推动32个重大产业项目签约 项目投资总额288亿元 世界人工智能大会磁场效应显现

(资料图片)

7月6日至8日，2023世界人工智能大会在上海举办。1400余名嘉宾参会，参展企业超400家，展览面积超过5万平方米，共计举办133场主题论坛，线下参观人数突破17.7万人次，均创历史新高。大会共对接210家上下游企业，达成110亿元意向采购金额，推动32个重大产业项目签约，项目投资总额288亿元。大会的磁场效应已经显现。就在本次大会开幕的前两天，十二届上海市委三次全会审议通过意见，把持续增强全球资源配置、科技创新策源、高端产业引领、开放枢纽门户“四大功能”，作为今后一个时期深化高水平改革开放、推动高质量发展的主攻方向和重大抓手。上海市委主要负责同志表示，面向未来，上海将充分利用大会的磁场效应，以更大力度推动人工智能健康发展。人工智能应用场景加速拓展当前，我国人工智能核心产业规模达到5000亿元，企业数量超过4300家，智能芯片、开发框架等创新成果不断涌现。从个人的衣食住行，到企业的生产、销售、服务、办公，人工智能的应用场景已经涵盖了各个领域。业内人士认为，开放共建、合作共赢，是实现人工智能产业落地的关键。目前，上海人工智能产业链环节既有智能芯片、传感器等基础类企业，也有软硬协同、大模型等技术类企业，还有智能机器人、智能网联“下肢运动障碍的患者，可以在进行早期功能训练的时候使用我们的设备。”在展台前，一款智能下肢康复机器人吸引了许多观众来体验。展台工作人员介绍，这款设备通过节律性步行、重心自由浮动、实际落地行走，在康复早期给用户提供正确的感觉输入，抑制异常步态的形成。目前，该产品已经在国内多家康复中心应用。在无驾驶人智能网联汽车展示活动上，多家企业的自动驾驶车辆受到关注。7月8日，3家企业的15辆车获得浦东新区首批发放的无驾驶人智能网联汽车道路测试牌照。随着《上海市浦东新区促进无驾驶人智能网联汽车创新应用规定》以及相关实施细则的落实，浦东新区自动驾驶汽车真正迎来了无人化阶段。大会报告显示，近年来，我国人工智能产业蓬勃发展，基础设施加快布局，融合应用深度拓展。会上发布的数据显示，目前我国超算、智算、云算协同发力，算力规模位居全球第二；人工智能与制造业深度融合，已建成2500多个数字化车间和智能工厂，有力推动了实体经济数字化、智能化、绿色化转型。工信部副部长徐晓兰介绍，工信部将以人工智能与实体经济融合为主线，围绕加强政策引导、夯实产业底座、拓展应用场景、完善生态体系、深化国际合作等5个方面，加快培育壮大智能产业。构建人工智能时代算力底座人工智能应用场景的快速落地带来了数据的高速增长，算力作为数字经济时代的关键生产力，将赋能千行百业。根据国家信息中心的数据，未来80%的场景将依赖人工智能。如何构建人工智能时代算力底座，让算力成为人工智能发展的基础资源，如同日常的水和电一样推动科技进步和社会发展，将成为推动产业生态发展、促进科技创新和降低门槛的突破关键。经初步测算，到2025年，算力核心产业规模将不低于4.4万亿元，关联产业规模可达24万亿元。大会期间发布的《普慧算力开启新计算时代》报告提出，未来算力发展趋势将具备两大特征，即普适和智慧。未来，算力能够强有力地推动跨层级、跨地域、跨部门数据汇聚融合、共享交换和开发应用，充分盘活数据资产。本次大会上，上海联通携手产业链合作伙伴，以自身集“云、网、算、安、数、用”于一体的算力网络为基础，共同构建自主可控、算力聚合、智算共享的算力产业链，推进算力产业发展，解决产业数字化加速进程中，算力分布不均、供需失衡，算力度量计费、统筹管理难，偶发性算力供给不灵活等痛点，赋能千行百业数字化转型。深度交流为行业高质量发展集聚众智围绕技术、产业、人文三大话题，重点关注智能芯片、科学智能、机器人、类脑智能、自动驾驶、法治与安全等前沿方向，本届大会集聚众智，组织产业界人士会同80多位著名学者展开了深度交流。大会还举办了人工智能治理等主题论坛，集中发布自动驾驶法律治理、生成式人工智能倡议书等一批研究成果。业内人士认为，随着人工智能加速发展，行业企业通过系统创新、坚持开源开放，能够加速产业生态繁荣发展，用强大的算力支撑人工智能高质量发展。截至去年年底，全国在用的数据中心标准机架数超过了650万个。在算力规模提升速度上，中国速度高于全球平均速度的2倍左右。对此，与会人士表示，人工智能技术范式变革产生智算强需求，而计算体系架构的多元变革则带来了发展新机遇，算力供给存在结构性缺口，目前正值部署的窗口期，建议从“粗放部署”到“精细规划”中实现普惠算力，从“多元异构”到“统筹协同”中实现协同融合，借助智算中心的东风，让我国自主计算企业获得更快、更好的发展。在实现“双碳”目标的背景下，模型在算力层面对能源和环境的影响尤为值得关注。有专家表示，当前训练某一模型需要产生大量碳排放，如果进一步提升模型准确度，排放数字可能会更大。而在未来，研究人员有望从模型、硬件、数据中心能效、数据中心位置等方面协同着手，大幅降低机器学习的能耗与碳排放。