|
中国市场分析时间：2020-09-14 加强人工智能与制造业的深度融合 当前，有必要深入把握新一代人工智能发展的特点，加强人工智能与制造业的深度融合，为中国经济的高质量发展提供新的动能。最近,“新一代人工智能发展报告2019》由新一代人工智能发展研究中心的科学技术部和中国科学技术发展战略研究院一起十多个国内外机构指出,人工智能在中国的工业化已经过去的一年。加快推进，为中国新旧动能转换和国民经济高质量发展提供了有力支撑;社会服务的应用场景丰富，为我国人工智能技术加快迭代速度提供了条件。 中国的人工智能产业正在蓬勃发展 总体而言，我国人工智能产业蓬勃发展，已成为人工智能发展极为迅速的国家之一。中国人工智能快速发展的动力主要来自计算能力的明显提高、多层面的政策支持、大规模的多频投入以及用户需求的逐步清晰。与此同时，科技产业整个产业链的布局正在展开，初创企业深深扎根于垂直产业，试图打造自己的商业护城河。 从市场规模来看，根据未来产业研究院发布的《中国人工智能产业市场前景统计及投资战略规划分析报告》，2015年中国人工智能市场规模已超过100亿元，2016年中国人工智能市场规模已超过100亿元。规模达到142亿元，同比增长27%。截至2017年，中国人工智能市场规模已达217亿元，同比增长53%。据估计，2018年中国人工智能市场规模将达到339亿元，比2017年增长56%，远高于全球17%的增速。预计到2019年和2020年，中国人工智能市场规模将分别达到500亿元和710亿元。2015年至2020年的复合年增长率为44.5%。 2015-2020年中国人工智能市场规模及增长预测  资料来源:未来工业研究所 我国人工智能市场结构比例统计  资料来源:未来工业研究所
人工智能技术引领新一轮产业转型 “目前，人工智能技术正在开启智能时代，重塑产业形态，推动传统产业升级，推动‘无人经济’快速发展，颠覆现有业态，引领新一轮产业转型�！比�、河北省委副主席、河北经贸大学副校长吴一庆在接受《中国经济时报》记者采访时表示。 从全球的角度来看,世界上主要发达国家都非常关注人工智能技术的发展,并把它作为一个主要的策略来提高国家竞争力和维护*,,努力率先国际科技竞争通过人工智能的发展。未来，人工智能将成为世界主要国家产业博弈的核心地位。 加强人工智能与制造业在四个方面的深度融合 从我国经济发展的现状看，我国经济已从高速增长阶段转向高质量发展阶段。中国正处在转变发展方式、优化经济结构、转变增长动力的过程中。它迫切需要新一代人工智能等重大创新。继续说。吴一庆表示，当前，有必要深入把握新一代人工智能发展的特点，加强人工智能与制造业的深度融合，为中国经济的高质量发展提供新的动能。具体来说，我们要着重抓好以下四个方面。 1. 加快培育壮大智能制造龙头企业 要紧密结合我国制造业特点，有效依托现有先进制造企业，大力培育智能制造领域的龙头企业。从智能制造产业链发展的重点领域和关键环节入手，吸引外资龙头企业来华投资建厂。同时，积极探索一批发展潜力大、成长性强的地方企业，着力培育和促进智能制造产业集群发展。引导智能龙头企业加快智能研发平台建设，积极开发解决方案，满足制造业数字化、网络化、智能化发展的需要。通过龙头企业的带动和带动作用，实现集群在智能制造领域的快速发展。 2. 加快引进和培养智能化专业技术人才 值得注意的是，我国人工智能产业的专业技术人员和熟练工人数量严重滞后于人工智能产业发展的需要。人才短缺已成为制约人工智能与制造业融合的一大弊端。吴一庆认为，要弥补人才的不足，一方面要鼓励和支持相关科研机构和科研院所共建科研平台，积极招募国内外人才;专注国际前沿大数据智能技术，打造高层次学术交流、成果开发转化和人才培养。另一方面,有必要码头企业的需求,在相关领域扩大职业教育规模,调整学科专业结构,加强人才的培养在人工智能产业,满足企业智能升级的需要,提供充足的人才保障中国制造业的转型升级。 3.加快发展生产*工业 吴一庆认为，人工智能与制造业的深度融合离不开生产产业的支撑。通过联合和联盟的形式，整合现有从事人工智能研究的机构，使人工智能能够有效地连接制造业。同时,它将进一步打破信息壁垒,促进大数据的整合,促进不同产业之间的数据资源的共享,协同作用的工业网络平台在不同地区之间的联系,和改变状态的分离和single-handedness形成协同效应。鼓励企业发展具有自主知识产权的智能制造技术和软件产品，不断加大对智能制造软件企业的支持力度，鼓励有能力的企业转型为提供智能制造解决方案的信息集成服务商。帮助制造企业实现智能制造与信息、知识等要素的充分融合。 4. 加快提升产业互联网大数据资源管理能力 “管理和使用大数据资源的能力是影响人工智能与制造业深度融合的重要因素�！蔽庖磺焖�，我们必须充分认识产业互联网大数据基础资源的作用和创新引擎的作用。建立和支持以数据指标、质量检验、问题检测和监控为基础的健全的数据治理体系，开展事前、事后、事后各方面的数据问题规避、发现和解决，实现问题发现、责任和处理。闭环管理，如归档。 |
