大模型实现量质齐变，人工智能发展开启新周期
　　大模型实现量质齐变，人工智能发展有望开启新篇章。从人工智能历史发展的三次浪潮来看，算法、算力和数据是人工智能实现场景落地三驾马车。其中人工智能算法模型的突破有两个方向：新架构和更大量级的参数量。大模型的出现相较于深度学习，省去了一开始大量的特征工程，通过提升参数量、引入Prompt使得生成式文本进一步突破。目前大模型已在NLP取得较为成熟的进展，之后预计向多模态发展，模型泛化性的不断提升使得通用型AI有望到来。
　　从ChatGPT看大模型现状，更多爆款应用有望出现
　　国内外巨头纷纷投入大模型，新兴应用ChatGPT问世，风口起浪潮将至。2022年11月30日，OpenAI发布全新聊天机器人模型ChatGPT，上市五天后用户数量突破100万人。ChatGPT的问世引发了对于大模型发展前景的思考。随着投喂数据集的多样化，大模型逐渐具备多模态属性。但考虑到当前大模型训练过程中的高昂成本问题，在实现产业落地时，需要综合考虑大模型应用成本和产品性能提升带来的经济效益之间的平衡。因此，我们认为大模型有望产生爆款应用软件的方向，或将具备以下特性：（1）大模型的应用能实现应用性能的显著提升；（2）应用场景需要具备一定通用性，市场空间相对广阔。基于上述因素，大模型或有望在办公软件、智能驾驶、个性化教育、互联网金融等场景培育爆款应用。
　　下一个“深度学习”，建议关注底层资源和创新应用落地
　　大模型有望成为下一个“深度学习”，引领新一轮应用落地潮。随着从机器学习到深度学习的发展，人工智能技术开始拥有自动学习数据中的重要特征信息的能力。深度学习具备很强的非线性建模能力，而众多复杂问题（文本、图像、语音等）本质上拥有高度非线性的特性。深度学习实现了从输入到输出的非线性变化，从而提升解决问题的广泛度。新的场景及应用油然而生，为两类企业的壮大创造机遇：第一类是底层资源企业（以英伟达为代表），第二类为实现场景赋能的应用企业（例如互联网企业百度、阿里、字节跳动等、人工智能技术企业科大讯飞等）。大模型有望带领新一轮浪潮，当前投资共有两条主线：一是围绕人工智能三大要素布局，短期关注软硬件配套的底层资源；二是中长期关注新一轮技术变革下新场景和新产品的创新落地。
　　风险提示
　　1、技术发展不及预期；
　　2、政策监管不确定性风险；
　　3、行业竞争加剧风险；

研究报告全文：丨证券研究报告丨行业研究丨专题报告丨软件与服务ChatGPTTableTitle风起大模型引领新一轮AI浪潮报告要点2Table022年Summary11月30日OpenAI发布全新聊天机器人模型ChatGPT上市五天后用户数量突破100万人ChatGPT的问世引发了对于大模型发展前景的思考大模型实现量质齐变有望引领自机器学习深度学习问世后的新一轮人工智能发展浪潮当前投资共有两条主线一是围绕人工智能三大要素布局短期关注软硬件配套的底层资源二是中长期关注新一轮技术变革下新场景和新产品的创新落地分析师及联系人TableAuthor宗建树胡世煜SACS0490520030004SACS0490520110002请阅读最后评级说明和重要声明丨证券研究报告丨2023-02-07cjzqdt11111软件与服务TableTitle2行业研究丨专题报告ChatGPT风起大模型引领新一轮AI浪潮TableRank投资评级看好丨维持大模型实TableSummary2现量质齐变人工智能发展开启新周期市场表现对比图近12个月大模型实现量质齐变人工智能发展有望开启新篇章从人工智能历史发展的三次浪潮来看TableChart软件与服务沪深300指数算法算力和数据是人工智能实现场景落地三驾马车其中人工智能算法模型的突破有两个方5向新架构和更大量级的参数量大模型的出现相较于深度学习省去了一开始大量的特征工-8-20程通过提升参数量引入Prompt使得生成式文本进一步突破目前大模型已在NLP取得较-32为成熟的进展之后预计向多模态发展模型泛化性的不断提升使得通用型AI有望到来202222022620221020232资料来源Wind从ChatGPT看大模型现状更多爆款应用有望出现国内外巨头纷纷投入大模型新兴应用ChatGPT问世风口起浪潮将至2022年11月30相关研究日OpenAI发布全新聊天机器人模型ChatGPT上市五天后用户数量突破100万人ChatGPT的问世引发了对于大模型发展前景的思考随着投喂数据集的多样化大模型逐渐具备多模态TableReport持仓比重连续上升计算机板块迎来整体性机属性但考虑到当前大模型训练过程中的高昂成本问题在实现产业落地时需要综合考虑大会计算机行业2022Q4基金持仓分析2023-模型应用成本和产品性能提升带来的经济效益之间的平衡因此我们认为大模型有望产生爆02-03款应用软件的方向或将具备以下特性1大模型的应用能实现应用性能的显著提升2OpenAI发布ChatGPTPlus订阅计划大模应用场景需要具备一定通用性市场空间相对广阔基于上述因素大模型或有望在办公软件型走向商业化变现2023-02-02智能驾驶个性化教育互联网金融等场景培育爆款应用机器人应用实施方案落地智能制造加速发展2023-02-01下一个深度学习建议关注底层资源和创新应用落地大模型有望成为下一个深度学习引领新一轮应用落地潮随着从机器学习到深度学习的发展人工智能技术开始拥有自动学习数据中的重要特征信息的能力深度学习具备很强的非线性建模能力而众多复杂问题文本图像语音等本质上拥有高度非线性的特性深度学习实现了从输入到输出的非线性变化从而提升解决问题的广泛度新的场景及应用油然而生为两类企业的壮大创造机遇第一类是底层资源企业以英伟达为代表第二类为实现场景赋能的应用企业例如互联网企业百度阿里字节跳动等人工智能技术企业科大讯飞等大模型有望带领新一轮浪潮当前投资共有两条主线一是围绕人工智能三大要素布局短期关注软硬件配套的底层资源二是中长期关注新一轮技术变革下新场景和新产品的创新落地风险提示1技术发展不及预期2政策监管不确定性风险更多研报请访问3行业竞争加剧风险长江研究小程序请阅读最后评级说明和重要声明行业研究专题报告目录大模型实现量质齐变人工智能发展开启新周期4人工智能实现场景落地三驾马车算法算力和数据4大模型的突破在底层资源基础上实现算法和参数量的突破4从ChatGPT看大模型现状更多爆款应用有望出现7为什么ChatGPT广受关注7多模态大模型有望带领人工智能技术走向通用8下一个深度学习建议关注底层资源和创新应用落地14图表目录图1人工智能发展三次浪潮4图2大模型Transformer以前数年参数量级没有发生明显变化5图3与机器学习相比深度学习结合神经网络在算法逻辑和结构上取得突破5图4Transformer模型的机理之一是迁移学习6图5大模型引入Attention机制算法架构实现突破6图6Transformer发布后模型参数量量级指数级上升6图7ChatGPT聊天机器人模型效果7图82023年2月1日OpenAI发布ChatGPTPlus订阅版7图9大模型发展里程碑事件8图10多模态DALL-E2模型文本描述的编辑需求选择一个位置在图中添加柯基9图11大模型的三大前沿能力10图12大模型产业化面临的挑战11图13微软目前已经将最新的GPT模型整合到Office生产力套件中12图14WPS此前曾上线智能写作小程序12图15WPS已经初步具备丰富的AI场景12图16百度文心大模型应用多模态13图17毫末超算中心雪湖绿洲13图18科大讯飞个性化学习手册主要功能13图19资本市场买方时代财富管理与资产配置需求成为主线14图20大模型可用于财富管理相关功能的开发14图21机器学习常见的应用领域14图22英伟达股价变化单位美元15表1GPT模型参数对比8表2大模型在不同行业的应用视图10请阅读最后评级说明和重要声明316行业研究专题报告大模型实现量质齐变人工智能发展开启新周期人工智能实现场景落地三驾马车算法算力和数据人工智能发展经历三次浪潮起伏1第一次浪潮20世纪5070年代人工智能起步阶段首次提出人工智能概念及少数成果但由于算法理论薄弱及计算机性能缺陷导致无法支持应用推广2第二次浪潮20世纪8090年代以专家系统和日本第五代计算机为代表专家系统的出现推动人工智能从理论走向部分实际应用例如医疗气象地质等领域但由于专家系统推理方法单一数据量匮乏导致人工智能发展受限再度进入停滞3第三次浪潮2000年以后信息技术的蓬勃发展带来了行业数据量的爆发以及新型人工智能芯片的进阶为人工智能的发展提供基础条件同时理论算法不断沉淀以机器学习深度学习为代表的算法在互联网工业等领域取得了较好的应用效果并且在图像识别语音识别自然语言处理等细分领域取得巨大进步深究人工智能技术发展的驱动力由算法算力和数据三大要素构成学习算法的设计决定设计出的大脑够不够聪明模型的革新要有高性能的计算能力可以训练一个大的网络芯片的革新必须要有大数据信息技术的发展图1人工智能发展三次浪潮资料来源新华三人工智能发展报告白皮书杨新安等著长江证券研究所大模型的突破在底层资源基础上实现算法和参数量的突破人工智能算法模型的突破有两个方向新架构和更大量级的参数量大模型诞生之前算法的突破主要集中于算法结构与逻辑两个方面由于算法的计算底层资源仍存缺陷以及模型的有限性导致数据量的指数性量级变化并未带来更优的计算结果算法发展在数年间并未取得参数量级方面的巨大突破请阅读最后评级说明和重要声明416行业研究专题报告图2大模型Transformer以前数年参数量级没有发生明显变化资料来源OurWorldinDataSevillaetal2022长江证券研究所深度学习是机器学习的一种类型但是相较于机器学习深度学习在内在逻辑架构融合神经网络上取得了突破机器学习带来了产业化落地深度学习融合神经网络提升了算法的泛化性简单理解来说机器学习更倾向于人为选择标注特征通过模型和喂养数据得到参数量特征数量及参数量有限深度学习并非简单的线性变化结构中加入了隐层其获得参数量的过程并不重要从而使开发者无需过多的关注过程就可得到结果这种黑盒学习的方式操作更加简便泛化式增加图3与机器学习相比深度学习结合神经网络在算法逻辑和结构上取得突破机器学习初步具备了学习能力但特征数量有限深度学习加入隐层只要结果过程具有黑盒泛化式增加传统神经网络规则传统系统答案早期专家系统数据一维数据卷积神经网络多维数据答案机器学习规则最简单的是线性回归数据资料来源长江证券研究所与机器学习和深度学习不同大模型有两点结构上的主要改变首先是以迁移学习为机理引入预训练机制通过预训练调参目标模型相比于深度学习省去了一开始大量的特征工程无标注数据然后根据特性细分的数据训练得到最终目标模型另一方面模型引入Attention机制其本质在于建模了各个特征之间的重要性对于不同的任务可以根据输入进行特征分配灵活的捕捉全局和局部的联系从众多信息中选择出对当前任务目标更关键的信息化繁为简请阅读最后评级说明和重要声明516行业研究专题报告图4Transformer模型的机理之一是迁移学习图5大模型引入Attention机制算法架构实现突破预训练调参目标模型大规模任务特定数据无标注数据训练数据大模型亮点Attention机制算法架构实现突破模型预训练模型微调Pre-training最终模型Fine-tuning泛用性增强根据场景调整得到特定所需资料来源清华NLP团队openBMB长江证券研究所资料来源AttentionIsAllYouNeedAshishVaswani等著长江证券研究所大模型实现量质齐变人工智能发展有望开启新篇章当前时点1计算芯片性能不断提升例如英伟达A100GPU的性能相较于上一代产品提升了20倍首次推出世界上最快的内存带宽可运行最大的模型和数据集2信息技术发展不断成熟加速从工业经济向数字经济转变算力和数据均已具备迎接下一次浪潮的基础大模型的出现在算法结构层面实现了进一步突破同时参数量指数级增加图6Transformer发布后模型参数量量级指数级上升资料来源OurWorldinDataSevillaetal2022长江证券研究所国内外巨头纷纷投入大模型新兴应用ChatGPT问世风口起浪潮将至2018年OpenAI和谷歌分别发布GPT和Bert随后亚马逊微软英伟达智源人工智能研究院阿里百度华为浪潮等国内外科技巨头纷纷展开大模型研究和探索并推出自研大模型2022年11月30日OpenAI发布全新聊天机器人应用模型ChatGPT上市五天后用户数量突破100万人2023年1月微软宣布将对OpenAI进行为期数年价值数以十亿计美元的投资并且计划将ChatGPT集中整合到自身所有产品2023年2月1日OpenAI发布ChatGPTPlus订阅计划大模型开始走向商业化变现请阅读最后评级说明和重要声明616行业研究专题报告图7ChatGPT聊天机器人模型效果图82023年2月1日OpenAI发布ChatGPTPlus订阅版资料来源OpenAI官网长江证券研究所资料来源OpenAI官网长江证券研究所从ChatGPT看大模型现状更多爆款应用有望出现为什么ChatGPT广受关注ChatGPT背后的算法基于Transformer架构这是一种使用自注意力机制处理输入数据的深度神经网络Transformer架构广泛应用于语言翻译文本摘要问答等自然语言处理任务它是基于OpenAI的GPT-35衍生而来该模型在大量文本对话数据集上进行训练并使用自我注意机制来学习类人对话的模式和结构这使Transformer能够生成与它所接收的输入相适应且相关的响应GPT-3大模型是工程化能力典型代表从算法架构来看它是建立在神经网络架构Transformer基础之上的它克服了传统的神经网络技术用浅层的预训练网络来捕捉单词并无法解决一词多义等问题缺陷而是优化了类人脑的一个学习过程其引入Prompt使得生成式文本进一步突破进而引发大家对万物皆可生成的思考泛用性再度提升请阅读最后评级说明和重要声明716行业研究专题报告图9大模型发展里程碑事件Google发布AttentionIsAllYouNeed论文提出大模型概念采用注意力机OpenAI发布GPT-2模型Clip模型发布实现文制解决了RNN效率问在GPT的基础上省略了本到图像的跨模态题和传递中的缺陷调参过程参数扩大到15亿模型更通用201820202022201720192021OpenAI发布初代GPT模OpenAI发布GPT-3模型OpenAI发布ChatGPT模型参数达到12亿可参数扩大到1750亿性型基于GPT-35模型通过预训练调参的方式能更强长文本理解能力增强处理无标注的NLP任务ViT模型发布将大模型新增代码理解和生成能Google发布BERT在用于图像视觉领域力GPT的基础上升级成为双向训练模型参数达到3亿在分类标注等任务下都获得了更好的效果资料来源机器之心Sigmoidlambdalab长江证券研究所表1GPT模型参数对比模型参数亿训练集大小训练集类型特点12层BookCorpus7000本初代大模型一定程度上实现了生成式行业渗透率不高GPT5GB12亿书籍普适性低大部分场景需要调参只采用大模型的解码器部分可用于文本生成单向模型所以训练速度48层800万reddit网页数GPT240GB较慢15亿据普适性中专业场景需要调参CommonCrawl96层WebText2模型框架保持不变但极大扩大了训练集与参数GPT345TB1750亿Books1Books2普适性高小部分场景需要调参WikipediaCommonCrawl96层WebText2极大程度提高了文本交互能力长文本理解能力强具备编程功能ChatGPT45TB1750亿Books1Books2普适性极高已针对问答场景调参Wikipedia资料来源机器之心Sigmoidlambdalab长江证券研究所多模态大模型有望带领人工智能技术走向通用随着投喂数据集的多样化大模型逐渐具备多模态属性早期的GPTBERT大模型只投喂全文字数据集应用局限于问答机知识图谱文本总结关键词提取等自然语言处理场景不能处理图片视频等数据集迭代之后基于视觉的大模型如DallE可以联合文本语音图片视频等不同模态数据进行联合学习探索不同模态数据的语义关联和信息互补由此得到的视觉基础大模型在环境感知内容检索语义理解模态对齐等任务上具备先天的优势对于提升大模型基础环境孪生能力丰富应用场景具有重要价值请阅读最后评级说明和重要声明816行业研究专题报告图10多模态DALL-E2模型文本描述的编辑需求选择一个位置在图中添加柯基资料来源OpenAI中国信通院长江证券研究所多模态的大模型广泛吸收音频文本视觉等不同模态数据集并以此构成了丰富多样的技术应用细究其内容创作模式可以分为三类AI内容孪生能力AI内容编辑能力和AI内容创作能力AI内容孪生能力可大致分为智能增强技术和智能转译技术两个主要分支大模型可以根据给定的低质量原始数据生成经过增强后的高质量数字内容力求在数字世界中孪生并重构完整逼真的客观世界具体到行业场景大模型可用于修复并增强由采集设备或环境因素引起的视觉内容受损例如低分辨率模糊像素缺失等同理对于有缺陷的文本和音频数据相关的智能增强技术被用于解决片段缺失脉冲干扰和音频失真等问题在实际生产生活中为相关应用生成复原高质量的数字内容在智能转译场景大模型可以实现给定语音信号进行字幕合成依据文字进行语音生成等任务AI内容编辑能力在内容孪生技术的基础上内容编辑的相关技术构建了虚拟数字世界与现实物理世界间的交互通道AI内容编辑主要通过数字内容的语义理解和属性控制两类技术来实现对内容的修改和控制大模型可以通过学习不同语义成分的变化解耦语义学习技术并逐渐开始服务于人工智能试妆试衣生成同一个人不同年龄照片等新兴应用程序常用的属性控制技术已经广泛地应用于智能图像编辑文本情感改写和智能调音等多项应用中作为辅助功能提升内容创作者的效率AI内容创作能力数字内容的创作能力可划分为基于模仿的创作和基于概念的创作两类大模型可以通过学习某一类作品的分布特性在旋律创作文本写作和诗词创作等具体任务进行模仿式的新创作请阅读最后评级说明和重要声明916行业研究专题报告图11大模型的三大前沿能力资料来源中国信通院京东探索研究院长江证券研究所大模型作为技术底座具备普适性理论上适用于所有行业的AI应用场景大模型日益提升的普适性多模态的属性允许不同行业将具备通用基础能力的AI大模型作为智能底座可结合行业知识和场景数据进行微调能有效应对碎片化和多样化需求并大幅缩减研发定制部署等工程化过程中的人力时间费用等成本投入目前大模型已经在多个领域得到广泛应用如金融传媒文娱电商等未来应用场景会进一步多元化表2大模型在不同行业的应用视图领域细分场景应用全民娱乐人脸美妆人脸融合黑白图像上色图像风格转换人像属性变换年龄性别娱乐偶像养成虚拟歌姬虚拟网红社交互动用户数字化身采集采访助手传媒编辑写稿机器人智能视频拆条视频锦集视频字幕生成播报AI主播智能播报前期制作剧本生产数字复活已故演员高难度动作合成演员角色年龄的跨越虚拟物理场景合成中期拍摄影视高难度动作合成替换劣迹艺人多语言译制片音画同步影视作品修复影视预告片生成影后期制作视内容2D转3D商品展示智能商详商品3D模型生成电商主播打造品牌虚拟主播交易场景虚拟商城构建教育教育合成历史人物视频虚拟教师线上课堂音视频处理工业工业捕助工程设计加速数字挛生系统构建医疗医疗医学图像处理智能病历录入合成肢体投影合成医护陪伴金融金融营销视频合成智能金融客服VR金融场景构建资料来源中国信通院长江证券研究所请阅读最后评级说明和重要声明1016行业研究专题报告但考虑到当前大模型训练过程中的高昂成本问题在实现产业落地时需要综合考虑大模型应用成本和产品性能提升带来的经济效益之间的平衡因此我们认为大模型有望产生爆款应用软件的方向或将具备以下特性1大模型的应用能实现应用性能的显著提升2应用场景需要具备一定通用性市场空间相对广阔基于上述因素我们判断大模型或有望在以下场景培育爆款应用图12大模型产业化面临的挑战资料来源WAVESUMMIT2022深度学习开发者峰会百度CTO王海峰长江证券研究所爆款应用之一大模型办公软件内容生成本身就是大模型的核心功能之一本轮市场对大模型的关注起源于微软对OpenAI的重视而办公软件正是微软选定的大模型应用场景之一根据微软CEO纳德拉在正在达沃斯举行的世界经济论坛上表示微软正在迅速推进OpenAI的工具商业化计划将包括ChatGPTDALL-E等人工智能工具整合进微软旗下的所有产品中并将其作为平台供其他企业使用微软目前已经将最新的GPT聊天机器人模型整合到WordPowerPoint和Outlook等生产力套件中最新的GPT技术将允许用户运用更灵活的方式检索内容同时最重要的是帮助用户快速生成个性化文本请阅读最后评级说明和重要声明1116行业研究专题报告图13微软目前已经将最新的GPT模型整合到Office生产力套件中资料来源硅星人公众号长江证券研究所具体分析大模型在办公软件中的应用主要基于两类核心场景1文字内容的补写大幅提升文档创作的效率尤其是部分功能性文档的内容生成2文本格式的校对和美化当前金山办公的WPSOffice中实际上已经集成了部分AI功能例如格式优化图片生成等后续伴随大模型的进一步应用相关功能的实用性可用性或将进一步提升成为加强自身办公软件产品护城河又一手段图14WPS此前曾上线智能写作小程序图15WPS已经初步具备丰富的AI场景资料来源WPS稻壳会员公众号长江证券研究所资料来源新浪科技长江证券研究所爆款应用之二大模型智能驾驶多模态是大模型的特点之一而在智能驾驶过程中各类信息数据正是多模态输入的此外大模型巨量数据巨量算例巨量算法本身也符合智能驾驶场景的要求正因如此当前智能驾驶产业正积极预期大模型的落地2022年11月百度发布了文心大模型其自动驾驶感知模型超过10亿的参数规模具备数千个对象识别能力大大扩展了自动驾驶语义识别数据目前主要应用在远视距多模态和数据挖掘三个方面无独有偶2022年小鹏也宣布引入Transformer大模型2023年1月毫末超算中心雪湖绿洲MANAOASIS亮相由毫末智行与火山引擎联合打造每秒浮点运算请阅读最后评级说明和重要声明1216行业研究专题报告达67亿亿次毫末训练平台部署到OASIS上后可以运行包括云端大模型训练车端模型训练标注仿真等各类应用图16百度文心大模型应用多模态图17毫末超算中心雪湖绿洲资料来源佐思汽车研究长江证券研究所资料来源佐思汽车研究长江证券研究所爆款应用之三大模型个性化教育个性化教育已经是AI应用的核心落地场景之一但当前存在的问题在于智能软硬件与学生交互性仍存在显著不足而这一现状有望在大模型的帮助下得到改善解决当前智慧教育最后一公里的问题A股上市公司科大讯飞近年来始终致力于智慧教育因材施教业务其拳头产品个性化学习手册能够根据不同学生对自身学业不同的掌握程度协助教师布置千人千面的课后作业但当前时点智能软硬件与学生的交互性仍有不足在学生发现错题后的解答工作仍需要教师完成造成教师额外工作压力这也成为制约个册大范围铺开的原因之一在大模型的帮助下智能软硬件能实现与学生更好的交互从而驱动因材施教产品渗透率的加速提升图18科大讯飞个性化学习手册主要功能资料来源讯飞个性化学习手册官网长江证券研究所请阅读最后评级说明和重要声明1316行业研究专题报告爆款应用之四大模型互联网金融当前时点资本市场逐渐进入买方时代财富管理与资产配置需求成为主线2018年开始资本市场逐渐由卖方市场向买方市场转变逐渐由产品时代转向配置时代配置时代客户业务的内涵与需求发生重大变化原有经纪业务逐渐向财富管理业务转型资管业务从交易型业务向交易配置型业务的转变在此背景之下大模型可通过对多模态数据进行更有效的关联分析建立更完善的事理图谱从而持续提升投研分析风险预警智能投顾等功能的可用性图19资本市场买方时代财富管理与资产配置需求成为主线图20大模型可用于财富管理相关功能的开发卖方时代买方时代投研分析经纪业务财富管理业务风险预警资管业务交易型资管业务配置型大模型NLP零售业务机构业务智能投顾资料来源长江证券研究所资料来源长江证券研究所下一个深度学习建议关注底层资源和创新应用落地深度学习的诞生引领上一轮场景及产品落地潮深度学习研究及应用的目标是算法及网络结构尽量能够处理各种任务但现状是仍需要结合领域知识和数据特性进行一定结构的设计通用型AI仍存较远距离随着从机器学习到深度学习的发展人工智能技术开始拥有自动学习数据中的重要特征信息的能力深度学习具备很强的非线性建模能力从而可以用于解决众多本质上高度非线性的复杂问题文本图像语音等深度学习实现了从输入到输出的非线性变化解决问题广泛度提升新的场景及应用油然而生图21机器学习常见的应用领域图像识别互联网领域核身平台直播美颜等物体检测计算机视觉安防领域机场安检车牌定位目标追踪等人脸识别日常生活门禁系统人脸识别表情识别等OCR深度学习常见的语音识别应用领域自然语言处理机器翻译问答系统聊天机器人情感分析等自动驾驶重感知提供辅助驾驶功能其他延伸医疗基因数据影像数据诊断文本数据制造工业机器人等资料来源深度学习核心技术工具与案例分析高彦杰于子叶著长江证券研究所请阅读最后评级说明和重要声明1416行业研究专题报告大模型有望带领新一轮浪潮当前投资共有两条主线一是围绕人工智能三大要素布局短期关注软硬件配套的底层资源二是中长期关注新一轮技术变革下新场景和新产品的创新落地复盘深度学习的发展历程我们发现两类企业伴随此趋势得到真正的商业化成长第一类是底层资源企业以英伟达为代表2012年ImageNet大赛GeoffreyHinton的学生通过将两个GPU将深度卷积神经网络AlexNet的准确率提高了108英伟达看到了GPU在图形运算之外的潜力自研出适合深度学习发展的CUDA通用冰箱计算平台GPU替代CPU成为AI训练市场的首选英伟达股价开始飙升乘深度学习之东风成为AI芯片领域的绝对霸主后来不断在下游进行深耕除了优势游戏行业在智能驾驶的底层资源支持也得到了巨大的突破图22英伟达股价变化单位美元4003503002502001501005002010-01-042011-01-042012-01-042013-01-042014-01-042015-01-042016-01-042017-01-042018-01-042019-01-042020-01-042021-01-042022-01-042023-01-04资料来源Wind长江证券研究所第二类为实现场景赋能的应用企业首先是互联网平台厂商在互联网商业变现场景中广告变现占有主导地位2012年随着深度学习网络AlexNet在ImageNet夺冠开始深度学习迅速席卷图像语音NLP等领域并逐步在互联网商业化最成功的搜索推荐和广告领域获得突破并成为主流在此过程中我国诞生了一系列火爆应用抖音头条快手等同时互联网依托广告变现的商业模式再上新台阶其次是将技术与传统场景结合实现商业化落地的人工智能技术厂商但由于落地场景规模的不同真正实现投入产出平衡的企业屈指可数其中科大讯飞依托本身在教育行业的数据优势实现在教育行业的产品化落地因此在大模型引领的新一波浪潮下建议短期关注软硬件配套的底层资源中长期关注新一轮技术变革下新场景和新产品的创新落地其中可以实现规模化落地场景将诞生公司更大的成长机遇其次是碎片化场景落地厂商请阅读最后评级说明和重要声明1516行业研究专题报告投资评级说明行业评级报告发布日后的12个月内行业股票指数的涨跌幅相对同期相关证券市场代表性指数的涨跌幅为基准投资建议的评级标准为看好相对表现优于同期相关证券市场代表性指数中性相对表现与同期相关证券市场代表性指数持平看淡相对表现弱于同期相关证券市场代表性指数公司评级报告发布日后的12个月内公司的涨跌幅相对同期相关证券市场代表性指数的涨跌幅为基准投资建议的评级标准为买入相对同期相关证券市场代表性指数涨幅大于10增持相对同期相关证券市场代表性指数涨幅在510之间中性相对同期相关证券市场代表性指数涨幅在-55之间减持相对同期相关证券市场代表性指数涨幅小于-5无投资评级由于我们无法获取必要的资料或者公司面临无法预见结果的重大不确定性事件或者其他原因致使我们无法给出明确的投资评级相关证券市场代表性指数说明A股市场以沪深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香港市场以恒生指数为基准办公地址上海TableContact武汉Add浦东新区世纪大道1198号世纪汇广场一座29层Add武汉市江汉区淮海路88号长江证券大厦37楼PC200122PC430015北京深圳Add西城区金融街33号通泰大厦15层Add深圳市福田区中心四路1号嘉里建设广场3期36楼PC100032PC518048分析师声明作者具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师以勤勉的职业态度独立客观地出具本报告分析逻辑基于作者的职业理解本报告清晰准确地反映了作者的研究观点作者所得报酬的任何部分不曾与不与也不将与本报告中的具体推荐意见或观点而有直接或间接联系特此声明重要声明长江证券股份有限公司具有证券投资咨询业务资格经营证券业务许可证编号10060000本报告仅限中国大陆地区发行仅供长江证券股份有限公司以下简称本公司的客户使用本公司不会因接收人收到本报告而视其为客户本报告的信息均来源于公开资料本公司对这些信息的准确性和完整性不作任何保证也不保证所包含信息和建议不发生任何变更本公司已力求报告内容的客观公正但文中的观点结论和建议仅供参考不包含作者对证券价格涨跌或市场走势的确定性判断报告中的信息或意见并不构成所述证券的买卖出价或征价投资者据此做出的任何投资决策与本公司和作者无关本报告所载的资料意见及推测仅反映本公司于发布本报告当日的判断本报告所指的证券或投资标的的价格价值及投资收入可升可跌过往表现不应作为日后的表现依据在不同时期本公司可以发出其他与本报告所载信息不一致及有不同结论的报告本报告所反映研究人员的不同观点见解及分析方法并不代表本公司或其他附属机构的立场本公司不保证本报告所含信息保持在最新状态同时本公司对本报告所含信息可在不发出通知的情形下做出修改投资者应当自行关注相应的更新或修改本公司及作者在自身所知情范围内与本报告中所评价或推荐的证券不存在法律法规要求披露或采取限制静默措施的利益冲突本报告版权仅为本公司所有未经书面许可任何机构和个人不得以任何形式翻版复制和发布如引用须注明出处为长江证券研究所且不得对本报告进行有悖原意的引用删节和修改刊载或者转发本证券研究报告或者摘要的应当注明本报告的发布人和发布日期提示使用证券研究报告的风险未经授权刊载或者转发本报告的本公司将保留向其追究法律责任的权利财务报表及指标预测请阅读最后评级说明和重要声明1616