262页人工智能深度报告：AI 20，十年之后我们还能做什么
2）非常规性的脑力活动较难被算法替代。相较白领工作，新药开发等科研工作需要更高层次的认知和创造力，并且工作内容多变，难以被算法替代，受到生成式AI的影响较白领更小；
3）常规性的体力劳动容易被自动化技术替代。在零售、制造等行业中，虽然涉及的语言相关工作不多，受生成式AI的影响不大，但工作中有较多重复且任务标准化程度高的内容，容易被机器人等自动化技术所替代；
4）非常规性的体力劳动受影响较小。建筑、餐饮旅游及交运、采矿等行业虽然也包含较多的体力劳动，但难以被自动化的长尾场景较多，目前看来，受到生成式AI和机器人技术的影响都较小。
AI2.0是下一代通用技术平台
我们认为以ChatGPT为代表的大语言模型的出现，使人工智能技术的发展进入了2.0时代。AI大模型已经具备1)通用性强，2）固定成本高但边际成本递减等平台性技术的显著特征，有望成为继PC，移动互联网，云计算，电动车之后，下一个支撑科技创新的通用技术平台。
如下图所示，每一代通用技术平台的出现，都会伴随几家平台性公司的出现。这具体包括，1）主机时代的IBM，2）PC时代的微软和Intel（Wintel），3）智能手机时代的苹果和谷歌，4）云计算时代的亚马逊和英伟达，5)智能电动车时代的特斯拉和宁德时代。当我们进入AI大模型时代，我们认为，以微软为代表的大模型厂商和以英伟达为代表的算力提供方有望受益于AI2.0的崛起，实现平台扩张。
过去，计算机视觉等AI模型需要针对每个特定任务进行数据采集、模型训练等一系列工作，且训练出来的模型无法用到其他场景，这导致边际成本难以降低、难以大规模落地等问题。大模型的出现改变了AI模型的训练和使用的范式。在大模型的新范式下，首先训练出具备跨领域知识的基础模型（FoundationModel），然后通过微调等方式适配和执行下游各领域的任务，能够降低模型落地的边际成本。大模型的新范式带来了成本结构变迁：大模型出现之前的AI1.0时代，模型训练成本和模型数量等比例增加，边际成本较高；AI2.0时代，训练基础模型的固定成本高，但微调以适应下游应用的成本极低，预训练模型+微调的新范式边际成本低，具有明显的平台效应，为AI公司探索新商业模式提供机会。
展望AI大模型时代，我们认为：
1)算力基础设施率先受益：AI大模型推动算力需求快速增长，基础设施的业绩成长确定性最高，主要产业链环节包括计算芯片、服务器、数据中心等；
2)交互终端次之，当前智能手机是大模型应用的主要载体。未来看好大模型能力提升推动AR/VR，无人驾驶车，机器人等成为下一代硬件载体的潜力。
3)大模型平台是当下产业发展趋势中最核心的一环，看好MaaS成为AI大模型时代新的商业模式，关注各国对AI大模型企业监管政策对行业发展的影响；
4)AI2.0最大的投资机会在应用。看好大模型在搜索，电商零售，办公，金融、医药等行业率先落地。
算力需求增长利好芯片送水人
算力需求增长会率先利好算力芯片，光模块，服务器产业链等送水人。根据OpenAI测算，目前算力的增速（翻1倍/3-4个月）远超过摩尔定律（翻1倍/18-24个月），未来AI应用的逐步丰富，将推动推理芯片等相关市场保持强劲增长。我们预计2025年左右当生成式AI应用大规模落地后，数据中心用推理及训练芯片市场约900亿美元，带动先进代工、先进封装、光模块、服务器在内相关产业链。
算力芯片：全球900亿美金市场，训练英伟达一家独大，推理百花齐放。我们认为是否拥有大模型将成为科技巨头科技平台企业的重要分水岭。我们预计全球有约30家科技巨头和300家AI大模型初创企业在进行算力相关投资。到2025年，这对应大约每年300亿美金训练芯片和600亿美金的推理芯片市场。其中，英伟达凭借CUDA软件框架构建的强大行业壁垒，在训练芯片市场一家独大，推理芯片方面，海外客户除了采用英伟达、AMD等的通用GPU以外，也会采用TPU等ASIC以提高性价比。国内客户出于供应链安全考虑，逐步提升国产芯片的适用占比。海思，寒武纪，燧原等企业都有较好发展。
服务器/PCB/先进封装：AI服务器增速超传统服务器，高算力需求带动先进封装需求。从GPU到AI工厂，我们认为AI计算会为整个服务器产业链带来增长。相较于全球传统服务器需求持续低迷，根据IDC预测AI服务器21-26年复合增速有望达到17%。我们看到从单颗GPU芯片H100，通过NVLINKSwitch形成一颗巨型GPU，然后通过QuantumInfiniBand技术，搭建有上百张GPU的DGX服务器，最后把多台DGX联通形成一台AI超级计算机，整个系统的搭建过程会带动包括服务器整机、PCB、光纤光缆、电源在内的整个服务器产业链的性能升级。在先进封装领域，产业从2.5D封装正走向3D封装，根据Prismark预测ABF载板作为先进封装关键材料有望在21-26年实现复合增速11.5%，而相关测试设备有望长期受益于Chiplet和国产替代趋势。
光模块：AI大模型推动800G光模块迎放量元年。以ChatGPT为代表的AI大模型，对数据中心内外的数据流量都提出了新要求，将带来光模块行业“量”和“质”的双重提升。以ChatGPT为代表的AI大模型训练中，由于需要海量数据及跨机器协作，产生了大量的数据中心内部通信需求，无阻塞的胖树结构成为当下最主流的AI训练网络架构，带来两方面主要变化：1）量方面，AI网络架构带来数据中心内部交换机、服务器数量的增加，光模块作为数据中心内外部连接的核心部件，用量将明显提升；2）质方面，AI对于高速率、大带宽的网络需求将推动光模块向800G加速升级，根据Lightcounting预测，2023将成为800G光模块放量元年，2028年800G出货量有望达998万只，对应2023-2028年复合增长率为72%。在此产业趋势下，我们认为能够提供高速光模块的龙头企业以及上游光器件、光芯片厂商有望迎发展机遇。
谁会成为2.0时代的硬件载体？
展望未来，我们认为大语言模型会大幅提高硬件产品的“思考”能力，机器人技术的发展会提高硬件产品的“行动”能力。一个同时拥有（1）超强感知能力，（2）通用人工智能（AGI），和(3)灵活的行动能力的硬件产品，可能就是现在大家畅想中的人形机器人。虽然很难预判什么时候这个产品能够实现，但在最终实现人形机器人的过程中，我们相信会催熟ARVR，无人驾驶车等很多新的硬件形态，带动产业发展。
世界最后需要几家大模型公司？
我们认为是否拥有大模型将成为科技巨头科技平台企业的重要分水岭。目前AI行业呈现出“百模大战”的格局，我们认为未来基础大模型可能呈现国内外各有数个赢家的寡头竞争格局。类比云计算领域，国外有AWS（亚马逊）、Azure（微软）和GCP（谷歌）三巨头，国内有BAT和华为，前期基础设施的巨大投入造成了云计算的寡头市场格局。与云计算类似，基础大模型需要耗费大量算力和数据标注成本，并且随着规模的增加，其训练费用将指数级增长。在高壁垒和地缘政治等原因下，未来基础大模型可能在国内外各自形成寡头竞争格局。
AI大模型是一个资本密集，人才密集和数据密集的产业，如何形成“数据-模型-应用”的飞轮，是大模型企业成功的关键。具体而言，大模型的诞生以算力基础设施为根基，以算法为骨干，以高质量数据为血肉；大模型结合具体应用场景的落地产生应用；用户使用应用的过程中产生数据，数据又得以反哺模型。由此，从大模型的训练到应用落地产生闭环，我们认为“数据-模型-应用”的飞轮能否运转是大模型企业可持续发展和迭代的关键。
MaaS可能成为AI大模型时代新的商业模式。过去云计算架构主要分为IaaS、PaaS、SaaS三层，经过多年发展，出现了像微软，MongoDB，Adobe等一批代表性企业。未来，我们认为，MaaS(ModelasaService）可能成为AI大模型时代一种新的商业模式。如上所述，大模型具有固定成本高，通用性强等特点，MaaS企业依托已经训练好的大模型，向2B客户提供包括API调用、模型训练、模型微调、模型部署服务等各类服务，数据，算法，算力将是MaaS企业的主要竞争壁垒。目前，国内，阿里，百度，商汤等都已经宣布提供类似服务。
监管政策是规范AI大模型健康发展的基础，关注国内政策落地进展。大模型由于涉及到大量个人和企业数据，生成内容中存在虚假信息等风险，是当前全球各国监管关注的重点。23年6月，欧洲议会在全球率先通过《人工智能法案》，对AI模型提出了版权披露、保障隐私与非歧视等基本权利、风险分级监管等要求。23年4月，国家网信办发布发布《生成式人工智能服务管理办法（征求意见稿）》，明确要求，符合大模型生成的内容需要符合"社会主义核心价值观"，并要求人工智能企业在提供服务前，向国家网信部门申报安全评估；并按照《互联网信息服务算法推荐管理规定》履行算法备案和变更，注销备案等手续。关注监管政策落地对行业发展的影响。
如何把握大模型应用的机会
长期来看AI2.0最大的机会在应用。根据科大讯飞董事长刘庆峰的观点，通用人工智能应当具备文本生成、语言理解，知识问答、逻辑推理、数学、代码、多模态等七大维度的能力。通过对AI在搜索、电商零售、办公、金融法律、影视游戏，医药、教育、汽车等行业应用前景的分析，我们认为，AI应用的落地节奏或与行业数字化程度成正比，我们看到AI大模型在互联网（搜索+广告营销）、办公、金融等领域率先迎来“iPhone时刻”。其中最值得关注的应用包括：1）知识对话在电商、金融、医疗等行业替代传统客服；2）文本和图像生成在办公、广告营销、金融、影视游戏等领域成为下一代生产力工具；3）多模态能力拓宽人类探讨世界的范围，特别是在新药开发上的应用前景。
AI+搜索：输入输出模态多样化，有望集成全新商业模式，打开行业天花板。传统的搜索行为往往需要经历长时间的判断过程和多轮的互动，而AI技术的加入，将从底层结构上改变搜索形态，以GPT为代表的大模型加持赋能搜索行业：1）创造性内容生产与输出，AI大模型可以利用大量实时文本数据学习语言的规律，并根据用户指示创造性地完成特定需求下各种类型的文本输出，如故事、诗歌、摘要、代码等。2）拓展搜索的多模态能力，利用AI技术处理视频、图片、语音等多种形式的信息，使搜索不再受限于信息的形态。AI+搜索的诞生便吸引了全球的注意力，内置AI聊天功能的NewBing搜索引擎在推出一个月后日活跃用户已突破1亿，自NewBing推出以来，聊天功能使用次数累计超过4500万次。根据Industrygrowthinsight，2021年全球搜索市场规模为109.0亿美元，预计2023年达到123.6亿美元。同时AI+搜索也催生出未来新的商业模式，例如微软目前内部正在探讨在生成回复的引用链接中放置订阅制和弹出式广告的可行性，有望进一步打开新的市场空间。
AI+电商零售：定制化内容生成；个性化营销推广。目前广告/营销行业存在单位推广成本高、转化率低的痛点，AI能赋能行业生产力的提升，主要体现在：1)创新广告形式，提升信息传递效率，形成强流量、高互动，提高广告营收；2)提高营销内容生产效率、推进个性化营销；3)有望推动营销服务商商业模式革新、毛利率提升。通过以上赋能，行业增长空间有望提升，盈利能力。目前海内外AI+广告/营销应用百花齐放，例如，国外Adspert利用AI将广告全自动化，优化亚马逊广告竞价投放，增加销售额，提升投产比；国内腾讯广告大模型赋能广告制作环节，同时助力提升广告主15%GMV。
AI+办公：生产力的又一次跃升；重塑内容生产、沟通、协作模式。生成式AI当前在办公领域的应用主要包括改善生产力、沟通、协作工具等应用方向。以Microsoft365Copilot为例，Copilot通过把GPT-4提供的内容生成功能，与存储在Graph数据库中的企业数据，以及Word、Powerpoint、Excel、Outlook、Teams等办公工具相结合，提供包括内容创作、数据分析、辅助决策等一系列新功能。生成式AI将传统的点式交互升级为自然语言的交互方式，能够实现更灵活的功能调度，进一步降低办公场景的沟通协作成本，提升工作效率。此外，生成式AI能够挖掘办公场景中的数据价值，提供知识管理等功能，进一步提升产品的价值空间。
AI+金融：广泛应用于银行、保险、资管、投顾等环节，助力金融机构降本增效。我们认为垂直行业的高价值量数据对于AI大模型的训练和垂直领域应用至关重要，金融行业数字化程度领先，拥有数据富矿，有望成为AI大模型率先落地的垂直领域之一。应用端，我们看到生成式和理解式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。过去，理解式大模型主要用于信息识别与挖掘，例如风险识别、客户识别等等。生成式AI的主要落地场景包括应用于各金融子行业的智能客服以及内容生成，例如投研领域的研报生成、投顾领域的投资建议生成、保险/资管领域的合同模板生成等等。
AI+游戏：AIGC带来玩法体验端的创新升级，以及生产营销端的降本提效。1)玩法体验端:目前看AIGC有望在NPC智能交互及玩法设计创新方面加速应用，AINPC的不断成熟将改变游戏玩家与角色的交互方式，进一步提升游戏沉浸感；同时，AIGC带来的UGC等玩法创新也有望带来全新的游戏类型，进一步提升游戏内容的丰富度及自由度。2)生产营销端:以ChatGPT等大语言模型为基础的文本类Al生成工具、StableDiffusion及Midiourney等Al图像生成工具、Gen2等Al视频生成工具等已在游戏行业各环节有所应用，同时英伟达、微软、EpicGames、Unity等基于原有产品或服务纷纷推出AIGC功能。随工具化AIGC产品和服务快速迭代，行业“卖铲人”将加速AIGC对行业赋能，带来进一步的降本提效空间。
AI+教育：虚拟个性化辅导教学，提升教学质量同时降本增效。传统教育具有人工成本高、内容同质化以及资源分配不均匀的弊病。基于多模态模型在文本、图像等领域取得重大突破，生成式AI技术有望协助构建智慧教育新生态。近期国内外多家公司发布AI+教育产品，例如多邻国在“Max订阅方案”中推出两项基于ChatGPT-4设计的教辅功能、网易有道发布AI口语老师以及科大讯飞发布“1+N”星火认知大模型等。随着大模型的迭代升级，我们看好生成式AI应用于个性化辅导、AI虚拟教师等领域，助力打造全新的低成本、个性化自适应教育模式，推动优质教育资源的规模化应用。同时建议关注AI+教育带来的智慧校园、智能终端等硬件设备，以及相关IT基础设施、云服务等软件设施的投资机会。
AI+医疗：拓宽人类对自然界的认知半径，探索科学边界。医疗健康领域是人工智能率先落地的行业之一，也已经催生了Nuance、IBMWatson等一批全球知名企业。随着基于大模型的生成式AI的出现，我们看到AI+医疗有望迎来一波新的发展机遇。我们看好生成式AI：1）应用于实时病例生成、医疗影响分析等领域，从而发挥提高问诊效率、降低数据分析的人工成本等作用；2）赋能药物发现源头创新，探索自动根据功能需求设计/优化蛋白质、给定抗原等目标蛋白生成抗体等，加速药物发现流程。
AI+汽车：降低数据搜集、处理成本，优化驾驶体验，高级别智能驾驶落地可期。无人驾驶看上去很美，但一直很难落地。无人驾驶是最早被提出的人工智能应用场景之一，谷歌、苹果、特斯拉、百度等海内外科技巨头从2016开始就积极布局，但直到现在仍很难实现大规模商用落地。我们认为，1）多维度数据的获取和标注成本高，2）对小概率事件的决策准确度和人类还存在较大差距，3）事故时法律权责归属不明确，是制约其发展的部分原因。我们认为，1）以ChatGPT和SAM为代表的AI大模型的引入，自动标注、虚拟仿真等技术的引入大幅降低模型中数据的采集和处理成本；2）感知、预测、执行全流程算法迭代，体验能力的提升有助于从行业整体层面加速高级别智能驾驶的量产落地。看好AI大模型赋能之下，降低数据标注成本，提升感知预测执行全流程能力。
2023年十大机会
长期来看，我们认为全球科技行业的发展会沿着元宇宙，人类永生、和星际文明三个维度演进。其中，1）追求永生是推动人类进步的动力之一，未来脑机接口、纳米机器人等前沿科技有望继续延长人类寿命；2）元宇宙是互联网的下一站，也是人类数字化迁移的下一步；3）移民火星的意义在于为人类文明留下“备份”，随着航天技术突破，星际旅行与火星移民终将实现。
AI大模型企业是如何炼成的
我们认为AI大模型是一个资本密集、人才密集和数据密集的产业，如何形成“数据-模型-应用”的飞轮，是大模型企业成功的关键。我们看到海外企业中，微软&OpenAI、谷歌已经逐步形成AI大模型的飞轮。当前，国内百度、阿里、商汤、华为等积极加入，行业呈现“百模大战”的竞争格局，能否形成飞轮是最后能否胜出的关键。
海外大模型：微软&OpenAI、谷歌、英伟达、Meta、AWS
微软&OpenAI领先，谷歌追赶，Meta防御性开源，英伟达转型算力云服务微软和OpenAI是目前大模型技术水平、产品化落地最为前沿的领军者，其对颠覆式创新的持续投入是当前领先的深层原因。谷歌技术储备丰厚，自有业务生态广阔并且是AI落地的潜在场景，但管理上未形成合力，目前正在产品化、生态化加速追赶。英伟达是AI芯片领军者，CUDA框架构筑了其它芯片公司难以逾越的护城河，目前正在从硬件向算力云服务、MaaS等商业模式转型。Meta在产品化上进展缓慢，选择模型开源的防御性策略，以应对OpenAI、谷歌等竞争对手的强势闭源模型。AWS作为领先的云服务厂商，超算技术布局领先，但是在AI大模型竞争上的应对稍显迟缓。
OpenAI：全球领先的AI初创企业
发展历程：从非营利开端到向营利性全面转型OpenAI是美国一家人工智能研究实验室，由非营利组织OpenAI和其营利组织子公司OpenAILP所组成，公司致力于构建安全的通用人工智能（AGI）以造福人类。
非营利开端：硅谷领军人物云集，创建非营利组织以促进AI发展。非营利性的AI项目OpenAI于2015年宣布正式启动，由许多硅谷领军人物共同创建，例如硅谷创业孵化器YCombinatorCEO的SamAltman、GoogleBrain的IlyaSutskever、时任互联网支付处理平台StripeCTO的GregBrockman以及特斯拉的CEOElonMusk等，许多创始人都曾是被誉为“深度学习教父”GeoffreyHinton教授的学生。公司把生成式预训练模型（GenerativePre-trainedTransformer，GPT）确定为主要研究方向，先后推出并开源预训练NLP模型GPT-1，以及采用迁移学习技术、能实现多个NLP任务的GPT-2。
向营利性转型：与微软深度绑定，推出掀起生成式AI浪潮的ChatGPT。2018年，由于ElonMusk担任CEO的Tesla等公司也在开发AI技术，存在利益冲突和人才争夺等矛盾，ElonMusk辞去OpenAI董事会席位。为支撑大模型训练的高算力和资金需求，同年，有限营利公司OpenAILP成立。2019年，OpenAILP接受微软10亿美元投资，与其达成独家合作伙伴关系。在强大算力和充足资金的助力下，OpenAI沿着GPT路线持续发力，2020年推出拥有小样本泛化能力的GPT-3，2022年推出加入指示学习（InstructionLearning）和人类反馈的强化学习（ReinforcementLearningfromHumanFeedback，RLHF）的InstructGPT，并于2022年发布产品化的ChatGPT，掀起了一股席卷全球的生成式AI浪潮。
全面转型：加快商业化步伐，构建生态圈。2023年1月，微软宣布与OpenAI的长期合作伙伴关系进入第三阶段，将继续向OpenAI投资数十亿美元，并加速产品与技术的整合。2023年3月，OpenAI发布工程化的多模态GPT-4，并与各个领域的软件开展合作；同月，OpenAI发布ChatGPTPlugins（ChatGPT插件集），将GPT大模型能力与面向用户的第三方应用程序互联，应用空间想象力广阔。
AI赋能百业：产业变革的奇点
自OpenAI发布ChatGPT掀起AI浪潮以来，国内外科技巨头陆续在AI大模型领域加快布局，人工智能也因此催生出许多创新性领域以及传统领域多个环节的变革，有望实现下游应用百花齐放。其中，企业服务领域，AI赋能办公行业生产力、沟通和协作工具，持续带动生产效率及沟通协作效率提升；汽车领域，AI模型的引入增强了智能驾驶在感知、预测和决策方面的能力，加速无人驾驶的应用与落地；工业领域，AI加码助力工业研发、生产、管理及服务等全环节，极大解放生产力，加速工业智能化水平；金融领域，AI在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。我们认为，伴随技术和各大模型的升级迭代，AI将赋能百业，催生出更多环节的创新型变革。
AI+企业服务：赋能生产力/沟通/协作工具
数字化时代，办公行业生产力、沟通、协作工具不断演进，持续带动生产效率及沟通协作效率提升。以Microsoft365Copilot为例，Copilot通过把GPT-4提供的内容生成功能，与存储在Graph数据库中的企业数据，以及Word、Powerpoint、Excel、Outlook、Teams等办公工具相结合，提供包括内容（包括文字、图片）创作、数据分析、辅助决策等一系列新功能，功能丰富度上，远超notion.ai等现有的基于AI的办公软件。
AI+工业：ChatGPT引领AI赋能工业，工业智能化水平或将加速提升
ChatGPT引领AI大模型突破，随着AI技术和工业领域深度融合，工业AI应用或将迎来高速发展窗口。随着2023年3月OpenAI正式发布大型自然语言处理模型ChatGPT-4，同月微软将其旗下Azure云服务Azure、Microsoft365办公软件、Bing搜索引擎、PowerPlatform低代码开发平台等产品与ChatGPT深度融合，生成式AI在文本、代码、视频等一系列应用领域的前景逐渐明晰。
AI大模型+工业所形成的核心产品、方案与服务，是AI赋能工业的主要载体。其中主要包括四个方面，按层级关系可分为基础软硬件、智能工业装备、自动化与边缘系统、平台/工业软件与方案。其中，基础软硬件是指各类芯片/计算模块、AI框架、工业相机等相对通用的软硬件产品；智能工业装备是指融合智能算法的机器人、AGV（自动导向机器人）、机床等工业生产制造设备；自动化与边缘系统是指融合了智能算法的工业控制系统；平台/工业软件与方案则是指各类具有AI能力的工业互联网平台及其衍生解决方案和应用服务。以上应用通过识别类应用、数据建模优化类应用及知识推理决策类应用三种模式被广泛用于工业研发、生产、管理及服务等全环节。
AI大模型赋能创成式设计，生成式AI未来或可为CAD软件提供大量可供选择的模型。创成式设计是一种利用AI技术根据一系列系统设计来自主创建优化设计的3DCAD功能。其特点在于能在设计师给定的约束条件和目标下，借助AI的能力来快速生成满足要求的目标模型，供设计师从中选择合适的模型进行进一步的设计优化，从而提升设计效率，降低设计成本。从目前来看，生成式AI在严谨理性的数学和逻辑领域的能力相对文字领域仍然比较有限，但未来随着以GPT为代表的通用大模型逐渐成熟，工业设计数据库不断丰富，CAD有望一方面借助生成式AI对设计进行参数优化，另一方面借助大量的设计模块数据库生成推荐的设计草图。
AI+金融：坐拥数据富矿，有望成为AI大模型率先落地的垂直领域之一2023年3月以来，多家金融机构、金融服务机构发布其AI大模型：彭博发布支持金融领域的自然语言处理（NLP）任务的BloombergGPT，中国农业银行推出类ChatGPT的大模型应用ChatABC，中国工商银行发布了基于昇腾AI的金融行业通用模型。我们认为垂直行业的高价值量数据对于AI大模型的训练和垂直领域应用至关重要，金融行业数字化程度领先，拥有数据富矿，有望成为AI大模型率先落地的垂直领域之一。应用端，我们看到生成式和理解式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。
生成式大模型应用于银行领域则可提高客户服务质量，智能客服既能与用户进行多轮对话，还能提出具体可行的解决方案。比如，中国农业银行近期推出的AI大模型ChatABC1.0，拥有在金融领域的知识理解能力、内容生成能力以及安全问答能力，当前已通过平台问答助手、工单自动化回复助手等形式面向内部员工试用。
AIforScience：人工智能助力科学探索的新范式
AIforScience是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。如下图所示，AIforScience主要包括：（1）蛋白质结构分析等生物制药,（2）新材料研发，（3）核聚变等前沿物理，（4）气候预测等地球模拟和天文探索，（5）飞机引擎，汽车动力结构，建筑等工业设计领域。
报告原文目录如下
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
本报告共计：262页。受篇幅限制,仅列举部分内容。
精选报告来源公众：【幻影视界】,回复关键字“202306”，获取完整PDF电子版返回搜狐，查看更多
当社会进入机器人时代人类还能做些什么
看过《机械公敌》的朋友一定对里面无所不在的机器人印象深刻，它们出现在人类生活的各个领域之中，而社会中的大部分工作也是由它们所完成的。那么这种情况是好是坏呢？当人类社会迈入到机器人时代，人类自身还能做些什么？
《连线》杂志网络版日前发文对此进行了分析，以下是文章的主要内容。
自20世纪60年代初机械臂开始取代汽车工人开始，机器人充当劳动力的角色已经有数十年的历史了，未来它们涉足的领域将会越来越多。乐观主义者认为，更多的机器人将会带来更大的生产力和经济增长，而悲观主义者则认为日益普及的机器人将会让现有的大批劳动者失业，进而引发一系列的社会问题。
每一种论调都有自己的道理，但还有另一种方式来看待这一貌似必然的趋势。如果上述两种看法都是正确的，也就是说机器人在越来越多的领域开始代替人类，工作效率也变得越来越高，越来越多的工种开始消失，甚至机器人生产出来的东西开始超过人类所需，那么，身为人类的我们该做些什么呢？
对工作进行重新定义是皮尤（PewResearch）最近进行的一项关于“机器人与职业的未来”的调查中所得到最有趣的可能结果。当然，现在就去想象那些由机器人主导、而且还伴随着强制休闲场景的未来劳动力市场还为时尚早，但如果真出现这种情况的话，究竟会发生什么事情呢？就目前情况而言，要确保每个人都拥有工作貌似都很难实现，那么如果未来再加上机器人顶替大批的劳动力进行工作，就会有许多人被闲置起来，他们拥有大量的时间需要打发。一旦出现这样的情况，机器人不仅在做人类的工作，而且他们还会迫使人类面临更为严重的生存困境，那就是如果这个社会不再需要我们继续工作，那么我们应该做些什么呢？
如何回答上述这个问题将是人们在定义是什么让自身的智力有别于人工智能这一过程中的一个定量和定性的行为，这种定义似乎会让人类变得更加狭窄。但最终我们可能会发现，一个不需要人类工作的“机器化”的未来要比人们想像得更为可怕。
人类就是服务
一种比较流行的回答似乎在回避这样的问题，不过，这种回答看上去似乎又是最合理的结果之一。或许人类社会中的许多工作最初是无法实现完全自动化的。参与皮尤调查的一些受访者认为，人类社会对人力劳工的需求将会永远存在，因为我们的基本特性中的诸多因素都很难通过程序来实现。“坦白地讲，计算机并不是足够聪明的，它们只是巨型的计算器而已，”游戏设计师、作家西莉亚·皮尔斯（CeliaPearce）表示，“它们需要按照固定的逻辑才能开始工作，但是这些逻辑实际上还是人类意识的一部分。”
人类仍将继续扮演“有用工人”的角色，因为像理解力、创造力、判断力和批判性思维之类的事物还需要让人成为主导才能够实现。以电话客服代表为例，这些代表的雇主总是强迫他们去遵守“人工自动化”的规定。当人类被迫遵循类似计算机工作时的决策图表时，人类的四大基本特质就会丧失互动的生机与活力，那么也就没有机会再去实现理解力、创造力、判断力或批判性思维。
“对投诉进行检查也是一种人工智能问题，将这些投诉发送给正确的客服机构也是一个人工智能问题，”一位参与皮尤调查的受访者表示，“但要指出的是，客服本身就是一个属于人类的问题。”
总而言之，受访者预测人类仍将需要做的这些工作是与人类之间的互动有关包括。医疗机构、教育机构以及老幼群体护理机构等在内的组织都可以被看作是仍然需要人类密切关注的工作场所。美国国家科学院计算机科学与电讯委员会的首席科学家赫伯·林（HerbLin）表示：“在这些领域，人们的同情心非常重要，相比较那些同情心不太重要的领域而言，这些领域往往不太容易发生大的变化。”
未来人类的就业选择或许会拓展到护理行业之外，甚至会拓展到包括提议整合及意识等仍然需要人类才能有效实施的工作领域。以当日送达这种“实时满足”的经济形式为例，来自旧金山UPS公司的司机拉法尔·蒙特罗萨（RafaelMonterrosa）就表示，他从来就不担心无人驾驶汽车会抢了他的饭碗，“比如在送货的时候，许多客户仍然能是需要将那些货物搬到楼上的，”他说道，“而无人驾驶汽车显然是做不到这一点的。”
人类需要工作
当然，随着人工智能逐渐成为制造、交通和新闻等行业中主导力量，一些人性化的服务行业中所空缺职位数量可能要比其它工作失去的岗位数量少得多，这就会造成大量的失业现象，而这也非常有可能会改变我们的经济存在形式。
就传统角度而言，生产力与经济增长与就业增长形势存在密切的联系，因为人力一直在推动着生产的发展。但是，机器人劳动力却能够按照它们自己的方式来推动生产率并实现增长，并且能够取消一些过程中所需的工作岗位。那就可能意味着，整个交换劳动报酬的体系也将开始瓦解。科幻作家科里·多克托罗（CoryDoctorow）最近就曾在文章中写道：“如果我们坚持认为机器人不断增强的生产力所带来的红利将会归属于机器人所有者，那么未来一定会出现这样的情况：没有足够的机器人所有者会购买由机器人制造的所有产品。”
多克托罗认为，机器人生产所带来的结余可能会破坏市场的需求。“当人类社会缺乏足够的财产流转时，财产权或许就能成为分配资源的一种方式，”他分析称，“但是，当自动化取代劳工同时还有足够的产品可供使用时，人类还需要所谓的财产权吗？”如果人类最终和平公正地共享机器人的生产成果，那么我们所知道的工作类型将会失去存在的意义，同时“工作”也将不会继续扮演“社会发展驱动力”的角色。
此外，那种认为机器人能够让就业本身更具选择性的观点听上去似乎难以让人信服，毕竟可供人类插手的工作越来越少了。然而，最终的结果可能是引发更多的焦虑，我们仍然需要在机器人当中找到属于自己的机会和位置，除非我们已经不再将工作看作是生活的目标。消灭了人们对工作的需求或许能让我们获得更多的自由来重点关注那些真正让我们成为人的东西，但是最终我们会发现这些东西就是“工作”本身，到那个时候，处于失业状态的人们会不会感到痛彻心扉的悲凉呢？
译者：光军
百度新闻与网易科技合作稿件，转载请注明出处。