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(tǒng)計學、腦神經(jīng)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(tǒng)具備類似人類的智能，包括學習、推理、規(guī)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(fā)展曾經(jīng)歷過2次低谷，3次上升浪潮，逐漸從早期的專家系統(tǒng)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(fā)展階段來看，目前已基本度過弱人工智能環(huán)節(jié)，正在逐步實現(xiàn)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(yè)解決方案。

5、AI研究領域的最底層是基礎設施建設，包含數(shù)據(jù)和計算能力兩部分，數(shù)據(jù)越大，人工智能的能力越強。大模型能力隨數(shù)據(jù)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(shù)據(jù)學習來實現(xiàn)智能。神經(jīng)網(wǎng)絡（NN）是機器學習中的一種方法，模仿人腦的神經(jīng)元結構來處理數(shù)據(jù)。深度學習（DL）是神經(jīng)網(wǎng)絡的一個子集，通過多層結構來學習數(shù)據(jù)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(shù)據(jù)中學習規(guī)律和模式，從而實現(xiàn)對新數(shù)據(jù)的預測和決策。機器學習算法可以根據(jù)數(shù)據(jù)的特征和標簽進行訓練，優(yōu)化模型參數(shù)，以提高模型的性能。

8、機器學習通過不同范式從數(shù)據(jù)中提取知識，主要可以分為監(jiān)督學習、無監(jiān)督學習、強化學習三類。

9、神經(jīng)網(wǎng)絡也被稱為人工神經(jīng)網(wǎng)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(nèi)部的神經(jīng)元，模仿生物神經(jīng)元之間層層傳遞信號的方式，從而達到學習經(jīng)驗的目的。

10、深度學習基于神經(jīng)網(wǎng)絡，其“深度”指的是神經(jīng)網(wǎng)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(shù)據(jù)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(xiàn)實領域，就產(chǎn)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(tǒng)、機器人技術、生物識別技術等，為各個行業(yè)帶來了深刻的變革和創(chuàng)新。

AI產(chǎn)業(yè)鏈全景

12、人工智能（AI）產(chǎn)業(yè)鏈可分為上游（基礎層）、中游（技術層）、下游（應用層）三個核心環(huán)節(jié)，各環(huán)節(jié)相互依存，形成完整的生態(tài)系統(tǒng)。

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

14、數(shù)據(jù)作為人工智能發(fā)展的核心“燃料”，其收集、標注、清洗數(shù)據(jù)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(shù)據(jù)預處理、智能標注以及多智能體協(xié)作框架大幅提升數(shù)據(jù)質(zhì)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(guī)模數(shù)據(jù)和復雜的神經(jīng)網(wǎng)絡模型，并實現(xiàn)人工智能訓練與推理任務。

16、數(shù)據(jù)中心是一個物理設施，用于集中存儲、管理和處理大量的數(shù)據(jù)，它包含了服務器、網(wǎng)絡設備、供電系統(tǒng)等硬件基礎設施。數(shù)據(jù)中心是數(shù)據(jù)平臺的物理基礎，為數(shù)據(jù)平臺提供硬件支持和運行環(huán)境，主要通過多維度分布的數(shù)據(jù)中心提供算力支持，標準機架數(shù)量則直接反映了數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)的挖掘處理與機器學習建模，來進行各種應用技術的開發(fā)，從而解決實踐中的具體類別問題。

19、算法與數(shù)據(jù)、算力一起，是推動本輪人工智能大發(fā)展的重要驅(qū)動力。算法的優(yōu)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(shù)據(jù)的調(diào)用以及計算資源的使用，同時面向開發(fā)者提供了開發(fā)界面和高效的執(zhí)行平臺，是現(xiàn)階段AI算法開發(fā)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(yè)，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(tǒng)、機器人技術、生物識別技術等，為各個行業(yè)帶來了深刻的變革和創(chuàng)新。

22、下游應用層是人工智能技術在各不同場景下的商業(yè)化應用，包括醫(yī)療、金融、零售、工業(yè)等行業(yè)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(yī)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(fā)和手術機器人等。

24、金融行業(yè)是AI滲透率領先行業(yè)，AI+金融應用目前已覆蓋產(chǎn)品設計、市場營銷、風險控制、客戶服務等環(huán)節(jié)，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(nèi)容、優(yōu)化流程并提升用戶體驗，在零售行業(yè)的各個關鍵場景發(fā)揮重要作用。

26、AI 技術正日益深入應用于工業(yè)制造、石油化工、礦山冶金、電力能源等多個工業(yè)領域，成為工業(yè)互聯(lián)網(wǎng)場景智能化的關鍵驅(qū)動力。

27、AI在醫(yī)藥研發(fā)中的應用正深刻改變傳統(tǒng)模式，傳統(tǒng)新藥研發(fā)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(fā)周期、節(jié)省試錯成本、提高研發(fā)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(shù)據(jù)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(shù)據(jù)和娛樂服務，與智能手機、電腦等設備無縫連接，實現(xiàn)遠程控制、健康監(jiān)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(zhí)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(huán)境、分析數(shù)據(jù)來做出決策，并根據(jù)決策執(zhí)行相應的動作。

AI行業(yè)發(fā)展展望

31、當前，全球市場對人工智能的需求熱度不減，根據(jù)專業(yè)機構預測2025年總規(guī)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(guī)模方面，隨著人工智能應用的逐漸火熱，我國持續(xù)攻堅發(fā)力，截至2024年一季度，我國大模型數(shù)量規(guī)模已占全球總量的36%。

33、從企業(yè)發(fā)展看，截至去年二季度，全球人工智能企業(yè)數(shù)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(wěn)步擴張。中國市場MAU達1.35億，2024年度增長率161.15%，呈現(xiàn)出爆發(fā)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(yè)務類行業(yè)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(yè)務類場景向決策管理場景深入。

中國AI發(fā)展背景

36、中國政府將人工智能視為戰(zhàn)略性新興產(chǎn)業(yè)，納入國家發(fā)展規(guī)劃。各地政府也紛紛出臺具體政策，為人工智能發(fā)展提供全方位支持。

37、中國擁有龐大的人口基數(shù)，隨著數(shù)字化轉型的加速，各行業(yè)對AI技術的需求不斷增長，產(chǎn)業(yè)發(fā)展空間廣闊。

38、AI作為新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動力，正在重塑全球產(chǎn)業(yè)和經(jīng)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(lián)網(wǎng)到傳統(tǒng)制造業(yè)的各個領域。

39、中國企業(yè)對AI技術的研發(fā)投入不斷增加，根據(jù)專業(yè)機構測算，相關企業(yè)在人工智能領域的IT支出將持續(xù)提升。

40、隨著AI產(chǎn)業(yè)的發(fā)展,社會上對AI相關崗位的需求也逐步提升。AI產(chǎn)品經(jīng)理、數(shù)據(jù)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(yè)機會。

41、國內(nèi)AI產(chǎn)業(yè)鏈全面，涵蓋硬件到應用的各個環(huán)節(jié)，在數(shù)據(jù)和模型開發(fā)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(nèi)廠商有望進一步縮小與美國的差距，成為全球AI生態(tài)系統(tǒng)的核心玩家。

42、在當前國內(nèi)人工智能產(chǎn)業(yè)中，產(chǎn)業(yè)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(yè)和平臺不再僅僅專注于模型的參數(shù)和處理能力，而是更加注重如何將技術轉化為實際的商業(yè)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?？梢钥紤]關注人工智能主題的優(yōu)質(zhì)股票或基金（ETF、ETF聯(lián)接、主動管理型）。

44、市場上的人工智能指數(shù)較為豐富，根據(jù)上文所述AI產(chǎn)業(yè)鏈，可以分為綜合型AI指數(shù)、算力指數(shù)、芯片指數(shù)、軟件指數(shù)四大類。

45、CS人工智（930713）全稱中證人工智能主題指數(shù)，選取50只業(yè)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(shù)樣本，涵蓋AI芯片、云基礎設施、軟件開發(fā)及應用等全產(chǎn)業(yè)鏈。

46、云計算（930851）全稱中證云計算與大數(shù)據(jù)主題指數(shù)，選取50只業(yè)務涉及提供云計算服務、大數(shù)據(jù)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(wǎng)絡接配等細分領域。

47、芯片產(chǎn)業(yè)（H30007）全稱中證芯片產(chǎn)業(yè)指數(shù)，從滬深A股中選取業(yè)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(chǎn)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(shù)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(shù)，選取30只業(yè)務涉及軟件開發(fā)、軟件服務等領域的上市公司證券作為指數(shù)樣本，涵蓋新興計算機軟件、云軟件服務、行業(yè)應用軟件等細分領域。

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

投資AI可能面臨的挑戰(zhàn)及潛在解決方案

50、在投資AI的過程，也要注意行業(yè)可能面臨的調(diào)整。AI行業(yè)的發(fā)展受到政策的嚴格監(jiān)管，各國政府都在制定相關政策和法規(guī)。

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

52、當前AI發(fā)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(zhì)量的訓練數(shù)據(jù)，但數(shù)據(jù)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(huán)境造成負擔。

53、AI技術發(fā)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(yè)因無法跟上技術發(fā)展步伐而被淘汰的風險。

54、隨著網(wǎng)絡上的AI合成數(shù)據(jù)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(chǎn)生的數(shù)據(jù)（而非真實數(shù)據(jù)）導致錯誤累積，最終使輸出質(zhì)量下降、失真或重復的現(xiàn)象，類似于信息退化循環(huán)。

55、AI行業(yè)吸引了大量投資者和企業(yè)進入，市場競爭日益激烈。在激烈的競爭中，企業(yè)可能面臨市場份額被擠壓、產(chǎn)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(guī)模商業(yè)應用還需要時間，商業(yè)化進程的不確定性可能影響企業(yè)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(shù)據(jù)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(fā)展的技術風險問題，世界組織也在針對AI模型的開發(fā)，呼吁各平臺和組織設計和開發(fā)具有可解釋性的模型，在使用大數(shù)據(jù)訓練AI模型時，確保數(shù)據(jù)的準確性和多樣性。并且通過對現(xiàn)有的數(shù)據(jù)進行擴充，增加數(shù)據(jù)的豐富度，減少模型崩潰風險的同時，也減少了因數(shù)據(jù)不足導致技術落后的問題。

59、投資AI行業(yè)時，為了規(guī)避估值泡沫和商業(yè)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(fā)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(guī)劃資產(chǎn)配置。