中投網2024-05-06 11:34 來源：中投網
中投顧問重磅推出"產業大腦"系列產品，高效賦能產業投資及產業發展各種工作場景，歡迎試用體驗！ | ||||
|---|---|---|---|---|
| 產品 | 核心功能定位 | 登陸使用 | 試用申請 | |
| 產業投資大腦 | 新興產業投資機會的高效挖掘工具 | 登陸 > | 申請 > | |
| 產業招商大腦 | 大數據精準招商專業平臺 | 登陸 > | 申請 > | |
| 產業研究大腦 | 產業研究工作的一站式解決方案 | 登陸 > | 申請 > | |
聯系電話： 400 008 0586; 0755-82571568
微信掃碼： 
1.1.1 2024-2028年中國人工智能大模型產業影響因素分析
一、有利因素
（一）政策利好
2023年7月20日，中國氣象局印發《人工智能氣象應用工作方案（2023-2030年）》。《工作方案》提出，加快布局國產人工智能氣象應用技術體系建設，啟動氣象預報大模型等新興技術研發，研發大數據驅動的人工智能氣象預報大模型、會話式氣象預報和服務智能網絡機器人系統，深入開展人工智能算法的機理解釋研究。
2023年8月10日，工信部和財政部聯合印發《電子信息制造業2023-2024年穩增長行動方案》。《行動方案》鼓勵加大數據基礎設施和人工智能基礎設施建設，滿足人工智能、大模型應用需求。
2023年10月20日，工業和信息化部印發《人形機器人創新發展指導意見》。《指導意見》提出，以大模型等人工智能技術突破為引領，在機器人已有成熟技術基礎上，重點在人形機器人“大腦”和“小腦”、“肢體”關鍵技術、技術創新體系等領域取得突破。開發基于人工智能大模型的人形機器人“大腦”，增強環境感知、行為控制、人機交互能力，開發控制人形機器人運動的“小腦”，搭建運動控制算法庫，建立網絡控制系統架構。
2023年12月15日，國家數據局發布《“數據要素x”三年行動計劃（2024-2026年）》。《行動計劃》提出，以科學數據支持大模型開發，建設高質量語料庫和基礎科學數據集，支持開展通用人工智能大模型和垂直領域人工智能大模型訓練。同時，北京、上海、深圳、安徽、四川等省市也陸續出臺大模型產業發展措施，加速大模型應用落地。
（二）AI大模型進入“群模時代”商業化曙光初現
（三）人工智能大模型向多模態趨勢進發
雖然目前各類人工智能大模型層出不窮，但不斷優化升級，推動行業進步仍是各大互聯網公司的主攻方向。當前，人工智能大模型由單模態向多模態升級已成為行業熱點，多家公司多模態AI走紅。2023年11月，OpenAI發布了GPT-4 Turbo并且開放了GPTs，再次顛覆行業，揭開AIGC應用生態序幕，建立統一的、跨場景、多任務的多模態基礎模型會成為人工智能發展的主流趨勢之一。多模態是實現通用人工智能的必經之路。模態數據輸入可幫助模型能力和用戶體驗提高，允許多模態數據輸出也更符合真實世界需要。在數據、算法及算力上的要求都要高于單模態，這一波自然語言大模型發展為其他模態提供了技術參考，人工智能大模型產業有望加速發展。
（四）人工智能大模型賦能與應用不斷提升
人工智能大模型絕不應該只停留在煉金術階段，要不斷推動大模型的發展變成科學的大模型，只有跟行業深度融合才有可能真正的實現可持續發展。
首先是從通用大模型向垂直大模型的轉型，人工智能大模型未來發展將趨于通用化與專用化并行。2023年6月，騰訊云首次正式公布行業大模型研發進展，并發布了面向B端客戶的騰訊云MaaS服務解決方案。2023年7月，華為發布“不作詩只做事”的盤古大模型3.0，深耕政務、金融、制造、煤礦、鐵路、制藥、氣象等行業。此外，面向旅游的“攜程問道”、面向醫療的百度“靈醫”大模型、面向教育的網易“子曰”大模型等也陸續發布。其中，金融行業的應用場景豐富，是最早進行數字化轉型的機構，成為AI大模型落地應用的最佳場景之一。金融行業積淀了包括金融交易數據、客戶信息在內的海量數據，良好的數據基礎為AI大模型的落地應用提供條件。目前，生成和決策兩類金融大模型，已在銀行、證券等金融機構中實現落地。
二、不利因素
（一）數據質量和標注問題
人工智能大模型的訓練需要大量的標注數據，然而標注數據的質量和數量都存在一定的問題。有些數據可能存在偏差和誤導，有些數據則可能因為保密和隱私等問題無法獲得。同時，由于標注數據需要大量的人工參與，也使得標注成本較高且難以實現自動化。
（二）大模型可解釋性和可靠性問題
人工智能大模型往往非常復雜，難以解釋其決策和行為的原因，這使得人們難以信任和使用大模型。同時，由于人工智能大模型的復雜性和巨量的參數數量，其可靠性和穩定性也存在一定的問題，需要進行更加嚴格的測試和驗證。
（三）成本和計算需求方面有局限性
過去五年來，AI領域通常以參數的數量來衡量一個模型的能力。參數越多，通常意味著模型能處理更復雜的任務，展示出更強的能力。例如，最大模型的參數數量每年增加了十倍或更多，每次增加都帶來了意想不到的能力擴展，如編程和翻譯能力。所以大型神經網絡模型通常被認為性能更優。
人工智能大模型使用的參數數量極多（有的超過1000億個），每個參數都需要計算資源來處理。盡管大模型（如GPT系列）在技術上領先，但這些模型往往規模龐大且對計算資源的需求極高。每當大模型在能力上有顯著提升時，大模型的訓練和運行成本也急劇上升。即便智能大模型是開源的，許多研究者和小型企業也難以承擔其所需的昂貴計算成本。不僅如此，許多AI研究者在這些模型的基礎上進行迭代開發，以創造適用于新工具和產品的自己的模型，但大模型的復雜性也讓其變得更加困難。
（四）國內外人工智能大模型的能力差距仍然存在
當前，我國與OpenAI的差距正在拉大，不是在縮小。在SuperCLUE測評中，GPT4-Turbo以總分89.79分遙遙領先，高于國內所有的大模型及國外的代表性大模型。國內得分最高的大模型是文心一言4.0，但距離GPT4-Turbo仍有15.77的分差。
現在國內主流的大模型的能力水平基本上在GPT3.5上下。
人工智能大模型的核心壁壘包括算力、數據、算法。只有極少的企業能夠從頭到尾地完成產業級研發。如今，模型參數指數級增長，訓練所需算力巨大，千億級別的通用大模型，訓練一次就需要付出幾千萬的成本。當前國內已發布的大模型中，參數規模達到千億及以上的廠商僅為10個左右。此外在美國最新一輪的封鎖制裁下，國產化替代方案的需求更加迫切。但在很長一段時間內，芯片與算力仍會是國產人工智能大模型與ChatGPT之間一道巨大的鴻溝。
2022年，我國人工智能產業規模達到5,080億元；2023年，我國人工智能產業規模約達到5,452億元。
我們預計，2024年我國人工智能產業規模將達到5,874億元，未來五年（2024-2028）年均復合增長率約為6.30%，2028年將達到7,500億元。
數據來源：中投產業研究院
產業投資與產業發展服務一體化解決方案專家。掃一掃立即關注。
多維度的產業研究和分析，把握未來發展機會。掃碼關注，獲取前沿行業報告。
