前沿人工智能的发展与应用

一、前沿人工智能的发展现状

数据、算力、算法作为人工智能的三大基本要素，相互依存、相互支撑，共同促进人工智能快速发展。本节将从三大要素层面梳理前沿人工智能的发展现状。

（一）数据要素发展现状

数据产量高速增长，数据要素市场潜力巨大。目前，全球超大规模数据中心有一半位于中国和美国。根据2024年全国数据工作会议报告，经初步测算，2023年我国数据生产总量预计超过32ZB。根据Statista统计和预测，2025年全球数据量将达到174ZB，中国整体数据量将达到48.6ZB，占全球数据规模的27.9%，将超过美国成为世界最大数据生产国；2035年，全球数据量将达到2142ZB。为了支撑海量数据要素的流通和交易，我国组建国家数据局，协调推进数据基础制度建设、数据资源整合共享和开发利用等工作，并加快构建全国一体化算力网络、数据中心规模、云计算服务能力、5G基站数量等数据流通利用基础设施，大部分省份配套设立数据发展促进中心，组建数据集团。

数据成为新型生产要素，数据驱动数字经济稳步发展。数据要素中可提炼出信息、知识、智慧，因此被看作新一代信息技术下的新的生产资源，被广泛应用于金融、物联网、零售、医疗健康、航空航天等各领域，已快速融入生产、分配、流通、消费和社会服务管理等各环节，成为产业智能化升级、社会生产生活方式变革的重要力量及经济发展新动能。麦肯锡预测，数据流动量每增加10%，就将带动GDP增长0.2%。按照到2025年全球数据总量预计达174ZB计算，对经济增长的贡献有望达到11万亿美元。作为数字化的知识和信息，数据要素与数字经济发展密不可分。整体来看，数字经济重地主要是美洲、亚洲和欧洲。2022年，美国、中国、德国、日本、韩国这5个世界主要国家的数字经济总量为31万亿美元，数字经济占GDP的比重为58%，较2016年提升约11%；数字经济规模同比增长7.6%，高于GDP增速5.4个百分点。中国信息通信研究院数据显示，2022年，中国数字经济规模达到50.2万亿元，同比名义增长10.3%，已连续11年显著高于同期GDP名义增速，数字经济占GDP的比重相当于第二产业占国民经济的比重，达到41.5%。

数据质量影响人工智能应用性能，高质量的数据有助于提高人工智能决策的可解释性和透明度。数据在人工智能中扮演着至关重要的角色，主要应用体现在以下几方面。一是机器学习，数据可以用于机器学习算法的训练和优化，使人工智能系统能够从中学习并改进其性能，通过大量数据的训练，机器学习模型可以自动发现数据中的模式，并据此进行预测或决策。二是自然语言处理，数据为自然语言处理提供了丰富的语料库，用于训练模型以提高机器对语言的理解和生成能力，这使得机器能够更准确地解析人类语言，实现智能对话、文本分类、情感分析等功能。三是图像识别，大量的图像数据可以用于训练图像识别模型，使其能够识别出各种物体、场景和特征，这对于自动驾驶、安防监控、医疗影像分析等领域具有重要意义。四是推荐系统，数据在推荐系统中发挥着至关重要的作用。通过对用户行为数据的收集和分析，推荐系统能够了解用户的兴趣和偏好，从而为用户推荐个性化的内容或产品。五是智能决策，在诸多领域，如金融、医疗、制造等，数据可以帮助人工智能系统进行智能决策。通过对大量数据的分析，系统可以发现潜在的风险和机会，为决策者提供有力支持。

与此同时，数据要素的发展仍面临以下问题。

一方面，数据瓶颈问题掣肘人工智能发展，0YqRhB+ahVovnjBkxc2Pcw==高质量中文数据产业化程度不足。据人工智能研究机构Epoch的研究预测，语言数据可能在2030年至2040年耗尽，其中能训练出更优性能的高质量语言数据甚至可能在2026年耗尽。全球数据存量的增长速度远不及数据集规模的增长速度，数据要素面临有效数据不足的发展瓶颈。另有研究显示，1900—2015年，收录于SCI的3000多万篇文章中，92.5%的文章是以英文发表的；SSCI出版的400多万篇文章中，93%的文章是用英文发表的。在ChatGPT的训练数据中，中文语料比重不足千分之一，英文语料占比超过92.6%。这一现象反映出优质中文语料的缺失，加之高质量中文数据产业化程度不足、大数据服务盈利前景不佳、标准化的数据服务商缺乏、定制化数据服务价格高昂等因素，让AI更好地服务中文表达有待提升。

另一方面，数据开放流通程度与驱动价值有待提高，数据要素高水平应用仍面临多重治理挑战。目前，数据采集面临碎片化、非标准化困境，海量数据存储面临成本高等问题。由于数据权属关系难以界定、数据要素收益分配机制和数据交易尚不规范、缺乏统一数据标准规范和数据交换共享平台等因素，数据开放、流通、共享受限，部分领域封闭式的数据生态进一步加剧了“数据孤岛”现象，难以实现有效整合流通和深度挖掘，数据分析应用程度不足，未发挥数据深层次分析优化的驱动价值。此外，数据的广泛应用也引起了新的治理难题，如何管理规模庞大的数据要素市场、制定符合当下需求的数据要素治理规则、确保数据的代表性以避免偏见和歧视、解决数据安全与隐私保护问题等已然成为全球面临的新挑战。

（二）算力要素发展现状

全球算力产业快速发展且竞争加剧，我国算力产业进入增长新周期。中国信息通信研究院发布的《2023年中国算力发展指数白皮书》显示，美国、中国、欧洲、日本在全球算力规模中的份额分别为34%、33%、17%、4%。其中，美国和中国以35%、27%的全球基础算力份额分列前两位。算力成为各国抢占发展主导权的重要手段，全球主要国家和地区纷纷加快战略布局进程。算力规模持续增长，并开始向制造、金融和电信等传统行业及政府部门渗透。

算力发展与全国一体化算力网建设已成为数字经济发展的重要支柱，对推动我国数字经济发展发挥着关键作用。图/李桑羽 摄

算力发展推动经济数字化转型，我国多措并举推动算力“质”“量”提升。算力发展与全国一体化算力网建设已成为数字经济发展的重要支柱，对推动我国数字经济发展发挥着关键作用。正如中国工程院院士高文提出的，算力就是生产力，有算力就会有GDP，算力网就是要把算力像电力一样送到需要的地方。随着大数据、云计算、人工智能等技术的快速发展，我国的算力需求不断增长，尤其是生成式人工智能的出现和兴起给底层算力带来了新的挑战，与传统的判断式人工智能不同，生成式人工智能不再依赖于人工，而是具备了学习知识、处理信息和循环迭代的能力，这带来了更高功耗和密度的算力需求。为推动算力行业高质量发展，我国政府多措并举，正式启动“东数西算”工程，完善东西部算力协同调度机制、构建全国一体化算力网、适度超前建设算力信息设施、统筹建设算力节点。

算力基础设施市场长足发展，我国算力整体布局持续优化。算力基础设施是算力的主要载体。我国在全国各个算力枢纽节点建设方面取得了显著进展。通过整合和优化全国范围内的算力资源，加速构建普惠易用、绿色安全的综合算力基础设施体系，以实现算力资源的多元集聚和协同调度，初步建构了梯次优化的算力供给体系，算力基础设施的综合能力显著提升，推动算力产业持续创新发展并赋能各行各业。工业和信息化部的数据显示，截至2023年6月底，全国在用数据中心机架总规模超过760万标准机架，算力总规模达到197EFLOPS，算力总规模近5年年均增速近30%，存力总规模超过1080EB。为持续优化算力整体布局，2023年10月印发的《算力基础设施高质量发展行动计划》提出，到2025年，算力规模将超过300EFLOPS，智能算力占比达到35%，从计算力、运载力、存储力、应用赋能4个方面明确了2025年发展量化指标。这一系列举措有助于支持各行各业的数字化转型，推动我国数字经济快速发展，算力融合应用加速涌现。

通用算力相对充足，智能算力供给不足成为我国“算力荒”主要矛盾。我国的算力需求主要分为通用算力、智能算力和超级算力三种类型。当前，通用算力相对充足，而智能算力的供给不足成为“算力荒”的主要方面。研究机构数据显示，随着大模型训练需求的不断增长，智能算力的增长速度将远超通用算力，预计到2027年全球智能算力规模将达到1117.4EFLOPS，相当于2023年中国414.1EFLOPS的2.7倍、2020年的15倍①。算力作为大模型落地比较高的门槛，我国已在国家层面统筹部署算力网、算力中心等建设。2024年《政府工作报告》明确提出，适度超前建设数字基础设施，加快形成全国一体化算力体系，培育算力产业生态。

算力供给紧张、资源分散且利用效率不高，我国算力高质量发展仍面临挑战。一方面，我国算力核心技术创新不足，算力设施的国产化比例低，芯片、光刻机、存储器等算力核心器件几乎完全依赖进口。尽管国产高端GPU发展势头迅猛，但市场认可度不高，芯片算力利用效率与先进水平相比还存在差距，且算力产业生态体系基础薄弱，大范围推广使用面临较高的迁移成本，在公平规范的算力市场、分布式算力的集约化应用等方面还需探索全体系协同、多路径互补的发展路径。另一方面，算力应用的广度和深度仍需提升，垂直行业的算力需求匹配度依然不足，还存在标准不足、数据共享不够、资源接口不统一等壁垒，算力应用赋能程度不足。中国信息通信研究院院长余晓晖提出，要强化顶层设计、加快标准建设、攻关核心技术、构建算力市场以及推动算力服务，统合形成标准化可调度的算力服务、实现全国资源优化配置和算力高效服务、构建全国一体化智算平台，要发挥“集中力量办大事”的制度优势、加强绿色算力战略研究、推动算力互联与协同计算。

（三）算法与模型发展现状

算法作为人工智能产业发展的核心要素之一，指的是强制给定的有限、抽象、有效、复合的控制结构，在一定的规则下实现特定的目的，具有神经网络、卷积神经网络、机器学习、深度学习等多种表现形态。对计算机来说，算法就是处理信息的原理与遵循。理想状态下，算法能够将人的思维过程以形式化的方式输入计算机，使其可以不停地执行命令从而实现所设定的目标。2022年11月30日，以ChatGPT为代表的AI大模型作为算法“作品”的新兴形态火爆出圈，推动算法走向AI大模型时代。ChatGPT发布仅一周就已拥有超过100万用户，在推出仅两个月后的2023年1月末，其月活用户已经突破1亿。作为史上用户增长速度最快的消费级应用程序，ChatGPT已然成为火爆全球的一款现象级产品。

Transformer架构开启算法模型快速发展时代，多模态通用AI大模型成为发展趋势。2017年，谷歌颠覆性地提出了基于自注意力机制的神经网络结构——Transformer架构，奠定了大模型预训练算法架构的基础。2018年，OpenAI和Google分别发布的GPT-1与BERT大模型，意味着预训练大模型成为自然语言处理领域的主流。以Transformer为代表的全新神经网络架构，奠定了大模型的算法架构基础，开启了大模型发展的新纪元，经历了单语言预训练模型、多语言预训练模型及多模态预训练模型发展，多模态通用AI大模型成为发展主流趋势。

我国AI大模型数量及研制主体数量可观，为市场增长提供发展新动力。2023年5月，科技部新一代人工智能发展研究中心发布的《中国人工智能大模型地图研究报告》显示，在全球已发布的认知大模型中，美国和中国占比超80%，中国研发的大模型数量排名全球第二，且有超过半数的大模型实现开源。国家数据局局长刘烈宏在中国发展高层论坛2024年年会上透露，截至2024年3月25日，我国10亿参数规模以上的大模型数量超过100个，大型科技公司、科研院所和初创科技团队成为大模型研发主力军。相关数据显示，截至2023年底，我国人工智能核心产业规模接近5800亿元，已经形成了京津冀、长三角、珠三角三大集聚发展区，核心企业数量超过4400家，居全球第二位。2024年4月2日，国家互联网信息办公室发布的《生成式人工智能服务已备案信息》公告显示，截至2024年3月，我国已有117个大模型成功备案。AI大模型从专用AI作坊走向通用AI规模化工业化生产，在垂直应用领域不断深化落地，为市场增长提供发展新动力。

多而不强，我国算法大模型发展面临多重挑战。近年来，我国出台了《新一代人工智能发展规划》《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》等一系列政策文件以支持算法模型的发展。2024年《政府工作报告》中明确提出开展“人工智能+”行动，旨在深化人工智能在各产业领域落地应用并加速形成新质生产力。我国AI大模型发展还面临着算法模型训练依赖国外高性能AI芯片、国内算力资源相对有限、高质量且多源的中文训练数据集稀缺、算法研发的复合型人才缺乏、数据安全与隐私保护不完善、公平性和可解释性不足、大模型应用场景开放不足等发展挑战。

二、前沿人工智能的产业生态概况

（一）前沿人工智能的产业发展现状

AI大模型上中下游产业链加速发展，多地出台AI大模型产业发展支持政策。AI大模型产业链的上游产业包括云计算、数据库、芯片、服务器等软硬件，中游产业为AI大模型算法研发与模型管理维护，下游产业为内容生产、对话引擎等AI大模型落地领域及具体应用场景①目前，我国北京、上海、广东、安徽、福建、深圳、杭州、成都等多地均出台了AI大模型产业发展政策，推动多模态大模型关键技术创新，重点打造基于国内外芯片和算法的开源通用大模型，支持重点企业研发迭代CV大模型、NLP大模型等领域大模型及行业大模型，助力中小企业深耕垂直领域，打造专用模型，建构高效协同、具备国际竞争力的大模型产业生态，从企业落户、优先匹配算力、提供发展要素资源、专项奖励等政策、技术、市场角度为产业发展提供多方助力。

产业界主导人工智能前沿研究，AI大模型投资及成本持续增加。斯坦福大学以人为本人工智能研究所（Stanford HAI）发布的《2024年人工智能指数报告》显示，2023年，产业界产生了51个著名的机器学习模型，学术界贡献了15个，产学合作产生了21个著名模型；108个新发布的基础模型来自工业界，28个来自学术界。其中，美国成为顶级人工智能模型的主要来源国，2023年61个著名的人工智能模型源自美国的机构。2023年，行业对生成式人工智能的投资达252亿美元，同比增长了近8倍，OpenAI、Anthropic、Hugging Face和Inflection等代表性生成式人工智能都获得了一轮可观的融资。作为人工智能投资首选地，美国在人工智能领域的私人投资总额为672亿美元，是中国的近9倍。但与此同时，先进AI大模型的训练成本已经达到前所未有的水平，数据显示，OpenAI的GPT-4估计使用了价值7800万美元的计算资源进行训练，而谷歌的Gemini Ultra的计算成本则高达1.91亿美元。

国内外AI大模型竞争白热化，逐渐形成“千模大战”产业生态雏形。在国外，OpenAI推出GPT-4大模型并发布爆款产品ChatGPT，谷歌推出PaLM2大模型，Anthropic公司推出媲美ChatGPT的聊天机器人Claude。中国科学技术信息研究所、科技部新一代人工智能发展研究中心联合发布的《中国人工智能大模型地图研究报告》显示，截至2023年5月，美国已发布100个参数规模10亿以上的大模型，在基础大模型上保持领先优势，形成了“OpenAI及谷歌双龙头+Meta开源追赶+垂类特色厂商”的发展格局。在我国，百度推出文心一言、阿里发布通义千问、商汤科技推出日日新SenseNova、华为推出盘古大模型、科大讯飞推出星火认知大模型等。国内外产投研界均已加快布局步伐，多国部署专业研发团队，投创界积极入局大模型竞赛，科技龙头企业结合自身优势以及自有产业生态密集发布自研大模型，逐步呈现“千模大战”的产业生态雏形。

（二）前沿人工智能的商业部署现状

AI大模型以内部应用为主并逐渐拓展至B端和C端，商业化落地进程缓慢。人民网财经研究院等联合发布的《开启智能新时代：2024年中国AI大模型产业发展报告》指出，可按照部署方式将AI大模型分为云侧大模型和端侧大模型两类，其中，云侧大模型分为通用大模型和行业大模型，端侧大模型主要有手机大模型、PC大模型。中国移动研究院2023年4月发布的《我国人工智能大模型发展动态》提出，目前大部分企业前期以内部应用AI大模型为主，后续主要向B端企业拓展服务，预计少数企业将在C端个人用户市场形成规模，且可通过按量付费、SaaS模式的订阅付费、打造一体化解决方案并提供增值服务、依靠用户流量进行广告变现等实现商业模式落地。但目前商业化落地进程仍处于初步探索阶段。众多AI大模型大多处于发布会阶段，且极少在公开场合提及商业落地，远未达到可商业化程度，当前全球只有OpenAI能够真正达到通用AI商业化，且拥有绝大部分用户的市场。

“通用大模型+产业模型”适配场景需求，AI大模型层次化体系赋能垂直行业发展。通用AI大模型落地部署所需的高昂算力成本和庞大数据量催生了“通用大模型+产业模型”模式，垂直行业成为AI大模型主战场。产业模型在研发门槛、算力成本及应用灵活性等方面更具优势，在细分垂类领域的适配性上也更胜一筹。产业模型根据不同细分行业的需求，基于大模型进行迁移学习，利用知识蒸馏、剪枝等技术手段优化训练垂类小模型，以便更好地适配细分垂直领域。通过大小模型结合的层次化部署方式缓解资源占用与性能最大化间的矛盾，在资源受限环境中稳定运行，使得在小型化、移动化设备上运行AI大模型成为可能。

AI大模型“开源+闭源”双轮驱动，小型开发者调用大模型能力提升开发效率。AI大模型闭源模式有助于保护知识产权、保持核心竞争力并提供更优质稳定的服务，而开源协作有助于生态伙伴高效利用AI大模型且加速生态化进程，进而充分吸纳各方反馈及其创新成果，并巩固方向引领地位。同时，开源大模型可作为商业闭源大模型的有力补充，可满足用户长尾需求以及中小企业的增长需求，或将成为弯道超车的关键。在AI大模型行业部署中，存在开源、闭源、开闭源混合等多种复杂模式，既有探索开源路径的OpenAI，也有坚持闭源策略的百度。在未来的发展中，不同企业会根据公司战略目标、技术实力和市场环境，选择合适的开源或闭源策略，小型开发者可调用大模型能力提升开发效率。

（三）前沿人工智能的产业变革趋势

大模型将加速AI产业化进程，预计未来AI市场规模将超万亿元。大模型凭借其多模态复杂任务学习的能力、更强的数据处理能力以及广泛的应用场景，提高了AI系统的性能和通用性，为AI产业化进程提供了强大的支持，“模型即服务”产业生态逐步形成。国内外互联网大厂扎堆入局，新的领域巨头、周边产业、类AI大模型应用以及智力服务类应用市场都将成为受益对象。AI大模型将成为基础设施并再次引爆生产力革命，促进创造性工作深化分解，为行业知识模型化提供新界面，加速形成新质生产力。国际数据公司（IDC）预测，2028年大模型市场规模将达到1095亿美元。《中国AIGC产业全景报告暨AIGC 50》预计，2030年我国AIGC市场规模将达1.15万亿元。

颠覆劳动力市场，AI大模型推动人机分工式混合劳动力成为用工主导范式。AI大模型可根据人类的反馈进行强化学习，促进AI从劳动辅助工具逐渐演化成初步具备自主能动性、可与人并肩协作互动的劳动行为主体，进而实现人机高效分工协作。同时，AI大模型将推动人类智力劳动深度细化分解，将其中大量重复性、结构化、高度依赖既往经验的相关工作深化剥离并交由AI大模型承担，促进以人机分工为代表的第四次社会大分工时代的加速到来，人机分工协作式混合劳动力将成为未来劳动用工的主导范式。此外，AI大模型可能会颠覆劳动力市场旧有竞争模式，“降维打击”缺少工具赋能的竞争者。人类与AI大模型将成为“队友”。

推动行业知识模型化，AI大模型助推智力密集型服务产业规模化。AI大模型突破由行业专家归纳提炼知识的传统模式，能够借助自然语言交互方式进行高效建模整理，并通过与人类专家组成人机团队来实现行业知识模型化。作为高效的数智化知识服务工具，AI大模型已初步实现在知识领域通用化大模型与专用化小模型并进，且正在采用“技术人员+AI大模型+数据”的模式逐步取代权威专家，使传统智力密集型服务规模化、市场化、个性化乃至边际成本趋于零成为可能，从而充分应用AI大模型助力智力密集型服务的数智化转型，赋能垂直专用场景下智力服务的规模化商用，实现咨询行业等传统智力服务规模化个性定制。

（本文节选自“现代化新征程丛书第二辑”之《前沿人工智能：发展与治理》，梁正主编，中国发展出版社2024年7月第1版，略有删减）

①资料来源：北京智源研究院、中金公司研究部。