中國人工智能-機(jī)器學(xué)習(xí)產(chǎn)業(yè)分析

1、中國人工智能-機(jī)器學(xué)習(xí)產(chǎn)業(yè)分析技術(shù)創(chuàng)新，變革未來2022.1 .1211571585199824763106385948696050382156877695939617362140441160521077201920202025e2026e2021e2022e核心產(chǎn)品市場(chǎng)規(guī)模（億元）2023e2024e帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模（億元）人工智能產(chǎn)業(yè)規(guī)模視覺市場(chǎng)筑起主要版圖，頭部規(guī)模聚集效應(yīng)顯現(xiàn)人工智能產(chǎn)業(yè)正從發(fā)展期向成熟期過渡，除AI芯片外的細(xì)分技術(shù)賽道產(chǎn)業(yè)已跨過高速增長(zhǎng)期，步入了穩(wěn)步增長(zhǎng)階段。 2021年人工智能核心產(chǎn)業(yè)規(guī)模預(yù)計(jì)達(dá)到1998億元規(guī)模，相應(yīng)規(guī)模將于2026年超過6000億元，2021年到

2、2026年的CAGR 為24.8%，計(jì)算機(jī)視覺仍是AI技術(shù)賽道中貢獻(xiàn)最大的市場(chǎng)。然而，隨著下游各方數(shù)字化發(fā)展的意識(shí)不斷加強(qiáng)，其對(duì)數(shù)據(jù)這 一AI模型生產(chǎn)要素的要求也在不斷變高，采購含有機(jī)器學(xué)習(xí)技術(shù)的數(shù)據(jù)類產(chǎn)品的需求暴露與凸顯，在一定程度上帶動(dòng)了機(jī) 器學(xué)習(xí)市場(chǎng)。除AI技術(shù)賽道外，AI芯片作為底層算力資源的關(guān)鍵硬件，其2021-2026年的CAGR在維持40%以上，是拉動(dòng) 整體產(chǎn)業(yè)規(guī)模增速的重要拉力。從參與者類型看，我們判斷大約30%-45%的市場(chǎng)仍為人工智能創(chuàng)業(yè)企業(yè)所占據(jù)，且隨著 頭部人工智能企業(yè)沖刺科創(chuàng)板或港股市場(chǎng)的進(jìn)步，其市場(chǎng)份額會(huì)進(jìn)一步擴(kuò)大，市場(chǎng)份額的高地也會(huì)進(jìn)一步為頭部人工智能 企業(yè)所占領(lǐng)

3、。從外圍賽道入場(chǎng)的互聯(lián)網(wǎng)公司、云服務(wù)公司、大數(shù)據(jù)公司、信息技術(shù)服務(wù)公司、通信設(shè)備公司以及個(gè)別科研院所則切分其余市場(chǎng)。注釋：核心規(guī)模包括計(jì)算機(jī)視覺、智能語音、對(duì)話式AI、機(jī)器學(xué)習(xí)（含自動(dòng)駕駛）、知識(shí)圖譜、自然語言處理、AI芯片等核心產(chǎn)業(yè)；帶動(dòng)規(guī)模為為達(dá)到AI應(yīng)用目的而連帶采購的、具 有相關(guān)性的軟硬件產(chǎn)品、服務(wù)。來源：研究院根據(jù)專家訪談與桌研自主建模研究繪制。CAGR=24.8%CAGR=22.3%2019-2026年中國人工智能產(chǎn)業(yè)規(guī)模13人工智能產(chǎn)業(yè)圖譜注釋：以企業(yè)主營(yíng)業(yè)務(wù)為主。圖譜中所展示的公司logo順序及大小并無實(shí)際意義，不涉及排名。 來源：研究院根據(jù)公開資料研究繪制。2021年中國人工

4、智能產(chǎn)業(yè)圖譜人工智能基礎(chǔ)層人工智能技術(shù)層AI 框架AI 開放平臺(tái)商用版 AI 應(yīng) 用模型效率 化生產(chǎn)平臺(tái)AI 算力基礎(chǔ)AI 芯片 (Fabless)智能服務(wù)器與 高性能計(jì)算中心智能云AI 數(shù)據(jù)資源管理技 術(shù) 及 應(yīng) 用 標(biāo) 準(zhǔn) 與 規(guī) 范科 研 學(xué) 術(shù) 機(jī) 構(gòu) 與 各 層 次 人 才通 信 與 信 息 網(wǎng) 絡(luò)數(shù) 據(jù) 存 儲(chǔ) 設(shè) 施物聯(lián)網(wǎng) 與微型傳 感器關(guān)鍵通用技術(shù)機(jī)器學(xué)習(xí)知識(shí)圖譜關(guān)鍵領(lǐng)域技術(shù)計(jì)算機(jī)視覺語音識(shí)別自然語言處理人工智能應(yīng)用層城市公共事業(yè)、企業(yè)級(jí)客戶、消費(fèi)者AI 基礎(chǔ)數(shù)據(jù)服務(wù)大數(shù)據(jù)治理與數(shù)據(jù)智能方舟 先知Brain+AI 模型生產(chǎn)SenseParrotsAI +工業(yè)計(jì) 算 機(jī)視覺 知識(shí)

5、 與決策預(yù) 維測(cè) 護(hù)與對(duì)話式AI智 自主無人系統(tǒng)能 汽 車智 能 機(jī) 器人 無 人 機(jī)AI +零售AI +政務(wù)AI +金融AI +泛互聯(lián)網(wǎng)計(jì)算機(jī)視覺視覺與圖像流程智能規(guī)劃與推薦業(yè)務(wù)決策智能 智能搜索客戶服務(wù)AI +泛安防AI+醫(yī)療計(jì) 算 機(jī) 視覺大智 數(shù)能 據(jù)化 醫(yī) 輔 學(xué) 助 影 診 像 斷大 決 數(shù) 策 據(jù) 輔 及 助輔 制 助 藥14機(jī)器學(xué)習(xí)本章賽道內(nèi)容分為以下四個(gè)部分：賽道背景解讀：在數(shù)字經(jīng)濟(jì)大背景下，機(jī)器學(xué)習(xí)作為數(shù)字產(chǎn)業(yè)化的商業(yè)應(yīng)用與產(chǎn)業(yè)數(shù)字化 的技術(shù)工具，迎來了難得的發(fā)展機(jī)遇；從資本情況看，融資事件與金額增多，且輪次靠前。產(chǎn)業(yè)規(guī)模解讀：核心產(chǎn)品市場(chǎng)規(guī)模與帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模處于增量爬升

6、階段，存量市場(chǎng)尚未形成，大數(shù)據(jù)類產(chǎn)品與機(jī)器學(xué)習(xí)平臺(tái)的軟件部分為主要核心產(chǎn)品類型，下游市場(chǎng)以金融、 工業(yè)、醫(yī)療、自動(dòng)駕駛及互聯(lián)網(wǎng)為主。商業(yè)模式趨勢(shì)解讀：中短期內(nèi)，業(yè)內(nèi)玩家以決策智能為發(fā)力點(diǎn)，構(gòu)建機(jī)器學(xué)習(xí)平臺(tái)，提供 定制化解決方案，服務(wù)于甲方企業(yè)生產(chǎn)經(jīng)營(yíng)的決策管理。未來，機(jī)器學(xué)習(xí)平臺(tái)與數(shù)據(jù)治理 類產(chǎn)品的邊界將被打破與連接，二者將以一體化的趨勢(shì)向前發(fā)展；MLOps作為機(jī)器學(xué)習(xí)的 DevOps，將服務(wù)于機(jī)器學(xué)習(xí)生命周期全流程，提升模型敏捷開發(fā)效率與管理運(yùn)行效率。大模型落地方法論探討：大模型作為新興的通用化產(chǎn)品形式而廣受追捧，但其應(yīng)用落地存 在諸多卡點(diǎn)，因而大小模型云-邊-端協(xié)同的發(fā)展模式被提出。 Ma

7、chine Learning數(shù)字經(jīng)濟(jì)為機(jī)器學(xué)習(xí)創(chuàng)造發(fā)展機(jī)遇數(shù)字經(jīng)濟(jì)時(shí)代來臨，企業(yè)數(shù)據(jù)意識(shí)覺醒數(shù)字技術(shù)的發(fā)展與應(yīng)用，使得各類社會(huì)生產(chǎn)活動(dòng)能以數(shù)字化方式生成為可記錄、可存儲(chǔ)、可交互、可分析的數(shù)據(jù)、信息與 知識(shí)，數(shù)據(jù)由此成為當(dāng)代社會(huì)的新生產(chǎn)資料和關(guān)鍵生產(chǎn)要素。與傳統(tǒng)經(jīng)濟(jì)相比，數(shù)字經(jīng)濟(jì)的蓬勃發(fā)展為生產(chǎn)要素、生產(chǎn)力 和生產(chǎn)關(guān)系賦予了新的內(nèi)涵與活力，其在推動(dòng)勞動(dòng)工具數(shù)字化的同時(shí)，也構(gòu)建了共享合作的生產(chǎn)關(guān)系，如API經(jīng)濟(jì)、平臺(tái) 經(jīng)濟(jì)等合作模式得到廣泛認(rèn)可與推廣。在此背景下，加快推動(dòng)數(shù)字產(chǎn)業(yè)化、推進(jìn)產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型成為了企業(yè)順應(yīng)時(shí)代發(fā)展、 打造數(shù)字化優(yōu)勢(shì)的主動(dòng)選擇，而機(jī)器學(xué)習(xí)作為數(shù)字產(chǎn)業(yè)化的商業(yè)應(yīng)用與產(chǎn)業(yè)數(shù)字化

8、的技術(shù)工具，迎來了難得的發(fā)展機(jī)遇。 這一機(jī)遇體現(xiàn)在企業(yè)的數(shù)據(jù)意識(shí)覺醒并采購數(shù)字解決方案或應(yīng)用中。諸多企業(yè)開始構(gòu)建數(shù)倉、數(shù)據(jù)中臺(tái)、數(shù)據(jù)平臺(tái)等與數(shù) 據(jù)治理有關(guān)的項(xiàng)目，并基于已治理好的數(shù)據(jù)，構(gòu)建各類“數(shù)字+AI”應(yīng)用。而無論是數(shù)據(jù)治理這一過程，還是“數(shù)字+AI” 應(yīng)用，都離不開機(jī)器學(xué)習(xí)這一最基礎(chǔ)的AI算法工具。注釋：數(shù)字產(chǎn)業(yè)化為數(shù)據(jù)要素的產(chǎn)業(yè)化、商業(yè)化和市場(chǎng)化；產(chǎn)業(yè)數(shù)字化指利用現(xiàn)代數(shù)字 信息技術(shù)、先進(jìn)互聯(lián)網(wǎng)和AI技術(shù)對(duì)傳統(tǒng)產(chǎn)業(yè)進(jìn)行全方位、全角度、全鏈條改造，使數(shù)字 技術(shù)與實(shí)體經(jīng)濟(jì)各行各業(yè)深度融合發(fā)展。來源：研究院根據(jù)中國信通院發(fā)布數(shù)據(jù)自主研究繪制。來源：研究院根據(jù)公開資料自主研究繪制。 2015-2

9、020年中國數(shù)字經(jīng)濟(jì)內(nèi)部結(jié)構(gòu)變化產(chǎn)業(yè)數(shù)字化步伐逐漸加快，主導(dǎo)地位凸顯電子商務(wù)、API經(jīng)濟(jì)、平臺(tái)經(jīng)濟(jì)等數(shù)字化商業(yè)模式涌現(xiàn)機(jī)器 學(xué)習(xí)機(jī)器學(xué)習(xí)應(yīng)用于企業(yè)數(shù)據(jù)業(yè)務(wù)多源 異構(gòu) 數(shù)據(jù)企業(yè) 數(shù)據(jù)外部 數(shù)據(jù)結(jié)構(gòu)化 數(shù)據(jù)業(yè)務(wù) 應(yīng)用新數(shù) 據(jù)數(shù)據(jù)采集 與清洗數(shù)據(jù) 治理價(jià)值化 數(shù)據(jù)數(shù)據(jù) 應(yīng)用產(chǎn)生入庫74.3%77.0%77.4%79.5%80.2%80.9%25.7%23.0%22.6%20.5%19.8%19.1%20 1520 1620 1920 2020 17產(chǎn)業(yè)數(shù)字化20 18數(shù)字產(chǎn)業(yè)化15融資情況工業(yè)賽道收獲高度資本青睞，總體輪次靠前2018年到2021年11月，中國機(jī)器學(xué)習(xí)累計(jì)總?cè)谫Y事件數(shù)為221起，總?cè)?/p>

10、資金額為294.9億元。相較于往期，2021年中國 機(jī)器學(xué)習(xí)的融資情況為統(tǒng)計(jì)期內(nèi)融資事件最多、金額最大的時(shí)間節(jié)點(diǎn)。十四五規(guī)劃發(fā)布以來，新基建作為國家的重點(diǎn)戰(zhàn)略 發(fā)展方向驅(qū)動(dòng)著工業(yè)互聯(lián)網(wǎng)的發(fā)展，機(jī)器學(xué)習(xí)則作為工業(yè)互聯(lián)網(wǎng)的必要支撐技術(shù)獲得了眾多資本的青睞，其中代表性融資 案例為國家級(jí)的工業(yè)互聯(lián)網(wǎng)公共服務(wù)平臺(tái)企業(yè)航天云網(wǎng)，于2021年3月獲得26.3億元的大額融資，該金額占2019年 融資總額的77.6%。此外，中國機(jī)器學(xué)習(xí)的融資輪次主要集中在A+輪及以前，占累計(jì)融資事件數(shù)的49.8%，這意味著機(jī) 器學(xué)習(xí)市場(chǎng)并未定型，賽道中還活躍著諸多新參與者。在13.9%的C輪及以后融資事件中，不乏數(shù)據(jù)治理企業(yè)（

11、含數(shù)據(jù)中 臺(tái)與數(shù)據(jù)平臺(tái)）、新藥研發(fā)企業(yè)，也有以機(jī)器學(xué)習(xí)為行業(yè)標(biāo)簽的頭部玩家。來源：研究院根據(jù)各融資網(wǎng)站數(shù)據(jù)調(diào)整與處理繪制。來源：研究院根據(jù)各融資網(wǎng)站數(shù)據(jù)調(diào)整與處理繪制。2018-2021年11月中國機(jī)器學(xué)習(xí)融資事件數(shù)與融資金額情況75298355.93433.972.7132.420182019融資事件（起）20202021.1-11融資金額（億元）49.8%23.6%13.9%2018-2021年11月中國機(jī)器學(xué)習(xí)融資輪次情況12.7%A+輪及以前 C輪及以后PreB輪到B+輪戰(zhàn)略、并購、股權(quán)及未公開1617細(xì)分賽道融資熱度注釋：融資熱度根據(jù)事件數(shù)計(jì)算；細(xì)分賽道熱度與細(xì)分賽道業(yè)務(wù)表現(xiàn)不完全成

12、正比。 來源：研究院根據(jù)各融資網(wǎng)站數(shù)據(jù)調(diào)整與處理繪制。金融、醫(yī)療、工業(yè)為熱門賽道TOP3在統(tǒng)計(jì)時(shí)間內(nèi)共有215家企業(yè)獲投，金融、醫(yī)療、工業(yè)為熱門賽道TOP3。金融賽道率先領(lǐng)跑的原因有以下兩點(diǎn)：1）豐富 高質(zhì)的數(shù)據(jù)積累是機(jī)器學(xué)習(xí)發(fā)揮作用的基礎(chǔ)，而金融領(lǐng)域的銀行、保險(xiǎn)公司、證券公司等本身就具備良好的信息化基礎(chǔ)與 數(shù)據(jù)積累，因此，金融與機(jī)器學(xué)習(xí)各類模型的契合度高，為機(jī)器學(xué)習(xí)產(chǎn)品提供了生長(zhǎng)發(fā)育的天然土壤。2）金融機(jī)構(gòu)普遍 存在營(yíng)銷獲客難、風(fēng)險(xiǎn)防范難、用戶管理難的業(yè)務(wù)痛點(diǎn)，對(duì)精準(zhǔn)營(yíng)銷、智能風(fēng)控、反欺詐、反洗錢等機(jī)器學(xué)習(xí)產(chǎn)品有強(qiáng)烈 需求。2021年醫(yī)療賽道機(jī)器學(xué)習(xí)的大熱得益于新藥研發(fā)與手術(shù)機(jī)器人。新藥研發(fā)

13、首先要收集各類藥物分子數(shù)據(jù)、臨床試 驗(yàn)數(shù)據(jù)，而后將數(shù)據(jù)輸入機(jī)器學(xué)習(xí)平臺(tái)計(jì)算藥物結(jié)構(gòu)；手術(shù)機(jī)器人則需要機(jī)器學(xué)習(xí)增強(qiáng)人機(jī)手術(shù)協(xié)作、改善手術(shù)決策鏈的 各個(gè)環(huán)節(jié)，提升數(shù)字手術(shù)的精度與準(zhǔn)確度。在工業(yè)領(lǐng)域，除工業(yè)機(jī)器人外，工業(yè)互聯(lián)網(wǎng)平臺(tái)亦需要機(jī)器學(xué)習(xí)進(jìn)行數(shù)據(jù)分析 以完成質(zhì)檢、安全事故監(jiān)測(cè)、業(yè)務(wù)流程優(yōu)化等。2018-2021年11月中國機(jī)器學(xué)習(xí)融資賽道熱度情況215家獲投47.0%32.6%24.2%15.3% 12.1% 10.7%10.2%7.4%4.7%4.7%3.7%3.3%2.8%0.9%0.9%0.9%0.5%0.5%金融醫(yī)療工業(yè)互聯(lián)網(wǎng)零售營(yíng)銷政務(wù)能源公安電信電力物流交互服務(wù)通用技術(shù)農(nóng)業(yè)司法環(huán)保

14、教育16722427532939947757870037663158264721791809146810254421201920202025e2026e2021e2022e核心產(chǎn)品市場(chǎng)規(guī)模（億元）2023e2024e帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模（億元）機(jī)器學(xué)習(xí)產(chǎn)業(yè)規(guī)模注釋：核心產(chǎn)品市場(chǎng)規(guī)模為機(jī)器學(xué)習(xí)平臺(tái)、大數(shù)據(jù)平臺(tái)與數(shù)據(jù)中臺(tái)中的機(jī)器學(xué)習(xí)模塊部分以及應(yīng)用解決方案中的機(jī)器學(xué)習(xí)模塊等。帶動(dòng)規(guī)模為為達(dá)到機(jī)器學(xué)習(xí)應(yīng)用目的，而連帶采購 的、具有相關(guān)性的軟硬件產(chǎn)品、服務(wù)。核心規(guī)模超270億元，帶動(dòng)規(guī)模超1800億元機(jī)器學(xué)習(xí)是人工智能的核心內(nèi)容，也是各類算法的根源，其本質(zhì)是函數(shù)，可基于大數(shù)據(jù)來推算實(shí)際業(yè)務(wù)中事件的可能性，

15、 從而幫助甲方企業(yè)進(jìn)行分析、判斷與決策。在數(shù)字經(jīng)濟(jì)背景下，金融、制造、醫(yī)藥等具備數(shù)字化基礎(chǔ)優(yōu)勢(shì)的行業(yè)對(duì)數(shù)據(jù)應(yīng) 用的認(rèn)識(shí)正在逐步加深，政務(wù)、教育、農(nóng)業(yè)等數(shù)字化水平低的行業(yè)也意識(shí)到數(shù)字化發(fā)展的必要性，可以說，各行各業(yè)都正 在計(jì)劃、啟動(dòng)或進(jìn)行數(shù)字化工程，而該工程是機(jī)器學(xué)習(xí)發(fā)揮價(jià)值、拉動(dòng)機(jī)器學(xué)習(xí)產(chǎn)品及服務(wù)的業(yè)務(wù)點(diǎn)所在。以此為出發(fā)點(diǎn)， 進(jìn)行了機(jī)器學(xué)習(xí)市場(chǎng)規(guī)模測(cè)算。2021年，我國機(jī)器學(xué)習(xí)產(chǎn)品服務(wù)的核心市場(chǎng)規(guī)模將達(dá)到275億元，并以20%以上的 年均增速發(fā)展，2026年有望達(dá)到700億元，核心規(guī)模在2021-2026年的CAGR為20.6%。而在2021年，我國機(jī)器學(xué)習(xí)產(chǎn) 品服務(wù)的帶動(dòng)市場(chǎng)規(guī)模將達(dá)到180

16、9億元，2026年將達(dá)到4421億元。2019-2026年中國機(jī)器學(xué)習(xí)核心產(chǎn)品及帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模CAGR=19.6%CAGR=20.6%來源：研究院根據(jù)專家訪談與桌研自主建模研究繪制。2022.1 .18機(jī)器學(xué)習(xí)核心行業(yè)規(guī)模注釋：核心產(chǎn)品市場(chǎng)規(guī)模為機(jī)器學(xué)習(xí)平臺(tái)、大數(shù)據(jù)平臺(tái)與數(shù)據(jù)中臺(tái)中的機(jī)器學(xué)習(xí)模塊部分以及應(yīng)用解決方案中的機(jī)器學(xué)習(xí)模塊等。8098125150決策智能帶動(dòng)金融市場(chǎng)，L1L2為自動(dòng)駕駛市場(chǎng)主要產(chǎn)品從行業(yè)橫向?qū)Ρ龋畔⒒ㄔO(shè)完備、數(shù)據(jù)標(biāo)準(zhǔn)相對(duì)統(tǒng)一的金融領(lǐng)域無疑是最先起跑、市場(chǎng)空間較為可觀的賽道。在數(shù)據(jù)燃 料準(zhǔn)備充分的前提下，銀行、保險(xiǎn)公司、證券公司以及基金展開了決策智能產(chǎn)品的引入之路，

17、以克服營(yíng)銷獲客難、反交易 欺詐與非法集資等業(yè)務(wù)痛點(diǎn)，且因業(yè)務(wù)的多變性、復(fù)雜性，其會(huì)疊加采購不同業(yè)務(wù)的解決方案。2021年，金融領(lǐng)域的機(jī) 器學(xué)習(xí)規(guī)?？蛇_(dá)125億元，2026年將超過270億元。工業(yè)整體的數(shù)字化程度較差，汽車制造業(yè)、電子設(shè)備制造業(yè)、電力熱 力供應(yīng)三大細(xì)分子行業(yè)率先樹立起數(shù)字化建設(shè)的標(biāo)桿，采購嵌入機(jī)器學(xué)習(xí)技術(shù)的大數(shù)據(jù)產(chǎn)品與機(jī)器學(xué)習(xí)解決方案，服務(wù)于 生產(chǎn)線故障排查與質(zhì)檢、電路故障排查與檢修等業(yè)務(wù)。自動(dòng)駕駛領(lǐng)域，核心規(guī)模主要來自L1L2等級(jí)的產(chǎn)品，2021年 L1L2等級(jí)產(chǎn)品的比例高達(dá)72.8%，未來占比將由L3及以上等級(jí)的產(chǎn)品擴(kuò)充。2019-2026年中國機(jī)器學(xué)習(xí)核心產(chǎn)品在主要行業(yè)應(yīng)用

18、規(guī)模2722402081814249588212032 17684799 8913530 1763 49596812 91332 24 1736 32 2041 2327323620192026e20202021e金融領(lǐng)域市場(chǎng)規(guī)模（億元） 自動(dòng)駕駛領(lǐng)域（億元）2022e2023e2024e2025e工業(yè)領(lǐng)域市場(chǎng)規(guī)模（億元）醫(yī)藥領(lǐng)域市場(chǎng)規(guī)模（億元） 互聯(lián)網(wǎng)領(lǐng)域市場(chǎng)規(guī)模（億元）來源：研究院根據(jù)專家訪談與桌研自主建模研究繪制。2022.1 .1920中短期發(fā)展焦點(diǎn)：決策智能來源：研究院結(jié)合公開資料自主研究繪制。來源：研究院結(jié)合公開資料自主研究繪制。金融精準(zhǔn)營(yíng)銷反欺詐、反洗錢股市預(yù)測(cè)01零售店鋪選址商

19、品定價(jià)銷量預(yù)測(cè)02醫(yī)療科研新藥研發(fā)基因檢測(cè)0304自動(dòng)駕駛環(huán)境觀測(cè)目標(biāo)定位物體檢測(cè)AutoML提升流程自動(dòng)化，機(jī)器學(xué)習(xí)平臺(tái)為主要產(chǎn)品形式隨著線上線下數(shù)據(jù)量的增長(zhǎng)與變化，企業(yè)在日常工作中要面臨大量的分析決策問題，在短時(shí)間內(nèi)做出準(zhǔn)確判斷，依賴傳統(tǒng) 的經(jīng)驗(yàn)決策與人力計(jì)算顯然難以滿足企業(yè)需要，計(jì)算速度快、自動(dòng)化程度高、分析精準(zhǔn)的決策智能應(yīng)用由此走入企業(yè)視線。 決策智能指使用機(jī)器學(xué)習(xí)等技術(shù)，對(duì)企業(yè)的內(nèi)外數(shù)據(jù)進(jìn)行治理，挖掘和利用數(shù)據(jù)背后的信息，讓機(jī)器具備自主分析、預(yù)測(cè)、 選擇的功能，從而解決生產(chǎn)經(jīng)營(yíng)過程中的決策管理問題，其本質(zhì)是一個(gè)數(shù)據(jù)消費(fèi)的過程，屬于認(rèn)知計(jì)算的領(lǐng)域之一，亦是 機(jī)器學(xué)習(xí)的一項(xiàng)代表性應(yīng)用，其

20、流程步驟需經(jīng)過數(shù)據(jù)收集、數(shù)據(jù)清洗、模型訓(xùn)練、基于驗(yàn)證或測(cè)試錯(cuò)誤或其他評(píng)價(jià)指標(biāo)選 擇最佳模型四個(gè)階段。就算法類型而言，在整個(gè)應(yīng)用開發(fā)流程中，AutoML可讓一些通用步驟自動(dòng)化，如數(shù)據(jù)預(yù)處理、模 型選擇、參數(shù)調(diào)整等，來簡(jiǎn)化模型生成的過程；而在具體的模型中，可結(jié)合業(yè)務(wù)，選擇合適的機(jī)器學(xué)習(xí)算法，一般在決策 智能中常見的代表算法有遷移學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、分類與回歸樹等。就產(chǎn)品形式而言，因挖掘決策信息、搭建決策模型往往 需要一個(gè)集成類的模型開發(fā)與訓(xùn)練工具，機(jī)器學(xué)習(xí)平臺(tái)正是可實(shí)現(xiàn)數(shù)據(jù)閉環(huán)、模型自動(dòng)構(gòu)建及更新的工具型產(chǎn)品，故決策 智能應(yīng)用常以機(jī)器學(xué)習(xí)平臺(tái)的形式出售。目前，決策智能已在金融、零售、制造、醫(yī)療、自動(dòng)駕

21、駛等領(lǐng)域獲得應(yīng)用，但產(chǎn) 品的滲透廣度與深度主要停留于金融領(lǐng)域，產(chǎn)品尚未實(shí)現(xiàn)“完全人格化”，業(yè)務(wù)開拓與技術(shù)進(jìn)展仍有較大的開拓空間。決策智能發(fā)展情況決策智能主要應(yīng)用場(chǎng)景前決策智能有限決策智能完全決策智能超級(jí)決策智能現(xiàn) 階 段將知識(shí)遷移到計(jì) 算機(jī)系統(tǒng)，輸入 數(shù)據(jù)，與系統(tǒng)中 的規(guī)則匹配，實(shí) 現(xiàn)輔助決策決策初步自動(dòng) 化，決策引擎 可進(jìn)行數(shù)據(jù)預(yù) 測(cè)性分析、模 擬分析等通過機(jī)器學(xué)習(xí)自動(dòng)分析潛在規(guī)則，實(shí)現(xiàn)自我更新迭 代，實(shí)現(xiàn)“半人 格化”通過機(jī)器學(xué)習(xí)全 自動(dòng)完成規(guī)則挖 掘、數(shù)據(jù)治理、 模型更新，實(shí)現(xiàn) “全人格化”21趨勢(shì)：廠商的數(shù)據(jù)與應(yīng)用業(yè)務(wù)補(bǔ)全數(shù) 據(jù) 生 命 周 期 管 理數(shù) 據(jù) 安 全 與 隱 私ML模型

22、規(guī)則搭建數(shù)據(jù)分析與可視化數(shù)據(jù)資產(chǎn)主數(shù)據(jù)與元數(shù)據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化數(shù)據(jù)質(zhì)量 數(shù)據(jù)分類與存儲(chǔ)數(shù)據(jù)匯聚與接入機(jī)器學(xué)習(xí)應(yīng)用廠商轉(zhuǎn)向數(shù)據(jù)治理業(yè)務(wù)開發(fā)數(shù)據(jù)治理與ML應(yīng)用開發(fā)將逐漸走向一體化ML應(yīng)用廠商補(bǔ)全數(shù)據(jù)治理業(yè)務(wù)、數(shù)據(jù)治理廠商補(bǔ)全ML應(yīng)用開發(fā)業(yè)務(wù)成為了一大發(fā)展趨勢(shì)。機(jī)器學(xué)習(xí)應(yīng)用廠商在進(jìn)行決策 智能應(yīng)用開發(fā)時(shí)，往往面臨模型與數(shù)據(jù)無法拉齊的問題，所以需要溯源到前置環(huán)節(jié)，從一開始就把數(shù)據(jù)治理的工作做好， 構(gòu)建模型特有的數(shù)據(jù)資產(chǎn)，這也是典型的業(yè)務(wù)導(dǎo)向型數(shù)據(jù)治理方法論的體現(xiàn)。數(shù)據(jù)中臺(tái)、數(shù)據(jù)平臺(tái)、數(shù)據(jù)解決方案等數(shù)據(jù) 治理廠商完成數(shù)據(jù)治理后，本就對(duì)客戶的業(yè)務(wù)數(shù)據(jù)有了深入了解，能夠較為順利地進(jìn)入到下一輪的模型開發(fā)業(yè)務(wù)中，且模

23、 型應(yīng)用開發(fā)可增加新的業(yè)務(wù)收入，故不少數(shù)據(jù)治理廠商投身于ML應(yīng)用部署的業(yè)務(wù)中。這意味著數(shù)據(jù)治理與機(jī)器學(xué)習(xí)平臺(tái) 產(chǎn)品的邊界將會(huì)被突破并連接，數(shù)據(jù)治理與ML應(yīng)用開發(fā)將逐漸走向一體化。數(shù)據(jù)治理與應(yīng)用廠商業(yè)務(wù)補(bǔ)全示意圖數(shù)據(jù)治理廠商轉(zhuǎn)向ML應(yīng)用開發(fā)數(shù)據(jù)治理與ML應(yīng)用開發(fā)一體化ML應(yīng)用 ML模型訓(xùn)練整 合企業(yè)數(shù)據(jù)匯聚數(shù)據(jù)治理模型開發(fā)與應(yīng)用缺失，需開發(fā)已有，具備一定的數(shù)據(jù)積累與業(yè)務(wù)優(yōu)勢(shì)ML模型模型部署到模型與業(yè)務(wù) 數(shù)據(jù)治理不符 業(yè)務(wù)線割裂合模型要求數(shù)據(jù)治理缺失，需開發(fā)已有，對(duì)模型所需的數(shù)據(jù)內(nèi)容、標(biāo)準(zhǔn)更清楚機(jī)器學(xué)習(xí)新范式：MLOps構(gòu)建可通用、復(fù)用的模型生產(chǎn)流水線MLOps即機(jī)器學(xué)習(xí)開發(fā)運(yùn)維一體化，包含項(xiàng)目設(shè)

24、計(jì)、模型開發(fā)、模型運(yùn)維三大步驟，融合了業(yè)務(wù)、數(shù)據(jù)、算法、運(yùn)維的 業(yè)務(wù)人員，以更好更快地試驗(yàn)、開發(fā)、部署、管理ML模型，保證ML模型的交付與運(yùn)行質(zhì)量為目標(biāo)，是機(jī)器學(xué)習(xí)服務(wù)模式 與技術(shù)的新興領(lǐng)域，相當(dāng)于機(jī)器學(xué)習(xí)領(lǐng)域的DevOps，其核心是構(gòu)建一條可通用、復(fù)用的模型生產(chǎn)流水線?？傮w上講，機(jī) 器學(xué)習(xí)生命周期全流程復(fù)雜且耗時(shí)長(zhǎng)，只有在部署的模型與現(xiàn)有業(yè)務(wù)充分整合后，各業(yè)務(wù)線才能從模型中獲得效用與價(jià)值， 而實(shí)際情況是業(yè)務(wù)開發(fā)與模型部署常常脫節(jié)。細(xì)分而言，放大生命周期全流程的各個(gè)環(huán)節(jié)，會(huì)發(fā)現(xiàn)更多的問題：工具鏈碎 片化、各業(yè)務(wù)人員的專業(yè)知識(shí)存在短板且團(tuán)隊(duì)之間缺乏協(xié)作、ML就緒數(shù)據(jù)匱乏、集成開發(fā)環(huán)境缺失、模型可

25、解釋性差等。 為改善甚至消除這些障礙，MLOps這一概念應(yīng)運(yùn)而生。實(shí)施MLOps可更好地銜接模型開發(fā)運(yùn)維的全流程，通過自動(dòng)化、 可重復(fù)的工作流與可復(fù)用的數(shù)據(jù)與模型資產(chǎn)來提升開發(fā)運(yùn)行效率，從而加速機(jī)器學(xué)習(xí)生命周期；同時(shí)，通過監(jiān)督管理模型 的指標(biāo)與數(shù)據(jù)，找到并分析模型出故障的原因，提升模型的可解釋性，克服“黑箱”困擾。來源：研究院根據(jù)公開資料自主研究繪制。來源：研究院根據(jù)公開資料自主研究繪制。數(shù)據(jù)庫數(shù)據(jù)輸入預(yù)處理清洗數(shù)據(jù)分析特征抽取特征工程模型訓(xùn)練模型運(yùn)作測(cè)試結(jié)果模型預(yù)測(cè)過程輸入模型保存模型輸出模型監(jiān)控?cái)?shù)據(jù)和特征管理模型開發(fā)、運(yùn)作與監(jiān)控需求收集場(chǎng)景設(shè)計(jì)數(shù)據(jù)檢驗(yàn)?zāi)Ｐ烷_發(fā)數(shù)據(jù)工程模型工程評(píng)估驗(yàn)證模型運(yùn)

26、維模型部署CI/CD/C T模型監(jiān)控22MLOps縮短模型開發(fā)部 署的迭代周期使業(yè)務(wù)、數(shù)據(jù)、 算法、運(yùn)維各個(gè) 角色高效協(xié)作促進(jìn)模型生產(chǎn)與 管理流程自動(dòng)化、 標(biāo)準(zhǔn)化提升模型交付效 率與質(zhì)量， 深化 模型管理MLOps的步驟原理及價(jià)值機(jī)器學(xué)習(xí)生命周期全流程項(xiàng)目設(shè)計(jì)*每一環(huán)節(jié)都有涉及數(shù)據(jù)流、小工具、業(yè)務(wù)人員操作等應(yīng)用落地思考：大模型爭(zhēng)論大小模型云-邊-端協(xié)同發(fā)展大模型，即超大規(guī)模預(yù)訓(xùn)練模型，其對(duì)運(yùn)算速度與算法的要求極高，因而需要充足的芯片資源支持與復(fù)雜的機(jī)器學(xué)習(xí)算法 支撐。自2020年6月OpenAI發(fā)布GPT-3以來，各大學(xué)術(shù)機(jī)構(gòu)與科技企業(yè)爭(zhēng)先參與到大模型競(jìng)賽中，大模型于2021年迎來 了大爆發(fā)。

27、盡管大模型的研發(fā)取得了較大進(jìn)展，其發(fā)展卻面臨諸多卡點(diǎn)：1）數(shù)據(jù)方面，國內(nèi)可用的中文數(shù)據(jù)集有限，這 意味著開發(fā)者使用的數(shù)據(jù)集可能會(huì)重復(fù)，進(jìn)而導(dǎo)致各家的大模型能力相近。 2）算法方面，參數(shù)越多、模型越復(fù)雜，模型 越難以解釋，復(fù)雜的大模型成為了“黑箱”，讓業(yè)務(wù)使用者甚至是研發(fā)者都無法獲知模型的結(jié)果與特征之間的關(guān)系。3） 投入產(chǎn)出方面，成本與回報(bào)難匹配，訓(xùn)練所需的芯片成本過高、訓(xùn)練時(shí)間過長(zhǎng)、碳排放量過高，而訓(xùn)練出的模型可能局限 于某些行業(yè)業(yè)務(wù)、普適性差，讓大模型淪為一次性的模型，浪費(fèi)大量資源。4）應(yīng)用使用方面，客戶更注重模型的實(shí)用性， 很多中小企業(yè)研發(fā)的小模型即可滿足客戶的業(yè)務(wù)需求，且成本更低，性價(jià)比

28、更高。然而，宏觀經(jīng)濟(jì)運(yùn)行與監(jiān)管、航空航天 量子計(jì)算、醫(yī)藥研發(fā)、細(xì)胞分類等社會(huì)與自然科學(xué)領(lǐng)域的重大分析任務(wù)，以及跨行業(yè)的通用模型研究又恰恰需要大模型這 一先進(jìn)工具。對(duì)此，大小模型云-邊-端協(xié)同發(fā)展的模式被提出：云端提供充足的算力與數(shù)據(jù)存儲(chǔ)空間，容納大模型的訓(xùn)練 與演變，云端大模型為邊、端小模型輸送通用知識(shí)與能力；而在邊與端側(cè)，小模型快速執(zhí)行推理任務(wù)，專注于特定場(chǎng)景的 極致化，并向云端大模型反饋數(shù)據(jù)、成效，解決大模型數(shù)據(jù)集單一的問題，最終實(shí)現(xiàn)功能獨(dú)立的大模型的全社會(huì)共享。來源：研究院結(jié)合公開資料自主研究繪制。來源：研究院結(jié)合公開資料自主研究繪制。現(xiàn)有大模型列舉發(fā)布時(shí)間發(fā)布者與模型名稱參數(shù)量級(jí)202

29、0年5月2021年1月2021年2月2021年4月2021年6月2021年9月2021年10月2021年11月2021年12月OpenAI：GPT-3 Google：Switch Transformer 快手：參數(shù)推薦精排模型鵬城：盤古 智源：悟道2.0 華為：盤古英偉達(dá)&谷歌：威震天-圖靈 阿里達(dá)摩院：M6鵬城&百度：文心1750億1.6萬億1.9萬億2000億1.75萬億30億5300億10萬億2600億已有大模型列舉Cloud邊緣 Edge端 Device模 型 能 力 雙 向 輸 送訓(xùn)練推理若干業(yè)務(wù)小模型，上傳業(yè)務(wù)數(shù)據(jù)、 模型成效23對(duì)邊、端輸送通大模型大模型用知識(shí)與能力大小模型云邊端

30、協(xié)同發(fā)展模式云2022.1 .91可信人工智能的重要性升級(jí)來源：研究院根據(jù)信通院可信人工智能白皮書等公開資料自主研究繪制?？尚臕I將逐步成為行業(yè)規(guī)范化、技術(shù)商業(yè)化的關(guān)鍵助推器新一代人工智能技術(shù)迅猛發(fā)展，并向社會(huì)各個(gè)領(lǐng)域加速滲透，這給經(jīng)濟(jì)和社會(huì)發(fā)展帶來了新的變革性機(jī)遇，也給人類生產(chǎn) 生活帶來了深刻的變化，與此同時(shí)，科技倫理也成為了當(dāng)前AI產(chǎn)業(yè)技術(shù)發(fā)展與產(chǎn)業(yè)應(yīng)用中的“必答題”。如今，以中國、 美國、歐盟為代表的AI產(chǎn)業(yè)領(lǐng)頭羊均把確保AI安全、可靠、可控的可信人工智能放在了其AI倫理和治理的核心位置，發(fā)展 可信人工智能正在成為全球的共識(shí)?？尚湃斯ぶ悄艿暮诵脑瓌t是讓AI應(yīng)用滿足可靠、安全、可解釋、隱私

31、保護(hù)、責(zé)任明確 等條件，是落實(shí)AI治理的重要實(shí)踐，所遵循的可信特征與AI倫理和相關(guān)法律法規(guī)等要求一脈相承，均將以人為本作為其本 質(zhì)要求。AI企業(yè)作為人工智能技術(shù)產(chǎn)品化的主體，在可信人工智能的發(fā)展實(shí)踐中正發(fā)揮著日益積極的作用，谷歌、微軟、 百度、京東、曠視等一批國內(nèi)外企業(yè)紛紛投身其中?？萍季揞^們?cè)诳尚湃斯ぶ悄苌系耐度氤袚?dān)社會(huì)公益和行業(yè)引領(lǐng)的責(zé) 任外，在AI商業(yè)化上面臨越來越多的限制和挑戰(zhàn)也是關(guān)鍵驅(qū)動(dòng)因素。以可信人工智能所包含的隱私保護(hù)為例，部分AI企業(yè) 在接受監(jiān)管機(jī)構(gòu)上市問詢時(shí)，被重點(diǎn)要求說明其技術(shù)、業(yè)務(wù)及產(chǎn)品中涉及到數(shù)據(jù)應(yīng)用的具體環(huán)節(jié)，相關(guān)數(shù)據(jù)來源與合規(guī)性， 以及保證數(shù)據(jù)合規(guī)的具體措施等。這

32、種自上而下的監(jiān)管推動(dòng)也將與企業(yè)內(nèi)驅(qū)形成合力，共同推動(dòng)可信人工智能的發(fā)展與實(shí) 踐，可信人工智能也將成為AI產(chǎn)業(yè)下一階段發(fā)展的重點(diǎn)。AI技術(shù)的風(fēng)險(xiǎn)與可信AI的愿景算法安全應(yīng)用風(fēng)險(xiǎn)“黑箱”風(fēng)險(xiǎn)數(shù)據(jù)歧視風(fēng)險(xiǎn)責(zé)任主體界定風(fēng)險(xiǎn)隱私泄露風(fēng)險(xiǎn)AI技術(shù)存在脆弱和易受攻擊 的缺陷，使得AI系統(tǒng)可靠性 存疑深度學(xué)習(xí)具有高度復(fù)雜性和 不確定性，人們無法理解或 解釋AI決策背后的原因訓(xùn)練的數(shù)據(jù)存在偏見歧視導(dǎo) 致生成的算法模型失去客觀 性和正當(dāng)性AI系統(tǒng)自動(dòng)化決策受眾多因 素影響，使得責(zé)任主體難以 界定生物識(shí)別等信息的頻繁使 用使得個(gè)人隱私數(shù)據(jù)泄露 的可能性增大可信AI技術(shù)與特征AI的系統(tǒng)穩(wěn)定技術(shù)、可解釋增強(qiáng)技 術(shù)、隱私

33、保護(hù)技術(shù)、公平性技術(shù)等可靠可控、透明可釋、數(shù)據(jù)保護(hù)、明確責(zé)任、多元包容92預(yù)訓(xùn)練大模型的商業(yè)化得更大的進(jìn)步。隨著大模型技術(shù)的演進(jìn)，其商業(yè)化路徑將逐漸清晰2021年是超大規(guī)模預(yù)訓(xùn)練模型的爆發(fā)之年，自2020年GPT-3橫空出世，這個(gè)具有1750億參數(shù)規(guī)模的預(yù)訓(xùn)練模型所表現(xiàn)出 來的零樣本與小樣本學(xué)習(xí)能力刷新了人們的認(rèn)知，也引爆了2021年AI大模型研究的熱潮。谷歌、微軟、英偉達(dá)、智源人 工智能研究院、阿里、百度、浪潮等國內(nèi)外科技巨頭和機(jī)構(gòu)紛紛展開大模型研究和探索。大模型意在打造成為變革性產(chǎn)業(yè) 基礎(chǔ)設(shè)施建設(shè)設(shè)施，是通過一個(gè)巨大的模型通用式的解決各個(gè)場(chǎng)景的AI解決方案，與弱人工智能時(shí)代為單個(gè)產(chǎn)品提供單

34、個(gè) 解決方案模型的運(yùn)作方式有著本質(zhì)上的區(qū)別，相比于傳統(tǒng)的AI解決方案，大模型不需要針對(duì)不同場(chǎng)景研制層出不窮的場(chǎng)景 模型，不需要從頭開始訓(xùn)練，規(guī)?；娜斯ぶ悄苣Ｐ蜕a(chǎn)形成成本的邊際效應(yīng)，極大地節(jié)約了AI應(yīng)用成本。作為探索通用 人工智能的路徑之一，AI大模型本身是一個(gè)可能產(chǎn)生原始創(chuàng)新與長(zhǎng)期影響的領(lǐng)域，它的出現(xiàn)意味著“AI工業(yè)化”開發(fā)模式 的到來。盡管現(xiàn)階段大模型處于發(fā)展初期，技術(shù)難度、資源消耗和收益模式均面臨著諸多挑戰(zhàn)，但隨著大模型在技術(shù)上不 斷地提升與演進(jìn)，未來的AI大模型的商業(yè)化路徑和收益將逐漸清晰，而站在巨人肩膀上的人工智能行業(yè)也會(huì)因大模型而取商業(yè)模式 - 多方受益以模型為底座能力，可將模型

35、以出售或租售的方式提 供給科研創(chuàng)新中心、政府機(jī)構(gòu)、行業(yè)友商、產(chǎn)業(yè)客戶 等將能力開放提供給ISV，由ISV去開拓更多的下游客 戶，根據(jù)合作情況制定收費(fèi)方式通過開源的方式集合社區(qū)開發(fā)者，用眾多開發(fā)者的力 量解決大模型復(fù)雜的技術(shù)挑戰(zhàn)，最終共享成果利用大模型的泛化能力加成自身AI產(chǎn)品或解決方案的商業(yè)化落地能力02技術(shù)演進(jìn)- 全鏈把控工程化：參數(shù)的規(guī)模不再是唯一追求點(diǎn)，大規(guī)模分布 式訓(xùn)練、并行計(jì)算、軟硬件協(xié)同優(yōu)化等能力的需求催 生大模型工程化落地能力芯片化：模型的某些運(yùn)算存儲(chǔ)能力如芯片一樣固化在端側(cè)硬件設(shè)備中，減少算力與數(shù)據(jù)調(diào)用的消耗開源化：算法體系、標(biāo)準(zhǔn)體系、基礎(chǔ)平臺(tái)、數(shù)據(jù)集、 工程化測(cè)試等全方位的開

36、放標(biāo)準(zhǔn)化：逐漸標(biāo)準(zhǔn)化成熟的行業(yè)公認(rèn)體系來衡量大模 型通用性、易用性多領(lǐng)域化：具備不同領(lǐng)域的認(rèn)知性，如從NLP領(lǐng)域向CV領(lǐng)域發(fā)展01技術(shù)演進(jìn)與優(yōu)化進(jìn)一步加快大模型商業(yè)化預(yù)期來源：研究院根據(jù)公開資料自主研究繪制。AI大模型的技術(shù)演進(jìn)趨勢(shì)與潛在商業(yè)模式2022.1 .93人工智能基礎(chǔ)層價(jià)值持續(xù)凸顯來源：研究院結(jié)合公開資料自主研究繪制。識(shí)別業(yè)務(wù) 問題數(shù)據(jù)采集 標(biāo)注數(shù)據(jù)治理特征工程模型訓(xùn)練模型評(píng)估 調(diào)優(yōu)模型部署數(shù)據(jù)輸入 運(yùn)算運(yùn)維監(jiān)控支撐各類人工智能應(yīng)用開發(fā)與運(yùn)行的資源開發(fā)一項(xiàng)人工智能模型并上線應(yīng)用大致需經(jīng)歷業(yè)務(wù)理解、數(shù)據(jù)采標(biāo)及標(biāo)注、數(shù)據(jù)治理、模型訓(xùn)練、模型部署與測(cè)試、運(yùn)維 監(jiān)控等一系列流程。在該流程運(yùn)行

37、過程中，開發(fā)者往往會(huì)發(fā)現(xiàn)，模型運(yùn)行不暢的原因正是數(shù)據(jù)、算法或算力的某一模塊出 現(xiàn)了問題，如數(shù)據(jù)集缺失或數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一、算法不貼合實(shí)際業(yè)務(wù)導(dǎo)致輸出結(jié)果準(zhǔn)確性差、算力資源缺失等。圍繞模型針 對(duì)性地調(diào)整與夯實(shí)數(shù)據(jù)、算法、算力三大人工智能基礎(chǔ)層資源，才能緩解應(yīng)用開發(fā)的痛點(diǎn)，加速模型的訓(xùn)練與推理，讓AI 技術(shù)更便捷有效地封裝到產(chǎn)品中，推動(dòng)產(chǎn)品的商業(yè)化進(jìn)展，而企業(yè)已經(jīng)開始逐漸意識(shí)到這一點(diǎn)。人工智能未來的產(chǎn)業(yè)方向 將不僅局限于上層的應(yīng)用開發(fā)，而且會(huì)愈發(fā)重視基礎(chǔ)層的地位與價(jià)值。得到夯實(shí)與完善的基礎(chǔ)層資源會(huì)給予局部的應(yīng)用開 發(fā)乃至全局的AI產(chǎn)業(yè)化更好更快的推動(dòng)力。AI應(yīng)用開發(fā)上線流程需要人工智能基礎(chǔ)層緊密支持開發(fā)態(tài)流程運(yùn)行態(tài)流程數(shù)據(jù)環(huán)節(jié)算法與模型環(huán)節(jié)算力環(huán)節(jié)需要滿足業(yè)務(wù)需求的數(shù)據(jù) 采集高效數(shù)據(jù)標(biāo)注統(tǒng)一管理數(shù)據(jù)資產(chǎn)高質(zhì)量數(shù)據(jù)集挖掘數(shù)據(jù)關(guān)聯(lián)信息需要CPU、GPU容器服務(wù) AI 專用芯片；計(jì)算資源統(tǒng)一管理實(shí)現(xiàn)軟硬一體提高資源利用率優(yōu)化， 突破性提高執(zhí)行效率能瓶頸可視化建模、交互式建模、自動(dòng)建模實(shí)現(xiàn)分布式訓(xùn)練框架；模型倉庫管理提高算法建模效率；提供算法工程