中国AI教学行业发展分析与投资研究分析

• 2022年7月16日 HaoChenChong来源：互联网 325 14
• 繁体

人工智能在教育各个场景的应用，简单点可以描述为：有一个感知或采集设备，获取相关的数据信息，汇总到一个大池子里(数据中心)，将数据处理、分析整合成信息之后，通过共享，最后可能是人也可能是人工智能根据信息作出决策。当然，当前的实际应用中，没有绝对的全域数

中国AI教学行业发展分析与投资研究分析

人工智能在教育各个场景的应用，简单点可以描述为：有一个感知或采集设备，获取相关的数据信息，汇总到一个大池子里(数据中心)，将数据处理、分析整合成信息之后，通过共享，最后可能是人也可能是人工智能根据信息作出决策。当然，当前的实际应用中，没有绝对的全域数据收集。从教育场景来看，主流场景有：教学、管理、评价等。

各个学者各家企业，对技术在教育场景的应用分类细度上有所差别，目前教育信息化行业，人工智能的应用比较成熟的产品主要是智能批改、智能题库、自适应学习和分级阅读，当前它更多还是承担教学辅助的角色，未来可能将覆盖更多的教学核心环节。

这五类玩家各有所长，对AI+教育的渗透程度不一，发展阶段各异，其中在线教育机构与AI技术供应商因业务与数据资源积累和技术开发优势，渗透程度较高。随着各类行业玩家对AI+教育领域的不断探索，未来行业分工将进一步明确，在竞争中走向融合创新。人工智能技术既改变了传统教育的育人目标，即从"育分"转而为"育人"，因材施教成为可能。智适应学习针对学生具体情况和个体需求提供个性化解决方案;AI作为主讲老师改变了整个教学流程，释放了教师人力，并基于教学大数据进行决策，实现精准教学的同时使学习速度和灵活性得到了进一步的提升;人工智能实现校园内部信息流通以及跨区域的资源互通，打通了信息以及资源流通壁垒。

目前适合深度学习的人工智能芯片主要有GPU、FPGA、ASIC三种技术路线。三类芯片代表分别有英伟达(NVIDIA)的Tesla系列GPU、赛灵思(Xilinx)的FPGA和Google的TPU。GPU 最先被引入深度学习，技术最为成熟;FPGA具有硬件可编程特点，性能出众但壁垒高。ASCI 由于可定制、低成本是未来终端应用的趋势。

1、DPU

GPU使用SIMD(单指令多数据流)来让多个执行单元以同样的步伐来处理不同的数据，原本用于处理图像数据，但其离散化和分布式的特征，以及用矩阵运算替代布尔运算适合处理深度学习所需要的非线性离散数据。作为加速器的使用，可以实现深度学习算法。

GPU由并行计算单元和控制单元以及存储单元构成GPU拥有大量的核(多达几千个核)和大量的高速内存，擅长做类似图像处理的并行计算，以矩阵的分布式形式来实现计算。同CPU不同的是，GPU的计算单元明显增多，特别适合大规模并行计算。

2、FPGA

FPGA是用于解决专用集成电路的一种方案。专用集成电路是为特定用户或特定电子系统制作的集成电路。人工智能算法所需要的复杂并行电路的设计思路适合用FPGA实现。FPGA计算芯片布满“逻辑单元阵列”，内部包括可配置逻辑模块，输入输出模块和内部连线三个部分，相互之间既可实现组合逻辑功能又可实现时序逻辑功能的独立基本逻辑单元。

FPGA相对于CPU与GPU有明显的能耗优势，主要有两个原因。首先，在FPGA中没有取指令与指令译码操作，在Intel的CPU里面，由于使用的是CISC架构，仅仅译码就占整个芯片能耗的50%;在GPU里面，取指令与译码也消耗了10%～20%的能耗。其次，FPGA的主频比CPU与GPU低很多，通常CPU与GPU都在1GHz到3GHz之间，而FPGA的主频一般在500MHz以下。如此大的频率差使得FPGA消耗的能耗远低于CPU与GPU。

3、ASIC

ASIC(专用定制芯片)是为实现特定要求而定制的芯片，具有功耗低、可靠性高、性能高、体积小等优点，但不可编程，可扩展性不及FPGA，尤其适合高性能/低功耗的移动端。

目前，VPU和TPU都是基于ASIC架构的设计。针对图像和语音这两方面的人工智能定制芯片，目前主要有专用于图像处理的VPU，以及针对语音识别的FAGA和TPU芯片。

想要了解更多AI教学行业详细分析，请点击中研普华出版的《2021-2026年中国AI教学行业发展分析与投资研究咨询报告》

• 相关深度报告REPORTS

  

  2021-2026年中国AI教学行业发展分析与投资研究咨询报告

  人工智能在教育各个场景的应用，简单点可以描述为：有一个感知或采集设备，获取相关的数据信息，汇总到一个大池子里（数据中心），将数据处理、分析整合成信息之后，通过共享，最后可能是人也可...

  查看详情

延伸阅读

推荐阅读

猜您喜欢