国产片在线观看播放-国产片在线观看狂喷潮bt天堂-国产片在线看-国产片在线免费观看-国产片子

人工智能基礎層概念界定

人工智能基礎層定義

支撐各類人工智能應用開發(fā)與運行的資源和平臺

算力、算法、數(shù)據(jù)是人工智能產(chǎn)業(yè)發(fā)展的三大要素。據(jù)此，人工智能基礎層主要包括智能計算集群、智能模型敏捷開發(fā)工具、數(shù)據(jù)基礎服務與治理平臺三個模塊。智能計算集群提供支撐AI模型開發(fā)、訓練或推理的算力資源，包括系統(tǒng)級AI芯片和異構智能計算服務器，以及下游的人工智能計算中心等；智能模型敏捷開發(fā)工具模塊主要實現(xiàn)AI應用模型的生產(chǎn)，包括開源算法框架，提供語音、圖像等AI技術能力調(diào)用的AI開放平臺和AI應用模型效率化生產(chǎn)平臺；數(shù)據(jù)基礎服務與治理平臺模塊則實現(xiàn)AI應用所需的數(shù)據(jù)資源生產(chǎn)與治理，提供AI基礎數(shù)據(jù)服務及面向AI的數(shù)據(jù)治理平臺。AI基礎層企業(yè)通過提供AI算力、開發(fā)工具或數(shù)據(jù)資源助力人工智能應用在各行業(yè)領域、各應用場景落地，支撐人工智能產(chǎn)業(yè)健康穩(wěn)定發(fā)展。

人工智能基礎層價值

AI基礎層是支撐AI應用模型開發(fā)及落地的必要資源

開發(fā)一項人工智能模型并上線應用大致需經(jīng)歷從業(yè)務理解、數(shù)據(jù)采標及處理、模型訓練與測試到運維監(jiān)控等一系列流程。過程中需要大量的AI算力、高質(zhì)量數(shù)據(jù)源、AI應用算法研發(fā)及AI技術人員的支持，但大部分中小企業(yè)用戶并不具備在“算力、數(shù)據(jù)、算法”三維度從0到1部署的能力，而財力雄厚的大型企業(yè)亦需高性價比的AI開發(fā)部署方案。依靠AI基礎層資源，需求企業(yè)可降低資源浪費情況、規(guī)避試錯成本、提高部署應用速度。作為支撐AI模型開發(fā)及落地的必要資源，AI基礎層可在多環(huán)節(jié)提效AI技術價值的釋放；其工具屬性也標志著AI產(chǎn)業(yè)社會化分工的出現(xiàn)，AI產(chǎn)業(yè)正逐步進入低技術門檻、低部署成本、各產(chǎn)業(yè)深度參與雙向共建的效率化生產(chǎn)階段。

人工智能基礎層進階之路

粗放式單點工具向集約型、精細化資源演進

智能化轉型趨勢下，企業(yè)部署AI項目的需求正經(jīng)歷著變化，對數(shù)據(jù)質(zhì)量、模型生產(chǎn)周期、模型自學習水平、模型可解釋性、云邊端多樣部署方式、人力成本及資金投入、投資回報率等的要求都逐步走高。在上述需求特點及自動機器學習、AI芯片硬件架構等技術發(fā)展的共同推動下，AI基礎層資源的整體效能水平也在不斷進化，以有效降低需求企業(yè)的AI開發(fā)成本。大致涵蓋相互交融的三個階段：雛形期，算法/算力/數(shù)據(jù)各模塊多為粗放式的單點工具，新興產(chǎn)品及賽道逐步出現(xiàn)；快速發(fā)展期，各賽道活躍度顯著提升，參與者積極探索產(chǎn)品形態(tài)與商業(yè)模式，基礎層服務體系逐步完善、資源價值凸顯；最后則向成熟階段過渡，各賽道內(nèi)企業(yè)競爭加劇，逐步跑出頭部企業(yè)。同時各賽道間企業(yè)生態(tài)合作增多，一站式工具平臺出現(xiàn)。

人工智能基礎層需求篇

基礎層初步成型是AI產(chǎn)業(yè)鏈成熟的標志

基礎層資源促進AI產(chǎn)業(yè)鏈各環(huán)節(jié)價值傳導順暢、分工明確

現(xiàn)階段，已初步成型的AI基礎層資源可有效緩解下游行業(yè)用戶逐漸增長的、從感知到認知多類型的AI應用模型開發(fā)及部署需求。細看基礎層內(nèi)部，一方面，數(shù)據(jù)資源、算力資源和算法開發(fā)資源三者之間的分工更為明確和有序。數(shù)據(jù)基礎服務及治理平臺企業(yè)為AI產(chǎn)業(yè)鏈供應數(shù)據(jù)生產(chǎn)資料；智能計算集群產(chǎn)出高質(zhì)效的生產(chǎn)力；智能模型敏捷開發(fā)工具則負責模型開發(fā)及模型訓練等，輸出AI技術服務能力，提高AI應用模型在各行業(yè)的滲透速率與價值空間。另一方面，基礎層廠商的數(shù)量保持增長、廠商業(yè)務范圍持續(xù)擴大，可提供專業(yè)定制化或一站式的基礎資源服務。由此，基礎層完成AI工業(yè)化生產(chǎn)準備，通過直接供應和間接供應的形式，將基礎層資源傳送到下游的AI應用需求端，產(chǎn)業(yè)鏈向順暢的資源輸送及價值傳導方向演進。

AI基礎層解決人工智能生產(chǎn)力稀缺問題

基礎層資源緩解甲方在對待人工智能投資上的“矛盾”

根據(jù)艾瑞2020年執(zhí)行的CTO調(diào)研，2019年超過51%的樣本企業(yè)AI相關研發(fā)費用占總研發(fā)費用比重在10%以上，2020年65.9%的企業(yè)AI研發(fā)占比達到10%以上。一方面是甲方企業(yè)不斷增長的對智能化轉型的強勁需求，一方面則是在AI應用開發(fā)與部署過程中企業(yè)普遍面臨的數(shù)據(jù)質(zhì)量(49%)、技術人才(51%)等基礎資源配置難點。且目前只有少數(shù)企業(yè)可以完成AI項目實施前設定的全部投資回報率（ROI）標準，因此甲方企業(yè)在投資AI項目時相對審慎。AI基礎層資源則可有效緩解甲方利用AI技術重塑自身業(yè)務時的投資矛盾，提升模型生產(chǎn)效率，降低部署成本：數(shù)據(jù)資源集群具備數(shù)據(jù)采標與數(shù)據(jù)治理能力，且一站式的數(shù)據(jù)平臺可對實時數(shù)據(jù)進行統(tǒng)一管理，提高數(shù)據(jù)利用率；高效的AI算力集群與調(diào)度系統(tǒng)可滿足模型訓練與推理需求，降低總擁有成本（TCO，TotalCost of Ownership）；基于算法開發(fā)平臺演化出的語音識別、計算機視覺、機器學習等專業(yè)的AI模型生產(chǎn)平臺，可提供高效、一站式的AI模型生產(chǎn)服務。

人工智能基礎層供給篇

人工智能基礎層產(chǎn)業(yè)圖譜

人工智能基礎層市場規(guī)模

AI企業(yè)業(yè)務突破、智能化轉型趨勢等多因素驅動產(chǎn)業(yè)規(guī)模增長

AI企業(yè)突破業(yè)務增長瓶頸的需求是人工智能基礎層發(fā)展的驅動力之一。當前人工智能核心產(chǎn)業(yè)規(guī)模保持線性增長態(tài)勢，且增速趨于平穩(wěn)與常態(tài)化。為尋求產(chǎn)值增長突破點，AI企業(yè)發(fā)力探索開拓市場的有效手段。依托人工智能基礎層資源建設，AI企業(yè)可有效應對下游客戶的長尾應用需求，再將高頻應用轉化為新主營業(yè)務。此外“新基建”、半導體自主可控等相關政策扶持、傳統(tǒng)行業(yè)智能化轉型等因素也都在助推人工智能基礎層資源的發(fā)展。據(jù)艾瑞測算，2021-2025年，人工智能基礎層市場規(guī)模CAGR為38%，整體產(chǎn)業(yè)規(guī)模發(fā)展速度較快、空間較為廣闊，總體呈現(xiàn)持續(xù)增長的走勢。2020年，中國人工智能基礎層市場規(guī)模為497億元，為人工智能產(chǎn)業(yè)總規(guī)模的33%，市場規(guī)模相較去年同比增長76%，AI應用模型效率化生產(chǎn)平臺創(chuàng)收增長、AI芯片市場規(guī)模隨著云端訓練需求出現(xiàn)較高增長等是同比增速的主要拉動力；2021-2024年同比增速趨于平緩下降，市場開始恢復穩(wěn)步增長態(tài)勢。到2025年，中國人工智能基礎層市場規(guī)模將達到2475億元，云端推理與端側推理芯片市場持續(xù)走高使得人工智能基礎層整體市場同比增速稍有抬升。

算力：超算/數(shù)據(jù)中心的存量與增量判斷

從算力需求與節(jié)能減排規(guī)定看存量替換與增量增長

現(xiàn)有的超算/數(shù)據(jù)中心以建設單位為標準，可分為兩類：1）以國家或地方為建設單位的G端超算中心，服務對象主要為國家牽頭的重點科研單位、高校研究院等，此類超算中心是解決國家安全、科學進步、經(jīng)濟發(fā)展與國防建設等重大挑戰(zhàn)性問題的重要手段，近兩年受國家與地方的高度重視與扶持，建設與升級超算中心的趨勢愈加明朗。但由于數(shù)據(jù)網(wǎng)絡安全與計算精度要求高，建設周期較長，此類超算中心的數(shù)量在中短期內(nèi)增長緩慢，長期來看則會成為替換存量與增量增長的貢獻主力之一。2）以智能云廠商或IDC服務商為建設供應主體的B端超算/數(shù)據(jù)中心，為互聯(lián)網(wǎng)公司、其他類型的企業(yè)或事業(yè)單位提供主機托管、資源出租、增值或應用服務，是存量與增量市場變化主要推力。

從市場變化趨勢來看：1）存量市場：日漸增加的AI計算負載需要處理力更強、能耗承受度更大的數(shù)據(jù)中心，同時，一系列有關控制數(shù)據(jù)中心PUE值的節(jié)能審查規(guī)定相繼出臺，一味盲目擴建、新建數(shù)據(jù)中心已難合時宜，促進老舊數(shù)據(jù)中心綠色化改造的減量替代方案因此誕生。微型、中小型數(shù)據(jù)中心會逐漸被改造為集約型的大型數(shù)據(jù)中心，符合節(jié)能減排相關標準、機柜數(shù)量與異構組合增多的集約型超算/數(shù)據(jù)中心將在存量市場中占據(jù)主流。2）增量市場：考慮到邊緣計算可分擔AI計算任務、兼具低延時優(yōu)勢，管理邊緣計算中心則需要布局相應的大型云端數(shù)據(jù)中心，故增量市場會被異構的邊緣計算數(shù)據(jù)中心與云端超算或大型數(shù)據(jù)中心擴充。

算力：云化AI算力

開放共享虛擬AI算力資源，實現(xiàn)AI模型海量訓練與推理

AI是一種高資源消耗、強計算的技術，AI算力的強弱直接關聯(lián)到AI模型訓練的精度與實時推理的結果。若企業(yè)獨立部署AI算力，不僅需要建設或租用機房這類重資產(chǎn)與網(wǎng)絡寬帶資源，還需要購置物理機、內(nèi)存、硬盤等硬件設備，而且購置設備存在采購周期不確定、硬件資源過度鋪張、專業(yè)管理團隊缺乏等問題。所以，獨立部署AI算力資源是一項耗時耗力的工作。將AI算力云化是一種高效能、低成本的有力解決方案。具備先天性業(yè)務優(yōu)勢的云服務商搭建數(shù)據(jù)中心，先將AI服務器算力資源虛擬化，開放給AI模型開發(fā)者，做到按需分配，如給短視頻業(yè)務的開發(fā)者優(yōu)先配備CPU+GPU方案，而后對算力資源的調(diào)度工作進行統(tǒng)一管理。由此，“物美價廉”的算力有序注入各行各業(yè)的AI模型中，減輕了井噴式數(shù)據(jù)爆發(fā)所帶來的模型訓練負擔，并能及時根據(jù)用戶使用情況彈性擴充或縮減虛擬算力資源空間，達到方便、靈活、降本增效的效果。

算力：端-邊-云的算力協(xié)同

端-邊-云實現(xiàn)AI算力泛在，加速AI模型訓練與推理

在人工智能與5G等技術的沖擊下，設備端產(chǎn)生大量實時數(shù)據(jù)，若直接上傳到云端處理，會對云端的帶寬、算力、存儲空間等造成巨大壓力，同時也存在延時長、數(shù)據(jù)傳輸安全性等問題。因此，為緩解云端的工作負載，云計算在云與端之間新增了若干個邊緣計算節(jié)點，從而衍生出端-邊-云的資源、數(shù)據(jù)與算力協(xié)同。在算力協(xié)同的業(yè)務模式下，靠近云端的云計算中心承擔更多的模型訓練任務，貼近端側的各設備主要進行模型推理，而二者之間的邊緣側則負責通用模型的轉移學習，幫助云端分散通用模型訓練任務、處理實時計算的同時，也解決了終端算力不足、計算功耗大的難題。未來，邊緣計算的發(fā)展會催生出更適宜邊緣計算場景的算力集群異構設計，其異構化程度將會高于傳統(tǒng)的數(shù)據(jù)中心，異構設計的突破將會進一步提高端-邊-云的整體計算效能，進而加速AI模型的訓練與推理。

算力：AI芯片市場規(guī)模

當前以訓練需求為主，推理需求將成為未來市場主要增長動力

AI芯片是人工智能產(chǎn)業(yè)的關鍵硬件，也是AI加速服務器中用于AI訓練與推理的核心計算硬件，被廣泛應用于人工智能、云計算、數(shù)據(jù)中心、邊緣計算、移動終端等領域。當前，我國的AI芯片行業(yè)仍處于起步期，市場空間有待探索與開拓。據(jù)艾瑞統(tǒng)計與預測，2020年我國AI芯片市場規(guī)模為197億元，到2025年，我國AI芯片市場規(guī)模將達到1385億元，2021-2025年的相關CAGR=47%，市場整體增速較快。從AI芯片的計算功能來看，一開始，因AI應用模型首先要在云端經(jīng)過訓練、調(diào)優(yōu)與測試，計算的數(shù)據(jù)量與執(zhí)行的任務量數(shù)以萬計，故云端訓練需求是AI芯片市場的主流需求。而在后期，訓練好的AI應用模型轉移到端側，結合實時數(shù)據(jù)進行推理運算、釋放AI功能，推理需求逐漸取代訓練需求，帶動推理芯片市場崛起。2025年，云端推理與端側推理成為市場規(guī)模增長的主要拉動力，提升了逐漸下滑的AI芯片市場規(guī)模同比增速。

算法：智能模型敏捷開發(fā)工具商業(yè)價值分析

API規(guī)模經(jīng)濟+AI應用模型效率化生產(chǎn)平臺的杠桿增效

智能模型敏捷開發(fā)工具的出現(xiàn)與驅動AI業(yè)務的外因以及企業(yè)自身的內(nèi)因緊密相關。從外因看，規(guī)模化多場景的業(yè)務不斷衍生出長尾需求，原有的應用需及時更新；從內(nèi)因看，囿于開發(fā)企業(yè)有限的經(jīng)營成本與AI技術人才，其資源主要投放到現(xiàn)階段的主營業(yè)務，現(xiàn)有人員難以推動業(yè)務的智能化改造。對此，可有效解決AI應用模型設計與開發(fā)過程中通用或特有問題的智能模型敏捷開發(fā)工具逐步成為備選方案。AI開放平臺與AI應用模型效率化生產(chǎn)平臺作為其中的代表性工具，不僅能減少由0到1的開發(fā)成本，而且可降低人工智能市場的參與門檻，提升開發(fā)效果。AI開放平臺屬于API資源的一種，其可幫助技術領先企業(yè)開放AI能力與先進資源，從而延伸價值鏈，形成規(guī)模經(jīng)濟與長尾經(jīng)濟，利用開發(fā)者的創(chuàng)新應用來反哺開放平臺。AI應用模型效率化生產(chǎn)平臺可提供較為前沿的技術、經(jīng)濟合理的模型生產(chǎn)經(jīng)驗以及為實現(xiàn)敏捷開發(fā)而打包的數(shù)據(jù)、算力與算法資源。具體而言，其采用自動機器學習技術，很大程度上降低了機器學習的編程工作量、節(jié)約了AI開發(fā)時間、減輕了對專業(yè)數(shù)據(jù)科學家與算法工程師的依賴，讓缺乏機器學習經(jīng)驗的開發(fā)者用上AI，加快開發(fā)效率。

返回