2023年AI行业细分板块及市场规模分析 2023年中国AI市场支出达82亿美元 基金市场规模分析

我国十四五规划纲要提出着力打造数字新经济并强调了人工智能等新兴数字产 业在提高国家竞争力上的重要价值。对于数字经济来说，人工智能技术在很多行 业，包括商业、传媒、金融、电信、工业、能源等，都有了成熟落地的解决方案。 很多产业的应用场景，通过不断地数据积累和算法迭代，提升了行业的生产效率， 实现了降本增效的作用。随着新基础设施计划的实施和产业互联网的发展，人工智 能产业已成为数字经济时代的核心生产力和产业支撑能力，是数字经济相关产业由 数字化向智能化升级的核心技术。

人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗 透且成熟度不断提升。随着越来越多的模型出现和海量数据的积累，各行业应用场 景价值逐步提升，人工智能应用已从大政务、泛安防、消费、互联网等向制造、能 源、电力等传统行业辐射。以计算机视觉技术主导的人脸识别、光学字符识别 （OCR）、商品识别、医学影像识别，工业质检、工业智能机器人等产品的商业价 值已得到市场认可；另外，以机器学习、知识图谱、自然语言处理等技术主导的智 能决策类产品也在数据治理、客户触达、决策支持等企业核心业务环节广泛应用。

从图中可以看出，人工智能在泛安防和金融领域，市场规模、应用场景、数据 规模和算法成熟度的水平都较高，而在制造业领域，从 2023 年开始，热度显著上 升，客户需求激增、算法增量和数据规模水平已提升至较高水平。

人工智能产业链从底层到上层包括人工智能基础层（AI 模型、算力和数据管 理），人工智能技术层（计算机视觉、语音识别，自然语言处理，机器学习和知识 图谱）和人工智能应用层（泛安防、工业、金融、泛互联网、医疗、自动驾驶 /AGV、零售、对话 AI 等）。

从产业链分布来看，除了互联网大厂、传统芯片厂商和其他创新型公司外，AI 四小龙+第四范式广泛布局人工智能产业链从底层到上层的各个环节。应用领域方 面，泛安防仍然是 AI 四小龙的主战场，并向泛互联网、零售、医疗，工业扩展，而 第四范式在金融数据智能决策领域更具实力。与其他知名竞争对手相比较，创新奇 智的发展思路比较独特，其深度专注于工业应用领域（公司另一主要业务是金融 ABC 监控一体机），从基础算法、模型生产、机器学习到 AI 工程交付都与工业智 能应用密切相关，目前主攻方向是工业质检。

从人工智能技术分类角度，人工智能核心领域主要包括计算机视觉、机器学 习、自然语音处理、智能语音和 AI 芯片等，这里主要对计算机视觉和机器学习进行 描述。

1.1. 计算机视觉

计算机视觉是目前商业化程度最高的领域，应用场景广泛，如人脸识别技术。 艾瑞咨询认为，技术上，在定位、检测、分割、测量等基础感知任务上业界已经取 得良好表现，但在多模态信息融合技术、3D 识别、数据路径依赖等问题上仍需要继续突破。目前，计算机视觉面临的主要难点在于海量数据标注问题，仅通过人为标 注的方法已无法适应深度学习，需从无标签数据学习中探索计算机视觉技术的突 破。从现阶段的人工智能技术发展趋势看，关键点在两个方向，即“大模型预训练” 的自监督学习和减少数据量依赖的少样本学习。自监督学习领域目前是最为活跃的 学习方式，例如图灵奖获得者杨立昆（Yann LeCun），在加速自监督学习的研究 进程，通过从未标记的数据集中学习监督信息，提升数据无标注下的学习能力；谷 歌、脸书等多家企业也先后发布使用自监督学习的算法模型，通过挖掘无标注数据 的监督信息，显著减少人为干预；华盛顿大学利用自监督学习方式实现图像背景的 前后景分离，精度达像素级别，可实现头发丝的精确分离。而少样本学习则是通过 复用其他领域知识结构，使用少量数据对新领域进行训练，并已进入应用阶段，如 英伟达提出基于少样本学习的视频转化（Few-shot vid2vid）框架，仅借助少量目标 示例图像即可合成未出现过的目标或场景视频。另外，创新奇智也是少样本学习领 域的典型代表，针对非标物体进行计算机视觉实践，目前已广泛应用于工业检测领 域。

我国计算机视觉解决方案在泛安防（包括公安、交通、社区、文教卫等多个领 域）中的应用深受政策及财政支持，多年以来一直是计算机视觉乃至整个国内人工 智能产业实际落地的重要基石。金融领域主要通过计算机视觉产品技术完成人脸识 别及证照识别等工作，由于前期市场需求已大部分得到满足，未来数年市场将保持 稳定增长。互联网领域，在互联网/ICT/安防等领域巨头大力推进 AI开放平台业务的 背景下，计算机视觉算法可通过 API 调用模式实现快速扩张。医疗领域是近两年计 算机视觉应用最火热的领域之一，尽管现阶段市场规模较小，但随着 AI 医学影像辅 助诊断产品及新型智能医疗器械的成熟，医疗领域市场将进入应用发展期。

1.2. 机器学习

数字技术的发展与应用，使得各类社会生产活动能以数字化方式生成为可记 录、可存储、可交互、可分析的数据、信息与知识，数据由此成为当代社会的新生 产资料和关键生产要素。而机器学习作为数字产业化的 AI 算法工具，体现在企业对 数据感知的认可并投资数字应用解决方案。企业开始构建数据仓库、数据中台、数 据平台等与数据治理有关的项目，并基于已治理的数据，构建各类智能数字应用。

金融作为信息化水平高、数据标准统一的行业在机器学习领域起跑最早，银 行、保险公司、证券公司以及基金公司引入智能决策产品，在营销获客、反欺诈和 智能风控等业务场景投资不同业务的解决方案。在工业领域，如汽车制造业、3C 高 科技、面板半导体等电子设备制造业企业采购嵌入式机器学习技术的大数据产品与 机器学习解决方案，服务于生产线故障排查与质检、电路故障排查与检修等业务。 另外，在自动驾驶领域，L1~L2 等级的产品和未来 L3 及以上等级的产品也是机器学 习的典型应用。

自动机器学习技术（AutoML）是提升 AI 工程化能力的重要工具。自动机器学 习是指在机器学习开发应用全流程的部分环节或者全部环节实现自动化，可以有效 降低人工智能开发门槛高、技术人才匮乏等挑战。该技术主要包括自动数据预处 理、自动特征工程、自动超参数搜索、自动模型网络结构设计、自动模型部署等内 容，低代码开发、预训练模型等技术也与自动机器学习密切相关，并呈现融合发展 的趋势。当前，头部互联网企业和创新企业已经开始积极布局 AutoML 技术和工 具，但受限于技术成熟度，AutoML 的应用场景还停留在某些开发环节（如特征工 程）或者某些特定的技术领域（如语音识别、目标检测、智能对话等）。

现实企业经营中，传统依赖经验决策与人力计算显然已难以满足企业的需求， 运算速度快、自动化程度高、分析精准的决策智能应用由此走入企业视线。智能决 策指使用机器学习等技术，对企业的内外数据进行治理，挖掘和利用数据背后的信 息，让机器具备自主分析、预测、选择的功能，从而解决生产经营过程中的决策管 理问题，其本质是一个数据治理的过程，属于认知计算的领域，步骤包括数据收 集、数据清洗、模型训练、模型验证四个阶段，是机器学习向上层应用落地的基 础。就算法类型而言，一般常见的代表算法有迁移学习、强化学习、分类与回归树 等。目前，智能决策已在金融、零售、制造、医疗、自动驾驶等领域获得应用，其 中，金融领域渗透率最高。（以上结合艾瑞咨询和中国信通院报告以及行业专家的 观点）

1.3. 大模型

大模型，即超大规模预训练模型，其对运算速度与算法的要求极高，因而需要 充足的芯片资源支持与复杂的机器学习算法支撑。自 OpenAI 于 2023 年推出 GPT3 以来，谷歌、华为、智源研究院、中科院、阿里巴巴等企业和研究机构相继推出 超大规模预训练模型，包括 Switch Transformer、DALL*E、MT-NLG、盘古、悟道 2.0、紫东太初和 M6，不断刷新各榜单纪录。百度 ERNIE3.0 模型在自然语言理解 任务上的综合评分（GLUE）已达 90%以上，智源悟道文澜模型在多源图文数据集 评分（RUC-CAS-wenlan）相比 OpenAI 的 CLIP 模型大幅提升 37%。根据中国信 通院的预计，当前，预训练模型参数数量、训练数据规模正按照 300 倍/年的趋势增 长，大模型算法和增加训练数据仍是短期内的演进方向；另外，跨模态预训练大模 型日益普遍，已经从早期只学习文本数据，到联合学习文本和图像，再到如今可以 处理文本、图像、语音三种模态数据，未来使用