文：任澤平團隊
2023年ChatGPT橫空出世，人工智慧上半場開啟近兩年，海量企業加入AI賽道，卻鮮有成功的、實現盈利的商業模式。
本質是缺乏超級應用，沒有新的需求創造，在終端消費沒有引爆點。
網際網路時代上半場，積體電路技術為手機、PC鋪路；下半場“iPhone時刻”對傳統手機、軟體服務進行革命，全球掀起智慧消費電子浪潮，是歷史上著名的超級應用。
人工智慧下半場，全球也在等待AI超級應用。AI超級應用才是大多數人的機會。
第一類是具身智慧體路線，如自動駕駛、人形機器人：AI像人一樣、擁有一個物理的軀體，能感知、能互動，能主動地進入到“真實世界”。
第二類是超級AI軟體，在輔助辦公、作圖、影片生成、教育等領域潛力巨大。基於大模型進行定製化擴充套件升級，將“超能力”帶給各行各業。
第三類是AI消費電子，如AI PC、AI 手機、XR裝置和腦機介面技術，對傳統裝置進行AI升級，或在新技術上開發新的需求，和元宇宙結合。
擁抱超級應用，也要重視AI對社會的影響。人類的道德倫理能被AI“理解”嗎？什麼樣的資料是“基本”事實？哪些演算法是衡量“公平”的指標？大模型由現實世界訓練而來，因此AI也是社會的鏡子。這些問題還需要更深層的審視和技術規範來解決。
正文
1 AI上半場，大模型和晶片大突破
1.1 上半場大模型演算法誕生“思維”
人工智慧上半場，演算法進步鋪墊了半個多世紀，催生出“百模大戰”，人工智慧概念始於1955年籌辦達特茅斯會議，先後經歷了統計語言模型、專家系統、神經網路、深度學習等階段。
2019至2022年，預訓練模型（Pre-trained Model）井噴式出現；2023年，首個真正意義上的大語言模型（Large Language Model）ChatGPT落地，開啟全球人工智慧元年，谷歌、Meta、亞馬遜、百度、阿里、騰訊等科技巨頭先後加入，AI初創企業如雨後春筍，大模型開啟“煉丹”時代。
大模型與其他模型最大的區別在於“湧現”能力，出現類人的“思維方式”。在預訓練階段，隨著模型規模的擴大和引數量提升，在超過某一閾值後，模型準確度突然大幅提升，例如GPT-3、PaLM、LaMDA等模型在引數量達到百億級別時表現出湧現。
1.2 上半場，晶片算力爆發、一“芯”難求
GPU取代CPU成為AI算力載體。早期AI訓練任務由CPU來完成，但效率較低。轉折點在2012年10月，佛羅倫薩計算機視覺會議上，只用了4顆英偉達GPU的AlexNet擊敗了用了16000顆CPU的谷歌貓，成為了“冠軍演算法”，轟動AI界，此後GPU訓練開始被廣泛認可。AlexNet研發主導人辛頓也因對人工神經網路貢獻獲得2024年諾貝爾物理學獎。
對比看，CPU擅長於少量的複雜邏輯運算，相當於計算機的“大腦”。而GPU擅長於大量的簡單相似計算，用於圖形處理，相當於“視覺神經”。由於AI模型需要大量的並行乘法、加法運算，GPU的優勢更明顯。
AI發展遇上GPU迭代的“算力及時雨”，晶片需求大幅擴張，上游成為最大受益者。根據英偉達資料，GPU的效能在過去20年提升達到1000萬倍，截止2023年底，英偉達的GPU產品已佔據全球92%資料中心市場份額。2024年Q2，英偉達實現營收300億美元，同比增長122%，淨利潤達到166億美元，同比上升168.24%。
AI企業將2024-25視作佈局的關鍵兩年，英偉達加速GPU擴產，供不應求。谷歌2024年在晶片、裝置及資產上的投入已攀升至約500億美元，同比增幅超過50%。為佈局2025年AI賽道，Meta已向英偉達下單價值約100億美元晶片；微軟正籌備在2025年Q1前為OpenAI配置5.5萬至6.5萬顆GB200晶片，價值約30億美元。
2 AI下半場，機遇就看AI超級應用
什麼是超級應用？
一是將前沿技術應用在人們可以廣範接受的消費領域。比如硬體領域的“iPhone時刻”，觸控屏並非蘋果首創，但蘋果設計師發掘了消費者的使用偏好，改變了手機使用習慣，讓人們廣泛接受了觸控移動裝置。
再比如，軟體領域谷歌、百度搜索引擎網站的出現。在早期網際網路還是直接輸入網址的時代，搜尋引擎極大程度提升了上網的便捷性，拓寬了網際網路的潛在用途和可探索邊界。
二是能製造需求引爆點，形成創造新增長、新應用的“鏈式反應”。例如，智慧手機的硬體革命，將網際網路時代的核心使用者場景從PC轉移到了手機，科技企業在軟體開發上競爭，掀起了多輪App應用開拓和迭代，逐漸將個人生活需求與移動網際網路形成深度繫結。開闢了移動出行、電子商務等新應用領域，創造了新的使用者需求和消費趨勢。
從龍頭AI公司戰略佈局出發，可推測超級應用的發展走向。
大模型龍頭公司：OpenAI當前聚焦於解決盈利難題，業務重心轉向擴大商業化場景。由於模型算力和訓練成本高昂，OpenAI至今未盈利。ChatGPT在2023年底有1.8億使用者和1億付費月活。最新預測2024年營收也將達到50億美元，即便如此，管理層對今年實現盈利仍沒有做出期待。另一方面，OpenAI已經調整治理和經營架構，將目標從實現可控AGI轉向了AI商業化和市場拓展方面投入：推出了Sora、GPT-4o等差異化模型來探索應用場景和訂閱增長空間。Appfigures資料顯示，2024年5月GPT-4o的釋出推動了其APP端收入增長高達40%。
算力龍頭公司：英偉達的新增長曲線全部聚焦於AI軟硬體應用和服務，主要在人形機器人、自動駕駛汽車、AR/VR裝置領域。①英偉達主導了OpenUSD專案和Isaac系列，前者用於建立和模擬複雜3D資料，後者服務於加速機器人應用的開發工程，兩者都專注於機器人領域的演算法和工程實現、驗證。②釋出Jetson Thor專用晶片，為高階自動駕駛、人形機器人等需要高效能推理的邊緣計算領域而設計。③開發了Isaac Sim和MimicGen NIM兩種工具包，主要用於AR/VR穿戴裝置的即時動作捕捉，並進行資料生成。
3 AI超級應用，先看具身智慧與AI軟體
3.1 AI具身智慧：人形機器人
英偉達創始人黃仁勳認為，下一波的人工智慧浪潮是“具身智慧（embodied AI）”，人工智慧可以真正理解、推理並與物理世界互動。人形機器人結合AI演算法與控制、感知硬體，讓AI擁有人類形態，是“具身智慧”的集大成者。
人形機器人不同於以往的機器人。AI超級應用的人形機器人指的是“具備高度自動化、智慧化、整合化的通用機器人”。類比AI就像是“通用智慧與機械智慧”的區別。傳統機器人如工業機器人、服務機器人和特種機器人技術已經較為成熟：在工業領域的移動搬運、自動物流、工業製造、電網自動巡檢等；服務領域的家用掃地、酒店自動配送等已經有大量的商用案例。而以特斯拉Optimus為代表的通用機器人不限於特定應用領域，在設計上可以像人一樣從事各種複雜的、高難度任務，因此對大模型的演算法和算力水平要求更高。
從設計理念上看，通用人形機器人的設計理念是為了模擬人類的一些關鍵特性，例如直立行走、雙手操作工具的靈巧性，以及最重要的智慧。為了實現這些功能，人形機器人的關鍵要素包括人機互動演算法、先進機械結構、運動控制演算法、環境感知、機器臂與靈巧手等，從而形成能夠模擬人類步伐的雙腿、能夠執行類似人類動作的雙臂和雙手，以及能夠感知、理解並響應外部環境的“大腦”。
人形機器人的核心技術還是人機互動演算法和運動控制演算法：①人機互動演算法，即從通用類大模型上移植的核心“思維方式”，決定了機器人理解人類指示、理解周圍環境、做出相應的反饋或智慧化的互動能力。②運動控制演算法決定了機器人的運動能力，透過計算所需力和力矩來驅動關節來運動，尤其是在複雜地形、和存在外部干擾的場景，如何確保機器人的行走、操作、平衡和穩定性。③此外，突破機器人的機械結構、感測裝置的技術難點，降低綜合成本、提高執行的可靠性和穩定性也是業內努力的方向。
特斯拉作為該領域先行者，於2021年8月AI Day首次釋出Tesla Bot計劃，2022年2月推出Optimus人形機器人。初代Optimus能完成招手、擰螺絲等簡單動作，但行動不算流暢。2024年5月的第二代Optimus搭載了視覺神經網路和FSD晶片，技術源於電動車自動駕駛的成熟方案，不僅能實現流暢行走，還能精準地完成複雜的分揀工作（動力電池單元），離完全實現自動化邁進了一大步。2024年10月12日，“Tesla：We Bot”釋出會上的Optimus更上一層樓，在行走、抓取、握持等能力上有了突破性改變,並且通用智慧水平更高，可以與人自由交流。
馬斯克預計2026能實現人形機器人大規模上市。當前Optimus已經有兩臺部署在特斯拉工廠工作，製造成本能控制到1萬美元/臺。特斯拉在短短兩年半時間裡將Optimus快速迭代，讓社會看到了人形機器人量產、落地、大規模應用的可能性。同時，多模態大模型的蓬勃發展又為機器人技術成型注入新的血液，通用機器人極有可能成為功能最完備的“具身智慧體”。
有實力的人形機器人公司尚集中在美國：除特斯拉外，OpenAI、英特爾、英偉達、三星等多家頭部企業投資的Figure AI也在2023年釋出了首款機器人，並與寶馬達成合作，未來陸續將人形機器人部署於汽車總裝車間崗位。由得克薩斯大學實驗室孵化、和NASA共同開發人形機器人的Apptronik也在2024年與賓士達成合作，讓其釋出的人形機器人參與產線流程作業。中國的優必選是國內較早研發人形機器人的企業，成立於2012年，其工業版人形機器人Walker S已部署於蔚來汽車總裝車間，並陸續與東風、一汽大眾達成合作，預計2026年將在工廠端放量。
3.2 AI具身智慧：自動駕駛汽車
自動駕駛汽車可能是最早實現大規模落地的“具身AI”超級應用。
一是因為汽車的複雜性和普及程度適合與AI技術結合。汽車是複雜度僅次於飛機的現代工業品，也是附加價值最高的可選消費品，擁有上萬個電子零部件。同時，汽車的架構也在向“中央集中式”和雲計算變革，與AI技術可以實現“1+1>2”。
二是智慧汽車相當於“帶輪子的機器人”，由於兩者的技術難點（演算法）和核心零部件（感測器、算力晶片）相似，智慧汽車肩負著給人形機器人研發開路的使命。高度智慧化的汽車也能在不同場景中學習，模型在迭代中不斷提升自身駕駛決策的準確度。
智慧駕駛就是最好的“用硬體跑AI”。全球不少企業都有技術積澱：國內的百度Apollo已經能實現L4級自動駕駛，蘿蔔快跑截止2024年7月完成自動駕駛訂單約82.6萬單。海外的自動駕駛綜合服務商Waymo也在2024年擴大了服務區，在8月初周單量翻了一倍，服務人數超過10萬人。車企方面，塞力斯、小鵬、理想處於國內第一梯隊，優勢主要在高速和城市領航方面。特斯拉在海外的優勢是FSD的資料驅動能力和“BEV+Transformer”演算法框架。
從實踐情況看，各車企和智慧駕駛解決方案供應商都在競相打造智算中心。特斯拉的DOJO智算中心，預計到2024年10月，總算力將達到100,000PFLOPS，相當於約30萬塊英偉達A100的算力總和。國內，商湯位於上海臨港的上海人工智慧計算中心（AIDC）算力已達到14,000 PFLOPS（截至今年8月）；華為車Bu的ADS訓練算力達3,500PFLOPS（截至今年7月）；理想訓練算力達5,390 PFLOPS（截至今年8月）。
特斯拉掀起“端到端”的自動駕駛變革。2023年馬斯克直播試駕，展示了FSD Beta V12——有史以來第一個端到端AI自動駕駛系統（Full AI End-to-End），從智算量級來看，V12比上一代高出幾個數量級：V12的C++程式碼只有2000行，而V11有30萬行。
傳統智慧駕駛解決方案是模組化的，包含許多人為設定的規則（hand-crafted、rule-based）部分。一套模組化智駕方案以感知模組—規劃模組—控制模組為主脈絡，模組間聯絡緊密，每個模組都有輸入端與輸出端；前一個模組的輸出是後一個模組的輸入。程式實現上效率低、成本高，需要提前透過程式碼告知計算機制訂行車方案。
端到端（end-to-end）更接近於人的駕駛實踐。只需要一個神經網路模型，模型輸入端輸入攝像頭、雷射雷達、毫米波雷達等感測器所蒐集到的資訊，輸出端便可以直接輸出控制車輛方向和速度的操作指令。中間不需要任何人為設定的規則。與模組化相比，從感知環境到執行駕駛操作只需依靠直覺和經驗。程式實現上更高效，由於模型不是由表徵規則的程式碼驅動的，而是全部依靠基於海量資料的機器學習。
從智慧駕駛解決方案的上限來看，端到端的上限空間更大。第一，模組化方案的環節間存在資訊遺失問題；而端到端則不存在這個問題，因此端到端的最最佳化是全域性最最佳化。第二，模組化方案中的規劃模組具有許多基於規則的程式碼，然而規則是無法窮舉的，模組化方案無法應對長尾場景；而端到端模型是基於資料而非規則的，經過深度學習，模型會習得類人的處理方式且具備相當的舉一反三能力，從而具備更優秀的長尾場景應對能力。
端到端已經成為行業共識，但該技術的發展也必然伴隨著掣肘因素，訓練模型（神經網路結構）、訓練資料、訓練方法（引數最佳化方法）、算力（雲端、車端）等都是端到端技術成熟度的決定因素，其中資料又是最重要的一個。端到端模型的實現本質是一個機器學習的過程，前提是提供給計算機足夠多的、覆蓋面廣的、優秀的學習案例。少量訓練資料最多隻能支撐完成demo，而端到端技術的成熟必然需要海量優質訓練資料的支撐，如馬斯克所說：“用100萬個影片case訓練，勉強夠用；200萬個，稍好一些；到了1000萬個，就變得難以置信了。”
在解決資料掣肘方面，有兩個渠道：一是來源於真實世界的優質駕駛案例，如馬斯克透過FSD影子模式建立的資料閉環；二則是源自虛擬世界的虛擬真實案例，如利用世界模型（World Model）生成的駕駛場景、駕駛案例。未來各車企與智慧駕駛解決方案商如何攻克資料難關值得關注。資料之外，端到端技術的成熟要求配備足夠的訓練算力。支援端到端模型的訓練需要海量算力支援，但目前還難以支援方案到達量產階段。
中國智慧駕駛產業的發展以“車路雲一體化”為設計理念，是“單車智慧”+“車路協同”雙線發展。2024年上半年我國L2級的新乘用車滲透率超過50%，保守估計，到2030年，L2級以上車型的滲透率將超過80%。
我國推進車路雲一體化研發及應用目前存在兩大主要問題：當前“車路雲一體化”研發以及示範仍為初級階段，車端系統仍然以單車智慧為主，車企資料尚未接入雲控基礎平臺；絕大部分“車路雲一體化”系統仍然為煙囪型架構，未實現分層解耦、跨域共用。這也是網聯式智慧駕駛迄今為止尚未形成商業閉環的兩大原因。未來，路側、雲側基礎設施建設任重道遠。下一步發展重點在於智慧網聯基礎設施改造，這對未來智慧駕駛實現，AI超級應用率先落地的意義重大。
3.3 AI助手：AI超級應用軟體
AI助手是當前最快落地的AI超級應用軟體，也是“百模大戰”的直接產物。對個人消費者，用AI升級辦公、生活體驗已經迅速成為潮流。
AI助手不僅是簡單的查詢工具，還是能夠理解複雜的使用者需求，並提供個性化服務的成熟應用：可以完成文字創作、會議記錄、即時翻譯、頭腦風暴、PPT創作、快捷搜尋、檔案與圖片識別、資訊處理等日常工作任務。在生活中，也可以委託AI助手處理制定旅行計劃、安排行程、線上購物、管理郵件、遠端操控智慧家居等。
微軟在2023年9月推出Copilot，將傳統辦公軟體升級為Office+AI，減輕工作負擔、提高工作效率，開啟了新一輪辦公室生產力革命。截止2024年8月，使用者已用Copilot進行聊天超130億次，服務企業超5萬家。驗證了“AI+辦公”商業模式的可行性。
AI助手的技術實現源自大模型的技術衍生。比如Copilot採用的是微軟投資的OpenAI開發的GPT4模型，此外還利用了DALL-E 3技術，使得AI助手不僅能回答文字問題，還能根據文字描述生成相對應的圖片。這也是微軟能搶先佔據AI辦公的核心優勢。
國內的主要AI助手有字節跳動的豆包、百度Comate、騰訊元寶、訊飛星火、月之暗面的KimiChat等，各自具備差異化優勢。
百度Comate是專注開發者群體的智慧程式碼助手，擅長專業程式碼領域、有助於推動AI原生應用落地。騰訊元寶資訊覆蓋全面，依託騰訊的生態系統，有微信公眾號的豐富內容和原創資源。訊飛星火在語音識別和語音合成方面表現出色。KimiChat的超長文字處理功能較強，支援處理和輸出達20萬字的文字。豆包的優勢是功能豐富、操作便捷，且在推出瀏覽器外掛後可以隨時呼叫AI功能，極大提升工作效率。
3.4 AI作圖、影片生成
AI進行圖片、影片創作的主要原理是對抗學習（GAN）：透過訓練兩個模型，一個生成與真實資料相似的“假影像”，另一個負責判斷影像的真偽，並反饋學習成果。在兩個模型的對抗任務下，逐漸生成逼真的影像作品，並根據需要切換為不同的藝術風格。
AI圖片生成在to C和to B端都有海量應用潛力。個人應用的創意繪畫、AI寫真、修圖；商業領域，從新興的平面設計、電商設計、肖像設計、到傳統的服裝、包裝、工業領域都能實現極大的成本節省和效率提升。比如妙鴨相機在AI寫真領域有一席之地，由阿里雲提供算力支援，能實現照片的快速合成和調整。再比如Midjourney、Stable Diffusion在AI繪圖領域也十分熱門，建築、插畫、動漫、裝修到線稿、商業設計等都實現了場景覆蓋。
在AI影片創作領域，2024年初橫空出世的Sora有望極大降低短劇製作的綜合成本，解決“重製作而輕創作”的共性問題，短劇製作的重心未來有望迴歸高質量的劇本內容創作。Sora或許能真正為傳媒、文化、遊戲等相關行業的企業降本增效，廣告製作公司透過Sora模型生成符合品牌的廣告影片，顯著減少拍攝和後期製作成本；遊戲與動畫公司使用Sora直接生成遊戲場景和角色動畫，減少了3D建模和動畫製作成本。企業節省下來的成本可以用於提高產品、服務質量或者技術創新，推動生產力進一步提升，對現實的影響與改變，不可不謂之巨大。
3.5 AI教育
教育是科技和社會進步的根基，在AI教育領域美國已經提前佈局，中國需加快追趕。根據Sensor Tower資料，美國AI應用市場下載量前三分別是ChatGPT、Copilot，以及AI教育軟體Question AI。
教學支援上，AI能幫助教師備課、作業批改、考試出題、智慧閱卷、虛擬實驗等。比如科大訊飛的星火教師助手，可以設計完整的教學方案，包含單元主題、教學目標等模組化內容，智慧匹配大綱所要求的學習任務。為老師節省大量時間經歷，同時附帶了精準、貼切的教學素材。
學生輔導方面，AI應用可以實現個性化精準學習，讓學生獲得和人類老師輔學相等的互動式體驗。比如Question AI最核心的功能——拍照答題。AI也能充當外語口語陪練，進行電子家教輔導、作業查漏補缺等，對於學齡前教育也能起到益智和興趣開發作用。
AI對現代教育體系也會產生變革性影響。根據美國高等教育資訊化協會發布的《2024年人工智慧圖景研究》，比起AI帶來的潛在隱患，落後於時代是教育最大的擔憂。
AI有消除教育不平等的潛力，讓每個學生都獲得世界一流的教育。過去的教育系統是以教師為核心，基於上課時間安排去塑造學生。AI教育或將轉向以學生為核心，基於不同能力、個性化的學習來產生改變。2023年，全球最大的免費教育的非盈利組織可汗學院（Khan Academy）推出了基於GPT4的AI機器人Khanmigo，對學生能提供一對一私人導師服務，對老師也能成為超級助教，目前已有超過65000名使用者。2024年4月17日,我國教育部也公佈了首批18個“人工智慧+高等教育”典型應用場景案例,包括北京航空航天大學、北京師範大學、哈爾濱工業大學等高校成為首批試點高校，在教育教學模式創新方面探索AI應用。
3.6 AI具身智慧體+軟體：AI PC、AI 手機
PC、手機的晶片隨著過去十年的發展已經達到相當高算力水準，與AI模型部署天然適配，是第一批可以快速落地的端側執行AI的硬體載體。
AI PC和AI手機最大的優勢在於，一方面可藉助生成式AI進一步拓展能力上限，不僅響應更即時，其定製化程度也更貼近使用者習慣；另一方面，內嵌AI可以實行本地化模型部署，確保了個人資料和隱私安全。
無論是晶片企業、電腦廠商還是手機企業都將“產品AI化佈局”提上日程。英偉達和AMD分別推出了AI-Ready RTX筆記本、Ryzen AI架構。聯想一口氣推出AI PC ThinkPad X1 Carbon AI等十餘款AI PC，華碩2024年推出Zenbook S16，戴爾推出XPS 14。華為HarmonyOS 4系統全面接入盤古大模型，蘋果最新iPhone16也全系搭載AI大模型。
以AI PC為例，初步功能有：①輔助辦公、會議紀要；②輔助創作繪畫、文案生成；③個人知識庫、知識問答、本地搜尋。2024年Q2全球PC出貨量升至6280萬臺，同比增長3.4%，結束了七個季度的同比下滑；其中AI PC出貨量達到880萬臺，佔總出貨量的14%。
對比來看，由於PC端搭載晶片效能優於手機，AI PC滲透速度將快過AI手機。IDC預測，2024年全年AI PC的市佔率或達到55%，2027年將達到85%；生成式AI智慧手機2024將增長344%，佔18%市場份額。
4 下半場，更要重視AI的價值對齊問題
AI進步最緊迫的挑戰是儘可能地在不同情形和複雜環境中做出符合人類價值觀的判斷，即人機對齊問題（Alignment Problem）。
演算法和人類學習的方式相似，但並不清楚人類對公平性、安全性、道德性的認知。所以特定領域需要人為篩選、標記資料、在監督學習中應對具體的問題。
第一類是演算法搭建謬誤：訓練用的資料樣本是準確的，但訓練規則沒有考慮到統計學偏差。例如，微軟計算機專家Rich Caruana在上世紀90年代使用機器學習模型幫助肺炎患者就診時，就曾錯誤地將哮喘病史歸類為低風險因子，原因是機器學習的樣本中哮喘患者死於肺炎的可能性很低。實際上有哮喘病史的肺炎患者有嚴重健康風險，但他們通常會受到重點護理，所以樣本中的死亡率低，資料表現上哮喘病史和肺炎死亡的關聯度也會降低。
第二類是資料來源偏見。例如，麻省大學彙集的公共人物圖片庫在用於機器學習時，被發現存在偏見問題：男性佔比超過77%，白人佔比超83%，一些少數族裔甚至沒有樣本，因此訓練的模型就會生成性別和種族其實內容。搭建團隊隨後解釋稱：資料全部來源於線上新聞中收集的影像，並無主觀調整。該結果反應了公共新聞報道本身就存在偏見，資料背後的動機和目標並非純粹理性。因此，當資料已儘可能的具有包容性時，AI的非監督訓練會直接產生道德問題。
第三類是道德兩難困境（Moral Dilemma）。比如，自動駕駛決策的擔憂：演算法如何在道路兩難情景中去做決策？設想汽車前方突發事故，必須在短時間內緊急換道，但左側是載有孕婦的車輛而右側是懸崖，兩種決策的後果都是致命的，此時演算法該如何去權衡後果？並沒有正確的答案。因為人類社會的道德框架並非完全一致，不同的價值觀、文化、認知背景存在著道德差異，以用一種達成共識的行為準則來建設“AI的道德性”還難以具備客觀條件。
為解決人機對齊問題進行嘗試，AI前沿企業除了釋出各自的AI倫理準則，也透過收集使用者反饋進行演算法改進。OpenAI提出過超級對齊要求準則（但隨著業務重心轉變和管理層變動已不是主要目標），微軟透過視覺化工具和解釋性演算法來揭示模型工作機制。各主權政府也相繼出臺檔案監管，中國注重安全評估標準和生成內容標識，美國提出演算法歧視保護和資料隱私要求，歐洲強調AI的自主性、預防傷害、公平性和可解釋性。
澤平宏觀人工智慧系列研究報告：
13.《用AI新質生產力破局經濟》，2024年8月22日
12.《中國智慧駕駛報告2024：未來已來》，2024年7月25日
11.《AI賣鏟人“英偉達”，為何業績再度爆發》，2024年5月25日
10.《特斯拉推低價車型與無人駕駛翻盤》，2024年4月25日
9.《人工智慧進入“開箱即用”時代》，2024年4月19日
8.《Sora 橫空出世，會顛覆哪些行業？》，2024年2月20日
6.《中國人工智慧研究報告：大模型和全民AI》，2023年8月18日
5.《模型即服務，好雲新生態》，2023年4月10日
4.《文心一言開啟國產大模型時代，應用新機遇》，2023年3月23日
3.《中國智慧駕駛報告2023：車聯萬物，暢想智行》，2023年2月9日
2.《任澤平：中國經濟的AI加速度》，2022年9月24日
1.《都來上雲！產業智慧化，下一個爆發點》，2022年9月7日
關鍵詞
大模型
資料
能力
模組
算力