我国人工智能产业发展形势展望.docx

《我国人工智能产业发展形势展望.docx》由会员分享，可在线阅读，更多相关《我国人工智能产业发展形势展望.docx（8页珍藏版）》请在优知文库上搜索。

1、我国人工智能产业发展形势展望【内容提要】2024年，全球人工智能产业持续发展，我国人工智能产业整体呈稳步增长态势，市场规模不断扩大，应用领域广泛拓展。展望2025年，全球人工智能有望迎来行业应用大爆发，人工智能赋能工业等重点行业进一步“走深向实”。值得注意的是，人工智能赋能工业门槛仍较高、初创公司面临生存压力、投入与营收鸿沟巨大、训练范式边际效应渐减等问题亟待解决。为此，赛迪研究院建议推进赋能应用提升市场认知，加强服务支撑鼓励良性竞争，推动降本增效提升盈利水平，拓宽数据渠道创新模型范式。【关键词】人工智能产业发展形势展望2024年，全球人工智能产业持续发展，应用领域广泛拓展，市场规模不断扩大，

2、预计2024年全球人工智能市场规模将达到16377亿元，同比增长37.9%,我国人工智能核心产业规模将突破6000亿元。大模型作为推动人工智能加速发展的核心技术产品，其市场潜力正在加速彰显。人工智能发展仍然面临赋能工业门槛较高、初创公司生存压力、投入与营收鸿沟巨大、训练范式边际效应渐减等问题和挑战。展望2025年，人工智能发展有望迎来行业应用大爆发，塑造未来产业新模式、新业态，推动社会经济全面升级。一、对2025年形势的基本判断（一）人工智能产业规模将持续稳步增长当前全球和我国的人工智能产业均处于稳步增长期，市场规模持续扩大，其中，大模型作为推动人工智能加速发展的关键技术产品,其市场潜力不容小

3、觑。据工业和信息化部数据，截止2024年9月，我国人工智能核心产业规模接近6000亿元，相关企业超过4500家。据PrecedenceResearch预测，2024年全球人工智能市场规模将达到1.6万亿元，同比增长37.9%。以大模型为代表的生成式人工智能发展尤为突出，据钛媒体国际智库报告，预计2024年全球人工智能大模型市场规模将突破280亿美元,我国大模型市场规模将达216亿元。美国SAS大数据平台发布报告称，当前中国生成式人工智能应用率高达83%,超过英美，居全球首位。展望2025年，全球人工智能发展有望迎来行业应用大爆发。据PrecedenceResearch预测，2025年全球人工智

4、能市场规模将达到2.3万亿元，同比增长38%。据前瞻产业研究院预测，2025年中国人工智能市场规模将超7000亿元，行业大模型仍将成为2025年人工智能发展的前沿热点。（二）人工智能赋能工业等重点行业将进一步“走深向实”人工智能正全方位、深层次赋能新型工业化，成为新型工业化的重要推动力。一方面，人工智能正从赋能工业研发设计、营销服务、运营管理等环节先行，逐步深入到赋能工业中试验证和生产制造环节,优化生产计划和资源配置，支撑高端装备、关键软件、智能终端全方位升级，显著提升产业发展质量效益，通过改进工艺流程、提高设备运转效率、优化能源使用策略，有效推进工业绿色低碳发展。各地正通过推进共性技术平台建

5、设、开展供需对接会等形式，加快推动人工智能赋能新型工业化。同时，人工智能正从营销、销售、IT等重点环节深入渗透赋能各行各业。2024年生成式AI商业落地白皮书指出，生成式人工智能正从营销(78%)、销售(79%)到IT(62%)、研发(34%)等环节，逐步渗透其在汽车、消费等领域的应用。展望2025年，人工智能技术有望在研发设计、产品优化、服务延伸等方面实现更深层次的融合创新，在智能制造、工业元宇宙、医疗服务等新兴领域实现重要突破，推动新业态、新模式经济加速发展。(三)开源、闭源大模型双线竞争将推动模型能力持续突破全球大模型性能正持续快速提升。以GPT系列为例，2024年5月GPT-4o在主要

6、评测指标MMLU上的得分达87.2%,较GPT-3提升44个百分点。同时，开源和闭源模型形成了双线竞争态势。一方面，闭源模型持续引领技术前沿。OpenAI的GPT系列、Anthropic的Claude系列等在泛化能力、推理能力等方面不断取得突破，占据第一梯队。国内百度、智谱等头部企业的最新模型性能也已基本逼近GPT-4水平;另一方面，开源模型已在多个基准测试中展现出接近顶尖闭源模型的能力。Meta研发的Llama系列等开源模型通过开放社区协作、提升算法透明度等方式快速追赶。国内阿里QWen、百川智能BaiehUan系列等也已成为推动全球开源模型进步的重要力量。展望2025年，随着算法创新和算力

7、提升，大模型性能将继续突破，开源与闭源模型将保持互相博弈和竞争的格局，闭源模型将继续突破技术边界，开源模型则将凭借灵活定制、成本优势在垂直场景加速落地，两者共同推动大模型在各行业领域深化应用，为经济高质量发展提供强劲动力。(四)大模型应用将从云端向终端设备延伸一方面，云计算业务加速向MaaS转型。微软推出AzureOpenAI,谷歌推出VertexAI,国内阿里、百度、字节跳动等均已推出基于自有云服务的MaaS,将大模型能力部署在云端，或以私有化部署方式提供给企业用户。CanaIyS发布最新报告称，今年三季度客户对超大规模企业人工智能产品投资推动全球云基础设施服务支出同比增长21%,达820亿

8、美元。另一方面，大模型应用正以智能体(AlAgent)的主流形式赋能终端设备。11月初，李彦宏在百度世界大会上称智能体是大模型应用的最主流形态，即将迎来爆发点。智能体将重塑手机、PC等终端应用生态。继苹果在WWDC上发布APPIelnteIligenCe后，华为、小米等手机相继上线AIAgent,手机应用生态将从以应用商店+APP的模式转变为AgentStore+Agent的模式。谷歌也将Gemini大模型内置在其云端办公套件WOrkSPaCe中。同时，大模型正推动具身智能的感知、决策、控制等技术加速迭代。特斯拉完全自动驾驶技术(FSDVI2)由一个大模型实现从感知到控制的端到端架构。英伟达发

9、布基于ProjectGROOT人形机器人通用模型的ISSaC机器人平台。展望2025年，一方面，上云率将因大模型降价等趋势进一步提升，如，字节、阿里云、百度等已相继宣布降价策略。另一方面，大模型将进一步拓展在AR/VR智能眼镜、智能家居等设备端的应用，如小度Al眼镜将于2025年上半年上市，苹果将于明年3月推出Al智能居家设备。二、需要关注的几个问题（一）人工智能赋能工业门槛仍较高，市场认知延缓应用落地一是工业场景多样性、复杂性等特点拔高人工智能赋能应用门槛。工业生产制造等核心场景精度高、容错率低，各细分行业的流程环节高度差异化，当前生成式人工智能对行业专业知识理解不足，且本身在可靠性、可解释

10、性方面难以胜任，无法在各种情境下都能持续提供准确、一致、真实的结果，难以规模化复制和推广。例如，一项针对99个工业大模型应用案例的统计数据显示，大模型在研发设计和经营管理领域的应用相对更多，而在生产制造环节的能力和性能还需进一步提升。二是市场对生成式人工智能行业应用的认知存在顾虑过高和预期过高等偏差现象,可能引起管理者对生成式人工智能技术应用的抵触或失望，难以在落地应用过程中实现经济性、泛化性和专业性的平衡，影响生成式人工智能模型的行业应用与推广。（二）初创公司生存空间面临挑战，主体分布愈加集中一方面，生成式人工智能模型的创建和维护成本高昂，新玩家进入该赛道的门槛不断抬升,在大型科技公司的巨额

11、投入面前很难保持竞争力。例如，今年5月，百度、阿里、腾讯、字节等大厂连番掀起大模型价格战，抢占市场先机，对于一些无法承受持续低价竞争的初创企业，一旦资金跟进乏力，将失去持续发展的能力。另一方面，大量人工智能初创企业因独立发展空间有限进而寻求并购，引发市场资源加速向头部聚焦。如，2024年以来硅谷人工智能领域多家明星公司被巨头收购，3月，人工智能应用公司Inflection团队被微软以6.5亿美元收购；6月，开发人工智能驱动的AdePt团队被亚马逊收购；8月，聊天机器人初创公司Character,ai模型授权被谷歌以25亿美元获得。止匕外，还有更多的人工智能独角兽被曝正在寻求并购,人工智能领域面

12、临巨头主导的行业整合。（三）投入与营收存在巨大鸿沟，变现路径仍待明晰一方面，基础设施和研发投入较为突出，投资收益差距较大。人工智能投资收益差距主要源于基础设施成本高、研发周期不确定、技术创新与应用落地脱节等问题。根据红杉资本近期调研，现阶段人工智能基础设施投入与产出之间的倒差已从1250亿美元拉大至5000亿美元。以全球生成式人工智能领军企业OPenAl为例，据纽约时报预测，其2024年亏损将高达50亿美元。另一方面,收入模式不清晰，变现面临困难。生成式人工智能企业尚未形成成熟的盈利模式。当前,生成式人工智能企业加快探索订阅服务、数据分析、销售广告等潜在商业模式，但运作并不顺畅。据统计，当前超

13、过八成的人工智能产品都向大量C端用户群体开放，但有近一半的产品处于免费开放状态,尚未找到可持续的盈利模式。（四）大模型规模扩展边际收益渐减，需探索新训练路径现有大模型绝大部分遵循扩展定律（SCaIingLaw）,依赖扩大模型参数规模和增加训练数据数量来提升性能。然而，这种演进路径边际收益正在逐渐放缓。一是优质数据资源日益稀缺。据研究机构EpochAI预测，高质量语言数据将在2026年耗尽。而当前通过大模型合成数据的方式，也存在增加新旧模型相似性的可能，降低性能提升幅度。二是Transformer架构固有特性使训练成本指数级增长。TranSfonIer具有二次方的计算复杂度，训练时算力消耗巨大。

14、GPT-3使用算力为640P,据预测GPT-5的算力或将达到10万亿级别。三是当前架构对于逻辑推理、规划决策等高阶认知任务的支持仍不足。Transformer架构大模型缺乏对内容语义的理解。OpenAIol大模型称可实现科学、数学方面的复杂推理，然而，部分专家认为其仍是统计学习方式，没有真正理解并掌握推理方法。应采取的对策建议（一）推进赋能应用，提升市场认知一是鼓励行业企业、行业专家及研究机构加强协作，合力构建一批工业生产关键领域知识图谱，缓解人工智能在落地应用过程中面临的不可解释、不可追溯问题，促进行业应用落地和规模化推广。二是打通工业企业、产业链上下游、供应链、合作伙伴等数据流，支持打造垂

15、直细分领域工业大模型。三是打造企业大模型应用典型案例，开展大模型赋能优势产业集群和重点行业示范应用行动，支持在国家先进制造业集群等重点集群培育人工智能赋能转型标杆，构建行业生态合作体系。（二）加强服务支撑，鼓励良性竞争一是推动建设服务中小创新企业的人工智能基础设施，降低初创企业、中小企业参与人工智能市场的门槛，鼓励形成百花齐放的市场竞争格局。二是聚焦高价值人工智能创新领域，支持建设一批共性技术研发平台、模型验证“中试”平台等创新平台，完善企业人工智能技术工程化落地相关服务。三是推动制造业转型升级基金等政府基金向高度依赖技术研发和资本投入的人工智能创新领域倾斜，如自动驾驶、智能制造等，支持相关企

16、业技术迭代创新和商业模式探索。（三）推动降本增效，提升盈利水平一是提升研发效能。构建应用牵引创新的研发体系，围绕产业链部署创新链，通过产学研协同创新平台整合高等高校、科研院所等创新资源，推动技术快速迭代。二是优化资源效率。持续推动算力中心共建共享，推广国产化替代方案，探索弹性调度机制，优化基础设施运营。三是开拓市场空间。借鉴海螺Al等优秀案例出海策略，针对北美等用户付费意愿高的市场输出基于国内庞大用户迭代优化后的大模型产品，推进海外市场拓展。（四）拓宽数据渠道，创新模型范式一是建立高效的数据获取与处理机制。构建数据质量评估体系，建立数据交易平台促进优质数据共享。探索更高效的数据利用方法,如设计更精准的数据采样策略、研究少样本学习技术。二是支持对当前模型架构的改进。研发稀疏自注意力机制、自注意力机制替代架构等技术，突破TranSfOnner架构部分局限，降低计算复杂度。三是鼓励加强人工智能基础理论研究。支持开展对神经符号融合、世界模型