2023下半场，人工智能（AI）有何发展趋势？产业层面如何演化？哪些细分领域最为受益呢？
近日，澎湃新闻专访了中信建投证券研究所所长兼国际业务部行政负责人武超，就相关问题作出分析解读。
武超则是新财富白金分析师，2013年至2020年连续八届新财富最佳分析师通信行业第一名，专注于5G、云计算、物联网等领域研究。目前是中国证券业协会证券分析师、投资顾问与首席经济学家委员会委员。
AI正处于通用人工智能曙光乍现的阶段
对于目前人工智能的发展阶段，武超则认为，正处于狭义人工智能相对成熟、通用人工智能（AGI）曙光乍现的阶段。
“通用人工智能是指具有像人类一样的思考能力，可以适应广泛的领域并解决多种问题的机器智能，通用人工智能是人工智能研究的重要目标之一。”武超则说。
武超则解释称，狭义人工智能是指当下已取得显著进展，但局限于特定领域的人工智能，如语音识别、机器视觉等。目前以GPT-4为代表的自然语言大模型，则被认为是通往通用人工智能的重要潜在路径。
“进一步展望未来，脑机接口有望成为下一代人机交互方式。当前，脑机接口技术正在突破人类的生理界限。”武超则称。
现阶段，武超则认为，大模型正在成为新一代的流量入口。GPT-4正在逐步开放插件功能，通过底层模型连接第三方应用，从而构建丰富的生态系统。GPT-4自插件功能开放以来，目前已经接入超过500个插件。
“随着大模型能力的不断增强以及插件生态的不断丰富，大模型有望成为新一代的人机交互方式以及流量入口。”武超则判断。
大模型正朝多模态信息融合方向快速发展
而对于大模型接下来的发展，武超则表示，目前文本、语音、图片等单模态人工智能模型已经相对成熟，大模型正在朝着多模态信息融合的方向快速发展。
“从CLIP的诞生再到GPT-4的图像处理能力，图文多模态技术已经取得了显著的进步。大模型已不只满足文字和图像，也开始向着音频、视频等领域拓展。”武超则说。
武超则进一步指出，多模态模型能够处理视觉信息、文本信息、听觉信息等多元化数据，可以对不同表现形式的信息进行融合理解，进一步提升大模型的迁移学习能力，是人工智能全面理解真实世界的重要一步。
现阶段来看，谷歌推出RoboCat大模型，英伟达推出Nvidia VIMA，武超则认为具身智能已经成为AI龙头企业竞相争夺的高地。
“具身智能是可以和物理世界进行感知交互，并具有自主决策和行动能力的人工智能系统。通用人工智能与机器人产业正处在快速发展、互相融合促进的战略机遇期，作为两大领域交叉的核心应用，具身智能有望在未来取得快速发展。”武超则判断。
模型性能提升需建立在高质量数据之上
对于人工智能接下来的发展，武超则强调，深度学习的进步，势必建立在以更大的模型处理海量数据基础之上。
“GPT-1模型从1.17亿参数上升至GPT-3的1750亿参数，模型效果取得了显著突破，同时还有能力的涌现。但是模型参数量的增大带来算力需求的激增，模型架构和参数量提升带来的收益正处于递减状态。”武超则说。
武超则进一步指出，相关研究显示，高质量的语言数据将在2026年耗尽，低质量的语言数据和图像数据将分别在2030-2050年、2030-2060年间枯竭。
“以数据为中心的人工智能更加专注于数据的价值，将进一步推动AI模型的性能突破。例如，斯坦福大学吴恩达教授便提出了二八定律，即‘80%的数据+20%的模型=更好的AI’。”武超则称。
在武超则看来，以数据为中心的策略可以解决数据样本不足、数据偏差等问题，高质量数据集成为推动模型性能进一步提升的关键要素，高质量的数据处理、数据标注服务以及完善的数据收集和评估体系的价值将进一步凸显。
应用端或百花齐放
应用落地方面，武超则判断，总的来说，数据壁垒将带来企业端大模型百花齐放。
“通用大模型可以帮助用户解决一般性问题，而当企业需要处理其特定行业的数据和任务时，往往需要针对其行业数据库来对基本模型进行微调，垂直行业的特性和需求不尽相同，因此大模型的应用也呈现出多样化的趋势。”武超则说。
而在B端应用上，武超则表示，出于对模型的经济性考量，未来将呈现阶梯式、差异性需求。
“大模型在垂直领域的商业化落地对模型的运行成本更为敏感，模型的推理成本与模型的参数量多少密切相关，需要不同参数规模的大模型组成多层次的产品组合，从而在不同场景下实现最佳的经济性，进一步提升大模型的丰富度。”武超则判断。
看好云计算和算力端未来发展
云计算方面，武超则表示，作为当前重要的AI算力提供方案，AI服务器市场获得迅猛发展。根据相关数据，2022年全球AI服务器的出货量占整体服务器比重约1%，随着大模型训练侧和推理侧的需求爆发，AI算力资源需求预计将呈指数增长。
“其中，IDC数据预计，未来5年中国智能算力规模的年复合增长率将达52.3%，全球价值万亿美元的数据中心存量市场将从通用计算逐步过渡向AI计算。”武超则指出。
武超则认为，云计算正从CPU为中心的同构计算架构向以CPU+GPU/NPU为中心的异构计算架构深度演进。
市场规模方面，武超则预计，大模型带来的GPU存量空间将从2023年的277亿美元上升至2025年的1121亿美元，以GPU为代表的AI计算资源中短期将处于供不应求的状态。
“此外，随着专有领域的计算需求提升，AI芯片追求更高的性能和更低的功耗，芯片的多样性和生态丰富性将不断提升。”武超则说。
同时，武超则强调，随着大模型小型化、场景化需求增加，同时出于对AI应用的经济性、可靠性和安全性的考量，部分场景的推理将逐步从云侧扩展向端侧，并带动端侧算力需求的进一步提升。
AI监管仍需加强
在人工智能的快速发展中，武超则强调，加强AI监管与推动AI技术的进步同等重要。
“AI能力带来应用的便利性，同时也可能引发数据隐私、算法偏见、AI伦理等一系列问题。”武超则指出，“从规范角度来看，各国政府也都已经开始采取行动，制定和执行各种AI政策和法规。”
武超则称，从技术角度来看，可以通过可解释AI等技术手段增强AI的可信度。可解释AI使人工智能的决策过程透明化，增加输出内容的可理解性和可信任度，对于构建用户对AI系统的信任、提升系统的有效性、应对潜在的伦理问题都至关重要 。
