AI产业趋势及企业级AI应用探索

一、人工智能产业整体发展 AI成为这个时代避不开的话题 人工智能（Artificial Intelligence，简称AI）是利用数字计算机或由数字计算机控制的机器来模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。 从政策角度看，政策集中出台将人工智能发展列为重要指标 党的十八大以来，以习近平同志为核心的党中央把发展人工智能提升到战略高度。2024年10月24日国资委举行中央企业人工智能特训班，会议强调，人工智能是引领未来的战略性技术和基础性技术，中央企业作为发展新质生产力的主力军必须在积极拥抱、大力发展人工智能中走在前列。 政府工作报告 政策导向 近年来，国家层面接连印发多项政策文件，全面部署、统筹推进人工智能发展 2024年3月5日，国务院总理李强作《政府工作报告》指出，深化大数据、人工智能等研发应用，开展“人工智能+”行动，打造具有国际竞争力的数字产业集群。 n科技部等六部门印发《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》 2024年12月11日，中央经济工作会议提出，开展新技术新产品新场景大规模应用示范行动。开展“人工智能+”行动，培育未来产 -指导各地方和主体加快人工智能场景应用，推动经济高质量发展。 n国家网信办等七部门发布的《生成式人工智能服务管理暂行办法》 业。 -我国首个针对生成式人工智能产业的规范性政策，明确鼓励生成式人工智能技术在各行业、各领域的创新应用。 n工信部等四部门发布的《国家人工智能产业综合标准化体系建设指南（2024版）》 -响应国家加快人工智能发展的号召，构建高质量标准体系，推动技术进步和产业升级。 从技术角度看，新一代AI浪潮加速第四次工业革命到来 从市场角度看，人工智能产业市场发展迅猛，大模型发展呈加速落地趋势 目前，我国人工智能产业蓬勃发展，逐渐迈入由技术突破、产业发展、应用创新三个维度牵引发展的新阶段。国内各龙头企业大力投入研发，大模型发展呈现加速落地趋势。 大模型发展呈现加速落地趋势 •国内大模型发展呈现百花齐放态势，模型能力持续提升。截至2024年8月，我国已备案超190个可提供服务的生成式AI大模型，共同竞逐大模型市场。 •我国大模型发展呈现基础大模型稳定、行业大模型百花齐放的局面。 •截至2024年二季度末，中国人工智能企业4535家，占比15%，位列第二。 •IDC预测2024年全球AI产业市场规模达6382亿美元，同比增长18.5%。iiMedia Research数据显示2024年中国人工智能行业市场达7470亿元，同比增长41.0%。 •2024年上半年，全球金额最大的10笔融资事件中有6笔为大模型企业融资，金额总计达135亿美元。 从行业角度看，通信引领、金融深耕、能源智变、制造焕新 行业数智化转型IOMM综合评价指数 通信行业继续领跑，并对外赋能。AI技术的加持，让本就具有先天数字化优势的通信行业进一步扩大优势，并进行技术外溢。如中国移动构建万卡级智算集群“九天”人工智能基座，发布工业大模型，面向石化、电力、矿山等重点行业，提供AI+系列应用，目前已构建超370个模型及能力，落地超830个场景应用。 通信行业 金融行业加速转型，内部深化并对外拓展AI应用。在金融科技的浪潮中，金融行业依托AI大模型实现了服务与效率的双重飞跃。如中国工商银行推出了具有行业标杆意义的千亿级AI大模型，该模型不仅优化了内部业务流程，如智能客服、信贷审批、风险管理等，显著提升了业务处理速度和准确性，还通过深度学习技术，实现了对复杂金融市场的精准预测与策略制定，为银行的决策提供了强有力的支持。 能源行业融合智能化技术，构建安全可靠的能源体系。如国家电网融合数字化、智能化技术，深度嵌入电网生产运行与管理运营过程，打造数智化坚强电网，增强以电网为枢纽的能源电力系统互联互通能力、供需匹配能力、风险应对能力和综合服务能力。 能源行业 数字工厂成为制造业数智化转型主战场。工信部数据显示，截至2023年底，已培育421家国家级示范工厂、万余家省级数字化车间和智能工厂。“5G+工业互联网”建设项目超过7000个，形成一系列新场景、新模式、新业态。 制造业 从企业角度看，AI应用正在融入企业关键环节，助力重塑核心价值 需求侧企业广泛应用AI，彰显成果 中国联通通过研发一套超大规模智能数据平台解决海量异构数据安全、高效汇聚与智能开发。在联通集团、31省分公司应用推广，建设规模达到2万台，数据量超400PB，承载了全国创新数据智能应用800余个。累计创造直接与间接经济效益超41亿元。 •当前，随着大模型技术的不断成熟和市场产品的日益丰富，企业对关注的焦点逐渐从对模型参数规模的追求转向模型的实际应用落地能力。目前AI应用已经融入企业多个业务环节，尤其在营销及渠道、客户运营、企业管理等关键环节展现出巨大的商业潜力和市场空间。 工商银行集聚全行力量，按“三大支柱、两全平台、1+X范式、全域生态”的建设思路，原创性引领性攻坚“智涌工程”，建成全栈自主可控的千亿级金融大模型技术体系，构建开放共赢的“人工智能+金融”生态 •根据2024年2月，Gartner对822位企业领导者的调查显示，应用生成式AI的企业的平均收入增加15.8%，成本节约15.2%，人数减少4.6%，生产效率提高22.6%。而企业内员工通过使用生产式AI，工人生产效率提高37%，代码效率提升7%-55%，客服效率提升14%-35%。 国家管网基于分级预警框架，结合背景建模、图像智能处理、运动目标行为判断等AI技术构建高效、灵敏的预警监控系统，提升管道线路管理安全性。将运维效率提高了50%，安防应急响应时间缩短至1/6，巡检工作量减少了50%。节约维修费用300万元/次，年均节省人工成本7800万元，每年产生直接或间接经济效益1亿元左右。 中国铁塔基于多模态技术构建大规模基站场站智能维护系统，集成计算机视觉、自然语言处理和机器学习技术，配合铁塔自研分布式边云协同的AI计算架构，实现站址内资产数量及状态实时监控、异常检测等功能。每年节约上站成本5770万元，节约设备投资6800万元。 央国企开始积极推出自研大模型，成为推动大模型应用落地的强劲动力 截至24年底，已有多家国央企发布了各自领域内的大模型，覆盖了从能源、电力到航空、航运等多个关键行业，并针对特定业务场景提供了智能化解决方案，旨在提高生产效率、优化资源配置以及增强决策支持能力。表明央国企正在引领大模型应用落地新潮流，为构建更加智慧化、高效化的产业生态系统奠定基础。 二、人工智能的“企业级”应用探索 从企业数智化转型到企业智能化转型 数智化转型到智能化转型这一变革不是单一技术的升级，而是从基础设施、数据体系、核心驱动到应用场景的全方位重构，推动企业从"流程驱动"向"智能驱动"跃迁。 企业级AI挑战（1/4）算力层面 在AI时代，强大的算力已成为企业成功部署AI应用的关键要素。无论是训练复杂的深度学习模型，还是实时处理海量数据以支持决策制定，充足的计算资源都是确保AI系统高效运行的基石。然而，随着AI技术的深入应用，企业在享受算力带来的巨大便利与优势的同时，也不得不面对一系列算力层面的挑战。 算力与业务需求不匹配 不同业务场景对算力的需求不同，企业需要根据实际业务需求灵活调整算力配置，但这往往涉及复杂的资源调配和成本考量。 算力资源分配不均 在业务高峰期，企业可能面临算力资源紧张的情况，而在非高峰期，算力资源又可能处于闲置状态，如何有效管理和分配算力资源成为一大挑战。 算力安全性差 在使用公共智算资源时，企业需要关注数据安全和隐私保护问题，防止敏感数据泄露或被恶意利用。 算力稳定性与可靠性差 AI应用的持续运行依赖于稳定的算力支持。然而，硬件故障、网络中断等问题可能导致训练中断，影响模型训练进度和结果。 算力获取受限 对于国内企业而言，在算力获取方面面临着进口限制与技术瓶颈的双重挑战。国内企业无法获取国外高性能芯片，但国产芯片在性能上仍与国际顶尖水平存在一定差距。 企业级AI挑战（2/4）数据层面 数据作为企业应用人工智能的核心资产，扮演着至关重要的角色。无论是优化客户体验、提升运营效率还是推动产品创新，高质量的数据都是AI系统得以成功部署并产生实际效益的前提条件。然而，随着AI应用范围的不断扩大，企业在使用数据时会面对一系列挑战。 数据标注与治理复杂 数据获取难度大 数据标注和治理是AI应用的重要环节，但涉及的数据量大、类型多，标注标准不一，治理流程繁琐，需要投入大量人力物力。 企业在获取生产、经营、用户等多源异构数据时，面临数据获取渠道有限、数据质量参差不齐等问题，增加了数据收集的难度和成本。 数据质量与一致性难以保证 由于数据来源多样，数据质量参差不齐，加上数据处理过程中的误差和偏差，可能导致数据一致性问题，影响AI模型的准确性和可靠性。 数据孤岛现象严重 企业内部各部门、系统间的数据孤立，难以形成统一数据平台，影响数据的整合利用和AI应用的效能。 数据隐私与安全风险 随着数据量的增加，数据隐私和安全风险也随之加大。企业在处理敏感数据时，需严格遵守相关法律法规，确保数据的安全性和隐私保护。 企业级AI挑战（3/4）模型层面 先进的算法模型已成为企业实现智能化转型的核心驱动力。从预测分析到自动化决策，再到增强用户体验，高性能的AI模型帮助企业提升了运营效率和市场竞争力。然而，企业在使用构建模型时面临着诸多挑战。 研发模式复杂 模型可靠性与责任归属问题 中大型企业面对多样化的业务需求，需要在自研、行业大模型定制化、全栈式解决方案等多种研发模式中进行选择。如何根据企业实际情况和业务需求做出最佳决策是一大挑战。 AI模型的不可解释性增加了其可靠性的不确定性。在模型出现错误或不符合预期时，如何界定责任归属成为一大难题。 模型优化与部署难题 多模型管理与协同困难 随着模型规模的不断扩大和复杂度的增加，模型的优化和部署变得越来越困难。如何在保证模型性能的同时降低计算成本、提高推理速度是企业需要解决的重要问题。 随着企业采用多个模型来满足不同业务需求，如何有效管理和协同这些模型成为一大难题。模型间的接口标准化、数据交换、性能监控与调优等方面都需要统一的解决方案。 模型质量评估与验证挑战 模型融合与集成挑战 如何客观、全面地评估模型质量是否满足业务需求是一大挑战。同时，模型在实际应用中的表现可能受到多种因素的影响，如何确保模型在不同场景下的稳定性和可靠性也是一大难题。 在实际应用中，往往需要融合多个模型来实现更复杂的任务。然而，不同模型之间的融合和集成往往涉及到复杂的算法设计和参数调优问题，需要企业具备强大的技术实力和丰富的实践经验。 企业级AI挑战（4/4）应用层面 人工智能应用已成为企业提升竞争力和实现数字化转型的关键因素。从自动化工作流程到增强客户互动，再到优化供应链管理，AI技术的应用为企业创造了显著的价值，促进了效率的提升和创新能力的增强。然而，随着AI技术在各个领域的深入应用，企业也面临着一系列挑战。 场景识别与价值定位不清 开发与部署周期长 企业在众多业务场景中识别出真正适合AI应用的高价值场景是一项艰巨任务。缺乏明确的场景识别和价值定位，可能导致AI项目偏离企业核心战略，无法有效贡献于业务增长。 AI应用的开发和部署过程复杂且耗时，涉及数据收集、模型训练、算法优化等多个环节。长周期的开发与部署流程难以满足企业快速响应市场变化的需求。 定制化与标准化的矛盾 碎片化场景整合难题 不同企业、不同场景对AI应用的需求差异显著，定制化需求高。然而，定制化开发成本高、周期长，且难以形成标准化产品。如何在满足定制化需求的同时实现标准化应用推广是企业面临的又一挑战。 企业业务场景多样且碎片化，如何将这些场景有效整合，形成可复制、体系化的AI应用体系是一大挑战。单点突破容易，但难以