2
主要观点
我们AIGC系列专题《“大模型+小样本”快速适配下游场景，“AI+传媒”的效力取决于适配与迭代》将“AI+传媒”的研究框架
定义为“通用大模型”+“行业小样本”的技术架构。“AI+传媒”在应用层表现效力优劣的关键取决于通用大模型对垂直应用
的适配程度及迭代速度，更进一步理解：
1、 “行业小样本”的数据集来自小模型或应用及内容： AI产业链包括上层大模型、中层小模型、下层应用及内容，包括应用
及内容直接接入大模型或通过小模型接入大模型两种方式，即“大模型+应用及内容”或“大模型+小模型+应用或内容”，其中
具备特定功能的AIGC软件产品我们理解为“小模型”+“应用”的技术范式，本身具备较高质量的AI能力，若接入匹配的多模态
大模型，有望实现能力上的质变突破。
2、“行业小样本”的结合方式包括“能力调用”及“能力训练”两层：
（1）“能力调用”是指下游垂类场景直接调用通用大模型的通用能力，并基于垂类场景内产生的特性化数据不断提升调用能
力在垂类场景内的适配程度。我们认为现阶段下游应用及内容主要采取此类方式接入大模型能力，此类方式可高效快速调用大
模型先进能力，在时间上及成本上具备优势。
（2）“能力训练”是指下游垂类场景将通用大模型针对特性化数据集进行再训练，从而形成垂类场景专属大模型。例如彭博
社利用自身丰富的金融数据源，基于开源的GPT-3框架再训练，开发出了金融专属大模型BloombergGPT。我们认为未来拥有
丰富特性化数据集的下游垂类场景将主要采取此类方式，有助于构筑更强的能力壁垒。
围绕我们对“AI+传媒”的研究框架体系，我们后续分别针对“技术层”及“产品/应用层”梳理AIGC研究版图，本篇属于AIGC
系列专题中“GPT系列专题之一”，重点梳理ChatGPT基础认知。
风险提示：宏观经济风险，地缘政治风险；技术发展不及预期；AIGC行业发展不及预期。
