ai论文发表量

近些年的科技方面在人工智能的的飞速发展，人工智能不仅给我们的日常生活带来了一些新鲜的亮点。神 经 猿 很好的，该学校为全国高职高校提供人工智能、大数据领域实训及学分课程以及高校人工智能实训室、实验室建设。 ..

“说实话，我很不喜欢「人工智障」这个词。”

在与掘金志的聊天中，一位从事计算机视觉方向的算法工程师多次表示，他讨厌这个词很久了，几乎是本能的反感，即便只是一种调侃，在他看来都是一种嘲讽。

这种嘲讽就好像是，一名路人，对着自己刚刚学会爬的孩子冷嘲热讽：这孩子真笨，连路都不会走。

他甚至坦言，如果身边有同事使用这个词自嘲，他会刻意与之保持距离，因为这种自嘲实属对自己的工作、对专业知识的“不尊重”。

拥有他这种技术性癖好的工程师不在少数，在掘金志询问的多个从业人员之中，都表达了类似观点：通常被问及人工智能水平时，类似表述以 「弱人工智能」 为准。

某负责品牌传播与公关的业务专员透露，如果在对外交流中使用了「人工智障」之类的词，被举报或是被公司发现，“直接影响绩效考核”，因为这类不专业的表述很可能导致负面的传播效果。

在与这些人的谈话中，掘金志发现，在AI圈内，从业者对于AI有着清晰的认知，在外宣的时候，对AI的负面化表述都较为严谨。

然而，在圈外，接二连三发生的各种AI事故，让大众对AI的真实能力产生诸多怀疑，关于人工智能变成人工智障的言论甚嚣尘上，唱衰人工智能的声音时常见诸报端。

表面上，这只是一场关于AI的舆论争议。但，其实质却是企业与大众对AI话语权的争夺，并会直接影响到AI的推广、落地与应用。

“如果大众无法对新技术形成有效的认知，那么新技术的推广则是非常缓慢的。” 某传媒大学在读研究生表示，大众对于新技术的接受能力是逐层递进的，这个进程很容易受到舆论影响，而负面舆论则存在一种 「爆破效应」 ，可能会直接摧毁此前建立起的「信任基础」。

比如自动驾驶，公众对其的信任基础很薄弱，出现多次事故之后，这种信任实际上已经消耗殆尽。

相关调研报告显示，自动驾驶一哥——特斯拉FSD在国内的激活率不足10%，甚至相当一部分人没有开通AP服务，即便在开通的人群中，也很少有人会使用AP功能。

这种现象固然有其客观原因（比如路侧数据不够、算法能力有限），但从舆论传播的角度看，自动驾驶的一次失误，比起传统 汽车 的十次车祸更加严重，从而也给自动驾驶的进一步落地，带来阻碍。

那么，如何给大众建立起对AI的有效认知，推动AI更快、更广泛地落地？

掘金志通过采访之后认为： 媒体报道、企业外宣、大众知识普及教育 ，是三个最主要的途径。而围绕着大众展开的各种「认知教育」，也注定是一场旷日持久的「攻坚战」。

人工智能应用有一个有趣的悖论： 当一种AI技术已经非常普及的时候，人们普遍不会认为这就是AI。

好比上世纪八九十年代，一台黑白电视机可能是划时代的象征，需要手动调频；但现在遥控型的彩色电视机成为标配，人们也不觉得这就算智能。又比如，小区停车场通过车牌识别进出、刷脸进入小区等，在近几年开始普及，但人们很少将之与AI联系起来，即便这里面实际上用了各种识别算法、芯片等等。

在大众的认知里，人工智能理所应当达到电影里机器人的水平，或者近似人一样地思考、行动。

“大众有时对于人工智能过于乐观，甚至高估。” 中国计量大学信息学院副教授、人工智能专业负责人杨力认为，作为走向 社会 的新技术，人们对AI的理解并不全面，认为AI应该无所不能，这种认知与实际并不相符。

在掘金志看来，大众对于人工智能的认知比较浅层，这主要表现在两个方面：

这种浅层认知很容易被诱导，而在一些不着边际的宣传之下，AI本身的能力被过分夸大，大众对AI产生盲目「自信」或高估。

“外行看热闹，内行看门道。”

杨力表示，以人脸识别为例，5年前可能人们会觉得很神秘、先进，但在经过消费类电子的普及之后，许多人觉得人脸识别已经没什么难度了。当他给学生们授课讲人脸识别时，同学们都觉得这已经是很成熟的技术，“并不新鲜，难度不大。”

但其实人脸识别距离高度智能化还有很长一段距离，在许多复杂场景下，很难捕捉到有效的人脸信息。并且，人脸识别在小规模（数据库较小）场景下效果很好，但当数据库非常大的时候，识别的准确率就没那么高了。

“大众由于缺少专业知识，很容易把复杂问题简单化，但从事AI研究的人对此却非常谨慎，普通人觉得简单的技术，从业者可能会觉得‘这个做不了，那个做不了’，简单而言， 就是望山跑死马的感觉。 ”

掘金志发现，由于缺少专业的通识教育，大众对于人工智能的了解渠道比较单一，多数是通过媒体报道、企业宣传这两种途径来触及AI，只有小部分人会自发研读相关书籍、学习课程，以增进了解。

从传播的角度看，如果受众获取信息的渠道有限，那么该信息渠道的控制人将具有信息传递的「控制权」，形成一种「舆论垄断」的局面，而信息在经过多次传播之下，极易「失真」。

实际上，这种「失真」是在所难免的。在AI的传播过程当中，形成了圈内和圈外两大群体，由于人工智能本身属于较高门槛的专业，圈内（企业）和圈外（普通受众）之间的连接，主要通过媒体来实现。

但媒体宣传存在问题是，许多从业者要么科班出身，要么跨界转型，真正懂AI的媒体人只有少数。并且媒体本身随着大数据、互联网技术的变化，进一步下沉到各平台，又造就了无数自媒体，形成了媒体界良莠不齐的局面。在流量导向的环境下，各种消息报道层出不穷，而这类信息又存在「放大效应」（比如标题过于惊乍），以至于大众接受到的信息与实际信息存在「误差」。

在人工智能最为火热的时候，不少AI企业为了拿融资、打知名度，纷纷投放广告、软文，宣传产品，造成人工智能已经能够大规模落地的假象。后来AI遇冷，大众对AI的调侃某种程度上可以看作是前期宣传过于猛烈的一种「反噬」。

当然，圈内也注意到大众传媒存在的局限，不少企业在重要的社交平台上都开辟了宣传渠道，但由于内容差异（比如太垂直、产品推广）或渠道差异，并不符合C端属性，多数AI企业无法直接建立起与大众的有效连接。

因此，在“企业-媒体-大众”这一传播链条下，由于大众传媒本身存在机制缺陷，导致大众很难在参差不齐的信息中，建立起对AI的有效认知。然而企业又不得不依赖大众传媒来宣传AI， 这种内在矛盾，是造成圈内与圈外对AI产生「认知差异」的重要原因。

“归根到底，还是AI人才太少。”在杨力看来，人才是推动产业发展的核心力量，当前AI处于爬坡阶段，技术本身的问题是造成大众对AI产生质疑的根本因素，舆论传播一定程度上加剧了这种影响。

解铃还须系铃人，不论是AI纵深发展，还是横向传播， 只有AI人才，可以给AI「正名」， 但现阶段的情况是，国内AI人才极度紧缺。

“应用型人才真的太少了。”杨力感叹道，当AI从空中楼阁走向田间地头，懂技术又懂行业的人“真的不多”。

而在工信部《人工智能产业人才发展报告（2019-2020）》（下称“报告”）里，预计我国人工智能产业内有效人才缺口达 30 万，而这仅是两年前的数据。实际上，在过去的两年里，根据掘金志观察，AI企业对人才的需求持续旺盛，整个AI产业的应用人才缺口进一步拉大。

作为技术/知识密集型产业，AI的人才准入门槛较高，对学历、工作经验非常看重。

根据报告，2019年AI企业发布的岗位中，仅有11.9%的岗位接受专科学历；也仅有5.4%的岗位接受1年以下工作经验的求职人才；接受提供应届生的岗位仅占3.3%。

这意味着要从事AI行业，基本上要求本科学历，同时，由于多数AI企业缺乏人力、资金和动力去培养应届毕业生（至少一年以上），企业对应届毕业生的需求并不旺盛，而更青睐那些拥有知识储备和实践经验的人才， 这种“排新”性质的招聘需求，又加重了人才短缺情况。

除此之外，AI对人才的专业性要求极强，尤其是算法研究、应用开发等岗位，60%以上岗位要求具备计算机、数学相关专业背景。

各种线性条件约束下，原本就短缺的AI人才，显得更加「紧俏」。

一位AI初创公司HR告诉掘金志，招人是一件很困难的事，“专业、学校、工作经历筛选下来，符合条件的人很少，加上公司要的是进来立马能产出的人，还要考虑薪资这些因素，优秀的人才很难招到；而走校招的话，优秀的毕业生早早被互联网、明星AI公司签下，剩下的也更青睐大公司。筛选去筛选来，选择真的不多。”

除了缺少与行业相结合的应用型人才以外，在杨力的观察之中，AI的另一个人才缺口， 是能够“扎下心来做基础性工作”的理论研究型人才。

根据斯坦福发布的《2022年人工智能报告》，虽然我国在AI 期刊论文的引用数、会议论文发表数量以及在人工智能专利申请数量上排名世界第一，但在AI会议论文被引数上却远落后于欧美。并且，一些创新性的基础理论、前沿 科技 的研究仍以欧美为主。

“很多人工智能的基础理论，都是由外国人/机构提出来的，比如现在比较火热的深度学习。”

杨力表示，这与我国人工智能起步较晚有很大关系，要弥补这样的差距，除了要加强对基础理论研究的资金、人才投入以外，也应该建立起标准的AI人才培养体系，为AI研究提供源源不断的人才活力。

“学校是培养人才的摇篮，理想的情况是， 一部分学生毕业以后从事理论研究，更多的毕业生进入行业，通过产学研联动，来推动AI的落地。”

掘金志了解到，当前我国人工智能产业已经初步形成“政产学研一体化”人才培 养生 态体系，但仍然处于起步阶段。2019年，人工智能专业正式获批列入本科专业名单，国内诸多高校开始自建或与企业共建人工智能学院（研究院），并开设AI专业。

然而，对于如何培养专业的AI人才，各大高校也正处于摸索之中，尚未形成行之有效的范式。

2019年，国内人工智能专业正式获批，被列入本科专业名单，但开办专业需要经过课程建设、实验条件、专业申报等流程，多数学校于近两年才开始正式招生。

换句话说，距离最早的一批AI本科生毕业，离毕业也还需要大概一到两年的时间。

如何把这一批新生培养成才，来填补当前存在的人才缺口，是一件并不容易的事情。此外，未来的第一批毕业生，其综合能力是否达标也极具象征意义。

“一方面，人工智能专业学的内容很难， 以前很多研究生阶段才开设的课程，现在放到本科阶段来学了， 对学生是一种压力，对老师的教学方式、技巧也带来挑战；另一方面，如何将人才培养与 社会 需求结合起来，让学生能够学以致用，也是难点。”

作为人工智能领域的资深学者，杨力在多年的执教生涯中，除了对AI有着深入的研究与思考外，也 探索 出了一些关于培养AI人才的「方法论」。

“首先要尊重学习规律。” 杨力告诉掘金志，AI本身对实践能力的要求较高，这就不能照搬传统学科的培养模式，即大一大二侧重于理论，大三大四侧重于专业。而应该理论和实践并用，先学习、再实践，在实践中学习，然后呈“螺旋式上升”。

在具体举措方面，他表示，可以通过成立 「科创小组」 的模式，鼓励学生以团队协作的方式参加各种学习竞赛、研究课题。

这种小组模式的优势在于：小组覆盖全体学生，通过团队协作，形成内部互帮互助的学习氛围，让成员都能参与到实践之中，成为一个「利益团体」；并且，小组的持续时间覆盖学生的整个大学生涯，所有成员都能共享「利益成果」。同时，小组成员之间互相帮助，从某种程度上也能给老师减轻压力。

“其次要因材施教，激发学生对AI的求知欲、 探索 欲。”

杨力表示，学生对AI的学习兴趣也呈现出明显的「二八定律」，即20%的学生求知欲很强，而80%的学生兴趣一般。

“对于这20%的学生，你只需要告诉他怎样做到最好，并且告诉他这个过程中需要注意的事项、细节，其余的无需太过关心；而对于80%的学生，他们的兴趣没那么高，就需要比较细致的指导，并且需要搭配一些「强制指派」，例如直接分配任务让他们参加。”

“再而，通过激励机制来刺激学生的创作灵感。”

比如，在课程设计时，将创新性纳入评分标准之中，以课程成绩来驱动学生进行创新。

例如，在做某个案例时，如果学生只是根据老师列的步骤照猫画虎，其成绩最高可能也就刚好及格，而剩下的分数则全靠个人创意和发挥。

“大多数学生需要老师给一些推力，而成绩就是最好的激励。”杨力表示，学生为了拿更高的绩点，便不得不“多费心思”，而不是敷衍了之，最终交上来的作品“往往有很多意想不到的亮点”。

“最后，教师与学生之间要形成良性互动的正循环。”

本科教学存在的一个普遍问题是，学生与教师之间的互动较弱，或者只存在于课堂之上，课外的联系非常少，“上课是师生，下课是路人”的情况并不少见。

在杨力看来，如果老师仅仅把教学当作是一种工作任务来完成，那么学生也会采取应付的态度。相反，如果老师富有责任感，学生也会受到其“以身作则的影响“，更有进取意识。

因而，老师可以通过带项目、线上线下互动等方式与学生沟通，来了解学生的需求，给自身的教学工作进行反馈，而这种反馈最终又将通过教学的方式来触及学生，形成「师生共赢」的局面。

除了培养AI人才方法论外，杨力也指出，培养人工智能专业人才需要 破除「唯研究生论」。

“读人工智能专业必须读研究生，不读研究生就没有前途。”

不少人持有这样的观点，但杨力却坚决表示反对。他认为，原来很多研究生的课程已经下放到本科来学，本科阶段的人才培养成体系之后，学生的理论、实践能力将能够满足AI行业的基本需求，一味追求研究生教育，只会造成AI圈越来越卷，无助于缓解行业人才短缺情况。

“当然，研究生教育也很重要，但研究生人才培养可能更应该倾向于基础理论方面， 而AI的规模化落地，需要更多应用型人才去推动。”

举个例子：很多传统制造业引进了人工智能，比如机械臂、自动化生产设备等，但由于缺少应用型人才，企业买回去的设备不知道该怎么使用，也不知道如何做到效益最大化，更不懂运营维护。

这样的岗位，并不需要从业者非常深厚的理论功底，而是有AI基础，又懂行业的人才。而在传统产业智能化升级过程中，类似的人才缺口非常大。

“实际上，当AI走向各行各业、落地之后，对人才的需求也会发生变化，而在本科阶段，通过理论学习加上与专业相关的 社会 实践，也能培养出优秀的人才。”

在刚结束的冬奥会上，杨力教授带领他的团队做了一个智能辅助技术，可通过视频来实现对选手动作进行回顾与分析，给裁判打分给予参考。

虽然只是一个比较简单的行为识别，模型并不精巧，市场上有很多AI公司具备开发该技术的能力。但让人欣慰的是，这个项目一经提出，学生们便踊跃参加，在导师的指引下，一步步挖掘数据、标注、建模、训练、测试，整个过程持续两周之久，大部分工作由学生完成，而且是在春节期间，有同学甚至因为出力不够而深感抱歉。

“Talk is cheap.”在杨力看来，这个项目别人有能力做，然而只有他们去落地实践了，并且整个项目由大一学生完成，过程远重于结果， 他们“代表着AI领域的新生力量。”

做这个项目也并非一帆风顺。

该项目的成员，中国计量大学信息学院 21级人工智能专业学生，蒋正阳告诉掘金志，小组在建模的时候，要么网络太大训练太慢，要么网络太小而不适合要求，难以达到预期目标。同时，训练也会遇到算力不够的情况。

经过多次失败尝试之后，小组不得不求助于杨力教授，后者补充了一种网络结构，该结构下，模型变得相对“较轻”，训练也可以符合预期。

最终，小组成功研发出“单板滑雪AI裁判技术”。该技术可在画面模糊、相机高速运动、长距离全景画面等复杂场景下，对运动员是否抓板进行精准识别，从而为裁判打分提供依据，助力「冬奥公平」。

“我们的专业知识有限，需要继续加强理论学习。通过这个项目，我们了解了从零开始做项目的过程、方法、难度，积累了经验。当然，最后看到项目跑出来的结果，内心还是很欣喜的。”蒋总结道。

杨力认为，遇到问题很正常，关键在于去行动、实践了。“人在学走的路上，会跌倒很多次，但不能因为跌倒，就只学爬，这样永远也不会走。”

这何尝不是国内AI发展的缩影。

在经历无人问津的韬光养晦期之后，国内AI于10年开始蓬勃发展，商汤、旷视、云从、依图等一众AI公司先后诞生，受到资本热捧，撑起国内AI的希望。但激情燃烧之后，随之而来的是行业落地难、商业化难、变现难等各种质疑。

如今的AI，正处于从爬到走的摸索期，磕磕碰碰、跌倒摔倒等时有发生，也被大众调侃成「人工智障」。

但杨力对此并不沮丧，反而感到乐观， 因为“有越来越多的企业、越来越多的人才参与到AI的发展、推广、落地之中”， 在“政产学研”模式的推动之下，AI也将被掀开神秘面纱，显露出最真实的样子，而大众在未来也会对AI形成一个“全面、客观”的认知。

在掘金志与多位AI从业者的交流过程中，几乎所有人都对AI充满希望，即便AI仍然处于「弱人工智能」阶段，他们仍然坚信，AI有着光明的未来。

“AI的浩海不止于边边角角，而在于改变世界。”开篇吐槽「人工智障」的那位工程师告诉掘金志，即便改变世界的路途，充满坎坷，但 “因为热爱，所以坚持。”

而对于大众的一些调侃和质疑，他迟疑了一下，回道：

“请给AI一些包容。”雷峰网雷峰网

前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》

——综述篇——

第1章： 人工智能行业综述及数据来源说明

1.1 人工智能行业界定

1.1.1 人工智能的界定

1.1.2 人工智能相似概念辨析

1.1.3 《国民经济行业分类与代码》中人工智能行业归属

1.2 人工智能行业分类

1.3 人工智能行业监管规范体系

1.3.1 人工智能专业术语说明

1.3.2 人工智能行业监管体系介绍

1、 中国人工智能行业主管部门

2、 中国人工智能行业自律组织

1.3.3 人工智能行业标准体系建设现状（国家/地方/行业/团体/企业标准）

1、 中国人工智能标准体系建设

2、 中国人工智能现行标准汇总

3、 中国人工智能即将实施标准

4、 中国人工智能重点标准解读

1.4 本报告研究范围界定说明

1.5 本报告数据来源及统计标准说明

1.5.1 本报告权威数据来源

1.5.2 本报告研究方法及统计标准说明

——现状篇——

第2章： 全球人工智能行业市场发展现状及趋势

2.1 全球人工智能行业发展现状分析

2.1.1 全球人工智能发展所处阶段

2.1.2 全球人工智能行业发展概况

2.1.3 全球人工智能企业增长情况

2.1.4 全球人工智能行业布局分析

1、 企业布局情况

2、 AI领域高层次人才分布情况

2.1.5 全球人工智能行业竞争分析

1、 区域竞争情况

2、 企业竞争

2.2 全球人工智能行业投资现状分析

2.2.1 全球人工智能整体投资规模分析

2.2.2 全球人工智能融资轮次情况分析

2.2.3 全球人工智能企业融资情况分析

2.3 欧洲人工智能行业发展现状分析

2.3.1 欧洲人工智能市场发展现状

2.3.2 欧洲人工智能市场投资现状

2.3.3 欧洲人工智能市场应用领域

2.3.4 欧盟人脑工程项目（HBP）

1、 项目概况

2、 项目内容

3、 经验和启示

2.4 美国人工智能行业发展现状分析

2.4.1 美国人工智能市场发展现状

2.4.2 美国人工智能市场投资现状

2.4.3 美国人工智能企业数量分析

2.4.4 美国人工智能市场应用领域

2.4.5 美国大脑研究计划（BRAIN）

2.5 日本人工智能行业发展现状分析

2.5.1 日本人工智能市场发展现状

2.5.2 日本人工智能市场投资现状

2.5.3 日本人工智能市场企业数量分析

2.5.4 日本人工智能市场应用领域

2.5.5 日本大脑研究计划（MINDS）

2.6 全球人工智能行业发展趋势分析

2.6.1 全球人工智能行业整体发展趋势

2.6.2 全球人工智能行业技术发展趋势

第3章： 中国人工智能行业市场发展现状分析

3.1 中国人工智能行业所处发展阶段分析

3.2 中国人工智能行业发展现状分析

3.2.1 中国人工智能行业市场规模

3.2.2 中国人工智能企业层次和技术分析

3.2.3 人工智能热点细分领域分析

3.2.4 人工智能行业人才培养体系分析

1、 人工智能人才供需情况

2、 人工智能人才培养情况

3.3 4.3 中国人工智能行业生态格局分析

3.3.1 人工智能行业生态格局基本架构

3.3.2 人工智能行业基础资源支持层

1、 运算平台

2、 数据工厂

3.3.3 人工智能行业技术实现路径层

3.3.4 人工智能行业应用实现路径层

3.3.5 人工智能行业未来生态格局展望

1、 基础资源支持层实现路径

2、 AI技术层的实现路径

第4章： 中国人工智能行业市场竞争状况及融资并购分析

4.1 中国人工智能行业市场竞争布局状况

4.1.1 中国人工智能行业竞争者入场进程

4.1.2 中国人工智能行业竞争者省市分布热力图

4.1.3 中国人工智能行业竞争者战略布局状况

4.2 中国人工智能行业市场竞争格局分析

4.2.1 中国人工智能行业企业竞争集群分布

4.2.2 中国人工智能行业企业竞争格局分析

4.3 中国人工智能行业市场集中度分析

4.4 中国人工智能行业波特五力模型分析

4.4.1 中国人工智能行业供应商的议价能力

4.4.2 中国人工智能行业消费者的议价能力

4.4.3 中国人工智能行业新进入者威胁

4.4.4 中国人工智能行业替代品威胁

4.4.5 中国人工智能行业现有企业竞争

4.4.6 中国人工智能行业竞争状态总结

第5章： 中国人工智能行业投资现状及趋势分析

5.1 中国人工智能投融资规模分析

5.1.1 中国人工智能投融资规模

5.1.2 中国人工智能投融资轮次分布

5.2 中国人工智能投资企业分析

5.2.1 人工智能领先企业投资情况

5.2.2 人工智能行业独角兽企业

5.3 中国人工智能细分领域现状

5.3.1 人工智能细分领域投资结构

5.3.2 计算机视觉领域投资分析

5.3.3 语音识别领域投资分析

5.3.4 自然语言处理领域投资分析

5.3.5 机器学习领域投资分析

5.4 中国人工智能投资区域分布

5.5 中国人工智能行业投资趋势分析

第6章： 中国人工智能产业链全景梳理及配套产业发展分析

6.1 中国人工智能产业结构属性（产业链）分析

6.1.1 中国人工智能产业链结构梳理

6.1.2 中国人工智能产业链生态图谱

6.2 人工智能基础层分析

6.2.1 人工智能基础层功能分析

6.2.2 AI芯片市场分析

1、 AI芯片定义及分类

2、 AI芯片发展阶段

3、 AI芯片市场规模

4、 AI芯片竞争格局

6.2.3 云计算市场分析

1、 云计算行业发展历程

2、 云计算行业市场规模

3、 云计算行业竞争格局

6.3 中国人工智能技术层分析

6.3.1 人工智能技术层功能分析

6.3.2 人工智能技术层代表企业

6.4 中国人工智能应用层分析

第7章： 中国人工智能行业细分市场发展状况

7.1 中国人工智能行业细分市场结构

7.2 中国人工智能市场分析：机器学习

7.2.1 机器学习市场概述

7.2.2 机器学习市场发展现状

7.2.3 机器学习发展趋势前景

7.3 中国人工智能市场分析：机器视觉

7.3.1 机器视觉市场概述

7.3.2 机器视觉市场发展现状

7.3.3 机器视觉发展趋势前景

7.4 中国人工智能市场分析：语音识别

7.4.1 语音识别市场概述

7.4.2 语音识别市场发展现状

7.4.3 语音识别发展趋势前景

7.5 中国人工智能市场分析：自然语言处理

7.5.1 自然语言处理市场概述

7.5.2 自然语言处理市场发展现状

7.5.3 自然语言处理发展趋势前景

7.6 中国人工智能行业细分市场战略地位分析

第8章： 中国人工智能行业细分应用市场需求状况

8.1 中国人工智能行业下游应用场景/行业领域分布

8.1.1 中国人工智能应用场景分布（有什么用？能解决哪些问题？）

1、 应用场景一

2、 应用场景二

3、 应用场景三

8.1.2 中国人工智能应用行业领域分布及应用概况（主要应用于哪些行业？）

1、 人工智能应用行业领域分布

2、 人工智能各应用领域市场渗透概况

8.2 中国智慧安防领域人工智能需求潜力分析

8.2.1 中国智慧安防发展状况

1、 智慧安防发展现状

2、 智慧安防趋势前景

8.2.2 中国智慧安防领域人工智能需求特征及产品类型

8.2.3 中国智慧安防领域人工智能需求现状分析

8.2.4 中国智慧安防领域人工智能需求趋势前景

8.3 中国智慧金融领域人工智能需求潜力分析

8.3.1 中国智慧金融发展状况

1、 智慧金融发展现状

2、 智慧金融趋势前景

8.3.2 中国智慧金融领域人工智能需求特征及产品类型

8.3.3 中国智慧金融领域人工智能需求现状分析

8.3.4 中国智慧金融领域人工智能需求趋势前景

8.4 中国智慧医疗领域人工智能需求潜力分析

8.4.1 中国智慧医疗发展状况

1、 智慧医疗发展现状

2、 智慧医疗趋势前景

8.4.2 中国智慧医疗领域人工智能需求特征及产品类型

8.4.3 中国智慧医疗领域人工智能需求现状分析

8.4.4 中国智慧医疗领域人工智能需求趋势前景

8.5 中国智能机器人领域人工智能需求潜力分析

8.5.1 中国智能机器人发展状况

1、 智能机器人发展现状

2、 智能机器人趋势前景

8.5.2 中国智能机器人领域人工智能需求特征及产品类型

8.5.3 中国智能机器人领域人工智能需求现状分析

8.5.4 中国智能机器人领域人工智能需求趋势前景

8.6 中国智能家居领域人工智能需求潜力分析

8.6.1 中国智能家居发展状况

1、 智能家居发展现状

2、 智能家居趋势前景

8.6.2 中国智能家居领域人工智能需求特征及产品类型

8.6.3 中国智能家居领域人工智能需求现状分析

8.6.4 中国智能家居领域人工智能需求趋势前景

8.7 中国人工智能行业细分应用市场战略地位分析

第9章： 全球及中国人工智能行业代表性企业布局案例研究

9.1 全球及中国人工智能代表性企业布局梳理及对比

9.2 全球人工智能代表性企业布局案例分析（可定制）

9.2.1 Google（谷歌）

1、 人工智能发展战略

2、 企业运营状况

3、 企业人工智能业务布局状况

4、 企业人工智能业务销售网络布局

5、 企业人工智能业务市场地位及在华布局

9.2.2 Microsoft（微软）

1、 人工智能发展战略

2、 企业运营状况

3、 企业人工智能业务布局状况

4、 企业人工智能业务销售网络布局

5、 企业人工智能业务市场地位及在华布局

9.3 中国人工智能代表性企业布局案例分析（可定制）

9.3.1 百度

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.2 华为

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.3 阿里巴巴

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.4 科大讯飞

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.5 寒武纪

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.6 格灵深瞳

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.7 旷视科技

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.8 优必选

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.9 思必驰

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

9.3.10 博联智能

1、 人工智能发展战略

2、 人工智能市场布局

3、 人工智能代表产品分析

4、 人工智能市场地位

5、 人工智能研发水平

6、 企业智能融资历程

7、 人工智能应用案例分析

——展望篇——

第10章： 中国人工智能行业发展环境洞察

10.1 中国人工智能行业经济（Economy）环境分析

10.1.1 中国宏观经济发展现状

10.1.2 中国宏观经济发展展望

10.1.3 中国人工智能行业发展与宏观经济相关性分析

10.2 中国人工智能行业社会（Society）环境分析

10.2.1 中国人工智能行业社会环境分析

10.2.2 社会环境对人工智能行业发展的影响总结

10.3 中国人工智能行业政策（Policy）环境分析

10.3.1 国家层面人工智能行业政策规划汇总及解读（指导类/支持类/限制类）

1、 国家层面人工智能行业政策汇总及解读

2、 国家层面人工智能行业规划汇总及解读

10.3.2 重点省/市人工智能行业政策规划汇总及解读（指导类/支持类/限制类）

1、 重点省/市人工智能行业政策规划汇总

2、 重点省/市人工智能行业发展目标解读

10.3.3 国家重点规划/政策对人工智能行业发展的影响

10.3.4 政策环境对人工智能行业发展的影响总结

10.4 人工智能行业技术环境分析

10.4.1 人工智能技术发展现状

1、 人工智能重点技术发展状态

2、 人工智能重大技术成果

10.4.2 人工智能相关专利情况分析

10.4.3 技术环境对行业发展的影响分析

10.5 中国人工智能行业SWOT分析（优势/劣势/机会/威胁）

第11章： 中国人工智能行业市场前景预测及发展趋势预判

11.1 中国人工智能行业发展潜力评估

11.2 中国人工智能行业未来关键增长点分析

11.3 中国人工智能行业发展前景预测（未来5年数据预测）

11.4 中国人工智能行业发展趋势预判（疫情影响等）

第12章： 中国人工智能行业投资战略规划策略及建议

12.1 中国人工智能行业进入与退出壁垒

12.1.1 人工智能行业进入壁垒分析

12.1.2 人工智能行业退出壁垒分析

12.2 中国人工智能行业投资风险预警

12.3 中国人工智能行业投资机会分析

12.3.1 人工智能行业产业链薄弱环节投资机会

12.3.2 人工智能行业细分领域投资机会

12.3.3 人工智能行业区域市场投资机会

12.3.4 人工智能产业空白点投资机会

12.4 中国人工智能行业投资价值评估

12.5 中国人工智能行业投资策略与建议

12.6 中国人工智能行业可持续发展建议

图表目录

图表1：人工智能的界定

图表2：人工智能相关概念辨析

图表3：《国民经济行业分类与代码》中人工智能行业归属

图表4：人工智能的分类

图表5：人工智能专业术语说明

图表6：中国人工智能行业监管体系

图表7：中国人工智能行业主管部门

图表8：中国人工智能行业自律组织

图表9：中国人工智能标准体系建设

图表10：中国人工智能现行标准汇总

图表11：中国人工智能即将实施标准

图表12：中国人工智能重点标准解读

图表13：本报告研究范围界定

图表14：本报告权威数据资料来源汇总

图表15：本报告的主要研究方法及统计标准说明

图表16：人工智能行业发展历程

图表17：2019-2021年全球人工智能市场规模（单位：亿美元）

图表18：2019-2021年全球人工智能独角兽数量情况（单位：家）

图表19：全球科技巨头人工智能布局情况

图表20：截至2022年全球人工智能领域高层次学者数量前十国家（单位：人次）

图表21：2019-2021年全球人工智能独角兽企业数量前三国家（单位：家）

图表22：2030年全球各地区人工智能产值占GDP比重预测分析（单位：%）

图表23：2022年全球人工智能企业TOP20（单位：家）

图表24：全球人工智能细分领域企业竞争格局分析

图表25：2013-2022年全球人工智能投融资情况（单位：亿元，起）

图表26：2022年全球人工智能融资轮次分布情况（按事件数）（单位：起，%）

图表27：2022年全球人工智能企业融资事件汇总

图表28：截止到2022年11月欧洲人工智能重点政策汇总

图表29：2014-2022年欧洲人工智能市场投资情况（单位：亿元，起）

图表30：截至2022年11月欧洲人工智能部分投融资情况

图表31：人脑计划阶段分析

图表32：人脑计划搭建的6个信息平台介绍

图表33：欧盟人脑计划启示

图表34：截止2022年11月美国人工智能重点政策汇总

图表35：2014-2022年美国人工智能市场投资情况（单位：亿元，起）

图表36：截至2022年11月美国人工智能部分投融资情况

图表37：2022年全球人工智能企业数量分布情况（单位：%）

图表38：美国最成功的10个人工智能应用案例

图表39：2014-2025年美国大脑研究计划投资预算（单位：百万美元）

图表40：日本人工智能工程表内容

图表41：截至2022年日本人工智能部分投融资情况

图表42：日本十大AI初创公司

图表43：日本人工智能应用情况

图表44：日本Brain/MINDS计划研究机构与内容

图表45：全球人工智能行业整体发展趋势

图表46：全球人工智能行业技术发展趋势

图表47：中国人工智能发展阶段

图表48：2018-2022年中国人工智能产业规模情况（单位：亿元）

图表49：2022年中国人工智能企业层次分布（单位：%）

图表50：2022年中国人工智能企业核心技术分布（单位：%）

图表51：2011-2022年十大A1热点

图表52：人工智能各技术方向岗位人才供需比

图表53：人工智能各职能岗位人才供需比

图表54：全国首批建设“人工智能”（080717T）本科新专业高校名单

图表55：2018-2022年中国新增开设“人工智能”本科专业学校数量（单位：所）

图表56：中国龙头企业与高校合作或共建人工智能学院汇总

图表57：人工智能产业生态格局的三层基本架构

图表58：人工智能技术层的运行机制

图表59：人工智能应用实现路径层案例分析

图表60：中国人工智能行业竞争者入场进程

图表61：中国人工智能行业竞争者区域分布热力图

图表62：中国人工智能行业竞争者发展战略布局状况

图表63：中国人工智能行业企业战略集群状况

图表64：中国人工智能行业企业竞争格局分析

图表65：中国人工智能行业国产替代布局状况

图表66：中国人工智能行业市场集中度分析

图表67：中国人工智能行业供应商的议价能力

图表68：中国人工智能行业消费者的议价能力

图表69：中国人工智能行业新进入者威胁

图表70：中国人工智能行业替代品威胁

图表71：中国人工智能行业现有企业竞争

图表72：中国人工智能行业竞争状态总结

图表73：2013-2022年中国人工智能行业投融资情况（单位：亿元，起）

图表74：2022年中国人工智能融资轮次分布情况（按事件数）（单位：起，%）

图表75：人工智能领先企业投资情况

图表76：2022年中国人工智能行业独角兽排行榜（单位：亿元）

图表77：中国人工智能行业主要投资细分领域情况

图表78：2016-2022年中国计算机视觉领域投融资情况（单位：亿元，起）

图表79：截至2022年11月中国计算机视觉领域部分投融资情况

图表80：2016-2022年中国语音识别领域投融资情况（单位：亿元，起）

图表81：截至2022年11月中国语音识别领域部分投融资情况

图表82：2016-2022年中国自然语言处理领域投融资情况（单位：亿元，起）

图表83：截至2022年11月中国自然语言处理领域部分投融资情况

图表84：2016-2022年中国机器学习领域投融资情况（单位：亿元，起）

图表85：截至2022年11月中国机器学习领域部分投融资情况

图表86：2022年中国人工智能行业投融资事件数量地区分布情况（单位：%）

图表87：中国人工智能产业链结构

图表88：中国人工智能产业链生态图谱

图表89：人工智能芯片分类

图表90：我国人工智能芯片行业所处周期

图表91：2018-2023年中国人工智能芯片行业规模（亿元）

图表92：全球人工智能芯片厂商竞争层次情况

图表93：全球主要AI芯片类型及企业

图表94：2022年中国人工智能芯片企业TOP10

图表95：中国云计算发展阶段

图表96：2016-2022年中国云计算市场规模增长情况（单位：亿元，%）

图表97：中国云计算市场竞争梯队

图表98：2022年中国云计算企业百强名单

图表99：人工智能行业技术层概况

图表100：中国人工智能行业产业链技术层代表性企业

图表101：中国人工智能行业细分市场结构

图表102：中国机器学习市场发展现状

图表103：中国机器学习发展趋势前景

图表104：中国机器视觉市场发展现状

图表105：中国机器视觉发展趋势前景

图表106：中国语音识别市场发展现状

图表107：中国语音识别发展趋势前景

图表108：中国自然语言处理市场发展现状

图表109：中国自然语言处理发展趋势前景

图表110：中国人工智能行业细分市场战略地位分析

图表111：中国人工智能应用场景分布

图表112：中国人工智能应用行业领域分布及应用概况

图表113：中国智慧安防发展现状

图表114：中国智慧安防趋势前景

图表115：中国智慧安防领域人工智能需求特征及产品类型

图表116：中国智慧安防领域人工智能需求现状分析

图表117：中国智慧安防领域人工智能需求趋势前景

图表118：中国智慧金融发展现状

图表119：中国智慧金融趋势前景

图表120：中国智慧金融领域人工智能需求特征及产品类型

略......完整报告请咨询客服

人

工智能（Artificial Intelligence，AI）是利用机器学习和数据分析方法赋予机器模拟、延伸

近年来， 在大数据、算法和计算机能力三大要素的共同驱动下，人工智能进入高速发展阶段。

人工智能市场格局

人工智能赋能实体经济，为生产和生活带来革命性的转变。 人工智能作为新一轮产业变革 的核心力量，将重塑生产、分配、交换和消费等经济活动各环节，催生新业务、新模式和 新产品。从衣食住行到医疗教育，人工智能技术在 社会 经济各个领域深度融合和落地应用。同时，人工智能具有强大的经济辐射效益，为经济发展提供强劲的引擎。据埃森哲预测， 2035 年，人工智能将推动中国劳动生产率提高 27%，经济总增加值提升 7.1 万亿美元。

多角度人工智能产业比较

战略部署：大国角逐，布局各有侧重

全球范围内，中美“双雄并立”构成人工智能第一梯队，日本、英国、以色列和法国等发 达国家乘胜追击，构成第二梯队。同时，在顶层设计上，多数国家强化人工智能战略布局， 并将人工智能上升至国家战略，从政策、资本、需求三大方面为人工智能落地保驾护。后起之秀的中国，局部领域有所突破。中国人工智能起步较晚，发展之路几经沉浮。自 2015 年以来，政府密集出台系列扶植政策，人工智能发展势头迅猛。由于初期我国政策 侧重互联网领域，资金投向偏向终端市场。因此，相比美国产业布局，中国技术层（计算 机视觉和语音识别）和应用层走在世界前端，但基础层核心领域（算法和硬件算力）比较 薄弱，呈“头重脚轻”的态势。当前我国人工智能在国家战略层面上强调系统、综合布局。

美国引领人工智能前沿研究，布局慢热而强势。 美国政府稍显迟缓，2019 年人工智能国 家级战略（《美国人工智能倡议》）才姗姗来迟。但由于美国具有天时（5G 时代）地利（硅 谷）人和（人才）的天然优势，其在人工智能的竞争中已处于全方位领先状态。总体来看， 美国重点领域布局前沿而全面，尤其是在算法和芯片脑科学等领域布局超前。此外，美国聚焦人工智能对国家安全和 社会 稳定的影响和变革，并对数据、网络和系统安全十分重视。

伦理价值观引领，欧洲国家抢占规范制定的制高点。 2018 年，欧洲 28 个成员国(含英国) 签署了《人工智能合作宣言》，在人工智能领域形成合力。从国家层面来看，受限于文化和语言差异阻碍大数据集合的形成，欧洲各国在人工智能产业上不具备先发优势，但欧洲 国家在全球 AI 伦理体系建设和规范的制定上抢占了“先机”。欧盟注重探讨人工智能的社 会伦理和标准，在技术监管方面占据全球领先地位。

日本寻求人工智能解决 社会 问题。 日本以人工智能构建“超智能 社会 ”为引领，将 2017 年确定为人工智能元年。由于日本的数据、技术和商业需求较为分散，难以系统地发展人 工智能技术和产业。因此，日本政府在机器人、医疗 健康 和自动驾驶三大具有相对优势的 领域重点布局，并着力解决本国在养老、教育和商业领域的国家难题。

基础层面：技术薄弱，芯片之路任重道远

基础层由于创新难度大、技术和资金壁垒高等特点，底层基础技术和高端产品市场主要被欧美日韩等少数国际巨头垄断。 受限于技术积累与研发投入的不足，国内在基础层领域相 对薄弱。具体而言，在 AI 芯片领域，国际 科技 巨头芯片已基本构建产业生态，而中国尚 未掌握核心技术，芯片布局难以与巨头抗衡；在云计算领域，服务器虚拟化、网络技术 （SDN）、 开发语音等核心技术被掌握在亚马逊、微软等少数国外 科技 巨头手中。虽国内 阿里、华为等 科技 公司也开始大力投入研发，但核心技术积累尚不足以主导产业链发展；在智能传感器领域，欧洲（BOSCH，ABB）、美国（霍尼韦尔）等国家或地区全面布局传 感器多种产品类型，而在中国也涌现了诸如汇顶 科技 的指纹传感器等产品，但整体产业布 局单一，呈现出明显的短板。在数据领域，中国具有的得天独厚的数据体量优势，海量数 据助推算法算力升级和产业落地，但我们也应当意识到，中国在数据公开力度、国际数据 交换、统一标准的数据生态系统构建等方面还有很长的路要走。

“无芯片不 AI”，以 AI 芯片为载体的计算力是人工智能发展水平的重要衡量标准，我们 将对 AI 芯片作详细剖析，以期对中国在人工智能基础层的竞争力更细致、准确的把握。

依据部署位置，AI 芯片可划分为云端（如数据中心等服务器端）和终端（应用场景涵盖手 机、 汽车 、安防摄像头等电子终端产品）芯片；依据承担的功能，AI 芯片可划分为训练和 推断芯片。训练端参数的形成涉及到海量数据和大规模计算，对算法、精度、处理能力要 求非常高，仅适合在云端部署。目前，GPU（通用型）、FPGA（半定制化）、ASIC（全定制化）成为 AI 芯片行业的主流技术路线。不同类型芯片各具优势，在不同领域呈现多 技术路径并行发展态势。我们将从三种技术路线分别剖析中国 AI 芯片在全球的竞争力。

GPU（Graphics Processing Unit）的设计和生产均已成熟，占领 AI 芯片的主要市场份 额。GPU 擅长大规模并行运算，可平行处理海量信息，仍是 AI 芯片的首选。据 IDC 预测， 2019 年 GPU 在云端训练市场占比高达 75%。在全球范围内，英伟达和 AMD 形成双寡头 垄断，尤其是英伟达占 GPU 市场份额的 70%-80%。英伟达在云端训练和云端推理市场推 出的 GPU Tesla V100 和 Tesla T4 产品具有极高性能和强大竞争力，其垄断地位也在不断 强化。目前中国尚未“入局”云端训练市场。由于国外 GPU 巨头具有丰富的芯片设计经 验和技术沉淀，同时又具有强大的资金实力，中国短期内无法撼动 GPU 芯片的市场格局。

FPGA（Field Programmable Gate Array）芯片具有可硬件编程、配置高灵活性和低能耗等优点。FPGA 技术壁垒高，市场呈双寡头垄断：赛灵思（Xilinx）和英特尔（Intel）合计 占市场份额近 90%，其中赛灵思的市场份额超过 50%，始终保持着全球 FPGA 霸主地位。 国内百度、阿里、京微齐力也在部署 FPGA 领域，但尚处于起步阶段，技术差距较大。

ASIC（Application Specific Integrated Circuits）是面向特定用户需求设计的定制芯片， 可满足多种终端运用。尽管 ASIC 需要大量的物理设计、时间、资金及验证，但在量产后， 其性能、能耗、成本和可靠性都优于 GPU 和 FPGA。与 GPU 与 FPGA 形成确定产品不 同，ASIC 仅是一种技术路线或方案，着力解决各应用领域突出问题及管理需求。目前， ASIC 芯片市场竞争格局稳定且分散。我国的 ASIC 技术与世界领先水平差距较小，部分领域处于世界前列。在海外，谷歌 TPU 是主导者；国内初创芯片企业（如寒武纪、比特大陆和地平线），互联网巨头（如百度、华为和阿里）在细分领域也有所建树。

总体来看 ，欧美日韩基本垄断中高端云端芯片，国内布局主要集中在终端 ASIC 芯片，部分领域处于世界前列，但多以初创企业为主，且尚未形成有影响力的“芯片−平台−应用” 的生态，不具备与传统芯片巨头（如英伟达、赛灵思）抗衡的实力；而在 GPU 和 FPGA 领域，中国尚处于追赶状态，高端芯片依赖海外进口。

技术层面：乘胜追击，国内头部企业各领风骚

技术层是基于基础理论和数据之上，面向细分应用开发的技术。 中游技术类企业具有技术 生态圈、资金和人才三重壁垒，是人工智能产业的核心。相比较绝大多数上游和下游企业聚焦某一细分领域、技术层向产业链上下游扩展较为容易。该层面包括算法理论（机器学 习）、开发平台（开源框架）和应用技术（计算机视觉、智能语音、生物特征识别、自然 语言处理）。众多国际 科技 巨头和独角兽均在该层级开展广泛布局。近年来，我国技术层 围绕垂直领域重点研发，在计算机视觉、语音识别等领域技术成熟，国内头部企业脱颖而 出，竞争优势明显。但算法理论和开发平台的核心技术仍有所欠缺。

具体来看，在算法理论和开发平台领域，国内尚缺乏经验，发展较为缓慢。 机器学习算法是人工智能的热点，开源框架成为国际 科技 巨头和独角兽布局的重点。开源深度学习平台 是允许公众使用、复制和修改的源代码，是人工智能应用技术发展的核心推动力。目前， 国际上广泛使用的开源框架包括谷歌的 TensorFlow、脸书的 Torchnet 和微软的 DMTK等， 美国仍是该领域发展水平最高的国家。我国基础理论体系尚不成熟，百度的 PaddlePaddle、 腾讯的 Angle 等国内企业的算法框架尚无法与国际主流产品竞争。

在应用技术的部分领域，中国实力与欧美比肩。 计算机视觉、智能语音、自然语言处理是三大主要技术方向，也是中国市场规模最大的三大商业化技术领域。受益于互联网产业发 达，积累大量用户数据，国内计算机视觉、语音识别领先全球。自然语言处理当前市场竞 争尚未成型，但国内技术积累与国外相比存在一定差距。

作为落地最为成熟的技术之一，计算机视觉应用场景广泛。 计算机视觉是利用计算机模拟 人眼的识别、跟踪和测量功能。其应用场景广泛，涵盖了安防（人脸识别）、医疗（影像诊断）、移动互联网（视频监管）等。计算机视觉是中国人工智能市场最大的组成部分。据艾瑞咨询数据显示，2017 年，计算机视觉行业市场规模分别为 80 亿元，占国内 AI 市 场的 37%。由于政府市场干预、算法模型成熟度、数据可获得性等因素的影响，计算机视觉技术落地情况产生分化。我国计算机视觉技术输出主要在安防、金融和移动互联网领域。而美国计算机视觉下游主要集中在消费、机器人和智能驾驶领域。

计算机视觉技术竞争格局稳定，国内头部企业脱颖而出。 随着终端市场工业检测与测量逐 渐趋于饱和，新的应用场景尚在 探索 ，当前全球技术层市场进入平稳的增长期，市场竞争格局逐步稳定，头部企业技术差距逐渐缩小。中国在该领域技术积累丰富，技术应用和产 品的结合走在国际前列。2018 年，在全球最权威的人脸识别算法测试（FRVT）中，国内 企业和研究院包揽前五名，中国技术世界领先。国内计算机视觉行业集中度高，头部企业 脱颖而出。据 IDC 统计，2017 年，商汤 科技 、依图 科技 、旷视 科技 、云从 科技 四家企业 占国内市场份额的 69.4%，其中商汤市场份额 20.6%排名第一。

应用层面：群雄逐鹿，格局未定

应用场景市场空间广阔，全球市场格局未定。 受益于全球开源社区，应用层进入门槛相对较低。目前，应用层是人工智能产业链中市场规模最大的层级。据中国电子学会统计，2019 年，全球应用层产业规模将达到360.5 亿元，约是技术层的1.67 倍，基础层的2.53 倍。 在全球范围内，人工智能仍处在产业化和市场化的 探索 阶段，落地场景的丰富度、用户需 求和解决方案的市场渗透率均有待提高。目前，国际上尚未出现拥有绝对主导权的垄断企 业，在很多细分领域的市场竞争格局尚未定型。

中国侧重应用层产业布局，市场发展潜力大。 欧洲、美国等发达国家和地区的人工智能产 业商业落地期较早，以谷歌、亚马逊等企业为首的 科技 巨头注重打造于从芯片、操作系统 到应用技术研发再到细分场景运用的垂直生态，市场整体发展相对成熟；而应用层是我国 人工智能市场最为活跃的领域，其市场规模和企业数量也在国内 AI 分布层级占比最大。据艾瑞咨询统计，2019 年，国内77%的人工智能企业分布在应用层。得益于广阔市场空间以及大规模的用户基础，中国市场发展潜力较大，且在产业化应用上已有部分企业居于 世界前列。例如，中国 AI+安防技术、产品和解决方案引领全球产业发展，海康威视和大 华股份分别占据全球智能安防企业的第一名和第四名。

整体来看 ，国内人工智能完整产业链已初步形成，但仍存在结构性问题。从产业生态来看， 我国偏重于技术层和应用层，尤其是终端产品落地应用丰富，技术商业化程度比肩欧美。 但与美国等发达国家相比，我国在基础层缺乏突破性、标志性的研究成果，底层技术和基 础理论方面尚显薄弱。初期国内政策偏重互联网领域，行业发展追求速度，资金投向追捧 易于变现的终端应用。人工智能产业发展较为“浮躁”，导致研发周期长、资金投入大、 见效慢的基础层创新被市场忽略。“头重脚轻”的发展态势导致我国依赖国外开发工具、 基础器件等问题，不利于我国人工智能生态的布局和产业的长期发展。短期来看，应用终 端领域投资产出明显，但其难以成为引导未来经济变革的核心驱动力。中长期来看，人工智能发展根源于基础层（算法、芯片等）研究有所突破。

透析人工智能发展潜力

基于人工智能产业发展现状，我们将从智能产业基础、学术生态和创新环境三个维度，对 中国、美国和欧洲 28 国人工智能发展潜力进行评估，并使用熵值法确定各指标相应权重 后，利用理想值法（TOPSIS 法）构建了一个代表人工智能发展潜力整体情况的综合指标。

从智能产业基础的角度

产业化程度：增长强劲，产业规模仅次美国

中国人工智能尚在产业化初期，但市场发展潜力较大。 产业化程度是判断人工智能发展活 力的综合指标，从市场规模角度，据 IDC 数据，2019 年，美国、西欧和中国的人工智能 市场规模分别是 213、71.25 和 45 亿美元，占全球市场份额依次为 57%、19%和 12%。中国与美国的市场规模存在较大差异，但近年来国内 AI 技术的快速发展带动市场规模高速增长，2019 年增速高达 64%，远高于美国（26%）和西欧（41%）。从企业数量角度， 据清华大学 科技 政策研究中心，截至 2018 年 6 月，中国（1011 家）和美国（2028 家） 人工智能企业数全球遥遥领先，第三位英国（392 家）不及中国企业数的 40%。从企业布局角度，据腾讯研究院，中国 46%和 22%的人工智能企业分布在语音识别和计算机视觉 领域。横向来看，美国在基础层和技术层企业数量领先中国，尤其是在自然语言处理、机器学习和技术平台领域。而在应用层面（智能机器人、智能无人机），中美差距略小。展 望未来，在政策扶持、资本热捧和数据规模先天优势下，中国人工智能产业将保持强劲的 增长态势，发展潜力较大。

技术创新能力：专利多而不优，海外布局仍有欠缺

专利申请量是衡量人工智能技术创新能力和发展潜质的核心要素。在全球范围内，人工智 能专利申请主要来源于中国、美国和日本。2000 年至 2018 年间，中美日三国 AI 专利申 请量占全球总申请量的 73.95%。中国虽在 AI 领域起步较晚，但自 2010 年起，专利产出 量首超美国，并长期雄踞申请量首位。

从专利申请领域来看， 深度学习、语音识别、人脸识别和机器人等热门领域均成为各国重 点布局领域。其中，美国几乎全领域领跑，而中国在语音识别（中文语音识别正确率世界 第一）、文本挖掘、云计算领域优势明显。具体来看，多数国内专利于 AI 科技 热潮兴起后 申请，并集中在应用端（如智能搜索、智能推荐），而 AI 芯片、基础算法等关键领域和前 沿领域专利技术主要仍被美国掌握。由此反映出中国 AI 发展存在基础不牢，存在表面繁 荣的结构性不均衡问题。

中国 AI 专利质量参差不齐，海外市场布局仍有欠缺。 尽管中国专利申请量远超美国，但技术“多而不强，专而不优”问题亟待调整。其一，中国 AI 专利国内为主，高质量 PCT 数量较少。PCT（Patent Cooperation Treaty）是由 WIPO 进行管理，在全球范围内保护 专利发明者的条约。PCT 通常被为是具有较高的技术价值。据中国专利保护协会统计，美国 PCT 申请量占全球的 41%，国际应用广泛。而中国 PCT 数量（2568 件）相对较少， 仅为美国 PCT 申请量的 1/4。目前，我国 AI 技术尚未形成规模性技术输出，国际市场布 局欠缺；其二，中国实用新型专利占比高，专利废弃比例大。我国专利类别包括发明、实 用新型专利和外观设计三类，技术难度依次降低。中国拥有 AI 专利中较多为门槛低的实 用新型专利，如 2017 年，发明专利仅占申请总量的 23%。此外，据剑桥大学报告显示， 受高昂专利维护费用影响，我国 61%的 AI 实用新型和 95%的外观设计将于 5 年后失效， 而美国 85.6%的专利仍能得到有效保留。

人才储备：供需失衡，顶尖人才缺口大

人才的数量与质量直接决定了人工智能的发展水平和潜力。目前，全球人工智能人才分布 不均且短缺。据清华大学统计，截至 2017 年，人才储备排名前 10 的国家占全球总量的 61.8%。欧洲 28 国拥有 43064 名人工智能人才，位居全球第一，占全球总量的 21.1%。美国和中国分别以 28536、18232 列席第二、第三位。其中，中国基础人才储备尤显薄弱。根据腾讯研究院，美国 AI 技术层人才是中国 2.26 倍，基础层人才数是中国的 13.8 倍。

我国人工智能人才供需严重失衡，杰出人才缺口大。 据 BOSS 直聘测算，2017 年国内人 工智能人才仅能满足企业 60%的需求，保守估计人才缺口已超过 100 万。而在部分核心领域（语音识别、图像识别等）， AI 人才供给甚至不足市场需求的 40%，且这种趋势随 AI 企业的增加而愈发严重。在人工智能技术和应用的摸索阶段，杰出人才对产业发展起着 至关重要的作用，甚至影响技术路线的发展。美国（5158 人）、欧盟（5787 人）依托雄 厚的科研创新能力和发展机会聚集了大量精英，其杰出人才数在全球遥遥领先，而中国杰 出人才（977 人）比例仍明显偏低，不足欧美的 1/5。

人才流入率和流出率可以衡量一国生态体系对外来人才吸引和留住本国人才的能力。 根据 Element AI 企业的划分标准，中国、美国等国家属于 AI 人才流入与流出率均较低的锚定 国（Anchored Countries），尤其是美国的人工智能人才总量保持相对稳定。具体来看， 国内人工智能培育仍以本土为主，海外人才回流中国的 AI 人才数量仅占国内人才总量的 9%，其中，美国是国内 AI人才回流的第一大来源大国，占所有回流中国人才比重的 43.9%。 可见国内政策、技术、环境的发展对海外人才的吸引力仍有待加强。

从学术生态的角度

技术创新能力：科研产出表现强劲，产学融合尚待加强

科研能力是人工智能产业发展的驱动力。从论文产出数量来看，1998-2018 年，欧盟、中国、美国位列前三，合计发文量全球占比 69.64%。近些年，中国积极开展前瞻性 科技 布 局， AI发展势头强劲，从1998年占全球人工智能论文比例的8.9%增长至2018年的28.2%， CAGR17.94%。2018 年，中国以 24929 篇 AI 论文居世界首位。中国研究活动的活跃从 侧面体现在人工智能发展潜力较大。

我国论文影响力仍待提高，但与欧美差距逐年缩小。 FWCI（Field-Weighted Citation Impact， 加权引用影响力）指标是目前国际公认的定量评价科研论文质量的最优方法，我们利用 FWCI 表征标准化1后的论文影响力。当 FWCI≥1 时，代表被考论文质量达到或超过了世 界平均水平。近 20 年，美国的 AI 论文加权引用影响力“独领风骚”，2018 年，FWCI 高 于全球平均水平的 36.78%；欧洲保持相对平稳，与全球平均水平相当；中国 AI 领域论文 影响力增幅明显，2018 年，中国 FWCI 为 0.80，较 2010 年增长 44.23%，但论文影响力仍低于世界平均水平的 20%。从高被引前 1%论文数量来看，美国和中国高质量论文产出 为于全球第一、第二位，超出第三位英国论文产出量近 4 倍。综合来看，中国顶尖高质量 论文产出与美国不分伯仲，但整体来看，AI 论文影响力与美国、欧美仍有差距。

从发文主体来看，科研机构和高校是目前中国人工智能知识生产的绝对力量，反映出科研成 果转化的短板。 而美国、欧盟和日本则呈现企业、政府机构和高校联合参与的态势。据Scopus 数据显示，2018 年，美国企业署名 AI 论文比例是中国的 7.36 倍，欧盟的 1.92 倍。2012 年 至 2018 年，美国企业署名 AI 论文比例增长 43pct，同期中国企业署名 AI 论文仅增长 18pct。 此外，人工智能与市场应用关联密切，校企合作论文普遍存在。而我国校-企合作论文比例仅为 2.45%，与以色列（10.06%）、美国（9.53%）、日本（6.47%）差别较大。从产学结合的角度， 中国人工智能研究以学术界为驱动，企业在科研中参与程度较低，或难以实现以市场为导向。

中国人工智能高校数量实位于第二梯队，实力比肩美国。高校是人工智能人才供给和论文 产出的核心载体。 据腾讯研究院统计，全球共 367 所高校设置人工智能相关学科，其中， 美国（168 所）独占鳌头，占据全球的 45.7%。中国拥有 20 所高校与英国并列第三，数 量上稍显逊色。此外，中国高校实力普遍上升，表现强劲。据麻省理工学院 2019 年发布的AI 高校实力 Top20 榜单中，中国清华大学、北京大学包揽前两名，较 2018 年分别上 升 1 个和 3 个名次。

从创新环境的角度

研发投入：中美研发投入差距收窄

中国研发高投入高强度，在全球研发表现中占据重要地位。 从研发投入的角度，美国、中国、日本和德国始终是全球研发投入的主力军。据 IDC 统计显示，2018 年四国的研发投 入总和占全球总量的比例已达 60.77%。其中，美国凭借其强大的研发实力连续多年位居 全球研发投入的榜首。近年来，中国研发投入呈现一路猛增的强进势头，据 Statista 统计， 国内 2019 年研发投入额为 5192 亿美元，仅次于美国。且趋势上与美国差距不断缩小， 2000 年至 2019 年，CAGR 高达 14.43%，同期美国 CAGR 仅 2.99%。由于经济疲软等 诸多原因，欧盟与日本则呈现较为缓慢的上升趋势。据研发投入与强度增长的趋势推测， 中国或在 1-2 年内取代美国的全球研发领先地位。从研发强度的角度，中国研发强度总体 上呈逐步攀升的趋势，且涨幅较大。但对创新活动投入强度的重视程度仍与美国和日本存 在差距。2018 年中国研发强度 1.97%，低于日本和美国 1.53、0.87 个百分点。

资本投入：资金多而项目缺，资本投向侧重终端市场

中美是全球人工智能“融资高地”。 人工智能开发成本高，资本投入成为推动技术开发的主力。在全球范围内，美国是人工智能新增企投融资领先者，据 CAPIQ 数据显示，2010 年至 2019 年 10 月，美国 AI 企业累计融资 773 亿美元，领先中国 320 亿美元，占全球总 融资额的 50.7%。尤其是特朗普政府以来，人工智能投资力度逐步加码。中国作为全球第 二大融资体，融资总额占全球 35.5%。考虑到已有格局和近期变化，其他国家和地区难以 从规模上撼动中美两国。从人工智能新增企业数量来看，美国仍处于全球领先地位。2010 至 2018 年，美国累计新增企业数量 7022 家，较约是中国的 8 倍（870 家）。中国每年新 增人工智能企业在 2016 年达到 179 家高点后逐渐下降，近两年分别是 179 家（ 2017 年）， 151 家（2018 年），表明中国资本市场对 AI 投资也日趋成熟和理性。整体来看，中国人 工智能新增企业增势缓慢，但融资总额涨幅迅猛。这一“资金多而项目缺”的态势或是行 业泡沫即将出现的预警。

相比较美国，中国资本投向侧重易落地的终端市场。 从融资层面来看，中国各领域发展较 为均衡，应用层是突出领域，如自动驾驶、计算机学习与图像、语音识别和无人机技术领 域的新增融资额均超过美国。而美国市场注重底层技术的发展。据腾讯研究院数据显示， 芯片和处理器是美国融资最多的领域，占总融资额的 31%。当前中国对人工智能芯片市场 高度重视，但受限于技术壁垒和投资门槛高，国内芯片融资处于弱势。

基于信息熵的 TOPSIS 法：综合指标评估

数据结果显示，美国综合指标及三大项目指标评分绝对领先，中国第二，欧洲 28 国暂且落后。 具体来看，美国在人工智能人才储备、创新产出、融资规模方面优势明显。中国作为后起之秀，尽管有所赶超，但总体水平与美国相比仍有差距，尤其是杰出人才资源、高 质量专利申请上存在明显的缺陷和短板。但在论文数量和影响力、研发投入等指标上，中国正快速发展，与美国差距收窄。从各指标具体分析来看，我国人工智能研究主要分布在 高校和科研机构，企业参与度较低，产出成果较多呈现条块化、碎片化现象，缺乏与市场 的系统性融合，这将不利于中国人工智能技术的发展和产业优势的发挥。此外，我国科研 产出、企业数量和融资领域集中于产业链中下游，上游核心技术仍受制于国外企业。未来， 若国内底层技术领域仍未能实现突破，势必导致人工智能产业发展面临瓶颈。

展望

转自丨 信息化协同创新专委会

人工智能的发展现状处于成长期，由于相关人才的数量比较少，人工智能的人才市场处于空缺，出现了供不应求的状况。加之国家发布相关政策促进人工智能的发展；一些省份也比较重视人工智能的发展

文/陈根

人工智能，已经成为中美两国竞争的着力点 。

作为一种变革性技术，人工智能是现代工业发展的产物，具有推动产业革新、提升经济效益和促进 社会 发展的巨大潜力。正是由于具备主导技术发展和推动 社会 形态转变的基本潜质， 因此，人工智能不仅被视为未来创新范式的“技术基底”，更是被世界各国视为推动新一轮 科技 革命和产业变革的关键力量 。

纵观 历史 ，每一次 科技 革命、产业革命及军事变革的耦合与互动，都深刻影响乃至重塑了全球竞争格局。在人工智能的全球博弈中，中美两国作为领先大国，成为人工智能发展最为瞩目的两个国家。而中美两国对于人工智能高地的抢占，更关系着未来国际格局的重塑和全球人工智能的治理。

美国领先，中国跟进

2019年，美信息技术与创新基金会（ITIF）的数据创新中心曾发布百页研究报告《谁将在人工智能角逐中胜出：中国、欧盟或美国？》。报告对中、美、欧人工智能发展现状进行比较测算—— 美国以44.2分领先，中国以32.3分位居第二，欧盟则以23.5分位居第三 。美国的人工智能领先地位彰显无疑，而中国则以追赶之势跟进。

事实上，美国之所以能够占据人工智能全球领先地位，与人工智能在美国的发展密切相关。 1956年，人工智能正式在美国诞生。卡内基梅隆天学、麻省理工学院、IBM公司成为美国最初的3个核心人工智能研究机构。

60年代至90年代初，美国人工智能相关程序设计语言、专家系统等已取得重大进展，产品化方面取得重要成就。 比如，1983年，世界第一家批量生产统一规格电脑的公司诞生。并且，美国开始尝试应用Al研究成果，比如，利用矿藏勘探专家系统PROSPECTOR在华盛顿发现一处矿藏。

而同期的中国，人工智能才刚进入萌芽阶段 。1978年，中国科学大会在北京召开。科学事业思想解放，为中国人工智能产业发展提供基础。同年，“智能模拟”被纳入国家研究计划，中国人工智能产业在国家层面的推动下正式发展。

从研究成果来看，美国在人工智能方面的研究成果在全球处于领先地位 。根据全球最大的引文数据库Scopus的检索结果，2018年美国共发表了16233篇与人工智能有关的同行评审论文。论文数量的快速增长主要发生在2013年之后，5年内增长了2.7倍。

尽管同期中国和欧盟的人工智能论文数量也有类似的快速增长，并且每年发表论文的数量明显超过美国。 但是，就论文质量而言，美国人工智能论文的质量一直大幅度领先于其他地区。 2018年，美国平均每篇论文被引用的次数为2.23次，而中国为1.36 次。美国每个作者被引用的次数也比全球平均水平高出 40%。

尤其是在深度学习领域，美国的发表论文数量远超过其他国家。2015至2018 年，美国共在预印本文库网站arXiv发表了3078篇相关论文，是中国同期的两倍。 近几年，美国每年取得的人工智能专利数量更是占到全球总量的一半左右，专利引证数量占到全球的 60% 。

在关键技术上，美国的研究成果依旧居于世界领先地位 。比如，在计算机视觉领域，谷歌公司和卡内基梅隆大学开发的 Noisy Student方法对图片进行分类的Top-1准确率达到 88.4%，比6年前提高了35个百分点；在云基础设施上训练大型图像分类系统所需的时间，已经从2017年的3个小时减少到 2019年的88 秒，训练费用也从 1112美元下降到12.6美元。

从产业发展来看，根据中国信息通信研究院数据研究中心的《全球人工智能产业数据报告（2019Q1）》研究报告， 截至2019年3月底，全球活跃人工智能企业注达5386家。仅美国就多达2169家，数量远超过其他国家 。中国大陆达1189家，排名第三的英国则为404家。

而从企业 历史 统计来看，美国人工智能企业的发展也早于中国5年。美国人工智能企业最早从1991年萌芽，1998进入发展期，2005后开始高速成长期，2013后发展趋稳。而中国人工智能企业则诞生于1996年，2003年产业进入发展期，在2015年达到峰值后进入平稳期。

美国公司在专利和主导性人工智能收购方面表现更为强劲 。比如，在15个机器学习子类别中，微软和IBM在8个子类别中申请了比其他任何实体公司都更多的专利，包括监督学习和强化学习类。美国公司在20个领域中的12个领域的专利申请处于领先地位，包括农业（迪尔公司）、安全（IBM公司）以及个人设备、计算机和人机互动（微软公司）。

人才储备是美国在人工智能得以领先的又一关键原因。人工智能产业的竞争，可以说，就是人才和知识储备的竞争。 只有投入更多的科研人员，不断加强基础研究，才会获得更多的智能技术 。

根据 MacroPolo 智库的研究，在报告所圈定的顶级人工智能研究人才中，59% 在美国工作，中国占了 11%，与美国有四五倍的差距。剩下的人工智能人才则分布在欧洲、加拿大和英国，人才差异显而易见。

中美角逐，追赶和超越

尽管美国在研究成果和人才储备上具有先发优势，但中国作为后起之秀，在政策的引导和宽松的环境下，正以追赶之势加快跟进美国人工智能产业的发展。

经过多年的积累，中国已在人工智能领域取得了一系列重要成果，形成了自身独特的发展优势。 不论是顶层的设计还是研发资源的投入，亦或是产业的发展，都呈加快追赶的态势，甚至在部分人工智能核心技术领域已可与美国比肩。尽管欲见成效仍需时日，但中美两国对于人工智能高地的抢占，已经开始。

从顶层设计来看，中美有近乎相仿的重视程度。 美国和中国政府都已经把人工智能的发展上升至国家战略，出台发展战略规划，从国家战略层面进行整体推进 。

早在2016 年 10 月，奥巴马政府就发布了两份与人工智能发展相关的重要文件，即《国家人工智能研发战略规划》和《为未来人工智能做准备》。中国政府也在2017年3月，将“人工智能”首次写入全国政府工作报告，并于同年7月发布《新一代人工智能发展规划》，人工智能全面上升为国家战略。

美国人工智能报告体现了美国政府对新时代维持自身领先优势的战略导向。作为最大的发展中国家，中国也在战略引导和项目实施上做了整体规划和部署。并且，美国和中国都在国家层面建立了相对完整的研发促进机制，整体推进人工智能发展。

从研发资源的投入来看，美国政府对研发的资金投入相对不足。 纵向来看，在过去的几十年中，联邦政府用于研发的支出占国内生产总值（GDP）的百分比从1964年的1.86%下降到2018年的0.7%。

目前，美国联邦政府的年度财政赤字已超过1万亿美元，累积的政府债务相当于 GDP的107%。 这些因素都会限制美国政府对人工智能及其相关基础研究的长期资金投入。

横向上看，美国政府对研发的投入正在被中国和欧盟追赶 。美国在全球研发投入中所占的份额从1960年的69%下降到2016年的28%。2000-2015年，美国只占全球研发投入增长的 19%，而中国占到了31%。

2019年8月 31日，上海宣布设立人工智能产业投资基金，仅首期就投入了100亿元人民币，最终规模将达到千亿元人民币，美国联邦政府的投资则是相形见绌。

从产业发展来看，尽管中国AI产业基础层整体实力较弱，少有全球领先的芯片公司，但各大厂商正加快布局追赶，包括百度、阿里、腾讯及华为等厂商在基础层软硬件的加快布局 。

对于技术层来说，中国企业则发展势头良好。 百度、阿里、腾讯和华为等综合型厂商在计算机视觉、自然语言处理、语音识别等核心技术领域均有布局，同时创业独角兽在垂直领域迅速发展。

应用层上，人工智能应用场景多样，中国人工智能企业已在教育、医疗、新零售等领域实现广泛布局，而金融、医疗、零售、安防、教育、机器人等行业亦有为数较多的人工智能企业参与竞争。

着眼未来，我国在人工智能发展方面仍然具有一定优势， 包括对基础理论研究的重视、丰富的技术应用场景、完善的创新生态链、企业数量的规模优势，以及我国在发展人工智能方面的人才优势。

此外，大数据优势是中国发展人工智能的重要优势，人工智能技术发展需要有大量的数据积累进行训练。中国较为完备的工业体系和庞大的人口基数，也使得中国人工智能发展在数据积累方面优势明显。

人工智能的未来难以预测，但可以看到的是，世界的竞争格局将因人工智能而改变。在巨变的环境里，只有通过创新发展以人工智能为代表的新一轮战略前沿技术，成为新竞赛规则的重要制定者、新竞赛领域的重要主导者、新竞赛范式的重要引领者，才能制胜未来而不是尾随未来。