《軟件行業前瞻研究海外專題：從海外視角看人工智能如何重構軟件行業-230601（29頁）.pdf》由會員分享，可在線閱讀，更多相關《軟件行業前瞻研究海外專題：從海外視角看人工智能如何重構軟件行業-230601（29頁）.pdf（29頁珍藏版）》請在三個皮匠報告上搜索。

1、請務必閱讀末頁的免責條款和聲明從海外視角看人工智能如何重構軟件行業從海外視角看人工智能如何重構軟件行業資料來源：各公司官網，中信證券研究部劉銳劉銳 中信證券研究部中信證券研究部 前前瞻研究分析師瞻研究分析師2023年年6月月1日日前瞻研究海外專題前瞻研究海外專題2回顧近十年的人工智能模型發展，我們發現AI技術提供商數量稀少且進入門檻不斷提高。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。大模型時代大模型時代，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

2、功者往往依賴科技巨頭的資金成功者往往依賴科技巨頭的資金、數據等支持數據等支持。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。資料來源：LESSWRONG,中信證券研究部資料來源：LESSWRONG從從2018年到年到2022年，人工智能模型體積增長了年，人工智能模型體積增長了500倍倍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少數科技巨頭正在引領

3、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FZjW0XjZ9YEYgV2VnV9Y7NbP6MmOqQnPmPeRmMtNiNoOmO9PnMqQMYrQpPMYmQpR3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廠商占據主導權廠商占據主導權，并開始從技術研發向商業化落地邁進并開始從技術研發向商業化落地邁進。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走向商業化盈利開始，谷歌也迅速效仿，不再公布T5模型及后續版本的

4、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。人工智能頭部廠商從開源走向閉源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的形式與以往不同，OpenAI既沒有發布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、數據集構建、訓練方法等），迫使想要融入GP

5、T-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。資料來源：NeurIPS，中信證券研究部資料來源：谷歌、微軟、OpenAI官方技術博客，中信證券研究部谷歌谷歌+微軟在微軟在2022年發布了約年發布了約60%的大語言模型相關學術論文的大語言模型相關學術論文從從GPT-3開始，谷歌與開始，谷歌與OpenAI的主要模型都不再公開訪問的主要模型都不再公開訪問AI巨頭從開源走向閉源巨頭從開源走向閉源020406080100120140160180200LaMDASparrowPaLM-EGPT系列模型系列模型組織GoogleDeepMind谷歌OpenAI能否公開訪問否否否

6、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）2.81T1.4T7800億TokenGPT-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/v46144塊TPUv4預計GPT-4使用千余塊英偉達A100產品化進度BARD機器人NANAMicrosoft 365 CopilotMicrosoft AzureMicrosoft Bing4追趕者更傾向于通過培養開源社區追趕者更傾向于通過培養開源社區資料來源：Github，中信證券研究部當前主流的開源大語言模型項目及其基礎模型當前主流的開源大語言模型項

7、目及其基礎模型相較于頭部相較于頭部AI廠商廠商，追趕者更傾向于通過培養開源社區追趕者更傾向于通過培養開源社區，共同迭代模型以縮小和頭部廠商的差距共同迭代模型以縮小和頭部廠商的差距。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。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

8、，但受證書限制不能用作商業用途。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AlpacaLLaMAAlpacaChatMLGGLM自定義數據集（1T)DollyGPT-J 6BAlpacaBelleBloomAlpaca+自定義數據（2M)OpenChatKitGPT-NEOOIG-43MFastChatLLaMAshareGPT(70K)gpt4allLLaMAGPT-3.5生成的800k數據集5在見證了ChatGPT的成功后，擁抱AI能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

9、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。資料來源：各公司官網，中信證券研究部資料來源：a16z，中信證券研究部繪制部分軟件提供商結合部分軟件提供商結合AI能力的嘗試能力的嘗試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軟件服務商需在與閉源頭部廠商合作或免費開源方案之間做出抉擇軟件服務商需在與閉源頭部廠商合作或免費開源方案之間做出抉擇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、

10、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starryai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

11、，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61）軟件提供商選擇閉源廠商方案的優缺點分析）軟件提供商選擇閉源廠商方案的優缺點分析資料來源：:Open and Efficient Foundation Language Models（Hugo Touvron,Thibaut Lavril,Gautier Izacard等）Meta開源的開源

12、的LLaMA模型效果好于模型效果好于GPT-3但與更大參數量的但與更大參數量的PaLM差距明顯差距明顯與開源方案相比與開源方案相比，閉源大廠技術更為領先：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。7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

13、封裝中間技術細節，簡化訓練簡化訓練、部署等環節部署等環節，降低軟件廠商技術難度降低軟件廠商技術難度，并提升接入并提升接入、開發效率開發效率。大多數企業和個人難以承擔部署和運維成本，也不具備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。與閉源大廠合作的潛在顧慮：昂貴的成本與閉源大廠合作的潛在顧慮：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

14、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。資料來源：OpenAI官網資料來源：OpenAI官網閉源大廠會提供標準化的閉源大廠會提供標準化的API key以便用戶接入以便用戶接入對于大型企業客戶，對于大型企業客戶，OpenAI根據規模（根據規模（Scale）收費）收費1）軟件提供商選擇閉源廠商方案的優缺點分析）軟件提供商選擇閉源廠商方案的優缺點分析82）基于開源方案自建大語言模型的優缺點分析）基于開源方案自建

15、大語言模型的優缺點分析資料來源：a16z，中信證券研究部根據企業自有數據量的不同靈活選擇需要的硬件數量根據企業自有數據量的不同靈活選擇需要的硬件數量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。目前開源社區中基于LLaMA、Alpaca、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。開源方案可將

16、數據留在本地開源方案可將數據留在本地，最大限度地保護用戶隱私和數據安全最大限度地保護用戶隱私和數據安全。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。參數數量（億）參數數量（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數量數量批量大小批量大小Ac

17、hieved teraFlOP/s per GPU理論峰值理論峰值FLOP/s的百分比的百分比實現聚合實現聚合petaFLOP/s1.724230424113251213744%4.43.632307230216451213844%8.87.5324096364112851214246%18.218.44861444081256102413543%34.639.11636481924882512153613844%70.876.1801024060841024179214045%143.8145.6961228880881536230414847%227.1310.11281638496816

18、1920216015550%297.4529.6128204801058352520252016352%410.21008.0160256001288643072307216352%50292）基于開源方案自建大語言模型的優缺點分析）基于開源方案自建大語言模型的優缺點分析資料來源：GithubHuggingface是大語言模型最大的開源項目之一，但也只擁有是大語言模型最大的開源項目之一，但也只擁有1萬用戶萬用戶開源方案的潛在問題：社區不成熟開源方案的潛在問題：社區不成熟，模型迭代速度慢模型迭代速度慢，與閉源模型技術能力存在明顯差距與閉源模型技術能力存在明顯差距。目前大語言模型開源社區主要的推動

19、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。10資料來源：LESSWRONG，中信證券研究部BloombergGPT采用數據集采用數據集小結小結資料來源：微軟公司公告Microsoft Copilot產品邏輯產品邏輯對于擁有海量經授權的垂類數據對于擁有海量經授權的垂類數據、充?，F金流以及直接充?，F金流以及直接落地場景的軟件大廠適合基于

20、開源模型進行落地場景的軟件大廠適合基于開源模型進行AI能力的構能力的構建建。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、直接落地場景以及人才、資源的穩定支持使Bloomberg基于開源模型訓練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。不滿足以上三項條件的廠商不滿足以上三項條件的廠商，直接接入閉源模

21、型應為理直接接入閉源模型應為理論上最優的解決方案論上最優的解決方案。對于Salesforce、Workday等平臺型應用軟件廠商，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能力的主要方式。11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。產品體系：產品體系：大語言模型對應用軟件的強化主要體現在兩個方面單點功能的增強：單點功能的增強：

22、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；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。增強各項功能的協同效果：增強各項功能的協同效果：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。顯然產品體系更全面、豐富的平臺型廠商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，平臺型廠商的優勢有望在大模型賦能下進一步增強。資料來源：中信證券研究部繪制名稱名稱功能

23、功能Einstein GPT for Service1）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 Sales1）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Salesforce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

24、在客戶EinsteinGPTforCommerce1）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 DevelopsEinstein 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

25、景研究；3）即時對話摘要生成式生成式AI影響市場營銷各個環節，促進轉化率提升影響市場營銷各個環節，促進轉化率提升Salesforce Einstein GPT 核心應用場景核心應用場景應用軟件：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資料來源：Salesforce官網，中信證券研究部12客戶結構：客戶結構：在過去的應用軟件市場，大型企業客戶的需求往往更為復雜，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，因此面向兩種客戶的產品往往是割裂的。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

26、實現，增加了企業級產品向SMB客戶下沉的可能性，而此前針對SMB用戶的產品則有可能遭受降維打擊。資料來源：彭博，中信證券研究部美股主要應用軟件美股主要應用軟件SaaS公司平均公司平均ACV水平（千美元）水平（千美元）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資料來源：Gartner，中信證券研究部資料來源：Gartner，中信證券研究部全球全球CRM市場份額（市場份額（2022）全球全球ERP市場份額（市場份額（2022）05001000150020002500BShopifyZoomHubSpotPayloci

27、tyPaycomZoomInfoToastQualtricsSalesforceCoupaWorkdayServiceNowVeevaSalesforceiQorAdobeOracleMicrosoftSAPGenesysHubSpotZendesk其他SAPWorkdayOracleUKGSageVismaInforCornerstoneMicrosoft其他13數據沉淀：數據沉淀：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構建AI能力，但對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。底層模型同質化背景下，數據獨特性是實現差異化的核心手段?？紤]到

28、客戶數據的隱私性和安全性至關重要，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。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。資料來源：Salesforce官網資料來源：Adobe官網Salesforce上層應用相關數據將在底層數據層持續沉淀上層應用相關數據將在底層數據層持續沉淀Adobe提供的實時客戶數據平

29、臺（提供的實時客戶數據平臺（CDP）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14生態構建：生態構建：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。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，進而激發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。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。資料來源：Salesforce官網資料來源：Gartner，中信證券研究部Salesforce Einstein GPT for Develo

30、pers低代碼開發的基本原則低代碼開發的基本原則應用軟件：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?；归_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

31、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15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。在軟件開發環節，大語言

32、模型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。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，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，非結構化數據無法有效保存和調用。但存儲技術和云計算的發展使企業擁有充足、可擴展的存儲資源和方法。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，

33、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。資料來源：Medium數據對數據對AI模型的促進作用模型的促進作用數據對數據對AI產品提升的促進作用產品提升的促進作用基礎軟件：基礎軟件：AI顯著降低產品使用門檻，數據管理最為受益，安全、顯著降低產品使用門檻，數據管理最為受益，安全、運維等亦將受益運維等亦將受益資料來源：Medium16資料來源：IDC,中信證券研究部20202020年全球數據流量比例（按應用類型）年全球數據流量比例（按應用類型）資料來源：IDC,中信證券研究部非結構化數據占

34、比（單位：非結構化數據占比（單位：%）資料來源：IDC（含預測）,中信證券研究部全球分析型數據管理和集成市場規模及增速（十億美元，全球分析型數據管理和集成市場規模及增速（十億美元，%）基礎軟件：基礎軟件：AIAI顯著降低產品使用門檻，數據管理最為受益，安顯著降低產品使用門檻，數據管理最為受益，安全、運維等亦將受益全、運維等亦將受益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0.0%5.0%10.0%15.0%20.0%25.0%0.010.0

35、20.030.040.050.060.070.080.0201720182019202020212022E2023E2024E2025E2026E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YoY17性能監控：性能監控：大模型在運行過程中需要對于性能指標進行實時的監測和分析，但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：實驗管理：在訓練環節對于學習率、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、評估過程；性能監控：在推理環節對于損失函數、準確率等各類模型性能指標的監控和可視化，

36、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。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、BMCSolarW

37、indsAPM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、DatadogNPM允許

38、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IT監控軟件市場主要領域及主要玩家監控軟件市場主要領域及主要玩家全球全球IT性能監控市場規模及增速（百萬美元，性能監控市場規模及增速（百萬美元，%）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，安全、顯著降低產品使用門檻，數據管理最為受益，安全、運維等亦將受益運維等亦將受益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.

39、030,000.020212022E2023E2024E2025E2026EOn premisesPublic cloudYoY資料來源：IDC（含預測）,中信證券研究部18信息安全：信息安全：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。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，需要

40、通過對郵件來源、正文、附件、URL鏈接等進行情緒分析、結構分析等進行識別，比如Cloudflare近期就AI生成的釣魚郵件推出專門的郵件安全方案。資料來源：Cloudflare官網ChatGPT采用采用Cloudflare的方案保護的方案保護Web端應用安全端應用安全全球應用程序保護全球應用程序保護&可用性市場規模及增速（百萬美元，可用性市場規模及增速（百萬美元，%）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，安全、顯著降低產品使用門檻，數據管理最為受益，安全、運維等亦將受益運維等亦將受益資料來源：IDC（含預測）,中信證券研究部15%15%16%16%17%17%18%1

41、8%19%19%20%0100020003000400050006000202120222023202420252026API securityBot managementDDoS mitigationWeb application firewallYoY19資料來源：IDC（含預測）,中信證券研究部全球安全網關市場規模及增速（百萬美元，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）,中信證券研究部全球消息安全市場規模及增速（百萬美元，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）,中信證券研究部全球數據丟失保護市場規模及增速（百萬美元，全球數據丟失

42、保護市場規模及增速（百萬美元，%）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、

43、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，提升威脅檢測時效性和能力。XDRXDR的核心能力的核心能力基礎軟件：基礎軟件：AIAI顯著降低產品使用門檻，數據管理最為受

44、益，安全、顯著降低產品使用門檻，數據管理最為受益，安全、運維等亦將受益運維等亦將受益0%2%4%6%8%10%12%0100020003000400050006000700020202021E2022E2023E2024E2025ECASBSWGYoY0.0%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.

45、0%14.0%16.0%0100020003000400050006000700020212022E2023E2024E2025E2026EOn premisesPublic cloudYoY資料來源：Gartner，騰訊安全，中信證券研究部20軟件開發：軟件開發：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。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，恰好對應項目管理&協作、代

46、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。資料來源：中信證券研究部Devops流程流程全球軟件開發管理市場份額（全球軟件開發管理市場份額（2021）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，安全、顯著降低產品

47、使用門檻，數據管理最為受益，安全、運維等亦將受益運維等亦將受益資料來源：IDC，中信證券研究部AtlassianMicrosoftIBMBroadcomGitLabPerforce SoftwareJFrogMicro FocusFlexera其他21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式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式，使軟件產業分工更加明確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，用戶通過

48、單一模型可對接多種外部API并更好地理解用戶意圖。目前以目前以OpenAI&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為核心的商業模式為核心的商業模式，圍繞圍繞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、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。資料來源：nexocode資料來源：OpenAI官網基于基于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的大語言模型擁有優秀的泛用性

49、，將成為各類任務的底座OpenAI的六大類模型，其中的六大類模型，其中Chat是面向用戶的核心入口是面向用戶的核心入口更加緊密、復雜的軟件分工協作體系更加緊密、復雜的軟件分工協作體系22更加緊密、復雜的軟件分工協作體系更加緊密、復雜的軟件分工協作體系GPT-4Model PromptCompletion8K context0.03/1K tokens0.06/1K tokens32K context0.06/1K tokens0.12/1K tokensChatModelUsagegpt-3.5-turbo0.002/1K tokensInstructGPTAda(Fastest)0.0004

50、/1K tokensBabbage0.0005/1K tokensCurie0.0020/1K tokensDavinci(Most powerful)0.0200/1K tokensFine-tuning modelsModelTrainingUsageAda0.0004/1K tokens0.0016/1K tokensBabbage0.0006/1K tokens0.0024/1K tokensCurie0.0030/1K tokens0.0120/1K tokensDavinci0.0300/1K tokens0.1200/1K tokensEmbedding modelsModelU

51、sageAda0.0004/1K tokensOpenAI定價模式定價模式定價方面定價方面，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。資料來源：OpenAI官網，中信證券研究部23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同的外部API，極大地擴展了大語言模型的上層軟件生

52、態極大地擴展了大語言模型的上層軟件生態。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。插件接口簡化了小公司微調大語言模型的難度，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。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可靠性的關鍵步驟與大語言模型生成內容可靠性的關鍵步驟。微軟的Copilot大量使用關聯落地技術，通過Grounding提高接收提示質量，確保模型準確執行用戶指令，完成多模態轉換并提升指令準確性。資料來源：ChatGPT資料來源：

53、Google AI BlogChatGPT目前支持的部分插件目前支持的部分插件Grounding本質上是對用戶指令優化并讓大語言模型更精準理解本質上是對用戶指令優化并讓大語言模型更精準理解更加緊密、復雜的軟件分工協作體系更加緊密、復雜的軟件分工協作體系24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體驗優于原先的公有云服務，簡化了簡化了本地部署與調試過程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。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。在在LMaaS商業模式下商業模式下，我們認為行業最終將形成我

54、們認為行業最終將形成AI巨頭提供巨頭提供泛用性模型以及服務主要通用需求泛用性模型以及服務主要通用需求，中小公司切入特定垂直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行業并根據需求微調優化模型的格局。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。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。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，企業之間的合作將變得更加緊密，形成一個互補的生態

55、系統。資料來源：OpenAI技術文檔微調的存在讓大語言模型可以滿足不同垂直領域的需求微調的存在讓大語言模型可以滿足不同垂直領域的需求更加緊密、復雜的軟件分工協作體系更加緊密、復雜的軟件分工協作體系25風險因素風險因素AI核心技術發展不及預期風險；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；科技領域政策監管持續收緊風險；私有數據相關的政策監管風險；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；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宏觀經濟波動導致歐美企業IT支出不及預期風險；支出不及預期風險；AI潛在倫理潛在倫理、道德道德、用戶隱私風險；用戶隱私風險；企業

56、數據泄露企業數據泄露、信息安全風險；信息安全風險；行業競爭持續加劇風險等行業競爭持續加劇風險等。26投資策略投資策略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）2022A2023E2024E2025E微軟MSFT23,098P/FCF35.538.732.627.4AdobeADBE1,598P/FCF21.620.718.216.5SalesforceCRM1,976P/FCF31.326.220.516.8Service NowNOW887P/FCF40.733.326.222.9SnowflakeSNOW501P/S24.317.412.79.

57、6DatadogDDOG246P/FCF69.759.645.123.7ConfluentCFLT67P/S11.58.86.95.4MongoDBMDB169P/S13.211.29.37.3Palo AltoPANW557P/FCF31.121.917.815.1CrowdstrikeCRWD289P/FCF42.831.824.218.1重點推薦公司盈利預測重點推薦公司盈利預測大語言模型（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、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、

58、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。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

59、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，建議持續關注：微軟、Salesforce、Service Now、Adobe、Snowflake、Datadog、MongoDB、Confluent、Palo Alto、Crowdstrike等。資料來源：彭博，中信證券研究部注：股價為2023年5月31日收盤價；預測數據來自彭博一致預期感謝您的信任與支持！感謝您的信任與支持！THANK YOU27劉銳劉銳（前瞻研究分析師前瞻研究分析師）執業證書編號：S1010522110001陳俊陳俊云云（前瞻研究首席分析師前瞻研究首席分析師）執業證書編號：S101051708000

60、1許英許英博博（科技產業首席分析師科技產業首席分析師）執業證書編號：S1010510120041賈凱方賈凱方（前瞻研究分析師前瞻研究分析師）執業證書編號：S1010522080001免責聲明免責聲明28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

61、機構及聯營機構（僅就本研究報告免責條款而言，不含CLSAgroup 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

62、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

63、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

64、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50

65、0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相關證券市場代表性指數跌幅10%以上證券研究報告證券研究報告2023年年6月月1日日免責聲明免責聲明29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

66、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:/ 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

67、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 Limited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.

68、,Ltd.分發；在韓國由CLSA Securities Korea Ltd.分發；在馬來西亞由CLSASecurities Malaysia Sdn Bhd分發；在菲律賓由CLSAPhilippines Inc.（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CLSASecurities(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

69、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

70、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

71、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 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

72、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CLSAEurope BV 分發。澳大利亞：澳大利亞：CLSA Australia Pty Ltd(“CAPL”)(商業編號：53

73、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。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ASXAll 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

74、度：印度：CLSA India Private Limited，成立于 1994 年 11 月，為全球機構投資者、養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未經中信證券事先書面授權，任何人不得以任何目的復制任何人不得以任何目的復制、發送或銷售本報告發送或銷售本報告。中信證券中信證券2023版權所有版權所有，保留一切權利保留一切權利。