生成式人工智能技术生态有何进展？

相比 PC、移动互联网时代，人工智能时代的 IT 技术栈18发生了重大变革。

一、 体系化支撑促进大模型技术加速演进

(一) 技术架构变革为生成式人工智能发展打下基础 相比 PC、移动互联网时代，人工智能时代的 IT 技术栈18发生了重大变革。原来的芯片、 操作系统、应用三层架构，演变为芯片层、框架层、模型层、应用层四层架构。新一代的四 层架构技术体系不仅可以实现各层次间的有效沟通与协同工作，还能令整个系统得到持续优 化。这种架构对生成式人工智能技术的不断迭代起到了重要支撑作用。 芯片层作为算力的物质基础，其性能直接影响了生成式人工智能模型的效能表现，因而 推动芯片架构朝着专业化、定制化的方向发展。例如，英伟达的 Hooper 架构利用 Transformer 引擎，显著加快了模型的训练速度。此外，生成式人工智能模型参数规模持续增大，对芯片 计算能力的需求也随之增长。高性能芯片不仅推动了框架和算法的优化，还对特定应用场景 提供支持，加速了生成式人工智能技术的进步。

框架层是连接硬件与上层应用的纽带，封装了底层芯片的计算能力。它为开发者提供了 易于使用的程序接口和高效的模型构建工具，有效降低了模型开发的复杂程度。与此同时， 框架层还集成了自动混合精度训练、分布式训练等先进特性，进一步降低了模型开发的门槛。 这使得研究人员不需要在繁琐的底层实现细节花费过多精力，让他们更加聚焦于算法创新方 面，从而加速了新模型的研发进程。 模型层是生成式人工智能的核心架构，涵盖了大语言模型、视觉大模型、多模态大模型 等多种类型。得益于芯片层的算力支持和框架层的优化能力，这些模型的生成效率和泛化能 力得到了显著增强，为创意内容的生成、智能对话等前沿应用带来可能。

应用层是将上述技术创新转化为实际经济效益的关键。在教育、娱乐、设计、医疗等领 域，生成式人工智能为各行各业提供了广阔的应用前景，催生了诸如智能辅导系统、定制化 内容推送、创作辅助工具等一系列创新应用。这些多样化的应用不但丰富了用户的日常生活，而且还刺激了对更高级别芯片性能、更优化框架设计以及更智能化模型的追求，进而形成了 充满活力的发展闭环，持续推动技术革新和产业转型升级。

(二) 深度学习框架成为生成式人工智能的迭代关键 深度学习框架作为生成式人工智能的“操作系统”，上承各种业务模型和行业应用，下 接智能计算芯片，具备带动产业应用和硬件适配的双向主导权，已成为推动人工智能软硬件 快速迭代升级的核心焦点。 从模型支持的角度看，深度学习框架极大简化了复杂算法的开发、优化和实际应用过程， 让研究人员和开发者能够更加高效地设计、训练和部署深度学习模型。深度学习框架通过提 供简单易用的接口，使得非专业人员也能构建复杂的神经网络模型，降低了算法研究到实际 应用的门槛。此外，框架在加速算法创新的同时，还促进了这些算法在实际场景中的应用。 通过标准化的环境和流程，让深度学习技术能够快速从实验室走向市场，解决实际问题，从 而推动了人工智能技术的商业化和普及化。

从硬件的设计和推广来看，在人工智能领域，芯片设计与深度学习框架的发展是相辅 相成的。头部框架厂商通过其在大模型训练和推理上的实践经验，能够提供宝贵的反馈给芯 片制造商。这些反馈包括对算力需求、能效比、内存访问模式等的具体要求，帮助芯片厂商 设计出更符合实际应用需求的人工智能芯片。这种反馈机制使得芯片研发不再孤立进行，而 是根据实际应用中的算法需求进行优化，确保芯片能够高效执行特定的深度学习任务。与此 同时，深度学习框架作为人工智能应用开发的基石，它的发展趋势和特性也会影响人工智能 芯片的设计。框架可能会引入新的运算类型或优化策略，这要求芯片设计时需要考虑到这些 变化，以实现更加紧密的软硬件协同。通过深度学习框架与人工智能芯片的适配工作，可以 加速芯片的验证流程，确保其在实际应用中的性能表现，从而更快地将新技术推向市场并得 到广泛应用。这种交叉指导和合作机制，促进了生成式人工智能技术的整体进步，使得算法 和硬件能够更好地协同工作，提升了整体的人工智能系统效能。

从人工智能的产业应用来看，人工智能发展的早期阶段更加重视开发先进、复杂的算 法模型，而随着产业的日趋成熟，业界开始更加关注如何将这些模型整合到实际的产品和服 务中，实现真正的价值创造。因此，芯片厂商与深度学习框架的适配工作变得至关重要。通 过这种合作，芯片厂商能够对其硬件产品进行持续优化，确保与主流框架的高效兼容。这些 软件基础设施的完善，不仅提升了大模型的运行效率，还降低了应用开发的门槛，促进了整产业链的协同发展。

(三) 数据飞轮让生成式人工智能系统形成闭环反馈 数据飞轮在生成式人工智能系统的持续优化和升级过程中扮演着动态加速器的角色。数 据飞轮建立了一个闭环反馈系统，确保从芯片硬件到深度学习框架，再到模型训练和最终的 应用场景，每一层都能基于实际使用中的数据反馈进行调整和优化。这一过程促进了技术的 快速迭代，使得大模型能够更好地适应各种应用场景，不仅提升了性能，还提高了效率。随 着数据的不断循环利用和模型的持续学习，生成式人工智能系统的智能水平和响应速度得到 显著提升，从而推动整个产业向着更高效、更智能的方向发展。

数据飞轮通过一系列高效的数据处理和学习过程，不断优化和提升大模型的性能。首先， 它从广泛的、多样化的数据源中筛选出高质量的数据，这些数据经过处理和标注，成为训练 大模型的基础。高性能的芯片和先进的深度学习框架为模型训练提供了强大的计算能力和算 法支持，使得模型能够快速学习并形成初步能力。当模型应用于实际场景后，与用户的每一 次互动都成为反馈数据，这些数据被迅速收集并反馈回系统。这种即时的反馈机制使得模型 能够了解到其在真实环境中的表现。数据飞轮利用这些反馈数据，通过智能策略增强训练集， 使得模型根据实际应用中的表现进行针对性的再训练，不断调整和优化，以更精准地满足用 户需求。 通过上述过程，数据飞轮对生成式人工智能系统进行持续的优化循环，每次迭代都使模 型更加智能，更适应复杂多变的应用场景。随着循环的进行，生成式人工智能系统的能力得 到显著提升，不仅在技术指标上进步，更重要的是在理解和响应用户需求上更加贴近人类水 平，从而在各种应用场景中提供更加个性化和高效的解决方案。

二、 多模态大模型助力迈向通用人工智能

(一) 多模态能力大幅拓展生成式人工智能应用场景 大语言模型与多模态技术的融合正引领人工智能进入一个新阶段，通过整合处理文本、 图像、音视频等多种数据类型，提升深度语义理解和跨模态处理能力，以实现更广泛场景下 的智能决策与交互，展现出向通用人工智能迈进的巨大潜力。在为通用人工智能奠定基础的同时，多模态大模型也寻求在计算效率与泛化能力上的平衡，以适应从医疗到娱乐等各领域 的复杂需求。

在自动驾驶领域，多模态大模型充分展示了其作为实现通用人工智能重要路径的潜力。 自动驾驶是视觉大模型的重要应用场景。通过重构自动驾驶技术栈，人工智能大模型具备了 检测、跟踪、理解、建图四大能力，可以突破特定场景或预先规划路线的限制，更好处理不 同道路条件、天气状况等场景需求。搭载了这类大模型的自动驾驶汽车能通过摄像头、雷达 和超声波传感器等多种传感器采集道路信息，并利用人工智能算法实时分析、判断和决策， 识别和分析各种道路和交通场景，适应不同的交通环境，包括城市、高速公路和乡村道路等。 例如，早晚高峰的人车抢行环境下，自动驾驶汽车可以做到路权优先、合理避让、兼顾通行 效率，从而提升了安全性和智能性。从更广泛的角度来看，多模态大模型在处理和理解现实 世界中的复杂问题时具有天然优势。现实世界中的数据和知识通常是复杂交织在一起的，而 多模态大模型通过整合来自不同来源的信息，能够提供更为丰富和准确的分析结果。物理世 界中复杂场景的脱敏高价值数据回传，也将反哺大模型，推动人工智能技术跨越式发展。

(二) 四项基础能力成为迈向通用型人工智能的关键 理解、生成、逻辑、记忆是生成式人工智能大模型的四项基础能力。这四项基础能力的 综合运用，形成了多模态大模型在复杂任务场景下，对多类型数据输入进行处理、创作、规 划、决策的能力。这四项能力越强，多模态大模型就越接近通用人工智能的目标。 在理解能力方面，大模型通过深度学习和算法优化，能够高效处理文本、图像、音频等 多种数据类型，精准捕捉信息的深层含义。这使得它们在复杂环境中能准确理解用户需求和 环境动态。在生成能力方面，利用先进的生成技术，大模型能够创造高质量的内容，从文字 到图像乃至音视频，展现出强大的创意潜力，为用户提供前所未有的互动体验。在逻辑与记 忆能力方面，通过神经网络的复杂设计，大模型能够模拟人类的逻辑思维和长期记忆，进行 推理和决策时更加连贯和准确，从而让大模型能够解决需要理解上下文的任务。 综合上述能力，多模态大模型正成为解决跨领域复杂问题的强有力工具，特别是在自动 驾驶、教育、医疗等需要高度智能化和多维度理解的领域。这不仅提升了生成式人工智能技 术的实用性，也预示着人工智能向更高级别智能体的转变。

三、 智能体繁荣推动构建人工智能大生态

(一) 智能体的繁荣推动多领域智能化水平明显提升 智能体是指能够感知环境并采取行动以实现特定目标的实体，其运作机制包括理解、规 划、反思和进化，能让机器像人一样思考和行动，自主调用工具完成复杂任务。智能体的最 大特点是自主性，即在无需人类干预的情况下，根据外部传感器或数据输入自主做出决策并 执行相应动作。这一特点使得智能体能够适应多变的环境，更高效、更智能地执行任务。 在人工智能的发展历程中，从最初的规则系统到后来的机器学习模型，再到具备自主性 的智能体，技术演进不断推动着人工智能应用拓展边界。自主性智能体的出现，让人工智能 从被动响应向主动决策转变，是人工智能应用落地的重要一步。智能体也将作为推动人工智 能的重要应用形态，帮助生产制造和社会生活，向更加智能、自动、高效的方向迈进。

例如： 在工业生产领域，智能体将改变传统生产模式，显著提升自动化生产水平。它们能够自主监 控生产线，实时调整生产参数，优化生产流程，甚至在检测到异常时自动停机进行故障诊断 和修复。这种自主性不仅提高了生产效率和产品质量，还降低了人工成本和生产风险。在科 技研发领域，智能体能够自主进行实验设计、数据分析和结果验证，甚至自主改进实验方案。 这将极大缩短研发周期，降低研发成本，提高研发效率。在公共安全领域，智能体通过感知 城市监控摄像头和传感器网络，实时监测安全状况，快速响应火灾等紧急情况，提高公共安 全事件的响应速度和效率。在交通管理领域，智能体可以实时监控交通流量，自主分析交通 数据、优化信控策略、减少拥堵，支持规划决策，提高城市交通整体效率和安全性。在环境 监测领域，智能体可以收集和分析空气质量、水质等环境数据，自主判定污染情况、识别污 染源，提出解决方案，快速应对突发污染事件。

(二) 智能体将为凝聚用户构建生态提供重要驱动力 随着生成式人工智能技术的不断发展，无代码编程逐渐成为现实，使得普通用户利用自 然语言就能进行编程。借助生成式人工智能大模型的能力，用户能够以简单、高效的方式通 过自然语言创建出具有特定功能的智能体。这一变革不但降低了用户的使用门槛，使得生成 式人工智能变得触手可及，极大地提升了技术的易用性，也让智能体能与具体场景应用更加 契合。无论是普通人、开发者还是中小企业，都可以低成本地快速制作属于自己的智能体。

尽管无代码编程得到的智能体在复杂场景下仍有所局限，但对于许多日常应用场景，这 些智能体已经能够发挥很大作用。此外，智能体之间的协作能力也在不断提升，进一步增强 了其应用潜力，提升了应用上限，能够解决越来越多的实际问题。智能体的出现不仅让生活 更加智能化，还为各行各业带来了巨大的创新空间。随着技术的不断进步和开发门槛的逐渐 降低，围绕智能体构建的人工智能生态将进一步发展壮大，成为推动生成式人工智能广泛应 用的重要力量。