人工智能专题：2024年我国人工智能产业发展形势展望（附）

　　九游娱乐 中国官方网站当前全球和中国的人工智能产业均处于高速发展期。据IDC数据， 2022年全球人工智能IT总投资规模为1288亿美元，2023年全球人工智能IT 总投资规模预计将达到1540亿美元，同比增长19.6%。据工信部数据，截 至目前我国人工智能核心产业规模已达5000亿元，企业数量超过4400家。 据IT桔子数据统计，截至2023年11月21日，我国人工智能产业投融资金额 为2499亿元，投融资数量743件，预计全年同比增加63.8%。

　　2023年，未来产业创新任务揭榜挂帅工作稳步推进，揭榜任务涵盖元宇宙、人形机器人、脑机接口、通用人工智能4个重点赛道共计52个揭榜题目。揭榜挂帅聚焦核心基础、重点产品、公共支撑、示范应用等创 新任务，发掘培育一批掌握关键核心技术、具备较强创新能力的优势单位，突破一批标志性技术产品，加速新技术新产品落地应用。以大模型为代表的通用人工智能作为首批揭榜挂帅申报赛道，将进一步赋能未来产业的智能化发展，提升其他前沿领域的创新能力与生产效率。

　　展望2024年，通用人工智能各项任务的揭榜单位将按照要求，进一 步推动从基础研究、技术创新、产品研制到应用落地的产业化进程，通用人工智能与其他前沿领域的融合创新有望发挥关键作用，孕育催生未来产 业新模式、新业态，高水平赋能新型工业化，加快培育新质生产力。

　　2023年，全球主要国家已将人工智能科技人才培养作为提升国家竞争力的重点举措，国内各高校围绕核心技术、顶尖人才等方面强化部署，通用人工智能人才培养新机制构建步伐显著加快。展望2024年，我国人工智能人才培养体系将进一步完善。跨学科融合将人工智能基础课程分梯度融入其他专业传统课程体系当中，不同学科视角下探索融合应用是推动人工智能深度赋能产学研用生态体系的关键。同时，进一步强化人工智能伦理与法律教育，培养具备敏锐社会责任感的人工智能专业 人才是推动我国人工智能产业创新和社会发展的重要保障。

　　2023年，国产大模型一时间呈现出爆发式增长态势，仅2023年1-7 月，就有共计64个大模型发布。据不完全统计，截至今年11月，国产大 模型有188个，其中通用大模型27个，目前已有超20个大模型获得备案， 大多数已向全社会开放服务。基于2200家人工智能骨干企业的关系数 据量化分析表明，我国人工智能已广泛赋能智慧金融、智慧医疗、智能制造、智慧能源等19个应用领域。大模型正成为前沿领域研究的重要工 具，在新材料领域，我国已有科研团队将大模型MatChat大模型用于预测 无机材料的合成路径，在生物医学领域，百度智能云大模型可用于提高 药物研发效率和新药发现的准确性，在能源科学领域，由百度集团和国 网智能电网研究院共同开发的电力行业NLP大模型，可有效提升电力系统 的自动化和智能化水平。

　　一方面，人工智能模型变“大”需要攻克算力挑战与理论限制， 让模型变得更大并非单纯增加神经网络深度、堆叠人工神经元就可以实 现。以CNN、RNN等人工神经元为基础的模型需要采用串行结构，模型训 练过程需要顺序执行，无法充分利用所有计算资源。随着模型参数量提 升，训练时间呈指数型增长，收敛性也变得更加不可控，更难寻找全局 最优解。另一方面，人工智能大模型的训练成本包括GPU等算力芯片成 本、服务器成本、标准机柜成本、训练时长内的电力消耗费用、人力投 入费用等多方面。根据市场调研机构TtrendForce数据，ChatGPT每日处 理1300万独立访问量，需要3万多片NVIDIA A100 GPU以提供庞大的计算 和存储资源支持，初期投入高达8亿美元，1750亿参数的GPT-3的总训练 成本高达1200万美元。

　　人工智能产业当前处于快速成长期，其技术演变和经济社会影响具 有很多的不确定性。一方面，人工智能具有强大的创新力，有望发展成 为新的经济增长引擎，极大改善社会福祉。另一方面，人工智能带来的 伦理与安全、负外部性等问题也频频引发社会关注。如果政策过严、管 制过多，将在一定程度上阻碍我国人工智能产业发展进程，可能拉大我 与发达国家的差距，导致我国陷入被动和落后的局面；如果政策过松、 监管滞后，也可能导致人工智能“负作用”在经济社会各领域持续扩 散。因此，以何种力度、何种方式、在何种时机对人工智能进行合理规 制，是监管部门需要重点解决的难题。

　　一方面，人工智能对我国大多数传统行业的应用还处于小规模试 点，顶级制造业企业人工智能应用普及率与欧美相比有较大差距。根据 凯捷统计，欧洲顶级制造业企业人工智能应用普及率超过51%，美国顶级制造业企业人工智能应用率达到28%，我国相关指标尚有明显差距。另 一方面，大模型在重点应用领域缺乏典型应用案例。目前工业领域对大模型的初步探索性应用主要集中在设计辅助、质量预测、设备维护等方面，没有广泛落地或形成可复制的工业大模型。

　　一是同质化训练集会导致大模型同质化。当下国内众多大模型的训 练集一般为公开可获取的英文训练集，同质化现象较为突出。中文训练 集数据清洗和对齐缺乏高效处理办法且高质量内部数据难以获取，故中 文训练集占比较少且质量不高。若加入“军备竞赛”的大模型都使用同 质化英文训练集，将会导致绝大多数大模型成为效果不佳且浪费巨大资 源的淘汰产物。二是超高的训练成本和开发技术门槛决定了中小型企业 不宜投资此类项目。高质量训练语料和大规模人工标注成本决定了只有 大型机构或领军企业才具备相应大模型开发能力，成长型企业盲目跟风 将导致大量投资失败，出现过多泡沫。

　　海量/完整电子版/方式：公众号《人工智能学派》返回搜狐，查看更多