人工智能发展历程、价值与挑战分析

人工智能的概念提出于 1956 年，历时近 70 年时间周期的技术演进，无论技术本身还是应用 均出现了日新月异的变化。

1.智能世界正在加速而来

20 世纪，人工智能的发展主要经历了五个阶段： （1）萌芽期（1956 年 -20 世纪 60 年代初）： 在这个阶段，以麦卡赛、明斯基、罗切斯特和 申农为代表的科学家团队共同研究了机器模拟智能的相关问题，并于 1956 年达特茅斯会议 上正式提出人工智能概念。（2）启动期（20 世纪 60 年代）：上世纪 60 年代迎来人工智能 的第一个黄金发展期，该阶段的人工智能主要 以语言翻译、证明等研究为主，在这个阶段取 得了机器定理证明、跳棋程序等一系列标准性成果。（3）瓶颈期（20 世纪 70 年代初）： 上世纪 70 年代，经过科学家深入的研究，科 学家提出了一系列不切合实际的研发目标，尤 其是对机器模仿人类思维的错误认识，导致人 工智能发展进入低谷期；（4）突破期（20 世 纪 70 年代初到 90 年代中期）：以专家系统为 代表的技术突破，推动人工智能加快应用于医 疗、化学、地质等各个领域，人工智能技术在 商业领域取得了巨大的成果；（5）平稳期（20 世纪 90 年代以来）：上世纪 90 年代以来，随 着互联网技术的逐渐普及，加速了人工智能的 创新突破，出现了深蓝计算机战胜国际象棋冠 军、“智慧地球”提出等一系列标志性事件， 促进人工智能进一步与应用相结合。

进入 21 世纪 , 人工智能正在开创下一个黄金 阶段。2016 年，Google AlphaGo 击败顶级 围棋选手，震惊全球，开启了新一轮 AI 热潮。 2022 年 11 月 30 日，ChatGPT 横空出世， 人工智能的发展进入全新阶段。2023 年 3 月 15 日，OpenAI 又推出多模态大模型 GPT4，在生成质量、使用性能和模型安全合规等 多个领域评分均领先于现有主流模型，被誉为 “史上最强”大模型。Meta 公司于 2023 年 2 月和 7 月先后推出开源大模型 LLaMA 和 LLaMA2， LLaMA2 在数据质量、训练技术、 能力评估、安全训练和负责任的发布等方面有 了显著的进步，并首次放开商业用途许可要求。 根据 GitHub 统计，中国也已经推出超过 100 个大模型，包括华为盘古大模型、讯飞星火认 知大模型、智谱 AI-ChatGLM 大模型、百度 文心大模型等。

大模型应用一般分为两个阶段：预训练和微调， 大模型预先在海量通用数据上进行训练，数据、 知识得到了高效积累和继承，从而大幅提升了 人工智能的泛化性、通用性、实用性。在实际 处理下游任务时再通过小规模数据进行微调训 练，就能达到传统小模型的效果。大模型的出 现，减少了行业用户训练模型研发成本，降低 了 AI 落地应用的门槛，并且上线部署过程大 幅简化，迅速驱动 AI 在千行万业的应用普及。 随着大模型从“炫技”到“落地生根”，全社 会也认识到 AI 技术真正地来到了我们身边， AI 技术的“iPhone 时刻”到了，各行业开启 了从数字化到智能化的升级，行业智能化的 “iPhone 时刻”也随之到来。作为继工业社会、 信息社会后更高级的社会形态，智能社会必将 迎来广泛、深刻甚至根本性的变革。

2.智能化正在改变人类的生活和 工作

AI 已经成为了人们生活中不可或缺的一部分， 它正在改变着我们的生活方式和工作方式。 日常出行中，人工智能翻译支撑跨语言、跨文 化的高效沟通，通过拍照获取景点的历史文化 和背景故事。在娱乐中，通过虚拟现实（VR） 与增强现实（AR）等 AI 技术，让用户沉浸在 虚拟的现实生活中，或者将虚拟元素融入真实 环境中，为娱乐带来全新的体验维度。

办公场景中，未来撰文、翻译、制图、代码核 查等工作一半以上可由人工智能完成。人工智 能可以通过高效运算，接管一些重复性工作， 把人类从忙碌而繁重的日常工作中解放出来， 让人类节省最宝贵的时间资源，去做更多振奋 人心、富有挑战性的工作，如按其所长贡献创 造力、策略思维等。 在教育场景中，AI 的出现和持续演进正在重构 传统课堂教学，改变学校形态、教学方式和学 习方式。如随着 AI 持续改变教育的方式，越来越多的学生将更愿意参加线上数字课程的学 习；借助人工智能技术为学习者推荐个性化的 学习资源，实现学习者的个性化学习等。 另外，随着人工智能技术的不断迭代升级，未 来 AI 技术将应用于更多领域，如基于多模态 大模型的 AI 个人助理将极大的便利人们的生 产生活，数字分身成为跨界人工智能、自媒体、 科普多个领域的里程碑式数字 IP，在越来越多 的垂直领域细分赛道的应用场景中出现等。

3.智能化正在持续赋能千行万业

人工智能是引领未来的战略性技术，全球主要 国家及地区都把发展人工智能作为提升国家竞 争力、推动国家经济增长的重大战略。通过应 用牵引推动人工智能技术落地成为各国共识。 美国引导人工智能技术在行业领域的创新和融 合应用。2021 年 7 月，美国国家科学基金会 联合多个部门和知名企业等，新成立 11 个国 家人工智能研究机构，涵盖了人机交互、人工 智能优化、动态系统、增强学习等方向，研究 项目更是涵盖了建筑、医疗、生物、地质、电气、 教育、能源等多个领域。中国“十四五”规划 纲要明确大力发展人工智能产业，打造人工智 能产业集群以及深入赋能传统行业成为重点。 英国支持人工智能产业化，启动人工智能办公 室和英国研究与创新局联合计划等，确保人工 智能惠及所有行业和地区，促进人工智能的广 泛应用。日本将基础设施建设和人工智能应用 作为重点，重点强调了跨行业的数据传输平台， 全面推动人工智能在医疗、农业、交通物流、 智慧城市、制造业等各个行业开展应用。

同时世界各国也高度重视人工智能标准化工 作，规范人工智能落地应用，出台战略加强标 准化布局，支撑产业生态发展。ISO/IEC JTC 1 SC 42 及 IEEE 已成为国际 AI 标准的主要 供给方和参考源，影响力正向全球辐射。重点 在人工智能基础共性、关键通用技术、人工智 能可信及伦理方面开展标准研制工作。2020 年 3 月 18 日，中国国家标准化管理委员会批 复成立全国信标委人工智能分技术委员会，主 要负责人工智能基础、技术、风险管理、可信 赖、治理、产品及应用等人工智能领域国家标 准制修订工作，对口国际 ISO/IEC JTC 1/SC 42，以标准化手段，分类分级分步骤推动大模 型评测、算力、算法、数据和治理等领域的技 术和应用，带动和引领人工智能的健康、可持 续发展。

在全球各国高度关注下，人工智能从实验室加 速走向应用场，推动 AI 技术应用到智能产品 的开发，服务模式的创新，产业升级，赋能多 行业智能化转型。

在气象预报行业，AI 让人们重新审视气象预报 模型的未来，受到国内外气象组织的高度关注。 《Nature》正刊发表了华为云盘古气象大模型 研究成果，该模型创建了首个精度超过传统数 值预报方法的 AI 模型，速度相比传统数值预 报提速 10000 倍以上，能够提供全球气象秒 级预报。在今年的“古超”和“杜苏芮”等台 风预测应用中，盘古气象大模型准确预测了台 风路径，这将对气象导致的防灾减灾，保障民 生安全起到非常重要的作用。

在医疗健康行业，AI 的应用逐步走向成熟，在 辅助医疗、影像质控、知识问答等方面发挥着 极关键的作用，尤其是在药物研发领域，AI 打 破公认的“双十定律”，将研发时间由数年缩 短至一个月，研发成本降低了 70%，这项突破， 直接推动药物研发实现从“马拉松”到“加速 跑”，开启了药物研发领域前沿技术革命的新 征程。

4.社会运行方式正在悄然变化

人工智能改变了基础的生产力工具，中期来看 会改变社会的生产关系，长期来看将促使整个 社会生产力发生质的突破。人工智能将对消除 社会数字鸿沟，实现全球包容性增长和可持续 发展具有重要作用。

人与自然和谐相处是一个永恒的命题，而保护 生物多样性是保护地球的一个重要手段。通过 生物多样性的监测，我们可以更深入地了解身 边的大自然。传统的生物多样性研究需要对数 据收集的专用技术进行大量投资，并需要非常 专业、经验丰富的生态保护科学家进行数据分 析和洞察。相关科学文献的一项调查发现， 58% 的生物多样性声学研究完全基于专家从原 始数据中人工识别物种。如今，随着人工智能 技术的应用，科学家能够处理的研究数量以及 每项研究所能分析的数据量，都有了极大的飞 跃。例如，RFCx 开发的 Arbimon 是一个开 放和免费的平台，致力于为生物多样性声学监 测和洞察提供端到端解决方案。该平台目前收 集了 2,000 多种鸟类鸣叫样本，占全球鸟种的 20% 以上。Arbimon 团队联合华为和其他合 作伙伴，基于不断增长的数据集，为新物种训 练新的人工智能模型，并重新训练现有模型以 提高性能。分析结果可帮助一线工作人员决策 采取可行鸟类保护措施或行动。

人与自然的和谐相处也包括阻止外来物种入 侵，保护当地物种免于被灭绝，防止破坏当地 生活方式。在挪威贝勒沃格这个原本平静的城 市正面临着外来物种入侵的威胁。驼背大马哈 鱼来源于太平洋，并不是挪威的本地物种。驼 背大马哈鱼比生活在大西洋的大西洋鲑更具侵 略性，现在正快速占领河流，给大西洋鲑的繁 殖带来了挑战。大西洋鲑属于挪威政府认定的 濒危物种，如果不采取措施，可能会遭到灭绝。 2021 年 3 月，由当地猎人和渔民组成的贝勒 沃格狩猎和垂钓协会（BJFF）与华为建立了 合作关系，双方将共同保护斯托尔瓦河中的大 西洋鲑。他们最初的目标是利用水下摄像机和 人工智能来识别物种并统计鱼类的数量。该项 目的第一阶段于 2021 年夏天启动。这一阶段 聚焦开发算法，让计算机系统能够识别河流中 的本地大西洋鲑和北极红点鲑，并记录不速之 客驼背大马哈鱼。这一目标已经轻松达到。通 过 6 月下旬到 9 月采集到的连续视频和数万图 片，新开发的算法能够识别出 90% 以上的大 西洋鲑和驼背大马哈鱼。后续可对通过的鱼进 行分类，对大西洋鲑和驼背大马哈鱼分流处理。

关爱残障人士是包容社会的重要组成方面，通 过数字化技术能帮助提高他们生活的舒适度和 便利性。中国目前有 2700 多万听障人士，其 中许多人使用手语作为其主要的交流形式。与 其他手语语言一样，中国手语学习面临词汇更 新慢、师资短缺、标准难统一等挑战，对此， 千博信息基于华为昇思 MindSpore 和中国科 学院自动化研究所紫东太初三模态大模型，带 来全新的手语产品，基于 1.2 万 + 词汇、50 万 + 语法、70 万 + 语料，形成手语多模态模型， 打造手语教考一体机，开创性地实现手语动作 与视频、图片示意和文字说明联动，使得手语 学习能够快速上手，一定程度上缓解了手语师 资短缺问题。也能作为手语翻译机使用，帮助 听障人士顺畅沟通、便捷生活。

5.行业智能化，多重挑战犹存

到 2030 年，人工智能有望颠覆制造、电力、 能源、交通运输等关键产业，撬动难以限量的 经济价值，若要把握这一机遇，须在多个维度 进行能力建设。统筹点线面、系统推进的总体 考虑下，重点围绕核心技术、基础软硬件、数 据资源体系、标准规范和行业应用示范等进行 部署。

传统算力基础设施难以匹配大 模型创新需求

AI 快速发展并在多行业落地，呈现出复杂化、 多元化和巨量化的趋势。不同的应用场景对算 力的要求不同，要评判算力基础设施是否满足 需求，需要企业根据特定的 AI 技术场景和需求， 综合考虑算力基础设施的性能与灵活易用性。

大模型技术对于算力基础设施的规模提出了更 高的要求，企业传统基础设施面临算力资源不 足的挑战。AI 大模型需要大算力，其训练时长 与模型的参数量、训练数据量成正比。根据业 界论文的理论推算，端到端大模型的理论训练 时间为 8 * T * P / (n * X)。其中 T 为训练数据 的 token 数量，P 为模型参数量，n 为 AI 硬件 卡数，X 为每块卡的有效算力。以 ChatGPT 为例，参数量为 175B（1750 亿）规模下，在 预训练阶段，数据量 35000 亿，使用 8192 张 卡，其训练时长为 49 天。同等条件下参数变多， 计算量变大，按照业界的经验，能达到可接受 的训练时长，需要百亿参数百卡规模，千亿参 数千卡规模，万亿参数万卡规模。这对算力资 源的规模提出了极高的要求。算力不足意味着 无法处理庞大的模型和数据量，也无法有效支 撑高质量的大模型技术创新。

基础大模型难以适应行业智能 化需求

基础大模型 L0 的构建，需要顶尖人才和巨额 资金的持续投入，百模千态将以行业模型的形 态为主。技术门槛高，基础大模型的构建是复 杂的端到端系统工程，是一个典型的复杂软 件平台。资金投入大，GPT-4 训练成本约 6 千万美金，推理成本将至少是训练的 5~10 倍， 达到数亿美金 / 年。 每个行业均有使用大模型的场景，行业用户及 行业伙伴大多不具备从头开发大模型的能力， 为了获得适配本行业的大模型，需要提供行业 数据给基础大模型进行微调训练。

数据是行业用户的核心资产和竞争优势的源 泉，行业用户部分关键敏感数据难以实现共享 或者“出厂”，例如政务行业中涉及到城市发展、 公共安全和个人隐私等方面的数据；金融行业 中责权、债务关系相关的数据；制造业的资产 明细、生产数据以及明确要求不可以出园区的 数据等等，此时基础大模型难以适应行业智能 化需求。 于是行业用户将行业非敏感数据提供给基础大 模型供应商，形成行业大模型 L1，再结合场景 数据在行业大模型 L1 基础上形成场景大模型 L2, 以适应行业的需要。

数据供给难以满足大模型训练 需求

数据将是构建大模型竞争力的核心要素，行业 先锋都应该打造自身的数据飞轮。高价值、特 定领域的工作流程，特别且必须依赖于丰富且 高质量的专有数据集。从全球来看，高质量数据都在变得更稀缺。行 业用户重视数据集资产的构建和管理，但采集、 存储和管理海量数据，形成优质数据集的能力 仍不足。 从政府层面来看，当前缺少统筹共性数据集的 建设服务，数据流通与共享机制不成熟，开放 数据集“质”与“量”难保证，源头数据的治 理不充分，导致数据质量不高、共享不足。 从企业内部来看，数据的实时采集受制于非数 字化终端，数据的实时上传受制于低速网络， 数据的实时分析受制于数据孤岛，行业数据难 采、难传、难用，阻碍了行业智能化的进程。

法规监管难以保障智能化安全 可信需求

行业智能化后，行业信息化水平进一步提升， 对信息系统的依赖加剧，减少人工干预后，被 攻击入侵后损失严重，对安全可信诉求更加强 烈。行业智能化会导致信息系统更加复杂，构 建安全可信的难度剧增。 人工智能技术涉及的领域非常广泛，其潜在的 风险和危害也不容忽视，比如个人隐私保护、 脱敏数据使用、数据泄露等，这些都需要根据 合适的法律进行规范和监管。人工智能技术的 发展也与社会伦理、安全等问题存在联系，需 要明确相关责任与义务等问题。因此需要更健 全的人工智能法规和监管机制。

人才储备和生态难以支撑智能 化转型需求

人才是人工智能竞争的关键，更是人工智能赋能 行业智能化的有效支撑。预计到 2025 年，中国 ICT人才缺口将超过2000万，其中云、人工智能、 大数据等新兴技术方面的人才尤其稀缺，此外既 懂行业又懂技术的复合型人才也异常匮乏。人才 储备不足问题成为限制行业智能化转型的瓶颈问 题之一。 各国都要建立完善的人工智能产业生态，如中国 人工智能发展也存在很多生态建设方面的问题， 包括产业界、学术界和行业用户联合进行基础技 术创新研究和应用氛围不够浓厚；行业数据未充 分共享，限制了数据开发利用和数据价值深度挖 掘；人工智能赋能千行万业智能化建设标准化规 范缺失等。 要加速人工智能赋能行业智能化转型，就必须加 大人工智能人才储备，进一步完善人工智能生态 链，把企业的市场优势和数据优势，转化成人工 智能的技术创新优势和应用场景优势，加速推动 人工智能赋能千行万业智能化转型。