劉 達

中國電影科學(xué)技術(shù)研究所（中央宣傳部電影技術(shù)質(zhì)量檢測所），北京 100086

1 引言

近年來，新興視聽技術(shù)、新一代信息通信技術(shù)（ICT）和智能科學(xué)技術(shù)在全球范圍得到迅猛發(fā)展與廣泛應(yīng)用，與此同時，諸多國家、行業(yè)、領(lǐng)域、科技公司等積極進軍和實施推進元宇宙（Metaverse）和人工智能大模型（Large-scale AI Model）發(fā)展戰(zhàn)略。在此背景下，整個人類社會在學(xué)科、技術(shù)、業(yè)務(wù)、服務(wù)、產(chǎn)業(yè)、行業(yè)等方面交叉滲透與融合發(fā)展趨勢日益明顯，進程持續(xù)拓展和不斷深化。

電影作為科技與文化的融合統(tǒng)一體，其攝制品質(zhì)、視聽體驗、工藝流程、內(nèi)容安全體系與版權(quán)保護機制在現(xiàn)代視聽媒體中具備技術(shù)引領(lǐng)作用。特別是，電影追求視聽效果逼近真實，虛擬化、逼真性、虛實融合、智能交互是電影的關(guān)鍵技術(shù)特征，其集中展現(xiàn)了虛擬世界與物理世界的融合、交互和呈現(xiàn)。順應(yīng)技術(shù)演進趨勢、產(chǎn)業(yè)發(fā)展需求以及交叉滲透與融合發(fā)展進程，電影行業(yè)正加快步入大視聽（Great Audio-Visual）、大科學(xué)（Great Science）和元宇宙（Metaverse）時代。

2 大視聽、大科學(xué)和元宇宙時代的技術(shù)特征

電影技術(shù)的發(fā)展演進與大視聽（Great Audio-Visual）、大科學(xué)（Great Science）和元宇宙（Metaverse）時代的核心內(nèi)涵高度契合、緊密關(guān)聯(lián)、相融相通。大視聽、大科學(xué)和元宇宙時代具有鮮明的技術(shù)特征，簡單概括如下：

（1）新興視聽技術(shù)（Emerging Audio-Visual Technology）、新一代信息通信技術(shù)（ICT）和智能科學(xué)技術(shù)（Intelligence Science &Technology）的發(fā)展與應(yīng)用持續(xù)向廣度和深度統(tǒng)籌推進，即不斷泛化和持續(xù)深化。

（2）在全球范圍，學(xué)科、技術(shù)、業(yè)務(wù)、服務(wù)、產(chǎn)業(yè)、行業(yè)深度交叉和融合并進，科學(xué)研究和技術(shù)應(yīng)用的復(fù)雜性、系統(tǒng)性、協(xié)同性顯著增強，交叉融合是大科學(xué)時代的核心內(nèi)涵；適應(yīng)媒體融合深化趨勢，視聽產(chǎn)業(yè)發(fā)展格局持續(xù)重構(gòu)優(yōu)化，視聽業(yè)務(wù)服務(wù)模式不斷創(chuàng)新升級，覆蓋電影、電視、手機、互聯(lián)網(wǎng)等多元媒體的廣義大視聽產(chǎn)業(yè)構(gòu)建形成并不斷提質(zhì)升級。

（3）整個人類社會都在積極推進信息化建設(shè)、云化與智能化升級，現(xiàn)代智能科技有力支撐信息時代（Age of Information）向智慧時代（Age of Wisdom）演進升級，智能感知、自主學(xué)習(xí)、自然交互是智慧時代的核心特征和本質(zhì)要求。

（4）元宇宙（Metaverse）作為一個集成眾多高新科技的巨型復(fù)雜生態(tài)系統(tǒng)，其核心思想和發(fā)展目標(biāo)是虛實融合與智能交互，持續(xù)推進虛擬世界與物理世界實現(xiàn)無縫虛實融合和高度智能交互，推動高品質(zhì)視聽體驗不斷逼近真實。

（5）在數(shù)字內(nèi)容創(chuàng)作生產(chǎn)領(lǐng)域，相對于判別式人工智能（Discriminative AI），生成式人工智能（Generative AI）發(fā)展顯著提速，優(yōu)勢愈加顯現(xiàn)，人工智能生成內(nèi)容（Artificial Intelligence Generated Content,AIGC）和大語言模型（Large Language Model,LLM）技術(shù)應(yīng)用持續(xù)拓展深化。

（6）在算力、模型、算法、知識、大數(shù)據(jù)等有力支撐下，數(shù)據(jù)科學(xué)（Data Science）范式持續(xù)深化完善，其與實驗科學(xué)（Experimental Science）、理論科學(xué)（Theoretical Science）、仿真科學(xué)（Simulation Science）統(tǒng)稱為科學(xué)研究的四大范式?，F(xiàn)代智能科技是數(shù)據(jù)科學(xué)范式的核心關(guān)鍵支撐，數(shù)據(jù)科學(xué)范式有望帶來更具影響力與顛覆性的科學(xué)突破和技術(shù)創(chuàng)新，具有極其廣闊和深遠的發(fā)展?jié)撃堋?/p>

3 現(xiàn)代智能科學(xué)技術(shù)的發(fā)展演進

智能（Intelligence）的實現(xiàn)原理與重要支撐如圖1所示，涵蓋感知（Perception）、學(xué)習(xí)（Learning）、認(rèn)知（Cognition）、決策（Decision）四大環(huán)節(jié)，其實現(xiàn)需要算力（Computility）、算 法（Algorithm）、知 識（Knowledge）、大數(shù)據(jù)（Big Data）的有力支撐。自智能科學(xué)技術(shù)發(fā)展進入現(xiàn)代以來，其發(fā)展進步與新一代信息通信技術(shù)（ICT）和計算機科學(xué)技術(shù)的發(fā)展進步密不可分、互為成就、融合并進。從傳統(tǒng)淺層機器學(xué)習(xí)到基于多級人工神經(jīng)網(wǎng)絡(luò)（ANN）的深度學(xué)習(xí)（Deep Learning），從傳統(tǒng)深度學(xué)習(xí)到人工智能預(yù)訓(xùn)練大模型（AI Pre-trained Large Model），現(xiàn)代智能科學(xué)技術(shù)持續(xù)取得新進展和新成就，不斷實現(xiàn)具有里程碑意義的重要新突破。

圖1 智能（Intelligence）的實現(xiàn)原理與重要支撐

3.1 從傳統(tǒng)機器學(xué)習(xí)到基于多級人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)

機器學(xué)習(xí)（Machine Learning）是人工智能的重要分支，其研究計算系統(tǒng)如何通過持續(xù)學(xué)習(xí)和訓(xùn)練，利用歷史經(jīng)驗來提升系統(tǒng)性能，其涉及三個核心關(guān)鍵要素：（1）模型（Model），對學(xué)習(xí)問題建模，確定假設(shè)空間；（2）策略（Strategy），從假設(shè)空間選擇最優(yōu)模型準(zhǔn)則，確定目標(biāo)函數(shù)；（3）算法（Algorithm），根據(jù)目標(biāo)函數(shù)求解最優(yōu)模型計算方法，求解模型參數(shù)。機器學(xué)習(xí)工作流程主要涵蓋以下環(huán)節(jié)：（1）確定訓(xùn)練數(shù)據(jù)集；（2）使用訓(xùn)練數(shù)據(jù)集訓(xùn)練模型，構(gòu)建學(xué)習(xí)器（Learner）；（3）使用驗證數(shù)據(jù)集評估學(xué)習(xí)器性能，進行模型選擇；（4）使用最終模型對測試數(shù)據(jù)進行分析預(yù)測并輸出結(jié)果。隨著機器學(xué)習(xí)模型復(fù)雜度和訓(xùn)練難度持續(xù)提升，如何高效配置和訓(xùn)練機器學(xué)習(xí)模型成為面臨的新問題和新挑戰(zhàn)。

傳統(tǒng)機器學(xué)習(xí)基于特征工程人工設(shè)計特征，特征向任務(wù)目標(biāo)的映射通過學(xué)習(xí)算法直接從數(shù)據(jù)中學(xué)習(xí)，屬于淺層學(xué)習(xí)（Shallow Learning）。伴隨算力、算法和數(shù)據(jù)集的發(fā)展進步，基于多級人工神經(jīng)網(wǎng)絡(luò)（ANN）的深度學(xué)習(xí)（Deep Learning）應(yīng)運而生。杰弗里·辛頓（Geoffrey Hinton）等人于2006 年在《Science》期刊發(fā)表論文，首次提出深度學(xué)習(xí)概念并指出多層神經(jīng)網(wǎng)絡(luò)模型具有優(yōu)異的特征學(xué)習(xí)能力，可通過“預(yù)訓(xùn)練（Pre-Training）+精調(diào)（Fine Tuning）”來有效解決深度神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練調(diào)優(yōu)問題，為推動深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的發(fā)展與應(yīng)用作出了突出貢獻，進而推動人工智能實現(xiàn)從實驗室向產(chǎn)業(yè)化的歷史性跨越。

傳統(tǒng)機器學(xué)習(xí)泛化機制不適合學(xué)習(xí)高維空間復(fù)雜函數(shù)，深度學(xué)習(xí)利用大規(guī)模數(shù)據(jù)集來訓(xùn)練精準(zhǔn)模型，通過多級人工神經(jīng)網(wǎng)絡(luò)級聯(lián)來實現(xiàn)復(fù)雜函數(shù)逼近，突破了傳統(tǒng)機器學(xué)習(xí)基于先驗知識手工設(shè)計低層特征的模式，而是自適應(yīng)學(xué)習(xí)適用于不同任務(wù)的數(shù)據(jù)特征表示，通過構(gòu)建非線性表示擬合數(shù)據(jù)關(guān)系，從而有效克服傳統(tǒng)機器學(xué)習(xí)算法對高維數(shù)據(jù)泛化能力不足等問題。機器學(xué)習(xí)與深度學(xué)習(xí)的主要挑戰(zhàn)和實現(xiàn)目標(biāo)是使學(xué)習(xí)或訓(xùn)練得到的模型在新樣本上表現(xiàn)優(yōu)秀，即具有強大的泛化（Generalization）能力，也就是泛化誤差小，有效克服欠擬合（Underfitting）和過擬合（Overfitting）。其中，欠擬合因?qū)W習(xí)能力低下而造成，可通過豐富完善訓(xùn)練數(shù)據(jù)集來去除；過擬合因?qū)W習(xí)能力過于強大而產(chǎn)生，其同時學(xué)習(xí)了訓(xùn)練數(shù)據(jù)集的共性特征和個性特征，致使對訓(xùn)練數(shù)據(jù)集預(yù)測好，對新樣本預(yù)測差，使學(xué)習(xí)器的泛化性能下降。過擬合不能從根本上去除，只能緩解和降低其風(fēng)險。另外，針對高維數(shù)據(jù)，由于計算量顯著增大，機器學(xué)習(xí)與深度學(xué)習(xí)問題求解將極其困難，通常稱為維數(shù)災(zāi)難（Curse of Dimensionality），必須妥善有效應(yīng)對。

3.2 從傳統(tǒng)深度學(xué)習(xí)到人工智能預(yù)訓(xùn)練大模型

自深度學(xué)習(xí)發(fā)展以來，人工智能模型基本上是針對特定應(yīng)用場景需求進行訓(xùn)練的中小模型，用于完成特定智能任務(wù)，解決特定智能問題。AI 中小模型通用性差，在場景變換后需重新訓(xùn)練并進行參數(shù)調(diào)整，且技術(shù)門檻高，需要大量AI 專業(yè)人員，此外模型訓(xùn)練需要大規(guī)模、高質(zhì)量的標(biāo)注數(shù)據(jù)。繼2017 年谷歌大腦（Google Brain）提出Transformer 轉(zhuǎn)換器新型架構(gòu)以來，人工智能預(yù)訓(xùn)練大模型發(fā)展提速。AI 預(yù)訓(xùn)練大模型又稱AI 基座模型（Foundation Model），其具有強大的邏輯推理和分析判斷能力，不僅能夠從海量互聯(lián)網(wǎng)數(shù)據(jù)中學(xué)習(xí)大量有用知識，而且具有強通用性和強泛化性，可通過模型定制以契合下游任務(wù)，并在新數(shù)據(jù)和新任務(wù)上取得合理結(jié)果。Transformer 架構(gòu)是AI 預(yù)訓(xùn)練大模型的發(fā)展基石，由多個編解碼器（Encoder &Decoder）疊加組成，現(xiàn)有主流AI 大模型通常基于該架構(gòu)，其應(yīng)用了自注意力（Self-Attention）機制，可有效提升模型訓(xùn)練速度和語義理解能力。

近年來，國內(nèi)外科技企業(yè)都在大力發(fā)展布局AI大模型，國家層面也在積極推進AI 大模型的研制與應(yīng)用。2020 年6 月，美國OpenAI 推出擁有1750 億參數(shù)的GPT-3 模型，其擁有強大能力，但因訓(xùn)練語料來自互聯(lián)網(wǎng)，會生成不適文本。2022 年11 月，在融入人類反饋強化學(xué)習(xí)（RLHF）技術(shù)以改進GPT-3 模型的基礎(chǔ)上，OpenAI 推出對話生成式預(yù)訓(xùn)練轉(zhuǎn)換器AI大模型ChatGPT（Chat Generative Pre-trained Transformer），其實質(zhì)就是GPT-3.5 模型，這是大語言模型（LLM）發(fā)展的一個重要里程碑，引發(fā)了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。2023 年OpenAI 發(fā)布多模態(tài)預(yù)訓(xùn)練大模型GPT-4。谷歌最新推出的通用大模型PaLM-E，已經(jīng)擁有5620 億參數(shù)。我國百度、華為、阿里、騰訊、商湯科技、中科院、清華大學(xué)、復(fù)旦大學(xué)等企業(yè)和科研院所也分別推出了國產(chǎn)AI預(yù)訓(xùn)練大模型。

AI 通用大模型集成多模態(tài)數(shù)據(jù)，可適配多元下游任務(wù)，同一模型利用少量標(biāo)注數(shù)據(jù)進行微調(diào)就能完成多場景任務(wù)，可縮短特定AI應(yīng)用開發(fā)周期，顯著提高研發(fā)效率，且當(dāng)模型參數(shù)超過一定閾值時，大模型會涌現(xiàn)出顯著的理解、推理、學(xué)習(xí)等能力，進而獲得更優(yōu)應(yīng)用效果。AI 預(yù)訓(xùn)練大模型的研發(fā)需要大數(shù)據(jù)、算法與算力的強力支撐。海量多源異構(gòu)的高質(zhì)量訓(xùn)練數(shù)據(jù)集是AI 大模型訓(xùn)練與調(diào)優(yōu)的基礎(chǔ)和關(guān)鍵。自AI 預(yù)訓(xùn)練大模型發(fā)展以來，克服了傳統(tǒng)深度學(xué)習(xí)針對特定AI 任務(wù)獨立采集數(shù)據(jù)集用于模型訓(xùn)練，不再針對特定AI 任務(wù)廣泛采集數(shù)據(jù)。算法是人工智能解決問題的方式和路徑，算法優(yōu)劣直接決定AI 大模型的空間復(fù)雜度與時間復(fù)雜度，要研發(fā)高效、優(yōu)秀的智能算法來降低計算復(fù)雜度，以更好、更快地完成海量數(shù)據(jù)擬合建模，進而形成共性知識。算力是AI 大模型的門檻，算力是否充足將直接制約AI 大模型的發(fā)展與應(yīng)用。AI 大模型訓(xùn)練推理需要高性能圖形處理器（GPU）集群，強大算力一般來自于云計算數(shù)據(jù)中心或超算中心。

3.3 通用人工智能（AGI）發(fā)展任重道遠但不斷逼近

人工智能（Artificial Intelligence）基于計算機模擬人類思維過程和智能行為以實現(xiàn)高層級應(yīng)用，根據(jù)學(xué)習(xí)和認(rèn)知能力強弱，可分為弱人工智能和強人工智能。智能系統(tǒng)（Intelligent System）應(yīng)具備感知（Perception）、推理（Reasoning）、學(xué)習(xí)（Learning）、抽象（Abstraction）四大能力?，F(xiàn)有人工智能系統(tǒng)均屬于弱人工智能，強人工智能即達到人類水平、能夠自適應(yīng)外部環(huán)境挑戰(zhàn)、具有自我意識的人工智能，又稱通用人工智能（Artificial General Intelligence,AGI）。一般認(rèn)為，通用人工智能（AGI）是人工智能（AI）發(fā)展的終極目標(biāo)，標(biāo)志著人工智能從狹義人工智能向廣義人工智能轉(zhuǎn)變，從僅能完成特定任務(wù)向類似人類分析思考問題并做出推理判斷轉(zhuǎn)變。以ChatGPT 等為代表的大語言模型（LLM）為逼近通用人工智能（AGI）提供了一個可能路徑和重要選項。從學(xué)習(xí)和認(rèn)知能力看，通用人工智能（AGI）并不是將各項專用人工智能用一臺巨型機器簡單集成，而是進行更高層級的知識抽象和處理。鑒于跨模態(tài)感知難于在數(shù)據(jù)層面實現(xiàn)，需要在認(rèn)知層面實現(xiàn)，因此現(xiàn)有基于大數(shù)據(jù)訓(xùn)練的人工智能（數(shù)據(jù)智能）距離通用人工智能（AGI）和人類智能（Human Intelligence）尚有相當(dāng)距離。

從發(fā)展趨勢來看，AI 預(yù)訓(xùn)練大模型正從單一領(lǐng)域轉(zhuǎn)向多模態(tài)領(lǐng)域，進而推出性能更強、功能更全、品質(zhì)更優(yōu)的衍生模型，并不斷逼近通用人工智能（AGI）。同時，AI 大模型的發(fā)展進步與落地應(yīng)用將催生新的生產(chǎn)方式和生活方式。此外，在AI大模型迅猛發(fā)展的背后，AI 芯片設(shè)計存在重大挑戰(zhàn)：一方面，AI 大模型參數(shù)規(guī)模迅猛增長，直接導(dǎo)致單節(jié)點算力需求劇增，對AI芯片性能提出了很高要求；另一方面，AI 芯片廠商在芯片開發(fā)過程中，受到來自制程工藝（IC 精細(xì)度）、性能、良率、成本、功耗等多重因素的限制，必須高度重視和有效應(yīng)對。

4 現(xiàn)代智能科技引領(lǐng)電影產(chǎn)業(yè)提質(zhì)升級的思考、策略與前瞻

在人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)、AI 預(yù)訓(xùn)練大模型、認(rèn)知計算、腦科學(xué)等現(xiàn)代智能科學(xué)技術(shù)的有力驅(qū)動下，人類社會正由信息時代向智慧時代演進升級。智慧時代具有智能感知、強大算力、優(yōu)秀模型與算法、系統(tǒng)完備的專業(yè)知識體系、強大高效的數(shù)據(jù)分析處理能力、自然友好的人機交互特性、以數(shù)據(jù)為中心的新型體系架構(gòu)、類似人類智能（Human Intelligence）的自主學(xué)習(xí)能力等關(guān)鍵技術(shù)特征。當(dāng)前，電影行業(yè)正處在信息化向智能化演進升級的關(guān)鍵時期，應(yīng)當(dāng)緊密結(jié)合大視聽、大科學(xué)、元宇宙和智慧時代的核心內(nèi)涵、技術(shù)特征和產(chǎn)業(yè)需求，全面推進電影全產(chǎn)業(yè)鏈智能化升級，促進電影產(chǎn)業(yè)高質(zhì)量發(fā)展。電影產(chǎn)業(yè)智能化升級與智慧時代關(guān)鍵技術(shù)特征如圖2所示。

圖2 電影產(chǎn)業(yè)智能化升級與智慧時代關(guān)鍵技術(shù)特征

4.1 統(tǒng)籌機器學(xué)習(xí)、深度學(xué)習(xí)、人工智能生成內(nèi)容（AIGC）和并行化系統(tǒng)設(shè)計策略，加快構(gòu)建完善電影智能化創(chuàng)作生產(chǎn)技術(shù)體系

人工智能（AI）按照任務(wù)類型可劃分為判別式人工智能（Discriminative AI）和生成式人工智能（Generative AI），前者實現(xiàn)分類、回歸、識別、預(yù)測等傳統(tǒng)任務(wù)，后者聚焦數(shù)字內(nèi)容創(chuàng)作生產(chǎn)，人工智能生成內(nèi)容（AIGC）即基于生成式人工智能技術(shù)來自動或輔助生成數(shù)字內(nèi)容。以ChatGPT 等為代表的大語言模型（LLM）的發(fā)展與應(yīng)用，標(biāo)志著人工智能從判別式（Discriminative）向生成式（Generative）的重大演進。相對于判別式人工智能，生成式人工智能不僅更能充分展現(xiàn)AI大模型的智能涌現(xiàn)能力以及數(shù)據(jù)要素作為新興生產(chǎn)力代表的重要價值，而且與數(shù)字時代電影產(chǎn)業(yè)兼具文化創(chuàng)意產(chǎn)業(yè)和戰(zhàn)略性新興產(chǎn)業(yè)的雙重內(nèi)涵高度契合。此外，人工智能領(lǐng)域著名的莫拉維克悖論（Moravec's Paradox）指出，人類所獨有的推理等高階智慧能力僅需極少算力，無意識的技能和直覺卻需極大算力，這說明人類難以解決的問題，人工智能卻能輕易解決，反之亦然。鑒于人工智能和人類智能存在優(yōu)勢互補，高質(zhì)量人機融合和高效人機協(xié)同將是未來電影智能化生產(chǎn)運營服務(wù)體系的重要特征。

下面以高新技術(shù)格式電影（High-Tech Format Film）為例闡述電影的智能化創(chuàng)作生產(chǎn)?；谛屡d視聽技術(shù)的高新技術(shù)格式電影集圖像高分辨率（HR）、高幀率（HFR）、高動態(tài)范圍（HDR）、廣色域（WCG）、沉浸式音頻（IA）等技術(shù)特征于一體，與電影的高品質(zhì)視聽需求與沉浸式觀影體驗高度契合。為豐富完善高新技術(shù)格式電影片源，在常規(guī)技術(shù)格式電影（Conventional-Tech Format Film）的基礎(chǔ)之上，針對圖像空間分辨率、幀速率、動態(tài)范圍、色域等提升和擴展，可基于深度學(xué)習(xí)模型和算法，例如深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）、變分自編碼器（VAE）、生成式對抗網(wǎng)絡(luò)（GAN）、擴散模型（Diffusion Model）等基礎(chǔ)模型與衍生模型，運用圖像超分辨率重建（SR）和人工智能生成內(nèi)容（AIGC）等技術(shù)，同時采用并行化系統(tǒng)設(shè)計策略，涵蓋模型、算法、數(shù)據(jù)、程序、硬件等并行化設(shè)計，以顯著提升GPU 利用率和模型訓(xùn)練效率，并有效節(jié)省硬件成本和電力成本，可支撐服務(wù)電影智能化創(chuàng)作生產(chǎn)技術(shù)體系構(gòu)建，如圖3所示。

圖3 高新技術(shù)格式電影智能化創(chuàng)作生產(chǎn)

4.2 適應(yīng)AI 生成范式由數(shù)據(jù)驅(qū)動向“數(shù)據(jù)+知識”驅(qū)動轉(zhuǎn)型，加快研制電影行業(yè)垂直AI 大模型，服務(wù)產(chǎn)業(yè)鏈提質(zhì)優(yōu)化和國家數(shù)字新基建

近年來，AI 生成范式由數(shù)據(jù)驅(qū)動向“數(shù)據(jù)+知識”聯(lián)合驅(qū)動發(fā)展演進，推進AI 通用大模型在垂直行業(yè)或領(lǐng)域?qū)崿F(xiàn)落地應(yīng)用和產(chǎn)業(yè)化，必須準(zhǔn)確把握行業(yè)或領(lǐng)域業(yè)務(wù)特點和發(fā)展需求，緊密結(jié)合行業(yè)或領(lǐng)域?qū)I(yè)知識，并遵循行業(yè)或領(lǐng)域標(biāo)準(zhǔn)規(guī)范，因此，AI 系統(tǒng)應(yīng)當(dāng)具備知識建模能力。AI 通用大模型作為基座模型，通常基于大規(guī)模公開數(shù)據(jù)集即通用語料、采用無監(jiān)督學(xué)習(xí)方式訓(xùn)練構(gòu)建，當(dāng)進行特定應(yīng)用開發(fā)時，需基于小規(guī)模標(biāo)注數(shù)據(jù)、采用監(jiān)督學(xué)習(xí)方式實現(xiàn)更加深化和細(xì)化的學(xué)習(xí)，即通過對大模型進行微調(diào)，以契合下游特定任務(wù)。AI 通用大模型應(yīng)用了遷移學(xué)習(xí)（Transfer Learning）思想，顯著降低了下游任務(wù)模型對標(biāo)注數(shù)據(jù)集規(guī)模的要求，非常適于處理難以獲得大量標(biāo)注數(shù)據(jù)的應(yīng)用場景。迄今AI通用大模型因缺乏行業(yè)或領(lǐng)域?qū)I(yè)知識而存在發(fā)展短板，即面向特定行業(yè)或領(lǐng)域的服務(wù)精準(zhǔn)性有效性差，行業(yè)或領(lǐng)域契合度低，且不能保證符合行業(yè)或領(lǐng)域標(biāo)準(zhǔn)規(guī)范。

在組建國家戰(zhàn)略科技力量和實施產(chǎn)學(xué)研聯(lián)合攻關(guān)人工智能大模型的背景下，電影行業(yè)要積極推進國內(nèi)相對成熟AI 通用大模型在電影行業(yè)的定制化、精準(zhǔn)化應(yīng)用，使共性技術(shù)和系統(tǒng)設(shè)施有效服務(wù)電影產(chǎn)業(yè)提質(zhì)升級。因此，需要AI 通用大模型研發(fā)方與電影行業(yè)聯(lián)合開展電影垂直AI 大模型定制化研制，其中既掌握AI 大模型訓(xùn)練推理技術(shù)、又精通電影行業(yè)專業(yè)知識的人才團隊不可或缺。此外，不同國家、行業(yè)、領(lǐng)域AI 大模型的發(fā)展與芯片、模型、算法、網(wǎng)絡(luò)、云計算數(shù)據(jù)中心、訓(xùn)練數(shù)據(jù)集等產(chǎn)業(yè)基礎(chǔ)密切相關(guān)，必須因地制宜，緊密結(jié)合國情和產(chǎn)業(yè)基礎(chǔ)?？傊癆I 大模型預(yù)訓(xùn)練+下游任務(wù)微調(diào)”技術(shù)模式對于提升AI通用大模型與電影行業(yè)契合度提供了可行路徑，對于支撐服務(wù)電影全產(chǎn)業(yè)鏈提質(zhì)優(yōu)化具有重要意義。電影行業(yè)垂直AI大模型研制及其戰(zhàn)略意義如圖4所示。

圖4 電影行業(yè)垂直AI大模型研制及其戰(zhàn)略意義

近年來，在計算與基建領(lǐng)域，器件、芯片、計算模式、新型基礎(chǔ)設(shè)施建設(shè)等均發(fā)生了重大變化，高性能圖形處理器（GPU）、AI 專用智能芯片、高容量現(xiàn)場可編程門陣列（FPGA）、系統(tǒng)級芯片/系統(tǒng)級可編程芯片（SOC/SOPC）、云計算數(shù)據(jù)中心/超算中心/人工智能系統(tǒng)設(shè)施/5G 移動網(wǎng)絡(luò)等新型基礎(chǔ)設(shè)施建設(shè)、“東數(shù)西算”國家戰(zhàn)略等發(fā)展迅猛并積極推進。AI 大模型訓(xùn)練推理需要GPU 強大算力為支撐，典型產(chǎn)品國外有英偉達（NVIDIA），國內(nèi)則有華為、寒武紀(jì)（Cambricon）等，并需要應(yīng)用NVLink 總線及CPU/GPU、GPU/GPU 高速互連與通信組網(wǎng)技術(shù)。當(dāng)前，支撐AI 大模型訓(xùn)練推理的算力顯著增強，曾經(jīng)受算力或計算復(fù)雜度限制而無法實現(xiàn)的諸多技術(shù)問題已經(jīng)能夠?qū)崿F(xiàn)。未來，AI 通用與垂直大模型有望納入國家新型數(shù)字基礎(chǔ)設(shè)施建設(shè)范疇，以服務(wù)國家與行業(yè)數(shù)字經(jīng)濟發(fā)展戰(zhàn)略。

4.3 推進電影行業(yè)AI 大模型與AI 中小模型高效協(xié)同發(fā)展和自主安全可控，AI 大模型智能涌現(xiàn)能力既要合理充分利用又要有效規(guī)避風(fēng)險

AI 大模型的發(fā)展面臨諸多挑戰(zhàn)，不僅模型可解釋性差、訓(xùn)練成本高、行業(yè)契合度低，而且隨著模型參數(shù)規(guī)模增大，性能提升明顯縮小，例如當(dāng)模型參數(shù)規(guī)模增大10 倍時，性能提升往往不足10%。因此，未來AI 大模型的研制與發(fā)展不能盲目追求模型參數(shù)規(guī)模，而要趨于實用化，在多元場景實現(xiàn)產(chǎn)業(yè)化應(yīng)用，且AI 大模型與AI 中小模型高效協(xié)同發(fā)展將是必然趨勢。AI 大模型積淀的知識與認(rèn)知推理能力要向AI 中小模型輸出，AI 中小模型在AI 大模型基礎(chǔ)上疊加垂直應(yīng)用場景，要將應(yīng)用效果反饋給AI 大模型，進而推動AI 大模型持續(xù)迭代優(yōu)化?？梢灶A(yù)見，在電影行業(yè)，AI 大模型將對劇本創(chuàng)作、制作生產(chǎn)、發(fā)行傳播、影片評價、觀影分析等電影全價值鏈產(chǎn)生深遠影響，其有望取代中低級電影崗位，但由于現(xiàn)有AI系統(tǒng)是通過數(shù)據(jù)集訓(xùn)練和模型調(diào)優(yōu)來獲得智能，其本質(zhì)上屬于數(shù)據(jù)智能，而非認(rèn)知智能，因此，電影行業(yè)高級崗位將不易被替代且價值將愈加凸顯。

電影行業(yè)自主發(fā)展生成式人工智能與人工智能行業(yè)垂直大模型，應(yīng)確保關(guān)鍵核心技術(shù)自主安全可控，這對于國家安全、信息安全、文化安全和產(chǎn)業(yè)健康有序可持續(xù)發(fā)展都至關(guān)重要。人工智能（AI）是一把雙刃劍，兼具技術(shù)性和社會性雙重屬性，發(fā)展人工智能，應(yīng)堅持以人為本、智能向善，要加強技術(shù)風(fēng)險管控。2017 年1 月在美國加州阿西洛馬（Asilomar）舉行的“對人類社會有益的人工智能（Beneficial AI）”會議制定了阿西洛馬人工智能原則（Asilomar AI Principles），旨在確保人類社會的利益和安全。2023年11 月首屆全球人工智能安全峰會（AI Safety Summit）在英國布萊切利莊園（Bletchley Park）召開，就人工智能技術(shù)快速發(fā)展帶來的風(fēng)險與機遇展開討論，包括中美英在內(nèi)的28 個國家及歐盟共同簽署了《布萊切利宣言》（The Bletchley Declaration），承諾以安全、以人為本、值得信賴和負(fù)責(zé)任的方式設(shè)計、開發(fā)、部署和使用AI。2023 年10 月我國在北京發(fā)布《全球人工智能治理倡議》，圍繞人工智能發(fā)展、安全和治理，系統(tǒng)闡述了人工智能治理中國方案。綜上所述，必須高度重視電影行業(yè)垂直AI 大模型的自主研制、安全治理和監(jiān)管體系建設(shè)，人工智能應(yīng)當(dāng)?shù)玫娇茖W(xué)合理利用，AI 大模型必須在一個受控邊界內(nèi)安全使用，要加快研究制定AI 相關(guān)安全秩序準(zhǔn)則和技術(shù)標(biāo)準(zhǔn)規(guī)范，國外AI大模型更要謹(jǐn)慎使用。

一般來說，AI 模型的參數(shù)規(guī)模和數(shù)據(jù)量越大，性能就越高，而且當(dāng)AI 模型的參數(shù)規(guī)模和數(shù)據(jù)量達到一定量級時將獲得涌現(xiàn)能力（Emergence Ability），即機器自主發(fā)現(xiàn)知識和形成智能的能力，一般AI 大模型以百億級參數(shù)為分水嶺。1977 年諾貝爾物理學(xué)獎獲得者菲利普·安德森（Philip Anderson）在論文中曾經(jīng)提及涌現(xiàn)（Emergence）即系統(tǒng)量變引起行為質(zhì)變，自然在不同尺度上會涌現(xiàn)出新的復(fù)雜性，這表明當(dāng)模型規(guī)模達到足夠量級時模型其實已經(jīng)發(fā)生質(zhì)變。在復(fù)雜系統(tǒng)與復(fù)雜網(wǎng)絡(luò)研究中，涌現(xiàn)（Emergence）是復(fù)雜系統(tǒng)的核心特征，發(fā)現(xiàn)復(fù)雜系統(tǒng)的涌現(xiàn)規(guī)律是復(fù)雜性科學(xué)的重要目標(biāo)。AI 大模型本質(zhì)上是一個復(fù)雜系統(tǒng)，其涌現(xiàn)能力涵蓋思維、抽象、推理、歸納、匹配等能力，如上下文情境學(xué)習(xí)、人類思維鏈、自然指令學(xué)習(xí)、強泛化能力等。涌現(xiàn)能力是AI 大模型相對于AI中小模型帶來的一項革命性、創(chuàng)新性變化，應(yīng)當(dāng)合理充分利用并有效規(guī)避其風(fēng)險。

5 結(jié)束語

伴隨數(shù)字經(jīng)濟時代來臨，智能經(jīng)濟與智能社會成為發(fā)展趨勢和必然要求。近年來，智能科技不斷發(fā)展進步和創(chuàng)新升級。自動化機器學(xué)習(xí)（AutoML）逐漸興起，其旨在實現(xiàn)機器學(xué)習(xí)工作流涉及的數(shù)據(jù)預(yù)處理、特征工程、模型選擇、超參數(shù)調(diào)優(yōu)等自動化；AI預(yù)訓(xùn)練大模型異軍突起，其具有強大的表征能力和學(xué)習(xí)能力，其發(fā)展與應(yīng)用將顯著縮短實現(xiàn)通用人工智能（AGI）的時間預(yù)期，通過創(chuàng)建AI 基礎(chǔ)底座，再向垂直行業(yè)實施定制化研制應(yīng)用，可科學(xué)精準(zhǔn)高效服務(wù)行業(yè)。與此同時，人類社會加快步入全云（All-in-Cloud）時代。AI 模型高度復(fù)雜化和海量多源異構(gòu)數(shù)據(jù)訓(xùn)練對強大算力的需求，使AI 系統(tǒng)嚴(yán)重依賴云計算數(shù)據(jù)中心的強大算力支撐；在云端計算和高速信息網(wǎng)絡(luò)的有力支撐下，AI 與云計算的發(fā)展深度交匯和融合并進，AI 系統(tǒng)云化與云平臺AI 化成為重要特征和關(guān)鍵趨勢。

智能化升級是電影產(chǎn)業(yè)高質(zhì)量發(fā)展的必然要求，是一項極其復(fù)雜龐大的系統(tǒng)工程，必須強化頂層設(shè)計、立足自主創(chuàng)新和注重有序推進。既要加快產(chǎn)業(yè)化規(guī)?；s化發(fā)展，推動機器學(xué)習(xí)、深度學(xué)習(xí)、人工智能生成內(nèi)容（AIGC）、人工智能預(yù)訓(xùn)練大模型等發(fā)展與應(yīng)用，加快構(gòu)建完善電影智能化創(chuàng)作生產(chǎn)與運營服務(wù)技術(shù)體系，研究試驗智慧電影和智慧影院整體解決方案，又要緊密結(jié)合新一代人工智能發(fā)展的新趨勢新特點新需求，統(tǒng)籌布局新一代智能計算范式與機器學(xué)習(xí)/深度學(xué)習(xí)/AI 大模型在電影行業(yè)的原創(chuàng)性突破和創(chuàng)新性應(yīng)用，進而積極服務(wù)電影科技自立自強和中華文化自信自強，有力支撐新時代電影強國和文化強國建設(shè)。