人工智能全域变革图景展望（2023）

近日，毕马威联合中关村产业研究院通过行业调研和专家访谈，结合深入研究共同发布《人工智能全域变革图景展望：跃迁点来临（2023）》。2023
全球人工智能产业洞察Industry Insight

报告指出，全球人工智能企业数量由爆发式转入稳步增长区间。截止2023年6月底，全球人工智能企业共计3.6万家。人工智能企业数量逐年增长，2016年-2019年全球人工智能爆发式增长，每年新增注册企业数量超3000家，尤其是2017年新增注册企业数量达到顶峰（3714家）。2019年开始，人工智能新增注册企业数量有所下降，2022年当年新增企业数量与2013年基本持平。

美国人工智能企业数量位居全球首位，中国紧随其后，英国位居全球第三。美国人工智能企业约1.3万家，在全球占比达到33.6%，中国占比为16.0%，英国为6.6%，以上三个国家的人工智能企业数量合计占到全球的56.2%。

截止2023年6月底，全球人工智能领域独角兽总数达291家，分布在20个国家。来自美国的独角兽企业有131家，占全球总数的45%：来自中国的独角兽企业有108家，占全球总数的37%。2023
人工智能发展十大趋势Transition Point Approaching

大模型爆发以来，人工智能技术发日新月异，创新成果纷纷涌现，报告立足全球及中国的人工智能产业现状，结合市场观察提出人工智能产业未来发展的十大趋势。

趋势一
多模态预训练大模型是人工智能产业的标配

在算法方面，预训练大模型发展起源于自然语言处理（NLP）领域，当前已进入“百模大战”阶段，预计随着大模型创新从单模态转向多模态，多模态预训练大模型将逐渐成为人工智能产业的标配。目前，国内大模型虽在市场影响力方面稍逊色于GPT系列模型、PaLM-E等，但在中文语料训练、中国文化理解方面具备本土优势。

此外，国内制造业等实体产业为大模型提供了丰富的训练数据和应用场景。未来，在大模型面向产业赋能方面，中国大模型极有可能后发先至，也会是国内大模型竞争的关键因素之一。

趋势二
高质量数据愈发稀缺将倒逼数据智能飞跃

数据方面，大模型的训练需要大量的高质量数据，但是目前在数据质量方面还存在一定的问题，包括数据噪声、数据缺失、数据不平衡等问题。这会影响大模型的训练效果和准确性。

根据一项来自Epoch Al Research团队的研究，高质量的语言数据存量将在2026年耗尽，低质量的语言数据和图像数据的存量则分别在2030年至2050年、2030年至2060年枯竭。

这意味着，如果没有新增数据源或是数据利用效率未能显著提升，那么2030年以后，AI大模型的发展速度将明显放缓。

趋势三
智能算力无处不在的计算新范式加速实现

算力方面，新硬件、新架构竞相涌现，现有芯片、操作系统、应用软件等都可能被推翻重来，预计有望实现“万物皆数据”“无数不计算”“无算不智能”，即智能算力将无处不在，呈现“多元异构、软硬件协同、绿色集约、云边端一体化”四大特征。

趋势四
人工智能生成内容应用向全场景渗透

在AIGC（Artificial Intelligence Generated Content，人工智能生成内容）应用方面，其发展源头在数字内容创作领域，从单模态内容到多模态数字化内容创建已初显雏形，预计未来会进一步提高人类创造内容的效率，丰富数字内容生态，开启人机协同创作时代，各种需要创意和新内容的场景，都可能被AIGC重新定义，AIGC向全场景渗透指日可待。

趋势五
人工智能驱动科学研究从单点突破加速迈向平台化

AI4S（AI for Science，人工智能驱动的科学研究）应用方面，有望从单点突破加速迈向平台化。在“单点突破”阶段，AI4S发展由科研学者主导，数据、模型、算法及方法论的原创性是市场关注重点，AI4S在特定任务或场景中的“单点应用”初步证明了对应解决方案的落地价值。

趋势六
具身智能、脑机接口等开启通用人工智能应用探索

AGI（General Artificial Intelligence，通用人工智能）应用方面，其技术原理强调两大特性：一是需要基于先进算法实现智能处理和决策，包括深度学习、强化学习、进化计算等；二是需要具备和人类大脑相似的认知架构，包括感知、记忆、分析、思考、决策、创造等模块。

趋势七
人工智能安全治理趋严、趋紧、趋难

人工智能安全治理呈现出趋严、趋紧、趋难三大特征，主要包括“黑箱”困境等技术安全挑战，虚假信息、偏见歧视乃至意识渗透等应用安全挑战，数据泄漏、篡改和真实性难验证等数据安全隐患，此背景下，中美欧三国作为人工智能发展的领军国和地区正积极开展相关立法，呈现出政策法规先行、监管趋严等特征。

趋势八
可解释AI、伦理安全、隐私保护等催生技术创新机遇

人工智能在发展过程中面临的技术伦理与社会伦理风险表明，人工智能安全、可信的发展之路任重道远，在解决AI风险的过程中催生出可解释AI、联邦学习等技术创新机遇。其中，联邦学习正成为新型的“技术基础设施”，有望成为下一代人工智能协同算法，隐私计算和协作网络的基础，使数据在合法合规、安全高效的基础上，实现数据价值流动。

趋势九
开源创新将是AGI生态建设的基石

开源的自由度越高，越有利于吸引更多开发者参与到生态建设中。AGI强调人工智能的通用性，意味着其生态需满足大量细分场景和长尾需求，这种情况下，生态系统越是繁荣开放，越能穷尽可能地覆盖所有专用化、场景化乃至碎片化的需求，保证AGI生态的丰富性和完整性。

进一步地，开发者越多，意味着底层模型和上层应用等的迭代速度也会越快。但是，开源也存在一定风险，对于产业生态中的主体企业来说，选择开源某种程度上就意味着公开商业机密，不利于其构建竞争壁垒。此外，开源模式还可能会引发专利侵权风险，对开源的知识产权管理规则和流程规范建立提出了挑战。
趋势十
多型即服务(MaaS)将是AGI生态构建的核心

商业模式关乎整体生态能否实现从价值创造到价值实现的完整闭环，目前AGI生态的商业模式主要以AIGC相关的商业模式为代表，主要体现为MaaS（Model as a Service，模型即服务）模式。该模式核心价值可归纳为：降低算法需求侧的开发技术和使用成本门槛，使AI模型和应用成为简单易用、触手可得的工具。