过去2年，我又进修了两个学历，一个是药学，一个是商业智能与大数据，有朋友说，你这里左手健康，右手科技。其实这也是我非常看重与关注的两个领域，大健康与人工智能。我相信我们即将迎来人类历史上最高速发展的一个世纪，这个世纪剩下的70来年，我们将迎来科技与生命的大变革，所以我大多数的业余时间以及投资方向，也聚焦在了这两个领域。今天与大家聊聊，在人工智能领域，我个人的一些思考与观察。
AI不仅仅是技术的革新，它更是我们理解世界、解决问题的新视角，我相信AI将会更加深刻地影响我们的工作和生活。自从2023年ChatGPT问世以来，人工智能领域的新纪元正式开启。众多企业纷纷投身AI领域，但真正实现盈利的商业模式却寥寥无几。核心问题在于缺乏突破性的超级应用和创新需求，未能在消费者市场引发爆炸性增长。
回顾互联网时代，集成电路技术为智能手机和个人电脑的发展奠定了基础；而在下半场，iPhone的出现彻底改变了传统手机和软件服务，引发了全球智能消费电子的热潮，成为历史上的标志性超级应用。如今，全球正翘首以待AI领域的超级应用，这将是大多数人的机遇所在。
AI超级应用主要分为三类：
1. 具身智能体路线：如自动驾驶汽车和人形机器人，它们拥有物理形态，能够感知环境、与人互动，并主动参与到现实世界中。
2. 超级AI软件：在办公辅助、图形设计、视频制作和教育等领域展现出巨大潜力。通过基于大型模型的定制化和升级，这些软件能够为各行各业赋予“超能力”。
3. AI消费电子：包括AI PC、AI手机、XR设备和脑机接口技术，它们不仅对传统设备进行AI赋能，还在新技术上创造新需求，与元宇宙等新兴领域相结合。
在拥抱这些超级应用的同时，我们也需要关注AI对社会的影响。AI能否“理解”人类的道德伦理？哪些数据构成了“基本”事实？哪些算法可以作为“公平”的衡量标准？大型模型基于现实世界的训练，因此AI也是社会的一面镜子。
这些问题需要我们进行更深入的探讨，并制定相应的技术规范来解决。
01
AI上半场，大模型和芯片大突破
▷ 人工智能的早期发展与大模型的兴起
人工智能的发展历程跨越了半个多世纪，从1955年达特茅斯会议提出AI概念开始，经历了统计语言模型、专家系统、神经网络、深度学习等多个发展阶段。
2019至2022年间，预训练模型如雨后春笋般涌现，而2023年ChatGPT的问世标志着全球人工智能的新纪元。科技巨头如谷歌、Meta、亚马逊、百度、阿里、腾讯纷纷加入这场竞赛，AI初创企业也如春笋般涌现，开启了大模型的“炼丹”时代。
大模型之所以与众不同，在于其“涌现”能力，即在模型规模和参数量达到一定程度后，模型的准确度会突然大幅提升，展现出类似人类的“思维方式”。例如，GPT-3、PaLM、LaMDA等模型在参数量达到百亿级别时，表现出了这种涌现现象。
▷ 芯片算力的飞跃与GPU的崛起
在AI的早期训练任务中，CPU是主要的算力来源，但效率相对较低。2012年10月，佛罗伦萨计算机视觉会议上，AlexNet仅用4颗英伟达GPU就击败了使用16000颗CPU的谷歌猫，成为“冠军算法”，这一事件震惊了AI界，GPU训练从此被广泛认可。AlexNet的主要研发者辛顿因其对人工神经网络的贡献，在2024年获得了诺贝尔物理学奖。
CPU擅长处理少量复杂逻辑运算，相当于计算机的“大脑”，而GPU则擅长处理大量简单相似的计算，用于图形处理，相当于“视觉神经”。由于AI模型需要进行大量的并行乘法和加法运算，GPU的优势更加明显。
AI的发展恰逢GPU迭代的“算力及时雨”，芯片需求急剧扩张，上游供应商成为最大的受益者。根据英伟达的数据，GPU性能在过去20年提升了1000万倍，到2023年底，英伟达的GPU产品已占据全球92%的数据中心市场份额。2024年第二季度，英伟达的营收达到300亿美元，同比增长122%，净利润达到166亿美元，同比上升168.24%。
AI企业将2024-25年视为关键的布局时期，英伟达加快了GPU的扩产步伐，以满足市场需求。谷歌在2024年对芯片、设备及资产的投入已增至约500亿美元，同比增幅超过50%。
为了布局2025年的AI赛道，Meta已向英伟达订购了价值约100亿美元的芯片；微软也在为2025年第一季度前为OpenAI配置5.5万至6.5万颗GB200芯片，总价值约30亿美元。
02
AI下半场，机遇就看AI超级应用
在人工智能的新阶段，真正的机遇在于AI超级应用的崛起。所谓超级应用，指的是那些能够：
1. 将尖端技术融入大众广泛接受的消费领域。例如，在硬件领域，苹果并非触控屏技术的首创者，但其设计师洞察了消费者的使用习惯，彻底改变了手机的使用方式，使得触控设备被广泛接受。在软件领域，谷歌和百度等搜索引擎的出现，在互联网初期直接输入网址的时代，极大地提高了上网的便捷性，扩展了互联网的潜在用途和探索边界。
2. 创造需求的引爆点，引发新增长和新应用的“链式反应”。智能手机的硬件革命就是一个例子，它将互联网时代的核心用户场景从个人电脑转移到了手机，引发了科技企业在软件开发上的竞争，推动了App应用的开拓和迭代，将个人生活需求与移动互联网深度融合。这不仅开辟了移动出行、电子商务等新领域，还创造了新的用户需求和消费趋势。
从领先AI公司的战略布局中，我们可以预见超级应用的发展方向。以大模型领域的领头羊OpenAI为例，公司目前正专注于解决盈利问题，将业务重点转移到扩大商业化场景上。
尽管模型的算力和训练成本高企，OpenAI尚未实现盈利。截至2023年底，ChatGPT拥有1.8亿用户和1亿付费月活用户，预计2024年的营收将达到50亿美元。尽管如此，管理层对于今年能否实现盈利仍持谨慎态度。
同时，OpenAI调整了治理和经营架构，从追求可控的AGI（人工通用智能）转向AI的商业化和市场拓展，推出了Sora、GPT-4o等差异化模型，以探索新的应用场景和订阅增长潜力。根据Appfigures的数据，2024年5月GPT-4o的发布，推动了其APP端收入增长40%。
在算力领域，英伟达的新增长点集中在AI软硬件应用和服务上，特别是在人形机器人、自动驾驶汽车、AR/VR设备等领域。英伟达主导的OpenUSD项目和Isaac系列，前者专注于创建和模拟复杂的3D数据，后者致力于加速机器人应用的开发工程，两者都聚焦于机器人领域的算法和工程实现、验证。
英伟达还发布了Jetson Thor专用芯片，专为需要高性能推理的高阶自动驾驶、人形机器人等边缘计算领域设计。此外，英伟达开发了Isaac Sim和MimicGen NIM两种工具包，主要用于AR/VR穿戴设备的实时动作捕捉和数据生成。
03
AI超级应用，先看具身智能与AI软件
▷ AI具身智能：人形机器人
英伟达的创始人黄仁勋将“具身智能”视为人工智能的下一个浪潮，它使AI能够理解、推理并与物理世界互动。人形机器人通过结合AI算法和控制、感知硬件，赋予AI以人类形态，成为具身智能的典范。与传统机器人不同，AI超级应用中的人形机器人被定义为“高度自动化、智能化、集成化的通用机器人”。它们不仅仅是执行特定任务的机器，而是能够像人类一样执行各种复杂和高难度任务的通用智能体。
传统的工业机器人、服务机器人和特种机器人技术已经相对成熟，广泛应用于工业搬运、自动物流、制造、电网巡检以及家用清洁、酒店配送等领域。而像特斯拉Optimus这样的通用机器人，不局限于特定应用，设计上能够执行各种任务，对大模型算法和算力的要求也更高。
从设计理念上讲，通用人形机器人旨在模拟人类的直立行走、双手操作工具的灵巧性以及智能。为了实现这些功能，人形机器人需要具备人机交互算法、先进机械结构、运动控制算法、环境感知、机器臂和灵巧手等关键要素，形成能够模拟人类步伐的双腿、执行类似人类动作的双臂和双手，以及能够感知、理解并响应外部环境的“大脑”。
人形机器人的核心技术包括人机交互算法和运动控制算法：
1. 人机交互算法，即从通用大模型中移植的核心“思维方式”，决定了机器人理解人类指示、理解周围环境、做出反馈或智能化交互的能力。
2. 运动控制算法，决定了机器人的运动能力，通过计算所需力和力矩来驱动关节运动，尤其是在复杂地形和外部干扰下，确保机器人的行走、操作、平衡和稳定性。
此外，突破机器人的机械结构、传感装置的技术难点，降低成本、提高运行的可靠性和稳定性也是行业努力的方向。
特斯拉作为该领域的先行者，于2021年8月AI Day首次发布Tesla Bot计划，2022年2月推出Optimus人形机器人。初代Optimus能完成简单动作，但行动不够流畅。2024年5月的第二代Optimus搭载了视觉神经网络和FSD芯片，技术源于电动车自动驾驶的成熟方案，不仅能实现流畅行走，还能精准完成复杂的分拣工作，向完全自动化迈进了一大步。
2024年10月12日，“Tesla：We Bot”发布会上的Optimus在行走、抓取、握持等能力上有了突破性改变，并且通用智能水平更高，可以与人自由交流。马斯克预计到2026年能实现人形机器人大规模上市。目前，Optimus已有两台部署在特斯拉工厂工作，制造成本控制在1万美元/台。特斯拉在短时间内快速迭代Optimus，展示了人形机器人量产、落地、大规模应用的可能性。同时，多模态大模型的发展为机器人技术注入了新的活力，通用机器人极有可能成为功能最完备的“具身智能体”。
在有实力的人形机器人公司中，除了特斯拉外，美国还有OpenAI、英特尔、英伟达、三星等多家头部企业投资的Figure AI在2023年发布了首款机器人，并与宝马达成合作，未来将陆续部署人形机器人于汽车总装车间岗位。
由得克萨斯大学实验室孵化、与NASA共同开发人形机器人的Apptronik也在2024年与奔驰达成合作，让其发布的人形机器人参与产线流程作业。中国的优必选是国内较早研发人形机器人的企业，成立于2012年，其工业版人形机器人Walker S已部署于蔚来汽车总装车间，并陆续与东风、一汽大众达成合作，预计2026年将在工厂端放量。
▷ 自动驾驶汽车：AI具身智能的先锋
自动驾驶汽车有望成为首批广泛部署的“具身AI”超级应用之一。这一趋势的形成基于两个主要原因：首先，汽车的复杂性和普及度使其成为与AI技术融合的理想对象。作为仅次于飞机的复杂工业产品，汽车也是价值最高的可选消费品之一，包含数以万计的电子部件。
汽车架构正向“中央集中式”和云计算转型，这与AI技术的结合能够实现协同效应，创造出超越简单相加的价值。其次，智能汽车可以被视为“带轮子的机器人”，在技术挑战（算法）和核心组件（传感器、计算芯片）上与机器人技术有着相似之处，智能汽车的发展为机器人技术的研究铺平了道路。高度智能化的汽车能够在多种场景中学习，通过模型迭代不断提升驾驶决策的准确性。智能驾驶是“硬件运行AI”的典范。
全球众多企业在这一领域积累了深厚的技术基础：在中国，百度的Apollo项目已实现L4级别的自动驾驶，而萝卜快跑截至2024年7月已完成约82.6万单自动驾驶订单。国际上，自动驾驶服务提供商Waymo在2024年扩大了服务范围，8月初的周订单量翻倍，服务用户超过10万人。
在汽车制造商方面，赛力斯、小鹏、理想等国内企业在高速和城市领航方面处于领先地位。特斯拉在海外市场的优势在于其FSD的数据驱动能力和“BEV+Transformer”算法框架。从实践情况来看，各汽车制造商和智能驾驶解决方案供应商都在积极构建智能计算中心。
特斯拉的DOJO超级计算机预计到2024年10月的总算力将达到100,000PFLOPS，相当于约30万块英伟达A100芯片的算力总和。在中国，商汤科技位于上海临港的上海人工智能计算中心（AIDC）的算力已达到14,000 PFLOPS（截至今年8月）；华为汽车业务部门的ADS训练算力达到3,500PFLOPS（截至今年7月）；理想的训练算力达到5,390 PFLOPS（截至今年8月）。
特斯拉引领了“端到端”自动驾驶的变革。2023年，马斯克在直播试驾中展示了FSD Beta V12——史上首个端到端AI自动驾驶系统。从智能计算的角度来看，V12的性能比前一代提升了数个数量级：V12的C++代码仅有2000行，而V11则有30万行。传统的智能驾驶解决方案是模块化的，包含许多人为设定的规则（hand-crafted、rule-based）。
这种模块化智能驾驶方案以感知模块、规划模块、控制模块为主轴，各模块之间联系紧密，每个模块都有输入和输出端；前一个模块的输出成为后一个模块的输入。在程序实现上，这种方法效率低下、成本高昂，需要提前通过代码告知计算机制定行车方案。
端到端（end-to-end）自动驾驶技术更贴近人类的驾驶方式。它仅依赖一个神经网络模型，该模型接收来自摄像头、激光雷达、毫米波雷达等传感器的数据作为输入，并直接在输出端生成控制车辆行驶方向和速度的指令。这一过程中不涉及任何人工设定的规则。
与模块化方法相比，端到端技术能够凭借直觉和经验，从环境感知直接过渡到驾驶操作。在程序实现上，这种方法更为高效，因为它不是由规则定义的代码驱动，而是完全基于大规模数据集的机器学习。
从智能驾驶解决方案的潜力来看，端到端方法具有更大的发展空间。首先，模块化方案在不同环节之间可能会丢失信息；而端到端方法则能够保持信息的完整性，实现全局优化。其次，模块化方案中的规划模块包含许多基于规则的代码，这些规则无法覆盖所有可能的场景，限制了其应对罕见场景的能力；相反，端到端模型基于数据而非规则，通过深度学习，能够模仿人类的处理方式，并展现出强大的适应性和泛化能力。
端到端技术已成为行业内的共识，但其发展也面临着一些挑战，包括模型结构、训练数据、训练方法、算力等，其中数据是最关键的因素。端到端模型的实现本质上是一个机器学习过程，需要提供大量、多样化、高质量的学习样本。少量的训练数据仅能支持演示级别的应用，而端到端技术的成熟需要依赖大规模的优质训练数据。
正如马斯克所言：“使用100万个视频案例进行训练，勉强足够；200万个，稍好；而1000万个，则效果惊人。”为解决数据限制，可以通过两个途径获取数据：一是从真实世界中收集优秀的驾驶案例，例如通过特斯拉的FSD影子模式创建的数据闭环；二是通过虚拟世界生成的模拟真实案例，如利用世界模型生成的驾驶场景和案例。
未来，各汽车制造商和智能驾驶解决方案提供商如何克服数据挑战值得关注。除了数据问题，端到端技术的成熟还需要足够的训练算力。端到端模型的训练需要巨大的算力支持，目前这仍然是一个难以实现量产的瓶颈。
中国智能驾驶产业的发展遵循“车路云一体化”的设计理念，融合了“单车智能”和“车路协同”两大发展路径。2024年上半年，我国L2级新乘用车的市场占有率已超过50%，预计到2030年，L2级以上车型的市场占有率将超过80%。
目前，我国在推进车路云一体化的研发和应用方面面临两大挑战：一是“车路云一体化”的研发和示范尚处于起步阶段，车端系统主要还是依赖单车智能，车企数据尚未完全接入云控基础平台；二是大多数“车路云一体化”系统仍然采用烟囱型架构，未能实现分层解耦和跨域共享。这也是网联式智能驾驶尚未形成商业闭环的主要原因。
未来，路侧和云侧基础设施的建设将是一项重要任务。接下来，智能网联基础设施的改造将成为发展重点，这对于智能驾驶的实现和AI超级应用的率先落地具有重大意义。
▷ AI助手：AI超级应用软件的先锋
AI助手是当前最快速落地的AI超级应用软件之一，也是“百模大战”的直接成果。对于个人消费者而言，利用AI提升办公和生活体验已成为新趋势。
AI助手不仅仅是一个简单的查询工具，它能够理解复杂的用户需求，并提供个性化服务：包括文本创作、会议记录、实时翻译、头脑风暴、PPT制作、快速搜索、文件和图片识别、信息处理等日常工作任务。在生活领域，AI助手也能处理如制定旅行计划、安排行程、在线购物、管理邮件、远程控制智能家居等事务。
微软在2023年9月推出了Copilot，将传统办公软件升级为集成AI的Office，减轻了工作负担并提高了工作效率，引领了新一轮的办公室生产力革命。
截至2024年8月，Copilot的用户已超过5万家企业，聊天次数超过130亿次，验证了“AI+办公”商业模式的可行性。AI助手的技术实现基于大模型的技术衍生，例如Copilot使用的是微软投资的OpenAI开发的GPT4模型，并结合了DALL-E 3技术，使AI助手能够根据文本描述生成相应的图片，这也是微软在AI办公领域取得核心优势的关键。
国内的主要AI助手包括字节跳动的豆包、百度的Comate、腾讯的元宝、讯飞的星火以及月之暗面的KimiChat等，它们各自具有独特的优势。百度的Comate专注于开发者群体，擅长专业代码领域，推动AI原生应用的落地。
腾讯的元宝依托于腾讯的生态系统，拥有微信公众号的丰富内容和原创资源。讯飞的星火在语音识别和语音合成方面表现出色。KimiChat擅长处理超长文本，支持高达20万字的文本处理和输出。豆包则以功能丰富、操作便捷著称，推出浏览器插件后，用户可以随时调用AI功能，极大提高了工作效率。
▷ AI图像与视频创作技术
AI在图像和视频创作中的核心机制是对抗生成网络（GAN）：这一技术涉及训练两个模型，其中一个生成与真实数据相近的“伪造图像”，另一个则负责鉴定图像的真伪，并提供反馈以优化学习过程。在这两个模型的相互竞争中，逐渐产生出高度逼真的图像，并能够根据需求变换不同的艺术风格。
AI图像生成技术在消费者市场（to C）和企业市场（to B）都展现出巨大的应用前景。
在个人使用方面，它能够用于创意绘画、AI摄影、图像编辑等；在商业应用上，从新兴的平面设计、电商视觉、肖像创作到传统的服装、包装、工业设计等领域，AI技术都能带来成本的大幅降低和效率的显著提升。例如，妙鸭相机在AI摄影领域占据一席之地，依托阿里云的算力支持，能够快速合成和调整照片。Midjourney和Stable Diffusion等工具在AI绘图领域也极受欢迎，覆盖了建筑、插画、动漫、装修设计等多个场景。
在AI视频创作领域，2024年初推出的Sora技术有望大幅降低短剧制作的总体成本，解决制作过程中重视制作而忽视创作的普遍问题，未来短剧制作的焦点有望重新回到高质量的剧本创作上。
Sora技术可能真正为传媒、文化、游戏等行业的企业降低成本、提高效率，广告制作公司可以通过Sora模型生成符合品牌形象的广告视频，大幅减少拍摄和后期制作的成本；游戏和动画公司可以利用Sora直接生成游戏场景和角色动画，减少3D建模和动画制作的开支。
企业节省下来的资金可以用于提升产品服务质量或进行技术创新，从而推动生产力的进一步提高，对现实世界产生深远的影响和变革。
▷ AI在教育领域的应用
教育是推动科技和社会进步的基石。在AI教育领域，美国已经走在前列，中国也在加快步伐。Sensor Tower的数据显示，美国AI应用市场下载量前三名分别是ChatGPT、Copilot和AI教育软件Question AI。
在教学支持方面，AI能够协助教师进行备课、作业批改、出题、智能阅卷和虚拟实验等。例如，科大讯飞的星火教师助手能够设计完整的教学方案，包括单元主题、教学目标等模块化内容，并智能匹配教学大纲要求的学习任务，为教师节省大量时间和精力，同时提供精准、贴切的教学素材。
在学生辅导方面，AI应用能够实现个性化学习，提供与人类教师辅导相等的互动体验。Question AI的核心功能之一是拍照答题，AI还能作为外语口语陪练，进行电子家教辅导、作业查漏补缺等，对学龄前教育也能起到益智和兴趣开发的作用。AI对现代教育体系的影响是变革性的。根据美国高等教育信息化协会发布的《2024年人工智能图景研究》，教育界更担心的是落后于时代，而非AI带来的潜在风险。
AI有潜力消除教育不平等，让每个学生都能获得世界一流的教育。过去的教育系统以教师为核心，基于上课时间安排塑造学生；AI教育可能将转向以学生为核心，基于不同能力和个性化学习产生改变。
2023年，全球最大的免费教育非盈利组织可汗学院推出了基于GPT4的AI机器人Khanmigo，为学生提供一对一私人导师服务，也为教师提供超级助教支持，目前已有超过65000名用户。
2024年4月17日，中国教育部公布了首批18个“人工智能+高等教育”典型应用场景案例，包括北京航空航天大学、北京师范大学、哈尔滨工业大学等高校成为首批试点高校，在教育教学模式创新方面探索AI应用。
▷ AI具身智能体与软件：AI PC和AI手机
随着过去十年的发展，PC和手机的芯片已经达到相当高的算力水平，与AI模型部署天然适配，成为第一批可以快速落地的端侧运行AI的硬件载体。
AI PC和AI手机的最大优势在于，一方面可以借助生成式AI进一步拓展能力上限，不仅响应更即时，定制化程度也更贴近用户习惯；另一方面，内嵌AI可以实行本地化模型部署，确保个人数据和隐私安全。芯片企业、电脑厂商和手机企业都将“产品AI化布局”提上日程。
英伟达和AMD分别推出了AI-Ready RTX笔记本、Ryzen AI架构。联想推出了AI PC ThinkPad X1 Carbon AI等十余款AI PC，华硕2024年推出Zenbook S16，戴尔推出XPS 14。华为HarmonyOS 4系统全面接入盘古大模型，苹果最新iPhone16也全系搭载AI大模型。
以AI PC为例，初步功能包括：
①辅助办公、会议纪要；
②辅助创作绘画、文案生成；
③个人知识库、知识问答、本地搜索。
2024年Q2全球PC出货量升至6280万台，同比增长3.4%，结束了七个季度的同比下滑；其中AI PC出货量达到880万台，占总出货量的14%。
由于PC端搭载芯片性能优于手机，AI PC渗透速度将快于AI手机。IDC预测，2024年全年AI PC的市占率或达到55%，2027年将达到85%；生成式AI智能手机2024年将增长344%，占18%市场份额。
04
下半场，更要重视AI的价值对齐问题
AI发展中最为紧迫的挑战之一是如何在多样化的情况和复杂环境中做出与人类价值观相符的决策，这被称为人机对齐问题（Alignment Problem）。尽管算法的学习方式与人类相似，但它们并不完全理解人类对于公平性、安全性和道德性的看法。因此，在特定领域中，需要人工筛选、标记数据，并在监督学习中解决具体问题。
第一类问题是算法构建的误区：训练数据样本本身是准确的，但训练规则未能考虑到统计偏差。例如，微软的计算机专家Rich Caruana在90年代使用机器学习模型帮助诊断肺炎患者时，错误地将哮喘病史识别为低风险因素，因为样本数据显示哮喘患者死于肺炎的概率较低。实际上，有哮喘病史的肺炎患者存在严重的健康风险，但由于他们通常会得到更密切的医疗关注，因此在样本中的死亡率较低，导致数据上显示哮喘病史与肺炎死亡的关联度降低。
第二类问题是数据来源的偏见。例如，麻省大学收集的公共人物图片库在用于机器学习时被发现存在偏见：男性占比超过77%，白人占比超83%，一些少数族裔几乎没有样本，导致训练出的模型可能产生性别和种族歧视的内容。团队解释称，这些数据全部来自在线新闻收集的图像，没有进行主观调整，反映出的是公共新闻报道本身就存在的偏见，数据背后的动机和目标并非纯粹理性。因此，即使数据尽可能具有包容性，AI的非监督训练也可能直接引发道德问题。
第三类问题是道德困境。例如，自动驾驶汽车在面临道德两难选择时的决策问题：算法如何在道路紧急情况下做出决策？假设汽车前方突然发生事故，必须迅速变道，但左侧是载有孕妇的车辆，右侧是悬崖，无论哪种决策都可能导致致命后果，算法应如何权衡？由于人类社会的道德框架并不统一，不同的价值观、文化、认知背景存在道德差异，因此以一种普遍接受的行为准则来构建“AI的道德性”还不具备客观条件。
为解决人机对齐问题，AI领域的前沿企业除了发布各自的AI伦理准则外，还通过收集用户反馈来改进算法。OpenAI曾提出超级对齐要求准则（但随着业务重心转变和管理层变动，这已不是主要目标），微软则通过可视化工具和解释性算法来揭示模型的工作机制。
各国政府也相继出台监管文件，中国注重安全评估标准和生成内容标识，美国提出算法歧视保护和数据隐私要求，欧洲强调AI的自主性、预防伤害、公平性和可解释性。
声明：部分素材来源于网络，如有侵权，请留言，本平台立即改正。
