人工智能发展报告（2024年）总结
一、总体态势
人工智能技术正迈向通用智能的初始阶段，对全球经济社会发展和人类文明进步产生深远影响。主要国家将人工智能技术创新与应用作为国家战略的重要方向，我国高度重视其在培育新质生产力、塑造新动能方面的重要作用。
（一）人工智能技术演进走向新范式
以Transformer架构为基础的大模型不断取得新突破，展现规模可扩展、多任务适应及能力可塑三大特征。技术演进主线是深挖现有体系架构潜力，提高理解推理能力和训练效率。近期OpenAI o1模型通过模仿人脑思考的思维过程，显著提升复杂任务的性能水平。非Transformer模型底层算法也在不断创新，如基于图神经网络的GraphCast、GNoME等。
（二）人工智能工程化迈向新阶段
工程化技术是推动人工智能从实验室走向生产环境的关键桥梁。人工智能工具链覆盖数据处理、模型训练微调、部署推理、应用开发、监控运维和安全可信全流程，是实现智能化转型的基础设施和加速器。当前，人工智能工程化的重点逐渐从大模型的训练微调向应用开发和落地转变。
（三）人工智能安全治理工作紧密推进
全球人工智能治理合作持续升温，各国政府、国际组织、私营部门及社会各界携手并进，各主要经济体治理体系日渐明晰，产研合作愈发紧密。全球人工智能治理跨入更加成熟的新阶段，以应对人工智能技术快速发展带来的机遇与挑战。
（四）人工智能产业稳中有进迎来新动能
全球人工智能产业保持高速增长，2024年全球人工智能产业规模将达到6233亿美元，同比增长21.5%。大模型涌现式发展，为人工智能产业高速增长提供了核心动力。生成式人工智能技术加速产业化进程，促进全球人工智能规模化发展。大模型领域拉动全球人工智能投融资金额上扬，2024年上半年，全球人工智能投融资金额达316亿美元，同比上升84%。人工智能创业企业发展持续创新高，截至2024年第二季度末，全球共有人工智能独角兽企业242家。
二、技术创新
（一）基础模型仍在快速演进迭代
缩放定律驱动下的模型能力持续提升，基础大模型的语言、视觉和多模态能力快速迭代。
1. 语言大模型
技术能力演进加速，在幻觉、成本等问题上仍面临挑战。能力提升主要体现为上下文窗口长度扩展、知识密度增强、MoE混合专家架构和通过强化学习将思维链内化进模型。语言大模型虽然在文本理解与生成、复杂逻辑推理任务上取得了突破，但在幻觉问题、训练成本方面仍然面临挑战。
2. 视觉大模型
Transformer赋能图像理解，扩散模型实现图像生成。视觉Transformer模型（ViT）将Transformer架构从自然语言扩展到视觉领域，成为判别式视觉任务的主流架构。扩散模型成为图像生成领域的主流方案，展现巨大应用潜力。
3. 多模态模型
多模态大模型融合了多种感知途径与表达形态，能够同时处理文本、图像、语音等多种数据，并进行深度的语义理解和交叉模态处理。多模态大模型主要有四种实现方式，按模型实现功能可以分为理解类与生成类两条主要路径。
（二）计算平台与模型创新紧密耦合
1. 模型创新依赖计算平台，协同价值凸显
大模型技术的原始创新和应用迭代落地高度依赖先进的软硬件协同技术生态体系。模型研发主体纷纷围绕算法理论融合和模型改造展开创新升级，从而提高模型性能表现。
2. 框架关键技术能力持续提升，大模型加速框架成为新发力点
PyTorch引领框架发展，国产框架快速崛起。大规模分布式训练成为框架的新发力点，一批大模型加速框架显现。
3. 大模型训推需求推动芯片加速迭代，各类市场主体差异化创新
大模型热潮进一步推动计算底座迭代升级，呈现芯片架构向定制化演进、存储与互联重要性日益提升和强调软硬协同升级释放硬件计算潜力三大趋势特点。
（三）工具链不断完善加速大模型研发应用
大模型工具链是指一系列集成化的软件工具和平台，旨在支持大模型开发构建、训练优化、应用开发、部署推理和运维管理全流程。工具链的持续升级对于大模型开发和应用至关重要。
1. 模型训练工具：加速模型生产质效变革
训练工具能力全面升级，有效支撑大规模训练任务。涌现出多种训练加速技术和微调技术。
2. 模型推理工具：提升模型部署推理效能
推理工具能力不断升级优化，为大模型落地提供高效支撑。模型压缩工具持续整合更多压缩技术，国内外机构专注于大模型推理引擎的研发创新，模型与推理工具之间呈现高度融合与协同优化的趋势。
3. 应用开发工具：助力高效打造AI应用
大模型服务化供给加速了智能技术的普惠化落地，激发了基于大小模型的智能应用开发需求。大模型应用开发工具趋于平台化，不仅整合了必要的开发工具、框架与服务，还极大地简化了从模型调用到应用部署的全过程。
（四）高质量多模态数据集成为模型能力提升关键
大模型发展已经进入多模态融合阶段，大规模、高质量、多模态数据集对于多模态大模型能力提升愈加重要。
1. 数据预处理：多模态词元融合和实时处理成为主要发展方向
数据预处理技术正朝向多模态融合、智能化、实时性全面进化的方向发展。
2. 数据标注：新一代高水平数据标注提升高质量数据集供给能力
大模型发展需要新一代高水平数据标注。数据标注逐渐向专业化、智能化、多模态方向发展。
3. 质量评估：数据质量评估和模型反馈机制共同推动数据质量不断提升
当前，人工智能数据集质量评估需求体现在完整性、准确性、一致性、时效性和可解释性等多个方面。
4. 数据合成：合成数据有望解决大模型潜在数据瓶颈
合成数据正迅速向金融、医疗、零售、工业等诸多产业领域拓展应用。合成数据技术创新主要呈现以下几大趋势。
三、应用赋能
（一）人工智能赋能阶段性特征显现
专用智能应用逐步成熟，通用智能落地前景广阔。大模型应用在产业链各环节分布呈现“两端快、中间慢”特征，即产业链两端的研发设计和运营服务等知识密集型、服务密集型环节落地相对较快，生产制造等中间环节相对较慢。
（二）重点行业人工智能应用走深向实
1. 装备行业
重点关注研发与制造流程优化、产品智能化升级等方向，逐步渗透并重塑生产模式。
2. 消费品行业
聚焦产品创新与智能化营销管理，正逐步改变消费者的购物习惯与体验，推动行业向更加个性化、智能化的方向发展。
3. 原材料行业
聚焦生产过程管控优化，利用人工智能技术逐步改变传统的资源开发、加工和利用方式。
（三）体系化推动人工智能落地应用成为共识
体系化推动落地应用成为引导人工智能技术实用化、普惠化发展的行业共识。
1. 开展战略需求分析是企业布局大模型的前提
企业希望通过布局大模型对传统的业务流程、组织架构和经营模式进行全面升级和改造。
2. 明确选型方案是企业研发大模型的关键一步
根据自身切实需求明确大模型技术选型可以为企业后续模型研发和应用夯实基础。
3. 建设企业人工智能能力平台是工程落地的核心
AI能力平台通过统一管理算法、数据、计算资源和模型，以标准化的方式优化这些关键资源，帮助企业降低技术门槛，缩短开发周期。
4. 构建智能体应用进一步释放大模型应用潜能
智能体作为将大模型转变为生产力的主要应用形态，通过智能体工具调用、智能体工作流、智能体人机交互等方式，能够快速理解和响应产业需求。
5. 打造运维管理体系助力AI生产过程规范化
通过将MLOps纳入机器学习工作流中，打造模型研发运营管理体系，实现模型的快速迭代、持续交付和持续运营。
6. 注重风险管理为大模型落地保驾护航
构建一套精准识别、全面防范、有效管控人工智能风险的治理落地方案。
四、安全治理
（一）人工智能技术应用带来多重挑战
人工智能的自身安全主要是人工智能技术系统的安全问题，涉及技术系统部署所依赖的传统基础设施，以及模型、框架等人工智能系统特有的部分。人工智能的衍生安全问题主要是由于技术系统风险管控不当，以及技术系统被滥用、误用或遭到外部攻击，对个人组织、国家社会，乃至全人类造成的安全问题。
（二）全球人工智能安全治理正处于“从原则走向实践”的关键阶段
1. 国际层面推动形成治理共识，围绕安全议题合作愈发紧密
国际组织推动形成共识文件，全球围绕安全议题开展紧密合作。
2. 全球主要经济体完善治理体系，安全落地实践成为重要抓手
欧盟采取统一立法治理架构，布局风险管理等标准配套举措。美国沿袭行业自律治理方案，开展安全测试夯实技术监管。英国治理方案注重“促进创新”，开发开源平台推进安全实践。新加坡实施温和干预方案，打造可验证的安全测试机制。我国展现新型举国体制治理优势，着重保障人工智能应用安全。
3. 产业组织发挥技术研究和治理协同优势
产业组织积极发挥技术研究和治理协同优势，通过发布治理框架，制定标准规范等多种形式促进人工智能治理。
4. 企业积极开展负责任的技术研发与应用
企业积极探索应对人工智能风险的新方案，从管理和技术两个维度落实自律。
