人工智能的七大关键能力：
感知、认知、决策、学习、执行、社会协作、 情感伦理与道德观念。
人工智能发展阶段：
第一个阶段的AI是以逻辑推理为主，AI能力以聚焦决策和认知为主；
第二个阶段的AI则是注重以概率统计的建模、学习和计算为主，AI能力开始聚焦感知、认知和决策；
第三个阶段的AI聚焦学习环节，注重大模型的建设，AI能力覆盖学习和执行；
第四个阶段则聚焦执行与社会协作环节，开始注重人机交互协作，注重人类对人工智能的反馈训练，当下正处于此阶段。
AI技术宏观演进趋势：
合久必分、分久必合：从混沌到分科再到归一，呈现多模态多学科融合归一趋势
人工智能研究构架在2020年之前一直处于大数据、小算力、专用决策范式下。
GPT-3的出现改变了这一切，让大数据、大算力和通用范式成为典型模式。未来人工智能研究的认知构架是否会往大数据+小算力+通用小范式方向转变？
大模型一定越大越好吗？AI预训练模型规模呈现指数级速度增长，未来将触达规模法则上限，并不是大模型越大越好
七大AI能力的融合正在推动AI逼近人工智能的重要目标之一：通用人工智能
AIGC发展阶段：
AIGC在当下的火热来自三要素逐步走向成熟，推动行业进入应用落地阶段。
AIGC技术架构体系：
人类进入人工智能时代，IT技术的技术栈发生了根本性的变化。过去基本分为三层：芯片层，操作系统层和应用层。现在可以分为四层：芯片层、框架层、模型层和应用层。但甲子光年智库认为当下的技术全栈仍然不能满足ChatGPT推动下的新一代人工智能浪潮，未来的AI技术全栈将呈现新的技术架构体系。
在大模型与应用层之间需要一个中间层，以满足向下对接大模型能力，向上提供个性化服务
AIGC技术架构分为三层：算力层、平台层和算法层，算法层又分为基础、中间、应用三层
AIGC驱动力与制动力：
数据、算力、算法三要素外，核心制约来自成本问题、数据质量问题、知识产权问题、能耗问题、安全问题
ChatGPT在AI技术演进历程中的地位：
ChatGPT的出现代表AI技术的第三次范式升级：从大模型走向AGI。范式转换1.0是从逻辑推理向概率统计的转换，范式转换2.0是从深度学习到大模型的转换。当下我们正处于范式转换3.0时期。
ChatGPT如何演化而来？
“暴力美学”：超大规模及足够多样性的数据、超大规模的模型、充分的训练过程
AI算法演化之路：火爆的算法在经典算法之上优化而来
ChatGPT的训练过程分为三个阶段：训练监督策略模型阶段、训练奖励模型（RM）阶段、训练强化学习优化模型阶段。
初代ChatGPT的训练存在六大方面的局限性
数据的实时性和有效性、 深度领域知识处理有问题、跨模态能力不足、缺乏深度推理能力、缺乏深层语义理解能力、需要大算力支持其训练和部署
ChatGPT未来的改进方向：多模态、少人化、小型化、进化力
ChatGPT带来的深远意义：
人类文明生产力跃迁：以ChatGPT为代表的AIGC工具的出现，标志着人类生产效率出现了第二次脑力效率飞跃
互联网走出强弩之末，对传统内容生成模式的颠覆与重塑，解放内容生产者，让其有更多精力进行二次深加工
人与内容的关系发生根本性变革，AIGC加速元宇宙世界的内容构建，推动内容生产模式发生根本性变革
AIGC的应用领域将呈现多模态✖️多场景，逐渐融入千行百业
AIGC多模态融合的五大方向路径
路径1：文本到文本AIGC
路径2：文本到图像AIGC
路径3：文本到3DAIGC
路径4：音频相关AIGC
路径5：图像到图像AIGC
AIGC经典应用场景1：数字人与营销数字化
AIGC的内容生成实现了营销数字化的全流程闭环，打通营销数字化的最后一个环节
AIGC与数字人的结合，推动数字人实现文本、语音、动画、音频等多模态交互
AIGC经典应用场景2： AIGC与新一代智库的结合
对研究流程的重塑，实现预研环节内容重构与效率提升
搭建基于AIGC的新一代智库产品架构体系，甲子光年已经具备一定基础
ChatGPT风口下的投资机会
从技术架构下的产业分布来看，算力层和中间层企业将更有机会
中间层的AIGC在内容生成、推荐引擎、机器学习应用、知识图谱、机器翻译等领域布局少
从投入成本和回报情况来看，中间层和应用层的投入成本低，商业回报较好
AIGC对算力的需求指数级增长，算力供需已经失衡，需求拉动下算力层将有较大空间
云端芯片侧重训练，边缘+终端层芯片侧重推理，这两类芯片均具有较高成长空间
平台层下的数据平台在数据处理与应用环节更为值得投资机构的关注
算法层下的中间层将涌现一批专门负责调整大型模型以适应具体AI应用需求的初创企业
初创企业适合入局中间层、数据平台和应用层，大厂适合入局算力、平台和基础层
