人工智能发展报告2024

版权声明 本报告版权属于中国信息通信研究院，并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的，应注明“来源：中国信息通信研究院”。违反上述声明者，本院将追究其相关法律责任。 更名声明 原“集智”白皮书更名为“集智”蓝皮书。“集智”蓝皮书将继续秉承原有的编撰理念和高质量标准，致力于提供有价值的信息和洞见。 前言 人工智能浪潮席卷全球，正以前所未有的速度、广度和深度改变生产生活方式，对全球经济社会发展和人类文明进步产生深远影响。近年来，语言大模型、多模态模型、智能体和具身智能等领域不断出现突破性创新，推动人工智能迈向通用智能初始阶段。与此同时，人工智能的工程化持续加速推进，新产品新模式层出不穷，行业应用走深向实。 特别是过去一年，全球大模型井喷式发展。技术层面，缩放定律（Scaling Law）依然有效，语言大模型技术多维度能力持续进化，视觉大模型和多模态模型加速迭代，探索交叉模态融合处理。计算平台与模型创新紧密耦合，大规模分布式训练成为框架的新发力点，分布式训练支持、混合精度计算支持、高速互联通信等新要求驱动计算底座迭代升级。软件工具链全面优化升级，加速模型生产质效变革、提升模型部署推理效能、助力智能应用快速部署。高质量多模态数据集成为推动模型能力提升的关键，高水平数据标注和合成数据等新技术取得快速发展和突破。应用层面，专用智能应用逐步成熟，通用智能落地前景广阔。重点行业人工智能应用走深向实，贯穿产品研发设计、生产制造、营销服务、运营管理全流程，在提质增效的同时，逐步渗透并引导产业变革。从产业链各环节应用来看，大模型落地呈现“两端快、中间慢”的阶段特征。“选、建、用、管”体系化推动落地应用成为加速人工智能走向实用化、普惠化的行业共识。安全方面，人 工智能技术应用带来自身安全、衍生安全两大类风险挑战，各国治理进程不断提速，全球人工智能治理正处于“从原则走向实践”的关键阶段。展望未来，引入强化学习等技术来增强大模型能力仍是近期技术演进的重点方向，多模态模型、智能体有望加速突破，具身智能成为迈向通用人工智能的重要一步。面向中远期，类脑智能等颠覆性技术的成熟，有可能为人工智能发展带来更广阔的想象空间。随着人工智能赋能新型工业化向纵深发展，人工智能在实体经济中的应用场景将进一步拓展，加速向生产制造环节渗透，加速迈向全方位、深层次智能化转型升级新阶段。 在此背景下，我院发布《人工智能发展报告（2024年）》，旨在总结梳理人工智能技术创新方向、产业升级重点、行业落地趋势和安全治理进展，展望人工智能发展机遇，以期与业界分享，共同推动人工智能产业蓬勃发展。 目录 一、总体态势................................................................................................................1（一） 人工智能技术演进走向新范式...............................................................1（二） 人工智能工程化迈向新阶段...................................................................2（三） 人工智能安全治理工作紧密推进...........................................................4（四） 人工智能产业稳中有进迎来新动能.......................................................5二、技术创新................................................................................................................8（一） 基础模型仍在快速演进迭代...................................................................8（二） 计算平台与模型创新紧密耦合.............................................................16（三） 工具链不断完善加速大模型研发应用.................................................21（四） 高质量多模态数据集成为模型能力提升的关键.................................26三、应用赋能..............................................................................................................32（一） 人工智能赋能阶段性特征显现.............................................................32（二） 重点行业人工智能应用走深向实.........................................................36（三） 体系化推动人工智能落地应用成为共识.............................................38四、安全治理..............................................................................................................44（一） 人工智能技术应用带来多重挑战.........................................................45（二） 全球人工智能安全治理正处于“从原则走向实践”的关键阶段.....47五、发展展望..............................................................................................................54 图目录 图1全球人工智能产业规模（单位：亿美元）......................................................6图2全球生成式人工智能投融资规模（单位：亿美元）......................................7图3语言、视觉和多模态三类基础模型布局..........................................................8图4大模型工具链架构图........................................................................................22图5不同阶段的具体数据需求情况........................................................................26图6基于百个优秀案例统计的AI应用产业链分布..............................................35图7人工智能风险管理体系....................................................................................44图8人工智能风险示例............................................................................................45 表目录 表1语言大模型演进迭代情况................................................................................10表2语言大模型调整及解决方案............................................................................12表3多模态模型技术路线表....................................................................................15 一、总体态势 人工智能浪潮席卷全球，正以前所未有的速度、广度和深度改变生产生活方式。世界主要国家纷纷将推进人工智能技术创新与应用作为国家战略的重要方向，我国高度重视人工智能在培育新质生产力、塑造新动能方面的重要作用。习近平总书记指出，人工智能是新一轮科技革命和产业变革的重要驱动力量，将对全球经济社会发展和人类文明进步产生深远影响。2024年1月，国务院常务会议研究部署推动人工智能赋能新型工业化有关工作，强调以人工智能和制造业深度融合为主线，加快重点行业智能升级，大力发展智能产品，高水平赋能工业制造体系。当前，人工智能正处于迈向通用智能的初始阶段，并成为推动经济社会持续发展的关键动力。 （一）人工智能技术演进走向新范式 以Transformer架构为基础的大模型不断取得新突破，在大数据、大算力加持下，逐渐实现从单任务智能到可扩展、多任务智能的跨越。这一关键突破，标志着人工智能技术发展走向新范式。以大模型为代表的人工智能技术展现出了类人智能的“涌现”能力，呈现规模可扩展、多任务适应及能力可塑三大特征。一是规模可扩展。模型的规模可扩展性不仅体现在参数的扩大，更依赖高质量数据集的供给以及大规模算力集群能力的增强。当前在模型参数保持不变的情况下，提高数据质量、扩大数据集规模或提升算力规模水平， 都能够显著增强模型的复杂性和处理能力。二是多任务适应。大模型支持多任务多模态能力持续增强，可执行任务已经从文本对话拓展到多模态理解、多模态生成等场景。三是能力可塑。通用大模型在训练阶段通过结合增量预训练、有监督微调、知识图谱等方法，实现将专业数据和知识注入模型中，提升大模型在专业领域的应用能力；在推理阶段，通过引入检索增强生成、提示词工程和智能体等技术，将更丰富的上下文信息和专业知识引入模型推理过程，解决更复杂的推理任务，优化模型表现。 具体从大模型算法演进态势看，深挖现有体系架构潜力，以实现理解推理能力和训练效率倍增仍是当前发展主线。模型研发主体纷纷围绕算法理论融合（如Transformer架构与其他路线结合）和模型改造（如扩大上下文窗口、思维链复杂推理、优化注意力模块、网络架构稀疏化、多模态特征对齐与统一理解等）展开创新升级，从而提高模型性能表现。近期OpenAI o1模型通过模仿人脑思考的思维过程，显著提升数学、物理、编程等复杂任务的性能水平。与此同时，非Transformer模型的底层算法也在不断创新。例如，基于图神经网络的GraphCast、GNoME在气象和材料领域已取得重大突破，基于物理约束的PINN网络、基于算子学习的DeepONet和基于傅里叶变换的FNO网络已成为求解偏微分方程（PDEs）的重要手段。 （二）人工智能工程化迈向新阶段 工程化技术是推动人工智能从实验室走向生产环境的关键桥梁， 也是人工智能在垂直行业应用落地的必经之路。在此过程中，人工智能工具链发挥着核心作用，其覆盖数据处理、模型训练微调、部署推理、应用开发、监控运维和安全可信全流程，是实现智能化转型的基础设施和加速器。当前，人工智能工程化的重点逐渐从大模型的训练微调向应用开发和落地转变，构建起围绕大模型及其应用的工具链，标志着人工智能工程化进入了新的产业化阶段。 开发工具链加速大模型技术迭代速度。开发工具链