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