中国信通院发布《人工智能发展报告（2024年）》

慧聪教育网 2024-12-12 09:47 来源：中国信通院

【慧聪教育网】人工智能浪潮席卷全球，正以前所未有的速度、广度和深度改变生产生活方式，对全球经济社会发展和人类文明进步产生深远影响。近年来，语言大模型、多模态模型、智能体和具身智能等领域不断出现突破性创新，推动人工智能迈向通用智能初始阶段。与此同时，人工智能的工程化持续加速推进，新产品新模式层出不穷，行业应用走深向实，成为推动经济社会高质量发展的关键动力。

2024年11月29日，在大模型产业创新发展大会上，中国信息通信研究院（简称“中国信通院”）发布《人工智能发展报告（2024年）》。中国信通院人工智能研究所所长魏凯从总体态势、技术创新、应用赋能、安全治理以及发展展望等方面对报告进行了解读。

报告立足产业新发展、新变化、新需求，聚焦新形势下全球人工智能发展重点，总结梳理人工智能技术创新方向、产业升级重点、行业落地趋势和安全治理进展，展望人工智能发展机遇，以期与业界分享，共同推动人工智能产业蓬勃发展。

报告核心观点

1. 基础模型保持快速演进态势，重点突破多模态和复杂推理能力。从基准测试结果来看，全球大模型能力实现阶跃式提升。语言大模型能力多维度持续进化，主要体现在上下文窗口长度扩展、海量信息压缩与知识密度提升、MoE架构融合以及通过引入强化学习算法优化推理能力。其中，推理侧改进成为近期热点，规模定律适用范围从预训练向后训练和推理延伸。多模态大模型探索交叉模态融合处理，由早期子任务模型组合转向端到端跨模态统一特征表示，实现原生多模支持。

2. 算法创新与软硬件架构深度耦合。大模型技术的原始创新和应用迭代落地，高度依赖先进的软硬件协同技术生态体系。框架层面，强调对大模型原生支持能力，大规模分布式训练成为框架的新发力点。芯片层面，大模型计算特性对硬件要求极高，带来分布式训练支持、混合精度计算支持、高速互联通信等新要求新挑战，驱动计算底座迭代升级，呈现三大趋势特点：芯片架构向定制化演进、存储与互联重要性日益提升、强调软硬协同升级释放硬件计算潜力。

3. 工程化技术是人工智能从实验室走向生产环境的关键桥梁，大模型开发及应用工具链的快速发展，标志着人工智能工程化进入了新阶段。开发工具链加速大模型技术的迭代，显著提升了训练效率，降低了推理成本。应用工具链则拓展了大模型应用范围，增强了系统的扩展性，降低了应用门槛。

4. 高质量、大规模、多样化的数据集已经成为大模型发展的关键战略要素，训练数据决定了模型能力的上限。数据新兴技术快速发展，如多模态词元向量融合、新一代高水平数据标注、面向人工智能的数据集质量评估以及合成数据等，人工智能高质量数据集供给能力不断提升，以数据为核心驱动力的人工智能时代正在加速到来。

5. 人工智能赋能新型工业化向纵深发展，呈现“大小模型协同” “两端快、中间慢”等阶段特征。总体上，以传统小模型为代表的专用智能应用逐步成熟，以大模型为代表的通用智能应用处于初步探索阶段。消费侧应用迭代加速，对话式搜索、智能助理等革新功能不断涌现，交互模式向更多模态拓展；并在端侧加速落地，重塑手机等消费电子产品形态。生产侧应用与行业场景融合不断深入，有望深刻变革制造过程、组织架构、研发模式与产品形态，从而开辟我国工业从大到强的新路径。目前，从产业链分布来看呈现“两端快、中间慢”特征。“选、建、用、管”体系化推动落地应用成为加速人工智能走向实用化、普惠化的行业共识。

6. 安全治理从原则向实践加速推进。安全治理工作迈向深水区，探索切实有效、多方共治、敏捷应对的落实方案成为全球共同议题。国际合作方面，联合国发挥主渠道作用，经济合作与发展组织、金砖国家等密集推出人工智能治理举措，人工智能安全峰会聚焦安全议题提供全球对话平台。治理体系方面，各主要经济体治理体系渐趋明晰，旨在维护本土产业发展需要。产业实践方面，产业各方积极发挥技术研究和治理协同优势，发布治理框架、制定标准规范、推出测试平台、迭代评估工具，加速探索模型间对抗新范式、模型水印算法等前瞻技术研究，提升人工智能安全治理能力。

7. 展望未来，引入强化学习等技术来增强大模型能力仍是近期技术演进的重点方向，专业大模型、多模态大模型有望加速突破，具备更强规划、决策、执行能力的智能体和具身智能成为迈向通用人工智能的重要一步。面向中远期，类脑智能等颠覆性技术的成熟，有可能为人工智能发展带来更广阔的想象空间。随着人工智能赋能新型工业化向纵深发展，人工智能在实体经济中的应用场景将进一步拓展，加速向生产制造环节渗透，加速迈向全方位、深层次智能化转型升级新阶段。

报告目录

一、总体态势

（一）人工智能技术演进走向新范式

（二）人工智能工程化迈向新阶段

（三）人工智能安全治理工作紧密推进

（四）人工智能产业稳中有进迎来新动能

二、技术创新

（一）基础模型仍在快速演进迭代

（二）计算平台与模型创新紧密耦合

（三）工具链不断完善加速大模型研发应用

（四）高质量多模态数据集成为模型能力提升的关键

三、应用赋能