全球人工智能AI行业专题研究报告：大模型驱动AI全面提速产业黄金十年投资周期开启

后的免责条款经经历过去70年的“三起两落”，伴随底层芯片、算力、数据等基础设施的完善&进步，全球AI产业正逐步从运算智能走向感知智能、认知智能，并相应形成“芯片、算力设施、AI框架&算法模型、应用场景”的产业分工、协作体系。2019年以来，AI大模型带来问题泛化求解能力大幅提升，“大模型+小模型”逐步成为产业主流技术路线，驱动全球AI产业发展全面加速，并形成“芯片+算力基础设施+AI框架&算法库+应用场景”的稳定产业价值链结构。近年来众多AI相关企业亦先后登陆资本市场，亦推动二级市场AI产业集群效应不断凸显，基于产业空间、成长性、竞争格局等维度综合分析，我们判断，AI产业将大概率成为全球科技领域中期最具投资价值产业赛道之一，领先AI芯片厂商、云计算巨陈俊云核心观点中信证券研究部前瞻研究首席分析师S080001许英博科技产业首席分析师S120041廖原互联科技融合分析师S030004联系人：刘锐联系人：贾凯方头(算力设施+算法框架)、AI+应用场景龙头厂商、平台型算法框架厂商等有望持续成为产业发展核心受益者。▍报告缘起：人工智能(AI)指利用技术学习人、模拟人，乃至超越人类智能的综合学科。伴随全球AI产业主要配套环节(芯片、软件框架、应用算法、数据积累)的逐步清晰、完善，以及部分简单应用场景(图像识别、语音合成、多轮会话、推荐系统等)的持续落地等，我们判断全球AI产业有望在经历前期徘徊之后，进入快速发展期，但作为一个极为复杂的学科和产业板块，一系列的技术、产业问题仍困扰着投资者。在本篇专题报告中，我们将尝试从理论技术、产业应用等维度，就当下AI产业发展的核心问题展开分析讨论，并在此基础上构建我们对全球AI产业的中期投资框架。▍产业现状：逐步形成完整产业分工、协作体系，落地场景亦不断扩展。经历过去5~6年的发展，全球AI产业正逐步形成分工协作、完整的产业链结构，并开始在部分领域形成典型应用场景。基于广泛的产业共识，我们将AI产业链简化为如下环节：芯片、算力设施、AI框架、算法模型、应用场景等。1)芯片层面，根据Tractica，2019年全球AI芯片市场规模为64亿美元，预计到2023年市ASIC等亦逐步加入竞争。2)算力基础设施层面，华为预计到2030年，人工智能算力的需求将相当于1600亿颗高通骁龙855内置AI芯片，相当于2020年的约120倍，算力设施则针对不同需求由公有云厂商或企业自建。3)框架层面：AI底层框架呈现了由科技巨头主导的趋势，产业界GoogleTensorflow优势明显，与PyTorch和Keras一同成为了开发者使用率最广的开源框架；学术界微软与Facebook在细分行业(NLP、AI感知)体现出了竞争力。4)算法层面，深度学习模型由DNN神经网络算法作为基础，并基于此不断改进。过去两年间，AI大模型(FoundationModel)开始流行，向泛用化推进。5)应用层面，最先成熟的语音识别与图像识别技术分别助力教育、医疗与安防等产业，贡献了第一批成功的典型应用场景。▍产业变化：AI大模型逐步成为主流，产业发展有望全面提速。最近几年来，AI产业的技术演进路线主要呈现如下特征：底层模块性能的不断提升，注重模型的泛化能力，从而帮助AI算法的通用性优化，并反哺数据收集。AI技术的持续发展依靠底层算法的突破，这同时需要以算力为核心的基础能力建设以及有大数据支撑进行知识和经验学习的环境。大模型在产业内的快速流行，大模型+小模型的运作模式，以及芯片、算力基础设施等底层环节能力的不断改善，以及由此带来的应用场景类别、场景深度的持续提升，并最终带来产业基础能力、应用场景之间的不断相互促进，并在正向循环逻辑下，驱动全球AI产业发展不断提速。▍中期判断：产业价值链趋于稳定，并逐步向芯片&算力设施、应用场景两端靠拢。后的免责条款联系人：李雷中期维度，我们判断AI产业链价值有望逐步向两端靠拢，中间环节价值有望持续减弱，并逐步形成“芯片+算力基础设施+AI框架&算法库+应用场景”的典型产业链结构，上游的芯片企业、云基础设施厂商，以及下游的应用厂商有望逐步成为AI产业快速发展的核心受益者。1)芯片环节，英伟达系统级产品布局、在训练环节的突出表现&领先优势已基本成为市场的共识，GPU料将在训练环节持续占据主导地位；相较于训练环节，推理环节对于计算复杂度、计算精度要求不高，但对于延迟较为敏感，FPGA与ASIC等新兴产品将有望百花齐放。2)算力设施环节，大模型带来AI底层基础技术架构的统一，以及对算力的庞大需求等特征，天然有利于云计算公司在此过程中发挥基础性角色。从过去云厂商各类产品的报价中可以发现，具有2个vCPU、2个ECU和7.5GiB的m1.large产品价格从2008年的约0.4美元/小时持续下降到了2022年的约0.18美元/小时。伴随算力成本的持续下降以及产品整合的持续推进，云计算巨头有望逐步成为算力设施+基础算法框架环节能力的主要提供商。而新兴AI企业能够凭借对于各类细分场景下的数据积累和行业经验帮助下游应用环节更快落地，在应用环节实现更大的价值。3)下游应用环节，我们相信现有厂商的AI能力将逐步实现由单点智能向全局智能、由认知智能向决策智能的跨越，进而驱动企业软件、消费互联网、智能硬件等领域的全面变革。▍风险因素：AI核心技术发展不及预期风险；科技领域政策监管持续收紧风险；全球宏观经济复苏不及预期风险；宏观经济波动导致欧美企业IT支出不及预期竞争持续加剧风险等。▍投资展望：伴随AI芯片、算力设施、数据等基础要素的不断完善，以及大模型带来的问题泛化求解能力的大幅提升，大模型+小模型的技术路线，正驱动全球AI产业进入加速发展阶段，叠加二级市场AI产业集群效应的不断凸显，AI产业有望成为全球科技领域中期最具投资价值的产业赛道之一。AI产业正形成“芯片+算力基础设施+AI框架&算法库+应用场景”的稳定产业价值链结构，AI芯片厂商、云计算厂商(算力设施+算法框架)、AI+应用场景厂商、平台型算法框架厂商等有望持续成为产业核心受益者。建议重点关注：英伟达、高通、阿里巴巴、腾讯、亚马逊、微软、海康威视、大华股份、BOSS直聘、谷歌、Salesforce、ServiceNow、苹果、百度、理想汽车、小鹏汽车等。业务方式估值水平(x)A1施9控股施9施视股份87force服务eNow服务8子汽车盘价后的免责条款部分 产业现状：逐步形成完整产业分工、协作体系，落地场景亦不断扩展 6 中期判断：产业价值链趋于稳定，并逐步向两端靠拢 43 插图目录AI专利数 1 图4：1956年的达特茅斯会议奠定了AI后续发展的技术路径，但受限于当时的硬件算力 图5：专家系统的本质是一个智能推荐系统，底层逻辑仍然需要工程师不断手动维护.....3 图7：DNN神经网络通过模拟神经元传导在解决图象识别上有良好的效果 4 图10：边缘计算芯片出货量(百万，按终端设备) 8图11：全球HPC市场规模(亿美元) 9图12：全球AI服务器出货量及预测(万台) 9图13：全球人工智能芯片市场规模(亿美元) 9 图17：制程微缩带来的算力增长摩尔定律正在失效 12 图20：预计2030年人工智能算力需求(EFlops) 13 图22：全球数据量及同比增速(ZB，%) 14图23：关系型数据库和非关系型数据库的扩展方式 14图24：全球Nosql数据库市场规模及增速(百万美元，%) 15图25：全球数据湖市场规模及结构(百万美元，%) 15图26：存储在公有云和传统数据中心的数据对比 16 图28：全球云原生应用数及同比增速(百万个，%) 16 图30：全球数据管理软件市场规模及增速(百万美元，%) 17图31：全球数据管理软件市场份额(%) 17图32：全球数据管理软件市场TOP5份额失去者(2018-2020) 17图33：全球数据管理软件市场TOP5份额获得者(2018-2020) 17图34：全球商用人工智能框架市场份额结构(2021) 18NeurIPS文数量 19NeurIPS文数量 19 I 图40：图像识别任务上DNN算法与经典机器学习算法(SVM、RF、KNN)假阳性类对 图41：卷积算法突破了传统图像处理的准确度瓶颈，首次实现工业化可用 21图42：ImageNet训练成本(准确率达到93%，美元) 22图43：ImageNet训练时间分布(分钟) 22 图46：Transformer模型通过加入了注意力机制更好地关联了参数 23 度学习初期模型越来越大 24NuanceDAX 5 图51：2020财年Nuance营收业务结构(百万美元) 25图52：2020财年Nuance医疗业务营收结构(百万美元) 25e 图54：智慧城市将是未来城市治理的主要方向 26图55：2014-2022年智慧城市市场规模及预测(单位：万亿元) 27AI 8 慧物流市场规模及增速 29能仓储市场规模及增速 29 ：GoogleCloudAutoML 31 图63：人工智能产业界需要依靠数据驱动算法，再通过模型反哺数据的正循环模式....32 3图65：使用大模型JFT-300M训练的前后精确度对比 33图66：华为等公有云厂商加大力度开发AI大模型，注重通用性与泛化能力 33图67：Hopper架构通过追加一层layer处理transformer算法 34 图71：中国公有云市场规模及结构(亿元) 36图72：全球云数据仓库市场份额获得者(2020) 36图73：全球云数据库市场份额获得者(2020) 36图74：2019海内外云计算厂商收入拆分(%) 36图75：2020海内外云计算厂商收入拆分(%) 36图76：GoogleCloud目前在数据存储能力方面的布局情况 37图77：公有云厂商强大的将PaaS层与IaaS结合的通用化能力是胜出的关键 37 图81：巨头语音助手问题识别及回答正确率 39 I 图92：AWSEC2历史标准化价格(美元/小时) 46图93：具体云计算产品算力成本(美元/小时) 46图94：AWS底层算力升级使得上层负载运行效率、性价比持续提升(min) 47 图96：应用层构建于智能基座、数据基座与感知基座三大AI能力之上 48图97：厂商积极构建流程洞察到自动化的逻辑闭环 48 中，男主角实为AI角色 49 AI车，带来新的技术变革，为消费者带来新的体验 50图102：卷积神经网络算法在自动驾驶的图像识别决策中大量应用 51图103：Transformer模型将在未来的自动驾驶技术得到更普遍的应用 51图104：高级别自动驾驶技术在封闭式环境中的应用场景 51图105：高级别自动驾驶技术在开放式环境中的应用场景 51图106：L1-L5级别自动驾驶算力要求(Tops) 52图107：全球车载计算平台市场规模(亿元) 52图108：2019年-2020年全球各领域私募股权投资金额(百万美元) 52 图110：中国历年人工智能公司成立数量 53前10的领域 54图112：美股两大AI相关企业股价走势(美元) 56表格目录 表2：人工智能神经网络算法模型复杂度 7 5：主要科技巨头算法平台框架 206：智慧城市行业可比公司情况 277：城市数据大脑主要采购清单 27 表10：著名公开数据库(部分) 41 请务必阅读正文之后的免责条款部分1人工智能(AI)指利用技术学习人、模拟人，乃至超越人类智能的综合学科，过去十年来，伴随技术理论、算力、应用场景等核心要素的不断进步&完善，持续成为科技产业的创新焦点，以及资本市场的投资热点。2016年以来，大量AI相关的学术论文转化为实际落地的专利，技术上的创新快速推动了人工智能的商业化，并成为了资本市场追逐的热点。在人工智能的相关专利方面，2021年提交的专利数量是2015年的30倍以上，复合年增长率为76.9%。中国的专利申请数已经占了世界⼀半，并获得约6%的授权。20102011201220132014 全球每年申请的AI专利数(万个)20172018201920202021 8 6 4 20NeurIPS究部000市场规模(亿元)16081292E.00%.00%0%0%201920202021E2022EEE含预测)，中信证券研究部人工智能产业发展史：“三起两落”，从运算智能，逐步走向感知智能、认知智能。人工智能技术可以显著提升人类效率，在图像识别、语音识别等领域快速完成识别和复杂运算。此外，面对开放性问题，人工智能技术亦可通过穷举计算，找到人类预料之外的规律和关联。自1956年“人工智能”概念&理论首次被提出，AI产业&技术发展主要经历如下发请务必阅读正文之后的免责条款部分2研究部绘制1)20世纪50年代~20世纪70年代：受制于算力性能、数据量等，更多停留在理论层面。1956年达特茅斯会议推动了全球第一次人工智能浪潮的出现，当时乐观的气氛弥漫着整个学界，在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形，增强学习就是谷歌AlphaGo算法核心思想内容。而70年代初，AI遭遇了瓶颈：人们发现逻辑证明器、感知器、增强学习等只能做很简单、用途狭隘的任务，稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。这些计算复杂度以指数程度增加，成为了不可能完成的计算任务。2)20世纪80年代~20世纪90年代：专家系统是人工智能的第一次商业化尝试，高昂的硬件成本、有限的适用场景限制了市场的进一步向前发展。在80年代，专家系统AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程成为了80年代AI研究的主要方向。请务必阅读正文之后的免责条款部分3但是专家系统的实用性仅仅局限于某些特定情景，不久后人们对专家系统的狂热追捧转向巨大的失望。另一方面，1987年到1993年现代PC的出现，其费用远远低于专家系统所使用的Symbolics和Lisp等机器。相比于现代PC，专家系统被认为古老陈旧而非常难以维护。于是，政府经费开始下降，寒冬又一次来临。itect3)2015年至今：逐步形成完整的产业链分工、协作体系。人工智能第三起的标志性事件发生在2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世石。随后，大众开始熟知人工智能，各个领域的热情都被调动起来。这次事件确立了以DNN神经网络算法为基础的统计分类深度学习模型，这类模型相比于过往更加泛化，通过不同的特征值提取可以适用于不同的应用场景中。同时，2010年-2015年移动互联网的普及也为深度学习算法带来了前所未有的数据养料。得益于数据量的上涨、运算力的提升和机器学习新算法的出现，人工智能开始大调整。人工智能的研究领域也在不断扩大，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。深度学习的发展，让人工智能进入新的发展高潮。请务必阅读正文之后的免责条款部分400全球数据量(ZB) 同比增速%%%%%%%%%%IDC证券研究部NNV100M400网，中信证券研究部请务必阅读正文之后的免责条款部分5人工智能第三次浪潮带给我们一批能给商业化落地的场景，DNN算法的出色表现让语音识别与图像识别在安防、教育领域贡献了第一批成功的商业案例。而近年来基于神经网络算法之上的Transformer等算法的开发让NLP(自然语言处理)的商业化也提上了日程，有望在未来3-5年看到成熟的商业化场景。AI签学习学习习5-10----深度强化-5-105-10---深度神经-5-10-ASICs------5-10------5-105-105-105-105-10语言5-105-105-105-105-105-10语言5-10--语言5-10--------5-105-105-10觉计算机视觉-5-105-10识别识别-能----5-10----5-10-通用机器----通用人工--智能----智能机器人5-105-105-105-105-105-10无人驾驶5-10增强现实5-105-105-105-10--理-5-105-105-105-105-10伴随全球AI产业主要配套环节(芯片、软件框架、应用算法、数据积累)的逐步清晰、完善，以及部分简单应用场景(图像识别、语音合成、多轮会话、推荐系统等)的持续落复杂的学科和产业板块，一系列的技术、产业问题仍困扰着投资者。在本篇专题报告中，请务必阅读正文之后的免责条款部分6我们将尝试从理论技术、产业应用等维度，就当下AI产业发展的核心问题展开分析讨论，并在此基础上构建我们对全球AI产业的中期投资框架：1.当前AI产业面临的主要技术约束在哪里？如何实现AI模型通用性、逻辑可解释性之间的平衡？AI技术演进的速度、路径等如何影响下游的应用场景？2.基于现有技术发展水平、可能演进路径等，AI产业稳态的产业链组织形态、各产业环节(芯片、软件框架、平台&算法、应用场景等)价值分配结构如何？3.中期维度，从市场空间、竞争格局等维度，AI哪些产业环节更具有吸引力，各环节的核心竞争力是什么，如何结合中长期时间线，形成完整的AI产业投资框架&蓝图？▍产业现状：逐步形成完整产业分工、协作体系，落地场景亦不断扩展经历过去5~6年的发展，全球AI产业正逐步形成分工协作、完整的产业链结构，并开始在部分领域形成典型应用场景。基于广泛的产业共识，我们将AI产业链简化为如下环节：芯片、算力设施、AI框架、算法模型、应用场景等。在本部分内容中，我们将对上述环节的发展现状展开分析探讨。芯片是AI产业的制高点。本轮人工智能产业繁荣，缘于大幅提升的AI算力，使得深度学习和多层神经网络算法成为可能。人工智能在各个行业迅速渗透，数据随之海量增长，这导致算法模型极其复杂，处理对象异构，计算性能要求高。因此人工智能深度学习需要异常强大的并行处理能力，与CPU相比，AI芯片拥有更多逻辑运算单元(ALU)用于数据处理，适合对密集型数据进行并行处理，主要类型包括图形处理器(GPU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。从使用场景来看，相关硬件包括：云侧推理芯片、云侧测试芯片、终端处理芯片、IP核心等。在云端的“训练”或“学习”环节，英伟达GPU具备较强竞争优势，谷歌TPU亦在积极拓展市场和应用。在终端的“推理”应用领域FPGA和ASIC可能具备优势。美国在GPU和FPGA领域具有较强优势，拥有英伟达、赛灵思、AMD等优势企业，谷歌、亚马逊亦在积极开发AI芯片。请务必阅读正文之后的免责条款部分7GPU起步，正逐步扩展至FPGA、ASIC等领域。目前AI芯片主要用于语音识别、自然语言处理、图像处理等大量使用AI算法的领域，通过芯片加速提高算法效率。AI芯片的主要任务是矩阵或向量的乘法、加法，然后配合一些除法、指数等算法。积、残差网络、全连接等类型的计算，本质是乘法和加法。2014年以来，GPU在卷积神经网络方面的良好表现，以及大量的图像识别&计算机视觉模型的部署，让其成为了AI推理芯片的主要解决方案。随着人工智能模型的复杂度加剧，FPGA、ASIC等灵活性较高、单位功耗较低的芯片种类也加入到了竞争之中。递归卷积神经网络-视觉模式/图像识别AlexNet12)6000万个参数(2012)，7个卷积层ionGoogLeNetVGG-16(2014)etOpenAIGPT2018)GoogleBERTLargesoftMTDNNOpenAIGPT19)AlibabaPERSEUS-BERT(2019)AProjectMegatronokRoBERTakLM参数(跨语言理解)sityofWashingtonMegatronScaledVersionofOpenAIGPTcrosoftTNLG172亿个参数OpenAIGPT20)多达1750亿个参数Forrester券研究部请务必阅读正文之后的免责条款部分800训练(Training)推理(Inference)数据中心云端(Cloud)度、阿里、腾讯ASIC为边缘及终端(Device)--技ASIC-究部整理部署场景：从数据中心向边缘扩展。在高性能计算市场，借助AI芯片的并行运算能力实现对复杂问题的求解是目前的主流方案。据Tractica数据显示，2019年全球AIHPCAIHPC市场规模占比由2019年的13.2%提高至2025年的35.5%。同时Tractica数据显示，2019年全球AI芯片市场规模为64亿美元，预计到2023年市场规模达510亿美元，市场空间增长近10倍。图10：边缘计算芯片出货量(百万，按终端设备)20202024E12001000智能手机智能音箱可穿戴设备用资料来源：德勤(含预测)，中信证券研究部请务必阅读正文之后的免责条款部分9传统HPC市场规模AIHPC市场规模AIHPC占比(右坐标)0.0%%%%%020172018E2019E2020E2021E2022E2023E2024E2025ETractica究部AI测(万台)AI训练服务器(万台)AI推断服务器(万台)00201620172018E2019E2020E资料来源：艾瑞咨询(含预测)，中信证券研究部全球人工智能芯片市场规模(亿美元)YoY(右坐标)20182019E2020E2021E2022E2023E0%Tractica究部请务必阅读正文之后的免责条款部分10参与厂商：继欧美芯片厂商之后，国产AI芯片厂商亦快速崛起。近两年内，国内涌现了大量自研的芯片类公司，以自研GPU的摩尔线程、自研自动驾驶芯片的寒武纪等为代表。摩尔线程于2022年3月发布了MUSA统一系统架构及第一代芯片“苏堤”，摩尔线程的新架构支持英伟达的cuda架构。根据IDC数据，在2021年上半年中国人工智能芯片中，GPU一直是市场首选，占有90%以上的市场份额，但随其他芯片的稳步发展，预计到2025年GPU占比将逐步降低至80%。官网况M盖FinFETnmFD-SOI科技JARIG2应用于军民两用电子设备、工业控制、电子信息等领域通用计算及图形科技原创性的通用计算体系，建立高效的软硬件平台，同时在智能计算领域提供一体方案。聚焦云端通用智能计算，逐步在人工智能训练和推理、图形渲染、高性能通个领域赶超现有解决方案智芯UU业AMDU请务必阅读正文之后的免责条款部分11公司名称主要产品基本情况eCSDN券研究部资料来源：华经产业研究院(含预测)，中信证券研究部IDC证券研究部算力设施：借助云计算、自建等方式，算力规模、单位成本等指标不断改善过去算力发展有效缓解了人工智能的发展瓶颈。人工智能作为一个年代久远的概念，过去的发展一直受限于算力不足，其算力需求的主要来源于两个方面：1)人工智能最大挑战之一是识别度与准确度不高，而要提高准确度就需要提高模型的规模和精确度，这就需要更强的算力支撑。2)随着人工智能的应用场景逐渐落地，图像、语音、机器视觉和游戏等领域的数据呈现爆发性增长，也对算力提出了更高的要求，使得计算技术进入新一轮高速创新期。而过去十几年算力的发展有效缓解了人工智能的发展瓶颈，未来智能计算将呈现出需求更大、性能要求更高、需求随时随地且多样化的特点。请务必阅读正文之后的免责条款部分12由于接近物理极限，算力增长的摩尔定律逐步失效，算力行业正处于多要素综合创新阶段。过去算力供应提升主要通过工艺制程微缩，即在同一芯片内增加晶体管堆叠的数量来提高计算性能。但随着工艺制程不断逼近物理极限，成本不断提高，使得摩尔定律逐渐失效，算力产业进入后摩尔时代，算力供应需要通过多要素综合创新提高。当前算力供给有四个层面：单芯片算力、整机算力、数据中心算力和网络化算力，分别通过不同技术进行持续演进升级，以满足智能时代多样化算力的供给需求。此外，通过软硬件系统的深度融合与算法优化提升计算系统整体性能，也是算力产业演进的重要方向。算力规模：根据中国信通院2021年发布的《中国算力发展指数白皮书》，2020年全球算力总规模依旧保持增长态势，总规模达429EFlops，同比增长39%，其中基础算力规模313EFlops、智能算力规模107EFlops、超算算力规模9EFlops，智能算力占比有所提高。我国算力发展节奏与全球相似，2020年我国算力总规模达到135EFlops，占全球算力规模的39%，实现55%的高位增长，并实现连续三年增速保持40%以上。000我国算力规模(EFlops)全球算力规模(EFlops)全球算力增速39%4295%0%ICEAA证券研究部请务必阅读正文之后的免责条款部分13%%%%%%%%%%%%1似，智能算力增长迅速，占比从2016年的3%提升至2020年的41%。而基础算力占比由2016年的95%下降至2020年的57%，在下游需求驱动下，以智能计算中心为代表的人工智能算力基础设施发展迅猛。同时在未来需求方面，根据华为2020年发布的《泛在算力：智能社会的基石》报告，随着人工智能的普及，预计到2030年，人工智能算力的需求将相当于1600亿颗高通骁龙855内置AI芯片，相当于2018年的约390倍、2020年的约120倍。，中信证券研究部智能算力需求(EFlops)EE究部截至2021年底，我国在用数据中心机架总规模达到约400余万架(标准机架)，近5年年均增速超过30%，随着数字经济的发展，数据中心需求量还将持续上升。商汤Ai计算中心是国内厂商自建算力中心的代表之一，这是由商汤科技打造的一个开放、大规模、低碳、节能的先进计算基础设施，该项目于2020年7月开工建设。作为SenseCore商汤AI大装置计算基础设施的重要组成部分，AIDC一期工程的设计算力为每秒3740Petaflops，是亚洲最大的超算中心之一。官网请务必阅读正文之后的免责条款部分14数据存储：非关系型数据库以及用于储存、治理非结构数据的数据湖迎来需求爆发。近年来全球数据量呈现爆发式增长，据IDC统计，2019年全球产生的数据量为41ZB，过去十年的CAGR接近50%，预计到2025年全球数据量或高达175ZB，2019-2025年仍将维持近30%的复合增速，其中超过80%的数据都将是处理难度较大的文本、图像、音视频等非结构化数据。数据量(尤其是非结构化数据)的激增使得关系型数据库的弱点愈加凸显，面对几何指数增长的数据，传统为结构型数据设计的关系型数据库纵向叠加的数据延展模式难以满足。非关系型数据库以及用于储存、治理非结构数据的数据湖，因其灵活性以及易延展性逐渐占据市场中越来越多的份额。根据IDC，2020年全球Nosql数据库的市场规模为56亿美元，预计2025年将增长至190亿美元，2020-2025年复合增速为27.6%。同时，根据IDC，2020年全球数据湖市场规模为62亿美元，2020年市场规模增速为34.4%。ZB00全球数据量(ZB) 同比增速%%%%%%%%%%IDC证券研究部u请务必阅读正文之后的免责条款部分15l0.00%0%2015201620172018201920202021E2022E2023E2024E2025EIDC证券研究部000IDC证券研究部根据IDC数据，存储在公有云中数据占比将在2020年追平传统数据中心，且占比仍将不断提升；而根据Alphawise的调研数据，到2023年，欧美企业IT部署中43%将为云，较目前的23%提升近一倍。而在应用层面，根IDC数据，预计到2023年，全球云原生应用数将达到5亿个，相较2019年0.7亿的水平增加逾6倍，2019-2023年复合增速为62.3%。云原生下的应用开发将成为未来开发的主流环境，这对数据库本身的灵活性和延展性提出了更多要求。在企业数据库部署模式上，数据库向云端迁移将成未来的主要趋势。请务必阅读正文之后的免责条款部分16EEEEEEEE年底年底0%IDC研究部on-premiseCo-locationManagedHostingcloud0%0%Alphawise券研究部00201920202021202220230%Oracle究部研究部绘制请务必阅读正文之后的免责条款部分170.0%0.0%.5%.0%.5%.0%.5%.0%.5%.0%.5%0.0%,000000PubliccloudOnpremises/otherYoY2015201620172018201920202021E2022E2023E2024E2025E%IDC证券研究部额(%)OracleAWSIBMSAPGoogleAlibabaTeradataClouderaSnowflakeMongoDB其他IDC证券研究部TOP者(2018-2020)IDC证券研究部TOP者(2018-2020)MicrosoftWSAlibabaGoogleSnowflakeIDC证券研究部请务必阅读正文之后的免责条款部分18Tensorflow(产业界)、PyTorch(学术界)逐步实现主导。谷歌推出的Tensorflow为主流与其他开源模块如Keras(Tensorflow2集成了Keras模块)、Facebook开源的PyTorch等一起构成了目前AI学习的主流框架。GoogleBrain自2011年成立起开展了面向科学研究和谷歌产品开发的大规模深度学习应用研究，其早期工作即是TensorFlow的前身DistBelief。DistBelief在谷歌和Alphabet旗下其他公司的产品开发中被改进和广泛使用。2015年11月，在DistBelief的基础上，谷歌大脑完成了对“第二代机器学习系统”TensorFlow的开发并对代码开源。相比于前作，TensorFlow在性能上有显著改进、构架灵活性和可移植性也得到增强。Tensorflow与Pytorch虽然本身是开源模块，但因为深度学习框架庞大的模型与复杂度导致其修改与更新基本完全是由谷歌完成，从而谷歌与Facebook也通过对Tensorflow与PyTorch的更新方向直接主导了产业界对人工智能的开发模式。市场份额结构(2021).0%%%0.0%TensorflowsAIwatch信证券研究部测算Microsoft在2020年以10亿美元注资OpenAI，获得GPT-3语言模型的独家许可。GPT-3是目前在自然语言生成中最为成功的应用，不仅可以用于写“论文”，也可以应用于“自动生成代码”，自今年7月发布后，也被业界视为最强大的人工智能语言模型。而Facebook早在2013年创立了AI研究院，FAIR本身并没有像AlphaGo和GPT-3那样著名的模型和应用，但是它的团队已经在Facebook本身感兴趣的领域发表了学术论文，包括计算机视觉、自然语言处理和对话型AI等。2021年，谷歌有177篇论文被NeurIPS 请务必阅读正文之后的免责条款部分190000深度学习正在向深度神经网络过渡。机器学习是通过多层非线性的特征学习和分层特征提取，对图像、声音等数据进行预测的计算机算法。深度学习为一种进阶的机器学习，又称深度神经网络(DNN：DeepNeuralNetworks)。针对不同场景(信息)进行的训练和推断，建立不同的神经网络与训练方式，而训练即是通过海量数据推演，优化每个神经元的权重与传递方向的过程。而卷积神经网络，能考虑单一像素与周边环境变量，并简化数据提取数量，进一步提高神经网络算法的效率。请务必阅读正文之后的免责条款部分20网网神经网络算法成为大数据处理核心。AI通过海量标签数据进行深度学习，优化神经网络与模型，并导入推理决策的应用环节。90年代是机器学习、神经网络算法快速崛起的时，AI技术的实际应用领域包括了数据挖掘、工业机器人、物流、语音识别、银行业软件、医疗诊断和搜索引擎等。相关算法的框架成为科技巨头的布局重点。平台/框架eAmazonAWS分布式机器学习平台oftle网，中信证券研究部技术方向上，计算机视觉与机器学习为主要的技术研发方向。根据ARXIV数据，从理论研究的角度看，计算机视觉和机器学习两个领域在2015-2020年发展迅速，其次是机ARXIV上AI相关出版物中，计算机视觉领域出版物数量超过11000，位于AI相关出版物数量之首。cs.计算机视觉cs.机器人cs.机器学习cs.计算机视觉cs.机器人cs.机器学习cs.人工智能000ARXIV研究部请务必阅读正文之后的免责条款部分21训练成本上看，神经网络算法训练人工智能的成本明显降低。ImageNet是一个包含超过1400万张图像的数据集，用于训练人工智能算法。根据斯坦福DAWNBench团队的测试，2020年训练一个现代的图像识别系统仅需约7.5美元，比2017年的1100美元下降了99%以上，这主要受益于算法设计的优化、算力成本的下降，以及大规模人工智能训练基础设施的进步。训练系统的速度越快，评估并用新数据更新系统的速度就越快，这将进一步加快ImageNet系统的训练速度，提高开发和部署人工智能系统的生产力。在过去五年，我们观察到以CNN与DNN为主的神经网络算法是近年来发展最快的机器学习算法，因其在计算机视觉、自然语言处理等领域中的优异表现，大幅加快了人工智能应用的落地速度，是计算机视觉、决策智能迅速迈向成熟的关键因素。从侧视图可以看任务上，标准的DNN方法相较于传统的KNN、SVM与随机森林等方法都有着明显的优势。DNN(SVM、RF、KNN)假阳性类对比KNNSVMCNN99%jwayresearchgate券研究部请务必阅读正文之后的免责条款部分22年9月11月年1月年3月年5月年7月年9月年11月年1月年9月11月年1月年3月年5月年7月年9月年11月年1月年3月年5月年7月年9月11月年1月年3月10月年2月年6月10月年2月年6月10月年2月年6月10月年2月年6月10月年2月年6月10月年2月年6月10月年2月年6月10月年2月年6月10月年2月训练时间分布上看，神经网络算法训练所需时间全面降低。通过分析每个时期的训练时间分布，发现在过去几年中，训练时间大大缩短，且训练时间的分布更加集中，这主要受益于加速器芯片的广泛使用。11201822018在卷积神经网络的推动下，计算机视觉准确率测试成绩明显提升，正处于产业化阶段。计算机视觉准确率在过去的十年中取得了巨大的进步，这主要归功于机器学习技术的应用。Top-1准确度测试人工智能系统为图像分配正确标签的能力越强，那么其预测结果(在所有可能的标签中)与目标标签越相同。在有额外的训练数据(例如来自社交媒体的照片)的情况下，2021年1月在Top-1准确度测试上每10次尝试中会出现1次错误，而2012年12月每10次尝试中会出现4次错误。而另一项精确率测试Top-5会让计算机回答目标标签是否在分类器的前五个预测中，其准确率从2013年的85%提高到2021年的99%，超过了代表人类水平的成绩94.9%。请务必阅读正文之后的免责条款部分2310月年2月年10月年2月年6月3年10月年2月年6月4年10月年2月年6月5年10月年2月年6月6年10月年2月年6月7年10月年2月年6月8年10月年2月年6月9年10月年2月年6月0年10月年2月.在神经网络算法发展的过程中，Transformer模型在过去五年里成为了主流，整合了过去各种零散的小模型。Transformer模型是谷歌在2017年推出的NLP经典模型(Bert就是用的Transformer)。模型的核心部分通常由两大部分组成，分别是编码器与解码器。编/解码器主要由两个模块组合成：前馈神经网络(图中蓝色的部分)和注意力机制(图中玫红色的部分)，解码器通常多一个(交叉)注意力机制。编码器和解码器通过模仿神经网络对数据进行分类与再次聚焦，在机器翻译任务上模型表现超过了RNN和CNN，只需要编/解码器就能达到很好的效果，可以高效地并行化。AI大模型化是过去两年内兴起的新潮流，自监督学习+预训练模型微调适配方案逐渐成为主流，AI模型走向大数据支撑下的泛化成为可能。传统的小模型用特定领域有标注的数据训练，通用性差，换到另外一个应用场景中往往不适用，需要重新训练。而AI大模型通常是在大规模无标注数据上进行训练，将大模型进行微调就可以满足多种应用任务的需要。以OpenAI、谷歌、微软、Facebook、NVIDIA等机构为代表，布局大规模智能模型已成为全球引领性趋势，并形成了GPT-3、SwitchTransformer等大参数量的基础模型。请务必阅读正文之后的免责条款部分242021年底英伟达与微软联合开发的Megatron-LM拥有83亿条参数，而Facebook开发的Megatron拥有110亿条参数。这些参数大多来自于reddit、wikipedia、新闻网站等，对大量数据存储及分析所需的数据湖等工具将会是下一步研发的焦点之一。rchitectueUniversity请务必阅读正文之后的免责条款部分25应用场景：逐步在安防、互联网、零售等领域实现落地目前在应用端最成熟的技术是语音识别、图像识别等，围绕这些领域，国内、美国都有大量的企业上市，并形成一定的产业集群。在语音识别领域，比较成熟的上市企业包括科大讯飞与此前被微软以290亿美元收购的Nuance。uance官网智慧医疗：AI+医疗多应用于医疗辅助场景。在医疗健康领域的AI产品涉及智能问诊、病史采集、语音电子病历、医疗语音录入、医学影像诊断、智能随访、医疗云平台等多类应用场景。从医院就医流程来看，诊前产品多为语音助理产品，如导诊、病史采集等，诊中产品多为语音电子病例、影像辅助诊断，诊后产品以随访跟踪类为主。综合整个就诊流程中的不同产品，当前AI+医疗的主要应用领域仍以辅助场景为主，取代医生的体力及重复性劳动。AI+医疗的海外龙头企业是Nuance，公司50%的业务来自智能医疗解决方案，而病历等临床医疗文献转写方案是医疗业务的主要收入来源。9279.4984.83.2医疗企业医疗企业其他ce临床文献转写放射设备专业服务其他支持和服务请务必阅读正文之后的免责条款部分26uance智慧城市：大城市病和新型城镇化给城市治理带来新挑战，刺激AI+城市治理的需求。大中型城市随着人口和机动车数量的增加，城市拥堵等问题比较突出。随着新型城镇化的推进，智慧城市将会成为中国城市的主要发展模式。而智慧城市涉及的AI+安防、AI+交通治理将会成为G端的主要落地方案。2016年杭州首次进行城市数据大脑改造，高峰拥堵指数下降至1.7以下。目前以阿里为代表的城市数据大脑已经进行了超过15亿元的投资，主要集中在智能安防、智能交通等领域。我国智慧城市产业规模持续扩大，前瞻产业研究院预计2022年可达25万亿元，2014年至2022年的年均复合增长率为55.27%。esensoft请务必阅读正文之后的免责条款部分2700000.740.9120142015201620172018201920202021E2022E研究院(含预测)，中商产业研究院，中信证券研究部年份城市物联网领域相关产品构成海康威视2001一家以视频为核心的智能物联网解安监管等公安解决方智慧楼宇解决方案等。和中提供服务依图科技2013工智能算力硬件和软件在内的面向城市管理场景的智能公共服务系列解决方案；通用园区解决方案；“一脸通城”解决方案等。、大直销客户云从科技2015化自中国科学院的人机协同等。心等客户平台和超算中心，并推出了一系SenseFoundry商汤方舟城市级开放应用于安防、金融服ic等领域云天励飞2014智慧园区、智慧泛商业等人居生活城市交通是智慧城市落地的重点场景。从城市问题与落地的技术瓶颈来看，交通领域具有优先的落地价值。以城市大脑为中枢，连接摄像头、车辆标签、交通流量等数据，通过云端的分析和整合，从而实现对城市的精准分析、整体研判、协同指挥，缓解拥堵、停车困难、路线规划、事故处理、违章告发等首要交通问题。名称层网络设备、数据中心统、路段速度提示屏幕、智能信号灯究部整理请务必阅读正文之后的免责条款部分28AI+安防：基于图像识别等推动产业能力边界、商业模式极大延伸。传统安防设备将音视频材料简单记录后，需要大批量人工进行逐一甄别或实时监控。引入AI后，算法可以自动将人像及事故场景与预设标签比较，识别出特定人物及事故，充分盘活原有音视频及图像数据。AI+安防可用于市政治安管理，提升智能发现的事件数目，降低事件发生处理平均时长，对警、消、救等各类车辆进行联合指挥调度。也可以用于车站、机场等需要验证信息的特殊场景，减少人工成本及审名称介绍目摄像机列双目客流摄像机局摄像机抓拍官网，中信证券研究部请务必阅读正文之后的免责条款部分29AI+安防软硬件产品市场规模(亿元)增速(%)0%0%2021E2022E2023E2024E2025E资料来源：艾瑞咨询(含预测)，中信证券研究部智慧物流2020年市场规模高达5710亿元，智能仓储迎来千亿市场。物流行业成本居高不下及数字化转型的背景下，仓储物流及产品制造环节面临着自动化、数字化、智能化转型的迫切需求，以提升制造和流通效率。根据中国物流与采购联合会的数据，202020年的年均复合增长率为21.61%。物联网、大数据、云计算、人工智能等新一代信息技术既促进了智慧物流行业的发展，又对智慧物流行业提出了更高的服务要求，智慧物流市场规模有望持续扩大。据GGII测算，2019年中国智能仓储市场规模近900亿元，而前瞻研究院预计这一数字将在2025年达到1500亿以上。中国智慧物流市场规模(亿元)增速(%)00030.00%25.00%20.00%15.00%10.00%5.00%0.00%智能仓储市场规模(亿元)同比(%)151740.00%35.00%30.00%25.00%20.00%15.00%10.00%5.00%0.00%流与采购联合会(含预测)，中信证券研究部GGII瞻产业研究院(含预测)，中信证券研究部1《关于推进物流信息化工作的指导意见》信息采集的标准化、电子化、自动化和智流领域的应用。6能交互、工业机器人、智能物流管理、增材请务必阅读正文之后的免责条款部分307《互联网+高效物流实施意见》仓储、配送等环节运行效率及安全水平。10《关于积极推进供应链创新与应用的指导意3《关于推动物流高质量发展促进强大国内市意见》货、车(船、飞机)、场等物流要素数字化。加强信息9《推动物流业制造业深度融合创新发展实施积极探索和推进区块链、第五代移动通信技术(5G)等物流信息共享和物流信用体系建设中的应8《商贸物流高质量发展专项行动计划(2021—2025年)》学会，中国政府网，中信证券研究部新零售：人工智能将带来人力成本的缩减与运营效率的提升。AmazonGo为亚马逊提出的无人商店概念，无人商店于2018年1月22日在美国西雅图正式对外营运。AmazonGo结合了云计算和机器学习，应用拿了就走技术(JustWalkOutTechnology)和智能识别技术(AmazonRekognition)。店内的相机、感应监测器以及背后的机器算法会辨识消费者拿走的商品品项，并且在顾客走出店时将自动结账，是零售商业领域的全新变革。zon云化的人工智能模块组件是各大互联网巨头目前在人工智能商业化的主要发力方向，