2023AIGC市场研究报告及ChatGPT推动的变革趋势与投资机会-甲子光年.pdf

出品机构：甲子光年智库研究团队：张一甲、宋涛发布时间：2023.02目 录Part 01人工智能的概念与界定P02Part 02人工智能的技术演进与趋势P06Part 03ChatGPT带来的变革趋势P26Part 04AIGC风口下的投资机会P41现在一说起人工智能的起源，公认是1956年的达特茅斯会议。殊不知还有个前戏，1955年，美国西部计算机联合大会（Western Joint Computer Conference）在洛杉矶召开，会中还套了个小会：学习机讨论会（Session on LearningMachine）。讨论会的参加者中有两个人参加了第二年的达特茅斯会议，他们是塞弗里奇（Oliver Selfridge）和纽厄尔（Allen Newell）。塞弗里奇发表了一篇模式识别的文章，而纽厄尔则探讨了计算机下棋，他们分别代表两派观点。讨论会的主持人是神经网络的鼻祖之一皮茨（Walter Pitts），他最后总结时说：“（一派人一派人）企图模拟神经系统企图模拟神经系统，而而纽厄尔则企图模拟心智纽厄尔则企图模拟心智（mindmind）但殊途同归但殊途同归。”这预示了人工智能随后几十年关于这预示了人工智能随后几十年关于“结构与功能结构与功能”两个阶级两个阶级、两条两条路线的斗争路线的斗争。尼克人工智能简史曾经，建制派被看作“唯一的主导力量”，“逻辑驱动”的人工智能曾主宰数十年。彼时，人们相信依据逻辑的程序是简单的，为了抵达智能，科学家们为每个不同问题编写不同程序，纷纷变成“劳动密集型”工种。但人们低估了现实世界的复杂度，问题越大，程序越复杂，逐渐错误百出、频频崩溃，使这条路进展缓慢；另一派“野路子”便是深度学习。作为跨学科产物，深度学习不追求解释和逻辑，以神经网络开启了“暴力美学”大门计算机从数据中学习、进化，让人工智能变成“数据密集型”学科，最终从应用表现中大幅胜出，主宰当今人工智能世界。甲小姐对话特伦斯：进化比你聪明1.1 人工智能源起三大学派：路线相爱相杀，理念相辅相成，一斗六十年又称：逻辑主义、心理学派或计算机学派。原理：物理符号系统(即符号操作系统)假设和有限合理性原理。起源：源于数理逻辑/逻辑推理。学派代表：纽厄尔、西蒙和尼尔逊等。主张：将符号作为人工智能的基本元素，人工智能的运行建立在由符号构成的数理逻辑之上。又称：仿生学派或生理学派。原理：神经网络及神经网络间的连接机制与学习算法。起源：源于仿生学，特别是人脑模型的研究。学派代表：麦克洛奇、皮茨、霍普菲尔德、鲁梅尔哈特等。主张：试图使机器模拟大脑，通过建立一个类似于人脑中神经元的模拟节点网络来处理信号。又称：进化主义或控制论学派。原理：控制论及感知动作型控制系统。起源：源于控制论。学派代表作：布鲁克斯的六足行走机器人，一个基于感知-动作模式的模拟昆虫行为的控制系统。主张：从还原论的立场出发放弃对意识的研究，专注于人和动物等有机体行为的研究。联结主义（Connectionism）符号主义（Symbolism）行为主义（Actionism）1.2 人工智能的六大学科人工智能主要包括六大学科，当下业界讨论往往聚焦机器学习这一学科计算机视觉自然语言理解与交流认知与推理机器人学博弈与伦理机器学习暂且把模式识别、图像处理等问题归入其中暂且把语音识别、合成归入其中，包括对话包含各种物理和社会常识机械、控制、设计、运动规划、任务规划等多代理人agents的交互、对抗与合作，机器人与社会融合等议题各种统计的建模、分析工具和计算的方法感知、认知、决策人类情感、伦理与道德观念认知、决策感知、认知、决策、学习、执行感知、认知、决策、学习、执行和社会协作能力感知、认知、决策、学习、执行和社会协作能力p机器学习之所以如此火爆，是因为它是一种可以让计算机自动学习和改进的技术。p与传统的程序设计方法不同，机器学习允许计算机从数据中学习规律和模式，并在未知数据上进行预测和决策。这使得机器学习在各种领域都具有广泛应用前景，包括自然语言处理、计算机视觉、机器人技术、金融、医疗、电子商务等等。机器学习火热背后的原因：数据量的爆炸式增长：随着数字化时代的到来，人类生产的数据量正在呈指数级增长，这些数据中蕴含着很多宝贵的信息，而机器学习可以通过对这些数据的分析和学习，发现其中的规律和模式，并将其应用于各种领域。计算能力的提高：随着计算机硬件和软件技术的不断发展，计算能力越来越强，能够处理大规模的数据和复杂的算法，这使得机器学习变得更加高效和实用。开源框架的出现：出现了许多优秀的机器学习框架，如TensorFlow、PyTorch等，它们不仅提供了丰富的工具和算法，而且是免费开源的，使得机器学习技术更加普及和易用。商业应用的需求：机器学习技术在商业应用中也有广泛的应用，如推荐系统、广告投放、欺诈检测等等，这些应用在商业领域中起着至关重要的作用，推动了机器学习技术的快速发展。六大学科是七种能力的排列组合：感知、认知、决策、学习、执行、社会协作能力（人机交互），符合人类情感、伦理与道德观念1.3 人工智能的七种能力AI七大关键能力在进化中逐步扩展累积，逐步“解放大脑”p人工智能的出现，意味着具有自主的感知、认知、决策、学习、执行、社会协作能力，符合人类情感、伦理与道德观念的智能机器逐步浮现，成为帮助人类提高生产能力和效率的新型工具。p与人类几千年来创造出来的各种“解放四肢”的工具和机器不同，其是一类逐步“解放大脑”的工具。19561974198019871995201320202021202220232025时间AI能力感知认知决策学习执行社会协作情感伦理图：不同时期AI侧重能力进化路线当下决策+认知+学习+感知+社会协作（交互）+执行+情感？备注：此处的认知属于狭义的认知，更偏向于判断和推理。七大能力之间存在阶段性侧重和先后关系，但同时也是相互关联、相互作用的，不断地相互影响和改进。感知是智能机器获取外界信息的基础。智能机器需要通过传感器、摄像头等设备收集、处理、分析环境中的信息，以便更好地理解周围的环境和物体。认知和决策能力是智能机器进行智能处理和决策的基础。通过分析、理解和推理数据和信息，智能机器可以更好地判断和决策，以便更好地执行任务。学习能力是智能机器不断优化和改进的基础。通过不断地从数据和经验中学习，智能机器可以自我改进和适应，更好地适应不同的环境和任务。执行能力是智能机器实现任务的基础。智能机器通过控制执行机器人等设备完成任务。社会协作能力是智能机器与人类和其他机器进行合作的基础。智能机器需要通过自然语言处理和其他技术，与人类进行交互和合作，以便更好地实现任务。目 录Part 01人工智能的概念与界定P02Part 02人工智能的技术演进与趋势P06Part 03ChatGPT带来的变革趋势P26Part 04AIGC风口下的投资机会P412.1 AI技术的演进历程AI技术演进已经历四个阶段，如今正向全AI能力覆盖方面演进195619741980198719952013时间AI能力202020212022感知认知决策学习执行社会协作情感伦理20232025图：AI能力进化路线下的技术演进路径p人工智能从出现到现在已经历四个阶段，第一个阶段的AI是以逻辑推理为主，AI能力以聚焦决策和认知为主；第二个阶段的AI则是注重以概率统计的建模、学习和计算为主，AI能力开始聚焦感知、认知和决策；第三个阶段的AI聚焦学习环节，注重大模型的建设，AI能力覆盖学习和执行；第四个阶段则聚焦执行与社会协作环节，开始注重人机交互协作，注重人类对人工智能的反馈训练，当下正处于此阶段。p短期的未来，AI会携带多种能力走向千行百业；长期的未来，仍有很多待解问题，比如：是否会产生情感？逻辑推理为主，聚焦决策、认知能力产生情感？聚焦学习环节，大模型聚焦执行与社会协作环节以概率统计的建模、学习和计算为主，聚焦感知、认知、决策逻辑推理机器学习深度学习Transformer神经网络？GPT3ChatGPT分解为五大学科2.2 AI技术宏观演进趋势：合久必分、分久必合从混沌到分科再到归一，呈现多模态多学科融合归一趋势p纵观人工智能技术发展的70年历程，AI技术宏观趋势呈现出由混沌唯一走向分化，然后再走向归一的趋势。p在人工智能发展的前30年，人工智能技术是出于一个混沌状态，并未形成完整的学科和研究领域，从80年代末开始逐步分化形成五大研究领域，但随着技术的发展，从2013年开始各大学科又开始逐步融合，未来将实现多模态融合和多学科融合归一的趋势。195619741980198719952013时间AI能力202020212022逻辑推理机器学习深度学习Transformer感知认知决策学习执行社会协作情感伦理神经网络20232025？GPT3ChatGPT计算机视觉认知科学机器人学自然语言理解机器学习图：AI能力进化路线下的技术演进路径图：AI能力的进化路线混沌状态分化为五大学科五大学科归一2.2 AI技术宏观演进趋势：范式变迁当下数据、算力、范式一路向“大”，未来不一定p人工智能研究构架在1987-2020年之间的主导逻辑是大数据、小算力、专用决策范式。GPT-3的出现改变了这一切，让大数据、大算力和通用范式成为典型模式。p值得关注：未来人工智能研究的认知构架是否会往大数据、小算力、通用小范式方向转变？图：AI能力的进化路线195619741980198719952013时间AI能力202020212022逻辑推理机器学习深度学习Transformer感知认知决策学习执行社会协作情感伦理神经网络20232025？GPT3ChatGPT计算机视觉认知科学机器人学自然语言理解机器学习大数据+小算力+专用范式逻辑推理为主大数据+大算力+通用范式大数据+小算力+通用小范式2.2 AI技术宏观演进趋势：大模型一定越大越好吗？Yes and No：AI预训练模型规模呈指数级速度增长，未来或将触达规模法则上限圣塔菲研究所前所长Geoffrey West在科普书规模中揭示了规模法则（scaling law）。在West眼中，有一种不变的标准可以衡量看似毫无关联的世间万物无论是生物体的体重与寿命，还是互联网的增长与链接，甚至是企业的生长与衰败，都遵循规模法则。规模法则关心复杂系统的特性如何随着系统大小变化而变化。以规模法则的视角看待ChatGPT背后的大模型，一个自然问题是：模型一定是越大越好吗？如果数据量足够大、算力足够充沛，是否AI的效果会持续上扬？面对这个问题，业界多方的答案是Yes and No：-持Yes观点人认为，现在的“大”仍不足够大-持No观点人认为，大模型虽好，但其性能有一个上限，虽然这个上限尚不明确2018年6月 2018年10月 2019年2月2019年7月2020年6月 2021年12月 2023年2月2025年2030年2035年2040年2050年2055年2060年GPT-11.17亿图：AI预训练模型的参数规模呈现走势15万亿？30万亿？100万亿？规模法则：上限在哪里？XXX万亿？新版BERT4810亿GPT-31750亿Facebook94亿GPT-215亿BERT-Large3.4亿阿里新M610万亿规模法则AI预训练模型参数规模呈现指数级速度增长，未来仍面临规模法则2.2 AI技术宏观演进趋势：通用人工智能p通用人工智慧（Artificial General Intelligence）或强人工智慧（Strong AI）是具备与人类同等智慧、或超越人类的人工智慧，能表现正常人类所具有的所有智能行为。p通用人工智能是人工智能的重要目标之一，但不一定是AI的终极目标。例如，某些研究人员认为，人工智能的终极目标应该是创造具有意识和主观体验的人工智能系统，而不仅仅是模拟人类的认知和行为。因此，人工智能的终极目标可能会随着科技和人类认知的发展而不断改变和进化。七大AI能力的融合正在推动AI逼近人工智能的重要目标之一：通用人工智能决策式AI是基于规则、知识或经验，通过对输入数据进行分析和推理，从而做出决策或推