人工智能（AI）指利用技术学习人、模拟人，乃至超越人类智能的综合学科。人工智能技术可以显著提升人类效率，在图像识别、语音识别等领域快速完成识别和复杂运算。 此外，面对开放性问题，人工智能技术亦可通过穷举计算找到人类预料之外的规律和关联。 自 1956 年“人工智能”概念首次被提出，AI 技术“三起两落”。本轮人工智能腾飞受益于持续提升的 AI 算力、神经网络算法的优化，有望在图像识别、语音识别、训练和推理领域进一步提升效率。
资料来源：ICEAA，中信证券研究部
硬件：得益于 AI 芯片算力的提升，全球 AI 训练的成本、时间相比过去得到大幅降低。 AI 芯片算力过去 9 年提升约 315 倍。目前，AI 芯片主要应用于数据中心、边缘 计算等领域，按照功能的划分，可以分为训练和推理两种应用场景。以全球 AI芯片领军者英伟达的发展状况来看，公司 AI 芯片算力由 2012 年的 4Tops 提升至 2021 年的 1248Tops，9 年时间提升了约 315 倍。
资料来源：ICEAA，中信证券研究部
资料来源：ICEAA，英伟达官网，中信证券研究部
AI 硬件训练成本近 5 年降幅约 55%。ImageNet 是一个包含超过 1400 万张图像 的数据集，用于训练人工智能算法。根据斯坦福 DAWNBench 团队的测试，2020 年训练一个现代的图像识别系统仅需约 7.5 美元，比 2017 年的 1100 美元下降了 99%以上，主要受益于算法设计的优化、算力成本的下降，以及大规模人工智能 训练基础设施的进步。训练系统的速度越快，评估并用新数据更新系统的速度就 越快，这将进一步加快 ImageNet 系统的训练速度，提高开发和部署人工智能系 统的生产力。
训练时间分布上看，训练所需时间全面降低。斯坦福大学 AI 年度报告显示， Imagnet 训练时间，在过去 3 年时间大幅降低。其中模型训练时间的最高值，由 2018 年的 1 万分钟降低至 2020 年的 1 分钟；模型训练时间的最小值，由 2018 年的 9 分钟降低至 2020 年的 0.6 分钟。训练时间大大缩短，且训练时间的分布 更加集中，主要受益于加速器芯片的广泛使用。
资料来源：ICEAA，斯坦福大学 AI 年度报告，中信证券研究部
软件算法：从 CV 向 NLP 延伸。由于底层算力的提高，以往算力无法支持的算法得以 实现，尤其是深度学习方面，正在向深度神经网络过渡。计算机视觉通过机器学习取得巨 大突破，这一方法正逐渐向自然语言处理（NLP：Natural Language Processing）延伸， 可处理数据类型也从图像延伸至文本，使得计算机有处理人类自然语言的能力，并因此催 生出搜索引擎优化、推荐算法等实际应用场景。
计算机视觉准确率测试成绩明显提升，正处于产业化阶段。计算机视觉在过去的 十年里取得了巨大的进步，这主要归功于机器学习技术（特别是深度学习）的应 用。Top-1 准确度测试可测试 AI 系统为图像分配正确标签的能力，尤其用于测试 单次预测是否与目标标签相同。近年来，研究人员开始专注于通过额外的训练数 据（例如来自社交媒体的照片）对他们的系统进行预训练来提高性能，根据斯坦 福大学 AI 年度报告，2021 年 1 月在 Top-1 准确度测试上每 10 次尝试中会出现 1 次错误，而 2012 年 12 月每 10 次尝试中会出现 4 次错误。而另一项精确率测试 Top-5 会让计算机回答目标标签是否在提供的 5 个预测中，其准确率从 2013 年的 85%提高到 2021 年的 99%，近乎接近零误差。
资料来源：ICEAA，斯坦福大学 AI 年度报告，中信证券研究部
NLP 语言测试任务中，人工智能表现超过“人类基线”。近年 NLP 技术的进步导 致数十亿人访问的大规模系统发生了重大变化，并已开始对世界产生有意义的经 济影响。谷歌和微软都在他们的搜索引擎中部署了 BERT 语言模型，而 OpenAI 等公司也开发了其他大型语言模型。此外，NLP 的性能也得到了极大提升，在任 务测试表现上达到甚至超过人类水平。SuperGLUE 是 2019 年推出的单指标基 准，用于评估模型在已建立数据集上的完成语言理解任务的性能。SuperGLUE 标定的“人类基线”的平均得分为 89.8，而微软的 DeBERTa 模型目前得分为 90.3，这意味着 AI 系统在整个套件的平均性能超过了人类基线的表现。
资料来源：ICEAA，斯坦福大学 AI 年度报告，中信证券研究部
来源：科技行业元宇宙深度报告：元宇宙，引领未来20年科技发展浪潮-中信证券
