人工智能AI对碳中和的影响及发展导向专题研究Word文档下载推荐.docx

人工智能AI对碳中和的影响及发展导向专题研究Word文档下载推荐.docx

《人工智能AI对碳中和的影响及发展导向专题研究Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《人工智能AI对碳中和的影响及发展导向专题研究Word文档下载推荐.docx（9页珍藏版）》请在冰豆网上搜索。

美国计算机协会1956年组织的Dartmouth学会上提出了人工智能概念。

1956年，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出了“人工智能”这一概念，标志着人工智能学科的诞生。

在这之后，人工智能经历了起步发展期、反思发展期、应用发展期、低迷发展期、稳步发展期、蓬勃发展期等6个时期。

因此，人工智能行业是在起起伏伏中向前发展的，既有经费枯竭的寒冬，也有技术突破而大发展的春天。

人工智能被视作推动人类进入智能时代的决定性力量。

地位与蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网相当。

从竞争格局上看，全球产业界纷纷布局，但尚未形成垄断。

谷歌2017年提出其发展战略从“移动优先”转向“人工智能优先”，BAT等国内互联网巨头也相继设立了人工智能实验室，众多创新企业凭借在细分领域的优势参与垂直应用领域的竞争。

世界各主要经济体把人工智能作为提升竞争力的抓手，2013年以来已有20多个国家地区发布了人工智能相关的战略或规划。

1.2.产业链分为基础层、技术层、应用层

人工智能产业链分为基础层、技术层、应用层。

基础层包括算力、算法、数据，在产业链中起到基础支撑的作用，如算力中的CPU/GPU/FPGA提供了计算能力；

技术层根据用途划分为计算机视觉、智能语音、自然语言处理等；

应用层与特定场景绑定，如2C端的智能设备，2B端的AI+工业、AI+金融、AI+零售，2G端的AI+安防，它们的商业模式、竞争格局各异。

基础层是构建生态的基础并且需要长期投入，技术层是构建护城河的基础，应用层直戳行业痛点因而变现能力最强。

GPU加速器已达到实质生产的高峰期。

Gartner每年发布的人工智能技术成熟度曲线展现了各细分技术的发展阶段与期望值高低。

在2020年的曲线中，GPU加速器在生产力上表现最佳，预计未来2-5年内，其采用率将从5%-20%增加到20%-50%，为计算密集型工作负载提供性能。

多数技术依然处于前三个阶段，即技术萌芽期、期望膨胀的顶峰期、泡沫化的低谷期，比如通用人工智能（AGI）当下还缺乏商业可行性。

1.3.我国人工智能行业仍将处于高增长阶段

我国2020年人工智能市场规模约为400亿元人民币。

IDC将人工智能市场分为硬件、软件和服务三个部分，中国市场的硬件占比在50%以上。

2020H1，中国加速服务器市场规模达到12.9亿美元，其中GPU服务器占据93.4%的份额；

人工智能软件及应用市场规模达15.3亿美元，其中计算机视觉应用、语音语义应用、机器学习开发平台分别为7.42、6.45、1.4亿美元。

综合IDC数据，大致可推测出2020年中国人工智能市场规模约为400亿元人民币。

展望未来，IDC预计至2024年，中国GPU服务器市场规模将达到60亿美元，人工智能软件及应用市场规模将达到127.5亿美金，未来5年依然处于高速增长的阶段。

人工智能硬件市场集中度高。

加速服务器对应的下游行业主要包括互联网、政府、服务业，浪潮、华为、曙光这几家传统服务器厂商主导了中国加速服务器市场，三者合计的市场份额超过了80%。

而中国人工智能软件及应用市场呈现出百花齐放的竞争格局，新兴创业公司比较活跃，例如计算机视觉应用的商汤科技、依图科技，语音语义应用的思必驰，机器学习开发平台的第四范式等。

2019年，我国人工智能行业投融资规模有所回落，泡沫弱化。

2014年至2019Q3，中国人工智能行业共发生2845起投融资事件，总金额为3583.65亿元人民币。

资金重点投向了应用及平台、硬件方面，而AI基础技术的投融资规模较小，反映出我国人工智能行业偏重应用、技术基础仍待夯实的特点。

2.算力提升是人工智能行业发展的核心驱动因素

算力是人工智能三大要素的核心。

正如人工智能学者吴恩达所比喻：

发展人工智能就像用火箭发射卫星，需要强有力的引擎和充足的燃料；

那么，算法模型相当于是火箭引擎，算力可以理解为打造引擎的工具，海量的数据则是引擎的燃料。

算力提升提高了算法效率和演进节奏。

2012年时，深度学习模型AlexNet识别一张ImageNet图片需要7.6×

10^8次基本运算，训练该模型需要3.17×

10^17次基本运算。

如以1993年出品的IntelCPU奔腾P5执行，需要近百年才能完成训练，至少需要10分钟完成推理，而如今的品牌旗舰手机只用数百微秒就能完成这样的图像识别。

在度量上，算力以芯片每秒可执行的基本运算次数来度量，1TOPS代表处理器每秒可进行一万亿次基本运算操作。

2.1.人工智能芯片类型多样、场景有别

AI芯片向上为应用和算法提供支持，向下对器件和电路、工艺和材料提出需求。

应用和算法的快速发展，尤其是深度学习、卷积神经网络，对底层芯片提出了2-3个数量级的性能优化需求。

例如，Google在2019年提出的EfficientNetB7深度学习模型，每完成一次前向计算，需要3.61×

10^10次基本运算，是7年前同类模型AlexNet运算需求的50倍。

同时，新型材料、工艺和器件的发展，也为AI芯片提供了性能提升、功耗降低的可行性。

AI芯片包括传统芯片与智能芯片两类。

AI芯片并没有一个公认的定义。

广义上来说，面向人工智能应用的芯片都可以称为AI芯片。

传统芯片如CPU、GPU、FPGA等，起初并非面向人工智能，但在功能上可以满足人工智能应用的需求；

不过，芯片架构、性能、能效等方面不能适应人工智能技术的快速发展。

智能芯片则专门针对人工智能设计，包括通用型与专用型。

通用型智能芯片是针对人工智能领域内多样化的应用设计的芯片，对视觉、语音、自然语言处理、传统机器学习技术等各类人工智能技术具备较好的普适性；

专用型智能芯片是面向特定、具体、相对单一的人工智能应用所设计的专用集成电路，即ASIC。

从场景来看，云端、终端和边缘端对AI芯片的算力和功耗有着不同要求。

人工智能技术在云端、终端、边缘端均有应用。

云端是指在大规模数据中心进行的远程计算处理；

终端则是个人可以直接使用的设备，比如手机、平板电脑等；

边缘端靠近数据源头。

云端兼有训练和推理任务，终端和边缘端以推理为主。

对于训练阶段，要基于巨大的数据集来调整模型参数，以提高准确度，比如图像识别、语音识别这些复杂问题，训练阶段要做反复的迭代计算。

推理阶段是在已经建立的人工智能模型中输入数据，然后得到输出，比如给定图片，识别物体。

推理阶段对单个任务的计算能力要求没有训练阶段那么大，但推理的次数会很多。

IDC预计到2021年，人工智能推理市场占比将超过训练市场。

2.2.GPU、FPGA、ASIC等各显千秋

GPU已经发展到相对成熟阶段。

GPU即图形处理器，是个人电脑、游戏设备、平板电脑、智能手机中进行图像和图形运算的芯片。

由于深度学习算法需要很高的内在并行度、浮点计算能力以及矩阵运算能力，基于CPU的传统计算架构逐渐无法充分满足高性能并行计算需求，2015年后，GPU的应用使得硬件计算能力的不足得以被弥补。

GPU擅长数据级并行处理，峰值运算性能高，但能耗也较高。

在人工智能领域，GPU多应用于数据中心服务器，在终端应用较少。

FPGA具有可编程性。

FPGA是一种在硬件层面可编程的芯片，利用门电路直接运算，用户可以自由定义门电路和存储器之间的布线，改变执行方案。

换而言之，FPGA上的电路可以更改，具有很高灵活性。

相较于ASIC，FPGA在性能、功耗上有提升空间。

不过，由于FPGA灵活性好、处理简单指令的重复计算比较强，CPU+FPGA的混合异构相比GPU具备更低功效和高性能，在深度学习的推理阶段有着更高的效率和更低的成本。

ASIC是专用定制芯片的统称，在设计、架构、工具链等方面的个性化强。

ASIC即专用集成电路，是应特定应用场景的需求专门设计和制造的集成电路，不能重复编程。

ASIC基于人工智能算法进行定制，在大规模量产的情况下具备性能更强、体积更小、功耗更低、成本更低、可靠性更高等优点，常用于在低功耗、成本敏感的终端上支撑特定的智能应用。

其缺点在于通用性差，前期研发成本高，研发周期长。

3.人工智能将在实现碳中和过程中发挥重要作用

互联网、制造、金融位列全球算力投资前三大行业。

从全球来看，制造业是算力投资的第二大行业，投资集中在研发、生产、供应链管理和服务等环节。

但在国内，金融位列第二，原因是金融业大而强，特别是其中的银行业，信息化投资较为集中；

而制造业相对小而散，信息化投资与西方国家相比仍有很大的提升空间。

我国将在2030年实现碳达峰，2060年实现碳中和。

这两个阶段性目标，既是我国经济社会高质量发展的必然要求，也是在应对气候变化方面对世界的承诺。

随着人工智能技术的发展、算力的提升，人工智能在现实中的应用场景不断得到拓宽，有望在实现碳达峰、碳中和的过程中扮演着重要角色。

3.1.AI+工业：

重塑生产制造环节

人工智能在制造业的应用潜力被低估。

SAP对中国2015-2018年最大的300项人工智能项目的分析表明，制造业相关的投资不到1%。

然而，制造业是人工智能最具应用潜力的领域之一。

其一，未来的制造业不仅仅是规模化、标准化，也要是智能化、定制化；

其二，人工智能与相关技术结合，可优化制造业各流程的效率，通过工业物联网采集各种生产数据，再借助深度学习算法处理后，提供建议甚至自主优化。

制造业正大踏步地迈入机器智能时代。

BCG认为，人工智能的使用可降低制造商20%的加工成本，而这一减少最高有70%源自于更高的劳动生产率。

SAP原全球高级副总裁李强曾指出，到2030年，因人工智能的推动，全球将新增15.7万亿美元的GDP，中国就占到了7万亿美元；

到2035年，人工智能将推动劳动生产力提升27%，拉动制造业的GDP高达27万亿美元。

德勤研究估计，全球人工智能及相关场景在制造业应用的市场规模在2016年约为1.2千亿美元，到2025年有望超过7.2千亿美元，复合年均增长率预计超过25%。

人工智能在制造业的应用场景分为三类。

①产品智能化研发设计和为产品注智；

②在制造和管理流程中运用人工智能提高产品质量和生产效率；

③供应链的智能化。

与碳中和联系最为密切的是生产制造环节，包括生产、维护、质量、物流等子环节。

以最核心的生产过程为例，基于收集的生产数据，人工智能可以自动设置和调整机器的运行参数，让机器和部件成为自优化的系统，更加节能高效。

例如，在注塑过程中，需要关注的外部因素是外界温度，需要控制塑料的温度、冷却时间表、速度等，基于人工智能的自主监测与调节效率更高。

BCG的研究案例还提及，一些钢铁厂利用人工智能，让熔炉自动优化设置，识别稳定工艺条件的最低温度，从而降低整体的能耗。

3.2.AI+交通：

智慧交通节能减排

交通运输行业是全球第二大碳排放源，对我国实现碳达峰目标与碳中和愿景有重要影响。

统计显示，交通领域的碳排放占全国终端碳排放的15%；

过去9年，这一领域的碳排放年均增速在5%以上。

以机动车为例，截至2021年3月，全国机动车保有量达3.78亿辆，其中汽车2.87亿辆；

根据测算，1辆汽车每燃烧1升燃料大约排放2.5千克二氧化碳，总共的碳排放量非常可观，减排空间也很大。

人工智能在交通领域的应用包括智能汽车（自动驾驶）与智慧交通，提升了交通领域的减排潜力。