人工智能的七大關鍵能力：
感知、認知、決策、學習、執行、社會協作、 情感倫理與道德觀念。
人工智能發展階段：
第一個階段的AI是以邏輯推理為主，AI能力以聚焦決策和認知為主；
第二個階段的AI則是注重以概率統計的建模、學習和計算為主，AI能力開始聚焦感知、認知和決策；
第三個階段的AI聚焦學習環節，注重大模型的建設，AI能力覆蓋學習和執行；
第四個階段則聚焦執行與社會協作環節，開始注重人機交互協作，注重人類對人工智能的反饋訓練，當下正處于此階段。
AI技術宏觀演進趨勢：
合久必分、分久必合：從混沌到分科再到歸一，呈現多模態多學科融合歸一趨勢
人工智能研究構架在2020年之前一直處于大數據、小算力、專用決策范式下。
GPT-3的出現改變了這一切，讓大數據、大算力和通用范式成為典型模式。未來人工智能研究的認知構架是否會往大數據+小算力+通用小范式方向轉變？
大模型一定越大越好嗎？AI預訓練模型規模呈現指數級速度增長，未來將觸達規模法則上限，并不是大模型越大越好
七大AI能力的融合正在推動AI逼近人工智能的重要目標之一：通用人工智能
AIGC發展階段：
AIGC在當下的火熱來自三要素逐步走向成熟，推動行業進入應用落地階段。
AIGC技術架構體系：
人類進入人工智能時代，IT技術的技術棧發生了根本性的變化。過去基本分為三層：芯片層，操作系統層和應用層?，F在可以分為四層：芯片層、框架層、模型層和應用層。但甲子光年智庫認為當下的技術全棧仍然不能滿足ChatGPT推動下的新一代人工智能浪潮，未來的AI技術全棧將呈現新的技術架構體系。
在大模型與應用層之間需要一個中間層，以滿足向下對接大模型能力，向上提供個性化服務
AIGC技術架構分為三層：算力層、平臺層和算法層，算法層又分為基礎、中間、應用三層
AIGC驅動力與制動力：
數據、算力、算法三要素外，核心制約來自成本問題、數據質量問題、知識產權問題、能耗問題、安全問題
ChatGPT在AI技術演進歷程中的地位：
ChatGPT的出現代表AI技術的第三次范式升級：從大模型走向AGI。范式轉換1.0是從邏輯推理向概率統計的轉換，范式轉換2.0是從深度學習到大模型的轉換。當下我們正處于范式轉換3.0時期。
ChatGPT如何演化而來？
“暴力美學”：超大規模及足夠多樣性的數據、超大規模的模型、充分的訓練過程
AI算法演化之路：火爆的算法在經典算法之上優化而來
ChatGPT的訓練過程分為三個階段：訓練監督策略模型階段、訓練獎勵模型（RM）階段、訓練強化學習優化模型階段。
初代ChatGPT的訓練存在六大方面的局限性
數據的實時性和有效性、 深度領域知識處理有問題、跨模態能力不足、缺乏深度推理能力、缺乏深層語義理解能力、需要大算力支持其訓練和部署
ChatGPT未來的改進方向：多模態、少人化、小型化、進化力
ChatGPT帶來的深遠意義：
人類文明生產力躍遷：以ChatGPT為代表的AIGC工具的出現，標志著人類生產效率出現了第二次腦力效率飛躍
互聯網走出強弩之末，對傳統內容生成模式的顛覆與重塑，解放內容生產者，讓其有更多精力進行二次深加工
人與內容的關系發生根本性變革，AIGC加速元宇宙世界的內容構建，推動內容生產模式發生根本性變革
AIGC的應用領域將呈現多模態??多場景，逐漸融入千行百業
AIGC多模態融合的五大方向路徑
路徑1：文本到文本AIGC
路徑2：文本到圖像AIGC
路徑3：文本到3DAIGC
路徑4：音頻相關AIGC
路徑5：圖像到圖像AIGC
AIGC經典應用場景1：數字人與營銷數字化
AIGC的內容生成實現了營銷數字化的全流程閉環，打通營銷數字化的最后一個環節
AIGC與數字人的結合，推動數字人實現文本、語音、動畫、音頻等多模態交互
AIGC經典應用場景2： AIGC與新一代智庫的結合
對研究流程的重塑，實現預研環節內容重構與效率提升
搭建基于AIGC的新一代智庫產品架構體系，甲子光年已經具備一定基礎
ChatGPT風口下的投資機會
從技術架構下的產業分布來看，算力層和中間層企業將更有機會
中間層的AIGC在內容生成、推薦引擎、機器學習應用、知識圖譜、機器翻譯等領域布局少
從投入成本和回報情況來看，中間層和應用層的投入成本低，商業回報較好
AIGC對算力的需求指數級增長，算力供需已經失衡，需求拉動下算力層將有較大空間
云端芯片側重訓練，邊緣+終端層芯片側重推理，這兩類芯片均具有較高成長空間
平臺層下的數據平臺在數據處理與應用環節更為值得投資機構的關注
算法層下的中間層將涌現一批專門負責調整大型模型以適應具體AI應用需求的初創企業
初創企業適合入局中間層、數據平臺和應用層，大廠適合入局算力、平臺和基礎層
