《人工智能AI对碳中和的影响及发展导向专题研究.docx》由会员分享，可在线阅读，更多相关《人工智能AI对碳中和的影响及发展导向专题研究.docx（20页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、人工智能AI对碳中和的影响及发展导向专题研究1. 人工智能行业是人类进入智能时代的决定性力量1.1. 人工智能行业是人类进入智能时代的决定性力量人工智能（Artificial Intelligence，AI）是通过普通计算机程序来呈现人类智能的技术。核心问题是建构跟人相似甚至更高的能力，包括推 理、规划、学习、交流、感知、使用工具和操控机械等。人工智能的应 用包括四个方面：感知，即看、听、读、写、说，典型应用如语音识别、自然语言处理；认知，包括分析识别、预测、判断、学习；创 造力，如作诗、绘画；智能，涉及到人类的自我意识、认知与价值观。美国计算机协会 1956 年组织的 Dartmouth 学
2、会上提出了人工智能概 念。1956 年，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨 “如何用机器模拟人的智能”，首次提出了“人工智能”这一概念，标 志着人工智能学科的诞生。在这之后， 人工智能经历了起步发展期、反思发展期、应用发展期、低迷发展期、 稳步发展期、蓬勃发展期等 6 个时期。因此，人工智能行业是在起起伏 伏中向前发展的，既有经费枯竭的寒冬，也有技术突破而大发展的春天。人工智能被视作推动人类进入智能时代的决定性力量。地位与蒸汽时代 的蒸汽机、电气时代的发电机、信息时代的计算机和互联网相当。从竞 争格局上看，全球产业界纷纷布局，但尚未形成垄断。谷歌 2017 年提 出其发展战略从“
3、移动优先”转向“人工智能优先”，BAT 等国内互联 网巨头也相继设立了人工智能实验室，众多创新企业凭借在细分领域的 优势参与垂直应用领域的竞争。世界各主要经济体把人工智能作为提升 竞争力的抓手，2013 年以来已有 20 多个国家地区发布了人工智能相关 的战略或规划。1.2. 产业链分为基础层、技术层、应用层人工智能产业链分为基础层、技术层、应用层。基础层包括算力、算法、 数据，在产业链中起到基础支撑的作用，如算力中的 CPU/GPU/FPGA 提供了计算能力；技术层根据用途划分为计算机视觉、智能语音、自然 语言处理等；应用层与特定场景绑定，如 2C 端的智能设备，2B 端的 AI+工业、AI
4、+金融、AI+零售，2G 端的 AI+安防，它们的商业模式、 竞争格局各异。基础层是构建生态的基础并且需要长期投入，技术层是 构建护城河的基础，应用层直戳行业痛点因而变现能力最强。GPU 加速器已达到实质生产的高峰期。Gartner 每年发布的人工智能技 术成熟度曲线展现了各细分技术的发展阶段与期望值高低。在 2020 年 的曲线中，GPU 加速器在生产力上表现最佳，预计未来 2-5 年内，其采 用率将从 5%-20%增加到 20%-50%，为计算密集型工作负载提供性能。 多数技术依然处于前三个阶段，即技术萌芽期、期望膨胀的顶峰期、泡 沫化的低谷期，比如通用人工智能（AGI）当下还缺乏商业可行
5、性。1.3. 我国人工智能行业仍将处于高增长阶段我国 2020 年人工智能市场规模约为 400 亿元人民币。IDC 将人工智能 市场分为硬件、软件和服务三个部分，中国市场的硬件占比在 50%以上。 2020H1，中国加速服务器市场规模达到 12.9 亿美元，其中 GPU 服务 器占据 93.4%的份额；人工智能软件及应用市场规模达 15.3 亿美元， 其中计算机视觉应用、语音语义应用、机器学习开发平台分别为 7.42、 6.45、1.4 亿美元。综合 IDC 数据，大致可推测出 2020 年中国人工智 能市场规模约为 400 亿元人民币。展望未来，IDC 预计至 2024 年，中 国 GPU
6、服务器市场规模将达到 60 亿美元，人工智能软件及应用市场规 模将达到 127.5 亿美金，未来 5 年依然处于高速增长的阶段。人工智能硬件市场集中度高。加速服务器对应的下游行业主要包括互联网、政府、服务业，浪潮、华为、曙光这几家传统服务器厂商主导了中 国加速服务器市场，三者合计的市场份额超过了 80%。而中国人工智能 软件及应用市场呈现出百花齐放的竞争格局，新兴创业公司比较活跃， 例如计算机视觉应用的商汤科技、依图科技，语音语义应用的思必驰， 机器学习开发平台的第四范式等。2019 年，我国人工智能行业投融资规模有所回落，泡沫弱化。2014 年 至 2019Q3，中国人工智能行业共发生 28
7、45 起投融资事件，总金额为 3583.65 亿元人民币。资金重点投向了应用及平台、硬件方面，而 AI 基础技术的投融资规模较小，反映出我国人工智能行业偏重应用、技术 基础仍待夯实的特点。2. 算力提升是人工智能行业发展的核心驱动因素算力是人工智能三大要素的核心。正如人工智能学者吴恩达所比喻：发 展人工智能就像用火箭发射卫星，需要强有力的引擎和充足的燃料；那 么，算法模型相当于是火箭引擎，算力可以理解为打造引擎的工具，海 量的数据则是引擎的燃料。算力提升提高了算法效率和演进节奏。2012 年时，深度学习模型 AlexNet 识别一张 ImageNet 图片需要 7.6108 次基本运算，训练该
8、 模型需要 3.171017 次基本运算。如以 1993 年出品的 Intel CPU 奔 腾 P5 执行，需要近百年才能完成训练，至少需要 10 分钟完成推理，而 如今的品牌旗舰手机只用数百微秒就能完成这样的图像识别。在度量上， 算力以芯片每秒可执行的基本运算次数来度量，1TOPS 代表处理器每秒 可进行一万亿次基本运算操作。2.1. 人工智能芯片类型多样、场景有别AI 芯片向上为应用和算法提供支持，向下对器件和电路、工艺和材料提 出需求。应用和算法的快速发展，尤其是深度学习、卷积神经网络，对 底层芯片提出了 2-3 个数量级的性能优化需求。例如，Google 在 2019 年提出的 Eff
9、icientNet B7 深度学习模型，每完成一次前向计算，需要 3.611010 次基本运算，是 7 年前同类模型 AlexNet 运算需求的 50 倍。同时，新型材料、工艺和器件的发展，也为 AI 芯片提供了性能提 升、功耗降低的可行性。AI 芯片包括传统芯片与智能芯片两类。AI 芯片并没有一个公认的定义。 广义上来说，面向人工智能应用的芯片都可以称为 AI 芯片。传统芯片 如 CPU、GPU、FPGA 等，起初并非面向人工智能，但在功能上可以满 足人工智能应用的需求；不过，芯片架构、性能、能效等方面不能适应 人工智能技术的快速发展。智能芯片则专门针对人工智能设计，包括通 用型与专用型。通
10、用型智能芯片是针对人工智能领域内多样化的应用设 计的芯片，对视觉、语音、自然语言处理、传统机器学习技术等各类人 工智能技术具备较好的普适性；专用型智能芯片是面向特定、具体、相 对单一的人工智能应用所设计的专用集成电路，即 ASIC。从场景来看，云端、终端和边缘端对 AI 芯片的算力和功耗有着不同要求。人工智能技术在云端、终端、边缘端均有应用。云端是指在大规模 数据中心进行的远程计算处理；终端则是个人可以直接使用的设备，比 如手机、平板电脑等；边缘端靠近数据源头。云端兼有训练和推理任务，终端和边缘端以推理为主。对于训练阶段， 要基于巨大的数据集来调整模型参数，以提高准确度，比如图像识别、 语音识
11、别这些复杂问题，训练阶段要做反复的迭代计算。推理阶段是在 已经建立的人工智能模型中输入数据，然后得到输出，比如给定图片， 识别物体。推理阶段对单个任务的计算能力要求没有训练阶段那么大， 但推理的次数会很多。IDC 预计到 2021 年，人工智能推理市场占比将 超过训练市场。2.2. GPU、FPGA、ASIC 等各显千秋GPU 已经发展到相对成熟阶段。GPU 即图形处理器，是个人电脑、游 戏设备、平板电脑、智能手机中进行图像和图形运算的芯片。由于深度 学习算法需要很高的内在并行度、浮点计算能力以及矩阵运算能力，基 于 CPU 的传统计算架构逐渐无法充分满足高性能并行计算需求，2015 年后，G
12、PU 的应用使得硬件计算能力的不足得以被弥补。GPU 擅长数 据级并行处理，峰值运算性能高，但能耗也较高。在人工智能领域，GPU 多应用于数据中心服务器，在终端应用较少。FPGA 具有可编程性。FPGA 是一种在硬件层面可编程的芯片，利用门 电路直接运算，用户可以自由定义门电路和存储器之间的布线，改变执 行方案。换而言之，FPGA 上的电路可以更改，具有很高灵活性。相较 于 ASIC，FPGA 在性能、功耗上有提升空间。不过，由于 FPGA 灵活性 好、处理简单指令的重复计算比较强，CPU+FPGA 的混合异构相比 GPU 具备更低功效和高性能，在深度学习的推理阶段有着更高的效率和更低的成本。
13、ASIC 是专用定制芯片的统称，在设计、架构、工具链等方面的个性化强。ASIC 即专用集成电路，是应特定应用场景的需求专门设计和制造 的集成电路，不能重复编程。ASIC 基于人工智能算法进行定制，在大 规模量产的情况下具备性能更强、体积更小、功耗更低、成本更低、可 靠性更高等优点，常用于在低功耗、成本敏感的终端上支撑特定的智能 应用。其缺点在于通用性差，前期研发成本高，研发周期长。3. 人工智能将在实现碳中和过程中发挥重要作用互联网、制造、金融位列全球算力投资前三大行业。从全球来看，制造业是算力投资的第二大行业，投资集中在研发、生产、供应链管理和服 务等环节。但在国内，金融位列第二，原因是金融
14、业大而强，特别是其 中的银行业，信息化投资较为集中；而制造业相对小而散，信息化投资 与西方国家相比仍有很大的提升空间。我国将在 2030 年实现碳达峰，2060 年实现碳中和。这两个阶段性目 标，既是我国经济社会高质量发展的必然要求，也是在应对气候变化方 面对世界的承诺。随着人工智能技术的发展、算力的提升，人工智能在 现实中的应用场景不断得到拓宽，有望在实现碳达峰、碳中和的过程中 扮演着重要角色。3.1. AI+工业：重塑生产制造环节人工智能在制造业的应用潜力被低估。SAP 对中国 2015-2018 年最大 的 300 项人工智能项目的分析表明，制造业相关的投资不到 1%。然而， 制造业是人
15、工智能最具应用潜力的领域之一。其一，未来的制造业不仅 仅是规模化、标准化，也要是智能化、定制化；其二，人工智能与相关 技术结合，可优化制造业各流程的效率，通过工业物联网采集各种生产 数据，再借助深度学习算法处理后，提供建议甚至自主优化。制造业正大踏步地迈入机器智能时代。BCG 认为，人工智能的使用可降 低制造商 20%的加工成本，而这一减少最高有 70%源自于更高的劳动 生产率。SAP 原全球高级副总裁李强曾指出，到 2030 年，因人工智能 的推动，全球将新增 15.7 万亿美元的 GDP，中国就占到了 7 万亿美元； 到 2035 年，人工智能将推动劳动生产力提升 27%，拉动制造业的 G
16、DP 高达 27 万亿美元。德勤研究估计，全球人工智能及相关场景在制造业 应用的市场规模在 2016 年约为 1.2 千亿美元，到 2025 年有望超过 7.2 千亿美元，复合年均增长率预计超过 25%。人工智能在制造业的应用场景分为三类。产品智能化研发设计和为产 品注智；在制造和管理流程中运用人工智能提高产品质量和生产效率；供应链的智能化。与碳中和联系最为密切的是生产制造环节，包括生产、维护、质量、物 流等子环节。以最核心的生产过程为例，基于收集的生产数据，人工智 能可以自动设置和调整机器的运行参数，让机器和部件成为自优化的系 统，更加节能高效。例如，在注塑过程中，需要关注的外部因素是外界
17、温度，需要控制塑料的温度、冷却时间表、速度等，基于人工智能的自 主监测与调节效率更高。BCG 的研究案例还提及，一些钢铁厂利用人工 智能，让熔炉自动优化设置，识别稳定工艺条件的最低温度，从而降低 整体的能耗。3.2. AI+交通：智慧交通节能减排交通运输行业是全球第二大碳排放源，对我国实现碳达峰目标与碳中和 愿景有重要影响。统计显示，交通领域的碳排放占全国终端碳排放的 15%；过去 9 年，这一领域的碳排放年均增速在 5%以上。以机动车为 例，截至 2021 年 3 月，全国机动车保有量达 3.78 亿辆，其中汽车 2.87 亿辆；根据测算，1 辆汽车每燃烧 1 升燃料大约排放 2.5 千克二
18、氧化碳， 总共的碳排放量非常可观，减排空间也很大。人工智能在交通领域的应用包括智能汽车（自动驾驶）与智慧交通，提 升了交通领域的减排潜力。智慧交通旨在于解决交通行业存在的拥堵、 安全等问题，将核心交通元素联通，建立一个人、车、路协同的环境。 自动驾驶通过传感器、计算机视觉技术、算法模型，解放驾驶员的双手。 智能化、电动化是汽车产业发展趋势，自动驾驶是加速新能源汽车普及 的关键。事实上，自动驾驶的实现与落地应用离不开智慧交通的支持。智慧交通是交通运输、信息技术交叉融合的产物，是应对交通拥堵、安全、节能减排的有效方式。将云计算、通讯传输、电子传感、电子控制 以及人工智能算法等，集成运用于交通管理，
19、建立起智能交通运输系统 （ITS），提高交通系统的感知、计算、决策以及调度能力。巨头入场，参与 2G 大订单业务。科技互联网巨头 BATH 均在智慧交通 领域就位，百度推出“ACE 交通引擎”，华为有“交通智能体”解决方 案，腾讯亮相了城市智慧交通解决方案“We Transport”，阿里在其城 市大脑业务中探索。智慧交通是 2G 业务，政府的大金额项目会更加关 注企业的技术能力、执行能力，因而 BATH 在行业前期开拓订单更加顺 利。百度 2020 年 4 月发布“ACE 交通引擎”国内外首个车路行融合 的全栈式智慧交通解决方案。ACE 交通引擎依托了百度多年来在人工智 能、自动驾驶、车路协
20、同方面的积累和实践，采用“1+2+N”的系统架 构，即“一大数字底座、两大智能引擎、N 大应用生态”。百度披露， ACE 交通引擎已在长沙、北京、重庆、南京、保定等 10 余个城市落地 实践。3.3. AI+能源：应用潜力更待挖掘能源行业涵盖多个子行业，在此我们主要讨论“石油/矿物”和“电力” 两个子行业。根据中国人工智能学会与罗兰贝格联合发布的中国人工 智能创新应用白皮书，人工智能在能源行业的研发、制造、营销、服 务等环节具有丰富的应用场景。在油气行业，人工智能现阶段服务于勘探开发。中石化勘探开发研究院 董宁教授认为，人工智能勘探将是油气勘探的下一场革命，典型应用如 精准建模、优化钻井作业、
21、预测性维护等。壳牌将机器学习、计算机视 觉、自然语言处理技术应用于上游、炼化、管输和零售业务，取得成效， 如运用实时传感器数据、大数据分析和机器学习进行预测性维护，比传 统建模效率快 1000 倍。中国石油在“十三五”规划中明确了人工智能 在勘探开发领域的应用，并在 2019 年开展了人工智能实践。在电力行业，人工智能可应用于电网安全与控制、输变电、配用电、新能源等领域。电力是资金、技术、装备、数据密集型行业，同时是具有 公共服务属性的国民经济基础产业。以输变电领域为例，由于资产量巨 大，电力监测系统产生了大量的非结构化数据，人工智能技术可以对电 力设备的健康状况进行评估，并帮助消除安全隐患。
22、3.4.AI+环保：环保监测的革命科大讯飞面向生态环保、环境监测等行业客户，提供行业模型和软硬一体化解决方案。四大解决方案包括：智能生态环境气象监测方案，杜绝传统机械式测量设备难维护、量程窄的缺点，精确定位数据采集位置；智能垃圾分类解决方案；扬尘监、控、治一体化方案，在重点场所安装空气质量监测设备和视频监控设备，精细化监测；空气污染大数据平台，包含定点采集、处理分析、阈值预警三大模块。三大产品包括：黑烟车监测，包含内嵌算法模块、设备外接模块、变量调控模块；垃圾堆监测；渣土车识别，依托车头车尾双向摄像头抓拍、AI 匹配算法、基于深度学习的遮盖检测技术实现。报告链接：人工智能AI对碳中和的影响及发展导向专题研究