自然语言生成领域竞争格局如何？

下面我来简单介绍一下自然语言生成领域的竞争格局。

1、大模型层面：类似云计算市场，头部玩家的游戏

近年来，人工智能和 NLP 行业经历了显著的增长，在广泛的应用中对复杂的语言处理能 力的需求不断增加，如客户服务、内容生成和情感分析。Market Research Future 的一份 报告预测，到 2023 年，全球 NLP 市场的价值将达到 160.6 亿美元，2017 年至 2023 年 的复合年增长率为 16.5% 在深度学习语言模型领域，大型科技公司在算力、历史投入、科技人才密度、数据规格、 资金实力等方面具有明显优势，因此大（公司）模型有较大可能挤压小模型闭环方案的一 些创业公司的生存空间。ChatGPT 作为尖端语言模型，在自然语言理解和生成方面具有 广泛能力和潜在应用，也需要具备工程上的综合能力。未来，谁能拿到更多场景里、用户 参与的、高质量反馈的私有数据，并以更高效率迭代，将形成竞争关键点。

类似云计算，我们认为在大模型层面，最终市场主导者仍将是算力、历史投入、科技人才 密度、数据规格、资金实力等方面具有明显优势的头部科技公司，只有头部科技公司会研 发大模型，其余用户选择租用头部公司开发的大模型：

大模型层面，我们认为竞争格局将类似于云计算市场，头部玩家占据大部分份额，CR3 将或超过 50%。参考云计算市场，据 Gartner 和 IDC 数据统计，2021 年全球云计算市场 规模达到 3307 亿美元，近五年 CAGR 约为 18%，其中公有云 IaaS 领域是云计算服务的 最底层，市场发展相对较成熟，形成了较为清晰的竞争格局；2021 年，亚马逊/微软/阿里 分别占全球公有云 IaaS 市场的 38.90%/21.10%/9.50%；中国云计算行业近年来取得迅速 增长，从 2007 年的 266 亿元增长到 2021 年的 2181 亿元，GAGR 达 52%，2022 年上半 年，阿里云/华为云/天翼云分别占国内公有云 IaaS 市场的 34.5%/11.6%/11.0%。

在商业模式及市场绩效方面，相较于国际巨头，中国 laaS 和 PaaS 厂商大多仍在发展期， 在产品种类和功能的完善性，以及收费和盈利模式的灵活性上仍有一定差距，并且尚未能 够实现盈利，市场不确定性更大，因此下文主要以 AWS 等国际巨头为例分析云计算最终 将呈寡头垄断竞争格局的原因。

1、研发深度学习大语言模型需要大量的资源投入。 深度学习模型作为 ChatGPT 类产品的基础设施，在前期需要大规模资金支持，以满足数 据调试的适用场景普适性的需求，根据谷歌披露数据，训练参数规模 1750 亿的大模型， 理想训练费用超过 900 万美元。 类似的，计算服务为了实现覆盖的产品和功能范围的广度，要求云服务提供商持续进行产 品功能更新和产品矩阵建设来满足用户多元需求，Amazon 和 Google 持续进行大额资本 投入以完善产品能力。2022 年 Amazon 和 Google 的资本性支出分别达 583 亿美元和 315 亿美元，并仍然呈现上涨趋势。因此，深度学习模型和云计算行业具备很高的资源壁垒、 技术壁垒和客户壁垒，市场进入门槛较高，资金能力有限的小厂商很难进入这个行业。

2、头部公司具有望实现规模效应和低价壁垒的良性循环。 ChatGPT 上线一个月后，就实现运营成本降低 90%。2023 年 3 月推出的 GPT-3.5-Turbo 调用 1 千万词（Token）的费用为 20 美元，较先前的 davinci 模型下降 90%。随着公司根 据大量用户体验反馈不断积累运营数据，提升模型性能，将使得模型体验效果维持在行业 前列。

参考云计算领域的 AWS，2009 年已开始降价，2013 年甚至有一年降价 13 次的举动，但 是营业收入仍然保持高速增长，2013 年到 2022 年其营业收入以 CAGR 43.5%的速度增 长到 800.96 亿美元，一方面是因为 IaaS 产品功能相对同质化，客户对价格较为敏感，低 价可以吸引更多客户，另一方面，由于边际成本较低，AWS 能够实现规模效应，服务器 等折旧支出随着收入增长占收入比重稳定下降，2021 年已降至 12%， AWS 已建立了客 户规模增加-利润率提升-价格下降的正向循环，同时成本优势也使得 AWS 相对于其他竞 争者拥有低价护城河。

3、品牌效应强，先发优势明显 客户迁移成本高，倾向选择具有技术优势和成熟案例的领先厂商。云计算市场具有明显的 网络效应，即用户越多，企业在产品交付和售后的经验更多，产品打磨更精细，因此，客 户会更加信任有成功案例实施经验、产品商业应用时间厂的云服务厂商，这使得云计算市 场上的领先企业拥有强大的品牌效应，市场上的领先企业更加难以被取代。 与云计算类似，自然语言生成市场同样具有网络效应，自然语言生成质量部分取决于大规 模数据和模型的训练，使用自然语言生成模型的用户越多，模型可从用户生成的数据中学 习，提升内容生成质量；更多用户使用也会促成更多的投资研究，推动头部公司探索更先 进的算法和模型结构。因此头部公司的 AI 模型论文转化率往往更好，同时能够将模型迅 速转化为产品获取用户，进一步加强自身市场影响力。

2、小模型层面：或诞生一批具有行业/区域属性的小而美玩家

小模型开发训练及维护的成本更低，应用领域更窄，小公司可以为垂类场景，如广告、教 育、医疗、金融等针对性地搭建小模型，为用户提供可靠准确的回答。目前在 AI 生成文 本领域，已有大量创业公司/小公司主要采用开源大模型或者调用第三方接口研发自己的产 品，提供具备差异化的服务，也在大语言模型这一领域展开竞争。随着语言生成模型在客 户中的接受度逐步提升，出于对数据安全以及模型效率的考量，越来越多的公司将有意愿 对原始大模型进行微调训练，基于自身业务场景以及数据部署个性化的 AI 模型。

综上所述，由于行业壁垒较高、规模效应明显和先发优势显著的原因，大模型领域最终或 将形成寡头垄断的竞争格局。而在小模型层面，由于不同行业不同客户的需求更加多样化、 行业和地区差异明显，且需要在客户的基础设施上进行部署等原因，行业集中度会较低， 更容易出现具有行业或区域属性的垂直性龙头企业，市场垄断程度可能会相对较低。