人工智能行业研究框架：奔赴人工智能的星辰大海

作者：侠说发布时间：2023-08-18

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：