1. CIC灼识咨询 大模型与AIGC蓝皮书 © 2023 China Insights Consultancy. All rights reserved. This document contains highly confidential information and is solely for the use of our client. No part of it may be circulated, quoted, copied or otherwise reproduced without the written consent of China Insights Consultancy. 1

2. 灼识咨询是一家知名咨询公司。其服务包括IPO行业咨询、商业尽职调查、战略咨询、专家网络 服务等。其咨询团队长期追踪物流、互联网、消费品、大数据、高科技、能源电力、供应链、 人工智能、金融服务、医疗、教育、文娱、环境和楼宇科技、化工、工业、制造业、农业等方 面最新的市场趋势，并拥有上述行业最相关且有见地的市场信息。 灼识咨询通过运用各种资源进行一手研究和二手研究。一手研究包括访谈行业专家和业内人士。 二手研究包括分析各种公开发布的数据资源，数据来源包括中华人民共和国国家统计局、上市 公司公告等。灼识咨询使用内部数据分析模型对所收集的信息和数据进行分析，通过对使用各 类研究方法收集的数据进行参考比对，以确保分析的准确性。 所有统计数据真实可靠，并是基于截至本报告发布日的可用信息。 若您希望获取CIC灼识咨询的详细资料、与灼识建立媒体/市场合作，或加入灼识行业交流群， 欢迎扫码、致电021-23560288或致函marketing@cninsights.com。 2

3. 目录 I. 大模型如今已展现出卓越的能力，随着其不断演进和完善， 必将引领AI的未来道路，开创智能时代的新纪元 II. 受益于大模型技术的日益成熟，AIGC有望掀起新一轮产业革 命，开启人类发展的智能新时代 III. GPGPU高度并行的计算资源为大型模型的训练和推理提供了 不可或缺的支持，推动了大模型与AI领域的不断进步和创新 IV. 彩蛋：生成式AI如何提升工作效率 3

4. AI应用现状 全球AI市场预计将于2030年达到1万亿美元，并且全球超过15%的GDP将由AI驱动；AI在各垂直领域的应用渗 透率也将继续提升。 强/主要的 AI在垂直领域中的应用 数据及AI基础设施建设 行业 数据量 数据质量 IT系统成熟度 弱/次要的 中国AI应用情况 中国AI支出占AI市场 比例，2022 AI占IT支出比例 2022 2027E AI应用的挑战 AI支出CAGR， 22-27E 金融 12.1% 11.8% 19.8% 28.1% • • 不同机构之间的数据孤岛 数据系统安全及隐私 零售 5.7% 3.7% 5.7% 26.6% • • 传统零售商获取结构化/高度可用的数据 供应链机器学习算法优化 制造业 8.6% 1.8% 4.4% 43.6% • • • 专注单点技术突破，但无法跨场景规模化应用 数据整合程度低，管理欠佳 AI解决方案供应商分散 能源 2.6% 5.1% 9.8% 41.4% • AI应用/转型进度较慢 医疗 5.6% 5.5% 8.2% 27.6% • • 数据分散在各医院/管理机构 数据系统安全及隐私 汽车 12.3% 19.5% 25.5% 21.0% • 自动驾驶数据融合难度高 政府 27.1% 21.6% 28.3% 18.7% • • 不同机构之间的数据孤岛 数据系统安全及隐私 资料来源：灼识咨询 4

5. 大模型的定义 大模型是基于海量多源数据打造的模型，其是实现通用人工智能（AGI）的重要路径。大模型可以整合多种不 同类型的数据和信息，实现多模态处理和分析，从而更全面地理解和解决复杂问题，其具备通用性、涌现性等 诸多特点。 定义 • AI可分为ANI (Artificial Narrow Intelligence)、AGI (Artificial General Intelligence) 和ASI (Artificial Super Intelligence）。ANI是专注于执行某一领域任务的经过训练的人工智能，是目前大多数的AI 形式；AGI是通用人工智能，是指一种具有与人类相当的认知能力的智能系统，能够理解、学习、计划和解决问题；ASI是超级人工智能，指在几乎所有领域都超过最优秀的人类所具备的智能、知 识、创造力、智慧和社交能力的智能系统。目前，ANI已经广泛应用，AGI处于研发阶段，而大模型是实现AGI的重要路径。 大模型是实现AGI的重要路径，其具有诸多特点 AI的三种类型比较 擅长领域 专用人工智能 (ANI) 具备能力 某一特定领域 具备执行能力 大部分领域 拥有能够与人类相媲美 的智慧 发展成熟度 已应用广泛 ⚫ 通用性 ⚫ 高投入 大模型可以快速并 大规模地与云计算、 互联网等其他技术 结合，广泛地应用 在经济的各个领域。 大模型具有重投入、 长周期的特点，如每 次测试需要海量的算 力资源，训练一次成 本高达千万美元。 四大特点 通用人工智能 (AGI) 所有领域 超级人工智能 (ASI) 资料来源：灼识咨询 全知全能 处于研发阶段 尚处早期 ⚫ 涌现性 大模型参数超过百 亿级时，模型性能 会呈现出指数级增 长，同时能够对未 经专门训练的问题 举一反三。 ⚫ 工程化 大模型对数据、算法、 算力要求极高，需要 工程化的经营思路。 需要严格把控数据清 洗，把控用于关键性 训练的数据，和构建 大规模高质量训练的 算力。 5

6. 大模型产业图谱 大模型产业涵盖了行业应用、产品服务、模型工具和基础设施四个关键层面，广泛应用于各行业与垂直场景， 前景广阔。 大模型相关产业图谱 金融 教育 艺术设计 游戏 医药 文化娱乐 其他 行 业 应 用 文本 图像 音频 视频 虚拟空间 代码 产 品 服 务 算法模型 模 型 与 工 具 基 础 设 施 资料来源：中国信通院，灼识咨询 工具平台 数据 模型托管/交易 芯片 云平台 6

7. 大模型的演变 大模型的演变经历3个阶段：基础大模型具备大量知识储备，能理解并生成内容，质量差强人意；精调大模型能 按照人类偏好及普世价值取向、并保证一定安全性的前提下，生成高度可用的内容；而出现能力涌现的大模型 所生成的内容接近人类水平。 高/强 大模型演变概览 1 基础大模型 2 精调大模型 模型示意图，以GPT-3模型为例 … … 模 型 变 化 … … 3 能力涌现的大模型 指令精调示意图 能力涌现示意图 取余数 运算 学习输出模板 每层 千个 节点 人工对大量问题的回答形成模板供模型学习 每层 千个 节点 低/弱 准 确 性 修辞手法 单词解谜 国际音 标转写 准 确 性 准 确 性 准 确 性 建立评分机制 人工对模型的数个输出进行排序，建立奖励模型 并为后续结果进行打分 每层 千个 节点 根据结果重复优化过程 模型根据打分结果调整后续输出，并不断重复上 述过程以优化模型 共128层 场景映射 真实 问答 准 确 性 准 确 性 语境理解 多任务自然 语言理解 准 确 性 准 确 性 模型规模 模 型 特 征 • GPT-3采用了96层的多头Transformer，参数量达 到1,750亿，并使用45TB数据进行训练。 • 指令精调在于确保模型输出结果的准确性及安全性， 在该阶段需要使用较多的人工标注介入。在此基础上， 引入奖励模型，让模型脱落人工指引，实现自优化。 • 随着模型参数的指数级增长，大模型能力呈现明显 的爆发增长，呈现能力涌现的情况。 • 具备大量知识储备，能理解并生成语言，质量差强 人意。 • • 具备逻辑推理能力及上下文理解能力，更接近人类 水平。 能按照人类偏好及普世价值取向，并保证一定安全 性的前提下生成高度可用的内容。 资料来源：“Are Emergent Abilities of Large Language Models a Mirage? ”，灼识咨询 7

8. 大模型的终端用户 大模型的终端用户包括C端、B端和企业自用三类。C端用户一般使用标准化的模型产品，B端用户更倾向于选择 能满足行业或企业特定需求的个性化解决方案，而企业自用的模型则旨在降低运营成本、提高运营效率、优化 产品的用户体验。 大模型的终端用户分类 主要特点 C端 • 主要用于个人娱乐、学习和创作 • 标准化程度高，普适性强 • 强调用户友好性与互动性 • 针对企业和机构，提供针对性解决方案的大 模型 • 通常基于基础大模型，根据不同企业、行业 的需求进行一定程度的定制，模型较为异质 化、用途多样 • 强调模型在不同领域的专业能力，以及客户 的数据隐私和安全 • 主要用于内部业务优化 • 个性化定制，解决企业独特的问题和需求 • 数据保密性至关重要，强调内部控制和数据 安全 B端 企业自用 资料来源：灼识咨询 主要变现模式 • C端用户订阅 • B端企业用户订阅或购买非 定制化行业模型 • 无直接变现，主要作用在于 降低企业自身运营成本并提 升效率 应用案例 8

9. 大模型的表现 大模型在多领域表现卓越，在自然语言理解、学习能力、视觉听觉识别等领域可以媲美甚至超越人类。提高大 模型的创造能力、减少对数据的依赖性、加强隐私保护等将会是大模型迭代的重点。 大模型在不同场景中与人类表现对比 直觉 视觉 识别 MNIST（手写识别） MNIST (handwriting recognition) ImageNet (image recognition) ImageNet（图像识别） SQuAD 2.0 (reading comprehension)2 SQuAD 2.0（综合阅读） 听觉识别 0.2 创造性思维 抽象思维 自然语言 理解 学习能力 Switchboard（语音识别） Switchboard (speech recognition) SQuAD (reading comprehension) SQuAD 1.1 1.1（综合阅读） GLUE (language understanding) GLUE（语言理解） 人类表现 伦理是非 判断 0 艺术表现 情感判断 大模型尚不具备 -0.2 大模型具备但仍需改进 大模型具备且可与人类媲美 -0.4 • • • • • • • • • 视觉/听觉识别：基本达到甚至一定程度上超越人类，准确率较高 学习能力：具备自动学习能力，在特定任务和数据集上可以超越 人类 自然语言理解：熟练掌握多种人类语言，基本达到甚至一定程度 上超越人类，存在一定语言不够自然（机械化）的问题 创造性思维：能够生成创造性内容，但通常是在已知样本的基础 上进行创作或是需要人类指导/二次修改 抽象思维：相对有限，依赖于数据与模型参数 艺术表现：可以生成艺术作品，但通常缺乏情感和创新 情感判断：能够进行情感分析，但不具备真实情感体验 伦理是非判断：不具备，可能引发错误或数据隐私等安全问题 直觉：不具备 -0.6 -0.8 -1 1998 资料来源：“Computers ace IQ tests but still make dumb mistakes. Can different tests help?”，灼识咨询 2003 2008 2013 2018 9

10. 大模型的发展现状 随着大模型的不断演进，它们的参数规模也呈现出指数级增长的趋势；与此同时，它们的复杂性和功能愈发提 升，使得大模型能够在各领域担任更加多样和复杂的任务。 大模型的发展及参数量 参数数量 Wu Dao 2.0 3.2e+12 GPT-3 175B (davinci) 3.2e+11 Megatron- Turing NLG 530B GPT-4 (1.8T) PaLM(540B) Minerva (540B) PanGu-u HyperClova Gopher Jurassic-1- Jumbo 3.2e+10 T5-11B Turing NLG DALL-E Megatron-LM (Original, 8.3B) T5-3B Meena 3.2e+9 GPT-2 GPT-Neo GLM-130B Chinchilla ERNIE 3.0 日日新 (180B) Sparrow (70B) Claude (52B) 通义千问 (7B) ChatGL M-6B Jurassic-X CogView DALL·E 2 Wu Dao - Wen Yuan Grover-Mega Ernie Bot (260B) GPT-NeoX-20B Codex GPT-J-6B BLOOM OPT-175B Stable Diffusion (LDM-KL-8-G) ERNIE-GEN (large) 3.2e+8 2019 2020 2021 2022 2023 时间 分析 • • • 在大模型出现之前，机器学习算法的参数量以平均每5-6年翻一个数量级的速度快速增长，而大模型的出现使模型参数量的增长速度大幅提升。 举例而言，大模型及多模态模型的鼻祖之一GPT-2发布于2019年，参数量为15亿；GPT-3发布于2020年，参数量即达到了1,750亿，相比GPT-2增长了100多倍。粗略计算，在大模型兴起的前几年， 大模型的参数量每年即可增长1-2个数量级。 在目前已公开参数量的大模型中，参数量最多的达到了1.75万亿。 资料来源：HAI，灼识咨询 10

11. 大模型的应用 大模型正在各应用场景崭露头角，其应用场景广泛且多样化。从自然语言处理到图像生成，从音频处理到视频、 3D场景创建，大模型能够应对多领域的挑战。未来，大模型有望为更多应用场景带来更多机会和创新。 大模型的应用场景 应用场景 文本 主要用途 • • 营销（内容） 销售（邮件） 相关大模型 • • 通用写作 记笔记 GPT Cohere Gopher Anthropic OPT AI2 Bloom Yandex • • 代码生成 代码文档化 • • 文本到SQL 网页应用构建 GPT • • 图像生成 消费者/社交应用 • • 媒体/广告 设计 Dall-E 2 音频 • 语音合成 OpenAI 视频 • 视频编辑/生成 X-CLIP 3D • 3D模型/场景搭建 编程 图像 Tabnine Stable Diffusion DreamFusion GET3D 资料来源：红杉资本，灼识咨询 描述 • • • Stability.ai • • Craiyon Make-A-Video MDM (Motion Diffusion Model) • 模型比较擅长通用的短/中篇幅写作，通常用于初稿 及更新稿撰写 模型能够理解上下文，生成更自然的文本，准确性 逐渐接近人类水平，广泛应用于智能客服、文本摘 要、内容生成等领域 代码生成可能在短期内对开发人员的生产力带来重 大影响 能降低非开发人员编程的门槛 在图像识别、分割、风格转换等领域有广泛应用， 能够处理复杂的视觉任务 不同风格的图像模型以及编辑和修改生成图像技术 • 对声音和语音的理解能力逐渐提高，生成的音频逐 渐自然、不机械，且接近人类水平 • 用于自动剪辑、特效创作、噪音修复、虚拟场景制 作等，大大提升了编辑效率 • 在游戏、电影、虚拟现实、建筑和实体产品设计等 大型创意市场极具潜力 11

12. 大模型的应用 大模型在多个领域的应用上取得了显著进展，文本生成、编程、图像处理等领域的能力逐渐完善，有望商业化 落地。然而，3D、视频、游戏等领域发展相对较慢，但潜力巨大，需要更多时间来成熟和商业化。 大模型在不同领域的进展 AI Roblox 定制游戏与视频 视频/3D/游戏 • 商业化落地 已经准备 就绪，性 能稳定， 可以投入 商业应用 图像 文本 • • 基本完善 • 初试阶段 性能提升 显著，已 接近商业 应用水平， 但仍需微 调和测试 参数较少， 性能有限， 需要进一 步优化和 训练 终稿超越专业设计师、 艺术家、摄影师 更多编程语言及领域 文本到产品（草稿） 文本到产品（超越全 职开发者） 完善垂类精调能力 （例如科研论文） 终稿超越人类平均 终稿超越专业作家 3D及视频文件初稿 3D及视频文件二稿 编程 • 发 展 程 度 终稿模型（产品设计、 建筑等） 显著增强开发人员工 作效率 为普通用户提供了编 程的可能性 艺术、logo创作、摄影 概念模型（如产品设 计、建筑等） • 一行代码自动填写 垃圾邮件检测、翻译、 基本问答 多行代码生成 更长更准确的代码 基本文案及初稿撰写 更长文案及二稿撰写 • 不断增长的个性化网 络及电子邮件内容需 求为大语言模型提供 了理想的应用场景 • • 允许任何人随意探索不 同的艺术主题和风格， 这在以前可能需要终身 学习并完善 • 已可实现根据草图和prompt进 行高清渲染 随着 3D 模型的出现，生成式 设计流程将延伸到制造生产， 即文本到对象 有机会为特定的终端市 场构建更出色的生成型 应用，例如法律合同撰 写、剧本创作等 时间线 资料来源：红杉资本，灼识咨询 12

13. 大模型的应用 大模型也已开始逐步渗透进金融、医疗、汽车、制造、零售等行业，头部大厂及垂类解决方案服务商相继推出 适用于各垂直行业的解决方案，助力行业变革。 大模型在垂直行业的应用 大模型应用情况 垂直行业 • 科大讯飞利用星火认知大模型打造“诊后康复管理平 台”，将“专业的诊后管理和康复知道延伸到院外”， 可根据患者健康画像自动分析，为患者生成个性化康 复计划，并督促患者按计划进行。 • 百度智能云为长安汽车提供了人工智能基础设施平台 和数字人平台，双方正在开发一款基于文心大模型的 生成式人工智能产品，以提升用户体验。同时，百度 与吉利汽车一起打造汽车行业大模型，构建工厂数字 化大脑，降低管理运维成本，提高资源利用效率。 在制造业领域，大模型主要应用场景包括 工业自动化、供应链优化等。以工业自动 化为例，大模型可用于监控生产过程，预 测设备故障，提高生产效率。 • 华为云携手赛意信息，基于盘古大模型的自然语言大 模型和视觉大模型，共同打造制造业大模型，为制造 业客户提供针对工艺工程AI自动化、AI质检、供应链的 智能优化等细分场景，提供“开箱即用”的模型服务。 在零售行业，大模型可应用于个性化推荐、 价格优化等场景。以个性化推荐为例，大 模型可用于分析客户行为，提供个性化产 品建议和广告走向。 • 京东发布“言犀”大模型产品，支持语言、语音、视 觉、多模态等应用。以AIGC创作内容营销为例，大模 型的应用可使每套图的制作成本降低90%，制作周期从 7天缩短至半天。 • 在医疗领域，大模型可应用于疾病诊断、 药物发现等场景。以疾病诊断为例，大模 型可用于医学图象识别，如X射线、MRI和 CT扫描，以帮助医生诊断疾病。 • 在汽车领域，大模型可应用于自动驾驶、 虚拟设计和仿真、质量控制、供应链管理、 销售和营销、定制设计、新能源汽车性能 优化等。 • • 汽车 制造 资料来源：灼识咨询 第四范式携手中关村银行，以“式说”大模型为基础， 联合开展多模态智慧金融平台研发及私有化部署，在 行内规章制度及人员信息查询、行业术语通俗化解释、 客户经理信贷管理、人工客服问答推荐、理财业务办 理、AI应用快速研发等多个环节形成大模型能力。 在金融领域，大模型主要应用包括风险评 估、量化交易、柜台业务办理等。以风险 评估为例，大模型可用于预测信用风险、 欺诈检测和市场趋势分析。 医疗 零售 • • 金融 典型案例 代表玩家 13

14. 大模型的相关政策 随着大模型相关政策的出台，大模型的发展得到了进一步的推进和规范。这些政策不仅为大模型的研发和应用 提供了指导和支持，同时也为大模型的推广和应用提供了更加广阔的空间和机遇。 大模型相关政策概览 2021 – 2025 “十四五”规划 2016 – 2020 “十三五”规划 2011 – 2015 “十二五”规划 ➢ 推进产业智能化改革 ➢ 促进基于互联网的人工智能应用 ➢ 强调人工智能为战略前沿领域 ➢ 制定人工智能发展目标 2016年7月：国务院 《“十三五”国家科技创新规划》 2015年5月：国务院《中国制造 2025》 • • • • 提出基于信息物理系统的智能制造技术引领 制造方式变革 推进生产过程智能化 2017年7月：国务院 《新一代人工智能发展规划》 • • 2015年7月：国务院《国务院关于积极推动“互 联网+”行动的指导》 • • 加速人工智能核心技术突破 促进人工智能在生活、工作、公共领域的创 新应用，如智能家居、智能终端、服务型机 器人等 资料来源：灼识咨询 加强智能机器人等关键技术研发和应用推广 整合优化资源配置，瞄准引领未来发展的战 略领域 2030年成为世界主要人工智能创新中心 深化人工智能在制造、农业、金融、教育、 医疗、交通等领域的融合应用 2020年7月：中央网信办等五部门《国家新一代人 工智能标准体系建设指南》 • 加强人工智能领域标准化顶层设计，推动人 工智能产业技术研发和标准制定 ➢ ➢ 明确人工智能应用的重点领域 规范生成时人工智能服务 2021年3月：全国人大 《中华人民共和国国民经济和社会发展第十四个五 年规划和 2035年远景目标纲要》 • 瞄准人工智能等前沿领域，实施一批具有前 瞻 性、战略性的国家重大科技项目 2022年8月： 科技部《关于支持建设新一代人工智 能示范应用场景的通知》 • 强调人工智能在重点领域的应用，包括公共 安全、智慧城市、医疗健康、重大活动等需 求迫切且普惠性强的领域 2023年4月：国家网信办《生成式人工智能服务管 理办法（征求意见稿）》 • • 规定了提供生成式人工智能产品或服务应当 遵守法律法规的要求 利用生成式人工智能生成的内容应当体现社 会主义核心价值观 14

15. 大模型典型案例（1/2） ChatGPT：建立在OpenAI引入的深度学习模型GPT基础上，它已经成为迄今为止增长最快的APP之一。 GPT的发展历程 GPT-4 Turbo与GPT Store 参数数量 预训练数据集量 • • • • GPT-3 • GPT-1 • • • • 使用大数据对 Transformer模型进 行无监督的预训练。 在小型监督数据集 上进行微调。 在测试常识推理和 阅读理解的数据集 上取得了杰出的成 果。 数据量的指数增长使得可以使用少 量样本进行学习，接近人脑学习模 式。 基于GPT-3模型的微调已有落地于 其他领域，包括代码生成、图像生 成、数学算术等。 GPT-2 • 解决零次样本学 习问题，使模型 更具通用性。 推出GPT store，用户可以共享GPT用 法 GPT-4 API升级为GPT-4 Turbo并降价 发布GPT assistant API，使开发者可以 在自己的应用程序中构建Agent 开源语音和图像模块 1 • 理解复杂情景 支持的token输入从3.2万个升 级到12.8万个，相当于一本标 准大小的300页纸质书所包含 的文本量 ChatGPT/GPT-3.5 • • 2 优化与现实语料库数据 集的连接。 支持多轮对话和结果修 正，并能够更快速、更 有效地进行人机交互。 • • • 解决更复杂的任务并 增强安全性。 多模态能力叠加图像 识别。 3 • 4 GPT-4 API 资料来源：灼识咨询 GPT-4 Turbo的亮点 • 开发者权限提升 新的模型允许开发者指示模型 固定以特定形式返回。同时开 发者可以通过访问参数和响应 字段，来实现“模型对每次请 求都给出确定性的输出”。 多模态API 添加多模态处理能力以接受文 生图及声音合成。 知识库更新 对于现实世界的理解从2021 年9月更新至2023年4月。 15

16. 大模型典型案例（2/2） 百度文心：中国领先大模型之一，且对于中文有更深入的理解。 百度文心一言概览 文心一言4.0 VS 文心一言4.0的亮点 文心一言3.5 产品能力 文心一言4.0相比于3.5版本，显著提升了 理解、生成、逻辑、记忆四大能力 国内市场格局领先 1 L4 • 百度文心大模型 国内大模型平均分 L3 逻辑能力提升幅度是 理解能力提升幅度的 记忆能力提升幅度是 理解能力提升幅度的 300% 200% L2 能够理解乱序、模 糊意图、潜台词等 几分钟内生成 L1 复杂提示词 L1 L1 L2 逻辑能力提升， 解答数学难题并 总结知识点 能够完成完成 千字小说 对中文的深入理解 2 • 海报、营销视频等复 杂图像和视频 L2 L3 L4 生态能力 根据IDC公布的数据， 百度文心大模型在产品 能力、应用能力、生态 能力方面在中国领先。 百度作为中国搜索引擎 龙头，拥有更多的中文 语料数据进行模型训练。 因此，百度文心大模型 对中文有更深入的理解， 能够熟练使用成语、写 藏头诗等。 L3 应用能力 撰写和角色、情节设置 注：目前尚未有厂商在产品能力和生态能力方面达到L5，应用能力尚未有厂商达 到L4，因此不在本次评估中凸显 资料来源：IDC，灼识咨询 16

17. 目录 I. 大模型如今已展现出卓越的能力，随着其不断演进和完善， 必将引领AI的未来道路，开创智能时代的新纪元 II. 受益于大模型技术的日益成熟，AIGC有望掀起新一轮产业革 命，开启人类发展的智能新时代 III. GPGPU高度并行的计算资源为大型模型的训练和推理提供了 不可或缺的支持，推动了大模型与AI领域的不断进步和创新 IV. 彩蛋：生成式AI如何提升工作效率 17

18. AIGC定义 AIGC是继PGC和UGC之后，经由AI自动生成内容的新型内容生产方式。作为一种先进的生产力变革，AIGC的 兴起让世界进入了智能创作时代。 高/强 内容生产阶段及比较，2000年至今 PGC（2000-2010年） • 定义 内容生产者 官媒时代，由专业的内容创作者或 团队进行创作、编辑或发布的内容 • 专业用户 由普通用户或受众参与创作、编辑 和发布的内容，微博微信的诞生为 UGC发展提供土壤 • 一般用户 AIGC 1.0（2017-2022年） AIGC 2.0（2022-未来） AI辅助内容生产 未来：全AI生产内容 基于PGC、UGC生成创作框架，下 达指令让AI自动生成内容，指导AI完 成编码、绘画、建模等复杂任务 • OpenAI发布，大模型时代开启，创 作突破人为限制，提升到自主创作 的层次，创造更加丰富多样的内容 大模型逐步实现自主创作 AI基于指令创作 • 为保障质量，一般PGC的内容制作 成本较高，需要投入大量的人力、 物力和财力 • 用户个性化、自主创作，通常制作 成本较低 • 随着生成内容数量增加，边际成本 大幅下降 • 知识性、创造性工作的边际成本将 降至无限接近0，产生巨大生产效率 和经济价值 • 包括主题选定、创意构思、策划、 撰写、编辑、排版、发布等多个环 节，需要长时间投入 • 通常为个人兴趣爱好、在自媒体平 台、社交网络等自发的创作行为， 创作流程简单直接 • 通过程序训练生成，流程自动化， 仅需进行算法训练与参数调整，效 率较高 • 随着技术进步，AIGC将越来越多用 于快速生成内容及自动化创作，效 率进一步提升 • 内容生产者拥有专业知识、内容相 关领域资质和一定权威，因此内容 相对专业、权威 • 内容丰富但质量参差不齐，通常需 要平台设计规则加以约束或遴选出 优质内容 • 发展初期存在使用门槛高、内容生 成简单和质量偏低等问题 • 随着AI大模型从大量数据中进一步 学习，内容质量进一步提升 • 内容生产者及生产程序专业性强内 容经过筛选，从而带来强内容可控 性 • 每天有大量用户自由创作，需要依 靠机器及人工对内容进行审核，内 容可控性弱 • AI大模型作为辅助人进行内容生产 的工具，可根据指令对内容进行编 辑及优化，可控性较强 • 通过深度学习技术训练模型，使其 能够学习到输入数据的内在规律， 并根据规律创作内容，可控性强 内容生产成本 内容生产效率 内容生产质量 资料来源：灼识咨询 用户生产内容 专业化的内容生产 内容生产方式 内容可控性 UGC（2010-2017年） 低/弱 18

19. AIGC发展历程 结合AI的演进历程，AIGC的发展大致可分为早期萌芽、沉淀积累、快速发展三个阶段。 AIGC发展阶段、发展特点和典型事件 早期萌芽阶段 沉淀积累阶段 快速发展阶段 1950s — 1990s 1990s — 2010s 2010s — 至今 受限于科技水平，AIGC仅限于小范围实验 2014年，随着以GAN为代 表的深度学习算法提出和 迭代，生成内容百花齐放 1950年，艾伦图灵提出 “图灵测 试”，给出确认机器是否具有智 能的方法 1966年，成功开发世界第一款 可人机对话的机器人“Eliza” 1957 1950 1957年，第一支由计算机创作的弦 乐四重奏《依利亚克组曲》完成 资料来源：灼识咨询 算法不断迭代，AI生成内容百花齐放，效果逐渐逼 真直至人类难以分辨 实验性向实用性转变，受限于算法瓶颈， 难以直接进行内容生成 1980s 1966 2017年微软“小冰”推出 世界首部由AI创作的诗集 《阳光失了玻璃窗》 2006年，深度学习算法取得重大突破， GPU、TPU等算力设备性能不断提升，AI发 展取得显著进步 2007 2012 2006 1980年代，IBM 创造语音控制打 字机“Tangora” 2007年，世界第一部完全 由AI创作的小说《1 The Road》问世 2018 2014 2012年，微软公开展 示了全自动同声传译 系统，可将英文演讲 者的内容自动翻译成 中文语音 2022年，OpenAI发布 ChatGPT，可以完成撰写 邮件、视频脚本、文案、 翻译、代码、写论文等任 务。 2019 2017 2018年，英伟达发布可以自动生 成高质量图片的StyleGAN模型 2019年，DeepMind发布DVD-GAN模 型用以生成连续视频 2021 2022 2021年，OpenAl 推出了DALL-E， 主要应用于文本 与图像交互生成 内容 19

20. AIGC核心价值 对于企业而言，AIGC在降低内容制作成本、加快内容制作效率的同时提升了内容的多样性及质量，AIGC与不 同产业融合互动亦可孕育出新业态新模式；对个人而言，AIGC则显著降低了内容创作门槛。 1 降本增效 • 降低内容制作成本：例如游戏行业，美术 2 多样内容 降本增效 增加内容多样性 • 生产多模态内容：有助于企业多元化交付 创作者可以使用AIGC寻找灵感，降低初 工作成果，例如通过文本形成图片、基于 期成本投入 文本生成视频短片，满足海量个性化需求 • 提升效率：承担信息挖掘、素材调用、复 教育 刻编辑等基础性机械劳动，从技术层面实 医疗 传媒 现以低边际成本、高效率的方式满足 4 质量提升 3 AIGC 核心价值 金融 工业 全新模式 各业创造新的商业模式，提供价值增长新 动能 • 有助于企业提升交付工作成果，近年来AI 和语言理解方面的表现逐渐超过了人类的 • 通过支持AIGC与其他产业的多维互动、 融合渗透从而孕育新业态新模式，为各行 提升内容创作质量 模型在手写、语音和图像识别、阅读理解 新商业模式 娱乐 电商 影视 5 基准水平。 降低门槛 降低内容创作门槛 • AIGC降低了用户的内容制作门槛，例如 没有绘画基础的用户也能借助AIGC工具 快速作画，内容创作将迎来爆发期。 资料来源：灼识咨询 20

21. AIGC的实现逻辑 底层生成算法和开发架构是实现AIGC所必不可缺的部分。底层生成算法是实现内容生成的基石，通常是深度学 习模型，而开发架构是支撑底层算法的基础设施，以便开发人员较易集成多种算法组成。 AIGC技术架构概览 AI生成文本 AI生成代码 AI生成图像 AI生成声音 AI生成视频 AI生成3D AI生成其他 高质量输出 数据预处理 及模型训练 PyTorch TensorFlow Keras Caffe 开发架构 MXNet Chainer Theano 开发架构提供了对底层算法的封装 Torch ONNX PaddlePaddle 基础生成算法模型不断突破创新 底层生成算法 VAE 变分自动编码 • 可以处理各种类型 的数据，但生成输 出结果模糊 GAN 生成对抗网络 • 可以生成清晰真实 • 的样本，泛用性强； 后由CGAN等改良 算法进一步完善 FBMs 基于流的生成模型 可以生成逼真的高 分辨率图像，支持 高效采样，可操纵 数据属性 Diffusion Model 扩散模型 • 训练简单，可以将图 • 像中的噪声部分进行 滤除，并保留图像的 细节和结构 NeRF 神经辐射场 Transformer模型 降低计算量和计算 时间，提高模型训 练速度，输出结果 质量高 • 信息传递更加直接， • 优化目标为所见即 所得，但计算开销 大，较难实现 CLIP模型 持续 优化 迭代 能够同时进行自然 语言理解和计算机 视觉分析 AIGC 关键底层算法模型 资料来源：灼识咨询 21

22. AIGC产业链概览 AIGC产业仍处于早期发展阶段，在数据、算法和算力的基础之上，核心模型以关键企业研究成果为主导， AIGC以AI生成文本、图像、视频和音频为主流形式。 AIGC产业链概览 数据 上 游 基础层 • 包括业务数据 联通、素材数 据搜集等 算法及模型 算力 • 包括神经网络、深度学习、自 然语言处理技术、扩散模型、 云渲染等开源算发。 • 以及基于算法通过数据训练生 成的机器学习模型、深度学习 模型及大模型等。 • 包括服务器、GPU、 HPC、云等提供基本计 算能力的基础设施 基于模块分类 图像与视频生成 文本生成 音频生成 中 游 … 应用层 下 游 终端用 户层 资料来源：灼识咨询 各类内容创 作及分发平 台 内容终端 生产厂商 第三方内容服 务机构 … 22

23. AIGC应用场景 AIGC产品形态多元，如文本生成、音频生成、图象生成、视频生成、代码生成、3D模型等，赋能“数字化程度 高+内容需求丰富”的行业，如娱乐、传媒、影视、电商等，驱动各行业创新。 AIGC应用场景概览 AIGC应用场景 AIGC产品形态 娱 乐 领 域 文本生成 音频生成 图像生成 视频生成 代码生成 3D模型 A I G C 应 用 场 景 传 媒 领 域 影 视 领 域 电 商 领 域 全民娱乐 • • • 人脸美妆/融合 黑白图像上色 图像风格转换 社交互动 • • 信息采集 • • 采访助手 多语言翻译 剧本创作 场景设计辅助 • • • • • • 商品展示 • • 智能商品详情 商品3D模型生成 • 教育 其他 资料来源：灼识咨询 其 他 • • • • 合成历史人物 • 视频虚拟教授 • 线上课程音视频处理 写稿机器人 剪辑视频集锦 视频字幕自动生成 • • • AI主播 智能播报 • 后期制作 • 数字复活已故演员 • 高难度动作合成 演员角色年龄的跨越 • 替换劣迹艺人 影视作品修复 影视内容2D转3D 主播打造 交易场景 • 辅助工程设计 数字孪生系统构建 • • • • 虚拟商城构建 营销视频合成 智能客服 VR金融场景构建 为剧本创作提供新思路 扩展角色和场景创作空间 赋能影视剪辑，升级后期制作 AIGC+电商：推进虚实交融，营造沉浸体验 金融 • • • 采编环节：采访录音语音转写，提升传媒工作者 的工作体验；智能新闻写作，提升新闻资讯的时 效；智能视频剪辑，提升视频内容价值 传播环节：AIGC应用主要集中在以AI合成主播为 核心的新闻播报等领域 AIGC+影视：拓展创作空间，提升作品质量 • • 工业 实现趣味性图像或音视频生成，激发用户参与热 情 打造虚拟偶像，释放IP价值 开发C端用户数字化身，布局消费元宇宙 AIGC+传媒：人机协同生产，推动媒体融合 内容播报 中期拍摄 品牌虚拟主播 • 用户数字化身 • • 内容编辑 前期创作 • • 虚拟歌姬 虚拟直播 AIGC+娱乐：扩展辐射边界，获得发展动能 偶像养成 医疗 • • • 医学图像处理 智能病例录入 合成肢体投影 生成商品3D模型用于商品展示和虚拟试用，提升 线上购物体验 打造虚拟主播，赋能直播带货 赋能线上商城和线下秀场加速演变，为消费者提 供全新的购物场景 AIGC+其他：推进数实融合，加快产业升级 • • • • 教育领域：AIGC赋予教育材料新活力 金融领域：AIGC主力实现降本增效 医疗领域：AIGC赋能诊疗全过程 工业领域：AIGC提升产业效率和价值 23

24. AIGC行业发展驱动因素——算法升级 不断迭代升级的算法可以实现AI模型的性能稳定、功能进阶，进而使得AIGC产品表现愈加出色。 AIGC算法不断迭代升级 CNN/RNN 神经网络与Transformer对比 AIGC 算法技术升级步入深化阶段 CNN/RNN 神经网络 传统机器学习算法 Transformer 深度神经网络 1 回归算法：线性、回归树等 算 法 2 3 4 5 6 7 卷积神经网络 CNN 早期神经网络 分类算法：逻辑回归等 递归神经网络 RNN 聚类算法：仿射传播等 生成对抗网络 GAN 算法特点： • 不具备强大的学习能力，依赖于预 先定义的统计模型或专家系统执行 特定的任务，可以完成简单线条、 文本和旋律的生成 算法缺点： • 算力挑战：传统机器学习方法的维 度诅咒等导致算力挑战 • 缺乏感知：生成内容空洞、刻板、 文不对题 算法示例： • 通过定义复杂的函数方程组，计算 机所绘出的函数曲线具备某种美学 图样 深度强化学习 学习范式 + 网络结构不断 迭代 • • 引入大规模并行处理，模拟人 脑分类学习和适应性联想。 深度变分自编码器 Transformer与RNN、CNN准确度对比 流模型 扩散模型 RNNS2S（RNN模型） 100% 深度残差网络 90% Transformer 80% 损失函数和梯度下降算法可以灵活快速的调 整深度神经网络中的参数，从而实现从数据 中进行学习的功能 84% 资料来源： “Why Self-Attention? A Targeted Evaluation of Neural Machine Translation Architectures”，灼识咨询 • 关键 分析 ConvS2S（CNN模型） 90% 70% • 使用注意力机制进行优化，使语 句中的词语有了重点区分。GPT- 3 、 InstructGPT 、 ChatGPT 都 是 在此模型上迭代、演进的。 • Transformer算法 96% 94% 82% 84% 语义特征提取能力 远距离特征捕获能力 Transformer算法具备跨时代意义的原因是算法上添加了注意力机制。 这种机制突破了RNN模型不能并行计算的限制；相比CNN模型，其 关联所需的操作次数不随距离增长。 Transformer算法在语义特征提取能力、远距离特捕获能力等方面明 显增强。 24

25. AIGC行业发展驱动因素——算力扩容 算力提升是AIGC发展的重要驱动力之一，愈大的算力规模可以支撑更大规模的模型运转。 算力芯片、AI服务器有望持续放量，数据中心建设提速，全球算力 总规模将保持高速稳定增长态势 算力是打造大模型生态的必备基础，AIGC拉动算力需求指数级增长 不同模型训练需要的算力 全球计算设备算力总规模，以FP32 2 计，2021-2030E Eflops （ 10 18 次） Pflops/s-day 1 10,000 56,000 56,000 1,000 100 3,300 54,000 10 BERT模型 GPT-3 GPT-3 T5-11B 52,000 1 2,000 0 615 369 2021 T5模型 GPT模型 算力是打造大模型生态的必备基础 • 算力是指计算设备执行算法、处理数据的能力，包括CPU、GPU等。算力的应用包 括数据中心、分布式计算、云计算、边缘计算等。AIGC背景下，大模型是AI发展的 必然趋势，而算力是打造大模型生态的必备基础。 AIGC拉动算力需求指数级增长 • 大模型训练所需算力每3-4 个月增长1倍，增速远超摩尔定律（18-24 个月/倍）。模 型预训练过程是消耗算力的最主要场景，AI训练所需算力呈现指数增长态势。 232 14 52,500 200 2030E 年均复合增长率 2021-2030E 基础算力规模（FP32） 27.6% 智能算力规模（换算为FP32） 82.7% 超算算力规模（换算为FP32) 总计 34.4% 65.1% 注： *基础算力规模按照全球近6年服务器算力总量估算；智能 算力规模按照全球近6年AI服务器算力总量估算；超算算 力规模主要是基于全球超级计算机TOP500数据，并参考 超算生产商的相关数据估算 *FP32为单精度浮点数 算力芯片、AI服务器有望持续放量，数据中心建设提速 • 需求拉动算力芯片及AI服务器的技术迭代，预计未来将持续放量；同时，各国纷纷 提速数据中心建设，我国“东数西算” 工程投资规划逐步清晰。 全球算力规模将保持高速稳定增长态势 • 预计2030年人类将迎来YB数据时代，全球算力规模达到56ZFlops（10 21 次）。预 计智能算力2021至2030年年均复合增长率将超65%，以支撑庞大的新增非结构化数 据（文本、图片、语音、视频等）。 注：1. Pflops/s-day：以10 15 次每秒浮点运算次数的速度进行计算，需要消耗的天数；2.单精度浮点数，用8bit 表示指数，23bit 表示小数。 资料来源： “Language Models are Few-Shot Learners”，IDC，灼识咨询 25

26. AIGC行业发展驱动因素——多元化变现模式 AIGC通常可同时面向企业和个人变现，随着用户方需求持续升级和AIGC产品愈加成熟，诸多潜在的变现方式 也将进一步刺激AIGC行业蓬勃发展。 AIGC变现模式概览 按产出 收费 2C 个 人 用 户 端 会员制 按次收 费 2B 企 业 端 按次 收费 会员制 资料来源：灼识咨询 OpenAI、DALL E、Deep Dream Generator等AI图像生 成平台大多按照图像张数收 费，收费方式更符合用户预 期 用户可免费享受部分功能， 可以通过成为会员获取更优 质的内容服务，主要包含定 制化、更高质量及多模态的 输出内容 微软、亚马逊、谷歌的人工 智能平台存在按API盈利的模 式，用户调用的API次数越多， 收费越高。 客户根据需求按次收费，通 常是根据API调用次数进行 收费 客户可以按月会员制付费， 得到相应的服务和升级，内 容输出根据方案的不同呈现 阶梯式 潜在变现方式 1 2 作为底层平 台收费 • 作为底层平台接入其他产品 对外开放，按照数据请求量 和实际计算量计算 • 如GPT-4对外提供API接口， 采用的四种模型分别采用不 同的按量收费方式 产出内容收 费 • 按平台和工具产出内容量收 费 • 大多数AI图像生成平台大多 按照图像张数收费 3 提供软件服 务收费 4 5 模型训练收 费 具体属性收 费 • 主要服务于C端企业用户， 大部分C端AIGC工具则以约 80人民币/月的价格对外出 售 • 模型训练费用，适用于NPC 训练等个性化定制需求较强 的领域 • 针对对特殊性质的内容自动 生成服务进行专门化收费方 式设计 OpenAI 变现模式概览 2C 个 人 用 户 端 ChatGPT Plus 产品简介：AI技术驱 动的自然语言处理工 具 收费标准：每月20 美元 DALL.E 产品简介：AI技术驱动的文本生成图像模 型 收费标准：15美元可购买115个积分，约 能生成460张图片，并获得图片的使用权， 包括商业用途 GPT-4 API接口 产品简介：AI技术驱动的大规模多模态模型，可以接受图像和文本输入， 产生文本输出 收费标准：不超过8K文本长度时，定价为每1K个提示令牌0.03美元， 每1K个补全令牌0.06美元 2B 企 业 端 ChatGPT API 接口 产品简介：AI技术驱动的自然语言处理工具 收费标准：每1K个提示令牌0.002美元 InstructGPT API 接口 产品简介：专注于解决指导型对话 收费标准：每1K个提示令牌0.0004美元-0.02美元 DALL.E API 接口 文本生成图像 Whisper API 接口 自动语音识别 微调模型 增加分类器或特征映射微调 GPT-3模型 嵌入模型 将一个内容实体映射为低维向量， 从而可以获得内容之间的相似度 26

27. 目录 I. 大模型如今已展现出卓越的能力，随着其不断演进和完善， 必将引领AI的未来道路，开创智能时代的新纪元 II. 受益于大模型技术的日益成熟，AIGC有望掀起新一轮产业革 命，开启人类发展的智能新时代 III. GPGPU高度并行的计算资源为大型模型的训练和推理提供了 不可或缺的支持，推动了大模型与AI领域的不断进步和创新 IV. 彩蛋：生成式AI如何提升工作效率 27

28. GPGPU定义 GPU可根据其功能和集成方法进行分类。GPGPU出色的处理和并行计算能力被广泛应用于大模型、高性能计算 和其他领域，也是未来AI发展的重要基础设施。 GPU分类 定义 GPGPU • GPGPU是执行原本由CPU处理 完成的通用计算任务的处理器。 特征 • GPGPU具有GPU高度并行的非专用计算能力，并 针对通用计算任务进行了优化，尤其适合大规模数 据集的训练和推理。 应用 • • • • 大模型 数据中心 高性能计算 … 典型产品 英伟达 H100 AMD MI300 通过功能 分类 • 图形GPU是专门处理图形计算 图形GPU 任务的处理器。 独立GPU （商用） 通过集成方 式分类 • 独立GPU是显示芯片及相关器 件制作成一个独立于电脑主板的 板卡，成为专业的图形处理硬件 设施。 • 集成GPU是指一般不带显存， 而是使用系统的一部分主内存， 集成GPU 可以被整合进主板作为芯片的一 部分，也可以和CPU集成。 资料来源：灼识咨询 • • • 图形GPU专注于传统的图形处理计算，如渲染图像、 • 视频和游戏视觉效果制作等。 • • 非线性编辑 视频编解码 图形加速可视化 3D设计 … • 通过独显插到主板相应接口上，具备高位宽，高频 独立显存和更多的处理单元，性能优越，不仅可用 于一般性的工作，还具有完善的2D效果和很强的3D 水平。 • 常用于高性能台式机和 笔记本电脑以及服务器 • 集成在CPU里面的图形处理单元，构成CPU的一部 分，其价格低，兼容性较好，但是性能相对较差， 功耗低。 • 常用于笔记本电脑 英特尔 Ponte Vecchio 英伟达 GeForce 4090 AMD Radeon 英特尔 ARC PRO 英伟达 GeForce AMD 7050 X1250 英特尔 GMA X4500HD 英特尔 Iris Xe DG1 28

29. GPGPU产业链 在GPGPU产业链中，上游供应商主要为中游的芯片设计公司提供服务，在GPGPU生产出来后再被转交给下游 的终端用户。随着GPGPU在更多新兴应用场景中的普及，预计未来终端用户的覆盖范围将进一步扩大。 关键分析 GPGPU产业链 半导体IP 硅片设计 EDA工具 芯片设计 晶圆制造 产业链上游: • 半导体IP供应商提供搭建SoC所需的核 心功能模块。 • 硅片设计服务供应商提供各个研发环节 部分或全部的研发服务及后续晶圆制造、 封装及测试的委外管理 • EDA工具供应商则主要提供芯片设计 所需的自动化软件工具等。 上 游 封装组配 集成测试 中 游 终端用户 运营商 下 游 云厂商 PC 资料来源：灼识咨询 ··· 产业链中游: • 芯片设计指根据芯片规格要求，通过主 系统涉及、逻辑设计、电路设计、物理 设计，最终形成设计版图。 • 晶圆制造环节是根据设计版图将电路图 形信息蚀刻在硅片上，并形成电路的过 程。 • 封装则是将芯片在框架上布局、粘贴、 固定及连接，引出接线端子并通过可塑 性绝缘介质灌封固定，构成整体立体结 构的工艺。 • 封装完成后，再对芯片进行功能和性能 测试。 产业链下游: • 下游主要为终端厂商，如运营商、云厂 商、AI厂商、互联网、行业AI、政府 AIDC等。如今，GPGPU已被用于越来 越多的新兴领域，推动各行业快速发展。 29

30. GPGPU架构 软硬件集成所带来的性能优化已成为GPGPU的关键竞争力。目前，持续的微架构创新和制程工艺升级，以及软 件开发人员对生态系统完整性和多样性的提升促进了GPGPU的持续发展。 关键分析 GPGPU架构 云服务供应商 • GPGPU的软件为开发人员提 供了主流的深度学习框架，并 允许他们重新编程，从而在芯 片计算利用率、数据吞吐量、 多芯片互联等方面尽可能优化 GPGPU性能。软件升级为 GPGPU带来的进一步性能优 化已成为 GPGPU公司至关重 要的竞争优势。 工具模块 • GPGPU的硬件架构以最初的 GPU架构为基础，增强了通 用计算单元，同时减少了用于 渲染功能的硬件加速单元。这 种量身定制的硬件架构使 GPGPU成为通用智能计算的 首选芯片，为AI计算奠定了坚 实的硬件基础，推动了AI市场 的发展。 GPGPU 应用 数据中心 框架 GPGPU 软件 算法库 编译器 驱动模块 … L2缓存 GPGPU 硬件 控制单元 资料来源：灼识咨询 寄存器 L1缓存 执行线路 • • • • GPGPU应用 GPGPU软件 GPGPU硬件 其他硬件 30

31. GPGPU关键参数 计算能力、热设计功耗、能效比、进程、内存和内存带宽等是GPGPU的关键参数。 GPGPU性能指标示意（以英伟达A100为例） GPGPU关键参数 关键参数 1 计算能力 • 624 TOPS INT8 • 312 TFLOPS BF16 • 156 TFLOPS TF32 1 2 热设计功耗 • 400W 3 能效比 • 1.6 TOPS/W INT8 • 0.8 TFLOPS/W BF16 • 0.4 TFLOPS/W TF32 2 描述 TF32, TFLOPS • TFLOPS 是指每秒一万亿次浮点运算次数。 BF16, TFLOPS • TF32指TensorFlow-32，指一种单精度浮点格式。BF16指Brain Float-16，指一种数据精度低于TF32 的浮点数据格式。INT8指8位二进制数据格式。 INT8, TOPS • 数字越大，每种格式下的芯片计算能力越强。 W • 热设计功耗是指GPGPU的最大功耗。 • 一般将计算能力除以热设计功耗计算得出，反映了在相同功耗下GPGPU可提供的计算能力。 TF32, TFLOPS/W 3 BF16, TFLOPS/W INT8, TOPS/W 6 5 4 制程 • 7nm 资料来源：灼识咨询 内存带宽 • 1,935 GB/s 4 nm • • 用于制造芯片晶片的核心工艺。 数字越小，工艺技术越先进，性能也越强。 5 GB • • 内存是指GPGPU可以临时存储和快速访问的数据大小。 内存越大，GPGPU可同时处理的数据就越多，性能也就越强。 6 GB/S • • 内存带宽是指芯片与内存之间的数据传输速度。 内存带宽越大，GPGPU 从内存读取数据的速度就越快。 内存 • 80GB HBM2E Memory 31

32. GPGPU市场规模 GPGPU技术在大模型、AI和其他领域的应用日趋成熟，推动全球GPGPU市场持续快速发展。 全球GPGPU出货量, 2018-2027E 百万个 全球GPGPU市场规模, 2018-2027E 十亿美元 CAGR 2018-2022 2022-2027E 38.8% CAGR 2018-2022 2022-2027E 45.0% 39.2% 12 140 10 120 55.5% 100 8 80 6 60 4 40 2 0 20 2018 2022 2027E 0 2018 2022 2027E 关键分析 • 尽管GPGPU最初是为了完成图像相关的任务而发明的，但它的架构并非是定制的，这使它们能够广泛应用于各种不同的计算任务，在计算场景不断发展和多样化的当今世界， 这是一个至关重要的优势。因此，GPGPU已成为通用计算芯片的主流选择，并将在未来继续保持这一优势。 • 推理的算力需求通常会随着用户使用AI模型次数的增加而增加。受益于AI模型用户的不断增长，推理所需的计算能力未来将持续增长。 • 同时，AI模型的参数越多，完成一次训练所需的计算能力就越高。随着大模型的不断发展，对能够处理此类大规模计算的GPGPU的需求将越来越大。未来，大模型的在各行业 应用更加多样化，长期促进训练所需的计算能力的增长，推动GPGPU市场的发展。 资料来源：灼识咨询 32

33. 目录 I. 大模型如今已展现出卓越的能力，随着其不断演进和完善， 必将引领AI的未来道路，开创智能时代的新纪元 II. 受益于大模型技术的日益成熟，AIGC有望掀起新一轮产业革 命，开启人类发展的智能新时代 III. GPGPU高度并行的计算资源为大型模型的训练和推理提供了 不可或缺的支持，推动了大模型与AI领域的不断进步和创新 IV. 彩蛋：生成式AI如何提升工作效率 33

34. 彩蛋：生成式AI如何提升工作效率 市面上AI工具五花八门，有文字、图像、音视频、编程、办公等众多类型。GPT爆火后，各行各业都在开发大 模型，有些是蹭热度，有些是基于已有产品进行升级，但目前具有颠覆性的仍是我们熟知的GPT、Midjourney 等文字、图像类生成式AI工具。 1 文字类（对话、写作等） 2 图像类 3 音视频类 4 编程类 5 办公类 注：以上截图来自网站 - https://ai-bot.cn/ 。 34

35. 彩蛋：生成式AI如何提升工作效率 文字 – 常用大模型帮助撰写一些分析，如行业驱动因素等，经过简单改写或让AI基于之前的回复改写后，生成 的内容能够达到及格水平；也会用来翻译中英文、改写并总结文字。以修改英语为例，虽然简单但仍有一定的 技巧，合适的prompt可以更高效地完成工作。 Prompt 1 Prompt 2 要求: 你是一个英语为母语且是一个专业的分析师。你现在要修订报告中的内容，语 要求: 你是一个英语为母语且是一个专业的分析师。你现在要修订报告中的内容，语 言是英文。我会把每一段文字复制给你，你需要检查语法、错别字、表达不当，返 回给我修订后的版本 言是英文。我会把每一段文字复制给你，你需要检查语法、错别字、表达不当，返 回给我一个修订后的版本，再返回给我一个修订后的版本中体现所有修改痕迹，删 除的部分加上删除线，更新的部分加粗显示。必须按照我的要求体现所有修改痕迹。 Prompt 1: In February 2020 we set out our ambition to be a net zero company by 2050 or sooner and to help the world get to net zero. This ambition is supported by 10 aims: five to help us become a net zero company, and five to help the world meet net zero. Prompt 2: We believe that our net zero ambition and aims, taken together, set out a path for bp that is consistent with the goals of the Paris Agreement. 回复 Prompt 1: In February 2020 we set out our ambition to be a net zero company by 2050 or sooner and to help the world get to net zero. This ambition is supported by 10 aims: five to help us become a net zero company, and five to help the world meet net zero. Prompt 2: We believe that our net zero ambition and aims, taken together, set out a path for bp that is consistent with the goals of the Paris Agreement. 回复 35

36. 彩蛋：生成式AI如何提升工作效率 文字 – 在使用文字生成式AI时，promot要清晰、目的明确、且与话题相关，主要有帮助翻译、发散思路、和扩 写想法三种提高效率的方式。 帮助翻译 1 角色赋予 给予它一个明确身份帮助它使用你想要的语序和 表达习惯 发散思路 1 “假如你是一个英国人，请帮我翻译‘…’” 保持正轨 误解或者跑偏时直白明确地指出错误，它可以很 快做出修正， 扩写想法 1 “我想要的不是……，而是……” 规定关键词 • 明确你希望它在扩写的过程当中提到的关 键词或扩写方向 • 你可以明确告诉它一些行业术语从而确保 它生成的内容与特定领域相关 “请写一段描述说明‘…’，我希望这段描述中包括 ChatGPT在工作中的应用场景和使用后提高工作效 率的原因” 2 鼓励反馈 鼓励 ChatGPT 提出问题或提供反馈，以保持对 话的互动性和吸引力。 2 “从母语为英语表达者的习惯来看，这个句子有 什么问题吗？可以帮我修改吗？” 扩展性提问 • 要求它对其中一条做出解释 • 扩写其中你认为较好的一条 2 提供样例句子 你可以要求他进行模仿描写，帮助它更熟悉你想 要的文字风格和内容方向 “请展开详细解释一下……这一条……” “请仿照’烹调锅具的多元化在满足更多厨房场 景需求的同时，也成为了带动全球烹调锅具市场 发展的重要增量来源之一。’帮我写一段话描述 ‘…’” 3 针对修改 具体、有针对性的提示来关注语言的具体方面， 如语法、词汇或发音 “我不喜欢effective这个词，帮我用一个高 级一些的词汇替换它” 3 持续补充 可以要求他补充发散一些灵感，这个补充可以是 没有目的的，也可以是针对某个方面进行发散 “我还想听到五个有关如何指导chatgpt给出 我想要的文风的原则” 3 善用总结 一般chatgpt都会给你一段很长的内容，但不需 要在一开始就过多的限制她的长度，善用总结 “把这段话缩写到10字以内” “再优化一下语言，使得表述简洁明确没有 重复内容” 36

37. 彩蛋：生成式AI如何提升工作效率 二手 – New Bing可以联网，功能强大且UI更好，但回复较慢；虽然GPT-4的训练数据还是基于21年，但可以通 过插件联网收集二手信息，只是效果一般，可以基于二手信息再用GPT-4的其他功能进行处理。 Prompt (New Bing) Prompt (GPT-4通过web pilot插件联网) Prompt 1: 帮我列出下面21家的咨询公司的信息并返回表格，第一列是企业名称，第二列是成立年份， 第三列是总部所在地区，第四列是企业简介（企业简介不要超过30字），第五列是企业的官网（如果 没有就填写None）。这些公司是：Tata Group, Deloitte, PricewaterhouseCoopers, Accenture, Ernst Young, Cognizant, Infosys Public Services, Boston Consulting Group, McKinsey Company, CGI Group, Booz Allen Hamilton, Bain Company, Gartner, Mercer, Capgemini Invent, KPMG, Oliver Wyman, A.T. Kearney, Roland Berger, Arthur D. Little, China insights consultancy Prompt 2: 进入前三个公司的网站，总结他们的成立时间、总部所在地、发展历史、主要产品。返回 表格就可以，第一列公司名称，第二列成立时间、第三列总部所在地、第三列发展历史（不要超过30 字）、主要产品（不要超过30字）。 Prompt 1: 帮我列出下面21家的咨询公司的信息并返回表格，第一列是企业名称，第二列是成立年份， 第三列是总部所在地区，第四列是企业简介（企业简介不要超过30字），第五列是企业的官网（如果 没有就填写None）。这些公司是：Tata Group, Deloitte, PricewaterhouseCoopers, Accenture, Ernst Young, Cognizant, Infosys Public Services, Boston Consulting Group, McKinsey Company, CGI Group, Booz Allen Hamilton, Bain Company, Gartner, Mercer, Capgemini Invent, KPMG, Oliver Wyman, A.T. Kearney, Roland Berger, Arthur D. Little, China insights consultancy Prompt 2: 你需要回复一个表格就可以，你发太多东西了 Prompt 3: 进入前三个公司的网站，总结他们的成立时间、总部所在地、发展历史、主要产品。返回 表格就可以，第一列公司名称，第二列成立时间、第三列总部所在地、第三列发展历史（不要超过30 字）、主要产品（不要超过30字）。 回复 回复 1 2 2 3 37

38. 彩蛋：生成式AI如何提升工作效率 二手 – Perplexity是基于大模型的应用，做二手非常强大，而且可以试用。 GPT4 Perplexity Claude2 38

39. 彩蛋：生成式AI如何提升工作效率 图片 – 日常工作中，常找一些封面页的背景图片，生成式AI可以生成非常好且合适主题的图片；另外，常常要 找一些icon和插画，生成式AI可以生成简单的icon和插画。当然，使用Midjourney需要一定的技巧，目前上手 有一定的难度。 1 找到合适的Prompt 2 把Prompt发给Midjourney 3 微调并下载 1 找到合适的Prompt并替换内容 2 把Prompt发给Midjourney 3 微调并下载 Prompt: Generate a clean set of oil production industry icons representing the various segments of the oil production chain. Icons should have a professional look and feel with straight lines, minimalist design and consistent proportions. The color palette should be neutral and muted, suitable for a consultant's output report. Each icon should be easily recognizable and distinguishable, reflecting the essence of the respective segment. Prompt: Generate 4 illustrations of the oil extraction industry , illustrations should have a professional look and feel with straight lines, minimalist design and consistent proportions. The color palette should be neutral and muted, suitable for a consultant's output report. Each illustration should be easily recognizable and distinguishable, reflecting the essence of the respective segment. 39

40. 彩蛋：生成式AI如何提升工作效率 行业分析 – MindOs是一个基于大模型的应用，有一个角色是“行业分析师”，告诉它想要分析哪个行业即可生 成报告。生成的报告质量不敢恭维且很模板化，但思路很有意思，即先通过网页搜索，找到最合适的信息源， 再总结输出为报告。 思考过程 输出的报告 注：以上截图来自网站 - https://mindos.com/ 。 40

41. 彩蛋：生成式AI如何提升工作效率 图像处理 – 有个比较难用肉眼识别的图想复现一下，基于GPT-4的Advanced Data Analysis可以给图像加上横 线、竖线，帮助判断具体数字。 1 2 4 5 “ 请在我上传的图像上添加 50 条红色半透明横线 和 50 条红色半透明的竖线，以便于我手动估算图 表中的数值。横线应该从图像顶部到底部精确均 匀分布，每一条线的间隔必须精确的为 100% 除 以横线的数量，从 0% 到 100% 全覆盖。竖线应该 从图像坐部到右部均匀分布，每条线的间隔应精 确的为 100% 除以竖线数量，从 0% 到 100% 全覆 盖。请确保每条横线和竖线的位置是精确计算出 来的，以避免任何不等间距的情况。横线的标签 应该一半一半分布在图像的左侧和右侧以避免视 觉混乱，竖线的标签一半一半分布的分布在上方 和下方。处理好的图像直接生成出来让我看见并 给我一个附上下载链接 。” 3 41

42. 彩蛋：生成式AI如何提升工作效率 生成式AI能够提升我们的工作效率，但目前仍有不少问题，如：1）应用端不成熟；2）无法突破数据、敏感性 的限制；3）使用受限；4）对用户要求较高。 1 2 3 4 应用端还不成熟 • 需要不断摸索方法并总结和标准化才能真正的提升效率，因为很多场景对我们日常工作是低频的，例如画图，想要通过生成式AI生成符合我们要求 的图需要不断调试，前期要花费大量的时间。 无法突破数据、敏感性的限制 • 以做二手为例，底层逻辑是通过企查查、天眼查、维基百科等发起请求并给予查询到的内容进行整理，很多信息在搜索引擎上查找起来也是比较费 劲的 • 以MindOS为例，它所查询的数据基本是非常公开的数据，而很多我们常用的数据在公开渠道查找比较困难，未来即使有行业大模型，受版权等限制 这些数据仍不会是公开数据，或许私有化的垂类大模型能够做到整合私有化的数据并提供输出 使用受限 • 我们虽然都自带“魔法”，但想要使用GPT-4、Midjourney十分困难 • 首先，这2家对“魔法”要求比较高，得有特定的线路和支持全局的“魔法” • 其次，付款限制严格，GPT-4不支持中国境内发行的卡（包括外币卡） • 再次，价格高，GPT-4每月$20，Midjourney最基础版本每月$10 • 国内目前也已经推出了不少大模型，在文字输出上尚可，其他方面的能力略有不足。 对用户要求较高 • 除去国内特有的一些限制及价格较高的限制外，目前生成式AI实际对用户的知识边界仍有不低的要求，增效仅局限于已有的知识，想要通过生成式 AI达到不懂行业的及格线非常困难（需要不断的扩自己的知识边界才能更全面提升） • 以GPT-4的Code Interpreter为例，不需要用户会写代码，但想要实现更复杂的工作，还是需要用户对编程有一定的了解且能够大致读懂代码， 否则使用起来非常费劲。 • 以Midjourney为例，生成一张比较复杂的图片，需要不断调整，而且还要善于理解特定的prompt。不懂的用户其实根本就没法调整，例如普 通用户对各种画风可能一无所知。 42

43. CIC灼识咨询 扫码关注公众号「灼识CIC」 电话：+86 21 2356 0288 地址：上海市静安区普济路88号静安国际中心B座10楼 如需更多信息，请访问：www.cninsights.com 敬请致函：marketing@cninsights.com 扫码添加CIC灼识小助手 © 2023 China Insights Consultancy. All rights reserved. This document contains highly confidential information and is solely for the use of our client. No part of it may be circulated, quoted, copied or otherwise reproduced without the written consent of China Insights Consultancy. 43