前瞻研究海外专题

从海外视角看人工智能如何重构软件行业

刘锐中信证券研究部前瞻研究分析师2023年6月1日

每日免费获取报告

1、每日微信群内分享7+最新重磅报告；

2、每日分享当日华尔街日报、金融时报；

3、每周分享经济学人

4、行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。

扫一扫二维码
关注公号
回复：研究报告
加入“起点财经” 微信群。。

 回顾近十年的人工智能模型发展，我们发现AI技术提供商数量稀少且进入门槛不断提高。2017年起，人工智能研究从小模型转向大语言模型，导致模型体量成倍增加，需要更多GPU算力和配套设施投入，大量的前期资本投入以及过长的回报周期阻碍了许多新进入者。

 大模型时代，模型体积几何式增长导致前期投入过高，成功者往往依赖科技巨头的资金、数据等支持。在过去五年内，我们看到成功的人工智能独角兽都在寻找互联网科技大厂作为其背后的依靠，主要因为：1）能够得到充足而短时间内不求产出的资金支持；2）依靠互联网大厂的公有云等相关资源进一步降低成本；3)获取互联网大厂长期以来所积累的优质数据源。

从2018年到2022年，人工智能模型体积增长了500倍

目前成功的人工智能独角兽都离不开互联网大厂的资金支持

资料来源：LESSWRONG,中信证券研究部

None yet?

资料来源：LESSWRONG

 大模型研发的高门槛让头部少数AI厂商占据主导权，并开始从技术研发向商业化落地迈进。从Bert开始到GPT-3再到谷歌的PALM，人工智能技术的发展潮流始终由OpenAI、谷歌等少数几家巨头主导，其他厂商根据先行者的开源资料以及相关论文进行模仿并创新。但从OpenAI发布GPT-3走向商业化盈利开始，谷歌也迅速效仿，不再公布T5模型及后续版本的细节。头部的AI厂商希望将自身的技术优势构筑为商业化能力的核心壁垒，以延长后来者的追赶时间。

 人工智能头部厂商从开源走向闭源，利用其综合优势来保持持续的领先。谷歌与OpenAI作为行业内的技术领先者已经明确选择了闭源模式：本次OpenAI推出GPT-4的形式与以往不同，OpenAI既没有发布GPT-4的相关论文，也没有提供详细的框架说明，仅仅提供了一份98页的技术文档（主要描述模型能力以及相关评测的得分，几乎没有任何技术细节）。通过这一方式，OpenAI阻断了所有借鉴者参考的直接途径（模型大小、数据集构建、训练方法等），迫使想要融入GPT-4能力的软件服务商与其合作，OpenAI提供对应的API接口以及部署指导。

谷歌+微软在2022年发布了约60%的大语言模型相关学术论文

资料来源：NeurIPS，中信证券研究部

从GPT-3开始，谷歌与OpenAI的主要模型都不再公开访问

	LaMDA	Sparrow	PaLM-E	GPT系列模型
组织	Google	DeepMind	谷歌	OpenAl
能否公开访问	否	否	否	有限
参数量	1370亿	700亿	5620亿	1700亿及以上
预训练语料库大小（词数）	2.81T	1.4T	7800亿Token	GPT-3近5000亿 Token
模态	文字	文字	多模态	GPT-4具备多模态
训练硬件	1024块TPUv3	基于TPUv3/v4	6144块TPUv4	预计GPT-4使用千余块英伟达A100
产品化进度	BARD机器人	NA	NA	Microsoft 365 Copilot Microsoft Azure Microsoft Bing

资料来源：谷歌、微软、OpenAI官方技术博客，中信证券研究部

 相较于头部AI厂商，追赶者更倾向于通过培养开源社区，共同迭代模型以缩小和头部厂商的差距。头部厂商闭源模型后，落后一到两个身位的公司（Meta、Amazon、NVIDIA等）可能会选择开源路线，寄希望通过社区的力量加速迭代。目前大语言模型开源社区的主要贡献者包括Meta、NVIDIA以及Huggingface等，通过分享部分模型与大语言模型相关的知识培训逐渐培养起了一批开源开发者。Meta于2023年3月发布了其新一代大语言模型LLaMA并将源代码开源给社区。社区用户及企业可以免费使用公开的模型以及数据源，但受证书限制不能用作商业用途。

当前主流的开源大语言模型项目及其基础模型

名称	基础模型	训练方法/数据集
Alpaca	LLaMA	Alpaca
ChatMLG	GLM	自定义数据集（1T)
Dolly	GPT-J 6B	Alpaca
Belle	Bloom	Alpaca+自定义数据（2M)
OpenChatKit	GPT-NEO	OIG-43M
FastChat	LLaMA	shareGPT(70K)
gpt4all	LLaMA	GPT-3.5生成的800k数据集

资料来源：Github，中信证券研究部

在见证了ChatGPT的成功后，拥抱AI能力成为了软件服务商的普遍共识。Gartner预计到2025年，生成式人工智能将占所有生成数据的10%。由于底层大语言模型的高门槛，只有部分科技巨头有能力完全自研底层模型。而绝大多数软件服务商需要在成为闭源头部厂商的合作伙伴与使用自有数据在开源项目的基础上开发之间做二选一的抉择。

部分软件提供商结合AI能力的尝试

基础能力	工具	特征
图像生成-市场、设计、生产	Artbreeder	生成图像，可选择主体的年龄、性别
	Craiyon	文本到图片转换
	DALL-E	创建、编辑图像，并提供商业权利来创造内容
	NightCafe	生产具有不同风格和分辨率选项的艺术图
	starryai	创建具有不同风格、长宽比等选项的艺术品，并对制作的内容拥有完全的所有权
	Colormind	如果需要，允许根据电影场景、艺术品或其他图像创建调色板
	Designsai	生成标识和横幅，提供设计模板，并能将生成的项目导出为不同的格式
Fronty Al	创建与移动设备和SEO需求兼容的网站
Khroma Uizard	允许培训个性化的算法来创建真正的调色板
	根据草图创建移动应用程序、网站或登陆页面的设计
视频生成-市场	Elai	允许将博客文章转换为视频；提供>25个头像，为客户制作个性化的头像
	Flexclip	支持视频创作，提供视频编辑工具，如添加转场、过滤器或删除背景等
	Lumen5	提供模板，以创建基于演示文稿或在线会议记录的视频
	Synthesia	实现文本到视频的转换；提供>70个头像；提供>65种语言的服务
	Veed.io	视频生成和编辑，添加字幕，去除背景噪音，调整视频大小

资料来源：各公司官网，中信证券研究部

人工智能重构软件产业中间层：从小作坊式发展走向工业化道路

资料来源：a16z，中信证券研究部绘制

 与开源方案相比，闭源大厂技术更为领先：目前开源项目的准确度仍不及2021年发布的前代模型GPT-3.5与PaLM。软件提供商与闭源大厂成为合作伙伴会得到更加可靠的模型支持。对于数据存量较大且存储种类较为复杂的行业来说，闭源厂商的模型更能保证在大规模应用场景下的稳定性。以2023年3月Meta开源的LLaMA为例，最大参数量65B的LLaMA模型在准确率上与2021年谷歌闭源发布的PaLM模型差距明显。

Meta开源的LLaMA模型效果好于GPT-3但与更大参数量的PaLM差距明显

		Humanities	STEM	Social Sciences	Other	Average
GPT-NeoX GPT-3	20B	29.8	34.9	33.7	37.7	33.6
	175B	40.8	36.7	50.4	48.8	43.9
	280B	56.2	47.4	71.9	66.1	60.0
Gopher Chinchilla	70B	63.6	54.9	79.3	73.9	67.5
PaLM	8B	25.6	23.8	24.1	27.8	25.4
	62B	59.5	41.9	62.7	55.8	53.7
	540B	77.0	55.6	81.0	69.6	69.3
LLaMA	7B	34.0	30.5	38.3	38.1	35.1
	13B	45.0	35.8	53.8	53.3	46.9
	33B	55.8	46.0	66.7	63.4	57.8
	65B	61.8	51.7	72.9	67.4	63.4

资料来源：: Open and Efficient Foundation Language Models》（Hugo Touvron, Thibaut Lavril, Gautier Izacard等）

 闭源大厂为软件服务商封装中间技术细节，简化训练、部署等环节，降低软件厂商技术难度，并提升接入、开发效率。大多数企业和个人难以承担部署和运维成本，也不具备通过汇编语言对底层CUDA加速框架进行优化以降低推理成本的能力和经验。针对上述问题，闭源大厂可以通过云服务平台将复杂的技术问题进行封装，使软件服务商直接使用AI模型并根据自身业务对模型进行微调。此外，闭源模型会直接提供一步到位的API端口，软件服务商直接将API接入到软件中就可以使用。

 与闭源大厂合作的潜在顾虑：昂贵的成本、用户隐私&数据安全等。在与软件服务商的合作方案上，OpenAI按照使用量来收费。对于数据密集型行业来说，每1GB数据的处理需要花费超过8000美元。此外，另一个顾虑在于数据源并不掌握在企业自身手中，对于数据隐私程度较高的场景，目前相关的数据隐私与安全监管仍然不完善。

闭源大厂会提供标准化的API key以便用户接入

资料来源：OpenAI官网

对于大型企业客户，OpenAI根据规模（Scale）收费

资料来源：OpenAI官网

 基于开源方案自建大语言模型使资金投入更加灵活与可控。目前开源社区中基于LLaMA、Alpaca、Bloom等的开源项目都是免费提供。尽管限制商业化用途，但企业可以通过提取权重的方式进行规避。根据自身的数据规模以及相关业务对于准确度的要求，企业可以灵活控制对硬件采购的投入以及相关训练成本的支出。与此同时，市场也出现了诸如Colossal-AI等开源解决方案，致力于优化底层推理和训练的效率。

 开源方案可将数据留在本地，最大限度地保护用户隐私和数据安全。对于数据安全至关重要的行业，确保数据隐私是选择基于开源方案自建的最大理由。2023年4月，意大利就因为担忧数据隐私与保护监管的制度不完善禁止企业使用ChatGPT，三星亦因担心内部资料泄露问题限制了部分部门对ChatGPT的访问。尽管目前相关限制并未涉及API和模型实例的使用，但基于数据隐私的考虑，基于开源方案自建是企业的最优选择。

根据企业自有数据量的不同灵活选择需要的硬件数量

参数数量（亿）	注意头	隐藏层	张量模型-并行大层数	管道模型-并行大小小	GPU数量	批量大小	Achieved teraFlOP/s per GPU	理论峰值FLOP/s 的百分比	实现聚合petaFLOP/s
参数数量（亿）	注意头	隐藏层	张量模型-并行大层数	管道模型-并行大小小	GPU数量	批量大小	Achieved teraFlOP/s per GPU	理论峰值FLOP/s 的百分比	实现聚合petaFLOP/s
1.7	24	2304	24	1	1	32	512	137	44%	4.4
3.6	32	3072	30	2	1	64	512	138	44%	8.8
7.5	32	4096	36	4	1	128	512	142	46%	18.2
18.4	48	6144	40	8	1	256	1024	135	43%	34.6
39.1	16364	8192	48	8	2	512	1536	138	44%	70.8
76.1	80	10240	60	8	4	1024	1792	140	45%	143.8
145.6 310.1	96	12288	80	8	8	1536	2304	148	47%	227.1
529.6	128 128	16384 20480	96	8	16	1920	2160	155	50%	297.4
1008.0	160	25600	105 128	8	35	2520 3072	2520 3072	163	52% 52%	410.2 502
				8	64			163

资料来源：a16z，中信证券研究部

 开源方案的潜在问题：社区不成熟，模型迭代速度慢，与闭源模型技术能力存在明显差距。目前大语言模型开源社区主要的推动者包括Meta、Huggingface、NVIDIA等，但如Meta只开源了部分模型以及语料数据。且受限于大语言模型的高门槛，开源社区的活跃用户无法与其他小模型相比。在这种情况下，短时间内我们很难看到开源模型通过社区迭代发生能力上的飞跃。开源社区仍然需要头部大厂花费更多精力与资源对开发者进行培训与课程教育。

Huggingface是大语言模型最大的开源项目之一，但也只拥有1万用户

Hugging Face 8 1.2 fllowes Ny +Paris tps:/hugsinfcec/ Verified

Pinned

transformers Public

Python☆ 94.6k

datasets Public

People

diffusers Public

accelerate Public

Top languages

OPython OJupyter Notebook

optimum Public

Accelerate training and inference ofTransformers andDiffusers

Most used topics

资料来源：Github

deen-learninn transformers

BloombergGPT采用数据集

Dataset	Docs 1e4	C/D	Chars 1e8	C/T	Toks 1e8	T%
FINPILE	175,886	1,017	17,883	4.92	3,635	51.27%
Web	158,250	933	14,768	4.96	2,978	42.01%
News	10,040	1,665	1,672	4.44	376	5.31%
Filings	3,335	2,340	780	5.39	145	2.04%
Press	1,265	3,443	435	5.06	86	1.21%
Bloomberg	2,996	758	227	4.60	49	0.70%
PUBLIC	50,744	3,314	16,818	4.87	3.454	48.73%

资料来源：LESSWRONG，中信证券研究部

Microsoft Copilot产品逻辑

 对于拥有海量经授权的垂类数据、充裕现金流以及直接落地场景的软件大厂适合基于开源模型进行AI能力的构建。比如Bloomberg基于BLOOM（GPT-3变种）的纯解码器因果语言模型构建了BloombergGPT，其训练数据集为超过7000亿个标签数据的大型训练语料库，金融数据集包含3630亿个标签，占据54.2%的训练集。海量的垂类经授权语料、直接落地场景以及人才、资源的稳定支持使Bloomberg基于开源模型训练AI能力具有充分的价值。类似的，我们认为生命科学CRM&研发管理领域的Veeva亦有能力基于经授权的垂类语料赋能医疗CRM、药物研发流程管理环节。

不满足以上三项条件的厂商，直接接入闭源模型应为理论上最优的解决方案。对于Salesforce、Workday等平台型应用软件厂商，尽管具备充裕的资源和落地场景，但其平台上的数据集多为用户私有数据，无法投入模型训练。因此，参照Microsoft Copilot产品实现逻辑，通过用户私有数据增强prompt后，导入微调闭源模型进行推理，进而实现内容生成、流程&命令自动化等效果应为这类厂商实现AI能力的主要方式。

资料来源：微软公司公告

 我们主要从产品体系、客户结构、数据沉淀、生态构建等维度来衡量应用软件领域的受益&受损逻辑。

产品体系：大语言模型对应用软件的强化主要体现在两个方面

单点功能的增强：比如在销售环节自动进行线索整理、生成销售策略，在营销环节自动生成营销文本、个性化广告投放，在客服环节自动生成或扩展客户问题回复等；我们认为客户会率先向更容易落地、实现ROI转化的领域进行预算投放，包括客服、营销、辅助内容创意等领域。

增强各项功能的协同效果：交互界面进一步上移，比如用户可以通过一条指令实现销售线索归集整理、营销内容生成及个性化投放的全流程，而这在过去需要在不同的产品页面中完成。显然产品体系更全面、丰富的平台型厂商更容易实现这一效果，而单纯单点功能的强化将具有较强的同质性，平台型厂商的优势有望在大模型赋能下进一步增强。

生成式AI影响市场营销各个环节，促进转化率提升

资料来源：中信证券研究部绘制

Salesforce Einstein GPT 核心应用场景

名称	功能
Einstein GPT for Service	1）自动邀请客户进入其他协作渠道；2）自动生成个性化的客服聊天回复；3) 在客户对话期间自动生成摘要，提高录入案例的准确性和完成度；4）根据以往客户的聊天对话创建知识库文章，可以向其他客服和客户开放以解决客户问题
Einstein GPT for Sales	1）自动生成电子邮件，安排会议；2）为前期客户调研提供外部资料；3）添加尚未在Salesforce系统中的联系人；4）自动邀请客户进入其他协作渠道
Einstein GPT for Marketing	营销人员可以利用GPT动态生成个性化内容，通过电子邮件、移动设备、Web、广告等形式吸引客户和潜在客户
Einstein GPT Commerce	for1）将客户数据转化为可操作的销售见解；2）个性化的顾客体验，一对一的产品推荐；3）使用客户数据提供更有针对性的产品分类
Einstein GPT for Develops	Einstein GPT通过使用AI聊天助手生成代码并针对Apex等语言提出问题，利用 Salesforce Research专有的大型语言模型提高开发人员的工作效率
Einstein GPT for Slack	基于Slack平台集成了ChatGPT强大的生成人工智能技术，可提供：1）直接在 Slack中编写帮助；2）研究工具，即Slack中基于AI的客户洞察，例如销售智能摘要和客户背景研究；3）即时对话摘要

资料来源：Salesforce官网，中信证券研究部

客户结构：

在过去的应用软件市场，大型企业客户的需求往往更为复杂，SMB客户更为倾向于接受功能相对简单但使用门槛较低的方案，因此面向两种客户的产品往往是割裂的。

但伴随着大语言模型的渗透，复杂的功能和配置项可以依赖自然语言的交互进行实现，增加了企业级产品向SMB客户下沉的可能性，而此前针对SMB用户的产品则有可能遭受降维打击。

美股主要应用软件SaaS公司平均ACV水平（千美元）

资料来源：彭博，中信证券研究部

全球CRM市场份额（2022）

资料来源：Gartner，中信证券研究部

全球ERP市场份额（2022）

资料来源：Gartner，中信证券研究部

数据沉淀：

海量经授权的垂类数据、充裕现金流以及直接落地场景的软件大厂适合基于开源模型构建AI能力，但对大部分厂商而言调用第三方闭源模型仍为理论上最优的解决方案。底层模型同质化背景下，数据独特性是实现差异化的核心手段。

考虑到客户数据的隐私性和安全性至关重要，参照Microsoft Copilot产品实现逻辑，通过用户私有数据增强prompt后，导入微调闭源模型进行推理。同时，厂商可以通过各个客户的用户反馈数据持续训练个性化小模型，进一步优化大模型的生成效果，降低“幻觉”问题的出现概率，不断优化用户的使用体验。

在这一逻辑下，预计拥有海量数据&流程沉淀的平台型软件厂商亦将充分受益，而仅在工具层面实现浅层次整合的厂商将不具备显著产品壁垒。

Salesforce上层应用相关数据将在底层数据层持续沉淀

资料来源：Salesforce官网

Adobe提供的实时客户数据平台（CDP）

资料来源：Adobe官网

生态构建：

其一是降低了ISV（独立软件开发商）和SI（系统集成商）的开发和部署难度。

其二是在进一步丰富平台应用的同时大幅降低了应用调用门槛，进而激发ISV的开发热情，从而形成自我强化的飞轮效应，提升应用平台的粘性。

具备成熟的底层应用开发平台和较为完善的开发者生态的平台型厂商更为受益。

资料来源：Salesforce官网

低代码开发的基本原则

原则	内容
快速交付	模块化、可重复使用的预构建的功能组件消除了复杂性以及重新构建的需要
协作开发	允许各种利益相关者共同努力，以快速提供最佳的应用程序和体验。经验不足的构建者可以利用专业开发人员构建的功能，从而实现更快、更敏捷的开
可规模化	发过程使开发者能够快速构建端到端的简单或复杂的企业应用
可治理	无代码的开发可能会导致影子IT的出现；而低代码治理通过策略和技术来限制和管理应用程序的增长，并限制数据重复、不一致和不安全
战略匹配	应用程序开发必须与路线图目标保持一致，建立并监控与业务价值一致的成
技术标准	功衡量标准，建立批准应用程序开发活动的标准，并监督预算和资源分配低代码开发计划必须建立技术标准和最佳实践，定义开发流程，建立测试和
用户体验	部署的权限和指南，并定义技术培训要求低代码开发必须始终如一地创造积极的用户体验，这促进了生产力的提高
可集成	平台必须能够在不需要专门的集成工具的情况下集成任何数据或系统，预先
安全性	构建的端到端集成解决方案可缩短实现价值的时间低代码只有在它可以产生安全的应用程序时才有效

资料来源：Gartner，中信证券研究部

基础软件：AI显著降低产品使用门槛，数据管理最为受益，安全、运维等亦将受益

 大模型的训练、部署以及稳定&安全运行仍然需要数据管理、性能监控、信息安全等系列产品的配合和支持。在软件开发环节，大语言模型有望凭借对代码的生成和理解能力实现产品和产业链价值的重构；在其他的基础软件环节，大模型也有望降低从业人员门槛，拓宽产品覆盖面和变现方式。以下，我们将对数据管理、性能监控、信息安全、软件开发等细分市场展开具体分析。

 数据管理：模型预训练阶段需要大规模、多类别、高质量的训练数据，模型调优阶段垂类小数据集、提示词工程同样重要。

过去由于存储技术、资源和数据库技术的限制，非结构化数据无法有效保存和调用。但存储技术和云计算的发展使企业拥有充足、可扩展的存储资源和方法。

机器学习、自然语言处理、图像识别等人工智能技术也增加了对海量非结构化数据的需求。

由此，能够实现海量数据存储、管理、治理的数据湖，实现批量数据的清洗、预处理、特征工程的Nosql数据库&数据仓库，实现实时数据的集成、高并发查询&处理的流数据引擎等数据管理市场都将受益于AI的高速发展。

数据对AI模型的促进作用

资料来源：Medium

数据对AI产品提升的促进作用

资料来源：Medium

基础软件：AI显著降低产品使用门槛，数据管理最为受益，安全、运维等亦将受益

2020年全球数据流量比例（按应用类型）

社交短视频
订阅模式的流媒体
广告模式的流媒体
游戏
音乐
VR
社交媒体
通信
其他数据

资料来源：IDC,中信证券研究部

非结构化数据占比（单位：%）

资料来源：IDC,中信证券研究部

全球分析型数据管理和集成市场规模及增速（十亿美元，%）

资料来源：IDC（含预测）,中信证券研究部

基础软件：AI显著降低产品使用门槛，数据管理最为受益，安全、运维等亦将受益

 性能监控：大模型在运行过程中需要对于性能指标进行实时的监测和分析，但考虑到大模型本身的特殊性，在训练和部署环节同样需要专用的工具完成相关指标的监控、调整和可视化，其中包括：

实验管理：在训练环节对于学习率、批量大小、迭代次数等超参数空间的系统性搜索，选择最优超参数组合，并记录和可视化训练、评估过程；

性能监控：在推理环节对于损失函数、准确率等各类模型性能指标的监控和可视化，横向&纵向比较模型的性能变化。在大模型专用监控工具领域，Weights&Biases、Comet ML、Arize、Fiddler，以及Databricks推出的开源工具MLflow等均有相应产品，其中Weights&Biases和MLflow在产品完整度和用户覆盖面上更为领先。

IT监控软件市场主要领域及主要玩家

细分市场	主要功能	主要参与企业
ITIM&AIOps	监控本地数据中心和云托管环境中IT基础设施组件的可， Micro 用性和资源利用率。通过跟踪组件的利用率（如风扇速 BMC 度、CPU温度和使用率、内存利用率），基础结构监视工具可以提供IT环境运行状况的总体视图。	Focus、IBM、CA、 SolarWinds Dynatrace、New Relic、
APM	监视和优化应用程序的性能和运行状况，不同于其他监，视工具，APM需要跨越不同的IT环境来发现软硬件依赖 Broadcom、Cisco、关系之类的问题，并对代码进行端到端跟踪，以便监视 (AppDynamics) 应用程序延迟和停机时间
Log&SIEM	日志是在事件发生时自动生成并加盖时间戳的文件，日志管理包括用于收集、管理和分析由应用程序和基础设施生成的大量日志数据。将日志数据与其他事件关联的， Splunk、Elastic、Datadog 实时能力也使这些工具非常适合安全信息和事件管理（SIEM）用例，如漏洞检测和威胁管理，以及识别操作性能问题
NPM	允许客户在不同IT环境中监控和可视化网络流量，以便NetScout、SolarWinds 更快地解决停机问题并优化网络性能

资料来源：Gartner，中信证券研究部

全球IT性能监控市场规模及增速（百万美元，%）

资料来源：IDC（含预测）,中信证券研究部

基础软件：AI显著降低产品使用门槛，数据管理最为受益，安全、运维等亦将受益

 信息安全：大模型在部署上线之后即允许B端&C端客户公开访问，因此其安全防护的逻辑和其他应用程序并无本质区别。

一方面需要对于用户使用权限、数据上传权限进行严格限制，在这一方面安全网关产品（CASB、SWG）和数据丢失保护产品（DLP）将发挥显著作用，网关产品将配合身份认证工具对用户访问权限予以细粒度控制，而DLP产品将阻止敏感数据的上传；

另一方面亦需要针对黑客利用ChatGPT批量生产的钓鱼信息予以针对性防护，需要通过对邮件来源、正文、附件、URL链接等进行情绪分析、结构分析等进行识别，比如Cloudflare近期就AI生成的钓鱼邮件推出专门的邮件安全方案。

ChatGPT采用Cloudflare的方案保护Web端应用安全

资料来源：Cloudflare官网
全球应用程序保护&可用性市场规模及增速（百万美元，%）

资料来源：IDC（含预测）,中信证券研究部

基础软件：AI显著降低产品使用门槛，数据管理最为受益，安全、运维等亦将受益

全球安全网关市场规模及增速（百万美元，%）

资料来源：IDC（含预测）,中信证券研究部

全球数据丢失保护市场规模及增速（百万美元，%）

资料来源：IDC（含预测）,中信证券研究部

全球消息安全市场规模及增速（百万美元，%）

资料来源：IDC（含预测）,中信证券研究部

XDR的核心能力

核心能力	具体描述
全局安全控制点	支持对终端、网络、云和工作负载的安全防护和控制能力，获取更大范围的安全可见性，支持跨产品、跨层级的安全数据获取、威胁检测和事件响应。
安全集成和互操作能力	把各种安全日志、告警等数据进行汇总，以便于进一步的威胁分析；联动不同层面的安全产品，阻断不安全的访问请求、隔离被攻陷的主机、修复系统漏洞/问题、降低用户权限、下发检测策略等响应执行操作。
大数据处理和机器学习分析能力	汇聚了全局的安全数据（包括各种安全日志、告警、网络流量、外部威胁情报等），比单个安全产品提供更加强大的威胁检测能力。海量安全数据的处理需要具备大数据存储、传输、分析等能力，需要依赖机器学习等人工智能算法增强对高级威胁的分析、攻击杀伤链的理解和还原；让安全人员可以聚焦处理数量有限、真正有影响的安全事件。
自动化编排能力	提供自动化的技术和工具，减少需要企业安全人员手动操作的频率和人为操作出错的概率，提高安全运营效率；XDR支持安全响应任务的编排能力，让用户对文件、权限、主机和网络执行经过预先设计编排过的手动和自动的补救措施，提高局部威胁发现、全局快速响应的的
威胁情报能力	能力。通过提供或集成威胁情报服务，增强了企业用户的安全可见性，提升威胁检测时效性和能力

资料来源：Gartner，腾讯安全，中信证券研究部

基础软件：AI显著降低产品使用门槛，数据管理最为受益，安全、运维等亦将受益

 软件开发：企业开发者团队需要借助Devops工具自动化低价值的流程，以更快实现新功能的发布。

由于软件开发流程有价值的环节体现在项目管理&协作和代码编写&托管两个节点，因此这两个节点上的头部参与者具备整合软件开发全链条的较大潜力。

根据IDC的统计，2021年全球软件开发市场Top2的玩家分别为Atlassian和微软，恰好对应项目管理&协作、代码编写&托管两个节点的龙头。根据IDC，在大语言模型普及之前，Atlassian的份额以及份额获取速度持续领先于微软。但大语言模型普及之后，GitHub CoPilot能力的强化大幅提升了开发效率，开发链条的核心有可能由项目管理向代码编写&托管转移，这在一定程度上可能削弱Atlassian的竞争优势和平台化潜力，而更为利好微软的全链条整合。当然，与GitHub在同一环节竞争的GitLab更有可能受到直接冲击。

Devops流程
向客户交付新服务

资料来源：中信证券研究部
全球软件开发管理市场份额（2021）

资料来源：IDC，中信证券研究部

■ Atlassian
Microsoft
IBM
BroadcomGitLab
Perforce Software
JFrog
Micro Focus
Flexera其他

 人工智能浪潮带来的另一个变化是科技巨头构建以人工智能服务为核心的新商业模式，使软件产业分工更加明确。LMaaS（大语言模型即服务）将成为AI服务提供商的主要商业模式，以泛用的大语言模型为基础统一过去公有云中的繁杂PaaS层，并更好地融入软件层，用户通过单一模型可对接多种外部API并更好地理解用户意图。

目前以OpenAI&微软为代表的厂商已经构建起以LMaaS为核心的商业模式，围绕GPT逐步向上下游拓展生态。目前OpenAI的主要模型包括GPT-4、GPT-3.5、Dalle2、Whisper、Embedding等，包含了泛用大模型、图片、语音、微调等多个维度，其中最为泛用的GPT类模型将作为一个接口根据用户需求调用不同的模型。

基于NLP的大语言模型拥有优秀的泛用性，将成为各类任务的底座

资料来源：nexocode

OpenAI的六大类模型，其中Chat是面向用户的核心入口

资料来源：OpenAI官网

 定价方面，OpenAI的LMaaS模型提供了订阅以及按量收费两种模式。订阅模式主要开放给个人用户，用户根据使用需求支付周期性费用，享受一定时期内的模型服务。API按量收费模式主要开放给使用较少的个人用户与体量较大的企业用户，用户根据实际调用API的数据量或是席位数支付费用，这样用户可以根据业务量灵活调整支出。

OpenAl定价模式
GPT-4
Model	Prompt	Completion
8K context	$0.03/1K tokens	$0.06/1K tokens
32K context	$0.06/1K tokens	$0.12/1K tokens

Chat
Model	Usage
gpt-3.5-turbo	$0.002/1K tokens

InstructGPT
Ada(Fastest)	$0.0004/1K tokens
Babbage	$0.0005/1K tokens
Curie	$0.0020/1K tokens
Davinci(Most powerful)	$0.0200/1K tokens

Fine-tuning models
Model	Training	Usage
Ada	$0.0004/1K tokens	$0.0016/1K tokens
Babbage	$0.0006/1K tokens	$0.0024/1K tokens
Curie	$0.0030/1K tokens	$0.0120/1K tokens
Davinci	$0.0300/1K tokens	$0.1200/1K tokens

Embedding models
Model	Usage
Ada	$0.0004/1K tokens

资料来源：OpenAI官网，中信证券研究部

插件功能（Plugins）使LMaaS能够连接不同的外部API，极大地扩展了大语言模型的上层软件生态。OpenAI于2023年3月在ChatGPT中推出插件接口，旨在接入小公司的微调成果。插件接口简化了小公司微调大语言模型的难度，并丰富了基于大语言模型的生态环境。第三方厂商无需接触部署大语言模型，降低了微调实施的难度。

关联落地（Grounding）是LMaaS模式中协调外部软件API与大语言模型生成内容可靠性的关键步骤。微软的Copilot大量使用关联落地技术，通过Grounding提高接收提示质量，确保模型准确执行用户指令，完成多模态转换并提升指令准确性。

ChatGPT目前支持的部分插件

资料来源：ChatGPT

Grounding本质上是对用户指令优化并让大语言模型更精准理解

资料来源：Google AI Blog

 对于用户而言，LMaaS体验优于原先的公有云服务，简化了本地部署与调试过程。LMaaS通过云服务封装复杂技术问题，使用户无需关注底层实现。LMaaS平台可根据用户需求，对通用AI模型进行特定任务微调，提高模型在特定领域表现。

 在LMaaS商业模式下，我们认为行业最终将形成AI巨头提供泛用性模型以及服务主要通用需求，中小公司切入特定垂直行业并根据需求微调优化模型的格局。

有利于发挥各自优势，使大型AI企业专注于提供稳定、高效基础模型，降低成本，提高性能和覆盖范围。同时，中小型公司充分发挥行业专长和敏捷性，为特定行业客户提供定制化、高度针对性解决方案。

? 为行业带来更多创新、快速响应和精细化的服务，有助于进一步提升AI技术在各行各业的落地应用效果。

推动行业生态的繁荣，鼓励更多创新型中小企业和创业团队投入到AI领域，企业之间的合作将变得更加紧密，形成一个互补的生态系统。

微调的存在让大语言模型可以满足不同垂直领域的需求


GET STARTED	Fine-tuning
Introduction	Learn how to customizea model foryour application.
Quickstart
Libraries	Introduction
Models
Tutorials	Fine-tuning letsyougetmoreoutofthemodelsavailablethroughtheAPIbyproviding:
Data usage policies	Higherqualityresults thanpromptdesign
Usage policies	Abilityto train on moreexamples than canfitina prompt
GUIDES	Token savings due to shorter prompts
Text completion	Lower latency requests
Chat completion	GPT-3 hasbeenpre-trained onavastamountof textfrom theopen internet.Whengivena prompt with
	justafew examples,itcanoften intuit whattask you are trying toperformand generateaplausible completion.This is oftencalled "few-shot learning."
Image generation
Fine-tuning Preparing yourdataset	Fine-tuning improvesonfew-shot learningbytraining onmany moreexamples thancanfitin the prompt,letting you achieve beter results onawidenumberoftasks.Oncea modelhas beenfine-
Advanced usage	tuned,youwon't needtoprovide examples in the promptanymore.Thissaves costs and enables
	lower-latency requests.
Weights & Biases

资料来源：OpenAI技术文档

AI核心技术发展不及预期风险；

科技领域政策监管持续收紧风险；

私有数据相关的政策监管风险；

全球宏观经济复苏不及预期风险；

宏观经济波动导致欧美企业IT支出不及预期风险；

AI潜在伦理、道德、用户隐私风险；

企业数据泄露、信息安全风险；

行业竞争持续加剧风险等。

 大语言模型（LLM）+“暴力美学”的技术路线下，针对底层算法模型，第三方软件服务商需要结合自身专有数据集积累、技术&资金能力、产品形态等，在闭源方案、开源生态之间做出抉择，彼此优劣势亦十分明显。LLM带来内容生成、自然语言交互、信息检索效率的大幅改善，将使得偏平台型、垂类应用软件显著受益，但也将大概率导致部分业务逻辑简单、偏中间态的单点软件产品方案明显受损，同时借助人机交互效率的大幅改善，用户对基础软件的使用门槛料显著降低，利好数据管理、信息安全、运维等基础软件板块。我们判断，LMaaS（大语言模型即服务）、插件（链接外部知识、工具）、关联落地（Grounding，优化用户提示、输出结果等）等将构成后续软件产业的核心关键词，不断驱动软件产业开发界面持续上移，以及软件产业平台化、模块化发展，并最终带来更加紧密、复杂的软件产业分工协作体系。

 沿着这一分析框架&逻辑，我们看好美股软件板块，并建议不断聚焦应用层的平台型、垂类软件厂商，以及基础层的数据管理、信息安全、运维、软件开发等厂商，建议持续关注：微软、Salesforce、Service Now、Adobe、Snowflake、Datadog、MongoDB、Confluent、Palo Alto、Crowdstrike等。

重点推荐公司盈利预测

公司	代码	市值（亿美元）	估值方法	估值 (自然年)
公司	代码	市值（亿美元）	估值方法	2022A	2023E	2024E	2025E
微软	MSFT	23,098	P/FCF	35.5	38.7	32.6	27.4
Adobe	ADBE	1,598	P/FCF	21.6	20.7	18.2	16.5
Salesforce	CRM	1,976	P/FCF	31.3	26.2	20.5	16.8
Service Now	NOW	887	P/FCF	40.7	33.3	26.2	22.9
Snowflake	SNOW	501	P/S	24.3	17.4	12.7	9.6
Datadog	DDOG	246	P/FCF	69.7	59.6	45.1	23.7
Confluent	CFLT	67	P/S	11.5	8.8	6.9	5.4
MongoDB	MDB	169	P/S	13.2	11.2	9.3	7.3
Palo Alto	PANW	557	P/FCF	31.1	21.9	17.8	15.1
Crowdstrike	CRWD	289	P/FCF	42.8	31.8	24.2	18.1

资料来源：彭博，中信证券研究部注：股价为2023年5月31日收盘价；预测数据来自彭博一致预期

感谢您的信任与支持！

THANK YOU

陈俊云（前瞻研究首席分析师）

执业证书编号：S1010517080001

许英博（科技产业首席分析师）

执业证书编号：S1010510120041

刘锐（前瞻研究分析师）

执业证书编号：S1010522110001

贾凯方（前瞻研究分析师）

执业证书编号：S1010522080001

免责声明

证券研究报告 2023年6月1日

分析师声明

主要负责撰写本研究报告全部或部分内容的分析师在此声明：（i）本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法；（ii）该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系。

一般性声明

本研究报告由中信证券股份有限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构（仅就本研究报告免责条款而言，不含CLSA group of companies），统称为“中信证券”。

本研究报告对于收件人而言属高度机密，只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用，在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具，本报告的收件人须保持自身的独立判断并自行承担投资风险。

本报告所载资料的来源被认为是可靠的，但中信证券不保证其准确性或完整性。中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险，可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可跌可升。过往的业绩并不能代表未来的表现。

本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断，可以在不发出通知的情况下做出更改，亦可因使用不同假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。中信证券并不承担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定，但是，分析师的薪酬可能与投行整体收入有关，其中包括投资银行、销售与交易业务。

若中信证券以外的金融机构发送本报告，则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议，中信证券以及中信证券的各个高级职员、董事和员工亦不为（前述金融机构之客户）因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。

评级说明

投资建议的评级标准		评级	说明
报告中投资建议所涉及的评级分为股票评级和行业评级（另有说明的除外）。评级标准为报告发布日后6到12个月内的相对市场表现，也即：以报告发布日后的6到12个月内的公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：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；香港市场以摩根士丹利中国指数为基准；美国市场以纳斯达克综合指数或标普500指数为基准；韩国市场以科斯达克指数或韩国综合股价指数为基准。	股票评级	买入	相对同期相关证券市场代表性指数涨幅20%以上
		增持	相对同期相关证券市场代表性指数涨幅介于5%～20%之间
		持有	相对同期相关证券市场代表性指数涨幅介于-10%～5%之间
		卖出	相对同期相关证券市场代表性指数跌幅10%以上
		强于大市	相对同期相关证券市场代表性指数涨幅10%以上
	行业评级	中性	相对同期相关证券市场代表性指数涨幅介于-10%～10%之间
	行业评级	弱于大市	相对同期相关证券市场代表性指数跌幅10%以上

免责声明

特别声明

在法律许可的情况下，中信证券可能（1）与本研究报告所提到的公司建立或保持顾问、投资银行或证券服务关系，（2）参与或投资本报告所提到的公司的金融交易，及/或持有其证券或其衍生品或进行证券或其衍生品交易，因此，投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险。本研究报告涉及具体公司的披露信息，请访问https://research.citicsinfo.com/disclosure。

法律主体声明

本研究报告在中华人民共和国（香港、澳门、台湾除外）由中信证券股份有限公司（受中国证券监督管理委员会监管，经营证券业务许可证编号：Z20374000）分发。本研究报告由下列机构代表中信证券在相应地区分发：在中国香港由CLSA Limited（于中国香港注册成立的有限公司）分发；在中国台湾由CL Securities Taiwan Co., Ltd.分发；在澳大利亚由CLSA Australia Pty Ltd.（商业编号：53 139 992 331/金融服务牌照编号：350159）分发；在美国由CLSA（CLSA Americas, LLC除外）分发；在新加坡由CLSA Singapore Pte Ltd.（公司注册编号：198703750W）分发；在欧洲经济区由CLSA Europe BV分发；在英国由CLSA （UK）分发；在印度由CLSA India Private Limited分发（地址：8/F, Dalamal House, Nariman Point, Mumbai 400021；电话：+91-22-66505050；传真：+91-22-22840271；公司识别号：U67120MH1994PLC083118）；在印度尼西亚由PT CLSA Sekuritas Indonesia分发；在日本由CLSA Securities Japan Co., Ltd.分发；在韩国由CLSA Securities Korea Ltd.分发；在马来西亚由CLSASecurities Malaysia Sdn Bhd分发；在菲律宾由CLSA Philippines Inc.（菲律宾证券交易所及证券投资者保护基金会员）分发；在泰国由CLSA Securities (Thailand) Limited分发。

针对不同司法管辖区的声明

中国大陆：根据中国证券监督管理委员会核发的经营证券业务许可，中信证券股份有限公司的经营范围包括证券投资咨询业务。

中国香港：本研究报告由CLSA Limited分发。本研究报告在香港仅分发给专业投资者（《证券及期货条例》（香港法例第571 章）及其下颁布的任何规则界定的），不得分发给零售投资者。就分析或报告引起的或与分析或报告有关的任何事宜，CLSA客户应联系CLSA Limited的罗鼎，电话：+852 2600 7233。

美国：本研究报告由中信证券制作。本研究报告在美国由CLSA（CLSA Americas, LLC除外）仅向符合美国《1934年证券交易法》下15a-6规则界定且CLSA Americas, LLC提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书。任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSA Americas, LLC（在美国证券交易委员会注册的经纪交易商），以及CLSA 的附属公司。

新加坡：本研究报告在新加坡由CLSA Singapore Pte Ltd.，仅向（新加坡《财务顾问规例》界定的）“机构投资者、认可投资者及专业投资者”分发。就分析或报告引起的或与分析或报告有关的任何事宜，新加坡的报告收件人应联系CLSA Singapore Pte Ltd，地址：80 Raffles Place, #18-01, UOB Plaza 1, Singapore 048624，电话：+65 6416 7888。因您作为机构投资者、认可投资者或专业投资者的身份，就CLSA Singapore Pte Ltd.可能向您提供的任何财务顾问服务，CLSA Singapore Pte Ltd豁免遵守《财务顾问法》（第110章）、《财务顾问规例》以及其下的相关通知和指引（CLSA业务条款的新加坡附件中证券交易服务C部分所披露）的某些要求。MCI（P）085/11/2021。

加拿大：本研究报告由中信证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。

英国：本研究报告归属于营销文件，其不是按照旨在提升研究报告独立性的法律要件而撰写，亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在英国由CLSA （UK）分发，且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士。涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业经验，请勿依赖本研究报告。对于英国分析员编纂的研究资料，其由CLSA （UK）制作并发布。就英国的金融行业准则，该资料被制作并意图作为实质性研究资料。CLSA （UK）由（英国）金融行为管理局授权并接受其管理。

欧洲经济区：本研究报告由荷兰金融市场管理局授权并管理的CLSA Europe BV 分发。

澳大利亚：CLSA Australia Pty Ltd (“CAPL”) (商业编号：53 139 992 331/金融服务牌照编号：350159) 受澳大利亚证券与投资委员会监管，且为澳大利亚证券交易所及CHI-X的市场参与主体。本研究报告在澳大利亚由CAPL仅向“批发客户”发布及分发。本研究报告未考虑收件人的具体投资目标、财务状况或特定需求。未经CAPL事先书面同意，本研究报告的收件人不得将其分发给任何第三方。本段所称的“批发客户”适用于《公司法（2001）》第761G条的规定。CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASX All Ordinaries 指数成分股、离岸市场上市证券、未上市发行人及投资产品。CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司。

印度：CLSA India Private Limited，成立于 1994 年 11 月，为全球机构投资者、养老基金和企业提供股票经纪服务（印度证券交易委员会注册编号：INZ000001735）、研究服务（印度证券交易委员会注册编号：INH000001113）和商人银行服务（印度证券交易委员会注册编号：INM000010619）。CLSA 及其关联方可能持有标的公司的债务。此外，CLSA及其关联方在过去 12 个月内可能已从标的公司收取了非投资银行服务和/或非证券相关服务的报酬。如需了解CLSA India“关联方”的更多详情，请联系Compliance-India@clsa.com。

未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。

StartYourFinance

起点财经，网罗天下报告

软件行业前瞻研究海外专题：从海外视角看人工智能如何重构软件行业-20230601-中信证券-29页