人工智能，源于一篇繞口令式的科技論文《神經活動中內在思想的邏輯演算》、源于赫赫有名的“圖靈測試”、源于20世紀50年代具備長遠眼光的科技先賢們一次“不經意”的討論。
人工智能，起始于對人類自身理解的深入挖掘，對人的意識、思維的信息過程的模擬。今時今日，人工智能不再是科幻電影中無法觸及的概念，它已成為家喻戶曉的“現實”，在減輕人類的體力負擔和腦力負擔方面已漸漸顯示出優勢，比如在極端天氣預測等層面顯露頭角。
隨著深度學習，大模型等關鍵技術的深入發展，以Chat-GPT爆發為新起點，人工智能將快速邁入下一個“未知”的階段。
【資料圖】
一、人工智能：工具屬性與思維能力的深度融合
人工智能從標準的定義來講，可參考《人工智能標準化白皮書（2018）》中所提。人工智能是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。
在大多人的眼中，人工智能是一位非常給力的助手，工具，可以實現處理工作過程的自動化，提升工作效率，比如執行與人類智能有關的智能行為，如判斷、推理、證明、識別、感知、理解、通信、設計、思考、規劃、學習和問題求解等思維活動。
但與之其工具屬性，能力屬性相比，人工智能更為重要的是一種思維，是用來描述模仿人類與其他人類思維相關聯的“認知”功能的機器，如“學習”和“解決問題”。
人工智能產業在20世紀50年代提出后，限于當時的技術能力，多限于理論知識的討論，而真正開始爆發還是自2012年的AlexNet模型問世。
1.人工智能1.0時代（2012年-2018年）
人工智能概念于1956年被提出，AI產業的第一輪爆發源自2012年，2012年AlexNet模型問世開啟了CNN在圖像識別的應用，2015年機器識別圖像的準確率首次超過人（錯誤率低于4%），開啟了計算機視覺技術在各行各業的應用，帶動了人工智能1.0時代的創新周期，AI+開始賦能各行各業，帶動效率提升。但是，人工智能1.0時代面臨著模型碎片化，AI泛化能力不足等問題。
2.人工智能2.0時代（2017年-至今）
2017年Google Brain團隊提出Transformer架構，奠定了大模型領域的主流算法基礎，從2018年開始大模型迅速流行，2018年谷歌團隊的模型參數首次過億，到2022年模型參數達到5400億，模型參數呈現指數級增長，“預訓練+微調”的大模型有效解決了1.0時代AI泛化能力不足的問題。新一代AI技術有望開始全新一輪的技術創新周期。
天眼查數據顯示，截至目前，人工智能相關企業近267.4萬余家，其中，2023年一季度新增注冊企業17萬余家，與2022年同期相比，上漲6.8%；
從地域分布來看，廣東以39.9萬余家位列區域首位；江蘇、北京分列二、三位，分別擁有22.4萬余家以及21.8萬余家；
從成立時間來看，53.6%的相關企業成立于1-5年內，成立于1年以內的相關企業占比27.7%；
另據天眼查不完全統計，人工智能產業自2023年1月以來，融資事件合計發生143起，融資金額超800億元。
二、數據、算法、算力：人工智能的“三駕馬車”
1.數據：“巧婦難為無米之炊”
人工智能的快速發展推動數據規模不斷提升。據IDC測算,2025年全球數據規模將達到 163ZB，其中80%-90%是非結構化數據。數據服務進入深度定制化的階段，百度、阿里巴巴、京東等公司根據不同場景和需求推出數據定制的服務；企業需求的數據集從通用簡單場景向個性化復雜場景過渡，例如語音識別數據集從普通話向小語種、方言等場景發展，智能對話數據集從簡答問答、控制等場景向應用場景、業務問答等方向發展。
各方積極探索建立高質量知識集，推動知識驅動的未來人工智能應用發展。知識集中包含語音、圖像、文本等傳統數據和定義、規則、邏輯關系等,是知識的數據化呈現,業界著名知識集有Wordnet、Hownet等。例如阿里巴巴聯合香港理工大學基于服裝設計知識開發FashionAI知識集，加速了AI在服裝設計產業落地應用。
2.算法（模型、軟件）：“困難”總比方法多
根據中國信通院《人工智能白皮書（2022年）》，超大規模預訓練模型持續推動技術升級，繼續朝著大規模、多模態方向發展。自2020年OpenAI推出GPT-3后，谷歌、華為、智源研究院、中科院、阿里巴巴等企業和研究機構也相繼發力，陸續推出超大規模預訓練模型，包括Switch Transformer、DALL·EMT-NLG、盤古、悟道2.0、紫東太初和M6等。當前，預訓練模型參數數量、訓練數據規模按照300倍/年的趨勢增長，增大模型和增加訓練數據仍是短期內演進方向；跨模態預訓練大模型逐漸普遍，如今已經能夠處理文本、圖像、語音三種模態數據，未來能夠使用更多類型數據的預訓練模型將會涌現。
輕量化深度學習技術顯著提升計算效率。復雜的深度學習模型需要耗費大量的存儲空間和計算資源，在端邊等資源受限的情況下難以應用。輕量化深度學習成為解決這一難題的重要技術，具備低內存和低計算量優勢，技術包括設計更加緊湊和高效的神經網絡結構、對大模型“裁剪”掉部分模型結構，以及對網絡參數進行量化從而減少計算量等。例如，緊湊模型的典型代表有谷歌提出的MobileNet和曠視提出ShufleNet等，百度推出的輕量化PaddleOCR模型規模減小至2.8Mb，在GitHub上開源后受到熱捧“生成式人工智能”技術不斷成熟，未來聽、說、讀、寫等能力將有機結合。目前，“生成式人工智能”技術被廣泛應用于智能寫作、語音導航、代碼生成、新聞播報、有聲閱讀、影像修復等領域，通過機器自動合成文本、視頻、圖像、語音等推動互聯網數字內容生產的變革。聽、說、讀、寫等能力的有機結合成為未來發展趨勢。例如央視、新華社、光明網等均推出了數字人主播。
據天眼查知識產權不完全統計，人工智能相關的專利申請自2023年1月以來，已有1610余項，其中，發明專利占比超過7成。
3.算力（硬件）：日行千里 事半功倍
人工智能算力應需求驅動不斷突破，訓練用和推斷用的芯片仍在加速發展。一方面在模型訓練階段，根據Open AI數據，模型計算量增長速度遠超人工智能硬件算力增長速度，存在萬倍差距。另一方面，由于推斷的泛在性，推斷用算力需求持續增長。與此同時，新的算力架構也在不斷探索中，類腦芯片、存內計算、量子計算等備受關注。
訓練芯片創新加速，推斷芯片朝著專用定制化發展。基于GPU的訓練芯片持續增多，面向GPU創新的企業開始發力，出現了摩爾線程、天數智芯、壁仞科技等一批專注GPU賽道的初創公司。基于ASIC等架構云端訓練芯片能力提升顯著，寒武紀的思元370、原科技的“邃思 2.0”以及百度的昆侖2等相對上一代產品均有3-4倍以上的算力提升。
專用定制的端側推理芯片百花齊放，面向手機應用的智能芯片成為亮點。2021年1月，聯發科推出了高端手機芯片 Dimensity 1200，可邊緣處理5G、AI和圖像數據等。8月，谷歌為其Pixel系列手機專門推出了首款智能手機芯片Tensor。類腦芯片、存內計算、量子計算等依舊是重點探索方向。類腦芯片、存內計算、量子計算等技術在理論層面可實現高算力、低功耗等優點，雖然取得了一些進展，但總體而言目前技術成熟度相對較低。
據天眼查投融資數據不完全統計，與GPU相關的融資事件合計發生98起，融資金額超280億元；其中，2023年融資事件合計發生3起，融資金額超4億元。
4.數據標注：人工智能背后“人工”的力量
人工智能，其實是部分替代人的認知功能。人工智能算法是數據驅動型算法，也就是說，如果想實現人工智能，首先需要把人類理解和判斷事物的能力教給計算機，讓計算機學習到這種識別能力。
類比機器學習，我們要教它認識一只貓，直接給它一張貓的圖片，它是完全不知道這是什么。我們得先有貓的圖片，上面標注著“貓”這個字，然后機器通過學習了大量的圖片中的特征，這時候再給機器任意一張貓的圖片，它就能認出來這是貓了。
所以目前人工智能需要標注大量數據，即對原始信息進行數據標注。數據標注是大部分人工智能算法得以有效運行的關鍵環節。數據標注是把需要機器識別和分辨的數據貼上標簽，然后讓計算機不斷地學習這些數據的特征，最終實現計算機能夠自主識別。這類工作量極大、過程極其枯燥且耗時的手動數據標記過程，已經成為AI經濟體系中的重要組成部分。
據天眼查知識產權不完全統計，與數據標注有關的專利申請，自2023年1月以來，已有34項，均屬于發明專利。
三、應用領域：從知識學習、到交通出行改變你我的生活
1.大模型
3月14日，Open AI正式發布多模態大模型GPT-4，迭代速度較快。創始人 Sam Altman 表示，GPT-4是迄今為止功能最強大、最一致的大型多模態模型，能夠接受圖像和文本輸入，在各種專業和學術基準上均表現出了人類水平。人工智能的發展已經進入了認知智能領域，文本智能、圖像智能、音頻智能、視頻智能以及多模態認知智能，將會逐步誕生，未來為了應對復雜和多變的應用場景，多模態智能的發展方向將成為必然。
2.自動駕駛
自動駕駛技術是一個涉及多個領域的復雜技術，人工智能技術是其中重要的一環。在自動駕駛中，人工智能主要負責實現自主決策和智能感知。其中，自主決策涉及到在各種不同的駕駛情境下，根據各種因素做出最佳的決策。這些因素包括道路情況、交通情況、天氣情況、行人和其他車輛的行動，以及其他各種因素。而智能感知則主要負責實現對周圍環境的感知，包括車輛和行人的位置、速度、方向等信息的獲取和分析，這些信息將為自動駕駛汽車用來做出最佳的決策和行動提供支持。
3.生命科學
人工智能不止在工程領域取得了了不起的建樹，在生命科學領域也有著不俗的戰績，比如：Alphafold。2022年，DeepMind公司與歐洲生物信息研究所的合作團隊公布了生物學領域的一項重大飛躍。他們利用人工智能（AI）系統AlphaFold預測出超過100萬個物種的2.14億個蛋白質結構，幾乎涵蓋了地球上所有已知蛋白質。這一突破將加速新藥開發，并為基礎科學帶來全新革命。預測蛋白質形狀的能力對科學家很有用，因為它對于了解其在體內的作用以及診斷和治療被認為由錯誤折疊的蛋白質引起的疾病至關重要，例如阿爾茨海默氏癥，帕金森氏癥，亨廷頓氏癥和囊性纖維化。
四、前景預測
1.政策層面：鼎力支持
人工智能是引領未來的新興戰略性技術，是驅動新一輪科技革命和產業變革的重要力量。
近年來，中國人工智能行業受到國家的高度重視和重點支持，國家推出多項政策，保障我國人工智能產業長期發展。
從數據要素層面來看，十四屆全國人大會議提出成立國家數據局、重組科學技術部等有力舉措。國家數據局的成立有望加速數據要素市場化。
從自主創新層面來看，重組科學技術部、健全新型舉國體制有利于推動我國科技自主創新發展。
2.應用層面：前景廣闊
AIGC領域目前呈現出的內容類型不斷豐富、內容質量不斷提升、技術的通用性和工業化水平越來越強等趨勢，這使得AIGC在消費互聯網領域日趨主流化，涌現了寫作助手、AI繪畫、對話機器人、數字人等爆款級應用，支撐著傳媒、電商、娛樂、影視等領域的內容需求。目前AIGC也正在向產業互聯網、社會價值領域擴張應用。
天眼查研究院認為，未來，人工智能是否會真正替代人的討論仍將持續。人工智能，是一場關于知識學習的革命，機器學習、深度學習、大模型等讓人望而卻步的概念不過是機器理解世界的范式。與其杞人憂天，擔心自己被機器所替代，不如與“機器”同行，學習它，掌握它，用好它，成為為我所用的工具。
