“大模型”横空出世点燃人工智能产业发展新高

数据、算法、算力人工智能“三驾马车”齐头并进

数据标注人工智能背后“人工”的力量

从知识学习到交通出行人工智能改变你我的生活

前言：随着中国数字经济的深入发展，产业数字化进程不断加速，大数据在产业决策中的比重越来越高。天眼查数据研究院特此推出“天眼新知”专栏，以天眼查大数据为依托，梳理产业格局及发展脉络，解读产业领域最新动态和投融资风向，为各方决策提供参考。

本文为天眼新知·产业分析系列，第三十四篇。

人工智能，源于一篇绕口令式的科技论文《神经活动中内在思想的逻辑演算》、源于赫赫有名的“图灵测试”、源于20世纪50年代具备长远眼光的科技先贤们一次“不经意”的讨论。

人工智能，起始于对人类自身理解的深入挖掘，对人的意识、思维的信息过程的模拟。今时今日，人工智能不再是科幻电影中无法触及的概念，它已成为家喻户晓的“现实”，在减轻人类的体力负担和脑力负担方面已渐渐显示出优势，比如在极端天气预测等层面显露头角。

随着深度学习，大模型等关键技术的深入发展，以Chat-GPT爆发为新起点，人工智能将快速迈入下一个“未知”的阶段。

一、人工智能：工具属性与思维能力的深度融合

人工智能从标准的定义来讲，可参考《人工智能标准化白皮书(2018)》中所提。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

在大多人的眼中，人工智能是一位非常给力的助手，工具，可以实现处理工作过程的自动化，提升工作效率，比如执行与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。

但与之其工具属性，能力属性相比，人工智能更为重要的是一种思维，是用来描述模仿人类与其他人类思维相关联的“认知”功能的机器，如“学习”和“解决问题”。

人工智能产业在20世纪50年代提出后，限于当时的技术能力，多限于理论知识的讨论，而真正开始爆发还是自2012年的AlexNet模型问世。

1.人工智能1.0时代(2012年-2018年)

人工智能概念于1956年被提出，AI产业的第一轮爆发源自2012年，2012年AlexNet模型问世开启了CNN在图像识别的应用，2015年机器识别图像的准确率首次超过人(错误率低于4%)，开启了计算机视觉技术在各行各业的应用，带动了人工智能1.0时代的创新周期，AI+开始赋能各行各业，带动效率提升。但是，人工智能1.0时代面临着模型碎片化，AI泛化能力不足等问题。

2.人工智能2.0时代(2017年-至今)

2017年GoogleBrain团队提出Transformer架构，奠定了大模型领域的主流算法基础，从2018年开始大模型迅速流行，2018年谷歌团队的模型参数首次过亿，到2022年模型参数达到5400亿，模型参数呈现指数级增长，“预训练+微调”的大模型有效解决了1.0时代AI泛化能力不足的问题。新一代AI技术有望开始全新一轮的技术创新周期。

天眼查数据显示，截至目前，人工智能相关企业近267.4万余家，其中，2023年一季度新增注册企业17万余家，与2022年同期相比，上涨6.8%;

从地域分布来看，广东以39.9万余家位列区域首位;江苏、北京分列二、三位，分别拥有22.4万余家以及21.8万余家;

从成立时间来看，53.6%的相关企业成立于1-5年内，成立于1年以内的相关企业占比27.7%;

另据天眼查不完全统计，人工智能产业自2023年1月以来，融资事件合计发生143起，融资金额超800亿元。

二、数据、算法、算力：人工智能的“三驾马车”

1.数据：“巧妇难为无米之炊”

人工智能的快速发展推动数据规模不断提升。据IDC测算,2025年全球数据规模将达到163ZB，其中80%-90%是非结构化数据。数据服务进入深度定制化的阶段，百度、阿里巴巴、京东等公司根据不同场景和需求推出数据定制的服务;企业需求的数据集从通用简单场景向个性化复杂场景过渡，例如语音识别数据集从普通话向小语种、方言等场景发展，智能对话数据集从简答问答、控制等场景向应用场景、业务问答等方向发展。

各方积极探索建立高质量知识集，推动知识驱动的未来人工智能应用发展。知识集中包含语音、图像、文本等传统数据和定义、规则、逻辑关系等,是知识的数据化呈现,业界著名知识集有Wordnet、Hownet等。例如阿里巴巴联合香港理工大学基于服装设计知识开发FashionAI知识集，加速了AI在服装设计产业落地应用。

2.算法(模型、软件)：“困难”总比方法多

根据中国信通院《人工智能白皮书(2022年)》，超大规模预训练模型持续推动技术升级，继续朝着大规模、多模态方向发展。自2020年OpenAI推出GPT-3后，谷歌、华为、智源研究院、中科院、阿里巴巴等企业和研究机构也相继发力，陆续推出超大规模预训练模型，包括SwitchTransformer、DALL·EMT-NLG、盘古、悟道2.0、紫东太初和M6等。当前，预训练模型参数数量、训练数据规模按