1.1 生成式AI開創新時代

AI經過了從專家系統到神經網絡的起起伏伏的發展歷程。2017年Transformer模型的誕生和大模型的開發，促成了2022年11月ChatGPT的發布以及2023年3月GPT-4的橫空出世。雖然AI的發展經歷了多次起伏，但其智能水平和社會影響一直在提高（見圖1.1）。現在，與生成式AI相關的應用服務如雨后春筍般涌現，很多國內公司（如百度、騰訊和阿里云等）都已經成功開發出大模型，為大模型的應用提供了有力支持。

當今典型的大模型已經初步具備了人類的通識和邏輯推斷能力，這也是之前的AI所缺失的。多年前興起的以深度學習技術為支撐的AI（與生成式AI對應，被稱為判別式AI）已經相當成熟并得到了廣泛的應用，而生成式AI把這一次AI熱潮推向了新的高度。判別式AI主要在識別、翻譯、預測等方面的判別能力較強，可以被稱為某個領域的“專家”；而ChatGPT等大模型則可以被稱為各個領域的通用專家，這引發了公眾對AI的極大關注。

圖1.1　AI經歷了三次熱潮和兩次低谷

生成式AI的應用多種多樣，如DALL-E2、Midjourney、Stable Diffusion、Mini-Omni、Github Copliot和Sora等，它們不僅包括對話功能，還包括生成圖像、視頻、語音和程序代碼等功能。

在生成式AI基礎上發展起來的下一波熱潮將是代理式AI（Agentic AI[1]）。生成式AI的核心是創建新的內容，比如文本、圖像、音樂等，而AI智能體則進一步發展了這一理念，將其擴展到更自動化并具互動性的領域：智能體不僅可以生成內容，還能夠自主執行復雜任務、做出決策并與外部環境或其他系統交互，同時不斷學習和適應。

---

[1]　常被稱為AI Agent、AI代理或AI智能體，本書統一稱為AI智能體或簡稱智能體。

目前主流大模型的參數量都是千億級、萬億級的水平，展現出了驚人的泛化能力、遷移能力，產出的內容質量也更高、更智能。同時，訓練這些大模型需要海量數據。OpenAI為了讓GPT-3的表現更接近人類，使用了45TB的數據、近1萬億個單詞來訓練它，這相當于約一千萬本牛津高階詞典的詞匯。

大模型的能力比以往的AI有了長足的進步，它可以根據人類的提示（Prompt）寫出大量文字，其內容與人類寫的經常無法區分。雖然目前的生成式AI仍不完美，并會出現錯誤，但它們已經可以回答棘手的技術問題，例如回答以往需要向律師和計算機程序員等專業人士提的問題。它們甚至可以幫助人們更好地訓練其他AI。

AI能力的提升，依靠的是大量的計算機和服務器集群，而這些設備的核心器件就是AI芯片。因此，高性能的AI芯片成為最搶手的半導體器件之一，尤其是用于AI訓練的高端GPU芯片，不僅價格飛漲，而且供不應求，甚至因為種種原因被限購。

為了能夠滿足日趨復雜、密集的AI運算需求，同時盡可能降低能耗，AI芯片必須使用最先進的半導體芯片設計和制造技術。這掀起了半導體行業的技術競爭熱潮，也激發了產業界、學術界對半導體芯片的研發熱情，從而促進了芯片技術的加速發展。

根據市場調研公司灼識咨詢的預測，在生成式AI需求的推動下，AI芯片的全球市場規模正在迅速擴大：預計到2027年，AI芯片市場的銷售額會比2023年翻一番還要多，達到約3089億美元，復合年增長率為23%，其中中國AI芯片市場的銷售額預計達到1150億美元。這些銷售額中的很大一部分將來自云端訓練所使用的GPU。而邊緣側的AI推理芯片將在未來5年內迎來需求的高峰。