可访问版本 INSTITUTE 转型 AI进化:现实证明了炒作的合理性 03November2023 关键要点 最新的人工智能浪潮-生成式AI-可能会在未来5到10年内催化企业效率和生产力的发展,并触及全球每个行业。过去的颠覆性技术在15到30年内出现 ,但AI驱动的效率和收入可能会在未来3到5年内出现-比许多人预期的更快。 对100多名美国银行全球研究股票分析师进行的关于人工智能对全球3,500家公司的财务影响的调查发现,分析师预计,在未来五年内,四分之三的覆盖公司将经历由人工智能驱动的温和到强烈的积极财务影响,60%的公司将实施针对运营效率的战略。其次是收入提升(29%)和转型(5%)。 调查还发现,人工智能实施策略预计将在未来五年内推动25个行业集团中的24个的营业利润率扩张,其中技术硬件(+5%)、电信(+5%)和Semis(+5%) 最有可能经历最大的营业利润率扩张。然而,尽管最新人工智能浪潮的变革性很明显,但我们无法预见这一新兴技术的长期影响。 AI的新浪潮已经到来 为生成AI(GenAI)应用提供动力的最新人工智能(AI)模型代表了企业效率和生产力的范式转变,与过去的颠覆性技术(如电话,汽车,个人计 算机和互联网)保持一致。1正如《我,我自己和人工智能:你需要知道的是,过去的颠覆性技术在15到30年后就已经达到了主流应用,但人工智能驱动的效率和增量收入可能会在未来3到5年内出现,速度比许多人预期的要快。 在过去的几十年中,公司已经将AI和机器学习(ML)集成到流程和产品中;但是,为最新的GenAI应用程序提供支持的基础模型仅在五年前出现,并且仍然不成熟。因此,它’很难夸大刚刚出现的GenAI应用程序的变革性,更不用说尚未创建的数千个应用程序了。但是,美国银行全球研究公司预计 ,在未来5到10年内,为GenAI应用程序提供动力的越来越大的基础模型将促进全球各个领域的技术发展。 还有它’不仅仅是科技公司将从这一新浪潮中受益。随着企业人工智能投资和采用的加速,GeAI的受益者可能会出现在全球每个行业。尽管这些受益者不太可能像公开的ChatGPT采用那样快(图表1)。BofAGlobalResearch预计,随着专注于运营效率和收入提升的初始实施策略最终推动业务转型,企业采用将迅速取得进展。在实现通用人工智能(AGI)之前,我们还有很长的路要走,但最新的人工智能浪潮的变革性是显而易见的。.2现实证明了炒作的合理性。 1GenerativeAI(GenAI)是AI的一个领域,它使用在未标记数据上训练的基础模型以各种形式(文本,图像,视频,音频)产生原始的,通常是创造性的内容。相比之下,传统的AI使用在标记数据上训练的模型根据预定义规则产生(非原始)输出。 2人工通用智能(AGI)是指具有人类能力(或更多)的AI系统。 图表1:各种应用程序达到1亿用户所需的时间 ChatGPT在创纪录的时间内达到了1亿用户 资料来源:美国银行全球研究 AI发展:不是直线 在20世纪40年代,人工智能系统被用作代码破解的工具,并在20世纪50年代与艾伦·图灵一起发展’sComputingMachineryandIntelligence,but developmentoverthenext80yearshasnotbeen一帆风顺.Inthe1950s,datastorageandprocessingrequirementswereinadequatetosupportthetechnology’在美国的发展中,对计算机的访问受到限制,每月约20万美元的租赁成本令人望而却步。 在20世纪60年代,人工智能的进步经常受到不一致的资金以及数据存储和处理要求的持续上限的阻碍。1966年,在冷战高峰期之后,美国政府臭名昭著的ALPAC(自动语言处理咨询委员会)报告确定,使用人工翻译的速度更快,而且政府对人工智能的大量投资用于机器翻译,特别是将俄语翻译成英语,导致了有限的回报。1973年英国政府的Lighthill报告也同样悲观。结果,美国和英国对人工智能的资助大幅下降,对该领域的兴趣减弱。 然而,尽管人工智能取得了一些重大进展,但突破在很大程度上对公众来说并不鼓舞人心。人工智能效应–在事实和现实之后打折AI进步的趋势似乎永远不会达到预期–随之而来并导致了“AI冬季”inmid-1970s.Advancesinthe1980sleadtocorporateadoptionofexpertsystems,butexcitationagainuntilIBM’深蓝下棋的AI应用程序在1997年击败了GarryKasparov。3 删除了电源AI发射限制 人工智能的进步在20世纪90年代增加,但在2010年代中期出现了更强大的芯片,这些芯片在芯片制造商多年的研发(R&D)之后,成倍地提高了数据存 储和处理的上限。芯片的进步和私人投资的加速消除了模型开发的一些先前限制,但由于数据存储和计算效率低下,培训和微调基础模型所需的高成本和大量时间,仍然存在不利因素。4 GoogleBrain’s2017论文“注意是你需要的一切”提出了一种称为Transformer的新神经网络体系结构,该体系结构改进了循环神经网络体系结构,例如长短期记忆。5Transformer体系结构利用了一种允许并行处理的自注意机制,从而实现了更高效的数据存储和计算,并减少了训练和微调基础模型的时间和成本。6美国银行全球研究’s视图是 3全面:专家系统的回报(1989)。专家系统将if/the规则应用于数据以产生新的见解,并由德州仪器等公司实施,通过使某些流程加快20倍,并通过降低成本超支和准备费用,平均每年减少200万美元的费用,从而提高了生产率和效率。美国运通将其信用授权人的效率提高了45-67%。 4微调是指使用结构化数据训练预训练模型以产生相对于原始模型具有针对特定任务的改进性能的专门应用程序的过程。 5TransformermodelsalsoimprovedthefunctionalityofAIapplicationsasneuralnetworks,substantiallythebrainofafoundationmodel,wereabletobettercexttualizelanguage.Forexample,“bank”可能意味着金融机 构或河边,但它’在句子中查找单词前后的上下文以确定含义很有帮助。Transformer模型确定“bank”通过使用句子中的所有单词来查找上下文,而不仅仅是之前的单词。换句话说 ,模型双向查找上下文,这就是“B”在“BERT”BERT代表来自Transformer的双向编码器表示,是一种神经网络架构。 6注意力是你所需要的(2017) “变形金刚”的引入激发了人们对研究的新兴趣,从而引发了计算机视觉和模式识别的新进展,例如生成越来越自然的图像,并推动基础模型(如BERT 和GPT)的尺寸和性能呈指数增长。7 2022年的计算能力相对于2015年的计算能力增长了3,000%以上(图表2)。政府资金在很大程度上被私人投资所取代,私人投资在2021年达到约 700亿美元,与2015年投资相比增长了1,000%(图表3)。随着私人投资的加速,新资助的人工智能公司出现了,2021年全球获得150万美元以上资 金的数量达到了1669家,与2015年新资助的人工智能公司相比增长了143%(图表4)。 随着私人投资的加速,新的初创公司开始出现,并最终创建了越来越大的基金会模型。然而,2022年私人投资同比下降34%反映了充满挑战的宏观环境,但也表明投资者可能正在等待AI货币化策略的明确。ChatGPT的快速采用是一种公共现象,但企业人工智能的采用和由此产生的投资回报率(ROI)仍有待观察。 图表2:1994-2022年最快的超级计算机(teraFLOPS)的计算能力从2015年到2022年,计算机处理能力跃升了3,145%1,200,000 1,000,000 800,000 600,000 400,000 200,000 - 资料来源:我们的数据世界:超级计算机数据库TOP500(2023) FLOPS=每秒浮点运算。1teraFLOPS=1,000gigaFLOPS=1,000,000,000,000,000FLOPS。 图表3:2015-2022年全球私人人工智能投资(十亿美元) 2021年私人人工智能投资同比增长114%,至697亿美元,但2022年同比下降34% $80+114% -34% +53% +14% +5% +128% +24% $60 $40 $20 $0 2015 2016 2017 2018 2019 2020 2021 2022 资料来源:CBInsights,美国银行全球研究 数据标签显示全球私人人工智能投资的同比变化百分比。 7图像转换器(2018) 8通过性能指标衡量,包括通用语言理解评估(GLUE)得分,多类型自然语言推理(MultiNLI)准确性和斯坦福问答数据(SQuAD)问答,BERT性能得到了提高。 图表4:从2015年至2022年,全球新资助的人工智能公司获得了150万美元以上的投资新资助的AI初创公司在20年第四季度1,800年加速融资后,在2021年达到顶峰 1,500 1,200 900 600 300 +24% US欧盟/英中国Other+29% +26%-3%+8% +38% -17% 2015 0 2016 以人为本 2018 指导委员会, 2019 坦福大 加利福尼 2022 学,2023年 2020 坦福大学, 2021 023年 资料来源:NetBaseQuid(2022)通过AI指数2 的AI研究所,斯 亚州,斯4月 指数 2017 度报告,AI 需要进一步的预付款 人工智能的进步似乎奇迹般地出现了,但它们遵循的是长期投资和由此产生的发展,甚至在这个术语之前就发生了。“人工智能”自那时以来,人工智能 应用程序在国际象棋比赛中击败了世界冠军加里·卡斯帕罗夫(IBMDeepBlue,1997年),在危险!(IBMWatson,2011年)中击败了前冠军肯·詹宁斯(KenJennings),赢得了艺术竞赛,并在标准化测试中超越了人类(图表5)。但是,尽管当前的基础模型和GenAI应用程序仍然不成熟,可以被视为“1.0版,”美国银行全球研究预计进展将迅速发生。 图表5:AI应用程序相对于人类表现的测试分数 AI系统能力快速提升 资料来源:我们的数据世界:Kiela等人(2021)-Dynabench:重新思考NLP中的基准 不成熟的应用程序可能会减缓企业的采用 支持聊天机器人的基础模型擅长创造性任务;生成图像;分析数据和文档以及翻译语言,但在数学等非创造性任务方面不太熟练,在AP微积分BC等 考试中表现不佳。9聊天机器人还产生经常不准确和有偏见的输出,以及容易产生幻觉,这些反应似乎是由训练数据组成的,不受训练数据支持。 美国银行全球研究’我们的观点是,基础模型和应用程序性能的进步将最终改善对非创造性任务的响应,并减轻对不准确和幻觉的担忧。例如,根据OpenAI的数据,GPT-4对不允许内容的请求的响应可能性要低82%,而产生事实响应的可能性要比GPT-3.5高40%’s内部评估。然而,关于有偏见的反应,人工智能模型输出反映了社会观点和 柱头是“learned”来自训练数据,这些数据通常来自互联网。此外,美国银行全球研究 9OpenAI:GPT-4功能和考试成绩 期望推进模型开发,可能通过从人类反馈中强化学习,在这种反馈中,人类对聊天机器人对提示的反应进行评分,以减轻担忧。 需要透明度和可重复性 缺乏响应透明度和可重复性也是在采用主流公司之前必须克服的因素。人工智能模型可以在80-90%的时间内提供准确的输出,但输出可能在10-20%的时 间内看起来很荒谬,这限制了边缘