人工智能大模型发展现状与挑战对比

常见的人工智能大模型有 NLP（Natural Language Processing，自然语言处理） 大模型、CV（Computer Vision，计算机视觉）大模型和多模态大模型等。

NLP 大模型

现状

分别在语言理解与生成、智能创作、机器翻译、智能对话、知识图谱和定制化语言解决方案落地应用，整体算法发展顺利， 数据源可获得性较强，产品迭代速度较快。

挑战

语言的歧义、文化差异及多样化、情感分析困难。

预期未来发展

以多个数据信息维度约束来验证情感分析及文本分析的准确 性。

CV 大模型

现状

2D 数据工业质检、智慧城市 落地完善，应用场景多、可商 业化市场大，拥有最佳实践； 人脸、OCR 识别发展较为成 熟。

挑战

3D/4D数据识别面临变形、光照、遮挡等可以依靠大规模预训练模型解决部分痛点的问题；算法处理复杂。

预期未来发展

打通数据融合以突破 3D/4D 获取瓶颈。

多模态大模型

现状

面临数据成本高、模型开 发难、算力资源不足等。

挑战

融合不同模态的信息并提高模型的标识能力。

预期未来发展

多模态将持续拓展各行业 场景下的信息融合应用。

从技术的角度来看，大模型发端于自然语言处理领域，继语言模态之后，如视觉大模型 等其他模态的大模型研究，也开始逐步受到重视。2023 年，是人工智能大模型快速发展的 一年，据不完全统计，国内公开的 AI 大模型数量已经超过 200 个，但国内大模型的能力与 迭代速度距离国际先进水平尚有差距。目前，人工智能技术的发展正面临着大量跨模态任务 的挑战，跨多个模态的数据融合问题开始变成行业探究的重点。随着国内人工智能企业和人 形机器人企业加大合作力度，未来在大模型的赋能下，机器人拥有了更加智慧的大脑，自主 学习能力大幅提升