人工智能的技术演进与趋势
1.1AI技术的演进历程
AI技术演进已经历四个阶段，如今正向全AI能力覆盖方面演进
人工智能从出现到现在已经历四个阶段，第一个阶段的AI是以逻辑推理为主，AI能力以聚焦决策和认知为主；第二个阶段的AI则是注重以概率统计的建模、学习和计算为主，AI能力开始聚焦感知、认知和决策；第三个阶段的AI聚焦学习环节，注重大模型的建设，AI能力覆盖学习和执行；第四个阶段则聚焦执行与社会协作环节，开始注重人机交互协作，注重人类对人工智能的反馈训练，当下正处于此阶段。
短期的未来，AI会携带多种能力走向千行百业；长期的未来，仍有很多待解问题，比如：是否会产生情感？
1.2 AI技术宏观演进趋势：合久必分、分久必合
从混沌到分科再到归一，呈现多模态多学科融合归一趋势
纵观人工智能技术发展的70年历程，AI技术宏观趋势呈现出由混沌唯一走向分化，然后再走向归一的趋势。
在人工智能发展的前30年，人工智能技术是出于一个混沌状态，并未形成完整的学科和研究领域，从80年代末开始逐步分化形成五大研究领域，但随着技术的发展，从2013年开始各大学科又开始逐步融合，未来将实现多模态融合和多学科融合归一的趋势。
1.2 AI技术宏观演进趋势：范式变迁
当下数据、算力、范式一路向“大”，未来不一定
人工智能研究构架在1987-2020年之间的主导逻辑是大数据、小算力、专用决策范式。GPT-3的出现改变了这一切，让大数据、大算力和通用范式成为典型模式。
值得关注：未来人工智能研究的认知构架是否会往大数据、小算力、通用小范式方向转变？
1.2 AI技术宏观演进趋势：大模型一定越大越好吗？
Yes and No：AI预训练模型规模呈指数级速度增长，未来或将触达规模法则上限
AI预训练模型参数规模呈现指数级速度增长，未来仍面临规模法则
规模法则
• 圣塔菲研究所前所长Geoffrey West在科普书《规模》中揭示了规模法则（scaling law）。在West眼中，有一种不变的标准可以衡量看似毫无关联的世间万物——无论是生物体的体重与寿命，还是互联网的增长与链接，甚至是企业的生长与衰败，都遵循规模法则。规模法则关心复杂系统的特性如何随着系统大小变化而变化。
• 以规模法则的视角看待ChatGPT背后的大模型，一个自然问题是：模型一定是越大越好吗？如果数据量足够大、算力足够充沛，是否AI的效果会持续上扬？
• 面对这个问题，业界多方的答案是Yes and No：
- 持Yes观点人认为，现在的“大”仍不足够大
- 持No观点人认为，大模型虽好，但其性能有一个上限，虽然这个上限尚不明确
1.2 AI技术宏观演进趋势：通用人工智能
七大AI能力的融合正在推动AI逼近人工智能的重要目标之一：通用人工智能
通用人工智慧（Artificial General Intelligence）或强人工智慧（Strong AI）是具备与人类同等智慧、或超越人类的人工智慧，能表现正常人类所具有的所有智能行为。
通用人工智能是人工智能的重要目标之一，但不一定是AI的终极目标。例如，某些研究人员认为，人工智能的终极目标应该是创造具有意识和主观体验的人工智能系统，而不仅仅是模拟人类的认知和行为。因此，人工智能的终极目标可能会随着科技和人类认知的发展而不断改变和进化。
• 决策式AI是基于规则、知识或经验，通过对输入数据进行分析和推理，从而做出决策或推荐的人工智能系统。这种AI通常用于专业领域，例如医学、金融、法律等，其目的是为了支持决策过程和提高决策效率。
• 生成式AI是基于机器学习或深度学习等技术，从大量数据中学习并生成新的数据或内容的人工智能系统。这种AI通常用于自然语言处理、图像处理、音频处理等领域，其目的是为了生成高质量的内容和实现自动化创作。
• 通用型AI是指具有类似人类智能的广泛能力的人工智能系统，可以像人类一样进行感知、推理、学习、决策、规划等多种任务，能够在不同的领域和情境中灵活地应对和适应。这种AI是人工智能的终极目标之一，目前还没有实现。
• 三种人工智能系统之间存在重叠和互补。例如，在决策过程中，决策式AI可以提供基于规则和知识的决策支持，生成式AI可以提供基于数据的决策参考，通用型AI可以综合考虑多种因素做出更为智能的决策。
ChatGPT是一种通用性很强的大型语言模型，它被训练用于多种自然语言处理任务，例如文本生成、文本分类、语言翻译、问答等。
虽然ChatGPT在很多自然语言处理任务上表现出了惊人的能力和表现，但严格意义上讲，它并不是一个通用人工智能系统。
但由于其效果足够“像人”， ChatGPT成为很多人心中通用人工智能的雏形。
• ChatGPT属于生成式AI。
• ChatGPT是一种基于自然语言处理技术的生成式AI模型，能够生成类似于人类对话的文本输出。它使用了大规模的预训练语言模型，能够自动地从输入的文本中学习语言模式和上下文信息，然后基于这些信息生成新的文本。因此，它被广泛应用于对话系统、聊天机器人、智能客服等领域。
• 生成式AI又可称为AIGC（AI-Generated Content 人工智能生成内容）。
1.3 AIGC：集合三要素、发展三阶段
AIGC在当下的火热来自三要素逐步走向成熟，推动行业进入应用落地阶段
• AIGC的本质是内容与场景，其发展需要AI与后端基建，算法、算据和算力三要素耦合共振。
• AIGC的三大发展阶段是：
− 模型赋智阶段（从现实生成数字）：AIGC利用AI技术构建模拟现实世界的数字孪生模型；
− 认知交互阶段（从数字生成数字）：AI能够学习并创作更丰富的内容；
− 空间赋能阶段（从数字生成现实）：AIGC基于物联网，多模态技术获取多维信息，实现更加智能的人与机器互动。
1.4 AIGC技术架构体系
AIGC技术架构体系的变迁
在百度李彦宏发布的内部信中提到，人类进入人工智能时代，IT技术的技术栈发生了根本性的变化。过去基本分为三层：芯片层，操作系统层和应用层。现在可以分为四层：芯片层、框架层、模型层和应用层。
甲子光年智库认为当下的技术全栈仍然不能满足ChatGPT推动下的新一代人工智能浪潮，未来的AI技术全栈将呈现新的技术架构体系。
在大模型与应用层之间需要一个中间层：向下对接大模型能力，向上提供个性化服务
未来，基础大模型将会逐步走向统一，形成寡头格局，开发人员将基于这些基础模型研发AI应用。
大模型的商业模式是MaaS（Model as a Service）：某家公司/某主体/某联合体开发出一个大型语言模型，然后开放API供他人使用。
甲子光年智库认为，未来在基础模型和具体AI应用研发之间会形成中间层：出现一批专门负责调整大型模型以适应具体应用需求的初创企业。
AIGC技术架构分为算力层、平台层和算法层，算法层又分为基础、中间、应用三层
1.5 AIGC驱动力与制动力
三要素外，核心制约来自成本问题、数据质量问题、知识产权问题、能耗问题、安全问题
1.6 ChatGPT在AI技术演进历程中的地位
ChatGPT的出现代表AI技术的第三次范式升级：从大模型走向AGI
1.7 ChatGPT vs Bert
胜负未分，但“先发优势”之于AI有着值得注意的重要性
1.8 来龙：ChatGPT如何演化而来？
“暴力美学”：超大规模及足够多样性的数据、超大规模的模型、充分的训练过程
ChatGPT背后的GPT系列体现了LLM应该往何处去的发展理念。
很多人开始相信，揭开AGI的真正钥匙正在于：超大规模及足够多样性的数据、超大规模的模型、充分的训练过程。这条道路看似朴素，却足以让AI表现出智能“涌现”的能力，未来也许会持续带来意想不到的惊喜和惊吓。这种思想简言之就是将“参数至上和数据至上”的思想发挥到极致，从细分技术“分而治之”到“大一统、端到端”，从理论洁癖走向暴力美学。
ChatGPT带来的变革趋势
2.1 深远意义：人类文明生产力跃迁
以ChatGPT为代表的AIGC工具的出现，标志着人类生产效率出现了第二次脑力效率飞跃
2.1 深远意义：互联网走出强弩之末
对传统内容生成模式的颠覆与重塑，解放内容生产者，让其有更多精力进行二次深加工
2.1 深远意义：人与内容的关系发生根本性变革
AIGC加速元宇宙世界的内容构建，推动人与内容关系发生根本性变革
2.2 AIGC的应用领域
多模态✖多场景，逐渐融入千行百业
2.3 AIGC的技术应用趋势
OpenAI的产品矩阵可以洞悉未来一些方向：多模态+安全
从OpenAI产品矩阵可以看出其已经布局文本、图片、语音等多模态产品，未来将逐步探索多模态的融合。
未来文本、图片、语音、代码等场景将逐步走向成熟，将助推技术向多模态融合发展。
多模态融合的五大方向路径
2.4 经典场景：数字人与营销数字化
AIGC的内容生成打通了营销数字化的最后一个环节
在营销数字化核心流程中，内容自动化生成环节在过去是缺失状态，因此无法构成闭环，但随着AIGC的应用，将助推营销数字化实现业务闭环。
营销数字化核心流程闭环
• 目标客户定位：通过客群分析实现目标客户识别；
• 客户需求分析：基于客户需求进行市场研判，培育线索智能分群；
• 个性方案设计：基于分群进行个性化方案设计，设置自动化营销流程；
• 内容自动化生成：基于个性化方案自动生成营销物料内容；
• 全渠道营销推广：全渠道触达与互动，推送个性化方案和内容；
• 销售达成：客户意向预测与销售意向的达成；
• 营销复盘再推荐：事后的营销全场景可视化报表复盘与再推荐方案生成。
完整版报告，点击下方小程序查看
