人工智能行业核心技术产业白皮书：深度学习技术驱动下的人工智能时代.pdf

该【人工智能行业核心技术产业白皮书：深度学习技术驱动下的人工智能时代 】是由【青山代下】上传分享，beplayapp体育下载一共【41】页，该beplayapp体育下载可以免费在线阅读，需要了解更多关于【人工智能行业核心技术产业白皮书：深度学习技术驱动下的人工智能时代 】的内容，可以使用beplayapp体育下载的站内搜索功能，选择自己适合的beplayapp体育下载，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此beplayapp体育下载到您的设备，方便您编辑和打印。:..人工智能核心技术产业白皮书——深度学****技术驱动下的人工智能时代:..目录一、人工智能核心技术产业发展总体态势................................1(一)深度学****技术进入升级优化阶段,产业开始步入高速发展阶段......1(二)寒冬并非低谷,产业生态已现加速构建态势......................1(三)人工智能以空前广度与深度推动社会发展,加速产业结构升级进程..4二、人工智能技术创新重点............................................5(一)深度学****试图从多角度融合创新,开启认知时代仍在探索..........5(二)任务场景愈加复杂,倒逼学****方式多元化发展....................8(三)深度神经网络理论体系尝试颠覆性创新,多分支融合趋势渐显......9(四)预训练模型加速演进,试图实现语言处理领域的通用智能.........10(五)模型小型化成为提升模型运行效率的关键.......................11(六)深度学****应用加速推动智能计算革命...........................12三、人工智能产业发展趋势...........................................12(一)从谋求单点技术的“极致”,向场景化综合生态发展.............12(二)以科技巨头引领的产业垂直整合速度不断加快...................14(三)开发框架格局逐步清晰,已从百花齐放向几家分争转变...........15(四)以研发和技术服务为核心,产业开始打造平台化发展模式.........18(五)智能计算产业形态初显,呈现蓬勃发展态势.....................20(六)全球数据鸿沟仍在加大,开放共享机制与数据服务能力加速构建...22(七)以开源开发框架为核心的生态体系雏形渐显,、我国人工智能发展重点与机遇.....................................26(一)十三五期间我国总体发展情况.................................26(二)十四五期间我国发展方向与机遇...............................29:..图目录图1全球融资轮次数量分布..........................................2图2人工智能规模经济S曲线........................................4图3人工智能技术发展阶段..........................................8图4垂直一体化布局...............................................15图5开源框架发展历程.............................................16图6技术体系按创新程度和突破难度分级.............................30:..表目录表1主要开源框架活跃情况.........................................16:..人工智能核心技术产业白皮书一、人工智能核心技术产业发展总体态势(一)深度学****技术进入升级优化阶段,产业开始步入高速发展阶段人工智能技术体系与产业体系错位发展,深度学****理论突破速度逐步放缓,产业开始步入高速发展阶段。目前,本轮深度学****理论突破速度开始放缓,技术红利的持续释放驱动图像分类、机器翻译等多类感知任务准确率大幅增长,步入升级优化期。人工智能本轮爆发初期主要在探讨算法理论的可能性,聚焦探索强化学****迁移学****等新、VGG、等结构多样的算法模型;算法理论的不确定性和技术的不成熟耗费产业界大量精力和时间,阻碍人工智能大规模应用进程。目前,产业开始步入高速发展时期,2020年技术标志性生产工具TensorFlow框架下载量爆发式增长,仅一个月1超1000万次,占发布四年半下载总量(1个亿+)的十分之一;同时,技术成本快速下降,同等算法水平所需计算量每八个月降低一倍,成本降低百倍,业内涌现出研发平台、技术服务平台等多样化的平台形态,工程技术正在引领产业快速发展。(二)寒冬并非低谷,产业生态已现加速构建态势资本寒冬已经出现。其中,预期过高是主要原因。人工智能企业增速明显放缓,2019、2020年全球每年新增人工智能企业数量已不足100家2,且投融资的轮次后移趋势不断扩大。%,较上一年增长40%以上。同时,曾获大笔融资的知名创新企业由于预期过高、虚假宣传等原因退出产业舞台。puting,是人工智能计算领1根据2020年4月TensorFlow官方发布数据显示。2数据来源:中国信息通信研究院。1:..人工智能核心技术产业白皮书域最受关注的独角兽之一,2020年4月由于数据流处理器性能不达预期而宣告破产;智能会计工具ScaleFactor宣称利用人工智能技术自动化生成财务报表,但实际却部分采用人工外包方式处理,在融资1亿美元后于2020年3月宣告倒闭。此外,资本早期对人工智能产业回报周期过于乐观是资本寒冬的另一原因。移动互联网在偏向工程属性的前提下,资本预期取得成效的时间为二到四年;与之相较,人工智能与传统行业核心业务深度融合,需更高的技术准确率和更深刻的行业理解力。因此,人工智能产业孕育时间更长,资本市场的期望和现实出现较大偏差。来源:中国信息通信研究院图1全球融资轮次数量分布3从技术基础理论突破到工程化落地应用,既有技术红利已为产业发展奠定坚实基础。当前,虽然资本市场的泡沫逐步破裂,但优质企业的估值仍在持续增长,独角兽企业不断出现,产业呈现良性发展态势。深度学****技术局限性似乎导致人工智能产业发展将遇天花板,然而事实并非如此。虽然,可解释性、理解推理等局限性确已显现,但这是下一时期理论技术突破重点,不能因此否定图像识别、语音合成、机器翻译等感知类任务上的应用技术成就和产业应用前景。目前,基3投融资这里主要统计的是风险投资,不包含战略轮(国内)和其他风险投资。2:..人工智能核心技术产业白皮书于深度学****理论的优化技术层出不穷,4、GPT-3等模型不断提升视觉处理、阅读理解等基础智能任务水平,虚拟助手、多语种翻译等智能应用已开始进入规模化应用阶段,大量的行业应用场景加速深度融合,技术能力和优化速度可见5到8年的红利。产业各环节逐步明晰,规模化应用突破已现曙光。人工智能技术在消费互联网领域发展速度较快,智能推荐、视觉识别、语音助手等智能技术能力已深度应用至电商、社交、资讯等消费互联网平台以及手机、无人机等消费终端中,并加速与核心业务进行整合。当前,智能技术正在向更多的行业领域渗透,融合渗透仍需时日孕育。相较于消费互联网领域,传统行业的知识获取和积累需要较长时间,应用场景碎片化的特点导致低成本、易用、泛化能力较强的能力平台构建需较长周期。总体来看,人工智能产业正处于S曲线中快速发展的临界位置(如下图),现阶段智能技术落地成本较为昂贵,导致智能产品绝对量增加时,其单位成本并未明显下降。目前,人工智能头部企业加速布局,不断完善技术生产工具(开源开发框架、数据处理、验证分析、部署监测等完备研发工具链),加速建立全栈智能计算技术体系(形成基础计算理论、芯片、软硬协同、系统协同全栈技术支撑能力),探索孕育基础和垂直行业技术平台;产业规模化发展的进程正在不断加速,规模经济有望形成。42020年4月,,性能优于2019年5月谷歌提出图像分类模型(SOTA),且在GPU上的速度提升5倍。3:..人工智能核心技术产业白皮书来源:中国信息通信研究院图2人工智能规模经济S曲线(三)人工智能以空前广度与深度推动社会发展,加速产业结构升级进程人工智能已全面覆盖社会运行的基本要素,内生化提升全局运转效率。从社会运行角度,人工智能加速影响日常生活、科学研究、商业创新和国家安全等社会运行的基本要素。一是人工智能与科学研究的结合已开始改变基于传统学术经验的科学研究方式,实现从大量已知论文、实验数据中挖掘未知理论,加速提升化学、材料、物理、药物研发等领域文献获取速度与实验发现效率,成为下一时期科技竞争的重要动力。二是人工智能成为商业创新与竞争的下一个主战场,传统行业巨头加速布局智能供应链、质量检测、商业决策等细分应用,有望显著提升生产流程、质量控制、商业营运等环节效率,改善工作条件;三是娱乐、消费电子、医疗等生活领域的智能应用不断贴近、细化场景需求,室内安防无人机、人性化虚拟助手等智能消费产品不断涌现,问诊机器人及智能影像逐步推广使用,医疗资源紧缺、分布不均等一些行业痛点开始缓解;四是疫情加速教育培训向在线智能化发展,试题OCR识别、辅助批改等应用已从试点向规模化发展,推动4:..人工智能核心技术产业白皮书教学管理向精准管理转变,助力个性化学****体系的建立;五是全球领先国家已充分意识到人工智能技术与国防安全融合的重要程度,投入针对性资金推动预测维护、自动驾驶、情报分析、智能飞控等国防智能应用的发展。人工智能渗透率的提升有望显著加快全产业链结构的优化速度,牵引产业向高附加值的产品与服务转变。一方面,人工智能作为众多技术产品创新核心,是下一时期最为关键的高附加值产业。据预测,到2030年约70%的行业企业将使用人工智能技术,预计为全球增加13万亿美元的附加值5。另一方面,人工智能加速提升传统行业高附加值产品的比重,进一步优化产业结构。人工智能技术与核心业务、专家经验深度融合,行业主营产品和运行方式的智能化程度正在不断提升,衍生新产品与新服务。《麻省理工科技评论》全球50家聪明企业(TR50)榜单中已显现传统行业企业的身影,如布局医药研发赋能平台的传统药物研发厂商药明康德,利用智能技术提升物流收派效率的顺丰科技等。二、人工智能技术创新重点(一)深度学****试图从多角度融合创新,开启认知时代仍在探索深度学****仍然是人工智能技术发展的主导路线。当前,基于大量标注数据进行训练是深度学****技术实际应用的主要路线,从1400余数据集至2020年脸书和卡内基梅隆大学构建的超过130万种化合物分子间作用数据集OpenCatalyst,模型训练所需标注数据普遍达十万以上。然而,这种路线在取得良好成效的同时,面临着严重依赖标注数据的问题,带来在更多细分场景中应用落地的5数据来源:麦肯锡。5:..局限性。推动人工智能进入感知增强时代。人工智能纯粹使用有监督学****方式训练深度学****模型的时代基本结束,受限于对大量标注数据依赖与理解能力缺乏,这种路径难以解决更多应用问题。当前,感知增强时代拉开序幕,这一时期的新算法聚焦提升数据的质量和规模,通过迁移其他领域训练成果、自主生成或增强数据、依托知识图谱常识关系、利用多源数据等方式侧面弥补深度学****的局限性。深度强化学****多模态学****等多元化的学****方式受到产业热捧,深度学****技术与知识工程、传统机器学****等分支的结合成为学界探索的热点新方向。深度学****加速探索与多元学****方式、多种技术分支的结合,少量数据训练、弱化人为干预以及多模态学****成为下一时期的发展关键。一是减少数据量依赖的少样本学****少样本学****通过复用其他领域知识结构,使用少量数据对新领域进行训练,已进入初步应用阶段,如英伟达提出基于少样本学****的视频转化(Few-shotvid2vid)框架,仅借助少量目标示例图像即可合成未出现过的目标或场景视频。二是弱化人为干预的自监督学****强化学****业内主流的有监督学****方式数据标注成本高昂,以机器翻译任务为例,,假设单个句子平均长度为30个单词,1000万个句子人工翻译标注的成本约为2200万美元;若需支持上百种语言的互译,人工标注训练集的成本将达上千亿美元。这种高昂的数据成本促使学产两界加速对深度强化学****自监督学****等范式的探索。图灵奖获得者杨立昆(YannLeCun)加速自监督学****的研究进程,通过从未标记的数据集中学****监督信息,提升数据无标注下的学****能力;DeepMind、OpenAI等机构不断演进深度强化学****算法,试图显著提:..升智能体的自主决策和多智协同能力。模态学****应用场景正从单一视觉、语音的感知向多模态理解侧重,复杂度不断提升,从多模态信息源中学****模态间关系成为焦点,如菜肴制作视频与菜谱文本步骤对齐、唇动视觉描述与语音信号融合预测单词等。深度学****技术正在不断挑战更为复杂的任务,扩展能够解决问题的边界。直面推理理解问题的算法路径尚无定论,距离认知时代到来仍需数年。从理论体系角度来看,深度学****的领军专家开始探索深度学****理论体系的新形态,反向传播、经典神经网络模型等已有基础理论受到质疑。目前,杰弗里·辛顿(GeoffreyHinton)提出替代深度神经网络(DNN)架构的胶囊网络,试图解决小样本问题。然而,胶囊网络虽连续三年推陈出新,但研究进程并非叠加式的演进,而是完全不同路径的替代。从学****方式角度来看,近一年来,强化学****实现通用智能的技术路径不再是业内共识,不依赖大量人工标注数据的自监督学****成为学****方式的新焦点,并在2020年ICML、ICLR等全球人工智能学术会议上高频出现,已成为众多专家所关注的关键路径。然而,无论是深度学****体系的颠覆式创新,还是多种学****方式的不断尝试,具备理解能力的算法模型目前未有显现迹象,真正的认知时代到来仍未可知。:..来源:中国信息通信研究院图3人工智能技术发展阶段有监督学****建立在严苛条件之上,已不能完全满足模型学****需求,面对更为复杂的任务场景,业内加速探索强化学****自监督学****等多元学****方式,试图缩小与通用智能的距离。加速提升自主决策能力。深度强化学****加速拓展任务边界,突破性解决多人棋牌、即时战略游戏等多智能体非完全信息博弈任务。目前,OpenAI、谷歌、微软等企业相继攻克即时战略、德州***、麻将等复杂游戏,并加速向无人机群体飞行等更为实际的应用场景拓展。另一方面,深度强化学****不断提升处理复杂任务的能力,逐步拓展至芯片设计、音乐编曲等对知识技能要求更高的专业领域,如2020年谷歌研究人员利用深度强化学****优化设计芯片布局,达到PPA(功率、性能、面积)的最佳平衡,显著缩短设计时间;清华大学提出用于在线伴奏生成的深度强化学****算法,能够根据输入音乐实时生成伴奏。自监督学****成为最为活跃的学****方式。谷歌、脸书等多家企业先后发布使用自监督学****的算法模型,通过挖掘无标注数据的监督信:..息,显著减少人为干预,在自然语言理解(NLP)领域取得显著成效,如谷歌BERT、脸书RoBERTa、OpenAIGPT-3等。目前,学产两界正在加速自监督学****在计算机视觉(CV)领域的突破创新,已在精细图像处理方面初步取得进展,如华盛顿大学利用自监督学****方式实现图像背景的前后景分离,精度达像素级别,可实现头发丝的精确分离。然而,尽管在自然语言理解、视觉处理等方面取得初步进展,现阶段自监督学****本质上仍依赖规范化、标签化的数据,主要借助预训练模型构造并学****数据特征,而非基于对数据内容和任务对象的深层次认知;真正理解数据内容的自监督学****尚未出现。多分支融合趋势渐显当前,以杰弗里·辛顿(GeoffreyHinton)为代表的业内巨头持续推动理论体系的创新,其中,胶囊网络作为革新热点,试图解决数据依赖与不可解释问题;然而,历史上胶囊网络的三个版本更新大相径庭,尚未形成稳定的新形态架构,仍处于探索阶段。此外,以胶囊网络为核心的应用也在不断探索,2020年Hinton团队提出一种用于机器学****安全领域的网络检测机制,显著提升攻击检出率;中佛罗里达大学学者提出胶囊路由方法,可通过输入句子查询视频中符合条件的人物及特定动作,但上述成果仍停留在研究阶段。深度神经网络与其他技术分支加速融合发展。人工智能头部企业、高校等开始摸索深度神经网络与知识图谱、传统机器学****等分支的融合创新。一方面,知识图谱试图在不颠覆深度学****理论的基础之下,弥补小样本训练与理解推理能力不足的技术天花板。目前,面向垂直领域的专业知识图谱加速发展,已在金融、医疗、司法多个行业:..初步应用,显著提升垂直行业应用中知识自动关联、自动获取的智能化水平。如金融消费领域,蚂蚁金融知识图谱平台已经广泛应用在蚂蚁内部以及合作伙伴的微贷、保险智能理赔和智能理财等业务领域中;药物研发领域,亚马逊开发药物重定位知识图谱(DRKG)预测药物与疾病靶点结合的可能性,缩短药物研发周期并降低成本,已用于新冠病毒药物研发。深度学****与传统机器学****融合已显现新的算法形态;贝叶斯深度学****成为热点方向之一,有效利用先验知识解决过拟合、小样本数据等问题,模型性能超越传统深度学****方法,如DeepMind提出贝叶斯RNN模型,图注释生成任务表现显著优于传统RNN模型;纽约大学和三星研究人员提出基于贝叶斯思想的深度学****不确定性表示方法SWAG,大幅提高模型泛化能力,在异常点检测、校准等计算机视觉任务上表现良好。试图实现语言处理领域的通用智能预训练模型参数已至万亿级,训练成本之高几乎成为业内头部玩家的专属技术路径。2020年,OpenAI发布GPT-3模型,模型参数多达1750亿个,高达1200万美元的训练费用为预训练模型的构建构筑壁垒,中小型人工智能企业难以望其项背。2021年,谷歌发布SwitchTransformer模型,。此外,微软宣布与OpenAI达成合作协议,获得GPT-3语言模型源码的独家授权,升级巨型模型的寡头格局形势,预示着未来超大规模预训练模型或将掌握在少数头部企业手中。预训练模型已进入可直接用于多种自然语言处理任务的“通用”智能阶段。预训练模型再次升级,头部人工智能企业先后发布通用预训练模型,可直接面向多种自然语言处理任务使用,不再需要针对不:..同任务进行微调。目前,谷歌T5、OpenAIGPT-3等通用预训练模型进一步提升文本理解能力,在包含阅读理解、问答等任务的基准测试中接近人类水平。另一方面,通用预训练模型加速步入产业应用阶段,OpenAI公司发布GPT-3商用应用程序接口(API),提供问答、翻译、文本生成等服务,搜索服务提供商Algolia、社交媒体平台Reddit等多家企业已开始使用。目前,深度学****模型的复杂度会随着模型精度的提升而提升,步入通过大幅增加计算量而获取高精度的时期。计算量的增长虽带来性能的提升,但高度复杂模型在硬件能力受限的设备上部署运行难度越来越大,以AlphaGo为例,每场比赛仅电费耗费就高达3000美元,模型运行性能与硬件能力的矛盾成为模型效率的关注重点。模型小型化成为提升模型运行效率的主要方向。目前,知识蒸馏6、剪枝7、量化8等模型小型化的技术手段逐步成熟,主流模型可达几十倍压缩率。如亚马逊利用知识蒸馏进行预训练,从BERT模型中提取压缩模型Bort,压缩后模型大小仅为BERT-large的6%,推理速度提升七倍;麻省理工学院与上海交大的研究人员提出LiteTransformer,结合量化和剪枝技术将Transformer模型压缩95%,加速在边缘设备上部署自然语言处理模型的应用进程。与此同时,开发框架中的模型压缩功能创新活跃,模型压缩已成为开发框架必不可少的关键能力,脸书、腾讯、谷歌等头部人工智能企业以及英伟达、英特尔等芯片大厂加速构建完善模型压缩能力,依托自身算法技术与6将原大型网络中通过预训练学到的“知识”迁移到小网络中,由GeoffreyHinton在2015年提出。7通过删除网络中冗余连接,增加网络的稀疏性,从而减小网络体积。8将全精度浮点数用低精度定点数代替,减小存储体积的同时加快运算速度。:..人工智能核心技术产业白皮书硬件芯片优势,在其主导的TensorFlow、PyTorch、TensorRT等开发框架中提供剪枝、量化等算法压缩工具,并针对GPU、CPU等硬件芯片进行特定压缩优化。(六)深度学****应用加速推动智能计算革命深度学****应用加速推动云端计算范式进入高性能计算时代。深度学****训练效果高度依赖计算资源和数据质量,追求大规模高速处理能力。当前,全球最大规模的训练模型所需算力每年增长幅度高达10倍9。谷歌曾预测,如所有用户每天使用3分钟语音搜索功能,基于传统CPU的数据中心算力就必须提升一倍,对算力需求快速增长的预期也促使谷歌加速研发针对人工智能应用更有优势的张量处理器。随着深度学****模型结构日益复杂以及训练样本规模持续扩大,算力需求与日俱增,对云侧计算性能提出更高要求。计算模式走向云边协同,端侧场景化算力成爆发新方向。在去中心化的计算形态下,自动驾驶、工业智能、智慧城市等边缘场景产生出大量的算力需求,边缘智能设备需要通过芯片架构、编程模型、专用加速库以及软件框架等多个环节与特定应用深度融合,实现边缘计算平台全栈能力升级,以满足低功耗、实时性、可靠性和安全性等复杂边缘场景需求。预计未来三年,面向工业电子、汽车电子和传统消费电子应用等场景化智能计算芯片增长迅速,市场容量年复增长率高达100%10以上,成为推动智能芯片产业主要驱动力量。三、人工智能产业发展趋势(一)从谋求单点技术的“极致”,向场景化综合生态发展9由OpenAI测算,,约为每年10倍。10Gartner2019-2024年AI半导体产品细分市场空间(TAM,TotalAvailableMarket)年复增长率数据。12:..人工智能核心技术产业白皮书单项技术的“理论”准确率不再是智能企业的比拼重点,产业进入应用场景”跑马圈地”新阶段。人工智能企业单点技术标签化的特点逐步弱化,企业加速进入实质应用转化阶段,人工智能技术服务企业的变化尤为凸显。如旷视、商汤、科大讯飞等企业已将重心从视觉、语音等技术转移至社会治理、供应链物流、生活消费等领域的软硬件解决方案,从而催生出旷视天元、商汤SenseParrots等开发框架和基础技术服务平台。目前,以物流、零售、公共安全等为代表的先导应用领域“跑马圈地”持续白热化。旷视升级发布机器人仓储物流软件平台“”,并计划投入20亿元与合作伙伴搭建完整的机器人行业解决方案;商汤持续推进城市级开放平台方舟(SenseFoundry)在城市域落地,已覆盖全国31个省市、近100座城市,总计接入摄像头十万路;云从推出“云从起云智慧Mall”运营平台,聚焦新零售领域帮助商业地产拥有者进行决策,实现精细化运营。场景化综合生态模式开始清晰,与“类”安卓开发者生态共同驱动产业发展。一方面,“类”安卓开发者生态模式逐步成熟,头部智能企业延续移动互联网典型发展模式,以微服务形式提供视觉、语音等技术服务,凭借第三方开发者来构建多样化的智能应用,大幅提升开发的易用性。另一方面,纯粹基础技术输出难以完全满足智能技术与各行业深度融合和应用落地,主要有三方面挑战:一是需要与行业专有知识深度结合;二是场景碎片化特征突出;三是使用标准数据集训练的图像识别、对话系统在实际行业场景中泛化能力不足,需基于实际场景数据进行二次训练和优化处理,这些均导致开发周期较长和开发成本居高不下。因此,头部智能企业认识到智能技术与传统行业的深度融合应用需要构建新的发展模式。一是加速打造提供模型选择、训练、部署监测等一体化的研发平台,奠定智能技术渗透至各行13:..人工智能核心技术产业白皮书业规模化应用的基础;二是面向工业、农业、金融、公共安全等行业领域构建多样化行业技术服务及解决方案平台,将行业特有数据、专业知识、业务流程与智能技术进行深度融合;发展速度较快的公共安全、医疗、智能驾驶等领域已初步形成垂直行业平台,提供相对通用的行业应用服务。在此基础之上,智能音箱、智能录音笔、安防无人机等垂直行业智能产品不断涌现,场景化综合生态正在形成。(二)以科技巨头引领的产业垂直整合速度不断加快在过去的一年中,由于人工智能发展所需算力、算法、数据等要素的高位起点以及硬件、软件框架、平台等核心环节间的紧耦合衔接特点,使得谷歌、微软等科技巨头生态系统的垂直整合引领产业整体发展;产业垂直一体化的趋势不断加强,计算支撑、软件框架、研发平台等核心环节基本被老牌科技巨头所把持。算力、软件框架、研发平台、技术服务的纵向一体化几乎成为全球头部科技企业的共识。人工智能硬件、算法、软件平台与行业应用场景的结合紧密度空前,驱使不同环节具备点状竞争力的科技巨头争相探索行业实际应用需求。目前,产业仍为早期发展阶段,任何一个环节的水平化都尚未完全确立,过去以通用基础能力自居的芯片企业、云计算企业,抑或是具有技术独到优势的互联网企业都难以将自身的优势能力直接渗透至复杂多变的行业应用场景中来。因此,科技巨头加速从自身优势能力出发,延伸至行业应用的多个中间环节,试图以这种方式准确把握智能时代的需求方向;在持续保持自身已有优势的同时,布局支撑行业应用的多个核心环节,巩固其生态系统在人工智能时期的领导地位。亚马逊、微软等云服务企业不断强化其智能服务能力,紧抓面向基础技术服务、研发训练与推理等智能计算需求,通过布局研发平台、开源开发框架等技术生产工具,以及更为底层的14:..人工智能核心技术产业白皮书专用硬件及芯片,提升其智能计算服务的竞争力;谷歌、百度等AI技术优势显著的互联网头部企业基于先进算法和技术优势布局开源框架,并以此为核心上下延伸,构建智能服务生态体系。以英伟达为代表的AI芯片巨头加速提升面向智能任务的芯片性能,积极丰富性能库、编译器、编程框架等软件配套,通过多样化方式壮大开发者社区及产业合作伙伴规模,力图构建软硬协同的产业生态体系。来源:中国信息通信研究院图4垂直一体化布局(三)开发框架格局逐步清晰,已从百花齐放向几家分争转变以谷歌TensorFlow、脸书PyTorch等为代表的开源框架格局初显清晰,框架格局已从百花齐放转向几家分争。目前,业界开源开发框架主导权基本被TensorFlow(谷歌)、PyTorch(脸书)等掌握;微软CNTK、日本初创企业首选网络(works)Chainer、加拿大蒙特利尔大学主导的Theano等早期热点框架已通过与主流框架合并或直接停止更新的方式退出历史舞台。TensorFlow依托工业界的部署优势持续位于第一,市场关注度达15万,超过第二名3倍以上,脸书的PyTorch(合并Caffe2)凭借其易用性迅速突起,在各大顶级15:..人工智能核心技术产业白皮书学术会议论文中占比超过50%,有赶超势头。同时,我国正在快速进行开源开发框架的系统化布局,百度飞桨、旷视MegEngine、华为MindSpore、清华大学Jittor等国产框架加速升级,其中,百度飞桨作为最早推出的开放框架之一,已初步应用于工业、农业、服务业等业务场景,服务230余万开发者,整体应用广度和深度正在不断成熟和完善。来源:中国信息通信研究院整理图5开源框架发展历程表1主要开源框架活跃情况序号名称热度关注度活跃度贡献人数1TensorFlow150k99600+++++++35016:..+250来源: