1.1.1 2024-2028年中国人工智能大模型产业影响因素分析

一、有利因素

（一）政策利好

2023年7月20日，中国气象局印发《人工智能气象应用工作方案（2023-2030年）》。《工作方案》提出，加快布局国产人工智能气象应用技术体系建设，启动气象预报大模型等新兴技术研发，研发大数据驱动的人工智能气象预报大模型、会话式气象预报和服务智能网络机器人系统，深入开展人工智能算法的机理解释研究。

2023年8月10日，工信部和财政部联合印发《电子信息制造业2023-2024年稳增长行动方案》。《行动方案》鼓励加大数据基础设施和人工智能基础设施建设，满足人工智能、大模型应用需求。

2023年10月20日，工业和信息化部印发《人形机器人创新发展指导意见》。《指导意见》提出，以大模型等人工智能技术突破为引领，在机器人已有成熟技术基础上，重点在人形机器人“大脑”和“小脑”、“肢体”关键技术、技术创新体系等领域取得突破。开发基于人工智能大模型的人形机器人“大脑”，增强环境感知、行为控制、人机交互能力，开发控制人形机器人运动的“小脑”，搭建运动控制算法库，建立网络控制系统架构。

2023年12月15日，国家数据局发布《“数据要素x”三年行动计划（2024-2026年）》。《行动计划》提出，以科学数据支持大模型开发，建设高质量语料库和基础科学数据集，支持开展通用人工智能大模型和垂直领域人工智能大模型训练。同时，北京、上海、深圳、安徽、四川等省市也陆续出台大模型产业发展措施，加速大模型应用落地。

（二）AI大模型进入“群模时代”商业化曙光初现

国内人工智能企业都希望把握住AI时代机遇，纷纷围绕通用大模型、行业大模型和专家领域大模型等提前布局，造就了“百模大战”。目前，人工智能大模型产业整体上处于 技术创新的活跃期。与早期的人工智能模型相比，2023年我国人工智能大模型在参数量上取得了质的飞跃，复杂任务建模能力整体提升，学习能力、泛化性更强，具备了更高层次的认知互动能力。当前紧跟ChatGPT的脚步，各大企业和机构纷纷加入人工智能大模型竞争中，包括百度、阿里巴巴、腾讯等互联网大厂，商汤科技、旷视科技等AI领域厂商，智谱华章、百川智能、达观数据等人工智能大模型初创企业，以及复旦大学、清华大学等高校机构。截至2023年10月，国内已经发布了238个大模型。此外相较于通用人工智能大模型，许多中小企业为在行业取得一席之地，也相继发布深耕行业、具有专业能力的垂直大模型。其中，蜜度发布智能校对领域“蜜度文修”，京东健康发布医疗健康行业的“京医千询”等金融大模型进一步推动人工智能从感知走向认知、从识别走向生成、从通用走向行业。

（三）人工智能大模型向多模态趋势进发

虽然目前各类人工智能大模型层出不穷，但不断优化升级，推动行业进步仍是各大互联网公司的主攻方向。当前，人工智能大模型由单模态向多模态升级已成为行业热点，多家公司多模态AI走红。2023年11月，OpenAI发布了GPT-4 Turbo并且开放了GPTs，再次颠覆行业，揭开AIGC应用生态序幕，建立统一的、跨场景、多任务的多模态基础模型会成为人工智能发展的主流趋势之一。多模态是实现通用人工智能的必经之路。模态数据输入可帮助模型能力和用户体验提高，允许多模态数据输出也更符合真实世界需要。在数据、算法及算力上的要求都要高于单模态，这一波自然语言大模型发展为其他模态提供了技术参考，人工智能大模型产业有望加速发展。

（四）人工智能大模型赋能与应用不断提升

人工智能大模型绝不应该只停留在炼金术阶段，要不断推动大模型的发展变成科学的大模型，只有跟行业深度融合才有可能真正的实现可持续发展。

首先是从通用大模型向垂直大模型的转型，人工智能大模型未来发展将趋于通用化与专用化并行。2023年6月，腾讯云首次正式公布行业大模型研发进展，并发布了面向B端客户的腾讯云MaaS服务解决方案。2023年7月，华为发布“不作诗只做事”的盘古大模型3.0，深耕政务、金融、制造、煤矿、铁路、制药、气象等行业。此外，面向旅游的“携程问道”、面向医疗的百度“灵医”大模型、面向教育的网易“子曰”大模型等也陆续发布。其中，金融行业的应用场景丰富，是最早进行数字化转型的机构，成为AI大模型落地应用的最佳场景之一。金融行业积淀了包括金融交易数据、客户信息在内的海量数据，良好的数据基础为AI大模型的落地应用提供条件。目前，生成和决策两类金融大模型，已在银行、证券等金融机构中实现落地。

二、不利因素

（一）数据质量和标注问题

人工智能大模型的训练需要大量的标注数据，然而标注数据的质量和数量都存在一定的问题。有些数据可能存在偏差和误导，有些数据则可能因为保密和隐私等问题无法获得。同时，由于标注数据需要大量的人工参与，也使得标注成本较高且难以实现自动化。

（二）大模型可解释性和可靠性问题

人工智能大模型往往非常复杂，难以解释其决策和行为的原因，这使得人们难以信任和使用大模型。同时，由于人工智能大模型的复杂性和巨量的参数数量，其可靠性和稳定性也存在一定的问题，需要进行更加严格的测试和验证。

（三）成本和计算需求方面有局限性

过去五年来，AI领域通常以参数的数量来衡量一个模型的能力。参数越多，通常意味着模型能处理更复杂的任务，展示出更强的能力。例如，最大模型的参数数量每年增加了十倍或更多，每次增加都带来了意想不到的能力扩展，如编程和翻译能力。所以大型神经网络模型通常被认为性能更优。

人工智能大模型使用的参数数量极多（有的超过1000亿个），每个参数都需要计算资源来处理。尽管大模型（如GPT系列）在技术上领先，但这些模型往往规模庞大且对计算资源的需求极高。每当大模型在能力上有显著提升时，大模型的训练和运行成本也急剧上升。即便智能大模型是开源的，许多研究者和小型企业也难以承担其所需的昂贵计算成本。不仅如此，许多AI研究者在这些模型的基础上进行迭代开发，以创造适用于新工具和产品的自己的模型，但大模型的复杂性也让其变得更加困难。

（四）国内外人工智能大模型的能力差距仍然存在

当前，我国与OpenAI的差距正在拉大，不是在缩小。在SuperCLUE测评中，GPT4-Turbo以总分89.79分遥遥领先，高于国内所有的大模型及国外的代表性大模型。国内得分最高的大模型是文心一言4.0，但距离GPT4-Turbo仍有15.77的分差。

现在国内主流的大模型的能力水平基本上在GPT3.5上下。

人工智能大模型的核心壁垒包括算力、数据、算法。只有极少的企业能够从头到尾地完成产业级研发。如今，模型参数指数级增长，训练所需算力巨大，千亿级别的通用大模型，训练一次就需要付出几千万的成本。当前国内已发布的大模型中，参数规模达到千亿及以上的厂商仅为10个左右。此外在美国最新一轮的封锁制裁下，国产化替代方案的需求更加迫切。但在很长一段时间内，芯片与算力仍会是国产人工智能大模型与ChatGPT之间一道巨大的鸿沟。

1.1.2 2024-2028年中国人工智能产业规模预测

2022年，我国人工智能产业规模达到5,080亿元；2023年，我国人工智能产业规模约达到5,452亿元。

我们预计，2024年我国人工智能产业规模将达到5,874亿元，未来五年（2024-2028）年均复合增长率约为6.30%，2028年将达到7,500亿元。

图表　 对2024-2028年中国人工智能产业规模预测

数据来源：中投产业研究院