參數(shù)是由機器學習模型在訓練過程中學習到的數(shù)值。機器學習模型中的參數(shù)值決定了模型如何解釋輸入數(shù)據并做出預測。調整參數(shù)是確保機器學習系統(tǒng)的性能得到優(yōu)化的一個必要步驟。圖1.2.9按部門突出顯示了Epoch數(shù)據集中包含的機器學習系統(tǒng)的參數(shù)數(shù)量。隨著時間的推移，參數(shù)的數(shù)量一直在穩(wěn)步增加，自2010年代初以來，這個增長尤為急劇。人工智能系統(tǒng)正在迅速增加其參數(shù)的事實反映了它們被要求執(zhí)行的任務的復雜性增加，數(shù)據的可用性增加，底層硬件的進步，最重要的是，更大的模型的性能演示。

1950-22年按部門劃分的重要機器學習系統(tǒng)的參數(shù)數(shù)量

圖1.2.9

圖1.2.10按領域展示了機器學習系統(tǒng)的參數(shù)。近年來，參數(shù)豐富的系統(tǒng)數(shù)量不斷增加。

1950-22年重要的機器學習系統(tǒng)按領域劃分的參數(shù)數(shù)

圖1.2.10

計算趨勢

人工智能系統(tǒng)的計算能力，或稱“計算能力”，是指訓練和運行機器學習系統(tǒng)所需的計算資源量。通常，一個系統(tǒng)越復雜，所訓練它的數(shù)據集越大，所需的計算量就越大。在過去的五年里，重要的人工智能機器學習系統(tǒng)使用的計算量呈指數(shù)級增長（圖1.2.11）。對人工智能計算需求的增長有幾個重要的影響。例如，更密集型計算的模型往往對環(huán)境的影響更大，而工業(yè)參與者往往比大學等其他模型更容易獲得計算資源。

1950-22年重要機器學習系統(tǒng)的分部門訓練計算（FLOP）

圖1.2.11

自2010年以來，在所有的機器學習系統(tǒng)中，語言模型需要的計算資源越來越多。

1950-22年重要機器學習系統(tǒng)的分域訓練計算（FLOP）

圖1.2.12

大型語言和多模態(tài)模型

大型語言和多模態(tài)模型，有時被稱為基礎模型，是一種新興的、日益流行的人工智能模型，它對大量數(shù)據進行訓練，并適應各種下游應用程序。像ChatGPT、DALL-E 2和MakeA-Video這樣的大型語言和多模態(tài)模型-Video模型已經展示了令人印象深刻的能力，并開始在現(xiàn)實世界中廣泛應用。今年，人工智能指數(shù)對負責發(fā)布新的大型語言和多模態(tài)模型的作者的國家隸屬關系進行了分析。10這些研究人員中的大多數(shù)來自美國的研究機構（54.2%）（圖1.2.13）。2022年，來自加拿大、德國和印度的研究人員首次為大型語言和多模式模型的發(fā)展做出了貢獻。

2019-22年按國家選擇大型語言和多模態(tài)模型（占總數(shù)的%）的作者

圖1.2.13

圖1.2.14提供了自GPT-2以來發(fā)布的大型語言和多模態(tài)模型的時間軸視圖，以及產生這些模型的研究人員的國家附屬機構。2022年發(fā)布的一些著名的美國大型語言和多模態(tài)模型包括OpenAI的DALL-E 2和谷歌的PaLM（540B）。2022年發(fā)布的唯一一種中國大型語言和多模式模式是GLM-130B，這是清華大學的研究人員創(chuàng)建的一種令人印象深刻的雙語（英語和中文）模式。同樣于2022年底推出的布魯姆計劃，由于它是1000多名國際研究人員合作的結果，因此被列為不確定計劃。

選擇大型語言和多語言模式模型發(fā)布的時間軸和國家歸屬

圖1.2.14

參數(shù)計數(shù)

隨著時間的推移，新發(fā)布的大型語言和多模態(tài)模型的參數(shù)數(shù)量大幅增加。例如，GPT-2是2019年發(fā)布的第一個大型語言和多模式模型，它只有15億個參數(shù)。由谷歌于2022年推出的PaLM擁有5400億美元，是GPT-2的近360倍。在大型語言和多模態(tài)模型中，參數(shù)的中位數(shù)隨著時間的推移呈指數(shù)級增長（圖1.2.15）。

2019-22年選擇大型語言和多模態(tài)模型的參數(shù)數(shù)

圖1.2.15