亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

AI編程：重構代碼編寫的范式。AI編程已經成為AI發展的一個重要的細分領域，正在逐步賦能編程工作的各個方面，包括代碼自動補全、代碼生成、測試驗收等。根據《2024年中國AI代碼生成市場觀測報告》，2023年中國AI代碼生成市場規模達到65億元，隨著規范化開發需求和中小型企業用戶對輔助開發工具的需求增加，預計到2028年，中國AI代碼生成市場規模預計將增長至330億元，年復合增長率達38%。 　　GitHub Copilot引領AI編程，智能體、多模態等技術持續提升行業潛力。 　　據2024年7月微軟財報電話會議所披露信息，Github Copilot的年度經常性收入（ARR）已經成功突破3億美元大關，ARR數值占Github當年整體增長的40%，已然成為推動Github業務拓展的核心驅動力之一。而對比2023年，Github Copilot在2023年的ARR約為1億美元。 　　2025年2月納德拉表示GitHub Copilot將all-in智能體，GitHub現任CEOThomas Dohmke表示自主SWE智能體也將融入GitHub用戶體驗。智能體將GitHub Copilot的體驗提升到人類程序員水平，在處理代碼問題時，無需開發者特別指定相關代碼，便可主動定位合適代碼并解決問題，如同為每個代碼庫配備了專屬的工程師，并且具有強大的自主能力，識別錯誤并自動修復。與此同時，Github Copilot也將實現“Vision”等功能，向多模態等方向不斷進發。 　　國內企業重點發力，大廠已實現在內部的大量應用。科技大廠中，以百度、阿里、字節的火山引擎為例，均在AI編程領域取得成績，在三方基準測試平臺Chatbot Arena公布的最新的大模型盲測榜單中，Qwen2.5-Max在數學和編程等單項能力上排名第一；截至2024年4月，Baidu Comate深度融入開發流程，參與了大量項目的開發工作，編寫了百度內部四分之一的代碼；在字節內部，豆包MarsCode已經覆蓋了70%以上的開發者，從編碼階段就開始為開發者貢獻代碼和技術解決方案。 　　上市公司中，卓易信息旗下艾普陽的SnapDevelop集成ChatGPT，在智能化時代引領IDE新發展；普元的低代碼開發平臺推動AI編程效率提升，同時與華為等國產化生態持續深入融合；截至2024年9月，商湯的代碼小浣熊個人用戶超過10萬人，實現了單日生成代碼量突破十億Tokens；金現代自身低代碼平臺持續迭代，已經積累多個重要政企客戶。

AIPC&手機是大模型落地的重要載體，顛覆傳統應用模式，AI進化加速端側落地，新一輪換機潮蓄勢待發。AIPC是算力平臺+個人大模型+AI應用的新型混合體，通過整合AI技術，提供個性化、智能化的服務，提升了傳統PC的功能和用戶體驗，成為未來計算平臺的重要發展方向。生成式AI手機是利用大規模、預訓練的生成式AI模型，實現多模態內容生成、情境感知，并具備不斷增強的類人能力。近兩年消費電子市場需求持續受壓。根據IDC數據，2022與2023年連續兩年全球智能手機、PC、平板電腦出貨量同比下滑，隨著AI的端側落地，AI手機、AIPC的推出有望打破消費電子近年來創新不足無法打動消費者換機的局面，有望推動消費電子換機需求的到來。根據CounterpointResearch預計，2024年全球生成式AI智能手機出貨量將超過1億部，2027年將達5.22億部，在整個智能手機出貨量當中的占比達40%，年復合增長率高達83%。IDC預計2024年將是PC的擴張年，全球出貨量將達到2.654億臺，比上一年增長2.0%，因為AIPC的推出，最終將推動市場在2028年達到2.922億臺，在2024-2028年預測期內的復合年增長率(CAGR)為2.4%。

　　硬件端：處理器架構變化，內存價值量提升。1）ARM架構因其低功耗的特點份額有望逐步提升，高通+微軟聯手發力推動WOA，Copilot+PC的推出可能是WOA的重要轉折點，根據counterpointresearch預測，2027年基于ARM架構的筆記本電腦市場份額有望達到25%。2）AIPC處理器異構計算成為共性，增加NPU本質是為了進行低功耗計算，NPU專為實現以低功耗加速AI推理而全新打造，并隨著新AI用例、模型和需求的發展不斷演進。引入NPU對于提升計算效率、降低能耗與成本具有重要意義。3）大模型的端側落地，同樣要求內存空間的提升，由此帶來內存需求的提升，單機價值量提升，根據集邦咨詢預測，DRAM于筆電的單機平均搭載容量年增率約12.4%，后續隨著AIPC量產后，2025年成長幅度會更明顯。 　 　　大模型端：輕量化小模型陸續推出，多模態大模型改變人機交互體驗。端云混合有望成為未來AI計算的最終解決方案，AI落地終端具有必要性。據高通《混合AI是AI的未來》，AI落地終端能夠在全球范圍帶來成本、能耗、性能、隱私、安全和個性化優勢。大模型壓縮技術使得復雜大模型在端側運行成為可能，多模態大模型，如GPT-4o和ProjectAstra，使得人機交互變得更加自然，豐富AI應用場景。 　　AI落地端側為產業鏈各環節帶來投資機會，首推比亞迪電子，建議關注蘋果、高通、微軟、聯想集團。從硬件層面來看，CPU是核心，高通具備先發優勢，有望在intel和AMD的產品尚未滿足微軟AIPC要求的情況下，率先搶占部分市場；從系統軟件層面來看，微軟copilot滲透率迅速提升，形成正向循環，一方面可以促進其windowsOEM業務增長，另一方面同樣可以促進其云業務需求；從整機組裝環節來看，比亞迪電子受益其海外大客戶落地AI，有望推動其手機出貨量，此外AI落地端側，推動消費電子景氣度復蘇，公司消費電子組裝和零部件業務有望受益；從品牌運營的角度來看，建議關注聯想集團，公司率先布局本地大模型，AIPC有望帶動公司智能設備業務恢復增長；此外建議關注蘋果，自身在硬件、軟件生態、終端產品具備一體化優勢，蘋果AI正式落地，多環節有望受益。

在當下新一輪科技革命和產業變革加速發展的背景下，數據已成為新的生產要素，算力成為新的基礎能源，而人工智能則成為新質生產力。2024年的政府工作報告中，明確指出要深化人工智能應用，并首次提出開展“人工智能+”行動。該行動打開了新質生產力的大門，人工智能正在成為產業創新的關鍵抓手。尤其是以大模型為代表的生成式AI技術，已成為推動新一代產業變革的核心動力。 為抓住此次技術機遇，企業開始積極嘗試將生成式AI融入工作流程，以探索各種創新可能性。生成式AI已經成為企業各個層面關注的焦點，CEO寄望于新技術成為公司業績增長的引擎而員工則期待新技術成為他們創意性工作的源泉。在這個變革的時代，企業不斷努力將技術機遇轉化為競爭優勢，不斷拓展業務領域，迎接未來的挑戰。 對于企業而言，探索生成式AI應用落地是一項具有挑戰性的任務。本報告提出了生成式AI應用場景矩陣，用以協助企業完善自身可落地應用場景。同時，報告還基于落地實踐經驗總結出生成式AI應用落地路線，指導企業遺選適合自身情況的落地方式。結合Gartner的產業技術研究，本報告力圖為企業帶來騰訊云的思考、實踐經驗與建議，希望幫助企業捕捉這一歷史性新機遇，譜寫第二增長曲線。 大模型技術發展迅速,激發企業生成式AI應用需求 伴隨2022年末ChatGPT的問世，以大模型為代表的生成式AI技術得到各行各業的高度關注和熱議。最早由谷歌提出了Transformer架構，隨后，谷歌相繼發布了基于Transformer架構的Bert、T5等預訓練模型，同時OpenAl也推出了GPT預訓練模型。模型的參數量迅速提升至千億甚至萬億級別，成為超大規模參數模型，同時通過對豐富知識數據的學習，大模型技術在泛化能力、多模態能力、開放域交互和模型可解釋性等方面均有巨大提升。 2020年，GPT3.0發布，在文本生成方面的能力表現優異。其生成的文本準確、連貫，并且更加貼近人類的表達方式，這使得大模型在內容創作、對話交互等場景具備實用性。2022年，Midjourney發布，大模型的圖像生成能力得到廣泛認可，應用于廣告、游戲等創意設計場景。2024年，Sora發布，可以根據文本、圖像生成通真且具有想象力的視頻。教育和娛樂等行業正在積極應用Sora制作視頻。 大模型技術發展帶來的生成式AI效果提升催生出了新的場景和產業模式，企業探泰生成式AI的需求迅速增長。 根據Gartner對822 位企業領導者進行的“2024 年新一代人工智能規劃“調查顯示，絕大多數正在實施或積極計劃實施生成式AI的企業高管已經預期或實現了實施收益。平均而言，受訪者調查報告:收入增加 15.8%，成本節約 15.2%，員工人數減少4.6%，生產率提高 22.6%。" 來源：騰訊云&Gartner

全球AI大模型高速發展，算力需求高增驅動AI服務器三年CAGR約為29%的增長，帶動算力芯片與光模塊產業鏈受益。2023年以來，以ChatGPT、Sora為代表的多模態AI大模型橫空出世，標志著人工智能技術已經進入一個新的紀元。未來，通用人工智能（AGI）有望集多模態感知、大數據分析、機器學習、自動化決策于一體，重塑人類工作和生產生活的方式，引領人類步入第四次工業革命。算力的高速增長需要更多的AI服務器支撐，2023年全球AI服務器約85.5萬臺，到2026年預計將達到236.9萬臺，CAGR為29.02%，從而驅動AI算力芯片與配套的光模塊產業高增長。

　　GPU是常見的AI芯片種類，AI芯片一般占據AI服務器成本70%左右，國產算力芯片在海外壟斷格局下有望實現國產替代。AI芯片按照技術架構和應用需求可分為GPU、FPGA、ASIC和類腦芯片四大類，GPU是多功能的并行處理器，由于其通用程度高、軟件生態豐富、制造工藝相對成熟，是目前最為普遍的AI芯片類型，占到中國AI運算市場的約89%。GPU是AI服務器的核心，約占近90%AI芯片市場份額，其價值量占AI服務器高達70-75%。2023Q4英偉達、AMD、英特爾分別占據全球GPU市場份額是80%、19%、1%。中國AI算力在文心一言、訊飛星火、通義千問等大模型支持下，長期需求規模較大。 　 　　HBM一定程度解決了算力增速大于存儲增速的內存墻問題，由于其極高帶寬、低功耗、小體積優勢，成為GPU顯存的最佳方案，隨著AI算力芯片的高增長，HBM飛快發展，國內相關產業鏈企業或將受益。近幾十年來，處理器的性能以每年大約55%速度快速提升，而內存性能的提升速度則只有每年10%左右。不均衡的發展速度造成了當前內存的存取速度嚴重滯后于處理器的計算速度，內存瓶頸導致高性能處理器難以發揮出應有的功效。HighBandwidth Memory，即高帶寬內存，是一種新興的DRAM解決方案。HBM具備極高帶寬：達到1T/s；體積減小：比GDDR降低94%的尺寸；低功耗：高度集成后比GDDR擁有更小的電壓與功耗。這些顯著優勢促使HBM快速發展，目前全球主要被韓美企業壟斷，國內廠商紛紛布局，適合國產HBM發展的產品即將問世。 　　光模塊受益算力需求高增長，我國模塊封裝能力成熟，或將受益高速光模塊需求增長，同時受益光芯片國產化進程。光模塊用于服務器或者數據中心的高速互聯，主要下游在電信與IDC，隨著AI服務器發力發展，數通光模塊在2026年或將占據60%份額。全球TOP10大光模塊企業中，中國大陸占據5家，封裝能力全球領先。從光模塊成本結構看，光模塊器件占據了光模塊73%的成本，而光芯片與電芯片占據光器件的主要成本，高端光芯片（25G以上）國產替代率較低，國內企業在2.5G和10G光芯片領域基本實現了核心技術的掌握，國產化率分別為90%和60%，但是25G光芯片國產化率為20%，25G以上光芯片國產化率僅為5%，國產替代空間較大。

近期，OpenAI的Sora的橫空出世再一次引發市場對AIGC的關注，文生視頻領域取得重大突破，效果遠超預期。我們將圍繞Sora的核心優勢、技術特點、行業影響、未來趨勢等方面進行闡述。 　　相較于此前的文生視頻模型，Sora取得哪些突破？ 　　近期，OpenAI發布了文生視頻模型Sora，可以用文字指令生成長達1分鐘的高清視頻。相較于此前市場上的同類模型，如Runway、Pika等，Sora的生成效果有大幅提升，遠超預期： 　　首先，視頻長度方面，Sora可以生成長達60秒的視頻，長度遠遠大于其他AI視頻模型的幾秒鐘長度。 　　其次，Sora在視頻內容質量穩定性方面有大幅的提升，鏡頭多角度切換，視頻中的主角和背景能夠保持高度一致性和穩定性。 　　此外，Sora還展示了其對物理世界部分規律的理解，這也是一重大突破，甚至能夠實現一定程度的物理交互。 　　Sora的核心優勢和技術特點體現在哪些方面？ 　　Sora的技術優勢在于“Patches”和深度語言理解。Sora是一個在不同時長、分辨率和寬高比的視頻及圖像上訓練而成的擴散模型，同時采用了Transformer架構。Sora模型的技術優勢和特點主要在于： 　　視覺數據Patches化：相較于大語音模型把所有的文本、符號、代碼都抽象為Tokens，Sora則把視頻抽象為Patches（補片），是一種具備高度擴展性且適用于視頻和圖片生成式模型訓練的有效表示； 　　視頻壓縮網絡（Video compression network）：將原始視頻進行壓縮，從而降低視覺數據維度，用于訓練并生成視頻； 　　時空補片技術（Spacetime latent patches）：給定一個壓縮的輸入視頻，模型提取一系列時空補片（patches），用于對不同分辨率、時長和長寬比的視頻和圖像進行訓練； 　　擴展Transformer視頻生成：Sora是一個擴散Transformer模型，通過輸入噪聲patches訓練來預測除噪的原始patches。OpenAI在這項研究中發現，擴散型Transformer同樣能在視頻模型領域中完成高效擴展； 　　視頻多樣化：相較于一些模型使用標準尺寸視頻用于訓練或生成，Sora能夠處理不同分辨率、時長、寬高比的視頻，在采樣靈活性、改進框架和構圖方面有顯著優勢； 　　語言理解：基于GPT模型的深度語言理解，能夠更加準確地理解提示詞所表達的真實需求； 　　圖生視頻、視頻生視頻：除了文生視頻外，Sora也能夠通過輸入圖像和視頻用于生成視頻，能夠實現靜態圖片動態化、視頻向前和向后拓展、視頻編輯等能力。 　　Sora模型對哪些行業影響更大？ 　　Sora最直接的影響主要是對視頻行業造成沖擊，這將對于廣告業、電影預告片、短視頻行業以及游戲帶來顛覆。Sora大大降低了視頻制作的門檻和成本。 　　對于國內AI創業公司的影響：和ChatGPT一樣，我們認為Sora的出現也會吸引國內玩家追隨，但由于文生視頻模型的訓練難度和成本更大，準入門檻也進一步提高。 　　Sora影響最大的將是短視頻行業，未來或將極大地提升內容供給及創作質量，尤其是流量熱點驅動的內容，或將進入“全民創作”時代。同時，文生視頻技術或將為當下熱門的短劇市場帶來變數，短劇重心有望回歸高質量劇本創作。 　　長視頻由于對內容質量等專業化要求較高，AI生成視頻在精準度、可編輯性等方面仍需進一步打磨，高額的成本也或是短期應用落地阻礙，但長期來看其未來發展空間足夠廣闊。 　　對于游戲行業，Sora模型有助于進一步提高開發效率。文生視頻能力可降低游戲CG和PV制作成本，可用于豐富游戲劇情和故事情節，提升玩家代入感。 　　視頻相較于文字而言，對于算力的需求將會是幾何式的增長。我們認為算力限制可能是影響文生視頻類應用開放使用的重要因素。 　　2024年AIGC行業有哪些趨勢？ 　　多模態模型或在2024年迎來爆發。此前大模型在各個領域的應用，主要集中在文生文、文生圖之上，而在文生視頻領域卻進步緩慢。此次文生視頻模型Sora的發布，將給長短視頻，游戲和廣告行業帶來顛覆性創新。隨著文生圖、圖片對話技術的成熟，文生視頻已成為多模態大模型下一步發展的重點。大模型領域的競爭將進一步白熱化，多模態大模型將成為生成式AI的重點發展方向，并有望推動本輪AI行情進一步擴散。 　　除了在計算機視覺、自然語言處理等特定領域模型的發展，多模態大模型的進一步交叉融合或將成為未來重要的應用方向。未來人與機器之間的交互方式將更加豐富，或通過文字、視覺、語音等多維度溝通，進而提升效率。AI所創造的虛擬世界與現實世界的邊界逐漸模糊，逐漸向AGI方向邁進。

大模型演進：工業革命級的生產力工具。目前，ANI已經廣泛應用，AGI處于研發階段，大模型是實現AGI的重要路徑。AI大模型通過預先在海量數據上進行大規模訓練，而后能通過微調以適應一系列下游任務的通用人工智能模型。在“大數據+大算力+強算法”的加持下，進一步通過“提示+指令微調+人類反饋”方式，實現一個模型應用在很多不同領域。人工智能的發展已經從“大煉模型”逐步邁向了“煉大模型”的階段，逐漸掀起多模態和多場景革命，重塑AI技術范式，提升模型能力天花板，應用價值顯著提升。大模型現狀：GPT引領，百模征戰。（1）ChatGPT加速迭代：從GPT-1至GPT3.5跨越4年多時間，ChatGPT發布僅一年，GPT迭代開啟“加速度”，現已具備多模態能力，并搭建GPTs生態，將定制化模型從ToB推廣到ToC，低門檻、低成本、定制化的特點，使得GPTs具備普及性和顛覆性。（2）他山之石：據業界不完全統計，23H1硅谷在人工智能領域共完成了42起融資，總金額約140億美元（占世界總融資金額的55%），應用方面的投資金額僅次于大模型，垂類場景應用的融資中對話機器人占據絕對優勢。（3）國內大模型：科技型企業包括人工智能企業、垂直大模型企業和數據智能服務商相繼進場，如商湯科技、度小滿和滴普科技等企業，以百度、騰訊和阿里為代表的互聯網云廠商占據中國通用大模型行業多數市場份額，在布局時間、基礎設施建設、應用場景等方面具備明顯優勢。（4）爆款應用：基于ChatGPT的火爆和大模型的迭代發展，海內外AI在對話、圖像、教育、辦公等多個領域出現爆款應用。大模型未來：應用多點開花，產業智能躍遷。（1）內容變革：擁有通用性、基礎性多模態、參數多、訓練數據量大、生成內容高質穩定等特征的AI大模型成為了自動化內容生產的“工廠”和“流水線”，隨著 GPTstore 的出現， AI 大模型將迎來自己的“APP Store”時代，AIGC 商業應用的前景愈發廣闊。（2）模型演繹：多模態模型核心目標是模擬人類大腦處理信息的方式，以更全面、綜合的方式理解和生成信息，底層通用大模型目前成為最受關注、建設和提升迫切性最強的領域，中間層模型國內目前尚未出現相關玩家。（3）AIGC主流的營收模式可分為四種：MaaS、按產出內容量付費、軟件訂閱付費、模型定制開發費。目前，按照產出量收費的模式占據主流，但隨著底層模型即AIGC生態的建立，最具長期增長潛力并將占據主要市場規模的為MaaS模式。據量子位預測，2023年AIGC不同商業模式規模約170億元，預期2026將翻一番，2030年有望突破萬億市場規模。

中國AI領域投資與研究能力齊頭并進，重點行業滲透超50%，未來3年圖像、視頻單點技術布局加碼。

　　2022年全球AIGC市場規模為107.9億美元，PrecedenceResearch預計，2030年將達到約731.6億美元，復合增長率27%。IDC預計，2026年中國AI投資規模將達266.9億美元。中國占據亞太AI市場主導地位。2021年中國AI領域私募投資據全球第二，AI相關期刊、會議和文獻總量超過美國。如今，人工智能在中國互聯網、金融、政府、電信行業滲透率均已超過50%。未來3年ARVR、視頻分析、知識圖譜、自然語言處理將成為AI單點技術主要發力點。

　　未來科技公司領航+應用層多點開花實現飛輪效應。產業鏈中間層隨AIGC應運而生，此處或誕生新的AI+創業機會。

　　科技大公司將資源投入與主營業務結合，打造自己的大模型掌握行業定價權，實現自生生態更好的發展。創業公司適合利用早期生態蠻荒期，抓緊建立創新產品和產品壁壘的時間窗口，接入大廠模型結合特定領域數據集二次訓練，完成垂直應用端場景的商業價值落地。分工化讓應用層成本下降，對科技大廠來說減輕服務產業客戶的難度，且打破過去AI產業難商業落地的困境。 　

3月21日晚，英偉達召開2023年開發者大會。正如英偉達CEO黃仁勛所言，我們正處于AI的“iPhone時刻”。ChatGPT帶給我們的巨大驚喜只是AI能力圈的冰山一隅， 我們基于當下時點，探尋AI的能力圈，發現AI的潛在場景。

**①AI+計算機 =“程序員”。生成式 AI 是一種新型計算機，一種基于人類自然語言編程的計算機。ChatGPT可以根據精確或模糊的自然語言，了解用戶的意圖，并生成本文，寫備忘錄和詩歌，改寫研究論文，解決數學問題，甚至編寫軟件。借助Debuild，用戶只需說明自己想要的內容即可設計和部署Web應用；Tabnine可幫助開發者編寫代碼；AI將整合百萬級程序員的智慧，幫助我們構建虛擬世界。AI可以建立強大的搜索機制，在海量內容中完成精細化的搜索。

②AI+醫療 =“藥物研發”。醫療設備將由軟件定義，由AI賦能。目前醫療行業正轉向利用生成式 AI 來發現疾病靶因，設計新型分子或蛋白質類藥物，以及預測藥物對機體的作用。Medtronic搭建醫療設備AI平臺，覆蓋手術導航到機器人輔助手術的應用場景，今年年底推出的GI Genius系統將利用AI實現早期結腸癌檢測。Insilico利用AI加速藥物設計；Absci使用AI預測治療抗體。

③AI+傳媒=“設計師”。**生成式AI正逐漸轉向多模態，圖像、視頻和3D等生成式AI正在悄然變化。Kore.ai可以實現虛擬客服；Jasper可以生成營銷材料，目前已經完成50萬億字的編寫，將初稿生成時間縮短80%；Omneky可生成定制化廣告和文案；Stable Diffusion 致力于文本轉圖像；Runway借力AI賦能視頻生成和編輯，并已經在奧斯卡提名的好萊塢電影中的得到應用；此外，AI可以通過快照構建3D建模，應用于房屋設計、服裝設計等方面；AI將虛擬形象提升至更高的現實水平。同時，在音樂領域，AI將文字賦予生命力，譜寫旋律。

**④AI+制造=“數字生產”+“工藝突破”。**AI可以成為虛擬世界與物理實體之間的橋梁。 “數字孿生工廠”可以在實體工廠建成之前整合所有資源，實現降本增效。“數字孿生產品”可以將汽車零部件在虛擬環境中完成組裝。“數字場景”可以將駕駛路線、環境場景重構為3D，用于訓練機器人和自動駕駛。

**AI加速技術引領工藝突破，**NVIDIA推出的計算光刻庫——cuLitho，與臺積電、ASML和Synopsys密切合作，將計算光刻加速40倍以上。計算光刻是芯片設計和制造領域中最大的計算工作負載，H100的生產需要89塊掩模版在CPU上處理兩周，如果在GPU上運行cuLitho將時間縮短至8小時。cuLitho將有助于晶圓廠縮短原型周期時間、提高產量、減少碳排放，為2nm及更先進的工藝奠定基礎。

**⑤AI+科研=“科學家”。**將AI應用在大型對撞機中以解釋宇宙等議題；讓人類以全新視角了解太陽，來建立風險預警機制。生成式 AI 將重塑幾乎所有行業。許多公司都可以使用某個即將上市的生成式 AI API，一些專業領域的公司需要使用其專有數據來構建定制模型。繼PC時代的“Macintosh時刻”、移動設備的“iPhone時刻”，AIGC時代的“ChatGPT時刻”已經掀起第三次科技浪潮，看好AIGC下游應用市場、算法和底層算力。轉編機器之心機器之心編輯部

在今年的 GTC 上，NVIDIA 創始人兼首席執行官黃仁勛與 OpenAI 聯合創始人、首席科學家 Ilya Sutskever 進行了一場深度對話，討論了 GPT-4、ChatGPT 背后的故事，也聊了下深度學習的未來。

如今，OpenAI 可以說是整個 AI 領域最火的研究機構。憑借強大的 GPT-4 以及與微軟必應、Office 等產品的融合，這家公司似乎要掀起一場生產力革命。這一成就是由多方面的力量來驅動的，包括聰明的頭腦和強大的基礎設施。在「聰明的頭腦」里，Ilya Sutskever 頗具代表性。2012 年，他和他的導師 Geoffrey Hinton 以及同學 Alex Krizhevsky 一起，用深度神經網絡刷新了 ImageNet 的歷史記錄，拉開了卷積神經網絡統治計算機視覺的序幕，標志著新一波人工智能浪潮的開始。2021 年，這個名為 AlexNet 的論文被引量突破 10 萬。「為了加速訓練，我們用到了非飽和神經元和一個非常高效的 GPU 卷積操作實現。」Ilya Sutskever 等人在 AlexNet 的相關介紹中提到了這樣一條關鍵信息。他們還詳細說明了如何將他們的網絡映射到多個 GPU 上。從這時起，GPU 和神經網絡緊緊地綁定在一起。黃仁勛領導的英偉達自然也成了這波 AI 浪潮中不可或缺的一環。2015 年，Ilya Sutskever 參與創辦了 OpenAI，并帶領這家公司一路向著 AI 大模型的方向前進。但隨著模型變得越來越大，訓練它們所需的算力也急劇增長。「加速計算并非易事，2012 年，計算機視覺模型 AlexNet 動用了 GeForce GTX 580，每秒可處理 262 PetaFLOPS。該模型引發了 AI 技術的爆炸。十年之后，Transformer 出現了，GPT-3 動用了 323 ZettaFLOPS 的算力，是 AlexNet 的 100 萬倍，創造了 ChatGPT 這個震驚全世界的 AI。嶄新的計算平臺出現了，AI 的 iPhone 時代已經來臨。」黃仁勛在 GPT 大會的 Keynote 中說道。在這次大會上，英偉達發布了 ChatGPT 專用的 GPU，推理速度提升了 10 倍。一路走來，Ilya Sutskever 和黃仁勛都是這波 AI 浪潮的見證者和重要推動者。在即將到來的「AI iPhone 時代」，兩人也必將扮演重要的領導者角色。在這場對話中，兩人談到了深度神經網絡的能力、限制和內部工作方式，并勾勒了一些未來的圖景。在打造 GPT-4 的過程中，Ilya Sutskever 堅信「（模型）越大越好，擴大規模是 OpenAI 的目標之一」。這自然是黃仁勛喜聞樂見的。 I had a very strong belief that bigger is better, and a goal at OpenAI was to scale. ——Ilya Sutskever兩人的談話進行了大約 1 個小時，就像老朋友邊喝咖啡邊聊天一樣。以下是這次談話的完整視頻（帶中文字幕），大家可以在其中感受時代的脈搏。

英偉達博客：//blogs.nvidia.com/blog/2023/03/22/sutskever-openai-gtc/ 視頻鏈接：

ChatGPT引領AI技術新一輪熱潮，預示著NLP技術有望迅速進入平民化應用時代。2022年11月30日，OpenAI公司上線了聊天機器人模型ChatGPT，迅速引發了全球的熱潮。ChatGPT是一種預訓練的語言大模型，采用大量的參數和大量的數據進行訓練，基于人類反饋的強化學習算法，將NLP技術和機器學習結合，極大地提升了模型算法的效率和能力。隨著ChatGPT的熱度不斷攀升，多家科技公司都開始布局ChatGPT相關技術領域，NLP技術有望迅速進入平民化應用時代。

　　ChatGPT具有良好的商業價值，未來應用空間廣闊。ChatGPT相關技術不僅對眾多的C端應用帶來革新，同時也將對B端應用產生重大影響，企業數字化轉型有望真正從數字化走向智能化，ChatGPT在企業辦公中的應用，具備很大的想象空間。我們認為，協同辦公類應用作為企業各類應用的入口，同時具備知識管理、流程引擎等功能，具備很強卡位價值，在把ChatGPT技術引入后，可以極大提升產品的功能與應用體驗。員工僅需給出想要辦理的流程，由ChatGPT進行智能化辦理，從而改變過去員工需要自行在OA、ERP及業務系統中完成信息錄入、功能查找、業務辦理的現狀，將極大地提升辦公效率和使用體驗。目前微軟已經將ChatGPT應用到了Dynamics365、Teams等產品線，未來將要應用到Bing搜索中，未來的商業價值空間十分可觀。 　 　　AIGC有望成為未來人工智能的重要方向，商業化模式仍需摸索。AIGC即人工智能內容生成，ChatGPT就是典型的文本生成式的AIGC，其目前的成功也有望帶動AIGC在圖像、音樂、視頻等其他領域落地。Gartner曾多次將生成式AI列為未來的重要技術趨勢，是當下最引人注目的人工智能技術之一。據Gartner預計，到2025年，生成式人工智能將占所有生成數據的10%，而目前這一比例還不到1%。隨著ChatGPT開啟付費訂閱試點，AIGC的商業化進程正式拉開帷幕。據量子位報告統計，到2030年，AIGC的市場規模將超過萬億人民幣，但由于AIGC目前產業化程度有限，大量業務場景尚未成功變現，商業模式也還處于探索階段。我們認為，在當下時點，AIGC基于其出色的降本增效能力，在企業級市場的應用前景較為明朗和穩定，在C端消費市場的商業模式仍需進一步摸索。 　

近期的TF Dev Summit 2020向我們展示了TF2與其及其龐大的學術、工業生態圈。目前TF2的核心庫接口已逐漸穩定，幾乎不會變動，并兼顧了友好性、效率及1.x代碼遷移等問題。另外，與之關聯的幾十套學術、工業生態系統也在逐漸成熟。

每年的TensorFlow開發者峰會（TF Dev Summit）是開發者了解TensorFlow新特性最好的途徑之一，近期舉行的TF Dev Summit 2020向我們展示了TensorFlow 2及其生態圈最新的發展情況。

從社區的活躍度、下載量等數據來看，目前TensorFlow仍處于飛速發展的狀態，且具有非常龐大的用戶群體：

自TF Dev Summit 2019之后，TF2及其生態圈發展的時間線如下所示：

在對之前的TF 2.0的反饋意見中，用戶認為用TF2.0具有非常友好的用戶接口，但在性能方面依然有提升空間。另外，很多用戶希望能夠更方便地將TF 1.x代碼遷移到TF 2.x中。因此，目前的TF 2.2具有下面的特性： * 強調性能 * 與TensorFlow生態圈兼容 * 核心庫接口穩定化，基本不做變更

TensorFlow龐大的學術、工業生態圈是目前用戶熱愛TensorFlow的重要原因之一：

許多重要的學術成果都是基于TensorFlow實現的：

為了能夠讓使用者更好地分享實驗結果，TF官方提供了網站平臺： * //tensorboard.dev/

用戶可以通過URL的方式將TensorBoard中的實驗結果分享給他人，TF官方希望用戶可以在論文中以引用tensorboard.dev的URL的方式來展現實驗結果：

目前TF 2.x使得開發者可以實現復用性極高的代碼，例如TF 2.x核心中的Eager Execution可以直接支持通用的numpy，另外tf.data允許我們定制可復用的數據處理流程。TF官方也為我們提供了TensorFlow Datasets，它包含了一系列直接可用的數據集：

TF生態圈中許多的附加組件與擴展支撐了大量的科研工作，深受用戶的喜愛：

TF生態圈是AI工業界的重要支柱之一，它支撐了面向數十億用戶的AI應用：

通過Keras、TF Hub、TFX、Cloud TPUs等組件的支撐，使得我們可以在各種量級的工業產品中輕松地使用TF來落地各種想法：

TensorFlow Lite使得我們可以在真實復雜場景中（如網絡高延遲等）使用TensorFlow為產品服務：

最新版本的TensorFlow Lite相對于Google I/O 2019時又有了更進一步的性能提升：

開發者可以在Android Studio中通過簡單的拖拽生成用于對應模型的Java類：

TensorFlow.js生態圈也在飛速地發展：

MLIR是TF和其它深度學習框架的編譯基礎設施，它是工業界AI的通用解決方案之一，支持大部分的加速硬件：

新的TensorFlow 運行時（TFRT）為開發者提供了底層的基礎設施。開發者并不需要直接操作TFRT，作為基礎設置，TFRT使得我們可以在各種硬件上開發出高性能的TF應用。

TF生態圈使得我們可以更好地構建響應式AI：

社區也是TensorFlow生態圈的重要組成：

目前Kaggle比賽也開始支持TF 2.x，并為用戶提供免費的TPU和GPU：

新的DevPost挑戰：使用TF 2.x構建響應式AI系統：

TF社區也致力于教育，包括各種課程、證書等：

參考鏈接：