本期的智能内参，我们推举尚普咨询的报告《2022年环球人工智能家当研究报告》，揭秘人工智能的发展前沿。

来源 尚普咨询

原标题：

《2022年环球人工智能家当研究报告》

作者：孙硕 宿硕 刘宇 张祎 周文青

一、人工智能家当概况

近年来，人工智能技能得到快速发展，其对经济社会发展以及生产生活办法变革将产生重大影响。
环球范围内美国、欧盟、英国、日本、中国等国家和地区均大力支持人工智能家当发展，干系新兴运用不断落地。
根据Deloitte报告预测，环球人工智能家当规模从2017年的6,900亿美元增长至2025年的64,000亿美元，2017-2025年复合增长率32.10%，呈现较快增长走势。

2017-2025年环球人工智能家当规模

投融资方面，环球人工智能投资市场近年来快速发展，整体融资规模从2015年的63亿美元增长至2021年的668亿美元。
2021年环球医疗AI融资规模较高达到122亿美元，金融科技AI融资规模为39亿美元，零售AI融资规模为37亿美元。

2015-2021年环球AI融资规模和融资数量

2015-2021年环球医疗AI融资规模和融资数量

2015-2021年环球金融AI融资规模和融资数量

2015-2021年环球零售AI融资规模和融资数量

尚普研究院根据CB Insights数据统计，环球现有人工智能企业超过11,000家，累计融资总额超过2,500亿美元。
个中，美国拥有AI干系企业达到4,171家，累计融资金额达到1,601.9亿美元，在公司数量和融资规模上均位居天下首位；中国拥有1,275家AI公司，融资总金额为470.7亿美元，位居天下第二位。
英国、印度、加拿大等国家也各自拥有百余家AI公司，AI企业数量排名前10位的国家占环球总数的78.3%，累计融资金额则达到环球总额的95%，AI企业和融资活动集中在美、中、英等国家。

环球紧张国家AI企业数量与累计融资规模

尚普研究院将处于环球人工智能家当链中的范例上市公司进行整理，名单中以具备综合实力的科技巨子为主，国外如Google、Amazon、Microsoft等，海内如百度、阿里巴巴、腾讯等。
此外，海内的商汤、科大讯飞等具有强技能属性的AI公司受关注度较高。

环球人工智能家当链紧张上市企业名单

二、AI芯片，广泛运用于云、边、端各种场景

AI芯片(AI Chip)：专门用于处理人工智能干系的打算任务，其架构针对人工智能算法和运用进行专门优化，具有高效处理大量构造化和非构造化数据的特色，可高效支持视觉、语音、自然措辞处理等智能处理任务。
当前AI芯片类型紧张涉及GPU、FPGA、TPU、IPU、DPU、NPU等种别。
从运用处景来看，AI芯片广泛运用于云端、边缘端、终端等各种场景，个中云端AI芯片具备高性能特色，终端AI芯片具有低功耗和高能效特性，而边缘端AI芯片性能介于云端和终端之间。

目前，评价AI芯片性能的指标紧张包括：TOPS、TOPS/W、时延、本钱、功耗、可扩展性、精度、适用性、吞吐量、热管理等。
个中，TOPS/W是用于度量在1W功耗的情形下,芯片能进行多少万亿次操作的关键指标。
近年来，MIT、Nvidia等研发职员开拓专门的芯片软件评价工具对付AI芯片的性能做出了系统、全面评价，如Accelergy（评估芯片架构级能耗）、Timeloop（评估芯片运算实行情形）等。
MLPerf是由来自学术界、研究实验室和干系行业的AI领导者组成的同盟，旨在“构建公正和有用的基准测试”，可用于衡量深度学习软件框架、AI芯片和云平台性能。

CPU作为通用途理器，包含掌握单元（指令读取及指令译码）、存储单元（CPU片内缓存和寄存器）及运算单元（ALU约占20%CPU空间）三个紧张模块，但受制于本钱/功耗/技能难度/算力瓶颈等问题，目前仍未涌现适配AI高算力哀求的主流CPU产品。
GPU是一种由大量核心组成的大规模并行打算架构，拥有较多运算单元（ALU）和较少缓存（cache），是一款专为同时处理多重任务而设计的芯片，具备良 好的矩阵打算能力和并行打算上风，能知足深度学习等AI算法的处理需求，成为主流云端AI芯片。

英伟达A100芯片为多个SM单元(Streaming Multiprocessors，流式多处理器)构成的并发多核处理器，不同SM单元共享L2 Cache存储资源进行数据访存，A100的安培架构中有128个SM核，SM构造是芯片架构升级的核心。
Tensor Core是英伟达GPU架构中专为深度学习矩阵运算设置的张量打算单元，是英伟达GPU系列深度学习运算加速的核心。
Tensor Core处理的是大型矩阵运算，其实行一种专门的矩阵数学运算，适用于深度学习和某些类型的高性能打算。
Tensor Core功能是实行领悟乘法和加法的运算，个中两个44 FP16矩阵相乘，然后将结果添加到44 FP32或FP64矩阵中，终极输出新的44 FP32或FP64矩阵。

AIoT通过领悟AI和IoT技能实现万物智联，其紧张涉及到安防、移动互联网等多样化场景。
在聪慧安防方面，由于终端摄像头每天产生大量的视频数据，若全部回传到云数据中央将会对网络带宽和数据中央资源造成极大占用。
通过在终端加装AI芯片，可实现数据本地化实时处理，即仅将经由构造化处理、关键信息提取后带有关键信息的数据回传云端，大大降落网络传输带宽压力。
当前主流办理方案为前端摄像头设备内集成AI芯片，在边缘端采取智能做事器级产品，后端在边缘做事器中集成智能推理芯片。
目前国内外企业正在加大对边缘端AI视觉处理芯片的研发和投入，干系芯片产品如英伟达Jetson AGX Xavier、地平线朝阳3、华为海思Hi3559A V100等。

随着智能驾驶等级的提高，技能不断迭代匆匆使车用AI芯片性能逐步增强。
SAE（国际自动机工程师学会）将自动驾驶划分为六个级别：L0（非自动化）、L1（驾驶员赞助）、L2（部分自动化，如交通拥堵赞助和高等紧急制动+转向）、L3（有条件自动化，如高速道路自动驾驶）、L4（高度自动化，如城市自动驾驶）和L5（完备自动化，如全场景自动驾驶）。
从L3开始每一级别均须要强大的算力进行实时剖析，处理大量数据，实行繁芜的逻辑运算，对打算能力有着极高哀求。
每一级别自动驾驶汽车所需的芯片打算能力一样平常认为是：L3约为250TOPS，L4超过500TOPS，L5超过1,000TOPS。
随着芯片设计和制造工艺的提高，车用AI芯片正朝着高算力、低功耗的方向发展。

环球紧张车用AI芯片概览

估量到2025年，环球车用AI芯片市场规模将打破17亿美元。
随着汽车掌握办法逐渐由机器式转向电子式，每辆汽车对车用AI芯片需求提升，带动车用AI芯片长期发展。
根据Yole预测，2025年环球车用AI芯片产量将达到67.19亿颗，市场规模将达到17.76亿美元，年复合增速分别达到99.28%和59.27%。
此外，车用AI芯片逐渐往高能效方向发展，如英特尔2022年推出的EyeQ Ultra自动驾驶汽车芯片，基于经由验证的Mobileye EyeQ架构而打造，其含有8个PMA、16个VMP、24个MPC、2个CNN Accelerator视觉处理单元（VPU），通过优化算力和效能以达到176TOPS，可知足L4自动驾驶场景，该产品将于2023年底供货，估量在2025年全面实现车规级量产。

2021-2025年环球车用AI芯片产量

2021-2025年环球车用AI芯片市场规模

AI芯片在图像识别、语音识别和快速建立用户画像等方面具有主要浸染。
根据Yole预测，2026年环球消费电子AI芯片市场规模将达到55.8亿美元，个中条记本电脑、平板电脑和智好手机AI芯片渗透率将分别达到100%、100%和91%，未来环球消费电子AI芯片市场规模和渗透率呈现逐步增长态势。

2021-2026年环球消费电子AI芯片市场规模及渗透率

三、人工智能趋势展望1、前沿技能

Transformer模型:由Google的Ashish Vaswani等人和多伦多大学的Aidan N.Gomez于2017岁首年月次提出，是一种基于自把稳力机制（在Transformer模型中起根本浸染，可减少对外部信息的依赖,更善于捕捉数据或特色的内部关系，优化模型演习结果）的深度学习模型，该模型紧张由编码器和解码器构成，模型本身并行度较高，在精度和性能上均要优于传统的循环神经网络（RNN）和卷积神经网络（CNN）。
Transformer模型在大略措辞问答和措辞建模任务上有着较好表现。
Transformer模型仍存在一些不敷，如对局部信息的获取能力弱于RNN和CNN、不能很好表征单词的位置信息、顶层梯度消逝等问题。

Transformer模型

BERT模型:由Google于2018年提出，是基于Transformer Encoder构建的一种模型。
模型基本思想：给定高下文来预测下一个词。
BERT模型架构是由多接口组成的Transformer编码器层，即全连接神经网络增加自把稳力机制。
对付序列中的每个输入标记，每个接口打算键、值和查询向量，干系向量用于创建加权表示，合并同一层中所有接口输出并通过全连接层运行。
每个层利用跳跃连接进行包装，之后将层归一化处理。
BERT模型传统事情流紧张包含预演习和模型微调两部分，个中预演习环节涉及MLM和NSP两个半监督任务；模型微调环节包含一个或更多全连接层，常日增加到终极编码器层的顶部。
BERT模型已集成在谷歌搜索中，并提升10%的查询准确率。

BERT模型(Bidirectional Encoder Representation from Transformer)

ViT模型(Vision Transformer):由Google公司Alexey Dosovitskiy等人在2021年提出，其事理是将原来用于NLP领域的基于自把稳力机制的Transformer模型运用于打算机视觉领域。
比较于传统CNN算法，ViT模型在大数据集上识别率更高、本钱更低。
ViT模型的基本事理：1）将图片切分为相同大小的块，每个块可以看做一个“单词”；2）每个块经由线性投射层（全连接层）的操作得到位置编码（图像分类问题转化为NLP问题）；3）将线性投射后的图像块输入由L层Transformer模型构成的编码器；4）输出结果经由多层感知机（MLP）得到终极分类结果。
目前，ViT已发展出多种改进模型，在打算机视觉物体检测等方面具有很大运用潜力。

ViT模型(Vision Transformer)

自监督学习(Self-supervised Learning):旨在对付无标签数据，通过设计赞助任务来挖掘数据自身的表征特性作为监督信息，来提升模型的特色提取能力，将无监督问题转化为有监督问题的方法。
赞助任务是自监督学习最关键内容，目前紧张包括自然措辞处理NLP和打算机视觉CV两大类任务。
个中，自然措辞处理包括单词预测、句子序列预测、词序列预测；打算机视觉包括图像任务、视频任务等。
著名AI科学家Yann Lecun曾经提出，如果将人工智能比作一块蛋糕，蛋糕的大部分是自监督学习，蛋糕上的糖衣是监督学习，蛋糕上的樱桃是强化学习，自监督学习在人工智能领域霸占主要地位。

自监督学习(Self-supervised Learning)

类脑打算(Brain-Inspired Computing):又称神经形态打算，是借鉴生物神经系统信息处理模式和构造的打算理论、体系构造、芯片设计以及运用模型与算法的总称。
类脑打算可仿照人类大脑信息处理办法，以极低的功耗对信息进行异步、并行、高速和分布式处理，并具备自主感知、识别和学习等多种能力，是实现通用人工智能的路子之一。
2020年10月，清华大学张悠慧等人在Nature杂志揭橥论文,首次提出“类脑打算完备性”，补充类脑研究完备性理论与相应系统层次构造方面的空缺。
类脑打算技能的发展将推动图像识别、语音识别、自然措辞处理等前沿技能的打破，有望推动新一轮技能革命。

类脑打算(Brain-Inspired Computing)

AI大模型(Foundation Models):是指经由大规模数据演习且在经微调后即可适应广泛下贱任务的模型。
随着参数规模不断扩大，AI大模型在措辞、视觉、推理、人机交互等领域呈现出新能力。
由于各种AI大模型可有效运用于多种任务，各种AI大模型同质化特色愈发明显。
伴随2017年Transformer模型的提出，深度学习模型参数数量打破1亿个。
此后，模型参数数量迅速增长，个中BAGUALU模型于2021年7月发布，参数规模已达到174万亿个。
模型参数规模的增大，有助于进一步提高模型的运算精度。
AI大模型的运用向多个运用处景供应预演习方案，其利用的自监督学习方法也可减少标注数据的利用，降落演习研发本钱。
详细而言，AI大模型在医疗和生物医药、法律和教诲等领域拥有广阔运用前景。

AI大模型(Foundation Models)

2、家当领悟

元宇宙（Metaverse）：实质上是对现实天下的虚拟化、数字化过程，其紧张包括根本举动步伐、人机交互、空间打算等七层架构，个中打算机视觉、AI芯片和嵌入式AI等人工智能技能及根本举动步伐共同助力元宇宙加速落地。
元宇宙涵盖芯片、云打算、技能平台、通信、智能设备、内容做事等弘大生态系统。
当前环球科技企业纷纭投入到元宇宙培植热潮中，如Nvidia、Meta、Microsoft等科技巨子及海内企业推出元宇宙办理方案，运用于办公、娱乐、设计等领域。

元宇宙七层经典架构（The Seven Layers of the Metaverse）

人工智能与生命科学：AlphaFold是由谷歌旗下DeepMind团队基于深度学习算法的蛋白质构造预测的人工智能系统，其被视作人工智能深入到生物领域的一大打破。
目前AlphaFold已对98.5%的人类蛋白质构造做出预测，此外还对付大肠杆菌、果蝇、斑马鱼、小鼠等研究时常用生物的蛋白质构造进行预测。
DeepMind与欧洲生物信息研究所（EMBL-EBI）联合发布由AlphaFold预测的蛋白质构造数据库—AlphaFold Protein Structure Database，该数据库已包含约35万个蛋白质构造。

人工智能与新冠疫情：Eva是用于检测入境乘客新冠病毒的强化学习系统，其由美国南加州大学、美国宾夕法尼亚大学、AgentRisk以及希腊干系专家互助开拓。
2020年，Eva系统被支配到希腊所有入境口岸（机场、港口、车站等），用于识别限定新冠无症状乘客入境。
借助Eva系统，希腊每天对抵达或途经该国大约41,000户家庭中约17%职员进行检测。
通过比较，Eva创造传染的旅行者比原来严格按照其国籍检测的办法多1.25-1.45倍。
与随机检测比较，Eva在旅游旺季创造传染的旅行者是前者的4倍，非旅游旺季的结果是随机检测的1.85倍，取得良好检测效果。

人工智能与半导体：功耗、性能和面积（PPA）是芯片设计中的三个主要优化指标。
为使PPA优化结果更佳，同时为应对芯片安全性需求提升、设计规模攀升及工艺节点微缩等趋势，EDA厂商开始利用AI技能办理半导体芯片设计问题。
在EDA中，数据快速提取模型、布局和布线、电路仿真模型、PPA优化决策等环节均有AI技能参与。
AI运用于EDA紧张有两种形式：1）运用于EDA工具以优化单一芯片设计环节，如Google、西门子EDA；2）运用于整体芯片设计流程优化,如Cadence、Synopsys。
此外，华大九天、台积电等公司亦将AI纳入芯片生产各个环节。
将AI与芯片设计事情结合，不仅有助于开释人力本钱、提升事情效率，还将进一步弱化人在个中的浸染，乃至可能改变EDA家当格局。

EDA企业AI技能运用案例

人工智能与碳中和：自2015年第21届联合国景象变革大会后，碳中和已成为环球共识。
当前，碳中和已得到环球超过40个国家和地区承诺，个中大部分国家宣告将于2050年旁边实现碳中和目标。
从整体来看，人工智能将从预测、监测、优化三大环节助力碳中和，如预测未来碳排放量、实时监测碳足迹、优化事情流程等。
根据BCG数据，到2030年人工智能的运用有望减少26-53亿吨二氧化碳排放量，占环球减排总量5-10%。
从行业来看，人工智能在不同领域及不同环节发挥主要浸染，其紧张在城市、制造、汽车、电力四大领域助力“碳中和”。

人工智能与冬奥会：2022年2月，第24届冬季奥林匹克运动会成功在北京举办。
人工智能技能在冬奥会开幕式、比赛项目、运动员演习等多个场景实现运用，助力科技冬奥目标实现。
Intel打造的3DAT技能，一方面可以帮助教练员提出科学演习操持，有效提升运动员演习效率，同时还可以在开幕式中实现与演员互动效果；商汤科技为冬奥会冰壶比赛打造的“冰壶运动轨迹捕捉”技能，实现对冰壶检测追踪和轨迹捕捉。
未来，人工智能与体育赛事、体育运动的领悟程度将逐步加深。

3、热点问题

人工智能家当发展的路径探究：结合人工智能家当特点，梳理出“创新投入—科研成果—商业化落地”的发展路径。
个中，创新投入紧张涉及人才投入、成本投入和要素投入；科研成果涵盖论文、开源软硬件和专利；商业化落地包含AI产品、AI办理方案和AI平台。
当古人工智能家当从投入端到科研成果端发展较快，人工智能在学术研究领域不断取得打破。
但另一方面，人工智能从技能成果到商业化落地环节仍面临诸多寻衅，如算法演习的通用性不强、泛化能力不强、商业化本钱较高、干系家当及企业对付人工智能技能接管程度不高档问题，须要不断从政策机制、技能发展以及管理层不雅观念等方面不断完善，才能终极推动人工智能在商业化方面实现快速发展。

热点问题：伦理与安全：随着人工智能技能的高速发展与遍及运用，由其产生的伦理与安全问题日益受到关注。
人工智能不但延续信息技能的伦理问题，又因深度学习算法具有不透明、难阐明、自适应、利用广泛等特色而在基本人权、社会秩序、国家安全等方面产生新问题。
人工智能范例伦理问题包括：威胁公民生命安全、算法歧视、威胁隐私权、影响公民知情权和监督权、虚假信息泛滥、毁坏市场竞争环境、引起权力构造变革、影响劳动者权柄、AI武器威胁天下和平等问题。
目前，环球人工智能管理尚处于初期探索阶段,各国正加大人工智能领域的管理力度，出台人工智能伦理干系制度，以预防AI在运用过程中产生的风险。
未来，环球人工智能管理将由准则向操作指南、行业标准等层面逐步深入，加快构建人工智能国际管理体系。

就业：人工智能将通过改变劳动分工与人力成本代价构造深刻影响就业市场。
AI与劳动力就业关系包含三个方面：1）当AI本钱低于劳动力人为水平、且产品附加值又不敷以填补用工本钱时，AI运用将直接替代相应劳动岗位；2）AI运用补充劳动者无法胜任的岗位，既可降落缺点率，提高产品质量，也可保护人身安全和康健；3）AI运用催生新事情岗位，AI带光降盆生活办法的变革与社会效率的提高，全社会产能实现跃升，进一步产生新事情岗位。
天下经济论坛发布的《2020未来就业报告》估量，到2025年，机器可能会取代8,500万个事情岗位，在AI推动下经济增长会产生9,700万个新岗位。
随着AI技能发展，事情岗位、员工技能和任务类型将重塑，就业替代呈现行业性特色，总体就业岗位数量仍将上升。

国家间技能限定：当前，开源深度学习框架、开源工具集、开源运用软件快速发展，国际间AI技能互换不断深入，但部分国家和政府间组织为保持自身AI技能上风，限定AI技能互换。
如美国在2021年6月发布《创新与竞争法案》，在AI、无人机、芯片等多个领域限定与中国互助；美国商务部于2019年10月和2020年5月将商汤科技、科大讯飞等多家中国AI公司加入实在体清单，履行投资限定；2022年白宫修订“关键和新兴技能（CET）清单”，对AI技能详细分类并实施技能封锁。
欧盟则于2021年9月通过最新出口牵制法规，内容涵盖人脸识别等AI技能。
上述干系政策与未来人工智能发展趋势背道而驰，不利于各国开展技能互助。

智东西认为，人工智能在60多年的发展过程中经历了几度起落。
近年来，移动互联网高速发展带来的海量数据、深度学习算法的持续发展等共同推动人工智能技能在多个领域取得打破，与之前技能革命中的蒸汽机、电力等新技能比较，人工智能对经济社会的影响将更具颠覆性，成为新一轮科技革命和家当变革的主要驱动力量。