智能算力及AI 大模型發展深度研究報告 2024

文末有福利！

發展數字經濟是把握新一輪科技革命和產業變革新機遇的戰略選擇，在數字化、智能化時代，算力就是數字經濟發展的核心生產力，智能算力就是創新力。當前人工智能正向多場景、規模化、融合度高的階段發展，數據量急劇增長，算法模型愈加復雜，應用不斷延伸，這對智能算力的發展提出了更高要求。放眼世界，很多國家都在積極開發和部署智能算力資源，以塑造未來發展優勢。

此報告深度分析了智能算力內涵定義，對當前全球及我國智能算力的總體情況、智能算力應用及技術發展現狀進行系統性梳理。同時，深入分析了智能算力發展面臨的挑戰，并提出解決方案。最后展望智能算力未來發展趨勢，并提出下一步發展建議。

1 背景與意義

1.1 智能算力的定義與內涵

全球算力發展正面臨應用多元化、供需不平衡等挑戰，人工智能、數字孿生、元宇宙等新興領域的崛起，推動算力規模快速增長、計算技術多元創新、產業格局重構重塑，智能算力作為數字經濟時代新的生產力，對推動科技進步、賦能行業數字化轉型以及經濟社會發展發揮著日益重要的作用。

智能算力即人工智能算力，是面向人工智能應用，提供人工智能算法模型訓練與模型運行服務的計算機系統能力。智能算力通常由 GPU（Graphics Processing Unit，圖形處理器）、ASIC（Application Specific Integrated Circuit，專用集成電路）、FPGA（Field Programmable Gate Array，現場可編程邏輯門陣列）、NPU（Neural network Processing Unit，神經網絡處理器）等各類專用芯片承擔計算工作，在人工智能場景應用時具有性能更優、能耗更低等優點。

智能算力是數字經濟時代的重要支撐。數字經濟依賴于數據的處理和分析，而智能算力為這些操作提供了強大的支撐。企業和個人利用智能算力提供的高性能計算能力處理海量的數據，實現快速、準確的數據分析，從而為企業的決策和發展提供更多的信息和支持。人工智能、大數據、物聯網等新興技術在智能算力支持下能夠更加高效地進行數據處理、模型訓練和決策推斷，加速技術落地，推動數字經濟與實體經濟深度融合。

智能算力是人工智能發展的動力。智能算力使得運算速度大幅增加，處理復雜數據的能力大幅提升，傳統的人工任務逐漸被自動化和智能化取代，人們開始尋求更加復雜和高級的任務，如自動駕駛、自動翻譯、半自動化醫療，人工智能領域進入了一個全新的階段。另外，隨著智能算力的提升，新的算法和技術不斷涌現，為人工智能發展帶來了新的創新機遇。通過大規模并行計算、深度學習、神經網絡等技術，在智能算力的支持下，人工智能在各個領域都得到了廣泛應用，推動了人工智能技術的進一步突破。

智能算力是科技創新的新引擎。智能算力為科技創新提供強大的計算支持，促進了科技創新的效率和質量。學術和工業界能夠處理更加復雜的計算任務，科研人員可以更快速地進行大規模數據處理、模擬實驗和模型訓練，極大地提高了科技創新的效率和質量。另外，智能算力可以推動新興技術的突破，催生眾多的創新應用，為科技的發展帶來新的思路和方法。在人工智能技術當中，智能算力是算法和數據的基礎設施，更快速、更高效的數據處理能力使得人工智能可以應用于更多的領域。

1.2 發展智能算力的意義

智能算力作為關鍵生產力要素，推動數字經濟高速發展。智能算力使得數據的處理和分析變得更加高效、準確，使得龐大的數據量可以更加高效地被挖掘和利用，為數字經濟提供了強大的基礎支持。如在制造業領域，智能算力可以提供實時的生產數據，實現智能化的生產管理，提高企業的生產效率和產品質量。在服務業領域，智能算力可以通過大數據的分析和挖掘，實現自動化的客戶服務，提供更加智能、個性化的服務體驗。此外，智能算力也推動了數字經濟與傳統產業的融合，通過與人工智能、云計算、物聯網等技術的結合，加速我國實體經濟加速向數字化、網絡化、智能化方向轉變。

智能算力為人工智能發展提速，促進行業應用。目前，人工智能技術高速發展，智能化場景在行業的落地隨著時間的推移，正呈現出更加深入、更加廣泛的趨勢，對智能算力的需求與日俱增。人工智能與制造、交通、醫療、農業等各領域融合日益深入，持續推動質量變革、效率變革、動力變革，源源不斷地為經濟高質量發展提供新動能。未來五年，隨著人機交互、機器學習、計算機視覺、語音識別技術的成熟，人工智能將在企業市場中加快應用與落地，賦能傳統行業轉型升級，而智能算力將助力于人工智能的持續快速發展。

智能算力為科技進步提供新動力，推動科技跨越式發展。智能算力為國家創新力的發展帶來實質性推進，不僅在應用科學的突破上發揮了重要作用，也開始滲透到基礎科學領域。科學家們越來越多地利用人工智能技術，從數據中建立模型，重點圍繞新藥創制、基因研究、新材料研發等領域加速對前沿科學問題的探究。如科研領域利用人工智能進行蛋白質折疊體結構的研究、抗菌耐藥性基因的檢測和識別；醫藥領域AI 計算輔助疫苗和藥物研發用于靶點選擇和驗證先導化合物篩選和優化等研發環節，從傳統“手工試錯”向計算輔助模式轉變最大化縮短研發周期。

2 智能算力總體情況

2.1 全球智能算力總體情況

全球智能算力的總體情況呈現快速增長的趨勢。截至到 2022 年底，全球算力總規模達到 650 EFLOPS，其中，通用算力規模為 498EFLOPS，智能算力規模為142 EFLOPS，超算算力規模為10 EFLOPS。智能算力規模與去年相比增加了 25.7%，規模占比達 21.9%，。IDC預測，全球 AI 計算市場規模將從 2022 年的 195.0 億美元增長到 2026年的 346.6 億美元。

圖 1 近兩年全球算力規模情況

2.2 我國智能算力總體情況

在算力規模方面，截止到 2022 年底，我國算力總規模為 180EFLOPS，排名全球第二。其中，通用算力規模為 137 EFLOPS，智能算力規模為 41 EFLOPS，超算算力規模為 2 EFLOPS。中國智能算力正處于高速增長階段，智能算力規模與去年相比增加了 41.4%，規模占比達 22.8%，，超過全球整體智能算力增速（25.7%）。

圖 2 近兩年我國算力規模情況

2.3 我國智能算力行業應用分布

人工智能在各行業應用程度均呈現不斷加深的趨勢，應用場景越來越廣泛。智能算力在行業應用情況可根據人工智能的行業滲透度來分析，與 2021 年相比，各行業人工智能滲透度明顯提升。

其中，互聯網行業依然是人工智能應用滲透度和投資最高的行業；金融行業的人工智能滲透度從 2021 年的 55 提升到 62，智能客服、實體機器人、智慧網點、云上網點等成為人工智能在金融行業的應用典型；電信行業的人工智能滲透度從 2021 年的 45 增長到 51，人工智能技術融入電信網絡的構建、優化，并為下一代智慧網絡建設提供支撐；制造行業的人工智能滲透度從 40 增長到 45，結合人工智能技術的傳統制造業的智能化改造，已成為產業升級的熱點。

圖 3 中國人工智能行業滲透度

3 智能算力發展現狀和挑戰

3.1 智能算力技術層面應用發展現狀

人工智能技術高速發展，應用方向逐漸多樣化和復雜化。智能算力主要有三個優點，一是能夠提供大規模數據處理和復雜計算的能力，滿足人工智能算法對于高性能計算的需求；二是能夠加速人工智能模型的訓練和推理過程，提高算法的效率和準確度；三是能夠與其他技術手段結合，如云計算、大數據分析和邊緣計算，實現人工智能在各行業的廣泛應用。智能算力滿足人工智能高并發、高彈性、高精度的計算需求，推動人工智能技術的不斷升級與應用。高性能的計算能力為機器學習、深度學習和自然語言處理等人工智能技術的發展提供了 有力的支持，通過智能算力的支持，人工智能算法能夠處理和分析大規模的數據，實現復雜任務的智能化。未來五年，人工智能將在企業市場中加快應用與落地，智能算力將成為創新的核心推動力。

3.1.1 機器學習

機器學習（Machine Learning）本質是通過計算機從大量的數據中找到整合數據的規律，從而實現對于數據未來走向的預測。由機器學習算法支撐的機器視覺、聽覺和語音交互被應用各種產品和服務中， 進而帶來了AI 在商業應用方面的爆炸式增長。目前通過讓機器從大量數據中自主學習，機器學習使計算機具有了更強大的智能和能力， 已經被廣泛應用于圖像識別、語音識別、醫療診斷、金融風控、智能推薦等領域。同時，機器學習也開始參與到了計算機內部體系的研究和設計過程中，例如在計算機的翻譯器、硬件處理器以及軟件工程等設計開發方面利用更加現代化的編程語言。

智能算力在機器學習中的作用主要是為深度學習模型訓練、大規模數據處理、實時數據分析與預測、自動化模型選擇和調參、分布式機器學習等提供強大的計算力。在機器學習中，通常需要處理大規模的數據集。例如，圖像分類任務中，需要處理成千上萬張圖像來訓練和測試模型，智能算力提供了并行計算和分布式計算的能力，可以快速處理大規模數據，加速訓練過程。智能算力還可以在實時數據分析和預測方面發揮作用。例如，通過將機器學習模型部署在智能算力的環境中，可以實時地監測和分析海量的數據，并利用模型進行實時預測和決策。

3.1.2 深度學習

深度學習（Deep Learning）是一種基于多層神經網絡的機器學習方法，主要特點是能夠處理復雜的非線性問題，可以學習和理解圖像、聲音和自然語言等復雜數據，并具有優秀的預測和決策能力。

2011年，微軟和谷歌率先將深度學習技術應用于語音識別，大大提升了識別率;

2012 年，深度學習開始用于圖像識別，在 lmageNet 數據集上將原有識別錯誤率降低了百分之十一；同年，微軟公開了采用深度學習技術的“全自動同聲傳譯系統”，該系統幾乎能達到和人一樣的水平，實現實時翻譯;

2013 年，百度宣布成立深度學習研究所，專注于該技術的研究；

2016 年，谷歌開發的人工智能 AlphaGo 戰勝專業圍棋選手，這一成果迎來了深度學習的熱潮。

目前，應用較廣泛的深度學習框架有 TensorFlow、Caffe、Theano、MXNet、Torch、PyTorch 等，實際應用主要有計算機視覺、語音識別、語言處理等。

隨著深度學習的推進,人工智能逐漸應用到各個領域，對算力的需求越來越高,其核心是人工智能要達到目標必須不斷地進行大規模、高頻次的數據訓練,經過訓練神經網絡才能總結出規律,對新的樣本才能進行判斷和分析。智能算力在深度學習中的應用現狀主要體現在以下幾個方面：

一是訓練模型，深度學習模型具有復雜的結構和大量的參數，需要大量的計算資源進行訓練，智能算力通過 GPU、TPU 等高性能的計算設備，加速深度學習模型的訓練過程。

二是推斷推理，智能算力通過高性能計算設備和專門的推理芯片加速深度學習模型 的推斷過程，提高了模型的實時性和穩定性。

三是模型優化，通過智能算力可以對模型進行自動化的超參數調優、網絡結構搜索、模型剪枝等操作，進一步提高模型的精度和效率。

圖 4 深度學習發展歷程

3.1.3 自然語言處理

自然語言處理（Natural Language Processing，NLP）指的是基于人類日常交流過程當中所使用的自然語言與計算機進行交互的一種技術類型，涵蓋語言學、計算機科學、數學、新聞學等一系列學科內容，是計算機領域以及人工智能領域未來發展的重要方向。針對特定應用，具有相當自然語言處理能力的實用系統已經出現，甚至開始產業化。如多語種數據庫和專家系統的自然語言接口、各種機器翻譯系統、全文信息檢索系統、自動文摘系統等。在人工智能技術的支持下，自然語言處理系統的適應能力不斷提升。

智能算力在自然語言處理中的應用主要體現在以下幾個方面：

一是語言模型，基于深度學習的語言模型（如BERT、GPT 等）極大地提升了 NLP 任務的性能，這些模型能夠學習到豐富的語義信息和潛在語言規律，使得計算機能夠更好地理解和生成自然語言文本。

二是機器翻譯，神經機器翻譯（NMT）技術已經成為主流，NMT 模型能夠將一種語言翻譯成另一種語言，實現更準確和流暢的翻譯質量。

三是問答系統，通過結合 NLP、信息檢索、文本匹配和語義分析等技術，問答系統能夠根據用戶提出的問題返回準確的答案。四是文本分類與情感分析，NLP 技術可以利用深度學習方法對文本進行分類和情感分析，廣泛應用于輿情監測、電商評論分析等領域。

3.1.4 計算機視覺

計算機視覺是指讓計算機和系統能夠從圖像、視頻和其他視覺輸入中獲取有意義的信息，并根據該信息采取行動或提供建議。

計算機視覺技術主要應用包括圖像分類和目標檢測、人臉識別、圖像生成和風格遷移、三維重建和虛擬現實、視頻分析和行為識別等。

計算機視覺硬件方面主要還是由國外巨頭把控，國內市場份額不足，特別是芯片領域和算法算力方面，但在數據方面，我國市場巨大，應用廣泛；中游技術層面部分技術我國已處于領先地位，如人臉識別算法方面、物體檢測技術；下游應用層面成果廣泛，我國已形成了全面布局行業解決方案，特別在智慧安防、智慧金融、互聯網領域市場增長迅速，頗具競爭優勢。

智能算力在計算機視覺中的主要應用是使用深度學習模型，特別是卷積神經網絡，進行圖像分類、目標檢測和圖像分割等任務，這些模型在智能算力支撐下經過大規模數據的訓練，能夠準確地識別和解析圖像中的內容。

圖 5 計算機視覺產業鏈全景圖譜

3.1.5 數據分析和挖掘

數據分析和挖掘技術是從大規模數據中提取有價值信息的重要工具，主要通過統計、計算、抽樣等相關的方法，來獲取基于數據庫的數據表象的知識。隨著大數據時代的到來和技術的不斷進步，數據分析技術和工具不斷涌現，包括數據可視化和探索、機器學習和深度學習、數據挖掘算法、異常檢測和異常數據分析、大規模數據處理和分布式計算等。這些工具和技術的出現及應用，提高了分析數據的效率和精度，并且增加了數據科學家對數據解釋的可信度。

目前，解決問題和做決策所需的數據已經不再是少數行業，廣泛應用于金融、教育、環境和安防等各個領域，未來數據分析技術及其工具將被廣泛應用并將向自動化、智能化發展。

智能算力在數據分析和挖掘領域的主要應用是使用機器學習算法，如決策樹、支持向量機、隨機森林等，對大規模數據進行模式和關聯性的挖掘。另外也可以應用于深度學習模型，如神經網絡，對大量的結構化和非結構化數據進行高級分析和挖掘，如圖像、文本和語音數據等。另外智能算力可以幫助實現自動化的數據處理和特征工程。

通過智能算力的高效計算和高度并行的能力，可以加速大規模數據的清洗、轉換和特征提取過程。

3.2 智能算力應用層面發展現狀

智能算力推動人工智能技術落地，算力釋放成為生產力。人工智能技術的核心是模型訓練與推理，而對于龐大的數據集和復雜的算法模型，需要大量的計算資源來支持。智能算力可以更快、更高效地進行模型訓練和優化，從而加速人工智能技術的發展，推動人工智能技術應用于更多的領域和場景，為社會和企業創造實實在在的價值。

例如，在制造業，智能算力可以優化供應鏈管理與生產流程，實現智能制造；在金融領域，智能算力可以提供更準確的風險評估與投資建議，提高金融機構的決策能力；在汽車行業，將計算機視覺和機器學習與GPS 定位技術、傳感器技術、大數據技術等進行有機融合，為汽車的自感知、自學習、自適應和自控制提供支持。

如今算力被視為生產力，成為傳統產業轉型升級的重要支點，積極釋放數據要素的創新活力，賦能各行各業。

3.2.1.基礎應用

1.元宇宙

元宇宙（Metaverse）是人類運用數字技術構建的，由現實世界映射或超越現實世界，可與現實世界交互的虛擬世界，具備新型社會體系的數字生活空間，集成了一大批現有技術，包括 5G、云計算、人工智能、虛擬現實、區塊鏈、數字貨幣、物聯網、人機交互等。

元宇宙中的虛擬世界構建經歷了從文本到 2D 再到 3D 的形式演變，交互方式也由命令行轉變為圖形界面再到最近的虛擬現實、增強現實以及混合現實等更加自然的方式。

在內容創作上，從早期的專業創作內容逐步過渡到用戶創作內容的形式，且有望在未來進入人工智能創作內容的范式。

2021 年新冠疫情的推動下元宇宙爆火，Soul App 首次提出構建“社交元宇宙”，微軟打造“企業元宇宙”；同年，英偉達推出全球首個為元宇宙建立提供基礎的模擬和協作平臺， 美國臉書（Facebook）宣布更名為“元”（Meta），來源于“元宇宙”（Metaverse），并宣布兩年內對XR 投入 5000 萬美元。

智能算力為元宇宙的構建提供了強大的計算支持。通過云計算、分布式計算、邊緣計算等技術，智能算力能夠快速有效地處理海量數據和復雜計算任務，實現元宇宙中的虛擬現實、人工智能、物聯網等應用。

在虛擬現實方面，智能算力可以支持逼真的圖形渲染、物理模擬和實時交互，提供沉浸式的虛擬體驗；在人工智能方面，智能算力能夠訓練和優化復雜的神經網絡，實現自動化的語音識別、圖像處理和情感分析。

未來智能算力將與邊緣計算、區塊鏈等新興技術相結合，更好地滿足元宇宙應用對于大規模數據處理、實時互動和高度智能化的需求。

圖 6 元宇宙虛擬世界表示、交互方式及內容創作方式演變

2.AIGC

AIGC（AI-generated content，人工智能生成內容技術）是基于GAN、預訓練大模型、多模態技術融合的產物，通過已有的數據尋找規律，并通過泛化能力形成相關內容。隨著 ChatGPT 的爆火，整個AIGC 領域瞬間被點燃，繪畫、建模、視頻、影視等領域紛紛探討應用的可能性，在OpenAI 的ChatGPT 之外，谷歌、百度、阿里、字節等大廠紛紛投入各類大模型的研發中，屬于AIGC 的大時代已經來。

AIGC 已經能夠生成文字、代碼、圖像、語音、視頻、3D 物體等各種類型的內容和數據，多模態技術的成熟讓 AIGC 可應用的廣度不斷擴展，未來應用潛力更大。

從技術角度來看，AIGC 的背后是算力、數據、算法等核心要素的有機融合，模型越大，對算力要求越高。ChatGPT 爆火的背后，本質上是人類在AI 領域軟件(數據、算法)、硬件(算力)綜合能力大幅提升以后的一次爆發式體現。

基于飛天智算的阿里云深度學習平臺PAI，將計算資源利用率提高 3 倍以上，AI 訓練效率提升 11 倍，推理效率提升 6 倍；

新華三推出專門為大模型訓練而生的AI 服務器及 51.2T、800G CPO 硅光數據中心交換機，支持大算力調度的傲飛算力平臺；

“文心一言”背后的算力基礎設施是百度智算中心，是亞洲最大的單體智算中心，可承載約 28 萬臺服務器，算力規模達 4EFLOPS。

未來AIGC 對智能算力的需求將更加強勁，GPU、FPGA、ASIC 等底層硬件中包含的智能算力價值將被重塑。

圖 7 國內外 AIGC 產業化情況

3.數字孿生

數字孿生（Digital Twin，數字雙胞胎），是充分利用物理模型、傳感器更新、運行歷史等數據，集成多學科、多物理量、多尺度、多概率的仿真過程，在虛擬空間中完成映射，從而反映相對應的實體裝備的全生命周期過程。

國外關于數字孿生的理論技術體系較為成熟,當前已在相當多的工業領域實際運用。國內數字孿生技術處于起步階段,研究重點還停留在理論層面。

數字孿生技術目前呈現出與物聯網、3R(增強現實(Augmented Reality,AR)、虛擬現實(Virtual Reality,VR)和混合現實(Mixed Reality,MR))、邊緣計算、云計算、5G、大數據、區塊鏈及人工智能等新技術深度融合、共同發展的趨勢。

智能算力可以支持數字孿生模型的建模、仿真和優化并推動其在行業中的廣泛應用。從技術角度來看，通過云計算、大數據分析和機器學習等技術手段，智能算力能夠處理和分析大規模的數據，并生成高度精確的數字孿生模型。

同時，智能算力還能夠實現實時的數據同步和模型更新，提高數字孿生系統的性能和可靠性。從行業應用角度來看，智能算力在數字孿生領域已經得到廣泛應用。

在制造業領域，智能算力能夠建立物理系統的數字孿生模型，并通過數據監測和算法優化提高生產效率和質量；在城市規劃和交通管理方面，智能算力能夠建立城市的數字孿生模型，優化交通流量和環境布局；在醫療領域，智能算力能夠創建人體的數字孿生模型，輔助手術規劃和醫學研究。

圖 8 數字孿生的技術體系

4.邊緣智能

邊緣計算和人工智能彼此之間相互賦能并催生了新的研究領域——邊緣智能。邊緣計算將計算、網絡、存儲等能力擴展到物聯網設備附近的網絡邊緣側，而以深度學習為代表的人工智能技術讓每個邊緣計算的節點都具有計算和決策的能力，這使得某些復雜的智能應用可以在本地邊緣端進行處理，滿足了敏捷連接、實時業務、數據優化、應用智能、安全與隱私保護等方面的需求。

在邊緣智能中，邊緣計算為人工智能提供了一個高質量的計算架構，對一些時延敏感、計算復雜的人工智能應用提供了切實可行的運行方案。目前，邊緣智能正深入推動智慧交通、智能制造、云游戲等應用的發展，促進了產業的實現與落地，為全面提升智能化水平提供了重要保障。

圖 9 邊緣智能布局架構

5.推薦系統

推薦系統是一種信息過濾系統，可以很好地解決信息過載問題，提高信息利用率，是整個推薦過程的關鍵部分，根據推薦需求，結合建立的用戶模型，將最符合用戶偏好的物品推薦給用戶。推薦系統應用于各行各業，推薦的對象包括：電影、音樂、新聞、書籍、學術論文、搜索查詢、分類、以及其他產品。也有一些推薦系統專門為尋找專家、合作者、餐廳、美食、金融服務、生命保險、網絡交友，以及Twitter 頁面設計。人工智能在推薦系統中的應用已經非常廣泛，通過分析和理解用戶的行為和興趣，可以為用戶提供個性化的推薦服務，提高用戶滿意度和平臺的業務價值。主要應用方面包括協同過濾、深度學習、強化學習、自然語言處理等方面。

智能化是推薦領域不可避免的趨勢，目前推薦系統與深度學習、知識圖譜的結合也成為了業界研究的重點。例如基于深度學習的推薦，深度學習的優勢在于表達能力強，能挖掘出更多數據中潛藏的模式，并且結構十分靈活，可根據不同推薦場景或不同特點的數據來進行調 整。

通過人工智能技術以及大數據的支撐，對購買意向、閱讀習慣、瀏覽需求等信息進行學習和預測性分析，幫助企業實現智能決策，提高推薦準確度，進而優化客戶體驗，實現定制化服務，使產品、服務的營銷方案更符合市場需求。

6.語音識別

語音識別技術就是讓智能設備聽懂人類的語音，涉及數字信號處理、人工智能、語言學、數理統計學、聲學、情感學及心理學等多個學科。這項技術可以提供比如自動客服、自動語音翻譯、命令控制、語音驗證碼等多項應用。

隨著人工智能的興起，語音識別技術在理論和應用方面都取得大突破主要應用領域包括語音識別聽寫器、語音尋呼和答疑平臺、自主廣告平臺，智能客服等。語音助手是人工智能語音識別的典型應用之一，如蘋果的Siri、亞馬遜的Alexa、谷歌的GoogleAssistant 等，在手機、智能音箱等設備上被廣泛使用；智能音箱通過語音識別技術，實現與用戶的交互。

另外，許多公司在客服中引入語音識別技術，可以通過自動語音識別和自然語言處理技術，實現自動化的客戶服務。語音翻譯技術可以將語音實時轉換為文字，并進行翻譯，實現跨語言交流。

人工智能語音識別技術在準確性和穩定性上已經取得了顯著進步，但仍面臨一些挑戰，如環境中的噪聲干擾、不標準的語音識別率、容錯率的處理等問題。隨著技術的不斷創新和發展，人工智能語音識別將在更多領域得到應用并不斷提升用戶體驗。未來我國的智能語音識別技術將會隨著科技的發展逐漸進步，最終應用到生活的方方面面。

7.圖像識別

圖像識別是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對象的技術，是應用深度學習算法的一種實踐應用，應用場景，包括電子商務，游戲，汽車，制造業和教育。

現階段圖像識別技術一般分為人臉識別與商品識別，人臉識別主要運用在安全檢查、身份核驗與移動支付中；商品識別主要運用在商品流通過程中，特別是無人貨架、智能零售柜等無人零售領域。

成熟的圖像識別技術加以人工智能的支持可以自行對視頻進行分析和判斷，發現異常情況直接報警，帶來了更高的效率和準確度；在反恐領域，借助機器的人臉識別技術遠遠優于人的主觀判斷。

許多科技巨頭也開始了在圖像識別和人工智能領域的布局，Facebook 簽下的人工智能專家 Yann LeCun 最重大的成就就是在圖像識別領域，其提出的 LeNet 為代表的卷積神經網絡，在應用到各種不同的圖像識別任務時都取得了不錯效果，被認為是通用圖像識別系統的代表之一；Google 借助模擬神經網絡“DistBelief”通過對數百萬份YouTube 視頻的學習自行掌握了貓的關鍵特征，這是機器在沒有人幫助的情況下自己讀懂了貓的概念。

3.2.2 行業應用

1.自動駕駛

自動駕駛，是依靠計算機與人工智能技術在沒有人為操縱的情況下，完成完整、安全、有效的駕駛的一項前沿科技。

從技術角度來看，人工智能已經可以實現自動駕駛車輛在復雜環境下的感知、決策和控制，通過深度學習、機器視覺和傳感器融合等技術手段能夠對道路、交通標志和其他車輛進行實時感知和識別，快速做出決策并控制車輛動作。

從行業應用角度來看，人工智能在自動駕駛領域已經得到廣泛應用。在汽車行業，人工智能能夠幫助車輛實現自動駕駛功能，提高行車安全和駕駛舒適性；在物流行業，人工智能能夠實現自動駕駛的無人配送車輛，提高配送效率和降低成本；在城市交通管理領域，人工智能能夠實現車輛的協同駕駛和交通流量優化，改善交通擁堵和環境污染問題。

我國相關的信息技術、人工智能技術、汽車制造技術等與世界先進水平仍存在一定的差距，自動駕駛技術相對不夠完善，其實際的應用情況存在較大的質量波動，需要進一步進行技術研發的投入，提升汽車自動駕駛的安全性、效率性和可靠性。

2.金融風險評估

神經網絡、專家系統、支持向量機以及混合智能等人工智能模型在金融風險評估領域的應用能夠提高數據處理速度、加深數據分析深度、降低人工成本,從而提升金融風險控制的效能。近年來無論是傳統金融機構、消費金融機構還是互聯網金融公司，都在加緊智能化系統建設或者對外合作，實現智能化風控。

人工智能可以實現對風險及時有效的識別、預警與防范，智能反欺詐能夠通過分析大量的數據，識別出欺詐行為。機器學習可以通過對歷史欺詐案例的分析，識別出欺詐的模式和規律。當新的欺詐行為出現時，機器學習可以通過對這些模式和規律的匹配，自動識別出欺詐行為。

目前，智能風控面臨的挑戰主要包括數據的全面性、真實性及數據挖掘效率等。智能風控目前還是比較依賴大數據還有專家規則，只有在正確數據基礎之上才能正結論，當數據量很大時，數據真實性及是否數據被污染，無法進行有效鑒別。

3.量化交易

量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種'大概率'事件以制定策略，進而交易的過程，其核心是用數學模型或者明確的交易規則指導交易，而不是純主觀判斷。

人工智能可以對海量的市場數據進行分析和預測，識別出潛在的市場趨勢和機會。

通過機器學習算法，它可以自動學習和優化交易策略，根據預測結果和設定的交易策略，自動化地進行交易決策，并根據市場情況和指標，動態調整交易策略，實現自動化下單和止損，可以在毫秒級別的時間尺度上進行高頻交易，通過快速分析市場數據和執行交易，實現瞬間的套利和利潤。

另外，人工智能可以幫助量化交易者進行風險管理，通過對交易風險的預測和監控，提供實時的風險警示和建議。人工智能和量化交易的融合發展推動了智能投顧、量化基金、智能金融等眾多領域的發展，如中國銀行、中國農業銀行、浦發銀行、華夏基金等金融機構均推出了自己的智能投顧服務。

3.3 智能算力發展挑戰及解決方案

3.3.1 算力需求

首先，算力需求急劇上升。根據 IDC 的預測，未來 3 年全球新增的數據量將超過過去 30 年的總和，到 2024 年，全球數據總量將以26%的年均復合增長率增長到 142.6ZB。這些將使得數據存儲、數據傳輸、數據處理的需求呈現指數級增長，不斷提升對算力資源的需求。另外，面向人工智能等場景，大規模的模型訓練和推理也需要強大的高性能算力供應。其次，算力靈活調度受限。另外，不同應用場景對AI 算力的精度、能效、速度、交互性、部署方式以及網絡安全、網絡帶寬的要求各不相同，部分場景難以通過網絡實現算力的靈活高效調度，無法滿足人工智能推理和訓練需求。

解決方案：

一是為滿足業務的大算力需求，通過構建智算中心、超級計算中心以及云計算中心實現對大算力業務的資源供給，另外還可以通過網絡將數據源周圍閑散算力(云計算、邊緣計算等)調度起來以彌補大型科學裝置的算力缺口。

二是提高算力使用效率，如算網協同優化AI 計算效率，算力服務結合人工智能技術推動算力資源的精準配置和按需獲取。

三是發展可擴展、自演化、高可靠和安全的新型網絡架構，促進數據的處理與流通。

四是建立統一的算力調度平臺，形成覆蓋全國、互聯互通的算力調度服務體系和平臺基礎框架，實現對全網算力資源統一編排、統一輸入輸出。

3.3.2 能耗

人工智能算法高算力需求導致大量能源消耗。

首先是芯片能耗，人工智能訓練和推理需要大量的計算資源，隨著 AI 算力的逐步提升，能耗和成本也在逐漸增加。高性能計算設備在運行過程中會產生大量熱量，芯片是集成超大規模電路，隨著晶體管密度和時鐘頻率的提高，芯片功耗大幅增加，同時，電源電壓和閾值電壓的降低導致漏電流增加。

其次是系統級能耗，功耗過高會導致芯片溫度升高，需要進行散熱和冷卻，為了維持設備的溫度在可承受范圍內，需要消耗額外的能源來驅動冷卻系統。

解決方案：

一是針對算力基礎設施風火水電的節能。首先，算力基礎設施的建設前優先考慮算力中心的地理位置，例如亞馬遜、谷歌傾向于將數據中心建在天氣寒冷的愛爾蘭，微軟將數據中心建在海里，依靠海水的溫度來為數據中心降溫。在算力基礎設施建設后，推動數據中心采用液冷技術來滿足服務器大功耗高密度部署帶來的散熱需求，液冷技術具有比熱容大、散熱效率高、降低能耗等優點。目前浸沒、噴淋、冷板等液冷主要部署方式都已有市場應用。

二是針對業務層面的合理安排調度，尋找在時間上相互匹配的業務。例如優先處理用戶驅動型業務，并在計算資源閑時處理結果驅動型業務，充分發揮算力資源的能力，以提高資源使用效率。另外在技術層面使用彈性擴縮容等技術，在計算資源閑時，關閉部分服務資源以節約能耗。

3.3.3 算法復雜度

智能算力應用場景復雜化，數據量及算法的復雜度急劇增加，相應程序運行所需要時間和空間(內存)資源不斷攀升。

計算規模從單機到集群再到大規模云計算，規模呈量級、指數級增長，計算架構從單一通用架構 CPU+GPU 到混合異構架構 CPU+GPU+FPGA+xPU，系統環境方面從單一用戶以及單一場景解決到現在多個用戶、多場景復雜環境的構建，數據規模和模型復雜度的增加導致時間復雜度可能變 得非常高，出現計算時間長而效率低下的問題。

一些復雜的算法在執行過程中需要大量的內存空間來存儲數據和中間結果，而設備或平臺 的資源受限，導致在計算過程中高效地存儲和訪問數據成為巨大挑戰。

解決方案：

一是積極進行算法優化研究，通過優化算法的設計和實現，減少算法的時間復雜度和空間復雜度，可以使用更高效的數據結構、減少循環次數、適當使用緩存等技術來提高算法性能，采用并行計算、分布式計算等技術加速算法的執行。

二是數據壓縮和存儲優化，對于算法中處理的數據，可以使用壓縮算法進行壓縮，減少數據的存儲空間和傳輸時間。同時，優化數據的存儲結構，選擇合適的數據類型和存儲方式，減少內存占用和訪問時間。三是利用機器學習和自動化等人工智能技術，通過對算法執行過程進行學習和調優，提高算法的執行效率。可以使用機器學習算法來尋找最優的算法參數，自動調整算法的執行策略，提供更高效的算法解決方案。

3.3.4 數據隱私和安全

人工智能充分挖掘數據價值，數據泄露和濫用成隱患。智能算力的發展使得大規模數據的收集和處理變得容易，如何在保護用戶隱私的前提下，充分利用數據進行算法訓練和應用，是需要解決的難題。

首先是人工智能系統需要大量的數據來進行訓練和學習，這些數據可能包含個人身份信息、偏好等敏感信息，如果這些數據泄露，可能會導致個人隱私暴露和身份盜竊等問題。另外，人工智能系統通過分析大量數據來預測和識別個人的行為模式和習慣，但這種大規模監控是否是對個人隱私權的侵犯需要認真評估。

人工智能系統采集的數據可能被惡意利用來進行廣告定位、騷擾、詐騙等，若人工智能系統存在安全漏洞，黑客可以利用這些漏洞來入侵、篡改或者破壞系統，造成重大安全事故。

解決方案：

一是構建以數據為中心的數據安全治理平臺。具體包括建立數據安全風險感知體系，實現對數據的態勢可知、威脅可現、風險可控；打造零信任的數據安全機制，通過身份認證、權限管理、安全審批、安全審計、安全感知和安全策略控制打造完整的零信任安全機制；建設數據質量管理智能平臺，建立數據質量核驗任務，自動完成數據質量規范性、一致性、準確性和完整性的檢查。

二是加快標準研制和試點推廣工作。研制人工智能安全參考框架、數據集安全、數據標注安全、開源框架安全、應用安全和安全服務能力要求等標準；同步開展人工智能基礎性標準研究工作，研究應用安全風險評估類標準及智能制造、智能網聯汽車等重點人工智能產品和服務類安全標準，逐步推進其他領域人工智能安全標準的研究工作。

3.3.5 生態合作

智能算力的持續發展需要跨領域的合作和資源共享，面臨著交互標準與互操作性、供應鏈管理以及盈利模式與利益分配等挑戰。AI、物聯網、大數據等新興技術的注入將促使細分場景的應用以指數級增長，智能算力的應用涉及多個領域，包括人工智能研究、硬件開發、數據科學等。智能算力的持續發展需要跨領域的合作和資源共享，各個領域的標準和技術往往不統一，缺乏互操作性。另外智能算力產業涉及多個環節和參與方，包括算力提供方、應用開發方、數據提供方等，如何有效管理供應鏈，保證各方的合作效率和利益平衡是一大問題。要想把算力真正轉化為生產力，還需要多重因素支撐，如今仍面臨使用門檻有待提高、融合技術有待突破、場景應用有待優化等問題。

解決方案：

一是上下游建立合作伙伴關系，創新合作模式。與相關領域的企業、機構建立合作伙伴關系，共同推動算力的發展，可以通過合作共享資源，實現互利共贏的合作關系，例如建立聯合研發中心、共享經濟平臺、組建產業聯盟等。

二是構建開放的計算平臺，為上下游合作伙伴提供統一的接口和標準，方便資源對接和共享。

三是制定統一的行業標準，規范算力提供方和使用方之間的合作流程和要求。

四是政府出臺相應的政策和規劃，促進算力上下游合作的發展。給予相關領域企業和項目支持、減稅等政策優惠，鼓勵企業進行技術創新和合作，推動算力生態的健康發展。

4 智能算力未來發展趨勢

4.1 人工智能加速滲透，多樣化場景催生多元化算力需求

人工智能在各行各業的應用離不開海量數據的處理、存儲和云化，伴隨著 5G 商業化進程加速、流量持續增長，云計算和邊緣計算需求會繼續增加，從行業趨勢和應用需求看，多樣性計算時代正在到來。

IDC 預測在數字智能創新階段，數字化普及率上升到新的高度，應用規模將從百萬級上升到千萬級，連接數上升到百億級，智能算力將成為基礎能力，這一階段的顯著特點使傳統單一架構難以滿足要求，對計算平臺提出了新的挑戰，驅動計算架構向多樣性發展。

源于多種數據類型和場景驅使計算架構的優化，多種計算架構的組合是實現最優性能計算的必然選擇，其中，邊緣側需要AI 算力，數據中心側要處理和存儲海量數據，需要高并發、高性能，特別是高吞吐的算力。預計在未來 10 年內，智能算力將向多元化發展，提供更高的計算性能。

4.2 政策驅動，智能算力低碳發展成硬性要求

傳統的計算和數據處理方式往往需要大量的能源消耗，并且會產生大量的碳排放，而采用低碳算力可以顯著減少碳排放量，降低對環境的影響。

馬薩諸塞大學阿默斯特校區的研究人員最新的論文結果表明，訓練一個AI 模型產生的能耗多達五輛汽車一生排放的碳總量。《貫徹落實碳達峰碳中和目標要求推動數據中心和 5G 等新型基礎設施綠色高質量發展實施方案》，以及上海市、甘肅省、云南省、江蘇省等地出臺的數據中心相關政策文件，都對數據中心綠色低碳提出明確要求。

算力基礎設施碳排放相關標準已逐步制定和發布，四部門明確提出數據中心綠色低碳達到 4A 等級，數據中心低碳等級評估中三大運營商、第三方數據中心企業和科技企業的 20 余個數據中心已經通過測試評估，綠色低碳發展已成為各級政府的關注焦點和建設推進的基本要求，面對全球對于減少碳排放和應對氣候變化的呼吁，低碳算力將成為我國算力發展的重要方向。

4.3 邊緣智能應運而生，邊緣計算與人工智能融合發展

邊緣計算將計算資源從云中心轉移到網絡邊緣側的服務器，為聯網的終端設備提供計算支持，通過將算力傳遞到設備和傳感器端，可以更快速地進行實時處理和決策，減少對網絡的依賴，同時保護數據隱私。

與此同時，人工智能迅猛發展，在工業物聯網、自動駕駛、智能家居等領域得到了廣泛地應用，為人們的生產和生活帶來了極大的便利。

在邊緣智能中，邊緣計算和人工智能二者相互受益，邊緣計算利用人工智能對邊端進行智能地維護和管理，人工智能在邊緣計算平臺上提供智能化的服務，通過在邊緣節點上進行數據的計算和分析，減少數據傳輸和處理的延遲，提升智能應用的實時性。

未來邊緣智能將在公共安全、智能交通、智能制造、智能駕駛等諸多場景得到廣泛應用，大量的智能設備被部署在邊緣節點上，邊緣側將成為整個網絡數據匯聚處理的最前線，如何應對海量異構數據的沖擊是邊緣計算技術的重要挑戰，數據的篩分、整合、存儲、訪問、安全管理等也將成為邊緣智能的技術研究熱點。

4.4 智算中心建設加速，應對高質量算力需求

智算中心以異構計算資源為核心，通常面向人工智能訓練和推理的需求，因其專用性，在面向人工智能場景時性能和能耗更優，借助人工智能芯片+算力機組的強強組合，算力可以實現指數級別的提升。

另外，智算中心有利于提高算力安全可用性，從算力卡到服務器自主打造整個算力“底座”的核心部件不僅針對性更強、效率更高，還更加自主可控、安全可靠，更能確保智算中心安全穩定運行。

智算中心從早期實驗探索逐步走向商業試點，盡管現有規模占比不高，但隨著我國各類人工智能應用場景的豐富，智算需求將快速增長，預期規模增速迅速爆發。

未來的智算中心建設將采用多元開放的架構，兼容成熟主流的軟件生態，支持主流的AI 框架、算法模型、數據處理技術以及廣泛的行業應用。

4.5 模型規模不斷擴展，海量多元化數據亟需巨量化算力

通過大規模數據訓練超大參數量的巨量模型，是實現通用人工智能的一個重要方向。模型規模的擴展可以提供更大的計算資源和存儲能力，幫助算法實現更復雜的學習和推理過程，并提高算法的通用性和遷移能力。

隨著人工智能應用范圍不斷擴大，未來 10 年內，預計人工智能模型的規模將進一步擴展。目前，谷歌、微軟、英偉達、新華三、智源人工智能研究院、百度、阿里等全球知名的AI 公司相繼推出了各自的巨量模型，未來將有更多的超大規模模型出現，擁有數十億個參數。

目前大模型主要集中在自然語言處理領域，多模態任務領域也有一定突破，隨著大模型基礎設施和垂直行業領域小模型應用的發展，圍繞上中下游將產生豐富的大模型產業鏈，大模型將更廣泛的賦能各行各業應用。

面向未來產業界更為復雜的智能決策場景，基于多種網絡數據預訓練，具有決策能力的大模型也將是下一步發展的重點。大模型加速社會各領域數字化轉型及智能化發展，未來將需要更強大的算力來進行訓練和推理，以應對更復雜的人工智能任務。

4.6 自主學習能力提升，推動算力實現更高層次智能

隨著人工智能技術的不斷進步和應用需求的增加，算法具備自主學習的能力將成為推動智能算力發展的關鍵因素。

傳統的算法通常需要人工設計和調整，適用于特定的任務和數據，而具備自主學習能力的算法能夠通過分析和處理數據，自動調整模型參數，優化學習策略，從而適應不同的任務和數據場景，提高算法的適應性和靈活性。

通過具備自主學習能力的算法，智能系統可以從海量的數據中提取有價值 的信息和知識，實現自主的決策、學習和創新。

另外，目前的人工智能模型通常需要大量的標注數據進行訓練，耗費大量人力和時間成本，而通過強化學習、遷移學習等技術的發展，模型可以更好地從少量數據中提取知識，并進行遷移和泛化，從而減少對大規模標注數據的依賴。

5 智能算力發展展望與建議

5.1 智能算力發展展望

智能算力需求爆發。當前人工智能技術正加快融入千行百業，超大規模人工智能模型和海量數據對算力的需求也持續攀升。諸如云游戲、元宇宙、VR/AR 等新應用場景加速照進現實，算力需求旺盛，而大模型的訓練和推理過程進一步帶動算力需求爆發，同時也推動算力需求由通用性CPU 算力向高性能 GPU 算力發展。

根據IDC 預測，中國智能算力規模將持續高速增長，預計到 2026 年中國智能算力規模將達到 1271.4EFLOPS，未來五年復合增長率達 52.3%，同期通用算力規模的復合增長率為 18.5%。

智能算力賦能千行百業。隨著人工智能技術的持續突破，智能時代將加速到來。從技術上來看，人工智能與其他數字技術將會有更廣泛融合、碰撞， 如“AI＋量子計算”、“AI+區塊鏈”、“AI+5G”、“AI+AR/VR”，拓寬人工智能應用場景。

從應用領域看，人工智能將賦能各行各業，廣泛獲得更加多元的應用場景和更大規模的受眾。

AI 已經滲透到工業、醫療、智慧城市等各個領域，未來會有更多產業與智能技術進行創新融合，催生出更多新業態、新模式。

從支撐能力看，依托堅實的智能算力支撐，人工智能技術將逐漸轉變為像網絡、電力一樣的基礎服務設施，向全行業、全領域提供通用的AI 能力， 為產業轉型打造智慧底座，促進產業數字化升級和變革，生物醫藥、天文地理等科技領域將產生一大批新的研究成果，智能駕駛、影視渲染水平大幅提升，廣大人民群眾在日常生活中能夠切身體會到算力帶來的變化。

5.2 智能算力高質量發展建議

隨著新一輪科技革命和產業變革深入發展，人工智能滲透到各行各業，智能算力在賦能產業發展、促進數實融合方面將發揮更加顯著的作用，其帶動產業創新的“乘數效應”也將進一步放大，在未來數年內將為各領域創新發展注入新的活力。

目前，智能算力還面臨諸多挑戰，一方面，海量數據呈指數級增長，數據在加速流動；另一方面，高算力需求還存在能耗高、算法越來越復雜、數據隱私和安全性等多方面的挑戰和問題，亟待加以重視，出臺政策推動相關產業發展。

產業方面，在國家戰略層面制定規劃，多舉措推動智能算力健康有序發展。

第一，加強我國人工智能芯片的研制。制定中國的人工智能芯片國家發展戰路，系統推進人工智能芯片產業發展，產學研用聯動，推動成果轉化，形成人工智能芯片良好的產業生態。

第二，構建統一的人工智能算力服務中心和孵化平臺。解決算力昂貴、算法軟硬不解耦、傳統應用場景算法眾多、選擇難、新應用場景算法缺乏生態支撐等問題。

第三，加強資金支持。引導國家對基金和市場化的社會資本有序、持續地進入，國家資本市場監督和管理部門有傾向性地對智算相關企業予以更多政策傾斜，構建持久、有序、寬容的資本環境。

第四，多措并舉推進綠色智能算力發展。加強節能降碳技術創新應用，推動液冷、蓄冷、高壓直流、余熱利用、蓄能電站等技術在算力基礎設施建設中推廣應用，同步提升太陽能、風能等可再生能源利用水平。

技術方面，加大對智能算力領域的技術研發投入，加大創新攻關。

將計算機視覺、自然語言處理、機器學習等各類智能算力技術進行整合，實現多模態的算力開發，提供更豐富的智能應用。

加快推進軟硬件適配，提高計算效率和資源利用率，針對不同的應用場景，研發更優化的算法，提供更多高性能、高效能的算力解決方案，鼓勵跨領域的技術創新發展可擴展、自演化、高可靠和安全的新型網絡架構，通過新型網絡架構實現數據資源與算力需求的敏捷對接和智能匹配。構建從智能芯片到算法框架，從行業大模型到應用的全站式產業鏈，加快人工智能發展。

標準方面，加快推動開放標準建設，將多元化算力轉變為可調度的資源。促進各部門間的協同合作，共同制定智能算力的技術標準和規范，推動行業的規范化和標準化發展。建立和完善智能算力數據安全的標準體系，保障用戶數據的隱私和安全，加強對個人信息的保護。建立公平、公正的競爭機制，推動產業鏈中各環節的公平競爭，促進整個智能算力產業的健康發展。