智慧泛商业AI解决方案产业工作汇报

智慧泛商业AI解决方案产业工作汇报

促进互联网金融健康发展，全面提升互联网金融服务能力和普惠水平，鼓励互联网与银行、证券、保险、基金的融合创新，为大众提供丰富、安全、便捷的金融产品和服务，更好满足不同层次实体经济的投融资需求，培育一批具有行业影响力的互联网金融创新型企业。互联网+协同制造推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平，加强产业链协作，发展基于互联网的协同制造新模式。在重点领域推进智能制造、大规模个性化定制、网络化协同制造和服务型制造，打造一批网络化协同制造公共服务平台，加快形成制造业网络化产业生态体系。（一）大力发展智能制造以智能工厂为发展方向，开展智能制造试点示范，加快推动云计算、物联网、智能工业机器人、增材制造等技术在生产过程中的应用，推进生产装备智能化升级、工艺流程改造和基础数据共享。着力在工控系统、智能感知元器件、工业云平台、操作系统和工业软件等核心环节取得突破，加强工业大数据的开发与利用，有效支撑制造业智能化转型，构建开放、共享、协作的智能制造产业生态。（二）发展大规模个性化定制支持企业利用互联网采集并对接用户个性化需求，推进设计研发、生产制造和供应链管理等关键环节的柔性化改造，开展基于个性化产品的服务模式和商业模式创新。鼓励互联网企业整合市场信息，挖掘细分市场需求与发展趋势，为制造企业开展个性化定制提供决策支撑。（三）提升网络化协同制造水平鼓励制造业骨干企业通过互联网与产业链各环节紧密协同，促进生产、质量控制和运营管理系统全面互联，推行众包设计研发和网络化制造等新模式。鼓励有实力的互联网企业构建网络化协同制造公共服务平台，面向细分行业提供云制造服务，促进创新资源、生产能力、市场需求的集聚与对接，提升服务中小微企业能力，加快全社会多元化制造资源的有效协同，提高产业链资源整合能力。（四）加速制造业服务化转型鼓励制造企业利用物联网、云计算、大数据等技术，整合产品全生命周期数据，形成面向生产组织全过程的决策服务信息，为产品优化升级提供数据支撑。鼓励企业基于互联网开展故障预警、远程维护、质量诊断、远程过程优化等在线增值服务，拓展产品价值空间，实现从制造向制造+服务的转型升级。互联网+高效物流加快建设跨行业、跨区域的物流信息服务平台，提高物流供需信息对接和使用效率。鼓励大数据、云计算在物流领域的应用，建设智能仓储体系，优化物流运作流程，提升物流仓储的自动化、智能化水平和运转效率，降低物流成本。（一）构建物流信息共享互通体系发挥互联网信息集聚优势，聚合各类物流信息资源，鼓励骨干物流企业和第三方机构搭建面向社会的物流信息服务平台，整合仓储、运输和配送信息，开展物流全程监测、预警，提高物流安全、环保和诚信水平，统筹优化社会物流资源配置。构建互通省际、下达市县、兼顾乡村的物流信息互联网络，建立各类可开放数据的对接机制，加快完善物流信息交换开放标准体系，在更广范围促进物流信息充分共享与互联互通。（二）建设深度感知智能仓储系统在各级仓储单元积极推广应用二维码、无线射频识别等物联网感知技术和大数据技术，实现仓储设施与货物的实时跟踪、网络化管理以及库存信息的高度共享，提高货物调度效率。鼓励应用智能化物流装备提升仓储、运输、分拣、包装等作业效率，提高各类复杂订单的出货处理能力，缓解货物囤积停滞瓶颈制约，提升仓储运管水平和效率。（三）完善智能物流配送调配体系加快推进货运车联网与物流园区、仓储设施、配送网点等信息互联，促进人员、货源、车源等信息高效匹配，有效降低货车空驶率，提高配送效率。鼓励发展社区自提柜、冷链储藏柜、代收服务点等新型社区化配送模式，结合构建物流信息互联网络，加快推进县到村的物流配送网络和村级配送网点建设，解决物流配送最后一公里问题。视觉人工智能行业（一）视觉人工智能技术发展历程1、计算机视觉的定义计算机视觉技术赋予计算机人类双眼所拥有的分割、分类、识别、跟踪、判别等功能，通过构造多层的神经网络，识别不同层级的图像特征并在顶层做出判断和分类。2、计算机视觉的发展历程计算机视觉主要经历了以上三个发展阶段。伴随着同期互联网海量数据的爆发，各类数据集成为计算机视觉技术发展的土壤，而深度学习和深层神经网络理论最终带来最新一次的技术变革。2015年，视觉人工智能系统识别项目ImageNet比赛中，ResNet以3．57%的识别错误率首次超越人类视觉的5．1%。目前人脸识别准确率已经提升至97%以上。（二）视觉人工智能产业链简介与人工智能市场的产业链相似，视觉人工智能市场的产业链同样分为基础层、技术层与应用层。其中，基础层主要包括提供算力的芯片与提供信息采集功能的前端设备组成的硬件支持、相关底层技术支持，与海量信息数据；技术层则主要包括基于各类识别技术构建的软件产品、解决方案和技术平台；应用层则包括了各类视觉人工智能的应用场景。（三）视觉人工智能行业市场规模与行业构成作为人工智能产业中应用最为广泛的技术之一，计算机视觉技术拥有前景广阔的庞大市场。在2017年的爆发式增长后，我国计算机视觉市场近几年的增长趋缓，但仍处于较高水平。根据高工产研机器人研究所的数据，2019年中国计算机视觉应用市场达14．56亿美元。而根据沙利文咨询出具的研究，2019年中国计算机视觉市场规模达到219．6亿元。目前，视觉人工智能被广泛应用于各个行业，包括安防、零售、营销、医疗等等。其中，根据亿欧数据的研究，2018年中国计算机人脸识别市场中安防场景的应用占61．2%，根据前瞻研究院数据，2020年中国计算机视觉应用层份额中，安防影像分析占67．9%，国内明确的应用场景和强大的客户需求让AI技术在安防行业快速落地。在安防行业，视觉人工智能的应用场景包括门禁、智能摄像头等，依托人像识别技术，安防排查和管理效率得到显著提升。同时，根据中科院发布的《2019年人工智能发展白皮书》等，目前计算机视觉技术除了安防之外，较为典型的应用场景还包括：自动驾驶汽车需要使用计算机视觉技术。特斯拉等汽车制造商已经通过摄像头、激光雷达、雷达和超声波传感器从环境中获取图像，研发自动驾驶汽车来探测目标、车道标志和交通信号，从而安全驾驶。由于90％的医疗数据都是基于图像的，因此医学中的计算机视觉有很多用途。比如启用新的医疗诊断方法，分析X射线，X光检查，AI诊疗等。计算机视觉技术可以帮助工业制造商更安全、更智能、更有效地运行，比如预测性维护设备故障，对包装和产品质量进行监控，并通过计算机视觉技术识别和减少不合格产品。传统翻译采用人工查词的方式，不但耗时长，而且错误率高。图像识别技术的出现大幅提升了翻译的效率和准确度，用户通过简单的拍照、截图或划线就能得到准确的翻译结果。（四）视觉人工智能技术的场景应用举例视觉人工智能目前被广泛应用于多个行业，其功能和应用涉及到数据采集端终端，数据传输，数据存储、处理和输出端云端，通过云端和终端的密切配合，最终实现有效结果的输出。以安防场景为例，在一个完整的端云架构中，终端IoT设备主要用于数据采集，例如摄像机通过拍摄视频来采集数据，然后终端设备通过传播介质将数据传输至云端，再由云端进行批量的分析处理，最后输出分析结果。由于终端设备需要更多地考虑功耗和成本，过去在端侧仅部署较小的算力，更依靠云侧算力的支持。在数据呈现指数级增长的今天，一方面终端的视频流数据快速增长加重了传输渠道的负载，导致原有带宽无法支撑数据的及时、有效传输，进而影响了云端算力的科学调度；另一方面，数据量的指数级增长大幅提高了云端对并行运算数据峰值的要求，云侧的部署成本随着数据处理需求的极值增长而显著提高，但在数据处理的―平峰期，云端算力将存在无法得到充分、有效运用的情形。为了更好地平衡云侧和端侧的算力分布，实现整体效率的最大化，目前通过提升端侧和边缘侧的智能化水平和算力，实现整体算力分布的前置成为行业的新趋势。通过将部分算力和分析程序前置到终端设备，终端可以实现对数据的预处理，仅需将部分特征数据传至云端，甚至在本地完成对数据的完整分析。通过分布式算力部署，端侧设备形成的数据处理集群逐步向云侧设备融合。随着系统架构的不断优化，一方面这将增加有效算力，缓解带宽压力，减少设备的成本投入，另一方面数据的本地处理也能有效规避云侧分析带来的数据安全、隐私保护等风险。随着端侧芯片能够灵活支持更多算法，在云端集中的算力部署也将更加合理，最终实现―端云协同的协同效应，即架构内算力、成本、时延、功耗的最优平衡。为实现这一效果，端侧对芯片的兼容性和灵活性有更高的要求，在控制成本和功耗的同时提升算力，从而实现云端部署和应用场景的灵活适配。人工智能芯片行业人工智能芯片指应用在人工智能算法加速，主要实现大规模并行计算的芯片。而在更广泛的概念下，任何应用在人工智能领域的芯片都可被称为人工智能芯片。（一）人工智能芯片以技术路线分类深度学习架构下的人工智能芯片以技术路线进行划分，主要包括GPU、FPGA、ASIC、ASIP等类别。GPU使用SIMD让多个执行单元同时处理不同的数据，其离散化和分布式的特征，以及用矩阵运算替代布尔运算的设计使之适合处理深度学习所需要的非线性离散数据。与同样基于冯•诺依曼架构的CPU不同的是，在传统的冯•诺依曼结构中，CPU每执行一条指令都需要存储读取、指令分析、分支跳转才能进行运算，从而限制了处理器的性能；而GPU大部分的晶体管可以组成各类专用电路、多条流水线，运算单元明显增多，适合大规模的并行计算。GPU拥有更多的ALU用于数据处理，这样的结构适合对密集型数据进行并行处理，获得高于CPU几十倍甚至上千倍的运行速度。在云端，通用GPU，被广泛应用于深度神经网络训练和推理。但是，GPU并非专门针对AI算法，在执行算法中能耗相对较高、效率相对较低，有一定的时延问题。FPGA利用门电路直接运算，而用户可以自由定义这些门电路和存储器之间的布线，改变执行方案。其基本原理是集成大量的基本门电路以及存储器，通过大量的可编程逻辑单元实现针对性的算法设计，即实现以硬件定义软件。FPGA通过可编程逻辑综合，在并行计算上能够获得和GPU接近的并行计算性能，相比CPU，有明显的性能提升，同时在功耗上优势明显在深度学习算法仍处于高速迭代的状态下，FPGA因其可重构特性而具有显著优势。FPGA市场化的阻碍主要在于高昂的硬件和开发成本，编程相对复杂，为实现重构而降低了计算资源占比，整体运算能力受到影响。ASIC则为专用定制芯片的统称，在架构、设计、成本等方面存在更大的多样性，其中VPU是为图像处理和视觉处理设计的定制芯片。ASIC的架构相对简单，性能和功耗与通用型产品相比更低。由于不需要包含FPGA用于实现重构的可配置片上路由与连线，相同工艺的ASIC计算芯片可以拥有FPGA5-10倍的运算速度，实现PPA最优化设计。ASIC针对场景的定制化设计使其更适合终端推理场景，而如今它的主要劣势在于初期设计的资金投入和研发周期，且针对性设计限制了芯片的通用性。ASIP是一种新型的定制化指令集的处理器芯片，它为某个或某一类型应用而专门设计，通过权衡速度、功耗、成本、灵活性等多个方面的设计约束，设计者可以定制ASIP以达到最好的平衡点，从而适应嵌入式系统的需要。ASIP集合了FPGA和ASIC各自的优点，不仅可以提供ASIC级别的高性能和低功耗，还能提供处理器级别的指令集灵活性，实现可重新编程，更适用于需求尚未被明确定义、需要芯片具备一定通用性和可编程性的应用场景，从而满足AI算法快速更新迭代的需求，并延长芯片的使用生命周期。相对GPUCPU具备同等的指令集灵活性，执行效率、功耗、能量效率方面相比CPU、GPU有1-2个数量级的优势。相对DSP在视觉人工智能算法上的执行效率上高2-5倍，功耗只有其1/2-1/3。相对ASIC具有后向算法可编程的灵活性，更适合深度学习AI算法的演进和迭代部署。相对FPGA具有高性能、低成本的优势，成本方面有百倍级的成本优势。未来，类脑芯片的神经拟态计算将带来更大的想象空间，其内存、CPU和通信部件将集成为一体，信息处理可以在本地进行。类脑芯片的设计目的也将不局限于加速深度学习算法，而是在芯片结构甚至器件层面上改变设计，开发出全新的类脑计算机体系结构。目前此项技术还尚未得到大规模应用，但很有可能成为行业内长期发展的路径和方向。（二）人工智能芯片行业市场规模与行业构成市场规模方面，AI芯片的需求正在快速扩大，根据艾媒咨询的预测，全球AI芯片市场规模将在未来五年内飙升，预计将从2019年的110亿美元增长至2025年的726亿美元。赛迪顾问则预测中国AI芯片市场规模将从2019年的124．1亿元增长至2021年的305．7亿元，预计未来几年仍将以超过50%的速度快速增长。根据赛迪数据报告，从行业结构分布来看，在2021年安防行业是AI芯片落地应用的最大市场，市场规模达到51．1亿元，占比16．72%。其余用途比较广泛的场景还包括零售、医疗、教育、制造、金融、物流、交通等领域。根据应用场景，AI芯片可分为云端芯片、边缘端芯片和终端芯片，再根据功能可分为训练芯片和推断芯片。近年来，宏观政策的大力支持和人工智能的普遍应用促进了AI芯片市场的高速扩张。赛迪顾问预测，2021年我国AI芯片市场规模将达到305．7亿元，2019至2021年市场规模的年化增长率均超过50%。尤其对于终端推断芯片市场，随着人工智能应用生态的逐步建立，AI应用将被更为广泛地部署在终端设备，其市场规模年化增长率将保持在60%以上。而根据甲子光年的统计，2020年中国云端AI芯片的市场规模可以达到111．7亿元，边缘与终端芯片为39亿元。但人工智能在安防、家居、商业等应用领域的大规模落地为边缘与终端芯片带来了更大的市场契机，该市场2018至2023年复合增长率将达到62．2%。人工智能行业发展情况和未来发展趋势（一）视觉人工智能在新技术方面的发展情况和未来发展趋势近年来，视觉人工智能的多数研究都集中在深度学习、检测和分类面部/手部/姿势、3D传感技术等方面。随着识别准确度的提升空间趋小，研究重心将逐渐转向技术协同、融合与应用。在视觉人工智能领域内，将终端设备演进为小型数据中心集群，并与云端高效协同将成为研究重点之一。终端设备的铺设和数据量的增长将使面向云端的传输压力倍增，这要求端侧完成部分云侧的图像处理功能。而在终端逐渐提高的算力要求，例如更加准确的实时识别，也需要端云架构的协同整合。在识别技术趋于成熟的今天，端云的深度结合与协同将成为识别技术的重要依托，如何将两侧的架构进行不断耦合优化也将不会局限于计算机视觉技术，而成为人工智能技术层共同探索的方向。目前，业内的部分研究也在突破对识别准确度的单一聚焦，转向更加综合的计算机视觉问题，图像描述、事件推理、场景理解等。未来，视觉人工智能将与其他的智能技术协同融合，评判因素也将由准确性延伸至识别的灵活性、推测的合理性。例如，融合自然语言处理技术来完成图像描述，将图片翻译为一段文字。而事件推理则是通过识别复杂视频中的因果关系，并基于因果关系给出合理推测。未来，安防领域可运用这项技术，建立端到端的时间推理系统，从而帮助提升案件侦查效率，改善治安管理效果。场景理解则通过由自身传感器收集的环境感知数据，获得周边场景的几何/拓扑结构、构成要素与时空变化，并进行语义推理甚至决策出未来时间内的运动走向。该项技术有广大的潜在市场亟待渗透，未来随着数据集的不断拓展和自监督学习，视觉人工智能的交互性和通用性将大大增强，为各种行业所用。技术的协同和融合将进一步积累针对多样化场景的解决方案，而更加广泛、密集的应用又将推动技术的不断迭代。海量数据、多种技术的交互作用有利于最终构成完整的技术赋能平台，持续的整合和创新将不断扩展视觉人工智能的技术边界，转化为下一阶段的产业化能力和平台化能力。（二）视觉人工智能在新产业、新业态方面的发展情况和未来发展趋势视觉人工智能技术不仅能够带来生产效率的提升，也会催生新产业及新商业模式，推动多行业产业链的重构。视觉人工智能技术产业化落地应用程度不断提高，在智能手机、智能汽车、智慧安防、智慧家居、智慧保险、智慧零售、互联网视频等领域均有广泛的应用，并形成了全新的产业链条与商业经营模式。可以预见，随着视觉人工智能技术不断发展，行业应用解决方案的建立和完善，以及政府对视觉人工智能行业的政策扶持，视觉人工智能技术将进一步渗透，助力各应用行业解决行业痛点，提高运营效率，实现行业转型和升级。1、视觉人工智能在智慧城市管理领域的发展情况在智慧城市管理领域，随着数亿个传感器被嵌入进城市里的各种设备，政府可以利用云端技术，提高对交通和街道的公共管理能力。以安防领域的治安管理业务转型为例，在重点场所布控的系统可以进行实时监控，将公安机关的事后侦查转型为主动预警预防。城市作为人工智能落地的综合载体，近年来获得了视觉人工智能技术全方位的渗透，不断挖掘新的需求与应用场景。以物流分拣为例，过去城市主要依靠人工分拣和配送，随着视觉人工智能和物联网的深度融合，物流分配逐渐走向数字化和自动化，这将极大地降低城市管理成本，优化城市管理效果。2、视觉人工智能在智慧社区管理领域的发展情况智慧社区领域则是智慧城市管理的延伸，通过将城市的管理理念引入社区单元，管理者可以通过完善基层信息化平台支持智慧城市的顶层建设。过去的社区主要依靠人力管理社区人流、物流、信息流，整体管理处于相对割裂的状态，在社区扩容和流动人口激增的背景下难以实现实时、主动的管理。在智慧城市的框架下，视觉人工智能与物联网、云计算、大数据深度融合，在物业管理、社区安全、便民服务等多个细分场景进行应用，例如出入人员记录、街道楼栋管理、留守老人关注服务等，提升物业管理和服务水平。3、视觉人工智能在智慧家居领域的发展情况在智慧家居领域，视觉人工智能有助于提升人与智慧家居产品的交互体验，构建以住宅为平台，基于物联网技术，由智能硬件、智能软件系统、云计算平台构成的家居生态圈。视觉人工智能最终能够实现人远程控制设备、设备对人的生物特征识别和适配、设备间互联互通、设备自我学习等功能，并通过收集、分析用户行为数据为用户提供个性化生活服务，使家居生活更加安全、舒适、节能、便捷。4、视觉人工智能在智慧零售领域的发展情况在智慧零售领域，从当前市场环境来看，线上线下融合、消费闭环是零售业的未来发展方向。从零售企业经营看，不断上涨的人工成本是制约企业盈利增长的主要瓶颈，少人化、无人化无疑是削减人力成本的重要方向。例如，商品识别在无人便利店、智能零售柜等场景的应用不仅有效降低了识别误差率，也对线下零售的人员结构进行优化，让员工的工作重心由重复性基础劳动转向会员管理和运营优化，提升运营的效率和效果。另一方面，围绕不同消费群体和消费场景的产品和服务也对未来零售的运营管理提出了更高的要求，而更精细的数据采集与定制化分析为运营管理优化提供了支持。零售企业可以将视觉人工智能、大数据、物联网等技术应用到零售区域划分、客户动线分析、客户属性分析等场景，更全面、准确、迅速地了解顾客需求，增强消费者体验。同时，这些应用有助于供应链改造和供给侧优化，为企业降本增效，更好地实现消费场景线上线下融合，构建智能数字化管理体系。互联网+创业创新充分发挥互联网的创新驱动作用，以促进创业创新为重点，推动各类要素资源聚集、开放和共享，大力发展众创空间、开放式创新等，引导和推动全社会形成大众创业、万众创新的浓厚氛围，打造经济发展新引擎。（一）强化创业创新支撑鼓励大型互联网企业和基础电信企业利用技术优势和产业整合能力，向小微企业和创业团队开放平台入口、数据信息、计算能力等资源，提供研发工具、经营管理和市场营销等方面的支持和服务，提高小微企业信息化应用水平，培育和孵化具有良好商业模式的创业企业。充分利用互联网基础条件，完善小微企业公共服务平台网络，集聚创业创新资源，为小微企业提供找得着、用得起、有保障的服务。（二）积极发展众创空间充分发挥互联网开放创新优势，调动全社会力量，支持创新工场、创客空间、社会实验室、智慧小企业创业基地等新型众创空间发展。充分利用国家自主创新示范区、科技企业孵化器、大学科技园、商贸企业集聚区、小微企业创业示范基地等现有条件，通过市场化方式构建一批创新