人工智能产业发展趋势如何？

我认为AI大模型技术的突破预计带来以下变革性的产业发展趋势：

1. 多模态大模型是AI未来的发展方向

多模态大模型的拓展性较好。在ChatGPT推出之后，谷歌、微软、百度等海内外科 技公司纷纷加速了对多模态大模型的研发进度。相较于经过单一的文字类数据训练 的自然语言类模型，多模态大模型在训练阶段通过融合文字、语音、图像、三维物体 等多维度数据，打造出交互方式更多、生成内容更丰富以及更加泛化的能力，可拓 展的应用场景有较大拓展。我们判断，多模态大模型的技术迭代、产品设计和商业模式的探索将成为下一阶段各厂商竞争的关键。

海外科技公司持续拓展多模态大模型的应用场景，进一步打开AI技术可渗透的空间。 随着扩散模型和CLIP模型技术应用，海外在文字和图像两种模态信息的转换方面已 经较为成熟，Midjourney、DALL∙E 2、Stable Diffusion等多模态大模型在文字生成 图片的效果方面已经有较大突破，并形成了成规模的用户群体。以谷歌和Meta公司 为代表的企业尝试将语音、三维空间信息、空间深度信息等更多维度的信息融合进 AI大模型中。谷歌的PaLM-E模型不仅具备通用化语言能力，还能执行视觉问答、感 知推理、机器操作等复杂的任务。海外科技公司对于多模态大模型的技术探索有望 进一步拓展AI技术的应用场景，打开AI在各领域可渗透的空间。

国内的多模态大模型主要集中于文字和图像信息的转换。当前，国内厂商推出的多 模态大模型多以文生图或图像描述生成文字为主等。与海外相比，国内多模态大模 型融合的数据类型较少，应用场景有限，通用性有待提升。不同厂商有不同的自身技术优势及数据积累领域，因此不同多模态模型在不同细分领域各有优劣。典型例 如百度在搜索领域、阿里巴巴在电商领域、商汤在视觉领域均有其独特积累及数据， 在这样的技术调教及数据喂养下，生成的多模态大模型自然也各有特点。

在文生图多模态大模型领域，百度文心ERNIE-ViLG 2.0模型已具备较强竞争力。百 度文心ERNIE-ViLG 2.0模型通过引入基于时间步的混合降噪专家网络，让模型在不 同的生成阶段选择不同的“降噪专家”，从而提升生成图像的精细度。在提升图文一 致性方面，该模型通过视觉、语言等多源知识指引扩散模型学习，强化文图生成扩 散模型对于语义的精确理解，以提升生成图像的可控性和语义一致性。在图文相关 性和图像保真度两个维度的人工评估上，ERNIE-ViLG 2.0相对DALL-E 2 和Stable Diffusion等模型已具有一定优势。

2. 分布式架构的大数据工具有望在AI大模型的应用中扮演重要作用

多模态大模型的训练数据量庞大、数据类型多样，需要大数据产品的支持。从传统 AI模型向多模态大模型发展的过程中，数据的计算、分析、转换和存储方式也发生着 较大变化。过去识别类AI模型（物体识别、人脸识别）训练数据的类型较为单一且数 据量较小，多数情况下传统的集中式数据库即可满足训练数据的预处理、存储和分 析需求。在自然语言类大模型出现后，训练数据量快速增长到TB级别，导致其部分 场景中的数据训练需要采用分布式架构的数据平台产品才能解决。多模态大模型训 练的数据量庞大、数据类型多样，需要分布式架构下的大数据产品才能满足其数据 训练的要求。我们认为，未来分布式大数据软件产品将在多模态大模型的开发过程 中扮演重要的作用。

分布式大数据平台较好的满足多源、异构的数据处理需求。分布式大数据平台是一 个集数据接入、处理、存储、查询检索、分析挖掘等为一体的平台。而数据库是按照 数据结构来组织、存储和管理数据的仓库。在异构的分布式数据库中，不同的节点 可采用不同的数据模型、数据管理工具、操作系统和硬件。各子节点通过应用程序 接口、全局模式和联邦计算等方式实现不同数据类型的信息共享及融合分析。总体 而言，分布式大数据平台具有以下优势：（1）单机硬件性能要求较低，扩容成本较低：在分布式架构中，软件平台可搭载于 普通的PC服务器上，摆脱了对小型机、高端存储等高价格硬件设备的依赖，扩容的 成本较低。 （2）海量数据处理能力，扩容过程便捷：分布式架构采用多台服务器，存储和计算 资源天然比集中式架构的单台服务器要多，扩容便捷，可扩展性强。 （3）多源数据融合处理和分析能力：不同节点的数据平台上可存储和计算不同类型 的数据，各节点数据处理和分析的结果汇总和集成在控制节点后可实现较好的融合 分析。

向量数据库可满足AI大模型中较多的向量相似性搜索需求。多模态大模型和用户交 互的信息往往包含大量的非结构化的数据。例如，用户将图片输入到GPT-4后，就图 片信息进行问答。在这一过程中，原始的图像（由像素组成）需要转化成为向量数据 才能被多模态大模型识别和理解，之后这一组向量数据需要遍历庞大的神经网络， 搜索与之对应的另一组向量数据后才能生成用户想要的文字。在多模态大模型中， 向量搜索的过程往往耗时较长，可能会影响到即刻需要得到内容生成的用户体验。 而向量数据库通过ANN（Approximate Nearest Neighbor）算法给不同的向量数据构 建索引，有效提升搜索效率，缩短生成内容的反馈时间。

星环科技的向量数据库产品满足AI大模型对于检索实时性、精准性和跨模态的需求。 2023年5月，星环科技发布向量数据库产品Transwarp Hippo。Hippo主要用于AI领 域，支持快速高效的数据存储和检索以及管理向量式数据集，能够高效地解决向量 相似度检索、高密度向量聚类等常见的AI问题。与开源的向量数据库不同，Hippo具 备高可用、高性能、易拓展等特点，支持多种向量搜索索引，支持数据分区分片、数 据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，有效地解决了AI大模 型的知识时效性低、输入能力有限、准确度低等问题，让大模型更高效率地存储和 读取知识库，降低训练和推理成本。星环科技的Hippo向量数据库具备的功能具体如 下：

（1）高扩展性，海量向量数据存储：与直接利用各类算法lib不同，星环Hippo存储 和计算都可以充分利用分布式特性，按需灵活扩展，满足大规模集群部署需求。

（2）动态更新，实时检索：Hippo提供数据动态更新的能力，对于实时插入/更新的 数据，可以快速完成数据的加载和索引的构建，解决向量数据T+1的传统处理逻辑， 满足实时动态变化数据的向量检索分析。

（3）多模型联合：基于TDH多模型统一技术架构，向量数据与关系型数据、图数据、 时序数据等多种模型数据可进行统一存储管理，并通过统一接口实现数据跨模型联 合分析。

（4）文本检索：传统搜索引擎更偏向于词/句的精确查询，星环分布式向量数据库 Hippo通过向量引擎提供自然语言处理能力，可以更好地支持基于语义的查询分析， 让查询更满足人性化的需求。

（5）语音/视频/图像检索：Hippo将多维向量特征构建成高效的向量索引，实现数据 的相似性检索，可覆盖人脸识别、语音识别、视频指纹等多类AI场景。

（6）智能搜索，智能问答：知识图谱的目的在于将结构化数据、非结构化数据以及 这些数据、实体之间的关联关系进行存储和表达。通过星环分布式向量数据库Hippo 可以将这些信息更好地进行表达和处理，给出符合需求的一系列近似答案和推荐查询。 展望2023年下半年，我们预计，星环科技的向量数据库产品Hippo，作为AI大模型 的基础软件工具，在各领域智能化的升级中扮演重要作用。

3. 从通用到垂直场景，智能化升级的路径一致但方式各异

AI大模型的开放推动各垂直应用领域智能化升级加速。在不同场景中，垂直领域厂 商通过调用多模态大模型的API进行二次开发，可实现既有应用的快速智能化升级。 多模态大模型的开放将大大降低各垂直领域厂商开发AI应用的门槛，各场景智能化 升级有望呈现出加速和扩散的趋势。在通用行政办公、软件开发、创意设计、金融、 医疗等方面已经展现出较好的应用前景。

面向C端的消费服务和行政办公类的应用已率先开始智能化升级的进程。消费服务 和通用行政办公等领域由于数据相对容易获取，应用壁垒偏低等属性，使得相应领 域在接入通用AI大模型后的应用产品化落地较快，但下游应用相应也面临较大的同 质化挑战。因此，对于C端应用的智能化升级中，我们认为，在商业模式和收费方 式上取得差异化优势的企业有利于占据领先地位。目前，商业模式正在向两个方向 探索：模型提供商推出的AI服务多以“按次收费”或“按时长收费”的形式落地， 并尝试自研应用的拓展；其也寻求与应用厂商的合作，将模型能力嵌入到应用软件 后实现商业化。展望2023年下半年，各科技厂商能否探索出稳定、可持续的商业 模式并确定合理的产业链定位将会成为竞争的关键。

面向B端的智能化升级的应用需要更多专业数据的训练，相应的商业化节奏较慢。面 向B端用户的，专业化程度较高的领域，例如医疗、金融、工业等行业的智能化升级 受限于数据安全、技术壁垒以及监管要求。在该类行业中的数据敏感性和法律合规 性上的高要求导致AI功能的开发和应用都呈现私域封闭的特点。因此在专业程度较 高的行业中，各家公司或借鉴通用AI大模型的技术原理，结合自身专业数据积累，针 对实际功能需求，打造属于企业内部的小模型。展望2023年下半年，AI大模型预计 给在行业私域数据和模型训练有所积累的企业提供了重塑竞争格局的机会。

总体而言，在AI应用环节，海外智能应用商业化节奏和国内智能应用产品化进展是 2023年下半年关注的重点，可能出现的催化剂包括：外部方面，海外领先公司的 商业化突破，从而给出量化参考映射；内部方面，国内的应用端结合可用的大模型 基础完成产品化的成熟落地。