前沿人工智能的發展與應用

一、前沿人工智能的發展現狀

數據、算力、算法作為人工智能的三大基本要素，相互依存、相互支撐，共同促進人工智能快速發展。本節將從三大要素層面梳理前沿人工智能的發展現狀。

（一）數據要素發展現狀

數據產量高速增長，數據要素市場潛力巨大。目前，全球超大規模數據中心有一半位于中國和美國。根據2024年全國數據工作會議報告，經初步測算，2023年我國數據生產總量預計超過32ZB。根據Statista統計和預測，2025年全球數據量將達到174ZB，中國整體數據量將達到48.6ZB，占全球數據規模的27.9%，將超過美國成為世界最大數據生產國；2035年，全球數據量將達到2142ZB。為了支撐海量數據要素的流通和交易，我國組建國家數據局，協調推進數據基礎制度建設、數據資源整合共享和開發利用等工作，并加快構建全國一體化算力網絡、數據中心規模、云計算服務能力、5G基站數量等數據流通利用基礎設施，大部分省份配套設立數據發展促進中心，組建數據集團。

數據成為新型生產要素，數據驅動數字經濟穩步發展。數據要素中可提煉出信息、知識、智慧，因此被看作新一代信息技術下的新的生產資源，被廣泛應用于金融、物聯網、零售、醫療健康、航空航天等各領域，已快速融入生產、分配、流通、消費和社會服務管理等各環節，成為產業智能化升級、社會生產生活方式變革的重要力量及經濟發展新動能。麥肯錫預測，數據流動量每增加10%，就將帶動GDP增長0.2%。按照到2025年全球數據總量預計達174ZB計算，對經濟增長的貢獻有望達到11萬億美元。作為數字化的知識和信息，數據要素與數字經濟發展密不可分。整體來看，數字經濟重地主要是美洲、亞洲和歐洲。2022年，美國、中國、德國、日本、韓國這5個世界主要國家的數字經濟總量為31萬億美元，數字經濟占GDP的比重為58%，較2016年提升約11%；數字經濟規模同比增長7.6%，高于GDP增速5.4個百分點。中國信息通信研究院數據顯示，2022年，中國數字經濟規模達到50.2萬億元，同比名義增長10.3%，已連續11年顯著高于同期GDP名義增速，數字經濟占GDP的比重相當于第二產業占國民經濟的比重，達到41.5%。

數據質量影響人工智能應用性能，高質量的數據有助于提高人工智能決策的可解釋性和透明度。數據在人工智能中扮演著至關重要的角色，主要應用體現在以下幾方面。一是機器學習，數據可以用于機器學習算法的訓練和優化，使人工智能系統能夠從中學習并改進其性能，通過大量數據的訓練，機器學習模型可以自動發現數據中的模式，并據此進行預測或決策。二是自然語言處理，數據為自然語言處理提供了豐富的語料庫，用于訓練模型以提高機器對語言的理解和生成能力，這使得機器能夠更準確地解析人類語言，實現智能對話、文本分類、情感分析等功能。三是圖像識別，大量的圖像數據可以用于訓練圖像識別模型，使其能夠識別出各種物體、場景和特征，這對于自動駕駛、安防監控、醫療影像分析等領域具有重要意義。四是推薦系統，數據在推薦系統中發揮著至關重要的作用。通過對用戶行為數據的收集和分析，推薦系統能夠了解用戶的興趣和偏好，從而為用戶推薦個性化的內容或產品。五是智能決策，在諸多領域，如金融、醫療、制造等，數據可以幫助人工智能系統進行智能決策。通過對大量數據的分析，系統可以發現潛在的風險和機會，為決策者提供有力支持。

與此同時，數據要素的發展仍面臨以下問題。

一方面，數據瓶頸問題掣肘人工智能發展，0YqRhB+ahVovnjBkxc2Pcw==高質量中文數據產業化程度不足。據人工智能研究機構Epoch的研究預測，語言數據可能在2030年至2040年耗盡，其中能訓練出更優性能的高質量語言數據甚至可能在2026年耗盡。全球數據存量的增長速度遠不及數據集規模的增長速度，數據要素面臨有效數據不足的發展瓶頸。另有研究顯示，1900—2015年，收錄于SCI的3000多萬篇文章中，92.5%的文章是以英文發表的；SSCI出版的400多萬篇文章中，93%的文章是用英文發表的。在ChatGPT的訓練數據中，中文語料比重不足千分之一，英文語料占比超過92.6%。這一現象反映出優質中文語料的缺失，加之高質量中文數據產業化程度不足、大數據服務盈利前景不佳、標準化的數據服務商缺乏、定制化數據服務價格高昂等因素，讓AI更好地服務中文表達有待提升。

另一方面，數據開放流通程度與驅動價值有待提高，數據要素高水平應用仍面臨多重治理挑戰。目前，數據采集面臨碎片化、非標準化困境，海量數據存儲面臨成本高等問題。由于數據權屬關系難以界定、數據要素收益分配機制和數據交易尚不規范、缺乏統一數據標準規范和數據交換共享平臺等因素，數據開放、流通、共享受限，部分領域封閉式的數據生態進一步加劇了“數據孤島”現象，難以實現有效整合流通和深度挖掘，數據分析應用程度不足，未發揮數據深層次分析優化的驅動價值。此外，數據的廣泛應用也引起了新的治理難題，如何管理規模龐大的數據要素市場、制定符合當下需求的數據要素治理規則、確保數據的代表性以避免偏見和歧視、解決數據安全與隱私保護問題等已然成為全球面臨的新挑戰。

（二）算力要素發展現狀

全球算力產業快速發展且競爭加劇，我國算力產業進入增長新周期。中國信息通信研究院發布的《2023年中國算力發展指數白皮書》顯示，美國、中國、歐洲、日本在全球算力規模中的份額分別為34%、33%、17%、4%。其中，美國和中國以35%、27%的全球基礎算力份額分列前兩位。算力成為各國搶占發展主導權的重要手段，全球主要國家和地區紛紛加快戰略布局進程。算力規模持續增長，并開始向制造、金融和電信等傳統行業及政府部門滲透。

算力發展推動經濟數字化轉型，我國多措并舉推動算力“質”“量”提升。算力發展與全國一體化算力網建設已成為數字經濟發展的重要支柱，對推動我國數字經濟發展發揮著關鍵作用。正如中國工程院院士高文提出的，算力就是生產力，有算力就會有GDP，算力網就是要把算力像電力一樣送到需要的地方。隨著大數據、云計算、人工智能等技術的快速發展，我國的算力需求不斷增長，尤其是生成式人工智能的出現和興起給底層算力帶來了新的挑戰，與傳統的判斷式人工智能不同，生成式人工智能不再依賴于人工，而是具備了學習知識、處理信息和循環迭代的能力，這帶來了更高功耗和密度的算力需求。為推動算力行業高質量發展，我國政府多措并舉，正式啟動“東數西算”工程，完善東西部算力協同調度機制、構建全國一體化算力網、適度超前建設算力信息設施、統籌建設算力節點。

算力基礎設施市場長足發展，我國算力整體布局持續優化。算力基礎設施是算力的主要載體。我國在全國各個算力樞紐節點建設方面取得了顯著進展。通過整合和優化全國范圍內的算力資源，加速構建普惠易用、綠色安全的綜合算力基礎設施體系，以實現算力資源的多元集聚和協同調度，初步建構了梯次優化的算力供給體系，算力基礎設施的綜合能力顯著提升，推動算力產業持續創新發展并賦能各行各業。工業和信息化部的數據顯示，截至2023年6月底，全國在用數據中心機架總規模超過760萬標準機架，算力總規模達到197EFLOPS，算力總規模近5年年均增速近30%，存力總規模超過1080EB。為持續優化算力整體布局，2023年10月印發的《算力基礎設施高質量發展行動計劃》提出，到2025年，算力規模將超過300EFLOPS，智能算力占比達到35%，從計算力、運載力、存儲力、應用賦能4個方面明確了2025年發展量化指標。這一系列舉措有助于支持各行各業的數字化轉型，推動我國數字經濟快速發展，算力融合應用加速涌現。

通用算力相對充足，智能算力供給不足成為我國“算力荒”主要矛盾。我國的算力需求主要分為通用算力、智能算力和超級算力三種類型。當前，通用算力相對充足，而智能算力的供給不足成為“算力荒”的主要方面。研究機構數據顯示，隨著大模型訓練需求的不斷增長，智能算力的增長速度將遠超通用算力，預計到2027年全球智能算力規模將達到1117.4EFLOPS，相當于2023年中國414.1EFLOPS的2.7倍、2020年的15倍①。算力作為大模型落地比較高的門檻，我國已在國家層面統籌部署算力網、算力中心等建設。2024年《政府工作報告》明確提出，適度超前建設數字基礎設施，加快形成全國一體化算力體系，培育算力產業生態。

算力供給緊張、資源分散且利用效率不高，我國算力高質量發展仍面臨挑戰。一方面，我國算力核心技術創新不足，算力設施的國產化比例低，芯片、光刻機、存儲器等算力核心器件幾乎完全依賴進口。盡管國產高端GPU發展勢頭迅猛，但市場認可度不高，芯片算力利用效率與先進水平相比還存在差距，且算力產業生態體系基礎薄弱，大范圍推廣使用面臨較高的遷移成本，在公平規范的算力市場、分布式算力的集約化應用等方面還需探索全體系協同、多路徑互補的發展路徑。另一方面，算力應用的廣度和深度仍需提升，垂直行業的算力需求匹配度依然不足，還存在標準不足、數據共享不夠、資源接口不統一等壁壘，算力應用賦能程度不足。中國信息通信研究院院長余曉暉提出，要強化頂層設計、加快標準建設、攻關核心技術、構建算力市場以及推動算力服務，統合形成標準化可調度的算力服務、實現全國資源優化配置和算力高效服務、構建全國一體化智算平臺，要發揮“集中力量辦大事”的制度優勢、加強綠色算力戰略研究、推動算力互聯與協同計算。

（三）算法與模型發展現狀

算法作為人工智能產業發展的核心要素之一，指的是強制給定的有限、抽象、有效、復合的控制結構，在一定的規則下實現特定的目的，具有神經網絡、卷積神經網絡、機器學習、深度學習等多種表現形態。對計算機來說，算法就是處理信息的原理與遵循。理想狀態下，算法能夠將人的思維過程以形式化的方式輸入計算機，使其可以不停地執行命令從而實現所設定的目標。2022年11月30日，以ChatGPT為代表的AI大模型作為算法“作品”的新興形態火爆出圈，推動算法走向AI大模型時代。ChatGPT發布僅一周就已擁有超過100萬用戶，在推出僅兩個月后的2023年1月末，其月活用戶已經突破1億。作為史上用戶增長速度最快的消費級應用程序，ChatGPT已然成為火爆全球的一款現象級產品。

Transformer架構開啟算法模型快速發展時代，多模態通用AI大模型成為發展趨勢。2017年，谷歌顛覆性地提出了基于自注意力機制的神經網絡結構——Transformer架構，奠定了大模型預訓練算法架構的基礎。2018年，OpenAI和Google分別發布的GPT-1與BERT大模型，意味著預訓練大模型成為自然語言處理領域的主流。以Transformer為代表的全新神經網絡架構，奠定了大模型的算法架構基礎，開啟了大模型發展的新紀元，經歷了單語言預訓練模型、多語言預訓練模型及多模態預訓練模型發展，多模態通用AI大模型成為發展主流趨勢。

我國AI大模型數量及研制主體數量可觀，為市場增長提供發展新動力。2023年5月，科技部新一代人工智能發展研究中心發布的《中國人工智能大模型地圖研究報告》顯示，在全球已發布的認知大模型中，美國和中國占比超80%，中國研發的大模型數量排名全球第二，且有超過半數的大模型實現開源。國家數據局局長劉烈宏在中國發展高層論壇2024年年會上透露，截至2024年3月25日，我國10億參數規模以上的大模型數量超過100個，大型科技公司、科研院所和初創科技團隊成為大模型研發主力軍。相關數據顯示，截至2023年底，我國人工智能核心產業規模接近5800億元，已經形成了京津冀、長三角、珠三角三大集聚發展區，核心企業數量超過4400家，居全球第二位。2024年4月2日，國家互聯網信息辦公室發布的《生成式人工智能服務已備案信息》公告顯示，截至2024年3月，我國已有117個大模型成功備案。AI大模型從專用AI作坊走向通用AI規模化工業化生產，在垂直應用領域不斷深化落地，為市場增長提供發展新動力。

多而不強，我國算法大模型發展面臨多重挑戰。近年來，我國出臺了《新一代人工智能發展規劃》《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》等一系列政策文件以支持算法模型的發展。2024年《政府工作報告》中明確提出開展“人工智能+”行動，旨在深化人工智能在各產業領域落地應用并加速形成新質生產力。我國AI大模型發展還面臨著算法模型訓練依賴國外高性能AI芯片、國內算力資源相對有限、高質量且多源的中文訓練數據集稀缺、算法研發的復合型人才缺乏、數據安全與隱私保護不完善、公平性和可解釋性不足、大模型應用場景開放不足等發展挑戰。

二、前沿人工智能的產業生態概況

（一）前沿人工智能的產業發展現狀

AI大模型上中下游產業鏈加速發展，多地出臺AI大模型產業發展支持政策。AI大模型產業鏈的上游產業包括云計算、數據庫、芯片、服務器等軟硬件，中游產業為AI大模型算法研發與模型管理維護，下游產業為內容生產、對話引擎等AI大模型落地領域及具體應用場景①目前，我國北京、上海、廣東、安徽、福建、深圳、杭州、成都等多地均出臺了AI大模型產業發展政策，推動多模態大模型關鍵技術創新，重點打造基于國內外芯片和算法的開源通用大模型，支持重點企業研發迭代CV大模型、NLP大模型等領域大模型及行業大模型，助力中小企業深耕垂直領域，打造專用模型，建構高效協同、具備國際競爭力的大模型產業生態，從企業落戶、優先匹配算力、提供發展要素資源、專項獎勵等政策、技術、市場角度為產業發展提供多方助力。

產業界主導人工智能前沿研究，AI大模型投資及成本持續增加。斯坦福大學以人為本人工智能研究所（Stanford HAI）發布的《2024年人工智能指數報告》顯示，2023年，產業界產生了51個著名的機器學習模型，學術界貢獻了15個，產學合作產生了21個著名模型；108個新發布的基礎模型來自工業界，28個來自學術界。其中，美國成為頂級人工智能模型的主要來源國，2023年61個著名的人工智能模型源自美國的機構。2023年，行業對生成式人工智能的投資達252億美元，同比增長了近8倍，OpenAI、Anthropic、Hugging Face和Inflection等代表性生成式人工智能都獲得了一輪可觀的融資。作為人工智能投資首選地，美國在人工智能領域的私人投資總額為672億美元，是中國的近9倍。但與此同時，先進AI大模型的訓練成本已經達到前所未有的水平，數據顯示，OpenAI的GPT-4估計使用了價值7800萬美元的計算資源進行訓練，而谷歌的Gemini Ultra的計算成本則高達1.91億美元。

國內外AI大模型競爭白熱化，逐漸形成“千模大戰”產業生態雛形。在國外，OpenAI推出GPT-4大模型并發布爆款產品ChatGPT，谷歌推出PaLM2大模型，Anthropic公司推出媲美ChatGPT的聊天機器人Claude。中國科學技術信息研究所、科技部新一代人工智能發展研究中心聯合發布的《中國人工智能大模型地圖研究報告》顯示，截至2023年5月，美國已發布100個參數規模10億以上的大模型，在基礎大模型上保持領先優勢，形成了“OpenAI及谷歌雙龍頭+Meta開源追趕+垂類特色廠商”的發展格局。在我國，百度推出文心一言、阿里發布通義千問、商湯科技推出日日新SenseNova、華為推出盤古大模型、科大訊飛推出星火認知大模型等。國內外產投研界均已加快布局步伐，多國部署專業研發團隊，投創界積極入局大模型競賽，科技龍頭企業結合自身優勢以及自有產業生態密集發布自研大模型，逐步呈現“千模大戰”的產業生態雛形。

（二）前沿人工智能的商業部署現狀

AI大模型以內部應用為主并逐漸拓展至B端和C端，商業化落地進程緩慢。人民網財經研究院等聯合發布的《開啟智能新時代：2024年中國AI大模型產業發展報告》指出，可按照部署方式將AI大模型分為云側大模型和端側大模型兩類，其中，云側大模型分為通用大模型和行業大模型，端側大模型主要有手機大模型、PC大模型。中國移動研究院2023年4月發布的《我國人工智能大模型發展動態》提出，目前大部分企業前期以內部應用AI大模型為主，后續主要向B端企業拓展服務，預計少數企業將在C端個人用戶市場形成規模，且可通過按量付費、SaaS模式的訂閱付費、打造一體化解決方案并提供增值服務、依靠用戶流量進行廣告變現等實現商業模式落地。但目前商業化落地進程仍處于初步探索階段。眾多AI大模型大多處于發布會階段，且極少在公開場合提及商業落地，遠未達到可商業化程度，當前全球只有OpenAI能夠真正達到通用AI商業化，且擁有絕大部分用戶的市場。

“通用大模型+產業模型”適配場景需求，AI大模型層次化體系賦能垂直行業發展。通用AI大模型落地部署所需的高昂算力成本和龐大數據量催生了“通用大模型+產業模型”模式，垂直行業成為AI大模型主戰場。產業模型在研發門檻、算力成本及應用靈活性等方面更具優勢，在細分垂類領域的適配性上也更勝一籌。產業模型根據不同細分行業的需求，基于大模型進行遷移學習，利用知識蒸餾、剪枝等技術手段優化訓練垂類小模型，以便更好地適配細分垂直領域。通過大小模型結合的層次化部署方式緩解資源占用與性能最大化間的矛盾，在資源受限環境中穩定運行，使得在小型化、移動化設備上運行AI大模型成為可能。

AI大模型“開源+閉源”雙輪驅動，小型開發者調用大模型能力提升開發效率。AI大模型閉源模式有助于保護知識產權、保持核心競爭力并提供更優質穩定的服務，而開源協作有助于生態伙伴高效利用AI大模型且加速生態化進程，進而充分吸納各方反饋及其創新成果，并鞏固方向引領地位。同時，開源大模型可作為商業閉源大模型的有力補充，可滿足用戶長尾需求以及中小企業的增長需求，或將成為彎道超車的關鍵。在AI大模型行業部署中，存在開源、閉源、開閉源混合等多種復雜模式，既有探索開源路徑的OpenAI，也有堅持閉源策略的百度。在未來的發展中，不同企業會根據公司戰略目標、技術實力和市場環境，選擇合適的開源或閉源策略，小型開發者可調用大模型能力提升開發效率。

（三）前沿人工智能的產業變革趨勢

大模型將加速AI產業化進程，預計未來AI市場規模將超萬億元。大模型憑借其多模態復雜任務學習的能力、更強的數據處理能力以及廣泛的應用場景，提高了AI系統的性能和通用性，為AI產業化進程提供了強大的支持，“模型即服務”產業生態逐步形成。國內外互聯網大廠扎堆入局，新的領域巨頭、周邊產業、類AI大模型應用以及智力服務類應用市場都將成為受益對象。AI大模型將成為基礎設施并再次引爆生產力革命，促進創造性工作深化分解，為行業知識模型化提供新界面，加速形成新質生產力。國際數據公司（IDC）預測，2028年大模型市場規模將達到1095億美元。《中國AIGC產業全景報告暨AIGC 50》預計，2030年我國AIGC市場規模將達1.15萬億元。

顛覆勞動力市場，AI大模型推動人機分工式混合勞動力成為用工主導范式。AI大模型可根據人類的反饋進行強化學習，促進AI從勞動輔助工具逐漸演化成初步具備自主能動性、可與人并肩協作互動的勞動行為主體，進而實現人機高效分工協作。同時，AI大模型將推動人類智力勞動深度細化分解，將其中大量重復性、結構化、高度依賴既往經驗的相關工作深化剝離并交由AI大模型承擔，促進以人機分工為代表的第四次社會大分工時代的加速到來，人機分工協作式混合勞動力將成為未來勞動用工的主導范式。此外，AI大模型可能會顛覆勞動力市場舊有競爭模式，“降維打擊”缺少工具賦能的競爭者。人類與AI大模型將成為“隊友”。

推動行業知識模型化，AI大模型助推智力密集型服務產業規模化。AI大模型突破由行業專家歸納提煉知識的傳統模式，能夠借助自然語言交互方式進行高效建模整理，并通過與人類專家組成人機團隊來實現行業知識模型化。作為高效的數智化知識服務工具，AI大模型已初步實現在知識領域通用化大模型與專用化小模型并進，且正在采用“技術人員+AI大模型+數據”的模式逐步取代權威專家，使傳統智力密集型服務規模化、市場化、個性化乃至邊際成本趨于零成為可能，從而充分應用AI大模型助力智力密集型服務的數智化轉型，賦能垂直專用場景下智力服務的規模化商用，實現咨詢行業等傳統智力服務規模化個性定制。

（本文節選自“現代化新征程叢書第二輯”之《前沿人工智能：發展與治理》，梁正主編，中國發展出版社2024年7月第1版，略有刪減）

①資料來源：北京智源研究院、中金公司研究部。