应用中添加ChatGPT等生成式AI将成为行业发展的关键点。1）目前随着OpenAI推出的ChatGPT 3.5以及4.0的应用，大大促进了AIGC行业的发展，我国国内各公司也开始争相设计与发布属于自己的生成式AI大模型，未来在AIGC时代下，各类产品应用中添加ChatGPT等生成式AI将成为行业发展的关键点。2）目前生成式AI的训练原理，以ChatGPT为例，假设我们的输入提示为Prompt（假设为“我爱你，我的祖国”，则这段文字首先会被转化成一系列Token，然后Token再被送入大语言模型（神经网络模型）中，得到输出Token，输出Token再重新被映射成文字，最终完成输入文字和输出文字对应的结果。
　　行业知识学习具有3种常见方法。1）Fine-tuning微调适合数据集较小的情况。微调（finetune）是深度学习领域一个很常用的操作，就是模型的再次训练。是指在预先训练好的模型基础之上使用特定的数据集进行微调。可以将新的数据集加入到预先训练好的模型中，用新的数据集重新训练模型，以提高模型在特定任务上的表现。通过finetune可以小幅度改变大模型的参数，使大模型聚焦于特定场景的知识（即私有数据知识）。2）retrieve-then-generate先嵌入Embeddings搜索-再Pormpt+数据+问题输入ChatGPT生成。简版工作流：chunk -> index ->retrieve搜索-> construct input -> LLM生成。3）基于检索的提示补充来增强结果准确性。GPT系列的大语言模型都有一个共同的原理，是基于上下文学习（Context Learning）能力进行训练和结果生成。因为历史的数据表示，我“疼”了就会“生病”，所以模型通过数据抽象总结出了这个因果关系，并根据“脚疼”推理出“生病”。当数据足够多、足够丰富，模型能够预测的结果也就越丰富，越随机。上下文学习中输入被称为提示（Prompt），提示越准确、包含的信息越多，模型所能准确推理出更准确的结果。4）ChatGPT+向量数据库+提示打破知识库有限的限制。由于其知识库有限而受到限制，有时当被问及不熟悉的话题时，会产生幻觉的答案。引入新的AI堆栈，ChatGPT+向量数据库+提示即代码，或CVP堆栈，以克服这个约束。ChatGPT非常擅长回答自然语言查询，当与链接用户的查询和检索到的文本的提示符相结合时，ChatGPT将生成一个相关的和准确的响应。这种方法可以减轻ChatGPT提供的“幻觉答案”。
　　投资建议：AI+应用：明确提出私有数据应用：推荐：福昕软件、捷安高科、金山办公，建议关注：万兴科技；向量数据库：建议关注：星环科技、拓尔思。
　　风险提示：AI技术发展不及预期；应用端需求不及预期。