中国信通院：人工智能发展白皮书——产业应用篇（2018年）

中国信息通信研究院&中国人工智能产业发展联盟 人工智能发展白皮书-产业应用篇(2018) 目前主要包括可穿戴产品、机器人、无人车、智能音箱、智能摄像头 特征识别设备等终端及配套软件。 人工智能产品形式多样,已涵盖了听觉、视觉、触觉、认知等多 种形态。无论是基础产品还是复合产品,能够支持处理文字、语音 图像、感知等多种输入或输出形式,产品形式多样,如语音识别、机 器翻译、人脸识别、体感交互等。全球互联网企业积极布局各产品领 域,加强各类产品AI技术创新,有效支撑各种应用场景。 (三)应用层 应用层是指人工智能技术对各领域的渗透形成“人工智能+”的 行业应用终端、系统及配套软件,然后切入各种场景,为用户提供个 性化、精准化、智能化服务,深度賦能医疗、交通、金融、零售、教 育、家居、农业、制造、网络安全、人力资源、安防等领域。 人工智能应用领域没有专业限制。通过人工智能产品与生产生活 的各个领域相融合,对于改善传统环节流程、提高效率、提升效能 降低成本等方面提供了巨大的推动作用,大幅提升业务体验,有效提 升各领域的智能化水平,给传统领域带来变革。 三、人工智能产业与应用发展现状及趋势 人工智能技术快速发展,部分技术进入产业化阶段,带来新产业 的兴起。从产业规模看,2017年国内人工智能市场规模达到2374亿 元,相较于2016年增长67%2。其中以生物识别、图像识别、视频识 2数据来源:中国信通院

中国信息通信研究院&中国人工智能产业发展联盟 人工智能发展白皮书-产业应用篇（2018） 5 目前主要包括可穿戴产品、机器人、无人车、智能音箱、智能摄像头、 特征识别设备等终端及配套软件。 人工智能产品形式多样，已涵盖了听觉、视觉、触觉、认知等多 种形态。无论是基础产品还是复合产品，能够支持处理文字、语音、 图像、感知等多种输入或输出形式，产品形式多样，如语音识别、机 器翻译、人脸识别、体感交互等。全球互联网企业积极布局各产品领 域，加强各类产品 AI 技术创新，有效支撑各种应用场景。 （三） 应用层 应用层是指人工智能技术对各领域的渗透形成“人工智能+”的 行业应用终端、系统及配套软件，然后切入各种场景，为用户提供个 性化、精准化、智能化服务，深度赋能医疗、交通、金融、零售、教 育、家居、农业、制造、网络安全、人力资源、安防等领域。 人工智能应用领域没有专业限制。通过人工智能产品与生产生活 的各个领域相融合，对于改善传统环节流程、提高效率、提升效能、 降低成本等方面提供了巨大的推动作用，大幅提升业务体验，有效提 升各领域的智能化水平，给传统领域带来变革。 三、 人工智能产业与应用发展现状及趋势 人工智能技术快速发展，部分技术进入产业化阶段，带来新产业 的兴起。从产业规模看，2017 年国内人工智能市场规模达到 237.4 亿 元，相较于 2016 年增长 67%2。其中以生物识别、图像识别、视频识 2 数据来源：中国信通院

人工智能发展白皮书-产业应用篇(2018) 中国信息通信研究院&中国人工智能产业发展联盟 别等技术为核心的计算机视觉市场规模最大,占比349%,达到82.8 亿元3。从产业结构看,人工智能产业可分为基础计算和软件平台、 核心软件和设备、行业领域应用三大部分,其中核心软件和设备、行 业领域应用是增长最快的部分。从企业来看,谷歌、苹果、 Facebook、 微软、百度等互联网、移动互联网企业均将AI作为下一阶段战略发 展重点,加快推进基础算法、平台和智能设备研发,与高校和科研院 所一并成为推动产业发展的主要动力;创业热潮与投融资热情在2017 年回归理性,但整体来看AI创新企业和独角兽企业已具备一定规模, 2016年全球新增初创企业738家,2017年新增初创企业降至324家4 从产业生态来看,目前人工智能产业生态模式尚未锁定,各种产业模 式均在探索。以谷歌、亚马逊等企业为首的国外领先企业侧重于从芯 片、操作系统到运行框架打造垂直生态,并快速将自有架构通过开源 开放等方式进行产业推广,力争形成行业事实标准。国内产业生态偏 重于框架层和应用层,尤其是应用层软件技术和平台发展快速。 (一)软硬件支撑平台 1.多种人工智能芯片快速创新 人工智能发展浪潮成为拉动芯片市场增长的新的驱动力。根据预 测,全球人工智能芯片市场规模在2016年约为24亿美元,到2020 年规模将接近150亿美元,复合年均增长率保持超过40%的高速率 同时,人工智能芯片在人工智能整体市场规模占比也将呈现逐年递增 数据来源:中国信通院 数据来源:中国信通院

人工智能发展白皮书-产业应用篇（2018） 中国信息通信研究院&中国人工智能产业发展联盟 6 别等技术为核心的计算机视觉市场规模最大，占比 34.9%，达到 82.8 亿元3。从产业结构看，人工智能产业可分为基础计算和软件平台、 核心软件和设备、行业领域应用三大部分，其中核心软件和设备、行 业领域应用是增长最快的部分。从企业来看，谷歌、苹果、Facebook、 微软、百度等互联网、移动互联网企业均将 AI 作为下一阶段战略发 展重点，加快推进基础算法、平台和智能设备研发，与高校和科研院 所一并成为推动产业发展的主要动力；创业热潮与投融资热情在 2017 年回归理性，但整体来看 AI 创新企业和独角兽企业已具备一定规模， 2016年全球新增初创企业738家，2017年新增初创企业降至324家4。 从产业生态来看，目前人工智能产业生态模式尚未锁定，各种产业模 式均在探索。以谷歌、亚马逊等企业为首的国外领先企业侧重于从芯 片、操作系统到运行框架打造垂直生态，并快速将自有架构通过开源、 开放等方式进行产业推广，力争形成行业事实标准。国内产业生态偏 重于框架层和应用层，尤其是应用层软件技术和平台发展快速。 （一） 软硬件支撑平台 1. 多种人工智能芯片快速创新 人工智能发展浪潮成为拉动芯片市场增长的新的驱动力。根据预 测，全球人工智能芯片市场规模在 2016 年约为 24 亿美元，到 2020 年规模将接近 150 亿美元，复合年均增长率保持超过 40%的高速率； 同时，人工智能芯片在人工智能整体市场规模占比也将呈现逐年递增 3 数据来源：中国信通院 4 数据来源：中国信通院

中国信息通信研究院&中国人工智能产业发展联盟 人工智能发展白皮书-产业应用篇(2018) 态势,预计将从2016年的8%增长至2020年的12%5 人工智能芯片产业体系初步形成。人工智能芯片指能够实现各类 深度学习算法加速的计算芯片。深度学习算法的运行对卷积、矩阵乘 法运算任务以及内存存取等操作较为频繁,对于更擅长串行逻辑运算 的CPU而言计算效率较低,难以满足需求。现阶段人工智能芯片类 型主要涵盖包含GPU、FPGA、ASIC、类脑芯片等。其中,GPU芯 片通用性较强且适合大规模并行计算,但售价贵、能耗高;FPGA可 通过编程灵活配置芯片架构适应算法迭代且能效优于GPU芯片,但 产品开发技术门槛较高,开发生态不完善;ASIC芯片通过将算法固 化实现极致的性能和能效,且大规模量产后成本优势突显,但前期开 发周期长易面临算法迭代风险。类脑芯片目前仍处于实验室研发阶段。 领先企业加快人工智能芯片布局。英伟达凭借高性能的GPU芯 片占据应用规模优势,AMD、英特尔、谷歌等企业加速追赶。英伟 达快速推出针对人工智能运算优化的 Tesla gpu系列产品,其中最强 V100GPU芯片提供每秒120万亿次张量计算能力,同时拓展CUDA 生态开发深度学习加速库 CUDNN,提升GPU面向深度学习算法和主 流开发框架的运行效率,强劲的硬件性能和完善易用的开发者生态助 力英伟达迅速形成了巨大的市场优势,现有客户覆盖谷歌、脸书、微 软等巨头企业和大量的初创企业、科研院所等。AMD也加速追赶, 最新发布全球首款7nm制程、专为人工智能任务设计的GPU芯片产 品,试图抢攻服务器和工作站市场。与此同时,英特尔、谷歌等企业 5数据来源: CITICS《人工智能深度系列研究报告》报告

中国信息通信研究院&中国人工智能产业发展联盟 人工智能发展白皮书-产业应用篇（2018） 7 态势，预计将从 2016 年的 8%增长至 2020 年的 12%5。 人工智能芯片产业体系初步形成。人工智能芯片指能够实现各类 深度学习算法加速的计算芯片。深度学习算法的运行对卷积、矩阵乘 法运算任务以及内存存取等操作较为频繁，对于更擅长串行逻辑运算 的 CPU 而言计算效率较低，难以满足需求。现阶段人工智能芯片类 型主要涵盖包含 GPU、FPGA、ASIC、类脑芯片等。其中，GPU 芯 片通用性较强且适合大规模并行计算，但售价贵、能耗高；FPGA 可 通过编程灵活配置芯片架构适应算法迭代且能效优于 GPU 芯片，但 产品开发技术门槛较高，开发生态不完善；ASIC 芯片通过将算法固 化实现极致的性能和能效，且大规模量产后成本优势突显，但前期开 发周期长易面临算法迭代风险。类脑芯片目前仍处于实验室研发阶段。 领先企业加快人工智能芯片布局。英伟达凭借高性能的 GPU 芯 片占据应用规模优势，AMD、英特尔、谷歌等企业加速追赶。英伟 达快速推出针对人工智能运算优化的 Tesla GPU 系列产品，其中最强 V100 GPU 芯片提供每秒 120 万亿次张量计算能力，同时拓展 CUDA 生态开发深度学习加速库 cuDNN，提升 GPU 面向深度学习算法和主 流开发框架的运行效率，强劲的硬件性能和完善易用的开发者生态助 力英伟达迅速形成了巨大的市场优势，现有客户覆盖谷歌、脸书、微 软等巨头企业和大量的初创企业、科研院所等。AMD 也加速追赶， 最新发布全球首款 7nm 制程、专为人工智能任务设计的 GPU 芯片产 品，试图抢攻服务器和工作站市场。与此同时，英特尔、谷歌等企业 5 数据来源：CITICS《人工智能深度系列研究报告》报告

人工智能发展白皮书-产业应用篇(2018) 中国信息通信研究院&中国人工智能产业发展联盟 开发兼具更高能效和低成本优势的ASIC芯片构筑竞争实力。谷歌面 向谷歌云业务需求自研人工智能ASIC系列芯片TPU,其中,训练芯 片具备实现业界最高的每秒180万亿次峰值浮点计算能力,TPU芯片 也与旗下 Tensor flow开发框架、算法和谷歌云平台深度耦合构建垂 直完备的产业生态;英特尔收购芯片初创企业 Nervana掌握ASIC训 练芯片技术,第二代产品将于2019年下半年正式推出,性能对标谷 歌TPU产品。 2.多方布局人工智能计算框架 基础开发框架在人工智能产业链中占据承上启下的核心地位。在 移动互联网时代, Android系统通过GMS与下游云服务松耦合,通 过版本控制与上游芯片、整机厂商紧耦合,实现以 Android操作系统 为核心的移动互联网闭环生态。在人工智能时代,开发框架也具备媲 美 Android操作系统的核心地位,具有统领产业进步节奏、带动硬件 配置、终端场景与云端服务协同发展的核心作用,占据承上启下的关 键地位。以 Google深度学习开发框架 Tensor Flow为例, Tensor Flow 向上与谷歌云紧密绑定,以云平台模式提供云机器学习服务,向下与 芯片和硬件厂商紧密耦合做定制优化,谷歌TPU专用于 Tensor Flow。 领先企业围绕开发框架平台呈现多元化发展模式。一是纵向打通 模式,从硬件到开源平台再到云平台至应用服务,贯通产业链上下游, 构建全产业生态,谷歌为其典型代表;二是向上布局行业应用服务模 式,以业务为导向,通过核心平台向上布局重点行业应用,如亚马逊、 阿里等;三是算法下沉于硬件模式,核心算法固化于硬件,以硬件形

人工智能发展白皮书-产业应用篇（2018） 中国信息通信研究院&中国人工智能产业发展联盟 8 开发兼具更高能效和低成本优势的 ASIC 芯片构筑竞争实力。谷歌面 向谷歌云业务需求自研人工智能 ASIC 系列芯片 TPU，其中，训练芯 片具备实现业界最高的每秒 180 万亿次峰值浮点计算能力，TPU 芯片 也与旗下 TensorFlow 开发框架、算法和谷歌云平台深度耦合构建垂 直完备的产业生态；英特尔收购芯片初创企业 Nervana 掌握 ASIC 训 练芯片技术，第二代产品将于 2019 年下半年正式推出，性能对标谷 歌 TPU 产品。 2. 多方布局人工智能计算框架 基础开发框架在人工智能产业链中占据承上启下的核心地位。在 移动互联网时代，Android 系统通过 GMS 与下游云服务松耦合，通 过版本控制与上游芯片、整机厂商紧耦合，实现以 Android 操作系统 为核心的移动互联网闭环生态。在人工智能时代，开发框架也具备媲 美 Android 操作系统的核心地位，具有统领产业进步节奏、带动硬件 配置、终端场景与云端服务协同发展的核心作用，占据承上启下的关 键地位。以 Google 深度学习开发框架 TensorFlow 为例，TensorFlow 向上与谷歌云紧密绑定，以云平台模式提供云机器学习服务，向下与 芯片和硬件厂商紧密耦合做定制优化，谷歌TPU专用于TensorFlow。 领先企业围绕开发框架平台呈现多元化发展模式。一是纵向打通 模式，从硬件到开源平台再到云平台至应用服务，贯通产业链上下游， 构建全产业生态，谷歌为其典型代表；二是向上布局行业应用服务模 式，以业务为导向，通过核心平台向上布局重点行业应用，如亚马逊、 阿里等；三是算法下沉于硬件模式，核心算法固化于硬件，以硬件形

中国信息通信研究院&中国人工智能产业发展联盟 人工智能发展白皮书-产业应用篇(2018) 态提供行业通用或专用计算能力,如寒武纪;四是以核心平台开放基 础能力,为行业提供基础能力,如讯飞为行业提供基础语音识别基础 技术,商汤为行业提供人脸识别基础技术等。在四种发展模式中,云 平台和应用服务产生的所有数据均回流于训练平台进行数据反哺,可 有效提升平台的综合能力。 国际巨头开源人工智能开发框架意图加快掌握技术产业组织的 主动权。国际巨头纷纷布局开发框架,意图加快掌握技术产业组织的 主动权,占领客户、应用和数据资源,逐步建立新的产业格局和技术 标准。2013年,伯克利大学贾清阳博士宣布开源深度学习框架Cafe, 成为第一个主流工业级深度学习工具。2015年11月,Goge开源深 度学习框架 Tensor Flow,具备深度学习基本算法,可满足图形分类 音频处理、推荐系统和自然语言处理等基本功能,成为 GitHub最受 欢迎的机器学习开源项目,目前吸引ARM、京东等大批合作伙伴。 2016年,亚马逊宣布MXNt作为其官方支持框架,具有优异分布式 计算性能,拥有卡耐基梅隆、英特尔、英伟达等众多合作伙伴,国内 图森互联和地平线等公司也有使用。2015年11月,IBM宣布开源机 器学习平台 SystemML,可根据数据和集群特性使用基于规则和基于 成本的优化技术动态地编译和优化,应用在不同工业领域。2016年9 月,百度开源其深度学习平台 PaddlePaddle,可提供机器视觉、自然 语言理解、搜索引擎排序、推荐系统等功能。2017年6月,腾讯和 北京大学、香港科技大学联合开发的高性能分布式计算平台 Angel 正式开源,具有较强的容错设计和稳定性。众多开源学习框架促进人

中国信息通信研究院&中国人工智能产业发展联盟 人工智能发展白皮书-产业应用篇（2018） 9 态提供行业通用或专用计算能力，如寒武纪；四是以核心平台开放基 础能力，为行业提供基础能力，如讯飞为行业提供基础语音识别基础 技术，商汤为行业提供人脸识别基础技术等。在四种发展模式中，云 平台和应用服务产生的所有数据均回流于训练平台进行数据反哺，可 有效提升平台的综合能力。 国际巨头开源人工智能开发框架意图加快掌握技术产业组织的 主动权。国际巨头纷纷布局开发框架，意图加快掌握技术产业组织的 主动权，占领客户、应用和数据资源，逐步建立新的产业格局和技术 标准。2013 年，伯克利大学贾清阳博士宣布开源深度学习框架 Caffe， 成为第一个主流工业级深度学习工具。2015 年 11 月，Google 开源深 度学习框架 TensorFlow，具备深度学习基本算法，可满足图形分类、 音频处理、推荐系统和自然语言处理等基本功能，成为 GitHub 最受 欢迎的机器学习开源项目，目前吸引 ARM、京东等大批合作伙伴。 2016 年，亚马逊宣布 MXNet 作为其官方支持框架，具有优异分布式 计算性能，拥有卡耐基梅隆、英特尔、英伟达等众多合作伙伴，国内 图森互联和地平线等公司也有使用。2015 年 11 月，IBM 宣布开源机 器学习平台 SystemML，可根据数据和集群特性使用基于规则和基于 成本的优化技术动态地编译和优化，应用在不同工业领域。2016 年 9 月，百度开源其深度学习平台 PaddlePaddle，可提供机器视觉、自然 语言理解、搜索引擎排序、推荐系统等功能。2017 年 6 月，腾讯和 北京大学、香港科技大学联合开发的高性能分布式计算平台 Angel 正式开源，具有较强的容错设计和稳定性。众多开源学习框架促进人