人工智能报告

基础能力测试：混元 VS Claude 3 VS Mistral1、数学能力： Claude 3 ＞混元 ＞ Mistral。测试3道高数题、1道线代题、1道概率题，Claude 3 正确率为80%，混元正确率为60%，Mistral 正确率为40%。2、编程能力：混元 ＞Claude 3 👍istral。测试数据分析、编写应用程序、贪吃蛇、爬虫，共5道编程题。编程1次运行成功率混元为80%，Claude 和 Mistral 均为40%，

如果说 2022 年被称为生成式人工智能之年，扩散模型应用取得突破，ChatGPT 出世，一系列开创性的研究论文发表，2023 年则把大模型推向了一个高峰，GPT-4 的发布，标志着生成式人工智能，进入了面朝通用人工智能创新应用的阶段。研究、应用、监管，合力开辟着生成式人工智能的发展之路。

市场规模：2023年全球VR终端出货量为765万台，其中Meta、Sony、PICO、DPVR和Valve位居前五。艾瑞预估2024年全球出货将突破810万台。伴随生态成熟与新品迭现，特别是苹果迭代产品对于市场的引爆可能性，艾瑞预估，2027年全球市场将有飞跃式增长

AI 硬件核心是算力和存力，HBM 高带宽、低功耗优势显著，是算力性能发挥的关键。AI 芯片需要处理大量并行数据，要求高算力和大带宽，算力越强、每秒处理数据的速度越快，而带宽越大、每秒可访问的数据越多，算力强弱主要由 AI 芯片决定，带宽由存储器决定，存力是限制 AI 芯片性能的瓶颈之一。AI 芯片需要高带宽、低能耗，同时在不占用面积的情况下可以扩展容量的存储器。HBM 是 GDDR 的一种，定位在处理器片上缓存和传统 DRAM 之间，兼顾带宽和容量，较其他存储器有高带宽、低功耗、面积小的三大特

数字经济引领着新质生产力，正带动各应用场景的广泛变革。自 2012年以来，我国数字经济平均增速 15.9%，已连续 11 年显著高于 GDP增速，数字经济正在成为经济的“稳定器”、“加速器”。而新质生产力作为一种先进生产力，其定义涵盖了技术突破、生产要素创新和产业转型。我们认为，数字经济正引领新质生产力，通过人工智能、大数据、扩展现实等关键技术的融合应用，引领内容创作、分发和消费模式的根本性变革。

经过大规模预训练的大模型，能够在各种任务中达到更高的准确性、降低应用的开发门槛、增强模型泛化能力等，是AI 领域的一项重大进步。大模型最早的关注度源于 NLP 领域，随着多模态能力的演进，CV 领域及多模态通用大模型也逐渐成为市场发展主流。政企的极大关注带动了行业领域大模型的高速发展，逐渐形成了多模态基模型为底座的领域大模型和行业大模型共同发展的局面。

OpenAI 推出文生视频模型 Sora，人工智能赋能短视频应用发展超预期。从全球角度看，OpenAI Sora 的发布，使得 ChatGPT 从文字、图片层面正式向成熟短视频层面进行演进，可生成最长 60 秒的全动态视频，具备了创建复杂场景和多人物角色的能力，一经发布业界就引起较大轰动。Sora 本质上基于“Transformer+Diffusion”，属于 GPT 的延申，代表了人工智能应用的进一步尝试，让世界看到了 AI 行业的更多可能，随着全球对 AI 的热衷程度不断提高，未来全球 AI

新一代人工智能技术正步入跨越式发展新阶段，成为引领现代产业变革的核心力量，大力发展通用人工智能已经成为全球潮流。2024 年我国政府工作报告中提出“开展‘人工智能+’行动，打造具有国际竞争力的数字产业集群”，既顺应全球人工智能发展趋势，也反映了未来中国产业升级的现实需求，开启了人工智能技术在各行各业广泛应用的新篇章。

HBM 是 AI 算力核心载体。HBM 即高带宽存储器，突破了内存容量与带宽瓶颈，其通过使用先进的封装工艺（如 TSV 硅通孔技术）垂直堆叠多个 DRAM，并与 GPU 封装在一起。相较于常见的 GDDR5 内存，HBM 拥有着更高的带宽，大幅提高了数据容量和传输速率，并且相同功耗下具有超 3 倍的性能表现，和更小的芯片面积。

Sora 是第一个表现出"涌现"能力的视频生成模型：随着模型规模增大而出现“理解世界”的能力。虽然许多 LLM，如ChatGPT 和 GPT-4，表现出涌现能力，但在 Sora 出现之前，展示类似能力的视觉模型一直很少。根据 Sora 的技术报告，它是第一个表现出确认的涌现能力的视觉模型，标志着计算机视觉领域的一个重要里程碑。

边缘 AI 是云端算力的有效补充，也是 AI 应用落地的必要工具，长期成长空间巨大，当前已处于爆发前期。伴随 AI 应用范围扩大，整体算力需求日益增长，同时对于算力及时性、安全性等个性化需求凸显，边缘端算力增长已经成为趋势，以 PC、手机、汽车等终端作为载体的边缘算力将对硬件产业链产生新一轮革新。

Transformer模型是一种采用自注意力机制的深度学习模型，这一机制可按输入数据各部分的重要性分配权重，可用于自然语言处理(NLP)、计算机视觉(CV)领域应用，后来出现的BERT、GPT-3、laMDA等预训练模型都是基于Transformer模型建立的。