59張圖，讀懂AI行業

AI基礎概念

1、人工智能（簡稱AI）是計算機科學的一個分支，融合了計算機科學、統計學、腦神經學和社會科學的前沿綜合性學科。AI的目標是使計算機系統具備類似人類的智能，包括學習、推理、規劃、感知、語言理解和決策等能力。

2、1956年，達特茅斯會議上正式提出了“人工智能”概念，標志著AI作為一門獨立學科的誕生。從誕生至今，AI的發展曾經歷過2次低谷，3次上升浪潮，逐漸從早期的專家系統演進到如今的機器學習技術。

3、AI的技術可以分為弱人工智能、強人工智能、超強人工智能三類。從發展階段來看，目前已基本度過弱人工智能環節，正在逐步實現強人工智能應用，而超強人工智能僅處于理論階段。

4、AI研究的領域主要有四層，最底層是基礎設施建設，第二層是算法，第三層是主要的技術方向，第四層是人工智能的行業解決方案。

5、AI研究領域的最底層是基礎設施建設，包含數據和計算能力兩部分，數據越大，人工智能的能力越強。大模型能力隨數據量呈冪律增長，模型訓練需消耗海量算力資源。

6、AI研究領域的第二層是算法。機器學習（ML）是算法的一種重要方式，專注于通過數據學習來實現智能。神經網絡（NN）是機器學習中的一種方法，模仿人腦的神經元結構來處理數據。深度學習（DL）是神經網絡的一個子集，通過多層結構來學習數據中的復雜模式，廣泛應用于圖像識別、自然語言處理等領域。

7、機器學習通過讓計算機從數據中學習規律和模式，從而實現對新數據的預測和決策。機器學習算法可以根據數據的特征和標簽進行訓練，優化模型參數，以提高模型的性能。

8、機器學習通過不同范式從數據中提取知識，主要可以分為監督學習、無監督學習、強化學習三類。

9、神經網絡也被稱為人工神經網絡，是當前機器學習中的一種重要模型。它的靈感來源于人腦內部的神經元，模仿生物神經元之間層層傳遞信號的方式，從而達到學習經驗的目的。

10、深度學習基于神經網絡，其“深度”指的是神經網絡中使用的多個層次，即在輸入層和輸出層之間增加更多的隱含層，以從原始數據中自動提取復雜特征并進行決策判斷。目前，深度學習在圖像識別、自然語言處理、語音識別等領域已取得了顯著的成果。

11、AI研究的第三層是技術方向。將機器學習的各類模型應用到各個現實領域，就產生了不同的技術，主要包括自然語言處理、計算機視覺、語音工程、推薦系統、機器人技術、生物識別技術等，為各個行業帶來了深刻的變革和創新。

AI產業鏈全景

12、人工智能（AI）產業鏈可分為上游（基礎層）、中游（技術層）、下游（應用層）三個核心環節，各環節相互依存，形成完整的生態系統。

13、上游基礎層主要包括數據平臺和算力支持，數據平臺提供數據搜集、加工直到應用的全流程數據服務，算力支持包括AI芯片、數據中心、AI服務器等核心設備，為數據服務提供硬件支持。

14、數據作為人工智能發展的核心“燃料”，其收集、標注、清洗數據的全流程處理直接影響AI模型的性能。AI技術通過自動化數據預處理、智能標注以及多智能體協作框架大幅提升數據質量與處理效率。

15、AI算力芯片是上游基礎層中最重要的硬件設施，為AI服務器提供算力的底層支撐，具備強大的并行計算能力，能夠快速處理大規模數據和復雜的神經網絡模型，并實現人工智能訓練與推理任務。

16、數據中心是一個物理設施，用于集中存儲、管理和處理大量的數據，它包含了服務器、網絡設備、供電系統等硬件基礎設施。數據中心是數據平臺的物理基礎，為數據平臺提供硬件支持和運行環境，主要通過多維度分布的數據中心提供算力支持，標準機架數量則直接反映了數據中心可部署 IT 設備的物理空間容量。

17、AI服務器專為人工智能訓練和推理應用而設計。大模型興起和生成式AI應用顯著提升了對高性能計算資源的需求，AI 服務器是支撐這些復雜人工智能應用的核心基礎設施。

18、中游技術層負責數據的挖掘、學習與智能處理，以軟件為主，包括算法模型、AI軟件框架以及通用技術三大部分，是連接基礎層與應用層的橋梁。這一層級依托于海量數據的挖掘處理與機器學習建模，來進行各種應用技術的開發，從而解決實踐中的具體類別問題。

19、算法與數據、算力一起，是推動本輪人工智能大發展的重要驅動力。算法的優劣直接決定了人工智能應用水平的高低。

20、AI軟件框架是AI算法模型設計、訓練和驗證的一套標準接口、特性庫和工具包，集成了算法的封裝、數據的調用以及計算資源的使用，同時面向開發者提供了開發界面和高效的執行平臺，是現階段AI算法開發的必備工具。

21、通用技術是技術層的核心，人工智能應用到各行各業，離不開人工智能的通用技術。AI通用技術主要包括自然語言處理、計算機視覺、語音工程、推薦系統、機器人技術、生物識別技術等，為各個行業帶來了深刻的變革和創新。

22、下游應用層是人工智能技術在各不同場景下的商業化應用，包括醫療、金融、零售、工業等行業類應用，以及智能駕駛、智能穿戴、智能機器人等終端應用。

23、AI可應用于醫療全流程，包括健康管理、診前診中診后服務、影像分析、藥物研發和手術機器人等。

24、金融行業是AI滲透率領先行業，AI+金融應用目前已覆蓋產品設計、市場營銷、風險控制、客戶服務等環節，形成覆蓋全生命周期的解決方案。同時，當前中國金融AI部署仍處于早期，受AI推動市場有望快速提升。

25、AI 技術通過自動生成內容、優化流程并提升用戶體驗，在零售行業的各個關鍵場景發揮重要作用。

26、AI 技術正日益深入應用于工業制造、石油化工、礦山冶金、電力能源等多個工業領域，成為工業互聯網場景智能化的關鍵驅動力。

27、AI在醫藥研發中的應用正深刻改變傳統模式，傳統新藥研發具有周期長、成本高、風險高等痛點，而AI技術應用能夠縮短研發周期、節省試錯成本、提高研發成功率。

28、智能駕駛指汽車通過各種傳感器收集路況信息，AI算力對數據實時分析處理，讓汽車做出駕駛決策的技術。簡單來說就是讓汽車能夠“看路況、做決策、控方向”。2019年以來，全球智能汽車滲透率逐年提升，預計到2030年可達到99%以上。

29、智能穿戴指能夠直接穿戴于人體上的高科技裝備，不僅能夠與用戶進行互動，還能提供信息、數據和娛樂服務，與智能手機、電腦等設備無縫連接，實現遠程控制、健康監測、導航等多種功能。

30、智能機器人是指利用人工智能技術設計和制造的，能夠執行特定任務或一系列任務的自動化設備，它們能夠通過感知環境、分析數據來做出決策，并根據決策執行相應的動作。

AI行業發展展望

31、當前，全球市場對人工智能的需求熱度不減，根據專業機構預測2025年總規模為7575.8億美元，到2034年將達到約36804.7億美元，2025-2034預估復合年均增長率為 19.20%。

32、在大模型規模方面，隨著人工智能應用的逐漸火熱，我國持續攻堅發力，截至2024年一季度，我國大模型數量規模已占全球總量的36%。

33、從企業發展看，截至去年二季度，全球人工智能企業數量超3萬家，中國位居第二，全球占比為15%。

34、從AI應用的用戶活躍度來看，海外市場月活躍用戶（MAU）達6.66億，2024年度增長率24.54%，市場穩步擴張。中國市場MAU達1.35億，2024年度增長率161.15%，呈現出爆發式增長，市場潛力正在加速釋放。

35、從當前AI大模型能力邊際來看，對于需要與人互動、重復性較高的業務類行業效率提升能力較強。而從長遠來看，隨著AI大模型技術能力的突破，AI大模型應用場景預計將多元化增長，且會逐漸從當前的業務類場景向決策管理場景深入。

中國AI發展背景

36、中國政府將人工智能視為戰略性新興產業，納入國家發展規劃。各地政府也紛紛出臺具體政策，為人工智能發展提供全方位支持。

37、中國擁有龐大的人口基數，隨著數字化轉型的加速，各行業對AI技術的需求不斷增長，產業發展空間廣闊。

38、AI作為新一輪科技革命和產業變革的核心驅動力，正在重塑全球產業和經濟格局。而AI技術在中國的應用場景也非常廣泛，涵蓋了從消費互聯網到傳統制造業的各個領域。

39、中國企業對AI技術的研發投入不斷增加，根據專業機構測算，相關企業在人工智能領域的IT支出將持續提升。

40、隨著AI產業的發展,社會上對AI相關崗位的需求也逐步提升。AI產品經理、數據標注/AI訓練師等崗位需求同比增長迅速,帶來了新興的就業機會。

41、國內AI產業鏈全面，涵蓋硬件到應用的各個環節，在數據和模型開發方面全球領先，在硬件上仍需進一步突破依賴。未來隨著政府支持和技術進步，國內廠商有望進一步縮小與美國的差距，成為全球AI生態系統的核心玩家。

42、在當前國內人工智能產業中，產業競爭的重點正在由平臺競爭向應用競爭轉變。這種轉變反映了企業和平臺不再僅僅專注于模型的參數和處理能力，而是更加注重如何將技術轉化為實際的商業價值和用戶價值。

投資AI的工具

43、投資者想要對AI題材進行投資，通常可以考慮關注人工智能主題的優質股票或基金（ETF、ETF聯接、主動管理型）。

44、市場上的人工智能指數較為豐富，根據上文所述AI產業鏈，可以分為綜合型AI指數、算力指數、芯片指數、軟件指數四大類。

45、CS人工智（930713）全稱中證人工智能主題指數，選取50只業務涉及為人工智能提供基礎資源、技術以及應用支持的上市公司證券作為指數樣本，涵蓋AI芯片、云基礎設施、軟件開發及應用等全產業鏈。

46、云計算（930851）全稱中證云計算與大數據主題指數，選取50只業務涉及提供云計算服務、大數據服務以及上述服務相關硬件設備的上市公司作為樣本股，涵蓋云基礎設施服務、通用計算機設備、網絡接配等細分領域。

47、芯片產業（H30007）全稱中證芯片產業指數，從滬深A股中選取業務涉及芯片設計、制造、封裝與測試等領域，以及為芯片提供半導體材料、晶圓生產設備、封裝測試設備等上市公司股票作為樣本股，涵蓋集成電路制造、半導體設備、數字芯片設計等細分領域。

48、中證軟件（930601）全稱中證軟件服務指數，選取30只業務涉及軟件開發、軟件服務等領域的上市公司證券作為指數樣本，涵蓋新興計算機軟件、云軟件服務、行業應用軟件等細分領域。

49、一些指數雖然名稱中沒有“人工智能、芯片”等字樣，但是在指數成分行業中AI相關行業占比較重，受到AI發展的影響較大，比如中證傳媒指數、通信設備指數、消費電子指數、半導體材料設備指數、科技龍頭指數等，投資者也可以進行關注。

投資AI可能面臨的挑戰及潛在解決方案

50、在投資AI的過程，也要注意行業可能面臨的調整。AI行業的發展受到政策的嚴格監管，各國政府都在制定相關政策和法規。

51、在AI遭受非法運用、錯誤使用或出現用戶隱私泄露等情況下，使用AI的企業可能會因此承擔法律責任，還可能面臨經濟損失和聲譽受損。

52、當前AI發展仍面臨技術瓶頸。首先，AI模型的可解釋性不足，許多深度學習模型被視為“黑箱”。同時，AI模型的性能高度依賴高質量的訓練數據，但數據的獲取、標注和清洗成本高昂。此外，大型AI模型的訓練需要消耗大量能源，對環境造成負擔。

53、AI技術發展迅速，技術迭代速度快，投資者可能面臨所投資技術或企業因無法跟上技術發展步伐而被淘汰的風險。

54、隨著網絡上的AI合成數據逐漸增多，AI可能面臨“模型崩潰”的危險——即在迭代訓練中，因過度依賴AI自身產生的數據（而非真實數據）導致錯誤累積，最終使輸出質量下降、失真或重復的現象，類似于信息退化循環。

55、AI行業吸引了大量投資者和企業進入，市場競爭日益激烈。在激烈的競爭中，企業可能面臨市場份額被擠壓、產品價格下降等風險，從而影響投資回報。

56、盡管AI技術在很多領域都有應用前景，但部分技術從實驗室到大規模商業應用還需要時間，商業化進程的不確定性可能影響企業盈利能力。

57、對于AI的政策與安全風險，公司和投資者應當密切關注政策的變化，關心AI安全風險的解決方案。當前的AI安全檢測平臺，可通過智能對抗技術，生成海量測試數據集，對AI模型進行交互誘導，從而找到大模型存在的弱點和安全問題。

58、對于AI發展的技術風險問題，世界組織也在針對AI模型的開發，呼吁各平臺和組織設計和開發具有可解釋性的模型，在使用大數據訓練AI模型時，確保數據的準確性和多樣性。并且通過對現有的數據進行擴充，增加數據的豐富度，減少模型崩潰風險的同時，也減少了因數據不足導致技術落后的問題。

59、投資AI行業時，為了規避估值泡沫和商業化進程不確定的風險，需要研究市場的供需關系，追蹤技術未來發展方向，了解AI落地情況，在關注政策和市場變化的同時，合理規劃資產配置。