报告概述
本报告系统梳理了人工智能从1956年达特茅斯会议至今的发展历程，涵盖三起两落的历史周期、大模型时代的智能涌现、东数西算战略下的算力基础设施、低空感知平台关键技术，以及AI在气象预测、电力行业、无人驾驶、辅助医疗、语音交互、新材料探索、图像合成、音乐创作、数字人、AI for Science等领域的广泛应用。报告采用历史回顾、技术分析、应用案例相结合的框架，帮助读者全面理解人工智能的过去、现在和未来趋势，为行业从业者和研究者提供参考。
报告的核心结论
人工智能发展历经三起两落，当前进入大模型驱动的新时代。
自1956年提出以来，AI经历了黄金时代、第一次寒冬、专家系统繁荣、第二次寒冬及稳健发展期，如今以GPT为代表的大模型引发通用人工智能突破，技术迭代加速，应用场景爆发。
算力是AI发展的核心基础设施，国产化需求迫切。
报告指出算力投入对GDP有显著拉动，我国算力规模全球第二但国产化率不足10%。在美国芯片出口限制下，以华为昇腾为代表的国产算力正在填补空缺，但仍需加速追赶。
智能无人集群协同是未来战场与应急救援的关键技术。
报告强调了多机协同在复杂环境下的感知与进化难题，并介绍了VisDrone等数据平台及算法成果，已应用于抗洪救灾、电力巡检等军民融合场景。
报告回答的关键问题
人工智能发展经历了哪些阶段？
人工智能自1956年后经历了三起两落：黄金时代（1956-1974）、第一次寒冬（1974-1980）、专家系统繁荣期（1980-1987）、第二次寒冬（1987-1993）、稳健发展期（1993-2015），以及2016年至今的大模型新时代。
大模型训练为什么需要大量算力？
大模型参数量巨大，如GPT-3有1750亿参数，训练需要数万GPU和数百万美元成本。报告以GPT-3为例，其训练需3.14×10²³FLOPS计算能力，约758个A100 GPU运行30天。
国内AI算力现状及挑战是什么？
我国算力总规模达197EFLOPS（全球第二），但国产GPU占比不足10%，高端芯片依赖进口。美国出口管制加剧，华为昇腾910B虽性能接近A100，但软件生态和组网仍有差距。
报告中的代表性数据
全国算力总规模
截至报告发布时，我国算力总规模位居全球第二，用于支撑人工智能及数字经济。
国产GPU国产化率
报告发布时，互联网等商用AI芯片几乎完全依赖进口，国产化替代空间广阔。
GPT-3训练算力需求
2020年，训练1750亿参数的GPT-3需要约758个A100 GPU，单次训练成本约500万美元。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 人工智能发展史：从达特茅斯会议到图灵测试，详细描述三起两落的发展历程及关键事件。
- 大模型时代：介绍大模型发展的三个阶段，展示主流模型参数规模谱系图及ChatGPT演进历程。
- 算力基础设施：分析国家、省份、企业、高校等多层面算力规模，列举三大运营商及互联网企业算力投资数据。
- 算力需求测算：提供小模型与大模型训练、推理、微调的具体算力需求计算方法，包括对国产化挑战的讨论。
- 低空感知平台：展示VisDrone等无人机视觉数据平台，以及多智能体协同感知的关键技术突破与成果应用。
- AI应用场景：覆盖气象预测（华为盘古、谷歌GraphCast）、电力巡检、无人驾驶、辅助医疗、语音交互、新材料探索、图像合成、音乐创作、数字人、AI for Science等十个领域。
- 未来展望：探讨大模型、AI Agent、具身智能、安全伦理及AI for Science的未来趋势，强调国产算力自主的紧迫性。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
