1©2023LeadLeowww.leadleo.com400-072-55882023年中国人工智能行业概览OverviewofChina'sArtificialIntelligenceIndustryin20232023年中国人工知能業界の概要报告提供的任何内容（包括但不限于数据、文字、图表、图像等）均系头豹研究院独有的高度机密性文件（在报告中另行标明出处者除外）。未经头豹研究院事先书面许可，任何人不得以任何方式擅自复制、再造、传播、出版、引用、改编、汇编本报告内容，若有违反上述约定的行为发生，头豹研究院保留采取法律措施，追究相关人员责任的权利。头豹研究院开展的所有商业活动均使用“头豹研究院”或“头豹”的商号、商标，头豹研究院无任何前述名称之外的其他分支机构，也未授权或聘用其他任何第三方代表头豹研究院开展商业活动。2023/05www.leadleo.com报告标签：人工智能、工业质检、自动驾驶、MLOps、AutoML、博瀚智能2•人工智能行业现处于核心硬件发展阶段，数据、算力、算法是三大核心发展要素，推动着人工智能的技术迭代和商业化落地。中国人工智能企业处于发展初期，大多数企业对于人工智能的发展主要以框架搭建和应用解决方案为主，在打造高质量产品和降低成本方面持续创新。政策环境的优化，也将助力AI产业高速发展。中国人工智能行业发展势头强劲，赋能千行百业01•对比以模型为中心的AutoML，以数据为中心的MLOps具有把数据的质量和数量置于主要位置的特点，能提供更有优势的解决方案，使组织规模化、高质量、高效率、可持续地生产机器学习模型，有效缓解AI生产过程的管理问题，提升AI生产的转化效率。目前，MLOps行业应用稳步推进，落地实践成果颇丰。02•近年来，中国人工智能开发平台市场规模持续增长。在应用场景端，传统AI模型痛点突出，亟待人工智能协助转型，中国制造业人工智能解决方案的市场规模呈现快速增长态势。AI与各产业深度融合，精准解决各场景痛点，未来增长潜力巨大，尤其在制造行业和交通行业，AI的渗透率有较大增长空间。MLOps以数据为中心的技术成为人工智能生产落地的重要推动力03乘人工智能行业发展东风——摘要©2023LeadLeowww.leadleo.com400-072-5588近期ChatGPT的出现掀起了又一波人工智能发展热潮，中国人工智能行业发展势头强劲，市场规模持续上升，正逐步进入效率化生产阶段。MLOps技术作为人工智能生产落地的重要推动力，重要性愈加凸显。博瀚智能作为国内私有云AI平台第一梯队服务商，采用数据闭环驱动+MLOps的技术路线，提供丰富的产品精准解决传统方案痛点，赋能人工智能行业发展，未来前景相当广阔。中国人工智能行业市场规模持续上升，与各产业深度融合国内私有云AI平台第一梯队服务商——博瀚智能04•博瀚智能是业内领先的人工智能综合平台和智能化数据处理方案提供商，近几年营收增速较快，研发能力强劲，公司坚持以数据为中心的技术路线，精准解决传统方案痛点。其打造的多维度数据AI管理平台AIstudio是业内领先的轻量级私有化平台，实现用户友好的深度学习和模型快速部署，合作生态十分繁荣。3©2023LeadLeowww.leadleo.com400-072-5588◆名词解释------------------07◆中国人工智能行业发展概述------------------08•人工智能行业发展历程，AI产业正逐步进入效率化生产阶段------------------09•行业规模不断扩大，市场以政府端为主带动企业端应用落地------------------10•AI技术赋能各行各业，落地多种应用场景------------------11•落地需求为市场主要驱动力，政府的行业持续发展------------------12•下游行业量增驱动人工智能应用，需求有望较大提升------------------13•政策环境持续优化，助力AI产业创新发展------------------14◆MLOps技术成为人工智能生产落地重要推动力------------------15•数据为中心的技术路径潜力较大，将成未来发展趋势------------------16•以数据为中心的MLOps提供优质解决方案，助力组织保障生产质量------------------17•AutoML优势与痛点并存，整体表现逊于MLOps------------------18•MLOps有效缓解AI生产过程管理问题，提升AI生产转化率------------------19•MLOps工具不断创新，落地实践成果颇丰------------------20◆中国人工智能行业市场规模持续上升，与各产业深度融合------------------21•传统AI模型痛点突出，亟待人工智能协助转型------------------22•AI基础设施成长迅速，资源整体效能水平不断进化------------------23•中国AI行业与开发平台市场规模高速增长------------------24•人工智能基础数据服务众多下游场景，精准解决痛点------------------25目录CONTENTS4©2023LeadLeowww.leadleo.com400-072-5588目录CONTENTS◆国内私有云AI平台第一梯队服务商——博瀚智能------------------26•企业概况：业内领先的人工智能综合平台和智能化数据处理方案提供商------------------27•经营情况：强劲的研发能力强劲与过硬的产品质量支持企业持续发展------------------28•核心业务：形态丰富、设计先进，构建全栈、可扩展的云边端平台体系------------------29•企业生态：深度合作业内头部企业，并拥有百余落地案例------------------30◆方法论------------------31◆法律声明------------------32◆企业介绍及宣传页------------------335©2023LeadLeowww.leadleo.com400-072-5588图表1：人工智能行业定义及特征----------------------------------------09图表2：2018-2022年全球企业应用AI产品的平均数量----------------------------------------09图表3：人工智能行业落地场景----------------------------------------09图表4：人工智能行业发展历程----------------------------------------10图表5：中国人工智能技术架构----------------------------------------11图表6：AI技术三大核心底层基础----------------------------------------12图表7：中国人工智能企业突破与创新----------------------------------------12图表8：AI在各个行业的渗透情况----------------------------------------13图表9：2016-2022年人工智能产业相关政策梳理----------------------------------------14图表10：以数据为中心将成行业发展方向----------------------------------------16图表11：平台对于数据驱动的AI重要性----------------------------------------16图表12：AutoML和MLOps技术路径对比----------------------------------------17图表13：数据为中心与模型为中心的不同----------------------------------------17图表14：AutoML的特征及痛点----------------------------------------18图表15：AutoML发展历程----------------------------------------18图表16：MLOps的特征及价值----------------------------------------19图表17：MLOps发展历程----------------------------------------19图表18：以数据为中心：MLOps----------------------------------------20图表19：MLOps发展现状----------------------------------------20图表20：MLOps的意义和价值----------------------------------------20图表目录ListofFiguresandTables6©2023LeadLeowww.leadleo.com400-072-5588图表21：AI模型落地的痛点----------------------------------------22图表22：人工智能基础层进阶之路----------------------------------------23图表23：一站式基础层资源平台----------------------------------------23图表24：中国人工智能行业市场规模及渗透率，2021-2027E----------------------------------------24图表25：AI开发平台市场规模----------------------------------------24图表26：人工智能应用场景----------------------------------------25图表27：博瀚智能公司介绍----------------------------------------27图表28：博瀚智能团队背景----------------------------------------27图表29：博瀚智能发展历程----------------------------------------27图表30：公司经营状况----------------------------------------28图表31：AI质检解决的痛点问题----------------------------------------28图表32：博瀚智能的主要产品----------------------------------------29图表33：AIStudio：一站式AI开发+大数据分析平台----------------------------------------29图表34：博瀚智能各领域合作伙伴----------------------------------------30图表目录ListofFiguresandTables7©2023LeadLeowww.leadleo.com400-072-5588◆人工智能：ArtificialIntelligence，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。◆DevOps：一种软件开发和运维的文化、方法和实践，旨在通过自动化、协作和跨职能团队的整合，实现更快、更可靠和更高效的软件开发、测试、部署和运维。◆生成式AI：AI-GeneratedContent，人工智能生成内容，是指基于人工智能技术，通过已有数据寻找规律，并通过适当的泛化能力生成相关内容的技术，可以生成常见的如图像、文本、音频、视频等内容。◆ChatGPT：基于GPT-3.5架构训练的大型语言模型，由OpenAI开发。可以进行对话、回答问题、生成文本等任务。利用自然语言处理和机器学习技术，可以处理广泛的语言任务，包括文本分类、语义理解、文本生成、对话建模等。◆MLOps：通过构建和运行机器学习流水线（Pipeline），统一机器学习（ML）项目研发（Dev）和运营（Ops）过程的一种方法。目的是提高AI模型生产质效。◆AutoML：一种机器学习过程，旨在通过一系列算法和启发式方法实现从数据选择到建立模型的自动化。◆DataOps：一种数据运营（DataOperations）的方法论，其目的是改进和加速数据管道（DataPipeline）的开发、测试、部署和运行，以确保数据在组织内部流动的可靠性、一致性和质量。◆自然语言处理：NaturalLanguageProcessing（NLP），是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。◆算法：算法是计算机专业中的一种算法，就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。基于内容的信息推荐方法的理论依据主要来自信息检索和信息过滤，所谓的基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。算法是互联网运作的基础，是大数据、人工智能、云计算等一切网络活动的内部规则，是电子商务、信息传播、互动交流、游戏活动、未成年人权益保护等网络运营的起点。名词解释8©2023LeadLeowww.leadleo.com400-072-558801中国人工智能行业发展势头强劲，现处于“核心硬件发展阶段”时期，应用前景广阔❑概况与特点9©2023LeadLeowww.leadleo.com400-072-55881.1行业概况•人工智能技术为千行百业赋能，实现各类应用场景落地，现阶段已发展成为主流趋势，AI技术商业价值不断增长，产品形态和应用边界也在持续拓宽。1.92.33.13.93.8201820192020202120222018-2022年全球企业应用AI产品的平均数量◼企业应用AI技术比重持续提升，AI技术商业价值不断增长。据调查，2017年企业应用AI技术比重约占20%，2022年企业至少在一个业务领域采用AI技术比率增至50%。2018年应用AI产品平均仅1.9个，2022年增至3.8个。应用数量提升以外，AI商业价值不断增长，企业部署AI动力显著。◼机器人流程自动化（RPA）和计算机视觉是人工智能领域每年最常用的技术，自然语言文本理解已经从2018年的中间位置上升到仅次于计算机视觉的第三位。算力算法数据人工智能基础层数据基础服务与治理平台智能模型敏捷开发工具智能计算集群发展三大要素来源：头豹研究院编辑整理人工智能行业定义及特征人工智能定义：人工智能产业是指以人工智能关键技术为核心的、由基础支撑和应用场景组成的、覆盖领域极为广阔的行业群。智能产品是指用人工智能技术赋能的产品。设计过程中需要具备较强的仿真能力和失效模式分析能力。价值性、通用性、效率化为产业发展战略方向人工智能赋能产业发展已成为主流趋势，下游应用场景丰富。基于软件服务、云服务、硬件基础设施等产品形式，结合消费、制造业、互联网、金融、元宇宙与数字孪生等各类应用场景，人工智能赋能各个产业发展。人工智能的产品形态和应用边界不断拓宽；2022年，人工智能产学研界在通用大模型、行业大模型等促进技术通用性和效率化生产的方向上取得了一定突破。商业价值塑造、通用性提升和效率化应用是AI技术助力产业发展、社会进步和自身造血的要义。AI+农业AI+泛安防AI+制造AI+政务AI+教育AI+医疗AI+互联网AI+交通AI+能源人工智能行业落地场景10©2023LeadLeowww.leadleo.com400-072-55881.2行业发展历程•人工智能行业现处于“核心硬件发展阶段，算力、数据、算法全面突破”时期，产业未来发展将基于大规模数据识别、预测、学习和决策，逐步进入效率化生产阶段。始于1970s，分析之后，进行智能决策；近年来才开始真正兴盛始于1980s，起源于分析式AI，生成新的内容；2022年迎来突破生成式AI分析式AI人工智能行业发展历程规则导向机器学习深度学习自主学习1950s~1980s感知机、专家系统1980s~21世纪初期支持向量机、神经网络、决策树21世纪初期至今多层圣经网络模型未来发展方向基于大规模数据识别、预测、学习、决策感知式AI运营营销决策、金融风险评估、医疗诊断等生成式AI生成各种数据、图像、语音等内容后，决策式AI对生成内容进行分析和决策，实现更加全面和智能的应用AI产生的商业价值不断增长，企业部署AI的动力显著。企业在业务领域扩大采用AI技术，应用的AI产品数量增加。落地AI应用对企业业务运营的商业价值与战略意义越来越明确。人工智能的产品形态和应用边界不断拓宽；2022年，人工智能产学研界在通用大模型、行业大模型等促进技术通用性和效率化生产的方向上取得了一定突破。自然语言生成图像生成音乐生成等文本识别语音识别图像识别等理论发展硬件奠基，算法发展核心硬件发展，算法突破算力、数据、算法全面突破决策式AI始于1960s，利用逻辑推理等方法进行分析和解决；兴盛于机器学习、数字挖掘技术兴起始于1950s，让计算机感知和理解现实世界，兴盛于计算机硬件发展与大数据出现来源：智东西、头豹研究院编辑整理2022年11月，ChatGPT发布点燃AI浪潮。2023年3月OpenAI发布GPT-4，直接升级ChatGPT多模态能力。11©2023LeadLeowww.leadleo.com400-072-5588能力层应用层终端层企业级用户政府机构用户大众消费者用户文字生成音频生成图像生成视频生成虚拟人/场景生成代码生成策略生成多模态生成······政策规划基础层《生成式人工智能服务管理办法（意见稿）》《“十四五”数字经济发展规划》《数字中国建设整体布局规划》其他企业服务零售电商传媒/影视教育/科研工业游戏医疗政务金融服务数据资源硬件设施技术层人工智能智能语音机器学习计算机视觉知识图谱自然语言理解多模态大模型智能文档理解视觉-语言语音-语言多模态检测与分割CV大模型图像生成图像表征视频表征视频生成图像分类图像与物体检测语义分割因果推断NLP大模型语音语义理解多语言模型语言理解与生成多模态对话文本语义与图结构开放域对话信息抽取与检索代码生成和理解AI模型生产工具深度学习框架/开源模型模型训练/AI开发平台预训练大模型AI算力基础外部合规数据数据标注结构化数据整合第三方合规数据网络资源安全资源算力资源储存资源AI芯片云计算与云服务智能计算平台智能服务器◼在人工智能相关政策规划支撑下，技术架构链条逻辑上可分为基础层、技术层、能力层、应用层、终端层五大板块。◼基础层：涉及硬件基础设施和数据、算力、算法模型三大核心要素。随着AI大模型规模的不断扩大，对计算资源的需求也在增加。因此，高性能的硬件设备、海量场景数据、强大的算力基础和升级迭代的算法模型成为了支持AI大模型发展的关键。◼技术层：主要涉及模型构建。目前，Transformer架构在AI大模型领域占据主导地位，如BERT、GPT系列等。◼能力层、应用层及终端层：在基础层和技术层的支持下，AI大模型拥有了文字、音频、图像、视频、代码、策略、多模态生成能力等，具体应用于金融、电商、传媒、教育、游戏、医疗、工业、政务等多个领域，为企业级用户、政府机构用户、大众消费者用户提供产品和服务。中国人工智能技术架构1.3行业应用场景•人工智能技术架构逻辑上分为基础层、技术层、能力层、应用层、终端层五大板块，其中核心技术层涵盖AI技术群和模型的融合创新，为各行业领域提供相关产品及服务。来源：CNKI，百度文心，弗若斯特沙利文，头豹研究院编辑整理12©2023LeadLeowww.leadleo.com400-072-55881.4市场驱动因素•数据、算力、算法三大核心要素推动人工智能技术迭代和商业化落地，中国人工智能企业处于发展初期，基于技术创新及成本控制等优势，中国人工智能行业将快速发展，前景广阔。来源：头豹研究院编辑整理中国企业具备实现AI的商业化落地的商业基础中国人工智能企业创新能力不断提升，具备优质的工程成本控制能力，并能够结合自身业务特点和场景的理解沉淀，为下游行业提供高效智能的解决方案，帮助企业降本增效。中国企业能够响应新型工业化建设的需求，结合具体的场景加快融合创新，目前在智慧城市、智慧安防的落地率和普及率较高。中国企业加强AI底层基础设施的国产化突破数据方面，中国企业积极提高训练数据标记质量，提高模型的准确程度。同时，中国人工智能企业加强与政府及相关事业单位的合作，取得权威的训练数据，通过数据孪生等方式解决小样本数据不足等问题。算力方面，政府积极支持AI相关硬件的国产化，华为、寒武纪、商汤科技、地平线等国内企业推出自主研发的人工智能芯片，目前整体市场对海外的人工智能芯片依赖程度略有降低。国产化算力的逐步升高，能够有效支撑AI产业的发展。算法方面，国内人工智能企业在自然语言处理、智能语音、视觉计算等领域均有所突破，能够根据细分场景的痛点持续进行算法优化迭代。中国人工智能企业加大技术创新和AI布局力度◼中国AI产业处于发展初期，成长速度较快，发展空间广阔国内人工智能产业仍处于初步发展阶段，大多数企业对于人工智能的发展主要以框架搭建和应用解决方案为主。行业内领先企业专业技术能力过硬，其AI产品在语音语义、翻译、文字识别等方面有较大优势，能够在智慧城市、智慧交通、智慧安防等细分场景实现商业化落地。2020年3,751亿人民币797家2019年2205家中国人工智能企业数量2022年人工智能整体产业规模算力是AI的“基建”数据是AI的“燃料”算法是AI的“引擎”智能交互边缘计算实时算力云计算硬件算力本地化高精度训练集大数据语料库投喂计算任务训练标注核心技术突破多模态认知计算全息立体应用场景数字孪生虚拟现实感知+交互数据算力算法✓数据、算力、算法三大核心要素推动AI技术迭代和商业化落地AI技术演化和迭代离不开数据、算力、算法三大核心底层基础13©2023LeadLeowww.leadleo.com400-072-55881.5市场发展机遇•AI广泛应用于各行各业，未来人工智能的应用需求仍有望实现较大提升，尤其在制造行业和交通行业，AI的渗透率仍有较大增长空间。高低高IT基础设施AI技术渗透率农业制造医疗零售交通安防金融ToC例如ChatGPT教育政务➢在制造业，中国正从低成本的玩具和服装制造中心，转型成为处理器、芯片、发动机和其他高端零部件等精密制造领域的领导者，人工智能有利于促进制造业从生产执行向制造创新转型，创造超过千亿美元的经济价值，其中1,000亿美元来自于流程设计研发，利用数字孪生和机器学习模拟、测试和验证生产流程的结果，150亿美元来自于产品研发，验证新产品设计，快速预测设计结果制造行业➢2021年中国制造业增加值高达4.87万亿美元，占全球的29.8%，已连续13年居世界首位。从2021年到2026年，中国制造业IT市场投资规模将从7,841.12亿元人民币增长至1.586万亿元，将成为全球主要经济体中制造业IT支出增长速度最高的国家交通行业➢2022年中国新能源汽车产销分别完成了705.8万辆和688.7万辆，同比增长了96.9%和93.4%，连续8年保持全球第一；新能源汽车新车的销量占汽车新车总销量的25.6%➢新能源车的持续渗透为人工智能在交通领域的渗透的占提供了一片沃土，人工智能有望创造超过3,800亿美元的经济价值，主要来自于三个方面：自动驾驶（3,350亿）、智能座舱（300亿美元）、运行管理优化（150亿美元）AI在各个行业的渗透情况来源：麦肯锡、头豹研究院编辑整理14©2023LeadLeowww.leadleo.com400-072-55881.6行业相关政策分析•政策环境持续优化，助力AI行业高速发展。从“十二五”到“十四五”规划，国家从宏观层面上对人工智能新技术、新产业给予巨大支持，顶层设计从方向性引导到强调落地应用与场景创新。发布时间政策名称主要内容2022年12月《关于规范和加强人工智能司法应用的意见》到2025年，基本建成较为完备的司法人工智能技术应用体系，为司法为民、公正司法提供全方位智能辅助支持。到2030年，简称具有规则引领和应用示范效应的司法人工智能技术应用和理论体系，为司法为民、公正司法提供全流程高水平智能辅助支持，应用效能充分彰显。2022年9月《中国共产党第十九次全国代表大会–十九大报告》推动互联网、大数据、人工智能和实体经济深度融合，建设数字中国、智慧社会。推进数字产业化和产业数字化，推动数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。2022年8月《关于支持建设新一代人工智能示范应用场景的通知》围绕构建全链条、全过程的人工智能行业应用生态，支持一批基础较好的人工智能应用场景，加强研发上下游配合与新技术继承，打造形成一批可复制、可推广的标杆型示范应用场景。2022年7月《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》强化主题培育，加大应用示范，创新体制机制、完善场景生态，…探索人工智能发展新模式新路径。以人工智能高水平应用促进经济高质量发展。2016年2017年2021年2018年2019年对人工智能芯片发展方向提出多项要求，并促进智能终端可穿戴设备的推广落地国务院《新一代人工智能发展规划》按照“系统布局、重点突破、协同创新、开放有席”的原则，在深入调研基础上研究提出重点发展智能传感器、神经网络芯片、开源开放平台等关键环节，夯实人工智能产业发展的软硬件基础。工信部《关于促进新一代人工智能产业发展三年行动计划》发改委《互联网+”人工智能三年行动实施方案》重点突破高效能、可重构类脑计算芯片和具有计算机成像功能的类脑视觉传感器技术，研发具有学习能力的高效能类脑神经网络架构和硬件系统，实现具有多媒体感知信息理解和智能增长、尝试推理能力的类脑智能系统。把握新一代人工智能的发展特点，结合不同行业，不同区域特点，探索创新成果应用转化的路径和方法，构建数据驱动、人机协同、跨界融合的智能经济形态。中央全面深化改革委员会第七次会议《关于促进人工智能和实体经济深度融合的指导意见》新一代人工智能产业将着重构建开源算法平台，并在学习推理与决策、图像图形等重点领域进行创新，聚焦高端芯片等关键领域。十三届全国人大四次会议《“十四五”规划纲要和2035远景目标纲要》来源：国务院、工信部、发改委、头豹研究院编辑整理2016-2022年人工智能产业相关政策梳理15©2023LeadLeowww.leadleo.com400-072-558802MLOps以数据为中心的技术路线是人工智能生产落地的重要推动力，为行业缔造更多商业价值❑技术与应用16©2023LeadLeowww.leadleo.com400-072-55882.1数据为中心的技术路径潜力较大•以数据为中心的AI提高性能，降低成本，发展潜力巨大。而模型驱动的AI应用资源要求高，无法有效助力AI落地。平台为数据驱动的AI提供了一个统一、集成的环境，简化任务，降本增效作用显著。以数据为中心的AI拥有巨大的能量和潜力。2022年，吴恩达在接受IEEESpectrum采访时表示，模型为中心无法有效助力AI落地。过去十年人工智能最大的转变是向深度学习转变，此后十年将向以数据为中心转百年。随着神经网络架构的成熟，许多实际应用的瓶颈将成为“如何获取、开发所需要的数据”。同时，基于平台的解决方案是目前的一大需求和趋势。模型驱动的AI通常涉及具有大量参数的复杂模型。训练和部署这些模型需要大量的计算能力，导致硬件和基础设施的成本较高。模型驱动的AI中复杂模型的训练需要时间长，特别是深度学习模型。延长训练时间增加了对计算资源的需求，从而导致成本提高。模型驱动的AI中的模型通常更复杂，因此为应对不断变化的需求，使用新数据更新或修改需要大量资源，导致更高的成本和更长的开发周期。以数据为中心将成行业发展方向以模型为中心的AI应用痛点：资源、成本要求高等复杂性训练时间模型更新可解释/理解性模型驱动的AI中的复杂模型通常较难解释和理解，这可能需要额外的资源来开发工具和技术以提高透明度和可信度。提高泛化能力数据驱动的AI强调拥有多样化、高质量的数据的重要性。数据驱动的AI可以提高泛化能力，并使模型在新数据上表现更好。减少对模型复杂性的依赖数据驱动的AI侧重于使用高质量数据来使简单模型实现相似甚至更好的性能，从而降低计算和资源需求。更容易进行微调数据驱动的AI使通过扩充或优化用于训练的数据来微调模型更容易。无需大幅修改模型架构或重新训练模型即可提高特定任务性能。对抗性攻击的鲁棒性通过使用多样化的数据集，数据驱动的AI协助模型抵抗对抗性攻击。高质量数据训练的模型难以被输入欺骗。迁移学习数据驱动的AI鼓励迁移学习，在大型数据集预训练的模型为较小的特定任务数据集微调。拥有缩短训练时间并提高性能的优势。以数据为中心的AI应用优势显著平台对于数据驱动的AI重要性提供统一、集成的环境简化AI生命周期中的任务确保数据和模型的高效管理提高数据科学家、工程师等的生产力和效果集中的数据管理可拓展性协作工作流自动化监控和维护集成实验跟踪和可重复性为存储、访问和管理数据提供集中位置。有助于实现数据的一致高效处理，使团队能够使用高质量的数据集进行训练和评估。有助于管理数据驱动AI解决方案的可扩展性。允许用户扩展数据处理、存储和计算资源，确保处理大数据量和复杂模型。提供简化通信、共享见解和共同处理数据和模型的工具和功能，促进成功实施数据驱动AI解决方案所必需的协作环境。平台可以自动化数据驱动AI生命周期中的各种任务。有助于节省时间、减少错误并确保始终遵循最佳实践。平台提供用于监控模型性能、数据质量等相关指标的工具。使团队能够快速发现和解决问题，确保AI系统继续提供最佳结果。平台可以与组织使用的其他工具、系统和基础设施集成，简化将AI解决方案纳入现有工作流程和流程的过程。平台可以帮助跟踪实验、管理模型版本并确保结果的可重复性。有助于比较不同模型技术、选择针对最佳方法和遵守法规要求。来源：中国信通院、头豹研究院编辑整理17©2023LeadLeowww.leadleo.com400-072-55882.2人工智能技术路径•对比以模型为中心的AutoML，以数据为中心的MLOps将数据的质量和数量置于主要位置，能提供更加有优势的解决方案，助力组织建立标准化管理体系，保障模型生产质量。来源：中国信通院、头豹研究院编辑整理方法涉及过程目标MLOps以数据为中心通常涉及数据管理、数据治理和数据工程，以确保数据的可用性、准确性和可靠性侧重于用于训练和评估ML模型的数据。这种方法优先考虑收集、清理和组织高质量的数据，作为建立有效的ML模型的基础。在这种方法中，数据被认为是ML模型准确性和性能的主要驱动力，数据的质量和数量被认为比使用的具体算法或架构更关键。AutoML以模型为中心通常涉及优化ML模型架构、超参数调整和模型选择专注于建立最佳的ML模型架构。这种方法优先考虑寻找最佳算法或神经网络架构来解决手头的问题，而数据被视为模型设计的次要因素。在这种方法中，模型的准确性和性能被认为比用于训练它的数据的质量或数量更关键。数据为中心与模型为中心的不同AutoML和MLOps技术路径对比需求分析与开发需求/问题提出可行性分析技术选型数据&算法设计方案算法/数据脚本/服务开发数据工程流水线数据接入数据探索数据处理特征工程模型试验流水线数据分析模型训练模型评估模型导出DevOps代码仓扫描-翻译-测试-打包发布持续集成流水线触发CI流水线（代码+数据+模型持续集成）数据处理持续训练流水线模型（重）训练模型评估持续部署流水线模型部署流量管理效果评估模型仓库持续监控流水线操作记录流水线监控模型监控数据监控资源监控······MLOpsAutoML数据准备特征工程模型生成模型评估AutoML发展路径上仍存在部分难点需要解决。自动机器学习，也称为AutoML，是基于架构、数据和超参数自动化找到理想模型配置的过程。AutoML是一种更高级的模型优化方法，但并不总是适用。首先，AutoML仍需要大量算力，因此企业仍需要在研发过程中尝试更多的解决方案；其次，AutoML在提升处理复杂度的同时，仍需保持一定的透明度，以允许模型开发者确认模型质量。最后，AutoML作为自动化工具，在提升工作效率的同时也具有资源优化和迭代不足、复杂模型处理有限、特征工程低效、特征工程可移植性较低等方面的局限性。18©2023LeadLeowww.leadleo.com400-072-5588AutoML的特征及价值2.3以模型为中心：AutoML•AI开发平台厂商通过提供灵活的服务和简化开发者的操作来改善开发者的体验，增强平台易用性，提升生态开放性，进而提高厂商技术水平。AutoML市场潜力大，应用效率高，是AI领域的重要趋势之一。传统机器学习自动化过程大幅降低机器学习的门槛迭代过程集成构建AutoML是一种机器学习过程，旨在通过一系列算法和启发式方法实现从数据选择到建立模型的自动化。研究人员仅需输入元知识（卷积运算过程/问题描述等），该算法即可自动选择合适的数据、自动优化模型结构和配置、自动训练模型并可以部署到不同的设备。AutoML过拟合适应性鲁棒性数据可用性有限模型驱动的AI通常依赖具有大量参数的复杂模型，可能导致过拟合。是指模型在训练数据上表现良好，但在新数据上泛化能力不足。模型驱动的AI可能更容易受到对抗性攻击或偏见的影响，因为模型可能对输入数据的微小扰动或训练数据中的偏见更敏感。模型驱动的AI可能较难适应数据分布或任务需求的变化。现实应用通常需要更新AI系统以适应新数据、不断变化的条件或需求，对复杂的模型架构更具挑战性。现实应用中可用于训练的高质量标注数据量有限。模型驱动的AI通常依赖大量训练数据才能表现良好，因此在数据稀缺的情况下效果可能较差。201520162017德克萨斯大学奥斯汀分校的研究人员推出了名为Auto-WEKA的系统，它可以为给定的数据集自动选择最佳机器学习算法。谷歌推出了AutoML-Zero，这是一个使用强化学习来从头发现新的机器学习算法的系统。谷歌推出了AutoML，这是一套机器学习工具，包括用于图像识别的AutoMLVision，用于自然语言处理的AutoMLNaturalLanguage，以及用于语言翻译的AutoMLTranslation。AutoML发展历程2019H2O.ai推出了AutoML2.0，这是一个开源的平台，可以自动化机器学习管道，包括数据准备、特征工程、模型选择和超参数来源：华为云、弗若斯特沙利文、头豹研究院编辑整理AutoML可以帮助用户更快地构建和优化模型，但仍然存在以下痛点：自动化过程的透明度：AutoML模型的训练和优化是自动完成的，用户可能无法了解模型的具体操作和过程，从而无法理解模型是如何进行决策的。计算资源：AutoML需要大量的计算资源，包括GPU和大量的存储空间。这会导致成本上升，使得小型企业或个人无法承受。模型的可解释性：由于AutoML模型通常具有较高的复杂性，因此其结果可能难以解释。这使得用户难以了解模型是如何做出预测的，进而影响用户对模型的信任度。数据隐私和安全性：在AutoML的过程中，用户必须将其数据上传到云端，这会增加数据泄漏的风险。同时，由于AutoML过程是自动完成的，用户无法控制模型如何使用其数据，也难以保证模型的安全性。AutoML技术路径数据预处理和特征工程自动化超参数优化自动化模型选择自动化模型继承自动化数据预处理和特征工程是机器学习的重要组成部分。AutoML技术可以通过数据清洗、特征提取和转换等自动化方式，自动发现和生成有用的特征。超参数是机器学习模型的关键因素之一，它们控制着模型的学习过程和性能。AutoML技术可以通过自动搜索超参数空间中的最佳组合，以提高模型的性能。选择正确的模型可以使结果更准确、更快速地获得。AutoML技术可以自动地从不同类型的模型中选择最佳的模型来适应给定的数据集。模型集成是将多个模型组合起来以提高预测性能的过程。AutoML技术可以自动组合不同类型的模型以获得更好的结果。模型驱动的AI痛点19©2023LeadLeowww.leadleo.com400-072-55882.4以数据为中心：MLOps（1/2）•MLOps为机器学习模型全生命周期建设标准化、自动化、可持续改进的过程管理体系，使组织规模化、高质量、高效率、可持续地生产机器学习模型。其能有效缓解AI生产过程的管理问题，提升AI生产的转化效率。MLOps是ML的DevOps。借助MLOps，团队的开发与部署效率会得到显著提升。并且MLOps为系统带来了灵活性与速度。对于个人或企业开发者而言，开发时间与开发成本是搭建AI应用程序的主要考虑指标。借助云原生及弹性分布式运算的架构可为用户在AI模型的训练与推断层面降本增效。数据科学家构建的机器学习（ML）模型需要与其他团队（业务团队、工程团队、运营团队等）紧密合作。团队工作为沟通、协作和协调方面提出了挑战，MLOps的目标正是通过完善的实践来简化此类挑战。MLOps为系统带来灵活性与速度：MLOps通过可靠且有效的ML生命周期管理，减少开发时间并得到高质量的结果；MLOps从DevOps中延续的持续开发（CD）、持续集成（CI）、持续训练（CT）等方法和工具保障AI工作流程和模型的可重复性，开发者可随时随地轻松部署高精度机器学习模型并集成管理系统可连续监测机器学习资源。73%的商业领袖相信MLOps的使用将使他们保持竞争力24%的专家认为MLOps的使用会使他们成为行业的领导者MLOps市场规模有望从2019年的3.5亿美元快速增长到2025年的40亿美元来源：中国信通院、博瀚智能、头豹研究院编辑整理MLOps概念：MLOps=ML+DevOpsMLOps的特征及价值MLOps：MLOps是通过构建和运行机器学习流水线（Pipeline），统一机器学习（ML）项目研发（Dev）和运营（Ops）过程的一种方法，目的是为了提高AI模型生产质效，推动AI从满足基本需求的“能用”变为满足高效率、高性能的“好用”。统一机器学习MLDevOps项目研发运营加快模型上线时间提升开发运行效率分析出故障数据提升准确率模型设计模型开发模型操作2018年业内人士逐渐开始密集讨论大规模生产中机器学习生命周期集成化管理的重要性，MLOps这一概念被提出并逐步接受。2019年《ContinuousDeliveryforMachineLearning》提出的CD4ML理念，阐述了机器学习项目如何开展持续交付(CD)，并提出端到端的交付流程。MLOps发展历程2020年以来，产业焦点集中于AI大规模快速落地，布局MLOps平台或工具的需求日益迫切，推动组织数智化转型成为产业界追逐的目标。2021年，Gartner将包括MLOps在内的XOps列为2021年十大数据和分析技术趋势之一。Google发布论文《HiddenTechnicalDebtinMachineLearningSystems》首次提出机器学习项目技术债问题，这篇论文标志着机器学习高效落地问题被明确提出和正视，也催生了产业界形成系统化的方法论和规范化的管理流程，解决技术债问题的强烈需求。2015-2017年前后2018-2019年前后2020年至今20©2023LeadLeowww.leadleo.com400-072-5588以数据为中心：MLOps2.4以数据为中心：MLOps（2/2）•MLOps是融合机器学习特性的DevOps方法。MLOps工具不断创新，为应用方的交付、合作、反馈等环节带来多方面效率提升，促进各团队高效协作，提升业务产出，具有较高的商业价值。MLOps的意义和价值通过在组织级明确各流程中各角色和职责，并以流水线的方式连接各团队成员的工作，使团队协作机制得以建立，打破沟通屏障，让不同角色各司其职,降低团队间整体合作成本。通过自动化流水线等方式实现敏捷交付，从而提高模型交付效率，加快模型迭代速度，提高模型效果，提供更丰富、更优质的产品体验。通过贯通需求、开发、交付、部署、运营多环节的全链路，嵌入合规、监管、道德、安全等要求，形成完整的全链路流水线。持续改进和简化原有运营和治理流程，高效率、低风险地实现持续集成、部署、训练和监控，形成有效的反馈闭环。机器学习项目中数据、算法、特征和模型等资产是一个有机整体，通过对AI资产的高效统一管理，并加以风险防控和安全管理等手段，实现有效治理。打通数据、算法和模型的整体运维流程，提升协作效率持续监控数据与模型的匹配，持续训练自主实现优化迭代数据集特征训练集成部署监控算法模型评估发布ExperimentMLOpsMLOps发展现状制造业IT行业金融行业电子商务应用MLOps后，土耳其某水泥制造公司通过提升模型生产效率和质量，大大提升了AI赋能业务的能力，使得替代燃料的使用量增加7倍，减少2%的二氧化碳排放总量，成本降低3,900万美元。应用MLOps后，美国某IT公司将开发和部署新AI服务的时间缩短到原来的1/12到1/6，运营成本降低50%。应用MLOps后，荷兰某酒店预定网站通过打通机器学习模型生产流程，提高了生产规模，具备应用150个面向用户的机器学习模型的能力，逐步推进AI规模化落地。应用MLOps后，新加坡某保险公司推理结果的生成时间从几天缩短至不到1小时。MLOps工具不断创新，行业应用稳步推进，落地实践成果颇丰。国内MLOps处于规划和建设前期，落地探索成效初显。据头豹研究院预测，到2024年60%的中国企业将通过MLOps来运作其机器学习工作流。统一管理AI资产实现敏捷交付过程建立团队协作机制构建全链路反馈闭环来源：中国信通院、博瀚智能、头豹研究院编辑整理21©2023LeadLeowww.leadleo.com400-072-558803中国人工智能行业市场规模持续上升，AI落地各行业场景，与各产业深度融合❑发展要素与趋势22©2023LeadLeowww.leadleo.com400-072-5588模型生产过程无标准化管理，导致AI资产的价值无法有效发挥。原因在于生产过程冗长难管理，重复造轮子现象普遍；AI资产无集中共享机制，优秀实践经验难以沉淀。过程和资产管理欠缺落地投入大周期长1运维/管理流程孤立2缺乏持续监控失效快3复用性差后期迭代成本高4AI模型在场景端落地时的主要痛点3.1传统AI模型落地痛点•在应用场景端，AI模型工程化落地慢，部署周期长，迭代缺乏灵活性。项目整体周期较长普遍缺乏部署敏捷性，解决方案交付成本高，生产环境的上线具有不确定性，后续运维成本也较高，亟需人工智能协助转型。AI生产转化率低：模型全链路生命周期管理存在问题AI模型落地的痛点➢据头豹研究院统计，部署AI算法模型的方案平均需要9个多月的时间。➢AI模型落地的痛点问题：项目整体周期较长普遍缺乏部署敏捷性，解决方案交付成本高，生产环境的上线具有不确定性，后续运维成本也较高。主要原因：模型文件的生产需要经过不断重复的实验和评估；模型服务需要通过编写服务代码和配置参数，并达到业务需求后，方可部署上线；业务效果的保证需通过在线模型开展服务验证和结果对比。生产和交付周期长机器学习项目生命周期中涉及业务、数据、算法、研发、运维等多团队，团队间缺乏相同的技术和业务背景知识作为协作基础，从而带来沟通屏障。同时协作工具不尽相同，从而增大协作难度。跨团队协作难度大来源：中国信通院、博瀚智能、头豹研究院编辑整理23©2023LeadLeowww.leadleo.com400-072-5588一站式基础层资源平台3.2中国人工智能行业发展要素分析•高效率、低成本，规模化的AI基础设施成长迅速，AI基础层资源整体效能水平不断进化，与AI开发平台发展基本一致。目前AI服务体系逐步完善，开源框架成为众多AI开发平台的基础。在人工智能由技术落地应用阶段向效率化生产阶段转变的背景下，人工智能基础层的各模块工具有望走向集约型的生产模式。该模式主要能赋予开发企业以下价值:单点式工具一站式开发功能模块分裂功能模块衔接部署成本高部署成本低部署一站式基础层资源平台前后人工智能基础层进阶之路智能化转型趋势下，企业部署AI项目的需求正经历着变化，各方面要求提高，对AI基础层资源的需求增加。企业对教据质量、模型生产周期、模型自学习水平、模型可解释性云边端多样部署方式、人力成本及资金投入、投资回报率等的要求都逐步走高。在上述需求特点及自动机器学习、AI芯片硬件架构等技术发展的共同推动下，AI基础层资源的整体效能水平也在不断进化，以有效降低需求企业的AI开发成本。人工智能基础层进阶之路历经雏形期、快速发展期和成熟期。1）雏形期，算法/算力/教据各模块多为粗放式的单点工具，新兴产品及赛道逐步出现。2）快速发展期，各赛道活跃度显著提升，参与者积极探索产品形态与商业模式，基础层服务体系逐步完善、资源价值凸显。3）成熟阶段，各赛道内企业竞争加剧，逐步跑出头部企业。同时各赛道间企业生态合作增多，一站式工具平台出现。落地实验阶段技术应用普及阶段效率化生产阶段新赛道出现产业链逐步清晰基础层雏形期基础层发展期基础层成熟期各赛道活跃度提升探索产品形态与商业模式玩家竞争阶段工具智能水平提升粗放式单点工具服务体系逐步完善集约型、精细化开发方式改进管理效率提升部署成本降低从客户需求分析到解决方案部署形成独立的闭环构建端到端的工作流。在强大算力的支持下，完成数据采集、数据标注、数据治理、数据应用、模型设计、参数调优、模型训练、模型测试、模型推理的全栈式流水线生产。将数据、算法与算力委托给专业的服务商，实现站式托管，打通三者之间的衔接壁垒，提高交互友好性，让开发者专注于业务。集成数据、算法、算力的各个软件与硬件，企业可在一个平台内按需选择自己所缺失的模块组件并自由搭配，有效避免因采购不同供应商的产品或服务而带来的隐性成本损失与显性成本损失。来源：弗若斯特沙利文、头豹研究院编辑整理24©2023LeadLeowww.leadleo.com400-072-558864.983.190.197.2104.911211948.762.371.78293.210511832.541.6495765.9768716.220.82427.832364120192020202120222023E2024E2025E算力数据模型调用部署/维护CAGR97.2%9.5%11.2%10.2%3.3中国人工智能行业市场规模•中国人工智能行业近年来市场规模持续提升，2022-2027E的年复合增速有望突破34%，同时，中国AI开发平台的市场规模也在不断上升，2025年市场规模有望突破365.0亿元。单位：亿元人民币中国AI开发平台市场规模，2019-2025E近年中国AI开发平台的市场规模持续上升，算力、数据、模型调用和部署维护等细分市场快速增长。2016-2021年，中国AI开发平台营收规模快速扩张，2021年中国AI开发平台营收为234.8亿元。在政策红利、行业渗透率以及芯片性能稳步提升的背景下，预计2025年中国AI开发平台市场规模将达365.0亿元。中国人工智能行业市场规模及渗透率，2021-2027E来源：弗若斯特沙利文、头豹研究院编辑整理2,6073,7165,3237,51610,53914,72915,73204,0008,00012,00016,00020,000202120222023E2024E2025E2026E2027E+34%单位：亿元人民币7.7%10.2%13.9%18.5%24.6%32.7%39.5%人工智能能够赋能经济社会发展各领域，下游各个领域的产业升级对大模型的需求持续走高。据测算，2022年中国人工智能行业市场规模为3,716亿人民币，预计2027年将会达到15,372亿人民币，有望在下游制造、交通、金融、医疗等多领域不断渗透，实现大规模落地应用。下游行业对人工智能需求呈现出碎片化、多样化的特点，从开发、精调、优化、迭代到应用都需要投入巨大的人力和财力，成本极高。而大模型能够向外赋能，包括通过开放API的形式，降低各行各业应用大模型的门槛，提升AI落地效率和价值，推动人工智能进入工业化发展阶段。人工智能渗透率25©2023LeadLeowww.leadleo.com400-072-55883.4应用场景•人工智能基础数据服务应用于众多下游场景，AI解决方案从不同角度精准解决各场景的痛点。自动驾驶、智慧工业和智能安防当前是人工智能基础数据服务最重要的应用领域，未来增长空间较大。人工智能应用场景10%6%10%7%10%7%16%12%16%16%38%52%20222027E其他智慧医疗AI+互联网智能安防智慧工业自动驾驶场景痛点AI解决方案未来增长潜力未来增速➢人口红利消失，驾驶员成本高且资源短缺➢超载及疲劳驾驶导致安全事故频发，造成生命财产损失➢自动驾驶通过传感器、计算机视觉等技术逐步解放驾驶员，实现车辆的自主驾驶自动驾驶行业对数据的需求处于起步阶段，未来技术与功能迭代、场景拓展将带动数据需求量几何级增长31-38%➢人力工序过程失误率高，且难以追溯➢部分工作环境存在高危性➢利用计算机视觉技术高效准确发现瑕疵品➢机器人代替人在危险场所完成工作工业视觉是行业增长主要驱动力，伴随国家对工业领域数字化智能化的重投入，未来行业需求量有望放量提升22-30%➢传统安防无法准确识别人、物与场景➢犯罪、恐怖袭击等事件无法预知➢通过计算机视觉等技术实现人脸识别，从而发现嫌疑人行动轨迹➢进出楼宇与园区时采用指纹或人脸识别提高识别精确度人脸识别精确度的可提升空间有限，但事件感知识别等新场景需求为智能安防基础数据服务需求带来一定增长空间16-23%➢存在大量针对黄恐暴、抄袭等方面的内容审核需求，但人工审核效率低、成本高➢传统客服也面临成本高昂的问题➢采用语音识别、语义切割、图像识别等方式对内容数据进行识别分类，高效实现审核工作，ChatGPT的诞生大大加快了人机交互的效率与应用行业快速技术迭代驱动数据迭代需求增长，但由于技术路径正向无监督训练倾斜，未来长期看数据标注的需求量或将先增后减15-22%➢国内医疗水平参差不齐，基层卫生医疗水平低下，有经验的医生资源稀缺新药设计难度大、成本高且耗时➢智能影像识别可以通过自动读片快速进行疾病筛查，弥补医疗资源差异➢AI制药能够以更低成本高效发现药物靶点、筛选化合物大幅提升新药研发效率中国老龄化明显，医疗行业AI应用发展旺盛，带动基础数据服务需求呈现一定增长16-21%整体市场规模：自动驾驶智能工业智能安防AI+互联网智慧医疗来源：头豹研究院编辑整理26©2023LeadLeowww.leadleo.com400-072-558804博瀚智能是国内私有云AI平台第一梯队的服务商，具备行业领衔的产品方案与高效交付能力❑企业介绍27©2023LeadLeowww.leadleo.com400-072-5588•博瀚智能是业内领先的人工智能综合平台和智能化数据处理方案提供商。成立以来，博瀚智能迅速成为国内私有云AI平台第一梯队服务商，核心成员以研发为主，团队实力相当雄厚。企业名称：博瀚智能成立时间：2019年总部地址：深圳市对应行业：人工智能❑博瀚智能（深圳）有限公司是一家成立于深圳的人工智能企业。公司依托自研的AI+大数据平台以及深度学习算法，支持全类型数据全维度分析，提供完整MLOps+DATAOPS端到端AI与大数据服务，为行业客户提供AI平台以及软硬件一体解决方案。公司一系列人工智能产品已在教育科研、工业制造、医疗、电力能源、自动驾驶、超算中心、军工、金融、交通、智慧城市领域打造上百家落地案例，共同推进行业AI创新建设，助力行业智能升级。4.1企业概况公司介绍团队背景发展历程创始人清北毕业，核心成员以研发为主，团队实力雄厚•清华大学&加拿大维多利亚大学，电子工程学博士•超20年丰富的电子产品研发、生产、团队管理经验•为微软贡献了30余项发明专利•北京大学物理学学士，耶鲁大学物理学博士•摩根斯坦利和摩根大通等20余年从业经历，曾任副总裁•擅长平台技术，数据处理与分析算法苏力强Andrew，CTO郭玮William，CEO深圳清华大学研究院人工智能研发中心主任博瀚智能成立昇腾异构AI平台1.0商业部署行业首先发布AI通用异构平台深圳孔雀团队华为海思生态合作项目通过英伟达SolutionAdvisor平台认证英伟达生态合作项目华为昇腾智造核心平台合作伙伴华为昇腾智造合作项目AI质检落地方案落地美的、海尔、长江计算…行业率先实现自适应AI质检系统并检落行业头部客户自适应AI质检系统与北大，百度、华为以及其它伙伴共同承担重大科研项目研究工作PreA轮融资2019.122020.062020.102021.032021.092022.012022.062022.072022.082022.12华为昇腾通用平台合作项目自驾AI平台落地行业头部客户AI自驾研发中心（与行业头部友商竞争中胜出）自动驾驶AI平台发布鹏城实验室云脑IIMLOpsAI平台项目自适应AI质检方案落地头部客户A轮融资来源：博瀚智能、头豹研究院编辑整理28©2023LeadLeowww.leadleo.com400-072-55884.2经营情况•公司近几年营收增速较快，研发能力强劲，以数据为中心+MLOps的AI产品性能优越，具有落地快、性能稳定、运维门槛低的优势，已落地多家企业。来源：博瀚智能、头豹研究院编辑整理研发人员从50-60人增至85人收益2021-2022年增长4倍并预计2023年增长4倍研发投入逐年上升即将进入A+或B轮融资公司经营状况数据为中心+MLOps➢高效提取有效数据，模型自动迭代，实现模型快速适配➢无代码平台设计，赋能终端用户，节省运维成本，无需专业人士介入90%以上80%以上AI质检解决的痛点问题模型调优模型上线终身训练推理服务持续部署模型性能持续监控模型管理难例筛选复判+标注（人工）生产数据持续采集模型持续迭代离线图像采集数据标注（人工）离线模型开发数据集制作本地数据采集、标注、模型训练、部署、监控及数据回传完整闭环预置模型博瀚智能AI工业质检整体解决方案场景化质检模型开发用户角度上线周期长，投入大➢数据采集量大，标注工作量大➢3到10个月上线模型精度不稳定➢生产环境、原材料变化导致模型上线后精度变差（3到6个月）➢模型迭代专业要求高无法满足柔性生产需求（3C、服装）➢产品变化需要重新生成模型➢模型开发周期长、专业性强、成本高开发成本高➢需求碎片化，模型泛化能力差，模型难复用➢缺陷数据样本少，开发周期长、投入大调优成本高➢质检模型精度要求高，需要专业人员驻场进行大量数据采集、标注，模型迭代调优供应商角度运维成本高➢模型需要终身训练，需要专业人员投入进行模型迭代升级➢模型迭代频率高、投入大➢数据飞轮：博瀚智能通过数据驱动+MLOps构建数据飞轮，采集本地数据后，进行人工标注，可离线开发模型，模型训练、部署、监控及数据回传形成完整闭环，同时模型可持续迭代，实现不同场景快速适配。➢案例：以AI工业质检系统为例，博瀚自适应AI质检云/边/端系统能够实现“训练+推理+存储”，做到数据不离厂，模型本地自动迭代。29©2023LeadLeowww.leadleo.com400-072-5588灵活集成：➢支持与多类型业务系统（仿真系统、流媒体系统、底层调度系统）灵活对接，支持不同AI芯片厂家的多类型开发组件集成；安全可靠：➢多租户、服务通讯双向加密、数据存储物理隔离；自研的通用平台底座AIStudio智能制造自动驾驶教育科研产品形态：➢博瀚智慧工业平台➢博瀚通用AI平台➢博瀚智能制造解决方案产品形态：➢博瀚AI自动驾驶平台➢数据预处理服务产品形态：➢博瀚AI科研平台➢博瀚AI科研一体机产品形态：➢博瀚AI通用平台➢联合创新服务4.3核心业务介绍•公司拥有丰富的产品与解决方案序列，满足多行业用户需求。其打造的多维度数据AI管理平台AIStudio是业内领先的轻量级私有化平台，集成多种AI技术，实现用户友好的深度学习和模型快速部署。主要产品：形态丰富、设计先进，构建全栈、可扩展的云边端平台体系AIStudio：一站式AI开发+大数据分析平台核心功能数据上传及标注模型构建与训练模型入库和管理模型部署与监控平台面向企业用户提供机器学习和深度学习一站式AI开发服务端到端AI模型开发部署智能化的数据处理云边端闭环的联合解决方案主要客户国内外超算中心科研机构系统集成商生产企业硬件供应商······异构资源管理端到端全流程解决方案丰富的模块化组件核心开源流程化设计私有化部署交付方式电力能源/国防博瀚智能AIStudio➢是集成了多种AI技术的开发平台，主要用于快速搭建、训练和部署深度学习模型。➢可以帮助用户快速完成各种复杂的深度学习任务，并将训练好的模型快速部署到各种终端设备上。来源：博瀚智能、头豹研究院编辑整理30©2023LeadLeowww.leadleo.com400-072-55884.4企业生态•博瀚智能以自研的AI+大数据平台为技术核心，打造了全栈、灵活、可扩展的MLOps云边端人工智能平台体系，与业内头部企业深度合作，已有百余个落地案例，赋能多行业龙头客户。企业生态繁荣，赋能行业发展来源：博瀚智能、头豹研究院编辑整理➢博瀚智能致力于打造全栈MLOpsAI平台，已有百余个落地案例，助力行业智能升级。公司以自研的AI+大数据平台为技术核心，打造了全栈、灵活、可扩展的MLOps云边端人工智能平台体系，能够将AI开发与部署效率提升数十倍，充分衔接客户与AI算力提供商，高效支撑多行业AI研发与应用。➢博瀚智能作为深圳清华大学研究院的产业化公司，与业内多领域头部厂商建立牢固的合作关系，核心合作伙伴包括英伟达、华为、中信集团等。◼华为：博瀚智能是华为在智能制造和教育科研领域的核心合作伙伴，与华为合作打造的解决方案已经落地行业头部客户超50家；◼英伟达：博瀚智能与英伟达在自动驾驶领域深度布局，为英伟达最高端的NVIDIADGXSuperPOD提供支持自动驾驶全场景开发与应用的数据闭环平台，现已落地多家行业龙头客户；◼中信集团：博瀚智能作为中信投资的企业，与中信建立联合实验室，共同拓展中信体系内外的多行业客户。➢公司一系列人工智能产品已在自动驾驶、教育科研、智能制造、医疗、电力能源、超算中心、国防、智慧城市等领域打造了上百个落地案例。核心客户包括多个国内头部主机厂、多个顶尖Tier1、多个全球顶尖EMS代工厂、多家G9高校、多个国家级实验室、国家级电力公司和多个国内顶尖综合性医院等。博瀚智能与客户和合作伙伴深度探索行业，共同推进行业AI创新建设，助力行业智能升级。工业制造自动驾驶其他行业31©2023LeadLeowww.leadleo.com400-072-5588◆头豹研究院布局中国市场，深入研究19大行业，持续跟踪532个垂直行业的市场变化，已沉淀超过100万行业研究价值数据元素，完成超过1万个独立的研究咨询项目。◆头豹研究院依托中国活跃的经济环境，研究内容覆盖整个行业发展周期，伴随着行业内企业的创立，发展，扩张，到企业上市及上市后的成熟期，头豹各行业研究员积极探索和评估行业中多变的产业模式，企业的商业模式和运营模式，以专业视野解读行业的沿革。◆头豹研究院融合传统与新型的研究方法论，采用自主研发算法，结合行业交叉大数据，通过多元化调研方法，挖掘定量数据背后根因，剖析定性内容背后的逻辑，客观真实地阐述行业现状，前瞻性地预测行业未来发展趋势，在研究院的每一份研究报告中，完整地呈现行业的过去，现在和未来。◆头豹研究院密切关注行业发展最新动向，报告内容及数据会随着行业发展、技术革新、竞争格局变化、政策法规颁布、市场调研深入，保持不断更新与优化。◆头豹研究院秉承匠心研究，砥砺前行的宗旨，以战略发展的视角分析行业，从执行落地的层面阐述观点，为每一位读者提供有深度有价值的研究报告。方法论32©2023LeadLeowww.leadleo.com400-072-5588◆本报告著作权归头豹所有，未经书面许可，任何机构或个人不得以任何形式翻版、复刻、发表或引用。若征得头豹同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“头豹研究院”，且不得对本报告进行任何有悖原意的引用、删节或修改。◆本报告分析师具有专业研究能力，保证报告数据均来自合法合规渠道，观点产出及数据分析基于分析师对行业的客观理解，本报告不受任何第三方授意或影响。◆本报告所涉及的观点或信息仅供参考，不构成任何证券或基金投资建议。本报告仅在相关法律许可的情况下发放，并仅为提供信息而发放，概不构成任何广告或证券研究报告。在法律许可的情况下，头豹可能会为报告中提及的企业提供或争取提供投融资或咨询等相关服务。◆本报告的部分信息来源于公开资料，头豹对该等信息的准确性、完整性或可靠性不做任何保证。本报告所载的资料、意见及推测仅反映头豹于发布本报告当日的判断，过往报告中的描述不应作为日后的表现依据。在不同时期，头豹可发出与本报告所载资料、意见及推测不一致的报告或文章。头豹均不保证本报告所含信息保持在最新状态。同时，头豹对本报告所含信息可在不发出通知的情形下做出修改，读者应当自行关注相应的更新或修改。任何机构或个人应对其利用本报告的数据、分析、研究、部分或者全部内容所进行的一切活动负责并承担该等活动所导致的任何损失或伤害。法律声明33©2023LeadLeowww.leadleo.com400-072-5588行业峰会策划、奖项评选、行业白皮书等服务头豹研究院简介◆头豹是中国领先的原创行企研究内容平台和新型企业服务提供商。围绕“协助企业加速资本价值的挖掘、提升、传播”这一核心目标，头豹打造了一系列产品及解决方案，包括：报告/数据库服务、行企研报服务、微估值及微尽调自动化产品、财务顾问服务、PR及IR服务，以及其他以企业为基础，利用大数据、区块链和人工智能等技术，围绕产业焦点、热点问题，基于丰富案例和海量数据，通过开放合作的增长咨询服务等◆头豹致力于以优质商业资源共享研究平台，汇集各界智慧，推动产业健康、有序、可持续发展300+50万+合作专家8万+注册机构用户公司目标客户群体覆盖率高，PE/VC、投行覆盖率达80%资深分析师5,000+细分行业深入研究原创内容100万+行企研究价值数据元素研究咨询服务为企业提供定制化报告服务、管理咨询、战略调整等服务为处于不同发展阶段的企业，提供与之推广需求相对应的“内容+渠道投放”一站式服务地方产业规划，园区企业孵化服务企业价值增长服务行业排名、展会宣传园区规划、产业规划四大核心服务备注：数据截止2022.6