大模型技术创新和工程落地齐头并进，掀起行业大模型落地热潮。大模型的更新迭代速度不断加快，开始从“可用”的基础大模型转向为“好用”的行业大模型。在技术创新方面，大模型的网络构建、模型训练、算法调优等技术趋于成熟，持续提升其通用性和泛化性，已初步具备通用智能雏形。例如，近期开源的NLLB可支持200种语言的相互翻译。在工程落地方面，已初步形成大模型As a Service的应用模式，加速向互联网、ICT、金融、政务等垂直行业渗透。为支撑应用方更便捷地开发和部署大模型，多家头部企业发布了行业大模型及开发工具。

二、生成式AI

生成式AI开辟AI创作能力，加速AI与数据要素深度融合。近几年生成式AI的技术能力越来越成熟，可生成逼真且富有创意的多模态数据，形成自动写作、代码生成、数字人等典型的应用形态，已连续两年入选《人工智能技术成熟度曲线报告》。在技术方面，生成式AI借助生成对抗学习等技术，能够生成更加真实、更有创意、更有趣味的内容。例如，2017至2022年，在图片生成权威榜单上，真实度和趣味度综合评分提升了近5倍。在应用方面，生成式AI既是生产要素，也是生产工具。除了图像生成以外，在写作和编程等方面也取得进展。

三、AI4S

AI for Science在多个传统科学领域取得重大突破。随着人工智能技术的快速发展和大规模应用，AI在逐渐成为科学研究新的生产工具，AI4S将进一步释放科学研究的生产力，促进人工智能的工程落地。一方面，AI与传统科学领域的深度融合，极大拓展该领域解决问题的能力，目前AI在生物、数学、材料、物理、基因、化学等基础科学领域都取得了诸多成果和突破，并对科学研究范式产生了深刻的影响，例如，目前人工智能已经能够预测几乎所有的生物蛋白质的可能结构，被誉为人类在21世纪取得的最重要的科学突破之一，可能开启“数字生物学”的新时代。另一方面，传统科学领域的进步和对AI技术的需求加速了AI本身的发展。当前产学研共同发力人工智能与科学的融合，产业界聚焦工具创新，开源工具和基于开源工具产生的创新成果呈爆发趋势，AI4S的研究范围也扩展到了更多基础问题领域。高校和研究院聚焦算法和应用，用AI算法更好地将科学计算和物理模型相连接，进而指导科学与产业创新。

四、知识驱动

知识驱动助力人工智能认知能力的提升，满足人工智能深入各个行业不同应用场景的需求。随着深度学习与知识图谱等多重技术的深度融合，综合利用大量知识数据中的因果和逻辑关系，可以助力人工智能认知能力的提升，来解决人工智能深入各个行业时场景复杂、可解释性较低等问题。在技术方面，知识和数据双轮驱动的人工智能技术路线展现了强劲的发展潜力，知识的融合应用有效地提升了智能问答、智能推荐、大规模预训练模型等人工智能技术中的效果。文心大模型、孟子大模型等均尝试利用知识增强技术路线提升效果。在应用方面，知识与人工智能的融合拓展了人工智能的应用范围，促进形成知识凝练、知识流转、知识赋能闭环，推动数字化发展下行业与企业各类知识的沉淀、流转，显著提升实际场景的智能应用水平。

五、超级自动化

超级自动化已经成为企业即开即用、敏捷配置的数字化转型工具箱。经过一年多的发展，超级自动化有了很多新的价值。在概念深化方面，中国信息通信研究院在今年发布的《超级自动化技术与应用研究报告（2022）》中首次对其主要概念进行了深入剖析和理解，认为“超级自动化是多种技术能力与软件工具组合，覆盖了自动化从需求发现到应用实践的全流程”；在技术发展方面，机器人流程自动化、智能流程管理、低代码应用平台、流程挖掘等工具和平台，衔接起了企业级各类复杂业务场景，其综合应用、交互使能是超级自动化发挥效能的重要手段。人工智能、大数据、云计算等技术作为底座，为超级自动化发展注入了源源不断的强大动力；在应用拓展方面，政府和企业使用超级自动化技术开始呈现出全面爆发的状态。例如，日本全面引入RPA实现政务的数字化转型，据统计各级政府的引入率已经超过90%。同时，产业创新层面，领先的RPA企业都不再局限于RPA或流程挖掘等单点能力的输出，而是围绕信通院提出的超级自动化技术与工具体系，开始由点及面的建立起立体服务架构。

六、人工智能中台

人工智能中台重塑企业智能化转型的能力底座。随着企业从重视人工智能的“研发”，到“研发-运营”并重，AI开发平台也逐渐向AI中台演进。理念层面，AI中台更加重视管理和运营，技术层面，AI中台高度集约了AI能力，具有规模化、标准化、可扩展等特点。其中，规模化是指整合了丰富的人工智能开发、部署、测试、运维等能力，标准化是指将异构的软硬件环境封装为标准化的界面，可扩展是指可以不断适配新的技术和工具，保证AI技术的动态演进。通过与数据中台、云平台、业务中台、运营平台的打通，AI中台正在加速融入企业的技术平台体系中。当前阶段，大型的行业企业正在积极构建AI中台体系，通过高效的组织管理实践，推动全场景全领域的AI赋能。

七、MLOps

MLOps落地开花，AI资产沉淀和治理成为实践新风向。随着业界对人工智能研发效率、团队协作、安全保障等需求进一步提升，整个MLOps产业实践呈现出“内涵很明确、落地很困难”的现状。从技术内涵来看， MLOps的核心和要求已明确，即围绕“一个基础、两个关键、三个提升”，逐步建设从需求、开发、交付到模型运营的全生命周期运营管理机制。一个基础是指持续交付，通过搭建工厂流水线式的模型生产方式，提高规模化生产效率。许多头部企业都已开始实践模式的持续交付，部分企业模型研发效率提升超过40%。两个关键是指持续训练和持续监控，通过持续训练和持续监控搭建高效闭环的运营管理体系，提高机器学习可观察性，保证模型质量，增加赋能效果。三个提升是指数据管理、特征管理、模型管理能力的提升。对数据、特征和模型等AI资产加以沉淀、安全管控和风险治理，提升企业级AI治理能力，已成为MLOps新风向。从落地现状来看，持续交付、持续训练、持续监控和模型治理难度依次提升，产业界当前尚处在提升持续交付和持续监控能力过程中，模型治理等仅有少量探索，未来仍然是AI工程化的重点方向。此外，MLOps的工具市场持续火热，端到端的MLOps一体化工具和细分场景的专项工具都非常火热，端到端工具追求大而全的功能集，专项工具在局部或某些场景下功能和性能较好，例如流水线编排、模型监控、特征存储、可观测等工具，未来MLOps相关工具可能会成为AI软件市场的重要赛道。

八、人工智能新基建

AI软件设施加速新基建的赋能效应。自2018年新基建的概念提出以来，政产学研用多方主体发力建设人工智能基础设施，AI新基建的内涵也在这个过程中逐步明晰。AI新基建主要包括数据基础设施、算力基础设施和AI软件设施。数据和算力基础设施非常重要，但是如果没有软件设施作为连接枢纽，则难以充分发挥人工智能的赋能效应，支撑起丰富的AI应用和服务。因此，AI软件设施在近两年成为产业焦点，AI开源框架生态、预训练大模型体系、AI软件平台生态等内容都得到了长足的发展。AI新基建的愿景是让AI像水、电一样成为触手可得的普惠资源：政策层面，国家以及各行业的“十四五”规划相继对人工智能新基建提出指导意见，不断推动新基建的落地应用；产业层面，头部科技企业联合地方政府，积极建设运营区域性基础设施，不断加速AI生态的培育。

九、企业智能

企业智能化建设手段与方法实现全新变革，逐渐向全场景、全流程、全层级深度融合应用转变。随着智能化技术的不断发展和应用深入，企业智能建设从部分场景、外部维护、单点优化逐渐向系统化、全面化转变，通过智能基础设施和智能应用双驱重塑企业智能化发展势能。一方面，企业建设完善人工智能中台、知识中台、大模型等智能基础设施，筑牢了企业智能的底座、打造了企业的知识大脑、拓宽了企业的全新赛道，整体上夯实了企业智能化发展的根基。例如国有六大银行、电力、石油等大型央企都已经建设了各类智能基础设施，并依托该设施为企业的智能转型提供支持。另一方面，智能文档处理、智能会议、知识管理、智能客服等各类企业智能应用不断发展，全面赋能企业办公、管理、决策、风控、营销、服务等各个环节，促进业务的数据化与知识化、工作流程的信息化与智能化。智能基础设施和智能应用相辅相成，智能基础设施促进智能应用的敏捷高效，智能应用助推智能基础设施底座的升级优化，共同推动企业智能化的加速发展。

十、可信落地

可信AI由理论研究迈向工程化落地。随着人工智能技术的快速发展，社会各界对可信AI研究已经从理论探索逐步走向工程化落地实践。政府与研究机构相关政策和规范从宏观指导，开始向可操作、可落地的规范演进。在法律监管层面，各政府部门的法规政策愈发重视实施和操作。例如新加坡于5月出台世界首个AI治理测试框架及工具包；英国6月宣布首个人工智能伦理和监管的重大研究计划。在行业可信实践层面，各国研究机构纷纷开展可信AI技术研究及标准制定工作，为业界提供评估准则并聚焦准入落地。如英国BSI与艾伦图灵实验室合作开发技术标准改善人工智能治理，美国NIST发布《人工智能偏差识别和管理标准》和《AI风险管理框架(草案)》，为企业和机构的AI风险管理提供了大量可参考的要求和指导。在企业可信实践层面，产业界从企业战略管理和技术工具研发创新双线并进，加速了可信AI在企业的落地实践。如头部科技企业先后发布了AI治理战略和治理体系，成立了相关委员会和工作组，聚焦企业层面的AI治理和风险管理体系。同时可信AI技术和保障工具也在蓬勃发展，各大企业积极研发可信产品应用，也开源了一批聚焦隐私性、鲁棒性、安全性、可解释性、公平性等可信能力的测试工具。