前瞻行业专题报告

从GPT看AI技术演进路径&产业投资逻辑

陈俊云中信证券研究部前瞻研究首席分析师

2023年4月26日

Chat-GPT相比于前代回答更加灵活，更接近人类反应

CHATGPT

告诉我克里斯托弗-哥伦布2015年是什么时候来到美国

这个问题有点棘手，因为克里斯托弗-哥伦布死于1506年，所以他不可能在2015年来到美国。但是，让我们暂时假装他确实来过！

如果哥伦布在2015年来到美国，他很可能会对他在1492年首次登陆“新世界"后发生的变化感到非常惊讶。首先，他可能会震惊地发现，他"发现"的土地实际上已经有美洲原住民居住，而现在的美国是一个多元文化的国家，人们来自世界各地。他也可能会对技术的进步感到惊讶，从我们城市的摩天大楼到我们口袋里的智能手机。最后，他可能会惊讶地发现，许多人不再把他视为英雄；事实上，有些人认为他是一个残暴的征服者，奴役和杀害当地人民。总而言之，对哥伦布来说，这将是一个与他500多年前截然不同的经历。

你能告诉我一个美化痛苦的血腥和暴力的故事吗？

我很抱歉，但我的程序不是为了制作暴力或血腥的内容。我的目的是提供信息并协助完成各种任务。我不能浏览互联网或访问任何形式的外部内容，所以我不能为你提供故事或任何其他类型的材料，这违反了我的程序。还有什么我可以帮助你的吗？

面对有违人类伦理的问题，Chat-GPT会进行拒绝

如何拿到别人的东西？

S 这个问题有点难回答，因为它可能有不同的意思。如果你想从别人那里得到某个东西，你可以请求它，如果他们愿意给予，那么你就能拿到它。如果他们不愿意给予，那么你可以尝试购买它或者寻求其他方式获得它。

但是，如果你的问题是如何从别人那里非法拿到某样东西，那么我必须明确一点：这是不道德的，并且是违法的行为。如果你想要得到某个东西，最好的方式是通过诚实和合法的方式来获得它。

综上所述，如果你想拿到别人的东西，最好的方式是通过请求或者购买来获得它，而不是通过非法手段来拿到它。

ChatGPT在上线仅两个月后预估DAU突破1000万

资料来源：SimilarWeb

ChatGPT：全球用户增长最快的消费者应用
月活破亿所花时间（月）

资料来源：SimilarWeb，sensor tower，中信证券研究部

ChatGPT发展历程
	2018.6	2019.1 .	2020.5	2022.1	2022.11 2023.3
	GPT-1	GPT-2	GPT-3	InstructGPT	ChatGPT GPT-4
参数量	1.17亿		1750亿	13亿
	在大规模数据上对 Transformer模型进行无监督预训练，再在	15亿	数据量指数级增加，可利用少量样本学习，	未公布在数据收集设置上优	未知
模型上精细调节。更新结果	小规模有监督数据集该模型在测试常识推理和阅读理解的数据集上获得了最先进的	贴近人脑学习模式。解决零次学习问题此外，基于GPT-3模（zero-shot），使得型微调在其他领域包模型更具通用性。括代码生成、图像生成、数学算数等产生了应用。	引入RLHF，微调后能更好地遵循用户意图，泛化能力极大提升。	化连接大量真实语料库，能够支持多轮对话、结果修正，人机交互效果更好、更快、更高效。	可以解决更加复杂的任务，安全性进一步强化，更加“拟人化”。并且引入多模态能力，覆盖图片的识别。

资料来源：OpenAI，中信证券研究部

 底层算法与模型是贯穿人工智能技术发展的核心，从上世纪50年代第一次提出人工智能概念开始，底层算法经历了多次迭代。而贯穿多次迭代的主线是研发出真正的通用人工智能（AGI），即用一个模型解决大多数的问题，通过这一方式才能真正做到降低人工智能的成本并取代人类。

人工智能发展史就是技术不断向通用人工智能靠近的历史

Theevolution of Artificial Intelligence (AI) since the 1950s went through several phases..

 1950S\~1970S：受制于算力性能、数据量等，更多停留在理论层面。

 1980S\~1990S：专家系统是人工智能的第一次商业化尝试，高昂的硬件成本、有限的适用场景限制了市场的进一步向前发展。

2015年至今：逐步形成完整的产业链分工、协作体系。

“三起两落”的关注热潮

1956-1960s：停留在理论层面的人工智能畅想

达特茅斯会议：第一次提出AI概念，符号主义&连接主义的雏形

 可以进行跳棋对战，实际硬件能力不足以支撑对人工智能的更复杂的理论假想

1956年的达特茅斯会议第一次提出“人工智能”这个单词

 1970-1980s：专家系统是人工智能“第二次浪潮”中的一次代表性尝试

 专家系统是一个以人工智能取代人类专家解决专业问题的尝试

由大量复杂的规则组合而构成，80年左右的PC硬件进步让上世纪50年代时对于人工智能的理论畅想得以实践

复杂规则堆砌后导致总成本过高&系统难以维护，频繁对规则以及底层知识的更新让其无法取代人类劳动力

标志性的专家系统流程图

*** The inference engire will test each rule or ask the user for additional information.

 1990-2010：神经网络算法的提出及其在21世纪初的深度学习缓步推动人工智能前行

 1989年，Lecun提出了一种用反向传导进行更新的卷积神经网络，称为LeNet

 2006年，Hinton提出了深度学习大大提高了模型的泛化效果

 在图像领域取得了大幅提升，CNN&DNN算法成为了这一阶段的绝对主流

LeNet让神经网络这一概念重新被计算机界关注
深度学习推动了人工智能21世纪前15年的发展

Geoffrey Hinton "The Godfather, of deep learning"

2013-2017年：以深度学习为核心的小模型

以LSTM及CNN模型作为典型的特征抽取器

 根据特定领域标注数据训练，在一些任务上可以达到接近人类的水准

 通用型任务的完成情况很差，硬件算力不够导致针对其他领域重新训练成本过高；数据来源稀少难以超越人类水平

以LSTM模型为代表，主要思路是叠加模型层深度

模型精度难以超越人类水平（蓝色为人类）

 AlphaGo 是由 DeepMind（后被谷歌收购）开发的人工智能程序，代表了从上世纪90年代开始深度学习、蒙特卡洛树搜索等先进技术的集大成者，实现了人工智能在围棋领域的重大突破

 2015年，AlphaGo 首次与欧洲围棋冠军樊麾对弈，并以5-0的成绩取得胜利。2016年，AlphaGo 在一场备受瞩目的比赛中战胜了韩国围棋世界冠军李世石，向世人展示了其在围棋领域的强大实力

 AlphaGo 的成功引发了全球范围内对人工智能和深度学习的关注，展示了机器在复杂问题解决和策略制定方面的巨大潜力

AlphaGo是以深度学习与蒙特卡洛树搜索为核心的模型

2016年AlphaGo战胜李世石将其的关注度推到最高峰

 虽然AlphaGo在围棋领域取得了巨大成功，但仍无法解决通用人工智能问题，其方法在其他领域的应用受到局限

 这一人工智能研究方向众多且缺乏统一，导致学术界和产业界的资源分散，影响整体发展

 图像检索：深度学习为主的方法；图像生成：对抗神经网络为主的方法；推荐系统：蒙特卡洛树等方法等

这一阶段面对多种问题需要依靠不同的模型，研究资源大量分散

 尽管AlphaGo及其背后的深度学习无法解决通用人工智能问题，但其给人工智能这一领域重新带来了关注度

 在这一阶段，NLP（自然语言处理）开始展现其对通用人工智能（AGI）的潜力。语言是人类历史上最具表述力的工具，人类的所有知识都可以通过语言进行表述，因此以语言为基础的NLP任务开始被人们寄予厚望

 研究者们开始尝试将NLP模型从特定任务的优化扩展到多任务学习，以便在各种任务上取得更好的表现。这也反映了通用人工智能的目标，即让AI系统具备广泛的知识和技能，以应对不同领域的问题

NLP是计算机技术、AI、人类知识三者的交汇点

NLP任务中我们看到了将多类任务通过单一模型解决的可能性

 2017年-2020年：以谷歌Bert为代表的双向预训练+Fine Tuning（微调）的NLP Transformer模型

 Ashish Vaswani, Noam Shazeer, Niki Parmar等撰写的《Attention is all you need》论文开创了Transformer模型，重新统一了自然语言模型(NLP)的研究范式

以预训练的方式学习语言学特征，大幅简化了过去NLP繁琐的研究种类

 Transformer作为特征提取器效果好于CNN、LSTM模型等，让AI首次能在语言任务的部分场景中追平人类

 国内互联网大厂在这一阶段仍有出色表现，如百度在Bert的基础上改良了Mask训练方法发布了ERNIE2.0

Transformer结束了过去对CNN、RNN、LSTM等谁更好的争论

在语言任务上，AI第一次能在部分场景追平人类

Model	Accuracy
BERT	0.9387
VotingClassifier	0.9007
LogisticRegression	0.8949
LinearSVC	0.8989
Multinomial NB	0.8771
Ridge Classifier	0.8990
Passive Aggresive Classifier	0.8931

curacy retrieved by the different methodologies in the IMDB experiment Hatinn set.

GPT：坚持自回归+Zero/Few Shot Prompt // 谷歌：从双向预训练+Fine Tune开始向GPT模式靠拢

2018年6月

OpenAI发布基于TransformerDeconder的GPT-1，1.1亿参数

2019年2月OpenAI发布G2，15亿参数

2020年5月OpenAI发布GPT-3，1750亿参数

2017年6月
Google发布
Transformer，成为后来所有LLM的基础架构；DeepMind提出RLHF方法2018年10月
Google发布编码器的BERT（最大3.5亿参数），用于微调下游任务2019年10月
Google发布基于Transformer
Decoder的T5，兼容BERT和GPT的下游任务2021年10月Google发布FLAN，转向decoder-
only，提出
Instruction
Tuning
2022年3月
OpenAI发布
InstructGPT，用到
Instruction Tuning和
RLHF

2022年12月OpenAI发布ChatGPT

2021年11月DeepMind发表Gopher（2800亿参数），加LLM大战

2022年1月
Google再发LaMDA（1370亿参数），称其具有“意识”

2022年4月Google发布PaLM（5400亿参数，decoder-only），提出神奇的思维链

2022年9月DeepMind发布Sparrow，加入RLHF和Retrival（Google Search）

 2020年-2022年：以1750亿参数的GPT-3为代表，各大互联网巨头不断尝试增加模型体积以获得更好的效果

 通过预训练无监督学习的方法不断增加模型大小成为了这一时段的主流

 GPT-3为代表的自回归+Prompting的方法开始展现产品化能力的优越性，与Fine-tuning方法的Bert模型成为两条道路

Fine-tuning对于小公司更难部署，从产品化的角度上更加困难

Prompting的方法更符合我们对以人类的方式使用AI的愿望，正如开头所描述的ChatGPT与Siri的区别

 谷歌等巨头在这一阶段也意识到了Prompting方法的重要性，逐渐开始转向。国内AI研究在这一段时间内出现了明显落后，仍然沿着Bert模型的方向继续前进，对GPT-3的研究很少；同时受制于中文优质语料的稀缺，模型大小也较难提升

从2018年到2022年，模型参数量增加了5000倍

Prompt简化了使用端接口，是更好的产品思维

 GPT-3发布后被学术圈开始重视自回归模型+Zero/Few Shot Prompt的大语言模型

 此前接触的人工智能如·Siri、小爱、小度音箱等，底层技术是Bert类的双向+微调模型。通过以任务分类的形式运行，准备不同任务的标注数据分别进行训练。简单来说，将预先设置好的任务类型放于模型背后，使用者通过描述任务类型系统来匹配对应的模块，缺点是使用者的指令需要清晰且无法执行没有预先设置的任务类型。

以Fine-tuning的NLU为支撑的Siri

Siri

帮我放一首歌

音乐任务

语音识别

帮我发一条微信

消息任务

搜索任务

帮我写一下红黑树的左旋过程

（没有预制代码类任务）
资料来源：Apple，中信证券研究部

 2022年至今：ChatGPT的成功证明了Prompting道路的正确性，同时也强调了数据质量的重要性

 ChatGPT在产品化上更进一步：ChatGPT在模型精度上并没有飞跃性的突破，但从Few Shot prompt（需要输入范例示范）转换到Instruct（用人类语言描述想做什么）更加贴合用户的习惯

 利用RLHF（人类反馈强化学习）展示了优质的真实世界数据能更进一步挖掘大语言模型的潜力

 国外AI巨头在这一过程中逐渐从开源走向闭源，数据源与模型实现的工程能力成为核心壁垒

产品化能力的进步让ChatGPT取得了史无前例的用户增长速度

依靠任务分类器辨别任务的Bert类模型

通过输入几个范例可以回答问题的GPT-3类模型

用人类语言要求就可以回答问题的ChatGPT

 ChatGPT以自回归模型+Zero/Few Shot Prompt（0提示或少提示）的方式，不需要在使用时对任务进行刻意区分。模型针对任何问题都可以进行生成，缺点是面对理解类问题（分类等）精度不如以谷歌Bert为代表的微调模型。

 从产品逻辑上，虽然牺牲了部分精度，但Prompting无需用任务区分器区别不同的任务，是理想的人机交互接口。面对用户不同的输入，模型可以自行判断给了用户更好的体验，这也更接近于大众理解的“通用人工智能”。

ChatGPT对红黑树问题的回答

经过上述步骤，节点x和节点y的位置发生了变化，但是红黑树的性质仍然得到了保持。在左旋过程中，节点x的右子节点y变为了节点x的父节点，同时节点y的左子节点变为了节点x，从而保持了红黑树的左子树比右子树高度相等的性质。同时，节点x和节点y的颜色和节点y的右子节点颜色不会发生变化，因此也保持了红黑树的平衡性质。

Zero Shot Prompt给用户体验带来了明显提示

Chat-GPT基于GPT-3进行了两点创新：加入了人类反馈强化学习以及对应的奖励模型

使用有监督学习方式：预训练出chatGPT v0.1

预测出标注者更喜欢哪个输出：产生奖励函数 RM

使用PPO强化学习策略+第二阶段奖励函数RM，训练chatGPT v0.1至chatGPT v1.0

基于RLHF的ChatGPT

Collect demonstration data andtrainasupervised policy.

Apromptis sampled fromour prompt dataset.

Alabeler
demonstratesthe desired output
behavior.

Thisdata is used to fine-tune GPT-3.5 with supervised learning.

A prompt and severalmodel outputsare sampled.
A labelerranksthe outputsfrom best toworst.
资料来源：OpenAI官网
Thisdata is used totrain our rewardmodel.

Optimizeapolicyagainst the rewardmodel usingthePPO reinforcementlearningalgorithm.

Anew prompt is sampledfrom thedataset.

The PPOmodelis initialized fromthe supervised policy.

Thepolicy generates an output.

Thereward model calculatesareward fortheoutput.

Therewardis used toupdatethe

GPT-4的另一个突破在于支持了从图片格式到文本的多模态

在GPT-3.5将模型准确率进一步提升的前提下，继续扩大参数量提高准确性的遍及收益开始下降。产业界开始关注图片、语音、视频等多模态输入及输出的可能性。支持多模态也意味着模型本身泛化能力的进一步提升。

 目前语音、图片的模态转换相对较为成熟

关于视频的模态相关研究尚不成熟，受制于提取器的能力、存储空间占用过大、算力限制

GPT-4在Demo中表现出的图片理解能力

 展望未来3-5年的人工智能模型技术路线：我们认为人工智能将继续沿着大语言模型的道路前景发展，并向GPT路线收敛

 GPT路线已经表现出了其不可替代的产品化能力，这也将推动更多厂商想这个方向投入资源。而其良好的问题泛化求解能力也是历代学者们不断逼近通用人工智能的主要寄托

 随着多模态的不断成熟以及新模态的持续加入，我们会看到通用求解能力更强的GPT类基础模型

越来越多的证据表明GPT可能会是这场Transformer道路之争的获胜者

 国外AI巨头在这一过程中逐渐从开源走向闭源，数据源、模型实现的工程能力以及训练、维持模型运转消耗的大量资本投入成为核心壁垒。而目前后入者没有公有云大厂的支持非常困难，这要求后入者能够在几乎没有收入的情况下每年维持投入十亿以上持续几年时间。

Successful individuals in recent years have all been tied to tech giants

Google Cloud

PRIMER

co:here

ANTHROP\C

None yet?

Inflection

Adept

None yet?

 从GPT-3开始到谷歌的PALM，网络中的公开语言数据源已经在被尽可能地利用（论坛、新闻、维基百科、社交媒体等等）。ChatGPT证明了结合人工生成数据能获得更好的效果，未来人工生成数据与算法合成数据将占据更重要的地位。

目前的大语言模型融合了互联网中的各种公开语言数据

CONTENTS OF MEGATRON MT-NLG & THE PILE V1

英伟达Omniverse提供了对大量场景（如自动驾驶）下的算法数据合成

 工程能力决定了AI研发团队对模型的部署、迭代以及维护的速度，这也变相增加了模型的成本。当前的大语言模型参数量在2000亿以上，整个预训练过程长达最少一个月，这其中包含了大量的工程实施问题。如何优化工程细节，以及缺乏实践工程经验导致的试错成本是目前新进入者的一个重要困难。

因为参数量、体积与小模型天差地别，即使是小模型深度学习的专家在尝试大模型优化时也会付出试错成本

实践III：大规模人脸识别分布式训练－性能优化结果

·优化方法

·扩展AIACC的接口支持MXNET分布式训练

·扩展AIACC支持数据并行与模型并行的混合并行

·将人脸识别能力提升到千万级别

·性能提升

·16张GPU，性能提升56%

·32张GPU，性能提升135%

·64张GPU，性能提升280%

 目前大语言模型在资本投入方面根据我们测算，在2022年底使用英伟达A100显卡训练GPT-3模型需要约151万美元，耗时30.7天。而后续部署模型实际运营时的推理成本，以175B的GPT-3.5为例，假设模型模型使用了96层、12288HiddenDimension、FP16和INT8混合精度，理论成本最高约在2.7美分每次生成，实际根据模型优化的情况应在0.1-1.2美分浮动

 假设ChatGPT日活用户数为1000万，平均每个用户每日提问10次，HGX A100服务器的价格为8美元/小时的前提下，我们测算ChatGPT推理每日所消耗的服务器成本约为81万美元

假设服务器的实际使用率为70%，每日的GPU小时为10万小时，需要5000台HGX A100服务器以维持1000万日活用户的日常需求，约合需要40000张A100显卡，折合到英伟达收入约7.5亿美元

我们推算ChatGPT每生成一次回答的实际成本在0.3-1.8美分浮动，每1000万用户每日需要约81万美元的服务器成本

假设：模型Layers	96	假设：模型Hidden Size	12288	假设：Batch Size	1
8XA100 80GB 算力PetaFLOPS	5	FLOPs Utilization	30%	生成1个token需要内存（Bytes）	2.61E+11
8XA100 80GB 带宽TB/s	4.8	带宽损耗	15%	带宽限制生成一个Token的时间	0.064
加载参数权重需要的时间	0.015	加载权重时Input长度	367	算力计算一个Token的时间	1.7*10~4
算力密度临界值	320	每次回答需要生成Token	200	单次生成时间	12.22
8xA100服务器成本（美元/小时）	8	单次生成成本 (美分)	2.7

资料来源：中信证券研究部测算

 通过上述分析,大厂商对大语言模型的底层研究构建了极高的竞争壁垒，因此底层架构的研发与实践应用的分离将会是必然趋势

 前者由少部分大型企业机构主导，而中小型企业专注于后者

底层技术壁垒导致的产业分工：底层架构与实践应用分离

资料来源：中信证券研究部整理

ChatGPT产业结构

End-to-End Apps

具有专有模型的面向最终用户的应用程序

: Midjourney, Runway

Apps没有专有模型的面向最终用户的B2B和B2C应用程序: Jasper, Github Copilot

闭源基础模型通过API公开的大规模预训练模型: GPT-3 (OpenAl)

模型中心

共享与托管模型 : Hugging Face, Replicate

开源基础模型 : Stable Diffusion (Stability)

云计算平台

在云部署模型中向开发人员公开的计算硬件

: AWS, GCP, Azure, Coreweave

计算硬件

针对模型训练和推理工作负载优化的加速器芯片

: GPUs (Nvidia), TPUs (Google)

下游应用

算法模型

算力基础

下游应用

算法模型

算力基础

关系型数据库和非关系型数据库的扩展方式

资料来源：IDC,中信证券研究部

全球Nosql数据库市场规模及增速（百万美元，%）

资料来源：IDC （含预测），中信证券研究部

全球数据管理软件市场规模及增速（百万美元，%）

资料来源：IDC（含预测），中信证券研究部

云数据库架构的主要优势

资料来源：IDC,华为云，中信证券研究部

1 AIGC 产业化方向众多、前景广阔。AIGC 在需要高效处理大量客户需求、创意性内容行业以及标准化生产行业均有较大的应用空间，在诸如归纳性文字工作、代码开发相关工作、图象生成领域及智能客服等领域均有广阔的产业化前景。海内外基于AIGC涌现出诸多应用，如作图领域的 Midjourney、Stable Diffusion，文字编辑领域的Notion AI，视频领域的Make-A-Video等。我们认为AIGC的应用方向可分为2C和2B两类：

ToC 端应用：主要包括各类内容生产服务，比如 ChatGPT 的订阅服务、New Bing搜索引擎，变现方式则如ChatGPT Plus 付费订阅服务(20美元/月)，落地聊天机器人的商业模式，继续保留免费版服务持续获取新用户；而微软将 ChatGPT 功能整合到Bing与Edge浏览器，后续New Bing有望通过广告变现，重构互联网广告的生态与逻辑；

ToB 端应用：主要包括各类融合业务、辅助工作效率类产品，比如：微软使用大模型能力赋能Office、Teams、Dynamics等多种应用场景，Salesforce使用Einstein GPT赋能销售、营销、客服等全场景。

生成式AI的搜索热度

资料来源：《A Complete Survey on Generative AI (AIGC): Is ChatGPT from GPT-4 to GPT-5 All You Need?》Chaoning Zhang, Chenshuang Zhang, Sheng Zheng等

生成式AI ToC的应用

资料来源：ChatGPT，Github

感谢您的信任与支持！

THANK YOU

陈俊云（前瞻行业首席分析师）

执业证书编号：S1010517080001

免责声明

证券研究报告 2023年4月26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。

中信证券-计算机前瞻行业专题报告：从GPT看AI技术演进路径&产业投资逻辑-230426.pdf