2024年度中國端側大模型行業(yè)研究：算力優(yōu)化與效率革命如何重塑行業(yè)生態(tài)

44研究框架中國端側大模型行業(yè)概述----------6定義與分類----------7發(fā)展歷程----------8驅動力----------9市場規(guī)模----------10中國端側大模型行業(yè)產業(yè)鏈分析----------11產業(yè)鏈----------12模型壓縮技術----------13成本構成----------14廠商類型----------15行業(yè)場景----------16業(yè)務場景----------17中國端側大模型行業(yè)分析----------19政策分析----------20行業(yè)壁壘----------21競爭格局----------22發(fā)展趨勢----------23中國端側大模型行業(yè)典型廠商分析----------24阿里云----------25商湯科技----------26面壁智能----------27方法論及法律聲明----------28業(yè)務合作----------29400-072-5588名詞解釋AI大模型：指的是大型人工智能模型，通常由數十億至數百億個參數組成，用于各種自然語言處理、計算機視覺等任務。模型壓縮技術：是一系列用于減少大型神經網絡模型尺寸和計算復雜度的技術，包括剪枝、量化、蒸餾等方法，旨在減少模型大小的同時保持其性能。IoT設備：指的是物聯網設備，通常具有較小的計算能力和存儲空間，但能夠通過互聯網進行通信和數據交換。PC設備：個人計算機，如臺式機、筆記本電腦等，通常具有較高的計算和存儲能力，適合運行復雜的應用程序和任務。數據中心：指的是大規(guī)模的服務器集群，用于存儲和處理大量數據，支持云計算服務和網絡應用。服務器：通常指的是提供網絡服務、存儲和計算資源的計算機系統(tǒng)，可用于托管網站、應用程序等。BERT：是一種預訓練的自然語言處理模型，采用Transformer架構，能夠理解文本語境并在各種NLP任務中取得良好性能。DistilBERT：是對BERT模型進行了蒸餾（Distillation）的輕量化版本，通過減少參數和計算復雜度來提高模型的運行效率。TinyBERT：是進一步輕量化的BERT模型，通過更深入的模型壓縮和優(yōu)化來適應資源受限的環(huán)境，如移動設備或物聯網設備。JetsonAGXXavier：高性能嵌入式系統(tǒng)，具有GPU和AI計算能力，適用于邊緣計算和深度學習應用。TPU：谷歌推出的張量處理單元，是一種專門用于加速人工智能工作負載的定制硬件加速器。PyTorchMobile：是PyTorchTensorFlowLite：是谷歌推出的用于在移動設備和嵌入式系統(tǒng)上部署深度學習模型的輕量級框架。ONNX：開放神經網絡交換，是一種開放的跨平臺深度學習模型表示格式，支持模型在不同框架之間的轉換和部署。預訓練模型：指的是在大規(guī)模文本數據上進行預訓練的神經網絡模型，通常包含通用的語言或視覺理解能力，并可通過微調適應特定任務。中心云：指的是傳統(tǒng)的云計算架構，數據和計算資源集中在大型數據中心進行管理和運行。邊緣云：是一種分布式的云計算架構，將計算和存儲資源放置在接近終端用戶的邊緣節(jié)點上，以提高服務響應速度和降低網絡延遲。AI芯片：專門用于加速人工智能計算任務的硬件芯片，能夠在高效率和低能耗的條件下進行大規(guī)模并行計算。知識蒸餾：是一種通過讓一個較大且性能較好的模型（教師模型）指導一個小型模型（學生模型）來提高學生模型性能的技術，通常用于模型壓縮和輕量化。Chapter1行業(yè)概述定義與分類發(fā)展歷程驅動力市場規(guī)模6400-072-55886中國端側大模型市場探析——定義與分類端側大模型定義為運行在設備端的大規(guī)模人工智能模型，與傳統(tǒng)的云端大模型相比，端側大模型的參數量更小，因此可以在設備端直接使端側大模型定義為運行在設備端的大規(guī)模人工智能模型，與傳統(tǒng)的云端大模型相比，端側大模型的參數量更小，因此可以在設備端直接使端側大模型的定義AI大模型AI大模型網絡計算 存儲網絡計算 存儲安全端側大模型端側大模型用戶 移動設備 IoT設

PC設備

機器人? 端側大模型定義為運行在設備端的大規(guī)模人工智能模型，這些模型通常部署在本地設備上，如智能手機、IoT、PC、機器人等設備。與傳統(tǒng)的云端大模型相比，端側大模型的參數量更小，因此可以在設備端直接使用算力進行運行，無需依賴云端算力。AI大模型端側大模型AI大模型端側大模型模型推理方式：服務器或云端模型推理方式：端側VS模型訓練方式：數據中心或云端 模型訓練方式：云端模型推理方式：服務器或云端模型推理方式：端側VS參數量：多為百億級別 參數量：多為十億級別參數量：多為百億級別參數量：多為十億級別AI大模型通常在數據中心或云端進行訓練，使用大規(guī)模的計算資源和海量數據。相比之下，端側大模型由于資源限制，往往需要在設計和訓練階段進行模型壓縮和優(yōu)化。在推理方式上，AI大模型通常運行在服務器或云端，通過強大的計算能力處理復雜的任務。然而，這種云端推理方式依賴于網絡連接，會帶來延遲和隱私問題。端側大模型則是在本地設備上進行推理。參數量是AI大模型和端側大模型的一個顯著區(qū)別。AI大模型通常具有數十億甚上百億的參數，如GPT-3的1,750億參數。這種巨大的參數量使得大模型能夠捕捉復雜的數據模式并在多種任務中表現出色。然而，端側設備的計算能力和存儲資源有限，因此端側大模型的參數量通常較小。通過模型壓縮技術，如知識蒸餾、剪枝和量化，端側大模型的參數量可以減少到幾百萬或更少。例如，MobileBERT的參數量僅為BERT的1/4左右，但依然能夠在移動設備上高效運行。來源：企業(yè)官網，頭豹研究院中國端側大模型市場探析——驅動力端側大模型在成本、能耗、可靠性、隱私和個性化方面相比云端推理具有顯著優(yōu)勢，并能夠以低能耗提供高效且安全的AI處理，減少延遲端側大模型在成本、能耗、可靠性、隱私和個性化方面相比云端推理具有顯著優(yōu)勢，并能夠以低能耗提供高效且安全的AI處理，減少延遲AI應用端側大模型市場驅動力分析 5G 5G中心云 邊緣云 端側為實現規(guī)?；瘮U展，AI處理的重心，正在向邊緣轉移可靠性、性能和時延03能耗02

隱私和安全成本優(yōu)勢01

端側大模型

個性化05從成本優(yōu)勢來看，AI推理的規(guī)模遠高于AI訓練。盡管訓練單個模型會消耗大量資源，但大型生成式AI模型預計每年僅需訓練幾次。然而，這些模型的推理成本將隨著日活用戶數量及其使用頻率的增加而增加。在云端進行推理的成本極高，這將導致規(guī)?；瘮U展難以持續(xù)。從能耗來看，支持高效AI處理的邊緣終端能夠提供領先的能效，尤其是與云相比。邊緣終端能夠以很低的能耗運行生成式AI模型，尤其是將處理和數據傳輸相結合時。這一能耗成本差異非常明顯。從可靠性、性能和時延來看，終端側AI處理能夠在云服務器和網絡連接擁堵時，提供媲美云端甚至更佳的性能。當生成式AI查詢對于云的需求達到高峰期時，會產生大量排隊等待和高時延，甚至出現拒絕服務的情況。向邊緣終端轉移計從隱私和安全來看，端側大模型從本質上有助于保護用戶隱私，因為查詢和人信息完全保留在終端上。對于企業(yè)和工作場所等場景中使用的生成式AI，這有助于解決保護公司保密信息的難題。從個性化來看，數字助手將能夠在不犧牲隱私的情況下，根據用戶的表情、喜好和個性進行定制。所形成的用戶畫像能夠從實際行為、價值觀、痛點、需求、顧慮和問題等方面來體現一個用戶，并且可以隨著時間推移進行學習和演進。來源：中國統(tǒng)計局，CNNIC，頭豹研究院中國端側大模型市場探析——市場規(guī)模下游市場需求的強勁增長，特別是手機與自動駕駛行業(yè)的蓬勃發(fā)展，正強力拉動端側大模型市場的擴張，2023年中國端側大模型市場規(guī)模達8億元，預計2024下游市場需求的強勁增長，特別是手機與自動駕駛行業(yè)的蓬勃發(fā)展，正強力拉動端側大模型市場的擴張，2023年中國端側大模型市場規(guī)模達8億元，預計202421億元中國端側大模型行業(yè)——市場規(guī)模中國端側大模型市場規(guī)模 單位：億元CAGR：58CAGR：58796147312182023 2024E 2025E 2026E 2027E 2028E受實際落地情況的影響，2023年中國端側大模型市場規(guī)模達8億元，持樂觀態(tài)估計，預計2024年中國端側大模型市場將達到21億元生成式AI市場的蓬勃興起，正驅使大模型廠商積極探索端側應用新藍海，以此作為增長的新引擎。端側大模型通過在設備本地運行，有效降低了數據傳輸延遲，增強了隱私保護，拓寬了AI應用場景的廣度與深度。例如，智能手機集成的AI攝影功能，能實時識別場景并優(yōu)化圖像質量；可穿戴設備利用端側模型監(jiān)測健康指標，提供即時反饋。與此同時，隨著AI芯片等算力市場帶動，為端側大模型打開新的市場空間。高性能、低功耗的AI芯片設計使得復雜模型能夠在手機、物聯網設備等終端高效運行，無需依賴云服務，顯著提升響應速度與用戶體驗。2021年全球AI芯片市場規(guī)模達到200億美元，預計到2025年將超過700億美元，其中端側AI芯片占比快速提升，成為增長的重要動力。下游市場需求的強勁增長，特別是手機與自動駕駛行業(yè)的蓬勃發(fā)展，正強力動端側大模型市場的擴張手機作為個人智能終端的核心，正集成更先進的AI功能以提供個性化服務與優(yōu)化用戶體驗，如榮耀Magic系列利用端側AI大模型實現偏好理解與多模態(tài)交互。同時，自動駕駛領域對實時性與安全性要求極高，推動了BEV+Transformer等技術與端側大模型的融合，百度ApolloADFM等L4級自動駕駛大模型的推出，標志著該領域邁向商用新階段。來源：專家訪談，企業(yè)公告，頭豹研究院Chapter2產業(yè)鏈分析產業(yè)鏈圖譜模型壓縮技術成本構成廠商類型行業(yè)場景業(yè)務場景400-072-5588中國端側大模型市場探析——產業(yè)鏈中國端側大模型上游主要包括AI芯片供應商、云計算服務商以及數據服務商，中游為端側大模型科技廠商和端側科技企業(yè)，主要通過設備中國端側大模型上游主要包括AI芯片供應商、云計算服務商以及數據服務商，中游為端側大模型科技廠商和端側科技企業(yè)，主要通過設備中國端側大模型行業(yè)——產業(yè)鏈分析數據服務商數據服務商云計算服務提供商AI芯片供應商端側大模型科技廠商端側科技企業(yè)端側大模型科技廠商端側科技企業(yè)中游設備端企業(yè)應用場景設備端企業(yè)應用場景多模態(tài)場景文本場景 視頻場景 多模態(tài)場景下游來源：專家訪談，頭豹研究院

圖像場景 音頻場景 汽車教育泛娛樂金融醫(yī)療其他汽車教育泛娛樂金融醫(yī)療其他中國端側大模型市場探析——模型壓縮技術通過知識蒸餾，端側大模型能夠在保持較高性能的同時，大幅減少模型參數量和計算復雜度。這種技術使得復雜的AI模型可在資源受限的通過知識蒸餾，端側大模型能夠在保持較高性能的同時，大幅減少模型參數量和計算復雜度。這種技術使得復雜的AI模型可在資源受限的AI推理端側大模型壓縮技術——知識蒸餾TeachermodelTeachermodelLayer1Layer2…LayermSoftlabelsXdistillation LossFnlossStudent（distilled）model SoftpredictionsLayer1Layer2…LayernSoftmax(T=1)hardpredictionlosshardlabelyLossFnSoftmax(T=t)Softmax(T=t)(groundtruth)知識蒸餾的基本原理首先，在強大的計算資源和海量數據集上訓練一個高性能的大模型，稱為教師模型。教師模型在輸入訓練數據時，不僅輸出最終的分類結果（硬標簽），還輸出每個類別的概率分布（軟標簽），這些軟標簽包含了更多關于輸入數據的細微信息和模式。在訓練較小的學生模型時，不僅使用原始數據的硬標簽，還使用教師模型生成的軟標簽。學生模型通過學習這些軟標簽，能夠捕捉到教師模型中包含的豐富知識。知識蒸餾在端側大模型中的應用知識蒸餾使得學生模型能夠在保持較高準確度的同時，顯著減少參數量。例如，TinyBERT通過知識蒸餾技術將BERT的參數量減少到原來的1/7左右，但在許多自然語言處理任務中仍能保持較好的性能。這使得學生模型能夠適應端側設備的計算和存儲限制。較小的學生模型在推理階段需要的計算資源更少，推理速度更快。這對于資源受限的端側設備尤為重要。端側設備通常對能耗有嚴格限制。知識蒸餾生成的學生模型由于計算復雜度低，能夠以較低的能耗完成推理任務。例如，在物聯網設備和移動設備中，學生模型的低能耗運行方式使其能夠長時間持續(xù)工作，而不會顯著消耗電池電量。知識蒸餾生成的學生模型可以針對不同的端側設備進行優(yōu)化。例如，針對特定硬件架構進行剪枝和量化，使模型在特定設備上達到最佳性能。此外，學生模型還可以通過在線學習機制，在端側設備上不斷適應和優(yōu)化，以滿足動態(tài)變化的應用需求。中國端側大模型市場探析——成本構成AI芯片作為加速端側大模型的關鍵技術，提供高效計算和能耗比，使得大規(guī)模模型在端側設備上高效運行，研發(fā)人員及顯卡成本需兼顧，確保研發(fā)經濟可持續(xù)AI芯片作為加速端側大模型的關鍵技術，提供高效計算和能耗比，使得大規(guī)模模型在端側設備上高效運行，研發(fā)人員及顯卡成本需兼顧，確保研發(fā)經濟可持續(xù)硬件成本包括端側大模型部署所必需的硬件設備，如AI硬件成本包括端側大模型部署所必需的硬件設備，如AIAI芯片專門設計用于加速深度學習任務，相比通用處理器，AI103060研發(fā)成本是開發(fā)和優(yōu)化端側大模型所103060研發(fā)成本是開發(fā)和優(yōu)化端側大模型所包括用于開發(fā)和測試的顯卡、服務器和云服務等。

其他成本其他成本包括除了硬件和研發(fā)成本之外，還包括各種間接成本，例如管理成本、運營成本和市場推廣成本等。AI芯片成為加速端側大模型應用的關鍵技術成本其他成本包括除了硬件和研發(fā)成本之外，還包括各種間接成本，例如管理成本、運營成本和市場推廣成本等。AI芯片作為專門設計用于加速深度學習任務的硬件，具有較高的能效比和計算性能，成為了實現端側大模型高效部署的關鍵。一方面，AI芯片能夠提供更高的計算性能和能效比，從而加速端側大模型的推理和執(zhí)行速度。例如，Google的TPU能夠在相同的功耗下實現比傳統(tǒng)GPU更高的性能，這使得在端側設備上運行大規(guī)模的神經網絡模型成為可能。另一方面，AI芯片也能夠提供更低的功耗和更小的尺寸，適合嵌入到各種端側設備中，為端側大模型的應用提供了更廣泛的可能性和更好的用戶體驗。在端側大模型的開發(fā)過程中，需要綜合考慮研發(fā)人員的成本和顯卡的成本，確保項目的順利進行和成功實施深度學習模型的研發(fā)需要具有深度學習和機器學習背景的專業(yè)人員，他們負責模型的設計、算法優(yōu)化、超參數調整等工作。美國的機器學習工程師的平均年薪約為12萬美元，而深度學習工程師的平均年薪則更高，約為14萬美元。因此，合理控制研發(fā)人員的成本，并保證其具備高水平的技能和專業(yè)知識，對于端側大模型的研發(fā)和應用至關重要。其次，顯卡的性能和規(guī)模直接影響著模型訓練的速度和效率。一臺高端顯卡如NVIDIAGeForceRTX3,090的價格約為1,500美元。此外，顯卡可以通過云服務提供商租用，這也是許多企業(yè)在進行端側大模型的研發(fā)和優(yōu)化時采取的一種常見方式。但在長期使用過程中，租用成本也會成為企業(yè)的一項不小的支出。因此，企業(yè)需要綜合考慮研發(fā)人員的成本、顯卡租用成本以及其他相關成本，以確保研發(fā)過程的經濟性和可持續(xù)性。中國端側大模型市場探析——行業(yè)場景取決于行業(yè)對數據安全、隱私保護的需求、行業(yè)本身智能設備的普及程度以及AI大模型技術的成熟度，這些因素的相互作用和共同推動，取決于行業(yè)對數據安全、隱私保護的需求、行業(yè)本身智能設備的普及程度以及AI大模型技術的成熟度，這些因素的相互作用和共同推動，中國端側大模型行業(yè)——行業(yè)場景分析政務法律政務法律互聯網科技工業(yè)金融汽車教育電商醫(yī)療泛娛樂其他傳統(tǒng)產業(yè)技術成熟度低 市場發(fā)展?jié)摿?高行業(yè)對數據安全和隱私保護的需求將直接影響端側大模型的應用隨著數據泄露和隱私問題的日益突出，各行業(yè)對于數據的保護需求愈發(fā)迫切。因此，在端側大模型的應用中，需要采取一系列的技術手段來確保數據的安全性和隱私性，如聯合學習、加密計算等。這將促使行業(yè)在應用端側大模型時更加謹慎和審慎，但也為解決數據安全隱患提供了新的解決方案。因此，端側大模型在金融、醫(yī)療、政務等對數據安全要求較高的行業(yè)具有較大發(fā)展?jié)摿?。行業(yè)本身智能設備的普及程度也將影響端側大模型的發(fā)展前景隨著智能設備的普及程度提高，對于端側AI應用的需求也將相應增加。這些智能設備不僅提供了豐富的數據來源，也為端側大模型的運行提供了更多的計算資源和場景。例如，隨著智慧教堂的普及率加深，教育成為端側大模型未來發(fā)展的潛力場景之一。此外，在醫(yī)療領域，家用健康監(jiān)測設備能夠使數據存儲在設備端，更能滿足客戶的隱私性。AI大模型技術的成熟度是端側大模型發(fā)展的重要因素之一端側大模型應用依賴于AI大模型的技術基礎，隨著AI大模型在自然語言處理、計算機視覺、語音識別等領域的發(fā)展和成熟，端側大模型應用也得到推動；各行業(yè)對端側設備上運行的大型AI模型的需求不斷增加，促使端側大模型應用成熟度與AI大模型保持一致；同時，技術轉移和跨界應用使得一些在特定行業(yè)中成熟的AI大模型技術可以被應用到其他行業(yè)的端側設備中，推動兩者的同步發(fā)展。中國端側大模型市場探析——業(yè)務場景端側大模型能在保障數據隱私的同時，實現低延遲的實時計算，并提供高度個性化的服務，因此基于對數據隱私、計算實時以及個性化等強需求，AI端側大模型能在保障數據隱私的同時，實現低延遲的實時計算，并提供高度個性化的服務，因此基于對數據隱私、計算實時以及個性化等強需求，AI端側大模型業(yè)務場景分析——按不同的設備類型分類AI手機機器人自動駕駛機器人其他場景? AI手機、自動駕駛以及機器人成為推動端側大模型的三大核心應用場景。其他場景強需求場景AI手機：數據隱私性和計算實時性現代智能手機在語音助手、圖像識別、自然語言處理等方面廣泛應用AI技術，這些功能需要處理大量的用戶數據。如果將這些數據傳輸到云端進行處理，不僅增加了隱私泄露的風險，還會由于網絡延遲導致用戶體驗下降。端側大模型可以在本地設備上進行數據處理，確保用戶的敏感信息不被泄露，同時大幅提升計算的實時性。自動駕駛：實時決策和安全性自動駕駛車輛需要在復雜的道路環(huán)境中實時做出決策，如避讓行人、識別交通信號和處理突發(fā)情況。這些決策需要極低的延遲，因為任何延誤都可能帶來安全隱患。端側大模型能夠在車輛本地進行高效計算，確保實時響應和高精度決策，從而提升自動駕駛系統(tǒng)的安全性和可靠性。此外，端側計算減少了對網絡連接的依賴，在網絡條件不佳的情況下仍能保持車輛的正常運行。機器人：個性化服務和效率提升在機器人應用中，特別是家庭服務機器人和醫(yī)療機器人，端側大模型的優(yōu)勢在于能夠提供個性化服務和提高效率。機器人需要根據用戶的具體需求和偏好調整其行為和功能，例如在家庭中提供特定的照護服務或在醫(yī)院中執(zhí)行特定的醫(yī)療任務。通過在本地處理數據，機器人可以更好地理解用戶的行為和習慣，從而提供更加個性化的服務。此外，端側計算能夠提升機器人的響應速度和任務執(zhí)行效率，在面對復雜環(huán)境和任務時，機器人可以迅速做出決策和調整，確保任務的準確性和高效性。這種能力不僅提高了用戶體驗，還拓展了機器人的應用范圍和市場潛力。業(yè)務場景（接上頁）隨著技術的不斷進步和應用場景的拓展，端側大模型各業(yè)務場景中存在差異，文本生成和圖片生成場景相對較成熟，音頻生成場景逐步發(fā)隨著技術的不斷進步和應用場景的拓展，端側大模型各業(yè)務場景中存在差異，文本生成和圖片生成場景相對較成熟，音頻生成場景逐步發(fā)云端端側端側大模型業(yè)務場景分析——按不同的技術場景分類云端端側文本生成文本生成圖片生成音頻生成視頻生成多模態(tài)生成0.1 1 10 100 1000模型規(guī)模（十億參數）文本生成與圖片生成的業(yè)務場景文本生成模型如GPT系列在端側的應用逐漸成熟，尤其是在智能手機等移動設備上的應用。通過模型壓縮和優(yōu)化，現有的文本生成模型已經可以在資源受限的環(huán)境下高效運行。圖片生成模型的端側應用也在逐步發(fā)展，尤其是一些輕量級的圖像生成模型。這些模型可以用于圖像風格轉換、圖像修復、圖像增強等應用，為用戶提供更豐富的圖像處理功能。隨著硬件技術的進步和模型算法的改進，圖片生成模型在端側的應用將進一步成熟。音頻生成的業(yè)務場景音頻生成模型在端側的應用相對較新，但也在不斷發(fā)展。目前一些語音合成模型已經可以在端側設備上實現實時的語音合成功能，如智能語音助手、語音提示等。視頻生成和多模態(tài)生成的業(yè)務場景相比于文本和圖片生成模型，視頻生成模型的端側應用相對較少，主要原因是視頻數據的復雜性和處理量較大。而一些視頻壓縮和編解碼技術的進步以及硬件加速器的應用，為視頻生成模型在端側的應用提供一定的可能性。多模態(tài)生成模型是指同時處理多種類型數據的生成模型，其在端側的應用也在逐步探索和發(fā)展，如智能多模態(tài)搜索、多模態(tài)推薦系統(tǒng)等，但其成熟度相對較低，需要更多的研究和技術突破。Chapter3行業(yè)分析政策分析行業(yè)壁壘競爭格局發(fā)展趨勢400-072-5588中國端側大模型市場探析——政策分析中國政府將人工智能產業(yè)視為中國國家戰(zhàn)略核心，在端側大模型方面中國政府將人工智能產業(yè)視為中國國家戰(zhàn)略核心，在端側大模型方面展現出積極的支持立場。在AI基礎設施以及生成式AI方面設立規(guī)范，整體政策環(huán)境對AI政策名稱頒布日期頒布主體政策名稱頒布日期頒布主體主要內容及影響《針對生成式人工智能服務出臺管理辦法》2023-04網信部規(guī)范引導和監(jiān)督約束《數字中國建設整體布局規(guī)劃》2023-02國務院布局《關于加快場景創(chuàng)新以人工智能高水平應用促進經濟高質量發(fā)展的指導意見》2022-07科技部一方面，該指導意見鼓勵在各行業(yè)領域深入挖掘人工智能技術應用場景，為端側大模型提供了豐富多樣的應用場景，如聊天和文本生成、機器翻譯、語該指導意見強調以需求為牽引謀劃人工智能技術應用場景，為端側大模型提供了需求驅動的動力，促進端側大模型在解決實際問題中優(yōu)化升級《關于促進新一代人工智能產業(yè)高質量發(fā)展的若干措施》2022-01教育部《工業(yè)和信息化部關于開展信息通信服務感知提升行動的通知》2021-11工信部從事互聯網信息服務的企業(yè)應建立客服熱線電話，并在網站、APP等顯著位置公示客服熱線電話號碼。鼓勵具備條件的企業(yè)提供充足的人工客服坐席《國家新一代人工智能標準體系建設指南》2020-07網信辦指南規(guī)劃了新一代人工智能標準體系的總體框架和具體內容，包