ChatGPT： AI模型框架研究——AI行业深度报告

行业评级：看好

2023年3月25日

分析师刘雯蜀

邮箱 liuwenshu03@stocke.com.cn

证书编号 s1230523020002

摘要

一、AI框架重要性日益突显，框架技术发展进入繁荣期，国内AI框架技术加速发展：

1、AI框架作为衔接数据和模型的重要桥梁，发展进入繁荣期，国内外框架功能及性能加速迭代；

2、Pytorch、Tensorflow占据AI框架市场主导地位，国内大厂加速布局AI框架技术；

3、AI框架技术从工具逐步走向社区，生态加速形成，未来围绕安全可信、场景落等维度呈现显著发展趋势；

二、GPT开启AI大模型时代，国内外大厂发力布局，商业化空间加速打开：

1、数据、算法、模型三轮驱动AI发展，大模型优势显著，成为AI主流方向；

2、GPT开启千亿参数级AI大模型时代，语言、视觉、科学计算等大模型快速发展；

3、微软加速AI商用化进程，国内大厂发力布局，看好在细分场景下的应用落地；

三、建议关注标的：

1、基础层：AI算力：中科曙光；大模型：360，科大讯飞

2、应用层：AI+工具：金山办公； AI+建筑：广联达；AI+法律：通达海； AI+医疗：创业慧康，久远银海；AI+教育：

科大讯飞； AI+网安：安恒信息、奇安信；AI+金融：同花顺； AI+交通：佳都科技

风险提示：1、AI技术发展不及预期；2、版权、伦理和监管风险；

AI框架

人工智能开发链条长且复杂

训练

数据准备

环境安装

算法实现

模型训练

模型验证

推理

数据准备

环境安装

算法实现

模型训练

数据

人工智能基础设施

深度学习框架

使用深度学习框架工具进行开发

物理资源调度、I/O设备管理

分布式硬件资源

通用模型架构

支持计算机视觉应用

使用深度学习框架工具进行开发

使用主流编程语言

模型

GPU加速拓展包

开发者使用简单

支持AI领域的快速变化

01 人工智能框架技术发展进入繁荣期

01 国际主流深度学习框架：互联网巨头主导开发

国内外深度学习框架

发布时间

开发公司

深度学习框架

语言

是否开源

计算图

2013

BV LC

Caffe

2014

Microsoft

CNTK

2015

Google

2016

Baidu百度

p飞桨 PaddiePaddle

facebook

2017

PyTorch

腾讯优图

2020

HUAWEI

2020

TNN

Lua，Python（new）

Python

202x

Python

MEGVII

旷视

C++

昇思 MindSpore

C++

天元MegEngine

Lua，Python（new

Python

C++、CUDA、Python

静态

动态

静态

动静兼容

基于源码转换自动微分，不依赖计算图

动静合一

是否是分布式框架

√

特点/优点

速度快、使用方便、社区好

性能高、适合做语音任务

高效灵活、易用

容易上手

简单清晰

移动端高性能、

通用轻便

高效灵活、易用

灵活高效

01 TensorFlow+Pytorch占据市场主导地位

2018-2022年全球论文发表数量（按使用框架分）

2022年中国开发者人工智能框架使用率

01 Pytorch：Meta开源的主流学习框架

Pytorch版本平均每3\~4个月更新一次，功能服务持续扩充

2018年4月，0.4版支持Windows，并入caffe2

2017年，Pytorch正式发布

2019年5月，1.1版支持TensorBoard，增强可视化

2019年10月，1.3版支持移动设备部署，更多功能工具

2020年1月，1.4版支持分布式模型并行训练

2020年4月，1.5版与Amazon合作，提升开发者模型部署效率

2020年11月，1.7版支持Windows上的分布式训练，提供更多API

2021年3月，1.8版支持AMD GPU

2022年11月，2.0版Transformer模型训练速度提升1.5-2.0倍

多维优势支持Pytorch实现对TensorFlow的反超

门槛低

只需要Numpy和基本深度学习概念

代码简洁灵活

基于动态图机制，网络搭建更方便

文档规范

官方社区可查看各版本文档

资源丰富

arXiv新算法大多基于 Pytorch实现

开发者多

Github上贡献者1100+

大厂支撑

Meta维护开发

适用人群广泛

深度学习初学者：快速实现模型算法，加深深度学习概念认识；
机器学习爱好者：快速实现人脸识别、目标检测、图像生成等AI功能及实验；
算法研究员：最新arXiv论文算法快速复现及开发；

PyTorch

01 Open AI：从多种框架的使用到专注于Pytroch

深度模型框架转变

2015年

大多数情况使用TensorFlow

特殊情况使用Theano

2020年

Pytroch成为统一的深度学习框架

简单易懂：PyTorch 具有用户友好的 API；

原因

• 便于调试：对 Python 生态的良好支持；

强大高效：Pytorch提供了非常丰富的模型组件。

核心功能

支持GPU加速的张量计算

方便优化模型的自动微分机制

极大缩短研究周期

01 Tensorflow：谷歌开源的向更加易用发展的主流学习框架

Tensorflow从0.1到2.0的发展历程

缺点

优点

改进之处

发布版本

使得神经网络能够有效计算

采用CPU+GPU计算模型

开源Tensorflow0.1版本

缺点：调试困难、 API混乱、入门困难

优点：更快、更灵活、随时就绪

引入更高级的API，可在移动设备上运行

Tensorflow1.0.0发布，稳定版诞生

缺乏调度能力，需手动配置

优点：简化的模型开发流程、强大的跨平台能力、强大的研究发现

运用更简单的模型进行构建、简化PI

Tensorflow2.0发布

添加两种新机制，解决输入管道瓶颈并节约资源

Tensorflow2.3发布

2015年

2017年

2019年

202x年

AI框架技术呈现三层次结构，从工具走向社区生态

生态层

套件-模型库（CV、NLP…

AI领域扩展库（GAN、强化学习…）

AI+科学计算（电磁仿真、视频生成…）

社区

文档

并行及优化组件

科学计算组件

安全可信组件

工具组件

组件层

自动并行

科学计算（数值方法）

模型可解释

训练可视化

高阶优化器

科学计算（AI方法）

数据-模型安全

调试器

编程开发

编程接口API

编码语言

分布式并行

自动微分

动静转换

模型轻量化

基础层

编译优化

图算融合

内存优化

算子生成

训练开发

计算图中间表示

推理部署

硬件使能

计算算子

通信算子

01 百度PaddlePaddle飞桨平台

飞桨企业版

零门槛AI开发平台

飞桨产业级深度学习开源开放平台

工具与组件

自动化深度学习

强化学习

低代码开发工具

预训练模型应用工具

端到端开发套件

语义理解

文字识别

基础模型库

联邦学习

自然语言处理

核心框架

计算机视觉

开发

动态图

静态图

训练

大规模分布式训练

图学习

科学计算

可视化分析工具

图像分类

安全与隐私工具

目标检测

语音

图像分割

全功能AI开发平台

边缘与移动端推理引擎

量子机器学习

推理部署

图像生成

时间序列

前端推理引擎

生物计算

云上部署编排工具

大模型训推一体

文心大模型

服务化部署

学习与实训社区

全场景统一部署

01 未来AI框架技术将呈现六大发展趋势

发展趋势

泛开发泛开发

前端便捷化

后端高效化

全场景

全场景标准化互通

超大规模

混合并行

分布式处理

科学计算

自动微分

统一加速引擎

安全可信

鲁棒性检测

模型可解释

工程化

模型自适应

框架精细化

前景展望

多种开发语言无缝衔接

动静图转换能力提升后端运行效率

AI框架与硬件平台解耦，通过标准接口实现跨设备平台快速部署

突破五堵墙：内存墙+算力墙+通信墙+调优墙+部署墙

丰富编程接口

内置专业领域科学计算套件

提供丰富的 AI 鲁棒性检测工具

AI 模型的压缩和端侧推理框架的轻量化

AI大模型

02 算力+数据支撑AI大模型加速发展

02 大模型为基底，AI大模型发展为场景应用奠定重要基础

AI大模型优势

大模型意义

泛化性+通用性

开发门槛低

AI应用通用化

AI开发工程化

项目建设集约化

02 按照目标不同，AI大模型可分为四类，多模态为未来方向

挑战

NLP大模型

利用计算机模拟、延伸及拓展人类语言能力

在语言理解与生成、智能创作、机器翻译、智能对话、知识图谱和定制化语言解决方案落地应用发展顺利

语言的歧义、文化差异及多样化、情感分析困难

未来发展

以多个数据信息维度约束来验证情感分析及文本分析的准确性

CV大模型

计算机模拟生物视觉，理解数字图像和视频，并提取目标信息

2D数据工业质检、智慧城市落地完善，应用场景多；人脸、OCR识别发展较为成熟

3D/4D数据识别面临变形、光照、遮挡等问题；数字人、数字孪生的数据获取困难，算法处理复杂

打通数据融合以突破3D/4D获取瓶颈

科学计算大模型

高效率完成再现、预测和发现客观世界运动规律及演化特征的全过程

“AI+科学计算” （科学智能）引发科研方式的大变革，如生物制药、气象预报、地震探测等科研领域逐渐成熟

科学计算大模型对开发者专业知识要求严苛，高质量训练数据的获取成本高，导致模型整体研发成本昂贵

科技大厂与科研院校加强合作

多模态大模型

理解能力

融合

应用场景

计算性能

	GPT-1	GPT-2	GPT-3	GPT-4
推出年份	2018	2019	2020	2023
Transformer层数	12	48	96	=
参数量	1.2亿	15.8亿	1750亿
预训练数据量	5GB	40GB	45TB	=

02 AI迈入大模型时代，参数量过千亿

02 国内外大厂相继布局各模态AI模型

时间	提出者	模型名称	功能	意义
2021年1月	OpenAl	CLIP-DALL-E	以文搜图，按照文字描述生成对应图片	CLIP的zero-shot learning技术在各种数据集上的表现都很好
2021年5月	Google	MUM	多功能统一模型	可从75种不同语言中挖掘出的上下文信息对用户搜索结果进行优先排序
2021年9月	百度	DocVQA	跨模态文档理解	登顶DocVQA榜首
2021年11月	NVIDA	GauGAN2	根据输入的文本/简笔画生成对应逼真的风景图、输入图像并编辑部分内容	可用文字和图画混合创造逼真的艺术
2021年11月	Microsoft&北大	NvWa女娲	实现文本/草图转图像、图像补全、文字指示修改图像视频、文字/草图转视频、视频预测等	在8种图像和视频处理的视觉任务上具有出色的合成效果
2021年12月	NVIDA	PoE GAN	文字描述、图像分割、草图都可以转化为图片，还可同时接受以上几种输入模态的任意两种组合	可以在单模态、多模态输入甚至无输入时生成图片。
2022年1月	百度	ERNIE-ViLG	图文双向生成	刷新文本生成图像、图像描述等多个跨模态生成任务最好效果
2022年1月	Meta	Au-HuBERT	通过输入语音音频和唇语视频内容，输出对应文本	在嘈杂的环境下，通过读唇可以将语言识别的准确性最高提升6倍。
2022年7月	Meta	Make-a-Scene	文本生成图像，并允许文本输入进行有针对性创作	用户获得更丰富的个人理念定制，从而生成更加具有针对性的画作
2022年9月	OpenAl	Whisper	语音生成文本，支持语音转录和翻译两项功能并接受各种语音格式	多模态AI模型有望进入商用时代
2022年9月	Meta	Make-a-Video	文本、图片生成短视频，根据输入的自然语言文本生成段5秒钟左右的短视频。	AIGC进入视频创作领域
2022年11月	NVIDA	Magic3D	根据文字描述生成3D模型，可将低分辨率生成的粗略模型优化为高分辨率的精细模型	3D建模效率更高，且成本更低

02 OpenAI以GPT为基石，深度布局各模态AI及各类应用

Whisper 语音-文本模型

DALL-E2 文本-图像模型

ChatGPT

GPT模型迭代

	GPT-1	GPT-2	GPT-3	InstructGPT
论文年份	2018	2019	2020	2022
Transformer层数	12	48	96
参数量	1.2亿	15.8亿	1750亿	13亿
预训练数据量	5GB	40GB	45TB

多样的模型调用接口

类别	名称	参数量
基础版本	Davinci	1750亿
	Curie	67亿
	Babbage	10亿
代码生成	Code-Cushman-001	120亿
关联分析	Text-similarity-davinci-001	1750亿
关联分析	Text-similarity-curie-001	60亿

02 ChatGPT实现路径：算力与框架支持，应用百花齐放

对话虚拟人

语音工作助手

人工智能客服

机器翻译

无代码编程

对话类搜索引擎

小说生成

语音陪伴

对话AI模型

人类反馈强化学习RLHF

人工监督微调

连续多轮对话

承认自身错误

ChatGPT

质疑不正确的问题

承认自身的无知

模型

大模型

InstructGPT/GPT-3.5

人类反馈强化学习RLHF

Transfomer的Decoder 分支

1750 亿个参数

小样本学习能力

GPT-3

模型

Attention机制

Transformer

深度学习框架

参数少

速度快

效果好

易于使用

API 迭代更稳定

PyTorch

算力资源

微软云Azure

OpenAI的独家云提供商

02 将ChatGPT整合进Bing和Edge

传统信息搜索框

能动的提供解决方案：创建菜谱、制定旅行计划、诗歌创作等

新版Bing搜索引擎四大技术突破

搜索模型

Bing在OpenAI的下一代LLM模型上运行，该模型专门为搜索定制，比ChatGPT更强大

搜索性能

普罗米修斯（Prometheus ）模型：可以提高搜索结果相关性，并对答案进行注释

答案相关

通过将人工智能模型应用于核心搜索算法，改进了核心搜索指数，使得搜索结果相关性实现飞跃

用户体验

搜索与聊天相结合，除了传统的搜索结果外，还提供了聊天界面

Microsoft 365 Copilot

02 微软发布Microsoft 365 Copilot，引领下一代AI大模型

Microsoft 365 Copilot

Copilot旨在协助用户生成文档、电子邮件、演示文稿和更多内容

Copilot主要由OpenAI的GPT-4驱动会与微软365应用程序一起，作为聊天机器人的模式，出现在侧边

Copilot工作方式

• Copilot嵌入到人们每天使用的Microsoft 365 应用中

商务聊天 Business Chat。Business Chat 将汇总电子邮件、文件、文档、会议、聊天记录、日历等资料，并归纳总结

Business Chat

Copilot工作原理

自动汇集个人已有的数据和资料生成内容，上传到Microsoft Graph

Copilot成为智能个人数字助理 &实用的内容生成工具

02 Copilot AI 功能的应用场景，大幅提高办公效率

应用场景

Copilot in PowerPoint

Copilot 可以跨应用程序生成内容。例如，根据Word文档，可以生成一个10张幻灯片的PPT

提升演讲效果，增加字体大小和间距，在演讲稿中添加演讲提醒

一键压缩冗长的演示文稿，调整布局、重新格式化文本和完美的时间动画。

Copilot in Word

Copilot可以根据需求创建初稿

• 对文本内容进行提炼、改写、简化，查漏补缺

• 用户还可以根据需求调整AI的语气，包括严肃热情、感谢等

应用场景

Copilot in Excel

在短时间内识别趋势或创建数据可视化

数据归纳处理，分析或格式化Excel数据，生成直观图像

• Excel用户可以通过Copilot即时创建SWOT分析或基于数据的PivotTable

Copilot in Teams

在对话上下文中提供实时摘要和操作项，进行会议内容总结，提醒可能错过的东西

如果参加会议时间较晚copilot会提供一份错过的内容摘要，从而提高会议效率

02 Google在各模态领域布局AI模型，并提供多项功能服务模块

Flamingo 图像-文本

Parti 文本-图像

LOLNerf 2D图像-3D图像

Phenaki 文本-视频

官方开源多个多模态模型

类别	模型	功能用于对象检测的语言建模框架
计算机视觉	Pix2Seq	功能用于对象检测的语言建模框架
多模式模型	DeViSE	视觉语义嵌入
	LiT	将语义理解添加到图像模型
	PaLl	多语种语言图像学习
	Findlt	基于自然语言的通用对象定位
	VDTTS	视觉驱动的文本到语音
音频生成	AudioLM	基于语言建模的音频生成

02 国内AI大模型，大厂+高校将主导未来

 大模型的主要玩家有科技大厂、高校和新型研发机构，形成了四种合作模式

 （1）大厂独立完成（2）机构+高校（3）大厂+高校（4）大厂+机构+高校。大厂通过资金优势、数据优势往往可以独立完成或主导合作。机构凭借行业领袖的团队和政府的资金支持，可以主导合作。而高校凭借行业领袖的团队提供科研能力支持。

 过去来看，由于大厂受到商业任务限制，资金和数据优势未能充分发挥。而未来，在ChatGPT之后，经过验证的模式铺平商业决策之路，将逐步成为未来大模型的主导力量。

02 百度：文心大模型

坐拥大模型+训练框架+数据+社区多重优势，百度有望成为AIGC领域率先实现商业化的领头羊。

 自2019年发布ERNIE 1.0，百度持续投入大模型的技术创新与产业应用，布局了NLP、CV、跨模态等大模型，率先提出行业大模型，成了支撑大模型产业落地的关键路径，构建文心大模型层、工具平台层、产品与社区三层体系。

 根据IDC的大模型评分，在产品能力、生态能力和应用能力三个维度上百度均位于第一梯队，且在生态维度远高于平均水平，这得益于百度的大模型框架“飞桨”、旸谷社区。

 百度于2023年3月发布“文心一言”，成为首款中文生成式对话大模型产品。

文心大模型与产品框架

文心大模型评分

02 基于BERT衍生百度文心大模型，料将推出对话系统文心一言

ERNIE 1.0架构：改进了MLM任务

ERNIE 2.0：+持续学习框架

ERNIE 3.0、3.0TITAN：+参数量

ERNIE版本	1.0	2.0	3.0	3.0 TITAN
推出年份	2019	2020	2021	2022
参数量	参考bert base(1.1亿)	参考bert base(1.1亿),bert large (3.4亿)	100亿	2608亿
预训练数据量	Wiki， baike,news, tieba	wiki,news,dialogue,IR, discourse relation	4TB

02 阿里巴巴：通义大模型训练策略和框架上领先行业

 阿里巴巴率先构建大模型统一底座、通过训练策略大幅提升稀疏参数大模型框架训练效率，在大模型框架上具备领先地位。

 阿里巴巴2021年3月发布M6，成为国内最早提出千亿模型的厂商，同年发布十万亿模型M6-10T，通过expertprototyping训练策略成功实施MoE稀疏参数模型，使模型达到10万亿参数级别。

 2022年9月发布通义大模型，通过统一学习范式M6-OFA和模块化的设计，提升大模型跨模态能力和效率。

 2023年报电话会上，集团CEO张勇表示针对生成式AI趋势，将全力构建预训练大模型。

阿里通义大模型架构

Dense模型与MoE模型

02 华为：盘古大模型聚焦实业

 华为盘古大模型深耕实业，拥有更广泛的行业大模型，具备更强的落地能力。

 基于ModelArts AI工作平台的盘古大模型2021年4月发布，目前已应用于10+行业的100+应用场景。

根据信通院模型开发和模型能力两方面测评，均为优异水平。

03 重点关注标的

基础层：

AI算力：中科曙光

大模型：360，科大讯飞

应用层：

AI+工具：金山办公； AI+建筑：广联达

AI+法律：通达海； AI+医疗：创业慧康，久远银海

AI+教育：科大讯飞； AI+网安：安恒信息、奇安信

AI+金融：同花顺； AI+交通：佳都科技

1、AI技术发展不及预期：当前以ChatGPT为代表的AI模型以及其他多模态AI模型发展仍不成熟，存在一定缺陷；

2、版权、伦理和监管风险：AIGC生成的内容依赖现有版权素材，另外不当使用或模型自身问题可能导致不良后果；

行业的投资评级

以报告日后的6个月内，行业指数相对于沪深300指数的涨跌幅为标准，定义如下：

1、看好：行业指数相对于沪深300指数表现＋10%以上；

2、中性：行业指数相对于沪深300指数表现－10%～＋10%以上；

3、看淡：行业指数相对于沪深300指数表现－10%以下。

点击此处添加标题添加标题点击此处添我们在此提醒您，不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系，表示投资的相对比重。

标题点击此处添加标题点击此处添加标建议：投资者买入或者卖出证券的决定取决于个人的实际情况，比如当前的持仓结构以及其他需要考虑的因素。投资者不应仅仅依靠投资评级来推断结论

法律声明及风险提示

本报告由浙商证券股份有限公司（已具备中国证监会批复的证券投资咨询业务资格，经营许可证编号为：Z39833000）制作。本报告中的信息均来源于我们认为可靠的已公开资料，但浙商证券股份有限公司及其关联机构（以下统称“本公司”）对这些信息的真实性、准确性及完整性不作任何保证，也不保证所包含的信息和建议不发生任何变更。本公司没有将变更的信息和建议向报告所有接收者进行更新的义务。

本报告仅供本公司的客户作参考之用。本公司不会因接收人收到本报告而视其为本公司的当然客户。

本报告仅反映报告作者的出具日的观点和判断，在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议，投资者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。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。

本公司的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。本公司的资产管理公司、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。

本报告版权均归本公司所有，未经本公司事先书面授权，任何机构或个人不得以任何形式复制、发布、传播本报告的全部或部分内容。经授权刊载、转发本报告或者摘要的，应当注明本报告发布人和发布日期，并提示使用本报告的风险。未经授权或未按要求刊载、转发本报告的，应当承担相应的法律责任。本公司将保留向其追究法律责任的权利。

浙商证券研究所

上海总部地址：杨高南路729号陆家嘴世纪金融广场1号楼25层

北京地址：北京市东城区朝阳门北大街8号富华大厦E座4层

深圳地址：广东省深圳市福田区广电金融中心33层

邮政编码：200127

电话：(8621)80108518

传真：(8621)80106010

浙商证券研究所：http://research.stocke.com.cn

ChatGPT： AI模型框架研究——AI行业深度报告

摘要

一、AI框架重要性日益突显，框架技术发展进入繁荣期，国内AI框架技术加速发展：

二、GPT开启AI大模型时代，国内外大厂发力布局，商业化空间加速打开：

三、建议关注标的：

AI框架

数据

使用深度学习框架工具进行开发

01 人工智能框架技术发展进入繁荣期

01 国际主流深度学习框架：互联网巨头主导开发

国内外深度学习框架

01 TensorFlow+Pytorch占据市场主导地位

01 Pytorch：Meta开源的主流学习框架

Pytorch版本平均每3\~4个月更新一次，功能服务持续扩充

多维优势支持Pytorch实现对TensorFlow的反超

门槛低

代码简洁灵活

文档规范

资源丰富

开发者多

大厂支撑

PyTorch

01 Open AI：从多种框架的使用到专注于Pytroch

01 Tensorflow：谷歌开源的向更加易用发展的主流学习框架

Tensorflow从0.1到2.0的发展历程

AI框架技术呈现三层次结构，从工具走向社区生态

01 百度PaddlePaddle飞桨平台

飞桨企业版

零门槛AI开发平台

飞桨产业级深度学习开源开放平台

全功能AI开发平台

01 未来AI框架技术将呈现六大发展趋势

发展趋势

前景展望

AI大模型

02 算力+数据支撑AI大模型加速发展

02 大模型为基底，AI大模型发展为场景应用奠定重要基础

02 按照目标不同，AI大模型可分为四类，多模态为未来方向

多模态大模型

02 AI迈入大模型时代，参数量过千亿

02 国内外大厂相继布局各模态AI模型

02 OpenAI以GPT为基石，深度布局各模态AI及各类应用

Whisper 语音-文本模型

02 ChatGPT实现路径：算力与框架支持，应用百花齐放

02

将ChatGPT整合进Bing和Edge

传统信息搜索框

搜索模型

搜索性能

答案 相关

用户体验

02 微软发布Microsoft 365 Copilot，引领下一代AI大模型

Microsoft 365 Copilot

Copilot工作方式

Copilot工作原理

02 Copilot AI 功能的应用场景，大幅提高办公效率

应用场景

Copilot in PowerPoint

Copilot in Word

应用场景

Copilot in Excel

Copilot in Teams

02 Google在各模态领域布局AI模型，并提供多项功能服务模块

Flamingo 图像-文本

LOLNerf 2D图像-3D图像

Phenaki 文本-视频

官方开源多个多模态模型

02 国内AI大模型，大厂+高校将主导未来

02 百度：文心大模型

坐拥大模型+训练框架+数据+社区多重优势，百度有望成为AIGC领域率先实现商业化的领头羊。

02 基于BERT衍生百度文心大模型，料将推出对话系统文心一言

02 阿里巴巴：通义大模型训练策略和框架上领先行业

02 华为：盘古大模型聚焦实业

03 重点关注标的

基础层：

应用层：

行业的投资评级

法律声明及风险提示

浙商证券研究所

答案相关

浙商证券-计算机AI行业深度报告-ChatGPT：AI模型框架研究-230325.pdf