截至到2024年，AI大模型的进展主要集中在以下几个方面：

1、规模扩大：随着计算能力的提升和算法优化，大型语言模型（如GPT系列、BERT等）的参数量持续增加，从最初的百万级别增长到了数十亿甚至上百亿参数。这些模型能够处理更复杂的任务，理解更深层次的语言含义。

2、性能提升：通过改进训练方法和引入新的技术（例如Transformer架构的改进、注意力机制的优化等），AI大模型在处理自然语言理解、文本生成、机器翻译等任务时表现出了更高的准确性和效率。

3、应用拓展：AI大模型不仅在传统的NLP领域取得了显著进步，还被广泛应用于图像识别、语音合成、推荐系统等多个领域，推动了跨模态学习的发展。

4、可解释性和安全性：随着AI模型复杂度的提高，其决策过程变得越来越难以理解。因此，研究者们开始关注如何提高模型的可解释性，以便更好地理解和控制模型的行为。同时，对于AI模型的安全性和伦理问题也引起了广泛关注。

5、分布式训练和联邦学习：为了应对大规模模型的训练需求，分布式训练技术和联邦学习被广泛应用。它们允许在多个设备或服务器上并行地训练模型，从而减少单个节点的负担并加速训练过程。

6、能源消耗和环境影响：随着模型规模的增大，训练这些模型所需的能源消耗也随之增加。这引发了对可持续AI发展的关注，包括开发更加节能的计算框架和算法，以及使用可再生能源来支持AI训练。

7、通用人工智能(AGI)探索：尽管目前尚未实现真正的通用人工智能，但许多研究机构和公司都在朝着这个目标努力。他们尝试构建能够适应多种不同任务的模型，而不仅仅是特定领域的专家系统。

8、法规和政策制定：随着AI技术的快速发展，各国政府和国际组织开始关注相关的法律和道德问题。一些国家和地区已经开始制定针对AI应用的法律法规，以保护用户隐私和数据安全。

需要注意的是，上述信息可能随时间推移而发生变化，具体进展需要查阅最新的研究文献和技术报告。