当前位置:   金科网 > 人工智能 > 正文

深度报告:大模型驱动 AI 全面提速,黄金十年开启

  经历过去 70 年的“三起两落”,伴随底层芯片、算力、数据等基础设施的完善&进步,全球 AI 产业正逐步从运算智能走向感知智能、认知智能,并相应形成“芯片、算力设施、AI 框架&算法模型、应用场景”的产业分工、协作体系。

  2019年以来,AI 大模型带来问题泛化求解能力大幅提升,“大模型+小模型”逐步成为产业主流技术路线,驱动全球 AI 产业发展全面加速,并形成“芯片+算力基础设施+AI 框架&算法库+应用场景”的稳定产业价值链结构。

  来源:中信证券

  原标题:《大模型驱动 AI 全面提速,产业黄金十年投资周期开启》

  作者:陈俊云 许英博 廖原 刘锐 贾凯方

  01.人工智能“三起三落”

  自 1956 年“人工智能”概念&理论首次被提出,AI 产业&技术发展主要经历三大发展阶段。

  1)20 世纪 50 年代~20 世纪 70 年代:受制于算力性能、数据量等,更多停留在理论 层面。1956 年达特茅斯会议推动了全球第一次人工智能浪潮的出现,当时乐观的气氛弥漫着整个学界,在算法方面出现了很多世界级的发明,其中包括一种叫做增强学习的雏形,增强学习就是谷歌 AlphaGo 算法核心思想内容。而 70 年代初,AI 遭遇了瓶颈:人们发现逻辑证明器、感知器、增强学习等只能做很简单、用途狭隘的任务,稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的 AI 问题。这些计算复杂度以指数程度增加,成为了不可能完成的计算任务。

  2)20 世纪 80 年代~20 世纪 90 年代:专家系统是人工智能的第一次商业化尝试,高昂的硬件成本、有限的适用场景限制了市场的进一步向前发展。在 80 年代,专家系统 AI程序开始为全世界的公司所采纳,而“知识处理”成为了主流 AI 研究的焦点。专家系统的能力来自于它们存储的专业知识,知识库系统和知识工程成为了 80 年代 AI 研究的主要方向。

  但是专家系统的实用性仅仅局限于某些特定情景,不久后人们对专家系统的狂热追捧转向巨大的失望。另一方面,1987 年到 1993 年现代 PC 的出现,其费用远远低于专家系统所使用的 Symbolics 和 Lisp 等机器。相比于现代 PC,专家系统被认为古老陈旧而非常难以维护。于是,政府经费开始下降,寒冬又一次来临。

  3)2015 年至今:逐步形成完整的产业链分工、协作体系。人工智能第三起的标志性事件发生在 2016 年 3 月,谷歌 DeepMind 研发的 AlphaGo 在围棋人机大战中击败韩国职业九段棋手李世石。随后,大众开始熟知人工智能,各个领域的热情都被调动起来。这次事件确立了以 DNN 神经网络算法为基础的统计分类深度学习模型,这类模型相比于过往更加泛化,通过不同的特征值提取可以适用于不同的应用场景中。

  同时,2010 年-2015 年移动互联网的普及也为深度学习算法带来了前所未有的数据养料。得益于数据量的上涨、运算力的提升和机器学习新算法的出现,人工智能开始大调整。人工智能的研究领域也在不断扩大,包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。深度学习的发展,让人工智能进入新的发展高潮。

▲人工智能发展的三次浪潮

  人工智能第三次浪潮带给我们一批能给商业化落地的场景,DNN 算法的出色表现让语音识别与图像识别在安防、教育领域贡献了第一批成功的商业案例。而近年来基于神经网络算法之上的 Transformer 等算法的开发让 NLP(自然语言处理)的商业化也提上了日程,有望在未来 3-5 年看到成熟的商业化场景。

▲人工智能技术产业化所需年数

  02.分工逐步完整,落地场景不断拓展

  经历过去 5~6 年的发展,全球 AI 产业正逐步形成分工协作、完整的产业链结构,并开始在部分领域形成典型应用场景。

  1、AI 芯片:从 GPU 到 FPGA 、ASIC 等,性能不断提升

  芯片是 AI 产业的制高点。本轮人工智能产业繁荣,缘于大幅提升的 AI 算力,使得深度学习和多层神经网络算法成为可能。人工智能在各个行业迅速渗透,数据随之海量增长,这导致算法模型极其复杂,处理对象异构,计算性能要求高。因此人工智能深度学习需要异常强大的并行处理能力,与 CPU 相比,AI 芯片拥有更多逻辑运算单元(ALU)用于数据处理,适合对密集型数据进行并行处理,主要类型包括图形处理器(GPU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。

  从使用场景来看,相关硬件包括:云侧推理芯片、云侧测试芯片、终端处理芯片、IP 核心等。在云端的“训练”或“学习”环节,英伟达 GPU 具备较强竞争优势,谷歌 TPU 亦在积极拓展市场和应用。在终端的“推理”应用领域 FPGA 和 ASIC 可能具备优势。美国在 GPU 和 FPGA 领域具有较强优势,拥有英伟达、赛灵思、AMD 等优势企业,谷歌、亚马逊亦在积极开发 AI 芯片。