AIGC 全方位解析与投资展望

＃相关报告 related

海外 TMT 研究

＃分析师：email

洪嘉骏＃assA

hongjiajun@xyzq.com.cn

SFC：BPL829

SAC：S1010519080002

联系人：

2023 年 4 月 15 日

翁嘉源

wengjiayuan@xyzq.com.cn

投资要点

mmary＃我们看到 AIGC（人工智能生成内容），有望成为互联网下一阶段的增长动。Gartner 预计，2022 年 AIGC 占全球数字数据量为 1%，到 2025 年，这比例将提升至10%。应用领域广泛，如软件编程，医药研发，精准营销，影娱乐等，除了内容产出的变革外，AIGC 也将有效的提高工作效率，减少时。而根据 Acumen Research and Consulting 数据显示，21 年通用 AI 市场规为 79 亿美元，预计 2030 年将超 1,108 亿美元，22-30 年 CAGR 为 34%。

AIGC 的核心建立在三个关键能力之上，算法、算力、数据。由于算法、算瓶颈的解决，AIGC 的发展速度日新月异，近期发布的 GPT-4 在许多任务上表现已经非常接近人类的表现水平，被视为 AGI（通用人工智能）的早期本。

海外：大厂纷纷布局，商业化速度快于预期。除了 OpenAI 的 ChatGPT 外，外各家大厂，如谷歌推出聊天机器人 Bard，英伟达推出 AI Foundation 云务。而在商业化方面，OpenAI 携手微软，已经在多个方面进行布局尝试，搜索、Office 365 Copilot、Azure OpenAI 服务、Plugins、订阅等。此外 Meta布通用图像分割模型 SAM，有望加速自动驾驶发展。

国内：投资、研发加速，算力成为关键。我们看到，国内各家厂商也纷纷速研发与投资进度。百度于 3月份上线文心一言。此外，华为、阿里、商汤京东、同花顺均将于 4月份举办大模型发布会或产品发布会。由于大语言模的开源，如 Meta 的 LLaMA，使得大语言模型开发在算法上的门槛降低，力、数据、落地场景成为各家大厂重要看点。

互联网行业影响展望：

短期来看，云计算厂商受益于训练需求大增。由于大模型训练与调用要庞大的算力资源，而千亿参数的模型需要一个面向 AI 高度优化的云算平台才可训练。因此，随着大模型训练需求量以及未来 AIGC应用的加，云计算厂商将迎来增量的需求。

长期来看：工作效率的提升、内容产能增加、新的流量渠道将深远的响互联网，如搜索、物联网、应用商店、办公软件、外包行业、游戏、视、电商等互联网行业均会发生变革。

投资建议：大模型开发，算力、云计算需求增加方面，建议关注英伟（NVDA.O）, 微软（MSFT.O），谷歌（GOOGL.O），Meta（META.O）亚马逊（AMZN.O），百度集团-SW（09888.HK），阿里巴巴-S（09988.HK），腾讯控股（00700.HK），联想集团（00992.HK）、与商汤-（00020.HK）。长期应用层上，建议关注拥有清晰落地场景的金山软（03888.HK），以及受益于效率提升带来的利润释放的网易-（09999.HK）。

风险提示：政策监管风险；国际情势影响商务合作；AIGC发展不及预期

Overweight

AIGC Comprehensive Analysis and Investment Outlook

（Maintained）

TMT

04/15/2023

Analyst AIGC (Artificial Intelligence Generated Content) is likely to be the next key driver for the Internet
Hong Jiajun sector. Gartner predicts that by 2022, AIGC will account for 1% of the global digital data volume, and by
hongjiajun@xyzq.com.cn 2025, it will increase to 10%. The application areas are extensive, including software programming,
SFC：BPL829 pharmaceutical research and development, precision marketing, film and entertainment, etc. In addition to
SAC：S1010519080002 transforming content output, AIGC will also effectively improve work efficiency and reduce man-hours. According to data from Acumen Research and Consulting, the generative Al market size was \$7.9 billion in 2021, and it is expected to exceed \$110.8 billion by 2030, with a CAGR of 34% from 2022 to 2030.

Assistant Analyst Assistant Analyst

The core of AIGC is built upon three key capabilities: algorithm, computing power, and data. Due to wengjiayuan@xyzq.com.cn Weng Jiayuan the resolution of algorithm and computing power bottlenecks, the development of AIGC is advancing rapidly. The recently released GPT-4 has demonstrated performance levels very close to human levels in many tasks, and it is regarded as an early version of AGI (Artificial General Intelligence).

Overseas: Major companies are actively positioning themselves, and the pace of commercialization is faster than expected. In addition to OpenAI's ChatGPT, other major companies abroad, such as Google, have launched chatbot Bard, and NVIDIA has introduced AI Foundation cloud services. In terms of commercialization, OpenAI has partnered with Microsoft and is already attempting to position itself in various areas, such as search, Office 365 Copilot, Azure OpenAI services, plugins, subscriptions, etc. Furthermore, Meta has released a general image segmentation model called SAM, which is expected to accelerate the development of autonomous driving.

Domestic: Investment and R&D are accelerating. Computing power has become crucial. We observe that various domestic manufacturers are also accelerating their R&D and investment progress. Baidu launched Ernie Bot in March. Moreover, Huawei, Alibaba, SenseTime, JD.com, and Hexin Flush are all set to hold LLM, release conferences or product launches in April. Due to the open-sourcing of LLM, such as Meta's LLaMA, the development of LLM has seen a lowered threshold in terms of algorithms. Computing power, data, and practical applications have become important focal points for major companies.

Outlook of the impact on the internet industry:

In the short term, cloud service providers benefit from the significant increase in demand of computing power. LLM training and invocation require massive computing power resources, and a highly AI-optimized cloud computing platform is needed to train models with hundreds of billions of parameters. As a result, with the increase in demand for LLM training and the future growth of AIGC applications, cloud service providers will see incremental demand.

In the long term: Improvements in work efficiency, increased content production capacity, and new traffic channels will profoundly impact the internet, including sectors such as search, Internet of Things (IoT), app stores, office software, outsourcing, gaming, film and television, and e-commerce. All of these internet industries will undergo transformations.

Investment Recommendations:

In terms of LLM development and increased demand for computing power and cloud service, we recommend paying attention to NVIDIA (NVDA.O), Microsoft (MSFT.O), Google (GOOGL.O), Meta (META.O), Amazon (AMZN.O), Baidu Group-SW (09888.HK), Alibaba-SW (09988.HK), Tencent Holdings (00700.HK), Lenovo Group (00992.HK), and SenseTime-W (00020.HK). In the long term, on the application layer, we recommend focusing on Kingsoft (03888.HK), which has clear practical application scenarios, and NetEase-S (09999.HK), which stands to benefit from the profit release brought about by efficiency improvements.

Potential risks: 1) Policy and regulatory uncertainties; 2) International geopolitical situations impacting business collaborations; 3) AIGC development falling short of expectations.

一、为什么是AIGC？ ... - 6 -
为什么是AIGC：易用性、生产力、适配广 ... - 6 -
为什么是现在：算力、算法突破瓶颈 .... - 9 -
1、构建AIGC的三大核心能力... .... - 10 -
1.2.1、算法：Transformer 奠定基础. .. - 10 -
1.2.2、算力：驱动大模型的燃料. ..... - 12 -
1.2.3、数据：语料库丰富度与数据标注缺一不可.. .... - 14 -
1.2.4、其他 AIGC 模式. . - 16 -
二、OpenAI：AIGC 领军者. ..... - 17 -
2.1、ChatGPT 发展历史 . .... - 18 -
2.2、GPT-4：AGI（通用人工智能）的早期版本. . - 22 -
2.3、探索中的盈利模式. .. - 25 -
2.4、特殊的股权投资协议：目前与微软深度绑定. .... - 29 -
2.5、其他海外大厂争先追赶. ... - 31 -
三、中国AIGC现状与展望. ... - 32 -
3.1、政策端扶持 . .... - 32 -
3.2、国内 AIGC 进展：多头并进，百花齐放. .... - 33 -
3.3、中国深度学习之路：任重而道远 .. - 35 -
3.4、百度：国内深度学习先锋 .... - 36 -
3.5、国内其他大厂AIGC进展. .... - 38 -
四、AIGC短期与长期对互联网行业的影响 .. - 39 -
4.1、搜索：New Bing撼动搜索垄断格局. .... - 39 -
4.2、物联网：交互方式进一步革新. .... - 41 -
4.3、应用商店：ChatGPT Plugins 或带来流量分发新渠道. . - 42 -
4.4、办公软件：解放生产力的重要一步.. .... - 44 -
4.5、外包：效率提升带来需求减少. .... - 45 -
4.6、游戏：效率提升带来成本下降与产能提升. .. - 46 -
4.7、影视：降本增效助力利润空间释放. ... - 47 -
4.8、电商：智能导购新形式.. ... - 49 -
五、投资建议.. .. - 50 -
六、风险提示.. .. - 51 -

图目录

图 1、AIGC框架一览. .. - 8 -
图2、AIGC三个发展阶段. .. - 9 -
图 3、Transformer 模型架构. . - 11 -
图4、语言大模型预训练后引入人工微调进行模型优化. . - 11 -
图5、RLHF三个步骤使用数据集规模 .. - 12 -
图6、GPT-3模型训练参数量及数据量. .. - 13 -
图7、大模型训练算力消耗逐步攀升 .. - 13 -
图8、用于训练GPT-3的数据集 ... - 15 -
图9、主要数据集规模. .... - 15 -
图10、RLHF人工标注环节 ... - 15 -
图11、模型回答满意度量表 ... - 15 -
图 12、OpenAI 历史沿革.. ...... - 17 -
图 13、OpenAI 产品架构... .. - 18 -
图 14、GPT-1 模型架构..... ................................................................. ...... - 19 -
图 15、GPT 的迭代历史. ........................................................ ...... - 19 -
图 16、Chat.openai 周网页访问量 . ... - 20 -
图 17、Midjourney 周网页访问量.. .... - 20 -
图 18、RHLF 算法的训练流程 ............ .......................................................... ...... - 21 -
图 20、GPT-4 所展现的部分 AGI 相关能力 .. ..... - 23 -
图 21、GPT-3.5 与 GPT-4 在推理、速度、答案明晰性方面对比.. ...... - 23 -
图 22、GPT 在各种基准测试中优于其他大模型. ... - 24 -
图 23、GPT-4 在学术和专业考试中的表现. ... - 24 -
图 24、MMLU 测试中 GPT-4 拥有优于其他模型的英语表现. ... - 24 -
图 25、GPT-4 的不正确行为率及与前代对比... .. - 25 -
图 26、GPT-4 面对敏感问题的响应变化...... .... - 25 -
图 27、企业通过 OpenAI 提供的 API 建立应用程序 .. .............................. ... - 25 -
图 28、ChatGPT 订阅服务 ....................................
图 31、Open AI 公司架构..... .. - 29 -
图 32、公司股权投资协议四个阶段 . .. - 31 -
图 33、美国处于半导体创新的前沿（2019） ... - 35 -
图 34、顶尖 AI 人才分布（按国家） .................................. .. - 35 -
图 35、2022 年各国作者发表的 AI 论文数量.... .. - 36 -
图 36、美国企业对 AI 的投资是中国的两倍(2020)..... ....................... .... - 36 -
图 40、全球搜索引擎市场份额（%） ............................................................ .... - 39 -
图 41、Google 网页流量.. .......................................................... .. - 40 -
图 42、Bing 网页流量........ ..................................................................... - 40 -
图 43、Google APP WAU... .................................................... .... - 40 -
图 44、Bing WAU ........ ...................................................................... - 40 -
图 45、全球数字广告市场规模（分类型） ..... - 40 -
图 46、全球数字广告类型及趋势 .. ... - 40 -
图 47、全球物联网支出 ............ ................................................... ...... - 41 -
图 48、全球物联网终端连接数 ............
图 49、小度音箱应用文心一言模型 .
图 50、PaLM-E 机器人将薯片取出抽屉.. ............................................. .. - 42 -
图 52、天猫精灵打造智能家居 ..........
图 53、App Store 应用数量变化 ....
图 54、App Store 平台应用程序下载量与收入 . .... - 44 -
图 55、Google Play 平台应用程序下载量与收入.. ... - 44 -
图 57、金山办公-办公软件月度活跃及付费用户 ................................................ - 45 -
图 58、Upwork 营收 ... ................................ ... - 46 -
图 59、Teleperformance 营收 .. ... - 46 -
图 60、逆水寒智能 NPC 聊天场景..... .......................................................... - 47 -
图 61、逆水寒智能 NPC 聊天场景...... ...... - 47 -
图62、全球主要游戏公司研发费用率 ... - 47 -
图63、中国剧集发行总数减少，但剧集总成本和部均成本上升. ... - 48 -
图 64、剧集制作成本随项目浮动，但长期占据销售成本 90%以上 ... - 48 -
图 65、Dramatron 工作模式 . ... - 48 -
图66、《去你的岛》海报. .. - 48 -
图 67、人力成本在特效制作中占比超 60% . .. - 49 -
图 68、Shopify 智能导购功能展示. .. - 49 -
图 69、2020 年天猫 618 大促“3D 购”成果. .. - 50 -
图70、电商将受益于快速增长的智能客服市场，降低运营成本、增强消费者沟
通流畅度.. .. - 50 -

表目录

表1、生成式AI三大特性 ... - 6 -
表 2、AIGC 发展历史上的代表事件/产品. ... - 9 -
表3、大模型微调方法差异. ..... - 12 -
表 4、GPT 历代参数量以及训练量. ....... - 13 -
表5、国外主要AIGC预训练模型一览. .... - 13 -
表 6、AI 芯片主要代表 GPU、ASIC、FPGA 对比 ... - 14 -
表 7、主要数据集规模（单位：GB）. .... - 15 -
表8、多种AIGC生成类别. ..... - 16 -
表 9、GPT版本迭代.. ..... - 19 -
表 10、ChatGPT 文本资料来源 .... - 21 -
表 11、语言模型 API token 定价（截止 2023 年 4 月 12 日） .... - 26 -
表12、聊天模型定价（截止 2023年 3月 15日） ..... - 26 -
表 13、 GPT-4 API token 定价（截止 2023 年 4 月 12 日） ...... - 26 -
表14、音频生成模型定价（截止 2023年 4月 12日） ..... - 26 -
表15、图像生成模型定价（截止 2023年 4月 12日） ... - 26 -
表16、图像生成模型 API的单价.. ... - 27 -
表 17、Microsoft 365 Copilot 服务.. .... - 28 -
表 18、Open AI 高管背景.. .... - 30 -
表19、微软与海外其他大厂大语言模型的进展. .... - 31 -
表20、中国AI相关扶持政策. ... - 32 -
表21、国内AIGC模型领先企业. .... - 33 -
表22、国内代表大模型 ..... - 33 -
表23、部分国内开源框架.. ..... - 34 -
表24、部分AI芯片代表企业 ... - 34 -
表25、部分中文训练数据集. ... - 34 -
表26、To-B端文心千帆大模型平台. ...... - 37 -
表27、百度与国内其他大厂大语言模型的进展. ..... - 38 -
表 28、ChatGPT Plugins .. ... - 43 -
表 29、App Store 发展历史 .. - 43 -
表 30、AIGC 相关部分海外公司一览表（日期：2023 年 4 月 13 日）.............- 50 -

报告正文

一、为什么是 AIGC？

AIGC（Artificial Intelligence-Generated Content）即“人工智能自动生成内容”，是利用 AI 来生成各种形式和风格的内容，如文本、图像、音频和视频等。与传统基于数据分析和推荐系统的内容处理方式相比，AIGC 可以直接根据用户需求来生成最合适的内容，具有更强的主动性和创造性。

根据 Gartner 预计，2022 年 AIGC 占全球数字数据量为 1%，到 2025 年，这一比例将提升至 10%。应用领域广泛，如软件编程，医药研发，精准营销，影视娱乐等，涉及行业的广度和深度远超从前。

而根据 OpenAI 研究论文预计，除了内容产出的变革外，AIGC 也将有效的提高工作效率，减少工时。以美国为例，OpenAI 预计未来将有 80%的工人至少 10%的任务会受到影响，19%的工人有超一半的任务会受到影响。

为什么是 AIGC：易用性、生产力、适配广

我们看到，AIGC（1）用人类最熟悉的自然语言作为媒介，简单易用；（2）替代人类的重复思考与工作，有效地释放了生产力；（3）下游应用广泛，适用性强，各行各业都有适配 AIGC 的场景与需求。这三大特性使得 AIGC 不同于过往互联网概念的炒作，而是真正有望大幅度提高人类的生产力和创造力，推动产业发展与创新，成为互联网新发展的助推剂。

表 1、生成式AI三大特性

请务必阅读正文之后的信息披露和重要声明

下游应用广泛，适用性强
搜索

医药

资料来源：Bing，网易，Discord，Simulations Plus，搜狐，兴业证券经济与金融研究院整理

图 1、AIGC 框架一览

资料来源：《Deep Generative Modeling》，《Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks》，兴业证券经济与金融研究院整理

为什么是现在：算力、算法突破瓶颈

制约 AIGC发展的两座大山，算力以及算法，获得解决。中国信通院将 AIGC的发展划分为三个阶段，即（1）早期萌芽阶段（90 年代之前），这一阶段科技水平落后，受限于算力，仅能进行小范围实验；（2）沉淀积累阶段（1990s-2010s），AIGC 从实验性向实用性逐渐转变，到 2006 年，深度学习算法取得重大突破，图形处理器（GPU）和张量处理器（TPU）等硬件性能持续提升，互联网的普及为人工智能算法提供了大量训练数据，使人工智能大幅进步，但这一阶段，囿于算法瓶颈，内容生成效果较差，产品有待迭代；（3）快速发展阶段（2010s-至今），深度学习算法不断迭代，人工智能生成内容逐步迈向成熟，人工智能生成内容的应用百花齐放，目前 Text-to-text（文本到文本）、Text-to-Image（文本到图像）、Text-to-3D（文本到 3D）等AIGC应用已初崭头角。

图 2、AIGC三个发展阶段

资料来源：中国信息通信研究院，IArtificial.net，CSDN，COBRA，兴业证券经济与金融研究院整理

表 2、AIGC发展历史上的代表事件/产品

事件名称	事件描述	历史意义
《1 The Road》（2007年）	2007年，纽约大学人工智能研究员RossGoodwin装配的人工智能系统撰写出小说《1 The Road》。	《1 TheRoad》是世界上首本由人工智能(AI)创作的小说。
微软同声转译系统（2012年）	深度神经网络（DNN）是一种使用深度学习技术的人工神经网络。DNN由多个相互连接的节点的隐藏层组成，DNN能够以显著的准确性执行图像识别、自然语言处理和语音识别等任务。具体应用是微软基于DNN推出了同声转译系统，该系统可将英文演讲者的内容自动翻译成中文语音。	深度神经网络（DNN）是一项开创性进展，深度神经网络(DNN)目前是许多现代AI应用的基础，证明了深度神经网络的有效性。
生成式对抗网络（2014年）	生成对抗网络（GANs）是由Ian J.Goodfellow在2014年提出的。GANs是一种深度学习架构，由两个神经网络组成：一个生成器网络和一个鉴别器网络。生成器网络被训练来生成与训练集相似的新数据，而判别器网络被训练来区分训练集的真实数据和生成器生成的假数据。Training setRealRandom LFake醫 8Fake image	GANs被认为是深度学习领域的一个强有力的工具。
StyleGAN（2018年）	StyleGAN是英伟达在2018年发布的生成式对抗网络模型，它能够生成高质量的人脸和其他物体的图像，其独特之处在于生成具有一致风格和多样化外观的图像。	StyleGAN已被计算机视觉和机器学习界广泛采用，并已
	StyleGAN采用分层结构，可以对生成的图像进行更精细的控制，产生的结果比以前的模型更真实，也更多样化。	被用于各种应用，包括视频游戏设计和虚拟现实。
DVD-GAN（2019年）	DeepMind的研究人员在2019年推出名为Dual Video DiscriminatorGAN（DVD-GAN）的AI模型，该DVD-GAN能通过学习YouTube视频的数据集，产出 256 x256像素的连续视频，最长可达48帧。DVD-GAN模型在几个基准数据集中取得了先进的结果，证明了它在计算机视觉领域的有效性和多功能性。	证明了AIGC应用到不同的场景（草地、广场）和任务（文本→照片→视频）中的能力大幅提升。
DALL-E（2021年）	OpenAI于2021年1月5日推出了DALL-E的人工智能程序，DALL-E可以通过文本描述生成图像。DALL-E通过 120亿参数版本的GPT-3 Transformer模型来理解自然语言输入并生成相应的图像，且DALL-E不仅可生成现实的对象，也能创作现实中不存在的对象。	DALL-E因执行图像创作的先进能力而备受关注。
ChatGPT（2022年）	ChatGPT（Chat Generative Pre-trained Transformer）是 OpenAI 于 2022年11月推出的是一款的对话式AI模型，能够以如此高的准确度执行自然语言生成（NLG）任务，因其快速、详细的响应和能提供跨多个知识领域的回答而火速受到全世界关注。	AIGC第一次在消费端市场大放异彩，截止2023年1月末，月活跃用户已达1亿，是历史上增长最快的消费应用。

资料来源：中国信息通信研究院，CSDN，IArtificial.net，兴业证券经济与金融研究院整理

1、构建 AIGC 的三大核心能力

AIGC 的核心建立在三个关键能力之上，分别为算法、算力、数据。以下我们以文本生成模型为例进行分析。

1.2.1、算法：Transformer 奠定基础

目前语言大模型的核心底层算法为Transformer，于2017年由谷歌大脑团队推出并奠定了大模型时代基础，当前流行的大模型大多都是基于 Transformer 的变体或扩展，例如 2020 年的 ViT（Vision Transformer）与 DDPM（Denoising DiffusionProbabilistic Models），2021 年的 InstructGPT，及 2022 年的 ChatGPT。自Transformer之后底层算法未有较大突破，业界将目光更多集中于算法的具体落地、算力芯片与数据集升级等方面。

Transformer是一种自然语言处理（NLP）模型，用于翻译、文本生成、摘要等任务。相比于传统的循环神经网络模型，Transformer 模型使用了一种名为“自注意力机制”(Self-Attention)的新型计算方式，即对于输入序列中的每个单词或字符，计算其与其他单词或字符之间的相似度，并根据相似度来分配注意力权重。然后，使用这些权重来加权计算每个单词或字符的表示，使得模型在处理长文本时效果更好且速度更快。通过多层堆叠自注意力机制和前馈神经网络，Transformer模型可以同时对输入文本的所有部分进行处理，并学习输入序列之间的关系，从而获得更好的语言表示。

图 3、Transformer 模型架构

资料来源：CSDN，兴业证券经济与金融研究院整理

除底层算法选择外，模型微调在大语言模型训练中也至关重要。不同语言模型在训练数据、模型和微调方面存在差异，但共性是都遵循用户指令进行模型优化。通常而言，最初仅经过预训练的模型所生成的内容会不符合用户意愿，因此模型开发者会使用指令调整的方法来优化模型，比如利用指令微调（Instruction Fine-Tuning, IFT）、监督微调（Supervised Fine-tuning, SFT）、思维链（Chain-of-thought，CoT）等微调方法对模型进行优化，提高模型性能。再借助人类反馈强化学习（Reinforcement learning from human feedback, RLHF），生成更符合人类期望的内容。

图 4、语言大模型预训练后引入人工微调进行模型优化

资料来源：CSDN，兴业证券经济与金融研究院整理

表 3、大模型微调方法差异

	LaMDA	BlenderBot 3	Sparrow	ChatGPT/InstructGPT	Claude
组织机构	Google	Meta	DeepMind	OpenAI	Anthropic
访问权限	封闭	公开	封闭	有限	封闭
参数规模	1370亿	1750亿	700亿	1750亿	520亿
基础模型	未知	OPT	Chinchilla	GPT-3.5	未知
语料库规模	2.81万亿	1000亿	1.4万亿	未知	4000亿
访问网络	√	√	√	×	×
监督微调	√	√	√	√	√
微调数据规模	高质量：6.4K；安全性：8K；落地性：4K；；IR: 49K	20个NLP数据集，范围从18K到1.2M	未知	InstructGPT:12.7KChatGPT可能更多	150K+LM生成的数据
RLHF	×	×	√	√	√
人工安全规则	√	×	√	×	√
生成内容评估标准	1.质量(理智、精确、有趣）2.安全性(包括偏见)3.有根据的	1、质量(参与性、知识运用）；2.安全性(毒性、偏见)	1.Alignment(有帮助，无害，正确)；2.有根据的(来自网站)；3.是否违反规则；4.是否生成偏见和刻板印象；5.值得信任	1.Alignment(有帮助，无害，正确)；2.是否存在偏见	1. Alignment(有帮助，无害，正确)2.是否存在偏见

资料来源：Github，兴业证券经济与金融研究院整理

人类反馈强化学习（RLHF）微调：由于网络数据来源千差万别，存在一个提示将会对应许多“正确答案”的问题，因此 InstructGPT引入人工微调手段 RLHF进一步解决语言模型生成答案不符合人类预期的问题，RLHF 利用人类与 API 互动的真实反馈，对输出内容进行排序标注，以生成多样性和安全性兼顾的内容。Open AI 的 InstructGPT、ChatGPT，DeepMind 的 Sparrow，Anthropic 的Constitutional AI 均采用 RLHF 对模型进行微调。

引入 RLHF 后 InstructGPT 生成真实且信息量大的答案的频率是 GPT-3 的两倍，输出中不存在的信息的频率大约是 GPT-3的二分之一，输出有害信息也较 GPT-3有所改善，RLHF 使在网络数据语料库中训练的语言模型能与复杂的人类价值观对齐，输出内容更为精准与专业。ChatGPT 沿用了 InstructGPT 的指示学习(Instruction Learning)和人工微调手段 RLHF 来指导模型训练，使其适应对话的场景，能够生成更自然、流畅、有趣和有用的回复。因此，ChatGPT 在与人类交流时比其他语言模型更出色。

图 5、RLHF三个步骤使用数据集规模

SFT Data			RM Data			PPO Data
split	source	size	split	source	size	split	source	size
train	labeler	11,295	train	labeler	6,623	train	customer	31,144
train	customer	1,430	train	customer	26,584	valid	customer	16,185
valid	labeler	1,550	valid	labeler	3,488
valid	customer	103	valid	customer	14,399

资料来源：《Training language models to follow instructions with human feedback》，兴业证券经济与金融研究院整理

1.2.2、算力：驱动大模型的燃料

据报道，OpenAI 公司的 GPT-2 到 GPT-3 的参数数量从 15 亿增加到 1750 亿，这种参数数量的大幅增加使 GPT-3 的总算力消耗达到 3640 PF-days，不仅仅是

OpenAI，谷歌的预训练模型 Bert 参数量达到了 4810 亿，Deepmind 的 Gopher 参数量达到 2800 亿。而使用 Transformer 架构的预训练模型（如 OpenAI 的 GPT 系列模型）的运算量正以每两年 750 倍的速度快速增长，因此 AI 大模型对算力需求愈发旺盛。

据微软表示，OpenAI 使用的是一台全球排名前五的超级计算机系统用以训练GPT-3，系统拥有超过28.5万个CPU核心，1万个GPU（每个的性能都达到400G每秒），训练成本约为 1200万美元。

表 4、GPT 历代参数量以及训练量

模型	发布时间	层数	头数	词向量长度	参数量	预训练数据量	训练时长及设备
GPT-1	2018年6月	12	12	768	1.17亿	约5GB
GPT-2	2019年2月	48	：	1600	15亿	40GB	在256个GoogleCloudTPUv3上训练一周+
GPT-3	2020年5月	96	96	12888	1,750亿	45TB	由1万个V100GPT组成的高性能网络集群
GPT-4	2023年3月	-	-	1	-	-	经过6个月训练，其中部分训练在Azure云平台

资料来源：OpenAI 官网，品玩，CSDN，兴业证券经济与金融研究院整理

表 5、国外主要 AIGC 预训练模型一览

公司	预训练模型	领域	应用	参数量
谷歌	Bert	NLP	语言理解与生成	4810亿
	LaMDA	NLP	对话系统
	PaLM	NLP	语言理解与生成、推理、代码生成	5400亿
	Imagen	多模态	语言理解与图像生成	110亿
	Parti	多模态	语言理解与图像生成	200亿
微软	Florence	CV	视觉识别	6.4亿
微软	Turing-NLG	NLP	语言理解、生成	170亿
Meta	OPT-175B	NLP	语言模型	1750亿
Meta	M2M-100	NLP	100种语言互译	150亿
DeepMind	Gato	多模态	多面手的智能体	12亿
	Gopher	NLP	语言理解与生成	2800亿
	AlphaCode	NLP	代码生成	414亿
OpenAl	GPT-3	NLP	语言理解与生成、推理等	1750亿
	CLIP&DALLE	多模态	跨模态检索	120亿
	Codex	NLP	代码生成	120亿
	ChatGPT	NLP	语言理解与生成、推理等
	GPT4	多模态	语言理解与生成、推理、识别图像等	未披露

英伟达	Megatron-Turing NLG	NLP	语言理解与生成、推理	5300亿
Stability Al	Stable Diffusion	多模态	语言理解与图像生成

资料来源：《腾讯研究院 AIGC 发展趋势报告》，兴业证券经济与金融研究院整理

图 6、GPT-3 模型训练参数量及数据量

Model Name	Tparams	layers	dmodel	nheads	dhead	Batch Size	Learning Rate
GPT-3 Small	125M	12	768	12	64	0.5M	6.0×10-4
GPT-3 Medium	350M	24	1024	16	64	0.5M	3.0×10-4
GPT-3 Large	760M	24	1536	16	96	0.5M	2.5×10-4
GPT-3 XL	1.3B	24	2048	24	128	1M	2.0×10-4
GPT-3 2.7B	2.7B	32	2560	32	80	1M	1.6×10-4
GPT-3 6.7B	6.7B	32	4096	32	128	2M	1.2×10-4
GPT-3 13B	13.0B	40	5140	40	128	2M	1.0×10-4
GPT-3 175B or "GPT-3”	175.0B	96	12288	96	128	3.2M	0.6×10-4

资料来源：《Language Models are Few-Shot Learners》，兴业证券经济与金融研究院整理

图 7、大模型训练算力消耗逐步攀升

资料来源：CSDN，兴业证券经济与金融研究院整理

高性能芯片为算力关键一环。在 AI 机器学习“训练”环节和“云端”应用场景中需要大规模的并行运算，而GPU算力佳且擅长并行计算的特点使其成为AI芯片的扛鼎者，占据了大部分AI芯片的市场份额。AI训练和推理芯片主要包括GPU、FPGA、ASIC，其中训练芯片由于在 AI 训练环节需要具备高内在并行度、巨量浮点计算以及矩阵运算，因此训练芯片对算力性能要求较高，高端 GPU 占据训练芯片的绝大部分份额。应用场景方面，AI 芯片又分为云端、边缘、终端三种。在云端应用场景中，AI 在处理海量数据的同时也要提供训练和推理的工作，因此对于 AI 芯片的算力提出最高要求，具有高性能且能批量处理密集任务的 GPU脱颖而出，成为构建云端服务器的主要芯片。

表 6、AI 芯片主要代表 GPU、ASIC、FPGA 对比

	GPU	ASIC	FPGA
优势	0三者中算力最优①擅长浮点运算和并行计算①是AI芯片中适用范围最广、灵活度最高的硬件OGPU具先发优势，技术发展时间长，生态较为成熟	①定制化设计，为特定用户要求而设计制造的芯片单位算力功耗较低和性能稳定	①实用性强，延迟低，流水线并行与数据并行①灵活性为三者中最强，因为其为可编程芯片，功能可根据使用者的需求调整，为算法未定型前的最优之选①作为可编程芯片，在AI模型训练中可针对特定要求而进行功能调整。相较GPU,FPGA 于语音识别和NLP领域获得加速效果更明显。
劣势	功耗高	①生态不够成熟，代码社区不够完善使用成本高	①生产的使用成本为三者中最高
主要应用领域	AI云端推理与训练等	安防、数据中心、车载、边缘计算等	汽车智能化领域等
功率吞吐量对比	W10GPU10² CPU1 FPGAASIC10-1 10 10² 10 GOPS

资料来源：《Recent Advances in Convolutional Neural Network Acceleration》，兴业证券经济与金融研究院整理

1.2.3、数据：语料库丰富度与数据标注缺一不可

数据是训练和迭代AIGC模型的核心要素。例如ChatGPT，其用于GPT-3的训练集为集合近一万亿单词的 Common Crawl 数据集（2283 亿 token）、WebText 2、Books1 数据集（120 亿 token）、Books2 数据集（550 亿 token）、Wikipedia（30亿 token）、Reddit 链接、Stack Exchange 技术问答社区、Github 代码、ArXiv 论文、RealNew 新闻存档、PubMed 医疗数据等等，并进行人工轻度过滤，通过将较高质量的数据集更频繁的采样、重复与模糊的数据删除、将已知的高质量参考语料库添加进训练组合中，促使 ChatGPT的输出精准性大幅提升。

图 8、用于训练GPT-3的数据集

Dataset	Quantity (tokens)	Weight in training mix	Epochs elapsed when training for 300B tokens
Common Crawl (filtered)	410 billion	60%	0.44
WebText2	19 billion	22%	2.9
Books1	12 billion	8%	1.9
Books2	55 billion	8%	0.43
Wikipedia	3 billion	3%	3.4

资料来源：《Language Models are Few-Shot Learners》，兴业证券经济与金融研究院整理

图 9、主要数据集规模

资料来源：Life Architect，兴业证券经济与金融研究院整理

表 7、主要数据集规模（单位：GB）

模型	维基百科	书籍	学术期刊	Reddit链接	Common Crawl	其他数据集	总数
GPT-1		4.6					4.6
GPT-2				40			40
GPT-3	11.4	21	101	50	570		753
The PileV1	6	118	244	63	227	167	825
Megatron-11B	11.4	4.6		38	107		161
MT-NLG	6.4	118	77	63	983	127	1374
Gopher	12.5	2100	164.4		3450	4823	10550

资料来源：Oneflow，兴业证券经济与金融研究院整理

ChatGPT 数据准确度与实时度仍需提高，这对数据库的优质性提出更高要求。准确度方面，ChatGPT的回答质量基于数据来源的专业程度，比如在ChatGPT未获取IDC、Gartner等数据集的情况下，就会导致其生成的半导体产业数据分析内容质量较差。实时度方面，ChatGPT所用数据集停留在 2021年，微软的 Bing 在后续将搭载 GPT-4 版本，预计该版本相较于 ChatGPT 而言更强大，且具备实时性，弥补信息老旧问题，不再局限于 2021年的内容。

除了丰富的语料库外，高质量、大规模的数据标注将显著提升 NLP 模型训练效果，使其输出更精确且更符合正向价值观。因此 ChatGPT 引入 InstructGPT 后，运用 RLHF（人类反馈强化学习）进行训练的第一个步骤中就加入人工数据标注，优化输出结果，利用已标注数据进行 GPT-3有监督的训练。第二个核心步骤也收集了对生成文本的质量偏好标注，人工标注者对输出结果按照偏好进行排序，采用近端策略优化调整模型，训练奖励模型使模型(Reward Model)生成人类偏好的内容，使模型的价值观与人类契合度大幅提升。

图 10、RLHF人工标注环节

资料来源：《Training language models to follow instructionswith human feedback》，兴业证券经济与金融研究院整理

图 11、模型回答满意度量表

资料来源：OpenAI 官网，兴业证券经济与金融研究院整理

1.2.4、其他 AIGC 模式

除了以上介绍的基于 Transformer模型的文生文AIGC外，我们看到文生图，文生音，视频生成等多种 AIGC 模式也在快速发展。

表 8、多种 AIGC 生成类别

AIGC类别	概述	代表性产品	技术特点（举例说明）
文本生成AIGC	将文本或图片输入转换为相应的文本输出	OpenAI的 GPT 系列（如ChatGPT、GPT-4)	GPT 系列基于 Transformer模型，通过大量的文本数据进行训练，从而能够理解自然语言并生成相应的内容
图像生成AIGC	支持 Text-to-Image(通过文本输入生成相应的图像)；图像修复(利用图像生成技术，可以填补照片空缺、修复图像中的缺陷或者破损)；图像增强(通过增加图像的细节、色彩和对比度等方式，改进图像的视觉效果)；图像融合(将不同图像或元素融合在一起，生成具有新特性或风格的图像。）	Midjourney、Stable Diffusion (StabilityAI)、DALL-E2(OpenAI)	Midjourney 的底层技术是基于 Stable diffusion扩散模型；Stable Diffusion 是基于 LatentDiffusion Models（潜在扩散模型，LDMs）开发的模型；DALL-E2利用CLIP（表示模型）和扩散模型作为核心模块
音频生成AIGC	支持 Text-to-Speech(通过文本输入生成相应的语音或音乐)；Speech-to-Speech(将音频转换为另一种声音或语言的服务）	MuseNet(OpenAI)、ResembleAI、AIVA、Soundful	MuseNet是基于 Sparse Transformer 重新计算和优化内核后生成的神经网络；Resemble AI的技术基础是WaveNet与 Tacotron 2(其中Tacotron2的底层技术是由循环的序列到序列特征预测网络组成)
视频生成AIGC	从文本、图像、音频或视频剪辑中生成新颖的视频输出	Gen-2 (Runway)、Colossyan、Synthesia、Veed.io、Lumen5、DeepBrain、Designs.ai	Gen-2底层技术是迭代于使用结构和内容同步引导的视频扩散模型 Gen-1，Gen-1的底层技术是基于 Latent and Stable Diffusion。

资料来源：OpenAI 官网，Midjourney 官网，Stable diffusion 官网，Resemble AI 官网，Runway 官网，Colossyan 官网，Synthesia 官网，Veed.io 官网，Lumen5 官网，DeepBrain 官网，Designs.ai 官网，兴业证券经济与金融研究院整理

二、OpenAI：AIGC 领军者

OpenAI成立于2015年，是一家人工智能研究和部署公司，创始团队有Elon Musk、美国创投 Y Combinator 总裁阿尔特曼、全球在线支付平台 PayPal 联合创始人彼得·蒂尔等。它由营利组织 OpenAI LP 与母公司非营利组织 OpenAI Inc 所组成。

公司以实现安全的通用人工智能(AGI)为核心宗旨，确保人工智能造福人类。2019 年 7 月，微软投资公司 10 亿美元，由非营利性机构转变为营利性公司，合作为 Azure云端平台服务开发人工智能技术。2020年，GPT-3语言模型发布，微软获得独家授权（拥有 GPT-3的代码和体系结构的独占访问权，未来基于 GPT-3的产品微软都有权使用），开放Open AI API商用。此外，据OpenAI早期创始人Elon Musk 披露，作为微软投资 OpenAI 的条款之一，微软对 OpenAI 的代码库有独家访问权。

图 12、OpenAI 历史沿革

资料来源：公司官网、公开互联网信息，兴业证券经济与金融研究院整理

2022 年， ChatGPT 与 DALL-E2 发布。2023 年 1 月微软宣布以 290 亿美元估值投资公司 100亿美元，其旗下所有产品将全线整合ChatGPT。2023 年2 月2 日，公司宣布推出ChatGPT Plus 订阅服务，2月8日，新版Bing上线，技术内核由GPT-3.5 的升级版 GPT-4 提供支持，微软称之为“普罗米修斯模型”。 2023 年 3 月 14日，GPT-4 多模态大模型发布，新增识别图像生成内容功能，回答准确性、创意性、处理复杂任务的能力远超GPT-3.5。

图 13、OpenAI 产品架构

资料来源：公司官网，兴业证券经济与金融研究院整理

2.1、ChatGPT 发展历史

OpenAI 在 2022 年 11 月末推出 ChatGPT，是 GPT-3 与 GPT-4 之间的过渡版本，由于其优秀的产品表现，一周时间内便突破百万用户，仅用 2 个月时间就累积 1亿用户，是人类有史以来突破亿人用户最快的消费端互联网产品，打破了TikTok9个月破亿用户的纪录，引发了市场对AIGC的关注。

GPT（Generative Pre-Tranning）模型是一种生成式AI模型，基于我们前文提到的Transformer 架构。ChatGPT 放弃传统的 RNN 架构，改而使用 Transformer 架构，这种基于注意力机制的神经网络模型可进行并行计算，更好地处理长序列的输入和输出，提高模型生成的质量和效率。

图 14、GPT-1 模型架构

资料来源：《Improving Language Understanding by Generative Pre-Training》，兴业证券经济与金融研究院整理

图 15、GPT 的迭代历史

资料来源：AI 语者，兴业证券经济与金融研究院整理

表 9、GPT版本迭代

模型	发布时间	参数量	预训练数据量	Transformer数	内容
GPT-1	2018.6	1.17亿	5GB	12层	采用了半监督学习的方式（先用无监督学习的方式，在8个GPU上花费1个月从大量未标注数据中学习，然后再进行有监督的微调），在无标签的数据上学习一个通用的语言模型，从而对高质量标注数据的要求比较低，有比较强的泛化能力，首次采用了Transformer架构作为特征抽取器，解决了传统RNN结构的缺陷与效率问题，在问题回答、语义相似度评估、语义确定、文本分类任务中可以简单应用
GPT-2	2019.2	15亿	40GB	48层	引入了 zero-shot 的概念，即模型在不再需要有标注的数据集来进行子任务微调的工作，而是全程都采用无监督学习的方式来训练模型,是开源的，并且能够多任务学习，使用了更多的网络参数与更大的数据集，验证了通过海量数据和大量参数训练出来的词向量模型可迁移到其它类别任务中，而不需要额外的训练
GPT-3	2020.5	1750亿	45TB	96层	花费1200 万美元的训练费用，海量数据，从而在不使用样本、使用极少量样本完成下游 NLP任务，还可以完成数学加法、代码编写等任务
GPT-4	2023.3	未披露	未披露	-	OpenAI最先进的模型，在需要高级推理、复杂指令理解和更具创造性的任务上表现出色。

资料来源：公司官网，兴业证券经济与金融研究院整理

ChatGPT周访问量达 3.87亿次，其他 AIGC应用如 Midjourney等访问量迅速增长。即使在经常宕机和开放国家受限的情况下，ChatGPT 仍然保持着强大的用户粘性和吸引力。根据Similarweb数据显示，ChatGPT周网页访问量从最初的2145万次到目前约 3.9亿次，除了 ChatGPT本身的成功，其他 AIGC应用的热度也在不断增加，如 Midjourney 网页周访问量从 326 万次增长至目前的 1207 万次。

图 16、Chat.openai 周网页访问量

资料来源：Similarweb，兴业证券经济与金融研究院整理

图 17、Midjourney 周网页访问量

资料来源：Similarweb，兴业证券经济与金融研究院整理

ChatGPT 为何优秀：

ChatGPT 并不是一蹴而就，而是迭代多次才不断完善，而在此前，不仅 OpenAI，也有多个平台发布类似产品，但是表现平平。我们认为，区别于此前的 AI 问答，ChatGPT的出彩之处在于：

（1）情景学习(In-Context Learning)：以往的 AI 模型需要海量样本方能识别物体，例如识别猫科动物需要一万张相关图片，而 In-Context Learning 可以使模型仅通过一定的指令与示范较少的实例即可生成 Prompt，实现 few shot（少样本学习）或者Zero shot（零样本学习）。

（2）指令学习：当用于调整 ChatGPT 的指令数量具有一定规模时，能增强模型泛化能力，生成从未见过的新指令的有效回答。指令学习也提高了模型的通用性，以往的 AI 模型仅能于单一任务上进行操作，指令学习可使 ChatGPT 实现多任务学习与操作。

（3）思维链(Chain-of-Thought)：增强模型在需要逐步思考的任务上的生成表现，展示答案的逻辑将更为清晰，有效防止语言模型规避用户问题，并使用户理解其回答的原因与依据。

（4）人类反馈强化学习（RLHF）：模型算法使用RLHF（人类反馈强化学习）技术对 ChatGPT 进行了训练，且加入了更多人工监督对 NLP（自然语言处理）和 RL（强化学习）进行微调，为信任域策略优化算法带来了成本效益，相比GPT-3，新加入的 RLHF（人类反馈强化学习）范式，增强了人类对模型输出结果的调节，并且对结果进行了更具理解性的排序。RLHF使 ChatGPT与人的沟通能力得到了显著提升，ChatGPT 输出的内容更加符合人类的期望（无害、符合价值观、有帮助的），但也因需要对齐人类价值观，ChatGPT 会牺牲部分其性能，即“对齐税 (Alignment Tax)”。

（5）海量文本数据训练：ChatGPT 拥有 1750 亿参数量，使其储存了海量知识，

能满足人类对通用知识的基本需求。

图 18、RHLF 算法的训练流程

资料来源：公司官网，兴业证券经济与金融研究院整理

ChatGPT的知识来自哪里：

ChatGPT 大量的文本数据训练主要来自：1、Common Crawl，美国的一个非营利性组织，总部位于加利福尼亚州旧金山和洛杉矶，负责抓取网络并免费向公众提供其档案和数据集，持续抓取了互联网 10 年的数据（75%英语，3%中文，2.5%西班牙语，2.5%德语等)。2、OpenWebText（开源版本）,数据是从 Reddit论坛上收集的URL，再把内容抓取下来。3、其他一些代表性的数据包括Wikipedia维基百科，Books 开放图书，Stack Exchange 技术问答社区，Github 代码，ArXiv 论文，RealNew 新闻存档，PubMed 医疗数据。

表 10、ChatGPT 文本资料来源

数据集	内容	计数	训练数据占比
Common Crawl	一个包含了超过50亿份网页元数据和提取文本的开源存档开放的数据平台，拥有PB级的数据	4100亿	60%
WebText2	是来自从Reddit出站的大于4500万个网页的文本，其中相关的帖子会有两个以上的支持率（upvotess），由于具有大于4.3亿的月活用户，因此数据集中的内容可以被认为是最“流行”的观点	190亿	22%
Books1	两个基于互联网的书籍数据集。类似的数据集包括：1、BookCorpus，是由未发表的作者撰写的免费小说书籍的集合，包含了至少10,000 本书；2、Library Genesis (Libgen)，一个非常大的科学论文、小说和非小说类书籍的集合	120亿	8%
Books2		550亿	8%
wiki	来自于Wikipedia的英文内容。由于其质量，写作风格和广度，它是语言建模的高质量文本的标准来源。	30亿	3%

资料来源：领英、凤凰网科技，兴业证券经济与金融研究院整理

驱动 ChatGPT 的动能：

大量的文本资料训练依靠算力实现，对于ChatGPT而言，支撑其算力基础设施至少需要上万颗英伟达 GPU A100（AlphaGO 只需要 8 块），一次模型训练成本超过1200万美元，而推理部分则依赖微软的azure云计算服务，由1万个V100 GPU组成的高性能网络集群，总算力消耗约 3640PF-days (即假如每秒计算一千万亿次,需要计算 3640 天)。

图 19、GPT-3 模型依靠强大的算力

资料来源：《Language Models are Few-Shot Learners》，兴业证券经济与金融研究院整理

2.2、GPT-4：AGI（通用人工智能）的早期版本

GPT-4为多模态大模型，相较 GPT 3.5新增图像处理能力，并具有更强大的文本处理能力。3月 14日，OpenAI推出了 GPT系列前所未有的强大模型 GPT-4。相较于之前的语言大模型，GPT-4 拥有图像识别能力并能处理视觉任务，扩展至2.5 万字的文本输入限制、显著提高的回答准确性以及推理能力，还能实现多种风格转换。经过 6 个月的努力，OpenAI 借助对抗性测试程序和 ChatGPT 的宝贵经验对 GPT-4进行了持续优化，使其在真实性和可控性等方面取得了空前的成果。

根据微软针对 GPT-4 所发布的研究论文，GPT-4 可被视为 AGI 的早期版本。据美国心理学会（APA）1994年对智力的定义，智力涵盖推理、规划、问题解决、抽象思维、理解复杂思想、快速学习和从经验中学习的能力。微软的研究结果表明，GPT-4 所展现的广泛且强大的能力突显了其具备通用人工智能（AGI）的早期特征。GPT-4 能够在无需特别提示的情况下，成功解决诸如数学、编程、视觉、医学、法律、心理等多个领域中的新任务和难任务，并且在这些任务中的表现远超过了之前的模型，例如 ChatGPT。此外，GPT-4 的表现在所有这些任务中也惊人地接近于人类的表现水平，这也意味着 GPT-4摸到AGI的门槛。

图 20、GPT-4所展现的部分 AGI相关能力

资料来源：OpenAI《GPT-4 Technical Report》，微软《Sparks of Artificial General Intelligence: Early experiments with GPT-4》，兴业证券经济与金融研究院整理

图 21、GPT-3.5 与 GPT-4 在推理、速度、答案明晰性方面对比

资料来源：ChatGPT，兴业证券经济与金融研究院整理

GPT-4 的功能进步（相较 ChatGPT）：

（1）回答的准确度与创作性提高，尤其是面对复杂任务时。当任务复杂性达到足够阈值时， GPT-4相较于 GPT-3.5表现出更高的可靠性、创造力，并能应对更

丰富的细节指令。

（2）可输入超长上下文，输入上限拓展达 2.5 万字，ChatGPT 仅能输入 3000 字。

（3）拥有多模态功能，可向 GPT-4输入图片内容。例如 GPT-4可根据草稿图生成网站HTML代码。与ChatGPT相比，GPT-4能识别图片、识别网络梗图并可描述笑点。

（4）在专业和学术基准测试中表现出人类水平的性能，例如，在模拟律师考试中，GPT-4 跻身前 10%，而此前的 GPT-3.5 仅位于倒数 10%。此外，在 GPT-4 参与的多语言性能评估等各类基准测试中，GPT-4 多项指标的表现优于现有的大型语言模型。

（5）GPT-4 回答准确度提高，涉及敏感问题时更安全。在真实性方面，GPT-4相比GPT-3.5提高了40%。内部评估显示，相较GPT-3.5，GPT-4响应不允许内容的可能性下降 82%，给出事实性响应的可能性提高40%。

（6）开发者可定制模型语言风格。与 ChatGPT 的统一语气和风格不同，开发者可通过 GPT-4 定制 AI 的风格。

图 22、GPT 在各种基准测试中优于其他大模型

Benchmark	GPT-4 Evaluated few-shot	GPT-3.5 Evaluated few-shot	LM SOTA BestexternalLMevaluatedfew-shot	SOTA Bestexternal model(includesbenchmark-speclfictralning)
MMLU57个科目的多项选择题 (专业和学术) Multiple-cholcequestonsIn57subects (professonal&academic)	86.4% 5-shot	70.0% 5-shot	70.7% 5-shot U-PaLM	75.2% 5-shot Flan-PaLM
HellaSwag 围绕日常事件进行常识性推理 Commonsensereasoningaround everydayevents	95.3% 10-shot	85.5% 10-shot	84.2% LLAMA(validation et)	85.6% ALUM
Al2 Reasoning Challenge (ARC) 小学多项选择科学题 Gradeshoeecs	96.3% 25-shot	85.2% 25-shot	84.2% 8-shot PaLM	85.6% ST-MOE
WinoGrande关于代词解析的常识推理 Commonsense reasoning around pronoun resolution	87.5% 5-shot	81.6% 5-shot	84.2% 5-shot PALM	85.6% 5-shotPALM
HumanEval Python编程任务 Python coding tasks	67.0% O-shot	48.1% O-shot	26.2% 0-shot PaLM	65.8% CodeT + GPT-3.5
DROP(f1 score）阅读理解和算术 Readingcomprehension &arithmetic.	80.9 3-shot	64.1 3-shot	70.8 1-shot PaLM	88.4 QDGAT

资料来源：OpenAI官网，兴业证券经济与金融研究院整理

图 23、GPT-4 在学术和专业考试中的表现
图 24、MMLU 测试中 GPT-4 拥有优于其他模型的英语表现

资料来源：OpenAI《GPT-4 Technical Report》，兴业证券经济与金融研究院整理

资料来源：OpenAI《GPT-4 Technical Report》，兴业证券经济与金融研究院整理

微调手段的进步：

GPT-4 在人类反馈强化学习（RLHF）训练中额外融入了一个的安全奖励信号，以降低有害输出。该奖励由GPT-4零样本分类器提供，判断安全边界和完成方式。为防止拒绝有效请求，OpenAI 收集了多样化的数据集，应用安全奖励信号（正负值）。此外，OpenAI 聘请了 50 多位不同领域专家对模型进行对抗性测试，并根据专家反馈进行改进。与 GPT-3.5相比，这些措施显著提升了 GPT-4的安全性能，降低了 82%的非法内容请求响应倾向，同时增加了 29%符合 OpenAI政策的敏感请求响应。

图 25、GPT-4的不正确行为率及与前代对比

资料来源：OpenAI官网，兴业证券经济与金融研究院整理

图 26、GPT-4面对敏感问题的响应变化

资料来源：极客公园，兴业证券经济与金融研究院整理

2.3、探索中的盈利模式

OpenAI 目前正在探索多条盈利路径：1）API 收费；2）ChatGPT Plus 订阅服务；3）Azure OpenAI 服务；4）Microsoft 365 Copilot 服务；5）集成 GPT 至具体软件。

1）API 收费：

除了与微软合作外，公司还构建了AI服务的基础层，借助GPT-3 和DALL-E 2等大型生成模型产品，为希望在其基础模型之上开发应用程序的企业提供 API（应用程序编程接口）。

图 27、企业通过 OpenAI 提供的 API 建立应用程序

资料来源：公司官网，兴业证券经济与金融研究院整理

语言模型API收费：通过API将公司的生成模型货币化，收取许可费。语言模型则使用 token 定价（1000 个 token 大约能输入 750 个字(words)）,每个模型都提供不同的功能,因此定价不同；客户还可以微调公司的现有模型，为此需要支付额外费用（例如在语言模型上微调Davinci为0.12 美元/1k token，而标准模型为0.02美元/1k token）。

表 11、语言模型 API token 定价（截止 2023 年 4 月 12 日）

		Ada(最快)	Babbage	Curie	Davinci(最强大)
InstructGPT	定价	$0.0004/1K tokens	$0.0005/1K tokens	$0.0020/1K tokens	$0.0200 /1K tokens
微调模型	训练定价	$0.0004/1K tokens	$0.0006/1K tokens	$0.0030/1K tokens	$0.0300/1K tokens
微调模型	使用定价	$0.0016/1K tokens	$0.0024/1K tokens	$O.0120/1K tokens	$0.1200/1K tokens
嵌入模型	使用定价	$0.0004/1K tokens	-	1	-

资料来源：OpenAI 官网，兴业证券经济与金融研究院整理

表 12、聊天模型定价（截止 2023 年 3 月 15 日）

模型	定价
gpt-3.5-turbo	$0.002/1K tokens

资料来源：OpenAI 官网，兴业证券经济与金融研究院整理

GPT-4 API 收费：美东时间 2023 年 3 月 14 日 GPT-4 发布后，OpenAI 官网更新了GPT-4 API 的 Token 定价。目前 GPT-4 的 API 仅支持文本输入，使用先需加入等待列表。

表 13、 GPT-4 API token 定价（截止 2023 年 4 月 12 日）

模型类型	价格(每1000个Prompt tokens)	价格(每1000个 Completion tokens)
8k上下文长度（如gpt-4和gpt-4-0314）	$0.03	$0.06
32k上下文长度（如gpt-4-32k和gpt-4-32k-0314）	$0.06	$0.12

资料来源：OpenAI 官网，兴业证券经济与金融研究院整理

音频图像模型收费：Whisper 可以将语音转录成文字，并可将多种语言翻译成英语。

表 14、音频生成模型定价（截止 2023年4月 12日）

模型	定价
Whisper	$0.006/分钟

资料来源：OpenAI 官网，兴业证券经济与金融研究院整理

Dall-E 图像生成模型的单价为每张图像 0.016 美元至 0.020 美元；

表 15、图像生成模型定价（截止 2023 年 4 月 12 日）

分辨率	1024×1024	512×512	256×256
定价	$0.020/张	$0.018/张	$0.016/张

资料来源：OpenAI 官网，兴业证券经济与金融研究院整理

2）ChatGPT Plus 订阅服务

公司还围绕付费会员模式，发布了ChatGPT Plus订阅服务，提供的服务包括全天高使用性、更快响应与优先访问新功能。3月14日GPT-4上线，仅面向ChatGPTPlus订阅者开放使用权限。

定价：用户需支付 20 美元/月以订阅 ChatGPT Plus。

图 28、ChatGPT 订阅服务

资料来源：OpenAI官网，兴业证券经济与金融研究院整理

3）Azure OpenAI 服务：

微软与 OpenAI 合作发布 Azure OpenAI 企业级服务，有助于企业实现更优的数据管理，提升生产力。Azure OpenAI 的收费基于每个模型的使用量，消费模式为现收现付，每种模式都有一个单位价格。

表 16、图像生成模型 API 的单价

系列	模型	每1,000 tokens收取费用	每1小时部署云端费用
基础系列	Ada	$0.0004	N/A
	Babbage	$0.0005	N/A
	Curie	$0.0020	N/A
	Davinci	$0.0200	N/A
基础系列微调	Ada	$0.0004	$0.05
	Babbage	$0.0005	$0.08
	Curie	$0.0020	$0.24
	Davinci	$0.0200	$34
Codex系列	Code-Cushman	$0.0240	N/A
Codex系列	Code-Davinci	$0.1000	N/A
Codex系列微调	Code-Cushman	$0.0240	$0.54/hour
嵌入(Embeddings)	Ada	$0.0040	N/A
	Babbage	$0.0050	N/A
	Curie	$0.0200	N/A
	Davinci	$0.2000	N/A

资料来源：Microsoft官网，兴业证券经济与金融研究院整理

4）Microsoft 365 Copilot 服务：

Copilot，基于 OpenAI 的 GPT-4 技术，以聊天机器人的形式集成在 Microsoft 365应用的侧边栏中，协助用户创建文档、电子邮件和演示文稿等。Copilot 与Microsoft 365 的结合主要分为两种：一是直接嵌入 365 应用程序；二是推出Business Chat 功能，Business Chat 能够跨越日历、电子邮件、会议记录、文档、联系人等信息，仅需简短的自然语言提示，即可根据会议、邮件和聊天记录等生成状态更新。借助 Microsoft Graph 和 GPT-4 的强大能力，Business Chat 将用户的数据整合至一起，更有效实现团队协作与工作推进。目前该服务已经向部分商业用户推出。官方表示在未来几个月内将会公布更多关于价格和细节方面的信息。

表 17、Microsoft 365 Copilot 服务

集成应用示意图		Copilot功能描述
Word 白中D时 mned2daopagp		Copilot可以在用户使用Word写作时对文件进行总结并提出编辑建议，根据组织的信息内容直接生成一份文件的草稿，支持在各种语调之间切换，功能还包括润色语句提高写作专业度。指令示例：A)根据文档和电子表格数据，草拟两页的项目提案；B)简化第三段，并调整文档的语气为更随意的；C)依据粗略大纲，创建一页草稿。
5h G copilatLbp Sigyprdats o 4062 510Excel 1954 PAnagingh da9091410la 1062PoductLom 口		Copilot 能够简化复杂数字表格的制作过程，用户只需通过自然语言提出问题，便可获得实用公式的推荐。此外，Copilot能发现数据间的关联性，针对提出的问题生成相应模型，并揭示数据趋势。它还具备根据数据快速生成SWOT分析和数据透视表的能力。指令示例：A)按类型和渠道展示销售情况；B)插入表格以解释数据；C)预测变量变化的影响，并生成图表进行可视化；D)模拟变量增长率变化对毛利率的影响。
PowerPoint		Copilot能够实现PPT与Word之间的便捷转换，并通过一键操作压缩预先存在的演示文稿，使之更为精简。此外，它还可通过自然语言输入实现动画切换、文本格式重置等功能。仅需点击按钮，即可精简演示文稿、调整布局、重新格式化文本，并实现动画的完美定时。指令示例：A)根据 Word 文档创建3页演示文稿，包含相关照片；B)将演示文稿压缩为三页摘要；C)将三个项目制作成三列格式，每列配一张图片。
Outlook	/	Copilot可协助用户阅读邮件并自动生成回复，可编辑生成的文本以协助用户草拟回复。它能够总结长且复杂的电子邮件线程，揭示各方不同观点和尚未解答的问题，而非仅关注已经表达的内容。通过简单提示，Copilot可将电子邮件或将快速笔记转化为简洁、专业的信息，同时从Microsoft365中的其他电子邮件或内容中提取信息。使用切换器可以调整回复的语气和长度。指令示例：A)总结上周错过的重要邮件；B)起草感谢邮件，并询问关于第二和第三点的详细信息；C）缩短邮件草稿并调整为专业语气；D）邀请大家参加下周四的午餐与学习活动，介绍新产品发布。
SNonsTeamsA		Copilot可以转录会议并生成会议摘要，回答有关会议的具体问题。它还能根据聊天记录直接生成会议议程，建议谁应该跟进特定项目，并建议安排签到的时间。指令示例：A)概述会议中错过的内容，了解讲述要点和分歧；B)为讨论的主题列出优缺点表格，思考在决策前还需考虑什么；C)总结已做出的决定和建议的后续行动。
BusinessChat	0	Business Chat 能够将来自Word、PPT、电子邮件、日历、备忘录、联系人等应用程序的信息汇集至Microsoft Teams中的统一聊天界面，从而生成摘要、计划概述等内容。示例指令：A)汇总关于客户项目的聊天记录、邮件和文档；B)确定项目的下一个里程碑，识别潜在风险并提出相应的缓解措施清单；C)参照文件A的风格编写新计划概述，整合文件B中的计划时间表，并将某人邮件中的项目列表融入其中。

资料来源：Microsoft官网，IT之家，TechVerse，兴业证券经济与金融研究院整理

5）集成 GPT-4 模型功能至具体应用中，合作商家包括：多邻国、Be My Eyes、Stripe 等。3 月 15 日，多邻国将集成了 GPT-4 的新功能商用，宣布推出 DuolingoMax 订阅服务，月收费 30 美元，年收费 168美元。

图 29、多邻国利用GPT-4提高用户学习体验

资料来源：OpenAI官网，兴业证券经济与金融研究院整理

图 30、Be My Eyes 利用 GPT-4 改善视觉辅助功能

资料来源：OpenAI官网，兴业证券经济与金融研究院整理

2.4、特殊的股权投资协议：目前与微软深度绑定

OpenAI LP 在企业组织形态上采用的是有限合伙，OpenAI Nonprofit 是其负责投资管理的普通合伙人，实际控制权将掌握在 OpenAI Nonprofit 的董事会，并适度向两位联合创始人配置权重倾斜。

图 31、Open AI 公司架构

资料来源：Wikipedia，OpenAI 官网，兴业证券经济与金融研究院整理

表 18、Open AI 高管背景

名称	职位	简介
Greg Brockman	联合创始人兼首席技术官（CTO）	曾就读于哈佛大学和麻省理工学院，2010年创立 Stripe为网站和移动应用程序开发了支付处理软件和 API，2015年与埃隆·马斯克和山姆·奥特曼共同创立了OpenAI，截至 2021年投资了24多个项目，包括Command E开发的跨应用程序搜索工具以及Grubhub 的送货机器人
Ilya Sutskever	联合创始人并担任首席科学家	曾就读于多伦多大学，在深度学习领域做出了多项重大贡献，深度学习教父Hinton的学生，与Alex Krizhevsky和Geoffrey Hinton 共同发明了卷积神经网络 AlexNet，是AlphaGo论文的众多作者之一
Samuel H. Altman	CEO	YCombinator的前总裁，曾就读于斯坦福大学和滑铁卢大学，19 岁创立位置服务提供商Loopt,后被 Green Dot Corporation 以 43万美元收购，于 2011年开始担任YCombinator 的兼职合伙人，2020年退出YC专注于OpenAI
Adam D'Angelo	董事会成员	Quora 的联合创始人兼首席执行官，曾是Facebook的首席技术官，并担任其工程副总裁，曾就读于加州理工学院
Reid Hoffman	董事会成员	LinkedIn联合创始人，曾经担任过PayPal高级副总裁，曾就读于牛津大学和斯坦福大学，是硅谷最有名的天使投资者之一，投资过60多家创业公司，包括Facebook和Digg
Holden Karnofsky	董事会成员	于 2007 年与 Elie Hassenfeld共同创立了慈善评估机构 GiveWell，并担任其董事会副主席，曾就读于哈佛大学
Tasha McCauley	董事会成员	Fellow Robots 的 CEO 及联合创始人
Shivon Zilis	董事会成员	彭博 Beta的创始投资者和合伙人之一，福布斯 30位30岁以下精英之一，LinkedIn位 35位 35岁以下精英之一，曾就读于耶鲁大学
Will Hurd	董事会成员	前众议员，长期专注于国会内外的人工智能问题
Helen Toner	董事会成员	乔治敦安全与新兴技术中心(CSET)的战略总监，Helen 在人工智能政策和全球人工智能战略研究方面拥有深厚的专业知识。

资料来源：OpenAI 官网、谷歌学术、wiki、领英、兴业证券经济与金融研究院整理

微软前期对 OpenAI 不余遗力投资。公司在 2019 年宣布了来自 ReidHoffman 慈善基金以及 Khosla Ventures 的 pre-种子轮投资；2019 年 7 月，微软向公司注资 10亿美元；2021 年微软对公司追加投资；公司于 2021 年底完成 2.5 亿美元的 A 轮融资，投资人包括微软、马斯克、谷歌风投、老虎环球基金、A16z、YC 等；2023年1月，微软投资公司100亿美元。

公司未来盈利后的利润分配将按照四个阶段进行：其全新的股权投资协议具有盈利上限，第一轮投资者的回报上限是 100 倍，超额部分将反哺 OpenAI Nonprofit，用于实现“确保创建和采用安全有益的通用人工智能，造福全人类”的使命，而在OpenAI 利润达920亿美元的第三阶段，微软持有OpenAI的股份下降至49%，其他投资者持有另外 49%的股份，OpenAl 的非营利母公司则持有剩余 2%的股份。而据媒体报道， OpenAI 的 2022 年收入约 3500 万美元，年亏损超 5 亿美元，但公司预计其将于 2023年、2024 年分别实现 2亿美元、10 亿美元营收。

图 32、公司股权投资协议四个阶段

资料来源：公司官网，兴业证券经济与金融研究院整理

2.5、其他海外大厂争先追赶

表 19、微软与海外其他大厂大语言模型的进展

企业大模型进展
微软（OpenAI)	2022年11月30日，ChatGPT发布，使用了Transformer神经网络架构，GPT-3.5架构，两个月让月活用户已突破1亿，是史上增长最快的消费者应用;
	2023年2月，微软发布史上最大语言模型，名为Turing-NLG，并表示"在各种语言建模基准方面的表现超过了最先进的水平，并且在许多实际任务的应用上，比如回答问题和摘要生成方面表现都十分优异”;
	2023年3月15日，GPT-4发布，实现多模态输入
谷歌(包括DeepMind)	2022年3月，Deepmind推出大型自回归语言模型Chinchilla，具有更少的参数和更多的训练语料，在诸多下游任务上均取得了显著的性能提升；
	2023年2月26日，谷歌旗下专注语言大模型领域的Blueshift Team（参与构建大模型新基准BIG-Bench）宣布正式加入DeepMind，旨在共同提升LLM（大语言模型）能力;
	2023年3月7日，谷歌推出大模型PaLM-E，拥有5620亿参数，是史上最大规模视觉语言模型，能处理多模态信息，执行各种复杂的机器人指令而无需重新训练；
	2023年3月20日，谷歌发布用于生成视频字幕的视觉语言大模型Vid2Seq
	2023年3月21日，谷歌基于大型语言模型LaMDA的聊天机器人Bard 开放公测，测试表现亮眼
Meta	2022年5月发布开源的预训练变换器语言模型OPT-175B，有1750亿个参数，可以处理多种自然语言任务，比如文本生成、问答、摘要等，碳足迹仅为1/7GPT-3（训练参数相同，但是2020年发布）；并于2022年12月发布其更新版本OPT-IML，还将为非商业研究用途免费开放；
	2022年11月发布大语言模型Galactica，有540亿参数，存在一些严重的偏见和错误，被撤回。在LaTeX方程式等技术知识探索上，Galactica比 GPT-3高出 68.2%；
	2023年2月发布大语言模型LLaMA（LargeLanguageModelMetaAI），有70亿、130亿、330亿和650亿四种参数规模，称能力超ChatGPT
亚马逊	2022亚马逊云科技会议，亚马逊云科技宣布将来自 Stability.AI的用于AI作画的 Stable Diffusion模型和超大自然语言处理模型Bloom集成到 SageMaker JumpStart，降低了大模型应用的门槛;
亚马逊	2023年2月，亚马逊发布论文《Multimodal Chain-of-Thought Reasoning inLanguage Models》中，提出了包含视觉特征的Multimodal-CoT，该架构在参数量小于10亿的情况下，在 ScienceQA基准测试中，比GPT-3.5 高出16个百分点(75.17%→91.68%)
苹果	2023年2月，苹果召开了一场内部人工智能峰会，用来讨论ChatGPT和大型预训练语言模型；
苹果	2023年3月，消息称苹果将在tvOS16.4中引入了“Siri自然语言生成"的新框架，Siri的团队成员每周都要测试苹果代号为"Bobcat"的语言模型
英伟达	2023年3月21日，英伟达GTC大会上，英伟达推出AIFoundations云服务，提供从建立模型到上线运营的全套服务，由三部分组成：1）用于自然语言文本的生成式模型NEMO，提供80亿、430亿、5300 亿参数的GPT模型，客户也可以引入自己想要的模型；2）PICASSO提供视觉语言模型的制作服务，可以用于训练能够生成图像、视频和3D素材的模型；3）BIONEMO 针对于生物制药领域的AI模型提供服务，为用户提供创建、微调、提供自定义模型的平台，包括AlphaFold、ESMFold、OpenFold 等蛋白质预测模型

资料来源：微软，OpenAI，谷歌，DeepMind，Meta，亚马逊，苹果，英伟达，兴业证券经济与金融研究院整理

三、中国 AIGC现状与展望

3.1、政策端扶持

《新一代人工智能发展规划》是国务院于2017年发布的我国首个AI领域的顶层设计文件，后续颁布的支持政策显示人工智能在国家战略中的地位日益突出，政策端给予 AI 领域强有力的支持和推动，明确了不同阶段的发展目标和任务，强调了人工智能与制造业、服务业、数字经济等领域的深度融合。加大对人工智能核心技术、产品和服务的研发投入，并推动人工智能在重点行业和领域的示范应用和场景创新。同时，政策还加强了对人工智能领域的标准建设、伦理规范、安全保障等方面的探索和引导，为人工智能健康可持续发展提供了制度保障。

表 20、中国 AI 相关扶持政策

时间政策发布部门内容
2017年7月	《新一代人工智能发展规划》	国务院	到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点；到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平；到 2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
2017年12月	《促进新一代人工智能产业发展三年行动计划(2018-2020年)》	工业和信息化部	到 2020年，实现“人工智能重点产品规模化发展、人工智能整体核心基础能力显著增强、智能制造深化发展、人工智能产业支撑体系基本建立”的目标。
2018年1月	《人工智能标准化白皮书2018》	国家标准委	呼呼社会各界共同加强人工智能领域的技术研究、产业投入、标准建设与服务应用，共同推动人工智能及其产业发展。
2018年11月	《新一代人工智能产业创新重点任务揭榜工作方案》	工信部	围绕《三年行动计划》确定的重点任务方向，在17个方向及细分领域，开展集中攻关，重点突破一批创新性强、应用效果好的人工智能标志性技术、产品和服务。
2019年10月	《加快培育共享制造新模式新业态，促进制造业高质量发展的指导意见》	工信部	到2022年，形成20家创新能力强、行业影响大的共享制造示范平台，资源集约化水平进一步提升，制造资源配置不断优化，共享制造模式认可度得到显著提高。推动支持50项发展前景好、带动作用强的共享制造示范项目！
2020年7月	《国家新一代人工智能标准体系建设指南》	工业和信息化部等五部门	到2023年，初步建立人工智能标准体系，重点研制数据、算法、系统、服务等重点急需标准，并率先在制造、交通、金融、安防、家居、养老、环保、教育、医疗健康、司法等重点行业和领域进行推进。
2020年12月	《工业互联网创新发展行动计划（2021-2023年）》	工业互联网专项工作组	提出了五方面、11项重点行动和10大重点工程，着力解决工业互联网发展中的深层次难点、痛点问题，推动产业数字化，带动数字产业化。
2021年9月	《新一代人工智能伦理规范》	国家新一代人工智能治理专业委员会	旨在将伦理道德融入人工智能全生命周期，为从事人工智能相关活动的自然人、法人和其他相关机构等提供伦理指引。
2021年12月	《“十四五”智能制造发展规划》	工信部等八部门	到 2025年，规模以上制造业企业大部分实现数字化网络化，重点行业骨干企业初步应用智能化；到2035年，规模以上制造业企业全面普及数字化网络化，重点行业骨干企业基本实现智能化。
2022年1月	《"十四五"数字经济发展规划》	国务院	“十四五"时期，数字经济转向深化应用、规范发展、普惠共享新阶段。到2025年，数字经济核心产业增加值占GDP比重达到10%。
2022年7月	《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》	科技部等六部门	支持基础较好的人工智能应用场景，加强研发上下游配合与新技术集成。首批支持建设十个示范应用场景：智慧农场、智能港口、智能矿山、智能工厂、智慧家居、智能教育、自动驾驶、智能诊疗、智慧法院、智能供应链。
2023年2月	《2022年北京人工智能产业发展白皮书》	北京市经济和信息化局	北京将引导企业、高校、科研院所、新型研发机构、开源社区等，围绕人工智能关键核心技术创新协同攻关。北京将率先建成高水平人工智能人才高地，科学谋划高端顶尖人才和人工智能复合型人才引进培育机制，进一步促进海外顶尖人才在京创新创业。

资料来源：中国政府网，中华人民共和国国家互联网信息办公室，中国新闻网，环球网，新京报，兴业证券经济与金融研究院整理

3.2、国内 AIGC 进展：多头并进，百花齐放

ChatGPT 引领全球 AIGC 浪潮，AIGC 不仅受到政府与学术界的高度重视，也成为国内众多科技企业的探索方向和商业化目标，各大企业纷纷宣布加快 AI 领域的进展。国内深度学习先驱百度已经于 2023 年 3 月上线大模型文心一言，百度在 AIGC 领域已有多年的研究和投入，其深度学习框架、生成模型及下游应用均处于行业领先水平，大模型文心一言的商业化也正处于起步阶段，To-B 端已有多个企业接入，涵盖媒体、互联网、汽车、金融等领域。此外，腾讯的混元大模型、阿里的通义大模型、华为的盘古大模型也逐渐展现出其强大的能力和潜力。

表 21、国内 AIGC模型领先企业

	百度	腾讯	阿里巴巴	华为
大模型	文心大模型	混元大模型	通义大模型	盘古大模型
模型简介	文心基础大模型覆盖了 NLP、CV、跨模态三大方向。文心大模型具备可控学习和可信学习算法，实现了零样本生成和生成结果真实性判断能力，并首创了大模型在线蒸馏技术，显著降低了应用成本	腾讯的混元大模型是一个覆盖 NLP大模型、CV大模型、多模态大模型及众多行业/领域任务的预训练模型，可以处理图像、视频、音频和文本等多种数据类型，并于2022年5月在CLUE（中文语言理解评测集合）三个榜单上同时登顶，在多模态理解领域国际权威榜单 VCR中总成绩位列第一	通义大模型是阿里巴巴达摩院在国内率先构建的 AI统一底座，首次实现模态表示、任务表示、模型结构的统一的跨模态预训练模型。应用领域则可深入电商、医疗、娱乐、设计、金融等行业，可服务超过200个场景	盘古大模型是华为云于2021年4月发布的超大规模预训练模型，是基于华为的全栈式AI解决方案，与昇腾芯片、昇思语言、ModelArts平台深度结合的产物。盘古大模型包括三个层级：基础大模型（LO）、行业大模型（L1）、行业细分场景模型（L2），覆盖了计算机视觉、自然语言处理、科学计算等领域，服务于百余个业务场景
模型底座	飞桨PaddlePaddle(据 IDC，飞桨 2022H2开源框架市场份额仅次于PyTorch)	太极机器学习平台	M6-OFA	ModelArts机器学习与深度学习平台
NLP大模型	ERNIE3.0Tiny（轻量级）ERINE 3.0（百亿级）ERNIE 3.0-Titan（千亿级）	Hun Yuan-NLP（参数量1T，CLUE1.1总排行榜第1）	通义-AliceMind（参数量270亿）	盘古语音语义大模型（千亿级）
cv大模型	VIMER-CAEVIMER-UFOVIMER-StrucTexT	Hun Yuan-vcr	通义-视觉	盘古视觉大模型（参数量30亿）
跨模态大模型	VIMER系列ERNIE-ViLG文图生成大模型ERNIE-ViL视觉语言大模型ERNIE-Layout文档智能大模型..	HunYuan_tvr太极文生图	通义-M6（参数量100亿）	盘古多模态大模型（LOUPE 算法预训练）
自研芯片	昆仑芯2代	邃思2.0（腾讯投资）紫霄	Ali-NPU	昇腾（Ascend）芯片

资料来源：各公司官网，IDC，未来智库，雷锋网，《ERNIE 3.0 Titan: Exploring Larger-scale Knowledge Enhanced Pre-training forLanguage Understanding and Generation》，兴业证券经济与金融研究院整理

表 22、国内代表大模型

企业/大学/实验室	大模型	参数量	算力	数据量	模型类型
清华大学、阿里达摩院	八卦炉（BAGUALU）	174万亿	“海洋之光"超级计算机	中文多模态数据集M6-Corpus	多模态预训练模型
阿里	M6	10万亿	512块GPU	1.9TB图像292GB文本	多模态预训练模型
腾讯	混元	万亿	腾讯太极机器学习平台	五大跨模态视频，检索数据集	多模态预训练模型
华为云	盘古系列大模型	千亿	鹏城云脑Ⅱ和全场景AI计算框架MindSpore，2048块 GPU	40TB训练数据	多模态预训练模型
澜舟	孟子	10亿	16块GPU	数百G不同领域高质量语料	多模态预训练模型
百度&鹏程实验室	ERNIE 3.0-Titan	2600亿	鹏城云脑 II(2048块CPU)和百度飞桨	纯文本和知识图谱的4TB语料库	NLP大模型
浪潮信息	源1.0	2457亿	4095(Pflops-day)/2128 张 GPU	5000GB 高质量中文数据集	NLP大模型
上海人工智能实验室联合商汤科技、香港中文大学、上海交通大学	书生(INTERN+)	100亿	商汤 AIDC(峰值算力3740Petaflops3)		计算机视觉模型
商汤科技	全球最大的通用视觉模型	320亿	商汤AIDC(峰值算力3740Petaflops3)		计算器视觉模型
中科院自动化所	紫东太初	千亿	昇腾 AI基础软硬件平台	基于万条小规模数据集	图、文、音三模态
复旦大学	MOSS	百亿	复旦大学超算中心		对话式大型语言模型

资料来源：甲子光年，36氪，兴业证券经济与金融研究院整理

表 23、部分国内开源框架

公司开源框架推出时间说明
百度	PaddlePaddle	2016年	PaddlePaddle作为中国首个自主研发、开源开放、功能丰富的产业级深度学习平台，它集成了深度学习核心训练和推理框架、基础模型库、端到端开发套件和丰富的工具组件。据IDC，飞桨 PaddlePaddle 2022H2开源框架市场份额仅次于PyTorch。
华为	MindSpore	2019年	MindSpore是一个支持端边云全场景的深度学习训练推理框架，它可以实现自动微分、并行优化，并且支持一次训练多场景部署。它面向计算机视觉、自然语言处理等AI领域。
一流科技	OneFlow	开源时间：2020年7月31日	OneFlow独创四大核心技术，技术水平世界领先，已被多家互联网头部企业及研究机构应用。
潞晨科技	夸父(Colossal-AI)	2021年	夸父系统是一个采用"6维并行技术"的高效AI训练系统，它能够通过多维并行、大规模优化器、自适应任务调度、消除冗余内存、降低能量损耗等手段，达到最大化训练效率和最小化训练成本的效果。

资料来源：百度百科，MindSpore 官网，AI 科技评论，IDC，兴业证券经济与金融研究院整理

构建 AIGC大模型的三大底座为算法、算力、数据。1）算力：面对国内 AI大模型快速发展而飞涨的算力需求与美国的科技封锁，国产芯片的重要性日益凸显。近年来，国产芯片不断创新突破，提升了自主研发和生产能力，随其不断迭代将为国内 AI大模型的落地提供强有力的支撑。2）数据集：中文预训练数据集例如悟道、CLUE Corpus 2020、MNBVC可为中文语言大模型的构建提供丰富的素材。3）算法：文心一言使用的算法是基于GPT系列算法的语言模型。

表 24、部分 AI芯片代表企业

	华为	寒武纪	百度	隧原（腾讯投资）	壁仞
代表芯片	昇腾910	思元370	昆仑芯2代	邃思2.0	BR100（GPU）
算力	640 TOPS @INT8320 TFLOPS @FP16	最大算力高达256TOPS(INT8)	256 TOPS @INT8128TFLOPS@FP16	单精度 FP32 算力为 40TFLOPS，单精度张量TF32算力为160TFLOPS，整数精度INT8算力为320TOPS	单芯片峰值算力达到PFlops（1PFlops 等于1000万亿次浮点指令/秒）
描述	可对标国际旗舰产品	寒武纪思元590可对标国际旗舰产品	-		创下全球算力纪录，多项指标对标国际旗舰产品

资料来源：百度百科，杭州日报，兴业证券经济与金融研究院整理

表 25、部分中文训练数据集

数据集	发布者	规模	支撑的语言模型	内容
悟道	北京智源人工智能研究院	3TB	GLM-130B	北京智源人工智能研究院从8.22亿个网页收集的3TB中文语料库
CLUECorpus 2020	GLUE开源社区	100GB		从2019年7月至12月的Common Crawl中筛选出100GB的高质量中文预训练语料
MNBVC	里屋社区	2.18TB		MNBVC为超大规模中文语料，其中包含新闻、作文、小说、书籍、杂志、论文、台词、帖子、wiki、古诗、歌词、商品介绍、笑话、事、聊天记录等一切形式的纯文本中文数据。数据截止2023年2月24日。

资料来源：哈尔滨工业大学自然语言处理研究所，兴业证券经济与金融研究院整理

3.3、中国深度学习之路：任重而道远

目前国内与人工智能领域发展较早的美国仍存在一定差距，主要在算力、高质量的专业数据、研究与投资方面。

算力：目前国内高性能 GPU 芯片短缺。据《财经十一人》，运行 ChatGPT 类似的大模型需要 1 万枚英伟达 A100 GPU 芯片支持，但目前国内拥有 1 万枚以上GPU 芯片的企业寥寥无几，仅不到 5 家。而国内高端 GPU 主要依靠海外进口，受2022年8月美国贸易限制的影响，国内企业无法再获取英伟达A100芯片以及更高阶的H100芯片。针对芯片问题，国内企业的解决方案为：1）采用国内自研GPU；2）用分布式CPU替代进行大模型训练。

图 33、美国处于半导体创新的前沿（2019）

资料来源：SIA，兴业证券经济与金融研究院整理

高质量数据：AI 文本生成较高质量的数据来源于学术论文、专业书籍、专业新闻、专业的全球数据库、各细分领域龙头数据库以及高质量的论坛，而目前高质量数据库仍以英文为主，给中文大模型训练提升了难度。

顶尖人才与科研：《State of AI Report 2022》显示，美国在 AI 论文数量上仍然领先中国，但中国学者的产出增速更快。美国学者在 2022 年发表了超过 1 万篇 AI论文，位居全球第一，而中国学者发表不及 7500篇，位列第二。然而，在 AI论文产出增速方面，中国学者以24%的年增长率远超美国学者的11%，这表明中国在科研方面正在加快追赶美国。

AI 领域投资：据《2021 AI Index Report》，在 2020 年美国企业对于 AI 领域的投资是中国企业的 2倍。据 CBInsights数据统计，美国 AI相关企业达到 4171家，累计融资金额达到 1601.9 亿美元，而国内 AI 相关企业为 1275 家，AI 企业融资总额为 470.7亿美元。

图 34、顶尖 AI人才分布（按国家）

资料来源：清华大学 AMiner，兴业证券经济与金融研究院整理

图 35、2022年各国作者发表的 AI论文数量

资料来源：《State of AI Report 2022》，兴业证券经济与金融研究院整理

图 36、美国企业对 AI 的投资是中国的两倍(2020)

资料来源：《2021 AI Index Report》，兴业证券经济与金融研究院整理

3.4、百度：国内深度学习先锋

文心一言虽非完美，但蕴藏潜能。3月16日，百度举办文心一言发布会，CEO李彦宏在会上表示虽然文心一言在内测体验中并非完美，但潜能可期，文心一言可借用户与数据的接入逐步迭代，在未来实现更优的性能。百度早年间基于 AI 与大模型领域积累了多年的技术与研究，自 2019 年的 ERNIE1.0 至 2023 年的ERNIE3.0，始终领跑国内 NLP 领域，目前的大模型已基本具备后续接入下游应用落地的能力。此外，由于文心一言是国内首个推出的大模型，有利于获取先发优势，吸引大量用户与数据用于训练与迭代产品，抢占大模型后续落地商业化先机。

图 37、文心一言主要能力

资料来源：百度文心一言发布会，兴业证券经济与金融研究院整理

文心一言展示多项能力，与 GPT-4 仍存差距，但后期数据接入与优化迭代可望显著提升模型性能。在文心一言发布会中，百度展示了文心一言在中文理解、文学创作、商业文案创作、数理逻辑推算、多模态（音频、视频）生成场景中的能力，但因为产品仅为录制演示，且未展示其代码、英文、长文本理解与复杂问题解决的能力，模型的真实性能仍待考验。由于国内在算力与算法方面与 OpenAI、谷歌之间仍存差距，且 GPT-3 首次于 2021 年推出时也存在局限性，例如存在对复杂问题的理解与回答不够精确、长篇文本生成存在逻辑不连贯、无法识别用户提供的错误信息等问题，因此文心一言的能力弱于 GPT-4也符合预期。随后期百度在 To-C 端获取用户数据，To-B 端多家企业接入，通过芯片、框架、大模型和终端应用场景的反馈闭环，进一步提高文心一言模型的效能。

文心一言商业化进展：

（1）To-C端：3月 19日起，首批用户可通过邀请测试码在官网体验文心一言，后续将陆续开放给更多用户，文心一言首日超 60 万人申请测试。截止 2023 年 3月19日,文心一言日活跃用户数突破100万，累计用户达到500万。

（2）To-B端，文心千帆提供开发运维管理一体化服务平台：3月 27日，百度于首批测试企业闭门沟通会中正式推出企业级“文心千帆”大模型平台，其中包括文心一言在内的大模型服务，还提供相应的开发工具链及整套环境，未来文心千帆还会支持第三方的开源大模型。文心千帆着力拓展下游应用场景，使每个企业都可拥有智能底座，实现“模型自由”。

表 26、To-B 端文心千帆大模型平台

服务功能	服务描述		收费标准
	推理服务	企业可直接调用通用大模型的核心推理能力，输出推理结果	0.012元/1000tokens
	微调服务	企业可在线微调其预置的通用大模型，使其更适应特定场景的需求，从而生产出定制化的行业模型服务	N/A
	托管服务	企业可将通用大模型或微调后的行业大模型直接部署在云端进行托管	N/A
用户规模	截止3月27日，文心一言相关云服务已收到了12万家企业的申请测试，分布在政务、金融、电商、汽车、营销等多个领域。
应用场景（部分）	通用应用场景	企业级推理云服务：业务集成、高效体验
	企业办公	3分钟PPT：快速制作演示文稿
	电商服务	数字人直播带货；迅速生成产品宣传话术
	旅游服务	旅游规划沟通；机票、酒店预订
	沟通场景(如智能营销、客服、情感沟通)	快速应答用户提问，精准匹配用户需求；及时响应、正向心理辅导等
	文本创作场景	剧本、故事、诗歌等
	深度学习文本场景	代码生成、数据报表、内容分析等
	政务	政府信息对话机器人
	金融	投资建议书、财报分析助手
展望	模型端	文心千帆将持续迭代其功能，包括海量数据自动化处理、深层高效重训大模型、大模型评估及高效压缩、自动化prompt工程、快速应用编排五个方面，以使大模型更加智能和易用
	企业端	百度披露未来产业机会将集中于三个方面：（1）新型云计算公司，提供MaaS（Model asa service）服务的公司将受益（2）提供模型精调的公司，基于对特定行业的洞察，调用通用大模型的能力，为特定行业客户提供解决方案（3）基于大模型底座进行应用开发的公司

资料来源：百度百科，MindSpore 官网，AI 科技评论，IDC，兴业证券经济与金融研究院整理

图 38、文心千帆 3 分钟制作 PPT

资料来源：公司公告，兴业证券经济与金融研究院整理

图 39、文心千帆财报分析助手

资料来源：公司公告，兴业证券经济与金融研究院整理

3.5、国内其他大厂 AIGC进展

表 27、百度与国内其他大厂大语言模型的进展

企业大模型进展
百度Bai百度	百度于2019年发布文心大模型，包括NLP、CV（机器学习）、跨模态大模型和生命计算大模型四个类别36个大模型；
	2023年3月16日，文心一言（ERNIEBot）发布，是百度全新一代知识增强大语言模型，是中国第一个类ChatGPT产品；
	2023年3月28日，推出"文心千帆"大模型平台，这是百度面向客户提供企业级大语言模型服务的平台，文心千帆大模型平台包括文心一言，以及百度全套文心大模型、相应的开发工具链，未来文心千帆将支持第三方的开源大模型。
腾讯Tencent	2022年4月，腾讯首次对外披露混元AI大模型，集CV、NLP、多模态理解能力于一体；
	2023年2月初，腾讯混元AI大模型团队再推出万亿中文NLP预训练模型HunYuan-NLP-1，目前HunYuan-NLP-1T大模型已在腾讯广告、搜索、对话等内部产品落地，并通过腾讯云服务外部客户;
	2023年2月，研发类ChatGPT产品，成立“混元助手(HunyuanAide)"项目组；
	2023年3月22日，腾讯电话业绩会上，腾讯总裁兼投资委员会主席刘炽平表示，腾讯从去年开始就已经在着手开发大模型，目前最重要的是把大模型的基础打好打牢，大模型的推出需要多个版本迭代，不能一味求快，未来将进一步投资腾讯的基础模型，也会通过不断投入来推广新业务。
阿里E	自2021年起，阿里达摩院先后发布多个版本的多模态及语言大模型
	2022年9月，发布“通义"大模型系列，并宣布相关核心模型向全球开发者开源开放
	2022年11月8日，阿里巴巴达摩院公布多模态大模型M6最新进展，其参数已从万亿跃迁至10万亿，规模远超谷歌、微软此前发布的万亿级模型，成为全球最大的AI预训练模型
	2023年2月23日，阿里巴巴集团董事会主席兼首席执行官张勇在电话会上表示，阿里巴巴将全力构建好自己的AI预训练大模型，并为市场上风起云涌的模型和应用提供好算力的支撑
华为业	2021年基于昇腾AI与鹏城实验室联合发布了鹏程盘古大模型;
	2022年11月，在华为全联接大会2022中国站上，华为云进一步迭代盘古大模型的技术能力，扩展盘古大模型的服务范围，发布盘古气象大模型、盘古矿山大模型、盘古OCR大模型三项重磅服务;
	2023年4月，华为将公布NLP、CV、多模态、科学计算等多个大模型构成的盘古大模型，是全球最大的中文语言AI训练大模型，通过模型泛化，解决传统AI作坊式开发模式下不能解决的AI规模化、产业化难题
	2021年，网易推出超大模型推理引擎EET：超速响应，3秒创作一首歌词
	2022年8月，网易伏羲实验室「LOFTER-AI写文」和「傀儡戏-互动式文字游戏」同时入选"2022大规模预训练模型优秀应用案例”;
	2023年1月17日，网易伏羲中文预训练大模型"玉言"登顶中文语言理解权威测评基准CLUE分类任务榜单;
	2023年3月，网易携手昇腾AI打造玉知-悟空图文理解大模型
	2021年，联合上海人工智能实验室、清华大学、香港中文大学、上海交通大学在2021年11月首次共同发布大模型"书生(INTERN)";
	2023年3月14日，发布多模态多任务通用大模型“书生(INTERN)2.5"，其图文跨模态开放任务处理能力可为自动驾驶、机器人等通用场景任务提供感知和理解能力支持，拥有30亿参数，已在通用视觉开源平台OpenGVLab开源
字节跳动Il ByteDance	2022年7月，清华大学和字节跳动联合推出了新的并行生成模型DA-Transformer。该方法相比之前的并行生成模型，其性能获得了飞跃式的增强；
字节跳动Il ByteDance	2023年2月消息称字节跳动在大模型上已有所布局，分别在语言和图像两种模态上发力。字节跳动相关技术负责人对此回应：技术中台在这些领域有探索，还很初期，不成熟；
	2023年3月，字节跳动应用机器学习团队开源了一款名为veGiantModel的大模型训练框架，主要应用于自然语言处理领域的大模型训练，最高可将大模型训练的性能提升6.9倍，大幅降低训练系统的压力
旷视科技	2023年2月10日，旷视研究院基础科研负责人张祥雨表示在通用大模型方面，旷视提出了RepLKNet、RevCol等创新性模型;
旷视科技	2023年3月，旷视科技CEO印奇表示：首先，大模型的方向是确定性的，旷视科技已经投入了四五年时间，其次，大模型已经形成大一统的局面，多模态的发展是一个明确的行业共识，其三，旷视科技会一如既往的进行投入，我们不会赶热点
	2023年2月10日，京东云旗下言犀人工智能应用平台将整合过往产业实践和技术积累，推出产业版ChatGPT：ChatJD，并公布ChatJD的落地应用路线图"125"计划;
	2023年3月，京东方面表示，京东云长期布局多模态领域。在文本生成领域，一直以来是通过图片信息+文本信息生成的营销文案（类似GPT4，接受图像和文本输入，然后输出文本）。基于自研领域知识大模型 K-PLUG生成的商品文案，已覆盖了京东 3000+品类，累计生成30亿字，带来超过3亿元GMV。
美团?	2023年3月8日，美团创始人王兴在朋友圈中透露，将以个人身份参与王慧文创业公司"光年之外"的A轮投资，并出任董事
美团?	2023年3月27日，光年之外通过换股方式收购北京一流科技，全力进军AI大模型

资料来源：百度，腾讯，阿里，华为，网易，商汤，字节跳动，旷视科技，京东，美团，证券时报网，财联社，新智元，36氪，科创板日报，澎湃新闻，搜狐，站长之家，TechWeb，腾讯网，CSDN，兴业证券经济与金融研究院整理

四、AIGC短期与长期对互联网行业的影响

AIGC 方兴未艾，我们认为其对于互联网行业的影响分为短期与长期。

短期来看，云计算厂商受益于训练需求大增。由于大模型训练与调用需要庞大的算力资源，因此在各家企业纷纷入局的当下，算力需求大幅度提升。TrendForce数据显示，以A100算力为基础，GPT-3.5模型就需要高达2万张，未来商用后可能需要超过 3 万张。但对于大参数的语言模型，仅备足 GPU 是不够的，千亿参数的模型需要（1）多机多卡分布式训练，（2）解决网络通信延迟问题，（3）解决海量数据存储问题，因此没有一个面向 AI 高度优化的云计算平台，训练千亿参数以上的模型是不现实的。

因此，随着大模型训练需求量以及未来 AIGC 应用的增加，云计算厂商，如海外的微软Azure，谷歌的GCP，亚马逊的AWS，国内的阿里云、百度云、以及腾讯云都将迎来增量的需求。

而长期来看，互联网应用层也将迎来变革。正如微软所说，GPT-4 目前已经摸到了AGI的门槛，在很多任务上惊人地接近人类水平。而根据OpenAI研究，80%的劳动力有至少 10%的任务将受到大模型影响；19%的劳动力有至少 50%的任务将受到大模型影响。因此我们相信，AIGC 对互联网的影响将是深远的，包括效率的提升、内容产能的增加、新的流量渠道等等。对搜索、物联网、应用商店、办公软件、外包行业、游戏、影视、电商等互联网行业均会有深远影响。

4.1、搜索：New Bing 撼动搜索垄断格局

谷歌在搜索引擎市场垄断多年，大模型引入赋能搜索引擎或将改变格局。截至2023年2月，谷歌搜索引擎市场份额仍为93.4%，Bing的市场份额为 2.8%。但我们也看到，随着 new bing上线，ChatGPT对 Bing流量增益明显显著。

图 40、全球搜索引擎市场份额（%）

资料来源：Statcounter，兴业证券经济与金融研究院整理

图 41、Google 网页流量

资料来源：Similarweb，兴业证券经济与金融研究院整理

图 42、Bing 网页流量

资料来源：Similarweb，兴业证券经济与金融研究院整理

图 43、Google APP WAU

资料来源：Sensor Tower，兴业证券经济与金融研究院整理

图 44、Bing WAU

资料来源：Sensor Tower，兴业证券经济与金融研究院整理

搜索广告格局或同样将迎来变动。2022年全球搜索广告市场规模稳步上升，增速趋缓，市场规模达2,600亿美元，占总量的 42%，是当今市场的重要广告投放模式，随着“AIGC+搜索引擎”落地，搜索广告将获得更多广告商更多关注，增长速率或将提升。

图 45、全球数字广告市场规模（分类型）

资料来源：Statista，兴业证券经济与金融研究院整理

图 46、全球数字广告类型及趋势

资料来源：eMarketer，兴业证券经济与金融研究院整理

微软New Bing的推出对 Google搜索引擎提出新的挑战。面对Bing的流量的快速增长，谷歌的搜索垄断格局面临较大调整。因此谷歌计划整合新的AI功能到搜索引擎中，并于 2023年 3月对Bard开启公测。

但谷歌若将语言模型引入搜索引擎，将挤占其利润空间。AIGC赋能搜索引擎需要解决算力问题，将大型语言模型（LLM）加至搜索引擎，需要更多的算力，提高每次查询成本，降低谷歌单次搜索利润率。相比谷歌，微软搜索广告市场份额每增加 1%，每年可带来20亿美元的收入，并且微软CEO于 2023年2月7日表示，愿意接受搜索业务“不盈利”，以便有机会蚕食谷歌的市场份额。

4.2、物联网：交互方式进一步革新

物联网解决方案的需求旺盛，终端数量持续增长，生成大量数据。2021年全球物联网（企业级）支出规模达 6903亿美元，并有望在2026年达到 1.1万亿美元，2022-2026复合增长率将达10.7%。在全球范围内，物联网终端数量高速增长，预计 2025年全球物联网终端连接数量将达到250亿个，其中消费物联网终端连接数量达到 110亿个，工业物联网终端连接数将达到140亿个。IDC预测，到2025 年，物联网设备生成的数据量预计将达到73.1 ZB。

图 47、全球物联网支出

资料来源：IDC，兴业证券经济与金融研究院整理

图 48、全球物联网终端连接数

资料来源：IDC，兴业证券经济与金融研究院整理

AIGC能够整合原有的软硬件产品，对物联网的数据进行智能化分析，推动物联网对场景业务的探索融合。物联网基于万物互联，软件交互载体需要依托终端对用户进行交互，能够产生大量的流量数据，而 AIGC基于物联网，多模态技术获取多维信息，实现更加智能的人机交互，使得物与物之间、物与人之间连接的深度和广度将进一步拓展，提供更加完善丰富的应用场景，又助推用户使用物联网终端产生更多的数据，实现正向循环。比如智能家居就利用物联网技术，将家居设备智能化，实现远程控制、自动调节、情景模式等功能，提高家庭的舒适度、安全性和节能性，当 AIGC应用在智能家居平台，智能音箱的回答不只是固定的范式，家庭里各种机器人也不局限于固定的任务，而是拥有陪伴的能力，这些都促进用户与设备进行交互，提高物联网的数据产出。

图 49、小度音箱应用文心一言模型

资料来源：百度百科，兴业证券经济与金融研究院整理

图 50、PaLM-E 机器人将薯片取出抽屉

资料来源：谷歌官网，兴业证券经济与金融研究院整理

2023年4月4日，阿里版ChatGPT语音助手公布，天猫精灵团队通过音箱端接入阿里大模型，展示出一定的多轮对话及 AIGC能力，阿里巴巴对此称“天猫精灵和达摩院一直在紧密合作，其中包括推进大语言模型、声学模型、语音AI等综合应用”“天猫精灵智能交互系统（AliGenie）在达摩院大模型的加持下将得到全面提升，给用户带来更好的服务体验”。

图 51、天猫精灵 AI 平台技术内核

资料来源：天猫精灵官网，兴业证券经济与金融研究院整理

图 52、天猫精灵打造智能家居

资料来源：天猫精灵官网，兴业证券经济与金融研究院整理

4.3、应用商店：ChatGPT Plugins 或带来流量分发新渠道

Plugins 集成第三方软件功能，解锁通用大模型向细分领域延伸的潜能，重构应用软件新范式。目前 OpenAI 提供两个插件，网络浏览器与代码解释器，首批接入的还有公司插件，跨足旅游、餐饮、购物、交互、教育、法律等多个领域，展示了插件无限的可能性和广泛的应用场景。

表 28、ChatGPT Plugins

资料来源：OpenAI官网，兴业证券经济与金融研究院整理

ChatGPT Plugins 对标 IOS 与安卓操作系统，开启 OpenAI 扩张应用生态版图之路。回顾 App Store 的发展历史，应用程序数量、下载量与收入以极快的速度攀升，随着生态系统基础建设的完善，百万款应用软件逐步问世，所创造的商业空间非常广阔。此外，Plugins 的独特优势是提供用户利用自然语言创建插件的可能，大幅降低创作者门槛与开发软件难度，未来涌现的应用数量或将数倍于 AppStore 与 Google Play。

表 29、App Store 发展历史

日期	事件
2008年7月11日	苹果公司发布了App Store，该平台最初包含了大约500 个应用程序。
2009年	App Store的受欢迎程度迅速上升，到 2009年7月，下载量达到15亿次。此外，苹果公司在App Store中推出了应用内购买功能（IAP），使应用开发者可以通过应用内销售虚拟商品和服务来获得收益。
2010年	App Store应用数量已经超过 20万款，并且涵盖了游戏、社交、新闻、生产力、音乐等多个类别。截止6月，IAP和付费应用程序已为开发者赚取10亿美元。10月，发布了 Mac App Store。
2011年	1月，App Store的下载量已经超过了100亿次。同时，苹果公司还在App Store中推出了订阅应用程序服务。
2012年	App Store中的iphone应用数量突破50万款，ipad应用数量超过10万款。App Store应用程序下载量已超过250亿。
2015年	随着 Apple Watch 和Apple TV 等新设备的推出，App Store 逐渐扩展到了新的平台。
2016年	App Store中的应用数量超过200 万款。App Store推出了搜索广告,它允许开发者向苹果付费以在 App Store 内部投放广告,让使App有机会在搜索结果顶部等位置展示，从而吸引精准用户下载。此外支持的订阅应用程序已扩展到所有25个类别，包括游戏、儿童和健康与健身，超过28,000个iOS应用程序现在提供订阅服务，包括Netflix、爱奇艺、Tinder、LinkedIn，订阅量比去年增长了95%
2017年	Apple 推出了ARKit1.0，iOS一夜之间成为全球最大的AR平台。此外，App Store 应用程序数量在 2017年达到约 220 万个的峰值。Apple于4月将搜索广告扩展到英国、澳大利亚和新西兰，于10月扩展到加拿大、墨西哥和瑞士。仅在2017年，应用开发
2018年	者就赚取了265亿美元，相较 2016年增长了30%以上。截止6月，开发者从App Store 赚取了超过1000 亿美元的收入。
2019年	Apple 推出了Apple Arcade，这是App Store 内的电子游戏订阅服务。
2020年	苹果公司宣布将每年收入低于100万美元的开发者的应用商店佣金降低至15%（此前苹果公司收取30%的佣金），以支持应用程序开发者的发展和创新。
2021年	App Store拥有超过180万个应用程序。

资料来源：Apple 官网，Wikipedia，兴业证券经济与金融研究院整理

图 53、App Store 应用数量变化

资料来源：Wikipedia，Apple官网，兴业证券经济与金融研究院整理

图 54、App Store 平台应用程序下载量与收入

资料来源：SensorTower，兴业证券经济与金融研究院整理

图 55、Google Play 平台应用程序下载量与收入

资料来源：SensorTower，兴业证券经济与金融研究院整理

4.4、办公软件：解放生产力的重要一步

AIGC已能优秀地作用于办公领域，典型产品为微软推出的Copilot，Microsoft365 Copilot使用户可用自然语言与办公软件进行交互，革新传统办公方式，人力的重心自传统的重复性任务转为以创造性任务为主，降低冗长工作线程压力，提高生产效率。

To-C端主要在四个方面赋能用户：

1）释放创意潜能：Copilot 可为用户提供初稿及后续编辑的内容，为用户节省思考创意、寻找资源与协作编辑时间。

2）提高生产力：AI可自动执行重复性任务，用户利用自然语言即可令Copilot转化创意想法为可视化数据或文本，在短时间内实现想法落地，减少冗杂工作流程，为用户提供更多与有意义任务的接触时间，带来庞大的业务优势。2021 年推出的 GitHub Copilot 的数据显示足见其对工作者的帮助，在使用 GitHub Copilot 的开发人员中，88% 的人表示他们的工作效率更高，74% 的人表示他们可以专注于更令人满意的工作，77% 的人表示这有助于他们花更少的时间搜索信息或示例。

3）提升学习曲线：Copilot 可让用户在擅长的领域提高效率，并让用户在不熟悉的领域快速掌握尚未学习的内容。用户使用自然语言即可解锁 Microsoft 365 中可用的数千个指令，并尝试此前未探索的新功能。

4）打通办公软件，无缝衔接办公元素：Business Chat 可以横跨 Microsoft 365 的各项功能，包括文档、电子邮件、日历、聊天、会议、联系人或其他业务数据，集成并合理排列，命令应用程序之间进行协作，在用户需要时与用户工作上下文相结合。例如集成用户参与的某个主题的会议、与之相关的电子邮件交流与聊天对话等，在用户需要该主题信息时能及时提供准确、相关、具有上下文意义的回应。

在 To-B 端，Microsoft 将 AI 技术集成于 Dynamic 365 和 Power Platform 中，为客户提供独特的企业级 AI 优势。Copilot 将 GPT4 和 Microsoft 365 应用程序与企业用户在 Microsoft Graph 中的业务数据相结合，通过自然语言命令软件功能并传达信息给每个团队成员。另外，作为世界上首个在 CRM 和 ERP 中都具备 AI 功能的 Copilot，Dynamics365 Copilot 将为每条业务线带来下一代 AI。

Copilot 能影响的市场规模测算涉及云服务及办公软件服务。办公软件服务的市场空间收入增速可参考金山软件办公软件及服务营收，在发展期同比增速可高达52.7%。用户体量方面，以国内WPS为例，月度活跃用户与付费用户也在迅速上扬，积累付费用户于2022年第四季度达到2997万人，累积付费用户比例达5%，由于 Copilot 能为用户带来独特的优势，加入市场后或将在原有的市场基础上吸引更多企业与用户的订阅。

图 56、金山软件-办公软件及服务营收

资料来源：金山软件年报，兴业证券经济与金融研究院整理

图 57、金山办公-办公软件月度活跃及付费用户

资料来源：金山软件季报，兴业证券经济与金融研究院整理

4.5、外包：效率提升带来需求减少

1）职业外包公司方面，例如 Upwork 提供在线的服务交易平台，让自由职业者和企业能够更加便捷地进行合作，从而节省时间和成本。但AIGC技术可以高效地完成一些重复性、低技能的任务，相比外包工作者，AIGC可以降低客户的服务成本和提高工作效率，因此会与Upwork上的一些低技能工作产生竞争。此外，AIGC产品也可提供自动化的项目匹配和推荐服务，帮助自由职业者更快速地找到适合自己的项目。AIGC将从多方面影响Upwork的商业与盈利模式。

2）客服外包公司方面，例如Teleperformance的主要业务是提供客户服务解决方案，包括呼叫中心、多渠道客户服务、技术支持、营销和销售等服务，而AIGC基于人工智能和自然语言处理技术，可以提供自助服务、虚拟助手、语音识别、情感分析和实时数据分析与反馈等服务，能够更好地满足客户需求，并且大幅降低了人力成本，或将对Teleperformance的盈利模式产生冲击。

图 58、Upwork 营收

资料来源：Upwork，兴业证券经济与金融研究院整理

图 59、Teleperformance 营收

资料来源：Teleperformance，兴业证券经济与金融研究院整理

4.6、游戏：效率提升带来成本下降与产能提升

尽管我们看到 AIGC 技术可能会对一些通用办公软件的商业模式产生潜在影响，但值得强调的是，AIGC技术对于游戏等重度内容创意平台的发展可能带来可观的增益。

AIGC 能给游戏策划创意产生提供思路，提高游戏内玩家与 NPC交互性，丰富玩家游戏体验。比如网易推出的国内首个游戏版ChatGPT—逆水寒 GPT。游戏中NPC的对话文字、表情、语音均由AI自动生成，玩家能够与智能 NPC自由生成对话（打字或语音聊天），并基于对话内容，NPC能够自主给出逻辑上合理的行为反馈。这些反馈能够启发策划人员产生有关后续剧情发展的创意。其中NPC有记住过往对话的能力，使各个 NPC之间互相影响、互相对话，在此过程中，不同玩家与 NPC的对话均能够产生蝴蝶效应，给予玩家十分具有代入感的游戏体验。

图 60、逆水寒智能NPC聊天场景

资料来源：哔哩哔哩，兴业证券经济与金融研究院整理

图 61、逆水寒智能 NPC聊天场景

资料来源：哔哩哔哩，兴业证券经济与金融研究院整理

全球游戏厂商研发费用率较高，提高游戏工业化水平，利用 AIGC降本增效是长期叙事，目前最受益方向是美术成本。游戏的高质量研发能帮助游戏厂商适应不同类型用户，拓展市场空间和商业模式，因此全球游戏厂商积极投入研发，平均研发费用率稳定上台阶，根据 Newzoo，2022年全球游戏市场收入 1968亿美元，平均研发费用率约 18%，全球游戏研发成本高达 354亿美元，相应的，高质量的游戏离不开对美术的高要求，美术成本占研发费用约 50%。而AIGC在美术方面能看见直观的效果，比如OpenAI的DALL-E2，百度的文心一格等大模型都能够生成游戏原画，一般制作一张原画需要 2-3天，使用AIGC技术，只需要几秒钟即可完成，因此随着AIGC生成的原画越来越精美，AI工作流程的完善，美术方面的人员配备、人员数量还是工作时间都会显著受益。

图 62、全球主要游戏公司研发费用率

资料来源：Factset，兴业证券经济与金融研究院整理

4.7、影视：降本增效助力利润空间释放

减量提质背景下，尽管中国剧集发行数不断下降，2021年中国剧集制作总成本仍然由 2017年的290亿增长至340亿，复合年均增长率为4.2%（广电总局、弗若斯特沙利文）。以柠萌影业为例，该公司剧集制作成本长期占据销售成本（影视公司收入减销售成本即为毛利）90%以上。高额制作成本决定了影视行业高成本、低毛利的局面，而AIGC技术有望为影视行业降本增效，缩短回收周期、释放被严重挤压的利润空间。

图 63、中国剧集发行总数减少，但剧集总成本和部均成本上升

资料来源：柠萌影业招股书，兴业证券经济与金融研究院整理

图 64、剧集制作成本随项目浮动，但长期占据销售成本 90%以上

资料来源：柠萌影业招股书，兴业证券经济与金融研究院整理

AIGC 技术的应用能极大压缩影视产业链中概念策划和剧本开发的工作量，并为剧本创作者提供灵感。对于内部开发的原创剧本，智能检索有助于从现实和网络中提取热点题材以预测市场偏好、启发创作，输入设定理念和关键词后智能生成剧本框架作为二度修改的基础能有效缩短创作周期；对于采购 IP，AIGC 技术可在于 IP 初步筛选评估和文本转写上节省大量工时。目前 DeepMind 推出了Dramatron，使用预训练大语言模型生成分层故事,以交互方式生成人物描述、情节点、场景和对话，为剧本创作者完成冗杂的初步工作，提供汇编、编辑和改写的材料。此外，AIGC 可用于预告片和海报制作。光线传媒综合运用 Midjourney、Stable Diffusion 和 GPT-4 大模型制作了《去你的岛》海报。

图 65、Dramatron 工作模式

资料来源：Git-Hub，兴业证券经济与金融研究院整理

图 66、《去你的岛》海报

资料来源：光线传媒，兴业证券经济与金融研究院整理

AIGC还能覆盖技术密集和人力密集的拍摄和制作环节，包括美术（概念设计）、数字化场景、动画、特效、剪辑、灯光渲染/合成/调试等部门。除了在游戏行业已经应用相对广泛的概念设计，AIGC在数字化场景建模方面可以避免转场和高成本真实置景，在真人动画拍摄方面能省去复杂的人工动作捕捉和细节调整并提高准确性。后期制作成本拆分后，占比最大的支出是技术团队平均薪酬*制作周期。目前Runway发布的Gen-2可通过文本、图片或二者结合生成视频片段，完全打破了传统视频制作流程，此类 AIGC应用能压缩团队规模、缩短制作周期，最终削减在影视预算中占比较高的后期成本。

图 67、人力成本在特效制作中占比超 60%

资料来源：弗若斯特沙利文，兴业证券经济与金融研究院整理

4.8、电商：智能导购新形式

对于电商平台和电商 SaaS、AIGC技术都有广阔的应用前景。电商服务平台Shopify日前已经率先接入ChatGPT API，向消费者提供智能导购，通过与客户的交互对话为客户推荐合适的商品。

图 68、Shopify 智能导购功能展示

资料来源：Shopify，兴业证券经济与金融研究院整理

从智能推荐角度看，电商搜索引擎能利用 AIGC 生成更符合消费者侧写的产品推荐页面，从而提升消费者体验体验、提高 GMV；营销角度，各品牌能通过消费者决策算法大模型处理海量用户的个性标签、历史购买记录和行为特征等信息，并由此总结更有购买倾向、客单价较高的潜在消费者，选择合适的推广战略并为广告服务平台提供更精准的字符串或人口统计信息、提高广告转化率；视听角度，AI 3D 建模可全方位展示商品、通过虚拟试穿赋予客户沉浸式体验，虚拟主播能在真人主播下班时间接棒直播，且相对真人主播具备更高可控性、不需要佣金分成等优势；成本控制角度，目前较为直观的应用是智能客服——AIGC 生成的客服响应较传统在线自动客服根据关键词推送相关链接的模式具备更强针对性和准确率，较真人语音客服掌握更多解决方案.能增强消费者与客服沟通的流畅度、降低消费者对真人客服的需求。

图 69、2020 年天猫 618 大促“3D 购”成果

资料来源：北方网，TechWeb，兴业证券经济与金融研究院整理

图 70、电商将受益于快速增长的智能客服市场，降低运营成本、增强消费者沟通流畅度

资料来源：头豹研究院，兴业证券经济与金融研究院整理

五、投资建议

投资建议：我们看到，AIGC对于互联网的影响分为短期与长期。短期主要集中在大模型开发方面与算力、云计算需求增加方面，而长期来看则是应用层的落地与商业化带来收入的增量与利润端的降本增效。

大模型开发，算力、云计算需求增加方面，建议关注英伟达（NVDA.O）, 微软（MSFT.O），谷歌（GOOGL.O），Meta（META.O），亚马逊（AMZN.O）,百度集团-SW（09888.HK），阿里巴巴-SW（09988.HK），腾讯控股（00700.HK），联想集团（00992.HK）、与商汤-W（00020.HK）。

长期应用层上，建议关注拥有清晰落地场景的金山软件（03888.HK），以及受益于效率提升带来的利润释放的网易-S（09999.HK）。

表 30、AIGC 相关部分海外公司一览表（日期：2023 年 4 月 13 日）

证券代码	证券简称	股价 (当地货币)	总市值（亿美元）	年初至今涨跌幅	营收同比增速预期		调整后净利润同比增速预期		PE		PS
证券代码	证券简称	股价 (当地货币)	总市值（亿美元）	年初至今涨跌幅	23E	24E	23E	24E 23E	24E	23E	PS
MSFT.O	微软	289.8	21,575	20.9%	5.4%	11.3%	0.2%	14.7%	31	27	10
GOOGL. 0	谷歌	107.4	13,804	21.8%	5.8%	11.7%	(1.5%)	16.0%	18	16	5
META.O	Meta	220.4	5,713	83.1%	4.5%	11.2%	9.2%	19.2%	17	14	5
AMZN.0	亚马逊	102.4	10,493	21.9%	8.2%	12.8%	102.8%	41.4%	33	23	2
09888.HK	百度集团- Sw	134.1	480	20.1%	9.9%	10.1%	9.6%	15.3%	15	13	2
09988.HK	阿里巴巴- Sw	94.2	2.,540	9.2%	10.3%	10.3%	13.5%	15.0%	11	9	2
00700.HK	腾讯控股	363.2	4,428	14.5%	10.9%	11.7%	21.9%	17.8%	21	18	5
NVDA.0	英伟达	264.6	6,536	81.1%	10.9%	23.7%	31.7%	32.9%	59	45	22
992.HK	联想集团	8.4	129	30.3%	2.6%	6.2%	4.2%	14.4%	7	6	0
	台积电	87.1	4,337	16.9%	0.5%	20.4%	(16.9%)	24.1%	16	13	6
TSM.N		92.1	1,484	42.2%	0.9%	16.3%	(8.0%)	33.5%	29	22	6
AMD.0	AMD	624.2		11.6%	7.1%	4.6%	8.7%	5.2%	14	14	7
AVG0.0	博通	68.4	2,603 536	39.9%	22.4%	19.4%	19.2%	19.2%	47
FTNT.O	飞塔	197.9	599	41.8%	25.2%	21.6%	56.0%	21.2%	47	39 38	10
PANW.0 09999.HK	Palo alto 网易-S	141.1	590	23.2%	8.2%	10.1%	1.9%	12.4%	18	16	9 4
03888.HK	金山软件	36.3	63	39.1%	18.4%	19.9%	31.7%	82.7%	55	30
											5

资料来源：Factset，兴业证券经济与金融研究院整理

六、风险提示

（1）政策监管风险：由于数据安全问题，隐私安全合规性，政府部门可能会加强监管力度，出台新的相关政策法规，尤其是针对数据安全和隐私保护方面的合规要求加强，提升行业门槛。

（2）国际情势影响商务合作：AIGC 业务可能受到国际政治经济环境的影响，尤其是受到中美贸易摩擦影响。中美两国在技术领域的角力可能导致技术封锁、贸易保护等问题，这些风险因素或将对公司的跨国合作和业务拓展产生负面影响。

（3）AIGC 发展不及预期：相关公司在技术创新、管理团队、应用落地、行业竞争加剧等方面可能面临诸多挑战，若公司未能有效应对这些挑战，或将导致公司业绩不及市场预期。

分析师声明

本人具有中国证券业协会授予的证券投资咨询执业资格并登记为证券分析师，以勤勉的职业态度，独立、客观地出具本报告。本报告清晰准确地反映了本人的研究观点。本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。

投资评级说明

投资建议的评级标准	类别	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的12个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅。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为基准；香港市场以恒生指数为基准；美国市场以标普500或纳斯达克综合指数为基准。	股票评级	买入	相对同期相关证券市场代表性指数涨幅大于15%
		增持	相对同期相关证券市场代表性指数涨幅在5%～15%之间
		中性	相对同期相关证券市场代表性指数涨幅在-5%~5%之间
		减持	相对同期相关证券市场代表性指数涨幅小于-5%
		无评级	由于我们无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使我们无法给出明确的投资评级
	行业评级	推荐	相对表现优于同期相关证券市场代表性指数
		中性	相对表现与同期相关证券市场代表性指数持平
		回避	相对表现弱于同期相关证券市场代表性指数

信息披露

本公司在知晓的范围内履行信息披露义务。客户可登录 www.xyzq.com.cn 内幕交易防控栏内查询静默期安排和关联公司持股情况。

有关财务权益及商务关系的披露

兴证国际证券有限公司及/或其有关联公司在过去十二个月内与 JinJiang Road & Bridge Construction Development CoLtd、福建省晋江城市建设投资开发集团有限责任公司、海宁市城市发展投资集团有限公司、高邮市建设投资发展集团有限公司、Gaoyou Construction Investment Development （BVI） Co.,Ltd、南洋商业银行有限公司、平安国际融资租赁有限公司、上海银行杭州分行、湖州南浔振浔污水处理有限公司、杭州银行绍兴分行、新昌县交通投资集团有限公司、赣州城市投资控股集团有限责任公司、北京银行股份有限公司杭州分行、台州市黄岩经济开发集团有限公司、湖州吴兴交通旅游投资发展集团有限公司、江苏银行扬州分行、湖北农谷实业集团有限责任公司、湖州经开投资发展集团有限公司、环太湖国际投资有限公司、温州名城建设投资集团有限公司、泰安市城市发展投资有限公司、Taishan City Investment Co.,Ltd、益阳市赫山区发展集团有限公司、佛山市高明建设投资集团有限公司、民生银行、南京银行南通分行、如皋市经济贸易开发有限公司、重庆巴洲文化旅游产业集团有限公司、高密市交运天然气有限公司、上海中南金石企业管理有限公司、淮北绿金产业投资股份有限公司、四川港荣投资发展集团有限公司、镇江国有投资控股集团有限公司、香港一联科技有限公司、交银金融租赁有限责任公司、交银租赁管理香港有限公司、平度市城市开发集团有限公司、德阳发展控股集团有限公司、泰兴市中兴国有资产经营投资有限公司、成都陆港枢纽投资发展集团有限公司、东台市国有资产经营集团有限公司、厦门国贸控股集团有限公司、国贸控股（香港）投资有限公司、澳门国际银行股份有限公司、中国国新控股有限责任公司、国晶资本(BVI)有限公司、中原资产管理有限公司、中原大禹国际(BVI)有限公司、上饶投资控股集团有限公司、上饶投资控股国际有限公司、中国国际金融股份有限公司、中国国际金融（国际）有限公司、CICC Hong Kong Finance 2016 MTN

Kunpeng (BVI) Company Limited、杭州上城区国有资本运营集团有限公司、多想云控股有限公司、长沙先导投资控股集团有限公司、XL (BVI) INTERNATIONAL DEVELOPMENT LIMITED、龙口市城乡建设投资发展有限公司、集友银行有限公司、成都中法生态园投资发展有限公司、盐城东方投资开发集团有限公司、东方资本有限公司、桐庐县国有资产投资经营有限公司、润歌互动有限公司、铜陵市国有资本运营控股集团有限公司、政金金融国际（BVI）有限公司、济南市中财金投资集团有限公司、百德医疗投资控股有限公司、江苏省溧阳高新区控股集团有限公司、江苏中关村控股集团（国际）有限公司、济南历城控股集团有限公司、历城国际发展有限公司、郑州地产集团有限公司、绍兴市上虞区国有资本投资运营有限公司、香港象屿投资有限公司、厦门象屿集团有限公司、江苏腾海投资控股集团有限责任公司、连云港港口集团、山海（香港）国际投资有限公司、漳州圆山发展有限公司、天津滨海新区建设投资集团有限公司、兆海投资(BVI)有限公司、镇江交通产业集团有限公司、晋城市国有资本投资运营有限公司、镇江文化旅游产业集团有限责任公司、潍坊市城市建设发展投资集团有限公司、郑州城建集团投资有限公司、常德市城市建设投资集团有限公司、Higher Key Management

Limited、广州产业投资基金管理有限公司、江苏腾海投资控股集团有限公司、江苏句容投资集团有限公司、淮安市交通控股集团有限公司、邵东市城市发展集团有限公司、济南高新控股集团有限公司、绍兴市柯桥区建设集团有限公司、恒源国际发展有限公司、宁波市海曙开发建设投资集团有限公司、Shandong Wonderland Holding Limited、蓬莱阁（烟台市蓬莱区）旅游有限责任公司、广州开发区投资集团有限公司、绍兴市城市建设投资集团有限公司、漳州市九龙江集团有限公司、福建漳龙集团有限公司、建发国际集团、重庆市合川城市建设投资(集团)有限公司、西安市灞桥投资控股集团有限公司、香港国际（青岛）有限公司、青岛城市建设投资（集团）有限责任公司、成都经开产业投资集团有限公司、湖州燃气股份有限公司、新奥天然气股份有限公司、新奥能源控股有限公司、临沂城市发展集团有限公司、临沂城市发展国际有限公司、晋江市路桥建设开发有限公司、Coastal Emerald Limited、山东高速集团有限公司、重庆市南岸区城市建设发展（集团）有限公司、曹妃甸国控投资集团有限公司、太原国有投资集团有限公司、青岛市即墨区城市旅游开发投资有限公司、漳州市交通发展集团有限公司、无锡恒廷实业有限公司、四海国际投资有限公司、长沙金霞新城城市发展有限公司、商丘市发展投资集团有限公司、兰溪市交通建设投资集团有限公司、岳阳市城市建设投资集团有限公司、中国长城资产(国际)控股有限公司、China Great Wall International Holdings VI Limited、泰兴市襟江投资有限公司、浙江长兴金融控股集团有限公司、扬州经济技术开发区开发(集团)有限公司、珠海华发集团有限公司、江苏瑞科生物技术股份有限公司、青岛市即墨区城市开发投资有限公司、兴业银行、兴业银行股份有限公司香港分行、交运燃气有限公司、中南高科产业集团有限公司、中国景大教育集团控股有限公司、建发物业发展集团有限公司、福建省蓝深环保技术股份有限公司、尚晋国际控股有限公司、旷世控股有限公司、宁波旷世智源工艺设计股份有限公司、乌鲁木齐经济技术开发区建发国有资本投资运营(集团)有限公司、成都空港城市发展集团有限公司、海盐县国有资产经营有限公司、海盐海滨有限公司、泰州医药城控股集团有限公司有投资银行业务关系。

使用本研究报告的风险提示及法律声明

兴业证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。

本报告仅供兴业证券股份有限公司（以下简称“本公司”）的客户使用，本公司不会因接收人收到本报告而视其为客户。本报告中的信息、意见等均仅供客户参考，不构成所述证券买卖的出价或征价邀请或要约，投资者自主作出投资决策并自行承担投资风险，任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效，任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以本公司向客户发布的本报告完整版本为准。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的个人推荐。客户应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见。对依据或者使用本报告所造成的一切后果，本公司及/或其关联人员均不承担任何法律责任。

本报告所载资料的来源被认为是可靠的，但本公司不保证其准确性或完整性，也不保证所包含的信息和建议不会发生任何变更。本公司并不对使用本报告所包含的材料产生的任何直接或间接损失或与此相关的其他任何损失承担任何责任。

本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可升可跌，过往表现不应作为日后的表现依据；在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告；本公司不保证本报告所含信息保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

除非另行说明，本报告中所引用的关于业绩的数据代表过往表现。过往的业绩表现亦不应作为日后回报的预示。我们不承诺也不保证，任何所预示的回报会得以实现。分析中所做的回报预测可能是基于相应的假设。任何假设的变化可能会显著地影响所预测的回报。

本公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。

本报告并非针对或意图发送予或为任何就发送、发布、可得到或使用此报告而使兴业证券股份有限公司及其关联子公司等违反当地的法律或法规或可致使兴业证券股份有限公司受制于相关法律或法规的任何地区、国家或其他管辖区域的公民或居民，包括但不限于美国及美国公民（1934年美国《证券交易所》第 15a-6条例定义为本「主要美国机构投资者」除外）。

本报告由受香港证监会监察的兴证国际证券有限公司(香港证监会中央编号：AYE823)于香港提供。香港的投资者若有任何关于本报告的问题请直接联系兴证国际证券有限公司的销售交易代表。本报告作者所持香港证监会牌照的牌照编号已披露在报告首页的作者姓名旁。

本报告的版权归本公司所有。本公司对本报告保留一切权利。除非另有书面显示，否则本报告中的所有材料的版权均属本公司。未经本公司事先书面授权，本报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。未经授权的转载，本公司不承担任何转载责任。

特别声明

在法律许可的情况下，兴业证券股份有限公司可能会持有本报告中提及公司所发行的证券头寸并进行交易，也可能为这些公司提供或争取提供投资银行业务服务。因此，投资者应当考虑到兴业证券股份有限公司及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投资或其他决定的唯一信赖依据。

兴业证券研究

上海	北京
地址：上海浦东新区长柳路36号兴业证券大厦15层	地址：北京市朝阳区建国门大街甲6号SK大厦32层01-08单元
邮编：200135	邮编：100020
邮箱：research@xyzq.com.cn 深圳	邮箱：research@xyzq.com.cn
	香港（兴证国际）
地址：深圳市福田区皇岗路5001号深业上城T2座52楼	地址：香港德辅道中199号无限极广场32楼全层
邮编：518035 邮箱：research@xyzq.com.cn	传真：（852）35095929 邮箱：ir@xyzq.com.hk

兴业证券-互联网行业深度研究报告：AIGC全方位解析与投资展望-230415.pdf