一本书读懂大模型：技术创新、商业应用与产业变革 (中国电信天翼智库大模型研究团队) (Z-Library)

版权信息 COPYRIGHT 书名：⼀本书读懂⼤模型：技术创新、商业应⽤与产业变⾰ 作者：中国电信天翼智库⼤模型研究团队 出版社：机械⼯业出版社 出版时间：2024年8⽉ ISBN：9787111761655 字数：142千字

推荐序 毋庸置疑，⼤模型将成为继互联⽹之后重要的技术⾰命之⼀。⼤模型 是AI产业发展的重要⾥程碑，标志着我们进⼊了智能化的新时代。从 ChatGPT到Sora，⼤模型的技术跃迁不仅体现在单模态到多模态、⽂ ⽣⽂到⽂⽣视频的突破，也被认为是从内容⽣成到理解与模拟物理世 界，迈向“世界模型”的关键⼀步，在泛化能⼒和特化应⽤两⽅⾯都实 现了显著进步，展现出强⼤的智能涌现能⼒。⼤模型的出现开辟出⼈ 类迈向实现通⽤⼈⼯智能的新路径，引领了新⼀轮全球⼈⼯智能创新 热潮，千⾏百业将迎来前所未有的变⾰。 以⼤模型为代表的⽣成式⼈⼯智能加速发展，正在成为打造新质⽣产 ⼒的重要引擎。⼈⼯智能与社会全要素的深度融合，正在推动泛 在“智能”替代泛在“算⼒”，成为新质⽣产⼒的重要驱动⼒。AI作为新 ⽣产⼯具正在融⼊社会⽣产各环节，以数据作为新⽣产要素、以算⼒ 作为新基础能源，通过⼈机协同新模式，推动⽣产要素创新性配置和 全要素⽣产率⼤幅提升。在产业⽅⾯，⼤模型技术能够对⽣产数据进 ⾏⾼效分析，预测设备故障和维护需求，优化⽣产计划和资源配置， 实现⽣产流程⾃动化与智能化，提升⽣产效率。在劳动⼒⽅⾯，通过 ⼤模型技术创造出的AI智能体等智能化“劳动者”，及具有⼀定⾃主性 的智能机器⼈已经成为⽣产中⼈类的得⼒助⼿。同时，⼤模型技术也 潜藏着数据滥⽤、算法歧视、新型技术控制等⻛险，因此加快形成新 质⽣产⼒亟须对其进⾏治理模式创新。 从⼈类发展⻆度来看，以⼤模型为代表的⽣成式⼈⼯智能将⼈类从重 复性体⼒劳动中解放出来，推动⼈类劳动进⼊智⼒型阶段。⼈类劳动 经历过从体⼒到技能再到智⼒的演变：农业时期，体⼒劳动占主导地 位；⼯业⾰命时期，技能型劳动占主导地位，体⼒劳动逐渐被机械化 取代；随着信息技术的发展，⼈⼯智能开始改变⼈类劳动的性质，⼤ 模型应⽤与⼈形机器⼈承担更多的⽣产任务，⼈类则专注于研发、创

意和产品创新等智⼒型劳动。未来，⼈类的⽣产活动将迎来⼴阔的创 造和发展空间，智⼒型劳动将占主导地位，开启全新的社会⽣产⼒时 代。 数字信息基础设施在⼤模型发展中扮演着⾄关重要的⻆⾊。⼤模型的 算⼒需求随着技术进步⽽显著增⻓。OpenAI报告显示，AI训练应⽤的 算⼒需求每3到4个⽉就会翻倍，从2012年⾄今，AI算⼒增⻓超过了30 万倍。智算中⼼作为算⼒的集中体现发展尤为迅猛。截⾄2023年年 底，我国在⽤数据中⼼机架总规模超过810万标准机架，算⼒总规模 达到230 EFLOPS，智能算⼒规模达到70 EFLOPS，增速超过70%。 随着规模的扩⼤，⼤模型的训练和运⾏的能源消耗也相应增加，数据 中⼼的绿⾊低碳发展⼤势所趋。此外，训练模型需要⼤量数据和计算 资源，对⽹络基础设施提出较⾼带宽和低时延的要求。打造⾯向智算 的AIDC间⾼速⽆损、确定性⽹络，对⼤模型的实时响应和⾼效运⾏⾄ 关重要。 ⼤模型的快速发展将给通信⾏业带来深远影响。⼀⽅⾯，运营商通过 布局⼤模型产业，实施“AI+”⾏动，可以推进现有业务智能化升级， 拓展新业务，打造新增⻓点。另⼀⽅⾯，以⼤模型为抓⼿，可深⼊推 动企业数字化转型，提⾼运营管理效率。⾸先从智算中⼼来看，⼤模 型技术的加速渗透将给⾏业发展带来深远影响。⽐如，通过⽹络⼤模 型，实现⽹络⾃动感知，提升⽹络效率和运维质量；通过研发⼤模 型，加速软件开发，提⾼研发效率；通过客服⼤模型，实现更准确的 语义理解和情感分析，提供更个性化的客户服务。 中国电信积极践⾏央企使命担当，⽴⾜科技⾃⽴⾃强，依托云⽹融合 优势，持续推动数字信息基础设施向智能化演进升级，坚定做智能算 ⼒的主要服务商、基础通⽤⼤模型的先⾏者、⾏业⼤模型的主导者， 持续深耕智算云、通⽤⼤模型、数据底座、内部⼤模型、⾏业⼤模型 五⼤领域。中国电信不仅规划了“2+3+7+N+M”的智算布局，启⽤单 集群的万卡智算资源池，⾃主研发的星⾠⼤模型还通过了境内深度合

成服务算法、⽣成式⼈⼯智能服务“双备案”。中国电信在推出⾯向个 ⼈、家庭、⾏业客户的⾸批“AI+”产品，全⽅位推进业务AI化的同时， 还⾯向交通等⾏业研发数⼗个⾏业⼤模型，深度赋能垂直场景应⽤。 在⼤模型技术⽇新⽉异、⾏业趋势不断变化的背景下，中国电信天翼 智库⼤模型研究团队⻓期跟踪⼤模型技术的最新进展，把握⾏业脉动 并预测未来发展⽅向，展开了深⼊、系统的⼤模型技术产业趋势、影 响和策略研究，取得了⼤量原创性成果。他们以这些成果为主体，完 成了本书的写作。我相信本书的出版，有助于读者更加准确地把握⼤ 模型技术产业发展趋势和深远影响，更加深刻地理解如何将⼤模型技 术作为推动产业创新的关键动⼒，更加主动地去适应⼤模型带来的重 ⼤变化，在波澜壮阔的智能化时代成就更好的⾃⼰！ 邵⼴禄 2024年5⽉于北京

前⾔ 为何写作本书 在⼈类智慧的璀璨星河中，⼈⼯智能（AI）技术犹如⼀颗冉冉升起的 新星，照亮了科技的未知领域。以ChatGPT为代表的⼤模型，为通⽤ ⼈⼯智能的进步开辟了新路径，被誉为⼈⼯智能王冠上的明珠，它以 独特的光辉引领着新⼀轮的技术⾰新浪潮。美国微软公司创始⼈⽐尔· 盖茨表示，ChatGPT诞⽣的意义不亚于互联⽹的出现。 我们已迈⼊⼀个新的时代——⼤模型时代。要更好地拥抱这个时代， 我们⾸先要深刻地认识这个时代。 ⼤模型是⼀个新的物种，还将继续快速进化。⼤模型的训练策略、参 数规模、训练数据和算⼒不断演进升级。如GPT-1的参数规模是1.17 亿，GPT-4的参数规模已经超过1万亿；Gemini 1.5 Pro模型能够稳定 地⽀持⾼达100万个Token的上下⽂。在技术推动下，⼤模型在内容理 解、内容⽣成、逻辑推理、记忆等⽅⾯的智能⽔平突⻜猛进地提⾼。 如Sora可以根据⽂本提示创建最⻓60s的视频，可以深度理解与模拟 真实物理世界；GPT-4在多项能⼒测试中达到了⼈类专家的⽔平，在 处理复杂问题和提供创新解决⽅案⽅⾯展现出巨⼤的潜⼒。 在技术和政策驱动下，⼤模型产业快速发展壮⼤。国家⼤⼒⽀持通⽤ ⼈⼯智能和⼤模型的发展，各地纷纷出台相关政策，加快⼤模型产业 发展。⼤模型企业、云⼚商、互联⽹企业、电信运营商纷纷布局⼤模 型赛道，截⾄2024年3⽉28⽇，在国家互联⽹信息办公室备案的⼤模 型达到117个。⼤模型产业体系更加完整健壮，⾯向GPU、智算中⼼、 数据集、基础⼤模型、⼤模型平台和⼤模型应⽤等主要环节的企业快 速兴起，MaaS（模型即服务）模式成为主流，AI产业规模快速扩⼤。

⼤模型带来的颠覆式影响才刚刚开始。⼤模型的颠覆式影响主要来⾃ 它对⼈类智⼒的替代甚⾄超越。⼀⽅⾯，它会给社会治理、产业发展 和⼈类⽣活带来⾰命性的变化。⽬前，⼤模型已经在⾦融、传媒、教 育、软件等知识密集度⾼的⾏业得到应⽤，能够⼤幅提⾼⼯作效率， 降低成本。未来，随着AI Agent的发展和普及，以⼤模型作为⼤脑的 智能机器⼈、智能汽⻋将在很多⽅⾯减少⼈类⼲预。另⼀⽅⾯，它会 给我们带来很⼤的不确定性甚⾄恐慌，给隐私保护、知识产权保护、 伦理等带来严峻挑战。 越来越多的⼈、企业和政府部⻔正在了解或应⽤⼤模型。在当前阶 段，⼀本内容全⾯、观点客观、分析深⼊的⼤模型书籍对于推动⼈类 认知、技术创新和产业升级具有极其重要的价值。笔者期望通过这本 书，激发更⼴泛的讨论和思考，以促进⼤模型技术朝着更有益于⼈类 社会的⽅向发展。正如斯图尔特·罗素在《⼈⼯智能：现代⽅法（第4 版）》⼀书中所阐述的，AI是⼀个覆盖⼴泛领域、持续进化的学科， 它要求我们从多⻆度进⾏探索和理解。基于这样的理念，本书⼒图成 为连接过去与未来、理论与实践、专家与公众的桥梁，为读者提供⼀ 种全新的理解和思考⽅式。 本书主要内容 本书共分为8章，全⾯介绍了⼤模型技术的发展历程、核⼼技术、⾏ 业应⽤、产业体系、治理问题以及未来展望。 第1章从AI的起源和发展讲起，探讨了AI的本质和演变过程。我们从⼈ 类早期智慧的模仿开始，逐步深⼊到AI 1.0的规则驱动和数据驱动，再 到AI 2.0的决策式AI和⽣成式AI，直⾄AI 3.0⼤模型引领的认知智能崛 起，以及AI 4.0通⽤⼈⼯智能和硅基⽣命的探讨。 第2章深⼊解析了⼤模型的核⼼技术，包括Transformer架构、模型微 调、基于⼈类反馈的强化学习等，这些技术是⼤模型能够实现智能学 习、性能优化、⽣成符合⼈类偏好结果的关键。

第3章讨论了⼤模型的基础设施建设，包括算⼒和数据基础设施。算 ⼒基础设施如智算集群、智算中⼼、⼤模型⼀体机以及量⼦数据中 ⼼，为⼤模型提供了强⼤的计算⽀持。数据基础设施则涵盖了数据采 集、标注、合成以及向量数据库构建，为⼤模型提供了丰富的知识来 源。 第4～6章分别从基座模型、⾏业应⽤、产业体系等⻆度，详细阐述了 ⼤模型技术在不同领域的应⽤实践和商业模式。 第7章聚焦于⼤模型的治理问题，探讨了⻛险管理、治理体系和发展 趋势。 第8章对⼤模型时代的社会图景进⾏了展望，包括智能经济、社会治 理、科技创新等⽅⾯。我们预⻅到AI将成为新质⽣产⼒的核⼼引擎， ⼤幅提升社会治理能⼒，带来科研新范式，以及加快升级AI治理体 系。 此外，虽然⽬前⼤模型技术及产业正迎来发展热潮，但未来仍然⾯临 诸多问题，如对算⼒的巨⼤需求、数据隐私与安全性的严峻考验、模 型输出的可靠性问题、技术可控性的难题，以及多模态能⼒的提升 等。 本书旨在通过精⼼组织的内容，从技术、商业和产业层⾯为读者提供 深⼊的分析框架和洞察视⻆，并提出切实可⾏的应对策略，以帮助读 者全⾯理解⼤模型技术带来的挑战与机遇。在技术创新层⾯，从基础 架构和算法原理出发，逐步深⼊到实际应⽤场景。在商业应⽤⽅⾯， 通过⾏业案例分析和洞察，揭示⼤模型技术的商业潜⼒和对垂直⾏业 的深远影响。在产业变⾰层⾯，探讨⼤模型技术如何推动产业转型、 促进⾼质量发展，并预测其对未来社会、经济发展的影响。 本书特⾊

本书的亮点在于跨学科的视⻆，结合了技术、商业、产业、政策、治 理多个⽅⾯，为读者提供了⼀个多维度的⼤模型技术全景。与同类书 籍相⽐，本书的特⾊体现在以下3点。 ⼀是实战与理论结合，提供丰富的案例研究和深度分析，帮助读者将 理论知识应⽤于实践。 ⼆是前瞻性视⻆，不仅总结现状，更提供对未来技术⾛向和市场趋势 的预测。 三是易读性，采⽤通俗易懂的语⾔，使⾮专业读者也能够理解和掌握 复杂的技术概念。 本书读者对象 本书适合以下⼏类读者阅读。 ・企业家和商业决策制定者：本书可以帮助他们获得对⼤模型技术商 业化应⽤的洞⻅，帮助企业把握市场机遇，制定发展战略。 ・政策制定者和监管机构⼈员：本书可以帮助他们了解⼤模型技术的 社会影响和治理问题，为制定相关政策和法规提供参考。 ・⼴⼤AI技术爱好者：本书可以帮助他们获得对AI技术尤其是⼤模型 技术的全⾯认识，满⾜个⼈的学习和兴趣需求。 ・AI技术从业者和研究⼈员：本书可以帮助他们深⼊了解⼤模型技术 的原理、应⽤和发展趋势，提升专业能⼒和研究深度。 勘误 在本书写作和出版过程中难免会有疏漏之处，读者可以通过电⼦邮件 cuilp@chinatelecom.cn或公众号“天翼智库”进⾏反馈，笔者将及时

更新勘误信息。 致谢 在本书写作过程中，得到了中国电信集团、中国电信研究院各级领导 的关⼼与⽀持，许多同⾏、专家、学者以及出版社编辑也对本书的出 版做出了贡献，在此，向他们表示最诚挚的感谢。 最后，期待得到⼴⼤读者的宝贵意⻅和建议，让我们⼀起深⼊学习与 了解⼤模型技术，共同推动⼤模型技术的发展与应⽤，携⼿迎接美好 的智能社会的到来。

第1章 全⾯认识AI：AI能否超越⼈类智慧 我们即将启程，开启⼀段关于⼈⼯智能（AI）与⼈类智慧相互关联和 差异性的探索之旅。本章将追溯智慧的起源，从⼈类对⾃然界的初步 模仿，到AI在现代科技中的⾃主创造与创新。在历史的洪流中，智慧 的⽕花愈发璀璨。我们将深⼊分析AI的演进历程，从基础的规则驱动 的逻辑处理，到⽬前以数据为核⼼的智能化处理，再到具备⾼级决策 与⽣成能⼒的复杂系统。本章将重点讨论AI在模拟⼈类认知过程中的 显著进展，并探讨其在⾃我意识等认知科学领域的挑战与潜⼒。同 时，本章还将展望AI的未来，探讨其是否有潜⼒达到或超越⼈类的认 知界限，甚⾄发展成为具有硅基⽣命特征的全新实体。在这段旅程 中，让我们共同揭开智慧的神秘⾯纱，洞悉AI的⽆限潜能与未来⽅ 向。

1.1 智慧的本质：创造 1.1.1 ⼈类早期智慧源⾃模仿 在⼈类早期历史中，智慧源于对⾃然界的深度观察和模仿。这⼀时期 没有确切的历史记录。但据考古学家推测，⼤约在250万年前，古⼈类 已经开始使⽤最原始的⽯器。例如，在东⾮地区发现的奥杜威遗址 中，出⼟的⽯器展示了早期⼈类如何模仿⾃然，并开始学习利⽤⾃然 资源。这种模仿虽然简单，但标志着智慧之旅的起点，展现了⼈类理 解并应⽤⾃然规律的初步尝试。 在⽯器时代，⼈类创造的曙光开始逐渐显现。新⽯器时代的到来标志 着⼈类从简单模仿向创造性发展的重要转变。⼤约在公元前1万年，随 着末次冰期的结束，⼈类开始定居并形成了初步的社会结构和农业活 动。在这个时期，⼈类不仅制作更精细的⽯器，还开始制作陶器。例 如，在中国的仰韶⽂化中，彩陶不仅体现了技术上的进步，还是艺术 与审美发展的⻅证。这些创造性活动展现了⼈类智慧的本质：不满⾜ 于现状，⽽是不断探索和创新。 ⻘铜时代与铁器时代标志着⼈类技术与思维的⻜跃。⻘铜时代始于公 元前3000年左右，这⼀时期⼈类⾸次使⽤⾦属制作⼯具和武器。这⼀ 重⼤创新显著提升了⼯具的效能和持久性。⻘铜的使⽤最初在中东地 区普及，例如，古巴⽐伦的铭⽂和⼯艺品展示了⻘铜技术的⾼度发 展。紧随其后的铁器时代始于公元前1200年左右，铁器的出现让⼯具 和武器更加坚固。在这⼀时期，⼈类不仅仅模仿⾃然，更是创造了超 越⾃然的⼯具和武器，成为智慧旅程中的⼀座重要⾥程碑。 在⼯业⾰命时代，⼈类对创新和改进的追求达到了⼀个新⾼度。在这 ⼀时期，英国成为技术⾰新的中⼼，涌现出了约翰·凯的⻜梭、詹姆斯 ·哈格⾥夫斯的珍妮机，以及理查德·阿克赖特的⽔⼒纺纱机等⼀系列

⾰命性发明。这些发明不仅代表了技术上的巨⼤⻜跃，更是⼈类对更 ⾼效、更便捷⽣产⽅式的深切渴望和不懈探索的具体体现。创新和改 进的持续追求成为推动社会进步的核⼼动⼒，不仅引领了⼯业⽣产的 新纪元，也为后续的技术进步和产业转型奠定了坚实的基础，展现了 ⼈类适应和引领变化的能⼒，成为推动历史⻋轮向前的永恒动⼒。 1.1.2 智慧的升级：改变与创造 在信息时代，⼈类的智慧与创造开始⽆限扩展。尤其是20世纪，这⼀ 时代的标志性事件和发明，如1947年⻉尔实验室发明的晶体管，为现 代电⼦设备的发展奠定了基础。此后，计算机和互联⽹的发展彻底改 变了全球的信息流动⽅式。阿兰·图灵在计算机科学领域的贡献以及蒂 姆·伯纳斯-李在1989年发明的万维⽹，不仅改变了⼈类的沟通⽅式， 更极⼤地促进了知识的传播和共享。信息时代的创新和进步再次证明 了⼈类智慧的本质：永远不满⾜于现有成就，⽽是不断追求新的知识 和技术。 在科技时代，⼈类迎来了智慧与创造的新篇章。21世纪的科技发展展 示了⼈类智慧之旅的新⾼峰。例如，⼈类基因组计划在2003年完成， 这象征着⽣物科学领域的⼀次重⼤突破，并为未来的医学研究和治疗 开辟了新的路径。同时，⼈⼯智能也取得了显著成就，例如⾕歌的 AlphaGo于2016年击败世界围棋冠军，标志着机器学习和⼈⼯智能技 术进⼊⼀个新的⾥程碑。在能源领域，太阳能和⻛能等可再⽣能源技 术的⼤规模应⽤，不仅解决了现有的能源危机，也为未来的可持续发 展铺平了道路。这些科技进步充分展示了⼈类智慧的本质——创造 ⼒。 如图1-1所示，回顾⼈类从古⾄今的智慧之旅，我们可以清晰地看到历 史的每⼀个阶段。从初期的模仿⾃然，到创造适应环境的⼯具，再到 今天对信息和技术的深⼊探索，每⼀阶段的创新和发展都体现了对环 境和条件的深刻理解与转化。这⼀历程不仅验证了“⼈类智慧从模仿到

创造”的观点，也展示了智慧通过不断探索和超越，推动⼈类⽂明进步 的过程。智慧的本质在于不断探索未知，超越已知，并创造新的可能 性。 图1-1 ⼈类智慧之旅 在深⼊探讨智慧的本质时，我们必须认识到，智慧既是基于神经器官 的⼀种⾼级综合能⼒，也是⼀种融合认知、反省和情感的⼈格特质。 这种双重性质使智慧成为⼈类最为独特和复杂的特征之⼀。 通过深⼊探讨智慧的本质，我们可以更好地理解⼈类如何通过创新和 探索来推动⽂明的进步。正如⼈类智慧发展历程所示，从模仿⾃然到 创造新技术，每⼀步都是对世界的深刻理解和适应的结果。现在，我 们⾯临新的挑战：如何将智慧的精髓融⼊机器中，使其能够更⾼效、 更智能地思考和解决问题？

1.2 AI的4个发展阶段 如果将AI技术的发展与智能化⽔平进⾏映射，我们可以将其划分为4个 发展阶段。AI 1.0阶段对应于20世纪70年代的计算智能。在这⼀时期， AI主要依赖预设的规则来执⾏任务，其功能表现出限制性和缺乏灵活 性。该阶段体现了早期计算机科学的成就，同时也暴露了⾼度依赖⼈ 类编程的问题。AI 2.0阶段对应于20世纪的感知智能，决策式和⽣成 式AI兴起。AI开始通过机器学习算法，让机器具备了基本的感知能⼒， 例如语⾳和图像识别。这⼀进步扩⼤了AI在⾃动驾驶、医疗诊断等多 个场景中的应⽤。AI 3.0阶段以⼤模型为标志，引领了认知智能的崛 起。21世纪20年代，AI开始能够处理和理解⼤量数据，实现知识表达 和逻辑推理，从⽽在某些领域达到甚⾄超越⼈类的认知⽔平。例如， GPT-4等⼤模型展示了强⼤的语⾔理解和⽣成能⼒，能够⾃主学习并 解决复杂问题。AI 4.0阶段预示着通⽤⼈⼯智能（AGI）的到来，标志 着⾃主智能阶段即将到来。在这⼀阶段，AI将能够在没有⼈类⼲预的 情况下，⾃主地进⾏决策、学习和适应环境变化，具备⾃我驱动和⾃ 我进化的能⼒，实现⾃主智能。 ⽬前，AI已进⼊以⼤模型为标志的3.0阶段，经历了第三次技术升级， 迈⼊了“认知智能”新阶段。据此展望未来，随着“认知智能”的深⼊发 展，AI即将迎来第四次⾰命性的技术升级——⾃主智能，详情如图1-2 所示。 ・计算智能：涉及机器的超强存储能⼒和超快计算能⼒。机器基于海 量数据进⾏深度学习，以历史经验指导当前环境进⾏决策与⾏动。例 如，AlphaGo采⽤增强学习技术战胜世界围棋冠军，电商平台根据⽤ 户购买习惯进⾏个性化商品推荐。 ・感知智能：涉及机器视觉、听觉、触觉等感知能⼒。机器可以将⾮ 结构化数据结构化，并以⼈类的沟通⽅式与⽤户互动，例如，⽆⼈驾

驶汽⻋和著名的波⼠顿动⼒机器⼈就实现了感知智能，通过各种传感 器感知周围环境，并据此处理信息，有效指导⾏动。 ・认知智能：指机器具有⼈类的理解能⼒、归纳能⼒和推理能⼒，能 够运⽤知识。在理解、推荐、预测、交互等认知需求中，机器通过多 模态学习从各种数据中提取信息，增强理解能⼒。机器通过知识融 合、知识表示与推理、认知规划和决策，实现复杂认知任务处理，并 找到问题的最优解。情感计算、⽣成式AI等核⼼技术也在提升机器对 多维数据的理解能⼒。 图1-2 AI发展阶段 ・⾃主智能：被视为“更⾼级别的超级⼈⼯智能”，能⾃我学习、⾃我 适应并独⽴完成任务。实现⾃主智能需要AI系统具有较⾼的⾃我优化 和⾃我学习能⼒，甚⾄可以在⽆⼈⼲预的情况下⾃我改进。⽬前，⾃ 主智能还处于研究和探索阶段，尚未在实际中应⽤。

从⽬前的发展阶段来看，随着AI技术的发展、认知智能产业格局的演 变以及市场需求的变化，智能预测、辅助决策和智能推荐等认知应⽤ 在医疗、⾦融、制造和教育等⾏业得到了更深⼊的应⽤。认知智能在 各⾏业中的⼴泛应⽤，已成为⾏业智能化转型升级的重要引擎和动 ⼒。 从未来10年看，认知智能并⾮AI应⽤的最终阶段。AI将从以下3个⽅⾯ 向更具“意识”的⽅向发展，逐步演化为⾃主智能。 ・多模态⼤模型将发挥出更加强⼤的认知能⼒，深⼊整合⾏业应⽤。 ・可解释的认知智能将增强技术的可信赖度。 ・类脑智能将推动认知智能向意识智能⽅向发展。 ⾃主智能的发展路径开始于学习单⼀任务，逐渐实现举⼀反三，最终 达到与环境进⾏动态交互的主动学习，实现⾃我进化。当前，我们可 以通过迁移学习、元学习和⾃主学习等技术寻找实现⾃主智能的可⾏ 路径。⽬前，仅依靠计算或统计模型尚难以在极其复杂的场景中实现 完全的智能。 ⾃主智能展示了向更复杂和更先进的智能系统的发展，我们⾃然也会 猜想它可能以何种⽅式实现。2023年11⽉，据业内⼈⼠透露，OpenAI 正在训练名为“Q*”（读作“Q-star”）的下⼀代⼈⼯智能。据称，这可 能是第⼀次采⽤“从零开始”的⽅式进⾏训练的AI，它能够修改⾃身代 码，以完成更复杂的学习任务。虽然Q*⽬前仅能解决⼩学级别的数学 问题，但考虑到虚拟环境中AI的迭代速度，有可能在不远的将来发展 出在各个领域均超过⼈类⽔平的智能。 OpenAI预测，能在各⽅⾯超越⼈类⽔平的超级⼈⼯智能可能在10年内 出现。⼀旦实现，这种超级⼈⼯智能将被⽤于解决多种复杂的科学问 题，例如寻找外星⼈和地球外宜居星系、⼈⼯核聚变控制、纳⽶或超 导材料筛选、抗癌药物的研发等。这些问题通常需要⼈类研究员花费

数⼗年时间寻找新的解决⽅案，⽽某些前沿领域的研究量已经超过⼈ ⼒极限。在虚拟世界中，超级⼈⼯智能拥有⼏乎⽆限的时间和精⼒， 在部分容易虚拟化的任务中这可能使其成为⼈类研究员的替代者。然 ⽽，如何监督这些在智能⽔平上超越⼈类的AI，确保它们不会危害⼈ 类，将是⼀个值得深思的问题。

1.3 AI 1.0：规则驱动到数据驱动 1.3.1 规则驱动：如何帮助机器思考 1950年，图灵发表了论⽂“计算机器与智 能”（Computing Machinery and Intelligence），提出并探讨了“机 器能否思考”这⼀关键问题。 论⽂中，图灵详细介绍了⼀种称为“模仿游戏”（Imitation Game）的 测试⽅法，即后来我们熟知的“图灵测试”。根据《艾伦·图灵传》的 介绍，图灵设想了这样⼀个游戏：在⼀个房间⾥有⼀男⼀⼥，房间外 的⼈向⾥⾯的⼈提问，两⼈只能通过书⾯形式回答。随后，房间外的 ⼈需要猜测哪位回答者是⼥性。在这个测试中，男性可以尝试欺骗猜 测者，让对⽅认为⾃⼰是⼥性，⽽⼥性则需努⼒让猜测者相信⾃⼰是 ⼥性。将这⼀男⼀⼥换成⼈与计算机，如果猜测者⽆法仅凭回答判断 出哪个是⼈哪个是计算机，则可认为计算机具有⼈类智能。 1952年，图灵在⼀场BBC⼴播中提出了⼀个新的、更具体的思想：让 计算机来冒充⼈。如果能够让不⾜70%的⼈判断正确，即超过30%的 ⼈误认为与⾃⼰对话的是⼈⽽⾮计算机，那么可以认为计算机具有⼈ 类智慧。 4年后，在美国汉诺斯⼩镇宁静的达特茅斯学院，约翰·⻨卡锡、⻢⽂ ·闵斯基、克劳德·⾹农等学者聚⾸⼀堂，共同探讨机器模拟智能的⼀ 系列问题。他们讨论了很久，虽未达成⼀致意⻅，但给讨论的内容命 名为“⼈⼯智能”。从此，“⼈⼯智能”（Artificial Intelligence, AI）这 ⼀术语开始进⼊公众视野。⼈⼯智能的元年被定为1956年。 20世纪50年代，AI技术的初步尝试确实遇到了瓶颈，主要表现在缺乏 灵活性和泛化能⼒上。这⼀时期的AI系统，例如约翰·⻨卡锡于1956

年开发的逻辑理论家（LT）程序，标志着AI领域的早期探索。这些系 统被设计成能在特定任务或问题解决场景中发挥作⽤，被赋予了特定 的规则。以LT程序为例，它旨在证明数学定理，能模拟数学家的推理 过程，解决⼀些数学问题。 然⽽，这些早期的AI系统存在⼀个根本性限制：它们完全依赖于预设 的规则。这意味着，如果⾯对的问题或环境不在预设规则范围内，这 些系统就会显得⽆能为⼒。它们缺乏⾃适应能⼒，⽆法处理未知情况 或解决新颖的问题。该问题在当时的AI研究中⾮常普遍，导致AI技术 的应⽤范围极为有限。⼀个典型的例⼦是，早期AI系统在下棋等特定 领域取得了突出成就，这是因为下棋是⼀个规则明确且环境封闭的场 景，AI系统能通过预设的策略和计算来预测并反击对⼿的动作。然 ⽽，当这些系统应⽤于更复杂、动态和不确定的现实世界问题时，它 们的表现就⼤不相同。现实世界的不确定性和复杂性要求AI系统具备 更⾼级的理解、学习和适应能⼒。 这个时期的AI研究揭示了⼀个重要认识：仅依赖预设规则的AI系统， 其应⽤范围和效能将受到严重限制。这种认识促使研究者开始探索新 的⽅法和技术，随后机器学习技术的兴起开始突破这些规则的局限。 20世纪60⾄70年代，AI领域迎来了机器学习技术的兴起。这⼀转变的 标志性事件包括1967年最近邻算法（Nearest Neighbor Algorithm） 的提出以及1979年斯坦福⼤学的“斯坦福推⻋”项⽬。最近邻算法的提 出是机器学习发展历史上的⼀个重要时刻。这个算法的基本思想⼗分 直观：通过测量不同特征点之间的距离进⾏分类或回归。其最简单的 描述形式为，⼀个新的数据点类别会被分配为距离最近的那个训练数 据点的类别。这个算法在概念上⾮常简单，但开启了⼀种全新的思维 ⽅式——利⽤数据本身，⽽不仅仅是⼈为设定的规则进⾏决策和预 测。 “斯坦福推⻋”项⽬⼜被称为“斯坦福卡⻋”项⽬，是1979年由斯坦福⼤ 学的研究⼈员开发的。该项⽬旨在创建⼀个能够⾃主导航和避开障碍