伴随ChatGPT在全球市场的流行，其在内容深度搜索中的突出表现引发了市场对其是否能替代传统搜索引擎的广泛讨论。我们认为ChatGPT在中短期内无法完全取代传统搜索引擎，也较难改变当前全球搜索引擎市场竞争格局，但料将会加速搜索引擎演化进程，并在中期形成以传统搜索为主、ChatGPT类模型为辅的新搜索引擎形态，相应带来谷歌等传统搜索引擎巨头AI投入大幅增加。ChatGPT优化了问题与答案生成间的匹配精准度，用户体验远好于传统搜索引擎。但背后系列短板亦阻碍了其在中短期对传统搜索引擎的可能取代：1）受制于模型训练方式，数据难以实时更新。2）单次搜索成本过于高昂，我们推算生成一条信息的成本在1.3美分左右，是目前传统搜索引擎的3-4倍。3）统计学模型产生的内容真假混杂，用户难以辨别。其中1、3点有望在技术端优化后，通过结合传统搜索引擎的方式部分解决问题，成本问题中短期内或只能等待硬件成本的继续下降。ChatGPT产生的鲶鱼效应，料将推动全球AI产业化进程的全面提速，以及AI生成内容时代的全面到来。
　　▍报告缘起：ChatGPT在问答环节表现优异，引起市场对其是否能替代传统搜索引擎的广泛讨论。OpenAI团队最新公布的语言模型ChatGPT于2022年11月30日向社区发布测试，在上线两个月不到的时间内就拥有了超过1000万DAU，MAU突破20万。从社区用户的测试结果看，相比于前一代的GPT3，ChatGPT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，ChatGPT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。ChatGPT在内容深度搜索中的强势表现引发了市场对其是否能替代传统搜索引擎的争论，本篇报告将对ChatGPT及其背后的技术是否能替代传统搜索引擎的市场以及会对传统搜索引擎巨头带来什么改变展开一系列分析。
　　▍ChatGPT较传统搜索：在GPT3.5基础上结合人类反馈强化学习进行训练，优化了问题与答案生成间的匹配精准度。OpenAI团队从GPT3.5系列中的一个模型进行微调，使用人类反馈强化学习(RLHF)训练。首先使用了人类标注师撰写约1.2w-1.5w条问答数据，并用其作为基础数据预训练。随后让预训练好的模型（SFT）针对新问题列表生成若干条回答，并让人类标注师对这些回答进行排序。这些回答的排名内容将以配对比较的方式生成一个新的奖励模型（RM）。最后让奖励模型在更大的数据集上重新训练SFT，并将最后两个步骤反复迭代以获得最终的模型。经过上述步骤，我们发现最终呈现出的ChatGPT模型在对问题意图与答案的一致性上大幅提高，根据Deepmind信息，相较于传统搜索引擎提供内容相关页面链接，ChatGPT可以直接生成面向问题的高完成度回答，并能够提供回答内容的相关引用链接（目前测试版本尚未开发这一功能）。此外针对开放式问题，ChatGPT也可以通过匹配网络中的数据生成较为完整的答案，在处理知识类以及创意类的问题时，ChatGPT提供的搜索体验远胜于目前的传统搜索引擎。
　　▍ChatGPT取代传统搜索引擎：中短期可能性较低。尽管ChatGPT能大幅优化用户的搜索体验，但要取代传统搜索引擎仍然面临几个关键技术瓶颈。1)数据的实时性问题。目前英文版本的ChatGPT数据截至2021年，而中文版本的ChatGPT数据截至2020年，数据库版本滞后的主要原因是由于语言类大模型的技术限制。ChatGPT目前的在GPT大模型上加入标注数据训练模式让实时数据的引入非常困难，如果要重新预训练模型，我们估计每次预训练需要用到1000块以上的英伟达A100显卡工作半个月至一个月的时间，成本在百万美元以上。而如果采用使用微调的方式专门训练新知识，会导致新知识的在模型内的权重过高，频繁的微调也会导致模型“遗忘”旧的知识。2）数据的真实性仍不足可靠。在大量的测试后我们发现，虽然ChatGPT回答问题的准确性有所提高，但如果提出的问题较为模糊或者本身包含部分错误信息在内，模型有可能以“一本正经”的语气生成完全错误甚至凭空捏造的回答。真假答案的混杂会让用户在需要对专业性问题寻求答案时产生严重的困扰，这也是目前语言类大模型普遍存在的问题。根据Meta首席AI科学家LeCun的推特推文，2022年11月几乎同一时间上线的Meta服务科研领域的语言类大模型Galactica就因为真假答案混杂的问题，测试仅仅3天就被用户投诉下线。3）模型在线推理端成本高昂。根据模型的现有数据，我们假设每次生成的回答长度平均为50个词，使用8x英伟达A100用于推理的情况下，我们估算ChatGPT每一次生成答案的成本约为1.3美分，约为谷歌搜索引擎每次搜索成本的3倍。如果每天面对数以亿计用户的搜索请求，如此高昂的成本是公司所不能接受的，中短期内完全取代传统搜索引擎在商业模式上无法做到。
　　▍搜索引擎产品演变：传统搜索引擎为主+大语言模型为辅相结合。目前ChatGPT的技术路径难以在较短时间内解决搜索成本的问题，因此从分场景限制用量的思路出发，我们认为中短期内ChatGPT可以通过部分技术改进辅助传统搜索引擎实现

研究报告全文：Chat-GPT对搜索引擎行业意味着什么前瞻研究全球人工智能AI行业系列报告3202326中信证券研究部核心观点伴随ChatGPT在全球市场的流行其在内容深度搜索中的突出表现引发了市场对其是否能替代传统搜索引擎的广泛讨论我们认为ChatGPT在中短期内无法完全取代传统搜索引擎也较难改变当前全球搜索引擎市场竞争格局但料将会加速搜索引擎演化进程并在中期形成以传统搜索为主ChatGPT类模型为辅的新搜索引擎形态相应带来谷歌等传统搜索引擎巨头AI投入大幅增加ChatGPT优化了问题与答案生成间的匹配精准度用户体验远好于传陈俊云统搜索引擎但背后系列短板亦阻碍了其在中短期对传统搜索引擎的可能取前瞻研究首席分代1受制于模型训练方式数据难以实时更新2单次搜索成本过于高昂析师我们推算生成一条信息的成本在13美分左右是目前传统搜索引擎的3-4倍S10105170800013统计学模型产生的内容真假混杂用户难以辨别其中13点有望在技术端优化后通过结合传统搜索引擎的方式部分解决问题成本问题中短期内或只能等待硬件成本的继续下降ChatGPT产生的鲶鱼效应料将推动全球AI产业化进程的全面提速以及AI生成内容时代的全面到来报告缘起ChatGPT在问答环节表现优异引起市场对其是否能替代传统搜索引擎的广泛讨论OpenAI团队最新公布的语言模型ChatGPT于2022年11月许英博30日向社区发布测试在上线两个月不到的时间内就拥有了超过1000万DAU科技产业首席分MAU突破20万从社区用户的测试结果看相比于前一代的GPT3ChatGPT析师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S1010510120041和篇幅增强与GPT-3等大模型相比ChatGPT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ChatGPT在内容深度搜索中的强势表现引发了市场对其是否能替代传统搜索引擎的争论本篇报告将对ChatGPT及其背后的技术是否能替代传统搜索引擎的市场以及会对传统搜索引擎巨头带来什么改变展开一系列分析ChatGPT较传统搜索在GPT35基础上结合人类反馈强化学习进行训练优贾凯方化了问题与答案生成间的匹配精准度OpenAI团队从GPT35系列中的一个前瞻研究分析师模型进行微调使用人类反馈强化学习RLHF训练首先使用了人类标注师S1010522080001撰写约12w-15w条问答数据并用其作为基础数据预训练随后让预训练好的模型SFT针对新问题列表生成若干条回答并让人类标注师对这些回答进行排序这些回答的排名内容将以配对比较的方式生成一个新的奖励模型RM最后让奖励模型在更大的数据集上重新训练SFT并将最后两个步骤反复迭代以获得最终的模型经过上述步骤我们发现最终呈现出的ChatGPT模型在对问题意图与答案的一致性上大幅提高根据Deepmind信息相较于传统搜索引擎提供内容相关页面链接ChatGPT可以直接生成面向问题的高完刘锐成度回答并能够提供回答内容的相关引用链接目前测试版本尚未开发这一前瞻研究分析师功能此外针对开放式问题ChatGPT也可以通过匹配网络中的数据生成较S1010522110001为完整的答案在处理知识类以及创意类的问题时ChatGPT提供的搜索体验远胜于目前的传统搜索引擎ChatGPT取代传统搜索引擎中短期可能性较低尽管ChatGPT能大幅优化用户的搜索体验但要取代传统搜索引擎仍然面临几个关键技术瓶颈1数据的实时性问题目前英文版本的ChatGPT数据截至2021年而中文版本的ChatGPT数据截至2020年数据库版本滞后的主要原因是由于语言类大模型的技术限制ChatGPT目前的在GPT大模型上加入标注数据训练模式让实时数据的引入非常困难如果要重新预训练模型我们估计每次预训练需要用到1000块以上的英伟达A100显卡工作半个月至一个月的时间成本在百万美元以上而如果采用使用微调的方式专门训练新知识会导致新知识的在模型内证券研究报告请务必阅读正文之后第15页起的免责条款和声明前瞻研究全球人工智能行业系列报告AI3202326的权重过高频繁的微调也会导致模型遗忘旧的知识2数据的真实性仍不足可靠在大量的测试后我们发现虽然ChatGPT回答问题的准确性有所提高但如果提出的问题较为模糊或者本身包含部分错误信息在内模型有可能以一本正经的语气生成完全错误甚至凭空捏造的回答真假答案的混杂会让用户在需要对专业性问题寻求答案时产生严重的困扰这也是目前语言类大模型普遍存在的问题根据Meta首席AI科学家LeCun的推特推文2022年11月几乎同一时间上线的Meta服务科研领域的语言类大模型Galactica就因为真假答案混杂的问题测试仅仅3天就被用户投诉下线3模型在线推理端成本高昂根据模型的现有数据我们假设每次生成的回答长度平均为50个词使用8x英伟达A100用于推理的情况下我们估算ChatGPT每一次生成答案的成本约为13美分约为谷歌搜索引擎每次搜索成本的3倍如果每天面对数以亿计用户的搜索请求如此高昂的成本是公司所不能接受的中短期内完全取代传统搜索引擎在商业模式上无法做到搜索引擎产品演变传统搜索引擎为主大语言模型为辅相结合目前ChatGPT的技术路径难以在较短时间内解决搜索成本的问题因此从分场景限制用量的思路出发我们认为中短期内ChatGPT可以通过部分技术改进辅助传统搜索引擎实现用户体验大幅提升1考虑到ChatGPT在不同分类问题中的表现情况限制ChatGPT搜索仅在知识类搜索场景下启用可以有效控制成本2面对时效类问题时模型自动判断转向传统搜索引擎生成答案并通过传统搜索引擎的数据返回生成ChatGPT版本的汇总新答案3针对回答真实性问题加入对答案产生来源的引用注明给用户让用户可以快速检验回答的可靠性总的来看通过一些小技术的革新大部分已经出现在了其他大语言模型中只需要借鉴就可以让ChatGPT成为一个合格的辅助搜索引擎不过成本的问题短期内暂时看不到太好的解决方法这也给了目前的搜索引擎巨头充足的时间以应对Chatgpt的冲击搜索巨头如谷歌以及百度均在大语言模型上有深厚的积累尤其是谷歌拥有与ChatGPT相似的对话类模型Sparrow以及Lamda其部分技术更是在ChatGPT上有所突破包括使用了多个RM模型以应对不良信息的产生以及加入了新知识迭代优化的相关思路预计ChatGPT的成功不会给搜索产业带来颠覆性的新入局者但会推动谷歌等搜索巨头加快迭代大语言模型辅助传统搜索引擎的新格局谷歌在最新一季度的财报电话会中表示谷歌将在未来几周或几个月正式推出类似ChatGPT基于大语言模型的人工智能这种人工智能将以搜索伴侣的形式辅助其传统搜索引擎不过大语言模型的加入也会影响到中期谷歌等巨头的搜索业务利润空间在平均每个用户生成50个单词的假设下我们预计到2023年如果有10的搜索结果由大语言模型生成将会给谷歌每年带来约12亿美元的额外运营成本风险因素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受制于信息更新回答准确性算力成本等层面因素的综合约束ChatGPT中短期内取代传统搜索引擎的概率较低但料将加速搜索引擎产品演化进程并在中期形成以传统搜索为主ChatGPT类模型为辅的新搜索引擎形态倒逼传统搜索厂商不断加大AI领域投入同时鉴于目前全球搜索引擎的市场格局份额较小的微软Bing最有可能率先实验大语言模型的实际应用谷歌等头部厂商亦将大概率被动跟随ChatGPT产生的鲶鱼效应料将推动全球AI产业化进程的全面提速以及AI生成内容时代的全面到来我们建议关注英伟达AMD微软亚马逊百度谷歌特斯拉阿里巴巴理想汽车等请务必阅读正文之后的免责条款和声明2前瞻研究全球人工智能行业系列报告AI3202326重点推荐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英伟达NVDAO5191PE461633484378AMDAMDO1388PE404280206176微软MSFTO19231PFCF350299313252亚马逊AMZNO10547EVEBITDA23417514092百度BIDUO494PE190164149131特斯拉TSLAO6011PE785425436307阿里巴巴BABAN2815PE142137115101理想汽车LIO261PS70392014资料来源彭博中信证券研究部注股价为2023年2月3日收盘价预测数据来自彭博一致预期请务必阅读正文之后的免责条款和声明3前瞻研究全球人工智能行业系列报告AI3202326目录报告缘起6Chatgpt加入人类反馈学习优化问题答案之间匹配精准度7ChatGPT较传统搜索引擎中短期内取代可能性较低10搜索引擎演变传统搜索引擎为主大语言模型为辅相结合11风险因素14投资策略14请务必阅读正文之后的免责条款和声明4前瞻研究全球人工智能行业系列报告AI3202326插图目录图1ChatGPT在上线仅两个月后预估DAU突破1000万6图2Chat-GPT相比于前代回答更加灵活更接近人类反应7图3对于传统搜索引擎较难直接搜索到答案的问题ChatGPT可以很好地处理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8图6TruthfulQA数据集8图7Hallucination数据集9图8CustomerAssistantAppropriate数据集9图9DeepmindSparrow使用了与ChatGPT相似的结构9图10Sparrow可以针对自己回答的每一个问题提供数据的引用源9图11对大语言模型加入新数据频繁微调很容易对新数据过拟合10图12ChatGPT经常会一本正经的胡说八道11图13LeCunMeta首席AI科学家抱怨Galactica被投诉下线11图14ChatGPT的使用将会直接取代google搜索目前知识类的直接回答部分12图15目前已经有chrome插件将ChatGPT以侧栏模式作为对传统搜引擎的补充12图16DeepmindSparrow加入了更多的奖励模型意图解决回答可靠性问题13图17Google百度等搜索引擎巨头均在大语言模型中有大量的布局13图18当ChatGPT生成替代部分传统搜索引擎后的谷歌搜索成本估算亿美元14表格目录表1ChatGPT每月服务器成本敏感性分析美元11表2当前成本下假设会员版收费42美元的利润率敏感性分析11表3重点推荐公司盈利预测14请务必阅读正文之后的免责条款和声明5前瞻研究全球人工智能行业系列报告AI3202326报告缘起ChatGPT发布后表现优异上线两个月以来全球注册用户快速攀升OpenAI团队最新公布的语言模型ChatGPT于2022年11月30日向社区发布测试并迅速获得了极高的关注度根据Similarweb的数据ChatGPT在上线两个月不到的时间内就拥有了超过1000万DAUMAU突破20万ChatGPT的火热表现源自于其展现出的优异对话能力激发起了广大群众对AI大模型的好奇心图1ChatGPT在上线仅两个月后预估DAU突破1000万资料来源similarweb搜索体验远超传统搜索引擎引发市场对其是否能替代传统搜索引擎的争论从社区用户的测试结果看相比于前一代的GPT3ChatGPT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ChatGPT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ChatGPT在内容深度搜索中的强势表现引发了市场对其是否能替代传统搜索引擎的争论本篇报告将对ChatGPT及其背后的技术是否能替代传统搜索引擎的市场以及会对传统搜索引擎巨头带来什么改变展开一系列分析请务必阅读正文之后的免责条款和声明6前瞻研究全球人工智能行业系列报告AI3202326图2Chat-GPT相比于前代回答更加灵活更接近人类反应资料来源ChatGPT中信证券研究部图3对于传统搜索引擎较难直接搜索到答案的问题ChatGPT可以很好地处理资料来源ChatGPT中信证券研究部Chatgpt加入人类反馈学习优化问题答案之间匹配精准度ChatGPT的突破在于模型处理技巧已经数据处理方式的改良提高了问题与回答的一致性OpenAI团队从GPT35系列中的一个模型进行微调使用人类反馈强化学习RLHF训练首先使用了人类标注师撰写约12w-15w条问答数据并用其作为基础数据预训练随后让预训练好的模型SFT针对新问题列表生成若干条回答并让人类标注师对这些回答进行排序这些回答的排名内容将以配对比较的方式生成一个新的奖励模型RM最后让奖励模型在更大的数据集上重新训练SFT并将最后两个步骤反复迭代以获得最终的模型经过上述步骤我们发现最终呈现出的ChatGPT模型在对问题意图请务必阅读正文之后的免责条款和声明7前瞻研究全球人工智能行业系列报告AI3202326与答案的一致性上大幅提高从数据集可以看出在节省了大量成本的前提下InstructGPT在论文中四个数据集的表现有一半超越了前一代GPT-3InstructGPT使用了与ChatGPT相同的思路只是训练数据量小于ChatGPT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OpenAI图5RealToxicity数据集图6TruthfulQA数据集02404502304035022030210250202015019010180050170GPTInstructGPTGPT有监督微调InstructGPT有监督微调资料来源OpenAI中信证券研究部资料来源OpenAI中信证券研究部请务必阅读正文之后的免责条款和声明8前瞻研究全球人工智能行业系列报告AI3202326图7Hallucination数据集图8CustomerAssistantAppropriate数据集0450920409035088030860250840208201501080050780076GPT有监督微调InstructGPTGPT有监督微调InstructGPT资料来源OpenAI中信证券研究部资料来源OpenAI中信证券研究部ChatGPT提供了一个切实可行的对话类模型改进思路并启发了同类模型ChatGPT的成功让研发团队们认识到了人类反馈强化学习配合奖励模型的重要性并逐步踏入这一领域ChatGPT目前仍然是完成度最高的对话类模型但是其的追随者们有些在实验性的思路上更进一步例如根据MITTechnologyReview报道Google投资的Deepmind团队所开发的Sparrow可以在生成面向问题的高完成度回答时同时提供回答内容的相关引用链接目前ChatGPT尚未引入这一功能未来我们将会看到ChatGPTSparrow等模型相互借鉴快速迭代进一步完善当前版本所存在的不足图9DeepmindSparrow使用了与ChatGPT相似的结构图10Sparrow可以针对自己回答的每一个问题提供数据的引用源资料来源Sparrow中信证券研究部资料来源Sparrow中信证券研究部请务必阅读正文之后的免责条款和声明9前瞻研究全球人工智能行业系列报告AI3202326ChatGPT较传统搜索引擎中短期内取代可能性较低尽管ChatGPT能大幅优化用户的搜索体验但几个关键技术瓶颈让其无法在中短期内取代传统搜索引擎1数据的实时性问题目前英文版本的ChatGPT数据截至2021年而中文版本的ChatGPT数据截至2020年数据库版本滞后的主要原因是由于语言类大模型的技术限制ChatGPT目前的在GPT大模型上加入标注数据训练模式让实时数据的引入非常困难如果要重新预训练模型我们估计每次预训练需要用到1000块以上的英伟达A100显卡工作半个月至一个月的时间成本在百万美元以上而如果采用使用微调的方式专门训练新知识会导致新知识的在模型内的权重过高频繁的微调也会导致模型遗忘旧的知识图11对大语言模型加入新数据频繁微调很容易对新数据过拟合资料来源Github中信证券研究部绘制2数据的真实性仍不足可靠在大量的测试后我们发现虽然ChatGPT回答问题的准确性有所提高但如果提出的问题较为模糊或者本身包含部分错误信息在内模型可能会以一本正经的语气生成完全错误甚至凭空捏造的回答真假答案的混杂会让用户在需要对专业性问题寻求答案时产生严重的困扰这也是目前语言类大模型普遍存在的问题2022年11月几乎同一时间上线的Meta服务科研领域的语言类大模型Galactica就因为真假答案混杂的问题测试仅仅3天就被用户投诉下线请务必阅读正文之后的免责条款和声明10前瞻研究全球人工智能行业系列报告AI3202326图12ChatGPT经常会一本正经的胡说八道图13LeCunMeta首席AI科学家抱怨Galactica被投诉下线资料来源ChatGPT中信证券研究部资料来源YanLeCunTwitter3模型在线推理端成本高昂根据模型的现有数据我们假设每次生成的回答长度平均为50个词使用8x英伟达A100用于推理的情况下我们估算ChatGPT每一次生成答案的成本约为13美分约为谷歌搜索引擎每次搜索成本的3倍如果每天面对数以亿计用户的搜索请求如此高昂的成本是公司所不能接受的中短期内完全取代传统搜索引擎在商业模式上无法做到表1ChatGPT每月服务器成本敏感性分析美元每用户每日生成次数日活跃用户数500万用户1000万用户3000万用户5次820万1640万4920万10次1450万2900万8700万15次2000万4000万1亿2000万资料来源Azure官网HuggingFace中信证券研究部推算表2当前成本下假设会员版收费42美元的利润率敏感性分析每用户每日生成条数会员转化率51015521961074010-38131054015-90548365资料来源Azure官网HuggingFace中信证券研究部推算搜索引擎演变传统搜索引擎为主大语言模型为辅相结合目前ChatGPT的技术路径难以在较短时间内解决搜索成本的问题因此从分场景限制用量的思路出发我们认为中短期内ChatGPT可以通过部分技术改进辅助传统搜索引擎实现用户体验大幅提升请务必阅读正文之后的免责条款和声明11前瞻研究全球人工智能行业系列报告AI32023261考虑到ChatGPT在不同分类问题中的表现情况限制ChatGPT搜索仅在知识类搜索场景下启用可以有效控制成本图14ChatGPT的使用将会直接取代google搜索目前知识类的直接回答部分资料来源Google中信证券研究部2面对时效类问题时模型自动判断转向传统搜索引擎生成答案并通过传统搜索引擎的数据返回生成ChatGPT版本的汇总新答案图15目前已经有chrome插件将ChatGPT以侧栏模式作为对传统搜引擎的补充资料来源Google中信证券研究部3针对回答真实性问题加入对答案产生来源的引用注明给用户让用户可以快速检验回答的可靠性总的来看通过一些小技术的革新就可以让ChatGPT成为一个合格的辅助搜索引擎请务必阅读正文之后的免责条款和声明12前瞻研究全球人工智能行业系列报告AI3202326图16DeepmindSparrow加入了更多的奖励模型意图解决回答可靠性问题资料来源Deepmind成本端的问题需要等待中长期维度基础硬件设施价格的下降这也给了目前的搜索引擎巨头充足的时间以应对Chatgpt的冲击搜索巨头如谷歌以及百度均在大语言模型上有深厚的积累尤其是谷歌拥有与ChatGPT相似的对话类模型Sparrow以及Lamda其部分技术更是在ChatGPT上有所突破包括使用了多个RM模型以应对不良信息的产生以及加入了新知识迭代优化的相关思路图17Google百度等搜索引擎巨头均在大语言模型中有大量的布局资料来源stateofaiChatGPT的成功不会给搜索产业带来颠覆性的新入局者但会推动谷歌等搜索巨头加快迭代大语言模型辅助传统搜索引擎的新格局谷歌在最新一季度的财报电话会中表示谷歌将在未来几周或几个月正式推出类似ChatGPT基于大语言模型的人工智能这种人工智能将以搜索伴侣的形式辅助其传统搜索引擎不过大语言模型的加入也会影响到中期谷歌等巨头的搜索业务利润空间在平均每个用户生成50个单词的假设下我们预计23年如果有10的搜索结果由大语言模型生成将会给谷歌带来约12亿美元每年的额外运营成本这个数值还会随ChatGPT生成内容比例的提高而提高请务必阅读正文之后的免责条款和声明13前瞻研究全球人工智能行业系列报告AI3202326图18当ChatGPT生成替代部分传统搜索引擎后的谷歌搜索成本估算亿美元2052001951901851801751701651600101520资料来源谷歌财报中信证券研究部估算风险因素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伴随ChatGPT在全球市场的广泛流行其在内容深度搜索中的强势表现引发了市场对其是否能替代传统搜索引擎的争论我们认为ChatGPT在中短期内无法完全取代传统搜索引擎也较难改变当前全球搜索引擎市场竞争格局但料将会加速搜索引擎演化进程并在中期形成以传统搜索为主ChatGPT类模型为辅的新搜索引擎形态相应带来谷歌等传统搜索引擎巨头AI投入大幅增加ChatGPT优化了问题与答案生成间的匹配精准度用户体验远好于传统搜索引擎但背后系列短板亦阻碍了其在中短期对传统搜索引擎的可能取代ChatGPT产生的鲶鱼效应料将推动全球AI产业化进程的全面提速以及AI生成内容时代的全面到来我们建议关注英伟达AMD微软亚马逊百度谷歌特斯拉阿里巴巴理想汽车等表3重点推荐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英伟达NVDAO5191PE461633484378AMDAMDO1388PE404280206176微软MSFTO19231PFCF350299313252亚马逊AMZNO10547EVEBITDA23417514092百度BIDUO494PE190164149131特斯拉TSLAO6011PE785425436307阿里巴巴BABAN2815PE142137115101理想汽车LIO261PS70392014资料来源彭博中信证券研究部注股价为2023年2月3日收盘价预测数据来自彭博一致预期请务必阅读正文之后的免责条款和声明14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增持相对同期相关证券市场代表性指数涨幅介于520之间个月内的相对市场表现也即以报告发布日后的6到股票评级12个月内的公司股价或行业指数相对同期相关证券持有相对同期相关证券市场代表性指数涨幅介于-105之间市场代表性指数的涨跌幅作为基准其中A股市场以沪卖出相对同期相关证券市场代表性指数跌幅10以上深300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强于大市相对同期相关证券市场代表性指数涨幅10以上香港市场以摩根士丹利中国指数为基准美国市场以纳斯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之间达克综合指数或标普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15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16