纪要涉及的行业或公司 * AI应用与智能驾驶行业 [1] * 特斯拉等汽车厂商 [5] * 海内外AI模型厂商 [9][10] 核心观点与论据 AI技术发展现状与趋势 * AI技术落地分为三个阶段：辅助人工、代理人工和超越人工 [1] * AI大模型提升了软件开发市场的效率并降低了成本 [1] * AI技术发展的主要挑战是盈利能力 [1] * 预训练加微调的迁移学习模式能够降低研发成本 [1] * AI技术商业化使用价值在技术成熟到达人类智慧水平时会有显著提升 [7] * 预计到2024年下半年，AI技术将在处理复杂任务方面取得更大进展，实现原生多模态模型的应用 [7] 智能驾驶领域进展 * 智能驾驶技术的发展与感知算法能力的提升呈现正相关关系 [1][3] * 建立智能驾驶大模型的关键在于构建有效的数据闭环 [4] * 特斯拉等厂商利用云端大模型和可控架构，开发自动数据标注工具，优化车端模型，并实践端到端概念 [5] * 在数据敏感性较高的场景（如自动驾驶），更有望诞生垂直一体化的厂商 [11] * 大模型技术进步将推动机器人感知、决策、控制系统的技术进步，降低软件开发门槛，并拓宽应用场景 [11] AI应用特点与商业化 * AI应用需要面对概率分布的结果，产品迭代流程可能需要变化，商业化节点可能比传统应用晚 [6] * AI应用关注的重点包括准确性、可靠性、响应速度、应用体验的愉悦度以及不断的更新优化 [6] * 在海外，因人力成本较高，可能会加速AI的深化落地和商业化进程 [10] 数据在AI中的作用 * 数据是AI应用的核心壁垒之一，模型能力决定产品上限，数据定义产品的安全区域 [8] * 大模型需要多方向数据，包括训练数据、外部数据库、用户反馈等 [8] * 合成数据与用户数据的结合将成为AI应用发展的关键 [8] 海内外AI发展差异 * 海外模型厂商具备技术先发优势，更适合发展基础模型，算力与模型能形成良好正向循环，融资环境较好，支付能力更强 [9][10] * 国内模型厂商起步较晚，底层技术支撑存在挑战，但更容易衍生出垂直一体化的业务模式 [9][10] * 国内AI发展优势：不缺乏顶尖人才、拥有14亿人口的庞大市场和强大经济支撑、政府高度重视并已上升至国家战略 [10] 其他重要内容 技术进展具体案例 * 深度学习技术在物体识别领域取得显著进步，识别率自2012年引入深度学习后从低于70%迅速跃升至80%，现已超过95% [2] 国内AI投资机会 * 投资应关注AI技术与视频结合的领域，以及智能驾驶等方向 [11] * AI加视频领域，随着商业化进程推进，预计2024年内可能会出现重要发展节点，视频内容创作的简化和民主化、对传统工作流程的改造是关注方向 [11] * 关注AI在教育领域的应用，预计在大模型赋能下，AI教育可能迎来二次爆发期 [11] * 2024年1月至4月通过备案的企业名单显示，除了传统大型厂商，已出现许多专注于特定垂直领域的厂商 [11]