常見的人工智能大模型有 NLP（Natural Language Processing，自然語言處理） 大模型、CV（Computer Vision，計算機視覺）大模型和多模態大模型等。

NLP 大模型

現狀

分別在語言理解與生成、智能創作、機器翻譯、智能對話、知識圖譜和定制化語言解決方案落地應用，整體算法發展順利， 數據源可獲得性較強，產品迭代速度較快。

挑戰

語言的歧義、文化差異及多樣化、情感分析困難。

預期未來發展

以多個數據信息維度約束來驗證情感分析及文本分析的準確 性。

CV 大模型

現狀

2D 數據工業質檢、智慧城市 落地完善，應用場景多、可商 業化市場大，擁有最佳實踐； 人臉、OCR 識別發展較為成 熟。

挑戰

3D/4D數據識別面臨變形、光照、遮擋等可以依靠大規模預訓練模型解決部分痛點的問題；算法處理復雜。

預期未來發展

打通數據融合以突破 3D/4D 獲取瓶頸。

多模態大模型

現狀

面臨數據成本高、模型開 發難、算力資源不足等。

挑戰

融合不同模態的信息并提高模型的標識能力。

預期未來發展

多模態將持續拓展各行業 場景下的信息融合應用。

從技術的角度來看，大模型發端于自然語言處理領域，繼語言模態之后，如視覺大模型 等其他模態的大模型研究，也開始逐步受到重視。2023 年，是人工智能大模型快速發展的 一年，據不完全統計，國內公開的 AI 大模型數量已經超過 200 個，但國內大模型的能力與 迭代速度距離國際先進水平尚有差距。目前，人工智能技術的發展正面臨著大量跨模態任務 的挑戰，跨多個模態的數據融合問題開始變成行業探究的重點。隨著國內人工智能企業和人 形機器人企業加大合作力度，未來在大模型的賦能下，機器人擁有了更加智慧的大腦，自主 學習能力大幅提升