近10年來，以深度學習為主要技術路線的人工智能（AI），從判別（如圖像、文字、語音識別等）到生成（如文本、圖像、視頻、程序等）接連取得突破，DeepSeek、ChatGPT、Sora等應用展示多種技術可能。作為革命性通用技術，人工智能正加速融入人們的日常生活、生產工作和學習研究之中，推動人類經濟社會信息化進程邁向智能化的新階段。
發展新階段：從判別到生成，從單模態到多模態，從專用到通用
人工智能作為近年來科技領域最熱門的話題之一，其實并不是一項新技術。早在1956年，人工智能的概念就在美國達特茅斯學院召開的夏季研討會上被提出。此后經歷半個多世紀發展，都未能實現真正的實用化。2012年，加拿大多倫多大學教授杰弗里·欣頓和他的學生基于機器學習提出的深度學習神經網絡模型，在圖像識別挑戰賽上取得重大突破，激發AI領域的又一次發展熱潮，推動語音識別、圖像識別以及自然語言處理等多個領域快速進步。
AI技術不斷迭代升級。特別是2022年前后，生成式人工智能迎來全面爆發。2022年11月，美國OpenAI公司推出ChatGPT，以更大規模的模型實現了更強的內容生成（AIGC）功能。2024年2月，OpenAI公司推出的文生視頻大模型Sora，推動生成式人工智能從只能理解單一形式信息（比如文字、圖片、音頻等）的單模態，邁向可以同時理解多種形式信息（比如圖片和文字）的多模態。與此同時，全球的AI大模型競相超越又各有特長，國外谷歌的雙子座（Gemini）、安索皮克（Anthropic）的克勞德（Claude）、元公司（Meta）的Llama，中國的文心一言、智譜清言、豆包、書生·浦語、星火認知、360智腦、通義千問、混元、Kimi、零一萬物等，形成百花競放的局面。
2025年1月，我國人工智能企業深度求索（DeepSeek）推出新模型DeepSeek—R1，憑借技術創新和商業化潛力引發全球矚目。這不僅是因為該模型在自然語言處理方面表現卓越，更為重要的是其在訓練方法上實現了創新，成功降低了同類產品對算力資源的大量需求，顯著降低了使用成本。得益于此，用戶可將R1部署在個人本地設備，實現更為安全且個性化的服務。尤為重要的是，DeepSeek的開源模式為全球創新發展帶來新機遇，并有可能帶動全行業在未來形成以開源為主流的發展路線。
從判別到生成，從單模態到多模態，從專用到通用，是智能化發展新階段的重要標志。人工智能以自然語言為基礎的表達方式，正從方方面面滲透進大眾生活。從手機應用、智能音箱等智能助手，到智能網聯車和智能機器人等具身智能，再到能提供個性化服務的智能體以及更多的AI原生產品和服務，正加速向我們走來。
核心驅動力：計算機能夠從數據中學習規律并做出預測或決策
機器學習是指通過數據訓練模型，使計算機能夠從數據中學習規律并做出預測或決策。作為當下AI發展的主流技術路線，這條路線讓機器通過學習而不是靠預設規則來獲得智能，體現了學習是智能形成和發展的本質。可以說，生物智能也好、機器智能也好，都離不開學習，所有的成功和突破都源自學習。“生而知之”畢竟是極少數天才的特質，“學而知之”才適用于大多數人。人類在發展人工智能時也采用了學習的路線。
機器學習主要通過神經網絡實現。神經網絡作為機器學習的一種具體模型，就是通過模擬人腦的結構和功能來處理數據。人類大腦是由神經元和突觸構成，神經元通過突觸傳遞信號，實現信息處理、學習和記憶等功能。人工神經網絡模擬這一結構，利用集成電路芯片組成的電子計算系統，采用人工神經元和連接（即模型參數）代替生物神經元和突觸，通過輸入數據、調整權重來學習和預測，構成了AI的物質底座。
正如人腦層數越多，處理復雜信息的能力就越強，神經網絡也同樣需要更多的層數，這就需要借助深度神經網絡。以深度神經網絡構建的深度學習系統即為AI“模型”，這類模型的參數越多，就意味著模型越大，性能越強。例如，GPT—3模型實現了千億量級參數，GPT—4模型參數甚至達萬億量級。
簡而言之，機器學習是人工智能的核心驅動力，它通過從海量數據中提取有價值的信息，幫助人類做出預測、判斷和生成所需的內容，從而提升任務處理效率，將人力從繁重、重復、低級和危險的勞動中解放出來。2024年的諾貝爾物理學獎頒給了約翰·霍普菲爾德和杰弗里·欣頓，以表彰他們通過人工神經網絡實現機器學習的基礎性發現和發明。展望未來，機器學習通過不斷發展，必將為人類社會帶來更大驚喜。
更廣泛運用：AI智能體可望成為今年發展應用亮點
2025年將是AI走向更廣和更深應用的關鍵之年，AI智能體（或稱AI代理）可望成為今年AI發展應用的亮點。AI智能體可以說是人工智能技術的集大成者，具備自主性、感知能力、決策能力和行動能力等顯著優勢。它能夠通過理解交辦的任務、感知相應的執行環境，進而自主調用相應的智能模型功能、采取相應的行動，可以廣泛應用于工業、醫療、交通、金融和家庭等領域。每個用戶可能有多個AI智能體幫助解決各種需求，它們有的像是秘書，有的像是工匠，有的像是醫護，有的像是采購員，有的像是清潔工。
例如，某公司計劃設計一個活動邀請系統，在將活動時間、地點和主題等信息準確傳達后，AI可自動生成一個智能體“小組長”，負責整體規劃和調度。小組長可以召喚多個執行不同具體任務的智能體，1號智能體負責活動邀請函的策劃，2號智能體負責設計邀請函中的圖像及文字，3號智能體負責代碼制作和部署網頁，4號智能體負責檢驗差錯，他們就像是一個“工作專班”，成為完成個性化工作的“群體智能”。
通過AI智能體，各種AI技術將會被更方便、更廣泛、更有效地應用起來，將在多個領域引發根本性變革。同時，快速發展的“科研智能”正在形成科學發展的新范式，為科技這一第一生產力的發展賦能，意義深刻而長遠。在這個日新月異的智能時代，學會應用AI技術也將成為多數人的必備技能，人們需要學會以有效而適當的方式運用AI助益工作和生活。
“兩岸猿聲啼不住，輕舟已過萬重山。”隨著AI在生命科學、物質科學、數學、工程技術等領域的應用日益廣泛和深入，可以預見，正如歷史上機械動力和電氣技術極大拓展了人類的體力勞動能力一樣，AI正在加速拓展人類的腦力勞動能力，推動生產力實現又一次質的飛躍，并對人類社會的發展進步產生全面而深遠的影響。
在AI先進生產力驅動的社會智能化歷史進程面前，人類要把握和主導自身的命運，就必須提升自身的智能化能力，學會駕馭AI。各方應努力讓AI行駛在促進經濟繁榮和環境保護、保護公共利益和個人隱私、遵守法律法規和倫理良俗、促進公平正義與包容和諧的軌道上，確保AI造福全人類的可持續發展。
（作者為中國新一代人工智能發展戰略研究院執行院長）
鏈接
AI同學，請回答
網友問：什么是深度神經網絡？可以通俗易懂地介紹一下嗎？
DeepSeek：
深度神經網絡（DNN）是一種模仿人腦神經結構的機器學習技術，專門處理復雜數據。你可以把它想象成一個“多層級加工廠”：比如識別貓的照片，第一層先看像素點，第二層組合成線條，第三層拼出貓耳、胡須等特征，最后一層綜合判斷這是貓。每層由大量“神經元”（數學計算單元）組成，層與層之間通過可調節的“連接強度”傳遞信息。
它的核心能力在于自動學習特征。傳統算法需要人工設計規則（比如，先找邊緣、再識別形狀），而DNN能通過海量數據自己發現規律。訓練時就像教小孩認字：先猜結果，對比正確答案，再反向調整各層神經元的計算參數，經過數萬次迭代后越來越精準。
這種結構讓它在圖像識別、語音翻譯、自動駕駛等領域表現突出，尤其在處理非結構化數據（圖片、文字）時遠超傳統編程。但前提條件是需要大量算力和數據，模型內部決策過程也像“黑箱”一樣，難以完全解釋。
專家點評：
深度神經網絡的強大特征提取能力，與其網絡結構與規模分不開。根據通用逼近定理，只要神經元及其連接的數量足夠大，就可以逼近任意復雜的連續函數。而這些數量巨大的“參數”，是通過訓練（學習）來確定的。相信隨著網絡結構和訓練方法的持續創新，深度神經網絡的能力還可繼續提升。
網友問：我們應該如何理解大語言模型這個概念？別太復雜。
通義千問：
大語言模型可以理解為一個“超級聰明的文字助手”，它通過學習海量的文本數據，掌握人類語言的規律和知識。你可以把它想象成一個讀過無數書籍、文章、網頁的“大腦”，它知道怎么回答問題、寫文章、講故事，甚至還能編程、翻譯、聊天。
它的核心能力是預測下一個詞。比如你輸入一句話的開頭，它會根據上下文猜測接下來最可能說什么。通過這種方式，它能生成連貫、自然的文字。而且，因為它學了很多知識，所以不僅能回答簡單問題，還能處理復雜的任務，比如分析邏輯、總結長文或者模仿某種寫作風格。
不過，大語言模型并不是真正“理解”文字，它更像是在模仿人類的語言模式。它沒有感情，也不會主動思考，只是根據輸入的內容給出最合適的回應。所以，有時候它的答案可能看起來很合理，但其實是錯的，這就需要我們去判斷和核實。
專家點評：
大語言模型不僅網絡規模龐大，還采用一個重要的技術即“詞嵌入”技術。該技術將自然語言的“詞”嵌入到多維的語義空間，表達為“語義矢量”，從而可以對“詞”進行計算，由此可以跨越語言的形式（如英語、漢語，文本、圖像等），生成各方面內容。大語言模型的突破推動了人工智能幾乎所有（應用語言）領域的應用，但也面臨生成偏差、算力消耗、倫理風險等挑戰，需結合人類監督與技術優化以實現安全可控的發展。
（專家為中國新一代人工智能發展戰略研究院執行院長 龔克）
