中國人工智能行業(yè)概覽

2023年中國人工智能行業(yè)概覽OverviewofChina'sArtificialIntelligenceIndustryin

20232023年中國人工知能業(yè)界の概要2人工智能行業(yè)現(xiàn)處于核心硬件發(fā)展階段，數(shù)據(jù)、算力、算法是三大核心發(fā)展要素，推動著人工智能的技術(shù)迭代和商業(yè)化落地。中國人工智能企業(yè)處于發(fā)展初期，大多數(shù)企業(yè)對于人工智能的發(fā)展主要以框架搭建和應(yīng)用解決方案為主，在打造高質(zhì)量產(chǎn)品和降低成本方面持續(xù)創(chuàng)新。政策環(huán)境的優(yōu)化，也將助力

AI

產(chǎn)業(yè)高速發(fā)展。中國人工智能行業(yè)發(fā)展勢頭強勁，賦能千行百業(yè)0102MLOps

以數(shù)據(jù)為中心的技術(shù)成為人工智能生產(chǎn)落地的重要推動力對比以模型為中心的

AutoML，以數(shù)據(jù)為中心的

MLOps

具有把數(shù)據(jù)的質(zhì)量和數(shù)量置于主要位置的特點，能提供更有優(yōu)勢的解決方案，使組織規(guī)?；?、高質(zhì)量、高效率、可持續(xù)地生產(chǎn)機器學習模型，有效緩解

AI

生產(chǎn)過程的管理問題，提升

AI生產(chǎn)的轉(zhuǎn)化效率。目前，MLOps

行業(yè)應(yīng)用穩(wěn)步推進，落地實踐成果頗豐。03摘要?2023

LeadLeo400-072-5588乘人工智能行業(yè)發(fā)展東風——近期

ChatGPT

的出現(xiàn)掀起了又一波人工智能發(fā)展熱潮，中國人工智能行業(yè)發(fā)展勢頭強勁，市場規(guī)模持續(xù)上升，正逐步進入效率化生產(chǎn)階段。MLOps

技術(shù)作為人工智能生產(chǎn)落地的重要推動力，重要性愈加凸顯。博瀚智能作為國內(nèi)私有云

AI

平臺第一梯隊服務(wù)商，采用數(shù)據(jù)閉環(huán)驅(qū)動

+

MLOps

的技術(shù)路線，提供豐富的產(chǎn)品精準解決傳統(tǒng)方案痛點，賦能人工智能行業(yè)發(fā)展，未來前景相當廣闊。中國人工智能行業(yè)市場規(guī)模持續(xù)上升，與各產(chǎn)業(yè)深度融合近年來，中國人工智能開發(fā)平臺市場規(guī)模持續(xù)增長。在應(yīng)用場景端，傳統(tǒng)

AI

模型痛點突出，亟待人工智能協(xié)助轉(zhuǎn)型，中國制造業(yè)人工智能解決方案的市場規(guī)模呈現(xiàn)快速增長態(tài)勢。AI與各產(chǎn)業(yè)深度融合，精準解決各場景痛點，未來增長潛力巨大，尤其在制造行業(yè)和交通行業(yè)，

AI

的滲透率有較大增長空間。04國內(nèi)私有云AI平臺第一梯隊服務(wù)商——博瀚智能博瀚智能是業(yè)內(nèi)領(lǐng)先的人工智能綜合平臺和智能化數(shù)據(jù)處理方案提供商，近幾年營收增速較快，研發(fā)能力強勁，公司堅持以數(shù)據(jù)為中心的技術(shù)路線，精準解決傳統(tǒng)方案痛點。其打造的多維度數(shù)據(jù)

AI

管理平臺

AIstudio

是業(yè)內(nèi)領(lǐng)先的輕量級私有化平臺，實現(xiàn)用戶友好的深度學習和模型快速部署，合作生態(tài)十分繁榮。名詞解釋------------------07中國人工智能行業(yè)發(fā)展概述------------------08人工智能行業(yè)發(fā)展歷程，AI

產(chǎn)業(yè)正逐步進入效率化生產(chǎn)階段------------------09行業(yè)規(guī)模不斷擴大，市場以政府端為主帶動企業(yè)端應(yīng)用落地------------------10AI

技術(shù)賦能各行各業(yè)，落地多種應(yīng)用場景------------------11落地需求為市場主要驅(qū)動力，政府的行業(yè)持續(xù)發(fā)展------------------12下游行業(yè)量增驅(qū)動人工智能應(yīng)用，需求有望較大提升------------------13政策環(huán)境持續(xù)優(yōu)化，助力AI

產(chǎn)業(yè)創(chuàng)新發(fā)展------------------14MLOps

技術(shù)成為人工智能生產(chǎn)落地重要推動力數(shù)據(jù)為中心的技術(shù)路徑潛力較大，將成未來發(fā)展趨勢以數(shù)據(jù)為中心的MLOps

提供優(yōu)質(zhì)解決方案，助力組織保障生產(chǎn)質(zhì)量AutoML

優(yōu)勢與痛點并存，整體表現(xiàn)遜于MLOpsMLOps

有效緩解AI生產(chǎn)過程管理問題，提升AI生產(chǎn)轉(zhuǎn)化率MLOps

工具不斷創(chuàng)新，落地實踐成果頗豐中國人工智能行業(yè)市場規(guī)模持續(xù)上升，與各產(chǎn)業(yè)深度融合傳統(tǒng)AI

模型痛點突出，亟待人工智能協(xié)助轉(zhuǎn)型AI

基礎(chǔ)設(shè)施成長迅速，資源整體效能水平不斷進化中國AI

行業(yè)與開發(fā)平臺市場規(guī)模高速增長人工智能基礎(chǔ)數(shù)據(jù)服務(wù)眾多下游場景，精準解決痛點------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------1516171819202122232425目錄CONTENTS3400-072-5588目錄CONTENTS國內(nèi)私有云AI平臺第一梯隊服務(wù)商——博瀚智能------------------26企業(yè)概況：業(yè)內(nèi)領(lǐng)先的人工智能綜合平臺和智能化數(shù)據(jù)處理方案提供商------------------27經(jīng)營情況：強勁的研發(fā)能力強勁與過硬的產(chǎn)品質(zhì)量支持企業(yè)持續(xù)發(fā)展------------------28核心業(yè)務(wù)：形態(tài)豐富、設(shè)計先進，構(gòu)建全棧、可擴展的云邊端平臺體系------------------29企業(yè)生態(tài)：深度合作業(yè)內(nèi)頭部企業(yè)，并擁有百余落地案例------------------30方法論------------------31法律聲明------------------32企業(yè)介紹及宣傳頁------------------334400-072-5588圖表1：人工智能行業(yè)定義及特征圖表2：2018-2022

年全球企業(yè)應(yīng)用AI

產(chǎn)品的平均數(shù)量圖表3：人工智能行業(yè)落地場景圖表4：人工智能行業(yè)發(fā)展歷程圖表5：中國人工智能技術(shù)架構(gòu)圖表6：AI

技術(shù)三大核心底層基礎(chǔ)圖表7：中國人工智能企業(yè)突破與創(chuàng)新圖表8：AI

在各個行業(yè)的滲透情況圖表9：2016-2022年人工智能產(chǎn)業(yè)相關(guān)政策梳理5400-072-5588圖表10：以數(shù)據(jù)為中心將成行業(yè)發(fā)展方向圖表11：平臺對于數(shù)據(jù)驅(qū)動的

AI

重要性圖表12：AutoML

和

MLOps

技術(shù)路徑對比圖表13：數(shù)據(jù)為中心與模型為中心的不同圖表14：AutoML的特征及痛點圖表15：AutoML

發(fā)展歷程圖表16：MLOps

的特征及價值圖表17：MLOps

發(fā)展歷程圖表18：以數(shù)據(jù)為中心：MLOps圖表19：MLOps

發(fā)展現(xiàn)狀圖表20：MLOps

的意義和價值--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------0909091011121213141616171718181919202020圖表目錄ListofFiguresand

Tables圖表21：AI

模型落地的痛點----------------------------------------22圖表22：人工智能基礎(chǔ)層進階之路----------------------------------------23圖表23：一站式基礎(chǔ)層資源平臺----------------------------------------23圖表24：中國人工智能行業(yè)市場規(guī)模及滲透率，2021-2027E----------------------------------------24圖表25：AI

開發(fā)平臺市場規(guī)模----------------------------------------24圖表26：人工智能應(yīng)用場景----------------------------------------25圖表27：博瀚智能公司介紹----------------------------------------27圖表28：博瀚智能團隊背景----------------------------------------27圖表29：博瀚智能發(fā)展歷程----------------------------------------27圖表30：公司經(jīng)營狀況----------------------------------------28圖表31：AI

質(zhì)檢解決的痛點問題----------------------------------------28圖表32：博瀚智能的主要產(chǎn)品----------------------------------------29圖表33：AIStudio：一站式AI

開發(fā)

+大數(shù)據(jù)分析平臺----------------------------------------29圖表34：博瀚智能各領(lǐng)域合作伙伴----------------------------------------306400-072-5588圖表目錄ListofFiguresand

Tables人工智能：Artificial

Intelligence，英文縮寫為AI

。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器。DevOps：一種軟件開發(fā)和運維的文化、方法和實踐，旨在通過自動化、協(xié)作和跨職能團隊的整合，實現(xiàn)更快、更可靠和更高效的軟件開發(fā)、測試、部署和運維。生成式AI：AI-Generated

Content，人工智能生成內(nèi)容，是指基于人工智能技術(shù)，通過已有數(shù)據(jù)尋找規(guī)律，并通過適當?shù)姆夯芰ι上嚓P(guān)內(nèi)容的技術(shù)，可以生成常見的如圖像、文本、音頻、視頻等內(nèi)容。ChatGPT：基于GPT-3.5架構(gòu)訓(xùn)練的大型語言模型，由

OpenAI

開發(fā)?？梢赃M行對話、回答問題、生成文本等任務(wù)。利用自然語言處理和機器學習技術(shù)，可以處理廣泛的語言任務(wù)，包括文本分類、語義理解、文本生成、對話建模等。MLOps：通過構(gòu)建和運行機器學習流水線（Pipeline），統(tǒng)一機器學習（ML）項目研發(fā)（Dev）和運營（Ops）過程的一種方法。目的是提高AI

模型生產(chǎn)質(zhì)效。AutoML：一種機器學習過程，旨在通過一系列算法和啟發(fā)式方法實現(xiàn)從數(shù)據(jù)選擇到建立模型的自動化。DataOps：一種數(shù)據(jù)運營（Data

Operations）的方法論，其目的是改進和加速數(shù)據(jù)管道（Data

Pipeline）的開發(fā)、測試、部署和運行，以確保數(shù)據(jù)在組織內(nèi)部流動的可靠性、一致性和質(zhì)量。自然語言處理：

Natural

Language

Processing（NLP），是計算機科學領(lǐng)域與人工智能領(lǐng)域中的一個重要方向。它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。主要應(yīng)用于機器翻譯、輿情監(jiān)測、自動摘要、觀點提取、文本分類、問題回答、文本語義對比、語音識別、中文OCR等方面。算法：算法是計算機專業(yè)中的一種算法，就是利用用戶的一些行為，通過一些數(shù)學算法，推測出用戶可能喜歡的東西?；趦?nèi)容的信息推薦方法的理論依據(jù)主要來自信息檢索和信息過濾，所謂的基于內(nèi)容的推薦方法就是根據(jù)用戶過去的瀏覽記錄來向用戶推薦用戶沒有接觸過的推薦項。算法是互聯(lián)網(wǎng)運作的基礎(chǔ)，是大數(shù)據(jù)、人工智能、云計算等一切網(wǎng)絡(luò)活動的內(nèi)部規(guī)則，是電子商務(wù)、信息傳播、互動交流、游戲活動、未成年人權(quán)益保護等網(wǎng)絡(luò)運營的起點。7400-072-5588名詞解釋01中國人工智能行業(yè)發(fā)展勢頭強勁，現(xiàn)處于“核心硬件發(fā)展階段”

時期，應(yīng)用前景廣闊概況與特點8400-072-55881.1

行業(yè)概況人工智能技術(shù)為千行百業(yè)賦能，實現(xiàn)各類應(yīng)用場景落地，現(xiàn)階段已發(fā)展成為主流趨勢，AI

技術(shù)商業(yè)價值不斷增長，產(chǎn)品形態(tài)和應(yīng)用邊界也在持續(xù)拓寬。1.92.33.13.93.82018 2019 2020 2021 20222018-2022

年全球企業(yè)應(yīng)用AI

產(chǎn)品的平均數(shù)量?

企業(yè)應(yīng)用

AI

技術(shù)比重持續(xù)提升，AI

技術(shù)商業(yè)價值不斷增長。據(jù)調(diào)查，2017年企業(yè)應(yīng)用

AI

技術(shù)比重約占

20%，2022

年企業(yè)至少在一個業(yè)務(wù)領(lǐng)域采用AI

技術(shù)比率增至

50%。

2018

年應(yīng)用

AI產(chǎn)品平均僅

1.9

個，2022

年增至

3.8

個。應(yīng)用數(shù)量提升以外，AI

商業(yè)價值不斷增長，企業(yè)部署

AI動力顯著。?

機器人流程自動化（RPA）和計算機視覺是人工智能領(lǐng)域每年最常用的技術(shù)，自然語言文本理解已經(jīng)從

2018

年的中間位置上升到僅次于計算機視覺的第三位。算力算法數(shù)據(jù)人工智能基礎(chǔ)層數(shù)據(jù)基礎(chǔ)服務(wù)與治理平臺智能模型敏捷開發(fā)工具智能計算集群發(fā)展三大要素人工智能定義：人工智能產(chǎn)業(yè)是指以人工智能關(guān)鍵技術(shù)為核心的、由基礎(chǔ)支撐和應(yīng)用場景組成的、覆蓋領(lǐng)域極為廣闊的行業(yè)群。智能產(chǎn)品是指用人工智能技術(shù)賦能的產(chǎn)品。設(shè)計過程中需要具備較強的仿真能力和失效模式分析能力。價值性、通用性、效率化為產(chǎn)業(yè)發(fā)展戰(zhàn)略方向人工智能賦能產(chǎn)業(yè)發(fā)展已成為主流趨勢，下游應(yīng)用場景豐富?；谲浖?wù)、云服務(wù)、硬件基礎(chǔ)設(shè)施等產(chǎn)品形式，結(jié)合消費、制造業(yè)、互聯(lián)網(wǎng)、金融、元宇宙與數(shù)字孿生等各類應(yīng)用場景，人工智能賦能各個產(chǎn)業(yè)發(fā)展。人工智能的產(chǎn)品形態(tài)和應(yīng)用邊界不斷拓寬；2022

年，人工智能產(chǎn)學研界在通用大模型、行業(yè)大模型等促進技術(shù)通用性和效率化生產(chǎn)的方向上取得了一定突破。商業(yè)價值塑造、通用性提升和效率化應(yīng)用是AI

技術(shù)助力產(chǎn)業(yè)發(fā)展、社會進步和自身造血的要義。AI+農(nóng)業(yè)AI+泛安防AI+制造AI+政務(wù)

AI+教育AI+醫(yī)療AI+互聯(lián)網(wǎng)AI+交通

AI+能源

人工智能行業(yè)定義及特征 人工智能行業(yè)落地場景來源：頭豹研究院編輯整理9400-072-55881.2

行業(yè)發(fā)展歷程人工智能行業(yè)現(xiàn)處于“核心硬件發(fā)展階段，算力、數(shù)據(jù)、算法全面突破”

時期，產(chǎn)業(yè)未來發(fā)展將基于大規(guī)模數(shù)據(jù)識別、預(yù)測、學習和決策，逐步進入效率化生產(chǎn)階段。始于

1970s，分析之后，進行智能決策；近年來才開始真正興盛始于

1980s，起源于分析式AI，生成新的內(nèi)容；2022

年迎來突破生成式

AI分析式

AI人工智能行業(yè)發(fā)展歷程規(guī)則導(dǎo)向機器學習深度學習自主學習1950s~1980s感知機、專家系統(tǒng)1980s~21

世紀初期支持向量機、神經(jīng)網(wǎng)絡(luò)、決策樹21

世紀初期至今多層圣經(jīng)網(wǎng)絡(luò)模型未來發(fā)展方向基于大規(guī)模數(shù)據(jù)識別、預(yù)測、學習、決策感知式

AI運營營銷決策、金融風險評估、醫(yī)療診斷等生成式AI

生成各種數(shù)據(jù)、圖像、語音等內(nèi)容后，決策式AI

對生成內(nèi)容進行分析和決策，實現(xiàn)更加全面和智能的應(yīng)用AI

產(chǎn)生的商業(yè)價值不斷增長，企業(yè)部署AI

的動力顯著。企業(yè)在業(yè)務(wù)領(lǐng)域擴大采用AI

技術(shù)，應(yīng)用的AI產(chǎn)品數(shù)量增加。落地

AI

應(yīng)用對企業(yè)業(yè)務(wù)運營的商業(yè)價值與戰(zhàn)略意義越來越明確。人工智能的產(chǎn)品形態(tài)和應(yīng)用邊界不斷拓寬；2022

年，人工智能產(chǎn)學研界在通用大模型、行業(yè)大模型等促進技術(shù)通用性和效率化生產(chǎn)的方向上取得了一定突破。自然語言生成圖像生成音樂生成等文本識別語音識別圖像識別等理論發(fā)展硬件奠基，算法發(fā)展核心硬件發(fā)展，算法突破算力、數(shù)據(jù)、算法全面突破決策式

AI始于

1960s，利用邏輯推理等方法進行分析和解決；興盛于機器學習、數(shù)字挖掘技術(shù)興起始于

1950s，讓計算機感知和理解現(xiàn)實世界，興盛于計算機硬件發(fā)展與大數(shù)據(jù)出現(xiàn)2022

年

11

月，ChatGPT

發(fā)布點燃AI

浪潮。2023

年

3

月

OpenAI發(fā)布GPT-4，直接升級

ChatGPT多模態(tài)能力。來源：智東西、頭豹研究院編輯整理10400-072-5588終端層企業(yè)級用戶 政府機構(gòu)用戶 大眾消費者用戶應(yīng)用層企業(yè)服務(wù)金融服務(wù)零售電商傳媒/影視教育/科研游戲工業(yè)醫(yī)療政務(wù)其他能力層文字生成虛擬人/場景生成音頻生成代碼生成圖像生成策略生成視頻生成多模態(tài)生成······技術(shù)層NLP大模型多語言模型開放域?qū)υ捳Z言理解與生成信息抽取與檢索語音語義理解文本語義與圖結(jié)構(gòu)多模態(tài)對話代碼生成和理解CV大模型多模態(tài)大模型人工智能圖像表征圖像與物體檢測視覺-語言機器學習視頻表征語義分割語音-語言計算機視覺智能語音圖像生成圖像分類智能文檔理解知識圖譜視頻生成因果推斷多模態(tài)檢測與分割自然語言理解AI模型生產(chǎn)工具深度學習框架/開源模型預(yù)訓(xùn)練大模型模型訓(xùn)練/AI開發(fā)平臺AI算力基礎(chǔ)AI芯片云計算與云服務(wù)智能計算平臺智能服務(wù)器數(shù)據(jù)資源數(shù)據(jù)整合第三方合規(guī)數(shù)據(jù)外部合規(guī)數(shù)據(jù)數(shù)據(jù)標注結(jié)構(gòu)化。、中國人工智能技術(shù)架構(gòu)1.3

行業(yè)應(yīng)用場景人工智能技術(shù)架構(gòu)邏輯上分為基礎(chǔ)層、技術(shù)層、能力層、應(yīng)用層、終端層五大板塊，其中核心技術(shù)層涵蓋

AI技術(shù)群和模型的融合創(chuàng)新，為各行業(yè)領(lǐng)域提供相關(guān)產(chǎn)品及服務(wù)。基礎(chǔ)層政策規(guī)劃硬件設(shè)施 算力資源《“十四五”數(shù)字經(jīng)濟發(fā)展規(guī)劃》儲存資源《數(shù)字中國建設(shè)整體布局規(guī)劃》網(wǎng)絡(luò)資源 安全資源《生成式人工智能服務(wù)管理辦法（意見稿）》?

在人工智能相關(guān)政策規(guī)劃支撐下，技術(shù)架構(gòu)鏈條邏輯上可分為基礎(chǔ)層、技術(shù)層、能力層、應(yīng)用層、終端層五大板塊。?

基礎(chǔ)層：涉及硬件基礎(chǔ)設(shè)施和數(shù)據(jù)、算力、算法模型三大核心要素。隨著AI

大模型規(guī)模的不斷擴大，對計算資源的需求也在增加。因此，高性能的硬件設(shè)備、海量場景數(shù)據(jù)、強大的算力基礎(chǔ)和升級迭代的算法模型成為了支持AI

大模型發(fā)展的關(guān)鍵。?

技術(shù)層：主要涉及模型構(gòu)建。目前，

Transformer

架構(gòu)在

AI

大模型領(lǐng)域占據(jù)主導(dǎo)地位，如

BERT、GPT

系列等?

能力層、應(yīng)用層及終端層：

在基礎(chǔ)層和技術(shù)層的支持下，AI

大模型擁有了文字、音頻、圖像、視頻、代碼策略、多模態(tài)生成能力等，具體應(yīng)用于金融、電商、傳媒、教育、游戲、醫(yī)療、工業(yè)、政務(wù)等多個領(lǐng)域，為企業(yè)級用戶、政府機構(gòu)用戶、大眾消費者用戶提供產(chǎn)品和服務(wù)。來源：CNKI，百度文心，弗若斯特沙利文，頭豹研究院編輯整理11400-072-55881.4

市場驅(qū)動因素數(shù)據(jù)、算力、算法三大核心要素推動人工智能技術(shù)迭代和商業(yè)化落地，中國人工智能企業(yè)處于發(fā)展初期，基于技術(shù)創(chuàng)新及成本控制等優(yōu)勢，中國人工智能行業(yè)將快速發(fā)展，前景廣闊。中國企業(yè)具備實現(xiàn)AI

的商業(yè)化落地的商業(yè)基礎(chǔ)中國人工智能企業(yè)創(chuàng)新能力不斷提升，具備優(yōu)質(zhì)的工程成本控制能力，并能夠結(jié)合自身業(yè)務(wù)特點和場景的理解沉淀，為下游行業(yè)提供高效智能的解決方案，幫助企業(yè)降本增效。中國企業(yè)能夠響應(yīng)新型工業(yè)化建設(shè)的需求，結(jié)合具體的場景加快融合創(chuàng)新，目前在智慧城市、智慧安防的落地率和普及率較高。中國企業(yè)加強AI

底層基礎(chǔ)設(shè)施的國產(chǎn)化突破數(shù)據(jù)方面，中國企業(yè)積極提高訓(xùn)練數(shù)據(jù)標記質(zhì)量，提高模型的準確程度。同時，中國人工智能企業(yè)加強與政府及相關(guān)事業(yè)單位的合作，取得權(quán)威的訓(xùn)練數(shù)據(jù)，通過數(shù)據(jù)孿生等方式解決小樣本數(shù)據(jù)不足等問題。算力方面，政府積極支持AI

相關(guān)硬件的國產(chǎn)化，華為、寒武紀、商湯科技、地平線等國內(nèi)企業(yè)推出自主研發(fā)的人工智能芯片，目前整體市場對海外的人工智能芯片依賴程度略有降低。國產(chǎn)化算力的逐步升高，能夠有效支撐AI

產(chǎn)業(yè)的發(fā)展。算法方面，國內(nèi)人工智能企業(yè)在自然語言處理、智能語音、視覺計算等領(lǐng)域均有所突破，能夠根據(jù)細分場景的痛點持續(xù)進行算法優(yōu)化迭代。?

中國

AI

產(chǎn)業(yè)處于發(fā)展初期，成長速度較快，發(fā)展空間廣闊國內(nèi)人工智能產(chǎn)業(yè)仍處于初步發(fā)展階段，大多數(shù)企業(yè)對于人工智能的發(fā)展主要以框架搭建和應(yīng)用解決方案為主。行業(yè)內(nèi)領(lǐng)先企業(yè)專業(yè)技術(shù)能力過硬，其

AI

產(chǎn)品在語音語義、翻譯、文字識別等方面有較大優(yōu)勢，能夠在智慧城市、智慧交通、智慧安防等細分場景實現(xiàn)商業(yè)化落地。2020

年2019

年2022

年人工智能整體產(chǎn)業(yè)規(guī)模3,751

億人民幣中國人工智能企業(yè)數(shù)量2205

家797

家算力是AI

的“基建”數(shù)據(jù)是

AI

的“燃料”算法是

AI

的“引擎”智能交互邊緣計算實時算力云計算硬件算力本地化高精度訓(xùn)練集大數(shù)據(jù)語料庫投喂訓(xùn)練計算任務(wù)標注核心技術(shù)突破多模態(tài)認知計算感知+交互數(shù)虛字擬孿現(xiàn)生實全息立體應(yīng)用場景數(shù)據(jù)算力算法數(shù)據(jù)、算力、算法三大核心要素推動AI

技術(shù)迭代和商業(yè)化落地AI

技術(shù)演化和迭代離不開數(shù)據(jù)、算力、算法三大核心底層基礎(chǔ) 中國人工智能企業(yè)加大技術(shù)創(chuàng)新和AI

布局力度來源：頭豹研究院編輯整理12400-072-55881.5

市場發(fā)展機遇AI

廣泛應(yīng)用于各行各業(yè)，未來人工智能的應(yīng)用需求仍有望實現(xiàn)較大提升，尤其在制造行業(yè)和交通行業(yè)，

AI的滲透率仍有較大增長空間。低高IT基礎(chǔ)設(shè)施AI技術(shù)滲透率農(nóng)業(yè)制造醫(yī)療零售交通安防金融To

C例如

ChatGPT教育政務(wù)制造行業(yè)2021

年中國制造業(yè)增加值高達

4.87

萬億美元，占全球的

29.8%，已連續(xù)

13

年居世界首位。從

2021

年到

2026

年，中國制造業(yè)

IT

市場投資規(guī)模將從

7,841.12

億元人民幣增長至

1.586

萬億元，將成為全球主要經(jīng)濟體中制造業(yè)

IT

支出增長速度最高的國家在制造業(yè)，中國正從低成本的玩具和服裝制造中心，轉(zhuǎn)型成為處理器、芯片、發(fā)動機和其他高端零部件等精密制造領(lǐng)域的領(lǐng)導(dǎo)者，人工智能有利于促進制造業(yè)從生產(chǎn)執(zhí)行向制造創(chuàng)新轉(zhuǎn)型，創(chuàng)造超過千億美元*的經(jīng)濟價值，其中

1,000

億美元來自于流程設(shè)計研發(fā)，利用數(shù)字孿生和機器學習模擬、測試和驗證生產(chǎn)流程的結(jié)果，150

億美元來自于產(chǎn)品研發(fā)，驗證新產(chǎn)品設(shè)計，快速預(yù)測設(shè)計結(jié)果交通行業(yè)2022

年中國新能源汽車產(chǎn)銷分別完成了

705.8

萬輛和

688.7

萬輛，同比增長了96.9%

和

93.4%，連續(xù)

8

年保持全球第一；新能源汽車新車的銷量占汽車新車總銷量的

25.6%新能源車的持續(xù)滲透為人工智能在交通領(lǐng)域的滲透的占提供了一片沃土，人工智能有望創(chuàng)造超過

3,800

億美元的經(jīng)濟價值，主要來自于三個方面：

自動駕駛（3,350

億）、智能座艙（300

億美元）、運行管理優(yōu)化（150

億美元）AI

在各個行業(yè)的滲透情況高來源：麥肯錫、頭豹研究院編輯整理13400-072-55881.6

行業(yè)相關(guān)政策分析政策環(huán)境持續(xù)優(yōu)化，助力

AI

行業(yè)高速發(fā)展。從“十二五”到“十四五”規(guī)劃，國家從宏觀層面上對人工智能新技術(shù)、新產(chǎn)業(yè)給予巨大支持，頂層設(shè)計從方向性引導(dǎo)到強調(diào)落地應(yīng)用與場景創(chuàng)新。發(fā)布時間政策名稱主要內(nèi)容2022年

12月《關(guān)于規(guī)范和加強人工智能司法應(yīng)用的意見》到

2025

年，基本建成較為完備的司法人工智能技術(shù)應(yīng)用體系，為司法為民、公正司法提供全方位智能輔助支持。到

2030

年，簡稱具有規(guī)則引領(lǐng)和應(yīng)用示范效應(yīng)的司法人工智能技術(shù)應(yīng)用和理論體系，為司法為民、公正司法提供全流程高水平智能輔助支持，應(yīng)用效能充分彰顯。2022年

9月《中國共產(chǎn)黨第十九次全國代表大會–十九大報告》推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟深度融合，建設(shè)數(shù)字中國、智慧社會。推進數(shù)字產(chǎn)業(yè)化和產(chǎn)業(yè)數(shù)字化，推動數(shù)字經(jīng)濟和實體經(jīng)濟深度融合，打造具有國際競爭力的數(shù)字產(chǎn)業(yè)集群。2022年

8月《關(guān)于支持建設(shè)新一代人工智能示范應(yīng)用場景的通知》圍繞構(gòu)建全鏈條、全過程的人工智能行業(yè)應(yīng)用生態(tài)，支持一批基礎(chǔ)較好的人工智能應(yīng)用場景，加強研發(fā)上下游配合與新技術(shù)繼承，打造形成一批可復(fù)制、可推廣的標桿型示范應(yīng)用場景。2022年

7月《關(guān)于加快場景創(chuàng)新以人工智能高水平應(yīng)用促進經(jīng)濟高質(zhì)量發(fā)展的指導(dǎo)意見》強化主題培育，加大應(yīng)用示范，創(chuàng)新體制機制、完善場景生態(tài)，…探索人工智能發(fā)展新模式新路徑。以人工智能高水平應(yīng)用促進經(jīng)濟高質(zhì)量發(fā)展。2016

年2017

年2021

年2018

年2019

年按照“系統(tǒng)布局、重點突破、協(xié)同創(chuàng)新、開放有席”的原則，在深入調(diào)研基礎(chǔ)上研究提出重點發(fā)展智能傳感器、神經(jīng)網(wǎng)絡(luò)芯片、開源開放平臺等關(guān)鍵環(huán)節(jié)，夯實人工智能產(chǎn)業(yè)發(fā)展的軟硬件基礎(chǔ)。工信部《關(guān)于促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃》發(fā)改委《互聯(lián)網(wǎng)+”人工智能三年行動實施方案》對人工智能芯片發(fā)展方向提出多項要求，并促進智能終端可穿戴設(shè)備的推廣落地國務(wù)院《新一代人工智能發(fā)展規(guī)劃》重點突破高效能、可重構(gòu)類腦計算芯片和具有計算機成像功能的類腦視覺傳感器技術(shù)，研發(fā)具有學習能力的高效能類腦神經(jīng)網(wǎng)絡(luò)架構(gòu)和硬件系統(tǒng)，實現(xiàn)具有多媒體感知信息理解和智能增長、嘗試推理能力的類腦智能系統(tǒng)。中央全面深化改革委員會第七次會議《關(guān)于促進人工智能和實體經(jīng)濟深度融合的指導(dǎo)意見》把握新一代人工智能的發(fā)展特點，結(jié)合不同行業(yè)，不同區(qū)域特點，探索創(chuàng)新成果應(yīng)用轉(zhuǎn)化的路徑和方法，構(gòu)建數(shù)據(jù)驅(qū)動、人機協(xié)同、跨界融合的智能經(jīng)濟形態(tài)。十三屆全國人大四次會議《“十四五”規(guī)劃綱要和2035

遠景目標綱要》新一代人工智能產(chǎn)業(yè)將著重構(gòu)建開源算法平臺，并在學習推理與決策、圖像圖形等重點領(lǐng)域進行創(chuàng)新，聚焦高端芯片等關(guān)鍵領(lǐng)域。2016-2022

年人工智能產(chǎn)業(yè)相關(guān)政策梳理來源：國務(wù)院、工信部、發(fā)改委、頭豹研究院編輯整理14400-072-558802MLOps

以數(shù)據(jù)為中心的技術(shù)路線是人工智能生產(chǎn)落地的重要推動力，為行業(yè)締造更多商業(yè)價值技術(shù)與應(yīng)用15400-072-55882.1

數(shù)據(jù)為中心的技術(shù)路徑潛力較大以數(shù)據(jù)為中心的

AI

提高性能，降低成本，發(fā)展?jié)摿薮?。而模型?qū)動的

AI

應(yīng)用資源要求高，無法有效助力AI落地。平臺為數(shù)據(jù)驅(qū)動的

AI

提供了一個統(tǒng)一、集成的環(huán)境，簡化任務(wù)，降本增效作用顯著。以數(shù)據(jù)為中心的AI擁有巨大的能量和潛力。

2022年，吳恩達在接受IEEE

Spectrum

采訪時表示，模型為中心無法有效助力AI落地。過去十年人工智能最大的轉(zhuǎn)變是向深度學習轉(zhuǎn)變，此后十年將向以數(shù)據(jù)為中心轉(zhuǎn)百年。隨著神經(jīng)網(wǎng)絡(luò)架構(gòu)的成熟，許多實際應(yīng)用的瓶頸將成為“如何獲取、開發(fā)所需要的數(shù)據(jù)”。同時，基于平臺的解決方案是目前的一大需求和趨勢。模型驅(qū)動的AI

通常涉及具有大量參數(shù)的復(fù)雜模型。訓(xùn)練和部署這些模型需要大量的計算能力，導(dǎo)致硬件和基礎(chǔ)設(shè)施的成本較高。模型驅(qū)動的AI

中復(fù)雜模型的訓(xùn)練需要時間長，特別是深度學習模型。延長訓(xùn)練時間增加了對計算資源的需求，從而導(dǎo)致成本提高。模型驅(qū)動的AI

中的模型通常更復(fù)雜，因此為應(yīng)對不斷變化的需求，使用新數(shù)據(jù)更新或修改需要大量資源，導(dǎo)致更高的成本和更長的開發(fā)周期。以模型為中心的AI

應(yīng)用痛點：資源、成本要求高等復(fù)雜性訓(xùn)練時間模型更新可解釋/理解性模型驅(qū)動的AI

中的復(fù)雜模型通常較難解釋和理解，這可能需要額外的資源來開發(fā)工具和技術(shù)以提高透明度和可信度。提高泛化能力數(shù)據(jù)驅(qū)動的AI

強調(diào)擁有多樣化、高質(zhì)量的數(shù)據(jù)的重要性。數(shù)據(jù)驅(qū)動的AI

可以提高泛化能力，并使模型在新數(shù)據(jù)上表現(xiàn)更好。減少對模型復(fù)雜性

數(shù)據(jù)驅(qū)動的AI

側(cè)重于使用高質(zhì)量數(shù)據(jù)來使簡單模型實現(xiàn)相似甚至的依賴 更好的性能，從而降低計算和資源需求。更容易進行微調(diào)數(shù)據(jù)驅(qū)動的AI

使通過擴充或優(yōu)化用于訓(xùn)練的數(shù)據(jù)來微調(diào)模型更容易。無需大幅修改模型架構(gòu)或重新訓(xùn)練模型即可提高特定任務(wù)性能。對抗性攻擊的魯棒通過使用多樣化的數(shù)據(jù)集，數(shù)據(jù)驅(qū)動的AI

協(xié)助模型抵抗對抗性攻性 擊。高質(zhì)量數(shù)據(jù)訓(xùn)練的模型難以被輸入欺騙。遷移學習數(shù)據(jù)驅(qū)動的AI

鼓勵遷移學習，在大型數(shù)據(jù)集預(yù)訓(xùn)練的模型為較小的特定任務(wù)數(shù)據(jù)集微調(diào)。擁有縮短訓(xùn)練時間并提高性能的優(yōu)勢。以數(shù)據(jù)為中心的AI

應(yīng)用優(yōu)勢顯著以數(shù)據(jù)為中心將成行業(yè)發(fā)展方向 平臺對于數(shù)據(jù)驅(qū)動的AI

重要性提供統(tǒng)一、集成的環(huán)境簡化AI生命周期中的任務(wù)確保數(shù)據(jù)和模型的高效管理提高數(shù)據(jù)科學家、工程師等的生產(chǎn)力和效果集中的數(shù)據(jù)管理可拓展性協(xié)作工作流自動化監(jiān)控和維護集成實驗跟蹤和可重復(fù)性為存儲、訪問和管理數(shù)據(jù)提供集中位置。有助于實現(xiàn)數(shù)據(jù)的一致高效處理，使團隊能夠使用高質(zhì)量的數(shù)據(jù)集進行訓(xùn)練和評估。有助于管理數(shù)據(jù)驅(qū)動AI

解決方案的可擴展性。允許用戶擴展數(shù)據(jù)處理、存儲和計算資源，確保處理大數(shù)據(jù)量和復(fù)雜模型。提供簡化通信、共享見解和共同處理數(shù)據(jù)和模型的工具和功能，促進成功實施數(shù)據(jù)驅(qū)動AI解決方案所必需的協(xié)作環(huán)境。平臺可以自動化數(shù)據(jù)驅(qū)動AI

生命周期中的各種任務(wù)。有助于節(jié)省時間、減少錯誤并確保始終遵循最佳實踐。平臺提供用于監(jiān)控模型性能、數(shù)據(jù)質(zhì)量等相關(guān)指標的工具。使團隊能夠快速發(fā)現(xiàn)和解決問題，確保AI

系統(tǒng)繼續(xù)提供最佳結(jié)果。平臺可以與組織使用的其他工具、系統(tǒng)和基礎(chǔ)設(shè)施集成，簡化將AI

解決方案納入現(xiàn)有工作流程和流程的過程。平臺可以幫助跟蹤實驗、管理模型版本并確保結(jié)果的可重復(fù)性。有助于比較不同模型技術(shù)、選擇針對最佳方法和遵守法規(guī)要求。來源：中國信通院、頭豹研究院編輯整理16400-072-55882.2

人工智能技術(shù)路徑對比以模型為中心的AutoML，以數(shù)據(jù)為中心的

MLOps將數(shù)據(jù)的質(zhì)量和數(shù)量置于主要位置，能提供更加有優(yōu)勢的解決方案，助力組織建立標準化管理體系，保障模型生產(chǎn)質(zhì)量。方法涉及過程目標MLOps以數(shù)據(jù)為中心通常涉及數(shù)據(jù)管理、數(shù)據(jù)治理和數(shù)據(jù)工程，以確保數(shù)據(jù)的可用性、準確性和可靠性側(cè)重于用于訓(xùn)練和評估

ML

模型的數(shù)據(jù)。這種方法優(yōu)先考慮收集、清理和組織高質(zhì)量的數(shù)據(jù)，作為建立有效的

ML

模型的基礎(chǔ)。在這種方法中，數(shù)據(jù)被認為是

ML

模型準確性和性能的主要驅(qū)動力，數(shù)據(jù)的質(zhì)量和數(shù)量被認為比使用的具體算法或架構(gòu)更關(guān)鍵。AutoML以模型為中心通常涉及優(yōu)化

ML

模型架構(gòu)、超參數(shù)調(diào)整和模型選擇專注于建立最佳的

ML

模型架構(gòu)。這種方法優(yōu)先考慮尋找最佳算法或神經(jīng)網(wǎng)絡(luò)架構(gòu)來解決手頭的問題，而數(shù)據(jù)被視為模型設(shè)計的次要因素。在這種方法中，模型的準確性和性能被認為比用于訓(xùn)練它的數(shù)據(jù)的質(zhì)量或數(shù)量更關(guān)鍵。數(shù)據(jù)為中心與模型為中心的不同AutoML

和MLOps

技術(shù)路徑對比需求分析與開發(fā)需求/

問題提出可行性分析技術(shù)選型數(shù)據(jù)&算法設(shè)計方案算法

/

數(shù)據(jù)腳本

/服務(wù)開發(fā)數(shù)據(jù)工程流水線數(shù)據(jù)接入數(shù)據(jù)探索數(shù)據(jù)處理特征工程模型試驗流水線數(shù)據(jù)分析模型訓(xùn)練模型評估模型導(dǎo)出代碼倉掃描-翻譯-測試-打包發(fā)布持續(xù)集成流水線觸發(fā)CI

流水線（代碼+數(shù)據(jù)+模型持續(xù)集成）數(shù)據(jù)處理DevOps 持續(xù)訓(xùn)練流水線模型（重）訓(xùn)練模型評估持續(xù)部署流水線效果評估模型倉庫持續(xù)監(jiān)控流水線操作記錄模型部署流水線監(jiān)控流量管理模型監(jiān)控數(shù)據(jù)監(jiān)控資源監(jiān)控······MLOpsAutoML數(shù)據(jù)準備特征工程模型生成模型評估，來源：中國信通院、頭豹研究院編輯整理17400-072-5588AutoML

發(fā)展路徑上仍存在部分難點需要解決。自動機器學習，也稱為AutoML是基于架構(gòu)、數(shù)據(jù)和超參數(shù)自動化找到理想模型配置的過程。

AutoML

是一種更高級的模型優(yōu)化方法，但并不總是適用。首先，AutoML

仍需要大量算力，因此企業(yè)仍需要在研發(fā)過程中嘗試更多的解決方案；其次，

AutoML

在提升處理復(fù)雜度的同時，仍需保持一定的透明度，以允許模型開發(fā)者確認模型質(zhì)量。最后，AutoML

作為自動化工具，在提升工作效率的同時也具有資源優(yōu)化和迭代不足、復(fù)雜模型處理有限、

特征工程低效、特征工程可移植性較低等方面的局限性。2.3

以模型為中心：AutoMLAI

開發(fā)平臺廠商通過提供靈活的服務(wù)和簡化開發(fā)者的操作來改善開發(fā)者的體驗，增強平臺易用性，提升生態(tài)開放性，進而提高廠商技術(shù)水平。AutoML

市場潛力大，應(yīng)用效率高，是

AI

領(lǐng)域的重要趨勢之一。傳統(tǒng)機器學習自動化過程大幅降低機器學習的門檻迭代過程集成構(gòu)建AutoML是一種機器學習過程，旨在通過一系列算法和啟發(fā)式方法實現(xiàn)從數(shù)據(jù)選擇到建立模型的自動化。研究人員僅需輸入元知識（卷積運算過程/問題描述等），該算法即可自動選擇合適的數(shù)據(jù)、自動優(yōu)化模型結(jié)構(gòu)和配置、自動訓(xùn)練模型并可以部署到不同的設(shè)備。AutoML過擬合適應(yīng)性數(shù)據(jù)可用性有限模型驅(qū)動的AI通常依賴具有大量參數(shù)的復(fù)雜模型，可能導(dǎo)致過擬合。是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在新數(shù)據(jù)上泛化能力不足。模型驅(qū)動的AI可能更容易受到對抗性攻擊或偏見的影響，因為模型可能對輸入數(shù)魯棒性 據(jù)的微小擾動或訓(xùn)練數(shù)據(jù)中的偏見更敏感。模型驅(qū)動的

AI

可能較難適應(yīng)數(shù)據(jù)分布或任務(wù)需求的變化?，F(xiàn)實應(yīng)用通常需要更新AI

系統(tǒng)以適應(yīng)新數(shù)據(jù)、不斷變化的條件或需求，對復(fù)雜的模型架構(gòu)更具挑戰(zhàn)性?，F(xiàn)實應(yīng)用中可用于訓(xùn)練的高質(zhì)量標注數(shù)據(jù)量有限。模型驅(qū)動的AI通常依賴大量訓(xùn)練數(shù)據(jù)才能表現(xiàn)良好，因此在數(shù)據(jù)稀缺的情況下效果可能較差。201520162017德克薩斯大學奧斯汀分校的研究人員推出了名為Auto-WEKA

的系統(tǒng)，它可以為給定的數(shù)據(jù)集自動選擇最佳機器學習算法。谷歌推出了AutoML-Zero，這是一個使用強化學習來從頭發(fā)現(xiàn)新的機器學習算法的系統(tǒng)。這是一套機器學習工具，包括用于圖像識別的AutoML

Vision，用于自然語言處理的AutoMLNaturalLanguage，以及用于語言翻譯的AutoMLTranslation。AutoML的特征及價值 AutoML

發(fā)展歷程2019谷歌推出了

AutoML，

H2O.ai推出了AutoML2.0

，這是一個開源的平臺，可以自動化機器學習管道，包括數(shù)據(jù)準備、特征工程、模型選擇和超參數(shù)AutoML

可以幫助用戶更快地構(gòu)建和優(yōu)化模型，但仍然存在以下痛點：自動化過程的透明度：AutoML

模型的訓(xùn)練和優(yōu)化是自動完成的，用戶可能無法了解模型的具體操作和過程，從而無法理解模型是如何進行決策的。計算資源：AutoML

需要大量的計算資源，包括GPU

和大量的存儲空間。這會導(dǎo)致成本上升，使得小型企業(yè)或個人無法承受。模型的可解釋性：由于AutoML

模型通常具有較高的復(fù)雜性，因此其結(jié)果可能難以解釋。這使得用戶難以了解模型是如何做出預(yù)測的，進而影響用戶對模型的信任度。數(shù)據(jù)隱私和安全性：在AutoML

的過程中，用戶必須將其數(shù)據(jù)上傳到云端，這會增加數(shù)據(jù)泄漏的風險。同時，由于AutoML

過程是自動完成的，用戶無法控制模型如何使用其數(shù)據(jù)，也難以保證模型的安全性。AutoML

技術(shù)路徑數(shù)據(jù)預(yù)處理和特征工程自動化超參數(shù)優(yōu)化自動化模型選擇自動化模型繼承自動化數(shù)據(jù)預(yù)處理和特征工程是機器學習的重要組成部分。AutoML

技術(shù)可以通過數(shù)據(jù)清洗、特征提取和轉(zhuǎn)換等自動化方式，自動發(fā)現(xiàn)和生成有用的特征。超參數(shù)是機器學習模型的關(guān)鍵因素之一，它們控制著模型的學習過程和性能。AutoML

技術(shù)可以通過自動搜索超參數(shù)空間中的最佳組合，以提高模型的性能。選擇正確的模型可以使結(jié)果更準確、更快速地獲得。AutoML

技術(shù)可以自動地從不同類型的模型中選擇最佳的模型來適應(yīng)給定的數(shù)據(jù)集。模型集成是將多個模型組合起來以提高預(yù)測性能的過程。AutoML技術(shù)可以自動組合不同類型的模型以獲得更好的結(jié)果。模型驅(qū)動的AI

痛點來源：華為云、弗若斯特沙利文、頭豹研究院編輯整理18400-072-55882.4

以數(shù)據(jù)為中心：MLOps（1/2）MLOps為機器學習模型全生命周期建設(shè)標準化、自動化、可持續(xù)改進的過程管理體系，使組織規(guī)模化、高質(zhì)量、高效率、可持續(xù)地生產(chǎn)機器學習模型。其能有效緩解

AI

生產(chǎn)過程的管理問題，提升

AI

生產(chǎn)的轉(zhuǎn)化效率。MLOps

是

ML

的

DevOps。借助MLOps

，團隊的開發(fā)與部署效率會得到顯著提升。并且MLOps

為系統(tǒng)帶來了靈活性與速度。對于個人或企業(yè)開發(fā)者而言，開發(fā)時間與開發(fā)成本是搭建AI

應(yīng)用程序的主要考慮指標。借助云原生及彈性分布式運算的架構(gòu)可為用戶在AI

模型的訓(xùn)練與推斷層面降本增效。數(shù)據(jù)科學家構(gòu)建的機器學習（ML）模型需要與其他團隊（業(yè)務(wù)團隊、工程團隊、運營團隊等）緊密合作。團隊工作為溝通、協(xié)作和協(xié)調(diào)方面提出了挑戰(zhàn)，MLOps的目標正是通過完善的實踐來簡化此類挑戰(zhàn)。MLOps

為系統(tǒng)帶來靈活性與速度：

MLOps

通過可靠且有效的

ML

生命周期管理，減少開發(fā)時間并得到高質(zhì)量的結(jié)果；MLOps

從

DevOps

中延續(xù)的持續(xù)開發(fā)（CD）、持續(xù)集成（CI）、持續(xù)訓(xùn)練（CT）等方法和工具保障AI

工作流程和模型的可重復(fù)性，開發(fā)者可隨時隨地輕松部署高精度機器學習模型并集成管理系統(tǒng)可連續(xù)監(jiān)測機器學習資源。73%的商業(yè)領(lǐng)袖相信

MLOps

的使用將使他們保持競爭力24%的專家認為

MLOps

的使用會使他們成為行業(yè)的領(lǐng)導(dǎo)者MLOps

市場規(guī)模有望從

2019

年的

3.5

億美元快速增長到2025

年的

40億美元MLOps

概念：MLOps

=ML

+

DevOpsMLOps

：MLOps

是通過構(gòu)建和運行機器學習流水線（Pipeline），統(tǒng)一機器學習（ML）項目研發(fā)（Dev）和運營（Ops）過程的一種方法，目的是為了提高AI

模型生產(chǎn)質(zhì)效，推動AI

從滿足基本需求的“能用”變?yōu)闈M足高效率、高性能的“好用”。統(tǒng)一機器學習 項目研發(fā) 運營ML

Dev

Ops加快模型上線時間提升開發(fā)運行效率分析出故障數(shù)據(jù)提升準確率模型設(shè)計模型開發(fā)模型操作MLOps

的特征及價值 MLOps

發(fā)展歷程Google

發(fā)布論文《HiddenTechnicalDebtinMachineLearning

Systems》首次提出機器學習項目技術(shù)債問題，這篇論文標志著機器學習高效落地問題被明確提出和正視，也催生了產(chǎn)業(yè)界形成系統(tǒng)化的方法論和規(guī)范化的管理流程，解決技術(shù)債問題的強烈需求。2015

-

2017

年前后2018

-

2019

年前后2018

年業(yè)內(nèi)人士逐漸開始密集討論大規(guī)模生產(chǎn)中機器學習生命周期集成化管理的重要性，MLOps

這一概念被提出并逐步接受。2019

年《Continuous

Delivery

forMachine

Learning》提出的

CD4ML

理念，闡述了機器學習項目如何開展持續(xù)交付(CD)，并提出端到端的交付流程。2020

年至今2020

年以來，產(chǎn)業(yè)焦點集中于

AI

大規(guī)?？焖俾涞?，布局MLOps平臺或工具的需求日益迫切，推動組織數(shù)智化轉(zhuǎn)型成為產(chǎn)業(yè)界追逐的目標。2021年，Gartner將包括

MLOps在內(nèi)的XOps

列為

2021

年十大數(shù)據(jù)和分析技術(shù)趨勢之一。來源：中國信通院、博瀚智能、頭豹研究院編輯整理19400-072-55882.4

以數(shù)據(jù)為中心：MLOps（2/2）MLOps

是融合機器學習特性的

DevOps

方法。MLOps

工具不斷創(chuàng)新，為應(yīng)用方的交付、合作、反饋等環(huán)節(jié)帶來多方面效率提升，促進各團隊高效協(xié)作，提升業(yè)務(wù)產(chǎn)出，具有較高的商業(yè)價值。以數(shù)據(jù)為中心：MLOps MLOps

的意義和價值通過在組織級明確各流程中各角色和職責，并以流水線的方式連接各團隊成員的工作，使團隊協(xié)作機制得以建立，

打破溝通屏障，讓不同角色各司其職,降低團隊間整體合作成本。通過自動化流水線等方式實現(xiàn)敏捷交付，從而提高模型交付效率，加快模型迭代速度，提高模型效果，提供更豐富、更優(yōu)質(zhì)的產(chǎn)品體驗。通過貫通需求、開發(fā)、交付、部署、

運營多環(huán)節(jié)的全鏈路，嵌入合規(guī)、監(jiān)管、道德、安全等要求，形成完整的全鏈路流水線。持續(xù)改進和簡化原有運營和治理流程，高效率、低風險地實現(xiàn)持續(xù)集成、部署、訓(xùn)練和監(jiān)控，形成有效的反饋閉環(huán)。機器學習項目中數(shù)據(jù)、算法、特征和模型等資產(chǎn)是一個有機整體，通過對AI

資產(chǎn)的高效統(tǒng)一管理，并加以風險防控和安全管理等手段，實現(xiàn)有效治理。打通數(shù)據(jù)、算法和模型的整體運維流程，提升協(xié)作效率持續(xù)監(jiān)控數(shù)據(jù)與模型的匹配，持續(xù)訓(xùn)練自主實現(xiàn)優(yōu)化迭代特征集成數(shù)據(jù)集 訓(xùn)練 部署監(jiān)控算法模型評估發(fā)布ExperimentMLOpsMLOps

發(fā)展現(xiàn)狀 制造業(yè)IT行業(yè)金融行業(yè)電子商務(wù)應(yīng)用

MLOps

后，土耳其某水泥制造公司通過提升模型生產(chǎn)效率和質(zhì)量，大大提升了AI

賦能業(yè)務(wù)的能力，使得替代燃料的使用量增加

7倍，減少

2%的二氧化碳排放總量，成本降低

3,900

萬美元。應(yīng)用

MLOps

后，美國某

IT

公司將開發(fā)和部署新AI

服務(wù)的時間縮短到原來的

1/12到

1/6，運營成本降低

50%。應(yīng)用

MLOps

后，荷蘭某酒店預(yù)定網(wǎng)站通過打通機器學習模型生產(chǎn)流程，提高了生產(chǎn)規(guī)模，具備應(yīng)用

150

個面向用戶的機器學習模型的能力，逐步推進AI

規(guī)模化落地。應(yīng)用

MLOps

后，新加坡某保險公司推理結(jié)果的生成時間從幾天縮短至不到

1小時。MLOps

工具不斷創(chuàng)新，行業(yè)應(yīng)用穩(wěn)步推進，落地實踐成果頗豐。國內(nèi)MLOps

處于規(guī)劃和建設(shè)前期，落地探索成效初顯。據(jù)頭豹研究院預(yù)測，到

2024

年

60%

的中國企業(yè)將通過

MLOps

來運作其機器學習工作流。統(tǒng)一管理AI

資產(chǎn)實現(xiàn)敏捷交付過程建立團隊協(xié)作機制構(gòu)建全鏈路反饋閉環(huán)來源：中國信通院、博瀚智能、頭豹研究院編輯整理20400-072-558803中國人工智能行業(yè)市場規(guī)模持續(xù)上升，AI

落地各行業(yè)場景，與各產(chǎn)業(yè)深度融合發(fā)展要素與趨勢21400-072-5588模型生產(chǎn)過程無標準化管理，導(dǎo)致

AI

資產(chǎn)的價值無法有效發(fā)揮。原因在于生產(chǎn)過程冗長難管理，重復(fù)造輪子現(xiàn)象普遍；AI

資產(chǎn)無集中共享機制，優(yōu)秀實踐經(jīng)驗難以沉淀。過程和資產(chǎn)管理欠缺落地投入大周期長1運維/管理流程孤立2缺乏持續(xù)監(jiān)控失效快34復(fù)用性差后期迭代成本高AI

模型在場景端落地時的主要痛點3.1

傳統(tǒng)

AI

模型落地痛點在應(yīng)用場景端，AI

模型工程化落地慢，部署周期長，迭代缺乏靈活性。項目整體周期較長普遍缺乏部署敏捷性，解決方案交付成本高，生產(chǎn)環(huán)境的上線具有不確定性，后續(xù)運維成本也較高，亟需人工智能協(xié)助轉(zhuǎn)型。AI

生產(chǎn)轉(zhuǎn)化率低：模型全鏈路生命周期管理存在問題AI

模型落地的痛點據(jù)頭豹研究院統(tǒng)計，部署AI

算法模型的方案平均需要

9

個多月的時間。AI

模型落地的痛點問題：項目整體周期較長普遍缺乏部署敏捷性，解決方案交付成本高，生產(chǎn)環(huán)境的上線具有不確定性，后續(xù)運維成本也較高。主要原因：模型文件的生產(chǎn)需要經(jīng)過不斷重復(fù)的實驗和評估；

模型服務(wù)需要通過編寫服務(wù)代碼和配置參數(shù)，并達到業(yè)務(wù)需求后，方可部署上線；業(yè)務(wù)效果的保證需通過在線模型開展服務(wù)驗證和結(jié)果對比。生產(chǎn)和交付周期長跨團隊協(xié)作難度大機器學習項目生命周期中涉及業(yè)務(wù)、

數(shù)據(jù)、算法、研發(fā)、運維等多團隊，團隊間缺乏相同的技術(shù)和業(yè)務(wù)背景知識作為協(xié)作基礎(chǔ)，從而帶來溝通屏障。同時協(xié)作工具不盡相同，從而增大協(xié)作難度。來源：中國信通院、博瀚智能、頭豹研究院編輯整理22400-072-55883.2

中國人工智能行業(yè)發(fā)展要素分析高效率、低成本，規(guī)?；?/p>

AI

基礎(chǔ)設(shè)施成長迅速，AI

基礎(chǔ)層資源整體效能水平不斷進化，與AI

開發(fā)平臺發(fā)展基本一致。目前

AI

服務(wù)體系逐步完善，開源框架成為眾多

AI

開發(fā)平臺的基礎(chǔ)。部署一站式基礎(chǔ)層資源平臺前后人工智能基礎(chǔ)層進階之路 一站式基礎(chǔ)層資源平臺智能化轉(zhuǎn)型趨勢下，企業(yè)部署AI

項目的需求正經(jīng)歷著變化，各方面要求提高，對AI

基礎(chǔ)層資源的需求增加。企業(yè)對教據(jù)質(zhì)量、模型生產(chǎn)周期、模型自學習水平、模型可解釋性云邊端多樣部署方式、人力成本及資金投入、投資回報率等的要求都逐步走高。在上述需求特點及自動機器學習、AI

芯片硬件架構(gòu)等技術(shù)發(fā)展的共同推動下，AI

基礎(chǔ)層資源的整體效能水平也在不斷進化，以有效降低需求企業(yè)的AI

開發(fā)成本。人工智能基礎(chǔ)層進階之路歷經(jīng)雛形期、快速發(fā)展期和成熟期。1）雛形期，算法/算力/教據(jù)各模塊多為粗放式的單點工具，新興產(chǎn)品及賽道逐步出現(xiàn)。2）快速發(fā)展期，各賽道活躍度顯著提升，參與者積極探索產(chǎn)品形態(tài)與商業(yè)模式，基礎(chǔ)層服務(wù)體系逐步完善、資源價值凸顯。3）成熟階段，各賽道內(nèi)企業(yè)競爭加劇，逐步跑出頭部企業(yè)。同時各賽道間企業(yè)生態(tài)合作增多，一站式工具平臺出現(xiàn)。落地實驗階段技術(shù)應(yīng)用普及階段效率化生產(chǎn)階段新賽道出現(xiàn)產(chǎn)業(yè)鏈逐步清晰基礎(chǔ)層雛形期 基礎(chǔ)層發(fā)展期 基礎(chǔ)層成熟期工具智能水平提升探索產(chǎn)品形態(tài) 玩家競爭階與商業(yè)模式 段各賽道活躍度提升粗放式單點工具服務(wù)體系逐步完善集約型、精細化單點式工具一站式開發(fā)功能模塊分裂部署成本高功能模塊銜接部署成本低在人工智能由技術(shù)落地應(yīng)用階段向效率化生產(chǎn)階段轉(zhuǎn)變的背景下，人工智能基礎(chǔ)層的各模塊工具有望走向集約型的生產(chǎn)模式。該模式主要能賦予開發(fā)企業(yè)以下價值:開發(fā)方式改進 管理效率提升 部署成本降低從客戶需求分析到解決方案

將數(shù)據(jù)、算法與算

集成數(shù)據(jù)、算法、算力的部署形成獨立的閉環(huán)構(gòu)建端

力委托給專業(yè)的服

各個軟件與硬件，企業(yè)可到端的工作流。在強大算力

務(wù)商，實現(xiàn)站式托

在一個平臺內(nèi)按需選擇自的支持下，完成數(shù)據(jù)采集、

管，打通三者之間

己所缺失的模塊組件并自數(shù)據(jù)標注、數(shù)據(jù)治理、數(shù)據(jù)

的銜接壁壘，提高

由搭配，有效避免因采購應(yīng)用、模型設(shè)計、參數(shù)調(diào)優(yōu)、

交互友好性，讓開

不同供應(yīng)商的產(chǎn)品或服務(wù)模型訓(xùn)練、模型測試、模型

發(fā)者專注于業(yè)務(wù)。

而帶來的隱性成本損失與推理的全棧式流水線生產(chǎn)。 顯性成本損失。來源：弗若斯特沙利文、頭豹研究院編輯整理23400-072-558811211948.762.371.78293.210511832.541.6495765.9768716.220.82427.8323641算力數(shù)據(jù)模型調(diào)用部署/維護CAGR97.2%9.5%11.2%10.2%3.3

中國人工智能行業(yè)市場規(guī)模中國人工智能行業(yè)近年來市場規(guī)模持續(xù)提升，2022-2027E

的年復(fù)合增速有望突破

34%，同時，中國

AI

開發(fā)平臺的市場規(guī)模也在不斷上升，2025年市場規(guī)模有望突破

365.0

億元。中國人工智能行業(yè)市場規(guī)模及滲透率，2021-2027E 中國AI

開發(fā)平臺市場規(guī)模，2019-2025E2,6073,7165,3237,51615,73204,0008,00012,000 10,53916,000 14,72920,000 單位：億元人民幣202120222023E2024E2025E2026E2027E+34%單位：億元人民幣7.7%10.2%13.9%18.5%24.6%32.7%人工智能能夠賦能經(jīng)濟社會發(fā)展各領(lǐng)域，下游各個領(lǐng)域的產(chǎn)業(yè)升級對大模型的需求持續(xù)走高。據(jù)測算，2022

年中國人工智能行業(yè)市場規(guī)模為

3,716

億人64.983.190.197.2104.9民幣，預(yù)計

2027

年將會達到

15,372

億人民幣，有望在下游制造、交通、金融、20192020202120222023E2024E2025E醫(yī)療等多領(lǐng)域不斷滲透，實現(xiàn)大規(guī)模落地應(yīng)用。下游行業(yè)對人工智能需求呈現(xiàn)出碎片化、多樣化的特點，從開發(fā)、精調(diào)、優(yōu)化、迭代到應(yīng)用都需要投入

近年中國AI

開發(fā)平臺的市場規(guī)模持續(xù)上升，算力、數(shù)據(jù)、模型調(diào)用和部署維護等巨大的人力和財力，成本極高。而大模型能夠向外賦能，包括通過開放

API 細分市場快速增長。2016-2021

年，中國AI

開發(fā)平臺營收規(guī)?？焖贁U張，2021

年的形式，降低各行各業(yè)應(yīng)用大模型的門檻，提升

AI

落地效率和價值，推動人

中國AI

開發(fā)平臺營收為

234.8

億

元。在政策紅利、行業(yè)滲透率以及芯片性能穩(wěn)步工智能進入工業(yè)化發(fā)展階段。 提升的背景下，預(yù)計

2025

年中國AI

開發(fā)平臺市場規(guī)模將達

365.0

億元。來源：弗若斯特沙利文、頭豹研究院編輯整理24400-072-558839.5%人工智能滲透率3.4

應(yīng)用場景人工智能基礎(chǔ)數(shù)據(jù)服務(wù)應(yīng)用于眾多下游場景，AI

解決方案從不同角度精準解決各場景的痛點。自動駕駛、智慧工業(yè)和智能安防當前是人工智能基礎(chǔ)數(shù)據(jù)服務(wù)最重要的應(yīng)用領(lǐng)域，未來增長空間較大。38%52%16%16%16%12%10%10%7%7%10%6%2022其他AI+互聯(lián)網(wǎng)智慧工業(yè)2027E智慧醫(yī)療智能安防自動駕駛場景痛點AI

解決方案未來增長潛力未來增速人口紅利消失，駕駛員成本高且資源短缺超載及疲勞駕駛導(dǎo)致安全事故