01 產業鏈全景圖譜人工智慧產業鏈可簡化為“三橫兩縱”：上游（基礎層）：算力（GPU/ASIC/伺服器/IDC）、資料（採集、標註、儲存）、基礎軟體（框架、晶片工具鏈）。中游（技術層）：模型與演算法（大模型、CV/NLP/多模態）、開發平台（MaaS、微調、推理最佳化）、中介軟體（向量庫、資料管道）。下游（應用層）：消費端（搜尋、內容、AI硬體）、行業端（醫療、金融、製造、零售、教育）、政企端（城市大腦、政務雲）。“兩縱”是貫穿三層的循環：需求反饋：下游場景→中游技術迭代→上游算力/資料升級；價值分配：上游重資產、中游高溢價、下游高彈性，利潤隨瓶頸移動。02 AI人工智慧行業概況1 市場規模：人工智慧（AI）正以驚人速度重塑全球產業格局，成為推動科技革命和經濟增長的核心驅動力。根據國際資料公司（IDC）最新市場研究資料顯示，全球人工智慧產業規模預計將於2025年達到2.3兆元人民幣（約合3500億美元）的市場規模。從區域發展格局來看，北美地區與中國市場將共同構成全球人工智慧產業發展的核心區域，展現出強勁的市場增長潛力。北美AI市場發展現狀北美（以美國為主）憑藉成熟的科創生態和雄厚資本，引領全球AI發展。Google、微軟、亞馬遜等美企主導AI基礎研發和產業應用，在自動駕駛（Waymo）、語音互動（Alexa）、自然語言處理（GPT）等領域優勢顯著。中國AI市場發展態勢中國AI市場發展迅猛，IDC預測2025年規模將超6900億元，佔全球30%-35%份額。這得益於政策支援、豐富場景及本土企業在CV、語音等領域的突破，正推動全球AI產業形成中美雙極格局。歐洲AI市場發展概況儘管在人工智慧領域的發展節奏相對滯後，但得益於歐盟《人工智慧法案》等政策引導和專項資金支援，歐洲AI產業已實現穩定增長，正逐步縮小與全球領先市場的差距。2 發展歷程:全球人工智慧產業萌芽於20世紀中葉，其產業化處理程序在21世紀初迎來爆發式增長。理論奠基階段（1950-2000）：1956年達特茅斯會議正式確立人工智慧作為獨立學科早期研究者奠定了機器學習理論基礎技術突破階段（2000-2010）：2006年Geoffrey Hinton團隊開創深度神經網路架構2009年Google Voice成為首個商用級語音識別產品計算能力提升推動AI從實驗室走向實際應用人工智慧產業化騰飛期（2010-2025）：2010年代，AI實現從實驗室到產業化的跨越，依託巨量資料、雲端運算和5G三大技術支柱。2016年成為分水嶺：電腦視覺、語音識別和自然語言處理取得突破。2020年後進入大模型時代，呈現規模躍遷、行業滲透和應用深化三大特徵。當前AI產業已形成研發-落地-變現閉環，重塑全球格局。03 上游產業鏈全球AI產業鏈上游主要由晶片（如GPU/TPU）、算力設施、資料資源和演算法研發四大核心要素構成。當前該領域面臨三大關鍵挑戰：晶片製程突破等技術瓶頸、算力資料資源壟斷的產業格局，以及各國政策法規的差異化約束，這些因素既形成發展壁壘，也孕育著創新機遇。1 硬體技術壁壘高性能計算晶片是AI發展的核心驅動力。隨著AI算力需求激增，GPU已成為關鍵硬體，目前該市場由輝達和AMD主導，形成較高技術壁壘。輝達主導市場：輝達憑藉A100/H100等高性能GPU主導AI計算市場，其CUDA平台和深度學習軟體庫進一步推動了AI技術普及。國產替代加速：國內晶片企業加速替代處理程序，寒武紀"思元"系列已應用於AI訓練推理，但在深度學習算力方面與國際巨頭仍存差距。2 資料資源壟斷：資料是AI發展的核心資源，掌握海量資料的Google、亞馬遜、阿里等科技巨頭憑藉資料優勢推動AI進步，形成行業壟斷格局。AI訓練資料高度集中於Google、Facebook（使用者行為資料）和亞馬遜（消費交易資料）等網際網路巨頭，而中小企業因資料資源匱乏在AI研發和市場競爭中處於弱勢。04 中游產業鏈人工智慧產業鏈中游，涵蓋了演算法創新、技術競爭和平台生態三大核心環節，是推動AI從理論到應用的重要推動力。1 演算法創新：大模型（如GPT-4、百度文心）通過海量資料訓練，顯著提升了生成式AI的自然語言處理能力，推動文字生成、機器翻譯等應用快速發展。GPT-4訓練成本達數百萬美元，GPT-5更需10兆次計算（TFLOPS）。DeepSeek等平台推出分散式運算方案，降低大模型訓練成本。2 技術競爭：全球AI領域呈現開源（如Llama、Qwen）與閉源（如GPT、文心一言）兩大陣營競爭格局。開源模型憑藉低成本、高定製性助力中小企業；閉源模型依託強大算力資料保持性能優勢。雖然開源模型顯著降低了AI應用門檻，但閉源模型憑藉其深厚的技術積累和成熟的商業生態，仍在核心技術突破和高端應用場景中保持領先優勢。3 平台生態：隨著人工智慧技術加速商業化處理程序，AI平台憑藉其作為核心基礎設施的關鍵作用，正在產業鏈中游形成戰略支點，為各行業智能化轉型提供標準化、模組化的解決方案支撐。隨著人工智慧產業化處理程序加速，MaaS（Model-as-a-Service）模式正成為AI商業化的重要範式。以阿里雲、百度智能雲為代表的頭部雲服務商紛紛佈局AI模型服務市場，通過整合算力資源、預訓練模型和開發工具鏈，為企業客戶提供從模型訓練到部署應用的全生命周期服務解決方案，顯著降低了AI技術的應用門檻。一站式AI服務解決方案：領先的雲平台整合了算力資源、開發工具和預訓練模型，使企業能夠跳過複雜的基礎設施建設環節，直接實現從模型訓練到生產部署的全流程快速落地，將AI開發周期縮短60%以上，顯著提升企業智能化轉型效率。標準化API服務生態：通過RESTful API和SDK等標準化介面，開發者可以像呼叫基礎雲服務一樣便捷地整合AI能力，實現開箱即用的模型呼叫和功能擴展，使AI技術應用的門檻降低至普通開發人員也能輕鬆掌握的水平。05 下游產業鏈AI應用主要覆蓋三大領域：消費電子（C端）、企業服務（B端）和行業解決方案。隨著技術進步，AI正在全球範圍內加速產業升級，從智能製造到智慧醫療，深刻改變著各行業的營運方式。1 消費趨勢：智能家居與AI助手：智能音響、家居裝置以及AI助手（如Siri、Alexa）日漸普及。預計到2025年，全球智能家居市場將超過900億美元，AI助手則成為個人生活和工作的常見工具。企業市場（B端）：AI正在幫助企業降低營運成本並提升效率。例如，AI客服逐步替代傳統人工客服，節省人力資源，提高客戶響應速度。2 管道分化：AI部署架構演進:雲端運算（如Azure OpenAI）與終端裝置（手機/眼鏡/機器人）正形成協同生態，推動AI應用向"雲邊端"一體化發展。技術趨勢:5G+邊緣計算加速AI Agent本地化部署，預計2025年終端裝置AI滲透率將達65%，實現即時智能響應。3 行業滲透率：中國AI應用滲透率領先領域：網際網路(89%)、電信、黨政、金融(均超60%)。網際網路‌：AI驅動廣告精準投放（CTR提升35%）、搜尋最佳化及社交推薦，滲透率達89%電信‌：5G+AI實現網路自最佳化，智能客服替代率達60%，維運效率提升200%金融‌：智能風控降低壞帳率40%，AI投顧管理規模突破兆，反欺詐精準率超99%AI正加速變革醫療與教育行業：醫療領域AI影像診斷精準率超95%，新藥研發效率提升40%；教育領域智能教學覆蓋超30%中小學，線上教育AI滲透率年增35%。預計兩大行業AI市場規模將迎來指數級增長。06 面臨的風險AI產業高速發展伴隨三大核心風險：技術落地瓶頸、市場商業化不確定性、政策倫理合規挑戰。1 技術風險：大模型邊際收益遞減隨著AI模型規模擴張面臨成本收益失衡，訓練部署成本呈指數級增長，而模型性能的邊際收益卻逐步遞減，最終導致投資回報率（ROI）持續走低。演算法可解釋性不足在醫療診斷、金融風控等高價值決策場景中，AI模型的可解釋性已成為關鍵性技術指標。但現階段主流深度學習架構普遍存在"演算法黑箱"問題，其內部決策邏輯缺乏可視化呈現和邏輯追溯能力。這種技術侷限性不僅制約了AI在關鍵領域的深度應用，更可能引發監管合規風險與使用者信任缺失的系統性挑戰。2 市場風險：科技巨頭掀起價格戰AI行業正面臨巨頭擠壓效應：頭部企業通過價格戰和技術軍備競賽形成市場壟斷態勢，使資金鏈脆弱的中小企業陷入"創新難-盈利難"的雙重困境，嚴重威脅其市場生存空間。盈利模式模糊AI行業普遍採用免費/低價策略，致使盈利模式模糊。典型如OpenAI等企業仍處虧損階段，商業可持續性存疑。3 其他挑戰：資料隱私與安全AI依賴海量資料，但隱私與安全問題可能引發信任危機，制約技術發展。演算法偏見與公平性AI演算法偏見可能放大社會不公，如招聘系統中的歷史資料歧視問題。AI產業競爭力核心在技術自主、生態協同與場景深耕。企業須平衡技術創新與商業化，方能贏得全球競爭。附：2025年全球人工智慧展望報告2025 年，人工智慧正站在從弱智能（ANI）邁向通用人工智慧（AGI）的臨界點：行業共識把 AGI 落地窗口鎖定在 2026–2045 年，其核心標誌是跨領域複雜問題解決能力，技術路線圍繞“世界模型＋具身智能”展開。產業已成型“基礎設施（AI 晶片/伺服器/叢集）—模型（多模態、推理、開源）—應用硬體（智能體、AI 終端、垂直場景）”三層架構，算力升級、強化學習迭代、開源生態與推理能力躍遷四者協同，為 AGI 提供底座。AI Agent 成為年度變革引擎，憑藉“感知-認知-執行”閉環和 MCP/A2A 協議驅動的多 Agent 協作，全面滲透通用、行業與企業場景。全球科技巨頭（NVIDIA、Google、OpenAI、Anthropic、阿里雲、DeepSeek 等）在晶片、模型、智能體工具與開源生態上展開差異化競速。未來 AGI 將沿世界模型、多模態、持續強化學習、非 Transformer 架構和具身智能五大方向演進，2025 年因此被視為“量變到質變”的關鍵年份，技術協同、場景落地與生態共建共同決定 AGI 處理程序。以下為報告原文節選，文末附2025年全球人工智慧展望報告全文：(TOP行業報告)

"AI可能毀滅人類，而中國正在引領全球應對這場危機——其他國家必須加入！"你是否知道，全球AI發展正面臨一個致命悖論：我們正在以火箭般的速度開發AI，卻沒有建立相應的安全機制？Nature最新 editorial 發出震撼警告：中國提出的"世界人工智慧合作組織"(WAICO)可能是阻止AI毀滅人類的唯一希望，而美國等國家的不作為將使全球陷入危險境地！🔥 AI的雙面性：天使還是魔鬼？AI模型擁有令人驚嘆的能力，既能加速科學發現、推動經濟增長，也可能在不經意間造成災難性後果：• 加劇社會不平等：AI演算法可能強化現有的社會偏見• 助力犯罪活動：深度偽造技術已用於詐騙和政治操縱• 傳播虛假資訊：AI生成內容難以分辨真偽• 最可怕的威脅：部分頂尖研究者警告，超級智能AI可能在未來"毀滅人類""它們不完全理解世界，可能會以不可預測的方式失敗。" ——Nature editorial更令人擔憂的是，在AI開發的"百米衝刺"中，安全問題被嚴重忽視。許多專家擔心，當前的AI熱潮正在形成一個即將破裂的經濟泡沫，而全球卻缺乏統一的監管框架！🌐 全球AI治理：三國演義的現狀🇺🇸 美國：自由放任的"野蠻生長"美國作為全球AI技術的領導者，卻沒有國家層面的AI法規，僅靠各州零散的法律和企業自律。最新發佈的"AI安全指數"顯示，沒有一家美國公司得分高於C+。更令人擔憂的是，美國政府不僅沒有加強監管，反而在推動"創世任務"(Genesis Mission)，為AI開發者提供前所未有的政府資料存取權，被比作"登月計畫"。"美國公司期望自己監管自己，同時又在無休止的競爭中。" ——Nature🇪🇺 歐盟：謹慎前行的"AI法案"歐盟去年推出的《AI法案》要求最強大的AI系統加強威脅分析，但實施效果尚不明確。媒體報導稱，企業正在向歐盟施壓，要求放寬法律限制。儘管有巨額罰款的威脅，但法案實施仍處於初級階段，實際效果有待觀察。🇨🇳 中國：快速行動的"監管先鋒"與美歐不同，中國自2022年以來已推出一系列AI法規和技術標準：• 要求AI開發者提交生成式AI模型進行部署前安全評估• 強制在AI生成內容上加入可見、不可磨滅的水印• 2025年上半年發佈的AI國家標準數量等於過去三年總和"中國在2025年上半年發佈的AI國家標準數量等於過去三年總和。" ——Concordia AI中國AI監管的核心理念是：既要推動AI廣泛應用，又要確保可追溯性和企業責任。儘管中國AI企業在"AI安全指數"上的得分低於西方同行（部分原因是未能充分應對災難性濫用風險），但其監管速度和系統性令人矚目。🌐 WAICO：中國提出的"AI聯合國"中國提出建立"世界人工智慧合作組織"(WAICO)，旨在協調全球AI監管規則，同時"充分尊重各國政策和實踐的差異"，並特別關注全球南方國家。WAICO的總部計畫設在上海，雖然細節尚未明確，但Nature認為："建立這樣一個機構符合所有國家的利益，全球各國政府都應該加入。"WAICO不會直接強制執行AI規則（中國也表示支援聯合國主導的全球AI治理），但它可能成為各國逐漸凝聚共識的平台。🤝 為什麼中國方案值得關注？1️⃣ 中國AI的全球影響力中國推行"開放權重"政策，使全球公司越來越多地基於中國AI建構服務。中國AI模型的可獲取性和低成本正在重塑全球AI生態。"中國'開放權重'模型政策意味著全球公司越來越多地基於中國AI建構服務。" ——Nature2️⃣ 全球治理的迫切需求現有全球AI治理努力——如經濟合作與發展組織的AI原則和歐洲委員會的《人工智慧框架公約》——要麼不具約束力，要麼未得到有效執行。Nature建議，WAICO可以借鑑國際原子能機構(IAEA)的模式：各國同意限制AI開發並開放系統接受檢查，使各國能夠驗證彼此是否遵守規則。🌍 科學啟示：AI治理不是零和遊戲Nature editorial 發出重要警示："AI治理不應被視為地緣政治競賽，認為一個國家的安全可以通過技術主導來保證。'獲勝'對大多數國家來說不是選項，AI軍備競賽不會保證人們更安全或更富裕。"相反，全球應共同合作，就什麼是安全的AI以及世界希望如何利用AI達成共識。中國學者Angela Zhang指出，儘管中國監管有其政治考量，但其基本動機與他國"相當相似"："他們不想被機器人消滅。"💡 科研人員和企業的行動指南1️⃣ 關注中國AI標準隨著中國AI影響力的擴大，瞭解中國的AI標準對全球研究人員和企業至關重要。忽視這一趨勢可能導致技術落後或合規風險。2️⃣ 參與全球對話科研人員應積極參與多邊對話，幫助評估什麼樣的全球治理既有效又現實。AI安全需要全球智慧，而非單一國家的解決方案。3️⃣ 平衡創新與安全企業和研究機構需要在追求創新的同時，主動加強內部AI安全機制，而不是等待監管強制要求。 (聖不可知)

GoogleDeepMind這兩天推出的AlphaEvolve的新系統，因其在演算法設計上展現出的超越人類專家的原創能力，引起了業界的廣泛關注，其中也包括來自OpenAI等頂尖研究機構的目光。該系統不僅成功最佳化了沿用數十年的經典演算法，更在多個實際應用中設計出全新解決方案。AlphaEvolve的核心在於其巧妙地結合了GoogleGemini模型的強大程式碼生成能力與一種進化演算法。通過這種機制，系統能夠自主探索、生成並迭代最佳化演算法程式碼。其最引人注目的成就之一，便是針對已存在56年之久的Strassen矩陣乘法演算法提出了更高效的計算方法，減少了產生結果所需的計算量。此外，DeepMind還運用AlphaEvolve在資料中心任務調度、電腦晶片設計以及大型語言模型（如Gemini自身）的最佳化等領域取得了突破，設計出超越現有已知方案的演算法。DeepMind的研究人員強調，AlphaEvolve所發現的演算法並非對現有知識庫的簡單模仿或重組，而是“可被精確證明是全新的、且正確的”，這些成果在訓練資料中並不存在。這標誌著AI在特定任務上，已從學習和複製邁向了真正的創造和發現這種原創能力正是AlphaEvolve引起業內高度關注的關鍵。OpenAI的研究員Jason Wei坦言對AlphaEvolve的進展感到“震撼”：“判別器-生成器差距”可能是AI驅動科學創新的最重要的理念。AlphaEvolve的成功，正是利用了這一點：只要我們能夠清晰地定義問題並建立有效的評估（測量）體系，AI憑藉其強大的算力和搜尋能力，就能在巨大的可能性空間中找到最優解。Jason Wei甚至提出“測量就是你所需要的一切”（Measurement is all you need），只要問題可以被量化和快速驗證，AI就有潛力在該領域取得突破--jason wei這裡大家可能對判別器-生成器差距 (Discriminator-generator gap) 這個概念比較陌生，這通常指的是生成對抗網路（GANs）中的核心概念。在GANs中，生成器（Generator）嘗試建立逼真的資料（例如圖像、文字），而判別器（Discriminator）則努力區分真實資料和生成器建立的虛假資料。兩者在持續的競爭中共同進化和提升，生成器力求“欺騙”判別器，判別器則不斷提高識別能力。“差距”指兩者能力之間的差異，或者通過這種對抗過程驅動的創新潛力AlphaEvolve並非DeepMind在利用AI探索科學邊界方面的首次嘗試。此前的AlphaTensor項目利用強化學習發現了新的矩陣乘法演算法，而FunSearch則使用進化方法為特定問題生成更高效的程式碼。這些項目的共同點在於，它們都旨在讓AI超越模式識別，進入主動發現和創造的領域Google最近一直在放大招，感覺又重回AI領頭羊的角色了，據說Google會在北美5月20號的I/O大會上放出Gemini 2.5超大杯，我們拭目以待，哈哈，OpenAI放出Codex已經提前狙擊Google了 (AI寒武紀)

蘭德公司(RAND)發佈的《人工智慧演算法進展：進步調查與近期未來預測》研究報告由Carter C. Price、Brien Alkire和Mohammad Ahmadi撰寫，於2025年初完成。該報告對人工智慧演算法改進進行全面調研，分析了演算法進步的關鍵管道和未來發展趨勢。報告主要內容包括：人工智慧演算法改進的定義與維度、數值分析與運籌學中演算法進步機制分析、大型語言模型性能提升的關鍵因素，以及對近期AI發展的預測。研究發現兩個高影響力的演算法改進管道是：資料合成與最佳化，以及提高資料效率的改進演算法。報告還探討了三種可能的近期發展情景：資料限製成為瓶頸、演算法無法有效擴展，或演算法與資料協同發展。值得注意的是，2024年12月問世的DeepSeek-V3語言模型成為演算法改進的重要實例，展示了混合專家系統架構的優勢。該報告為政策制定者提供了基於證據的預測，幫助理解AI技術發展軌跡及其安全影響。演算法改進的本質與維度什麼才算是演算法的改進？這個問題並沒有一個標準答案。從本質上講，當演算法變化能夠在特定任務上帶來更好的性能表現或減少所需的計算資源（或兩者兼具）時，我們可以稱之為演算法的改進。這種改進可能是主觀的（如對人類偏好的樣本統計），也可能是客觀的（如減少執行數學運算所需的浮點運算次數）。演算法改進可以從不同維度來描述。從強度邊際來看，改進包括減少輸入需求（如訓練資料、訓練計算量或模型參數）或在相同或更少輸入的情況下獲得更好的性能。本質上，強度邊際關注的是效率。而廣度邊際的改進則包括新能力或應用領域的擴展，比如解決之前模型無法解決的新問題類別。演算法改進也可以發生在不同階段：訓練階段、訓練後調整階段或推理階段。訓練階段的改進尤為重要，因為訓練需要前期投入大量成本，這可能成為未來模型發展的障礙。某些演算法變化可能會在多個維度上帶來改進，或者在一個維度上的改進是以犧牲另一個維度為代價的。人工智慧演算法進步的歷史與現狀縱觀人工智慧演算法的發展歷史，我們可以看到演算法改進在人工智慧性能提升中扮演了關鍵角色。研究表明，在各種問題類型的性能進步中，演算法進步貢獻了50%到100%的改進。特別是在大型語言模型領域，從2012年到2023年，預訓練後的語言模型性能提升中，有5%到40%歸功於演算法改進。兩個關鍵創新帶來了大部分性能提升：Transformer架構的引入和來自Hoffmann等人(2022)的縮放定律。Transformer作為深度學習架構，徹底改變了自然語言處理領域。而縮放定律則揭示了模型大小、訓練計算量和模型性能之間的經驗關係，為模型設計提供了重要指導。然而，關於演算法進步的速度和方向，目前並沒有明確共識。一些研究認為，人工智慧系統的性能正趨於穩定並接近人類水平，而另一些研究則預測演算法每年會帶來大約半個數量級的模型改進，如果這一趨勢持續到2027年，人工智慧系統將能夠承擔人工智慧研究者的工作。演算法改進的主要管道通過對數值分析、運籌學和電腦科學領域演算法的廣泛研究，我們可以識別出幾個可能的演算法改進管道，並探討它們對人工智慧發展的影響。高影響潛力的管道兩個可能帶來高影響的演算法改進管道涉及：資料合成與最佳化：生成合成資料或精簡現有資料，以生成更適合訓練人工智慧的資料集。隨著高品質資料資源的日益稀缺，如何高效利用現有資料或創造新資料將成為關鍵。資料效率提升：改進演算法以提高計算效率，例如開發比Transformer計算成本更低的演算法（如Mamba），或者每次迭代效果比Transformer更好的演算法（如Kolmogorov-Arnold網路）。這兩種改進也可能同時發生。潛在突破性管道一個可能帶來突破的管道是開發更符合商業實用性能衡量標準的替代訓練標準（本報告中鬆散稱為目標函數）。當前的訓練方法主要基於預測下一個標記的交叉熵損失函數，但這可能與商業上有意義的性能衡量標準不完全匹配。演算法進步的案例：DeepSeek-V3值得一提的是2024年12月問世的DeepSeek-V3語言模型，它是演算法改進的重要實例。根據DeepSeek的介紹，該模型"優於其他開源模型，達到與領先閉源模型相當的性能...僅需2.788M H800 GPU小時完成全部訓練"。DeepSeek-V3採用了專家混合(MoE)架構，通過採用多頭潛在注意力機制和架構變更，實現了高效推理和經濟高效的訓練。此外，它還實施了新的負載平衡策略，並執行多標記預測訓練目標以獲得更強性能。模型訓練後，還進行了監督微調(SFT)和強化學習階段，以使其性能與人類偏好保持一致。人工智慧演算法的近期未來發展基於對高影響管道的分析，我們可以展望人工智慧演算法在近期可能的發展趨勢。根據不同管道的進展程度，可能出現三種近期未來情景：1. 資料限製成為瓶頸如果無法獲取額外資料，可能會阻止模型繼續高效擴展，這可能導致小型、專注的人工智慧系統主導市場。在這種情況下，研究人員將更加專注於如何從有限資料中提取最大價值，比如通過更高效的訓練演算法或更精確的資料篩選方法。2. 演算法無法有效擴展如果可以通過合成生成獲得額外資料，但新演算法無法通過包含這些額外資料有效提取有意義的性能提升，那麼大型模型的工作可能會繼續，但小型人工智慧系統可能會在市場上佔據主導地位。這種情況下，研究重點可能會轉向如何最佳化現有演算法以更好地利用新資料。3. 演算法和資料協同發展如果能夠生成額外資料，並且有新演算法能夠高效利用這些資料，那麼大型模型可能會繼續主導市場，並且可能出現性能上的實質性突破。這種情景下，我們可能會看到人工智慧能力的快速提升，開闢全新的應用領域。人工智慧進展的指標與政策思考如何評估人工智慧演算法的進展？Stanford人類中心人工智慧研究所的2024年人工智慧指數報告指出，人工智慧性能已經接近或超過人類在九個技術性能基準上的表現。然而，最近幾年這些基準的性能已經趨於穩定，這可能表明人工智慧能力已經達到平台期，或者研究人員正轉向更複雜的研究挑戰。對於政策制定者而言，瞭解演算法進步的方向和速度至關重要，這有助於預測人工智慧技術的發展軌跡，並制定相應的政策措施。例如，如果資料成為限制因素，政策制定者可能需要關注資料隱私和資料共享的規定；如果演算法擴展成為挑戰，則可能需要增加對基礎研究的投資。值得注意的是，隨著人工智慧技術的發展，安全和倫理問題也變得越來越重要。確保人工智慧系統的安全、可靠和符合人類價值觀是一個複雜的挑戰，需要技術和政策層面的共同努力。例如，強化學習與人類反饋(RLHF)的研究正致力於將人工智慧系統的行為與人類偏好和價值觀保持一致。結語人工智慧演算法的進步是一個複雜而動態的過程，涉及多個維度和管道。通過理解演算法改進的機制和管道，我們可以更好地預測人工智慧技術的未來發展方向，並為政策制定提供依據。在可預見的未來，資料合成與最佳化以及資料效率提升將是推動人工智慧發展的關鍵因素。如何在保障安全的前提下，最大限度地發揮這些技術的潛力，將是研究人員、產業界和政策制定者共同面臨的挑戰和機遇。隨著人工智慧技術不斷演進，我們需要保持警惕和適應性，既要抓住技術進步帶來的機遇，也要應對可能出現的風險和挑戰。只有這樣，我們才能確保人工智慧的發展真正造福人類社會。人工智慧演算法的進步不僅僅是技術問題，也是關乎社會、經濟和倫理的重大議題。通過跨學科的合作和全球範圍的對話，我們可以共同塑造一個人工智慧技術為人類服務的未來。在這個未來中，演算法不僅僅追求效率和性能，也要體現公平、透明和負責任的價值觀。這將是人工智慧發展的終極目標，也是我們共同的責任。 (歐米伽未來研究所2025)

RISC-V作為一種開源指令集架構，大國博弈疊加DeepSeek帶來應用端算力緊缺，在今年迎來新的發展契機。DeepSeek憑藉開源、低成本、高性能的特性，在今年帶來一場AI演算法革命，並引燃AI應用的豐富創新。與此同時，AI爆發也進一步暴露雲端與智能終端算力的緊缺。當前，算力資源及話語權，已經成為顯性競爭要素，也將在很大程度上決定未來產業的發展上限。眾所周知，在計算晶片產業上游，晶片指令集架構長期由國外廠商主導。尤其以x86架構和ARM架構為例，構成了指令集生態的兩大核心陣營。不過由於其相對封閉，指令集及IP使用高度依賴授權，技術自主性具備一定風險。由此，RISC-V作為一種開源指令集架構，近年迎來發展契機，並且在政府支援、產業自驅共建以及學術研究等不同層面，均取得持續性進展。值得關注的是，RISC-V的商業化，可能是此前業界對這一開源架構前景的最核心擔憂之一。但也有業內人士表示，“國內開源機構近年在模式上的一些創新，讓我看到，RISC-V可能比此前預想要更早地能夠作為中國晶片的基礎架構，將產業發展起來。”▍RISC-V有望滿足高性能計算需求據瞭解，與x86架構和ARM架構相對封閉不同，RISC-V選擇了一條完全開放原始碼的道路，任何人都能免費使用、修改和擴展，並通過RISC-V國際基金會為核心晶片架構設定標準，但不擁有或控制技術。同時，還具備RISC-V低功耗和靈活定製的優勢，這意味著RISC-V在全球算力緊缺以及地緣政治風險中，發展備受期待。RISC-V作為一種精簡指令集，只有47條基礎指令。據業內人士介紹，此前，RISC-V晶片的應用領域以物聯網為主，並且被認為性能相比其他架構存在更加明顯的“天花板”。但在人工智慧時代下，通過涉及硬體加速器、拓展指令集、最佳化處理器架構等最佳化手段，持續實現性能提升，也將有機會滿足AI等更多應用領域對於RISC-V晶片的需求。中國科學院計算技術研究所副所長、研究員包雲崗在日前舉行的“好望角科學沙龍”上表示，RISC-V正引領晶片設計從“私有封閉”向“開源協作”的範式革命。不僅如此，中國香山高性能處理器核IP、玄鐵C930伺服器晶片等RISC-V領域的技術突破，驗證了RISC-V在高性能計算領域的可行性。“開放原始碼的RISC-V正在快速崛起，成為全球科技產業的重要一環，其生態也將開闢中國晶片自主新賽道。”包雲崗如是稱。“好望角科學沙龍”由硬科技早期投資機構中科創星發起，持續聚焦人工智慧、光子科學、量子計算、可控核聚變、生命科學、合成生物學等前沿領域，促成產學研交流。3月22日，在上海舉辦了“RISC-V與開源晶片”的專題沙龍，40多位來自AI、晶片領域的專家學者與科技企業創始人、硬科技投資機構負責人參與探討。Omdia此前報告顯示，2024年至2030年期間，基於RISC-V的處理器出貨量將以每年近50%的速度增長，預計到2030年出貨量將達到170億顆，RISC-V 處理器將佔據全球市場近四分之一的份額。其中，預計到2030年，基於RISC-V的AI處理器出貨量將超過5億顆，大量RISC-V企業將從中獲益。▍多地產業政策出台 RISC-V發展盲區在何處今年多地政府新增RISC-V生態支援政策。在上海浦東的積體電路設計產業園內，今年新增RISC-V生態街區，將以上海開放處理器產業創新中心（SOPIC）為核心，加大力度扶持培養RISC-V各應用領域的中小企業。目前已入駐“RISC-V生態街區”的上海開放處理器產業創新中心，正協同RISC-V產業鏈上下游企業和科研院所，共建RISC-V關鍵共性技術平台，用開放的硬體平台建構開放原始碼的軟體生態，與國內高校合作培養RISC-V專業人才，推動RISC-V產業創新發展和產業化落地。在北京亦莊，2024年12月發佈了RISC-V產業發展行動計畫以及《RISC-V標準體系》等多項重點項目，提出將開放十大應用場景，通過開放智算中心、工業生產、自動駕駛、政務服務、教育服務、金融服務、醫療健康、大模型終端等應用場景，加速RISC-V在北京乃至全國的技術創新與應用落地，同時目標到2030年，實現產業規模超過500億元。香港特別行政區政府在2025至2026年度財政預算案中提到，香港投資管理有限公司將促進人工智慧技術的研究和產業化發展，包括開源技術，尤其是RISC-V開源晶片的設計和應用。日前港投公司正式宣佈投資賽昉科技，賽昉科技將在香港設立子公司並開展業務，雙方將合力推動RISC-V產業的發展，包括整合晶片設計、系統開發與應用場景資源，建構指令集架構到終端應用的垂直創新鏈。中國科學院計算技術研究所副所長、研究員包雲崗表示，RISC-V在應用中還需要攻克“三座大山”，分別是工具鏈短板、標竿案例缺失和人才缺口。尤其是人才缺口方面，包雲崗認為RISC-V領域從晶片設計、驗證、解決方案、技術支援等各個層次人才均不足，教學、資料、培訓、認證等需加強。但就當前的產業應用落地而言，有ARM架構CPU晶片企業的負責人向《科創板日報》記者表示，RISC-V生態IP資源不足，更大的考驗還在於商業閉環的形成，以及自研IP帶來的高成本和生態碎片化。“但國內開源機構近年在模式上的一些創新，讓我看到，RISC-V可能比此前預想要更早地能夠作為中國晶片的基礎架構，將產業發展起來。”據瞭解，2021年由北京市和中國科學院組織了國內一批行業龍頭企業和頂尖科研單位，發起成立北京開源晶片研究院，主要攻關RISC-V領域關鍵共性技術、建設關鍵支撐平台、最佳化生態治理、推動重點行業規模商用等內容，同時圍繞“香山”開源高性能RISC-V處理器核與“一生一芯”人才培養計畫開展研究工作。2024年，阿里達摩院則牽頭成立了“RISC-V無劍聯盟”，以加速RISC-V的生態產業化。在商業模式上，據業內人士介紹，類似基於Linux進行發行版開發，對發行版進行收費創造價值，或者類似Google對Android系統進行開發後，再由手機廠商在此基礎上進行定製，“其他開源系統已形成能夠實踐的商業模式，RISC-V生態的商業化同樣有很大空間”。▍RISC-V架構版圖加速擴張 國內產業處第一梯隊RISC-V架構發展勢頭迅猛。據瞭解，RISC-V架構技術自2010年誕生後，15年時間裡完成了其他指令集架構30年的發展歷程，2015年首款RISC-V物聯網晶片落地。在2024年，輝達宣佈年出貨10億顆RISC-V核心。RISC-V生態共建有賴於頭部晶片廠商打造並提供開源IP，同時也有越來越多國內的晶片企業加入RISC-V IP開發當中。以達摩院為例，此前玄鐵已授權300多家企業，出貨量超過40億顆，在PC、電力、機器人等領域催生創新應用。芯原股份此前牽頭成立了RISC-V專利聯盟，並參與籌建上海開放處理器產業創新中心。該公司有多個以RISC-V核為架構的客戶項目正在推進。國芯科技近期表示，該公司已開展基於RISC-V指令架構的神經網路擴展指令集架構研究，形成神經網路處理器專用指令集，能夠支援神經網路演算法的加速處理，推出了CRV4AICPU和CRV7AICPU。該公司最新已完成設計和正在流片驗證的極高性能雲安全晶片CCP917T，也正是基於RISC-V架構的CRV7多核處理器進行設計，將適用於人工智慧、雲端運算安全、網路安全和營運商核心網應用。樂鑫科技表示，其基於RISCV開源指令集自研處理器的產品線收入已進入高增長階段，自研的高性能雙核RISC-V處理器驅動下的SoC產品，擁有AI指令擴展、先進的記憶體子系統，並整合高速外設，將充分滿足下一代嵌入式應用對人機介面支援、邊緣計算能力和IO連接特性等方面提出的更高需求。在研究領域，據東壁科技資料創始人、深圳大學特聘教授吳登生近日發佈的《RISC-V領域發展態勢研究報告》顯示，RISC-V領域的科研版圖正加速擴張，美國、中國、歐洲正在成為這一領域的創新三角。其中，RISC-V在人工智慧與機器學習、物聯網與邊緣計算、高性能計算等應用領域的拓展，處理器架構最佳化、低功耗設計、指令集拓展與最佳化等技術方面，成為近年學界熱度持續攀升的研究焦點。吳登生表示，“從整體上看，RISC-V領域的研究已進入穩定增長階段，RISC-V技術的未來發展趨勢值得持續關注。”海通證券表示，在RISC-V生態建設上，中國處於第一梯隊。在技術和應用上的貢獻度越來越高，這也意味著中國在RISC-V全球生態建設中正起到關鍵核心作用。 (財聯社AI daily)

圖片來源：Monica.im 3月6日凌晨，是DeepSeek 之後科技圈又一個不眠之夜，所有人都被一個名為Manus的產品刷屏了。 在蘋果發佈新品的同時，很多人徹夜蹲守Monica.im研發的全球首款AI Agent產品Manus的使用邀請碼。 據其團隊介紹，Manus是一個真正自主的AI代理，能夠解決各類複雜多變的任務。與傳統AI助手不同，Manus不僅能提供建議或答案，還能直接交付完整的任務成果。

這個春節，DeepSeek引起了全球的關注。各個行業，各個國家都在討論DeepSeek，這裡就不再過多討論了。下面，我將說說DeepSeek給我們帶來的最大的意義，那就是讓我們樹立了四個自信。 一、對科技的自信 長期以來，我們的科技界，總認為我們的科技總是落後於西方的。即使我們再努力，也只能跟著他們走，最多是離他們近一點而已，不可能超越。 但DeepSeek的橫空出世，讓人們看到了科技超越西方的可能。其實，我們很多企業，很多行業都在默默地做著該做的事，比如華為、大疆……但DeepSeek這次是與西方科技界近身肉搏，直接分出了個高下來。因此，DeepSeek的影響，遠大於其他企業。

生成式AI在中國的發展究竟是快還是慢？ 最近國外的Sora風頭正勁，讓不少國人產生了悲觀情緒。其實，國內生成式AI也在快速的發展中，就在Sora發布後不久的2月18日，網信辦發布了第四批深度合成服務算法備案信息，從中可以一窺我國生成式AI的現狀。 什麼是深度合成服務？指利用深度學習、虛擬實境等產生合成類演算法製作文字、影像、音訊、視訊、虛擬場景等網路資訊的技術，包括但不限於： （一）篇章生成、文字風格轉換、問答對話等生成或編輯文字內容的技術；