本文為節選內容

如需更多報告，聯系客服購買

可購買單份或打包（200多份未來信息產業報告，覆蓋人工智能、物聯網、衛星互聯網、量子信息、區塊鏈、元宇宙、虛擬實現等）

一、體系化支撐促進大模型技術加速演進

(一)技術架構變革為生成式人工智能發展打下基礎

相比PC、移動互聯網時代，人工智能時代的IT技術棧1發生了重大變革。原來的芯片、操作系統、應用三層架構，演變為芯片層、框架層、模型層、應用層四層架構。新一代的四層架構技術體系不僅可以實現各層次間的有效溝通與協同工作，還能令整個系統得到持續優化。這種架構對生成式人工智能技術的不斷迭代起到了重要支撐作用。

芯片層作為算力的物質基礎，其性能直接影響了生成式人工智能模型的效能表現，因而推動芯片架構朝著專業化、定制化的方向發展。例如,英偉達的Hooper架構利用Transformer引擎，顯著加快了模型的訓練速度。此外，生成式人工智能模型參數規模持續增大，對芯片計算能力的需求也隨之增長。高性能芯片不僅推動了框架和算法的優化，還對特定應用場景提供支持，加速了生成式人工智能技術的進步。

框架層是連接硬件與上層應用的紐帶，封裝了底層芯片的計算能力。它為開發者提供了易于使用的程序接口和高效的模型構建工具，有效降低了模型開發的復雜程度。與此同時，框架層還集成了自動混合精度訓練、分布式訓練等先進特性，進一步降低了模型開發的門檻。這使得研究人員不需要在繁瑣的底層實現細節花費過多精力，讓他們更加聚焦于算法創新方面，從而加速了新模型的研發進程。

模型層是生成式人工智能的核心架構，涵蓋了大語言模型、視覺大模型、多模態大模型等多種類型。得益于芯片層的算力支持和框架層的優化能力，這些模型的生成效率和泛化能力得到了顯著增強，為創意內容的生成、智能對話等前沿應用帶來可能。

應用層是將上述技術創新轉化為實際經濟效益的關鍵。在教育、娛樂、設計、醫療等領域，生成式人工智能為各行各業提供了廣闊的應用前景，催生了諸如智能輔導系統、定制化內容推送、創作輔助工具等一系列創新應用。這些多樣化的應用不但豐富了用戶的日常生活，

而且還刺激了對更高級別芯片性能、更優化框架設計以及更智能化模型的追求，進而形成了充滿活力的發展閉環，持續推動技術革新和產業轉型升級。

(二)深度學習框架成為生成式人工智能的迭代關鍵

深度學習框架作為生成式人工智能的"操作系統"，上承各種業務模型和行業應用，下接智能計算芯片，具備帶動產業應用和硬件適配的雙向主導權，已成為推動人工智能軟硬件快速迭代升級的核心焦點。

從模型支持的角度看，深度學習框架極大簡化了復雜算法的開發、優化和實際應用過程，讓研究人員和開發者能夠更加高效地設計、訓練和部署深度學習模型。深度學習框架通過提供簡單易用的接口，使得非專業人員也能構建復雜的神經網絡模型，降低了算法研究到實際應用的門檻。此外，框架在加速算法創新的同時，還促進了這些算法在實際場景中的應用。通過標準化的環境和流程，讓深度學習技術能夠快速從實驗室走向市場，解決實際問題，從而推動了人工智能技術的商業化和普及化。

從硬件的設計和推廣來看，在人工智能領域，芯片設計與深度學習框架的發展是相輔相成的。頭部框架廠商通過其在大模型訓練和推理上的實踐經驗，能夠提供寶貴的反饋給芯片制造商。這些反饋包括對算力需求、能效比、內存訪問模式等的具體要求，幫助芯片廠商設計出更符合實際應用需求的人工智能芯片。這種反饋機制使得芯片研發不再孤立進行，而是根據實際應用中的算法需求進行優化，確保芯片能夠高效執行特定的深度學習任務。與此同時，深度學習框架作為人工智能應用開發的基石，它的發展趨勢和特性也會影響人工智能芯片的設計?？蚣芸赡軙胄碌倪\算類型或優化策略，這要求芯片設計時需要考慮到這些變化，以實現更加緊密的軟硬件協同。通過深度學習框架與人工智能芯片的適配工作，可以加速芯片的驗證流程，確保其在實際應用中的性能表現，從而更快地將新技術推向市場并得到廣泛應用。這種交叉指導和合作機制，促進了生成式人工智能技術的整體進步，使得算法和硬件能夠更好地協同工作，提升了整體的人工智能系統效能。

從人工智能的產業應用來看，人工智能發展的早期階段更加重視開發先進、復雜的算法模型，而隨著產業的日趨成熟，業界開始更加關注如何將這些模型整合到實際的產品和服務中，實現真正的價值創造。因此，芯片廠商與深度學習框架的適配工作變得至關重要。通過這種合作，芯片廠商能夠對其硬件產品進行持續優化，確保與主流框架的高效兼容。這些軟件基礎設施的完善，不僅提升了大模型的運行效率，還降低了應用開發的門檻，促進了整

(三)數據飛輪讓生成式人工智能系統形成閉環反饋

數據飛輪在生成式人工智能系統的持續優化和升級過程中扮演著動態加速器的角色。數據飛輪建立了一個閉環反饋系統，確保從芯片硬件到深度學習框架，再到模型訓練和最終的應用場景，每一層都能基于實際使用中的數據反饋進行調整和優化。這一過程促進了技術的快速迭代，使得大模型能夠更好地適應各種應用場景，不僅提升了性能，還提高了效率。隨著數據的不斷循環利用和模型的持續學習，生成式人工智能系統的智能水平和響應速度得到顯著提升，從而推動整個產業向著更高效、更智能的方向發展。

數據飛輪通過一系列高效的數據處理和學習過程,不斷優化和提升大模型的性能。首先，它從廣泛的、多樣化的數據源中篩選出高質量的數據，這些數據經過處理和標注，成為訓練大模型的基礎。高性能的芯片和先進的深度學習框架為模型訓練提供了強大的計算能力和算法支持，使得模型能夠快速學習并形成初步能力。當模型應用于實際場景后，與用戶的每一次互動都成為反饋數據，這些數據被迅速收集并反饋回系統。這種即時的反饋機制使得模型能夠了解到其在真實環境中的表現。數據飛輪利用這些反饋數據,通過智能策略增強訓練集，使得模型根據實際應用中的表現進行針對性的再訓練，不斷調整和優化，以更精準地滿足用戶需求。

通過上述過程，數據飛輪對生成式人工智能系統進行持續的優化循環，每次迭代都使模型更加智能，更適應復雜多變的應用場景。隨著循環的進行，生成式人工智能系統的能力得到顯著提升，不僅在技術指標上進步，更重要的是在理解和響應用戶需求上更加貼近人類水平，從而在各種應用場景中提供更加個性化和高效的解決方案。

二、多模態大模型助力邁向通用人工智能

(一) 多模態能力大幅拓展生成式人工智能應用場景

大語言模型與多模態技術的融合正引領人工智能進入一個新階段，通過整合處理文本、圖像、音視頻等多種數據類型，提升深度語義理解和跨模態處理能力，以實現更廣泛場景下的智能決策與交互，展現出向通用人工智能邁進的巨大潛力。在為通用人工智能奠定基礎的

同時，多模態大模型也尋求在計算效率與泛化能力上的平衡，以適應從醫療到娛樂等各領域的復雜需求。

在自動駕駛領域，多模態大模型充分展示了其作為實現通用人工智能重要路徑的潛力。自動駕駛是視覺大模型的重要應用場景。通過重構自動駕駛技術棧，人工智能大模型具備了檢測、跟蹤、理解、建圖四大能力，可以突破特定場景或預先規劃路線的限制，更好處理不同道路條件、天氣狀況等場景需求。搭載了這類大模型的自動駕駛汽車能通過攝像頭、雷達和超聲波傳感器等多種傳感器采集道路信息，并利用人工智能算法實時分析、判斷和決策，識別和分析各種道路和交通場景，適應不同的交通環境，包括城市、高速公路和鄉村道路等。例如，早晚高峰的人車搶行環境下，自動駕駛汽車可以做到路權優先、合理避讓、兼顧通行效率，從而提升了安全性和智能性。從更廣泛的角度來看，多模態大模型在處理和理解現實世界中的復雜問題時具有天然優勢?，F實世界中的數據和知識通常是復雜交織在一起的，而多模態大模型通過整合來自不同來源的信息，能夠提供更為豐富和準確的分析結果。物理世界中復雜場景的脫敏高價值數據回傳，也將反哺大模型，推動人工智能技術跨越式發展。

四項基礎能力成為邁向通用型人工智能的關鍵

理解、生成、邏輯、記憶是生成式人工智能大模型的四項基礎能力。這四項基礎能力的綜合運用，形成了多模態大模型在復雜任務場景下，對多類型數據輸入進行處理、創作、規劃、決策的能力。這四項能力越強，多模態大模型就越接近通用人工智能的目標。

在理解能力方面，大模型通過深度學習和算法優化，能夠高效處理文本、圖像、音頻等多種數據類型，精準捕捉信息的深層含義。這使得它們在復雜環境中能準確理解用戶需求和環境動態。在生成能力方面，利用先進的生成技術，大模型能夠創造高質量的內容，從文字到圖像乃至音視頻，展現出強大的創意潛力，為用戶提供前所未有的互動體驗。在邏輯與記憶能力方面，通過神經網絡的復雜設計，大模型能夠模擬人類的邏輯思維和長期記憶，進行推理和決策時更加連貫和準確，從而讓大模型能夠解決需要理解上下文的任務。

綜合上述能力，多模態大模型正成為解決跨領域復雜問題的強有力工具，特別是在自動駕駛、教育、醫療等需要高度智能化和多維度理解的領域。這不僅提升了生成式人工智能技術的實用性，也預示著人工智能向更高級別智能體的轉變。

三、智能體繁榮推動構建人工智能大生態

(一) 智能體的繁榮推動多領域智能化水平明顯提升

智能體是指能夠感知環境并采取行動以實現特定目標的實體，其運作機制包括理解、規劃、反思和進化，能讓機器像人一樣思考和行動，自主調用工具完成復雜任務。智能體的最大特點是自主性，即在無需人類干預的情況下，根據外部傳感器或數據輸入自主做出決策并執行相應動作。這一特點使得智能體能夠適應多變的環境，更高效、更智能地執行任務。在人工智能的發展歷程中，從最初的規則系統到后來的機器學習模型，再到具備自主性的智能體，技術演進不斷推動著人工智能應用拓展邊界。自主性智能體的出現，讓人工智能從被動響應向主動決策轉變，是人工智能應用落地的重要一步。智能體也將作為推動人工智能的重要應用形態，幫助生產制造和社會生活，向更加智能、自動、高效的方向邁進。例如:在工業生產領域，智能體將改變傳統生產模式，顯著提升自動化生產水平。它們能夠自主監控生產線，實時調整生產參數，優化生產流程，甚至在檢測到異常時自動停機進行故障診斷和修復。這種自主性不僅提高了生產效率和產品質量，還降低了人工成本和生產風險。在科技研發領域,智能體能夠自主進行實驗設計、數據分析和結果驗證，甚至自主改進實驗方案。這將極大縮短研發周期，降低研發成本，提高研發效率。在公共安全領域，智能體通過感知城市監控攝像頭和傳感器網絡，實時監測安全狀況，快速響應火災等緊急情況，提高公共安全事件的響應速度和效率。在交通管理領域，智能體可以實時監控交通流量，自主分析交通數據、優化信控策略、減少擁堵，支持規劃決策，提高城市交通整體效率和安全性。在環境監測領域，智能體可以收集和分析空氣質量、水質等環境數據，自主判定污染情況、識別污染源，提出解決方案，快速應對突發污染事件。

智能體將為凝聚用戶構建生態提供重要驅動力

隨著生成式人工智能技術的不斷發展，無代碼編程逐漸成為現實，使得普通用戶利用自然語言就能進行編程。借助生成式人工智能大模型的能力，用戶能夠以簡單、高效的方式通過自然語言創建出具有特定功能的智能體。這一變革不但降低了用戶的使用門檻，使得生成式人工智能變得觸手可及，極大地提升了技術的易用性，也讓智能體能與具體場景應用更加契合。無論是普通人、開發者還是中小企業，都可以低成本地快速制作屬于自己的智能體。

盡管無代碼編程得到的智能體在復雜場景下仍有所局限，但對于許多日常應用場景，這些智能體已經能夠發揮很大作用。此外，智能體之間的協作能力也在不斷提升，進一步增強了其應用潛力，提升了應用上限，能夠解決越來越多的實際問題。智能體的出現不僅讓生活更加智能化，還為各行各業帶來了巨大的創新空間。隨著技術的不斷進步和開發門檻的逐漸降低，圍繞智能體構建的人工智能生態將進一步發展壯大，成為推動生成式人工智能廣泛應用的重要力量。