GPT三号掀起了一波AI大模型，大模型下的参数量就是精度大模型成为人工智能发展的新范式据《麻省理工科技评论》和IEEE Computer报道，2020年，Open AI推出了其新的预训练模型GPT—3与之前的型号相比，GPT 3号在数据量上实现了一个数量级的飞跃模型中的参数数量从15亿增加到1750亿，用于训练的数据量从40GB增加到45TB在算法几乎没有变化的情况下，GPT—3仅通过增加参数数量就实现了性能的飞跃:GPT—3可以自动生成文章，与人交流，甚至高精度地完成代码编写，仍然是最好的AI语言模型之一在GPT—3巨大成功的推动下，人工智能开发者开始了大模型竞赛目前谷歌的Switch—Transformer和GLaM分别有1万亿和1.2万亿的参数在国内，北京致远人工智能研究所推出的启迪2.0，参数规模达1.75万亿元对于AI模型，参数的多少决定了模型接受的训练量模型的参数越多，可以从训练数据中提取的相关信息就越多，因此可以做出更准确的预测

模型对算法和硬件提出了更高的要求，进一步提高了技术门槛与传统的AI模型相比，大模型对相关算法和硬件设施的要求更高一个大的模型要处理几千亿个参数，需要几百个独立的GPU来训练模型的神经网络，需要一个算法将所有的训练数据合理的分配在GPU之间，保证这些数据在正确的时间以正确的顺序使用在开发AI大模型的时候，所有的AI厂商都在升级相应的算法和硬件设施，以保证模型能够吸收超大的参数Google根据量子位百家，开发了LIMoE稀疏模型，在实现零样本学习的同时，大大降低了训练成本为了保证大型号的顺利开发，厂商也在不断升级相关的硬件设施我们认为，在未来的AI大模型开发中，支撑开发的算法和硬件设施的综合实力将成为重要的技术门槛，决定AI大模型规模的上限和实际的模型效果，成为AI厂商模型开发成功的关键因素

风险:行业相关政策推动不及预期，前沿技术发展不及预期或应用效果不佳的风险。