AI对半导体、数据中心领域都有什么影响？

据IHS Markit估计，到2025年，涵盖硬件和软件的AI系统的全球收入将达到近1万亿美元，复合年增长率达28%。

具体来看，人工智能在汽车、制造、医疗和国防行业的应用将最为广泛;数据中心和云计算基础设施将成为人工智能训练的主要领域。

人工智能系统的全球营收

『美国与中国的“较量”』

根据IHS Markit的定义，人工智能是指一个研究如何使机器能够独立解决问题，从而实现学习并且基于输入不断做出逻辑决策的科学体系。机器通过自己的方式累积知识，其快速反应能力非常类似于人脑在现实情况中所做的复杂计算。

机器学习作为人工智能的一部分，使机器能够通过输入给它们的数据自动查找和学习模式。机器学习技术包括神经网络和深度学习，它们都是试图模拟人脑的结构和工作方式(包括训练和推理等过程阶段)的计算模型。

目前，人工智能领域最具竞争力的两个国家当属中国和美国。

不过中国较之美国还是略落后一点。由于人工智能的关键驱动力“芯片”技术，中国与美国差距较大，因此在半导体需求上非常依赖西方。

然而，中国的优势在于，政府的大力支持以及资金投入。相比之下，另一个重要的人工智能市场——欧洲，其相关发展计划要远远落后于美国和中国。

『水平行业领域的AI』

在半导体、人机界面、数据中心和自动机器四个水平行业领域，人工智能的影响将最为明显。

半导体

当今半导体市场的一个主要趋势是异构计算。

所谓异构计算即，使用一种以上的处理器或核心或不同的协处理器。异构计算不仅部署在高性能计算中，同时还部署在可以利用基本机器学习算法的嵌入式应用程序中。它也是一种支持跨应用程序和行业领域的人工智能和机器学习的解决方案。

因此，新的芯片解决方案正在出现，其中包含不同的核心和加速器，其组件具有优化的机器学习功能，以实现高效、低能耗和降低构建成本的目的。人工智能芯片体系结构的变化意味着，一个统一的“一刀切”的方法将不再适合目前正在开发的人工智能解决方案。取而代之的是一系列不同的人工智能芯片解决方案，以满足不同应用的需要。

为此，人工智能市场中有一些面向专用和优化的设备开放的部分，例如专用集成电路(ASIC)和没有集成到异构集成电路中的协处理器。然而，这些专用集成电路和协处理器位于同一块印刷电路板上的系统芯片(SoC)附近，执行专门为AI功能保留的类似功能。

ASIC市场的蓬勃发展得益于如雨后春笋般涌现的初创公司。区别于当今用于中央处理器(CPU)、图形处理单元(GPU)、现场可编程门阵列(FPGA)和数字信号处理器(DSP)中的传统芯片架构，这些初创公司提供在处理能力和存储器接口方面的全新体系结构。

由于创新步伐的加快，现如今针对特定算法优化的硬件体系结构可能很快就会过时，从而危及投资。因此，硬件(即使是芯片级的)必须是灵活且可以“即时”编程的。同时，软件将在AI系统中驱动硬件。

另外可编程性需要解决的一个关键问题是，有效使用工作内存。由于先进的人工智能技术，尤其是涉及深度学习的算法，需要大量的易失性内存才能正常运行。为此，芯片行业正在寻找各种创新方法，包括新的处理器架构，以减轻数据移动的负担，支持高处理并行和每个处理核心专用的内存单元。

内存创新的尝试说明了人工智能将如何成为新服务和商业模式的推动者和创造者，变革当前的生态系统和供应链。

但IHS Markit认为，在充分利用人工智能的潜力之前，必须先对供应链进行一段时间的清算和整合——简化价值链。只有在人工智能中进行筛选和稳固之后，这项技术才能被最大限度地用于改善生活和工业。此外，针对人工智能的集成电路市场也将出现整合，这意味着，在未来10年里，只有少数几个国家能够生存下来。

数据中心

数据中心是当今工业革命和数字转型的关键部分。在数据中心内，考虑到实时交付和低延迟等基本性能参数在应用程序中的重要性，新的高性能服务器在开发时考虑了AI和机器学习算法。

IHS Markit的研究显示，到2022年，带有专门的人工智能和机器学习联合处理器的服务器将占全球服务器出货量的10%以上。企业还将加大对包含协同处理器的服务器的投资，将优先选择包含通用图形处理单元和现场可编程门阵列的服务器。

总体而言，无论是在基于云的数据中心还是在边缘服务器中，未来设备的处理能力和数据分析能力都将有望大幅增长。目前，在不同的行业和领域中，计算越来越多的向边缘网络迁移。对低延迟性能的需求将推动往返时间(RTT)低于标准20毫秒(ms)的本地化服务器的增长。

人机界面

人机界面(HMI)是一种基本但功能非常强大的应用程序，可以部署在多个应用程序中，并跨多个行业和领域，从消费和移动电子产品到汽车，从智能家居、智能设备到工业空间。

尽管Siri、Alexa和谷歌Assistant都是为消费电子应用开发的产品，但负责这些助手的公司——苹果、亚马逊和谷歌——也在尝试将其使用和界面扩展到包括汽车工业在内的其他领域。

然而，尽管这三个产品在欧洲和美国具有很强的影响力，但在发展迅猛的中国市场上，它们的占比较为有限。相比之下，百度，阿里巴巴，腾讯，华为和小米等中国本土技术公司的数字助理比西方同行更具优势。

在汽车领域，安全至关重要。如自动驾驶汽车所预期的那样，如果机器要接管人类的角色，原始设备制造商将承担更大的责任。不过即便如此，具有基于AI算法和用于语音和手势识别的车载HMI还是在汽车制造商和车主中大受欢迎。

自动机器和机器人

机器学习技术，连同先进的机电和感觉科学，使不同的自主实体能够迅速发展和部署，以完成具有不同复杂程度的多种任务。

基于IHS Markit进行的分类，自动机器涵盖了多个行业领域的各种设备。包括轻型车辆、公共汽车和卡车;农业作物机械;工业和医疗领域的机器人;玩具、无人机和服务机器人;海洋和军事工业;以及采矿业和建筑业。

在自动驾驶领域，汽车行业是AI的主要技术驱动力，并且要求最为复杂。然而，在消费市场，自动机器的货量将继续保持领先地位，到2025年，全球总出货量预计将达到1330万台，高于2018年的450万台。

『垂直领域的AI』

目前，所有行业都在“拥抱”AI承诺的附加功能——更高的效率以及更好的性能。

在汽车领域，从半导体供应商到原始设备制造商，整个汽车供应链都在认真地投资“人工智能”。其中先进的技术为实现自动驾驶汽车铺平了道路。机器学习已经可以用于各种信息娱乐的人机界面，包括语音识别技术。在高级驾驶员辅助系统中，深度学习适用于基于摄像头的机器视觉系统，基于雷达的检测单元，驾驶员困倦和传感器融合电子控制单元(ECU)等领域。

然而，除了信息娱乐之外，当涉及到安全问题时，汽车AI将会涉及延迟、性能、功耗、数据获取、处理以及存储等额外要求。

在银行业，2018年人工智能的商业价值约为411亿美元，其中包括区块链等新引入技术带来的效率提高和成本节约。随着AI成为主流，其在银行业的商业价值将激增至1,650亿美元。

具体来看，实时交付和低延迟将成为银行市场交易，欺诈检测，身份验证和安全保证的关键性能参数。在这些领域，高性能边缘计算是大势所趋，其特点是内部数据中心的使用日渐增加，而周转时间仅为几毫秒。

在工业自动化和制造业中，人工智能将启用新的用例，例如“生成式设计”或根据一组系统要求自主创建最佳设计。通过生成式设计，用户将能够交互地指定其设计的功能需求和目标，包括首选材料，工程约束条件和制造流程，并由此产生可用于制造的设计。

生成式设计将使设计更加亲民，因为用户只需要了解所设计零件的用途和目的，而不需要具有工程背景，或对结构，力学和材料拥有广泛的了解。生成式设计还将优化多个目标的同时设计，并且提供几种新颖的设计替代方案，使公司能够大大缩短产品工程周期。

在医疗保健领域，大数据分析和人工智能将扮演越来越重要的角色。通过工具接收医疗保健系统产生的大量结构化和非结构化数据，分析水平将不断优化，诊断的速度和准确性将得到提高同时能够扩大诊断能力。

并且，新的业务模型将会出现，例如软件即服务(SaaS)，其特点是基于站点估计案例数的年度订阅模型。此外，人工智能技术的使用还将影响医疗保健的其他要素，例如定价，数据集验证，设备使用和更换，诊断成像，虚拟健康助手以及投资回报率。

IHS Markit的数据显示，到2022年，机器学习和人工智能将实现加拿大、中国、法国、德国、日本、英国和美国等国的100万民患者的远程监控，相较于2017年的3.1万，将有大幅提升。

在视频监控领域，人工智能也将掀起一场行业革命。视频监控领域受到多种因素的影响，包括视频监控产品和市场参与者之间的激烈竞争、中国的视频监控的广泛使用、安全城市的崛起，以及从标准定义到高清视频的持续转变。

虽然云端及其庞大的虚拟化处理能力正被用于运行视频分析。但有些分析——例如人群监控、计数和对象检测——将在摄像机上运行，以节省带宽并减轻后端计算能力。这意味着可以使用更强大的集中式分析来运行处理器密集型的应用程序，比如人类或车辆的特征提取，以及对象搜索。中国对这一领域兴趣盎然，因为中国市场的人工智能部署最为丰富，项目规模庞大，可以从分布式计算和分析中获益最多。

视频监控的主要区别在于视频管理软件(VMS)，视频内容分析(VCA)，物理安全信息管理(PSIM)和中央监控站(CMS)使用的软件。