生成式人工智能（AIGC）應(yīng)用進展淺析

姜莎，趙明峰，張高毅

（1.中國移動通信集團四川有限公司，四川 成都 610000；2.中國移動通信集團設(shè)計院有限公司四川分公司，四川 成都 610045）

0 引言

生成式人工智能（AIGC,Artificial Intelligence Generated Content）是指基于生成對抗網(wǎng)絡(luò)、大型預(yù)訓(xùn)練模型等人工智能的技術(shù)方法，通過已有數(shù)據(jù)的學(xué)習(xí)和識別，以適當?shù)姆夯芰ι上嚓P(guān)內(nèi)容的技術(shù)。AIGC技術(shù)的核心思想是利用人工智能算法生成具有一定創(chuàng)意和質(zhì)量的內(nèi)容。通過訓(xùn)練模型和大量數(shù)據(jù)的學(xué)習(xí)，AIGC可以根據(jù)輸入的條件或指令，生成與之相關(guān)的內(nèi)容。AIGC的發(fā)展最早可追溯到1950年艾倫?圖靈（Alan Turing）在其論文《計算機器與智能（Computing Machinery and Intelligence）》中提出了著名的“圖靈測試”，給出了判定機器是否具有“智能”的試驗方法，即機器是否能夠模仿人類的思維方式來“生成”內(nèi)容，1957年萊杰倫·希勒（Lejaren Hiller）和倫納德·艾薩克森（Leon-ard saacson）完成了人類歷史上第一支由計算機創(chuàng)作的音樂作品就可以看作是 AIGC的開端。經(jīng)過半個多世紀的快速發(fā)展，隨著具有價值的有效數(shù)據(jù)大量積累、算力的大幅提升，以及深度學(xué)習(xí)算法的提出與應(yīng)用，今天的人工智能技術(shù)已經(jīng)普及到許多的行業(yè)，并在相應(yīng)的場景中發(fā)揮著重要的作用，比如自然語言處理（NLP,Natural Language Processing）、計算機視覺、推薦系統(tǒng)、預(yù)測分析等，顛覆相應(yīng)場景下的生產(chǎn)與生活等方式，為人類社會帶來了極大的便捷中發(fā)揮著重要作用[1]。2022年11月30日，OpenAI公司發(fā)布了生成式預(yù)訓(xùn)練Transformer模型（ChatGPT,Chat Generative Pretrained Transformer），通過大規(guī)模預(yù)訓(xùn)練（GPT-3.5）和自然語言生成技術(shù)實現(xiàn)多輪對話問答，將AIGC推向高潮，席卷全球，成為各行各業(yè)關(guān)注的焦點。ChatGPT是一種基于互聯(lián)網(wǎng)的、可用數(shù)據(jù)來訓(xùn)練的、文本生成的深度學(xué)習(xí)模型，它本身屬于NLP領(lǐng)域中的超大預(yù)訓(xùn)練模型（PTM，Pre-Trained Model，這類超大PTM也稱為大語言模型（LLM,Large Language Model）[2～6]。文獻[7～13]以ChatGPT為例詳細論述了AIGC技術(shù)原理，介紹了單模態(tài)和多模態(tài)兩種生成模型，對AIGC的定義、優(yōu)點、在邊緣云計算、Web3.0、元宇宙等中的應(yīng)用、挑戰(zhàn)以及面臨的安全、隱私和知識產(chǎn)權(quán)等威脅等方面進行了詳細論述，并給出未來的方向。文獻[14～17]重點以ChatGPT為例從技術(shù)角度給出了人工智能、超大預(yù)訓(xùn)練模型的機遇和挑戰(zhàn)。文獻[18～22]從通信運營商的視角出發(fā)，探討AIGC的機遇和挑戰(zhàn)，并給出運營商AI能力建設(shè)策略和思路。

上述文獻重點從技術(shù)原理和技術(shù)演進等角度出發(fā)，探討AIGC相關(guān)技術(shù)以及面臨的機遇和挑戰(zhàn)。由于AIGC中所涉及的相應(yīng)深度學(xué)習(xí)、大語言模型、算法等專業(yè)技術(shù)較多，且AIGC應(yīng)用發(fā)展較為迅速?；诖?，本文以AIGC工程應(yīng)用的視角出發(fā)探討國內(nèi)外AIGC的發(fā)展現(xiàn)狀與趨勢，在此基礎(chǔ)上對相應(yīng)當前的AIGC國內(nèi)外應(yīng)用產(chǎn)品進行歸類，并詳細介紹AIGC技術(shù)架構(gòu)體系，最后給出了AIGC面臨的機遇與挑戰(zhàn)。

1 以ChatGPT為代表的AIGC發(fā)展現(xiàn)狀

隨著ChatGPT的熱潮持續(xù)升溫，根據(jù)51GPT網(wǎng)站的統(tǒng)計，截至目前，全世界當前已有2 722個AIGC類的應(yīng)用工具。這些工具的不斷涌現(xiàn)，進一步加速推動了AIGC的商業(yè)化落地，使得產(chǎn)業(yè)生態(tài)鏈逐步走向完善。如圖1所示，當前，AIGC產(chǎn)品主要模態(tài)包括音頻生成、視頻生成、文本生成、圖像生成，以及圖像、視頻、文本間的跨模態(tài)生成等幾種方式。

圖1 AIGC應(yīng)用模態(tài)分類

下面分別從國外、國內(nèi)兩方面來看AIGC的應(yīng)用發(fā)展現(xiàn)狀和趨勢。

1.1 國外AIGC應(yīng)用發(fā)展現(xiàn)狀

結(jié)合相關(guān)文獻和調(diào)研報告，將國外主要AIGC頭部應(yīng)用產(chǎn)品按照文本、圖像、音頻、視頻進行分類，相應(yīng)具有代表性的如表1所示。

表1 國外典型的AIGC類產(chǎn)品及其特點

從表1可知，國外AIGC應(yīng)用產(chǎn)品主要以美國為主，絕大部分產(chǎn)品均具有多模態(tài)能力，這也是當前AIGC產(chǎn)品演進和落地的重要方向。從技術(shù)上來看，生成算法、預(yù)訓(xùn)練模型、多模態(tài)等AI技術(shù)的累積與融合，才催生了AIGC的大爆發(fā)，其中生成算法主要包括Transformer、基于流的生成模型（Flow-based models）、擴散模型（Diffusion Model）等深度學(xué)習(xí)算法。按照基本類型分類，預(yù)訓(xùn)練模型主要包括：（1）NLP預(yù)訓(xùn)練模型，如谷歌的LaMDA和PaLM、Open AI的GPT系列；（2）計算機視覺（CV）預(yù)訓(xùn)練模型，如微軟的Florence；（3）多模態(tài)預(yù)訓(xùn)練模型，即融合文字、圖片、音視頻等多種內(nèi)容形式。預(yù)訓(xùn)練模型更具通用性，成為多才多藝、多面手的 Al模型，主要得益于多模型技術(shù)（Multimodal technology）的使用，即多模態(tài)表示圖像、聲音、語言等融合的機器學(xué)習(xí)。多模態(tài)技術(shù)推動了AIGC的內(nèi)容多樣性，讓AIGC具有了更通用的能力。從市場應(yīng)用來看，OpenAI的ChatGPT4無疑處于絕對領(lǐng)先地位，從OpenAI發(fā)布會上透露信息來看，ChatGPT正式發(fā)布至今，周活躍用戶數(shù)超過1億人，目前有超過200萬開發(fā)者和客戶在該公司的API上進行開發(fā)，世界財富500強公司中，有92%的企業(yè)在使用其產(chǎn)品，即將快速創(chuàng)建定制ChatGPT的GPTs，實現(xiàn)了人人都能擁有大模型，引入性能更強的GPT-4 Turbo模型，直接支持128k上下文，知識庫更新到今年4月，以及即將推出GPT Store應(yīng)用商店，和新用于AI智能體的Assistants API等。

1.2 國內(nèi)AIGC應(yīng)用發(fā)展現(xiàn)狀

國內(nèi)方面，隨著百度“文心一言”、阿里通義千問、訊飛星火大模型、智譜AI的ChatGLM等紛紛發(fā)布，美團、百川智能、云知聲、美圖、騰訊等紛紛加入大模型賽道，一場圍繞大模型的“軍備競賽”已趨白熱化。5月底，科技部新一代人工智能發(fā)展研究中心發(fā)布《中國人工智能大模型地圖研究報告》，我國10億參數(shù)規(guī)模以上的大模型已發(fā)布79個，幾乎進入“百模大戰(zhàn)”。作為通信運營商來說，面對著AIGC廣泛的應(yīng)用前景，為避免被管道化，迫切需要提前做好布局和卡位?；诖?，國內(nèi)三大運營商紛紛發(fā)布AI大模型：6月28日，中國聯(lián)通在2023年上海世界移動通信大會期間發(fā)布了“鴻湖圖文大模型1.0”的圖文生成模型，可實現(xiàn)以文生圖、視頻剪輯、以圖生圖等功能；7月6日，在世界人工智能大會“算網(wǎng)一體·融創(chuàng)未來”分論壇上，中國電信正式對外發(fā)布大語言模型TeleChat，并展示了大模型賦能數(shù)據(jù)中臺、智能客服和智慧政務(wù)三個方向的能力；7月8日，在2023年世界人工智能大會“大模型與深度行業(yè)智能”創(chuàng)新論壇上，中國移動正式發(fā)布九天·海算政務(wù)大模型和九天·客服大模型。根據(jù)當前最新AIGC應(yīng)用發(fā)布情況，國內(nèi)典型AIGC產(chǎn)品相應(yīng)主要技術(shù)特征如表2所示。

表2 國內(nèi)典型的AIGC類產(chǎn)品及其特點

從國內(nèi)AIGC產(chǎn)品應(yīng)用情況來看，相應(yīng)產(chǎn)品正處于加速迭代狀態(tài)，與國外的AIGC產(chǎn)品類似，逐步向新聞媒體、智慧城市、生物科技、智慧辦公、影視制作、智能教育、智慧金融、智慧醫(yī)療、智慧工廠、生活服務(wù)等行業(yè)領(lǐng)域滲透[23～25]，且逐步具備多模態(tài)能力，但受限于算力芯片封鎖、算法不公開等因素影響，國內(nèi)AIGC產(chǎn)品在能力輸出上相較于國外類似產(chǎn)品還存在不小差距。根據(jù)量子位智庫預(yù)測，2023-2025年中國AIGC產(chǎn)業(yè)處于培育摸索期，預(yù)計年均復(fù)合增速為25%，2026-2030年行業(yè)將迎來快速增長階段，中國市場規(guī)模有望在2030年達到11 491億元。

2 AIGC的技術(shù)架構(gòu)

在文獻[21]中現(xiàn)有生成式人工智能AIGC技術(shù)架構(gòu)等基礎(chǔ)上，但該架構(gòu)相對較為粗放，未能完整涵蓋AIGC技術(shù)核心要素，同時并未結(jié)合AIGC技術(shù)特征和應(yīng)用情況進一步進行細化分層，基于此，在此基礎(chǔ)上提出AIGC技術(shù)架構(gòu)，以期能夠更清晰了解AIGC技術(shù)特征，如圖2所示，AIGC從技術(shù)架構(gòu)上看主要包含6層：數(shù)據(jù)層、算力基礎(chǔ)設(shè)施層、算法及大模型層、AIGC能力層、AIGC功能層和AIGC應(yīng)用層。

圖2 AIGC技術(shù)架構(gòu)

（1）數(shù)據(jù)層

數(shù)據(jù)作為AIGC三大核心要素之一，數(shù)據(jù)層數(shù)據(jù)的質(zhì)量、數(shù)量、多樣性決定大模型的訓(xùn)練效果。數(shù)據(jù)集的構(gòu)建主要通過數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)標注、模型訓(xùn)練、模型測試和產(chǎn)品評估進行產(chǎn)生。根據(jù)當前AIGC應(yīng)用所涉及的大語言模型和多模態(tài)模型兩種類型，數(shù)據(jù)集可分為大語言模型數(shù)據(jù)集和多模態(tài)數(shù)據(jù)集，大語言模型數(shù)據(jù)集主要來源于維基百科、網(wǎng)絡(luò)百科全書、書籍、期刊、網(wǎng)頁數(shù)據(jù)、搜索數(shù)據(jù)、B端行業(yè)數(shù)據(jù)以及一些專業(yè)數(shù)據(jù)庫等；多模態(tài)數(shù)據(jù)集主要是基于兩個及以上的模態(tài)形式（文本、圖像、視頻、音頻等）組合形成的數(shù)據(jù)集。

（2）算力基礎(chǔ)設(shè)施層

算力基礎(chǔ)設(shè)施層主要為大模型層提供算力底座，大模型所需的訓(xùn)練算力和推理算力由算力基礎(chǔ)設(shè)施層提供。算力芯片主要包括圖形處理器（GPU,Graphics Processing Unit）、張量處理器（TPU,Tensor Processing Unit）、神經(jīng)網(wǎng)絡(luò)處理器（NPU,Neural Processing Unit）以及各類智算加速芯片等。由于大模型訓(xùn)練所需的算力巨大且對時延要求較高，算力芯片一般都位于同一數(shù)據(jù)中心，采用高性能AI集群方式以保障算力需求，同時為降低服務(wù)器之間的延遲和帶寬需求，需要采用專用InfiniBand 網(wǎng)絡(luò)或基于融合以太網(wǎng)的遠程直接數(shù)據(jù)存?。≧oCE,Remote Direct Memory Access over Converged Ethernet）交換網(wǎng)絡(luò)連接，形成高性能智算集群。專用InfiniBand網(wǎng)絡(luò)架構(gòu)相對封閉、運維復(fù)雜、價格昂貴，國外主要采用該技術(shù)，而國內(nèi)主要以RoCE方式構(gòu)建統(tǒng)一融合的網(wǎng)絡(luò)架構(gòu)，比如華為的超融合數(shù)據(jù)中心網(wǎng)絡(luò)方案，使用獨創(chuàng)的iLossLess智能無損算法，通過流量控制技術(shù)、擁塞控制技術(shù)和智能無損存儲網(wǎng)絡(luò)技術(shù)三大關(guān)鍵技術(shù)的相互配合，從而達到構(gòu)建無損以太網(wǎng)絡(luò)，助力實現(xiàn)AI場景下的數(shù)據(jù)中心網(wǎng)絡(luò)“零丟包、低時延、高吞吐”目標。進一步地，考慮到各類算力芯片在不同行業(yè)應(yīng)用的差異性，迫切需要構(gòu)建異構(gòu)的算力池，通過高效的調(diào)度算法、負載均衡算法等，提升算力的有效利用率，從而實現(xiàn)算力原生。

（3）算法及大模型層

當前，大模型采用的主要算法包括深度學(xué)習(xí)算法、強化學(xué)習(xí)算法和自然語言處理算法。深度學(xué)習(xí)算法主要包含卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）兩類，卷積神經(jīng)網(wǎng)絡(luò)（CNN）是常用于圖像識別和計算機視覺任務(wù)的深度學(xué)習(xí)算法，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是常用于序列數(shù)據(jù)處理的深度學(xué)習(xí)算法。強化學(xué)習(xí)算法是大模型中用于決策和控制的重要算法，深度強化學(xué)習(xí)算法是結(jié)合深度學(xué)習(xí)和強化學(xué)習(xí)的優(yōu)勢，進一步拓展強化學(xué)習(xí)應(yīng)用范圍，常見的有Deep Q-Networks（DQN）、Deep Deterministic Policy Gradient（DDPG）、Proximal Policy Optimization（PPO）、Trust Region Policy Optimization（TRPO）等。自然語言處理算法主要包括文本分類算法、分詞算法、命名實體識別算法、情感分析算法、機器翻譯算法、問答系統(tǒng)算法、語音識別算法等。

大模型層主要基于算力基礎(chǔ)設(shè)施提供的算力，面向通用、行業(yè)等構(gòu)建大模型，通用大模型一般由技術(shù)實力較強的科技公司構(gòu)建，而致力于構(gòu)建專業(yè)或行業(yè)領(lǐng)域大模型的提供者，大多基于開源算法框架，以較少的通用數(shù)據(jù)結(jié)合高質(zhì)量專業(yè)數(shù)據(jù)，以更低的成本訓(xùn)練出專業(yè)領(lǐng)域的大模型，相應(yīng)大模型如第1節(jié)中相應(yīng)的模型。一般情況下，大模型主要包含通用（或原始）語言模型、指令調(diào)整模型和對話調(diào)整模型三種類型：通用（或原始）語言模型通常使用大量的未標記文本進行訓(xùn)練，學(xué)習(xí)語言的統(tǒng)計規(guī)律，但沒有特定的任務(wù)指向，模型經(jīng)過訓(xùn)練，根據(jù)訓(xùn)練數(shù)據(jù)中的語言預(yù)測下一個詞；指令調(diào)整模型是在通用語言模型的基礎(chǔ)上，通過對特定任務(wù)數(shù)據(jù)的訓(xùn)練，使其能夠?qū)o定的指令做出適當?shù)捻憫?yīng)，這類模型可以理解和執(zhí)行特定的語言任務(wù)，如問答、文本分類、總結(jié)、寫作、關(guān)鍵詞提取等，模型經(jīng)過訓(xùn)練，以預(yù)測對輸入中給出的指令的響應(yīng)；對話調(diào)整模型是在通用語言模型的基礎(chǔ)上，通過對對話數(shù)據(jù)的訓(xùn)練，使其能夠進行對話。這類模型可以理解和生成對話，例如生成聊天機器人的回答，模型經(jīng)過訓(xùn)練，以通過預(yù)測下一個響應(yīng)進行對話。

（4）AIGC能力層

AIGC能力層主要表現(xiàn)在四個方面：孿生能力、泛化能力、頓悟能力和涌現(xiàn)能力。數(shù)字孿生是指利用模型和數(shù)據(jù)模擬還原出物理世界事物全生命周期的動態(tài)特征，并可雙向評估，它是數(shù)字化的高級表達，數(shù)字孿生為AIGC核心能力，推動全行業(yè)降本增效，可有效與當前數(shù)字人結(jié)合為元宇宙創(chuàng)造有利條件。泛化能力是指AIGC大模型側(cè)重于對知識的整合和轉(zhuǎn)化，在不同內(nèi)容生成任務(wù)中展現(xiàn)其普適性和通用性，涌現(xiàn)能力是指在大模型領(lǐng)域當模型突破某個規(guī)模時，性能顯著提升，表現(xiàn)出讓人驚艷、意想不到的能力，而頓悟能力是指經(jīng)過多次的學(xué)習(xí)與訓(xùn)練突然爆發(fā)出的能力，一般情況下指降低原有參數(shù)規(guī)模和訓(xùn)練集基礎(chǔ)上達成涌現(xiàn)能力。泛化能力、頓悟能力和涌現(xiàn)能力相互作用，能夠有效提升AIGC的能力輸出，通過算法調(diào)優(yōu)等多重手段降低對參數(shù)量、訓(xùn)練數(shù)據(jù)集的要求，提升大模型在不同內(nèi)容生成任務(wù)中的普適性和通用性。

（5）AIGC功能層

AIGC功能層主要基于不同的大模型能力，呈現(xiàn)多樣性的技術(shù)場景，比如文生文、文生圖、圖生圖、圖文協(xié)同、視頻生成、聊天機器人、音頻生成、代碼生成等多模態(tài)方式，通過構(gòu)建這些技術(shù)場景以滿足AIGC+行業(yè)、AIGC+通用等差異化的應(yīng)用。

（6）AIGC應(yīng)用層

AIGC應(yīng)用層主要面向商業(yè)落地，根據(jù)各行各業(yè)的特點和需求，借助于AIGC功能層所提供的多樣性技術(shù)場景進行適配，形成具有特色的AIGC應(yīng)用產(chǎn)業(yè)，帶動AIGC的發(fā)展與繁榮。一般來說，AIGC的應(yīng)用主要包括基于生成式AI技術(shù)的創(chuàng)新應(yīng)用和在現(xiàn)有基礎(chǔ)上采用集成方式利用AI能力的傳統(tǒng)應(yīng)用。隨著各類AIGC服務(wù)能力的逐步完善和開放，各行各業(yè)的應(yīng)用開發(fā)者都可以調(diào)用AIGC服務(wù)能力開發(fā)各類領(lǐng)域的應(yīng)用，應(yīng)用生態(tài)將呈現(xiàn)百花齊放的局面。

3 AIGC面臨的機遇與挑戰(zhàn)

從上述分析可知，大模型需要高昂的硬件成本、開發(fā)成本投入以及模型訓(xùn)練成本投入等，這無疑提高其門檻。截至目前，雖然我國在AIGC方面奮起直追，但距離發(fā)達國家在該方面的投入、應(yīng)用能力、技術(shù)水平等多方面還存在較大差距。此外，大模型所需的GPU等算力芯片更新迭代較快，中美貿(mào)易戰(zhàn)導(dǎo)致的芯片禁售與斷供也對AIGC發(fā)展帶來較多不利。面對這些困難和大量人力物力投入，然而大模型相應(yīng)的商業(yè)盈利模式還未見清晰，機遇與風險并存，基于此，結(jié)合AIGC的技術(shù)架構(gòu)特點，分別論述AIGC所面臨的機遇和挑戰(zhàn)。

3.1 AIGC帶來的機遇

AIGC所帶來的機遇主要包含以下幾個方面：

（1）AIGC為數(shù)字經(jīng)濟注入新引擎

當前，全球經(jīng)濟越來越呈現(xiàn)數(shù)字化特征，人類社會正在進入以數(shù)字化為主要標志的新階段。數(shù)字經(jīng)濟，已經(jīng)成為世界的主要經(jīng)濟形態(tài)，也成為推動我國經(jīng)濟社會發(fā)展的核心動力。AIGC作為一種利用人工智能模型創(chuàng)建數(shù)字內(nèi)容的技術(shù)，它的出現(xiàn)讓自動化生成數(shù)據(jù)成為可能，它可以把隱性的知識轉(zhuǎn)變成顯性的知識，這也意味著數(shù)據(jù)資產(chǎn)可以實現(xiàn)指數(shù)級的增長、極大地改變企業(yè)數(shù)據(jù)資產(chǎn)的生成方式與構(gòu)成，進而推動IT跟業(yè)務(wù)的融合、提高工作效率、實現(xiàn)創(chuàng)新升級，AIGC將成為數(shù)字內(nèi)容創(chuàng)新發(fā)展的新引擎。Gartner預(yù)計，到2025年，生成式人工智能將占所有生成數(shù)據(jù)的10%，而目前由人工智能生成的數(shù)據(jù)占所有數(shù)據(jù)的比例不到1%，具有較大的潛力。根據(jù)麥肯錫最近發(fā)布的一份報告預(yù)估，AIGC能每年為全球經(jīng)濟增加4.4萬億美元。此外，據(jù)艾媒咨詢數(shù)據(jù)顯示，預(yù)計2023年中國AIGC行業(yè)核心市場規(guī)模為79.3億元，2028年將達2 767.4億元。因此，一方面數(shù)字經(jīng)濟為AIGC提供了廣闊的發(fā)展空間，另一方面，AIGC為數(shù)字經(jīng)濟提供了技術(shù)支持，AIGC的廣泛應(yīng)用已經(jīng)成為數(shù)字經(jīng)濟的新趨勢。隨著硬件的升級和算法改進優(yōu)化，AIGC的性能將越來越強大，AIGC模型體量/復(fù)雜度將極大提高，相應(yīng)內(nèi)容孿生、內(nèi)容編輯、內(nèi)容創(chuàng)作三大基礎(chǔ)能力將顯著增強，產(chǎn)品類型將逐漸豐富，應(yīng)用領(lǐng)域?qū)⒏訌V泛。

（2）AIGC催生新的軟件服務(wù)模式

由于大模型需要大算力、電力能源消耗、高精技術(shù)人才投入等，門檻較高，一般企業(yè)難以構(gòu)建自己的大模型，因此，AIGC催生出新的軟件服務(wù)模式—模型即服務(wù)MaaS（Model as a Service），MaaS模式是以機器學(xué)習(xí)和人工智能模型為基礎(chǔ)，通過API（應(yīng)用程序編程接口）提供這些模型的服務(wù)，這意味著在云端，開發(fā)者可以通過簡單的API調(diào)用來使用這些模型的功能，而不需要自己構(gòu)建和訓(xùn)練模型。這樣一來，企業(yè)開發(fā)應(yīng)用程序的效率大大提高，大大節(jié)省了時間和資源。于此同時，AIGC領(lǐng)域的發(fā)展也需要一個具有開放性和可擴展性的平臺支持。MaaS模式為AIGC領(lǐng)域提供了更加開放和標準化的平臺，使得更多的應(yīng)用程序可以接入和使用這些模型服務(wù)。這一模式的出現(xiàn)，為行業(yè)內(nèi)的企業(yè)帶來了更加便捷、靈活和可擴展的服務(wù)。通過利用MaaS模式，企業(yè)可以更加專注于應(yīng)用程序開發(fā)，無需過多關(guān)注模型的構(gòu)建和訓(xùn)練。這將使企業(yè)能夠更快地推出新的應(yīng)用程序，提供更好的產(chǎn)品和服務(wù)。MaaS模式將成為未來AIGC領(lǐng)域的重要接口，人工智能模型的開發(fā)、部署和應(yīng)用將變得更加便捷、靈活和可擴展。2023年9月8日，騰訊全球數(shù)字生態(tài)大會互聯(lián)網(wǎng)AIGC應(yīng)用專場上，騰訊云正式發(fā)布AIGC全棧解決方案，可為企業(yè)提供可信、可靠、可用的AIGC全鏈路內(nèi)容服務(wù)，助力企業(yè)探索AGI之路，抓住AI 2.0時代發(fā)展新機遇。

（3）AIGC為通信行業(yè)帶來新的發(fā)展機遇

隨著AI大模型等人工智能技術(shù)的發(fā)展，對算力需求將顯著增長，尤其是智算算力的需求激增，因此，相應(yīng)智算網(wǎng)絡(luò)規(guī)劃、智算中心布局和數(shù)據(jù)處理能力顯得尤為重要。面對當前日益嚴峻的國際形勢和逆全球化發(fā)展趨勢下，作為通信運營商來說，本身具有強大的基礎(chǔ)設(shè)施網(wǎng)絡(luò)和數(shù)據(jù)中心，無論是算力資源還是數(shù)據(jù)資源都較為豐富，同時具有良好的國家隊基因優(yōu)勢和資金優(yōu)勢，可以站在國家利益高度角度出發(fā)，在國家的頂層規(guī)劃和產(chǎn)業(yè)支持下，聯(lián)合科研院所、產(chǎn)業(yè)鏈等的力量，逐步建立并筑牢該產(chǎn)業(yè)鏈鏈長，加強在人工智能大模型基礎(chǔ)理論和應(yīng)用上的投入，集中技術(shù)和資金優(yōu)勢共同開展關(guān)鍵問題攻關(guān)并實現(xiàn)突破，跟上或是達到世界領(lǐng)先水平，在數(shù)字經(jīng)濟中擔負更大的使命。在AIGC產(chǎn)業(yè)中，運營商有望深度參與公共數(shù)據(jù)加工環(huán)節(jié)，一種模式是借助隱私計算技術(shù)和模式創(chuàng)新，提供大模型訓(xùn)練、推理階段的數(shù)據(jù)產(chǎn)品；另一種模式是合成相應(yīng)數(shù)據(jù)以滿足未來大模型快速增長的參數(shù)量，構(gòu)建大模型訓(xùn)練數(shù)據(jù)的監(jiān)督體系。最后，運營商還可圍繞行業(yè)智能的迭代升級需求，提供AI+泛行業(yè)解決方案，為企業(yè)創(chuàng)造新的增長點。

3.2 AIGC帶來的挑戰(zhàn)

AIGC所帶來的挑戰(zhàn)主要包括如下幾個方面：

（1）對版權(quán)保護、社會規(guī)范、倫理道德等帶來較大威脅

在版權(quán)保護方面，AIGC的飛速發(fā)展和商業(yè)化應(yīng)用，除了對創(chuàng)作者造成沖擊外，也對大量依靠版權(quán)為主要營收的企業(yè)帶來較大沖擊。在倫理道德方面，部分開源的AIGC項目對生成的圖像、文本、視頻、音頻等監(jiān)管程度較低，進行AI訓(xùn)練的數(shù)據(jù)集存在侵權(quán)等潛在風險，可利用AIGC生成虛假名人照片等違禁圖片，甚至?xí)谱鞒霰┝?、不雅等相?yīng)視頻和圖像，由于AI本身尚不具備價值判斷能力，相關(guān)法律法規(guī)仍處于真空。此外，如何進行數(shù)據(jù)脫敏并有效利用，充分發(fā)揮數(shù)據(jù)資源的價值，都將面臨較大挑戰(zhàn)。針對上述問題，2023年7月13日，國家網(wǎng)信辦等七部門聯(lián)合發(fā)布《生成式人工智能服務(wù)管理暫行辦法》，以堅持發(fā)展和安全并重、促進創(chuàng)新和依法治理相結(jié)合的原則，采取有效措施鼓勵A(yù)IGC創(chuàng)新發(fā)展，成為國家首次針對于當下爆火的AIGC產(chǎn)業(yè)發(fā)布規(guī)范性政策，為上述問題提供了相應(yīng)規(guī)范和要求，但相應(yīng)具體的手段和方法仍需進一步挖掘和完善。

（2）算力資源增長與能耗的帶來較大挑戰(zhàn)

根據(jù)OpenAI研究結(jié)果，AI訓(xùn)練所需算力指數(shù)增長速率遠超硬件的摩爾定律，在當前大模型參數(shù)量和數(shù)據(jù)集急速增長的情況下，所需的網(wǎng)絡(luò)帶寬和算力資源需求將呈指數(shù)級增長。大模型一般包含訓(xùn)練和推理兩個部分。針對訓(xùn)練部分，根據(jù)OpenAI發(fā)表的論文中對訓(xùn)練算力計算，一般情況下，訓(xùn)練階段算力需求與模型參數(shù)量、訓(xùn)練數(shù)據(jù)集規(guī)模等相關(guān)，且為二者乘積的6倍，以GPT為例，相應(yīng)參數(shù)規(guī)模如表3所示：

表3 GPT產(chǎn)品演進各個版本的參數(shù)規(guī)模

根據(jù)表3所述，GPT-3參數(shù)約為1 750億，訓(xùn)練語料規(guī)模（訓(xùn)練數(shù)據(jù)集）為45 TB，折合成訓(xùn)練集約為3 000億tokens，則GPT-3訓(xùn)練階段算力需求=6*1.75*1011*3*1011=3.15*1023FL OPS=3.15*108PFLOS，折合成算力為3 646 PFLOS-day。在實際過程中，GPU算力除用于模型訓(xùn)練外，還需處理通信、數(shù)據(jù)存取等任務(wù)，實際所需算力遠大于理論計算值。根據(jù)文獻[19]給出的結(jié)論，OpenAI訓(xùn)練GPT-3采用英偉達1萬塊V100 GPU，有效算力比率為21.3%，GPT-3的實際算力需求應(yīng)為1.48×109PFLOPS（17 117 PFLOPS-day）。假設(shè)以單機搭載16片V100 GPU的英偉達DGX2服務(wù)器承載GPT-3訓(xùn)練，該服務(wù)器AI算力性能為2 PFLOPS，最大功率為10 kW，則訓(xùn)練階段需要8 559臺服務(wù)器同時工作1日，在電源使用效率PUE（Power Usage Effectiveness）為1.2時總耗電量約為2 464 992 kWh，相當于302.94噸標準煤，對應(yīng)二氧化碳排放量745.25噸。從訓(xùn)練成本來說，OpenAI訓(xùn)練GPT-4的FLOPS約為2.15*e25，在大約25 000個A100上訓(xùn)練了90到100天，GPU利用率預(yù)估在32%到36%之間，訓(xùn)練的成本大約是6 300萬美元。

針對推理部分，按照OpenAI提供的計算方法，推理階段算力需求是模型參數(shù)量與訓(xùn)練數(shù)據(jù)集規(guī)模的2倍。根據(jù)表3所述，每輪對話最大產(chǎn)生2 048 tokens，則每輪對話產(chǎn)生的推理算力需求=2*1.75*1011*2048=7.168*1014=0.716 8 PFLOS，按照ChatGPT每日2 500萬訪問量，假設(shè)每賬號每次發(fā)生10論對話，則每日對話產(chǎn)生推理算力需求=0.7168*2.5*107*10=1.792*107PFLOS。同樣地，假定推理的有效算力比率為30%，則每日對話產(chǎn)生推理算力需求為5.973*107 PFLOS。按照上述方法測算，ChatGPT每日對話需要338臺服務(wù)器同時工作，每日耗電約為52 728 kWh。

從上述分析可知，在當前“雙碳”背景下，如何突破技術(shù)和成本的雙重壓力滿足AIGC帶來的高算力需求，如何應(yīng)對AIGC構(gòu)建與應(yīng)用過程中所帶來的算力洪峰等問題都需要深入思考和解決。

（3）構(gòu)建健壯性的智算網(wǎng)絡(luò)及調(diào)度平臺面臨較大挑戰(zhàn)

由于算力資源的異構(gòu)特性，針對智算集群，如何通過智算網(wǎng)絡(luò)實現(xiàn)高效連接、調(diào)度平臺進行高效配置等將決定其有效算力比率。智算平臺要求節(jié)點之間以極低時延（微秒級）、高帶寬（百GB以上）傳輸海量的數(shù)據(jù)信息，以保證多個節(jié)點按照統(tǒng)一的步調(diào)分工協(xié)作完成相應(yīng)任務(wù)。同時，智算中心等算力提供方所處位置區(qū)域、算力成本、能夠提供的資源類型等存在差異，如何將適合的計算資源分配給需求方也顯得尤為關(guān)鍵，同時也對算力的統(tǒng)一調(diào)度提出較大挑戰(zhàn)。當前，運營商提出算力網(wǎng)絡(luò)概念，并在相關(guān)技術(shù)上取得一系列突破，但在算力調(diào)度、算力路由、算網(wǎng)一體等方面還需深入研究，以更好適配和滿足AIGC技術(shù)架構(gòu)，提升其有效算力比率和數(shù)據(jù)流通效率等，構(gòu)建面向國內(nèi)的智算網(wǎng)絡(luò)和調(diào)度平臺將是未來需要深入研究的課題之一。

4 結(jié)束語

ChatGPT的出現(xiàn)，加速了AIGC技術(shù)和應(yīng)用的發(fā)展。AIGC作為是人工智能1.0時代進入2.0時代的重要標志，已經(jīng)為人類社會打開了認知智能的大門，它具有非常廣泛的應(yīng)用前景和市場潛力，可以為人類社會帶來更多的便利和創(chuàng)新，同時，也要看到AIGC存在諸多挑戰(zhàn)和面臨的各類風險問題。隨著深度學(xué)習(xí)、NLP等技術(shù)的不斷進步和融合創(chuàng)新，相信AIGC技術(shù)將會在未來數(shù)字經(jīng)濟中扮演越來越重要的角色，成為人工智能技術(shù)應(yīng)用的重要組成部分。