Chat-GPT的出现以及中短期内的产业化落地将会为从用户创作（UGC）到AI创作（AIGC）的转型提供关键的辅助支持。结合Chat-GPT的底层技术逻辑，我们认为Chat-GPT中短期内产业化的方向可能包括：1）Chat-GPT对于文字模态的AIGC应用具有重要意义，在归纳性的文字类工作中展现出了极其优异的表现。2）代码开发相关的工作更加规整非常适合AI辅助生成。3）图像生成领域：GPT模型在图像生成领域目前效果略逊于扩散模型，但扩散模型可以利用Chat-GPT生成较佳的Prompt，提供强大的文字形态的动力。4）智能客服类的工作。Chat-GPT的成功证明了Transformer模型并非陷入困境，不断的AI技术方法上的新突破正驱动全球AI产业进入加速发展阶段，叠加AI产业集群效应的不断凸显，AI产业有望成为全球科技领域中期最具投资价值的产业赛道之一。AI产业有望继续保持“芯片+算力基础设施+AI框架&算法库+应用场景”的稳定产业价值链结构，拥有完整数据闭环结构、良好数据自处理能力的企业有望持续成为受益者。持续推荐：特斯拉、英伟达、AMD、高通等。
　　▍报告缘起：Chat-GPT引来新一轮AI大热，探索产业化可能性。OpenAI团队最新公布的语言模型Chat-GPT于2022年11月30日向社区发布测试，并立即收到了良好的反馈。从测试反馈的结果看，相比于前一代的GPT-3，Chat-GPT以对话为载体，可以回答多种多样的日常问题，对于多轮对话历史的记忆能力和篇幅增强。与GPT-3等大模型相比，Chat-GPT回答更全面，可以多角度全方位进行回答和阐述，相较以往的大模型，知识被挖掘得更充分。Chat-GPT的强势“出圈”引来了对其未来可能的产业化方向的一系列测试，从测试结果来看，在归纳性文字、创作性文字、代码修改、科研辅助以及其它领域Chat-GPT均表现出了前代所没有的优点。对话式AI开始能在大范围、细粒度问题上给出普遍稳妥的答案，并根据上下文形成有一定的逻辑性的创造性回答。本篇报告将关注Chat-GPT背后的技术逻辑以及对AI产业链的整体影响以及产业化落地可能性。
　　▍技术逻辑：GPT-3.5基础上基于人类反馈学习进行额外训练，给出了Transformer模型未来的发展方向。OpenAI团队从GPT-3.5系列中的一个模型进行微调，使用与InstructGPT相同的方法，即人类反馈强化学习（RLHF）训练该模型，并对数据收集设置相对做了优化。从最终结果看，Chat-GPT仅仅使用了精选的百亿级别参数（对比GPT-3的千亿级别参数）就完成了与GPT-3结果相当甚至更好的回复质量，凸显了数据质量的重要性，大模型可能将告别过去一味堆叠数据量大小的时代。Chat-GPT的成功是在前期大量坚实的工作基础上实现的，不是横空出世的技术跨越。模型找到了一种面向主观任务来挖掘GPT3强大语言能力的方式，让模型“解锁”（unlock）和挖掘GPT3学到的海量数据中的知识和能力。因此从这样的底层技术逻辑出发，我们能迅速找到中短期内适合Chat-GPT的产业化方向：一个真正全方位的智能内容生成助手。
　　▍AI产业影响：算力成本下降+高质量数据催生底层应用，模型开放成为未来趋势，并加速迭代效率。Chat-GPT的成功证明了两点：1）单纯扩大模型参数并非唯一出路；2）让模型在早期开放给大众测试并收集人类反馈数据更有利于模型迭代。在近10年AI发展的前两个阶段，人工智能的进展更多体现在基于规模的技术突破，如2015-2020年，用于模型训练的计算量增长了6个数量级，同时随着规模的增大，输出结果的质量亦迎来质变，在语言文字、书写、图像识别等领域皆表现出超越人类的水平。但在实用层面，由于所需要的算力巨大，往往需要特殊的GPU配置，同时训练过程相对封闭，大多数人并无法使用，因此技术无法被多数人触达。而人工智能的第三个阶段，随着更新的技术、更优的算法、更大的模型出现，算力的成本越来越低，使得模型训练与运行所需成本持续下降，而算法从封闭测试到开放测试、开源的逐渐普及，亦降低了使用门槛。由此人工智能无论在经济性与可获得性上都达到了支持普及的水平。得益于AIGC基础设施可获得性的逐步提高，平台层变得更加稳固，算力成本持续下探，模型逐渐趋于开源与免费，应用层爆发式发展的节点正在靠近。
　　▍应用场景：实现从UGC到AIGC的助推器。目前我们正经历从Web2.0开始向Web3.0转型的启航阶段，我们已经看到内容创造从专业创作（PFC）转型为了用户创作（UGC）。而Chat-GPT的出现以及中短期内的产业化落地将会为从用户创作（UGC）到AI创作（AIGC）的转型提供关键的辅助支持。结合Chat-GPT的底层技术逻辑，我们认为Chat-GPT中短期内产业化的方向主要分为四大板块。1）Chat-GPT对于文字模态的AIGC应用具有重要意义，在归纳性的文字类工作中展现出了极其优异的表现。中短期内Chat-GPT能在办公辅助类工具中迅速落地，例如会议总结、文件翻译、例行报告等，提升办公效率并节省人力成本。2）代码开发相关的工作更加规整也非常适合AI辅助生成。2021年中与Github、微软合作上线的Copilot是目前最成熟的AI代码补全工具，根据Github数据，测试一年来已有120

研究报告全文：从Chat-GPT看生成式人工智能AIGC产业机遇与落地场景全球人工智能AI行业系列报告22023119中信证券研究部核心观点Chat-GPT的出现以及中短期内的产业化落地将会为从用户创作UGC到AI创作AIGC的转型提供关键的辅助支持结合Chat-GPT的底层技术逻辑我们认为Chat-GPT中短期内产业化的方向可能包括1Chat-GPT对于文字模态的AIGC应用具有重要意义在归纳性的文字类工作中展现出了极其优异的表现2代码开发相关的工作更加规整非常适合AI辅助生成3图像生成领域GPT模型在图像生成领域目前效果略逊于扩散模型但扩散模型可以陈俊云利用Chat-GPT生成较佳的Prompt提供强大的文字形态的动力4智能客前瞻研究首席分析服类的工作Chat-GPT的成功证明了Transformer模型并非陷入困境不断师的AI技术方法上的新突破正驱动全球AI产业进入加速发展阶段叠加AI产业S1010517080001集群效应的不断凸显AI产业有望成为全球科技领域中期最具投资价值的产业赛道之一AI产业有望继续保持芯片算力基础设施AI框架算法库应用场景的稳定产业价值链结构拥有完整数据闭环结构良好数据自处理能力的企业有望持续成为受益者持续推荐特斯拉英伟达AMD高通等报告缘起Chat-GPT引来新一轮AI大热探索产业化可能性OpenAI团队最新公布的语言模型Chat-GPT于2022年11月30日向社区发布测试并立即许英博收到了良好的反馈从测试反馈的结果看相比于前一代的GPT-3Chat-GPT科技产业首席分析以对话为载体可以回答多种多样的日常问题对于多轮对话历史的记忆能力和师S1010510120041篇幅增强与GPT-3等大模型相比Chat-GPT回答更全面可以多角度全方位进行回答和阐述相较以往的大模型知识被挖掘得更充分Chat-GPT的强势出圈引来了对其未来可能的产业化方向的一系列测试从测试结果来看在归纳性文字创作性文字代码修改科研辅助以及其它领域Chat-GPT均表现出了前代所没有的优点对话式AI开始能在大范围细粒度问题上给出普遍稳妥的答案并根据上下文形成有一定的逻辑性的创造性回答本篇报告将关注刘锐Chat-GPT背后的技术逻辑以及对AI产业链的整体影响以及产业化落地可能性前瞻研究分析师S1010522110001技术逻辑GPT-35基础上基于人类反馈学习进行额外训练给出了Transformer模型未来的发展方向OpenAI团队从GPT-35系列中的一个模型进行微调使用与InstructGPT相同的方法即人类反馈强化学习RLHF训练该模型并对数据收集设置相对做了优化从最终结果看Chat-GPT仅仅使用了精选的百亿级别参数对比GPT-3的千亿级别参数就完成了与GPT-3结果相当甚至更好的回复质量凸显了数据质量的重要性大模型可能将告别过贾凯方去一味堆叠数据量大小的时代Chat-GPT的成功是在前期大量坚实的工作基础前瞻研究分析师上实现的不是横空出世的技术跨越模型找到了一种面向主观任务来挖掘S1010522080001GPT3强大语言能力的方式让模型解锁unlock和挖掘GPT3学到的海量数据中的知识和能力因此从这样的底层技术逻辑出发我们能迅速找到中短期内适合Chat-GPT的产业化方向一个真正全方位的智能内容生成助手AI产业影响算力成本下降高质量数据催生底层应用模型开放成为未来趋势并加速迭代效率Chat-GPT的成功证明了两点1单纯扩大模型参数并非唯一出路2让模型在早期开放给大众测试并收集人类反馈数据更有利于模型迭证券研究报告请务必阅读正文之后第18页起的免责条款和声明前瞻研究行业全球人工智能行业系列报告AI22023119代在近10年AI发展的前两个阶段人工智能的进展更多体现在基于规模的技术突破如2015-2020年用于模型训练的计算量增长了6个数量级同时随着规模的增大输出结果的质量亦迎来质变在语言文字书写图像识别等领域皆表现出超越人类的水平但在实用层面由于所需要的算力巨大往往需要特殊的GPU配置同时训练过程相对封闭大多数人并无法使用因此技术无法被多数人触达而人工智能的第三个阶段随着更新的技术更优的算法更大的模型出现算力的成本越来越低使得模型训练与运行所需成本持续下降而算法从封闭测试到开放测试开源的逐渐普及亦降低了使用门槛由此人工智能无论在经济性与可获得性上都达到了支持普及的水平得益于AIGC基础设施可获得性的逐步提高平台层变得更加稳固算力成本持续下探模型逐渐趋于开源与免费应用层爆发式发展的节点正在靠近应用场景实现从UGC到AIGC的助推器目前我们正经历从Web20开始向Web30转型的启航阶段我们已经看到内容创造从专业创作PFC转型为了用户创作UGC而Chat-GPT的出现以及中短期内的产业化落地将会为从用户创作UGC到AI创作AIGC的转型提供关键的辅助支持结合Chat-GPT的底层技术逻辑我们认为Chat-GPT中短期内产业化的方向主要分为四大板块1Chat-GPT对于文字模态的AIGC应用具有重要意义在归纳性的文字类工作中展现出了极其优异的表现中短期内Chat-GPT能在办公辅助类工具中迅速落地例如会议总结文件翻译例行报告等提升办公效率并节省人力成本2代码开发相关的工作更加规整也非常适合AI辅助生成2021年中与Github微软合作上线的Copilot是目前最成熟的AI代码补全工具根据Github数据测试一年来已有120万用户这些用户编写的代码中40是由Copilot自动生成而截至2022年10月Copilot已经融资2200万美元Chat-GPT在目前测试中表现出的代码生成能力相比于Copilot更加灵活但欠缺一些底层的稳定性在进行针对性的优化后基于新GPT模型的AI代码辅助工具也有望在中短期内落地3图像生成领域成为了2022年下半年一级市场公司布局的热点随着Dalle2的热度在商稿方面用AI取代人类画手的思路基本明确GPT模型在图像生成领域目前效果略逊于扩散模型但扩散模型可以利用Chat-GPT生成较佳的Prompt对于AIGC内容和日趋火热的艺术创作提供强大的文字形态的动力4Chat-GPT最适合直接落地的项目就是智能客服类的工作根据模型现有的完成度在垂直行业针对性的做人工反馈训练Chat-GPT就可以落地为智能客服产品在toC场景中率先应用对比目前的智能客服Chat-GPT支撑的客服将在灵活性与人性化服务方面有显著的进步风险因素AI核心技术发展不及预期风险科技领域政策监管持续收紧风险全球宏观经济复苏不及预期风险宏观经济波动导致欧美企业IT支出不及预期风险全球云计算市场发展不及预期风险企业数据泄露信息安全风险行业竞争持续加剧风险等投资策略Chat-GPT模型的亮眼表现的背后是研究者在Transformer模型前进的道路上发现了类反馈强化学习这一方法带来的潜力对产业界AI的发展而言数据质量的优化AI研究人员的储备与计算能力将是未来能否走在AI应用前沿的核心能力Chat-GPT的成功证明了Transformer模型并非陷入困境不断的AI技术方法上的新突破正驱动全球AI产业进入加速发展阶段叠加AI产业集群效应的不断凸显AI产业有望成为全球科技领域中期最具投资价值的产业赛道之一AI产业有望继续保持芯片算力基础设施AI框架算法库应用场景的稳定产业价值链结构拥有完整数据闭环结构良好数据自处理能力的企业有望持续成为产业受益者重点推荐特斯拉英伟达AMD高通微软谷请务必阅读正文之后的免责条款和声明2前瞻研究行业全球人工智能行业系列报告AI22023119歌Mobileye等重点公司盈利预测估值及投资评级市值估值自然年公司代码估值方法亿美元2021A2022E2023E2024E特斯拉TSLAO4152PE542305248187英伟达NVDAO4355PE447531403314AMDAMDO1154PE365210199153高通QCOMO1348PE1379511799微软MSFTO17917PE292258250217谷歌GOOGLO11816PE155190178152MobileyeMBLYO253PENA483457353资料来源彭博一致预期中信证券研究部注股价为2023年1月17日收盘价请务必阅读正文之后的免责条款和声明3前瞻研究行业全球人工智能行业系列报告AI22023119目录报告缘起6技术逻辑基于人类反馈学习进行额外训练给出Transformer未来的发展方向7产业影响成本下降高质量数据加速底层应用落地10应用场景实现UGC到AIGC的助推器13风险因素16投资建议16请务必阅读正文之后的免责条款和声明4前瞻研究行业全球人工智能行业系列报告AI22023119插图目录图1Chat-GPT相比于前代回答更加灵活更接近人类反应6图2面对有违人类伦理的问题Chat-GPT会进行拒绝6图3各时间节点所对应的AI能力以及所能产生的应用产品7图4InstructGPT的技术逻辑RLHF的主要改变在于人工监督数据与调整后的奖励模型8图5RealToxicity数据集likehood9图6TruthfulQA数据集likehood9图7Hallucination数据集likehood9图8CustomerAssistantAppropriate数据集likehood9图9Chat-GPT的代码生成10图102015-2022年间深度学习模型体积不断扩大11图11加入了人类反馈步骤后的大模型迭代速度将远超以往12图12未来可能出现的杀手级应用及其对应的当前模型12图13内容生成的四个阶段13图14Jasper采用SaaS模式分档位定价14图15Copilot目前主要为开发者提供纠错与修改建议15图16全球AI客服市场空间与增速十亿美元16表格目录表1国内主流AI绘画软件15表2人工智能板块重点跟踪公司盈利预测17请务必阅读正文之后的免责条款和声明5前瞻研究行业全球人工智能行业系列报告AI22023119报告缘起Chat-GPT自推出以来表现优异展现出了相比于前代更好的对话能力与上下文的逻辑一致性OpenAI团队最新公布的语言模型Chat-GPT于2022年11月30日向社区发布测试并立即收到了良好的反馈从测试反馈的结果看相比于前一代的GPT-3Chat-GPT以对话为载体可以回答多种多样的日常问题对于多轮对话历史的记忆能力和篇幅增强与GPT-3等大模型相比Chat-GPT回答更全面可以多角度全方位进行回答和阐述相较以往的大模型知识被挖掘得更充分此外ChatGPT增加了过滤处理机制以解决AI伦理问题针对不适当的提问和请求它可以做出拒绝和圆滑的回复图1Chat-GPT相比于前代回答更加灵活更接近人类反应资料来源ChatGPT图2面对有违人类伦理的问题Chat-GPT会进行拒绝资料来源ChatGPTChat-GPT的强势出圈成为了对人工智能中短期内的产业化方向一系列探索的催化剂从对Chat-GPT的测试结果来看Chat-GPT开始能在大范围细粒度问题上给出普遍稳妥的答案并根据上下文形成有一定的逻辑性的创造性回答它降低了人类学习成本和节省时间成本可以满足人类大部分日常需求比如快速为人类改写确定目标的文字请务必阅读正文之后的免责条款和声明6前瞻研究行业全球人工智能行业系列报告AI22023119大篇幅续写和生成小说快速定位代码的bug等这些小功能在中短期内有望快速被初创公司产业化以极低的成本表现出比此前更优越的性能本篇报告就将从Chat-GPT背后的技术逻辑出发分析本轮人工智能浪潮可能的产业化方向图3各时间节点所对应的AI能力以及所能产生的应用产品资料来源红杉投资官网技术逻辑基于人类反馈学习进行额外训练给出Transformer未来的发展方向Chat-GPT继承了Instruct-GPT基于GPT-3之上的创新即人类反馈强化学习与奖励模型取得了良好的效果OpenAI团队从GPT-35系列中的一个模型进行微调使用与InstructGPT相同的方法人类反馈强化学习RLHF训练该模型并对数据收集设置相对做了优化从此前公布的兄弟模型Instruct-GPT的论文来看Chat-GPT的模型构建主要分为三部分1使用有监督学习方式基于GPT35微调训练一个初始模型训练数据约为2w3w量级根据兄弟模型InstructGPT的训练数据量级估算OpenAI请来了约40人的标注师团队由标注师分别扮演用户和聊天机器人产生人工精标的多轮对话数据这种标注的训练数据虽然数据量不大但质量和多样性非常高且都是来自真实世界数据2随后模型随机抽取一大批Prompt使用第一阶段微调模型产生多个不同回答标注人员对这些个结果排序并按照个人的对回答完成度的偏好形成训练数据对之后使用pairwiseloss来训练奖励模型可以预测出标注者更喜欢哪个输出在不断比较中给出相对精确的奖励值这一步使得Chat-GPT从命令驱动转向了意图驱动在这个过程中训练数据不需过多维持在万量级即可因为它不需要穷尽所有的问题只要告诉模型人类的喜好强化模型意图驱动的能力就行3使用PPO强化学习策略来微调第一阶段的模型随机抽取新的Prompt用第二阶段的RewardModel给产生的回答打分这个分数即回答的整体reward进而将此请务必阅读正文之后的免责条款和声明7前瞻研究行业全球人工智能行业系列报告AI22023119reward回传由此产生的策略梯度可以更新PPO模型参数整个过程迭代数次直到模型收敛PPO模型可以在多个训练步骤实现小批量的更新其实现简单易于理解性能稳定能同时处理离散连续动作空间问题利于大规模训练图4InstructGPT的技术逻辑RLHF的主要改变在于人工监督数据与调整后的奖励模型资料来源OpenAIChat-GPT成功使用小训练样本完成了与GPT-3相当甚至更好的效果突显数据质量的重要性Chat-GPT的兄弟模型InstructGPT仅仅使用了精选的13亿参数对比GPT-3的千亿级别参数就完成了与GPT-3结果相当甚至更好的回复质量从论文给出的四个数据集测试可以看出在其中两个数据集InstructGPT就完成了明显超越GPT-3回复质量的结果因此我们推测InstructGPT的兄弟模型Chat-GPT也使用了小量级的数据样本取得了如此出色的结果Chat-GPT不同于InstructGPT建立于GPT-35系列的一个模型上数据量应大于InstructGPT但仍小于GPT-3处于百亿级别Chat-GPT的成功向我们展现了目前我们所看到的Transformer模型们的潜力尚未被完全开发如何更好的精选优质数据将成为下一步的课题之一请务必阅读正文之后的免责条款和声明8前瞻研究行业全球人工智能行业系列报告AI22023119图5RealToxicity数据集likehood图6TruthfulQA数据集likehood02404502304035022030210250202015019010180050170GPT有监督微调InstructGPTGPT有监督微调InstructGPT资料来源OpenAI中信证券研究部注纵轴为与真资料来源OpenAI中信证券研究部注纵轴为与真实答案的最大相似度实答案的最大相似度图7Hallucination数据集likehood图8CustomerAssistantAppropriate数据集likehood0450920409035088030860250840208201501080050780076GPT有监督微调InstructGPTGPT有监督微调InstructGPT资料来源OpenAI中信证券研究部注纵轴为与真资料来源OpenAI中信证券研究部注纵轴为与真实答案的最大相似度实答案的最大相似度Chat-GPT的成功是在前期大量坚实的工作基础上实现的不是横空出世的技术跨越这些进步主要来自于数学层面上的优化带来的结果匹配精准度提高而并非算法真正为AI带来了创造性与完整的逻辑性也不是能够从训练的数据中学习到新的知识它在解锁unlock和挖掘GPT3学到的海量数据中的知识和能力但这些仅通过快速的In-context的方式较难获得InstuctGPT找到了一种面向主观任务来挖掘GPT3强大语言能力的方式因此从这样的底层技术逻辑出发我们能迅速找到中短期内适合Chat-GPT的产业化方向一个真正全方位的智能内容生成助手请务必阅读正文之后的免责条款和声明9前瞻研究行业全球人工智能行业系列报告AI22023119图9Chat-GPT的代码生成资料来源ChatGPT产业影响成本下降高质量数据加速底层应用落地回顾过去近十年间AI产业链的发展史我们可以简单分为以下几个阶段1小模型2015年前AI擅长特定领域的分析任务如语义理解等但通用型任务的完成情况很差硬件算力不够导致重新训练成本过高数据来源过于稀少难以提升到更高精确度整体表达能力与人类相差较远2大模型2015-2022年Transformer模型的出现使得文字语音图像识别语言理解等领域达到了超越人类的水平但同时也极大得增加了模型的体积只有拥有强大算力支撑的科技巨头才有能力训练Transformer模型请务必阅读正文之后的免责条款和声明10前瞻研究行业全球人工智能行业系列报告AI22023119图102015-2022年间深度学习模型体积不断扩大资料来源StanfordAIIndex20203兼顾经济性与可使用性2022-2024年Chat-GPT的成功证明了两点1单纯扩大模型参数并非唯一出路2让模型在早期开放给大众测试并收集人类反馈数据更有利于模型迭代之前两个阶段人工智能的进展更多体现在基于规模的技术突破如2015-2020年用于模型训练的计算量增长了6个数量级同时随着规模的增大输出结果的质量亦迎来质变在语言文字书写图像识别等领域皆表现出超越人类的水平但在实用层面由于所需要的算力巨大往往需要特殊的GPU配置同时训练过程相对封闭大多数人并无法使用因此技术无法被多数人触达而人工智能的第三个阶段随着更新的技术更优的算法更大的模型出现算力的成本越来越低使得模型训练与运行所需成本持续下降而算法从封闭测试到开放测试开源的逐渐普及亦降低了使用门槛由此人工智能无论在经济性与可获得性上都达到了支持普及的水平请务必阅读正文之后的免责条款和声明11前瞻研究行业全球人工智能行业系列报告AI22023119图11加入了人类反馈步骤后的大模型迭代速度将远超以往资料来源OpenAI4模型开放快速迭代2024以后得益于AIGC基础设施可获得性的逐步提高平台层变得更加稳固算力成本持续下探模型逐渐趋于开源与免费应用层爆发式发展的节点正在靠近正如GPS技术的普及打开了导航市场我们认为AIGC整体产业链从底层硬件到中层技术再到产品思维的成熟正在催生新的杀手级应用图12未来可能出现的杀手级应用及其对应的当前模型资料来源红杉投资官网请务必阅读正文之后的免责条款和声明12前瞻研究行业全球人工智能行业系列报告AI22023119应用场景实现UGC到AIGC的助推器Chat-GPT的出现所带来的内容生成能力将会为当今从用户创作UGC到AI创作AIGC的转型提供关键的辅助支持目前我们正经历从Web20开始向Web30转型的启航阶段在过去五年我们已经看到内容创造从专业创作PFC转型为了用户创作UGC在UGC阶段随着消费者定制化需求越来越高消费者本身亦参与内容的生产并伴随着互联网的兴起智能手机的普及YouTubeFacebook等平台涌现UGC成为了内容生产的主流模式而在不远的将来AI协助内容生成AIUGC与AI创作AIGC将为我们提供更低的创作门槛以及更丰富的创作思路在这两个阶段中内容生产主体从人类本身开始向人工智能迁移主要区别体现在内容的生产效率知识图谱的多样性以及提供更加动态且可交互的内容上人脑只能基于自己的知识图谱进行少数方向的信息处理而AI能从更庞大的知识体系中进行多个方向的处理进而提供更多的创作思路Gartner预计到2025年生成式人工智能将占所有生成数据的10图13内容生成的四个阶段资料来源虎嗅网结合Chat-GPT的底层技术逻辑我们认为Chat-GPT中短期内产业化的方向主要分为四大板块1Chat-GPT对于文字模态的AIGC应用具有重要意义在归纳性的文字类工作中展现出了极其优异的表现其中在Chat-GPT的帮助下传统的文字类工作中的一些方向会涉及到交互的全面改革比如机器翻译不再是传统的文本输入-实时翻译而是随时以助手问答的形式出现甚至给出一个大概笼统的中文意思让机器给出对应英文中短期内Chat-GPT能在办公辅助类工具中迅速落地例如会议总结文件翻译例行报告等提升办公效率并节省人力成本目前已有的初创公司如Jasper主打文字生成相关服务于2022年10月19日宣布完成125亿美元的A轮融资估值达到15亿美元该公司针请务必阅读正文之后的免责条款和声明13前瞻研究行业全球人工智能行业系列报告AI22023119对不同应用场景提供不同类型的服务如社交媒体广告文章邮件等不同类型的文字生成图14Jasper采用SaaS模式分档位定价资料来源Jasper官网2代码开发相关的工作更加规整也非常适合AI辅助生成2021年中与Github微软合作上线的Copilot是目前最成熟的AI代码补全工具根据Github数据测试一年来已有120万用户这些用户编写的代码中40是由Copilot自动生成而截至2022年10月Copilot已经融资2200万美元Chat-GPT在目前测试中表现出的代码生成能力相比于Copilot更加灵活可以独立完成一些小功能的编写但综合看目前版本的Chat-GPT自代码生成中欠缺一些底层的稳定性在进行针对性的优化后基于新GPT模型的AI代码辅助工具也有望在中短期内落地请务必阅读正文之后的免责条款和声明14前瞻研究行业全球人工智能行业系列报告AI22023119图15Copilot目前主要为开发者提供纠错与修改建议资料来源Copilot3图像生成领域成为了2022年下半年一级市场公司布局的热点随着Dalle2的热度在商稿方面用AI取代人类画手的思路基本明确2021年OpenAI推出的初代图像生成Dalle模型就是基于GPT之上而Dalle2则转向投入了扩散模型的怀抱并取得了更好的效果GPT模型在图像生成领域目前效果略逊于扩散模型但扩散模型可以利用Chat-GPT生成较佳的Prompt对于AIGC内容和日趋火热的艺术创作提供强大的文字形态的动力表1国内主流AI绘画软件产品名称所属公司文心一格百度集团万兴AI绘画万兴科技6pen毛线球科技清墨社区映刻科技无界版图超节点信息科技ZMOAI感知阶跃数字科技TIAMAT退格数字科技盗梦师西湖心辰科技资料来源各公司官网中信证券研究部4Chat-GPT将在智能客服类工作中找到适合自己的位置根据模型现有的完成度在垂直行业针对性的做人工反馈训练Chat-GPT就可以落地为智能客服产品在toC场景中率先应用对比现有的智能客服Chat-GPT支撑的客服将在灵活性与人性化服务方面有显著的进步根据GrandViewResearch的报告全球AI市场在2022年达到了138亿美元该机构预计到2030年将达到708亿美元对应2022年-2030年CAGR为22而根据CanamResearch2021年的调查数据显示美国78的客户联络中心在未来三年内部署人工智能46的客户服务互动已经实现自动化该机构预计到2023年将增长至59请务必阅读正文之后的免责条款和声明15前瞻研究行业全球人工智能行业系列报告AI22023119图16全球AI客服市场空间与增速十亿美元市场规模YoY84574063530525420315210150020222023E2024E2025E2026E2027E2028E2029E2030E资料来源GrandViewResearch含预测中信证券研究部近两年国内一级市场中也涌现了大量智能客服公司基于模型之上做针对性的产业优化将节省大量成本据市场研究机构沙利文发布的2021年中国智能客服市场报告显示2020年中国智能客服行业投融资事件有23件投资总金额为344亿元同比增长123另外2021年上半年中国智能客服投融资事件有13件投资金额达234亿元C轮至D轮融资事件占比高达50从投融资轮次来看2021年上半年C轮至D轮投融资事件最为活跃可见各细分赛道企业渐趋成熟其中智齿科技来也科技乐言科技Udesk晓多科技小能科技等智能客服厂商颇受资本市场青睐风险因素AI核心技术发展不及预期风险科技领域政策监管持续收紧风险全球宏观经济复苏不及预期风险宏观经济波动导致欧美企业IT支出不及预期风险全球云计算市场发展不及预期风险企业数据泄露信息安全风险行业竞争持续加剧风险等投资建议Chat-GPT模型的亮眼表现的背后是研究者在Transformer模型前进的道路上发现了类反馈强化学习这一方法带来的潜力对产业界而言数据质量的优化AI研究人员的储备与计算能力将是未来能否走在AI应用前沿的核心能力Chat-GPT的成功证明了Transformer模型并非陷入困境不断的AI技术方法上的新突破正驱动全球AI产业进入加速发展阶段叠加AI产业集群效应的不断凸显AI产业有望成为全球科技领域中期最具投资价值的产业赛道之一AI产业有望继续保持芯片算力基础设施AI框架算法库应用场景的稳定产业价值链结构拥有完整数据闭环结构良好数据自处理能力的企业有望持续成为产业受益者建议持续关注特斯拉英伟达AMD高通微软谷歌Mobileye等请务必阅读正文之后的免责条款和声明16前瞻研究行业全球人工智能行业系列报告AI22023119表2人工智能板块重点跟踪公司盈利预测市值估值自然年公司代码估值方法亿美元2021A2022E2023E2024E特斯拉TSLAO4152PE542305248187英伟达NVDAO4355PE447531403314AMDAMDO1154PE365210199153高通QCOMO1348PE1379511799微软MSFTO17917PE292258250217谷歌GOOGLO11816PE155190178152MobileyeMBLYO253PENA483457353资料来源彭博一致预期中信证券研究部注股价为2023年1月17日收盘价请务必阅读正文之后的免责条款和声明17分析师声明主要负责撰写本研究报告全部或部分内容的分析师在此声明i本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法ii该分析师所得报酬的任何组成部分无论是在过去现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系一般性声明本研究报告由中信证券股份有限公司或其附属机构制作中信证券股份有限公司及其全球的附属机构分支机构及联营机构仅就本研究报告免责条款而言不含CLSAgroupofcompanies统称为中信证券本研究报告对于收件人而言属高度机密只有收件人才能使用本研究报告并非意图发送发布给在当地法律或监管规则下不允许向其发送发布该研究报告的人员本研究报告仅为参考之用在任何地区均不应被视为买卖任何证券金融工具的要约或要约邀请中信证券并不因收件人收到本报告而视其为中信证券的客户本报告所包含的观点及建议并未考虑个别客户的特殊状况目标或需要不应被视为对特定客户关于特定证券或金融工具的建议或策略对于本报告中提及的任何证券或金融工具本报告的收件人须保持自身的独立判断并自行承担投资风险本报告所载资料的来源被认为是可靠的但中信证券不保证其准确性或完整性中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任本报告提及的任何证券或金融工具均可能含有重大的风险可能不易变卖以及不适合所有投资者本报告所提及的证券或金融工具的价格价值及收益可跌可升过往的业绩并不能代表未来的表现本报告所载的资料观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断可以在不发出通知的情况下做出更改亦可因使用不同假设和标准采用不同观点和分析方法而与中信证券其它业务部门单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反中信证券并不承担提示本报告的收件人注意该等材料的责任中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域单位集团及其他附属机构的流动负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定分析师的薪酬不是基于中信证券投资银行收入而定但是分析师的薪酬可能与投行整体收入有关其中包括投资银行销售与交易业务若中信证券以外的金融机构发送本报告则由该金融机构为此发送行为承担全部责任该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议中信证券以及中信证券的各个高级职员董事和员工亦不为前述金融机构之客户因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任评级说明投资建议的评级标准评级说明报告中投资建议所涉及的评级分为股票评级和行业评级买入相对同期相关证券市场代表性指数涨幅20以上另有说明的除外评级标准为报告发布日后6到12个增持相对同期相关证券市场代表性指数涨幅介于520之间月内的相对市场表现也即以报告发布日后的6到12个股票评级月内的公司股价或行业指数相对同期相关证券市场代持有相对同期相关证券市场代表性指数涨幅介于-105之间表性指数的涨跌幅作为基准其中A股市场以沪深300卖出相对同期相关证券市场代表性指数跌幅10以上指数为基准新三板市场以三板成指针对协议转让标的或三板做市指数针对做市转让标的为基准香港市场强于大市相对同期相关证券市场代表性指数涨幅10以上以摩根士丹利中国指数为基准美国市场以纳斯达克综合行业评级中性相对同期相关证券市场代表性指数涨幅介于-1010之间指数或标普500指数为基准韩国市场以科斯达克指数或韩国综合股价指数为基准弱于大市相对同期相关证券市场代表性指数跌幅10以上18特别声明在法律许可的情况下中信证券可能1与本研究报告所提到的公司建立或保持顾问投资银行或证券服务关系2参与或投资本报告所提到的公司的金融交易及或持有其证券或其衍生品或进行证券或其衍生品交易因此投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险本研究报告涉及具体公司的披露信息请访问httpsresearchciticsinfocomdisclosure法律主体声明本研究报告在中华人民共和国香港澳门台湾除外由中信证券股份有限公司受中国证券监督管理委员会监管经营证券业务许可证编号Z20374000分发本研究报告由下列机构代表中信证券在相应地区分发在中国香港由CLSALimited于中国香港注册成立的有限公司分发在中国台湾由CLSecuritiesTaiwanCoLtd分发在澳大利亚由CLSAAustraliaPtyLtd商业编号53139992331金融服务牌照编号350159分发在美国由CLSACLSAAmericasLLC除外分发在新加坡由CLSASingaporePteLtd公司注册编号198703750W分发在欧洲经济区由CLSAEuropeBV分发在英国由CLSAUK分发在印度由CLSAIndiaPrivateLimited分发地址8FDalamalHouseNarimanPointMumbai400021电话91-22-66505050传真91-22-22840271公司识别号U67120MH1994PLC083118在印度尼西亚由PTCLSASekuritasIndonesia分发在日本由CLSASecuritiesJapanCoLtd分发在韩国由CLSASecuritiesKoreaLtd分发在马来西亚由CLSASecuritiesMalaysiaSdnBhd分发在菲律宾由CLSAPhilippinesInc菲律宾证券交易所及证券投资者保护基金会员分发在泰国由CLSASecuritiesThailandLimited分发针对不同司法管辖区的声明中国大陆根据中国证券监督管理委员会核发的经营证券业务许可中信证券股份有限公司的经营范围包括证券投资咨询业务中国香港本研究报告由CLSALimited分发本研究报告在香港仅分发给专业投资者证券及期货条例香港法例第571章及其下颁布的任何规则界定的不得分发给零售投资者就分析或报告引起的或与分析或报告有关的任何事宜CLSA客户应联系CLSALimited的罗鼎电话85226007233美国本研究报告由中信证券制作本研究报告在美国由CLSACLSAAmericasLLC除外仅向符合美国1934年证券交易法下15a-6规则界定且CLSAAmericasLLC提供服务的主要美国机构投资者分发对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSAAmericasLLC在美国证券交易委员会注册的经纪交易商以及CLSA的附属公司新加坡本研究报告在新加坡由CLSASingaporePteLtd仅向新加坡财务顾问规例界定的机构投资者认可投资者及专业投资者分发就分析或报告引起的或与分析或报告有关的任何事宜新加坡的报告收件人应联系CLSASingaporePteLtd地址80RafflesPlace18-01UOBPlaza1Singapore048624电话6564167888因您作为机构投资者认可投资者或专业投资者的身份就CLSASingaporePteLtd可能向您提供的任何财务顾问服务CLSASingaporePteLtd豁免遵守财务顾问法第110章财务顾问规例以及其下的相关通知和指引CLSA业务条款的新加坡附件中证券交易服务C部分所披露的某些要求MCIP085112021加拿大本研究报告由中信证券制作对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书英国本研究报告归属于营销文件其不是按照旨在提升研究报告独立性的法律要件而撰写亦不受任何禁止在投资研究报告发布前进行交易的限制本研究报告在英国由CLSAUK分发且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士涉及到的任何投资活动仅针对此类人士若您不具备投资的专业经验请勿依赖本研究报告欧洲经济区本研究报告由荷兰金融市场管理局授权并管理的CLSAEuropeBV分发澳大利亚CLSAAustraliaPtyLtdCAPL商业编号53139992331金融服务牌照编号350159受澳大利亚证券与投资委员会监管且为澳大利亚证券交易所及CHI-X的市场参与主体本研究报告在澳大利亚由CAPL仅向批发客户发布及分发本研究报告未考虑收件人的具体投资目标财务状况或特定需求未经CAPL事先书面同意本研究报告的收件人不得将其分发给任何第三方本段所称的批发客户适用于公司法2001第761G条的规定CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASXAllOrdinaries指数成分股离岸市场上市证券未上市发行人及投资产品CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司印度CLSAIndiaPrivateLimited成立于1994年11月为全球机构投资者养老基金和企业提供股票经纪服务印度证券交易委员会注册编号INZ000001735研究服务印度证券交易委员会注册编号INH000001113和商人银行服务印度证券交易委员会注册编号INM000010619CLSA及其关联方可能持有标的公司的债务此外CLSA及其关联方在过去12个月内可能已从标的公司收取了非投资银行服务和或非证券相关服务的报酬如需了解CLSAIndia关联方的更多详情请联系Compliance-Indiaclsacom未经中信证券事先书面授权任何人不得以任何目的复制发送或销售本报告中信证券2023版权所有保留一切权利19