随着新基建的加速布局，5G、物联网、云计算、人工智能、大数据等技术日益成熟,行业应用场景广泛落地。其中，人工智能为智能经济的发展和产业数字化转型提供底层支撑，为传统基础建设注入新活力。作为“新基建”的一部分，人工智能基础设施是为人工智能应用和服务提供计算、存储以及通信能力的智能大脑，为新一代信息技术和相关行业产业的创新提供算力、算法基础条件。
本文将从政策导向、产业格局、应用场景和技术趋势等维度分析人工智能的发展前景。
政策导向：以技术突破和产业融合为发展目标，保障措施同步完善
2017年之前，人工智能相关政策主要聚焦人工智能技术研发层面。2017年7月，国务院印发《新一代人工智能发展规划》，明确指出要“加快人工智能深度应用”。此后，政策的重点逐渐从人工智能技术转向技术和产业的深度融合。
2021年3月，《*国民经济和社会发展第十四个五年规划和2035年远景目标纲要》(以下简称“纲要”)全文发布，其中，将“新一代人工智能”作为议题重点提及，并围绕三个方面布局人工智能发展：
方向一：核心技术突破
人工智能相关技术逐步成为“事关国家安全和发展全局的基础核心领域”。为进一步推动解决我国人工智能核心技术中的不足和短板，纲要提出，“十四五”期间将通过一批具有前瞻性、战略性的国家重大科技项目，带动产业界逐步突破前沿基础理论和算法，研发专用芯片，构建深度学习框架等开源算法平台，并在学习推理决策、图像图形、语音视频、自然语言识别处理等领域创新与迭代应用。
方向二：产业融合应用
发展人工智能应以产业的融合应用与产业数字化转型为核心目标，进而逐渐形成数据驱动、人机协同、跨界融合、共创分享的智能经济形态。纲要提出，要以数字化转型整体驱动生产方式、生活方式和治理方式变革，充分发挥我国数据、应用场景的优势，实施“上云用数赋智”行动，促进数字技术与实体经济深度融合。通过建设重点行业人工智能数据集，发展算法推理训练场景，推进智能医疗装备、智能运载工具、智能识别系统等智能产品制造，推动通用化和行业性人工智能开发平台建设，在智能交通、智慧能源、智能制造、智慧农业及水利、智慧教育、智慧医疗、智慧文旅、智慧社区、智慧家居、智慧政务等领域形成一系列数字化、智能化应用场景。
方向三：监管创新并重
学术界和产业界对人工智能健康发展相关的伦理与法律风险、AI技术滥用、算法杀熟等问题十分关注。纲要提出，要构建与数字经济发展相适应的政策法规体系，优化产业政策环境，例如在无人驾驶领域建设完善相关监管框架、法律法规和伦理审查规则;支持民营企业开展基础研究和科技创新、参与关键核心技术研发和国家重大科技项目攻关，进一步激发民营人工智能科技企业的创新活力。
产业格局：市场规模增速快，国内市场竞争日益激烈
中国AI市场稳步发展，数字和人工智能与经济社会的全面融合正在加速新发展格局的形成，将持续提高全要素生产率，提升居民收入水平，提高国家科技创新能力。
市场规模方面，据IDC预测，2021年，全球AI市场支出规模将达到850亿美元，其中中国市场将占据82亿美元;2025年，全球AI市场规模增至2000亿美元，五年复合增长率(CAGR)约为24.5%，其中约8%的AI相关支出将来自于中国市场，市场规模在全球九个区域中位列第三。
市场竞争方面，据Inspur数据，2020年上半年，浪潮以16.4%的份额在全球人工智能(AI)服务器市场排名第一。戴尔位居第二，仅占不到15%，而HPE则以接近11%的份额位居第三。
企业布局方面，截至2020年10月，百度、华为、腾讯的人工智能专利授权量分别居前三位，证明其技术研发实力名列前茅。此外，核心技术研发层面，百度、腾讯、阿里云、华为等头部平台企业已开始布局多项人工智能技术;技术应用层面，平安科技、京东、小米等融合性公司以及商汤科技、旷视科技、云从科技和依图科技等技术厂商也较为活跃，通过与传统行业龙头企业的合作，不断提升其技术应用市场竞争力。
应用场景：行业应用走向多元化、定制化，发展前景广阔
人工智能的行业应用场景逐步丰富，加速从碎片化过渡到深度融合的一体化，从单点应用场景转换为多元化、定制化的应用场景。
IDC预计，到2025年，*、金融、制造、通讯四大行业的支出规模合计将占市场总量的59%以上;就增速而言，通讯、交通、公用事业、医疗保健等行业的AI支出展现出了较大的发展潜力。
技术趋势：市场规模增速快，国内市场竞争日益激烈
自动机器学习进一步推广，降低企业自主建立解决方案的门槛
自动机器学习(AutoML)提供简单、用户友好的界面，降低企业将人工智能和机器学习嵌入其业务的成本。未来，通过提高AutoML中的超参数选择，特征表示与机器学习算法的确定和神经网络结构搜索的自动化程度及可解释性，AutoML体系架构日趋完善，将推动新一代普适性AutoML平台的建设，并将更广泛地应用于包括流程自动化工具在内的业务创新领域。
算力需求不断提升，人工智能芯片打磨精细化场景落地能力
芯片是算力基础设施的重要组成部分，用于处理人工智能应用中的大量计算任务。随着人工智能算法的发展，视频图像分析、语音识别等细分领域的算力需求剧增，市场亟需针对不同领域和应用场景的专用芯片。未来，市场对于芯片的多核并行运算、片上存储、带宽、低延时的访存等提出了较高的需求，将应用于智能终端、智能安防、自动驾驶等领域，加速大规模计算，满足更高的算力要求。
微型机器学习赋能物联网应用
微型机器学习(TinyML)是针对终端和边缘侧微处理器的机器学习技术，具备体量小、易管理、易理解等优势，并能够处理嵌入式计算应用中的大规模应用。未来，小数据和TinyML将会进一步应用到物联网等技术场景中，包括汽车、可穿戴式设备、家用电器、工业设备、农业机械等。
生成式人工智能赋能音视频内容制作
生成式人工智能(Generative AI)是指可使用现有内容(例如文本，音频文件或图像)产出全新、相似内容的人工智能算法。未来，生成式人工智能将更多地被运用在教育、影视、艺术和刑事等领域，包括AI辅助视频制作、智能字幕生成、智能翻译、特效生成等。
强化学习(RL)赋能数据训练
强化学习强调如何基于环境而行动，以取得最大化的预期利益，企业可利用自身经验来提高捕获数据的有效性。未来，强化学习将更多地被应用到自动驾驶、游戏、推荐系统中，其中前两者通过强化学习进行模拟试错(自动驾驶真实训练时仍需加入安全员进行干预，及时纠正Agent采取的错误行为)，后者使用强化学习提高推荐结果的多样性，和传统的协同过滤&CTR预估模型等进行互补。
结语
在过去的几十年里，人工智能的发展主要围绕着语言、数学和逻辑推理能力的进步。未来，人工智能的将围绕提升预测准确性和情商能力而发展，为行业数智化转型带来层层浪潮。