第10章

人工智能未來發(fā)展展望第10講人工智能通識教程人工智能通識教程

本章導(dǎo)讀：人工智能雖然已經(jīng)具有普及應(yīng)用的趨勢，但總體來說，由于發(fā)展時間很短，目前仍然處于初級階段。無論從算法、應(yīng)用形態(tài)、工具等，均會以較快速度向縱深發(fā)展。了解未來發(fā)展趨勢，有助于豐富我們的知識結(jié)構(gòu)。第2頁共21頁人工智能通識教程（1）了解人工智能的來龍去脈；（2）了解大模型的未來發(fā)展可能方向；（3）了解小模型的未來發(fā)展可能方向。本章學(xué)習(xí)目標(biāo)第3頁共21頁人工智能通識教程本章思維導(dǎo)圖第4頁共21頁10.1人工智能何去何從？——從初級階段到形態(tài)分化10.2大模型的未來展望10.3大模型的未來展望人工智能通識教程目錄人工智能通識教程

ChatGPT的出現(xiàn)，將人工智能展現(xiàn)在大眾視野，獲得了極高的關(guān)注，揭開了通用人工智能新的篇章。視頻1：ChatGPT語音對話視頻2：通用人工智能機(jī)器人（自主決策）【視頻：見電子資源CH10\ChatGPT語音對話.mp4，通用人工智能機(jī)器人.mp4】10.1人工智能何去何從？——從初級階段到形態(tài)分化

圖10-1：通用人工智能時代第6頁共21頁人工智能通識教程受限的場景，交互的缺失都昭示著人工智能仍處于初級階段。圖10-2狹義人工智能10.1人工智能何去何從？——從初級階段到形態(tài)分化當(dāng)前AI系統(tǒng)均屬于狹義人工智能，雖然AI在感知層（圖像、語音）已接近人類水平，但在認(rèn)知層（推理、創(chuàng)造）仍存在顯著差距，從“狹義智能”到“廣義智能”還存在鴻溝。此外，從實驗室到現(xiàn)實場景的落地的“最后一公里”也值得關(guān)注。第7頁共21頁人工智能通識教程混合智能架構(gòu)是當(dāng)前最具潛力的探索路徑之一。這種架構(gòu)通過融合不同AI范式的優(yōu)勢，并引入人類認(rèn)知能力，正在突破傳統(tǒng)單一模型的局限性。10.1初級階段突破路徑第8頁共21頁圖10-3多模態(tài)認(rèn)知融合圖10-4人機(jī)協(xié)同進(jìn)化機(jī)制我們必須清醒認(rèn)識到：人工智能仍處于工具智能階段，距離真正的通用智能存在代際差距。這一認(rèn)知并非對技術(shù)的貶低，而是為了更理性地規(guī)劃發(fā)展路徑——在突破數(shù)據(jù)依賴、增強(qiáng)可解釋性、構(gòu)建價值對齊機(jī)制等方面持續(xù)深耕。只有正視當(dāng)前發(fā)展的局限性，方能穩(wěn)健邁向智能時代的下一階段。圖片來源：《APeekIntotheReasoningofNeuralNetworks:InterpretingwithStructuralVisualConcepts》2021CVPR圖片來源：《Brain-computerinterfacetechnologyforrehabilitationexoskeletonapplications》2024人工智能通識教程10.1人工智能形態(tài)分化——高度融合的機(jī)器人系統(tǒng)第9頁共21頁高度融合的機(jī)器人系統(tǒng)（highlyintegratedroboticsystems,HIRS）是指通過多模態(tài)感知、自主決策和物理交互的深度集成，實現(xiàn)與動態(tài)環(huán)境實時互動的智能實體。圖10-5機(jī)器人發(fā)展階段第一代（1960—2000年）：Unimate機(jī)械臂，首次應(yīng)用于汽車工業(yè)，通過自動化裝配和焊接等工藝，極大提高了生產(chǎn)效率和精度，為汽車制造業(yè)帶來了革命性的變化。第二代（2000—2010年）：Roomba掃地機(jī)器人通過內(nèi)置傳感器感知周圍環(huán)境，避免碰撞和跌落，并通過優(yōu)化路徑算法高效清潔。該技術(shù)為智能家居市場奠定了基礎(chǔ)，并引領(lǐng)了家用機(jī)器人發(fā)展的潮流。第三代（2010年至今）：BostonDynamics的Atlas機(jī)器人專為應(yīng)對復(fù)雜地形而設(shè)計，通過先進(jìn)的傳感器和控制算法，能夠在不平坦的地面上保持穩(wěn)定并快速移動，甚至能進(jìn)行跳躍、翻滾等動作。這使得它在復(fù)雜環(huán)境中表現(xiàn)出色，如戶外運(yùn)動、災(zāi)難救援和其他需要高度機(jī)動性的任務(wù)，展示了未來機(jī)器人在多變環(huán)境中的應(yīng)用潛力。數(shù)據(jù)來源：《機(jī)器人4.0白皮書》人工智能通識教程10.1人工智能形態(tài)分化——高度融合的機(jī)器人系統(tǒng)第10頁共21頁在機(jī)器人3.0時代，服務(wù)機(jī)器人可以做到一些物體識別、人臉識別，在4.0時代需要加上自適應(yīng)能力。因為用深度學(xué)習(xí)做物體識別、人臉識別的時候需要很多的數(shù)據(jù)來源，但是真正到家庭場景時沒有那么多數(shù)據(jù)，這就要求機(jī)器人必須通過少量數(shù)據(jù)去建立識別能力，自己去找到不同的位置，不同的角度做訓(xùn)練。

2024年，國內(nèi)智能機(jī)器人產(chǎn)業(yè)企業(yè)數(shù)量達(dá)45.17萬家，注冊資本共計64445.57億元，企業(yè)數(shù)量較2020年底增長206.7%，較2023年底增長19.4%。圖10-6機(jī)器人4.0時代（2020年-至今）數(shù)據(jù)來源：《機(jī)器人4.0白皮書》人工智能通識教程10.1人工智能形態(tài)分化——非機(jī)器人形態(tài)的人工智能第11頁共21頁非機(jī)器人形態(tài)人工智能（Non-embodiedAI）是指不依賴物理載體、以純數(shù)字或算法形式存在的智能系統(tǒng)，其本質(zhì)是通過數(shù)據(jù)流動與算力網(wǎng)絡(luò)實現(xiàn)社會功能的深度重構(gòu)。圖10-7東南亞消費(fèi)者對非機(jī)器人形態(tài)人工智能使用習(xí)慣（以生成式AI為例）圖表來源：《AI產(chǎn)業(yè)全景洞察報2025》人工智能通識教程10.1人工智能形態(tài)分化——非機(jī)器人形態(tài)的人工智能第12頁共21頁圖10-8未來兩年中國企業(yè)對于生成式人工智能的預(yù)測分析當(dāng)前，AI主要作為輔助工具應(yīng)用于各行各業(yè)，但隨著技術(shù)的進(jìn)步，它將逐步融入更廣泛的社會和經(jīng)濟(jì)系統(tǒng)，形成完整的生態(tài)環(huán)境。圖表來源：《AI產(chǎn)業(yè)全景洞察報2025》人工智能通識教程

10.2大模型的未來展望10.2.1技術(shù)突破與架構(gòu)創(chuàng)新：從規(guī)模競賽到效率革命

1．?大模型發(fā)展歷程2023年，GPT-4以1.8萬億參數(shù)刷新模型規(guī)模紀(jì)錄的同時，其高達(dá)6300萬美元的訓(xùn)練成本引發(fā)行業(yè)深刻反思——單純追求參數(shù)量的時代已接近尾聲。當(dāng)前，大模型技術(shù)正經(jīng)歷從規(guī)模競賽向效率革命的范式轉(zhuǎn)移。這一轉(zhuǎn)型的核心在于通過架構(gòu)創(chuàng)新、多模態(tài)融合與綠色計算的協(xié)同突破，構(gòu)建更智能、更可持續(xù)的AI系統(tǒng)。第13頁共21頁第一階段（2017-2019）：Transformer革命與早期探索，2017年，Google發(fā)表的《AttentionIsAllYouNeed》論文標(biāo)志著深度學(xué)習(xí)進(jìn)入全新紀(jì)元。Transformer架構(gòu)通過自注意力機(jī)制（Self-Attention）徹底解決了傳統(tǒng)RNN和CNN在處理長序列時的局限性，為后續(xù)大模型的發(fā)展奠定了根本性基礎(chǔ)。第二階段（2020-2022）：規(guī)?；黄?，這一階段的核心特征是模型參數(shù)量的爆炸式增長和訓(xùn)練數(shù)據(jù)的大規(guī)模擴(kuò)展。GPT-3的發(fā)布證明了規(guī)?；峭ㄏ蛉斯ねㄓ弥悄艿目尚新窂?，同時中國廠商開始在大模型領(lǐng)域密集布局。第三階段（2023-2025）：多模態(tài)融合與智能體崛起，當(dāng)前階段呈現(xiàn)出三大顯著特征：多模態(tài)能力的全面突破、長上下文處理能力的大幅提升、以及Agent化應(yīng)用的蓬勃發(fā)展。技術(shù)架構(gòu)從單純的參數(shù)擴(kuò)大轉(zhuǎn)向效率優(yōu)化，MoE（混合專家）架構(gòu)成為新的主流方向。人工智能通識教程

2．?大模型效率革命——從高碳消耗開始第14頁共21頁隨著AI算力的逐步提升，能耗和成本也在逐漸增加，算力需求的增長的根本原因是為了訓(xùn)練AI模型。研究表示，其能源消耗及碳排放正在成為地球的“隱形負(fù)擔(dān)”。排放類型用量占比耗水量~1.3-1.4億噸~全球工業(yè)總用水量0.16%相當(dāng)于9個西湖總水量碳排放1.8億噸二氧化碳全球總排放量0.4%相當(dāng)于4600萬輛燃油車地年排放量耗電量4150億千瓦時全球電力需求1.5%相當(dāng)于英國全年用電量表10-12024年全球數(shù)據(jù)中心的能源消耗以O(shè)penAI的GPT-4大模型訓(xùn)練為例，單次訓(xùn)練產(chǎn)生的碳足跡相當(dāng)于300輛汽車的年排放量，耗電2.4億度。

國際電信聯(lián)盟2025年發(fā)布的《2025綠色數(shù)字企業(yè)》顯示，由于數(shù)據(jù)中心對能源的巨大需求，四家以AI為核心業(yè)務(wù)的科技巨頭——亞馬遜、微軟、Alphabet和Meta，其運(yùn)營產(chǎn)生的間接碳排放量在2020年至2024年間平均增長了150%，算力密集型產(chǎn)業(yè)正面臨“技術(shù)進(jìn)步”與“環(huán)境責(zé)任”的雙重拷問。表格數(shù)據(jù)來源：國際能源署《全球能源評估》人工智能通識教程

3．?大模型

2．?大模型效率革命——以零碳未來重構(gòu)面對嚴(yán)峻的碳排放形勢，科技巨頭們紛紛制定了碳中和目標(biāo)，并采取了一系列措施。例如，加大對可再生能源的投資、優(yōu)化數(shù)據(jù)中心的設(shè)計、提高能源利用效率等。此外，開源協(xié)同模式也在一定程度上推動了綠色計算技術(shù)的發(fā)展。通過共享技術(shù)和經(jīng)驗，可以加速綠色計算解決方案的普及。同時，數(shù)據(jù)安全和企業(yè)部署的考量也驅(qū)動著科技公司在能源效率方面進(jìn)行更多的投入。這些努力不僅有助于減少碳排放，也有助于提升企業(yè)的社會責(zé)任形象。通過以上綠色技術(shù)創(chuàng)新，單位算力碳排放強(qiáng)度已下降27%，綠色AI不僅是技術(shù)升級的方向，更是國家“十五五”期間實現(xiàn)數(shù)字經(jīng)濟(jì)與生態(tài)文明協(xié)同發(fā)展的核心抓手。2025年政府工作報告明確提出“開展人工智能+綠色低碳行動”，標(biāo)志著政策與市場的雙重紅利期正式開啟。圖10-92021-2024年國家綠色數(shù)據(jù)中心的數(shù)量第15頁共21頁圖表來源：2024國家數(shù)字發(fā)展報告人工智能通識教程10.2.2應(yīng)用生態(tài)的擴(kuò)展與重構(gòu)：從通用基座到垂直深耕第16頁共21頁視頻3達(dá)芬奇手術(shù)機(jī)器人視頻4靶向給藥機(jī)器人圖10-10GitHubCopilo代碼工具圖10-11DeepSeek人工智能通識教程10.3小模型的未來展望第17頁共21頁10.3.1模型壓縮技術(shù)：從“瘦身”到“強(qiáng)健”2023年，Meta發(fā)布的Llama2-7B模型以70億參數(shù)實現(xiàn)接近GPT-3（1750億參數(shù)）的80%性能（HuggingFaceOpenLLMLeaderboard），標(biāo)志著小模型（參數(shù)<10億）技術(shù)進(jìn)入新紀(jì)元。在邊緣計算、實時響應(yīng)與隱私保護(hù)需求驅(qū)動下，輕量化技術(shù)正通過模型壓縮、架構(gòu)創(chuàng)新與數(shù)據(jù)效率革命重塑AI落地生態(tài)。圖10-12AI小模型主要訴求與應(yīng)用場景速度：比如像人臉閘機(jī)、人臉解鎖手機(jī)等應(yīng)用，對響應(yīng)速度比較敏感，需要做到實時響應(yīng)。存儲：比如電網(wǎng)周邊環(huán)境監(jiān)測這個應(yīng)用場景中，要圖像目標(biāo)檢測模型部署在可用內(nèi)存只有200M的監(jiān)控設(shè)備上，且當(dāng)監(jiān)控程序運(yùn)行后，剩余內(nèi)存會小于30M。耗能：離線翻譯這種移動設(shè)備內(nèi)置AI模型的能耗直接決定了它的續(xù)航能力。

1．?模型壓縮緣由人工智能通識教程

2．?模型壓縮技術(shù)剪裁：類似“化學(xué)結(jié)構(gòu)式的減肥”，將模型結(jié)構(gòu)中對預(yù)測結(jié)果不重要的網(wǎng)絡(luò)結(jié)構(gòu)剪裁掉，使網(wǎng)絡(luò)結(jié)構(gòu)變得更加”瘦身“。量化：類似“量子級別的減肥”，神經(jīng)網(wǎng)絡(luò)模型的參數(shù)一般都用float32的數(shù)據(jù)表示，但如果我們將float32的數(shù)據(jù)計算精度變成int8的計算精度，則可以犧牲一點模型精度來換取更快的計算速度。蒸餾：類似“老師教學(xué)生”，使用一個效果好的大模型指導(dǎo)一個小模型訓(xùn)練，因為大模型可以提供更多的軟分類信息量，所以會訓(xùn)練出一個效果接近大模型的小模型。神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（NAS）：類似“化學(xué)結(jié)構(gòu)式的重構(gòu)”，以模型大小和推理速度為約束進(jìn)行模型結(jié)構(gòu)搜索，從而獲得更高效的網(wǎng)絡(luò)結(jié)構(gòu)。第18頁共21頁人工智能通識教程10.3小模型的未來展望第19頁共21頁10.3.2數(shù)據(jù)效率革命：少數(shù)據(jù)，多智能

1．小樣本學(xué)習(xí)小樣本學(xué)習(xí)（few-shotlearning）是一種能夠在極少數(shù)樣本下進(jìn)行有效訓(xùn)練的技術(shù)，旨在提高模型對新任務(wù)的適應(yīng)能力。圖10-13小樣本學(xué)習(xí)發(fā)展歷程方向應(yīng)用場景多模態(tài)融合3D場景理解輕量化跨域遷移邊緣設(shè)備動態(tài)特征建模醫(yī)療影像判別行特征增強(qiáng)目標(biāo)檢測、分類表10-2小樣本學(xué)習(xí)未來發(fā)展方向

圖片來源：《ASurveyonMachineLearningfromFewSamples》小樣本學(xué)習(xí)綜述人工智能通識教程第20頁共21頁2．合成數(shù)據(jù)生成合成數(shù)據(jù)技術(shù)可以很大程度上解決真實數(shù)據(jù)稀缺的難題，在工業(yè)缺陷、醫(yī)療影像等數(shù)據(jù)獲取困難的領(lǐng)域中有著廣泛的應(yīng)用。圖10-15醫(yī)療合成胸片圖10-14工業(yè)合成器件這種生成式數(shù)據(jù)增強(qiáng)技術(shù)能夠模擬多