編輯 | 智東西內(nèi)參

經(jīng)歷過(guò)去 70 年的“三起兩落”，伴隨底層芯片、算力、數(shù)據(jù)等基礎(chǔ)設(shè)施的完善&進(jìn)步，全球 AI 產(chǎn)業(yè)正逐步從運(yùn)算智能走向感知智能、認(rèn)知智能，并相應(yīng)形成“芯片、算力設(shè)施、AI 框架&算法模型、應(yīng)用場(chǎng)景”的產(chǎn)業(yè)分工、協(xié)作體系。

2019年以來(lái)，AI 大模型帶來(lái)問(wèn)題泛化求解能力大幅提升，“大模型+小模型”逐步成為產(chǎn)業(yè)主流技術(shù)路線，驅(qū)動(dòng)全球 AI 產(chǎn)業(yè)發(fā)展全面加速，并形成“芯片+算力基礎(chǔ)設(shè)施+AI 框架&算法庫(kù)+應(yīng)用場(chǎng)景”的穩(wěn)定產(chǎn)業(yè)價(jià)值鏈結(jié)構(gòu)。

來(lái)源：中信證券

原標(biāo)題：《大模型驅(qū)動(dòng) AI 全面提速，產(chǎn)業(yè)黃金十年投資周期開啟》

作者：陳俊云 許英博 廖原 劉銳 賈凱方

01.人工智能“三起三落”

自 1956 年“人工智能”概念&理論首次被提出，AI 產(chǎn)業(yè)&技術(shù)發(fā)展主要經(jīng)歷三大發(fā)展階段。

1）20 世紀(jì) 50 年代~20 世紀(jì) 70 年代：受制于算力性能、數(shù)據(jù)量等，更多停留在理論 層面。1956 年達(dá)特茅斯會(huì)議推動(dòng)了全球第一次人工智能浪潮的出現(xiàn)，當(dāng)時(shí)樂(lè)觀的氣氛彌漫著整個(gè)學(xué)界，在算法方面出現(xiàn)了很多世界級(jí)的發(fā)明，其中包括一種叫做增強(qiáng)學(xué)習(xí)的雛形，增強(qiáng)學(xué)習(xí)就是谷歌 AlphaGo 算法核心思想內(nèi)容。而 70 年代初，AI 遭遇了瓶頸：人們發(fā)現(xiàn)邏輯證明器、感知器、增強(qiáng)學(xué)習(xí)等只能做很簡(jiǎn)單、用途狹隘的任務(wù)，稍微超出范圍就無(wú)法應(yīng)對(duì)。當(dāng)時(shí)的計(jì)算機(jī)有限的內(nèi)存和處理速度不足以解決任何實(shí)際的 AI 問(wèn)題。這些計(jì)算復(fù)雜度以指數(shù)程度增加，成為了不可能完成的計(jì)算任務(wù)。

2）20 世紀(jì) 80 年代~20 世紀(jì) 90 年代：專家系統(tǒng)是人工智能的第一次商業(yè)化嘗試，高昂的硬件成本、有限的適用場(chǎng)景限制了市場(chǎng)的進(jìn)一步向前發(fā)展。在 80 年代，專家系統(tǒng) AI程序開始為全世界的公司所采納，而“知識(shí)處理”成為了主流 AI 研究的焦點(diǎn)。專家系統(tǒng)的能力來(lái)自于它們存儲(chǔ)的專業(yè)知識(shí)，知識(shí)庫(kù)系統(tǒng)和知識(shí)工程成為了 80 年代 AI 研究的主要方向。

但是專家系統(tǒng)的實(shí)用性僅僅局限于某些特定情景，不久后人們對(duì)專家系統(tǒng)的狂熱追捧轉(zhuǎn)向巨大的失望。另一方面，1987 年到 1993 年現(xiàn)代 PC 的出現(xiàn)，其費(fèi)用遠(yuǎn)遠(yuǎn)低于專家系統(tǒng)所使用的 Symbolics 和 Lisp 等機(jī)器。相比于現(xiàn)代 PC，專家系統(tǒng)被認(rèn)為古老陳舊而非常難以維護(hù)。于是，政府經(jīng)費(fèi)開始下降，寒冬又一次來(lái)臨。

3）2015 年至今：逐步形成完整的產(chǎn)業(yè)鏈分工、協(xié)作體系。人工智能第三起的標(biāo)志性事件發(fā)生在 2016 年 3 月，谷歌 DeepMind 研發(fā)的 AlphaGo 在圍棋人機(jī)大戰(zhàn)中擊敗韓國(guó)職業(yè)九段棋手李世石。隨后，大眾開始熟知人工智能，各個(gè)領(lǐng)域的熱情都被調(diào)動(dòng)起來(lái)。這次事件確立了以 DNN 神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)的統(tǒng)計(jì)分類深度學(xué)習(xí)模型，這類模型相比于過(guò)往更加泛化，通過(guò)不同的特征值提取可以適用于不同的應(yīng)用場(chǎng)景中。

同時(shí)，2010 年-2015 年移動(dòng)互聯(lián)網(wǎng)的普及也為深度學(xué)習(xí)算法帶來(lái)了前所未有的數(shù)據(jù)養(yǎng)料。得益于數(shù)據(jù)量的上漲、運(yùn)算力的提升和機(jī)器學(xué)習(xí)新算法的出現(xiàn)，人工智能開始大調(diào)整。人工智能的研究領(lǐng)域也在不斷擴(kuò)大，包括專家系統(tǒng)、機(jī)器學(xué)習(xí)、進(jìn)化計(jì)算、模糊邏輯、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、推薦系統(tǒng)等。深度學(xué)習(xí)的發(fā)展，讓人工智能進(jìn)入新的發(fā)展高潮。

▲人工智能發(fā)展的三次浪潮

人工智能第三次浪潮帶給我們一批能給商業(yè)化落地的場(chǎng)景，DNN 算法的出色表現(xiàn)讓語(yǔ)音識(shí)別與圖像識(shí)別在安防、教育領(lǐng)域貢獻(xiàn)了第一批成功的商業(yè)案例。而近年來(lái)基于神經(jīng)網(wǎng)絡(luò)算法之上的 Transformer 等算法的開發(fā)讓 NLP（自然語(yǔ)言處理）的商業(yè)化也提上了日程，有望在未來(lái) 3-5 年看到成熟的商業(yè)化場(chǎng)景。

▲人工智能技術(shù)產(chǎn)業(yè)化所需年數(shù)

02.分工逐步完整，落地場(chǎng)景不斷拓展

經(jīng)歷過(guò)去 5~6 年的發(fā)展，全球 AI 產(chǎn)業(yè)正逐步形成分工協(xié)作、完整的產(chǎn)業(yè)鏈結(jié)構(gòu)，并開始在部分領(lǐng)域形成典型應(yīng)用場(chǎng)景。

1、AI 芯片：從 GPU 到 FPGA 、ASIC 等，性能不斷提升

芯片是 AI 產(chǎn)業(yè)的制高點(diǎn)。本輪人工智能產(chǎn)業(yè)繁榮，緣于大幅提升的 AI 算力，使得深度學(xué)習(xí)和多層神經(jīng)網(wǎng)絡(luò)算法成為可能。人工智能在各個(gè)行業(yè)迅速滲透，數(shù)據(jù)隨之海量增長(zhǎng)，這導(dǎo)致算法模型極其復(fù)雜，處理對(duì)象異構(gòu)，計(jì)算性能要求高。因此人工智能深度學(xué)習(xí)需要異常強(qiáng)大的并行處理能力，與 CPU 相比，AI 芯片擁有更多邏輯運(yùn)算單元（ALU）用于數(shù)據(jù)處理，適合對(duì)密集型數(shù)據(jù)進(jìn)行并行處理，主要類型包括圖形處理器（GPU）、現(xiàn)場(chǎng)可編程門陣列（FPGA）、專用集成電路（ASIC）等。

從使用場(chǎng)景來(lái)看，相關(guān)硬件包括：云側(cè)推理芯片、云側(cè)測(cè)試芯片、終端處理芯片、IP 核心等。在云端的“訓(xùn)練”或“學(xué)習(xí)”環(huán)節(jié)，英偉達(dá) GPU 具備較強(qiáng)競(jìng)爭(zhēng)優(yōu)勢(shì)，谷歌 TPU 亦在積極拓展市場(chǎng)和應(yīng)用。在終端的“推理”應(yīng)用領(lǐng)域 FPGA 和 ASIC 可能具備優(yōu)勢(shì)。美國(guó)在 GPU 和 FPGA 領(lǐng)域具有較強(qiáng)優(yōu)勢(shì)，擁有英偉達(dá)、賽靈思、AMD 等優(yōu)勢(shì)企業(yè)，谷歌、亞馬遜亦在積極開發(fā) AI 芯片。

▲芯片在不同 AI 環(huán)節(jié)的應(yīng)用

▲人工智能神經(jīng)網(wǎng)絡(luò)算法模型復(fù)雜度

▲芯片廠商布局

在高性能計(jì)算市場(chǎng)，借助 AI 芯片的并行運(yùn)算能力實(shí)現(xiàn)對(duì)復(fù)雜問(wèn)題的求解是目前的主流方案。據(jù) Tractica 數(shù)據(jù)顯示，2019 年全球 AI HPC市場(chǎng)規(guī)模約 13.6 億美元，預(yù)計(jì)到 2025 年市場(chǎng)規(guī)模達(dá) 111.9 億美元，7 年 CAGR 為 35.1%。AI HPC 市場(chǎng)規(guī)模占比由 2019 年的 13.2%提高至 2025 年的 35.5%。同時(shí) Tractica 數(shù)據(jù)顯示，2019 年全球 AI 芯片市場(chǎng)規(guī)模為 64 億美元，預(yù)計(jì)到 2023 年市場(chǎng)規(guī)模達(dá) 510 億美元，市場(chǎng)空間增長(zhǎng)近 10 倍。

▲邊緣計(jì)算芯片出貨量（百萬(wàn)，按終端設(shè)備）

▲全球人工智能芯片市場(chǎng)規(guī)模（億美元）

近兩年內(nèi)，國(guó)內(nèi)涌現(xiàn)了大量自研的芯片類公司，以自研 GPU 的摩爾線程、自研自動(dòng)駕駛芯片的寒武紀(jì)等為代表。摩爾線程于 2022 年 3 月發(fā)布了 MUSA 統(tǒng)一系統(tǒng)架構(gòu)及第一代芯片“蘇堤”，摩爾線程的新架構(gòu)支持英偉達(dá)的 cuda 架構(gòu)。根據(jù) IDC 數(shù)據(jù)，在 2021 年上半年中國(guó)人工智能芯片中，GPU 一直是市場(chǎng)首選，占有 90%以上的市場(chǎng)份額，但隨其他芯片的穩(wěn)步發(fā)展，預(yù)計(jì)到 2025 年 GPU 占比將逐步降低至 80%。

▲GPU 芯片主要玩家及技術(shù)路線情況

2、算力設(shè)施：借助云計(jì)算、自建等方式，算力規(guī)模、單位成本等指標(biāo)不斷改善

過(guò)去算力發(fā)展有效緩解了人工智能的發(fā)展瓶頸。人工智能作為一個(gè)年代久遠(yuǎn)的概念，過(guò)去的發(fā)展一直受限于算力不足，其算力需求的主要來(lái)源于兩個(gè)方面：1）人工智能最大挑戰(zhàn)之一是識(shí)別度與準(zhǔn)確度不高，而要提高準(zhǔn)確度就需要提高模型的規(guī)模和精確度，這就需要更強(qiáng)的算力支撐。

2）隨著人工智能的應(yīng)用場(chǎng)景逐漸落地，圖像、語(yǔ)音、機(jī)器視覺(jué)和游戲等領(lǐng)域的數(shù)據(jù)呈現(xiàn)爆發(fā)性增長(zhǎng)，也對(duì)算力提出了更高的要求，使得計(jì)算技術(shù)進(jìn)入新一輪高速創(chuàng)新期。而過(guò)去十幾年算力的發(fā)展有效緩解了人工智能的發(fā)展瓶頸，未來(lái)智能計(jì)算將呈現(xiàn)出需求更大、性能要求更高、需求隨時(shí)隨地且多樣化的特點(diǎn)。

由于接近物理極限，算力增長(zhǎng)的摩爾定律逐步失效，算力行業(yè)正處于多要素綜合創(chuàng)新階段。過(guò)去算力供應(yīng)提升主要通過(guò)工藝制程微縮，即在同一芯片內(nèi)增加晶體管堆疊的數(shù)量來(lái)提高計(jì)算性能。但隨著工藝制程不斷逼近物理極限，成本不斷提高，使得摩爾定律逐漸失效，算力產(chǎn)業(yè)進(jìn)入后摩爾時(shí)代，算力供應(yīng)需要通過(guò)多要素綜合創(chuàng)新提高。

當(dāng)前算力供給有四個(gè)層面：?jiǎn)涡酒懔?、整機(jī)算力、數(shù)據(jù)中心算力和網(wǎng)絡(luò)化算力，分別通過(guò)不同技術(shù)進(jìn)行持續(xù)演進(jìn)升級(jí)，以滿足智能時(shí)代多樣化算力的供給需求。此外，通過(guò)軟硬件系統(tǒng)的深度融合與算法優(yōu)化提升計(jì)算系統(tǒng)整體性能，也是算力產(chǎn)業(yè)演進(jìn)的重要方向。

算力規(guī)模：根據(jù)中國(guó)信通院 2021 年發(fā)布的《中國(guó)算力發(fā)展指數(shù)白皮書》，2020 年全球算力總規(guī)模依舊保持增長(zhǎng)態(tài)勢(shì)，總規(guī)模達(dá) 429EFlops，同比增長(zhǎng) 39%，其中基礎(chǔ)算力規(guī)模 313EFlops、智能算力規(guī)模 107EFlops、超算算力規(guī)模 9EFlops，智能算力占比有所提高。我國(guó)算力發(fā)展節(jié)奏與全球相似，2020 年我國(guó)算力總規(guī)模達(dá)到 135EFlops，占全球算力規(guī)模的 39%，實(shí)現(xiàn) 55%的高位增長(zhǎng)，并實(shí)現(xiàn)連續(xù)三年增速保持 40%以上。

▲全球算力規(guī)模變化

算力結(jié)構(gòu)：我國(guó)與全球發(fā)展情況相似，智能算力增長(zhǎng)迅速，占比從 2016 年的 3%提升至 2020 年的 41%。而基礎(chǔ)算力占比由 2016 年的 95%下降至 2020 年的 57%，在下游需求驅(qū)動(dòng)下，以智能計(jì)算中心為代表的人工智能算力基礎(chǔ)設(shè)施發(fā)展迅猛。同時(shí)在未來(lái)需求方面，根據(jù)華為 2020 年發(fā)布的《泛在算力：智能社會(huì)的基石》報(bào)告，隨著人工智能的普及，預(yù)計(jì)到 2030 年，人工智能算力的需求將相當(dāng)于 1600 億顆高通驍龍 855 內(nèi)置 AI 芯片，相當(dāng)于 2018 年的約 390 倍、2020 年的約 120 倍。

▲預(yù)計(jì) 2030 年人工智能算力需求（EFlops)

數(shù)據(jù)存儲(chǔ)：非關(guān)系型數(shù)據(jù)庫(kù)以及用于儲(chǔ)存、治理非結(jié)構(gòu)數(shù)據(jù)的數(shù)據(jù)湖迎來(lái)需求爆發(fā)。近年來(lái)全球數(shù)據(jù)量呈現(xiàn)爆發(fā)式增長(zhǎng)，據(jù) IDC 統(tǒng)計(jì)，2019 年全球產(chǎn)生的數(shù)據(jù)量為 41ZB，過(guò)去十年的 CAGR 接近 50%，預(yù)計(jì)到 2025 年全球數(shù)據(jù)量或高達(dá) 175ZB，2019-2025 年仍將維持近 30%的復(fù)合增速，其中超過(guò) 80%的數(shù)據(jù)都將是處理難度較大的文本、圖像、音視頻等非結(jié)構(gòu)化數(shù)據(jù)。

數(shù)據(jù)量（尤其是非結(jié)構(gòu)化數(shù)據(jù)）的激增使得關(guān)系型數(shù)據(jù)庫(kù)的弱點(diǎn)愈加凸顯，面對(duì)幾何指數(shù)增長(zhǎng)的數(shù)據(jù)，傳統(tǒng)為結(jié)構(gòu)型數(shù)據(jù)設(shè)計(jì)的關(guān)系型數(shù)據(jù)庫(kù)縱向疊加的數(shù)據(jù)延展模式難以滿足。非關(guān)系型數(shù)據(jù)庫(kù)以及用于儲(chǔ)存、治理非結(jié)構(gòu)數(shù)據(jù)的數(shù)據(jù)湖，因其靈活性以及易延展性逐漸占據(jù)市場(chǎng)中越來(lái)越多的份額。根據(jù) IDC，2020 年全球 Nosql 數(shù)據(jù)庫(kù)的市場(chǎng)規(guī)模為 56 億美元，預(yù)計(jì) 2025 年將增長(zhǎng)至 190 億美元，2020-2025 年復(fù)合增速為 27.6%。同時(shí)，根據(jù) IDC，2020 年全球數(shù)據(jù)湖市場(chǎng)規(guī)模為 62 億美元，2020 年市場(chǎng)規(guī)模增速為 34.4%。

▲全球數(shù)據(jù)量及同比增速（ZB，%）

3、AI 框架：相對(duì)趨于成熟，少數(shù)巨頭主導(dǎo)

Tensorflow（產(chǎn)業(yè)界）、PyTorch（學(xué)術(shù)界）逐步實(shí)現(xiàn)主導(dǎo)。谷歌推出的 Tensorflow為主流與其他開源模塊如 Keras（Tensorflow2 集成了 Keras 模塊）、Facebook 開源的PyTorch 等一起構(gòu)成了目前 AI 學(xué)習(xí)的主流框架。Google Brain 自 2011 年成立起開展了面向科學(xué)研究和谷歌產(chǎn)品開發(fā)的大規(guī)模深度學(xué)習(xí)應(yīng)用研究，其早期工作即是 TensorFlow 的前身 DistBelief。

DistBelief 在谷歌和 Alphabet 旗下其他公司的產(chǎn)品開發(fā)中被改進(jìn)和廣泛使用。2015 年 11 月，在 DistBelief 的基礎(chǔ)上，谷歌大腦完成了對(duì)“第二代機(jī)器學(xué)習(xí)系統(tǒng)”TensorFlow 的開發(fā)并對(duì)代碼開源。相比于前作，TensorFlow 在性能上有顯著改進(jìn)、構(gòu)架靈活性和可移植性也得到增強(qiáng)。

Tensorflow 與 Pytorch 雖然本身是開源模塊，但因?yàn)樯疃葘W(xué)習(xí)框架龐大的模型與復(fù)雜度導(dǎo)致其修改與更新基本完全是由谷歌完成，從而谷歌與 Facebook 也通過(guò)對(duì) Tensorflow與 PyTorch 的更新方向直接主導(dǎo)了產(chǎn)業(yè)界對(duì)人工智能的開發(fā)模式。

▲全球商用人工智能框架市場(chǎng)份額結(jié)構(gòu)（2021）

Microsoft 在 2020 年以 10 億美元注資 OpenAI，獲得 GPT-3 語(yǔ)言模型的獨(dú)家許可。GPT-3 是目前在自然語(yǔ)言生成中最為成功的應(yīng)用，不僅可以用于寫“論文”，也可以應(yīng)用于“自動(dòng)生成代碼”，自今年 7 月發(fā)布后，也被業(yè)界視為最強(qiáng)大的人工智能語(yǔ)言模型。而Facebook 早在 2013 年創(chuàng)立了 AI 研究院，F(xiàn)AIR 本身并沒(méi)有像 AlphaGo 和 GPT-3 那樣著名的模型和應(yīng)用，但是它的團(tuán)隊(duì)已經(jīng)在 Facebook 本身感興趣的領(lǐng)域發(fā)表了學(xué)術(shù)論文，包括計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理和對(duì)話型 AI 等。2021 年，谷歌有 177 篇論文被 NeurIPS（目前人工智能算法的最高期刊）接收并發(fā)表，Microsoft 有 116 篇，DeepMind 有 81 篇，F(xiàn)acebook 有 78 篇，IBM 有 36 篇，而亞馬遜只有 35 篇。

4、算法模型：神經(jīng)網(wǎng)絡(luò)算法為主要理論基礎(chǔ)

深度學(xué)習(xí)正在向深度神經(jīng)網(wǎng)絡(luò)過(guò)渡。機(jī)器學(xué)習(xí)是通過(guò)多層非線性的特征學(xué)習(xí)和分層特征提取，對(duì)圖像、聲音等數(shù)據(jù)進(jìn)行預(yù)測(cè)的計(jì)算機(jī)算法。深度學(xué)習(xí)為一種進(jìn)階的機(jī)器學(xué)習(xí)，又稱深度神經(jīng)網(wǎng)絡(luò)（DNN：Deep Neural Networks )。針對(duì)不同場(chǎng)景（信息）進(jìn)行的訓(xùn)練和推斷，建立不同的神經(jīng)網(wǎng)絡(luò)與訓(xùn)練方式，而訓(xùn)練即是通過(guò)海量數(shù)據(jù)推演，優(yōu)化每個(gè)神經(jīng)元的權(quán)重與傳遞方向的過(guò)程。而卷積神經(jīng)網(wǎng)絡(luò)，能考慮單一像素與周邊環(huán)境變量，并簡(jiǎn)化數(shù)據(jù)提取數(shù)量，進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)算法的效率。

神經(jīng)網(wǎng)絡(luò)算法成為大數(shù)據(jù)處理核心。AI 通過(guò)海量標(biāo)簽數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，優(yōu)化神經(jīng)網(wǎng)絡(luò)與模型，并導(dǎo)入推理決策的應(yīng)用環(huán)節(jié)。90 年代是機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)算法快速崛起的時(shí)期，算法在算力支持下得到商用。90 年代以后，AI 技術(shù)的實(shí)際應(yīng)用領(lǐng)域包括了數(shù)據(jù)挖掘、工業(yè)機(jī)器人、物流、語(yǔ)音識(shí)別、銀行業(yè)軟件、醫(yī)療診斷和搜索引擎等。相關(guān)算法的框架成為科技巨頭的布局重點(diǎn)。

▲主要科技巨頭算法平臺(tái)框架

技術(shù)方向上，計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)為主要的技術(shù)研發(fā)方向。根據(jù) ARXIV 數(shù)據(jù)，從理論研究的角度看，計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)兩個(gè)領(lǐng)域在 2015-2020 年發(fā)展迅速，其次是機(jī)器人領(lǐng)域。2020 年，ARXIV 上 AI 相關(guān)出版物中，計(jì)算機(jī)視覺(jué)領(lǐng)域出版物數(shù)量超過(guò) 11000，位于 AI 相關(guān)出版物數(shù)量之首。

▲2015-2020 年 ARXIV 上 AI 相關(guān)出版物數(shù)量

在過(guò)去五年，我們觀察到以 CNN 與 DNN 為主的神經(jīng)網(wǎng)絡(luò)算法是近年來(lái)發(fā)展最快的機(jī)器學(xué)習(xí)算法，因其在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域中的優(yōu)異表現(xiàn)，大幅加快了人工智能應(yīng)用的落地速度，是計(jì)算機(jī)視覺(jué)、決策智能迅速邁向成熟的關(guān)鍵因素。從側(cè)視圖可以看出，在語(yǔ)音識(shí)別任務(wù)上，標(biāo)準(zhǔn)的 DNN 方法相較于傳統(tǒng)的 KNN、SVM 與隨機(jī)森林等方法都有著明顯的優(yōu)勢(shì)。

▲卷積算法突破了傳統(tǒng)圖像處理的準(zhǔn)確度瓶頸，首次實(shí)現(xiàn)工業(yè)化可用

訓(xùn)練成本上看，神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練人工智能的成本明顯降低。ImageNet 是一個(gè)包含超過(guò) 1400 萬(wàn)張圖像的數(shù)據(jù)集，用于訓(xùn)練人工智能算法。根據(jù)斯坦福 DAWNBench 團(tuán)隊(duì)的測(cè)試，2020 年訓(xùn)練一個(gè)現(xiàn)代的圖像識(shí)別系統(tǒng)僅需約 7.5 美元，比 2017 年的 1100 美元下降了 99%以上，這主要受益于算法設(shè)計(jì)的優(yōu)化、算力成本的下降，以及大規(guī)模人工智能訓(xùn)練基礎(chǔ)設(shè)施的進(jìn)步。訓(xùn)練系統(tǒng)的速度越快，評(píng)估并用新數(shù)據(jù)更新系統(tǒng)的速度就越快，這將進(jìn)一步加快 ImageNet 系統(tǒng)的訓(xùn)練速度，提高開發(fā)和部署人工智能系統(tǒng)的生產(chǎn)力。

訓(xùn)練時(shí)間分布上看，神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練所需時(shí)間全面降低。通過(guò)分析每個(gè)時(shí)期的訓(xùn)練時(shí)間分布，發(fā)現(xiàn)在過(guò)去幾年中，訓(xùn)練時(shí)間大大縮短，且訓(xùn)練時(shí)間的分布更加集中，這主要受益于加速器芯片的廣泛使用。

▲ImageNet 訓(xùn)練時(shí)間分布（分鐘）

在卷積神經(jīng)網(wǎng)絡(luò)的推動(dòng)下，計(jì)算機(jī)視覺(jué)準(zhǔn)確率測(cè)試成績(jī)明顯提升，正處于產(chǎn)業(yè)化階段。計(jì)算機(jī)視覺(jué)準(zhǔn)確率在過(guò)去的十年中取得了巨大的進(jìn)步，這主要?dú)w功于機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用。Top-1 準(zhǔn)確度測(cè)試人工智能系統(tǒng)為圖像分配正確標(biāo)簽的能力越強(qiáng)，那么其預(yù)測(cè)結(jié)果（在所有可能的標(biāo)簽中）與目標(biāo)標(biāo)簽越相同。

在有額外的訓(xùn)練數(shù)據(jù)（例如來(lái)自社交媒體的照片）的情況下，2021 年 1 月在 Top-1 準(zhǔn)確度測(cè)試上每 10 次嘗試中會(huì)出現(xiàn) 1 次錯(cuò)誤，而 2012年 12 月每 10 次嘗試中會(huì)出現(xiàn) 4 次錯(cuò)誤。而另一項(xiàng)精確率測(cè)試 Top-5 會(huì)讓計(jì)算機(jī)回答目標(biāo)標(biāo)簽是否在分類器的前五個(gè)預(yù)測(cè)中，其準(zhǔn)確率從 2013 年的 85%提高到 2021 年的 99%，超過(guò)了代表人類水平的成績(jī) 94.9%。

▲TOP-1 準(zhǔn)確率變化

▲TOP-５準(zhǔn)確率變化

在神經(jīng)網(wǎng)絡(luò)算法發(fā)展的過(guò)程中，Transformer 模型在過(guò)去五年里成為了主流，整合了過(guò)去各種零散的小模型。Transformer 模型是谷歌在 2017 年推出的 NLP 經(jīng)典模型（Bert就是用的 Transformer）。模型的核心部分通常由兩大部分組成，分別是編碼器與解碼器。編/解碼器主要由兩個(gè)模塊組合成：前饋神經(jīng)網(wǎng)絡(luò)（圖中藍(lán)色的部分）和注意力機(jī)制（圖中玫紅色的部分），解碼器通常多一個(gè)（交叉）注意力機(jī)制。編碼器和解碼器通過(guò)模仿神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類與再次聚焦，在機(jī)器翻譯任務(wù)上模型表現(xiàn)超過(guò)了 RNN 和 CNN，只需要編/解碼器就能達(dá)到很好的效果，可以高效地并行化。

AI 大模型化是過(guò)去兩年內(nèi)興起的新潮流，自監(jiān)督學(xué)習(xí)+預(yù)訓(xùn)練模型微調(diào)適配方案逐漸成為主流，AI 模型走向大數(shù)據(jù)支撐下的泛化成為可能。傳統(tǒng)的小模型用特定領(lǐng)域有標(biāo)注的數(shù)據(jù)訓(xùn)練，通用性差，換到另外一個(gè)應(yīng)用場(chǎng)景中往往不適用，需要重新訓(xùn)練。而 AI 大模型通常是在大規(guī)模無(wú)標(biāo)注數(shù)據(jù)上進(jìn)行訓(xùn)練，將大模型進(jìn)行微調(diào)就可以滿足多種應(yīng)用任務(wù)的需要。以 OpenAI、谷歌、微軟、Facebook、NVIDIA 等機(jī)構(gòu)為代表，布局大規(guī)模智能模型已成為全球引領(lǐng)性趨勢(shì)，并形成了 GPT-3、Switch Transformer 等大參數(shù)量的基礎(chǔ)模型。

2021 年底英偉達(dá)與微軟聯(lián)合開發(fā)的 Megatron-LM 擁有 83 億條參數(shù)，而 Facebook 開發(fā)的Megatron 擁有 110 億條參數(shù)。這些參數(shù)大多來(lái)自于 reddit、wikipedia、新聞網(wǎng)站等，對(duì)大量數(shù)據(jù)存儲(chǔ)及分析所需的數(shù)據(jù)湖等工具將會(huì)是下一步研發(fā)的焦點(diǎn)之一。

5、應(yīng)用場(chǎng)景：逐步在安防、互聯(lián)網(wǎng)、零售等領(lǐng)域?qū)崿F(xiàn)落地

目前在應(yīng)用端最成熟的技術(shù)是語(yǔ)音識(shí)別、圖像識(shí)別等，圍繞這些領(lǐng)域，國(guó)內(nèi)、美國(guó)都有大量的企業(yè)上市，并形成一定的產(chǎn)業(yè)集群。在語(yǔ)音識(shí)別領(lǐng)域，比較成熟的上市企業(yè)包括科大訊飛與此前被微軟以 290 億美元收購(gòu)的 Nuance。

智慧醫(yī)療：AI+醫(yī)療多應(yīng)用于醫(yī)療輔助場(chǎng)景。在醫(yī)療健康領(lǐng)域的 AI 產(chǎn)品涉及智能問(wèn)診、病史采集、語(yǔ)音電子病歷、醫(yī)療語(yǔ)音錄入、醫(yī)學(xué)影像診斷、智能隨訪、醫(yī)療云平臺(tái)等多類應(yīng)用場(chǎng)景。從醫(yī)院就醫(yī)流程來(lái)看，診前產(chǎn)品多為語(yǔ)音助理產(chǎn)品，如導(dǎo)診、病史采集等，診中產(chǎn)品多為語(yǔ)音電子病例、影像輔助診斷，診后產(chǎn)品以隨訪跟蹤類為主。

綜合整個(gè)就診流程中的不同產(chǎn)品，當(dāng)前 AI+醫(yī)療的主要應(yīng)用領(lǐng)域仍以輔助場(chǎng)景為主，取代醫(yī)生的體力及重復(fù)性勞動(dòng)。AI+醫(yī)療的海外龍頭企業(yè)是 Nuance，公司 50%的業(yè)務(wù)來(lái)自智能醫(yī)療解決方案，而病歷等臨床醫(yī)療文獻(xiàn)轉(zhuǎn)寫方案是醫(yī)療業(yè)務(wù)的主要收入來(lái)源。

智慧城市：大城市病和新型城鎮(zhèn)化給城市治理帶來(lái)新挑戰(zhàn)，刺激 AI+城市治理的需求。大中型城市隨著人口和機(jī)動(dòng)車數(shù)量的增加，城市擁堵等問(wèn)題比較突出。隨著新型城鎮(zhèn)化的推進(jìn)，智慧城市將會(huì)成為中國(guó)城市的主要發(fā)展模式。而智慧城市涉及的 AI+安防、AI+交通治理將會(huì)成為 G 端的主要落地方案。

2016 年杭州首次進(jìn)行城市數(shù)據(jù)大腦改造，高峰擁堵指數(shù)下降至 1.7 以下。目前以阿里為代表的城市數(shù)據(jù)大腦已經(jīng)進(jìn)行了超過(guò) 15 億元的投資，主要集中在智能安防、智能交通等領(lǐng)域。我國(guó)智慧城市產(chǎn)業(yè)規(guī)模持續(xù)擴(kuò)大，前瞻產(chǎn)業(yè)研究院預(yù)計(jì) 2022 年可達(dá) 25 萬(wàn)億元，2014 年至 2022 年的年均復(fù)合增長(zhǎng)率為 55.27%。

▲2014-2022 年智慧城市市場(chǎng)規(guī)模及預(yù)測(cè)（單位：萬(wàn)億元）

智慧物流 2020 年市場(chǎng)規(guī)模高達(dá) 5710 億元，智能倉(cāng)儲(chǔ)迎來(lái)千億市場(chǎng)。物流行業(yè)成本居高不下及數(shù)字化轉(zhuǎn)型的背景下，倉(cāng)儲(chǔ)物流及產(chǎn)品制造環(huán)節(jié)面臨著自動(dòng)化、數(shù)字化、智能化轉(zhuǎn)型的迫切需求，以提升制造和流通效率。根據(jù)中國(guó)物流與采購(gòu)聯(lián)合會(huì)的數(shù)據(jù)，2020年中國(guó)智慧物流市場(chǎng)高達(dá)5710億元，2013-2020年的年均復(fù)合增長(zhǎng)率為21.61%。物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、人工智能等新一代信息技術(shù)既促進(jìn)了智慧物流行業(yè)的發(fā)展，又對(duì)智慧物流行業(yè)提出了更高的服務(wù)要求，智慧物流市場(chǎng)規(guī)模有望持續(xù)擴(kuò)大。據(jù) GGII 測(cè)算，2019 年中國(guó)智能倉(cāng)儲(chǔ)市場(chǎng)規(guī)模近 900 億元，而前瞻研究院預(yù)計(jì)這一數(shù)字將在 2025 年達(dá)到 1500億以上。

▲2013-2020 年中國(guó)智慧物流市場(chǎng)規(guī)模及增速

新零售：人工智能將帶來(lái)人力成本的縮減與運(yùn)營(yíng)效率的提升。Amazon Go 為亞馬遜提出的無(wú)人商店概念，無(wú)人商店于 2018 年 1 月 22 日在美國(guó)西雅圖正式對(duì)外營(yíng)運(yùn)。AmazonGo 結(jié)合了云計(jì)算和機(jī)器學(xué)習(xí)，應(yīng)用拿了就走技術(shù)(Just Walk Out Technology)和智能識(shí)別技術(shù)（Amazon Rekognition）。店內(nèi)的相機(jī)、感應(yīng)監(jiān)測(cè)器以及背后的機(jī)器算法會(huì)辨識(shí)消費(fèi)者拿走的商品品項(xiàng)，并且在顧客走出店時(shí)將自動(dòng)結(jié)賬，是零售商業(yè)領(lǐng)域的全新變革。

云化的人工智能模塊組件是各大互聯(lián)網(wǎng)巨頭目前在人工智能商業(yè)化的主要發(fā)力方向， 將人工智能技術(shù)集成在公有云服務(wù)中進(jìn)行出售。Google Cloud Platform 的 AI 技術(shù)一直走在行業(yè)的最前沿，并致力于將先進(jìn)的 AI 技術(shù)融入云計(jì)算服務(wù)中心。近年來(lái)，谷歌收購(gòu)多家AI 公司，并發(fā)布 AI 專用芯片 TPU、云服務(wù) Cloud AutoML 等產(chǎn)品完善布局。目前谷歌的AI 能力已經(jīng)覆蓋認(rèn)知服務(wù)、機(jī)器學(xué)習(xí)、機(jī)器人、數(shù)據(jù)分析&協(xié)作等領(lǐng)域。區(qū)別于部分云廠商在 AI 領(lǐng)域相對(duì)分散的產(chǎn)品，谷歌在 AI 產(chǎn)品的運(yùn)營(yíng)上更加完整和體系化，將垂直應(yīng)用整合為 AI 基礎(chǔ)組件，將 Tensorflow 與 TPU 運(yùn)算整合為基礎(chǔ)設(shè)施，形成了一個(gè)完整的 AI 平臺(tái)服務(wù)。

百度是中國(guó) AI 能力最強(qiáng)的公有云廠商，百度 AI 的核心戰(zhàn)略是開放賦能。百度搭建以DuerOS、Apollo 為代表的 AI 平臺(tái)，開放生態(tài)，形成數(shù)據(jù)與場(chǎng)景的正向迭代。基于百度互聯(lián)網(wǎng)搜索的數(shù)據(jù)基礎(chǔ)，自然語(yǔ)言處理、知識(shí)圖譜和用戶畫像技術(shù)逐步成熟。在平臺(tái)以及生態(tài)層，百度云是很大的計(jì)算平臺(tái)，開放給所有的合作伙伴，變成基礎(chǔ)的支撐平臺(tái)，上面有百度大腦的各種能力。同時(shí)還有一些垂直的解決方案，比如基于自然語(yǔ)言的人機(jī)交互的新一代操作系統(tǒng)，以及與智能駕駛相關(guān)的 Apollo。整車廠商可以調(diào)用其中他們需要的能力，汽車電子廠商也可以調(diào)用他們需要的相應(yīng)能力，共建整個(gè)平臺(tái)和生態(tài)。

03.大模型逐步成為主流，產(chǎn)業(yè)有望全面提速

最近幾年來(lái)，AI 產(chǎn)業(yè)的技術(shù)演進(jìn)路線主要呈現(xiàn)如下特征：底層模塊性能的不斷提升，注重模型的泛化能力，從而幫助 AI 算法的通用性優(yōu)化，并反哺數(shù)據(jù)收集。AI 技術(shù)的持續(xù)發(fā)展依靠底層算法的突破，這同時(shí)需要以算力為核心的基礎(chǔ)能力建設(shè)以及有大數(shù)據(jù)支撐進(jìn)行知識(shí)和經(jīng)驗(yàn)學(xué)習(xí)的環(huán)境。

大模型在產(chǎn)業(yè)內(nèi)的快速流行，大模型+小模型的運(yùn)作模式，以及芯片、算力基礎(chǔ)設(shè)施等底層環(huán)節(jié)能力的不斷改善，以及由此帶來(lái)的應(yīng)用場(chǎng)景類別、場(chǎng)景深度的持續(xù)提升，并最終帶來(lái)產(chǎn)業(yè)基礎(chǔ)能力、應(yīng)用場(chǎng)景之間的不斷相互促進(jìn)，并在正向循環(huán)邏輯下，驅(qū)動(dòng)全球 AI 產(chǎn)業(yè)發(fā)展不斷提速。

大模型帶來(lái)較強(qiáng)的通用問(wèn)題求解能力。當(dāng)前大部分人工智能正處于“手工作坊式”，面對(duì)各類行業(yè)的下游應(yīng)用，AI 逐漸展現(xiàn)出碎片化、多樣化的特點(diǎn)，模型通用性不高。為提高通用求解能力，大模型提供了一種可行方案，即“預(yù)訓(xùn)練大模型+下游任務(wù)微調(diào)”。該方案指從大量標(biāo)記和未標(biāo)記的數(shù)據(jù)中捕獲知識(shí)，通過(guò)將知識(shí)存儲(chǔ)到大量的參數(shù)中并對(duì)特定任務(wù)進(jìn)行微調(diào)，提高模型泛化能力。

大模型有望進(jìn)一步突破現(xiàn)有模型結(jié)構(gòu)的精度局限，結(jié)合嵌套小模型訓(xùn)練，進(jìn)一步提升特定場(chǎng)景下的模型效率。過(guò)去十年中，模型精度提升主要依賴網(wǎng)絡(luò)在結(jié)構(gòu)上的變革，但隨著神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)技術(shù)逐漸成熟并趨于收斂，精度提升達(dá)到瓶頸，而大模型的應(yīng)用有望突破這一瓶頸。以谷歌的視覺(jué)遷移模型 Big Transfer，BiT 為例，使用 ILSVRC-2012（128萬(wàn)張圖片，1000 個(gè)類別）和 JFT-300M（3 億張圖片，18291 個(gè)類別）兩個(gè)數(shù)據(jù)集來(lái)訓(xùn)練ResNet50，精度分別是 77%和 79%，大模型的使用使得處于瓶頸的精度進(jìn)一步提高。另外使用 JFT-300M 訓(xùn)練 ResNet152x4，精度可以上升到 87.5%，相比 ILSVRC-2012+ResNet50 結(jié)構(gòu)提升了 10.5%。

大模型+小模型：泛化大模型人工智能的推廣并結(jié)合特定場(chǎng)景下的數(shù)據(jù)優(yōu)化將成為中期人工智能產(chǎn)業(yè)商業(yè)化的關(guān)鍵。原先針對(duì)特定場(chǎng)景重新提取數(shù)據(jù)訓(xùn)練的模式，已經(jīng)被實(shí)踐證明難以盈利，重新訓(xùn)練模型的成本過(guò)高，而獲得的模型泛用性低下，難以重復(fù)利用。而在芯片算力性能不斷提高的大背景下，大模型嵌套小模型的嘗試提供給了廠商另一個(gè)思路，通過(guò)分析海量數(shù)據(jù)獲得泛用模型，再通過(guò)嵌套特定小模型的方式為不同場(chǎng)景進(jìn)行優(yōu)化，節(jié)省了大量成本。阿里云、華為云、騰訊云等公有云廠商都在積極開發(fā)自研的大模型平臺(tái)，提升模型的通用型。

以英偉達(dá)為代表的 AI 芯片巨頭，在新一代芯片中針對(duì)產(chǎn)業(yè)中常用的 AI 模型，特別設(shè)計(jì)了新引擎以大幅提升計(jì)算能力。英偉達(dá)的 Hopper 架構(gòu)引入了 Transformer 引擎，大幅加速了 AI 訓(xùn)練。Transformer 引擎采用軟件和自定義 NVIDIA Hopper Tensor Core 技術(shù)，該技術(shù)旨在加速訓(xùn)練基于常見 AI 模型構(gòu)建模塊（即 Transformer）構(gòu)建的模型。這些Tensor Core 能夠應(yīng)用 FP8 和 FP16 混合精度，以大幅加速 Transformer 模型的 AI計(jì)算。

采用 FP8 的 Tensor Core 運(yùn)算在吞吐量方面是 16 位運(yùn)算的兩倍。Transformer引擎利用定制的、經(jīng) NVIDIA 調(diào)優(yōu)的啟發(fā)式算法來(lái)解決上述挑戰(zhàn)，該算法可在 FP8 與FP16 計(jì)算之間動(dòng)態(tài)選擇，并自動(dòng)處理每層中這些精度之間的重新投射和縮放。根據(jù)英偉達(dá)提供的數(shù)據(jù)，Hopper 架構(gòu)在訓(xùn)練 Transformer 模型時(shí)，效率可以達(dá)到安培模型的 9 倍。

在大模型技術(shù)趨勢(shì)下，云廠商正在逐步成為算力市場(chǎng)中的核心玩家，在人工智能技術(shù)框架通過(guò)大模型往泛用化發(fā)展后，云廠商也能夠借助 PaaS 能力把底層 IaaS 能力與 PaaS結(jié)合，為市場(chǎng)提供通用性解決方案。我們看到隨著大模型的出現(xiàn)，人工智能需要處理與分析的數(shù)據(jù)量日漸上升，同時(shí)這部分?jǐn)?shù)據(jù)從過(guò)去的專業(yè)性數(shù)據(jù)集轉(zhuǎn)化為通用型大數(shù)據(jù)。云計(jì)算巨頭可以通過(guò)本身強(qiáng)大的 PaaS 能力與底層 IaaS 基礎(chǔ)相結(jié)合，為人工智能廠商提供一站式的數(shù)據(jù)處理，這也幫助云計(jì)算巨頭成為本輪人工智能浪潮的主要受益者之一。

▲國(guó)內(nèi)云計(jì)算市場(chǎng)規(guī)模

目前 AWS、Azure 等國(guó)際主流云廠商與阿里云、騰訊云、華為云等國(guó)內(nèi)頭部云廠商都已開始在數(shù)據(jù)儲(chǔ)存、數(shù)據(jù)處理等 PaaS 能力上重點(diǎn)發(fā)力。存儲(chǔ)能力方面，NoSQL 類型數(shù)據(jù)庫(kù)與在數(shù)據(jù)種類日益繁雜的未來(lái)會(huì)涌現(xiàn)更多機(jī)會(huì)，如 Google Cloud 就已經(jīng)在對(duì)象類、傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)以及 NoSQL 類型數(shù)據(jù)庫(kù)分散布局。而在數(shù)據(jù)處理方面，Data Lake與 Data Warehouse 的重要性愈發(fā)凸顯，云計(jì)算巨頭通過(guò)完善這部分產(chǎn)品線，構(gòu)建了一個(gè)完整的數(shù)據(jù)循環(huán)模式，并結(jié)合其底層的 IaaS 基礎(chǔ)能力。完整的產(chǎn)品線與閉合的數(shù)據(jù)循環(huán)模式將是未來(lái)云計(jì)算巨頭在 AI 中間層競(jìng)爭(zhēng)的最大優(yōu)勢(shì)。

伴隨 AI 產(chǎn)業(yè)鏈結(jié)構(gòu)的逐步清晰，以及大模型帶來(lái)的產(chǎn)業(yè)運(yùn)作效率、技術(shù)深度的大幅改善，中期維度，假設(shè) AI技術(shù)不發(fā)生跳變式躍遷前提下，我們判斷 AI 產(chǎn)業(yè)鏈價(jià)值有望逐步向兩端靠攏，中間環(huán)節(jié)價(jià)值有望持續(xù)減弱，并逐步形成“芯片+算力基礎(chǔ)設(shè)施+AI 框架&算法庫(kù)+應(yīng)用場(chǎng)景”的典型產(chǎn)業(yè)鏈結(jié)構(gòu)，同時(shí)在這樣的產(chǎn)業(yè)結(jié)構(gòu)安排下，我們預(yù)計(jì)上游的芯片企業(yè)、云基礎(chǔ)設(shè)施廠商，以及下游的應(yīng)用廠商有望逐步成為 AI 產(chǎn)業(yè)快速發(fā)展的核心受益者。

大模型帶來(lái) AI 底層基礎(chǔ)技術(shù)架構(gòu)的統(tǒng)一，以及對(duì)算力的龐大需求等特征，天然有利于云計(jì)算公司在此過(guò)程中發(fā)揮基礎(chǔ)性角色：云計(jì)算具有全球分布最為廣泛、最為強(qiáng)大的硬件算力設(shè)施，同時(shí) AI 框架、通用算法最為一種典型 PaaS 能力，亦傾向于被整合到云廠商的平臺(tái)能力當(dāng)中。

因此從技術(shù)通用性、實(shí)際商業(yè)需求等維度，在大模型的推動(dòng)下，云計(jì)算巨頭有望逐步成為算力設(shè)施+基礎(chǔ)算法框架環(huán)節(jié)能力的主要提供商，并不斷侵蝕現(xiàn)有的 AI 算法平臺(tái)商的商業(yè)空間。從過(guò)去云廠商各類產(chǎn)品的報(bào)價(jià)中可以發(fā)現(xiàn)，以 AWS 與 Google 產(chǎn)品為例，美國(guó)東部地區(qū)的 Linus按需使用價(jià)格正在階梯式降低。

從圖中可以看到，具有 2 個(gè) vCPU，2 個(gè) ECU 和 7.5GiB的 m1.large 產(chǎn)品價(jià)格從 2008 年的約 0.4 美元/小時(shí)持續(xù)下降到了 2022 年約 0.18 美元/小時(shí)。而 Google Cloud 具有 8 個(gè) vCPU 與 30GB 內(nèi)存的 n1-standard-8 產(chǎn)品的按需使用價(jià)格也從 2014 年的 0.5 美元/小時(shí)下降到 2022 年的 0.38 美元/小時(shí)，可見云計(jì)算價(jià)格呈全面下降趨勢(shì)。

在未來(lái) 3-5 年，我們將看到更多的 AI 即服務(wù)（AIaaS）產(chǎn)品。此前提到的大模型趨勢(shì)，尤其是 GPT-3 的誕生掀起了這個(gè)潮流，由于 GPT-3 龐大的參數(shù)量，必須要在龐大的公有云算力如 Azure 規(guī)模的計(jì)算設(shè)施上才能運(yùn)行，于是微軟將它打造成了能夠通過(guò)web API 獲取的服務(wù)，這也會(huì)促使更多的大模型出現(xiàn)。

▲AWS EC2 歷史標(biāo)準(zhǔn)化價(jià)格（美元/小時(shí)）

在目前的算力條件與可展望的技術(shù)能力支持下，應(yīng)用端將繼續(xù)通過(guò)數(shù)據(jù)獲取實(shí)現(xiàn)算法迭代與優(yōu)化，完善目前認(rèn)知智能當(dāng)中仍存在的不足（圖像識(shí)別方向），并嘗試往決策智能發(fā)展。根據(jù)目前的技術(shù)能力以及硬件算力支持，實(shí)現(xiàn)完全決策智能仍需較長(zhǎng)時(shí)間；現(xiàn)有場(chǎng)景的繼續(xù)深化的基礎(chǔ)上做出局部性的智能化將是 3-5 年內(nèi)的主要方向。

目前的 AI 應(yīng)用層面仍然過(guò)于單點(diǎn)化，而完成局部性的串聯(lián)將成為實(shí)現(xiàn)決策智能的第一步。人工智能的軟件類應(yīng)用將包括從底層的驅(qū)動(dòng)程序，到上層的應(yīng)用程序、算法框架，從面向商業(yè)（制造、金融、物流、零售、地產(chǎn)等），到人（元宇宙、醫(yī)療、人形機(jī)器人等）、自動(dòng)駕駛等領(lǐng)域。

智東西認(rèn)為，伴隨 AI 芯片、算力設(shè)施、數(shù)據(jù)等基礎(chǔ)要素的不斷完善，以及大模型帶來(lái)的問(wèn)題泛化求解能力的大幅提升，AI 產(chǎn)業(yè)正形成“芯片+算力基礎(chǔ)設(shè)施+AI 框架&算法庫(kù)+應(yīng)用場(chǎng)景”的穩(wěn)定產(chǎn)業(yè)價(jià)值鏈結(jié)構(gòu)，AI 芯片廠商、云計(jì)算廠商（算力設(shè)施+算法框架）、AI+應(yīng)用場(chǎng)景廠商、平臺(tái)型算法框架廠商等有望持續(xù)成為產(chǎn)業(yè)核心受益者。