十二条趋势，带你看透AI产业2023年的发展动向

　　原创 | 文BFT机器人

　　

　　趋势一：人工智能发展需求将快速提升数据众包产业规模与专业性

　　数据作为人工智能的产业基础，其重要性毋庸置疑。有研究认为目前训练大语言模型的语料数据已经出现缺口，且缺口正逐渐扩大。不仅语料数据，随着人工智能研究的不断推进以及产业应用的不断深化，对视觉、视频、语音以及专业领域高质高量数据的需求也正迅速增长。

　　本文认为人工智能产业的整体发展致使对数据的需求快速增长，而这将刺激数据众包产业蓬勃发展，同时对数据质量要求的提升也对数据众包产业的专业性提出了更高的要求。

　　从产业应用来看，部分产业的智能化应用如高精件缺陷检测、工程设计空间规划等，由于功能的局限性，已难以满足产业智能化发展的要求，而功能的开发同样需要高质量、专业性的数据进行支持。

　　本文认为目前制造业、医疗、工程建筑等行业对智能化应用的功能升级需求较大，因此将推动数据众包产业在相关行业率先发展。

　　此外，“数据二十条”在数据资产化和数据价值开发方面的探索，将形成对数据众包产业的利益保障。大语言模型和扩散模型的发展也将反哺数据众包产业，有效降低行业内企业的经营成本与研发成本。

　　趋势二：我国将形成芯片-人工智能产业内循环

　　我国芯片产业在关键核心技术方面与国际先进水平存在代差，但芯片法案将倒逼我国切断对全球芯片产业链的依赖，进而加速促进我国进行核心技术迭代。

　　预计我国芯片产业将在 3 年后实现 12nm 工艺芯片量产。从芯片产业生态来看，我国由龙头企业与核心科研机构主导的产业生态较为繁荣且颇具韧性，可以很好地应对市场冲击，也具备较高的价值与信息传导效率，因此有助于芯片产业的快速发展与迭代。

　　目前我国人工智能产业发展增速居世界前列，基于人工智能产业对芯片的巨大需求，易观预计其对国产芯片的需栏啊稗保皑傲拿将快速增长。

　　从需求类型来看，一是中小型研究机构、中型以下公司与个人研究者对高性能图形计算芯片需求量较大；二是大型公司与研究机构对大规模异构分布式计算的需求，将形成对 CPU、GPU 芯片的大量需求；三是产业智能化应用对芯片的需求同样较大，且需求种类也较为多样。

　　相应地，人工智能应用已成为芯片产业电路设计与缺陷检测等环节不可或缺的因素，且应用智能动态规划与大语言模型等技术对工艺改良、生产过程控制等环节具有重大意义，因此本文认为我国将形成“芯片-人工智能”的产业内循环。

　　趋势三：加速对边缘智能的探索需不同类型参与方进行紧密合作

　　近年来边缘算力加速发展，在云-边-端协同的算力与通信基础建设框架内，边缘算力可以大幅降低产业应用对云端通信的需求，也可与端侧设备的算力形成互补，对智能化产业应用来说，可以更好地满足应用中高并发低延迟的要求。

　　本文认为边缘算力的发展对人工智能产业具有积极影响，但发展部署在边缘侧的人工智能应用仍需面对适配与优化的问题。与研发和云端算力相比，边缘算力的芯片架构不同，因此大量原本部署于云侧、端侧与私有化部署的智能化应用需要进行适配才能在边缘侧进行部署，这需要人工智能开发框架考虑对不同环境的适配与优化。

　　针对以上问题，目前如华为、百度等互联网背景厂商与京东、卡奥斯等产业背景厂商均已在相关方面做出大量努力，且已取得可观成绩，因此本文认为边缘侧的人工智能应用市场空间广。但由于产业对智能化应用的多样化需求与人工智能应用开发的工程化需求，产业界仍需要对应用适配与优化的问题进行大量的探索，而这需要来自不同行业的、拥有不同核心技术的厂商们形成更加紧密的产业生态才能加速其探索的进程。

　　从另一个角度来看，生产端出于对数字化转型的需求，对边缘算力的需求相较于消费端也更大，而生产端对于智能化应用的功能与成本也更加敏感，因此更需要紧密合作的边缘智能产业生态来降低技术开发与应用成本，加速产业数字化转型。

　　另外，边缘算力的发展也将带来更多闲置算力，这部分算力理论上可以用来进行人工智能的训练，但仍然需要解决异步通信、异构算力等问题，而这需要人工智能产业界与计算机、通信等学术界进行更加紧密的合作，形成研究-研发-检验-应用的产学研用闭环后，加速验证并迭代相关问题的解决方案。

　　趋势四：文本-图像生成模型将出现针对细分领域需求的定制化产品

　　2022年，文本图像生成模型实现了在用户侧的快速推广，大众普遍认为其对语义的图像化表达精准度较高，可以很大程度降低将想象进行具象化的难度。由于巨大的应用潜力，产业界正积极探索文本-图像生成模型与业务的结合方式

　　目前文本-图像生成较为明确的商业模式为按需付费与订阅制，也存在使用文本-图像生成类应用进行平台引流的商业模式。但由于目前相关应用仍存在生成作品与训练数据的版权问题，因此本文认为对于文本-图像生成类应用可持续发展的商业模式应当积极探索向上游图库分润的机制，也应明确生成作品的版权归属。

　　目前各家文本-图像生成模型因为在训练数据、模型架构与模型版本等方面的区别，已经形成不同的图像风格，因此不同的用户也对不同的模型产生了偏好，产业界也会因需求不同而选择不同的文本-图像生成类产品。

　　目前已有产品对不同行业不同环节的多样化需求的针对性仍不强，本文认为在工业设计、产品设计等领域存在大量专业属性非常明显的细分需求，因此在 2年内会出现针对细分需求的文本-图像类应用，定制化开发也有可能成为下一阶段产业界主流的商业模式。

　　此外，随着对扩散模型与辐射神经场模型等研究的深入，文本-图像生成模型或许将增加从文字到草稿再到三维建模的能力，而这也将极大地拓展模型的应用空间。

　　趋势五：大规模语言模型在专业领域的商业化方向仍需持续探索

　　ChatGPT的出现使社会普遍承认大规模语言模型(LLM)的应用潜力。以 ChatGPT 为代表的 LLM其强大能力的核心是具备大量通用领域的知识，但目前专业领域知识较少。对 LLM 来说掌握众多专业领域知识对训练数据量与模型参数量均有非常高的要求，而在技术与成本方面的严格限制使目前的 LLM不能满足相关要求。

　　因此本文认为，未来 2年内由于搜索与推荐对通用领域与众多专业领域知识的要求，LLM 在相关应用上仅能作为辅助方式进行商业推广，而在文本内容生产与编程方面对多领域专业知识的要求相对较低，因此相关应用的商业模式或将早于搜索与推荐成熟。

　　除了在自然语言处理任务方面，ChatGPT 已证明 LLM 可以很好地应用在如数学与物理等以逻辑语言进行表述的领域。本文认为 LLM 在概念的精准与模糊映射、概念间的逻辑关系、概念的推理等方面已经具备在多领域进行应用的功能基础。

　　但从商业化应用的要求出发，LLM 的开发在数据与算力方面的成本仍然非常高，且专业领域LLM 应用开发对跨领域人才的依赖度非常高，但跨领域人才仍存在非常大的供需缺口。因此虽然应用潜力巨大，但本文认为 LLM 在未来35年的商业化方向仍需持续探索。综合考虑功能、需求、战略重要性、成本、人才等方面，本文认为5年后在先进制造业航空航天业等对技术要求高，且对成本敏感性相对较低的领域，LLM 的应用将实现快速渗透。

　　有研究认为，目前 LLM 的参数量与训练数据量不匹配，以至于其潜力并未得到充分挖掘。本文认为 LLM 训练数据与参数量级间的关系存在最优路径，而这需要在学术界与产业界形成一定共识，从而可以更好地平衡 LLM 的功能与成本这将有利于 LLM 应用进行商业化探索，预计共识的形成至少需要 5 年的时间。

　　趋势六：强化学习应用或将在科研与产业研发领域率先商业化

　　长久以来，强化学习探索的重点为模仿人类的行为与决策，甚至是超越平均人类水准的自主决策能力，因此目前强化学习的应用主要由两方面组成。

　　一方面是以规则、策略与博弈为核心的兵棋推演、游戏、交易策略等，本文认为这部分应用目前市场空间较小。另一方面是以类人决策为核心的无人驾驶、机器人行动控制等，本文认为这部分因为技术的限制，目前应用的性能不足以支撑其商业化发展。

　　ChatGPT 使用基于人类反馈的强化学习进行指令微调。从效果来看，ChatGPT 的强大能力与强化学习密不可分，本文认为强化学习证明了其能力的同时也为其商业化应用带来了新的视角，即从对能力的需求出发，探索强化学习的应用方向。

　　基于科学研究与产业研发对强化学习在规则、策略、博弈与类人决策方面能力的旺盛需求本文认为强化学习的商业化应用将转向相关市场。

　　在科学研究方面，强化学习可以用来学习人类决策以替代重复性强的任务，或辅助进行新规则的发现；产业研发方面，强化学习可以用来进行新工艺的研发，或用来操控复杂机械设备。

　　本文预计强化学习在科学研究与产业研发方面的市场虽然对专业性要求较高，但由于应用价值更高，在 3 年内相关应用将进行商业化推广。

　　趋势七：图神经网络各类应用的商业价值均将大幅提升

　　本文认为由于功能的大幅提升，图神经网络(GNN)将加速应用渗透。

　　在图的学习方面，针对单一GNN 模型通常只能应对单一任务的情况已有通用的模型-任务匹配评估方法，可以为动态场景理解、反金融欺诈检测等需要应用多种 GNN模型的复合型任务，设计更加具有功能针对性的应用。

　　在分类、聚类、搜索与推荐等任务中，对节点位置信息与节点身份信息更具表达性的深度图网络 (DGN)相较于原有的 DGN 有着更佳的表现，在营销人群匹配、三维空间分类与分割与舆论影响预测等应用中效果明显提升。

　　在图的生成方面，相较于传统的图生成模型图循环神经网络 (GraphRNN) 已经可以实现单一图的学习与生成、生成的图的规模也与之前的方法相比有了 50倍的提升，在构建知识图谱、分子结构发现等方面的应用效果有着大幅提升，在生物学、工程学与社会学等学术研究中也有着更高的应用价值。

　　在生成满足条件约束的图方面，相较于其他图模型，图卷积策略网络(GCPN)在分子发现方面的应用效果有着非常明显地提升，而其算法也可应用在生成布尔可满足方程与电路设计等方面。

　　对图的研究也打开了从图的方向审视人工智能研究的视角。深度神经网络本身具有图的结构，以图的方式学习深度神经网络内信息交换的过程可以改进深度神经网络的结构设计，加深对神经网络理解的同时更能推进深度学习的研究进展。此外，图也可以用来处理数据缺失，而图神经网络也可以用来表示多个任务间的关系，以更好地解决人工智能从多个任务中学习的问题。

　　本文预计图神经网络的相关应用将逐渐推进商业化进程。从目前研究进展来看，GNN 的功能有很大可能出现质的飞跃，可以大幅提升其商业化的价值，且可降低技术拥有成本。另外数据众包产业的转型升级也将进一步降低 GNN 相关应用的技术使用成本。

　　趋势八：扩散模型将在年内应用于设计、建筑、广告等行业

　　作为目前文本-图像生成类任务的主流底层模型，本文认为扩散模型的性能与功能均有望快速提升。从扩散模型的相关研究来看，性能的提升主要在体现为对采样过程的改进，功能的提升主要体现为使扩散模型具备处理特殊结构数据域的能力。此外，扩散模型与生成对抗模型(GANs)、自回归模型(ARMs)等生成模型在概念、结构设计、应用等方面的交叉有可能提升各类模型的生成能力。

　　本文认为除文本-图像生成外，文本-语音生成、超分辨率、图像修复等应用有望在1年内实现在设计、建筑、广告、电影、医疗等行业的商业化探索。

　　本文认为更多扩散模型的应用在3年内将逐渐成熟。声波信号处理和点云补全与生成的应用会进行商业化试水，且点云补全与生成的应用将为工业制造业的设计环节带来巨大突破。时间序列补全与预测在金融业、供应链、营销与销售等方面均有应用，金融业的相关应用或将逐渐成熟，而出于成本与效率方面的限制，在供应链、营销与销售等环节的应用范围或将较小。学术研究中，分子学与材料学对于扩散模型的应用可能会率先成熟。

　　对于语义分割、异常检测等商业空间更大的扩散模型应用，本文认为 5年后其成本与效率可以初步满足商业化的基本要求。由于算力与技术的限制，视频生成在3年后才能实现在小范围内的应用。

　　扩散模型在自然语言处理、文件学习方面的任务中均有不错的表现，但具体应用的商业化可能性还需要进一步验证。本文认为扩散模型的价值将在数字李生、元宇宙、web3 等技术应用中得以最大化体现。

　　趋势九：产业界将出现更多结合算法模型原理进行设计的智能化应用

　　本文认为科研中对人工智能应用方式的思考，对产业界如何应用人工智能具有很强的参考价值。

　　目前产业界对人工智能的应用停留在对模型功能的直接应用，但科研中的许多应用需要充分考虑算法特性与模型结构，并结合各学科的科研规则来设计相关应用。产业界可以充分借鉴其成功经验，从底层原理入手进行应用的设计:如可将各参与方视为节点，将参与方间的信息交换视为边并形成图，结合不同行业的业务目的以图神经网络的方式设计用于流程优化的智能化应用也可将生产工艺中的各项规则进行整理并视为工艺规则语言，结合大语言模型的能力设计进行工艺优化的智能化应用。

　　本文认为从底层原理出发进行设计的产业应用其潜在市场空间远大于目前人工智能市场规模，且产业智能化深化发展的需求将促进此类应用的开发。

　　从底层原理出发进行设计的产业应用也需要大量高水平跨学科人才以支撑其发展。目前相关人才的供应缺口已经显现且缺口将在未来几年内加速扩大。较为合理的人才培养机制需要下游应用企业、上游技术供应商、学校和学术机构勠力同心，针对细分行业智能化转型需求设计人才培养项目，且需从应用开发分工角度考虑细分专业人才的联合培养机制。

　　趋势十：科研人工智能作为国家战略其重要性将进一步提升

　　近年来人工智能在数学、理论物理学、应用物理学、工程学、化学、生物、材料学、气象学、医学等多个科研领域均有应用探索，且人工智能的应用均为相关领域的研究带来新的思考与发现，如利用人工智能重新审视现有物理规律，利用强化学习操控可控核聚变的研究装置等。

　　科学技术的发展决定了一个国家甚至一个时代的发展上限，因此本文认为人工智能在科研领域的应用对于国家发展的战略意义已经+分明显且仍将不断增强。由于科研智能化在发展战略中的基础性与重要性，本文预计人工智能赋能的科研服务将在3年后形成可观的市场空间，但由于科研服务与人工智能结合带来的技术门槛，相关市场的进入难度极高，因此需要加速探索更加合理的市场机制。

　　另外，本文认为人工智能科研应用安全性问题的重要性也将迅速提升，而因此形成的市场空间也将十分可观。但相关市场的技术门槛同样极高，也会设置准入门槛，因此先发优势将是企业竞争优势的决定性因素。

　　趋势十一：智能设备在工业领域的应用渗透率将快速提升

　　随着工业数字化转型将更多地向生产制造环节渗透，对智能设备的需求也将稳步增长。同时如AGV、工业机器人、智能传送带等工业智能设备的价格随着产能的上升，平均单价也在逐渐下降。预计云边端协同与工业通信将在 5年后实现普及，工业智能设备的智能化水平也将有大幅度提升，工业智能设备的应用价值将迅速放大，因此本文预计工业领域智能设备的市场规模将在未来5年内步增，而5年后将来增拐点。

　　趋势十二：消费领域对行动辅助的需求或将促进相关智能设备先行发展

　　目前由于在数据、算力、相关软件技术成熟度、材料、设备等方面技术与工艺的限制，自动驾驶、行动辅助装备、人工外骨、人型机器人等行动智能设备的收益与成本间仍存在较大的不平衡，因此5年内相关市场的发展速度或将较低。

　　本文预计 5 年后因行动姿态估计、增材制造等技术的逐渐成熟，如义肢、运动康复设备与助老设备等行动辅助设备的成本将逐渐降低，而在医疗、康养、养老等方面的相关需求也将出现明显增长，且相关领域对高客单价的接受度相对较高，因此相较于其他消费领域行动智能设备，行动辅助智能设备的商业化将先行发展，而之后大众对行动辅助智能设备接受度的提升也将促进人工外骨骼在多个领域的应用渗透。

　　更多精彩内容请关注公众号：BFT机器人

　　本文为原创文章，版权归BFT机器人所有，如需转载请与我们联系。若您对该文章内容有任何疑问，请与我们联系，将及时回应。