智慧园区AI解决方案专题分析报告

《智慧园区AI解决方案专题分析报告》由会员分享，可在线阅读，更多相关《智慧园区AI解决方案专题分析报告（20页珍藏版）》请在装配图网上搜索。

1、智慧园区AI解决方案专题分析报告鼓励各类创新主体充分利用互联网，把握市场需求导向，加强创新资源共享与合作，促进前沿技术和创新成果及时转化，构建开放式创新体系。推动各类创业创新扶持政策与互联网开放平台联动协作，为创业团队和个人开发者提供绿色通道服务。加快发展创业服务业，积极推广众包、用户参与设计、云设计等新型研发组织模式，引导建立社会各界交流合作的平台，推动跨区域、跨领域的技术成果转移和协同创新。网络设施和产业基础得到有效巩固加强，应用支撑和安全保障能力明显增强。固定宽带网络、新一代移动通信网和下一代互联网加快发展，物联网、云计算等新型基础设施更加完备。人工智能等技术及其产业化能力显著增强。一、

2、 互联网+智慧能源通过互联网促进能源系统扁平化，推进能源生产与消费模式革命，提高能源利用效率，推动节能减排。加强分布式能源网络建设，提高可再生能源占比，促进能源利用结构优化。加快发电设施、用电设施和电网智能化改造，提高电力系统的安全性、稳定性和可靠性。（一）推进能源生产智能化建立能源生产运行的监测、管理和调度信息公共服务网络，加强能源产业链上下游企业的信息对接和生产消费智能化，支撑电厂和电网协调运行，促进非化石能源与化石能源协同发电。鼓励能源企业运用大数据技术对设备状态、电能负载等数据进行分析挖掘与预测，开展精准调度、故障判断和预测性维护，提高能源利用效率和安全稳定运行水平。（二）建设分布式能

3、源网络建设以太阳能、风能等可再生能源为主体的多能源协调互补的能源互联网。突破分布式发电、储能、智能微网、主动配电网等关键技术，构建智能化电力运行监测、管理技术平台，使电力设备和用电终端基于互联网进行双向通信和智能调控，实现分布式电源的及时有效接入，逐步建成开放共享的能源网络。（三）探索能源消费新模式开展绿色电力交易服务区域试点，推进以智能电网为配送平台，以电子商务为交易平台，融合储能设施、物联网、智能用电设施等硬件以及碳交易、互联网金融等衍生服务于一体的绿色能源网络发展，实现绿色电力的点到点交易及实时配送和补贴结算。进一步加强能源生产和消费协调匹配，推进电动汽车、港口岸电等电能替代技术的应用，

4、推广电力需求侧管理，提高能源利用效率。基于分布式能源网络，发展用户端智能化用能、能源共享经济和能源自由交易，促进能源消费生态体系建设。（四）发展基于电网的通信设施和新型业务推进电力光纤到户工程，完善能源互联网信息通信系统。统筹部署电网和通信网深度融合的网络基础设施，实现同缆传输、共建共享，避免重复建设。鼓励依托智能电网发展家庭能效管理等新型业务。二、 视觉人工智能行业（一）视觉人工智能技术发展历程1、计算机视觉的定义计算机视觉技术赋予计算机人类双眼所拥有的分割、分类、识别、跟踪、判别等功能，通过构造多层的神经网络，识别不同层级的图像特征并在顶层做出判断和分类。2、计算机视觉的发展历程计算机视觉

5、主要经历了以上三个发展阶段。伴随着同期互联网海量数据的爆发，各类数据集成为计算机视觉技术发展的土壤，而深度学习和深层神经网络理论最终带来最新一次的技术变革。2015年，视觉人工智能系统识别项目ImageNet比赛中，ResNet以357%的识别错误率首次超越人类视觉的51%。目前人脸识别准确率已经提升至97%以上。（二）视觉人工智能产业链简介与人工智能市场的产业链相似，视觉人工智能市场的产业链同样分为基础层、技术层与应用层。其中，基础层主要包括提供算力的芯片与提供信息采集功能的前端设备组成的硬件支持、相关底层技术支持，与海量信息数据；技术层则主要包括基于各类识别技术构建的软件产品、解决方案和技

6、术平台；应用层则包括了各类视觉人工智能的应用场景。（三）视觉人工智能行业市场规模与行业构成作为人工智能产业中应用最为广泛的技术之一，计算机视觉技术拥有前景广阔的庞大市场。在2017年的爆发式增长后，我国计算机视觉市场近几年的增长趋缓，但仍处于较高水平。根据高工产研机器人研究所的数据，2019年中国计算机视觉应用市场达1456亿美元。而根据沙利文咨询出具的研究，2019年中国计算机视觉市场规模达到2196亿元。目前，视觉人工智能被广泛应用于各个行业，包括安防、零售、营销、医疗等等。其中，根据亿欧数据的研究，2018年中国计算机人脸识别市场中安防场景的应用占612%，根据前瞻研究院数据，2020年

7、中国计算机视觉应用层份额中，安防影像分析占679%，国内明确的应用场景和强大的客户需求让AI技术在安防行业快速落地。在安防行业，视觉人工智能的应用场景包括门禁、智能摄像头等，依托人像识别技术，安防排查和管理效率得到显著提升。同时，根据中科院发布的2019年人工智能发展白皮书等，目前计算机视觉技术除了安防之外，较为典型的应用场景还包括：自动驾驶汽车需要使用计算机视觉技术。特斯拉等汽车制造商已经通过摄像头、激光雷达、雷达和超声波传感器从环境中获取图像，研发自动驾驶汽车来探测目标、车道标志和交通信号，从而安全驾驶。由于90的医疗数据都是基于图像的，因此医学中的计算机视觉有很多用途。比如启用新的医疗诊

8、断方法，分析X射线，X光检查，AI诊疗等。计算机视觉技术可以帮助工业制造商更安全、更智能、更有效地运行，比如预测性维护设备故障，对包装和产品质量进行监控，并通过计算机视觉技术识别和减少不合格产品。传统翻译采用人工查词的方式，不但耗时长，而且错误率高。图像识别技术的出现大幅提升了翻译的效率和准确度，用户通过简单的拍照、截图或划线就能得到准确的翻译结果。（四）视觉人工智能技术的场景应用举例视觉人工智能目前被广泛应用于多个行业，其功能和应用涉及到数据采集端终端，数据传输，数据存储、处理和输出端云端，通过云端和终端的密切配合，最终实现有效结果的输出。以安防场景为例，在一个完整的端云架构中，终端IoT设

9、备主要用于数据采集，例如摄像机通过拍摄视频来采集数据，然后终端设备通过传播介质将数据传输至云端，再由云端进行批量的分析处理，最后输出分析结果。由于终端设备需要更多地考虑功耗和成本，过去在端侧仅部署较小的算力，更依靠云侧算力的支持。在数据呈现指数级增长的今天，一方面终端的视频流数据快速增长加重了传输渠道的负载，导致原有带宽无法支撑数据的及时、有效传输，进而影响了云端算力的科学调度；另一方面，数据量的指数级增长大幅提高了云端对并行运算数据峰值的要求，云侧的部署成本随着数据处理需求的极值增长而显著提高，但在数据处理的平峰期，云端算力将存在无法得到充分、有效运用的情形。为了更好地平衡云侧和端侧的算力分

10、布，实现整体效率的最大化，目前通过提升端侧和边缘侧的智能化水平和算力，实现整体算力分布的前置成为行业的新趋势。通过将部分算力和分析程序前置到终端设备，终端可以实现对数据的预处理，仅需将部分特征数据传至云端，甚至在本地完成对数据的完整分析。通过分布式算力部署，端侧设备形成的数据处理集群逐步向云侧设备融合。随着系统架构的不断优化，一方面这将增加有效算力，缓解带宽压力，减少设备的成本投入，另一方面数据的本地处理也能有效规避云侧分析带来的数据安全、隐私保护等风险。随着端侧芯片能够灵活支持更多算法，在云端集中的算力部署也将更加合理，最终实现端云协同的协同效应，即架构内算力、成本、时延、功耗的最优平衡。为

11、实现这一效果，端侧对芯片的兼容性和灵活性有更高的要求，在控制成本和功耗的同时提升算力，从而实现云端部署和应用场景的灵活适配。三、 互联网+协同制造推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平，加强产业链协作，发展基于互联网的协同制造新模式。在重点领域推进智能制造、大规模个性化定制、网络化协同制造和服务型制造，打造一批网络化协同制造公共服务平台，加快形成制造业网络化产业生态体系。（一）大力发展智能制造以智能工厂为发展方向，开展智能制造试点示范，加快推动云计算、物联网、智能工业机器人、增材制造等技术在生产过程中的应用，推进生产装备智能化升级、工艺流程改造和基础数据共享。着力在工控系

12、统、智能感知元器件、工业云平台、操作系统和工业软件等核心环节取得突破，加强工业大数据的开发与利用，有效支撑制造业智能化转型，构建开放、共享、协作的智能制造产业生态。（二）发展大规模个性化定制支持企业利用互联网采集并对接用户个性化需求，推进设计研发、生产制造和供应链管理等关键环节的柔性化改造，开展基于个性化产品的服务模式和商业模式创新。鼓励互联网企业整合市场信息，挖掘细分市场需求与发展趋势，为制造企业开展个性化定制提供决策支撑。（三）提升网络化协同制造水平鼓励制造业骨干企业通过互联网与产业链各环节紧密协同，促进生产、质量控制和运营管理系统全面互联，推行众包设计研发和网络化制造等新模式。鼓励有实力

13、的互联网企业构建网络化协同制造公共服务平台，面向细分行业提供云制造服务，促进创新资源、生产能力、市场需求的集聚与对接，提升服务中小微企业能力，加快全社会多元化制造资源的有效协同，提高产业链资源整合能力。（四）加速制造业服务化转型鼓励制造企业利用物联网、云计算、大数据等技术，整合产品全生命周期数据，形成面向生产组织全过程的决策服务信息，为产品优化升级提供数据支撑。鼓励企业基于互联网开展故障预警、远程维护、质量诊断、远程过程优化等在线增值服务，拓展产品价值空间，实现从制造向制造+服务的转型升级。四、 互联网+普惠金融促进互联网金融健康发展，全面提升互联网金融服务能力和普惠水平，鼓励互联网与银行、证

14、券、保险、基金的融合创新，为大众提供丰富、安全、便捷的金融产品和服务，更好满足不同层次实体经济的投融资需求，培育一批具有行业影响力的互联网金融创新型企业。（一）探索推进互联网金融云服务平台建设探索互联网企业构建互联网金融云服务平台。在保证技术成熟和业务安全的基础上，支持金融企业与云计算技术提供商合作开展金融公共云服务，提供多样化、个性化、精准化的金融产品。支持银行、证券、保险企业稳妥实施系统架构转型，鼓励探索利用云服务平台开展金融核心业务，提供基于金融云服务平台的信用、认证、接口等公共服务。（二）鼓励金融机构利用互联网拓宽服务覆盖面鼓励各金融机构利用云计算、移动互联网、大数据等技术手段，加快金

15、融产品和服务创新，在更广泛地区提供便利的存贷款、支付结算、信用中介平台等金融服务，拓宽普惠金融服务范围，为实体经济发展提供有效支撑。支持金融机构和互联网企业依法合规开展网络借贷、网络证券、网络保险、互联网基金销售等业务。扩大专业互联网保险公司试点，充分发挥保险业在防范互联网金融风险中的作用。推动金融集成电路卡（IC卡）全面应用，提升电子现金的使用率和便捷性。发挥移动金融安全可信公共服务平台（MTPS）的作用，积极推动商业银行开展移动金融创新应用，促进移动金融在电子商务、公共服务等领域的规模应用。支持银行业金融机构借助互联网技术发展消费信贷业务，支持金融租赁公司利用互联网技术开展金融租赁业务。（

16、三）积极拓展互联网金融服务创新的深度和广度鼓励互联网企业依法合规提供创新金融产品和服务，更好满足中小微企业、创新型企业和个人的投融资需求。规范发展网络借贷和互联网消费信贷业务，探索互联网金融服务创新。积极引导风险投资基金、私募股权投资基金和产业投资基金投资于互联网金融企业。利用大数据发展市场化个人征信业务，加快网络征信和信用评价体系建设。加强互联网金融消费权益保护和投资者保护，建立多元化金融消费纠纷解决机制。改进和完善互联网金融监管，提高金融服务安全性，有效防范互联网金融风险及其外溢效应。五、 发展目标（一）经济发展进一步提质增效互联网在促进制造业、农业、能源、环保等产业转型升级方面取得积极成

17、效，劳动生产率进一步提高。基于互联网的新兴业态不断涌现，电子商务、互联网金融快速发展，对经济提质增效的促进作用更加凸显。（二）社会服务进一步便捷普惠健康医疗、教育、交通等民生领域互联网应用更加丰富，公共服务更加多元，线上线下结合更加紧密。社会服务资源配置不断优化，公众享受到更加公平、高效、优质、便捷的服务。（三）基础支撑进一步夯实提升网络设施和产业基础得到有效巩固加强，应用支撑和安全保障能力明显增强。固定宽带网络、新一代移动通信网和下一代互联网加快发展，物联网、云计算等新型基础设施更加完备。人工智能等技术及其产业化能力显著增强。（四）发展环境进一步开放包容全社会对互联网融合创新的认识不断深入，

18、互联网融合发展面临的体制机制障碍有效破除，公共数据资源开放取得实质性进展，相关标准规范、信用体系和法律法规逐步完善。到2025年，网络化、智能化、服务化、协同化的互联网+产业生态体系基本完善，互联网+新经济形态初步形成，互联网+成为经济社会创新发展的重要驱动力量。六、 人工智能整体市场未来发展趋势（一）人工智能端侧与云侧的融合与协作是大势所趋中国物联网市场在未来三年预计将保持20%以上的增长速度，在2021年达到26，251亿元的市场规模，而物联网应用的渗透将带动对物联网芯片的需求。据MarketsandMarkets预计，2020年全球物联网芯片市场规模将达10941亿美元，对云侧和端侧的要

19、求将更加全面，在云侧寻求算力、响应时间、成本等因素的最优配置，在端侧提升算力和让数据尽可能实现本地处理。一方面，物联网将有更多的应用场景对延时更为敏感，例如智能家居、智能工业、智能医疗需要端侧设备的实时响应。另一方面，5G时代的无线网络将具有更低的时延性，大规模的数据流动将增加传输和云端的压力，这同样需要云侧和端侧的密切配合。目前云侧和端侧的配合主要体现在云端训练神经网络，再由终端或边缘端设备进行推理。未来，随着端侧设备的进一步迭代，设备能负载更多的计算分析工作，甚至可以承担部分的训练过程。另一方面，计算力的前置是行业发展的重要趋势，未来云侧的边界也会逐渐向终端和数据源头推进，整合云侧和端侧的

20、架构，将AI处理分布在各个网络设备中。随着云侧和端侧的技术走向成熟，其协作的适应性和灵活性将成为下一阶段的竞争重点。未来云端和终端设备及其连接网络可能会构成一个庞大的AI处理网络，云端能够实时控制、调整终端的算法，重新定义、迭代硬件；而终端也能将数据及时反哺给云端进行自适应优化；训练和推理的相互协作、互补整合也将成为技术的一大探索方向，形成完整协同的智能生态。（二）视觉人工智能行业的竞争维度逐步从单一技术领先性竞争转向综合服务能力竞争AI芯片与算法都是人工智能行业的关键底层技术，两者的发展彼此交互、相互融合、相互促进，共同助推终端智能和AI生态的发展。以安防行业为例，前端采集设备和云端软件的协

21、调、优化能有效提升整体方案运行的稳定性和效率。随着AI算法技术的不断进步，视觉人工智能企业技术成熟度均已达到较高水平，同行业企业间的技术差异正在逐渐缩小，行业技术进步所带来的边际改善效应正在衰减。在更多场景下，竞争者之间的技术水平都已经可以较好地满足用户的需求。故而，视觉人工智能领先企业间的竞争正从过往的以技术领先性为核心的技术研发竞争逐步转向以用户需求理解和应用场景落地为核心的技术应用竞争。以上变化也对企业的技术研发能力和综合服务能力提出了新的要求，过去在产业链单一环节的专业化优势正趋于弱化，而如何基于场景需要，打通底层的算法、芯片等核心技术，如何为客户提供全面、综合、成本更优、体验更好的方

22、案和服务正成为未来行业竞争的关键因素。（三）核心城市日渐成为视觉人工智能技术等AI技术创新和应用的重要载体和试验地随着人工智能技术的发展和城市治理水平的内在需求趋强，城市日益成为人工智能技术创新融合应用的重要载体和试验地。在全球范围内，包括旧金山、纽约、伦敦、新加坡、东京、北京、上海、深圳等核心城市都在形成人工智能技术创新和应用的集聚。而中国政府正在大力推动的新型基础设施建设，核心城市也是建设的主战场和示范基地。未来，能抢占核心城市市场的人工智能企业也将拥有更丰富的技术落地场景，进而拥有更强的竞争优势。视觉人工智能技术作为目前应用最成熟的AI技术之一，未来将不仅局限在与公共安全相关的领域，有望

23、在城市的发展和治理中发挥更加重要的作用。七、 人工智能芯片行业人工智能芯片指应用在人工智能算法加速，主要实现大规模并行计算的芯片。而在更广泛的概念下，任何应用在人工智能领域的芯片都可被称为人工智能芯片。（一）人工智能芯片以技术路线分类深度学习架构下的人工智能芯片以技术路线进行划分，主要包括GPU、FPGA、ASIC、ASIP等类别。GPU使用SIMD让多个执行单元同时处理不同的数据，其离散化和分布式的特征，以及用矩阵运算替代布尔运算的设计使之适合处理深度学习所需要的非线性离散数据。与同样基于冯诺依曼架构的CPU不同的是，在传统的冯诺依曼结构中，CPU每执行一条指令都需要存储读取、指令分析、分支

24、跳转才能进行运算，从而限制了处理器的性能；而GPU大部分的晶体管可以组成各类专用电路、多条流水线，运算单元明显增多，适合大规模的并行计算。GPU拥有更多的ALU用于数据处理，这样的结构适合对密集型数据进行并行处理，获得高于CPU几十倍甚至上千倍的运行速度。在云端，通用GPU，被广泛应用于深度神经网络训练和推理。但是，GPU并非专门针对AI算法，在执行算法中能耗相对较高、效率相对较低，有一定的时延问题。FPGA利用门电路直接运算，而用户可以自由定义这些门电路和存储器之间的布线，改变执行方案。其基本原理是集成大量的基本门电路以及存储器，通过大量的可编程逻辑单元实现针对性的算法设计，即实现以硬件定义

25、软件。FPGA通过可编程逻辑综合，在并行计算上能够获得和GPU接近的并行计算性能，相比CPU，有明显的性能提升，同时在功耗上优势明显在深度学习算法仍处于高速迭代的状态下，FPGA因其可重构特性而具有显著优势。FPGA市场化的阻碍主要在于高昂的硬件和开发成本，编程相对复杂，为实现重构而降低了计算资源占比，整体运算能力受到影响。ASIC则为专用定制芯片的统称，在架构、设计、成本等方面存在更大的多样性，其中VPU是为图像处理和视觉处理设计的定制芯片。ASIC的架构相对简单，性能和功耗与通用型产品相比更低。由于不需要包含FPGA用于实现重构的可配置片上路由与连线，相同工艺的ASIC计算芯片可以拥有FP

26、GA5-10倍的运算速度，实现PPA最优化设计。ASIC针对场景的定制化设计使其更适合终端推理场景，而如今它的主要劣势在于初期设计的资金投入和研发周期，且针对性设计限制了芯片的通用性。ASIP是一种新型的定制化指令集的处理器芯片，它为某个或某一类型应用而专门设计，通过权衡速度、功耗、成本、灵活性等多个方面的设计约束，设计者可以定制ASIP以达到最好的平衡点，从而适应嵌入式系统的需要。ASIP集合了FPGA和ASIC各自的优点，不仅可以提供ASIC级别的高性能和低功耗，还能提供处理器级别的指令集灵活性，实现可重新编程，更适用于需求尚未被明确定义、需要芯片具备一定通用性和可编程性的应用场景，从而满

27、足AI算法快速更新迭代的需求，并延长芯片的使用生命周期。相对GPUCPU具备同等的指令集灵活性，执行效率、功耗、能量效率方面相比CPU、GPU有1-2个数量级的优势。相对DSP在视觉人工智能算法上的执行效率上高2-5倍，功耗只有其1/2-1/3。相对ASIC具有后向算法可编程的灵活性，更适合深度学习AI算法的演进和迭代部署。相对FPGA具有高性能、低成本的优势，成本方面有百倍级的成本优势。未来，类脑芯片的神经拟态计算将带来更大的想象空间，其内存、CPU和通信部件将集成为一体，信息处理可以在本地进行。类脑芯片的设计目的也将不局限于加速深度学习算法，而是在芯片结构甚至器件层面上改变设计，开发出全新

28、的类脑计算机体系结构。目前此项技术还尚未得到大规模应用，但很有可能成为行业内长期发展的路径和方向。（二）人工智能芯片行业市场规模与行业构成市场规模方面，AI芯片的需求正在快速扩大，根据艾媒咨询的预测，全球AI芯片市场规模将在未来五年内飙升，预计将从2019年的110亿美元增长至2025年的726亿美元。赛迪顾问则预测中国AI芯片市场规模将从2019年的1241亿元增长至2021年的3057亿元，预计未来几年仍将以超过50%的速度快速增长。根据赛迪数据报告，从行业结构分布来看，在2021年安防行业是AI芯片落地应用的最大市场，市场规模达到511亿元，占比1672%。其余用途比较广泛的场景还包括零

29、售、医疗、教育、制造、金融、物流、交通等领域。根据应用场景，AI芯片可分为云端芯片、边缘端芯片和终端芯片，再根据功能可分为训练芯片和推断芯片。近年来，宏观政策的大力支持和人工智能的普遍应用促进了AI芯片市场的高速扩张。赛迪顾问预测，2021年我国AI芯片市场规模将达到3057亿元，2019至2021年市场规模的年化增长率均超过50%。尤其对于终端推断芯片市场，随着人工智能应用生态的逐步建立，AI应用将被更为广泛地部署在终端设备，其市场规模年化增长率将保持在60%以上。而根据甲子光年的统计，2020年中国云端AI芯片的市场规模可以达到1117亿元，边缘与终端芯片为39亿元。但人工智能在安防、家居

30、、商业等应用领域的大规模落地为边缘与终端芯片带来了更大的市场契机，该市场2018至2023年复合增长率将达到622%。八、 互联网+创业创新充分发挥互联网的创新驱动作用，以促进创业创新为重点，推动各类要素资源聚集、开放和共享，大力发展众创空间、开放式创新等，引导和推动全社会形成大众创业、万众创新的浓厚氛围，打造经济发展新引擎。（一）强化创业创新支撑鼓励大型互联网企业和基础电信企业利用技术优势和产业整合能力，向小微企业和创业团队开放平台入口、数据信息、计算能力等资源，提供研发工具、经营管理和市场营销等方面的支持和服务，提高小微企业信息化应用水平，培育和孵化具有良好商业模式的创业企业。充分利用互联

31、网基础条件，完善小微企业公共服务平台网络，集聚创业创新资源，为小微企业提供找得着、用得起、有保障的服务。（二）积极发展众创空间充分发挥互联网开放创新优势，调动全社会力量，支持创新工场、创客空间、社会实验室、智慧小企业创业基地等新型众创空间发展。充分利用国家自主创新示范区、科技企业孵化器、大学科技园、商贸企业集聚区、小微企业创业示范基地等现有条件，通过市场化方式构建一批创新与创业相结合、线上与线下相结合、孵化与投资相结合的众创空间，为创业者提供低成本、便利化、全要素的工作空间、网络空间、社交空间和资源共享空间。实施新兴产业双创行动，建立一批新兴产业双创示范基地，加快发展互联网+创业网络体系。（三）发展开放式创新鼓励各类创新主体充分利用互联网，把握市场需求导向，加强创新资源共享与合作，促进前沿技术和创新成果及时转化，构建开放式创新体系。推动各类创业创新扶持政策与互联网开放平台联动协作，为创业团队和个人开发者提供绿色通道服务。加快发展创业服务业，积极推广众包、用户参与设计、云设计等新型研发组织模式，引导建立社会各界交流合作的平台，推动跨区域、跨领域的技术成果转移和协同创新。