內容概要：機器學習是一種讓計算機系統具備從數據中學習的能力，并通過學習不斷優化和改進性能的技術。近些年來，為加速推動人工智能產業發展，我國接連發布多項政策，重點指出要積極發展機器學習等人工智能基礎學科產業發展。在國家政策支持下，目前我國已初步構建了較為全面的人工智能產業體系，而機器學習作為產業發展的核心組成部分，其市場規模呈現穩步發展態勢。據統計，2023年我國機器學習開發平臺市場規模已達到35.1億元，初步統計，2024年已增至35.5億元，2025年有望達到35.8億元。

相關上市企業：百度集團（09888）；騰訊控股（00700）；阿里巴巴（09988）；科大訊飛（002230)；商湯科技（00020）；海康威視（002415）；恒玄科技（688608）；瑞芯微（603893）；創新奇智（02121）等

相關企業：第四范式（北京）技術有限公司；華為云計算技術有限公司；北京九章云極科技有限公司等

關鍵詞：產業鏈；機器學習市場規模；機器學習企業競爭格局；重點企業；發展趨勢

一、行業概況

機器學習是一種讓計算機系統具備從數據中學習的能力，并通過學習不斷優化和改進性能的技術。其核心概念包括數據、算法和模型。其中，數據是機器學習的基礎，通過數據，機器學習系統可以進行訓練和學習。例如，在醫療領域，機器學習算法可以分析大量的醫學影像數據和電子病歷數據，從中提取關鍵信息，輔助醫生進行診斷和治療。在電商領域，機器學習算法可以分析用戶的搜索關鍵詞、歷史搜索記錄和行為模式等數據，為用戶提供更精準的搜索結果和個性化的推薦。

算法，可以稱為機器學習的引擎，它們是設計用來從數據中學習規律和模式的數學模型。不同的算法適用于不同的問題和數據類型。例如，在分類問題中，可以使用決策樹、樸素貝葉斯、支持向量機等算法；在回歸問題中，可以使用線性回歸、多項式回歸等算法；在聚類問題中，可以使用K-Means聚類、層次聚類等算法。

模型是算法在訓練數據上學到的表示，其目標是通過預測或決策解決實際問題。模型的性能取決于數據的質量和算法的選擇。例如，在圖像識別領域，卷積神經網絡（CNN）是一種非常有效的模型，它可以自動提取圖像中的特征，如顏色、紋理和形狀等，從而實現對圖像的分類和識別。

幾十年來，研究發表的機器學習的方法種類很多，根據強調側面的不同可以有多種分類方法。按照學習策略的不同，機器學習可分為模擬人腦的機器學習、直接采用數學方法的機器學習；按照學習方法的不同，可分為歸納學習、演繹學習、類比學習、分析學習；按照學習模式的不同，可分為監督學習（有導師學習）、無監督學習（無導師學習）、強化學習（增強學習）；按照數據形式的不同，可分為結構化學習、非結構化學習；按照學習目標的不同，可分為概念學習、規則學習、函數學習、類別學習和貝葉斯網絡學習。

機器學習產業鏈包括上游基礎層、中游技術層、下游應用層。其中上游包括人工智能芯片供應商、云計算平臺服務商、大數據服務商等。中游包括機器學習技術服務商，機器學習技術服務商是機器學習產業鏈的關鍵主體，其提供的服務包括機器學習基礎開源框架以及機器學習技術開放平臺。下游是機器學習應用服務商，為最終用戶提供基于機器學習的垂直領域應用服務，機器學習廣泛應用于工業、零售、智慧醫療、智慧交通、智慧金融、智能家居、智慧教育、智慧安防等垂直領域，應用領域還在不斷擴展。

機器學習的起源可追溯至早期數學領域的研究。貝葉斯定理在18世紀由英國數學家托馬斯·貝葉斯提出，該定理用于修正先驗概率，并基于觀察到的現象進行概率分布的推斷。在機器學習的分類問題中，貝葉斯定理主要用于預測樣本的類別標簽選擇，利用訓練樣本集中已知的先驗概率和條件概率進行計算，選取最大概率的類別標簽作為預測結果，且在分類任務中表現良好。

最小二乘法最初被稱為回歸分析法，由英國統計學家約翰·道爾頓在1806年創立。它是一種在誤差估計、不確定度、系統辨識、預測和預報等數據處理領域廣泛應用的數學工具，后來被應用于機器學習的邏輯模型中。

艾倫·麥席森·圖靈在1950年提出了圖靈測試來判斷計算機是否具有智能，為人工智能和機器學習的發展提供了重要的理論基礎。1951年，馬文·明斯基發明了第一臺神經網絡機SNARC，標志著神經網絡的進步發展。1957年，康奈爾大學的教授羅森布拉特提出了感知器，開創了有監督學習的先河，其最大特點是能夠通過迭代試錯來解決二元線性分類問題。1967年Cover和Hat提出了KNN算法，該算法通過測量不同樣本特征之間的距離，找到訓練集中與之最為相似的前k個數據，然后通過統計這k個數據中出現次數最多的分類，將其作為測試數據的類別，可用于回歸和分類任務。

進入21世紀，集成學習方法和深度學習迎來了重大突破。集成學習方法中，隨機森林通過構建多個決策樹并集成其結果，提供了較高的準確率和魯棒性。XGBoost是一種梯度提升樹算法，因其高效和可擴展性而受到歡迎。

深度學習方面，卷積神經網絡在圖像處理、領域表現突出，能夠自動提取圖像中的特征，包括顏色、紋理和形狀等。循環神經網絡適用于序列數據的特征提取如語音、文本等，能夠捕捉序列中的長期依賴關系。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

此外，模型調優與集成學習技術也取得了重要講展。通討搜索最佳超參數組合以提高道型性能，如網格搜索、隨機搜索和貝葉斯優儀等。采用剪枝、量化、知識蒸餾等技術減小模型大小并提高運算速度，以便在資源受限的設備上部署。同時，多任務學習、遷移學習與領域適應技術、弱監督學習等也為機器學習的發展帶來了新的機遇和挑戰。

二、產業現狀

機器學習是專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。機器學習是人工智能的核心，是使計算機具有智能的根本途徑。因此，近年來，隨著人工智能熱潮來襲，全球機器學習市場呈現加速發展態勢。數據顯示，2023年全球機器學習市場價值已從2019年的109億美元增至468億美元，2024年已達到672億美元，2025年有望達到967億美元。

從國內市場看，近些年來，為加速推動人工智能產業發展，我國接連發布多項政策，重點指出要積極發展機器學習等人工智能基礎學科產業發展。例如，2023年12月，國家發展改革委等部門 發布的《關于深入實施“東數西算”工程加快構建全國一體化算力網的實施意見》提出，積極推動東部人工智能模型訓練推理、機器學習、視頻渲染、離線分析、存儲備份等業務向西部遷移；2024年12月，財政部發布的《關于全面深化管理會計應用的指導意見》提出，積極探索機器學習、自然語言處理等模型在管理會計報告自動化、輔助決策、重大風險預警等領域中的應用。

在國家政策支持下，目前我國已初步構建了較為全面的人工智能產業體系，而機器學習作為產業發展的核心組成部分，其市場規模呈現穩步發展態勢。據統計，2023年我國機器學習開發平臺市場規模已達到35.1億元，初步統計，2024年已增至35.5億元，2025年有望達到35.8億元。

相關報告：智研咨詢發布的《中國機器學習行業市場全景調研及投資戰略研判報告》

三、競爭格局

機器學習作為人工智能領域的重要技術，是資本市場重點關注對象之一。在資本力量推動下，一批以機器學習為核心驅動的初創型公司進入到市場中，逐漸成為市場中的有力競爭者。例如，第四范式、華為云、九章云極、創新奇智、科大訊飛、商湯科技、恒玄科技、科大智能等。

從市場競爭格局看，目前國內機器學習平臺呈現出明顯的頭部廠商規模化效應，前5名的廠商占據了69.9%的市場份額。其中，第四范式和華為云分別排名第一、第二，所占市場份額分別為32.7%和21.6%；此外，九章云極和創新奇智也排名靠前，所占市場份額分別為7.6%、7%。

創新奇智科技集團股份有限公司成立于2018年2月，2022年1月在香港聯交所主板上市，股票簡稱“創新奇智”。創新奇智是一家專注于“人工智能賦能商業價值”的企業級AI解決方案供應商，致力于通過前沿的人工智能技術為企業提供AI產品及解決方案，幫助企業實現數字化轉型。資料顯示，創新奇智針對制造業客戶需求，已確立了五大核心業務板塊：工業軟件、數智軟件、工業物流、智能裝備和工業可持續。同時，公司已將MMOC人工智能技術平臺與AInnoGC工業大模型技術平臺緊密結合，以支持人工智能在多個行業細分領域的應用實施，目前創新奇智已連續好幾年占據我國機器學習市場前五的位置，成為我國機器學習領域重要參與商之一。數據顯示，2024年上半年，創新奇智營業收入為5.72億元，同比下降38.12%。

科大智能科技股份有限公司成立于2002年11月27日，2011年5月25日在深圳證券交易所創業板正式上市，股票簡稱“科大智能”。科大智能是一家專注于“數字能源”和“數字工業”兩大業務的智能化解決方案供應商，主營業務包括智能電氣、智能制造、新能源和智能機器人四個部分。在智能機器人方面，近年來，科大智能持續加大在人工智能和機器學習領域的研發投入，目前由公司開發的服務機器人、巡檢機器人等機器人產品已在國家電網、軌道交通等行業實現規模化應用。數據顯示，2024年前三季度，科大智能營業收入為19.14億元，同比下降9.26%。

四、發展趨勢

1、政策持續利好行業發展

近年來，我國政府高度重視人工智能及機器學習技術的發展，出臺了一系列政策文件和規劃綱要，如《“十四五”國家科技創新規劃》《“十四五”智能制造發展規劃》等，為機器學習行業的發展提供了良好的政策環境。政策支持不僅推動了基礎研究和技術研發，還促進了產學研用的深度融合，加速了機器學習技術的產業化應用。未來，隨著政策的持續推動，機器學習將在更多領域發揮關鍵作用，助力傳統產業的轉型升級

2、機器學習技術將日益深化

機器學習作為人工智能的核心技術，正不斷向更智能化、個性化、高效化的方向發展。深度學習已成為機器學習的主流技術，通過模仿人類神經網絡的結構和功能，深度學習在圖像識別、自然語言處理等領域取得了巨大成功。未來，強化學習和遷移學習等技術也將不斷深化，推動機器學習在更多復雜場景中的應用。此外，隨著數據量的增加和計算能力的提升，機器學習的算法和模型將持續創新，以解決更復雜的問題。

3、市場競爭日益激烈，人才缺口將不斷擴大

機器學習市場競爭激烈，國內外知名企業紛紛加大布局，初創企業也在特定領域展現出強勁的創新能力。未來，企業需要不斷提升自身的技術實力和服務水平，以在競爭中脫穎而出。與此同時，機器學習行業對高端技術人才的需求旺盛。據預測，到2024年，我國AI人才需求將達到730萬人，而實際供給僅為150萬人，人才缺口巨大。因此，加強人才培養和引進，將成為推動機器學習行業發展的關鍵因素之一。

以上數據及信息可參考智研咨詢（www.szxuejia.com）發布的《中國機器學習行業市場全景調研及投資戰略研判報告》。智研咨詢是中國領先產業咨詢機構，提供深度產業研究報告、商業計劃書、可行性研究報告及定制服務等一站式產業咨詢服務。您可以關注【智研咨詢】公眾號，每天及時掌握更多行業動態。