政策驱动下，中国人工智能发展迎来黄金时期中国始终强调科技兴国的重要性。数字经济时代，技术的力量更为凸显。近年来，中国政府相关部门相继发布一系列政策，更加明确了人工智能对于提升中国核心竞争力的重要支撑作用，加上新基建、数字经济等持续利好政策的推动，中国人工智能市场保持平稳增长。
IDC预测，2022年中国人工智能市场相关支出将达到130.3亿美元，有望在2026年达到266.9亿美元，2022至2026年年复合增长率达19.6%。
加速技术行业落地、推进优化治理是中国人工智能相关政策的核心目标方向：加速技术的行业落地：《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（简称“十四五”纲要）指出要推动互联网、大数据、人工智能等同各产业的深度融合。
基于此，各省市纷纷布局打造示范应用行业和场景，推进人工智能与产业融合。2022年《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》（简称《意见》）发布，《意见》为各地方和各主体加速人工智能行业和场景化落地提供指引，指出制造、农业、物流、金融、商务、家居等重点行业可深入挖掘，“促进智能经济高端高效发展，以更智能的城市、更贴心的社会为导向，在城市管理、交通治理、生态环保、医疗健康、教育、养老等领域持续挖掘人工智能应用场景机会，开展智能社会场景应用示范”，并鼓励科研机构及高等院校加大对于人工智能技术研究、开发及应用的投入力度。
在人工智能算力及应用方面有以下趋势
一、芯片：需求日益增长，发展空间广阔
全球人工智能技术发展逐渐成熟，数字化基础设施不断建设完善，人工智能产业技术不断提升，产业商业化应用加速落地，推动全球人工智能芯片市场高速增长，IDC预计，到2025年人工智能芯片市场规模将达726亿美元。IDC全球范围调研显示，人工智能芯片搭载率（attach rate）将持续增高，目前每台人工智能服务器上普遍多配置2个GPU，未来18个月，GPU、ASIC和FPGA的搭载率均会上升。
二、服务器：中国市场领跑全球，绿色节能引领未来
人工智能服务器仍是人工智能市场增长的主力军。IDC数据显示，2021年全球人工智能服务器市场的同比增速超过全球整体人工智能市场的增速，是整体人工智能市场增长的推动力。IDC发布的《全球人工智能市场半年度追踪报告》显示，2021年全球人工智能服务器市场规模达156.3亿美元，约合人民币1,045亿元，这是全球年度人工智能服务器市场首次突破千亿元人民币，同比2020年增速达39.1%。其中，浪潮信息、戴尔、HPE分别以20.9%、13.0%、9.2%的市占率位列前三，三家厂商总市场份额占比达43.1%。未来五年，人工智能服务器市场将继续高速增长，预计2026年全球人工智能服务器市场规模将达到347.1亿美元，五年复合增长率为17.3%。
三、计算架构：以系统创新为基础，支持多元算力发展
深度学习是典型的多迭代计算类工作负载，庞大的计算力是催生业务价值的必要条件。在通用算力技术演进节奏放缓的大背景下，针对特定问题或特定领域来定义计算架构成为市场的普遍诉求，基于DSA（Domain-Specifific Architectures）思想设计的人工智能芯片，在特定人工智能工作负载上表现出远超通用芯片的处理能力，大大推动了人工智能芯片的多元化发展，并为产业AI化的加速提供了重要的产业基础和更加丰富的选择。
四、云服务：市场规模稳步提升，算力设施提供强力支撑
云计算的出现为企业提供更丰富的算力支持。通过aaS（asaService）服务提供AI平台和AI服务，因其快速的产品迭代能力和丰富的场景化人工智能能力，越来越被用户接受。2021年全年，人工智能公有云服务市场规模达到44.1亿元人民币，占整体人工智能软件市场的13.4%。从年增长率来看，人工智能公有云服务市场的增长速度仍然远远超过人工智能软件整体市场的增长速度。而在未来2-3年内，IDC还观察到私有化部署仍将是整个人工智能市场的主流。
五、算法模型：加速大模型行业落地，助力实体经济发展
大模型是在智算算力驱动下最为典型的重大创新。得益于模型泛化能力强、长尾数据的低依赖性以及下游模型使用效率的提升，大模型被认为具备了“通用智能”的雏形，并成为业内探索实现普惠人工智能的重要途径之一。大模型的技术基础是 transformer 架构、迁移学习和自监督学习，transformer架构应用于NLP领域并取得了突破性进展，其在视觉任务上也同样证明了有效性。从算力的视角看，语言类、视觉类模型容量和相应的算力需求都在快速扩大，大模型发展的背后是庞大的算力支撑。如果用“算力当量”（PetaFlops/s-day，PD），即每秒千万亿次的计算机完整运行一天消耗的算力总量，来对人工智能任务所需算力总量进行度量，AI+Science领域的AlphaFold2、自动驾驶系统、GPT-3等模型训练需要几百甚至几千PD的算力支持，如GPT-3训练需要3,640PD的算力。
六、生态：推进产业化布局，发挥平台价值
技术创新的价值是提升效率，产业AI化的目标就是通过人工智能技术的应用来提升垂直行业研发、生产、运营等环节的效率，并产生更大范围的经济价值和社会价值。不过，人工智能目前还是新兴技术，技术供应商在实施产业AI化时仍面临诸多挑战，包括市场对人工智能技术的理解程度、供应商技术和商业能力是否成熟、如何在精细化落地的基础上实现快捷高效的部署，都会影响人工智能技术在产业内的实际落地效果。
通常来讲，推动某一类新兴技术应用走向成熟的基本路径和逻辑，是在产业发展初期，通过协同平台对多元市场主体的标准化是技术规模化应用的必要前提，但对于目前的人工智能技术及基础架构来说，定制化的工作量依然很大，主要集中在包括多元人工智能芯片适配、人工智能算力资源管理和调度、数据整合及加速、深度学习开发环境部署等各个方面。
七、应用：场景化落地纵深发展，加速智算力向创新力转化
中国人工智能算力为人工智能的持续创新发展提供支撑。
目前医疗场景应用：赋能诊断治疗，加速科研探索 人工智能进入医疗领域的机会和挑战 按照人工智能进入医疗的领域来区分，主要分类是药物研发、诊疗、影像识别、手术机器人和健康管理5大方向。但从实践来看，药物研发领域虽有一些进展，但离真正规模化仍有一定距离，而诊疗领域的工具属性更强，对医疗的作用只具备信息化附属的角色。过去5年吸引市场的领域是AI解决方案（以影像识别为主）、手术机器人和健康管理这三大类。 对这三者进行分析可以通过四个角度：监管属性、实用性、迫切性和可持续性。 首先，从监管属性来看，都是按照医疗器械来获得监管许可，但是只有手术机器人是真正依赖医疗器械和耗材来走通商业模式的，其他都是比照器械来获得监管许可，但实际上并不是依靠医疗器械本身来获得发展，而是更偏向医疗信息化的院内和院外模式。影像识别类似院内影像科购买系统进行信息化能力提升，而数字疗法则类似借助信息化软件进行专科的院外随访和康复管理。从监管准入角度来看，医疗器械和耗材模式是成熟商业模式，且客单价较高；而面向专科的信息化软件模式的客单价较低，市场规模的增长依赖跑量。至于面向院外的健康管理则连商业模式的逻辑都无法成立。 其次，从实用性来看，手术机器人和影像识别的实用性较强，用户主要为医院科室，有着较为明确的采购需求。而数字疗法的疗效目前只是在试验中获得了证明，但由于始终没有获得大基数的用户，其实用性存疑。由于需要医生开具处方且主要面向院外C端客户，数字疗法的使用场景无法像前两者那样创造出一个具有迫切性的刚需场景，一切都掌握在个人的主观意愿上，可持续性偏弱。 再次，迫切性决定支付能力和意愿，迫切性低会导致支付意愿低，反之就高。从支付意愿来看，手术机器人的迫切性较高，支付意愿度较高，但影像识别的迫切性并不强，数字疗法的迫切性更弱，支付意愿更低。从支付能力来看，医院采购设备的资金最充足，市场接受度也最高，手术机器人的销售面临的挑战是政策准入而不是支付能力。影像识别仅限于影像科，经费相对有限，因此支付能力明显受限。而且影像识别提供的服务更类似信息化软件，难以提高客单价。至于数字疗法，C端自费支付能力始终是大问题，难以推动产业商业化，必须依赖支付方，但支付方需要看到明确的疗效和成本控制，这点数字疗法并不具备，也难以获得商业化所需的规模。 最后，从可持续性来看，商业模式能否持续满足客户需求和支付能力是关键，手术机器人和影像识别主要依赖医院采购，可持续性能力较强，但数字疗法依靠C端自费，难以获得稳定的市场规模，可持续性较弱。 来自未来规模化的挑战？ 从本质上来说，影像识别对医生的帮助更多是效率上的，但与类似电子病历等全局性的信息系统不同，医疗机构对局部效率提升的急迫性并不强。因此，医疗机构的支付意愿并不强的前提下，影像识别产品的定价只能类比专科化的信息系统，难以与大型医院信息化系统比肩。在需求意愿有限和定价难以提升的市场环境下，影像识别的商业化面临很大的局限。 而另一方面，影像识别是一个重人力的服务，需要投入大量人力去做生物标志物，这大幅度推高了公司的成本，每获得1元收入所投入的成本要远远超过1元，这样的商业模式只能依靠不断融资支撑。与传统互联网公司不同，由于是一个完全2B的市场且客单价较低，影像识别公司缺乏快速规模化的可能性，很难长期烧钱来发展。 而手术机器人面向的领域虽然较窄，目前成熟的主要是腹腔，以泌尿外科和普外科为主，骨科类的规模化仍需时日，但由于能够解决医生的痛点，大幅提高手术的精度和效率，在经过了数年的市场培育期之后，获得了明显的发展。由于客单价较高，拥有一定自费用户的基础，随着部分地区医保纳入之后，手术机器人将获得明显的增长。 但是，手术机器人市场仍然缺乏有体量的国产品牌。虽然目前有较多产品线在研发和临床试验，但真正能够规模化的手术机器人产品还较为匮乏。手术机器人是一个长周期发展的商业模式，但打开医院市场的销售渠道必须紧密配合产品开发进行，否则很容易形成有产品而没有市场的局面，并一拖多年，产生不了现金流，一直需要融资输血。 而人工智能在健康管理领域的体现主要是数字疗法。数字疗法并不是新产品，更多是采用了软件加硬件的模式将原有的产品重新包装。与影像识别和手术机器人不同，数字疗法更多是面向个人。人工智能的本质是提高效率和技能并降低成本，但数字疗法并没有体现出这一点。虽然数字疗法在试验阶段展示了其能够对慢病或精神健康疾病进行有效治疗和管理，但从实践来看，其实际效果仍然存疑。这导致医保和商保作为支付方仍然非常谨慎，直接去覆盖数字疗法的意愿度非常低，降低了其快速规模化的可能性。 当然，人工智能在数字疗法上主要的优势在其算法，通过不断调整用户数据来推动算法具备更精准，从而提高用户的健康水平。但是，正如影像识别一样，必须投入高人力，依靠大样本才能开发出准确率更高的算法。当前的数字疗法却采取药品的研发模式，只是在院内对小规模人群进行试验。当这样的数字疗法产品上市后，用户的使用率和续约率并不高，作为头部的Pear Therapeutics的处方实际调剂率只有50%，处方实际支付率只有25%，这极大的制约了其规模化的可能性。 因此，如果从商业模式的潜力来辨别，用户需求的迫切性、支付意愿和能力以及可持续性是判断其未来能否获得真实发展的关键。从市场趋势来看，手术机器人的商业模式已经成熟，但受制于技术的能力，未来的规模取决于技术成熟度和成本控制力。而以影像识别为主的AI解决方案的商业模式仍不成熟，未来能否真正规模化受制于是否能找到新的刚需性应用场景和医院的支付意愿的提升。数字疗法则还不存在清晰的商业模式，市场仍将继续探索。
