人工智能经历近70年的发展，核心能力不断提升，覆盖：
感知、认知、决策、学习、执行、社会协作能力
发展趋势：
向符合人类情感、伦理、道德观念的智能机器迈进
当前阶段：
技术能力驱动向需求应用驱动的转型关键期
技术进化推动经济进化，从旧范式到新范式
人工智能发展处于第三阶段向第四阶段过渡的战略拐点
定义：
拥有亿级以上参数的深度学习模型
利用深度学习算法、神经网络学习大量数据提升预测能力
特性：
性能与参数规模、数据集大小、计算量呈幂律关系
基于注意力机制，训练于大规模多样化无标注数据集，泛化能力强
分类：
按输入数据类型：语言大模型、视觉大模型、多模态大模型
按应用领域：通用大模型、行业大模型、垂直大模型
1956—2006年：深度学习与神经网络技术奠定基础，大模型萌芽
2006年后：自然语言处理技术、Transformer架构发展，为大模型预训练打基础
2018年：OpenAI发布GPT-1、Google发布BERT，预训练大模型成为NLP主流
2022年底：OpenAI推出ChatGPT，引发全球大模型发展热潮
2023年：中国大模型训练井喷，“百模大战”现象
2024年：中国政策加大行业落地推动力度，商业发展加速
2024年1-7月：央国企采购大模型项目数量超过950个
截至2024年11月：中国备案大模型数量达309个，垂直行业场景落地加速
2024年底：国产大模型使用价格下降，为大模型广泛商用奠定基础
备案：依照《生成式人工智能管理暂行办法》，3批次共计309个大模型备案
应用类型：
通用大模型：28%
垂直大模型：72%
应用领域：
互联网、金融、医疗、教育、工业行业占比均超过10%
两条产品进化路线：
增加参数量、扩大数据集、提升计算量 → 获得性能更强大模型
优化架构与训练策略 → 获得高性价比模型
2024年底：典型国产大模型价格降至0.5元/百万Tokens以内
商业化模式：
定制化模式（面向大型政企，占比55%）
API及订阅模式（中小企业及机构，占比40%-45%）
嵌入智能终端和APP收取广告费（未来趋势）
案例：
浦发银行：定制化算力设备与大模型软件，满足信创要求
苹果与百度合作：iPhone接入百度Ernie4.0，实现智能助手、图像识别等功能
场景需求评估：技术能力评估、应用场景梳理、能力分析
部署能力建设：大模型能力体系设计、系统研发、数据与算法准备
大模型应用部署：定制化优化、效能评估、全生命周期管理
大模型运营管理：实时监测、动态追踪、持续优化
2022—2027年：中国AI大模型应用市场复合增长率148%
2027年市场规模预计达1130亿
2024年公开大模型中标项目超1000个，市场规模约157亿
GPU新增需求超过190万张，算力投资千亿规模
80%新增算力用于头部互联网大模型训练及自有业务，20%用于行业用户能力建设
DeepSeek-R1重新设计训练流程
少量SFT数据+多轮强化学习：
提升模型准确性
降低内存占用和计算开销
算力与性能近似线性关系
核心三要素创新循环：算力、数据、算法
当前：产品供给驱动为主
未来3年：最终用户需求驱动，行业用户积极推动应用落地
营销获客难、风险管理低效、产品精准定位难、数字化转型成本高
AI解决方案：智能化营销、风险控制、客户精准洞察、全流程数字化
候诊时间长、检查效率低、处方复杂、中医资源不足
AI解决方案：智能分诊、辅助诊断、精准用药、知识管理
多渠道咨询效率低、数据分散、获客成本高、客服压力大
AI解决方案：智能分流、数据集中管理、自动化客服
数据分散、知识库更新慢、文书写作耗时、咨询回复慢
AI解决方案：智能数据分析、文书自动生成、知识库实时更新
客户洞察不足、市场预测难、体验差、营销效率低
AI解决方案：智能分析、个性化推荐、精准营销
研发知识难找、依赖核心技术人员、生产良品率低、营销脱节、知识缺少场景化、知识运营难
AI解决方案：知识体系化管理、智能推荐、研发协同、生产优化
Scaling Law面临挑战，研究重心从预训练向后训练转移
算力平台与模型创新紧密耦合
MoE架构广泛应用，提高模型性能和效率
大模型工具链完善，加速研发与落地
三大方向：
融合应用软件：优化用户体验、生产效率，提供增量付费点
智能助手：提升自然语言理解、生成能力和多模态能力
Agent：多模态大模型支持复杂任务，提升协同效率
高质量中文数据集稀缺
原因：
国内专业数据服务产业起步阶段，投入不足
数据交易体系规范尚未形成
私域数据流通难，行业场景数据获取受限
