请务必阅读报告附注中的风险提示和免责声明
2
核心提要
本篇报告主要解答了以下问题：AI、AIGC当下发展处于什么阶段？未来将呈现怎样的趋势？AIGC的核心生产要素是什么？各生产要素的发展趋势如何？NLP、
CV、ASR、TTS算法及发展？Chat GPT为何“火爆出圈”？AIGC包括什么？已有哪些产品？应用现状及前景如何?有哪些企业进行了布局？商业模式如何？
◆ 行业发展：人工智能步入新发展阶段，逐步迈向AGI；AIGC拥抱人类，创造人机交互新变革，将迎来更多新机遇。人工智能从理论发展分为四个阶段：规则导
向、机器学习、深度学习、自主学习阶段，目前处于深度学习阶段；从应用成熟度可分为三个阶段：弱人工智能阶段（ANI）、强人工智能阶段（AGI ）、超人
工智能阶段（ASI），目前处于ANI阶段；从应用类型可分为四种：感知式AI与分析式AI应用较成熟，决策式AI近年来发展迅速，生成式AI迎来突破。生成式AI，
即AIGC，较传统内容创作模式UGC 、PGC可实现更大数量、更高质量、更低单位成本，未来将从辅助创作生成趋向高度自动化自主创造。此外，AIGC将赋
能多领域，加速人机共生的建设，迎接更多机遇与挑战。
◆ 技术进步：算力是支撑，数据是瓶颈，算法迎来突破。算力层，近年来大模型流行，模型参数量迅速膨胀，所需计算资源越来越大，算力是AIGC核心生产要素；
而AI芯片全球短缺，美对华芯片制裁升级，我们认为国内短期算力充足，长期仍需要逐步实现AI芯片国产化替代。数据是机器学习的核心，AI发展的瓶颈,数据
决定模型质量的上限；大模型训练需要海量且优质数据，AI对数据训练集的消耗量远大于人类数据生产的速度，专业领域、图像视频等数据获取和标注成本也将
越来越高，我们认为加速商业化，实现数据反哺是对提高数据量、降成本的重要解决办法。算法层，近年来迎来不少突破，过去NLP领域以RNN及其变体为主，
CV领域以CNN及其变体为主，但各有优劣，Transformer架构突破了RNN不能并行计算的限制，较CNN有更好的计算局部特征间的关联等，自2017年开始
在NL P领域应用、变种升级，Transformer在多模态的发展和应用将让AI越来越多的向人类推理方式靠近，以实现AGI。AIGC包括文本/音频/图像/视频/代码
/3D/数字人/ 跨膜态生成等，目前文本、音频和图像领域都迎来较大突破，图像生成的突破是Di fussion的出现，文本生成的突破则是GPT的出现，AIGC基本采
用GAN算法，算法及产品越来越丰富多元，AI因AIGC的蓬勃发展，已开启技术与应用的新篇章。
◆ 应用概览：技术突破实现应用创新。AI小模型是过去主流的研究和应用方向，在B端部分行业、赛道已有不少企业布局，预计未来仍将依托其细分行业、细分赛
道的先发优势和数据、项目实施经验、产品优势等壁垒仍将有较好的发展。但大模型尚未实现商业价值闭环，未来需要重点关注数据、算法层面的突破与变革，
探索新的商业模式，目前已在影视、传媒、电商、C端娱乐规模应用，游戏领域逐步应用，金融、工业、医疗、法律、设计等专业领域还在持续拓展。
◆ 产业布局：科技巨头全面布局，中下游厂商百花齐放。国外主要以微软、谷歌、Meta为主，国内以百度、腾讯、阿里、华为等为主，既拥有充足的算力支撑，
又有优秀的人才团队，多年算法、数据积累，在大模型领域的发展及应用具备天然优势。上游除云厂商外，还有光通信厂商、数据服务商、算力相关设备厂商，
将较大程度受益于大模型发展带来的更多计算资源和数据需求。中游有商汤、科大讯飞、旷视、拓尔思等企业多年细分领域布局，部分也有一定算力储备，垂直
行业细分赛道深耕，相关技术、数据储备丰富。下游主要是受益于AIGC对业务的驱动、降本增效，空间较大，多行业公司均将逐步受益。
◆
商业模式：商业化初启，期待产业生态、技术与产品发展完善。小模型在B端已应用多年，大模型商业刚刚开始，主要是MaaS，包括大模型厂商自用，实现增
量或降本增效；云厂商“MaaS+IaaS”打包输出；替代翻译、美工、原画师、程序员、分析师、设计师等繁琐重复的低端工作等。大模型商业价值闭环未成，
国内SaaS生态、付费意识较差，商业落地还需要各行各业共同发展、相互奔赴，共建良好产业生态。
◆ 风险提示：人工智能发展不及预期，AIGC发展不及预期；技术发展不及预期；商业化拓展不及预期；行业竞争加剧风险；中美科技竞争不确定性风险。
