2024年計(jì)算機(jī)行業(yè)復(fù)盤與未來推演：AI應(yīng)用-追本溯源之后-我們相信什么-

2024年計(jì)算機(jī)行業(yè)復(fù)盤與未來推演：AI應(yīng)用_追本溯源之后_我們相信什么_產(chǎn)業(yè)復(fù)盤：AI是技術(shù)驅(qū)動(dòng)的行業(yè)，正處于商業(yè)應(yīng)用關(guān)鍵期人工智能是賦予機(jī)器執(zhí)行人類行為和任務(wù)能力的學(xué)科，旨在讓機(jī)器模仿類似人類智力的復(fù)雜認(rèn)知能力，技術(shù)的進(jìn)步是推動(dòng)產(chǎn)業(yè)創(chuàng)新的核心力量。產(chǎn)業(yè)歷史復(fù)盤：人工智能經(jīng)歷了各類思想的涌現(xiàn)、對(duì)立與融合與其他技術(shù)發(fā)展的規(guī)律相似，AI技術(shù)的發(fā)展也是不斷融合已有的技術(shù)和思想后，加入新的創(chuàng)造并獲得新的突破?？v觀人工智能近百年的發(fā)展歷史，主流的觀點(diǎn)基本都來自于三大思想流派：符號(hào)主義（Symbolism）、連接主義（Connectionism）和行為主義（Actionism）。針對(duì)感官信息在人類記憶中的存儲(chǔ)方式和“智能”的產(chǎn)生方式，各學(xué)派的觀點(diǎn)也不同：符號(hào)主義認(rèn)為，智能源于數(shù)理邏輯，人類的思維過程可以使用符號(hào)系統(tǒng)和規(guī)則進(jìn)行表示；連接主義認(rèn)為，感官的刺激并不存儲(chǔ)在記憶中,而是在神經(jīng)網(wǎng)絡(luò)中建立起“刺激-響應(yīng)”的連接,通過這種連接產(chǎn)生了智能行為。因此智能是一種基于符號(hào)的邏輯和計(jì)算活動(dòng)，靠知識(shí)和規(guī)則進(jìn)行決策。行為主義認(rèn)為，智能是具身化和情境化的，會(huì)在與真實(shí)環(huán)境的交互作用中表現(xiàn)出來，而不是依賴于預(yù)先設(shè)定的知識(shí)和目標(biāo)。歷史中符號(hào)主義和連接主義曾輪流占據(jù)行業(yè)主流。從連接主義與符號(hào)主義被引用的出版物數(shù)量對(duì)比可以看出，兩者曾經(jīng)輪番引領(lǐng)行業(yè)的發(fā)展方向。符號(hào)主義的強(qiáng)項(xiàng)在于其能夠進(jìn)行知識(shí)表示和邏輯推理，可解釋性更強(qiáng)；而連接主義特別擅長(zhǎng)于處理大規(guī)模數(shù)據(jù)和模式識(shí)別問題。而行為主義適用于處理強(qiáng)化學(xué)習(xí)，對(duì)于神經(jīng)網(wǎng)絡(luò)參數(shù)的誤差傳遞問題和機(jī)器學(xué)習(xí)中的數(shù)值計(jì)算問題也有更好表現(xiàn)。當(dāng)下越來越多的研究致力于將符號(hào)主義和連接主義結(jié)合起來，以期望克服各自的局限性，改善AI在部分下游任務(wù)中的表現(xiàn)。如將語(yǔ)言模型與知識(shí)圖譜（KnowledgeGraphs）結(jié)合，或在生成階段使用RAG（RetrievalAugmentedGeneration，檢索增強(qiáng)生成）方法查詢外部數(shù)據(jù)源等。應(yīng)用落地始終是橫亙?cè)谛袠I(yè)前的難題復(fù)盤歷史，我們發(fā)現(xiàn)AI落地應(yīng)用才是行業(yè)能夠維持繁榮的關(guān)鍵。如今人工智能的主流方法論（神經(jīng)網(wǎng)絡(luò)等）誕生的時(shí)間很早，但由于硬件性能所限，這類算法設(shè)想難以落地應(yīng)用，隨之而來的就是整個(gè)行業(yè)的資金枯竭，研究也進(jìn)入沉寂期。而在數(shù)年或數(shù)十年之后，隨著軟硬件技術(shù)的進(jìn)步，這些設(shè)想可能再次獲得創(chuàng)新與發(fā)展，表現(xiàn)出新的生命力，再次引領(lǐng)行業(yè)的熱潮。AI第一次繁榮與寒冬：自1958年人工智能編程語(yǔ)言LISP被開發(fā)出來之后，人工智能行業(yè)就進(jìn)入了一次發(fā)展的繁榮期。然而在1950s-1960s年代，大量資金和支持被投入到機(jī)器翻譯的研究中，但應(yīng)用進(jìn)展卻不順利。1966年美國(guó)政府率先大幅削減了對(duì)人工智能研究的投入資金，行業(yè)進(jìn)入了第一次寒冬。AI第二次繁榮與寒冬：1980年代，隨著更多的數(shù)據(jù)能夠輸入進(jìn)計(jì)算機(jī)中，符號(hào)主義的專家系統(tǒng)引領(lǐng)了第二次的人工智能產(chǎn)業(yè)繁榮。專家系統(tǒng)在財(cái)務(wù)規(guī)劃、醫(yī)療診斷、地質(zhì)勘探和微電子電路設(shè)計(jì)等領(lǐng)域都能夠發(fā)揮一定作用。然而專家系統(tǒng)能力依舊有限且構(gòu)建極為復(fù)雜，始終無(wú)法真正落地應(yīng)用。1984年，約翰·麥卡錫批評(píng)專家系統(tǒng)，認(rèn)為它們?nèi)鄙賹?duì)自身局限性的常識(shí)和知識(shí)。1987年至1989年，DARPAISTO主任Schwarz認(rèn)為人工智能研究“在特定領(lǐng)域取得的成功非常有限”。隨后人工智能研究的資金也快速減少，大量人工智能公司在此期間破產(chǎn)，行業(yè)進(jìn)入了第二次寒冬。從歷史中可以發(fā)現(xiàn)，AI的兩次行業(yè)寒冬都是因?yàn)橛布蛙浖夹g(shù)有所限制，受制于特定領(lǐng)域、特定模型和特定任務(wù)的限制，通用性不強(qiáng)，技術(shù)沒能突破應(yīng)用奇點(diǎn)，行業(yè)投資資金枯竭，最終進(jìn)入了低谷期。因此，應(yīng)用商業(yè)落地的關(guān)注是跟蹤本行業(yè)的重點(diǎn)。AI的第三次繁榮：自從2012年AlexNet為代表的深度學(xué)習(xí)爆發(fā)后，AI產(chǎn)業(yè)迎來了第三次繁榮時(shí)期。隨著AlphaGo戰(zhàn)勝圍棋世界冠軍李世石和柯潔，深度學(xué)習(xí)也迎來了巨大的關(guān)注。2022年10月，隨著人工智能對(duì)話應(yīng)用ChatGPT的發(fā)布，生成式人工智能GenAI（GenerativeAI）迎來了爆發(fā)期。支撐ChatGPT的基礎(chǔ)模型GPT-3早在2020年就被創(chuàng)造出來，但只有當(dāng)ChatGPT這個(gè)對(duì)話產(chǎn)品走入大眾視野中，生成式、通用的人工智能才成為了產(chǎn)業(yè)關(guān)注的焦點(diǎn)。本次的技術(shù)突破首先來自算法架構(gòu)的優(yōu)化，Transformer突破了文本長(zhǎng)距離依賴性的難題，以此為架構(gòu)的生成式NLP神經(jīng)網(wǎng)絡(luò)模型才能夠大幅擴(kuò)充規(guī)模和訓(xùn)練集。隨后OpenAI又投入了大量算力資源擴(kuò)充模型的訓(xùn)練集和參數(shù)規(guī)模，使大模型表現(xiàn)出涌現(xiàn)性并大幅提升泛化能力。自此，生成式人工智能也真正開始擁有了通用性，我們正處于從ANI（窄域人工智能）走向AGI（通用人工智能）時(shí)代的開端。行業(yè)規(guī)模將超千億，AIGC應(yīng)用空間將迎爆發(fā)期人工智能行業(yè)處于快速增長(zhǎng)期，直接支出規(guī)模將超千億。IDC預(yù)測(cè)2027年中國(guó)AI投資規(guī)模有望達(dá)到381億美元，在全球占比約9%。與生成式AI相關(guān)的AIGC（AIGeneratedContent）市場(chǎng)也將迎來高速爆發(fā)期。隨著基礎(chǔ)持續(xù)突破、行業(yè)生態(tài)逐漸完善和商業(yè)模式成熟，2030年AIGC市場(chǎng)規(guī)模有望超萬(wàn)億。AI應(yīng)用目前尚處于紅海時(shí)期，商業(yè)模式仍在探索中，競(jìng)爭(zhēng)格局較為分散。從底層基礎(chǔ)設(shè)施、基礎(chǔ)模型和衍生的服務(wù)、應(yīng)用等領(lǐng)域的競(jìng)爭(zhēng)處于早期階段。未來展望：應(yīng)用將走向AIAgent終極形態(tài)，AIOS將成系統(tǒng)基礎(chǔ)AI的定義中始終包含智能體的概念A(yù)gent是一種軟件程序，旨在與其環(huán)境交互，感知接收到的數(shù)據(jù)，并根據(jù)該數(shù)據(jù)采取行動(dòng)以實(shí)現(xiàn)特定目標(biāo)。通俗理解，即能夠與環(huán)境（軟件或硬件）產(chǎn)生交互行動(dòng)（Actions）的智能應(yīng)用。在人工智能的歷史上，“智能”的概念很早就已經(jīng)擴(kuò)展到了智能體Agent的范疇。1950年，由艾倫·圖靈提出的圖靈測(cè)試（TuringTest）被設(shè)計(jì)成一種思維實(shí)驗(yàn)，如果人類提問者無(wú)法分辨書面回答是來自人類還是計(jì)算機(jī)，那就證明通過了測(cè)試。這類計(jì)算機(jī)需要具備多種能力：自然語(yǔ)言處理（NaturalLanguageProcessing），以使用人類的語(yǔ)言進(jìn)行交流；知識(shí)表示（KnowledgeRepresentation），以存儲(chǔ)它所知道的內(nèi)容；自動(dòng)推理（AutomatedReasoning），以回答問題并得出新的結(jié)論；機(jī)器學(xué)習(xí)（MachineLearning），以適應(yīng)新的環(huán)境并檢測(cè)和推斷模式；1989年，Harnad又進(jìn)一步提出完全圖靈測(cè)試（TotalTuringTest），在原始圖靈測(cè)試的基礎(chǔ)上增加了視覺、聽覺等其他維度的測(cè)試，只有感知、認(rèn)知能力全部達(dá)到了人的標(biāo)準(zhǔn)才算是通過圖靈測(cè)試。在這樣的要求下，計(jì)算機(jī)需要與真實(shí)世界中的對(duì)象和人進(jìn)行交互，還需要擁有更多能力：計(jì)算機(jī)視覺（ComputerVision）和語(yǔ)音識(shí)別功能，用以感知世界；機(jī)器人學(xué)（Robotics），以操縱對(duì)象并與真實(shí)世界產(chǎn)生交互。Agent正在一步步走向現(xiàn)實(shí)。隨著人工智能技術(shù)的發(fā)展，通過CV和語(yǔ)音識(shí)別進(jìn)行人機(jī)交互已經(jīng)成為了現(xiàn)實(shí)，將人工智能與機(jī)器學(xué)結(jié)合將成為未來應(yīng)用發(fā)展的核心趨勢(shì)。當(dāng)下語(yǔ)音、圖像、視頻等模態(tài)信息處理技術(shù)都產(chǎn)生了突破，未來也將為智能系統(tǒng)帶來更多信息輸入，推進(jìn)其從感知智能到認(rèn)知智能的升級(jí)，并最終將能力賦能給應(yīng)用。從LLM到Agent，還需要經(jīng)歷什么？根據(jù)自主能力的不同，基于LLM的Agent的形態(tài)將會(huì)經(jīng)歷完全輔助、部分自主、完全自主的過程。基于大語(yǔ)言模型的AgentAI由三部分組成：大腦（Brain）、感知（Perception）和行動(dòng)（Action）。大腦：如同人類一樣，大腦是Agent的核心。它不僅存儲(chǔ)關(guān)鍵的記憶、信息和知識(shí)，而且還承擔(dān)著信息處理、決策、推理和計(jì)劃等基本任務(wù)。感知：能夠?qū)⒅黧w的感知空間從純文本空間擴(kuò)展到多模態(tài)空間，包括文本、聲音、視覺、觸覺、嗅覺等。這種擴(kuò)展使代理能夠更好地感知來自外部環(huán)境的信息。行動(dòng)：使智能體擁有文本輸出、采取具體行動(dòng)、使用工具的能力，以便其更好地響應(yīng)環(huán)境變化，提供反饋，甚至改變和塑造環(huán)境。Agent最終將走向具身智能，向機(jī)器人等實(shí)體形態(tài)發(fā)展。LLMAgent內(nèi)核的決策能力將擴(kuò)展為具體的行動(dòng)，并通過機(jī)器人等實(shí)體與現(xiàn)實(shí)物理世界產(chǎn)生反應(yīng)與交互。2024年1月，GoogleDeepMind和Stanford共同發(fā)布了機(jī)器人MobileALOHA。這個(gè)機(jī)器人能夠直接從真實(shí)演示中執(zhí)行端到端模仿學(xué)習(xí)，能夠執(zhí)行烹飪等家務(wù)技能。通過采用基于Transformer的行動(dòng)組塊（ActionChunkingwithTransformers）的學(xué)習(xí)算法，能夠較好地完成對(duì)人類動(dòng)作的模仿學(xué)習(xí)。AIOS：重構(gòu)軟件與創(chuàng)造智能體的關(guān)鍵一步我們發(fā)現(xiàn)，AI同時(shí)具有軟件和硬件性質(zhì)：它不僅是一個(gè)運(yùn)行在算力設(shè)備上的軟件，也能夠承擔(dān)計(jì)算功能。軟件的特點(diǎn)：無(wú)限復(fù)制，其成本絕大部分在前期研發(fā)費(fèi)用，后續(xù)使用的邊際成本極低。硬件的特點(diǎn)：短期看訓(xùn)練、推理與算力基礎(chǔ)設(shè)施深度綁定。從更長(zhǎng)遠(yuǎn)的角度看，AI本身就扮演著基礎(chǔ)設(shè)施的角色。因此看待AI發(fā)展時(shí)，我們不僅應(yīng)當(dāng)從軟件本身的視角來思考，也要從其硬件的特性考量。當(dāng)AI與基礎(chǔ)軟件深度耦合，未來的AI本身可能已經(jīng)成為了計(jì)算機(jī)的組成部分，必將對(duì)計(jì)算機(jī)的各層次架構(gòu)產(chǎn)生深遠(yuǎn)的影響：大型語(yǔ)言模型的引入大大提升了開發(fā)的效率，降低了開發(fā)的門檻，也將開始改變現(xiàn)有的操作系統(tǒng)、架構(gòu)、乃至編程語(yǔ)言。AI對(duì)基礎(chǔ)軟件操作系統(tǒng)的重構(gòu)將可能改變軟件應(yīng)用的底層生態(tài)。與傳統(tǒng)的OS架構(gòu)不同，未來的操作系統(tǒng)可能成為大語(yǔ)言模型為核心的AIOS。用戶與Agent應(yīng)用和操作系統(tǒng)的交互以自然語(yǔ)言的prompt形式進(jìn)行，LLM則會(huì)調(diào)用工具API完成相應(yīng)的響應(yīng)和操作。AIAgent的軟件應(yīng)用：目前依舊是LLM結(jié)合簡(jiǎn)單API操作軟件目前的AIAgent軟件應(yīng)用還是基于LLM自身的特性，通過調(diào)用傳統(tǒng)應(yīng)用軟件的API來完成操作與交互行為的。AutoGPT是通過接入OpenAI基礎(chǔ)模型實(shí)現(xiàn)AgentAI的代表性產(chǎn)品。它最初是發(fā)布于Github上的一個(gè)開源項(xiàng)目。用戶可以通過自然語(yǔ)言提出任務(wù)需求，AutoGPT則可將這一計(jì)劃拆分為若干個(gè)子任務(wù)，并能夠操作使用互聯(lián)網(wǎng)或其他工具完成這些任務(wù)。AdeptAI通過構(gòu)建多模態(tài)架構(gòu)實(shí)現(xiàn)視覺（如UI）識(shí)別，賦能辦公流程。AdeptAI成立于2022年1月，是一個(gè)構(gòu)建通用人工智能的機(jī)器學(xué)習(xí)研究和產(chǎn)品實(shí)驗(yàn)室，公司的目標(biāo)是訓(xùn)練模型來使用世界上的每一種軟件工具和API。對(duì)于知識(shí)工作者而言，合格的Agent助理應(yīng)當(dāng)可以訪問屏幕上可見的內(nèi)容，而這些數(shù)據(jù)和信息通常是以圖像形式呈現(xiàn)的。同時(shí)操作軟件時(shí)用戶需要點(diǎn)擊按鈕或滾動(dòng)瀏覽菜單，但許多業(yè)務(wù)相關(guān)軟件沒有API或API不完整。因此AdeptAI設(shè)計(jì)了Fuyu-8B的多模態(tài)架構(gòu)，通過有效識(shí)別屏幕上的UI來控制軟件。AIAgent的硬件應(yīng)用：首先與現(xiàn)有終端結(jié)合，等待成熟硬件產(chǎn)品誕生當(dāng)AI推理的載體不再是大規(guī)模的云端服務(wù)器，而是邊緣側(cè)的硬件計(jì)算設(shè)備時(shí)，應(yīng)用的形態(tài)將不再是單純的軟件，而是表現(xiàn)為與硬件深度結(jié)合的基礎(chǔ)軟件+部分應(yīng)用功能。端側(cè)硬件需要更加成熟，能夠支撐起更強(qiáng)大基礎(chǔ)模型的推理功能。作為端側(cè)“大腦”的邊緣模型也能夠擁有足夠的能力和通用性。與現(xiàn)有終端結(jié)合是Agent走向端側(cè)應(yīng)用的重要場(chǎng)景。通過與手機(jī)、電腦等終端設(shè)備結(jié)合，AI將會(huì)走入普通人的生活，承擔(dān)起“個(gè)人助理”的角色。以高通、華為海思為代表的芯片廠商也紛紛布局手機(jī)AI芯片。以AIPin為代表的可穿戴設(shè)備能夠更好運(yùn)用AI原生能力，更加接近個(gè)人助理的形態(tài)。其使用的操作系統(tǒng)名Cosmos，能夠按用戶需調(diào)用各種功能，提供純粹的AI體驗(yàn)。AIPin也獲得了OpenAI的技術(shù)支持，搭載了基于GPT-4開發(fā)的專有語(yǔ)言模型，能夠幫助用戶梳理來自于郵件、短信等不同渠道的信息并總結(jié)要點(diǎn)，以及支持實(shí)時(shí)翻譯功能。智能汽車的端到端智能可能成為高階智能駕駛新的突破方向。汽車作為成熟的端側(cè)機(jī)器人產(chǎn)品，搭載BEV+Transformer路線已經(jīng)實(shí)現(xiàn)了智能駕駛能力的飛躍。主流的自動(dòng)駕駛系統(tǒng)包括感知、定位、預(yù)測(cè)、決策、規(guī)劃和控制六大核心功能。端到端自動(dòng)駕駛系統(tǒng)將系統(tǒng)視作一個(gè)黑箱，將所有模塊神經(jīng)網(wǎng)絡(luò)化，訓(xùn)練一個(gè)或者多個(gè)神經(jīng)網(wǎng)絡(luò)，得到從感知結(jié)果到控制命令的直接映射。這種方式能夠?qū)Q策算法從規(guī)則驅(qū)動(dòng)轉(zhuǎn)向數(shù)據(jù)驅(qū)動(dòng)，有望解決困擾自動(dòng)駕駛領(lǐng)域的長(zhǎng)尾問題。2023年8月，特斯拉FSDBetaV12測(cè)試版作為首個(gè)端到端AI自動(dòng)駕駛系統(tǒng)問世。在駕駛時(shí)僅依靠車載攝像頭和神經(jīng)網(wǎng)絡(luò)識(shí)別道路和交通情況，并做出相應(yīng)決策。經(jīng)過數(shù)百萬(wàn)個(gè)視頻剪輯的訓(xùn)練，取代了超過30萬(wàn)行顯式的C++代碼。從測(cè)試表現(xiàn)看，搭載了FSDBetaV12自動(dòng)駕駛系統(tǒng)的車輛能夠應(yīng)對(duì)各類駕駛場(chǎng)景，并體現(xiàn)出強(qiáng)大的泛化能力。過程推演：六個(gè)角度找尋應(yīng)用層演進(jìn)中的確定性模型角度：基礎(chǔ)模型是應(yīng)用的根本，垂類模型、端側(cè)模型加速應(yīng)用過程應(yīng)用產(chǎn)品的爆發(fā)一定是在技術(shù)水平突破到一定程度上時(shí)產(chǎn)生的，本質(zhì)是用戶對(duì)于產(chǎn)品力的認(rèn)可。本次ChatGPT產(chǎn)品背后175B版本模型是2020年誕生的，InstructGPT也是2021年誕生的。但是并沒有引起如此廣泛的關(guān)注。應(yīng)用的“爆點(diǎn)”常常晚于技術(shù)的“爆點(diǎn)”。基于GenAI的爆款應(yīng)用或許已經(jīng)不遠(yuǎn)。遵循Scalinglaw的規(guī)律提升基礎(chǔ)模型的能力是確定性最高的方向。Scalinglaw可以類比為AI領(lǐng)域的“摩爾定律”，投入更多算力、獲得更強(qiáng)模型的經(jīng)驗(yàn)規(guī)律依舊指引著基礎(chǔ)模型發(fā)展的方向。除擴(kuò)大訓(xùn)練和模型規(guī)模的途徑，MoE等架構(gòu)也能大幅提升模型的可用性。MoE混合專家模型架構(gòu)就能夠大大提升模型的“寬度”而非“深度”，大大降低推理時(shí)的算力消耗，降低應(yīng)用門檻。行業(yè)垂類模型的開發(fā)也能夠加速行業(yè)應(yīng)用的落地。通過在特定的領(lǐng)域或行業(yè)中經(jīng)過訓(xùn)練和優(yōu)化，垂類模型更專注于某個(gè)特定領(lǐng)域的知識(shí)和技能，具備更高的領(lǐng)域?qū)I(yè)性和實(shí)用性，加速行業(yè)應(yīng)用落地。數(shù)據(jù)角度：貼近上游（數(shù)據(jù)）的公司更為受益，數(shù)據(jù)是規(guī)模效應(yīng)的體現(xiàn)人工智能正在經(jīng)歷模型為中心向數(shù)據(jù)為中心的范式轉(zhuǎn)變。以模型為中心的AI（Model-CentricAI）：更關(guān)注選擇模型類型、架構(gòu)及超參數(shù)等方面，通過改進(jìn)模型來提升AI的表現(xiàn)效果。但隨著相關(guān)理論的成熟，模型在固定數(shù)據(jù)集上的表現(xiàn)逐漸趨于穩(wěn)定，而針對(duì)復(fù)雜世界中的真實(shí)數(shù)據(jù)集，改進(jìn)模型對(duì)提升表現(xiàn)的幫助也并不大。以數(shù)據(jù)為中心的AI（Data-CentricAI）：更關(guān)注數(shù)據(jù)的系統(tǒng)設(shè)計(jì)和工程化，通過改進(jìn)數(shù)據(jù)集來提升AI的表現(xiàn)效果。實(shí)際這種AI常常保持模型固定，通過提高數(shù)據(jù)的質(zhì)量和數(shù)量來實(shí)現(xiàn)性能的提高。對(duì)于機(jī)器學(xué)習(xí)而言，通過下游任務(wù)的表現(xiàn)可以很容易對(duì)數(shù)據(jù)集質(zhì)量進(jìn)行量化評(píng)估，有利于提升模型表現(xiàn)的可解釋性。雖然以GPT為代表的Transformer架構(gòu)模型已經(jīng)成為了當(dāng)下的主流，但針對(duì)模型的創(chuàng)新仍在繼續(xù)。以模型為中心和以數(shù)據(jù)為中心的范式將相互推動(dòng)，共同提升模型的效果。長(zhǎng)遠(yuǎn)看，高質(zhì)量的數(shù)據(jù)資源將形成“數(shù)據(jù)飛輪”效應(yīng)，逐漸構(gòu)成人工智能應(yīng)用的核心競(jìng)爭(zhēng)力?！帮w輪效應(yīng)”，是指想推動(dòng)靜止的飛輪轉(zhuǎn)起來，開始需要耗費(fèi)較大力氣，但當(dāng)轉(zhuǎn)速到達(dá)臨界點(diǎn)，只需稍微用力，飛輪就可加速轉(zhuǎn)動(dòng)。對(duì)于AI公司而言，通過高質(zhì)量的獨(dú)家數(shù)據(jù)能夠訓(xùn)練出表現(xiàn)更佳的AI模型，通過模型的應(yīng)用又能獲得更多高質(zhì)量的數(shù)據(jù)，形成良性循環(huán)。合成數(shù)據(jù)作為增強(qiáng)數(shù)據(jù)的方法，未來應(yīng)用將會(huì)更加廣泛。自動(dòng)駕駛、醫(yī)療等領(lǐng)域應(yīng)用層公司有望大規(guī)模采用合成數(shù)據(jù)，加速產(chǎn)品商業(yè)化應(yīng)用。如今數(shù)據(jù)集的質(zhì)量對(duì)模型的表現(xiàn)起到越來越大的決定因素，但對(duì)于很多問題，現(xiàn)實(shí)世界中收集到的數(shù)據(jù)不能滿足模型的訓(xùn)練需求，很多數(shù)據(jù)甚至無(wú)法在現(xiàn)實(shí)中搜集。對(duì)此類問題，采用合成數(shù)據(jù)是有效的解決方法。合成數(shù)據(jù)（syntheticdata）就是通過計(jì)算機(jī)技術(shù)生成的數(shù)據(jù)，而不是由真實(shí)事件產(chǎn)生的數(shù)據(jù)。這些合成數(shù)據(jù)具備“可用性”，能夠在數(shù)學(xué)上或統(tǒng)計(jì)學(xué)上反映原始數(shù)據(jù)的屬性，因此可以用來訓(xùn)練、測(cè)試并驗(yàn)證模型。使用恰當(dāng)合成數(shù)據(jù)訓(xùn)練的模型效果可以大幅提升。OpenAI的DALL·E3和Sora模型就使用了合成數(shù)據(jù)的方法，大幅提升了訓(xùn)練數(shù)據(jù)質(zhì)量并改善了模型表現(xiàn)。通過分別訓(xùn)練簡(jiǎn)短和詳盡的文本生成器，生成了前代模型訓(xùn)練集中對(duì)圖像的文本描述，并用來訓(xùn)練新版本的模型。這種方式取得了極大的模型效果提升。自動(dòng)駕駛領(lǐng)域廣泛運(yùn)用合成數(shù)據(jù)。自動(dòng)駕駛面臨很多長(zhǎng)尾（LongTail）場(chǎng)景。這些場(chǎng)景的發(fā)生的概率非常低，自動(dòng)駕駛算法無(wú)法對(duì)其進(jìn)行有效的識(shí)別和決策，一旦發(fā)生對(duì)駕駛安全會(huì)產(chǎn)生非常大的威脅。因此在現(xiàn)實(shí)中收集長(zhǎng)尾場(chǎng)景對(duì)模型進(jìn)行訓(xùn)練是不安全且不現(xiàn)實(shí)的。通過運(yùn)用模擬器合成數(shù)據(jù)，可以改善算法在長(zhǎng)尾問題中的表現(xiàn)。首先對(duì)現(xiàn)有模型進(jìn)行評(píng)估，再使用模擬器模擬算法失效的案例，并使用ML算法合成類似場(chǎng)景的圖片加入訓(xùn)練集再次訓(xùn)練。如此反復(fù)后，算法應(yīng)對(duì)類似場(chǎng)景的能力將能夠顯著提升。用戶角度：B端關(guān)注替代/提效等功能場(chǎng)景，C端關(guān)注產(chǎn)品力B端客戶關(guān)注能夠直接帶來效率提升和人力成本替代的應(yīng)用。對(duì)于B端客戶而言，短期看直接帶來提效和人力成本替代的應(yīng)用是最有效的場(chǎng)景，長(zhǎng)期看能夠直接幫助企業(yè)創(chuàng)收的應(yīng)用會(huì)擁有更多發(fā)展空間。降本邏輯：能夠直接增加辦公效率或提升業(yè)務(wù)運(yùn)轉(zhuǎn)效率（如辦公軟件）；能夠替代人力成本（如智能客服）；創(chuàng)收邏輯：能夠直接成為或構(gòu)建業(yè)務(wù)和產(chǎn)品的一部分，從而為企業(yè)直接創(chuàng)造收入（售賣AI產(chǎn)品的公司）；B端可以關(guān)注以Microsoft365Copilot等代表產(chǎn)品的商業(yè)化落地節(jié)奏。Microsoft365Copilot的定價(jià)為$30每月，且需要企業(yè)用戶在Microsoft365E3、E5或Office365E3、E5訂閱計(jì)劃的基礎(chǔ)上進(jìn)行訂閱選擇。即使是針對(duì)相對(duì)昂貴的Microsoft365方案，Copilot的訂閱價(jià)格漲幅也分別達(dá)到了83%和79%。C端應(yīng)用短期用戶是技術(shù)愛好者，長(zhǎng)期還需有顛覆性產(chǎn)品力。C端需要基于創(chuàng)造性和顛覆性的場(chǎng)景，應(yīng)用本身的產(chǎn)品力需要足夠強(qiáng)大且受眾足夠廣泛。C端應(yīng)用規(guī)律可能更類似與互聯(lián)網(wǎng)時(shí)代，產(chǎn)品力需要足夠強(qiáng)大。以引發(fā)用戶關(guān)注的Pika為例，僅僅是AI原生的視頻生成效果就形成了強(qiáng)大的傳播效應(yīng)。模態(tài)角度：多模態(tài)是必然趨勢(shì)，垂類模型促進(jìn)應(yīng)用深度學(xué)習(xí)逐漸向多模態(tài)學(xué)習(xí)邁進(jìn)，針對(duì)多模態(tài)的應(yīng)用也處在早期開發(fā)階段。通用的AIAgent需要和真實(shí)世界交互，處理感知數(shù)據(jù)是必然需要的能力。從模型本身的發(fā)展角度看，單一模態(tài)的數(shù)據(jù)量是有限的。在獲取一定數(shù)據(jù)量之后，僅僅是引入代碼數(shù)據(jù)就能讓NLP模型的數(shù)學(xué)能力大幅提升一樣，多模態(tài)的數(shù)據(jù)也可能為單一模態(tài)任務(wù)帶來大量的提升。最重要的是，作為模態(tài)融合的基礎(chǔ)，語(yǔ)言模型的能力已經(jīng)達(dá)到了可用的程度，可以作為不同模態(tài)數(shù)據(jù)表示對(duì)齊的媒介。如OpenAI將GPT-4與DALL·E整合的方式就是先根據(jù)用戶的提示使用GPT-4撰寫更詳細(xì)的提示，再調(diào)用DALL·E生成用戶所需的圖片內(nèi)容。2023年12月，Google發(fā)布的Gemini模型就是原生多模態(tài)大模型。其輸入能夠支持文本、語(yǔ)音、圖片和視頻，并且能夠輸出文本和圖片。2024年2月，OpenAI發(fā)布了視頻生成大模型Sora。OpenAI通過將Transformer架構(gòu)與DiffusionModel的訓(xùn)練思想相結(jié)合，利用強(qiáng)大的算力、工程能力以及GPT和DALL·E模型技術(shù)積累訓(xùn)練出了Sora，視頻生成領(lǐng)域也擁有了類比“GPT時(shí)刻”的通用基礎(chǔ)模型。隨著OpenAI將這種具有開創(chuàng)性的技術(shù)路徑走通，國(guó)內(nèi)模型和應(yīng)用廠商有望快速迭代出類Sora的視頻生成模型和應(yīng)用產(chǎn)品。多模態(tài)應(yīng)用與LLM應(yīng)用類似，也將從原生應(yīng)用出發(fā)，逐漸發(fā)展為更成熟可用的產(chǎn)品。從商業(yè)化應(yīng)用節(jié)奏看，和文本結(jié)合的多模態(tài)任務(wù)落地節(jié)奏會(huì)更快，文生圖任務(wù)已經(jīng)逐漸達(dá)到了商用標(biāo)準(zhǔn)，文生視頻也在快速突破中。Adobe推出的AdobeFirefly是產(chǎn)品與多模態(tài)AI結(jié)合的代表性產(chǎn)品。Adobe擁有成熟的圖片、視頻等編輯產(chǎn)品，通過將AI的生成能力嵌入Photoshop等產(chǎn)品，可以幫助用戶更好地完成對(duì)圖片的二次創(chuàng)作。在大模型遷移學(xué)習(xí)能力不足的背景下，垂類模型是增強(qiáng)“專才”能力的最有效途徑。未來看，通用的超級(jí)應(yīng)用最有可能誕生在通用的多模態(tài)LLM背景之下。工程角度：系統(tǒng)將走向AI原生，GPTs標(biāo)示應(yīng)用開發(fā)的新方式AI可能與系統(tǒng)深度耦合，軟件應(yīng)用將走向AI原生。現(xiàn)階段的大模型能夠幫助程序員提升效率，但依舊很難直接構(gòu)建出可用的AI應(yīng)用。未來的人工智能可能會(huì)先成為系統(tǒng)的部分組件，以增添或替換的方式與系統(tǒng)進(jìn)行耦合。未來的軟件系統(tǒng)可能會(huì)完全基于AI原生，系統(tǒng)內(nèi)的所有組件都能夠使用AI能力。未來的軟件將走向人工智能原生架構(gòu)，并最終發(fā)展為整個(gè)的智能。隨著AI技術(shù)的進(jìn)步，在成本效益分析允許的情況下，應(yīng)該能夠在每個(gè)合適的場(chǎng)景使用AI。當(dāng)下AI/ML模型被部署在特定的層次和領(lǐng)域內(nèi)，隨著演進(jìn)的過程AI/ML模型開始跨領(lǐng)域部署，模型開始在不同的層次間共享和交流數(shù)據(jù)；未來模型生命周期管理跨領(lǐng)域?qū)嵤@意味著AI/ML模型及其管理變得更加集成和協(xié)調(diào)，數(shù)據(jù)驅(qū)動(dòng)的基礎(chǔ)設(shè)施將會(huì)貫穿整個(gè)架構(gòu)，無(wú)論是跨層次還是跨領(lǐng)域，都可以靈活地共享數(shù)據(jù)和資源，實(shí)現(xiàn)智能化的優(yōu)化和決策。AGI將徹底改變?nèi)藱C(jī)交互的模式，也將改變基礎(chǔ)軟件的范式。正如比爾蓋茨預(yù)測(cè)的那樣，AGI將顛覆軟件行業(yè)，帶來自鍵入命令到點(diǎn)擊圖標(biāo)以來最大的計(jì)算革命。微軟已經(jīng)將Copilot功能集成在了Windows操作系統(tǒng)中，用戶可以以自然語(yǔ)言對(duì)話的方式控制系統(tǒng)。以操作系統(tǒng)為代表的基礎(chǔ)軟件將與AI深度耦合。OpenAI推出的GPTs是AI原生應(yīng)用的一次嘗試，支持完全無(wú)代碼開發(fā)方式。2023年11月，OpenAI舉辦了首屆開發(fā)者大會(huì)。會(huì)上OpenAI發(fā)布了自定義功能GPTs，并搭配了GPTBuilder工具用于協(xié)助用戶完成自定義功能。用戶無(wú)需掌握代碼寫法，只要結(jié)合指令、外部知識(shí)庫(kù)和能力，就能夠創(chuàng)建自定義版本的ChatGPT。用戶還可以通過向GPT提供ZapierAPI來定制化自己的Action。這種方式顛覆了傳統(tǒng)的app開發(fā)流程：產(chǎn)品經(jīng)理分析用戶需求之后，與開發(fā)人員溝通，以專業(yè)編寫代碼的方式實(shí)現(xiàn)功能并進(jìn)行多輪測(cè)試之后上線。應(yīng)用的開發(fā)過程可能需要很長(zhǎng)時(shí)間，也難以實(shí)現(xiàn)針對(duì)不同C端用戶需求的定制化開發(fā)。而GPTs的開發(fā)過程則是零門檻、由用戶完成的過程。用戶只需要與GPTBuilder進(jìn)行對(duì)話，就能夠根據(jù)需要生成屬于自己的GPTs。這個(gè)操作的過程可能只需要幾分鐘的時(shí)間。LLM直接承擔(dān)了產(chǎn)品經(jīng)理與開發(fā)者的角色，運(yùn)用強(qiáng)大的自然語(yǔ)言處理能力與泛化能力直接完成了整個(gè)開發(fā)流程。GPTs的能力高度依從于基礎(chǔ)模型的能力，且只能完成用戶比較簡(jiǎn)單的需求，很難代替?zhèn)鹘y(tǒng)的軟件開發(fā)過程。但隨著模型能力的提升，這種定制化的邊界也將有巨大的擴(kuò)充潛力，這也將是產(chǎn)品化與定制化這一矛盾最有希望的解法。GPTStore為代表的AI原生應(yīng)用商店可能構(gòu)建出新的平臺(tái)生態(tài)。在開發(fā)者大會(huì)上，OpenAI還推出了自己的“APPStore”——GPTStore。用戶可以選擇將自己的GPTs上傳，OpenAI會(huì)根據(jù)訪問次數(shù)等因素對(duì)GPTs進(jìn)行排序，并開放給其他用戶使用。未來GPTs的創(chuàng)造者也可以根據(jù)訪問量收取一定費(fèi)用。這是OpenAI建立自己平臺(tái)生態(tài)與商業(yè)模式的一次嘗試，不管是否能夠成功，都將能夠獲得之前無(wú)法獲得的私域數(shù)據(jù)（在默認(rèn)情況下這些數(shù)據(jù)可以用于模型訓(xùn)練）。這些又將加入其“數(shù)據(jù)飛輪”中的一部分。即使最終無(wú)法變現(xiàn)，也能繼續(xù)提升基礎(chǔ)模型能力。安全角度：涌現(xiàn)的大模型需要更多約束，安全必定伴生應(yīng)用存在安全問題主要涉及AI本身的安全性（內(nèi)生安全問題）以及對(duì)于AI使用過程中的數(shù)據(jù)安全、網(wǎng)絡(luò)安全（衍生安全問題）的監(jiān)管。針對(duì)內(nèi)生安全問題，OpenAI正在研究通過AI監(jiān)督AI的方式來保證未來超級(jí)人工智能的安全性。OpenAI在未來四年內(nèi)將使用20%的計(jì)算資源在解決超級(jí)對(duì)齊（Superalignment）問題，用以引導(dǎo)和控制可能比人類聰明得多的人工智能系統(tǒng)。除此之外，可解釋性的相關(guān)研究還需要近一步突破，這是解決人工智能應(yīng)用安全的核心理論。Anthropic通過建立憲法人工智能（ConstitutionalAI，CAI）模型的方式對(duì)AI進(jìn)行約束。除傳統(tǒng)的RLHF方式之外，Anthropic通過制定一系列的“憲法條款”來約束AI的行為。這些憲法借鑒了一系列來源，包括聯(lián)合國(guó)人權(quán)宣言、信任和安全最佳實(shí)踐、以及其他人工智能研究實(shí)驗(yàn)室提出的原則（例如來自DeepMind的SparrowPrinciple）。Anthropic也對(duì)憲法的內(nèi)容進(jìn)行了一次公開的投票征集。參與者可以對(duì)現(xiàn)有規(guī)則（規(guī)范原則）進(jìn)行投票，也可以添加自己的規(guī)則。大多數(shù)聲明都達(dá)成了高度共識(shí)。未來隨著AI能力持續(xù)提升，這種基于“憲法”的對(duì)齊可能會(huì)更加高效。Anthropic參照ASL系統(tǒng)在預(yù)防災(zāi)難性風(fēng)險(xiǎn)和提升模型能力之間進(jìn)行取舍。在2023年9月發(fā)布的RSP安全條款中，Anthropic定義了一個(gè)名為AI安全級(jí)別(ASL)的框架。如果他們的AI系統(tǒng)超出了遵守必要安全程序的能力，Anthropic可能會(huì)暫時(shí)暫停訓(xùn)練更強(qiáng)大的模型，并努力解決必要的安全問題。通過這種評(píng)級(jí)也能夠在產(chǎn)品投放市場(chǎng)之前嚴(yán)格證明其安全性。大模型的數(shù)據(jù)安全和網(wǎng)絡(luò)安全監(jiān)管同樣重要。對(duì)企業(yè)而言應(yīng)用LLM是會(huì)帶來全新的安全挑戰(zhàn)，由云計(jì)算平臺(tái)或基礎(chǔ)模型公司推出的安全服務(wù)或?qū)⒏軞g迎。Sora等模型的發(fā)布也讓深度偽造（Deepfakes）問題成為了關(guān)注的焦點(diǎn)。這種技術(shù)能將視頻中的臉孔替換成別人的臉孔，甚至創(chuàng)造出虛假的場(chǎng)景。當(dāng)前有專家強(qiáng)調(diào)，實(shí)施有針對(duì)性的防御措施至關(guān)重要，這可能包括為人工智能生成的內(nèi)容打上獨(dú)特的標(biāo)識(shí)符或“水印”，以便準(zhǔn)確追蹤信息源頭，及時(shí)遏制虛假信息的傳播。AI+哪些行業(yè)更領(lǐng)先？從場(chǎng)景看應(yīng)用成長(zhǎng)性此前幾部分我們從技術(shù)的角度推斷發(fā)展，是為了抓住行業(yè)長(zhǎng)期演進(jìn)的脈絡(luò)；本章我們將從已經(jīng)較為成熟的落地場(chǎng)景出發(fā)，選取具有代表性的賽道進(jìn)行分析，提煉出較快運(yùn)用AI能力的行業(yè)具備的共性，以發(fā)現(xiàn)更多的前瞻性投資機(jī)會(huì)。賽道特點(diǎn)：足夠適合原生AI能力，大模型能帶來較大提效AI+智能客服：最廣泛的應(yīng)用場(chǎng)景，可賦能幾乎所有行業(yè)響應(yīng)高并發(fā)、個(gè)性化程度高、專業(yè)程度較低的提示是大語(yǔ)言模型最擅長(zhǎng)的場(chǎng)景。對(duì)話式的客服場(chǎng)景如果使用人工，成本會(huì)十分龐大。但其涉及的知識(shí)庫(kù)是有限的，使用GenAI就能很好地替代客服的服務(wù)。GPT-4V等多模態(tài)大模型能夠賦能保險(xiǎn)機(jī)構(gòu)，輔助保險(xiǎn)理賠場(chǎng)景。GPT4V可以準(zhǔn)確識(shí)別和評(píng)估車輛受損程度，并且識(shí)別損壞以及圖像中描繪的車輛特定信息，如品牌、型號(hào)、牌照和其他相關(guān)細(xì)節(jié)。保險(xiǎn)公司有望在未來實(shí)現(xiàn)保險(xiǎn)報(bào)告自動(dòng)化生成。AI智能催收幫助銀行等金融機(jī)構(gòu)貸后管理能力。AI催收可代替人工外呼與真人直接對(duì)話，很大程度上解決了人工坐席不足、非上班時(shí)間外呼人員缺乏和重復(fù)外呼的問題。相比人工催收，AI也能夠始終使用禮貌用語(yǔ)，有效規(guī)避了與欠債人的沖突。AI+工業(yè)：工業(yè)質(zhì)檢/智能礦山，視覺大模型的有效應(yīng)用場(chǎng)景AI能夠輔助工業(yè)質(zhì)檢，有效替代制造業(yè)人工。傳統(tǒng)人工質(zhì)檢效率較低，且如今制造企業(yè)普遍面臨招工困難、人員培訓(xùn)成本高、人工流失率高、質(zhì)檢不夠精準(zhǔn)等問題。AI能夠代替人工完成該部分工作：典型應(yīng)用場(chǎng)景包括3C零部件缺陷檢測(cè)、汽車零部件缺陷檢測(cè)、鋼鐵外表面缺陷檢測(cè)等。IDC預(yù)計(jì)2022-2026年中國(guó)工業(yè)AI質(zhì)檢復(fù)合增速為33%，到2026年工業(yè)AI質(zhì)檢整體市場(chǎng)將達(dá)到13.35億美元。封閉場(chǎng)景如礦山可運(yùn)用CV大模型能力大幅提升效率和安全性。如云鼎科技聯(lián)合華為盤古大模型發(fā)布了礦山行業(yè)大模型，在采煤、掘進(jìn)、主運(yùn)等多個(gè)場(chǎng)景提供AI能力，且模型可以復(fù)制到其他礦井使用。AI+低代碼開發(fā)：AI承擔(dān)代碼工作，最大限度減少人力成本GenAI在代碼生成領(lǐng)域有較好的表現(xiàn)，與工具平臺(tái)結(jié)合能夠?qū)崿F(xiàn)低代碼開發(fā)過程。微軟在PowerPlatform服務(wù)中集成了AICopilot能力，應(yīng)用包括低代碼工具PowerApps，無(wú)代碼的數(shù)據(jù)可視化工具PowerBI，以及工作流自動(dòng)化平臺(tái)PowerAutomate等。用戶也可以通過在Office365中調(diào)用API實(shí)現(xiàn)應(yīng)用。前瞻性應(yīng)用：現(xiàn)有技術(shù)進(jìn)入瓶頸，結(jié)合AI能力尋找新突破AIforScience：對(duì)AI和Science的雙向賦能AIforScience即科學(xué)智能，指通過使用AI技術(shù)輔助科學(xué)研究，以解決復(fù)雜科學(xué)問題的方式。實(shí)際上運(yùn)用AI承擔(dān)處理數(shù)據(jù)等工作已經(jīng)非常普遍，先前也誕生過很多針對(duì)特定問題的AI模型。大語(yǔ)言模型的應(yīng)用為AIforScience領(lǐng)域提供了新的思路和方向。LLMs使得知識(shí)的提取和綜合變得高效、便捷，能夠大大降低新學(xué)者進(jìn)入研究領(lǐng)域的門檻；LLMs也可以加速并改進(jìn)知識(shí)貢獻(xiàn)的過程，幫助研究人員快速檢索和閱讀論文等。科學(xué)發(fā)現(xiàn)的過程中常常遵循兩種范式，AI應(yīng)用都能夠?yàn)槠涮峁┘映?。模型?qū)動(dòng)的牛頓范式是基于第一性原理的研究方法。這種方法通過提出抽象模型來對(duì)物理世界進(jìn)行概括。但隨著原理越來越復(fù)雜，我們開始面臨維度災(zāi)難問題?！熬S度災(zāi)難”是指在某些問題的求解中，隨著維數(shù)的增加，計(jì)算代價(jià)會(huì)呈指數(shù)增長(zhǎng)，基于特定原理創(chuàng)造的模型方程可能無(wú)法求解。AI可以幫助科學(xué)家提取現(xiàn)實(shí)信息，從而實(shí)現(xiàn)對(duì)問題的多維度建模。數(shù)據(jù)驅(qū)動(dòng)的開普勒范式是通過分析數(shù)據(jù)提取統(tǒng)計(jì)學(xué)規(guī)律的研究方法。但隨著數(shù)據(jù)規(guī)模不斷擴(kuò)大，依舊可能面臨維度災(zāi)難問題。AI可以提供一種高效的數(shù)據(jù)處理方法，為科研提供有力的輔助作用。對(duì)于LLM本身而言，想從“智能”走向“智慧”，學(xué)習(xí)大量科學(xué)知識(shí)是非常有效的方法?？蒲姓撐谋旧砭褪欠浅８哔|(zhì)量的語(yǔ)料，其大量富有邏輯和知識(shí)性的內(nèi)容能夠幫助大模型提升效果?？茖W(xué)原理本身也能夠?yàn)锳I帶來新的思路和啟發(fā)。人工智能從誕生以來就是一門交叉學(xué)科，與數(shù)學(xué)、哲學(xué)、心理學(xué)、語(yǔ)言學(xué)、統(tǒng)計(jì)學(xué)、神經(jīng)科學(xué)、機(jī)器人學(xué)等學(xué)科均有所交叉。其中很多原理也能指導(dǎo)人工智能算法或思想的進(jìn)步：如目前文生圖領(lǐng)域的基礎(chǔ)擴(kuò)散模型就是基于熱力學(xué)定律的原理創(chuàng)造出的；而泊松流模型（PFGM）也是基于靜電學(xué)現(xiàn)象得出的。AI+半導(dǎo)體：AI輔助微觀建模，全方位助力芯片產(chǎn)業(yè)突破隨著半導(dǎo)體制程的不斷縮小，摩爾定律面臨越來越大的挑戰(zhàn)。三星和臺(tái)積電等頭部芯片企業(yè)在研發(fā)先進(jìn)制程時(shí)已經(jīng)遇到微觀尺度的建模瓶頸，靠傳統(tǒng)DFT軟件在效率和精度上難以兼顧。AI能夠在材料制造領(lǐng)域提供高精度建模能力，較好模擬微觀結(jié)構(gòu)；在芯片設(shè)計(jì)領(lǐng)域可以輔助電路設(shè)計(jì)；在先進(jìn)制程與工藝提升方面可以為反應(yīng)過程提供原子尺度的模擬，對(duì)更高尺度模型進(jìn)行耦合等。AI+分子生物：AI蛋白質(zhì)折疊預(yù)測(cè)有望帶來制藥領(lǐng)域新突破以AlphaFold數(shù)據(jù)庫(kù)為代表的AI+分子生物學(xué)領(lǐng)域取得了極大突破。AlphaFold是DeepMind開源的人工智能系統(tǒng)，借助它可以更準(zhǔn)確地預(yù)測(cè)蛋白質(zhì)的形狀。目前已經(jīng)有超過2億種開源蛋白質(zhì)預(yù)測(cè)結(jié)構(gòu)。由于大多數(shù)藥物通過與蛋白質(zhì)上的不同位點(diǎn)結(jié)合起作用，AlphaFold可以預(yù)測(cè)科學(xué)家以前并不了解的蛋白質(zhì)結(jié)構(gòu)，制藥公司將可以借助AI發(fā)現(xiàn)更多可能有效的藥物分子，減少試錯(cuò)成本。AI+氣象：大幅提升氣象預(yù)測(cè)精度，預(yù)測(cè)颶風(fēng)位置AI能夠解決傳統(tǒng)數(shù)值天氣預(yù)報(bào)(NWP)系統(tǒng)無(wú)法兼顧準(zhǔn)確性與時(shí)效性的問題。由于NWP計(jì)算量巨大，啟動(dòng)時(shí)間都要超過2小時(shí)，因此難以滿足“降水臨近預(yù)報(bào)”的要求。2022年華為發(fā)布的盤古氣象大模型運(yùn)用AI技術(shù)，在1小時(shí)至7天預(yù)報(bào)精度首次超過了歐洲中期預(yù)報(bào)中心的傳統(tǒng)數(shù)值預(yù)測(cè)系統(tǒng)，預(yù)測(cè)速度也提升了上萬(wàn)倍。各領(lǐng)域AI應(yīng)用上市公司梳理B端應(yīng)用：產(chǎn)品特性由下游行業(yè)定義，關(guān)注對(duì)標(biāo)廠商產(chǎn)品化節(jié)奏對(duì)于B端應(yīng)用而言，下游客戶的場(chǎng)景和需求始終是最重要的的，AI應(yīng)用場(chǎng)景也聚焦在為下游客戶實(shí)際賦能的效應(yīng)之上。對(duì)于部分場(chǎng)景已經(jīng)有海外更成熟的對(duì)標(biāo)產(chǎn)品，需要著重關(guān)注海外的商業(yè)化拐點(diǎn)；對(duì)于尚無(wú)對(duì)標(biāo)應(yīng)用的場(chǎng)景，則需要回歸到具體商業(yè)模式上，關(guān)注實(shí)際的產(chǎn)品力與下游客戶的意愿。金山辦公：對(duì)標(biāo)Copilot推出WPSAI，辦公軟件應(yīng)用核心標(biāo)的WPSAI是國(guó)內(nèi)唯一直接對(duì)標(biāo)Microsoft365Copilot的產(chǎn)品。2023年7月6日金山辦公正式推出WPSAI，隨后2023年11月16日開啟了公測(cè)。目前WPSAI能夠在WPS系列辦公軟件中使用，為用戶提供文本生成、PPT生成等功能。MicrosoftCopilot已經(jīng)展現(xiàn)出了訂閱人數(shù)和ARPU值的雙升。WPSAI作為相應(yīng)對(duì)標(biāo)產(chǎn)品，發(fā)展空間廣闊。中科創(chuàng)達(dá)：以操作系統(tǒng)能力為基，端側(cè)機(jī)器人的前瞻布局者中科創(chuàng)達(dá)自2008年成立以來，一直以操作系統(tǒng)為核心不斷進(jìn)行技術(shù)積累與創(chuàng)新，業(yè)務(wù)領(lǐng)域也從最初的智能終端逐步拓展到智能汽車、智能物聯(lián)網(wǎng)、智能行業(yè)等領(lǐng)域。如今AI將逐漸對(duì)操作系統(tǒng)帶來重構(gòu)，中科創(chuàng)達(dá)也將持續(xù)為下游用戶提供操作系統(tǒng)及端側(cè)AI的部署能力。自研魔方系列大模型，布局端側(cè)機(jī)器人等場(chǎng)景。中科創(chuàng)達(dá)通過將魔方大語(yǔ)言模型部署在TurboX智能模組上，能夠?qū)⑷祟惖恼Z(yǔ)音指令轉(zhuǎn)換成文字，進(jìn)行意圖理解，規(guī)劃出任務(wù)并進(jìn)行拆分，輸出給機(jī)器人的執(zhí)行器去執(zhí)行。中科創(chuàng)達(dá)同樣為機(jī)器人提供開發(fā)解決方案，加速端側(cè)產(chǎn)品迭代?；诟咄ㄆ脚_(tái)，提供了不同算力的核心模組（SOM），配套的操作系統(tǒng)、開發(fā)工具包和服務(wù)，適用于工業(yè)、服務(wù)、消費(fèi)產(chǎn)品等領(lǐng)域的機(jī)器人產(chǎn)品需求。焦點(diǎn)科技：AI助手麥可賦能B2B外貿(mào)行業(yè)焦點(diǎn)結(jié)合傳統(tǒng)中國(guó)制造網(wǎng)業(yè)務(wù)，推出面向外貿(mào)企業(yè)的專屬AI助手麥可。經(jīng)過多輪升級(jí)，AI麥可已具備多維產(chǎn)品服務(wù)能力，可以通過智能產(chǎn)品發(fā)布（智能撰寫產(chǎn)品信息、批量智能發(fā)品、智能產(chǎn)品潤(rùn)色、重復(fù)產(chǎn)品檢查調(diào)整）、內(nèi)容智能生成、AI輔助商機(jī)跟進(jìn)（AI接待、買家智能畫像、翻譯與自動(dòng)回復(fù)、新客分析與開發(fā)信撰寫）、AI輔助拓客（行業(yè)情報(bào)、智能拓客、行業(yè)掃描儀、商機(jī)線索管理）等能力實(shí)現(xiàn)外貿(mào)全流程覆蓋。截至2023年12月31日，購(gòu)買AI麥可的會(huì)員數(shù)約4000位（不含試用體驗(yàn)包客戶），現(xiàn)金回款超過2000萬(wàn)元。鼎捷軟件：AI+雅典娜中臺(tái)，助力企業(yè)數(shù)字化轉(zhuǎn)型鼎捷打造了數(shù)據(jù)驅(qū)動(dòng)的數(shù)智化PaaS平臺(tái)雅典娜中臺(tái)。以數(shù)據(jù)驅(qū)動(dòng)和知識(shí)封裝為核心思維，鼎捷雅典娜PaaS平臺(tái)包含封裝了行業(yè)管理機(jī)制的知識(shí)圖譜，并搭配數(shù)據(jù)驅(qū)動(dòng)模塊，實(shí)時(shí)偵測(cè)企業(yè)關(guān)鍵數(shù)據(jù)的變化；在數(shù)據(jù)發(fā)生變化后，依據(jù)機(jī)制里規(guī)范的執(zhí)行方式，協(xié)助客戶響應(yīng)動(dòng)作。通過與基礎(chǔ)模型廠商的合作，打造ChatFile等PLM功能。2023年10月，鼎捷發(fā)布了新一代業(yè)內(nèi)首款融入AI技術(shù)的智能化PLM（產(chǎn)品生命周期管理系統(tǒng)），基于雅典娜的數(shù)智化能力，接入OpenAPI，集成ChatFile了應(yīng)用場(chǎng)景，能夠提升信息獲取和企業(yè)運(yùn)轉(zhuǎn)的整體效率。C端應(yīng)用：百花齊放，關(guān)注AI對(duì)產(chǎn)品力的提升和賦能C端應(yīng)用百花齊放，應(yīng)當(dāng)更加關(guān)注AI對(duì)產(chǎn)品力帶來的提升。歷史上C端的超級(jí)應(yīng)用一定都是在產(chǎn)品力上具有革命性，受眾足夠廣泛且足夠便宜的應(yīng)用。當(dāng)下AI時(shí)代雖然還沒有誕生真正的超級(jí)應(yīng)用，但隨著開發(fā)者的不斷探索，超級(jí)應(yīng)用的到來時(shí)刻可能已經(jīng)不遠(yuǎn)。萬(wàn)興科技：多產(chǎn)品線引入AI功能，“天幕”大模型全線賦能通過將AI能力引入核心產(chǎn)品萬(wàn)興喵影，萬(wàn)興有望對(duì)標(biāo)AdobeFirefly的商業(yè)模式提升產(chǎn)品力。萬(wàn)興喵影2024的更新中上線了AI文字快剪、智能人聲分離、AI智能遮罩、AI智能補(bǔ)幀等編輯功能。2024年1月，萬(wàn)興科技發(fā)布了音視頻多媒體大模型“天幕”。“天幕”由視頻大模型、音頻大模型、圖片大模型、語(yǔ)言大模型組成，基于15億用戶行為