AI探秘：前世今生一览无余

研究方向及背景

【资料图】

人工智能（AI）是利用人工智能技术生成内容的新方式，被视为继PGC和UGC之后的一种新型内容生产模式。AI绘画、AI写作等是AI的具体表现形式。2022年，AI的发展速度惊人，迭代速度呈指数级增长，深度学习模型的不断完善、开源模式的推动以及大规模模型商业化探索，都在推动AI的快速发展。去年，人工智能绘画作品赢得了冠军，超级聊天机器人ChatGPT的出现，拉开了智能创作时代的序幕。

在人工智能发展的历程中，让机器具备创作能力一直被认为是一道难以逾越的障碍，“创造力”也因此成为人类和机器之间最本质的区别之一。然而，人类的创造力最终将被赋予给机器，将世界带入智能创作的新时代。从机器学习到智能创造，从PGC、UGC到AI，我们即将见证一场深刻的生产力变革，这场变革也将影响到我们工作和生活的方方面面。本书将通过生动的比喻和有趣的案例，向所有关注未来科技的从业者、创业者、投资者、政府部门科普AI在商业上的应用场景和行业案例。

趋势判断：

经过多年的发展，人工智能产业的技术实现将从感知智能升级到认知智能，引发机器理解、分析和决策事物的深层次需求。在未来几年，人工智能技术将在多个领域得到应用并落地。

切入形式：

技术主体切入（以人工智能技术为切入点，研究其在各领域中的应用）

目标读者群体：

AI行业应用企业

商业化对象：

AI服务提供商

报告框架：

一、AI发展现状

1. AI概念界定

AI是利用人工智能技术自动生成内容的新型生产方式，可分为音频生成、文本生成、图像生成、视频生成以及不同模态之间的跨模态生成。其中，跨模态生成具有重要意义。

自然语言处理（NLP）赋予了AI理解和生成能力，大规模预训练模型是NLP发展的趋势。NLP的核心任务是自然语言理解（NLU）和自然语言生成（NLG），ChatGPT是NLP领域里程碑式的模型之一。ChatGPT是基于GPT-3.5系列模型微调而成的聊天机器人模型，能够通过学习和理解人类语言进行对话，根据对话上下文进行互动，仿佛人类般进行对话交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码等任务。

亿欧智库：自然语言处理（NLP）发展历程

2. AI发展历程

AI的发展可分为三个阶段：早期萌芽阶段（上世纪50年代至90年代中期）、沉淀累积阶段（上世纪90年代至本世纪10年代中期）和快速发展阶段（本世纪10年代至今）。

2.1 早期萌芽阶段（1950s-1990s）

由于技术限制，AI仅限于小范围实验与应用，1957年出现了首支电脑创作的音乐作品，80年代末至90年代中期，由于高成本及商业化难度较大，资本投入有限，因此AI没有取得较大的成就。

2.2 沉淀累积阶段（1990s-2010s）

AI从实验性转向实用性，2006年深度学习算法取得进展，同时GPU、CPU等计算设备日益提升，互联网快速发展，为各类人工智能算法提供海量数据进行训练。2007年，首部由人工智能装置创作的小说《I，The Road》问世，2012年微软展示了全自动同声传译系统，主要建立在“深度神经网络”（Deep Neural Network, DNN）的基础上，能够通过语音识别等技术将英文讲话内容自动翻译成中文。

2.3 快速发展阶段（2010s至今）

2014年，深度学习算法“生成式对抗网络”（Generative Adversarial Network, GAN）推出并不断迭代更新，助力AI的新发展。2017年，微软的人工智能少年“小冰”发布了世界首部由人工智能创作的诗集《阳光失了玻璃窗》，2018年，英伟达发布了StyleGAN模型，可以自动生成图片，2019年，DeepMind发布了DVD-GAN模型，能够生成连续视频。2021年，OpenAI推出了DALL-E，并更新了DALL-E-2版本，主要用于文本和图像之间的交互式生成。我国的AI市场在2022年底引起了广泛关注，2023年初，企业端表现出强烈的探索欲望。尽管行业仍处于起步阶段，距离大规模证明和体系化发展还有距离，但随着资本的加码和应用场景的不断探索，这一距离有望逐步缩小。同时，“模块分拆+个性化推荐”的“泛AI”形式预计将持续发展。

则和过程就可以实现人工智能；联结主义则强调模仿人脑结构，认为智能是人脑细胞之间的网络连接；而行为主义强调感知和行动的结合，强调智能行为和动作的模拟。

在AI学习方面，机器学习概念源自于图灵的“学习机器”概念。这是AI科学的一个独立分支，旨在设计让电脑可以自动学习的算法，通过从数据中分析获得规律，并利用规律对未知数据进行预测。机器学习算法主要分为监督学习、无监督学习和强化学习，每种算法有其特定的应用场景和技术原理。监督学习通过训练数据集学习出一个函数，无监督学习没有人为标注的目标，而强化学习在给定的数据环境下通过一系列行动来达成长期累计收益最大化的目标。强化学习算法在诸如阿尔法狗（AlphaGo）等游戏中取得了显著的成就。库的报告介绍了不同形态的机器学习关系示意图，以及AI商业落地分析的细节。

在AI商业落地分析中，首先讨论了AI市场规模的问题。例如，2022年9月的AI绘画作品《太空歌剧院》在美国科罗拉多州博览会的艺术比赛中获得*名。据预测，如果未来五年有10%-30%的图片在AI的协助下诞生，AI绘画市场可能创造超过600亿元的市场空间。此外，随着OpenAI的ChatGPT推出，其引发的市场规模预计将超过万亿。

报告还介绍了AI产业地图中的产业上游部分，即数据服务领域。在任何AI产业中，人工智能的分析、创作和决策能力都依赖于海量数据。因此，数据的数量和质量是决定不同机器学习能力差异的关键因素。

继续往下阅读，我们将详细了解AI产业各个方面的发展情况。善整体利润水平。

图片处理相比文字传递信息更直观，商业化潜力较高。随着AI的广泛应用，图片处理在广告、设计、编辑等方面带来更多机遇，可以细分为生成型、广告型、设计型、编辑型等。

随着时代发展，人们在视频上的投入逐渐超出图片，视频成为主流内容消费形态。将AI引入视频处理是一项全新且技术挑战较大的领域，可细分为生成型、编辑型、定制型、数字虚拟人视频等。

AI细分市场分析中，AI与资讯行业深度结合。AI在资讯领域的应用较为成熟，例如AI辅助信息收集和资讯生成，能有效提高工作效率和产出质量。在电商行业，AI也呈现出强大潜力，可以在多个领域赋能，推动新一轮的行业变革。本，AI可快速生成多样风格的剧本，释放创意潜力，助力创作更优质作品。在影视行业中，AI的应用也可以突破表达瓶颈，帮助人类实现原本难以企及的创意。航，帮助人类实现原本难以企及的创意。划、取景等工作同样耗时费力，后期的解算和渲染也不例外。可以说在影视制作的每个环节都存在大量重复劳动和等待时间，拖慢了工作进度。因此，一些公司致力于提高生产效率，例如优酷推出的“妙叹”工具箱，可以实时渲染动画，帮助制作者即时调整效果，节省成本减轻人员负担，已被多家国产动漫公司采用。

AI技术也开始渗透到教育行业，在提升学习效率和个性化教学方面发挥着作用。亿欧智库推出的“小花狮”中文写作智能辅导系统，利用自然语言处理技术，实时评分并分析学生的作文，帮助他们进步。AI不仅助力学习者克服学习障碍，也为教育者提供更多支持，例如自动批改作业和试卷，实时分析学生情绪和状态，帮助教师更好地关注个性化发展。通过赋能教育者，AI将有助于实现教育的理想：因材施教，推广个性化教育。

在医疗行业，AI的应用也被视为福音。例如，AI预问诊技术可以帮助医生更有针对性地诊断患者，缓解工作压力，提高就诊效率，同时也为患者提供更好的医疗服务。这种技术的应用可以说是一举三得，有助于改善医患关系和整体医疗体验。聆心智能便是这方面的代表，其基于生成式大模型开发的情绪疗愈机器人Emohaa，可以建立以生成对话为核心的互动式数字诊疗方案，通过与患者的对话共情，及时提供情绪支持和心理疏导，有助于促进患者的心理健康。

亿欧智库：受疫情困扰的用户与Emohaa对话

3.6 AI+金融行业

金融业与数据和信息密切相关，各类公司都需要从复杂的市场中搜集信息，并加以利用，来创造价值。基于这一情况，金融行业一直处于信息化的前沿，具有数据质量高、维度全、应用场景多等特点，因此也成为AI最早实现商业应用的领域之一。

通常情况下，AI在金融行业最常见的应用是通过机器视觉和学习的方式捕捉市场的实时变化，并利用实时数据进行分析，以提升金融公司的财务分析效率和能力。类似地，AI在金融行业的其他应用包括智能客服和智能顾问，基于自然语言处理技术与客户互动，同时可以快速高效地完成一些人工难以胜任的任务，以改善服务体验。2017年4月，富国银行开始试点一款基于FacebookMessenger平台的智能客服，美国银行很快也推出了类似的智能助手Erica。国内金融行业的相关应用也较为成熟，许多公司或商业银行推出了自己的AI业务，比如2022年工商银行的“工小智”，邮储银行的半年报显示数字化转型成绩斐然，这些都表明AI在金融行业中具有巨大的潜力。

亿欧智库：百信银行数字虚拟员工艾雅（AIYA)

四、AI发展机遇与挑战

1. AI发展机遇

作为尖端科技，AI正迎来商业化落地部署的阶段，因此展望未来趋势有助于更好地规划未来。

1.1 大模型的广泛应用

AI发展至今经历了多次寒冬和春天，每一次发展阶段都与AI的“通用化”和“专业化”密切相关。可以说，“通用化”代表人类对未来的设想，“专业化”则为更好的实际应用提供了途径，不管哪种策略都常常遇到各种挑战。

21世纪前二十年是“通用化”大模型提出并发展的时期，简而言之，这种方法是利用“预训练大模型+下游任务微调”的方式，让模型在大量标记和未标记数据中学习知识，然后将微调后的模型应用到其他场景中，从而极大扩展了模型的通用能力。现在，随着模型规模的增长，大模型的能力不断增强，比如GPT-3就包括了高达1750亿的参数。

大模型之所以“大”，不仅在于参数规模庞大，数据量也是至关重要。过去有人说“人工智能就是大量人工劳动的智能交换”，因为过去的机器学习依赖于数据标注，转换场景时需要重新标注数据。现在的机器学习结合了监督和无监督学习的方式，比如“无监督训练，监督微调”。此外，还利用互联网上的PGC，UGC进行训练，以获取更丰富的数据和更自然的表达。

无论是模型还是数据，大模型都为AI提供了充分的创新空间，随着时代的推移，它有望在未来获得更广泛的应用。

1.2 全新的仿人模式

在AI产业起步时，一种非常简单的思路是让机器模仿人的学习方式，这种模式一直是AI算法的重要来源，AI也经历了从推理到知识再到学习的过程。从最初的微观、机械化模仿，到现在的宏观认知方式借鉴，技术哲学也随着时代发展而变化。

在AI发展的早期阶段，三种流派中的“符号主义”占据主导地位，简言之，这个流派认为“人类所有智能源自某种逻辑规则”。虽然当时取得了一定成就，但这种观点的缺陷也显而易见，最显著的是人类许多智力行为都不那么逻辑化，因此这一流派很快被淘汰，由以更高层次抽象定义AI的“联结主义”所取代。虽然这一观点在发展初期遇到了许多困难，但如今的形态与最初的出发点相去甚远，但AI神经网络的大发展在一定程度上验证了这种高度抽象化模式的可行性。这不仅需要技术发展，也需要相应的法律法规的支持。值得关注的是，AI的快速发展也提出了更高的法律监管要求，各国正致力于完善相关法律法规以规范AI的应用。

总的来说，AI的持续发展将需要全社会共同努力，解决技术伦理问题、防范欺诈和违禁内容，以推动AI技术在各领域的健康应用。这也将是一个需要长期努力和探索的过程。