人工智能发展历程、应用领域、影响及问题分析

全球人工智能技术产业迎来爆发式增长，智能时代加速到来，深 刻改变人类的生产生活方式。

人工智能自 1956 年达特茅斯会议诞生以来，已历经三次发展浪潮。 随着 2022 年 11 月 ChatGPT 上线，生成式大模型又推动人工智能发展 进入新阶段。据《全球人工智能产业发展白皮书（2024 年）》显示， 2023 年全球人工智能产业规模达 7078 亿美元，同比增长 19.3%。a 随 着产业规模的不断扩张，人工智能的经济社会影响日益扩大。

人工智能技术发展迄今经历四个阶段：由符号主义主导 的萌芽探索期和专家系统期，以及由连接主义主导的机器学习期和大 模型期。人工智能技术在上世纪 90 年代开始的机器学习期实现突破， 开始大规模投入实践。在图像识别领域，卷积神经网络（CNN）等人 工智能算法得到充分应用，通过卷积层、池化层和全连接层的组合， 能够有效地提取图像中的局部特征和全局信息。2015 年，微软亚洲研 究院何恺明等四名研究员研发的 ResNet 首次在图像识别领域超越人 类。在语音识别领域，端到端的深度学习可被用于识别汉语、英语等 多个语种。2015 年 12 月，百度研究院宣布其 Deep Speech 系统实现超 越人类水平的汉语识别。在自然语言处理领域，人工智能被广泛用于 文本分类、情感分析、机器翻译等任务。特别是注意力机制（Attention Mechanism）的引入，使得模型能够更好地聚焦于输入序列中的重要部 分，进一步提升了处理长文本的能力。谷歌 2017 年研发的 Transformer 模型不仅通过自注意力机制（Self-Attention）在机器翻译任务中取得了 显著的成果，还成为推动人工智能进入大模型期的关键基础。

随着人工智能技术发展进入大模型期，生成式大模型的崛起引发 全球高度关注。这些模型通常具有少则数十亿、多则上万亿个参数， 通过大规模的预训练在大量未标注数据上学习通用的特征表示，再通 过微调在特定任务上进行优化。相比于传统人工智能，大模型在多个 任务和场景中展现出强大的通用性和适应性。 首先是规模可扩展性强。在大模型中，参数规模、计算量和训练 数据增加可带来模型性能持续提升，而在传统人工智能模型中，规 模增大不能带来性能持续提升。其次是多任务适应性强。在大模型 中，一个模型能同时支持多种任务和多个模态，甚至实现跨模态， 而在传统人工智能模型中，一个模型只能胜任单任务和单模态。最 后是能力可塑性强。大模型通过模型微调、思维链提示等措施即可 实现能力进一步增强，传统人工智能模型训练完成后能力无法进一 步拓展。

在内容创作领域，许多媒体公司和内容平台使用大模型自动生成 新闻稿、文章和创意内容，提高内容生产的效率和质量。目前，在财 经新闻、商业插画等领域，人工智能所生成的作品效果已得到广泛认可， 可以经过微调甚至直接投入商业应用。在自动驾驶领域，智能驾驶系 统能够基于摄像头、雷达和超声波传感器等收集数据、提取环境信息， 如车辆、行人、交通标志等，并据此实时分析路况并调整驾驶策略， 显著提高了驾驶的安全性和舒适性。在自动驾驶技术推动下，新能源 汽车行业实现迅猛发展。在医疗健康领域，通过学习大量的医疗影像 数据，人工智能能够辅助医生进行疾病诊断，提高诊断的准确性和效率。 目前人工智能已经在利用肺部 CT 影像检测肺癌、识别皮肤癌、筛查 眼科疾病等方面取得了显著成果。此外，人工智能还可以用于患者的 个性化治疗方案推荐，通过分析患者的基因组数据、病史和生活习惯 等信息，为患者提供更加精准的治疗建议。

在工业生产领域，人工智 能已具备沉淀专家经验、提高生产效率的能力，在替代人从事危险工作、 重复劳动方面发挥重要作用，同时在 CAD 研发设计、智能装备等方面 已经体现出明显的潜力。如在智慧矿山中，人工智能在矿山智能生产、 设备管理、安全作业以及经营决策等领域发挥重要作用。在生物化学 领域，大模型技术被用于蛋白质结构预测等科研工作。2024 年，谷歌 DeepMind公司的丹米斯·哈萨比斯（Demis Hassabis）和约翰·乔普（John M. Jumper）因共同领导了对 AlphaFold2 的开发，展现了人工智能在攻克 长期悬而未决的生物学难题上的巨大潜力而荣获诺贝尔奖。在教育培 训领域，数字人可以作为虚拟教师，帮助学生进行学习，指导员工完 成培训，特别是对于贫困落后地区的儿童而言，人工智能技术可以增 强优质教育资源的可得性，帮助有效缩小城乡差距。综上所述，人工 智能已经为全球各行业创造了巨大的商业价值，催生出一批新型产业， 深刻改变了人类的生产生活方式，对经济、社会产生深远影响。

人工智能技术既有提升效率、促进增长等正面作用，也潜藏着替 代就业、扩大数字鸿沟等风险，需加以高度关注。从经济增长角度看， 生成式大模型作为新的通用目的技术，将推动劳动生产率的提升。高 盛于 2023 年 3 月发布报告认为，从历史经验看，人工智能如果能够 得到普遍应用，将在 10 年内推动全球 GDP 年均增长 7%，或近 7 万 亿美元。a 从就业影响角度看，全球约有 18% 的工作可能被 AI 自动化 所取代，影响 3 亿工作岗位；但对不同行业的冲击有所差异，相较于 发达经济体，新兴经济体能够被自动化替代的工作岗位较少。b 从社会 治理角度看，一方面大模型可以通过分析海量社会数据，帮助政府部 门进行城市规划、交通管理、公共安全保障等工作。另一方面，生成 式人工智能也可能因可得性不足、输出结果存在偏见等问题使弱势群 体处于更加不利的地位，损害社会公平。

与人工智能技术快速发展和应用形成鲜明对比的是，大多数国家 特别是发展中国家尚未能真正接触、使用人工智能并从中受益。联合 国人工智能高级别咨询机构 对来自 38 个国家的 120 余名专家的调查 发现，多数专家认为人工智能将对较高收入国家更早产生积极的影响， 对人工智能助力减少不平等持谨慎态度；发展中国家获取基础设施、数据、模型、人才等关键要素的能力远低于发达国家。

1. 数字基础设施鸿沟明显 随着大模型、生成式人工智能技术革新，人工智能由之前的点状 应用，逐步规模化发展到赋能广泛行业，对基础设施也提出了更高要求。 然而发展中国家在网络接入、算力等方面仍有不小差距。一是网络接 入方面，根据国际电联（以下简称“ITU”）《衡量数字发展：2023 年事实与数字》报告，全球互联网连接取得稳步进展，但总体发展仍 不均衡，越来越多的低收入国家被抛在后面。b2022 年，全球仍有 26 亿人无法接入互联网，非洲仅有 37% 的人口使用互联网，还不足美欧水平（约 90%）的一半。低收入国家每个固定宽带用户的月平均流量 为 161GB，仅占全球平均数据使用量 257GB 的六成。5G 移动网络分 布不均衡，高收入国家 89% 人口已被 5G 网络覆盖，而低收入国家几 乎没有 5G 服务。网络接入水平低限制了发展中国家对人工智能服务的 使用。二是算力方面，根据经合组织（以下简称“OECD”）定义，人 工智能算力是指支持专门的人工智能工作负载和应用的硬件和软件堆 栈，包括数据中心、超级计算机和云计算等。a 根据市场调研机构 Synergy Research Group 的数据，截至 2023 年底，全球超大规模数据中心 主要集中于北美、亚太和欧洲。b 大模型规模和精度提升，智能化应用 场景拓展，都对算力支撑提出更高要求。据华为《智能世界 2030》报 告预测，2030 年人工智能算力需求将达到 864 ZFLOPS，算力需求十 年百倍的增长将成为常态。c 缺乏可负担的算力将限制发展中国家融入 全球人工智能产业生态。

2. 数据集资源分布不均 数据是人工智能模型训练的基础，也是决定其性能和专业性的关 键因素。目前，大多数主流人工智能大模型都基于英语语料库训练， 如 ChatGPT-3 训练语料中，英语占比约 92.6%，英语、法语、德语、西语等 16 种语言的头部效应明显，合计占比超过 99.24%a，其他小语 种的贡献非常有限。数字经济领先的国家较早开展数字化转型，在生 产生活和公共服务各领域积累了大量的有效数据。大多数发展中国家 受数字化进程限制，海量信息尚未转化为可用数据，经过标注、清洗 等一系列数据处理流程后形成的高质量数据集更为缺乏。此外，发展 中国家公共数据开放和整合也面临挑战。世界银行 2022 年数据统计表 现指数（Statistical Performance Indicators, SPI）显示，非洲、拉美、亚 太区域发展中国家在人口普查数据、行政数据、地理空间数据的开放 共享方面表现较为落后。

 3. 大模型集中度较高 从全球已发布的大模型的分布来看，截至 2023 年 5 月，中国和美 国的大模型总数已超过全球大模型总数的 80%。c 法国、德国、 俄罗斯、以色列等国家拥有部分大模型，其他发展中国家基本缺位。 大模型全球分布非常集中的部分原因在于高昂的成本。根据斯坦福研 究团队测算，2023 年 OpenAI GPT-4 和谷歌 Gemini Ultra 训练成本分别 约为 7800 万美元和 1.91 亿美元。d 值得一提的是，人工智能开源模型为技术扩散提供了机遇，但 也面临着较大的安全挑战。开源模式通过开放源代码促进不同开发者的获取、修改和分发，显著降低了个人和企业接触和使用人工智 能技术的成本，提高了发展中国家部署本地化大模型的可能性。但 与此同时，开源系统也面临着价值观偏差、滥用和易受攻击等一系 列安全问题。

4. 人才差距显著 顶 级 人 才 方 面， 根 据 清 华 大 学《 人 工 智 能 发 展 报 告 2011- 2020》，入选人工智能 2000 榜单的高层次学者共计 1833 位（去重处 理），覆盖全球 37 个国家，主要集中在北美洲、欧洲和东亚地区， 南美洲、非洲的高层次学者数量稀少。其中，美、中、德高层次人工智能学者的数量为全球前三，其余国家数量均低于 100 人。a 专业人才方面，发展中国家在物联网、数据科学、自然语言处理、机 器学习等人工智能相关专业的教育基础薄弱、科研水平不足。联合国 教科文组织对二十国集团成员的统计显示，发展中国家科学、技术、 工程和数学（STEM）领域毕业生、信息通信技术毕业生数量明显低 于发达国家。南非、土耳其 STEM 毕业生占比仅为 18.71%、15.8%， 约是排名第一的德国的半数（35%）。b 此外，全球对人工 智能人才需求旺盛导致发展中国家的人才外流问题严重。原因之一是 发展中国家的人工智能商业模式仍处于早期发展阶段，难以提供充足 的就业岗位。