2023中国AIGC市场研究报告：ChatGPT的技术演进、变革风向与投资机会分析

出品机构：甲子光年智库研究团队：张一甲、宋涛发布时间：2023.02 Part01人工智能的概念与界定P02 目录 Part02人工智能的技术演进与趋势P06 Part03ChatGPT带来的变革趋势P26 Part04AIGC风口下的投资机会P41 现在一说起人工智能的起源，公认是1956年的达特茅斯会议。殊不知还有个前戏，1955年，美国西部计算机联合大会 （WesternJointComputerConference）在洛杉矶召开，会中还套了个小会：学习机讨论会（SessiononLearningMachine）。讨论会的参加者中有两个人参加了第二年的达特茅斯会议，他们是塞弗里奇（OliverSelfridge）和纽厄尔（AllenNewell）。塞弗里奇发表了一篇模式识别的文章，而纽厄尔则探讨了计算机下棋，他们分别代表两派观点。讨论会的主持人是神经网络的鼻祖之一皮茨（WalterPitts），他最后总结时说：“（一派人）企图模拟神经系统，而纽厄尔则企图模拟心智（mind）……但殊途同归。”这预示了人工智能随后几十年关于“结构与功能”两个阶级、两条路线的斗争。 ——尼克《人工智能简史》 曾经，建制派被看作“唯一的主导力量”，“逻辑驱动”的人工智能曾主宰数十年。彼时，人们相信依据逻辑的程序是简单的，为了抵达智能，科学家们为每个不同问题编写不同程序，纷纷变成“劳动密集型”工种。但人们低估了现实世界的复杂度，问题越大，程序越复杂，逐渐错误百出、频频崩溃，使这条路进展缓慢；另一派“野路子”便是深度学习。作为跨学科产物，深度学习不追求解释和逻辑，以神经网络开启了“暴力美学”大门——计算机从数据中学习、进化，让人工智能变成“数据密集型”学科，最终从应用表现中大幅胜出，主宰当今人工智能世界。 ——《甲小姐对话特伦斯：进化比你聪明》 1.1人工智能源起 三大学派：路线相爱相杀，理念相辅相成，一斗六十年 符号主义（Symbolism） 联结主义（Connectionism） 行为主义（Actionism） •又称：逻辑主义、心理学派或计算机学派。 •原理：物理符号系统(即符号操作系统)假设和有限合理性原理。 •起源：源于数理逻辑/逻辑推理。 •学派代表：纽厄尔、西蒙和尼尔逊等。 •主张：将符号作为人工智能的基本元素，人工智能的运行建立在由符号构成的数理逻辑之上。 •又称：仿生学派或生理学派。 •原理：神经网络及神经网络间的连接机制与学习算法。 •起源：源于仿生学，特别是人脑模型的研究。 •学派代表：麦克洛奇、皮茨、霍普菲尔德、鲁梅尔哈特等。 •主张：试图使机器模拟大脑，通过建立一个类似 于人脑中神经元的模拟节点网络来处理信号。 •又称：进化主义或控制论学派。 •原理：控制论及感知—动作型控制系统。 •起源：源于控制论。 •学派代表作：布鲁克斯的六足行走机器人，一个基于感知-动作模式的模拟昆虫行为的控制系统。 •主张：从还原论的立场出发放弃对意识的研究，专注于人和动物等有机体行为的研究。 1.2人工智能的六大学科 人工智能主要包括六大学科，当下业界讨论往往聚焦机器学习这一学科 机器学习之所以如此火爆，是因为它是一种可以让计算机自动学习和改进的技术。 与传统的程序设计方法不同，机器学习允许计算机从数据中学习规律和模式，并在未知数据上进行预测和决策。这使得机器学习在各种领域都具有广泛应用前景，包括自然语言处理、计算机视觉、机器人技术、金融、医疗、电子商务等等。 计算机视觉 自然语言理解与交流 认知与推理机器人学博弈与伦理机器学习 机器学习火热背后的原因： •数据量的爆炸式增长：随着数字化时代的到来，人类生产的数据量正在呈指数级增长，这些数据中蕴含着很多宝贵的信息，而机器学习可以通过对这些数据的分析和学习，发现其中的规律和模式，并将其应用于各种领域。 暂且把模式识别、图像处理等问题归入其中 感知、认知、决策 暂且把语音识别、合成归入其中，包括对话 感知、认知、决策、学习、执行 包含各种物理和社会常识 认知、决策 机械、控制、设计、运动规划、任务规划等 感知、认知、决策、学习、执行和社会协作能力 多代理人agents的交互、对抗与合作，机器人与社会融合等议题 人类情感、伦理与道德观念 各种统计的建模、分析工具和计算的方法 感知、认知、决策、学习、执行和社会协作能力 •计算能力的提高：随着计算机硬件和软件技术的不断发展， 计算能力越来越强，能够处理大规模的数据和复杂的算法，这使得机器学习变得更加高效和实用。 •开源框架的出现：出现了许多优秀的机器学习框架，如 TensorFlow、PyTorch等，它们不仅提供了丰富的工具和算法，而且是免费开源的，使得机器学习技术更加普及和易用。 •商业应用的需求：机器学习技术在商业应用中也有广泛的应用，如推荐系统、广告投放、欺诈检测等等，这些应用在商 六大学科是七种能力的排列组合： ①感知、②认知、③决策、④学习、⑤执行、⑥社会协作能力（人机交互），⑦符合人类情感、伦理与道德观念 业领域中起着至关重要的作用，推动了机器学习技术的快速 发展。 1.3人工智能的七种能力 AI七大关键能力在进化中逐步扩展累积，逐步“解放大脑” 人工智能的出现，意味着具有自主的感知、认知、决策、学习、执行、社会协作能力，符合人类情感、伦理与道德观念的智能机器逐步浮现，成为帮助人类提高生产能力和效率的新型工具。 与人类几千年来创造出来的各种“解放四肢”的工具和机器不同，其是一类逐步“解放大脑”的工具。 AI能力 情感伦理 社会协作 执行学习 决策决策 认知感知 图：不同时期AI侧重能力进化路线 +认知 +学习 +感知 当 +下 社会协作 +执行 （交互） 七大能力之间存在阶段性侧重和先后关系，但同时也是相互关联、相互作用的，不断地相互影响和改进。 + 情感？ •感知是智能机器获取外界信息的基础。智能机器需要通过传感器、摄像头等设备收集、处理、分析环境中的信息，以便更好地理解周围的环境和物体。 •认知和决策能力是智能机器进行智能处理和决策的基 础。通过分析、理解和推理数据和信息，智能机器可以更好地判断和决策，以便更好地执行任务。 •学习能力是智能机器不断优化和改进的基础。通过不 断地从数据和经验中学习，智能机器可以自我改进和适应，更好地适应不同的环境和任务。 •执行能力是智能机器实现任务的基础。智能机器通过控制执行机器人等设备完成任务。 •社会协作能力是智能机器与人类和其他机器进行合作 的基础。智能机器需要通过自然语言处理和其他技术， 19561974198019871995201320202021202220232025时 间 与人类进行交互和合作，以便更好地实现任务。 备注：此处的认知属于狭义的认知，更偏向于判断和推理。 Part01人工智能的概念与界定P02 目录 Part02人工智能的技术演进与趋势P06 Part03ChatGPT带来的变革趋势P26 Part04AIGC风口下的投资机会P41 2.1AI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？ AI能力 情感伦理 社会协作 执行 逻辑推理为主，聚焦决策、认知能力 图：AI能力进化路线下的技术演进路径 以概率统计的建模、学习和计算为主，聚焦感知、认知、决策 聚焦学习环节，大模型 GPT3 聚焦执行与社会协作环节 ChatGPT 产生情感？ ？ 学习 决策逻辑 推理 神经网 机器络 学习 分解为深度 五大学科学习 Transformer 认知 感知时间 195619741980198719952013 202020212022 20232025 2.2AI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。 AI能力 情感伦理 社会协作 混沌状态 图：AI能力进化路线下的技术演进路径图：分A化I能为力五的大进学化科路线 ？ 五大学科归一 ChatGPT GPT3 执行机器人学 Transformer 学习 决策逻辑 推理 机器神络 深度学习 机器学习 经网 学习 计算机视觉 认知科学 自然语言理解 认知 感知时间 195619741980198719952013 202020212022 20232025 2.2AI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？ 图：AI能力的进化路线 AI能力 情感伦理 社会协作 逻辑推理为主 大数据+小算力+专用范式 大数据+大算力+通用范式大数据+小算力+通用小范式 ？ ChatGPT GPT3 执行机器人学 Transformer 学习 决策逻辑 推理 机器神络 深度学习 机器学习 经网 学习 计算机视觉 认知科学 自然语言理解 认知 感知时间 195619741980198719952013 202020212022 20232025 XXX万亿？ 100万亿？ 30万亿？ 15万亿？ 规模法则：上限在哪里？ 阿里新M610万亿 新版BERT4810亿 Facebook94亿 GPT-31750亿 GPT-11.17亿 GPT-2 BERT-Large15亿3.4亿 2018年6月2018年10月2019年2月2019年7月2020年6月2021年12月2023年2月2025年2030年2035年2040年2050年2055年2060年 2.2AI技术宏观演进趋势：大模型一定越大越好吗？ YesandNo：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 图：AI预训练模型的参数规模呈现走势 •圣塔菲研究所前所长GeoffreyWest在科普书《规模》中揭示了规模法则（scalinglaw）。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YesandNo： -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 2.2AI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