人工智能产业发展的建议有哪些？

以下是关于人工智能产业发展建议的介绍，如果有兴趣了解更多相关的内容，请下载原报告阅读。

1.对行业用户的建议

人工智能基础设施应为企业可持续发展提供长 久支撑力： AI算力基础设施应成为企业IT基础设施建设重点。目前，大部 分企业的人工智能基础设施尚未达到成熟水平，企业需要衡量 的因素包括初始投资，如何实现投资收益和回报，以及如何确 保基础设施能够满足业务需求和绿色低碳的要求。本报告认 为，在未来几年，最值得重视的是如何提高计算能效。数据中 心发展到现今的规模和体量，能耗将成为未来制约其发展的重 要因素。企业可利用异构计算，提高单位能耗带来的算力，同 时可积极尝试液冷技术，虽然较高的初期成本仍然是投资的最 大障碍，但企业应制定更长远的目标，综合考核基础设施的性 能、灵活性、易用性、成本和能效这五个方面，设立指标并考 虑其影响，以选择最匹配的组合。

 广泛合作，充分借鉴，合力促发展： 数据处理是企业投资人工智能基础设施的另一大障碍，行业用 户通常缺乏构建、培训和部署人工智能模型的时间和相关知识 或能力，这为预训练的人工智能模型带来了一个新的市场。然 而，与任何现成的模型一样，预训练模型也有局限性，包括模 型可用性和适应性、运行模型的基础设施局限性以及内部专业 知识不足。模型规模也在不断增长，这使得它们在通用基础设 施上运行具有挑战性。通常，行业用户不具备进行模型二次开 发的技术能力，因为这需要投入大量时间和人员成本，因此， 行业用户需要更积极地参与到人工智能生态建设中，借助合 作伙伴和技术供应商的能力，进一步完善人工智能在企业的 应用。

2.对技术提供商的建议

 降低行业用户获得人工智能能力的门槛： 在基础设施层面，解决方案供应商必须采取一致但多管齐下 的方法来应对人工智能给行业用户带来的挑战，包括广泛的 成本选择以及更加完整、灵活的解决方案。技术供应商需要 有能力提供一个创新、完整的解决方案，并具有足够的灵活 性，允许在本地和云上集成异构、混合的计算和存储环境， 并提供预测性分析，将系统健康检测标准化，最大限度减少 用户在系统运维上的复杂度，降低用户应用AI的门槛。

 推进构建和部署模型的自动化进程： 在软件层面，目前大多数企业才刚刚开始应用机器学习，需 要大量工具和能力，使他们能够轻松、快速地管理机器学习 模型的实验、开发和部署。对于大多数用户来说，MLOps是 一个新生的过程，它们将尝试不同的方法，以最好地处理机 器学习模型的创建、维护和操作。解决方案供应商有机会在 这一过程中影响和帮助其客户，随着容器化模型部署成为标 准，机器学习操作的重点正转向工作流协作、模型部署和模 型监控。人工智能模型的运作，主要围绕模型治理和模型生 命周期管理，也越来越受到关注，解决方案提供商应关注使 MLOPs可扩展的功能，包括但不限于模型部署、模型监控、 模型检测和评估，以便让用户更快速地获取AI能力。

3.对产业发展的建议

加速自身研发能力的提升： 人工智能作为一个完整的产业，其生态建设至关重要。技术 提供商和行业用户应该坚持更加开放和深入的合作，共同推 进人工智能应用的发展。除此之外，在学习全球先进技术的 同时，需要加速自主研发的进程，无论在算法模型方面，还 是算力层面，拉近与全球领先者的差距。作为算力的核心， 芯片的自主研发已迫在眉睫。未来算力的需求将变得越来越 多样化，聚焦在芯片研发的技术供应商应利用人工智能在中 国应用多样化发展的特点，联合生态合作伙伴，提供更贴近 本地用户需求的解决方案。

各地区应挖掘自身特点和优势，因势利导： 从地区分布角度来看，中国人工智能应用同样具有多样化的 发展趋势。各个城市和区域具有不同的环境、地理位置，以 及各自的产业优势，可以此为基础，探索具有自身特色的发 展路径，并给其他城市提供借鉴，共同推动人工智能产业在 中国的发展。 

各方协作推进绿色发展： 为满足人工智能应用可持续性发展的需求，绿色低碳的AI算力 基础设施是未来发展方向，例如液冷数据中心正逐渐被采 用。但整体来看，其发展仍处在初期阶段，在实际建设过程 中，用户面临诸多挑战，例如成本因素、数据中心改造复杂 度等。产业需要进一步完善绿色数据中心基准，给用户实施 提供参考，并从中受益。