大模型理论最早在2017年由谷歌的《Attention is All You Need》论文提出
　　大模型是深度学习在自然语言处理领域的最新技术，是继RNN、CNN等传统深度学习模型变体之后，在深度学习方向上打开的一个新世界的大门。大模型理论一经推出，即受到了广泛的关注。OpenAI受其启发在2018年6月发布了初代GPT大模型，谷歌紧接其后在2018年10月发布了BERT大模型。时至今日，基于通用大模型进行调参已成为自然语言处理任务的首选范式。大模型的三大特征：生成式、预训练和多模态帮助其取代了绝大部分传统的自然语言处理的深度学习模型，已广泛用于文本生成、机器翻译、文本推理、关键词总结等各类场景。OpenAI最新发布的GPT-4大模型甚至可以完成复杂的图像处理，通过美国律师从业资格考试、高等教育入学考试。其他科技巨头也陆续宣布要开发自己的通用大模型和行业大模型，实现商业化落地。大模型有望在未来开辟强人工智能的新篇章。
　　大模型的出现解决了一系列痛点
　　在2017年大模型诞生的前夕，深度学习的Encoder/Decoder算法虽然早已提出，但在NLP领域还只被用于机器翻译领域；Attention机制刚刚出现，尚未得到重视；与此同时，较为成熟的RNN、CNN模型遇到了一系列的技术瓶颈，始终无法解决处理文本长度受限、模型无法泛化、无法用于文本生成等问题。这一时点出现的大模型将Encoder/Decoder与Attention机制相结合，通过无监督学习+调参的方式，突破了传统深度学习的技术瓶颈。
　　初代GPT和BERT特点
　　初代GPT由于使用了12层Decoder架构，配合上Masked Multi-Head Attention，只能根据前文单向预测下一个单词，因此训练速度不如BERT，但更擅长文本生成与逻辑推理。BERT由于使用了24层Encoder结构，配合上Multi-Head Attention，训练时随机遮挡一段文本中15%的单词做完形填空，因此训练速度更快，训练可以双向并行。训练模式导致BERT更擅长文本总结，问答对话等任务。
　　BERT模型的架构和训练模式导致其上限不高
　　简单而言，BERT只采用了Encoder结构，而Encoder适用于完形填空的训练模式，所以BERT训练完成之后更适合关键词提取、文本总结等任务，而此类任务本身较为简单；另一方面，GPT采用了Decoder架构，更适合搭配下一个词预测作为训练任务，所以训练出的GPT模型更适合推理和文本生成等任务，而这类任务的难度较高，OpenAI直到迭代到ChatGPT才较好实现了这一功能。
　　风险提示
　　1、人工智能技术发展不及预期；
　　2、人工智能商业化应用落地不及预期。
　　

研究报告全文：丨证券研究报告丨行业研究丨专题报告丨信息技术大模型技术进化论系列一初代大模型技术TableTitle详解报告要点大模型是深度学习在自然语言处理领域的最新技术是继TableSummaryRNNCNN等传统深度学习模型变体之后在深度学习方向上打开了一个新世界的大门大模型理论一经推出即受到了广泛的关注OpenAI受其启发在2018年6月发布了初代GPT大模型谷歌紧接其后在2018年10月发布了BERT大模型分析师及联系人TableAuthor宗建树SACS0490520030004请阅读最后评级说明和重要声明丨证券研究报告丨2023-04-06cjzqdt11111信息技术大模型技术进化论系列一初代大模型技术详TableTitle2行业研究丨专题报告TableRank投资评级看好丨维持解大模型理论最早在TableSummary22017年由谷歌的AttentionisAllYouNeed论文提出市场表现对比图近12个月大模型是深度学习在自然语言处理领域的最新技术是继RNNCNN等传统深度学习模型变TableChart信息技术沪深300指数体之后在深度学习方向上打开的一个新世界的大门大模型理论一经推出即受到了广泛的15关注OpenAI受其启发在2018年6月发布了初代GPT大模型谷歌紧接其后在2018年103-9月发布了BERT大模型时至今日基于通用大模型进行调参已成为自然语言处理任务的首选-21范式大模型的三大特征生成式预训练和多模态帮助其取代了绝大部分传统的自然语言处202242022820221220234理的深度学习模型已广泛用于文本生成机器翻译文本推理关键词总结等各类场景资料来源WindOpenAI最新发布的GPT-4大模型甚至可以完成复杂的图像处理通过美国律师从业资格考试高等教育入学考试其他科技巨头也陆续宣布要开发自己的通用大模型和行业大模型实相关研究现商业化落地大模型有望在未来开辟强人工智能的新篇章TableReport底部渐近复苏可期存储行业五问五答大模型的出现解决了一系列痛点2023-04-03在2017年大模型诞生的前夕深度学习的EncoderDecoder算法虽然早已提出但在NLP领AI大模型时代重视OA产业投资机遇2023-域还只被用于机器翻译领域Attention机制刚刚出现尚未得到重视与此同时较为成熟的04-02RNNCNN模型遇到了一系列的技术瓶颈始终无法解决处理文本长度受限模型无法泛化从AIGC看数通链2023-04-02无法用于文本生成等问题这一时点出现的大模型将EncoderDecoder与Attention机制相结合通过无监督学习调参的方式突破了传统深度学习的技术瓶颈初代GPT和BERT特点初代GPT由于使用了12层Decoder架构配合上MaskedMulti-HeadAttention只能根据前文单向预测下一个单词因此训练速度不如BERT但更擅长文本生成与逻辑推理BERT由于使用了24层Encoder结构配合上Multi-HeadAttention训练时随机遮挡一段文本中15的单词做完形填空因此训练速度更快训练可以双向并行训练模式导致BERT更擅长文本总结问答对话等任务BERT模型的架构和训练模式导致其上限不高简单而言BERT只采用了Encoder结构而Encoder适用于完形填空的训练模式所以BERT训练完成之后更适合关键词提取文本总结等任务而此类任务本身较为简单另一方面GPT采用了Decoder架构更适合搭配下一个词预测作为训练任务所以训练出的GPT模型更适合推理和文本生成等任务而这类任务的难度较高OpenAI直到迭代到ChatGPT才较好实现了这一功能风险提示1人工智能技术发展不及预期更多研报请访问2人工智能商业化应用落地不及预期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什么是大模型4为什么需要大模型5初代GPT大模型技术拆解9BERT大模型技术拆解11初代GPT与BERT特点总结12风险提示15图表目录图1大模型的Encoder-Decoder2机制4图2各厂商布局时间轴5图3大模型解决了四项痛点6图4每一个EncoderDecoder中都有Attention层6图5Attention可以并行处理文本7图6Attention给不同的词赋予不同的权重7图7大模型通过无监督预训练调参来得到最终模型7图8AnthropicGPT-35和GPT-4在RLHF调参过后准确率都大幅度提升8图9Phenaki大模型可以根据关键词生成视频9图10初代GPT在Decoder中删除了Multi-HeadAttention结构9图11GPT针对不同的任务设计了不同的词嵌入Token10图12随着训练层数的增加模型的性能也随之提高10图13随着训练步数的增加模型的zero-shot性能随之提高10图14BERT的token可以做双向词嵌入11图15BERT调参过程11图16BERT的性能全方位超越了初代GPT12图17单向处理文本的GPT与双向处理文本的BERT13图18一张图看懂BERTGPT的架构和训练模式的影响13图19在BERT推出后科大讯飞实验室以BERT为原型推出了一系列大模型14图20AI模型网站Huggingface上下载量最大前20的大模型调参应用BERT占了11个14表1初代GPT与BERT模型参数比较12请阅读最后评级说明和重要声明316行业研究专题报告什么是大模型大模型是深度学习在自然语言处理领域的最新技术大模型是指在庞大的语料库上使用Transformer算法进行训练的模型具有数百万或数十亿个参数通常采用无监督学习方法进行预训练然后使用监督学习方法进行微调以执行特定的任务大模型理论最早在2017年由谷歌的AttentionisAllYouNeed论文提出大模型的目标是学习通用的语言表示形式这使得它们可以应用于各种自然语言处理任务例如文本分类命名实体识别语言生成等预训练大模型通常具有比传统模型更好的性能和泛化能力因为它们可以从大量的文本数据中学习通用的语言模式和语法结构大模型做到了通用性生成式多模态三个特点通用性传统深度学习模型需要根据特定任务定制算法和训练数据而大模型由于已经进行了预训练其技术的泛化性允许其不需要调整算法和训练数据即可取得优秀的表现生成式传统的深度学习模型只能根据现有数据判别帮用户做决策但大模型可以自我生成内容多模态传统的深度学习只能处理图像文本或视频等单个领域的数据而大模型可以将图像与文本视频与文本等数据相结合处理多模态任务此外大模型处理文本时可以不依照文本的顺序大大加快了文本处理速度大模型又采用了Attention机制对文本中不同的词语赋予不同的权重值增强了模型处理长文本的能力大模型结构是继RNNCNN1以及其一系列变体LSTMGRUResNetDenseNet之后在深度学习方向上打开了一个新世界的大门图1大模型的Encoder-Decoder2机制资料来源AttentionisAllYouNeedVaswanietal长江证券研究所1RNN循环神经网络可以处理时间序列问题常用于文本处理任务CNN卷积神经网络常用于图像处理任务2Encoder是一个神经网络编码器可以将输入序列如自然语言句子编码为一个向量而Decoder则将该向量表示解码为输出序列如自然语言翻译请阅读最后评级说明和重要声明416行业研究专题报告大模型理论一经推出即受到了广泛的关注OpenAI受其启发在2018年6月发布了初代GPT大模型谷歌紧接其后在2018年10月发布了BERT大模型两位巨头采取了两种不同的技术路线OpenAI的初代GPT只采用了大模型理论中的解码器技术而谷歌只采用了大模型理论中的编码器技术时至今日基于通用大模型进行调参已成为自然语言处理任务的首选范式大模型的三大特征生成式预训练和多模态帮助其取代了绝大部分传统的自然语言处理的深度学习模型已广泛用于文本生成机器翻译文本推理关键词总结等各类场景除了自然语言处理领域大模型结构也被应用到了计算机视觉领域由此诞生了一系列比CNN更强大的模型如ViTBEiT和MAEOpenAI最新发布的GPT-4大模型甚至可以完成复杂的图像处理通过美国律师从业资格考试高等教育入学考试其他科技巨头也陆续宣布要开发自己的通用大模型和行业大模型实现商业化落地大模型有望在未来开辟强人工智能的新篇章图2各厂商布局时间轴Google发布OpenAI发布GPT-2模型AttentionIsAllYou在GPT的基础上省略了Need论文提出大模调参过程参数扩大到型概念采用注意力机15亿模型更通用OpenAI发布Clip模型制解决了RNN效率问百度推出ERNIE10大模实现文本到图像的跨模题和传递中的缺陷型态2018202020210320172019202101OpenAI发布初代GPT模型OpenAI发布GPT-3模型智源推出悟道10大模型参数达到117亿可通过预参数扩大到1750亿性参数达到10亿训练调参的方式处理无能更强标注的NLP任务ViT模型发布将大模型Google发布BERT在GPT用于图像视觉领域的基础上升级成为双向训练模型参数达到34亿在分类标注等任务下都获得了更好的效果OpenAI发布ChatGPT模型基于GPT-35模型长文本理解能力增强谷歌推出LaMDA大模型百度推出文心一言大模新增代码理解和生成能Meta推出Opt-175B大专注于对话领域参数型对标ChatGPT力模型参数达到1750亿达到1370亿202302202208202112202303202211202205202105谷歌推出Bard大模型Meta推出BlenderBot3百度推出文心系列大模建立在LaMDA大模型基大模型建立在Opt-型础上参数达到1370亿175B大模型基础上参数达到1750亿资料来源机器之心Sigmoidlambdalab谷歌官网Meta官网智源社区百度官网华为官网长江证券研究所为什么需要大模型大模型的出现解决了四项痛点在2017年大模型诞生的前夕深度学习的EncoderDecoder算法虽然早已提出但在NLP领域还只被用于机器翻译领域请阅读最后评级说明和重要声明516行业研究专题报告Attention机制刚刚出现尚未得到重视与此同时较为成熟的RNNCNN模型遇到了一系列的技术瓶颈始终无法解决处理文本长度受限模型无法泛化无法用于文本生成等问题这一时点出现的大模型将EncoderDecoder与Attention机制相结合通过无监督学习调参的方式突破了传统深度学习的技术瓶颈图3大模型解决了四项痛点通过Attention机制捕捉无法处理长文本内容文本关键词降低遗忘效应遇到新任务需要重新设计模通过预训练提高泛化能力型收集训练数据不需要重新训练只能对问题做判别无法生可以生成全新的内容成新内容可以将文本图像视频数只能处理单模态任务据相结合处理多模态任务资料来源长江证券研究所早期大模型如初代GPTBERTGPT-2等都只适用于自然语言处理任务直到2021年初OpenAI推出了Clip多模态模型大模型才具备了多模态能力长文本处理能力跃升传统深度学习无法并行或处理长文本内容2017年之前的自然语言处理场景一般会选择传统的RNN模型来正确处理文本序列的问题但RNN只能从左向右依次计算或者从右向左依次计算模型在t处的计算需要依赖模型在t-1处的计算结果这一原则限制了模型的并行能力此外当最新的文本token被合并到序列中时很久之前的文本token信息就会丢失所以RNN模型只能用于较短的文本内容处理图4每一个EncoderDecoder中都有Attention层资料来源Github长江证券研究所请阅读最后评级说明和重要声明616行业研究专题报告Attention机制可以并行用于长文本场景大模型使用了Attention机制将序列中的任意两个位置之间的距离缩小为一个常量而不是类似RNN的顺序结构因此具有更好的并行性符合现有的GPU框架此外Attention机制通过在处理序列数据时对相关部分进行加权从而将重点放在与当前任务相关的部分从而缓解了长序列数据的问题在预训练模型中Attention机制通常被用于捕捉输入序列中的重要信息并将其与上下文联系起来以便更好地理解文本图5Attention可以并行处理文本图6Attention给不同的词赋予不同的权重资料来源GitHub长江证券研究所资料来源GitHub长江证券研究所无监督预训练监督调参模式提高泛化能力传统深度学习模型只能采用监督学习模式在2017年之前NLP在深度学习上基本还处于word2vec以及为不同任务做定制化深度模型的情况在此阶段模型需要大量的在特定领域标注过的数据集由于这些数据集都需要人工标注所以训练模型的成本较高这一特点导致在部分领域使用深度学习模型的最大困难在于收集足够可靠的已标注的训练集此外模型采用手工设计特征和规则的方式进行建模对于不同的任务和语言需要重新设计和调整模型训练完成的模型无法兼容其他领域大模型实现了无监督预训练监督调参模式大模型在训练时无需对数据进行标注模型会通过前文来预测文本的下一个词再与原文做对比以此来实现无监督训练而大模型的庞大的训练数据使得大模型具备亿级以上的参数值让大模型获得足够的泛化能力无需根据特定行业的标注数据再次训练在大部分行业可以直接实现应用落地图7大模型通过无监督预训练调参来得到最终模型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长江证券研究所请阅读最后评级说明和重要声明716行业研究专题报告大模型需要通过标注数据来调参以获得更好的性能预训练大模型的复杂性和参数量较大且训练需要花费大量的时间和计算资源因此必须通过调参来优化模型性能调参的数据需要人工标注调参数据规模根据任务难度变化而变化调参的类型一般分为三类超参数选择预训练大模型中有很多超参数需要调整例如学习率批量大小正则化参数等这些超参数的不同选择可能会导致模型的性能差异较大因此需要通过实验和调整来确定最佳超参数组合模型结构调整预训练大模型的结构非常复杂包含多个层和大量参数不同的结构可能会对模型的性能产生重要的影响因此在预训练之前需要测试模型的结构训练之后也需要调整到最佳结构数据集选择预训练大模型需要使用大量数据进行训练不同的数据集可能会对模型的性能产生重要的影响因此在进行预训练之前需要选择合适的数据集并对数据集进行一些预处理和增强图8AnthropicGPT-35和GPT-4在RLHF调参过后准确率都大幅度提升资料来源GPT-4TrchnicalReportOpenAI长江证券研究所大模型具备内容生成能力传统的深度学习模型不具备内容生成能力传统的深度学习模型通常需要手工设计特征或使用词向量等表示文本数据这种方式需要大量的后期手动修改且无法完全表达文本数据中的语言规律和语义信息导致模型在生成文本时缺乏连贯性和准确性此外RNN或CNN模型得结构限制了它们只能处理固定长度的文本而无法处理长文本数据这使得模型在生成长文本时存在困难同时也无法完全考虑到文本中的上下文关系大模型第一次实现了内容生成前面我们介绍了大模型无监督学习的模式大模型可以通过前文来预测下一个词语而正是这一训练方式赋予了大模型内容生成的能力大模型能够在生成文本时综合考虑到文本中的上下文关系能够生成更连贯合理的文本除了文本生成预训练大模型还可以用于语音生成图像生成等其他领域的生成任务大模型可以根据给定的文本生成对应的语音图像目前大模型的生成能力已成功商业化落地被广泛用于自然语言处理音频处理计算机视觉等领域请阅读最后评级说明和重要声明816行业研究专题报告图9Phenaki大模型可以根据关键词生成视频资料来源PhenakiVariableLengthVideoGenerationFromOpenDomainTextualDescriptionVillegasetal长江证券研究所初代GPT大模型技术拆解2018年6月OpenAI发布了初代GPT初代GPT是世界上第一个大模型应用模型基于Transformer结构进行建模采用了无监督学习方式进行训练具有12层Decoder结构总参数量达到117亿初代GPT仅使用了Transformer的Decoder结构并对Decoder进行了一些改动删除了Multi-Headattention结构只保留了MaskedMulti-HeadAttention结构这确保了GPT只能关注前文的信息从而达到单向模型的目的图10初代GPT在Decoder中删除了Multi-HeadAttention结构资料来源cnblog长江证券研究所请阅读最后评级说明和重要声明916行业研究专题报告GPT是最早一批提出在NLP任务上使用预训练调参范式的工作GPT的训练集采用了BookCorpus7000本书籍数据规模达到5GB在调参阶段针对NLP中四个常见任务文本分类文本蕴含文本相似度问答任务GPT引入了分隔符分隔符可以根据不同的任务设置不同的词嵌入token使得大模型能在调参的时候适配4种不同的任务图11GPT针对不同的任务设计了不同的词嵌入Token资料来源ImprovingLanguageUnderstandingbyGenerativePre-TrainingRadfordetal长江证券研究所GPT证明了模型的精度和泛化能力会随着解码器层数增加而不断提升随着模型的层数增加模型可以更好地捕捉输入数据中的细节和模式这种现象在神经网络领域中被称为深度学习效应在GPT中模型的准确性随着Decoder层数的增加而提高增加解码器层数使模型更好地理解了自然语言中的语法和语义并生成了更准确更自然的文本图12随着训练层数的增加模型的性能也随之提高图13随着训练步数的增加模型的zero-shot性能随之提高资料来源ImprovingLanguageUnderstandingbyGenerativePre-Training资料来源ImprovingLanguageUnderstandingbyGenerativePre-TrainingRadfordetal长江证券研究所Radfordetal长江证券研究所GPT模型具有zero-shot能力并且能随着预训练的进行不断增强在zero-shot任务中初代GPT的模型要比基于LSTM的模型稳定且随着训练次数的增加其zero-shot的性能也逐渐提升这些都表明初代GPT已经具备相对较强的泛化能力能够用到和其训练集无关的其它NLP任务中此外初代GPT也证明了大模型学习词向量的强大能力在GPT得到的词向量基础上进行下游任务的学习能够让下游任务更好地泛化对于下游任务的训练初代GPT往往只需要简单的微调便能取得非常好的效果请阅读最后评级说明和重要声明1016行业研究专题报告BERT大模型技术拆解谷歌在2018年10月推出了BERT大模型BERT大模型采用了24层的Encoder结构参数量达到了34亿BERT的训练数据集源自TorontoBookCorpus8亿词和英文维基百科25亿词BERT只采用了Transformer的Encoder结构由于没有像GPT一样的MaskedMulti-HeadAttention结构在训练时允许每个token访问其前后两个方向的context因此BERT是双向的语言模型图14BERT的token可以做双向词嵌入资料来源exxactcorp长江证券研究所BERT模型更注重理解语义和上下文相关性在训练时BERT使用了两个预训练任务MaskedLanguageModelingMLM和NextSentencePredictionNSP在MLM任务中双向的语言模型结构允许BERT在训练时不必像GPT一样只能单向预测下一个词而是类似于完形填空随机遮蔽15的token然后用未遮蔽的部分作为context预测被遮蔽的部分在NSP任务中训练集会输入两个句子然后让BERT预测两句话是否是相邻这两个训练任务使得BERT模型的训练速度较快而且让BERT更注重理解语义和上下文相关性并且在文本总结关键词提取等任务上比GPT取得更好的成绩图15BERT调参过程资料来源BERTPre-trainingofDeepBidirectionalTransformersforLanguageUnderstandingDevlinetal长江证券研究所请阅读最后评级说明和重要声明1116行业研究专题报告BERT调参步骤相对简单BERT的调参数据集主要为对话文本问答文本等调参时会直接遍历数据集中的任意相邻两句话调参的过后的BERT大模型会通过GLUEBenchmarkSQuADv11和SQuADv20三个任务体系下评估据谷歌介绍BERT调参所需算力较小仅需一块云端TPU花费1小时或一块GPU花费数小时即可完成图16BERT的性能全方位超越了初代GPT资料来源BERTPre-trainingofDeepBidirectionalTransformersforLanguageUnderstandingDevlinetal长江证券研究所初代GPT与BERT特点总结初代GPT由于使用了12层Decoder架构配合上MaskedMulti-HeadAttention只能根据前文单向预测下一个单词因此训练速度不如BERT但更擅长文本推理和文本生成表1初代GPT与BERT模型参数比较初代GPTBERT12层TransformerDecoder24层TransformerEncoder模型单向去掉Multi-HeadAttention双向参数量117亿34亿BooksCorpus800M单词训练语料7000本书英文维基2500M单词预训练任务LTR预测下一个单词MLM和NSP擅长任务文本推理文本生成对话问答文本总结资料来源ImprovingLanguageUnderstandingbyGenerativePre-TrainingRadfordetalBERTPre-trainingofDeepBidirectionalTransformersforLanguageUnderstandingDevlinetalmedium长江证券研究所BERT由于使用了24层Encoder结构配合上Multi-HeadAttention训练时随机遮挡一段文本中15的单词做完形填空因此训练速度更快训练可以双向并行训练模式导致BERT更擅长文本总结问答对话等任务请阅读最后评级说明和重要声明1216行业研究专题报告图17单向处理文本的GPT与双向处理文本的BERT初代GPTBERT资料来源dbvis长江证券研究所BERT模型的架构和训练模式导致其上限不高也限制了谷歌后续在BERT模型基础上推出的升级模型简单而言BERT只采用了Encoder结构而Encoder适用于完形填空的训练模式所以BERT训练完成之后更适合文本理解关键词提取文本总结等任务而此类任务本身较为简单另一方面GPT采用了Decoder架构更适合搭配下一个词预测作为训练任务所以训练出的GPT模型更适合推理和文本生成等任务而这类任务的难度较高OpenAI直到迭代到ChatGPT才较好实现了这一功能图18一张图看懂BERTGPT的架构和训练模式的影响资料来源长江证券研究所在2018年至2019年这一段时间BERT大模型的受欢迎程度更高上文阐述了初代GPT系列的架构与训练模式导致其更适合推理性任务但由于推理型任务的要求较高所以推理型模型本身需要达到较高的性能才能真正实用化但初代GPT自身的参数量较小这一局限性导致了初代GPT和一年之后推出的GPT-2实用性较低直到ChatGPT发布才真正突破了这一瓶颈在另一方面BERT模型的架构和其训练模式使得其更加适合文本总结关键词提取等任务而这一类任务本身较为简单对模型的要求较低请阅读最后评级说明和重要声明1316行业研究专题报告所以BERT能够很好的胜任这一类任务因此BERT大模型推出时的受到的关注更多当时学术界和业界也推出了一系列BERT的调参模型和模型变体图19在BERT推出后科大讯飞实验室以BERT为原型推出了一系图20AI模型网站Huggingface上下载量最大前20的大模型调参应列大模型用BERT占了11个资料来源Github长江证券研究所资料来源Huggingface长江证券研究所请阅读最后评级说明和重要声明1416行业研究专题报告风险提示1AI技术发展不及预期本次大模型创新伴随参数量及模态的增速能力天花板尚未达到但模型效果本身仍存瓶颈及问题倘若AI技术发展不及预期投入厂商仍然存在失败风险2下游应用需求不及预期人工智能本质是通过供给创新催生需求扩容目前大模型仍处于商业模式摸索期倘若本轮技术变革无法真实带动下游需求投入厂商将受到影响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