人工智能技术发展的五个主要分支
人工智能主要分支介绍通讯、感知与行动是现代人工智能的三个关键能力，在这里我们将根据这些能力/应用对这三个技术领域进行介绍：
·计算机视觉(CV)
·自然语言处理(NLP)
·在NLP领域中，将覆盖文本挖掘/分类、机器翻译和语音识别。
·机器人
1、分支一：计算机视觉计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。物体检测和人脸识别是其比较成功的研究领域。
当前阶段：
计算机视觉现已有很多应用，这表明了这类技术的成就，也让我们将其归入到应用阶段。随着深度学习的发展，机器甚至能在特定的案例中实现超越人类的表现。但是，这项技术离社会影响阶段还有一定距离，那要等到机器能在所有场景中都达到人类的同等水平才行(感知其环境的所有相关方面)。
发展历史：
2、分支二：语音识别语音识别是指识别语音(说出的语言)并将其转换成对应文本的技术。相反的任务(文本转语音/TTS)也是这一领域内一个类似的研究主题。
当前阶段：
语音识别已经处于应用阶段很长时间了。最近几年，随着大数据和深度学习技术的发展，语音识别进展颇丰，现在已经非常接近社会影响阶段了。
语音识别领域仍然面临着声纹识别和「鸡尾酒会效应」等一些特殊情况的难题。
现代语音识别系统严重依赖于云，在离线时可能就无法取得理想的工作效果。
发展历史：
百度语音识别：
距离小于1米，中文字准率97%+
支持耳语、长语音、中英文混合及方言
3、分支三：文本挖掘/分类这里的文本挖掘主要是指文本分类，该技术可用于理解、组织和分类结构化或非结构化文本文档。其涵盖的主要任务有句法分析、情绪分析和垃圾信息检测。
当前阶段：
我们将这项技术归类到应用阶段，因为现在有很多应用都已经集成了基于文本挖掘的情绪分析或垃圾信息检测技术。文本挖掘技术也在智能投顾的开发中有所应用，并且提升了用户体验。
文本挖掘和分类领域的一个瓶颈出现在歧义和有偏差的数据上。
发展历史：
4、分支四：机器翻译机器翻译(MT)是利用机器的力量自动将一种自然语言(源语言)的文本翻译成另一种语言(目标语言)。
当前阶段：
机器翻译是一个见证了大量发展历程的应用领域。该领域最近由于神经机器翻译而取得了非常显著的进展，但仍然没有全面达到专业译者的水平;但是，我们相信在大数据、云计算和深度学习技术的帮助下，机器翻译很快就将进入社会影响阶段。
在某些情况下，俚语和行话等内容的翻译会比较困难(受限词表问题)。
专业领域的机器翻译(比如医疗领域)表现通常不好。
发展历史：
5、分支五：机器人机器人学(Robotics)研究的是机器人的设计、制造、运作和应用，以及控制它们的计算机系统、传感反馈和信息处理。
机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件，比如定位、地图测绘和目标识别。
当前阶段：
自上世纪「Robot」一词诞生以来，人们已经为工业制造业设计了很多机器人。工业机器人是增长最快的应用领域，它们在20世纪80年代将这一领域带入了应用阶段。在安川电机、Fanuc、ABB、库卡等公司的努力下，我们认为进入21世纪之后，机器人领域就已经进入了社会影响阶段，此时各种工业机器人已经主宰了装配生产线。此外，软体机器人在很多领域也有广泛的应用，比如在医疗行业协助手术或在金融行业自动执行承销过程。
但是，法律法规和「机器人威胁论」可能会妨碍机器人领域的发展。还有设计和制造机器人需要相对较高的投资。
发展历史：
总的来说，人工智能领域的研究前沿正逐渐从搜索、知识和推理领域转向机器学习、深度学习、计算机视觉和机器人领域。
大多数早期技术至少已经处于应用阶段了，而且其中一些已经显现出了社会影响力。一些新开发的技术可能仍处于工程甚至研究阶段，但是我们可以看到不同阶段之间转移的速度变得越来越快。
猜你喜欢：
人工智能之个性化推荐之路
深度相机是什么？深度相机常见技术
如何解决分类中解决类别不平衡问题？
语言模型-BERT：bert算法介绍
传智教育人工智能培训课程
新一代人工智能的发展与展望
随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。
人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。
当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。
事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。
未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。
作者：徐云峰
catalogs:13000076;contentid:7688970;publishdate:2021-06-11;author:黄童欣;file:1623414511328-aff718d9-3742-46b0-b08c-e56bdd1ed8c8;source:29;from:中华读书报;timestamp:2021-06-1120:28:23;[责任编辑:]适应人工智能驱动科研新范式
当前，随着新科技革命和产业变革深入发展，人工智能技术不断突破并向科研领域广泛渗透，为科研工作注入了新元素、新动能，对科研效率提升和范式变革形成显著催化作用，现代科研活动由此更加高效、精准，“人工智能驱动的科学研究”已成为全球人工智能新前沿，必将为未来科技发展开启全新局面。
近年来，我国人工智能技术快速发展，科研数据和算力资源日益丰富，顺应新时代新趋势，利用新技术新优势，推动人工智能赋能科学研究恰逢其时、大有可为。
应用场景是新范式的孕育土壤和实训基地，人工智能技术与科学研究互动互促需要在诸多应用场景中反复实践、不断完善，随着应用范围不断拓展延伸，科研能力持续实现智慧升级。为此，以需求为牵引谋划人工智能技术应用场景，基于促进科学研究更加紧密拥抱人工智能技术，拓展人工智能技术在数学、化学、地学、材料、生物和空间科学等重大科学领域的应用。充分发挥人工智能技术在文献数据获取、实验预测、结果分析等方面的作用，围绕具有典型代表意义和辐射带动性的基础科学、应用科学领域，创造更多实战式应用场景，融合人工智能模型算法和领域数据知识，不断探索重大科学问题研究突破的新路径、新范式，持续积累可复制可推广的经验做法。
人工智能技术在科研活动应用中涉及多专业、多环节，离不开不同类型、不同链条主体机构的合理分工和有效协作。为此，要鼓励企业运用人工智能开展关键技术研发、新产品培育等科研活动，支持高校、科研院所、新型研发机构探索人工智能技术用于重大科学研究和技术开发的先进模式，培育壮大一批跨界技术转化和企业孵化机构、科研中介服务机构，探索多元主体合作协作新机制。面向重大科学问题的人工智能模型和算法创新，发展一批针对典型科研领域的“人工智能驱动的科学研究”专用平台，推动国家新一代人工智能公共算力开放创新平台建设，支持高性能计算中心与智算中心异构融合发展，鼓励各类科研主体按照分类分级原则开放科学数据。支持成立“人工智能驱动的科学研究”创新联合体，搭建国际学术交流平台。
适应性人才是新范式突破和推广的根本源泉。提高人工智能技术在科学研究领域的应用水平，既需要人工智能和相应学科的专业人才，也离不开跨领域复合型人才为跨界沟通协作提供高效支撑，这需要多渠道构筑相关人力资源引育平台和机制。为此，要多渠道培养和汇聚跨越人工智能和专业领域的复合型人才。支持更多数学、物理等科学领域的科学家、研究人员投身相关研究，鼓励普通高校、职业院校在人工智能学科专业教学中设置科技创新类专业课程，提升人工智能专业学生科研专业素养。鼓励开展相关人才培训，通过开设研修班、开展实践交流、组织专题培训等多种形式，培养一批人工智能与专业科研能力兼顾的复合型人才。鼓励地方政府、央企、行业领军企业通过“揭榜挂帅”、联合创新等方式支持相关优秀人才和科研团队开展智慧赋能科研工作。（张璐璐）
ChatGPT：人工智能的狂欢
介绍近期，OpenAI 发布的 ChatGPT 引起了全球范围内的广泛关注和热议。毫无疑问，ChatGPT 是人工智能领域的又一重要里程碑，各行各业都在试图利用其强大的自然语言处理能力来进行创新。本文旨在深入探讨 ChatGPT 在当前发展阶段对本地化、翻译、创译以及内容创作领域能够提供哪些价值。
人工智能的崛起商业运作与 AI的局限性许多专家将人工智能奉为解决所有问题的终极方案，承诺未来AI将接管大多数任务，带来前所未有的效率。然而，这种信仰伴随着 AI 技术的不断进步，很容易被商业运作所利用，使大众忽视了 AI 的局限性，从而导致不切实际的期望。
众所周知，AI 算法的质量取决于其训练数据，并且无法完全避免产生带有偏见、误导性甚至冒犯性的结果。这些局限性意味着在确保 AI 生成内容的质量和适用性方面，人类的参与仍然是必要的。因此，虽然 ChatGPT 非常强大，但并不意味着它会强大到完全取代人类。
人类参与的重要性AI作为辅助工具与人类经验相结合，可以显著改善流程和结果。在本地化和翻译行业，AI可以优化任务流程，减轻人的负担。然而，仅仅依赖于AI生成的翻译结果无法满足企业对翻译准确性和文化适用性的要求。
与 AI类似，人类的文化敏感性同样来自训练数据，这些“数据”包括的人的语气、微表情等多种因素，对于基于文本的 AI 如 ChatGPT 是无法获取的。因此，人类专家必须继续参与其中，提供有价值的见解，确保最终的输出准确且符合人的要求。
行业的最初反应拥抱变化，提升效率本地化与翻译行业最初对 AI持观望态度，担心激进地引入 AI 会造成翻译质量下降和误导客户期待。随着 AI 能力的不断提升，行业 AI 的解决方案日趋成熟，其在速度、成本效益和生产力方面的优势逐渐被人们接受。
混合方法
多数公司采用被称为机器翻译后编辑（MTPE）的混合方法，以结合人工智能和人类专业知识。这种方法使用 AI 生成翻译后，由人类语言学家进行审核和改进，兼顾了效率和质量。
向 AI 学习分析 AI 生成的内容随着 AI 的引入，行业逐渐认识到对 AI 生成的内容进行分析的重要性。通过对类似 ChatGPT这样的 AI 系统生成结果进行分析，识别算法中的模式、优点和缺点，进而改进 AI 的输出，或在后续检查中进行针对性处理，从而提高翻译质量。
增强人工智能与人类合作从人工智能中学习还包括了解与这些技术合作的最有效方式。通过识别哪些任务是 AI 擅长的，哪些需要更多人工的参与，专业人士可以优化他们的工作流程，节省时间和资源，同时确保高质量的输出。
通过流程与 QA 最大化 AI 价值优化本地化和翻译流程AI 可以简化本地化和翻译行业中的各种流程。例如，ChatGPT 可以用于对内容进行分类、转换文件格式、提取术语和检测人名、地名等实体信息或识别敏感内容等。通过自动化这些任务，AI 可以节省时间，提高整体效率。
提高内容质量基于 AI 的工具可以以多种方式增强源内容质量，例如拼写检查、提高可读性、简化技术语言以及针对特定受众习惯调整内容。这些改进可以带来更好的翻译和本地化内容。
译后处理和质量评估在译后处理阶段，AI 可以做很多事，比如根据受众年龄调整内容，优化用户界面以增强对用户的引导能力，规范日期格式，应用风格指南，改写字幕来适配口型等。AI 可以自动修正语法错误，根据用户指令识别性别偏见等与文化规范和敏感性相关地风险。
质量评估是另一个 AI 可以发挥重要作用的领域。专业人士可以使用基于 AI 的工具来识别不恰当的表达，校对术语，并评估翻译质量，从而在最终确定内容之前识别和解决潜在问题。
结论近期一些人过度推崇 ChatGPT 等新型 AI 工具，将其视为解决所有问题的终极解决方案。然而，这种愿景缺乏内涵，因为 AI 在本地化和翻译行业中已经找到了自己的位置，即作为人类经验的辅助工具，旨在实现更高效率的流程和更高质量的输出。随着我们继续从 AI 中学习并不断改进与这些技术的合作方式，本地化和翻译领域的潜力只会不断增长。
如果您想了解更多关于 ChatGPT 在本地化领域的应用信息和洞察，请点击这里 www.clearlyloc.com。
FAQAI在本地化和翻译领域有哪些限制？AI算法受其训练数据的限制，或为了更好地扮演人类而产生偏见或不准确的输出结果。无法满足企业级的高质量本地化输出的要求，特别是在准确性和对受众敏感性方面。
什么是翻译的混合方法？混合方法将神经机器翻译（NMT）与后编辑相结合。在这种方法中，由AI生成的翻译结果由人类语言学家进行审查和编辑，以确保在AI的高效率和人类专业人员的质量保证之间取得平衡。
如何使用AI来简化本地化和翻译流程？AI可以将内容分类，转换文件格式，提取术语，检测文本中的人名、地名等实体，并识别敏感内容。通过自动化这些任务，AI可以节省时间并提高整体效率。
AI如何在本地化和翻译行业中改善内容质量？通过拼写检查、提升可读性、通俗化技术语言以及为特定受众调整内容等方式，AI驱动的工具可以提高源内容的质量。这些改进可以带来更好的翻译和本地化内容。
AI在译后处理和质量估计中扮演什么角色？在译后处理阶段，AI可以做很多事，比如根据受众年龄调整内容，优化用户界面以增强对用户的引导能力，规范日期格式，应用风格指南，改写字幕来适配口型等。AI可以自动修正语法错误，根据用户指令识别性别偏见等与文化规范和敏感性相关的风险。
五位人工智能领域大咖齐聚！共话“AI＋”的颠覆与机遇
今年随着人工智能AI技术的不断革新与迭代，我们正站在新一轮的产业的浪潮的拐点，巨大的投资机遇正应运而生。
针对未来人工智能的发展和机遇，2023年6月16日，格隆汇举办的“2023年格隆汇中期策略峰会”中的人工智能论坛的圆桌讨论环节，邀请到国盛证券计算机首席刘高畅、TCL电子非执行董事孙力、联易融科技副总裁沈旸、华夏基金数量投资部执行总经理徐猛、百度集团科技与社会研究中心主任余欢，五位人工智能领域大咖共同探讨AI+的颠覆与机遇这一话题。
01
AI浪潮下的机遇和挑战
主持人（刘高畅）：结合行业的背景及业务特点阐述一下AI带给自己所在公司、行业及在业务上的机遇和挑战。
孙力：大模型基于它的认知和理解能力，和以前的小模型相比，的确有了非常大的改变。非常关键的是，在以与显示为中心的这些电子产品的交互方面。
在人工智能的机遇方面，孙力认为，一方面，当人跟这个设备交互的时候，它的认知和理解水平会有突飞猛进的进展。未来不论智能家居也好还是所有的产品交互也好，语音是一个非常重要的交互手段。
另外一方面，像对汽车电子这样有非常浓的交互的数据场景和产品的公司来说，AIGC的内容生成也是一个非常大的机遇。
此外，AIGC在电子产品的屏、交互、个性化的广告以及上下文填充的新技术方面都将带来非常多的机遇。
在大模型的挑战方面，第一个不可以回避的挑战是成本。大模型的成本非常高昂，因此并不是所有的公司都有具备足够多的数据、算力、科学家、显卡等等，而且推理及云端的这些工程化部署也要花钱。
第二个挑战就是数据的隐私。因为现在大模型天然的部署在云端，这意味着用户有一些数据必须上传，还有一些绝对机密的商业机密没有办法跨出公司的数据中心，对数据的安全这块也是一个挑战。
此外，大模型现在有很多不完美的地方比如它会生成涉及到法规、伦理等方面的东西，具有很大的不确定性。
沈旸：AI对供应链金融领域带来了天翻地覆的变化。
供应链金融是通过产业链的方式去解决资金在不同的企业之间周转的问题，这样每一个企业的资金就可以更好的被运转。
供应链金融领域的难点在于，以前做供应链金融成本会很高，只有大企业大项目才会做所谓的供应链金融，一个几十万的小项目没有人去关注，因为这个的成本太高了。
因为在供应链金融里面，大家经常做事情之前先会去收集一大堆信息，然后再去分析这些信息，之后再去判断这个项目是否能够去在市场上做一个融资。而这个成本是非常非常高的。
大模型包括这波AI给供应链金融带来的促进是它让原来很多根本做不了的事情变得可行了，可能原来供应链金融在国内的天花板是一年几十万亿的量，但是一旦突破这个天花板，它可能变得和GDP一样甚至比GDP更多。因为我们日常当中，还有很多的行为其实是没有被记录到GDP的范围内。
徐猛：虽然一些大模型我们用得还不是特别多，但是从实盘的业绩以及在过去三年中我们利用AI策略的结果来看，AI的策略和量化结合还是能够取得一些成绩的。
我们认为，AI策略和传统的量化相比，能够取得相对比较好的收益有AI学的广、学的深、更方便做回测三方面的原因。
余欢：作为一家深耕AI超过10年的公司，AI给百度带来的影响是无处不在的，我们目前正在用文心大模型全面的重构百度所有的产品和工作流，将给客户和用户带来更优的体验效果。
另外，从行业方面来讲，这波AI浪潮展现出了两个明显的发展趋势：其一，知识的利用效率正实现大幅跃迁。大模型表现出来的问题理解能力、信息提取能力和内容生成能力使得我们不需要像过去一样经历多轮点击跳转的方式来找到有效信息，信息利用率得到大幅提升，而且问题与答案之间的匹配度很高，定制化程度也更高。
其二，更多工业化生产场景将会实现降本增效。尤其是利好很多中长尾场景，原来这些场景存在数据量不足的问题，投入产出比低的情况。现在，我们在大模型基础上，输入少量的业务和场景数据，基本可以较完善地解决这些问题。
所以整体来说，对于原来没有得到很好解决方案的中长尾场景，AI大模型的充分利用有着重要意义。
02
AI+”在行业的最新应用及进展
主持人（刘高畅）：介绍下公司与AI结合的最新应用及进展。
孙力：无论是大模型、小模型、初级的AI、还是更高级的AI，均可能有提升企业内部运营效率、提升用户体验、催生一些新的商业模式几个方面的效果。
首先，有助于企业内部运营效率的提升。因为是无论在生成文案、HR、营销、财务、工业制造等任何方面大模型都能用来降本增效。我们在一些工业大模型的合作中，将人工智能的技术大量用在工业场景，这极大的提升了效率。
其次，应用到产品上能大幅提升用户体验，提升用户的满意度，从而提升公司的竞争水平和盈利水平。因此我们认为智能家居的交互和语音助手是一个非常重要的应用场景，所以我们现在的语音助手都在升级，接下来，我们还有一个重大的应用就是AR的眼镜。
最后，催生一些新的商业模式。一方面是附加在原来的商业模式上，另一方面，大模型一定还会产生一些新的商业模式，无论是在交互式对话还是主动的智能方面。
沈旸：在金融供应链领域，GPT大模型给我们带来的变化是一个质变过程。
供应链金融是一个链路特别长的一个场景。而这里面，做数字化能解决很多的问题，但是现实的问题是，各种数字化最终其实要落到结构化的系统里面，而系统和人拿文本是做不了决策的。
供应链金融，原来每个细分领域很多的小模型，但是在大模型出来以后，有一个更大的模型把这些小模型都拼装在里面，就有了一个初心存在，有了一个最终的目的。这意味着，以后企业做的每一件事情，未来都可以落到一笔交易上，甚至变成一个量化金融的一个思路。
这就是未来的供应链金融的一个场景也是我们目的正在做的，而且我们现在测试下来发现，把原来十几个不同功能应用的小模型嵌入到一起变成一个大模型，它的精准度损失并不大，而同时它在效率上有着更大的提升。
我们目前正在做的一些尝试就是，通过运用大模型可以同时服务更多的客户、产生更多的场景，然后产生更多的交易的行为。
徐猛：AI是一个比较大的投资风口，而相对投资个股的风险较小是把AI应用在ETF方面一个较大优势。
从产业政策看，由于国家经济的转型，政策层面也是比较支持AI发展的。从落地端来看，各个行业的AI都能够拥有一些落地产品并且能够降本增效，AI在量化投资领域效果也是不错的。在游戏方面，也有一些应用场景的提升，因此我们觉得AI将会在各个行业蔓延开来。
余欢：我们公司与AI结合的最新进展，如果用一个关键词来概括就是“双效提升”，这个双效一个指的是效果，一个是指效率。
关于大模型的演进，大家都经历了从1亿、10亿、百亿到现在千亿的过程。大模型从过去的判别式、辨别式为主的AI，变成了现在以生成式为主的AI。
效果其实前面孙总也提到过，人机交互界面的体验感有明显的跃升。在上述谈及的诸多内容创作方面，也已经有了很不一样的感观效果。目前我们许多对外的营销素材、活动材料、海报都是用AI来生产的，我们再进行挑选和优化。
还有就是工作效率的提升。比如我们内部的办公软件如流已经被文心大模型能力重构，赋能我们日常的工作流程。
另外一点是自动驾驶方面，我们做了多年并且进行了长期投入。现在我们自动驾驶出行服务平台“萝卜快跑”订单量已经超过200万，这是在北京、武汉、重庆、深圳等多个区域实打实的商业订单数据，在个别政策允许的区域也做了没有安全员的全自动驾驶。
这些都是我们在不同领域逐步将大模型应用落地的典型案例。
03
GPT未来对人类带来的最大改变
孙力表示，大模型的到来对于智能终端如手机、电视、汽车等这样的产品公司来说，一方面，让每一家产品公司都要思考数字化这个东西。另一方面，一定要提供主动化和个性化的服务。
GPT的技术方面可以继续的演进，例如GPT本身的效率、消耗的资源、成本、部署的方式，大小模型的结合以及在垂直领域的精进。
沈旸认为，GPT对供应链金融领域的影响就是，未来我们所有做的事情都是为了交易。在未来时间，一切交易可以被量化，可以被计算，价值有多少，而且用AI的技术可以让交易成本变得非常低，也会更公正一些。这是我们未来做的一个事情。
未来将AI技术应用在量化投资里面，徐猛认为，一方面能够做更多深入的研究探讨，另一方面，基金投资人用这些技术做好服务投资者的工作。
谈及大模型对未来的影响，余欢表示，虽然大模型不是万能的，但没大模型是万万不能的。目前来看，行业内的大模型产品都还没有触达到天花板，还有很多值得探索的地方。我们要做的就是，把探索的结果、最好的产品和能力，以大家愿意用、用得起的价格，给所有人尽量地用起来，为每一个人、每一家企业做好服务。
刘高畅则从投资角度分享了未来五年内可能会发生的一些改变人类的方向。
第一类，可能产生工具类的软件包括像微软的一些相应的产品。
第二类，产生像医疗、法律、金融、教育等这样的一些需要将行业和知识库结合的系统，会提升每个领域的辅助功能。
第三块，是入口产品的改变。智能助理的出现会像你身边一个小管家一样，帮你处理很多的工作、协调与世界的一个交互的方式。
第四类，可能就是会慢慢的从多模态GPT到VIT和GPT的融合，再和机械融合，真正运用在生产线上，从很多领域去改变世界。