2023AIGC在內容行業的應用及產業鏈重點企業梳理報告.pdf

《2023AIGC在內容行業的應用及產業鏈重點企業梳理報告.pdf》由會員分享，可在線閱讀，更多相關《2023AIGC在內容行業的應用及產業鏈重點企業梳理報告.pdf（42頁珍藏版）》請在三個皮匠報告上搜索。

1、2023年深度行業分析研究報告#page#目錄人工智能應用已經進入高速發展階段.5AI能力選代速度加快.AIGC多模態交互能力持續進化6AIGC領域歷經多種技術路線演化.12.12大語言模型的主要技術路徑均基于TRANSFORMER“涌現能力”令人驚艷，但原理仍是謎團.13.16其他模態AIGC基于各自領域小模型發展lS國內發展大語言模型面臨的挑戰.18數據成本：海量的優質數據以及處理數據的經驗方法.21算法開發成本：富有經驗的工程師人才.22算力成本：超大規模的計算資源與資本投入，26AIGC顛覆人機交互模式，創造全新內容形態.人機交互形式正在發生顛覆式變化.2629內容生產效率提升，創新的

2、內容形態正在際釀。34AIGC產業鏈和推薦關注標的.#page#圖表目錄圖表1.人工智能技術的發展歷程。5圖表2.感知型AI和決策型AI常常融合在一個系統中執行任務.圖表3.分析型AI常用作智能推薦7圖表4.生成式AI通常以模態進行劃分.圖表5.AIGC發展歷程.圖表6.生成式AI有多種多樣的算法模型.8圖表7.Transformer由編碼器（Encoder）和解碼器（Decoder）兩部分組成.9圖表9.Make-A-Video，Imagen，NETFLIX生成視頻.O圖表10.OneNote語音聽寫.圖表11.MusicLM.圖表12.語言模型的演進過程.12圖表13.ChatGPT訓練過

3、程.13圖表14.“涌現能力”廣泛存在于自然界以及物理學、經濟學等領城13中外甲唯中圖圖表16.上下文學習能力（in-contextlearning）是涌現效應的部分證明14圖表17，涌現現象原理的猜想之一是任務的評價指標不夠平滑.I圖表18.涌現現象原理的猜想之二是復雜任務之內有不同層次之間的信息交互整.16圖表19.主流圖像AIGC對比.圖表20.TTS中的技術步驟.圖表21.GPT-3的研發成本拆分.I圖表22.GPT3所采用的訓練數據集.1圖表23.CommonCrawl中各種語言的比例.19圖表24.全球主要地區數據規模變化.圖表26.消費級應用1億用戶達成時長.20圖表27.Cha

4、tGPT團隊中的華人學者.21圖表29.目前國內富有經驗的工程師人才.22圖表30.云服務下GPT-3算力成本拆分.圖表32.規?；瘧弥饕慕当经h節.24圖表33。目前國內主要的大模型.24續圖表33.目前國內主要的大模型.25圖表34.AI-智能家居解決方案26#page#圖表35.NewBimg帶來全新的搜索體驗。圖表36。通用大語言模型就能后人機交互全環節對比.27圖表37.ChatGPT交互模型.27圖表38.ChatGPT插件功能.圖表40.NewBing的繪畫能力.28圖表41,365Copilot應用.29.29圖表42.Auto-GPT.圖表43.Auto-GPT的評價及缺陷

5、.29圖表44.AIGC與傳統內容生產對比.30圖表45.AIGC助力內容生產圖表46.AIGC現有美術應用.31.31圖表47.NVIDIAResearch的AI模型.圖表48.AI語音應用方向及案例.圖表49.AI語音生成未來市場規模.3232圖表50.ChatGPT的編程能力.圖表51，國內aiXcoderXL智能編程大模型.3233圖表52.使用NewBing總結文獻.圖表53.ResearchGPT.33圖表54.AIGC產業鏈圖譜及代表企業.3435圖表55.AIGC上游相關標的.36圖表56.AIGC產業鏈中游相關標的.37續圖表56.AIGC產業鏈中游相關標的.圖表57.AIG

6、C產業鏈下游應用相關標的（1）.續圖表57.AIGC產業鏈下游應用相關標的（1）.圖表58.AIGC產業鏈下游應用相關標的（2）.40圖表59.AIGC產業鏈下游應用相關標的（3）.續圖表60.AIGC產業鏈下游應用相關標的（3）#page#人工智能應用已經進入高速發展階段AI能力選代速度加快人工智能的研究目的是使機器能夠模擬人類的智能行為，從而擴展人類的能力。于是研究者通過賦予智能主體聽覺（語音識別、機器翻譯等）、視覺（圖像識別、文字識別等）、自然語言能力（語音合成、人機對話等）、思考（人機對奔、專家系統等）、學習（知識表示，機器學習等）和行動（機器人、自動駕駛汽車等）的能力來實現。AI技術

7、自誕生以來，經歷了多個技術研究以及應用方向，目前已經進入了飛速發展階段，智慧能力念發強大且選代速度加快。圖表1.人工智能技術的發展歷程1.2點用發展11.1起步發展期。（人工智能轉向實用）首個AI程序-邏聊天機器人1答聯領導了自動發只系統（GCS）熟這手項是。-界冠軍李世資料未源：CSDN，中銀證券整理海訊云等，AI誕生以及規則驅動時期（1943-1980s）：1950年，艾倫麥席森圖靈（AlanMathisonTuring）提出了“圖靈測試”，其目的是檢驗機器是否可以表現出與人類難以區分的智能，這一想法引發了機器產生智能的探討。1956年的達特茅斯會議首次提出了“人工智能”概念和理論。隨后，

8、人工智能領域出現了符號主義、聯結主義（神經網絡）等不同的研究方向，也取得了許多重要成果，如機器定理證明、跳棋程序和人機對話等。在1957年，FrankRosenblatt設計了第一個計算機神經網絡，被稱為感知機，它被認為是第一個成功應用神經網絡原理解決實際問題的算法。隨后的1958年，赫伯特西蒙和艾倫紐尼爾演示了第一個人工智能程序，名為邏輯理論家（LT-LogicTheorist）。早期的AI研完重點在于利用規則系統來模擬人類思維，采用一系列預先設定的規則來完成推理、分類等任務。知識系統時期（1980s）：從1970年代開始，學術界開始接受了一種新的思路：人工智能不僅需要研究解決問題的方法，還

9、需要引入知識。1977年的世界人工智能大會上，提出了“知識工程”的概念。專家系統應運而生，它們模擬人類專家的知識和經驗，用于解決特定領域的問題，這標志著人工智能從理論研究轉向了實際應用。日本的第五代計算機計劃和英國的阿爾維計劃等一系列計劃推動了專家系統的高速發展。在這個時期，卡內基梅隆大學的XCON系統和Stanford醫學專家系統等重要成果的出現使得專家系統在醫療、工業、金融等領線得到廣泛應用。人工智能的研究方法也從邏輯推理、搜索算法等領域擴展到了知識表示、推理和學習等多個方面。機器學習時期（19905-2010年）：在這一時期，機器學習成為了AI發展的焦點，這種學習方式是通過算法根據給定的

10、輸入數據和對應的輸出數據進行學習，從而發現規律和模式，并且能夠對新的樣本做出判斷、識別或預測。機器學習方法包括支持向量機、決策樹、樸素貝葉斯等。IBM成為了彼時AI領域的領導者：1997年，由IBM開發的超級電腦“深藍”戰勝了國際象棋世界冠軍卡斯怕羅夫，這是人工智能在智力運動方面的一次重大勝利。2006年，企業開始引領AI發展，谷歌的塞巴斯帶安特龍領導了自動駕駛汽車項目，企業對人工智能的投資也為其發展注入了強勁動力。#page#page#圖表3.分析型AI常用作智能推薦推薦優化推薦內容優化頭條智能推送主動搜索推薦引拿頭條搜索搜索豐富標簽用戶特征興想挖據J搜索預警捕你想搜搜素促進智能推薦優化資斜

11、來源：界面新聞，中銀證券4）生成式AI：即AIGC，是指利用生成式AI技術，例如深度學習、自然語言處理等，讓機器能夠自動地創造文本、圖像、音頻、視頻等多媒體內容。其工作方式是基于學習和推理，通過大量數據訓練來學習規律并創造新的內容，而非僅僅分析現有的數據。生成式AI可以通過輸入一些參數或者文本，生成出符合語義的自然語言或者圖像，應用場景包括自然語言生成、機器翻譯、圖像生成、音頻合成等。圖表4.生成式AI通常以模態進行劃分C模態劃分AIGC游戲生成3D生成視頻生成文本生成音頻生成圖像生成騰訊AILa貝頻屬新資料來源36總中銀證券AIGC的發展與整體人工智能技術的發展歷程基本相同，但在機器學習和深

12、度神經網絡發展階段獲得了加速進步。小范圖探索應用（1950s-1960s）：早在1957年，第一支由計算機創作的弦樂四重奏依利亞克組就已經出現。隨后，第一款可與人進行對話的機器人“Eliza”于1966年問世。80年代中期，IBM創80年代未到90年代中期，AIGC僅能進行小范圍的實驗和應用，資本投入也因此受到了限制。自主化生成能力尚弱（19905-2010s）：AIGC正逐漸從實驗性向實用性轉變，開始探索利用人工智能技術生成新聞、音樂、詩歌等內容。其中包括世界上第一部完全由人工智能創作的小說1TheRoad。然而，在這一階段，AIGC仍然受限于算法瓶頸和模板的缺陷，只能通過預先設置的規則和算

13、法來生成內容，缺之個性化和創意性。因此，AIGC尚未達到真正的自主化水平。深度學習促進快速發展（2010S-至今）：AIGC的發展得到了深度學習算法不斷選代更新的助力，例如生成對抗網絡（GAN）、變分自編碼器（VAE）和語言模型等。AIGC內容變得百花齊放，往往能在短時間內快速生成，在一定程度上達到人類難以分辯的效果。#page#這引起了許多知名機構和公司的關注和投入，他們開始大量研發和應用AIGC技術：2017年微款人工智能產品“小冰”推出世界首部100%由人工智能寫作的詩集陽光失了玻璃窗；NVIDIA（英偉達）2018年發布StyleGAN模型可自動生成圖片：DeepMind于2019年發

14、布DVD-GAN模型可生成連續視頻。2022年，OpenAI推出了人工智能聊天原型ChatGPT，這種文本生成模態應用模型能理解并生成文字：同年，Diffusion擴散化模型出現，直接推動了AIGC技術在圖像生成領線的突破性發展。圖表5.AIGC發展歷程113快速發展階段1.1早期萌茅階段報軟人工智能少年“小液”pMind老布DVD-GANBM創造語音控制！智能寫作的詩集陽同聲傳譯系統20122019世界第一款可人機對語的第一部由人工智能創作的采度華習算法生成式AI出DAIIE.說網絡”（GAN）出機路人“日1iza“的問世。小民問TeRoad主要應用于文本與圖原交互生成內容資料未源：36k，

15、CSDN，中報證春整理由于文本生成AI模型研究較平、應用較多，因此本篇報告將主要圖繞以GPT模型為代表的文本生成AI進行探討。經過多年的發展，自然語言生成AI經歷了從早期的簡單語義匹配到如今交互式生成文本的演變。早期的客服機器人通過簡單的語音關鍵詞識別，僅能提供固定的答案，無法真正理解用戶的意圖。隨著神經網絡的發展，端到端的深度學習算法逐漸被應用到各個領域，以DSSM為典型代表的神經網絡匹配模型被提出，可以更靈活地進行文本相似度匹配運算。2018年，OpenAI提出了第一代GPT模型，將自然語言處理帶入大規模預訓練語言模型時代，使得交互式文本生成成為可能，可以生成高質量的自然語言文本，包括新聞

16、、對話、小說等。圖表6.生成式AI有多種多樣的算法模型chatGpT:OpenA自然語言處理工具OpenAl文本GoogleBERT:G0ogle自然語言理解工具StableDifusion：StabilityA開源模型DMidjourney生成式剛行OpenAIDALLE-20MetaGoogleMicrosoftDneNote:Microsoft語音聽寫工具音頻GoogleMusicLM：Google歌曲生成工具公司官網，中銀證券整理#page#在自然語言生成AI領域，GPT和BERT是最具代表性的兩個語言模型。它們都基于Transformer架構演變而來，但是分別對應Transforme

17、r架構的不同部分：Transformer模型由編碼器和解碼器兩部分組成，編碼器用于將輸入序列編碼成抽象的表示，解碼器用于將這個抽象表示解碼成輸出序列。GPT模型主要是基于Transformer的解碼器（Decoder）部分，主要用于文本生成任務，如文本自動完成、對話生成、文章摘要等：而BERT模型主要是基于Transformer的編碼器（Encoder）部分，主要用于自然語言理解任務，如問答系統、文本分類、相似度比較等。這兩種模型的不同特點，使得它們在不同的自然語言處理任務中發揮著重要的作用，對于AI技術的發展也有著重要的推動作用。同時，它們的成功也為更多的AI模型和應用提供了借鑒和啟示。圖表

18、7.Transformer由編碼器（Encoder）和解碼器（Decoder）兩部分組成Lfeatures OupusEncoderDecoderNxXNInputs莫科來源銀證券圖像生成AI通過分析轉換用戶輸入的文字，生成符合客戶需求的圖像。代表性的圖片生成模型包括StabilityAI的StableDifusionReimagine、OpenAI的DALL-E2和Midjourney，三款應用各有所長。StableDiffusionReimagine是一種基于擴散化模型的深度學習模型，它采用了先進的概率推理算法，用戶只需要上傳一張圖片，該平臺會自動生成3張聯想圖片，并且支持更細致化的編輯；

19、與傳統的生成式AI相比，StableDifiusionReimagine在生成內容時可以更好地控制輸出結果的多樣性和一致性?；陂_源的Stablediffusion，清華大學在自研大模型ChatGLM中組合了FlagStudio功能，支持中英文雙語、多種風格藝術的圖片生成，包括國畫、攝影、油畫、水彩等Midjourney是一家人工智能生成藝術內容平臺，使用深度學習技術和生成對抗網絡（GAN）來生成圖片。技術路徑主要涉及兩個階段：第一階段是使用GAN生成一系列隨機噪聲圖像，然后在第二階段中，使用一個預訓練的圖像分類器來篩選出最優圖像。這種方法可以幫助生成具有高度復雜性和多樣性的圖像，并且可以根據

20、所需的風格和主題進行調整和優化。DALL-E2是OpenAI推出的一款文本到圖像的生成模型，它可以根據給定的文字描述自動生成對應的圖片。DALL-E2基于GPT系列模型和GAN系列模型進行訓練，具有較高的生成質量和可控性。#page#page#圖表10.0neNote語音聽寫圖表11.MusicLM在OneNote中聽寫筆記NapoleonCrossing the便方法Alps-JacqueswhoLouis David如何使用聽寫資料未源：Microson富同，中探證券圖片雜源：Google富網，中銀證泰#page#AIGC領域歷經多種技術路線演化大語言模型的主要技術路徑均基于Transfo

21、rmer目前，在文本類AIGC領域，預訓練大語言模型（LLM，如GPT、BERT等）是表現最為突出的技要基于統計方法。但這類方法在捕捉長距離依賴（句子中相隔較遠的詞匯之間存在語法或語義關系）Word2Vec、ELMo等神經網絡模型引入了新的方法并推動了預訓練模型的發展。2017年，Transformer架構拼棄了傳統的循環神經網絡（RNN）和卷積神經網絡（CNN），完全基于自注意力機制未處理序列數據，從而開啟了NLP的Transformer時代。2018年，基于Transformer架構的三大主要產品問世，它們是GPT、BERT和T5。GPT是一種自回歸模型，只使用了Transformer的D

22、ccoder部分，訓練時只考慮了給定詞匯前的上下文信息，輸出詞匯依賴于先前生成的詞匯，因此理論上具備更強的生成能力。BERT則是一種雙向語言模型，使用了Transformer的Encoder部分，在訓練中隨機對輸入序列中的部分詞匯進行遮蔽后嘗試預測，因此有能力同時捕捉上下文詞匯的雙向信息。而T5模型則采用了完整的Transformer架構，其中的Encoder部分負責理解輸入文本，而Decoder部分則生成目標文本。隨著計算資源的增加，GPT系列的參數量和語料庫規模不斷提高。在2020年，GPT-3誕生，它擁有1750億個參數，是空前規模的超大模型，開啟了超大模型時代。在后續的優化中，Open

23、AI引入了基于人類反饋的強化學習方法，并借助涌現能力的加持，推出了具有驚人能力的ChatGPT。圖表12.語言模型的演進過程資料來源：CSDN資訊，中銀證券要獲得類似ChatGPT的產品，首先我們需要具備優質架構下的大規模預訓練模型。預訓練可以采用自監督學習方法，例如拖碼語言模型或自回歸模型。在這一階段，需要使用大量無標簽文本數據對模型進行預訓練，從而使模型學習文本的潛在結構、語法、語義等信息。具備預訓練模型后，還需要進行大量微調、優化和針對性的調整，以滿足具體應用的需求。由于語言模型本身致力于預測可能性較高的下一個詞匯，而非滿足人類需求的答案，因此在解決該不一致性時，基于人類反饋的強化學習（

24、RLHF）起到了重要的作用。RLHF的主要步驟如下：第一步是訓練監督策略模型：在數據集中隨機抽取問題，由專業標注人員給出高質量答案，形成問答對（QAG）。然后，使用這些人工標注好的數據以回答正確為目標來微調預訓練模型，使得模型能夠根據輸入數據預測相應的輸出標簽，從而學習兩者之間的關系。第二步是訓練獎勵模型（RM）：這個階段主要通過人工標注訓練數據來訓練獎勵模型。在數據集中隨機抽取問題，使用第一階段訓練得到的模型，對于每個問題，生成多個不同的回答。人類標注者對這些結果綜合考慮給出排名順序，并使用這個排序結果數據來訓練獎勵模型，以建立人類反饋模型。#page#第三步是使用反饋模型進行強化學習：利用

25、第二階段訓練好的獎勵模型，通過給微調后GPT模型輸出的結果打分來持續訓練，形成模型與純自然語言數據的反饋閉環。通過RLHF，在提升回答質量、適應用戶需求、減少不良內容、提高泛化能力等方面，ChatGPT具備了比前幾代模型更好的表現。圖表13.ChatGPT訓練過程資料來源CSDN資訊中銀證務“涌現能力”今人驚艷，但原理仍是謎團對于ChatGPT表現出的驚艷效果，模型規模和海量數據帶來的涌現能力（EmergentCapabilities）功不可沒。涌現能力是一種不可預測的廣泛存在于如物理學、經濟學等領域的現象，當一個復雜系統由很多微小個體構成，這些微小個體法到一起，相互作用，當數量足夠多時，在宏

26、觀層面上展現出不同于其部分的行為，就可以稱之為“涌現現象”。例如，自然界中雪花、氣流旋渦的形成，金屬中電子的超導性，宏觀經濟展現出不同于微觀經濟簡單集合之后的特征等。圖表14.“涌現能力”廣泛存在于自然界以及物理學、經濟學等領域資料未源：CSDN資訊中銀證#page#在大語言模型領域，涌現能力指的是當模型規模超過一定閱值后，模型可以完成更加復雜的任務并大大提高精度，甚至具有未經過明確訓練的能力。研究者發現，“消現能力”通常出現在由多步驟構成的復雜任務解決中，而在知識密來型的任務中，模型表現仍然保持較為線性的“伸縮法則”（ScaligLaw），即隨著模型規模的不斷增長，任務效果也持續增長。圖表1

27、5.“涌現能力”通常出現在由多步驟構成的復雜任務中LLM的規模效應：下游任務表現-伸縮法則&涌現能力1010（2）（b）伸縮法則：知識密集型任務涌現能力：多步驟構成的任務資料未源：CSDN資訊，中銀證券目前GPT等大語言模型表現出來的驚人的上下文學習能力（in-contextlearning）就是涌現效應的部分證明。上下文學習能力（in-contextlearning）是指不對模型參數進行調整，而是給大模型幾個示例，AI就可以從類比中學習，但是這種能力需要超過40B的參數數量才能夠達到。在GPT模型表現出的ICL之前，很多語言模型都需要針對下游任務進行微調（fine-tuming），但微調過程

28、需要大量的樣本參數，否則效果很差，然而標注數據的成本高昂、標注量有限，并且如果數據較少的話，容易導致過擬合，致使模型的泛化能力下降。ICL不需要finetuning，既節省時間與算力資源，還提升了模型性能。圖表16.上下文學習能力（in-contextlearning）是涌現效應的部分證明涌現現象-inContextLearning：InContextLeaming涌現能力ng FLOPInContextLearning的涌現現象資料來源：CSDN黃訊，中銀證券#page#所說的上下文學習能力（i-contextleaming）也仍是未解之謎?？傮w來說，涌現能力可能源自于大模型內部神經網絡之間

29、的相互作用。1）大語言模型內部產生自組織，自組織是指在無中心化的情況下，系統中的個體或部件可以根據相互作用的規則自行組織形成一種結構、模式或行為。在人工智能領域，自組織就是神經網絡的節點（或神經元）之間可以通過反向傳播算法進行聯合學習和自適應調整，網絡內部的節點和連接逐漸形成了一種高度優化的結構，以最大限度地適應訓練數據和任務需求。這在任務指標不夠平滑時可能尤其凸顯。例如，某個任務的評價指標要求很嚴格，要求一字不錯才能通過，那么涌現現象就會出現；但是如果把問題形式換成多選題，給出幾個候選答案讓模型選擇，那么隨著模型不斷增大，任務效果在持續穩定變好，涌現現象卻消失了。相關猜想是，如果評價指標不夠

30、平滑，那么在大模型內部，可能存在一些相互作用的神經元或神經網絡，它們之間的相互作用可以放大一些微小的信號，從而產生了在訓練集之外的新能力。圖表17.涌現現象原理的猜想之一是任務的評價指標不夠平滑涌現能力原因猜想一：任務評價指標不夠平滑Emoji_movie任務：輸入Emoi，要求LLM給出完全正確的電影名稱（a）精確匹配：涌現現象多項選擇：scalinglaw現象資料未源：CSDN資訊，中銀證琴2）大語言模型通過分層抽象的方式來學習復雜的特征和知識，即神經網絡將輸入的信息進行逐層抽象和提取，從低級別的特征（如邊緣、顏色等）到高級別的概念（如物體、場景等），并在不同層次之間進行信息交互和整合，從

31、而構建出具有復雜性和多樣性的特征和知識。例如在“國際象棋”任務中，“吃掉對方的將”是AI的最終任務，而每一手棋是達成最終任務下的子任務，這些子任務的效果往往會隨著模型規模的增大而不斷提高，符合“伸縮法則”（ScalingLaw），在某個閥值之后，多個子任務之間產生了更高層次的相互作用和協同效應，導致整個模型的效果得到了大幅提升，涌現效應出現。#page#圖表18.涌現現象原理的猜想之二是復雜任務之內有不同層次之間的信息交互整合涌現能力原因猜想二：復雜任務vS子任務猜想：最終任務過于復雜，由多個子任務構成，子任務符合ScalingLaw，最終任務體現為涌現假設：最終任務T由5個sub-T構成，每

32、個sub-T從40%提升到60%，最終任務從1.1%提升到7.8%R室立四出魚AAAA上商話全國公A3AAA2AAAA門金警百店國際象棋：合法移動Vs將死合法移動：ScalingLawvs將死：涌現資料來源：CSDN資訊，中銀證券大模型的涌現能力和人類大腦學習知識在最終表現上具有相似性。人美大腦通過不斷接收和處理信息，建立起對世界的認知和理解，這一過程中涉及到的神經元之間的連接不斷加強，從而形成更為復雜和準確的認知結構。類似地，大模型也是通過不斷接收和處理海量數據，建立起對自然語言或圖像等領域的認知和理解，這一過程中涉及到的模型參數之間的連接也會不斷加強。不同的是，大模型的學習和推理過程是由算

33、法和數學模型來實現的，而人類大腦則通過一系列生物介質信號，更加復雜和靈活。此外，AI研究者也嘗試使用不同的方法提升大模型輸出結果的準確性，涌現能力則為這些能力的實現提供了基礎。例如，思維鏈（chainoflhought）就是訓練大模型的典型方法，它引導模型先展示中間步驟后再引出結論，幫助大型語言模型根據已經理解的內容，自動推理出一些隱念的邏輯關系和推論，從而表現出類似于人美思維鏈的能力。另外，訓練數據中加入的海量代碼、數據等也可以幫助大語言模型在算數、推理、常識方面具備更好的表現。加強大模型的復雜推理能力是未來AI研完的重點課題。其他模態AIGC基于各自領城小模型發展圖像類AIGC：該類AIG

34、C優勢之一就是在技術端的成果往往能較快轉化為商用，生成效果較突出的產品包括DALLE2、StableDiffusion和Midjourneye目前主流的圖像生成類AI技術是CLIP與Dilhuson：1）CLIP是一種大一統技術框架，可以將圖圖像的技術，它通過將原始圖像轉換為圖像噪聲域并遙步改善圖像，以生成逼真的圖像。它的核心思想是將原始圖像與噪聲混合，并在每個時間步長中逐漸減小噪聲的強度，直到圖像不再有噪聲為止。這個過程類似于將水分子在溶液中擴散開來，因此也被稱為”擴散”。以OpenAI發布的一個圖像生成模型DALL-E2為例，其工作流程為：1）將輸入文本轉化為CLIP文本：這個步驟使用CL

35、IP模型將輸入的自然語言描述轉換成向量形式的文本表示：2）轉化為視步圖像：使用一個編碼器網絡將CLIP文本向量轉換為一個初步的圖像表示，這個圖像通常是一張噪聲圖像；3）使用擴散模型將圖像轉變后再生成：DALLE2通過多次對初步圖像進行隨機噪聲注入和擴散的操作，從而逐漸改善圖像的質量，最終生成符合要求的高質量圖像。#page#圖表19.主流圖像AIGC對比Stable DiffusionDALLE2MidjourneyCherry Blossomnearalakesnowing資料來源：CSDN，中銀證券音頻類AIGC：音頻類AIGC可視同為語音合成（TTS），即根據文本內容和語音素材，生成自然

36、語音的技術以下是常用于TTS中的技術步驟：1）文本處理，首先使用NLP技術，如詞性標注、句法分析和語義分析，對文本進行分析和理解；2）韻律建模，韻律是指語音的節奏、語調和強調，這涉及使用統計模型或基于規則的方法為每個音素或音節生成音高、持續時間和能量模式：3）聲學建模，涉及創建一個表示組成語音的聲波的模型可以使用深度神經網絡（DNNS）、對抗式生成網絡（GANS）等技術來完成；4）語音合成，可以使用參數、拼接和端到端等不同方法：5）聲音轉換，這是一種用于修改合成語音輸出的聲音特征的技術，例如更改說話人的性別或年齡，可以通過神經語音轉換或基于源-濾波器模型的轉換等技術來完成。圖表20.TTS中的

37、技術步驟后端模塊參教合成波形生成前模塊語言學分析文本分析聲學模型拼接合成減形拼接語音單元數據庫資料來源：CSDN資訊中銀證券#page#國內發展大語言模型面臨的挑戰自從大語言模型ChatGPT發布之后，公眾對AIGC的關注迅速上升。國內外的互聯網廠商看到通用大模型在許多領域應用的商業價值，紛紛加快了布局。實際上，國內互聯網巨頭百度、阿里、騰訊、字節跳動等過去都在AI技術上有所積累，但應用方向比較垂直，以快速實現商業價值為導向，例如輔助駕駛、工業設備控制、廣告推送等。這些AI技術的研究路徑與AIGC有所不同，需要公司調整研究方向和資源。日前大語言模型廠商所使用的架構基本基于Trasformer，

38、因此其成本結構也類似，主要可分為數據成本、算法團隊成本和算力成本，三部分成本也分別對應了人工智能的三大要素數據、算法和算力。在這一部分我們將以GPT-3與ChatGPT為例從人工智能的三大要素的角度刮析大語言模型的成本構成并提煉和總結現階段國內發展AIGC的幾點主要挑戰。圖表21.GPT-3的研發成本拆分GPT-3算力成本數據成本算法團隊成本獲取成本公有云自建算力處理成本租賃費用硬件購置能源成本資料來源：35Kr，中銀證券整理數據成本：海量的優質數據以及處理數據的經驗方法數據是人工智能的三大要素之一，數據成本指圖片、文本、音視頻的數據的收集、清洗、人工標注以及建立用戶反饋機制所帶來的成本，我們

39、將其簡單拆分為數據獲取成本與數據處理成本。根據wikipedia，具有1750億參數的GPT-3的預訓練過程中基于以下幾個數據集，主要來自網絡爬取、書籍、維基百科以及GitHib，其中80%以上的數據來自公開互聯網中的網頁、文章、圖片、視頻、音頻等各種形式的信息。在模型訓練中“#Tokens”可以理解為數據集中的詞匯數量以衡量數據集的規模和復雜性。大量Tokens可以為模型提供豐富的信息，有助于模型學習更復雜的語言結構和語義關系。圖表22.GPT-3所采用的訓練數據集權重數據集#Tokens410 billion%09Common Crawl229WebText219 billion8%Boo

40、ksl12 billion8Books255 billion33 billionWikipedia資料來源：CSDN，中銀證券數據集中占比60%的CommonCrawl主要是累積多年的網絡爬蟲數據集，約有320TB文字信息，但主體信息為英文，其中中文信息占比約5%。該數據集整體質量較低，OpenAI在根據各數據及質量賦予權重的同時，也對數據集進行了過濾、去重、加入高質量數據等處理。獲得處理后的數據集后，GPT-3還通過研發人員、外包標注人員以及所建立的用戶反饋機制進行數據優化。整體而言，GPT-3的數據獲取成本較低，其數據處理成本應占比更高。然而，OpenAI隨著后續模型訓練數據量的擴大，預計

41、數據獲取難度將逐步提高，數據獲取成本持續上升，在包含研發、標注、以及用戶參與相關的成本后，預計OpenAI目前的數據成本超過1億美元。#page#Crawl中各種語官的比例CC-MAIN-2022-27CC-MAIN-2022-33crawlCC-MAIN-2022-40%languago46.538446.777445.8786eng5.87795.51565.9692ruSdeu5.48245.245.88114.81354.34894.7884jpn本o4.67775.03834.8747fra4.40024.31124.72544.31784.29154.4690Spa資持未源：維基百

42、特，中銀證券對于國內相關廠商而言，由于產業積累相較北美更為薄弱，現成的、針對中文的大規模數據集相對較少。根據IDC，2021-2026中國數據規模CAGR達全球第一，但總量上相較北美仍有較大差距。同時，英文作為世界語言，具備更廣泛的用戶基礎以及更豐富的優質數據累積。另外，數據作為新的生產要素，在國內互通壁全較為明顯，同時不乏較低質量的信息引起的噪音問題，這對國內廠商的數據積累、收集以及最終的清洗能力提出了較高的要求。圖表24.全球主要地區數據規模變化25020015010050O202620212022202320242025口中國口北美口其他地區資料來源：IDC，中銀證券除了數據體量非常重要

43、，數據的質量以及如何處理獲取數據同樣極為關鍵?，F實世界的數據存在很強的長尾特征，長尾數據指的是在數據分布中出現頻率較低，但卻有很多種類的數據，包括低頻詞匯（醫學診斷、學術術語等）、小眾興趣、反洗錢、反欺詐等。相對于分布中出現頻率較高、種類相對較少的數據，長尾數據更加稀缺且難以獲取。這些長尾數據對于某些AI任務可能非常重要，但由于它們數量稀少，因此需要特別的方法來獲取和處理。一種較為根本且長期的方法是通過強化AI模型的能力來適應數據的長尾特征，例如數據增強（對原始數據進行處理得到過更多訓練數據，從而擴充數據集）、非監督學習（利用未標注數據進行預訓練，從而提高模型在有限標注數據下的表現等）、元學習

44、（讓模型學習如何學習的方法）等。#page#圖表25.現實世界充滿了大量低頻但重要的長尾數據樂A商食Faces Zhang etal20171Placeswangetal.2017SpeciesIVan Horn etal.2019Actions Zhang etal.2019中銀證券另一方面大模型的“增長飛輪”效應也能在一定程度上巧妙緩解長尾數據問題，即利用公開數據，快速建立一個大致可用的AI大模型，隨著模型不斷被用戶使用，大量的多樣化的場景/對話/行為/反饋數據被采集，幫助模型不斷更正和護大任務范圍，同時也獲取到大量長尾數據，由此模型會變得更加準確和強大，從而能夠解決更加復雜和具有挑戰性的

45、任務。而這又會帶來更多的數據和更多的資源，可以用來進一步擴大和訓練模型，形成一個循環的正反饋機制。作為AIGC的典型應用代表，ChaIGPT在應用層展現出了出色的潛力。自發布以來僅僅用了兩個月的時間，就吸引了一億用戶，打破了TikTok保持的九個月記錄，成為了史上用戶增長速度最快的消費級應用程序之一。因此ChatGPT更有機會從全球用戶的使用過程中獲取到大量有價值的稀缺數據。圖表26.消費級應用1億用戶達成時長1億用戶達成時長（月）消費級應用ChatGPT9Tik Tok30Istagram41Pinterest33Spoigy61Telegram70Uber78Google Translat

46、e而各大國內廠商先后快速推出大模型，并邀請不同行業、業務場景下的企業接入大模型，或是希望通過這種工程化的方法更快獲取到公開領域很難獲取的長尾數據。我們認為，能夠獲取到更多專業細分商業場景的數據、更具有數據處理經驗，或者擁有更好的AI基礎設施（例如快速試驗室幫助更快找到適合處理長尾數據的最佳模型）等的國內企業能夠形成較堅固的護城河。#page#算法開發成本：富有經驗的工程師人才人工智能的第二大要素是算法，AI的算法設計、訓練流程、調優等步驟均對廠商研發、人才原積有非常高的要求。算法開發成本指在模型架構的搭建、技術選代和優化等流程中產生的成本，其中主要是研發人員薪副。以ChatGPT為例，算法團隊

47、成本方面，公司設立ChatGPT項目組進行開發，共有87人對項目做出貢獻。其中，華人學者是一支重要的科技創新力量，共9人，占比近10%。圖表27.ChatGPT團隊中的華人學者職務姓名畢業院校工作單位（時間順序）學士：清華大學翁家翠研發工程師OpenAl碩士：卡內基梅隆大學研發工程師學士：清華大學趙盛佳OpenAl博士：斯坦福大學MTS）研發工程師學士：華中科技大學Myhic；江旭博士：馬里蘭大學帕克分校（MTS）OpenAl學士：清華大學Dropbox；袁啟明研發工程師碩士：德克薩斯大學奧斯汀分OpenAl校學士：北京大學、香港大學Dropbox；AI應用研究翁麗蓮博士：印第安納大學伯明頓分

48、Affirm；經理penA深度學習研學士：麻省理工學院背凱OpenAI究員博士：麻省理工學院牛津大學（人類未來研究所）；學士：麻省理工學院研究員Stph Lin碩士：佐治亞理工學院OpenAl學士：哈佛大學SclfEmployed歐陽龍高級研究員博士：斯坦福大學OpenAl加州大學伯克利分校；張馬文信息缺失博士：加州大學伯克利分校OpenA做了簡單的推算。假設在模型的訓練階段和運營階段，算法團隊的人數一致（87人），且按照OpenAI公司平均薪酮每人每年50萬美元發放，則保守估計每年算法團隊相關成本為4350萬美元以上。圖表28.算法開發成本OpenAI公司年平均薪酬算法國隊人數年度算法開發成

49、本文87人4350萬美元50萬美元/人/年資料未源：智譜研究，Mier，新浪網，中報證券整理參考OpenAI等海外頭部團隊，公司的執行架構往往圍繞業內頂級的頭部人才，從而能更好的把握資源投入以及模型設計的方向并最終突破技術瓶頸。目前國內AI相關頂尖技術人才缺口較大，近期人才流動性較高，顯示出行業內已開始新一輪人才爭奪戰。#page#圖表29.目前圖內富有經驗的工程師人才原公司原公司職位創業方向前美團高級副總裁、最高決策機構美團將于AI大模型領域創業S-team成員陳亮前字節跳動稅覺技術負責人王長虎離王長虎離職后即將組建新的創業團隊，他的創業方向將字節跳動職創業聚焦于生成式AI的視覺多模態算法平

50、臺。騰訊副總裁、PCG（平臺與內容事業群）目前尚不清楚接下來的去向，據介紹，那小虎離職后將騰訊信息與服務線負責人都小虎進入Ai相關領域創業快手快手前MMU負責人李巖在2022年下半年成立了AI公司“元石科技”貫揚清的下一站將是AI創業，方向為AI大模型底層技阿里前技術副總裁費揚清術相關巨人前巨人CEO吳萌已成立公司MiAO創辦自己的AI生成式游戲公司，公司尚未取名，將來研英特爾首席架構師RajaKoduri發的工具將采用英特爾、AMD或蘋果芯片理想汽車前理想汽車AI芯片研發負責人驕腸近期已跳槽三星電子，成為其GPU團隊的核心成員華為華為”天才少年”雅暉君稚暉君（本名彭志輝）在微博證實確實已經離

51、開華為亞馬遜云科“參數服務器之父AlexSmol教授創辦了一家名為Boson.ai的人工智能公司技王小川與前搜約CO0茄立云聯合成立人工智能公司百搜狗搜狗創始人王小川川智能，曾在打造中國版的OpenAI王慧文稱設立北京光年之外科技有限公司，用于打造中美團原美團聯合創始人王蒸文國OpenAl。京東街遠科技創始人周伯文于朋友圖發布“英雄帖”前京東技術委員會主席周伯文谷歌選擇回國，在語音交互領域創業，創立出門問問谷歌AI團隊李志飛資料來源：各公司公告，中銀證券整理算力成本：超大規模的計算資源與資本投入人工智能的最后一大要素是算力。大規模的算力能夠大幅縮短模型的訓練時間，加快研發進度。高質量的算力設備

52、和架構也能顯著提高并行計算能力并提升訓練效率。超大規模的模型參數數量通常達到百億級別，對算力資源提出了非常高的要求。目前人工智能相關產業對算力的獲取方式主要有兩種：1）從云平臺租用算力，如亞馬遜AWS微軟AzureGoogleCloud阿里云和騰訊云等，OpenAI使用公有云平臺MicrosoftAzure滿足算力需求；2）自建算力，這部分成本主要涉及到硬件購置和能源成本，硬件購置成本里中央處理器（CPU）和圖形處理器（GPU）占比較高，能源成本主要指運營中的電力成本。1）在云平臺租用算力的模式下，從部署階段的角度，不包含物業設備成本、基本經營費用等支出，我們將算力成本大致分為開發成本（預訓練

53、和訓練階段）與運營成本。根據CSDN，參考谷歌使用GCPTPUv4芯片訓練PaLM模型，如果在與GPT-3一致的3000億個token的文本上訓練1750億參數模型，目前的訓練成本會大幅縮減至140萬美元。盡管隨著技術的選代成本有望進一步縮減，但以上計算建立在行業頂尖的硬件設備與架構之上，對國內廠商而言，在高質量硬件難以獲取且頂級人才稀缺的情況下，成本預計會成倍提高?；贑hatGPT的訪問情況，我們大致推算了大模型的運營成本：根據similarweb，ChatGPT2023年的月訪問量約為10億，根據Fortune估算的單次互動算力云服務成本，2023年2月運營階段所需的算力成本至少為100

54、00萬美元。#page#圖表29.云服務下GPT-3算力成本拆分GPT-3運營成本開發成本資料來源：雪球中銀證系整理2）自建算力的情況下，開發成本主要可以分為算力基礎設施構建以及能源成本。根據負責云計算和人工智能的微軟執行副總裁ScottGuthric，為了向OpenAI的前港研究提供支持，微軟為ChatGPT打造了一臺由數萬個A100GPU組成的大型AI超級計算機，自建成本或超過數億美元。能源成本指ChatGPT在訓練以及維集服務器、做負載均衡以及搭載網絡安全策略等運營環節產生的大量電力消耗。根據柏克萊加州大學計算機科學教授大衛帕特森的論文，GPT-3在訓練階段耗能約1287MWh。在運營階

55、段，ChatGPT月獨立訪客數約1.5億，假設單用戶提問10個，產生450億單詞，假設每個單詞在A100GPU上需要0.35秒處理時間，A100GPU月工作時長約437.5萬小時，Azure數據中心中A100GPU的功耗約46W-407W，每月電力消耗約1780MWha圖表30.基于自建算力的硬件購置成本-訓練階段GPT-3算力基礎設施能源成本搭建資料來源：CSDN，受算力成本的需求快速增加、算法開發人才的時代紅利以及規模效應等因素的影響，未來的成本將呈降低趨勢。雖然隨著硬件設計的提升，大模型的硬件成本和能量利用率持續提升，但國內硬件方面與海外存在代差，且專用于AI訓練的芯片仍在開發中，預計中

56、近期內算力問題也將是國內廠商發展大語言模型的重大挑戰。#page#圖表31.規?；瘧弥饕慕当经h節能源。自于多方面的優化，包括模型架構的調整、算法算力和GPU的優化、業務層的優化、模型層優化、量化優化、kernel層優化、編譯器層優化等，計算產生的能耗會下降。內存/存儲隨著技術的進步和成本的降低，一些成本會隨著規模效應而逐漸減少，例如通過模型壓縮減少模型的大小、將芯片擴展到晶圓級以減少延退/增加帶寬，或通過可編程單元優化數據訪問模式等將進一步推動硬件利用率的發展，從而降低內存和存儲成本。GPU算法算力和GPU的優化將通過使用高效的算法和GPU并行計算來加速計算，或者使用更強大的GPU，如英偉

57、達GPUH100，產生降本增效的趨勢。資料未源：CSDN，中銀證券整理盡管面臨以上諸多挑戰，國內各大互聯網廠商、高校和獨立研究機構仍決心大力投入研發大型預訓練語言模型，以實現關鍵核心技術的自主可控。雖然這些國產大模型的綜合實力與海外頂級公司相比還存在一定差距，但在功能和應用領域展現出了獨特的競爭力和創新優勢，尤其是在中文NLP任務、行業垂直領域任務以及訓練與優化策略等方面取得了一定的成果。圖表33.目前國內主要的大模型發布時間參數量公司鳴人支持的內容大語言模型的生成式AI產品具有文學創作、商業文案創作、多模態生成、數理邏輯推算、百度文心Mar-232600億中文理解等能力，將賦能通信、金融、醫

58、療、辦公、互聯網、物流、能源、媒體、政務等行業。鵬程，盤古由NLP、CV、多模態、科學計算等多個大模型構成，支持豐富的應用場景，在知識問答、知識檢索、知識推理、閱讀理盤古即將上線2000億華為解等文本生成領域表現突出，解決傳統AI作坊式開發模式下不能解決的AI規?；?、產業化難題?；煸盗蠥I大模型包含但不限于：計算機視覺、自然語言處理、多模態內容理解、文案生成、文生視頻等多個方向，偏向自然語騰訊混元1萬億Dec-22言。目前，“混元“AI大模型已被廣泛應用到廣告創作、廣告檢索、廣告推薦等騰訊業務場景中，之后會接入微信、QQ、游戲、短視頻、廣告、TOB端等業務。通義千問將陸續接入阿里巴巴生態的所

59、有商業應用中，如企業通訊、智能語音助手、電子商務、搜索、導航、娛樂。背后自然語言理解的大模型，一個叫m6，一個叫plugo通義千問2023/4/11百萬億阿里云M6能夠支持多模態的AI模型，比如說文字生成圖片，文字生成語音，文字生成視頻。擅長設計、寫作、問答，已在超40個場景中應用，日調用量上億。資料來源：各公司公告，中銀證養整理#page#續圖表33.目前國內主要的大模型發布時間參數量支持的內容公司產品“悟道2.0已經在問答、繪畫、作詩、視頻等任務中通近圖靈測試，并在世界公認的9項Benchmark上獲得了第一的成績，未來“悟道”智諧悟道2.02021/6/11.75萬億模型系統將構建“大模

60、型、大平臺、大生態”。持續研發超大規模智能模型，圍繞大模型研發，構建大規模算力平臺，同時對外開放模型能力，“賦智”各行業發展，構建大模型生態。紫東太初大模型通過多模態大數據自監督學習已形成圖、文、音的共性特征表達，并可根據任務難度用適量數據產生推理能力和生中科院自動化所紫東太初2021/9/27千億成能力，可實現多任務、跨模態持續學習。更為突破的是，紫東太初大模型通過有效編碼語音、文本和目標區球之間的時空關系，首次實現了“語音生成視頻”的功能MOSS可執行對話生成、編程、事實問答等一系列任務，打通了讓生成式語言模型理解復旦大學MOSSFeb-23175億人類意圖并具有對話能力的全部技術路徑，將

61、于后期進行開源?？捎糜谖谋痉诸?、金融新聞分類、文案生成身科技測五子2023/3/1410億和圖片描述等場景。曹植系統專注于金融、政務、制造等行業，營植達觀數據23/3/18（試用）175億只為這些特定垂直行業提供ILM服務。360智腦將推出類ChatGPT技術的demo應用，與瀏黨器、數字助理、蘇打辦公、智能三六零360智腦23/49未知營銷等場景應用深度結合，提升用戶生產力和創造力。日日新SenseNova”大模型體系，推出自然語言處理、內容生成、自動化數據標注、自定義模型訓練等多種大模型及能力?！叭杖招氯杖招耂enseNova”大模型體系下的語言大模型，還千億商湯Apr-23SenseNo

62、va展示了AI文生圖創作、2D/3D數字人生成、大場景/小物體生成等一系列生成式AI模型及應用；此外，還有編程助手、健康咨詢助手、PDF文件閱讀助手等。能夠實現智能問答、聊天互動、文本生成等多種應用場景，并且具有豐富的知識儲備，涵蓋科學、技術、文化、藝術、歷史等領場：昆侖萬維天工3.52023/4/10千億覆蓋圖像、音樂、文本、編程等多模態內容生成能力。目前，該公司已與奇點智源就ChatGPT、圖像視頻生成等AIGC技術領線達成全面技術戰略合作。通用認知智能大模型算法研發及高效訓練底I+N認知智科大流飛2023/5/6百億虛平臺，“N則是應用于多個行業領域的專用能大模型大模型版本。ChatD將

63、以“125計劃作為落地應用路線圖，包含一個平臺、兩個領域、五個應用。1個平臺：ChatD智能人機對話平臺，即自然語言處理中理解和生成任務的對話平臺：2個領今年京東云ChauD千億球：零售、全融：5個應用：內容生成、人機對話、用戶意圖理解、信息抽取、情感分類，在客戶咨詢與服務、營銷文案生成、商品摘要生成、電商直播、數字人、研報生成、金融分析等領域將發揮廣泛的落地價值。模型領域也從文本拓展到圖文、音樂、行為序列等多種模態，其具備的自然語言處理能網易五吉待定千億力可應用于語言助手文本創作、新聞傳媒、智能客服等領域。資料來源：各公司公告中銀證養整理#page#AIGC顛覆人機交互模式，創造全新內容形態

64、人機交互形式正在發生顛覆式變化與傳統AI的規則引攀和決策樹相比，大語言模型具有明顯優勢。它不僅可以完成基礎的識別、預測和分辯等任務，還能夠與人類自然地進行對話，精準生成各種基于上下文語義和語境的內容。雖然目前AIGC模型主要以文本形式與人交互，但語音交互是未來研究的重點領域，而多模態交互也是人工智能生態的一個重要發展方向，能夠實現交互形式的范式變革我們預計，未來基于各類AI模型的交互系統將成為操作系統的主要形式，應用程序與指令邏輯將根據AI交互平臺進行重新設計。目前，AI大模型已逐步取代了一些應用的傳統操作模式，隨著算力成本的降低和AI模型的輕量化，預計其可替代操作模式將進一步泛化，廣泛應用于

65、智能家居、工業自動化、智能物流、智慧城市以及其他2C應用領域。圖表34.AI-智能家居解決方案圖表35.NewBing帶來全新的搜索體驗正在被索：滿江紅電智能中拉系統11資料來源平安云，中銀證券資料來源：CSDN資訊，中銀證券人機交互（HMI/HCI），是指人類通過各種形式的交互手段，如語音、觸摸、手勢等，與計算機或其他機器之間進行單向或雙向信息交流和共享的過程，其中單向人機交互通常為人類發出指令或提供輸入，而機器則按照指令執行操作或產生輸出，但不會主動與人類溝通或提供反饋：雙向人機交互中人類可以發出指令或提供輸入，同時機器會基于用戶提供的輸入或上下文來產生反饋或提問，從而進一步推動交互的進行

66、。人機交互整體可區分為四個環節：輸入、信息處理、輸出、反饋，其中單向的人機交互過程由于基本不存在內容輸出與反饋，因此在我們的后續分析中單向人機交互僅包含人機交互中的前兩個環節。#page#圖表36.通用大語言模型就能后人機交互全環節對比輸出反饋信息處理輸入計算機或其他機器將處理用戶根據計算機輸出的結根據應用場景和用結果呈現給用戶。輸出設果，判斷是否滿足預期。戶需求，通過各種輸機器接收到用戶輸備可以包括顯示器、揚聲如果結果不符合預期，用傳統的人機入設備（如鍵盤、鼠入的信息后，對其進器、觸覺反饋設備等。輸戶可能會調整輸入，啟動標、觸摸屏、語音輸行處理，以完成相應出的的形式可以是文本、交互新一輪的人

67、機互動。反饋入等）向計算機發送的任務圖像、聲音或其他多媒體環節有助干提高系統的準命令或提供信息形式，以便干用戶理解和確性和用戶滿意度消化大模型的自然語言大語言模型更易捕理解和推理能力能輸出內容將更為流暢自獲用戶意圖，用戶可通用大語言將用戶輸入數據轉然，更符合用戶需求，此大語言模型有能力根據以以使用自然語言多模型加持后化為各類機器可識次交互，豐富可選交外個性化化的輸出也將提往的反饋進行自我調整的提升讀信息，大提升交互互場景，有效降低輸升用戶體驗質量和效率且豐富入門檻了交互對象資料來源：維基百科，中銀證券整理在輸入環節，傳統的人機交互模式要求用戶使用多種設備向計算機輸入可識別的指令，而這些指令對于

68、用戶的操作水平、知識儲備等提出了較高的要求。然而，通過大語言模型加持，用戶可使用以語音為代表的自然語言進行多輪交互，易于捕捉用戶意圖，降低輸入門檻的同時，語音和文字輸入的便利性大福擴充了輸入場景。在信息處理環節，大型模型的自然語言理解和推理能力將輸入的自然語言轉化為各種機器可識別的信息，大大提升了交互體驗和效率，同時豐富了交互對象。在以人工智能為操作中樞的平臺上，復雜的自然語言指令還可以被拆分為多個子指令，并行控制多個設備對象。傳統單向人機交互僅包括以上兩部分，這種交互方式要求人類更加明確和清晰地表達需求，國為機器不能主動了解人類的意圖或需求。因此，傳統單向人機交互主要依賴按鈕等精確且指今簡單

69、的操控方式。然而，雙向人機交互模式則有望結合物聯網打造高度整合的控制中框。以智能家居為例，AI大模型有能力更好地理解用戶的需求，提供更為智能、自然和人性化的控制和服務，從而顯著提升用戶體驗。在未未，隨著AI技術的不斷發展，雙向人機交互的方式將越來越普及，進一步改善人機交互體驗。圖表37.ChatGPT交互模型轉化傳統單向物聯網控制各類輸人界面可識讀指令機器交互模式中框自然語言大結合大語言自然語言可識讀指令機器模型控制中“模型春極資料來源：中銀證券整理大模型在輸出環節的變革主要體現在內容質量上。傳統交互模式的輸出環節在大語言模型加持下有能力對內容進行再整合并以合適形式呈現，輸出內容將更貼合用戶需

70、求，此外大模型的可塑性也使得千人千面的輸出形式和個性化的交互體驗成為可能。#page#傳統的人機交互模式需要用戶根據計算機輸出結果來判斷是否滿足預期，如果不符合預期，用戶需要調整輸入并啟動新一輪的人機互動。以搜索引擎為例，傳統的搜索行為往往需要經歷長時間的判斷過程和多輪的互動。相比之下，大語言模型憑借其自然語言理解能力，顯著降低了人機互動的循環輪次。此外，大語言模型還能根據過往的反饋自我調整，持續提升交互效率。因此，相比傳統模式，大語言模型可以顯著提高交互效率、準確性和用戶滿意度。完整的人機交互模式在與計算機交互的領域已有充分的應用，而大語言模型及其他工具有望重構目前的交互模式。目前ChatG

71、PT插件系統上線后，用戶已可以通過插件功能實現多種工具使用、聯網查詢等能力，目前已支持的第三方插件有餐廳推薦、旅行計劃、購物、AI語言老師、網上店鋪，以及學術界知識應用Wolfram、應用庫等5000多個應用，覆益人們的衣食住行、工作學習。圖表38.ChatGPT插件功能本中銀證券目前，以OpenAI旗下的GPT為代表的大型語言模型已經在搜索引等、辦公軟件等領域得到了初步的應用。例如，微軟推出的基于GPT-4模型的搜索引攀NcwBing，能夠提供準確實時的搜索結果并給出鏈接，同時還支持聊天、畫圖、編程等功能。相比傳統搜索引學，NewBing支持自然語言輸入省去了用戶選取關鍵詞的過程，也基本拋去

72、了用戶篩選結果的環節。此外，NewBing還具備出默感，可進行定制化的交互，顯著提升用戶體驗。圖表39.NewBing的編程能力圖表40.NewBing的繪畫能力資料來源：CSDN資訊，中銀證券資料來源：CSDN責訊，中銀證券大語言模型在辦公領域的應用可以顯著提升辦公效率，優化工作流的各個環節，并降低人力和溝通成本。大語言模型具有全面而優質的自然語言處理能力，可以更準確、更流暢地處理和生成文本。當任務的復雜性達到足夠的閥值時，其優勢尤為明顯。我們預計在未來，大語言模型將能夠有效地幫助各個工作環節釋放創造力、提高生產力，并升級各種技能。#page#圖表41.365Copilot應用Word可以基

73、于用戶己有資料起草、編輯、總結創作文檔Exeel可自動總結Excel內容、生成公式、給出分析并畫圖表PPT可一鍵生成ppt，并可以一鍵生成動畫效果。yoopno輔助閱讀長郵件并快速生成回復。Teams可以自動總結會議紀要，并回答用戶滿聽的內容。BusinessChat智能輔助團隊協作。帶來的全新技術將完全革新辦公體驗，大幅提升效率，改善人們生產生活的方式。資料來源：搜擬新閉，中銀證券基于GPT-4的實驗性應用程序AutO-GPT為AI自動實現復雜命令提供了可能性。在AutO-GPT的架構下，GPT系列扮演著思考、推理和決策的“大腦中柜”角色，各類AI工具則各司其職，協同工作。在獲得最新信息、檢

74、索知識庫、代表用戶執行操作等外部條件的支持下，用戶僅需制定目標并提供少量人工千預AuO-GPT便能以目標為導向，自主制定并執行一系列復雜任務，如自主編碼和調試、自動開發并管理各種業務項目、制作網頁等。此外，Auto-GPT還具備自主選代、內存管理等功能。盡管Auto-GPT仍然存在成本高昂、問題分解不充分、無法區分開發與生產、陷入死循環等問題，但其引入了生成智能體（Agent）委派任務的概念，進一步展示了AI的潛力，并解鎖了新的使用場景。圖表43.AutO-GPT的評價及缺陷圖表42.Auto-GPT68808mAUTO GPT資料來源：熱點新聞，中銀證券資料來源：CSDN資訊，中銀證券內容生

75、產效率提升，創新的內容形態正在醒釀AIGC在內容行業帶來的變革主要體現在兩個方面：1）降低生產成本，提升創意實現效率；2）新的人機交互形式帶來全新的內容體驗，提高內容付費上限。在降本增效方面，傳統的內容生產需要經歷書寫、口述、繪畫、拍攝、編程等復雜的過程才能生成對應的內容。而AIGC則只需要輸入一些提示信息，就可以在短時間內生成大量的內容，用戶只需要對生成的作品進行評估和調整即可。這顯著提高了內容生產的效率，并降低了生產成本和門檻，同時也有助于激發新的創意。此外，低成本的各種內容形式，如圖片、視頻等，也將大幅降低用戶間的溝通成本。另外，大語言模型等AI技術結合新的交互形式，將為創作帶來全新的可

76、能性。通過AI技術的幫助，內容生產者可以更快速地學握新的知識和技能，從而不斷開拓新的創作題材。同時，AIGC生成的內容也可以為創作提供新的靈感和素材。這種新的創作方式，將為內容生產者帶來更廣闊的發展空間，也將推動內容生產的創新發展。#page#圖表44.AIGC與傳統內容生產對比書寫口速創意作品繪畫拍攝編程替代AIGC創意IV作品進一步激發資料來源：中銀證養整理隨著內容消費量不斷增加，消費者對內容質量的要求也越來越高，同時內容生成呈現出個性化和開放化的趨勢，因此降低內容生產門檻和提高生產效率成為了行業的迫切需求。AIGC正符合內容消費的這一發展超勢，預計未來將廣泛應用于各種內容生產場景，為廣大

77、內容生產者提供支持，并有望成為未來互聯網內容生產的基礎設施。圖表45.AIGC助力內容生產落地行業降本增效方面新題材方面研發端：AI原畫、AI配音、AI建模、AI動實時內容生成（劇情、場景等）、AINPC帶來捕降低交流和制作成本強互動性帶來廣泛玩法創新游戲素材、策劃案等PUGC：特效、場景、漳染以及文字內容等方面產出效率提升，海量低成本內容激發創PUGC:IP內容變現形式更廣闊視頻/文學等泛娛作靈感樂行業UGC：門檻進一步降低，內容質量與數量大UGC：內容載體進一步泛化提升教育數據整理、匯總與分析，多語言學習成互動學習、個性化學習、文獻總結等新的教育教育本降低，知識庫儲備與檢索效率提升等教學形

78、態電商/營銷智能客服等資料未源：人工書能教育研究聯盟，鏡像娛樂，中銀證券整理以下是不同行業領域通過AIGC技術提升生產效率，并觸發新內容形式誕生的具體場景。美術領域：為圖像創作提供可視化工具。在一些重復性高、技術性強的美術任務上，如圖像編輯、設計等，AIGC的輔助可以大大提高效率。AIGC可以通過圖像識別、圖像生成等技術，輔助美術師進行圖像處理、圖像合成和圖像創作等任務。此外，AIGC還可以根據輸入的樣式和風格，為藝術家提供靈感和創意。在AI與人工配合下，角色創意、場景概念、營銷素材等高耗時環節的生產效率未來有望被大幅提升。未來隨著復雜計算機視覺算法和深度學習技術不斷發展和優化，圖層分割若能夠

79、實現，將為圖像處理領域帶來更多的可能性和創新。圖像的圖層可以包含不同的元素，例如文字、背景、前景、特效等，通過將圖像分解成多個圖層，可以對每個圖層進行單獨的編輯、修改和控制，而不影響其他圖層。另外也有利于圖像的合成、組合、痘染。通過將圖像分解成多個圖層，可以將不同的元素進行組合和合成，創造出更加復雜和豐富的圖像效果，同時也可以讓設計師更好地控制圖像的層次感和視覺效果。#page#圖表46.AIGC現有美術應用百度文心一言站酷夢筆國內萬興愛畫選夢日記愛作畫AIGC現有美術應用Midioureyabledif國外PlayroandAIConolNet資料來源：35Kr，建模、動捕領域：AIGC通過

80、圖像處理技術可以識別現有的三維模型，并自動生成類似的模型。它能夠學習大量的三維模型，提取它們的特征和規律，建立帶有標記的3D模型資產數據庫和有效的3D數據，并生成新的三維模型。此外，AIGC還可以利用深度學習技術生成高質量的紋理、光照和材質，從而使生成的模型更加通真。目前，英偉達已經參投了Nerf領域的獨角獸Luma，同時也推出了文本提示轉3D模型技術Magic3D。Unity、Unreal、Cocos、LayaAir、松應科技等國內外廠商也已開始探索并應用AIGC。圖表47.NVIDIAResearch的AI模型配音行業：相對于傳統的人工配音，AI配音具有更高的效率、更低的成本和更好的普適性

81、。AI配音可以完美地模擬各種語音和情感，實現自然流暢的語音輸出，為用戶帶來更好的音頻體驗，在市場上受到廣泛好評。AI配音主要有聲音克隆、聲音合成和音色轉換三種應用方向。據Market.us的統計，2022年全球AI語音生成市場規模約為12.1億美元，預計到2032年，該數據將增長至48.89億美元，年復合增長率為15.4%。#page#圖表48.AI語音應用方向及案例圖表49.AI語音生成未來市場規模全球AI語音生成市場時空中的繪人葉理配合聲音克隆未定事件落要容配音賣視九務首部AI配音紀錄片?？拼笥嶏w雨水節氣經片AI語音落南音合成羊城晚報合成主福地形式來哈游虛擬主播鹿鳴音色轉換視頻網站配音視頻

82、市場增長復合增長率為：15.40%預計2023年市場規樓（USD）：4.889M資料來源：資料未源：游戲茶館，中銀證養游戲茶館，中銀證券編程領域：AIGC可以通過分析代碼、識別模式和預測行為未輔助編寫代碼。使用者可以直接使用自然語言來獲取所需的代碼。借助AIGC，代碼編寫過程可以更加快速、準確，同時大大減少代碼錯誤和bug的出現。此外，AIGC還能夠提供自動化的重構和重寫建議、智能代碼補全、自動生成文檔和代碼注釋等功能，以優化代碼的質量和可讀性。圖表50.ChatGPT的編程能力圖表51.國內aixcoderXL智能編程大模型用百度首頁olca）資料來源：CSDN，中銀證券資料來源：lfoQ，

83、中銀證券文本、數據分析與總結：大語言模型可以以高效且準確的方式對復雜的文本數據進行識別、抽取、匹配和處理，其效率遠高于人工分析。該技術有助于提高數據分析的效率，進一步挖掘數據的價值。已有一些海內外研究機構和個人開始利用NewBing、ResearchGP等工具進行文獻閱讀、關鍵信息提取、生成摘要和信息檢索等任務，但這些產品目前仍處于測試階段，暫時無法實現圖像識別，同時在理解和翻譯專業術語和公式方面可能存在一定的不準確性。#page#圖表52.使用NewBing總結文獻圖表53.ResearchGPT資料來源：CSDN資訊，中銀證券資料來源：CSDN資訊，中銀證券#page#AIGC產業鏈和推薦

84、關注標的AIGC產業鏈包括上游、中游和下游三個部分，上游企業為中游企業提供基礎設施和硬件支持，中游企業將其技術和服務提供給下游用戶，形成了AIGC產業鏈的完整生態系統。圖表54.AIGC產業鏈圖譜及代表企業產業鏈圖譜代表企業硬件路鎖堂通信設備Cnte游NVIDIA芯片超算中心存儲設備AI算法及軟件開發商數據中心GoogleOMetaMicrosoft游Bai百度Tencent騰訊CEE云計算服務提供商大數據分析公司BlueFocuS內容終端生產廠商第三方內容服務機構下藍色光標游Kalent內容創作及分發平臺消貨品廠商董子位，中銀證參資料來源。上游企業：AI模型訓練需要龐大的算力支持，這種需求的

85、增長速度甚至超過了摩爾定律。OpenAI的數據顯示，從2012年到2020年，人工智能模型訓練消耗的算力增長了30萬倍，平均每3至4個月翻一番，這超過了厚爾定律每18個月翻番的速度在實際應用中，AI計算主要依賴于GPU、FPGA、ASIC等芯片的加速計算平臺為其提供訓練和推理。GPU因其性能高、通用性好是AI服務器首選加速方案，而ASIC缺點是靈活性不夠，FPGA缺點則在于開發難度大、價格高AI計算分為訓練和推斷兩個層面。在訓練AI模型方面，英偉達是市場上絕對的領先者；但傳統的英特爾CPU仍然承擔著大部分推理任務，AI芯片也在積極占據市場份額。除芯片外，液冷系統、傳感器、存儲設備、通信設備、超

86、算中心等都是AI產業上游非常重要的子領域。#page#圖表55.AIGC上游相關標的公司代碼AIGC相關業務領域全球首款GPU的發布者，根據JPR數據，2203在PC端獨立GPU市場占有率維持在80%左右，近乎差斷。2023年3月英偉達發布帶有雙GPUNVLink的H100NVL基于H100芯片，英偉達構建了最新的DGX英偉達NVDAO超級計算機，搭載8個H100GPU，使它們連接成為一個巨大的GPU，為AI基礎設施的構建提供“藍圖”目前全新的DGX超級計算機已經全面投產。2204全球GPU市場的占有率大概在71%:2022發布了兩款云端AI專英特爾INTC.O用芯片HabanaGaudi2和

87、Greco，分別用于AI訓練和AI推理芯片景嘉微300474.SZ研制成功JM5系列等具有自主知識產權的高性能GPU芯片寒武紀688256.SH研發出思元290/270/370系列云濱訓練和推理芯片瑞芯微603893.SHRK3588等視覺AI百度9888HK自主研發了云端AI通用芯片“昆侖”阿里巴巴旗下半導體公司：含光800AI芯片，為阿里云提供AI計算能未上市平頭哥力異騰系列AI芯片，撞長邊緣計算，可為自動駕駛、智能制造、機器人華為海思未上市等應用場景提供完整的AI解決方案。申蒙環境301018.SZ向華為、字節等互聯網大廠和服務器廠商供應液冷產品面向敏據中心提供液冷全鏈條解決方案，負責阿

88、里、教據港等大型數據歐陸通300870.SZ液冷中心液冷溫控項目英維克002837.SZ提供服務器液冷充電模塊，均可實現超充2022年阿里云推出“飛天智算平臺”，并啟動位于張北和鳥蘭察布的兩阿里巴巴9988.HK座超級智算中心，成為全球最大規模智算平臺，專門面向人工智能應用2022年9月騰訊長三角人工智能先進計算中心基本完工，承擔各類人騰訊控股0700.HK工智能、即時通信、圖像處理、科學計算等任務，以強大的數據處理能力為全社會提供云計算服務2015年在山西陽泉建設了云計算中心；2019年在保定自建了兩個超大百度9888.HK型云計算中心順網雪是公司打造的邊緣云服務平臺，面向各行業合作伙伴，提

89、供領先的邊練云計算產品服務及多場景的行業解決方案。公司基于邊緣計算網順網科技300113.SZ絡資源及技術方面優勢，以及在AI領域較強的技術儲備，可為公司擁有IDC、CDN、VPN、ISP等多個服務牌照，已建設相應的大數算力據云計算及云存儲服務平臺。該平臺以GPU算力為核心，具有高算力、低延時、穩定可靠等特點，當前為公司云游戲業務提供了技術競爭力。盛天網絡300494.SZ公司GPU云可以根據業務需求靈活調度算力資源，未來可以廣泛用于支持AI元字宙等各類應用和內容的高算力需求。2022年11月公司與Rokid簽署XR合作協議，打造“元宇宙接入點”。公司深度參與投資的上海松江的騰訊長三角人工智能

90、先進計算中心及生態產業園區項目規劃40000個機柜。深圳數據中心項目計劃經營機柜數量約12000個，該數據中心一期項目已經結構封頂，目前處于機電實世紀華通002602.SZ裝和第三方測試階段，公司正在加快項目進度以盡快投入使用，項目二期正在規劃設計中，預計年內開工。以上兩地區的大數據、人工智能和智能制造等以數據為核心生產要素的產業將迎來快速發展，勢必產生大量實時數據算力和數據存儲需求，將有利于該業務的長足發展。資料來源：公司富網，報資者平臺問答，新浪財經，雪球，中銀證券整理中游企業：人工智能產業中游企業主要提供AI算法、應用開發工具平臺和解決方案等，讓下游用戶能夠更加輕松地開發、部署和管理人工

91、智能應用。這些企業主要包括AI算法和軟件的開發商、數據中心和云計算服務提供商、大數據分析公司、區塊鏈技術服務商等。例如，亞馬遜AWS、谷歌云微軟Azure等云計算服務提供商，以及IBM、百度、騰訊、阿里巴巴、華為等公司都是中游企業。#page#page#續圖表56.AIGC產業鏈中游相關標的公司AIGC相關業務領域代碼積累，正式推出產業版ChatGPT：ChaUD。包含一個平臺、兩個京東集團9618.HK領城、五個應用：1個平臺是指ChatD智能人機對話平臺，2個領域分別為零售、全融；5個應用包念內容生成、人機對話、用戶意圖理解、信息抽取、情感分類。具備語音識別、語音合成等相關技術：已面向認知

92、智能領域陸續科大訊飛002230.SZ開源了6大類、超過40個通用領城的系列中文預訓練語言模型，成為業界最廣泛流行的中文預訓練模型之開發了“智語”自然語言處理引零，面向智慧專利、智慧公實、智拓爾思300229.SZ慧政務、智慧金融、開源情報分析等應用場景垂直AI應用公司國繞智慈社區和智慧醫院等垂直的AI應用領域，主營接字對講、智能家居及醫護對講等智能設備的研發設計、生產制造和軟耐克300884.SZ銷售，同時產品覆蓋新風系統、智慧通行、智能門鎖等智慧社區相關應用領域。公司自2016年布局人工智能業務，專注于自然語言處理（NLP）及大數據技術等的融合應用，面向公安、政府、金融等垂直行業提供人工智

93、能及大數據解決方案，形成智慧政企、智慧金融、智慧神州泰岳300494.SZ園區三條核心業務線。公司收入74%來自于子公司殼木游戲，殼木長期位列中國游戲廠商出海收入榜TOPI0，深耕海外市場，拉長SLG品類。我國領先的AI訓練數據專業提供商，為AI產業鏈上的各類機構海天瑞聲688787.SH提供AI算法模型開發訓練所需的專業數據集數據要素每日互動是專業的數據智能服務商，為互聯網運營、品牌管銷、每日互動300766.SZ金融風控等各行業客戶以及政府部門提供數據產品、服務與解決方案。浙江大數據交易中心是目前省內唯一一家經省政府批準設立的數據交易場所，公司目前持有其48.2%股權。2022年，浙江大數

94、據交易中心以數據要素市場化改革為抓手，助力形成浙江省數據交易服務平臺的建設規劃。另外，公司旗下傳播大腦于2023年3浙數文化600633.SH月28日分別與阿里、百度簽訂合作書，將與阿里達摩院、阿里云、釘釘在原有合作基礎之上在進一步深化技術和應用場景等方面的合作。公司旗下杭州城市大腦有限公司積極探索機器學習、NLP、LSTM、知識圖譜等技術及在“一網統管”智慧城市建設、大數據趨勢預測、智能客服體系建設等社會治理方面的應用。資料來源下游企業：下游企業是使用人工智能生成內容技術的終端企業，它們涵蓋了娛樂文化、廣告營銷、教育、金融等不同領域。這些企業通過中游企業提供的AIGC服務，能夠實現自身業務的

95、智能化升級和效率提升。例如，在娛樂文化領域，使用AIGC技術可以生成音樂、電影、游戲等內容，提高創作效率和質量；在廣告營銷領域，使用AIGC技術可以實現個性化推薦、精準定位等功能，提高廣告效果；在教育領域，使用AIGC技術可以提供智能化的在線教育解決方案，實現個性化學習等。#page#page#續圖表57.AIGC產業鏈下游應用相關標的（1）應用類別AIGC相關業務公司代碼像等：2）操稿機器人“妙筆”是公司2018年推出的14款智能管銷產品藍色光標300058.SZ之一，目前是公司的參股公司：3）智能營銷助手銷博特（XiaoBote），自動生成營銷策劃草案。公司實現了多項前沿技術的商業化應用測

96、試，主要包括：視頻人臉融合、多圖視頻生成、文本+綠養生成多語種視頻、單文本生成數字人多語種視頻等。還與阿里達摩院、華為人工智能團隊、aws云、800gle廣易點天下301171.SZ告算法團隊等合作，在AIGC，GPT生成模型，視頻理解，智能剪輯，中。公司自主研發了智能創意平臺“因賽引學INSIGHTengine”，用于1）平面廣告智能生成，與2）社交媒體用戶裂變營銷兩大智能解決方案，正AIGC+廣告因賽集團300781.SZ在研發應用ChatGPT等相關的技術，持續開發自然語言處理等方面的營銷應用，與圖像和視頻AIGC技術協同，提升品牌的內容營銷的質量和效率。公司有多個為下游客戶定制的虛擬人

97、管銷IP：自主研發并辯化“君若錦”、“蘭Lan”兩位虛擬形象；為東風風光mimi定制的虛擬人“可甜“已交付使用：“宮致潤”與汽車之家完成簽約，擔任“汽車之家特邀AI體驗600986.SH浙文互聯官”；長安汽車的“宮橙詩交付完成。公司旗下來塔數字藝術作為元宇宙藝術創作社區，已開啟AIGC模式，支持AI繪畫和手動繪畫兩種模式，打開AI繪畫即可使用AI進行繪制。2023年4月公司推出了AIGC應用“靈動島”，與其主業相關的紅人廣告對接平臺：WEIQ平臺連接，幫助紅人快速生成廣告文案創意：虛擬600556.SH社交內容平臺“紅宇宙”2022年開放了元字宙商業街區MeaPlaza”和品天下秀牌沙金空間“

98、未來島”；2023年公司與新華社媒體中心合作發布文旅數字化云平臺“云游中國”。依托MetaSurfing-元享智能云平臺，元境科技虛擬數字人已經接入天娛數科002354.SZChaGPT等模型，并已在TikTok跨境電商直播、虛擬主播直播互動等場景實現應用，并形成產品化解決方案。公司在跨境電商板塊和SaaS吉喵云的主要業務模塊里均有使用AIGCAIGC+電商吉宏股份002803.SZ技術，利用人工智能技術來生成內容，如智能素材、智能廣告、智能投放、智能客服等。接入百度“文心一言”，AIGC目前主要應用在兩個方向：1）消費輔助值得買300785.SZ決策，消費者輸入關鍵詞，給出相應的產品和優惠推

99、薦：2）幫助PGC團隊編輯、內容審核等，降低人工成本#page#圖表58.AIGC產業鏈下游應用相關標的（2）應用類別公司AIGC相關業務代碼網易逆水寒手游將實裝國內首個游戲版ChatOPT，讓智能NPC能網易9999.HK和玩家自由生成對話，并基于對話內容，自主給出有邏輯的行為反饋。這是國內類ChatGPT首次應用在游戲。騰訊AILab在2023游戲開發者大會上發布了自研的3D游戲場景自動騰訊0700.HK生成解決方案。據介紹，該方案通過AIGC技術，幫助開發者在極短的時間內打造出高擬真、多樣化的虛擬城市場景，大幅提升游戲開發效率。公司已經將AI技術運用到了智能NPC、場景建模、劇情、繪圖等

100、領域。例如，夢幻新珠仙采用智能NPC與IK技術，使得NPC具有豐富的微表情，為玩家提供真實自然的交互體驗；公司在研的仙快題材完美世界002624.SZMMORPG端游課仙世界創新運用了全天候天氣智能AI演算技術公司已經擁有比較完善的AI智能投放系統，可以實現快速批量投放以及自動化投放，通過大數據分析以及AI算法提升游戲廣告推廣效率以及買量效票。另外，公司在早期投資VR/AR內容的基礎上不斷延伸，三七互娛002555.SZ投資了涵蓋算力、光學、顯示、XR終端、XR內容、云游戲、空間計算、人機交互在內的優質科技企業，持續關注含人工智能、痘染引學、交互傳感等方面在內的新一代科技技術前沿方向。AIGC

101、作為工具，能夠幫助生成資源，也可以根據線稿或一些早期的資吉比特603444.SH屬性非常適合吉比特“小步快跑”的項目研發形式，公司有望從中受益，更快、更多推出新游戲。子公司上海愷英軟件技術有限公司與復旦大學簽署軟件定制開發協AIGC+游戲議，雙方將共同探索將AIGC技術運用到游戲產品AINPC研發中，愷英網絡002517.SZ打造互聯網游戲產品更加精確和遙真的人工智能處理，從而提高游戲產品體驗。通過開發對AIGC與AINPC進行結合，助力愷英網絡實現首個搭建AIGC及AINPC技術的斗羅大陸IP手游。目前公司已在部分在研游戲的研發過程中應用AI圖片生成及AI對戰博奔等AI技術：野變人大作戰2已

102、接入網易伏表的AI對戰機器人，電魂網絡603258.SH有望進一步提升游戲體驗。夢三國2入選2023年亞運會電競比賽項目。公司接入百度“文心一官”，成為首批生態合作伙伴，可優先內測體驗文心一言，與百度在游戲產品研發、標準制定等多個領域展開深度探索與巨人網絡002558.SZ中。公司旗下智明星通作為游戲出海先驅，2022年初已布局ChatGPT和AIGC，賦能程序開發、劇情策劃、客服、美術素材等，降本增效，提中文傳媒600373.SH升游戲體驗。公司投資并戰略合作的新華智云（特股6%），深度布局AIGC、大數據、數字人、元字宙，可智能生產短視頻、智能寫稿、編輯、內容監管。牽頭建立機器生產內容自動

103、化分級因體標準。2023年將用AI賦能游戲業務：打造廣告智能投放平臺，提升投放效率和廣告優化能力：搭建基于ChatGPT的翻譯系統，提升翻譯效率，節寶通科技300031.SZ約成本；搭建基于stablediffusion框架的AIGC繪畫系統，來提升美術出圖速度，增加廣告創意數量，提升獲客質量。在游戲研發過程中，公司已在美術創意產生、美術制作、代碼輔助生成掌趣科技300315.SZ及校驗等方面使用AIGC技術工具。資料來源：公司宮網，投資者平臺問答，中銀證券整理#page#圖表59.AIGC產業鏈下游應用相關標的（3）應用類別公司AIGC相關業務代碼公司已全面接入文心一言，充分利用AIGC技術

104、提升影視行業全管線效率，包括影視劇本創作、AI換臉及換聲、場景及分鏡制作、數字人模擬虛擬角色、預告片剪輯、特效處理、AI海報制作等。另外，華策影視擁有中國最大影視原創版權庫和影視素材庫，版權數量合計約3華筑影視300133.SZ萬小時。在2023年經營計劃中，華策影視將以“文本+AP應用為重點突破方向，尋求與外部合作方合作開發適用于創意策劃階段的AI應用，縮短項目開發周期：在“視頻+AI領域提前布局，充分發揮華策元祝界優質正版版權優勢、素材優勢，務實布局渠道流量入口和消費場景，放大IP價值，探索內容多元變現。2023年3月19日，光線董事長在內部信中介紹，目前光線除了參與百度“文心一言”的測試

105、，嘗試在影視細分領域參與AI的開發和應用光線傳媒300251.SZ之外，公司海外動畫制作團隊也已經在摸索ChalGPT在業務上的應用，今后視需要有可能強化海外因隊以與海外領先軟件對接。愛奇藝將全面接入百度“文心一言”，起探索AIGC在長祝頻行業的應愛奇藝1Q.0用場景，例如提高內容生產效率、內容分發和推廣等。AIGC+影視誤樂與小冰公司日本分部（rinna）、WITSTUDIO共同創作了夫與少年，NetlixNFLX.O這是首支由AIGC技術輔助完成的發行級別商業化動畫片。公司自主研發了數字人人臉/人體模型資產的Luatage光場建模系統、高連高精度的三維定位跟蹤測量能力的FZmotion光學

106、運動捕提系統，將建模制作周期從數月提速至數天；借助預訓練模型和知識圖凌云光688400.SH諾等AIGC技術，在驅動環節實現了語音和動畫的純智能驅動生成，使語音和動作生成不再受限于場景、時間的局限，典型應用如冬奧、世界杯手語數字人等。公司參股公司世優科技（持股比例24.38%）是一家虛擬技術提供商，提供實時數字人平臺、虛擬演播室、人工智能大數據等一系列解決方案及產品，支持廣電媒體、直播短視頻中的虛擬主播及虛擬場景、影捷成股份300182.SZ視動畫虛擬內容制作、VR/AR以及元宇宙內容制作等多個場景。截至2022年9月，世優科技已為客戶制作了600余個虛擬IP。其中，數字人“阿央”已經接入世優

107、科技目前正在開發的ChatGPT微信小程序。世優數字人元宇宙。資料來源：公司官網，投資者平臺問答，中銀證券簽理#page#續圖表60.AIGC產業鏈下游應用相關標的（3）應用類別公司代碼AIGC相關業務公司目前持有北京光年無限科技有限公司5%股權。光年無限有自已的AI對話機器人產品-圖靈機器人開放平臺，4月6日發布首個兒童版奧飛娛樂002292.SZChatGPT產品，代號“智娃”，首先在兒童平板硬件商用落地。奧飛娛樂擁有大量動漫IP內容，與圖靈機器人進行內容合作。公司2017年收購樂博樂博進入教育賽道，先后入主多家科技教育和AI人工智能頭部企業，包括面向教學機構研發與銷售機器人的中鳴數盛通股

108、份002599.SZ碼，提供青少年編程能力等級測評考試服務的中少童創，戰略投資線上編程VIPCODE等。成立盛通教育集團，業務涵蓋青少年編程培訓與測評、機器人編程教育銷售、以及編程教育校園服務等領域目前公司產品主要劃分為智慈招考和智慧教育兩大板塊，依托AI人工AIGC+教育智能、機器視覺和大數據分析等先進技術助力教育和教育管理質量和佳發教育300559.SZ效率提升。智慧招考業務服務已覆蓋國家教育部、人社部大部分考試類型。公司是廣東省地方國企，擁有當地中小學教材教輔的出版與發行權。公司基于自身的教材教輔資源優勢，積極布局AI+教育領域：1）公司旗下的粵教“AI聽說”是一個AH語言學習平臺，主要

109、面向中小學生日南方傳媒601900.SH常語言學習（英語&語文）所需“聽、讀、背、跌”的融合出版產品，配有小程序、APP、PC端。2）花城藝測：AI+音樂教育平臺。該產品是由公司旗下的花城出版社打造，創新運用大數據、AI等技術所開發的中小學藝術素質測評與學習平臺。公司具備在兒童自然語言處理方面的獨特優勢，目前已應用于公司AI恒信東方300081.SZ合家歡平臺“斯泰同學”三維數字內容生產的AIGC化方向也是公司的長期研發方向之一。味轉好望第一當樣OO橡科技有限公司進行了投資，對作文批改、精準教學、人工智能NIP世紀天鴻300654.SZ等領線進行了布局。另外，公司將利用已有的教輔產品用戶和聚焦校內使用場景的優勢與人工智能前沿技術結合。公司布局AI產業多年，在神經網絡翻譯、計算機視覺、智能語音AI技術、高性能計算等方面具備核心技術，注重技術在教育和翻譯等場有道DAO.0景中的商業化落地。目前已在AID語老師、中文作文批改等細分學習場景中嘗試應用。資料來源：公司官網，投資者平臺問答，中銀證養整理#page#