国务院发展研究中心
提 要：人类社会已经进入人工智能时代。人工智能是一种具有重大颠覆性和革命性的新质生产力，其加速发展不仅将成为新一轮全球经济增长的引擎，也将成为影响科技、社会、军事、国际格局乃至人类未来的关键力量。综合各方面情况看，中美人工智能两强格局已初步形成，特有优势和潜力将使中国获得巨大的人工智能发展红利。中国人工智能政策可以按照“发展优先、守好底线、应用驱动、科技引领”的原则，重点从做强应用和发展技术两方面久久为功。
人工智能本质上是让计算机系统具有感知、认知、决策等类似人类智能的能力。大模型a是近年来人工智能发展的主流技术路线，已在相当程度上具有理解、推理、模仿、创造等能力。尤其是近两年，人工智能发展可谓“一日千里”。国际上关于“机器智能全面超越人类智能的‘奇点’时刻何时到来”的预测不断提前，5年前多数研究认为需30年以上，3年前则认为是在2030年之后，2024年初则有知名机构提出在2026年左右a。
一、人工智能的发展呈现四大技术经济特征
一是首个能够以自我组织、自我增强的方式高速迭代的颠覆性技术。工业革命史上，任何技术都不具备这一特征。《科学》杂志发表相关文章认为，人工智能技术研发借鉴了达尔文进化论的思想，致力于实现无须人工输入、自我迭代增强的智能模型b。由谷歌公司开发的围棋人工智能AlphaGo Zero可在40天内自我对弈约2900万次，获得了远超人类棋手的棋力。2024年年初，OpenAI发布的视频生成模型Sora，谷歌公司新一代多模态大模型Gemini以及Anthropic推出的Claude-3大模型都在模拟真实世界和迈向通用人工智能方面取得了超预期的突破。2024年8月，OpenAI的人工智能项目“草莓”被报道可自主进行互联网搜索，突破了“人工投喂数据”的流程瓶颈，能够自主生成高质量数据供大模型训练使用c。
二是赋能能力很强的“底座型”和通用型技术。大模型可以让知识生产的边际成本趋零。有市场研究指出，大模型可在秒级时间内完成创造动画角色、回答法律问题等任务，边际成本仅约0.1美分，而人类完成相似的知识生产活动可能需要1个小时，成本为100~500美元d。人工智能的应用成本显著低于互联网、固定电话等历史上的ICT技术，叠加其更显著的规模经济效应和开源开放特性，或将以前所未有的速度实现商业化扩散，从而激发多个产业部门“二次创新”，大幅提升生产力。麦肯锡咨询的研究认为，生成式人工智能将为全球经济每年额外带来2.6万亿~4.4万亿美元的增长e。
三是垄断性很强，“赢者通吃”局面正在形成。大模型训练的参数量、数据集和算力持续扩大，功能呈指数级攀升，与其通用性叠加将导致“强者恒强”“赢者通吃”效应，技术领先者的市场地位难以被撼动。如，GPT系列大模型训练的数据量已从2018年的9.8亿个单词增长至2023年的约13万亿个单词，增长超1万倍。越来越大且复杂的数据集意味着对先进算力的更高需求。据估计，2010—2022年全球最领先的人工智能项目使用的算力增加了100亿倍，算力需求每6个月翻一番a。这预示着大模型训练的资金和人才门槛越来越高，一般企业和机构难以承受，最强大的人工智能技术或将掌握在极少数企业或机构手中。斯坦福大学《2024人工智能指数报告》指出，GPT-4的开发成本估计高达7800万美元；2023年产业界开发了51个重要的机器学习模型，而学术界只有15个。2024年以来，德国、英国、欧盟、美国等多个司法辖区的竞争执法机构均表达了对微软与OpenAI、谷歌、英伟达等头部企业垄断行为的担忧，部分已启动反垄断调查。
四是“黑箱”特性突出。人工智能研发涉及的学科领域广泛且复杂，目前以深度学习为代表的理论基础尚不明确，即使是设计智能模型的研究人员也无法完全理解数据和算法交互后赋予机器的思考方式。尽管已有大量研究关注人工智能的可解释性，但尚未出现通用的解决方案b。深度学习等技术使大模型形成了超万亿级参数，但研发人员对内容生成过程难以准确调控，从而对人工智能治理能力构成了挑战。被誉为“深度学习之父”的图灵奖得主辛顿教授（Geoffrey Hinton）认为，人工智能最初是对生物大脑的模仿，但现在它可能与生物大脑是完全不同的智能形式，也必将在不远的将来超过人类c。
二、人工智能的发展呈现三大趋势
一是数据、信息、知识密集型行业将率先成为人工智能技术的主要应用场景，未来将成为经济社会发展的“新型基础设施”。数据化基础、智能化成本、容错率是影响人工智能应用的重要因素。麦肯锡咨询的调查（2023）显示，科技、媒体和电信，金融服务，商业、法律和专业服务行业的从业者在工作中经常使用生成式人工智能工具的比例分别为33%、24%和23%，而先进制造、能源和材料等行业的使用比例较低，分别为16%和14%。未来3~5年，大消费、信息通信、科学研究、金融等服务业的智能化进程将快速推进，而制造业智能化水平的提高则主要取决于数据可得性和成本优化的进程。
二是大模型之外的新技术路线将持续涌现。人工智能的技术轨道和产业生态尚未成熟，主导技术路线可能出现更替。随着可训练的数据量接近瓶颈，算力和能源短缺等问题日趋严重。《经济学人》杂志刊文称，互联网上可用的人类文本数据将在四年后，即2028年耗尽a。有研究预测，2027年全球人工智能相关的电力消耗可能会增加到850亿~1340亿千瓦时，与荷兰、阿根廷和瑞典等国家的年用电量相当，约占全球当前用电量的0.5%b。这些因素都可能导致大模型技术达到能力极限c。但对替代性和颠覆性技术何时出现，业内看法仍存分歧。同时，强化学习、知识计算、增量计算、轻量化模型等技术都在加快发展，可信人工智能发展也将提速。
三是将与其他前沿技术加速融合，催生更多科技新赛道。大模型与自动提示工具相结合加速了“智能体（AI Agent）”发展，先进制造、生命科学、量子计算机、区块链与人工智能结合催生了具身智能等通用机器人、类脑智能、精准医疗、智能合约等新赛道。例如，2024年OpenAI参与合作开发了一款名为Figure01的人形机器人，能够利用大模型进行视觉信息描述、记忆反思、推理解释和行动规划等活动。同期，全球至少有8家公司正在向人形机器人商业化的目标努力。据估算，人形机器人在物流搬运行业的成本约为12.5美元/小时，已初步具备经济性d。
此外，人工智能技术组织方式一直存在开源和闭源之争。目前最先进的人工智能大模型以闭源为主，但也有许多开源模型具有较大的发展前景。如，Meta、谷歌等科技巨头及部分顶尖科研机构、“独角兽”企业都采取完全或部分开源方式推动技术迭代赶超。
全球人工智能监管存在国别差异，尚未形成共识。2023年是人工智能监管“元年”，加快对人工智能的风险监管与立法规制已形成国际广泛共识，但由于人工智能技术能力和产业生态、法律体系、社会治理和价值观传统等国情差异，各国监管理念、立法节奏及监管手段不一。例如，欧盟于2024年3月正式通过了全球第一个全面的人工智能监管框架《人工智能法案》，基于风险的分级分类监管原则，明确了相关主体的禁止行为、透明度和数据治理义务以及监管执行要求。美国则更强调循序渐进的协同治理、鼓励私营部门参与制度建设，目前在联邦层面未形成统一的人工智能法规，主要通过对已有法律规定的“再解释”划定底线要求。