任泽平：都来上云！产业智能化，下一个爆发点_新浪财经

股市瞬息万变，投资难以决策？来#A股参谋部#超话聊一聊，[点击进入超话]

　　来源：泽平宏观文：任泽平团队

　　导读

　　世界正迈入数字经济时代。

　　数据量快速增长，关键数据要素需要被用起来、用得好。

　　企业和政府等社会主体的数字化和智能化转型仍需要进一步提速，来满足社会发展的需要。这催生了我们对AI云服务这种结合了数字化和智能化等多方面优势“利器”的需求。

　　AI正逐渐深入到生产生活领域的每一个核心场景，AI云服务将助力人工智能与产业的进一步深度融合。产业智能化，将成为数字经济的下一个爆发点。

　　如何通过产业智能化，将数据生产要素用起来、用得好？如何让更多的社会主体，想用云、敢用云、能用云？

　　1 数字化转型已逐步成为社会共识，数字经济引领第四次产业革命

　　2 数据是新时代的关键生产要素，需要被用起来、用得好

　　3数字化从解决实际场景问题出发，企业、政府要想用云、敢用云、能用云

　　3.1要想用云，解决企业不上云误区

　　3.2要能用云，用AI技术好、性能突出的云

　　3.3要敢用云，降低使用成本和技术门槛是关键

　　4 数字时代的趋势展望：赋能产业、普惠基建、深化智能

　　正文

　　1 数字化转型已逐步成为社会共识，数字经济引领第四次产业革命

　　数字经济是最重要的国家战略之一，将重置未来经济发展的底层逻辑，成为经济增长新引擎。随着健康宝、机器人(19.250, -0.04, -0.21%)等数字化终端应用落地，数字化的场景应用已经在各领域逐渐普及，数字化转型已经逐步成为社会共识。

　　复盘历次产业革命，我们发现每次产业革命都是由核心技术引领，赋能千行百业“破圈”发展，形成新产业(60.250, -0.94, -1.54%)和新的经济增长点，遵循“现有产业+新技术=新的产业、新经济增长点”的产业革命范式。在经历了农业经济时代、工业经济时代后，世界将正式迈入数字经济时代。

　　第一次产业革命以发明、改进和使用机器开始的，以蒸汽机作为动力装置被广泛使用为标志。从生产技术方面来说，珍妮纺织机、蒸汽火车、汽船和改良蒸汽机等新技术相继被发明。工业革命使工厂制代替了手工工场，用机器代替了手工劳动，钢铁工业、棉纺织工业、交通运输业等新型产业相继出现，人类进入“蒸汽时代”。

　　第二次产业革命，科学技术取得巨大进步推动了工业生产的高涨，以电力的广泛使用为标志。发电机、内燃机、电话、无线电报等新技术相继被发明，工业重心由轻纺工业转为重工业，原有的工业部门技术革新，并出现了电气、化学、石油等新兴工业部门，世界由“蒸汽时代”进入“电气时代”。

　　第三次产业革命，原子能、电子计算机、微电子技术、航天技术、分子生物学和遗传工程等领域取得重大技术突破，信息产业崛起，产生了一大批新型工业，第三产业迅速发展，开辟了世界信息时代。

　　目前正值第四次产业革命时期，信息技术、数字技术、智能制造、虚拟现实、基因技术、清洁能源以及生物技术等新技术相继取得重大突破，信息通信产业、工业互联网、智能制造等新型产业出现，数字产业化规模已超5.2万亿元。

　　在数字与产业融合的领域，像百度等一众具备长期研发经验的优秀企业，已经成为人工智能新基建发展的领军力量，实现为智能制造、智能城市、智能教育、智能零售、智能医疗等多行业、多产业领域持续赋能。随着产业数字化和智能化程度的不断加深，数字经济将成为第四次产业革命的主战场。

　　历次产业革命均大幅地提高了社会生产力，新产业逐渐成为推动社会发展的主导性产业，并代替旧产业成为新的经济增长点。产业革命是社会进步和经济持续快速增长的基石，推动社会多层次、全方位的变革，极大地丰富了人们的物质生活，使得全球人均GDP得以提高，人均预期寿命不断延长。

　　2数据是新时代的关键生产要素，需要被用起来、用得好

　　数据是发展数字经济的关键生产要素，我国数字经济飞速发展离不开海量数据(15.790, -0.27, -1.68%)支撑。中央《关于构建更加完善的要素市场化配置体制机制的意见》中明确强调：数据是继土地、资本、劳动力、技术之后的第五大生产要素，对我国经济的发展具备战略性的地位。互联网的发展给世界带来了庞大的数据。IDC预计，2025年时全球数据总量将达到175ZB，我国数据总量也将达到48.6ZB，占全球数据总量的28%。2018-2015年我国和全球的数据总量年复合增速分别可达30%和27%。

　　随着数据总量的不断增加，我国的数据经济规模也在持续扩大。现阶段我国数字产业化已经拥有了庞大的规模，产业数字化也已走向纵深。数字化场景在我国已经十分常见，数字经济成为我国经济高质量发展的主要推动力。根据中国信息通信研究院数据，2021年我国数字经济规模达45.5万亿元，相较2016年的22.6万亿增长1倍多，年复合增速达15%。

　　然而，沉淀下来大量数据如果没有合适的工具转化为生产力，就会造成数据资源的浪费，扰乱我国数字化进程和节奏。我们认为，能有效地将数据转化为生产力的工具必须具备两个条件：

　　第一是具备强大的算力基础。算力是数据处理的基础设施，也是衡量数字经济发展的晴雨表。因此，能有效地将数据转化为生产力的工具必须具备强大的算力基础。

　　第二是能科学地分析数据，为人类给出决策的参考，让人类的决策更加科学化，让数据为人所用。

　　AI云服务，可将AI开发能力移植上云，为企业或个人用户提供一个高效、划算的AI开发环境，将数据要素更有效率地转化为生产力。在算力基础上，AI让云计算的算力进一步增强，以满足更多智慧计算的需求。云服务最基础的价值便是提供“计算”算力，计算的不断复杂化使得社会对算力的需求正出现指数级增长。

　　AI的本质，是对数据的学习、挖掘、训练和推理，智慧计算对算力的要求进一步提升倒逼我国算力进一步增长。OpenAI测算，2012年开始，全球AI训练所用的计算量平均每3.43个月便会翻一倍，计算量扩大倍数远超算力增长速度。根据《2021-2022全球计算力指数评估报告》的评估结果，在计算能力方面，中国人工智能计算发展领跑全球，AI服务器支出2022年规模同比大幅增长44.5%，首次超过美国位列全球第一。

　　在数据分析和科学给出决策上，云计算让AI更强。

　　一方面，云计算可以为人工智能提供算力、数据和场景等三要素。在算力要素上，即使目前存在端侧AI技术，但云计算形成的大规模集群式的计算能力才是AI算力的基础；在数据要素上，因为云计算上的很多服务都是要满足客户对自有数据学习、挖掘、训练和推理的需求，所以云计算可以汇聚大量数据；在场景要素上，云计算在满足各行各业上云过程中积累了大量的客户与应用场景，且无一例外地都需要AI技术进行输出。

　　另一方面，随着数据量的大幅增长，AI只有通过云计算才能更充分地利用庞大的数据，对数据进行更加全面的分析，给出决策的参考，让人类的决策更加科学化。

　　由此，可以说AI云服务就是让数据转换成数字化生产力最具效率的工具，将成为引领第四次产业革命的新技术和新产业。现如今企业上云的核心目的将不仅仅是节省计算成本，而更是要实现数字化和智能化的转型。AI云服务的价值更多是提供各种数字化和智能化能力，给各行各业提供智能化的AI解决方案，而不只是计算力。

　　目前AI云服务市场正逐渐走向成熟，海内外云巨头纷纷布局AI转型，“云+AI”成为标配。云计算实现了计算、网络、存储资源的弹性，AI发展依赖于云计算提供的大量数据、算法和算力。作为云计算PaaS和SaaS层的工具，AI与云计算服务相辅相成。

　　经过几十年的发展，AI公有云服务已进入高速发展期，海外如亚马逊、微软、谷歌和IBM等科技巨头公司早已布局云AI业务，国内如百度、阿里、腾讯等云巨头也纷纷开始转型，从公司战略、组织架构和产品矩阵上进行调整，加码云计算的AI属性，深耕AI与产业结合方式，促进云与AI互融。

　　3数字化从解决实际场景问题出发，企业、政府要想用云、敢用云、能用云

　　企业上云是实现企业数字化转型的突破口。现阶段我国企业上云率相对较低，2020年，企业上云比例仅为40%左右，而同期欧洲上云率为70%以上，美国企业上云率则高达80%，因此我国企业上云率还存在较大的上升空间。国家“十四五”规划《纲要》提出“上云、用数、赋智”行动，以期解决我国企业数字化转型中“不会转”、“没钱转”、“不敢转”等问题。“上云”重点是推行普惠性云服务支持政策，“用数”重点是更深层次推进大数据融合应用，“赋智”重点是支持企业和产业的智能化改造。

　　数字经济下半场，行动的重点将由“上云、用数”阶段过渡到“赋智”阶段。因此我们认为，通过向产业赋智将会进一步推动我国各社会主体的数字化转型，让企业和政府更加“能用、敢用和想用云”。

　　AI云服务通过云计算叠加人工智能技术可实现对产业从“上云”、“用数”到“赋智”转型。例如百度推出的百度智能云新战略：云智一体3.0，深入产业，聚焦场景，通过打造行业标杆应用，带动和沉淀AI PaaS层和AI IaaS层的能力，打造极致性价比的异构算力和高效的AI开发运行能力，加速产业智能化，降低企业上云门槛，让社会各方“想用、敢用、能用”，有效提升我国企业上云率，助力企业数字化转型。

　　3.1 要想用云，解决企业不上云误区

　　一方面导致我国企业上云率低的问题来源于相当数量的企业和个人不了解上云的好处。从行业生态来说，云计算面向机构和个人客户提供按需付费的SaaS、PaaS、IaaS三种解决方案，和公有云、私有云、混合云三种部署形式。

　　全球云计算服务以PaaS和SaaS端为主，我国则以IaaS端为主，PaaS、SaaS市场及相关企业仍在萌芽状态。Gartner数据显示，2020年全球云计算市场规模中，IaaS层服务市场规模占比为22.32%，PaaS和SaaS层云计算服务市场规模占比达77.7%。而中国市场则相反，IaaS占70.1%，PaaS和SaaS合计只占29.9%。

　　然而通常云计算IaaS是基础资源，PaaS和SaaS是承载应用的服务，代表云的使用深度和成熟度。SaaS是IaaS、PaaS的需求之源，SaaS生态越繁荣，IaaS和PaaS的需求越大。但由于我国SaaS层企业普遍诞生于2014年前后，至今仍未有一家营收超过100亿元而导致产业生态薄弱，毛利高、场景结合度更紧密的SaaS层无法持续扩张。

　　百度智能云是一个助力行业转型，赋能SaaS和PaaS层应用场景的有力工具。如在AI PaaS层面，百度智能云直接调用飞桨框架和飞桨开发平台的相关模块，结合文心行业大模型，精准匹配交通、制造、能源、金融等多个行业需求，大幅降低人工智能技术应用的门槛。新推出创新性的“AI中台3.0”和“知识中台3.0”可以充分利用AI算力，降低使用门槛，加速模型迭代。在过去的几年里，基于“云智一体”，百度智能云集中在PaaS+SaaS层的打法愈发奏效。根据IDC数据，百度智能云在AI公有云服务市场规模已经连续六次第一，成为百度内部寄予众望的“第二增长曲线”。

　　从功能上来看，百度智能云结合AI技术在实际场景落地，用智能流程解决重复性工作，让企业明白上云好处。利用飞浆深度学习平台、AI开发平台以及AI中台、知识中台等智能化引擎赋能实际场景，百度智能云助力工业质检市场持续性检验和市政水务高效化管理等工作。

　　百度智能云与恒逸化纤联合开发的智能质检设备使得质检员从原来的质检工人转型成为一名AI数据标注师，帮助百度智能云质检工程师在产品图上标注出各类缺陷，将质检员的质检经验转化成企业的数据资产，让AI学会辩别绊丝、毛丝、油污等产品缺陷，大大提升工作质量和效率，解决工业质检持续性差的领域痛点问题。根据IDC数据，2020年全年中国工业质检软件和服务市场规模达到了1.42亿美元，同比增长近32%。

　　百度智能云与广州水务共建智慧水务系统，改变过去管理人员频繁盯屏、巡河疲于奔命的困境，利用实时预警、排污治理和防汛应急等功能实现AI让水域治理更加高效。

　　3.2 要能用云，用AI技术好、性能突出的云

　　企业要上云则需要提高云厂商云服务的性价比，更好、更高质量、更有实际问题解决能力的云服务，助力企业敢于上云。在技术层面上来说，智能云要有多方位、多层面、跨领域解决实际问题的能力，需要有学习和挖掘数据的AI能力，需要极强的技术积累。目前我国人工智能在基础层、技术层、平台层和应用层均取得了巨大突破。

　　一是在基础层，人工智能参与企业逐渐完善掌握海量数据、构建机器学习核心算法，并向高运算力芯片等核心硬件环节突破发展。人工智能时代，更多不规则、非线性、复杂场景大数据运算对软硬件整合提出了新要求，芯片和算法的关系逐步走向相互定制融合。在此背景下，致力于人工智能的企业开启“涉芯”、“造芯”成为未来发展的必然。

　　百度自主研发的第二代AI通用芯片“昆仑2代”已经部署在百度内部搜索、自动驾驶、爱奇艺等内部业务，在金融、工业等行业客户中广泛应用。作为7纳米通用型GPU，昆仑芯2代比1代，性能最高提升3倍，性价比优于国外同级产品。在工业质检场景，“昆仑2代”已经能够替代非国产芯片，实现成本降低65%的效果。另外昆仑芯3代已经在研发当中，预计2024年量产，将成为国内高端芯片需求的替代产品。百度未来将持续在芯片商用性、通用性，以及多维生态建设方面持续发力，面向云计算、自动驾驶等多种人工智能应用场景，形成自主芯片生态圈。

　　二是在技术层，计算机视觉识别、语音交互、自然语言处理等技术不断取得重大落地应用。三是在平台层，人工智能参与企业逐步搭建了中国人自主研发的基础开源框架，不断推进产业级深度学习平台、技术开放平台建设。

　　为更好应对外部环境变化，作为国内深度学习开源框架的先行者，百度研发搭建了国内最大的开源深度“飞桨”学习平台，使得我国拥有更加自主可控的AI底层能力，目前国内市场份额已位居第一，逐步实现了对TensorFlow和PyTorch等外国平台的超越。

　　因此，算力方面，百度拥有自主研发的云端通用芯片昆仑2代；算法方面，飞桨是中国自主研发的第一个深度学习框架，相当于AI时代的操作系统。基于“昆仑+飞桨”自研软硬件，百度智能云能实现核心技术全栈自主可控。

　　四是在应用端，人工智能参与企业为多行业、多产业领域持续赋能，人工智能+家居、工业制造、机器人、医疗、教育、汽车出行、司法等多个关键核心领域，实现各场景数字资产沉淀，深化各行业全流程体系变革。

　　在解决实际问题上，百度智能云拥有独特的技术积累。例如在国网福建电力，百度智能云搭建起知识中台，把解决问题的能力沉淀到中台上。知识中台能够采集电网全业态数据，自动构建知识体系架构，并在具体的业务场景中为企业员工提供智能辅助决策。在电力设备故障诊断场景中，一线操作人员能够在知识中台提供的智能指导下显著提升决策准确性与效率，缩短抢修时间，改善电力供应服务水平。目前升级的知识中台3.0能给进一步地将标注成本减少50%，在搜索场景中，模型落地的开发周期可以缩短50%。

　　百度智能云云智一体，深入产业，聚焦场景，形成了智慧金融、智慧城市、智慧交通、智慧能源、智慧水务、智能文娱传媒和智慧电信等多种解决方案，全方位解决工业和产业的领域痛点问题，具有极高性价比，助力企业能用云。

　　3.3要敢用云，降低使用成本和技术门槛是关键

　　中小企业不敢用是因为存在着上云成本高、缺乏专业指导、缺少适合的上云方案等难题，直接导致了数字化和智能化转型程度低，成为行业的痛点和难点问题。据中国电子技术标准化研究院调查发现，在调查的2608家中小型制造企业中，89%的中小企业处于数字化转型探索阶段，而仅有3%的中小企业处于数字化转型深度应用阶段。

　　AI云服务中，算力和AI的融合降低了企业成本，预计中小企业将会迎来数字化新机遇。例如百度智能云开物工业互联网平台2.0全新升级，进一步降低了企业使用AI技术的门槛，中小企业因此缩短了数字化过程，并得以通过智能化牵引企业需求的发展。

　　例如在“中国羊毛衫第一镇”桐乡濮院，百度智能云构建了服装产业大脑，通过产能共享平台，整合产能、订单，加强产业链协同，帮助当地中小企业降低成本、提升效率。

　　工业互联网聚焦产业链核心企业，通过链主企业带动整个产业链智能化升级，并带动产业链的上下游协同发展。比如，苏州的百度智能云工业规划平台，通过打通供应链上下游企业数字化壁垒，实现数据共享、产能共享；在贵州的百度智能云，利用知识图谱技术，对企业供应链深度挖掘，并帮助企业找到新供应商，降低成本。

　　百度智能云降低中小企业上云的技术门槛，开放的平台让企业用起来更简便，AI与业务场景结合更能实现降本增效。究其原因，百度智能云深入产业，聚焦场景，切中了中小企业的核心转型诉求，让更多的企业“敢上云”。

　　一是百度智能云推出的智算中心1.0方案拥有大规模训练场景，能够做到低能耗、高性能运行，满足地方城市大脑、生命科学、自动驾驶等先进科创产业的发展。二是开物工业互联网平台2.0累积超过200个工业解决方案，沉淀了3.8万个工业模型，在多个城市落地，将人工智能变成中小企业触手可及的生产工具。三是AI中台3.0可以自动适配超过1万6千种网络和芯片组合，覆盖市场上大部分的AI硬件；知识中台3.0将模型迅速落地，解决产业问题。

　　4 数字时代的趋势展望：赋能产业、普惠基建、深化智能

　　一是未来20年，产业与AI的结合提高产业数字化结合深度，产业智能化将成为数字经济的下一个爆发点。目前AI正逐步深入到生产领域的每一个核心场景，帮助企业实现产业智能化决策，为企业带来效益。人工智能已从最初智能客服的场景，逐步深入到工艺参数优化、安全预警管理等核心领域。

　　例如，在火力发电空冷岛项目中，百度智能云通过深度学习，实时调试风机转速，使得每度点的能耗降低1.55克标煤。该能耗降低折算到全国便意味着可实现600万吨的碳减排，而这又是传统技术工艺难以做到。

　　因此从长远来说，一方面人工智能与各产业行业相融合的核心技术先发行者必将取得独到的优势；另一方面，解决AI在产业行业上的重大应用问题具有高度的挑战性，也会反过来促进人工智能的深入发展。未来AI与产业深度融合，将能进一步利用好数据这个生产要素，不断提升我国企业数字化和智能化转型的比例，推动产业数字化进程，将成为数字经济的下一个增长点。

　　二是我国数字化和智能化进程的加速需要社会各方的努力，实现算力的普惠。如同农业时代的水利和工业时代的电力，算力是现在数字经济时代的核心生产力。而现在AI算力的建设成本和使用成本较为高昂。过高的建设价格也将影响之后的应用和落地，很难做到真正便民利民，有悖AI为产业和社会发展提供智能便捷服务的初衷。

　　解决AI算力成本高昂的问题需要多方面的努力。从建设端来看，一是算力建设，降低算力成本需要更多国家引领IDC领域重大基础设施建设布局。政府方需要增加更多的政策资金入局，一方面需要进一步推动新型算力基础设施建设。另一方面可进行老基建的智能化改造，把传统的旧基建升级为智慧基建，通过传感器、接入算法，将电力、水库、河道、城市下水管道等传统基建数字化，解决更多智能基建问题。二是算法建设，需要百度这样的智能云引领者，大模型、优算法、搭平台，推动技术进步，赋能行业发展。从需求端来看，挖掘更多的需求，探索更多的使用场景，从而吸引更多的客户使用，增加企业和政府等社会主体的上云率，边际拉低算力使用成本。

　　三是需要建设行业标准，解决人工智能行业发展痛点问题。AI算力中心的价格乱象已非一两天，例如2020年城市A的智能计算中心，每100P Flops FP16的算力建设成本为7500万元，而2021年城市B同等精度下的100P Flops算力建设成本却高达4.6亿元，定位相同、功能相近的智算中心，建设投入相差却达到6.2倍之多。