中國AI教學行業發展分析與投資研究分析

• 2022年7月16日 HaoChenChong來源：互聯網 325 14
• 繁體

人工智能在教育各個場景的應用，簡單點可以描述為：有一個感知或采集設備，獲取相關的數據信息，匯總到一個大池子里(數據中心)，將數據處理、分析整合成信息之后，通過共享，最后可能是人也可能是人工智能根據信息作出決策。當然，當前的實際應用中，沒有絕對的全域數

中國AI教學行業發展分析與投資研究分析

人工智能在教育各個場景的應用，簡單點可以描述為：有一個感知或采集設備，獲取相關的數據信息，匯總到一個大池子里(數據中心)，將數據處理、分析整合成信息之后，通過共享，最后可能是人也可能是人工智能根據信息作出決策。當然，當前的實際應用中，沒有絕對的全域數據收集。從教育場景來看，主流場景有：教學、管理、評價等。

各個學者各家企業，對技術在教育場景的應用分類細度上有所差別，目前教育信息化行業，人工智能的應用比較成熟的產品主要是智能批改、智能題庫、自適應學習和分級閱讀，當前它更多還是承擔教學輔助的角色，未來可能將覆蓋更多的教學核心環節。

這五類玩家各有所長，對AI+教育的滲透程度不一，發展階段各異，其中在線教育機構與AI技術供應商因業務與數據資源積累和技術開發優勢，滲透程度較高。隨著各類行業玩家對AI+教育領域的不斷探索，未來行業分工將進一步明確，在競爭中走向融合創新。人工智能技術既改變了傳統教育的育人目標，即從"育分"轉而為"育人"，因材施教成為可能。智適應學習針對學生具體情況和個體需求提供個性化解決方案;AI作為主講老師改變了整個教學流程，釋放了教師人力，并基于教學大數據進行決策，實現精準教學的同時使學習速度和靈活性得到了進一步的提升;人工智能實現校園內部信息流通以及跨區域的資源互通，打通了信息以及資源流通壁壘。

目前適合深度學習的人工智能芯片主要有GPU、FPGA、ASIC三種技術路線。三類芯片代表分別有英偉達(NVIDIA)的Tesla系列GPU、賽靈思(Xilinx)的FPGA和Google的TPU。GPU 最先被引入深度學習，技術最為成熟;FPGA具有硬件可編程特點，性能出眾但壁壘高。ASCI 由于可定制、低成本是未來終端應用的趨勢。

1、DPU

GPU使用SIMD(單指令多數據流)來讓多個執行單元以同樣的步伐來處理不同的數據，原本用于處理圖像數據，但其離散化和分布式的特征，以及用矩陣運算替代布爾運算適合處理深度學習所需要的非線性離散數據。作為加速器的使用，可以實現深度學習算法。

GPU由并行計算單元和控制單元以及存儲單元構成GPU擁有大量的核(多達幾千個核)和大量的高速內存，擅長做類似圖像處理的并行計算，以矩陣的分布式形式來實現計算。同CPU不同的是，GPU的計算單元明顯增多，特別適合大規模并行計算。

2、FPGA

FPGA是用于解決專用集成電路的一種方案。專用集成電路是為特定用戶或特定電子系統制作的集成電路。人工智能算法所需要的復雜并行電路的設計思路適合用FPGA實現。FPGA計算芯片布滿“邏輯單元陣列”，內部包括可配置邏輯模塊，輸入輸出模塊和內部連線三個部分，相互之間既可實現組合邏輯功能又可實現時序邏輯功能的獨立基本邏輯單元。

FPGA相對于CPU與GPU有明顯的能耗優勢，主要有兩個原因。首先，在FPGA中沒有取指令與指令譯碼操作，在Intel的CPU里面，由于使用的是CISC架構，僅僅譯碼就占整個芯片能耗的50%;在GPU里面，取指令與譯碼也消耗了10%～20%的能耗。其次，FPGA的主頻比CPU與GPU低很多，通常CPU與GPU都在1GHz到3GHz之間，而FPGA的主頻一般在500MHz以下。如此大的頻率差使得FPGA消耗的能耗遠低于CPU與GPU。

3、ASIC

ASIC(專用定制芯片)是為實現特定要求而定制的芯片，具有功耗低、可靠性高、性能高、體積小等優點，但不可編程，可擴展性不及FPGA，尤其適合高性能/低功耗的移動端。

目前，VPU和TPU都是基于ASIC架構的設計。針對圖像和語音這兩方面的人工智能定制芯片，目前主要有專用于圖像處理的VPU，以及針對語音識別的FAGA和TPU芯片。

想要了解更多AI教學行業詳細分析，請點擊中研普華出版的《2021-2026年中國AI教學行業發展分析與投資研究咨詢報告》

• 相關深度報告REPORTS

  

  2021-2026年中國AI教學行業發展分析與投資研究咨詢報告

  人工智能在教育各個場景的應用，簡單點可以描述為：有一個感知或采集設備，獲取相關的數據信息，匯總到一個大池子里（數據中心），將數據處理、分析整合成信息之后，通過共享，最后可能是人也可...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡