2023年生成式人工智能融資達到252億美元

　　隨著OpenAI和Anthropic等主要參與者的資本大幅增加，生成式人工智能領(lǐng)域的資金在2023年急劇增加。報告顯示，生成人工智能企業(yè)的資金將增加近八倍，到2023年飆升至252億美元，2023年生成式人工智能占所有人工智能相關(guān)私人投資的四分之一以上。

　　去年的重大投資包括微軟100億美元的OpenAI交易、Cohere在2023年6月的2.7億美元融資以及Mistral在12月的4.15億美元融資等。然而，2023年企業(yè)在人工智能方面的支出將下降20%，至1892億美元。

　　報告將這一下降歸因于并購交易的減少，與上年相比下降了31.2%。盡管并購交易有所減少，但財富500強企業(yè)近80%的財報電話會議上都提到了人工智能。投資主要由美國企業(yè)主導，投資額達672億美元，幾乎是排名第二的中國(投資額78億美元)的9倍。

　　報告發(fā)現(xiàn)，2023年中國和歐盟對人工智能的私人投資與2022年相比有所下降，而美國的支出則增長了22.1%。美國在人工智能方面的支出也對薪資產(chǎn)生了影響。調(diào)查發(fā)現(xiàn)，美國人工智能崗位的薪資明顯高于其他國家。

　　例如，2023年美國硬件工程師的平均工資為140,000美元，而全球平均工資為86,000美元。云基礎(chǔ)設(shè)施工程師的全球平均工資為105,000美元，而在美國，此類職位的工資為185,000美元

　　2023年吸引投資最多的領(lǐng)域是人工智能基礎(chǔ)設(shè)施、研究和治理，投資額達183億美元。報告稱，這筆支出反映了包括OpenAI和Anthropic在內(nèi)的大企業(yè)正在構(gòu)建GPT-4Turbo和Claude3等大型應用。

　　支出第二高的領(lǐng)域是自然語言處理和客戶支持，金額達81億美元，因為企業(yè)希望采用解決方案，通過自動化聯(lián)絡(luò)中心等用例來增強工作流程。

　　美國是除面部識別之外所有人工智能技術(shù)領(lǐng)域支出最多的國家，中國位居榜首，支出1.3億美元，而美國為9000萬美元

　　在半導體支出方面，中國(6.3億美元)與美國(7.9億美元)相差無幾。2020年全球硬件芯片短缺之后，全球各國政府一直在增加半導體支出，以支撐供應鏈。

　　基礎(chǔ)模型成本增長

　　OpenAI等企業(yè)籌集了數(shù)百萬美元的資金，這些企業(yè)也從訓練新模型中賺取了巨額費用。2023年模型訓練成本將會上升，對大型基礎(chǔ)系統(tǒng)的投資是成本上升的主要因素。

　　高級AI模型的訓練成本大幅上升。例如，OpenAI估計花費了7800萬美元來訓練其GPT-4模型，而谷歌的旗艦Gemini模型估計需要1.91億美元。

　　相比之下，早期的模型要便宜得多：2017年發(fā)布的原始Transformer模型的訓練成本約為900美元，而Facebook2019年推出的RoBERTaLarge系統(tǒng)的成本約為160,000美元。

　　模型開發(fā)者很少公布模型訓練花費的數(shù)字。斯坦福大學與EpochAI合作對訓練成本進行了估算。估算基于相關(guān)技術(shù)文檔和新聞稿中的信息，包括訓練時長、訓練硬件的類型、質(zhì)量和使用率的分析。

　　除了花費數(shù)百萬美元進行訓練外，過去一年訓練的人工智能模型還使用了更多的訓練計算。報告指出，谷歌2017年的Transformer模型需要大約7,400petaFLOP進行訓練。七年后，GeminiUltra需要500億petaFLOP。

　　由于運行成本過高，GeminiUltra等耗能系統(tǒng)越來越難以被學術(shù)界接受。

　　報告稱，這種在領(lǐng)先AI模型中向行業(yè)主導地位增強的轉(zhuǎn)變首次出現(xiàn)在去年的AI指數(shù)報告中。盡管今年差距略有縮小，但這種趨勢基本保持不變。

　　谷歌是發(fā)布模型基礎(chǔ)模型的企業(yè)，自2019年以來已發(fā)布了40個模型。OpenAI位居第二，發(fā)布了20個模型。發(fā)布AI模型最多的非西方機構(gòu)是中國的清華大學，發(fā)布了7個模型。

　　2023年發(fā)布的大多數(shù)大型人工智能系統(tǒng)都來自美國，有109個。中國機構(gòu)位居第二，但只有20個。報告指出，自2019年以來，美國一直是人工智能模型的最大生產(chǎn)國。報告中強調(diào)的一個發(fā)展趨勢是，能夠處理圖像、視頻和文本的多模式人工智能模型或系統(tǒng)的數(shù)量不斷增加。

　　如今，我們看到更多模型能夠跨領(lǐng)域發(fā)揮作用，模型可以接收文本并生成音頻，或接收圖像并生成描述。人工智能研究最令人興奮的一個優(yōu)勢是將這些大型語言模型與機器人或自主代理相結(jié)合，這標志著機器人在現(xiàn)實世界中更有效地工作邁出了重要一步。