## 任务书 ### 1.需求将Coze的“一键生成PPT”工作流迁移到Dify ### 2.需要用到的工具 #### 1.谷歌搜索 #### 2.FireCrawl #### 3.PPT

### 3.注意阅读PPT插件的详情页，获取可识别的Markdown格式。 ## 1. 配置 ### 1.开始接收输入

### 2.谷歌搜索根据输入搜索相关内容

### 3.代码执行从搜索结果中提取相关内容链接

代码如下 ```python def main(arg1: list) -> dict: data = arg1[0] organic_results = data["organic_results"] result = [i["link"] for i in organic_results] return { "result": result } ``` ### 4.迭代逐个抓取谷歌搜索返回的链接

#### 单页面抓取

### 5.LLM 根据搜索内容生成PPT结点可以识别的规范Markdown

系统提示词 ``` ### 标题与结构 - 使用 `#` 表示标题页（通常为一页） - 使用 `##` 表示幻灯片标题 - 使用 `###` 表示副标题（如有需要） - 使用水平分隔线 `---` 分隔幻灯片 ### 内容格式 - 使用无序列表（`*` 或 `-`）表示关键点 - 使用有序列表（`1.`, `2.`）表示步骤顺序 - 段落之间用空行分隔 - 使用三个反引号表示代码块 ``` 用户提示词 ``` 请根据{{#1755138674783.output#}}生成PPT大纲 ``` ### 6.Markdown转PPT结点根据大模型输出的规范Markdown生成PPT

### 7.代码执行1 从PPT结点的输出中提取PPT下载链接

代码如下 ```python def main(arg1: list) -> dict: return { "url": arg1[0]["url"], } ``` ### 8.结束输出最终结果

## 2. 测试 ### 1.开始

输入 ```json { "target": "大模型发展现状", "sys.files": [], "sys.user_id": "51b0ee4a-06cc-478d-a205-5e61fe58aee7", "sys.app_id": "43289e93-e8ff-41e8-be2b-858442e516ca", "sys.workflow_id": "6943f8d4-92e0-46e9-a1ca-52e68dbc99c9", "sys.workflow_run_id": "52c75e78-f082-4163-a852-1940e9b585d9" } ``` 输出 ```json { "target": "大模型发展现状", "sys.files": [], "sys.user_id": "51b0ee4a-06cc-478d-a205-5e61fe58aee7", "sys.app_id": "43289e93-e8ff-41e8-be2b-858442e516ca", "sys.workflow_id": "6943f8d4-92e0-46e9-a1ca-52e68dbc99c9", "sys.workflow_run_id": "52c75e78-f082-4163-a852-1940e9b585d9" } ``` ### 2.谷歌搜索

输入 ```json { "query": "大模型发展现状" } ``` 输出 ```json { "text": "", "files": [], "json": [ { "organic_results": [ { "link": "https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202305-758-766.pdf", "snippet": "本文基于我国大. 模型技术的研究现状,探讨了大模型基础理论、智能. 交互方法、安全理论与实践中的重点发展方向。大. 模型技术研究刚刚起步,还有非常多亟待解决的问. 题,其 ...", "title": "大模型关键技术与未来发展方向" }, { "link": "https://finance.sina.com.cn/roll/2025-04-22/doc-inetzrau4117606.shtml", "snippet": "全球大模型产业发展历经早期探索期、快速成长期、兴起期，2023年起进入广泛应用期。全球人工智能服务器市场，2022 - 2026年年复合增长率达17.3%。", "title": "2025年全球多模态大模型行业发展现状AI服务器和算力 ..." }, { "link": "https://zhuanlan.zhihu.com/p/19634294888", "snippet": "从去年开始，很多企业转向大模型的研究和落地，MLOps 也面临转型，之前主要是面向机器学习模型的Ops 运营体系，现在则需要考虑大模型以及大小模型协同的Ops ...", "title": "大模型时代下MLOps 发展现状与趋势" }, { "link": "https://www.sohu.com/a/783916630_121876967", "snippet": "2)大模型探索:2020年，GPT-3发布，模型参数规模大幅提升至1750亿。随后，谷歌、微软和英伟达相继推出自然语言理解或生成模型，对大模型技术的探索持续推进。3) ...", "title": "2024海外AI大模型发展现状及海外应用梳理分析报告" }, { "link": "http://download.people.com.cn/jiankang/nineteen17114578641.pdf", "snippet": "2024 年，多重利好因素将推动大模型快速发展，首先是“人工智能+”行动. 等来自政府层面的有力支持，其次用户提升生活、工作效率的需求激增，再加上. 科技公司加大对AI 领域投入 ...", "title": "2024年中国AI大模型产业发展报告" }, { "link": "https://www.china-aii.com/jgdt/7140790.jhtml", "snippet": "国内方面，24年大模型市场规模为3亿美元，预计25年市场规模将达到10亿美元，足够大的使用规模将进一步加速技术突破和成本下降。 2025年，大模型降价战或将持 ...", "title": "人工智能大模型年度发展趋势报告" }, { "link": "https://blog.csdn.net/2402_84466582/article/details/141124383", "snippet": "大模型技术目前正处于蓬勃发展的黄金时期，其强大的生成与推理能力已经引起了广泛关注，并在众多行业如金融、教育、医疗等得到了广泛应用。这些大模型 ...", "title": "大模型现状详细介绍" }, { "link": "https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202305-713.pdf", "snippet": "一方面,大模型技术正在逐步落地应用,在互联网、金融、医疗等领域体现出了显著优势,在其他行业的广泛应用也正在逐步实现;另一方面,大模型技术也对科学研究的方法与范式 ...", "title": "大模型技术:变革、挑战与机遇" }, { "link": "https://fanchenyou.github.io/docs/llm.pdf", "snippet": "2012年，以AlexNet为代表的卷积神经网络(百万参数). - AI进入深度学习时代. • 2017年，以Transformer为代表的自然语言模型(>1亿参数). - AI进入大模型时代.", "title": "大规模预训练AI模型发展,现状和未来 - Chenyou Fan 范晨悠" }, { "link": "https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html", "snippet": "全球多模态大模型发展迅速，成为人工智能领域重要趋势。技术上，能处理融合视觉、听觉、文字等多种数据模态，深度学习和自然语言处理技术为其提供支撑。", "title": "2025年全球多模态大模型行业发展现状AI服务器和算力 ..." } ] } ] } ``` ### 3.代码执行

输入 ```json { "arg1": [ { "organic_results": [ { "link": "https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202305-758-766.pdf", "snippet": "本文基于我国大. 模型技术的研究现状,探讨了大模型基础理论、智能. 交互方法、安全理论与实践中的重点发展方向。大. 模型技术研究刚刚起步,还有非常多亟待解决的问. 题,其 ...", "title": "大模型关键技术与未来发展方向" }, { "link": "https://finance.sina.com.cn/roll/2025-04-22/doc-inetzrau4117606.shtml", "snippet": "全球大模型产业发展历经早期探索期、快速成长期、兴起期，2023年起进入广泛应用期。全球人工智能服务器市场，2022 - 2026年年复合增长率达17.3%。", "title": "2025年全球多模态大模型行业发展现状AI服务器和算力 ..." }, { "link": "https://zhuanlan.zhihu.com/p/19634294888", "snippet": "从去年开始，很多企业转向大模型的研究和落地，MLOps 也面临转型，之前主要是面向机器学习模型的Ops 运营体系，现在则需要考虑大模型以及大小模型协同的Ops ...", "title": "大模型时代下MLOps 发展现状与趋势" }, { "link": "https://www.sohu.com/a/783916630_121876967", "snippet": "2)大模型探索:2020年，GPT-3发布，模型参数规模大幅提升至1750亿。随后，谷歌、微软和英伟达相继推出自然语言理解或生成模型，对大模型技术的探索持续推进。3) ...", "title": "2024海外AI大模型发展现状及海外应用梳理分析报告" }, { "link": "http://download.people.com.cn/jiankang/nineteen17114578641.pdf", "snippet": "2024 年，多重利好因素将推动大模型快速发展，首先是“人工智能+”行动. 等来自政府层面的有力支持，其次用户提升生活、工作效率的需求激增，再加上. 科技公司加大对AI 领域投入 ...", "title": "2024年中国AI大模型产业发展报告" }, { "link": "https://www.china-aii.com/jgdt/7140790.jhtml", "snippet": "国内方面，24年大模型市场规模为3亿美元，预计25年市场规模将达到10亿美元，足够大的使用规模将进一步加速技术突破和成本下降。 2025年，大模型降价战或将持 ...", "title": "人工智能大模型年度发展趋势报告" }, { "link": "https://blog.csdn.net/2402_84466582/article/details/141124383", "snippet": "大模型技术目前正处于蓬勃发展的黄金时期，其强大的生成与推理能力已经引起了广泛关注，并在众多行业如金融、教育、医疗等得到了广泛应用。这些大模型 ...", "title": "大模型现状详细介绍" }, { "link": "https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202305-713.pdf", "snippet": "一方面,大模型技术正在逐步落地应用,在互联网、金融、医疗等领域体现出了显著优势,在其他行业的广泛应用也正在逐步实现;另一方面,大模型技术也对科学研究的方法与范式 ...", "title": "大模型技术:变革、挑战与机遇" }, { "link": "https://fanchenyou.github.io/docs/llm.pdf", "snippet": "2012年，以AlexNet为代表的卷积神经网络(百万参数). - AI进入深度学习时代. • 2017年，以Transformer为代表的自然语言模型(>1亿参数). - AI进入大模型时代.", "title": "大规模预训练AI模型发展,现状和未来 - Chenyou Fan 范晨悠" }, { "link": "https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html", "snippet": "全球多模态大模型发展迅速，成为人工智能领域重要趋势。技术上，能处理融合视觉、听觉、文字等多种数据模态，深度学习和自然语言处理技术为其提供支撑。", "title": "2025年全球多模态大模型行业发展现状AI服务器和算力 ..." } ] } ] } ``` 输出 ```json { "result": [ "https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202305-758-766.pdf", "https://finance.sina.com.cn/roll/2025-04-22/doc-inetzrau4117606.shtml", "https://zhuanlan.zhihu.com/p/19634294888", "https://www.sohu.com/a/783916630_121876967", "http://download.people.com.cn/jiankang/nineteen17114578641.pdf", "https://www.china-aii.com/jgdt/7140790.jhtml", "https://blog.csdn.net/2402_84466582/article/details/141124383", "https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202305-713.pdf", "https://fanchenyou.github.io/docs/llm.pdf", "https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html" ] } ``` ### 4.迭代

输入 ```json null ``` 输出 ```json { "output": [ "·专题:ChatGPT与人工智能技术应用·\n\n# 大模型关键技术与未来发展方向从谈起\n\n# 刘学博户保田陈科海张民\\*\n\n哈尔滨工业大学(深圳)计算与智能研究院,深圳\\[摘要\\] 大规模预训练模型,也被称为“基座模型”或“大模型”,目前被认为是通用人工智能技术的核心引擎,已经成为了全球科技竞争焦点。本文归纳总结了以聊天生成预训练转换器(Chat, )为代表的生成式大模型技术研究现状和发展趋势,从大模型基座、大模型人类偏好对齐、大模型推理与评价、多模态大模型、大模型安全可控五个方面讨论了当前大模型研究的现状和挑战,并结合我国人工智能研究特点,简要分析了大模型未来的重点发展方向。\n\n\\[关键词\\] 人工智能;大模型;ChatGPT;发展方向\n\n人工智能( , )是一门涉及人的智能研究理论、方法、技术及应用系统的新兴技术科学,主要研究和开发人的智能模拟、延伸和扩展技术, 技术正逐步改变现代社会。智能科学与技术,也就是深入理解智能机理并结合先进技术,成为推动人工智能持续发展的关键驱动力。大规模预训练语言模型,也被称为“基座模型”或“大模型”,其特点在于拥有巨大的参数量,构成了复杂的人工神经网络模型\\[1\\]。这项技术的提出和实践具有划时代的意义,它标志着人工智能的研究步入了通用人工智能时代。\n\n大模型具有规模性(参数量大)、涌现性(产生预料之外的新能力)以及通用性(不仅局限于特定问题或领域)等特性。以ChatGPT\\[2\\]为代表的生成式大模型因其具有巨量的参数和深度网络结构,能学习并理解更多的特征和模式,从而在处理复杂任务时展现出惊人的自然语言理解、意图识别、推理、上下文建模、语言生成等几乎所有和自然语言相关的处理能力,同时具有通用问题求解能力,被视作通往通用人工智能的一条重要路径\\[3\\]。\n\n“基座模型”这个词汇形象地描绘了大模型的作用:它是坚实的基础底座,拥有极其强大的能力。\n\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/c3bf12e7842076efde23831e591cace593ccfde4dbbad3323292ee24ec350786.jpg)\n\n张民哈尔滨工业大学(深圳)特聘校长助理,计算与智能研究院院长。“国家百千万人才工程”入选者,国家杰出青年科学基金获得者,“鹏城孔雀计划”特聘岗位,享受国务院政府特殊津贴。主要研究方向为自然语言处理、人工智能、大模型。获省部级科技进步奖项,最佳会议论文次。发表 / 类会议和期刊论文\n\n20 余篇,出版Springer专著2部,主编论著(论文集)16本。担任本领域10本期刊编委。主持科技部重点研发计划课题及多项大型产业界项目。\n\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/49d85d95644d8f9ee15a331522f0e37b6c6fd8edf72b579b85e03b6bd2786fa9.jpg)\n\n刘学博哈尔滨工业大学(深圳)计算与智能研究院助理教授,“鹏城孔雀计划”特聘岗位。主要研究方向为自然语言处理、机器翻译、大模型能力评估与优化。获澳门技术发明奖二等奖、澳门研究生科技研发奖、中国中文信息学会优博提名奖等奖项。在自然语言处理与人工智能顶级会议与期刊上发表论文30余篇。主持国家自然科学基金青年科学基金项目等。\n\n但这些能力需要被激发出来,才能为各类任务和应用提供强力的支持。因此,大模型已经转变为领域的基础设施,为解决各种复杂问题提供底层强大的计算、学习和求解能力。随着科技的发展,大模型正逐渐成为一种新的科学研究范式。从初期的大语言模型,已经延伸到了多模态、语音、图像、视频等各个领域,甚至用于各类复杂问题的求解,例如天气预报\\[4\\]、石油勘探\\[5\\]、智慧城市\\[6\\]等复杂系统,更有效地完成复杂系统的建模与预测。\n\n然而,大模型技术还处于初级研究阶段,存在许多亟需解决的问题,包括但不限于模型的可解释性、模型机理的研究、与现实世界的可交互性、安全可控、伦理道德问题,以及如何更好地对接下游任务等。另一方面,作为核心技术的基座模型,更强的自主可控和建模能力是我国下一代大模型技术基础研究的两大核心任务。\n\n# 1 大模型技术及研究进展\n\n# 1.1 大模型基座\n\n年首次提出“规模定律”,指出模型的性能随着参数量、数据量、训练时长的指数级增加而呈现出线性提升,并且该提升对架构和优化超参数的依赖性非常弱\\[7\\]。从此研究人员逐步转移研究重心至大语言模型基座,并开展了大量相关研究。首个千亿模型GPT- $3 ^ { \\[ 8 \\] }$ 在各种自然语言处理任务上取得了突破性的成果,包括文本生成、机器翻译、问答等,并展现了在零样本和少样本情况下的泛化性。系列模型的发展标志着大型预训练语言模型时代的到来。除了GPT 系列模型,谷歌、Meta等公司同样开始不断发布百亿到千亿的大型语言模型,例如、、 ,但是这些模型都不开源。当前代表性的开源大模型有的、L aMA-2以及国内的 GLM-130B\\[9\\]、ChatGLM2。发展示意图如图所示。\n\n在模型架构方面,国内外的大模型普遍为架构。模型的基座设计大体上可以分为以下三种:(1)仅包含解码器(Decoder-only),即自回归(Autoregresive)模型,代表模型是 GPT\\[10\\]和L aMA\\[11\\],其训练目标是从左到右的文本生成,常用于无条件长文本生成,如对话生成、故事生成等;(2)仅包含编码器(Encoder-only),即自编码(Autoencoder)模型,代表模型是 BERT\\[12\\]、ALBERT \\[13\\]、DeBERTa\\[14\\],自编码模型是通过去噪任务(如利用掩码语言模型)学习双向的上下文编码器,训练目标是对文本进行随机掩码,然后预测被掩码的词,常用于自然语言理解,如事实推断、语法分析、文本分类等;()编码器—解码器(),即完整的结构,代表模型是$\\\\mathrm { T } 5 ^ { \\[ 1 5 \\] }$ 和 \\[16\\],包含一个编码器和一个解码器,接受一段文本,从左到右地生成另一段文本,常用于有条件的生成任务,如机器翻译、摘要生成、事实性对话等。考虑到训练效率、推理需求和下游实际应用任务,大模型通常采用仅包含解码器的架构,通过自回归预训练高效地生成优质内容。\n\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/5387869c73590c02b251b231e8bc182cb62986120d630b6deb87dbcd2c7f1c19.jpg)\n\n图1 国内外大模型基座发展示意图 $\\\\textcircled{1}$\n\n在训练数据上,我国开放给大模型的数据集主要是中文语料库,但在数据量、内容多样性和质量方面,仍有进一步提升的空间。截至目前,常见的开源预训练数据集有: 系列的悟道数据集,其规模为 (已开源 ); 社区的开源中文数据集 CLUE Corus $2 0 2 0 ^ { \\[ 1 7 \\] }$ ,其规模为10 GB;里屋社区的开源数据集 ,其规模约,为互联网收集的中文纯文本语料数据集。相比较而言,国外开源数据集数量更多。例如, 级的CommonCrawl的网页数据、1.6TB 多语数据集ROOTS\\[18\\]、 $8 2 5 \\ \\\\mathrm { G }$ 的数据集 The Pile\\[19\\]等。此外,国外开源数据集内容较丰富: 既包含网页数据,又收集了上的代码数据,也从各种下游任务数据集中收集高质量数据;ThePile数据集基于学术或专业领域知识源构造,质量较高;另有以英文小说为主的数据集BokCorus\\[20\\]及百科全书数据集 Wikipedia。\n\n# 1.2 大模型人类偏好对齐\n\n大模型在预训练阶段的主要任务是将世界知识融入模型中,是模型学习知识的过程。对齐大模型与人类偏好的目标是激发模型理解、适应人类意愿和解决问题的能力,强调的是使模型能够有效地应用预训练阶段获取的知识,从而使其具有多样化的能力,能够解决各种问题。另一方面,大模型在训练阶段可能会学习到数据中的偏见和歧视性信息,导致模型的行为表现出预期外的特征。为了纠正模型的表现,使模型反映出人类的价值观,避免出现不可预测的输出,需要实现大模型与人类偏好的对齐。目前主要通过两种方法实现:有监督微调和人类反馈的强化学习算法（ReinforcementLearning from, ),如图所示。\n\n有监督微调 [21](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/SupervisedFine-tuning,SFT) 是主要的大模型人类偏好对齐方法。该过程利用人类偏好一致的指令数据来训练大模型。首先,需要收集或创建指令数据,这些数据由输入/输出对组成。其中输入数据是提供给模型的指令或提示,而输出数据则是期望模型根据人类偏好来生成的响应,通常由人类专家标注。然后,通过这些格式化的指令数据,以监督学习的方式对大语言模型进行微调。这种有监督微调方法是一种相对直接且有效的手段,能激发语言模型的深层次理解能力,以更好地实现与人类偏好的对齐。\n\n另一部分是人类反馈的强化学习算法\\[22\\],通过利用人类标注、答案重排序等技术构造符合人类偏好的数据训练一个奖励模型( ),由奖励模型提供指导信号,这些信号反映了人类对大模型生成的文本的偏好,通常以标量值的形式出现。基于奖励模型的指导信号,利用强化学习(PolicyOptimization,P O)来优化学习过程,待优化的大语言模型的动作域(ActionSace)是预测词表,状态为当前生成的内容,并将奖励模型的反馈信号通过P O 算法传给大语言模型进行优化。最终实现大模型与人类的偏好对齐。\n\n尽管大语言模型在多种任务中表现出强大的能力,但它们也存在生成“幻觉”内容的倾向,生成与用户输入、之前的上下文或者已知的世界知识不一致的内容。这一挑战对大模型在实际应用中的可靠性构成威胁。幻觉问题不是新现象,最初在机器翻译系统中已被提出\\[23\\]。但在大模型环境下,这个问题变得更为复杂。幻觉不仅对用户信任造成破坏,还能通过简单的搜索轻易地被触发。为减少幻觉的出现,研究人员已经采用了包括数据增强和动态系统在内的多种方法,尝试降低大模型幻觉内容生成的频率\\[24\\]。\n\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/1384a7b57fcf51d54d54bd8facf79b1c67e2df838ddb0e6d55efb25c5ee4bc14.jpg)\n\n图2 大模型人类偏好对齐示意图\n\n大模型具有强大的通用性,但往往缺乏特定领域的专业知识。为解决这些问题,已有研究提出结合内外部知识,利用模型自身的通用能力从外部知识库中检索相关信息,同时提供完整的检索路径以增加可解释性\\[25\\]。另一方面,在执行复杂任务时,可以通过工具调用、链式思维、搜索决策树等方式增强模型的规划和推理能力\\[26\\]。这些方法不仅提高了大模型在特定任务中的表现,也为其在实际应用中的可靠性和可解释性提供了有力支持。\n\n# 1.3 大模型推理与评价\n\n在大模型的实际应用场景中,推理效率和生成质量是两个关键的维度。一方面,大模型的高效推理是实现工程应用的关键技术。和训练环节相比,推理环节在计算精度、算力消耗量等方面的要求较低,但依然依赖于高性能的显卡。此外,显存瓶颈、通信延迟和硬件内存带宽约束仍然限制着模型的推理效率。另一方面,模型训练阶段常用模型损失作为评价模型性能好坏的基准。然而,这种单一维度的评价方法在实际应用中往往无法全面反映模型在多维度任务性能上的优劣,因此需要对模型的评价进行更加精细的设置。\n\n在大模型推理加速方面,一种有效的策略是对模型框架和运算进行优化。例如, 公司研发的Fast Transformer 框架采用了MPI和NCCL来实现节点间通信①。框架可通过模型并行来支持跨和节点的高效推理,通过算子融合和缓冲区分配减少了调用次数和重新计算成本。这种策略能从硬件底层显著提升推理效率,但其复杂性可能会增加用户的使用门槛。另一种策略是采用模型压缩技术,例如模型量化。模型量化通过使用低精度数值来近似表示网络权重和激活值,以达到减小模型体积的目的。在训练时,为保证训练的效果,模型权重一般保持在FP32。在推理时,使用权重能达到与类似的精度,同时减少一半的显存需求。更进一步的量化方案,如 \\[27\\],将线性运算拆分为和两部分,分别进行计算后相加,在不牺牲模型性能的前提下降低模型的运行成本; $\\\\mathrm { O P T Q ^ { \\[ 2 8 \\] } }$ 基于矩阵而非传统的基于统计的方法进行一次性权重量化,可以在大约4个GPU 小时内量化具有亿参数的模型,将位宽减少到每个权重的3或4位。\n\n在大模型评价方面,目前主要分为人工评价与自动评价两种方式。自动评价作为一种普遍且广泛应用的评估机制,一般依赖于预定的标准化指标和工具来评估模型的性能。例如以 MMLU\\[29\\]、CEVAL\\[30\\]等为代表的数据集,通过模型在单项选择题上的准确性来估计其潜在能力;以GSM8K\\[31\\]、\\[32\\]为代表的数据集,通过测试模型对数学题的回答准确率与代码的测试样例通过率来衡量模型的推理能力;以 BLEU\\[33\\]、COMET\\[34\\]、ROUGE\\[35\\]等生成类评价指标用于评价模型的生成能力。然而,这些自动评价指标常面临评价不全面、数据泄露等问题。特别是在开放式任务场景下,传统的自动评价机制通常不能全面地衡量生成结果的质量,因此人工评价和使用高级模型(如 GPT-4)进行的评价成为了更可靠的评估方式。人工评价通过人类专家的参与评价模型生成结果的质量和准确性。与自动评价相比,人工评价更接近实际应用场景,可以提供更全面和准确的反馈,但仍然存在主观性、差异性和不稳定性等问题。在实际应用中,具体使用哪种评价方式需要根据具体的使用场景进行综合考量。\n\n# 1.4 多模态大模型\n\n多模态大模型(MultimodalLareModels)通过整合多种类型的数据(如文本、图像、音频等),提升机器理解和生成复杂内容的能力。早期的多模态模型通常需要在特定数据集上微调才能胜任相关的任务,如图文检索双塔模型(ContrastiveLanuae-imagePre-training,CLIP)\\[36\\] 和图文生成模型(Obect-SemanticsAlined,Oscar)\\[37\\]等。当前的多模态大模型具有更强的通用问题求解能力,主要分为以下三种:\n\n一种方法是将大语言模型作为中央处理器来执行多模态任务,通过调用其他功能模块来实现任务目标。例如VisualChatGPT\\[38\\]将ChatGPT 作为中央处理器,借助提示管理模块与用户进行交流,根据用户的需求读取图像并调用外部视觉专家模型修改图像、输出结果; \\[39\\]将和Hugingface连接在一起,利用 Hugingface中成百上千的模型,能够解决余种不同任务,这种策略有效地实现了多模态信息的处理和理解,但由于需要调用多个任务特定模型,它可能导致信息处理效率低下且部署成本较高。\n\n另一种方法是直接通过图像和文本信息训练多模态大模型。如 KOSMOS-1\\[40\\],它利用视觉和文本编码器对输入进行编码,然后将这些编码输入到基于的解码器中,使得图像信息和文本信息直接对齐并融合,从而实现跨模态交互。这种方法在处理多模态信息时能够实现优异的准确性和效率,为解决多模态任务提供了技术支持。然而,这种方法通常面临预训练数据不足和训练成本较高的挑战。\n\n最后一种方法,如图所示,结合跨模态编码器等结构与大语言模型,能进一步发掘大模型的推理检索能力和存储的知识库信息。例如, $\\\\mathrm { L L a V A ^ { \\[ 4 1 \\] } }$ 由大语言模型和的开源视觉编码器和语言解码器连接而成,从而实现更加广义上的视觉语言理解。LMEe\\[42\\]构建了静态视觉映射网络,为大语言模型提供图像的基础感知。大模型解析人类指令后,将其发送到交互式感知网络,并基于交融的多模态信息产生响应。\n\n# 1.5 大模型安全可控\n\n大模型安全可控主要集中于大模型的训练和推理两方面。针对训练阶段的可控研究主要通过对预训练语言模型进行网络重构、修改训练任务或增加微调任务以实现有约束的生成过程。早期研究在预训练文本序列首部添加多种表征文本信息的特殊符号以实现可控生成过程\\[43\\]。另有研究者不限于知识符号,而是基于多个人类评价维度(如有效性、安全性)对模型进行可控微调\\[44\\]。近期一些研究使用基于人类反馈的强化学习策略推进大模型的自主可控性,通过使用奖励模型学习人类评价模式,进而对大模型进行自动微调\\[45,46\\]。针对推理阶段,典型研究通过在推理过程中增加约束信息\\[47\\]或是直接针对模型输入输出增加控制模块\\[48\\]以有效实现有约束的生成过程。近期,通过在输入中增加显示或隐式控制信息作为Promt的做法同样取得了较好的效果\\[49,50\\]。\n\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/b847e025bb2e7aaf226233cf89a37f6b042f47d15be17f27f1695f10db5af70f.jpg)\n\n图3 基于大语言模型的多模态大模型通用结构\n\n在大模型安全性方面,生成式大模型面临着包括模型窃取、数据窃取、对抗攻击、后门攻击、Promt攻击和数据投毒等多方面威胁。在模型窃取方面,近期研究发现可通过本地模型访问的部分窃取现有大模型在特定任务上的性能。在数据窃取方面,存在一种差分隐私训练策略避免使用者进行大模型的数据窃取\\[51\\]。在对抗攻击方面,研究发现大模型对于对抗性文本和分布外文本的抵御效果优于传统模型,但依然存在鲁棒性不足的问题\\[52,53\\]。在后门攻击方面,研究发现通过在人类反馈强化学习的奖励模型训练阶段增加后门\\[54\\],可以通过后门触发文本控制模型输出;另外,可通过大模型产生包含后门触发器的训练数据\\[55\\],从而对其他模型植入后门。在Promt攻击方面,有研究者设计了一套通过大模型生成恶意的攻击流程\\[56\\],可达到绕过大模型安全限制、下游应用窃取等恶意攻击目的。在数据投毒方面,可以借助大模型实现指令微调数据的自动投毒,从而操纵或毒害其他模型\\[57\\]。\n\n# 2 大模型领域未来重点发展方向\n\n大模型需要多方合作发展,包括产、学、研、用、资、政等多个领域,对提升我国科技核心竞争力具有关键性作用。在此,我们选取除了算力以外我国大模型发展的三个具有代表性方向进行讨论。\n\n# 2.1 自然语言引领大模型基础通用理论\n\n大模型随着模型参数和训练数据的增加,由量变到质变,涌现出通用智能的能力,使人类真正从信息社会进入智能社会。自然语言在大模型中发挥着重要的引领作用,自然语言是传递和表达语义认知和知识的最重要方式,通过处理自然语言数据,大模型可以学习到丰富的语义表示和世界知识。本方向主要包括:\n\n()下一代大模型基础架构。利用丰富的外部知识,建立数据与知识双轮驱动研究新范式。以中文为核心、以通用人工智能为目标,设计更加高效、准确、可扩展的新一代语言模型,并以此为基础搭建新一代人工智能理论框架体系。\n\n()大模型可解释性和模型机理。目标在于突破“黑箱”问题的束缚,实现大模型行为的动态追踪、知识提取过程的深度分析以及决策过程的人类干预,从而提升模型可解释性,建立可解释、鲁棒的人工智能理论和方法。同时深入剖析大规模预训练语言模型的实现机理,以揭示涌现现象背后的科学原理,完善理论体系。\n\n(3)大模型的持续学习与演化能力。研究增量学习技术和动态知识库,使模型能够持续适应新数据、更新知识与表达,并通过强化学习技术使模型能够根据环境反馈进行自我改进。探索通用人工智能驱动的智能算法,从而实现模型自主学习与人机协同学习的持续演化。\n\n# 2.2 多模态大模型智能交互方法\n\n针对多模态数据之间复杂且多样的关系,多模态大模型需对不同模态间的相关性关系进行有效的对齐和交互,以增强对多模态信息的表征能力。基于提取的多模态表征,多模态大模型还需进一步对多模态信息进行交互融合处理以及语义理解,并根据具体要求进行输出决策。在多模态大模型的部署阶段,由于当前多模态大模型复杂度极高,限制了其在硬件资源欠缺条件下的应用,无法满足不同环境下的智能交互需求。本方向主要包括:\n\n()大模型驱动的多模态信息表征和理解。研究如何通过多种预训练任务对不同模态数据间的相关性进行不同粒度的对齐和交互,有效增强大模型对多模态信息的表征能力。改进理解任务相关的多模态特征融合技术,利用自监督学习、半监督学习、元学习、迁移学习等新型学习范式,提升模型鲁棒性和学习效率。\n\n()基于具身学习的多模态大模型。通过高效的人机交互、融合感知、执行和交互等技术,帮助多模态大模型更好地理解真实世界,获取实时的环境反馈;结合具身学习研究面向智能机器人的多模态大模型构建与应用方法。\n\n()轻量化多模态大模型的设计。通过面向硬件条件限制的多模态大模型设计,减少模型规模以及计算和存储需求,从而满足不同的硬件环境,扩大大模型的应用场景。研究模型剪枝、模型量化,以及知识蒸馏等深度模型压缩方法,实现自适应的轻量化多模态大模型设计。\n\n# 2.3 大模型安全理论与实践\n\n大模型的发展和应用必须着重考虑安全性和可控性。尤其在涉及用户隐私、数据安全、道德规范和合法合规的情况下,大模型的操作必须符合社会规则和伦理道德,必须具有正确的价值观。大模型在理解和生成内容时可能出现偏见,这可能导致信息误导、产生虚假信息,或被恶意利用。本方向主要包括:\n\n()大模型供应链安全。针对大模型训练数据易受污染或被投毒的挑战,研究大模型数据审查方法,可为大语言模型及多模态大模型的训练提供安全保障。针对大模型中可能存在后门的问题,研究大模型后门检测方法,可为大模型下游微调和部署提供安全防护。\n\n(2)大模型安全性评估。研究大模型安全性评估方法,全面分析多样的安全性度量场景,构建生成式大模型的安全度量指标体系和大模型安全评估平台,研究实现对大模型的一站式安全风险评估,为大模型进行迭代升级指明具体优化的方向。\n\n()大模型生成内容安全。对大模型生成内容的安全性进行深入研究,旨在从模型本身和输出内容审查两个维度增强大模型网络意识形态的安全性。为防止大模型在意识形态方面产生不适当的内容,研究构建一种网络意识形态审查系统,探讨如何在大模型时代实现生成内容的安全防护,达到对大模型生成内容实施有效监管和审查的目的。\n\n# 3 结论与展望\n\n大模型技术开启了通用人工智能时代,具有划时代意义,将重新定义信息社会。本文基于我国大模型技术的研究现状,探讨了大模型基础理论、智能交互方法、安全理论与实践中的重点发展方向。大模型技术研究刚刚起步,还有非常多亟待解决的问题,其红利和贡献还远未被发掘。总之,从基础研究角度看,基座模型和下一代大模型技术的自主可控是目前我国大模型研究的两大核心任务。\n\n# 参考文献\n\n\\[1\\] Bommasani R， Hudson DA， Adeli E， et al. On the opportunities and risks of foundation models.（2o21-O8-16)/ \\[2023-08-17\\].htps:/arxiv.org/abs/2108.07258.\n\n\\[\\] OuyangL，Wu J，Jiang X，et al. Training language models tofolowinstructionswithhumanfedback.Advancesin NeuralInformation Procesin Sstems,202 :2730— 274 .\n\n\\[3\\] Zhao WX, Zhou K, Li J, et al. A survey of large language models. (2023-03-31)/\\[2023-08-17\\]. htps:/arxiv.org/ abs/2303.1823.\n\n\\[4\\] Bi K, Xie L, Zhang H, et al. Acurate medium-range global weather forecasting with 3D neural networks. Nature, 2023, 619(7970): 53 —538.\n\n\\[5\\] Ogundare O, Madasu S, Wigins N. Industrial enginering with large language models: a case study of ChatGPT?s performance on Oil & Gas problems. (2023-04-27)/\\[2023- 08-17\\]. htps:/arxiv.org/abs/2304.14354.\n\n\\[6\\] Xi Z, Chen W, Guo X, et al. The rise and potential of large language model based agents: a survey. (2023-09-14)/ \\[2023-09-18\\]. htps:/arxiv.org/abs/2309.07864.\n\n\\[7\\] KaplanJ,McCandlishS,HenighanT,etal.Scalinglaws for neural language models. (2020-01-23)/\\[2023-08-17\\]. htps:/arxiv.org/abs/201.08361.\n\n\\[8\\] Brown T, Man B, Ryder N, et al. Language models are few-shot learners. Advances in Neural Information Procesing Systems, 2020: 187 —1901.\n\n\\[9\\] Zeng A, Liu X, Du Z, et al. Glm-130b: an open bilingual pre-trained model. (202-10-05)/\\[2023-08-17\\]. htps:/ arxiv.org/abs/210.02414.\n\n\\[10\\]Radford A, Narasimhan K, Salimans T, et al. Improving language understanding by generative pre-training. (2018- 06-1 )/\\[2023-09-1 \\]. htps:/ [www.mikecaptain.com/](http://www.mikecaptain.com/) resources/pdf/GPT-1.pdf.\n\n\\[1 \\]TouvronH,LavrilT,IzacardG,etal.L aMA:openand eficient foundation language models. (2023-02-27)/\\[2023- 08-17\\]. htps:/arxiv.org/abs/2302.13971.\n\n\\[12\\]Devlin J, Chang MW, Le K, et al. Bert: pre-training of depbidirectionaltransformersforlanguageunderstanding/ Procedingsofthe2019 AnualConferenceofthe North American Chapter of the Asociation for Computational Linguistics:HumanLanguageTechnologies.Mineapolis: AsociationforComputationalLinguistics,2019:4171— 4186.\n\n\\[13\\]LanZ ,Chen MD,GodmanS,etal.ALBERT:alite BERT for self-supervised learning of language representations. (2019-09-26)/\\[2023-08-17\\]. htps:/ arxiv.org/abs/1909.1942.\n\n\\[14\\] HePC,Liu XD,GaoJF,etal.DeBERTa:decodingenhanced BERT with disentangled atention. (2020-06-05)/ \\[2023-08-17\\]. htps:/arxiv.org/abs/206.03654.\n\n\\[15\\]Rafel C, Shazer N, Roberts A, et al. Exploring the limits oftransferlearningwithaunifiedtext-to-texttransformer. TheJournalofMachineLearningResearch,2020,21(1): 5485—551.\n\n\\[16\\]Lewis M, Liu YH, Goyal N, et al. BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension/ Procedings ofthe 58th Anual Meting of the Asociation for Computational Linguistics. Stroudsburg: Asociation for ComputationalLinguistics,2020:7871—780.\n\n\\[17\\]Xu L, Zhang XW, Dong QQ. CLUECorpus2020: a largescaleChinesecorpusforpre-traininglanguagemodel.(2020- 03-05)/\\[2023-08-17\\].htps:/arxiv.org/abs/203.0135 .\n\n\\[18\\]LaurençonH,SaulnierL,WangT,etal.Thebigscience rotscorpus:a1.6tbcomposite multilingualdataset. AdvancesinNeuralInformationProcesingSystems,202 : 31809—31826.\n\n\\[19\\]Gao L, Biderman S, Black S, et al. The pile: an 80 GB datasetofdiversetextforlanguagemodeling.(2020-12-31)/ \\[2023-08-17\\].htps:/arxiv.org/abs/2101.0027.\n\n\\[20\\]ZhuYK,KirosR,ZemelR,etal.Aligningboksand movies:towardsstory-likevisualexplanationsbywatching moviesandreadingboks/Procedingsofthe2015IEEE International Conference on Computer Vision. New York: IEEE, 2016: 19—27.\n\n\\[21\\]Longpre S, Hou L, Vu T, et al. The flan colection: designing data and methods for efective instruction tuning. (2023-01-31)/\\[2023-08-17\\].htps:/arxiv.org/abs/2301. 1368 .\n\n\\[2 \\]Christiano PF, Leike J, Brown T, et al. Dep reinforcement learningfrom human preferences. Advancesin Neural InformationProcesingSystems,2017:4302—4310.\n\n\\[23\\]Le K,FiratO,AgarwalA,etal.Halucinationsinneural machine translation. (2023-03-06)/\\[2023-08-17\\]. htps:/ openreview.net/forum? id $\\ c =$ SkxJ-309FQ.\n\n\\[24\\]ZhangY,LiY,CuiL,etal.Siren?ssongintheaiocean:a survey on halucination in large language models. (2023-09- 03)/\\[2023-09-17\\]. htps:/arxiv.org/abs/2309.01219.\n\n\\[25\\]Feng C, Zhang X, Fei Z. Knowledge solver: teaching lms tosearchfordomainknowledgefrom knowledgegraphs. (2023-09-06)/\\[2023-09-17\\]. htps:/arxiv.org/abs/2309. 0318.\n\n\\[26\\] Qin Y, Liang S, Ye Y, et al. To lm: facilitating large language models to master $1 6 0 0 0 +$ real-world apis. (2023- 07-31)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2307.16789.\n\n\\[27\\]Detmers T, Lewis M, Belkada Y, et al. Gpt3. int8(): 8- bit matrix multiplication for transformers at scale. Advances inNeuralInformationProcesingSystems,202 :30318— 3032.\n\n\\[28\\]Frantar E, Ashkbos S, Hoefler T, et al. Optq: acurate quantizationforgenerativepre-trainedtransformers.(202- 10-31)/\\[2023-08-17\\].htps:/arxiv.org/abs/210.17323.\n\n\\[29\\] Hendrycks D, Burns C, Basart S, et al. Measuring masive multitasklanguageunderstanding.(2020-09-07)/\\[2023-08- 17\\]. htps:/arxiv.org/abs/209.030 .\n\n\\[30\\] Huang Y, Bai Y, Zhu Z, et al. C-eval: a multi-level multidiscipline chinese evaluation suite for foundation models. (2023-05-17)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2305. 0832 .\n\n\\[31\\]CobeK,KosarajuV,BavarianM,etal.Trainingverifiers tosolvemathwordproblems.(2021-1-18)/\\[2023-08-17\\]. htps:/arxiv.org/abs/210.14168.\n\n\\[32\\]Chen M, Tworek J, Jun H, et al. Evaluating large language models trained on code. (2021-07-14)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2107.0374.\n\n\\[3 \\]PapineniK,RoukosS,WardT,etal.BLEU:amethodfor automaticevaluationofmachinetranslation/ Procedingsof the40thAnualMetingonAsociationforComputational Linguistics.Philadelphia:Asociation for Computational Linguistics, 202: 31 —318.\n\n\\[34\\]ReiR,StewartC,FarinhaAC,etal.COMET:aneural framework for MT evaluation/ Procedings of the 2020 Conferenceon Empirical Methodsin Natural Language Procesing.Stroudsburg: Asociation for Computational Linguistics,2020:2685—2702.\n\n\\[35\\]LinCY.ROUGE:apackageforautomaticevaluationof summaries/ Procedings of the Workshop on Text summarization branches out. Barcelona: Asociation for ComputationalLinguistics,204:74—81.\n\n\\[36\\]Radford A, Kim JW, Halacy C, et al. Learning transferable visual models from natural language supervision.(2021-02-26)/\\[2023-08-17\\].htps:/arxiv. org/abs/2103.0020.\n\n\\[37\\]LiXJ,YinX,LiCY,etal.Oscar:object-semanticsaligned pre-trainingforvision-languagetasks/ Procedingsofthe 2020 European Conference on Computer Vision. Cham: Springer, 2020: 121—137.\n\n\\[38\\] WuC,YinS,QiW,etal.Visualchatgpt:talking,drawing andeditingwithvisualfoundation models.(2023-03-08)/ \\[2023-08-17\\]. htps:/arxiv.org/abs/2303.04671.\n\n\\[39\\]Shen YL, Song KT, Tan X, et al. Hugingpt: solving AI tasks with chatgpt and its friends in hugingface. (2023-03- 30)/\\[2023-08-17\\].htps:/arxiv.org/abs/2303.17580.\n\n\\[40\\] Huang S, Dong L, Wang W, et al. Language is not al you ned:aligningperceptionwithlanguagemodels.(2023-03- 01)/\\[2023-08-17\\].htps:/arxiv.org/abs/2302.14045.\n\n\\[41\\]LiuH,LiC,WuQ,etal.Visualinstructiontuning.(2023- 04-17)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2304.08485.\n\n\\[42\\]Li Y, Hu B, Chen X, et al. Lmeye: an interactive perceptionnetworkforlargelanguage models.(2023-05- 05)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2305.03701.\n\n\\[43\\] KeskarNS,McCan B,VarshneyLR,etal.CTRL:a conditionaltransformerlanguage modelfor controlable generation. (2019-09-20)/\\[2023-08-17\\].htps:/arxiv. org/abs/1909.05858.\n\n\\[4 \\]Peng B, Li C, He P, et al. Instruction tuning with gpt-4. (2023-04-06)/\\[2023-08-17\\].htps:/arxiv.org/abs/2304. 0327 .\n\n\\[45\\]BaiY,KadavathS,KunduS,etal.ConstitutionalAI: harmlesnes from AIfedback.(202-12-15)/\\[2023-08- 17\\].htps:/arxiv.org/abs/212.08073.\n\n\\[46\\]CaoY,LiS,LiuY,etal.AcomprehensivesurveyofAIgenerated content (AIGC): a history of generative ai from gan to chatgpt. (2023-03-07)/\\[2023-08-17\\]. htps:/arxiv. org/abs/2303.0426.\n\n\\[47\\]Dathathri S, Madoto A, Lan J, et al. Plug and play language models:a simple aproach to controled text generation. (2019-12-04)/\\[2023-08-17\\]. htps:/arxiv. org/abs/1912.02164.\n\n\\[48\\]RolerS,DinanE,GoyalN,etal.Recipesforbuildingan open-domainchatbot/ Procedingsofthe16thConference of the European Chapter of the Asociation for Computational Linguistics.Stroudsburg:Asociationfor ComputationalLinguistics,2021:30 —325.\n\n\\[49\\]LiuPF,Yuan WZ,FuJL,etal.Pre-train,prompt,and predict:asystematicsurveyofpromptingmethodsinnatural language procesing. ACM Computing Surveys, 5 (9): 1—35.\n\n\\[50\\] YangKX,LiuD,LeiWQ,etal.Tailor:asoft-promptbasedaproachtoatribute-basedcontroledtextgeneration/ Procedingsofthe61stAnualMetingoftheAsociation forComputationalLinguistics.Toronto:Asociationfor Computational Linguistics, 2023: 410—427.\n\n\\[51\\]Li Z, Wang C, Ma P, et al. On the feasibility of specialized ability stealing for large language code models. (2023-03- 06)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2303.03012.\n\n\\[52\\]Colins KM, Wong C, Feng J, et al. Structured, flexible, androbust:benchmarkingandimprovinglargelanguage models towards more human-like behavior in out-ofdistributionreasoningtasks.(202-05-1 )/\\[2023-08-17\\]. htps:/arxiv.org/abs/205.05718.\n\n\\[53\\] Wang J, Hu X, Hou W, et al. On the robustnes of chatgpt: an adversarial and out-of-distribution perspective. (2023-02-2 )/\\[2023-09-17\\]. htps:/arxiv.org/abs/2302. 12095.\n\n\\[54\\]ShiJ,LiuY,ZhouP,etal.Badgpt:exploringsecurity vulnerabilitiesofchatgptviabackdoratackstoinstructgpt. (2023-02-21)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2304. 1298.\n\n\\[5 \\]LiJ,YangY,WuZ,etal.Chatgptasanatacktol: stealthy textual backdor atack via blackbox generative model trigger.(2023-04-27)/\\[2023-08-17\\]. [https://arxiv](https://arxiv/). or/abs/2304.1475.\n\n\\[56\\]LiuY,DengG,LiY,etal.Promptinjectionatackagainst lm-interateda lications. (2023-06-08)/\\[2023-08-17\\]. htps:/arxiv.org/abs/2306.0549 .\n\n\\[57\\]Shu M, Wang J, Zhu C, et al. On the exploitability of instructiontuning.(2023-06-28)/\\[2023-08-17\\].htps:/ arxiv.or/abs/2306.17194.\n\n# KeyTechnologiesandFutureDevelopmentDirectionsofLarge LanguageModels:InsightsFromChatGPT\n\nXueboLiu BaotianHu KehaiChen MinZhang\\* InstituteofComputingandInteligence,HarbinInstituteofTechnology,Shenzhen51805\n\nAbstract Lare re-trainedmodels,alsoknownas“foundationmodels”or“laremodels”,arethecore technicalsuportforgenerativeartificialinteligence models,andhavebecomeakeyfocusinglobal technoloicalcom etition.This aersummarizesthecurentstatusanddevelo mentrendsoflaremodel technologyrepresentedbyChatGPT.Themainchalengesfacedbylargemodelresearchareexploredfrom fiveaspects:thefoundationoflargemodels,alignmentoflargemodelswithhumanpreferences,large modelinferenceandevaluation,multimodalargemodels,andsafetyandcontroloflargemodels.Basedon thecharacteristicsofChina?sAIfield,thepotentialkeydevelopmentdirectionsforthelargemodelfieldin thefuturearealsoanalyzed.\n\nKeywords artificialintelience;larelanuaemodel;ChatGPT;futuredirections\n\n(责任编辑崔国增张强)", "", "```json\n{\"error\":{\"message\":\"您当前请求存在异常，暂时限制本次访问。如有疑问，您可以通过手机摇一摇或登录后私信知乎小管家反馈。790568f12bd94c453cd4d55606d524cd\",\"code\":40362}}\n\n\n```", "#### 您访问的页面不见了！\n\n_1_ 秒后您将\n\n##### [去搜狐首页](https://www.sohu.com/)\n\n账号密码登录\n\n请输入正确的登录账号或密码\n\n- ![](https://www.sohu.com/404.html)\n\n下次自动登录 [找回密码](https://passport.sohu.com/forget_password/input_user)\n\n[注册](https://passport.sohu.com/signup)\n\n- 手机注册\n- 邮箱注册\n\n- [获取验证码](https://www.sohu.com/404.html#)\n\n同意 [《搜狐服务协议》](https://www.sohu.com/404.html#)\n\n[使用已有账号登录](https://www.sohu.com/404.html#)", "# 开启智能新时代2024年中国AI大模型产业发展报告\n\n# 2024年3月\n\n# 前言\n\n伴随人工智能技术的加速演进，AI 大模型已成为全球科技竞争的新高地、未来产业的新赛道、经济发展的新引擎，发展潜力大、应用前景广。近年来，我国高度重视人工智能的发展，将其上升为国家战略，出台一系列扶持政策和规划，为AI 大模型产业发展创造了良好的环境。当前，通用大模型、行业大模型、端侧大模型如雨后春笋般涌现，大模型产业的应用落地将进一步提速。作为新一代人工智能产业的核心驱动力，AI 大模型广泛赋能我国经济社会的多个领域，打开迈向通用人工智能的大门，推动新一轮的科技革命与产业变革。在大模型盛行的时代，产业发展到何种阶段，遇到何种挑战，未来将走向何方，这些都是需要面对的问题，亟需社会各界共同努力。\n\n在此背景下，人民网财经研究院、至顶科技联合发布《开启智能新时代：2024年中国 AI 大模型产业发展报告》，报告对于AI 大模型产业发展背景、产业发展现状、典型案例、挑战及未来趋势等方面进行了系统全面的梳理，为政府部门、行业从业者以及社会公众更好了解AI 大模型产业提供参考。\n\n# 专家寄语\n\n2023 年人工智能大模型全面爆发，给科技创新、生产生活带来重大变革、机遇和挑战。全球大模型竞争日趋激烈，众多国产大模型脱颖而出。大模型与电力、零售、出版等传统行业的成功融合，展现对传统产业改造提升的潜力。大模型赋能金融、医疗等行业提质增效，对推动新质生产力快速发展起到重要作用。大模型持续健康发展，需要政策法规保驾护航，满足隐私保护、数据安全等多方面要求。期待未来大模型持续深耕技术创新并服务于各行各业，为全社会全方位地注入高质量发展的新动能。\n\n# 李君传播内容认知全国重点实验室专职副主任\n\nAI 大模型的出现，使得利用人工智能技术来生成内容，从“可用”跨越到“好用”。生产内容是所有行业共有的需求，如今大模型已经在电商、影视、传媒等领域被规模应用。大模型的商业化需要供需双方同时发力：供给侧来看，以Transformer 为代表的根技术存在显著成本问题，当前大模型还有进一步压缩成本、提高性价比的空间；需求侧来看，企业高效应用 AI 大模型的必然前提是，投入大量资金、人力、时间以提升企业自身数字化程度。未来，人工智能生成内容从“好用”到“高效”，也许会再经历一次或多次技术范式的颠覆。\n\n# 王蕴韬中国信息通信研究院人工智能研究中心副总工程师\n\n2024 年，多重利好因素将推动大模型快速发展，首先是“人工智能+”行动等来自政府层面的有力支持，其次用户提升生活、工作效率的需求激增，再加上科技公司加大对 AI 领域投入资金、人力、技术研发，各环节协同支撑大模型发展。当前大模型产业也面临挑战，包括算力分散不足、Transformer 结构是否为最优的疑问、领域数据稀缺、缺少现象级应用的问题。就产业趋势而言，投入基础模型训练的公司未来可能会大幅减少，转而更多的公司会去寻找应用场景和爆款应用。vivo 结合自研大模型端侧化、矩阵化的技术优势并且会聚焦手机行业的应用经验，利用大模型重构手机各类功能，找到落地场景，普惠更多用户。\n\n# 周围 vivo 副总裁、vivo AI 全球研究院院长\n\n# 目录\n\n# 第一章扬帆起航：中国 AI 大模型产业发展背景.......\n\n1.1 中国AI 大模型产业发展政策驱动力\n\n1.2 AI 大模型产业发展技术驱动力.\n\n1.3 中国AI 大模型产业发展市场驱动力.\n\n# 第二章百舸争流：中国 AI 大模型产业现状及典型案例....... .... 12\n\n2.1 AI 大模型主要特征. 12\n\n2.2 AI 大模型主要类型. 13\n\n2.3 中国AI 通用大模型典型案例. 15\n\n2.4 中国AI 行业大模型典型案例. 20\n\n2.5 中国AI 端云结合大模型典型案例. .27\n\n# 第三章大浪淘沙：中国 AI 大模型产业发展所面临的挑战........ .... 31\n\n3.1 大模型产业遭遇算力瓶颈. 31\n\n3.2 主流大模型架构仍存在诸多局限. 31\n\n3.3 高质量的训练数据集仍需扩展. 32\n\n3.4 大模型爆款应用尚未出现. 32\n\n# 第四章天阔云高：中国 AI 大模型产业趋势展望...... ... 34\n\n4.1 AI 云侧与端侧大模型满足不同需求，C 端用户将成为端侧的主要客群..........34\n\n4.2 AI 大模型趋于通用化与专用化，垂直行业将是大模型的主战场..........34\n\n4.3 AI 大模型将广泛开源，小型开发者可调用大模型能力提升开发效率..35\n\n4.4 AI 高性能芯片不断升级，AI 大模型产业生态体系将不断完善.............36\n\n结语 ...... ... 37\n\nAI 大模型将加快新质生产力发展，助力我国经济社会高质量发展..............37\n\n# 第一章扬帆起航：中国 AI 大模型产业发展背景\n\n# 1.1 中国 AI 大模型产业发展政策驱动力\n\n近年来，我国始终高度重视人工智能发展机遇和顶层设计，发布多项人工智能支持政策，国务院于 2017 年发布《新一代人工智能发展规划》。科技部等六部门也于2022 年印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》对规划进行落实。2024 年《政府工作报告》中提出开展“人工智能+”行动。伴随人工智能领域中大模型技术的快速发展，我国各地方政府出台相关支持政策，加快大模型产业的持续发展。当前，北京、深圳、杭州、成都、福建、安徽、上海、广东等地均发布了关于 AI 大模型的相关政策。具体来看，北京着力推动大模型相关技术创新，构建高效协同的大模型技术产业生态；上海强调打造具备国际竞争力的大模型；深圳重点支持打造基于国内外芯片和算法的开源通用大模型，支持重点企业持续研发和迭代商用通用大模型；安徽从资源方面着手吸引大模型企业入驻；成都着力推动大模型相关技术创新，重点研发和迭代 CV 大模型、NLP 大模型、多模态大模型等领域大模型以及医疗、金融、商务、交通等行业大模型；杭州支持头部企业开展多模态通用大模型关键技术攻关、中小企业深耕垂直领域做精专用模型。\n\n2023 年以来我国各地出台的大模型产业相关政策\n\n| | | | |\n| --- | --- | --- | --- |\n| 发布时间 | 发布机构 | 政策标题 | 政策内容 |\n| 2023年5月 | 北京市 | | 支持创新主体重点突破分布式高效深度学习框架、大模型新《北京市加快建设丨型基础架构等基础平台技术。着力推动大模型相关技术创 |\n| 具有全球影响力的 | 新。构建高效协同的大模型技术产业生态。建设大模型算法 |\n| 人工智能创新策源 | 及工具开源开放平台，构建完整大模型技术创新体系。组建 |\n| | 人民政府 | 地实施方案 | 全栈国产化人工智能创新联合体，搭建基于国产软硬件的人 |\n| | (2023-2025年）》 | 工智能训练和服务基础设施，研发全栈国产化的生成式大模 |\n| | | 型，逐步形成自主可控的人工智能技术体系和产业生态。 |\n\n| | | | |\n| --- | --- | --- | --- |\n| 2023年5月 | 北京市人民政府办公厅 | 《北京市促进通用人工智能创新发展的若干措施》 | 高效推动新增算力基础设施建设：加快推动海淀区、朝阳区建设北京人工智能公共算力中心、北京数字经济算力中心，形成规模化先进算力供给能力，支撑千亿级参数量的大型语言模型、大型视觉模型、多模态大模型、科学计算大模型、大规模精细神经网络模拟仿真模型、脑启发神经网络等研发。开展大模型创新算法及关键技术研究：围绕模型构建、训练、调优对齐、推理部署等环节，积极探索基础模型架构创新，研究大模型高效并行训练技术和认知 |\n| 2023年5月 | 办公厅、深圳 | 人工智能高质量发展高水平应用行动方案（2023—2024 | 重点支持打造基于国内外芯片和算法的开源通用大模型；支持重点企业持续研发和迭代商用通用大模型；鼓励大模型企业联合生态伙伴加强大模型插件及相关软硬件研发，推动大模型与现有的操作系统、软件、智能硬件打通、互嵌。 |\n| 2023年7月 | 杭州市人民政府办公厅 | 《杭州市人民政府办公厅关于加快推进人工智能产业创新发展的实施意见》 | 态，将我市打造成为全国算力成本洼地、模型输出源地、数据共享高地，人工智能创新应用水平全国领先、国际先进。算力设施先进泛在，算力供给普惠高效，全市可开放算力规模在使用半精度输出输入(FP16)下达到 5000千万亿次浮点指令/秒(PFL0PS)以上，高性能算力占比达到 60%以上。模型创新应用领跑全国，培育性能达到国际先进水平的通用大模型1个、具有行业重大影响力的专用模型10个。支持头部企业开展多模态通用大模型关键技术攻关、中小企业深耕垂直领域做精专用模型，鼓励相关技术和算法开源开放，形成 |\n\n| | | |\n| --- | --- | --- |\n| 信息化局、成都市新经济发展委员会 | 型创新应用推进人工智能产业高质量发展的若干措施》 | 认知与推理、可控内容生成等关键算法研发，着力推动大模型相关技术创新，重点研发和迭代CV大模型、NLP大模型、多模态大模型等领域大模型，以及医疗、金融、商务、交通 |\n| 安徽省 2023年10月人民政府 | 建省促进人工智能府办公厅产业发展十条措施的通知》《安徽省人民政府 | 对在皖落户的通用及行业大模型企业、跨领域应用企业、新 |\n| 上海市经济和信息化委员 2023年10月会、上海市发展和改革委员会等五部门 | 策的通知》《上海市推动人工智能大模型创新发展若干措施（2023-2025年）》 | 实施大模型创新扶持计划。支持引进高水平创新企业，支持本市创新主体打造具有国际竞争力的大模型，鼓励形成数据飞轮，加速模型迭代，对取得重大成果的予以专项奖励。实施大模型示范应用推进计划。重点支持在智能制造、生物医药、集成电路、智能化教育教学、科技金融、设计创意、自动驾驶、机器人、数字政府等领域构建示范应用场景，打造 |\n| 广东省 2023年11月人民政府 | 《广东省人民政府关于加快建设通用人工智能产业创新见》 | 标杆性大模型产品和服务。围绕基础架构、训练算法、调优对齐、推理部署等环节，研发千亿级参数的人工智能通用大模型，形成自主可控的大模型完整技术体系。聚焦智能经济、智能社会等行业创新场景，引领地的实施意丨研发具有多模态数据、知识深度融合的垂直领域大模型，支撑多任务复杂场景行业应用。 |\n\n制表：报告组根据公开信息整理\n\n# 1.2 AI 大模型产业发展技术驱动力\n\n近年来，AI 大模型得到快速发展，当前大模型热潮主要由语言大模型相关技术引领。语言大模型通过在海量无标注数据上进行大规模预训练，让模型学习大量知识并进行指令微调，从而获得面向多任务的通用求解能力。2017年，Google提出基于自注意力机制的神经网络结构——Transformer 架构，奠定了大模型预训练算法架构的基础。2018 年，OpenAI 和 Google 分别发布了 GPT-1 与 BERT 大模型，预训练大模型成为自然语言处理领域的主流。2022 年，OpenAI 推出ChatGPT，其拥有强大的自然语言交互与生成能力。2023 年，OpenAI 多模态预训练大模型GPT-4 发布，其具备多模态理解与多类型内容生成能力。2024 年，OpenAI 发布视频生成大模型 Sora，提出时空碎片和扩散 Transformer 技术，大模型的多模态生成能力的进一步成熟。本部分将从经典Transformer 架构出发，通过全面梳理基于人类反馈强化学习、指令微调、提示学习等相关大模型技术，体现技术对于产业发展的带动作用。\n\n# 1.2.1 Transformer 架构\n\nTransformer 架构是目前语言大模型采用的主流架构，于 2017 年由 Google提出，其主要思想是通过自注意力机制获取输入序列的全局信息，并将这些信息通过网络层进行传递，Transformer 架构的优势在于特征提取能力和并行计算效率。\n\nTransformer 架构主要由输入部分、多层编码器、多层解码器以及输出部分组成。其中，输入部分包括源文本嵌入层、位置编码器；编码器部分由N 个编码器层堆叠而成；解码器部分由 N 个解码器层堆叠而成；输出部分包括线性层和Softmax 层。\n\nTransformer 架构图\n\n![](http://download.people.com.cn/jiankang/images/f799c2c973b768bfedc2a086a50bc33c6c0b2ad504584834cbde739c18928f5d.jpg)\n\n制图：报告组根据公开信息整理\n\n自注意力机制作为Transformer 模型的核心组件，其允许模型在处理序列数据时，对每个词位置的输入进行加权求和，得到一个全局的上下文表示。在计算自注意力时，模型首先将输入序列进行线性变换，得到Q（查询）、K（键）和V（值）三个向量。然后，通过计算Q 和K 的点积，并应用Softmax 函数，得到每个位置的权重。最后，将权重与V 向量相乘，得到自注意力的输出。为提高模型的表达能力，Transformer 模型采用了多头自注意力机制，这意味着模型在同一时间关注来自不同表示子空间的注意力信息。多头自注意力的实现方法是将输入序列分成多个组，每个组使用一个独立的权重矩阵进行线性变换，并计算自注意力。最终，自注意力的输出被拼接起来，并通过一个线性层得到最终的输出表示。在计算自注意力和多头自注意力之后，Transformer 模型使用前馈神经网络对输入序列进行变换。前馈神经网络由多个全连接层组成，每个全连接层都使用ReLU激活函数。前馈神经网络的作用是对输入序列进行非线性变换，以捕捉更复杂的特征。\n\n# 1.2.2 AI 语言大模型关键技术\n\nAI 语言大模型关键技术主要涉及基于人类反馈强化学习、指令微调、模型提示等相关技术。\n\n# （1）基于人类反馈强化学习\n\n基于人类反馈强化学习(Reinforcement Learning from Human Feedback,RLHF)，是指将人类标注者引入到大模型的学习过程中，训练与人类偏好对齐的奖励模型，进而有效指导语言大模型的训练，使得模型能够更好地遵循用户意图，生成符合用户偏好的内容。\n\n基于人类反馈强化学习具体包括以下几个步骤：\n\n1）训练监督策略模型：使用监督学习或无监督学习的方法，对一个预训练的语言模型进行训练，通过给予特定奖励或惩罚引导 AI 模型的行为，使其能够根据给定的输入预测输出或行为。\n\n2）训练奖励模型：让标记员参与提供有关模型输出结果的反馈，对模型生成的多个输出或行为的质量或正确性进行排名或评分，这些反馈被转换为奖励信号，用于后续的强化学习过程。\n\n3）采用近端策略优化进行强化学习：先通过监督学习策略生成近端策略优化（PPO）模型，经过奖励机制反馈最优结果后，再将结果用于优化和迭代 PPO模型参数。具体而言，在PPO 模型训练过程中，智能系统通过尝试不同的行为，并根据每个行为获得的奖励来评估其质量，智能系统逐步改进行为策略。\n\n# 基于人类反馈强化学习示意图\n\n![](http://download.people.com.cn/jiankang/images/bf885c98df76a0b1bb3396b3a5f20b77cfef1c7517a3a42d3369cef4aa64f556.jpg)\n\n第一步：训练监督策略模型\n\n![](http://download.people.com.cn/jiankang/images/16d7b88a8cd9b4e450581e3c69584733e88eaacb30c697f32adf23104b13e694.jpg)\n\n制图：报告组根据公开信息整理\n\n# （2）指令微调\n\n指令微调 (Instruction Tuning)，是一种帮助语言大模型实现人类语言指令遵循的能力，在零样本设置中泛化到未知任务上的学习方法。指令微调是让语言大模型理解人类指令并按照指令要求完成任务，即在给定指令提示的情况下给出特定的回应。指令微调可被视为有监督微调（Supervised Fine-Tuning，SFT）的一种特殊形式，但两者目标有所差别。SFT 是一种使用标记数据对预训练模型进行微调的过程，以便模型能够更好地执行特定任务，而指令微调是一种通过在（指令，输出）对的数据集上进一步训练大型语言模型（LLMs）的过程，以增强LLMs 的能力和可控性。指令微调的特殊之处在于其数据集的结构，即由人类指令和期望的输出组成的配对，这种结构使得指令微调专注于让模型理解和遵循人类指令。\n\n# （3）模型提示\n\n通过大规模文本数据预训练之后的语言大模型具备作为通用任务求解器的潜在能力，这些能力在执行特定任务时可能不会显式地展示出来，在大模型输入中设计合适的语言指令提示有助于激发这些能力，称为模型提示技术。典型的模型提示技术包括指令提示和思维链提示。\n\n指令提示（Instruction Prompt）。OpenAI 在 GPT-3 中首次提出上下文提示，并发现GPT-3 在特定领域少样本提示下能够达到人类水平，证明在低资源场景下非常有效。指令提示的核心思想是避免强制语言大模型适应下游任务，而通过提供“提示（Prompt）”来给数据嵌入额外的上下文以重新组织下游任务，使之看起来更像是在语言大模型预训练过程中解决的问题。\n\n思维链提示（Chain of Thought, CoT）。推理的过程通常涉及多个推论步骤，通过多步推理允许产生可验证的输出，可以提高黑盒模型的可解释性。思维链是一种提示技术，已被广泛用于激发语言大模型的多步推理能力，被鼓励语言大模型生成解决问题的中间推理链，类似于人类使用深思熟虑的过程来执行复杂的任务。在思维链提示中，中间自然语言推理步骤的例子取代少样本提示中的〈输入，输出〉对，形成〈输入，思维链，输出〉三元组结构。思维链被认为是语言大模型的“涌现能力”，通常只有模型参数规模增大到一定程度后才采用思维链能力。激活语言大模型的思维链能力方法，在提示中给出逐步的推理演示作为推理的条件，每个演示都包含一个问题和一个通向最终答案的推理链。\n\n# 1.3 中国 AI 大模型产业发展市场驱动力\n\n中国 AI 大模型产业发展源于多领域的广泛需求，例如来自办公、制造、金融、医疗、政务等场景中降本增效、生产自动化、降低风险、提高诊断准确率、提高政务服务效率等诉求。相关领域的创新和发展共同推动着中国 AI 大模型产业的蓬勃发展，预示着未来更广阔的市场前景。\n\n# 1.3.1 办公场景\n\n近年来，随着文字、语音、图像等处理能力跃迁，大模型摇身变为“助理”走入办公室和会议室，结合传统软件使得办公和会议智能化。\n\n基于大模型的智能办公产品满足日常办公场景中文案生成、PPT 美化、数据分析等各种需求。仅通过自然语言交互，用户便可将繁琐的文字、演示、数据处理工作交给“助理”，用节约的时间做更有创意的事情。智能文档负责协助用户构建文章大纲、一键生成模板、生成内容、优化表达、处理和理解文档；智能演示承担自动排版美化、生成演讲备注、一键生成幻灯片等任务；智能表格通过对话即可生成公式、数据批量处理、自动生成表格。\n\n智能会议方面，大模型可从会议策划、同声传译、会议记录等各环节赋能。会议策划场景大模型根据会议主题等提示词，自动生成会议环节、会议分论坛、会议时间、会议预算等完整策划内容；在大模型能力加持下，同声传译的准确性、及时性和多语言能力得到显著提升；通过大模型处理后，结构清晰、要点明确的会议记录结果使得会后回顾更加高效。\n\n# 1.3.2 制造场景\n\n人工智能崛起引领制造行业的深刻变革，改变研发设计、生产制造、供应链管理等流程。大模型+EDA/CAE/CAD，将传统研发设计软件效率进一步提升。大模型助力数字孪生和机器人，获得强大的感知场景和执行任务能力。大模型融合供应链管理，实现工厂管理的智能化转型。\n\n在研发设计阶段，以大模型+EDA 为例，利用云端扩展性实现设计自动化，并确保设计在电气方面准确无误，同时简化系统设计流程，缩短PCB 设计周转时间。企业借此缩短研发周期、降低研发成本、提升行业竞争力；生产制造中，利用AIGC 和数字孪生技术，可模拟真实生产环境派出虚拟人代替工人进行危险、故障排查，或是通过仿真设备操作场景，完成沉浸式作业教学。拥有大模型功能的机器人凭借机器视觉技术，可执行路径规划、物体识别等任务；大模型集成于供应链管理系统中，能重构数字化办公流程，通过自然语言指令实现人机交互，推动企业进行更高效的管理决策、更便捷的数据分析与可视化，在需求端及时预测需求达到降本增效的目的，在仓库和物流端实现智能调度、智能跟踪和智能预警。\n\n# 1.3.3 金融场景\n\n金融行业存在前、中和后台的业务划分，在数字经济时代的浪潮中，相关业务已被大模型全局赋能提升效率。以银行为例，对话机器人、虚拟助理已经逐渐出现在个性化服务、电子营销、金融欺诈检测、信贷支持等服务场景中。\n\n个性化服务方面，银行大模型以客户数据为依据，为客户提供定制的财务和产品计划；电子营销方面，大模型根据客户行为偏好生成个性化电子邮件；金融欺诈检测方面，大模型赋能专业人员检索大量数据识别欺诈行为；信贷支持方面，大模型通过分析海量生产生活和信用数据，为信贷部门人员生成高质量的信贷方案建议，减少银行贷款收益损失。\n\n# 1.3.4 医疗场景\n\n得益于近年来医疗大模型的不断迭代，复杂的医疗数据分析任务得以解决。由于患者行为数据的独特性，大模型通过个性化设计，满足患者“千人千面”的医疗服务需求，应用于智慧影像、智慧手术、智慧健康等领域。\n\n智慧影像覆盖CT、MR、DR、US、DSA、钼靶等医疗影像场景，为患者进行早期检测、诊断及健康风险评估；智慧手术功能大幅提高患者病情评价准确度，打牢术前风险评估、术中手术规划、术后预后估计的基础；智慧健康则作为一般患\n\n者的贴身健康助手，通过小程序等便捷方式为患者提供高质量导诊服务和个性化健康建议。\n\n# 1.3.5 政务场景\n\n在办公、制造、金融、医疗场景得到助力的同时，政务场景下的效率、信息参考范围、经验共享、规范性等常见痛点也获得大模型能力加持得以解决。\n\n为提升效率，大模型利用自动化的政策检索、政策比对解决海量政策参考、人工分析比对的耗时问题；为缩小信息参考范围，政策撰写助手结合政策数据权威白名单，并接入政策全量库，避免不可靠信息来源引发舆论风险；为提高政策管理经验共享，大模型引入政策经验知识库，提升政务业务理解和政策管理能力；为规范政策撰写，政务大模型凭借规范化生成、检查功能维护成果的规范性、权威性。\n\n# 第二章百舸争流：中国 AI 大模型产业现状及典型案例\n\n# 2.1 AI 大模型主要特征\n\nAI 大模型具有泛化性(知识迁移到新领域)、通用性(不局限于特定领域)以及涌现性(产生预料之外的新能力)特征。以 ChatGPT 为代表的AI 大模型因其具有巨量参数和深度网络结构,能学习并理解更多的特征和模式,从而在处理复杂任务时展现强大的自然语言理解、意图识别、推理、内容生成等能力,同时具有通用问题求解能力,被视作通往通用人工智能的重要路径。\n\n![](http://download.people.com.cn/jiankang/images/357e4ec5abf4dc506be98d9d5bbefa9f898000162f5c9dab3352ec3fad557579.jpg)\n\nAI 大模型的三大特征：泛化性、通用性、涌现性\n\n制图：报告组绘制\n\n# 2.2 AI 大模型主要类型\n\n按照部署方式划分，AI 大模型主要分为云侧大模型和端侧大模型两类。云侧大模型由于部署在云端，其拥有更大的参数规模、更多的算力资源以及海量的数据存储需求等特点；端侧大模型通常部署在手机、PC 等终端上，具有参数规模小、本地化运行、隐私保护强等特点。\n\n具体而言，云侧大模型分为通用大模型和行业大模型；端侧大模型主要有手机大模型、PC 大模型。从云侧大模型来看，通用大模型具有适用性广泛的特征，其训练数据涵盖多个领域，能够处理各种类型的任务，普适性较强。行业大模型具有专业性强的特点，针对特定行业（如金融、医疗、政务等）的需求进行模型训练，因而对特定领域具有更深的业务理解和场景应用能力。从端侧大模型来看，手机和 PC 大模型由于直接部署在设备终端，让用户体验到更加个性化和便捷的智能体验。\n\n![](http://download.people.com.cn/jiankang/images/27155626056c665235097233936eea55847c095d7bb9245add5f9a2d9058cc24.jpg)\n\nAI 大模型主要分为云侧大模型和端侧大模型两类\n\n制图：报告组根据公开信息整理\n\n当前，我国AI 大模型产业呈现蓬勃发展的态势。伴随多家科技厂商推出的AI 大模型落地商用，各类通用、行业以及端侧大模型已在多个领域取得了显著的成果，如在金融、医疗、政务等领域，AI 大模型已成为提升服务质量和效率的重要手段。我国具有代表性的通用 AI 大模型主要包含科大讯飞的讯飞星火认知大模型、百度公司的文心一言大模型、阿里巴巴的通义千问大模型等；行业AI 大模型主要涵盖蜜度的文修大模型、容联云的赤兔大模型、用友的YonGPT 大模型；同时具有云侧和端侧大模型的端云结合AI 大模型主要有vivo 的蓝心大模型；端侧AI 大模型主要以蔚来的NOMI GPT 大模型为代表。\n\n中国AI 大模型分类及典型案例\n\n| | | |\n| --- | --- | --- |\n| 类别 | AI大模型功能 | AI大模型案例 |\n| AI通用大模型 | 文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力、多模态能力等 1.金融：文档处理、知识问答、内 | 科大讯飞一讯飞星火认知大模型百度公司一文心一言大模型阿里巴巴一通义千问大模型蜜度—文修大模型 |\n| AI 行业大模型 | 容生成、辅助决策 2.医疗：医学影像生成、知识问答、辅助决策 3.政务：政策检索、知识问答、辅助决策 4.电商：经营分析、商品推广、商品销售 | 容联云一赤兔大模型用友—YonGPT大模型人民网—“写易”智能创作引擎 |\n| | 5.传媒：录音转写、新闻写作、视频剪辑 | |\n| AI端侧大模型 AI端云结合大模型 | 物体识别、语言理解语义搜索、知识问答、文本创作、图片生成、智慧交互等 | 蔚来—NOMI GPT vivo—蓝心大模型 |\n\n制图：报告组根据公开信息整理\n\n# 2.3 中国 AI 通用大模型典型案例\n\n# 案例一：科大讯飞—讯飞星火认知大模型\n\n# （1）大模型简介：\n\n讯飞星火认知大模型是科大讯飞推出的新一代认知大模型，可实现基于自然对话方式的用户需求理解与任务执行。讯飞星火从赋能万物互联时代的人机交互、赋能知识学习与内容创作、提升数智化生产力三个方面展现其应用能力。讯飞星火认知大模型具备七大核心能力：文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力和多模态能力。\n\n# （2）大模型优势：\n\n2024 年1 月，讯飞星火认知大模型V3.5 发布，七大核心能力全面提升。据科大讯飞宣称，数学、语言理解超GPT-4 Turbo，在代码能力方面已经达到GPT-4\n\nTurbo 的 $9 6 %$ 。另外，星火大模型在多模态理解方面达到GPT-4V 的 $91 %$ ，其中语音的多模态能力已经超过GPT-4。\n\n# 讯飞星火认知大模型V3.5 七大能力\n\n# $\\\\alpha$ 大\n\n# 迅飞星火\n\n![](http://download.people.com.cn/jiankang/images/5ec7f198d1e53fc4b1a13c2ff3c5c6702821914624c693039fee87638207d67d.jpg)\n\n星火认知大模型V3.5七大能力全面提升\n\n图片来源：讯飞星火认知大模型V3.5 升级发布会\n\n讯飞星火认知大模型V3.5 从三个角度展示了模型能力的提升，赋能万物互联时代人机交互、赋能知识学习与内容创作、提升数智化生产力。人机交互方面，讯飞星火 V3.5 在语义理解、指令跟随和多轮对话中展现优异能力，在情绪感知和拟人合成方面也有出色表现；知识学习与内容创作方面，要素抽取、问题生成等底层能力的进步，能够帮助知识学习和内容创作领域，产生更丰富更有用的智能体。讯飞星火大模型能够结合外部知识进行合理拓展，做到“旁征博引”；数智化生产力方面，逻辑推理能力和时空推理能力并重，数学则是大模型的基础能力，而代码能力用于生成各种工具链接虚拟和现实世界，最后多模态能力也是机器人、工业、家庭等场景中必备的能力。讯飞星火 V3.5 在这些关键技术领域取得显著进步。\n\n# （3）大模型应用：\n\n讯飞星火七大能力的提升，实现了各类应用场景性能升级。语言理解方面，情感分析可以提取文本情感色彩更好了解内容观点和态度。文本摘要总结简洁准确的摘要，快速理解文章的核心观点；文本生成方面，科大讯飞推出可以一键快速自动生成文档和PPT 的办公产品——讯飞智文，主要功能有文档一键生成、AI撰写助手、多语种文档生成、AI 自动配图、多种模板选择、演讲备注等；知识问答方面，讯飞星火对生活常识问答、医学知识问答、政策问答等任务“信手拈来”；逻辑推理方面，思维推理可以通过分析问题的前提条件和假设来推理出答案或解决方案，给出新的想法和见解。科学推理则使用已有的数据和信息进行推断、预测和验证等科学研究中的基本任务；数学能力方面，讯飞星火可以解决方程求解、立体几何、微积分、概率统计等数学问题；代码能力方面，讯飞星火能根据注释、函数名智能生成代码，支持逐行代码注释，还可以精准定位代码语法、逻辑错误，甚至可以智能生成单元测试数据；多模态能力方面，讯飞星火可根据用户上传图片返回准确的图片描述，或完成针对图片素材的问答，还可以凭借用户描述，生成期望的音频和视频。\n\n# 案例二：百度公司—文心一言大模型\n\n# （1）大模型简介：\n\n文心一言是百度研发的人工智能大语言模型产品，具备跨模态、跨语言的深度语义理解与生成能力，在文学创作、文案创作、搜索问答、多模态生成、数理逻辑推算等众多领域都能为用户提供高质量服务。文心一言拥有四大基础能力：理解能力、生成能力、逻辑能力、记忆能力。\n\n# （2）大模型优势：\n\n2023 年 10 月发布的“文心大模型 4.0”，相比上一代文心大模型，四大能力显著升级，其中逻辑提升幅度是理解的3 倍，记忆提升幅度是理解的2 倍。理解能力方面，文心一言能听懂潜台词、复杂句式、专业术语、前后乱序、模糊意图等复杂提示词，也能胜任代码理解与调试任务；生成能力方面，文心一言能快速生成风格多样的文本、代码、图片、图表、视频，比如进行文案创作、制定生活计划、编写高质量代码；逻辑能力方面，文心一言能帮用户解决复杂的逻辑难题、困难的数学计算、重要的职业/生活决策、代码纠错、常识推理、逻辑校验、立体几何、辩论灵感等；记忆能力方面，经过多轮对话后，文心一言依然能记住对话的重点，轻松胜任复杂问题、沉浸体验角色对话。\n\n文心大模型 4.0 的能力提升源自相关举措：（1）在万卡算力上基于飞桨平台，通过集群基础设施和调度系统、飞桨框架的软硬协同优化，支持了大模型的稳定高效训练。（2）通过建设多维数据体系，形成了从数据挖掘、分析、合成、标注到评估闭环，充分提高数据的利用效率，大幅提升模型效果。（3）基于有监督精调、偏好学习、强化学习等技术进行多阶段对齐，保证了模型能够更好地与人类的判断和选择对齐。（4）利用可再生训练技术通过增量式的参数调优，有效节省了训练资源和时间，加快了模型迭代速度。\n\n![](http://download.people.com.cn/jiankang/images/566f2ff60e6aa2cbb991766945fe876d5794d1805abb170fd00d52024a0cbf3f.jpg)\n\n文心大模型4.0 典型特征\n\n图片来源：百度世界大会\n\n# （3）大模型应用：\n\n文心大模型在文学创作、文案创作、搜索问答、多模态生成、数理逻辑推算等方面已有应用面向用户开放。文学创作方面，文心一言可以清晰地表达观点、传递情感，因此可以应用于小说、散文、诗歌等文学作品的创作中；文案创作方面，在商业领域，文心一言可以撰写商业计划、市场分析报告等商业文案，提供有力的文字支持。文心一言可以激发创意思维，为广告行业提供新的灵感和想法，可以帮助广告人员快速构思出吸引人的广告文案和宣传语；搜索问答方面，基于文心一言的聊天机器人可以与用户进行自然语言交互，理解用户的意图和需求，并提供相应的回答和建议。这种应用可以广泛应用于生活服务、教育辅导、客服等领域；多模态生成方面，文心大模型支持图像生成和处理，可以根据用户需求生成图像或者对已有图像进行处理编辑。文心大模型还支持语音合成、语音识别和音频分类。文心大模型还能对视频数据进行处理，或将文本转化为动态图像序列完成视频分类、目标检测等任务；数理逻辑推算方面，文心大模型可以解决复杂的数学问题，也可以成为代码编写助手，比如百度基于文心大模型研制了智能代码助手 Comate，提供智能推荐、智能生成、智能问答等多种功能，支持多种编程语言和 IDE。\n\n# 案例三：阿里巴巴—通义千问大模型\n\n# （1）大模型简介：\n\n通义千问是阿里云研发的预训练语言模型，基于先进的自然语言处理技术（NLP）, 执行理解、生成和解释人类语言、图片和文档等任务。通义千问能在创意文案、办公助理、学习助手、趣味生活等方面为使用者提供丰富的交互体验。通义千问具备中英文理解、数学推理、代码理解等能力。\n\n# （2）大模型优势：\n\n2023 年 10 月，千亿级参数大模型通义千问 2.0 发布,相比 1.0 版本，其在复杂指令理解、文学创作、通用数学、知识记忆、幻觉抵御等能力上均有显著提升。中英文理解能力是大语言模型理解和表达的基础能力，英语任务中，通义千问2.0 的MMLU（伯克利大学、哥伦比亚大学等联合发布）基准得分是 82.5。中文任务中，通义千问 2.0 在模型训练中学习了更多中文语料，在 C-EVAL（上海交大和清华联合研发的中文大语言模型测试集）基准上获得最高分；数学推理方面，在推理基准测试GSM8K（OpenAI 发布的小学数学测试集）中，通义千问排名第二，展示了强大的计算和逻辑推理能力；代码理解方面，HumanEval（OpenAI发布）测试衡量大模型理解和执行代码片段的能力，通义千问排名第三，这一能力是大模型在编程辅助、自动代码修复等场景的基础。 (注：得分排名信息均为各榜单 2023 年 10 月数据)\n\n![](http://download.people.com.cn/jiankang/images/ec7343538d7e2ef36c79f8626d1003191bbd9ce9ad7b0eb0617baf4b9e882a94.jpg)\n\n通义千问2.0 参数及指标评测\n\n图片来源：阿里云公众号\n\n# （3）大模型应用：\n\n通义千问目前主要应用于四个方向：创意文案、办公助理、学习助手、趣味生活。创意文案应用包括：“撰写营销文案”，输入产品介绍获得量身定制的金牌营销文案。“文章润色”能对用户提交的文章进行深度分析，挖掘其中表达不足之处，提供词汇句式变化建议。“直播带货剧本生成”，基于丰富的商品信息和用户需求，为电商主播提供生动有趣且具有营销力的脚本内容；办公助理应用于：“SWOT 分析”为用户提供全面、深入且精准的战略决策支持，从多元视角理解并评估内外部环境对特定项目的影响。“PPT 框架生成”，智能地为用户构建专业且逻辑清晰的PPT 结构；学习助手应用包含了：“题目加工厂”，根据提供的专业以及学科领域进行高质量试题生成，大大节省了教师、家长以及教育机构在出题上的时间和精力。“学习计划站”可为用户提供个性化、系统化的学习路径规划，定制高效且科学的学习日程安排；趣味生活应用有：“会放飞的菜谱”，输入菜名逐步指导提供美食烹饪秘诀。“AI 健身教练”为用户制定专属健身计划。“写歌词”，根据用户提示的歌名写出生动歌词。\n\n# 2.4 中国 AI 行业大模型典型案例\n\n# 案例四：容联云—赤兔大模型\n\n# （1）大模型简介：\n\n赤兔大模型是容联云开发的面向企业应用的垂直行业多层次大语言模型，赋能企业搭建专属智能客服和数智化营销，完成从“降本增效”到“价值创造”的进化。丰富的智能应用为赤兔大模型能力保驾护航，包含会话洞察、业务话术、问答知识库、知识运用、数据分析、智能对话框架、流程管理。\n\n# （2）大模型优势：\n\n赤兔大模型三个核心点分别是智能性、可控性和投产比。智能性方面是客户最关心的，首先能力是否足够丰富，能否解决以前不能解决的问题以及相关能力到底能做多好。智能性方面，包括检索增强、会话分析、逻辑推理、数据分析。检索增强是指在海量文档中快速定位到信息，经过整理给客户提供答案。会话分析能让模型在对话中发现多维度信息，包括情绪、立场、各种细节的意见，并且根据不同业务快速切换业务场景。逻辑推理体现在推荐话术的原因，投诉、预警的原因这种因果分析能力。数据分析体现在对数据更细致且自动化的分析，减少技术人员和业务人员的数据层面上的操作；可控性方面，赤兔大模型在道德、伦理、安全、风格、偏好上对齐，对话或话术生成时满足基本安全需求。另外让模型知道应该处理的知识范畴、知识边界，从而避免自由对话潜在的安全风险和资源消耗；投产比方面，大模型强大能力来源于大规模，而大规模需要大投入，合理的投产比是客户采取方案的底层逻辑。所以明确是否所有场景都需要大模型，AI 底座上，没有摒弃小模型，大小模型相配合完成对上层能力的输出。机制上合理调动分配，比如有的环节大模型靠后完成线下或离线的工作，有的环节大模型调动指挥小模型完成。\n\n# （3）大模型应用：\n\n基于赤兔大模型，容联云发布了生成式应用“容犀Copilot”。容犀 Copilot具备三大核心能力：大模型话术、智能知识库、会话洞察。大模型话术：容犀Copilot 后台一键快速对海量历史会话数据进行核对筛选，挑选出更佳话术并生成金牌话术，兼顾质与量的同时，挖掘出客户高频关注的问题，从问题中洞悉业务痛点；智能知识库：可以帮助企业从零开始、低成本地快速构建话术库，包括理解文档知识、知识快搜、智能问答等，大幅提升构建效率；会话洞察：高效便捷洞察每一通会话沟通情况，分析客户诉求，精准诊断问题并优化。回归实际业务本身，容犀Copilot 深入金融行业细分场景，打造场景化客服助手，譬如分期挽留助手、荐卡挽留助手、投诉安抚助手等，实时辅助快速洞察客户需求，推荐更佳应答话术，诊断客户情绪变化，提醒措辞及注意事项。\n\n# 容犀 Copilot 产品应用场景\n\n![](http://download.people.com.cn/jiankang/images/92fe8fe04d83b5c4eba006f73f00749cacb681ac656f12f722dcca469bc02a63.jpg)\n\n容犀 Copilot产品应用场景\n\n图片来源：容联云公众号\n\n# 案例五：蜜度—文修大模型\n\n# （1）大模型简介：\n\n文修大模型是蜜度推出的一款聚焦于智能校对领域的大语言模型，基于蜜度在校对领域的知识和经验积累，为政务单位、新闻媒体、企业单位、学校机构、出版机构等专业用户提供更贴合使用场景的校对服务。文修大模型具备校对能力\n\n强、速度快、匹配度高三大特点，更好地解决垂直行业的问题。\n\n# （2）大模型优势：\n\n数字化时代，内容创作与传播速度惊人，信息准确无误地传达给公众尤为重要，蜜度文修大模型通过优秀的校对能力、高效的处理速度和高度的匹配度应对变局。校对能力方面，文修大模型以拼写错误、语义错误、语法错误为基础，以内容差错、常识校对差错、内容风险识别三大类校对类型，27 类细分类型为校对标准，有效满足出版行业、新闻行业的“三审三校”的校对规范和实际业务需求，提供诸如广告法检测、常识校对等更为全面的校对服务；校对速度方面，文修大模型几秒钟就能校对完一篇千字文章，几分钟即可校对一本 10 万字书稿。其快速校对的背后是实实在在的“学习能力”，文修大模型能迅速将人们短时间内难以学习消化的内容，转变成自身的校对能力，完成快速输出；匹配度方面，蜜度服务政府部门、媒体单位十余年，数十款智能应用产品及解决方案，覆盖政务部门、出版单位多个办公环节及场景，拥有成熟的流程服务，在洞察用户需求和使用场景方面拥有深厚的经验。\n\n# （3）大模型应用：\n\n文修大模型满足政务单位、新闻媒体、企业单位、学校机构、出版机构的多行业场景应用需求。政务单位领域，赋能各级政务部门校对流程智能化，提供文字材料的内容错敏校对、修改提示和文本润色等服务，全力保障内容的准确性及严谨性，支持内网环境下校对，满足更高保密需求；新闻媒体领域，文修大模型深入新闻媒体工作的各个环节，对多模态内容进行多类错敏校对，帮助快速定位错误并高亮显示，让内容更加规范严谨，有效维护官方账号的公信力；同时提供文本润色服务，提高出稿速度，保障新闻时效性；企业单位领域，全流程切入企业办公场景，从内容纠错、提升文本质量等多方位出发，优化宣发内容，提高文案吸引力，助力营销效果显著提升；学校机构领域，针对学校机构的宣传材料、新媒体稿件、科研报告、学术论文等内容进行全面校审，有效降低文字错误率，保障学术严谨性。通过AI 润色功能助力文章、报告、材料的起草、优化工作，有助于进一步提升学校传播力、影响力；出版机构领域，提供专业、便捷、高效的内容筛查及文字质量把关服务，协助各出版机构高效处理多语言文本，降低内容差错概率，保障内容的规范性、准确性。\n\n# 案例六：用友—YonGPT 大模型\n\n# （1）大模型简介：\n\nYonGPT 是用友基于数字和智能技术服务企业和公共组织数智化的企业服务大模型。YonGPT 在企业服务领域的应用主要集中在 4 个方向：智能化的业务运营、自然化的人机交互、智慧化的知识生成、语义化的应用生成。\n\n# YonGPT 企业服务大模型整体架构图\n\n![](http://download.people.com.cn/jiankang/images/e9668b21bf5726787602531b90e89053bbc3ec55dc83e077fa4acede0ae6aff7.jpg)\n\n图片来源：用友官网\n\n# （2）大模型优势：\n\n用友人工智能研发团队基于大规模的商业应用数据，结合企业应用场景和领域经验，标记了大量的企业服务语料数据，形成丰富的企业服务大模型训练素材，并将业务知识与领域经验融入企业服务大模型，确保了 YonGPT 的专业性、实用性及领先性。同时YonGPT 通过上下文记忆、知识库表索引、Prompt 工程、Agent执行、通用工具集等扩充大模型的存储记忆、适配应用和调度执行能力，形成体系化的企业服务大模型。YonGPT 还优化了企业服务大模型的训练效率和成本，集成了丰富的开发工具和优化算法，通过自有的数据管理、大模型精调、大模型评估优化、大模型推理和插件服务等功能，为大模型的构建和服务提供稳定且有效的支撑。\n\n# （3）大模型应用：\n\n用友企业服务大模型YonGPT 围绕四个方向推进模型训练和产品效果优化，提供深入到客户业务前端的全价值链、全场景的泛在智能和群体智能应用。在智能化业务运营方面：YonGPT 通过强大的数据分析和预测能力，深入洞察企业运营、识别潜在的业务风险和机会，并提供智能化的解决方案，从而提高经营决策水平和业务运营效率；在自然化人机交互方面：YonGPT 通过强大的自然语言处理技术和理解能力，使能企业应用和服务与用户进行自然而流畅的对话交流，以“人”为本的方式实现不同应用的调用、连接、组装，更自然、高效地完成工作；在智慧化知识生成方面：YonGPT 通过从海量数据和信息中提取、整合知识，生成新的、有价值的知识内容，涵盖了行业解决方案、专业领域知识分享，助力企业和用户全面利用自身知识的储备和积累，促进知识的传播和应用；在语义化应用生成方面：YonGPT 通过对用户需求、企业业务和数据特征的理解，可以自动生成具有语义化能力的应用程序，全方位提升企业个性化应用服务的创建效率。\n\n此外YonGPT 在智能化场景服务中实现四个服务：企业收入/利税经营智能分析，可以实时掌控经营状况、快速洞察问题所在、精准预测企业效益、有效预见应对变化；智能生单，融合了丰富的供应链经验，通过“交互革新式”订单生成助手，实现快速智能生单，提高企业效能；智能招聘，帮助企业快速精准识别定位目标人才，从海量简历池中发现人才，通过AI 互动优化应聘体验，实现选人、用人的精准决策；智能大搜，提供“沉浸式”搜索新体验，加速企业知识的价值化服务，并洞察用户需求、实现搜推一体，让知识赋能业务和组织。\n\n# 案例七： “写易” 智能创作引擎\n\n# （1）大模型简介：\n\n“写易”智能创作引擎是人民网推出的垂类写作大模型，依托自主研发的主流价值观大模型针对写作场景训练而成。“写易”智能创作引擎适合党政党媒、央企国企、学校医院等有日常阅读需求和写作需求的群体，提供专业权威、系统整体、持续更新的数智服务，从而更好地启发创作者的写作灵感。\n\n# “写易”智能创作引擎产品架构\n\n![](http://download.people.com.cn/jiankang/images/5e32c718895c1dfacb6b98cf9dc14ee4cf0e4f4c97e49ad2674d455fcded2fe5.jpg)\n\n图片来源：人民网\n\n# （2）大模型优势：\n\n“写易”智能创作引擎深入挖掘用户需求，构建了“随查”“随写”“随审”的交互体验, 具有创作高效、安全准确、内容丰富的特点。其主要功能有：高效的智能创作引擎：“写易”智能创作引擎依托于超过25 万条的权威主流语料库，创新性地实现了基于检索增强的辅助生成能力。可通过标题自动生成优质核心内容，同时结合标题与观点等上下文信息，为用户生成相关性更强、准确性更高的文章素材，从而显著提升写作效率；专业的涉政内容审校：1.原文引用检测：检测文本是否引用了重要讲话、重要政策文件，分析引用的规范性，同时给出原文的出处等溯源信息。2.规范表述审校：对领导人重要讲话、党和国家重大政策重要文件等文本进行规范性检测。3.人物信息审校：对文本中出现的人物姓名及职务信息等进行勘误检测。4.关键信息审核：检测文本中有标志性、代表性的重大事件、重要人物、重要敏感信息等内容。5.基础纠错：对文本中的错别字检测、标点符号错误检测，包括中文、英文拼写、成对标点、特殊数字与符号等错误；内容丰富的写作素材知识库：依托人民网和人民日报，配备强大的资料库，系统化整理信息，按照时间、内容、形式、图文音频等多维度进行分类汇总。及时同步《人民日报》每日的精选文章，实时提炼更新当日最优标题、最美佳句、最优词语等内容，为用户提供新鲜的写作素材。\n\n# （3）大模型应用：\n\n“写易”智能创作引擎，服务于以国资央企、党政机关、事业单位、党媒党网、地方融媒体、教育系统、医疗系统等为重点的全行业客户，满足客户在不同场景中的定制化高效写作需求。“写易”智能创作引擎可结合客户数据库进行定制，具体而言，人民网以行业客户数据库语料为核心，《人民日报》内容为辅助，为客户定制化训练“写易”智能创作语言大模型，帮助提高写作能力、积累写作素材、规范写作格式。在写作过程中还可以为标题撰写、修辞使用、引用诗文和网言网语等提供丰富素材，帮助创作者启发灵感、提供思路，从而自动、高效地生成符合客户写作场景的高质量文章素材，为客户提供全维、全时、全域的智能化服务，助力工作总效率大幅提升。\n\n# 2.5 中国 AI 端云结合大模型典型案例\n\n# 案例八：vivo—蓝心大模型\n\n# （1）大模型简介：\n\n蓝心大模型是行业首个在手机端运行的开源自研大模型，也是更适合中文用户的中文开源大模型，其包含十亿、百亿、千亿三个参数量级，共5 款自研大模型（10 亿、70 亿、700 亿、1300 亿和1750 亿）。随着参数提升，蓝心大模型逐渐具备文本总结、语言理解、文本创作、知识问答、角色扮演、复杂逻辑推理、复杂任务编排等能力。基于蓝心大模型能力，vivo 开发出蓝心小 V 和蓝心千询两款手机端产品。\n\n# vivo 蓝心大模型矩阵\n\n![](http://download.people.com.cn/jiankang/images/4d355f9d51cadcfb53b010b7c323beeef3738b292f7b3a3bcd604160d408e634.jpg)\n\n图片来源：vivo 官网（注：榜单信息为23 年11 月数据）\n\n# （2）大模型优势：\n\n# 1）矩阵化优势\n\nvivo 大模型矩阵具有不同参数量级、多种部署方式，可应用于不同使用场景，在满足用户手机体验的同时，优化大模型推理性能以及端侧部署时占用的手机内存、功耗。10 亿参数的蓝心大模型（1B），是面向端侧场景打造的专业文本大模型，具备本地化的文本总结、图片风格化能力，适用于需要快速本地化摘要、生图的场景；70 亿参数的蓝心大模型（7B），是面向手机打造的端云两用模型，有良好的上下文关联能力和任务拆解能力，在语言理解、文本创作等场景下表现优秀。蓝心大模型7B 也是手机行业首家开源的大模型，实现AI 普惠；700亿参数的蓝心大模型（70B），是vivo 面向云端服务的主力模型，在角色扮演、知识问答等场景下表现优异，既有智能涌现，也能兼顾成本和性能。面向复杂任务，vivo 也推出了两款千亿参数模型，1300 亿和 1750 亿大模型，凭借更丰富的知识量提供更加专业的智能体验。\n\n# 2）端侧优势\n\n蓝心大模型1B 和蓝心大模型 7B 可在手机端运行，展现了出词快、内存低、全天候、真安全的强大端侧运行优势。出词快：vivo 对手机端上的1B 模型优化，测试出字速度极限可达60 字每秒，远超人眼约 10-20 字每秒的阅读需求；内存低：vivo 优化模型在手机端的内存占用问题, 蓝心大模型 1B 和蓝心大模型 7B分别只需占用1.3G 和3.8G 手机内存。全天候：将蓝心大模型置于终端设备上可以减少数据延迟，并能够满足例如出差飞机、高铁等无网弱网场景下的大模型使用需求，使得一些应用可以全天候正常运行。真安全：vivo 实现端侧内容安全过滤模型，优化输入语料和大模型生成内容的合规性问题，端侧大模型有助于在本地处理数据形成闭环，减少了敏感信息通过网络传输的风险，为大模型应用场景落地移动终端提供安全基石。\n\n# 3）算法优势\n\n蓝心大模型具备三大算法优势：强大的基础能力、精准的指令跟随以及正确的价值取向。首先，强大的基础能力是大模型的根基。在预训练阶段，vivo 利用最前沿的Transformer 架构，改良注意力机制、位置编码等关键模块，采用混合精度训练以及梯度缩放策略缩短训练周期。其次，精准的指令跟随是大模型与用户交互的核心。vivo 对于微调采用“target only loss”方法，并通过聚类分析对指令进行适应性处理，以更好地确保模型的均衡性。第三，正确的价值取向是大模型的灵魂。在强化学习阶段， vivo 建立了300 余名专业人员组成的审核团队，制定了200 余项的安全审查机制，对模型的输出进行筛查和标注。同时，vivo 采用离线采样策略和双重奖励模型等策略，在安全性上有明显提升。\n\n# （3）大模型应用：\n\n# 1）蓝心小V\n\n蓝心小 V 是OriginOS 4 上搭载的一款全局智能辅助功能，支持超能语义搜索、超能问答、超能写作、超能创图、超能智慧交互。超能语义搜索：使用自然语言即可搜索手机中的照片、文档、日程等信息；超能问答：根据用户上传的文档，快速提供文档总结，也可根据文档内容快速问答，还可以是知识百科开放式问答；超能写作：基于用户的要求，结合 AI 能力给用户生成文本，如润色、扩写、总结、格式文本等；超能创图：1、文生图和图生图：基于用户文字描述或上传图片，生成目标图片。2、AI 路人消除（路人隐身）：上传包含路人的图片，通过对话消除路人，生成更为纯净的图片；超能智慧交互：1、智能识屏服务功能：一键识别屏幕上的文本、网页链接，提取有效信息；2、超直觉化的交互方式：交互更多元，语音、文字、点击、拖拽、悬浮形式，互动更轻松。\n\n# 2）蓝心千询\n\nvivo 基于蓝心大模型打造的全天侯 AI 私人小帮手——蓝心千询，覆盖 AI对话和 AI 灵感两大核心应用场景。蓝心千询是手机行业首个大模型公开版免费APP。AI 对话模块，蓝心千询支持“超能问答”以及“超能创图”两大功能，用户可以通过AI 对话进行文本问答、开放问答或是基于文档的问答，以高效获取信息、知识。另外，无论写诗、AI 作画、创作歌词、撰写标题/活动方案，蓝心千询皆可胜任。AI 灵感模块，蓝心千询能够提供社交媒体文案创作、PPT 大纲生成、中英文本互译等功能，还设置有穿搭建议等有趣的灵感工具。灵感广场设置有不同场景下的灵感技能卡片，覆盖工作、学习生活中的创作场景。蓝心千询将基于卡片语境快速生成对应文案，为用户的工作、学习、生活提供广泛灵感支持。\n\n# 第三章大浪淘沙：中国 AI 大模型产业发展所面临的挑战\n\n# 3.1 大模型产业遭遇算力瓶颈\n\n随着AI 大模型规模呈现指数级增长，训练大模型越发依赖高性能AI 芯片。AI 大模型的训练速度、产出质量，都和算力直接相关，对于 GPT 这种大语言模型（LLM）来说，算力的要求更高，也决定了模型的“智商”。目前主要以英伟达的A100、H100 为代表的高性能AI 芯片应用到主流AI 大模型的训练过程。以ChatGPT 为例，微软 Azure 云服务为其提供了 1 万枚英伟达 A100 GPU，这个算力也正是国内云计算技术人士共识的 AI 大模型门槛。然而国内拥有 1 万枚 GPU 的企业很少，而且单枚GPU 普遍弱于英伟达A100。由于英伟达A100 及以上性能GPU被列入管制清单，目前中国企业能获取的替代品为英伟达A800，然而A800 也存在缺货和溢价的情况。从我国自研 AI 芯片来看，中国本土的高性能芯片龙头以华为海思、寒武纪、地平线、昆仑芯等为代表。我国正在高性能芯片领域加大投入并取得极大进展，部分解决方案正替代英伟达成为一些大厂的选择。但国产芯片性能目前仍与国际顶尖水平存在一定差距。\n\n总体而言，国内AI 高性能芯片市场受进口限制和国内技术瓶颈的双重影响，大模型产业发展受到算力层面的一些制约。\n\n# 3.2 主流大模型架构仍存在诸多局限\n\n当前，主流 AI 大模型所使用的 Transformer 架构存在消耗算力资源大、占用内存储量多等局限性。\n\n首先，Transformer 架构消耗的算力资源普遍较大。传统 Transformer 架构由于算法特性，计算量会随着上下文长度的增加呈平方级上升。假如用户输入的上下文增加32 倍，计算量可能会增加1000 倍以上。\n\n其次，基于Transformer 架构的大模型对存储设备的要求也更高。在训练过程中需要在内存中存储参数的当前值、梯度以及其他优化器状态。模型的参数越\n\n多，所需的计算就越多，需要的存储空间就越大。如1000 亿个参数的Transformer模型，存储这些参数就需要400GB 的空间。\n\n# 3.3 高质量的训练数据集仍需扩展\n\n国内的 AI 大模型数据主要来自互联网、电商、社交、搜索等渠道，存在数据类型不全面，信息可信度不高等问题。整体来看，我国可用于大模型训练的中文数据库体量严重不足。如悟道语料库，其包括文本、图文和对话数据集，最大的仅 5TB，其中开源的文本部分仅为 200GB。另外一个开源的中文本数据集CLUECorps 为 100G。相比之下，GPT-3 的训练数据量，以英语为主，达到 45TB。此外，国内大模型的数据还缺乏多数据源的调用，可供大模型训练的有效数据源呈现碎片化分散状态，如微信公众号的文章仅在搜狗引擎支持调用，而多数大模型如智谱清言在联网收集数据时无法直接调用微信公众号文章。\n\n当前，政府部门的权威数据、大型企业掌握的行业或内部数据通常不对外公开。以阿里巴巴的“通义千问”大模型为例，训练数据来自公开来源的混合数据，中文语料主要来自知乎、百度百科、百度知道等公开网络数据，来源于政府及企业数据较少。未来，仍需构建高质量的 AI 大模型训练数据集，不断扩充数据源提高数据质量。\n\n# 3.4 大模型爆款应用尚未出现\n\n自 ChatGPT iOS 版本发布近十个月以来，该应用一直在下载量、用户支出和会话时长方面牢牢占据生成式人工智能应用下载量榜单前三名的位置。GPT4.0推出后，已支持语音输入和输出，可以理解用户的基本自然语言语音指令并进行回应，也可以将生成的文本以语音形式播放出来。此外，OpenAI 于2024 年1 月上线包含超 300 万个应用的 GPT 商店 GPTs。GPTs 的应用被划分为“写作”“效率”“研究和分析”“编程”“教育”和“生活方式”等类目。如热门应用Consensus可以从 2 亿篇学术论文中进行搜索，并获得科学的答案；Grimoire 可以在用户填写基本信息后提供所需的HTML、CSS 和JavaScript 代码，创建网站（或其他）的编程应用。\n\n相比而言，国内的 AI 大模型产业至今没有出现爆款级应用，原因在于尚未找到商业化思路，缺乏满足客户需求的个性化应用。我国大模型产业要推出爆款级应用，势必要在应用领域做深做细，让每一个用户都可以充分享受到大模型所带来的真正便利。\n\n# 第四章天阔云高：中国 AI 大模型产业趋势展望\n\n# 4.1 AI 云侧与端侧大模型满足不同需求，C 端用户将成为端侧的主要客群\n\n我国云侧大模型百花齐放数量众多，以百度文心一言、阿里通义千问、科大讯飞星火、腾讯混元等为代表。强大的算力和海量的训练数据库，支撑大语言模型高参数，云侧大模型能够提供语言理解、知识问答、数学推理、代码生成等能力。一方面，面向C 端个人用户，云侧大模型提供智能问答、文本生成、图片生成、视频生成等功能。另一方面，面向B 端企业用户，云侧大模型变革企业传统业务模式，提供营销、客服、会议记录、文本翻译、预算管理等个性化服务。\n\n端侧大模型具有成本低、移动性强、数据安全等优势,主要应用在手机、PC等终端设备上。端侧大模型主要面向C 端用户，重塑传统个人设备的使用方式和习惯，提供手机文档搜索、智能识屏、图像创作、生活助手、出行助手等专属服务。成本方面，根据云侧大模型每次调用成本、用户数、用户使用频率不同，云侧大模型服务器每年成本可达数亿或数十亿，高昂的服务器支出成为各大厂商发展大模型的障碍。将大模型端侧化，能把一部分云端计算转移给终端，从而大大降低云端服务器成本。安全方面，由于端侧大模型数据保存在本地，个人数据不需要上传云端，个人隐私数据更加安全。丰富的使用场景、较低的模型成本、安全的隐私保护，使得未来大模型端侧化可能成为趋势。瑞银预计生成式 AI 智能手机出货量将从 2023 年的 5000 万部增长到 2027 年的 5.83 亿部，到 2027 年收入将达 5130 亿美元。未来面向广大C 端用户的端侧大模型市场前景广阔。\n\n# 4.2 AI 大模型趋于通用化与专用化，垂直行业将是大模型的主战场\n\n通用大模型具有参数规模大、泛化能力强、多任务学习能力优等特点。通用大模型参数规模较大，达到数百亿甚至上千亿参数。通过大规模数据训练，通用大模型能学习捕捉复杂规律和特征，对未见过的数据做出预测。通用大模型能理解学习多种任务，如文本总结、对话问答、逻辑推理等。通用大模型得益于大规模预训练和微调范式，可完成多领域任务，并具备多模态（包括文字、图像、语音、视频）理解和生成能力。\n\n行业大模型适用于金融、政务、医疗等特定行业和领域，更好处理相关行业的特定任务。具体而言，金融大模型能帮助金融企业评估信用风险；政务大模型提供政务问答、公文撰写润色、内容审核；医疗大模型为医生和患者提供影像诊疗、手术评估、导诊服务。\n\n与通用大模型相比，行业大模型具有专业性强、数据安全性高等特点，未来大模型真正的价值体现在更多行业及企业的应用落地层面。一方面，行业大模型将通用大模型用于形成多领域能力的资源集中于特定领域，模型参数相对较小，对于企业落地而言具有显著的成本优势。另一方面，行业大模型结合企业或机构内部数据，为B 端用户的实际经营场景提供服务，能更加体现模型对于机构的降本增效作用。\n\n# 4.3 AI 大模型将广泛开源，小型开发者可调用大模型能力提升开发效率\n\n未来，大模型开源将成为趋势，一方面能降低大模型开发者的使用门槛，另一方面也能提高算法的透明度和可信度。从具体进展来看，2022年8月，清华大学开源中英双语预训练模型 GLM-130B，使用通用模型算法进行预训练。2023年6月，百川智能发布开源可商用大规模预训练语言模型 Baichuan-7B，支持中英双语。2023年10月，智谱AI 开源ChatGLM3系列模型。2023年11月，vivo开源70亿参数的大模型，向广大开发者提供了获取大模型技术的渠道。2023年12月，阿里云开源 Qwen-72B、Qwen-1.8B 和Qwen-AudioQwen大模型。随着大模型逐渐开源，将进一步助推AI大模型产业的创新发展。\n\n小型开发者通过调用大模型能力，大幅提升编程效率，进一步推动 AI 应用落地。一方面，小型开发者可基于大模型进行项目、应用以及插件等开发工作，不再局限于算力资源、无需进行复杂的模型训练、调参，轻松实现应用落地。另一方面，小型开发者利用大模型技术提升开发效率，通过在代码工具中集成大模型能力，辅助完成部分重复性工作，为开发人员提供量身定制的代码建议，还可以自动检测代码中的Bug，并生成相应的测试用例，缩短工程师开发流程中的编码和纠错时间。\n\n# 4.4 AI 高性能芯片不断升级，AI 大模型产业生态体系将不断完善\n\n在大模型场景下，AI 高性能芯片主要用于大模型的训练环节，芯片性能的强弱直接影响大模型的性能和表现。在全球 AI 高性能芯片市场中，英伟达的芯片产品采用最前沿半导体工艺和创新GPU 架构保持行业的领先地位。目前，英伟达的 A100 芯片在主流 AI 大模型训练中占据重要市场份额，H100 虽性能强劲但难以获取。AI 高性能芯片未来将不断迭代升级，持续推动大模型性能和能力的提升。在国内，AI 高性能芯片近年来发展速度加快。其中，华为昇腾主要包括310 和 910 两款主力芯片，其中昇腾 910 采用了 7nm 工艺，最高可提供 256 TFLOPS的FP16 计算能力，其能效比在行业中处于领先水平。寒武纪是中国具有代表性的另一本土 AI 芯片厂商，公司先后推出了思元 290 和思元 370 芯片及相应的云端智能加速卡系列产品、训练整机。未来，随着全球 AI 高性能芯片不断迭代升级，也将持续推动大模型性能和能力的提升。\n\n# 结语\n\n# AI 大模型将加快新质生产力发展，助力我国经济社会高质量发展\n\nAI 大模型可以创造新价值、适应新产业、重塑新动能，是加快发展新质生产力的关键要素。AI 大模型作为当前人工智能领域的重要技术，是孕育新质生产力的沃土。新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态，其由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生。以劳动者、劳动资料、劳动对象及其优化组合的跃升为基本内涵，以全要素生产率大幅提升为核心标志。AI 大模型作为实现新质生产力发展的重要手段，可以推动多个领域的智能化升级，提高生产效率、降低生产成本、提升产业竞争力。随着中国经济进入高质量发展阶段，AI 大模型在催生新产业、新模式、新动能方面展现出巨大潜力，不仅支撑了经济社会的高质量发展，也符合《国家创新驱动发展战略纲要》所强调的创新驱动和产业升级要求。我国众多产业对于高质量发展的需求，将为大模型的落地应用提供场景支撑。随着人工智能技术的不断升级，大模型产业化应用也成为可能。以 vivo 为代表的科技企业发布的大模型为生产生活提供更多便利，带动商业模式创新，牵引产业升级，令人们生活更加美好。面对未来，我国需进一步加强资源与研发力量的统筹，强化大模型在发展中的场景牵引作用，促进经济社会的高质量发展，以实现大模型技术的高质量应用突破，驱动实体经济的蝶变和产业变革。", "**首页**>新闻动态>机构动态\n\n[![]()](https://www.china-aii.com/jgdt/7140790.jhtml)\n\n**机构动态**\n\n人工智能大模型年度发展趋势报告\n\n发布时间：2025-01-28 09:19:41\n\n![微信图片_20250208091109.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091109.png)\n\n习近平总书记深刻指出，人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。2024年12月的中央经济工作会议明确把开展“人工智能+”行动作为2025年要抓好的重点任务。当前，以大模型为代表的人工智能正快速演进，激发全球科技之变、产业之变、时代之变，人工智能发展迎来新高潮。随着大模型推理、多模态生成、智能体等创新技术的发展，大模型赋能千行百业将进一步提速。中国工业互联网研究院全方位剖析大模型发展态势，从技术发展、生态建设、应用落地、商业模式等多维度深入研判，梳理出七大核心发展趋势。\n\n**（一）模型能力不断提升**\n\n![微信图片_20250208091123.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091123.png)\n\n在文本能力上，随着模型参数、训练数据和训练时间的增加，模型文本能力的上限不断刷新。在多模态能力上，实时对话延迟显著缩短；图片理解、视频生成、图像生成的基准测试最高分不断被突破。在复杂思维能力上，模型后训练从单次采样转化为思维链强化和规模化采样，大模型应对代码、数学等高阶推理能力快速演进。模型处理容量上，大模型的上下文窗口不断扩大，上下文窗口中位数已达128k，闭源最大已达200万。\n\n2025年，随着后训练技术如RLVR和规模化采样的普及，模型准确性和稳定性将显著提升，“幻觉”问题有望得到基本解决，大模型将在对准确度要求较高的工业场景中扮演关键角色。\n\n**（二）国内外差距逐步缩小，市场环境差距明显**\n\n![微信图片_20250208091129.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091129.png)\n\n中国大模型加速追赶，开启竞争新格局。国内大模型通过架构、算法创新降低训练成本，探索模型极限。中国AI研发能力已居世界前列，AI领域论文数量居世界第一，专利申请数量世界第二，国内外大模型能力差距被不断缩小。通过协同创新、生态创新，国内大模型产业正在形成跨 APP、跨设备、跨行业协同创新新格局。\n\n但目前国内外大模型市场环境差距明显。在投资总量上，24年，美国在人工智能领域的投资额约为641亿美元，中国仅为55亿美元。雄厚的资金投入使国际科技巨头能够广泛招聘人才、购置算力，持续引领行业发展。在市场规模上，国内外大模型企业在全球市场的营收和用户数量上差距显著，市场营收层面，24年国内公开招投标大模型项目市场规模约为0.9亿美元，而ChatGPT企业版年收入为34亿美元。用户数量层面，国内豆包和文小言月活用户总和为7千万，ChatGPT月活用户高达6亿。值得注意的是，ChatGPT企业版、个人版用户中非美国本土比重约为50%和86%。\n\n2025年，大模型企业将加速出海进程，海外市场将成为新年角逐的战场。\n\n**（三）端侧大模型成为AI行业的新增长引擎**\n\n![微信图片_20250208091132.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091132.png)\n\n端侧大模型能力持续优化。随着大模型压缩和量化技术的不断提升，知识密度持续增大，终端搭载的模型能力值逐步增强。24年2B参数量的大模型MiniCPM能力与20年GPT-3 175B大模型能力接近。终端算力加速渗透。大模型的规模化扩展需依赖云端和终端的协同工作，通过云端搭配终端进行AI计算工作负载的分流，带来成本、能耗、性能等方面的优化，AI处理的发展重心逐步从云端向手机、PC等终端载体转移。\n\n大模型技术推动智能终端迈向新高度。我国人工智能下游市场需求的强劲增长，特别是智能终端行业的蓬勃发展，强力拉动端侧大模型市场的扩张，23年我国端侧大模型市场规模仅为8亿元，24年有望突破21亿元。手机作为典型终端载体，24年全球AI手机出货量达1.7亿台，预计25年我国AI手机市场份额将达到30%左右。\n\n2025年，端侧大模型向行业加速渗透，多模态交互场景日益成熟，将在消费电子领域实现广泛应用，并逐步推动工业领域的智能化升级。\n\n**（四）大模型开源生态不断完善**\n\n![微信图片_20250208091136.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091136.png)\n\n开源模型发展迅速，能力比肩闭源模型。24年开源大模型发展迅速，开源模型与闭源模型的平均能力差距在急剧缩小，顶尖开源模型能力已经比肩闭源GPT-4模型。国产开源大模型如Qwen、DeepSeek等在全球开源模型中占据领先地位。\n\n开源模型数量持续增加，国产开源生态不断完善。24年，全球开源大模型数量保持快速增长，数量持续增加，其中国产开源模型数量和占比均有较大提升。国产大模型开源工具蓬勃发展，大模型开源生态不断完善。国产大模型开源框架、推理引擎和开源社区为国产大模型的创新与发展提供了强有力的支持。\n\n2025年，开源与闭源大模型将持续共存并协同发展，开源模型将更多依赖开源社区的力量推动其进步。具备完整训练方案的全链路开源模型，有望成为开源模型发展的新兴重要方向。\n\n**（五）大模型行业掀起降价浪潮**\n\n![微信图片_20250208091140.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091140.png)\n\n随着新架构新技术的应用，大模型推理成本显著降低。MoE模型作为降低模型成本的最佳策略之一，相比传统的稠密模型，只激活部分参数来处理输入，显著降低了模型推理成本。另外，由DeepSeek提出的提示词缓存功能，能够将频繁请求的上下文提示保存在模型的记忆中，减少生成响应时所需的 Token 数量，将进一步降低输入价格。\n\n随着推理成本的降低，大模型定价普遍下调。成本的降低和大模型厂商的激烈竞争，推动模型价格的大幅下降。海外方面，以OpenAI为例，5月发布GPT-4o，模型性能升级，价格较GPT-4-Turbo下降50%，8月上线GPT-4o新版本，更强更便宜，输出价格节省33%。国内方面，以阿里为例，12月31日阿里云宣布2024年度第三轮大模型降价，通义千问视觉理解模型全线降价超80%。\n\n大模型调用成本降低，有效推动了市场规模壮大。高性价比的模型订阅费用降低中小企业和个人开发者的使用成本，推动了大模型市场的规模拓展。海外方面，24年大模型市场规模为20亿美元，较23年增长4倍左右，预计25年市场规模将达到50亿美元。国内方面，24年大模型市场规模为3亿美元，预计25年市场规模将达到10亿美元，足够大的使用规模将进一步加速技术突破和成本下降。\n\n2025年，大模型降价战或将持续，随着AI能力的加速普惠，AI应用的成本有望进一步降低，大模型应用市场将迎来前所未有的创新机会和发展潜力。\n\n**（六）工业场景不断涌现，大模型应用差异明显**\n\n![微信图片_20250208091144.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091144.png)\n\n大模型技术激发工业场景的智能化创新，辅助生成类的智能化工具持续推出，如代码生成、设计图纸生成、生产报表生成、智能订单生成等，但当前大模型在稳定性和准确性等方面存在明显不足，其应用成熟度仍有进一步提升空间。\n\n大模型在工业领域的应用差异明显，从行业看，大模型在电力、汽车和钢铁等行业渗透率相对较高。从环节看，大模型聚焦在研发设计、运维服务、经营管理等高附加值场景。从部署方式上看，工业领域优先考虑国产开源大模型。\n\n2025 年，大模型工业应用将从探索萌芽期逐步迈入重点突破期。大模型在工业领域应用范围将不断拓展，应用行业快速延伸，应用场景向生产制造等复杂场景渗透。\n\n**（七）商业模式尚未成型，企业寻求差异化发展**\n\n![微信图片_20250208091148.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091148.png)\n\n大模型商业模式尚未完全闭环，企业亏损呈常态化。当前大模型主要以订阅、API调用、模型定制服务等有限的商业模式获取收益，难以长期支撑大模型研发的巨额资金投入。国内外大模型企业均处于亏损状态，且亏损规模将持续扩大。24年Open AI亏损达50亿美元，预计26年将扩大到140亿美元。\n\n大模型竞争日趋激烈，企业寻求差异化发展。在海外，大模型企业从技术驱动逐步向生态驱动转型，基础大模型通过与传统科技巨头深度绑定提升市场份额，例如OpenAI与微软，Anthropic与亚马逊。基础大模型玩家即将完成收敛，垂类大模型“玩家”通过收购实现快速“晋级”。在国内，互联网大厂倚靠核心业务支撑大模型的巨量投入，持续深耕基础模型赛道。初创企业聚焦解决前期投入过大的生存痛点，试图通过转向垂直行业或场景应用摆脱资金困境。\n\n2025年，大模型竞争进一步加剧，商业模式逐步从基于用量向基于价值创造转变，模型企业数量将明显收敛。\n\n![微信图片_20250208091153.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091153.png)", "", "# ·卷首语·\n\n# 大模型技术:变革、挑战与机遇\n\n戴琼海\n\n清华大学信息科学技术学院,北京\n\n近年来,随着预训练技术的发展和计算硬件性能的提升,人工智能取得了突破性进展。年底,人工智能大模型问世,将自然语言的理解与生成能力提升到新的高度,并具备了跨学科、多场景、多用途的通用性,引起了产业界和学术界的广泛关注。以ChatGPT为代表的大模型技术实现了人工智能技术从“量变”到“质变”的跨越,有望发展成为人工智能关键基础设施,发挥“头雁”效应赋能千行百业,加速推进国民经济和社会的高质量发展。\n\n为更好推动大模型技术创新和应用生态的发展,国家自然科学基金委员会信息科学部、《中国科学基金》编辑部与中国人工智能学会共同组织了“与人工智能技术应用”的专题研讨,围绕“以为代表的大型语言模型研究进展”“从ChatGPT到多模态大模型:现状与未来”等个主题,形成了详尽的当前形势分析和未来趋势研判,从技术、应用、生态等多个角度阐述了大模型技术引发的新一轮人工智能变革,并指出大模型技术可能带来的风险和挑战,并给出了我国大模型发展的一些启示与展望。\n\n以为代表的大模型技术反映了通用人工智能的一个重要发展思路,对人工智能发展的推进,以及对社会经济的重大推动作用毋庸置疑。一方面,大模型技术正在逐步落地应用,在互联网、金融、医疗等领域体现出了显著优势,在其他行业的广泛应用也正在逐步实现;另一方面,大模型技术也对科学研究的方法与范式带来的变革,通过“一专多能”的能力以及丰富的生成功能,可以为科学规律的总结、未知知识的探索等方面带来新的机遇,为生命科学、医学、药学、材料、化学等领域的研究提供有力工具。\n\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/dac9e3defac393b966f7b9d28122165dd4a9e68a6b6debe02aa4f01b8b0168f7.jpg)\n\n戴琼海清华大学教授,中国工程院院士,清华大学信息学院院长,北京信息科学与技术国家研究中心主任,中国人工智能学会理事长。主要学术方向为人工智能、成像与智能技术、脑与认知科学。主持承担了国家自然科学基金认知计算科学中心项目和国家重大科研仪器研制项目等。目前开展的研究包括认知智能、智能光电计算和元宇宙等。\n\n但我们也需要看到:大模型技术仍基于现有深度神经网络,目前依然存在可解释性不足、能效比不高、缺乏决策能力等重要性能瓶颈;重度依赖超大规模数据资源,在典型开放环境下,其可靠性仍存在重要缺陷,尤其在样本极少、先验知识缺乏、环境动态变化、强对抗干扰等极端条件下,现有大模型技术的应用能力受到很大限制;同时,大模型的“幻觉”等效应机理和解决方案仍然有待探索。\n\n面向动态、干扰和无先验的复杂环境感知、理解和决策,要想实现更强的通用性、鲁棒性和泛化性,人工智能技术必须在几个方面实现升级跨越:从单纯的机器学习模型到结构性可解释模型,从离线学习到连续自主学习,从记忆式学习到联想猜测。新的生成式人工智能需要着力推动人工智能与脑科学、认知科学的交叉创新研究,力争在可解释性、高安全性和低功耗性等方面形成重要突破。\n\n大模型技术的发展,对于我们既有挑战、也有机遇。应当在大模型的浪潮中,保持定力,夯实人工智能基础理论研究、加强关键技术攻关、并进一步鼓励大模型相关的产业应用,让我国能引领未来人工智能发展前沿,助力我国国民经济和社会的高质量发展。\n\n# LargeAIModel:Change,Chalenge,andChance\n\nQionhaiDai Schol of Information Science and Technology, Tsinghua University, Beijing 1084", "", "[![前瞻经济学人](https://img1.qianzhan.com/2017bg/images/jjxr-logo.png)](https://www.qianzhan.com/analyst/)\n\n报告服务热线 **400-068-7188**\n\n- [首页](https://www.qianzhan.com/)\n- [产经资讯 _I_](https://f.qianzhan.com/aboutus/)\n\n\n- [研究员专栏HOT](https://www.qianzhan.com/analyst/list/220.html)\n- [规划师专栏HOT](https://www.qianzhan.com/analyst/list/627.html)\n- [观察家专栏](https://www.qianzhan.com/analyst/list/329.html)\n- [竞争格局](https://x.qianzhan.com/articles?t=2001)\n- [产业链](https://x.qianzhan.com/articles?t=2002)\n- [发展趋势](https://x.qianzhan.com/articles?t=2003)\n- [政策法规](https://x.qianzhan.com/articles?t=2004)\n- [投融资](https://x.qianzhan.com/articles?t=2009)\n- [商业模式](https://x.qianzhan.com/articles?t=2005)\n- [企业分析](https://x.qianzhan.com/articles?t=2006)\n- [全球市场](https://x.qianzhan.com/articles?t=2010)\n\n- [问答](https://www.qianzhan.com/wenda/)\n- [产业研究 _I_](https://www.qianzhan.com/report/)\n\n\n- [能源电力](https://bg.qianzhan.com/report/list2/3362.html)\n- [节能环保](https://bg.qianzhan.com/report/list2/3368.html)\n- [金融/保险/投资](https://bg.qianzhan.com/report/list2/3365.html)\n- [医疗/健康/养老](https://bg.qianzhan.com/report/list2/3371.html)\n- [互联网/信息技术](https://bg.qianzhan.com/report/list2/3374.html)\n- [通信/电子/芯片](https://bg.qianzhan.com/report/list2/3377.html)\n- [家用电器](https://bg.qianzhan.com/report/list2/3428.html)\n- [智能/高端装备](https://bg.qianzhan.com/report/list2/3383.html)\n- [机械设备](https://bg.qianzhan.com/report/list2/3386.html)\n- [电气设备](https://bg.qianzhan.com/report/list2/3389.html)\n- [仪器仪表](https://bg.qianzhan.com/report/list2/3392.html)\n- [交通/物流/仓储](https://bg.qianzhan.com/report/list2/3380.html)\n- [汽车产业](https://bg.qianzhan.com/report/list2/3395.html)\n- [化工/新材料](https://bg.qianzhan.com/report/list2/3398.html)\n- [钢铁有色](https://bg.qianzhan.com/report/list2/3401.html)\n- [房产建筑](https://bg.qianzhan.com/report/list2/3404.html)\n- [建材家居](https://bg.qianzhan.com/report/list2/3407.html)\n- [城市规划](https://bg.qianzhan.com/report/list2/3410.html)\n- [现代服务](https://bg.qianzhan.com/report/list2/3413.html)\n- [旅游/酒店/餐饮](https://bg.qianzhan.com/report/list2/3416.html)\n- [文教/体育/娱乐](https://bg.qianzhan.com/report/list2/3419.html)\n- [包装/印刷/纸](https://bg.qianzhan.com/report/list2/3422.html)\n- [食品/饮料/酒](https://bg.qianzhan.com/report/list2/3425.html)\n- [纺织/服装/鞋](https://bg.qianzhan.com/report/list2/3431.html)\n- [零售/日化/快消](https://bg.qianzhan.com/report/list2/3434.html)\n- [农林牧渔](https://bg.qianzhan.com/report/list2/3437.html)\n- [安防/公用其他](https://bg.qianzhan.com/report/list2/3440.html)\n\n精选专题报告\n\n- [3000+精品报告](https://bg.qianzhan.com/report/hotlist/)\n- [产业链招商报告](https://bg.qianzhan.com/report/chanyelian/)\n- [技术咨询报告](https://bg.qianzhan.com/report/qushi/)\n- [全球产业报告](https://bg.qianzhan.com/report/world/)\n- [100大行业全景](https://bg.qianzhan.com/report/quanjing100/)\n- [行业专题套餐](https://bg.qianzhan.com/report/combo/)\n- [出海专题报告](https://bg.qianzhan.com/report/chuhai/)\n- [产业链决策套餐](https://bg.qianzhan.com/report/chanyelianjuece/)\n- [前瞻免费报告](https://bg.qianzhan.com/report/free/)\n- [两链（图、库、清单）报告](https://bg.qianzhan.com/report/lianglian/)\n- [城市企业全景分析报告](https://bg.qianzhan.com/report/csqj)\n\n专项定制\n\n- [行业地位证明HOT](https://bg.qianzhan.com/report/qyppcs)\n- [IPO募投可研](https://ipo.qianzhan.com/mutou/)\n- [可行性研究](https://f.qianzhan.com/keyan/)\n- [招股说明书撰写](https://bg.qianzhan.com/report/ipo)\n- [行业白/蓝皮书](https://f.qianzhan.com/lanpishu/)\n- [IPO细分市场研究](https://ipo.qianzhan.com/xifen/)\n- [银行授信研究](https://bg.qianzhan.com/report/reportdingzhi)\n- [尽职调查研究](https://bg.qianzhan.com/report/reportdingzhi)\n- [专项市场调研HOT](https://bg.qianzhan.com/report/reportdingzhi)\n- [专精特新申报](https://f.qianzhan.com/shenbao/)\n- [小巨人申报](https://f.qianzhan.com/shenbao/)\n- [单项冠军申报](https://f.qianzhan.com/shenbao/)\n\n- [免费报告](https://bg.qianzhan.com/report/free)\n- [产业大数据 _I_](https://d.qianzhan.com/)\n\n\n\n\n\n\n\n\n经济数据\n\n- [中国宏观](https://d.qianzhan.com/xdata/list/xfyyy0yyIxPyywyy2xDxfd.html)\n- [省市宏观](https://d.qianzhan.com/xdata/list/xfyyOxqx1yyWxhxapJ.html)\n- [全球宏观](https://d.qianzhan.com/xdata/list/xfyyydy8yEyhHyEx4xR.html)\n- [行业经济](https://d.qianzhan.com/xdata/list/xfx5yyyex0xTyynHxey0.html)\n- [进出口](https://d.qianzhan.com/xdata/list/xCxl2y0xw.html)\n\n数据系统\n\n- [全国产业园库HOT](https://y.qianzhan.com/)\n- [上市大数据](https://stock.qianzhan.com/)\n- [企业大数据](https://www.qichamao.com/)\n- [前瞻图表库](https://x.qianzhan.com/)\n- [智慧招商系统HOT](https://z.qianzhan.com/)\n- [政策大数据](https://zc.qianzhan.com/)\n- [产业决策大数据系统HOT](https://bg.qianzhan.com/report/changyedata)\n\n- [产业规划 _I_](https://f.qianzhan.com/chanyeguihua2/)\n\n\n- [产业规划HOT](https://f.qianzhan.com/chanyeguihua2/)\n- [十五五规划](https://f.qianzhan.com/sww/)\n- [低空经济](https://f.qianzhan.com/dkjj/)\n- [电子信息](https://f.qianzhan.com/dzxx/)\n- [新能源汽车](https://f.qianzhan.com/xnyqc/)\n- [生物医药](https://f.qianzhan.com/swyy/)\n- [集成电路](https://f.qianzhan.com/jcdl/)\n- [海洋经济](https://f.qianzhan.com/hyjj/)\n- [高端装备](https://f.qianzhan.com/gdzb/)\n- [人工智能](https://f.qianzhan.com/rgzn/)\n- [现代物流](https://f.qianzhan.com/xdwl/)\n- [新能源](https://f.qianzhan.com/xny/)\n- [食品产业](https://f.qianzhan.com/sp/)\n- [生产性服务](https://f.qianzhan.com/scxfw/)\n- [应急产业](https://f.qianzhan.com/yj/)\n- [医疗器械](https://f.qianzhan.com/ylqx/)\n- [新材料](https://f.qianzhan.com/xcl/)\n- [新消费](https://f.qianzhan.com/xinxiaofei/)\n\n- [APP下载](https://ecoapp.qianzhan.com/)\n\n## 决策精品报告\n\n_产业资讯_\n\n- [产业资讯](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [研究报告](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [经济数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [上市数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [企业信息](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n[冷链物流](https://bg.qianzhan.com/report/detail/98316559a6fe4430.html) [氢能源](https://bg.qianzhan.com/report/detail/1607281732570984.html) [医疗器械](https://bg.qianzhan.com/report/detail/2c2ad528d23140d3.html) [两链两图两库两池](https://bg.qianzhan.com/report/lianglian/) [3000+精品报告大全 »](https://bg.qianzhan.com/report/hotlist/?f=analyst)\n\n当前位置： [前瞻产业研究院](https://bg.qianzhan.com/) »\n[经济学人](https://www.qianzhan.com/analyst/) »\n[研究员专栏](https://www.qianzhan.com/analyst/list/220.html)\n\n# 2025年全球多模态大模型行业发展现状 AI服务器和算力发展推动市场爆发式增长【组图】\n\n分享到：\n\n[![20](https://img3.qianzhan.com/analyst/photos/202205/11150708_16093_180x180.gif) 刘海晶](https://www.qianzhan.com/analyst/profile/16093.html)_• 2025-04-22 15:00:30_ 来源：前瞻产业研究院_E48267_ [_G_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)\n\n- [2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=title)\n\n**行业主要上市公司：** 阿里巴巴(09988.HK，BABA.US);百度(09888.HK，BIDU.US);腾讯(00700.HK， TCEHY); [科大讯飞](https://stock.qianzhan.com/hs/zhengquan_002230.SZ.html)(002230.SZ); [万兴科技](https://stock.qianzhan.com/hs/zhengquan_300624.SZ.html)(300624.SZ); [三六零](https://stock.qianzhan.com/hs/zhengquan_601360.SH.html)(601360.SH); [昆仑万维](https://stock.qianzhan.com/hs/zhengquan_300418.SZ.html)(300418.SZ);云从科技(688327.SH); [拓尔思](https://stock.qianzhan.com/hs/zhengquan_300229.SZ.html)(300229.SZ)等\n\n**本文核心数据**：市场规模;算力;排名;\n\n**全球多模态大模型行业发展历程**\n\n全球大模型产业的发展经历了早期探索期(1956年-2005年)，在这一阶段，人工智能学科诞生，神经网络模型开始发展。随后进入快速成长期(2006年-2019年)，深度学习概念被重新引入，Transformer等模型推动了行业进步。2020年至2022年为大模型兴起期，参数规模迅速扩大，2022年更被视为大模型元年。从2023年开始，大模型进入广泛应用期，其在各领域的深度应用得到不断拓展。这一过程并非严格分期，而是体现了大模型技术发展的连续性和阶段性。\n\n![图表1：全球大模型产业发展历程](https://img3.qianzhan.com/news/202504/22/20250422-96c6becdecf86d6f.png)\n\n**全球人工智能服务器现状**\n\n由于大模型对计算能力和数据的高需求，其所需要的服务器设施将在人工智能基础设施市场中占据越来越大的份额。IDC预计，全球人工智能硬件市场(服务器)，将从2022年的195亿美元增长到2026年的347亿美元，五年年复合增长率达17.3%;其中，用于运行生成式人工智能的服务器市场规模在整体人工智能服务器市场的占比将从2023年的11.9%增长至2026年的31.7%。\n\n![图表2：2022-2026年全球人工智能服务器市场规模情况(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-32d150d269e0ecd5.png)\n\n**全球大模型算力需求情况**\n\n从感知智能到生成式智能，人工智能越来越需要依赖“强算法、高算力、大数据”的支持。模型的大小、训练所需的参数量等因素将直接影响智能涌现的质量，人工智能模型需要的准确性越高，训练该模型所需的计算力就越高。以ChatGPT模型为例，公开数据显示，其所使用的GPT-3大模型所需训练参数量为1750亿，算力消耗为3640PF-days(即每秒运算一千万亿次，运行3640天)，需要至少1万片GPU提供支撑。据统计，当模型参数扩大十倍，算力投入将超过十倍，模型架构、优化效率、并行处理能力以及算力硬件能力等因素均会影响具体增加的倍数。\n\n![图表3：代表大模型所需训练参数量及算力当量情况(单位：亿，PF-days)](https://img3.qianzhan.com/news/202504/22/20250422-32e0f2ddf178f89f.png)\n\n**全球大模型市场规模情况**\n\n当前全球的人工智能产业处于高速发展期，大模型技术引领着人工智能领域正在迈向新的发展高度，也已不局限于技术讨论的范畴，而是进入商业化应用阶段，大模型市场正处于快速增长阶段。根据IDC数据，2023年全球大模型市场规模达到210亿美元。初步测算，2024年全球大模型市场规模达280亿美元，同比增长33%。\n\n![图表4：2023-2024年全球大模型市场规模(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-54494b60ac0a8d0a.png)\n\n**全球多模态大模型竞争格局**\n\n2024年7月9日，SuperCLUE发布《中文大模型基准测评2024上半年报告》，报告选取国内外有代表性的33个大模型在6月份的版本，通过多维度综合性测评，对国内外大模型发展现状进行观察与思考。从代表通用能力的一级总分来看，GPT-4o以81分的绝对优势领跑SuperCLUE基准测试，是全球模型中唯一超过80分的大模型。展现出强大的语言、数理和指令遵循能力。中国大模型发展非常迅速，其中有6个国内大模型超过GPT-4-Turbo-0409。绝大部分闭源模型已超过GPT-3.5-Turbo-0125。\n\n![图表5：全球大模型总体表现](https://img3.qianzhan.com/news/202504/22/20250422-bb2481892a1fe539.png)\n\n注：由于部分模型分数较为接近，为了减少问题波动对排名的影响，本次测评将相距1分区间的模型定义为并列，报告中分数展示以上区间为主;截至2025年4月，暂未有2024年全年报告，届时以最新数据为准。\n\n更多本行业研究分析详见前瞻产业研究院《 [全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html)》\n\n同时前瞻产业研究院还提供 [产业新赛道研究](https://bg.qianzhan.com/report/cyzlzx)、 [投资可行性研究](https://f.qianzhan.com/keyan/)、 [产业规划](https://f.qianzhan.com/chanyeguihua2/)、 [园区规划](https://f.qianzhan.com/yuanqu/)、 [产业招商](https://f.qianzhan.com/chanyezhaoshang/)、 [产业图谱](https://bg.qianzhan.com/report/lianglian/)、 [产业大数据](https://d.qianzhan.com/)、 [智慧招商系统](https://z.qianzhan.com/)、 [行业地位证明](https://bg.qianzhan.com/report/qyppcs)、 [IPO咨询/募投可研](https://ipo.qianzhan.com/mutou/)、 [专精特新小巨人申报](https://bg.qianzhan.com/report/qyppcs)、 [十五五规划](https://f.qianzhan.com/sww) 等解决方案。如需转载引用本篇文章内容，请注明资料来源（前瞻产业研究院）。\n\n更多深度行业分析尽在 [【前瞻经济学人APP】](https://ecoapp.qianzhan.com/)，还可以与500+经济学家/资深行业研究员交流互动。更多企业数据、企业资讯、企业发展情况尽在 [【企查猫APP】](https://www.qichamao.com/app/app.html)，性价比最高功能最全的企业查询平台。\n\n## 前瞻产业研究院 \\- 深度报告 REPORTS\n\n[![2025-2030年全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://img3.qianzhan.com/report/cover/24/2404101727200410.gif)](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer1)\n\n[2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer2)\n\n本报告前瞻性、适时性地对多模态大模型行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来多模态大模型行业发展轨迹及实践经验，对多模态大...\n\n[查看详情](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer3)\n\n本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）　_品牌合作与广告投放请联系：0755-33015062 或 hezuo@qianzhan.com_\n\n如在招股说明书、公司年度报告中引用本篇文章数据，请联系前瞻产业研究院，联系电话：400-068-7188。\n\n_p_ _45_[_q_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)[我要投稿](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n分享：\n\n标签： [多模态大模型](https://t.qianzhan.com/search/?q=%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8b) [行业发展现状](https://t.qianzhan.com/search/?q=%e8%a1%8c%e4%b8%9a%e5%8f%91%e5%b1%95%e7%8e%b0%e7%8a%b6) [AI服务器](https://t.qianzhan.com/search/?q=AI%e6%9c%8d%e5%8a%a1%e5%99%a8) [算力](https://t.qianzhan.com/search/?q=%e7%ae%97%e5%8a%9b)\n\n品牌、内容合作请点这里： [寻求合作 ››](https://bg.qianzhan.com/report/qyppcs)\n\n[![](https://img1.qianzhan.com/img/gg/qz/chanye_760.jpg?20220221)](https://f.qianzhan.com/chanyeguihua2/?f=abanner)\n\n- [产业规划](https://f.qianzhan.com/chanyeguihua2/)\n- [园区规划](https://f.qianzhan.com/yuanqu/)\n- [产业招商](https://f.qianzhan.com/chanyezhaoshang/)\n- [可行性研究](https://f.qianzhan.com/keyan/)\n- [低空经济](https://f.qianzhan.com/dkjj/)\n- [高端装备](https://f.qianzhan.com/gdzb/)\n- [生物医药](https://f.qianzhan.com/swyy/)\n\n![](https://img1.qianzhan.com/2017bg/images/qzjjxr_wx.jpg)\n\n### **前瞻经济学人**\n\n专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。\n\n![](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\n\n### **前瞻产业研究院**\n\n中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。\n\n## 相关阅读RELEVANT\n\n- [![2025年中国多模态大模型行业硬件现状 AI芯片和AI服务器的需求在多模态大模型影响下加速增长【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 硬件 _现状_ _AI_ 芯片和 _AI_ _服务器_ 的需求在 _多_ _模_ _态_ _大_ _模型_ 影响下加速增长【组图】](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\n\n- [![预见2025：《2025年中国多模态大模型行业全景图谱》（附市场现状、竞争格局和发展趋势等）](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\n[预见2025：《2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 全景图谱》（附市场 _现状_、竞争格局和 _发展_ 趋势等）](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\n\n- [![2025年中国多模态大模型行业生产生活应用现状多模态大模型助力生产生活走向高品质【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 生产生活应用 _现状_ _多_ _模_ _态_ _大_ _模型_ 助力生产生活走向高品质【组图】](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\n\n- [![【干货】多模态大模型产业链全景梳理及区域热力地图](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\n[【干货】 _多_ _模_ _态_ _大_ _模型_ 产业链全景梳理及区域热力地图](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\n\n- [![2025年中国多模态大模型行业主要模型主要多模态大模型处理能力表现出色【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 主要 _模型_ 主要 _多_ _模_ _态_ _大_ _模型_ 处理能力表现出色【组图】](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\n\n- [![2025年中国多模态大模型行业文娱媒体应用场景多模态大模型提升文娱媒体创作效率【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 文娱媒体应用场景 _多_ _模_ _态_ _大_ _模型_ 提升文娱媒体创作效率【组图】](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\n\n\n[![前瞻数据库](https://img3.qianzhan.com/gg/35/20171024104522-35cedeb6.jpg)](https://d.qianzhan.com/)\n\n[![企查猫](http://img3.qianzhan.com/gg/98/20180306134540-98ae6688.gif)](https://www.qianzhan.com/go/tYpzTR)\n\n×\n\n扫一扫\n\n下载《前瞻经济学人》APP提问\n\n![](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\n\n在线咨询\n\n\n_×_\n\n[![在线咨询](https://img1.qianzhan.com/2017bg/images/bg_on_sv4.gif)](http://tb.53kf.com/code/client/10037428/1)\n\n[可行性报告](https://f.qianzhan.com/keyan/) [行业地位证明](https://bg.qianzhan.com/report/qyppcs) [产业规划](https://f.qianzhan.com/chanyeguihua2/) [园区规划](https://f.qianzhan.com/yuanqu/) [产业招商](https://f.qianzhan.com/chanyezhaoshang/) [产业培训](https://f.qianzhan.com/cynx/)\n\n项目热线\n0755-33015070\n\n\n_A_ APP\n![前瞻经济学人APP下载二维码](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\n\n下载前瞻经济学人APP\n\n关注我们\n![前瞻产业研究院微信号](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\n\n扫一扫关注我们\n\n我要投稿\n\n_×_\n\n[J](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n[新手指南](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于前瞻研究院](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于订购](https://bg.qianzhan.com/report/guide/dinggou.html)[关于报告](https://bg.qianzhan.com/report/guide/productquestions.html)[购买帮助](https://bg.qianzhan.com/report/guide/authentication.html)[实力鉴证](https://bg.qianzhan.com/report/guide/authentication.html)[客户评价](https://bg.qianzhan.com/report/guide/pingjia.html)[企业资质](https://bg.qianzhan.com/report/guide/certificate.html)[配送支付](https://bg.qianzhan.com/report/guide/payinfo.html)[支付方式](https://bg.qianzhan.com/report/guide/payinfo.html)[发货与配送](https://bg.qianzhan.com/report/guide/deliver.html)[发票说明](https://bg.qianzhan.com/report/guide/invoice.html)[售后保障](https://bg.qianzhan.com/report/guide/saleservice.html)[售后条款](https://bg.qianzhan.com/report/guide/saleservice.html)[品质保证](https://bg.qianzhan.com/report/guide/quality.html)[投诉与举报](https://bg.qianzhan.com/report/guide/inform.html)[规划·咨询](https://f.qianzhan.com/)[产业规划](https://f.qianzhan.com/chanyeguihua2/)[可行性报告](https://f.qianzhan.com/keyan/)[园区规划](https://f.qianzhan.com/yuanqu/)[专项市场调研](https://bg.qianzhan.com/report/reportdingzhi)[产业招商](https://f.qianzhan.com/chanyezhaoshang/)[行业地位证明](https://bg.qianzhan.com/report/qyppcs)\n\n联系客服报告热线：400-068-7188售后热线：0755-33013088关注我们![关注前瞻产业研究院](https://img1.qianzhan.com/2017bg/images/wixin.jpg)\n\n[关于我们](https://bg.qianzhan.com/report/guide/yanjiuyuan.html) _\\|_ [联系我们](https://bg.qianzhan.com/report/guide/contact.html) _\\|_ [品牌合作](https://bg.qianzhan.com/report/qyppcs) _\\|_ [免责声明](https://t.qianzhan.com/help/disclaimer) _\\|_ [服务条款](https://t.qianzhan.com/help/termsofservice) _\\|_ [问题反馈](https://t.qianzhan.com/help/feedback)\n\n违法和不良信息举报电话：400-068-7188　　　举报邮箱：service@qianzhan.com　　　[在线反馈/投诉](https://t.qianzhan.com/help/feedback) [中国互联网联合辟谣平台](https://www.piyao.org.cn/)\n\nCopyright © 1998-2025深圳前瞻资讯股份有限公司All rights reserved. [粤ICP备11021828号-2](https://www.qianzhan.com/go/pHSH3T) 增值电信业务经营许可证： [粤B2-20130734](https://www.qianzhan.com/html/icp.html)\n\n如有投稿需求，请把文章发送到邮箱\n\ntougao@qianzhan.com，一经录用会有专人和您联系\n\n**开通机构号、入驻经济学人请咨询**\n\n微信客服：前瞻小宝\n\n![前瞻小宝](https://img1.qianzhan.com/2017bg/images/jjxr-wx-kefu.jpg)\n\n我知道了" ] } ``` #### 单页面抓取

输入 ```json { "url": "https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html" } ``` 输出 ```json { "text": "[![前瞻经济学人](https://img1.qianzhan.com/2017bg/images/jjxr-logo.png)](https://www.qianzhan.com/analyst/)\n\n报告服务热线 **400-068-7188**\n\n- [首页](https://www.qianzhan.com/)\n- [产经资讯 _I_](https://f.qianzhan.com/aboutus/)\n\n\n- [研究员专栏HOT](https://www.qianzhan.com/analyst/list/220.html)\n- [规划师专栏HOT](https://www.qianzhan.com/analyst/list/627.html)\n- [观察家专栏](https://www.qianzhan.com/analyst/list/329.html)\n- [竞争格局](https://x.qianzhan.com/articles?t=2001)\n- [产业链](https://x.qianzhan.com/articles?t=2002)\n- [发展趋势](https://x.qianzhan.com/articles?t=2003)\n- [政策法规](https://x.qianzhan.com/articles?t=2004)\n- [投融资](https://x.qianzhan.com/articles?t=2009)\n- [商业模式](https://x.qianzhan.com/articles?t=2005)\n- [企业分析](https://x.qianzhan.com/articles?t=2006)\n- [全球市场](https://x.qianzhan.com/articles?t=2010)\n\n- [问答](https://www.qianzhan.com/wenda/)\n- [产业研究 _I_](https://www.qianzhan.com/report/)\n\n\n- [能源电力](https://bg.qianzhan.com/report/list2/3362.html)\n- [节能环保](https://bg.qianzhan.com/report/list2/3368.html)\n- [金融/保险/投资](https://bg.qianzhan.com/report/list2/3365.html)\n- [医疗/健康/养老](https://bg.qianzhan.com/report/list2/3371.html)\n- [互联网/信息技术](https://bg.qianzhan.com/report/list2/3374.html)\n- [通信/电子/芯片](https://bg.qianzhan.com/report/list2/3377.html)\n- [家用电器](https://bg.qianzhan.com/report/list2/3428.html)\n- [智能/高端装备](https://bg.qianzhan.com/report/list2/3383.html)\n- [机械设备](https://bg.qianzhan.com/report/list2/3386.html)\n- [电气设备](https://bg.qianzhan.com/report/list2/3389.html)\n- [仪器仪表](https://bg.qianzhan.com/report/list2/3392.html)\n- [交通/物流/仓储](https://bg.qianzhan.com/report/list2/3380.html)\n- [汽车产业](https://bg.qianzhan.com/report/list2/3395.html)\n- [化工/新材料](https://bg.qianzhan.com/report/list2/3398.html)\n- [钢铁有色](https://bg.qianzhan.com/report/list2/3401.html)\n- [房产建筑](https://bg.qianzhan.com/report/list2/3404.html)\n- [建材家居](https://bg.qianzhan.com/report/list2/3407.html)\n- [城市规划](https://bg.qianzhan.com/report/list2/3410.html)\n- [现代服务](https://bg.qianzhan.com/report/list2/3413.html)\n- [旅游/酒店/餐饮](https://bg.qianzhan.com/report/list2/3416.html)\n- [文教/体育/娱乐](https://bg.qianzhan.com/report/list2/3419.html)\n- [包装/印刷/纸](https://bg.qianzhan.com/report/list2/3422.html)\n- [食品/饮料/酒](https://bg.qianzhan.com/report/list2/3425.html)\n- [纺织/服装/鞋](https://bg.qianzhan.com/report/list2/3431.html)\n- [零售/日化/快消](https://bg.qianzhan.com/report/list2/3434.html)\n- [农林牧渔](https://bg.qianzhan.com/report/list2/3437.html)\n- [安防/公用其他](https://bg.qianzhan.com/report/list2/3440.html)\n\n精选专题报告\n\n- [3000+精品报告](https://bg.qianzhan.com/report/hotlist/)\n- [产业链招商报告](https://bg.qianzhan.com/report/chanyelian/)\n- [技术咨询报告](https://bg.qianzhan.com/report/qushi/)\n- [全球产业报告](https://bg.qianzhan.com/report/world/)\n- [100大行业全景](https://bg.qianzhan.com/report/quanjing100/)\n- [行业专题套餐](https://bg.qianzhan.com/report/combo/)\n- [出海专题报告](https://bg.qianzhan.com/report/chuhai/)\n- [产业链决策套餐](https://bg.qianzhan.com/report/chanyelianjuece/)\n- [前瞻免费报告](https://bg.qianzhan.com/report/free/)\n- [两链（图、库、清单）报告](https://bg.qianzhan.com/report/lianglian/)\n- [城市企业全景分析报告](https://bg.qianzhan.com/report/csqj)\n\n专项定制\n\n- [行业地位证明HOT](https://bg.qianzhan.com/report/qyppcs)\n- [IPO募投可研](https://ipo.qianzhan.com/mutou/)\n- [可行性研究](https://f.qianzhan.com/keyan/)\n- [招股说明书撰写](https://bg.qianzhan.com/report/ipo)\n- [行业白/蓝皮书](https://f.qianzhan.com/lanpishu/)\n- [IPO细分市场研究](https://ipo.qianzhan.com/xifen/)\n- [银行授信研究](https://bg.qianzhan.com/report/reportdingzhi)\n- [尽职调查研究](https://bg.qianzhan.com/report/reportdingzhi)\n- [专项市场调研HOT](https://bg.qianzhan.com/report/reportdingzhi)\n- [专精特新申报](https://f.qianzhan.com/shenbao/)\n- [小巨人申报](https://f.qianzhan.com/shenbao/)\n- [单项冠军申报](https://f.qianzhan.com/shenbao/)\n\n- [免费报告](https://bg.qianzhan.com/report/free)\n- [产业大数据 _I_](https://d.qianzhan.com/)\n\n\n\n\n\n\n\n\n经济数据\n\n- [中国宏观](https://d.qianzhan.com/xdata/list/xfyyy0yyIxPyywyy2xDxfd.html)\n- [省市宏观](https://d.qianzhan.com/xdata/list/xfyyOxqx1yyWxhxapJ.html)\n- [全球宏观](https://d.qianzhan.com/xdata/list/xfyyydy8yEyhHyEx4xR.html)\n- [行业经济](https://d.qianzhan.com/xdata/list/xfx5yyyex0xTyynHxey0.html)\n- [进出口](https://d.qianzhan.com/xdata/list/xCxl2y0xw.html)\n\n数据系统\n\n- [全国产业园库HOT](https://y.qianzhan.com/)\n- [上市大数据](https://stock.qianzhan.com/)\n- [企业大数据](https://www.qichamao.com/)\n- [前瞻图表库](https://x.qianzhan.com/)\n- [智慧招商系统HOT](https://z.qianzhan.com/)\n- [政策大数据](https://zc.qianzhan.com/)\n- [产业决策大数据系统HOT](https://bg.qianzhan.com/report/changyedata)\n\n- [产业规划 _I_](https://f.qianzhan.com/chanyeguihua2/)\n\n\n- [产业规划HOT](https://f.qianzhan.com/chanyeguihua2/)\n- [十五五规划](https://f.qianzhan.com/sww/)\n- [低空经济](https://f.qianzhan.com/dkjj/)\n- [电子信息](https://f.qianzhan.com/dzxx/)\n- [新能源汽车](https://f.qianzhan.com/xnyqc/)\n- [生物医药](https://f.qianzhan.com/swyy/)\n- [集成电路](https://f.qianzhan.com/jcdl/)\n- [海洋经济](https://f.qianzhan.com/hyjj/)\n- [高端装备](https://f.qianzhan.com/gdzb/)\n- [人工智能](https://f.qianzhan.com/rgzn/)\n- [现代物流](https://f.qianzhan.com/xdwl/)\n- [新能源](https://f.qianzhan.com/xny/)\n- [食品产业](https://f.qianzhan.com/sp/)\n- [生产性服务](https://f.qianzhan.com/scxfw/)\n- [应急产业](https://f.qianzhan.com/yj/)\n- [医疗器械](https://f.qianzhan.com/ylqx/)\n- [新材料](https://f.qianzhan.com/xcl/)\n- [新消费](https://f.qianzhan.com/xinxiaofei/)\n\n- [APP下载](https://ecoapp.qianzhan.com/)\n\n## 决策精品报告\n\n_产业资讯_\n\n- [产业资讯](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [研究报告](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [经济数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [上市数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [企业信息](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n[冷链物流](https://bg.qianzhan.com/report/detail/98316559a6fe4430.html) [氢能源](https://bg.qianzhan.com/report/detail/1607281732570984.html) [医疗器械](https://bg.qianzhan.com/report/detail/2c2ad528d23140d3.html) [两链两图两库两池](https://bg.qianzhan.com/report/lianglian/) [3000+精品报告大全 »](https://bg.qianzhan.com/report/hotlist/?f=analyst)\n\n当前位置： [前瞻产业研究院](https://bg.qianzhan.com/) »\n[经济学人](https://www.qianzhan.com/analyst/) »\n[研究员专栏](https://www.qianzhan.com/analyst/list/220.html)\n\n# 2025年全球多模态大模型行业发展现状 AI服务器和算力发展推动市场爆发式增长【组图】\n\n分享到：\n\n[![20](https://img3.qianzhan.com/analyst/photos/202205/11150708_16093_180x180.gif) 刘海晶](https://www.qianzhan.com/analyst/profile/16093.html)_• 2025-04-22 15:00:30_ 来源：前瞻产业研究院_E48267_ [_G_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)\n\n- [2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=title)\n\n**行业主要上市公司：** 阿里巴巴(09988.HK，BABA.US);百度(09888.HK，BIDU.US);腾讯(00700.HK， TCEHY); [科大讯飞](https://stock.qianzhan.com/hs/zhengquan_002230.SZ.html)(002230.SZ); [万兴科技](https://stock.qianzhan.com/hs/zhengquan_300624.SZ.html)(300624.SZ); [三六零](https://stock.qianzhan.com/hs/zhengquan_601360.SH.html)(601360.SH); [昆仑万维](https://stock.qianzhan.com/hs/zhengquan_300418.SZ.html)(300418.SZ);云从科技(688327.SH); [拓尔思](https://stock.qianzhan.com/hs/zhengquan_300229.SZ.html)(300229.SZ)等\n\n**本文核心数据**：市场规模;算力;排名;\n\n**全球多模态大模型行业发展历程**\n\n全球大模型产业的发展经历了早期探索期(1956年-2005年)，在这一阶段，人工智能学科诞生，神经网络模型开始发展。随后进入快速成长期(2006年-2019年)，深度学习概念被重新引入，Transformer等模型推动了行业进步。2020年至2022年为大模型兴起期，参数规模迅速扩大，2022年更被视为大模型元年。从2023年开始，大模型进入广泛应用期，其在各领域的深度应用得到不断拓展。这一过程并非严格分期，而是体现了大模型技术发展的连续性和阶段性。\n\n![图表1：全球大模型产业发展历程](https://img3.qianzhan.com/news/202504/22/20250422-96c6becdecf86d6f.png)\n\n**全球人工智能服务器现状**\n\n由于大模型对计算能力和数据的高需求，其所需要的服务器设施将在人工智能基础设施市场中占据越来越大的份额。IDC预计，全球人工智能硬件市场(服务器)，将从2022年的195亿美元增长到2026年的347亿美元，五年年复合增长率达17.3%;其中，用于运行生成式人工智能的服务器市场规模在整体人工智能服务器市场的占比将从2023年的11.9%增长至2026年的31.7%。\n\n![图表2：2022-2026年全球人工智能服务器市场规模情况(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-32d150d269e0ecd5.png)\n\n**全球大模型算力需求情况**\n\n从感知智能到生成式智能，人工智能越来越需要依赖“强算法、高算力、大数据”的支持。模型的大小、训练所需的参数量等因素将直接影响智能涌现的质量，人工智能模型需要的准确性越高，训练该模型所需的计算力就越高。以ChatGPT模型为例，公开数据显示，其所使用的GPT-3大模型所需训练参数量为1750亿，算力消耗为3640PF-days(即每秒运算一千万亿次，运行3640天)，需要至少1万片GPU提供支撑。据统计，当模型参数扩大十倍，算力投入将超过十倍，模型架构、优化效率、并行处理能力以及算力硬件能力等因素均会影响具体增加的倍数。\n\n![图表3：代表大模型所需训练参数量及算力当量情况(单位：亿，PF-days)](https://img3.qianzhan.com/news/202504/22/20250422-32e0f2ddf178f89f.png)\n\n**全球大模型市场规模情况**\n\n当前全球的人工智能产业处于高速发展期，大模型技术引领着人工智能领域正在迈向新的发展高度，也已不局限于技术讨论的范畴，而是进入商业化应用阶段，大模型市场正处于快速增长阶段。根据IDC数据，2023年全球大模型市场规模达到210亿美元。初步测算，2024年全球大模型市场规模达280亿美元，同比增长33%。\n\n![图表4：2023-2024年全球大模型市场规模(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-54494b60ac0a8d0a.png)\n\n**全球多模态大模型竞争格局**\n\n2024年7月9日，SuperCLUE发布《中文大模型基准测评2024上半年报告》，报告选取国内外有代表性的33个大模型在6月份的版本，通过多维度综合性测评，对国内外大模型发展现状进行观察与思考。从代表通用能力的一级总分来看，GPT-4o以81分的绝对优势领跑SuperCLUE基准测试，是全球模型中唯一超过80分的大模型。展现出强大的语言、数理和指令遵循能力。中国大模型发展非常迅速，其中有6个国内大模型超过GPT-4-Turbo-0409。绝大部分闭源模型已超过GPT-3.5-Turbo-0125。\n\n![图表5：全球大模型总体表现](https://img3.qianzhan.com/news/202504/22/20250422-bb2481892a1fe539.png)\n\n注：由于部分模型分数较为接近，为了减少问题波动对排名的影响，本次测评将相距1分区间的模型定义为并列，报告中分数展示以上区间为主;截至2025年4月，暂未有2024年全年报告，届时以最新数据为准。\n\n更多本行业研究分析详见前瞻产业研究院《 [全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html)》\n\n同时前瞻产业研究院还提供 [产业新赛道研究](https://bg.qianzhan.com/report/cyzlzx)、 [投资可行性研究](https://f.qianzhan.com/keyan/)、 [产业规划](https://f.qianzhan.com/chanyeguihua2/)、 [园区规划](https://f.qianzhan.com/yuanqu/)、 [产业招商](https://f.qianzhan.com/chanyezhaoshang/)、 [产业图谱](https://bg.qianzhan.com/report/lianglian/)、 [产业大数据](https://d.qianzhan.com/)、 [智慧招商系统](https://z.qianzhan.com/)、 [行业地位证明](https://bg.qianzhan.com/report/qyppcs)、 [IPO咨询/募投可研](https://ipo.qianzhan.com/mutou/)、 [专精特新小巨人申报](https://bg.qianzhan.com/report/qyppcs)、 [十五五规划](https://f.qianzhan.com/sww) 等解决方案。如需转载引用本篇文章内容，请注明资料来源（前瞻产业研究院）。\n\n更多深度行业分析尽在 [【前瞻经济学人APP】](https://ecoapp.qianzhan.com/)，还可以与500+经济学家/资深行业研究员交流互动。更多企业数据、企业资讯、企业发展情况尽在 [【企查猫APP】](https://www.qichamao.com/app/app.html)，性价比最高功能最全的企业查询平台。\n\n## 前瞻产业研究院 \\- 深度报告 REPORTS\n\n[![2025-2030年全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://img3.qianzhan.com/report/cover/24/2404101727200410.gif)](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer1)\n\n[2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer2)\n\n本报告前瞻性、适时性地对多模态大模型行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来多模态大模型行业发展轨迹及实践经验，对多模态大...\n\n[查看详情](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer3)\n\n本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）　_品牌合作与广告投放请联系：0755-33015062 或 hezuo@qianzhan.com_\n\n如在招股说明书、公司年度报告中引用本篇文章数据，请联系前瞻产业研究院，联系电话：400-068-7188。\n\n_p_ _45_[_q_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)[我要投稿](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n分享：\n\n标签： [多模态大模型](https://t.qianzhan.com/search/?q=%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8b) [行业发展现状](https://t.qianzhan.com/search/?q=%e8%a1%8c%e4%b8%9a%e5%8f%91%e5%b1%95%e7%8e%b0%e7%8a%b6) [AI服务器](https://t.qianzhan.com/search/?q=AI%e6%9c%8d%e5%8a%a1%e5%99%a8) [算力](https://t.qianzhan.com/search/?q=%e7%ae%97%e5%8a%9b)\n\n品牌、内容合作请点这里： [寻求合作 ››](https://bg.qianzhan.com/report/qyppcs)\n\n[![](https://img1.qianzhan.com/img/gg/qz/chanye_760.jpg?20220221)](https://f.qianzhan.com/chanyeguihua2/?f=abanner)\n\n- [产业规划](https://f.qianzhan.com/chanyeguihua2/)\n- [园区规划](https://f.qianzhan.com/yuanqu/)\n- [产业招商](https://f.qianzhan.com/chanyezhaoshang/)\n- [可行性研究](https://f.qianzhan.com/keyan/)\n- [低空经济](https://f.qianzhan.com/dkjj/)\n- [高端装备](https://f.qianzhan.com/gdzb/)\n- [生物医药](https://f.qianzhan.com/swyy/)\n\n![](https://img1.qianzhan.com/2017bg/images/qzjjxr_wx.jpg)\n\n### **前瞻经济学人**\n\n专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。\n\n![](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\n\n### **前瞻产业研究院**\n\n中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。\n\n## 相关阅读RELEVANT\n\n- [![2025年中国多模态大模型行业硬件现状 AI芯片和AI服务器的需求在多模态大模型影响下加速增长【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 硬件 _现状_ _AI_ 芯片和 _AI_ _服务器_ 的需求在 _多_ _模_ _态_ _大_ _模型_ 影响下加速增长【组图】](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\n\n- [![预见2025：《2025年中国多模态大模型行业全景图谱》（附市场现状、竞争格局和发展趋势等）](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\n[预见2025：《2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 全景图谱》（附市场 _现状_、竞争格局和 _发展_ 趋势等）](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\n\n- [![2025年中国多模态大模型行业生产生活应用现状多模态大模型助力生产生活走向高品质【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 生产生活应用 _现状_ _多_ _模_ _态_ _大_ _模型_ 助力生产生活走向高品质【组图】](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\n\n- [![【干货】多模态大模型产业链全景梳理及区域热力地图](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\n[【干货】 _多_ _模_ _态_ _大_ _模型_ 产业链全景梳理及区域热力地图](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\n\n- [![2025年中国多模态大模型行业主要模型主要多模态大模型处理能力表现出色【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 主要 _模型_ 主要 _多_ _模_ _态_ _大_ _模型_ 处理能力表现出色【组图】](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\n\n- [![2025年中国多模态大模型行业文娱媒体应用场景多模态大模型提升文娱媒体创作效率【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 文娱媒体应用场景 _多_ _模_ _态_ _大_ _模型_ 提升文娱媒体创作效率【组图】](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\n\n\n[![前瞻数据库](https://img3.qianzhan.com/gg/35/20171024104522-35cedeb6.jpg)](https://d.qianzhan.com/)\n\n[![企查猫](http://img3.qianzhan.com/gg/98/20180306134540-98ae6688.gif)](https://www.qianzhan.com/go/tYpzTR)\n\n×\n\n扫一扫\n\n下载《前瞻经济学人》APP提问\n\n![](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\n\n在线咨询\n\n\n_×_\n\n[![在线咨询](https://img1.qianzhan.com/2017bg/images/bg_on_sv4.gif)](http://tb.53kf.com/code/client/10037428/1)\n\n[可行性报告](https://f.qianzhan.com/keyan/) [行业地位证明](https://bg.qianzhan.com/report/qyppcs) [产业规划](https://f.qianzhan.com/chanyeguihua2/) [园区规划](https://f.qianzhan.com/yuanqu/) [产业招商](https://f.qianzhan.com/chanyezhaoshang/) [产业培训](https://f.qianzhan.com/cynx/)\n\n项目热线\n0755-33015070\n\n\n_A_ APP\n![前瞻经济学人APP下载二维码](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\n\n下载前瞻经济学人APP\n\n关注我们\n![前瞻产业研究院微信号](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\n\n扫一扫关注我们\n\n我要投稿\n\n_×_\n\n[J](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n[新手指南](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于前瞻研究院](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于订购](https://bg.qianzhan.com/report/guide/dinggou.html)[关于报告](https://bg.qianzhan.com/report/guide/productquestions.html)[购买帮助](https://bg.qianzhan.com/report/guide/authentication.html)[实力鉴证](https://bg.qianzhan.com/report/guide/authentication.html)[客户评价](https://bg.qianzhan.com/report/guide/pingjia.html)[企业资质](https://bg.qianzhan.com/report/guide/certificate.html)[配送支付](https://bg.qianzhan.com/report/guide/payinfo.html)[支付方式](https://bg.qianzhan.com/report/guide/payinfo.html)[发货与配送](https://bg.qianzhan.com/report/guide/deliver.html)[发票说明](https://bg.qianzhan.com/report/guide/invoice.html)[售后保障](https://bg.qianzhan.com/report/guide/saleservice.html)[售后条款](https://bg.qianzhan.com/report/guide/saleservice.html)[品质保证](https://bg.qianzhan.com/report/guide/quality.html)[投诉与举报](https://bg.qianzhan.com/report/guide/inform.html)[规划·咨询](https://f.qianzhan.com/)[产业规划](https://f.qianzhan.com/chanyeguihua2/)[可行性报告](https://f.qianzhan.com/keyan/)[园区规划](https://f.qianzhan.com/yuanqu/)[专项市场调研](https://bg.qianzhan.com/report/reportdingzhi)[产业招商](https://f.qianzhan.com/chanyezhaoshang/)[行业地位证明](https://bg.qianzhan.com/report/qyppcs)\n\n联系客服报告热线：400-068-7188售后热线：0755-33013088关注我们![关注前瞻产业研究院](https://img1.qianzhan.com/2017bg/images/wixin.jpg)\n\n[关于我们](https://bg.qianzhan.com/report/guide/yanjiuyuan.html) _\\|_ [联系我们](https://bg.qianzhan.com/report/guide/contact.html) _\\|_ [品牌合作](https://bg.qianzhan.com/report/qyppcs) _\\|_ [免责声明](https://t.qianzhan.com/help/disclaimer) _\\|_ [服务条款](https://t.qianzhan.com/help/termsofservice) _\\|_ [问题反馈](https://t.qianzhan.com/help/feedback)\n\n违法和不良信息举报电话：400-068-7188　　　举报邮箱：service@qianzhan.com　　　[在线反馈/投诉](https://t.qianzhan.com/help/feedback) [中国互联网联合辟谣平台](https://www.piyao.org.cn/)\n\nCopyright © 1998-2025深圳前瞻资讯股份有限公司All rights reserved. [粤ICP备11021828号-2](https://www.qianzhan.com/go/pHSH3T) 增值电信业务经营许可证： [粤B2-20130734](https://www.qianzhan.com/html/icp.html)\n\n如有投稿需求，请把文章发送到邮箱\n\ntougao@qianzhan.com，一经录用会有专人和您联系\n\n**开通机构号、入驻经济学人请咨询**\n\n微信客服：前瞻小宝\n\n![前瞻小宝](https://img1.qianzhan.com/2017bg/images/jjxr-wx-kefu.jpg)\n\n我知道了", "files": [], "json": [ { "data": { "markdown": "[![前瞻经济学人](https://img1.qianzhan.com/2017bg/images/jjxr-logo.png)](https://www.qianzhan.com/analyst/)\n\n报告服务热线 **400-068-7188**\n\n- [首页](https://www.qianzhan.com/)\n- [产经资讯 _I_](https://f.qianzhan.com/aboutus/)\n\n\n- [研究员专栏HOT](https://www.qianzhan.com/analyst/list/220.html)\n- [规划师专栏HOT](https://www.qianzhan.com/analyst/list/627.html)\n- [观察家专栏](https://www.qianzhan.com/analyst/list/329.html)\n- [竞争格局](https://x.qianzhan.com/articles?t=2001)\n- [产业链](https://x.qianzhan.com/articles?t=2002)\n- [发展趋势](https://x.qianzhan.com/articles?t=2003)\n- [政策法规](https://x.qianzhan.com/articles?t=2004)\n- [投融资](https://x.qianzhan.com/articles?t=2009)\n- [商业模式](https://x.qianzhan.com/articles?t=2005)\n- [企业分析](https://x.qianzhan.com/articles?t=2006)\n- [全球市场](https://x.qianzhan.com/articles?t=2010)\n\n- [问答](https://www.qianzhan.com/wenda/)\n- [产业研究 _I_](https://www.qianzhan.com/report/)\n\n\n- [能源电力](https://bg.qianzhan.com/report/list2/3362.html)\n- [节能环保](https://bg.qianzhan.com/report/list2/3368.html)\n- [金融/保险/投资](https://bg.qianzhan.com/report/list2/3365.html)\n- [医疗/健康/养老](https://bg.qianzhan.com/report/list2/3371.html)\n- [互联网/信息技术](https://bg.qianzhan.com/report/list2/3374.html)\n- [通信/电子/芯片](https://bg.qianzhan.com/report/list2/3377.html)\n- [家用电器](https://bg.qianzhan.com/report/list2/3428.html)\n- [智能/高端装备](https://bg.qianzhan.com/report/list2/3383.html)\n- [机械设备](https://bg.qianzhan.com/report/list2/3386.html)\n- [电气设备](https://bg.qianzhan.com/report/list2/3389.html)\n- [仪器仪表](https://bg.qianzhan.com/report/list2/3392.html)\n- [交通/物流/仓储](https://bg.qianzhan.com/report/list2/3380.html)\n- [汽车产业](https://bg.qianzhan.com/report/list2/3395.html)\n- [化工/新材料](https://bg.qianzhan.com/report/list2/3398.html)\n- [钢铁有色](https://bg.qianzhan.com/report/list2/3401.html)\n- [房产建筑](https://bg.qianzhan.com/report/list2/3404.html)\n- [建材家居](https://bg.qianzhan.com/report/list2/3407.html)\n- [城市规划](https://bg.qianzhan.com/report/list2/3410.html)\n- [现代服务](https://bg.qianzhan.com/report/list2/3413.html)\n- [旅游/酒店/餐饮](https://bg.qianzhan.com/report/list2/3416.html)\n- [文教/体育/娱乐](https://bg.qianzhan.com/report/list2/3419.html)\n- [包装/印刷/纸](https://bg.qianzhan.com/report/list2/3422.html)\n- [食品/饮料/酒](https://bg.qianzhan.com/report/list2/3425.html)\n- [纺织/服装/鞋](https://bg.qianzhan.com/report/list2/3431.html)\n- [零售/日化/快消](https://bg.qianzhan.com/report/list2/3434.html)\n- [农林牧渔](https://bg.qianzhan.com/report/list2/3437.html)\n- [安防/公用其他](https://bg.qianzhan.com/report/list2/3440.html)\n\n精选专题报告\n\n- [3000+精品报告](https://bg.qianzhan.com/report/hotlist/)\n- [产业链招商报告](https://bg.qianzhan.com/report/chanyelian/)\n- [技术咨询报告](https://bg.qianzhan.com/report/qushi/)\n- [全球产业报告](https://bg.qianzhan.com/report/world/)\n- [100大行业全景](https://bg.qianzhan.com/report/quanjing100/)\n- [行业专题套餐](https://bg.qianzhan.com/report/combo/)\n- [出海专题报告](https://bg.qianzhan.com/report/chuhai/)\n- [产业链决策套餐](https://bg.qianzhan.com/report/chanyelianjuece/)\n- [前瞻免费报告](https://bg.qianzhan.com/report/free/)\n- [两链（图、库、清单）报告](https://bg.qianzhan.com/report/lianglian/)\n- [城市企业全景分析报告](https://bg.qianzhan.com/report/csqj)\n\n专项定制\n\n- [行业地位证明HOT](https://bg.qianzhan.com/report/qyppcs)\n- [IPO募投可研](https://ipo.qianzhan.com/mutou/)\n- [可行性研究](https://f.qianzhan.com/keyan/)\n- [招股说明书撰写](https://bg.qianzhan.com/report/ipo)\n- [行业白/蓝皮书](https://f.qianzhan.com/lanpishu/)\n- [IPO细分市场研究](https://ipo.qianzhan.com/xifen/)\n- [银行授信研究](https://bg.qianzhan.com/report/reportdingzhi)\n- [尽职调查研究](https://bg.qianzhan.com/report/reportdingzhi)\n- [专项市场调研HOT](https://bg.qianzhan.com/report/reportdingzhi)\n- [专精特新申报](https://f.qianzhan.com/shenbao/)\n- [小巨人申报](https://f.qianzhan.com/shenbao/)\n- [单项冠军申报](https://f.qianzhan.com/shenbao/)\n\n- [免费报告](https://bg.qianzhan.com/report/free)\n- [产业大数据 _I_](https://d.qianzhan.com/)\n\n\n\n\n\n\n\n\n经济数据\n\n- [中国宏观](https://d.qianzhan.com/xdata/list/xfyyy0yyIxPyywyy2xDxfd.html)\n- [省市宏观](https://d.qianzhan.com/xdata/list/xfyyOxqx1yyWxhxapJ.html)\n- [全球宏观](https://d.qianzhan.com/xdata/list/xfyyydy8yEyhHyEx4xR.html)\n- [行业经济](https://d.qianzhan.com/xdata/list/xfx5yyyex0xTyynHxey0.html)\n- [进出口](https://d.qianzhan.com/xdata/list/xCxl2y0xw.html)\n\n数据系统\n\n- [全国产业园库HOT](https://y.qianzhan.com/)\n- [上市大数据](https://stock.qianzhan.com/)\n- [企业大数据](https://www.qichamao.com/)\n- [前瞻图表库](https://x.qianzhan.com/)\n- [智慧招商系统HOT](https://z.qianzhan.com/)\n- [政策大数据](https://zc.qianzhan.com/)\n- [产业决策大数据系统HOT](https://bg.qianzhan.com/report/changyedata)\n\n- [产业规划 _I_](https://f.qianzhan.com/chanyeguihua2/)\n\n\n- [产业规划HOT](https://f.qianzhan.com/chanyeguihua2/)\n- [十五五规划](https://f.qianzhan.com/sww/)\n- [低空经济](https://f.qianzhan.com/dkjj/)\n- [电子信息](https://f.qianzhan.com/dzxx/)\n- [新能源汽车](https://f.qianzhan.com/xnyqc/)\n- [生物医药](https://f.qianzhan.com/swyy/)\n- [集成电路](https://f.qianzhan.com/jcdl/)\n- [海洋经济](https://f.qianzhan.com/hyjj/)\n- [高端装备](https://f.qianzhan.com/gdzb/)\n- [人工智能](https://f.qianzhan.com/rgzn/)\n- [现代物流](https://f.qianzhan.com/xdwl/)\n- [新能源](https://f.qianzhan.com/xny/)\n- [食品产业](https://f.qianzhan.com/sp/)\n- [生产性服务](https://f.qianzhan.com/scxfw/)\n- [应急产业](https://f.qianzhan.com/yj/)\n- [医疗器械](https://f.qianzhan.com/ylqx/)\n- [新材料](https://f.qianzhan.com/xcl/)\n- [新消费](https://f.qianzhan.com/xinxiaofei/)\n\n- [APP下载](https://ecoapp.qianzhan.com/)\n\n## 决策精品报告\n\n_产业资讯_\n\n- [产业资讯](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [研究报告](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [经济数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [上市数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n- [企业信息](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n[冷链物流](https://bg.qianzhan.com/report/detail/98316559a6fe4430.html) [氢能源](https://bg.qianzhan.com/report/detail/1607281732570984.html) [医疗器械](https://bg.qianzhan.com/report/detail/2c2ad528d23140d3.html) [两链两图两库两池](https://bg.qianzhan.com/report/lianglian/) [3000+精品报告大全 »](https://bg.qianzhan.com/report/hotlist/?f=analyst)\n\n当前位置： [前瞻产业研究院](https://bg.qianzhan.com/) »\n[经济学人](https://www.qianzhan.com/analyst/) »\n[研究员专栏](https://www.qianzhan.com/analyst/list/220.html)\n\n# 2025年全球多模态大模型行业发展现状 AI服务器和算力发展推动市场爆发式增长【组图】\n\n分享到：\n\n[![20](https://img3.qianzhan.com/analyst/photos/202205/11150708_16093_180x180.gif) 刘海晶](https://www.qianzhan.com/analyst/profile/16093.html)_• 2025-04-22 15:00:30_ 来源：前瞻产业研究院_E48267_ [_G_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)\n\n- [2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=title)\n\n**行业主要上市公司：** 阿里巴巴(09988.HK，BABA.US);百度(09888.HK，BIDU.US);腾讯(00700.HK， TCEHY); [科大讯飞](https://stock.qianzhan.com/hs/zhengquan_002230.SZ.html)(002230.SZ); [万兴科技](https://stock.qianzhan.com/hs/zhengquan_300624.SZ.html)(300624.SZ); [三六零](https://stock.qianzhan.com/hs/zhengquan_601360.SH.html)(601360.SH); [昆仑万维](https://stock.qianzhan.com/hs/zhengquan_300418.SZ.html)(300418.SZ);云从科技(688327.SH); [拓尔思](https://stock.qianzhan.com/hs/zhengquan_300229.SZ.html)(300229.SZ)等\n\n**本文核心数据**：市场规模;算力;排名;\n\n**全球多模态大模型行业发展历程**\n\n全球大模型产业的发展经历了早期探索期(1956年-2005年)，在这一阶段，人工智能学科诞生，神经网络模型开始发展。随后进入快速成长期(2006年-2019年)，深度学习概念被重新引入，Transformer等模型推动了行业进步。2020年至2022年为大模型兴起期，参数规模迅速扩大，2022年更被视为大模型元年。从2023年开始，大模型进入广泛应用期，其在各领域的深度应用得到不断拓展。这一过程并非严格分期，而是体现了大模型技术发展的连续性和阶段性。\n\n![图表1：全球大模型产业发展历程](https://img3.qianzhan.com/news/202504/22/20250422-96c6becdecf86d6f.png)\n\n**全球人工智能服务器现状**\n\n由于大模型对计算能力和数据的高需求，其所需要的服务器设施将在人工智能基础设施市场中占据越来越大的份额。IDC预计，全球人工智能硬件市场(服务器)，将从2022年的195亿美元增长到2026年的347亿美元，五年年复合增长率达17.3%;其中，用于运行生成式人工智能的服务器市场规模在整体人工智能服务器市场的占比将从2023年的11.9%增长至2026年的31.7%。\n\n![图表2：2022-2026年全球人工智能服务器市场规模情况(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-32d150d269e0ecd5.png)\n\n**全球大模型算力需求情况**\n\n从感知智能到生成式智能，人工智能越来越需要依赖“强算法、高算力、大数据”的支持。模型的大小、训练所需的参数量等因素将直接影响智能涌现的质量，人工智能模型需要的准确性越高，训练该模型所需的计算力就越高。以ChatGPT模型为例，公开数据显示，其所使用的GPT-3大模型所需训练参数量为1750亿，算力消耗为3640PF-days(即每秒运算一千万亿次，运行3640天)，需要至少1万片GPU提供支撑。据统计，当模型参数扩大十倍，算力投入将超过十倍，模型架构、优化效率、并行处理能力以及算力硬件能力等因素均会影响具体增加的倍数。\n\n![图表3：代表大模型所需训练参数量及算力当量情况(单位：亿，PF-days)](https://img3.qianzhan.com/news/202504/22/20250422-32e0f2ddf178f89f.png)\n\n**全球大模型市场规模情况**\n\n当前全球的人工智能产业处于高速发展期，大模型技术引领着人工智能领域正在迈向新的发展高度，也已不局限于技术讨论的范畴，而是进入商业化应用阶段，大模型市场正处于快速增长阶段。根据IDC数据，2023年全球大模型市场规模达到210亿美元。初步测算，2024年全球大模型市场规模达280亿美元，同比增长33%。\n\n![图表4：2023-2024年全球大模型市场规模(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-54494b60ac0a8d0a.png)\n\n**全球多模态大模型竞争格局**\n\n2024年7月9日，SuperCLUE发布《中文大模型基准测评2024上半年报告》，报告选取国内外有代表性的33个大模型在6月份的版本，通过多维度综合性测评，对国内外大模型发展现状进行观察与思考。从代表通用能力的一级总分来看，GPT-4o以81分的绝对优势领跑SuperCLUE基准测试，是全球模型中唯一超过80分的大模型。展现出强大的语言、数理和指令遵循能力。中国大模型发展非常迅速，其中有6个国内大模型超过GPT-4-Turbo-0409。绝大部分闭源模型已超过GPT-3.5-Turbo-0125。\n\n![图表5：全球大模型总体表现](https://img3.qianzhan.com/news/202504/22/20250422-bb2481892a1fe539.png)\n\n注：由于部分模型分数较为接近，为了减少问题波动对排名的影响，本次测评将相距1分区间的模型定义为并列，报告中分数展示以上区间为主;截至2025年4月，暂未有2024年全年报告，届时以最新数据为准。\n\n更多本行业研究分析详见前瞻产业研究院《 [全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html)》\n\n同时前瞻产业研究院还提供 [产业新赛道研究](https://bg.qianzhan.com/report/cyzlzx)、 [投资可行性研究](https://f.qianzhan.com/keyan/)、 [产业规划](https://f.qianzhan.com/chanyeguihua2/)、 [园区规划](https://f.qianzhan.com/yuanqu/)、 [产业招商](https://f.qianzhan.com/chanyezhaoshang/)、 [产业图谱](https://bg.qianzhan.com/report/lianglian/)、 [产业大数据](https://d.qianzhan.com/)、 [智慧招商系统](https://z.qianzhan.com/)、 [行业地位证明](https://bg.qianzhan.com/report/qyppcs)、 [IPO咨询/募投可研](https://ipo.qianzhan.com/mutou/)、 [专精特新小巨人申报](https://bg.qianzhan.com/report/qyppcs)、 [十五五规划](https://f.qianzhan.com/sww) 等解决方案。如需转载引用本篇文章内容，请注明资料来源（前瞻产业研究院）。\n\n更多深度行业分析尽在 [【前瞻经济学人APP】](https://ecoapp.qianzhan.com/)，还可以与500+经济学家/资深行业研究员交流互动。更多企业数据、企业资讯、企业发展情况尽在 [【企查猫APP】](https://www.qichamao.com/app/app.html)，性价比最高功能最全的企业查询平台。\n\n## 前瞻产业研究院 \\- 深度报告 REPORTS\n\n[![2025-2030年全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://img3.qianzhan.com/report/cover/24/2404101727200410.gif)](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer1)\n\n[2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer2)\n\n本报告前瞻性、适时性地对多模态大模型行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来多模态大模型行业发展轨迹及实践经验，对多模态大...\n\n[查看详情](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer3)\n\n本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）　_品牌合作与广告投放请联系：0755-33015062 或 hezuo@qianzhan.com_\n\n如在招股说明书、公司年度报告中引用本篇文章数据，请联系前瞻产业研究院，联系电话：400-068-7188。\n\n_p_ _45_[_q_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)[我要投稿](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n分享：\n\n标签： [多模态大模型](https://t.qianzhan.com/search/?q=%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8b) [行业发展现状](https://t.qianzhan.com/search/?q=%e8%a1%8c%e4%b8%9a%e5%8f%91%e5%b1%95%e7%8e%b0%e7%8a%b6) [AI服务器](https://t.qianzhan.com/search/?q=AI%e6%9c%8d%e5%8a%a1%e5%99%a8) [算力](https://t.qianzhan.com/search/?q=%e7%ae%97%e5%8a%9b)\n\n品牌、内容合作请点这里： [寻求合作 ››](https://bg.qianzhan.com/report/qyppcs)\n\n[![](https://img1.qianzhan.com/img/gg/qz/chanye_760.jpg?20220221)](https://f.qianzhan.com/chanyeguihua2/?f=abanner)\n\n- [产业规划](https://f.qianzhan.com/chanyeguihua2/)\n- [园区规划](https://f.qianzhan.com/yuanqu/)\n- [产业招商](https://f.qianzhan.com/chanyezhaoshang/)\n- [可行性研究](https://f.qianzhan.com/keyan/)\n- [低空经济](https://f.qianzhan.com/dkjj/)\n- [高端装备](https://f.qianzhan.com/gdzb/)\n- [生物医药](https://f.qianzhan.com/swyy/)\n\n![](https://img1.qianzhan.com/2017bg/images/qzjjxr_wx.jpg)\n\n### **前瞻经济学人**\n\n专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。\n\n![](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\n\n### **前瞻产业研究院**\n\n中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。\n\n## 相关阅读RELEVANT\n\n- [![2025年中国多模态大模型行业硬件现状 AI芯片和AI服务器的需求在多模态大模型影响下加速增长【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 硬件 _现状_ _AI_ 芯片和 _AI_ _服务器_ 的需求在 _多_ _模_ _态_ _大_ _模型_ 影响下加速增长【组图】](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\n\n- [![预见2025：《2025年中国多模态大模型行业全景图谱》（附市场现状、竞争格局和发展趋势等）](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\n[预见2025：《2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 全景图谱》（附市场 _现状_、竞争格局和 _发展_ 趋势等）](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\n\n- [![2025年中国多模态大模型行业生产生活应用现状多模态大模型助力生产生活走向高品质【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 生产生活应用 _现状_ _多_ _模_ _态_ _大_ _模型_ 助力生产生活走向高品质【组图】](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\n\n- [![【干货】多模态大模型产业链全景梳理及区域热力地图](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\n[【干货】 _多_ _模_ _态_ _大_ _模型_ 产业链全景梳理及区域热力地图](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\n\n- [![2025年中国多模态大模型行业主要模型主要多模态大模型处理能力表现出色【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 主要 _模型_ 主要 _多_ _模_ _态_ _大_ _模型_ 处理能力表现出色【组图】](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\n\n- [![2025年中国多模态大模型行业文娱媒体应用场景多模态大模型提升文娱媒体创作效率【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 文娱媒体应用场景 _多_ _模_ _态_ _大_ _模型_ 提升文娱媒体创作效率【组图】](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\n\n\n[![前瞻数据库](https://img3.qianzhan.com/gg/35/20171024104522-35cedeb6.jpg)](https://d.qianzhan.com/)\n\n[![企查猫](http://img3.qianzhan.com/gg/98/20180306134540-98ae6688.gif)](https://www.qianzhan.com/go/tYpzTR)\n\n×\n\n扫一扫\n\n下载《前瞻经济学人》APP提问\n\n![](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\n\n在线咨询\n\n\n_×_\n\n[![在线咨询](https://img1.qianzhan.com/2017bg/images/bg_on_sv4.gif)](http://tb.53kf.com/code/client/10037428/1)\n\n[可行性报告](https://f.qianzhan.com/keyan/) [行业地位证明](https://bg.qianzhan.com/report/qyppcs) [产业规划](https://f.qianzhan.com/chanyeguihua2/) [园区规划](https://f.qianzhan.com/yuanqu/) [产业招商](https://f.qianzhan.com/chanyezhaoshang/) [产业培训](https://f.qianzhan.com/cynx/)\n\n项目热线\n0755-33015070\n\n\n_A_ APP\n![前瞻经济学人APP下载二维码](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\n\n下载前瞻经济学人APP\n\n关注我们\n![前瞻产业研究院微信号](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\n\n扫一扫关注我们\n\n我要投稿\n\n_×_\n\n[J](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\n\n[新手指南](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于前瞻研究院](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于订购](https://bg.qianzhan.com/report/guide/dinggou.html)[关于报告](https://bg.qianzhan.com/report/guide/productquestions.html)[购买帮助](https://bg.qianzhan.com/report/guide/authentication.html)[实力鉴证](https://bg.qianzhan.com/report/guide/authentication.html)[客户评价](https://bg.qianzhan.com/report/guide/pingjia.html)[企业资质](https://bg.qianzhan.com/report/guide/certificate.html)[配送支付](https://bg.qianzhan.com/report/guide/payinfo.html)[支付方式](https://bg.qianzhan.com/report/guide/payinfo.html)[发货与配送](https://bg.qianzhan.com/report/guide/deliver.html)[发票说明](https://bg.qianzhan.com/report/guide/invoice.html)[售后保障](https://bg.qianzhan.com/report/guide/saleservice.html)[售后条款](https://bg.qianzhan.com/report/guide/saleservice.html)[品质保证](https://bg.qianzhan.com/report/guide/quality.html)[投诉与举报](https://bg.qianzhan.com/report/guide/inform.html)[规划·咨询](https://f.qianzhan.com/)[产业规划](https://f.qianzhan.com/chanyeguihua2/)[可行性报告](https://f.qianzhan.com/keyan/)[园区规划](https://f.qianzhan.com/yuanqu/)[专项市场调研](https://bg.qianzhan.com/report/reportdingzhi)[产业招商](https://f.qianzhan.com/chanyezhaoshang/)[行业地位证明](https://bg.qianzhan.com/report/qyppcs)\n\n联系客服报告热线：400-068-7188售后热线：0755-33013088关注我们![关注前瞻产业研究院](https://img1.qianzhan.com/2017bg/images/wixin.jpg)\n\n[关于我们](https://bg.qianzhan.com/report/guide/yanjiuyuan.html) _\\|_ [联系我们](https://bg.qianzhan.com/report/guide/contact.html) _\\|_ [品牌合作](https://bg.qianzhan.com/report/qyppcs) _\\|_ [免责声明](https://t.qianzhan.com/help/disclaimer) _\\|_ [服务条款](https://t.qianzhan.com/help/termsofservice) _\\|_ [问题反馈](https://t.qianzhan.com/help/feedback)\n\n违法和不良信息举报电话：400-068-7188　　　举报邮箱：service@qianzhan.com　　　[在线反馈/投诉](https://t.qianzhan.com/help/feedback) [中国互联网联合辟谣平台](https://www.piyao.org.cn/)\n\nCopyright © 1998-2025深圳前瞻资讯股份有限公司All rights reserved. [粤ICP备11021828号-2](https://www.qianzhan.com/go/pHSH3T) 增值电信业务经营许可证： [粤B2-20130734](https://www.qianzhan.com/html/icp.html)\n\n如有投稿需求，请把文章发送到邮箱\n\ntougao@qianzhan.com，一经录用会有专人和您联系\n\n**开通机构号、入驻经济学人请咨询**\n\n微信客服：前瞻小宝\n\n![前瞻小宝](https://img1.qianzhan.com/2017bg/images/jjxr-wx-kefu.jpg)\n\n我知道了", "metadata": { "Description": "全球多模态大模型发展迅速，成为人工智能领域重要趋势。技术上，能处理融合视觉、听觉、文字等多种数据模态，深度学习和自然语言处理技术为其提供支撑。应用方面，在教育、医疗、客服等多领域广泛应用，可满足个性化需求，提升用户体验。市场上，众多科技巨头和初创公司纷纷布局，竞争激烈。但也面临一些挑战，如数据合规、防止生成虚假信息等，需要行业共同努力解决。", "Keywords": "多模态大模型,行业发展现状,AI服务器,算力", "applicable-device": "pc", "contentType": "text/html; charset=utf-8", "creditsUsed": 1, "favicon": "https://img1.qianzhan.com/img/apple-touch-icon.png", "proxyUsed": "basic", "scrapeId": "a59461f5-1d7e-422d-be10-6798b3ffa327", "sourceURL": "https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html", "statusCode": 200, "title": "2025年全球多模态大模型行业发展现状 AI服务器和算力发展推动市场爆发式增长【组图】_行业研究报告 - 前瞻网", "url": "https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html" } }, "success": true } ] } ``` ### 5.LLM

输入 ```json null ``` 数据处理 ```json { "model_mode": "chat", "prompts": [ { "role": "system", "text": "# 你是一个专业的PPT大纲生成器，根据用户提供的内容生成PPT大纲，严格遵循以下格式：\n\n### 标题与结构\n- 使用 `#` 表示标题页（通常为一页）\n- 使用 `##` 表示幻灯片标题\n- 使用 `###` 表示副标题（如有需要）\n- 使用水平分隔线 `---` 分隔幻灯片\n\n### 内容格式\n- 使用无序列表（`*` 或 `-`）表示关键点\n- 使用有序列表（`1.`, `2.`）表示步骤顺序\n- 段落之间用空行分隔\n- 使用三个反引号表示代码块", "files": [] }, { "role": "user", "text": "请根据[\"·专题:ChatGPT与人工智能技术应用·\\n\\n# 大模型关键技术与未来发展方向从谈起\\n\\n# 刘学博户保田陈科海张民\\\\*\\n\\n哈尔滨工业大学(深圳)计算与智能研究院,深圳\\\\[摘要\\\\] 大规模预训练模型,也被称为“基座模型”或“大模型”,目前被认为是通用人工智能技术的核心引擎,已经成为了全球科技竞争焦点。本文归纳总结了以聊天生成预训练转换器(Chat, )为代表的生成式大模型技术研究现状和发展趋势,从大模型基座、大模型人类偏好对齐、大模型推理与评价、多模态大模型、大模型安全可控五个方面讨论了当前大模型研究的现状和挑战,并结合我国人工智能研究特点,简要分析了大模型未来的重点发展方向。\\n\\n\\\\[关键词\\\\] 人工智能;大模型;ChatGPT;发展方向\\n\\n人工智能( , )是一门涉及人的智能研究理论、方法、技术及应用系统的新兴技术科学,主要研究和开发人的智能模拟、延伸和扩展技术, 技术正逐步改变现代社会。智能科学与技术,也就是深入理解智能机理并结合先进技术,成为推动人工智能持续发展的关键驱动力。大规模预训练语言模型,也被称为“基座模型”或“大模型”,其特点在于拥有巨大的参数量,构成了复杂的人工神经网络模型\\\\[1\\\\]。这项技术的提出和实践具有划时代的意义,它标志着人工智能的研究步入了通用人工智能时代。\\n\\n大模型具有规模性(参数量大)、涌现性(产生预料之外的新能力)以及通用性(不仅局限于特定问题或领域)等特性。以ChatGPT\\\\[2\\\\]为代表的生成式大模型因其具有巨量的参数和深度网络结构,能学习并理解更多的特征和模式,从而在处理复杂任务时展现出惊人的自然语言理解、意图识别、推理、上下文建模、语言生成等几乎所有和自然语言相关的处理能力,同时具有通用问题求解能力,被视作通往通用人工智能的一条重要路径\\\\[3\\\\]。\\n\\n“基座模型”这个词汇形象地描绘了大模型的作用:它是坚实的基础底座,拥有极其强大的能力。\\n\\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/c3bf12e7842076efde23831e591cace593ccfde4dbbad3323292ee24ec350786.jpg)\\n\\n张民哈尔滨工业大学(深圳)特聘校长助理,计算与智能研究院院长。“国家百千万人才工程”入选者,国家杰出青年科学基金获得者,“鹏城孔雀计划”特聘岗位,享受国务院政府特殊津贴。主要研究方向为自然语言处理、人工智能、大模型。获省部级科技进步奖项,最佳会议论文次。发表 / 类会议和期刊论文\\n\\n20 余篇,出版Springer专著2部,主编论著(论文集)16本。担任本领域10本期刊编委。主持科技部重点研发计划课题及多项大型产业界项目。\\n\\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/49d85d95644d8f9ee15a331522f0e37b6c6fd8edf72b579b85e03b6bd2786fa9.jpg)\\n\\n刘学博哈尔滨工业大学(深圳)计算与智能研究院助理教授,“鹏城孔雀计划”特聘岗位。主要研究方向为自然语言处理、机器翻译、大模型能力评估与优化。获澳门技术发明奖二等奖、澳门研究生科技研发奖、中国中文信息学会优博提名奖等奖项。在自然语言处理与人工智能顶级会议与期刊上发表论文30余篇。主持国家自然科学基金青年科学基金项目等。\\n\\n但这些能力需要被激发出来,才能为各类任务和应用提供强力的支持。因此,大模型已经转变为领域的基础设施,为解决各种复杂问题提供底层强大的计算、学习和求解能力。随着科技的发展,大模型正逐渐成为一种新的科学研究范式。从初期的大语言模型,已经延伸到了多模态、语音、图像、视频等各个领域,甚至用于各类复杂问题的求解,例如天气预报\\\\[4\\\\]、石油勘探\\\\[5\\\\]、智慧城市\\\\[6\\\\]等复杂系统,更有效地完成复杂系统的建模与预测。\\n\\n然而,大模型技术还处于初级研究阶段,存在许多亟需解决的问题,包括但不限于模型的可解释性、模型机理的研究、与现实世界的可交互性、安全可控、伦理道德问题,以及如何更好地对接下游任务等。另一方面,作为核心技术的基座模型,更强的自主可控和建模能力是我国下一代大模型技术基础研究的两大核心任务。\\n\\n# 1 大模型技术及研究进展\\n\\n# 1.1 大模型基座\\n\\n年首次提出“规模定律”,指出模型的性能随着参数量、数据量、训练时长的指数级增加而呈现出线性提升,并且该提升对架构和优化超参数的依赖性非常弱\\\\[7\\\\]。从此研究人员逐步转移研究重心至大语言模型基座,并开展了大量相关研究。首个千亿模型GPT- $3 ^ { \\\\[ 8 \\\\] }$ 在各种自然语言处理任务上取得了突破性的成果,包括文本生成、机器翻译、问答等,并展现了在零样本和少样本情况下的泛化性。系列模型的发展标志着大型预训练语言模型时代的到来。除了GPT 系列模型,谷歌、Meta等公司同样开始不断发布百亿到千亿的大型语言模型,例如、、 ,但是这些模型都不开源。当前代表性的开源大模型有的、L aMA-2以及国内的 GLM-130B\\\\[9\\\\]、ChatGLM2。发展示意图如图所示。\\n\\n在模型架构方面,国内外的大模型普遍为架构。模型的基座设计大体上可以分为以下三种:(1)仅包含解码器(Decoder-only),即自回归(Autoregresive)模型,代表模型是 GPT\\\\[10\\\\]和L aMA\\\\[11\\\\],其训练目标是从左到右的文本生成,常用于无条件长文本生成,如对话生成、故事生成等;(2)仅包含编码器(Encoder-only),即自编码(Autoencoder)模型,代表模型是 BERT\\\\[12\\\\]、ALBERT \\\\[13\\\\]、DeBERTa\\\\[14\\\\],自编码模型是通过去噪任务(如利用掩码语言模型)学习双向的上下文编码器,训练目标是对文本进行随机掩码,然后预测被掩码的词,常用于自然语言理解,如事实推断、语法分析、文本分类等;()编码器—解码器(),即完整的结构,代表模型是$\\\\\\\\mathrm { T } 5 ^ { \\\\[ 1 5 \\\\] }$ 和 \\\\[16\\\\],包含一个编码器和一个解码器,接受一段文本,从左到右地生成另一段文本,常用于有条件的生成任务,如机器翻译、摘要生成、事实性对话等。考虑到训练效率、推理需求和下游实际应用任务,大模型通常采用仅包含解码器的架构,通过自回归预训练高效地生成优质内容。\\n\\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/5387869c73590c02b251b231e8bc182cb62986120d630b6deb87dbcd2c7f1c19.jpg)\\n\\n图1 国内外大模型基座发展示意图 $\\\\\\\\textcircled{1}$\\n\\n在训练数据上,我国开放给大模型的数据集主要是中文语料库,但在数据量、内容多样性和质量方面,仍有进一步提升的空间。截至目前,常见的开源预训练数据集有: 系列的悟道数据集,其规模为 (已开源 ); 社区的开源中文数据集 CLUE Corus $2 0 2 0 ^ { \\\\[ 1 7 \\\\] }$ ,其规模为10 GB;里屋社区的开源数据集 ,其规模约,为互联网收集的中文纯文本语料数据集。相比较而言,国外开源数据集数量更多。例如, 级的CommonCrawl的网页数据、1.6TB 多语数据集ROOTS\\\\[18\\\\]、 $8 2 5 \\\\ \\\\\\\\mathrm { G }$ 的数据集 The Pile\\\\[19\\\\]等。此外,国外开源数据集内容较丰富: 既包含网页数据,又收集了上的代码数据,也从各种下游任务数据集中收集高质量数据;ThePile数据集基于学术或专业领域知识源构造,质量较高;另有以英文小说为主的数据集BokCorus\\\\[20\\\\]及百科全书数据集 Wikipedia。\\n\\n# 1.2 大模型人类偏好对齐\\n\\n大模型在预训练阶段的主要任务是将世界知识融入模型中,是模型学习知识的过程。对齐大模型与人类偏好的目标是激发模型理解、适应人类意愿和解决问题的能力,强调的是使模型能够有效地应用预训练阶段获取的知识,从而使其具有多样化的能力,能够解决各种问题。另一方面,大模型在训练阶段可能会学习到数据中的偏见和歧视性信息,导致模型的行为表现出预期外的特征。为了纠正模型的表现,使模型反映出人类的价值观,避免出现不可预测的输出,需要实现大模型与人类偏好的对齐。目前主要通过两种方法实现:有监督微调和人类反馈的强化学习算法（ReinforcementLearning from, ),如图所示。\\n\\n有监督微调 [21](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/SupervisedFine-tuning,SFT) 是主要的大模型人类偏好对齐方法。该过程利用人类偏好一致的指令数据来训练大模型。首先,需要收集或创建指令数据,这些数据由输入/输出对组成。其中输入数据是提供给模型的指令或提示,而输出数据则是期望模型根据人类偏好来生成的响应,通常由人类专家标注。然后,通过这些格式化的指令数据,以监督学习的方式对大语言模型进行微调。这种有监督微调方法是一种相对直接且有效的手段,能激发语言模型的深层次理解能力,以更好地实现与人类偏好的对齐。\\n\\n另一部分是人类反馈的强化学习算法\\\\[22\\\\],通过利用人类标注、答案重排序等技术构造符合人类偏好的数据训练一个奖励模型( ),由奖励模型提供指导信号,这些信号反映了人类对大模型生成的文本的偏好,通常以标量值的形式出现。基于奖励模型的指导信号,利用强化学习(PolicyOptimization,P O)来优化学习过程,待优化的大语言模型的动作域(ActionSace)是预测词表,状态为当前生成的内容,并将奖励模型的反馈信号通过P O 算法传给大语言模型进行优化。最终实现大模型与人类的偏好对齐。\\n\\n尽管大语言模型在多种任务中表现出强大的能力,但它们也存在生成“幻觉”内容的倾向,生成与用户输入、之前的上下文或者已知的世界知识不一致的内容。这一挑战对大模型在实际应用中的可靠性构成威胁。幻觉问题不是新现象,最初在机器翻译系统中已被提出\\\\[23\\\\]。但在大模型环境下,这个问题变得更为复杂。幻觉不仅对用户信任造成破坏,还能通过简单的搜索轻易地被触发。为减少幻觉的出现,研究人员已经采用了包括数据增强和动态系统在内的多种方法,尝试降低大模型幻觉内容生成的频率\\\\[24\\\\]。\\n\\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/1384a7b57fcf51d54d54bd8facf79b1c67e2df838ddb0e6d55efb25c5ee4bc14.jpg)\\n\\n图2 大模型人类偏好对齐示意图\\n\\n大模型具有强大的通用性,但往往缺乏特定领域的专业知识。为解决这些问题,已有研究提出结合内外部知识,利用模型自身的通用能力从外部知识库中检索相关信息,同时提供完整的检索路径以增加可解释性\\\\[25\\\\]。另一方面,在执行复杂任务时,可以通过工具调用、链式思维、搜索决策树等方式增强模型的规划和推理能力\\\\[26\\\\]。这些方法不仅提高了大模型在特定任务中的表现,也为其在实际应用中的可靠性和可解释性提供了有力支持。\\n\\n# 1.3 大模型推理与评价\\n\\n在大模型的实际应用场景中,推理效率和生成质量是两个关键的维度。一方面,大模型的高效推理是实现工程应用的关键技术。和训练环节相比,推理环节在计算精度、算力消耗量等方面的要求较低,但依然依赖于高性能的显卡。此外,显存瓶颈、通信延迟和硬件内存带宽约束仍然限制着模型的推理效率。另一方面,模型训练阶段常用模型损失作为评价模型性能好坏的基准。然而,这种单一维度的评价方法在实际应用中往往无法全面反映模型在多维度任务性能上的优劣,因此需要对模型的评价进行更加精细的设置。\\n\\n在大模型推理加速方面,一种有效的策略是对模型框架和运算进行优化。例如, 公司研发的Fast Transformer 框架采用了MPI和NCCL来实现节点间通信①。框架可通过模型并行来支持跨和节点的高效推理,通过算子融合和缓冲区分配减少了调用次数和重新计算成本。这种策略能从硬件底层显著提升推理效率,但其复杂性可能会增加用户的使用门槛。另一种策略是采用模型压缩技术,例如模型量化。模型量化通过使用低精度数值来近似表示网络权重和激活值,以达到减小模型体积的目的。在训练时,为保证训练的效果,模型权重一般保持在FP32。在推理时,使用权重能达到与类似的精度,同时减少一半的显存需求。更进一步的量化方案,如 \\\\[27\\\\],将线性运算拆分为和两部分,分别进行计算后相加,在不牺牲模型性能的前提下降低模型的运行成本; $\\\\\\\\mathrm { O P T Q ^ { \\\\[ 2 8 \\\\] } }$ 基于矩阵而非传统的基于统计的方法进行一次性权重量化,可以在大约4个GPU 小时内量化具有亿参数的模型,将位宽减少到每个权重的3或4位。\\n\\n在大模型评价方面,目前主要分为人工评价与自动评价两种方式。自动评价作为一种普遍且广泛应用的评估机制,一般依赖于预定的标准化指标和工具来评估模型的性能。例如以 MMLU\\\\[29\\\\]、CEVAL\\\\[30\\\\]等为代表的数据集,通过模型在单项选择题上的准确性来估计其潜在能力;以GSM8K\\\\[31\\\\]、\\\\[32\\\\]为代表的数据集,通过测试模型对数学题的回答准确率与代码的测试样例通过率来衡量模型的推理能力;以 BLEU\\\\[33\\\\]、COMET\\\\[34\\\\]、ROUGE\\\\[35\\\\]等生成类评价指标用于评价模型的生成能力。然而,这些自动评价指标常面临评价不全面、数据泄露等问题。特别是在开放式任务场景下,传统的自动评价机制通常不能全面地衡量生成结果的质量,因此人工评价和使用高级模型(如 GPT-4)进行的评价成为了更可靠的评估方式。人工评价通过人类专家的参与评价模型生成结果的质量和准确性。与自动评价相比,人工评价更接近实际应用场景,可以提供更全面和准确的反馈,但仍然存在主观性、差异性和不稳定性等问题。在实际应用中,具体使用哪种评价方式需要根据具体的使用场景进行综合考量。\\n\\n# 1.4 多模态大模型\\n\\n多模态大模型(MultimodalLareModels)通过整合多种类型的数据(如文本、图像、音频等),提升机器理解和生成复杂内容的能力。早期的多模态模型通常需要在特定数据集上微调才能胜任相关的任务,如图文检索双塔模型(ContrastiveLanuae-imagePre-training,CLIP)\\\\[36\\\\] 和图文生成模型(Obect-SemanticsAlined,Oscar)\\\\[37\\\\]等。当前的多模态大模型具有更强的通用问题求解能力,主要分为以下三种:\\n\\n一种方法是将大语言模型作为中央处理器来执行多模态任务,通过调用其他功能模块来实现任务目标。例如VisualChatGPT\\\\[38\\\\]将ChatGPT 作为中央处理器,借助提示管理模块与用户进行交流,根据用户的需求读取图像并调用外部视觉专家模型修改图像、输出结果; \\\\[39\\\\]将和Hugingface连接在一起,利用 Hugingface中成百上千的模型,能够解决余种不同任务,这种策略有效地实现了多模态信息的处理和理解,但由于需要调用多个任务特定模型,它可能导致信息处理效率低下且部署成本较高。\\n\\n另一种方法是直接通过图像和文本信息训练多模态大模型。如 KOSMOS-1\\\\[40\\\\],它利用视觉和文本编码器对输入进行编码,然后将这些编码输入到基于的解码器中,使得图像信息和文本信息直接对齐并融合,从而实现跨模态交互。这种方法在处理多模态信息时能够实现优异的准确性和效率,为解决多模态任务提供了技术支持。然而,这种方法通常面临预训练数据不足和训练成本较高的挑战。\\n\\n最后一种方法,如图所示,结合跨模态编码器等结构与大语言模型,能进一步发掘大模型的推理检索能力和存储的知识库信息。例如, $\\\\\\\\mathrm { L L a V A ^ { \\\\[ 4 1 \\\\] } }$ 由大语言模型和的开源视觉编码器和语言解码器连接而成,从而实现更加广义上的视觉语言理解。LMEe\\\\[42\\\\]构建了静态视觉映射网络,为大语言模型提供图像的基础感知。大模型解析人类指令后,将其发送到交互式感知网络,并基于交融的多模态信息产生响应。\\n\\n# 1.5 大模型安全可控\\n\\n大模型安全可控主要集中于大模型的训练和推理两方面。针对训练阶段的可控研究主要通过对预训练语言模型进行网络重构、修改训练任务或增加微调任务以实现有约束的生成过程。早期研究在预训练文本序列首部添加多种表征文本信息的特殊符号以实现可控生成过程\\\\[43\\\\]。另有研究者不限于知识符号,而是基于多个人类评价维度(如有效性、安全性)对模型进行可控微调\\\\[44\\\\]。近期一些研究使用基于人类反馈的强化学习策略推进大模型的自主可控性,通过使用奖励模型学习人类评价模式,进而对大模型进行自动微调\\\\[45,46\\\\]。针对推理阶段,典型研究通过在推理过程中增加约束信息\\\\[47\\\\]或是直接针对模型输入输出增加控制模块\\\\[48\\\\]以有效实现有约束的生成过程。近期,通过在输入中增加显示或隐式控制信息作为Promt的做法同样取得了较好的效果\\\\[49,50\\\\]。\\n\\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/b847e025bb2e7aaf226233cf89a37f6b042f47d15be17f27f1695f10db5af70f.jpg)\\n\\n图3 基于大语言模型的多模态大模型通用结构\\n\\n在大模型安全性方面,生成式大模型面临着包括模型窃取、数据窃取、对抗攻击、后门攻击、Promt攻击和数据投毒等多方面威胁。在模型窃取方面,近期研究发现可通过本地模型访问的部分窃取现有大模型在特定任务上的性能。在数据窃取方面,存在一种差分隐私训练策略避免使用者进行大模型的数据窃取\\\\[51\\\\]。在对抗攻击方面,研究发现大模型对于对抗性文本和分布外文本的抵御效果优于传统模型,但依然存在鲁棒性不足的问题\\\\[52,53\\\\]。在后门攻击方面,研究发现通过在人类反馈强化学习的奖励模型训练阶段增加后门\\\\[54\\\\],可以通过后门触发文本控制模型输出;另外,可通过大模型产生包含后门触发器的训练数据\\\\[55\\\\],从而对其他模型植入后门。在Promt攻击方面,有研究者设计了一套通过大模型生成恶意的攻击流程\\\\[56\\\\],可达到绕过大模型安全限制、下游应用窃取等恶意攻击目的。在数据投毒方面,可以借助大模型实现指令微调数据的自动投毒,从而操纵或毒害其他模型\\\\[57\\\\]。\\n\\n# 2 大模型领域未来重点发展方向\\n\\n大模型需要多方合作发展,包括产、学、研、用、资、政等多个领域,对提升我国科技核心竞争力具有关键性作用。在此,我们选取除了算力以外我国大模型发展的三个具有代表性方向进行讨论。\\n\\n# 2.1 自然语言引领大模型基础通用理论\\n\\n大模型随着模型参数和训练数据的增加,由量变到质变,涌现出通用智能的能力,使人类真正从信息社会进入智能社会。自然语言在大模型中发挥着重要的引领作用,自然语言是传递和表达语义认知和知识的最重要方式,通过处理自然语言数据,大模型可以学习到丰富的语义表示和世界知识。本方向主要包括:\\n\\n()下一代大模型基础架构。利用丰富的外部知识,建立数据与知识双轮驱动研究新范式。以中文为核心、以通用人工智能为目标,设计更加高效、准确、可扩展的新一代语言模型,并以此为基础搭建新一代人工智能理论框架体系。\\n\\n()大模型可解释性和模型机理。目标在于突破“黑箱”问题的束缚,实现大模型行为的动态追踪、知识提取过程的深度分析以及决策过程的人类干预,从而提升模型可解释性,建立可解释、鲁棒的人工智能理论和方法。同时深入剖析大规模预训练语言模型的实现机理,以揭示涌现现象背后的科学原理,完善理论体系。\\n\\n(3)大模型的持续学习与演化能力。研究增量学习技术和动态知识库,使模型能够持续适应新数据、更新知识与表达,并通过强化学习技术使模型能够根据环境反馈进行自我改进。探索通用人工智能驱动的智能算法,从而实现模型自主学习与人机协同学习的持续演化。\\n\\n# 2.2 多模态大模型智能交互方法\\n\\n针对多模态数据之间复杂且多样的关系,多模态大模型需对不同模态间的相关性关系进行有效的对齐和交互,以增强对多模态信息的表征能力。基于提取的多模态表征,多模态大模型还需进一步对多模态信息进行交互融合处理以及语义理解,并根据具体要求进行输出决策。在多模态大模型的部署阶段,由于当前多模态大模型复杂度极高,限制了其在硬件资源欠缺条件下的应用,无法满足不同环境下的智能交互需求。本方向主要包括:\\n\\n()大模型驱动的多模态信息表征和理解。研究如何通过多种预训练任务对不同模态数据间的相关性进行不同粒度的对齐和交互,有效增强大模型对多模态信息的表征能力。改进理解任务相关的多模态特征融合技术,利用自监督学习、半监督学习、元学习、迁移学习等新型学习范式,提升模型鲁棒性和学习效率。\\n\\n()基于具身学习的多模态大模型。通过高效的人机交互、融合感知、执行和交互等技术,帮助多模态大模型更好地理解真实世界,获取实时的环境反馈;结合具身学习研究面向智能机器人的多模态大模型构建与应用方法。\\n\\n()轻量化多模态大模型的设计。通过面向硬件条件限制的多模态大模型设计,减少模型规模以及计算和存储需求,从而满足不同的硬件环境,扩大大模型的应用场景。研究模型剪枝、模型量化,以及知识蒸馏等深度模型压缩方法,实现自适应的轻量化多模态大模型设计。\\n\\n# 2.3 大模型安全理论与实践\\n\\n大模型的发展和应用必须着重考虑安全性和可控性。尤其在涉及用户隐私、数据安全、道德规范和合法合规的情况下,大模型的操作必须符合社会规则和伦理道德,必须具有正确的价值观。大模型在理解和生成内容时可能出现偏见,这可能导致信息误导、产生虚假信息,或被恶意利用。本方向主要包括:\\n\\n()大模型供应链安全。针对大模型训练数据易受污染或被投毒的挑战,研究大模型数据审查方法,可为大语言模型及多模态大模型的训练提供安全保障。针对大模型中可能存在后门的问题,研究大模型后门检测方法,可为大模型下游微调和部署提供安全防护。\\n\\n(2)大模型安全性评估。研究大模型安全性评估方法,全面分析多样的安全性度量场景,构建生成式大模型的安全度量指标体系和大模型安全评估平台,研究实现对大模型的一站式安全风险评估,为大模型进行迭代升级指明具体优化的方向。\\n\\n()大模型生成内容安全。对大模型生成内容的安全性进行深入研究,旨在从模型本身和输出内容审查两个维度增强大模型网络意识形态的安全性。为防止大模型在意识形态方面产生不适当的内容,研究构建一种网络意识形态审查系统,探讨如何在大模型时代实现生成内容的安全防护,达到对大模型生成内容实施有效监管和审查的目的。\\n\\n# 3 结论与展望\\n\\n大模型技术开启了通用人工智能时代,具有划时代意义,将重新定义信息社会。本文基于我国大模型技术的研究现状,探讨了大模型基础理论、智能交互方法、安全理论与实践中的重点发展方向。大模型技术研究刚刚起步,还有非常多亟待解决的问题,其红利和贡献还远未被发掘。总之,从基础研究角度看,基座模型和下一代大模型技术的自主可控是目前我国大模型研究的两大核心任务。\\n\\n# 参考文献\\n\\n\\\\[1\\\\] Bommasani R， Hudson DA， Adeli E， et al. On the opportunities and risks of foundation models.（2o21-O8-16)/ \\\\[2023-08-17\\\\].htps:/arxiv.org/abs/2108.07258.\\n\\n\\\\[\\\\] OuyangL，Wu J，Jiang X，et al. Training language models tofolowinstructionswithhumanfedback.Advancesin NeuralInformation Procesin Sstems,202 :2730— 274 .\\n\\n\\\\[3\\\\] Zhao WX, Zhou K, Li J, et al. A survey of large language models. (2023-03-31)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/ abs/2303.1823.\\n\\n\\\\[4\\\\] Bi K, Xie L, Zhang H, et al. Acurate medium-range global weather forecasting with 3D neural networks. Nature, 2023, 619(7970): 53 —538.\\n\\n\\\\[5\\\\] Ogundare O, Madasu S, Wigins N. Industrial enginering with large language models: a case study of ChatGPT?s performance on Oil & Gas problems. (2023-04-27)/\\\\[2023- 08-17\\\\]. htps:/arxiv.org/abs/2304.14354.\\n\\n\\\\[6\\\\] Xi Z, Chen W, Guo X, et al. The rise and potential of large language model based agents: a survey. (2023-09-14)/ \\\\[2023-09-18\\\\]. htps:/arxiv.org/abs/2309.07864.\\n\\n\\\\[7\\\\] KaplanJ,McCandlishS,HenighanT,etal.Scalinglaws for neural language models. (2020-01-23)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/201.08361.\\n\\n\\\\[8\\\\] Brown T, Man B, Ryder N, et al. Language models are few-shot learners. Advances in Neural Information Procesing Systems, 2020: 187 —1901.\\n\\n\\\\[9\\\\] Zeng A, Liu X, Du Z, et al. Glm-130b: an open bilingual pre-trained model. (202-10-05)/\\\\[2023-08-17\\\\]. htps:/ arxiv.org/abs/210.02414.\\n\\n\\\\[10\\\\]Radford A, Narasimhan K, Salimans T, et al. Improving language understanding by generative pre-training. (2018- 06-1 )/\\\\[2023-09-1 \\\\]. htps:/ [www.mikecaptain.com/](http://www.mikecaptain.com/) resources/pdf/GPT-1.pdf.\\n\\n\\\\[1 \\\\]TouvronH,LavrilT,IzacardG,etal.L aMA:openand eficient foundation language models. (2023-02-27)/\\\\[2023- 08-17\\\\]. htps:/arxiv.org/abs/2302.13971.\\n\\n\\\\[12\\\\]Devlin J, Chang MW, Le K, et al. Bert: pre-training of depbidirectionaltransformersforlanguageunderstanding/ Procedingsofthe2019 AnualConferenceofthe North American Chapter of the Asociation for Computational Linguistics:HumanLanguageTechnologies.Mineapolis: AsociationforComputationalLinguistics,2019:4171— 4186.\\n\\n\\\\[13\\\\]LanZ ,Chen MD,GodmanS,etal.ALBERT:alite BERT for self-supervised learning of language representations. (2019-09-26)/\\\\[2023-08-17\\\\]. htps:/ arxiv.org/abs/1909.1942.\\n\\n\\\\[14\\\\] HePC,Liu XD,GaoJF,etal.DeBERTa:decodingenhanced BERT with disentangled atention. (2020-06-05)/ \\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/206.03654.\\n\\n\\\\[15\\\\]Rafel C, Shazer N, Roberts A, et al. Exploring the limits oftransferlearningwithaunifiedtext-to-texttransformer. TheJournalofMachineLearningResearch,2020,21(1): 5485—551.\\n\\n\\\\[16\\\\]Lewis M, Liu YH, Goyal N, et al. BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension/ Procedings ofthe 58th Anual Meting of the Asociation for Computational Linguistics. Stroudsburg: Asociation for ComputationalLinguistics,2020:7871—780.\\n\\n\\\\[17\\\\]Xu L, Zhang XW, Dong QQ. CLUECorpus2020: a largescaleChinesecorpusforpre-traininglanguagemodel.(2020- 03-05)/\\\\[2023-08-17\\\\].htps:/arxiv.org/abs/203.0135 .\\n\\n\\\\[18\\\\]LaurençonH,SaulnierL,WangT,etal.Thebigscience rotscorpus:a1.6tbcomposite multilingualdataset. AdvancesinNeuralInformationProcesingSystems,202 : 31809—31826.\\n\\n\\\\[19\\\\]Gao L, Biderman S, Black S, et al. The pile: an 80 GB datasetofdiversetextforlanguagemodeling.(2020-12-31)/ \\\\[2023-08-17\\\\].htps:/arxiv.org/abs/2101.0027.\\n\\n\\\\[20\\\\]ZhuYK,KirosR,ZemelR,etal.Aligningboksand movies:towardsstory-likevisualexplanationsbywatching moviesandreadingboks/Procedingsofthe2015IEEE International Conference on Computer Vision. New York: IEEE, 2016: 19—27.\\n\\n\\\\[21\\\\]Longpre S, Hou L, Vu T, et al. The flan colection: designing data and methods for efective instruction tuning. (2023-01-31)/\\\\[2023-08-17\\\\].htps:/arxiv.org/abs/2301. 1368 .\\n\\n\\\\[2 \\\\]Christiano PF, Leike J, Brown T, et al. Dep reinforcement learningfrom human preferences. Advancesin Neural InformationProcesingSystems,2017:4302—4310.\\n\\n\\\\[23\\\\]Le K,FiratO,AgarwalA,etal.Halucinationsinneural machine translation. (2023-03-06)/\\\\[2023-08-17\\\\]. htps:/ openreview.net/forum? id $\\\\ c =$ SkxJ-309FQ.\\n\\n\\\\[24\\\\]ZhangY,LiY,CuiL,etal.Siren?ssongintheaiocean:a survey on halucination in large language models. (2023-09- 03)/\\\\[2023-09-17\\\\]. htps:/arxiv.org/abs/2309.01219.\\n\\n\\\\[25\\\\]Feng C, Zhang X, Fei Z. Knowledge solver: teaching lms tosearchfordomainknowledgefrom knowledgegraphs. (2023-09-06)/\\\\[2023-09-17\\\\]. htps:/arxiv.org/abs/2309. 0318.\\n\\n\\\\[26\\\\] Qin Y, Liang S, Ye Y, et al. To lm: facilitating large language models to master $1 6 0 0 0 +$ real-world apis. (2023- 07-31)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2307.16789.\\n\\n\\\\[27\\\\]Detmers T, Lewis M, Belkada Y, et al. Gpt3. int8(): 8- bit matrix multiplication for transformers at scale. Advances inNeuralInformationProcesingSystems,202 :30318— 3032.\\n\\n\\\\[28\\\\]Frantar E, Ashkbos S, Hoefler T, et al. Optq: acurate quantizationforgenerativepre-trainedtransformers.(202- 10-31)/\\\\[2023-08-17\\\\].htps:/arxiv.org/abs/210.17323.\\n\\n\\\\[29\\\\] Hendrycks D, Burns C, Basart S, et al. Measuring masive multitasklanguageunderstanding.(2020-09-07)/\\\\[2023-08- 17\\\\]. htps:/arxiv.org/abs/209.030 .\\n\\n\\\\[30\\\\] Huang Y, Bai Y, Zhu Z, et al. C-eval: a multi-level multidiscipline chinese evaluation suite for foundation models. (2023-05-17)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2305. 0832 .\\n\\n\\\\[31\\\\]CobeK,KosarajuV,BavarianM,etal.Trainingverifiers tosolvemathwordproblems.(2021-1-18)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/210.14168.\\n\\n\\\\[32\\\\]Chen M, Tworek J, Jun H, et al. Evaluating large language models trained on code. (2021-07-14)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2107.0374.\\n\\n\\\\[3 \\\\]PapineniK,RoukosS,WardT,etal.BLEU:amethodfor automaticevaluationofmachinetranslation/ Procedingsof the40thAnualMetingonAsociationforComputational Linguistics.Philadelphia:Asociation for Computational Linguistics, 202: 31 —318.\\n\\n\\\\[34\\\\]ReiR,StewartC,FarinhaAC,etal.COMET:aneural framework for MT evaluation/ Procedings of the 2020 Conferenceon Empirical Methodsin Natural Language Procesing.Stroudsburg: Asociation for Computational Linguistics,2020:2685—2702.\\n\\n\\\\[35\\\\]LinCY.ROUGE:apackageforautomaticevaluationof summaries/ Procedings of the Workshop on Text summarization branches out. Barcelona: Asociation for ComputationalLinguistics,204:74—81.\\n\\n\\\\[36\\\\]Radford A, Kim JW, Halacy C, et al. Learning transferable visual models from natural language supervision.(2021-02-26)/\\\\[2023-08-17\\\\].htps:/arxiv. org/abs/2103.0020.\\n\\n\\\\[37\\\\]LiXJ,YinX,LiCY,etal.Oscar:object-semanticsaligned pre-trainingforvision-languagetasks/ Procedingsofthe 2020 European Conference on Computer Vision. Cham: Springer, 2020: 121—137.\\n\\n\\\\[38\\\\] WuC,YinS,QiW,etal.Visualchatgpt:talking,drawing andeditingwithvisualfoundation models.(2023-03-08)/ \\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2303.04671.\\n\\n\\\\[39\\\\]Shen YL, Song KT, Tan X, et al. Hugingpt: solving AI tasks with chatgpt and its friends in hugingface. (2023-03- 30)/\\\\[2023-08-17\\\\].htps:/arxiv.org/abs/2303.17580.\\n\\n\\\\[40\\\\] Huang S, Dong L, Wang W, et al. Language is not al you ned:aligningperceptionwithlanguagemodels.(2023-03- 01)/\\\\[2023-08-17\\\\].htps:/arxiv.org/abs/2302.14045.\\n\\n\\\\[41\\\\]LiuH,LiC,WuQ,etal.Visualinstructiontuning.(2023- 04-17)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2304.08485.\\n\\n\\\\[42\\\\]Li Y, Hu B, Chen X, et al. Lmeye: an interactive perceptionnetworkforlargelanguage models.(2023-05- 05)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2305.03701.\\n\\n\\\\[43\\\\] KeskarNS,McCan B,VarshneyLR,etal.CTRL:a conditionaltransformerlanguage modelfor controlable generation. (2019-09-20)/\\\\[2023-08-17\\\\].htps:/arxiv. org/abs/1909.05858.\\n\\n\\\\[4 \\\\]Peng B, Li C, He P, et al. Instruction tuning with gpt-4. (2023-04-06)/\\\\[2023-08-17\\\\].htps:/arxiv.org/abs/2304. 0327 .\\n\\n\\\\[45\\\\]BaiY,KadavathS,KunduS,etal.ConstitutionalAI: harmlesnes from AIfedback.(202-12-15)/\\\\[2023-08- 17\\\\].htps:/arxiv.org/abs/212.08073.\\n\\n\\\\[46\\\\]CaoY,LiS,LiuY,etal.AcomprehensivesurveyofAIgenerated content (AIGC): a history of generative ai from gan to chatgpt. (2023-03-07)/\\\\[2023-08-17\\\\]. htps:/arxiv. org/abs/2303.0426.\\n\\n\\\\[47\\\\]Dathathri S, Madoto A, Lan J, et al. Plug and play language models:a simple aproach to controled text generation. (2019-12-04)/\\\\[2023-08-17\\\\]. htps:/arxiv. org/abs/1912.02164.\\n\\n\\\\[48\\\\]RolerS,DinanE,GoyalN,etal.Recipesforbuildingan open-domainchatbot/ Procedingsofthe16thConference of the European Chapter of the Asociation for Computational Linguistics.Stroudsburg:Asociationfor ComputationalLinguistics,2021:30 —325.\\n\\n\\\\[49\\\\]LiuPF,Yuan WZ,FuJL,etal.Pre-train,prompt,and predict:asystematicsurveyofpromptingmethodsinnatural language procesing. ACM Computing Surveys, 5 (9): 1—35.\\n\\n\\\\[50\\\\] YangKX,LiuD,LeiWQ,etal.Tailor:asoft-promptbasedaproachtoatribute-basedcontroledtextgeneration/ Procedingsofthe61stAnualMetingoftheAsociation forComputationalLinguistics.Toronto:Asociationfor Computational Linguistics, 2023: 410—427.\\n\\n\\\\[51\\\\]Li Z, Wang C, Ma P, et al. On the feasibility of specialized ability stealing for large language code models. (2023-03- 06)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2303.03012.\\n\\n\\\\[52\\\\]Colins KM, Wong C, Feng J, et al. Structured, flexible, androbust:benchmarkingandimprovinglargelanguage models towards more human-like behavior in out-ofdistributionreasoningtasks.(202-05-1 )/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/205.05718.\\n\\n\\\\[53\\\\] Wang J, Hu X, Hou W, et al. On the robustnes of chatgpt: an adversarial and out-of-distribution perspective. (2023-02-2 )/\\\\[2023-09-17\\\\]. htps:/arxiv.org/abs/2302. 12095.\\n\\n\\\\[54\\\\]ShiJ,LiuY,ZhouP,etal.Badgpt:exploringsecurity vulnerabilitiesofchatgptviabackdoratackstoinstructgpt. (2023-02-21)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2304. 1298.\\n\\n\\\\[5 \\\\]LiJ,YangY,WuZ,etal.Chatgptasanatacktol: stealthy textual backdor atack via blackbox generative model trigger.(2023-04-27)/\\\\[2023-08-17\\\\]. [https://arxiv](https://arxiv/). or/abs/2304.1475.\\n\\n\\\\[56\\\\]LiuY,DengG,LiY,etal.Promptinjectionatackagainst lm-interateda lications. (2023-06-08)/\\\\[2023-08-17\\\\]. htps:/arxiv.org/abs/2306.0549 .\\n\\n\\\\[57\\\\]Shu M, Wang J, Zhu C, et al. On the exploitability of instructiontuning.(2023-06-28)/\\\\[2023-08-17\\\\].htps:/ arxiv.or/abs/2306.17194.\\n\\n# KeyTechnologiesandFutureDevelopmentDirectionsofLarge LanguageModels:InsightsFromChatGPT\\n\\nXueboLiu BaotianHu KehaiChen MinZhang\\\\* InstituteofComputingandInteligence,HarbinInstituteofTechnology,Shenzhen51805\\n\\nAbstract Lare re-trainedmodels,alsoknownas“foundationmodels”or“laremodels”,arethecore technicalsuportforgenerativeartificialinteligence models,andhavebecomeakeyfocusinglobal technoloicalcom etition.This aersummarizesthecurentstatusanddevelo mentrendsoflaremodel technologyrepresentedbyChatGPT.Themainchalengesfacedbylargemodelresearchareexploredfrom fiveaspects:thefoundationoflargemodels,alignmentoflargemodelswithhumanpreferences,large modelinferenceandevaluation,multimodalargemodels,andsafetyandcontroloflargemodels.Basedon thecharacteristicsofChina?sAIfield,thepotentialkeydevelopmentdirectionsforthelargemodelfieldin thefuturearealsoanalyzed.\\n\\nKeywords artificialintelience;larelanuaemodel;ChatGPT;futuredirections\\n\\n(责任编辑崔国增张强)\", \"\", \"```json\\n{\\\"error\\\":{\\\"message\\\":\\\"您当前请求存在异常，暂时限制本次访问。如有疑问，您可以通过手机摇一摇或登录后私信知乎小管家反馈。790568f12bd94c453cd4d55606d524cd\\\",\\\"code\\\":40362}}\\n\\n\\n```\", \"#### 您访问的页面不见了！\\n\\n_1_ 秒后您将\\n\\n##### [去搜狐首页](https://www.sohu.com/)\\n\\n账号密码登录\\n\\n请输入正确的登录账号或密码\\n\\n- ![](https://www.sohu.com/404.html)\\n\\n下次自动登录 [找回密码](https://passport.sohu.com/forget_password/input_user)\\n\\n[注册](https://passport.sohu.com/signup)\\n\\n- 手机注册\\n- 邮箱注册\\n\\n- [获取验证码](https://www.sohu.com/404.html#)\\n\\n同意 [《搜狐服务协议》](https://www.sohu.com/404.html#)\\n\\n[使用已有账号登录](https://www.sohu.com/404.html#)\", \"# 开启智能新时代2024年中国AI大模型产业发展报告\\n\\n# 2024年3月\\n\\n# 前言\\n\\n伴随人工智能技术的加速演进，AI 大模型已成为全球科技竞争的新高地、未来产业的新赛道、经济发展的新引擎，发展潜力大、应用前景广。近年来，我国高度重视人工智能的发展，将其上升为国家战略，出台一系列扶持政策和规划，为AI 大模型产业发展创造了良好的环境。当前，通用大模型、行业大模型、端侧大模型如雨后春笋般涌现，大模型产业的应用落地将进一步提速。作为新一代人工智能产业的核心驱动力，AI 大模型广泛赋能我国经济社会的多个领域，打开迈向通用人工智能的大门，推动新一轮的科技革命与产业变革。在大模型盛行的时代，产业发展到何种阶段，遇到何种挑战，未来将走向何方，这些都是需要面对的问题，亟需社会各界共同努力。\\n\\n在此背景下，人民网财经研究院、至顶科技联合发布《开启智能新时代：2024年中国 AI 大模型产业发展报告》，报告对于AI 大模型产业发展背景、产业发展现状、典型案例、挑战及未来趋势等方面进行了系统全面的梳理，为政府部门、行业从业者以及社会公众更好了解AI 大模型产业提供参考。\\n\\n# 专家寄语\\n\\n2023 年人工智能大模型全面爆发，给科技创新、生产生活带来重大变革、机遇和挑战。全球大模型竞争日趋激烈，众多国产大模型脱颖而出。大模型与电力、零售、出版等传统行业的成功融合，展现对传统产业改造提升的潜力。大模型赋能金融、医疗等行业提质增效，对推动新质生产力快速发展起到重要作用。大模型持续健康发展，需要政策法规保驾护航，满足隐私保护、数据安全等多方面要求。期待未来大模型持续深耕技术创新并服务于各行各业，为全社会全方位地注入高质量发展的新动能。\\n\\n# 李君传播内容认知全国重点实验室专职副主任\\n\\nAI 大模型的出现，使得利用人工智能技术来生成内容，从“可用”跨越到“好用”。生产内容是所有行业共有的需求，如今大模型已经在电商、影视、传媒等领域被规模应用。大模型的商业化需要供需双方同时发力：供给侧来看，以Transformer 为代表的根技术存在显著成本问题，当前大模型还有进一步压缩成本、提高性价比的空间；需求侧来看，企业高效应用 AI 大模型的必然前提是，投入大量资金、人力、时间以提升企业自身数字化程度。未来，人工智能生成内容从“好用”到“高效”，也许会再经历一次或多次技术范式的颠覆。\\n\\n# 王蕴韬中国信息通信研究院人工智能研究中心副总工程师\\n\\n2024 年，多重利好因素将推动大模型快速发展，首先是“人工智能+”行动等来自政府层面的有力支持，其次用户提升生活、工作效率的需求激增，再加上科技公司加大对 AI 领域投入资金、人力、技术研发，各环节协同支撑大模型发展。当前大模型产业也面临挑战，包括算力分散不足、Transformer 结构是否为最优的疑问、领域数据稀缺、缺少现象级应用的问题。就产业趋势而言，投入基础模型训练的公司未来可能会大幅减少，转而更多的公司会去寻找应用场景和爆款应用。vivo 结合自研大模型端侧化、矩阵化的技术优势并且会聚焦手机行业的应用经验，利用大模型重构手机各类功能，找到落地场景，普惠更多用户。\\n\\n# 周围 vivo 副总裁、vivo AI 全球研究院院长\\n\\n# 目录\\n\\n# 第一章扬帆起航：中国 AI 大模型产业发展背景.......\\n\\n1.1 中国AI 大模型产业发展政策驱动力\\n\\n1.2 AI 大模型产业发展技术驱动力.\\n\\n1.3 中国AI 大模型产业发展市场驱动力.\\n\\n# 第二章百舸争流：中国 AI 大模型产业现状及典型案例....... .... 12\\n\\n2.1 AI 大模型主要特征. 12\\n\\n2.2 AI 大模型主要类型. 13\\n\\n2.3 中国AI 通用大模型典型案例. 15\\n\\n2.4 中国AI 行业大模型典型案例. 20\\n\\n2.5 中国AI 端云结合大模型典型案例. .27\\n\\n# 第三章大浪淘沙：中国 AI 大模型产业发展所面临的挑战........ .... 31\\n\\n3.1 大模型产业遭遇算力瓶颈. 31\\n\\n3.2 主流大模型架构仍存在诸多局限. 31\\n\\n3.3 高质量的训练数据集仍需扩展. 32\\n\\n3.4 大模型爆款应用尚未出现. 32\\n\\n# 第四章天阔云高：中国 AI 大模型产业趋势展望...... ... 34\\n\\n4.1 AI 云侧与端侧大模型满足不同需求，C 端用户将成为端侧的主要客群..........34\\n\\n4.2 AI 大模型趋于通用化与专用化，垂直行业将是大模型的主战场..........34\\n\\n4.3 AI 大模型将广泛开源，小型开发者可调用大模型能力提升开发效率..35\\n\\n4.4 AI 高性能芯片不断升级，AI 大模型产业生态体系将不断完善.............36\\n\\n结语 ...... ... 37\\n\\nAI 大模型将加快新质生产力发展，助力我国经济社会高质量发展..............37\\n\\n# 第一章扬帆起航：中国 AI 大模型产业发展背景\\n\\n# 1.1 中国 AI 大模型产业发展政策驱动力\\n\\n近年来，我国始终高度重视人工智能发展机遇和顶层设计，发布多项人工智能支持政策，国务院于 2017 年发布《新一代人工智能发展规划》。科技部等六部门也于2022 年印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》对规划进行落实。2024 年《政府工作报告》中提出开展“人工智能+”行动。伴随人工智能领域中大模型技术的快速发展，我国各地方政府出台相关支持政策，加快大模型产业的持续发展。当前，北京、深圳、杭州、成都、福建、安徽、上海、广东等地均发布了关于 AI 大模型的相关政策。具体来看，北京着力推动大模型相关技术创新，构建高效协同的大模型技术产业生态；上海强调打造具备国际竞争力的大模型；深圳重点支持打造基于国内外芯片和算法的开源通用大模型，支持重点企业持续研发和迭代商用通用大模型；安徽从资源方面着手吸引大模型企业入驻；成都着力推动大模型相关技术创新，重点研发和迭代 CV 大模型、NLP 大模型、多模态大模型等领域大模型以及医疗、金融、商务、交通等行业大模型；杭州支持头部企业开展多模态通用大模型关键技术攻关、中小企业深耕垂直领域做精专用模型。\\n\\n2023 年以来我国各地出台的大模型产业相关政策\\n\\n| | | | |\\n| --- | --- | --- | --- |\\n| 发布时间 | 发布机构 | 政策标题 | 政策内容 |\\n| 2023年5月 | 北京市 | | 支持创新主体重点突破分布式高效深度学习框架、大模型新《北京市加快建设丨型基础架构等基础平台技术。着力推动大模型相关技术创 |\\n| 具有全球影响力的 | 新。构建高效协同的大模型技术产业生态。建设大模型算法 |\\n| 人工智能创新策源 | 及工具开源开放平台，构建完整大模型技术创新体系。组建 |\\n| | 人民政府 | 地实施方案 | 全栈国产化人工智能创新联合体，搭建基于国产软硬件的人 |\\n| | (2023-2025年）》 | 工智能训练和服务基础设施，研发全栈国产化的生成式大模 |\\n| | | 型，逐步形成自主可控的人工智能技术体系和产业生态。 |\\n\\n| | | | |\\n| --- | --- | --- | --- |\\n| 2023年5月 | 北京市人民政府办公厅 | 《北京市促进通用人工智能创新发展的若干措施》 | 高效推动新增算力基础设施建设：加快推动海淀区、朝阳区建设北京人工智能公共算力中心、北京数字经济算力中心，形成规模化先进算力供给能力，支撑千亿级参数量的大型语言模型、大型视觉模型、多模态大模型、科学计算大模型、大规模精细神经网络模拟仿真模型、脑启发神经网络等研发。开展大模型创新算法及关键技术研究：围绕模型构建、训练、调优对齐、推理部署等环节，积极探索基础模型架构创新，研究大模型高效并行训练技术和认知 |\\n| 2023年5月 | 办公厅、深圳 | 人工智能高质量发展高水平应用行动方案（2023—2024 | 重点支持打造基于国内外芯片和算法的开源通用大模型；支持重点企业持续研发和迭代商用通用大模型；鼓励大模型企业联合生态伙伴加强大模型插件及相关软硬件研发，推动大模型与现有的操作系统、软件、智能硬件打通、互嵌。 |\\n| 2023年7月 | 杭州市人民政府办公厅 | 《杭州市人民政府办公厅关于加快推进人工智能产业创新发展的实施意见》 | 态，将我市打造成为全国算力成本洼地、模型输出源地、数据共享高地，人工智能创新应用水平全国领先、国际先进。算力设施先进泛在，算力供给普惠高效，全市可开放算力规模在使用半精度输出输入(FP16)下达到 5000千万亿次浮点指令/秒(PFL0PS)以上，高性能算力占比达到 60%以上。模型创新应用领跑全国，培育性能达到国际先进水平的通用大模型1个、具有行业重大影响力的专用模型10个。支持头部企业开展多模态通用大模型关键技术攻关、中小企业深耕垂直领域做精专用模型，鼓励相关技术和算法开源开放，形成 |\\n\\n| | | |\\n| --- | --- | --- |\\n| 信息化局、成都市新经济发展委员会 | 型创新应用推进人工智能产业高质量发展的若干措施》 | 认知与推理、可控内容生成等关键算法研发，着力推动大模型相关技术创新，重点研发和迭代CV大模型、NLP大模型、多模态大模型等领域大模型，以及医疗、金融、商务、交通 |\\n| 安徽省 2023年10月人民政府 | 建省促进人工智能府办公厅产业发展十条措施的通知》《安徽省人民政府 | 对在皖落户的通用及行业大模型企业、跨领域应用企业、新 |\\n| 上海市经济和信息化委员 2023年10月会、上海市发展和改革委员会等五部门 | 策的通知》《上海市推动人工智能大模型创新发展若干措施（2023-2025年）》 | 实施大模型创新扶持计划。支持引进高水平创新企业，支持本市创新主体打造具有国际竞争力的大模型，鼓励形成数据飞轮，加速模型迭代，对取得重大成果的予以专项奖励。实施大模型示范应用推进计划。重点支持在智能制造、生物医药、集成电路、智能化教育教学、科技金融、设计创意、自动驾驶、机器人、数字政府等领域构建示范应用场景，打造 |\\n| 广东省 2023年11月人民政府 | 《广东省人民政府关于加快建设通用人工智能产业创新见》 | 标杆性大模型产品和服务。围绕基础架构、训练算法、调优对齐、推理部署等环节，研发千亿级参数的人工智能通用大模型，形成自主可控的大模型完整技术体系。聚焦智能经济、智能社会等行业创新场景，引领地的实施意丨研发具有多模态数据、知识深度融合的垂直领域大模型，支撑多任务复杂场景行业应用。 |\\n\\n制表：报告组根据公开信息整理\\n\\n# 1.2 AI 大模型产业发展技术驱动力\\n\\n近年来，AI 大模型得到快速发展，当前大模型热潮主要由语言大模型相关技术引领。语言大模型通过在海量无标注数据上进行大规模预训练，让模型学习大量知识并进行指令微调，从而获得面向多任务的通用求解能力。2017年，Google提出基于自注意力机制的神经网络结构——Transformer 架构，奠定了大模型预训练算法架构的基础。2018 年，OpenAI 和 Google 分别发布了 GPT-1 与 BERT 大模型，预训练大模型成为自然语言处理领域的主流。2022 年，OpenAI 推出ChatGPT，其拥有强大的自然语言交互与生成能力。2023 年，OpenAI 多模态预训练大模型GPT-4 发布，其具备多模态理解与多类型内容生成能力。2024 年，OpenAI 发布视频生成大模型 Sora，提出时空碎片和扩散 Transformer 技术，大模型的多模态生成能力的进一步成熟。本部分将从经典Transformer 架构出发，通过全面梳理基于人类反馈强化学习、指令微调、提示学习等相关大模型技术，体现技术对于产业发展的带动作用。\\n\\n# 1.2.1 Transformer 架构\\n\\nTransformer 架构是目前语言大模型采用的主流架构，于 2017 年由 Google提出，其主要思想是通过自注意力机制获取输入序列的全局信息，并将这些信息通过网络层进行传递，Transformer 架构的优势在于特征提取能力和并行计算效率。\\n\\nTransformer 架构主要由输入部分、多层编码器、多层解码器以及输出部分组成。其中，输入部分包括源文本嵌入层、位置编码器；编码器部分由N 个编码器层堆叠而成；解码器部分由 N 个解码器层堆叠而成；输出部分包括线性层和Softmax 层。\\n\\nTransformer 架构图\\n\\n![](http://download.people.com.cn/jiankang/images/f799c2c973b768bfedc2a086a50bc33c6c0b2ad504584834cbde739c18928f5d.jpg)\\n\\n制图：报告组根据公开信息整理\\n\\n自注意力机制作为Transformer 模型的核心组件，其允许模型在处理序列数据时，对每个词位置的输入进行加权求和，得到一个全局的上下文表示。在计算自注意力时，模型首先将输入序列进行线性变换，得到Q（查询）、K（键）和V（值）三个向量。然后，通过计算Q 和K 的点积，并应用Softmax 函数，得到每个位置的权重。最后，将权重与V 向量相乘，得到自注意力的输出。为提高模型的表达能力，Transformer 模型采用了多头自注意力机制，这意味着模型在同一时间关注来自不同表示子空间的注意力信息。多头自注意力的实现方法是将输入序列分成多个组，每个组使用一个独立的权重矩阵进行线性变换，并计算自注意力。最终，自注意力的输出被拼接起来，并通过一个线性层得到最终的输出表示。在计算自注意力和多头自注意力之后，Transformer 模型使用前馈神经网络对输入序列进行变换。前馈神经网络由多个全连接层组成，每个全连接层都使用ReLU激活函数。前馈神经网络的作用是对输入序列进行非线性变换，以捕捉更复杂的特征。\\n\\n# 1.2.2 AI 语言大模型关键技术\\n\\nAI 语言大模型关键技术主要涉及基于人类反馈强化学习、指令微调、模型提示等相关技术。\\n\\n# （1）基于人类反馈强化学习\\n\\n基于人类反馈强化学习(Reinforcement Learning from Human Feedback,RLHF)，是指将人类标注者引入到大模型的学习过程中，训练与人类偏好对齐的奖励模型，进而有效指导语言大模型的训练，使得模型能够更好地遵循用户意图，生成符合用户偏好的内容。\\n\\n基于人类反馈强化学习具体包括以下几个步骤：\\n\\n1）训练监督策略模型：使用监督学习或无监督学习的方法，对一个预训练的语言模型进行训练，通过给予特定奖励或惩罚引导 AI 模型的行为，使其能够根据给定的输入预测输出或行为。\\n\\n2）训练奖励模型：让标记员参与提供有关模型输出结果的反馈，对模型生成的多个输出或行为的质量或正确性进行排名或评分，这些反馈被转换为奖励信号，用于后续的强化学习过程。\\n\\n3）采用近端策略优化进行强化学习：先通过监督学习策略生成近端策略优化（PPO）模型，经过奖励机制反馈最优结果后，再将结果用于优化和迭代 PPO模型参数。具体而言，在PPO 模型训练过程中，智能系统通过尝试不同的行为，并根据每个行为获得的奖励来评估其质量，智能系统逐步改进行为策略。\\n\\n# 基于人类反馈强化学习示意图\\n\\n![](http://download.people.com.cn/jiankang/images/bf885c98df76a0b1bb3396b3a5f20b77cfef1c7517a3a42d3369cef4aa64f556.jpg)\\n\\n第一步：训练监督策略模型\\n\\n![](http://download.people.com.cn/jiankang/images/16d7b88a8cd9b4e450581e3c69584733e88eaacb30c697f32adf23104b13e694.jpg)\\n\\n制图：报告组根据公开信息整理\\n\\n# （2）指令微调\\n\\n指令微调 (Instruction Tuning)，是一种帮助语言大模型实现人类语言指令遵循的能力，在零样本设置中泛化到未知任务上的学习方法。指令微调是让语言大模型理解人类指令并按照指令要求完成任务，即在给定指令提示的情况下给出特定的回应。指令微调可被视为有监督微调（Supervised Fine-Tuning，SFT）的一种特殊形式，但两者目标有所差别。SFT 是一种使用标记数据对预训练模型进行微调的过程，以便模型能够更好地执行特定任务，而指令微调是一种通过在（指令，输出）对的数据集上进一步训练大型语言模型（LLMs）的过程，以增强LLMs 的能力和可控性。指令微调的特殊之处在于其数据集的结构，即由人类指令和期望的输出组成的配对，这种结构使得指令微调专注于让模型理解和遵循人类指令。\\n\\n# （3）模型提示\\n\\n通过大规模文本数据预训练之后的语言大模型具备作为通用任务求解器的潜在能力，这些能力在执行特定任务时可能不会显式地展示出来，在大模型输入中设计合适的语言指令提示有助于激发这些能力，称为模型提示技术。典型的模型提示技术包括指令提示和思维链提示。\\n\\n指令提示（Instruction Prompt）。OpenAI 在 GPT-3 中首次提出上下文提示，并发现GPT-3 在特定领域少样本提示下能够达到人类水平，证明在低资源场景下非常有效。指令提示的核心思想是避免强制语言大模型适应下游任务，而通过提供“提示（Prompt）”来给数据嵌入额外的上下文以重新组织下游任务，使之看起来更像是在语言大模型预训练过程中解决的问题。\\n\\n思维链提示（Chain of Thought, CoT）。推理的过程通常涉及多个推论步骤，通过多步推理允许产生可验证的输出，可以提高黑盒模型的可解释性。思维链是一种提示技术，已被广泛用于激发语言大模型的多步推理能力，被鼓励语言大模型生成解决问题的中间推理链，类似于人类使用深思熟虑的过程来执行复杂的任务。在思维链提示中，中间自然语言推理步骤的例子取代少样本提示中的〈输入，输出〉对，形成〈输入，思维链，输出〉三元组结构。思维链被认为是语言大模型的“涌现能力”，通常只有模型参数规模增大到一定程度后才采用思维链能力。激活语言大模型的思维链能力方法，在提示中给出逐步的推理演示作为推理的条件，每个演示都包含一个问题和一个通向最终答案的推理链。\\n\\n# 1.3 中国 AI 大模型产业发展市场驱动力\\n\\n中国 AI 大模型产业发展源于多领域的广泛需求，例如来自办公、制造、金融、医疗、政务等场景中降本增效、生产自动化、降低风险、提高诊断准确率、提高政务服务效率等诉求。相关领域的创新和发展共同推动着中国 AI 大模型产业的蓬勃发展，预示着未来更广阔的市场前景。\\n\\n# 1.3.1 办公场景\\n\\n近年来，随着文字、语音、图像等处理能力跃迁，大模型摇身变为“助理”走入办公室和会议室，结合传统软件使得办公和会议智能化。\\n\\n基于大模型的智能办公产品满足日常办公场景中文案生成、PPT 美化、数据分析等各种需求。仅通过自然语言交互，用户便可将繁琐的文字、演示、数据处理工作交给“助理”，用节约的时间做更有创意的事情。智能文档负责协助用户构建文章大纲、一键生成模板、生成内容、优化表达、处理和理解文档；智能演示承担自动排版美化、生成演讲备注、一键生成幻灯片等任务；智能表格通过对话即可生成公式、数据批量处理、自动生成表格。\\n\\n智能会议方面，大模型可从会议策划、同声传译、会议记录等各环节赋能。会议策划场景大模型根据会议主题等提示词，自动生成会议环节、会议分论坛、会议时间、会议预算等完整策划内容；在大模型能力加持下，同声传译的准确性、及时性和多语言能力得到显著提升；通过大模型处理后，结构清晰、要点明确的会议记录结果使得会后回顾更加高效。\\n\\n# 1.3.2 制造场景\\n\\n人工智能崛起引领制造行业的深刻变革，改变研发设计、生产制造、供应链管理等流程。大模型+EDA/CAE/CAD，将传统研发设计软件效率进一步提升。大模型助力数字孪生和机器人，获得强大的感知场景和执行任务能力。大模型融合供应链管理，实现工厂管理的智能化转型。\\n\\n在研发设计阶段，以大模型+EDA 为例，利用云端扩展性实现设计自动化，并确保设计在电气方面准确无误，同时简化系统设计流程，缩短PCB 设计周转时间。企业借此缩短研发周期、降低研发成本、提升行业竞争力；生产制造中，利用AIGC 和数字孪生技术，可模拟真实生产环境派出虚拟人代替工人进行危险、故障排查，或是通过仿真设备操作场景，完成沉浸式作业教学。拥有大模型功能的机器人凭借机器视觉技术，可执行路径规划、物体识别等任务；大模型集成于供应链管理系统中，能重构数字化办公流程，通过自然语言指令实现人机交互，推动企业进行更高效的管理决策、更便捷的数据分析与可视化，在需求端及时预测需求达到降本增效的目的，在仓库和物流端实现智能调度、智能跟踪和智能预警。\\n\\n# 1.3.3 金融场景\\n\\n金融行业存在前、中和后台的业务划分，在数字经济时代的浪潮中，相关业务已被大模型全局赋能提升效率。以银行为例，对话机器人、虚拟助理已经逐渐出现在个性化服务、电子营销、金融欺诈检测、信贷支持等服务场景中。\\n\\n个性化服务方面，银行大模型以客户数据为依据，为客户提供定制的财务和产品计划；电子营销方面，大模型根据客户行为偏好生成个性化电子邮件；金融欺诈检测方面，大模型赋能专业人员检索大量数据识别欺诈行为；信贷支持方面，大模型通过分析海量生产生活和信用数据，为信贷部门人员生成高质量的信贷方案建议，减少银行贷款收益损失。\\n\\n# 1.3.4 医疗场景\\n\\n得益于近年来医疗大模型的不断迭代，复杂的医疗数据分析任务得以解决。由于患者行为数据的独特性，大模型通过个性化设计，满足患者“千人千面”的医疗服务需求，应用于智慧影像、智慧手术、智慧健康等领域。\\n\\n智慧影像覆盖CT、MR、DR、US、DSA、钼靶等医疗影像场景，为患者进行早期检测、诊断及健康风险评估；智慧手术功能大幅提高患者病情评价准确度，打牢术前风险评估、术中手术规划、术后预后估计的基础；智慧健康则作为一般患\\n\\n者的贴身健康助手，通过小程序等便捷方式为患者提供高质量导诊服务和个性化健康建议。\\n\\n# 1.3.5 政务场景\\n\\n在办公、制造、金融、医疗场景得到助力的同时，政务场景下的效率、信息参考范围、经验共享、规范性等常见痛点也获得大模型能力加持得以解决。\\n\\n为提升效率，大模型利用自动化的政策检索、政策比对解决海量政策参考、人工分析比对的耗时问题；为缩小信息参考范围，政策撰写助手结合政策数据权威白名单，并接入政策全量库，避免不可靠信息来源引发舆论风险；为提高政策管理经验共享，大模型引入政策经验知识库，提升政务业务理解和政策管理能力；为规范政策撰写，政务大模型凭借规范化生成、检查功能维护成果的规范性、权威性。\\n\\n# 第二章百舸争流：中国 AI 大模型产业现状及典型案例\\n\\n# 2.1 AI 大模型主要特征\\n\\nAI 大模型具有泛化性(知识迁移到新领域)、通用性(不局限于特定领域)以及涌现性(产生预料之外的新能力)特征。以 ChatGPT 为代表的AI 大模型因其具有巨量参数和深度网络结构,能学习并理解更多的特征和模式,从而在处理复杂任务时展现强大的自然语言理解、意图识别、推理、内容生成等能力,同时具有通用问题求解能力,被视作通往通用人工智能的重要路径。\\n\\n![](http://download.people.com.cn/jiankang/images/357e4ec5abf4dc506be98d9d5bbefa9f898000162f5c9dab3352ec3fad557579.jpg)\\n\\nAI 大模型的三大特征：泛化性、通用性、涌现性\\n\\n制图：报告组绘制\\n\\n# 2.2 AI 大模型主要类型\\n\\n按照部署方式划分，AI 大模型主要分为云侧大模型和端侧大模型两类。云侧大模型由于部署在云端，其拥有更大的参数规模、更多的算力资源以及海量的数据存储需求等特点；端侧大模型通常部署在手机、PC 等终端上，具有参数规模小、本地化运行、隐私保护强等特点。\\n\\n具体而言，云侧大模型分为通用大模型和行业大模型；端侧大模型主要有手机大模型、PC 大模型。从云侧大模型来看，通用大模型具有适用性广泛的特征，其训练数据涵盖多个领域，能够处理各种类型的任务，普适性较强。行业大模型具有专业性强的特点，针对特定行业（如金融、医疗、政务等）的需求进行模型训练，因而对特定领域具有更深的业务理解和场景应用能力。从端侧大模型来看，手机和 PC 大模型由于直接部署在设备终端，让用户体验到更加个性化和便捷的智能体验。\\n\\n![](http://download.people.com.cn/jiankang/images/27155626056c665235097233936eea55847c095d7bb9245add5f9a2d9058cc24.jpg)\\n\\nAI 大模型主要分为云侧大模型和端侧大模型两类\\n\\n制图：报告组根据公开信息整理\\n\\n当前，我国AI 大模型产业呈现蓬勃发展的态势。伴随多家科技厂商推出的AI 大模型落地商用，各类通用、行业以及端侧大模型已在多个领域取得了显著的成果，如在金融、医疗、政务等领域，AI 大模型已成为提升服务质量和效率的重要手段。我国具有代表性的通用 AI 大模型主要包含科大讯飞的讯飞星火认知大模型、百度公司的文心一言大模型、阿里巴巴的通义千问大模型等；行业AI 大模型主要涵盖蜜度的文修大模型、容联云的赤兔大模型、用友的YonGPT 大模型；同时具有云侧和端侧大模型的端云结合AI 大模型主要有vivo 的蓝心大模型；端侧AI 大模型主要以蔚来的NOMI GPT 大模型为代表。\\n\\n中国AI 大模型分类及典型案例\\n\\n| | | |\\n| --- | --- | --- |\\n| 类别 | AI大模型功能 | AI大模型案例 |\\n| AI通用大模型 | 文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力、多模态能力等 1.金融：文档处理、知识问答、内 | 科大讯飞一讯飞星火认知大模型百度公司一文心一言大模型阿里巴巴一通义千问大模型蜜度—文修大模型 |\\n| AI 行业大模型 | 容生成、辅助决策 2.医疗：医学影像生成、知识问答、辅助决策 3.政务：政策检索、知识问答、辅助决策 4.电商：经营分析、商品推广、商品销售 | 容联云一赤兔大模型用友—YonGPT大模型人民网—“写易”智能创作引擎 |\\n| | 5.传媒：录音转写、新闻写作、视频剪辑 | |\\n| AI端侧大模型 AI端云结合大模型 | 物体识别、语言理解语义搜索、知识问答、文本创作、图片生成、智慧交互等 | 蔚来—NOMI GPT vivo—蓝心大模型 |\\n\\n制图：报告组根据公开信息整理\\n\\n# 2.3 中国 AI 通用大模型典型案例\\n\\n# 案例一：科大讯飞—讯飞星火认知大模型\\n\\n# （1）大模型简介：\\n\\n讯飞星火认知大模型是科大讯飞推出的新一代认知大模型，可实现基于自然对话方式的用户需求理解与任务执行。讯飞星火从赋能万物互联时代的人机交互、赋能知识学习与内容创作、提升数智化生产力三个方面展现其应用能力。讯飞星火认知大模型具备七大核心能力：文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力和多模态能力。\\n\\n# （2）大模型优势：\\n\\n2024 年1 月，讯飞星火认知大模型V3.5 发布，七大核心能力全面提升。据科大讯飞宣称，数学、语言理解超GPT-4 Turbo，在代码能力方面已经达到GPT-4\\n\\nTurbo 的 $9 6 %$ 。另外，星火大模型在多模态理解方面达到GPT-4V 的 $91 %$ ，其中语音的多模态能力已经超过GPT-4。\\n\\n# 讯飞星火认知大模型V3.5 七大能力\\n\\n# $\\\\\\\\alpha$ 大\\n\\n# 迅飞星火\\n\\n![](http://download.people.com.cn/jiankang/images/5ec7f198d1e53fc4b1a13c2ff3c5c6702821914624c693039fee87638207d67d.jpg)\\n\\n星火认知大模型V3.5七大能力全面提升\\n\\n图片来源：讯飞星火认知大模型V3.5 升级发布会\\n\\n讯飞星火认知大模型V3.5 从三个角度展示了模型能力的提升，赋能万物互联时代人机交互、赋能知识学习与内容创作、提升数智化生产力。人机交互方面，讯飞星火 V3.5 在语义理解、指令跟随和多轮对话中展现优异能力，在情绪感知和拟人合成方面也有出色表现；知识学习与内容创作方面，要素抽取、问题生成等底层能力的进步，能够帮助知识学习和内容创作领域，产生更丰富更有用的智能体。讯飞星火大模型能够结合外部知识进行合理拓展，做到“旁征博引”；数智化生产力方面，逻辑推理能力和时空推理能力并重，数学则是大模型的基础能力，而代码能力用于生成各种工具链接虚拟和现实世界，最后多模态能力也是机器人、工业、家庭等场景中必备的能力。讯飞星火 V3.5 在这些关键技术领域取得显著进步。\\n\\n# （3）大模型应用：\\n\\n讯飞星火七大能力的提升，实现了各类应用场景性能升级。语言理解方面，情感分析可以提取文本情感色彩更好了解内容观点和态度。文本摘要总结简洁准确的摘要，快速理解文章的核心观点；文本生成方面，科大讯飞推出可以一键快速自动生成文档和PPT 的办公产品——讯飞智文，主要功能有文档一键生成、AI撰写助手、多语种文档生成、AI 自动配图、多种模板选择、演讲备注等；知识问答方面，讯飞星火对生活常识问答、医学知识问答、政策问答等任务“信手拈来”；逻辑推理方面，思维推理可以通过分析问题的前提条件和假设来推理出答案或解决方案，给出新的想法和见解。科学推理则使用已有的数据和信息进行推断、预测和验证等科学研究中的基本任务；数学能力方面，讯飞星火可以解决方程求解、立体几何、微积分、概率统计等数学问题；代码能力方面，讯飞星火能根据注释、函数名智能生成代码，支持逐行代码注释，还可以精准定位代码语法、逻辑错误，甚至可以智能生成单元测试数据；多模态能力方面，讯飞星火可根据用户上传图片返回准确的图片描述，或完成针对图片素材的问答，还可以凭借用户描述，生成期望的音频和视频。\\n\\n# 案例二：百度公司—文心一言大模型\\n\\n# （1）大模型简介：\\n\\n文心一言是百度研发的人工智能大语言模型产品，具备跨模态、跨语言的深度语义理解与生成能力，在文学创作、文案创作、搜索问答、多模态生成、数理逻辑推算等众多领域都能为用户提供高质量服务。文心一言拥有四大基础能力：理解能力、生成能力、逻辑能力、记忆能力。\\n\\n# （2）大模型优势：\\n\\n2023 年 10 月发布的“文心大模型 4.0”，相比上一代文心大模型，四大能力显著升级，其中逻辑提升幅度是理解的3 倍，记忆提升幅度是理解的2 倍。理解能力方面，文心一言能听懂潜台词、复杂句式、专业术语、前后乱序、模糊意图等复杂提示词，也能胜任代码理解与调试任务；生成能力方面，文心一言能快速生成风格多样的文本、代码、图片、图表、视频，比如进行文案创作、制定生活计划、编写高质量代码；逻辑能力方面，文心一言能帮用户解决复杂的逻辑难题、困难的数学计算、重要的职业/生活决策、代码纠错、常识推理、逻辑校验、立体几何、辩论灵感等；记忆能力方面，经过多轮对话后，文心一言依然能记住对话的重点，轻松胜任复杂问题、沉浸体验角色对话。\\n\\n文心大模型 4.0 的能力提升源自相关举措：（1）在万卡算力上基于飞桨平台，通过集群基础设施和调度系统、飞桨框架的软硬协同优化，支持了大模型的稳定高效训练。（2）通过建设多维数据体系，形成了从数据挖掘、分析、合成、标注到评估闭环，充分提高数据的利用效率，大幅提升模型效果。（3）基于有监督精调、偏好学习、强化学习等技术进行多阶段对齐，保证了模型能够更好地与人类的判断和选择对齐。（4）利用可再生训练技术通过增量式的参数调优，有效节省了训练资源和时间，加快了模型迭代速度。\\n\\n![](http://download.people.com.cn/jiankang/images/566f2ff60e6aa2cbb991766945fe876d5794d1805abb170fd00d52024a0cbf3f.jpg)\\n\\n文心大模型4.0 典型特征\\n\\n图片来源：百度世界大会\\n\\n# （3）大模型应用：\\n\\n文心大模型在文学创作、文案创作、搜索问答、多模态生成、数理逻辑推算等方面已有应用面向用户开放。文学创作方面，文心一言可以清晰地表达观点、传递情感，因此可以应用于小说、散文、诗歌等文学作品的创作中；文案创作方面，在商业领域，文心一言可以撰写商业计划、市场分析报告等商业文案，提供有力的文字支持。文心一言可以激发创意思维，为广告行业提供新的灵感和想法，可以帮助广告人员快速构思出吸引人的广告文案和宣传语；搜索问答方面，基于文心一言的聊天机器人可以与用户进行自然语言交互，理解用户的意图和需求，并提供相应的回答和建议。这种应用可以广泛应用于生活服务、教育辅导、客服等领域；多模态生成方面，文心大模型支持图像生成和处理，可以根据用户需求生成图像或者对已有图像进行处理编辑。文心大模型还支持语音合成、语音识别和音频分类。文心大模型还能对视频数据进行处理，或将文本转化为动态图像序列完成视频分类、目标检测等任务；数理逻辑推算方面，文心大模型可以解决复杂的数学问题，也可以成为代码编写助手，比如百度基于文心大模型研制了智能代码助手 Comate，提供智能推荐、智能生成、智能问答等多种功能，支持多种编程语言和 IDE。\\n\\n# 案例三：阿里巴巴—通义千问大模型\\n\\n# （1）大模型简介：\\n\\n通义千问是阿里云研发的预训练语言模型，基于先进的自然语言处理技术（NLP）, 执行理解、生成和解释人类语言、图片和文档等任务。通义千问能在创意文案、办公助理、学习助手、趣味生活等方面为使用者提供丰富的交互体验。通义千问具备中英文理解、数学推理、代码理解等能力。\\n\\n# （2）大模型优势：\\n\\n2023 年 10 月，千亿级参数大模型通义千问 2.0 发布,相比 1.0 版本，其在复杂指令理解、文学创作、通用数学、知识记忆、幻觉抵御等能力上均有显著提升。中英文理解能力是大语言模型理解和表达的基础能力，英语任务中，通义千问2.0 的MMLU（伯克利大学、哥伦比亚大学等联合发布）基准得分是 82.5。中文任务中，通义千问 2.0 在模型训练中学习了更多中文语料，在 C-EVAL（上海交大和清华联合研发的中文大语言模型测试集）基准上获得最高分；数学推理方面，在推理基准测试GSM8K（OpenAI 发布的小学数学测试集）中，通义千问排名第二，展示了强大的计算和逻辑推理能力；代码理解方面，HumanEval（OpenAI发布）测试衡量大模型理解和执行代码片段的能力，通义千问排名第三，这一能力是大模型在编程辅助、自动代码修复等场景的基础。 (注：得分排名信息均为各榜单 2023 年 10 月数据)\\n\\n![](http://download.people.com.cn/jiankang/images/ec7343538d7e2ef36c79f8626d1003191bbd9ce9ad7b0eb0617baf4b9e882a94.jpg)\\n\\n通义千问2.0 参数及指标评测\\n\\n图片来源：阿里云公众号\\n\\n# （3）大模型应用：\\n\\n通义千问目前主要应用于四个方向：创意文案、办公助理、学习助手、趣味生活。创意文案应用包括：“撰写营销文案”，输入产品介绍获得量身定制的金牌营销文案。“文章润色”能对用户提交的文章进行深度分析，挖掘其中表达不足之处，提供词汇句式变化建议。“直播带货剧本生成”，基于丰富的商品信息和用户需求，为电商主播提供生动有趣且具有营销力的脚本内容；办公助理应用于：“SWOT 分析”为用户提供全面、深入且精准的战略决策支持，从多元视角理解并评估内外部环境对特定项目的影响。“PPT 框架生成”，智能地为用户构建专业且逻辑清晰的PPT 结构；学习助手应用包含了：“题目加工厂”，根据提供的专业以及学科领域进行高质量试题生成，大大节省了教师、家长以及教育机构在出题上的时间和精力。“学习计划站”可为用户提供个性化、系统化的学习路径规划，定制高效且科学的学习日程安排；趣味生活应用有：“会放飞的菜谱”，输入菜名逐步指导提供美食烹饪秘诀。“AI 健身教练”为用户制定专属健身计划。“写歌词”，根据用户提示的歌名写出生动歌词。\\n\\n# 2.4 中国 AI 行业大模型典型案例\\n\\n# 案例四：容联云—赤兔大模型\\n\\n# （1）大模型简介：\\n\\n赤兔大模型是容联云开发的面向企业应用的垂直行业多层次大语言模型，赋能企业搭建专属智能客服和数智化营销，完成从“降本增效”到“价值创造”的进化。丰富的智能应用为赤兔大模型能力保驾护航，包含会话洞察、业务话术、问答知识库、知识运用、数据分析、智能对话框架、流程管理。\\n\\n# （2）大模型优势：\\n\\n赤兔大模型三个核心点分别是智能性、可控性和投产比。智能性方面是客户最关心的，首先能力是否足够丰富，能否解决以前不能解决的问题以及相关能力到底能做多好。智能性方面，包括检索增强、会话分析、逻辑推理、数据分析。检索增强是指在海量文档中快速定位到信息，经过整理给客户提供答案。会话分析能让模型在对话中发现多维度信息，包括情绪、立场、各种细节的意见，并且根据不同业务快速切换业务场景。逻辑推理体现在推荐话术的原因，投诉、预警的原因这种因果分析能力。数据分析体现在对数据更细致且自动化的分析，减少技术人员和业务人员的数据层面上的操作；可控性方面，赤兔大模型在道德、伦理、安全、风格、偏好上对齐，对话或话术生成时满足基本安全需求。另外让模型知道应该处理的知识范畴、知识边界，从而避免自由对话潜在的安全风险和资源消耗；投产比方面，大模型强大能力来源于大规模，而大规模需要大投入，合理的投产比是客户采取方案的底层逻辑。所以明确是否所有场景都需要大模型，AI 底座上，没有摒弃小模型，大小模型相配合完成对上层能力的输出。机制上合理调动分配，比如有的环节大模型靠后完成线下或离线的工作，有的环节大模型调动指挥小模型完成。\\n\\n# （3）大模型应用：\\n\\n基于赤兔大模型，容联云发布了生成式应用“容犀Copilot”。容犀 Copilot具备三大核心能力：大模型话术、智能知识库、会话洞察。大模型话术：容犀Copilot 后台一键快速对海量历史会话数据进行核对筛选，挑选出更佳话术并生成金牌话术，兼顾质与量的同时，挖掘出客户高频关注的问题，从问题中洞悉业务痛点；智能知识库：可以帮助企业从零开始、低成本地快速构建话术库，包括理解文档知识、知识快搜、智能问答等，大幅提升构建效率；会话洞察：高效便捷洞察每一通会话沟通情况，分析客户诉求，精准诊断问题并优化。回归实际业务本身，容犀Copilot 深入金融行业细分场景，打造场景化客服助手，譬如分期挽留助手、荐卡挽留助手、投诉安抚助手等，实时辅助快速洞察客户需求，推荐更佳应答话术，诊断客户情绪变化，提醒措辞及注意事项。\\n\\n# 容犀 Copilot 产品应用场景\\n\\n![](http://download.people.com.cn/jiankang/images/92fe8fe04d83b5c4eba006f73f00749cacb681ac656f12f722dcca469bc02a63.jpg)\\n\\n容犀 Copilot产品应用场景\\n\\n图片来源：容联云公众号\\n\\n# 案例五：蜜度—文修大模型\\n\\n# （1）大模型简介：\\n\\n文修大模型是蜜度推出的一款聚焦于智能校对领域的大语言模型，基于蜜度在校对领域的知识和经验积累，为政务单位、新闻媒体、企业单位、学校机构、出版机构等专业用户提供更贴合使用场景的校对服务。文修大模型具备校对能力\\n\\n强、速度快、匹配度高三大特点，更好地解决垂直行业的问题。\\n\\n# （2）大模型优势：\\n\\n数字化时代，内容创作与传播速度惊人，信息准确无误地传达给公众尤为重要，蜜度文修大模型通过优秀的校对能力、高效的处理速度和高度的匹配度应对变局。校对能力方面，文修大模型以拼写错误、语义错误、语法错误为基础，以内容差错、常识校对差错、内容风险识别三大类校对类型，27 类细分类型为校对标准，有效满足出版行业、新闻行业的“三审三校”的校对规范和实际业务需求，提供诸如广告法检测、常识校对等更为全面的校对服务；校对速度方面，文修大模型几秒钟就能校对完一篇千字文章，几分钟即可校对一本 10 万字书稿。其快速校对的背后是实实在在的“学习能力”，文修大模型能迅速将人们短时间内难以学习消化的内容，转变成自身的校对能力，完成快速输出；匹配度方面，蜜度服务政府部门、媒体单位十余年，数十款智能应用产品及解决方案，覆盖政务部门、出版单位多个办公环节及场景，拥有成熟的流程服务，在洞察用户需求和使用场景方面拥有深厚的经验。\\n\\n# （3）大模型应用：\\n\\n文修大模型满足政务单位、新闻媒体、企业单位、学校机构、出版机构的多行业场景应用需求。政务单位领域，赋能各级政务部门校对流程智能化，提供文字材料的内容错敏校对、修改提示和文本润色等服务，全力保障内容的准确性及严谨性，支持内网环境下校对，满足更高保密需求；新闻媒体领域，文修大模型深入新闻媒体工作的各个环节，对多模态内容进行多类错敏校对，帮助快速定位错误并高亮显示，让内容更加规范严谨，有效维护官方账号的公信力；同时提供文本润色服务，提高出稿速度，保障新闻时效性；企业单位领域，全流程切入企业办公场景，从内容纠错、提升文本质量等多方位出发，优化宣发内容，提高文案吸引力，助力营销效果显著提升；学校机构领域，针对学校机构的宣传材料、新媒体稿件、科研报告、学术论文等内容进行全面校审，有效降低文字错误率，保障学术严谨性。通过AI 润色功能助力文章、报告、材料的起草、优化工作，有助于进一步提升学校传播力、影响力；出版机构领域，提供专业、便捷、高效的内容筛查及文字质量把关服务，协助各出版机构高效处理多语言文本，降低内容差错概率，保障内容的规范性、准确性。\\n\\n# 案例六：用友—YonGPT 大模型\\n\\n# （1）大模型简介：\\n\\nYonGPT 是用友基于数字和智能技术服务企业和公共组织数智化的企业服务大模型。YonGPT 在企业服务领域的应用主要集中在 4 个方向：智能化的业务运营、自然化的人机交互、智慧化的知识生成、语义化的应用生成。\\n\\n# YonGPT 企业服务大模型整体架构图\\n\\n![](http://download.people.com.cn/jiankang/images/e9668b21bf5726787602531b90e89053bbc3ec55dc83e077fa4acede0ae6aff7.jpg)\\n\\n图片来源：用友官网\\n\\n# （2）大模型优势：\\n\\n用友人工智能研发团队基于大规模的商业应用数据，结合企业应用场景和领域经验，标记了大量的企业服务语料数据，形成丰富的企业服务大模型训练素材，并将业务知识与领域经验融入企业服务大模型，确保了 YonGPT 的专业性、实用性及领先性。同时YonGPT 通过上下文记忆、知识库表索引、Prompt 工程、Agent执行、通用工具集等扩充大模型的存储记忆、适配应用和调度执行能力，形成体系化的企业服务大模型。YonGPT 还优化了企业服务大模型的训练效率和成本，集成了丰富的开发工具和优化算法，通过自有的数据管理、大模型精调、大模型评估优化、大模型推理和插件服务等功能，为大模型的构建和服务提供稳定且有效的支撑。\\n\\n# （3）大模型应用：\\n\\n用友企业服务大模型YonGPT 围绕四个方向推进模型训练和产品效果优化，提供深入到客户业务前端的全价值链、全场景的泛在智能和群体智能应用。在智能化业务运营方面：YonGPT 通过强大的数据分析和预测能力，深入洞察企业运营、识别潜在的业务风险和机会，并提供智能化的解决方案，从而提高经营决策水平和业务运营效率；在自然化人机交互方面：YonGPT 通过强大的自然语言处理技术和理解能力，使能企业应用和服务与用户进行自然而流畅的对话交流，以“人”为本的方式实现不同应用的调用、连接、组装，更自然、高效地完成工作；在智慧化知识生成方面：YonGPT 通过从海量数据和信息中提取、整合知识，生成新的、有价值的知识内容，涵盖了行业解决方案、专业领域知识分享，助力企业和用户全面利用自身知识的储备和积累，促进知识的传播和应用；在语义化应用生成方面：YonGPT 通过对用户需求、企业业务和数据特征的理解，可以自动生成具有语义化能力的应用程序，全方位提升企业个性化应用服务的创建效率。\\n\\n此外YonGPT 在智能化场景服务中实现四个服务：企业收入/利税经营智能分析，可以实时掌控经营状况、快速洞察问题所在、精准预测企业效益、有效预见应对变化；智能生单，融合了丰富的供应链经验，通过“交互革新式”订单生成助手，实现快速智能生单，提高企业效能；智能招聘，帮助企业快速精准识别定位目标人才，从海量简历池中发现人才，通过AI 互动优化应聘体验，实现选人、用人的精准决策；智能大搜，提供“沉浸式”搜索新体验，加速企业知识的价值化服务，并洞察用户需求、实现搜推一体，让知识赋能业务和组织。\\n\\n# 案例七： “写易” 智能创作引擎\\n\\n# （1）大模型简介：\\n\\n“写易”智能创作引擎是人民网推出的垂类写作大模型，依托自主研发的主流价值观大模型针对写作场景训练而成。“写易”智能创作引擎适合党政党媒、央企国企、学校医院等有日常阅读需求和写作需求的群体，提供专业权威、系统整体、持续更新的数智服务，从而更好地启发创作者的写作灵感。\\n\\n# “写易”智能创作引擎产品架构\\n\\n![](http://download.people.com.cn/jiankang/images/5e32c718895c1dfacb6b98cf9dc14ee4cf0e4f4c97e49ad2674d455fcded2fe5.jpg)\\n\\n图片来源：人民网\\n\\n# （2）大模型优势：\\n\\n“写易”智能创作引擎深入挖掘用户需求，构建了“随查”“随写”“随审”的交互体验, 具有创作高效、安全准确、内容丰富的特点。其主要功能有：高效的智能创作引擎：“写易”智能创作引擎依托于超过25 万条的权威主流语料库，创新性地实现了基于检索增强的辅助生成能力。可通过标题自动生成优质核心内容，同时结合标题与观点等上下文信息，为用户生成相关性更强、准确性更高的文章素材，从而显著提升写作效率；专业的涉政内容审校：1.原文引用检测：检测文本是否引用了重要讲话、重要政策文件，分析引用的规范性，同时给出原文的出处等溯源信息。2.规范表述审校：对领导人重要讲话、党和国家重大政策重要文件等文本进行规范性检测。3.人物信息审校：对文本中出现的人物姓名及职务信息等进行勘误检测。4.关键信息审核：检测文本中有标志性、代表性的重大事件、重要人物、重要敏感信息等内容。5.基础纠错：对文本中的错别字检测、标点符号错误检测，包括中文、英文拼写、成对标点、特殊数字与符号等错误；内容丰富的写作素材知识库：依托人民网和人民日报，配备强大的资料库，系统化整理信息，按照时间、内容、形式、图文音频等多维度进行分类汇总。及时同步《人民日报》每日的精选文章，实时提炼更新当日最优标题、最美佳句、最优词语等内容，为用户提供新鲜的写作素材。\\n\\n# （3）大模型应用：\\n\\n“写易”智能创作引擎，服务于以国资央企、党政机关、事业单位、党媒党网、地方融媒体、教育系统、医疗系统等为重点的全行业客户，满足客户在不同场景中的定制化高效写作需求。“写易”智能创作引擎可结合客户数据库进行定制，具体而言，人民网以行业客户数据库语料为核心，《人民日报》内容为辅助，为客户定制化训练“写易”智能创作语言大模型，帮助提高写作能力、积累写作素材、规范写作格式。在写作过程中还可以为标题撰写、修辞使用、引用诗文和网言网语等提供丰富素材，帮助创作者启发灵感、提供思路，从而自动、高效地生成符合客户写作场景的高质量文章素材，为客户提供全维、全时、全域的智能化服务，助力工作总效率大幅提升。\\n\\n# 2.5 中国 AI 端云结合大模型典型案例\\n\\n# 案例八：vivo—蓝心大模型\\n\\n# （1）大模型简介：\\n\\n蓝心大模型是行业首个在手机端运行的开源自研大模型，也是更适合中文用户的中文开源大模型，其包含十亿、百亿、千亿三个参数量级，共5 款自研大模型（10 亿、70 亿、700 亿、1300 亿和1750 亿）。随着参数提升，蓝心大模型逐渐具备文本总结、语言理解、文本创作、知识问答、角色扮演、复杂逻辑推理、复杂任务编排等能力。基于蓝心大模型能力，vivo 开发出蓝心小 V 和蓝心千询两款手机端产品。\\n\\n# vivo 蓝心大模型矩阵\\n\\n![](http://download.people.com.cn/jiankang/images/4d355f9d51cadcfb53b010b7c323beeef3738b292f7b3a3bcd604160d408e634.jpg)\\n\\n图片来源：vivo 官网（注：榜单信息为23 年11 月数据）\\n\\n# （2）大模型优势：\\n\\n# 1）矩阵化优势\\n\\nvivo 大模型矩阵具有不同参数量级、多种部署方式，可应用于不同使用场景，在满足用户手机体验的同时，优化大模型推理性能以及端侧部署时占用的手机内存、功耗。10 亿参数的蓝心大模型（1B），是面向端侧场景打造的专业文本大模型，具备本地化的文本总结、图片风格化能力，适用于需要快速本地化摘要、生图的场景；70 亿参数的蓝心大模型（7B），是面向手机打造的端云两用模型，有良好的上下文关联能力和任务拆解能力，在语言理解、文本创作等场景下表现优秀。蓝心大模型7B 也是手机行业首家开源的大模型，实现AI 普惠；700亿参数的蓝心大模型（70B），是vivo 面向云端服务的主力模型，在角色扮演、知识问答等场景下表现优异，既有智能涌现，也能兼顾成本和性能。面向复杂任务，vivo 也推出了两款千亿参数模型，1300 亿和 1750 亿大模型，凭借更丰富的知识量提供更加专业的智能体验。\\n\\n# 2）端侧优势\\n\\n蓝心大模型1B 和蓝心大模型 7B 可在手机端运行，展现了出词快、内存低、全天候、真安全的强大端侧运行优势。出词快：vivo 对手机端上的1B 模型优化，测试出字速度极限可达60 字每秒，远超人眼约 10-20 字每秒的阅读需求；内存低：vivo 优化模型在手机端的内存占用问题, 蓝心大模型 1B 和蓝心大模型 7B分别只需占用1.3G 和3.8G 手机内存。全天候：将蓝心大模型置于终端设备上可以减少数据延迟，并能够满足例如出差飞机、高铁等无网弱网场景下的大模型使用需求，使得一些应用可以全天候正常运行。真安全：vivo 实现端侧内容安全过滤模型，优化输入语料和大模型生成内容的合规性问题，端侧大模型有助于在本地处理数据形成闭环，减少了敏感信息通过网络传输的风险，为大模型应用场景落地移动终端提供安全基石。\\n\\n# 3）算法优势\\n\\n蓝心大模型具备三大算法优势：强大的基础能力、精准的指令跟随以及正确的价值取向。首先，强大的基础能力是大模型的根基。在预训练阶段，vivo 利用最前沿的Transformer 架构，改良注意力机制、位置编码等关键模块，采用混合精度训练以及梯度缩放策略缩短训练周期。其次，精准的指令跟随是大模型与用户交互的核心。vivo 对于微调采用“target only loss”方法，并通过聚类分析对指令进行适应性处理，以更好地确保模型的均衡性。第三，正确的价值取向是大模型的灵魂。在强化学习阶段， vivo 建立了300 余名专业人员组成的审核团队，制定了200 余项的安全审查机制，对模型的输出进行筛查和标注。同时，vivo 采用离线采样策略和双重奖励模型等策略，在安全性上有明显提升。\\n\\n# （3）大模型应用：\\n\\n# 1）蓝心小V\\n\\n蓝心小 V 是OriginOS 4 上搭载的一款全局智能辅助功能，支持超能语义搜索、超能问答、超能写作、超能创图、超能智慧交互。超能语义搜索：使用自然语言即可搜索手机中的照片、文档、日程等信息；超能问答：根据用户上传的文档，快速提供文档总结，也可根据文档内容快速问答，还可以是知识百科开放式问答；超能写作：基于用户的要求，结合 AI 能力给用户生成文本，如润色、扩写、总结、格式文本等；超能创图：1、文生图和图生图：基于用户文字描述或上传图片，生成目标图片。2、AI 路人消除（路人隐身）：上传包含路人的图片，通过对话消除路人，生成更为纯净的图片；超能智慧交互：1、智能识屏服务功能：一键识别屏幕上的文本、网页链接，提取有效信息；2、超直觉化的交互方式：交互更多元，语音、文字、点击、拖拽、悬浮形式，互动更轻松。\\n\\n# 2）蓝心千询\\n\\nvivo 基于蓝心大模型打造的全天侯 AI 私人小帮手——蓝心千询，覆盖 AI对话和 AI 灵感两大核心应用场景。蓝心千询是手机行业首个大模型公开版免费APP。AI 对话模块，蓝心千询支持“超能问答”以及“超能创图”两大功能，用户可以通过AI 对话进行文本问答、开放问答或是基于文档的问答，以高效获取信息、知识。另外，无论写诗、AI 作画、创作歌词、撰写标题/活动方案，蓝心千询皆可胜任。AI 灵感模块，蓝心千询能够提供社交媒体文案创作、PPT 大纲生成、中英文本互译等功能，还设置有穿搭建议等有趣的灵感工具。灵感广场设置有不同场景下的灵感技能卡片，覆盖工作、学习生活中的创作场景。蓝心千询将基于卡片语境快速生成对应文案，为用户的工作、学习、生活提供广泛灵感支持。\\n\\n# 第三章大浪淘沙：中国 AI 大模型产业发展所面临的挑战\\n\\n# 3.1 大模型产业遭遇算力瓶颈\\n\\n随着AI 大模型规模呈现指数级增长，训练大模型越发依赖高性能AI 芯片。AI 大模型的训练速度、产出质量，都和算力直接相关，对于 GPT 这种大语言模型（LLM）来说，算力的要求更高，也决定了模型的“智商”。目前主要以英伟达的A100、H100 为代表的高性能AI 芯片应用到主流AI 大模型的训练过程。以ChatGPT 为例，微软 Azure 云服务为其提供了 1 万枚英伟达 A100 GPU，这个算力也正是国内云计算技术人士共识的 AI 大模型门槛。然而国内拥有 1 万枚 GPU 的企业很少，而且单枚GPU 普遍弱于英伟达A100。由于英伟达A100 及以上性能GPU被列入管制清单，目前中国企业能获取的替代品为英伟达A800，然而A800 也存在缺货和溢价的情况。从我国自研 AI 芯片来看，中国本土的高性能芯片龙头以华为海思、寒武纪、地平线、昆仑芯等为代表。我国正在高性能芯片领域加大投入并取得极大进展，部分解决方案正替代英伟达成为一些大厂的选择。但国产芯片性能目前仍与国际顶尖水平存在一定差距。\\n\\n总体而言，国内AI 高性能芯片市场受进口限制和国内技术瓶颈的双重影响，大模型产业发展受到算力层面的一些制约。\\n\\n# 3.2 主流大模型架构仍存在诸多局限\\n\\n当前，主流 AI 大模型所使用的 Transformer 架构存在消耗算力资源大、占用内存储量多等局限性。\\n\\n首先，Transformer 架构消耗的算力资源普遍较大。传统 Transformer 架构由于算法特性，计算量会随着上下文长度的增加呈平方级上升。假如用户输入的上下文增加32 倍，计算量可能会增加1000 倍以上。\\n\\n其次，基于Transformer 架构的大模型对存储设备的要求也更高。在训练过程中需要在内存中存储参数的当前值、梯度以及其他优化器状态。模型的参数越\\n\\n多，所需的计算就越多，需要的存储空间就越大。如1000 亿个参数的Transformer模型，存储这些参数就需要400GB 的空间。\\n\\n# 3.3 高质量的训练数据集仍需扩展\\n\\n国内的 AI 大模型数据主要来自互联网、电商、社交、搜索等渠道，存在数据类型不全面，信息可信度不高等问题。整体来看，我国可用于大模型训练的中文数据库体量严重不足。如悟道语料库，其包括文本、图文和对话数据集，最大的仅 5TB，其中开源的文本部分仅为 200GB。另外一个开源的中文本数据集CLUECorps 为 100G。相比之下，GPT-3 的训练数据量，以英语为主，达到 45TB。此外，国内大模型的数据还缺乏多数据源的调用，可供大模型训练的有效数据源呈现碎片化分散状态，如微信公众号的文章仅在搜狗引擎支持调用，而多数大模型如智谱清言在联网收集数据时无法直接调用微信公众号文章。\\n\\n当前，政府部门的权威数据、大型企业掌握的行业或内部数据通常不对外公开。以阿里巴巴的“通义千问”大模型为例，训练数据来自公开来源的混合数据，中文语料主要来自知乎、百度百科、百度知道等公开网络数据，来源于政府及企业数据较少。未来，仍需构建高质量的 AI 大模型训练数据集，不断扩充数据源提高数据质量。\\n\\n# 3.4 大模型爆款应用尚未出现\\n\\n自 ChatGPT iOS 版本发布近十个月以来，该应用一直在下载量、用户支出和会话时长方面牢牢占据生成式人工智能应用下载量榜单前三名的位置。GPT4.0推出后，已支持语音输入和输出，可以理解用户的基本自然语言语音指令并进行回应，也可以将生成的文本以语音形式播放出来。此外，OpenAI 于2024 年1 月上线包含超 300 万个应用的 GPT 商店 GPTs。GPTs 的应用被划分为“写作”“效率”“研究和分析”“编程”“教育”和“生活方式”等类目。如热门应用Consensus可以从 2 亿篇学术论文中进行搜索，并获得科学的答案；Grimoire 可以在用户填写基本信息后提供所需的HTML、CSS 和JavaScript 代码，创建网站（或其他）的编程应用。\\n\\n相比而言，国内的 AI 大模型产业至今没有出现爆款级应用，原因在于尚未找到商业化思路，缺乏满足客户需求的个性化应用。我国大模型产业要推出爆款级应用，势必要在应用领域做深做细，让每一个用户都可以充分享受到大模型所带来的真正便利。\\n\\n# 第四章天阔云高：中国 AI 大模型产业趋势展望\\n\\n# 4.1 AI 云侧与端侧大模型满足不同需求，C 端用户将成为端侧的主要客群\\n\\n我国云侧大模型百花齐放数量众多，以百度文心一言、阿里通义千问、科大讯飞星火、腾讯混元等为代表。强大的算力和海量的训练数据库，支撑大语言模型高参数，云侧大模型能够提供语言理解、知识问答、数学推理、代码生成等能力。一方面，面向C 端个人用户，云侧大模型提供智能问答、文本生成、图片生成、视频生成等功能。另一方面，面向B 端企业用户，云侧大模型变革企业传统业务模式，提供营销、客服、会议记录、文本翻译、预算管理等个性化服务。\\n\\n端侧大模型具有成本低、移动性强、数据安全等优势,主要应用在手机、PC等终端设备上。端侧大模型主要面向C 端用户，重塑传统个人设备的使用方式和习惯，提供手机文档搜索、智能识屏、图像创作、生活助手、出行助手等专属服务。成本方面，根据云侧大模型每次调用成本、用户数、用户使用频率不同，云侧大模型服务器每年成本可达数亿或数十亿，高昂的服务器支出成为各大厂商发展大模型的障碍。将大模型端侧化，能把一部分云端计算转移给终端，从而大大降低云端服务器成本。安全方面，由于端侧大模型数据保存在本地，个人数据不需要上传云端，个人隐私数据更加安全。丰富的使用场景、较低的模型成本、安全的隐私保护，使得未来大模型端侧化可能成为趋势。瑞银预计生成式 AI 智能手机出货量将从 2023 年的 5000 万部增长到 2027 年的 5.83 亿部，到 2027 年收入将达 5130 亿美元。未来面向广大C 端用户的端侧大模型市场前景广阔。\\n\\n# 4.2 AI 大模型趋于通用化与专用化，垂直行业将是大模型的主战场\\n\\n通用大模型具有参数规模大、泛化能力强、多任务学习能力优等特点。通用大模型参数规模较大，达到数百亿甚至上千亿参数。通过大规模数据训练，通用大模型能学习捕捉复杂规律和特征，对未见过的数据做出预测。通用大模型能理解学习多种任务，如文本总结、对话问答、逻辑推理等。通用大模型得益于大规模预训练和微调范式，可完成多领域任务，并具备多模态（包括文字、图像、语音、视频）理解和生成能力。\\n\\n行业大模型适用于金融、政务、医疗等特定行业和领域，更好处理相关行业的特定任务。具体而言，金融大模型能帮助金融企业评估信用风险；政务大模型提供政务问答、公文撰写润色、内容审核；医疗大模型为医生和患者提供影像诊疗、手术评估、导诊服务。\\n\\n与通用大模型相比，行业大模型具有专业性强、数据安全性高等特点，未来大模型真正的价值体现在更多行业及企业的应用落地层面。一方面，行业大模型将通用大模型用于形成多领域能力的资源集中于特定领域，模型参数相对较小，对于企业落地而言具有显著的成本优势。另一方面，行业大模型结合企业或机构内部数据，为B 端用户的实际经营场景提供服务，能更加体现模型对于机构的降本增效作用。\\n\\n# 4.3 AI 大模型将广泛开源，小型开发者可调用大模型能力提升开发效率\\n\\n未来，大模型开源将成为趋势，一方面能降低大模型开发者的使用门槛，另一方面也能提高算法的透明度和可信度。从具体进展来看，2022年8月，清华大学开源中英双语预训练模型 GLM-130B，使用通用模型算法进行预训练。2023年6月，百川智能发布开源可商用大规模预训练语言模型 Baichuan-7B，支持中英双语。2023年10月，智谱AI 开源ChatGLM3系列模型。2023年11月，vivo开源70亿参数的大模型，向广大开发者提供了获取大模型技术的渠道。2023年12月，阿里云开源 Qwen-72B、Qwen-1.8B 和Qwen-AudioQwen大模型。随着大模型逐渐开源，将进一步助推AI大模型产业的创新发展。\\n\\n小型开发者通过调用大模型能力，大幅提升编程效率，进一步推动 AI 应用落地。一方面，小型开发者可基于大模型进行项目、应用以及插件等开发工作，不再局限于算力资源、无需进行复杂的模型训练、调参，轻松实现应用落地。另一方面，小型开发者利用大模型技术提升开发效率，通过在代码工具中集成大模型能力，辅助完成部分重复性工作，为开发人员提供量身定制的代码建议，还可以自动检测代码中的Bug，并生成相应的测试用例，缩短工程师开发流程中的编码和纠错时间。\\n\\n# 4.4 AI 高性能芯片不断升级，AI 大模型产业生态体系将不断完善\\n\\n在大模型场景下，AI 高性能芯片主要用于大模型的训练环节，芯片性能的强弱直接影响大模型的性能和表现。在全球 AI 高性能芯片市场中，英伟达的芯片产品采用最前沿半导体工艺和创新GPU 架构保持行业的领先地位。目前，英伟达的 A100 芯片在主流 AI 大模型训练中占据重要市场份额，H100 虽性能强劲但难以获取。AI 高性能芯片未来将不断迭代升级，持续推动大模型性能和能力的提升。在国内，AI 高性能芯片近年来发展速度加快。其中，华为昇腾主要包括310 和 910 两款主力芯片，其中昇腾 910 采用了 7nm 工艺，最高可提供 256 TFLOPS的FP16 计算能力，其能效比在行业中处于领先水平。寒武纪是中国具有代表性的另一本土 AI 芯片厂商，公司先后推出了思元 290 和思元 370 芯片及相应的云端智能加速卡系列产品、训练整机。未来，随着全球 AI 高性能芯片不断迭代升级，也将持续推动大模型性能和能力的提升。\\n\\n# 结语\\n\\n# AI 大模型将加快新质生产力发展，助力我国经济社会高质量发展\\n\\nAI 大模型可以创造新价值、适应新产业、重塑新动能，是加快发展新质生产力的关键要素。AI 大模型作为当前人工智能领域的重要技术，是孕育新质生产力的沃土。新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态，其由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生。以劳动者、劳动资料、劳动对象及其优化组合的跃升为基本内涵，以全要素生产率大幅提升为核心标志。AI 大模型作为实现新质生产力发展的重要手段，可以推动多个领域的智能化升级，提高生产效率、降低生产成本、提升产业竞争力。随着中国经济进入高质量发展阶段，AI 大模型在催生新产业、新模式、新动能方面展现出巨大潜力，不仅支撑了经济社会的高质量发展，也符合《国家创新驱动发展战略纲要》所强调的创新驱动和产业升级要求。我国众多产业对于高质量发展的需求，将为大模型的落地应用提供场景支撑。随着人工智能技术的不断升级，大模型产业化应用也成为可能。以 vivo 为代表的科技企业发布的大模型为生产生活提供更多便利，带动商业模式创新，牵引产业升级，令人们生活更加美好。面对未来，我国需进一步加强资源与研发力量的统筹，强化大模型在发展中的场景牵引作用，促进经济社会的高质量发展，以实现大模型技术的高质量应用突破，驱动实体经济的蝶变和产业变革。\", \"**首页**>新闻动态>机构动态\\n\\n[![]()](https://www.china-aii.com/jgdt/7140790.jhtml)\\n\\n**机构动态**\\n\\n人工智能大模型年度发展趋势报告\\n\\n发布时间：2025-01-28 09:19:41\\n\\n![微信图片_20250208091109.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091109.png)\\n\\n习近平总书记深刻指出，人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。2024年12月的中央经济工作会议明确把开展“人工智能+”行动作为2025年要抓好的重点任务。当前，以大模型为代表的人工智能正快速演进，激发全球科技之变、产业之变、时代之变，人工智能发展迎来新高潮。随着大模型推理、多模态生成、智能体等创新技术的发展，大模型赋能千行百业将进一步提速。中国工业互联网研究院全方位剖析大模型发展态势，从技术发展、生态建设、应用落地、商业模式等多维度深入研判，梳理出七大核心发展趋势。\\n\\n**（一）模型能力不断提升**\\n\\n![微信图片_20250208091123.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091123.png)\\n\\n在文本能力上，随着模型参数、训练数据和训练时间的增加，模型文本能力的上限不断刷新。在多模态能力上，实时对话延迟显著缩短；图片理解、视频生成、图像生成的基准测试最高分不断被突破。在复杂思维能力上，模型后训练从单次采样转化为思维链强化和规模化采样，大模型应对代码、数学等高阶推理能力快速演进。模型处理容量上，大模型的上下文窗口不断扩大，上下文窗口中位数已达128k，闭源最大已达200万。\\n\\n2025年，随着后训练技术如RLVR和规模化采样的普及，模型准确性和稳定性将显著提升，“幻觉”问题有望得到基本解决，大模型将在对准确度要求较高的工业场景中扮演关键角色。\\n\\n**（二）国内外差距逐步缩小，市场环境差距明显**\\n\\n![微信图片_20250208091129.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091129.png)\\n\\n中国大模型加速追赶，开启竞争新格局。国内大模型通过架构、算法创新降低训练成本，探索模型极限。中国AI研发能力已居世界前列，AI领域论文数量居世界第一，专利申请数量世界第二，国内外大模型能力差距被不断缩小。通过协同创新、生态创新，国内大模型产业正在形成跨 APP、跨设备、跨行业协同创新新格局。\\n\\n但目前国内外大模型市场环境差距明显。在投资总量上，24年，美国在人工智能领域的投资额约为641亿美元，中国仅为55亿美元。雄厚的资金投入使国际科技巨头能够广泛招聘人才、购置算力，持续引领行业发展。在市场规模上，国内外大模型企业在全球市场的营收和用户数量上差距显著，市场营收层面，24年国内公开招投标大模型项目市场规模约为0.9亿美元，而ChatGPT企业版年收入为34亿美元。用户数量层面，国内豆包和文小言月活用户总和为7千万，ChatGPT月活用户高达6亿。值得注意的是，ChatGPT企业版、个人版用户中非美国本土比重约为50%和86%。\\n\\n2025年，大模型企业将加速出海进程，海外市场将成为新年角逐的战场。\\n\\n**（三）端侧大模型成为AI行业的新增长引擎**\\n\\n![微信图片_20250208091132.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091132.png)\\n\\n端侧大模型能力持续优化。随着大模型压缩和量化技术的不断提升，知识密度持续增大，终端搭载的模型能力值逐步增强。24年2B参数量的大模型MiniCPM能力与20年GPT-3 175B大模型能力接近。终端算力加速渗透。大模型的规模化扩展需依赖云端和终端的协同工作，通过云端搭配终端进行AI计算工作负载的分流，带来成本、能耗、性能等方面的优化，AI处理的发展重心逐步从云端向手机、PC等终端载体转移。\\n\\n大模型技术推动智能终端迈向新高度。我国人工智能下游市场需求的强劲增长，特别是智能终端行业的蓬勃发展，强力拉动端侧大模型市场的扩张，23年我国端侧大模型市场规模仅为8亿元，24年有望突破21亿元。手机作为典型终端载体，24年全球AI手机出货量达1.7亿台，预计25年我国AI手机市场份额将达到30%左右。\\n\\n2025年，端侧大模型向行业加速渗透，多模态交互场景日益成熟，将在消费电子领域实现广泛应用，并逐步推动工业领域的智能化升级。\\n\\n**（四）大模型开源生态不断完善**\\n\\n![微信图片_20250208091136.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091136.png)\\n\\n开源模型发展迅速，能力比肩闭源模型。24年开源大模型发展迅速，开源模型与闭源模型的平均能力差距在急剧缩小，顶尖开源模型能力已经比肩闭源GPT-4模型。国产开源大模型如Qwen、DeepSeek等在全球开源模型中占据领先地位。\\n\\n开源模型数量持续增加，国产开源生态不断完善。24年，全球开源大模型数量保持快速增长，数量持续增加，其中国产开源模型数量和占比均有较大提升。国产大模型开源工具蓬勃发展，大模型开源生态不断完善。国产大模型开源框架、推理引擎和开源社区为国产大模型的创新与发展提供了强有力的支持。\\n\\n2025年，开源与闭源大模型将持续共存并协同发展，开源模型将更多依赖开源社区的力量推动其进步。具备完整训练方案的全链路开源模型，有望成为开源模型发展的新兴重要方向。\\n\\n**（五）大模型行业掀起降价浪潮**\\n\\n![微信图片_20250208091140.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091140.png)\\n\\n随着新架构新技术的应用，大模型推理成本显著降低。MoE模型作为降低模型成本的最佳策略之一，相比传统的稠密模型，只激活部分参数来处理输入，显著降低了模型推理成本。另外，由DeepSeek提出的提示词缓存功能，能够将频繁请求的上下文提示保存在模型的记忆中，减少生成响应时所需的 Token 数量，将进一步降低输入价格。\\n\\n随着推理成本的降低，大模型定价普遍下调。成本的降低和大模型厂商的激烈竞争，推动模型价格的大幅下降。海外方面，以OpenAI为例，5月发布GPT-4o，模型性能升级，价格较GPT-4-Turbo下降50%，8月上线GPT-4o新版本，更强更便宜，输出价格节省33%。国内方面，以阿里为例，12月31日阿里云宣布2024年度第三轮大模型降价，通义千问视觉理解模型全线降价超80%。\\n\\n大模型调用成本降低，有效推动了市场规模壮大。高性价比的模型订阅费用降低中小企业和个人开发者的使用成本，推动了大模型市场的规模拓展。海外方面，24年大模型市场规模为20亿美元，较23年增长4倍左右，预计25年市场规模将达到50亿美元。国内方面，24年大模型市场规模为3亿美元，预计25年市场规模将达到10亿美元，足够大的使用规模将进一步加速技术突破和成本下降。\\n\\n2025年，大模型降价战或将持续，随着AI能力的加速普惠，AI应用的成本有望进一步降低，大模型应用市场将迎来前所未有的创新机会和发展潜力。\\n\\n**（六）工业场景不断涌现，大模型应用差异明显**\\n\\n![微信图片_20250208091144.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091144.png)\\n\\n大模型技术激发工业场景的智能化创新，辅助生成类的智能化工具持续推出，如代码生成、设计图纸生成、生产报表生成、智能订单生成等，但当前大模型在稳定性和准确性等方面存在明显不足，其应用成熟度仍有进一步提升空间。\\n\\n大模型在工业领域的应用差异明显，从行业看，大模型在电力、汽车和钢铁等行业渗透率相对较高。从环节看，大模型聚焦在研发设计、运维服务、经营管理等高附加值场景。从部署方式上看，工业领域优先考虑国产开源大模型。\\n\\n2025 年，大模型工业应用将从探索萌芽期逐步迈入重点突破期。大模型在工业领域应用范围将不断拓展，应用行业快速延伸，应用场景向生产制造等复杂场景渗透。\\n\\n**（七）商业模式尚未成型，企业寻求差异化发展**\\n\\n![微信图片_20250208091148.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091148.png)\\n\\n大模型商业模式尚未完全闭环，企业亏损呈常态化。当前大模型主要以订阅、API调用、模型定制服务等有限的商业模式获取收益，难以长期支撑大模型研发的巨额资金投入。国内外大模型企业均处于亏损状态，且亏损规模将持续扩大。24年Open AI亏损达50亿美元，预计26年将扩大到140亿美元。\\n\\n大模型竞争日趋激烈，企业寻求差异化发展。在海外，大模型企业从技术驱动逐步向生态驱动转型，基础大模型通过与传统科技巨头深度绑定提升市场份额，例如OpenAI与微软，Anthropic与亚马逊。基础大模型玩家即将完成收敛，垂类大模型“玩家”通过收购实现快速“晋级”。在国内，互联网大厂倚靠核心业务支撑大模型的巨量投入，持续深耕基础模型赛道。初创企业聚焦解决前期投入过大的生存痛点，试图通过转向垂直行业或场景应用摆脱资金困境。\\n\\n2025年，大模型竞争进一步加剧，商业模式逐步从基于用量向基于价值创造转变，模型企业数量将明显收敛。\\n\\n![微信图片_20250208091153.png](https://www.china-aii.com/u/cms/www/202502/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20250208091153.png)\", \"\", \"# ·卷首语·\\n\\n# 大模型技术:变革、挑战与机遇\\n\\n戴琼海\\n\\n清华大学信息科学技术学院,北京\\n\\n近年来,随着预训练技术的发展和计算硬件性能的提升,人工智能取得了突破性进展。年底,人工智能大模型问世,将自然语言的理解与生成能力提升到新的高度,并具备了跨学科、多场景、多用途的通用性,引起了产业界和学术界的广泛关注。以ChatGPT为代表的大模型技术实现了人工智能技术从“量变”到“质变”的跨越,有望发展成为人工智能关键基础设施,发挥“头雁”效应赋能千行百业,加速推进国民经济和社会的高质量发展。\\n\\n为更好推动大模型技术创新和应用生态的发展,国家自然科学基金委员会信息科学部、《中国科学基金》编辑部与中国人工智能学会共同组织了“与人工智能技术应用”的专题研讨,围绕“以为代表的大型语言模型研究进展”“从ChatGPT到多模态大模型:现状与未来”等个主题,形成了详尽的当前形势分析和未来趋势研判,从技术、应用、生态等多个角度阐述了大模型技术引发的新一轮人工智能变革,并指出大模型技术可能带来的风险和挑战,并给出了我国大模型发展的一些启示与展望。\\n\\n以为代表的大模型技术反映了通用人工智能的一个重要发展思路,对人工智能发展的推进,以及对社会经济的重大推动作用毋庸置疑。一方面,大模型技术正在逐步落地应用,在互联网、金融、医疗等领域体现出了显著优势,在其他行业的广泛应用也正在逐步实现;另一方面,大模型技术也对科学研究的方法与范式带来的变革,通过“一专多能”的能力以及丰富的生成功能,可以为科学规律的总结、未知知识的探索等方面带来新的机遇,为生命科学、医学、药学、材料、化学等领域的研究提供有力工具。\\n\\n![](https://www.nsfc.gov.cn/csc/20345/20348/pdf/2023/images/dac9e3defac393b966f7b9d28122165dd4a9e68a6b6debe02aa4f01b8b0168f7.jpg)\\n\\n戴琼海清华大学教授,中国工程院院士,清华大学信息学院院长,北京信息科学与技术国家研究中心主任,中国人工智能学会理事长。主要学术方向为人工智能、成像与智能技术、脑与认知科学。主持承担了国家自然科学基金认知计算科学中心项目和国家重大科研仪器研制项目等。目前开展的研究包括认知智能、智能光电计算和元宇宙等。\\n\\n但我们也需要看到:大模型技术仍基于现有深度神经网络,目前依然存在可解释性不足、能效比不高、缺乏决策能力等重要性能瓶颈;重度依赖超大规模数据资源,在典型开放环境下,其可靠性仍存在重要缺陷,尤其在样本极少、先验知识缺乏、环境动态变化、强对抗干扰等极端条件下,现有大模型技术的应用能力受到很大限制;同时,大模型的“幻觉”等效应机理和解决方案仍然有待探索。\\n\\n面向动态、干扰和无先验的复杂环境感知、理解和决策,要想实现更强的通用性、鲁棒性和泛化性,人工智能技术必须在几个方面实现升级跨越:从单纯的机器学习模型到结构性可解释模型,从离线学习到连续自主学习,从记忆式学习到联想猜测。新的生成式人工智能需要着力推动人工智能与脑科学、认知科学的交叉创新研究,力争在可解释性、高安全性和低功耗性等方面形成重要突破。\\n\\n大模型技术的发展,对于我们既有挑战、也有机遇。应当在大模型的浪潮中,保持定力,夯实人工智能基础理论研究、加强关键技术攻关、并进一步鼓励大模型相关的产业应用,让我国能引领未来人工智能发展前沿,助力我国国民经济和社会的高质量发展。\\n\\n# LargeAIModel:Change,Chalenge,andChance\\n\\nQionhaiDai Schol of Information Science and Technology, Tsinghua University, Beijing 1084\", \"\", \"[![前瞻经济学人](https://img1.qianzhan.com/2017bg/images/jjxr-logo.png)](https://www.qianzhan.com/analyst/)\\n\\n报告服务热线 **400-068-7188**\\n\\n- [首页](https://www.qianzhan.com/)\\n- [产经资讯 _I_](https://f.qianzhan.com/aboutus/)\\n\\n\\n- [研究员专栏HOT](https://www.qianzhan.com/analyst/list/220.html)\\n- [规划师专栏HOT](https://www.qianzhan.com/analyst/list/627.html)\\n- [观察家专栏](https://www.qianzhan.com/analyst/list/329.html)\\n- [竞争格局](https://x.qianzhan.com/articles?t=2001)\\n- [产业链](https://x.qianzhan.com/articles?t=2002)\\n- [发展趋势](https://x.qianzhan.com/articles?t=2003)\\n- [政策法规](https://x.qianzhan.com/articles?t=2004)\\n- [投融资](https://x.qianzhan.com/articles?t=2009)\\n- [商业模式](https://x.qianzhan.com/articles?t=2005)\\n- [企业分析](https://x.qianzhan.com/articles?t=2006)\\n- [全球市场](https://x.qianzhan.com/articles?t=2010)\\n\\n- [问答](https://www.qianzhan.com/wenda/)\\n- [产业研究 _I_](https://www.qianzhan.com/report/)\\n\\n\\n- [能源电力](https://bg.qianzhan.com/report/list2/3362.html)\\n- [节能环保](https://bg.qianzhan.com/report/list2/3368.html)\\n- [金融/保险/投资](https://bg.qianzhan.com/report/list2/3365.html)\\n- [医疗/健康/养老](https://bg.qianzhan.com/report/list2/3371.html)\\n- [互联网/信息技术](https://bg.qianzhan.com/report/list2/3374.html)\\n- [通信/电子/芯片](https://bg.qianzhan.com/report/list2/3377.html)\\n- [家用电器](https://bg.qianzhan.com/report/list2/3428.html)\\n- [智能/高端装备](https://bg.qianzhan.com/report/list2/3383.html)\\n- [机械设备](https://bg.qianzhan.com/report/list2/3386.html)\\n- [电气设备](https://bg.qianzhan.com/report/list2/3389.html)\\n- [仪器仪表](https://bg.qianzhan.com/report/list2/3392.html)\\n- [交通/物流/仓储](https://bg.qianzhan.com/report/list2/3380.html)\\n- [汽车产业](https://bg.qianzhan.com/report/list2/3395.html)\\n- [化工/新材料](https://bg.qianzhan.com/report/list2/3398.html)\\n- [钢铁有色](https://bg.qianzhan.com/report/list2/3401.html)\\n- [房产建筑](https://bg.qianzhan.com/report/list2/3404.html)\\n- [建材家居](https://bg.qianzhan.com/report/list2/3407.html)\\n- [城市规划](https://bg.qianzhan.com/report/list2/3410.html)\\n- [现代服务](https://bg.qianzhan.com/report/list2/3413.html)\\n- [旅游/酒店/餐饮](https://bg.qianzhan.com/report/list2/3416.html)\\n- [文教/体育/娱乐](https://bg.qianzhan.com/report/list2/3419.html)\\n- [包装/印刷/纸](https://bg.qianzhan.com/report/list2/3422.html)\\n- [食品/饮料/酒](https://bg.qianzhan.com/report/list2/3425.html)\\n- [纺织/服装/鞋](https://bg.qianzhan.com/report/list2/3431.html)\\n- [零售/日化/快消](https://bg.qianzhan.com/report/list2/3434.html)\\n- [农林牧渔](https://bg.qianzhan.com/report/list2/3437.html)\\n- [安防/公用其他](https://bg.qianzhan.com/report/list2/3440.html)\\n\\n精选专题报告\\n\\n- [3000+精品报告](https://bg.qianzhan.com/report/hotlist/)\\n- [产业链招商报告](https://bg.qianzhan.com/report/chanyelian/)\\n- [技术咨询报告](https://bg.qianzhan.com/report/qushi/)\\n- [全球产业报告](https://bg.qianzhan.com/report/world/)\\n- [100大行业全景](https://bg.qianzhan.com/report/quanjing100/)\\n- [行业专题套餐](https://bg.qianzhan.com/report/combo/)\\n- [出海专题报告](https://bg.qianzhan.com/report/chuhai/)\\n- [产业链决策套餐](https://bg.qianzhan.com/report/chanyelianjuece/)\\n- [前瞻免费报告](https://bg.qianzhan.com/report/free/)\\n- [两链（图、库、清单）报告](https://bg.qianzhan.com/report/lianglian/)\\n- [城市企业全景分析报告](https://bg.qianzhan.com/report/csqj)\\n\\n专项定制\\n\\n- [行业地位证明HOT](https://bg.qianzhan.com/report/qyppcs)\\n- [IPO募投可研](https://ipo.qianzhan.com/mutou/)\\n- [可行性研究](https://f.qianzhan.com/keyan/)\\n- [招股说明书撰写](https://bg.qianzhan.com/report/ipo)\\n- [行业白/蓝皮书](https://f.qianzhan.com/lanpishu/)\\n- [IPO细分市场研究](https://ipo.qianzhan.com/xifen/)\\n- [银行授信研究](https://bg.qianzhan.com/report/reportdingzhi)\\n- [尽职调查研究](https://bg.qianzhan.com/report/reportdingzhi)\\n- [专项市场调研HOT](https://bg.qianzhan.com/report/reportdingzhi)\\n- [专精特新申报](https://f.qianzhan.com/shenbao/)\\n- [小巨人申报](https://f.qianzhan.com/shenbao/)\\n- [单项冠军申报](https://f.qianzhan.com/shenbao/)\\n\\n- [免费报告](https://bg.qianzhan.com/report/free)\\n- [产业大数据 _I_](https://d.qianzhan.com/)\\n\\n\\n\\n\\n\\n\\n\\n\\n经济数据\\n\\n- [中国宏观](https://d.qianzhan.com/xdata/list/xfyyy0yyIxPyywyy2xDxfd.html)\\n- [省市宏观](https://d.qianzhan.com/xdata/list/xfyyOxqx1yyWxhxapJ.html)\\n- [全球宏观](https://d.qianzhan.com/xdata/list/xfyyydy8yEyhHyEx4xR.html)\\n- [行业经济](https://d.qianzhan.com/xdata/list/xfx5yyyex0xTyynHxey0.html)\\n- [进出口](https://d.qianzhan.com/xdata/list/xCxl2y0xw.html)\\n\\n数据系统\\n\\n- [全国产业园库HOT](https://y.qianzhan.com/)\\n- [上市大数据](https://stock.qianzhan.com/)\\n- [企业大数据](https://www.qichamao.com/)\\n- [前瞻图表库](https://x.qianzhan.com/)\\n- [智慧招商系统HOT](https://z.qianzhan.com/)\\n- [政策大数据](https://zc.qianzhan.com/)\\n- [产业决策大数据系统HOT](https://bg.qianzhan.com/report/changyedata)\\n\\n- [产业规划 _I_](https://f.qianzhan.com/chanyeguihua2/)\\n\\n\\n- [产业规划HOT](https://f.qianzhan.com/chanyeguihua2/)\\n- [十五五规划](https://f.qianzhan.com/sww/)\\n- [低空经济](https://f.qianzhan.com/dkjj/)\\n- [电子信息](https://f.qianzhan.com/dzxx/)\\n- [新能源汽车](https://f.qianzhan.com/xnyqc/)\\n- [生物医药](https://f.qianzhan.com/swyy/)\\n- [集成电路](https://f.qianzhan.com/jcdl/)\\n- [海洋经济](https://f.qianzhan.com/hyjj/)\\n- [高端装备](https://f.qianzhan.com/gdzb/)\\n- [人工智能](https://f.qianzhan.com/rgzn/)\\n- [现代物流](https://f.qianzhan.com/xdwl/)\\n- [新能源](https://f.qianzhan.com/xny/)\\n- [食品产业](https://f.qianzhan.com/sp/)\\n- [生产性服务](https://f.qianzhan.com/scxfw/)\\n- [应急产业](https://f.qianzhan.com/yj/)\\n- [医疗器械](https://f.qianzhan.com/ylqx/)\\n- [新材料](https://f.qianzhan.com/xcl/)\\n- [新消费](https://f.qianzhan.com/xinxiaofei/)\\n\\n- [APP下载](https://ecoapp.qianzhan.com/)\\n\\n## 决策精品报告\\n\\n_产业资讯_\\n\\n- [产业资讯](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n- [研究报告](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n- [经济数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n- [上市数据](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n- [企业信息](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n\\n[冷链物流](https://bg.qianzhan.com/report/detail/98316559a6fe4430.html) [氢能源](https://bg.qianzhan.com/report/detail/1607281732570984.html) [医疗器械](https://bg.qianzhan.com/report/detail/2c2ad528d23140d3.html) [两链两图两库两池](https://bg.qianzhan.com/report/lianglian/) [3000+精品报告大全 »](https://bg.qianzhan.com/report/hotlist/?f=analyst)\\n\\n当前位置： [前瞻产业研究院](https://bg.qianzhan.com/) »\\n[经济学人](https://www.qianzhan.com/analyst/) »\\n[研究员专栏](https://www.qianzhan.com/analyst/list/220.html)\\n\\n# 2025年全球多模态大模型行业发展现状 AI服务器和算力发展推动市场爆发式增长【组图】\\n\\n分享到：\\n\\n[![20](https://img3.qianzhan.com/analyst/photos/202205/11150708_16093_180x180.gif) 刘海晶](https://www.qianzhan.com/analyst/profile/16093.html)_• 2025-04-22 15:00:30_ 来源：前瞻产业研究院_E48267_ [_G_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)\\n\\n- [2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=title)\\n\\n**行业主要上市公司：** 阿里巴巴(09988.HK，BABA.US);百度(09888.HK，BIDU.US);腾讯(00700.HK， TCEHY); [科大讯飞](https://stock.qianzhan.com/hs/zhengquan_002230.SZ.html)(002230.SZ); [万兴科技](https://stock.qianzhan.com/hs/zhengquan_300624.SZ.html)(300624.SZ); [三六零](https://stock.qianzhan.com/hs/zhengquan_601360.SH.html)(601360.SH); [昆仑万维](https://stock.qianzhan.com/hs/zhengquan_300418.SZ.html)(300418.SZ);云从科技(688327.SH); [拓尔思](https://stock.qianzhan.com/hs/zhengquan_300229.SZ.html)(300229.SZ)等\\n\\n**本文核心数据**：市场规模;算力;排名;\\n\\n**全球多模态大模型行业发展历程**\\n\\n全球大模型产业的发展经历了早期探索期(1956年-2005年)，在这一阶段，人工智能学科诞生，神经网络模型开始发展。随后进入快速成长期(2006年-2019年)，深度学习概念被重新引入，Transformer等模型推动了行业进步。2020年至2022年为大模型兴起期，参数规模迅速扩大，2022年更被视为大模型元年。从2023年开始，大模型进入广泛应用期，其在各领域的深度应用得到不断拓展。这一过程并非严格分期，而是体现了大模型技术发展的连续性和阶段性。\\n\\n![图表1：全球大模型产业发展历程](https://img3.qianzhan.com/news/202504/22/20250422-96c6becdecf86d6f.png)\\n\\n**全球人工智能服务器现状**\\n\\n由于大模型对计算能力和数据的高需求，其所需要的服务器设施将在人工智能基础设施市场中占据越来越大的份额。IDC预计，全球人工智能硬件市场(服务器)，将从2022年的195亿美元增长到2026年的347亿美元，五年年复合增长率达17.3%;其中，用于运行生成式人工智能的服务器市场规模在整体人工智能服务器市场的占比将从2023年的11.9%增长至2026年的31.7%。\\n\\n![图表2：2022-2026年全球人工智能服务器市场规模情况(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-32d150d269e0ecd5.png)\\n\\n**全球大模型算力需求情况**\\n\\n从感知智能到生成式智能，人工智能越来越需要依赖“强算法、高算力、大数据”的支持。模型的大小、训练所需的参数量等因素将直接影响智能涌现的质量，人工智能模型需要的准确性越高，训练该模型所需的计算力就越高。以ChatGPT模型为例，公开数据显示，其所使用的GPT-3大模型所需训练参数量为1750亿，算力消耗为3640PF-days(即每秒运算一千万亿次，运行3640天)，需要至少1万片GPU提供支撑。据统计，当模型参数扩大十倍，算力投入将超过十倍，模型架构、优化效率、并行处理能力以及算力硬件能力等因素均会影响具体增加的倍数。\\n\\n![图表3：代表大模型所需训练参数量及算力当量情况(单位：亿，PF-days)](https://img3.qianzhan.com/news/202504/22/20250422-32e0f2ddf178f89f.png)\\n\\n**全球大模型市场规模情况**\\n\\n当前全球的人工智能产业处于高速发展期，大模型技术引领着人工智能领域正在迈向新的发展高度，也已不局限于技术讨论的范畴，而是进入商业化应用阶段，大模型市场正处于快速增长阶段。根据IDC数据，2023年全球大模型市场规模达到210亿美元。初步测算，2024年全球大模型市场规模达280亿美元，同比增长33%。\\n\\n![图表4：2023-2024年全球大模型市场规模(单位：亿美元)](https://img3.qianzhan.com/news/202504/22/20250422-54494b60ac0a8d0a.png)\\n\\n**全球多模态大模型竞争格局**\\n\\n2024年7月9日，SuperCLUE发布《中文大模型基准测评2024上半年报告》，报告选取国内外有代表性的33个大模型在6月份的版本，通过多维度综合性测评，对国内外大模型发展现状进行观察与思考。从代表通用能力的一级总分来看，GPT-4o以81分的绝对优势领跑SuperCLUE基准测试，是全球模型中唯一超过80分的大模型。展现出强大的语言、数理和指令遵循能力。中国大模型发展非常迅速，其中有6个国内大模型超过GPT-4-Turbo-0409。绝大部分闭源模型已超过GPT-3.5-Turbo-0125。\\n\\n![图表5：全球大模型总体表现](https://img3.qianzhan.com/news/202504/22/20250422-bb2481892a1fe539.png)\\n\\n注：由于部分模型分数较为接近，为了减少问题波动对排名的影响，本次测评将相距1分区间的模型定义为并列，报告中分数展示以上区间为主;截至2025年4月，暂未有2024年全年报告，届时以最新数据为准。\\n\\n更多本行业研究分析详见前瞻产业研究院《 [全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html)》\\n\\n同时前瞻产业研究院还提供 [产业新赛道研究](https://bg.qianzhan.com/report/cyzlzx)、 [投资可行性研究](https://f.qianzhan.com/keyan/)、 [产业规划](https://f.qianzhan.com/chanyeguihua2/)、 [园区规划](https://f.qianzhan.com/yuanqu/)、 [产业招商](https://f.qianzhan.com/chanyezhaoshang/)、 [产业图谱](https://bg.qianzhan.com/report/lianglian/)、 [产业大数据](https://d.qianzhan.com/)、 [智慧招商系统](https://z.qianzhan.com/)、 [行业地位证明](https://bg.qianzhan.com/report/qyppcs)、 [IPO咨询/募投可研](https://ipo.qianzhan.com/mutou/)、 [专精特新小巨人申报](https://bg.qianzhan.com/report/qyppcs)、 [十五五规划](https://f.qianzhan.com/sww) 等解决方案。如需转载引用本篇文章内容，请注明资料来源（前瞻产业研究院）。\\n\\n更多深度行业分析尽在 [【前瞻经济学人APP】](https://ecoapp.qianzhan.com/)，还可以与500+经济学家/资深行业研究员交流互动。更多企业数据、企业资讯、企业发展情况尽在 [【企查猫APP】](https://www.qichamao.com/app/app.html)，性价比最高功能最全的企业查询平台。\\n\\n## 前瞻产业研究院 \\\\- 深度报告 REPORTS\\n\\n[![2025-2030年全球及中国多模态大模型行业发展前景与投资战略规划分析报告](https://img3.qianzhan.com/report/cover/24/2404101727200410.gif)](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer1)\\n\\n[2025-2030年全球及中国 _多模态大模型_ 行业发展前景与投资战略规划分析报告](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer2)\\n\\n本报告前瞻性、适时性地对多模态大模型行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来多模态大模型行业发展轨迹及实践经验，对多模态大...\\n\\n[查看详情](https://bg.qianzhan.com/report/detail/2404101727200410.html?v=footer3)\\n\\n本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）　_品牌合作与广告投放请联系：0755-33015062 或 hezuo@qianzhan.com_\\n\\n如在招股说明书、公司年度报告中引用本篇文章数据，请联系前瞻产业研究院，联系电话：400-068-7188。\\n\\n_p_ _45_[_q_ 0](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#comment)[我要投稿](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n\\n分享：\\n\\n标签： [多模态大模型](https://t.qianzhan.com/search/?q=%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8b) [行业发展现状](https://t.qianzhan.com/search/?q=%e8%a1%8c%e4%b8%9a%e5%8f%91%e5%b1%95%e7%8e%b0%e7%8a%b6) [AI服务器](https://t.qianzhan.com/search/?q=AI%e6%9c%8d%e5%8a%a1%e5%99%a8) [算力](https://t.qianzhan.com/search/?q=%e7%ae%97%e5%8a%9b)\\n\\n品牌、内容合作请点这里： [寻求合作 ››](https://bg.qianzhan.com/report/qyppcs)\\n\\n[![](https://img1.qianzhan.com/img/gg/qz/chanye_760.jpg?20220221)](https://f.qianzhan.com/chanyeguihua2/?f=abanner)\\n\\n- [产业规划](https://f.qianzhan.com/chanyeguihua2/)\\n- [园区规划](https://f.qianzhan.com/yuanqu/)\\n- [产业招商](https://f.qianzhan.com/chanyezhaoshang/)\\n- [可行性研究](https://f.qianzhan.com/keyan/)\\n- [低空经济](https://f.qianzhan.com/dkjj/)\\n- [高端装备](https://f.qianzhan.com/gdzb/)\\n- [生物医药](https://f.qianzhan.com/swyy/)\\n\\n![](https://img1.qianzhan.com/2017bg/images/qzjjxr_wx.jpg)\\n\\n### **前瞻经济学人**\\n\\n专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。\\n\\n![](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\\n\\n### **前瞻产业研究院**\\n\\n中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。\\n\\n## 相关阅读RELEVANT\\n\\n- [![2025年中国多模态大模型行业硬件现状 AI芯片和AI服务器的需求在多模态大模型影响下加速增长【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 硬件 _现状_ _AI_ 芯片和 _AI_ _服务器_ 的需求在 _多_ _模_ _态_ _大_ _模型_ 影响下加速增长【组图】](https://www.qianzhan.com/analyst/detail/220/250610-ac6f7ee4.html)\\n\\n- [![预见2025：《2025年中国多模态大模型行业全景图谱》（附市场现状、竞争格局和发展趋势等）](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\\n[预见2025：《2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 全景图谱》（附市场 _现状_、竞争格局和 _发展_ 趋势等）](https://www.qianzhan.com/analyst/detail/220/250605-2d0631ec.html)\\n\\n- [![2025年中国多模态大模型行业生产生活应用现状多模态大模型助力生产生活走向高品质【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 生产生活应用 _现状_ _多_ _模_ _态_ _大_ _模型_ 助力生产生活走向高品质【组图】](https://www.qianzhan.com/analyst/detail/220/250512-09de0dae.html)\\n\\n- [![【干货】多模态大模型产业链全景梳理及区域热力地图](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\\n[【干货】 _多_ _模_ _态_ _大_ _模型_ 产业链全景梳理及区域热力地图](https://www.qianzhan.com/analyst/detail/220/250425-55fc4b88.html)\\n\\n- [![2025年中国多模态大模型行业主要模型主要多模态大模型处理能力表现出色【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 主要 _模型_ 主要 _多_ _模_ _态_ _大_ _模型_ 处理能力表现出色【组图】](https://www.qianzhan.com/analyst/detail/220/250522-b8fe84ed.html)\\n\\n- [![2025年中国多模态大模型行业文娱媒体应用场景多模态大模型提升文娱媒体创作效率【组图】](https://img1.qianzhan.com/img/img_hold1x1.gif)](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\\n[2025年中国 _多_ _模_ _态_ _大_ _模型_ _行业_ 文娱媒体应用场景 _多_ _模_ _态_ _大_ _模型_ 提升文娱媒体创作效率【组图】](https://www.qianzhan.com/analyst/detail/220/250520-37c94629.html)\\n\\n\\n[![前瞻数据库](https://img3.qianzhan.com/gg/35/20171024104522-35cedeb6.jpg)](https://d.qianzhan.com/)\\n\\n[![企查猫](http://img3.qianzhan.com/gg/98/20180306134540-98ae6688.gif)](https://www.qianzhan.com/go/tYpzTR)\\n\\n×\\n\\n扫一扫\\n\\n下载《前瞻经济学人》APP提问\\n\\n![](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\\n\\n在线咨询\\n\\n\\n_×_\\n\\n[![在线咨询](https://img1.qianzhan.com/2017bg/images/bg_on_sv4.gif)](http://tb.53kf.com/code/client/10037428/1)\\n\\n[可行性报告](https://f.qianzhan.com/keyan/) [行业地位证明](https://bg.qianzhan.com/report/qyppcs) [产业规划](https://f.qianzhan.com/chanyeguihua2/) [园区规划](https://f.qianzhan.com/yuanqu/) [产业招商](https://f.qianzhan.com/chanyezhaoshang/) [产业培训](https://f.qianzhan.com/cynx/)\\n\\n项目热线\\n0755-33015070\\n\\n\\n_A_ APP\\n![前瞻经济学人APP下载二维码](https://img1.qianzhan.com/2017/images/jjxrApp.jpg)\\n\\n下载前瞻经济学人APP\\n\\n关注我们\\n![前瞻产业研究院微信号](https://img1.qianzhan.com/2017/images/yjywx2.jpg)\\n\\n扫一扫关注我们\\n\\n我要投稿\\n\\n_×_\\n\\n[J](https://www.qianzhan.com/analyst/detail/220/250422-5a27acc8.html#)\\n\\n[新手指南](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于前瞻研究院](https://bg.qianzhan.com/report/guide/yanjiuyuan.html)[关于订购](https://bg.qianzhan.com/report/guide/dinggou.html)[关于报告](https://bg.qianzhan.com/report/guide/productquestions.html)[购买帮助](https://bg.qianzhan.com/report/guide/authentication.html)[实力鉴证](https://bg.qianzhan.com/report/guide/authentication.html)[客户评价](https://bg.qianzhan.com/report/guide/pingjia.html)[企业资质](https://bg.qianzhan.com/report/guide/certificate.html)[配送支付](https://bg.qianzhan.com/report/guide/payinfo.html)[支付方式](https://bg.qianzhan.com/report/guide/payinfo.html)[发货与配送](https://bg.qianzhan.com/report/guide/deliver.html)[发票说明](https://bg.qianzhan.com/report/guide/invoice.html)[售后保障](https://bg.qianzhan.com/report/guide/saleservice.html)[售后条款](https://bg.qianzhan.com/report/guide/saleservice.html)[品质保证](https://bg.qianzhan.com/report/guide/quality.html)[投诉与举报](https://bg.qianzhan.com/report/guide/inform.html)[规划·咨询](https://f.qianzhan.com/)[产业规划](https://f.qianzhan.com/chanyeguihua2/)[可行性报告](https://f.qianzhan.com/keyan/)[园区规划](https://f.qianzhan.com/yuanqu/)[专项市场调研](https://bg.qianzhan.com/report/reportdingzhi)[产业招商](https://f.qianzhan.com/chanyezhaoshang/)[行业地位证明](https://bg.qianzhan.com/report/qyppcs)\\n\\n联系客服报告热线：400-068-7188售后热线：0755-33013088关注我们![关注前瞻产业研究院](https://img1.qianzhan.com/2017bg/images/wixin.jpg)\\n\\n[关于我们](https://bg.qianzhan.com/report/guide/yanjiuyuan.html) _\\\\|_ [联系我们](https://bg.qianzhan.com/report/guide/contact.html) _\\\\|_ [品牌合作](https://bg.qianzhan.com/report/qyppcs) _\\\\|_ [免责声明](https://t.qianzhan.com/help/disclaimer) _\\\\|_ [服务条款](https://t.qianzhan.com/help/termsofservice) _\\\\|_ [问题反馈](https://t.qianzhan.com/help/feedback)\\n\\n违法和不良信息举报电话：400-068-7188　　　举报邮箱：service@qianzhan.com　　　[在线反馈/投诉](https://t.qianzhan.com/help/feedback) [中国互联网联合辟谣平台](https://www.piyao.org.cn/)\\n\\nCopyright © 1998-2025深圳前瞻资讯股份有限公司All rights reserved. [粤ICP备11021828号-2](https://www.qianzhan.com/go/pHSH3T) 增值电信业务经营许可证： [粤B2-20130734](https://www.qianzhan.com/html/icp.html)\\n\\n如有投稿需求，请把文章发送到邮箱\\n\\ntougao@qianzhan.com，一经录用会有专人和您联系\\n\\n**开通机构号、入驻经济学人请咨询**\\n\\n微信客服：前瞻小宝\\n\\n![前瞻小宝](https://img1.qianzhan.com/2017bg/images/jjxr-wx-kefu.jpg)\\n\\n我知道了\"]生成PPT大纲", "files": [] } ], "usage": { "prompt_tokens": 36623, "prompt_unit_price": "2", "prompt_price_unit": "0.000001", "prompt_price": "0.073246", "completion_tokens": 546, "completion_unit_price": "8", "completion_price_unit": "0.000001", "completion_price": "0.004368", "total_tokens": 37169, "total_price": "0.077614", "currency": "RMB", "latency": 37.178760732058436 }, "finish_reason": "stop", "model_provider": "langgenius/deepseek/deepseek", "model_name": "deepseek-chat" } ``` 输出 ```json { "text": "# 大模型关键技术与未来发展方向\n\n## 大模型技术概述\n- 大规模预训练模型（基座模型）的定义与特点\n * 参数量巨大\n * 构成复杂的人工神经网络\n- 大模型的三大特性\n * 规模性\n * 涌现性\n * 通用性\n\n---\n\n## 大模型技术研究现状\n### 1.1 大模型基座\n- 规模定律与性能提升\n- 国内外大模型发展概况\n * GPT系列\n * LLaMA-2\n * GLM-130B\n- 模型架构分类\n * 仅解码器架构\n * 仅编码器架构\n * 编码器-解码器架构\n\n---\n\n### 1.2 大模型人类偏好对齐\n- 有监督微调(SFT)\n- 人类反馈强化学习(RLHF)\n * 奖励模型训练\n * 策略优化\n- 幻觉问题与解决方案\n\n---\n\n### 1.3 大模型推理与评价\n- 推理加速技术\n * 模型框架优化\n * 模型量化\n- 评价方法\n * 自动评价指标\n * 人工评价\n * GPT-4评价\n\n---\n\n### 1.4 多模态大模型\n- 三种主要方法\n * 大语言模型作为中央处理器\n * 直接图像和文本联合训练\n * 跨模态编码器与大语言模型结合\n- 代表性模型\n * Visual ChatGPT\n * KOSMOS-1\n * LLaVA\n\n---\n\n### 1.5 大模型安全可控\n- 训练阶段控制方法\n- 推理阶段控制方法\n- 安全威胁类型\n * 模型窃取\n * 数据窃取\n * 对抗攻击\n * 后门攻击\n\n---\n\n## 未来重点发展方向\n### 2.1 自然语言引领基础理论\n- 下一代大模型架构\n- 可解释性与机理研究\n- 持续学习与演化能力\n\n---\n\n### 2.2 多模态智能交互方法\n- 多模态信息表征与理解\n- 具身学习应用\n- 轻量化多模态大模型\n\n---\n\n### 2.3 大模型安全理论与实践\n- 供应链安全\n- 安全性评估\n- 生成内容安全\n\n---\n\n## 结论与展望\n- 大模型开启通用人工智能时代\n- 自主可控与建模能力是核心任务\n- 技术研究刚刚起步，潜力巨大", "usage": { "prompt_tokens": 36623, "prompt_unit_price": "2", "prompt_price_unit": "0.000001", "prompt_price": "0.073246", "completion_tokens": 546, "completion_unit_price": "8", "completion_price_unit": "0.000001", "completion_price": "0.004368", "total_tokens": 37169, "total_price": "0.077614", "currency": "RMB", "latency": 37.178760732058436 }, "finish_reason": "stop", "files": [] } ``` ### 6.Markdown转PPT结点

输入 ```json { "markdown_content": "# 大模型关键技术与未来发展方向\n\n## 大模型技术概述\n- 大规模预训练模型（基座模型）的定义与特点\n * 参数量巨大\n * 构成复杂的人工神经网络\n- 大模型的三大特性\n * 规模性\n * 涌现性\n * 通用性\n\n---\n\n## 大模型技术研究现状\n### 1.1 大模型基座\n- 规模定律与性能提升\n- 国内外大模型发展概况\n * GPT系列\n * LLaMA-2\n * GLM-130B\n- 模型架构分类\n * 仅解码器架构\n * 仅编码器架构\n * 编码器-解码器架构\n\n---\n\n### 1.2 大模型人类偏好对齐\n- 有监督微调(SFT)\n- 人类反馈强化学习(RLHF)\n * 奖励模型训练\n * 策略优化\n- 幻觉问题与解决方案\n\n---\n\n### 1.3 大模型推理与评价\n- 推理加速技术\n * 模型框架优化\n * 模型量化\n- 评价方法\n * 自动评价指标\n * 人工评价\n * GPT-4评价\n\n---\n\n### 1.4 多模态大模型\n- 三种主要方法\n * 大语言模型作为中央处理器\n * 直接图像和文本联合训练\n * 跨模态编码器与大语言模型结合\n- 代表性模型\n * Visual ChatGPT\n * KOSMOS-1\n * LLaVA\n\n---\n\n### 1.5 大模型安全可控\n- 训练阶段控制方法\n- 推理阶段控制方法\n- 安全威胁类型\n * 模型窃取\n * 数据窃取\n * 对抗攻击\n * 后门攻击\n\n---\n\n## 未来重点发展方向\n### 2.1 自然语言引领基础理论\n- 下一代大模型架构\n- 可解释性与机理研究\n- 持续学习与演化能力\n\n---\n\n### 2.2 多模态智能交互方法\n- 多模态信息表征与理解\n- 具身学习应用\n- 轻量化多模态大模型\n\n---\n\n### 2.3 大模型安全理论与实践\n- 供应链安全\n- 安全性评估\n- 生成内容安全\n\n---\n\n## 结论与展望\n- 大模型开启通用人工智能时代\n- 自主可控与建模能力是核心任务\n- 技术研究刚刚起步，潜力巨大", "title": "" } ``` 输出 ```json { "text": "PowerPoint presentation '' generated successfully", "files": [ { "dify_model_identity": "__dify__file__", "id": null, "tenant_id": "37b50949-93f9-41aa-8b8e-0f6791bc6deb", "type": "document", "transfer_method": "tool_file", "remote_url": null, "related_id": "d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6", "filename": ".pptx", "extension": ".pptx", "mime_type": "application/vnd.openxmlformats-officedocument.presentationml.presentation", "size": 37658, "url": "https://upload.dify.ai/files/tools/d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6.pptx?timestamp=1755139105&nonce=c958a466c2047cde254e62a28e0392b2&sign=qgo-gTKrpq7voiDxaDEgNBUrUYSco7nWc17mmoFf9XA=" } ], "json": [ { "data": [] } ] } ``` ### 7.代码执行1

输入 ```json { "arg1": [ { "dify_model_identity": "__dify__file__", "id": null, "tenant_id": "37b50949-93f9-41aa-8b8e-0f6791bc6deb", "type": "document", "transfer_method": "tool_file", "remote_url": null, "related_id": "d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6", "filename": ".pptx", "extension": ".pptx", "mime_type": "application/vnd.openxmlformats-officedocument.presentationml.presentation", "size": 37658, "url": "https://upload.dify.ai/files/tools/d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6.pptx?timestamp=1755139105&nonce=124ba776ef1246e916bf7b34bfd02802&sign=9DEQXGKmS4TNih5yi6llph8kgqM6vNIfmlPM-ig3lEc=" } ] } ``` 输出 ```json { "url": "https://upload.dify.ai/files/tools/d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6.pptx?timestamp=1755139105&nonce=124ba776ef1246e916bf7b34bfd02802&sign=9DEQXGKmS4TNih5yi6llph8kgqM6vNIfmlPM-ig3lEc=" } ``` ### 8.结束

输入 ```json { "output": "https://upload.dify.ai/files/tools/d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6.pptx?timestamp=1755139105&nonce=124ba776ef1246e916bf7b34bfd02802&sign=9DEQXGKmS4TNih5yi6llph8kgqM6vNIfmlPM-ig3lEc=" } ``` 输出 ```json { "output": "https://upload.dify.ai/files/tools/d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6.pptx?timestamp=1755139105&nonce=124ba776ef1246e916bf7b34bfd02802&sign=9DEQXGKmS4TNih5yi6llph8kgqM6vNIfmlPM-ig3lEc=" } ``` ## 0. 最终测试输入 ```json { "target": "大模型发展现状", "sys.files": [], "sys.user_id": "51b0ee4a-06cc-478d-a205-5e61fe58aee7", "sys.app_id": "43289e93-e8ff-41e8-be2b-858442e516ca", "sys.workflow_id": "6943f8d4-92e0-46e9-a1ca-52e68dbc99c9", "sys.workflow_run_id": "52c75e78-f082-4163-a852-1940e9b585d9" } ``` 输出 ```json { "output": "https://upload.dify.ai/files/tools/d9ee6cb9-2e7c-4f26-8ec7-6c88b65517b6.pptx?timestamp=1755139105&nonce=124ba776ef1246e916bf7b34bfd02802&sign=9DEQXGKmS4TNih5yi6llph8kgqM6vNIfmlPM-ig3lEc=" } ```

23-Dify_一键生成PPT