2023年，以ChatGPT为代表的通用人工智能大模型在全球掀起了新一轮人工智能产业发展浪潮，我国人工智能大模型市场呈现百“模”争鸣、日新月异的变化趋势。2024年，人工智能大模型发展将迈入赋能千行百业的关键期，催生未来产业新模式、新业态。但我们也要看到，我国人工智能产业发展面临行业门槛变高、监管体系仍不够完善、重点行业领域应用率偏低、人工智能大模型无序竞争等方面的压力和挑战。

当前，全球各国的人工智能产业均处于高速发展期。IDC数据显示，2022年，全球人工智能IT总投资规模为1288亿美元，2023年，全球人工智能IT总投资规模预计达到1540亿美元，同比增长19.6%。工信部数据显示，截至目前，我国人工智能核心产业规模已达5000亿元，企业数量超过4400家。据IT桔子数据统计，截至2023年11月21日，我国人工智能产业投融资金额为2499亿元，投融资数量743件，预计全年同比增加63.8%。其中，作为前沿领域，人工智能大模型的发展尤为迅猛。速途元宇宙研究院发布的《AI大模型产业创新价值研究报告》指出，2023年，我国人工智能大模型市场规模将达到21亿美元，同比增长110%，占全球市场规模的10%。

展望2024年，人工智能产业的发展将成为全球经济复苏的风向标。沙利文咨询预测，2024年全球人工智能市场规模将达6158亿美元，中国将突破7993亿元。在人工智能主要细分领域中，作为前沿热点，大模型的发展增速最快。根据钛媒体国际智库的报告，2024年全球人工智能大模型市场规模将突破280亿美元，中国人工智能大模型市场规模将达216亿元，继续保持两位数增长。人工智能领域投融资数量及金额将再创新高，发展态势持续向好。

2023年，未来产业创新任务揭榜挂帅工作稳步推进，揭榜任务涵盖元宇宙、人形机器人、脑机接口、通用人工智能4个重点赛道共计52个揭榜题目。揭榜挂帅聚焦核心基础、重点产品、公共支撑、示范应用等创新任务，旨在发掘并培育一批掌握关键核心技术、具备较强创新能力的优势单位，开发一批标志性技术产品，加速新技术新产品落地应用。作为首批揭榜挂帅申报赛道，以大模型为代表的通用人工智能将进一步赋能未来产业的智能化发展，提升其他前沿领域的创新能力与生产效率。

展望2024年，通用人工智能各项任务的揭榜单位将按照要求，进一步推动通用人工智能从基础研究、技术创新、产品研制到应用落地的产业化进程，通用人工智能与其他前沿领域的融合创新有望发挥关键作用，催生未来产业新模式、新业态，高水平赋能新型工业化，加快培育新质生产力。

2023年，全球主要国家已将培养人工智能科技人才作为提升国家竞争力的重点举措，国内各高校开始在核心技术突破、顶尖人才培养等方面强化部署，通用人工智能人才培养新机制构建步伐显著加快。

展望2024年，我国人工智能人才培养体系将进一步完善，在跨学科融合趋势下，人工智能基础课程将分梯度融入其他学科的传统课程体系中，通过不同学科视角探索融合应用将会成为推动人工智能深度赋能产学研用生态体系的关键。同时，进一步强化人工智能伦理与法律教育，培养具备社会责任感的人工智能专业人才将成为推动我国人工智能产业创新的重要保障。

2023年，国产人工智能大模型一时间呈现出爆发式增长态势，仅2023年1—7月，就有共计64个人工智能大模型发布。据不完全统计，截至2023年11月，国产人工智能大模型有188个，其中，通用大模型27个，目前已有超20个人工智能大模型获得备案，且大多数已向全社会开放服务。基于2200家人工智能骨干企业的关系数据量化分析表明，在我国，人工智能已广泛赋能智慧金融、智慧医疗、智能制造、智慧能源等19个应用领域。人工智能大模型正成为前沿领域研究的重要工具，例如，在新材料领域，已有科研团队将MatChat用于预测无机材料的合成路径；在生物医学领域，百度智能云大模型可用于提升药物研发效率，提高新药发现的准确性；在能源科学领域，由百度集团和国网智能电网研究院共同开发的电力行业NLP大模型能够有效提升电力系统的自动化和智能化水平。

展望2024年，人工智能大模型将逐步拓展、外延，赋能自动驾驶和具身机器人等领域，人工智能驱动的科学研究（AI for Science）也将持续赋能科学研究，促进科学领域创新，提升研究效率，推动科学家在探索“无人区”领域和解决重大问题时取得新突破、新成果。

一方面，想要让人工智能模型变得更“大”，单纯增加神经网络深度、堆叠人工神经元并不一定能实现，我们需要突破算力挑战与理论限制。当前，以CNN、RNN等人工神经元为基础的模型需要采用串行结构，模型训练过程需要按顺序执行，无法充分利用所有计算资源。随着参数量提升，模型的训练时间呈指数级增长，收敛性也变得更加不可控，更难寻找全局最优解。

另一方面，人工智能大模型的训练成本包括算力芯片成本、服务器成本、标准机柜成本、训练时长内的电力成本、人力成本等。市场调研机构TtrendForce的数据显示，ChatGPT每日处理1300万独立访问量需要3万多片NVIDIA A100 GPU提供庞大的计算和存储资源支持，初期投入高达8亿美元，1750亿参数的GPT-3的总训练成本高达1200万美元。

当前，人工智能产业处于快速成长期，其技术演变路径和对社会的影响具有很大的不确定性。一方面，人工智能具有强大的创新力，有望发展成为新的经济增长引擎，改善社会福祉。另一方面，人工智能带来的伦理与安全、负外部性等问题也频频引发社会关注。如果政策过严、管制过多，将在一定程度上阻碍我国人工智能产业的发展进程，拉大我国与发达国家之间的差距，导致我国陷入被动和落后的局面；如果政策过松、监管滞后，也可能导致人工智能的负外部性在经济社会各领域持续扩散。因此，以何种力度、何种方式、在何种时机下对人工智能产业进行合理规制与引导，是监管部门需要关注的问题。

一方面，我国大多数传统行业对人工智能的应用还处于小规模试点阶段，顶级制造业企业的人工智能应用普及率与发达国家相比有较大差距。根据凯捷统计，欧洲顶级制造业企业的人工智能应用普及率超过51%，美国顶级制造业企业的人工智能应用率达到28%，我国在此方面与发达国家相比尚有明显差距。另一方面，人工智能大模型在重点应用领域缺乏典型应用案例。目前，工业领域对人工智能大模型的初步应用主要集中在设计辅助、质量预测、设备维护等方面，没有广泛落地，也没有形成可复制的工业大模型。

一是同质化的训练集会导致人工智能大模型趋于同质化。当下，国内众多人工智能大模型的训练集多为公开可获取的英文训练集，同质化现象较为突出。中文训练集的数据清洗和对齐缺乏高效的处理办法，且高质量内部数据难以获取，所以中文训练集占比较少且质量不高。若加入“军备竞赛”的人工智能大模型都使用同质化英文训练集，将会导致绝大多数人工智能大模型成为效果不佳且资源浪费巨大的产物。

二是超高的训练成本和开发技术门槛决定了中小型企业不宜投资人工智能大模型项目。高质量训练语料和大规模人工标注成本决定了只有大型机构或领军企业才具备相应的人工智能大模型开发能力，成长型企业盲目跟风将导致投资失败，出现过多“泡沫”。

一是强化分布式计算、量化、显存优化、算子融合等关键核心技术攻关与落地应用，降低人工智能大模型推理的时延，提高吞吐量，减少其对算力的需求。二是发布算力券实施方案，支持人工智能大模型应用落地。为企业提供算力券补贴支持，帮助企业降低智能算力使用成本，支持制造业重点领域企业开展人工智能行业大模型的应用探索和落地实践。三是分步骤推进智能算力中心建设，先追求算力的普惠化，降低成本和提高利用率，再逐步扩容。

一是引导人工智能企业与行业领军企业开展定向合作。基于行业企业提供的真实业务场景、数据及行业真实需求，开发核心算法和预训练模型，共同研发、落地应用人工智能大模型。二是打造人工智能企业与行业企业的对接平台。搭建人工智能企业与制造业、医疗、农业等行业企业的对接平台，帮助双方实现技术、模型、数据、场景等资源的对接。三是依托工业互联网平台，打造人工智能企业与行业企业的大模型合作生态，通过工业互联网平台实现两者的快速对接，提供保障算法、模型、数据安全的人工智能要素线上交易服务，面向不同行业建立标准化的大模型开发环境，帮助企业快速研发和验证场景化解决方案。

一是密切跟踪人工智能技术发展趋势，及时掌握最新进展并研判社会影响。二是鼓励相关治理手段与技术同步创新，推动人工智能文本分类器、生成式人工智能检测方法等的创新。三是提升监管人才的技术素养。相关部门应加强对监管人员的培训与继续教育，提高他们对人工智能技术的理解和运用能力，以做出更加科学、合理的监管决策。四是建立多方合作的治理格局。有关主管部门应与人工智能领域科研院所、企业加强交流合作，汲取更丰富的专业知识和各方面意见，共筑多方参与、稳步可控的发展治理格局。

一是探索建立超出一定规模参数量的大模型训练备案机制，减少同质化人工智能大模型无序竞争。二是要探索建立人工智能大模型安全性和可靠性评估标准，提出具体的技术标准和评估准则，确保各类人工智能大模型能够在各个应用场景中稳定、可靠运行。三是对人工智能大模型的应用场景进行分类管理，明确不同类型人工智能大模型的使用范围和限制，避免不当应用带来的负面影响。