本次研究始于2024年11月，根据transform架构下的人工智能采取发展脉络梳理，对美股软硬件龙头公司做重点摸排，了解到逻辑芯片ASIC的广阔前景，重点研究了以APPlovin公司为代表，在数据分析和广告投放领域的AI应用前景。
2025年1月，随着国内DEEPSEEK模型在成本和训练时间上的大幅突破，预计未来会有越来越多的行业运用AI模型提高企业效率。
2025年2月，泛AI应用行业重点公司业绩再超预期，无论是对美股进行潜在的映射，还是对已产生营收的重点公司和行业持续跟踪，在2025年的投资中始终是市场绕不开的话题。
2017年，Google发布论文《Attention-is-all-you-need》，提出Attention机制和基于此机制的Transformer架构。
Transformer架构是一种完全基于注意力机制的序列转换模型，而不依赖此前研究较多的三类架构：循环神经网络RNN（Recurrent-Neural-Network）、卷积神经网络CNN（Convolutional-Neural-Network）、长短期记忆LSTM（Long-Short-Term-Memory）。
2018-2023年期间，Transformer架构下的人工智能发展迅速，站在2024年回顾和展望，本轮人工智能AI浪潮预计还将会是Transformer架构下的大语言LLM模型主宰天下。
大语言模型，简称LLM，英文Large-Language-Model，是指使用大量文本数据训练的深度学习模型，使得该模型可以生成自然语言文本或理解语言文本的含义，进而进行类人脑判断甚至简单思考。
通过在庞大数据集上进行训练，来提供有关各种主题的深入知识和语言生产。其核心思想是：通过大规模的无监督训练学习自然语言的模式和结构，在一定程度上模拟人类的语言认知和生成过程。
从实际表现来看，大语言模型在拼写检查、语法修正、文本摘要等简单运算已进入大众日常生活；情感分析、对话生成、内容推荐等进阶应用也表现出色；由此发展的图、视频、声感知、光感知多模态应用更是打开想象空间。
根据目前论文整理，可将Transformer架构发展五年多历史分为三派。
GPT派模型适合做确定性判断，类似进行单项选择：
通过天量算力处理文本和小说信息，充分获得概率和学习积累，最终大模型可以选择到A选项，热属于对气温38度的一种路径解释，这种解释是指向性的。
