2024諾獎頒獎現場，AI之父Hinton演講：當AI已經開始理解人類的喜好和情緒（附視頻）

來源：圖靈人工智能2024年12月8日，諾貝爾物理學獎首次授予了人工智能領域的科學家，John Hopfield和Geoffrey Hinton因其在神經網絡領域的開創性貢獻獲此殊榮。在瑞典斯德哥爾摩的頒獎典禮上，被稱為”人工智能之父”的Hinton講述了一個引人深思的話題：人工智能如何逐漸學會理解人類。”為什么打開短視頻，推薦的內容總是那么對你胃口？為什么購物平臺總能準確預測你的購物偏好？”這些日常生活中的現象，揭示了人工智能已經開始像人類大腦一樣思考和理解。正如諾貝爾評審委員會所說：”神經網絡理論讓機器開始像人類一樣思考，這將徹底改變人類社會的未來。在演講中，Hinton教授用通俗語言解釋人工智能如何”思考”的過程。如果說：”當我們看到一支插在水中的鉛筆，它看起來是彎的，但我們的大腦知道它是直的。這種理解能力，正是我們希望賦予人工智能的。” 他同時表示：”AI可能是繼人類掌握火種后最重要的發明，它能幫助我們解決從疾病治療到氣候變化等重大挑戰。考慮很多讀者可能對專業術語感到陌生，讓我們用一個生活中常見的例子來理解Hinton的理論：想象你在尋找回家的路線，可能有多條路可以選擇。有些路看起來很近但可能會遇到堵車，有些路繞遠一點但最終能更快到家。神經網絡的工作方式也很像這個過程，它會不斷嘗試找到最好的”解釋”，就像我們在找最佳路線一樣。讓我們通過下面的圖示來直觀理解：演講文稿注：本次演講中專業術語比較多今天，我將做一件非常冒險的事情，我將嘗試向普通觀眾解釋一個復雜的技術概念，而且不會使用任何公式。首先，我需要介紹 Hopfield 網絡，我將以一種二元神經元的版本來解釋，它們的狀態是 1 或 0。1、Hopfield 網絡這些網絡會趨向于能量的最低點（energy minima）。Hopfield 網絡的核心是，每個神經元可以局部計算自己需要采取的動作來降低能量，也就是降低“壞度”（badness）。如果來自其他激活神經元的總加權輸入是正的，該神經元應該打開（激活）；如果是負的，則應該關閉（不激活）。如果每個神經元按照這個規則行動，并且我們隨機選擇神經元持續應用這一規則，那么網絡最終會穩定在一個能量最低點。圖中配置實際上是一個能量最低點，它的能量是 -4。如果查看其中的任何一個神經元，已經激活的神經元會繼續保持激活，因為它們接收到的是總的正輸入；未激活的神經元會保持未激活狀態，因為它們接收到的是總的負輸入。然而，這并不是唯一的能量最低點。一個 Hopfield 網絡可以有多個能量最低點，網絡的最終狀態取決于初始配置以及隨機選擇神經元更新的順序。現在我們看到另一個更好的能量最低點：三角形單元被激活了，這個配置的良度是3+3?1=5，所以能量是 -5，這是一個更好的最低點。Hopfield 提議，這類網絡的一種好用法是讓能量最低點對應于記憶。通過使用上述的二元決策規則（神經元是否打開或關閉），可以對不完整的記憶進行“清理”。你可以從一個部分記憶開始，不斷應用該決策規則，最終穩定在一個能量最低點。這種將能量最低點表示為記憶的方法，就實現了一種“內容可尋址的記憶”（content-addressable memory），即通過啟動某些記憶內容，網絡能夠自動補全。Terry Sejnowski 和我（Terry 是 Hopfield 的一位學生）提出了這些網絡的另一種用途：與其用來存儲記憶，不如用來對感官輸入構建解釋。其核心思想是，一個網絡可以同時包含可見神經元和隱藏神經元。可見神經元用來接收感官輸入，比如一個二元圖像；隱藏神經元則用來構建對感官輸入的解釋。網絡某種配置的能量表示解釋的“壞度”，我們希望獲得能量較低的解釋。當我們遇到模糊線條的圖畫時，大腦通常會產生兩種不同的理解方式。這種現象很常見——同一幅二維線條圖可以被解讀為兩種不同的三維物體。這個現象引發了一個有趣的問題：我們能否構建一個神經網絡來模擬這種雙重解釋的能力？要解決這個問題，首先需要思考圖像中的線條如何對應三維世界中的邊緣。在現實中，當我們通過某個平面（比如窗戶）觀察外界時，二維平面上的一條線可能對應三維空間中的多種不同邊緣。這些不同的三維邊緣都可能在二維平面上投影出相同的線條。這就帶來了一個根本性的視覺問題：如何從二維圖像中的線條推斷出三維世界中的真實邊緣。由于物體的不透明性和相互遮擋關系，圖像中的每條線只能對應一個真實的三維邊緣，但確定具體是哪一個則十分困難。為了解決這個問題，我們可以設計一個特殊的神經網絡。首先，用”線條神經元”來表示圖像中的線條，這些神經元的激活狀態對應著圖像現的具體線條。然后，由于每條線條可能對應多個三維邊緣，我們需要通過興奮性連接將這些線條神經元連接到一系列”邊緣神經元”。但是，由于每條二維線只能對應一個真實的三維邊緣，這些邊緣神經元之間需要相互抑制。但僅有這些還不夠，我們還需要加入一些基本的視覺解釋原則。比如，當圖像中的兩條線相連時，我們往往認為它們在三維空間中也是相連的。為了實現這一點，我們可以在那些共享端點的三維邊緣神經元之間添加強化連接。特別是當兩條邊緣呈直角相交時，這種連接會更強，因為直角是一種常見且重要的視覺特征。通過這種方式，神經網絡就能夠模擬人類視覺系統對二維圖像進行三維解釋的過程，并可能產生多種合理的解釋結果。2、兩個主要問題現在我們希望，通過調整連接的權重，我們可以得到一個網絡，它具有兩種可能的穩定狀態，分別對應于對Necker Cube的兩種不同解讀。這引出了兩個主要問題：搜索問題：如果我們希望用隱藏神經元（hidden neurons）來解讀由可見神經元（visible neurons）的狀態表示的圖像，該如何避免陷入局部最優解？網絡可能會停留在一個相對較差的解讀中，而無法跳躍到一個更好的解讀。學習問題：我之前暗示這些連接是我手動添加的，但實際上我們希望神經網絡能夠自己學會添加這些連接。在搜索問題中，神經元的隨機性扮演著關鍵角色。在標準的 Hopfield 網絡中，神經元采用確定性的決策規則：系統一旦進入某個能量最低點，就只能沿著能量下降的方向移動。這意味著系統可能會被困在局部最優解中，無法達到全局最優解。為了克服這個限制，我們引入了隨機二元神經元的概念。這種神經元雖然仍然只有兩種狀態（激活或關閉，即1或0），但它們的行為是概率性的。當神經元接收到強烈的正輸入信號時，它幾乎必然會被激活；當接收到強烈的負輸入信號時，它幾乎必然會關閉。然而，當輸入信號接近零時，神經元的行為就變得不確定：即使在正輸入的情況下，它也可能偶爾保持關閉狀態；在負輸入的情況下，它也可能偶爾被激活。這種概率性決策機制在處理二元圖像時特別有用。具體來說，我們可以將圖像的二元數據固定在可見單元上，然后對隱藏神經元采用隨機初始化。在更新過程中，我們隨機選擇一個隱藏神經元，計算它從其他激活神經元接收到的總輸入，然后根據輸入的強度和符號做出概率性決策：如果總輸入為強正值，該神經元很可能被激活如果總輸入為強負值，該神經元很可能被關閉如果總輸入接近零，神經元的狀態將通過概率分布來決定通過持續應用這個隨機更新規則，系統最終會達到一種稱為”熱平衡”的狀態。熱平衡是一個源自物理學的概念，它描述了系統在隨機波動中達到的一種動態平衡狀態。這種機制使得網絡能夠跳出局部最優解，探索更廣闊的解空間，從而有可能找到更好的全局解。3、熱平衡和詳細平衡一旦達到熱平衡，隱藏神經元的狀態就成為了對輸入的解讀。在奈克方塊的例子中，隱藏神經元可能會有一個神經元為每條線條神經元激活，從而得到一個解讀，這種解讀會是對Necker Cube的兩種解讀之一。我們希望低能量的解讀是對數據的良好解讀。因此，對于這幅線條圖，如果我們能夠學習到二維線條神經元和三維邊緣神經元之間的正確權重，并且能夠學習到三維邊緣神經元之間的正確權重，那么網絡的低能量狀態就可能對應于對圖像的良好解讀，也即看到3D矩形物體。關于熱平衡，它并不是表面上看起來的”系統達到某種穩定狀態”。真正穩定下來的不是系統的狀態本身，而是一個更抽象、更難以理解的東西：系統所有配置的概率分布。對于普通人來說，這很難理解。系統會趨向于一種特定的分布，稱為”玻爾茲曼分布”（Boltzmann distribution）。在達到熱平衡后，系統處于某一特定配置的概率僅由該配置的能量決定，而能量較低的配置會有更高的概率。關于熱平衡（thermal equilibrium），好的狀態（低能量狀態）比壞的狀態（高能量狀態）更可能出現。為了幫助理解熱平衡，有一個物理學家常用的小技巧。想象有一個非常大的集合（Ensemble），包含無數個完全相同的網絡。這些 Hopfield 網絡都具有完全相同的權重，因此它們本質上是同一個系統，但每個網絡的初始狀態是隨機的，并且它們各自地做出隨機決策。在這個集合中，每個可能的配置都會對應一定比例的網絡。最開始，這個比例只取決于它們的初始狀態，比如如果你讓它們隨機初始化，那么所有的配置會等概率出現。在這個巨大的集合中，每個可能的配置都會有相同數量的網絡。然而，當你開始運行這個算法時，不斷更新神經元的狀態，使其傾向于降低能量（雖然偶爾也會升高能量），逐漸地，每個配置對應的網絡比例會穩定下來。每個網絡可能會在不同的配置之間跳躍，但所有網絡中某一特定配置的比例會保持穩定。這種現象被稱為詳細平衡（detailed balance），此時，系統的配置比例就會穩定下來。4、生成圖像原理接下來說說生成圖像（generating an image）。這里不是解讀圖像，而是生成圖像。生成圖像的方式是，從所有神經元（包括隱藏神經元和可見神經元）的隨機狀態開始。然后，你隨機選擇一個隱藏神經元或可見神經元，并根據通常的隨機規則更新它的狀態。如果它接收到大量的正輸入，它可能會激活；如果接收到大量的負輸入，它可能會關閉；如果輸入值接近零，它的行為會有些隨機。你不斷重復這一過程，直到系統接近熱平衡狀態。此時，可見單元的狀態就是這個網絡生成的圖像，這個圖像來源于網絡所“相信”的分布——玻爾茲曼分布（Boltzmann distribution），在這種分布中，低能量的配置比高能量的配置更可能出現。這個網絡“相信”許多可能的圖像，你可以通過運行這一過程從中選擇一個它“相信”的圖像。在玻爾茲曼機（Boltzmann Machine）中的學習目標是使網絡在生成圖像（可以看作網絡“做夢”時隨機想象出來的內容）時，這些圖像看起來像它在真實感知中看到的圖像。如果能實現這一點，那么隱藏神經元的狀態將成為解讀真實圖像的一個有效方式，它們將捕獲圖像的潛在原因。這種學習方式的另一個表述是，學習網絡中的權重等價于找到一種使用隱藏神經元的方法，使得網絡能夠生成看起來像真實圖像的圖像。這聽起來像是一個極其困難的問題，大家都認為這種學習算非常復雜。然而，Terry Sejnowski 和我卻采取了一種過于樂觀的方法。問題是，是否可以從一個隨機權重的大型神經網絡開始，這個網絡包括許多隱藏神經元和隨機初始化的權重，然后只需要給它展示大量真實的圖像。我們希望的是一種看似荒謬的結果：當網絡感知到足夠多的真實圖像時，它會自動在隱藏神經元之間，以及隱藏神經元和可見神經元之間，創建所有必要的連接，并正確地調整這些連接的權重，從而以合理的方式解釋圖像，比如識別在直角處連接的 3D 邊緣。這聽起來非常樂觀，而且你可能會認為實現這一目標的學習算非常復雜。但令人驚訝的是，玻爾茲曼機的學習算法非常簡單。這是我和 Terry Sejnowski 在 1983 年發現的。5、學習兩個階段學習算法分為兩個階段：喚醒階段（Wake phase） 和 睡眠階段（Sleep phase）。1、在喚醒階段，網絡被輸入圖像。你將圖像固定在可見單元上，讓隱藏單元活動，直到它們與可見單元達到熱平衡。一旦隱藏單元達到熱平衡，對于每一對連接的神經元（可能是兩個隱藏單元，也可能是一個隱藏單元和一個可見單元），如果它們都處于激活狀態，你就增加它們之間權重的一小部分。這是一個非常簡單的學習規則，而且符合唐納德·赫布（Donald Hebb）提出的學習理論。但是，如果你僅運行喚醒階段，權重只會不斷增加，很快所有的權重都會變為正值，所有的神經元會一直保持激活狀態。這顯然沒有用。因此，你需要引入睡眠階段。2、在睡眠階段，你可以將網絡看作是“做夢”。通過更新所有神經元（隱藏和可見神經元）的狀態，網絡趨于熱平衡。一旦達到熱平衡，對于每一對連接的神經元，如果它們都處于激活狀態，你就從它們之間的權重中減去一小部分。這是一個非常簡單的學習算法，而且令人驚訝的是，它的確能夠實現目標。因此，在平均意義上，這種學習算調整權重，使得網絡在“做夢”時生成的圖像更有可能看起來像它在感知真實世界時看到的圖像。這部分不適合普通觀眾，所以請不要讀接下來的兩行內容。對于統計學家和機器學習領域的人來說，這種算法的本質是，在期望意義上（也就是說，這個算法有一定隨機性，偶爾會做錯事，但從平均意義上看），它沿著對數似然的梯度進行優化。換句話說，它使得網絡在“做夢”時生成的圖像更可能是它在“清醒”時觀察到的圖像。或者換句話說，權重的變化使得網絡認為合理的圖像（低能量狀態）與它“清醒”時看到的圖像更加相似。在這個學習過程中發生的事情是：在“清醒”（Wake）階段，你降低網絡在看到真實數據時到達的整體配置的能量；在“睡眠”（Sleep）階段，你提高這些配置的能量。換句話說，你試圖讓網絡“相信”它在“清醒”時看到的東西，同時“否定”它在“睡眠”時“夢到”的東西。如果你問達到熱平衡的過程實現了什么，那就令人驚嘆了。這一過程使得網絡的每個權重所需了解的關于其他所有權重的信息都能被提取出來。為了調整一個權重，你需要知道它與所有其他權重的交互關系。而所有需要知道的信息都會體現在兩個相關性之間的差異中：一是網絡在觀察真實數據時，兩神經元共同激活的頻率；二是網絡在“做夢”時，兩神經元共同激活的頻率。這些相關性在兩種情況下的差異包含了權重調整所需的全部信息。令人驚訝的是，與反向傳播等算法不同，這種方法并不需要一個向后傳播的過程來傳遞關于其他權重的信息。在反向傳播中，前向傳播是傳遞神經元的激活到后續層，而反向傳播傳遞的是敏感性（sensitivities），這種信息完全不同。反向傳播因此顯得不太可能是人腦的工作原理。然而，當 Terry 提出了玻爾茲曼機的這種學習方法時，我們完全相信這一定就是大腦的工作方式。我們甚至決定，我們將因為這一理論而獲得生理學或醫學領域的諾貝爾獎。當時我們從未想到，即使這不是大腦的工作方式，我們可能也會因此獲得物理學的諾貝爾獎。唯一的問題在于，對于大型網絡來說，達到熱平衡的過程非常緩慢，尤其是當權重較大時。如果權重很小，熱平衡可以快速達到；但在權重較大時，這個過程會非常緩慢。因此，盡管玻爾茲曼機是一種浪漫的、令人著迷的理論——它有一個極其簡單的學習算法，卻能實現非常復雜的功能，比如構建隱藏單元的網絡以解釋數據，但其學習過程實在太慢了。所以，這就是玻爾茲曼機在當時的局限性。講到這里，演講其實本應該結束了。但是，在 17 年之后，我意識到，如果對玻爾茲曼機進行大量限制，比如隱藏單元之間沒有連接，那么就可以得到一個更快的學習算法。如果隱藏神經元之間沒有連接，那么“清醒”階段會變得非常簡單。你只需要將輸入固定在可見單元上以表示一個圖像，然后可以并行更新所有隱藏單元的狀態。這些隱藏單元會根據它們接收到的可見輸入隨機選擇一個狀態，更新完成后，它們就立即達到了與數據的熱平衡。這是隱藏單元的改進。但在“睡眠”階段仍然有問題：你需要讓網絡進入一個隨機狀態，然后更新隱藏單元、再更新可見單元，循環這個過程許多次，直到達到熱平衡。這仍然是一個非常耗時的過程，因此這個算法依然不可行。不過，后來發現有一個捷徑可以解決這一問題。6、捷徑學習算法盡管這個捷徑并不能完全準確地實現目標，但在實踐中效果相當不錯。其步驟如下：將數據輸入到可見單元上，這是一個圖像。并行更新所有隱藏單元，使它們與數據達到熱平衡。更新所有可見單元，得到一個“重構”，它會與輸入數據相似，但不完全相同。再次更新所有隱藏單元，然后停止。學習算法的實現方式是：你計算兩神經元（一個是可見單元，一個是隱藏單元）在顯示數據并達到熱平衡時共同激活的頻率，然后計算它們在顯示“重構”并達到熱平衡時共同激活的頻率。這兩個頻率的差值就是學習的依據。你根據這個差值調整權重，權重的變化與這個差值成比例。這種算法運行得非常快，使得玻爾茲曼機終于在實踐中變得可行。Netflix 曾經使用受限玻爾茲曼機（Restricted Boltzmann Machines， RBM），結合其他方法，來決定向你推薦哪些新電影。這是基于與你有相似偏好的其他用戶的偏好來進行推薦的。實際上，這種方法奏效了。結合 RBM 和其他方法，他們贏得了 Netflix 舉辦的關于如何更好預測用戶喜好的比賽。不過，僅僅使用隱藏神經元之間沒有連接的受限玻爾茲曼機，你無法構建特征檢測器的多層網絡，而這是識別圖像中的物體或語音中的單詞所必需的。表面上看，這種只使用一層隱藏單元且隱藏單元之間沒有連接的限制顯得很強，但實際上你可以繞過這個限制。你可以通過堆疊多個受限玻爾茲曼機來解決這個問題。首先，你將數據輸入一個受限玻爾茲曼機。它只有一層隱藏單元，使用對比散度算法，通過多次上下采樣學習權重，使隱藏單元能夠捕獲數據中的結構。隱藏單元會變成特征檢測器，捕獲數據中常見的相關性。然后，你將這些隱藏單元的二元激活模式作為數據，輸入另一個 RBM。第二個 RBM 會分析這些由第一個 RBM 提取的特征的相關性。你可以不斷重復這個過程。通過這種方式，你逐漸捕獲了數據中越來越復雜的相關性，，以此類推。每個受限玻爾茲曼機都在上一層隱藏單元中找到結構。接著，你可以將這些 RBM 堆疊起來，將它們視為一個前饋網絡。此時忽略連接是對稱的這一事實，只使用單向連接。通過這種方法，在第一層隱藏單元中，你提取了捕獲原始數據相關性的特征；在第二層隱藏單元中，你提取了捕獲第一層特征相關性的特征，依此類推。這樣，你會得到越來越抽象的特征，捕獲“相關性的相關性”。當你堆疊這些層后，你可以添加一個最終的隱藏層，并進行監督學習。這時你可以告訴網絡這些特征對應的名稱，例如“貓”或“狗”（類別標簽）。然后你需要學習這些類標簽的權重，但此時的網絡已經通過學習多個 RBM 進行了初始化。這種初始化方式帶來了兩個顯著的好處：1、網絡的學習速度比隨機初始化時快得多，因為它已經學到了一些對建模數據結構有用的特征。雖然它尚未學會物體的名稱，但它學到了數據中的結構。因此，學習物體名稱變得相對快速。就像小孩子一樣，他們不需要被重復告知“那是一頭牛”2000 次才能學會。他們自己能夠推斷出“牛”的概念，當母親告訴他們“那是一頭牛”時，他們很快就能記住，大概只需要聽兩次就足夠了。2、網絡的泛化能力更強，因為它的大部分學習過程并未依賴標簽。網絡不需要大量標簽，也不是通過標簽提取信息，而是通過數據中的相關性提取信息。這使得它在標簽較少的情況下仍然具有很好的泛化能力。7、實際應用這一方法非常有效。從 2006 年到 2011 年，人們廣泛使用疊加的 RBM 來預訓練前饋神經網絡。特別是在我的實驗室、Yoshua Bengio 的實驗室以及 Yann LeCun 的實驗室中，這種方法得到了深入研究。2009 年，我實驗室的兩位學生 George Dahl 和 Abdel-rahman Mohamed 證明了這種技術在識別語音片段方面比當時的最佳技術略勝一籌。這改變了語音識別領域的狀況。我的研究生們紛紛加入各大領先的語音識別團隊。到 2012 年，基于疊加受限玻爾茲曼機的方法被 Google 投入生產，顯著提升了語音識別的效果。突然之間，Android 設備上的語音識別性能大幅提升。不幸的是，隨著我們證明深度神經網絡通過疊加受限玻爾茲曼機進行預訓練可以取得優異的性能，人們找到了一些其他初始化權重的方法，這些方法不再需要使用 RBM。然而，化學家們知道，酶是非常有用的工具。即使 RBM 不再使用，它們幫助我們完成了從“認為深度神經網絡永遠無法工作”到“看到深度神經網絡實際上可以輕松工作”這一轉變。一旦完成這個轉變，就不再需要“酶”了。因此，可以把 RBM 看作是一種歷史性的“酶”。盡管如此，使用“睡眠”來進行去學習（unlearning），以獲得一種更具生物學合理性的算法，并避免反向傳播的逆向路徑，我仍然認為這種思想具有很大的潛力。我仍然樂觀地相信，當我們最終理解人腦如何學習時，這將涉及使用睡眠來進行去學習的過程。因此，我仍然充滿希望。好了，我的演講到此結束。謝謝大家！原視頻鏈接：https://www.youtube.com/watch?v=r1Bi10Xt0fc&ab_channel=StanfordGraduateSchoolofBusiness閱讀報告全文，請訪問歐米伽研究所的“未來知識庫”https://wx.zsxq.com/group/454854145828未來知識庫是“歐米伽未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。截止到11月25日 ”未來知識庫”精選的100部前沿科技趨勢報告Air Street Capital《2024 年人工智能現狀報告》未來今日研究所：2024 技術趨勢報告 – 廣義計算篇科睿唯安中國科學院 2024 研究前沿熱度指數報告文本到圖像合成：十年回顧《以人為中心的大型語言模型（LLM）研究綜述》經合組織 2024 年數字經濟展望報告加強連通性創新與信任第二版波士頓咨詢 2024 全球經濟體 AI 成熟度矩陣報告理解世界還是預測未來？世界模型的綜合綜述Google Cloud CSA2024 AI 與安全狀況調研報告英國制造商組織 MakeUK2024 英國工業戰略愿景報告從概念到實施花旗銀行 CitiGPS2024 自然環境可持續發展新前沿研究報告國際原子能機構 2024 聚變關鍵要素報告 – 聚變能發展的共同愿景國際可再生能源署 IRENA2024 年全球氣候行動報告Cell: 物理學和化學 、人工智能知識領域的融合智次方 2025 中國 5G 產業全景圖譜報告未來今日研究所：2024 技術趨勢報告 – 移動性，機器人與無人機篇Deepmind：AI 加速科學創新發現的黃金時代報告PitchBookNVCA2024 年第三季度全球風險投資監測報告德科 2024 年未來全球勞動力報告高工咨詢 2024 年協作機器人產業發展藍皮書國際能源署 IEA2024 年全球能源效率報告基因慧基因行業藍皮書 2024 – 2025普華永道 PwC2024 全球經濟犯罪調查英國報告 – 智對風險直面挑戰中國互聯網協會 2024 面向未來網絡的數字孿生城市場景應用白皮書中移智庫 2024 先進感知新技術及新應用白皮書智次方研究院 2025 中國 AIoT 產業全景圖譜報告未來今日研究所：2024 技術趨勢報告 – 人工智能篇國際電聯：邁向衡量數字經濟的通用框架的路線圖聯合國糧食與農業組織：2024 年世界糧食安全和營養狀況大語言模型綜述李飛飛等，AI 智能體：探索多模式交互的前景綜述哈爾濱工業大學 – ChatGPT 調研報告2024《美國核部署戰略報告》最新文件清華大學：AIGC 發展研究 3.0 發布版 b 版OpenAI：2024 年 OpenAI o1 大模型技術報告Verizon2024 年世界支付安全報告皇家學會哲學學報 從復雜系統角度評估人工智能風險復旦大學 大模型 AI 代理的興起和潛力：綜述經合組織 OECD2024 年氣候行動監測報告Wevolver2024 年邊緣人工智能現狀報告 – 探索各行業邊緣 AI 應用動態2024 全球人形機器人產品數據庫報告 – 人形機器人洞察研究 BTIResearch《全球金融穩定報告》 把舵定航 不確定性、人工智能與金融穩定瑞士洛桑聯邦理工學院 《人工智能中的 – 創造力：進展與挑戰》《你所需要知道的理 – 論：人工智能、人類認知與決策》牛津大學最新 53 頁報告世界經濟論壇 新興技術時代的網絡彈性導航：應對復雜挑戰的協作解決方案 2024ADL 理特咨詢 2024 汽車出行未來展望報告2024 中國硬科技創新發展白皮書 – 開辟未來產業新賽道科學時代的大語言模型中的人工智能Gartner2025 年重要戰略技術趨勢報告CBInsights2024 年第三季度全球人工智能投融資狀況報告TrendHunter2025 年全球趨勢報告 – 全行業頂級創新和變革趨勢前瞻天津大學 2024 大模型輕量化技術研究報告歐洲海洋局 2024 導航未來報告將海洋置于更廣泛的地球系統中第六版美國安全與新興技術中心 2024 AI 生成代碼的網絡安全風險研究報告國際原子能機構 2024 年世界聚變展望報告復旦大學 2024 大語言模型的能力邊界與發展思考報告安盛 AXA2024 年氣候與生物多樣性報告氣候過渡計劃路線圖YouGov2024 美國公眾對人工智能 AI 的態度調研報告麥肯錫中國報告：《中國與世界》完整版麥肯錫全球研究所 2024 下一代競技場報告 – 重塑全球經濟的 18 個新興行業領域Project Sid，一個旨在模擬多智能體交互以研究 AI 文明的項目德國研究與創新專家委員會 德國研究創新與科技成果報告2024 年歐洲關鍵產業的科技重塑研究報告智能體專題報告之二 – 智能體時代來臨具身智能有望成為最佳載體ActivateConsulting 2025 年頂級技術和媒體發展趨勢報告蘭德 全球災難風險評估斯坦福李飛飛 《AI agent 綜述》Agent AI 開啟多模態交互新紀元中國聯通研究院 2024 中國生成式人工智能應用與實踐展望白皮書中文版普華永道 2024 第五次工業研究報告邁向彈性可持續和以人為本的未來大成 Dentsons2024 年全球智慧城市與互聯社區智庫年度報告TechUK2024 量子技術挑戰與機遇并存構筑量子韌性的策略與實踐研究報告Emakina 將塑造 2024 年的技術趨勢報告圖靈獎得主 Yann LeCun《機器如何才能達到人類智能水平？》——Yann LeCun， 附 Slides 及視頻華為：2024 鴻蒙生態應用開發白皮書 V3.0（最新版）CASA：2023 第三代半導體產業發展報告大型視覺語言模型中幻覺現象的綜述IEA PVPS：2024 光伏應用趨勢報告（英文版）ABI Research：82 個將會或不會在 2024 年發生的技術趨勢白皮書《美國反無人機系統未來趨勢報告（2024 – 2029 年）》《軍事自主系統：未來之路》美空間智能如何？牛津大學博士論文《深度具身智能體的空間推理與規劃》2024 低空經濟場景白皮書 v1.0戰略與國際研究中心（CSIS）人類地月空間探索的總體狀況研究報告（2024）Artificial Intelligence Review：人工智能與物理學相遇的綜述麥肯錫：全球難題，應對能源轉型的現實問題歐米伽理論，智能科學視野下的萬物理論新探索（研究論文）Gartner 2025 年主要戰略技術趨勢研究報告2024 人工智能國外大模型使用手冊 + 中文大模型使用手冊詳解光刻巨人 ASML 成功之奧妙 – 241015CB Insights：未來變革者：2025 年九大科技趨勢研究報告國際電信聯盟 2023 – 2024 年聯合國人工智能 AI 活動報告《人工智能能力的人類系統集成測試和評估》最新 51 頁，美國防部首席數字和人工智能辦公室（CDAO）2024 瑞典皇家科學院諾貝爾化學獎官方成果介紹報告MHP 2024 全球工業 4.0 晴雨表白皮書世界經濟論壇白皮書《AI 價值洞察：引導人工智能實現人類共同目標》瑞典皇家科學院諾貝爾物理學獎科學背景報告資料AI 智能體的崛起：整合人工智能、區塊鏈技術與量子計算 (研究報告，書）OpenAI o1 評估：AGI 的機遇和挑戰（280 頁）世界知識產權組織：2024 年全球創新指數美國白宮：國家近地天體防御策略與行動計劃上下滑動查看更多