伴随人工智能技术的加速演进,AI 大模型已成为全球科技竞争的新高地、 未来产业的新赛道、经济发展的新引擎,发展潜力大、应用前景广。近年来,我 国高度重视人工智能的发展,将其上升为国家战略,出台一系列扶持政策和规划, 为 AI 大模型产业发展创造了良好的环境。当前,通用大模型、行业大模型、端 侧大模型如雨后春笋般涌现,大模型产业的应用落地将进一步提速。作为新一代 人工智能产业的核心驱动力,AI 大模型广泛赋能我国经济社会的多个领域,打 开迈向通用人工智能的大门,推动新一轮的科技革命与产业变革。
AI 大模型主要特征
AI 大模型具有泛化性(知识迁移到新领域)、通用性(不局限于特定领域)以 及涌现性(产生预料之外的新能力)特征。以 ChatGPT 为代表的 AI 大模型因其具 有巨量参数和深度网络结构,能学习并理解更多的特征和模式,从而在处理复杂 任务时展现强大的自然语言理解、意图识别、推理、内容生成等能力,同时具有 通用问题求解能力,被视作通往通用人工智能的重要路径。

AI 大模型主要类型
按照部署方式划分,AI 大模型主要分为云侧大模型和端侧大模型两类。云 侧大模型由于部署在云端,其拥有更大的参数规模、更多的算力资源以及海量的 数据存储需求等特点;端侧大模型通常部署在手机、PC 等终端上,具有参数规 模小、本地化运行、隐私保护强等特点。具体而言,云侧大模型分为通用大模型和行业大模型;端侧大模型主要有手 机大模型、PC 大模型。从云侧大模型来看,通用大模型具有适用性广泛的特征, 其训练数据涵盖多个领域,能够处理各种类型的任务,普适性较强。行业大模型 具有专业性强的特点,针对特定行业(如金融、医疗、政务等)的需求进行模型 训练,因而对特定领域具有更深的业务理解和场景应用能力。从端侧大模型来看, 手机和 PC 大模型由于直接部署在设备终端,让用户体验到更加个性化和便捷的 智能体验。

当前,我国 AI 大模型产业呈现蓬勃发展的态势。伴随多家科技厂商推出的 AI 大模型落地商用,各类通用、行业以及端侧大模型已在多个领域取得了显著 的成果,如在金融、医疗、政务等领域,AI 大模型已成为提升服务质量和效率 的重要手段。我国具有代表性的通用 AI 大模型主要包含科大讯飞的讯飞星火认 知大模型、百度公司的文心一言大模型、阿里巴巴的通义千问大模型等;行业 AI 大模型主要涵盖蜜度的文修大模型、容联云的赤兔大模型、用友的 YonGPT 大 模型;同时具有云侧和端侧大模型的端云结合 AI 大模型主要有 vivo 的蓝心大模 型;端侧 AI 大模型主要以蔚来的 NOMI GPT 大模型为代表。

AI 大模型将加快新质生产力发展,助力我国经济社会高质量 发展
AI 大模型可以创造新价值、适应新产业、重塑新动能,是加快发展新质生产力 的关键要素。AI 大模型作为当前人工智能领域的重要技术,是孕育新质生产力 的沃土。新质生产力是创新起主导作用,摆脱传统经济增长方式、生产力发展路 径,具有高科技、高效能、高质量特征,符合新发展理念的先进生产力质态,其 由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生。以劳动者、 劳动资料、劳动对象及其优化组合的跃升为基本内涵,以全要素生产率大幅提升 为核心标志。
AI 大模型作为实现新质生产力发展的重要手段,可以推动多个领 域的智能化升级,提高生产效率、降低生产成本、提升产业竞争力。随着中国经 济进入高质量发展阶段,AI 大模型在催生新产业、新模式、新动能方面展现出 巨大潜力,不仅支撑了经济社会的高质量发展,也符合《国家创新驱动发展战略 纲要》所强调的创新驱动和产业升级要求。我国众多产业对于高质量发展的需求, 将为大模型的落地应用提供场景支撑。随着人工智能技术的不断升级,大模型产 业化应用也成为可能。












好文章,需要你的鼓励
Instagram负责人莫塞里在接受采访时透露,平台正考虑引入长视频内容功能,尽管此前一直专注于短视频。他承认为了吸引优质内容,Instagram可能需要支持长视频格式。此外,Meta最近推出了"您的算法"功能,旨在让用户更好地控制信息流内容。莫塞里承诺未来将提供更多工具,让用户主动塑造个性化内容,但完整实现可能需要2-4年时间。
香港大学联合Adobe研究院提出PS-VAE技术,成功解决了AI无法同时具备图像理解和生成能力的难题。通过创新的两阶段训练策略,让AI既能准确理解图片语义,又能生成高质量图像,在图像编辑任务上性能提升近4倍,为统一视觉AI系统开辟新路径,在数字创作、教育、电商等领域具有广阔应用前景。
在信息爆炸的时代,AI实验室的研究员们常常需要面对海量的论文、专利文件、论坛发言等各种渠道的信息。传统的查找方式不仅费时费力,还容易遗漏关键内容。那么,有没有一种方式能让AI真正代替人工,完成从找资料到写出稿的全流程工作?
华中科技大学与马里兰大学研究团队开发出Sage评估框架,首次无需人工标注即可评估AI评判员可靠性。研究发现即使最先进的AI模型在评判任务中也存在严重不一致问题,近四分之一困难情况下无法保持稳定偏好。团队提出明确评判标准和专门微调等改进方法,为构建更可靠AI评估体系提供重要工具。