算力是数字经济时代新生产力，是支撑数字经济发展的坚实基础。数字经济时代的关键资源是数据、算力和算法，其中数据是新生产资料，算力是新生产力，算法是新生产关系，构成数字经济时代最基本的生产基石。

现阶段5G、云计算、大数据、物联网、人工智能等技术的高速发展，推动数据的爆炸式增长和算法的复杂程度不断提高，带来了对算力规模、算力能力等需求的快速提升，算力的进步又反向支撑了应用的创新，从而实现了技术的升级换代、应用的创新发展、产业规模的不断壮大和经济社会的持续进步。

按照应用场景的不同，算力可分为通用算力、智能算力和超算算力，其中，智能算力主要被用于图像计算服务、数据推理和强化学习训练等场景。尽管这些应用对实时性的需求并不高，但对计算能力的需求极大。

基于对智能算力赛道的关注，10月26日，头豹研究院发布2023年第1期智能算力市场研究成果，通过对智能算力产业链条进行深度剖析，挖掘其中潜在的投资机会，以下为第一手直播回顾，期待与您共同探讨。

如果您对相关报告感兴趣，或有意向采购，请扫码联系我们的客服进一步咨询：

智能算力行业洞察

张俊雅

头豹研究院TMT行业分析师

行业综述

从狭义上看，算力是设备通过处理数据，实现特定结果输出的计算能力。算力实现的核心是 CPU、GPU、FPGA、ASIC等各类计算芯片，并由计算机、服务器、高性能计算集群和各类智能终端等承载，海量数据处理和各种数字化应用都离不开算力的加工和计算。算力数值越大代表综合计算能力越强。

从广义上看，算力是数字经济时代新生产力，是支撑数字经济发展的坚实基础。数字经济时代的关键资源是数据、算力和算法，其中数据是新生产资料，算力是新生产力，算法是新生产关系，构成数字经济时代最基本的生产基石。现阶段 5G、云计算、大数据、物联网、人工智能等技术的高速发展，推动数据的爆炸式增长和算法的复杂程度不断提高，带来了对算力规模、算力能力等需求的快速提升，算力的进步又反向支撑了应用的创新，从而实现了技术的升级换代、应用的创新发展、产业规模的不断壮大和经济社会的持续进步。

通用算力的应用极为广泛，几乎覆盖了所有传统服务器能提供的业务应用。这些应用包含交互性业务，如网络游戏、网络购物、移动视频和移动支付等，以及离线分析业务，如大数据挖掘、数字生命周期模拟、图像渲染和视频渲染等。

智能算力主要被用于图像计算服务、数据推理和强化学习训练等场景。尽管这些应用对实时性的需求并不高，但对计算能力的需求极大。

超级计算能力主要应用于科研计算领域，包括流体力学、物理化学和生物信息学等。典型的超级计算应用领域包括气象分析预测、高海拔宇宙线观测、空气动力学、车辆碰撞测试仿真实验和药品实验数据分析等，这些应用需处理的数据量极大。

根据中国通信院数据，2018-2022年，中国智能算力规模由6.8EFLOPS持续增长至140EFLOPS,年均复合增长率为113%。头豹研究院预计至2027年，中国智能算力规模将增长至762EFLOPS，2023至2027年的复合增长率约为40%。

2018至2022年，中国智能算力规模增长迅速，主要原因包括：

（1）政策推动。期间国家制定一系列政策，例如《全国一体化大数据中心协同创新体系算力枢纽实施方案》，提出要在全国范围内推动信息基础设施建设，智算中心的建设是其中的关键环节。当前中国已超过30个城市正在建设或提出建设智算中心，一般智算中心的起步算力目标是100PFLOPS，整体布局以东部地区为主，并逐渐向中西部地区拓展。此外，科技部发布《科技部办公厅关于开展国家新一代人工智能公共算力开放创新平台申报工作的通知》，提出要推进AI领域的模型与算法创新工作，加快推动国家新一代人工智能公共算力开放创新平台建设，进一步推动智能算力规模的增长。

（2）产业需求。随着金融、制造业、汽车等行业的数字化转型升级，对于智能算力的需求持续增长。人工智能、机器学习、大数据分析等应用场景愈加广泛，推动了智能算力的增长。

（3）数据增长。数据是推动人工智能和机器学习发展的关键驱动力，而数据规模的快速增长无疑对智能算力提出更大的需求。只有充足的智能算力，才能对这些大幅增长的数据进行计算、处理和分析，从而提取有价值的信息。根据中国电子学会，2017至2022年，中国数据产量增长了32倍，从4ZB增长至128ZB，极大地带动了智能算力市场规模的增长。

展望未来，AI技术在各行业应用场景的持续渗透以及通用大模型的相继发布，将极大地拉动对智能算力的需求。随着ChatGPT带来的新一代AI浪潮，中国本土厂商相继发布文心一言、通义、盘古等通用大模型，基于大模型的应用场景也不断拓展，根据国家信息中心，未来80%的应用场景都将基于人工智能，这些万亿级别参数的大模型以及各种垂直行业的应用将极大地驱动了对智能算力的需求。

从统计数据上看，算力发展对于中国GDP增长的拉动作用显著，在2016-2021年期间，中国算力规模平均每年增长46%，GDP增长9%。这意味着GDP每增加1%，算力规模约增长5.1%。2023年开年至今，数字经济发展将上升至国家战略最高层面，人工智能应用、AI大模型等数字经济产业将迎来高速增长，算力需求增速将进一步释放。假设2023-2027年期间，中国GDP增速为5%，GDP每增长1%，将带动6%的算力规模增长，则算力规模每年增速将维持在30%以上。此外，基于中国智能算力占比由2016年的3%迅速增长至2021年的51%，预计智能算力的占比将在2023年达到70%，在2027年达到88%。因此，我们预计中国智能算力规模将于2027年达到762EFLOPS。

按使用频率的不同，数据可分为冷数据、温数据和热数据。冷数据指使用频率低的数据，多为离线存储、灾备效据；温数据是使用频繁，但对于时延要求低，如AI模型训练，算力需求占比最高，达80%以上；热数据指使用频率高，对时延要求高的数据，多用于需精密操作的行业，如医疗、高频交易、工业制造等。

随着互联网、云计算、大数据、人工智能等新一代信息通信技术的发展，自2016年起，中国数字经济发展迅猛，带动数据量呈指数级别增长，中国已成为全球数据资源规模最大、增长最快的数据圈，预计到2025年数据总量将跃居世界第一，全球占比有望达到27%以上；预计到2030年数据规模将达到4YB以上。

智能算力方面，在急剧膨胀的数据中，80%以上均为非结构化数据（文本、图片、语音、视频等 )。传统以CPU为主的芯片年性能提升不超过15%，难以满足处理视频、图片等非结构化数据的需求，亟需多样化的智能算力。数据规模的急剧增长直接拉动智能算力需求的大幅增长，具体可体现在以下几个方面：

（1）数据处理需求增加。随着数据量的增长，大数据分析、机器学习、深度学习等任务需要庞大的计算能力来对数据进行挖掘、训练和推理，直接拉动智能算力需求增长。

（2）模型复杂度提升。随着数据量的增加，为实现更高层次的人工智能，更复杂的算法模型能够基于海量数据得到充分训练。例如，在图像识别领域，更大规模的图像数据需要更深层次、更复杂的神经网络模型来进行处理，则需要更高的算力来支持模型的训练和推理。

（3）实时性要求提高：随着数据量的增长，一些应用对实时性的要求也越来越高。例如，金融交易、在线广告、智能交通等领域需要实时地处理和响应海量的数据。为了满足这种实时性要求，需要更大规模的智能算力来保证数据的快速处理和决策效率。

智能算力是数字化创新的源动力，人工智能在国家经济建设、科技实力提升、推动生产力发展等方面呈现出举足轻重的作用。随着新基建、数字经济等持续利好政策的推动，中国人工智能市场将保持平稳增长。弗若斯特沙利文预测，2022年中国人工智能市场规模达到3,716亿元，有望在2026年达到14,729亿元，2022至2026年年复合增长率达41%。

元宇宙方面，英特尔预测，未来进入元宇宙时代，需要将当前的计算能力提升一千倍。同时，英伟达认为，在沉浸式体验下，实时渲染的算力还需要提升百万倍。这些数据表明，在即将到来的元宇宙时代，智能算力将面临着巨大的增长需求，拥有广阔的增长空间。

人工智能方面，随着AI技术在各个行业的渗透率不断上升，应用场景愈加广泛，人工智能已经成为了企业寻求业务增长点、提升用户体验、保持核心竞争力的重要途径。2022年人工智能行业应用渗透度排名TOP5的行业依次为互联网、金融、政务、电信和制造，渗透率分为83%、62%、52%、51%和45%，企业试图通过人工智能技术进行数字化转型升级，以此来提升自身的市场竞争力，从而占据更大的市场份额。根据国家信息中心预测，未来80%的业务场景都将基于人工智能技术。预计到2023年，中国有50%的制造业供应链环节，将采用人工智能技术以提升业务体验。这些人工智能应用的落地，背后都有着庞大的算力需求，驱动着智能算力规模高速增长。

AI大模型的发展极大地推动了智能算力需求的增长。自2011年以来，全球人工智能模型参数急剧增长，以GPT的发展历程来看，用以训练模型的数据集的广度和深度都在不断加强，使得模型的回答具有更高的准确性和质量，实现模型的不断优化。在2022年底，OPENAI发布了ChatGPT大模型，掀起了全球AI大模型的发展浪潮。瞬时，AI大模型成为了国家、企业和科研院所的重点发展的世界性趋势。

顺应趋势，中国互联网巨头和科技巨头企业相继推出自主研发的AI大模型，例如百度的文心大模型、华为的盘古大模型、阿里巴巴的通义大模型等。这些大模型拥有着千亿、甚至万亿级别的参数，以及需要10TB级别以上的高质量的训练数据，这些大模型训练的背后，都需要极其大量的算力支撑。在大模型复杂程度不断提升、数据量规模高速增长，以及应用场景的持续开拓和深入发展的背景下，智能算力的需求和规模势必将在未来几年迎来爆发式的增长。因此，未来智能算力在算力规模中占比将不断上升，并且将维持40%左右的增速，预计到2030年，中国智能算力规模占比将达到90%。

当AI大模型成为推动Al能力提升的重要工具和手段，其非线性甚至几何式高速增长的参数数量，导致AI大模型、巨量模型的计算规模越来越大，需要的硬件资源越来越多，对算力的需求极其巨大，一般的算力基础设施很快将难以胜任。建立以AI芯片为主的高效率、低成本、大规模的智能算力基础设施将成为训练AI大模型的前提为了提供相匹配的超大规模的算力支撑。

政府持续发布系列政策推动智能算力行业发展，制定了产业发展规划政策引导，提出发展人工智能、大数据等数字经济产业的战略目标，积极推动智算中心等新型信息基础设施建设，带动数字经济产业高速发展。

产业链分析

智能算力的产业链的上游主要包括AI服务器、AI芯片和光模块等基础设施的供应商；中游为智算中心服务与运营商，主要为云计算和通信类厂商；下游主要为由AI技术驱动的行业和产业应用场景。

AI芯片是指专门用于处理人工智能应用中的大量计算任务的加速模块或计算卡，可分为GPU、FPGA、ASIC等类别：从广义角度来看，只要能够运行人工智能算法的芯片都可以称为AI芯片，但通常意义上的AI芯片指的是针对人工智能算法做特殊加速设计的芯片，现阶段人工智能算法一般以深度学习算法为主，也可以包括其他机器学习算法。

GPU芯片指的是主要处理图像领域的运算加速，采用数量众多的计算单元和超长流水线，且GPPU一般不能单独使用，需要在CPU的调用下才能工作运行。而半定制化芯片（FPGA）适用于多指令，单数据流的分析，与GPU相反，因此常用于云端预测阶段，FPGA主要是用硬件实现软件算法，因此在实现复杂算法方面具有一定难度；ASIC是为实现特定场景应用要求时，专门定制的专用AI芯片，除不能扩展外，功耗、可靠性、体积方面都具备优势，定制的特性会提高ASIC的性能功耗比，缺点是电路设计需要进行定制，且开发周期较长。

全球人工智能芯片市场的发展呈百花齐放的态势，AI芯片目前已被广泛应用于金融、商品推荐、安防、消费机器人、智能驾驶、智能家居等众多领域中，未来伴随着全球人工智能市场的快速发展以及AI生态建设的完善，中国AI芯片将会有更为广阔的发展空间：根据EqualOcean的数据显示，随着各行业数字化转型过程的加速，产生了更为多样化的人工智能产业应用数据与更为复杂的深度算法需求，从中国人工智能行业产业链分布看，目前大部分AI应用公司集中于应用层，其合计占比超过80%，由此可推断出结合场景的应用落地是人工智能产业的主要驱动力。从人工智能的落地应用场景细分看，中国人工智能企业的应用技术领域中，计算机视觉、机器人、自然语言处理、机器学习以及生物识别的占比合计超过70%，预计上述终端将驱动AI芯片需求快速增长。

AI芯片产业链包含基础层、技术层和应用层，而中国AI公司布局多专注于应用层，基础层是AI产业的基础，主要包括服务器、AI芯片、云服务、网络机房以及数据采集相关的传感器设备，主要为AI产业提供数据服务和算力支撑，而技术层是AI产业的核心，主要以模拟人的智能相关特征为出发点：目前AI芯片器件的主流架构仍以GPU、CPU为主，两者合计占比高达44%。从AI芯片厂商的市场份额占比看，Intel、AMD、Navidia三家占据AI芯片市场的主流，合计占比就接近88%。由于CPU、GPU芯片架构主要被三家头部企业高度垄断，且GPU行业进入壁垒较高，竞争格局高度集中，因此新进玩家多数以ASIC芯片赛道进行切入，期望在细分领域获得长足发展；而FPGA市场同样存在进入壁垒过高，且市场份额高度集中的难题，根据JPR的数据显示，仅Xilinx与Altera两家新芯片厂商就占据仅90%的市场份额。

AI芯片的发展方向正朝着低功耗、接近人脑以及靠近边缘的方向转变，为实现深度学习庞大乘积累加运算和并行计算的高性能发展难题，AI芯片需要在兼顾面积限制的基础上对算力进行提升，因此AI芯片的设计架构将往低功耗方向发展，另外神经网络架构也是提升AI芯片算力能耗比的重要发展方向之一：AI硬件加速技术已逐渐走向成熟，未来的发展创新将朝电路与器件级技术结合，存内计算、模拟计算将会是AI芯片发展创新的两大路径：1. 存内计算是指改动存储模块电路，使AI芯片更容易与现有工艺进行集成，实现存储阵列内完成计算；2. 模拟计算：在AI芯片中使用模拟计算技术，将深度算放在模拟域内完成计算。

AI芯片的商业模式主要分为IP授权与流片模式，IP授权模式中，IP设计公司将AI芯片IP授权于其他IC公司，被授权方将支付授权费来获取AI芯片IP，并且在终端芯片产品销售中，以芯片最终造价的1%-3%向授权方进行版税支付：AI芯片的整体设计流程大概为：IC设计公司进行AI芯片的架构设计，然后将设计完成的芯片版型交给Foundry厂商进行流片，然后裸片交由封装厂进行封装。在此过程中，产生的费用主要包括研发费用：研发团队的人力成本、EDA软件以及IP授权费用以及场地租金，一般而言IC芯片项目的开发效率与团队中资深工程师的数目呈正相关。在AI芯片制造方式中，IP授权因为不涉及芯片制造且仅需要考虑研发费用因此对资金要求较低，研发风险不高，而流片模式需要向代工厂支付巨额的代工费用，对自身资金占用压力较大。

目前AI市场的主要下游应用场景分别为车载级自动驾驶、人工智能手机应用与物联网AI芯片应用，2021年三者合计市场规模已达到919亿元，预计到2025年中国AI芯片市场规模有望达到1,979亿元，2022-2025年CAGR达21.1%。根据工信部的《2030年汽车产业发展路线图》显示，预计到2025年中国L2/L3级自动驾驶乘用车渗透率将达50%，且随着自动化驾驶程度提升，车规级AI芯片需求将实现快速增长，预计到2025年车载AI芯片的市场规模将达到534.7亿元；同时，目前智能手机等移动终端仍旧是AI芯片的主流应用场景，预计2025年中国手机AI芯片市场将达1,141.6亿元，而AIoT芯片市场规模将达302.7亿元。

AI服务器是一种高性能计算机设备，专门用于处理和运行人工智能算法和模型。其架构包括多核处理器、大容量内存、加速器（如GPU或TPU）等组件，以满足大规模数据处理、深度学习训练和推理等任务的需求。AI服务器广泛应用于计算机视觉、自然语言处理、机器学习等领域，用于图像识别、语音识别、文本分析、模型训练等应用场景。AI服务器的优势在于其强大的计算能力和并行处理能力，能够处理复杂的算法和大规模数据，加速模型训练和推理过程。通过优化的软件堆栈和高速网络连接，AI服务器能够高效地实现数据传输和通信。同时，AI服务器的可扩展性也使其能够应对不断增长的计算需求。在智能驾驶、智能助理、医疗诊断、金融风险分析等领域，AI服务器扮演着关键角色。它为这些应用提供了强大的计算能力和大容量存储，支持实时数据处理和模型推理，为实现智能化的决策和服务提供支持。

全球AI服务器的下游应用场景广泛而多样。在医疗领域，AI服务器被广泛应用于计算机视觉（占比40.6%）、对话式客服（20.5%）和自然语言处理（17.8%）等方面。例如，通过深度学习算法对医学影像进行分析，可以实现快速、准确的肿瘤检测和诊断，帮助医生制定更加精准的治疗方案。此外，AI服务器还可以通过对大量患者数据的分析和挖掘，预测疾病的发展趋势和风险，为医生提供更加全面和准确的诊断参考。除了医学影像诊断和疾病预测，AI服务器还可以应用于个性化治疗方面。通过对患者的基因组数据、生理参数和病史等信息的分析，AI服务器可以预测患者对不同药物的反应情况，并为医生提供个性化的治疗建议。这不仅可以提高治疗效果，还可以减少不必要的药物副作用和医疗费用。

2021年全球AI服务器市场规模达到156亿美元，并且超过了全球AI整体市场的增长率，增长率达到了22.5%。未来随着算力的持续增长以及自然语言处理、图像、视频等AI模型的深入发展，预计AI服务器将被更广泛地使用。据预测，到2023年全球AI服务器市场规模预计将达到211亿美元。在竞争格局方面，从市场份额占比来看，浪潮信息在人工智能服务器领域走在了业界前列，市场占有率达到了20.2%。其次是戴尔、HPE、联想和华为，它们分别占据了13.8%、9.8%、6.1%和4.8%的市场份额。这些厂商在AI服务器领域都具有一定的市场份额，并且通过提供高性能、可靠的解决方案来满足不断增长的市场需求。总体而言，全球AI服务器市场正呈现出持续增长的趋势。随着人工智能技术的进一步发展和应用，对于高性能、高计算能力的服务器需求也将不断增加。浪潮信息及其他知名厂商在AI服务器领域的市场份额证明了它们在满足客户需求方面的竞争力。预计未来AI服务器市场将继续保持增长势头，为人工智能技术的发展提供强有力的支持。

AI服务器的发展趋势持续推动着人工智能领域的创新和应用。计算能力的提升是其中的重要方向，通过采用更强大的处理器和加速器，AI服务器能够处理更复杂、规模更大的深度学习任务。同时，存储和内存的扩展也是关键，以满足海量数据的处理和模型训练需求。新一代存储技术的应用和内存容量的增加将进一步提升AI服务器的性能和效率。

1)网络连接的优化是另一个关注的方向，AI服务器需要更高带宽和更低延迟的网络连接，以实现快速的数据传输和模型推理。高速网络架构、优化的数据传输协议和智能网络管理系统将推动AI服务器在分布式计算和协同训练方面取得更好的性能。

2)芯片技术的发展是驱动AI服务器进步的核心，新一代的AI芯片将提供更高效的计算能力和能源利用率。专门设计的神经网络处理器、量子计算芯片和脑类计算机芯片等创新技术将进一步推动AI服务器的发展，并为复杂的AI任务提供更强大的计算能力。

3)能耗和散热管理也是AI服务器发展的关键考虑因素。随着计算能力的提升和任务规模的增加，能源效率和散热设计变得尤为重要。新材料的应用、节能技术的改进和智能化的散热系统将有助于提高AI服务器的能效和稳定性。

4)此外，AI服务器的软件生态系统也将得到进一步完善。开源框架和工具的持续发展，如TensorFlow、PyTorch等，为开发者提供了强大的AI开发和部署工具。AI服务器将与这些软件平台更好地集成，提供更友好、高效的开发环境和算法库，进一步推动AI技术的创新和应用。

综上所述，AI服务器的发展趋势将在计算能力、存储和内存、网络连接、芯片技术、能耗和散热管理以及软件生态系统等方面持续演进。这些趋势将推动AI服务器的性能提升，使其能够更好地满足不断增长的AI应用需求，推动人工智能技术的进一步发展和应用。

目前AI服务器市场的主要下游应用场景分别为云端AI服务器、内嵌式AI服务器与边缘AI服务器。其中，云端AI服务器主要应用于大型企业和机构的人工智能应用场景，如图像和视频处理、自然语言处理、智能客服等；内嵌式AI服务器则主要应用于工业自动化、智能制造、智能交通等领域；边缘AI服务器则主要应用于物联网、智能家居、智能安防等领域。根据头豹研究院数据显示，2022年三者合计市场规模已达到402.4亿元，预计到2025年这一数字将增长至695.3亿元，年复合增长率为33.2%。这表明AI服务器市场在未来几年将继续保持高速增长。

随着“东数西算”工程、新型基础设施等国家政策规划出台，中国智算中心掀起落地热潮。截至2022年3月，中国已投运的人工智能计算中心有近20个，在建设的人工智能计算中心超20个，整体布局以东部地区为主，并逐渐向中西部地区拓展。智算中心一方面为中小企业提供普惠算力，支撑科研创新和人才培养，另一方面结合企业业务特色，加快人工智能应用创新，聚合人工智能产业生态，例如武汉人工智能计算中心孵化出“紫东太初”等大模型。

从经济效益上看，智算中心能够提供大规模数据处理和高性能智能计算支撑，将经济、社会、产业中各种模型、经验固化下来，形成新的生产力，实现对大区域的数字化辐射带动，成为经济发展的新动力引擎。根据国家信息中心数据，“十四五”期间，在智算中心实现80%应用水平的情况下，城市/地区对智算中心的投资可带动人工智能核心产业增长约 2.9-3.4倍、带动相关产业增长约36-42倍。

从社会效益上看，智算中心为优化数字经济发展生态提供支撑。智算中心在提供公共算力基础设施支撑的同时，能够有效促进人才、资金、技术、数据等要素的联动，搭建跨行业领域的沟通平台，集成政府、企业、研究院所等多主体的优势，促进更多AI应用场景落地，有效规避了各建设方自成体系推进、产业链上下游割裂等问题，为招引数字企业、培育市场主体、助推数字经济规模化发展发挥出了重要作用。

在企业自建的智算中心范畴，智算中心主要由大型云计算和通信类企业主导。例如，阿里云是目前的龙头企业，其算力相关专利数量与算力规模均位于行业前列。阿里云拥有4,529项算力相关的专利以及两座智算中心，其中乌兰察布智算中心的算力规模为3EFLOPS，张北智算中心的算力规模12EFLOPS，将成为全球最大的智算中心，两座智算中心合计规模为15EFLOPS，在业内位于绝对领先的地位。

从企业自身业务需求的角度考虑，云计算和通信类企业提供的服务涵盖了存储、计算、分析、人工智能等多个领域，这些服务对于智能算力资源有着很大的需求。自建智算中心能够帮助企业控制和调配算力资源，并存储数据，从而满足自身业务发展和数据安全的需求。从经济效益角度考量，虽然自建智算中心的成本高昂，资金投入通常高达数亿甚至数百亿元，包括初始投资、设备维护、能源消耗、专业人才等成本，智算中心每年维护成本可高达初始建设费用的5％。但是云计算或通信类企业可将智算中心用以支持自身业务或者向其他企业提供SaaS服务，通过付费使用的方式实现盈利。

智算中心的建设由政府主导，考虑到智算中心的高投入、对于地方经济发展的高影响等因素，项目建设将紧密配合国家“东数西算”工程、全国一体化大数据中心协同创新体系等建设指引。企业独立投建智算中心需要政府发放建设许可、土地授权等资源，政府将结合企业实际业务需求、企业规模、企业类型等因素进行综合考量。企业自建智算中心的门槛水平高，对于算力需求高的头部大型互联网和通信类企业将更易获得投建许可，因此未来智算中心仍将由这类大型企业所主导。

自动驾驶是汽车智能化和自动化的高级形态，作为AI技术备受关注的重要落脚点，是汽车出行产业的未来方向之一。自动驾驶场景的实现，需要通过感知融合、虚拟路测(模拟仿真) 、高精地图、车路协同等核心技术将数字世界与实体路况进行深度融合，基于人工智能技术，让车辆能够像人类驾驶员一样准确地识别车道、行人、障碍物等驾驶环境中的关键信息，并及时对周围运动单元的潜在轨迹做出预判。

自动驾驶场景的实现，需要通过感知融合、虚拟路测、高精地图、车路协同等核心技术将数字世界与实体路况进行深度融合，识别驾驶环境并预判周围运动单元的潜在轨迹，这需要智算中心提供超大算力支撑。智算中心提供的普惠算力可以极大降低自动驾驶所需算力的成本，同时加速自动驾驶新技术与新产品的研发、测试和应用。自动驾驶需要通过对车身多个传感器的数据进行感知和融合，并在此基础上对自动驾驶车辆的行为进行决策和控制，其中涉及大量AI算法、机器视觉与传感器数据整合分析、面向各类算力平台及传感器配置方案的适配能力等。此外，自监督大模型技术引入自动驾驶，大幅增加智能算力消耗，例如，Tesla构建的L2级别的FSD自动驾驶融合感知模型的训练使用了百万量级的道路采集视频片段，算力投入约为500PD。随着自动驾驶级别从L2到L4的提升，对算力的需求将进一步提高。

元宇宙的沉浸式体验离不开扩展现实、人工智能、区块链等元宇宙核心技术的支持，对系统的计算、存储、带宽、功耗等都提出了极高的要求，其所需消耗的算力资源也是巨量的。元宇宙的协同创建、高精仿真、实时渲染、智能交互等环节都需要大量算力做支撑，想要真正迈入虚拟和现实融合的3D互联网时代，元宇宙对算力的需求将呈指数级增长。传统以提升CPU时钟频率和内核数量来提高计算性能的方式遇到了瓶颈，形成了巨大的算力缺口。元宇宙从本质上看是对算力的重构，这部分算力缺口需要由智算中心来弥补，从而不断提升元宇宙场景的性能和能效。

虚拟数字人相关的建模、驱动、渲染和感知交互均需要巨量的算力支撑。当前，虚拟数字人的建模以基于3D建模软件的手工建模+真人驱动为主。随着AIGC等AI技术的应用，基于AI算法的自动建模将逐步替代手工建模，成为数字人建模的主要方式。与此同时，视觉感知、语音识别和语音合成以及自然语言处理等多种AI算法在 数字人中的应用，将推动数字人向“数智人”转变，也是虚拟数字人应用普及的关键。智算中心可以为虚拟数字人制作、感知交互提供强大的算力和算法支撑，加速虚拟数字人产业的商业化落地。

在元宇宙中，大规模、高度复杂的数字孪生空间的构建，以及现实世界和数字世界的实时交互，需要有强大且物理准确的高精度仿真算力和实时高清3D渲染算力作为支撑。随着AI技术的发展，基于AI算法的高精仿真逐步替代了传统基于数值求解算法的仿真系统，成为了数字孪生系统的核心底层支撑技术。智算中心为大规模数字孪生提供专业化的算力和应用支持，支撑数字孪生空间的实时创建、复杂模型的高效运行，以及逼真仿真环境的快速生成。

欲获取并阅读相关完整版报告

↓可扫码添加头豹小助手入群↓

扫码入群

获取研报

至此，本次洞察发布会活动圆满结束，再次衷心感谢与会的所有嘉宾及各机构的支持。

头豹研究院将继续与各行业内参与者、投资者一起，秉持“让专业更专业”的理念，洞悉行业前瞻，抓住发展契机，共同推动中国专精特新企业的创新和升级，共谋未来发展新篇章！