国内外人工智能行业应用发展现状如何？

全球人工智能技术演进日趋激烈。

当前，全球人工智能产业正迎来蓬勃发展的黄金时期。基础技术不断实现突破，产业生态日益成熟，行业应用范围不断拓宽。与此同时，各国政府纷纷出台相关政策，规范行业发展，试图在全球竞争中抢占发展先机。

国外的模型能力、多模态技术、混合模型等基础技术持续演进。一是当前大模型能力快速提升。Open AI 最新发布的o1大模型采用思维链方式对复杂问题进行逐步分析，使得解决多层次的数学、科学和编码问题成为可能，该模型成为第一个与人类专家能力相当的模型。多模态人工智能技术已经能够综合处理文本、图像、音视频等多种类型的数据，提供更丰富和复杂的服务，例如多模态具身视觉语言模型 PaLM-E、文生图模型DALL-E、多模态经典模型 CLIP 等。注意力机制与其他机制结合的模型能够在降低计算成本和内存占用的同时，保持甚至提高准确性。例如Google DeepMind 的 Griffin 模型结合了线性递归和局部注意力，大大减少了训练时使用的标记数量，依然能保持与Llama-2相当的性能。二是基础技术体系加速收敛。经过十多年的发展沉淀和市场选择，美国 AI 产业逐渐形成统一收敛的局面，展现出强大竞争力。在算力（英伟达 GPU 占比85%以上）、人工智能深度学习框架（PyTorch 占比 90%以上）、模型（GPT、Llama系列）等层面，基于收敛的技术栈，吸纳了全球开发者的贡献，形成了强大的生态体系。

国外人工智能产业从芯片、并行计算引擎、人工智能深度学习框架、工具链、开源社区等方面形成了完整的产业链。芯片上，英伟达 GPU、谷歌张量处理单元（TPU）等为大规模并行计算提供支持，英特尔、AMD 等则布局多种人工智能专用芯片，满足数据中心、智能终端、自动驾驶等场景的需求。并行计算引擎上，以英伟达 CUDA 为代表，凭借其丰富的算子生态、强大的社区支持，成为主导技术。同时，CUDA EULA 限制条款要求不允许逆向工程，不允许在非英伟达硬件平台上进行转译运行，进一步巩固了其产业地位。人工智能深度学习框架上，形成了以Meta主导的 PyTorch 和 Google 主导的 TensorFlow 为代表的聚集效应。其中，PyTorch 是目前全球最流行的人工智能深度学习框架，并结合英伟达 GPU 芯片底层进行计算优化，占据了90%以上的份额。开源社区上，国外开源社区聚集效应显著，以全球最大的开源 AI 社区 Hugging Face 为例，吸引了大量的开发者和企业参与，截止 2024 年 11 月平台收录超过100 万个大小模型和超过20 万个数据集，包括微软、谷歌在内的超过15 万家机构使用。

国外人工智能技术应用在医疗医药、自动驾驶、高端制造等行业，并持续拓展应用场景。医疗医药行业，在疾病诊断、药物研发、基因组研究、智能健康监测等方面广泛应用。DeepMind的AlphaFold系列模型专注于蛋白质结构预测，获得2024年诺贝尔化学奖，这也是首次将该奖项颁给人工智能相关的研究。自动驾驶行业，英伟达的DRIVE平台可进行复杂的路径规划和实时决策，确保自动驾驶汽车的安全行驶。特斯拉FSD系统实现从感知到控制端到端自动驾驶技术在量产车型上的应用已成为现实。高端制造行业，在工业设计、需求预测、过程优化、供应链优化等领域广泛应用。DeepMind的AlphaChip利用了强化学习方法来设计芯片布局，能够在数小时内生成人工需要数周甚至数月的芯片设计工作，并应用于谷歌TPU芯片设计中。

中国在全球 AI 版图中的核心地位日益凸显，其增长潜力不容小觑。根据 2024 年《全球人工智能和生成式人工智能支出指南》，中国 AI 市场规模已由 2018 年的84 亿美元增至2022年的319 亿美元，预计于 2027 年将达到1,150 亿美元，2022 年至2027年的复合年增长率为 29.2%。中国 AI 市场规模占全球AI 市场规模的百分比由 2018 年的 11.9%上升至2022 年的16.1%，预计于2027 年将达到 20.6%。 我国人工智能应用层企业完备，且具备良好的发展势头。根据前瞻产业研究院《2024 年中国人工智能行业全景图谱》，在2200 家人工智能骨干企业中，提供基础硬件设备和数据服务的企业仅有 53 家，从事包括核心算法、开发平台等在内的关键技术的研发的技术层企业有 273 家，涉及人工智能技术的集成和场景应用的应用层企业占比高达 85.18%，达到1873 家。

人工智能技术在互联网领域中的应用尤为活跃，并且正积极应用于实体经济产业中。一是各行业人工智能应用分多个波次发展。互联网头部企业作为智能化先锋，主导AI 技术的研发和应用。运营商、金融、汽车、手机和政府服务类处于第二梯队，正积极训练、部署大模型，将 AI 技术应用于核心场景。电力、医疗、制造、交通和零售等行业处于数字化阶段，积极探索AI 应用的落地。而餐饮、建筑和农牧业等仍处于起步阶段。二是人工智能技术正在加速与传统实体产业的融合，特别是在制造业、医疗、交通等领域。根据《中国互联网发展报告2024》，中国已建成近万家数字化车间和智能工厂，其中90%以上的示范工厂应用了人工智能和数字孪生技术。

技术与产业竞争的焦点已经从单一的计算量和模型参数量转变为对高质量数据集规模的重视。基于规模理论（ScalingLaw）的发现，在人工智能领域，模型性能的关键影响因素包括计算量、模型参数量和数据集规模。其中，计算量取决于算力水平，模型参数量决定模型大小，而数据集规模作为人工智能系统的原材料，其规模和质量直接影响模型训练的效果和应用的广泛性。国内外人工智能技术的应用正在不断落地，尤其是在数据密集型行业如金融、医疗健康等领域。这是因为高质量、多样化的数据对于训练有效的模型至关重要，能够显著提升人工智能应用落地效果。

前国内也呈现出在行业赋能效果提升上发力的趋势。一是从模型开发到更关注高价值场景的开发。模型开发和优化需要投入大量资源，随着基础大模型能力的显著跃升，企业的工作重点正在从模型开发和调优转移到高价值场景的应用开发上。企业可利用已有的基础模型、行业模型、小模型和机理模型，专注行业场景的应用需求。二是从关注单点技术指标到考虑整体成熟度。人工智能技术体系垂直整合度高，企业进行技术选择时，正从聚焦个别技术指标评估转向软硬协同整体系统的成熟度和适用性的评估。大规模集群能力、大参数模型训练能力以及算网存一体调优能力等，成为评价技术成熟度的关键。采用主流成熟技术可以保护企业投资，确保技术体系能长期满足需求。三是从追求短期技术优势到重视长期可持续。在当前国际产业竞争大环境条件下，确保产业链和供应链的可持续性至关重要，企业追求短期技术优势，长期看可能影响系统的持续演进和升级能力。