FOREXBNB獲悉，中信建投證券發布研究報告稱，2024Q3，AI應用的落地進一步加速。除了之前熱度很高的例如Perplexity等繼續保持快速成長，AppLovin、Palantir等應用程式也進一步看到了AI帶來的生產力變革。同時湧現了新的一批爆款應用例如Hailuo、快手可靈、Pika等，而且值得欣喜的是其中國內優秀的AI應用開始逐漸嶄露頭角。隨著科技的不斷進步，更多創新產品將湧現出來，特別是在AI行銷、AI影像、AI虛擬陪伴，以及AI軍事等領域，這些細分市場的競爭將更加激烈。隨著用戶對AI工具需求的增加，可能會看到更多針對特定行業需求的客製化解決方案出現，從而推動整個產業的進一步發展。
AI應用：百花齊放，賦能千行百業
伴隨大模型能力的提升，海內外AI應用蓬勃發展，B端垂直企業服務、C端應用等層出不窮。據SensorTower数據显示，2023年全球AI應用程式年度下載量和內購收入分別上漲60%和70%，超過21億次和17億美元，而經過2023年的爆炸性成長，2024年AI應用市場更加成熟。得益於頭部應用的強勢增長，2024年1-8月全球AI應用收入年增51%至20億美元，預計2024年全年收入將達到33億美元。
OpenAI推出新型語言模型o1，經過強化學習訓練來執行複雜推理任務。o1回答前會先思考，可以在響應用戶之前產生一個很長的內部思維鏈。透過強化學習訓練，大模型學會精進自己的思考過程，嘗試不同的策略，並且認識自己的錯誤。在OpenAI的測試中，本系列後續更新的模型在物理、化學和生物學這些具有挑戰性的基準任務上的表現與博士生相似。OpenAI也發現它在數學和編碼方面表現出色。o1-preview在高階推理(SC-Reasoning)上表現驚艷，總分達到85.27分，比全球其他廠商的通用大模型高出15分以上，目前遙遙領先。
ChatGPT正式開放AI搜尋功能。11月，OpenAI宣佈為ChatGPT推出最新的人工智慧搜尋體驗，付費訂閱者(以及SearchGPT候補名單上的用戶)將獲得可連網的即時對話資訊能力，免費用戶、企業用戶和教育用戶也將在未來幾週內陸續獲得存取權限。在正常的對話時，ChatGPT可以根據具體需求決定何時利用網路中的搜尋結果，使用者也可以主動觸發網路搜索，同時包含了天氣、股市、地圖等小組件。AI搜尋的核心能力體現在提升簡單問題的解決效率、提升複雜性問題的處理能力以及多模態AI搜尋能力方面。
智譜推出AutoGLM，可以模擬人類操作視覺化電子設備。AutoGLM，只需接收簡單的文字/語音指令，可以模擬人類操作手機，包括進行微信朋友圈評論、以攜程預訂飯店、在12306上購買火車票、在美團上點外賣等，理論上，透過對GUI的深刻理解，AutoGLM可以完成人類在視覺化電子設備(電腦，智慧型手機，平板……)上能做的任何事。它不受限於簡單的任務場景或API呼叫，也不需要使用者手動建構複雜繁瑣的工作流程，操作邏輯與人類類似，真正做到在日常生活、工作中輔助人類。透過綜合應用智譜自研的基礎智能體解耦合中間介面與自進化線上課程強化學習架構策略，AutoGLM在PhoneUse和WebBrowserUse上都取得了大幅的效能提升。例如，在AndROIdLab評測基準上，AutoGLM就显著超越了GPT-4o和Claude-3.5-Sonnet的表現；在WebArena-Lite評測基準中，AutoGLM更是相對GPT-4o取得了約200%的性能提升，大大縮小了人類和大模型智能體在GUI操控上的成功率差距。
大模型技術不斷演進，賦能千行百業的能力不斷提升。短期看，金融、教育、文娛傳媒、辦公室、行銷等領域能夠實現快速場景落地；中期看，政務、製造、智慧城市等領域市場潛力不斷釋放；長期看，大模型有望為醫療、汽車、科學研究等領域帶來顛覆性變革，推動生產力高品質發展。
AI不斷突破傳統科學研究的邊界，加速科學發現的進程。2024年諾貝爾物理學獎、化學獎授予者均與AI相關。2024年的諾貝爾物理學獎頒給了約翰-霍普菲爾德(John J. Hopfield)和傑弗裡-辛頓(Geoffrey E. Hinton)，“以表彰他們利用人工神經網路進行機器學習的奠基性發現和發明”。2024年諾貝爾化學獎一半由美國科學家David Baker因其在計算蛋白質設計方面的貢獻而獲獎，另一半獎項則頒給了英國科學家Demis Hassabis和John M. Jumper，以表彰他們在蛋白質結構預測方面的成就。
國內模型經過不斷迭代，Top1模型表現不斷提升。據SuperCLUE，整體趨勢上，國內外第一梯隊大模型在中文領域的通用能力差距持續縮小，從2023年5月的30.12%的差距，縮小至2024年8月的1.29%。目前國內大模型持續接近Claude 3.5 Sonnet和ChatGPT-4o-latest的能力，但o1-preview的推出進一步拉大了與其他模型的差距，國內大模型與o1-preview在中文難任務(Hard任務)上相差約為14%，在中文通用能力上相差約8%。
