2024中国人工智能行业应用发展趋势

易观分析2024年1月 本产品保密并受到版权法保护Confidential and Protected by Copyright Laws 需求与应用驱动倒逼人工智能进化与发展，以行业特征与企业经营目标为导向，进入场景升级能力是发展关键 随着人工智能技术的持续发展，2024年，以AI为核心技术赋能行业转型升级将从数字化向智能化迈进，与其将全部注意力放到大模型与AG的进化当中，更需要同步关注行业与企业主体在数智化转型过程中的需求、痛点以及待解问题，在这一过程中，需求与应用将成为驱动人工智能发展与进化的关键因素。方面，尽管大模型具有广泛的应用前景，但在实际落地过程中尚未跨越鸿沟，仍然面临技术局限、算力成本、安全合规等多重挑战，需要进 入到行业当中去进行技术突破与场景探索，发掘应用层的机会做垂直赋能另一方面，人工智能正在驱动干行百业的效率升级，但仍然存在大量行业场景的A应用价值尚未得到充分开发，需要深入行业关键环节方能发 挥人工智能在其中的价值。 大模型落地应用核心挑战 技术局限尚需突破方能释放更大价值 知识更新与自主学习能力，目前大语言模型仍然为静态数据驱动的学习范式，无法实现新知识的快速学习与选代，尤其是涉及到时效数据与专有数据的场景下存在障碍，OpenAl正在通过Plugins生态来突破这一局限垂直领域泛化能力，通用任务的卓越能力已经显现，但是进入垂直细分领域与知识体系下，大模型的性能与泛化能力仍然需要增强，行业大模型训练是当前挑战的破局之道之 巨大的模型训练与推理算力等成本拉低效益比 训练成本，与上述“垂直领域泛化能力”相推理成本，大模型在参数体量巨大的情况下，仍然存在较高的推理成本，这方面可以通过模型压缩与剪枝等技术的发展进一步降低模型能力与业务场景的适应成本，这部分成本虽然由于人机交互方式的变化显著降低，但是前期仍然需要考虑提示工程在特定场景的磨合成本 安全合规可信应用底线尚需刚性保障 页，大模型并不能幸免，包括模型攻防、型能力来自甬现”，需要进行模与不同国家价值观，不同类型企业经营以及商业法则相匹配等，前者最为关键，这也是目前最为关隐私与数据安全问题，无论是大模型的训练推理，还是对话应用的过程中，都存在过多的隐私暴露与数据安全风险，这有赖于技术突破和监管合规的进一步建立 趋势1：零售行业AI应用将由点及面全面铺开，数据驱动重塑零售价值链 零售行业将以“商品”为核心的“研一产一供一→销一服”的直线式价值链，向以“用户”为中心的闭环式价值链升级，A应用将由点及面全面铺开，一方面全业态增加AI应用，形成数据触点与链接；另一方面，将渗透零售产业链各个环节，相应地，持续进行数据互联互通，形成良好的AI应用基础将变得愈发重要。 3-用户参与/个性化定制 1-共建敏捷供应链引 2-大数据支撑研发 4-数字化运营/智能作业 6-行为数据/用户画像对消费者的行为、购买、评价等多维度数据综合得到用户清晰画像，细分群体精细化运营 新零售平台创新设计体验场景、融合多种业态和服务，全渠道布局、内容营销等触达消费者 对消费者产生的大数据分析把握预测市场需求和痛点，调整优化产品设计研发 大数据分析预测，导原材料采购、排产计划、库存安排、生产执行 对接前端零售、仓储和物流数据，实现统一智能调度仓配，预测和规划分仓及配送路径等 消费者按需选择产品参数甚至参与产品部分设计，实现确定性生产，降低市场风险 Omalysys趋势2：线上线下界限消，全渠道策略与数智基础设施完善推动本地零售加速复苏，即时零售成AI应用试金石 京东到家、美团、饿了么等即时零售平台推动的“本地门店+即时配送”的即时零售服务模式正在高速发展，预计到2024年，整个即时零售市场交易规模将突破万亿水平。这个万亿市场规模的背后，在消费者即时消费需求的提升，以及品牌/零售企业借助全渠道策略撬动门店经营效率理能力以及履约效率是即时零售能够高速发展更重要的基石。以即时零售为AI应用的试金石，将全面开启服务零售数智化增长时代。 趋势3：大型零售企业/平台将成为零售产业生态数智化升级的核心，电商平台竞争进化 大型零售企业/平台将成为产业生态的核心，具备优质数据资源与资产，聚拢用户运营与价值增长的生态运营策略与落地手段，带动相应品类与行业的整体升级与数智化增长，对于零售行业而言，这意味着零售入口潜在的变化，同时，对于品牌企业而言，也需要形成以自身品类与产业链主思维的经营发展策略，从而在大平台生态体系下构建自身的核心优势。 趋势4：医疗行业多模态数据综合分析将趋于完善，但高质量数据沉淀与合规应用仍待提升 医疗行业独特的知识体系和丰富的多模态数据，未来在物联网的发展之下将日益产生和沉淀，包括医学成像、可穿戴以及环境生物传感器所采集的生物医学数据等，伴随高质量数据的不断积累，并在数据合规和安全保障的前提之下，对于多模态数据的综合分析将日趋完善支撑更加丰富的AI应用落地。 数据安全存在争议 数据归属不明确：医疗健康数据的归属问题尚未得到法律层面的界定，而业内共识将数据归为患者、医生、医院三方的共同资源，使用需要取得同意。医疗健康数据涉及患者隐私：国内相关立法保护并不完备，社会与企业对个人隐私保护的认知问题有待提升，在数据存储和使用方面有限制 ．加强数据安全监督管理 推进医疗健康数据相关制度建立，明确数据应用、信息安全与隐私保护的边界加强医疗AI的安全性评估和监管。 数据利用效率不高 数据标准不统一：电子病历记录标准不统一，设备供应商数据标准不统一，多样化的数据存储使数据无法实现共享，无法为机器学习提供标准化规则与规范。数据质量不高：数据记录呈碎片化特点，完整性不足，且难以保证真实有效性，机器数据挖掘价值有限，难以进行深度学习驱动临床决策。数据孤岛明显：尽管我国基础数据量大，但是医院内部、医院之间的数据共享流通并不顺畅，阻碍数据有效共享利用。 推进医疗数据标准化 建立统一的电子病历记录标准，鼓励医疗设备供应商采取统一的数据标准。 促进数据共享流通 数据成本高 鼓励医院建立高质量疾病数据库，完善国家四级全民健康信息平台，探索多种数据资源规范接入。 >数据获取渠道有限，且数据需要在专家标注后才能用于训练人工智能模型，成本高。 趋势5：场景驱动医疗行业AI应用点状渗透，AI影像等经过垂直打磨验证的核心应用将加速落地 医疗行业与AI结合的场景虽然众多，但是能够加速实际落地的仍然是经过垂直场景打磨验证的核心应用，如AI影像（包括X光、CT、病理超声等），CDSS以及药物研发等。 而依托于大模型进行全方位铺开，仍然有待于医疗行业的知识、数据、技术突破以及计算资源成本等方面的有效降低。 "AI+医疗”仍将持续场景驱动进行点状渗透，全面铺开有待于医疗生态整体数字化基础能力的进一步升级。 我国医院医疗信息化投入逐年提升，预计每年投入0.3%-2%的收入，！仍有相当比例投入到硬件基础建设部分，这距离发达国家3%-5%的水平仍存差距，从信息化到智能化的升级仍然是AI全面渗透的重要基础。 趋势6：医疗AI企业将探索可持续的多元盈利模式，推动医疗AI商业化落地 有很长一段路要走。由于医疗行业本身的复杂性，医疗A/不同应用商业化进程也呈现差异。人工智能在医疗的大部分应用尚停留在应用落地向商业化的探索过程中，其中，辅助诊疗领域的落地应用占比最多，商业化探索进程也位居前列，尤其是以眼科影像和放射影像为代表的医学影像类应用快速推进，持续探索有效的盈利模式。 未来，医疗AI企业将持续探索多元商业变现模式，持续打磨产品，增加产品线，拓展合作医疗机构范围，以实现可持续盈利。高 趋势7：创新与合规是金融行业AI应用主线，金融大模型将投射形成原子能力，在场景中得到验证 近年来政策导向加大数智技术扶持鼓励创新、治理规范进一步完善，未来在合规的框架下进行创新尝试，有助于保障金融稳定和推动行业可持续发展，也将是未来人工智能应用于金融行业的主基调。大模型在深入金融行业的过程中，进入专业场景需要具备大量行业知识，即使是通用场景和环节，也需要与金融行业实际情况进行适配，因此基础大模型将会投射成垂直领域内下游模型，通过A能力平台集中调度，形成具体解决场景下游任务的能力，才能真正成为生产力工具。 行业大模型微调 API接入与向量化处理 场景智能应用 大规模数据集构建 基础大模型预训练 Al能力平台调度 行业/场景的下游任务能力抽取，依托AI底座调用，形成适配性强的企业级应用 海量未标注的无结构数据、通用领域知识等构建基础数据集 基于数据集的自监督预训练，使其具备基础能力 结合金融机构自身专有数据、知识的增量训练和微调AI对齐 面向金融场景输出服务能力，沉淀数据和客户反馈，持续提升模型精准度 接入API调用基础大模型能力，利用数据标注、向量数据库等方式检索领域知识 趋势8：基于知识战略与数据战略升级AI能力，成为金融行业下阶段技术能力分化的核心 生成式A能力的引入一方面能够加速金融领域知识的生产和更新，使金融行业能够更快速地应对市场和客户需求的动态变化，丰富内外部应用场景的智能化水平；另一方面，将生成式A/具有的隐性知识和推理能力，与金融知识库显性知识进行的有效融合，传统金融知识体系的学习门槛、学习效率都将得到改善，客户的交互体验、员工的工作和学习模式也将迎来显著改变。在这个过程中，在数据战略基础上同样考量知识战略的搭建与落地，升级A能力，从而能够以“知识”为抓手形成从数字化到智能化的跨越。 趋势9：金融AI原生应用作为新质生产力工具大量涌现，提供全生命周期的高质量服务 金融行业的服务需求走向更加细分、专业化的场景，基于金融大模型的基础能力，将能够深入理解和探查用户需求和行为，从而催生出大量高度灵活的AI原生应用，在营销推荐投资建议等方面为客户提供更为精细和个性化的服务。金融AI原生应用是在设计、开发部署、运营和维护整个生命周期中，将AI作为整个应用的核心，构建实现更高效、智能、安全的服务与支持。 升级用户体验 通过人机交互方式的变革，实现多轮对话与KYC，提升对话与服务体验；通过与数字人相结合，实现虚拟场景的温度服务。 优化内容生产创意与效率 金融产品研发设计 个性化需求设计：根据用户的历史行为和偏好，设计出更符合其需求的金融服务。金融产品创新力：基于对市场行情趋势和客户反馈的分析寻找特征与特征，辅助进行创新性的金融产品设计。 营销主题与AIGC相结合，在自动化生成营销物料的同时，实现干人干面个性化营销。 保险、投资组合等产品定制化设计 降本提效 业务场景部署应用 提高服务水平：通过自动化处理和实时分析，加快金融服务流程以更效率、更智能的方式执行。精准决策支持：提供多模态数据分析和智能决策支持，辅助进行智能化决策。 风险评估与预警个性化智能推荐 在投研、研发编程、授信审核以及流程管理等方面提高效率，减少基础人员投入。 A 产品／业务创新 更新代 持续升级服务：通过学习更新数据和用户反馈，不断改进和升级金融服务，放大数据价值。降低维护成本：自动化维护过程，降低人力成本，提高系统的可维护性。 模型自动优化、用户数据收集与反馈 通过在通用基础能力的AI底座中引入高级认知能力，整合碎片知识与多样化需求，形成创新的产品化模型与业务解决方案。 趋势10：工业级场景需求升级，带动计算机视觉、工业知识图谱、工业数字李生、群体智能等关键技术向多元场景纵深发展 随着工业应用场景覆盖广度和深度的提升，更多潜在的价值场景机会会被发掘出来，驱动计算机视觉技术能力向高精度、标准化方向继续精进发展，帮助企业实现自动化检测、质量控制、安全监控和精细化生产等方面的智能化升级。 计算机视觉趋向高精度、标准化方向发展 AI将加速驱动工业知识图谱全生命周期融合应用 AI驱动加速企业知识图谱构建，包括各类文献、专利信息、技术标准等专业知识，并向工业生产链条的多环节快速渗透，帮助企业整合和利用各种生产数据、设备数据、质