智慧安防AI解决方案行业现状分析及发展前景报告

智慧安防AI解决方案行业现状分析及发展前景报告

利用智能监测设备和移动互联网，完善污染物排放在线监测系统，增加监测污染物种类，扩大监测范围，形成全天候、多层次的智能多源感知体系。建立环境信息数据共享机制，统一数据交换标准，推进区域污染物排放、空气环境质量、水环境质量等信息公开，通过互联网实现面向公众的在线查询和定制推送。加强对企业环保信用数据的采集整理，将企业环保信用记录纳入全国统一的信用信息共享交换平台。完善环境预警和风险监测信息网络，提升重金属、危险废物、危险化学品等重点风险防范水平和应急处理能力。建设支撑超大规模深度学习的新型计算集群，构建包括语音、图像、视频、地图等数据的海量训练资源库，加强人工智能基础资源和公共服务等创新平台建设。进一步推进计算机视觉、智能语音处理、生物特征识别、自然语言理解、智能决策控制以及新型人机交互等关键技术的研发和产业化，推动人工智能在智能产品、工业制造等领域规模商用，为产业智能化升级夯实基础。互联网+益民服务（一）发展便民服务新业态发展体验经济，支持实体零售商综合利用网上商店、移动支付、智能试衣等新技术，打造体验式购物模式。发展社区经济，在餐饮、娱乐、家政等领域培育线上线下结合的社区服务新模式。发展共享经济，规范发展网络约租车，积极推广在线租房等新业态，着力破除准入门槛高、服务规范难、个人征信缺失等瓶颈制约。发展基于互联网的文化、媒体和旅游等服务，培育形式多样的新型业态。积极推广基于移动互联网入口的城市服务，开展网上社保办理、个人社保权益查询、跨地区医保结算等互联网应用，让老百姓足不出户享受便捷高效的服务。（二）推广在线医疗卫生新模式发展基于互联网的医疗卫生服务，支持第三方机构构建医学影像、健康档案、检验报告、电子病历等医疗信息共享服务平台，逐步建立跨医院的医疗数据共享交换标准体系。积极利用移动互联网提供在线预约诊疗、候诊提醒、划价缴费、诊疗报告查询、药品配送等便捷服务。引导医疗机构面向中小城市和农村地区开展基层检查、上级诊断等远程医疗服务。鼓励互联网企业与医疗机构合作建立医疗网络信息平台，加强区域医疗卫生服务资源整合，充分利用互联网、大数据等手段，提高重大疾病和突发公共卫生事件防控能力。积极探索互联网延伸医嘱、电子处方等网络医疗健康服务应用。鼓励有资质的医学检验机构、医疗服务机构联合互联网企业，发展基因检测、疾病预防等健康服务模式。（三）促进智慧健康养老产业发展支持智能健康产品创新和应用，推广全面量化健康生活新方式。鼓励健康服务机构利用云计算、大数据等技术搭建公共信息平台，提供长期跟踪、预测预警的个性化健康管理服务。发展第三方在线健康市场调查、咨询评价、预防管理等应用服务，提升规范化和专业化运营水平。依托现有互联网资源和社会力量，以社区为基础，搭建养老信息服务网络平台，提供护理看护、健康管理、康复照料等居家养老服务。鼓励养老服务机构应用基于移动互联网的便携式体检、紧急呼叫监控等设备，提高养老服务水平。（四）探索新型教育服务供给方式鼓励互联网企业与社会教育机构根据市场需求开发数字教育资源，提供网络化教育服务。鼓励学校利用数字教育资源及教育服务平台，逐步探索网络化教育新模式，扩大优质教育资源覆盖面，促进教育公平。鼓励学校通过与互联网企业合作等方式，对接线上线下教育资源，探索基础教育、职业教育等教育公共服务提供新方式。推动开展学历教育在线课程资源共享，推广大规模在线开放课程等网络学习模式，探索建立网络学习学分认定与学分转换等制度，加快推动高等教育服务模式变革。互联网+电子商务巩固和增强我国电子商务发展领先优势，大力发展农村电商、行业电商和跨境电商，进一步扩大电子商务发展空间。电子商务与其他产业的融合不断深化，网络化生产、流通、消费更加普及，标准规范、公共服务等支撑环境基本完善。（一）积极发展农村电子商务开展电子商务进农村综合示范，支持新型农业经营主体和农产品、农资批发市场对接电商平台，积极发展以销定产模式。完善农村电子商务配送及综合服务网络，着力解决农副产品标准化、物流标准化、冷链仓储建设等关键问题，发展农产品个性化定制服务。开展生鲜农产品和农业生产资料电子商务试点，促进农业大宗商品电子商务发展。（二）大力发展行业电子商务鼓励能源、化工、钢铁、电子、轻纺、医药等行业企业，积极利用电子商务平台优化采购、分销体系，提升企业经营效率。推动各类专业市场线上转型，引导传统商贸流通企业与电子商务企业整合资源，积极向供应链协同平台转型。鼓励生产制造企业面向个性化、定制化消费需求深化电子商务应用，支持设备制造企业利用电子商务平台开展融资租赁服务，鼓励中小微企业扩大电子商务应用。按照市场化、专业化方向，大力推广电子招标投标。（三）推动电子商务应用创新鼓励企业利用电子商务平台的大数据资源，提升企业精准营销能力，激发市场消费需求。建立电子商务产品质量追溯机制，建设电子商务售后服务质量检测云平台，完善互联网质量信息公共服务体系，解决消费者维权难、退货难、产品责任追溯难等问题。加强互联网食品药品市场监测监管体系建设，积极探索处方药电子商务销售和监管模式创新。鼓励企业利用移动社交、新媒体等新渠道，发展社交电商、粉丝经济等网络营销新模式。（四）加强电子商务国际合作鼓励各类跨境电子商务服务商发展，完善跨境物流体系，拓展全球经贸合作。推进跨境电子商务通关、检验检疫、结汇等关键环节单一窗口综合服务体系建设。创新跨境权益保障机制，利用合格评定手段，推进国际互认。创新跨境电子商务管理，促进信息网络畅通、跨境物流便捷、支付及结汇无障碍、税收规范便利、市场及贸易规则互认互通。人工智能行业总体发展情况（一）人工智能行业市场规模人工智能利用机器学习和数据分析，对人的意识和思维过程进行模拟、延伸和拓展，赋予机器类人的能力。人工智能将重塑实体经济，提升社会劳动生产率，特别是在有效降低劳动成本、优化产品和服务、创造新市场和就业等方面为人类的生产和生活带来革命性的转变。人工智能是新一轮科技革命和产业变革的重要驱动力量。经历了从技术到产品、从产品到场景的快速发展过程，人工智能正逐步作为一种变革力量与产业深度融合，并成为目前新型基础设施建设的重要一环，面临广阔的发展空间。据Sage预测，至2030年人工智能的出现将为全球GDP带来额外14%的提升，相当于15．7万亿美元的增长。中国市场丰富的应用场景和庞大的数据量同样刺激人工智能市场的快速扩张，将从2019年的28．06亿美元增长至2023年的119．25亿美元，复合增长率高达43．58%。政府行业、金融业、互联网行业在经过近年的应用实践后将全面推广AI的应用，而新零售、新制造、医疗领域也将成为AI市场的新增长点。IDC预计未来这六大行业应用AI的3年复合增长率将超过30%。（二）人工智能行业产业链与国内产业链分析从产业链上来看，人工智能行业的基础层主要提供数据和算力支持，其中包括硬件设施、系统平台和数据资源三个维度；技术层为感知和认知能力，包括算法模型、基础框架和通用技术；应用层即场景和产品，主要包括各类型的智能产品和应用平台。同时，智能产品端即众多物联网化的终端和边缘端设备是数据资源的重要来源，形成了对基础层底层数据的持续补充，进而带动技术层的演进和迭代，从而构成完整的闭环。在人工智能应用技术方面，主要可分为计算机视觉、智能语音、自然语言处理三个主要方向。其中，计算机视觉主要研究计算机代替人眼对目标进行识别、跟踪和测量等相关课题，解决机器―看得清、看得懂的问题。智能语音识别技术主要研究人际之间语音信息的处理问题，即实现计算机、智能设备、家用电器等通过对语音的分析、理解和合成，实现―能听会说，具备自然语言交流的能力。自然语言处理技术主要研究计算机处理人类语言，是机器理解并解释人类写作、说话方式的能力，也是人工智能最初发展的切入点和目前的研究焦点。目前，国内的人工智能企业集中于应用层，基础层则较为薄弱。在中国新一代人工智能发展战略研究院2019年的统计中，产业链基础层、技术层和应用层的企业数量分别占总数的2．8%、22%和75．2%。由于对技术和资金的要求较高，基础层的底层技术由少数国际巨头垄断，国内行业结构稍显―头重脚轻，国内企业在算法和硬件算力领域仍然任重道远。近年来，国家就相关领域的政策正在经历由侧重技术应用到全产业链系统发展的方向转变，未来就基础层的发展，可预见更多资本和人才的政策倾斜，基础层也将成为未来人工智能整体市场的核心增长引擎。目前，计算机视觉技术是人工智能市场中的应用最为广泛的技术，在2020年上半年贡献了整体市场中超过48%的收入，其次为语音语义技术和机器学习开发平台技术。随着计算机视觉的应用落地走向成熟，应用场景不断拓展，计算机视觉技术的市场份额将持续保持较高水平。（三）AI解决方案市场容量智慧安防解决方案运用人工智能技术处理安防监控活动中产生的海量数据，并逐渐完成部分自主决策响应任务，实现事前积极预防、事中实时感知和快速响应，以及事后的快速调查，其典型应用包括政府主导建设的、天网工程等。随着我国数字城市、智慧城市建设步伐持续加快，安防需求已全面从政府主导的城市公共安全管理向更为私有化、场景个性化的方向发展，智能安防的市场边界将进一步扩展，智能安防产业规模预计将保持高位增长。沙利文预计至2023年，中国智慧安防人工智能产业市场规模将高达1，301．6亿元，2018年至2023年的年复合增长率将达到47．7%。城市治理解决方案运用人工智能技术，帮助政府统筹推进智慧城市的建设、运营和管理，并基于特定场景制订个性化解决方案，有效提高工作效率和立体化防控水平。以智慧交通枢纽为例，传统交通系统中存在各交通参与模块相互割裂、缺乏协调等问题，城市阻塞问题随之加剧。智慧交通枢纽整合交通资源与流量信息，实现交通元素之间的彼此协调、优化配置和高效使用。随着各地对城市运营精细化管理的需求不断增强，下游应用场景的不断拓展将持续加速城市治理市场的扩张。仅就智慧交通人工智能领域，沙利文预计2023年该领域市场规模将达到345．7亿元。缺乏信息化管理平台的传统园区随着入驻企业和员工访客的不断增加，存在管理效率低下、资源配置不合理等问题。智慧园区则可以通过云计算和人工智能等技术，实现园区的网络设施协同化、运营管理智能化，有效降低园区的运营成本。目前，我国共有超过15，000个产业园区，智能园区改造的渗透率仍然较低，未来有较大的市场增长空间。预计至2023年，中国智慧园区人工智能市场规模将达76．3亿元。计算机视觉技术通过识别分析消费者行为和商品信息，可对门店经营、消费者游逛行为等进行数据量化，对销售额进行多因子分析，是精准营销、智能化运营、门店管理等环节应用的必要基础。在此基础上机器学习技术则应用于数据建各场景的智能化水平。随着人工智能技术向更广泛的商业领域进行渗透，智慧泛商业的市场扩张将伴随着零售、市场营销等行业的转型升级得到进一步的加速。其中，AI+零售市场将保持50%以上的年复合增长率，规模将在2022年达到26．7亿元。互联网+绿色生态推动互联网与生态文明建设深度融合，完善污染物监测及信息发布系统，形成覆盖主要生态要素的资源环境承载能力动态监测网络，实现生态环境数据互联互通和开放共享。充分发挥互联网在逆向物流回收体系中的平台作用，促进再生资源交易利用便捷化、互动化、透明化，促进生产生活方式绿色化。互联网+便捷交通加快互联网与交通运输领域的深度融合，通过基础设施、运输工具、运行信息等互联网化，推进基于互联网平台的便捷化交通运输服务发展，显著提高交通运输资源利用效率和管理精细化水平，全面提升交通运输行业服务品质和科学治理能力。（一）提升交通运输服务品质推动交通运输主管部门和企业将服务性数据资源向社会开放，鼓励互联网平台为社会公众提供实时交通运行状态查询、出行路线规划、网上购票、智能停车等服务，推进基于互联网平台的多种出行方式信息服务对接和一站式服务。加快完善汽车健康档案、维修诊断和服务质量信息服务平台建设。（二）推进交通运输资源在线集成利用物联网、移动互联网等技术，进一步加强对公路、铁路、民航、港口等交通运输网络关键设施运行状态与通行信息的采集。推动跨地域、跨类型交通运输信息互联互通，推广船联网、车联网等智能化技术应用，形成更加完善的交通运输感知体系，提高基础设施、运输工具、运行信息等要素资源的在线化水平，全面支撑故障预警、运行维护以及调度智能化。（三）增强交通运输科学治理能力强化交通运输信息共享，利用大数据平台挖掘分析人口迁徙规律、公众出行需求、枢纽客流规模、车辆船舶行驶特征等，为优化交通运输设施规划与建设、安全运行控制、交通运输管理决策提供支撑。利用互联网加强对交通运输违章违规行为的智能化监管，不断提高交通运输治理能力。互联网+高效物流加快建设跨行业、跨区域的物流信息服务平台，提高物流供需信息对接和使用效率。鼓励大数据、云计算在物流领域的应用，建设智能仓储体系，优化物流运作流程，提升物流仓储的自动化、智能化水平和运转效率，降低物流成本。（一）构建物流信息共享互通体系发挥互联网信息集聚优势，聚合各类物流信息资源，鼓励骨干物流企业和第三方机构搭建面向社会的物流信息服务平台，整合仓储、运输和配送信息，开展物流全程监测、预警，提高物流安全、环保和诚信水平，统筹优化社会物流资源配置。构建互通省际、下达市县、兼顾乡村的物流信息互联网络，建立各类可开放数据的对接机制，加快完善物流信息交换开放标准体系，在更广范围促进物流信息充分共享与互联互通。（二）建设深度感知智能仓储系统在各级仓储单元积极推广应用二维码、无线射频识别等物联网感知技术和大数据技术，实现仓储设施与货物的实时跟踪、网络化管理以及库存信息的高度共享，提高货物调度效率。鼓励应用智能化物流装备提升仓储、运输、分拣、包装等作业效率，提高各类复杂订单的出货处理能力，缓解货物囤积停滞瓶颈制约，提升仓储运管水平和效率。（三）完善智能物流配送调配体系加快推进货运车联网与物流园区、仓储设施、配送网点等信息互联，促进人员、货源、车源等信息高效匹配，有效降低货车空驶率，提高配送效率。鼓励发展社区自提柜、冷链储藏柜、代收服务点等新型社区化配送模式，结合构建物流信息互联网络，加快推进县到村的物流配送网络和村级配送网点建设，解决物流配送最后一公里问题。视觉人工智能行业（一）视觉人工智能技术发展历程1、计算机视觉的定义计算机视觉技术赋予计算机人类双眼所拥有的分割、分类、识别、跟踪、判别等功能，通过构造多层的神经网络，识别不同层级的图像特征并在顶层做出判断和分类。2、计算机视觉的发展历程计算机视觉主要经历了以上三个发展阶段。伴随着同期互联网海量数据的爆发，各类数据集成为计算机视觉技术发展的土壤，而深度学习和深层神经网络理论最终带来最新一次的技术变革。2015年，视觉人工智能系统识别项目ImageNet比赛中，ResNet以3．57%的识别错误率首次超越人类视觉的5．1%。目前人脸识别准确率已经提升至97%以上。（二）视觉人工智能产业链简介与人工智能市场的产业链相似，视觉人工智能市场的产业链同样分为基础层、技术层与应用层。其中，基础层主要包括提供算力的芯片与提供信息采集功能的前端设备组成的硬件支持、相关底层技术支持，与海量信息数据；技术层则主要包括基于各类识别技术构建的软件产品、解决方案和技术平台；应用层则包括了各类视觉人工智能的应用场景。（三）视觉人工智能行业市场规模与行业构成作为人工智能产业中应用最为广泛的技术之一，计算机视觉技术拥有前景广阔的庞大市场。在2017年的爆发式增长后，我国计算机视觉市场近几年的增长趋缓，但仍处于较高水平。根据高工产研机器人研究所的数据，2019年中国计算机视觉应用市场达14．56亿美元。而根据沙利文咨询出具的研究，2019年中国计算机视觉市场规模达到219．6亿元。目前，视觉人工智能被广泛应用于各个行业，包括安防、零售、营销、医疗等等。其中，根据亿欧数据的研究，2018年中国计算机人脸识别市场中安防场景的应用占61．2%，根据前瞻研究院数据，2020年中国计算机视觉应用层份额中，安防影像分析占67．9%，国内明确的应用场景和强大的客户需求让AI技术在安防行业快速落地。在安防行业，视觉人工智能的应用场景包括门禁、智能摄像头等，依托人像识别技术，安防排查和管理效率得到显著提升。同时，根据中科院发布的《2019年人工智能发展白皮书》等，目前计算机视觉技术除了安防之外，较为典型的应用场景还包括：自动驾驶汽车需要使用计算机视觉技术。特斯拉等汽车制造商已经通过摄像头、激光雷达、雷达和超声波传感器从环境中获取图像，研发自动驾驶汽车来探测目标、车道标志和交通信号，从而安全驾驶。由于90％的医疗数据都是基于图像的，因此医学中的计算机视觉有很多用途。比如启用新的医疗诊断方法，分析X射线，X光检查，AI诊疗等。计算机视觉技术可以帮助工业制造商更安全、更智能、更有效地运行，比如预测性维护设备故障，对包装和产品质量进行监控，并通过计算机视觉技术识别和减少不合格产品。传统翻译采用人工查词的方式，不但耗时长，而且错误率高。图像识别技术的出现大幅提升了翻译的效率和准确度，用户通过简单的拍照、截图或划线就能得到准确的翻译结果。（四）视觉人工智能技术的场景应用举例视觉人工智能目前被广泛应用于多个行业，其功能和应用涉及到数据采集端终端，数据传输，数据存储、处理和输出端云端，通过云端和终端的密切配合，最终实现有效结果的输出。以安防场景为例，在一个完整的端云架构中，终端IoT设备主要用于数据采集，例如摄像机通过拍摄视频来采集数据，然后终端设备通过传播介质将数据传输至云端，再由云端进行批量的分析处理，最后输出分析结果。由于终端设备需要更多地考虑功耗和成本，过去在端侧仅部署较小的算力，更依靠云侧算力的支持。在数据呈现指数级增长的今天，一方面终端的视频流数据快速增长加重了传输渠道的负载，导致原有带宽无法支撑数据的及时、有效传输，进而影响了云端算力的科学调度；另一方面，数据量的指数级增长大幅提高了云端对并行运算数据峰值的要求，云侧的部署成本随着数据处理需求的极值增长而显著提高，但在数据处理的―平峰期，云端算力将存在无法得到充分、有效运用的情形。为了更好地平衡云侧和端侧的算力分布，实现整体效率的最大化，目前通过提升端侧和边缘侧的智能化水平和算力，实现整体算力分布的前置成为行业的新趋势。通过将部分算力和分析程序前置到终端设备，终端可以实现对数据的预处理，仅需将部分特征数据传至云端，甚至在本地完成对数据的完整分析。通过分布式算力部署，端侧设备形成的数据处理集群逐步向云侧设备融合。随着系统架构的不断优化，一方面这将增加有效算力，缓解带宽压力，减少设备的成本投入，另一方面数据的本地处理也能有效规避云侧分析带来的数据安全、隐私保护等风险。随着端侧芯片能够灵活支持更多算法，在云端集中的算力部署也将更加合理，最终实现―端云协同的协同效应，即架构内算力、成本、时延、功耗的最优平衡。为实现这一效果，端侧对芯片的兼容性和灵活性有更高的要求，在控制成本和功耗的同时提升算力，从而实现云端部署和应用场景的灵活适配。人工智能芯片行业人工智能芯片指应用在人工智能算法加速，主要实现大规模并行计算的芯片。而在更广泛的概念下，任何应用在人工智能领域的芯片都可被称为人工智能芯片。（一）人工智能芯片以技术路线分类深度学习架构下的人工智能芯片以技术路线进行划分，主要包括GPU、FPGA、ASIC、ASIP等类别。GPU使用SIMD让多个执行单元同时处理不同的数据，其离散化和分布式的特征，以及用矩阵运算替代布尔运算的设计使之适合处理深度学习所需要的非线性离散数据。与同样基于冯•诺依曼架构的CPU不同的是，在传统的冯•诺依曼结构中，CPU每执行一条指令都需要存储读取、指令分析、分支跳转才能进行运算，从而限制了处理器的性能；而GPU大部分的晶体管可以组成各类专用电路、多条流水线，运算单元明显增多，适合大规模的并行计算。GPU拥有更多的ALU用于数据处理，这样的结构适合对密集型数据进行并行处理，获得高于CPU几十倍甚至上千倍的运行速度。在云端，通用GPU，被广泛应用于深度神经网络训练和推理。但是，GPU并非专门针对AI算法，在执行算法中能耗相对较高、效率相对较低，有一定的时延问题。FPGA利用门电路直接运算，而用户可以自由定义这些门电路和存储器之间的布线，改变执行方案。其基本原理是集成大量的基本门电路以及存储器，通过大量的可编程逻辑单元实现针对性的算法设计，即实现以硬件定义软件。FPGA通过可编程逻辑综合，在并行计算上能够获得和GPU接近的并行计算性能，相比CPU，有明显的性能提升，同时在功耗上优势明显在深度学习算法仍处于高速迭代的状态下，FPGA因其可重构特性而具有显著优势。FPGA市场化的阻碍主要在于高昂的硬件和开发成本，编程相对复杂，为实现重构而降低了计算资源占比，整体运算能力受到影响。ASIC则为专用定制芯片的统称，在架构、设计、成本等方面存在更大的多样性，其中VPU是为图像处理和视觉处理设计的定制芯片。ASIC的架构相对简单，性能和功耗与通用型产品相比更低。由于不需要包含FPGA用于实现重构的可配置片上路由与连线，相同工艺的ASIC计算芯片可以拥有FPGA5-10倍的运算速度，实现PPA最优化设计。ASIC针对场景的定制化设计使其更适合终端推理场景，而如今它的主要劣势在于初期设计的资金投入和研发周期，且针对性设计限制了芯片的通用性。ASIP是一种新型的定制化指令集的处理器芯片，它为某个或某一类型应用而专门设计，通过权衡速度、功耗、成本、灵活性等多个方面的设计约束，设计者可以定制ASIP以达到最好的平衡点，从而适应嵌入式系统的需要。ASIP集合了FPGA和ASIC各自的优点，不仅可以提供ASIC级别的高性能和低功耗，还能提供处理器级别的指令集灵活性，实现可重新编程，更适用于需求尚未被明确定义、需要芯片具备一定通用性和可编程性的应用场景，从而满足AI算法快速更新迭代的需求，并延长芯片的使用生命周期。相对GPUCPU具备同等的指令集灵活性，执行效率、功耗、能量效率方面相比CPU、GPU有1-2个数量级的优势。相对DSP在视觉人工智能算法上的执行效率上高2-5倍，功耗只有其1/2-1/3。相对ASIC具有后向算法可编程的灵活性，更适合深度学习AI算法的演进和迭代部署。相对FPGA具有高性能、低成本的优势，成本方面有百倍级的成本优势。未来，类脑芯片的神经拟态计算将带来更大的想象空间，其内存、CPU和通信部件将集成为一体，信息处理可以在本地进行。类脑芯片的设计目的也将不局限于加速深度学习算法，而是在芯片结构甚至器件层面上改变设计，开发出全新的类脑计算机体系结构。目前此项技术还尚未得到大规模应用，但很有可能成为行业内长期发展的路径和方向。（二）人工智能芯片行业市场规模与行业构成市场规模方面，AI芯片的需求正在快速扩大，根据艾媒咨询的预测，全球AI芯片市场规模将在未来五年内飙升，预计将从2019年的110亿美元增长至2025年的726亿美元。赛迪顾问则预测中国AI芯片市场规模将从2019年的124．1亿元增长至2021年的305．7亿元，预计未来几年仍将以超过50%的速度快速增长。根据赛迪数据报告，从行业结构分布来看，在2021年安防行业是AI芯片落地应用的最大市场，市场规模达到51．1亿元，占比16．72%。其余用途比较广泛的场景还包括零售、医疗、教育、制造、金融、物流、交通等领域。根据应用场景，AI芯片可分为云端芯片、边缘端芯片和终端芯片，再根据功能可分为训练芯片和推断芯片。近年来，宏观政策的大力支持和人工智能的普遍应用促进了AI芯片市场的高速扩张。赛迪顾问预测，2021年我国AI芯片市场规模将达到305．7亿元，2019至2021年市场规模的年化增长率均超