人工智能技术演进走向新范式：单任务智能到多任务智能

人工智能浪潮席卷，正以前所未有的速度、广度和深度改 变生产生活方式。世界主要国家纷纷将推进人工智能技术创新与应 用作为国家战略的重要方向，我国G度重视人工智能在培育新质生 产力、塑造新动能方面的重要作用。当前，人工智能正处于迈向通用 智能的初始阶段，并成为推动经济社会持续发展的关键动力。

以Transformer架构为基础的大模型不断取得新突破，在大数据、 大算力加持下，逐渐实现从单任务智能到可扩展、多任务智能的跨 越。这一关键突破，标志着人工智能技术发展走向新范式。以大模型为代表的人工智能技术展现出了类人智能的“涌现”能力，呈现规模可扩展、多任务适应及能力可塑三大特征。

一是规模可扩展。 模型的规模可扩展性不仅体现在参数的扩大，更依赖G质量数据集 的供给以及大规模算力集群能力的增强。当前在模型参数保持不变 的情况下，提G数据质量、扩大数据集规模或提升算力规模水平，都能够显著增强模型的复杂性和处理能力。

二是多任务适应。大模型支持多任务多模态能力持续增强，可执行任务已经从文本对话拓 展到多模态理解、多模态生成等场景。

三是能力可塑。通用大模型 在训练阶段通过结合增量预训练、有监督微调、知识图谱等方法， 实现将专业数据和知识注入模型中，提升大模型在专业L域的应用 能力；在推理阶段，通过引入检索增强生成、提示词工程和智能体 等技术，将更丰富的上下文信息和专业知识引入模型推理过程，解 决更复杂的推理任务，优化模型表现。

具体从大模型算法演进态势看，深挖现有体系架构潜力，以实 现理解推理能力和训练效率倍增仍是当前发展主线。模型研发主体 纷纷围绕算法理论融合（如 Transformer 架构与其他路线结合）和模 型改造（如扩大上下文窗口、思维链复杂推理、优化注意力模块、 网络架构稀疏化、多模态特征对齐与统一理解等）展开创新升级， 从而提G模型性能表现。近期 OpenAI o1 模型通过模仿人脑思考的 思维过程，显著提升数学、物理、编程等复杂任务的性能水平。与 此同时，非 Transformer 模型的底层算法也在不断创新。例如，基于 图神经网络的 GraphCast、GNoME 在气象和材料L域已取得重大突 破，基于物理约束的 PINN 网络、基于算子学习的 DeepONet 和基于 傅里叶变换的 FNO 网络已成为求解偏微分方程（PDEs）的重要手段。