人工智慧經歷近70年的發展，核心能力不斷提升，涵蓋：
感知、認知、決策、學習、執行、社會協作能力
發展趨勢：
向符合人類情感、倫理、道德觀念的智慧機器邁進
當前階段：
技術能力驅動向需求應用驅動的轉型關鍵期
技術進化推動經濟進化，從舊範式到新範式
人工智慧發展處於第三階段向第四階段過渡的戰略拐點
定義：
擁有億級以上參數的深度學習模型
利用深度學習演算法、神經網絡學習大量資料提升預測能力
特性：
性能與參數規模、資料集大小、計算量呈冪律關係
基於注意力機制，訓練於大規模多樣化無標註資料集，泛化能力強
分類：
按輸入資料類型：語言大模型、視覺大模型、多模態大模型
按應用領域：通用大模型、行業大模型、垂直大模型
1956—2006年：深度學習與神經網絡技術奠定基礎，大模型萌芽
2006年後：自然語言處理技術、Transformer架構發展，為大模型預訓練打基礎
2018年：OpenAI發布GPT-1、Google發布BERT，預訓練大模型成為NLP主流
2022年底：OpenAI推出ChatGPT，引發全球大模型發展熱潮
2023年：中國大模型訓練井噴，「百模大戰」現象
2024年：中國政策加大行業落地推動力度，商業發展加速
2024年1-7月：央國企採購大模型項目數量超過950個
截至2024年11月：中國備案大模型數量達309個，垂直行業場景落地加速
2024年底：國產大模型使用價格下降，為大模型廣泛商用奠定基礎
備案：依照《生成式人工智慧管理暫行辦法》，3批次共計309個大模型備案
應用類型：
通用大模型：28%
垂直大模型：72%
應用領域：
互聯網、金融、醫療、教育、工業行業占比均超過10%
兩條產品進化路線：
增加參數量、擴大資料集、提升計算量 → 獲得性能更強大模型
優化架構與訓練策略 → 獲得高性價比模型
2024年底：典型國產大模型價格降至0.5元/百萬Tokens以內
商業化模式：
定制化模式（面向大型政企，占比55%）
API及訂閱模式（中小企業及機構，占比40%-45%）
嵌入智慧終端和APP收取廣告費（未來趨勢）
案例：
浦發銀行：定制化算力設備與大模型軟體，滿足信創要求
蘋果與百度合作：iPhone接入百度Ernie4.0，實現智慧助手、圖像識別等功能
場景需求評估：技術能力評估、應用場景梳理、能力分析
部署能力建設：大模型能力體系設計、系統研發、資料與算法準備
大模型應用部署：定制化優化、效能評估、全生命週期管理
大模型運營管理：即時監測、動態追蹤、持續優化
2022—2027年：中國AI大模型應用市場複合增長率148%
2027年市場規模預計達1130億
2024年公開大模型中標項目超1000個，市場規模約157億
GPU新增需求超過190萬張，算力投資千億規模
80%新增算力用於頭部互聯網大模型訓練及自有業務，20%用於行業用戶能力建設
DeepSeek-R1重新設計訓練流程
少量SFT資料 + 多輪強化學習：
提升模型準確性
降低記憶體占用與計算開銷
算力與性能近似線性關係
核心三要素創新循環：算力、資料、演算法
當前：產品供給驅動為主
未來3年：最終用戶需求驅動，行業用戶積極推動應用落地
痛點：行銷獲客難、風險管理低效、產品精準定位難、數位化轉型成本高
AI解決方案：智慧化行銷、風險控制、客戶精準洞察、全流程數位化
痛點：候診時間長、檢查效率低、處方複雜、中醫資源不足
AI解決方案：智慧分診、輔助診斷、精準用藥、知識管理
痛點：多渠道諮詢效率低、資料分散、獲客成本高、客服壓力大
AI解決方案：智慧分流、資料集中管理、自動化客服
痛點：資料分散、知識庫更新慢、文書寫作耗時、諮詢回覆慢
AI解決方案：智慧資料分析、文書自動生成、知識庫即時更新
痛點：客戶洞察不足、市場預測難、體驗差、行銷效率低
AI解決方案：智慧分析、個性化推薦、精準行銷
痛點：研發知識難找、依賴核心技術人員、產品良品率低、行銷脫節、知識缺少場景化、知識運營難
AI解決方案：知識體系化管理、智慧推薦、研發協同、製造優化
Scaling Law面臨挑戰，研究重心從預訓練向後訓練轉移
算力平台與模型創新緊密耦合
MoE架構廣泛應用，提高模型性能與效率
大模型工具鏈完善，加速研發與落地
三大方向：
融合應用軟體：優化使用者體驗、提升生產效率，提供增量付費點
智慧助手：提升自然語言理解、生成能力與多模態能力
Agent：多模態大模型支援複雜任務，提升協同效率
高品質中文資料集稀缺
原因：
國內專業資料服務產業起步階段，投入不足
資料交易體系規範尚未形成
私域資料流通困難，行業場景資料取得受限
