《2024年全球人工智能简史》全面梳理了人工智能的发展历程，涵盖了从早期概念到现代大型语言模型的演进，以及人工智能在研发、融资和应用方面的现状与趋势。

人工智能发展历程

早期探索（19世纪 - 20世纪中叶）：语义概念提出，自然语言处理起步，人工神经网络研究开始，奠定了人工智能发展的基础。

技术发展（20世纪中叶 - 21世纪初）：计算机用于语言翻译，多种模型和算法相继推出，如Mark1感知器、ELIZA、SHRDLU等，推动了自然语言处理和人工智能的发展。

现代突破（21世纪初 - 至今）：统计语言模型、深度学习模型不断演进，图形处理单元（GPU）诞生，词嵌入技术发展，Seq2Seq模型、Transformer架构等推动了人工智能技术的巨大进步。大型语言模型如GPT、BERT等不断涌现，参数规模和性能持续提升。

人工智能研发与开源态势

研发投入与成果：2023年全球AI专利授权量大幅增长，中国在专利数量和生成式人工智能专利申请方面领先。全球基础模型数量激增，开源模型占主导，但美国企业在高价值模型贡献方面占据优势。

模型训练与成本：大模型参数和训练算力需求呈指数级增长，训练成本飙升，进入门槛提高。

人工智能领域投融资情况

全球投资趋势：风投资本大量涌入，美国是全球AI创投的核心，创业项目多且质量高。投资领域广泛，涵盖多个细分赛道。

中国创投特点：中国AI创投聚焦应用层，利用开源模型拓展场景，初创企业数量多，但影响力大的项目较少。

人工智能应用现状与趋势

应用普及与影响：2023年市场规模巨大且持续增长，应用工具在各地区普及程度不同，企业主对应用存在疑虑，但用户普遍认为AI对工作有积极影响。

应用面临挑战：许多人工智能项目难以扩展，数据质量和遗留数据架构是主要阻碍，数据孤岛、质量差和管道效率低影响计划实施。

生成式人工智能优势：企业积极研究，部分已实现规模化生产，能提升创新、产品推出和质量改进等，但也面临数据管理等问题。

基础设施决策因素**：AI加速器对性能重要，GPU云需求增长，但其可用性受限，组织在决策时需综合考虑多因素。

人工智能发展趋势展望

现实期望调整：生成式人工智能需调整期望，实际效果取决于多种因素，其在日常工作流程中的应用更关键。

多模态人工智能发展：模型将注重多模态输入，带来更直观应用和丰富信息，推动人工智能发展。

小型模型与开源进步：小型模型和开源力量增强，有助于实现人工智能民主化，降低成本，提高隐私安全性。

GPU短缺与优化趋势：GPU短缺和高成本将持续，模型优化技术不断涌现，企业需灵活应对。

定制模型兴起：企业可定制模型，利用开源模型适应场景，避免数据风险，提高竞争力。

虚拟代理拓展：虚拟代理功能将扩展，实现更多任务自动化，但多模态能力提升也带来新问题。

监管与合规加强：各国加强人工智能监管，企业需制定政策应对影子人工智能风险。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系