中国TOP10人工智能计算力领先城市，杭州、北京、深圳居前三。去年，中国人工智能市场投资规模约25亿美元，其中70%以上为以计算力为核心的基础架构硬件市场投资。

中国最新计算力地图出炉。

人工智能的发展，从理论到实践都离不开算力、算法和数据这三个核心要素，而计算力是其中最核心的要素，带动了人工智能整体的发展和成熟，算力是承载和推动人工智能走向实际应用的基础平台和决定性力量。

最近，IDC和浪潮联合发布《2018-2019年中国人工智能计算力发展评估报告》，公布了中国TOP10计算力领先的城市名单。

名单有趣的地方在于，互联网公司最聚集的城市——北京仅排第二，计算力不如杭州；合肥这座二线城市也脱颖而出，成为中国最领先的人工智能计算力城市之一。

以下是报告亮点：

计算力TOP10城市分两档：杭州、北京、深圳、上海和合肥成为中国最领先的人工智能算力城市，其次是成都、重庆、武汉、广州和贵阳。计算力排名第一的是杭州，主要得益于政府的政策支持以及阿里、海康威视、大华等领军企业的贡献；2018年，中国人工智能市场投资规模约25亿美元，其中70%以上为以计算力为核心的基础架构硬件市场投资。2022年全球AI市场中用于计算力的投资将超过176亿美金，市场未来五年的复合增长率将超过30%。

下面看报告的详细内容。

杭州生态体系最完整，北京AI企业科研院所最集中

这份人工智能计算力发展评估报告，主要从行业和地域两个维度对人工智能算力的发展水平和未来发展潜力进行评估。

地域属性上看。当前，那些IT投资规模大、IT发展水平高、拥有较多人工智能领军企业的省市在计算力投资方面也走在了前面；未来，那些有清晰的人工智能发展战略、拥有更多人才储备和人工智能产业规划投资的省市将有更大的发展潜力。

从下表是国内省份的人工智能热图，颜色越深代表计算力投资越热。

然后是TOP10的计算力领先的城市名单，分成两档：

第一档：杭州、北京、深圳、上海和合肥，这五座城市成为中国最领先的人工智能计算力城市。

第二档：成都、重庆、武汉、广州和贵阳。

很意外，互联网公司扎堆的北京居然不是计算力排名第一的城市。

报告中称，北京在人工智能领域的计算力投资主要集中在互联网、人工智能初创企业和科研院所，百度、字节跳动、京东等互联网企业，商汤、旷视、寒武纪、深鉴科技等初创公司，中科院等国家级科研院所是人工智能算力投资的主要代表。

虽然北京在人工智能的数据处理、算法和芯片等技术领域处于领先地位，但在产业链和生态建设方面还需进一步加强；另外，在算力建设方面受能源和产业规划的影响，部分算力投资分散到了京津冀的周边区域和其他地区，在一定程度上影响了本次评估的结果。

相比之下，杭州在人工智能的政策和策略、投资规模和人才储备、领军企业和初创企业数量等几个方面都有自己的特点和优势，在人工智能的技术发展水平、实际应用、生态建设和算力投资等方面具有明显的整体优势。

位于杭州的阿里、海康威视、大华等领军企业加大在人工智能领域的投资和研发，在人工智能芯片、算法研发和数据积累方面都取得了成果，在城市大脑、智慧交通、雪亮工程等领域都得到了广泛的应用，形成了智能城市、智能安防、智能汽车、智能机器人、智能家居和智能硬件的产业链；

同时，杭州以阿里、海康等领军企业为核心，以人工智能小镇和产业基地为依托，带动了初创企业的发展和对高端人才的吸引，形成了良好的聚集效应和完整的人工智能生态体系。

排第三的深圳主要得益于拥有更多的行业和更多类型的企业，包括互联网行业的腾讯、迅雷，通讯行业的华为、中兴，智能制造的大疆、优必选，金融行业的招商银行、平安科技，政府行业的智慧城市、雪亮工程，医疗行业的华大基因等。

AI算力投资大户，离不开BAT等互联网巨头

行业维度上看。

人工智能应用度最高的八个行业中，互联网、政府和金融行业排前三，同时也是人工智能计算力投资最高的三个行业。

在BAT等超大型互联网企业的示范作用 下，几乎所有互联网企业都开始或多或少的投资于人工智能以推动电商、娱乐社交、云服务等自身业务的发展。未来几年内，互联网仍然是中国人工智能市场应用最广泛、投资总量最大的行业，将在人工智能的发展中起到重要的引领作用。

由于人工智能解决方案高度依赖于典型应用和典型应用场景，只有与行业应用和应 用场景高度融合，才能取得好的成果。IDC对人工智能的典型应用和典型应用场景进行了梳理，如下图所示。

纵轴是市场规模和未来发展潜力的大小，横轴是IDC预测的解决方案成熟和得到广泛应用的时间线。

未来算力需求推理远超训练，中国将诞生千亿级产业生态

计算力是承载人工智能应用的平台和基础，算力的发展推动了整个人工智能系统的发展和快速演进，是人工智能的最核心要素。

在投资方面，IDC预测，2022年全球人工智能市场中用于计算力的投资将超过176亿美金，该市场未来五年的复合增长率将超过30%。

人工智能的特点决定了对算力提出了不同于以往的新要求，传统的面向通用计算负载的CPU架构无法完全满足海量数据的并行计算需求，以异构计算、加速计算、可编程计算等为代表的新的计算技术和架构更适合人工智能的并行计算需求，得到了快速的发展，未来将迎来广阔的发展空间。

人工智能的工作负载主要分为训练和推理，IDC认为，人工智能的计算力分布将呈现“二八法则”，在早期阶段80%的算力集中在训练场景，在未来的大规模应用阶段80%的算力将集中在推理场景，未来对推理的需求将远远超过对训练的需求。

人工智能发展的早期阶段是对人工智能价值的自我发现的过程，核心是寻找人工智能的典型应用场景并通过训练使得人工智能系统获得达到甚至超过人类的能力，在这一阶段更多的计算负载集中在离线的数据中心中的训练场景；

经过三到五年的发展，人工智能将进入大规模应用阶段，应用阶段是将经过训练的应用场景与客户的实际应用相结合，将人工智能的能力赋能产品或行业解决方案，使得人工智能成为普惠的应用技术，在这一阶段计算负载将更多以推理的方式存在，呈现 “云+端” 部署、分散化、终端化、场景化的特点，对算力的需求也将迅速增长，更加多元化。

对于中国而言，根据IDC对中国人工智能市场的研究数据，2018年，中国人工智能市场投资规模约25亿美元，其中70%以上为以算力为核心的基础架构硬件市场投资；IDC预测，到2022年，中国的人工智能市场投资规模将超过百亿美元，未来五年的复合增长率超过59%，将形成一个新的千亿人民币规模的产业生态，其中人工智能基础架构硬件市场规模将超过千亿人民币。

AI摩尔定律提出挑战：计算力是一切

去年，OpenAI一份“AI与计算”的分析报告，道破计算力对AI发展的影响：

自2012年以来，在最大的AI训练运行中所使用的计算力呈指数增长，每3.5个月增长一倍（相比之下，摩尔定律的翻倍时间是18个月）。自2012年以来，这个指标已经增长了30万倍以上（如果增长一倍的时间需要18个月，仅能增长12倍）。

计算能力的提升一直是AI进步的一个关键要素，所以如果这种趋势继续下去，我们就得为远远超出当今能力的AI系统做好准备。现实的情况是，这种趋势正在突飞猛进中，也对芯片设计提出挑战。

清华大学电子工程系教授汪玉在“2019新智元AI技术峰会——智能云·芯世界”峰会上指出，高能效计算芯片有三种突破路径：

通用处理器：尺寸微缩异构多核；定制加速器：软硬件协同优化设计；新器件+新模型：存算一体、量子计算、光计算等

其中，异构计算和云的结合也是解决计算力的问题方向之一。

异构计算中常以FPGA为核心，能够根据系统资源和算法特征灵活的调整并行度，达到最优的适配，也是硬件适配软件的模式，能效比高于CPU和GPU。

目前，阿里云已经推出了FPGA as a Service(FaaS)的服务，浪潮开发高性能异构计算服务器，英特尔中国研究院院长宋继强也在本届峰会中介绍了“超异构”的努力和探索，并认为，涵盖芯片级、封装级和系统级的超异构设计理念是释放“AI+”潜力的强大推力。

从左起：TensorFlow 中国研发负责人李双峰、英特尔中国研究院院长宋继强、阿里云数据智能总经理曾震宇、腾讯云副总裁王龙、新智元创始人兼CEO杨静、华为消费者业务首席战略官邵洋、360集团副总裁，人工智能研究院院长颜水成

另一方面，云的发展也对计算力带来新机会，尤其是近两年边缘计算火起来之后，无论是计算力方面还是应用方面，都对云提出了新要求。

阿里云数据智能总经理曾震宇认为，云作为一个中枢其实有非常大的必要把各个端上的各种计算出来之后产生的数据汇集到云端。

为什么要汇集到云端？因为每一个边缘点上面看到的可能只是一个片面，或者只是毛细血管的一小部分而已，汇集在一起以后才能有相应的全貌。

“针对我们这些相对比较大的场景（如工业、城市），一定要把数据汇聚以后全局计算。比如我们做的关系网络计算是不可能发生在端上的，端上只能识别出来人脸是谁的、这辆车是什么车牌号，但端上本身没有这种复杂计算。”

数据汇集到云端以后关于人、关于交通工具、关于各种各样的设备，5G出来以后人均带有的设备IP可能就远超过一个，在这种情况下大量的计算一定是发生在云端，就可以在云端做各种各样复杂的迭代计算、深度网络计算和关系网络计算，产生出来的结果也是非常惊人的。

这一切都离不开计算力。