我国应走出适合自己的人工智能赋能实体经济的高质量发展道路—孙凝晖
机械计算时代：算盘的出现；
电子计算时代：电子器件与电子计算机的出现；
网络计算时代：互联网的出现；
智能计算时代：AI 的出现；
1946
1946 年出现的通用计算装置，用于计算自动化问题。1956 年，AI 的概念诞生。此后所有人工智能技术的发展都是建立在新一代计算设备与更强的计算能力之上。
1990
1990 年的逻辑推理专家系统。符号智能学派科学家以逻辑和推理能力自动化为主要目标，提出了能将知识符号进行逻辑推理的专家系统。
人的先验知识以符号的形式进入计算机，使得计算机能在特定领域辅助人类进行判断和决策。但是专家系统严重依赖于手工生成的知识库或规则库。
2014
中科院计算技术研究所 2013 年提出了国际首个深度学习处理架构。2014 年左右，智能学派以学习能力自动化为目标，产生了深度学习等 AI 算法。
2020
当 AI 模型参数达到某个阈值后，模型的能力快速提升。模型的性能与模型参数规模、数据集大小、算力成对数线性关系。目前来说，通过增加参数规模可以显著提高模型的智能性；
根据《AI大模型对我国劳动力市场潜在影响研究》内容，财会、销售、文书等职业受 AI 冲击的程度位于前列，而需要与人打交道并提供服务的体力劳动型工作，如人力资源、行政、后勤等反而相对更安全。
同一个模型，接受多个不同的 token 序列，采用与 LLM 模型相同的方法学习。
分辨率、画面真实度、时序一致性。OpenAI 于 2024 年 2 月 15 日发布生成视频模型 SORA，具备世界模型的基本特征—即人类观察世界并进一步预测世界的能力。世界模型是建立在理解世界的基本物理常识之上，然后预测接下来发生的事件。
具有人造身体并支持与物理世界的交互。借助多模态大模型处理输入的数据，大模型的输出结果作为智能体的运行指令。可以说，具身智能的机器人包括：以神经网络为代表的连接主义，以知识工程为代表的符号主义，与控制论相关的行为主义。
AI for Research
使用 AI 进行科学发现和技术说明，提升人类的科学研究效率，实现从推断(inference)到推理(reasoning)的跃升。
AI 在科学研究的一些应用：
Artificial General Intelligence
AI 大模型当前主要是通过数据驱动等研究宏观世界的方法进行发展。AI 的变革性发展，还需要到神经系统的微观世界中寻找答案。
加强安全监管技术与可信的大模型；
美国在 AI 核心能力上处于领先地位，包括：
训练的高端算力芯片被禁售(A100,H00,B200等)，国内核心算力芯片落后国际 2-3 代；
国内 AI 生态发展不足，而 NVIDIA 的 CUDA(Compute Unified Device Architecture，通用计算设备架构)生态完备，具有 550 个 SDk(Software Development Kit，软件开发工具包)。
国内企业间无法形成一个深度适配的强竞争力技术体系，难以形成合力。
AI 从互联网行业向非互联网行业迁移的难度较大，单次使用成本较高，且 AI 人才数量明显不足。
智能计算体系发展的三条道路：
智能计算的一个核心特征就是用算法在算力池中加工海量数据，得到智能模型，再嵌入到信息和物理世界的各个过程中，网络上传输的智能流是算力对数据进行深度加工与精炼后的模型化抽象。
对于市场中绝大多数的中小微企业，需要的低门槛，低价格的智能服务。因此中国智能产业率先实现新型基础设施(数据，算法，算力)建设工作，类比与二十世纪初美国的信息高速公路计划中信息基础设施的建设。
在”AI+“成效中，美国倾向于回报率高的虚拟经济，轻视投资成本高且经济回报率低的实体经济。而中国更倾向于实体经济与虚拟经济同步发展，更加重视发展实体经济。
中国的优势在实体经济，制造业全球产业门类最齐全，体系最完整，特点是场景多、私有数据多。在"AI+"赋能相关产业中，其成功的关键在于能否让一个行业或一个产品的成本大幅下降，从而将用户数与产业规模扩大数倍。