2024-12-22 06:56:46来源：jinnianhui金年会官网 作者：jinnian金年会官网
人工智能自1956年诞生以来，阅历了三次展开浪潮。在深度学习的推动下，人工智能成为重要的科技立异方向，以核算机视觉、自然言语处理等为代表的AI技能加快对下流传统职业进行改造。咱们看到AI在代替或辅佐人类作业上提效降本的潜能，且能够经过自动驾驭、才智医疗等办法发明全新的日子体会并推动多职业功率的进步，鄙人流职业智能化转型的驱动下，能够带来人民币万亿级的商场空间。
优质数据是AI展开的要害，IoT是AI落地最佳载体，碎片化运用场景催生物联网渠道型公司。核算机视觉、自然言语处理等AI技能树立在练习的根底上，模型准确性及杂乱度的进步对数据规划提出更高的要求。咱们看到，物联网能够触达很多优质数据，为人工智能的运用供给底层支撑。咱们以为，面对物联网碎片化的特性，渠道型公司具有在实践运用场景中快速迭代模型、打通接入设备及沉积可复用事务模块的优势，能够将数据优势转化为规划效应。
运算才干决议了AI模型练习与推理的功率，处理器功用是要害。不同布置场景及运用阶段对AI芯片的需求不同，终端与云端的芯片别离体现出高性价比化及高功用化。各类型的芯片在功耗、通用性、本钱、编程难度等方面存在差异，CPU通用性强，但运算功率难以到达AI的要求；GPU善于并行处理，以CUDA作为简易编程接口，编程结构老练，但仍存在提效空间；FPGA具有灵敏度高、功耗低的优势，但编程较为杂乱；ASIC是针对AI特性开发的芯片，兼具高算力和低功耗，但开发周期长，流片本钱高。
智能算法是AI的柱石，横向开源渠道与纵向深耕职业并行。AI算法的底层技能相对揭露，抢先企业需求构建敞开渠道，将技能优势转化为生态优势。一起，跟着传统职业智能化转型的推动，通用型算法难以满意多样化场景需求，算法企业需求深耕职业以沉积专业常识及事务模型。咱们以为触达职业优质数据、针对职业痛点供给高效算法是AI算法企业的中心竞赛力。
价值发明是人工智能完结规划运用的要害，人工智能对传统职业的改造将带来万亿级商场空间。现在的人工智能技能以感知智能为主，咱们看好AI技能在包含工业出产、药物研制、医学确诊、智能驾驭等多场景下代替重复性机械作业、进步功率、复刻专家才干、进步日子体会的落地空间。
AI总述：感知智能技能展开老练，下降本钱及模型复用成为AI规划运用的要害
自1956年人工智能概念诞生以来，AI的展开阅历了三次展开浪潮。依据《人工智能标准化白皮书(2018)》，人工智能是运用数字核算机或许数字核算机操控的机器模仿、延伸和扩展人的智能，感知环境、获取常识并运用常识取得最佳成果的理论、办法、技能及运用体系。
回忆人工智能的前史，咱们发现操控主义(Cybernetics)、符号主义(Symbolism)、衔接主义(Connectivism)三种门户在AI的不同展开时期别离占有主导地位。
榜首次浪潮(1956-1980年)：1956年Dartmouth会议的举行被广泛以为标志着AI的诞生，1957年感知机算法被提出。这一阶段依据笼统数学推理的核算机现已出现，符号主义得到快速展开，特别是人机自然言语沟通的完结，引领了AI展开的榜首个小高潮。但模型自身的约束性导致研讨展开缓慢，预期过高的本钱堵截一切赞助，人工智能随后进入隆冬。
第2次浪潮(1980-1993年)：1982年神经网络算法诞生，但因为算力缺少，AI仍未完结规划落地。这一阶段，操控主义门户专心于的根本工程问题。1980年后一种叫“专家体系”的AI程序被世界各地广泛选用，掀起了AI展开的第二个高潮，但因为本钱高、运用范畴约束、不能自主学习等原因走向式微。
第三次浪潮(1993年至今)：90年代核算机的速度和容量的巨大添加引爆了AI革新，标志性事情如1997年深蓝打败人类象棋冠军；2006年由神经网络进阶的深度学习算法范畴取得突破性展开，衔接主义随之成为人工智能主旋律；2010年后数据的大规划堆集继续促进AI展开，标志性事情如2016年AlphaGo打败人类围棋冠军，现在AI迎来了展开的又一个昌盛时期。
经过60多年的展开，人工智能间隔赋予类智能水平仍存在较大间隔。核算机仅具有低水平的智能，不具有自习惯、自学习、自优化等才干，缺少社会常识或专业常识，只能被动地依照既定的进程进行作业。人工智能的展开初衷是让核算机具有像人脑相同的智能，而现在的人工智能技能间隔人类智能的悉数模仿遥遥无期。
人工智能包含弱人工智能、强人工智能、超人工智能三个阶段，现在人工智能仅能完结“感知智能”。弱人工智能是仅能感知外界信号做出反响的“感知智能”；强人工智能是具有人类的思想逻辑、能够自主举动的“认知智能”的初级阶段；超人工智能是逾越人类毅力和才干的“认知智能”的高档阶段。
感知智能展开老练，但AI间隔完结认知智能仍存在较大间隔。现在机器在“回忆”和“多使命处理”、图画和语音辨认范畴具有优势。2015年，微软亚洲研讨院(MSRA)在图画辨认使命上完结了对人类的逾越[1]。但在了解、情感、联想等高档功用方面，机器仍难以与人类水平比较。
自然言语处理、核算机视觉等感知智能相关技能的老练度较高，也成为落地较为顺畅的AI技能。
跟着数据量快速添加及算力展开，深度学习成为推动AI展开的干流技能。如图表4所示，传统的机器学习算法，比方支撑向量机或logistic回归，在数据量添加时，模型功用会跟着并行机器数目的添加而进步，但很快抵达渠道期，无法处理；而运用神经网络的深度学习算法其推理的准确性会跟着数据量添加不断进步。算力的展开及数据量的进步推动深度学习成为AI的干流，然后迎来了人工智能的爆发式昌盛。
现在AI现已能完结较高水平的感知智能，但其商业化才干仍存在较大的进步空间，咱们以为详细的约束如下：
#1:练习模型的标示本钱高，边沿本钱较高。依据IDC猜测，全球每年出产的数据量将从2016年的16.1ZB添加至2025年的163ZB，其间80%~90%对错结构化数据，海量数据有必要经过清洗与标示才干成为AI练习运用的结构化数据。人工本钱在必定程度上导致了AI企业的毛利率水平较低，比照SaaS公司，AI公司全体毛利率在50%-60%区间，全体低于SaaS的60%-80%基准。
#2:场景碎片化、多样化，模型难以复用。AI企业投入高，原因在于：1)依据亿欧智库，多达 40%的现有技能场景存在于需求的长尾中，导致很多技能无法落地；2)面对特定的运用场景，需求结合职业及AI算法常识对模型加以练习；3)即便已有成功落地的经历，AI项目依然难以泛化，模型具有约束性。
针对以上展开痛点，咱们以为AI未来的方向是单点技能降本及开源结构，终究满意提效降本的需求，构建人机协同的人工智能生态圈。
#1无监督学习、搬迁学习、预练习模型推动单点技能降本：无监督学习能够从无监督数据中自行结构标签，下降模型练习进程中的人工干预。2020年头，Google、Facebook别离提出SimCLR和MoCo两个无监督表征学习算法[2]。搬迁学习——将已成功完结模型开发经历搬迁到新项目、预练习模型——只需调用已搭好模型的参数已成趋势，AI模型开发难度有望下降，AI模型练习本钱有望下降。
#2横向开源扩展：未来广泛运用的开源结构和渠道将下降AI模型的开发难度及本钱，敞开同享的渠道将全面整合老练的职业技能，帮忙传统企业完结智能化转型。
海量数据、强壮算力、智能算法是人工智能的三大柱石，三者相互依存。一方面，假如缺少海量数据作为输入，难以进步AI算法及模型的准确性；另一方面，海量数据练习模型也对硬件的运算才干提出了较高的要求。咱们以为，AI职业展开的要害是能够获取海量优质数据并依据此供给低本钱的落地计划。
一方面，数据规划会影响练习模型的准确性，对模型的运用作用及规划产生影响；另一方面，模型的日益杂乱也推动着数据量需求的进步。
数据量影响模型准确性。数据规划与深度学习模型的有用性严密相关，较大的数据量能够避免模型出现过度拟合。以EGU运用近红外光谱数据猜测土壤性质的深度学习模型为例，跟着练习数据规划的添加，深度学习模型的准确性进步，如图表8所示。
模型杂乱度快速进步，数据量及算力成为模型改进的要害。人工智能模型的参数是从前史数据中练习得到的，前沿模型的参数出现指数级的添加。依据《福布斯·模型参数量排行榜》，2011年的AlexNet有0.6亿个参数，而2020 年OpenAI 发布的GPT-3模型具有1,750亿个参数，2021 年Google发布的Switch Transformer模型将参数量进步至1.6万亿，成为首个参数量超越万亿级的模型。对海量数据的触达及运用才干成为AI公司的中心竞赛力。
图表 8:练习样本量对深度学习模型准确性的影响&模型的参数数量呈指数级添加
物联网能够触达很多优质数据，为人工智能的运用供给底层支撑，而碎片化的下流需求特征将催生渠道型的物联网公司。
物联网经过5G、NB-IoT、蓝牙等多种通讯技能完结万物互联互通，能够多渠道获取不同场景中的海量用户数据，为AI模型的练习供给了必要材料。依据GSMA猜测，2025年我国物联网的衔接数将到达80亿。物联网海量数据为AI模型的练习供给了根底，现在在视频监控、智能家居、自动驾驭等范畴都完结运用。
咱们以为物联网渠道的竞赛中心是数据为王，数据优势将终究体现为规划效应。物联网的下流运用场景及需求高度碎片化，难以完结AI模型及底层资源的复用，导致AI赋能的本钱维持在较高水平，比方现在安防范畴和智能家居范畴的AI运用。咱们以为物联网渠道型公司将堆集和学习多职业多场景的数据，对下流需求的共性构成了解并沉积可复用的模块化数据处理办法及AI模型，终究完结跨场景的低本钱服务才干。
物联网渠道型公司能够完结多场景海量数据的搜集及剖析，是AI海量数据输入与物联网万物互联结合的要害。详细而言，物联网渠道型公司的价值在于：
堆集实践场景落地数据，完结AI模型的快速更新迭代。物联网渠道型企业能够构成“运用落地-数据堆集-算法优化商场承受度进步-运用落地”的飞轮效应。以自动驾驭场景为例，特斯拉在车载核算机上搭载FSD体系，完结实时数据收集并在云端自有超算中心进行神经网络模型练习，再将模型经过OTA推送到用户端，经过自动化的数据闭环，逐渐掩盖各种场景并进步自动驾驭可靠性。
打通碎片化接入设备，构建敞开生态圈。物联网的接入设备碎片化，设备类型、品牌多样，数据吞吐量差异较大，需求软件渠道来承托整个衔接网络。小米经过出资+孵化的方法打造生态圈，并向消费类硬件供给智能化产品的开发渠道，推出Xiaomi Vela操作体系，在各种物联网硬件渠道上完结一致软件服务，打通碎片化运用场景。
堆集多场景职业经历，沉积可复用的事务模块。物联网渠道企业经过打造职业标杆的办法，堆集职业典型模型，并沉积算法库以完结模型复用。依据公司2020年年报，大华股份将各职业的成功经历总结成为高度标准化的事务模块，完结产品发布功率进步超越40%，下降产品边沿本钱，构成良性循环。
数据量及模型杂乱度的指数型添加都要求硬件算力快速进步。2012年深度学习模型AlexNet辨认一张ImageNet图片需求进行7.6×10^8次根本运算，练习阶段需求进行3.17 × 10^17次根本运算，如以1993年出品的Intel CPU飞跃P5芯片履行该使命，即便在处理器流水线%的状况下，也需求至少10分钟才干完结推理使命，需求近百年才干完结练习使命。
跟着模型杂乱度的进步，练习模型所需的芯片算力需求呈指数型添加。以2019年Google提出的EfficientNetB7的深度学习模型为例，该模型每完结一次前向核算都需求进行3.61×10^10次根本运算，是2012年同类模型AlexNet运算需求的50倍。依据英伟达的数据，自2017年末发布Tesla V100之后，练习最大模型的算力需求添加了3,000倍。
海量数据作为AI模型练习、推理的中心输入，将进步AI关于运算才干的需求。以自动驾驭为例，跟着处理数据量的进步，自动驾驭对单设备的算力需求显着进步，如图表12所示。依据华为的猜测，人工智能相关范畴关于算力的需求在2030年将到达16,206 EFLOPS，相当于1,600亿颗高通骁龙855内置的人工智能芯片所能供给的算力。
AI芯片的需求存在差异化，跟着布置场景(云边端)、运用阶段(练习及推理)的不同而改动。终端侧芯片高性价比化，首要寻求低功耗与高效能，以推理使命为主；而云端AI芯片高功用化，首要寻求高核算才干，需求统筹推理和练习使命。
传统CPU难以满意人工智能的运算需求，GPU、FPGA、AISC等被引进AI的芯片解决计划。人工智能运算关于芯片的微架构、指令集、制作工艺乃至配套体系软件都提出了较大的应战。
CPU通用性强，但运算功率难以到达AI要求。CPU作为通用型的芯片，能够灵敏适配不同的运用场景，CPU内部首要由操控器和运算器组成，其间仅ALU(逻辑运算单元)用于完结数据核算，其他模块是为了保证指令能够有序履行。CPU只能经过进步主频(单位时刻内履行指令的条数)来进步运算速度，而主频不能无约束进步，这也成了CPU运用于AI难以逾越的瓶颈。厂商能够对传统CPU的硬件架构进行调整以习惯AI的运用需求，英特尔推出的第三代至强芯片支撑深度学习加快技能，一起支撑多达6个UPI通道，增强了渠道可拓展性。
GPU拿手数据并行处理，编程结构老练，但存在提效空间。GPU的特点是单使命、数据并行核算，且内部存储器的宽接口可进步存储器吞吐量，使得GPU的核算速度远高于CPU，适宜处理很多类型一致的数据。GPU强壮的并行核算才干缓解了深度学习算法的练习瓶颈，然后开释了人工智能的展开潜力。一起，GPU的编程结构老练，于2006年发布的CUDA供给了GPU编程的简易接口，支撑C/C++、Python等多种编程言语。但因为GPU仍需求进行取指令、指令译码、指令履行的进程，能耗水平较高，要求数据中心的散热形式由风冷改为水冷，并面对较高的运营电费。一起，GPU架构开始并非针对人工智能而规划，各代产品有必要继续支撑图形烘托和科学核算等传统范畴，关于实时性要求比较高的推理方向，GPU实践算力或许只要峰值算力的1/10乃至更低[4]。针对此，NVIDIA推出了全新的A100系列，A100 通用体系可处理各种 AI 作业负载，包含剖析、练习和推理，初次完结了强壮算力的精密分配，运用多实例GPU功用，办理员可针对特定作业负载分配适宜的资源，保证能从容应对杂乱的大使命和简略的小使命。
FPGA具有灵敏度高、功耗低的优势，但编程杂乱。FPGA的完结原理是运用门电路直接运算，用户能够灵敏界说门电路和存储器之间的布线，因而归于半定制芯片。FPGA在并行核算上具有优势，芯片内部能够依据数据包进程树立相应的流水线，完结数据并行、流水线并行；FPGA功耗低，依据头豹研讨的数据，FPGA的均匀功耗(10W)远低于GPU的均匀功耗(200W)，常用于推理端；一起，FPGA的可编程性导致其灵敏性更强，特别适宜特定算法和演进中的算法，而CPU、GPU无法改动硬件资源。不过FPGA 经过“硬件”完结“软件”的办法导致其编程难度大、编译时刻长。
ASIC是针对AI特性开发的芯片，但开发周期较长，流片本钱高。ASIC是为完结特定场景运用要求而定制的芯片，依据不同需求出现出多样的形状和功用。比照前三种芯片，ASIC具有功用更强、体积更小、功耗更低、可靠性更高级长处。Google的TPU、地平线的BPU都归于ASIC芯片。ASIC 的功用进步十分显着，依据清华大学《人工智能芯片研讨报告》，Google的TPU比 CPU和GPU的计划快30-80倍，与CPU和GPU比较，TPU把操控电路进行了简化，因而削减了芯片的面积，下降了功耗。但ASIC一般是针对特定运用场景而规划的，灵敏性缺少，且开发周期长，流片本钱也比较昂扬。
注：CPU商场份额为1Q21数据，GPU商场份额为2Q21数据，FPGA商场份额为2019年全年数据
材料来历：清华大学，《人工智能芯片研讨报告》，各公司官网，中金公司研讨部
开源渠道是根底软件的必然选择，算法难以构生长时刻技能壁垒。AI底层算法的展开由学界及工业研制驱动，经过宣布论文坚持相对揭露性，使得算法难以在长时刻构成技能壁垒。回忆散布式开源渠道Hadoop的展开前史，Doug Cutting等人依据Google未开源结构MapReduce的论文，运用2年业余时刻开发了Hadoop作为MapReduce的开源完结，后被Yahoo、Amazon和Facebook等企业用于数据发掘。
抢先企业需求构建敞开渠道，将技能优势转化为生态优势。因为难以构成其的技能壁垒，开源是根底软件走向商场有用的推行手法，能够帮忙根底软件完结从技能抢先到生态抢先。以百度为例，在其AI敞开渠道中树立AI商场，现已敞开语音、图画、自然言语处理、视频、增强实际、常识图谱、数据智能七大方向、超越100项技能才干，帮忙企业或开发者依据渠道构建AI产品。
材料来历：百度开发者大会，百度AI商场发布会，深几度，头豹，中金公司研讨部
AI敞开结构的终极形状是“类安卓”的开发者生态形式，现在仍处于起步阶段。头部智能企业连续移动互联网典型展开形式，供给视觉、语音等技能服务，凭仗第三方开发Google、Facebook等海外厂商现在占有了大部分的商场，但因为职业展开时刻较短，没有构成完善的生态体系，各自的开源结构也存在改进的空间，商场竞赛格式没有构成稳态，国内的百度、华为、旷视等构建了敞开渠道，加快生态建造。
跟着传统工业智能化转型的推动，朴实根底技能输出难以彻底满意AI与各职业深度交融的需求，职业深层次的常识和经历尤为重要。因为练习算法的搬迁性较弱且不同职业的需求存在较大差异，通用型的算法难以满意下流多样化场景需求，需求获取优质的职业数据以练习高效的算法模型。AI算法企业向深耕职业的方向展开，代表公司如旷视、云从、地平线、商汤科技。咱们以为短期内横向赋能和纵向深耕职业两种形式将并行存在，但长时刻来看取得职业优质数据、供给高效算法以赋能职业是AI算法企业商业化的必经之路。
任何新技能想要在职业中完结规划运用，都需求为企业发明价值。就现在的AI技能水平而言，一般只要在点运用上助力企业，而无法全面地助力企业。咱们以为AI当时首要致力于：代替重复性机械作业、进步出产功率、获取专业常识、进步日子体会等。
AI能够扩展机器处理使命的才干规划，机器在处理机械繁琐的事情中具有优势，能够长时刻、安稳作业。咱们以为，人工智能规划运用的要害在于布置人工智能技能的净收益要高于传统人工办法，因而人工智能的浸透率是因时、因地、因事而异的。
工业视觉质量检测：传统质量检测需求质检员高专心、长时刻、全方位巡查。而智能质检依据核算机视觉技能进行自动光学检测，相机能够自动扫描出被测产品的质量缺点。智能质检在解放人力的一起，也大幅下降了企业的出产本钱。博世在对一个工厂进行光学检测改造后，削减了45%的测验时刻，节省了130万美元的本钱[5]。
虚拟助理/智能客服：客服的人工本钱及练习费用高，且无法随时呼应。智能客服运用人机言语交互、自然言语处理、常识图谱等AI技能，帮忙人工完结会话、事务处理等使命，下降人力投入并进步功率。我国电信熠星智能客服机器人上线]。
Robotruck:远程货运存在运送功率不高、有用路程偏低、疲惫驾驭等职业痛点，而Robotruck在远程物流运送中能够将2名司机削减为1名；在短途运送中能够减轻单个司机的作业量，为货运企业及司机完本钱钱优化。一起，Robotruck能够经过算法操控最优的油耗功用和安全间隔。
在部分对认知才干要求较高的使命中，AI尽管无法做到彻底代替人类的作业，但能够经过辅佐人类作业来进步企业运营功率。
数字孪生：数字孪生是物理目标、流程或服务的数字表明。以数字孪生城市为例，办理者能够依据参阅渠道的演算成果进步城市运转功率。杭州依托阿里云建造的“城市大脑”进行城市路途办理，依据国家信息中心的数据，杭州的城市拥堵排名从2015年的全国前三下降至2020年的第48位，信号灯自动配时路段的均匀路途通行速度进步11%。
智能药物研制：药物研制的实质契合锁钥理论，即要找到适宜的药物分子来激活或许按捺疾病相关的靶蛋白，这正是机器学习拿手的范畴。依据Exscientia的数据，经过将致病蛋白质有关的信息与包含大约十亿种蛋白质相互作用的数据库进行比较，能够缩小或许适用的化合物规划，这一技能能够将药物研制周期由四年半缩短至一年，并节省80%的资金[7]。
化学材料组成：化学组成现在处于手工操作的阶段，低产率及高本钱导致其难以商业落地。AI赋能化学组成是指机器运用人工智能的逆组成剖析、机器学习、神经网络等技能，敏捷找到组成途径。依据机器之心的数据，麻省理工学院开发的化学组成开源软件ASKCOS，能依据练习数据来构筑新的化合物，该体系能够处理30种反响类型，完结简略的组成进程只需两个小时[8]。
获取专业人士的帮忙往往需求支付昂扬的本钱，AI能够经过复刻专家的常识和才干，削减资源的稀缺性。
才智医疗：我国医疗资源散布不均，才智医疗有助于补偿医疗资源分配的缺少。临床决议计划支撑体系CDSS将医学相关的攻略、文献、专家一致以及电子病历作为数据输入，运用大数据剖析以及神经网络技能练习临床确诊模型，然后供给临床确诊以辅佐医师，终究节省全社会的医疗本钱。
法令服务：依据司法部数据，到2020年末我国专职律师为42.44万名，我国均匀每3,400人才具有一名律师；而依据美国律师协会数据，2019年头美国在职律师135.20万名，均匀246人具有一名律师，我国法令专业人才相对缺少。NLP技能的展开、司法透明化都促进了AI对法令服务的赋能，AI能够学习法令文书及前史案子并供给法令主张。
智能教育：教育职业的痛点是公平性及特性问题。智能教育能够依据大数据剖析和多维度辨认体系向用户供给特性化解决计划，具有随时可获取、功率高级长处。AI在教育中的详细运用包含学生评分和评价、学生保存和停学猜测、情感剖析、智能教导、讲堂监控和引荐体系等。
AI将深入改动人们的日子办法，经过与物联网的结合全面进步日子体会。咱们以为相应场景下AI对日子体会的进步至关重要，安全、流通成为AI规划化运用的要害。
智能安防：传统的安防产品以摄像头为主，倾向于记载数据以作为过后依据，缺少实时自动剖析的才干。而智能安防运用核算机视觉、人脸辨认、车辆辨认等技能，能够完结对可疑人员、违法场景的自动辨认与盯梢，进步安防功率。依据海康威视官网发表，选用全程才智监控解决计划后，破案线倍。
智能轿车：乘用车智能化趋势改进了搭车体会。智能座舱将完结智能互联新服务；而智能驾驭能够削减人类在驾驭进程中操作，有望完结无人化的驾驭体会。咱们以为，智能座舱现已步入商业化阶段，而智能驾驭处于高档别(L3及以上)的量产前夜。
智能家居：AI助力智能家居完结功用晋级，进步日子体会。咱们以为，智能家居能够经过环境感知、视觉辨认等技能进行数据收集并与云端完结互联，在用户数据很多沉积的根底上，展开大数据剖析，构建人物画像，终究完结自动智能，代表公司有小米、涂鸦智能、海尔智家等。
AI工业链包含根底层、技能层和运用层，其间根底层为AI练习供给强壮的算力及处理和贮存海量数据，技能层为人工智能工业链供给技能才干，运用层针对特定职业及运用场景供给产品和服务。
根底层：亚马逊AWS、Azure、阿里云、腾讯云、百度云等为人工智能供给了算力资源；、、寒武纪(已掩盖)、地平线、燧原科技、灵汐科技、云天励飞等为AI的核算需求供给底层硬件芯片。
技能层：以 Google、Facebook、阿里巴巴(互联网组掩盖)、百度(互联网组掩盖)为代表的互联网巨子较早地布局了AI算法相关范畴，Google的TensorFlow是现在最抢手的开源算法结构；其他企业则布局细分技能范畴，例如致力于核算机视觉的商汤、云从、依图、旷视，聚集机器学习范畴的第四范式等。
运用层：现在大部分AI范畴的科技立异企业都归于运用层，包含才智安防范畴的(已掩盖)、千方科技(已掩盖)，才智医疗范畴的汇医慧影、推想科技，才智家居范畴的小米(已掩盖)，才智修建范畴的Verdigris、特斯联等。
中美两国是全球AI企业的集中地，亚太区将生长为全球最大商场。依据我国信通院，到2019年3月，全球共有5386家AI企业，其间美国AI企业占全球40.3%，我国占全球22.1%。依据Grand view research，到2028年亚太地区AI商场规划将替代北美成为榜首。在我国，AI企业首要集中于京津冀、长三角、珠三角三大都市圈，北京以468家高居榜首，上海233家紧随其后。
下流运用以广告、金融和医疗为主，制作业的数字化转型开释商场空间。依据Grand view research的数据，2020年全球AI商场规划前三名别离为广告&媒体、银行和金融服务、医疗，到2028年估计前三名为医疗、和金融服务、制作业。一起，针对下流职业在职业浸透率以及商场规划两个维度的体现，各职业能够落入四个象限，别离是过渡期、萌芽期、生长时刻和展开期。
从市值散布状况来看，到2020年末，我国的444家AI上市公司中，77.7%的AI上市企业市值在100亿元以内，100亿元市值之上的企业仅占22.3%，其间9.46%的企业市值超越400亿元。
