ChatGPT发布以来迅速出圈，微软加大投资力度并宣布将AIGC应用到产品服务中，彰显AIGC潜在商业价值。我们认为人工智能在成本、算力消耗、应用生态等层面已走过拐点，商业化应用条件加速成熟，看好AI在各细分应用场景下的渗透率加速提升，建议围绕算法模型、业务场景和AI基础设施三大路线选择优质投资标的。
　　ChatGPT火爆出圈，生成式AI商业化应用走向爆发前夕
　　1、我们综合以下几点，认为AIGC已走过商业化拐点，有望打开市场空间：（1）内容生成成本大幅下降满足下游需求；（2）生成效率大幅提升；（3）模型计算算力消耗下降，未来有望在消费级硬件上实现AI应用；（4）生态流量快速积累，ChatGPT月活数量过亿，为应用商业化创造条件。
　　2、AIGC在文本、图片、音视频生成等领域有望超越人类，经测算至2030年AIGC市场空间超2000亿，建议关注三条投资主线：（1）AI底层模型技术优势厂商；（2）实际场景AI商业化应用优势厂商；（3）AI基础设施提供商。
　　3、ChatGPT发布仅两月月活用户达到1亿，系统融合RLHF模型，借鉴人类反馈不断强化性能（现已具备基础的数学计算能力），未来有望通过实际场景数据的输入持续提升模型的准确度，并延伸适用场景。
　　推理-知识-学习-创造，AIGC有望引领第四次人工智能浪潮
　　1、梳理AI发展史上三次浪潮，AIGC有望引领第四次浪潮，以大规模商业化应用为核心特征：
　　（1）第一次潮起：实现了AI的推理（计算）能力；潮落：对神经元模拟程度较低，无法解决复杂问题（异或问题）；
　　（2）第二次潮起：AI拥有知识储备，可回答特定领域问题；潮落：现代计算机的出现；代表产物：专家系统；意义：AI从科研场景逐步渗透到商业场景；
　　（3）第三次潮起：深度神经网络赋能AI拥有学习能力，且部分场景下的问题解决能力超越人类；代表产物：AlphaGo，GPT大模型；意义：AI模型的准确度、计算效率、泛化性等指标大幅优化，奠定了“大模型+场景小模型”的技术路线，为商业化应用打下基础；
　　（4）第四次潮起：AI拥有创造能力，有望成为效率乃至生产力工具；代表产物：ChatGPT；意义：AI在文本、图像、音视频生成领域接近商业化需求，国内外科技大厂技术布局有望打开商业化应用空间。
　　2、数据+模型算法+基础设施，AI商业化呈现三大趋势：
　　（1）趋势一：AI模型与场景深度融合，需要对场景中的复杂数据提取和处理，对非结构化数据的处理（提取、标注、清洗等）将决定AI模型的性能；
　　（2）趋势二：“大模型+小模型”框架成为主流，AI模型通过算法迭代，实现计算效率和工作成本的下降，以满足商业化应用的要求；
　　（3）趋势三：AI商业化应用将大幅拉动算力需求，AI服务器、AI芯片等细分行业规模有望加速成长
　　对标海外生态，AIGC有望推动AI商业化下沉各细分场景
　　1、国外科技大厂依托自有业务生态和科研实力，推动AI性能进步同时加速布局商业化应用。微软宣布将ChatGPT融入新版搜索系统和浏览器，加速AI商业化进程；谷歌、Meta不断提升AI模型能力，实现图文和短视频的智能生成，未来有望融入到自有业务生态；
　　2、国外垂类公司在文本写作、图像生成、音频生成等领域打造商用产品，收费模式以订阅制为主，业务场景覆盖在线办公、移动社交、广告营销等场景，为国内AIGC市场发展提供重要参考；
　　3、国内科技大厂以百度为代表，以中文AI模型为核心已经构建起较为完整的人工智能技术体系，并在智能会话、图像生成、气象预报等领域有成熟应用，而国内垂类厂商持续探索AIGC在医疗、办公、营销、娱乐等场景的商业化产品，未来有望受益于国内丰富的内容生态加速人工智能商业化进程。
　　围绕AI商业化三大主线挖掘核心投资标的
　　1、关注具备底层算法模型核心技术优势的厂商：
　　（1）推荐标的：拓尔思（中文NLP龙头厂商），科大讯飞（智能语音处理及合成）；
　　（2）建议关注：谷歌（DeepMind），微软（OpenAI，ChatGPT），Meta（OPT模型），百度（“文心”模型），腾讯，浪潮信息（“源”大模型），；
　　2、关注各细分赛道下兼具场景理解与AI布局优势的垂类厂商：
　　（1）推荐标的：海康威视（智能物联领域龙头）；
　　（2）建议关注：云从科技（智慧城市），格灵深瞳（智慧金融），金山办公（办公），万兴科技（AI绘画），商汤（智慧安防）；
　　3、围绕AI数据、算力等基础设施选择优质投资标的：
　　（1）推荐标的：海天瑞声（国内AI训练数据龙头提供商）；
　　（2）英伟达（GPU），寒武纪（AI芯片）；
　　风险提示
　　1、AI技术迭不及预期的风险；
　　2、AI商业化产品发布不及预期；
　　3、政策不确定性带来的风险；
　　4、下游市场不确定性带来的风险；

研究报告全文：证券研究报告行业深度软件开发软件开发报告日期年月日20230209潮起潮落拐点已过AIGC有望引领人工智能商业化浪潮人工智能行业深度投资要点行业评级看好维持qChatGPT发布以来迅速出圈微软加大投资力度并宣布将AIGC应用到产品服分析师程兵务中彰显AIGC潜在商业价值我们认为人工智能在成本算力消耗应用执业证书号S1230522020002生态等层面已走过拐点商业化应用条件加速成熟看好AI在各细分应用场景chengbing01stockecomcn下的渗透率加速提升建议围绕算法模型业务场景和AI基础设施三大路线选相关报告择优质投资标的1海天瑞声688787国内qChatGPT火爆出圈生成式AI商业化应用走向爆发前夕AI训练数据龙头提供商自动1我们综合以下几点认为AIGC已走过商业化拐点有望打开市场空间驾驶业务打开成长空间1内容生成成本大幅下降满足下游需求2生成效率大幅提升3模型20230104计算算力消耗下降未来有望在消费级硬件上实现AI应用4生态流量快速2拓尔思300229语义智积累ChatGPT月活数量过亿为应用商业化创造条件能领军者大数据AI双轮驱动2AIGC在文本图片音视频生成等领域有望超越人类经测算至2030年打开公司广阔成长空间AIGC市场空间超2000亿建议关注三条投资主线1AI底层模型技术优势厂商2实际场景AI商业化应用优势厂商3AI基础设施提供商20221129发布仅两月月活用户达到亿系统融合模型借鉴人类反3ChatGPT1RLHF馈不断强化性能现已具备基础的数学计算能力未来有望通过实际场景数据的输入持续提升模型的准确度并延伸适用场景q推理-知识-学习-创造AIGC有望引领第四次人工智能浪潮1梳理AI发展史上三次浪潮AIGC有望引领第四次浪潮以大规模商业化应用为核心特征1第一次潮起实现了AI的推理计算能力潮落对神经元模拟程度较低无法解决复杂问题异或问题2第二次潮起AI拥有知识储备可回答特定领域问题潮落现代计算机的出现代表产物专家系统意义AI从科研场景逐步渗透到商业场景3第三次潮起深度神经网络赋能AI拥有学习能力且部分场景下的问题解决能力超越人类代表产物AlphaGoGPT大模型意义AI模型的准确度计算效率泛化性等指标大幅优化奠定了大模型场景小模型的技术路线为商业化应用打下基础4第四次潮起AI拥有创造能力有望成为效率乃至生产力工具代表产物ChatGPT意义AI在文本图像音视频生成领域接近商业化需求国内外科技大厂技术布局有望打开商业化应用空间2数据模型算法基础设施AI商业化呈现三大趋势1趋势一AI模型与场景深度融合需要对场景中的复杂数据提取和处理对非结构化数据的处理提取标注清洗等将决定AI模型的性能2趋势二大模型小模型框架成为主流AI模型通过算法迭代实现计算效率和工作成本的下降以满足商业化应用的要求3趋势三AI商业化应用将大幅拉动算力需求AI服务器AI芯片等细分行业规模有望加速成长q对标海外生态AIGC有望推动AI商业化下沉各细分场景httpwwwstockecomcn138请务必阅读正文之后的免责条款部分行业深度1国外科技大厂依托自有业务生态和科研实力推动AI性能进步同时加速布局商业化应用微软宣布将ChatGPT融入新版搜索系统和浏览器加速AI商业化进程谷歌Meta不断提升AI模型能力实现图文和短视频的智能生成未来有望融入到自有业务生态2国外垂类公司在文本写作图像生成音频生成等领域打造商用产品收费模式以订阅制为主业务场景覆盖在线办公移动社交广告营销等场景为国内AIGC市场发展提供重要参考3国内科技大厂以百度为代表以中文AI模型为核心已经构建起较为完整的人工智能技术体系并在智能会话图像生成气象预报等领域有成熟应用而国内垂类厂商持续探索AIGC在医疗办公营销娱乐等场景的商业化产品未来有望受益于国内丰富的内容生态加速人工智能商业化进程q围绕AI商业化三大主线挖掘核心投资标的1关注具备底层算法模型核心技术优势的厂商1推荐标的拓尔思中文NLP龙头厂商科大讯飞智能语音处理及合成2建议关注谷歌DeepMind微软OpenAIChatGPTMetaOPT模型百度文心模型腾讯浪潮信息源大模型2关注各细分赛道下兼具场景理解与AI布局优势的垂类厂商1推荐标的海康威视智能物联领域龙头2建议关注云从科技智慧城市格灵深瞳智慧金融金山办公办公万兴科技AI绘画商汤智慧安防3围绕AI数据算力等基础设施选择优质投资标的1推荐标的海天瑞声国内AI训练数据龙头提供商2英伟达GPU寒武纪AI芯片q风险提示1AI技术迭不及预期的风险2AI商业化产品发布不及预期3政策不确定性带来的风险4下游市场不确定性带来的风险httpwwwstockecomcn238请务必阅读正文之后的免责条款部分行业深度正文目录1ChatGPT火爆出圈生成式AI商业化应用走向爆发前夕611AIGC成本大幅下降人工智能商业化进程拐点已现612应用场景丰富AI商业化空间前景广阔建议关注三条投资主线713AIGC应用有望从B端延伸至C端市场空间广阔规模超千亿914ChatGPT面世即成顶流性能持续提升商业化价值不断放大1015ChatGPT以GPTRLHF模型为核心支撑为AIGC发展指明方向112推理-知识-学习-创造AIGC有望引领第四次人工智能浪潮1321复盘三次人工智能浪潮AI从科研向细分产业生态加速渗透13211第一次AI浪潮对人类神经元机制的模拟实现机器推理能力13212第二次AI浪潮人工智能拥有知识储备专家系统为代表性产物14213第三次AI浪潮数据爆炸背景下AI进入学习时代17214第四次AI浪潮AIGC从文本拓展至图像及音视频领域商业化空间打开2022未来AI发展的两大路线工程方法科学方法将交替占据行业主流2223未来发展方向预计数据模型算力供应仍为三大发展方向23231趋势一AI发展带动基础数据市场成长高质量标注数据决定模型训练效果23232趋势二场景模型持续简化以提升训练速度控制成本满足商业化应用需求24233趋势三AI应用落地拉动算力需求AI基础设施市场规模有望加速成长253对标海外生态AIGC有望推动AI商业化下沉各细分场景2631海外科技大厂主导各细分场景玩家涌现商业模式雏形已现26311微软谷歌等大厂科研实力雄厚推动AIGC核心技术不断进步26312细分赛道涌现大量初创公司不断探索AI商业化应用的产品形态及服务模式2732国内科技大厂相继入局基于内容生态市场空间广阔30321科技大厂持续开拓中文AIGC借助业务生态有望推出爆款应用产品30322国内细分赛道涌现大量垂类公司关注实际业务场景下的AI应用渗透3333国内内容生态市场空间广阔政策支持下看好AI应用加速渗透344围绕AI商业化三大主线挖掘核心投资标的3541关注具备底层算法模型核心技术优势的厂商35411拓尔思国内NLP龙头厂商35412科大讯飞AI行业应用领域领跑者35413其它建议关注标的3642关注各细分赛道下兼具场景理解与AI布局优势的垂类厂商36421海康威视起步安防行业的智能物联龙头36422其它建议关注标的3643围绕AI数据算力等基础设施选择优质投资标的37431海天瑞声AI训练数据标注优质提供商37432其它建议关注标的375风险提示37httpwwwstockecomcn338请务必阅读正文之后的免责条款部分行业深度图表目录图1Jasper文本写作功能收费模式6图2OpenAIDALL-E2模型图片生成功能收费模式6图3中国人工智能市场规模及增速单位亿元7图4全球人工智能产业规模发展趋势单位亿美元7图5人工智能应用场景发展8图6ChatGPT实现交互问答10图7ChatGPT日活用户数爆发式增长10图8ChatGPT具备简单的计算能力上更新前下更新后10图9微软新版搜索引擎可根据问题内容提供完整解答及方案建议11图10Transformer核心框架12图11RHFL模型核心框架12图12冯诺依曼结构模拟人类记忆存储的模式14图13Rosenblatt感知机模型14图14多层感知机MLP模型14图15反向传播BP模型14图16XCON专家系统核心架构16图17HopfieldNetwork模型16图18卷积神经网络CNN模型16图191986-2007年全球数据量变化趋势单位EB17图20大数据相关技术快速迭代17图21AlexNet神经网络模型18图22AlexNet实现深度学习在图像识别领域的重大突破18图23AlphaGo包含价值网络和策略网络两个深度神经网络模型18图24生成式对抗网络GAN模型原理20图25GAN模型可实现图像风格迁移和内容修复功能20图26几种图像生成模型特点对比21图27CLIP模型框架21图28Make-A-Video实现AI自动生成短视频21图29AI训练数据智能标注服务实现路径24图30我国AI芯片市场规模趋势25图31我国云计算市场规模趋势25图32DALL-E2模型根据宇航员骑在马背上描述生成图像27图33MetaMake-a-video模型生成短视频27图34DeepMind利用AIGC实现蛋白质结构预测27图35人工智能Cicero在策略游戏外交中可击败人类27图36JasperAI产品六大优势28图37NotionAI产品服务矩阵28图38StabilityAI智能生成图像29图39DreamStudio平台收费模式单位001英镑29图40Midjourney图片生成工具29图41Midjourney作品太空歌剧院29图42Playht乔布斯声音通过AI智能生成采访音频30httpwwwstockecomcn438请务必阅读正文之后的免责条款部分行业深度图43Playht平台收费模式30图44百度文心AI大模型32图45浪潮源AI大模型32图46华为盘古AI大模型32图47我国虚拟人整体市场规模趋势预测34图482022-2027年我国短视频市场规模预测单位亿元34表1Colossal-AI深度学习系统大幅降低AIGC对GPU显存需求7表2AIGC应用场景广泛8表3AIGC国内理论市场空间测算9表4历次人工智能浪潮及代表性成就梳理13表5部分专家系统及应用场景梳理15表6GPTGPT-2GPT-3模型对比19表7AI图像生成模型发展梳理20表8AI视频生成模型发展梳理22表9符号主义和连接主义对比22表10AI神经网络模型参数量及复杂程度23表11AI模型对人类脑神经处理信息机制的模拟23表12海外科技大厂AIGC领域布局及成果26表13AIGC领域相关初创公司及业务场景梳理28表14国内科技大厂AIGC布局30表15百度基于文心大模型构建完整业务生态31表16国内细分赛道企业在AIGC各应用场景持续布局33表17国家政策大力支持人工智能商业化落地34httpwwwstockecomcn538请务必阅读正文之后的免责条款部分行业深度1ChatGPT火爆出圈生成式AI商业化应用走向爆发前夕11AIGC成本大幅下降人工智能商业化进程拐点已现我们认为以ChatGPT为代表的AIGC兴起在内容创作成本创作效率模型计算消耗用户流量基础等维度实现了重大突破有望推动AI商业化进程的大幅加速1AI内容创作成本大幅降低且耗时更短相较传统方式优势显著目前OpenAI定价最高的文字模型达芬奇基于GPT-3为每750词约002美元折合约014元人民币而主打AI生成文案的独角兽Jasper以类SaaS服务形式收费根据官网显示每月生成10万字的价格约82美元折合每1000字约557元人民币而阅文集团2021年内容成本为1774亿元每750字37元在图像生成领域OpenAI透露其DALL-E2模型的图片智能编辑及生成服务的价格超过免费额度数量的图片收费为每460张图片15美元折合每张图片约022元人民币目前国内外AIGC绘画创作平均耗时已达到分秒级创作效率较人工优势明显2AIGC模型算力消耗快速下降落地门槛降低有望驱动消费级应用出现根据量子位报告显示借助最新的Colossal-AI通用深度学习系统AIGC领域的StableDiffusion模型训练过程中可最高节省约56倍的显存需求从645GB大幅降低到116GB未来有望采用消费级GTX3060显卡实现模型运算功能大幅降低AI商业化应用的落地门槛3爆款应用快速积累用户流量商业化条件已基本具备ChatGPT发布后日活用户数量快速突破千万根据ARKInvest的测算自2022年11月底至2023年1月下旬不足两个月的时间内ChatGPT的日活数量已突破1200万据腾讯网报道2023年1月ChatGPT月活用户数量达1亿成为史上增长最快的消费者应用使用者数量的爆炸式成长即反应出用户的尝试使用意愿强烈未来嵌入到微软的业务生态中也有望提升用户的工作效率优化使用体验创造更大的商业价值4国内外公司持续探索商业化路径AIGC生态有望加速形成近日OpenAI推出ChatGPT付费订阅版ChatGPTPlus每月收费20美元而包含SynthesiaJasperrunway等AIGC初创公司相继推出细分领域的收费服务未来AIGC产业生态有望加速构建并形成更加清晰的AI商业化应用路径图1Jasper文本写作功能收费模式图2OpenAIDALL-E2模型图片生成功能收费模式资料来源JasperAI官网浙商证券研究所资料来源TheDecoder浙商证券研究所httpwwwstockecomcn638请务必阅读正文之后的免责条款部分行业深度表1Colossal-AI深度学习系统大幅降低AIGC对GPU显存需求GPURAM模型运算策略GPUGPU数量FlashBatchsizeGBStableDiffusionv1False645DDPStableDiffusionv2True319A100464StableDiffusionv1False300Colossal-AIStableDiffusionv2True116资料来源量子位浙商证券研究所整理12应用场景丰富AI商业化空间前景广阔建议关注三条投资主线AIGC推动人工智能商业化进程加速有望打开千亿市场德勤数据显示2021年中国人工智能市场规模达2058亿元预计到2025年将达到5460亿元2021-2025年复合增长率约2763根据德勤预测全球人工智能产业规模预计从2017年的6900亿美元增长至2025年的64万亿美元复合增长率达3210移动互联网时代带来的海量数据模型和算力的不断迭代以及各类应用场景中的商业化尝试为AI的商业化奠定了坚实基础未来有望加速释放人工智能产业动能图3中国人工智能市场规模及增速单位亿元图4全球人工智能产业规模发展趋势单位亿美元资料来源德勤浙商证券研究所资料来源德勤浙商证券研究所人工智能商业化进程有望加速建议重点关注三类公司选择投资标的20220-2023中国人工智能计算力发展评估报告中指出未来随着自然语言处理计算机视觉AIGC等细分技术的持续迭代AI应用将呈现场景应用深度和广度并行发展态势以AIGC为代表的生成式AI将在创作型工作文本图像视频创作和预测决策型工作中扮演更加重要角色我们建议围绕人工智能商业化的三大主线选择投资标的1具备AI模型算法技术优势的科技公司2具备对AI商业化实际应用场景理解和业务优势的厂商3具备AI硬件优势的厂商httpwwwstockecomcn738请务必阅读正文之后的免责条款部分行业深度图5人工智能应用场景发展资料来源2022-2023中国人工智能计算力发展评估报告浙商证券研究所1具备AI模型算法研究实力优势的科技公司我们梳理了人工智能发展史上出现的三次高潮具体内容见本文第二章内容总结出人工智能发展遵循了计算知识学习三个阶段在AIGC的推动下有望进入第四次高潮即创造阶段人工智能从最早的科研主导第一次第二次AI浪潮发展到科技大厂参与研究第三次AI浪潮再到各细分场景公司深度参与AI商业化未来模型和算法的迭代始终是核心主线因此我们认为具备AI模型和算法的科研实力的科技大厂未来有望在AI商业化浪潮中保持核心竞争优势2具备对AI商业化实际应用场景理解和业务优势的厂商AIGC推动人工智能在各类细分场景中的商业化尝试AIGC人工智能生产内容行业研究报告指出未来AIGC有望与传媒电商影视金融等各行业深度融合创造更多的应用场景大幅提高各行业的内容创作效率表2AIGC应用场景广泛AIGC与产业融合场景描述AIGC传媒写稿机器人采访助手视频字幕生成语音播报视频剪辑AI合成主播AIGC电商商品3D模型虚拟主播虚拟货场AIGC影视剧本创作合成人脸和声音AI创作角色和场景自动生成影视预告片AIGC娱乐AI换脸AI作曲AI合成音视频动画AIGC教育虚拟教师课本内容制作2D课本转换为3DAIGC金融AI实现金融资讯产品介绍视频内容自动生产AI虚拟人客服AIGC医疗AI为失声者合成语言音频为残疾人合成肢体投影心理疾病患者陪护AIGC工业AI完成工程设计衍生设计辅助工程师决策资料来源AIGC人工智能生产内容行业研究报告浙商证券研究所httpwwwstockecomcn838请务必阅读正文之后的免责条款部分行业深度在未来AI商业化进程中众多AIGC开源模型和算法平台的存在导致在场景应用中单纯的技术和算法很难成为玩家的竞争壁垒在细分场景中AIGC企业需要在业务场景的深度理解AI赋能的一体化解决方案行业深度绑定业务闭环等领域持续提升竞争力因此我们建议关注各细分赛道中现有业务具备竞争优势且具备AI转型实力场景数据储备AI算法技术实力的公司3具备AI硬件优势的厂商AI商业化对硬件要求仍然很高算力作为数据加速处理的动力源泉其重要性不言而喻AI处理器芯片可以支持深度神经网络的学习和加速计算相比于GPU和CPU拥有成倍的性能提升和极低的耗电水平因此我们认为围绕人工智能的硬件厂商也将有望受益AI商业化的发展13AIGC应用有望从B端延伸至C端市场空间广阔规模超两千亿对标海外AIGC厂商商业模式进行测算国内2030年AIGC市场空间超两千亿根据Gartner2021年预测人工智能对人类和社会的影响到2025年AIGC产生的数据将占所有数据的10我们对标海外AIGC厂商如JasperAIStabilityAI等公司的商业模式测算国内2023年2025年和2030年AIGC市场空间文字图片渗透率有望快速提升视频直播等受限于技术迭代渗透率较慢目前AI在文本和图像生成领域技术已且相对成熟同时微软百度等科技大厂有望将AI技术应用到业务生态中有望推动在线办公搜索引擎等应用场景的渗透率提升而在直播影视以及音视频等领域由于AI生成技术处于初级阶段且下游用户对内容要求较高我们认为短期内渗透率提升幅度较低经测算我们预计到2025年国内AIGC市场空间可达40352亿元到2030年市场空间可达217558亿元未来几年市场有望迎来爆发式成长表3AIGC国内理论市场空间测算用户规模ARPU假设AI渗透率AIGC市场AI渗透率AIGC市场AI渗透率AIGC市场内容类型用户对象万元年2023年空间亿元2025年空间亿元2030年空间亿元游戏内容制作20030001060530010600网络文学创作者2130400108510852403408音视频创作者35000200000170001070000直播主播14000200000128001028000影视从业者10030001030824015450图片社交平台用户900001501135010135003040500内容营销从业人员100015001150101500304500在线办公用户460002001920873603027600搜索引擎用户850001001850868005042500合计344540352217558资料来源前瞻产业研究院观研天下艾瑞咨询JasperAIThedecoderPlayht浙商证券研究所httpwwwstockecomcn938请务必阅读正文之后的免责条款部分行业深度14ChatGPT面世即成顶流性能持续提升商业化价值不断放大ChatGPT火爆出圈可与真人流畅交流标志生成式AI的突破性进展2022年11月30日OpenAI发布了对话式AI新模型ChatGPT该模型的功能包含了基于人机交互的问题回答文本写作以及代码编写等ChatGPT模型使用Transformer神经网络架构通过维基百科以及海量真实语料库的数据训练实现了接近人类的交流水平图6ChatGPT实现交互问答资料来源CSDN浙商证券研究所ChatGPT具备自我学习能力面世以来性能仍在不断进步2023年1月30日OpenAI官方宣布ChatGPT通过新一轮的更新在准确性和真实性上实现显著提升并且已经具备了比较基础的数学计算能力经过使用者的测试目前ChatGPT的数学计算能力接近小学生水平虽然相较其代码和文本写作相比差距甚远但进步非常明显ChatGPT在数学领域的计算能力逐渐形成反映出模型的自我学习能力以及模型迁移能力出色图7ChatGPT日活用户数爆发式增长图8ChatGPT具备简单的计算能力上更新前下更新后资料来源ARKInvest浙商证券研究所资料来源腾讯新闻浙商证券研究所httpwwwstockecomcn1038请务必阅读正文之后的免责条款部分行业深度微软计划推出一系列AI应用服务ChatGPT有望在实际应用中持续成长2023年2月2日OpenAI公司宣布推出付费试点订阅计划ChatGPTPlus定价每月20美元付费版功能包括高峰时段免排队快速响应以及优先获得新功能和改进等同时OpenAI方面仍将提供对ChatGPT的免费访问权限新版搜索引擎发布融合OpenAI核心技术根据钛媒体报道2月8日微软宣布推出集成ChatGPT的全新Bing搜索服务以及集成AI辅助的Edge浏览器新版Bing带有一个扩展的聊天框它现在可以做的不仅仅是回答事实问题和为你提供各种链接在ChatGPT的帮助下它还能够为你即时生成各种个性化的规划建议分析等解决更复杂的搜索问题图9微软新版搜索引擎可根据问题内容提供完整解答及方案建议资料来源钛媒体浙商证券研究所15ChatGPT以GPTRLHF模型为核心支撑为AIGC发展指明方向ChatGPT将海量训练数据与Transformer框架结合在GPT模型的基础上通过RLHF模型提升交互聊天能力实现了对自然语言的深度建模Transformer有望在未来较长时间内成为AIGC语言领域的核心技术框架Transformer架构为自然语言理解领域带来颠覆性变革应用到NLPCV生物化学等多领域2017年谷歌跳出RNN和CNN的结构提出了完全基于Self-Attention机制的Transformer架构当时在机器翻译任务上取得了颠覆性的进步Transformer由一个编码器和一个解码器组成且各自由若干个编码解码模块堆叠而成每个模块包含Multi-HeadAttention层全连接层等功能不同的工作层Transformer架构优势突出计算效率并行度解释性均实现突破相比于之前的框架Transformer架构除了在计算的时间复杂度更优外还有3大优势1可直接计算点乘结果并行度高对于数据序列x1x2xnself-attention可以直接计算任意两节点的点乘结果而RNN必须按照顺序从x1计算到xnhttpwwwstockecomcn1138请务必阅读正文之后的免责条款部分行业深度2一步计算解决长时依赖问题处理序列信息使通常用要经过的路径长度衡量性能CNN需要增加卷积层数来扩大视野RNN只能逐个进行计算而self-attention只需要一步矩阵计算就可以更好地解决长时依赖问题3模型更可解释self-attention模型更可解释attention结果的分布可反映该模型学习到了一些语法和语义信息图10Transformer核心框架资料来源知乎浙商证券研究所整理RHFL模型将预训练语言模型按照人类反馈进一步微调以符合人类偏好利用人类反馈信息直接优化模型OpenAI采用了人类反馈强化学习ReinforcementLearningfromHumanFeedbackRHFL作为ChatGPT和核心训练方式并称其是能有效提升通用人工智能系统与人类意图对齐的技术RLHF的训练包括三个核心步骤1预训练语言模型也可以使用额外文本进行微调监督微调新模型可以让模型更加遵循指令提示但不一定符合人类偏好2对模型根据提示prompt生成的文本进行质量标注由人工标注者按偏好从最佳到最差进行排名利用标注文本训练奖励模型从而学习到了人类对于模型根据给定提示生成的文本序列的偏好性3使用强化学习进行微调确保模型输出合理连贯的文本片段并且基于奖励模型对模型输出的评估分数提升文本的生成质量图11RHFL模型核心框架资料来源知乎浙商证券研究所整理httpwwwstockecomcn1238请务必阅读正文之后的免责条款部分行业深度2推理-知识-学习-创造AIGC有望引领第四次人工智能浪潮21复盘三次人工智能浪潮AI从科研向细分产业生态加速渗透复盘历史上的三次人工智能浪潮AIGC有望引领第四次浪潮我们从数据模型迭代和参与者等维度梳理了过往三次人工智能浪潮我们认为历次浪潮可以总结为AI从推理能力形成向知识储备再向自我学习能力的方向持续进步未来有望进入到自我创造的阶段表4历次人工智能浪潮及代表性成就梳理开始时间数据输入模型迭代代表性成就主要参与者图灵提出图灵机和图第一次1950s文字数学符号Rosenblatt提出感知机模型科研院所灵测试Hopfield提出RNN模型雏形Hinton等人提出BoltzmanMachine首个专家系统诞生可科研院所主导数据库表格等第二次1980s模型解决特定领域的部分问大型企业商用尝试结构化数据多层感知机MLP与反向传播BP题进行了商业化尝试IBM波音等的提出GPTBERT等AI大1卷积神经网络CNN模型发布科技大厂深度参与大量已标注的结构化和第三次20062残差网络ResNetAlphaGo战胜李世石微软谷歌阿里少量非结构化数据3注意力机制Attention表明AI某些领域的学百度等习能力已超越人类GPT-3CLIPDiffusion等模型科技大厂主导第四次2023-未来未来以非结构化数据为主进一提升AI生成问题和跨模态处ChatGPT各细分行业生态玩家有理任务的能力望深度参与资料来源知乎浙商证券研究所211第一次AI浪潮对人类神经元机制的模拟实现机器推理能力计算机的诞生催生学术界对人工智能的大规模探索第一次AI浪潮来袭1946年第一代电子计算机诞生在这一阶段冯诺依曼结构为现代计算机的体系架构奠定基础而图灵机的思想论证了现代计算机的计算模式和计算能力开启了人类在现代人工智能领域不断探索的旅程冯诺依曼模拟人类好大脑记忆存储与提取的工作机制为计算机和人工智能奠定坚实基础上世纪40年代冯诺依曼提出了计算机的逻辑结构其主要特点包含了程序以二进制代码存放在存储器中所有指令由操作码和地址码组成指令在存储过程中按照执行顺序进行存储等冯诺依曼结构将人类的神经系统与计算机结合在一起大幅提升了计算机的运算效率为人工智能的发展提供了保障Rosenblatts受生物神经网络启发提出人工神经网络结构成为现代神经网络和深度学习的重要基础感知机的工作原理可理解为生物神经网络中的信号作用信号经过树突传递到细胞核的过程中信号会发生变化感知机在模型的输入位置添加神经元节点构成输入单元向每一个属性指定一个权重w对属性值和权重的乘积求和将结果值与阈值比较从而判定正负样本结果但由于感知机模型只能解决线性问题面对异或问题时无能为力也导致了第一次人工智能研究在上世纪70年代进入低潮期httpwwwstockecomcn1338请务必阅读正文之后的免责条款部分行业深度图12冯诺依曼结构模拟人类记忆存储的模式图13Rosenblatt感知机模型资料来源百度百科浙商证券研究所资料来源CSDN浙商证券研究所212第二次AI浪潮人工智能拥有知识储备专家系统为代表性产物20世纪80年代第二次人工智能浪潮到来核心发展为让计算机学习大量专业知识研究人员将专家的知识言论以及经验等数据输入到计算机使其成为专家系统专家系统可以预测在一定条件下某种解的概率由于当时计算机已有巨大容量专家系统有可能从数据中得出规律在这一阶段多层感知机反向传播算法神经网络的出现极大程度地提升了计算机的计算及逻辑推理能力为深度学习和强化学习模型奠定了重要基础同时专家系统的出现赋予了人工智能知识属性并进行了一系列的商用尝试多层感知机强调模拟人类脑神经的复杂连接使人工智能实现解决非线性问题的处理能力多层感知机可至少分成输入层隐藏层和输出层这三层隐藏层可根据需要建多层且每层都可以有多个节点相邻层的各个节点都互相连接隐藏层和输出层具备计算加权和激活函数处理的功能实现数据信息的向前传递和分析多层感知机的突破在于激活函数的使用在隐藏层中使用不同的激活函数可实现对数据的非线性化处理使得AI具备拟合任何连续函数的能力大幅提升了计算机的计算能力1986年GeoffreyHinton等人先后提出了多层感知机MLP与反向传播BP训练相结合的理念将人类基于结果误差反馈反哺逻辑推理的思想融入AIBP算法的基本思想是用误差的导数梯度调整并通过误差的梯度做反向传播更新模型权重以下降学习的误差拟合学习目标图14多层感知机MLP模型图15反向传播BP模型资料来源CSDN浙商证券研究所资料来源CSDN浙商证券研究所httpwwwstockecomcn1438请务必阅读正文之后的免责条款部分行业深度第二次AI浪潮中专家系统模拟人类专家的知识和经验解决特定领域的问题实现了人工智能从理论研究走向实际应用从一般推理策略探讨转向运用专门知识的重大突破并且机器学习特别是神经网络探索不同的学习策略和各种学习方法在大量的实际应用中也开始慢慢复苏专家系统作为人工智能的重要分支在这一时期逐步渗透到细分行业的实际场景解决特定任务第二次AI浪潮期间专家系统应用到数学物理化学医学地质等细分行业能够辅助科研人员解决化学分子结构疾病诊断地质分析等特定任务这一时期专家系统的特点包含1单学科的专业性2系统结构完整移植性好3具有一定的推理解释功能透明性好4采用启发式推理和不精确推理5用产生式规则框架和语义网络表达知识表5部分专家系统及应用场景梳理专家系统时间开发者核心亮点及应用场景DENDRAL1968年斯坦福大学可推断化学分子结构MYCSYMA1971年麻省理工学院用于数学运算用于地质领域探测矿藏可分析待检矿床的地址PROSPECTOR1977年斯坦福大学环境结构和矿物质类型等特征用于青光眼的诊断与治疗采用因果联系网络表CASNET1977年拉特格大学示知识法则可实现血液感染病诊断拥有两百多条规则可MYCIN1978年斯坦福大学识别51种病菌并正确处理23种抗生素模拟人类进行概括抽象和归纳推理并发现某AM1981年斯坦福大学些数论的概念和定理用于语音识别证明了计算机在理论上可以按照HEARSAY1970s卡耐基梅隆大学编制的程序与用户进行交谈卡耐基梅隆大学具有完整专业知识和经验的计算机智能系统可XCON1980年DEC公司为VAX计算机系统制定硬件配置方案资料来源CSDN浙商证券研究所专家系统商业价值显现在企业生产决策过程中发挥重大作用1980年美国卡耐基梅隆大学与DEC公司合作研发的XCON专家系统运用计算机系统配置的知识依据用户的定货选出最合适的系统部件如CPU型号操作系统种类及相应型号存储器和外部设备等并且能够给出优化意见以构成一个完整的系统XCON可以给出一个系统配置的清单和这些部件装配关系的图以便技术人员进行装配在这一时期除DEC公司外美国杜邦通用汽车和波音等公司在也在生产决策中借助专家系统的辅助1986年美国AI相关软硬件销售额达到425亿美元人工智能技术逐渐走出科研院所进入到企业的实际业务场景中httpwwwstockecomcn1538请务必阅读正文之后的免责条款部分行业深度图16XCON专家系统核心架构资料来源ExpertsystemsforconfigurationatDigitalXCONandbeyond浙商证券研究所AI模型算法研究领域对人类脑神经的信号处理和思考机制的模拟进一步加深代表性产物包含CNNRNN等神经网络模型1982年JohnHopfield提出了一种结合存储系统和二元系统的神经网络即Hopfield网络这种模型保证了向局部极小的收敛由于每个神经元的输出均连接到其它神经元的输入模型能够通过训练从某一残缺的信息联想到所属的完整信息即Hopfield模型在模拟人类记忆储存和联想方面做出重大贡献这一模型也勾勒了未来RNN模型的雏形YannLeCun提出CNN模型并成功验证其商用的可行性1989年LeCun结合反向传播算法与权值共享的卷积神经层发明了卷积神经网络ConvolutionalNeuralNetworkCNNCNN通常由输入层卷积层池化Pooling层和全连接层组成卷积层负责提取图像中的局部特征池化层用来大幅降低参数量级全连接层则类似传统神经网络部分输出想要的结果卷积神经网络CNN成功应用到美国邮局的手写字符识别系统中在此基础上于1998年诞生了稳定可商业应用的CNN模型LeNet-5图17HopfieldNetwork模型图18卷积神经网络CNN模型资料来源CSDN浙商证券研究所资料来源知乎浙商证券研究所httpwwwstockecomcn1638请务必阅读正文之后的免责条款部分行业深度213第三次AI浪潮数据爆炸背景下AI进入学习时代人类进入互联网时代数据量爆炸以及大数据技术的成熟为人工智能的发展注入新动能PC互联网以及移动互联网时代的到来驱动了人类活动数据量的爆炸式成长为AI模型的训练提供有价值的原料同时围绕大数据云计算等领域的技术迭代使得人工智能模型的计算效率成本等均有大幅优化为商业化应用打开了空间根据海外学者论文ModelingandSimulationStrategiesforPerformanceEvaluationofCloudComputingSystems进入互联网时代后全球产生的数据量呈现爆炸式成长于2000年突破50EB到2007年已接近300EB在针对大规模的数据计算领域2003年Google公布了3篇大数据奠基性论文为大数据存储及分布式处理的核心问题提供了思路非结构化文件分布式存储GFS分布式计算MapReduce及结构化数据存储BigTable并奠定了现代大数据技术的理论基础图191986-2007年全球数据量变化趋势单位EB图20大数据相关技术快速迭代资料来源ModelingandSimulationStrategiesforPerformanceEvaluation资料来源知乎浙商证券研究所ofCloudComputingSystems浙商证券研究所GeoffreyHinton等人提出深度学习DeepLearning概念掀起第三次人工智能热潮深度学习的本质是使用多个隐藏层网络结构通过大量的向量计算学习数据内在信息的高阶表示相较于传统的神经网络深度学习模型具有更优异的特征学习能力学习得到的特征对数据有更本质的刻画有利于可视化或分类其次深度神经网络在训练上的难度可以通过逐层初始化layer-wisepre-training来有效克服因此模型精调的效率得以大大提升深度学习的出现标志着计算机实现了基于数据的学习和挖掘分析能力AI能够挖掘复杂信息中包含的关联关系2012年AlexNet神经网络获得ImageNet大赛冠军标志着AI在图像识别领域的突破性成就2012年在计算机视觉领域的竞赛ImageNet中AlexNet以提升10的错误率的进步力压第二名以SIFTFVLBPFVGISTFVCSIFTFV等组合特征的算法AlexNet基于卷积神经网络CNN模型在数据算法及算力层面均有较大改进创新地应用了DataAugmentationReLUDropout和LRN等方法并使用GPU加速网络训练之后图像识别领域AI模型均在此基础上进行优化并且识别准确度超越了人类水平httpwwwstockecomcn1738请务必阅读正文之后的免责条款部分行业深度图21AlexNet神经网络模型图22AlexNet实现深度学习在图像识别领域的重大突破资料来源知乎浙商证券研究所资料来源知乎浙商证券研究所AlphaGo具备深度学习能力可结合人类专家比赛中学到的棋谱以及在和自己下棋Self-Play中进行强化学习2016年人工智能AlphaGo在围棋竞技中击败李世石标志着AI具备了自我迭代和学习强化的能力AlphaGo的深度学习模型可分为策略网络和价值网络分别解决了围棋中的下一手最佳策略和下一手后的胜率两个问题并以此为核心通过学习人类棋谱和自我对弈不断调整策略提升棋力AlphaGo较好地模拟了人类棋手对于围棋落子的直觉判断即由于围棋存在的广度每一步的可能性和深度棋局从开始到结束的步数导致计算机无法模拟计算所有的可能性AlphaGo通过策略网络减少搜索广度即每一步搜索少量节点而通过价值网络减少搜索深度无需将棋局下到底即可得出当前局势的判断在AlphaGo基础上谷歌公司后续推出了迭代版本AlphaGoZero增强了AI在面对人类棋谱中未出现过的局势时的自我推理和学习能力标志着AI的自我学习具备了一定的迁移能力图23AlphaGo包含价值网络和策略网络两个深度神经网络模型资料来源CSDN浙商证券研究所Transformer架构横空出世OpenAI发布的GPT模型AI进入大模型时代GPTGenerativePre-TrainingGPT模型利用更大规模的文本数据以及更深层的神经网络httpwwwstockecomcn1838请务必阅读正文之后的免责条款部分行业深度模型学习更丰富的文本语义表示打破了自然语言处理各个任务之间的壁垒使得搭建一个面向特定任务的自然语言模型不再需要非常多的任务北京只需要根据任务的输入和输出形式应用预训练模型便可达到满意效果NLP模型的搭建只需要无监督预训练有监督的精调两阶段1生成式预训练在大规模文本数据上训练一个高容量的语言模型以学习更丰富的上下文信息2判别式任务精调将预训练好的模型适配到下游任务中并使用有标注数据学习判别式任务从GPT到GPT-2和GPT-3参数提升和训练数据积累提升模型工作性能到了GPT-2阶段OpenAI将自然语言模型定义为要完成零样本无监督多任务学习的目标即预训练好的模型可以直接用于下游任务GPT-2模型在学习更广泛的数据信息增加了模型的维度参数后不需要针对特定的任务修改模型将任务也作为提示词和文本一起输入预训练好的模型承接GPT-2的核心思想到了GPT-3模型参数量达到了1750亿在不进行微调的情况下可以在多个NLP基准上达到最先进的性能GPT模型的演进为国内外AI大厂提供了重要的借鉴意义即通过优质训练数据输入和模型复杂度的增加来提升模型性能而未来AI以少样本乃至无样本学习为核心目标表6GPTGPT-2GPT-3模型对比GPT-1GPT-2GPT-35种语料库CommonCrawlBooksCorpus7000本未WebText清洗过的Reddit训练数据集WebText2Books1Books2发表的书籍数据40GB文本数据Wikipedia模型框架Transformerdecoder每层由maskedselfattentionfeedforwardlayer组成12层768维48层1600维96层12888维模型参数117亿参数15亿参数1750亿参数在问答阅读理解文本参数增多实现原有任务在少样本学习甚至零样本学习模型表现总结等任务上表现出色的表现进一步优化任务上取得出色表现无监督的语言模型引入任务条件函数可根据输入和任务预测输出目标函数有监督的精调分类模型实现少样本到零样本学习资料来源知乎浙商证券研究所整理AI大模型在任务准确度和场景泛化性方面提升显著在此基础上针对不同实际场景提炼出针对性的AI小模型以完成特定任务可大大降低AI商业化部署的成本提高训练速度其中Transformer架构和GAN模型为现在的语言文本生成和图像生成奠定了基础GAN模型参考博弈学习理论通过内部两个模型的互相博弈实现图像视频的AI自动生成生成式对抗网络GANGenerativeAdversarialNetworks是近年来复杂分布上无监督学习最具前景的方法之一模型通过框架中两个模块生成模型GenerativeModel和判别模型DiscriminativeModel的互相博弈学习产生输出判别模型负责判断一个实例是真实的还是模型生成而生成模型负责生成实例来骗过判别模型两个模型对抗中最达到平衡即生成模型生成的实例与真实的没有区别判别模型无法区分输入数据是生成的还是原始真实的数据httpwwwstockecomcn1938请务必阅读正文之后的免责条款部分行业深度GAN模型应用广泛成为AIGC重要底层框架但早期存在问题GAN模型应用包含逼真图片生成图片翻译3D建模等但由于基础的GAN模型存在收敛不稳定容易受到部分图片样本欺骗等问题初期生成的图像可能存在失真问题适用范围相对局限图24生成式对抗网络GAN模型原理图25GAN模型可实现图像风格迁移和内容修复功能资料来源ELEMENTUI浙商证券研究所资料来源CSDN浙商证券研究所214第四次AI浪潮AIGC从文本拓展至图像及音视频领域商业化空间打开AIGC在图片音视频领域的模型在大模型基础上持续优化性能趋向商用化需求空间有望打开我们认为以ChatGPT为代表AI将进入创造创作时代引领第四次人工智能浪潮AIGC以自动化生产和高效为两大特点目前已经可以自动生成文字图片音频视频甚至3D模型和代码未来大量数字原生内容有望由AI协助完成创作底层技术的突破使AIGC商业落地成为可能模型迭代推动AI生成文字和图片质量实现质的提升在图像生成领域表7AI图像生成模型发展梳理AI图像模型出现时间特点GAN2014年不稳定分辨率低只能模仿无法原创CAN2017年表达抽象能够原创DALL-E2021年2月可文字转绘画但绘画水平较普通CLIPVQGAN2021年4月可文字转绘画开源绘画水平一般CLIPDiffusion2022年2月可文字转绘画开源原创性但渲染时间长Midjourney2022年3月可文字转绘画付费适合人像突出细节可文字转绘画付费限制较多对复杂文字理解准确DALL-E22022年4月艺术性不高渲染快可文字转绘画免费开源原创性灵活度高图片精StableDiffusion2022年8月美真实感艺术性渲染快ImagenGoggle2022年11月有限公开理论上比DALL-E2效果好资料来源CSDN浙商证券研究所httpwwwstockecomcn2038请务必阅读正文之后的免责条款部分