算力＆空间视角深度推演AI应用发展路径报告（33页）

不同于智能手机、智能电动车等行业，智能应用行业渗透率的度量标准更多 元。智能手机、智能电动车行业由于产品化和标准化程度较高，渗透率可通过 出货量占比，或者行业协会统计的市场存量占比来较准确的刻画，但智能应用 较难找到统一的度量标准，主要由于智能软件数量繁多，定制化程度较高，下 游差异化程度大，因此较难直接计算渗透率。 当前衡量智能应用的推进情况主要依赖调查口径。由于应用具有多样性、非标 性、以及处在快速发展时期，较难从应用本身层面的数据入手，实现对总体或 某一领域渗透率的测算。当前主要依赖于市场调查机构的问卷调研来判断渗透 情况，由于主要采取“是&否”以及数字区间的形式，随着人工智能应用丰富， 通过调查口径来准确描述的难度越来越高。调查口径的企业 AI 应用渗透率受样本容量及质量的影响。以麦肯锡 2022 年全 球 AI 发展报告为例，有效问卷数为 1492 家企业，相较于总体企业数来看，样 本容量仍较小。当前更多中小型企业参与到数智化转型的背景下，叠加幸存者 偏差等问题，调研样本的准确性可能降低。 国内企业尚有较大空间通过 AI 应用增收提效。根据麦肯锡报告，国内受访企业 AI 技术应用占比为 41%，低于全球平均的 50%，以及美国的 59%。

参考欧美等经 济体，国内企业对智能化技术的应用仍有较大提升空间。同时，AI 对国内企业 降本增效的效果仍有提升空间。AI 对国内企业息税前利润（EBIT）贡献增长超 过 20%以上的比例为 7%，低于领先国家的 14%。To C 端 AI 应用渗透率相较 To B 端衡量难度更大。To B 端 AI 应用渗透率或许 可以通过更大的样本调研来衡量，但是 To C 端，由于 C 端 AI 应用的种类更加 繁多，个性化程度大，下游使用群体数量繁多，因此，问卷调研的成本较高， 可操作性较低，样本对总体的反映可信度较弱。 因此，在跟踪人工智能产业发展阶段的过程中，需要更多维度的渗透率指标作 为依据，其中智能算力的渗透率在客观性和可追踪性上具有优势，值得重点关 注。 1.2 智算算力渗透率反映下游应用释放节奏，相较调查口径更为客观 智算算力与一般通用算力存在差别，且智算算力本身不断迭代。基础算力主要 基于 CPU 芯片提供基础通用计算。智算算力主要是指基于 GPU、FPGA、ASIC 等 AI 芯片的加速计算平台提供的算力，主要用于人工智能的训练和推理计算， FP32、FP16 和 INT8 是常用的数据格式。在对精度要求较高的模型训练中，通常 需要用到 FP32 或更高精度，在图形或者模型推理中对精度的要求相对较低，使 用 FP16 或 Int8 可以满足需求。超算算力在总体算力中占比较低，主要用于尖 端科学领域，计算主要由高性能 CPU 或协处理器提供，追求精确的数值计算。