前瞻研究全球人工智能AI行業系列報告6：人工智能AI將如何影響軟件行業？-230509（36頁）.pdf

《前瞻研究全球人工智能AI行業系列報告6：人工智能AI將如何影響軟件行業？-230509（36頁）.pdf》由會員分享，可在線閱讀，更多相關《前瞻研究全球人工智能AI行業系列報告6：人工智能AI將如何影響軟件行業？-230509（36頁）.pdf（36頁珍藏版）》請在三個皮匠報告上搜索。

1、 證券研究報告證券研究報告 請務必閱讀正文之后第請務必閱讀正文之后第 35 頁起的免責條款和聲明頁起的免責條款和聲明 人工智能人工智能 AI 將如何影響將如何影響軟件行業軟件行業？前瞻研究全球人工智能 AI 行業系列報告 62023.5.9 中信證券研究部中信證券研究部 核心觀點核心觀點 陳俊云陳俊云 前瞻研究首席 分析師 S1010517080001 許英博許英博 科技產業首席 分析師 S1010510120041 劉銳劉銳 前瞻研究分析師 S1010522110001 賈凱方賈凱方 前瞻研究分析師 S1010522080001 AI+軟件的快速融合，正在給全球軟件產業帶來長周期、深遠的影響

2、。針對底軟件的快速融合，正在給全球軟件產業帶來長周期、深遠的影響。針對底層算法模型，第三方軟件服務商需要結合自身專有數據集積累、技術層算法模型，第三方軟件服務商需要結合自身專有數據集積累、技術&資金能資金能力、產品形態等，在閉源方案、開源生態之間做出抉擇，彼此優劣勢亦十分明力、產品形態等，在閉源方案、開源生態之間做出抉擇，彼此優劣勢亦十分明顯。顯。LLM 帶來內容生成、自然語言交互、信息檢索效率的大幅改善，將使得偏帶來內容生成、自然語言交互、信息檢索效率的大幅改善，將使得偏平臺型、垂類應用軟件顯著受益，但也將大概率導致部分業務邏輯簡單、偏中平臺型、垂類應用軟件顯著受益，但也將大概率導致部分業務

3、邏輯簡單、偏中間態的單點軟件產品方案明顯受損，同時借助人機交互效率的大幅改善，用戶間態的單點軟件產品方案明顯受損，同時借助人機交互效率的大幅改善，用戶對基礎軟件的使用門檻料顯著降低，利好數據管理、信息安全、運維等基礎軟對基礎軟件的使用門檻料顯著降低，利好數據管理、信息安全、運維等基礎軟件板塊。我們判斷，件板塊。我們判斷，LMaaS（大語言模型即服務）、插件（鏈接外部知識、工（大語言模型即服務）、插件（鏈接外部知識、工具）、關聯落地（具）、關聯落地（Grounding，優化用戶提示、輸出結果等）等將構成后續軟，優化用戶提示、輸出結果等）等將構成后續軟件產業的核心關鍵詞，不斷驅動軟件產業平臺化、模

4、塊化發展，并最終帶來更件產業的核心關鍵詞，不斷驅動軟件產業平臺化、模塊化發展，并最終帶來更加緊密、復雜的軟件產業分工協作體加緊密、復雜的軟件產業分工協作體系。我們看好系。我們看好當下當下美股軟件板塊，市場最美股軟件板塊，市場最悲觀時候已基本過去，建議不斷聚焦應用層的平臺型、垂類軟件廠商，以及基悲觀時候已基本過去，建議不斷聚焦應用層的平臺型、垂類軟件廠商，以及基礎層的數據管理、信息安全、運維、軟件開發等廠商，礎層的數據管理、信息安全、運維、軟件開發等廠商，建議建議持續持續關注關注：微軟、：微軟、Salesforce、Service Now、Adobe、Snowflake、Datadog、Mong

5、oDB、Confluent、Palo Alto、Crowdstrike 等。等。報告緣起：從報告緣起：從 ChatGPT 到微軟到微軟 Co-pilot，近半年內近半年內 AI 產業的產業的突破式進展突破式進展將重將重構軟件行業生態構軟件行業生態。在短短半年里，AI 產業取得了顯著進展，以 ChatGPT 為例，自 2022 年 11 月推出后，2 個月內活躍用戶突破 1 億，創下全球消費者應用的增長紀錄。全球科技巨頭爭相投身 AI 市場，如微軟將 ChatGPT 整合到 Azure、Office 等產品，谷歌推出類似產品 Bard，百度在國內推出文心一言。這些舉措加速了 AI 產業化進程，亦

6、在推動 AI+軟件的快速融合。這場以底層技術為基礎的 AI 升級換代，對軟件行業的產品形態、交互模式、產業價值分配將產生長周期、深遠的影響。本報告將重點關注人工智能技術將如何重構軟件行業生態。算法模型：算法模型：AI 巨頭從開源走向閉源，軟件廠商需要有所選擇。巨頭從開源走向閉源，軟件廠商需要有所選擇。過去五年，前期高額資金投入和原始數據稀缺導致資本向頭部 AI 技術提供商集中，頭部 AI 廠商如 OpenAI 和谷歌占據了絕對話語權并轉向商業盈利導向。這些領先廠商選擇閉源模式，迫使軟件服務商與其合作。相較之下，追趕者如 Meta、Amazon 和NVIDIA 更傾向于培養開源社區，共同迭代模型

7、以縮小差距。由于底層大語言模型的高門檻以及資源的稀缺性，大多數軟件服務商沒有能力從底層開始研發自有的大語言模型，因此需在與閉源頭部廠商合作或選擇免費開源方案之間做出抉擇。相較于開源方案，閉源方案的技術更為領先、開發效率更高，但較高的調用次數可能帶來高昂的成本，亦存在用戶隱私&數據安全等顧慮；而相較于閉源方案，基于開源方案自建使得資金投入更加靈活和可控、可最大限制的保護用戶隱私&數據安全，但開源方案也存在社區不成熟、模型迭代速度慢、技術能力落后等問題?？偨Y而言，對于擁有海量經授權的垂類數據、充?，F金流以及直接落地場景的軟件大廠適合基于開源模型進行 AI 能力的構建，對于不滿足以上三項條件的廠商，

8、直接接入閉源模型應為理論上最優的解決方案。軟件產業：軟件產業：AI 驅動產品形態、市場格局重構驅動產品形態、市場格局重構?；仡櫼苿踊ヂ摼W時代，移動互聯網的快速滲透使得一批新興玩家陸續涌現，但多數 PC 互聯網時代原有的參與者亦通過移動互聯網的產品，進一步提升了客戶覆蓋和業務變現能力，當然也有部分廠商因布局遲緩、戰略失當而黯然離場。我們認為這一邏輯在 AI 時代亦不例外，未來市場會逐步出現所謂 AI 原生的新生力量，而軟件市場原有的參與者也將迎來產業鏈價值的再分配，或受益或受損。應用軟件層面，應用軟件層面，我們主要從產品體系、客戶結構、數據沉淀、生態構建等維度來衡量應用軟件領域的受益&受損邏輯。

9、在這一判斷體系下，我們認為品類全面、份額領先、生態完善、數據持續積 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 2 累的平臺型廠商，以及格局優異、具備獨特數據集和直接落地場景的垂類軟件有望率先受益；同時，對于部分功能相對單一、格局尚不明朗的點解決方案廠商，則有可能在新一輪的 AI 浪潮中受到沖擊?；A軟件層面，基礎軟件層面，大語言模型的能力并不涉及高性能&高可靠&高可用的數據處理、IT 基礎設施的性能監控&告警，亦無法滿足惡意攻擊的防御需求。與此同時，大模型的訓練、部署以及穩定&安全運行仍然需要數據管理、性能

10、監控、信息安全等系列產品的配合和支持。不過，在軟件開發環節，大語言模型的確有望憑借對代碼的生成和理解能力實現產品和產業鏈價值的重構；在其他的基礎軟件環節，大模型也有望通過簡化處理方式、降低信息復雜度等維度降低從業人員門檻，拓寬產品覆蓋面和變現方式。產業生態：更加緊密、復雜的軟件分工協作體系產業生態：更加緊密、復雜的軟件分工協作體系。我們認為在軟件服務商積極嘗試融入 AI 能力后，以 LMaaS（大語言模型即服務）為核心的新商業模式將成為主流。LMaaS 將重新整合軟件產業生態，使企業分工更加明確。在這一模式下，AI 巨頭專注于提供泛用性模型和 ToC 需求服務，而中小公司則切入特定垂直行業，根

11、據需求微調優化模型。這種格局有助于發揮各自優勢，降低成本，提高性能和覆蓋范圍，同時推動行業生態的繁榮。LMaaS 通過云服務封裝復雜的技術問題，簡化了用戶的本地部署與調試過程，并統一了面向應用的入口，讓用戶體驗更加友好。插件功能和關聯落地技術使得 LMaaS 連接不同的外部 API 變成可能，極大程度上擴展了大語言模型的上層軟件生態，也提供給了更多中小型企業進行創新的土壤。通過這一商業模式，中小企業可以專注于解決特定領域問題，利用大型 AI 公司提供的基礎模型資源降低創業門檻和技術難度，從而反哺整個行業。風險因素：風險因素：AI 核心技術發展不及預期風險；科技領域政策監管持續收緊風險；私有數據

12、相關的政策監管風險；全球宏觀經濟復蘇不及預期風險；宏觀經濟波動導致歐美企業 IT 支出不及預期風險；AI 潛在倫理、道德、用戶隱私風險；企業數據泄露、信息安全風險；行業競爭持續加劇風險等。投投資策略：資策略：AI+軟件的快速融合，以及美股軟件巨頭的示范效應，正在給全球軟件產業帶來長周期、深遠的影響。LLM 帶來內容生成、自然語言交互、信息檢索效率的大幅改善，將使得偏平臺型、垂類應用軟件顯著受益，但也將大概率導致部分業務邏輯簡單、偏中間態的單點軟件產品方案明顯受損，同時借助人機交互效率的大幅改善，用戶對基礎軟件的使用門檻料將顯著降低，利好數據管理、信息安全、運維等基礎軟件板塊。我們看好美股軟件板

13、塊，市場最悲觀時候已基本過去，建議不斷聚焦應用層的平臺型、垂類軟件廠商，以及基礎層的數據管理、信息安全、運維、軟件開發等，建議持續關注：微軟、Salesforce、Service Now、Adobe、Snowflake、Datadog、MongoDB、Confluent、Palo Alto、Crowdstrike 等。重點公司盈利預測、估值及投資評級重點公司盈利預測、估值及投資評級 公司公司 代碼代碼 市值市值（億美元）（億美元）估值方法估值方法 估值（自然年）估值（自然年）2022A 2023E 2024E 2025E 微軟 MSFT.O 23,098 P/FCF 35.5 38.7 32.

14、6 27.4 Adobe ADBE.O 1,598 P/FCF 21.6 20.7 18.2 16.5 Salesforce CRM.N 1,976 P/FCF 31.3 26.2 20.5 16.8 Service Now NOW.N 887 P/FCF 40.7 33.3 26.2 22.9 Snowflake SNOW.N 501 P/S 24.3 17.4 12.7 9.6 Datadog DDOG.O 246 P/FCF 69.7 59.6 45.1 23.7 Confluent CFLT.O 67 P/S 11.5 8.8 6.9 5.4 MongoDB MDB.O 169 P/S

15、 13.2 11.2 9.3 7.3 Palo Alto PANW.O 557 P/FCF 31.1 21.9 17.8 15.1 Crowdstrike CRWD.O 289 P/FCF 42.8 31.8 24.2 18.1 資料來源：彭博，中信證券研究部 注：股價為 2023 年 5 月 5 日收盤價；預測數據來自彭博一致預期 5XhU3UjZfW5XhU0XkWcV7NdN6MsQqQoMmPfQqQqNlOmNnN9PnNuNMYmQpMxNnRoN 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 3

16、目錄目錄 報告緣起報告緣起.6 算法模型：算法模型：AI 巨頭從開源走向閉源，軟件廠商需要有所選擇巨頭從開源走向閉源，軟件廠商需要有所選擇.7 軟件軟件產業：產業：AI 驅動產品形態、市場格局重構驅動產品形態、市場格局重構.16 應用軟件：平臺型、垂類軟件等有望顯著受益，單點解決方案或將受損.16 基礎軟件：AI 顯著降低產品使用門檻，數據管理最為受益，安全、運維等亦將受益.21 產業生態：更加緊密、復雜的軟件分工協作體系產業生態：更加緊密、復雜的軟件分工協作體系.29 風險因素風險因素.33 投資策略投資策略.34 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 6

17、2023.5.9 請務必閱讀正文之后的免責條款和聲明 4 插圖目錄插圖目錄 圖 1：ChatGPT 月活破億所花時間.6 圖 2：微軟宣布生成式 AI 助手 Copilot 對 Microsoft 365 工具套件進行升級.6 圖 3：從 2017 年開始，人工智能的底層研究從小模型轉為了大模型.7 圖 4：從 2018 年到 2022 年，人工智能模型體積增長了 500 倍.7 圖 5：目前成功的人工智能獨角獸都離不開互聯網大廠的資金支持.8 圖 6：谷歌+微軟在 2022 年發布了約 60%的大語言模型相關學術論文.8 圖 7：OpenAI 在文檔中明確聲明只會與合作方分享模型具體的實現細

18、節.9 圖 8：人工智能重構軟件產業中間層：從小作坊式發展走向工業化道路.11 圖 9：Meta 開源的 LLaMA 模型效果好于 GPT-3 但與更大參數量的 PaLM 差距明顯.11 圖 10：閉源大廠會提供標準化的 API key 以便用戶接入.12 圖 11：對于大型企業客戶，OpenAI 根據規模（Scale）收費.12 圖 12：4 月初，意大利出于對 ChatGPT 數據隱私相關的擔憂宣布禁用 ChatGPT.14 圖 13：Huggingface 是大語言模型最大的開源項目之一，但也只擁有 1 萬用戶.14 圖 14：BloombergGPT 采用數據集.15 圖 15：Mic

19、rosoft Copilot 產品邏輯.15 圖 16：生成式 AI 影響市場營銷各個環節，促進轉化率提升.16 圖 17：Salesforce Einstein GPT 應用場景.17 圖 18：Pilot AI 利用生成式 AI 從銷售通話中提取信息.17 圖 19：美股主要應用軟件 SaaS 公司平均 ACV 水平.18 圖 20：全球 CRM 市場份額（2022）.18 圖 21：全球 ERP 市場份額（2022）.18 圖 22：Salesforce 上層應用相關的關系型、非關系數據都將在底層數據層持續沉淀.19 圖 23：Adobe 提供的實時客戶數據平臺（CDP）.19 圖 24

20、：Salesforce Einstein GPT for Developers.20 圖 25：全球低代碼/無代碼/智能開發工具市場規模及增速.20 圖 26：全球低代碼/無代碼/智能開發工具市場份額.21 圖 27：數據對 AI 模型的促進作用.22 圖 28：數據對 AI 產品提升的促進作用.22 圖 29：2020 年全球數據流量比例（按應用類型）.22 圖 30：非結構化數據占比.22 圖 31：全球分析型數據管理和集成市場規模及增速.23 圖 32：全球 IT 性能監控市場規模及增速.24 圖 33：模型開發/調試/部署/監控全流程.24 圖 34：ChatGPT 采用 Cloudf

21、lare 的方案保護 Web 端應用安全.25 圖 35：全球應用程序保護&可用性市場規模及增速.25 圖 36：ZTNA 主要架構.25 圖 37：全球安全網關市場規模及增速.26 圖 38：全球數據丟失保護市場規模及增速.26 圖 39：全球消息安全市場規模及增速.26 圖 40：敏捷軟件開發:短的開發“沖刺”.27 圖 41：Devops 流程.28 圖 42：全球軟件開發管理市場規模及增速.28 圖 43：全球軟件開發管理市場份額（2021）.28 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 5 圖

22、44：CoPilot 為開發者提供代碼建議.29 圖 45：基于 NLP 的大語言模型擁有優秀的泛用性，將成為各類任務的底座.29 圖 46：OpenAI 的六大類模型，其中 Chat 是面向用戶的核心入口.30 圖 47：ChatGPT 目前支持的部分插件.31 圖 48：Grounding 本質上是對用戶指令優化并讓大語言模型更精準理解.32 圖 49：微調的存在讓大語言模型可以滿足不同垂直領域的需求.33 表格目錄表格目錄 表 1：從 GPT-3 開始，谷歌與 OpenAI 的主要模型都不再公開訪問.9 表 2：當前主流的開源大語言模型項目及其基礎模型.10 表 3：部分軟件提供商結合

23、AI 能力的嘗試.10 表 4：根據企業自有數據量的不同靈活選擇需要的硬件數量.13 表 5：Einstein GPT 核心應用場景.17 表 6：低代碼開發的基本原則.21 表 7：IT 監控軟件市場主要領域及主要玩家.23 表 8：XDR 的核心能力.27 表 9：OpenAI 定價模式.30 表 10：重點推薦公司盈利預測.34 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 6 報告緣起報告緣起 在過去的半年里，我們見證了 70 年以來 AI 產業最為快速的發展，據 SimilarWeb 的數據顯示，20

24、22 年 11 月在美國推出的 ChatGPT，僅在短短 2 個月內活躍用戶規模便突破 1 億大關，成為全球歷史上用戶增長最快的消費者應用。在下游應用領域，微軟宣布將ChatGPT 導入到 Azure、Office、Bing 搜索等產品線中，谷歌亦宣布基于自身的語言大模型推出類似 ChatGPT 的相關產品 Bard，并將 AI 能力導入旗下的辦公產品 workspace 中，AI 和軟件產業正在快速融合。圖 1：ChatGPT 月活破億所花時間（月）資料來源：similarweb 圖 2：微軟宣布生成式 AI 助手 Copilot 對 Microsoft 365 工具套件進行升級 資料來源：

25、微軟 Copilot 發布會 全球科技巨頭紛紛涌入 AI 市場，顯示了 AI 產業化進程的全面加速，并將 AI 能力逐漸融入各類軟件服務中。這場以底層技術為基礎的 AI 升級換代，對當前軟件行業的服務模式料將產生顯著影響。我們分析認為，人工智能技術、軟件服務之間存在天然的相關性。本篇報告將以美股軟件巨頭在 AI 領域的產品布局為起點，系統性地探討 AI 和軟件的可能的融合方式，以及中長期維度，AI 將如何影響、乃至改變軟件產業。010203040506070TwitterFacebookInstagram微信TikTokChatGPT 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報

26、告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 7 算法模型：算法模型：AI 巨頭從開源走向閉源，軟件廠商需要有巨頭從開源走向閉源，軟件廠商需要有所選擇所選擇 少數科技巨頭正在引領少數科技巨頭正在引領 AI 基礎模型的發展基礎模型的發展?；仡櫧甑娜斯ぶ悄苣Ｐ桶l展，我們發現 AI 技術提供商數量稀少且進入門檻不斷提高。這主要是因為從 2017 年起，人工智能研究從小模型轉向大語言模型，導致模型體量成倍增加，需要更多 GPU 算力和配套設施投入，大量的前期資本投入以及過長的回報周期阻礙了許多新進入者。圖 3：從 2017 年開始，人工智能的底層研究從小模型轉為了大模型

27、資料來源：中信證券研究部繪制 大大模型時代，模型時代，模型體積幾何式增長導致前期投入過高，模型體積幾何式增長導致前期投入過高，成功者往往依賴成功者往往依賴科技巨頭科技巨頭的資的資金金、數據等、數據等支持。支持。在過去五年內，我們看到成功的人工智能獨角獸都在尋找互聯網科技大廠作為其背后的依靠，主要因為：1）能夠得到充足而短時間內不求產出的資金支持；2）依靠互聯網大廠的公有云等相關資源進一步降低成本；3)獲取互聯網大廠長期以來所積累的優質數據源。圖 4：從 2018 年到 2022 年，人工智能模型體積增長了 500 倍 資料來源：LESSWRONG,中信證券研究部 前瞻研究前瞻研究全球人工智能全

28、球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 8 圖 5：目前成功的人工智能獨角獸都離不開互聯網大廠的資金支持 資料來源：LESSWRONG,中信證券研究部 大模型研發的高門檻讓頭部少數大模型研發的高門檻讓頭部少數 AI 廠商占據主導廠商占據主導權權，并開始從技術研發向商業化落，并開始從技術研發向商業化落地邁進地邁進。從 Bert開始到GPT-3再到谷歌的 PALM，人工智能技術的發展潮流始終由 OpenAI、谷歌等少數幾家巨頭主導，其他廠商根據先行者的開源資料以及相關論文進行模仿并創新。但從 OpenAI 發布 GPT-3 走向商業化盈利

29、開始，谷歌也迅速效仿，不再公布 T5 模型及后續版本的細節。頭部的 AI 廠商希望將自身的技術優勢構筑為商業化能力的核心壁壘，以延長后來者的追趕時間。圖 6：谷歌+微軟在 2022 年發布了約 60%的大語言模型相關學術論文 資料來源：NeurIPS，中信證券研究部 020406080100120140160180200 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 9 表 1：從 GPT-3 開始，谷歌與 OpenAI 的主要模型都不再公開訪問 LaMDA Sparrow PaLM-E GPT 系列模型系列模

30、型 組織 Google DeepMind 谷歌 OpenAI 能否公開訪問 否否 否否 否否 有限有限 參數量 1370 億 700 億 5620 億 1700 億及以上 預訓練語料庫大?。ㄔ~數）2.81T 1.4T 7800 億 Token GPT-3 近 5000 億 Token 模態 文字 文字 多模態 GPT-4 具備多模態 訓練硬件 1024 塊 TPUv3 基于 TPUv3/v4 6144 塊 TPUv4 預計 GPT-4 使用千余塊英偉達 A100 產品化進度 BARD 機器人 NA NA Microsoft 365 Copilot Microsoft Azure Microso

31、ft Bing 資料來源：谷歌、微軟、OpenAI 官方技術博客，中信證券研究部 人工智能頭部廠商從人工智能頭部廠商從開源走向閉源，利用其綜合優勢來保持持續的領先開源走向閉源，利用其綜合優勢來保持持續的領先。谷歌與OpenAI 作為行業內的技術領先者已經明確選擇了閉源模式：本次 OpenAI 推出 GPT-4 的形式與以往模型的發布都有所不同，OpenAI 既沒有公開發布 GPT-4 的相關論文，也沒有提供詳細的框架說明，僅僅提供了一份 98 頁的技術文檔（主要描述模型能力以及相關評測的得分，幾乎沒有任何技術細節）。通過這一方式，OpenAI 阻斷了所有借鑒者參考的直接途徑（模型大小、數據集構

32、建、訓練方法等），將閉源的路線堅持到底。通過這一方式，OpenAI 迫使想要融入 GPT-4 能力的軟件服務商與其合作，OpenAI 提供對應的 API 接口以及部署指導。圖 7：OpenAI 在文檔中明確聲明只會與合作方分享模型具體的實現細節 資料來源：OpenAI GPT-4 技術文檔 相較于頭部相較于頭部 AI 廠商，追趕者更傾向于廠商，追趕者更傾向于通過通過培養開源社區，共同迭代模型以縮小培養開源社區，共同迭代模型以縮小和頭和頭部廠商的部廠商的差距。差距。頭部廠商閉源模型后，落后一到兩個身位的公司（Meta、Amazon、NVIDIA等）可能會選擇開源路線，寄希望通過社區的力量加速迭代

33、。目前大語言模型開源社區的主要貢獻者包括 Meta、NVIDIA 以及 Huggingface 等，通過分享部分模型與大語言模型相關的知識培訓逐漸培養起了一批開源開發者。Meta 于 2023 年 3 月發布了其新一代大語言模型 LLaMA 并將源代碼開源給社區。社區用戶及企業可以免費使用公開的模型以及數據源，但受證書限制不能用作商業用途。前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 10 表 2：當前主流的開源大語言模型項目及其基礎模型 名稱名稱 基礎模型基礎模型 訓練方法訓練方法/數據集數據集 Alpaca

34、 LLaMA Alpaca ChatMLG GLM 自定義數據集（1T)Dolly GPT-J 6B Alpaca Belle Bloom Alpaca+自定義數據（2M)OpenChatKit GPT-NEO OIG-43M FastChat LLaMA shareGPT(70K)gpt4all LLaMA GPT-3.5 生成的 800k 數據集 資料來源：Github，中信證券研究部 面對當下情形，面對當下情形，軟件服務商需在與閉源頭部廠商合作或選擇免費開源方案之間做出抉軟件服務商需在與閉源頭部廠商合作或選擇免費開源方案之間做出抉擇。擇。在見證了 ChatGPT 的成功后，擁抱 AI 能

35、力成為了軟件服務商的普遍共識。Gartner預計到 2025 年，生成式人工智能將占所有生成數據的 10%。由于底層大語言模型的高門檻，只有部分科技巨頭有能力完全自研底層模型。而絕大多數軟件服務商需要在成為閉源頭部廠商的合作伙伴與使用自有數據在開源項目的基礎上開發之間做二選一的抉擇。表 3：部分軟件提供商結合 AI 能力的嘗試 基礎能力基礎能力 工具工具 特征特征 圖像生成-市場、設計、生產 Artbreeder 生成圖像，可選擇主體的年齡、性別 Craiyon 文本到圖片轉換 DALL-E 創建、編輯圖像，并提供商業權利來創造內容 NightCafe 生產具有不同風格和分辨率選項的藝術圖 s

36、tarryai 創建具有不同風格、長寬比等選項的藝術品，并對制作的內容擁有完全的所有權 Colormind 如果需要，允許根據電影場景、藝術品或其他圖像創建調色板 Designsai 生成標識和橫幅，提供設計模板，并能將生成的項目導出為不同的格式 Fronty AI 創建與移動設備和 SEO 需求兼容的網站 Khroma 允許培訓個性化的算法來創建真正的調色板 Uizard 根據草圖創建移動應用程序、網站或登陸頁面的設計 視頻生成-市場 Elai 允許將博客文章轉換為視頻；提供25 個頭像，為客戶制作個性化的頭像 Flexclip 支持視頻創作，提供視頻編輯工具，如添加轉場、過濾器或刪除背景等

37、 Lumen5 提供模板，以創建基于演示文稿或在線會議記錄的視頻 Synthesia 實現文本到視頻的轉換；提供70 個頭像；提供65 種語言的服務 Veed.io 視頻生成和編輯，添加字幕，去除背景噪音，調整視頻大小 資料來源：各公司官網，中信證券研究部 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 11 圖 8：人工智能重構軟件產業中間層：從小作坊式發展走向工業化道路 資料來源：a16z，中信證券研究部繪制 1）軟件提供商選擇閉源廠商方案軟件提供商選擇閉源廠商方案的優缺點的優缺點分析分析：與開源方案相比，閉

38、源大廠技術更為領先與開源方案相比，閉源大廠技術更為領先：目前開源項目的準確度仍不及 2021年發布的前代模型 GPT-3.5 與 PaLM。軟件提供商與閉源大廠成為合作伙伴會得到更加可靠的模型支持。對于數據存量較大且存儲種類較為復雜的行業來說，閉源廠商的模型更能保證在大規模應用場景下的穩定性。以 2023 年 3 月 Meta 開源的 LLaMA 為例，最大參數量 65B 的 LLaMA 模型在準確率上與 2021 年谷歌閉源發布的 PaLM 模型差距明顯。圖 9：Meta 開源的 LLaMA 模型效果好于 GPT-3 但與更大參數量的 PaLM 差距明顯 資料來源：Meta 公布的 LLaM

39、A 論文 閉源大廠為軟件服務商封裝中間技術細節閉源大廠為軟件服務商封裝中間技術細節，簡化訓練、部署等環節，簡化訓練、部署等環節，降低軟件廠降低軟件廠商技術難度，并提升接入、開發效率商技術難度，并提升接入、開發效率。與閉源大廠合作大幅簡化了軟件服務商部署大語言模型的難度。由于大型 AI 模型通常需要強大的計算能力和資源，大多數企業和個人難以承擔部署和運維成本。與此同時，模型的推理環節可以通過匯編語言對底層 CUDA 加速框架進行優化以降低推理成本，而大部分企業不具備這 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明

40、 12 一層面的能力和經驗。針對上述問題，閉源大廠可以通過云服務平臺將復雜的技術問題進行封裝，使軟件服務商無需關注底層實現，直接使用 AI 模型并根據自身業務對模型進行微調。此外，閉源模型會直接提供一步到位的 API 端口，軟件服務商直接將 API 接入到軟件中就可以使用。圖 10：閉源大廠會提供標準化的 API key 以便用戶接入 資料來源：OpenAI 官網 與閉源大廠合作的潛在顧慮與閉源大廠合作的潛在顧慮：昂貴的成本、：昂貴的成本、用戶隱私用戶隱私&數據安全等數據安全等。在與軟件服務商的合作方案上，OpenAI 按照使用量來收費。對于數據密集型行業來說，每1GB 數據的處理需要花費超過

41、 8000 美元。此外，另一個顧慮在于數據源并不掌握在企業自身手中，對于數據隱私程度較高的場景，目前相關的數據隱私與安全監管仍然不完善。圖 11：對于大型企業客戶，OpenAI 根據規模（Scale）收費 資料來源：OpenAI 官網 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 13 2）基于開源方案自建大語言模型的優缺點基于開源方案自建大語言模型的優缺點分析分析：基于開源方案自建大語言模型使基于開源方案自建大語言模型使資金投入更加靈活與可控。資金投入更加靈活與可控。目前開源社區中基于LLaMA、Alpaca

42、、Bloom 等的開源項目都是免費提供。盡管限制商業化用途，但企業可以通過提取權重的方式進行規避。根據自身的數據規模以及相關業務對于準確度的要求，企業可以靈活控制對硬件采購的投入以及相關訓練成本的支出。與此同時，市場也出現了諸如 Colossal-AI 等開源解決方案，致力于優化底層推理和訓練的效率。表 4：根據企業自有數據量的不同靈活選擇需要的硬件數量 參數數量參數數量（億）（億）注意頭注意頭 隱藏層隱藏層 層數層數 張量模型張量模型-并行大并行大小小 管道模型管道模型-并行大小并行大小 GPU數量數量 批量批量大小大小 Achieved teraFlOP/s per GPU 理論峰值理論峰

43、值FLOP/s 的的百分比百分比 實現聚合實現聚合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 96 12288 80 8 8

44、1536 2304 148 47%227.1 310.1 128 16384 96 8 16 1920 2160 155 50%297.4 529.6 128 20480 105 8 35 2520 2520 163 52%410.2 1008.0 160 25600 128 8 64 3072 3072 163 52%502 資料來源：a16z，中信證券研究部 開源方案可將數據留在本地，最大限度地保護開源方案可將數據留在本地，最大限度地保護用戶用戶隱私和隱私和數據數據安全。安全。對于數據安全至關重要的行業，確保數據隱私是選擇基于開源方案自建的最大理由。2023年 4 月，意大利就因為擔憂數據

45、隱私與保護監管的制度不完善禁止企業使用ChatGPT，三星亦因擔心內部資料泄露問題限制了部分部門對 ChatGPT 的訪問。盡管目前相關限制并未涉及 API 和模型實例的使用，但基于數據隱私的考慮，基于開源方案自建是企業的最優選擇。前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 14 圖 12：4 月初，意大利出于對 ChatGPT 數據隱私相關的擔憂宣布禁用 ChatGPT 資料來源：CNBC 開源方案的開源方案的潛在潛在問題：社區不成熟，模型迭代速度慢，與閉源模型問題：社區不成熟，模型迭代速度慢，與閉源模型技

46、術技術能力存在能力存在明顯差距。明顯差距。目前大語言模型開源社區主要的推動者包括 Meta、Huggingface、NVIDIA 等，但如 Meta 只開源了部分模型以及語料數據。且受限于大語言模型的高門檻，開源社區的活躍用戶無法與其他小模型相比。在這種情況下，短時間內我們很難看到開源模型通過社區迭代發生能力上的飛躍。開源社區仍然需要頭部大廠花費更多精力與資源對開發者進行培訓與課程教育。圖 13：Huggingface 是大語言模型最大的開源項目之一，但也只擁有 1 萬用戶 資料來源：Github 小結：小結：總結而言，對于擁有海量經授權的垂類數據、充?，F金流以及直接落地場景的軟件大廠適合基于

47、開源模型進行 AI 能力的構建，比如 Bloomberg 基于 BLOOM（GPT-3變種）的純解碼器因果語言模型構建了 BloombergGPT，其訓練數據集為超過 7000 億個標簽數據的大型訓練語料庫，金融數據集包含 3630 億個標簽，占據 54.2%的訓練集。海量的垂類經授權語料（網頁、新聞、公告、新聞、彭博自有數據），在情緒分析、風險管 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 15 理、知識圖譜、配置建議等方向的直接落地場景，以及相關人才、資源的穩定支持使得Bloomberg 基于開源模型訓練

48、 AI 能力具有充分的價值。類似的，我們認為生命科學 CRM&研發管理領域的 Veeva 亦有能力基于經授權的垂類語料賦能醫療 CRM、藥物研發流程管理環節。當然，對于不滿足以上三項條件的廠商，直接接入閉源模型應為理論上最優的解決方案。值得一提的是，對于 Salesforce、Workday 等平臺型應用軟件廠商而言，盡管具備充裕的資源和落地場景，但其平臺上的數據集多為用戶私有數據，無法投入模型訓練。因此，參照 Microsoft Copilot 產品實現邏輯，通過用戶私有數據增強 prompt 后，導入微調閉源模型進行推理，進而實現內容生成、流程&命令自動化等效果應為這類廠商實現 AI能力的

49、主要方式。圖 14：BloombergGPT 采用數據集 資料來源：LESSWRONG，中信證券研究部 圖 15：Microsoft Copilot 產品邏輯 資料來源：微軟官網 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 16 軟件產業：軟件產業：AI 驅動產品形態、市場格局重構驅動產品形態、市場格局重構 回顧移動互聯網時代，移動互聯網的快速滲透使得一批新興玩家陸續涌現，但多數 PC互聯網時代原有的參與者亦通過移動互聯網的產品，進一步提升了客戶覆蓋和業務變現能力，當然也有部分廠商因布局遲緩、戰略失當而黯然離

50、場。我們認為這一邏輯在 AI 時代亦不例外，未來市場會逐步出現所謂 AI 原生的新生力量，而軟件市場原有的參與者也將迎來產業鏈價值的再分配，或受益或受損。當然，基于所處產業環節、競爭格局、產品體系、客戶結構等諸多因素，不同參與者的受益&受損邏輯和程度亦有所區別，以下我們將分別從應用軟件、基礎軟件兩個層面進行展開分析。應用軟件：平臺型、應用軟件：平臺型、垂類軟件垂類軟件等等有望有望顯著顯著受益，受益，單單點解決方案或將受損點解決方案或將受損 我們主要從產品體系、客戶結構、數據沉淀、生態構建等維度來衡量應用軟件領域的受益&受損邏輯。在這一判斷體系下，我們認為品類全面、份額領先、生態完善、數據持續積

51、累的平臺型廠商，以及格局優異、具備獨特數據集和直接落地場景的垂類軟件有望率先受益；同時，對于部分功能相對單一、格局尚不明朗的點解決方案廠商，則有可能在新一輪的 AI 浪潮中受到沖擊。產品體系：產品體系：我們認為，大語言模型對于應用軟件的強化一方面在于單點功能的增強，比如在銷售環節自動進行線索整理、生成銷售策略，在營銷環節自動生成營銷文本、個性化廣告投放，在客服環節自動生成或擴展客戶問題回復等；另一方面在于增強各項功能的協同效果，使得交互界面進一步上移，比如用戶可以通過一條指令實現銷售線索歸集整理、營銷內容生成及個性化投放的全流程，而這在過去需要在不同的產品頁面中完成。就單點能力的強化而言，就單

52、點能力的強化而言，我們認為客戶會率先向更容易落地、實現 ROI 轉化的領域進行預算投放，包括客服、營銷、輔助內容創意等領域。而就各項功能的協同而言而就各項功能的協同而言，顯然產品體系更為全面、豐富的平臺型廠商相對更容易實現這一效果，而單純單點功能的強化將具有較強的同質性（AI 帶來的產業價值增值部分很難被軟件廠商所獲?。?，因此相較于單點產品，平臺型廠商的優勢有望在大語言模型的賦能下進一步增強。圖 16：生成式 AI 影響市場營銷各個環節，促進轉化率提升 資料來源：中信證券研究部繪制 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后

53、的免責條款和聲明 17 圖 17：Salesforce Einstein GPT 應用場景 資料來源：Salesforce 官網 表 5：Einstein GPT 核心應用場景 名稱名稱 功能功能 Einstein GPT for Service 1）自動邀請客戶進入其他協作渠道；2）自動生成個性化的客服聊天回復；3）在客戶對話期間自動生成摘要，提高錄入案例的準確性和完成度；4）根據以往客戶的聊天對話創建知識庫文章，可以向其他客服和客戶開放以解決客戶問題 Einstein GPT for Sales 1）自動生成電子郵件，安排會議；2）為前期客戶調研提供外部資料；3）添加尚未在 Salesfo

54、rce 系統中的聯系人；4）自動邀請客戶進入其他協作渠道 Einstein GPT for Marketing 營銷人員可以利用 GPT 動態生成個性化內容，通過電子郵件、移動設備、Web、廣告等形式吸引客戶和潛在客戶 Einstein GPT for Commerce 1）將客戶數據轉化為可操作的銷售見解；2）個性化的顧客體驗，一對一的產品推薦；3）使用客戶數據提供更有針對性的產品分類 Einstein GPT for Develops Einstein GPT 通過使用 AI 聊天助手生成代碼并針對 Apex 等語言提出問題，利用 Salesforce Research專有的大型語言模型提

55、高開發人員的工作效率 Einstein GPT for Slack 基于 Slack 平臺集成了 ChatGPT 強大的生成人工智能技術，可提供：1）直接在 Slack 中編寫幫助；2）研究工具，即 Slack 中基于 AI 的客戶洞察，例如銷售智能摘要和客戶背景研究；3）即時對話摘要 資料來源：Salesforce 官網，中信證券研究部 圖 18：Pilot AI 利用生成式 AI 從銷售通話中提取信息 資料來源：Pilot AI 官網 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 18 客戶結構：客戶結構：

56、在過去的應用軟件市場，面向大型企業客戶的產品和面向 SMB 客戶的產品往往是割裂的。原因在于大型企業客戶的需求往往更為復雜，而功能的復雜度往往意味著易用性層面的妥協，SMB 客戶更為傾向于接受功能相對簡單但使用門檻較低的方案。但伴隨著大語言模型的滲透，復雜的功能和配置項可以依賴自然語言的交互進行實現。人機交互界面的簡化，意味著原本為大型企業客戶設計的產品有機會向 SMB 客戶下沉，而此前針對 SMB 用戶的產品則有可能遭受降維打擊。當然，不同客群適用的營銷策略、渠道手段、功能定義均有所區別，但不可否認的是大語言模型的融入的確增加了企業級產品客群下沉的可能性。圖 19：美股主要應用軟件 SaaS

57、 公司平均 ACV 水平（千美元）資料來源：彭博，中信證券研究部 圖 20：全球 CRM 市場份額（2022）圖 21：全球 ERP 市場份額（2022）資料來源：Gartner，中信證券研究部 資料來源：Gartner，中信證券研究部 數據沉淀：數據沉淀：正如我們此前論述的觀點，擁有海量經授權的垂類數據、充?，F金流以及直接落地場景的軟件大廠適合基于開源模型進行 AI 能力的構建，通過模型本身構建獨特的競爭壁壘。但對于大部分廠商而言，調用第三方閉源模型仍為理論上最優的解決方案。在底層模型同質化的背景下，數據的獨特性顯然是廠商實05001000150020002500BShopifyZoomHu

58、bSpotPaylocityPaycomZoomInfoToastQualtricsSalesforceCoupaWorkdayServiceNowVeevaSalesforceiQorAdobeOracleMicrosoftSAPGenesysHubSpotZendesk其他SAPWorkdayOracleUKGSageVismaInforCornerstoneMicrosoft其他 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 19 現差異化的核心手段?？紤]到客戶數據的隱私性和安全性至關重要，直接調用客戶數

59、據進行訓練并不現實。因此，在 100%的數據訪問透明性和客戶數據完整性的基礎上，參照 Microsoft Copilot 產品實現邏輯，通過用戶私有數據增強 prompt后，導入微調閉源模型進行推理，進而實現內容生成、流程&命令自動化等效果應為這類廠商實現 AI 能力的主要方式。與此同時，廠商可以通過各個客戶的用戶反饋數據持續訓練個性化小模型，進一步優化大模型的生成效果，降低“幻覺”問題的出現概率，不斷優化用戶的使用體驗。在這一邏輯下，預計擁有海量數據&流程沉淀的平臺型軟件廠商亦將充分受益，而僅在工具層面實現淺層次整合的廠商將不具備顯著產品壁壘。圖 22：Salesforce 上層應用相關的關

60、系型、非關系數據都將在底層數據層持續沉淀 資料來源：Salesforce 官網 圖 23：Adobe 提供的實時客戶數據平臺（CDP）資料來源：Adobe 官網 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 20 生態構建：生態構建：我們這里提到的生態構建分為了兩個層面，其一是降低了 ISV（獨立軟件開發商）和 SI（系統集成商）的開發和部署難度，比如 Salesforce 的 Einstein GPT for Developers 提供了自動生成 Apex 語言（一種專為 Salesforce 開發的面向對象

61、編程語言）的能力，微軟、ServiceNow 等廠商亦將提供自然語言轉代碼、工作流、低代碼開發等層面的能力；其二是在進一步豐富平臺應用的同時大幅降低了應用調用門檻，大語言模型在降低開發門檻的同時也使得各類應用的調用更加便捷，而調用率和調用覆蓋面的提升將進一步激發 ISV 的開發熱情，從而形成自我強化的飛輪效應，提升應用平臺的粘性。就以上能力的強化而言，顯然具備成熟的底層應用開發平臺和較為完善的開發者生態的平臺型廠商更為受益。圖 24：Salesforce Einstein GPT for Developers 資料來源：Salesforce 官網 圖 25：全球低代碼/無代碼/智能開發工具市場

62、規模及增速（百萬美元，%）資料來源：IDC（含預測），中信證券研究部 0.0%2.0%4.0%6.0%8.0%10.0%12.0%14.0%16.0%18.0%20.0%0.05,000.010,000.015,000.020,000.025,000.020212022E2023E2024E2025E2026ELow codeNo codeIntelligent developer technologiesYoY 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 21 圖 26：全球低代碼/無代碼/智能開發工具市場

63、份額（2021）資料來源：IDC，中信證券研究部 表 6：低代碼開發的基本原則 原則原則 內容內容 快速交付 模塊化、可重復使用的預構建的功能組件消除了復雜性以及重新構建的需要 協作開發 允許各種利益相關者共同努力，以快速提供最佳的應用程序和體驗。經驗不足的構建者可以利用專業開發人員構建的功能，從而實現更快、更敏捷的開發過程 可規?；?使開發者能夠快速構建端到端的簡單或復雜的企業應用 可治理 無代碼的開發可能會導致影子 IT 的出現；而低代碼治理通過策略和技術來限制和管理應用程序的增長，并限制數據重復、不一致和不安全 戰略匹配 應用程序開發必須與路線圖目標保持一致，建立并監控與業務價值一致的成

64、功衡量標準，建立批準應用程序開發活動的標準，并監督預算和資源分配 技術標準 低代碼開發計劃必須建立技術標準和最佳實踐，定義開發流程，建立測試和部署的權限和指南，并定義技術培訓要求 用戶體驗 低代碼開發必須始終如一地創造積極的用戶體驗，這促進了生產力的提高 可集成 平臺必須能夠在不需要專門的集成工具的情況下集成任何數據或系統，預先構建的端到端集成解決方案可縮短實現價值的時間 安全性 低代碼只有在它可以產生安全的應用程序時才有效 資料來源：Gartner，中信證券研究部 基礎軟件基礎軟件：AI 顯著降低產品使用門檻，數據管理最為受益顯著降低產品使用門檻，數據管理最為受益，安全、運維，安全、運維等等

65、亦將受益亦將受益 考慮到大語言模型核心在于自然語言的理解和生成能力，這種能力能夠實現內容創作、內容整理，能夠基于對用戶指令的理解嵌入業務流程的生成和自動化，亦能夠基于上下文和外部信息的補充實現持續的迭代和推理。但大語言模型的能力并不涉及高性能&高可靠&高可用的數據處理、IT 基礎設施的性能監控&告警，亦無法滿足惡意攻擊的防御需求。與此同時，大模型的訓練、部署以及穩定&安全運行仍然需要數據管理、性能監控、信息安全等系列產品的配合和支持。不過，在軟件開發環節，大語言模型的確有望憑借對代碼的生成和理解能力實現產品和產業鏈價值的重構；在其他的基礎軟件環節，大模型也有望通過簡化處理方式、降低信息復雜度等

66、維度降低從業人員門檻，拓寬產品覆蓋面和變現方式。以下，我們將對數據管理、性能監控、信息安全、軟件開發等細分市場展開具體分析：SalesforceAdobeMicrosoftServiceNowPegasystemsSiemensOutSystemsShopifyWixQuickbaseOther 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 22 數據管理：數據管理：模型預訓練階段需要大規模、多類別、高質量的訓練數據，在模型調優階段，垂類小數據集、提示詞工程同樣重要。過去由于存儲技術、資源和數據庫技術的限制，非

67、結構化的數據無法有效保存和調用。但隨著存儲技術和云計算的不斷發展，企業可以擁有充足的、可擴展的存儲資源和存儲方法。機器學習、自然語言處理、圖像識別等人工智能技術也增加了對海量非結構化數據的需求。由此，能夠實現海量數據存儲、管理、治理的數據湖，實現批量數據的清洗、預處理、特征工程的 Nosql 數據庫&數據倉庫，實現實時數據的集成、高并發查詢&處理的流數據引擎等數據管理市場都將受益于 AI 的高速發展。與此同時，大語言模型能夠較好的實現自然語言向 Sql 等專業的數據庫操作語言的轉化，降低數據分析、機器學習等領域的進入門檻。圖 27：數據對 AI 模型的促進作用 圖 28：數據對 AI 產品提升

68、的促進作用 資料來源：Medium，中信證券研究部繪制 資料來源：Medium 圖 29：2020 年全球數據流量比例（按應用類型）圖 30：非結構化數據占比（單位：%）資料來源：IDC,中信證券研究部 資料來源：IDC,中信證券研究部 35.3%15.6%26.3%4.3%1.0%0.7%2.1%10.8%3.9%社交短視頻訂閱模式的流媒體廣告模式的流媒體游戲音樂VR社交媒體通信其他數據80%20%半結構化與非結構化數據結構化數據 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 23 圖 31：全球分析型數據管

69、理和集成市場規模及增速（十億美元，%）資料來源：IDC（含預測）,中信證券研究部 性能監控性能監控：與其他應用類似，大模型在運行過程中仍然需要對于性能指標進行實時的監測和分析，包括CPU和GPU的利用率和負載情況、內存和存儲使用情況、網絡帶寬和延遲、模型訓練和推理速度，以及模型的異常情況和錯誤信息等，這依然需要 ITIM、NPM、日志管理工具的配合。但與此同時，考慮到大模型本身的特殊性，在訓練和部署環節同樣需要專用的工具完成相關指標的監控、調整和可視化，其中包括：1）實驗管理：在訓練環節對于學習率、正則強度、批量大小、迭代次數等超參數空間的系統性搜索，選擇最優超參數組合，并記錄和可視化訓練、評

70、估過程；2）性能監控：在推理環節對于損失函數、準確率、F1 值等各類模型性能指標的監控和可視化，橫向&縱向比較模型的性能變化。在大模型專用監控工具領域，Weights&Biases、Comet ML、Arize、Fiddler，以及 Databricks推出的開源工具 MLflow 等均有相應產品，其中 Weights&Biases 和 MLflow 在產品完整度和用戶覆蓋面上更為領先。表 7：IT 監控軟件市場主要領域及主要玩家 細分市場細分市場 主要功能主要功能 主要參與企業主要參與企業 ITIM&AIOps 監控本地數據中心和云托管環境中IT基礎設施組件的可用性和資源利用率。通過跟蹤組件

71、的利用率（如風扇速度、CPU溫度和使用率、內存利用率），基礎結構監視工具可以提供IT 環境運行狀況的總體視圖。Micro Focus、IBM、CA、BMC SolarWinds APM 監視和優化應用程序的性能和運行狀況，不同于其他監視工具，APM 需要跨越不同的 IT 環境來發現軟硬件依賴關系之類的問題，并對代碼進行端到端跟蹤，以便監視應用程序延遲和停機時間 Dynatrace、New Relic、Broadcom、Cisco、(AppDynamics)Log&SIEM 日志是在事件發生時自動生成并加蓋時間戳的文件，日志管理包括用于收集、管理和分析由應用程序和基礎設施生成的大量日志數據。將日

72、志數據與其他事件關聯的實時能力也使這些工具非常適合安全信息和事件管理（SIEM）用例，如漏洞檢測和威脅管理，以及識別操作性能問題 Splunk、Elastic、Datadog NPM 允許客戶在不同 IT 環境中監控和可視化網絡流量，以便更快地解決停機問題并優化網絡性能 NetScout、SolarWinds 資料來源：Gartner，中信證券研究部 0.0%5.0%10.0%15.0%20.0%25.0%0.020.040.060.080.0201720182019202020212022E2023E2024E2025E2026E分析型數據集成工具持續分析工具非關系分析型數據存儲平臺數據倉庫

73、YoY 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 24 圖 32：全球 IT 性能監控市場規模及增速（百萬美元，%）資料來源：IDC（含預測）,中信證券研究部 圖 33：模型開發/調試/部署/監控全流程 資料來源：Anyscale 官網 信息安全信息安全：對于大模型廠商而言，由于大模型在部署上線之后即允許 B 端&C 端客戶公開訪問，因此其安全防護的邏輯和其他應用程序并無本質區別。因此，我們看到 ChatGPT 采用 Cloudflare 的方案防范 DDOS 攻擊、執行訪客流量驗證策略；此前因 Redis

74、 開源庫漏洞導致的 ChatGPT 故障、數據泄露問題亦表明漏洞掃描、云端工作負載安全、安全態勢管理等產品在大模型時代同樣具有用武之地。對于大模型用戶而言，一方面需要對于用戶使用權限、數據上傳權限進行嚴格限制，在這一方面安全網關產品（CASB、SWG）和數據丟失保護產品（DLP）將發揮顯著作用，網關產品將配合身份認證工具對用戶訪問權限予以細粒度控制，而 DLP 產品將阻止敏感數據的上傳；另一方面亦需要針對黑客利用 ChatGPT 批量生產的釣魚信息予以針對性防護，這就需要通過對郵件來源、正文、附件、URL鏈接等進行情緒分析、結構分析等進行相應識別，比如 Cloudflare 近期就針對AI 生

75、成的釣魚郵件推出了專門的郵件安全方案。當然，對于安全運營團隊（SOC）而言，大語言模型的引入能夠顯著提升安全信息的可讀性，并輔助生成易于理解的安全事件解決方案，降低安全運營的門檻。0.0%2.0%4.0%6.0%8.0%10.0%12.0%14.0%0.05,000.010,000.015,000.020,000.025,000.030,000.020212022E2023E2024E2025E2026EOn premisesPublic cloudYoY 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 25 圖

76、 34：ChatGPT 采用 Cloudflare 的方案保護 Web 端應用安全 資料來源：Cloudflare 官網 圖 35：全球應用程序保護&可用性市場規模及增速（百萬美元，%）資料來源：IDC（含預測）,中信證券研究部，注：2022 年及以后為預測數據 圖 36：ZTNA 主要架構 資料來源：中信證券研究部繪制 15%15%16%16%17%17%18%18%19%19%20%0100020003000400050006000202120222023202420252026API securityBot managementDDoS mitigationWeb application

77、 firewallYoY 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 26 圖 37：全球安全網關市場規模及增速（百萬美元，%）資料來源：IDC（含預測）,中信證券研究部 圖 38：全球數據丟失保護市場規模及增速（百萬美元，%）資料來源：IDC（含預測）,中信證券研究部 圖 39：全球消息安全市場規模及增速（百萬美元，%）資料來源：IDC（含預測）,中信證券研究部 0%2%4%6%8%10%12%0100020003000400050006000700020202021E2022E2023E2024E2025

78、ECASBSWGYoY0.0%2.0%4.0%6.0%8.0%10.0%12.0%14.0%16.0%18.0%02004006008001000120014001600180020002018201920202021E2022E2023E2024E2025EAmericasEMEAAsia/PacificYoY0.0%2.0%4.0%6.0%8.0%10.0%12.0%14.0%16.0%0100020003000400050006000700020212022E2023E2024E2025E2026EOn premisesPublic cloudYoY 前瞻研究前瞻研究全球人工智能全球人工

79、智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 27 表 8：XDR 的核心能力 核心能力核心能力 具體描述具體描述 全局安全控制點 支持對終端、網絡、云和工作負載的安全防護和控制能力，獲取更大范圍的安全可見性，支持跨產品、跨層級的安全數據獲取、威脅檢測和事件響應。安全集成和互操作能力 把各種安全日志、告警等數據進行匯總，以便于進一步的威脅分析；聯動不同層面的安全產品，阻斷不安全的訪問請求、隔離被攻陷的主機、修復系統漏洞/問題、降低用戶權限、下發檢測策略等響應執行操作。大數據處理和機器學習分析能力 匯聚了全局的安全數據（包括各種安全日志、告警、網絡

80、流量、外部威脅情報等），比單個安全產品提供更加強大的威脅檢測能力。海量安全數據的處理需要具備大數據存儲、傳輸、分析等能力，需要依賴機器學習等人工智能算法增強對高級威脅的分析、攻擊殺傷鏈的理解和還原；讓安全人員可以聚焦處理數量有限、真正有影響的安全事件。自動化編排能力 提供自動化的技術和工具，減少需要企業安全人員手動操作的頻率和人為操作出錯的概率，提高安全運營效率；XDR 支持安全響應任務的編排能力，讓用戶對文件、權限、主機和網絡執行經過預先設計編排過的手動和自動的補救措施，提高局部威脅發現、全局快速響應的的能力。威脅情報能力 通過提供或集成威脅情報服務，增強了企業用戶的安全可見性，提升威脅檢測

81、時效性和能力。資料來源：Gartner，騰訊安全，中信證券研究部 軟件開發軟件開發：對于軟件開發者而言，新特性的設計和開發是具有價值的，但編寫完成的代碼由存儲庫轉移到實時生產環境中仍需要經歷集成、測試、發布、運維等多個流程，這些流程對于客戶而言并沒有附加價值。因此，企業開發者團隊需要借助 Devops 工具自動化低價值的流程，以更快實現新功能的發布。正是由于軟件開發流程有價值的環節體現在項目管理&協作和代碼編寫&托管兩個節點，因此這兩個節點上的頭部參與者具備整合軟件開發全鏈條的較大潛力。根據 IDC 的統計，2021 年全球軟件開發市場 Top2 的玩家分別為 Atlassian 和微軟，恰好

82、對應項目管理&協作、代碼編寫&托管兩個節點的龍頭。根據 IDC，在大語言模型普及之前，Atlassian 的份額以及份額獲取速度持續領先于微軟。但大語言模型普及之后，GitHub CoPilot 能力的強化大幅提升了開發效率，開發鏈條的核心有可能由項目管理向代碼編寫&托管轉移，這在一定程度上可能削弱 Atlassian 的競爭優勢和平臺化潛力，而更為利好微軟的全鏈條整合。當然，與 GitHub 在同一環節競爭的 GitLab 更有可能受到直接沖擊。圖 40：敏捷軟件開發:短的開發“沖刺”資料來源：Pivotal.io 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 6

83、2023.5.9 請務必閱讀正文之后的免責條款和聲明 28 圖 41：Devops 流程 資料來源：中信證券研究部 圖 42：全球軟件開發管理市場規模及增速（百萬美元，%）資料來源：IDC（含預測），中信證券研究部 圖 43：全球軟件開發管理市場份額（2021）資料來源：IDC，中信證券研究部 0.0%5.0%10.0%15.0%20.0%25.0%0.02,000.04,000.06,000.08,000.010,000.012,000.014,000.016,000.018,000.020212022E2023E2024E2025E2026EOn premisesPublic cloudY

84、oYAtlassianMicrosoftIBMBroadcomGitLabPerforce SoftwareJFrogMicro FocusFlexera 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 29 圖 44：CoPilot 為開發者提供代碼建議 資料來源：GitHub CoPilot 產業生態：產業生態：更加更加緊密、復雜的軟件分工協作體系緊密、復雜的軟件分工協作體系 人工智能浪潮帶來的另一個變化是科技人工智能浪潮帶來的另一個變化是科技巨頭構建以人工智能服務為核心的新商業模巨頭構建以人工智能服務為核心

85、的新商業模式，使軟件產業分工更加明確。式，使軟件產業分工更加明確。LMaaS（大語言模型即服務）將成為 AI 服務提供商的主要商業模式，以泛用的大語言模型為基礎統一過去公有云中的繁雜 PaaS 層，并更好地融入軟件層。大語言模型以語言為出發點，相較于過去的小型模型具備更好的泛用性。如ChatGPT 等大語言模型擁有廣泛知識和技能，能應對不同領域問題?；诖笳Z言模型的公有云服務能提供比原先更優的PaaS+SaaS層體驗，用戶通過單一模型可對接多種外部API并更好地理解用戶意圖。圖 45：基于 NLP 的大語言模型擁有優秀的泛用性，將成為各類任務的底座 資料來源：nexocode 目前以目前以 O

86、penAI&微軟為代表的廠商已經構建起以微軟為代表的廠商已經構建起以 LMaaS 為核心的商業模式，圍繞為核心的商業模式，圍繞GPT 逐步向上下游拓展生態。逐步向上下游拓展生態。目前 OpenAI 的主要模型包括 GPT-4、GPT-3.5、Dalle2、前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 30 Whisper、Embedding 等，包含了泛用大模型、圖片、語音、微調等多個維度，其中最為泛用的 GPT 類模型將作為一個接口根據用戶需求調用不同的模型。圖 46：OpenAI 的六大類模型，其中 Cha

87、t 是面向用戶的核心入口 資料來源：OpenAI 官網 定價方面，定價方面，OpenAI 的的 LMaaS 模型提供了訂閱以及按量收費兩種模式。模型提供了訂閱以及按量收費兩種模式。訂閱模式主要開放給個人用戶，用戶根據使用需求支付周期性費用，享受一定時期內的模型服務。API按量收費模式主要開放給使用較少的個人用戶與體量較大的企業用戶，用戶根據實際調用API 的數據量或是席位數支付費用，這樣用戶可以根據業務量靈活調整支出。表 9：OpenAI 定價模式 GPT-4 Model Prompt Completion 8K context 0.03/1K tokens 0.06/1K tokens 32

88、K 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

89、 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 資料來源：OpenAI 官網，中信證券研究部 前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 31 插件功能（插件功能（Plugins）使）使 LMaaS 能夠連接不同的外部能夠連接不

90、同的外部 API，極大地擴展了大語言模型，極大地擴展了大語言模型的上層軟件生態的上層軟件生態。OpenAI 于 2023 年 3 月在 ChatGPT 中推出插件接口，旨在接入小公司的微調成果。第三方廠商可將自有數據源和部分算法作為 ChatGPT 上的插件，使 ChatGPT能調用插件中的外部 API 接口獲取信息。插件提供者使用 OpenAPI 標準編寫 API，此 API將被編譯成一個提示，告知 ChatGPT 如何使用 API 增強其答案。用戶選擇對應插件后，如 ChatGPT 需從 API 獲取信息，它將發出請求并在回應前將信息添加到上下文中。插件接口簡化了小公司微調大語言模型的難度

91、，并豐富了基于大語言模型的生態環境。第三方廠商無需接觸部署大語言模型，降低了微調實施的難度。圖 47：ChatGPT 目前支持的部分插件 資料來源：ChatGPT 關聯落地（關聯落地（Grounding）是）是 LMaaS 模式中協調外部軟件模式中協調外部軟件 API 與大語言模型生成內容與大語言模型生成內容可靠性的關鍵步驟?？煽啃缘年P鍵步驟。微軟的 Copilot 大量使用關聯落地技術，確保大語言模型為辦公軟件輸出穩定結果。根據微軟技術文檔，Copilot 通過 Grounding 提高接收提示質量，確保模型準確執行用戶指令。如用戶要求 Word 根據數據創建文檔，Copilot 會將提示發

92、送至Microsoft Graph 以檢索上下文和數據，修改并優化用戶提示（例如加入用戶真實業務場景數據示例以提高準確性），然后將其發送到GPT-4大語言模型。響應結果被發送到Microsoft Graph 進行額外的 Grounding、安全性和合規性檢查，最后將響應和命令發送回 Microsoft 365 應用程序。通過 Grounding，Copilot 將人類語言表述根據實際數據更換成大語言模型更易理解的提示，完成多模態轉換并提升指令準確性。前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 32 圖 48：

93、Grounding 本質上是對用戶指令優化并讓大語言模型更精準理解 資料來源：Google AI Blog 對于用戶而言，對于用戶而言，LMaaS 體驗優于原先的公有云服務，簡化了本地部署與調試過程。體驗優于原先的公有云服務，簡化了本地部署與調試過程。LMaaS 通過云服務封裝復雜技術問題，使用戶無需關注底層實現。盡管小公司無力研發底層大語言模型，但可通過微調形式服務垂直領域需求。LMaaS 平臺可根據用戶需求，對通用 AI 模型進行特定任務微調，提高模型在特定領域表現。用戶通過上傳訓練數據，實現模型個性化定制，進一步提升 AI 模型在業務場景中的實用性和準確性。前瞻研究前瞻研究全球人工智能全

94、球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 33 圖 49：微調的存在讓大語言模型可以滿足不同垂直領域的需求 資料來源：OpenAI 技術文檔 在在 LMaaS 商業模式下，我們認為行業最終將形成商業模式下，我們認為行業最終將形成 AI 巨頭提供泛用性模型以及服務主巨頭提供泛用性模型以及服務主要要通用通用需求，中小公司切入特定垂直行業并根據需求微調優化模型的格局。需求，中小公司切入特定垂直行業并根據需求微調優化模型的格局。這有利于發揮各自優勢，使大型 AI 企業專注于提供穩定、高效基礎模型，降低成本，提高性能和覆蓋范圍。同時，中小型公司充

95、分發揮行業專長和敏捷性，為特定行業客戶提供定制化、高度針對性解決方案。他們可以與 AI 巨頭合作，利用泛用性模型為基礎，進行微調優化，滿足垂直行業的具體需求。這將為行業帶來更多創新、快速響應和精細化的服務，有助于進一步提升 AI 技術在各行各業的落地應用效果。此外，這種格局還將推動行業生態的繁榮，鼓勵更多創新型中小企業和創業團隊投入到 AI 領域。他們可以專注于解決特定領域問題，利用大型 AI 公司提供的基礎模型資源降低創業門檻和技術難度，從而反哺整個行業。在這種格局下，企業之間的合作將變得更加緊密，形成一個互補的生態系統。風險因素風險因素 AI 核心技術發展不及預期風險；科技領域政策監管持續

96、收緊風險；私有數據相關的政策監管風險；全球宏觀經濟復蘇不及預期風險；宏觀經濟波動導致歐美企業 IT 支出不及預期風險；AI 潛在倫理、道德、用戶隱私風險；企業數據泄露、信息安全風險；行業競爭持續加劇風險等。前瞻研究前瞻研究全球人工智能全球人工智能 AI 行業系列報告行業系列報告 62023.5.9 請務必閱讀正文之后的免責條款和聲明 34 投資策略投資策略 AI+軟件的快速融合，以及美股軟件巨頭的示范效應，正在給全球軟件產業帶來長周期、深遠的影響。大語言模型（LLM）+“暴力美學”的技術路線下，針對底層算法模型，第三方軟件服務商需要結合自身專有數據集積累、技術&資金能力、產品形態等，在閉源方案

97、、開源生態之間做出抉擇，彼此優劣勢亦十分明顯。LLM 帶來內容生成、自然語言交互、信息檢索效率的大幅改善，將使得偏平臺型、垂類應用軟件顯著受益，但也將大概率導致部分業務邏輯簡單、偏中間態的單點軟件產品方案明顯受損，同時借助人機交互效率的大幅改善，用戶對基礎軟件的使用門檻料顯著降低，利好數據管理、信息安全、運維等基礎軟件板塊。我們判斷，LMaaS（大語言模型即服務）、插件（鏈接外部知識、工具）、關聯落地（Grounding，優化用戶提示、輸出結果等）等將構成后續軟件產業的核心關鍵詞，不斷驅動軟件產業開發界面持續上移，以及軟件產業平臺化、模塊化發展，并最終帶來更加緊密、復雜的軟件產業分工協作體系。

98、沿著這一分析框架&邏輯，我們看好美股軟件板塊，并建議不斷聚焦應用層的平臺型、垂類軟件廠商，以及基礎層的數據管理、信息安全、運維、軟件開發等廠商，建議持續推關注：微軟、Salesforce、Service Now、Adobe、Snowflake、Datadog、MongoDB、Confluent、Palo Alto、Crowdstrike 等。表 10：重點推薦公司盈利預測 公司公司 代碼代碼 市值市值（億美元）（億美元）估值方法估值方法 估值（自然年）估值（自然年）2022A 2023E 2024E 2025E 微軟 MSFT 23,098 P/FCF 35.5 38.7 32.6 27.4

99、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 Pa

100、lo 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 資料來源：彭博，中信證券研究部 注：股價為 2023 年 5 月 5 日收盤價；預測數據來自彭博一致預期 35 分析師聲明分析師聲明 主要負責撰寫本研究報告全部或部分內容的分析師在此聲明：（i）本研究報告所表述的任何觀點均精準地反映了上述每位分析師個人對標的證券和發行人的看法；（ii）該分析師所得報酬的任何組成部分無論是在過去、現在及將來均不會直接或間接地與研究報告所表述的具體建議或觀點相聯系。一般性聲明一般性聲明

101、本研究報告由中信證券股份有限公司或其附屬機構制作。中信證券股份有限公司及其全球的附屬機構、分支機構及聯營機構（僅就本研究報告免責條款而言，不含 CLSA group of companies），統稱為“中信證券”。本研究報告對于收件人而言屬高度機密，只有收件人才能使用。本研究報告并非意圖發送、發布給在當地法律或監管規則下不允許向其發送、發布該研究報告的人員。本研究報告僅為參考之用，在任何地區均不應被視為買賣任何證券、金融工具的要約或要約邀請。中信證券并不因收件人收到本報告而視其為中信證券的客戶。本報告所包含的觀點及建議并未考慮個別客戶的特殊狀況、目標或需要，不應被視為對特定客戶關于特定證券或金

102、融工具的建議或策略。對于本報告中提及的任何證券或金融工具，本報告的收件人須保持自身的獨立判斷并自行承擔投資風險。本報告所載資料的來源被認為是可靠的，但中信證券不保證其準確性或完整性。中信證券并不對使用本報告或其所包含的內容產生的任何直接或間接損失或與此有關的其他損失承擔任何責任。本報告提及的任何證券或金融工具均可能含有重大的風險，可能不易變賣以及不適合所有投資者。本報告所提及的證券或金融工具的價格、價值及收益可跌可升。過往的業績并不能代表未來的表現。本報告所載的資料、觀點及預測均反映了中信證券在最初發布該報告日期當日分析師的判斷，可以在不發出通知的情況下做出更改，亦可因使用不同假設和標準、采用

103、不同觀點和分析方法而與中信證券其它業務部門、單位或附屬機構在制作類似的其他材料時所給出的意見不同或者相反。中信證券并不承擔提示本報告的收件人注意該等材料的責任。中信證券通過信息隔離墻控制中信證券內部一個或多個領域的信息向中信證券其他領域、單位、集團及其他附屬機構的流動。負責撰寫本報告的分析師的薪酬由研究部門管理層和中信證券高級管理層全權決定。分析師的薪酬不是基于中信證券投資銀行收入而定，但是，分析師的薪酬可能與投行整體收入有關，其中包括投資銀行、銷售與交易業務。若中信證券以外的金融機構發送本報告，則由該金融機構為此發送行為承擔全部責任。該機構的客戶應聯系該機構以交易本報告中提及的證券或要求獲悉

104、更詳細信息。本報告不構成中信證券向發送本報告金融機構之客戶提供的投資建議，中信證券以及中信證券的各個高級職員、董事和員工亦不為（前述金融機構之客戶）因使用本報告或報告載明的內容產生的直接或間接損失承擔任何責任。評級說明評級說明 投資建議的評級標準投資建議的評級標準 評級評級 說明說明 報告中投資建議所涉及的評級分為股票評級和行業評級（另有說明的除外）。評級標準為報告發布日后 6 到 12 個月內的相對市場表現，也即：以報告發布日后的 6 到 12 個月內的公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅作為基準。其中：A 股市場以滬深 300指數為基準，新三板市場以三板成指（針對協

105、議轉讓標的）或三板做市指數（針對做市轉讓標的）為基準；香港市場以摩根士丹利中國指數為基準；美國市場以納斯達克綜合指數或標普 500 指數為基準；韓國市場以科斯達克指數或韓國綜合股價指數為基準。股票評級股票評級 買入 相對同期相關證券市場代表性指數漲幅 20%以上 增持 相對同期相關證券市場代表性指數漲幅介于 5%20%之間 持有 相對同期相關證券市場代表性指數漲幅介于-10%5%之間 賣出 相對同期相關證券市場代表性指數跌幅 10%以上 行業評級行業評級 強于大市 相對同期相關證券市場代表性指數漲幅 10%以上 中性 相對同期相關證券市場代表性指數漲幅介于-10%10%之間 弱于大市 相對同期

106、相關證券市場代表性指數跌幅 10%以上 36 特別聲明特別聲明 在法律許可的情況下，中信證券可能（1）與本研究報告所提到的公司建立或保持顧問、投資銀行或證券服務關系，（2）參與或投資本報告所提到的公司的金融交易，及/或持有其證券或其衍生品或進行證券或其衍生品交易，因此，投資者應考慮到中信證券可能存在與本研究報告有潛在利益沖突的風險。本研究報告涉及具體公司的披露信息，請訪問 https:/ 本研究報告在中華人民共和國（香港、澳門、臺灣除外）由中信證券股份有限公司（受中國證券監督管理委員會監管，經營證券業務許可證編號：Z20374000）分發。本研究報告由下列機構代表中信證券在相應地區分發：在中國

107、香港由 CLSA Limited（于中國香港注冊成立的有限公司）分發；在中國臺灣由 CL Securities Taiwan Co.,Ltd.分發；在澳大利亞由 CLSA Australia Pty Ltd.（商業編號：53 139 992 331/金融服務牌照編號：350159）分發；在美國由 CLSA（CLSA Americas,LLC 除外）分發；在新加坡由 CLSA Singapore Pte Ltd.（公司注冊編號：198703750W）分發；在歐洲經濟區由 CLSA Europe BV 分發；在英國由 CLSA（UK）分發；在印度由 CLSA India Private Limit

108、ed 分發（地址：8/F,Dalamal House,Nariman Point,Mumbai 400021；電話：+91-22-66505050；傳真：+91-22-22840271；公司識別號：U67120MH1994PLC083118）；在印度尼西亞由 PT CLSA Sekuritas Indonesia 分發；在日本由 CLSA Securities Japan Co.,Ltd.分發；在韓國由 CLSA Securities Korea Ltd.分發；在馬來西亞由 CLSA Securities Malaysia Sdn Bhd 分發；在菲律賓由 CLSA Philippines I

109、nc.（菲律賓證券交易所及證券投資者保護基金會員）分發；在泰國由 CLSA Securities(Thailand)Limited 分發。針對不同司法管轄區的聲明針對不同司法管轄區的聲明 中國大陸：中國大陸：根據中國證券監督管理委員會核發的經營證券業務許可，中信證券股份有限公司的經營范圍包括證券投資咨詢業務。中國香港：中國香港：本研究報告由 CLSA Limited 分發。本研究報告在香港僅分發給專業投資者（證券及期貨條例（香港法例第 571 章）及其下頒布的任何規則界定的），不得分發給零售投資者。就分析或報告引起的或與分析或報告有關的任何事宜，CLSA 客戶應聯系 CLSA Limited

110、的羅鼎，電話：+852 2600 7233。美國：美國：本研究報告由中信證券制作。本研究報告在美國由 CLSA（CLSA Americas,LLC 除外）僅向符合美國1934 年證券交易法下 15a-6 規則界定且 CLSA Americas,LLC 提供服務的“主要美國機構投資者”分發。對身在美國的任何人士發送本研究報告將不被視為對本報告中所評論的證券進行交易的建議或對本報告中所述任何觀點的背書。任何從中信證券與 CLSA 獲得本研究報告的接收者如果希望在美國交易本報告中提及的任何證券應當聯系CLSA Americas,LLC（在美國證券交易委員會注冊的經紀交易商），以及 CLSA 的附屬公

111、司。新加坡：新加坡：本研究報告在新加坡由 CLSA Singapore Pte Ltd.，僅向（新加坡財務顧問規例界定的）“機構投資者、認可投資者及專業投資者”分發。就分析或報告引起的或與分析或報告有關的任何事宜，新加坡的報告收件人應聯系 CLSA Singapore Pte Ltd，地址：80 Raffles Place,#18-01,UOB Plaza 1,Singapore 048624，電話：+65 6416 7888。因您作為機構投資者、認可投資者或專業投資者的身份，就 CLSA Singapore Pte Ltd.可能向您提供的任何財務顧問服務，CLSA Singapore Pte

112、 Ltd 豁免遵守財務顧問法（第 110 章）、財務顧問規例以及其下的相關通知和指引（CLSA 業務條款的新加坡附件中證券交易服務 C 部分所披露）的某些要求。MCI（P）085/11/2021。加拿大：加拿大：本研究報告由中信證券制作。對身在加拿大的任何人士發送本研究報告將不被視為對本報告中所評論的證券進行交易的建議或對本報告中所載任何觀點的背書。英國：英國：本研究報告歸屬于營銷文件，其不是按照旨在提升研究報告獨立性的法律要件而撰寫，亦不受任何禁止在投資研究報告發布前進行交易的限制。本研究報告在英國由 CLSA（UK）分發，且針對由相應本地監管規定所界定的在投資方面具有專業經驗的人士。涉及到

113、的任何投資活動僅針對此類人士。若您不具備投資的專業經驗，請勿依賴本研究報告。對于英國分析員編纂的研究資料，其由 CLSA（UK）制作并發布。就英國的金融行業準則，該資料被制作并意圖作為實質性研究資料。CLSA（UK）由（英國）金融行為管理局授權并接受其管理。歐洲經濟區：歐洲經濟區：本研究報告由荷蘭金融市場管理局授權并管理的 CLSA Europe BV 分發。澳大利亞：澳大利亞：CLSA Australia Pty Ltd(“CAPL”)(商業編號：53 139 992 331/金融服務牌照編號：350159)受澳大利亞證券與投資委員會監管，且為澳大利亞證券交易所及 CHI-X 的市場參與主體

114、。本研究報告在澳大利亞由 CAPL 僅向“批發客戶”發布及分發。本研究報告未考慮收件人的具體投資目標、財務狀況或特定需求。未經 CAPL 事先書面同意，本研究報告的收件人不得將其分發給任何第三方。本段所稱的“批發客戶”適用于公司法（2001）第 761G 條的規定。CAPL 研究覆蓋范圍包括研究部門管理層不時認為與投資者相關的 ASX All Ordinaries 指數成分股、離岸市場上市證券、未上市發行人及投資產品。CAPL 尋求覆蓋各個行業中與其國內及國際投資者相關的公司。印度：印度：CLSA India Private Limited，成立于 1994 年 11 月，為全球機構投資者、養

115、老基金和企業提供股票經紀服務（印度證券交易委員會注冊編號：INZ000001735）、研究服務（印度證券交易委員會注冊編號：INH000001113）和商人銀行服務（印度證券交易委員會注冊編號：INM000010619）。CLSA 及其關聯方可能持有標的公司的債務。此外，CLSA 及其關聯方在過去 12 個月內可能已從標的公司收取了非投資銀行服務和/或非證券相關服務的報酬。如需了解 CLSA India“關聯方”的更多詳情，請聯系 Compliance-I。未經中信證券事先書面授權，任何人不得以任何目的復制、發送或銷售本報告。未經中信證券事先書面授權，任何人不得以任何目的復制、發送或銷售本報告。中信證券中信證券 2023 版權所有。保留一切權利。版權所有。保留一切權利。