人工智能通识教程 课件 第16讲 第10章 展望

第10章

人工智能未来发展展望第10讲人工智能通识教程人工智能通识教程

本章导读：人工智能虽然已经具有普及应用的趋势，但总体来说，由于发展时间很短，目前仍然处于初级阶段。无论从算法、应用形态、工具等，均会以较快速度向纵深发展。了解未来发展趋势，有助于丰富我们的知识结构。第2页共21页人工智能通识教程（1）了解人工智能的来龙去脉；（2）了解大模型的未来发展可能方向；（3）了解小模型的未来发展可能方向。本章学习目标第3页共21页人工智能通识教程本章思维导图第4页共21页10.1人工智能何去何从？——从初级阶段到形态分化10.2大模型的未来展望10.3大模型的未来展望人工智能通识教程目录人工智能通识教程

ChatGPT的出现，将人工智能展现在大众视野，获得了极高的关注，揭开了通用人工智能新的篇章。视频1：ChatGPT语音对话视频2：通用人工智能机器人（自主决策）【视频：见电子资源CH10\ChatGPT语音对话.mp4，通用人工智能机器人.mp4】10.1人工智能何去何从？——从初级阶段到形态分化

图10-1：通用人工智能时代第6页共21页人工智能通识教程受限的场景，交互的缺失都昭示着人工智能仍处于初级阶段。图10-2狭义人工智能10.1人工智能何去何从？——从初级阶段到形态分化当前AI系统均属于狭义人工智能，虽然AI在感知层（图像、语音）已接近人类水平，但在认知层（推理、创造）仍存在显著差距，从“狭义智能”到“广义智能”还存在鸿沟。此外，从实验室到现实场景的落地的“最后一公里”也值得关注。第7页共21页人工智能通识教程混合智能架构是当前最具潜力的探索路径之一。这种架构通过融合不同AI范式的优势，并引入人类认知能力，正在突破传统单一模型的局限性。10.1初级阶段突破路径第8页共21页图10-3多模态认知融合图10-4人机协同进化机制我们必须清醒认识到：人工智能仍处于工具智能阶段，距离真正的通用智能存在代际差距。这一认知并非对技术的贬低，而是为了更理性地规划发展路径——在突破数据依赖、增强可解释性、构建价值对齐机制等方面持续深耕。只有正视当前发展的局限性，方能稳健迈向智能时代的下一阶段。图片来源：《APeekIntotheReasoningofNeuralNetworks:InterpretingwithStructuralVisualConcepts》2021CVPR图片来源：《Brain-computerinterfacetechnologyforrehabilitationexoskeletonapplications》2024人工智能通识教程10.1人工智能形态分化——高度融合的机器人系统第9页共21页高度融合的机器人系统（highlyintegratedroboticsystems,HIRS）是指通过多模态感知、自主决策和物理交互的深度集成，实现与动态环境实时互动的智能实体。图10-5机器人发展阶段第一代（1960—2000年）：Unimate机械臂，首次应用于汽车工业，通过自动化装配和焊接等工艺，极大提高了生产效率和精度，为汽车制造业带来了革命性的变化。第二代（2000—2010年）：Roomba扫地机器人通过内置传感器感知周围环境，避免碰撞和跌落，并通过优化路径算法高效清洁。该技术为智能家居市场奠定了基础，并引领了家用机器人发展的潮流。第三代（2010年至今）：BostonDynamics的Atlas机器人专为应对复杂地形而设计，通过先进的传感器和控制算法，能够在不平坦的地面上保持稳定并快速移动，甚至能进行跳跃、翻滚等动作。这使得它在复杂环境中表现出色，如户外运动、灾难救援和其他需要高度机动性的任务，展示了未来机器人在多变环境中的应用潜力。数据来源：《机器人4.0白皮书》人工智能通识教程10.1人工智能形态分化——高度融合的机器人系统第10页共21页在机器人3.0时代，服务机器人可以做到一些物体识别、人脸识别，在4.0时代需要加上自适应能力。因为用深度学习做物体识别、人脸识别的时候需要很多的数据来源，但是真正到家庭场景时没有那么多数据，这就要求机器人必须通过少量数据去建立识别能力，自己去找到不同的位置，不同的角度做训练。

2024年，国内智能机器人产业企业数量达45.17万家，注册资本共计64445.57亿元，企业数量较2020年底增长206.7%，较2023年底增长19.4%。图10-6机器人4.0时代（2020年-至今）数据来源：《机器人4.0白皮书》人工智能通识教程10.1人工智能形态分化——非机器人形态的人工智能第11页共21页非机器人形态人工智能（Non-embodiedAI）是指不依赖物理载体、以纯数字或算法形式存在的智能系统，其本质是通过数据流动与算力网络实现社会功能的深度重构。图10-7东南亚消费者对非机器人形态人工智能使用习惯（以生成式AI为例）图表来源：《AI产业全景洞察报2025》人工智能通识教程10.1人工智能形态分化——非机器人形态的人工智能第12页共21页图10-8未来两年中国企业对于生成式人工智能的预测分析当前，AI主要作为辅助工具应用于各行各业，但随着技术的进步，它将逐步融入更广泛的社会和经济系统，形成完整的生态环境。图表来源：《AI产业全景洞察报2025》人工智能通识教程

10.2大模型的未来展望10.2.1技术突破与架构创新：从规模竞赛到效率革命

1．‌大模型发展历程2023年，GPT-4以1.8万亿参数刷新模型规模纪录的同时，其高达6300万美元的训练成本引发行业深刻反思——单纯追求参数量的时代已接近尾声。当前，大模型技术正经历从规模竞赛向效率革命的范式转移。这一转型的核心在于通过架构创新、多模态融合与绿色计算的协同突破，构建更智能、更可持续的AI系统。第13页共21页第一阶段（2017-2019）：Transformer革命与早期探索，2017年，Google发表的《AttentionIsAllYouNeed》论文标志着深度学习进入全新纪元。Transformer架构通过自注意力机制（Self-Attention）彻底解决了传统RNN和CNN在处理长序列时的局限性，为后续大模型的发展奠定了根本性基础。第二阶段（2020-2022）：规模化突破，这一阶段的核心特征是模型参数量的爆炸式增长和训练数据的大规模扩展。GPT-3的发布证明了规模化是通向人工通用智能的可行路径，同时中国厂商开始在大模型领域密集布局。第三阶段（2023-2025）：多模态融合与智能体崛起，当前阶段呈现出三大显著特征：多模态能力的全面突破、长上下文处理能力的大幅提升、以及Agent化应用的蓬勃发展。技术架构从单纯的参数扩大转向效率优化，MoE（混合专家）架构成为新的主流方向。人工智能通识教程

2．‌大模型效率革命——从高碳消耗开始第14页共21页随着AI算力的逐步提升，能耗和成本也在逐渐增加，算力需求的增长的根本原因是为了训练AI模型。研究表示，其能源消耗及碳排放正在成为地球的“隐形负担”。排放类型用量占比耗水量~1.3-1.4亿吨~全球工业总用水量0.16%相当于9个西湖总水量碳排放1.8亿吨二氧化碳全球总排放量0.4%相当于4600万辆燃油车地年排放量耗电量4150亿千瓦时全球电力需求1.5%相当于英国全年用电量表10-12024年全球数据中心的能源消耗以OpenAI的GPT-4大模型训练为例，单次训练产生的碳足迹相当于300辆汽车的年排放量，耗电2.4亿度。

国际电信联盟2025年发布的《2025绿色数字企业》显示，由于数据中心对能源的巨大需求，四家以AI为核心业务的科技巨头——亚马逊、微软、Alphabet和Meta，其运营产生的间接碳排放量在2020年至2024年间平均增长了150%，算力密集型产业正面临“技术进步”与“环境责任”的双重拷问。表格数据来源：国际能源署《全球能源评估》人工智能通识教程

3．‌大模型

2．‌大模型效率革命——以零碳未来重构面对严峻的碳排放形势，科技巨头们纷纷制定了碳中和目标，并采取了一系列措施。例如，加大对可再生能源的投资、优化数据中心的设计、提高能源利用效率等。此外，开源协同模式也在一定程度上推动了绿色计算技术的发展。通过共享技术和经验，可以加速绿色计算解决方案的普及。同时，数据安全和企业部署的考量也驱动着科技公司在能源效率方面进行更多的投入。这些努力不仅有助于减少碳排放，也有助于提升企业的社会责任形象。通过以上绿色技术创新，单位算力碳排放强度已下降27%，绿色AI不仅是技术升级的方向，更是国家“十五五”期间实现数字经济与生态文明协同发展的核心抓手。2025年政府工作报告明确提出“开展人工智能+绿色低碳行动”，标志着政策与市场的双重红利期正式开启。图10-92021-2024年国家绿色数据中心的数量第15页共21页图表来源：2024国家数字发展报告人工智能通识教程10.2.2应用生态的扩展与重构：从通用基座到垂直深耕第16页共21页视频3达芬奇手术机器人视频4靶向给药机器人图10-10GitHubCopilo代码工具图10-11DeepSeek人工智能通识教程10.3小模型的未来展望第17页共21页10.3.1模型压缩技术：从“瘦身”到“强健”2023年，Meta发布的Llama2-7B模型以70亿参数实现接近GPT-3（1750亿参数）的80%性能（HuggingFaceOpenLLMLeaderboard），标志着小模型（参数<10亿）技术进入新纪元。在边缘计算、实时响应与隐私保护需求驱动下，轻量化技术正通过模型压缩、架构创新与数据效率革命重塑AI落地生态。图10-12AI小模型主要诉求与应用场景速度：比如像人脸闸机、人脸解锁手机等应用，对响应速度比较敏感，需要做到实时响应。存储：比如电网周边环境监测这个应用场景中，要图像目标检测模型部署在可用内存只有200M的监控设备上，且当监控程序运行后，剩余内存会小于30M。耗能：离线翻译这种移动设备内置AI模型的能耗直接决定了它的续航能力。

1．‌模型压缩缘由人工智能通识教程

2．‌模型压缩技术剪裁：类似“化学结构式的减肥”，将模型结构中对预测结果不重要的网络结构剪裁掉，使网络结构变得更加”瘦身“。量化：类似“量子级别的减肥”，神经网络模型的参数一般都用float32的数据表示，但如果我们将float32的数据计算精度变成int8的计算精度，则可以牺牲一点模型精度来换取更快的计算速度。蒸馏：类似“老师教学生”，使用一个效果好的大模型指导一个小模型训练，因为大模型可以提供更多的软分类信息量，所以会训练出一个效果接近大模型的小模型。神经网络架构搜索（NAS）：类似“化学结构式的重构”，以模型大小和推理速度为约束进行模型结构搜索，从而获得更高效的网络结构。第18页共21页人工智能通识教程10.3小模型的未来展望第19页共21页10.3.2数据效率革命：少数据，多智能

1．小样本学习小样本学习（few-shotlearning）是一种能够在极少数样本下进行有效训练的技术，旨在提高模型对新任务的适应能力。图10-13小样本学习发展历程方向应用场景多模态融合3D场景理解轻量化跨域迁移边缘设备动态特征建模医疗影像判别行特征增强目标检测、分类表10-2小样本学习未来发展方向

图片来源：《ASurveyonMachineLearningfromFewSamples》小样本学习综述人工智能通识教程第20页共21页2．合成数据生成合成数据技术可以很大程度上解决真实数据稀缺的难题，在工业缺陷、医疗影像等数据获取困难的领域中有着广泛的应用。图10-15医疗合成胸片图10-14工业合成器件这种生成式数据增强技术能够模拟多