趋势5：成熟应用加速拥抱AI，利用LLM能 力提升自身应用服务体验和产品竞争力， 不加AI就淘汰

　　人工智能发展步入生成式新阶段

　　当前，OpenAI的GPT系列大模型以42.9%的使用率位居榜首，而海外的Meta LLaMa系列大模型则以27.1%的使用率位列第三。在中国，阿里通义大模型以37.8%的使用率紧随其后，位居第二。整体来看，AI开发者在模型层的选型仍处于变动状态，尚未形成明确的竞争格局。而OpenAI发布的o1（草莓）模型，则再次定义了大型语言模型的技术方向与竞争焦点。

　　相比以往模型，OpenAI o1在优化推理过程方面表现出色，特别是在科学、编程和数学等复杂任务中显著提升。它能够像人类一样进行深入思考、逐步推导，这对于解决需要深度逻辑推理的问题具有重要意义，为人工智能在复杂任务处理上开辟了新的道路。

　　这一进步开启了Post-train阶段的Self-play RL（自对弈强化学习）范式，对后续大模型技术路线的升级和优化具有指引意义。传统预训练依赖全网语料，数据质量不一且有噪声，而RLHF后训练受人类标注数据限制。纯强化学习方法无需人类标注数据，能让模型自我探索学习，激发创新和探索能力，利于突破未知领域。然而，尽管Self-play方法已经开始应用，但仍存在挑战需要进一步研究和解决，包括收敛性、环境非平稳性、可扩展性与训练效率等问题。

　　在OpenAI发布O1推理模型后，国内大模型厂商也相继推出了自己的推理模型，这些模型在数学、代码、推理谜题等多种复杂推理任务上取得了显著进步。在复杂推理阶段，大模型需要具备更高层次的逻辑推理、因果推断和问题解决能力，以扩展其在更多领域的应用。这进一步提升了当前大模型技术能力的评价标准与竞争壁垒。

　　当前，自然语言、音频、视频等多个模态的理解与生成能力均显著提升。多模态模型的进展包括新模型的涌现、训练方法的优化、跨模态交互能力的增强以及性能的提升。例如，智源人工智能研究院的Emu3是全球首个原生多模态世界模型，通过自回归技术结合图像、文本和视频三种模态，在图像生成和视觉语言理解方面表现出色。新的联合训练策略则通过分阶段训练提高了模型的性能和效率。

　　多模态模型的统一有助于使其更接近人类的认知模式，从而更好地理解和处理复杂的自然场景，增强人机交互体验，拓展更广泛的应用领域。然而，多模态模型的进一步发展仍需在跨模态理解能力、提高模型的泛化能力、数据管理以及应用落地等方面取得突破。

　　Agent正凭借深度学习、强化学习、自然语言处理技术的突破以及多模态融合等方面的发展，逐步向具备更强学习和推理能力、能处理更复杂任务的超级智能体进化。Agent能更精准理解场景需求，高效处理复杂任务，提升整体工作效率，适应多元环境变化。其进化为超级智能体也将进一步促进多智能体应用的发展，包括提升任务处理与协同能力、推动多智能体系统架构的智能化和灵活化等。

　　然而，AGI（通用人工智能）的发展仍面临诸多挑战，包括计算资源限制、数据获取与质量难题以及伦理和安全性考量等。这些挑战使得AGI的发展需要长周期的摸索与研究。同时，AI基础能力的持续提升也加速了产业落地与产品应用的探索。从2024年开始，人工智能的发展将由模型开发与竞赛转向产品为先与场景打磨的新阶段。

　　在这一转变过程中，AI基础能力持续提升为人工智能的应用落地提供了有力的技术支撑。其他关键变化包括推理成本的显著下降、大模型竞争格局的变化空间以及压缩与蒸馏模型的广泛应用等。此外，合成数据技术的广泛应用也推动了AI技术的不断进步和应用领域的拓展。

　　当前AI原生应用主要覆盖专业用户群体并提升效率。在拥抱AI的浪潮中成熟应用通常从价值的角度考虑增强AI能力并将其作为内部提效工具或融入现有产品体系等。随着AI技术的深入理解和应用企业开始将AI能力集成到现有的产品和服务中以增强产品的功能和竞争力或推出以AI为主体的产品与解决方案等。未来各个领域的竞争也将因AI能力的加入而发生变化在AI应用第一阶段的竞争当中成熟应用相对具备领先优势但AI原生应用的颠覆式创新仍然有可能改变当前市场发展。