2022年全球人工智能進展報告

2022年全球人工智能進展報告 PAGE42022年全球人工智能產(chǎn)業(yè)研究報告框架技術發(fā)展路線人工智能核心技術歷經(jīng)萌芽期、穩(wěn)定爬升期和成熟期三個發(fā)展階段。發(fā)展歷程人工智能歷經(jīng)三次發(fā)展浪潮，在技術和應用等方面實現(xiàn)快速發(fā)展。報告框架人工智能產(chǎn)業(yè)概況技術發(fā)展路線人工智能核心技術歷經(jīng)萌芽期、穩(wěn)定爬升期和成熟期三個發(fā)展階段。發(fā)展歷程人工智能歷經(jīng)三次發(fā)展浪潮，在技術和應用等方面實現(xiàn)快速發(fā)展。報告框架人工智能產(chǎn)業(yè)概況基本概念在各類機器載體上模擬并擁有類似生物/超越生物的智能。人工智能底層基礎AI芯片AI芯片類型主要涵蓋GPU、FPGA及各類ASIC，主要應用在云端、邊緣端和終端等各類場景評價AI芯片性能需重點關注TOPS/W、時延、功耗等相關指標。人工智能核心技術人工智能核心技術框架機器學習 計算機視覺 語音處理邏輯回歸神經(jīng)網(wǎng)絡 U-Net 語音識別支持向量機卷積神經(jīng)網(wǎng)絡CNN R-CNN 語音合成決策樹 循環(huán)神經(jīng)網(wǎng)絡RNN Yolo ……隨機森林圖神經(jīng)網(wǎng)絡GNN ……樸素貝葉斯長短期記憶神經(jīng)網(wǎng)絡LSTM自然語言處理 知識圖譜無監(jiān)督學習自編碼器AE Word2Vec強化學習生成對抗網(wǎng)絡GAN Seq2Seq…… …… ……數(shù)據(jù)、算法、算力以及政策、頂尖人才/機構共同推動產(chǎn)業(yè)發(fā)展。

全球人工智能產(chǎn)業(yè)鏈全球人工智能產(chǎn)業(yè)鏈由底層基礎、核心技術及應用領域三大部分構成。

全球人工智能產(chǎn)業(yè)圖譜圖譜中企業(yè)LOGO排列順序并不代表相關企業(yè)綜合競爭力強弱，僅供參考。數(shù)據(jù) 政策算法 人才算力 機構開源框架

數(shù)據(jù)服務 云計算服務。深度學習開源框架是AI算法開發(fā)的必備工具。

數(shù)據(jù)庫設計、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)標注與數(shù)據(jù)質(zhì)檢。

提供智能服務器等算力設施以及人工智能功能模塊等產(chǎn)品。機器學習總覽機器學習主要包括有監(jiān)督學習、無監(jiān)督學習和強化學習三類。機器學習專門研究計算機如何模擬/實現(xiàn)生物體的學習行為，獲取新的知識技能，利用經(jīng)驗來改善特定算法的性能。機器學習總覽機器學習主要包括有監(jiān)督學習、無監(jiān)督學習和強化學習三類。機器學習專門研究計算機如何模擬/實現(xiàn)生物體的學習行為，獲取新的知識技能，利用經(jīng)驗來改善特定算法的性能。AI核心技術主要涉及機器學習、計算機視覺、自然語言處理、語音處理、知識圖譜等，機器學習作為人工智能的核心，與計算機視覺、自然語言處理、語音處理和知識圖譜密切關聯(lián)。尚普研究院：2022年全球人工智能產(chǎn)業(yè)研究報告框架報告框架機器學習典型算法（節(jié)選）報告框架

深度學習典型算法（節(jié)選）人工智能核心技術

支持向量機以間隔最大化為基準，學習得到盡可能遠離數(shù)據(jù)的決策邊界算法，支持向量是確定決策邊界的重要數(shù)據(jù)。

隨機森林利用多棵決策樹對樣本進行訓練并預測的一種分類器。從每個決策樹收集輸出，通過多數(shù)表決得到最終的分類結果。

卷積神經(jīng)網(wǎng)絡由數(shù)千甚至數(shù)百萬個緊密互連的簡單處理節(jié)點組成，包括輸入層、卷積層、池化層、全連接層和輸出層。

長短期記憶神經(jīng)網(wǎng)絡以此令長期記憶與短期記憶相結合，達到序列學習的目的。人工智能下人工智能 游應成應用領域 用成熟度模型

安防 制造 政務

醫(yī)療 交通 零售 農(nóng)業(yè) ……人工智能趨勢展望

前沿技術TransformerBERT模型ViT模型自監(jiān)督學習類腦計算AI大模型……

產(chǎn)業(yè)融合元宇宙生命科學新冠疫情半導體碳中和冬奧會……

熱點問題學術與商業(yè)化倫理與安全就業(yè)……

前沿技術（節(jié)選）Transformer模型該模型主要由編碼器和解碼器構成，模型本身并行度較高，在精度和性能上均要優(yōu)于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡（RNN）和卷積神經(jīng)網(wǎng)絡（CNN）。

產(chǎn)業(yè)融合（節(jié)選）元宇宙（Metaverse）元宇宙本質(zhì)上是對現(xiàn)實世界的虛擬化、數(shù)字化過開篇：全球四次工業(yè)革命發(fā)展歷程報告開篇18世紀以來，在全球政治格局變化背景下，工業(yè)革命帶來的科技革命推動經(jīng)濟發(fā)展和社會進步報告開篇世界GDP走勢單位：億美元

第一次業(yè)革命 第二次業(yè)革命 第三次工業(yè)革命 第四次業(yè)革命 1,000,000900,000800,000700,000600,000500,000

蒸汽時代（1760-1840）蒸汽機蒸汽機車紡紗機

電氣時代（1860-1950）內(nèi)燃機電話汽車

信息時代（1950-2010S）電子計算機空間技術生物工程

智能時代（2010S至今）人工智能技術元宇宙量子計算400,000300,000200,000100,000

1684-1799大清：康乾盛世1776

1840-1842第一次鴉片戰(zhàn)爭1856-1860第二次鴉片戰(zhàn)爭

1914-1918第一次世界大戰(zhàn)1939-1945第二次世界大戰(zhàn)

1949中華人民共和國成立

1978中國改革開放

1991歐盟成立

2007-2011政治經(jīng)濟美國次貸危機全球金融危機政治經(jīng)濟美利堅合眾國成立0資料來源：WorldBank世界銀行，TheWorldEconomy:HistoricalStatistics,OECD,Paris，北京大學出版社《全球通史—從史前到21世紀》2020年1月第1版，中信出版集團《第四工業(yè)命》2016年6月第版，分圖自百度科等，尚普院結合開資整理制 6目錄：人工智能產(chǎn)業(yè)概況人工智能底層基礎人工智能核心技術人工智能應用領域人工智能趨勢展望1人工智能產(chǎn)業(yè)概況1ArtificialIntelligenceIndustryOverview資料來源：尚普研究院結合公開資料及專家訪談整理繪制9資料來源：尚普研究院結合公開資料及專家訪談整理繪制9人工智能概念人工智能產(chǎn)業(yè)概況在各類機器載體模擬并擁有類似生物或超越生物的智能人工智能產(chǎn)業(yè)概況人工智能(ArtificialIntelligence):主要是指在各類機器載體（手機、電腦、交通工具、機器人、機械設備等）上模擬并擁有類似生物/超越生物的智能（感知、學習、推理、交流等）。人工智能初期屬于計算機科學的分支，研究領域涉及計算機視覺、自然語言處理、機智能人工……語言學電子技術自動控制計算機科學分支心理學智能人工……語言學電子技術自動控制計算機科學分支心理學數(shù)學計算機系統(tǒng)結構并行/分布處理高性能計算機系統(tǒng)高性能存儲系統(tǒng)……計算機應用人工智能計算機網(wǎng)絡技術信息安全技術……計算機軟件計算機圖形學系統(tǒng)軟件（操作系統(tǒng)、編輯系統(tǒng)、實時系統(tǒng)）軟件工程……感知 學習 推理 交流 搬運資料來源：尚普研究院結合公開資料整理繪制PAGE10資料來源：尚普研究院結合公開資料整理繪制PAGE10人工智能三大學派人工智能產(chǎn)業(yè)概況人工智能三大學派：符號主義、聯(lián)結主義、行為主義人工智能產(chǎn)業(yè)概況從學術角度來看，人工智能主要包括符號主義、聯(lián)結主義和行為主義三大學派。符號主義主張通過人工賦予機器智能，聯(lián)結主義依托機學派分類符號主義（Symbolicism）學派分類符號主義（Symbolicism）聯(lián)結主義（Connectionism）行為主義（Actionism）思想起源數(shù)理邏輯仿生學控制論基本思想將智能形式化為符號、知識、規(guī)則和算法，并用計算機實現(xiàn)符號、知識、規(guī)則和算法的表征和計算，從而實現(xiàn)用計算機來模擬人的智能行為。生物智能是由神經(jīng)網(wǎng)絡產(chǎn)生的，通過人工方式構造神經(jīng)網(wǎng)絡，再訓練人工神經(jīng)網(wǎng)絡產(chǎn)生智能。智能取決于感知和行為，取決于對外界復雜環(huán)境的適應，而不是表示和推理，不同的行為表現(xiàn)出不同的功能和不同的控制結構。生物智能是自然進化的產(chǎn)物生物通過與環(huán)境及其他生物之間的相互作用，從而發(fā)展出越來越強的智能，人工智能也可以沿這個途徑發(fā)展。主要原理符號操作系統(tǒng)假設、有限合理性原理神經(jīng)網(wǎng)絡及神經(jīng)網(wǎng)絡間的連接機制與學習算法控制論及感知-動作型控制系統(tǒng)代表成果啟發(fā)式程序邏輯理論家（LT）、專家系統(tǒng)、知識工程理論技術等腦模型（MP）、感知機、多層網(wǎng)絡中的反向傳播算法（BP）和人工神經(jīng)網(wǎng)絡（ANN）等布魯克斯六足行走機器人常用算法規(guī)則和決策樹神經(jīng)網(wǎng)絡反饋控制、遺傳算法、強化學習等代表人物紐厄爾(Newell)西蒙(Simon)尼爾遜(Nilsson)霍普菲爾德(Hopfield)魯梅爾哈特(Rumelhart)羅森布拉特(Rosenblatt)維納(Wiener)麥克洛克(McCulloch)布魯克斯(Brooks)， 2016年3月第PAGE11人工智能與大腦的關聯(lián)性人工智能產(chǎn)業(yè)概況大腦新皮質(zhì)負責人類語言、推理等高級功能，赫布理論奠定人工神經(jīng)網(wǎng)絡基礎人工智能產(chǎn)業(yè)概況端腦表面所覆蓋的灰質(zhì)稱為大腦皮質(zhì)，即新皮質(zhì)（neocortex）。新皮質(zhì)是進化程度較高級的皮質(zhì)，是哺乳動物大腦皮質(zhì)的大部分，在腦半球頂層，其主要分為六層（①分子層；②外顆粒層；③外錐體細胞層；④內(nèi)顆粒層；⑤內(nèi)錐體細胞層；⑥多形細胞層），與一些高等功能如知覺、運動指令的產(chǎn)生、空間推理、意識及人類語言有關系。神經(jīng)元作為新皮質(zhì)學習的基本單元，學習是由單元之間聯(lián)系的突觸力量所決定的。神經(jīng)科學為思維的模式識別理論提供依據(jù)，加拿大心理學家DonaldO.Hebb于1949年首次嘗試解釋學習的神經(jīng)原理，即“Hebbiantheory赫布理論”：突觸前神經(jīng)元向突觸后神經(jīng)元持續(xù)重復的刺激可以導致突觸傳遞效能的增加，人工神經(jīng)網(wǎng)絡的建立就大腦皮層（新皮質(zhì)）大腦胼胝體樹突接受刺激并將沖動傳入細胞體，屬于神經(jīng)元的輸入。突觸大腦皮層（新皮質(zhì)）大腦胼胝體樹突接受刺激并將沖動傳入細胞體，屬于神經(jīng)元的輸入。突觸端腦細胞結丘腦細胞體間腦中腦下丘腦垂體將神經(jīng)沖動由胞體軸突傳至其他神經(jīng)元，是神經(jīng)元的輸出。腦橋后腦施旺細胞延腦小腦脊髓髓鞘細胞核腦干前腦人工智能與大腦的關聯(lián)性人工智能產(chǎn)業(yè)概況人工智能相關算法源自大腦新皮質(zhì)模式識別機制人工智能產(chǎn)業(yè)概況雷?庫茲韋爾(RayKurzweil)與杰夫?霍金斯(JeffHawkins)、迪利普?喬治(DileepGeorge)共同提出“大腦新皮質(zhì)模型”。大腦新皮質(zhì)模式識別主要由三部分組成：①輸入（低層級模式）；②模式名稱；③較高層級模式集合。每個模式都具有輸入信息、識別模式的處理程序以及一次輸出過程。在輸入環(huán)節(jié)，模式（圖形、字母、詞語等）需按照模式識別器的連續(xù)順序出現(xiàn)，才可以被識別；當模式識別器識別到相關模式時，該模式識別器的軸突也會被激活。舉例來看，信息沿著概念層級向上流動，從基本的字母特征到字母再到詞語，之后識別會繼續(xù)向上流動到短語，最終形成更為復雜的語言結構。大腦新皮質(zhì)模式識別模塊存儲參數(shù)軸突（輸出）預期規(guī)格變化權重（重要性預期規(guī)格（時間、距離等）PEARAPPLE大腦新皮質(zhì)模式識別模塊存儲參數(shù)軸突（輸出）預期規(guī)格變化權重（重要性預期規(guī)格（時間、距離等）PEARAPPLE字母模式包含一組輸入信息、識別模式處理程序以及一次輸出，字母模式向“詞語”的更高層級模式輸出。的更高層級模式輸出。樹突樹突樹突樹突輸入樹突 2020年61GoogleWikipediaPAGE13人工智能發(fā)展歷程人工智能產(chǎn)業(yè)概況20世紀50年代以來，人工智能歷經(jīng)三次發(fā)展浪潮，在技術和應用等方面實現(xiàn)快速發(fā)展人工智能產(chǎn)業(yè)概況1950年，艾倫?圖靈（AlanTuring）發(fā)表了一篇劃時代的論文，文中預言了創(chuàng)造出具有真正智能的機器的可能性。1956年夏，約翰?麥卡錫(JohnMcCarthy)、馬文?明斯基(MarvinMinsky)等科學家在美國達特茅斯學院開會研討“如何用機器模擬人的智能”，首次提出“人工智能（ArtificialIntelligence，簡稱AI）”這一概念，標志著人工智能學科的誕生。2006年以來，隨著大數(shù)據(jù)、云計算、物人工智能第一次浪潮人工智能第二次浪潮人工智能第三次浪潮聯(lián)網(wǎng)等信息技術的發(fā)展，泛在感知數(shù)據(jù)和通用圖形處理器推動以深度神經(jīng)網(wǎng)絡為代表的人工智能技術飛速發(fā)展，大幅跨越了科學與應用之間的“技術鴻溝”，迎來爆發(fā)式增長的新高潮。以下是全球人工智能發(fā)展歷程中的代表性事件：人工智能第一次浪潮人工智能第二次浪潮人工智能第三次浪潮（1956-1976） （1976-2006） （2006至今）1957Rosenblatt知機

1968：斯坦福研究所發(fā)明第一臺智能機器人

1979

1985GeoffreyHinton和TerrySejnowski發(fā)明玻爾茲曼機1982：JohnHopfield發(fā)明

1998：MNIST數(shù)據(jù)庫中的圖像集建立2010ImageNet第一屆大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）2009：谷歌推出自動駕駛汽車

2022AI在北京冬奧會廣泛應用2020：AI助力疫情防控1956：達特茅斯會議上宣告“人工智能”學科的誕生1951:MarvinMinsky建立第

1966：LeonardBaum發(fā)明隱馬爾可夫模型1966：MITJosephWeizenbaum建立第

積神經(jīng)網(wǎng)絡

絡網(wǎng)絡）

1989大學AlexWaibel1990Becker提出

1997：IBM深藍戰(zhàn)勝國際象棋冠軍卡斯帕羅夫2006：GeofferyHinton等人提出深度學習

2016：華盛頓大學CarlosGuestrin等開發(fā)LIME算法2016：Google的AlphaGo戰(zhàn)勝圍一個神經(jīng)網(wǎng)絡機器SNARC1950：AlanTuring提出了圖靈測試

一個自然語言處理程序，聊天機器人ELIZA1965：專家系統(tǒng)誕生

1975：人工智能在化學領域首個科學發(fā)現(xiàn)

1986：反向傳播算法誕生1987：人工智能軟件在企業(yè)戰(zhàn)略領域首次商業(yè)化應用

“自動編碼器”概念

1996：康奈爾大學DavidField和BrunoOlshausen提出稀疏編碼

棋冠軍李世石2015：谷歌大腦團隊開發(fā)出機器學習開源框架—TensorFlow2014Goodfellow發(fā)明“生成對抗性網(wǎng)絡”1950195219541956195819601962196419661968197019721974197619781980198219841986198819901992199419961998200020022004200620082010201220142016201820202022資料來源：尚普研究院結合公開資料整理繪制PAGE15資料來源：尚普研究院結合公開資料整理繪制PAGE15人工智能典型算法成熟度路線圖人工智能產(chǎn)業(yè)概況人工智能典型算法歷經(jīng)萌芽期、穩(wěn)定爬升期和成熟期三個發(fā)展階段人工智能產(chǎn)業(yè)概況尚普研究院依據(jù)人工智能典型算法的發(fā)展階段，將近年來出現(xiàn)的GPT-3模型、ViT模型、BERT模型等劃分至技術萌芽階段；將具有一定技人工智能典型算法成熟度路線圖術沉淀但仍需持續(xù)迭代的卷積神經(jīng)網(wǎng)絡、長短期記憶神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等劃分至技術穩(wěn)定爬升階段；將擁有較長發(fā)展歷史的決策樹、邏輯回歸、樸素貝葉斯等劃分至技術成熟階段，具體如下圖所示。人工智能典型算法成熟度路線圖可作為本報告核心技術和趨勢展望章節(jié)概覽，供相關讀者參考。伴隨人工智能技術的不斷發(fā)展，典型算法成熟度路線圖有待不斷優(yōu)化。人工智能典型算法成熟度路線圖技術萌芽階段穩(wěn)定爬升階段 技術成熟階段技術萌芽階段卷積神經(jīng)網(wǎng)絡CNN

隱馬爾可夫模型HMM決策樹

神經(jīng)網(wǎng)絡ANN

樸素貝葉斯邏輯回歸遷移學習

自編碼器支持向量機

循環(huán)神經(jīng)網(wǎng)絡RNNGPT-3模型BERT模型

生成對抗網(wǎng)絡GAN自監(jiān)督學習

圖神經(jīng)網(wǎng)絡GNN

隨機森林

LSTMViT模型

Transformer聯(lián)邦學習模型產(chǎn)業(yè)發(fā)展驅(qū)動因素：數(shù)據(jù)、算力、算法人工智能產(chǎn)業(yè)概況全球數(shù)據(jù)量及芯片算力持續(xù)增長，AI算法不斷優(yōu)化人工智能產(chǎn)業(yè)概況1971年以來算力增長趨勢AppleA15Bionic15.8TOPS單位：MIPS萬次/每秒運算，TOPS萬億次/每秒運算AppleA11Bionic1971年以來算力增長趨勢AppleA15Bionic15.8TOPS單位：MIPS萬次/每秒運算，TOPS萬億次/每秒運算AppleA11Bionic0.6TOPSAppleA13Bionic6TOPSIntel80800.64MIPSIntel80860.8MIPSARM24MIPSAppleA41600MIPSAppleA12Bionic5TOPSAppleA14011TOPSIntel40040.06MIPSARM312MIPS6算力（ComputingPower）數(shù)據(jù)（Data）單位：ZB

2018-2025年全球數(shù)據(jù)量

17513213210179496232402018 2019 2020 2021 2022E 2023E 2024E 2025E資料來源：IDC，尚普研究院

1971 1974 1978 1986 1989 2010 2017 2018 2019 2020 2021資料來源：尚普研究院結合公開資料整理繪制 機器學算法 計算機覺算法 自然語處理&語處理算法 知識圖算法產(chǎn)業(yè)發(fā)展驅(qū)動因素：人工智能產(chǎn)業(yè)政策人工智能產(chǎn)業(yè)概況全球主要國家和地區(qū)相繼出臺人工智能政策，推動人工智能產(chǎn)業(yè)發(fā)展人工智能產(chǎn)業(yè)概況近年來，主要國家和地區(qū)相繼出臺了人工智能相關戰(zhàn)略和規(guī)劃文件，將政策重點聚焦在加強投資和人才培養(yǎng)、促進合作開放以及完善監(jiān)管和標準建設上，全球人工智能產(chǎn)業(yè)發(fā)展進入加速落地階段。具體而言，美國加大人工智能研發(fā)方面的投資；歐盟致力于推進新的人工智能立法提案；英國打造世界人工智能創(chuàng)新中心；日本則強化人工智能應用，加快數(shù)字化轉型；韓國加強人工智能戰(zhàn)略引領，助力本國經(jīng)濟復蘇；新加坡為人工智能研究追加投資，推進政府的數(shù)字化轉型；中國則更加注重推動人工智能與傳統(tǒng)產(chǎn)業(yè)融合。2016：《機器人技術、自動化和人工智能》2017：2016：《機器人技術、自動化和人工智能》2017：《在英國發(fā)展人工智能產(chǎn)業(yè)》2020：《美利堅合眾國和大不列顛及北愛爾蘭聯(lián)合王國關于人工智能研發(fā)合作的宣言》《人工智能在公共部門的應用指南》2021：《新的十年計劃將使英國成為全球人工智能超級大國》《國家人工智能戰(zhàn)略》《自動化決策的道德、透明度和問責框架》2017：《新一代人工智能發(fā)展規(guī)劃》2019：《國家新一代人工智能創(chuàng)新發(fā)展試驗區(qū)建設工作指引》《國家新一代人工智能開放創(chuàng)新平臺建設工作指引》2021：《中華人民共和國國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠景目標綱要》2016：《為人工智能的未來做準備》《國家人工智能研究與發(fā)展戰(zhàn)略計劃》《為人工智能自動化和經(jīng)濟的未來做準備》2018：《2018年美國工業(yè)人工智能白宮峰會總結》2016：《為人工智能的未來做準備》《國家人工智能研究與發(fā)展戰(zhàn)略計劃》《為人工智能自動化和經(jīng)濟的未來做準備》2018：《2018年美國工業(yè)人工智能白宮峰會總結》2019:《國家人工智能研發(fā)戰(zhàn)略規(guī)劃:2019年更新》《2016-2019年進展報告:推進人工智能研發(fā)》2020：《2020-2021人工智能和量子信息科學研發(fā)概要》《利用云計算資源進行聯(lián)邦資助的人工智能研究和開發(fā)的建議》2021：《網(wǎng)絡與信息技術研發(fā)計劃和國家人工智能計劃辦公室總統(tǒng)2022財年預算補編》2019》2020：《科學技術創(chuàng)新綜20182018《可信賴AI的道德準則草案》、《人工智能協(xié)調(diào)計劃》2019：《可信賴AI的道德準則》2020：《人工智能白皮書-通往卓越與信任的歐洲道路》2021：《2030數(shù)字指南針：歐洲數(shù)字十年之路》2019：2019：《人工智能國家戰(zhàn)略》2019：2019：《國家人工智能戰(zhàn)略》2021：《國家人工智能戰(zhàn)略更新》資料來源：各國政府機構網(wǎng)站，尚普研究院結合公開資料整理繪制16注：中國AI人才數(shù)量來自獵聘，其他國家AI人才數(shù)量來自LinkedIn，相關數(shù)據(jù)統(tǒng)計截至2022年4月資料來源：尚普研究院結合LinkedIn和獵聘數(shù)據(jù)整理繪制17注：中國AI人才數(shù)量來自獵聘，其他國家AI人才數(shù)量來自LinkedIn，相關數(shù)據(jù)統(tǒng)計截至2022年4月資料來源：尚普研究院結合LinkedIn和獵聘數(shù)據(jù)整理繪制17產(chǎn)業(yè)發(fā)展驅(qū)動因素：人工智能人才規(guī)模人工智能產(chǎn)業(yè)概況中、美、印AI人才數(shù)量位居世界前三，人才聚集現(xiàn)象凸顯人工智能產(chǎn)業(yè)概況尚普研究院根據(jù)LinkedIn和獵聘數(shù)據(jù)統(tǒng)計，全球當前累計AI人才突破100萬人。其中，中國AI人才數(shù)量超過18萬人位居世界首位，占全球AI人才總數(shù)的18%。美國和印度AI人才數(shù)量分居全球第二、三位，并且均超過15萬。中、美、印三國AI人才合計占比接近全球50%。英國、加拿大、德國、法國等國家AI人才數(shù)量也超過萬人。AI人才數(shù)量排名前10的國家占全球總數(shù)超過60%，AI人才聚集現(xiàn)象凸顯。全球主要國家AI人才數(shù)量180,000+ 160,000+

40,000+

20,000+ 3,000+20,000+ 15,000+ 3,000+ 3,000+3,000+資料來源：AMiner官網(wǎng)，智譜研究，尚普研究院18資料來源：AMiner官網(wǎng)，智譜研究，尚普研究院18產(chǎn)業(yè)發(fā)展驅(qū)動因素：人工智能頂尖人才人工智能產(chǎn)業(yè)概況清華大學AMiner團隊推出AI2000榜單，遴選全球最具影響力的AI頂尖學者人工智能產(chǎn)業(yè)概況清華大學AMiner團隊聯(lián)合北京智源研究院、清華-中國工程院知識智能聯(lián)合研究中心，連續(xù)3年共同發(fā)布《最具影響力學者人工智能全球——AI2000榜單》，該榜單通過AMiner系統(tǒng)中所收錄的學術發(fā)表數(shù)據(jù)及GoogleScholar的引用數(shù)據(jù)用計算機算法自動生成榜單排名，其旨在全球范圍內(nèi)遴選過去十年人工智能學科最有影響力、最具活力的頂級學者。自2020年首屆AI2000榜單發(fā)布以來，榜單受到各界的高度認可，已成為AI領域的重要風向標之一。 AI2000遴選方法述 AMiner系統(tǒng)收集過去10年間出現(xiàn)在AI所有子領域頂級期刊和會議的出版論文，對于每位學者，其在一個特定子領域的評分分別計算了AI2000指數(shù)、發(fā)表次數(shù)、引用次數(shù)、引用數(shù)權重系數(shù)、CSRanking等指標。發(fā)表次數(shù)：頂級期刊和會議中發(fā)表文章的總數(shù)量（單個子領域）引用次數(shù)：頂級期刊和會議中發(fā)表所有論文的總引用次數(shù)（單個子領域）引用數(shù)權重系數(shù)：

AI2000指數(shù)實例析 上文提到的AI2000學者榜單是根據(jù)AI2000指數(shù)進行排名所得到。AI2000指數(shù)：1???σ??σ???? ??假設一篇文章由2名學者共同合作完成，該文章11+111+1Τ22 ??1??? ??+2 ??1??? ??+

????1=

×15=10其中??代表一篇文章中的所有作者數(shù)量；????個作者；??代表引用這篇文章的文獻數(shù)量。該公式針對某一個領域的一篇文章，針對該學者在該領域所有出版文章

第二作者的AI2000指數(shù)即：的????的總和即為該學者的引用數(shù)權重系數(shù)。CSRanking：是一種調(diào)整計數(shù)方法，表示每一篇文章的功勞平均分配給每一位作者。此處將作者進行

????2=

×15=51Τ1Τ21+1Τ2遴選方法中的其他計算指標也是衡量學者們學術水平的標準，AMiner系統(tǒng)中根據(jù)不同的指標對學者進行不同的排名，同樣具有重要的參考意義和價值。AI2000指數(shù)：AI2000指數(shù)表示所有作者對該篇文章的貢獻度不同，在最新的排名計算中，默認發(fā)表的論文中，排名靠前的作者貢獻度更高，因此該指數(shù)計算的邏輯為，作者的排名順序與其貢獻度成正比。公式定義為：遴選方法中的其他計算指標也是衡量學者們學術水平的標準，AMiner系統(tǒng)中根據(jù)不同的指標對學者進行不同的排名，同樣具有重要的參考意義和價值。

由此可見兩位作者對文章引用率的貢獻度不同，排名次序靠前，貢獻度越大。????=

1???σ?????? ??其中??代表一篇文章中的所有作者數(shù)量；????個作者；??代表引用這篇文章的文獻數(shù)量。求和代表所有作者排名次序倒數(shù)的求和，從而展示出單個作者排名順序與貢獻度比例關系。該公式針對某一個領域的一篇文章，針對該學者在該領域所有出版文章的????的總和即為該學者的AI2000指數(shù)。產(chǎn)業(yè)發(fā)展驅(qū)動因素：人工智能頂尖人才人工智能產(chǎn)業(yè)概況AI2000上榜學者遍布全球40余個國家，美國AI學者數(shù)量位居榜首人工智能產(chǎn)業(yè)概況英國入選AI2000學者數(shù)量8084英國入選AI2000學者數(shù)量8084美國入選AI2000學者數(shù)量1,244法國入選AI2000學者數(shù)量242524瑞士入選AI2000學者數(shù)量313138加拿大入選AI2000學者數(shù)量562022

德國入選AI2000學者數(shù)量902022

中國入選AI2000學者數(shù)量2022新加坡入選AI2000學者數(shù)量302022注：以上圖表單位均為人次

資料來源：AMiner團隊發(fā)布的AI2000學者榜單，智譜研究，尚普研究院19資料來源：AMiner團隊發(fā)布的AI2000學者榜單，智譜研究，尚普研究院20資料來源：AMiner團隊發(fā)布的AI2000學者榜單，智譜研究，尚普研究院20產(chǎn)業(yè)發(fā)展驅(qū)動因素：人工智能頂尖機構人工智能產(chǎn)業(yè)概況Google成為入選AI2000學者最多機構，清華大學和阿里巴巴躋身前20強人工智能產(chǎn)業(yè)概況根據(jù)AMiner發(fā)布的2022年AI2000榜單，Google以181人次的入選數(shù)量名列全球入選學者最多機構，Meta、Microsoft入選人次分別為87和65位列第二、三位。從全球AI2000前20強機構來看，美國機構數(shù)量達到15家。上榜的兩家中國機構為清華大學和阿里巴巴，兩家機20人次和14人次。2022年AI2000全球前20強機構5%5%5%10%75%名次機構名稱入選人次1谷歌（美）1812Meta5%5%5%10%75%名次機構名稱入選人次1谷歌（美）1812Meta（美）873微軟（美）654麻省理工學院（美）475卡內(nèi)基梅隆大學（美）446斯坦福大學（美）417DeepMind（英）328蘋果（美）319華盛頓大學（美）2810亞馬遜（美）28名次機構名稱入選人次11加州大學伯克利分校（美）2712紐約大學（美）2113清華大學（中）2014IBM（美）1815多倫多大學（加）1716密歇根大學（美）1717加州大學圣迭戈分校（美）1618新加坡國立大學（新）1519佐治亞理工學院（美）1520阿里巴巴（中）14在全球AI2000前20美國機構占15家，中國2家機構上榜，英國、加拿大和新加坡各占1家。由此可見，美國仍具有遙遙領先的AI頂尖人才和AI科研實力。美國 中國 英國 加拿大 新加坡在全球AI2000前20美國機構占15家，中國2家機構上榜，英國、加拿大和新加坡各占1家。由此可見，美國仍具有遙遙領先的AI頂尖人才和AI科研實力。資料來源：尚普研究院結合LinkedIn相關人才數(shù)據(jù)整理繪制21資料來源：尚普研究院結合LinkedIn相關人才數(shù)據(jù)整理繪制21產(chǎn)業(yè)發(fā)展驅(qū)動因素：人工智能頂尖機構人工智能產(chǎn)業(yè)概況GoogleAI人才普遍擁有世界頂尖高校教育背景，具有多年科技巨頭從業(yè)經(jīng)歷人工智能產(chǎn)業(yè)概況尚普研究院結合LinkedIn相關人才數(shù)據(jù)，對于GoogleAI人才的教育及從業(yè)背景進行梳理。GoogleAI人才大多擁有Stanford、MIT、CMU、UCBerkeley等世界知名高校教育背景，同時也曾在Apple、Microsoft、Facebook等頭部科技巨頭從業(yè)多年，AI人才優(yōu)勢顯著。GoogleAI人才成長路徑資料來源：智譜研究，尚普研究院資料來源：智譜研究，尚普研究院PAGE22資料來源：智譜研究，尚普研究院資料來源：智譜研究，尚普研究院PAGE22全球人工智能專利情況人工智能產(chǎn)業(yè)概況中國、美國、日本在人工智能專利申請數(shù)量方面整體居前人工智能產(chǎn)業(yè)概況尚普研究院結合智譜研究數(shù)據(jù)，2011-2021年全球人工智能專利申請數(shù)量呈現(xiàn)先升后降的趨勢。按地區(qū)分布看，2011-2021年中國、美國和日本累計申請人工智能專利數(shù)量最多，中國位居世界首位，累計持有專利數(shù)量191萬個；按申請機構來看，人工智能專利申請數(shù)量前十大機構集中在韓國、日本、美國和中國。其中，三星電子株式會社持有人工智能專利數(shù)量超過10萬個。單位：千個

2011-2021年全球人工智能專利申請數(shù)量變化660 692

594593594593514443353386367281319

2011-2021年全球人工智能累計專利申請機構TOP102011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021資料來源：智譜研究，尚普研究院2011-2021年全球人工智能累計專利申請國家TOP10單位：千個1,1689771,1689773551396457524136中國 美國 日本 韓國 德國 法國 英國 荷蘭 加拿大 瑞士PAGEPAGE26中美人工智能產(chǎn)業(yè)發(fā)展狀況對比人工智能產(chǎn)業(yè)概況美國在企業(yè)數(shù)量、融資規(guī)模、計算力方面領先，中國則在數(shù)據(jù)量方面具有明顯優(yōu)勢人工智能產(chǎn)業(yè)概況結合CBInsights，IDC、浪潮信息與清華全球產(chǎn)業(yè)院聯(lián)合發(fā)布《2021-2022全球計算力指數(shù)評估報告》等相關資料，尚普研究院對中美兩國在人工智能產(chǎn)業(yè)發(fā)展和基礎方面進行相關對比。當前美國在人工智能企業(yè)數(shù)量、融資規(guī)模、計算力方面均占據(jù)顯著優(yōu)勢。其中，美國AI企業(yè)數(shù)量超4,100個，累計融資規(guī)模超1,600億，計算力指數(shù)77；中國則在數(shù)據(jù)量方面具有優(yōu)勢，IDC預計到2025年中國數(shù)據(jù)量規(guī)模達到48.6ZB。此外，在開源框架方面，中美兩國也擁有多個開源框架，服務于全球廣大AI開發(fā)者。中美人工智能產(chǎn)業(yè)發(fā)展狀況對比衡量指標美國人工智能產(chǎn)業(yè)發(fā)展狀況中國人工智能產(chǎn)業(yè)發(fā)展狀況累計企業(yè)數(shù)量4,100+個1,200+個累計融資規(guī)模1,600+億470+億計算力指數(shù)77702025年數(shù)據(jù)量30.6ZB48.6ZB企業(yè)所在地加州舊金山、加州山景城、加州圣何塞、紐約等地北京、上海、廣州、杭州、深圳等地開源框架中美人工智能人才培養(yǎng)情況人工智能產(chǎn)業(yè)概況中美兩國高校通過建立人工智能學院或依托計算機科學系等方式，加強人工智能人才培養(yǎng)人工智能產(chǎn)業(yè)概況尚普研究院結合2022年U.S.News發(fā)布的BestArtificialIntelligencePrograms以及軟科（ShanghaiRanking）高校排名榜單，對于美國和中國知名高校在人工智能學院以及人工智能學科專業(yè)建設情況進行梳理。在人工智能人才培養(yǎng)方面，美國高校主要依托于早期建立的計算機科學學院/電子工程與計算機科學系設立人工智能研究方向或相關專業(yè)，如卡內(nèi)基梅隆大學、麻省理工學院、斯坦福大學等；中國高校則在近些年建立專門的人工智能學院，加強對人工智能高層次人才培養(yǎng)，如南京大學、西安交通大學等。中美主要高校人工智能教學研究機構設立情況序號美國高校名稱所屬學院/院系序號中國高校名稱所屬學院/院系序號美國高校名稱所屬學院/院系序號中國高校名稱所屬學院/院系1卡內(nèi)基梅隆大學計算機科學學院1卡內(nèi)基梅隆大學計算機科學學院2麻省理工學院電氣工程與計算機科學系3斯坦福大學計算機科學系4加利福尼亞大學-伯克利分校電氣工程與計算機科學系5康奈爾大學計算機科學系北京大學

計算機科學與技術系交叉信息研究院自動化系智能學院浙江大學 計算機科學與技術學院上海交通大學 電子信息與電氣工程學院佐治亞理工學院 計算機科學與工程學交互計算學院華盛頓大學 計算機科學與工程學院伊利諾伊大學厄巴納-香檳分校 計算機科學與工程學院密歇根大學-安娜堡分校 電氣工程與計算機科學得克薩斯大學-奧斯汀分校 計算機科學系

復旦大學 計算機科學技術學院南京大學 人工智能學院中國科學技術大學 計算機科學與技術學院華中科技大學 人工智能與自動化學院武漢大學 計算機學院西安交通大學 人工智能學未來技術學美國人工智能頂尖學府人工智能產(chǎn)業(yè)概況MIT與Stanford作為全球AI頂尖學府，擁有完善且系統(tǒng)的AI研究組織架構人工智能產(chǎn)業(yè)概況電氣工程與計算機科學系計算機科學ComputerScience人工智能+決策ArtificialIntelligence+Decision-making電子工程ElectricalEngineering計算機科學系計算機科學基礎FoundationsofComputer電氣工程與計算機科學系計算機科學ComputerScience人工智能+決策ArtificialIntelligence+Decision-making電子工程ElectricalEngineering計算機科學系計算機科學基礎FoundationsofComputerScience人工智能ArtificialIntelligence科學計算和系統(tǒng)ScientificandSystems機器人Robotics通信系統(tǒng)CommunicationsSystems信號處理SignalProcessing自然語言和語音處理NaturalLanguageandSpeechProcessing人工智能醫(yī)療和生命科學AIforHealthcareandLifeScience人工智能和機器學習ArtificialIntelligenceandMachineLearning優(yōu)化與博弈論OptimizationandGameTheory人工智能和社會AIandSociety系統(tǒng)理論，控制與自動化Systemstheory,ControlandAutonomy圖形和視覺GraphicsandVision機器人Robotics自然語言處理NaturalLanguageProcessing計算機視覺ComputerVision計算生物學ComputationalBiology機器學習MachineLearningFei-FeiLiStanford教授于1999年獲得普林斯頓大學物理學學士學位，于2005年獲得加州理工學院電氣工程博士學位，曾任教于普林斯頓大學和伊利諾伊大學香檳分校，曾擔任谷歌副總裁和首席科學家。論文數(shù)：417引用數(shù)：140,267ChristopherManningStanford教授于1994年獲得澳大利亞國立大學學士學位，獲得斯坦福大學博士學位。曾任教于卡內(nèi)基梅隆大學和悉尼大學。領域：自然語言處理、信息檢索論文數(shù)：582引用數(shù)：171,372JureLeskovecStanford副教授于斯洛文尼亞盧布爾雅那獲得計算機科學學士學位，于卡內(nèi)基梅隆大學獲得機器學習博士學位，于康奈爾大學完成博士后工作。領域：機器學習、數(shù)據(jù)挖掘論文數(shù)：401引用數(shù)：94,861代表學者中美科技巨頭人工智能布局情況人工智能產(chǎn)業(yè)概況中美科技巨頭在AI芯片、技術平臺等領域廣泛布局人工智能產(chǎn)業(yè)概況尚普研究院對于中美科技巨頭在人工智能主要產(chǎn)品及解決方案布局進行梳理。從美國來看，Google、AWS、Microsoft、IBM、Meta等科技巨頭在人工智能領域布局較早，并且擁有成熟的AI芯片產(chǎn)品、開源框架及技術平臺；從中國來看，以百度、阿里巴巴、騰訊、華為代表的科技領軍企業(yè)也在相關領域有所布局，依托子公司、研發(fā)平臺等渠道，持續(xù)開發(fā)AI核心技術等底層基礎設施，并在多個場景實現(xiàn)商業(yè)化落地應用。中美科技巨頭人工智能布局情況AI芯片開源框架技術平臺AI芯片開源框架技術平臺預訓練模型AI芯片開源框架技術平臺預訓練模型EdgeTPU TensorFlow

Vertex

SwitchTransformerBERT

昆侖芯2代 PaddlePaddle

EasyDLBMLUNIT

文心大模型T5

…… AWSTrainiumAWSTrainiumMXNetAWSInferentiaAWSGraviton3AmazonMLAmazonLexAmazonRekognition含光800機器學習平臺PAIM6中文預訓練視覺智能開放平臺NLP自學習平臺模型 …… …… CNTK AzureAITuring-NLGMT-NLG紫霄Power9SystemMLprocessorchipIBMTelumIBMz16IBMCloudforData機器學習平臺Angel3.0騰訊云TI平臺騰訊智能對話平臺……NeuFoundryQuickAI制造云平臺……PyTorchClassyVisionPyTorchClassyVisionFairseqRoBERTaOrin

MONAI

昇騰昇騰麒麟……

智能邊緣平臺ModelArts……

PanguNLP全球人工智能專業(yè)組織人工智能產(chǎn)業(yè)概況IEEE、ACM、AAAI、CAAI、CCF為全球及中國重要的人工智能專業(yè)組織人工智能產(chǎn)業(yè)概況IEEE電氣與電程師協(xié)會 ACM國際計機學會 AAAI國際先進智能協(xié)會國際計算機學會（ACM）成立于1947年，總部位于美國紐約州紐約市，是一個全球性的科學和教育組織，致力于促進藝術、科學、工程和計算應用，通過促進信息的公開交流和促進最高的專業(yè)和道德標準，為專業(yè)和公共利益服務。ACM設有8個主要獎項，來表彰計算機領域的技術和專業(yè)成就。最高獎項為圖靈獎國際計算機學會（ACM）成立于1947年，總部位于美國紐約州紐約市，是一個全球性的科學和教育組織，致力于促進藝術、科學、工程和計算應用，通過促進信息的公開交流和促進最高的專業(yè)和道德標準，為專業(yè)和公共利益服務。ACM設有8個主要獎項，來表彰計算機領域的技術和專業(yè)成就。最高獎項為圖靈獎TuringAward，常被形容為計算機領域的諾貝爾獎。電氣與電子工程師學會（IEEE）成立于1963年，IEEE總部位于美國紐約州紐約市。鼓勵技術創(chuàng)新和卓越，以造福人類。IEEE定位在“科學和教育，并直接面向電子電氣工程、通訊、計算機工程、計算機科學理論和原理研究的組織，以及相關工程分支的藝術和科學”。國際先進人工智能協(xié)會(AAAI)成立于1979年，總部位于美國加州，致力于促進對思想和智能行為背后的機制及其在機器中的體現(xiàn)。AAAI旨在促進人工智能的研究和負責任的使用，增加公眾對人工智能的理解，改進人工智能從業(yè)者的教學和培訓，并為研究規(guī)劃者和資助者提供有關當前人工智能發(fā)展的重要性和潛力以及未來方向的指導。中國計算機學會（CCF）成立于1962年，全國一級學會，獨立社團法人，中國科學技術協(xié)會成員。CCF是中國計算機及相關領域的學術團體，宗旨是為本領域?qū)I(yè)人士的學術和職業(yè)發(fā)展提供服務；推動學術進步和技術成果的應用；進行學術評價，引領學術方向；促進技術和產(chǎn)業(yè)應用一線的交流和互動；對在學術和技術方面有突出成就的個人、企業(yè)和單位給予認可和表彰。（CAAI）成立于1981年，是經(jīng)國家民政部正51個分支機構，覆蓋了智能科學與技術領域?；救蝿帐菆F結全國智能科學技術工作者和積極分子，通過學術研究、國內(nèi)外學術交流、科學普及、學術教育、科技會展、學術出版、人才推薦、學術評價、學術咨詢、技術評審與獎勵等活動，促進我國智能科學技術的發(fā)展。CAAI中國人工學會 中國計算機學會（CCF）成立于1962年，全國一級學會，獨立社團法人，中國科學技術協(xié)會成員。CCF是中國計算機及相關領域的學術團體，宗旨是為本領域?qū)I(yè)人士的學術和職業(yè)發(fā)展提供服務；推動學術進步和技術成果的應用；進行學術評價，引領學術方向；促進技術和產(chǎn)業(yè)應用一線的交流和互動；對在學術和技術方面有突出成就的個人、企業(yè)和單位給予認可和表彰。（CAAI）成立于1981年，是經(jīng)國家民政部正51個分支機構，覆蓋了智能科學與技術領域?；救蝿帐菆F結全國智能科學技術工作者和積極分子，通過學術研究、國內(nèi)外學術交流、科學普及、學術教育、科技會展、學術出版、人才推薦、學術評價、學術咨詢、技術評審與獎勵等活動，促進我國智能科學技術的發(fā)展。資料來源：各協(xié)會官方網(wǎng)站，尚普研究院結合公開資料整理繪制27全球人工智能產(chǎn)業(yè)規(guī)模人工智能產(chǎn)業(yè)概況預計到2025年，全球人工智能產(chǎn)業(yè)規(guī)模將達到6.4萬億美元人工智能產(chǎn)業(yè)概況近年來，人工智能技術得到快速發(fā)展，其對經(jīng)濟社會發(fā)展以及生產(chǎn)生活方式變革將產(chǎn)生重大影響。全球范圍內(nèi)美國、歐盟、英國、日本、中國等國家和地區(qū)均大力支持人工智能產(chǎn)業(yè)發(fā)展，相關新興應用不斷落地。根據(jù)Deloitte報告預測，全球人工智能產(chǎn)業(yè)規(guī)模從2017年的6,900億美元增長至2025年的64,000億美元，2017-2025年復合增長率32.10%，呈現(xiàn)較快增長走勢。單位：億美元

2017-2025年全球人工智能產(chǎn)業(yè)規(guī)模CAGR+32.10%57,30044,80057,30044,80035,00030,40024,30019,00011,8006,9002017 2018 2019 2020 2021 2022E 2023E 2024E 2025E資料來源：Deloitte，尚普研究院28全球人工智能產(chǎn)業(yè)鏈&產(chǎn)業(yè)圖譜人工智能產(chǎn)業(yè)概況關于全球人工智能產(chǎn)業(yè)鏈及產(chǎn)業(yè)圖譜的相關說明人工智能產(chǎn)業(yè)概況1、全球人工智能產(chǎn)業(yè)鏈主要包括AIAI人工智能核心技術為產(chǎn)業(yè)鏈的核心環(huán)節(jié)，人工智能核心技術通常可分為機器學習、計算機視覺、自然語言處理、語音處理、知識圖譜。2、全球人工智能產(chǎn)業(yè)圖譜本報告中的全球人工智能產(chǎn)業(yè)圖譜主要基于全球人工智能產(chǎn)業(yè)鏈結構，并按照細分領域體現(xiàn)全球及中國主要人工智能企業(yè)LOGO。各細分領域的企業(yè)分布主要按照全球跨國企業(yè)、中國企業(yè)的順序排列，同時也會綜合考慮企業(yè)在細分領域的市占率、品牌知名LOGO 29資料來源：尚普研究院結合公開資料整理繪制PAGE30資料來源：尚普研究院結合公開資料整理繪制PAGE30全球人工智能產(chǎn)業(yè)鏈人工智能產(chǎn)業(yè)概況人工智能底層基礎人工智能產(chǎn)業(yè)概況

人工智能核心技術

人工智能應用領域 AI芯片

AI開源框架

機器學習 計算機視覺

安防 金融 目標檢測圖像分割 學習算法 卷積神經(jīng)網(wǎng)絡目標檢測圖像分割 學習算法 卷積神經(jīng)網(wǎng)絡循環(huán)神經(jīng)網(wǎng)絡生成對抗網(wǎng)絡 強化學算法 策略梯度時序差分學習深度Q網(wǎng)絡 其他學算法 隨機森林支持向量機TensorFlowPyTorchMXNetSenseParrotsGPUFPGAASICNPU 傳感器

GPU云服務器 GPU云服務器

語義分析機器翻譯 語義分析機器翻譯

工業(yè) 零售 交通 物流 數(shù)據(jù)采集數(shù)據(jù)標注數(shù)據(jù)分析語音識別語音增強語音合成數(shù)據(jù)采集數(shù)據(jù)標注數(shù)據(jù)分析語音識別語音增強語音合成視覺傳感器激光雷達超聲波雷達毫米波雷達

語音處理

教育 營銷 能源 政務 存儲

智慧城市 智能駕駛 通信設備

知識圖譜

農(nóng)業(yè) …… 注：企業(yè)LOGO排列順序并不代表相關企業(yè)綜合競爭力的強弱，僅供參考資料來源：尚普研究院結合公開資料整理繪制注：企業(yè)LOGO排列順序并不代表相關企業(yè)綜合競爭力的強弱，僅供參考資料來源：尚普研究院結合公開資料整理繪制PAGE31人工智能產(chǎn)業(yè)概況全球人工智能產(chǎn)業(yè)圖譜—人工智能底層基礎設施提供商人工智能產(chǎn)業(yè)概況AI開源框架AI開源框架 云計算 AI芯片 傳感器 AI芯片 數(shù)據(jù)服務 存儲 通信設備 全球人工智能產(chǎn)業(yè)圖譜—人工智能核心技術提供商人工智能產(chǎn)業(yè)概況 機器學習 計算機視覺 人工智能產(chǎn)業(yè)概況 自然語言處理 知識圖譜 語音處理 全球人工智能產(chǎn)業(yè)圖譜—人工智能應用服務商人工智能產(chǎn)業(yè)概況智能駕駛機器人人工智能產(chǎn)業(yè)概況智能駕駛機器人 人 服務機器人 人 算法 高精地圖 智能座艙 智能駕駛方案新勢力車企 人 服務機器人 人 算法 高精地圖 智能座艙 智能駕駛方案新勢力車企農(nóng)業(yè)客服零售教育制造金融安防資料來源：CBINSIGHTS，尚普研究院結合公開資料整理繪制PAGE資料來源：CBINSIGHTS，尚普研究院結合公開資料整理繪制PAGE34全球人工智能市場融資情況人工智能產(chǎn)業(yè)概況全球人工智能融資規(guī)模和融資數(shù)量均呈現(xiàn)增長走勢，醫(yī)療AI領域增長明顯人工智能產(chǎn)業(yè)概況全球人工智能投資市場近年來快速發(fā)展，整體融資規(guī)模從2015年的63億美元增長至2021年的668億美元。2021年全球醫(yī)療AI融資規(guī)模較高達到122億美元，金融科技AI融資規(guī)模為39億美元，零售AI融資規(guī)模為37億美元。2015-2021年全球AI融資規(guī)模和融資數(shù)量1,358

2,022

2,364

2,694

2,447

2,841668

融資規(guī)模（億美元）95563

182

303 321263

融資數(shù)量（個）2015 2016 2017 2018 2019 2020 2021122505238446449122505238446449221391911952083413027265661201854313331627131512167637114

151

164

177

135 134743.4

5.6

14.310

12.52015 2016 2017 2018 2019 2020 醫(yī)療AI融資規(guī)模（億美元） 融資數(shù)量（個）

2015 2016 2017 2018 2019 2020 金融AI融資規(guī)模（億美元） 融資數(shù)量（個）

2015 2016 2017 2018 2019 2020 2021零售AI融資規(guī)模（億美元） 融資數(shù)量（個）注：相關數(shù)據(jù)截至2022年4月PAGE35注：相關數(shù)據(jù)截至2022年4月PAGE35全球主要國家人工智能企業(yè)數(shù)量與累計融資規(guī)模人工智能產(chǎn)業(yè)概況全球人工智能產(chǎn)業(yè)集中度高，美、中兩國在AI企業(yè)數(shù)量與累計融資規(guī)模方面處于領先地位人工智能產(chǎn)業(yè)概況尚普研究院根據(jù)CBInsights數(shù)據(jù)統(tǒng)計，全球現(xiàn)有人工智能企業(yè)超過11,000家，累計融資總額超過2,500億美元。其中，美國擁有AI相關企業(yè)達到4,171家，累計融資金額達到1,601.9億美元，在公司數(shù)量和融資規(guī)模上均位居世界首位；中國擁有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擁有百余家AI公司，AI企業(yè)數(shù)量排名前10位的國家占全球總數(shù)的78.3%，累計融資金額則達到全球總額的95%，AI企業(yè)和融資活動集中在美、中、英等國家。全球主要國家AI企業(yè)數(shù)量與累計融資規(guī)模中國470.7美國1,601.9其他中國470.7美國1,601.9其他英國102.2以色列87.6億美元加拿大韓 法國 國日本德 印國 度356 314

310

294 284全球人工智能產(chǎn)業(yè)鏈主要上市企業(yè)情況人工智能產(chǎn)業(yè)概況全球AI上市企業(yè)以科技巨頭和細分領域技術龍頭為主人工智能產(chǎn)業(yè)概況尚普研究院將處于全球人工智能產(chǎn)業(yè)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(nèi)如百度、阿里巴巴、騰訊等。此外，國內(nèi)的商湯、科大訊飛等具有強技術屬性的AI公司受關注度較高。單位：億美元

全球人工智能產(chǎn)業(yè)鏈主要上市企業(yè)名單股票代碼企業(yè)名稱總部所在國家市值2021年營業(yè)收入2021年凈利潤產(chǎn)業(yè)鏈主要細分領域AI芯片云計算AI技術AI解決方案智能駕駛醫(yī)療金融制造全球跨國企業(yè)GOOG.O谷歌（ALPHABET）美國15,081.932,576.37760.33√√√√√√√AMZN.O亞馬遜（AMAZON）美國12,644.914,698.22333.64√√√√√√√MSFT.O微軟（MICROSOFT）美國20,755.811,680.88612.71√√√√√AAPL.O蘋果（APPLE）美國25,515.943,658.17946.8√√NVDA.O英偉達（NVIDIA）美國4,655.30269.1497.52√√√√√√INTC.O英特爾（INTEL）美國1,782.40790.24198.68√√√√√√AMD.O超威半導體（AMD）美國1,385.86164.3431.62√√√√√QCOM.O高通（QUALCOMM）美國1,564.53335.6690.43√√√√√005930.KS三星（SAMSUNG）韓國3,166.52————√√IBM.N國際商業(yè)機器公司（IBM）美國1,188.98573.5057.43√√√√√√TSLA.O特斯拉（TESLA）美國9,021.16538.2355.19√√√9888.HK百度集團中國460.10195.2616.04√√√√√√√9988.HK阿里巴巴中國2,821.94————√√√√√√√0700.HK騰訊控股中國4,623.08880.45352.62√√√√√√√9618.HK京東集團中國1,057.271,492.53-5.58√√√√√0020.HK商湯集團中國221.207.37-26.88√√√√√002230.SZ科大訊飛中國129.9528.532.44√√√√688256.SH寒武紀中國31.411.13-1.29√√ 36202人工智能底層基礎202FoundationofArtificialIntelligenceAI芯片總覽人工智能底層基礎AI芯片針對機器學習算法設計開發(fā)，廣泛應用于云、邊、端各類場景人工智能底層基礎AI芯片(AIChip)：專門用于處理人工智能相關的計算任務，其架構針對人工智能算法和應用進行專門優(yōu)化，具有高效處理大量結構化和非結構化數(shù)據(jù)的特征，可高效支持視覺、語音、自然語言處理等智能處理任務。當前AI芯片類型主要涉及、FPGA、TPU、IPU、DPU、NPU等類別。從應用場景來看，AI芯片廣泛應用于云端、邊緣端、終端等各類場景，其中云端AI芯片具備高性能特征，終端AI芯片具有AI數(shù)據(jù)中心AI芯片主要類型終端邊緣端云端終端邊緣端云端 GPU FPGA TPU IPU DPU NPU …… 智能手機 平板電腦

AR/VR

智能駕駛汽車38AI芯片性能指標評價人工智能底層基礎評價AI芯片性能需重點關注TOPS/W、時延、功耗等相關指標人工智能底層基礎目前，評價AI芯片性能的指標主要包括：TOPS、TOPS/W、時延、成本、功耗、可擴展性、精度、適用性、吞吐量、熱管理等。其中，AI芯片的性能、功耗和能效關系影響AI芯片效能主要因素TOPS/W是用于度量在1W功耗的情況下,芯片能進行多少萬億次操作的關鍵指標。近年來，MIT、Nvidia等研發(fā)人員開發(fā)專門的芯片軟件評價工具對于AI芯片的性能做出了系統(tǒng)、全面評價，如Accelergy（評估芯片架構級能耗）、Timeloop（評估芯片運算執(zhí)行情況）等。MLPerf是由來自學術界、研究實驗室和相關行業(yè)的AI領導者組成的聯(lián)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芯片和云平臺性能。AI芯片的性能、功耗和能效關系影響AI芯片效能主要因素FPS/Watt真實AI效能FPS/Watt真實AI效能FPS/TOPSAI算法效率Utilization有效利用率理論峰值計算效能TOPS/WattUtilization有效利用率理論峰值計算效能TOPS/Watt（TOPS）時延

單位功耗下芯片每秒操作數(shù)（TOPS/W）功耗精度 成本 AI2021年439AI芯片：云端場景—數(shù)據(jù)中心人工智能底層基礎GPU具備矩陣和大規(guī)模并行計算優(yōu)勢，適合數(shù)據(jù)中心場景人工智能底層基礎CPU作為通用處理器，包含控制單元（指令讀取及指令譯碼）、存儲單元（CPU片內(nèi)緩存和寄存器）及運算單元（ALU約占20%CPU空間）三個主要模塊，但受制于成本/功耗/技術難度/算力瓶頸等問題，目前仍未出現(xiàn)適配AI高算力要求的主流CPU產(chǎn)品。GPU是一種由大量核心組成的大規(guī)模并行計算架構，擁有較多運算單元（ALU）和較少緩存（cache），是一款專為同時處理多重任務而設計的芯片，具備良好的矩陣計算能力和并行計算優(yōu)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。ALUALU控制器CPU內(nèi)部架構 GPU內(nèi)部架構ALUALU控制器ALUALUALUALUALU內(nèi)部緩存 內(nèi)部緩存內(nèi)存內(nèi)存內(nèi)存內(nèi)存40資料來源：Nvidia官網(wǎng)，尚普研究院結合公開資料整理繪制41資料來源：Nvidia官網(wǎng)，尚普研究院結合公開資料整理繪制41AI芯片：云端場景—數(shù)據(jù)中心人工智能底層基礎張量計算單元是GPU進行深度學習運算的核心組成部分人工智能底層基礎英偉達A100芯片為多個SM單元(StreamingMultiprocessors，流式多處理器)構成的并發(fā)多核處理器，不同SM單元共享L2Cache存儲資源進行數(shù)據(jù)訪存，A100的安培架構中有128個SM核，SM結構是芯片架構升級的核心。TensorCore是英偉達GPU架構中專為深度學習矩陣運算設置的張量計算單元，是英偉達GPU系列深度學習運算加速的核心。TensorCore處理的是大型矩陣運算，其執(zhí)行一種專門的矩陣數(shù)學運算，適用于深度學習和某些類型的高性能計算。TensorCore功能是執(zhí)行融合乘法和加法的運算，其中兩個4*4FP16矩陣相乘，然后將結果添加到4*4FP32或FP64矩陣中，最終輸出新的4*4FP32或FP64矩陣。TensorCoreNVIDIAA100TensorCoreGPU安培構 NVIDIAA100TensorCoreGPU-SM單元TensorCore資料來源：各公司官網(wǎng)，尚普研究院結合公開資料整理繪制42資料來源：各公司官網(wǎng)，尚普研究院結合公開資料整理繪制42AI芯片：邊緣端場景—AIoT人工智能底層基礎邊緣端集成AI芯片可以實現(xiàn)本地化數(shù)據(jù)的實時處理人工智能底層基礎AIoT通過融合AI和IoT技術實現(xiàn)萬物智聯(lián)，其主要涉及到安防、移動互聯(lián)網(wǎng)等多樣化場景。在智慧安防方面，由于終端攝像頭每天產(chǎn)生大量的視頻數(shù)據(jù)，若全部回傳到云數(shù)據(jù)中心將會對網(wǎng)絡帶寬和數(shù)據(jù)中心資源造成極大占用。通過在終端加裝AI芯片，可實現(xiàn)數(shù)據(jù)本地化實時處理，即僅將經(jīng)過結構化處理、關鍵信息提取后帶有關鍵信息的數(shù)據(jù)回傳云端，大大降低網(wǎng)絡傳輸帶寬壓力。當前主流解決方案為前端攝像頭設備內(nèi)集成AI芯片，在邊緣端采用智能服務器級產(chǎn)品，后端在邊緣服務器中集成智能推理芯片。目前國內(nèi)外企業(yè)正在加大對邊緣端AI視覺處理芯片的研發(fā)和投入，相關芯片產(chǎn)品如英偉達JetsonAGXXavier、地平線旭日3、華為海思Hi3559AV100等。 前端 結構化分析攝像機智能網(wǎng)絡攝像機深度學習攝像機網(wǎng)絡攝像機AI芯片集成獨立AI芯片進行結構化分析運行深度學習算法提升檢出率廠商 前端 結構化分析攝像機智能網(wǎng)絡攝像機深度學習攝像機網(wǎng)絡攝像機AI芯片集成獨立AI芯片進行結構化分析運行深度學習算法提升檢出率廠商產(chǎn)品算力功耗英偉達TESLAP422TOPS50W/75W英偉達JETSONXAVIERNX21TOPS15W/20W地平線旭日35TOPS2.5W華為海思Hi3559AV1004TOPS3W酷芯微電子AR93414TOPS2WNVIDIAJetsonAGXXavierNVIDIAXavierNXAI芯片：終端場景—智能駕駛人工智能底層基礎隨著智能駕駛等級的提高，技術不斷迭代促使車用AI芯片性能逐步增強人工智能底層基礎SAE（國際自動機工程師學會）將自動駕駛劃分為六個級別：L0（非自動化）、L1（駕駛員輔助）、L2（部分自動化，如交通擁堵輔助和高級緊急制動+轉向）、L3（有條件自動化，如高速道路自動駕駛）、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開始每一級別均需要強大的算力進行實時分析，處理大量數(shù)據(jù)，執(zhí)行復雜的邏輯運算，對計算能力有著極高要求。每一級別自動駕駛汽車所需的芯片計算能力一般認為是：L3約為250TOPS，L4超過500TOPS，L5超過1,000TOPS。隨著芯片設計和制造工藝的提高，車用AI芯片正朝著高算力、低功耗的方向發(fā)展。全球主要車用AI芯片概覽功耗(W)1,000

Level3

Level4-5算力:640功耗:310100

Level2

算力:8

算力:30功耗:30

算力:72功耗:36算力功耗比:2

IntelMobilEyeEyeQ

算力功耗比:2.1HUAWEIAscend910

NVIDIADriveAtlan功耗:20算力功耗比:0.4TIJacintoTDA4

KalrayCoolidge

算力功耗比:1NVIDIADriveAGXXavier

TESLAFSD

UltraDriveOrin地平線

AmbarellaCV3算力:500功耗:50算力:1610 功耗

MobilEyeEyeQ5H

MobilEyeEyeQ6H

征程5

算力功耗比:10算力：0.256功耗：2.5算力功耗比：0.1MobilEyeEyeQ3MobilEyeEyeQ4H1

算力功耗比:1.6AmbarellaCV2

Hailo-8DLRenesasR-CARV4H0.1 1 10 100 1,000算力(TOPS)43AI芯片：終端場景—智能駕駛人工智能底層基礎預計到2025年，全球車用AI芯片市場規(guī)模將突破17億美元人工智能底層基礎隨著汽車控制方式逐漸由機械式轉向電子式，每輛汽車對車用AI芯片需求提升，帶動車用AI芯片長期發(fā)展。根據(jù)Yole預測，2025年全球車用AI芯片產(chǎn)量將達到67.19億顆，市場規(guī)模將達到17.76億美元，年復合增速分別達到99.28%和59.27%。此外，車用AI芯片逐漸往高能效方向發(fā)展，如英特爾2022年推出的EyeQUltra自動駕駛汽車芯片，基于經(jīng)過驗證的MobileyeEyeQ架構而打造，其含有8個PMA、16個VMP、24個MPC、2個CNNAccelerator視覺處理單元（VPU），通過優(yōu)化算力和效能以達到176TOPS，可滿足L4自動駕駛場景，該產(chǎn)品將于2023年底供貨，預計在2025年全面實現(xiàn)車規(guī)級量產(chǎn)。單位：百萬顆

2021-2025年全球車用AI芯片產(chǎn)量

6,719

MobileyeEyeQUltra芯片結構4,2824,2822,5274261,008LPDDR5xChannelsCPUSafetySecurityLPDDR5xChannelsCPUSafetySecurityGPUVPUISPGeneralComputeAccelerator4PMA78VMP712MPC7CACHEGeneralComputeAccelerator4PMA78VMP712MPC7CNNAccelerator8XNN7CNNAccelerator8XNN7資料來源：Yole,尚普研究院2021-2025年全球車用AI芯片市場規(guī)模13.0710.2913.0710.295.342.76

17.762021 2022e 2023e 2024e 2025e資料來源：Yole,尚普研究院

FastComms&VideoI/F 資料來：Mobileye網(wǎng)，尚研究院 44AI芯片：終端場景—消費電子人工智能底層基礎2026年全球消費電子AI芯片市場規(guī)模將突破55億美元人工智能底層基礎AI芯片在圖像識別、語音識別和快速建立用戶畫像等方面具有重要作用。根據(jù)Yole預測，2026年全球消費電子AI芯片市場規(guī)模將達到55.8億美元，其中筆記本電腦、平板電腦和智能手機AI芯片滲透率將分別達到100%、100%和91%，AI2021-2026年全球消費電子AI芯片市場規(guī)模及滲透率100% 100%

AppleM1Ultra內(nèi)部結構圖CPUCPUGPU MediaGPUMediaEngine單位：億美元87%95%單位：億美元87%95%91%70%70%85%89%83%67%72%61%53%53%61%42%46%50%54%32%44%21%36%55.830%50.824%45.520%36.126.721.8NeuralEngineM1ULTRAM1ULTRA2021 2022E 2023E 2024E 2025E 2026E智能手機 平板電腦 其他 筆記本電腦 智能手表 無線耳機資料來源：Yole，尚普研究院

MediaEngineMediaEngineNeuralEngineCPUGPU

晶體管數(shù)量1,140億顆CPU晶體管數(shù)量1,140億顆CPU20核GPU64核神經(jīng)網(wǎng)絡引擎32核統(tǒng)一內(nèi)存128GB深度學習開源框架人工智能底層基礎深度學習開源框架是AI算法開發(fā)的基礎工具人工智能底層基礎深度學習開源框架是AI算法模型設計、訓練和驗證的標準接口、特性庫和工具包，集成數(shù)據(jù)調(diào)用、算法封裝及計算資源的使用。國際上廣泛使用的深度學習開源框架包括GoogleTensorFlow、FacebookPyTorch、AmazonMXNet和微軟CNTK等。目前中國的深度學習開源框架主要包括百度PaddlePaddle、華為MindSpore等，已初步應用于工業(yè)、服務業(yè)等場景，服務200余萬開發(fā)者。TensorFlow是谷歌開發(fā)的用于深度學習或人工神經(jīng)網(wǎng)絡的開源軟件庫，支持語言有Python、C++、Java等。PyTorch由Facebook人工智能研究團隊開發(fā)，它支持CUDA技術，可以在訓練、分析和驗證神經(jīng)網(wǎng)絡模型中充分利用專用GPU的功能。支持語言有Python、C++等。Theano是專為深度學習而設計的Python庫，由蒙特利爾學習算法研究所開發(fā)，Python等。CNTKCNTK是由微軟研究院開發(fā)的深度學習框架，旨在使用神經(jīng)網(wǎng)絡來處理非結構化數(shù)據(jù)的大型數(shù)據(jù)集，支持語言涉及C++等。MXNet由卡內(nèi)基梅隆大學發(fā)起，后捐贈給Apache基金會，現(xiàn)成為AmazonAWS最主要的AI框架，支持語言有Python、C++、Java等。

華為推出昇思MindSpore，在全場景協(xié)同、可信賴方面有一定的突破;支持動態(tài)圖和靜態(tài)圖的轉換技術，可實現(xiàn)計算效率和靈活性的平衡。百度開發(fā)的PaddlePaddle飛槳深度學習框架，面向深度學習設計，支持語言有Python和C++等。曠視推出天元MegEngine，基于計算圖的深度神經(jīng)網(wǎng)絡學習框架，在訓練推理一體化方面深度布局，支持語言有C++和Python等。OneFlow是由北京一流科技開發(fā)的一款深度學習框架，是專門針對深度學習打造的異構分布式流式系統(tǒng)。Jittor是由清華大學團隊研發(fā)的完全基于動態(tài)編譯的深度學習框架，其內(nèi)部使用創(chuàng)新的元算子和統(tǒng)一計算圖的深度學習框架。

Github社區(qū)主流深度學習框架序號框架名稱序號框架名稱活躍度關注度貢獻人數(shù)1TensorFlow124,494163,0003,0562PyTorch43,39053,7002,1373Theano28,1279,5003524CNTK16,11617,1002015MXNet11,77619,8008686MindSpore37,3082,7002677PaddlePaddle33,75317,5005248MegEngine2,2824,100329OneFlow7,6213,0009910Jittor1,2662,30031資料來源：各開源框架官網(wǎng)，中國信通院《AI框架發(fā)展白皮書2022》，尚普研究院結合公開資料整理繪制46人工智能數(shù)據(jù)服務人工智能底層基礎數(shù)據(jù)服務以AI訓練與調(diào)優(yōu)為目的，涉及數(shù)據(jù)采集、標注與質(zhì)檢等環(huán)節(jié)人工智能底層基礎人工智能數(shù)據(jù)服務包括數(shù)據(jù)庫設計、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)標注與數(shù)據(jù)質(zhì)檢服務。整個數(shù)據(jù)服務流程圍繞客戶需求展開，最終產(chǎn)出產(chǎn)品以數(shù)據(jù)集和數(shù)據(jù)資源定制服務為主，為AI模型訓練提供可靠、可用的數(shù)據(jù)。隨著短視頻、直播、社交電商等應用快速興起，全球數(shù)據(jù)量快速增長。根據(jù)IDC預測，全球數(shù)據(jù)量將從2015年的9ZB增加到2025年的175ZB，為人工智能技術持續(xù)迭代提供重要底層基礎。

數(shù)據(jù)庫設計明確客戶需要的數(shù)據(jù)體系數(shù)據(jù)庫設計明確客戶需要的數(shù)據(jù)體系分析客戶需求設計數(shù)據(jù)概念、邏輯與物理結構數(shù)據(jù)埋點小樣本測試后續(xù)溝通與調(diào)優(yōu)180

175數(shù)據(jù)采集

以設計好的數(shù)據(jù)體系為采集標準以各類硬件設備或數(shù)據(jù)采集系統(tǒng)、爬蟲軟件等為采集工具采集對象分為一手數(shù)據(jù)與二手數(shù)據(jù)

16013110180131101806551413326169數(shù)據(jù)清洗數(shù)據(jù)預處理去除/補全缺失的數(shù)據(jù)去除/修改格式、內(nèi)容、邏輯有誤的數(shù)據(jù)去除無用數(shù)據(jù)數(shù)據(jù)關聯(lián)性驗證數(shù)量（ZB）120數(shù)量（ZB）10080數(shù)據(jù)標注數(shù)據(jù)質(zhì)檢為AI算法性能保駕護航

借助標注工具加工已清洗好的數(shù)據(jù)使用拉框、OCR、語義分割、語音轉寫、語音合成等技術可借助AI輔助，實現(xiàn)人機協(xié)作以質(zhì)量監(jiān)管制度為標準，把控各環(huán)節(jié)的人員行為與數(shù)據(jù)質(zhì)量,提高數(shù)據(jù)準確率可借助AI批量檢測能力與生物識別監(jiān)控能力資料來