研究報告核心摘要：近年來，在數字經濟高速發展的背景下，人工智能技術及產品在企業設計、生產、營銷等多個環節中均有滲透且成熟度不斷提升，AI應用從消費、互聯網等泛C端領域，向制造、電力等傳統行業輻射。據艾瑞預測，2021年人工智能核心產業規模預計達到1998億元，2026年將超過6000億元，2021-2026年CAGR=24.8%。計算機視覺仍是AI技術賽道中貢獻最大的市場，AI芯片則作為底層的算力支撐獲得高速發展，其在預測時間內年的復合增長率維持在40%以上。在AI商業化的探索之路上，我們從需求側觀察到各行各業以高頻高價值場景為落點做持續的AI泛化，愈多業務場景的泛化升級將帶來企業AI應用的數據連通與業務協同等加成效應，反哺加速企業的智能化轉型進程。而從供給側看，AI企業在過去一年中紛紛加快上市動作，多家企業已在2021年成功實現上市。趨勢演變上，可信AI在監管合規與商業內驅的合力下成為人工智能產業的發展趨勢與研究重點，而大小模型云-邊-端協同發展模式有望改善大模型在訓練推理以及后續的落地中面臨的卡點。同時，AI工程化有望打通AI全鏈路管理能力，助力AI企業實現落地賦能與商業變現的雙贏。

人工智能產業化發展進程技術能力創新、應用規模突破、產業地位跨越隨著2016年AlphaGo戰勝人類棋手，開啟了新一波人工智能浪潮，人工智能技術及產業進入加速發展期；2021年DeepMind團隊開源AlphaFold2數據集，其利用人工智能技術解決蛋白質結構預測問題，供全世界科研人員使用。AI技術應用于生物領域取得的前瞻性進展有力推動了生命科學發展，也代表隨著AI算力提升及算法的不斷突破創新，AI技術在各行業領域的增量式技術改進、系統性前瞻性研發等重要產業改造環節提供價值。人工智能產業化進程發展至今，已逐步從AI技術與各行業典型應用場景融合賦能階段向效率化、工業化生產的成熟階段演進。數字經濟的華章企業云端遷移進程加速，數字經濟高速發展數字經濟是以數據為關鍵生產要素、以現代信息網絡為重要載體、以數字技術應用為主要特征的經濟形態。發展數字經濟，將打通供應鏈上下游、產業鏈的不同環節與服務鏈的各個節點，通過產業的數字化升級，實現效率變革、動力變革、質量變革，助力新發展格局的形成與發展。近年來，我國數字經濟發展迅速，2020年我國數字經濟規模為39.2萬億元，占GDP比重達到38.6%。在我國“十四五規劃”中，國家也首次明確提出要將數字經濟核心產業增加值占GDP比重由2020年的7.8%提高到10%。未來，隨著網絡傳輸速度，海量數據積累，云計算、人工智能、物聯網等代表性技術的成熟，數字經濟將在各行業開啟更大的想象空間。數字經濟下的人工智能產業升級AI成為數字經濟時代的核心生產力，驅動數字經濟縱深發展2021年3月我國十四五規劃綱要出臺，提出“打造數字經濟新優勢”的建設方針并強調了人工智能等新興數字產業在提高國家競爭力上的重要價值。規劃綱要指出要充分發揮海量數據和豐富應用場景優勢，促進數字技術與實體經濟深度融合，賦能傳統產業轉型升級，以數據驅動生產過程優化，催生新產業、新業態、新模式。數字經濟的高速發展為人工智能發展創造了良好的經濟與技術環境，且人工智能作為關鍵性的新型信息基礎設施，也被視為拉動我國數字經濟發展的新動能。隨著新基礎設施計劃的實施、消費互聯網的升級和產業互聯網的發展，人工智能科技產業開始步入全面融合發展的新階段。人工智能助力產業經濟價值實現人工智能于各環節提升經濟生產活動效能近年來，人工智能技術及產品在企業設計、生產、管理、營銷、銷售多個環節中均有滲透且成熟度不斷提升。同時，隨著新技術模型出現、各行業應用場景價值打磨與海量數據積累下的產品效果提升，人工智能應用已從消費、互聯網等泛C端領域，向制造、能源、電力等傳統行業輻射。以計算機視覺技術主導的人臉識別、光學字符識別（OCR）、商品識別、醫學影像識別和以對話式AI技術主導的對話機器人、智能外呼等產品的商業價值已得到市場充分認可；除感知智能技術外，機器學習、知識圖譜、自然語言處理等技術主導的決策智能類產品也在客戶觸達、決策支持等企業業務核心環節體現價值。人工智能產業發展將打開新一輪城市與區域競爭變局人工智能產業發展也打開了新一輪的城市與區域競爭變局。根據中國新一代人工智能發展戰略研究院2018-2021年針對區域人工智能科技產業競爭力評價指數的追蹤研究表明，2021年長三角總評分首次超過京津冀位列第一。人工智能和實體經濟融合發展進程的加速和北方人工智能科技產業創新資源的“南移”是改變區域競爭力發展格局的重要因素。因此，各區域應加速補全人工智能及面向各行業的產業鏈、積極建設示范性智慧應用場景、前瞻布局人工智能相關標準及管理體系、推動公共研發等資源共享、強化科研與人才培育建設等以把握人工智能產業發展的重大歷史機遇。人工智能產業規模視覺市場筑起主要版圖，AI芯片是增速的重要拉力人工智能產業正從發展期向成熟期過渡，除AI芯片外的細分技術賽道產業已跨過高速增長期，步入了穩步增長階段。2021年，人工智能預計達到1998億元規模，2026年將超6000億元。計算機視覺仍是貢獻最大的市場，但隨著下游各方數字化發展的意識不斷加強，其對數據這一AI模型生產要素的要求在不斷變高，采購含有機器學習技術的數據類產品的需求暴露與凸顯，在一定程度上帶動了機器學習市場；此外，AI芯片作為人工智能產業的關鍵硬件，其2021-2026年的CAGR在40%以上，是拉動整體產業核心規模增速與帶動規模增速的重要拉力。人工智能產業圖譜機器學習：廠商的數據與應用業務補全數據治理與ML應用開發將逐漸走向一體化2021年，中國機器學習核心產品的市場規模為275億元，帶動規模為1089億元，核心規模2021-2026年CAGR=20.6%。ML應用廠商補全數據治理業務、數據治理廠商補全ML應用開發業務成為了一大發展趨勢。機器學習應用廠商在進行決策智能應用開發時，往往面臨模型與數據無法拉齊的問題，所以需要溯源到前置環節，從一開始就把數據治理的工作做好，構建模型特有的數據資產。數據治理廠商完成數據治理后，本就對客戶的業務數據有了深入了解，能夠較為順利地進入到下一輪的模型開發業務中，且模型應用開發可增加新的業務收入，故不少數據治理廠商投身于ML應用部署的業務中。知識圖譜：行業落地情況剖析深耕業務，持續迭代，注重可落地性，克服雙重卡點2021年，中國知識圖譜核心產品的市場規模為107億元，帶動規模為412億元，核心規模2021-2026年CAGR=22.5%。在行業知識圖譜的推進過程中，供應商會面臨業務與技術上的卡點。業務方面，供應商團隊常面臨行業理解不到位、產品化封裝難、客戶期望過高等問題；而在技術方面，客戶的底層運算基礎設施欠缺、部分數據敏感度高的行業數據集缺失、知識圖譜這類二維鏈接的圖數據存在存儲困難是普遍問題。對此，供應商需持續深入業務，形成知識圖譜模型持續迭代的生產閉環，并注重產品化與工程化的可落地性，避免一味地投入高額成本卻生產出智能化高、業務吻合度低的低效模型。自然語言處理：金融NLP商業生態圈探討銀行對NLP公司具有依賴性，雙方互惠共存2021年，中國NLP核心產品的市場規模為171億元，帶動規模為450億元，核心規模2021-2026年CAGR=24.8%。以銀行為主體的金融機構在外采NLP相關產品時，一般都會帶著自研的目的。其采購NLP公司的產品或解決方案，對項目中的技術、經驗等進行學習與吸納，從而服務自身。這就會讓部分NLP公司陷入疑問：銀行若是學會了技術，自給自足，自己要如何保證市場份額與增量空間。事實上，銀行是離不開NLP公司的。由于體制與文化的局限性，銀行難以直接將身份過渡為NLP產品的供應商，其往往會成立一個需要持續對外學習新技術的第三方公司，或者投資、成立一些NLP公司，以保證經濟安全、便捷有效的NLP產品更新替代，以及在眾多銀行中的業務競爭力。因此，垂直領域的NLP公司不必過于焦慮，其應繼續深耕領域內的技術與業務實力，保證自己的能力領先，才能夠持續對銀行輸出，保有自己的“蛋糕”。智能語音與對話式AI：產品價值持續延伸對話式AI的價值邊界不斷拓寬，以交互為入口深化AI賦能2021年，中國對話式AI產品的核心產品市場規模達到80億元，帶動規模為728億元，核心規模2021-2026年CAGR=27.0%。對話式AI最早依托于智能語音技術和簡單的自然語言理解能力，實現機器與人類簡單的問答交互，而后逐步承載知識庫和知識圖譜等知識工程，并融合情感計算模型，讓機器同時具備一定知識背景支撐和情緒感知能力。此時對話式AI產品智能性已然凸顯，可應用在營銷客服等領域幫助或替代人類完成大量重復性工作。未來對話式AI的產品邊界將進一步擴大，以對話式AI為入口，以NLP和知識圖譜等認知能力為底座，泛化賦能營銷洞察、輿情監督等更多應用場景。計算機視覺：Transformer與CNN模型的跨界融合大規模預訓練與Transformer模型“跨界”融合推動計算機視覺技術進一步革新2021年，中國計算機視覺核心產品的市場規模為990億元，帶動規模為3079億元，核心規模2021-2026年CAGR=17.4%。計算機視覺作為商業化程度最高、應用場景最廣的人工智能賽道，從技術層面來看，在分類、定位、檢測、分割等基本語義感知研究任務上已經取得很好的表現，在真實場景中也能夠較好應對實戰考驗。在訓練模型上，人工智能技術正呈現“大一統”趨勢，在自然語言理解領域大放異彩的Transformer模型框架正在逐步拓展至計算機視覺模態，未來數年內我們很可能會看到Transformer與CNN相結合的混合模型架構成為視覺任務的主導模型，用以達到降低模型結構的復雜性并提升模型的可擴展性和訓練效率的目的。AI芯片：“新需求”下的人工智能計算中心提高AI算法和AI技術落地效率，商業價值初見端倪2021年，中國AI芯片市場規模為297億元，預計2026年超過1900億元，2021-2026年CAGR=45.2%。以GPU、ASIC、FPGA為代表的AI芯片被廣泛應用于云計算、AIDC、安防、自動駕駛、移動終端等領域，高效支撐AI技術落地應用，成為了AI算力突破的新增長點。而涵蓋系統級AI芯片、異構智能計算服務器以及人工智能計算中心（AIDC）等的智能計算集群，可高效提供支撐AI模型開發、訓練或推理的算力資源，并降低總擁有成本。AIDC既可以提高AI算法的產能，又可以提升AI技術落地效率，從算力底層實現的AI適配為人工智能企業的商業化價值拓展帶來了更多可能。AI技術發展趨勢：云數智融合云計算·大數據·AI融合變革升級，開啟業務轉型增長新時代云數智的超融合發展，將帶來云資源、數據資源和AI能力的極致解耦與彈性協同。拉通云服務調用、數據管理、AI模型訓練及算法迭代等全鏈路資源后，在底層讓云資源調配更加靈活彈性，在數據層與AI平臺高效融合，在開發層實現敏捷式開發的質效提升，為企業提供從開發到部署、端到端的一站式大數據智能服務，達到資源節約、敏捷開發與高質效落地。資本市場總況資本回暖，成熟企業融資轉向二級市場，部分企業沖刺成功本報告以2018年-2021年11月為融資統計分析區間。在經過2020年新冠疫情的行業洗牌后，2021年資本回暖，資金流入更為成熟企業（C輪及以后）的同時，也流入了眾多A+輪及以前的初創企業，投資者重拾對人工智能創業回報的信心。此外，多家AI企業集中進行IPO使得行業融資實現了跨越，云從科技、曠視科技、格林深瞳、云天勵飛均順利過會，并擬在科創板上市，其人工智能融資即將打開二級市場的通道；2021年底，商湯科技成功完成港股上市，為AI行業資本市場發展帶來了新氣象，且同年亦有AI醫療影像賽道的企業沖刺成功。人工智能企業價值實現進程行業內IPO進程加快，技術與商業化的結合仍將是發展關鍵當前，大多數企業已經逐步從早期技術驅動階段向商業驅動發展，尤其是基于視覺、語音和文本的AI技術相對較為成熟，AI在安防、醫療等領域有較多的落地成果。隨著AI逐步走向成熟，市場的自然規律會為行業“去偽存真”，能夠真正用AI技術解決實際問題并完成良好商業化落地的企業才能經受住時間的考驗，真正釋放AI的價值。2021年以來，許多企業加快上市動作，部分企業已將上市變為了現實，成功實現了私募市場和二級資本市場的銜接，打通了進一步發展的重要融資渠道。不過，若想持續贏得投資者的信任，企業不僅需要可觀的財務報表，更需要建立技術的商業化落地能力，以此將企業發展帶上一個良性循環的軌道。智能化改革踐行者的人工智能思維各行各業以高頻高價值場景為落點做持續AI泛化企業AI轉型核心為先找到最值得賦能落地的“高頻高價值”場景，再以此為切入點帶動企業內外部更多場景的轉型升級。如今，以金融、零售、醫療和工業為代表的各行各業正以AI應用率先落地的原始場景為起點，逐步實現了更多場景的賦能延伸。愈多業務場景的泛化升級將帶來企業AI應用的數據連通與業務協同等加成效應，反哺加速企業的智能化轉型進程。數據為AI應用落地核心痛點，面向AI的數據治理備受關注數據治理在AI應用落地實施中花費90%以上的精力，而面對AI應用對數據的質量、量級、字段豐富度和實時性等維度的高質量要求，大多傳統數據治理體系難以滿足，因此對應數據存在反復治理、二次治理的工作，極大拉低AI應用的規模化落地效率。若企業搭建面向人工智能的數據治理體系，可將面向AI應用的數據治理環節流程化、標準化和體系化，降低數據反復準備、特征篩選、模型調優和迭代的成本，縮短AI模型的開發構建周期，最終顯著提升AI應用的規模化落地效率。人工智能企業商業化價值路徑產品化和商業模式的結合探索是AI成功商業化的正確路徑產品與商業模式之間本身具有強烈的聯動關系，企業用產品探索市場與客戶，加深對技術場景的理解，而這種理解可以反推商業模式，然而AI行業內一直存在著產品和商業化相互妥協和制約的現象。因此，AI服務商在思考如何實現自身商業化價值增長時，需要將產品化和商業模式二者緊密結合起來去探索正確有效的商業化路徑，切勿孤立地追求優先二者滿足其一，目前許多行業內企業也正積極地走在這條探索之路上。AI平臺的商業價值具備擺脫AI碎片化落地，實現技術成果快速商業化的基礎如何在非標的定制化項目服務中找到相對標準化、效率化供給方式是AI企業實現規模化效應的破局點。AI平臺可提供云化算力支持、數據治理一體化工具、通用的模型開發能力，甚至面向部分應用場景的標準化AI模型，有效加成AI企業產品化能力。目前，客戶企業普遍缺乏智能應用研發與部署的支撐能力，帶來了AI算法模型研發門檻高、作坊式的部署工具難以在實際生產環境中落地等問題。AI企業錨定這一市場痛點，通過扎實的平臺試圖讓AI落地擺脫碎片化落地的狀態，從而在各個行業賽道里進行廣泛布局，在人員需求更低的同時，卻可以獲得更多的創新技術成果，并且能夠把這些創新性的技術成果快速進行商業化落地。AI工程化能力的商業價值打通AI全鏈路管理能力，實現落地賦能與商業變現的雙贏人工智能應用的場景呈現出多元性日益增長、用戶體驗要求高、迭代迅速等特點，傳統的開發方式已經無法滿足企業客戶的需求，亟需對數據計算分析、模型開發部署、在線訓練推理、應用開發運維等各種環節進行全周期管理，因此“AI工程化”被頻頻提及。與學術界AI模型不同，工業界AI模型在不斷調整優化的過程中凝聚和注入了企業對行業的理解和認知，模型技術能力向生產力的實質轉化效率是AI工程化落地的重要依據。未來AI應用將形成專業分工更精細的產業鏈生態，需具備開箱即用、自主定制、成本經濟的特點，而部分AI企業已經開始打造可創建和管理生產級人工智能管道工具，形成自身的AI工程化能力，提升從算力、數據、模型到上層應用的普惠性、兼容性、敏捷性、經濟性和高效性。可信人工智能的重要性升級可信AI將逐步成為行業規范化、技術商業化的關鍵助推器可信人工智能的核心原則是讓AI應用滿足可靠、安全、可解釋、隱私保護、責任明確等條件，是落實AI治理的重要實踐。AI企業作為人工智能技術產品化的主體，在可信人工智能的發展實踐中正發揮著日益積極的作用。除了承擔社會公益和行業引領的責任外，AI企業在商業化上面臨越來越多的限制和挑戰也是關鍵驅動因素。以可信人工智能所包含的隱私保護為例，部分AI企業在接受監管機構上市問詢時，被重點要求說明其技術、業務及產品中涉及到數據應用的具體環節，相關數據來源與合規性，以及保證數據合規的具體措施等。這種自上而下的監管推動也將與企業內驅形成合力，共同推動可信人工智能的發展與實踐。大模型爭論大小模型云-邊-端協同發展自2020年6月OpenAI發布GPT-3以來，各大學術機構與科技企業爭先參與到大模型競賽中，大模型于2021年迎來了大爆發。盡管大模型的研發取得了較大進展，其發展卻面臨諸多卡點：1）數據方面，開發者使用的數據集可能會重復，進而導致各家的大模型能力相近。2）算法方面，參數越多、模型越復雜，模型越難以解釋，復雜的大模型成為了“黑箱”，讓業務使用者甚至是研發者都無法獲知模型的結果與特征之間的關系。3）投入產出方面，成本與回報難匹配，訓練所需的芯片成本過高、訓練時間過長、碳排放量過高，而訓練出的模型可能局限于某些行業業務、普適性差，讓大模型淪為一次性的模型，浪費大量資源。4）應用使用方面，客戶更注重模型的實用性，很多中小企業研發的小模型即可滿足客戶的業務需求，且成本更低，性價比更高。然而，宏觀經濟運行與監管、航空航天量子計算、醫藥研發、細胞分類等社會與自然科學領域的重大分析任務，以及跨行業的通用模型研究又恰恰需要大模型這一先進工具。對此，大小模型云-邊-端協同發展的模式被提出：云端提供充足的算力與數據存儲空間，容納大模型的訓練與演變，云端大模型為邊、端小模型輸送通用知識與能力；而在邊與端側，小模型快速執行推理任務，專注于特定場景的極致化，并向云端大模型反饋數據、成效，解決大模型數據集單一的問題，最終實現功能獨立的大模型的全社會共享。大模型商業化探討隨著大模型技術的演進，其商業化路徑將逐漸清晰大模型意在打造成為變革性產業基礎設施建設設施，通過一個巨大的模型通用式的解決各個場景的AI解決方案，與弱人工智能時代為單個產品提供單個解決方案模型的運作方式有著本質上的區別，規模化的人工智能模型生產將形成成本邊際效應，極大節約AI應用的開發成本。盡管現階段大模型處于發展初期，技術難度、資源消耗和收益模式均面臨著諸多挑戰，但隨著大模型在技術上不斷地提升與演進，未來的AI大模型的商業化路徑和收益將逐漸清晰，而站在巨人肩膀上的人工智能行業也會因大模型而取得更大的進步。低/零代碼開發，AI落地千行百業未來AI應用或將邁入“零門檻”開發時代如今，面對復雜度較低、業務流程相對簡單的開發需求，AI應用已經初步實現全流程可視化界面的開發操作，一只腳成功邁入“零門檻”開發時代。未來隨著AI技術能力的突破與廠商在垂類業務邏輯的沉淀積累，低/零代碼AI開發平臺將賦能適用在更多行業及細分場景，讓AI應用真正邁入“零門檻”開發時代。而當AI應用落地開發實現人人”觸手可及“的時候，AI算法模型的內部可解釋性、AI體系的自動化閉環迭代、AI數據的隱私安全等問題需進一步的關注與探討。