2024年数字经济专题：大国经济体系下，人工智能领航数字经济新阶段

一、未来已来，人工智能正式开启第四次工业革命

（一）第四次工业革命概述，融合技术正在掀起历史性的技术浪潮

人工智能是核心技术催化剂，颠覆性技术之间的融合产生协同效应，带来生 产力的爆发，成为第四次工业革命的主要推动力。人类文明已经历了三次工业革 命，第一次是 18 世纪中叶以蒸汽机为代表的机械化革命，第二次是 19 世纪中叶 以电力、内燃机为代表的电气化革命，第三次是 20 世纪中叶以信息技术为代表 的自动化革命。当前我们正在进入第四次工业革命—智能化革命，以人工智能（神 经网络/下一代云/智能设备）、公有区块链（加密货币/智能合约/数字钱包）、多 组学测序（精准治疗/多组分技术/可编程生物学）、储能（自动驾驶/节能电池） 和机器人（可复用火箭/自适应机器人/3D 打印）为代表的五类颠覆性技术正在融 合，融合产生的协同效应将发挥更大作用，推动生产力的发展。其中，人工智能 是核心技术催化剂，与其他四类技术的融合范围最广、评分最高。

融合技术带来的实际 GDP 增速将远超第一次和第二次工业革命，AI 对经济 增长的贡献突出。据 ARK 估算，在全球范围内，未来 7 年的实际 GDP 增速将达 到 7%以上，而过去 125 年的平均增速只有 3%。AI 作为核心技术催化剂，对经济 增长的贡献突出。据 ARK 估算，引进 AI 后，实际 GDP 在 2023 至 2030 年间有望 累积增长 130%。原因是在 AI 的赋能下，一些行业的生产效率和成本发生了巨大 的变化。比如：机器人与 AI 融合后，可以在非结构化环境中低成本高效地工作， 2030 年有望带来 24 万亿美元的经济效益；自动驾驶出租车与生成式 AI 融合提升 了安全性，到 2030 年有望广泛应用而使每英里成本低至 0.25 美分，创造一个 11 万亿美元的潜在市场；而 AI 软件直接提高了知识型工作者的生产力，2030 年有 望提升生产力至 2.5 倍，若软件价值量按 10%计算，则有望产生 13 万亿美元的经 济效益。

AGI 时代有望加速到来。近期，英伟达创始人 CEO 黄仁勋和谷歌 DeepMind CEO 哈萨比斯对 AGI 的到来时间进行了预测，他们的观点相似。哈萨比斯认为， AGI 最早可能在 2030 年出现，而黄仁勋则认为通用人工智能可能在五年内实现。 据 ARK 分析，根据赖特定律，加速计算硬件的改进将使 AI 相对计算单元（RCU） 的生产成本每年降低 53%，而算法模型的增强可以进一步带来每年 47%的训练成 本下降。换而言之，到 2030 年，硬件和软件的融合可以使人工智能训练成本以 每年 75%的速度下降。人工智能模型的训练成本下降将进一步加速其能力的迭代， AGI 有望加速到来。

（二）Sora 发布标志 AGI 系统有望超预期提前到来

1．DiTs 算法赋能 AIGC，Sora 开启文生视频新纪元

北京时间 2 月 16 日，OpenAI 发布“文生视频”大模型 Sora。可生成一分钟 的高保真视频，并配有 48 个生成案例及技术报告，能够通过自然语言指令生成 长达 60 秒的高清流畅视频，在生成视频长度、清晰度、连贯性、多镜头切换方 面都有显著提升。官方发布的技术报告指出，视频生成模型将是构建“世界通用 模拟器”的重要途径。

本质上，Sora 基于 Diffusion Transformers（DiTs）构建，并使用 DALL-E3 的 重捕获技术。研究表明，DiTs 相较于传统语义分割网络架构（U-Net）在模型大 小上更具可扩展性，并能生成更高质量的 2D 及 3D 图像。

OpenAI 曾采用循环网络、生成对抗网络、自回归 Transformer 和扩散模型等 方法对视频数据进行生成建模，但生成视频存在视觉数据受限、视频时长较短或 视频尺寸局限等问题。通过从大语言模型（LLM）中汲取灵感，类似 GPT 将自然 语言转换为文本 tokens，Sora 可将视觉数据转换为 patches(视觉编码块)。通过此 种方式，即可实现在不同类型的视频和图像上训练生成模型。 通过视频压缩网络可降低视觉数据的维度，该网络将原始视频作为输入，并 在时间和空间上进行压缩，Sora 在压缩空间中接受训练并生成视频；另外，相应 的解码器模型可将生成的对象映射回像素空间。Sora 基于 patches 对可变分辨率、 持续时间和纵横比的视频和图像进行训练；亦可以通过在适当大小的网格中排列 随机初始化的 patches 来控制生成视频的大小。

2．Sora 功能多样化，生成质量远超同类大模型

Sora 可以将简短文本描述转换成一分钟流畅视频，相对于 Runway、Pika、Stable Video 等同类大模型提升了几个代级。1）生成视频长度：Runway、Pika 等 传统文生视频大模型平均时长在 3-5 秒，Runway 用户可以最多延长视频长度至 16 秒，Sora 生成视频长度相对传统视频生成工具提升 15-20 倍；2）视频质量显 著提升：Sora 生成视频分辨率可达 1920 x 1080；3）可实现多镜头切换：可以理 解和模拟运动中的物理规律，可以实现复杂的运动相机模拟；4）视频连贯性与 稳定性出色：在建模能力上表现更好，可以依赖关系进行建模，能初步理解并模 拟物理运动规律；5）高可拓展性：支持多种数据格式输入，具备实现文生视频、 图生视频、向前或向后视频扩展能力，同时支持视频连接。

3．Sora 发布标志 AGI 时代正加速到来，带动训练及推理算力需求增长

由于目前 Sora 处在初级阶段，训练数据集和参数规模有限，仍存在一些不足 之处。对于 Sora 当前存在的弱点，OpenAI 指出它可能难以准确模拟复杂场景的 物理原理，并且可能无法理解因果关系。该模型还可能混淆提示的空间细节，例 如混淆左右；或可能难以精确描述随着时间推移发生的事件，例如遵循特定的相 机轨迹。

AIGC 领域难度排序由易到难依次是文本、图像、音频、视频。未来训练数 据集将会数以万倍的增长，模型参数量也将不断提升，目前来看 Sora 训练所需算 力不及 GPT-4 等大语言模型，伴随 Sora 大模型不断迭代调优、训练数据集规模 逐渐扩大，我们认为，Sora 发布标志着 AGI 时代正加速到来：1）短期来看，模 型迭代优化、训练数据集增大将快速带动训练端算力需求；2）长期来看，Sora 技术逐渐成熟带动下游 AI 应用百花齐放，包括为影视制作、游戏开发、教育培 训、广告及社交等场景应用带来颠覆，推理端需求将厚积薄发。

（三）国内 Kimi 加速迭代，AI 应用元年百花齐放

北京时间 3 月 18 日，Moonshot（月之暗面）宣布在大模型上下文窗口技术上 取得新的突破，其自研的 Kimi 智能助手已支持 200 万字超长无损上下文，并已 开启产品内测。 Kimi 智能助手在去年 10 月发布，支持 20 万汉字无损级别上下文输入，是当 时 AI 消费级产品支持上下文文本长度记录保持者。我们认为，Kimi 智能助手迭 代速度超预期，推动应用端加速落地，Kimi 智能助手目前已经支持 200 万文字超 长无损上下文，对比目前主流大模型：1）谷歌近期发布的 Gemini 1.5 pro 支持 100 万 token 输入；2）Claude 3 支持 20 万 token 输入；3）GPT-4 Turbo 支持 12.8 万 token 输入。我们依旧坚定年初观点，2024 年将是 AI 应用元年，Kimi 智能助手宣 布大模型进入“长文本时代”，长文本能力也将是通往 AGI 进程中的关键之一， Kimi 智能助手将是又一里程碑。

Kimi 智能助手支持多种应用场景，生成速度提升 3 倍之多。Kimi 智能助手 去年 10 月发布的版本仅支持 20 万上下文输入，时隔 3 个月，Moonshot 为 Kimi 智能助手提供了更多数据源，本次迭代升级使 Kimi 基于出色的长上下文处理能力 帮助用户解锁更多应用场景，比如专业学术论文的翻译和理解、辅助分析法律问 题、一次性整理几十张发票、快速理解 API 开发文档、快速筛选符合条件的简历 等。当面对一个问题时，Kimi 智能助手会尝试不同的方向搜索并据此做出回答。 在回答速度上也有提升，Moonshot 工程副总裁表示，基于 Infra 层的优化，Kimi 智能助手生成速度较去年 10 月份提升了 3 倍。 Kimi 智能助手访问量持续飙升，加速 AI 应用元年进程。根据 SimilarWeb 数 据显示，去年 12 月 Kimi 的周访问量还在 10 万次上下，到了 1 月下旬才突破 40 万，但是从春节开始访问量疾速攀升，至今周访问量已经超过 160 万次，2 月访 问量增长 107.6%，仅次于百度文心一言与阿里通义千问（访问量均下降超 30%）。 我们认为，2024AI 应用元年有两个条件：1）大模型达到可使用状态：这点从 Kimi 用户的如潮好评中可以看出。2）大模型公众可触达：目前 Kimi 已经面向全社会 开放使用。

（四）AIGC 到 AGI 将带来哪些颠覆式革命

通用人工智能（AGI）是指具备类似于人类思考能力，能够适应广泛领域并 解决多种问题的机器智能，是人工智能研究的重要目标之一。而狭义人工智能则指已取得显著进展但局限于特定领域的人工智能，例如语音识别、机器视觉等。 目前我们处于狭义人工智能相对成熟、通用人工智能乍现的阶段，GPT-4 等大语 言模型及 Sora 等多模态模型被认为是通向通用人工智能的重要潜在路径，并且这 一进程在逐渐加速。 “超长文本”和“超强模拟物理运动”能力将是 AGI 时代关键。我们认为大 模型时代将会沿着两条路线继续演绎，一是支持超长上下文能力大模型，二是模 拟世界、物理运动规律的多模态能力。

多模态加速模拟文本、图像及视频，未来模拟物理运动规律将成为现实

多模态模型是指能够处理不同类型数据，并将其融合进行综合理解的人工智 能模型。这种模型能够更全面地理解和处理真实世界中复杂多样的信息，从而进 一步提升大型模型的迁移学习能力。多模态技术的发展在人工智能领域具有重要 意义。 当前，单模态的人工智能模型，如处理文本、语音、图片等的模型，已经相 对成熟。而大型模型正在向多模态信息融合的方向快速发展：重要模型诞生以及 GPT-4 等模型的图像处理能力提升。大型模型不仅限于文字和图像的处理，也开 始拓展到音频、视频等领域，未来甚至有望延伸到包括味道等其他信号。

我们认为未来通用人工智能重点将变革以下领域：

1．具身智能成为 AI 发展新形态，机器人将取代大部分工种

具身智能作为人工智能发展的一个重要分支，是指那些可以感知、并与物理 世界进行交互、具有自主决策和行动能力的人工智能系统。这些智能体能够以主 人公的视角感受物理世界，并通过与环境的交互结合自我学习来理解和改变客观 世界，机器人将成为具身最优载体。 未来机器人产业将持续快速发展，迎来战略机遇期。具身智能作为两大领域 交叉的核心应用，有望在未来取得快速发展。它将推动智能体具备更多自主规划、 决策、行动和执行的能力，实现人工智能的进一步进阶。

AI 与机器人结合能充分提高生产效率，更好应对各种复杂任务。在流水作业 以及生产线上，机器人可以根据大模型提供的实时数据分析结果，对生产流程进 行自动优化，提高生产效率和产品质量。并且能快速学习新技能，有效解放劳动 力，降低劳动力工作时长，未来人类将更多时间应用在线上处理工作任务，一周 工作 3-4 天或将成为现实。

2．脑机接口成为新的创新交互方式

脑机接口作为一种新型的人机交互方式，在医学、教育、游戏等领域有着广 阔的应用前景。脑机接口技术将脑电信号转化为计算机可识别的数据，并通过计算机的处理和反馈，实现了人与机器的无缝互动。 目前脑机接口技术正从“学术科学探索”走向“应用转化落地”。脑机接口 系统性能指标包括响应时间、识别正确率、可输出指令数量和菲茨吞吐量，可用 性指标包括易用性、长效性、鲁棒性、安全性和互操作性，易用性指标包括准备 时长、轻便性和舒适性。

经过数十年的科学探索与技术论证，脑机接口已从科幻成为科学，处于从科 学研究到产业落地的关键时期。就脑机接口目前的发展情况，在今后一段时间， 脑机接口的基础学科研究和应用落地都将得到长足发展，从而有望促进脑机接口 市场规模不断扩大。 另一方面，人类与人工智能之间的交互方式也在不断升级，脑机接口有望成 为下一代人机交互方式。当前，脑机接口技术正在突破人类的生理界限，为残障 人士提供了前所未有的可能性。

3．治疗罕见病与精准治疗成为现实

未来 AGI 可以应用的领域众多，其中绕不开人类生物工程。我们认为，医疗 是 AGI 落地的最佳场景之一，大模型、多模态以及垂类大模型将更加广泛结合并 应用在药物研发、诊断、影像、治疗等细分环节。 随着各类医疗大模型的加速迭代与演化，医疗大模型商业化前景有望进一步 打开。例如，谷歌的 Med-PaLM2、微软子公司 Nuance 的 DAXExpress 等医疗大模 型已经在医疗领域得到应用，并取得了一定的商业化成果。 在最近的一项研究中，Med-PaLM2 在 USMLE 问题上的准确率达到 85.4%， 与参试专家的水平相当。这使得 Med-PaLM2 成为第一个在 USMLE 问题上达到专 家级表现的人工智能系统。 1）可以帮助医生更快速、更准确地进行诊断。它可以通过分析大量的病例 和医学文献，提供对疾病的诊断和治疗建议。这有助于减少医疗错误和误诊的风 险；还可以实现疾病的早期发现和治疗，从而改善患者的治疗效果并挽救生命。 2）可以帮助医生节省时间和精力，使他们能够更专注于与患者的沟通和治 疗。在 Med-PaLM 2 一项实验中，通过对超过 50 万个医学图像进行分析，成功预 测了肺癌的发生率。Med-PaLM 2 还可以通过自动化完成目前由医生执行的许多日常工作，使他们能够有更充足的时间专注于为患者提供服务，可以缩短患者的 等待时间并提高患者满意度。 3）可以与其他医疗设备和系统进行集成，可以与智能手环和智能手表等设 备进行连接，实时监测患者的生理参数，并提供相应的建议和警告。还可以与电 子病历系统等其他医疗系统进行集成，从而实现更加智能化和高效化的医疗服 务。

未来 AGI 时代，AI 赋能医疗有广阔前景。可以应用的领域很多，其中绕不 开人类生物工程。我们认为，医疗是 AGI 落地的最佳场景之一，大模型、多模态 以及垂类大模型将更加广泛结合并应用在药物研发、诊断、影像、治疗等细分环 节，很多罕见病及疑难杂症将逐渐被治愈。

二、人工智能是核心技术催化剂，领航数字经济新阶段

（一）“适度超前”建设算力体系背后的财政货币支撑体系

1. 央行的“科技金融”、“数字金融”货币政策框架

1.1 结构性货币政策支持科技创新和数字经济发展

中央经济工作会议将“稳中求进、以进促稳、先立后破”作为 2024 年宏观 政策基调。在此背景下，货币政策“灵活适度，精准有效”，总量和结构政策双 重发力，既托底总量增长又推动结构改革，支持防范化解宏观风险，着力营造良 好的货币金融环境，高质量服务实体经济。 “精准”即为强调信贷的方向引导。预计未来结构性货币政策工具将在货币 投放中扮演更加重要的角色，加大对重大战略、重点领域和薄弱环节的支持力度。 聚焦“五篇大文章”，即科技金融、绿色金融、普惠金融、养老金融、数字金融 五篇大文章。

中国人民银行货币政策司课题组近期文章《结构性货币政策助力做好“五篇 大文章”》中详细阐述了结构性货币政策工具的作用。“结构性货币政策是指在 市场配置资源基础上，设计适当激励机制，引导资金流向经济特定领域的货币政 策。结构性货币政策主要发挥结构功能，通过建立激励相容机制，将中央银行资 金与金融机构对特定领域和行业的信贷投放挂钩，发挥精准滴灌实体经济的独特 优势。结构性货币政策也有总量效应，通过投放基础货币，保持银行体系流动性 合理充裕，支持信贷平稳增长”。 截至 2023 年末，结构性货币政策工具余额 7.5 万亿元，比上年末增加约 1 万 亿元，占人民银行总资产的 16.4%。其中为“科技金融”和“数字金融”已创设 的结构性货币政策工具共 2 个，分别为“科技创新再贷款”和“设备更新改造专 项再贷款”。2022 年 4 月，人民银行创设科技创新再贷款，支持金融机构加大对 科技创新企业的信贷支持力度；2022 年 9 月，创设设备更新改造专项再贷款，支 持金融机构向制造业、社会服务领域和中小微企业、个体工商户等设备更新改造 提供贷款。根据央行披露，截至 2023 年第三季度末，科技创新再贷款 4000 亿元 额度全部用完，支持金融机构向科技企业累计发放贷款 1.69 万亿元；设备更新改 造专项再贷款累计发放 1694 亿元，支持新型基础设施和产业数字化转型等设备 更新改造。

2023 年科创企业贷款的获贷率提升，增速高于各项贷款增速。2023 年获得 贷款支持的科技型中小企业 21.2 万家，获贷率 46.8%，获贷率提升 2.1pct。科技 型中小企业本外币贷款余额 2.45 万亿元，同比增长 21.9%，比上年末低 3.8pct， 比同期各项贷款增速高 11.8pct。2023 年获得贷款支持的高新技术企业 21.75 万家， 获贷率为 54.2%，提升 0.8pct。高新技术企业本外币贷款余额 13.64 万亿元，同比 增长 15.3%，比上年末低 0.8pct，比同期各项贷款增速高 5.2pct。 未来央行可能会继续在“科技金融”、“数字金融”领域创设相关结构性货 币政策工具，丰富政策工具箱，引导商业银行信贷直达实体经济，引导信贷投放 方向的作用，将为建设算力体系提供资金支持。

1.2 提升直接融资占比，构建覆盖科技型企业全生命周期的金融服务体系

央行 2003 年 4 季度货币执行报告首次提出“合理把握债券与信贷两个最大 融资市场的关系”，扩大直接融资，社融结构实现再平衡。提升直接融资的要求 与当下中国经济结构转型的新方向相匹配。报告专栏 1《准确把握货币信贷供需规律和新特点》提出“先进制造、科技创新、绿色低碳、数字经济等新兴产业蓬 勃发展，这些新动能领域与直接融资的金融支持模式更为适配，也会对贷款形成 良性替代”。央行行长在十四届全国人大二次会议经济主题记者会上强调“在宏 观层面，要加强顶层设计和系统筹划。比如，科技金融方面，科技型企业一般会 经历种子期、初创期、成长期、成熟期不同的阶段，企业成长周期的不同阶段， 对金融需求有不同的特点。在科技型企业成长的早期，更多需要风险投资、创新 创业投资基金的介入，目前还是一个薄弱环节；金融机构对科技型企业风险评估 能力，也需要进一步提升，下一步需要着力补齐短板，构建覆盖科技型企业全生 命周期的金融服务体系”。 目前，交易商协会创设了科创类融资产品工具箱，并在 2022 年将其升级为 了科创票据。科创票据用于支持科创类企业以及非科创类企业的科技创新发展行 为。2022 年上交所和深交所正式落地了科创债。 因此，除了通过结构性货币政策工具为建设算力体系提供间接融资支持外， 对于相关企业的债券融资等直接融资的支持也会进一步提升，试图构建构建覆盖 科技型企业全生命周期的金融服务体系。

2. 财政政策支持重点首次转向现代化产业体系建设

从去年年底的中央经济工作会议到今年两会期间的政府工作报告，均把“加 快现代化产业体系”建设放在首要目标，与此同时持续强调要增强宏观政策取向 一致性。我们认为，在当前经济同时面临逆周期和结构性调节的关键时期，财政 政策配合国有资本的政策调整将是有效发挥举国体制优势，支持数字经济和科技 转型的重要力量。其实，过去以来的历次经济周期中，积极的财政政策均起到了 关键性作用，力挽经济于狂澜。但我们也注意到，过去几轮积极财政政策主要支 持的方向为传统基建产业，而现如今财政政策支持重心转向科技创新，需要通过 何种方式调整？

2.1 过去三轮积极财政政策主要投向传统产业

我国分别于 1998 年、2008 年以及 2013 年开启过三轮积极财政政策，其中前 两次均是由外部因素导致的需求冲击加剧了经济波动，继而使用扩张性财政政策 予以对冲。始于 2013 年的第三轮积极财政政策主要是由于传统产能的供给过剩 引起，财政政策方面主要以结构性政策为主，但由于土地财政等预算外广义财政 的存在，使得传统产能并未完全出清。由此，过去不同历史时期财政政策的主要 支持工具及资金投向也有所区别： 1998 年首轮财政支持经济转型：以狭义政府赤字和财政支出政策为主，促进 城镇化、工业化转型。受到亚洲金融危机的影响 1997 年 6 月至 1999 年 12 月 PPI 连续 31 个月在负值区间运行，且 CPI 处于负值区间。未来应对外需冲击，同时 促进我国城镇化和工业化的转型发展，我国分别于 1998 年至 1999 年两年期间多 次增发了共计 1600 亿元的国债，需要注意的是 1998 年我国 GDP 水平仅 8.5 万亿 元。当时我国刚刚实行改革开放不久，如图 15 所示，1994 年我国公路及民航建 设刚刚起步，国内基础设施建设具有大幅扩张的空间及较高的投资回报率，相对 而言资本是稀缺的。为此，1998 年新增国债由中央政府向国有商业银行定向增发 进行募资。

2008 年第二轮财政支持经济转型：以政府性基金扩张为主，催生地产与基建 快速发展。2008 年全球金融危机影响，中国国内需求遭受大幅冲击，PPI 负值运 行 12 个月，CPI 同样落入负值区间。为稳定经济增长，同时推动一批利长远项目 建设，我国实施“四万亿”投资计划。资金来源方面，据国家发改委公布的“4 万亿”投资明细，四万亿投资的资金构成是 1.18 万亿中央预算内投资和 2.82 万 亿配套资金。资金来源是中央财政赤字、地方财政、地方债（财政部代理发行）、 政策性贷款、企业债和中期票据、银行贷款，以及民间投资。其中财政预算内较 上一轮积极财政中，多增了政府性基金收入中的土地收入增长。2009 年和 2010 年的政府性基金收入分别为 1.83 万亿元和 3.57 万亿元，较上年分别增长了 17.26% 和 95.15%，其中超过 70%专项用于土地开发及建设领域的投资和补偿。资金投向 方面，主要是重大基础设施建设、灾后重建、保障房建设、民生工程等。

2013 年后第三轮积极财政：以结构性政策配合完成过剩产能出清，但实际开 启了广义财政扩张。2008 年以来广义财政的扩张导致传统产能过剩，经济结构性 矛盾和隐性债务风险不断加剧。理论上此时财政政策应该以结构性政策配合货币 政策完成“供给出清”，我们可以看到基建的投资缺口在 2015 年之后开始显著 提升，如图 19 所示。但实际上由于地方政府考核目标仍在，地方在稳经济过程 中实际开启了广义财政的扩张，而“宽货币、紧信用”的货币政策使得“宽”出 的货币进了城投和地产，”紧“的信用又使城投承担了较高的融资成本，造成了 一定隐性债务。

2.2 新一轮积极财政支持重点转向现代化产业体系建设

2023 年中央经济工作会议及 2024 年政府工作报告均将“现代化产业体系建 设”放在首位，与之对应的 2024 年财政预算草案中，对于主要财政收支政策也 做出了重要调整。根据过往几年预算草案来看，每年基本会公布 7-8 项主要政策， 其基本规律是：后几项政策相对固定（第四是乡村振兴、第五是生态环境、第六 是民生、第七是国防、外交、政法），但前三项政策的内容和排序往往指明当年 重点方向。例如 2021 年首要政策是“推动创新发展和产业升级”、2022 年首要 政策目标是保市场主体、2023 年为扩大内需。 而 2024 年主要财政收支政策中的前两项均和科创相关，第一是支持加快现 代化产业体系建设，第二是支持深入实施科教兴国战略。去年的首要目标“扩大 内需”已经移居第三。据此可以得出的结论是：新一轮财政逆周期调控不同于以 往几次扩张，更加聚焦经济转型和科技创新。

2.3 当前及未来一段时期财政如何支持科技创新发展？

从今年财政预算草案及相关新增政策来看，未来具体支持政策主要以下几方 面：

一是新增政府债务工具重点支持科技创新。一方面是专项债用途在以往的传 统基建和新能源建设的基础之上，新增了数字基础设施建设用途。另一方面，我 们看到今年两会提出了新型债务工具—超长期特别国债，在 3 月 6 日举行的十四 届全国人大二次会议经济主题记者会上，国家发展和改革委员会主任郑栅洁指出 初步考虑，超长期特别国债将重点支持科技创新、城乡融合发展、区域协调发展、 粮食能源安全、人口高质量发展等领域建设。这些领域潜在建设需求巨大、投入 周期长，现有资金渠道难以充分满足要求，亟需加大支持力度。其中首要支持领 域便是科技创新。

二是税收政策持续深化落实，加大研发费用扣除比例。即落实技术改造相关 投资税收优惠，落实研发费用加计扣除等政策，例如去年已将符合条件的集成电 路和工业母机企业研发费用税前加计扣除比例提高至 120%，将符合条件的研发 费用税前加计扣除比例由 75%提高至 100%。预计在今年及未来一段时间将持续 贯彻落实以上税收支持政策，且有望逐步扩大政策支持范围和支持力度。

三是更好发挥国有资本和国有企业在科技创新中的引领、引导作用。今年 1 月份国务院印发了《关于进一步完善国有资本经营预算制度的意见》，本次新《意 见》在之前基础上对于“国有资本”的功能定义新增了“落实国家战略”，并居 于首位，如表 6 所示。而当前我国首要战略显然是科技创新和数字经济的发展。 实际上，国有资本经营预算作为财政收支的重要组成部分，既是中国特色，也是 我国更好支持科技转型的体制优势。本次制度的修订实现了所有国有企业的预算 全覆盖，并加强了支出纪律约束，未来对于关键领域的国有资本的注入有望助力 科技创新相关行业的快速发展。

四是专项产业基金支持。去年我国的产业基础再造和制造业高质量发展专项 资金增长了 20.3%，今年预算草案再安排专项资金 104 亿元。其中主要强化对制 造业企业技术改造的资金支持，落实技术改造相关投资税收优惠政策。深入实施 首台（套）重大技术装备和首批次重点新材料应用保险补偿政策。优化产业投资 基金功能，鼓励发展创业投资、股权投资，充分运用市场化手段，支持集成电路、 新一代信息技术等产业加快发展。

五是教育和研发预算支出支持。今年财政预算草案中主要财政政策第二位是 “科教兴国”，从支持加快建设高质量教育体系和推动高水平科技自立自强两方 面做了阐述，主要支持政策是加大教育支出和财政研发补贴。于此同时，对于今 年中央财政支出的预算安排中，科技支出和教育支出预算安排的支出增速分别为 10%和 5%，大幅高于去年的 2.9%和 1.9%，是今年中央各项财政支出中主要提升 的项目。

（二）大国体系下的中国数字经济产业已全面开启，预计在 2035 年达到 GDP 的 71.6%

总量法测算：国内数字经济预计 2035 年占 GDP 比将达到 71.60%。近年来，我国数 字经济整体实现量的合理增长，2022 年数字经济规模达到 50.2 万亿元，同比增加 4.68 万 亿元，首次突破 50 万亿元。2023 年，面对经济新的下行压力，各级政府、各类企业纷纷 把发展数字经济作为培育经济增长新动能、抢抓发展新机遇的重要路径手段，数字经济 发展活力持续释放，我国数字经济规模有望达到 54.6 万亿元，面对多方面不利因素，我 国数字经济仍保持强劲增长、凸显韧性，持续为国民经济稳增长保驾护航。 我国数据经济规模维持高位增长，增速连续 11 年高于名义 GDP 增速。2022 年，我 国疫情防控取得重大胜利，经济发展环境得到改善，国内生产总值同比名义增长 5.3%， 数字经济规模达到 50.2 万亿元，同比名义增长 10.3%，高于 GDP 名义增速 4.98 个百分点。 自 2012 年以来，我国数字经济平均增速 15.9%，已连续 11 年显著高于 GDP 增速，数字 经济持续发挥经济“稳定器”、“加速器”作用。

我国数字经济占 GDP 比重持续提升，2030 年数字经济占比有望追上发达国家水平， 2035 年有望位列全球首位。2022 年，我国数字经济占 GDP 比重为 41.86%，从 2023-2035 年的整体趋势及预测来看，中国数字经济占 GDP 的比重持续提升，我们预测 2030 年占比 达到 59.73%，有望追上发达国家平均水平，预计 2035 年占比将达到 71.60%。

（三）中美数字经济及人工智能产业要素发展对比

人工智能的三大基础要素为数据、算力和算法，目前中国在数据方面具有明显的大 国优势。首先，数据的底层是人和人的活动，因此发展主体（国家或者区域内）的人口 数量与质量对数据资源的“量”与“质”起到至关重要的影响。数量方面，目前世界人 口排名前列的国家或地区依次为印度 14.17 亿、中国 14.12 亿、欧盟 4.48 亿、美国 3.33 亿。据 IDC 统计，2022 年中国产生的数据规模达 23.3ZB，在全球占比达到 23%。伴随国 内数据要素成为国家战略，数据价值不断释放，到 2025 年中国人工智能产业在数据量方 面将具有相对优势，IDC 预计到 2025 年中国数据量规模达到 48.6ZB。质量方面，2022 年 中国人均 GDP 为 1.27 万美元，持平全球平均水平，但从互联网渗透率来看，中国达到 75.6%，明显高于世界平均水平 63%。

算力方面，中美两国的计算力与其他梯队国家相比有显著优势，但美国仍领先于中 国。由于超大规模互联网企业在算力投入上的大幅增长，2022 年美国算力指数从 77 分增 长到 82 分，尤其是一级指标计算能力增长显著，包括通用计算能力和 AI 计算能力。从 数据来看，2022 年，美国服务器市场规模达到 530 亿美元，同比增长 19.7%；人工智能 服务器市场规模达到 75 亿美元，同比增长 48.1%，是全球服务器市场增长的主要驱动力。 中国受阻于疫情反复，2022 年算力投入有所放缓，但整体增速仍高于 GDP，算力指数从 70 分增长到 71 分。在这样的大背景下，中国整体服务器市场规模仍然保持 6.9%的正增 长，达 270 亿美元，占全球市场 25.0%，仅次于美国稳居第二。从服务器子市场来看，边 缘计算服务器和液冷服务器市场均呈现 20.0%以上的增长。

算法方面，我们主要通过人才规模、专利数、企业数量、融资规模和大模型这几个 角度来对比。 1）人才方面，人工智能人才整体规模中国居首，但人工智能顶尖人才美国处领先地 位。中国人工智能人才规模凸显，LinkedIn 和猎聘的数据统计显示，全球当前累计 AI 人 才突破 100 万人。其中中国 AI 人才占全球 AI 人才总数的 18%，位居世界首位。美国和 印度 AI 人才数量分居全球第二、三位，且均超过 15 万。根据清华大学 AMiner 的历年统 计数据，美国学者入选 AI2000 榜单年均超过 1,000 人次，数量最多且远高于其他国家， 表明美国在 AI 顶尖人才方面具有领军地位。与之对比，中国人才数量位居第二，但差距 仍然较大。 2）专利方面，中国信通院发布的《全球数字经济白皮书（2023 年）》指出，在专利 申请授权方面，2013-2023 年 Q3，全球 AI 专利申请量累计达 129 万，全球 AI 专利授权 量累计超 51 万，中国 AI 专利申请量占全球 64%，位列全球第一，论文数也遥遥领先。 3）融资方面，当前美国在人工智能企业数量和融资规模方面均占据显著优势。截至 2023 年 6 月底，全球人工智能企业共计 3.6 万家，美中英企业数量名列前茅。美国人工 智能企业数量约为 1.3 万家，在全球占比达 34%，中国占比 16%，英国 7%，美中英三国 的人工智能企业数量合计占全球的 56%。计算 2013 年以来的私人 AI 投资总额时，美国 以 2489 亿美元的投资排名第一，其次是中国（951 亿美元）和英国（182 亿美元）。AI 企业和融资活动集中在美、中、英等国家。

大模型方面，我们通过大模型数量和大模型表现来进行比较。大模型数量：根据赛 迪顾问数据，截至 2023 年 7 月，中国已累计发布 130 个大模型；国外共发布 138 个，其 中美国共 114 个。中美两国大模型合计数量占全球 90%以上，具有绝对优势。从大模型 参数来看，中美两国的代表性大模型里均是既有千亿参数的通用大模型，又有几十亿参 数的行业垂直大模型。但是，在影响力方面，中国缺少像 GPT-4、Gemini、Sora 这种具有 全球影响力的大模型，中国的行业大模型居多，占总数的 60%，商业、金融、医疗居多。

大模型表现的比较，我们主要参考国内较权威机构 SuperCLUE 在 23 年 7 月至 24 年 2 月的测评结果。测评是基于 4572 道中文评测题，可以看到在过去半年里国内领军大模型 在不断进步，与 GPT-4 的差距在不断缩小。24 年 2 月的测评结果，在中文领域国内领军 大模型的平均水平已经接近 GPT-4。SuperCLUE 还对全球大部分模型进行了测评，从 24 年 2 月的结果来看，国内在中文领域综合能力超过 GPT3.5 的模型有 13 个，文心一言 4.0、 GLM-4、通义千问 2.1 排名前三；国外模型的平均成绩为 57.83 分，国内模型平均成绩为 68.75 分。可以看出，国内大模型在中文领域的能力的平均水平已经超过国外大模型。

三、人工智能三要素共振，算力、算法、数据未来趋势推演

（一）算力：供需缺口加大，AI 服务器产业链分析

1．大模型时代智能算力渗透率持续提升，AI 服务器有望量价齐升

服务器处理大规模计算，主流架构分为 X86 和 ARM。服务器是高性能计算机，比普 通计算机运行更快、负载更高、价格更贵。主要功能包括运行网站、存储数据、运行程 序、数据分析、云计算开发、人工智能运算等，在网络中为其它客户机如 PC 机、智能手 机、ATM 等终端等大型设备提供计算或者应用服务，具有高速的 CPU 运算能力、长时间 的可靠运行、强大的 I/O 外部数据吞吐能力以及更好的扩展性。

AI 服务器中用于运算和存储的芯片占服务器成本结构约 70%，通用服务器用于运算 和存储芯片占服务器成本结构大约 50%左右。一台服务器主要硬件包括处理器、内存、 芯片组、I/O(RAID 卡、网卡、HBA 卡)、硬盘、机箱(电源、风扇)。以一台普通的服务器 生产成本为例，CPU 及芯片组大致占比 50%左右，内存大致占比 15%左右，外部存储大 致占比 10%左右，其他硬件占比 25%左右。其中机器学习型服务器中 GPU 成本占比达 72.8%。

全球服务器市场高增长，中国市场占比提升。根据 Statista 数据，2022 年全球服务器 市场规模达到 848.7 亿美元，同比增长 2.04%，中国服务器市场占比 30.16%，预计 2023年全球服务器市场规模来到 907.8 亿美元，同比增长 6.96%，中国服务器市场占比 33.93%， 变化+3.77pct。我们认为，随着人工智能所需算力扩大，未来中国服务器市场有望进一步 扩大。

人工智能时代 AI 服务器优势凸显。随着 AI 技术升级应用，CPU 的串行处理架构不 能满足 AI 时代的算力需求，企业需要为人工智能、机器学习和深度学习建设全新的 IT 基础架构，逐渐由 CPU 密集型转向搭载 GPU、FPGA、ASIC 芯片的加速计算密集型机构， 且越来越多地使用搭载 GPU、FPGA、ASIC 等加速卡的服务器。 全球 AI 服务器市场预计 2025 年达到 1350 亿美元，未来三年 CAGR 有望超过 50%。 研究机构 Aletheia 报告指出，预估 AI 服务器市场规模将在 2024 年翻倍、2025 年达到 1350 亿美元，是 2022 年规模的 4.5 倍。此外，根据 TrendForce 预测，2026 年全球 AI 服务器出 货量将进一步提升，2022 至 2026 年 CAGR 达 10.8%。

从搭载芯片种类上来看，目前全球以 GPU 服务器为主流。据 IDC 统计，2022 年全球 GPU 服务器出货量占比 87.3%，GPU 服务器销售额占比 89.5%。

中国 AI 服务器市场存量替换需求叠加增量需求，有望迎来量价齐升。根据中商产业 研究院数据及我们预测，中国 AI 服务器市场预计 2026 年市场规模超千亿元，未来三年 复合增长率 21.65%，预计 2026 年出货量 64.5 万台，未来三年复合增长率 15.26%。中国 AI 服务器受益于人工智能等相关新兴领域的应用以及“东数西算”政策下，云计算、超 算中心的蓬勃发展，数据计算、存储需求呈几何级增长，算力需求持续释放，AI 服务器 作为算力基础设备保持较快增速。1）存量来看：服务器平均寿命 3-5 年更换一次每年根 据算力需求使用需求变化产生比较明显的更新需求。2）增量来看：伴随人工智能浪潮以 及数字中国建设，未来对智能算力需求将持续爆发增长，且智能算力增长速度远超算力 总体增速，中国 AI 服务器市场将迎来爆发增长，占比将逐步提升。2021-2026 年我国 AI 服务器市场规模由亿 350 亿元增长至 1089.4 亿元，2021 至 2026 年 CAGR 为 20.83%。

2．Sora 等多模态加速应用端落地，推理服务器需求激增

多模态对推理算力需求指数级增长，推理服务器占比将持续提升。根据 IDC 预测， 2023 年 AI 服务器训练需求占比达 41.5%，随着大模型的应用，该比例在 2025 年将降低 至 39.2%；将 GPT-4 的推算结果作为训练需求，进一步推算 2023、2025 年推理需求最高 达 44081、48502PFlop/s-day。

单个 AI 应用如 ChatGPT 可以带动推理算力 66 亿美元需求。假设平均针对 20 字的提 问生成 200 字的响应，对应 267tokens，根据 OneFlow 的数据和《Scaling Laws for Neural Language Models》，在推理过程中每个 token 的计算成本约为 2*N Flops，其中 N 为模型 参数数量，则在 ChatGPT4 一万亿参数中每个 token 需算力 2 万亿 Flops。假定 GPT-4 训练 期间 FLOPS 利用率为 32%，则每人每次提问需要算力：2 万亿*267tokens/32%=17PFlops。 据官网 9 月数据，ChatGPT 目前拥有超过 1 亿用户，每月产生 18 亿次访问量，假定每日 访问量为 6000 万人次，每人提问 10 次，且假设一天平均分布，则每秒算力需求为 118EFlops，目前 AI 推理使用的主流 GPU 是 T4，提供混合精度算力 65TFlops，则需要 182 万个 T4GPU 可满足单日访问量，对应 22.75 万台 8*T4 服务器，一台 8*T4 服务器的价格 约为 29000 美元，则目前来看推理服务器的需求在 66 亿美元。

Sora 训练一次所需算力或可达到 2.6×10^24Flops，相当于 GPT-3 175B 的 8.2 倍。多 模态大模型在训练端算力需求通常在计算大语言模型算力需求通常与参数量及token数量 成正比，而 Sora 大模型中可以将 Patch 类比与大语言模型中 token，基于大语言模型计算算力需求方法框架及以下三大假设，对 Sora 算力需求进行分析测算。

假设一：Sora 训练数据集为 60 亿张图片，分辨率为 1980×1024；3500 万个视频， 每个视频平均时长为 30 秒，分辨率为 1980×1024，帧率为 60FPS。 根据阿里联合浙江大学、华中科技大学提出的文生视频模型 I2VGen-XL，研究人员 收集了大约 3500 万单镜头文本-视频对和 60 亿文本-图像对来优化模型。我们暂且保守 假设 Sora 训练数据集与 I2VGen-XL 相同，同时二维向量空间图片表示为 H×W×C（其 中 H 为长度，W 为宽度，C 为 RGB 颜色通道数，假设 C=3）。 我们估算 Sora 训练数据集中视频类数据 Patch 规模=3500×10^4×60×30×3=1.89× 10^11；图片类数据 Patch 规模=60×10^8×1024×1980×3=3.65×10^16；训练数据集总 Patch=图片类数据 Patch+视频类数据 Patch=3.65×10^16。

假设二：Sora 中 Patch Size 为 16×16，将 Patch 转化为 token。 根据谷歌论文《AN IMAGE IS WORTH 16×16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》，Transformer 的输入是一个序列，对于一张图像来说如果把 每个像素点当作一个 token，那就会需要相当旁大的计算量，该文则将图像划分为 16×16 大小的一个个 Patch，然后将每个 Patch 当作一个 token 组成一串序列作为 Transformer 的 输入，减少了计算成本。我们假设 Patch Size 为 16×16，通过将 Patch（N×P×P×C）转 换为 token，N 大小为 H×W/（P×P），每个 token 的大小为 P×P×C，P=16，通过计算 得到 token=3.65×10^16/（16×16）=1.43×10^14。

假设三：Sora 模型参数为 30B，训练一次所需总算力=模型参数量×token 数量×3×2。 根据 OpenAI 论文，T5 模型由于采用编码器-解码器模型，在向前和向后传播的过程 中只有一半 token 处于激活状态，而 BERT 与 GPT 基于 Transformer 的自然语言监督模型， 每个 token 都处于活跃状态，而每个 token 都在向前传播过程中涉及一次加法和一次乘法， 论文添加一个 3×的乘数来计算向后传递 的计算量，故推出 GPT 模型所需算力：训练所 需总算力=模型参数量×token 数量×3×2×训练轮数。通过上述公式我们计算得到 Sora 训练一次所需算力=30×10^8×1.43×10^14×3×2=2.6×10^24Flops。

根据上述测算，基于 Sora 参数量大概在 30 亿（待确认）水平，同时采用 I2VGen-XL 训练数据集水平进行估算，我们保守估计，Sora 训练一次所需算力或可达到 2.6× 10^24Flops，相当于 GPT-3 175B 的 8.2 倍（测算采用参数和训练数据集规模会与实际有一 定出入）。

假设四：Sora 模型训练不考虑利用及其他成本，大约需在 1 万张 A100 上训练 154 天。 单张 A100 算力为 19.5TFlops，暂时不考虑模型训练利用率及其他训练成本，如果在 10000 张英伟达 A100 进行训练，所需时间=2.6×10^24/(19.5×10^12×10000)/(24×60×60) ≈154 天。

3.“人工智能+”鼓励数字基础设施“适度超前”发展，国产服务器迎来曙光

2024 年 3 月 5 日，国务院总理李强在政府工作报告中提出，要大力推进现代化产业 体系建设，加快发展新质生产力。同时，深化大数据、人工智能等研发应用，开展“人 工智能+”行动，打造具有国际竞争力的数字产业集群。另一方面，报告中也提出，要深 入推进数字经济创新发展，制定支持数字经济高质量发展政策，积极推进数字产业化、 产业数字化，促进数字技术和实体经济深度融合。适度超前建设数字基础设施，加快形 成全国一体化算力体系。 政府工作报告中首次提出“人工智能+”行动，数字基础设施建设未来将成为经济核 心抓手。在政府工作报告中被首次提出的“人工智能+”行动，正是推进数字产业化、产 业数字化的重要举措。另一方面，在实践过程中，政府和企业都需要加大对人工智能领 域的研发投入，提高对我国人工智能产业发展中技术创新、跨界人才等资源的储备力度。

“适度超前”建设算力基础设施，国产服务器大势所趋。报告中提出，适度超前建 设数字基础设施，加快形成全国一体化算力体系。我们认为，“适度超前”一方面将驱 动数字产业化加速发展，算力基础设施国产化提上日程，芯片、服务器国产化率将进一 步提升，建议重点关注上游算力基础设施如国产芯片、国产 AI 服务器、光模块、液冷等 细分赛道机会；另一方面，将持续推动产业数字化升级转型，算力基础设施将大范围赋 能千行百业，降本增效，为新质生产力发展提供新动能。 出口禁令影响海外供应，AI 服务器国产化进程提速。2023 年 10 月 17 日，美国商务 部工业和安全局（BIS）发布了针对芯片的出口禁令新规，更加严格的限制了中国购买重 要的高端芯片。一方面，从 ChatGPT 面世以来，国内各企业和研究院在短短半年多的时 间内先后推出了超过 130 款大模型，其中领跑玩家已经开始着手于将大模型应用于特定 场景，打造爆款应用。另一方面，为了构筑算力底座，各地政府纷纷上马智算中心建设， 铺设大数据时代的信息高速，推动产业创新升级，降低企业调用以大模型为代表的科技 成果的成本。根据华为昇腾计算业务总裁张迪煊在 2023 世界人工智能大会上的揭示，大 模型所需的算力相对于 2020 年预计将增长 500 倍，这个算力缺口正在不断扩大。 A800、H800 被禁后，英伟达继续推出新款芯片，单卡性能 H20 弱于昇腾 910b。2023 年 11 月 9 日，相关报道称英伟达已开发出针对中国市场的最新改良版系列芯片 ——HGXH20、L20PCle 和 L2PCle。最新三款芯片是由 H100 改良而来，就单卡性能而言 H20 弱于昇腾 910b。

华为昇腾芯片为 AI 体系提供强大算力，昇腾 910b 单卡性能接近英伟达 A100。华为 昇腾芯片是华为发布的两款人工智能处理器，包含昇腾 310 用于推理和 910 用于训练， 均采用自家的达芬奇架构。昇腾 910 是一款高性能 AI 芯片，采用了 7nm 工艺制程，集成 了数千个达芬奇核心，能够提供高达 256TOPS 的算力，在业界其算力处于领先水平。昇 腾 310 是一款入门级 AI 芯片，采用了 12nm 工艺制程，集成了数百个达芬奇核心，能够 提供高达 8TOPS 的算力，适合用于边缘计算和物联网等应用场景。2023 年科大讯飞与华 为昇腾启动专项攻关，合力打造我国通用人工智能新底座，让国产大模型架构在自主创 新的软硬件基础之上，当前华为昇腾 910B 能力已经基本做到可对标英伟达 A100。

华为昇腾生态打开市场空间，国产算力产业链有望持续受益。我们认为，国内第一 批大模型厂商使用的基本都是英伟达 A100、A800 的芯片，因为英伟达构建了完善的 CUDA 生态，贸然换生态，意味着学习成本、试错成本、调试成本都会增加。目前华为基于“鲲 鹏+昇腾”双引擎正式全面启航计算战略，打造算力底座，未来国产替代趋势下，华为昇 腾市场份额将不断提升，产业链细分赛道上市公司有望持续受益。15%到全国产化是大概 率事件，国产化空间巨大。根据 IDC 数据，2022 年中国 AI 芯片出货量约 109 万张，其 中英伟达市占率约为 85%，华为在内的国产 AI 芯片市占率约为 15%，国产化仍有很大空 间。

昇腾计算产业链是基于昇腾系列处理器和基础软件构建的全栈 Al 计算基础设施、行 业应用及服务，包括异腾系列处理器、系列硬件、CANN、Al 计算框架、应用使能、开发 工具链、管理运维工具、行业应用及服务等全产业链。

百度等率先开始采购昇腾 910B，释放多重积极信号。据相关报道，百度为 200 台服 务器向华为订购了 1600 颗昇腾 910BAI 芯片，作为英伟达 A100 的替代品，订单总价值约 4.5 亿人民币，预计今年年底前完成交付，截至 10 月已交付约 60%，同时 360 集团创始 人周鸿祎表示，360 也采购了华为 1000 片左右的 AI 芯片。我们认为，此次采购意义重大， 虽然此订单规模相较过去从英伟达采购的数千颗芯片较小，但是此次采购证明国产昇腾 910B 可以满足大模型训练需求，伴随百度、360 等互联网大厂竞相采购，有望掀起互联 网行业乃至千行百业采购浪潮。 华为昇腾服务器，国产算力之王。搭载华为昇腾系列 AI 芯片和业界主流异构计算部 件的算力集群，具有超强计算性能，可以广泛用于中心侧 AI 推理、深度学习模型开发和 场景训练，根据训练需求不同可以分为 AI 训练服务器和 AI 推理服务器。

AI 训练服务器：1）Atlas800 训练服务器（型号：9000）是基于华为鲲鹏 920+昇腾 910 处理器的 AI 训练服务器，具有超强算力密度、超高能效与高速网络等特点。2）Atlas800 训练服务器（型号：9010）是基于 Intel 处理器+华为昇腾 910 芯片的 AI 训练服务器，具 有超强算力密度、高速网络带宽等特点。这两款服务器广泛应用于深度学习模型开发和 训练，适用于智慧城市、智慧医疗、天文探索、石油勘探等需要大算力的行业领域。 AI 推理服务器：1）Atlas800 推理服务器（型号：3000）是基于昇腾 310 芯片的推理 服务器，最大可支持 8 个 Atlas300I 推理卡，提供强大的实时推理能力，广泛应用于中心 侧 AI 推理场景。2）Atlas800 推理服务器（型号：3010）是基于 Intel 处理器的推理服务 器，最多可支持 7 个 Atlas300I 推理加速卡，支持 560 路高清视频实时分析，广泛应用于 中心侧 AI 推理场景。

软件端：昇腾全栈 AI 软硬件平台，面向“端、边、云”的全场景 AI 基础设施。AI 处理器和基础软件构建 Atlas 人工智能计算解决方案，包括 Atlas 系列模块、板卡、小站、 服务器、集群等丰富的产品形态，打造面向“端、边、云”的全场景 AI 基础设施方案， 覆盖深度学习领域推理和训练全流程，充分释放硬件性能。

昇思 MindSpore 崛起，打造国产 AI 开发新生态。昇腾 910 配套的 AI 开源计算框架 MindSpore 更方便 AI 科学家和工程师使用，该框架可满足终端、边缘计算、云全场景需 求，能够更好地保护数据隐私。昇腾在硬件上为合作伙伴提供 Altas 昇腾计算模组和计算 卡，发展 20+硬件合作伙伴(整机、工控机等)，15 家一体机伙伴;在软件上开源昇思 MindSporeAI 框架，社区开源模型 400+，下载量超 390 万+；生态发展上，昇腾采用行业+ 教育的方式，行业打通 1000+合作伙伴，认证解决方案 2000+，超过 110 所高校开设昇腾 AI 课程，有着 120 万+开发者。

4、高性能计算对液冷需求爆发式增长，液冷服务器打开千亿市场空间

数据中心 PUE 要求愈发严苛。随着云计算、大数据、人工智能、元宇宙等信息技术 的快速发展和传统产业数字化的转型，数据呈现几何级增长，算力和硬件部分能耗也在 持续增加，而在“双碳”政策的持续推进下，国家、地方政府、企业层面均在积极推动 绿色低碳转型和可持续发展，通讯领域对数据中心节能降耗要求越来越严格。 液冷未来有望逐渐替代风冷，成为 AI 服务器、数据中心标配。A1 训练及推理应用、 超算等高算力业务需求持续推升,由此带来的芯片性能需求、服务器功率需求不断提高， 场景侧，以英伟达 DGXA100640GB 服务器为例，系统最大功率为 6.5KW，传统风冷无法 做到及时散热，相比之下，液体比热容为空气的 1000-3500 倍，导热性能是空气的 15-25 倍，利用自然冷却显著降低耗电量，使得液冷成为风冷的不二选择。 我们认为，人工智能浪潮下，对算力需求进一步提升，液冷预计将成为最优冷却方 案，未来中国液冷服务器市场有望进一步打开竞争格局，产业相关上市公司将受益。目 前，中国液冷服务器普及率不足 5%，径普及率并不高。受制于：1）数据中心国家 PUE 标准收紧；2）受制于面积等因素，机柜密度逐渐提升；3）温度过高，芯片故障率升高 等客观因素，未来液冷服务器将成为调和快速的算力需求与有限数据中心承载力的共识 方案。

液冷服务器是大势所趋，数据中心 PUE 可降至 1.25 以下。算力的持续增加，意味着 硬件部分的能耗也在持续提升；在保证算力运转的前提下，只有通过降低数据中心辅助 能源的消耗，才能达成节能目标下的 PUE 要求。

冷板式液冷服务器与浸没式相变服务器为两大主流液冷服务器。冷板式液冷服务器 技术利用工作流体作为中间热量传输的媒介，将热量由热区传递到远处再进行冷却。在 该技术中，工作液体与被冷却对象分离，工作液体不与电子器件直接接触，而是通过液 冷板等高效热传导部件将被冷却对象的热量传递到冷媒中。

该技术将冷却剂直接导向热源，同时由于液体比空气的比热大，散热速度远远大于 空气，因此制冷效率远高于风冷散热，每单位体积所传输的热量即散热效率高达 1000 倍。 该技术可有效解决高密度服务器的散热问题，降低冷却系统能耗而且降低噪声。

浸没式液冷服务器又可以分为单相浸没式液冷服务器和两相浸没式液冷服务器。浸 没式相变换热液冷系统采用进口环保专用冷媒，具有不导电、无闪点、无腐蚀性、无毒 性的特性，利用环保冷媒良好的热物理特性，通过控制系统物理参数，利用冷媒工质的 气化潜热转移服务器内部热量，极大提高了系统的换热效率，同时保留了高端热源的能 量品位。此冷媒较传统冷媒，在系统压力较低的情况下即可实现 50℃～60℃的蒸发温度， 无须利用压缩机进行机械制冷，从而使室外机组的全年自然冷却工作方式成为可能。

作为中国液冷服务器第一的曙光数创，目前浸没式液冷服务器技术领先。1）整机功 耗：全浸没方案，无风扇设计，风扇功耗降低为 0。2）终极的噪音指标：区别于传统风 冷机房，全浸没机房噪音控制在 35dB 以下。3）终极的功率密度：高密度配置，轻松实 现整机柜功率 200kW。4）终极的 PUE 指标：直接利用高品位完成热量转移，可实现 PUE 低至 1.01-1.02。

2023H1 中国液冷服务器市场同比增长近 3 倍。根据 IDC 发布的《中国半年度液冷服 务器市场（2023 上半年）跟踪》报告数据显示，2023 上半年中国液冷服务器市场规模达 到 6.6 亿美元，同比增长 283.3%，预计 2023 年全年将达到 15.1 亿美元。IDC 预计，2022-2027 年，中国液冷服务器市场年复合增长率将达到 54.7%，2027 年市场规模将达到 89 亿美元。

（二）算法：多模态大模型 C 端、B 端加速渗透，未来从云端走向终端

1. 边云算法协同发展，推动大模型终端侧落地

据 Mordor Intelligence 预计，云人工智能市场规模将从 2023 年的 510.4 亿美元增长到 2028 年的 2074 亿美元，预测期内（2023-2028 年）复合年增长率为 32.37%。随着企业数 量的不断增加以及企业之间的竞争，企业正在积极尝试将人工智能技术与其应用、分析、 业务和服务相集成。此外，将公司致力于降低运营成本以提高利润率，推动云端人工智 能快速发展，进一步推动预测期内的市场规模增长。

大模型时代，从云到端（边缘侧）算法不断优化升级，其中边缘智能优化方向包括 五大方面，包括边云协同、模型分割、模型压缩、减少冗余数据传输以及轻量级加速体 系结构。其中，边云协同、模型分割、模型压缩能够减少边缘智能对于计算、存储和设 备的需求；减少冗余数据传输以改善传输效率，降低网络资源浪费；轻量级加速体系结 构将在硬件和应用方面支持边缘计算效率提升。边云协同云计算和边缘计算相结合，将 数据和计算资源分布在云端和边缘设备，实现数据的高效处理和传输。云边协同优势明 显，1）充分利用云端强大的计算资源；2）在需要实时响应或者断网情况下可借助本地 设备完成任务；3）保证数据安全性。 云端处理人工智能的成本高昂，致使发展高效“云端处理+边缘设备”混合人工智能 处理以落地终端的重要性凸显。混合架构具有不同的卸载选项，以便根据模型和查询复 杂性等因素在云和设备之间分配处理。具有超过 10 亿个参数的 AI 模型已经在手机上运 行，其性能和准确度水平与云类似，并且具有 100 亿个或更多参数的模型预计在不久的 将来在设备上运行。 终端侧大模型主要用于推理，将拓展边缘设备应用。混合 AI 将提振 B 端 AI 产品及 服务实力，面向行业开发多场景应用、优化 AI 交互体验感、增强工作自动化程度，从而 提升工作效率；混合 AI 将优化生成式 AI 的功能性及可用性，推动企业研发以全面化终 端 AI 功能，拓展 C 端软件及硬件产品的多样性。混合人工智能方法几乎适用于所有生成 式人工智能应用程序和设备领域，包括智能手机、笔记本电脑、汽车、机器人和智能物 联网终端（AIoT）等。

2. 多模态大模型角逐日益激烈，自研模型本地部署是大方向

3 月 15 日，工信部旗下赛迪工业和信息化研究院（集团）四川有限公司发布的《2024 中国人工智能多模态大模型企业综合竞争力 20 强研究报告》综合评估大模型实力，衡量 标准涵盖经济抗衡力、行业影响力、技术竞争力、商业角逐力、营收规模、数据优势、 模型规模、算力能级等十余个指标。排名前五的依次是，腾讯混元大模型、科大讯飞星 火大模型、阿里巴巴通义千问大模型、华为盘古大模型和智谱华章智普清言大模型。 OpenAI 的“文生视频”大模型 Sora 的发布，标志着多模态大模型在处理和生成与多 模态（包括文本、图像、音频和视频）相关数据方面的能力。多模态大模型可理解和生 成不同形式的复杂数据，其重要性骤增，并将应用于包括数字人、游戏、广告商拍、社 交媒体、智能营销、教培、健康医疗、新闻媒体及艺术创作等多个行业。据赛迪研究院 分析，从多模态大模型的技术场景来看，20 强企业中仅有 15%的企业具备文生视频能力； 从应用场景来看，相较语言大模型赋能行业，多模态大模型更加偏重落地场景。

随着企业自研大模型的发展，轻量级和本地部署已成为趋势。轻量级加速体系结构 在大模型部署终端侧应用方面至关重要。应用方面，英伟达在 Computex2023 大会上发布 模组 JetsonAGXORIN，算力高达每秒 275 万亿次 TOPS，性能是上一代产品的 8 倍，同时 发布的工业级模组可以帮助客户在农业、建筑、能源、航空航天、卫星等领域部署边缘 AI 的需求。芯片方面，Fortinet、ARM 分别推出适用于边缘计算的芯片 FortiSP5 和 Hercules、 Apollo，FortiSP5 安全芯片防火墙性能大幅提升 17 倍，功耗相比业内高性能通用 CPU 降 低 88%，为边缘计算提供安全、高效、低成本的数据处理服务；Hercules 和 Apollo 性能最 高提升 480 倍，同时具有低功耗、小体积、高安全性等优点，使终端设备能够更好地集 成 AI 能力，实现更广泛的边缘计算应用。

3. 多模态大模型赋能终端，持续渗透 C 端及 B 端

3.1 AI+手机：大模型接入手机，终端功能多样化

3 月 8 日，谷歌发布 MediaPipe LLM Inference API，新版本使大语言模型（LLM）跨 平台在设备上运行。考虑到 LLM 的内存和计算需求，新版本内存和计算需求比传统的设备端模型大 100 多倍。整个设备端堆栈的优化使这成为可能，包括新的运算、量化、缓 存和权重共享。该版本简化 Web 开发人员的设备端 LLM 集成，支持 Web、Android 和 iOS， 最初支持四个公开可用的 LLM：Gemma、Phi 2、Falcon 和 Stable LM。研究和开发人员可 灵活在设备上对公开可用的 LLM 模型进行原型设计和测试。 Android 端，MediaPipe LLM Inference API 仅供实验和研究使用。可通过 Android AICore 在设备上使用 Gemini API 或 Gemini Nano。AICore 是 Android 14 中引入的全新系统级功能， 旨在为高端设备提供 Gemini 驱动的解决方案，包括与最新的 ML 加速器、LoRA 适配器和 安全过滤器集成。 初始版本支持以下四种模型架构，与其架构兼容的任何模型都可与 MediaPipe LLM Inference API 一起使用。

先前，谷歌宣布其与三星的合作，Galaxy S24 用户将能通过三星构建的应用程序和服 务访 AI 模型 Gemini。借助 Gemini Pro 可与三星应用程序进行交互。最新 Galaxy S24 系列， 三星的 Notes、Voice Recorder 和 Keyboard 应用程序可使用 Gemini Pro 优化摘要功能。例 如，可录制讲座并快速获得关键部分摘要。借助 Google“文生图”扩散技术 Imagen 2，可 在 Galaxy S24 Gallery 应用程序中使用 Generative Edit 访问照片编辑功能。 Galaxy S24 系列还将内置 Gemini Nano，可在 Google Messages 中启用新功能，并确保 数据存储。三星将成为首批测试 Gemini Ultra 的公司之一，并将在 2024 年内向开发人员 和企业客户提供。

3.2 AI+PC：MaaS To C 终端智能化需求待开发，AI 手机成 C 端落地第一场景，引发 换机需求

C 端需求仍处起步阶段，终端侧产品研发有望拓展并覆盖更多 AI 智能设备产品品类、 持续优化平台性能，并优先在 AI 手机设备落地，进而引发换机需求。终端部署 AI 将提 高终端设备易用性，并加强数据隐私及安全，降低开发者开发门槛。AI 终端部署集成 AI 功能，可完成在不同智能设备上的应用，进而提升用户生活品质及工作效率，提振终端 设备智能化需求。 2023 年 7 月，高通发布公告称将和 Meta 合作，2024 年推出“手机版 Llama2”，高 通已将 AI 边缘计算定为未来发展方向。大模型需要同时在云端和边缘终端上运行，高通 和 Meta 此举预计将推动 AIGC 加速推广到 C 端市场；边缘端算力需求将成为算力侧未来 新的增长点。高通和 Meta 正在努力优化 Meta 的 Llama2 大型语言模型的执行，而不只依 赖于云服务。在智能手机、PC、VR/AR 耳机和汽车等设备上运行 Llama2 等生成人工智能 模型，使开发人员能够节省云成本，并为用户提供更私密、可靠和个性化的体验。因此， 高通计划提供基于 Llama2 的人工智能设备上实现，以创建新的人工智能应用程序。这将 允许客户、合作伙伴和开发人员构建用例，如智能虚拟助理、生产力应用程序、内容创 建工具、娱乐等。这些新的设备端人工智能体验将由骁龙 8Gen3 芯片驱动，可以在没有 网络连接的区域工作，包括飞行模式。 据 Canalys 预计，2023 年 AIPC 占 PC 总出货量比率大约为 10%。2024 年起 AIPC 将 加速普及，预计至 2027 年 AIPC 占 PC 总出货量将达到 60%；AI 产品研发引发换机率上 升的背景下，终端 AI 渗透率有望逐年攀升。

3.3 AI+机器人：大模型上身机器人，预示机器人 AGI 时代的到来

Figure 于 3 月 13 日发布 Figure 机器人的进展，公司公布了一段 Figure 机器人与人类 互动的视频。Figure 团队联合 OpenAI，Figure01 展现出与人类对话的卓越能力。视频中 Figure01 展示的能力使用端到端神经网络，不涉及任何远程操作；可做到描述其视觉体验、 规划未来行动、反思记忆并口头解释推理过程。我们认为，Figure01 的发布将影响未来人机交互模式，大模型上身机器人，预示着机器人 AGI 时代的到来。通用人形机器人的商 业化进程预计加速，公司计划高速批量生产以降低单个人形机器人的单位成本，致力于 实现可持续的规模经济，并实现量价齐升。未来 AI 机器人有望广泛应用于家庭、医疗、 教育、服务等多个领域，并带动相关产业链，如传感器、执行器、控制系统等核心零部 件的研发及生产。 系统硬件：Figure 目标是开发出具有类人物理能力的硬件，通过运动范围、有效载荷、 扭矩、运输成本和速度以衡量，并通过较短发展周期持续改进。 单位成本：Figure 旨在通过高速批量生产以降低单个人形机器人的单位成本，致力于 实现可持续的规模经济。在高批量生产率下，公司认为单位成本将降至可承受水平。 安全性：Figure 开发的类人机器人能够安全地与工作场所的人类互动，以符合行业标 准和企业要求。 批量生产：Figure 预计，为提供高质量的产品并以高产量交付，从原型设计转向批量 生产的过程中可能面临困难。因此，公司严密制定制造设计、系统安全性、可靠性、质 量及其他生产计划。

（三）数据：跨境流动监管趋严，大国经济支持数据要素价值释放

1. 全球数据跨境流动监管趋严，“大国经济体”将凸显数据优势

当前，数据跨境流动已成为全球资金、信息、技术、人才、货物等资源要素 交换、共享的基础。3 月 22 日，国家互联网信息办公室公布《促进和规范数据跨 境流动规定》（下称“《跨境流动新规》”），规定明确了数据出境安全评估申 报标准，规定了免予申报数据出境安全评估、订立个人信息出境标准合同、通过 个人信息保护认证的数据出境活动条件。

《跨境流动新规》对数据出境安全评估、个人信息出境标准合同、个人信息 保护认证等数据出境制度进行了优化调整，其实施将有利于促进数据依法有序自 由流动，扩大高水平对外开放，并激发数据要素价值的释放。 《跨境流动新规》明确了应当申报数据出境安全评估的两类数据出境活动条 件，一是关键信息基础设施运营者向境外提供个人信息或重要数据；二是关键信 息基础设施运营者以外的数据处理者向境外提供重要数据，或是自当年 1 月 1 日 起累计向境外提供 100 万人以上个人信息（不含敏感个人信息）或 1 万人以上敏 感个人信息。同时，明确了应当订立个人信息出境标准合同或者通过个人信息保 护认证的数据出境活动条件，即关键信息基础设施运营者以外的数据处理者自当 年 1 月 1 日起累计向境外提供 10 万人以上、100 万人以下的个人信息（不含敏感 个人信息），或 1 万人以下的敏感个人信息。

《跨境流动新规》规定了免予申报数据出境安全评估、订立个人信息出境标 准合同、通过个人信息保护认证的数据出境活动条件：一是国际贸易、跨境运输、 学术合作、跨国生产制造和市场营销等活动中收集和产生的数据向境外提供，不 包含个人信息或者重要数据的；二是在境外收集和产生的个人信息传输至境内处 理后向境外提供，处理过程中没有引入境内个人信息或者重要数据的；三是为订 立、履行个人作为一方当事人的合同，确需向境外提供个人信息的；四是按照依 法制定的劳动规章制度和依法签订的集体合同实施跨境人力资源管理，确需向境 外提供员工个人信息的；五是紧急情况下为保护自然人的生命健康和财产安全， 确需向境外提供个人信息的；六是关键信息基础设施运营者以外的数据处理者自 当年 1 月 1 日起累计向境外提供 10 万人以下个人信息（不含敏感个人信息）的。 《跨境流动新规》体现了宽严并济的态度，对于敏感个人信息保护、关键信 息基础设施运营者等问题的监管尺度进行了重申和明确，做到力求坚持促进数据 发展与安全并重的原则。

此外，监管部门还同步发布了《数据出境安全评估申报指南（第二版）》和 《个人信息出境标准合同备案指南（第二版）》，进一步完善与确定了合规义务 履行的流程和细节。可以预见的是，中国数据跨境合规监管将进入新阶段，未来 更加明晰、具体细化的监管体系有望有序推出，相关执法与监管活动将基于该体 系稳步开展和推进。 近年，我国跨境数据传输的法律框架及实际执行取得重大进展。网信办跨境 数据传输安全审查和标准合同条款方面进展卓越，旨在解决原先审查规则缺乏明 确性、跨境数据传输审批程序延误严重等问题。2023 年 12 月 7 日，国务院印发 《全面对接国际高标准经贸规则推进中国（上海）自由贸易试验区高水平制度型 开放总体方案》，以下简称《总体规划》，将上海定位为“建设国家制度型开放 示范点”，为上海自贸试验区进一步放宽跨境转移业务指明方向新框架下的限制。

为落实《总体规划》试点，上海市政府于 2024 年 2 月 3 日印发了《全面对 接国际高标准经贸规则推进中国（上海）自由贸易试验区高水平制度型开放总体 方案》的实施方案，以下简称《实施方案》。2024 年 2 月 6 日，上海市政府新闻 办公室召开新闻发布会，介绍《实施方案》重点内容，提出一系列规范和促进数 据跨境传输的措施，如制定重要数据目录，探索建立合法、安全、便捷的跨境数 据传输机制;在自贸区（包括临港新片区）建立跨境数据服务中心。具体而言，《实 施方案》规定，允许金融机构根据适用的安全政策和措施将业务数据转移到境外。 根据《实施方案》中概述的原则，临港特别片区将为跨境数据传输开发“通 用数据清单”和“重要数据目录”。临港新片区政府近日发布了《临港新片区数 据跨境流动分类分级管理办法(试行)》，将跨境数据分为三个等级：1）“核心数 据”、2）“重要数据”和 3）“一般数据”。禁止将“核心数据”转移到中国境外；涉及“重要数据”的传输必须经过临港新片区跨境数据服务中心的初步验证 和申请程序，之后必须向当地国家互联网信息办公室提交安全评估；如果满足相 关的数据保护管理要求，则允许“一般数据”自由传输。临港新区政府成立了由 行业利益相关者组成的工作组，负责制定“一般数据”清单和“重要数据”目录， 以解决各个行业（例如智能网联汽车、金融理财、高端航运、国际贸易、生物医 药、文化出海）的特定数据传输场景。

大国经济+全球化循环赋能数据要素：数字经济作为典型的大国经济，具规模性特征、 结构性特征及内源性特征，大国经济的核心优势是内部可循环，具备较稳定的国内产业 链、供应链和价值，推动经济自主协调发展。中国依托内循环为基础，加以政策促进数 据跨境传输，推动全球化双循环进程，将促进数据要素自由流动，推动人工智能、数字 经济发展，进而成为国内经济发展的主要推动力。 数字主权的重要性随着全球数字化进程的加速日益凸显，数据已成为国际竞争和合 作的新焦点。数字主权不仅关系到国家的经济发展、社会稳定和国家安全，也与公民的 隐私权、信息自由等基本权利密切相关。数字化转型战略目前存在以下卡点：

1）技术发展不平衡：不同国家在数字技术领域的发展水平存在差异，可能导致某些 国家在全球数字经济中处不利地位。为缩小此差距，国家需投资于教育和研发，培养本 土人才，同时鼓励创新和创业精神。 2）国际法律框架缺失：目前尚缺乏统一的国际法律框架以规范相关行为。国际社会 需要共同努力，建立公平合理的国际规则，以促进跨境数据流动和技术交流，同时保护 各国的数字主权。 3）数据治理标准不一：不同国家和地区对数据的处理和保护存在不同法律及规定。 为促进国际间合作，需制定共通的数据治理标准，同时尊重各国的法律和文化差异。 4）网络安全威胁：网络攻击和数据泄露事件频发，对国家安全和个人隐私构成严重 威胁。国家需加强网络安全防护能力，提高公众的网络安全意识，并与其他国家合作打 击跨国网络犯罪。 5）公民权利保护需求：数字经济发展的大背景下，国家需重视公民的基本权利，确 保公民的隐私权、言论自由等权利得到充分保护。 6）国际合作与竞争加剧：数字主权发展过程中，国家需在保护自身利益的同时，寻 求与其他国家的合作机会，共同应对包括国际数据治理标准、数据跨境流动、数字贸易等问题。

2. 美国、欧盟、中国数据战略比较

全球主要经济体数字化转型进程来看，美国、英国等国家正在从“自由探索”向“政 府干预”转变；德国、法国等国家通过政府引领，打造高效产业数字化生态系统，发展 数字经济；日韩等国家以解决问题为导向，重视基础研究和技术研发；中国积极推动数 据要素市场制度，在确保安全底线的前提下更好地促进公共数据、社会数据流通交易和 创新应用，建立全国数据采集、存储、处理、分析等方面的强制性标准，统筹和协调相 关部门有效履职，实现国家层面数据的汇聚和共享，为各个领域提供数据资源支持。

2.1 美国：行政命令侧重安全与隐私保护，进一步限制数据跨境传输。 美国数字战略发展主要围绕技术领域、国防领域、政务领域、与产业领域四个方面 所展开，在聚焦国际竞争为重点的时代，美国仍将技术领先尊为首要原则。美国和中国 在监管数字经济方面遵循截然不同的模式。美国政府过去一直采用市场驱动的模式，目 前部分领域趋向于向“政府干预”转变。

2024 年 2 月 28 日，拜登政府依据《国际紧急经济权力法》（IEEPA）发布了一项保 护美国公民敏感个人数据免遭“受关注国家”利用的行政命令。美国司法部同时发布了 执行该行政命令的拟议规则制定的预通知（ANPRM）Fact Sheet，概述了实施该命令的规 则。此项举措表明美国政府决意限制向特定“受关注国家”主要包括中国（不包括中国 台湾省）、俄罗斯、伊朗、朝鲜、古巴和委内瑞拉等国家传输美国公民个人数据。被限 制数据主要包括美国公民个人与敏感信息，主要有基因组数据、生物特征数据、个人健 康数据、地理位置数据、财务数据与某些类型的个人可识别信息。拜登政府认为数据使 用者可能使用这些数据跟踪美国公民（包括军人），窥探个人生活，并将数据传给数据 经纪人，出售给外国情报机构、军队或外国政府控制的公司。“受关注国家”可能通过 技术分析和操纵大量敏感个人数据，对美国安全形成威胁，人工智能技术将加剧此风险。 我们认为，美国此举是以往贸易限制的一种延续，是在人工智能三要素的数据领域的一 种影射，我国人工智能数据侧发展势在必行。

2.2 欧洲议会 3 月 13 日通过《人工智能法案》，数据主权原则体现“内松外严”， 2024 年 3 月 13 日，欧盟议会以 523 票赞成、46 票反对和 49 票弃权审议通过 全球首个 AI 监管法案《人工智能法案》（EU AI Act），离落地越来越近。但乐观估 计欧盟议会、欧盟理事会和欧盟委员会最快今年内会形成《人工智能法案》终稿并通 过。考虑到实操中普遍设置约为 2 年的“过渡期”，该法案通过后的全面施行预计需要等到 2026 年前后。《人工智能法案》的通过标志着全球人工智能领域监管迈入全 新时代。该法旨在保护基本权利、民主、法治和环境可持续性免受高风险人工智能的 侵害，同时促进创新并确立欧洲在该领域的领导者地位。该法规根据人工智能的潜在 风险和影响程度规定了人工智能的义务。

2.3 中国《促进和规范数据跨境流动规定》近日正式施行，力求坚持数据发展与安全 并重原则

2024 年 3 月 22 日，国家网信办公布《跨境流动新规》正式施行。《跨境流动新规》 于 2023 年 11 月 28 日就已通过，在新规征求意见期间，全球数据跨境流动的相关立法频 繁变化，特别是美国频繁出台法案及行政令，而从中国实际发布的《跨境流动新规》来 看，新的数据跨境流动监管框架力求坚持数据发展与安全并重原则，进一步明确监管机 制与要求的同时，释放较强促进正常商贸活动的数据流动信号，符合国家促进数据要素 发展战略指引，也标志着中国数据跨境合规监管将进入新的发展阶段，相关执法与监管 活动将基于更明晰、具体的监管规定稳步地开展和推进，有利于数据产业生态健康发展。

中国目前的人工智能监管以鼓励人工智能技术发展与创新为主，监管并重。随着 AGI 的发展，国内立法将更为全面。2023 年 6 月，国务院宣布“人工智能法”列入立法议程。 2023 年 7 月 13 日，中国国家网信办会同六部委共同发布《生成式人工智能服务管理暂行 办法》（以下简称《暂行办法》），并宣布该办法将于 2023 年 8 月 15 日正式施行。适 用范围为“面向中华人民共和国境内公众提供服务”的主体，无论该提供者是境内还是 境外主体，也无论该产品是否在境内研发或者使用，都需要符合征求意见稿的相关要求。 我们认为，相对于之前的征求意见稿，《暂行办法》在鼓励创新与技术发展上有所侧重， 并将强监管严打击的态度转变为兼顾发展与合规。《暂行办法》第三条新增《科学技术 进步法》作为上位法依据。同时，《暂行办法》新增第四条、第五条，明确了在合理监 管的前提下，鼓励生成式人工智能技术的平台建设、自主创新、国际交流、以及各领域 适用的多线发展。在处罚方面，第二十一条删除了罚款及终止利用生成式人工智能提供 服务等较为严厉的措施，并在现行有效的中国法律及行政法规没有明文规定的情况下更 倾向于采取先引导改正的态度，而拒不改正或严重违规时，由主管部门责令暂停提供相 关服务。 《暂行办法》侧重于数据安全、内容合规和知识产权保护三方面。针对提供生成式 人工智能服务的行为，设置了四项新制度。对 AIGC 技术提供者的法律责任做出了规定， 其中包括算法评估和备案，数据标注，标识义务，实名认证，防沉迷设置及科学引导义 务，投诉接收处理机制，服务稳定性要求，以及模型优化义务。

3. 高质量数据是全球人工智能竞争的“胜负手”，数据要素市场空间广 阔

数据资源的价值可量化使得 2024 年成为数据要素三次价值释放的元年。 数字要素市场空间测算：根据清华大学社科院刘雄涛教授等人根据增值法对数据资 本的测算所得，2020 年，我国数据资本存量约为 17.4 万亿。本报告基于该测算做如下假 设，并测算十四五期间数据资本预测值：1）假设 2024-2025 年 GDP 增速为 5.0%、4.9%； 2）假设 2021-2025 年数据资本存量占 GDP 比重的增速均为 5%。 基于以上假设的测算结果为：预计 2025 年，我国数据资本空间约为 32.0 万亿元，增 速为 10.1%。

高质量数据是全球人工智能竞争的“胜负手”：数据质量及其包含的有用信息量是 决定机器学习算法学习能力的关键因素。因此在将数据集提供给机器学习算法之前，确 保对数据集进行检查和预处理至关重要。高质量的数据可提高大型语言模型（LLM）的 SOTA（例 phi-1），同时可大幅减少数据集大小和训练计算，并可显著降低 LLM 的训练 成本。

据 Epochai 预测，2030 年至 2060 年，大模型训练将耗尽视觉数据的存量；2026 年之 前将耗尽高质量语言数据；2030 年至 2050 年，将耗尽低质量语言数据的存量；该预测基 于当前机器学习（ML）数据使用和生产的趋势将延续，且数据效率无重大创新的假设前 提。发展数据要素市场势在必行。

四、AIGC 驱动千行百业加速裂变，行业应用加速渗透

（一）AIGC+金融：国内金融大模型抢滩布局，场景应用加速渗透

海外：彭博的大语言模型 BloombergGPT，是 LLM 在垂直金融场景的落地加速的象征。 BloombergGPT 聚焦于金融场景，将其多年积累的金融领域报告术语等对 LLM 进行训练， 相较普适性类 ChatGPT 产品，其对金融术语的理解更为高效与准确。 对比通用大模型，小模型在特定领域表现更优。BloombergGPT 采用 500 亿参数与 7000 亿数据集规模对大模型进行训练，远小于 GPT-3 的 1750 亿参数量与 45TB 数据量。其数 据集主要包含两个部分，1）数据量占比 49%的通用型文本数据集，主要包括 ThePile、 C4、Wikipedia 等通用常识类数据集，2）数据量占比 51%的金融预料数据集，主要包含 括新闻、研究报告、公司财报、网络爬取的金融文件以及提取到的社交媒体消息等内容。 根据彭博发布的论文，BloombergGPT 在通用领域能力与 GPT-3 几乎持平，但在金融垂直 领域文本撰写和问答能力更为突出。BloombergGPT 的成功说明 LLM 在垂直领域应用的可 用性和训练成本可控的可行性。

国内：2023 年 9 月 18 日，首个金融行业大模型标准发布。信通院牵头，联合腾讯云、 奇富科技、科大讯飞等四十多家企业共同编制的《面向行业的大规模预训练模型技术和 应用评估方法第 1 部分：金融大模型》正式发布。该标准主要涵盖了金融大模型的关键 能力要求，包括场景适配度、能力支持度和应用成熟度三大方面，覆盖了投资研究、投 资顾问、风险管理、市场营销、客户服务等多个金融应用场景，并详细规定了金融大模 型在数据合规性、可追溯性、私有化部署、风险控制等方面的要求。为大模型在金融领 域的应用提供了一定的指导，在金融行业的合规可信方面提供保障，有望加速行业应用落地。

国内各厂商纷纷抢滩布局金融大模型，应用加速落地。 同花顺：深耕 AI 技术多年，为用户赋能具备先发优势。公司 AI 技术的研发和应用 早在 2009 年就率先市场开始，成立“i 问财”部门，为用户提供股票信息相关搜索服务。 2017 年，同花顺 AI 开放平台上线，可向客户提供数字虚拟人、智能金融问答、智能语音、 智能客服机器人、智能质检机器人、会议转写系统、智慧政务平台、智能医疗辅助系统 等 40 余项人工智能产品及服务；公司自主研发的同花顺智能语音平台，在中文金融场景 语音识别准确率达到 98%以上，中英文通用场景识别准确率超过 95%，多种方言识别准 确率超过 90%；同时，平台还具备高度拟人的语音合成能力，以及语音转换、歌声合成、 情感识别和声纹识别等智能语音技术能力。目前基于自主智能语音技术的产品已应用于 多家证券公司、基金公司及电信运营商。同花顺虚拟数字人对话平台，运用多模态数字 人对话技术，实现与真人用户“面对面”的交互体验，该产品目前已落地多个大型客户； 同花顺机器翻译平台，目前支持中（简体）、中（繁体）、英、西班牙、法、德、日、 韩、阿拉伯、越南、印尼、马来等 12 种文字，132 种语向的翻译，支持 PDF、Word、PPT 等 11 种主流文件格式的翻译，以及图片翻译、语音翻译等跨模态翻译。目前公司自研金 融大模型“问财 HithinkGPT”，已进入内测与备案阶段。

恒生电子：2023 年 6 月,恒生电子发布金融行业大模型 LightGPT 以及金融智能助手光 子、基于大模型技术升级的投研平台 WarrenQ。9 月，LightGPT 及四款大模型产品已面向 20 家金融机构开启内测。目前公司已发布基于 LightGPT 打造的四款光子产品：面向投顾 创作的光子·文曲、面向合规管理的光子·方圆、面向投顾咨询的光子·善策和面向运 营管理的光子·慧营。 华为：2023 年 9 月 20 日，华为全联接大会“智领睿变，共建数智金融未来”金融峰 会成功举办。会上，华为发布金融大模型解决方案，包括场景层、模型层、底座层三层。 以高质量的数据为基础，通过三层方案加速创新生产力、跃升智力、澎湃算力三力协同， 逐步实现场景的价值落地、体系构建、能力固化。 百度：度小满于 2023 年 9 月 22 日宣布将“轩辕 70B”金融大模型开源，所有用户均 可自由下载和试用，该升级版本加入了公司业务场景中的海量金融数据，在预训练阶段， 能够处理更长的金融报告、研究和分析。该大模型在 C-Eval、CMMLU 两大权威大语言模 型榜单上排名第一。

科大讯飞：2023 年 10 月 24 日，科大讯飞于 1024 开发者节智慧金融论坛上发布星火 金融行业大模型 V1.0 及场景应用最新成果此次星火金融大模型 V1.0 具备金融知识问答、 金融文本理解、金融内容生成、金融会话分析、金融数据分析、金融数学计算、金融逻 辑推理七大核心能力。该大模型已与知识运营、客户服务、人机协同、APP 交互、营销 展业、软件研发等行业细分场景深度融合，并已孵化出星火智能客服、大模型坐席助手、 大模型知识库、金融 APP 助手、金融展业助手、智能编程助手等产品应用。 宇信科技：2023 年 10 月 17 日，公司推出大模型应用产品和解决方案，包括 4 个应 用级产品和一个开发平台—开发助手 CodePal、金融数据安全分级分类助手 DataSherpa、 AI+信贷助手、AI+营销助手以及大模型应用开发平台。本次发布的了 5 个产品及解决方 案：1）开发助手 CodePal 基于开源编程大模型，为金融软件开发人员提供代码补全、自 动化 bug检测等功能，能够有效加速软件开发流程。2）金融数据全分级分类助手 DataSherpa 主要面向数据资产管理人员，能够快读理解监管指南要求，输出标准化的定级结果。目 前该产品分类准确率超过 95%，效率较人工提升 10 倍。3）AI+尽调助手是面向信贷客户 经理的客户尽调辅助工具，能够辅助了解对公信贷客户，提供客户资料收集、智能核验、 风险分析、尽调报告生成等功能。目前该产品的财报数据准确率达 95%以上，报告生成 可接受率达 85%以上，能帮助客户经理提升 60%以上的效能，降低处理成本。4）AI+营 销助手是面向零售客户的营销精细化运营工具，具有外呼、呼入、人机协同、虚拟坐席 等功能，适用于客户拉新、产品推荐、促活回访等营销场景。相较纯人工服务，该产品 可节约 80%的时间，同时转化率也提高了 10+倍，产能提高 3 倍以上。5）大模型应用开 发平台预置了知识库问答、报告生成、会议纪要等应用场景，支持以 Agent 为中心的应用 开发新范式，能够帮助企业用户以较佳的体验快速实现大模型应用场景落地，提高开发 效率，降低开发成本。除了目前已经发布的 5 个产品之外，公司未来还规划发布信贷助 手、监管合规助手、经营分析助手等产品。其中信贷助手预计覆盖资产保全、信贷申请 手里、审查审批、贷后管理及催收等。

（二）AIGC+教育：大模型重构教育生态

ChatGPT 带来的大模型时代，将深入影响学校生态、教育教学改革、教学评价、教 师发展等各个层面。随着大模型发展和落地，可以实现“因材施教”、“个性化学习” 等教育最为核心的需求，从而给教育行业带来“质变”。 人工智能技术在教育领域的应用场景广阔，可大致分为四个层面：1）知识内容检索： AI 可以帮助学生快速检索相关知识内容，满足对知识点查询的需求。这一应用场景知识 密度要求较高，但对学生思维引导性较弱；2）语言学习：AI 可以评估和纠正学生的口语、 写作等语言表达能力。这一应用在通用智能达到一定阈值后即可实现，知识密度要求不 高，但对学生思维起到部分引导作用。3）内容生成：AI 可以根据教材和课程设置自动生 成相关学习内容，如生成习题、案例分析等。这一应用知识密度需求不高，但对思维引 导性要求增加。4）灵感索引：灵感索引是“因材施教”的关键，也是传统教育中老师较 难被替代的环节，例如，在学生若干结题步骤中精准定位出错点，判断思维误区，进行 正确引导，目前国内外 AI+教育产品均在探索中，尚无成熟案例。 教育投入长期以来是公共财政第一大支出。2018 年—2022 年，国家财政性教育经费 累计投入 21.4 万亿元，年均增长 7%，占国内生产总值的比例连续 11 年保持在 4%以上。

在线教育市场规模稳定增长，未来大有可为。根据艾瑞咨询数据，2025 年我国在线 教育市场规模将达到 4905 亿元，年复合增长率 17.5%。这主要受益于以下几个方面的因 素：1）国家对于教育事业的重视和支持，不断增加教育经费投入，推动教育信息化和现 代化的发展，为在线教育提供了政策红利和基础条件。2）互联网技术的不断进步和创新， 提升了在线教育的技术水平和服务质量，为在线教育提供了技术驱动和效率提升。3）用 户对于在线教育的接受度和付费意愿的不断提升，以及对于个性化、多样化、国际化的 在线教育需求的不断增长，为在线教育提供了市场需求和消费动力。4）在线教育机构的 不断创新和优化，以及与其他行业的跨界合作和融合，为在线教育提供了产品多元化和 竞争优势。

Sora 实现跨代级提升，教育或将成为优质应用场景之一。Sora 可以将 Prompt 转换成 长达 60 秒视频，相对于此前文生视频大模型 Runway、Pika、Stable Video 等提升几个级别。 同时在视频分辨率以及质量方面，Sora 可以生成 1080P 清晰度视频，并且能够相对完整 实现对世界及物体运动规律理解及模拟，在镜头切换方面保持稳定性。此外，Sora 还支 持图片格式输入、视频扩展、视频拼接等，是文生视频领域突破性技术变革。 Sora 将彻底颠覆在线教育，扩宽应用场景。在线教育在于情境化学习、跨学科学习、 主题性学习、项目式学习和学科实践，都与教学中创设情境有关。Sora 作为一种视频生 成工具，初步能模拟物理世界及运动规律，具有创设情境的天然优势，可以成为情境教 学的得力助手。Sora 具有能力涌现的功能，加上强大的算力，几乎可以生成人们能够想 象和无法想象的任何逼真视频。包括文学体验、历史场景、气候变化和天体运行，这些 在教学中能够用到的情境都可以让 Sora 生成，而且无限丰富、场景具体。

（三）AIGC+医疗：AI 药物研发和 AI 医学影像深具潜力

全球 AI 医疗市场保持快速增长，AI 药物研发和 AI 医学影像占比最高。根据 Global Market Insights 报告，2022 年全球 AI 医疗市场规模超过 50 亿美元，并预计将以超过 29% 的年均复合增速增长至 2032 年的 700 亿美元。细分子行业里，AI 药物研发和 AI 医学影 像占比最高，合计占比超过 50%。预计 2032 年 AI 药物研发市场规模将超过 205 亿美元。 中国市场起步较晚，处于高速增长期，年增速超 30%，AI 药物研发和 AI 医学影像最具潜力。根据 IQVIA 数据，2021 年中国 AI 医疗市场规模不足 40 亿元，主要以智慧病 案、信息系统和 CDSS（临床决策系统）等应用为主，而国外较成熟的 AI 药物研发和 AI 医学影像占比较低。据国家卫健委的数据，我国 AI 医疗市场规模预计到 2025 年将达到 500 亿元，显示出强劲的增长势头。未来 10 年，预计中国 AI 医疗市场将以超 30%的年均 复合增速增长，AI 医学影像（超声、CT、X 光、病理等）和 AI 药物研发将成为增长最快 的细分市场。从 2021-2023 年中国 AI 医疗不同赛道融资情况来看，2023 年融资数有大幅 增长，AI 影像、AI 制药、AI 信息化依次位列前三。

大模型成为 AI 医疗行业的主要创新驱动力，多模态架构、自监督学习技术以及上下 文学习能力使得大模型有望实现医疗领域的通用人工智能。未来的医疗大模型有望灵活 解释多种数据模态组合，比如来自医学影像、电子病历、检验科、实验室结果等等的图 表和文本数据，并产生更强更丰富的表达输出，可输出文本、图表或者语言，甚至有医 学推理能力。 基于大模型驱动的 AI 医疗产业链可以分为基础层、模型层与应用层：1）基础层， 除数据服务外，芯片与通信等基础核心领域与其他行业共通，而医疗数据由于其特殊性， 数据开放度较低，获取存在一定壁垒，其数据的确权与流通问题尚待解决；2）模型层， AI 算法、框架需要长期的研发投入，目前各大科技企业与互联网巨头均在加速布局，大 模型在医疗领域的应用越发广泛，解决了一些关键问题；3）应用层，应用层可触达全医 疗服务场景，如院内临床决策系统、手术机器人、智慧病案系统、医疗影像、药企新药 研发与基因检测。

模型层，参与者主要有大型科技公司和医药类企业。大型科技公司基于自己的通用 大模型，开发垂直化服务平台进行赋能，主要代表公司有英伟达、英特尔、腾讯、百度、 阿里等等，比如英伟达推出了生物医药基础模型云服务平台 BioNeMo，提供生成式化学、 蛋白质语言和结构预测相关开源模型，可以进行蛋白质、DNA 和生物化学数据处理，从 而加速药物研发。医药类企业具有丰富的生物医学行业数据、用户资源和细分领域专业 能力，以调用接口或基于开源模型自研的方式切入，微调改进自身产品或开发智能化产 品。如 FermaAI、Nuance、Wondercise 集成 Chat-GPT 等模型，提供更加快捷智能的生物 技术及制药咨询、自动生成病例、医学文档处理、个人健康管理功能。

应用层，大模型的应用使得多个领域的新场景涌现，按成熟度由高到低为生命科学 研究领域、药械研发领域、医学影像和图像领域、医疗问答和智能问诊领域、辅助诊疗 和临床决策领域、个人健康管理领域、医学教学领域。 生命科学研究领域：AI 大模型在该领域发展较为成熟，起步早，模型数量多，迭代 发展快。例如，AI 大模型可以完成蛋白质语言理解和生成的任务，协助蛋白质结构预测 和从头设计合成；可以赋能 DNA/RNA 等生命组学计算，为病因推断、疾病预测、精准医 疗提供新思路；可以作为科研助手辅助生物医学研究开发工作，优化科研流程。由温州 眼视光国际创新中心(中国眼谷)开发的眼科专用大型语言模型 EyeGPT，目前主要应用于 科研场景以及临床医疗辅助等医疗相关内容，已在研究性论文、病例报告生成、医学学 术文章润色、医疗文档写作等方面有较为成熟的落地，未来将进一步向眼健康早期检测 和智能诊断场景拓展。

药械研发领域的应用：AI 大模型可服务于药品和器械从研发到上市的各个环节，包 括药物发现、临床前研究、临床试验、注册申请、上市后再评价等，实现提速降本增效。 例如，AI 大模型可助力药物研发早期阶段，可以协助进行分子性质预测和靶点发现；可 以助力药械注册和审评自动化，提升药械企业和监管机构的办公效率；可与生物医药行 业数据相结合，驱动行业信息咨询服务新发展。通义医疗行业大模型由阿里云研发，是 以通义生成式语言大模型为基底，在通义 Qwen 整体训练数据超过 3 万亿 tokens 基础上， 融入海量医学知识文献与医疗数据所训练出来的行业大模型。通义行业大模型通过 API 与交互式问答形式提供服务,并提供用于模型二次训练与评测的完整操控平台，已经开始 在行业应用层面探索落地。

医学影像和图像领域：在该领域，AI 大模型可以辅助医学影像诊断分析，并可自动 生成影像诊断报告。大模型基于医学影像的图文对数据集进行训练，可以将视觉理解与 文本知识相结合，以对话方式解释医学图像，回答相关问题。近期，深睿医疗颅内动脉 瘤 CT 造影图像辅助检测软件通过创新通道获批 NMPA 三类证，成为国内首个创新人工智 能颅内动脉瘤 CT 检测系统。本次获证的颅内动脉瘤 AI 产品也是深睿医疗 Deepwise MetAI 智慧影像&大数据通用平台中睿影辅助诊断系统的重要组成部分。结合睿影系列的 ASPECT 评分、头颈 CTA、脑灌注(CTP)、脑出血等多个系统,针对缺血性脑卒中和出血性 脑卒两大临床应用场景。

医疗问答和智能问诊领域：AI 大模型可以对话方式回答用户的医疗健康问题并支持 连续自由对话和多场景的功能，并且提升了问诊类产品的准确性和智能化程度。腾讯医 疗大模型包括文案生成、智能问答、病历结构化和检索、影像报告和辅助诊断等场景， 为医疗决策全流程提供更精准的辅助，助力患者就医体验以及临床医生、药剂师服务效 率和质量的双向提升。此外，基于腾讯医疗大模型的家庭医生助手能够提升基层服务能 力，畅通医患沟通渠道，为医生提供更加智能的签约、咨询、随访、宣教能力，也为居 民提供精细化的健康管理。

辅助诊疗和临床决策领域：AI 大模型可以预测疾病风险，并生成诊断和治疗建议， 为临床决策提供支持。百度灵医大模型使用了千亿 tokens 的训练语料数据，包括海量临 床脱敏数据、医学知识图谱、300 万+例多模态影像数据，6 亿+条健康科普内容，70 万+ 临床试验研究信息，实现智能医生助手从辅助诊断、病历生成、文献速览等方面为医生 提供服务。

个人健康管理领域：个人健康管理领域大模型分布广泛，模型种类众多。提供的主 要功能有：推动个人健康管理迈向主动化、个性化、智能化；提供营养、运动辅导服务，多方面支持个人智能健康管理；提供更拟人化的情感疏导与支持，同时带来心理健康评 估、疗愈的新工具；生成中医药处方或多维度中医养生方案；智慧康养，满足老年人陪 伴、看护、社交娱乐等多样化需求。由 OPPO 打造的运动健康助手依托健康知识图谱训 练的大型语言模型 andesGPT，再结合健康大数据感知与分析技术，进一步增强通用大模 型的数据分析能力，打造运动健康领域的专属解决方案。

医学教学领域：模拟不同类型病人，通过提供及时反馈和个性化指导，提高学生知 识和技能。Hippocratic AI 产品将医学理论知识应用于现实世界情境，利用大模型的能力 虚拟患者，完成和人类医生的对话，其模拟的患者不仅具有不同疾病、性格、情绪和疾 病史，还能为医学生的临床诊断技能提供反馈评价。Hippocratic AI 主要提供了 Patient simulator（类 ChatGPT 问答）和 flashcard generator 两种功能。Patient simulator 提供了心血 管、呼吸、肠胃、肌肉骨骼、神经学、内分泌、肾脏、生殖 8 种模拟病人问答，并且在 整个过程中病人还会表现出愤怒、急躁、焦虑等拟人化情绪，以帮助医生适应不同类型 的病人。Patient simulator 还提供了考试、笔记、病例录入等学习功能。

（四）AIGC+办公：ARPU 值与付费率双升

海外，微软 365 Copilot 集成 GPT-4 的功能，以聊天机器人的模式出现在产品的右侧。 用户通过向其发号指令，便可自动生成文字、表格、演示文稿等内容。大模型的赋能下， 简化了用户的学习路径，通过自然语言就可与机器进行交互并发号指令，将操作流程大 大简化，使得工作流程与效率得到了较大的提升。2023 年 7 月 18 日，微软公布其 Copilot 价格为 30 美元/人/月，此举将大幅提升其产品单价。在近期微软发布会上，其公布 Copilot 产品将于今年 11 月 1 日正式面向全部企业用户推出，并将嵌套进全新的 Windows11 系统。 我们认为，伴随着微软 Copilot 的全面落地应用，AI 对业绩、用户数据、产品优化的贡献 能力将不断显现，24 年将开始逐步反应在财报上。 国内，2023 年 4 月 18 日，金山办公宣布推出 WPSAI，将应用于新一代在线内容协 作轻文档，能力包括：从 0 到 1 生成内容、多轮对话以修改内容、以及处理（编辑/改写/ 扩充）已有文档等功能，并将陆续嵌入全线产品。7 月 6 日，WPS 面向大众招募智能办公 体验官。我们认为，AIGC 对办公产品的赋能将提升用户的使用意愿与付费意愿。AI 功能 主要在云端进行推理任务，用户只能通过订阅付费方式进行获取，将进一步提升公司付 费率。目前公司付费率依然较低，相较于微软 18％左右的付费率仍有较大空间。此外， 随着 AI 功能的上线，未来产品单价将进行提升，ARPU 值将得到提升。此外，对比竞争 对手微软来说，金山的价格优势有望进一步放大。

AI 对收入空间贡献测算： 微软 365 Copilot：根据公司业绩会纪要披露，2020 年 Q1 公司 Office 商业版用户数为 2.58 亿，2021Q1、2022Q1、2023Q1 分别同比增长 15%、16%、11%得出 2023Q1Office 商 业版用户数约为 3.82 亿。Copilot 定价为 30 美元/人/月。假设：1）2024 较 2023Q1 用户增 长率为 11%； 2）年费为 30*12=360 美元/人/年；3）Copilot 渗透率中枢为 15%。基于以 上假设，当用户增长率是 11%，Copilot 的用户渗透率为 15%时，明年 AI 对公司业绩贡献 为 76 亿美元。

金山 WPSAI： 长期空间测算：鉴于公司暂未做出定价策略，我们对公司的预测基于以下假设：1） 公司 WPS AI 功能额外定价 5 元/人/月（结合 OpenAI 与百度文心一言价格给出 API 价格参 考）；年费为 60 元/人/年； 2）公司仅披露了个人付费用户数，并未披露企业付费用户 数量，因此，我们采用付费率做假设。假设付费率在 AI 带动下提升至约 24%（目前微软 的付费率水平）；3）活跃用户数为 2.59 亿人（PC 用户与移动用户有重叠，此处取最新 2023Q3PC 端活跃用户数）；4）AI 渗透率中枢为 15%。那么，当付费率为 24%，AI 渗透 率为 15%时，每年收入增量为 5.59 亿元。

2024 年假设性测算：鉴于公司暂未做出定价策略，我们对公司的预测基于以下假设： 1）假设公司 WPS AI 功能额外定价 5 元/人/月（结合 OpenAI 与百度文心一言价格给出 API价格参考）；年费为 60 元/人/年；2）公司仅披露了个人付费用户数，并未披露企业付费 用户数量，因此，我们采用付费率做假设。假设付费率在 AI 带动下提升至约 12%；3） 活跃用户数为 2.59 亿人（PC 用户与移动用户有重叠，此处取最新 2023Q3PC 端活跃用户 数）；4）AI 渗透率中枢为 10%。那么，当付费率为 12%，AI 渗透率为 10%时，2024 年 收入增量中枢为 1.86 亿元。

（五）AIGC+工业：打造新质生产力，推动智能制造发展

AI 大模型在工业领域的应用仍处于探索阶段，主要有以下原因： 第一，工业领域对安全生产的要求极高。目前生成式 AI 技术通过预训练学习后推理 出“合理”的答案，这个答案可能存在逻辑漏洞或者歪曲事实，对工业生产来说，这种 小概率的错误可能引发宕机等生产事故。第二，目前的模型训练数据主要来源与文本、 图像与视频，工业生产中的数据是非标准化的，并且各领域的生产流程、工业、产线、 原材料等差异较大。 根据中国质量认证中心及中关村智用人工智能研究院联合发布的《产业大模型应用 白皮书》，产业大模型主要有五项指标： 1）可控性：大模型需要实现预测、分类与检 测的准确性，在应用过程中，需要保证其决策的透明度和可解释性，输出需要与社会的 道德与法律标准保持一致与可控。2）能力增强：产业大模型需要对工作流程拥有逻辑理 解，包括对工厂数据、文本、图像的理解能力与输出能力，突出决策辅助的准确性。3） 安全性：需要保障工厂数据的安全与不可泄漏，具备抵挡外部黑客攻击的能力。4）部署 的可实施性：大模型与原有的软硬件系统需要兼容，并且能够低成本的进行维护。5）算 力的性价比：大模型所需的算力成本和投入需要与其产出相匹配。

各工业软件公司相继在大模型领域进行了探索，应用场景主要体现在：第一，在产 品开发阶段，生成式 AI 可以在设计的图像与文本上进行辅助，能够压缩设计和迭代的过 程。第二，AI 大模型的代码能力可以协助软件工程师提升编程的效率，或者直接替代部 分较为低端的代码环节。第三，AI 大模型可以辅助工厂的决策人员进行数据的追踪与分 析。第四，大模型有望改变操作人员与现场机器的交互方式，通过自然语言的方式与机 器进行“沟通”，降低操作的学习成本与门槛。 中控技术：中控技术于近期宣布将推出首个面向流程工业运行优化与设计的 AI 大模 型，运用海量的生产运行、工艺、设备及质量数据，自主研发生成式 AI 算法架构（AIGC）， 基于工业多源数据进行融合训练，建立流程工业高泛化、高可靠的大模型，为客户提供 AI+安全、AI+质量、AI+效益、AI+低碳的智能化解决方案，或有望在流程工业的效率上 实现革命性的突破。

鼎捷软件：鼎捷行业大模型平台为不同行业提供专业、个性化的 AI 服务和场景化、 定制化解决方案，主要功能有创意写作、知识问答、智能客服、报告生成、推理预测和 总结。此外，鼎捷开发了雅典娜 ChatFile 机器人，是一款基于鼎捷知识中台和 GPT 技术 构建的企业级知识机器人，主要针对 PDF，WORD，PPT，TXT，EXCEL 等非结构化文档 做知识交互，实现快速、低成本构建企业知识问答系统。企业用户可通过 ChatFile 实现自 然语言与知识间的交互，准确合规安全的获取及使用企业知识，提升员工工作效率及学 习能力。 赛意信息：赛意信息与华为深度合作，携手华为盘古打造制造业大模型/AIGC 中台。 赛意 AIGC 中台(善谋 GPT)则是深度融合赛意信息在财税、人力、营销、供应链、研发与 生产制造等领域知识的最佳实践。善谋 GPT 为企业提供了多种应用场景，包括数字员工 （智能引导）、智能单据（智能辅助）、企业知识库（智能问答）、AI 自动报价（智能 报价）等。通过与企业现有的系统和数据集成，善谋 GPT 能够为企业提供更加个性化和 智能化的服务，提高企业生产与经营管理效率。

索辰科技：索辰在 AI 的布局主要体现在它原有的仿真能力与机器人相结合。在工程 设计、建模与仿真的领域中，生成式人工智能技术能够用于改进数据输入、创造场景、 优化流程以及合成数据的生成。公司立足于精确的物理原理，在已有的 CAE 软件和新增 的人型机器人等业务方向中利用生成式模型的最新进展，将生成式人工智能的使用作为 开发和实施数字孪生技术的关键组成部分，并取得了一定的阶段性成果。目前，通过大 语言模型进行仿真数据输入和仿真场景创建，结合生成式流程，能够实现从文本到仿真 结果及最后的视频渲染。 汉得信息：发布汉得 AIGC 中台与燕千云 SaaS 服务，燕千云 SaaS 服务平台基于汉得 HZERO 原生态 AIGC 能力，对企业内部的 IT 服务、员工服务、客户服务进行场景重铸， 并以低成本、短周期、低门槛部署解决方案，为企业提供更高效率、更好体验的“强 IT” 服务体系。

编辑：火腿肠