在企业设计、生产、营销等多个环节中均有渗透且成熟度不断提升,AI应用从消费、互联网等泛C端领域,向制造、电力等传统行业辐射。据艾瑞预测,2021年人工智能核心产业规模预计达到1998亿元,2026年将超过6000亿元,2021-2026年CAGR=24.8%。计算机视觉仍是AI技术赛道中贡献最大的市场,AI芯片则作为底层的算力支撑获得高速发展,其在预测时间内年的复合增长率维持在40%以上。在AI商业化的探索之路上,我们从需求侧观察到各行各业以高频高价值场景为落点做持续的AI泛化,愈多业务场景的泛化升级将带来企业AI应用的数据连通与业务协同等加成效应,反哺加速企业的智能化转型进程。而从供给侧看,AI企业在过去一年中纷纷加快上市动作,多家企业已在2021年成功实现上市。趋势演变上,可信AI在监管合规与商业内驱的合力下成为人工智能产业的发展趋势与研究重点,而大小模型云-边-端协同发展模式有望改善大模型在训练推理以及后续的落地中面临的卡点。同时,AI工 程化有望打通AI全链路管理能力,助力AI企业实现落地赋能与商业变现的双赢。

  随着2016年AlphaGo战胜人类棋手,开启了新一波人工智能浪潮,人工智能技术及产业进入加速发展期;2021年DeepMind团队开源AlphaFold2数据集,其利用人工智能技术解决蛋白质结构预测问题,供全世界科研人员使用。AI技术应用于生物领域取得的前瞻性进展有力推动了生命科学发展,也代表随着AI算力提升及算法的不断突破创新,AI技术在各行业领域的增量式技术改进、系统性前瞻性研发等重要产业改造环节提供价值。人工智能产业化进程发展至今,已逐步从AI技术与各行业典型应用场景融合赋能阶段向效率化、工业化生产的成熟阶段演进。

  数字经济是以数据为关键生产要素、以现代信息网络为重要载体、以数字技术应用为主要特征的经济形态。发展数字经济,将打通供应链上下游、产业链的不同环节与服务链的各个节点,通过产业的数字化升级,实现效率变革、动力变革、质量变革,助力新发展格局的形成与发展。近年来,我国数字经济发展迅速,2020年我国数字经济规模为39.2万亿元,占GDP比重达到38.6%。在我国“十四五规划”中,国家也首次明确提出要将数字经济核心产业增加值占GDP比重由2020年的7.8%提高到10%。未来,随着网络传输速度,海量数据积累,云计算、人工智能、物联网等代表性技术的成熟,数字经济将在各行业开启更大的想象空间。

  2021年3月我国十四五规划纲要出台,提出“打造数字经济新优势”的建设方针并强调了人工智能等新兴数字产业在提高国家竞争力上的重要价值。规划纲要指出要充分发挥海量数据和丰富应用场景优势,促进数字技术与实体经济深度融合,赋能传统产业转型升级,以数据驱动生产过程优化,催生新产业、新业态、新模式。数字经济的高速发展为人工智能发展创造了良好的经济与技术环境,且人工智能作为关键性的新型信息基础设施,也被视为拉动我国数字经济发展的新动能。随着新基础设施计划的实施、消费互联网的升级和产业互联网的发展,人工智能科技产业开始步入全面融合发展的新阶段。

  近年来,人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗透且成熟度不断提升。同时,随着新技术模型出现、各行业应用场景价值打磨与海量数据积累下的产品效果提升,人工智能应用已从消费、互联网等泛C端领域,向制造、能源、电力等传统行业辐射。以计算机视觉技术主导的人脸识别、光学字符识别(OCR)、商品识别、医学影像识别和以对话式AI技术主导的对话机器人、智能外呼等产品的商业价值已得到市场充分认可;除感知智能技术外,机器学习、知识图谱、自然语言处理等技术主导的决策智能类产品也在客户触达、决策支持等企业业务核心环节体现价值。

  人工智能产业发展也打开了新一轮的城市与区域竞争变局。根据中国新一代人工智能发展战略研究院2018-2021年针对区域人工智能科技产业竞争力评价指数的追踪研究表明,2021年长三角总评分首次超过京津冀位列第一。人工智能和实体经济融合发展进程的加速和北方人工智能科技产业创新资源的“南移”是改变区域竞争力发展格局的重要因素。因此,各区域应加速补全人工智能及面向各行业的产业链、积极建设示范性智慧应用场景、前瞻布局人工智能相关标准及管理体系、推动公共研发等资源共享、强化科研与人才培育建设等以把握人工智能产业发展的重大历史机遇。

  人工智能产业正从发展期向成熟期过渡,除AI芯片外的细分技术赛道产业已跨过高速增长期,步入了稳步增长阶段。2021年,人工智能预计达到1998亿元规模,2026年将超6000亿元。计算机视觉仍是贡献最大的市场,但随着下游各方数字化发展的意识不断加强,其对数据这一AI模型生产要素的要求在不断变高,采购含有机器学习技术的数据类产品的需求暴露与凸显,在一定程度上带动了机器学习市场;此外,AI芯片作为人工智能产业的关键硬件,其2021-2026年的CAGR在40%以上,是拉动整体产业核心规模增速与带动规模增速的重要拉力。

  2021年,中国机器学习核心产品的市场规模为275亿元,带动规模为1089亿元,核心规模2021-2026年CAGR=20.6%。ML应用厂商补全数据治理业务、数据治理厂商补全ML应用开发业务成为了一大发展趋势。机器学习应用厂商在进行决策智能应用开发时,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,构建模型特有的数据资产。数据治理厂商完成数据治理后,本就对客户的业务数据有了深入了解,能够较为顺利地进入到下一轮的模型开发业务中,且模型应用开发可增加新的业务收入,故不少数据治理厂商投身于ML应用部署的业务中。

  2021年,中国知识图谱核心产品的市场规模为107亿元,带动规模为412亿元,核心规模2021-2026年CAGR=22.5%。在行业知识图谱的推进过程中,供应商会面临业务与技术上的卡点。业务方面,供应商团队常面临行业理解不到位、产品化封装难、客户期望过高等问题;而在技术方面,客户的底层运算基础设施欠缺、部分数据敏感度高的行业数据集缺失、知识图谱这类二维链接的图数据存在存储困难是普遍问题。对此,供应商需持续深入业务,形成知识图谱模型持续迭代的生产闭环,并注重产品化与工程化的可落地性,避免一味地投入高额成本却生产出智能化高、业务吻合度低的低效模型。

  2021年,中国NLP核心产品的市场规模为171亿元,带动规模为450亿元,核心规模2021-2026年CAGR=24.8%。以银行为主体的金融机构在外采NLP相关产品时,一般都会带着自研的目的。其采购NLP公司的产品或解决方案,对项目中的技术、经验等进行学习与吸纳,从而服务自身。这就会让部分NLP公司陷入疑问:银行若是学会了技术,自给自足,自己要如何保证市场份额与增量空间。事实上,银行是离不开NLP公司的。由于体制与文化的局限性,银行难以直接将身份过渡为NLP产品的供应商,其往往会成立一个需要持续对外学习新技术的第三方公司,或者投资、成立一些NLP公司,以保证经济安全、便捷有效的NLP产品更新替代,以及在众多银行中的业务竞争力。因此,垂直领域的NLP公司不必过于焦虑,其应继续深耕领域内的技术与业务实力,保证自己的能力领先,才能够持续对银行输出,保有自己的“蛋糕”。

  2021年,中国对话式AI产品的核心产品市场规模达到80亿元,带动规模为728亿元,核心规模2021-2026年CAGR=27.0%。对话式AI最早依托于智能语音技术和简单的自然语言理解能力,实现机器与人类简单的问答交互,而后逐步承载知识库和知识图谱等知识工程,并融合情感计算模型,让机器同时具备一定知识背景支撑和情绪感知能力。此时对话式AI产品智能性已然凸显,可应用在营销客服等领域帮助或替代人类完成大量重复性工作。未来对话式AI的产品边界将进一步扩大,以对话式AI为入口,以NLP和知识图谱等认知能力为底座,泛化赋能营销洞察、舆情监督等更多应用场景。

  大规模预训练与Transformer模型“跨界”融合推动计算机视觉技术进一步革新

  2021年,中国计算机视觉核心产品的市场规模为990亿元,带动规模为3079亿元,核心规模2021-2026年CAGR=17.4%。计算机视觉作为商业化程度最高、应用场景最广的人工智能赛道,从技术层面来看,在分类、定位、检测、分割等基本语义感知研究任务上已经取得很好的表现,在真实场景中也能够较好应对实战考验。在训练模型上,人工智能技术正呈现“大一统”趋势,在自然语言理解领域大放异彩的Transformer模型框架正在逐步拓展至计算机视觉模态,未来数年内我们很可能会看到Transformer与CNN相结合的混合模型架构成为视觉任务的主导模型,用以达到降低模型结构的复杂性并提升模型的可扩展性和训练效率的目的。

  2021年,中国AI芯片市场规模为297亿元,预计2026年超过1900亿元,2021-2026年CAGR=45.2%。以GPU、ASIC、FPGA为代表的AI芯片被广泛应用于云计算、AIDC、安防、自动驾驶、移动终端等领域,高效支撑AI技术落地应用,成为了AI算力突破的新增长点。而涵盖系统级AI芯片、异构智能计算服务器以及人工智能计算中心(AIDC)等的智能计算集群,可高效提供支撑AI模型开发、训练或推理的算力资源,并降低总拥有成本。AIDC既可以提高AI算法的产能,又可以提升AI技术落地效率,从算力底层实现的AI适配为人工智能企业的商业化价值拓展带来了更多可能。

  云数智的超融合发展,将带来云资源、数据资源和AI能力的极致解耦与弹性协同。拉通云服务调用、数据管理、AI模型训练及算法迭代等全链路资源后,在底层让云资源调配更加灵活弹性,在数据层与AI平台高效融合,在开发层实现敏捷式开发的质效提升,为企业提供从开发到部署、端到端的一站式大数据智能服务,达到资源节约、敏捷开发与高质效落地。

  本报告以2018年-2021年11月为融资统计分析区间。在经过2020年新冠疫情的行业洗牌后,2021年资本回暖,资金流入更为成熟企业(C轮及以后)的同时,也流入了众多A+轮及以前的初创企业,投资者重拾对人工智能创业回报的信心。此外,多家AI企业集中进行IPO使得行业融资实现了跨越,云从科技、旷视科技、格林深瞳、云天励飞均顺利过会,并拟在科创板上市,其人工智能融资即将打开二级市场的通道;2021年底,商汤科技成功完成港股上市,为AI行业资本市场发展带来了新气象,且同年亦有AI医疗影像赛道的企业冲刺成功。

  当前,大多数企业已经逐步从早期技术驱动阶段向商业驱动发展,尤其是基于视觉、语音和文本的AI技术相对较为成熟,AI在安防、医疗等领域有较多的落地成果。随着AI逐步走向成熟,市场的自然规律会为行业“去伪存真”,能够真正用AI技术解决实际问题并完成良好商业化落地的企业才能经受住时间的考验,线年以来,许多企业加快上市动作,部分企业已将上市变为了现实,成功实现了私募市场和二级资本市场的衔接,打通了进一步发展的重要融资渠道。不过,若想持续赢得投资者的信任,企业不仅需要可观的财务报表,更需要建立技术的商业化落地能力,以此将企业发展带上一个良性循环的轨道。

  企业AI转型核心为先找到最值得赋能落地的“高频高价值”场景,再以此为切入点带动企业内外部更多场景的转型升级。如今,以金融、零售、医疗和工业为代表的各行各业正以AI应用率先落地的原始场景为起点,逐步实现了更多场景的赋能延伸。愈多业务场景的泛化升级将带来企业AI应用的数据连通与业务协同等加成效应,反哺加速企业的智能化转型进程。

  数据治理在AI应用落地实施中花费90%以上的精力,而面对AI应用对数据的质量、量级、字段丰富度和实时性等维度的高质量要求,大多传统数据治理体系难以满足,因此对应数据存在反复治理、二次治理的工作,极大拉低AI应用的规模化落地效率。若企业搭建面向人工智能的数据治理体系,可将面向AI应用的数据治理环节流程化、标准化和体系化,降低数据反复准备、特征筛选、模型调优和迭代的成本,缩短AI模型的开发构建周期,最终显著提升AI应用的规模化落地效率。

  产品与商业模式之间本身具有强烈的联动关系,企业用产品探索市场与客户,加深对技术场景的理解,而这种理解可以反推商业模式,然而AI行业内一直存在着产品和商业化相互妥协和制约的现象。因此,AI服务商在思考如何实现自身商业化价值增长时,需要将产品化和商业模式二者紧密结合起来去探索正确有效的商业化路径,切勿孤立地追求优先二者满足其一,目前许多行业内企业也正积极地走在这条探索之路上。

  如何在非标的定制化项目服务中找到相对标准化、效率化供给方式是AI企业实现规模化效应的破局点。AI平台可提供云化算力支持、数据治理一体化工具、通用的模型开发能力,甚至面向部分应用场景的标准化AI模型,有效加成AI企业产品化能力。目前,客户企业普遍缺乏智能应用研发与部署的支撑能力,带来了AI算法模型研发门槛高、作坊式的部署工具难以在实际生产环境中落地等问题。AI企业锚定这一市场痛点,通过扎实的平台试图让AI落地摆脱碎片化落地的状态,从而在各个行业赛道里进行广泛布局,在人员需求更低的同时,却可以获得更多的创新技术成果,并且能够把这些创新性的技术成果快速进行商业化落地。

  人工智能应用的场景呈现出多元性日益增长、用户体验要求高、迭代迅速等特点,传统的开发方式已经无法满足企业客户的需求,亟需对数据计算分析、模型开发部署、在线训练推理、应用开发运维等各种环节进行全周期管理,因此“AI工程化”被频频提及。与学术界AI模型不同,工业界AI模型在不断调整优化的过程中凝聚和注入了企业对行业的理解和认知,模型技术能力向生产力的实质转化效率是AI工程化落地的重要依据。未来AI应用将形成专业分工更精细的产业链生态,需具备开箱即用、自主定制、成本经济的特点,而部分AI企业已经开始打造可创建和管理生产级人工智能管道工具,形成自身的AI工程化能力,提升从算力、数据、模型到上层应用的普惠性、兼容性、敏捷性、经济性和高效性。

  可信人工智能的核心原则是让AI应用满足可靠、安全、可解释、隐私保护、责任明确等条件,是落实AI治理的重要实践。AI企业作为人工智能技术产品化的主体,在可信人工智能的发展实践中正发挥着日益积极的作用。除了承担社会公益和行业引领的责任外,AI企业在商业化上面临越来越多的限制和挑战也是关键驱动因素。以可信人工智能所包含的隐私保护为例,部分AI企业在接受监管机构上市问询时,被重点要求说明其技术、业务及产品中涉及到数据应用的具体环节,相关数据来源与合规性,以及保证数据合规的具体措施等。这种自上而下的监管推动也将与企业内驱形成合力,共同推动可信人工智能的发展与实践。

  自2020年6月OpenAI发布GPT-3以来,各大学术机构与科技企业争先参与到大模型竞赛中,大模型于2021年迎来了大爆发。尽管大模型的研发取得了较大进展,其发展却面临诸多卡点:1)数据方面,开发者使用的数据集可能会重复,进而导致各家的大模型能力相近。2)算法方面,参数越多、模型越复杂,模型越难以解释,复杂的大模型成为了“黑箱”,让业务使用者甚至是研发者都无法获知模型的结果与特征之间的关系。3)投入产出方面,成本与回报难匹配,训练所需的芯片成本过高、训练时间过长、碳排放量过高,而训练出的模型可能局限于某些行业业务、普适性差,让大模型沦为一次性的模型,浪费大量资源。4)应用使用方面,客户更注重模型的实用性,很多中小企业研发的小模型即可满足客户的业务需求,且成本更低,性价比更高。然而,宏观经济运行与监管、航空航天量子计算、医药研发、细胞分类等社会与自然科学领域的重大分析任务,以及跨行业的通用模型研究又恰恰需要大模型这一先进工具。对此,大小模型云-边-端协同发展的模式被提出:云端提供充足的算力与数据存储空间,容纳大模型的训练与演变,云端大模型为边、端小模型输送通用知识与能力;而在边与端侧,小模型快速执行推理任务,专注于特定场景的极致化,并向云端大模型反馈数据、成效,解决大模型数据集单一的问题,最终实现功能独立的大模型的全社会共享。

  大模型意在打造成为变革性产业基础设施建设设施,通过一个巨大的模型通用式的解决各个场景的AI解决方案,与弱人工智能时代为单个产品提供单个解决方案模型的运作方式有着本质上的区别,规模化的人工智能模型生产将形成成本边际效应,极大节约AI应用的开发成本。尽管现阶段大模型处于发展初期,技术难度、资源消耗和收益模式均面临着诸多挑战,但随着大模型在技术上不断地提升与演进,未来的AI大模型的商业化路径和收益将逐渐清晰,而站在巨人肩膀上的人工智能行业也会因大模型而取得更大的进步。

  如今,面对复杂度较低、业务流程相对简单的开发需求,AI应用已经初步实现全流程可视化界面的开发操作,一只脚成功迈入“零门槛”开发时代。未来随着AI技术能力的突破与厂商在垂类业务逻辑的沉淀积累,低/零代码AI开发平台将赋能适用在更多行业及细分场景,让AI应用真正迈入“零门槛”开发时代。而当AI应用落地开发实现人人”触手可及“的时候,AI算法模型的内部可解释性、AI体系的自动化闭环迭代、AI数据的隐私安全等问题需进一步的关注与探讨。

咨询热线:400-029-2366
公司地址:陕西省西安市高新区科技路都荟国际A座1302室
拓展基地:西安市秦岭祥峪森林公园卓远拓展训练基地

在线咨询
全国咨询热线

400-029-2366