隨同全球數字化進程的加速，人工智能成為引領未來世界開展的要害技能。近年來，各國政府、科研教育機構、科技企業及專家學者紛繁參加到推進人工智能工業開展的過程中，人工智能技能與工業交融程度不斷加深。

本期的智能內參，我們引薦尚普咨詢的陳述《2022年全球人工智能工業研討陳述》，揭秘人工智能的開展前沿。

來源 尚普咨詢

《2022年全球人工智能工業研討陳述》

作者：孫碩 宿碩 劉宇 張祎 周文青

一、人工智能工業概略

近年來，人工智能技能得到快速開展，其對經濟社會開展以及出發生活方式變革將發生重大影響。全球范圍內美國、歐盟、英國、日本、我國等國家和地區均大力支撐人工智能工業開展，相關新興運用不斷落地。依據Deloitte陳述猜測，全球人工智能工業規劃從2017年的6,900億美元添加至2025年的64,000億美元，2017-2025年復合添加率32.10%，出現較快添加走勢。

投融資方面，全球人工智能出資商場近年來快速開展，全體融資規劃從2015年的63億美元添加至2021年的668億美元。2021年全球醫療AI融資規劃較高到達122億美元，金融科技AI融資規劃為39億美元，零售AI融資規劃為37億美元。

尚普研討院依據CB Insights數據統計，全球現有人工智能企業超越11,000家，累計融資總額超越2,500億美元。其間，美國具有AI相關企業到達4,171家，累計融資金額到達1,601.9億美元，在公司數量和融資規劃上均位居世界首位；我國具有1,275家AI公司，融資總金額為470.7億美元，位居世界第二位。英國、印度、加拿大等國家也各自具有百余家AI公司，AI企業數量排名前10位的國家占全球總數的78.3%，累計融資金額則到達全球總額的95%，AI企業和融資活動集中在美、中、英等國家。

尚普研討院將處于全球人工智能工業鏈中的典型上市公司進行整理，名單中以具備綜合實力的科技巨頭為主，國外如Google、Amazon、Microsoft等，國內如百度、阿里巴巴、騰訊等。此外，國內的商湯、科大訊飛等具有強技能屬性的AI公司受重視度較高。

二、AI芯片，廣泛運用于云、邊、端各類場景

AI芯片(AI Chip)：專門用于處理人工智能相關的核算使命，其架構針對人工智能算法和運用進行專門優化，具有高效處理很多結構化和非結構化數據的特征，可高效支撐視覺、語音、自然言語處理等智能處理使命。當時AI芯片類型首要觸及GPU、FPGA、TPU、IPU、DPU、NPU等類別。從運用場景來看，AI芯片廣泛運用于云端、邊際端、終端等各類場景，其間云端AI芯片具備高功能特征，終端AI芯片具有低功耗和高能效特性，而邊際端AI芯片功能介于云端和終端之間。

現在，點評AI芯片功能的方針首要包括：TOPS、TOPS/W、時延、本錢、功耗、可擴展性、精度、適用性、吞吐量、熱管理等。其間，TOPS/W是用于衡量在1W功耗的情況下,芯片能進行多少萬億次操作的要害方針。近年來，MIT、Nvidia等研發人員開發專門的芯片軟件點評東西關于AI芯片的功能做出了系統、全面點評，如Accelergy（評價芯片架構級能耗）、Timeloop（評價芯片運算履行情況）等。MLPerf是由來自學術界、研討實驗室和相關行業的AI領導者組成的聯盟，旨在“構建公平和有用的基準測試”，可用于衡量深度學習軟件框架、AI芯片和云渠道功能。

CPU作為通用處理器，包括操控單元（指令讀取及指令譯碼）、存儲單元（CPU片內緩存和寄存器）及運算單元（ALU約占20%CPU空間）三個首要模塊，但受制于本錢/功耗/技能難度/算力瓶頸等問題，現在仍未出現適配AI高算力要求的主流CPU產品。GPU是一種由很多中心組成的大規劃并行核算架構，具有較多運算單元（ALU）和較少緩存（cache），是一款專為一起處理多重使命而規劃的芯片，具備良 好的矩陣核算才能和并行核算優勢，能滿足深度學習等AI算法的處理需求，成為主流云端AI芯片。

英偉達A100芯片為多個SM單元(Streaming Multiprocessors，流式多處理器)構成的并發多核處理器，不同SM單元同享L2 Cache存儲資源進行數據訪存，A100的安培架構中有128個SM核，SM結構是芯片架構晉級的中心。Tensor Core是英偉達GPU架構中專為深度學習矩陣運算設置的張量核算單元，是英偉達GPU系列深度學習運算加速的中心。Tensor Core處理的是大型矩陣運算，其履行一種專門的矩陣數學運算，適用于深度學習和某些類型的高功能核算。Tensor Core功能是履行交融乘法和加法的運算，其間兩個4*4 FP16矩陣相乘，然后將成果添加到4*4 FP32或FP64矩陣中，終究輸出新的4*4 FP32或FP64矩陣。

AIoT經過交融AI和IoT技能完成萬物智聯，其首要觸及到安防、移動互聯網等多樣化場景。在才智安防方面，因為終端攝像頭每天發生很多的視頻數據，若全部回傳到云數據中心將會對網絡帶寬和數據中心資源造成極大占用。經過在終端加裝AI芯片，可完成數據本地化實時處理，即僅將經過結構化處理、要害信息提取后帶有要害信息的數據回傳云端，大大下降網絡傳輸帶寬壓力。當時主流解決方案為前端攝像頭設備內集成AI芯片，在邊際端采用智能服務器級產品，后端在邊際服務器中集成智能推理芯片。現在國內外企業正在加大對邊際端AI視覺處理芯片的研發和投入，相關芯片產品如英偉達Jetson AGX Xavier、地平線旭日3、華為海思Hi3559A V100等。

跟著智能駕駛等級的進步，技能不斷迭代促使車用AI芯片功能逐漸增強。SAE（世界自動機工程師學會）將自動駕駛劃分為六個等級：L0（非自動化）、L1（駕駛員輔佐）、L2（部分自動化，如交通擁堵輔佐和高級緊急制動+轉向）、L3（有條件自動化，如高速路途自動駕駛）、L4（高度自動化，如城市自動駕駛）和L5（完全自動化，如全場景自動駕駛）。從L3開端每一等級均需求強大的算力進行實時分析，處理很多數據，履行復雜的邏輯運算，對核算才能有著極高要求。每一等級自動駕駛轎車所需的芯片核算才能一般認為是：L3約為250TOPS，L4超越500TOPS，L5超越1,000TOPS。跟著芯片規劃和制造工藝的進步，車用AI芯片正朝著高算力、低功耗的方向開展。

估計到2025年，全球車用AI芯片商場規劃將打破17億美元。跟著轎車操控方式逐漸由機械式轉向電子式，每輛轎車對車用AI芯片需求進步，帶動車用AI芯片長期開展。依據Yole猜測，2025年全球車用AI芯片產量將到達67.19億顆，商場規劃將到達17.76億美元，年復合增速分別到達99.28%和59.27%。此外，車用AI芯片逐漸往高能效方向開展，如英特爾2022年推出的EyeQ Ultra自動駕駛轎車芯片，根據經過驗證的Mobileye EyeQ架構而打造，其含有8個PMA、16個VMP、24個MPC、2個CNN Accelerator視覺處理單元（VPU），經過優化算力和效能以到達176TOPS，可滿足L4自動駕駛場景，該產品將于2023年末供貨，估計在2025年全面完成車規級量產。

AI芯片在圖畫辨認、語音辨認和快速樹立用戶畫像等方面具有重要效果。依據Yole猜測，2026年全球消費電子AI芯片商場規劃將到達55.8億美元，其間筆記本電腦、平板電腦和智能手機AI芯片滲透率將分別到達100%、100%和91%，未來全球消費電子AI芯片商場規劃和滲透率出現逐漸添加態勢。

三、人工智能趨勢展望

1、前沿技能

Transformer模型:由Google的Ashish Vaswani等人和多倫多大學的Aidan N.Gomez于2017年初次提出，是一種根據自注意力機制（在Transformer模型中起基礎效果，可削減對外部信息的依賴,更拿手捕捉數據或特征的內部聯系，優化模型練習成果）的深度學習模型，該模型首要由編碼器和解碼器構成，模型本身并行度較高，在精度和功能上均要優于傳統的循環神經網絡（RNN）和卷積神經網絡（CNN）。Transformer模型在簡單言語問答和言語建模使命上有著較好表現。Transformer模型仍存在一些不足，如對局部信息的獲取才能弱于RNN和CNN、不能很好表征單詞的方位信息、頂層梯度消失等問題。

BERT模型:由Google于2018年提出，是根據Transformer Encoder構建的一種模型。模型基本思想：給定上下文來猜測下一個詞。BERT模型架構是由多接口組成的Transformer編碼器層，即全銜接神經網絡添加自注意力機制。關于序列中的每個輸入符號，每個接口核算鍵、值和查詢向量，相關向量用于創建加權表明，兼并同一層中所有接口輸出并經過全銜接層運轉。每個層運用跳躍銜接進行包裝，之后將層歸一化處理。BERT模型傳統作業流首要包括預練習和模型微調兩部分，其間預練習環節觸及MLM和NSP兩個半監督使命；模型微調環節包括一個或更多全銜接層，通常添加到終究編碼器層的頂部。BERT模型已集成在谷歌查找中，并進步10%的查詢準確率。

ViT模型(Vision Transformer):由Google公司Alexey Dosovitskiy等人在2021年提出，其原理是將本來用于NLP范疇的根據自注意力機制的Transformer模型運用于核算機視覺范疇。比較于傳統CNN算法，ViT模型在大數據集上辨認率更高、本錢更低。ViT模型的基本原理：1）將圖片切分為相同巨細的塊，每個塊可以看做一個“單詞”；2）每個塊經過線性投射層（全銜接層）的操作得到方位編碼（圖畫分類問題轉化為NLP問題）；3）將線性投射后的圖畫塊輸入由L層Transformer模型構成的編碼器；4）輸出成果經過多層感知機（MLP）得到終究分類成果。現在，ViT已開展出多種改善模型，在核算機視覺物體檢測等方面具有很大運用潛力。

自監督學習(Self-supervised Learning):旨在關于無標簽數據，經過規劃輔佐使命來挖掘數據本身的表征特性作為監督信息，來進步模型的特征提取才能，將無監督問題轉化為有監督問題的辦法。輔佐使命是自監督學習要害內容，現在首要包括自然言語處理NLP和核算機視覺CV兩大類使命。其間，自然言語處理包括單詞猜測、語句序列猜測、詞序列猜測；核算機視覺包括圖畫使命、視頻使命等。聞名AI科學家Yann Lecun曾經提出，假如將人工智能比作一塊蛋糕，蛋糕的大部分是自監督學習，蛋糕上的糖衣是監督學習，蛋糕上的櫻桃是強化學習，自監督學習在人工智能范疇占據重要地位。

類腦核算(Brain-Inspired Computing):又稱神經形態核算，是借鑒生物神經系統信息處理形式和結構的核算理論、系統結構、芯片規劃以及運用模型與算法的總稱。類腦核算可模擬人類大腦信息處理方式，以極低的功耗對信息進行異步、并行、高速和分布式處理，并具備自主感知、辨認和學習等多種才能，是完成通用人工智能的途徑之一。2020年10月，清華大學張悠慧等人在Nature雜志發表論文,初次提出“類腦核算齊備性”，添補類腦研討齊備性理論與相應系統層次結構方面的空白。類腦核算技能的開展將推進圖畫辨認、語音辨認、自然言語處理等前沿技能的打破，有望推進新一輪技能革命。

AI大模型(Foundation Models):是指經過大規劃數據練習且在經微調后即可適應廣泛下流使命的模型。跟著參數規劃不斷擴大，AI大模型在言語、視覺、推理、人機交互等范疇出現出新才能。因為各類AI大模型可有效運用于多種使命，各類AI大模型同質化特征益發明顯。隨同2017年Transformer模型的提出，深度學習模型參數數量打破1億個。此后，模型參數數量迅速添加，其間BAGUALU模型于2021年7月發布，參數規劃已到達174萬億個。模型參數規劃的增大，有助于進一步進步模型的運算精度。AI大模型的運用向多個運用場景供給預練習方案，其運用的自監督學習辦法也可削減標示數據的運用，下降練習研發本錢。詳細而言，AI大模型在醫療和生物醫藥、法令和教育等范疇具有寬廣運用前景。

2、工業交融

元世界（Metaverse）：本質上是對現實世界的虛擬化、數字化過程，其首要包括基礎設施、人機交互、空間核算等七層架構，其間核算機視覺、AI芯片和嵌入式AI等人工智能技能及基礎設施一起助力元世界加速落地。元世界包括芯片、云核算、技能渠道、通信、智能設備、內容服務等龐大生態系統。當時全球科技企業紛繁投入到元世界建造熱潮中，如Nvidia、Meta、Microsoft等科技巨頭及國內企業推出元世界解決方案，運用于辦公、娛樂、規劃等范疇。

人工智能與生命科學：AlphaFold是由谷歌旗下DeepMind團隊根據深度學習算法的蛋白質結構猜測的人工智能系統，其被視作人工智能深化到生物范疇的一大打破。現在AlphaFold已對98.5%的人類蛋白質結構做出猜測，此外還關于大腸桿菌、果蠅、斑馬魚、小鼠等研討時常用生物的蛋白質結構進行猜測。DeepMind與歐洲生物信息研討所（EMBL-EBI）聯合發布由AlphaFold猜測的蛋白質結構數據庫—AlphaFold Protein Structure Database，該數據庫已包括約35萬個蛋白質結構。

人工智能與新冠疫情：Eva是用于檢測入境旅客新冠病毒的強化學習系統，其由美國南加州大學、美國賓夕法尼亞大學、AgentRisk以及希臘相關專家合作開發。2020年，Eva系統被部署到希臘所有入境口岸（機場、港口、車站等），用于辨認約束新冠無癥狀旅客入境。借助Eva系統，希臘每天對抵達或途經該國大約41,000戶家庭中約17%人員進行檢測。經過比較，Eva發現感染的旅行者比原先嚴格依照其國籍檢測的方式多1.25-1.45倍。與隨機檢測比較，Eva在旅行旺季發現感染的旅行者是前者的4倍，非旅行旺季的成果是隨機檢測的1.85倍，獲得杰出檢測效果。

人工智能與半導體：功耗、功能和面積（PPA）是芯片規劃中的三個重要優化方針。為使PPA優化成果更佳，一起為應對芯片安全性需求進步、規劃規劃攀升及工藝節點微縮等趨勢，EDA廠商開端使用AI技能解決半導體芯片規劃問題。在EDA中，數據快速提取模型、布局和布線、電路仿真模型、PPA優化決議計劃等環節均有AI技能參加。AI運用于EDA首要有兩種形式：1）運用于EDA東西以優化單一芯片規劃環節，如Google、西門子EDA；2）運用于全體芯片規劃流程優化,如Cadence、Synopsys。此外，華大九霄、臺積電等公司亦將AI納入芯片出產各個環節。將AI與芯片規劃作業結合，不僅有助于開釋人力本錢、進步作業功率，還將進一步弱化人在其間的效果，乃至或許改動EDA工業格局。

人工智能與碳中和：自2015年第21屆聯合國氣候改動大會后，碳中和已成為全球共識。當時，碳中和已獲得全球超越40個國家和地區承諾，其間大部分國家宣布將于2050年左右完成碳中和方針。從全體來看，人工智能將從猜測、監測、優化三大環節助力碳中和，如猜測未來碳排放量、實時監測碳足跡、優化作業流程等。依據BCG數據，到2030年人工智能的運用有望削減26-53億噸二氧化碳排放量，占全球減排總量5-10%。從行業來看，人工智能在不同范疇及不同環節發揮重要效果，其首要在城市、制造、轎車、電力四大范疇助力“碳中和”。

人工智能與冬奧會：2022年2月，第24屆冬季奧林匹克運動會成功在北京舉辦。人工智能技能在冬奧會開幕式、競賽項目、運動員練習等多個場景完成運用，助力科技冬奧方針完成。Intel打造的3DAT技能，一方面可以幫助教練員提出科學練習計劃，有效進步運動員練習功率，一起還可以在開幕式中完成與藝人互動效果；商湯科技為冬奧會冰壺競賽打造的“冰壺運動軌道捕捉”技能，完成對冰壺檢測追尋和軌道捕捉。未來，人工智能與體育賽事、體育運動的交融程度將逐漸加深。

3、熱點問題

人工智能工業開展的途徑探究：結合人工智能工業特點，梳理出“創新投入—科研成果—商業化落地”的開展途徑。其間，創新投入首要觸及人才投入、本錢投入和要素投入；科研成果包括論文、開源軟硬件和專利；商業化落地包括AI產品、AI解決方案和AI渠道。當時人工智能工業從投入端到科研成果端開展較快，人工智能在學術研討范疇不斷獲得打破。但另一方面，人工智能從技能成果到商業化落地環節仍面對許多挑戰，如算法練習的通用性不強、泛化才能不強、商業化本錢較高、相關工業及企業關于人工智能技能承受程度不高等問題，需求不斷從方針機制、技能開展以及管理層觀念等方面不斷完善，才能終究推進人工智能在商業化方面完成快速開展。

熱點問題：道德與安全：跟著人工智能技能的高速開展與遍及運用，由其發生的道德與安全問題日益受到重視。人工智能不光延續信息技能的道德問題，又因深度學習算法具有不透明、難解釋、自適應、運用廣泛等特征而在基本人權、社會秩序、國家安全等方面發生新問題。人工智能典型道德問題包括：威脅公民生命安全、算法輕視、威脅隱私權、影響公民知情權和監督權、虛假信息泛濫、損壞商場競爭環境、引起權利結構改動、影響勞動者權益、AI兵器威脅世界和平等問題。現在，全球人工智能管理尚處于初期探究階段,各國正加大人工智能范疇的管理力度，出臺人工智能道德相關原則，以預防AI在運用過程中發生的風險。未來，全球人工智能管理將由原則向操作攻略、行業標準等層面逐漸深化，加速構建人工智能世界管理系統。

工作：人工智能將經過改動勞動分工與人力本錢價值結構深刻影響工作商場。AI與勞動力工作聯系包括三個方面：1）當AI本錢低于勞動力工資水平、且產品附加值又不足以彌補用工本錢時，AI運用將直接替代相應勞動崗位；2）AI運用添補勞動者無法擔任的崗位，既可下降錯誤率，進步產品質量，也可維護人身安全和健康；3）AI運用催生新作業崗位，AI帶來出發生活方式的變革與社會功率的進步，全社會產能完成躍升，進一步發生新作業崗位。世界經濟論壇發布的《2020未來工作陳述》估計，到2025年，機器或許會替代8,500萬個作業崗位，在AI推進下經濟添加會發生9,700萬個新崗位。跟著AI技能開展，作業崗位、員工技能和使命類型將重塑，工作替代出現行業性特征，整體工作崗位數量仍將上升。

國家間技能約束：當時，開源深度學習框架、開源東西集、開源運用軟件快速開展，世界間AI技能交流不斷深化，但部分國家和政府間組織為保持本身AI技能優勢，約束AI技能交流。如美國在2021年6月發布《創新與競爭法案》，在AI、無人機、芯片等多個范疇約束與我國合作；美國商務部于2019年10月和2020年5月將商湯科技、科大訊飛等多家我國AI公司參加其實體清單，實施出資約束；2022年白宮修訂“要害和新興技能（CET）清單”，對AI技能詳細分類并實施技能封閉。歐盟則于2021年9月經過新出口控制法規，內容包括人臉辨認等AI技能。上述相關方針與未來人工智能開展趨勢背道而馳，不利于各國開展技能合作。

人工智能在60多年的開展過程中閱歷了幾度起落。近年來，移動互聯網高速開展帶來的海量數據、深度學習算法的持續開展等一起推進人工智能技能在多個范疇獲得打破，與之前技能革命中的蒸汽機、電力等新技能比較，人工智能對經濟社會的影響將更具顛覆性，成為新一輪科技革命和工業變革的重要驅動力量。