我國生成式人工智能的發(fā)展現(xiàn)狀與趨勢

【關(guān)鍵詞】生成式人工智能 語言模型人工智能 算法 算力

【中圖分類號】F124.3 【文獻標識碼】A

作為信息化、數(shù)字化、智能化的新型技術(shù)基座，生成式人工智能對于提升國家戰(zhàn)略地位與國際競爭力具有重要意義。2022年11月以來，隨著以ChatGPT為代表的大語言模型迅速發(fā)展，生成式人工智能（Generative Artificial Intelligence， GenAI）推動人工智能從算法智能（Algorithmic Intelligence，AI）進入語言智能（Linguistic Intelligence，LI）時代，正在全面革新社會生產(chǎn)力。當前，大語言模型成為現(xiàn)代人工智能的基石，構(gòu)筑起連接多模態(tài)的橋梁。2024年2月美國OpenAI發(fā)布的Sora，以其長達1分鐘的高質(zhì)量視頻生成能力，進一步開啟了想象智能（Imaginative Intelligence，II）新時代。Sora初步體現(xiàn)出世界模擬器的能力，為探索通用人工智能（Artificial General Intelligence， AGI）邁出了重要一步。我國近年來也在生成式人工智能領(lǐng)域不斷取得進展，文心一言、通義千問、盤古、混元、Kimi等大模型在中文應用領(lǐng)域建立優(yōu)勢，呈現(xiàn)出“百模爭鳴”的繁榮局面。同時，我國生成式人工智能也面臨著算法低效、數(shù)據(jù)不足、算力緊缺、能耗過高等問題，特別是我國在芯片受限的情況下，算力問題尤為突出①。本文將介紹生成式人工智能的發(fā)展，重點分析我國生成式人工智能所面臨的挑戰(zhàn)，進一步討論對策，并展望未來發(fā)展趨勢。

生成式人工智能的源起與發(fā)展

生成式人工智能是指一類能夠自主生成新內(nèi)容的人工智能技術(shù)，這些內(nèi)容可以包括文本、圖像、音頻和視頻等多種形式。生成式人工智能通過學習已有數(shù)據(jù)的模式和結(jié)構(gòu)，創(chuàng)造出全新的、未曾出現(xiàn)過的數(shù)據(jù)實例。生成式人工智能的核心在于其創(chuàng)造性和創(chuàng)新性，它不僅僅是復制或模仿現(xiàn)實，而是能夠基于已有知識進行創(chuàng)新，生成有價值的新內(nèi)容。生成式人工智能模型的例子包括生成對抗網(wǎng)絡(luò)（GAN）、變分自編碼器（VAE）和生成式預訓練Transformer（GPT）等。生成式人工智能應用領(lǐng)域廣泛，已經(jīng)對藝術(shù)、設(shè)計、娛樂，甚至科學研究帶來實質(zhì)變革。生成式人工智能的發(fā)展前景廣闊，它不僅能夠為人們的日常生活帶來便利， 還能夠幫助人們提高工作效率，促進產(chǎn)業(yè)升級，推進社會發(fā)展。

生成式人工智能研究范式與之前的深度學習有著明顯的不同之處。在過去，深度學習的理論與算法研究主要由學術(shù)界參與，而生成式人工智能的發(fā)展主要由包括Open AI、 Google、Met、Anthropi、Midjourney和Stability AI在內(nèi)的多家公司推動。這些公司在生成式人工智能領(lǐng)域投入了大量資源，并通過研發(fā)和商業(yè)應用推動了技術(shù)的進步和應用，使得生成式人工智能能夠更快地從實驗室走向市場，并在各個領(lǐng)域取得廣泛的應用和影響。

生成式人工智能在創(chuàng)造新內(nèi)容和推動技術(shù)進步的同時，也可能帶來一系列安全問題，主要包括以下幾個方面：

在虛假信息方面，生成式人工智能能夠制作逼真的文本、圖像、音頻和視頻內(nèi)容，這可能導致虛假新聞、偽造證據(jù)和誤導性信息的產(chǎn)生和傳播，對社會秩序和公共安全造成威脅。通過生成式人工智能技術(shù)，深度偽造技術(shù)（Deepfakes）可以創(chuàng)建逼真的偽造人臉和聲音，這可能被用于身份冒充、欺詐和誹謗，侵犯個人隱私和名譽權(quán)。生成式人工智能模型可能被用于制造惡意軟件或進行網(wǎng)絡(luò)攻擊，例如生成用于釣魚攻擊的逼真電子郵件或創(chuàng)建用于繞過安全系統(tǒng)的虛假憑證。

在版權(quán)與隱私保護方面，在訓練生成式人工智能模型時，可能需要大量的個人數(shù)據(jù)，這些數(shù)據(jù)如果未經(jīng)妥善處理，可能會泄露個人隱私，增加數(shù)據(jù)泄露的風險。生成式人工智能在創(chuàng)作過程中可能會無意中復制或模仿受版權(quán)保護的作品，從而引發(fā)知識產(chǎn)權(quán)糾紛。

在倫理和道德方面，生成式人工智能在創(chuàng)作內(nèi)容時，可能缺乏人類的判斷和審查，從而產(chǎn)生不當或不敏感的輸出。為此，世界各國正在加速立法，鼓勵生成式人工智能技術(shù)的創(chuàng)新應用，同時規(guī)定了服務提供者和使用者應當遵守的基本規(guī)范，包括尊重知識產(chǎn)權(quán)和他人合法權(quán)益，提高生成內(nèi)容的準確性和可靠性等，確保其健康有序地發(fā)展。

此外，據(jù)《紐約客》相關(guān)報道，OpenAI的GPT-3在訓練階段單次耗電量高達128.7萬度；而ChatGPT部署上線后，按照日均請求2億次計算，支撐推理應答服務的耗電高達每天50萬度。在我國，根據(jù)公開資料，三峽大壩年平均發(fā)電量約為850億度，而2022年我國主要數(shù)據(jù)中心耗電量達到2700億度，已是三峽年均發(fā)電量的3倍多。冷卻用水消耗、碳排放足跡等，也將對生態(tài)環(huán)境造成不可忽視的影響。

我國生成式人工智能發(fā)展現(xiàn)狀

總體情況。自2022年11月ChatGPT發(fā)布以來，國產(chǎn)大模型迅速崛起，形成了“百模爭鳴”的繁榮局面。百度的文心1.0通用大模型自2019年首次推出后，已升級至4.0版本。阿里云、華為、騰訊、科大訊飛等公司也推出了各自的通用大模型，如通義千問、盤古、混元和星火等，并向公眾開放。在這場競賽中，初創(chuàng)企業(yè)也取得了顯著成就，例如“月之暗面”推出的Kimi智能助手大模型，支持高達200萬漢字的上下文長度，引起了業(yè)界廣泛關(guān)注。學術(shù)界也積極參與國產(chǎn)大模型的研究，例如中科院自動化所發(fā)布了全球首個圖文音三模態(tài)預訓練模型——紫東太初大模型，上海人工智能實驗室與復旦大學聯(lián)合發(fā)布了書生·浦語通用大模型（InternLM）。為推動技術(shù)與市場發(fā)展，一些廠商提供了開源版本的大模型，如阿里云的Qwen系列、零一萬物的Yi系列、智譜華章的GLM系列、科大訊飛的iFlytekSpark系列、百川智能的Baichuan系列等。這些開源模型為研究和應用提供了便利，進一步促進了國產(chǎn)大模型技術(shù)的創(chuàng)新和應用。

為了增強對蓬勃發(fā)展的國產(chǎn)大模型的認識，新華社研究院中國企業(yè)發(fā)展研究中心于2023年發(fā)布了三版《2023年人工智能大模型體驗報告》，回顧了大模型產(chǎn)品市場的激烈競爭，并對當前大模型產(chǎn)品和廠商進行了整體測評。同時，多個機構(gòu)也推出了各自的大模型評測體系和排行榜，如“司南”（OpenCompass）、C-Eval、SuperCLUE等，廠商間的激烈競爭彰顯了該行業(yè)的活力與吸引力。排行榜在展現(xiàn)國產(chǎn)大模型激烈競爭的同時，也揭示出業(yè)內(nèi)的亂象，例如模型套殼、評分作假等。

領(lǐng)域應用。在通用大模型的基礎(chǔ)上發(fā)展領(lǐng)域?qū)Ｓ媚Ｐ?，推進垂直領(lǐng)域應用是我國生成式人工智能領(lǐng)域的特色。國內(nèi)專用領(lǐng)域大模型在科學研究、教育、醫(yī)學、工業(yè)、金融多個行業(yè)得到應用和發(fā)展。

在AI4S（AI for Science）領(lǐng)域，華為的盤古氣象大模型利用深度神經(jīng)網(wǎng)絡(luò)和地球先驗知識，實現(xiàn)了高精度的實時氣象預測，超越了傳統(tǒng)數(shù)值預測方法?；瘜W領(lǐng)域，中國科學技術(shù)大學提出的Chem-GPT模型/華東師范大學的提出的ChenGPT1.0/上海交通大學提出的BAIChem大模型，以及西北工業(yè)大學與華為合作的“秦嶺·翱翔”流體力學大模型，均在各自領(lǐng)域取得了一定的成果。

在教育領(lǐng)域，華東師范大學和北京語言大學分別開發(fā)的EduChat和桃李教育大模型，以及學而思的九章大模型（MathGPT）和網(wǎng)易有道的子曰教育大模型，展示了大模型在輔助教學過程中的重要作用。

在工業(yè)領(lǐng)域，中國廣核集團推出的“錦書”核工業(yè)語言大模型、中科院大連化物所的化工大模型、中工互聯(lián)公司的“智工”大模型，以及中煤科工西安研究院的“GeoGPT”地質(zhì)大模型，提升了工業(yè)領(lǐng)域的智能化水平。

在醫(yī)學領(lǐng)域，華南理工大學的生活空間健康大模型扁鵲（BianQue）和心理健康大模型靈心（SoulChat）、香港中文大學的華佗GPT模型、浙江大學的啟真醫(yī)療大模型、醫(yī)聯(lián)科技的medGPT大模型，以及多個中醫(yī)藥大模型如百度健康的岐黃問道大模型、華東師范大學的神農(nóng)中醫(yī)藥大模型（ShenNong-TCM）、復旦大學和同濟大學合作的仲景中醫(yī)大語言模型（CMLMZhongJing）、南京大學與鄭州大學的黃帝模型（HuangDi）等等，推動了醫(yī)療健康領(lǐng)域的智能化發(fā)展。

在金融領(lǐng)域，中國科學院成都計算機應用研究所的“聚寶盆”金融知識問答大模型、度小滿的“軒轅”千億級開源金融大模型、恒生電子的LightGP、瀾舟科技的孟子大模型，以及香港科技大學的InvestLM投資金融大模型，在金融行業(yè)中發(fā)揮日益重要的作用。

這些行業(yè)大模型初步提升了行業(yè)生產(chǎn)效率，不斷塑造新動能、新優(yōu)勢。同時，大模型在某些行業(yè)的落地應用還存在很多挑戰(zhàn)，發(fā)展前景具有不確定因素。

政策法規(guī)。為了國產(chǎn)大模型的規(guī)范化和健康化發(fā)展，國家網(wǎng)信辦聯(lián)合國家發(fā)展改革委、教育部、科技部等七部門聯(lián)合發(fā)布《生成式人工智能服務管理暫行辦法》，規(guī)定對生成式人工智能大模型實施“備案制”管理。此外，為了滿足當前國產(chǎn)大模型發(fā)展所引發(fā)的巨大算力需求，我國陸續(xù)出臺了《全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系算力樞紐實施方案》《算力基礎(chǔ)設(shè)施高質(zhì)量發(fā)展行動計劃》《“十四五”數(shù)字經(jīng)濟發(fā)展規(guī)劃》等一系列文件推動算力基礎(chǔ)設(shè)施建設(shè)。

我國生成式人工智能面臨的挑戰(zhàn)

雖然我國在生成式人工智能領(lǐng)域呈現(xiàn)出繁榮景象，但與國際領(lǐng)先水平相比，我國在算力設(shè)施、數(shù)據(jù)質(zhì)量、算法創(chuàng)新、資金投入、人才儲備、產(chǎn)業(yè)發(fā)展、生態(tài)建設(shè)等方面仍有一定差距。

算力。在AI算力領(lǐng)域，美國英偉達公司在全球占據(jù)主導地位，而國內(nèi)AI芯片制造商如華為、寒武紀、摩爾線程、壁仞科技、海光信息、天數(shù)智芯等也在積極發(fā)展，百度、科大訊飛等企業(yè)也聯(lián)合國產(chǎn)芯片廠開放部署了自主可控大模型算力底座“星火一體機”、“飛星一號”等平臺。其中，華為在AI計算領(lǐng)域水平最為領(lǐng)先，推出了基于達芬奇架構(gòu)的昇騰系列AI芯片。面對當前海外高性能芯片進口受限的現(xiàn)實，國產(chǎn)高性能芯片取得了一定的發(fā)展，但與國際先進水平相比，仍存在一定差距。

以英偉達的H100（SXM）和華為的昇騰Ascend 910B為例，作為國際和國內(nèi)主力AI芯片，H100（SXM）的FP16算力達到1979TFLOPS，是昇騰910B的5.2倍；顯存方面，H100（SXM）的80G HBM3是昇騰910B的64GHBM2的1.25倍，且新一代顯存帶來的性能差距更大。此外，H100（SXM）采用NVLINK技術(shù)，具有900GB/s的卡間互聯(lián)帶寬，是昇騰910B的2.25倍。英偉達的CUDA架構(gòu)和專用庫如CuDNN，形成了成熟的軟硬件生態(tài)，而華為的CANN架構(gòu)雖在不斷完善，但起步較晚，在算子豐富度及算法優(yōu)化方面仍存在差距。尤其值得注意的是，英偉達等企業(yè)的AI芯片快速迭代升級，而我國由于受到芯片制造技術(shù)封鎖，產(chǎn)品更新速度大大減慢。英偉達在2023年發(fā)布了新一代H200芯片，顯存容量提升至141G，大模型推理速度翻倍。2024年3月，英偉達又發(fā)布了Blackwell計算平臺，性能顯著提升。例如，訓練1.8萬億參數(shù)的GPT-4，使用Blackwell平臺相比Hopper能耗大幅降低。相比之下，華為的昇騰Ascend 910在2019年就已推出，而升級版Ascend 910B在2023年才小規(guī)模投入使用。此外，谷歌基于自研TPU的算力平臺已經(jīng)體現(xiàn)出強大的實力，近期備受關(guān)注的Groq公司研發(fā)的大語言模型推理芯片LPU，推理速度可達H100的十倍。綜合來看，我國與國際算力先進水平的差距短期內(nèi)進一步拉大。

數(shù)據(jù)。數(shù)據(jù)是生成式人工智能的核心要素之一，我國在人工智能訓練數(shù)據(jù)的質(zhì)量和數(shù)量、管理、共享、應用等方面與國外英文數(shù)據(jù)相比，存在一些差距和挑戰(zhàn)：

在數(shù)據(jù)質(zhì)量和多樣性方面，我國的中文數(shù)據(jù)雖然近年來快速增長，但在某些領(lǐng)域，如專業(yè)醫(yī)療、法律等，高質(zhì)量的標注數(shù)據(jù)仍然相對不足。英文數(shù)據(jù)由于互聯(lián)網(wǎng)歷史較長、用戶基數(shù)大，覆蓋了廣泛的文化和語境，積累了大量的高質(zhì)量文本和多媒體數(shù)據(jù)，這有助于訓練出更具泛化能力的AI模型。中文數(shù)據(jù)雖然在本土文化和語境上具有優(yōu)勢，但在處理多方言、多文化背景下的數(shù)據(jù)上，仍需加強多樣性和包容性。

在數(shù)據(jù)管理和共享方面，我國公共數(shù)據(jù)范圍廣泛，但在開放共享和開發(fā)利用方面存在不足。例如，天氣數(shù)據(jù)在范圍和歷史跨度上有所限制，法律領(lǐng)域的裁判文書網(wǎng)由公開轉(zhuǎn)為內(nèi)網(wǎng)查詢。社會力量主要依賴海外優(yōu)質(zhì)開源數(shù)據(jù)集，中文語料主要來源于網(wǎng)絡(luò)公開數(shù)據(jù)，政府數(shù)據(jù)貢獻相對較少。為提升我國在AI領(lǐng)域的競爭力，需要加強公共數(shù)據(jù)的開放共享，優(yōu)化數(shù)據(jù)管理和利用，鼓勵政府和社會力量的合作，共同推動數(shù)據(jù)資源的高效開發(fā)和應用?？傮w而言，中文語料庫的量、質(zhì)、開源情況都不如英文，存在數(shù)據(jù)資源碎片化和流通機制不完善的問題，尚未形成對大模型提供有效數(shù)據(jù)資源的生態(tài)，一定程度上阻礙了我國生成式人工智能的發(fā)展。

算法。算法、數(shù)據(jù)和算力是深度學習三大要素。在基礎(chǔ)算法方面，2017年谷歌提出的Transformer已經(jīng)成為生成式AI的核心模塊。此后，多模態(tài)領(lǐng)域的CLIP，生成式領(lǐng)域的擴散模型（Diffusion Model）、混合專家模型（MoE）等方法均由國外機構(gòu)提出并發(fā)展，而我國科研機構(gòu)提出的創(chuàng)新方法相對較少且影響力不足。

在大語言模型方面，谷歌的Bert和OpenAI的GPT最先開啟了新時代，特別是OpenAI發(fā)布的ChatGPT成為AI發(fā)展路程上的一個里程碑。而后續(xù)的GPT-4以其在多數(shù)任務指標上的優(yōu)異表現(xiàn)，在眾多語言大模型中仍然占據(jù)榜首。Meta開源的Llama大模型雖然稍晚性能稍遜，但是其開源屬性，成為世界上眾多大模型的源頭。在文本生成圖像方面，OpenAI的DALL·E和谷歌的Imagen在2022年最先發(fā)布，以其高真實度的效果迅速引起了全球范圍的注意，人工智能生成內(nèi)容（AIGC）進入新時代。在文本生成視頻方面， OpenAI在2024年2月發(fā)布Sora，再次取得歷史性突破。在大語言模型領(lǐng)域，國內(nèi)的百度、智源、中科院等單位具有先發(fā)優(yōu)勢，推出文心一言、GLM等大模型。2022年以來在開源力量等因素的推動下，形成“百模大戰(zhàn)”的繁榮局面，但整體上的性能沒有超過GPT-4等國外模型。而在文本生成視頻方面，國內(nèi)與Sora的差距更為明顯。

促進我國生成式人工智能發(fā)展的對策建議

在當前形勢下，我國應在算力能效結(jié)合、數(shù)據(jù)開放共享、模型垂直應用、生態(tài)綜合健全等方面統(tǒng)籌規(guī)劃，調(diào)動各方力量，實現(xiàn)全面發(fā)展。

第一，鼓勵計算架構(gòu)多元創(chuàng)新，充分利用我國能源優(yōu)勢，建設(shè)高能效智能算力網(wǎng)絡(luò)。在計算芯片方面，應探索發(fā)展更適合AI計算的架構(gòu)，發(fā)展多樣化技術(shù)路線。雖然在短期內(nèi)Nvidia的GPU系列仍將是AI計算的主要平臺，但其也存在設(shè)計上的不足，一些新、舊勢力正在打破其壟斷局面。例如美國初創(chuàng)公司Groq研發(fā)的LPU，專門面向大語言模型推理，速度獲得顯著提升，而老牌Intel最新研發(fā)的AI計算芯片Gaudi3，訓練性能達到Nvidia H100的1.7倍。我國也應激勵研發(fā)AI專用體系架構(gòu)，充分利用RISC-V等開源架構(gòu)，加快芯片制造技術(shù)升級，探索自主可控的計算生態(tài)體系。此外，應加快量子計算等新計算形式的研究。量子計算利用量子疊加和量子糾纏原理，其天然的并行處理能力遠高于目前的主流處理器。近年來量子計算實現(xiàn)技術(shù)快速發(fā)展，量子機器學習等領(lǐng)域已經(jīng)展現(xiàn)出潛力。

在電力供給方面，隨著AI算力的不斷提升，對電力的需求也在急劇增長，電力已成為AI算力對決的關(guān)鍵因素。生成式人工智能技術(shù)的發(fā)展離不開算力的支撐，而算力的提升又離不開電力的供應。我國“百模大戰(zhàn)”或?qū)又撬阒行募捌渑涮姿璧南嚓P(guān)電力、儲能基礎(chǔ)設(shè)施建設(shè)和投運速度的大幅提高。對此，除強化國家級超算中心之外，我國可著重從兩個方面應對能源算力不斷增長的挑戰(zhàn)。一是開展算力與能源的結(jié)合，參考比特幣“礦廠”模式，將算力中心部署在在四川、云南、內(nèi)蒙古、新疆等電力充足地區(qū)，就近利用火電、水電、風能、太陽能，依托自主硬件設(shè)備，建設(shè)高效能算力中心，助力“東數(shù)西算”。二是通過分布式計算調(diào)動社會資源，進一步利用社會閑置算力，吸引公眾參與科學研究。

第二，建立聯(lián)邦數(shù)據(jù)基礎(chǔ)，鼓勵開放共享，促進數(shù)據(jù)提質(zhì)增量。針對數(shù)據(jù)存量少、質(zhì)量低、開放不足、共享機制不完善的問題，我國首要任務是建設(shè)智能聯(lián)邦生態(tài)系統(tǒng)②，而聯(lián)邦數(shù)據(jù)③是其中的當務之急。聯(lián)邦數(shù)據(jù)為數(shù)據(jù)安全和隱私問題提供有效解決方案，其運行機理遵循平行智能范式，能夠根據(jù)Morton定律和平行強化學習等方法探索實現(xiàn)數(shù)據(jù)最優(yōu)化，為將大數(shù)據(jù)轉(zhuǎn)化為智能打下基礎(chǔ)。聯(lián)邦數(shù)據(jù)的架構(gòu)包括六個組件③，即真實數(shù)據(jù)/物理對象、虛擬數(shù)據(jù)/數(shù)字孿生、聯(lián)邦數(shù)據(jù)實驗、聯(lián)邦融合、聯(lián)邦安全和可信聯(lián)邦智慧。前兩個組件用于處理來自物理對象的真實數(shù)據(jù)和安裝在特定設(shè)備上的數(shù)字孿生生成的虛擬數(shù)據(jù)，以及其他方法生成的虛擬數(shù)據(jù)。聯(lián)邦數(shù)據(jù)實驗是探索最優(yōu)模型的關(guān)鍵過程之一，通過在解決方案空間中搜索，例如，使用強化學習和并行強化學習找到本地模型的最優(yōu)參數(shù)。聯(lián)邦融合組件負責將本地模型合成全局最優(yōu)模型，通過使用專門設(shè)計的模型融合算法，如動態(tài)融合機制。聯(lián)邦安全組件負責實現(xiàn)數(shù)據(jù)安全和隱私。數(shù)據(jù)所有權(quán)和使用權(quán)是分開的，即對于特定節(jié)點，數(shù)據(jù)存儲在其本地地址，而這些數(shù)據(jù)訓練的模型被轉(zhuǎn)移到聯(lián)邦融合和聯(lián)邦數(shù)據(jù)實驗組件，類似于聯(lián)邦學習。此外，安全性還可以通過區(qū)塊鏈或其他加密方法進一步提高。從聯(lián)邦數(shù)據(jù)實驗和聯(lián)邦融合的結(jié)果中，可以獲得可信的聯(lián)邦智能。

第三，持續(xù)算法創(chuàng)新，打造專業(yè)大模型，開拓垂直領(lǐng)域應用新場景。在短期內(nèi)我國AI算力受限、模型算法創(chuàng)新突破難度較大的背景下，應在持續(xù)鼓勵算法創(chuàng)新的同時，以彌補算力短板、促進產(chǎn)業(yè)升級、解決行業(yè)痛點為出發(fā)點，著力打造專業(yè)大模型，開拓垂直領(lǐng)域應用新場景。通過專注于垂直領(lǐng)域的專業(yè)大模型，可以更有效地利用現(xiàn)有算力資源，避免在通用AI模型上的重復資源浪費。專業(yè)大模型針對特定問題進行優(yōu)化，能夠在有限的算力下實現(xiàn)更高的性能和效率。專業(yè)大模型能夠針對特定行業(yè)的需求提供定制化的智能解決方案，推動傳統(tǒng)產(chǎn)業(yè)的數(shù)字化和智能化轉(zhuǎn)型，從而提升整個產(chǎn)業(yè)鏈的技術(shù)水平和價值創(chuàng)造能力。例如，在醫(yī)療、金融、交通、教育等關(guān)鍵領(lǐng)域，專業(yè)大模型能夠解決行業(yè)痛點問題，如提高疾病診斷的準確性、優(yōu)化金融服務的個性化推薦、緩解交通擁堵等，持續(xù)增進人民福祉。

第四，探索TAO（True DAO），發(fā)展智能聯(lián)邦生態(tài)，健全智能生態(tài)。如前所述，人工智能技術(shù)的創(chuàng)新和健康發(fā)展涉及到算力、算法、數(shù)據(jù)多個要素，需要政府、學術(shù)界、企業(yè)以及社會大眾的共同努力。因此，建立健全促進AI發(fā)展的生態(tài)體系十分關(guān)鍵。

一方面，充分利用區(qū)塊鏈、分布式自治組織（DAO）④⑤，借助目前國際上開始流行的Web3和DeSci浪潮，推進我國AI領(lǐng)域全面發(fā)展。區(qū)塊鏈是一種分布式賬本技術(shù)，它通過加密和共識機制確保數(shù)據(jù)的不可篡改性和透明性。在AI領(lǐng)域，區(qū)塊鏈可以用于確保數(shù)據(jù)的安全性和隱私性，同時為AI模型提供高質(zhì)量、可追溯的數(shù)據(jù)源。分布式自治組織（DAO）是一種基于區(qū)塊鏈技術(shù)的組織形式，它通過智能合約自動執(zhí)行組織的規(guī)則和決策過程，可以為AI項目提供去中心化的管理和資金分配機制，與區(qū)塊鏈結(jié)合促進AI技術(shù)的開放協(xié)作和共同治理之TAO（True DAO）⑥。Web3指的是構(gòu)建在區(qū)塊鏈技術(shù)之上的下一代互聯(lián)網(wǎng)，它所強調(diào)的數(shù)據(jù)去中心化存儲、用戶隱私保護、數(shù)據(jù)所有權(quán)歸還給用戶等理念，為AI提供了一個更加開放、透明和安全的數(shù)據(jù)環(huán)境。以上技術(shù)應用的一個領(lǐng)域范例就是DeSci，利用區(qū)塊鏈和智能合約等技術(shù)，實現(xiàn)科學研究的去中心化、開放和共享。DeSci鼓勵跨學科合作，促進科學數(shù)據(jù)和研究成果的公開共享，也能夠為AI提供豐富的數(shù)據(jù)資源和創(chuàng)新動力。Web3、分布式自治組織（DAO）、區(qū)塊鏈和DeSci在發(fā)展人工智能中將共同推動技術(shù)進步、促進數(shù)據(jù)共享、增強系統(tǒng)安全性和推動去中心化治理，為AI的健康發(fā)展和廣泛應用提供堅實的基礎(chǔ)。

另一方面，應建立聯(lián)邦數(shù)據(jù)、聯(lián)邦控制⑦、聯(lián)邦管理⑧⑨和聯(lián)邦服務⑩為一體的聯(lián)邦生態(tài)，推動聯(lián)邦智能發(fā)展為智能系統(tǒng)聯(lián)邦。聯(lián)邦控制在聯(lián)邦生態(tài)中扮演核心角色，其主要目標是維護信息安全和保護數(shù)據(jù)的所有權(quán)、控制權(quán)、隱私權(quán)和使用權(quán)。作為一種分布式控制策略，聯(lián)邦控制為大型復雜系統(tǒng)提供高效、安全和可靠的管理和控制。聯(lián)邦管理是聯(lián)邦生態(tài)的關(guān)鍵組成部分，負責根據(jù)生態(tài)目標和要求制定管理決策，并根據(jù)系統(tǒng)狀態(tài)變化動態(tài)調(diào)整。通過聯(lián)邦管理，生態(tài)系統(tǒng)能夠達到最優(yōu)狀態(tài)，實現(xiàn)目標，并在保障安全的前提下，實現(xiàn)智能化管理。聯(lián)邦管理的目的是通過對聯(lián)邦數(shù)據(jù)的聯(lián)邦控制來實現(xiàn)聯(lián)邦服務。在實現(xiàn)聯(lián)邦服務的過程中，不斷產(chǎn)生大量新的數(shù)據(jù)，這些數(shù)據(jù)可以添加到聯(lián)邦數(shù)據(jù)中，用于優(yōu)化聯(lián)邦管理決策。

通過構(gòu)建上述分布式和聯(lián)邦化相結(jié)合的生態(tài)系統(tǒng)，做到資源有效調(diào)配，激發(fā)創(chuàng)新活力，綜合維度促進AI全面健康發(fā)展。以DeSci為基礎(chǔ)，國際化的無人駕駛大模型MetaVista、食品大模型MeTaurant、運動大模型MetaSport、健康大模型MetaSEEH3O2，以及慧拓智能推出的礦山大模型愚公（YuKon）等正在快速發(fā)展，展現(xiàn)出新生態(tài)的活力。

生成式人工智能的發(fā)展趨勢與展望

生成式人工智能作為人工智能中發(fā)展最快的一個領(lǐng)域，傳統(tǒng)巨頭和創(chuàng)業(yè)公司的突破性產(chǎn)品在短時間內(nèi)相繼推出，可謂日新月異。算法、模型、算力、應用的相互促進，形成飛輪效應，在未來一段時期為生成式人工智能的持續(xù)繁榮提供動力?？傮w而言，我國雖然面臨算力能源約束、數(shù)據(jù)質(zhì)量不足等問題，但生成式人工智能的發(fā)展前景依然廣闊。

第一，大模型的規(guī)模效應（Scaling Law）仍有擴展?jié)摿?。雖然研究新算法以替代Transformer的呼聲日益高漲，但如Mamba等新架構(gòu)尚在驗證和改進階段，未被廣泛接受和使用?；赥ransformer 并結(jié)合MoE的架構(gòu)在短期內(nèi)仍將不斷擴展規(guī)模效益的邊界。

第二，多模態(tài)大模型是發(fā)力的重點。語言大模型能力相對完備，成為鏈接各個模態(tài)的橋梁，文生圖、文生視頻等將逐步完善，促進從語言智能向想象智能的范式轉(zhuǎn)換。

第三，行業(yè)大模型是重點方向?；谏贁?shù)基礎(chǔ)大模型打造面向特定行業(yè)的專業(yè)模型是“AI+”行業(yè)賦能的有效方式，參數(shù)高效微調(diào)（PEFT）技術(shù)通過最小化微調(diào)參數(shù)數(shù)量和計算復雜度，能夠顯著降低訓練時間和成本。例如，LoRA、Prompt Tuning等技術(shù)能在計算資源有限的情況下，實現(xiàn)高效的遷移學習。

第四，生成式人工智能將進一步增加對算力與能源的需求。隨著大模型規(guī)模效應的進一步發(fā)展，以及文生圖、文生視頻等多模態(tài)應用需求的高速增長，算力緊缺將是未來一段時間的常態(tài)，特別是我國在芯片受限的情況下這一問題更加突出。同時，算力緊缺也將促進AI專用芯片的研發(fā)，面向底層算法加速的異構(gòu)芯片將擠占Nvidia的市場，我國自主AI算力芯片也將快速成長。

（作者為中國科學院復雜系統(tǒng)管理與控制國家重點實驗室研究員）【注釋】

①盧經(jīng)緯、郭超等：《問答ChatGPT之后： 超大預訓練模型的機遇和挑戰(zhàn)》， 《自動化學報》 2023第4期，第705-717頁。

②王飛躍、王艷芬等：《聯(lián)邦生態(tài)： 從聯(lián)邦數(shù)據(jù)到聯(lián)邦智能》，《智能科學與技術(shù)學報》， 2020年第4期，第305-311頁。

③劉昕、王曉等：《平行數(shù)據(jù)： 從大數(shù)據(jù)到數(shù)據(jù)智能》，《模式識別與人工智能》，2017年第8期，第673-681頁。

④Miao Q， Zheng W， et al. DAO to HANOI via DeSci： AI paradigm shifts from AlphaGo to ChatGPT. IEEE/CAA Journal of Automatica Sinica， 2023， 10（4）： 877-897.

⑤Wang F Y. The DAO to metacontrol for metasystems in metaverses： The system of parallel control systems for knowledge automation and control intelligence in CPSS. IEEE/CAA Journal of Automatica Sinica， 2022， 9（11）： 1899-1908.

⑥Li J and Wang F Y，The TAO of blockchain intelligence for intelligent Web 3.0， IEEE/CAA J. Autom. Sinica，2023，10（12）： 2183-2186.

⑦朱靜、王飛躍等：《聯(lián)邦控制：面向信息安全和權(quán)益保護的分布式控制方法》，《自動化學報》，2021年第8期，第1912-1920頁。

第4期，第705-717頁。

⑧Wang F Y， Qin R， et al. Federated management： Toward federated services and federated security in federated ecology. IEEE Transactions on Computational Social Systems， 2021， 8（6）： 1283-1290.

⑨王飛躍： 《平行管理復雜性管理智能的生態(tài)科技與智慧管理之DAO》，《自動化學報》，2022年第11期，第2655-2669頁。

⑩Li J， Qin R， et al. The future of management： DAO to smart organizations and intelligent operations. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 53（6）： 3389-3399.

責編/李一丹 美編/李祥峰