人工智能行业发展驱动因素 多个行业希望利用AI实现数字化转型

人工智能行业发展驱动因素

一、多个行业希望利用AI实现数字化转型

企业成长催化剂：非AI技术公司发展到一定规模时，往往想要探索如何利用AI实现升级。但仍然有许多中国传统公司在先进技术利用方面落后于美国。拥有数据和经济实力的公司更希望聘用AI专家，利用AI技术发现商业发展机会或者节省大量成本。

多行业应用：预计需要AI技术的公司非常多，包括金融、电信、农业传统行业中的国有企业。其他领域(如教育行业)也可能从AI技术中获得巨大收益。

将AI提升到战略层次：中国的科技巨头正在展开AI“军备竞赛”。如，百度正在开发自动驾驶系统，拥有1300多名专家在内的AI团队;阿里云的机器学习平台PAI为企业数据分析提供AI服务;腾讯建立了250名科学家和工程师组成的专门团队，并投资了中国的一家健康领域AI创业公司碳云智能(iCarbon X)。

经济增长：根据麦肯锡公司调查，中国在过去十年中从人口红利中获得巨大收益，但该优势随着人口老龄化将不复存在。但是，AI等自动化技术将为中国经济注入能量，根据技术利用速度，AI技术可能为中国GDP贡献0.8到1.4个百分点。

二、大量人工智能高端人才

应用研究：中国学者积极务实地投入AI研究，致力于发现AI应用新领域。

经验和专业：经验丰富的顶级AI人才在中国的数量较少。LinkedIn上25万名AI专家中，约一半具有十年经验的专家在美国，在中国的占比不到25%。中国应该培养更多AI领域的专家，同时企业领导和中层管理者也需要学习技术，培养自己理解和应用数据的能力。不过，中国拥有大量高端工程人才，这对AI应用的发展非常重要。

人才成本和迁移：中国公司如百度，从美国聘用顶尖AI专家。在特朗普推行的移民政策的影响下，中国公司遇到了从硅谷招揽更多AI人才的良机。美国约1/4的高科技公司由移民创立。AI行业的部分从业者工资非常高，很多专家离开大公司，进行AI领域创业。

AI专门化：应用层次上，中国的算法发展与其他国家不分伯仲;尤其是，中国的AI科学家大多致力于计算机视觉、语音识别等专门领域。但是，中国在基础研究方面仍然落后于其他国家。

三、移动互联网市场前景广阔

数据洪流：中国互联网用户众多，海量用户数据为中国技术公司提供了大量原材料。

基于APP的AI应用：一旦AI应用做好准备，百度、支付宝、微信、搜狗输入法等APP将在服务中应用AI技术。

进入壁垒：尽管与谷歌、Facebook等国外公司相比，中国互联网公司的限制少得多，但中国科技公司仍然需要面对市场进入壁垒。

四、高性能计算技术

硬件技术：中国科技公司继续在该领域取得突破，如深圳建造了支持AI硬件技术的生态系统。

快速发展的HPC技术：HPC技术快速发展。

芯片制造能力：中国增加对芯片制造方面的重视程度，允诺投入1500亿美元用十年时间提高中国的芯片制造能力。

全球价值链：中国需要确保AI行业建立在集成全球技术的开放系统上。

五、政府政策支持

政府政策和计划：中国政府从2014年开始通过政策性支持促进AI领域的发展。

研发投资：中国AI领域的成功部分源于政府对高校科研的投资。中国发展研究委员会(NDRC)建立了深度学习研究应用国家工程实验室。

中国市场进入壁垒：中国对外国企业设置市场进入壁垒;中国开放政府数据集对国内企业创新起到促进作用，但是数据不对外开放。跨国数据流动的限制不利于国际协作。不过，中国的AI政策对实验和解决方案更加宽松。

推动集成电路产业的发展：中国政府采取多种措施推动集成电路产业的发展。

六、人工智能再获重大突破

(一)人工智能迈向“炼大模型”阶段

2021年是超大规模预训练模型的爆发之年。2020年，GPT-3横空出世，这个具有1750亿参数规模的预训练模型所表现出来的零样本与小样本学习能力刷新了人们的认知，也引爆了2021年AI大模型研究的热潮。谷歌、微软、英伟达、智源人工智能研究院、阿里、百度、浪潮等国内外科技巨头和机构纷纷展开大模型研究和探索。

(二)超大规模预训练模型的“军备竞赛”

2021年1月，Google推出的Switch Transformer模型以高达1.6万亿的参数量打破了GPT-3作为最大AI模型的统治地位，成为史上首个万亿级语言模型。国内研究机构也不甘示弱。2021年6月，北京智源人工智能研究院发布了超大规模智能模型“悟道2.0”，达到1.75万亿参数，超过SwitchTransformer成为全球最大的预训练模型。

值得一提的是，2021年国产化大模型研发工作进展飞速，华为、浪潮、阿里、百度等都发布了自研的大模型。

浪潮人工智能研究院首席研究员吴韶华向InfoQ表示，现在业界提高模型参数量有两种技术路线，产生两种不同的模型结构，一种是单体模型，一种是混合模型。如浪潮的源大模型，华为的盘古大模型、百度的文心大模型、英伟达联合微软发布的自然语言生成模型MT-NLG等走的都是单体模型路线;而智源的悟道模型、阿里M6等走的是混合模型路线。

(三)预训练模型技术新进展

相关人士认为，预训练模型取得的重要技术进展有：

(1)知识表示和学习机理进一步创新突破

随着对预训练模型的深入理解，预训练模型的知识学习和表征的机理逐步明确，人们得以更加顺利地往模型里注入需要其学习的知识，在这些知识的加持下，对复杂任务的应对能力得到了大幅提升。

(2)对比学习、自监督和知识增强

以对比学习为中心，多种增强方法为工具的方式能进一步提升预训练模型的语义理解和表征能力，增强方法的深入让模型自监督成为可能，让对比学习对样本，尤其是正样本的依赖降低，数据依赖的降低势必让模型对少样本甚至无样本任务的适应性提升，模型能更好地完成这类型的任务，这将让预训练模型落地的成本再降低一个层次。

(四)降低AI规模化落地的门槛

预训练大模型降低了AI应用的门槛，解决了AI应用的两个难题：数据和行业知识。它既不需要大量的标注数据，又保障了基础底座。在预训练模型的业务定制优化和应用方面，从第一个预训练语言模型BERT发布至今，已在多个热门任务下得到应用，逐步从一种“潮流”变成前沿技术的“基本操作”，如预训练模型已成为机器翻译领域的基础关键性技术。此外，预训练模型也成为大系统中的一部分，发挥着其语义理解的优势。

无论是业界还是科研，对预训练模型的使用方式逐渐灵活，能从预训练模型中拆解出适合任务的部分并组装到自己的实际任务模型中。

时至今日，对预训练大模型的性能优化仍未终止，在学界，仍有大量的研究在预训练模型的落地能力上努力，压缩、剪枝、蒸馏的工作仍起到重要作用。不止于算法本身，编译、引擎、硬件等方面的优化也在大步迈进。

《2022-2027年中国人工智能芯片行业发展分析及投资风险预测报告》由中研普华人工智能芯片行业分析专家领衔撰写，主要分析了人工智能芯片行业的市场规模、发展现状与投资前景，同时对人工智能芯片行业的未来发展做出科学的趋势预测和专业的人工智能芯片行业数据分析，帮助客户评估人工智能芯片行业投资价值。