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、智能网联汽车等产品类企业。随着一批行业龙头和独角兽企业的快速发展，整个人工智能产业集群正逐步迈向世界级。
“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。
