人工智能行业研究框架：奔赴人工智能的星辰大海
人工智能旨在利用计算机模拟和 执行各领域的智能任务
从日常生活中可以随处瞥见人工智能的影子
人脸识别打卡是一种快速、高效的考勤方式，相比传统的打卡方式，具有 以下优势： 1.准确率高：人脸识别技术可以在不同光线、角度、表情等情况下，准确 地识别员工的面部信息，避免了手工打卡时出现的误差和作弊行为。 2.安全性强：人脸识别技术通过人脸特征识别，确保只有正式员工才能进 行考勤，防止了非法人员的进入和作弊行为。 3.便捷性高：人脸识别打卡无需员工携带打卡卡片或密码，只需要站在识 别设备前进行识别即可，方便快捷。
智能推送是一种机器学习方法，可以识别和预测各种用户的兴趣或偏 好，从而有针对性地、及时地向用户主动推送所需信息，以满足不同 用户的个性化需求。
计算智能是人工智能的基础性功能，赋能产业领域较广
计算智能，通常指基于清晰规则的数值运算，比如数值加 减、微积分、矩阵分解等。 计算智能得益于计算机存储与硬件的快速发展，已给互联 网、金融和工业等多个领域带来产业价值。 计算智能也面临显著困境。以金融场景为例，计算智能受 限于指定的数据逻辑规则，虽计算智能可以高性能地计算 股票的统计特征，但无法运用专家知识，也难以进行深度、 动态和启发式的推理，对投资、博弈等业务贡献的价值有 限。计算智能所需的高性能硬件和网络支持等，也给企业 带来了巨大的成本压力。
认知智能在前两者基础上，提升了对各类信息的处理能力
认知智能需要具有对采集的信息进行处理、存储和转化的能力，在这一阶段需要运用计算智能、感知智能的数据清洗、 图像识别能力。 认知智能需要拥有对业务需求的理解及对分散数据、知识的治理能力。 认知智能需要能够针对业务场景进行策略构建和决策，提升人与机器、人与人、人与业务的协同、共享和博弈等能力。
算法是人工智能的灵魂所在
众所周知，计算机最擅长处理的是数字，所以我们可以将现实问 题抽象为数学问题，再让计算机帮我们解决。那么，其中的关键 就是找到能够准确翻译该问题的数据公式，一般是某个函数关系 f（x）。这个函数就叫做“算法/模型”。 既然我们知道算法本质就是函数，那么影响算法准确程度的因素 是什么？答案就是函数的参数。而机器学习的本质就是它是一种 可以通过反复带入数据从而自主调整参数的人工智能算法之一。 机器学习不是某种具体的算法，而是很多算法的统称。机器学习 下的算法纷繁复杂，从学习方法上来分，机器学习又可以分为传 统机器学习（监督学习、无监督学习、半监督学习）、深度学习 和强化学习等等。
数据是人工智能发展的土壤
数据是人工智能成长的能源。人工智能的自我调整与学习的过 程，本质上是对大量数据进行分析并找出规律，如无人车需要 大量的试车数据不断地测试算法，并在业务场景上形成自我改 进的反馈系统。可见如果没有数据的场景不可能实现人工智能， 数据就是人工智能的引爆点。 数据是人工智能结果准确的可靠性保证。对于人工智能结果的 可靠性，数据要素的丰富性和准确性是关键，只有数据要素充 分、准确，才能提高人工智能结果的准确性。 数据是人工智能应用的创新基础。在数据要素基础上，人工智 能应用可以进行跨学科的整合，辅助解决大量的实际问题，如 金融预测、物流运输、医疗诊断等，从而推动了各个领域的创 新发展。
人工智能发展已历经三次浪潮
AIGC 是从早期的“决策型”AI发展演化而来
AIGC（ 生成式AI ）起源于“决策型”AI，决策型AI 发展过程中的技术积累为生成式AI的产生奠定基础。决策型AI其学习的知识局限于数据本身；生成式AI在总结归纳数据知识的基础上可生成数据中不存在的样本 。最新生成式AI技术如GAN，Diffusion等，催生多款AIGC产品如：OpenAI系列、DALL·E2(Diffusion)，Starry A.I.(基于GAN)等。
以ChatGPT为例，其也是基于NLP模型逐步进化而来
GPT模型是一种自然语言处理（NLP）模型，使用多层变换器（Transformer）来预测下一个单词的概率分布，通过训练在大 型文本语料库上学习到的语言模式来生成自然语言文本 。从 GPT-1 到 GPT-3 智能化程度不断提升，ChatGPT 的到来也是 GPT-4 正式推出之前的序章。
算力是人工智能的基础设施，算 法是人工智能的灵魂
算力提升有极强的经济效益
算力的经济效益使其成为各国政策支持的重点。 根据清华大学全球产业院与浪潮信息联合发布的《2021-2022全球计算力指数评估报告》，通过对全球15个重点国家的计算力指数与数字经济 及GDP的回归分析，得到15个重点国家的计算力指数平均每提高1点，国家的数字经济和GDP将分别增长3.5‰和1.8‰ 。 进一步研究发现，当一个国家计算力指数分别达到40分及60分以上时，计算力指数每提升1点，其对GDP增长的推动力将分别增加到1.5倍及3 倍。 智能算力提升具备重大经济效益，对算力基础设施发展的支持性政策成为各国政策的重点。
AI 数据中心需求激增，AI 服务器快速放量
大模型的出现和技术创新对AI数据中心的发展起到推动作用 。大模型的出现带来了算力的增量需求 。根据 OpenAI 发布的有关 GPT-3模型的文档，它包含 1750 亿个参数，需 要进行数千万次的计算操作来完成一次推理任务。 ChatGPT 的总算力消耗约为 3640PF-days，需要7~8 个投资规模 30 亿、 单体算力 500P 的数据中心才能支撑运行，这样的规模和复杂性需要高 性能的计算设备和大规模的并行计算能力，带动了 AI 数据中心需求的增 长。新的处理器架构、高速网络、存储技术以及更高效的冷却和能源管理系 统的出现，提升了数据中心的性能和效率，为 AI 数据中心的发展提供了 技术支持。
AIGC拉动AI算力需求，AI芯片将成为未来科技石油
基于APU架构的MI300预计于年底开始应用于超级计算机。随着AI 进入“大模型”时代，训练数据不断增长、算法复杂度不断提高，国内人工智能厂商对算力的需求陡升。AI芯片作为大模型及AI应用落 地的算力基础，重要性日益凸显。 广义的AI芯片指专门用于处理人工智能应用中大量计算任务的模块，即面向人工智能领域的芯片均被称为AI芯片。狭义的AI芯片即针对人工智 能算法做了特殊加速设计的芯片。狭义的AI芯片与传统芯片（如CPU）相比，性能优势主要体现在专用性的侧重上。
来源：国泰君安
报告内容节选如下：
资料下载方式：公众号《侠说》