AIGC内容分享(二)：全球大模型技术与应用分析

目录

前言

人工智能技术回顾

AIGC近期动态梳理

1. 国内动态

2. 国外动态

3. OpenAI的关键动作

4. AIGC的技术变革

 AIGC的关键应用

1. AIGC应用背后的驱动力

2. AIGC的三大原能力

3.  AIGC的四大产品形态

大模型如何融入行业？

1. 通用行业融合

2. 垂直行业融合

---

前言

这篇文章主要阅读者是产品经理、业务负责人、AIGC核心参与者等。

现在AIGC技术发展太快，每天都有不同的变化。刚才我看Google发布的Gemini多模态能力，着实被惊喜（吓）到了：AI可以看图说话、理解和推理、预测事情的发展动态，简直无所不能。

所以这篇文章是想站在2023年底这个节点，系统性梳理下AIGC的技术现状和行业应用，方便我们对AIGC技术、产品和商业有个全局的理解。

警示: 不论行业热度如何，企业AIGC布局始终需要保持理性和克制。尤其针对关键业务环节投入，秉承先建数字基础设施，再引入大模型能力的原则；综合业务价值和成本投入，形成客观决议。

以下内容，敬请享用。

本文主要包含四个方向的内容：

● 人工智能技术回顾

● AIGC近期动态梳理

● AIGC的关键应用

● 大模型如何融入行业

人工智能技术回顾

人工智能的发展经历几次大的技术变革，总结起来主要有三个范式：逻辑学、概率论、深度学习。

1. 逻辑学：由逻辑规则构建的专家系统，这时候AI就像一位经验丰富的‘老专家’，能基于以往的经验提供解决方案。

这种模式带来的问题，是专家知识和经验总会有局限性，因此AI所能处理的问题也存在边界。

专家系统被广泛应用在不同的领域，例如在工业领域实现生产质量监控，生产过程控制等；在金融领域实现风险评估、投资决策等。

2. 概率论（机器学习）：由数据统计构建的概率系统，这时候AI就像一位能通灵的‘算命先生’，能基于概率分布提供决策辅助。

例如以贝叶斯网络，隐马尔可夫模型等为代表的概率统计算法逐步被应用后，形成ASR（语音识别）、NLP（自然语言处理）、CV（计算机视觉）、垃圾邮件监测、信用评估等领域。

3. 深度学习：由神经网络构建的决策系统，这时候AI就像一位有学问的‘智者’，能通过数据特征形成精准决策。

例如以小样本学习、强化学习、迁移学习为代表的深度学习框架已经成为移动应用的支撑。包括游戏AI、自动驾驶、智能推荐、内容生成、人脸识别等领域。

早期的逻辑控制、概率统计，包括深度学习主要以感知和理解世界，为人类提供决策辅助为主，因此也被称为‘决策式智能’。

‘决策式智能’的目标相对聚焦，主要通过特征抽象和映射关系解决单场景决策问题。例如过去AI下围棋、识别人脸都是决策式智能的应用范畴。

随着深度学习的广泛应用，逐步衍生出一种新的技术范式‘生成式智能’。‘生成式智能’主要以知识构建和推理演绎，为人类提供创造力支撑为主。

‘生成式智能’的目标更加泛化，主要通过推理能力和思维链的构建，解决跨域多场景问题。例如ChatGPT知识问答、代码生成，DALL-E的图片生成都属于生成式智能的应用范畴。

要