AI未来发展路线及趋势方向有哪些？

工程方法+科学方法将交替占据行业主流。

1.未来 AI 发展的两大路线

人工智能的发展进程中形成符号主义和连接主义两大阵营，从工程维度和科学维度优 化迭代 AI 模型。在 AI 发展早期，由于数据量较少，AI 模型容易用符号模型表征，因此符 号主义发展较快，而后来数据量提升，问题和任务的复杂度增加，导致基于复杂模型结构 的连接主义兴起，并形成了目前一系列 AI 范式。 我们认为在 AIGC 主导的人工智能商业化进程中，符号主义和连接主义仍将作为 AI 迭 代的两个重要方向。其中，AI 在细分场景中的应用将推动大量时序性的复杂信息输入到模 型当中，因此对场景数据（尤其是非标准化的数据）的处理有望迎来重大发展；其次，目 前 AI 在长视频、虚拟人、高清图像等领域的智能生成仍存在局限性，我们看好通过模型的 迭代和对人类神经网络的研究和模拟，提升 AI 的准确度、计算效率等指标。

计算机算力以及 AI 在细分场景下的渗透率提升推动 AI 模型训练数据量爆炸式成长， 通过增加模型参数及数据量提高 AI 的计算速度和准确度。大模型通过超大规模的参数设 置和数据输入，具有基础、通用和综合的特点，而小模型基于实际任务场景的需求，通过 高质量场景数据的输入和训练，使 AI 能够出色完成特定任务。在 NLP 领域，以 Google 发 布的 BERT 模型和 Open AI 提出的 GPT 模型为典型代表。AI 通过大模型的预训练，能够 在处理语言、推理、人机交互等领域任务上的表现实现极大提升，打开了 AI 渗透到各行业 进行商业应用路径。

以 Transformer 为代表性成就，AI 模型在模拟人脑思维模式中不断进步。Transformer 架构的核心在于注意力机制的使用，这使得 AI 模型在计算过程中可大幅节约消耗在无关信 息上的算力，除此之外，残差网络、多巴胺机制的强化学习等模型均参考了脑科学领域的 研究成果，通过嵌入响应的信号处理模块，节约算力消耗的同时提升计算效率。

2.未来发展方向预计，数据+模型+算力供应仍为三大发展方向

 趋势一：AI 发展带动基础数据市场成长，高质量标注数据决定模型训练效果

AI 模型发展带动训练数据需求升高，标注和结构化处理真正实现将数据转为为 AI 商 业价值。随着 AI 与各个产业结合得愈加紧密，AI 商业化程度进入新阶段，企业对 AI 在商 业化落地中的表现要求越来越高。为了保证 AI 算法的识别精度，数据标注的质量也就变得 至关重要。 AIGC 向图像、语音、文字多维数据延伸，AI 基础数据服务与治理赛道有望受益加速 成长。数据服务是利用数据采集与标注工具处理图片、语音、文本等非结构化数据，数据治理则使用数据治理的各模块管理多源异构数据，提高数据质量并形成数据资产。高质量 的数据可供各行业 AI 厂商训练模型，并支撑各场景商业化产品的落地。 数据标注目前仍以人工为主，行业向智能化和去人工化趋势演进，标注数据生产效率 与 AI 模型进步协同共振。不同于计算机视觉领域 AI 模型训练所用的图像数据，NLP 模型 训练的数据往往来自于半结构化或非结构化的信息，目前无法实现 AI 算法模型的自动化标 注，目前主流的实现路径是人工标注与智能标注协同方案，即人工完成一小部分的数据标 注，再借助算法模型对剩余数据进行标注，通过人工对部分难例数据样本的二次标注后， 最终形成高质量的标注数据。

趋势二：场景模型持续简化以提升训练速度，控制成本满足商业化应用需求

大模型微调成本和维护成本过高。目前大模型厂商在用户需求较大时，微调成本和模 型维护成本会相当高，若仅提供推理服务，成本可以大幅降低但是模型精度会受到较大牺 牲，从而降低大模型的竞争力。并且 AI 项目实施通常会把模型部署到终端，对算力的要求 非常高，因此国内外大厂及研究院所均致力于对预训练模型进行“瘦身”。 模型蒸馏与迁移学习成为 AI 领域研究新方向，可大幅优化终端模型计算的时效性并 节约算力成本。“知识蒸馏”概念可类比于学校中的教学行为，可有效地压缩预训练模型的 大小。知识蒸馏包含已训练的 Teacher Model 和待训练的 Student Model，通过知识蒸馏和 迁移学习，学生网络可以拥有与教师网络相似和相近的计算性能。 知识蒸馏可以在基于高度复杂的大模型训练基础上，提升细分任务小模型的计算精 度，同时也可以有效降低模型延迟，并且压缩网络参数。基于知识蒸馏思想改进 BERT 预 训练模型，实现模型的简化和速度的提升。Distilled BERT 模型直接将 BERT 的部分参数作 为初始化，模型参数只有 BERT 的约 40%，但速度快提升 60%，同时保留了 97%的语言理 解能力。我们认为在人工智能通往商业化应用的道路上，早期专注于增加数据量、计算能 力或者训练过程的优化方式可能不再适用，未来各大厂商需要计算与预测性能之间做出权 衡，探索如何利用更少的数据与计算资源，帮助模型实现性能提升。

趋势三：AI 应用落地拉动算力需求，AI 基础设施市场规模有望加速成长

高算力支持是训练 AI 大规模商业化的基础，AI 基础设施市场有望迎来爆发。微软入 资 OpenAI 后双方达成多年的合作协议，OpenAI 接入微软的 Azure 云平台开发 AI 技术。 高算力的底层基础设施是完成对海量数据处理、训练的基础。我们认为 AI 技术发展逐渐成 熟，数字化基础设施不断建设完善，将拉升 AI 芯片、AI 服务器的市场需求。AI 商业化应 用的加速落地，将推动我国 AI 基础设施市场规模的加速成长 市场规模加速成长，国内细分赛道龙头厂商有望受益。《2022-2023 中国人工智能计算 力发展评估报告》指出，预计到 2026 年全球 AI 服务器市场规模将达到 347.1 亿美元，五 年复合增长率为 17.3%。中商产业研究院数据预计，2023 年我国 AI 芯片以及云计算市场 规模将分别达到 1206 亿元和 6975 亿元，同比分别增长 41.9%和 47.0%，AI 基础设施市场 规模快速成长。