2023年人工智能行业深度报告人工智能发展步入新阶段，AIGC创造新机遇

来源：国海证券
发布时间：2023/03/21
浏览次数：574
举报

相关深度报告REPORTS

人工智能行业深度报告：AIGC行业综述，开启AI新篇章.pdf

人工智能行业深度报告：AIGC行业综述，开启AI新篇章。本篇报告主要解答了以下问题：AI、AIGC当下发展处于什么阶段？未来将呈现怎样的趋势？AIGC的核心生产要素是什么？各生产要素的发展趋势如何？NLP、CV、ASR、TTS算法及发展？ChatGPT为何“火爆出圈”？AIGC包括什么？已有哪些产品？应用现状及前景如何?有哪些企业进行了布局？商业模式如何？行业发展：人工智能步入新发展阶段，逐步迈向AGI；AIGC拥抱人类，创造人机交互新变革，将迎来更多新机遇。人工智能从理论发展分为四个阶段：规则导向、机器学习、深度学习、自主学习阶段，目前处于深度学习阶段；从应用成熟度可...

一、行业篇：人工智能发展步入新阶段，AIGC创造新机遇

内容创作模式对比：AIGC实现内容创作呈高质量、大数量、低成本趋势

传统的 PGC 与 UGC 模式受到规模、质量和成本的制约，而AIGC 则能够有效地弥补 PGC 与 UGC 模式的不足，具有生成内容规模大、质量高、单位成本低的优势，将会成为元宇宙场景下的主要内容生成模式，从而为元宇宙建设提供内容支撑。

AIGC演进趋势：辅助生产 → 自动化独立创作

随着人工智能算法的进步和算力的提升，AIGC 将逐步摆脱对 PGC 和 UGC 的依赖，从辅助内容生成转变完全独立创作，充分释放创作潜力，持续输出高质量、多样化、高自由内容，满足未来消费者对内容数量及质量的双重刚性需求。

二、技术篇：算力是支撑，数据是核心，算法逐步迎来突破

机器学习：机器学习分为训练和推理，数据决定上限，算法逼近上限

机器学习可以分为训练和推理两个阶段，训练是指使用已知数据集训练机器学习模型；推理是指使用已训练好的模型对新的数据进行预测、分类等任务。数据和特征决定了机器学习的上限，模型和算法逼近上限。

数据：机器学习的核心，也是机器学习的瓶颈

数据决定了机器学习算法的性能、泛化能力、应用效果；数据获取、标注、清洗、存储也是机器学习瓶颈之一。

NLP算法：Transformer开辟NLP新路径，架构优化促成衍生模型

Transformer模型——特征提取器。 2017年6月，Google发布论文《Attention is all you need》，提出了解决seq2seq（sequence to sequence）问题的Transformer模型。该模型引入自注意力机制（Self-Attention）代替了长短期记忆网络模型（LSTM），抛弃了之前在Encoder-Decoder模式下必须结合CNN或RNN的传统模式。

ChatGPT-算法：当模型规模达到某个阈值时，模型出现涌现能力

2020年1月，OpenAl发表论文《Scaling Laws for Neural Language Models》，探讨模型效果与模型规模之间的关系。结论是：模型的表现与模型的规模之间服从Power Law，即随着模型规模指数级上升，模型性能实现线性增长。

而在2022年8月，Google发表论文《Emergent Abilities of Large Language Models》，重新探讨了模型效果与模型规模之间的关系。结论是：当模型规模达到某个阈值时，模型对某些问题的处理性能突然呈现快速增长。作者将这种现象称为Emergent Abilities，即涌现能力。

ChatGPT-算法：采用RLHF学习机制，效果优于GPT-3的无监督学习

GPT-3采用无监督学习机制，优点在于无需人工进行数据标注，可以节省模型训练成本，模型泛化能力更强。而ChatGPT采用RLHF学习机制，即人工反馈的强化学习，属于强化学习。不同于传统的相比于传统的有监督学习机制，ChatGPT无需提前对训练数据进行标注，而只需要对人工对模型输出的结果进行评分，从而可以节省人力。虽然相比于GPT-3，ChatGPT需要消耗一定的人力，但是模型结果会更加符合人类偏好。

ChatGPT-反思：站在巨人的肩膀之上，开源开放期待更多可能和变革

ChatGPT推出的意义不仅仅是技术上的突破，更多的是预示着，人工智能将越来越多的走出实验室，拥抱人类。只要人工智能技术领域，学术与产业界一直保持开源、开放的生态，人工智能还会迎来更多的技术突破，竞争格局变革的更多可能。而行业的奠基者，也一定因其长久的技术积累存在较大的先发优势，持续的投入也会迎来更多的突破和可能。