没有合适的资源?快使用搜索试试~ 我知道了~
中金公司人工智能十年展望(五):从ChatGPT到通用智能,新长征上的新变化.pdf
5星 · 超过95%的资源 需积分: 32 17 下载量 41 浏览量
2023-02-26
18:41:26
上传
评论
收藏 2.58MB PDF 举报
温馨提示
试读
25页
【中金公司】人工智能十年展望(五):从ChatGPT到通用智能,新长征上的新变化.pdf
资源推荐
资源详情
资源评论
请仔细阅读在本报告尾部的重要法律声明
1
人工智能十年展望(五): 从 ChatGPT 到通
用智能,新长征上的新变化
赵丽萍 分析员
于钟海 分析员
魏鹳霏 联系人
SAC 执证编号:S0080516060004
SFC CE Ref:BEH709
liping.zhao@cicc.com.cn
SAC 执证编号:S0080518070011
SFC CE Ref:BOP246
zhonghai.yu@cicc.com.cn
SAC 执证编号:S0080121070252
SFC CE Ref:BSX734
guanfei.wei@cicc.com.cn
纵轴:相对值(%)
中金一级行业:科技
资料来源:Wind,彭博资讯,中金公司研究部
⚫ 软件及服务 | 人工智能十年展望(四):决策AI,企业数
字化转型底层驱动力 (2022.03.20)
⚫ 软件及服务 | 人工智能十年展望(三):AI视角下的自动
驾驶行业全解析 (2022.01.27)
⚫ 软件及服务 | 人工智能十年展望(二):边际成本决定竞
争力,算法龙头主导格局优化 (2021.08.22)
⚫ 软件及服务 | 人工智能十年展望(一):底层模拟人脑,
算力决定上限 (2021.07.13)
观点聚焦
投资建议
2012 年深度学习元年以来,AI进入学术和商业界发展新阶段,2017 年大
模型路线以“通用智能”思路降低算法边际成本,逐渐成为学界与产业共
识。2022 年下半年,AIGC及ChatGPT关注度大幅提升背后,我们认为其
本质是弱人工智能到强人工智能的阶跃,海外及国内商业落地处在初期,
但我们认为新的产业趋势值得关注。OpenAI的技术进展及投资方向、海外
AI独角兽业务进展、国内龙头AI公司的跨模态布局是重要风向标。
理由
技术层面,ChatGPT和AIGC的火爆本质依托于大模型的技术红利。从
2012 年的深度学习元年以来,各界产生了海量的数字化需求,大模型技术
路线是降低边际成本的核心,2017 年大模型(Transformer)路线逐渐成
为学术界与国内外巨头的发展共识。ChatGPT由GPT-3.5 大模型加入基于
人类反馈的强化学习训练而成,带来弱人工智能向通用智能的阶跃。
商业层面,以OpenAI投资方向为风向标,落地仍在探索期,跨模态打开场
景空间。对于AIGC领域,AI作画等跨模态应用是未来的发展趋势,全球范
围内AIGC独角兽已初步具备B端为主的变现能力,海外落地节奏显著快于
国内。ChatGPT推出后,海外已有早期合作案例,例如为BuzzFeed提供个
性化测试、为Amazon解决客户和工程师技术难题等。此外,以OpenAI前
沿投资方向为锚,我们认为文本到图片/视频的跨模态生成、垂直领域AI写
作、智能笔记、AI语言学习平台或为潜在落地方向。
展望未来,行业格局有望走向底层集中、垂类多点开花,MaaS是商业模
式演进的潜在方向。我们认为,ChatGPT为代表的模式背后,成本、算
力、场景、数据等多维度需求铸就高门槛,大模型路线下,未来行业格局
趋向集中,泛化通用大模型能力的厂商有望呈现多强格局;关键垂类仍可
能有场景、数据优势,精细调优后的垂类模型仍有差异化竞争潜力。展望
未来的商业模式,我们认为以海外Hugging Face为代表的Model-as-a-
Service是潜在方向,具备大模型基础的龙头有望成为AI开源基础设施提供
商、社区生态建设者。
风险
技术进展不及预期,行业竞争加剧,商业化落地节奏不及预期。
60
70
80
90
100
110
2022-02 2022-05 2022-08 2022-11 2023-01
沪深300 中金软件及服务
软件及服务
证券研究报告 2023.02.02
本中金公司研报由 lenggq@essence.com.cn 下载
请仔细阅读在本报告尾部的重要法律声明
2
目录
技术篇:ChatGPT 和 AIGC 持续升温背后,本质上是大模型的技术红利 ................................................................... 4
从 2012 年的深度学习元年开始,上一轮红利已经持续 10 年 ............................................................................... 4
大模型将 AI 从感知提升到理解的维度 ................................................................................................................... 5
ChatGPT:基于 GPT-3.5 版本的 InstructGPT,开放接口,风靡全球 .................................................................. 7
商业篇:以 OpenAI 投资方向为风向标,落地仍在探索期,跨模态打开场景空间......................................................11
AIGC:跨模态应用是未来发展趋势,落地尚在早期 ............................................................................................ 11
ChatGPT 应用场景广泛,海外已有龙头落地成功案例 ........................................................................................ 13
格局和展望篇:行业格局有望走向底层集中、垂类多点开花,MaaS 是商业模式演进的潜在方向 ............................ 18
算法边际成本是 AI 竞争核心焦点,碎片化需求使得成本居高不下 ...................................................................... 18
复刻 ChatGPT 为代表的模式较难,多维度需求铸就高门槛 ................................................................................ 19
风险 ............................................................................................................................................................................ 22
本中金公司研报由 lenggq@essence.com.cn 下载
请仔细阅读在本报告尾部的重要法律声明
3
图表
图表 1:AI 从引起业界广泛关注到目前不足 10 年 ....................................................................................................... 4
图表 2:目前 AI 模型的神经元总量与人类有差距大 ..................................................................................................... 5
图表 3:大规模预训练模型对于算力需求呈指数增长 ................................................................................................... 5
图表 4:模型的参数大小在不断提升,性能也在与时俱进 ............................................................................................ 6
图表 5:AI 的能力也在从感知向理解、推理、生成攀爬 ............................................................................................... 6
图表 6:蒸馏技术是类似于老师-学生传递知识的过程 .................................................................................................. 6
图表 7:GPT-3 衍生出 DALL·E 与 CLIP 模型 .............................................................................................................. 7
图表 8:Diffusion 模型原理示意图 ............................................................................................................................... 7
图表 9:Stable Diffusion 模型原理示意图 .................................................................................................................... 7
图表 10:ChatGPT 拥有智能问答、多轮对话的能力 ................................................................................................... 8
图表 11:InstructGPT 公开 API 后用户的使用功能和频率 ........................................................................................... 8
图表 12:InstructGPT 主要训练流程分为三步,搭建有监督 SFT 模型、强化学习模型 ............................................... 8
图表 13:AIGC 关键技术突破时间轴所示,GAN 带来生成模型雏形,GPT 等 NLP 大模型是通用智能的技术基础 .... 9
图表 14:AIGC 应用全景图一览.................................................................................................................................. 11
图表 15:DALL·E 2 通过文字添加图片元素 .............................................................................................................. 12
图表 16:DALL·E 2 通过文字输入生成图片结果示例................................................................................................. 12
图表 17:全球 AIGC 应用层企业梳理 ........................................................................................................................ 12
图表 18:国内 AIGC 应用层企业梳理 ........................................................................................................................ 13
图表 19:BuzzFeed 利用 ChatGPT 个性化 Quizzes 推送内容 .................................................................................. 14
图表 20:Descript 操作界面:使用脚本编辑录音,添加场景来排列视觉效果 ........................................................... 15
图表 21:Overdub:创建文本到语音的转换模型,或选择超逼真的库存语音 ............................................................ 15
图表 22:Mem 操作界面:利用人工智能技术实时整理笔记 ...................................................................................... 16
图表 23:Mem 主要功能:九大核心功能打造自动组织的笔记 ................................................................................... 16
图表 24:Speak:提供真正的交互式口语学习体验产品 ............................................................................................ 17
图表 25:最先进的 AI 语音技术:0.1s 延迟,95%准确率,100%实时 ..................................................................... 17
图表 26:AI 在执行环节、低级别决策环节具备替代人工的潜力 ................................................................................ 17
图表 27:ARK 测算:2030 年,AI 软硬件公司年收入总和有望达 15.7 万亿美元 ...................................................... 17
图表 28:弱人工智能阶段长尾场景种类繁多导致项目碎片化 .................................................................................... 18
图表 29:AutoML 在数据、模型和优化三个环节减少对深度学习专家的依赖 ............................................................ 19
图表 30:Midjourney 生成图像用户反馈界面 ............................................................................................................. 20
图表 31:Meta 发布的语言模型 GALACTICA 上线仅两天就因输出结果有偏误而光速下架 ....................................... 20
图表 32:我们预测的未来格局 ................................................................................................................................... 21
图表 33:InstructGPT 论文显示:经过知识调优后的小参数模型效果远超未调优的大模型 ....................................... 21
图表 34:Hugging Face 商业模式 .............................................................................................................................. 21
图表 35:商汤建立了包括底层基础设施、AI 软件平台及应用层平台的 AI 生态系统 .................................................. 22
本中金公司研报由 lenggq@essence.com.cn 下载
请仔细阅读在本报告尾部的重要法律声明
4
技术篇:ChatGPT 和 AIGC 持续升温背后,本质上是大
模型的技术红利
ChatGPT 和 AIGC 持续升温的本质是背后的 AI 大模型进入新范式。ChatGPT 是基于 GPT-
3.5 的 IntructGPT,基于人类反馈的强化学习(RLHF)训练的语言类大模型。本文梳理了
ChatGPT 背后的技术演进与应用落地节奏,并对未来 AI 行业的格局加以展望。
从 2012 年的深度学习元年开始,上一轮红利已经持续 10 年
2012 年是深度学习元年,以 Hinton 团队在 ImageNet 大赛中引入深度学习算法为重要节点。
Hinton 带领的团队在 ImageNet 挑战赛中,通过构建深度神经网络 AlexNet 成功将图片识别错
误率降低了 10.8pcts,以大幅超越第二名的成绩夺冠,证明了深度学习的发展潜力,开始被业
界和资本关注。
全社会的数字化是人工智能的重要目标,同时也意味着大量的建模需求。随着数字信息世界、
物理世界融合,产生的数据量是以前的成千上万倍,监控和管理这些信息牵制了大量人力,未
来需要大量的 AI 模型来处理这些信息。而大量的模型需求需要较高的 AI 模型生产效率、较低
的算法边际成本。
图表 1:AI 从引起业界广泛关注到目前不足 10 年
资料来源:量子位,Omdia,中金公司研究部
早年业界一度认为小模型、小算力是方向。此前的共识是通过精妙的算法和更高的模型精度,
减少对算力的需求,但行业落地实践证明其短板明显:
► 精妙模型路线导致重复研发,无法让 AI 赋能千行百业。在 AI 公司进入大量新场景时,对
每个场景都重复研发大大增加了边际成本。
► 精妙模型路线无法解决长尾场景,完善 AI 商业化价值闭环。以份额占人工智能行业近一
半份额的智慧城市为例,其中的长尾场景如防火防灾、电梯事故、垃圾乱扔由于研发难度
高,大部分 AI 公司难以低成本解决,严重影响到客户对整套解决方案买单的意愿。
商业落地
业界关注
学术突破
◼ 2014年,实验室环境下AI人脸识别准确率超过人眼。
◼ 2015年,卷积神经网络在ImageNet数据集上的性能超过人类。
◼ 2019年,国内AI摄像头出货量渗透率达到10%。
◼ 2012年,Hinton团队在ImageNet图像分类竞赛中大幅超越第二名夺冠。
◼ 2014年,Google耗资4亿英镑收购12人的AI团队DeepMind。
◼ 2016年,AlphaGo以4:1和3:0大比分战胜李世石和柯洁。
◼ 2006年,Hinton教授利用“贪婪逐层预训练”的方法缓解了“梯度消失”的问题,首次
将人工神经网络隐含层推动到了5层,让神经网络真正具备“深度”。
本中金公司研报由 lenggq@essence.com.cn 下载
请仔细阅读在本报告尾部的重要法律声明
5
图表 2:目前 AI 模型的神经元总量与人类有差距大
资料来源:阿里云《中国企业 2020:人工智能应用实践与趋势》(2019 年),中金公司研究部
技术演进视角,大模型是实现通用 AI 的重要方向。虽然距离完全达到人类智能水平的 AI,还
有很长一段路要走。但近几年在长尾场景等问题导致了对更通用的人工智能的刚需,在国内外
巨头纷纷投入大量资源攻克通用人工智能难题的推动下,通用的语言模型、视觉模型甚至多模
态模型也开始逐渐取得突破。2020 年 OpenAI 推出 1750 亿参数的 GPT-3 大模型是行业重要
里程碑,为后续大模型迭代、加入人为干预,以及 AIGC、ChatGPT 的推出打下技术基础。
图表 3:大规模预训练模型对于算力需求呈指数增长
资料来源:英伟达官网,中金公司研究部
大模型将 AI 从感知提升到理解的维度
过去的深度学习在 CV(计算机视觉)领域大放光彩,但本质上还是更多的解决感知问题。
CNN(卷积神经网络)已经能够较好的解决常规的人脸识别、物体识别问题,但在 NLP(自
然语言处理)领域,对于物体、概念的抽象理解、语义的识别和理解,乃至推理和逻辑仍然是
巨大的挑战。Transformer 算法(大模型路线)在 NLP 领域成果卓越,催化 NLP 的能力从简
单的感知,向深层次的理解乃至推理不断发展。
10^1 10^2 10^3 10^4 10^5 10^6 10^7 10^8 10^9 10^10 10^11 10^12
10^4
10^3
10^2
10^1
1950
1985
2000
2015
人类
神经元连接数量
神经元数量
本中金公司研报由 lenggq@essence.com.cn 下载
剩余24页未读,继续阅读
资源评论
- 袁袁袁袁满2023-03-09#完美解决问题 #运行顺畅 #内容详尽 #全网独家 #注释完整
- YOLO数据集工作室2023-07-12#完美解决问题 #运行顺畅 #内容详尽 #全网独家 #注释完整
Matlab仿真实验室
- 粉丝: 2w+
- 资源: 2179
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功