中国人工智能产业规模5年后或超万亿，这两个行业渗透力居首

随着AGI（通用人工智能）渐行渐近，科技界的大量资本和人才将聚焦于人工智能应用落地。

继2024年**工作报告首次提出开展“人工智能+”行动后，前不久举行的中央经济工作会议把开展“人工智能+”行动作为今年要抓好的一项重点任务。

那么，中国人工智能产业发展现状如何？未来有哪些重要趋势？

未来10年显著增长

赛迪顾问最新发布的报告（下称“报告”）认为，全球人工智能发展路径分化，差距在特定领域拉大，但在应用落地方面逐渐缩小。具体来看，美国聚焦技术创新，欧洲则强调规范制定，中国深耕市场需求。不同国家和地区在AI发展战略上各有侧重，但并非完全孤立，而是相互关联、互为补充。

工信部数据显示，截至去年9月底，我国人工智能核心产业规模接近6000亿元，相关企业超过4500家。

去年以来，工信部出台了多项政策支持人工智能发展。例如，《关于推动未来产业创新发展的实施意见》提出，围绕制造业主战场加快发展人工智能、人形机器人等未来产业，支撑推进新型工业化；去年7月公布的《国家人工智能产业综合标准化体系建设指南（2024版）》，将赋能新型工业化作为人工智能标准体系结构的七个部分之一，规范了人工智能技术在制造业全流程智能化以及重点行业智能升级的技术要求；去年12月发布的《制造业企业数字化转型实施指南》，鼓励企业探索智能研发新应用，开发“人工智能+”研发设计软件。

赛迪顾问认为，今年中国人工智能产业将迎来爆发式增长，增速领跑全球。中国人工智能产业在未来10年将呈现出显著的增长趋势，并在全球市场中占据重要地位。从2025年到2035年，中国人工智能产业规模预计将从3985亿元增长至17295亿元，复合年增长率为15.6%。其中，2030年，中国人工智能产业规模预计突破1万亿元。

关注行业落地

人工智能具备典型的通用技术特征，能够在几乎所有经济活动中发挥作用。AI在具体行业的落地，也成为今年人工智能发展的一大趋势。

日前举行的全国工业和信息化工作会议提出，今年将实施“人工智能+制造”行动，加强通用大模型和行业大模型研发布局和重点场景应用。全链条推进基础软件、工业软件技术攻关和成果应用，加快建设先进计算产业体系。

在去年底召开的2024人工智能赋能新型工业化大会上，工信部总工程师谢少峰谈到如何推进“人工智能+制造”时表示，接下来将编制人工智能赋能新型工业化路线图，培育一批典型的应用案例。同时，围绕算力、算法、数据等核心技术，加大技术攻关，推进软硬件适配，构建从智能芯片到算法框架大模型的全栈式产业链，推动通用大模型与行业大模型协同发展。加强产学研用协作，打造一批生态主导型龙头企业，培育一批专精特新“小巨人”企业，引导产业链上下游协同，支持开源社区建设，构建具有全球竞争力的产业生态。

报告显示，人工智能技术在各行业的渗透和影响力呈现出三个清晰的生态位，智能驾驶和具身智能处于ai应用的第一梯队，这两个领域对AI技术具有紧密需求和强伴生性，显示出强关联。

从去年开始热度持续的人形机器人，被业内看成是AGI的最佳载体。按照特斯拉CEO马斯克的预测，在未来，假设人形机器人与人口比例为2:1，人形机器人需求量有望达到100亿~200亿台，人类对其需求甚至远远超过汽车。

香港大学新兴技术研究所所长、上海人形机器人创新孵化器首席科学家席宁教授此前在接受第一财经采访时表示，人形机器人领域又现新高潮，人工智能大模型的出现是一大原因。很多机器人此前面临的困难和问题，可能通过具身智能、大模型得到解决，包括应对老龄化问题等机器人技术新的应用方向，还会拉动产业发展。

中国电科第21研究所电科人形机器人项目研发负责人蒋志勇对记者说，要让人形机器人真正从事各种工作，担负起人类的任务，必须在实际场景中应用训练，不断增长“智慧”，只有真正投入应用场景中，才能进一步发现实际应用的问题，从而更好地通过技术迭代解决，并在这一过程中持续发现机器人在其他应用场景方面的潜力。

除了AI在行业的落地，智能算力也是AI技术的关键环节与核心底座。报告认为，今年智算需求保持高速增长，智算中心迎来发展关键窗口期。未来3年中国在建和拟建智算中心规模至少为截至2023年底投产规模的5倍。

国家信息中心的《智能计算中心创新发展指南》显示，“十四五”期间，在智算中心实现80%应用水平的情况下，城市对智算中心的投资可带动人工智能核心产业增长2.9至3.4倍，带动相关产业增长36至42倍。

在前不久举行的“2024年国际算力标准与应用研讨会”上，中国信通院云计算与大数据研究所所长何宝宏说，自2022年底ChatGPT诞生以来，人工智能基础设施和相关智能投资快速上升，全球对智算的关注度不断提高。相较于传统算力，智能算力由基于GPU、FPGA、ASIC等AI芯片的加速计算平台提供，主要用于人工智能的训练和推理计算。

何宝宏认为，高端算力市场仍存在短缺，而中低端算力市场则出现了供过于求的现象。此外，计算能力的提升速度远超网络能力的提升，导致新的网络技术需求，需要在现有以太网上进行改进，或者开发全新的网络连接技术。能耗问题也是一个重要的挑战。在大模型训练过程中，约2/3的成本是电费。未来需要关注节能计算和混合计算的发展，以应对能耗问题。