計算機行業(yè)市場前景及投資研究報告：落地范式護城河AI應(yīng)用投資機會

%%%%AI時代應(yīng)用奇點型落地范式目

錄0102

模型即應(yīng)用時代，應(yīng)用端如何構(gòu)建護城河AI應(yīng)用投資思考03%%3%%%%%01AI時代應(yīng)用奇點型落地范式4%%%%AI本質(zhì)是生產(chǎn)力技術(shù)，應(yīng)用側(cè)為奇點落地范式01

AI本質(zhì)是生產(chǎn)力技術(shù)革命，核心是替代甚至超越人工AI本質(zhì)是生產(chǎn)力革命，核心是對人工的替代，AI應(yīng)用落地會分為輔助人工、替代人工、超越人工三個階段。AI應(yīng)用落地三個階段AI大模型助力軟件開發(fā)生產(chǎn)力大幅提升3KeywordD超u越m人my工Title巴基斯坦Hamind德國Alex1.規(guī)則和流程由AI去制定；2.AI能力超越最專業(yè)的人員。年19年編程經(jīng)驗周后42D替u代m人my工Title完成完成7%MVP195%MVP完成時間2周10周1.場景中80%以上的任務(wù)可以用AI替代；2.除了少數(shù)頂尖專家其余工作均可以由AI完成。GPT-4：211美元Copilot

20Bubble：

134美元周薪酬

：2460美元開發(fā)：45000美元測試：11000美元托管：20美元1：美元D輔u助m人my工Title成本1.規(guī)則和決策由人去制定，AI解決一些固定流程；2.核心流程由人定義。資料來源：海外獨角獸公眾號，長江證券研究所%%5%%%%%01

AI應(yīng)用落地需要考慮成本和泛用性困境

人工智能發(fā)展的首要壓制因素是相對成本，技術(shù)突破的本質(zhì)是泛用性的提升。對于ToC場景來說，如何能夠更加擬人/類人化靈活陪伴/提升效率是關(guān)鍵；對于ToB場景來說，如何讓企業(yè)衡量相對成本，定量衡量提升效率情況，認(rèn)為值是關(guān)鍵人工智能公司發(fā)展面臨的一大難點是盈利能力較弱，主要系：

成本端人員成本、研發(fā)投入無法在細分場景中共攤，導(dǎo)致成本居高不下；

收入端客戶為技術(shù)付費意愿較低，投資回報率低。成本的相對高昂導(dǎo)致客戶無法堅定使用相關(guān)技術(shù)及產(chǎn)品提升企業(yè)或個人效率，同時技術(shù)提效的有限性導(dǎo)致客戶付費意愿較低。大模型的出現(xiàn)提升了而模型底座的復(fù)用性，有望實現(xiàn)規(guī)模化落地分?jǐn)?。另一方面，?yīng)用端企業(yè)進入壁壘大幅下降，如何憑借數(shù)據(jù)和場景Knowhow構(gòu)建公司自身不可替代的壁壘，成為重中之重。一張圖看人工智能技術(shù)商業(yè)化落地本質(zhì)人工智能技術(shù)商業(yè)化落地本質(zhì)需求側(cè)可接受的成本（低成本）靠供給側(cè)技術(shù)突破降本（比較困難）靠技術(shù)突破泛化程度提升，實現(xiàn)規(guī)?；涞胤?jǐn)偦A(chǔ)資源單一大場景碎片化場景資料來源：長江證券研究所。6%%%%02大模型出現(xiàn)有望改變核心矛盾：成本和生產(chǎn)力

AI研發(fā)范式發(fā)生變化，泛用性提升，平攤底座成本：（1）第一階段范式：從頭開始訓(xùn)練模型——AI應(yīng)用企業(yè)做大需要=海量數(shù)據(jù)（各行各業(yè)）+大算力基礎(chǔ)+AI人才團隊，無法產(chǎn)生規(guī)模效應(yīng)（2）第二階段范式：預(yù)訓(xùn)練+微調(diào)訓(xùn)練的遷移學(xué)習(xí)——從相似性出發(fā)，尋找部分領(lǐng)域共性，遷移學(xué)習(xí)實現(xiàn)基座部分領(lǐng)域重復(fù)利用，AI應(yīng)用企業(yè)做大需要=海量數(shù)據(jù)（部分行業(yè)）+一定算力基礎(chǔ)+AI人才團隊（3）第三階段范式：基礎(chǔ)大模型+提示學(xué)習(xí)——基座模型能力得到絕對突破，走向AGI，通過應(yīng)用提示實現(xiàn)差別，AI應(yīng)用企業(yè)做大只需了解產(chǎn)業(yè)專屬promptAI研發(fā)范式的改變主要來源于新技術(shù)的突破，核心目的是實現(xiàn)基座模型標(biāo)準(zhǔn)化和泛化后的降本，從而實現(xiàn)商業(yè)化落地資料來源：北京智源%%7%%%%%01

供給驅(qū)動需求，驅(qū)動橫縱兩向不斷進步，場景能力有望突破

Transform框架大力出奇跡的成功是本輪AI大模型革命的起源，其帶來的影響主要是兩個方面

Scalling

Law：1）規(guī)模越大能力提升斜率越高；2）參數(shù)到一定量級會涌現(xiàn)出新能力產(chǎn)生質(zhì)變；

通往AGI的路徑：Transform架構(gòu)已經(jīng)在文本（語言類）跑通，后續(xù)會在圖像、視頻甚至執(zhí)行側(cè)復(fù)現(xiàn)逐漸通往AGI。Transform出現(xiàn)涌現(xiàn)效應(yīng)Scalling

Law不斷在其他領(lǐng)域復(fù)現(xiàn)推動AGI實現(xiàn)資料來源：《Emergent

Abilities

of

Large

Language

Models》Wei

etal.，長江證券研究所。8%%%%01

奇點型落地范式造就非線性爆發(fā)

AI應(yīng)用落地遵循奇點型非線性爆發(fā)

一次奇點：新技術(shù)在現(xiàn)有場景落地，并對傳統(tǒng)AI技術(shù)進行顛覆，吞噬原有市場的同時帶動擴容；

二次奇點：細分場景實現(xiàn)人工替代，供需構(gòu)建飛輪效應(yīng)，場景迎來二次爆發(fā)性擴容；

三次奇點：實現(xiàn)對人類全面超越，場景迎來全面重構(gòu)。

技術(shù)全面替代；

迭代加速；

市場擴容奇點1一KeywordText奇點2

全面人工替代；

供需飛輪二次付費爆發(fā)；KeywordTextKeywordTextKeywordText奇點3

全面超越人類；

場景價值鏈條重構(gòu)資料來源：長江證券研究所%%9%%%%%01

案例：從智能駕駛發(fā)展看AI應(yīng)用奇點落地

深度學(xué)習(xí)技術(shù)提升圖像識別率拉開智能駕駛的序幕，成為智駕發(fā)展一次奇點：新技術(shù)在現(xiàn)有場景落地，并對傳統(tǒng)AI技術(shù)進行顛覆，吞噬原有市場的同時帶動擴容；深度學(xué)習(xí)是計算機從數(shù)據(jù)中提取決策依據(jù)的一個過程。與傳統(tǒng)的基于算法的系統(tǒng)相比，其最大的不同在于給定模型之后，深度學(xué)習(xí)系統(tǒng)可以自動地學(xué)習(xí)如何完成給定的任務(wù)，這些任務(wù)不僅可以是識別圖像和語音，甚至可以是控制無人機執(zhí)行任務(wù)或是讓汽車自動行駛。近年來深度學(xué)習(xí)進展的一個直觀的體現(xiàn)就是ImageNet競賽。在這個競賽中參賽算法在數(shù)千圖像和視頻的大規(guī)模數(shù)據(jù)上測試檢測和分類的正確率。2012年之前，競賽中物體的識別率一直提升得非常緩慢（低于70%）。在2012年引入深度學(xué)習(xí)之后，識別率一躍升至80%，現(xiàn)在已超過95%。深度學(xué)習(xí)已經(jīng)取代了傳統(tǒng)視覺方法在這一競賽中的地位。ImageNet識別率大幅提升智駕能力發(fā)展與感知算法能力提升呈現(xiàn)正相關(guān)資料來源：新智元，英偉達，億歐智庫，長江證券研究所10%%%%01

案例：從智能駕駛發(fā)展看AI應(yīng)用奇點落地

數(shù)據(jù)上云，云端與大模型結(jié)合形成數(shù)據(jù)閉環(huán)，成為智駕發(fā)展二次奇點：細分場景實現(xiàn)人工替代，供需構(gòu)建飛輪效應(yīng)，場景迎來二次爆發(fā)性擴容；若要建立一套智駕大模型，就必須要先做好數(shù)據(jù)閉環(huán)，其原因是智駕大模型需要大規(guī)模多模態(tài)數(shù)據(jù)，并且對數(shù)據(jù)處理的算力需求和模型計算效率要求也較高。數(shù)據(jù)閉環(huán)并不是一個較新的概念，早期自動駕駛產(chǎn)業(yè)已經(jīng)開始出現(xiàn)了數(shù)據(jù)閉環(huán)的概念，但痛點在于低效率和高成本，比如數(shù)據(jù)標(biāo)注多采用人工標(biāo)注為主，在如今AI技術(shù)的加持下，數(shù)據(jù)閉環(huán)中的一些環(huán)節(jié)可以實現(xiàn)全自動或者半自動化的工作，使得整體的效率大幅提升、成本下降。自動駕駛數(shù)據(jù)閉環(huán)圖示自動駕駛數(shù)據(jù)閉環(huán)發(fā)展歷程資料來源：億歐智庫，長江證券研究所%%11%%%%%01

案例：從智能駕駛發(fā)展看AI應(yīng)用奇點落地

數(shù)據(jù)上云，云端與大模型結(jié)合形成數(shù)據(jù)閉環(huán)，成為智駕發(fā)展二次奇點：細分場景實現(xiàn)人工替代，供需構(gòu)建飛輪效應(yīng)，場景迎來二次爆發(fā)性擴容；以此為基礎(chǔ)，目前以特斯拉為代表的智能汽車廠商已在云端運用大模型Transformer架構(gòu)將數(shù)據(jù)與場景跑通，誕生自動數(shù)據(jù)標(biāo)注工具、仿真場景，然后利用云端模型優(yōu)化車端模型。后又提出端到端概念，車端基于Transformer架構(gòu)帶來的scaling

law效應(yīng)有望出現(xiàn)。Tesla

已使用tranformer將不同視角的圖像轉(zhuǎn)換至BEV空間下，再在BEV空間進行物體檢測。端側(cè)率先在感知算法進行Transformer架構(gòu)結(jié)合，對于空間、時序特征考慮在內(nèi)數(shù)據(jù)和AI驅(qū)動的端到端模型有望實現(xiàn)真正的自動駕駛資料來源：《BEVFormer:

Learning

Bird’s-Eye-View

Representation

fromMulti-Camera

Images

via

Spatiotemporal

Transformers》Zhiqi

Li等著，億歐智庫，長江證券研究所12%%%%02模型即應(yīng)用時代，應(yīng)用端如何構(gòu)建護城河%%13%%%%%AI應(yīng)用與傳統(tǒng)應(yīng)用的差異：如何解決不確定性02

不確定性何解：與傳統(tǒng)用用相比，AI應(yīng)用的核心問題是要面對不確定性，產(chǎn)品是概率分布的，因此產(chǎn)品的迭代流程也需要發(fā)生變化。

商業(yè)化奇點較晚：與過去的技術(shù)革命相比，AI的商業(yè)化奇點的到來較此前互聯(lián)網(wǎng)等技術(shù)革命更晚，因為AI應(yīng)用是替代關(guān)系，需要至少做到人類智慧的水平才具備商業(yè)化價值。AI應(yīng)用的核心問題是要面對不確定性AI應(yīng)用的商業(yè)化奇點顯著晚于傳統(tǒng)應(yīng)用AI應(yīng)用/產(chǎn)品的關(guān)注重點可能是準(zhǔn)確性、可靠性、響應(yīng)速度、用戶體驗的愉悅度，以及不斷更新優(yōu)化——Perplexity

AIAI傳統(tǒng)應(yīng)用AI應(yīng)用互聯(lián)網(wǎng)等技術(shù)革命互聯(lián)網(wǎng)等技術(shù)革命不確定性100%確定性確定性收斂過的確定的部分可以回歸傳統(tǒng)方法去迭代優(yōu)化不確定的部分則需要繼續(xù)不受約束地探索傳統(tǒng)方法正常迭代可能的AI應(yīng)用迭代路徑傳統(tǒng)AI應(yīng)用AICopilotAIAgent

舉例：圖像人臉識別、搜索推薦等角色：AI能力通常是作為獨立組件

舉例：Word、WPS、編程IDE等

舉例：未來更成熟的AI形態(tài)軟件中的Copilot

角色：能夠感知環(huán)境、進行復(fù)雜決或API服務(wù)，執(zhí)行特定的單一的AI

角色：理解用戶意圖和上下文，提策并執(zhí)行動作技術(shù)成熟度任務(wù)供個性化輔助理解用戶意圖和上下

效果：擁有更強大的自主性和能力文，提供個性化輔助

效果：增強特定環(huán)節(jié)的智能化水平

效果：提供實時的、上下文相關(guān)的幫助，可覆蓋多個環(huán)節(jié)工作鏈路螞蟻貓猩猩腦殘人資料來源：海外獨角獸公眾號，長江證券研究所14%%%%02

大模型時代，模型能力與數(shù)據(jù)是核心壁壘

在大模型時代，我們認(rèn)為模型能力與數(shù)據(jù)是核心壁壘。模型能力決定產(chǎn)品上線，而數(shù)據(jù)壁壘定義產(chǎn)品的安全區(qū)。模型能力決定產(chǎn)品“上限”數(shù)據(jù)的壁壘定義產(chǎn)品“安全區(qū)”大模型的知識/數(shù)據(jù)主要來源AI的本質(zhì)是模擬人接收信息再反饋的過程，過去大模型主要解決文字統(tǒng)一輸入，多模態(tài)出現(xiàn)AI開始睜眼看世界，隨著大模型架構(gòu)逐漸完善，AI將逐漸能聽會說，具備理解世界的能力。訓(xùn)練數(shù)據(jù)外接數(shù)據(jù)庫用戶反饋數(shù)據(jù)模型持續(xù)迭代，數(shù)據(jù)瓶頸問題日益顯著圖：GPT的迭代歷程解決方案合成數(shù)據(jù)技術(shù)推進產(chǎn)品搭建核心通過算法和數(shù)據(jù)模型創(chuàng)建合成數(shù)據(jù)進行訓(xùn)練核心是構(gòu)建交互場景，比如能被高頻使用的C端應(yīng)用ChatGPT基壁壘在GPT-2的基礎(chǔ)上，GPT-3做了以下憂化：在GPT-1的基礎(chǔ)上，GPT-2做了于GPT-3.5展望GPT5以下改進：架構(gòu)，并做以下優(yōu)化：GPT-1采用12層Transfomer，每層12個注意頭①GPT-2有48層，使用1600維向量進行詞嵌入將層歸一化移動到每個子塊的輸入，并在最終的自注意塊后增加一層歸化③修改初始化的殘差層權(quán)重，縮放為原來的1/

√N

。其中N是殘差層的數(shù)量1）物理核心降低幻視①GPT-3有96層，使用來自人類反饋的強化學(xué)習(xí)進行訓(xùn)練②通過近端策略優(yōu)化算法進行微調(diào)、為信任域策略優(yōu)化算法帶來了成本效益每層有96個注意頭用戶數(shù)據(jù)的scaling會在未來帶來類似互聯(lián)網(wǎng)的飛輪效應(yīng)合成數(shù)據(jù)的優(yōu)勢：1）提高模型的性能和泛化能力；2）針對某一領(lǐng)域的能力加強訓(xùn)練，允許大模型搭建自己的“安全區(qū)”。②GPT-3的單詞嵌入2

Qstar）

機器人提升復(fù)雜任務(wù)處理大小從GPT-2的1600增加到12888③上下文窗口大小從GPT-2的1024增加3）原生多模態(tài)到GPT-3的2048④特征向量維數(shù)從768擴展到1600，詞表擴大到50257④采用交替密度和局部帶狀稀蔬注意模式飛應(yīng)資料來源：中國科學(xué)報，36氪，前海再?？萍脊娞?，計算機教育公眾號，騰訊云CloudStudio公眾號，新智元公眾號，BusinessInsider，TheAIGRID，長江證券研究所%%15%%%%%02視頻、代碼等模型即應(yīng)用將會是通用大模型廠商的射程范圍

視頻：通往AGI的路徑方向上，大模型的迭代會逐步從早期各個模態(tài)的獨立發(fā)展逐步轉(zhuǎn)向多模態(tài)的融合，這樣的演進即代表著視頻應(yīng)用未來將在通用大模型廠商的射程范圍之內(nèi)。

代碼：隨著通用大模型遵循scaling

law不斷進化，智能化的提升會自然帶動代碼能力的增強。通往AGI的路徑方向模型能力早期階段當(dāng)前階段未來階段各個模態(tài)獨立發(fā)展多模態(tài)融合：模態(tài)融合&任務(wù)融合主動探索物理世界figure.aiGPT-4具身智能超級對齊GPT-4V語言模型System2：復(fù)雜任務(wù)規(guī)劃，抽象概念歸納多模理解環(huán)境交互多模態(tài)模型統(tǒng)一理解和生成視覺模型世界模型GPT-5？Whisper多模生成DALLE3,Sora聲音模型資料來源：長江證券研究所16%%%%02

海外大模型偏向基座，國內(nèi)更容易衍生垂直一體化廠商海外大模型廠商具備較明顯優(yōu)勢，更適合發(fā)展基座模型國內(nèi)AI發(fā)展基礎(chǔ)并不差，容易衍生垂直一體化廠商1）海外大模型廠商具備較明顯的先發(fā)優(yōu)勢：海外大模型積累多年，截至2023年開閉源模型都已經(jīng)有頭部公司發(fā)力。相較之下，國內(nèi)起步較晚，且算力被卡脖子，因此模型突破極度依賴戰(zhàn)略突破。國內(nèi)AI基礎(chǔ)其實并不差：1）并不缺少頂級人才；2）龐大的落地市場；3）政府高度重視。在以上的發(fā)展生態(tài)上，除去在基座模型的持續(xù)追趕方面，國內(nèi)亦更容易借助市場的優(yōu)勢，在特定的行業(yè)和賽道中衍生出垂直一體化廠商——在特定領(lǐng)域劃出安全區(qū)，或針對特定的能力加以增強。從今年一月份第四批通過備案的企業(yè)名單看，除去傳統(tǒng)的大模型廠商看，亦開始有垂直領(lǐng)域的企業(yè)、針對特定的功能獲批。在眾多可能的落地領(lǐng)域中，數(shù)據(jù)敏感型場景（如自動駕駛）更有望誕生垂直一體化廠商。2）海外算力和模型能構(gòu)成比較好的正向循環(huán)。3）海外融資環(huán)境海外更好，支付能力更強。4）海外人力成本更高，因此AI深化落地的速度也會更快。表：新一批通過大模型備案審批的企業(yè)名單（僅展示第一批與第四批）批次公司大模型/產(chǎn)品圖：海外開閉源大模型梳理百度阿里文心一言通義大模型騰訊混元大模型抖音云雀大模型華為盤古訊飛智譜AI星火大模型GLM大模型第一批百川智能百川大模型商湯MiniMax中科院日日新大模型ABAB大模型紫東太初大模型書生通用大模型零一萬物大模型式說大模型上海人工智能實驗室零一萬物第四范式品商大模型銜遠科技摹小仙大模型一葉輕舟大模型新壹視頻大模型魔方大模型識因智能新壹科技創(chuàng)思遠達步刻科技BOSS直聘智聯(lián)招聘脈脈小米什么值得買掌閱第四批微步情報智腦大模型南北閣大模型“AI改簡歷”新功能“智能問答”新功能“小愛同學(xué)AI助手”新功能AI問答機器人“閱愛聊”微信小程序資料來源：期刊論文《Harnessing

thePower

ofLLMsin

Practice:

ASurvey

on

ChatGPTand

Beyond》，中國網(wǎng)信網(wǎng)，長江證券研究所%%17%%%%%03AI應(yīng)用投資思考18%%%%01

把握AI應(yīng)用一次奇點爆發(fā)——AI+視頻、具身智能

隨著AI模型能力的提升以及產(chǎn)業(yè)對AI接受度的提高，預(yù)計AI將在更多更復(fù)雜的產(chǎn)品完成0到1的變革，重點關(guān)注具身智能、AI+視頻等賽道。伴隨Sora的商業(yè)化，AI+視頻領(lǐng)域或?qū)⒃诮衲暧瓉砥纥c爆發(fā)具身智能的本質(zhì)是人工智能的高技術(shù)供給驅(qū)動生產(chǎn)力范式重構(gòu)AI

對視頻制作的改造可以簡單分為三類：視頻生成（Text-to-Generate）、AI

視頻編輯（AI

Editor）