《AIGC行業全景篇：算力、模型與應用的創新融合-241108（38頁）.pdf》由會員分享，可在線閱讀，更多相關《AIGC行業全景篇：算力、模型與應用的創新融合-241108（38頁）.pdf（38頁珍藏版）》請在三個皮匠報告上搜索。

1、Table_Yemei0行業研究深度報告2024 年 11 月 8 日Table_Title1AIGC 行業全景篇算力、模型與應用的創新融合 人工智能的發展歷程與人工智能的發展歷程與 AIGCAIGC 的市場機遇的市場機遇。人工智能的發展經歷了三次浪潮，從最初的邏輯推理和專家系統，到機器學習和深度學習，人工智能技術不斷演進。AIGC 利用生成式 AI 技術，創造出多樣化的內容，展示出巨大的商業潛力。AIGC 產業鏈可劃分為基礎層、模型層和應用層。預計到 2030 年，AIGC 市場規模將增至 9810 億美元，推動全球經濟增長 4.9 萬億美元，累計產生的經濟影響達到19.9 萬億美元?；A層

2、基礎層:AIGC:AIGC 的快速發展推動算力需求激增，算力存儲網絡成為投資的主賽的快速發展推動算力需求激增，算力存儲網絡成為投資的主賽道。道。隨著 AIGC 技術的快速發展，特別是基于 Transformer 的大模型對算力需求急劇增加，全球互聯網巨頭紛紛加大對 AIGC 基礎設施的投資，以推動創新和保持競爭優勢。GPU 系統、HBM 存儲和高性能網絡基礎設施在 AIGC 計算中發揮著關鍵作用，滿足了對高速并行計算的需求，成為硬件基礎設施投資的主賽道。模型層：算法進步、性能成本優化與商業模式多元化的融合模型層：算法進步、性能成本優化與商業模式多元化的融合。AIGC 技術的進步得益于生成算法、

3、預訓練模型和多模態技術的創新。在大語言模型的競爭中，性能和成本是兩個核心要素，性能的提升和成本的降低使得 AIGC 的應用更加廣泛。AIGC 公司通過訂閱服務、API 接入等多元化商業模式來拓展收入渠道，從而增強自身的市場競爭力。隨著企業逐漸認識到 AIGC 技術的潛力，預計 B2B 服務將在整體 AIGC 市場中占據主導地位。全球大語言模型市場將顯著增長，OpenAI 憑借 ChatGPT 的成功在市場上處于領先地位，而科技巨頭如微軟、亞馬遜和谷歌也正通過技術創新和產品整合來追趕。應用層：技術創新應用推動市場發展和行業變革應用層：技術創新應用推動市場發展和行業變革。AIGC 技術正推動 To

4、C 和 ToB領域的創新與多元化應用，覆蓋 Chatbot、社交、游戲和內容創作等多個場景，并在企業層面提供提高效率、降低成本的解決方案。在電子設備領域，AIGC 技術引發革新，特別是在智能手機、汽車和人形機器人的智能化創新中表現突出。各類 AIGC 應用爆發式增長，其中 AI 廣告市場份額最大,藥物研發、網絡安全和 IT服務市場增速最快。業務建議業務建議。隨著市場需求的不斷增長，AIGC 應用有望在多個行業實現突破，帶來長遠的發展機會，建議重點關注 AIGC 應用的長期機會。（本部分有刪減，招商銀行各行部請參照文末聯系方式聯系研究院）風險提示風險提示。（1）倫理道德的風險。（2）技術缺陷的風

5、險。（3）監管與法律的風險。（4）商業化不確定的風險。（5）市場競爭加劇的風險。（6）宏觀經濟波動的風險。Table_Author1胡國棟胡國棟招商銀行研究院招商銀行研究院行業行業研究員研究員：0755-83169269：相關研究報告相關研究報告敬請參閱尾頁之免責聲明行業研究深度報告1/3目 錄1人工智能的發展歷程與人工智能的發展歷程與 AIGC 的市場機遇的市場機遇.11.1 人工智能產業發展歷程，從圖靈測試到生成式人工智能產業發展歷程，從圖靈測試到生成式 AI 的演進的演進.11.2 生成式生成式 AI 技術推動內容創作的變革與大語言模型的發展技術推動內容創作的變革與大語言模型的發展.31

6、.3 AIGC 產業鏈結構與未來市場增長展望產業鏈結構與未來市場增長展望.52 基礎層：大模型的技術發展推動算力需求激增，算力存儲網絡成為投資的主賽道基礎層：大模型的技術發展推動算力需求激增，算力存儲網絡成為投資的主賽道.72.1 AIGC 技術迅猛發展引發算力需求激增技術迅猛發展引發算力需求激增.72.2 互聯網巨頭加速互聯網巨頭加速 AIGC 投資，以推動創新和競爭投資，以推動創新和競爭.92.3 算力：算力：GPU 引領引領 AIGC 技術革新，市場需求持續增長技術革新，市場需求持續增長.102.4 存儲：存儲：HBM 憑借高帶寬和低延遲推動憑借高帶寬和低延遲推動 AIGC 計算計算.1

7、22.5 網絡：高性能網絡基礎設施推動網絡：高性能網絡基礎設施推動 AIGC 發展，高速率光模塊需求激增發展，高速率光模塊需求激增.153模型層：算法進步、性能成本優化與商業模式多元化的融合模型層：算法進步、性能成本優化與商業模式多元化的融合.183.1 生成算法、預訓練模型與多模態技術催生生成算法、預訓練模型與多模態技術催生 AIGC 的迅猛發展的迅猛發展.183.2 性能與成本：大語言模型競爭的核心驅動力性能與成本：大語言模型競爭的核心驅動力.213.3 AIGC 市場快速增長推動多元化商業模式與競爭格局演變市場快速增長推動多元化商業模式與競爭格局演變.234應用層：技術創新推動應用市場發

8、展和傳統行業變革應用層：技術創新推動應用市場發展和傳統行業變革.264.1 AIGC 技術加速技術加速 ToC 與與 ToB 領域的創新與多元化應用領域的創新與多元化應用.274.2 AIGC 技術驅動電子設備革新，大模型引領手機、汽車與機器人智能化創新技術驅動電子設備革新，大模型引領手機、汽車與機器人智能化創新.284.3 AIGC 應用市場正處于發展初期，競爭格局多元化且持續演變應用市場正處于發展初期，競爭格局多元化且持續演變.305業務建議與風險提示業務建議與風險提示.325.1 業務建議：優先關注產品成熟度高的細分領域和業務建議：優先關注產品成熟度高的細分領域和 AIGC 應用的長期機

9、會應用的長期機會.325.2 風險提示風險提示.32敬請參閱尾頁之免責聲明行業研究深度報告2/3圖目錄圖圖 1 1：人工智能發展歷史時間線：人工智能發展歷史時間線.1圖圖 2 2：人工智能技術發展經歷三次浪潮：人工智能技術發展經歷三次浪潮.2圖圖 3 3：人工智能技術路線關系圖：人工智能技術路線關系圖.2圖圖 4 4：AIGCAIGC 與大型與大型 AIAI 模型的關系模型的關系.3圖圖 5 5：大語言模型發展時間線：大語言模型發展時間線.4圖圖 6 6：AIGCAIGC 產業鏈生態體系產業鏈生態體系.5圖圖 7 7：2020-20322020-2032 年年 AIGCAIGC 市場規模市場規

10、模.6圖圖 8 8：2020-20322020-2032 年年 AIGCAIGC 硬件市場規模硬件市場規模.7圖圖 9 9：2020-20322020-2032 年年 AIGCAIGC 軟件市場規模軟件市場規模.7圖圖 1010：AIGCAIGC 大模型對算力需求持續快速增長大模型對算力需求持續快速增長.8圖圖 1111：海外互聯網巨頭資本支出飆升：海外互聯網巨頭資本支出飆升.9圖圖 1212：中國：中國 AIGCAIGC 市場資本支出預測市場資本支出預測.10圖圖 1313：全球：全球 AIGCAIGC GPUGPU 和和 ASICASIC 市場規模預測市場規模預測.12圖圖 1414：AI

11、GCAIGC GPUGPU 市場份額（市場份額（20232023 年）年）.12圖圖 1515：HBMHBM 3D3D 堆疊與堆疊與 GPUGPU 封裝架構封裝架構.13圖圖 1616：HBMHBM 技術路線圖技術路線圖.13圖圖 1717：存儲行業全球市場規模預測（：存儲行業全球市場規模預測（2023-20292023-2029）.14圖圖 1818：DRAMDRAM 全球市場份額（全球市場份額（20232023）.14圖圖 1919：HBMHBM 全球市場規模全球市場規模.15圖圖 2020：HBMHBM 全球市場份額（全球市場份額（20232023）.15圖圖 2121：AIGCAIGC

12、 發展推動數據中心向發展推動數據中心向 800G800G 以上速率發展以上速率發展.16圖圖 2222：全球光模塊市場預測：全球光模塊市場預測.17圖圖 2323：AIAI 集群光模塊市場預測集群光模塊市場預測.17圖圖 2424：預訓練模型：預訓練模型 BERTBERT 結構圖結構圖.20圖圖 2525：典型多模態大模型架構示意圖：典型多模態大模型架構示意圖.21圖圖 2626：大模型訓練性能不斷提升：大模型訓練性能不斷提升.22圖圖 2727：AIGCAIGC 訓練硬件成本趨勢訓練硬件成本趨勢.22圖圖 2828：AIGCAIGC 訓練軟件成本趨勢訓練軟件成本趨勢.22圖圖 2929：GP

13、TGPT APIAPI 推理成本快速下降推理成本快速下降.23圖圖 3030：AIGCAIGC 大模型長期潛在市場與收入結構預測大模型長期潛在市場與收入結構預測.25圖圖 3131：全球大語言模型市場規模預測：全球大語言模型市場規模預測.25圖圖 3232：中國大語言模型市場規模預測：中國大語言模型市場規模預測.25圖圖 3333：大語言模型市場份額（：大語言模型市場份額（20232023 年）年）.26圖圖 3434：AIGCAIGC 推動大模型與電子設備智能化升級推動大模型與電子設備智能化升級.29圖圖 3535：特斯拉：特斯拉 FSDFSD 自動駕駛路徑規劃自動駕駛路徑規劃.30敬請參閱

14、尾頁之免責聲明行業研究深度報告3/3圖圖 3636：20242024 年全球主流人形機器人年全球主流人形機器人.30圖圖 3737：2022-20322022-2032 年年 AIGCAIGC 應用市場規模應用市場規模.31圖圖 3838：AIGCAIGC 應用市場份額（應用市場份額（20232023 年）年）.32圖圖 3939：AIGCAIGC 產業鏈布局策略產業鏈布局策略.32表目錄表表 1 1：LLM 模型對模型對 GPU 算力需求持續提升算力需求持續提升.8表表 2 2：英偉達主流：英偉達主流 GPU 產品性能對比產品性能對比.10表表 3 3：英偉達：英偉達 GPUGPU 與光模塊

15、需求測算與光模塊需求測算.16表表 4 4：全球：全球 TOP10TOP10 光模塊廠商排名光模塊廠商排名.17表表 5 5：主流生成算法模型主流生成算法模型.19表表 6 6：常見的：常見的 AIGC 應用場景應用場景.27表表 7 7：全球：全球 AIGC 應用排名（應用排名（2024 年年 9 月）月）.28敬請參閱尾頁之免責聲明行業研究深度報告1/33AIGC 是一種基于生成式 AI 技術的新型內容創作方式。本篇報告圍繞 AIGC的發展歷程與市場機遇、算力基礎設施的發展趨勢、大模型算法與商業模式的融合以及 AIGC 應用市場的創新發展來分析 AIGC 產業鏈的相關機會，最后闡明商業銀行

16、在 AIGC 賽道的業務機會與風險。1人工智能的發展歷程與 AIGC 的市場機遇1.1 人工智能產業發展歷程，從圖靈測試到生成式 AI 的演進人工智能（Artificial Intelligence,AI）作為計算機科學的一個重要分支，旨在深入探討智能的本質，創造出能夠模擬人類思維與反應的智能機器。經過多年的不斷進化，人工智能如今已演變為一門涵蓋機器人技術、語言識別、圖像識別、自然語言處理及專家系統等多個研究領域的綜合性學科。人工智能的歷史可以追溯到 20 世紀 50 年代。1950 年，被譽為“人工智能之父”的艾倫圖靈（Alan Turing）提出了著名的圖靈測試，借助“問”與“答”的方式來

17、評估機器是否具備智能。1956 年，約翰麥卡錫（JohnMcCarthy）在達特茅斯會議上首次正式提出“人工智能”這一術語，這一時刻標志著人工智能作為一門獨立學科的誕生。圖圖 1 1：人工智能發展歷史時間線：人工智能發展歷史時間線資料來源：招商銀行研究院人工智能的發展歷程可以劃分為三次浪潮，從最初的邏輯推理和專家系統，人工智能的發展歷程可以劃分為三次浪潮，從最初的邏輯推理和專家系統，到機器學習和深度學習，人工智能技術不斷演進到機器學習和深度學習，人工智能技術不斷演進。第一次浪潮（1950s-1970s）期間，研究主要集中在利用符號邏輯和推理來模擬人類智能，然而由于對技術能力的期望過高與實際進展

18、之間的落差，到 70 年代中期，人工智能進入了“第一次 AI 之冬”。在第二次浪潮（1980s-2000s）期間，隨著計算能力的提升和知識表示技術的發展，專家系統在 80 年代興起，能夠模擬特定領域的專家決策能力。90 年代，機器學習這一分支迅速崛起，使計算機能夠從數據中敬請參閱尾頁之免責聲明行業研究深度報告2/33學習并不斷改進。第三次浪潮（2010s-至今）以來，現代人工智能技術廣泛應用，如卷積神經網絡（CNN）、遞歸神經網絡（RNN）和生成對抗網絡（GAN）等，特別是在自然語言處理（NLP）領域的突破，例如 BERT 和 GPT 系列模型，使得機器在理解和生成自然語言方面取得了顯著進展。

19、機器學習是人工智能的一個重要分支，使計算機系統能夠從數據中汲取知機器學習是人工智能的一個重要分支，使計算機系統能夠從數據中汲取知識，進而做出預測或決策。識，進而做出預測或決策。該領域涵蓋多個子領域，包括監督學習、無監督學習和強化學習等。監督學習通過利用帶標簽的訓練數據來訓練模型，使其能夠對未見過的數據進行標簽預測，常見算法有邏輯回歸、支持向量機（SVM）、決策樹和隨機森林、神經網絡等。無監督學習處理未標記的數據，旨在發現數據的內在結構或模式，常見的算法包括 K-均值聚類、層次聚類和主成分分析（PCA）等。強化學習通過與環境的交互學習如何采取行動，以實現長期獎勵最大化，常見算法包括 Q 學習、S

20、arsa 和深度 Q 網絡（DQN）等。機器學習的應用領域非常廣泛，涵蓋自然語言處理、計算機視覺、醫療健康、金融及推薦系統等多個領域。圖圖 2 2：人工智能技術發展經歷三次浪潮：人工智能技術發展經歷三次浪潮圖圖 3 3：人工智能技術路線關系圖：人工智能技術路線關系圖資料來源：infoDiagram、招商銀行研究院資料來源：CSDN、招商銀行研究院深度學習作為機器學習的一個重要分支，專注于利用深層神經網絡解決復深度學習作為機器學習的一個重要分支，專注于利用深層神經網絡解決復雜問題。雜問題。它受人腦生物神經網絡的啟發，構建了由許多簡單神經元組成的系統。每個神經元負責接收輸入信號，進行加權求和，并通

21、過激活函數生成輸出。深度學習通過多層次的神經網絡結構，能夠自動提取數據的深層次特征。常見的算法包括前饋神經網絡（FNNs）、卷積神經網絡（CNNs）、循環神經網絡（RNNs）以及 Transformer 等。深度學習的應用領域廣泛，涵蓋圖像識別、語音識別、自然語言處理、生成模型、游戲與強化學習等，已成為當今人工智能技術的核心驅動力。敬請參閱尾頁之免責聲明行業研究深度報告3/33生成式生成式 AIAI（GenerativeGenerative AIAI）作為深度學習的一個重要分支，是一種能夠）作為深度學習的一個重要分支，是一種能夠基于用戶請求創造原創內容的人工智能技術基于用戶請求創造原創內容的人

22、工智能技術。它通過深度學習模型識別現有內容的模式和結構，這些模型在未標記的原始數據上進行訓練，旨在發現并編碼大量數據中的模式與關系，以理解自然語言請求并生成相應的新內容。生成式AI 的應用領域極為廣泛，涵蓋文本生成、圖像合成、音樂創作以及語音合成等多個方面。1.2 生成式 AI 技術推動內容創作的變革與大語言模型的發展AIGC（Artificial Intelligence Generated Content）是一種利用生成式AI 技術自動創作內容的新型生產方式。與傳統 AI 主要關注于識別和預測現有數據模式不同，AIGC 則專注于創造全新的、有創意的數據。其核心原理在于學習和理解數據的分布，

23、從而生成具有相似特征的新數據，能夠生成文本、圖像、音頻、視頻等多種形式的內容。圖圖 4 4：AIGCAIGC 與大型與大型 AIAI 模型的關系模型的關系資料來源：AIGC 的挑戰和解決方案、招商銀行研究院AIGCAIGC 涵蓋了利用生成式涵蓋了利用生成式 AIAI 技術生成的多種類型內容，而大型技術生成的多種類型內容，而大型 AIAI 模型則是模型則是實現實現 AIGCAIGC 的重要技術手段。的重要技術手段。生成式 AI 通過深度學習模型在大數據集上進行訓練，以創造新的文本、圖像和音樂等多樣化的內容。AIGC 不僅包括生成式 AI算法，還涉及自然語言處理、計算機視覺（CV）和音頻處理等核心

24、技術。在生成式 AI 的框架中，大型 AI 模型發揮著至關重要的作用，通常采用大量參數的神經網絡架構，主要包括大語言模型（LLM）、大多模態模型（LMM）和大視覺模型（LVM）。其中，大語言模型是最為核心的類型，包含數十億以上參數的深度神經網絡語言模型，運用自監督學習方法，通過大量未標注的文本進行預訓練，從而掌握語言的復雜結構。需要注意的是，并非所有的大語言模型都專敬請參閱尾頁之免責聲明行業研究深度報告4/33注于生成任務，有些模型（如 BERT）更適合理解任務，而其他模型（如 GPT系列）則更擅長生成任務。大語言模型的發展經歷了基礎模型、能力探索和突破發展三個階段。大語言模型的發展經歷了基礎

25、模型、能力探索和突破發展三個階段。2017年，Vaswani 等人提出的 Transformer 架構為大語言模型的演進奠定了堅實基礎。自 2018 年以來，Google、OpenAI 和 Meta 等公司相繼推出了多種大語言模型，如 OpenAI 的 GPT 系列、Google 的 Gemini 和 Meta 的 LLaMA 系列，推動了這一領域的迅猛發展。圖圖 5 5：大語言模型發展時間線：大語言模型發展時間線資料來源：A Survey of Large Language Models、招商銀行研究院在基礎模型階段（在基礎模型階段（20182018 年至年至 20212021 年）年），研

26、究主要集中在語言模型本身，Google 的 BERT 和 OpenAI 的 GPT-1 標志著預訓練語言模型時代的開啟，模型參數量實現了數量級的提升，從 GPT-1 的 1.17 億增加到 GPT-3 的 1750 億，這使得大模型在自然語言任務中的表現極為出色。在能力探索階段（在能力探索階段（20192019 年至年至 20222022 年）年），研究者們探索如何在不針對單一任務進行微調的情況下，充分發揮大語言模型的能力，隨后引入指令微調方案（Instruction Tuning），使模型在特定任務上的表現更加精準，同時保留了在其他任務上的泛化能力。在突破發展階段（在突破發展階段（20222

27、022 年年 1111 月至今）月至今），大語言模型向多模態持續進階，模型能力不斷擴展，從文本生成延伸到圖像和視頻生成。自 ChatGPT 于 2022年推出以來，它迅速在全球范圍內引發了 AIGC 的廣泛關注與應用熱潮。以ChatGPT 為起點，一個大語言模型即可實現回答問題、文稿撰寫、代碼生成和敬請參閱尾頁之免責聲明行業研究深度報告5/33數學解題等多項能力，這在過去需要多個小模型才能分別實現。GPT-4 作為一款開創性的多模態模型，憑借其卓越的綜合實力成為行業標桿，后續推出的GPT-4V、GPT-4-Turbo 和 GPT-4o 在性價比上不斷提升。此外，Sora 文生視頻模型能夠根據文

28、本提示生成視頻內容，并對現有圖像或視頻進行編輯和擴展。1.3 AIGC 產業鏈結構與未來市場增長展望AIAI 產業鏈可分為基礎層、模型層和應用層三個層面。產業鏈可分為基礎層、模型層和應用層三個層面?；A層提供 AI 運行所需的底層算力資源和數據資源，其中算力資源涵蓋 AI 芯片、存儲、網絡、安全及基礎設施軟件，數據資源則包括 AIGC 模型訓練和優化所需的大量高質量多模態數據，以及數據分類、標記和清洗過濾的技術手段。模型層負責開發和優化模型算法，包括通用 AIGC 模型、行業應用微調模型，以及監督學習、無監督學習和強化學習等訓練模型。應用層則涵蓋針對企業的專用模型應用和針對個人用戶的個性化服務

29、，涉及文本、圖像、音頻、視頻及多模態內容等多個應用服務方向。圖圖 6 6：AIGCAIGC 產業鏈生態體系產業鏈生態體系資料來源：招商銀行研究院AIGCAIGC 技術展現出巨大的商業潛力，將成為全球經濟增長的重要推動力。技術展現出巨大的商業潛力，將成為全球經濟增長的重要推動力。根據 IDC 的研究，到 2030 年，與商業相關的 AI 解決方案每投入 1 美元，預計將為全球經濟帶來 4.60 美元的直接和間接經濟效應。預計到 2030 年，企業在采用 AI、將 AI 融入現有業務運營，以及向企業和消費者提供 AI 產品和服務的支出，將推動全球經濟增長 4.9 萬億美元，累計產生的經濟影響達到

30、19.9 萬敬請參閱尾頁之免責聲明行業研究深度報告6/33億美元，占全球 GDP 的 3.5%。彭博情報預測，隨著 ChatGPT 等 AIGC 應用的快速增長，AIGC 市場有望從 2022 年的 370 億美元增長至 2032 年的 1.36 萬億美元，年均復合增長率達到 43%。此外，AIGC 在信息技術硬件、軟件、服務和廣告等領域的支出占比將從 2022 年的 1%提升至 2032 年的 12%。圖圖 7 7：2020-20322020-2032 年年 AIGCAIGC 市場規模市場規模資料來源：Bloomberg Intelligence、招商銀行研究院受益于大模型算力需求，受益于大

31、模型算力需求，AIGCAIGC 硬件市場預計將迎來顯著增長。硬件市場預計將迎來顯著增長。隨著 AIGC大模型參數量的快速增加、數據規模的擴展以及對長文本處理能力的提升，算力的需求持續上升。彭博情報預測，AIGC 硬件市場將從 2022 年的 350 億美元增長至 2032 年的 6400 億美元，這一增長趨勢反映了 AIGC 技術在訓練和推理兩個關鍵環節對算力資源的強大需求。在訓練階段，AIGC 模型需要處理和分析龐大的數據集，這通常要求大量算力資源。預計訓練硬件市場規模將從 2022 年的 320 億美元增長到 2032 年的4710 億美元，年均復合增長率為 31%。而在推理階段，通常需要

32、較低功耗和成本的算力資源來滿足用戶終端的需求，預計推理硬件市場的增速將更高，從2022 年的 30 億美元增長至 2032 年的 1690 億美元，年均復合增長率達到 48%。受益于受益于 AIGCAIGC 對行業創新和效率的提升，對行業創新和效率的提升，AIGCAIGC 軟件應用日益廣泛。軟件應用日益廣泛。AIGC 技術正在改變影視、游戲、漫畫和網絡文學等領域，通過自動化和優化任務來提高生產效率并促進創意發展。例如，GitHub Copilot 基于 OpenAI 技術，向開發人員提供編碼建議，從而減少編程時間，提高開發效率。集成 AIGC 助手正在成為軟件行業的趨勢，能夠通過自動化和優化多

33、種任務增強用戶的工作效率。彭博情報預測，AIGC 軟件市場將從 2022 年的 10 億美元增長至 2032 年的 3180億美元，年均復合增長率高達 71%。敬請參閱尾頁之免責聲明行業研究深度報告7/33圖圖 8 8：2020-20322020-2032 年年 AIGCAIGC 硬件市場規模硬件市場規模圖圖 9 9：2020-20322020-2032 年年 AIGCAIGC 軟件市場規模軟件市場規模資料來源：Bloomberg Intelligence、招商銀行研究院資料來源：Bloomberg Intelligence、招商銀行研究院2 基礎層：大模型的技術發展推動算力需求激增，算力存儲

34、網絡成為投資的主賽道2.1 AIGC 技術迅猛發展引發算力需求激增隨著隨著 AIGCAIGC 技術的迅猛發展，尤其是以技術的迅猛發展，尤其是以 TransformerTransformer 為基礎的大模型，對為基礎的大模型，對算力的需求激增。算力的需求激增。這些先進模型在訓練和推理過程中，需要巨大的計算資源，包括高性能 GPU、高速存儲以及高速通信網絡。自 2017 年 Transformer 模型問世以來，它已成為構建大型語言模型的基石。該模型摒棄了傳統的循環神經網絡結構，通過自注意力機制處理序列數據，實現了對整個數據序列的并行處理，從而顯著提升了訓練和推理的效率。然而，這一技術進步也帶來了

35、對更高算力的迫切需求，進而增加了模型訓練和部署的成本。根據英偉達的數據顯示，在引入 Transformer 模型之前，算力需求每兩年增長約 8 倍；而采用 Transformer 模型后，這一數字飆升至每兩年增長約 275倍。為了滿足不斷攀升的算力需求，數據中心正朝著超大規模的發展方向邁進，以提供更強大的計算能力和更優越的可擴展性。同時，AI 服務器集群也在快速迭代與升級，以確保能夠滿足日益增長的算力需求。根據根據 Scaling-lawScaling-law 法則，大語言模型的性能隨著模型參數量、訓練數據量法則，大語言模型的性能隨著模型參數量、訓練數據量和計算資源的增加而顯著提升。和計算資源

36、的增加而顯著提升。從大模型的算力需求來看，隨著參數規模、Token 數量以及訓練所需算力的同步增長，模型性能不斷提升。以 GPT-4 為例，其參數量從 GPT-3 的約 1750 億提升至約 1.8 萬億，增幅超過 10 倍；而訓練數據集的規模也從 GPT-3 的幾千億 Token 擴大到 13 萬億 Token。這種規模上的提升使得 GPT-4 在處理復雜問題和生成自然語言文本方面的能力得到了極大的增強。敬請參閱尾頁之免責聲明行業研究深度報告8/33圖圖 1010：AIGCAIGC 大模型對算力需求持續快速增長大模型對算力需求持續快速增長資料來源：英偉達、招商銀行研究院隨著隨著 AIGCAI

37、GC 大模型性能的顯著提升，對計算資源的需求也呈現出指數級的大模型性能的顯著提升，對計算資源的需求也呈現出指數級的增長。增長。以 GPT-4 為例，其訓練過程需要約 2.15e25 FLOPS 的運算量，這通常需要動用約 25000 塊 A100 GPU，且訓練周期長達 90 至 100 天。此外，數據采集、模型優化和強化學習等環節的額外開銷，使得整體成本變得更加高昂。根據斯坦福大學 2024 年發布的 AI 指數報告，AIGC 模型的訓練成本正在急劇上升，GPT-4 的成本從 2022 年 GPT-3 的大約 430 萬美元激增至 2023 年的 7835 萬美元。隨著模型的不斷擴展和訓練過

38、程的日益復雜，這些成本預計將繼續攀升。表表 1 1：LLM 模型對模型對 GPU 算力需求持續提升算力需求持續提升模型模型參數規模參數規模（B B）TokenToken 規規模模(B)(B)訓練量訓練量Z Z FLOPSFLOPSGPGPU U類型類型GPUGPU 算力算力TFLOPS/sTFLOPS/sGPUGPU 利利用率用率訓練訓練時間時間GPUGPU數量數量GPT-3175300420H10016000.31 周1447OPT175300430H10016000.31 周1482LLaMA651400600H10016000.31 周2067LLaMA2342000400H100160

39、00.31 周1378LLaMA2702000800H10016000.31 周2756GPT-418001300021500H10016000.31 周107474資料來源：公開資料、招商銀行研究院敬請參閱尾頁之免責聲明行業研究深度報告9/332.2 互聯網巨頭加速 AIGC 投資，以推動創新和競爭根據海外互聯網巨頭的資本開支計劃，亞馬遜、微軟、谷歌和根據海外互聯網巨頭的資本開支計劃，亞馬遜、微軟、谷歌和 MetaMeta 等公等公司正在持續增加對司正在持續增加對 AIGCAIGC 基礎設施的大規模投資?；A設施的大規模投資。2021 至 2023 年間，這些公司的總資本支出達到 4670

40、億美元，年均約 1550 億美元。在 2024 年第二季度，資本支出達到 520 億美元，同比增長 54%，主要用于數據中心的 AIGC 建設，以推動產品轉型和技術升級。展望未來，預計在 2024 至 2027 年間，這四家公司將投入總額 8500 億美元，年均 2125 億美元，助力在競爭激烈的 AIGC 市場中保持領先地位并推動創新與增長。圖圖 1111：海外互聯網巨頭資本支出飆升：海外互聯網巨頭資本支出飆升資料來源：GeekWire、招商銀行研究院從海外互聯網巨頭的管理層表態來看，針對從海外互聯網巨頭的管理層表態來看，針對 AIGCAIGC 領域的高額資本支出將領域的高額資本支出將持續一

41、段較長時期持續一段較長時期。Meta CEO 馬克扎克伯格強調維持 AI 行業領頭羊地位的緊迫性，并警告投資不足可能在未來 10 至 15 年內使 Meta 處于競爭劣勢。谷歌 CEO 桑達爾皮查伊表示，公司傾向于超額投資，以確保抓住 AI 領域的收入機會，即使面臨一定的資源過剩風險。亞馬遜 CFO 布萊恩奧爾薩夫斯基預計，2024 年下半年資本支出將持續增長，主要投資用于滿足 AIGC 及非生成式AI 技術的市場需求。微軟 CFO 艾米胡德則宣布，將加大 AI 基礎設施建設投入，預計在 2025 財年刷新資本支出記錄，以應對不斷攀升的 AIGC 和云服務產品需求。無論是在全球還是中國市場，無

42、論是在全球還是中國市場，AIGCAIGC 領域的投資都在迅速增長領域的投資都在迅速增長。IDC 數據顯示，全球 AI 資本支出預計將從 2022 年的 1325 億美元增長到 2027 年的 5124億美元，年均復合增長率為 31.1%。在中國市場，AI 資本支出同樣展現出強勁的增長勢頭，預計將從 2022 年的 128 億美元增至 2027 年的 400 億美元，年均復合增長率為 25.6%。中國將在亞太地區人工智能市場發展中繼續發揮引領作用，其 AI 資本支出占亞太地區總支出的 50%。敬請參閱尾頁之免責聲明行業研究深度報告10/33圖圖 1212：中國：中國 AIGCAIGC 市場資本支

43、出預測市場資本支出預測資料來源：IDC、招商銀行研究院2.3 算力：GPU 引領 AIGC 技術革新，市場需求持續增長當前，人工智能領域的 AI 芯片家族日益壯大，主要包括 GPU（圖形處理器）、FPGA（現場可編程門陣列）、ASIC（專用集成電路）和 NPU（神經擬態芯片）。其中，GPU 和 FPGA 屬于成熟的通用型 AI 芯片，而 ASIC 則為特定 AI場景定制，如谷歌的 TPU、亞馬遜的 Trainium 和微軟的 Maia。GPU 最初設計用于加速圖形渲染和顯示，廣泛應用于游戲、視頻制作和處理等領域。隨著時間推移，因其在并行處理密集數據方面的卓越能力，GPU 逐漸成為 AI 領域的

44、重要推動力，尤其是在深度學習訓練中。其核心性能指標包括算力、顯存、功耗和互聯能力，成為推動 AIGC 發展的核心力量。英偉達的英偉達的 GPUGPU 產品在產品在 AIGCAIGC 的發展歷程中扮演了至關重要的角色，其成功的發展歷程中扮演了至關重要的角色，其成功源于在硬件性能和軟件生態方面的持續投入與創新源于在硬件性能和軟件生態方面的持續投入與創新。在硬件領域，英偉達推出了 Volta、Turing、Ampere、Hopper 和 Blackwell 等系列架構，這些架構配備了專為深度學習設計的 CUDA Core 和 Tensor Core，顯著提升了 AI 訓練與推理的效率。CUDA Co

45、re 負責基礎運算，其數量通常與 FP32 計算單元相對應；而 Tensor Core 則在 Volta 及后續架構中引入，專門用于張量計算，與深度學習框架（如 TensorFlow 和 PyTorch）結合使用，帶來了十幾倍的效率提升。除了硬件創新，英偉達還構建了全面的 GPU 軟件生態系統，包括 CUDA、cuDNN和 TensorRT 等工具，大大簡化了 AIGC 模型的開發和部署流程，使得 AIGC 技術的應用更加高效便捷。表表 2 2：英偉達主流：英偉達主流 GPU 產品性能對比產品性能對比敬請參閱尾頁之免責聲明行業研究深度報告11/33性能參數性能參數A100A100H100H10

46、0H200H200GB200GB200架構架構AmpereHopperHopperBlackwell發布時間發布時間2020202220232024FP649.7 TFLOPS34 TFLOPS34 TFLOPS40 TFLOPSFP64 Tensor Core19.5 TFLOPS67 TFLOPS67 TFLOPS90 TFLOPSFP3219.5 TFLOPS67 TFLOPS67 TFLOPS180 TFLOPSTF32 Tensor Core312 TFLOPS989 TFLOPS989 TFLOPS5 PFLOPSBFLOAT16 TensorCore624 TFLOPS1979

47、TFLOPS1979 TFLOPS10 PFLOPSFP16 Tensor Core624 TFLOPS1979 TFLOPS1979 TFLOPS10 PFLOPSFP8 Tensor Core-3958 TFLOPS3958 TFLOPS20 PFLOPSINT8 Tensor Core1248 TFLOPS3958 TFLOPS3958 TFLOPS20 PFLOPSGPU 內存內存80 GB80 GB141GB384GBGPU 內存帶寬內存帶寬2.04 Tbps3.35 Tbps4.80 Tbps16Tbps互聯技術互聯技術NVLink:600 GB/sPCIe Gen4:64GB/s

48、NVLink:900GB/sPCIeGen5:128GB/sNVLink:900GB/sPCIeGen5:128GB/sNVLink:1.8TB/sPCIeGen6:256GB/s資料來源：英偉達、招商銀行研究院隨著隨著 AIGCAIGC 技術在多個行業中的廣泛應用，對技術在多個行業中的廣泛應用，對 GPUGPU 和和 ASICASIC 算力的需求持續算力的需求持續增加增加。全球數據中心 GPU 市場在近年來顯著擴張，2023 年出貨量達到 385 萬顆，較 2022 年的 267 萬顆增長了 44.2%。預計在經歷 2023 年和 2024 年的大幅增長后，全球 AIGC GPU 和 ASI

49、C 市場將保持穩定增長。根據 Yole 的預測，該市場規模將從 2023 年的 505 億美元增至 2029 年的 2330 億美元，復合年均增長率達到 29.0%。英偉達作為英偉達作為 GPUGPU 市場的領導者，其產品在市場的領導者，其產品在 AIGCAIGC 訓練和推理市場占據主要訓練和推理市場占據主要份額。份額。英偉達不斷推出新的 GPU 架構和軟件產品，每一代產品都在性能和能效方面持續提升，其 2023 年數據中心 GPU 銷售收入達到了 362 億美元，根據IoT Analytics 的數據，市場份額達到 92%。與此同時，AMD 和英特爾也在數據中心 GPU 市場占有一席之地，A

50、MD 的 MI300 系列獲得了微軟、Meta 等訂單，市場份額達到 3%；英特爾的 Gaudi 2 則提供高性能且具成本效益的解決方案。此外，一些新興參與者也在進入市場，推動技術創新與產品多樣化。敬請參閱尾頁之免責聲明行業研究深度報告12/33圖圖 1313：全球：全球 AIGCAIGC GPUGPU 和和 ASICASIC 市場規模預測市場規模預測圖圖 1414：AIGCAIGC GPUGPU 市場份額（市場份額（20232023 年）年）資料來源：Yole、招商銀行研究院資料來源：IoT Analytics、招商銀行研究院2.4 存儲：HBM 憑借高帶寬和低延遲推動 AIGC 計算HBM

51、（高帶寬存儲器）是一種采用 3D 堆疊技術的 DRAM，通過先進的硅通孔（TSV）封裝方法，能夠實現高容量、高帶寬、低延時和低功耗的特性。這種設計特別適用于高性能計算和圖形處理，尤其是在 AIGC 計算中，HBM 與 GPU的結合極大提升了并行數據處理速度。在 AIGC 計算中，GPU 需要處理大量并行數據，要求具備高算力和大帶寬。通過中介層與 HBM 的互聯封裝，HBM 的高帶寬特性為 GPU 提供了充足的內存帶寬，支持其高速數據處理需求，從而加速 AIGC 模型的訓練和推理過程。HBM 存儲技術自 2013 年 SK 海力士首次推出 HBM1 以來，經歷了多次重要的產品迭代，包括 HBM2

52、、HBM2E、HBM3 和最新的 HBM3E。每一代產品在容量、帶寬和功耗效率上都有顯著提升，其中 HBM3E 提供高達 9.2Gbps 的 I/O 傳輸速度和超過 1280GB/s 的帶寬。展望未來，預計 HBM4 將在 2026 年上市，將支持更廣泛的內存層配置，以更好地滿足不同類型的應用需求。敬請參閱尾頁之免責聲明行業研究深度報告13/33圖圖 1515：HBMHBM 3D3D 堆疊與堆疊與 GPUGPU 封裝架構封裝架構圖圖 1616：HBMHBM 技術路線圖技術路線圖資料來源：Tech Investments、招商銀行研究院資料來源：SK 海力士、招商銀行研究院AIGCAIGC 的迅

53、猛發展正在刺激數據中心對高速的迅猛發展正在刺激數據中心對高速 DRAMDRAM 內存的需求持續增長內存的需求持續增長。隨著超大規模企業不斷擴展服務器容量以支持大語言模型的訓練和推理任務，高速 DRAM 和 HBM 的需求也顯著上升。數據中心已成為 DRAM 需求最大的細分市場，占據整體市場份額的 50%。預計隨著 HBM 和 CXL（Compute Express Link）等新技術的普及，數據中心 DRAM 市場的增速將超過整體 DRAM 市場。根據 YoleGroup 的預測，DRAM 市場將從 2023 年的 520 億美元增長到 2029 年的 1340 億美元，復合年均增長率為 17

54、%，而數據中心 DRAM 在 2023-2029 年間的復合年增長率將達到 25%。在全球 DRAM 市場中，三星、SK 海力士和美光占據了主導地位，三家公司合計市場份額高達 94%。其中，三星以 40%的市場份額繼續穩居全球最大 DRAM供應商，SK 海力士和美光分別占有 29%和 25%的市場份額。敬請參閱尾頁之免責聲明行業研究深度報告14/33圖圖 1717：存儲行業全球市場規模預測（：存儲行業全球市場規模預測（2023-2023-20292029）圖圖 1818：DRAMDRAM 全球市場份額（全球市場份額（20232023）資料來源：Yole、招商銀行研究院資料來源：Yole、招商銀

55、行研究院隨著隨著 AIGCAIGC 算力需求的持續上升，全球算力需求的持續上升，全球 HBMHBM 市場正經歷快速增長市場正經歷快速增長。根據Yole Group 的分析，全球 HBM 市場預計將從 2023 年的 55 億美元增長至 2029年的 377 億美元，復合年均增長率達 37.8%。HBM 市場增速將顯著超過整體DRAM 市場，HBM 在整體 DRAM 出貨量中的占比預計將從 2023 年的 2%增長到2029 年的 6%，營收占比將從 2023 年的 10.4%增長到 2029 年的 32.8%。SKSK 海力士在海力士在 HBMHBM 市場中占據領先地位市場中占據領先地位。SK

56、 海力士在 HBM 的開發和商業化方面處于領先地位，是 HBM3 的主要供應商，也是 Nvidia H100 和 H200 的唯一供應商。三星主要生產 HBM2E，并計劃開始生產 HBM3。美光則跳過 HBM3，直接推出 HBM3E。根據 TrendForce 的數據，2023 年 SK 海力士、三星、美光在HBM 市場的份額分別為 55%、41%、9%。敬請參閱尾頁之免責聲明行業研究深度報告15/33圖圖 1919：HBMHBM 全球市場規模全球市場規模圖圖 2020：HBMHBM 全球市場份額（全球市場份額（20232023）資料來源：Yole、招商銀行研究院資料來源：TrendForce

57、、招商銀行研究院2.5 網絡：高性能網絡基礎設施推動 AIGC 發展，高速率光模塊需求激增在在 AIGCAIGC 算力架構中，高性能網絡基礎設施扮演著至關重要的角色算力架構中，高性能網絡基礎設施扮演著至關重要的角色。網絡瓶頸可能導致 GPU 集群的利用率降低、大模型訓練時間延長及訓練成本增加。因此，為了滿足 AIGC 計算的需求，尤其是在大規模 GPU 集群中，亟需大量高效的網絡交換設備，以支持高速率、低時延、高吞吐量和高能效的數據傳輸。800G/1600G 網絡技術的發展，能夠提供更高的數據傳輸速率和更低的傳輸時延，從而加速 AIGC 模型的訓練與推理過程。敬請參閱尾頁之免責聲明行業研究深度

58、報告16/33圖圖 2121：AIGCAIGC 發展推動數據中心向發展推動數據中心向 800G800G 以上速率發展以上速率發展資料來源：FS、招商銀行研究院AIAI 集群的快速發展正推動光模塊需求的迅速增長。集群的快速發展正推動光模塊需求的迅速增長。隨著 GPU 性能提升和AIGC 應用擴展，對光模塊的數量和速率需求持續增加。以英偉達 DGX H100 的二層網絡架構為例，每個 H100 SuperPOD 包含 4 個 SU 擴展集群，每個 SU 擴展集群由 32 個 H100 服務器和 8 個 Leaf 交換機組成，整個 SuperPOD 共有 1024個 GPU、32 個 Leaf 交換

59、機和 16 個 Spine 交換機。在 Leaf 層，服務器側采用400G 光模塊，交換機側采用 800G 光模塊，總共需 1024 個 400G 光模塊和 512個 800G 光模塊。在 Spine-Leaf 層采用 800 光模塊互聯，共需 1024 個 800G 光模塊。在該架構下，GPU 與 400G 光模塊的比例為 1:1，與 800G 光模塊的比例為 1:1.5。當系統升級到 DGX H100 三層網絡架構時，GPU 升級至 800G 網卡，Leaf 和 Spine-Leaf 層均采用 800G 光模塊互聯，導致光模塊需求顯著增加，GPU 與 800G 光模塊的比例增至 1:6。隨

60、著英偉達新一代 Blackwell 架構平臺的發布，無論是小型 GB200 集群還是大型 GB200 集群，對 800G 光模塊的需求比例均有所上升：小型集群的 GPU 與 800G 光模塊比例達到 1:2，而大型集群則為 1:4.5。表表 3 3：英偉達：英偉達 GPUGPU 與光模塊需求測算與光模塊需求測算GPUNICSwitch網絡類型網絡類型200G光模塊光模塊400G光模塊光模塊800G光模塊光模塊A100200G200GLayer 31:6-A100200G200GLayer 21:1-1:0.75H100400G400GLayer 2-1:11:1.5敬請參閱尾頁之免責聲明行業研

61、究深度報告17/33H100800G800GLayer 3-1:6GB200800G1600GLayer 2-1:2GB200800G1600GLayer 3-1:4.5資料來源：Fibermall、英偉達、招商銀行研究院AIGCAIGC 技術的迅速發展正在引領光模塊市場的擴張技術的迅速發展正在引領光模塊市場的擴張。2023 年 5 月，谷歌和英偉達成為首批顯著增加光模塊采購以支持 AIGC 數據中心的大客戶，隨后其他領先的云計算公司也紛紛加入光模塊競爭。根據 LightCounting 的預測，用于 AI 集群的光模塊市場預計將從 2023 年的 20 億美元增長至 2029 年的 120

62、億美元，年均復合增長率達到 34.8%。在 2025 至 2029 年間，該市場規模將超過520 億美元。隨著隨著 AIGCAIGC 大模型訓練對更快數據傳輸的需求不斷上升，高速光模塊的需大模型訓練對更快數據傳輸的需求不斷上升，高速光模塊的需求隨之激增求隨之激增。預計到 2024 年，800G 光模塊將成為市場主流，1.6T 光模塊也將進入試產階段。預計到 2029 年，1.6T 和 3.2T 光模塊的市場規模將達到 100億美元，成為 AI 集群光模塊市場的主要組成部分。圖圖 2222：全球光模塊市場預測：全球光模塊市場預測圖圖 2323：AIAI 集群光模塊市場預測集群光模塊市場預測資料來

63、源：Yole、招商銀行研究院資料來源：LightCounting、招商銀行研究院中國廠商在全球光模塊市場中表現卓越中國廠商在全球光模塊市場中表現卓越。根據 LightCounting 的數據，2023 年，全球前十大光模塊廠商中，中國企業占據了 7 個席位，合計市場份額超過 50%。多家中國廠商已成功進入英偉達的供應鏈。其中，中際旭創的市場份額位居全球第一，華為、光迅科技、海信、新易盛、華工正源、索爾思光電分別排名第三、第五、第六、第七、第八和第九位。進入 2024 年，全球主要光模塊廠商業績的變化進一步顯示出市場份額向中國廠商的集中趨勢。盡管中國廠商在光模塊制造領域取得了顯著進展，然而在光芯

64、片和電芯片等關鍵原材料方面，仍然依賴進口，國產化程度亟待提高。表表 4 4：全球：全球 TOP10TOP10 光模塊廠商排名光模塊廠商排名敬請參閱尾頁之免責聲明行業研究深度報告18/33排名排名2010 年年2016 年年2018 年年2023 年年1FinisarFinisarFinisar旭創科技旭創科技2Opnext海信寬帶海信寬帶旭創科技旭創科技Coherent3Sumitomo光迅科技光迅科技海信寬帶海信寬帶華為華為4AvagoAcacia光迅科技光迅科技Cisco（Acacia）5Source PhotonicsFOIT（Avago）FOIT（Avago）光迅科技光迅科技6Fuji

65、tsuOclaroLumentum/Oclaro海信寬帶海信寬帶7JDSU旭創科技旭創科技Acacia新易盛新易盛8EmcoreSumitomoIntel華工正源華工正源9武漢電信器件武漢電信器件LumentumAOI索爾思索爾思10NeoPhotonicsSource PhotonicsSumitomoMarvell資料來源：LightCounting、招商銀行研究院3模型層：算法進步、性能成本優化與商業模式多元化的融合3.1 生成算法、預訓練模型與多模態技術催生 AIGC 的迅猛發展AIGC 與以往的 AI 技術最顯著的區別在于其從分析式 AI（Analytical AI）發展為生成式 A

66、I。分析式 AI 模型主要通過對已有數據的分析、判斷和預測來提供決策支持，而生成式 AI 模型則是通過學習已有數據，創造出全新的內容。這一轉變得益于先進的生成算法、強大的預訓練模型以及創新的多模態技術先進的生成算法、強大的預訓練模型以及創新的多模態技術，共同推動了 AIGC 的迅猛發展和爆炸性增長。AIGCAIGC 的快速崛起得益于基礎生成算法的持續創新與突破的快速崛起得益于基礎生成算法的持續創新與突破。核心生成算法，如生成對抗網絡（Generative Adversarial Network，GAN）、擴散模型（Diffusion Model）和 Transformer 等，為 AIGC 的

67、發展奠定了堅實的技術基礎。這些算法的不斷進步推動了 AIGC 的爆發，拓展了其在內容生成領域的應用潛力。2014 年，伊恩古德費洛提出的生成對抗網絡（GAN）成為早期最著名的生成式模型，標志著生成式 AI 的重要里程碑。隨之而來，諸如 DCGAN、Style-GAN、BigGAN 和 CycleGAN 等變種架構相繼問世，這些發展不僅推動了 GAN 理論的深化，也為圖像生成、視頻生成和三維模型生成等領域提供了強大的工具，極大豐富了生成式 AI 的應用場景。2017 年，Vaswani 等人提出的 Transformer 模型引入了自注意力機制，使得模型能夠根據輸入序列中的不同部分分配不同的注意

68、權重，從而更有效地捕敬請參閱尾頁之免責聲明行業研究深度報告19/33捉語義關系。這一創新催生了眾多變體，如 BERT、GPT 和 XLNet 等，這些模型在各自領域取得了顯著成果，推動了自然語言處理等行業的發展。伴隨著生成式算法的不斷創新突破，AIGC 如今能夠生成多種類型的內容和數據，包括文本、代碼、圖像、語音和視頻物體等，展現了廣泛的應用潛力。表表 5 5：主流生成算法模型主流生成算法模型算法模型算法模型提出時間提出時間模型描述模型描述生成對抗網絡（GAN）2014年GAN 由生成器（Generator）和判別器（Discriminator）兩部分組成，兩者在訓練過程中相互對抗，最終達到一

69、種平衡狀態，使得生成器能夠生成出足夠逼真的假數據?；诹鞯纳赡Ｐ停‵low-basedGenerative Model）2015年該模型通過一系列可逆的變換來映射一個已知的概率分布到目標數據分布。該模型的核心優勢在于它們能夠直接優化數據的對數似然，并且具有高效的采樣和推斷能力。擴散模型（DiffusionModel）2015年該模型通過模擬擴散過程來逐步添加噪聲到數據中，并隨后學習反轉這個過程以從噪聲中構建出所需的數據樣本。模型通過神經網絡學習逆擴散過程，從而能夠生成與原始數據相似的樣本。Transformer 模型2017年該模型基于自注意力機制（Self-Attention），它允許模型

70、在處理序列數據時動態地計算輸入序列中每個位置與其他位置的關聯程度，從而更好地捕捉序列之間的長距離依賴關系。資料來源：公開資料、招商銀行研究院預訓練模型的出現為預訓練模型的出現為 AIGCAIGC 技術帶來了顛覆性的進步技術帶來了顛覆性的進步。盡管過去各種生成式模型層出不窮，但由于任務類型單一、使用門檻高、訓練成本昂貴以及內容質量不足，難以滿足復雜多變的應用場景。預訓練模型，也稱為基礎模型或大模型，通過在大規模數據集上進行訓練，學習到豐富的特征表示，展現出更強的泛化能力和深入的語言理解及內容生成能力。這些模型具備通用特征學習、遷移學習、多任務學習和領域適應等關鍵特性，顯著增強了 AIGC 的通用

71、化能力，使同一模型能夠高質量完成多種內容輸出任務。通過在特定領域數據上進行微調，模型能夠迅速適應并掌握新領域的特定特征，極大提升了其實用性和靈活性。2018 年，谷歌推出了基于 Transformer 架構的自然語言處理預訓練模型BERT，標志著人工智能領域進入了一個以大規模預訓練模型參數為核心的新紀元。BERT 的核心創新在于其雙向訓練策略，能夠同時考慮單詞左側和右側的敬請參閱尾頁之免責聲明行業研究深度報告20/33上下文信息，使得其在理解單詞含義時更為精準。通過在大量文本數據上的預訓練，BERT 學習到了深層次的語言表示，這些表示可以遷移到多種下游 NLP任務中，如文本分類、問答系統和命名

72、實體識別等。BERT 通過微調（Fine-tuning）進一步適應特定任務的需求，極大地提升了自然語言處理的效果和應用廣度。圖圖 2424：預訓練模型：預訓練模型 BERTBERT 結構圖結構圖資料來源：谷歌、招商銀行研究院多模態技術的發展推動了多模態技術的發展推動了 AIGCAIGC 內容的多樣性，增強了模型的通用化能力內容的多樣性，增強了模型的通用化能力。該技術使不同類型的數據（如文本、圖像、音頻和視頻）能夠互相轉化和生成，從而使 AIGC 模型能夠跨模態生成各種類型的內容。CLIP（ContrastiveLanguage-Image Pretraining）模型是 OpenAI 提出的一

73、種典型多模態預訓練模型。其核心思想是利用大規模的圖像和文本數據進行自監督學習，使模型能夠在沒有明確標注的情況下理解和關聯不同模態的數據。CLIP 能夠將圖像和文本映射到同一個向量空間，促進了不同模態數據的理解與關聯，為文生圖、文生視頻等 AIGC 應用的快速發展奠定了基礎。一個典型的多模態大型語言模型（MLLM）可以抽象為三個核心模塊：預訓練的模態編碼器（Modality Encoder）、預訓練的大型語言模型，以及連接它們的模態接口（Connector）。類比于人類，模態編碼器相當于接收和預處理光學/聲學信號的人類眼睛和耳朵，而大型語言模型則像是理解并推理處理信號的人類大腦。在這兩者之間，模

74、態接口的功能是對齊不同的模態。以 GPT-4V 為代表的多模態大型語言模型在多模態任務中展現出了前所未有的能力。隨著技術的不斷進步，多模態模型將在更多領域發揮重要作用。敬請參閱尾頁之免責聲明行業研究深度報告21/33圖圖 2525：典型多模態大模型架構示意圖：典型多模態大模型架構示意圖資料來源：IEEE、招商銀行研究院3.2 性能與成本：大語言模型競爭的核心驅動力大語言模型的競爭主要集中在兩個核心要素上：性能和成本大語言模型的競爭主要集中在兩個核心要素上：性能和成本。性能決定了模型能夠處理的任務復雜度和準確性，而成本則影響模型的商業可行性和普及程度。這兩者的平衡將直接影響大語言模型在市場上的競

75、爭力與應用廣度。硬件性能的提升與軟件算法的創新共同推動了大語言模型的不斷提升硬件性能的提升與軟件算法的創新共同推動了大語言模型的不斷提升。在硬件方面，GPU 性能的增強顯著提升了模型的訓練和推理能力，得益于半導體工藝的進步和持續的 GPU 設計創新，這使得復雜任務的處理更快速高效。軟件方面，創新算法如 Chinchilla 的最優縮放、人類反饋強化學習（RLHF）、推測解碼（Speculative Decoding）和 Flash Attention 等，為大模型的發展注入了新的活力。例如，Chinchilla 通過合理分配模型大小和訓練數據量，優化了有限計算資源下的模型訓練；Llama2 利

76、用 RLHF 方法，確保輸出更符合用戶期望；推測解碼實現了推理速度的顯著提升；而 Flash Attention 則通過優化注意力機制，提高了 GPT 模型的訓練速度。這些因素的結合使得大語言模型在性能和效率上不斷取得突破。敬請參閱尾頁之免責聲明行業研究深度報告22/33圖圖 2626：大模型訓練性能不斷提升：大模型訓練性能不斷提升資料來源：ARK、招商銀行研究院隨著訓練成本的不斷下降，隨著訓練成本的不斷下降，AIGCAIGC 的應用正變得越來越普及的應用正變得越來越普及。賴特定律（Wrights Law）表明，當一種產品的累計產量翻倍時，其單位成本將下降一個固定百分比。在 AIGC 領域，尤

77、其是大模型訓練中，GPU 硬件性能的提升和算法優化對成本降低起到了關鍵作用。根據 ARK 的分析，隨著硬件技術的不斷進步，AI 相對計算單元（RCU）的成本預計每年將降低 53%，而模型算法的增強預計每年可使訓練成本降低 47%。預計到 2030 年，硬件和軟件的融合將使AIGC 訓練成本以每年 75%的速度下降。這一顯著的成本降低將推動 AIGC 技術的普及與經濟性，從而促進 AIGC 的廣泛應用和創新。圖圖 2727：AIGCAIGC 訓練硬件成本趨勢訓練硬件成本趨勢圖圖 2828：AIGCAIGC 訓練軟件成本趨勢訓練軟件成本趨勢資料來源：ARK、招商銀行研究院資料來源：ARK、招商銀行

78、研究院敬請參閱尾頁之免責聲明行業研究深度報告23/33隨著隨著 LLMLLM 公司之間競爭的加劇，公司之間競爭的加劇，AIGCAIGC 的推理成本正迅速降低的推理成本正迅速降低。AIGC 模型在處理輸入和輸出時，其計算資源消耗與輸入輸出的數據量成正比，費用計算基于輸入輸出的 Token 數量，這種計費方式為不同用戶提供了靈活性。以 OpenAI 為例，在過去兩年里，它將 API 訪問成本降低了 99%。具體來看，GPT-3 的 API 推理成本從 2021 年的每千 Token 0.06 美元降至 2022 年的 0.02美元，降幅達 66%。到 2023 年，GPT-3.5 Turbo 的

79、API 推理成本與 2021 年相比下降了 86%。同時，GPT-4 Turbo 的 API 推理成本與 GPT-4-32k 相比降低了92%，其成本甚至低于一年前的 GPT-3。值得注意的是，這一推理成本的降低是在提供更長的上下文、更低的延遲和更新知識截止日期的情況下實現的。微軟 CEO 納德拉認為，與摩爾定律類似，AI 領域也存在 Scaling Law（尺度定律），在 AI 時代，衡量單位是“每美元每瓦特的 Token 數”。這種競爭態勢將進一步推動 AIGC 技術的普及與應用。圖圖 2929：GPTGPT APIAPI 推理成本快速下降推理成本快速下降資料來源：ARK、招商銀行研究院3

80、.3 AIGC 市場快速增長推動多元化商業模式與競爭格局演變AIGC 大模型公司正在通過多元化商業模式開拓收入渠道，目前主要集中在訂閱服務和 API 接入兩種模式。1.訂閱服務訂閱服務：用戶支付月費或年費以享受持續的服務。例如，OpenAI 的ChatGPT Plus 訂閱服務目前每月收費 20 美元，預計在 2024 年底提價至 22 美元。截至 2024 年 9 月，ChatGPT Plus 已擁有 1000 萬訂閱用戶。敬請參閱尾頁之免責聲明行業研究深度報告24/332.APIAPI 接入模式接入模式：企業將 API 服務整合至其應用程序中，并根據使用情況付費。OpenAI 的 API

81、定價因模型和使用情況而異，通常根據輸入輸出的 Tokens 進行差異化定價。此外，OpenAI 還與 Microsoft Azure 合作，為大規模企業提供定制化的專用實例，價格層次豐富，滿足不同企業的需求。這種多元化的商業模式不僅為AIGC 公司帶來了穩定的收入來源，也使其能夠更好地服務于不同類型的用戶和市場。除了訂閱和 API 接入，大模型公司還在積極探索其他多種商業模式，包括：1.企業定制服務企業定制服務：大模型公司為特定企業需求提供個性化解決方案，深度集成特定應用場景或行業需求，幫助企業實現更高效的業務流程。2.軟件授權軟件授權：這種模式允許公司出售技術使用權，特別適合那些需要在本地部

82、署解決方案的企業。這使得客戶能夠根據自身的安全和合規要求來管理和使用模型。3.內容許可內容許可：大模型公司與機構合作，獲得內容許可以訓練模型。這種合作可以增加訓練數據的多樣性，提高模型的表現。4.合作伙伴關系合作伙伴關系：建立與大型科技公司的緊密合作關系，例如 OpenAI與 Microsoft 的合作，涉及技術集成和新產品共同開發。這種合作不僅為大模型公司帶來額外收入，還能夠提升其技術能力和市場競爭力。通過這些多元化的商業模式，大模型公司能夠更靈活地適應市場需求，拓寬收入來源，提高自身的市場競爭力。隨著越來越多的企業認識到隨著越來越多的企業認識到 AIGCAIGC 技術的潛力，技術的潛力，B

83、2BB2B 市場的需求預計將持續市場的需求預計將持續增長。增長。根據 OpenAI 的收入構成，2023 年其 B2C 和 B2B 業務各占一半。預計到2024 年，OpenAI 的收入將達到約 37 億美元，2025 年將大幅增至 116 億美元。這一增長主要得益于 ChatGPT 訂閱用戶的增加以及企業 API 和定制解決方案的使用。B2C 市場規模預計將達到 100 億至 200 億美元，但市場占有率預計不足10%。B2B 市場規模預計高達 2000 億美元以上，且市場占有率超過 90%。這一比例顯示出 B2B 服務在整體 AIGC 市場中的主導地位。敬請參閱尾頁之免責聲明行業研究深度報

84、告25/33圖圖 3030：AIGCAIGC 大模型長期潛在市場與收入結構預測大模型長期潛在市場與收入結構預測資料來源：Kelvin Mu、招商銀行研究院隨著隨著 AIGCAIGC 技術的快速發展，大模型平臺市場正在經歷顯著增長技術的快速發展，大模型平臺市場正在經歷顯著增長。AIGC 技術的不斷進步和應用領域的持續擴展，促使越來越多的企業采用大模型平臺來構建和擴展其應用程序。2022 年底 ChatGPT 的公開發布，成為推動行業增長的重要催化劑。根據 Market.US 的預測，全球大語言模型市場規模將從 2023年的 45 億美元增長到 2033 年的 821 億美元，復合年增長率為 33

85、.7%。中國市場同樣展現出強勁的增長潛力。前瞻產業研究院的預測顯示，中國大語言模型市場規模將從 2023 年的 147 億元增長到 2029 年的 1186 億元，復合年增長率為 41.6%。圖圖 3131：全球大語言模型市場規模預測：全球大語言模型市場規模預測圖圖 3232：中國大語言模型市場規模預測：中國大語言模型市場規模預測資料來源：Market.US、招商銀行研究院資料來源：前瞻產業研究院、招商銀行研究院在大語言模型市場，在大語言模型市場，OpenAIOpenAI 憑借其卓越的技術成為市場的領頭羊憑借其卓越的技術成為市場的領頭羊。根據IoT Analytics 的分析，OpenAI 在

86、推出 ChatGPT 短短兩個月內便實現了月活躍用戶數突破 1 億，成為有史以來用戶增長速度最快的消費級應用程序。憑借ChatGPT 的成功，OpenAI 在大語言模型市場中以 39%的市場份額處于領先地位。緊隨其后的是科技巨頭微軟（30%）、亞馬遜（8%）和谷歌（7%）。此外，一敬請參閱尾頁之免責聲明行業研究深度報告26/33些領先的 AI 創業公司，如 AI21 Labs、Anthropic 和 Cohere 等，也占據了一定的市場份額。圖圖 3333：大語言模型市場份額（：大語言模型市場份額（20232023 年）年）資料來源：IoT Analytics、招商銀行研究院互聯網科技巨頭正通

87、過持續的技術創新和產品整合，努力追趕并挑互聯網科技巨頭正通過持續的技術創新和產品整合，努力追趕并挑戰戰OpenAIOpenAI 在大語言模型市場的領導地位在大語言模型市場的領導地位。微軟將 OpenAI 的功能集成到其多種產品中，包括 Azure、Office 365 和 Bing。Azure AI 平臺提供了強大的工具集，允許客戶選擇不同的大語言模型，例如 OpenAI 的模型或 Llama 2，并提供定制化的 AI 應用程序，增強了數據安全性。亞馬遜的 Bedrock 專注于提供平臺服務，支持客戶訪問多家 AI 公司的大語言模型，幫助他們更加靈活地構建和擴展生成式 AI 應用程序。谷歌的

88、Gemini 是一系列多模態模型，它被融入谷歌的產品體系，能夠處理和組合各種數據類型。此外，谷歌的 Vertex AI 是基于云計算的 AI 平臺，融合了最新的技術和能力，可以幫助企業快速實現 AI 應用的開發和部署。4應用層：技術創新推動應用市場發展和傳統行業變革敬請參閱尾頁之免責聲明行業研究深度報告27/334.1 AIGC 技術加速 ToC 與 ToB 領域的創新與多元化應用AIGC 技術在面向消費者（ToC）和面向企業（ToB）領域都有廣泛的應用場景。隨著技術的持續演進和迭代，這些應用場景和商業模式正不斷拓展和演變。在面向消費者領域，在面向消費者領域，AIGCAIGC 技術滿足了個人的

89、日常生活需求，涵蓋了技術滿足了個人的日常生活需求，涵蓋了如如ChatbotChatbot、社交、游戲、教育和內容創作等多個場景、社交、游戲、教育和內容創作等多個場景。在社交娛樂方面，AIGC技術使普通用戶能夠以較低的門檻參與內容創作，激發創作靈感，用戶可以通過 AIGC 創作畫作、文本、歌曲等。在教育領域，AIGC 技術被用于開發個性化的學習工具和課程，幫助學生更高效地學習。此外，在搜索引擎和內容推薦方面，AIGC 技術利用自然語言生成和機器學習等技術，快速生成新聞報道和文章，并提供個性化的推薦服務。在面向企業領域，在面向企業領域，AIGCAIGC 技術為企業客戶提供了多種解決方案，幫助提高效

90、技術為企業客戶提供了多種解決方案，幫助提高效率、降低成本、創新產品，并增強市場競爭力率、降低成本、創新產品，并增強市場競爭力。在辦公領域，AIGC 技術能夠提升工作效率和質量，激發創意和樂趣，創造更便捷、高效和創新的辦公體驗。在內容生產和媒體方面，AIGC 技術提供高效工具，提升內容產出效率和質量，降低生產成本。在廣告營銷領域，AIGC 技術通過內容創新、制作成本節約和流程效率提升，推動營銷效果的增強。在游戲開發方面，AIGC 技術應用于智能 NPC、場景建模和 AI 劇情等功能，提升游戲的創新性和玩家體驗。在藥物研發領域，AIGC 技術在輔助診斷和藥物研發過程中發揮著重要作用。表表 6 6：

91、常見的：常見的 AIGC 應用場景應用場景場景場景功能功能典型產品典型產品Chatbot文本生成、問答推理、摘要生成、翻譯ChatGPT、Kimi、豆包社交社交AI 角色、虛擬 IP、個性化聊天機器人Character.ai、Talkie、Snapchat搜索引擎搜索引擎提供智能、精確和個性化的搜索功能Bing、Gemini、Apple Intelligence教育教育個性化學習內容生成、技能評估Quizlet、Bridge-U、DreamBox Learning內容創作內容創作圖像、音樂等內容創作Sora、Suno、TikTok游戲游戲游戲場景、故事、虛擬角色的創建Ubisoft Enter

92、tainment、Epic Games、Steam辦公辦公文檔編輯、數據分析、可視化、AI 助手Microsoft 365 Copilot數字設計數字設計偏好分析、設計優化、方案生成Adobe Firefly、Uizard、Khroma、Designs.ai金融服務金融服務風險評估、量化交易、柜臺業務BigQuant、RiskLab AI軟件開發軟件開發代碼生成、修復測試、文檔生成GitHub Copilot、CodeWhisperer、MarsCode資料來源：招商銀行研究院敬請參閱尾頁之免責聲明行業研究深度報告28/33AIGCAIGC 應用產品種類繁多，其中應用產品種類繁多，其中 Cha

93、tbotChatbot 占據領先地位占據領先地位。根據 AI 產品榜的數據，全球市場上，ChatGPT 的月訪問量已突破 30 億次，使其成為全球第十一大網站。從產品分布來看，AIGC 賽道涵蓋了多個領域，包括 Chatbot、內容創作、翻譯、搜索、教育和知識管理等。在國內市場，前十的應用主要以Chatbot 為主，同時 AI 搜索的占比也在逐步提升。表表 7 7：全球：全球 AIGC 應用排名（應用排名（2024 年年 9 月）月）排名排名產品名產品名分類分類月訪問量月訪問量月下載量月下載量1ChatGPTAI 聊天、文本生成30.23 億3.98 億2Canva設計輔助、AI 生成圖像、創

94、意工具7.13 億1.02 億3Deepl翻譯工具、即時翻譯1.95 億466.58 萬4夸克AI 搜索、AI 智能工具6217.67 萬736.48 萬5Kimi長文本處理、智能助手、對話服務2363.27 萬127.05 萬6Notion AI項目管理、團隊協作、知識管理1.52 億363.48 萬7字節豆包AI 對話工具、個性化智能體1300.82 萬760.4 萬8文心一言知識增強、創作輔助、個性化推薦1979.74 萬91.53 萬9百度文庫AI 生成文檔、AI 創作、文檔搜索2691.22 萬84.53 萬10PoeAI 聊天機器人3050.37 萬-11Shutterstock庫

95、存圖像、照片、視頻、音樂6549.31 萬13.29 萬12Salesforce AI應用開發、CRM、數據集成1.01 億24.53 萬資料來源：AI 產品榜、招商銀行研究院4.2 AIGC 技術驅動電子設備革新，大模型引領手機、汽車與機器人智能化創新AIGC 技術正引領一場新的科技革命，大模型在傳統硬件設備中的應用日益廣泛，為智能手機、汽車、機器人等多個產業鏈帶來了全新的機遇。這些技術的融合不僅提升了設備的智能化水平，還推動了各行業在功能和效率上的創新，為用戶提供更加個性化和高效的體驗。智能手機通過引入大模型資源，顯著增強了用戶的操作體驗智能手機通過引入大模型資源，顯著增強了用戶的操作體驗

96、。利用 API 模式，智能手機可以集成 ChatGPT 等先進的大模型，實現個性化內容創造、智能語音助手和個性化推薦等方面的重大突破。AIGC 技術能夠根據用戶的個性化敬請參閱尾頁之免責聲明行業研究深度報告29/33需求，自動生成文本、圖片、視頻等多種內容，廣泛應用于社交媒體、個人表達和商業領域。借助 API 與大模型的連接，智能語音助手變得更智能、更人性化，能夠理解上下文，提供更流暢自然的對話，并執行更復雜的任務。此外，AIGC 還可以通過 API 實時生成個性化內容推薦，例如個性化新聞、主動購物推薦和應用建議，為用戶帶來更加豐富和個性化的服務體驗。AIGCAIGC 技術正以其革命性的力量推

97、動手機硬件和操作系統重構，引發手機產技術正以其革命性的力量推動手機硬件和操作系統重構，引發手機產業鏈生態的深刻變革。業鏈生態的深刻變革。隨著手機算力的顯著提升和大模型的壓縮與優化，操作系統有望采用邊緣計算與本地推理相結合的創新方式，在高效手機上實現輕量級推理，同時將大部分計算任務放在云端。未來，更多的應用程序將通過調用AIGC API 來實現內容生成、推薦系統和交互功能，從而減少傳統手動編寫內容的依賴，使開發者能夠更專注于核心業務邏輯的構建。這種變革將帶來更個性化的交互、更智能的任務管理以及實時生成的個性化內容。操作系統能夠生成適應用戶個人風格和需求的 UI 設計、動態壁紙和主題，可以根據用戶

98、的使用習慣自動安排任務，提供更加定制化服務。圖圖 3434：AIGCAIGC 推動大模型與電子設備智能化升級推動大模型與電子設備智能化升級資料來源：Yole、招商銀行研究院敬請參閱尾頁之免責聲明行業研究深度報告30/33在汽車領域，在汽車領域，AIGCAIGC 技術正在推動自動駕駛技術的發展技術正在推動自動駕駛技術的發展。AIGC 涵蓋了多個關鍵方面，包括訓練數據生成、情境理解、路徑規劃、實時學習和用戶交互等。通過這些技術的融合，自動駕駛系統能夠更有效地應對復雜的道路環境，理解駕駛者的需求，并不斷提升其智能化水平，為自動駕駛技術的發展提供重要支撐。特斯拉的 FSD 12 在感知能力、決策算法和

99、用戶交互等方面取得了顯著提升，能夠在特定地區和情況下支持更高級的自動駕駛功能。這為未來的完全自動駕駛奠定了更堅實的基礎，使汽車不僅能夠自動駕駛，還能更好地適應駕駛者的個性化需求和動態道路狀況。AIGCAIGC 技術加速了人形機器人在智能化和多樣化發展上的進步技術加速了人形機器人在智能化和多樣化發展上的進步。借助 AIGC，人形機器人不僅能執行簡單任務，還能主動學習和理解用戶需求，提供個性化服務。AIGC 使人形機器人能夠自然地理解和生成對話內容，模擬人類溝通方式，從而在交流中為用戶提供更真實和智能的反饋。此外，AIGC 還使人形機器人具備生成和識別視覺內容的能力，這提高了它們在教育、娛樂、醫療

100、等領域的視覺理解能力。人形機器人能夠通過 AIGC 不斷從環境中學習，并生成復雜場景的應對策略，例如在制造業中優化生產流程，或在醫療領域輔助醫生進行診斷。這種動態適應能力使人形機器人在多變的環境中更加靈活。隨著AIGC 的發展，人形機器人不僅能夠服務于多種場景，還能適應不斷變化的需求，推動其從單一功能向智能化、個性化助手的演變。圖圖 3535：特斯拉：特斯拉 FSDFSD 自動駕駛路徑規劃自動駕駛路徑規劃圖圖 3636：20242024 年全球主流人形機器人年全球主流人形機器人資料來源：Tesla、招商銀行研究院資料來源：MADE VISUAL、招商銀行研究院4.3 AIGC 應用市場正處于發

101、展初期，競爭格局多元化且持續演變根據彭博情報（Bloomberg Intelligence）的預測，隨著各類 AIGC 應用的爆發式增長，AIGC 應用市場的規模預計將從 2022 年的 18.60 億美元增長到2032 年的 6618.14 億美元，年均復合增長率達到 80%。在這一市場中，AI 廣告預計將占據最大市場份額，而藥物研發、網絡安全和 IT 服務市場的增速最快。同時，AIGC 在科技領域的投入也將顯著增加。信息技術硬件、軟件、服敬請參閱尾頁之免責聲明行業研究深度報告31/33務及廣告等領域的 AIGC 支出預計將從 2022 年總支出的 1%增長到 2032 年的12%。這一增長

102、反映了 AIGC 在各個行業中的廣泛潛力，尤其是在加速產品開發、自動化流程以及增強決策支持方面的應用。圖圖 3737：2022-20322022-2032 年年 AIGCAIGC 應用市場規模應用市場規模資料來源：Bloomberg Intelligence、招商銀行研究院AIGCAIGC 市場正處于一個充滿機遇與挑戰的初期階段市場正處于一個充滿機遇與挑戰的初期階段。盡管近年來 AIGC 技術取得了顯著進步，應用場景不斷增加，但整體市場仍在探索和形成中。隨著新模型和應用層出不窮，企業和開發者不斷尋求更高效、更智能的解決方案，以滿足不斷變化的市場需求。AIGC 的應用場景從內容創作、營銷擴展到醫

103、療、教育等多個領域，不同的行業對 AIGC 的需求和實現方式各不相同，企業正在探索最佳的整合方式。除了大型科技公司，許多初創企業也紛紛進入這一領域，推出各種創新的 AIGC 應用，進一步加劇市場競爭。隨著技術的成熟和應用的深入，預計未來幾年 AIGC 應用市場將迎來更大的發展和變革。AIGCAIGC 應用市場正呈現出多元化的競爭格局，發展態勢持續演變應用市場正呈現出多元化的競爭格局，發展態勢持續演變。隨著越來越多的初創企業和中小型公司進入市場，這些企業致力于推出針對特定行業的AIGC 產品，如醫療、廣告、金融和教育等領域的定制化應用工具。根據 IoTAnalytics 的分析，2023 年埃森

104、哲以 6%的市場份額在 AIGC 應用市場保持領先地位，并將 AIGC 技術整合到其咨詢服務中，幫助客戶實現數字化轉型。IBM、Capgemini 和 Cognizant 緊隨其后，展現了這些公司在推動 AIGC 技術應用方面的持續努力。未來，隨著市場需求的不斷增長，這些公司的競爭格局可能會進一步變化，帶來更多創新和機遇。敬請參閱尾頁之免責聲明行業研究深度報告32/33圖圖 3838：AIGCAIGC 應用市場份額（應用市場份額（20232023 年）年）資料來源：IoT Analytics、招商銀行研究院5業務建議與風險提示5.1 業務建議（本部分有刪減，招商銀行各行部請參照文末聯系方式聯系

105、研究院）圖圖 3939：AIGCAIGC 產業鏈布局策略產業鏈布局策略資料來源：招商銀行研究院5.2 風險提示敬請參閱尾頁之免責聲明行業研究深度報告33/33（1 1）倫理道德的風險。）倫理道德的風險?？赡芗觿∩鐣黄降?，侵犯隱私，存在算法偏見和道德爭議，若處理不當可能引發法律問題。（2 2）技術缺陷的風險。）技術缺陷的風險。算法和模型可能存在缺陷，導致生成內容質量低或被惡意利用，進而造成信息泄露及人類對技術的過度依賴。（3 3）監管與法律的風險。）監管與法律的風險。各國可能出臺新的監管政策，企業需時刻關注并遵循，以避免法律風險。（4 4）商業化不確定的風險）商業化不確定的風險。技術瓶頸和應用

106、局限可能影響商業化進程，給企業帶來風險。（5 5）市場競爭加劇的風險市場競爭加劇的風險。行業內競爭激烈，技術更新迅速，可能影響行業的健康發展。（6 6）宏觀經濟波動的風險。宏觀經濟波動的風險。宏觀經濟波動可能影響投資決策和市場需求，從而影響 AIGC 行業的整體發展。行業研究深度報告免責聲明本報告僅供招商銀行股份有限公司（以下簡稱“本公司”）及其關聯機構的特定客戶和其他專業人士使用。本公司不會因接收人收到本報告而視其為本公司的當然客戶。本報告僅在相關法律許可的情況下發放，并僅為提供信息而發放，概不構成任何廣告。在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議。在任何情況下，

107、本公司不對任何人因使用本報告中的任何內容所引致的任何損失負任何責任。本報告的信息來源于已公開的資料，本公司對該等信息的準確性、完整性或可靠性不作任何保證。在不同時期，本公司可發出與本報告所載資料、意見及推測不一致的報告。本公司不保證本報告所含信息保持在最新狀態。同時，本公司對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。本公司可能采取與報告中建議及/或觀點不一致的立場或投資決定。市場有風險，投資需謹慎。市場有風險，投資需謹慎。投資者不應將本報告作為投資決策的唯一參考因素，亦不應認為本報告可以取代自己的判斷。在決定投資前，如有需要，投資者務必向專業人士咨詢并謹

108、慎決策。本報告版權僅為本公司所有，未經招商銀行書面授權，本研究報告的任何部分均不得以任何方式制作任何形式的拷貝、復印件或復制品，或再次分發給任何其他人，或以任何侵犯本公司版權的其他方式使用。如征得本公司同意進行引用、刊發的，需在允許的范圍內使用，并注明出處為“招商銀行研究院”，且不得對本報告進行任何有悖原意的引用、刪節和修改。未經招商銀行事先書面授權，任何人不得以任何目的復制、發送或銷售本報告。招商銀行版權所有，保留一切權利。未經招商銀行事先書面授權，任何人不得以任何目的復制、發送或銷售本報告。招商銀行版權所有，保留一切權利。招商銀行研究院地址 深圳市福田區深南大道 7088號招商銀行大廈 16F（518040）電話 0755-22699002郵箱 傳真 0755-83195085