今年，中国AI大模型产业发展看这些
现在的人工智能，已不是「可以用」，而是「非常好用」了。
上个星期，谷歌与李世石一次久违的对话，唤起了人们的回忆：
仔细想来，自 2016 年 AlphaGo 在围棋上打败人类起已过去八年。如今人工智能技术的发展却丝毫没有减速，正在给我们创造更大的震撼。
生成式 AI 技术从引领技术爆发的 GPT-4 开始，已经席卷了各个领域。不论是自动写文章，还是生成图片和视频，大模型等技术正随着 Copilot、AI 手机等产品逐步落地。在可见的未来，向我们招手的还有具身智能 —— 通过软硬件结合，机器人正在变得更聪明，即将代替我们的部分劳动。
最近，「新质生产力」理论正成为科技领域的热门话题。新质生产力是以新产业为主导的生产力，它相对传统生产力呈现出颠覆性创新驱动，具有产业链条新、发展质量高等特征，对新旧动能转换发挥着引领性作用。
而 AI 大模型技术的突破，正是驱动科技创新，构建未来产业的强大动力。人工智能带来的科技革命可能会像工业革命、信息革命一样，给每个人的生活带来巨大的改变。
3 月 26 日，博鳌亚洲论坛上，人民网正式发布了《2024 年中国 AI 大模型产业发展报告》，阐述了中国 AI 大模型的发展现状和典型案例，深入探讨国内 AI 大模型产业发展所面临的挑战，同时也对未来趋势进行了展望。
报告下载链接：http://download.people.com.cn/jiankang/nineteen17114578641.pdf
其中有关「下半场」竞争态势、端侧应用爆发等判断，尤为值得关注。
AI 大模型技术落地，将是大浪淘沙
人工智能在持续发展的过程中，已在很多地方实现了落地，包括但不限于语音识别、人脸识别、机器翻译、目标检测、图像生成、辅助驾驶等等方面。很大程度上，新技术已经在帮助千行百业提高生产力了。
随着生成式 AI 技术的发展，智能化升级的范围还将扩大，程度还会更高。作为拥有 AI 完整产业体系的国家，新一代 AI 方案正在中国深入各行各业。
不过，要实现真正的技术变革，我们还面临着一系列挑战。
第一个挑战是算力短缺。随着大模型规模呈现指数级增长，算法越来越依赖高性能 AI 芯片。有市场研究公司报告称，去年仅 Meta 和微软两家公司就从英伟达处分别购买了 15 万块 H100 GPU，各花去约 45 亿美元，但这还远远不够：基于 H100 的服务器的交付周期已经长达 52 周。
在国内，高性能 AI 芯片市场还因为进出口限制和技术瓶颈的双重影响，大模型产业发展正在受到算力层面的制约。
第二个挑战是大模型架构的局限性。如今的 AI 预训练大模型均采用自注意力机制的 Transformer 神经网络结构，它在自然语言处理等领域具有诸多优势，包括可实现完全并行计算、捕捉长距离依赖关系、模块化设计、处理不定长序列、结构扩展以及预训练效果好等等。
但随着人们的不断开发与扩展，transformer 固有的算力消耗资源大、内存占用多、泛化能力有局限性等问题也逐渐显现。
就连 Transformer 论文《Attention Is All You Need》的七位原作者在最近 GTC 大会的圆桌讨论上也表示，这个世界需要比 Transformer 更好的东西，才能将我们带到新的性能高原。
对数据的运用，是制约大模型落地的另一个重要因素。对于从头开始训练的大模型，语料数据的质量很大程度上会影响模型能力。大模型对数据供给的要求极高，比如 OpenAI 在训练 GPT-4 时，就在大约 13T token 的数据上进行了训练，其中包括基于文本和基于代码的数据，以及来自 ScaleAI 和内部的一些微调数据。
相对而言，国内的 AI 大模型数据面临着数据类型不全面、信息可信度不高等问题。整体来看，可用于大模型训练的中文数据库相比英文数据，体量严重不足。
最后，我们还在期待更多爆款应用。ChatGPT 自发布以来迅速成为史上增速最快消费级应用，提供支持的微软也将大模型技术引入到了 Office、Teams 甚至 Windows 操作系统中。而在国内科技公司的生态中，至今仍没有出现类似的爆款级应用，原因可能在于尚未找到商业化思路，技术、个性化程度仍未满足用户需求。
可以说，在生成式 AI「百模大战」后，算法创新优化、生态构建和应用落地等任务，为正在构建 AI 技术体系的公司提出了更高的要求。只有少数脱颖而出者，才会(来源:机器之心)
关联资讯:
机构预估OpenAI部署文生视频模型Sora需要72万片英伟达H100：价值216亿美元
OpenAI的Sora在NVIDIA H100上生成1分钟视频约需12分钟
Meta新建两座数据中心集群：内含超4.9万块英伟达H100 GPU，专门训练Llama3
