人工智能AI对碳中和的影 响及发展导向

1、目 录 HYPERLINK l _TOC_250011 人工智能行业是人类进入智能时代的决定性力量 3 HYPERLINK l _TOC_250010 人工智能行业是人类进入智能时代的决定性力量 3 HYPERLINK l _TOC_250009 产业链分为基础层、技术层、应用层 5 HYPERLINK l _TOC_250008 我国人工智能行业仍将处于高增长阶段 6 HYPERLINK l _TOC_250007 算力提升是人工智能行业发展的核心驱动因素 8 HYPERLINK l _TOC_250006 人工智能芯片类型多样、场景有别 8 HYPERLINK l _TOC_250005

2、GPU、FPGA、ASIC 等各显千秋 11 HYPERLINK l _TOC_250004 人工智能将在实现碳中和过程中发挥重要作用 13 HYPERLINK l _TOC_250003 AI+工业：重塑生产制造环节 14 HYPERLINK l _TOC_250002 AI+交通：智慧交通节能减排 17 HYPERLINK l _TOC_250001 AI+能源：应用潜力更待挖掘 20 HYPERLINK l _TOC_250000 AI+环保：环保监测的革命 22人工智能行业是人类进入智能时代的决定性力量人工智能行业是人类进入智能时代的决定性力量人工智能（Artificial Intel

3、ligence，AI）是通过普通计算机程序来呈现人类智能的技术。核心问题是建构跟人相似甚至更高的能力，包括推理、规划、学习、交流、感知、使用工具和操控机械等。人工智能的应用包括四个方面：感知，即看、听、读、写、说，典型应用如语音识别、自然语言处理；认知，包括分析识别、预测、判断、学习；创造力，如作诗、绘画；智能，涉及到人类的自我意识、认知与价值观。图 1：人工智能的典型应用包括深蓝、Siri、AlphaGo 等数据来源：罗兰贝格中国人工智能创新应用白皮书美国计算机协会 1956 年组织的Dartmouth 学会上提出了人工智能概念。1956 年，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨

4、 “如何用机器模拟人的智能”，首次提出了“人工智能”这一概念，标志着人工智能学科的诞生。根据中科院院士谭铁牛的报告，在这之后，人工智能经历了起步发展期、反思发展期、应用发展期、低迷发展期、稳步发展期、蓬勃发展期等 6 个时期。因此，人工智能行业是在起起伏伏中向前发展的，既有经费枯竭的寒冬，也有技术突破而大发展的春天。表 1：人工智能已经进入蓬勃发展期时间发展阶段发展情况1956 年20起步发展期世纪 60 年代初20 世纪60 年代反思发展期70 年代初人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。发展初期的突破性进展提升了人们

5、的期望，开始尝试更具挑战性的任务，并提出了一些不切实际的目标。然而，接二连三的失败（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。20 世纪70 年代应用发展期初80 年代中20 世纪80 年代低迷发展期中90 年代中20 世纪 70 年代出现的专家系统模拟人类专家的知识和经验解决特定领域问题，实现人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的突破。专家系统在医疗、化学等领域取得成功，推动人工智能走入应用发展的高潮。随着人工智能应用规模扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、推理方法单一、难以与现有数据库兼容等

6、问题逐渐暴露出来。由于网络技术特别是互联网技术发展，加速人工智中2010 年1997 年 IBM 深蓝超级计算机战胜国际象棋世界冠军，2008 年 IBM 提出“智慧地球”的概念。随着大数据、云计算、物联网等信息技术发展，泛2011 年至今蓬勃发展期在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术发展，跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。20 世纪90 年代稳步发展期能创新研究，促使人工智能技术进一步实用化。数据来源：求是，人工智能被视

7、作推动人类进入智能时代的决定性力量。地位与蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网相当。从竞争格局上看，全球产业界纷纷布局，但尚未形成垄断。谷歌 2017 年提出其发展战略从“移动优先”转向“人工智能优先”，BAT 等国内互联网巨头也相继设立了人工智能实验室，众多创新企业凭借在细分领域的优势参与垂直应用领域的竞争。世界各主要经济体把人工智能作为提升竞争力的抓手，2013 年以来已有 20 多个国家地区发布了人工智能相关的战略或规划。例如，我国国务院 2017 年发布新一代人工智能发展规划，描绘了面向 2030 年的人工智能发展路线图。图 2：主要经济体的人工智能战略相继发布

8、数据来源：中国信通院，产业链分为基础层、技术层、应用层人工智能产业链分为基础层、技术层、应用层。基础层包括算力、算法、数据，在产业链中起到基础支撑的作用，如算力中的 CPU/GPU/FPGA提供了计算能力；技术层根据用途划分为计算机视觉、智能语音、自然语言处理等；应用层与特定场景绑定，如 2C 端的智能设备，2B 端的 AI+工业、AI+金融、AI+零售，2G 端的 AI+安防，它们的商业模式、竞争格局各异。基础层是构建生态的基础并且需要长期投入，技术层是构建护城河的基础，应用层直戳行业痛点因而变现能力最强。图 3：人工智能产业链结构包括基础层、技术层、应用层数据来源：艾瑞咨询GPU 加速器已

9、达到实质生产的高峰期。Gartner 每年发布的人工智能技术成熟度曲线展现了各细分技术的发展阶段与期望值高低。在 2020 年的曲线中，GPU 加速器在生产力上表现最佳，预计未来 2-5 年内，其采用率将从 5%-20%增加到 20%-50%，为计算密集型工作负载提供性能。多数技术依然处于前三个阶段，即技术萌芽期、期望膨胀的顶峰期、泡沫化的低谷期，比如通用人工智能（AGI）当下还缺乏商业可行性。图 4：Gartner 人工智能技术成熟度曲线显示 GPU 进入成熟期数据来源：Gartner我国人工智能行业仍将处于高增长阶段我国 2020 年人工智能市场规模约为 400 亿元人民币。IDC 将人工

10、智能市场分为硬件、软件和服务三个部分，中国市场的硬件占比在 50%以上。 2020H1，中国加速服务器市场规模达到 12.9 亿美元，其中 GPU 服务器占据 93.4%的份额；人工智能软件及应用市场规模达 15.3 亿美元，其中计算机视觉应用、语音语义应用、机器学习开发平台分别为 7.42、 6.45、1.4 亿美元。综合 IDC 数据，大致可推测出 2020 年中国人工智能市场规模约为 400 亿元人民币。展望未来，IDC 预计至 2024 年，中国 GPU 服务器市场规模将达到 60 亿美元，人工智能软件及应用市场规模将达到 127.5 亿美金，未来 5 年依然处于高速增长的阶段。图 5

11、：中国加速服务器市场依然高速增长图 6：中国 GPU 服务器市场 2024 年将达 60 亿美元数据来源：IDC数据来源：IDC人工智能硬件市场集中度高。加速服务器对应的下游行业主要包括互联网、政府、服务业，浪潮、华为、曙光这几家传统服务器厂商主导了中国加速服务器市场，三者合计的市场份额超过了 80%。而中国人工智能软件及应用市场呈现出百花齐放的竞争格局，新兴创业公司比较活跃，例如计算机视觉应用的商汤科技、依图科技，语音语义应用的思必驰，机器学习开发平台的第四范式等。图 7：浪潮、华为主导中国加速服务器市场图 8：中国计算机视觉应用市场相对分散数据来源：IDC备注：市场份额对应时间为 2020

12、H1，按厂商销售额统计数据来源：IDC备注：市场份额对应时间为 2020H1，统计口径未明确说明2019 年，我国人工智能行业投融资规模有所回落，泡沫弱化。2014 年至 2019Q3，中国人工智能行业共发生 2845 起投融资事件，总金额为 3583.65 亿元人民币。资金重点投向了应用及平台、硬件方面，而 AI基础技术的投融资规模较小，反映出我国人工智能行业偏重应用、技术基础仍待夯实的特点。14001200100080060040020007006005004003002001000120010008006001141981630570400200020259基础技术应用及平台视觉技术语音

13、技术硬件其他总体融资规模（亿元）融资事件数（起）融资规模（亿元）图 9:2014-2019 中国人工智能行业投融资情况图 10:2014-2019 中国人工智能行业投融资领域分布2019Q1-Q320182017201620152014数据来源：CVSource，投中研究院，数据来源：CVSource，投中研究院，算力提升是人工智能行业发展的核心驱动因素算力是人工智能三大要素的核心。正如人工智能学者吴恩达所比喻：发展人工智能就像用火箭发射卫星，需要强有力的引擎和充足的燃料；那么，算法模型相当于是火箭引擎，算力可以理解为打造引擎的工具，海量的数据则是引擎的燃料。算力提升提高了算法效率和演进节奏。

14、2012 年时，深度学习模型 AlexNet 识别一张 ImageNet 图片需要 7.6108 次基本运算，训练该 模型需要 3.171017 次基本运算。如以 1993 年出品的 Intel CPU 奔 腾 P5 执行，需要近百年才能完成训练，至少需要 10 分钟完成推理，而 如今的品牌旗舰手机只用数百微秒就能完成这样的图像识别。在度量上，算力以芯片每秒可执行的基本运算次数来度量，1TOPS 代表处理器每秒 可进行一万亿次基本运算操作。人工智能芯片类型多样、场景有别AI 芯片向上为应用和算法提供支持，向下对器件和电路、工艺和材料提出需求。应用和算法的快速发展，尤其是深度学习、卷积神经网络，

15、对底层芯片提出了 2-3 个数量级的性能优化需求。例如，Google 在 2019年提出的 EfficientNet B7 深度学习模型，每完成一次前向计算，需要 3.611010 次基本运算，是 7 年前同类模型 AlexNet 运算需求的 50倍。同时，新型材料、工艺和器件的发展，也为 AI 芯片提供了性能提升、功耗降低的可行性。图 11：人工智能芯片相关技术概览数据来源：人工智能芯片技术白皮书（2018）AI 芯片包括传统芯片与智能芯片两类。AI 芯片并没有一个公认的定义。广义上来说，面向人工智能应用的芯片都可以称为 AI 芯片。传统芯片如 CPU、GPU、FPGA 等，起初并非面向人工

16、智能，但在功能上可以满足人工智能应用的需求；不过，芯片架构、性能、能效等方面不能适应人工智能技术的快速发展。智能芯片则专门针对人工智能设计，包括通用型与专用型。通用型智能芯片是针对人工智能领域内多样化的应用设计的芯片，对视觉、语音、自然语言处理、传统机器学习技术等各类人工智能技术具备较好的普适性；专用型智能芯片是面向特定、具体、相对单一的人工智能应用所设计的专用集成电路，即ASIC。图 12：人工智能芯片包括传统芯片、通用型智能芯片和专用型智能芯片数据来源：从场景来看，云端、终端和边缘端对 AI 芯片的算力和功耗有着不同要求。人工智能技术在云端、终端、边缘端均有应用。云端是指在大规模数据中心进

17、行的远程计算处理；终端则是个人可以直接使用的设备，比如手机、平板电脑等；边缘端靠近数据源头。表 2：不同场景对芯片的需求、算力、功耗有着不同要求场景芯片需求典型计算能力典型功耗典型应用领域云端高性能、高计算密度、兼有推理和训练任务、单价30TOPS50 瓦云计算数据中心、企业私有云等高、硬件产品形态少终端低功耗、高能效、推理任务为主、成本敏感、硬件8TOPS5 瓦各类消费类电子、物联网产品等产品形态众多对功耗、性能、尺寸的要边缘求常介于终端与云端之端间、推理任务为主、多用于插电设备、硬件产品形态相对较少5 至 30TOPS4 至 15 瓦智能制造、智能家居、智能零售、智慧交通、智慧金融、智慧医

18、疗、智能驾驶等众多应用领域数据来源：寒武纪招股说明书，备注：云、边、端场景尚无标准划分界限，上表为寒武纪基于研发体系划分。云端兼有训练和推理任务，终端和边缘端以推理为主。对于训练阶段，要基于巨大的数据集来调整模型参数，以提高准确度，比如图像识别、语音识别这些复杂问题，训练阶段要做反复的迭代计算。推理阶段是在已经建立的人工智能模型中输入数据，然后得到输出，比如给定图片，识别物体。推理阶段对单个任务的计算能力要求没有训练阶段那么大，但推理的次数会很多。IDC 预计到 2021 年，人工智能推理市场占比将超过训练市场。图 13：用于推理工作负载的服务器市场份额将超过训练120.0100.080.06

19、0.040.020.00.02018201920202021202220232024训练推理数据来源：IDC，GPU、FPGA、ASIC 等各显千秋GPU 已经发展到相对成熟阶段。GPU 即图形处理器，是个人电脑、游戏设备、平板电脑、智能手机中进行图像和图形运算的芯片。由于深度学习算法需要很高的内在并行度、浮点计算能力以及矩阵运算能力，基于 CPU 的传统计算架构逐渐无法充分满足高性能并行计算需求，2015年后，GPU 的应用使得硬件计算能力的不足得以被弥补。GPU 擅长数据级并行处理，峰值运算性能高，但能耗也较高。在人工智能领域，GPU多应用于数据中心服务器，在终端应用较少。FPGA 具有可

20、编程性。FPGA 是一种在硬件层面可编程的芯片，利用门电路直接运算，用户可以自由定义门电路和存储器之间的布线，改变执行方案。换而言之，FPGA 上的电路可以更改，具有很高灵活性。相较于 ASIC，FPGA 在性能、功耗上有提升空间。不过，由于 FPGA 灵活性好、处理简单指令的重复计算比较强，CPU+FPGA 的混合异构相比GPU具备更低功效和高性能，在深度学习的推理阶段有着更高的效率和更低的成本。ASIC 是专用定制芯片的统称，在设计、架构、工具链等方面的个性化强。ASIC 即专用集成电路，是应特定应用场景的需求专门设计和制造的集成电路，不能重复编程。ASIC 基于人工智能算法进行定制，在大

21、规模量产的情况下具备性能更强、体积更小、功耗更低、成本更低、可靠性更高等优点，常用于在低功耗、成本敏感的终端上支撑特定的智能应用。其缺点在于通用性差，前期研发成本高，研发周期长。表 3：各类人工智能芯片的对比类型特点优势与局限性云边端普遍使用的芯片类型云边端推理与训练场景的渗透率CPUGPUDSPFPGA技术成熟，通用性最强，可执行各种类型的计算机应用程序，非常适合传统的控制密集型计算任务技术成熟，通用性较好，擅长数据级并行处理，为图形处理、科学计算等传统任务提供了良好的硬件支持技术成熟，最初为数字信号处理任务设计，早期多用于传统的通信和音视频信号处理主流技术路径仍有差距市场渗透率较低（1）云

22、端和边缘通用型智能芯片相关技术持续发展中，全性能、功耗比较传统芯片处于应用推广期，主要厂商为寒在云端、边缘端和消通用型智新指令集完备高效，可覆优势明显，可适应各种场武纪、华为海思、Google 等费类电子终端都开能芯片盖各类智能算法所需的基景和规模的人工智能计算（2）终端通用型智能处理器多集始出现广泛应用，渗本运算操作需求成于手机 SoC 中，已实现大规模透率将逐渐提升应用，主要厂商为华为海思等技术成熟，包含充裕的可重构逻辑单元阵列，硬件编程开发和调试门槛较高人工智能应用开发生态成熟，但性能已无法满足人工智能快速增长的计算能力需求峰值运算性能高，但整体能耗较高；在云端具备成熟的应用开发生态，但

23、在终端生态尚不成熟在人工智能领域主要用于处理图像、语音等任务，编程开发门槛高可通过硬件重构方式灵活实现适合于人工智能应用的架构，但成本和能效与云端服务器和 PC 市场多使用 X86 CPU，已经迭代成熟，主流芯片基于 X86-64 架构终端和边缘端多使用 ARM CPU，也已经迭代成熟，主流芯片基于 ARMv8 架构云端主流产品为 NVIDIA和 AMD边缘端或终端主流产品为 SoC 集成的 GPU IP，主流厂商包括 ARM、Imagination 等在分立 DSP 芯片市场，主流厂商为 TI 等企业对于嵌入到 SoC 的 DSP，主流厂商有 CEVA、Cadence 等主流厂商包括 Xil

24、inx 和 Intel 等广泛应用于个人电 脑、移动终端、传统服务器等领域，在人工智能芯片市场渗透率相对较低在人工智能领域， GPU 多用于数据中心，是渗透率最高且最主流芯片类型，在终端应用少在云端应用较少，但在手机等终端设备中有一定生态基础在芯片原型验证与仿真中有着广泛应用，在人工智能芯片专用型智能芯片（ASIC）相关技术持续发展中，在架构层面对特定智能算法作硬化支持，指令集简单或指令完全固化成本相对较低，软件栈相对简单，设计和生产周期短，但通用性较差目前主要应用于终端，主要形态为行业专用 SoC，较多集中于语音处理领域常用于在低功耗、成本敏感的终端上支撑特定的应用，在云端、边缘端等场景渗透

25、率较低数据来源：寒武纪招股说明书，人工智能将在实现碳中和过程中发挥重要作用互联网、制造、金融位列全球算力投资前三大行业。从全球来看，制造业是算力投资的第二大行业，投资集中在研发、生产、供应链管理和服务等环节。但在国内，金融位列第二，原因是金融业大而强，特别是其中的银行业，信息化投资较为集中；而制造业相对小而散，信息化投资与西方国家相比仍有很大的提升空间。图 14：全球算力投资前三大行业是互联网、制造、金融80706050403020100互 制 金 政联 造 融 府网电服零媒教信务售体育/批发医公交能疗共通源事业数据来源：IDC2020 全球计算力指数评估报告，我国将在 2030 年实现碳达峰

26、，2060 年实现碳中和。这两个阶段性目标，既是我国经济社会高质量发展的必然要求，也是在应对气候变化方面对世界的承诺。随着人工智能技术的发展、算力的提升，人工智能在现实中的应用场景不断得到拓宽，有望在实现碳达峰、碳中和的过程中扮演着重要角色。图 15：人工智能在传统经济、新兴经济、数字经济三大场景均可有所作为数据来源：IDC中国人工智能计算力发展评估报告AI+工业：重塑生产制造环节人工智能在制造业的应用潜力被低估。 对中国 2015-2018 年最大的 300 项人工智能项目的分析表明，制造业相关的投资不到 1%。然而，制造业是人工智能最具应用潜力的领域之一。其一，未来的制造业不仅仅是规模化、

27、标准化，也要是智能化、定制化；其二，人工智能与相关技术结合，可优化制造业各流程的效率，通过工业物联网采集各种生产数据，再借助深度学习算法处理后，提供建议甚至自主优化。图 16：机器智能工厂是自动化、数字化、智能化的终局数据来源：阿里云研究中心人工智能红利渗透与爆发制造业正大踏步地迈入机器智能时代。BCG 认为，人工智能的使用可降低制造商 20%的加工成本，而这一减少最高有 70%源自于更高的劳动生产率。 原全球高级副总裁李强曾指出，到 2030 年，因人工智能的推动，全球将新增 15.7 万亿美元的 GDP，中国就占到了 7 万亿美元；到 2035 年，人工智能将推动劳动生产力提升 27%，拉

28、动制造业的 GDP高达 27 万亿美元。德勤研究估计，全球人工智能及相关场景在制造业应用的市场规模在 2016 年约为 1.2 千亿美元，到 2025 年有望超过 7.2千亿美元，复合年均增长率预计超过 25%。图 17：全球人工智能及相关场景在制造业应用的市场分布1009080706050403020100373131217514921150.125420162025E工业机器人制造业物联网制造云（公有）制造业大数据及商业分析制造业人工智能智能工厂应用/解决方案数据来源：Markets and Markets Insights，德勤研究，人工智能在制造业的应用场景分为三类。产品智能化研发设计

29、和为产 品注智；在制造和管理流程中运用人工智能提高产品质量和生产效率；供应链的智能化。图 18：人工智能制造业应用场景谱图数据来源：德勤研究中国人工智能产业白皮书与碳中和联系最为密切的是生产制造环节，包括生产、维护、质量、物流等子环节。以最核心的生产过程为例，基于收集的生产数据，人工智能可以自动设置和调整机器的运行参数，让机器和部件成为自优化的系统，更加节能高效。例如，在注塑过程中，需要关注的外部因素是外界温度，需要控制塑料的温度、冷却时间表、速度等，基于人工智能的自主监测与调节效率更高。BCG 的研究案例还提及，一些钢铁厂利用人工智能，让熔炉自动优化设置，识别稳定工艺条件的最低温度，从而降低

30、整体的能耗。表 4：人工智能在未来的工厂中将变得无所不在场景 过程功能AI 支持生成式产品设计，根据既定目标，利用算法探索可能的设计方案。通过迭代式测试和学习，AI 算法优化设计，工程推荐在人类看来非传统的解决方案。工厂一些航天公司利用生成式设计，开发飞行器部件，比如提供应链管理需求预测是供应链管理领域应用 AI 的关键主题。AI 通过分析和学习产品发布以及天气情况等来支持需求预测。一些公司利用机器学习算法识别需求模式，手段是将仓库、ERP 系统与客户洞察的数据合并起来。工厂生产一些钢铁厂利用 AI 让熔炉自动优化设置。在汽车业，得到智能图像识别能力增强的机器人，可以从内部未定义的位置（比如箱

31、子里或传送带上）捡起未分类零件。维护AI 支持预测性维护根据实际情况替换磨损部件。之外供跟传统设计功能相同但是却轻便许多的仿生学结构。一些炼油厂实现了在设备失效前估计剩余时间的机器学习 模型。这种模型会考虑超过 1000 个与材料投入、材料输出、工艺参数以及气候条件有关的变量。汽车供应商利用带机器学习算法的视觉系统，识别有质量质量问题的部件，包括检测没有出现在训练集内的缺陷。AI 还可以学习由机器和生产环境产生的数据，如将材料属性和行为与钻床信息比较，预测钻孔超出耐受度风险。在工厂和仓库内运输物品的无人车，会利用 AI 感应障碍，调整车辆路线。物流机器学习算法会利用物流数据，比如材料进出数据、

32、库存量、零件周转率等，促进仓库自主优化运营。比方说，有一个算法会建议将低需求的零件转移到更远的地方，并且将高需求的零件放到可以更快获取的附近区域。数据来源：BCG，36 氪，AI+交通：智慧交通节能减排交通运输行业是全球第二大碳排放源，对我国实现碳达峰目标与碳中和愿景有重要影响。统计显示，交通领域的碳排放占全国终端碳排放的 15%；过去 9 年，这一领域的碳排放年均增速在 5%以上。以机动车为例，截至 2021 年 3 月，全国机动车保有量达 3.78 亿辆，其中汽车 2.87亿辆；根据测算，1 辆汽车每燃烧 1 升燃料大约排放 2.5 千克二氧化碳，总共的碳排放量非常可观，减排空间也很大。图

33、 19：交通运输行业长期面临安全、效率、绿色等痛点数据来源：腾讯未来交通白皮书人工智能在交通领域的应用包括智能汽车（自动驾驶）与智慧交通，提升了交通领域的减排潜力。智慧交通旨在于解决交通行业存在的拥堵、安全等问题，将核心交通元素联通，建立一个人、车、路协同的环境。自动驾驶通过传感器、计算机视觉技术、算法模型，解放驾驶员的双手。智能化、电动化是汽车产业发展趋势，自动驾驶是加速新能源汽车普及的关键。事实上，自动驾驶的实现与落地应用离不开智慧交通的支持。图 20：车路智行技术发展路线图数据来源：百度Apollo 智能交通白皮书智慧交通是交通运输、信息技术交叉融合的产物，是应对交通拥堵、安全、节能减排

34、的有效方式。将云计算、通讯传输、电子传感、电子控制以及人工智能算法等，集成运用于交通管理，建立起智能交通运输系统（ITS），提高交通系统的感知、计算、决策以及调度能力。科技日报援引相关数据指出，智慧交通可使车辆安全事故率降低 20以上，交通堵塞减少约 60，短途运输效率提高近 70，现有道路网的通行能力提高 23 倍。但是，目前我国的智慧交通系统技术和应用水平与国外相比还有相当大的差距。巨头入场，参与 2G 大订单业务。科技互联网巨头BATH 均在智慧交通领域就位，百度推出“ACE 交通引擎”，华为有“交通智能体”解决方案，腾讯亮相了城市智慧交通解决方案“We Transport”，阿里在其城

35、市大脑业务中探索。智慧交通是 2G 业务，政府的大金额项目会更加关注企业的技术能力、执行能力，因而 BATH 在行业前期开拓订单更加顺利。表 5：巨头纷纷布局智慧交通领域并获取G 端订单厂商城市合作情况2020 年 8 月，百度 Apollo 旗下子公司阿波罗智行科技（广州）有限公司中标“广州市黄埔区广州开发区百度广东广州面向自动驾驶与车路协同的智慧交通新基建项目”。项目金额近 4.6 亿元，订单包括车路协同路网基础设施、智能路口、车联网等相关应用系统的建设。2020 年 9 月，深圳智能网联交通测试示范平台项目招标结果公示，腾讯华为联合体中标，项目金额 1.49腾讯&华为广东深圳华为河南许昌

36、蘑菇车联湖南衡阳亿。腾讯自动驾驶将运用自身在融合感知、决策规划、高精度地图、虚拟仿真、云计算等方面的技术优势，助力深圳市坪山区打造集研发、测试、示范、产业化于一体的立体化智能网联产业创新示范区。2020 年 12 月，河南许昌市云政智慧城市建设运营有限公司“许昌市新型智慧城市建设（一期）项目之城市数字平台、智慧大脑、互联网+政务、12345 热线、智慧交通、智慧停车、企业服务一体化平台子项目（不见面开标）” 单一来源采购公告发布， 概算金额 32138.37 万元，华为技术有限公司中标。2021 年 3 月，衡阳市与蘑菇车联签署战略合作协议，双方在智能终端、车路协同、自动驾驶及智慧交通领域展开

37、深度合作，共建智慧交通创新示范城市，推动城市级自动驾驶大规模落地和商业化运营。项目总投资约 5 亿元，一期计划投资 7000 万元。数据来源：新智驾，百度 2020 年 4 月发布“ACE 交通引擎”国内外首个车路行融合的全栈式智慧交通解决方案。ACE 交通引擎依托了百度多年来在人工智能、自动驾驶、车路协同方面的积累和实践，采用“1+2+N”的系统架构，即“一大数字底座、两大智能引擎、N 大应用生态”。百度披露， ACE 交通引擎已在长沙、北京、重庆、南京、保定等 10 余个城市落地实践。图 21：百度 ACE 交通引擎总体架构数据来源：Apollo 智能交通白皮书AI+能源：应用潜力更待挖掘能源行业涵盖多个子行业，在此我们主要讨论“石油/矿物”和“