59张图，读懂AI行业

AI基础概念

1、人工智能（简称AI）是计算机科学的一个分支，融合了计算机科学、统计学、脑神经学和社会科学的前沿综合性学科。AI的目标是使计算机系统具备类似人类的智能，包括学习、推理、规划、感知、语言理解和决策等能力。

2、1956年，达特茅斯会议上正式提出了“人工智能”概念，标志着AI作为一门独立学科的诞生。从诞生至今，AI的发展曾经历过2次低谷，3次上升浪潮，逐渐从早期的专家系统演进到如今的机器学习技术。

3、AI的技术可以分为弱人工智能、强人工智能、超强人工智能三类。从发展阶段来看，目前已基本度过弱人工智能环节，正在逐步实现强人工智能应用，而超强人工智能仅处于理论阶段。

4、AI研究的领域主要有四层，最底层是基础设施建设，第二层是算法，第三层是主要的技术方向，第四层是人工智能的行业解决方案。

5、AI研究领域的最底层是基础设施建设，包含数据和计算能力两部分，数据越大，人工智能的能力越强。大模型能力随数据量呈幂律增长，模型训练需消耗海量算力资源。

6、AI研究领域的第二层是算法。机器学习（ML）是算法的一种重要方式，专注于通过数据学习来实现智能。神经网络（NN）是机器学习中的一种方法，模仿人脑的神经元结构来处理数据。深度学习（DL）是神经网络的一个子集，通过多层结构来学习数据中的复杂模式，广泛应用于图像识别、自然语言处理等领域。

7、机器学习通过让计算机从数据中学习规律和模式，从而实现对新数据的预测和决策。机器学习算法可以根据数据的特征和标签进行训练，优化模型参数，以提高模型的性能。

8、机器学习通过不同范式从数据中提取知识，主要可以分为监督学习、无监督学习、强化学习三类。

9、神经网络也被称为人工神经网络，是当前机器学习中的一种重要模型。它的灵感来源于人脑内部的神经元，模仿生物神经元之间层层传递信号的方式，从而达到学习经验的目的。

10、深度学习基于神经网络，其“深度”指的是神经网络中使用的多个层次，即在输入层和输出层之间增加更多的隐含层，以从原始数据中自动提取复杂特征并进行决策判断。目前，深度学习在图像识别、自然语言处理、语音识别等领域已取得了显著的成果。

11、AI研究的第三层是技术方向。将机器学习的各类模型应用到各个现实领域，就产生了不同的技术，主要包括自然语言处理、计算机视觉、语音工程、推荐系统、机器人技术、生物识别技术等，为各个行业带来了深刻的变革和创新。

AI产业链全景

12、人工智能（AI）产业链可分为上游（基础层）、中游（技术层）、下游（应用层）三个核心环节，各环节相互依存，形成完整的生态系统。

13、上游基础层主要包括数据平台和算力支持，数据平台提供数据搜集、加工直到应用的全流程数据服务，算力支持包括AI芯片、数据中心、AI服务器等核心设备，为数据服务提供硬件支持。

14、数据作为人工智能发展的核心“燃料”，其收集、标注、清洗数据的全流程处理直接影响AI模型的性能。AI技术通过自动化数据预处理、智能标注以及多智能体协作框架大幅提升数据质量与处理效率。

15、AI算力芯片是上游基础层中最重要的硬件设施，为AI服务器提供算力的底层支撑，具备强大的并行计算能力，能够快速处理大规模数据和复杂的神经网络模型，并实现人工智能训练与推理任务。

16、数据中心是一个物理设施，用于集中存储、管理和处理大量的数据，它包含了服务器、网络设备、供电系统等硬件基础设施。数据中心是数据平台的物理基础，为数据平台提供硬件支持和运行环境，主要通过多维度分布的数据中心提供算力支持，标准机架数量则直接反映了数据中心可部署 IT 设备的物理空间容量。

17、AI服务器专为人工智能训练和推理应用而设计。大模型兴起和生成式AI应用显著提升了对高性能计算资源的需求，AI 服务器是支撑这些复杂人工智能应用的核心基础设施。

18、中游技术层负责数据的挖掘、学习与智能处理，以软件为主，包括算法模型、AI软件框架以及通用技术三大部分，是连接基础层与应用层的桥梁。这一层级依托于海量数据的挖掘处理与机器学习建模，来进行各种应用技术的开发，从而解决实践中的具体类别问题。

19、算法与数据、算力一起，是推动本轮人工智能大发展的重要驱动力。算法的优劣直接决定了人工智能应用水平的高低。

20、AI软件框架是AI算法模型设计、训练和验证的一套标准接口、特性库和工具包，集成了算法的封装、数据的调用以及计算资源的使用，同时面向开发者提供了开发界面和高效的执行平台，是现阶段AI算法开发的必备工具。

21、通用技术是技术层的核心，人工智能应用到各行各业，离不开人工智能的通用技术。AI通用技术主要包括自然语言处理、计算机视觉、语音工程、推荐系统、机器人技术、生物识别技术等，为各个行业带来了深刻的变革和创新。

22、下游应用层是人工智能技术在各不同场景下的商业化应用，包括医疗、金融、零售、工业等行业类应用，以及智能驾驶、智能穿戴、智能机器人等终端应用。

23、AI可应用于医疗全流程，包括健康管理、诊前诊中诊后服务、影像分析、药物研发和手术机器人等。

24、金融行业是AI渗透率领先行业，AI+金融应用目前已覆盖产品设计、市场营销、风险控制、客户服务等环节，形成覆盖全生命周期的解决方案。同时，当前中国金融AI部署仍处于早期，受AI推动市场有望快速提升。

25、AI 技术通过自动生成内容、优化流程并提升用户体验，在零售行业的各个关键场景发挥重要作用。

26、AI 技术正日益深入应用于工业制造、石油化工、矿山冶金、电力能源等多个工业领域，成为工业互联网场景智能化的关键驱动力。

27、AI在医药研发中的应用正深刻改变传统模式，传统新药研发具有周期长、成本高、风险高等痛点，而AI技术应用能够缩短研发周期、节省试错成本、提高研发成功率。

28、智能驾驶指汽车通过各种传感器收集路况信息，AI算力对数据实时分析处理，让汽车做出驾驶决策的技术。简单来说就是让汽车能够“看路况、做决策、控方向”。2019年以来，全球智能汽车渗透率逐年提升，预计到2030年可达到99%以上。

29、智能穿戴指能够直接穿戴于人体上的高科技装备，不仅能够与用户进行互动，还能提供信息、数据和娱乐服务，与智能手机、电脑等设备无缝连接，实现远程控制、健康监测、导航等多种功能。

30、智能机器人是指利用人工智能技术设计和制造的，能够执行特定任务或一系列任务的自动化设备，它们能够通过感知环境、分析数据来做出决策，并根据决策执行相应的动作。

AI行业发展展望

31、当前，全球市场对人工智能的需求热度不减，根据专业机构预测2025年总规模为7575.8亿美元，到2034年将达到约36804.7亿美元，2025-2034预估复合年均增长率为 19.20%。

32、在大模型规模方面，随着人工智能应用的逐渐火热，我国持续攻坚发力，截至2024年一季度，我国大模型数量规模已占全球总量的36%。

33、从企业发展看，截至去年二季度，全球人工智能企业数量超3万家，中国位居第二，全球占比为15%。

34、从AI应用的用户活跃度来看，海外市场月活跃用户（MAU）达6.66亿，2024年度增长率24.54%，市场稳步扩张。中国市场MAU达1.35亿，2024年度增长率161.15%，呈现出爆发式增长，市场潜力正在加速释放。

35、从当前AI大模型能力边际来看，对于需要与人互动、重复性较高的业务类行业效率提升能力较强。而从长远来看，随着AI大模型技术能力的突破，AI大模型应用场景预计将多元化增长，且会逐渐从当前的业务类场景向决策管理场景深入。

中国AI发展背景

36、中国政府将人工智能视为战略性新兴产业，纳入国家发展规划。各地政府也纷纷出台具体政策，为人工智能发展提供全方位支持。

37、中国拥有庞大的人口基数，随着数字化转型的加速，各行业对AI技术的需求不断增长，产业发展空间广阔。

38、AI作为新一轮科技革命和产业变革的核心驱动力，正在重塑全球产业和经济格局。而AI技术在中国的应用场景也非常广泛，涵盖了从消费互联网到传统制造业的各个领域。

39、中国企业对AI技术的研发投入不断增加，根据专业机构测算，相关企业在人工智能领域的IT支出将持续提升。

40、随着AI产业的发展,社会上对AI相关岗位的需求也逐步提升。AI产品经理、数据标注/AI训练师等岗位需求同比增长迅速,带来了新兴的就业机会。

41、国内AI产业链全面，涵盖硬件到应用的各个环节，在数据和模型开发方面全球领先，在硬件上仍需进一步突破依赖。未来随着政府支持和技术进步，国内厂商有望进一步缩小与美国的差距，成为全球AI生态系统的核心玩家。

42、在当前国内人工智能产业中，产业竞争的重点正在由平台竞争向应用竞争转变。这种转变反映了企业和平台不再仅仅专注于模型的参数和处理能力，而是更加注重如何将技术转化为实际的商业价值和用户价值。

投资AI的工具

43、投资者想要对AI题材进行投资，通常可以考虑关注人工智能主题的优质股票或基金（ETF、ETF联接、主动管理型）。

44、市场上的人工智能指数较为丰富，根据上文所述AI产业链，可以分为综合型AI指数、算力指数、芯片指数、软件指数四大类。

45、CS人工智（930713）全称中证人工智能主题指数，选取50只业务涉及为人工智能提供基础资源、技术以及应用支持的上市公司证券作为指数样本，涵盖AI芯片、云基础设施、软件开发及应用等全产业链。

46、云计算（930851）全称中证云计算与大数据主题指数，选取50只业务涉及提供云计算服务、大数据服务以及上述服务相关硬件设备的上市公司作为样本股，涵盖云基础设施服务、通用计算机设备、网络接配等细分领域。

47、芯片产业（H30007）全称中证芯片产业指数，从沪深A股中选取业务涉及芯片设计、制造、封装与测试等领域，以及为芯片提供半导体材料、晶圆生产设备、封装测试设备等上市公司股票作为样本股，涵盖集成电路制造、半导体设备、数字芯片设计等细分领域。

48、中证软件（930601）全称中证软件服务指数，选取30只业务涉及软件开发、软件服务等领域的上市公司证券作为指数样本，涵盖新兴计算机软件、云软件服务、行业应用软件等细分领域。

49、一些指数虽然名称中没有“人工智能、芯片”等字样，但是在指数成分行业中AI相关行业占比较重，受到AI发展的影响较大，比如中证传媒指数、通信设备指数、消费电子指数、半导体材料设备指数、科技龙头指数等，投资者也可以进行关注。

投资AI可能面临的挑战及潜在解决方案

50、在投资AI的过程，也要注意行业可能面临的调整。AI行业的发展受到政策的严格监管，各国政府都在制定相关政策和法规。

51、在AI遭受非法运用、错误使用或出现用户隐私泄露等情况下，使用AI的企业可能会因此承担法律责任，还可能面临经济损失和声誉受损。

52、当前AI发展仍面临技术瓶颈。首先，AI模型的可解释性不足，许多深度学习模型被视为“黑箱”。同时，AI模型的性能高度依赖高质量的训练数据，但数据的获取、标注和清洗成本高昂。此外，大型AI模型的训练需要消耗大量能源，对环境造成负担。

53、AI技术发展迅速，技术迭代速度快，投资者可能面临所投资技术或企业因无法跟上技术发展步伐而被淘汰的风险。

54、随着网络上的AI合成数据逐渐增多，AI可能面临“模型崩溃”的危险——即在迭代训练中，因过度依赖AI自身产生的数据（而非真实数据）导致错误累积，最终使输出质量下降、失真或重复的现象，类似于信息退化循环。

55、AI行业吸引了大量投资者和企业进入，市场竞争日益激烈。在激烈的竞争中，企业可能面临市场份额被挤压、产品价格下降等风险，从而影响投资回报。

56、尽管AI技术在很多领域都有应用前景，但部分技术从实验室到大规模商业应用还需要时间，商业化进程的不确定性可能影响企业盈利能力。

57、对于AI的政策与安全风险，公司和投资者应当密切关注政策的变化，关心AI安全风险的解决方案。当前的AI安全检测平台，可通过智能对抗技术，生成海量测试数据集，对AI模型进行交互诱导，从而找到大模型存在的弱点和安全问题。

58、对于AI发展的技术风险问题，世界组织也在针对AI模型的开发，呼吁各平台和组织设计和开发具有可解释性的模型，在使用大数据训练AI模型时，确保数据的准确性和多样性。并且通过对现有的数据进行扩充，增加数据的丰富度，减少模型崩溃风险的同时，也减少了因数据不足导致技术落后的问题。

59、投资AI行业时，为了规避估值泡沫和商业化进程不确定的风险，需要研究市场的供需关系，追踪技术未来发展方向，了解AI落地情况，在关注政策和市场变化的同时，合理规划资产配置。