2024年人工智能領域10大預測
2023 年人工智能領域如果只能篩選一個關鍵詞的話，恐怕非“大模型”莫屬。大模型的發(fā)展在過去一年中，讓各行各業(yè)發(fā)生了天翻地覆的變化，有企業(yè)因大模型而新生，有企業(yè)因大模型而消亡。企業(yè)的變遷跟技術迭代息息相關，而大模型就是新一代人工智能技術下的產(chǎn)物，大模型已經(jīng)深入各行各業(yè)對具體業(yè)務進行了全方位的干預，可以說未來沒有一個行業(yè)能脫離 AI 大模型的影子。新年伊始之際，人工智能的的發(fā)展也將進入下一階段，對社會生產(chǎn)的改變也將更加明顯，下面是根據(jù)過去一年人工智能的發(fā)展現(xiàn)狀對未來一年人工智能發(fā)展的預測。
一
以MoE為主的方法將成為大模型研究的新方向
MoE ，即 Mixture-Of-Experts ，是一種深度學習技術，它通過門控網(wǎng)絡實現(xiàn)任務 / 訓練數(shù)據(jù)在不同專家模型間的分配，讓每個模型專注處理其最擅長的任務，進而實現(xiàn)模型的稀疏性。這種方法可以在保證運算速度的情況下，將模型的容量提升 >1000 倍。
MoE 模型由兩個關鍵組成部分構(gòu)成：門控網(wǎng)絡和專家網(wǎng)絡。門控網(wǎng)絡負責根據(jù)輸入數(shù)據(jù)的特征，動態(tài)地決定哪個專家模型應該被激活以生成最佳預測。專家網(wǎng)絡是一組獨立的模型，每個模型都負責處理某個特定的子任務。通過門控網(wǎng)絡，輸入數(shù)據(jù)將被分配給最適合的專家模型進行處理，并根據(jù)不同模型的輸出進行加權融合，得到最終的預測結(jié)果。
MoE 模型已經(jīng)在一些實際應用中取得了顯著的效果。例如， Mo?t & Chandon ，這是一家法國的精品酒莊，也是奢侈品公司 LVMH Mo?t Hennessy Louis Vuitton SE 的一部分。他們使用 MoE 模型來提升其產(chǎn)品的質(zhì)量和準確性。
在 2023 年 12 月份， Mistral AI 發(fā)布了 類 GPT-4 架構(gòu)的開源版本 Mistral 8x7B 模型， 這 8 個 70 億參數(shù)的小模型組合起來，直接在多個跑分上超過了多達 700 億參數(shù)的 Llama 2 。英偉達高級研究科學家 Jim Fan 推測， Mistral 可能已經(jīng)在開發(fā) 34Bx8E ，甚至 100B+x8E 的模型了。而它們的性能，或許已經(jīng)達到了 GPT-3.5/3.7 的水平。
二
Transformer架構(gòu)的統(tǒng)治地位將受到挑戰(zhàn)
在過去的幾年中自從 Transformer 出現(xiàn)之后，它的架構(gòu)幾乎就是為大模型而量身制作的，簡單的前饋神經(jīng)網(wǎng)絡模型能夠提供給模型足夠大的參數(shù)，再加上帶有殘差和注意力模塊編解碼結(jié)構(gòu)的堆疊，不僅是參數(shù)量更進一步的增大，巍模型提供更強大表示能力，稠密的多頭自注意力機制還為模型提供了數(shù)據(jù)內(nèi)部不可或缺的關系表達能力。
但是隨著底層基礎模型技術的研究和發(fā)展，逐漸有一些新的模型架構(gòu)對傳統(tǒng) Transformer 造成了一定的挑戰(zhàn)，當然這種挑戰(zhàn)不僅僅局限于學術層面，更多的可能還會在后續(xù)的工業(yè)界得到證實。
由于 Transformer 本身參數(shù)的增加隨著 token 的增加成 2 次方的增長，這導致計算成本也在迅速的增長，其次 Transformer 在參數(shù)達到一定量級后也出現(xiàn)了表達瓶頸的現(xiàn)象，由此出現(xiàn)了一些在未來可能會替代 Transformer 的研究方案。
l RetNet ： RetNet （ Retentive Network ）被設計為大型語言模型的基礎架構(gòu)， RetNet 的主要優(yōu)勢在于它能夠同時實現(xiàn)訓練并行化、低成本推理和良好的性能。 RetNet 提出了一種名為 "retention" 的機制來替代傳統(tǒng)的 "attention" 機制。這種機制支持三種計算范式，即并行、循環(huán)和分塊循環(huán)。具體來說，其并行表示允許訓練并行化，循環(huán)表示使得推理成本低，而分塊循環(huán)表示有助于有效地進行長序列建模。
l RWKV ： RWKV （ Receptance Weighted Key Value ）將 Transformer 的高效可并行訓練與 RNN 的高效推理相結(jié)合。 RWKV 的設計精良，能夠緩解 Transformer 所帶來的內(nèi)存瓶頸和二次方擴展問題，實現(xiàn)更有效的線性擴展，同時保留了使 Transformer 在這個領域占主導的一些性質(zhì)；
l Mamba ： Mamba 基于選擇性狀態(tài)空間模型（ SSM ）， Mamba 將這些選擇性 SSM 集成到一個簡化的端到端神經(jīng)網(wǎng)絡架構(gòu)中，無需注意力機制，甚至不需要 MLP 塊。 Mamba 通過讓 SSM 參數(shù)作為輸入的函數(shù)，解決了其離散模態(tài)的弱點，允許模型根據(jù)當前標記選擇性地沿序列長度維度傳播或忘記信息。 Mamba 具有快速的推理（吞吐量比 Transformer 高 5 倍）和序列長度線性縮放。在語言建模任務中， Mamba-3B 模型在預訓練和下游評估中均優(yōu)于相同規(guī)模的 Transformer ，并且與其兩倍大小的 Transformer 模型相媲美。
l UniRepLKNet ： UniRepLKNet 是由騰訊和香港中文大學聯(lián)合發(fā)布的一種基于大核卷積神經(jīng)網(wǎng)絡（ CNN ）的大模型基礎架構(gòu)。 UniRepLKNet 采用大核 CNN ，可以處理多種模態(tài)的數(shù)據(jù)，如圖像、音頻、時序預測等。 UniRepLKNet 提出了四條用于大核 CNN 架構(gòu)設計的指導原則，并設計了一種硬件感知的并行算法，實現(xiàn)了實際測速優(yōu)勢，在多種模態(tài)上均實現(xiàn)了最先進的性能。 UniRepLKNet 在時序預測的超大數(shù)據(jù)上用這一為圖像設計的 backbone 達到了最先進的性能。這些特性使得 UniRepLKNet 成為了一種強大的模型架構(gòu)，它有效地利用了大核 CNN 的優(yōu)點；
l StripedHyena ： StripedHyena 是由 Together AI 發(fā)布的一種新型人工智能模型，它將注意力和門控卷積結(jié)合成了所謂的 Hyena 運算符。 StripedHyena 采用了一種獨特的混合結(jié)構(gòu)，將門控卷積和注意力結(jié)合成了 Hyena 運算符。這種結(jié)構(gòu)使得 StripedHyena 在訓練、微調(diào)和生成長序列過程中具有更高的處理效率，更快的速度和更高的內(nèi)存效率。在短序列任務中，包括 OpenLLM 排行榜任務， StripedHyena 在性能上超越了 Llama-27B 、 Yi7B 以及最強大的 Transformer 替代品，如 RWKV14B 。 StripedHyena 能夠處理長序列，這使得它在處理長提示的各種基準測試中表現(xiàn)出色。 StripedHyena 的設計優(yōu)化了計算效率，使得它在訓練期間能夠進行體系結(jié)構(gòu)修改。
l PanGu- Π ： Pangu Π是一種新型的 Transformer 模型，它針對 Transformer 的特征坍塌問題和非線性關系進行了優(yōu)化。在 Transformer 更深層中，特征的秩顯著降低，導致所有 token 之間的相似性增加，這極大地降低了 LLM 的生成質(zhì)量和多樣性。非線性對 Transformer 模型的能力有重大影響。增強非線性可以有效地緩解特征坍塌的問題，并提高 Transformer 模型的表達能力。 PanGu Π在前饋網(wǎng)絡（ FFN ）中采用了級數(shù)激活函數(shù)，并且在多頭自注意力（ MSA ）中集成了增強型快捷連接，這有效地為 Transformer 架構(gòu)引入了更多的非線性。并增廣 Shortcut （ Augmented Shortcut ）來緩解特征坍塌的問題，提高大語言模型的表達能力。
以上這些基礎模型框架或者相關微調(diào)技術都將會對 Transformer 的統(tǒng)治地位造成一定的影響，能否完全替代 Transformer 在大模型一統(tǒng)天下的局面，不僅要看學術界的成果，更要看工業(yè)界的行動。
三
大模型免微調(diào)方法得到一定的發(fā)展
大模型表現(xiàn)能力如此顯眼，其中少不了對模型的微調(diào)，而近期的一些研究表明通過對 alignment tuning 的深入研究揭示了其“表面性質(zhì)”，即通過監(jiān)督微調(diào)和強化學習調(diào)整 LLMs 的方式可能僅僅影響了模型的語言風格，而對模型解碼性能的影響相對較小。具體來說，通過分析基礎 LLMs 和 alignment-tuned 版本在 token 分布上的差異，作者發(fā)現(xiàn)在大多數(shù)情況下，它們在解碼上表現(xiàn)幾乎相同，主要的變化發(fā)生在文體方面，如話語標記和安全聲明。
研究者提出了一種名為URIAL（Untuned LLMs with Restyled In-context ALignment）的簡單、無需調(diào)優(yōu)的對齊方法。URIAL方法利用上下文學習（ICL），通過采用少量精心策劃的風格示例和精心設計的系統(tǒng)提示，實現(xiàn)了對基礎LLMs的有效對齊，而無需調(diào)整其權重。在這個方法中，通過巧妙構(gòu)建上下文示例，首先肯定用戶查詢并引入背景信息，然后詳細列舉項目或步驟，最終以引人入勝的摘要結(jié)束，其中包括安全相關的免責聲明。
研究發(fā)現(xiàn)這樣一個直接的基準方法能夠顯著減小基礎LLMs和經(jīng)過對齊的LLMs之間的性能差距。這表明，通過精心設計的上下文示例，可以在不進行調(diào)優(yōu)的情況下實現(xiàn)對基礎LLMs的有效對齊，為對齊研究提供了新的思路。
事實證明，只要基礎模型設計的夠好，加以優(yōu)質(zhì)的數(shù)據(jù)和足夠的訓練，完全可以省去微調(diào)的步驟，這不但提高了大模型訓練的效率，也大大減低的大模型微調(diào)的成本。
四
多模態(tài)大模型將持續(xù)滲透各行各業(yè)
隨著最近一年來以 ChatGPT 為主的大模型逐漸走向應用市場，從最初的語言模型應用，已經(jīng)發(fā)展到了視覺模型應用、語音模型應用等多個應用領域，由此也誕生了多模態(tài)大模型。多模態(tài)大模型，即能夠處理多種類型輸入（如文本、圖像、語音等）的人工智能模型。多模態(tài)大模型正在逐漸改變各行各業(yè)。
多模態(tài)大模型已經(jīng)在自動駕駛領域得到應用，例如，可以利用多種不同的傳感器，例如攝像頭、激光雷達、超聲波等，來構(gòu)建一個更加全面和準確的自動駕駛系統(tǒng)。中國科學院自動化研究所的 “全媒體多模態(tài)大模型”結(jié)合新華社全媒體的海量數(shù)據(jù)積累和媒體融合業(yè)務場景，推動了人工智能在視頻配音、語音播報、標題摘要、海報創(chuàng)作等多元媒體業(yè)務場景的應用。
微軟的研究員撰寫的綜述預測，多模態(tài)基礎模型將從專用走向通用，未來將有更多的研究關注如何利用大模型處理多模態(tài)任務。中國科學院預測， “多模態(tài)大模型 + 小模型”的模式可能成為主流，多模態(tài)人工智能產(chǎn)業(yè)正在走向場景應用的新階段。多模態(tài)大模型將在未來的人工智能發(fā)展中起到重要作用。
這些證據(jù)和預測表明，多模態(tài)大模型將持續(xù)滲透并改變各行各業(yè)，為我們的生活帶來更多可能性。在新的一年，多模型模型的發(fā)展應用將持續(xù)深入各行各業(yè)，對具體的業(yè)務產(chǎn)生不可忽視的影響。
五
具身人工智能開始迅速發(fā)展
具身人工智能，也被稱為 Embodied AI ，是指具有物理實體并能與真實世界進行多模態(tài)交互的智能體。具身智能（ Embodied Intelligence ）是一種智能系統(tǒng)的設計理念，其目標是通過將感知、決策和行動融合在一起，使機器能夠像人類一樣具備身體和運動能力。具身智能的核心理念是利用機器的身體結(jié)構(gòu)和動作能力來增強其智能表現(xiàn)和解決復雜任務的能力。傳統(tǒng)的人工智能系統(tǒng)主要關注于數(shù)據(jù)處理和算法的優(yōu)化，而具身智能則更加注重機器與環(huán)境的互動和交流。
1986 年，著名的人工智能專家布魯克斯 (Rodney Brooks) 提出了具身智能的理論，他認為智能是具身化和情境化的，傳統(tǒng)以表征為核心的經(jīng)典 AI 進路是錯誤的。
李飛飛教授提出了一套新的計算框架 —— DERL （ deep evolution reinforcement learning ）深度進化強化學習，這篇文章提到了生物進化論與智能體進化的關系，并借鑒了進化論的理論應用于假設的智能體（ unimal 宇宙動物）的進化學習中。
目前，具身智能已經(jīng)成為國際學術前沿研究方向，包括美國國家科學基金會在內(nèi)的機構(gòu)都在推動具身智能的發(fā)展。谷歌公司的 Everyday Robot 已經(jīng)能夠?qū)C器人和對話模型結(jié)合到一起，形成一個更大的閉環(huán)。 UC 伯克利的 LM Nav 用三個大模型（視覺導航模型 ViNG 、大型語言模型 GPT-3 、視覺語言模型 CLIP ）教會了機器人在不看地圖的情況下按照語言指令到達目的地。
基于形態(tài)的具身智能研究，例如機器人關節(jié)控制，使機器人完全依靠自身形態(tài)即可實現(xiàn)對整體行為的控制。具身人工智能正在快速發(fā)展，并在人工智能領域中占據(jù)越來越重要的地位。
六
通用人工智將進入爆發(fā)的前夜奇點
通用人工智能（ Artificial General Intelligence ， AGI ）是指一種具備與人類相似或超越人類智能水平的人工智能形式。與狹窄人工智能（ Narrow AI ）不同，狹窄人工智能是專注于執(zhí)行特定任務或解決特定問題的人工智能形式。通用人工智能則是更全面、靈活，能夠處理多個不同領域的任務，具有類似人類的學習能力和智能適應性。 隨著生成式人工智能的發(fā)展， 未來 的人工智能技術發(fā)展已經(jīng)到了 通用人工智能前夜的爆發(fā)奇點 。
麥肯錫的最新年度全球調(diào)研結(jié)果證實，生成式人工智能（簡稱 GenAI ）工具已出現(xiàn)爆炸式增長。許多此類工具至今推出尚不滿一年，但已有 1/3 的受訪者表示，其所在組織會在至少一項業(yè)務職能中經(jīng)常使用 GenAI 。
OpenAI 發(fā)布了「 AGI 路線圖」，詳細解釋了這家前沿研究機構(gòu)對通用人工智能研究的態(tài)度。 OpenAI 不斷構(gòu)建出更為強大的 AI 系統(tǒng)，希望快速部署 AGI ，以積累在相應的應用經(jīng)驗； OpenAI 正在努力創(chuàng)建更加一致和可控的模型； OpenAI 希望全球范圍內(nèi)解決三個關鍵問題：人工智能系統(tǒng)的治理問題， AI 系統(tǒng)產(chǎn)生的收益的分配問題，以及訪問權限的共享問題。 OpenAI 預計給世界帶來巨大變化的 AGI 在最后階段一定會出現(xiàn)。
國內(nèi) 科大訊飛副總裁、研究院院長劉聰提出，未來通用人工智能發(fā)展將呈現(xiàn)三個趨勢：一是向多模態(tài)、多語言的方向發(fā)展；二是更加可信和可解釋，解決幻覺問題和安全問題；三是必須站在軟硬件全自主創(chuàng)新的基礎上發(fā)展大模型技術和產(chǎn)業(yè)。
麥肯錫預測，通用人工智能的潛在經(jīng)濟價值在 17 萬億至 26 萬億美元之間，并且追求這種價值的公司比例也在持續(xù)增加。
這些證據(jù)和預測表明，未來一年可能是通用人工智能前夜的爆發(fā)奇點，我們有理由期待通用人工智能的快速發(fā)展和廣泛應用。
七
垂直領域大模型的發(fā)展將進入平穩(wěn)期
垂直領域大模型是針對特定領域或任務進行深度學習訓練的超大規(guī)模模型。相較于通用大模型，垂直大模型具有更強的領域?qū)I(yè)性和任務針對性，能夠更好地解決特定領域的問題和提供更加精準的服務。
隨著各行業(yè)中垂直類大模型應用的持續(xù)爆發(fā)，大模型對各行業(yè)的影響已經(jīng)進入了頂峰時刻，如醫(yī)療、教育、交通、法律、媒體等很多能夠被大模型最容易改變的行業(yè)都已經(jīng)與大模型深度結(jié)合，相關的企業(yè)也都在緊鑼密鼓的部署大模型的產(chǎn)業(yè)鏈。從時間節(jié)點上來說，在未來一年中，垂直類大模型的應用 已經(jīng)過了爆發(fā)期 ， 將會進入平穩(wěn)的發(fā)展期，持續(xù)釋放行業(yè)需求和紅利。
垂直大模型正加快覆蓋各行各業(yè)。例如，攜程集團發(fā)布了國內(nèi)首個旅游行業(yè)垂直大模型 “攜程問道”；華為發(fā)布了金融、電力、藥物分子三個垂直領域大模型；京東表示發(fā)布的千億級大模型，進一步聚焦行業(yè)應用。
未來垂直領域大模型的研發(fā)將會持續(xù)投入加大，國內(nèi)多家企業(yè)加大 “垂直大模型”研發(fā)投入，并在旅游、商業(yè)、金融、醫(yī)療、辦公協(xié)同等領域加快應用。
業(yè)內(nèi)人士認為，目前，國內(nèi)出現(xiàn)了做通用大模型和做垂直大模型兩條路徑。算力、大規(guī)模數(shù)據(jù)、高成本人才成為大部分企業(yè)入局通用大模型的 “攔路虎”。深度定制、廣闊的場景應用，則催生了國內(nèi)垂直領域大模型的開發(fā)。
騰訊發(fā)布的大模型時代 AI 趨勢報告顯示，未來的數(shù)字化商業(yè)將分為大模型基礎設施型企業(yè)、垂直行業(yè)領域的小模型應用企業(yè)，以及更加貼合個人用戶的模型應用和服務。這一生態(tài)的建立和發(fā)展，將更廣泛地賦能各行業(yè)應用，加快社會各領域數(shù)字化轉(zhuǎn)型、智能化發(fā)展，帶來全社會的生產(chǎn)效率提升。垂直領域大模型的發(fā)展已經(jīng)進入平穩(wěn)期，其應用和影響將會越來越廣泛。
八
國內(nèi)人工智能技術突破瓶頸開始快速發(fā)展
人工智能的發(fā)展源于上個世紀 50 年代在美國達特茅斯會議上的共識，距今已經(jīng)有 70 多年了，也就是說人工智能其實不是一門新的學科和技術，這幾十年來，全球研究人工智能的技術人員主要都集中在美國、加拿大、英國等國家，相關的技術成果也都出自于上述國家的技術團隊。而我國在過去幾十年間，真正研究人工智能技術的團體和個人則要少得多，這主要是因為人工智能在過去幾十年間都是以基礎研究為主，很少出現(xiàn)應用型的人工智能產(chǎn)品。
國內(nèi)真正大規(guī)模開始研究人工智能技術的時間節(jié)點在 2016 年前后， 2016 年 3 月， DeepMind團隊 研發(fā)的 AlphaGO 與圍棋世界冠軍、職業(yè)九段棋手李世石進行圍棋人機大戰(zhàn)，以 4 比 1 的總比分獲勝。此后人工智能技術的熱度不斷地被刷新。
但是這些熱點事件都是在國外，國內(nèi)幾乎沒有報出過有關人工智能技術發(fā)展的轟動性事件，更多的是追隨國外技術的腳步發(fā)展，這也很正常，主要是國內(nèi)無論從技術人員儲備，還是從技術沉淀上來說都比不上國外。
不過隨著近幾年的追趕，國內(nèi)技術團隊在一些領域也逐漸綻放光芒，技術成果也可圈可點，從技術上來說，有了一定的突圍，產(chǎn)業(yè)規(guī)模也連年攀升。 最新公布的統(tǒng)計數(shù)據(jù)顯示，中國人工智能核心產(chǎn)業(yè)規(guī)模達到 5000 億元，企業(yè)數(shù)量超過 4400 家，已建設近萬個數(shù)字化車間和智能工廠。
另外，近幾年國內(nèi) 人工智能 的 論文數(shù)量激增，泥沙俱下，導致部分論文質(zhì)量不高，但這并不能說明人工智能發(fā)展停滯不前，而是表明目前有更多的研究人員投入到了這個火熱的研究方向。在 2023 年，人工智能技術領域出現(xiàn)了一些重要的突破，這些突破已經(jīng)開始或有潛力改變多個行業(yè)和領域。
在未來一年內(nèi)，國內(nèi)的人工智能技術將突破瓶頸開始快速發(fā)展。這將為中國的科技創(chuàng)新和經(jīng)濟發(fā)展提供強大的動力。
九
英偉達在人工智能芯片領域依然遙遙領先
2023 年，我國智能芯片、開發(fā)框架、通用大模型等創(chuàng)新成果不斷涌現(xiàn)：華為、寒武紀、景嘉微、壁仞科技、摩爾線程、燧原科技等芯片公司推出了不同設計架構(gòu)、不同應用場景的 AI 推理和訓練任務的芯片加速卡。
而 美國在人工智能芯片、算法、機器學習等核心技術的原創(chuàng)方面，至今仍大幅領先。英偉達的 GPU 和谷歌的 TPU 在芯片領域具有行業(yè)領先地位。美國的 AI 產(chǎn)業(yè)整體 也 領先 與世界各國 ，技術布局更廣、更精。 國內(nèi) 除了百度的飛槳外，其他主流深度學習開源框架均來自于美國。
英偉達是全球 GPU 龍頭企業(yè)，其產(chǎn)品線涵蓋了 A100 、 H100 、 L40 、 L40S 、 GH200 等產(chǎn)品。英偉達的數(shù)據(jù)中心解決方案整體提供了 NVIDIA 加速計算統(tǒng)一平臺，從 AI 、數(shù)據(jù)分析，到高性能計算 (HPC) ，再到渲染，數(shù)據(jù)中心都是攻克某些重要挑戰(zhàn)的關鍵。
根據(jù) Informa PLC 旗下的英國研究咨詢公司 Omdia 的調(diào)查顯示，現(xiàn)階段英偉達占大型數(shù)據(jù)中心 AI 專用計算市場總收入的 80% 左右。英偉達 2024 財年呈現(xiàn)快速增長態(tài)勢。 FY24Q2 營收 135 億美元，同比增長 101% ，環(huán)比增長 88% ； FY24Q3 收入 181 億美元，同比增長 206% 。
英偉達與聯(lián)發(fā)科合作的首款芯片將用于智能座艙，預計 2025 年問世，并在 2026 年至 2027 年投入量產(chǎn)。英偉達推出了首款面向 AI 基礎設施和高性能計算的數(shù)據(jù)中心專屬 CPU —— NVIDIA Grace ，由兩個 CPU 芯片通過最新一代 NVLink-C2C 技術互聯(lián)組成。
這些證據(jù)表明，英偉達在人工智能芯片方面的技術優(yōu)勢、市場份額、發(fā)展勢頭、合作伙伴和創(chuàng)新能力，將使其在未來幾年內(nèi)依然領先全球。
不過 中國在計算機視覺、語音識別等領域已與美國對齊。例如，百度預訓練模型 ERNIE 超越微軟、谷歌拿下 Glue 冠軍，商湯一舉拿下 Image Net 2016 年三項冠軍；云從科技在 Librispeech 上刷新世界紀錄。 此外 中國在人工智能芯片的專利總量最多且增速最快，國內(nèi)機構(gòu)在 AI 芯片領域的專利布局力度提升明顯。
十
決策式人工智能將成為下一個風口
決策式人工智能，也稱為決策智能，是一種依托多種軟件技術的決策優(yōu)化實用技術，通過最大化發(fā)揮和利用數(shù)據(jù)分析、機器學習和人工智能的潛能，幫助 人類 以更少的成本完成更多、更高效的決策。自生成式人工智能爆發(fā)之后，決策式人工智能將會成為下一個值得關注的風口。
未來，決策 AI 將朝著三大方向發(fā)展。第一，智能體的數(shù)量越來越多，從 1v1 的圍棋到 MOBA 、足球等更大規(guī)模的多智能體場景。第二，人機交互方式更多元，從競技對抗向博弈、協(xié)作演進。第三，決策環(huán)境日益復雜，從最早的 2D 場景到 2.5D 游戲，再到更接近真實場景的 3D 開放世界。
Gartner 預測，到 2024 年 30% 的企業(yè)機構(gòu)將使用新的“社會之聲”指標，來解決其面臨的社會問題，以及評估數(shù)字道德對其業(yè)務績效的影響。此外，截至 2020 年，決策類人工智能市場規(guī)模達 268 億元，近 4 年年均復合增長率實現(xiàn) 83.5% ，預計 2020-2025 年將保持 47.1% 的年均復合增長率，并在 2025 年突破 1847 億元。
決策智能不僅能提升運營質(zhì)量和決策水平，更可以創(chuàng)造更多業(yè)務價值，還能夠產(chǎn)生新的業(yè)務模式和利用數(shù)據(jù)直接變現(xiàn)。
這些證據(jù)表明，決策式人工智能將成為下一個風口，其發(fā)展前景廣闊，應用價值巨大。 值得注意的是，決策式人工智能 不 僅 是輔助人類做決策， 在更多的領域可以完全 替代人類做決策 。可以想象，無論是實現(xiàn)具身人工智能，還是實現(xiàn)通用人工智能，都離不開決策式人工智能的幫助。
2023 年是 AIGC 元年，也是 AI 大模型元年，在這一年人工智能的落地應用出現(xiàn)了井噴式的增長，不但降低了生產(chǎn)成本，提高了生產(chǎn)效率，也為各行各位帶來了眾多的機會。 2024 年人工智能的發(fā)展將會上升一個新的臺階，為人類的文明發(fā)展提供更多的幫助！
點個在看你最好看