报告指出，我国生成式人工智能应用发展目前仍存在多方难点，随着全球科技竞争日益激烈，部分国家出于维护自身利益的考虑，对我国实施了严苛的人工智能芯片出口管制，进而对人工智能相关产业的发展形成了一定阻碍。近年来，我国陆续推出了一批具备自主可控能力的算力芯片产品，但在计算性能和通用性方面，与全球领先水平相比仍存在一定差距。其次，算力基础设施的分布存在不均衡现象。生成式人工智能的发展依赖昂贵的高端芯片，而且由于对海量算力的需求，数据中心的能耗极高，这使得产业主要集中在经济较为发达的地区。从地理分布来看，东部沿海地区的算力资源较为集中，而中西部地区则相对不足；从企业规模来看，大型企业由于资金雄厚，通常能够采购高质量的算力资源，而中小型企业则因难以承受高昂的硬件成本，导致其算力资源较为匮乏。再者，随着模型应用的快速增长，算力管理问题愈发凸显。大规模模型训练和推理需求急剧增加，对于算力的要求也随之加大。随着芯片规模的增大，运维的复杂度也显著提升。硬件设备在使用过程中难免出现故障，而随着算力规模的扩大，故障概率也随之上升。如果无法有效解决算力管理问题，训练成本和效率等一系列问题将随之出现，严重阻碍企业在生成式人工智能应用领域的进展。
高质量数据集相对匮乏
算法优化：生成式人工智能需要复杂的算法来支持其运行和学习。然而，当前的算法在处理复杂的自然语言和图像生成任务时，仍然存在一些问题。例如，在生成文本时，可能会出现语法错误、逻辑不连贯或内容不准确的情况。此外，算法的优化还需要大量的计算资源和时间，这对于研究人员和开发者来说是一个巨大的挑战。
数据质量：生成式人工智能的性能在很大程度上依赖于训练数据的质量。如果数据存在噪声、偏差或不完整的情况，将直接影响模型的生成效果。获取高质量、大规模且具有代表性的数据集是一个困难且耗时的过程。同时，数据的标注和清洗也需要大量的工作和专业知识。
图：生成式人工智能应用发展存在多方难点
行业应用场景急需扩展
虽然生成式人工智能在一些领域已经取得了显著的应用成果，但在其他领域的推广和应用仍然面临困难。不同领域具有各自的特点和需求，需要针对具体场景进行定制化的开发和优化。此外，一些传统行业可能对新技术的接受度较低，也会影响生成式人工智能的应用范围。
用户体验的提升：生成式人工智能的最终目标是为用户提供高质量、有用且符合预期的生成结果。然而，目前的模型在生成内容的准确性和相关性方面仍存在不足，可能会导致用户体验不佳。如何更好地理解用户需求、提高生成内容的质量和个性化程度，是提升用户体验的关键。
此外，生成式人工智能涉及多领域知识，需要既懂算法、机器学习，又了解数据处理、伦理法律等方面的复合型人才，目前这类专业人才相对匮乏，培养体系也尚不完善，限制了技术的发展和应用推广；伦理法律等问题也值得关注。AI 生成内容可能与现有版权作品相似，引发版权侵犯争议，同时数据来源的版权合法性难以保证，生成物的版权分配也难以界定，这给知识产权保护带来新挑战，需要新的法律框架和司法解释来明确相关权益和责任。
相关阅读：
