人工智（zhì）能（néng）基礎層（céng）概念界定

人工智能基（jī）礎層定義

支撐各類人（rén）工智能應用開發與運行的資源和平台

算力、算法、數據是人工智能產業（yè）發展的（de）三大要（yào）素。據此，人工智能基礎層主要包括智能計算集（jí）群、智能模型敏捷（jié）開（kāi）發工具、數據基礎服務與治（zhì）理平台三個模塊。智能計算集群提供支撐AI模型開發、訓練（liàn）或推理的算力（lì）資源，包括係統級AI芯（xīn）片（piàn）和異構智能計（jì）算服（fú）務器，以及下遊的人工智能計算中心等（děng）；智能（néng）模（mó）型敏捷開發工具模塊主要實現AI應用（yòng）模型（xíng）的生產，包（bāo）括開源算法框架，提供語音、圖像等AI技術能力調用的AI開放平台和AI應用模型效率化生產平台；數據基礎服務（wù）與治理平台模塊則實現AI應用所需的（de）數據資源生產與治理，提供AI基礎數據服務及麵向AI的數據治理平台。AI基礎層企業通過提供AI算（suàn）力、開（kāi）發工具或數據資源助力人（rén）工智能應用在（zài）各行業領域、各應用場景落地（dì），支撐人工智能產（chǎn）業健康（kāng）穩定發展。

人工（gōng）智能基礎層價值（zhí）

AI基礎層是支撐AI應用模型開發及落地的必要資源

開發（fā）一項人（rén）工智能模（mó）型並上線應（yīng）用大致需經曆從業務理解、數據采標及（jí）處理、模型訓練（liàn）與測試到運維監控等一係（xì）列流程（chéng）。過程中（zhōng）需要大量的AI算力、高質量數據源（yuán）、AI應用算法研發及AI技術（shù）人員的支持，但大部分中小企業用戶並不具備在“算力、數據、算法”三維度從0到1部署的能力，而財力雄（xióng）厚的大型企業亦需（xū）高性價比的AI開（kāi）發部署方案。依靠AI基礎層資源，需求企業可降低資源（yuán）浪費情況、規避試錯成本、提高部署應（yīng）用速（sù）度。作為支撐AI模型開發及落地的必要資源，AI基礎層可（kě）在多環節提效AI技術價值的釋放；其工（gōng）具屬性也標誌著AI產業社會化分工的出現，AI產業正逐步進入（rù）低技術門（mén）檻、低（dī）部署成（chéng）本、各產業深度參與雙（shuāng）向共建的效率（lǜ）化生產階段。

人（rén）工智能基礎層進階之（zhī）路

粗放式單點工具向集（jí）約型（xíng）、精細化資源演進

智能化（huà）轉型趨勢下，企業部署AI項目的需求正經曆著變化，對數（shù）據質量、模型（xíng）生產周期（qī）、模型自學習水平、模型可解釋（shì）性、雲邊（biān）端多樣部署方式、人力成本及資金投入、投資回報率（lǜ）等的要求都逐步走高。在上述需求特點及自動（dòng）機器學習、AI芯片硬件架構等技術發展的共同推動（dòng）下（xià），AI基礎層資（zī）源的整體效能（néng）水平也在（zài）不斷進化，以有效降低需求企（qǐ）業的AI開發成本。大致涵蓋相互交融的三個階段：雛形期，算法/算力/數據各模塊多為粗放（fàng）式的單（dān）點工（gōng）具，新興（xìng）產（chǎn）品及（jí）賽（sài）道逐步出現；快速發展期（qī），各賽道活（huó）躍度（dù）顯著提升，參與者積極探索產品形態與（yǔ）商業模式，基礎層服務體係逐步完善、資源價值凸顯；最後則向成熟階段過渡，各賽道內企業競（jìng）爭加（jiā）劇，逐步跑出頭部企業。同（tóng）時各賽道（dào）間企業生態合作增（zēng）多，一站式工具平台出現。

人工智能基礎層需求篇（piān）

基礎層初步成型是AI產業鏈成熟（shú）的標誌

基礎層資源促進AI產業鏈各環節價值傳導順暢、分工明確（què）

現階段（duàn），已初（chū）步成型的AI基礎層資源可有效緩解下遊行業（yè）用戶逐漸增長（zhǎng）的、從感知到認知多類型的AI應用模型開發及部署需求。細看基礎層內部，一方麵（miàn），數（shù）據資源、算力資源和（hé）算法（fǎ）開發（fā）資源三者（zhě）之間的分工更為明（míng）確和有序。數（shù）據基礎服務及治理平台（tái）企業為AI產業（yè）鏈供應數據生產資料；智能計（jì）算集群產出高質效的生產力；智能模型敏捷（jié）開發工具則負（fù）責模型開發及（jí）模型訓練等，輸出AI技術服務能力，提高AI應用（yòng）模（mó）型在各行業的滲（shèn）透速率與價值空（kōng）間。另（lìng）一方（fāng）麵，基礎層廠商（shāng）的數量保持增長、廠商（shāng）業務範（fàn）圍持續擴大，可提供專業定製化或一站式的基礎資源服務。由此，基礎層完成AI工業（yè）化生產準備（bèi），通過直接供應和間接供應的（de）形式，將基礎層資源傳送到下遊的AI應用需求端，產業（yè）鏈向順暢的資源輸送及價值傳（chuán）導方向演進。

AI基礎層解決人工智能生產力稀缺問題

基礎層資源緩解甲方在對待人工（gōng）智能投資上的（de）“矛盾”

根據艾瑞（ruì）2020年執行的CTO調研，2019年超過51%的樣本企業AI相關（guān）研發（fā）費用占總研發費用（yòng）比重在10%以上，2020年65.9%的企業AI研發占比達到10%以（yǐ）上。一方麵是甲方企業不斷增長的對智能化轉型的強勁需求，一方麵則（zé）是在AI應用開發（fā）與部署過程中企業普遍麵（miàn）臨的數據質量(49%)、技術人（rén）才(51%)等基（jī）礎資源配置（zhì）難點。且目（mù）前隻有少數企業可以完成AI項目實施前設定的全部投資回報率（ROI）標準，因此甲方企（qǐ）業在投資AI項目時相對（duì）審慎（shèn）。AI基礎層資源則可有（yǒu）效緩解甲方利用AI技術重塑自身業務時的投資矛（máo）盾，提升模型生產效率，降低部署成本：數據資源集群具備數據采標與數據治理能力，且一站式的（de）數據平台可對（duì）實時數據（jù）進行統一管理，提高數據利用率；高效的AI算（suàn）力集群與調度係統可滿足模型訓練與推理需求，降低（dī）總擁有成本（TCO，TotalCost of Ownership）；基（jī）於算（suàn）法開發平台演（yǎn）化（huà）出的語音識別、計算機視（shì）覺、機器學習等專業的AI模型生產平台，可提供高效、一站式的（de）AI模型生產服務。

人工智能基礎（chǔ）層供（gòng）給篇

人工智能基礎層（céng）產業圖譜

人工智能基礎層市場（chǎng）規模

AI企業（yè）業務突破（pò）、智能化轉型趨勢等多（duō）因素驅動產業（yè）規模增長

AI企業突破業務增長瓶頸的需求是人工智能基礎層發展的（de）驅動力之一。當前人工智（zhì）能核心產業規模保持線性增長態（tài）勢，且增速趨於平穩（wěn）與常態化。為尋求產值增長突破點，AI企業發力探索開拓市場的有效手段。依托人（rén）工（gōng）智能（néng）基礎層資源建設，AI企業可有效應對下遊客戶的長尾應用需求，再將高頻（pín）應用轉化為新主營業務。此外“新基建”、半導體自主可控（kòng）等相關政策（cè）扶持、傳統行業智能化轉型等因素（sù）也都在助推人工智能基礎層資源的發展。據艾瑞（ruì）測算，2021-2025年（nián），人工智（zhì）能基礎層市場規模（mó）CAGR為38%，整體產（chǎn）業規（guī）模發展速（sù）度較快、空間較為廣闊，總體呈現持續增長的走勢。2020年，中國人工（gōng）智能基礎層市場規模為497億元，為（wéi）人工智能產業總規模的33%，市場規模相較去年同比增長76%，AI應用模型效率（lǜ）化生產平台創收增長、AI芯片市場規模隨著雲端（duān）訓練需求出（chū）現較高增長等是同比增（zēng）速的主（zhǔ）要拉動力；2021-2024年同比增速（sù）趨於平緩下降，市場開（kāi）始恢複穩步增長態勢。到2025年，中國人工智能（néng）基礎層市（shì）場規模將達（dá）到2475億元，雲端推理（lǐ）與端側推（tuī）理芯片市場（chǎng）持續走高（gāo）使得人工智能基（jī）礎層（céng）整體（tǐ）市場同比增速稍有抬升。

算（suàn）力：超算/數據（jù）中（zhōng）心的存量與增（zēng）量判斷

從算力需（xū）求與節能減排規定看存量替換與增量增長

現（xiàn）有的超算/數據中（zhōng）心以建設單位為標準，可分為兩類：1）以國家或地（dì）方為建（jiàn）設單（dān）位的G端超算中心，服務對象（xiàng）主要為（wéi）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（kē）學進步、經（jīng）濟發展與國（guó）防建設（shè）等重大挑戰（zhàn）性問題的重要手段，近兩（liǎng）年受國家與地方的高度重視與扶持，建設與升級超算中（zhōng）心的趨勢愈（yù）加明朗。但由於數據網絡安全與計算精度要求高，建設周期較長，此類超算中心的數量在中短期內增（zēng）長緩慢，長期來看則會成為替換存量（liàng）與增量增長的貢獻主力之一。2）以智能（néng）雲廠商或IDC服務（wù）商為建設供應主體的B端（duān）超算/數據中心，為（wéi）互聯網公（gōng）司、其他類型的企業或事業單位提供主機托管、資源出租、增值或應用服（fú）務，是存量與（yǔ）增量市場變化主要推力（lì）。

從市場變化趨勢來看：1）存量市場：日漸增（zēng）加的AI計算負載需要處理力更強、能耗承受度更大的數據（jù）中心，同時（shí），一係列有關控製（zhì）數據中心PUE值的節能（néng）審查規定相繼出台，一味盲目擴建、新建數（shù）據中心已難合時宜（yí），促進老舊數據中心綠（lǜ）色化改造的減量替代方案因此（cǐ）誕生。微型、中小型數據中心（xīn）會逐（zhú）漸（jiàn）被改造為集約型（xíng）的大型數據中心，符（fú）合節能減排相關標（biāo）準、機櫃數量（liàng）與異構組合增多的集（jí）約型超算/數據中心將在存量市場中占據主流。2）增量市場：考慮到（dào）邊緣計算可分擔AI計（jì）算任務、兼（jiān）具低延時優勢（shì），管理邊緣計算中心（xīn）則需要布（bù）局相（xiàng）應的大型雲端數據中心，故增量（liàng）市場會被異構的（de）邊緣計算數據中心與雲端超（chāo）算或大型數據中心擴充。

算力：雲化AI算力

開放共享虛擬AI算力資（zī）源，實現AI模（mó）型（xíng）海量訓練與推理

AI是一種高資源消（xiāo）耗、強計算的技術，AI算力的強弱直接關聯到AI模型訓（xùn）練的精度與實時推理的結果。若企業獨立部署AI算力，不僅（jǐn）需要（yào）建設或租用機（jī）房這類重資產與網（wǎng）絡寬帶（dài）資源（yuán），還需要（yào）購置物理（lǐ）機、內存、硬盤等硬（yìng）件設備（bèi），而且購置設備存在采購周期不確定（dìng）、硬件資源過度鋪張、專業管（guǎn）理團隊缺乏等問題（tí）。所以，獨立部署AI算力資（zī）源是一項耗時耗力的工（gōng）作。將AI算力雲化是一（yī）種高效能、低成本的有力解決方案。具備（bèi）先天性業務優勢的（de）雲服務商搭建數據中（zhōng）心，先將AI服務器算力資源虛擬化，開放給AI模型開發者（zhě），做到按需分配，如給短（duǎn）視頻業務的開發者優先配備CPU+GPU方案，而後對算力資源的調度工作進行統一管理。由此，“物美價廉（lián）”的算（suàn）力有序注入各行各業的AI模型中（zhōng），減（jiǎn）輕了井噴式數據爆發所帶（dài）來的模型（xíng）訓練負擔，並能及時根據用戶使用情況彈性擴充或縮減（jiǎn）虛擬算（suàn）力資源空間，達（dá）到方便、靈活（huó）、降本增效的效果。

算（suàn）力：端-邊-雲的算力協同

端-邊-雲（yún）實（shí）現AI算力泛在，加速AI模型訓練與推理

在人工智（zhì）能與5G等技術的衝擊下（xià），設備（bèi）端產生大（dà）量實時數據，若直接上傳到雲端處理，會對雲端的帶寬、算（suàn）力（lì）、存儲空間等造成巨大壓（yā）力，同時也存在延時長、數據傳輸安全性等問題。因此，為緩解雲端的工作負載，雲計算在雲（yún）與端之間新增了若幹個邊緣計算節（jiē）點，從而衍生出端-邊-雲的資源、數據與算力協同。在算力協（xié）同的（de）業務（wù）模式（shì）下，靠近雲端的雲計算中心承擔更（gèng）多（duō）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（zhě）之間的邊緣（yuán）側則負責通用（yòng）模型的轉移學習，幫助雲端分散通（tōng）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（gōng）耗大的難（nán）題。未來，邊緣計算的發展會催生出更適宜邊緣計算場景的算力集群（qún）異構設（shè）計，其（qí）異構化程度將會高於傳統的數（shù）據中心，異構設計的突破將會進一步提（tí）高端-邊-雲的整體計（jì）算（suàn）效能，進而加速AI模型的訓練與推理。

算（suàn）力（lì）：AI芯片市場規模

當前（qián）以訓練需（xū）求為主，推理需求將成為未來市場主要增（zēng）長動力

AI芯片是人工智能產業的關（guān）鍵硬件，也是AI加速服務器中用於AI訓練與推理的核心計算（suàn）硬件，被廣泛應用於人工智能（néng）、雲計算（suàn）、數據中心、邊（biān）緣計算、移動終端（duān）等領（lǐng）域。當（dāng）前，我國的（de）AI芯片行業仍處於起步（bù）期，市場空間有待探索與開（kāi）拓。據艾瑞統計與預（yù）測，2020年我（wǒ）國AI芯片市場規模為197億元，到2025年，我國（guó）AI芯片市場規模將達到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（néng）來看，一開始（shǐ），因AI應用模型首先（xiān）要在（zài）雲端經過訓練、調優與測試，計算的數據量（liàng）與執行的任務量（liàng）數（shù）以萬計，故雲端訓練需（xū）求是AI芯片市場的主流需求。而（ér）在後期，訓（xùn）練好的（de）AI應用模型（xíng）轉移到端側，結合實時數據（jù）進行推理（lǐ）運算、釋放AI功能，推理需求逐漸取代訓練需（xū）求，帶動推理芯（xīn）片市場崛起。2025年，雲端（duān）推理與（yǔ）端側推理成為市場規模增長的主要（yào）拉動力，提升了逐（zhú）漸下滑的AI芯片市（shì）場規（guī）模同比增速。

算法：智能模型敏捷（jié）開發工具（jù）商業價值分析

API規模經濟+AI應（yīng）用模型效率化生產平台的杠杆增效

智能（néng）模型敏捷開發工具的出現與驅動AI業（yè）務的外因以及企業自身的內因緊密相（xiàng）關。從外因看，規模化多場景（jǐng）的業務不斷衍生出長尾需求，原有（yǒu）的應用需及時更新；從（cóng）內因看，囿（yòu）於（yú）開發企業有限的經營成（chéng）本與AI技術人才，其資源主要投（tóu）放到現階段的主營業務（wù），現有人員難以推動業務的智能化改造（zào）。對此，可（kě）有效解決AI應用模型設計與開發過程中通用或特有問（wèn）題的智能模型（xíng）敏捷開發（fā）工（gōng）具（jù）逐步成為備選方案。AI開放平台與AI應用模型效率化（huà）生（shēng）產平台作為其中的代表性工具，不僅能減少由0到1的開（kāi）發成本，而且可降低人（rén）工智（zhì）能市場（chǎng）的參與門檻，提（tí）升（shēng）開發效果。AI開放平台屬於API資源的一種，其可幫（bāng）助技術領先企業開放AI能力與（yǔ）先進資源，從而延伸價（jià）值鏈，形成規模經濟與長尾經濟，利用（yòng）開發者（zhě）的創新應用來反哺（bǔ）開放平台。AI應（yīng）用模型效率（lǜ）化生產（chǎn）平台可提供較為前沿（yán）的技術、經濟合理的模型生產經驗以及（jí）為實現敏捷開發而打包的數據（jù）、算力與算法資源。具（jù）體（tǐ）而言，其采用自動機器學習技術，很大程度上（shàng）降低了機（jī）器學習的編程工作量、節約（yuē）了AI開發時間、減輕了對專業數據科學家與算法工程師的依賴，讓缺乏機器學習經驗（yàn）的開發者用上AI，加快開發效率（lǜ）。

返回