用时:45ms

ai产业报告-PDF版

您的当前位置:首页 > 人工智能 > AI产业
  • 计算机行业人工智能系列报告(三):虚拟电厂与智能巡检电力AI地最佳落地场景-230329(18页).pdf

    敬请参阅末页重要声明及评级说明 证券研究报告 虚拟电厂与智能巡检,电力虚拟电厂与智能巡检,电力 AIAI 地最佳落地场景地最佳落地场景 主要观点:主要观点:Table_Summary ChatGPTChatGPT 加速各行业应用落地,电力领域多环节需求展现加速各行业应用落地,电力领域多环节需求展现 我们在之前的AI报告中曾说过,制约AI发展的因素一直都是和场景的结合,业界一直在为没有找到收入足以覆盖研发、算力等成本的应用模式而苦恼;另一方面,市场也在期待一个更通用的 AI 模型的出现。ChatGPT 的出现在应用侧展现了一条通用化的路径,完美解答了商业模式与通用大模型两个问题。在此基础上,AI 场景的应用或将迎来爆发。对对于整个电力体系来说,于整个电力体系来说,在发输变配用的多个环节均涉及到预测、调度、管理等需要软件需求,AI的接入有望帮助多个环节实现效率的提升已经人工的替代。从另一个方面讲,电网是一个以稳定与安全为第一位的体系,AI在电力体系的落地是一个相对谨慎的过程,我们需要去找一些对于主网运行影响不大,同时智能化之后降本增效较为,明显的领域。我们认为主要是有两大方向,和下游用电相关的我们认为主要是有两大方向,和下游用电相关的虚拟电厂和电力交易,以及和检测相关的智能化巡检。虚拟电厂和电力交易,以及和检测相关的智能化巡检。虚拟电厂与电力交易是虚拟电厂与电力交易是 AIAI 在电力领域的最佳落地场景在电力领域的最佳落地场景 调控与管理是虚拟电厂的核心,正与AI技术的强项匹配。虚拟电厂是依托于信息技术和通信技术发展起来的智能管理系统,协调、控制、管理等是核心技术。具体来看,建设虚拟电厂可分为三大关键信息化技术:即协调控制、能量管理、信息通信技术。其中,协调控制技术要联通源网荷储多个环节的调整,并要做出对于发电量、用电量、电价等多个数据的判断,AI的接入有望极大的提升分析效率和准度;另一方面主要影响B端用电水平的虚拟电厂对于电网整体稳定性影响较小,有望率先接入大模型应用。AIAI 已经在电力巡检领域广泛应用,大幅提升已经在电力巡检领域广泛应用,大幅提升检测效率检测效率 电网智能运维是基于以“云大物移智”为代表的数字技术,对电力系统输变配等环节的运行进行监控、分析及处理,提升电网的透明化水平及能源供给的质量与效率。在人工成本提升叠加智能化机器人能力提升的背景之下,机器代人是大趋势。一个50MW的变电站人工巡检完整一圈,覆盖所有设备所需要时间通常为 2-3 个月,而机器巡检仅需要 2 天左右的时间。从成本侧来说,假设人工成本为1 万元/月,年度人工成本为12 万元,目前巡检机器人采购成本通常为 50-80 万元,按照 10-20 年折旧,单年仅 2.5-8 万元。目前,目前,以以AIAI算法为基础的运维已经广泛算法为基础的运维已经广泛应用在了电力巡检之中应用在了电力巡检之中,例如智洋创新已经,例如智洋创新已经建立了近百人的建立了近百人的AIAI团队,相关技术已经应用到了电力系统巡检之中。团队,相关技术已经应用到了电力系统巡检之中。风险提示风险提示 1)电网下游投资进展不及预期;2)技术研发突破不及预期;3)政策支持不及预期;Table_StockNameRptType 战略科技(计算机)战略科技(计算机)人工智能系列报告(三)/行业深度 行业行业评级:评级:增增持持 报告日期:2023-03-29 Table_Chart 行业指数与沪深行业指数与沪深 3 30000 走势比较走势比较 Table_Author 分析师:尹沿技分析师:尹沿技 执业证书号:S0010520020001 邮箱: 分析师分析师:王奇珏王奇珏 执业证书号:S0010522060002 邮箱: 联系人:联系人:张旭光张旭光 执业证书号:S0010121090040 邮箱: Table_Report 相关相关报告报告 1.华安证券_行业研究_计算机行业_深度报告_人工智能系列报告(二):AI 既是网安需求来源,也是网安下一形态2023-3-29 2.华安证券_行业研究_计算机行业_深度报告_人工智能系列报告(一):ChatGPT 引发的大模型时代变革2023-3-01 -30%-20%-10%0 0%沪深300计算机(申万)Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 2/18 证券研究报告 正文目录正文目录 1 CHATGPT 催化应用加速,催化应用加速,AI 应用难题破解应用难题破解.3 2 虚拟电厂与电力交易是虚拟电厂与电力交易是 AI 在电网落地的最佳场景在电网落地的最佳场景.5 2.1 虚拟电厂是电力体系互通优化的关键,AI 将进一步优化调控效率.5 2.2 外部政策叠加电网内部需求,虚拟电厂有望高速发展.6 2.3 虚拟电厂产业链前景广阔,相关企业有望开启高成长.7 3 AI 技术已经广泛应用于智能巡检之中技术已经广泛应用于智能巡检之中.12 3.1 信息化助力新型电力系统搭建,可视化运维不可或缺.12 3.2 多家公司积极布局智能运维.14 风险提示风险提示.17 图表目录图表目录 图表 1 CHATGPT 模型流程图.3 图表 2 2017-2022 全球公司应用 AI 比例及使用数量.4 图表 3 2022 年 AI 应用次数最高场景.4 图表 4 多个环节需要 AI .4 图表 5 虚拟电厂示意图.5 图表 6 我国风能资源分布情况.6 图表 7 我国太阳能资源分布情况.6 图表 8“双碳”相关政策梳理.7 图表 9 朗新科技“新电途”平台.8 图表 10 远光碳资产数据展示平台.9 图表 11 远光综合能源服务平台.9 图表 12 恒实科技公司主营业务.10 图表 13 国能日新虚拟电厂智慧运营管理系统.10 图表 14 东方电子公司业务结构.11 图表 15 各类电能装机量占比.12 图表 16 机器巡检效益明显.13 图表 17 电力系统各环节智能运维.13 图表 18 公司输电线路智能运维分析管理系统构成图.14 图表 19 公司智能机器人系列机器应用场景图.15 图表 20 公司产品在电力系统各环节中的应用.15 图表 21 公司主营业务、主要产品及服务展示图.16 QVgUjWQViWkZpMtQtR6McMbRpNrRpNsRlOrRnOfQoNmN6MpPuNNZoPsMxNqRqN Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 3/18 证券研究报告 1 ChatGPT 催化催化应用加速,应用加速,AI 应用难题破解应用难题破解 ChatGPT 催化催化 AI 场景应用深化,场景应用深化,AI 落地能力获得突破。落地能力获得突破。我们在之前的 AI 报告中曾说过,制约 AI 发展的因素一直都是和场景的结合应用,业界一直在为没有找到收入足以覆盖研发、算力等成本的应用模式而苦恼;另一方面,市场也在期待一个更通用的 AI模型的出现。ChatGPT 的出现在应用侧展现了一条通用化的路径,完美解答了商业模式与通用大模型两个问题。在此基础上,AI 场景的应用或将迎来爆发。相比传统 AI 算法,GPT 模型的区别在于通过海量参数,进一步提升了模型的精确度。初代的 GPT 模型参数是 1.17 亿,而 GPT2 的模型有 15 亿个参数,参数增加了 10倍之多。第三代的 GPT3 模型,参数达到了 1750 亿,是 GPT2 参数的 100 倍。正是由于参数的指数级提升,使得模型的使用效果大幅提升。而此类参数上亿的模型,通常称而此类参数上亿的模型,通常称之为之为“大模型大模型”。GPT 模型能够生成连贯和语法正确的文本,已被用于广泛的自然语言处理任务,包括语言翻译、文本补全和文本生成。AI 时代赋能多应用场景,数据价值体现时代赋能多应用场景,数据价值体现。自 2017 年以来,全球企业对于 AI 的使用已到达了一个稳定高峰。根据麦肯锡数据,近四年,全球使用 AI 的企业数量占比在 50-60%之间,较 2017 年 20%的水平已提升 2.5X。平均每个公司都会使用近四种 AI 能力,比起 2018 年的 1.9 种也近翻倍。其中,流程自动化、计算机视觉、自然语言分析、对话界面和深度学习已经成为前五大 AI 用途。而从训练到应用的逻辑来说,AI 的广泛应用,其核心基础是高质量、与应用场景贴合的海量数据资源。图表图表 1 ChatGPT 模型流程图模型流程图 资料来源:OpenAI,华安证券研究所 0%5 %05 1520162017Q3西北华北东北西南中南华东 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 4/18 证券研究报告 图表图表 2 2017-2022 全球公司应用全球公司应用 AI 比例及使用数量比例及使用数量 图表图表 3 2022 年年 AI 应用次数最高场景应用次数最高场景 资料来源:McKinsey,华安证券研究所 资料来源:McKinsey,华安证券研究所 AI 在电力多个环节在电力多个环节助力助力降本增效,稳定性与智能化是寻找电力降本增效,稳定性与智能化是寻找电力 AI 场景的主线。场景的主线。对于整个电力体系来说,在发输变配用的多个环节均涉及到预测、调度、管理等需要软件需求,AI 的接入有望帮助多个环节实现效率的提升已经人工的替代。从另一个方面讲,从另一个方面讲,电网是一个以稳定与安全为第一位的体系,AI在电力体系的落地是一个相对谨慎的过程,我们需要去找一些对于主网运行影响不大,同时智能化之后降本增效较为,明显的领域。我们认为主要是有两大方向,和下游用电相关的虚拟电厂和电力交易,以及和检测相关我们认为主要是有两大方向,和下游用电相关的虚拟电厂和电力交易,以及和检测相关的智能化巡检。的智能化巡检。图表图表 4 多个环节需要多个环节需要 AI 资料来源:华安证券研究所整理 1.92.33.13.93.820GXPVP%0 0Pp2345201720182019202020212022每个公司AI能力种类的平均数量全球使用AI的公司比例(%)24201919191716161514051015202530场景应用数量 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 5/18 证券研究报告 2 虚拟电厂与电力交易是虚拟电厂与电力交易是 AI 在电网落地的最佳在电网落地的最佳场景场景 2.1 虚拟电厂是虚拟电厂是电力体系互通优化的关键,电力体系互通优化的关键,AI 将进一步优化调将进一步优化调控效率控效率 虚拟电厂是虚拟电厂是一种将不同空间的可调负荷、储能、微电网、充电桩、分布式电源等可控资源聚合起来的智慧能源系统,并以此作为一个特殊电厂实现对电力资源的自主协调及优化控制。虚拟电厂的核心是集控平台,集控平台一方面可以对一方面可以对收集的充电桩、居民收集的充电桩、居民用电等数据进行分析,做到需求侧的精准响应及管理,用电等数据进行分析,做到需求侧的精准响应及管理,当需求侧供电量不足时,可以作为“正电厂”向电力系统供电,当发电侧电量过大,需求侧难以负荷时,又可以作为“负电厂”加大负荷消纳电力系统电力,帮助电力市场削峰填谷,平滑新能源并网给电网带来的一系列影响;另一方面可以与大电网与电力市场互通,;另一方面可以与大电网与电力市场互通,不仅有助于优化整个电网系统,还能为内部聚合的企业、用户、充电桩、储能、分布式能源等市场主体提供参与电力市场化交易的途径,让他们都可以成为微型发电机,参与电力市场交易,从而获取套利收益。图表图表 5 虚拟电厂示意图虚拟电厂示意图 资料来源:国网上海经研院,华安证券研究所 按照聚合优化的资源类别,虚拟电厂可分为两类,一类为“负荷类”虚拟电厂,另虚拟电厂可分为两类,一类为“负荷类”虚拟电厂,另一类为“源网荷储一体化”虚拟电厂。一类为“源网荷储一体化”虚拟电厂。具体来看,“负荷类”虚拟电厂具体来看,“负荷类”虚拟电厂指虚拟电厂运营商聚合具备负荷调节能力的电动汽车、充电桩等市场化电力用户,并作为一个整体对外提供负荷侧灵活响应调节服务,“源网荷储一体化”虚拟电厂“源网荷储一体化”虚拟电厂指聚合新能源、用户及配套储 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 6/18 证券研究报告 能项目,作为独立市场主体参与电力市场,不占用系统调峰能力,具备自主调峰调节能力,并可以为公共电网提供调节服务。调控与管理是虚拟电厂的核心,正与调控与管理是虚拟电厂的核心,正与 AI 技术的强项匹配技术的强项匹配。综上所述,虚拟电厂是依托于信息技术和通信技术发展起来的智能管理系统,协调、控制、管理等是核心技术。具体来看,建设虚拟电厂可分为三大关键信息化技术:具体来看,建设虚拟电厂可分为三大关键信息化技术:即即协调控制协调控制、能量管理、信息通、能量管理、信息通信信技术技术。其中,协调控制技术要联通源网荷储多个环节的调整,并要做出对于发电量、用电量、电价等多个数据的判断,AI 的接入有望极大的提升分析效率和准度;另一方面主要影响 B 端用电水平的虚拟电厂对于电网整体稳定性影响较小,有望率先接入大模型应用。2.2 外部政策叠加外部政策叠加电网内部需求,虚拟电厂有望高速发展电网内部需求,虚拟电厂有望高速发展 发展分布式能源是大势所趋,虚拟电厂迎来发展契机发展分布式能源是大势所趋,虚拟电厂迎来发展契机。从我国风光资源分布图中可知,风光大基地基本集中在西部和北部,而电力负荷却集中在中部和东部,空间维度的错配一方面催生了特高压输电的需求,另一方面也促进了分布式能源的发展。关于促进新时代新能源高质量发展实施方案的通知中提出到 2025 年公共机构新建建筑屋顶光伏覆盖率力争达到 50%,因此可以认为分布式能源进入快速发展时期。在发展过程中,在发展过程中,最最亟需解决的问题就是亟需解决的问题就是提升电网对新能源的消纳能力提升电网对新能源的消纳能力,解决由于新能源不稳定特性导致解决由于新能源不稳定特性导致并网时产生的一系列影响并网时产生的一系列影响,在这样的背景下,虚拟电厂、智能微电网等模式应运而生。,在这样的背景下,虚拟电厂、智能微电网等模式应运而生。虚拟电厂一方面虚拟电厂一方面可以作为传统的可调度发电厂及时响应内部需求侧,另一方面另一方面可充当分布式资源与电网运营商、电力交易市场之间的中介,实现能源交易。因此,我们认为,因此,我们认为,虚拟电厂是促进能源转型,实现新能源大规模并网的关键。虚拟电厂是促进能源转型,实现新能源大规模并网的关键。图表图表 6 我国风能资源分布情况我国风能资源分布情况 图表图表 7 我国太阳能资源分布情况我国太阳能资源分布情况 资料来源:200m 高分辨率年平均风速分省图谱、华安证券研究所 资料来源:中国分省太阳能资源合集、华安证券研究所 外部政策积极引导新能源发展外部政策积极引导新能源发展,电网适应性是关键电网适应性是关键。20 年习主席第一次在联合国大会上提出“碳达峰”、“碳中和”概念,自此不论是新能源发展还是电网建设均迎来了前所未有的时代机遇。22 年 5 月 30 日和 6 月 1 日,发改委联合国能局、财政部等部门分别印发关于促进新时代新能源高质量发展的实施方案的通知和“十四五”可再生能源发展规划,强调目前新能源步入高质量发展新阶段,而电网的适应性问题是新阶段制 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 7/18 证券研究报告 约新能源发展的主要因素之一。6 月 21 日,山西省能源局正式印发国内首份虚拟电厂运营管理文件虚拟电厂建设与运营管理实施方案,积极引导发、用、储侧资源共创电网平衡。7 月 8 日,市监局等 16 部门发布关于印发贯彻实施国家标准化发展纲要行动计划的通知,提出加强新型电力系统标准建设。我们认为,电网适应新能源接入的我们认为,电网适应新能源接入的核心在于调度调节能力以及大规模超远距离输电能力,这两点均离不开数字化手段的辅核心在于调度调节能力以及大规模超远距离输电能力,这两点均离不开数字化手段的辅助。助。具体来说,风光等新能源具有波动性和不稳定性,由于其发电量与风力、光照等自然因素存在较大关系,因此新能源发电供给与居民用电需求之间存在错配问题。在这种在这种情况下,情况下,以以智能微电网、虚拟电厂为代表的配电网智能化技术及输电侧特高压建设、储智能微电网、虚拟电厂为代表的配电网智能化技术及输电侧特高压建设、储能等新业态乘势而进。能等新业态乘势而进。图表图表 8“双碳”相关政策“双碳”相关政策梳理梳理 资料来源:华安证券研究所整理 海外虚拟电厂发展较为成熟,国内市场海外虚拟电厂发展较为成熟,国内市场前景广阔前景广阔。技术方面,技术方面,自 2001 年起,德国、英国、美国等欧美国家就陆续开展虚拟电厂研究项目,目前发展较为成熟,已落地德国卡塞尔大学太阳能供应技术研究所、欧盟 WEB2ENERGY 等虚拟电厂项目。以 2012 年12 月完成的欧盟 WEB2ENERGY 项目为例,共包含 5 座 CHP 电厂、2 组 100 千瓦时氧化还原电池、10 组 5 千瓦时锂电池、6 座光伏电站、3 座风电场、2 座小型水电站和 3类大型可控负荷。从国内市场看,从国内市场看,国内处于早期发展阶段,尚不具备成熟完善的建设体系,但在功能实现,近几年广东、河北、上海等地已有调峰调频,提升电网对新能源消纳能力的项目出现,例如上海黄浦区试点商业建筑 VPP 示范项目等。通过海内外对比,通过海内外对比,可以确定,国内虚拟电厂技术存较大提升空间。可以确定,国内虚拟电厂技术存较大提升空间。收益方面,海外市场收益方面,海外市场的虚拟电厂目前已通过辅助功能及参与电力市场交易的商业模式获利,而国内方面,而国内方面,短期来看,短期来看,处于政府补贴状态,将在政府补贴下逐步完善项目功能;但但长期来看,长期来看,随着国内储能、电力交易、碳交易等业态的技术和体系的发展,虚拟电厂也将通过其辅助功能获得交易收益,形成规模利润。2.3 虚拟电厂虚拟电厂产业链产业链前景广阔前景广阔,相关相关企业企业有望有望开启高成长开启高成长 朗新科技:朗新科技:虚拟电厂和充电桩应用的隐形标的虚拟电厂和充电桩应用的隐形标的。公司深耕电力行业多年,是售用电领域信息化的龙头,BC 两端业务均有望实现业绩突破。我们预计在双碳及电网智能化的大背景下,未来公司将迎来高质量发展阶段,主要是基于两方面的考虑:1)B 端端能源能源数字化业务优势明显,数字化业务优势明显,电力营销系统电力营销系统稳定成长稳定成长。一方面,一方面,受益于能源客户自身数字化转型升级需求,每年约 1000 个项目,每个项目百万收入,公司 40%的市场份额有望进一 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 8/18 证券研究报告 步提高;另一方面,另一方面,营销 2.0 系统替换升级总规模达 70 亿元。我们预计我们预计进入重大发展机进入重大发展机遇期遇期,长期来看保持长期来看保持 20%以上增速以上增速;2)C 端端充电桩业务充电桩业务有望爆发。有望爆发。21 年公司聚合充电量达 5.6 亿度,同比增长 8 倍,充电量市占率达 5%,22 年公司计划达 10%。同时公司已拿到售电牌照,依托于此可以在电力市场中开展预购电、虚拟电厂削峰填谷等业务打开新增量市场。考虑到公司深厚的考虑到公司深厚的 know-how 技术技术、新能车万亿市场的充电需求新能车万亿市场的充电需求及虚拟及虚拟电厂加速推进电厂加速推进,我们认为,充电桩业务爆发可期。,我们认为,充电桩业务爆发可期。图表图表 9 朗新科技“新电途”平台朗新科技“新电途”平台 资料来源:华安证券研究所整理 远光软件:远光软件:综合能源服务的优质企业综合能源服务的优质企业。电网新一轮的数字化建设刚刚起步,公司身为国网数科旗下的唯一上市企业,跟随国网数字化步伐布局有望充分受益。近期公司与国网数科共同对能源互联网公司增资 2000 万,也再次印证了我们的此项观点。从公司从公司业务本身出发,业务本身出发,我们认为我们认为数字化新业务有望成为新增长点数字化新业务有望成为新增长点:1)碳资产管理平台碳资产管理平台:碳排放权交易市场是推动绿色低碳发展的重要举措,未来将与电力市场交易保持衔接和联动,是企业绿色转型的关键;2)综合能源服务云平台,综合能源服务云平台,公司研发的综合能源管理云平台聚合了分布式能源、储能、用户、工业园区等电力用户,通过能量管理、数据分析、及时响应等功能提升电网消纳水平,已经具备了虚拟电厂的功能。由于由于公司公司新业务具备高成长新业务具备高成长性,我们预计未来性,我们预计未来能源互联网将保持能源互联网将保持 30%以上增速,智慧物联及数据服务将保持以上增速,智慧物联及数据服务将保持 60%左右增速。左右增速。近期公司与国网数科共同对能源互联网公司增资 2000 万,彰显公司发展能源数字化产业的决心,也让我们更加坚信公司与国网数科之间的协同效应会进一步扩大。Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 9/18 证券研究报告 图表图表 10 远光碳资产数据展示平台远光碳资产数据展示平台 资料来源:公司官网,华安证券研究所 图表图表 11 远光综合能源服务平台远光综合能源服务平台 资料来源:公司官网,华安证券研究所 恒实科技恒实科技:虚拟电厂设计、建设及运营的先行者虚拟电厂设计、建设及运营的先行者。公司成立于 2000 年,持续为国家机关及能源、交通、金融、电信等行业的信息化和智能化建设服务。近几年公司积极参与虚拟电厂业务建设,曾全程参与国内首个虚拟电厂国网冀北电力公司虚拟曾全程参与国内首个虚拟电厂国网冀北电力公司虚拟电厂建设,积累了丰富的技术及经验,已形成了自主知识产权的系列产品。电厂建设,积累了丰富的技术及经验,已形成了自主知识产权的系列产品。公司积极开展综合能源服务,除虚拟电厂业务外,还涵盖电力市场交易、综合能源改造等综合能源监控运营中心运行监视调度指挥客服服务运营管理实时信息实时信息监控服务工业园区 分布式电源商 充电商储能商 大用户 中低压及居民用户电能质量能源交易节能服务需求响应多能互补能源建设能量管理能效优化资产运维数据分析微电网分布式光伏分布式储能充电站/桩用能设备配电站用户智能表第三方采集服务商电网公司、地方电网、增量配网、配售电公司 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 10/18 证券研究报告 业务。目前公司在湖南已完成了小水电聚合系统、源荷聚合互动响应系统以及负荷聚合系统项目建设。22 年 5 月公司引入国有控股股东深智城并募资 6.71 亿加强新业务布局。我们认为,国内虚拟电厂发展处于起步阶段,市场空间广阔,公司作为我们认为,国内虚拟电厂发展处于起步阶段,市场空间广阔,公司作为虚拟电厂建设的先行者,有着精湛的技术和丰富的经验,虚拟电厂建设的先行者,有着精湛的技术和丰富的经验,有望最先受益有望最先受益。图表图表 12 恒实科技恒实科技公司公司主营业务主营业务 资料来源:公司年报,华安证券研究所 国能日新:国能日新:新能源智慧管理的领军者新能源智慧管理的领军者。公司深耕新能源管理领域多年,为新能源电站、发电集团、电网公司等多种新能源电力市场主体提供以新能源发电功率预测产品为以新能源发电功率预测产品为核心,以新能源并网智能控制系统、新能源电站智能运营系统、电网新能源管理系统为核心,以新能源并网智能控制系统、新能源电站智能运营系统、电网新能源管理系统为拓展拓展的新能源信息化产品。同时,公司积极拓展智能微电网、虚拟电厂等新业态服务,21 年公司研发出虚拟电厂智慧运营管理系统,年公司研发出虚拟电厂智慧运营管理系统,聚合源、荷、储资源,一方面,聚合源、荷、储资源,一方面,参与电力市场,向市场提供电能量、电力、负荷等多种资源并获取收益;另一方面,另一方面,提升电网消纳能力,通过削峰填谷等功能辅助稳定电力供应,助力实现双碳目标。我们认为,建设我们认为,建设高比例新能源的新型电力系统已提上日程,因此不论是新能源电站的智能管理还是需求高比例新能源的新型电力系统已提上日程,因此不论是新能源电站的智能管理还是需求侧的精准响应都是现阶段需着力解决的难题,公司服务电力市场智能管理多年已形成核侧的精准响应都是现阶段需着力解决的难题,公司服务电力市场智能管理多年已形成核心竞争优势,随着电网智能化建设的推进,公司的业务及产品有望心竞争优势,随着电网智能化建设的推进,公司的业务及产品有望得到广泛应用。得到广泛应用。图表图表 13 国能日新虚拟电厂智慧运营管理系统国能日新虚拟电厂智慧运营管理系统 资料来源:公司公众号,华安证券研究所 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 11/18 证券研究报告 东方电子东方电子:电力自动化领域的龙头企业电力自动化领域的龙头企业。公司公司布局智能电网全产业链布局智能电网全产业链,涵盖智能电网、智慧能源、工业互联网、信息化管理等多个领域。公司在发电、输配电、用电领域积极布局。智能电网领域产品涵盖源-网-荷-储全产业链,产品有园区综合能源管理系统、智慧变电站自动化系统、智能巡检机器人系统解决方案等;智慧能源涵盖综合能源服务、新能源发电、电动汽车智能充电;信息化管理涵盖了南方电网公司“6 1”企业管理系统电力营销管理系统以及能取代 90%以上人工服务的营业厅智能化服务终端。截至目前,公司已落地多项虚拟电厂相关项目,具体包括截至目前,公司已落地多项虚拟电厂相关项目,具体包括城市级虚拟电厂运行管理平台、负荷聚合商级负荷聚合管控平台和园区级虚拟电厂等三级虚拟电厂,在电力自动化领域具备核心竞争力。我们认为,受益于电网升级需求,我们认为,受益于电网升级需求,公司传统业务有望加速增长。同时,公司积极布局公司传统业务有望加速增长。同时,公司积极布局综合能源管理综合能源管理、储能、储能、虚拟电厂、虚拟电厂等新业务,有望带来新的增量市场。等新业务,有望带来新的增量市场。图表图表 14 东方电子东方电子公司业务结构公司业务结构 资料来源:华安证券研究所整理 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 12/18 证券研究报告 3 AI 技术已经广泛应用于智能巡检之中技术已经广泛应用于智能巡检之中 3.1 信息化助力新型电力系统搭建,可视化运维不可或缺信息化助力新型电力系统搭建,可视化运维不可或缺 风光等新能源大规模并网,电网智能运维不可或缺。风光等新能源大规模并网,电网智能运维不可或缺。与传统能源相比,新能源具有随机性、波动性和间歇性的特点,新能源大规模并网后,给电力系统的调节与消纳能力带来了巨大挑战。为更好的适应新能源特性,电力装备及系统必须通过大量的传感终端,保证对设备状态及外部运行环境的灵敏感知,从而真正实现智感、智测和智控,因此数字电网智能运维迎来发展机遇。电网智能运维是基于以“云大物移智”为代表的数字技电网智能运维是基于以“云大物移智”为代表的数字技术,对电力系统输电、变电、配电等环节的运行实况进行监控、分析及处理,从而提升术,对电力系统输电、变电、配电等环节的运行实况进行监控、分析及处理,从而提升电网的透明化水平及能源供给的质量与效率,保障新能源大规模并网后新型电力系统能电网的透明化水平及能源供给的质量与效率,保障新能源大规模并网后新型电力系统能安全运行。安全运行。图表图表 15 各类电能装机量占比各类电能装机量占比 资料来源:中国电力联合会,华安证券研究所 机器代人效益明显,是长期大趋势。机器代人效益明显,是长期大趋势。在人工成本提升叠加智能化机器人能力提升的背景之下,机器代人是大趋势。在电力巡检领域,一个 50MW 的变电站人工巡检完整一圈,覆盖所有设备所需要时间通常为 2-3 个月,而机器巡检仅需要 2 天左右的时间,同时机器巡检具备更高的故障识别率和更高效的设备复查方式和效率。从成本侧来说,假设人工成本为 1 万元/月,年度人工成本为 12 万元,目前巡检机器人采购成本通常为50-80 万元,按照 10-20 年折旧,单年仅 2.5-8 万元。10.1 10.6 11.0 11.4 11.9 12.5 13.0 3.2 3.3 3.4 3.5 3.6 3.7 3.9 1.3 1.5 1.6 1.8 2.1 2.8 3.3 0.4 0.8 1.3 1.7 2.0 2.5 3.1 0.3 0.3 0.4 0.4 0.5 0.5 0.5 0 0Pp0 15201620172018201920202021火电装机容量(亿千瓦)水电装机容量(亿千瓦)风电装机容量(亿千瓦)光伏装机容量(亿千瓦)核电装机容量(亿千瓦)Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 13/18 证券研究报告 图表图表 16 机器巡检效益明显机器巡检效益明显 资料来源:华安证券研究所整理 以以 AIAI 算法为基础的运维已经广泛应用在了电力巡检之算法为基础的运维已经广泛应用在了电力巡检之中。中。正如上文提到,电力系统会在维持稳定性与安全性的前提下去进行 AI 的落地与应用。因此,除了虚拟电厂,电力巡检领域成为 AI 落地的另一个优质场景,一方面目前巡检更多的是视觉检测,极其适合AI 机器视觉的落地,例如输电线路的晃动检测、异物检测;变电站的全方位巡检等;另一方面,巡检环节本身对于电力体系本体的稳定性运营影响相对较小。因此成为了一个率先落地的环节。图表图表 17 电力系统各环节智能运维电力系统各环节智能运维 资料来源:华安证券研究所整理 人工巡检人工巡检无人机巡检无人机巡检成本12万/年50-80万,20年折旧工作效率(50MW变电站所需时长)约2-3个月2天左右故障识别率低高复查效率无高清图片输电环节例如“输电线路智慧监控系统”变电环节例如“变电站远程智能巡视系统”配电环节例如“配电站智能运维系统”Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 14/18 证券研究报告 3.2 多家多家公司公司积极布局智能运维积极布局智能运维 智洋创新:智洋创新:依托人工智能等新兴技术,助力各行业运维系统数字化转型。依托人工智能等新兴技术,助力各行业运维系统数字化转型。公司深耕电力领域 16 年,积累了大量的数据及运维经验,近几年在大数据挖掘、AI 技术、物联网应用平台、嵌入式产品设计等关键核心技术上有所突破,部分技术处于国内外领先水平。21 年上市以来,公司为契合行业数字化转型的大趋势,积极布局能源、轨道交通、水利、应急管理等新领域,利用公司在电力领域积累的核心技术、智能化解决方案和储备的研发能力,为更多行业客户提供智能化、数字化、效率更高的运维管理方案。图表图表 18 公司输电线路智能运维分析管理系统构成图公司输电线路智能运维分析管理系统构成图 资料来源:招股说明书,华安证券研究所 申昊科技申昊科技:用:用 AI 技术推动电力行业发展的先行者。技术推动电力行业发展的先行者。是一家致力于提供智能制造解决方案的高科技企业,公司拥有多年的研发经验,专注于 AI 电力机器人领域的技术研究和应用,主要集中在电力行业领域,涉及电力巡检、输电线路维护、设备运维等多个方面。受益于国家政策对电力行业发展的扶持,以数字化赋能新型电力系统,极大拉动了智能机器人的市场需求。公司研发的电力巡检机器人采用了高精度的视觉和智能识别技术,能够对电力设施和线路进行高效、准确的巡检和监测,大幅提升了巡检效率和准确性,同时降低了人工巡检的风险和成本,在电力巡检、输电线路维护、设备运维等领域取得了一定的成果和应用效果。Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 15/18 证券研究报告 图表图表 19 公司智能机器人系列机器应用场景图公司智能机器人系列机器应用场景图 资料来源:公司年报,华安证券研究所 杭州杭州柯林柯林:利用智能利用智能 AI 交互技术,迎接智能电力运维新时代领航者。交互技术,迎接智能电力运维新时代领航者。杭州柯林产品以先进的智能传感技术、数据分析与处理技术,对电力系统中输电、变电、配电各环节的电气和机械等设备的运行状态进行监测,保障整个电网运行的安全性、稳定性和可靠性。公司拥有十余年软件开发经验,掌握了物联网、移动互联、大数据、AI 人工智能、区块链等前沿技术开发能力,产品具有智能 AI 交互式诊断及故障预警,市场上较少存在同类产品,需要大量长期案例积累和持续多年的电力行业应用经验,有力强化公司在“AI 电力”领域的竞争优势。图表图表 20 公司产品在电力系统各环节中的应公司产品在电力系统各环节中的应用用 资料来源:招股说明书,华安证券研究所 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 16/18 证券研究报告 亿嘉亿嘉和和:AIAI 助力电力设备运维,亿嘉和引领电力助力电力设备运维,亿嘉和引领电力巡检巡检创新创新。2014 年公司业务正式向能巡检机器人的研发转型,并在该领域取得了卓越的成绩。公司的 AI 电力机器人采用了人工智能、计算机视觉、物联网等先进技术,能够自主规划路径、实现自主导航和环境感知、进行数据采集与处理等工作。得益于“十四五”对智能电网建设的大力推动,公司目前的客户以电力行业为主,主要集中在电网公司、发电企业、轨道交通企业及其下属企业,整体经营发展与智能电网行业发展状况紧密相联。与众多客户建立了较为稳定的合作关系,形成了较强的客户粘度。公司未来将继续深耕智能机器人领域,加强技术研发,推动人工智能技术在工业领域的应用和普及。图表图表 21 公司主营业务、主要产品及服务展示图公司主营业务、主要产品及服务展示图 资料来源:公司年报,华安证券研究所 Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 17/18 证券研究报告 风险提示风险提示 1)电网下游投资进展不及预期;2)技术研发突破不及预期;3)政策支持不及预期;Table_CompanyRptType 行业研究行业研究 敬请参阅末页重要声明及评级说明 18/18 证券研究报告 分析师与研究助理简介分析师与研究助理简介 分析师:分析师:尹沿技,华安证券研究总监、研究所所长,兼 TMT 首席分析师,曾多次获得新财富、水晶球最佳分析师。分析师分析师:王奇珏,华安计算机团队联席首席,上海财经大学本硕,7 年计算机行研经验,2022 年加入华安证券研究所。联系人:联系人:张旭光,凯斯西储大学金融学硕士,主要覆盖电力信息化及智能车,2021 年加入华安证券研究所。重要声明重要声明 分析师声明分析师声明 本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格,以勤勉的执业态度、专业审慎的研究方法,使用合法合规的信息,独立、客观地出具本报告,本报告所采用的数据和信息均来自市场公开信息,本人对这些信息的准确性或完整性不做任何保证,也不保证所包含的信息和建议不会发生任何变更。报告中的信息和意见仅供参考。本人过去不曾与、现在不与、未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何形式的补偿,分析结论不受任何第三方的授意或影响,特此声明。免责声明免责声明 华安证券股份有限公司经中国证券监督管理委员会批准,已具备证券投资咨询业务资格。本报告中的信息均来源于合规渠道,华安证券研究所力求准确、可靠,但对这些信息的准确性及完整性均不做任何保证。在任何情况下,本报告中的信息或表述的意见均不构成对任何人的投资建议。在任何情况下,本公司、本公司员工或者关联机构不承诺投资者一定获利,不与投资者分享投资收益,也不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。投资者务必注意,其据此做出的任何投资决策与本公司、本公司员工或者关联机构无关。华安证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易,还可能为这些公司提供投资银行服务或其他服务。本报告仅向特定客户传送,未经华安证券研究所书面授权,本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品,或再次分发给任何其他人,或以任何侵犯本公司版权的其他方式使用。如欲引用或转载本文内容,务必联络华安证券研究所并获得许可,并需注明出处为华安证券研究所,且不得对本文进行有悖原意的引用和删改。如未经本公司授权,私自转载或者转发本报告,所引起的一切后果及法律责任由私自转载或转发者承担。本公司并保留追究其法律责任的权利。Table_RankIntroduction 投资评级说明投资评级说明 以本报告发布之日起 6 个月内,证券(或行业指数)相对于同期相关证券市场代表性指数的涨跌幅作为基准,A 股以沪深 300 指数为基准;新三板市场以三板成指(针对协议转让标的)或三板做市指数(针对做市转让标的)为基准;香港市场以恒生指数为基准;美国市场以纳斯达克指数或标普 500 指数为基准。定义如下:行业评级体系行业评级体系 增持未来 6 个月的投资收益率领先市场基准指数 5%以上;中性未来 6 个月的投资收益率与市场基准指数的变动幅度相差-5%至 5%;减持未来 6 个月的投资收益率落后市场基准指数 5%以上;公司评级体系公司评级体系 买入未来 6-12 个月的投资收益率领先市场基准指数 15%以上;增持未来 6-12 个月的投资收益率领先市场基准指数 5%至 15%;中性未来 6-12 个月的投资收益率与市场基准指数的变动幅度相差-5%至 5%;减持未来 6-12 个月的投资收益率落后市场基准指数 5%至 15%;卖出未来 6-12 个月的投资收益率落后市场基准指数 15%以上;无评级因无法获取必要的资料,或者公司面临无法预见结果的重大不确定性事件,或者其他原因,致使无法给出明确的投资评级。

    16人已浏览 2023-03-31 18页 5星级
  • 京东科技:服销一体化趋势下ChatAl如何助力品牌高“智”量增长(2023)(16页).pdf

    黄页时代:信息聚合黄页时代:信息聚合1886-20191886-2019年年搜索引擎时代:信息聚合与匹配搜索引擎时代:信息聚合与匹配19901990至今至今智能交互时代:内容精准生成智能交互时代:内容精准生成20222022至今至今黄页黄页用户需求信息承载聚合党政机关企事业单位全球黄页收入高达200200亿亿美元1997年黄页收入占美国广告收入10.8.8%美国印刷6.156.15亿亿本黄页圣经外使用率最高使用率最高的刊物中国黄页代表为电信114114、中国黄页网站、中国黄页网站等纸质黄页纸质黄页网站黄页网站黄页大搜索:以广告为营收模式大搜索:以广告为营收模式443443亿亿美元1.181.18万亿万亿美元*美股市值,截止3月10日订单订单咨询咨询访问访问点击点击展现展现展现量点击量平均点击价格消费点击率搜索推广阶段搜索推广阶段企业网站阶段企业网站阶段销售转化阶段销售转化阶段访客数跳出率平均访问次数咨询量/咨询转化率咨询转化成本订单量单据额ROI小搜索:获取信息与服务的基础入口小搜索:获取信息与服务的基础入口电商本地生活娱乐社交事实性信息OR生成式信息智能交互AIGC文本文本创作代码生成对话问答视频视频画质增强视频内容创作视频风格迁移图像图片编辑图片生成3D图像生成音频文本合成语音语音克隆音乐生成跨模态文字合成图片文字合成视频Ask Me Ask Me AnythingAnythingCRM&SCRM言犀营销文案撰写京小智营销导购言犀智能客服言犀呼叫中心言犀AI外呼短信&咚咚言犀直播数字人言犀客服数字人泛零售行业知识图谱(美妆、鞋服、母婴、3C、食品、饮料.)金融知识图谱物流知识图谱11知识驱动通用型通用型ChatAIChatAI服销一体化产品矩阵服销一体化产品矩阵交通知识图谱用户规模6 6亿亿服务商家17.817.8万万商品SKU20002000万万 智能客户服务10001000万万/天天通话语音200200万小时万小时/月月知识体系4 4层层问答知识点30003000万万任务型智能对话交互帮助用户通过语音、文本、数字人等多种人机对话形式完成复杂任务极富人味儿的极富人味儿的文本生成文本生成任务导向性的任务导向性的对话生成对话生成高表现力的高表现力的语音生成语音生成交互型交互型数字人生成数字人生成小烁小可小江小伊芊言言小希小艾自研领域模型自研领域模型K-PLUGK-PLUG(参数量(参数量1010亿)亿)商品标题(10个字)营销短信(50个字)商品卖点文案(100字)商品直播文案(500字)3000 品类覆盖,95%审核通过率线上音色数量超过600支持中文、英文、泰语,广东话、成都话等各类方言音色多颗粒度韵律增强的语音合成技术达到业内领先音色克隆仅需音色克隆仅需1010句话训练样本句话训练样本推理准确率超过人类水平推理准确率超过人类水平多轮对话决策推理应对口语化、不规律停顿等问题情绪识别灵活应对各类负面情绪上下文建模,让机器掌握真正的意图训练数据仅需训练数据仅需5 5分钟分钟全栈自研的2D孪生、3D写实和3D卡通3类数字人合成技术100 形象 支持专属定制广泛应用于政务、金融、零售直播等领域第一个场景:第一个场景:AI客服,会种草的对话式营销导购客服,会种草的对话式营销导购更懂行,也更懂你更懂行,也更懂你多轮对话引擎多轮对话引擎商品推荐引擎商品推荐引擎意图准入模块三级品类识别“家里四口人,该买哪款洗衣机?”“卧室10平米,想买性价比高点的空调”用户偏好识别多轮属性反问召回模块过滤模块排序模块多样性模块-9.33-9.33.416.4%1.871.87%高质量人群圈选高质量人群圈选-圈人算法模型多个目标驱动多个目标驱动涨粉GMV下单唤活挂断9大垂直行业大垂直行业美妆鞋服母婴食品汽车高净值 低客诉高涨粉 低流失高转化 高活跃高裂变话术话术&知识库知识库AI生成生成-零售行业场景机器人极速配置90分以上外呼方案极速配置极速配置 靶向圈人靶向圈人1.01.00.00.0高质量人群低退换低挂断第二个场景:第二个场景:AI电销,实现电销,实现批量会员个性化沟通批量会员个性化沟通 内容千人千面内容千人千面-语音编辑交流极致丝滑交流极致丝滑-语音语义前沿技术京东言犀录音编辑京东言犀录音编辑亲爱的张先生张先生,这边看到您之前购买过我们MOLLYMOLLY系列系列盲盒,您这边还有印象吗?真人录音真人录音智能编辑智能编辑智能编辑智能编辑音色统一,用户几乎不能感知到存在合成音拼接流畅,拼接点不存在空白话语权决策音素鲁棒性上下文建模口语化去除方言识别情绪识别懂何时被打断,该接话刘精品精华成分是什么鎏金瓶精华成分是什么请问Mix3可以连接蓝牙吗?AI:可以的顾客再问:那小米8可以连吗?AI:可以的就是说,我暂时不感兴趣我暂时不感兴趣太远了,我不想切我太远了,我不想去灵活应对负面情绪第二个场景:第二个场景:AI电销,壁垒级对话体验电销,壁垒级对话体验拿捏合适的时间拿捏合适的时间-智能调度性别分布KOC潜质网购偏好重视性价比易被种草产品使用反馈风险用户投诉风险购物体验风险服务体验风险孕妇人群地址已变更单身人群爱看直播情绪易波动用户特征深挖风险信息深挖个例数据深挖外呼名单质量、策略准确度回溯营销服务策略指导会员画像更新完善第二个场景:第二个场景:AI电销,真实意向甄别电销,真实意向甄别 对话数据深度分析对话数据深度分析创新融合全局会话内容 用户画像 多维度声学语义,机器动态评估精确判断真实意向精确判断真实意向-高意向识别模型以对话赋能策略以对话赋能策略-对话数据挖掘第三个场景第三个场景AI直播:直播:7*24小时小时高仿真高仿真直播带货直播带货提交提交5 5分钟分钟人像视频人像视频即可生成即可生成2D2D孪生直播数字人孪生直播数字人提交5分钟人像视频轻量化建模3日内数字人上线用户洞察、商品卖点达人写作图文识别阅读理解知识图谱行业知识商品属性直播间互动内容购物偏好基础属性浏览、加购、下单行为主动求购用户智能营销交互潜在诉求用户AI生成直播脚本示例直播前:智能文案撰写直播前:智能文案撰写直播中:智能营销交互直播中:智能营销交互GMV渗透率达10%交互式直播数字人交互式直播数字人 降本增效达降本增效达95%全域营销面临的现实困境全域营销面临的现实困境交互困境交互困境数据困境数据困境策略困境策略困境全域触点众多,单一平台公私域联动顺畅,但跨平台多触点协同尚未跑通数据孤岛尚存,数据资产沉淀非一日之功,全域用户洞察能力匮乏全域运营方法论与策略逐步成形,但依赖于专家经验输出,人才门槛高,业务难以规模化 公域公域智能服务智能服务私域私域为公域意向用户提供便捷在线客服、智能语音应答等服务,通过用户体验与服务的提升,来提高用户从公域到私域的转化率。智能服务智能服务公域公域私域私域圈选高价值用户,并借助AI外呼等智能服务工具主动触达用户,将其引入私域。私域私域智能服务智能服务公域公域在与私域用户的互动中,沉淀下的用户数据资产,反哺于公域的精细化营销与运营。公域私域智能服务 以智能外呼为切口,增加和用户的智能交互以智能外呼为切口,增加和用户的智能交互数智技术应用能力赋能品牌全域智能营销小步快跑,长效迭代数智技术应用能力赋能品牌全域智能营销小步快跑,长效迭代交互体系应用交互体系应用数据基础建设数据基础建设智能化策略闭环智能化策略闭环运营资源加持运营资源加持提升交互体系效能,整合交互触点,灵活协同,有效发挥品牌主动出击能力夯实数据基础,有效整合多源数据,实现全景用户洞察与用户精准细分丰富运营经验沉淀,结合AI能力形成营销策略智能化生成、迭代与优化持续累积的一线运营增长操盘经验沉淀,以及丰富权益/积分生态协同,加持赋能运营效果翻倍全域智能营销全域智能营销“3 13 1”关键能力关键能力全域阵地重整全域阵地重整以智能服务为主阵地,连通营销-销售-服务一体化营销驱动力重构营销驱动力重构从专家营销策略驱动,进入数智技术驱动13321222时间周期时间周期交交互互营营销销4客户流失客户召回言犀AI外呼短信 咚咚消息京小智营销导购营销获客言犀直播数字人言犀AI外呼短信 咚咚消息比价/口碑3投诉/建议重新激活复购促活:节日、生日优惠互动转化:催拍催付、客户服务咨询服务:交叉销售、智能推荐拉新裂变:营销文案种草、直播推荐言犀智能客服言犀AI外呼短信 咚咚消息言犀直播数字人言犀营销文案撰写1潜在用户2活跃用户3非活跃用户4流失用户言犀客服数字人CRM&SCRM京小智营销导购言犀智能客服言犀客服数字人CRM&SCRMCRM&SCRMCRM&SCRM言犀交互营销言犀交互营销:提升存量用户全生命周期价值提升存量用户全生命周期价值

    21人已浏览 2023-03-30 16页 5星级
  • 量子位:2023中国AIGC产业全景报告(53页).pdf

    出门问问

    236人已浏览 2023-03-30 53页 5星级
  • InfoQ研究中心:中国开源生态图谱2022-人工智能领域(25页).pdf

    1中国开源生态系列图谱人工智能领域目录生态图谱解读01生态图谱厂商洞察02生态图谱解读人工智能项目开源基金会开源产业联盟代码托管平台开发者社区AI算法模型(库)AI引擎/框架数据集实验室/研究院机器学习/深度学习平台&数据库4定义&分类:AI框架是人工智能基础软件的核心,在整个人工智能体系中起着“承上启下”的作用。AI框架向下调用底层硬件计算资源,为算法模型生成、训练和推理部署提供良好的硬件性能基础,向上承接AI算法模型搭建,支撑AI工程和产业应用。板块特征:人工智能框架类开源项目AI引擎/框架01壁垒高AI框架的构建需要时间、资金和AI底层技术人才,包括AI算法、编译体系、通讯原理、硬件结构、API体系等,包括运维和部署02产研应用国产开源AI框架在赋能产业应用和科学研究中发挥着越来越重要的作用。03生态发展框架与硬件、开发语言、开发环境以及软件之间的协同、工具组件以及产业应用的配套发展,包括相关人才的培养都是开源AI框架项目需要重点考虑的因素5人工智能框架类开源项目发起机构分布:AI框架开源项目发起机构集中在科技厂商与高校科研院所两大类。其中科技厂商前期主要满足自身广泛的AI应用需求,后期逐渐向外拓展服务,如华为MindSpore、百度PaddlePaddle、腾讯TNN、阿里MNN、字节跳动BytePS以及小米Mace等。值得关注的是,近年来,高校科研院所开始逐渐重视AI框架的研发,但在开源后的资源维护和产业应用拓展模式上,国内高校科研院所仍在探索中,如清华大学发起的计图(Jittor)。AI引擎/框架6更可用更易用更安全更高效价值追求人工智能算法模型类开源项目发展特征:为了解决之前AI模型的扩展性和通用性不高,以及依赖人工数据标注和标注数据量的问题,基础模型/大规模预训练模型提出了一种基于自监督学习的“预训练大模型 下游任务微调”的可行方案。这种模型可以在少量标注数据的基础上,通过大量未标注数据中进行大规模训练,从而迅速挖掘大量领域知识。然后经过少量小参数的微调(delta-tuning),快速适配大模型下游任务。近年来,盘古、孟子、文心、哪吒、M6-OFA、PLUG等预训练大模型通过开源项目不断累积,获得了行业内积极的认可。同时也有大模型开源项目开始尝试商业拓展,探索模型即服务(MaaS)的模式。AI算法模型(库)机器学习/深度学习平台&数据库7人工智能算法模型类开源项目发起机构分布:AI算法模型类项目发起机构集中在科技厂商与科研院所两大类,两者的开源路线有所不同。科技厂商在开源算法和模型类项目均有布局,如腾讯同时开源DBG算法和MedicalNet模型。而伴随着对预训练大模型的价值认同,科研院所开始主要参与预训练大模型开源项目的建设,同时也存在科技厂商与科研院所联合开发模型类开源项目的情况,例如华为和鹏城实验室联合开发的鹏城.盘古等。AI算法模型(库)机器学习/深度学习平台&数据库8能力泛化O1预训练大模型 下游任务微调能够一定程度上摆脱传统AI能力碎片化的束缚。模态融合O2能够集成自然语言处理、计算机视觉等多个AI领域的多项技术,实现多种模态(文本、图像等)数据融合应用底座O3下游任务微调使得AI可以在小范围调整后有效支撑不同场景的落地。价值追求人工智能平台类开源项目9定义:机器学习/深度学习平台是集成了硬件资源,计算框架、存储、数据及模型管理、资源调度等功能,覆盖模型开发、训练、推理及部署全流程的综合平台。特征:机器学习/深度学习平台开源项目通常在计算框架外开源各类官方工具组件。同时,在开源版本外,往往会设立商用平台进行商业拓展,例如百度开源PaddlePaddle飞桨平台与商用开发平台EasyDL。机器学习/深度学习平台&数据库AI算法模型(库)人工智能平台类开源项目10发起机构分布:AI平台类开源项目发起机构集中在科技厂商与高校科研院所两大类。科技厂商出于后续商业化的目的,在算力资源、开发组件等生态建设方面较为完善。发展路线有两种,主要以AI框架项目作为基础,拓展平台类开源项目,如飞桨PaddlePaddle与昇思MindSpore;也存在立足算法模型项目拓展平台类项目的路线,如Alink。高校科研院所虽然存在项目开源项目,如之江天枢,但在社区活跃度方面,仍有较大提升空间。易用性提供各类官方工具组件、模型库灵活性通过不同算力、框架等组合,灵活适配不同的开发训练需求兼容性兼容主流计算框架、数据格式、算法等安全性满足代码安全与数据安全等机器学习/深度学习平台&数据库AI算法模型(库)价值追求生态图谱厂商洞察Gitee平台托管的开源项目12Gitee指数TOP 5Gitee指数94Gitee指数61Gitee指数18Gitee指数13Gitee指数3数据来源:本数据来自于Gitee官网(2023年1月)。(镜像)(镜像)(镜像)InfoQ开源项目指数数据说明13一级指标二级指标权重代码健康(40%)代码复制(Fork)10%已修复代码不足(Closed Issue)10%项目更新申请(Pull Request)5%已完成项目更新申请(Closed Pull Request)15%社区活跃(60%)协作影响力10%项目荣誉星(Star)10%社区贡献量20%社区贡献者20%对于开源项目的评价,代码和社区是两项最直接评价指标。代码的健康度体现为社区成员不断地修复和更新代码,形成研发价值的指数级增长;代码健康指标中选取的数据维度来自开源项目在GitHub中的公开数据。社区活跃是保证开源价值最大化的根本,被开源世界公认的社区价值是评价开源项目最主要的要素,本次研究将其权重赋值超过代码健康;InfoQ研究中心认为,社区活跃价值整体评估高于代码健康价值。社区活跃中主要数据也来自于GitHub的公开数据;其中协作影响力数据来自于X-lab研发的openleaderboard中的协作影响力数据。所有数据的采集时间均为2023年1月,在未来,随着时间的推移,数据也会呈现变化。“InfoQ开源项目指数说明GitHub平台托管的开源项目InfoQ开源项目指数TOP 10InfoQ指数64.71 InfoQ指数26.13InfoQ指数25.84InfoQ指数22.97 InfoQ指数15.71InfoQ指数10.50InfoQ指数10.17InfoQ指数10.04 InfoQ指数9.98InfoQ指数5.9114 数据来源:Github与openleaderboard各项目2023年1月数据。昇思MindSpore:用技术内容连接社区的AI开源社区370万 社区用户8700 社区贡献者6.4万 Pull Request400个 模型5500 服务企业28个SIG组369万 下载量社区活跃度290 单位会员2020.3MindSpore正式开源2020.9MindSpore 1.0全场景AI框架2021.9MindSpore 1.5原生支持大模型2022.4MindSpore 1.8全面提升易用性2022.11MindSpore 2.0AI融合框架2022.7MindSpore昇思大模型平台上线懂技术的运营团队构建懂开发者的社区打造一站式大模型平台昇思大模型平台,打造大模型开源生态,集算法选型、创意分享、模型试验和大模型在线体验为一体的AI学习与实践社区提供极简易用的开发套件TinyMS,由开源运营团队打造的技术产品,提供从数据准备到模型部署全流程的极简易用的高阶API封装工具保持内容运营的技术专业性核心运营团队必须懂技术,同时运营团队所提炼的可传播性内容必须基于昇 思MindSpore主要技术特性,避免过度营销社区基础模型创新运作实践15昇思MindSpore:使能科研创新与产业应用,面向多重领域用户夯实全场景AI能力,全面提升易用性融合AI与HPC,加速应用创新跨域大规模协同高效联邦学习,支持大模型跨域并行加密训练;千万端侧设备协同学习融合计算统一微分科学计算加速库,支持250 科学计算API自动并行,开发效率提升2倍 自动微分引擎,自持高阶高维混合微分,性能加速5倍 机翼气动仿真效率20X流体仿真套件米级阵列天线仿真速度电磁仿真套件自然界蛋白质预测范围分子模拟套件New端边云全场景部署统一API,模型格式免转换,支持 7种主流OS,16种硬件动态图全面支持动态图优先,兼顾灵活性与性能,性能提升25倍10X99.99%升级升级人才培养 借助与教育部合作的“智能基座”和“沃土计划”,在高校中开设昇思的课程,培养昇思的开发人才。经过两年的努力,昇思的课程已经开设到100多所高校,今年将会超过200所基础构建AI生态科研创新 联合CAAI设立顶会论坛基金项目,鼓励广大科研工作者创新,基于昇思发表顶级会议论文布局原生AI生态领跑前沿 联合全球顶尖的科研专家、学者,洞察AI前沿发展趋势,布局昇思的差异化竞争力,如大模型、AIfor Science、AI安全等等开源力量 联合启智社区举办“OpenI启智&MindSpore集结号”,为两大开源社区贡献昇思的模型,构筑昇思的技术基础16飞桨PaddlePaddle:产学研用全方位共建中国AI技术生态社区数据2016.8PaddlePaddle开源2019.4中文名“飞桨”发布第一届WAVE SUMMIT深度学习开发者峰会2020.5量桨-量子机器学习平台发布2018.10核心框架v1.0发布2021.3飞桨框架v2.0正式版发布2022.11飞桨框架v2.4发布67万 AI模型78万 累计提交Commits1.67万 PR/Issue的贡献者535万 开发者12个PPSIG15.5万 Star教育生态 飞桨携手高校,围绕学习、实践、认证、比赛、就业、奖学金等环节,提供教学资源、工具与平台(AI Studio)和教学硬件教具支持等,多维度支撑AI人才培养 师资培训覆盖全国超过1044所高校的4300多位老师,400多所高校开设飞桨学分课社区生态 飞桨以PPDE(飞桨开发者技术专家)、PFCC(飞桨框架贡献者俱乐部)、PPSIG(飞桨特殊兴趣小组)、飞桨领航团等主要组织形式,同时联合其他开源社区共建深度学习开源社区生态企业生态 发展企业生态伙伴,既有中小企业借助飞桨开发大量不同类型的技术服务型应用或模型,又有大型企业借助飞桨建设行业平台 AI快车道、AI私享会、AICA首席AI架构师培养计划等进阶式培训,助力企业培养产业AI应用人才 服务超过20万家企事业单位硬件生态 超过40家国内外硬件厂商与飞桨深度融合优化,基本覆盖国内外主流芯片 飞桨“硬件生态共创计划”成员已增加至29家,同时已联合13家硬件伙伴发布飞桨生态发行版科研生态 飞桨AI for Science共创计划:已发布赛桨PaddleScience、螺旋桨PaddleHelix、量桨Paddle Quantum等开源工具,广泛支持AI 计算流体力学、生物计算、量子计算等前沿方向的科研和产业应用 飞桨是深度学习技术及应用国家工程研究中心的核心成果17飞桨PaddlePaddle:高效与便捷开发,产业与技术双轮驱动 框架开发便捷高效动静统一的框架,动态图编程调试转静态图预测部署多层次产品结构降低门槛提升开发者体验:通过核心框架 基础模型库 开发套件 工具组件,以及企业版开发平台,满足企业低成本开发和快速集成的需求,推动产业应用快速落地飞桨产业级深度学习开源开放平台飞桨企业版EasyDL 零门槛AI 开发平台BML 全功能 AI 开发平台产业与技术双轮驱动 飞桨从实际产业需求出发,通过通用化设计嵌入框架,形成满足产业级业务需求的深度学习框架和赋能平台 飞桨开源开放代码和核心能力,在产业应用过程中不断验证和优化技术核心能力,进一步提升技术竞争力2016.8PaddlePaddle开源2019.4中文名“飞桨”发布第一届WAVE SUMMIT深度学习开发者峰会2020.5量桨-量子机器学习平台发布2018.10核心框架v1.0发布2021.3飞桨框架v2.0正式版发布2022.11飞桨框架v2.4发布AI Studio学习与实训社区工具组件自动化深度学习强化学习联邦学习图学习科学计算量子机器学习生物计算低代码开发工具预训练模型应用工具可视化分析工具安全与隐私工具资源管理与调度工具云上部署编排工具端到端开发套件语义理解图像分类目标检测图像分割文字识别图像生成大模型训推一体基础模型库自然语言处理计算机视觉语音推荐文心大模型时间序列核心框架开发动态图 静态图训练大规模分布式训练产业级数据处理推理部署模型压缩服务器推理引擎边缘与移动端推理引擎前端推理引擎服务化部署全场景统一部署通用异构参数服务器架构,端到端自适应分布式训练架构即训即用,支持端边云多硬件和多操作系统飞桨框架技术亮点:支持大模型的分布式训练技术 多端多平台高性能推理部署18OpenMLDB:运营、生态与布道共建的机器学习数据库开源社区2021.6OpenMLDB宣布开源2021.12OpenMLDB贡献者计划启动2022.1OpenMLDB v0.4.0发布第一次社区会议2022.5v0.5.0 发布首次推出面向高校开发者的开源活动2023.1v0.7.0 发布系统性改进消息系统、增加内存隔离机制、增强自动化部署和运维能力高效的开源布道传播产学研结合的开源教育联合上下游的开源生态建设在线数据:Pulsar、Kafka、RocketMQ、SeaTunnel、RabbitMQ等离线数据:HDFS、S3、Hive、MaxCompute、HBASE、Cassandra等框架&模型:PyTorch、LightGBM、TensoreFlow、OneFlow调度&部署:DolphinScheduler、Airflow、Byzer、Prometheus、GrafanaMeetup会议分享技术博客技术视频2022 年 举 办 8 次Meetup,社区成员累计产出原创技术博客三十余篇 论文产出:同产业界和学术界进行论文合作 暑期开源特别行动:发起OpenMLDB暑期开源特别行动,社区成员作为导师引领开源新人共同建设良好的开源生态清晰的社区运营思路顶层目标设定细分目标拆解运营手段搭配目标复盘 2022年顶层目标由提高项目影响力转向提高项目活跃度 贡献者以外部贡献者居多,第四范式内部贡献者占比小于10OpenMLDB:立足线上线下计算一致性的实时特征计算平台离线特征开发离线数据批处理SQL引擎(Spark )模型训练接入实时数据实时数据实时SQL引擎(自研时序数据库)模型推理一键上线一致性执行计划生成器线下线上通过一致性执行计划生成器,保证线上线下计算一致性针对毫秒级应用场景实现硬实时计算批量计算Batch效果渲染生物分析离线报表分钟/小时流式计算Streaming实时报表流量检测设备检测秒级硬实时计算金融事中反欺诈金融量化交易零售实时推荐毫秒级两套独立团队联动组合团队两套编译语言语言统一线上线下计算逻辑需要反复一致性校验线上线下计算逻辑保持一致,开发即上线使用前使用后202021.6OpenMLDB宣布开源2021.12OpenMLDB贡献者计划启动2022.1OpenMLDB v0.4.0发布第一次社区会议2022.5v0.5.0 发布首次推出面向高校开发者的开源活动2023.1v0.7.0 发布系统性改进消息系统、增加内存隔离机制、增强自动化部署和运维能力人工智能开源项目所属公司21序号企业名称注册地1北京百度网讯科技有限公司北京2阿里巴巴集团控股有限公司杭州3深圳市腾讯计算机系统有限公司深圳4华为技术有限公司深圳5京东科技控股股份有限公司北京6深圳追一科技有限公司深圳7北京嘀嘀无限科技发展有限公司北京8北京三快科技有限公司北京9网易(杭州)网络有限公司杭州10北京市商汤科技开发有限公司北京11北京旷视科技有限公司北京12云从科技集团股份有限公司广州13上海依图网络科技有限公司上海14北京香侬慧语科技有限责任公司北京15出门问问信息科技有限公司北京16科大讯飞股份有限公司合肥17思必驰科技股份有限公司苏州人工智能开源项目所属公司22序号企业名称注册地18北京金山办公软件股份有限公司北京19小米科技有限责任公司北京20北京字节跳动科技有限公司北京21北京一流科技有限公司北京22深圳前海微众银行股份有限公司深圳23北京奇虎科技有限公司北京24北京智源人工智能研究院北京25鹏城实验室深圳26之江实验室科技控股有限公司杭州中国开源生态系列图谱还包括23 中国开源生态系列图谱2023之大数据领域 中国开源生态系列图谱2023之架构领域 中国开源生态系列图谱2023之前端领域 中国开源生态系列图谱2023之中间件 中国开源生态全景图谱2023(500 项目)敬请期待!24InfoQ 研究中心隶属于极客邦科技双数研究院,秉承客观、深度的内容原则,追求研究扎实、观点鲜明、生态互动的目标,聚焦创新技术与科技行业,围绕数字经济观察、数字人才发展进行研究。InfoQ 研究中心主要聚焦在前沿科技领域、数字化产业应用和数字人才三方面,旨在加速创新技术的孵化、落地与传播,服务相关产业与更广阔的市场、投资机构,C-level 人士、架构师/高阶工程师等行业观察者,为全行业架设沟通与理解的桥梁,跨越从认知到决策的信息鸿沟。内容咨询:商务合作:极客邦科技,以“推动数字人才全面发展”为己任,致力于为技术从业者提供全面的、高质量的资讯、课程、会议、培训等服务。极客邦科技的核心是独特的专家网络和优质内容生产体系,为企业、个人提供其成功所必需的技能和思想。极客邦科技自 2007 年开展业务至今,已建设线上全球软件开发知识与创新社区 InfoQ,发起并成立技术领导者社区 TGO 鲲鹏会,连续多年举办业界知名技术峰会(如 QCon、ArchSummit 等),自主研发数字人才在线学习产品极客时间 App,以及企业级一站式数字技术学习 SaaS 平台,在技术人群、科技驱动型企业、数字化产业当中具有广泛的影响力。2022年成立双数研究院,专注于数字经济观察与数字人才发展研究,原创发布了数字人才粮仓模型,以此核心整合极客邦科技专业的优质资源,通过 KaaS模式助力数字人才系统化学习进阶,以及企业数字人才体系搭建。公司业务遍布中国大陆主要城市、港澳台地区,以及美国硅谷等。十余年间已经为全球千万技术人,数万家企业提供服务。

    36人已浏览 2023-03-30 25页 5星级
  • AI行业跟踪报告之九:GPT4全方位升级AI商业化时代来临-230329(41页).pdf

    证券研究报告证券研究报告 2023年3月29日 作者:作者:光大证券电子通信行业首席分析师光大证券电子通信行业首席分析师 刘凯,执业证书编号:刘凯,执业证书编号:S0930517100002 GPT4全方位升级,全方位升级,AI商业化时代来临商业化时代来临 AI跟踪报告之九 请务必参阅正文之后的重要声明 核心观点核心观点 GPT 4与与ChatGPT对比:全方位升级对比:全方位升级 GPT4为多模态模型,支持图片输入,文本能力升级;GPT4支持复杂性问题解决,可靠性与安全性显著提升;推出可预测深度学习堆栈,开源 Evals 评估框架。微软微软Copilot:AI商业化里程碑商业化里程碑 Dynamics 365 Copilot:GPT4赋能业务全线。Dynamics 365为整个微软商业应用产品线,带来由全新一代人工智能驱动的产品升级,为各项商业应用全面引入互动式的人工智能助手;Microsoft 365 Copilot:开启全新工作方式。微软使用微软生成式AI助手Copilot对Microsoft 365工具套件进行升级,采用OpenAI推出的GPT-4,集成到Word、Excel、PowerPoint、Outlook和Teams等应用中,开启全新工作方式;Power Platform Copilot:低代码未来前景打开。基于 GPT 能力提供 AI-powered 的帮助,让制作者可以用自然语言描述他们想要的应用、流程或机器人,然后 Copilot 可以在几秒钟内完成创建,并提供改进的建议。2 国内巨头纷纷入局国内巨头纷纷入局 百度:发布文心一言大模型,性能强大、功能丰富,为垂类应用落地提供强大支持;华为:大模型布局多年,建立联合体推动产业化;海康威视:AI开放平台为碎片化的行业应用场景提供了一站式算法训练平台,具备基于小样本数据训练高精度算法的能力;大华股份:打造巨灵平台,提供一站式算法训练,包含上千个各种场景下的AI算子和预训练模型。投资建议:云端算力投资建议:云端算力/边缘算力、模型边缘算力、模型/算法算法/数据、应用三个维度关注数据、应用三个维度关注AI行业投资机会行业投资机会 云端算力:寒武纪、海光信息、芯原股份等;边缘算力:翱捷科技、晶晨股份、瑞芯微、全志科技等;模型/算法/数据:建议关注三六零(A股唯一自研大模型)、商汤科技(神经网络)等;应用:海康威视、大华股份等。风险提示:风险提示:ChatGPT信息泄露风险、虚假信息法律风险,行业研发不及预期风险。招商基金OXiWgVPWjXhUnOmPmO7NaO8OpNpPpNmPfQrRsRlOsRmMaQnMnNuOoMmRwMmPtO请务必参阅正文之后的重要声明 目目 录录 模型:模型:GPT 4相较相较ChatGPT全方位升级全方位升级 微软微软Copilot:AI商业化里程碑商业化里程碑 国内巨头纷纷入局国内巨头纷纷入局 投资建议:云端算力投资建议:云端算力/边缘算力、模型边缘算力、模型/算法算法/数据、应用三个维度数据、应用三个维度关注关注AI行业投资机会行业投资机会 风险分析风险分析 请务必参阅正文之后的重要声明 4 一、一、GPT 4相较相较ChatGPT全方位升级全方位升级 1、多模态模型:支持图片输入,文本能力升级 2、支持复杂性问题解决,可靠性与安全性显著提升 3、推出可预测深度学习堆栈,开源 Evals 评估框架 请务必参阅正文之后的重要声明 5 1.1、多模态模型:支持图片输入,文本能力升级、多模态模型:支持图片输入,文本能力升级 GPT-4支持图片输入支持图片输入,多模态模型功能强大多模态模型功能强大。相较于GPT-3.5仅支持文字或代码的输入和输出,GPT-4支持图片输入,并生成说明、分类和分析结果(输入图片还处于内测阶段,尚未公开真正结果)。具体来说,GPT-4能够在用户输入散布式文本和图像后,自主生成文本输出(自然语言、代码等)。根据OpenAI 官网案例,GPT-4能够发现图片中的异常之处,明白“梗图”中的含义和笑点,甚至能直接阅读并分析带有图片的论文。资料来源:OpenAI官网,光大证券研究所整理 图图1:GPT-4能够发现图片中的异常能够发现图片中的异常 图图2:GPT-4发现鸡块的排列与世界地图的联系发现鸡块的排列与世界地图的联系 图图3:GPT-4能够解释论文内容能够解释论文内容 资料来源:OpenAI官网,光大证券研究所整理 资料来源:OpenAI官网,光大证券研究所整理 请务必参阅正文之后的重要声明 6 1.1、多模态模型:支持图片输入,文本能力升级、多模态模型:支持图片输入,文本能力升级 在标准学术视觉基准测试中在标准学术视觉基准测试中,GPT-4性能优于其它模型性能优于其它模型。OpenAI在一组标准学术视觉基准测试中对GPT-4的表现进行评估,根据结果,GPT-4在TextVQA、图表质量管理、AI2D等方面都显著优于其他模型。此外,OpenAI表示,这并不完全代表GPT-4的能力范围,因为该模型被发现能够不断解决新任务,公司计划近期发布更多分析和评估数据。资料来源:OpenAI官网,光大证券研究所整理 注:OpenAI以机器学习模型设计的传统基准评估了GPT-4,结果显著优于现有大模型 图图4:GPT-4在文本、图片处理方面与在文本、图片处理方面与SOTA等模型的对比等模型的对比 请务必参阅正文之后的重要声明 7 1.1、多模态模型:支持图片输入,文本能力升级、多模态模型:支持图片输入,文本能力升级 文本能力方面文本能力方面,GPT-4的表现显著优于现有大型语言模型的表现显著优于现有大型语言模型。GPT-4能够处理超过2.5万字的文本,允许长篇内容创建、扩展对话以及文档搜索和分析等应用场景。OpenAI在为机器学习模型设计的传统基准测试(包括MMLU、HellaSwag、ARC等)中比较GPT-4与GPT-3.5、SOTA等模型的性能。结果表明,GPT-4在基准测试中的表现显著优于现有大型语言模型,并且在大部分的测试中优于最先进的SOTA模型。图图5:GPT-4在基准测试中的表现显著优于现有大型语言模型在基准测试中的表现显著优于现有大型语言模型 资料来源:OpenAI官网,光大证券研究所整理 注:OpenAI以机器学习模型设计的传统基准评估了GPT-4,结果显著优于现有大模型 请务必参阅正文之后的重要声明 8 1.1、多模态模型:支持图片输入,文本能力升级、多模态模型:支持图片输入,文本能力升级 MMLU基准(Multilingual Multi-Level Unification,是一种新的基准测试,旨在评估多语言NLP模型的性能)常用于测试大规模多任务语言理解能力,涵盖自然科学、社会科学、艺术、人文等领域,通常使用英文编写。OpenAI 使 用 Azure Translate 将MMLU基准翻译成多种语言,并将GPT-4与其他语言模型应用测试。结果表明,GPT-4在包括拉脱维亚语、威尔士语和斯瓦希里语等多种小众语言上的表现,均优于GPT-3.5、Chinchilla、PaLM等语言模型的英语表现。资料来源:OpenAI官网,光大证券研究所整理 图图6:GPT-4 在在 MMLU 基准测试中表现优于基准测试中表现优于 GPT-3.5、Chinchilla、PaLM 等语言模型等语言模型 资料来源:OpenAI官网,光大证券研究所整理 请务必参阅正文之后的重要声明 9 1.2、支持复杂性问题解决,可靠性与安全性显著提升、支持复杂性问题解决,可靠性与安全性显著提升 GPT-4在人类模拟考试中的在人类模拟考试中的表现超越表现超越GPT-3.5。在没有专门培训的情况下,GPT-4在律 师 考 试、LSAT、GRE Quantitative等测试中的得分基本全部高于GPT-3.5。在律师资格考试(Uniform Bar Exam)中,GPT-4的分数在应试者的前10%左右,显著优于GPT-3.5倒数10%左右的得分。资料来源:OpenAI官网,光大证券研究所整理 图图7:GPT-4 与与GPT-3.5在各项考试中表现情况对比在各项考试中表现情况对比 请务必参阅正文之后的重要声明 10 1.2、支持复杂性问题解决,可靠性与安全性显著提升、支持复杂性问题解决,可靠性与安全性显著提升 GPT-4在语言风格方面得到更新在语言风格方面得到更新。与具有固定冗长语气和风格的经典ChatGPT不同,开发人员(普通用户也将会开放)可以通过描述在系统中规定AI的语言风格,即拥有“自定义”的功能。资料来源:OpenAI官网,光大证券研究所整理 图图8:GPT-4拥有自定义语言风格的功能拥有自定义语言风格的功能 请务必参阅正文之后的重要声明 11 1.2、支持复杂性问题解决,可靠性与安全性显著提升、支持复杂性问题解决,可靠性与安全性显著提升 GPT-4在可靠性与安全性方面实现最好结果在可靠性与安全性方面实现最好结果。OpenAI表示,在6个月的时间内通过对抗性测试程序和ChatGPT经验教训迭代调整GPT-4,在可靠性、真实性、可控性以及拒绝越界和敏感问题方面获得有史以来最好结果。相较GPT-3.5,GPT-4对禁止内容作出响应的可能性下降82%,生成可靠性内容的可能性提高40%。然而,OpenAI仍然提示GPT-4在偏见、隐私和虚假信息等方面的风险。为此,OpenAI纳入更多人工反馈(包含ChatGPT用户),并与50多位专家合作,在技术发展的同时提高AI的安全性。资料来源:OpenAI官网,光大证券研究所整理 图图9:GPT-4响应不正确行为和敏感信息的可能性更低响应不正确行为和敏感信息的可能性更低 图图10:不同主题下,:不同主题下,GPT-4的对抗性测试结果显著优于其他模型的对抗性测试结果显著优于其他模型 资料来源:OpenAI官网,光大证券研究所整理 请务必参阅正文之后的重要声明 12 1.3、推出可预测深度学习堆栈,开源、推出可预测深度学习堆栈,开源 Evals 评估框架评估框架 构建可预测的深度学习堆栈是构建可预测的深度学习堆栈是GPT-4项目的重点之一项目的重点之一。OpenAI开发基础设施和优化算法,能在多个模型中表现出可预测行为。为验证可预测性,OpenAI通过对使用相同训练方法但计算量少10000倍的模型进行推断,在内部代码库中准确预测GPT-4的最终损失。为便于用户选择模型为便于用户选择模型,开源开源Evals评估框架评估框架。Evals框架用于创建和运行基准,以评估 GPT-4 等模型,同时逐个样本检查性能。使用Evals指导模型开发,方便用户将其应用于跟踪模型版本的性能和不断发展的产品集成。比如,Stripe使用Evals来补充人工评估,以衡量其 GPT 驱动的文档工具的准确性。OpenAI认为,准确预测未来的机器学习能力是安全性的重要组成部分。但相较于潜在影响而言,其并没有得到足够的重视。OpenAI正加大开发力度,为社会提供更好的未来系统预期指导。资料来源:OpenAI官网,光大证券研究所整理 图图11:OpenAI代码库下一个单词预测代码库下一个单词预测 图图12:GPT-4扭转了逆向缩放(模型性能随规模扩大而下降)趋势扭转了逆向缩放(模型性能随规模扩大而下降)趋势 资料来源:OpenAI官网,光大证券研究所整理 请务必参阅正文之后的重要声明 目目 录录 模型:模型:GPT 4相较相较ChatGPT全方位升级全方位升级 微软微软Copilot:AI商业化里程碑商业化里程碑 国内巨头纷纷入局国内巨头纷纷入局 投资建议:云端算力投资建议:云端算力/边缘算力、模型边缘算力、模型/算法算法/数据、应用三个维度数据、应用三个维度关注关注AI行业投资机会行业投资机会 风险分析风险分析 请务必参阅正文之后的重要声明 14 二、微软二、微软Copilot:AI商业化里程碑商业化里程碑 1、Dynamics 365 Copilot:GPT4赋能业务全线 2、Microsoft 365 Copilot:开启全新工作方式 3、Power Platform Copilot:低代码未来前景打开 请务必参阅正文之后的重要声明 15 2.1、Dynamics 365 Copilot:GPT4赋能业务全线赋能业务全线 赋能销售人员随时快速响应。赋能销售人员随时快速响应。助力客服人员时刻对答如流。助力客服人员时刻对答如流。升级市场营销体验,轻松找到目标受众。升级市场营销体验,轻松找到目标受众。助力电商营销提效,智能生成个性化内容。助力电商营销提效,智能生成个性化内容。提升供应链敏捷性,将风险降到最低。提升供应链敏捷性,将风险降到最低。图图13:人工智能赋能百行百业:人工智能赋能百行百业 资料来源:百度 请务必参阅正文之后的重要声明 16 2.1、Dynamics 365 Copilot:GPT4赋能业务全线赋能业务全线 Dynamics 365 Copilot赋能销售人员随时快速响应。赋能销售人员随时快速响应。在 Dynamics 365 Sales 和 Viva Sales中,Copilot 可以编写给客户的电子邮件回复,在 Outlook 中自动生成一个 Teams 会议的总结邮件,从销售的 CRM 系统中自动提取产品、报价之类的细节,由 Teams 通话中总结出的核心要点一并汇总到邮件里。Dynamics 365 Copilot助力客服人员时刻对答如流。助力客服人员时刻对答如流。在 Dynamics 365 Customer Service 中,能够针对聊天对话和电子邮件中的问题,撰写出符合上下文语境的答案。图图14:Copilot自动生成邮件自动生成邮件 资料来源:微软官方公众号 图图15:Copilot虚拟客服虚拟客服 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 17 2.1、Dynamics 365 Copilot:GPT4赋能业务全线赋能业务全线 Dynamics 365 Copilot 升级市场营销体验,轻松找到目标受众。升级市场营销体验,轻松找到目标受众。在Dynamics 365 Customer Insights 和 Dynamics 365 Marketing中的 Copilot使营销人员能够简化他们在数据探索、受众细分和内容创建方面的工作流程:a)借助 Dynamics 365 Customer Insights 中的Copilot,可以应对复杂的计算并且准确定位特定客户群体。b)利用 Dynamics 365 Marketing 中的 Copilot,市场人员可以创建一个支持检索辅助功能的全新目标客户类别。图图16:Dynamics 365 Customer Insights 资料来源:微软官方公众号 图图17:Dynamics 365 Marketing 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 18 2.1、Dynamics 365 Copilot:GPT4赋能业务全线赋能业务全线 Dynamics 365 Copilot助力电商营销提效,智能生成个性化内容。助力电商营销提效,智能生成个性化内容。在 Dynamics 365 Business Central 中,Copilot 能够为电子商务梳理和创建产品列表,快速自动生成商品简介。使用 Shopify 的 Business Central 用户可以将其产品和简介快捷发布到 Shopify 平台上。Dynamics 365 Copilot 提升供应链敏捷性,将风险降到最低。提升供应链敏捷性,将风险降到最低。对于Dynamics 365 Supply Chain Management 客户来说,Microsoft Supply Chain Center 中的 Copilot 能主动标记可能影响关键供应链流程的外部问题,筛选出受影响的订单。并自动生成电子邮件向合作伙伴发出预警。图图18:Dynamics 365 Business Central 资料来源:微软官方公众号 图图19:Microsoft Supply Chain Center 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 19 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Copilot是将大型语言模型是将大型语言模型GPT-4内建到内建到Microsoft 365。在程序里面可以用非常口语化的方式使用AI,还可以通过各个程序的配合,达到预期效果。Microsoft 365 Copilot简化工作流程,释放创造力和生产力:简化工作流程,释放创造力和生产力:1.Copilot in Word能够与用户一起撰写、编辑、总结和创作。2.Copilot in PowerPoint能够在创作过程中,通过自然语言命令将想法转化为设计好的演示文稿。3.Copilot in Excel能够帮助用户释放洞察、识别趋势,在短时间内创建专业型式的数据可视化。4.Copilot in Outlook能够帮助用户整合并管理收件箱。5.Copilot in Teams能够直接从对话上下文中提供实时摘要和待办事项。6.Business Chat汇集了来自文档、演示文稿、电子邮件、日历、笔记和联系人的数据,能够帮助用户总结聊天内容、撰写电子邮件、查找关键日期,根据其他项目文件制定计划。图图20:Microsoft 365 Copilot 系统系统 资料来源:微软 请务必参阅正文之后的重要声明 20 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Copilot in Word可以与用户一起写作、编辑、总结和创作。可以与用户一起写作、编辑、总结和创作。Copilot 能根据大纲为用户创建一个初稿。Copilot可以将内容添加到现有的文件中,总结文本,改写部分或整个文件,使其更加简明。用户可以改变文件的语气。Copilot还可以帮助用户改进写作,建议加强论点或消除不一致的部分。图图21:Copilot in Word 资料来源:微软官方公众号 图图22:通过:通过Copilot in Word快速起草报告快速起草报告 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 21 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Copilot in Excel帮助分析和探索用户的数据。帮助分析和探索用户的数据。Copilot可以快速生成模型,分析数据,识别趋势,创建专业的可视化数据图表,提供建议。图图23:Copilot in Excel 资料来源:微软官方公众号 图图24:借助:借助Copilot in Excel将基础数据转化为深度洞察将基础数据转化为深度洞察 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 22 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Copilot in PowerPoint帮助用户把想法转化为演示形式。帮助用户把想法转化为演示形式。Copilot可以将现有的书面文件转化为带有演讲者笔记和资料来源的演示文稿,或者从一个简单的提示或大纲开始一个新的演示。可以便捷的浓缩冗长的演示文稿,并使用自然语言命令来调整布局、重新编排文本和动画时间。图图26:使用简单描述让:使用简单描述让Copilot in PowerPoint生成生成PPT 资料来源:微软官方公众号 图图25:Copilot in PowerPoint 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 23 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Copilot in Outlook可以帮助用户快速整理邮箱。可以帮助用户快速整理邮箱。Copilot可以总结冗长的、错综复杂的电子邮件线程,快速起草回复,将快速笔记变成清晰、专业的信息。使用切换器来调整用户的笔记的语气或长度。图图27:Copilot in Outlook 资料来源:微软官方公众号 图图28:利用:利用Copilot in Outlook快速回复邮件快速回复邮件 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 24 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Copilot in Teams使协作的工作变得简单。使协作的工作变得简单。Copilot帮助用户加快对话速度,组织关键的讨论点,并总结关键的行动。在用户的聊天中,Copilot为用户解答具体的问题,或者总结用户错过的任何事情。Copilot根据聊天历史创建会议议程,确定合适的人进行跟进,以及安排下一次签到。图图29:Copilot in Teams 资料来源:微软官方公众号 资料来源:微软官方公众号 图图30:通过:通过Copilot in Teams聚焦会议要点聚焦会议要点 请务必参阅正文之后的重要声明 25 2.2、Microsoft 365 Copilot:开启全新工作方式:开启全新工作方式 Business Chat可以跨越用户所有的数据和应用程序,汇集并总结信息。可以跨越用户所有的数据和应用程序,汇集并总结信息。Business Chat利用Microsoft Graph将文档、演示文稿、电子邮件、日历、笔记和联系人中的数据汇集起来,总结聊天内容、攥写电子邮件、查找关键日期,甚至根据其他项目文件制定计划。图图31:Business Chat in Teams 资料来源:微软官方公众号 图图32:在:在Copilot in Teams中开展智能对话中开展智能对话 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 26 2.3、Power Platform Copilot:低代码未来前景打开:低代码未来前景打开 Copilot是将是将AI结合到各种软件内的功能。结合到各种软件内的功能。Copilot 是 Microsoft Power Platform 的一个新功能,可以在 Power Apps,Power Virtual Agents 和 Power Automate 中基于 GPT 能力提供 AI-powered 的帮助,让制作者可以用自然语言描述他们想要的应用、流程或机器人,然后 Copilot 可以快速完成创建,并提供改进的建议。(1)Power Apps Copilot 可以让制作者可以通过自然语言对话的方式来描述并且直接生成想要的应用程序,可以通过和 Copilot 的对话来对应用进行调整,Copilot 也可以为用户提供应用的改进建议来解决问题。(2)通过Power Automate Copilot,可以通过自然语言来生成比以前更复杂的流程,Copilot 还可以以对话的方式不断优化和迭代更新流程,使用户无需专业知识也可以构建想要的流程。(3)通过 Power Virtual Agents Copilot,可以直接使用自然语言来描述机器人流程,无需手动一个一个进行创建。图图33:Power Apps 资料来源:微软官方公众号 图图34:Power Automate 图图35:Power Virtual Agents Copilot 资料来源:微软官方公众号 资料来源:微软官方公众号 请务必参阅正文之后的重要声明 目目 录录 模型:模型:GPT 4相较相较ChatGPT全方位升级全方位升级 微软微软Copilot:AI商业化里程碑商业化里程碑 国内巨头纷纷入局国内巨头纷纷入局 风险分析风险分析 投资投资建议:云端算力建议:云端算力/边缘算力、模型边缘算力、模型/算法算法/数据、应用三个维度数据、应用三个维度关注关注AI行业投资机会行业投资机会 请务必参阅正文之后的重要声明 28 百度生态体系完善,在四层技术架构均具备领先的技术能力。百度生态体系完善,在四层技术架构均具备领先的技术能力。百度以自主研发的云端通用AI芯片作为AI架构的芯片层,基于产业级深度学习开源开放平台飞桨平台,形成几大模型体系,配套大模型平台支持模型的广泛应用,建设了大模型为核心驱动的新产品和创业社区,并将AI技术赋能如搜索引擎、百度智能云等现有产品。资料来源:百度,光大证券研究所 框架层 芯片层 模型层 NLP大模型 CV大模型 跨模态大模型 生物计算大模型 行业大模型 应用层 搜索 AIGC 媒体 金融 教育 医疗 应用案例 百度App 小度智能屏 度小满金融 中国人寿 国美 图图36:百度:百度AI核心四层架构布局核心四层架构布局 3.1、百度:发布文心一言大模型、百度:发布文心一言大模型 请务必参阅正文之后的重要声明 29 资料来源:文心大模型官网,光大证券研究所 表表1:百度文心:百度文心NLP模型模型 文心文心 NLP大模型大模型 参数量级参数量级 效果效果 应用场景应用场景 ERNIE 3.0 Tiny 轻量级 20 个中英文数据集上取得效果 SOTA 适用于电商、科学、新闻、医学、对话等领域,包含评论情感分析、科学文献学科分类、新闻分类、自然语言推理等任务。ERNIE 3.0 百亿级 在 14 种类型共计 45 个自然语言理解数据集上取得 了 SOTA 的结果 在 9 个自然语言生成任务上取得了 SOTA 的效果 在 18 个数据集上刷新了 zero-shot 的 SOTA 效果 智能创作、摘要生成、问答、语义检索、情感分析、信息抽取、文本匹配、文本纠错等各类自然语言理解和生成任务 鹏城-百度 文心 2600 亿 在机器阅读理解、文本分类、语义相似度计算等60多项任务中取得最好效果 舆情分析、智能创作、文本解析等 ERNIE 3.0 Zeus 千亿级 ERNIE 3.0 系列模型的最新升级,实现了任务知识增强,显著提升了模型的零样本/小样本学习能力 智能创作、摘要生成、问答、语义检索、情感分析、信息抽取、文本匹配、文本纠错等各类自然语言理解和生成任务 3.1、百度:发布文心一言大模型、百度:发布文心一言大模型 文心大模型全景图刷新,构建大模型体系。文心大模型全景图刷新,构建大模型体系。大模型的出现,为人工智能进一步建产发展带来新机遇,深度学习平台加大模型,贯通AI全产业链,夯实产业智能化基座,将进一步加速智能化升级。文心文心NLP大模型性能强大、功能丰富,为垂类应用落地提供强大支持。大模型性能强大、功能丰富,为垂类应用落地提供强大支持。其中,文心一言(生成式AI产品)是基于产业级知识增强预训练大模型ERNIE 3.0,结合了知识图谱、视觉信息、多语言等多种数据源,实现了对话式语言模型的全面升级。请务必参阅正文之后的重要声明 30 华为在2020年开始布局大模型,2021年基于昇腾AI与鹏城实验室联合发布了鹏程盘古大模型,是业界首个千亿级生成和理解中文NLP大模型。在大模型产业化方面,在大模型产业化方面,华为已发起了智能遥感开源生态联合体、多模态人工智能产业联合体,智能流体力学产业联合体等。华为将以联合体的模式把科研院所、产业厂商等结合起来,更好地让大模型产业形成正向的闭环回路。华为开源自研华为开源自研AI框架框架MindSpore。自动微分、并行加持、一次训练、可多场景部署。支持端边云全场景的深度学习训练推理框架,主要应用于计算机视觉、自然语言处理等AI领域。MindSpore支持CPU、GPU、NPU等多种芯片,并且在不同芯片上提供统一的编程使用接口以及可生成在多种硬件上加载执行的离线模型。资料来源:昇思 MindSpore 官网 图图37:昇思:昇思 MindSpore 整体架构整体架构 3.2、华为:大模型布局多年,建立联合体推动产业化、华为:大模型布局多年,建立联合体推动产业化 请务必参阅正文之后的重要声明 31 海康威视海康威视AI开放平台为碎片化的行业应用场景提供了一站式算法训练平台,具备基于小样本数据训练高精度算法的能力。开放平台为碎片化的行业应用场景提供了一站式算法训练平台,具备基于小样本数据训练高精度算法的能力。AI开放平台操作简便,通过样本数据采集、线上数据标注、线上算法训练的过程,即可获得有针对性的智能算法,随之可部署到海康威视形态丰富的硬件设备中使用。2021年,AI开放平台新增多项能力核心:声音分类、文字识别、数据智能的上线,标志着开放平台能力从视觉拓展到多模态。截止2021年年底,AI开放平台服务企业用户超过8,000家,生成模型50,000个,累积落地项目4,000个。资料来源:海康威视公告 图图38:海康:海康AI开放平台整体架构开放平台整体架构 3.3、海康威视:、海康威视:AI 开放平台实现前端智能可定义开放平台实现前端智能可定义 请务必参阅正文之后的重要声明 32 公司持续重点投入打造巨灵平台,巨灵平台是面向开发者的一站式人工智能开发平台,是高效的人工智能科研和工程平台。公司持续重点投入打造巨灵平台,巨灵平台是面向开发者的一站式人工智能开发平台,是高效的人工智能科研和工程平台。2017年,公司建成高性能计算中心,2019年发布了全栈算法开发平台,实现从数据管理到方案交付的全链路闭环管理。2021年,公司升级发布组装式方案开发平台,更高效支持海量碎片化、场景化需求。巨灵平台包含了公司积累的上千个各种场景下的巨灵平台包含了公司积累的上千个各种场景下的AI算子和预训练模型,实现了组件的即插即用。算子和预训练模型,实现了组件的即插即用。采用组装式方案设计和低代码方案开发模式,开发者通过可视化拖曳即可构建算法方案,实现数据驱动的算法自动优化迭代和一键式交付,大幅降低使用门槛,提升效率40%以上。资料来源:大华股份公告 图图39:大华提供一站式算法训练:大华提供一站式算法训练 3.4、大华股份:打造巨灵平台,提供一站式算法训练、大华股份:打造巨灵平台,提供一站式算法训练 请务必参阅正文之后的重要声明 目目 录录 模型:模型:GPT 4相较相较ChatGPT全方位升级全方位升级 微软微软Copilot:AI商业化里程碑商业化里程碑 国内巨头纷纷入局国内巨头纷纷入局 投资建议:云端算力投资建议:云端算力/边缘算力、模型边缘算力、模型/算法算法/数据、应用三个维度数据、应用三个维度关注关注AI行业投资机会行业投资机会 风险分析风险分析 请务必参阅正文之后的重要声明 34 1、模型、模型/算法算法/数据:数据:大模型为AI应用提供基础设施,下游产业对AI认知和接受度提升,人工智能公司有望加速成长,建议关注三六零(三六零(A股股唯一自研大模型)唯一自研大模型)、商汤科技(神经网络)、云从科技(神经网络)、格灵深瞳(神经网络)、科大讯飞(神经网络&NLP)、拓尔思(NLP)、海天瑞声(数据标注)。2、上游算力:、上游算力:训练模型带动算力需求,建议关注:云端算力:(1)AI芯片:寒武纪寒武纪(A股股AI算力芯片龙头)算力芯片龙头);(2)GPU:景嘉微、海光信息、芯原股份(IP);(3)CPU:龙芯中科、中国长城、澜起科技、海光信息;(4)FPGA:复旦微电、安路科技、紫光国微等;(5)光模块:天孚通信、德科立、新易盛、光迅科技、博创科技、源杰科技、中际旭创等;(6)CHIPLET:兴森科技、长川科技、方邦股份、华正新材、通富微电、长电科技等。边缘算力:(1)SoC:翱捷科技、晶晨股份、富瀚微、瑞芯微、全志科技、中科蓝讯、炬芯科技等;(2)AIoT:乐鑫科技、恒玄科技等;(3)RISC-V:中科蓝讯、乐鑫科技、全志科技等。服务器:工业富联、浪潮信息、中科曙光、神州数码。3、下游应用:、下游应用:百度生态合作伙伴:建议关注汉得信息、风语筑、掌阅科技、巨人网络;AIGC技术提高生产效率,降低生产成本,利好下游垂类应用企业,建议关注鸿合科技(教育)、万兴科技(图像);视频视觉场景需求大增,建议关注:海康威视、大华股份、萤石网络、富瀚微、宇瞳光学;智能音箱作为AI硬件入口之一,建议关注:国光电器、漫步者、晶晨股份、富瀚微、瑞芯微、全志科技、中科蓝讯、炬芯科技;机顶盒作为智能家居入口,未来AI化或成趋势,建议关注:创维数字、晶晨股份。4、投资建议:从三大层面关注、投资建议:从三大层面关注AI软硬件投资机会软硬件投资机会 请务必参阅正文之后的重要声明 35 图图40:行业重点上市公司盈利预测与估值行业重点上市公司盈利预测与估值 4、投资建议投资建议 资料来源:Wind,光大证券研究所整理;注:归母净利润预测为Wind一致预期,股价时间为2023年3月24日;标红为22年业绩快报或年报数据 请务必参阅正文之后的重要声明 36 图图40:行业重点上市公司盈利预测与估值行业重点上市公司盈利预测与估值(续)(续)4、投资建议投资建议 资料来源:Wind,光大证券研究所整理;注:归母净利润预测为Wind一致预期,股价时间为2023年3月24日;标红为22年业绩快报或年报数据 请务必参阅正文之后的重要声明 37 图图40:行业重点上市公司盈利预测与估值行业重点上市公司盈利预测与估值(续)(续)4、投资建议投资建议 资料来源:Wind,光大证券研究所整理;注:归母净利润预测为Wind一致预期,股价时间为2023年3月24日;标红为22年业绩快报或年报数据 请务必参阅正文之后的重要声明 目目 录录 GPT 4与与ChatGPT对比:全方位升级对比:全方位升级 微软微软Copilot:AI商业化里程碑商业化里程碑 国内巨头纷纷入局国内巨头纷纷入局 风险分析风险分析 投资建议:云端算力投资建议:云端算力/边缘算力、模型边缘算力、模型/算法算法/数据、应用三个维度数据、应用三个维度关注关注AI行业投资机会行业投资机会 请务必参阅正文之后的重要声明 5、风险分析、风险分析 ChatGPT信息泄露风险信息泄露风险 由于训练语料库中可能包括私有数据以及大型语言模型的高级推理能力,可能会导致泄露私人数据或其他敏感信息的风险。ChatGPT虚假信息风险虚假信息风险 ChatGPT等AI聊天基础存在的现实合规问题也急需重视。ChatGPT应用到搜索引擎、客户投诉系统等领域,回复的虚假信息可能造成严重的法律风险。行业研发行业研发不及预期风险不及预期风险 本行业重视人才的经验积累,产品研发周期较长,需要厂商持续高研发投入,若新品研发不及预期,可能影响后续相关公司成长增速。39 通信电子研究团队 刘凯刘凯 执业证书编号:S0930517100002 电话:021-52523849 邮件: 石崎良石崎良 执业证书编号:S0930518070005 电话:021-52523856 邮件: 孙啸孙啸 联系人 电话:021-52523587 邮件: 杨德珩杨德珩 执业证书编号:S0930522110003 电话:021-52523805 邮件: 于文龙于文龙 执业证书编号:S0930522100002 电话:021-52523587 邮件: 蔡微未蔡微未 执业证书编号:S0930522040001 电话:021-52523818 邮件: 何昊何昊 执业证书编号:S0930522090002 电话:021-52523869 邮件: 林仕霄林仕霄 执业证书编号:S0930522090003 电话:021-52523818 邮件: 朱宇澍朱宇澍 执业证书编号:S0930522050001 电话:021-52523805 邮件: 王之含王之含 联系人 电话:021-52523818 邮件: 分析师声明分析师声明 本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师,以勤勉的职业态度、专业审慎的研究方法,使用合法合规的信息,独立、客观地出具本报告,并对本报告的内容和观点负责。负责准备以及撰写本报告的所有研究人员在此保证,本研究报告中任何关于发行商或证券所发表的观点均如实反映研究人员的个人观点。研究人员获取报酬的评判因素包括研究的质量和准确性、客户反馈、竞争性因素以及光大证券股份有限公司的整体收益。所有研究人员保证他们报酬的任何一部分不曾与,不与,也将不会与本报告中具体的推荐意见或观点有直接或间接的联系。行业及公司评级体系行业及公司评级体系 买入未来6-12个月的投资收益率领先市场基准指数15%以上;增持未来6-12个月的投资收益率领先市场基准指数5%至15%;中性未来6-12个月的投资收益率与市场基准指数的变动幅度相差-5%至5%;减持未来6-12个月的投资收益率落后市场基准指数5%至15%;卖出未来6-12个月的投资收益率落后市场基准指数15%以上;无评级因无法获取必要的资料,或者公司面临无法预见结果的重大不确定性事件,或者其他原因,致使无法给出明确的投资评级。基准指数说明:A股主板基准为沪深300指数;中小盘基准为中小板指;创业板基准为创业板指;新三板基准为新三板指数;港股基准指数为恒生指数。特别声明特别声明 光大证券股份有限公司(以下简称“本公司”)创建于1996年,系由中国光大(集团)总公司投资控股的全国性综合类股份制证券公司,是中国证监会批准的首批三家创新试点公司之一。根据中国证监会核发的经营证券期货业务许可,本公司的经营范围包括证券投资咨询业务。本公司经营范围:证券经纪;证券投资咨询;与证券交易、证券投资活动有关的财务顾问;证券承销与保荐;证券自营;为期货公司提供中间介绍业务;证券投资基金代销;融资融券业务;中国证监会批准的其他业务。此外,本公司还通过全资或控股子公司开展资产管理、直接投资、期货、基金管理以及香港证券业务。本报告由光大证券股份有限公司研究所(以下简称“光大证券研究所”)编写,以合法获得的我们相信为可靠、准确、完整的信息为基础,但不保证我们所获得的原始信息以及报告所载信息之准确性和完整性。光大证券研究所可能将不时补充、修订或更新有关信息,但不保证及时发布该等更新。本报告中的资料、意见、预测均反映报告初次发布时光大证券研究所的判断,可能需随时进行调整且不予通知。在任何情况下,本报告中的信息或所表述的意见并不构成对任何人的投资建议。客户应自主作出投资决策并自行承担投资风险。本报告中的信息或所表述的意见并未考虑到个别投资者的具体投资目的、财务状况以及特定需求。投资者应当充分考虑自身特定状况,并完整理解和使用本报告内容,不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果,本公司及作者均不承担任何法律责任。不同时期,本公司可能会撰写并发布与本报告所载信息、建议及预测不一致的报告。本公司的销售人员、交易人员和其他专业人员可能会向客户提供与本报告中观点不同的口头或书面评论或交易策略。本公司的资产管理子公司、自营部门以及其他投资业务板块可能会独立做出与本报告的意见或建议不相一致的投资决策。本公司提醒投资者注意并理解投资证券及投资产品存在的风险,在做出投资决策前,建议投资者务必向专业人士咨询并谨慎抉择。在法律允许的情况下,本公司及其附属机构可能持有报告中提及的公司所发行证券的头寸并进行交易,也可能为这些公司提供或正在争取提供投资银行、财务顾问或金融产品等相关服务。投资者应当充分考虑本公司及本公司附属机构就报告内容可能存在的利益冲突,勿将本报告作为投资决策的唯一信赖依据。本报告根据中华人民共和国法律在中华人民共和国境内分发,仅向特定客户传送。本报告的版权仅归本公司所有,未经书面许可,任何机构和个人不得以任何形式、任何目的进行翻版、复制、转载、刊登、发表、篡改或引用。如因侵权行为给本公司造成任何直接或间接的损失,本公司保留追究一切法律责任的权利。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。光大证券股份有限公司版权所有光大证券股份有限公司版权所有。保留一切权利。保留一切权利。

    20人已浏览 2023-03-30 41页 5星级
  • 人工智能行业系列深度报告:计算机视觉行业框架AI之眼初启商业飞轮-230329(57页).pdf

    人工智能系列深度报告:计算机视觉行业框架人工智能系列深度报告:计算机视觉行业框架AI之眼,初启商业飞轮之眼,初启商业飞轮陈梦竹(证券分析师)陈凯艺(联系人)S0350521090003S证券研究报告2023年03月29日计算机1请务必阅读报告附注中的风险提示和免责声明2核心提要核心提要本篇报告主要解答了:计算机视觉技术发展如何?国内外差距如何?本篇报告主要解答了:计算机视觉技术发展如何?国内外差距如何?AI企业商业模式有哪些?是否可行?各领域、各模式有哪些企业做的比较好?企业商业模式有哪些?是否可行?各领域、各模式有哪些企业做的比较好?AI企业如何实现正向盈利?如何评价企业如何实现正向盈利?如何评价AI企业?企业?1、计算机视觉发展处于什么阶段?、计算机视觉发展处于什么阶段?人工智能已迎来最好的发展时代,计算机视觉是计算机模拟甚至超越人类视觉,是人工智能技术层中应用最为广泛、市场占比最高的核心技术。学术领域,计算机视觉已从过去的理论研究逐步转向应用,仍为以谷歌、微软、Meta等为首的海外主导,国内商汤、百度集团、腾讯控股、阿里巴巴也颇有建树。商业领域,目前计算机视觉已实现技术单点突破,跨越工业红线,从0到1逐步开启商业化;但目前仍为全面商业化黎明前,主要受限于算力、数据、时间等生产要素,而生产要素之间的加速作用将形成飞轮效应,快速实现从1到N。2、AI企业的商业模式是否可行?企业的商业模式是否可行?目前国内计算机视觉领域企业主要有三种商业模式:AIaaS、软硬件一体化产品、垂直行业解决方案。我们认为AIaaS模式适合当下各行业AI渗透较低的商业环境;软硬件一体化是未来发展趋势,但目前需求尚未爆发;垂直行业解决方案中纯软件标准化产品适用于长尾场景少、需求较为单一行业,面向更多元场景的垂直细分行业则更需要一站式行业解决方案。目前众多行业AI应用需求尚未完全爆发,因此我们认为当下商业化阶段首要目标是降低AI使用门槛,实现低价和技术通用性,加速AI在各行业渗透,需要AI企业重点发展AIaaS模式培养用户习惯,打造垂直细分行业标杆引领市场拓展。3、企业如何实现正向盈利?、企业如何实现正向盈利?虹软科技已实现正向盈利,格灵深瞳2022年归母净利润已正向盈利,其余企业尚处于亏损阶段。深度对比分析各公司商业模式、财务状况、人效比、客户结构、现金流状况,我们认为实现正向盈利的关键在于开源(商业模式)节流(成本及费用控制)。商业模式中,AIaaS供应商需要具备强技术能力支撑和规模效应,软硬件一体化产品最好由软硬件企业合作共同研发设计提供,垂直行业解决方案中标准化产品供应商需要具备规模效应、一站式解决方案供应商拥有细分赛道先发优势将保持领先。成本端,占比最大的为硬件成本(占收入比约3%-49%),其次是第三方外包服务(占收入比约2%-26%),人力成本及算力成本较少,因此成本控制主要依托企业规模效应;费用端,研发费用占比最高(占收入比约29%-66%),主要为研发技术人员薪酬(费用占比约20%-78%),研发费用管控主要导向研发团队规模扩张及薪酬控制,管理费用管控依托规模效应,销售费用管控依托企业加深产品能力,助力市场拓展及提升客户生命周期价值。4、如何评价、如何评价AI企业企业?关注行业与各公司技术突破;关注企业商业模式的变化与发展,是否具备规模效应,是否在细分赛道具备先发优势;关注企业商业化、客户拓展的速度;关注企业投入产出效果,AI企业投入主要包括算力基础设施建设和人员工资,因此重点关注人效比;关注企业毛利率、研发费用率、资金状况,毛利率反应收入质量,研发费用率是企业可持续发展的关键,资金状况则是AI创业企业是否能够生存的重要因素。重点关注公司重点关注公司:百度集团-SW(9888.HK)、阿里巴巴-SW(9988.HK)、腾讯控股(0700.HK)、商汤-W(0020.HK)、创新奇智(2121.HK)、虹软科技(688088.SH)、格灵深瞳(688207.SH)、云从科技(688327.SH)、海康威视(002415.SZ)、大华股份(002236.SZ)。风险提示风险提示:1)人工智能行业发展不及预期;2)商业模式仍不明朗;3)企业资金短缺风险;4)市场竞争风险;5)企业客户集中度较高;6)重点关注公司业绩不及预期风险;7)中国与国际同行(市场)并不具有完全可比性,相关数据仅供参考。fYbUaYeUaVaVbZdX8O9R6MnPqQpNtQlOqQnOkPnPyR7NoPwOxNsRsQNZtPoM请务必阅读报告附注中的风险提示和免责声明3最近一年走势相关报告人工智能系列深度报告:AIGC行业综述篇开启AI新篇章*计算机*陈梦竹2023-03-20-0.2421-0.1629-0.0837-0.00450.07470.1539计算机沪深300沪深300表现表现1M3M12M计算机4.7!.6%9.6%沪深300-3.2%1.5%-3.9%请务必阅读报告附注中的风险提示和免责声明4资料来源:Wind,国海证券研究所重点关注公司及盈利预测重点关注公司及盈利预测注:阿里巴巴、腾讯控股、创新奇智、商汤均为自行测算,其余均为Wind一致性预测数据,表内均为人民币,涉及股价相关数据均以20230328当日汇率计算(港元兑人民币0.8758元/港元);其中,阿里巴巴、腾讯控股、百度集团、商汤、云从科技、虹软科技、格灵深瞳、海康威视已披露2022年营收及归母净利润数据,其余均为预测值。股票代码股票代码公司简称公司简称2023/3/282023/3/28 2023/3/282023/3/28营业收入(亿元)营业收入(亿元)PS归母净利润(亿元)归母净利润(亿元)PE投资评级投资评级股价(元)股价(元)市值(亿元)市值(亿元)2022A/E2023E2024E2022A/E 2023E2024E2022A/E2023E2024E2022A/E 2023E2024E9988.HK阿里巴巴-SW73.7915,6288,530.62 8,735.59 9,561.58 1.83 1.79 1.63 619.59 625.11 1,156.30 25.22 25.00 13.52 买入0700.HK腾讯控股331.2331,6925,545.52 6,158.26 6,816.15 5.71 5.15 4.65 1,882.43 1,320.70 1,614.02 16.84 24.00 19.64 买入9888.HK百度集团-SW133.303,7191,236.75 1,369.74 1,493.32 3.01 2.72 2.49 75.59 161.61 185.72 49.20 23.01 20.02 未评级A互联网巨头均值3.52 3.22 2.92 30.42 24.00 17.73 0020.HK商汤-W2.3578638.09 59.43 79.68 20.63 13.22 9.86-30.03-26.47-22.67-增持2121.HK创新奇智14.248014.58 23.83 39.27 5.46 3.34 2.03-5.58-3.49-1.19-买入688327.SH云从科技40.523005.25 12.25 18.38 57.19 24.51 16.34-8.51-5.23-0.37-未评级688088.SH虹软科技35.651455.32 6.55 8.88 27.21 22.10 16.30 0.56 1.83 2.74 258.46 79.09 52.82 未评级688207.SH格灵深瞳41.91783.54 5.69 7.61 21.90 13.63 10.19 0.33 0.33 0.78 234.95 234.95 99.40 未评级AI计算机视觉领域软件企业均值26.48 15.36 10.94 246.71 157.02 76.11 002415.SZ海康威视42.453,975831.74 997.08 1,155.86 4.78 3.99 3.44 128.27 174.16 207.75 30.99 22.82 19.13 未评级002236.SZ大华股份21.24644324.53 353.71 394.76 1.99 1.82 1.63 26.68 33.17 38.11 24.15 19.42 16.90 未评级AI计算机视觉领域硬件企业均值3.38 2.90 2.54 27.57 21.12 18.02 请务必阅读报告附注中的风险提示和免责声明5目录目录发展史:六十余年,历经三次浪潮,曲折起伏,终迎高速增长产业链:数据、算力、平台为基,AI应用需求驱动技术发展市场规模:人工智能各领域技术突破、商业化场景逐步落地市场规模:人工智能及计算机视觉市场规模快速增长算法概览:Transformer逐渐在CV领域推广,但算法尚未迎来突破性进展学术领域:纵览三大会议论坛ICCV、CVPR、ECCV,中国实现追赶超越学术领域:前沿学术研究支撑AI商业化发展核心技术:底层框架具备战略性意义,海外主导,国内百度集团、商汤领先计算机视觉商业化尚处黎明之前AI大模型加速人工智能商业化进程AI资产复用加速AI全面商业化落地一、行业发展:计算机视觉迎来高速发展期,技术追赶超越,商业化尚处黎明之前一、行业发展:计算机视觉迎来高速发展期,技术追赶超越,商业化尚处黎明之前.7二、商业模式:垂直行业需先发且深耕,二、商业模式:垂直行业需先发且深耕,AIaaS适合当下,软硬一体化是未来适合当下,软硬一体化是未来.19商业模式概览:垂直行业解决方案、软硬件一体化产品、AIaaS垂直行业解决方案:行业众多,场景多元,企业差异化布局垂直行业解决方案-智慧城市:以AI监控为眼,各企业侧重领域不同垂直行业解决方案-企业应用:以空间治理为主,业务相似度较高垂直行业解决方案-智慧金融:侧重领域略有不同,多为人证识别、网店安防垂直行业解决方案-智能制造:细分赛道众多,各企业布局差异较大垂直行业解决方案-智慧零售:服务于线下实体零售,侧重消费环节垂直行业解决方案-智能手机:主要为人脸解锁、图像处理SDK产品垂直行业解决方案-智慧医疗:主要基于医疗影像,逐步试点落地阶段垂直行业解决方案-智能汽车:智能座舱 智能驾驶,未来高速发展垂直行业解决方案-智能家居、泛娱乐、元宇宙:较少AI创业企业布局请务必阅读报告附注中的风险提示和免责声明6目录目录企业概览:百花齐放,正处于上市热潮市场份额:计算机视觉应用广泛,商汤是中国计算机视觉龙头技术能力对比:领路人及研发团队缺一不可客户:客单价持续提升,客户集中度较高人效比:关键在于商业模式及成本效益平衡与正向盈利的距离:亏损或盈利的原因与正向盈利的距离:资金能否支撑亏损企业正向盈利的关键:开源节流建议关注标的三、企业复盘:关注商业模式、技术团队、人效比、客户、盈利状况、资金情况三、企业复盘:关注商业模式、技术团队、人效比、客户、盈利状况、资金情况.44软硬件一体化产品:未来的趋势软硬件一体化产品-AI摄像头软硬件一体化产品-门禁/安防一体机AIaaS:降低AI使用门槛,加速商业化进程AIaaS-百度集团:国内聚集开发者最多,平台产品最为多元AIaaS-阿里巴巴:更聚焦于AI能力开放,重视大数据与AI结合AIaaS-腾讯控股:侧重行业侧AI能力开放,包括互联网、金融、医疗等AIaaS-华为:聚焦AI开发者平台AIaaS-第四范式:决策类AI平台,仅面向企业AIaaS-商汤:以算力租用、开发者平台为主,仅面向企业AIaaS-旷视科技:聚焦CV领域AI能力开放AIaaS-云从科技:聚焦人证领域的技术能力开放和行业风控、安全解决方案AIaaS-海康威视:聚焦边缘侧终端应用开发与能力开放风险提示风险提示.54请务必阅读报告附注中的风险提示和免责声明7一、行业发展:计算机视觉迎来高速发展期,技术追赶超越,商业化尚处黎明之前一、行业发展:计算机视觉迎来高速发展期,技术追赶超越,商业化尚处黎明之前请务必阅读报告附注中的风险提示和免责声明8资料来源:深圳市人工智能产业协会2020人工智能产业白皮书,产业信息网,智研咨询,iResearch,51cto,博学谷,antpedia,沈阳国际软件园官微,国海证券研究所发展史:六十余年,历经三次浪潮,曲折起伏,终迎高速增长发展史:六十余年,历经三次浪潮,曲折起伏,终迎高速增长195619742006自然语言处理NLP感知机模型人工神经网络模型BP网络模型通用求解问题系统GPSSDENDRAL专家系统集成电路技术提高霍普菲尔德神经网络BP算法进一步发展循环神经网络RNN第五代电子计算机第四代电子计算机第一台超级计算机卷积神经网络CNN深度学习神经网络DL自编码器支持向量机SVM认知计算边缘AI5GAutoDLFPGA加速器智适应学习深度语义分析跨语言文本挖掘量子计算L4自动驾驶物体检测与跟踪3D感应相机自动驾驶飞行器增强智能知识图谱沉浸试场景生物技术多元智能传感器生物芯片L5自动驾驶数字化运营迁移学习STUDENT系统ELIZA系统主要成就:人工智能计算机、多层神经网络、BP算法的突破、语音识别和语言翻译第一次浪潮第一次浪潮第二次浪潮第二次浪潮第三次浪潮第三次浪潮算法雏形出现算法雏形出现专业化发展专业化发展基于互联网大数据的深度学习基于互联网大数据的深度学习主要成就:算法、方法论、早期人工智能系统主要成就:语音识别、图像识别、自然语言理解等理论理论实际实际未来未来萌芽期萌芽期1943-1955启动期启动期1956-1969低迷期低迷期1969-1975飞跃飞跃期期2006至今至今发展期发展期1986-2006复兴期复兴期1975-19861943年,人工神经网路与学模型建立标志着人工神经网络研究时代的开启。1950年,图灵测试提出标志着“人工智能”迈入萌芽期。1956年,达特茅斯会议标志着AI正式诞生,麦卡锡被称为人工智能之父。会议后,机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等都取得许多引人注目的成就。美国国防高级研究计划署的合作计划失败。计算机技术能力有限,数据量少,公众对人工智能的信心持续减弱,社会资本退出,政府资助下降,人工智能迎来第一次寒冬。1975年,BP算法开始被研究,第五代计算机开始研制,半导体开始发展,AI多领域逐渐突破。XCON的“专家系统”每年能为公司省下四千美元,衍生出了众多人工智能软硬件企业。第五代计算机-人工智能由于技术路线明显背离计算机工业发展项目,专家系统风光不再。AI技术逐步发展,人们对AI开始抱有客观理性的认知,人工智能技术开始进入平稳发展时期。2006年,Hinton在神经网络的深度学习领域取得突破,人类又一次看到机器赶超人类的希望;2016 年,Google 的 AlphaGo赢了韩国棋手李世石,再度引发 AI 热潮。AI芯片、AI传感器、AI服务器、超算中心等等基础设施逐步完善,数据量增大、计算能力变强,深度学习兴起,助推人工智能各技术领域高速发展。与云计算、大数据、物联网的结合,实现了人工智能商业化落地,良好且可持续的发展模式将反哺人工智能迅速增长。请务必阅读报告附注中的风险提示和免责声明9资料来源:深圳市人工智能产业协会,iResearch,物联网智库,网易科技,Forrester,国海证券研究所产业链:数据、算力、平台为基,产业链:数据、算力、平台为基,AI应用需求驱动技术发展应用需求驱动技术发展基础层上上游游技术层中中游游下下游游应用层数据资源硬件资源算力基础大数据美林数据、第四范式、星环科技、国双科技、东方国信、明略科技智能芯片CPU:英特尔、美国超微半导体GPU:英伟达、AMD、英特尔、ARM、Imagination、景嘉微FPGA:赛灵思、Altera、美高森美、莱迪思、深鉴科技、成都华微电子ASIC:IBM、谷歌、ARM、苹果、华为、寒武纪、百度、中星微、云天励飞智能传感器设计制造:NXP、高通、博世、霍尼韦尔、欧姆龙、应美盛、索尼、格罗方德、爱普生、台积电、联电、歌尔、高德红外、中芯国际、华润、华虹、士兰微、楼氏电子封装测试:NXP、ST、博世、卡西欧、歌尔、日月光、长电、瑞声云计算及数据中心边缘计算数据服务百度智能云、数据众包、海天瑞声、数据堂、标贝科技AI模型生产开源框架开放平台通用技术机器学习知识图谱类脑智能计算第四范式、亚马逊、阿里云、浪潮、京东智联云、百度、腾讯云、华为、美林数据关键领域计算机视觉语音识别自然语言处理生物特征识别AI XR百度大脑、搜狗、明略科技、第四范式、DataExa、中科天玑AI 泛安防泛安防计算机视觉:海康威视、大华、华为、依图、云从、旷视、商汤、澎思、阿里云、宇泛智能大数据智能:美亚柏科、腾讯云、拓尔思、海致、声智云服务:亚马逊、微软、谷歌、阿里云、腾讯云、华为云、百度智能云、京东智联云、金山云智能服务器:戴尔、思科、慧与、宝德、浪潮、宁畅、华为、新华三、安擎、中科曙光算力中心、IDC:亚马逊、阿里云、腾讯云、华为云、商汤、国家/地方超算中心英特尔、戴尔、IBM、Akamai、阿里、华为、网宿科技、中国移动、中国电信PyTorch、TensorFlow、PP飞浆、腾讯优图ncnn、SenseParrots腾讯云、百度大脑、京东数科、搜狗知音、讯飞开放平台、商汤科技Sensecore、旷世科技Face 、旷视科技-Brain 、第四范式-先知、闪马智能ATOM商汤、云从、依图、旷视、微软、英特尔、腾讯、百度、阿里、华为、滴滴、网易科大讯飞、思必驰、搜狗知音、云知声、SpeakIn、声智、百度、腾讯、小米谷歌、百度、搜狗、第四范式、达观数据、声智NEC、3M康源、富士通、Crossmatch、赛峰集团、M2SYSTechnology、BIO-Key、HID苹果、Facebook、谷歌、微软、亚马逊、华为、腾讯、阿里、小米、HTCAI 医疗医疗 医 疗 影 像:推 想、Airdoc、深睿、数坤、科亚、迈瑞、腾讯觅影 决策辅助:惠每、森亿智能、嘉和美康、科大讯飞、医渡云、声智 辅助制药:晶泰科技、未知君、太美医疗AI 工业工业计算机视觉:康耐视、海康、创新奇智、阿丘科技、腾讯优图、东升、商汤预测与维护:昆仑数据、金风、第四范式、明略科技、树根互联知识与决策:SIEMENS、树根互联、阿里云、PlantDataAI 金融金融 计算机视觉:云从、腾讯优图 业务智能:第四范式、京东数科、海致星图、百融云创、金融壹账通 流程智能:达观数据、实在智能 客户服务:百度大脑、竹间、京东数科、硅基智能AI 互联网互联网 视觉与图像:腾讯优图、旷视、影谱、闪马智能、爱奇艺 规划与推荐:滴滴出行、字节跳动 搜索与问答:搜狗、达观数据、云问机器人、智齿科技AI 教育教育科大讯飞、商汤、松鼠、影谱、腾讯优图、海云天、天闻数媒、声智AI 零售零售京东数科、云拿、第四范式、腾讯优图、阿里云、影谱AI 交通交通云从、旷视、商汤、腾讯优图、阿里云、滴滴出行、澎思、闪马智能AI 政务政务阿里云、京东数科、腾讯云、商汤、拓尔思、影谱、浩鲸自主无人系统自主无人系统 智能汽车:Apollo、西井、图森 智能机器人:三星、京东数科、顺风、蚂蚁、优必选 无人机:大疆、极飞、亿航请务必阅读报告附注中的风险提示和免责声明10市场规模:市场规模:人工智能各领域技术突破、商业化场景逐步落地人工智能各领域技术突破、商业化场景逐步落地资料来源:IDC中国人工智能市场格局演进-2020,艾瑞咨询科技行业2021年中国人工智能产业研究报告(),亿欧智库2022中国人工智能芯片行业研究报告,德勤人工智能行业:制造业 人工智能创新应用发展报告,国海证券研究所(注:按人民币计价)发展发展阶段阶段弱人工智能弱人工智能ANI专注完成特定任务,是辅助人的“工具”。强人工智能AGI各方面比肩人类。超人工智能ASI人工智能跨过“奇点”,超越人脑。核心:机器学习核心:机器学习利用数据训练模型,使用模型预测,目前已实现AutoML。2021年中国机器学习产品服务的核心产品、带动相关产业市场规模预计达275(YoY 22.8%)、1809(YoY 23.2%)亿元,预计2025年分别达578(CAGR 20.4%)、3766(CAGR 20.1%)亿元。2020年市占率第一为第四范式,市占率达25.10%。先锋:深度学习先锋:深度学习机器学习的分支,也是机器学习的升级版。2021H1中国深度学习开源框架用户份额前三分别为:Tensorflow 29.20%、Caffe2/Pytorch 28.20%、百度飞浆19.10%。计算机视觉技术计算机视觉技术(CV)2021年中国计算机视觉技术核心产品、带动相关产业市场规模预计达990(YoY 14.8%)、3079(YoY 36.9%)亿元,预计2025年分别达1873(CAGR 17.3%)、5771(CAGR 17.0%)亿元。2021H2商汤市占率达22%,持续保持第一。包括图像识别、人脸识别、人体识别、视频技术、VR、ARAI芯片芯片2021年中国市场规模427亿元(YoY 123.9%),预计2025年达1780亿元(CAGR 42.9%)。GPU领域英伟达市占率最高,FPGA领域Xilinx市占率最高,ASIC尚未出现寡头垄断。知识图谱知识图谱2021年中国市场核心产品、带动相关产业规模预计达107(YoY 33.8%)、412(YoY 24.1%)亿元,预计2025年分别达246(CAGR 23.1%)、868(CAGR 20.5%)亿元。语音技术语音技术(ASR、TTS)2021年中国核心产品、带动相关产业规模预计达79(YoY 36.2%)、448(YoY 40.0%)亿元,预计到2025年分别达170(CAGR 21.1%)、937(CAGR 20.3%)亿元。2020年市占率第一为科大讯飞,占比达13.7%。自然语言处理自然语言处理(NLP)2021年中国核心产品、带动相关产业市场规模预计达171(YoY 50.0%)、450(YoY 35.5%)亿元,预计到2025年分别达391(CAGR 23.0%)、905(CAGR 19.1%)亿元。算力算力基础基础核心核心通用通用技术技术请务必阅读报告附注中的风险提示和免责声明11资料来源:商汤、创新奇智、第四范式招股说明书,Frost&Sullivan,灼识咨询,IDC,国海证券研究所(注:按人民币计价)市场规模:人工智能及计算机视觉市场规模快速增长市场规模:人工智能及计算机视觉市场规模快速增长20182019202020212022E2023E2024E2025E全球人工智能市场规模(亿元)9,359 12,473 15,230 18,862 23,903 30,802 39,947 50,033 YoY37.43.3.1#.9&.7(.9).7%.3%中国人工智能市场规模(亿元)8611,3721,8582,6033,7055,2987,47010,457YoY58.0Y.45.4.1B.3C.0A.0.0%中国/全球占比9.2.0.2.8.5.2.7 .9%中国计算机视觉市场规模(亿元)234391 556 845 1,173 1,542 2,055 2,623 YoY105.3g.1B.2R.08.81.53.3.6%中国 计算机视觉/人工智能占比27.2(.5).92.51.7).1.5%.1%中国人工智能软件市场规模(亿元)118.44 193.63 230.90 330.30 462.42 628.89 854.25 1,110.53 YoY63.5.2C.0.06.05.80.0%中国 人工智能软件占比13.8.1.4.7.5.9.4.6%全球计算机视觉软件市场规模(亿元)608 863 928 1,279 1,755 2,490 3,373 4,426 YoY41.9%7.67.97.2A.95.41.2%中国计算机视觉软件市场规模(亿元)791381672433515237421,018YoY74.7!.0E.5D.4I.0A.97.2%中国 计算机视觉软件占比33.85.30.0(.8).93.96.18.8%中国/全球占比13.0.0.0.0 .0!.0.0#.0%请务必阅读报告附注中的风险提示和免责声明12算法算法概览概览:Transformer逐渐在逐渐在CV领域推广,但算法尚未迎来突破性进展领域推广,但算法尚未迎来突破性进展资料来源:EasyAI,机器之心官网、微信公众号,Gradient-Based Learning Applied to Document RecognitionYann LeCun等,VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITIONKarenSimonyan等,Going Deeper with ConvolutionsChristianSzegedy等,Deep Residual Learning for Image RecognitionKaimingHe等,Densely Connected Convolutional NetworksGao Huang等,Attention Is All You NeedAshish Vaswani等,An Image is Worth 16x16 Words:Transformers for Image Recognition at ScaleAlexey Dosovitskiy等,Swin Transformer:Hierarchical Vision Transformer using Shifted WindowsZe Liu等,Training data-efficient image transformers&distillation through attentionHugoTouvron等,Empirical Evaluation of Gated Recurrent Neural Networks on Sequence ModelingJunyoung Chung等乐趣区,电工吧,国海证券研究所卷积神经网络(卷积神经网络(CNN)1998年正式提出,在计算机视觉领域广泛应用,通过参数共享和稀疏交互降低模型复杂度,提高模型训练和预测的速度和准确率,提高泛化能力;但对变换形状、大小的目标需要重新训练,因此需要数据增强等技术增强模型鲁棒性。循环神经网络(循环神经网络(RNN)长短期记忆网络(长短期记忆网络(LSTM)门控循环单元(门控循环单元(GRU)1980-1990年发展,在计算机视觉中主要用于处理序列数据,如时间序列、文本序列;但是存在训练过程不稳定、计算复杂度高、难以并行化计算。图像分类目标检测图像分割目标跟踪图像压缩图像生成图像重构风格迁移图像超分辨率视频分析(子任务)文本识别动作识别视频分析图像描述生成姿态估计1997年提出,RNN的变体,具有更好的长期记忆能力,能处理长时间间隔的信息;但本质是序列模型,需要和CNN等结合才能实现更好的效果。2014年提出,LSTM的简化和改进,相对LSTM处理长序列能力略逊一筹,但参数较少,训练速度更快;复杂任务需要更多的调整和参数。自注意力机制自注意力机制(Self-Attention)2017年提出,在NLP领域,尤其是机器翻译任务得到了很好的应用效果,也逐步在CV领域拓展,Transformer架构也逐步在计算机视觉领域流行;自注意力机制可以帮助模型在输入序列中自适应地挖掘不同部分之间的关系,完成要从图像中提取特征并将其与自然语言文本相结合的任务。图像分类目标检测图像分割图像生成图像描述生成图像问答模型模型发布时间发布时间 发布者发布者特点特点VGG2014Oxford用多个较小的卷积核替代一个较大的卷积核,从而增加网络的深度和非线性能力,同时减小参数量;结构简单、易于理解、容易复现,但模型过于复杂,参数量过大,训练和推理的速度较慢。Inception2014谷歌卷积核组合处理输入数据,模型参数少、表达能力强、可扩展性好,但计算量大、训练时间长。ResNet2015微软残差连接减轻了梯度消失问题,可以训练更深的神经网络;引入批量归一化(Batch Normalization),加速网络的收敛速度,提高了训练的稳定性;获2015、2016年ImageNet挑战赛冠军;但模型庞大,需较多的计算资源和存储空间,容易过拟合。DenseNet2016微软更高的参数利用率和特征重用能力,有助于提高模型的准确性和泛化能力;更少的参数量和计算量解决过拟合和梯度消失问题;但网络结构复杂导致训练推理成本较高,处理较大尺寸图像数据存在挑战。Transformer架构架构 逐步在CV广泛应用;具备良好建模能力,能够处理空间信息;但消耗算力较大;对未知信息敏感;对小型图像数据集表现可能不如CNN。模型模型发布时间发布时间发布者发布者特点特点ViT2020谷歌基于Transformer,可以再不使用卷积层的情况下处理图像,更加灵活;数据需求较小;可并行计算,训练效率较高;但悬链时间较长,需要大量计算资源,且可能会忽略图像中局部信息。SwinTransformer2021微软基于Transformer,引入跨阶段连接(cross-stage connection)机制,促进特征信息的传递,提高了模型的效率和精度;具有更好的横向扩展性,能够适应更大和更复杂的数据集和任务;但需要大量计算资源和训练数据,可能出现过拟合。DeiT2021Meta基于Transformer,通过知识蒸馏和数据增强提高模型性能,主要用于图像分类和目标检测任务,可以在保持准确性的同时减少计算量和存储空间的消耗;但相对没那么通用。目前主要问题目前主要问题数据量不足,图像、视频类数据标准更为复杂,有效数据集规模不够大;复杂场景下准确率不够高;算法鲁棒性不够;数据隐私与安全问题。发展性发展性 深度学习模型改进、多模态视觉、强化学习、无监督学习。请务必阅读报告附注中的风险提示和免责声明13资料来源:ICCV、CVPR、ECCV官网,各公司官网、微信公众号、招股说明书,机器之心,Github,199IT,极市平台,国海证券研究所学术领域:纵览三大会议论坛学术领域:纵览三大会议论坛ICCV、CVPR、ECCV,中国实现追赶超越,中国实现追赶超越图:2017-2022年论文入选数量合计(篇)公司公司冠军数量冠军数量(2015年至今)年至今)侧重领域侧重领域商汤70 图像视频修复和增强、视频动作识别、具身智能、人脸识别和验证旷视47图像分类、目标检测、视频跟踪、动作/事件识别腾讯优图52活体检测、图像分辨与识别、实例分割阿里达摩院60 视频分割、目标检测百度AI70 视频内容分析、遥感影像分析、人脸识别表:2017-2022年比赛冠军数量合计名称含金量论文接收竞赛ICCV,IEEE国际计算机视觉大会自1987年每两年一届,已举办18届全球范围举办计算机视觉领域,全球最高级别学术会议2021年(线上),共录取1617篇论文,录取率约为 25.9 21年举办竞赛超30 个CVPR,IEEE国际计算机视觉与模式识别会议自1985年举办每年一届,已举办38届只在美国本土举办CVPR被认为有着很强的影响因子和很高的排名2023年收录2360篇论文,录取率达25.8 22年共33个比赛ECCV,欧洲计算机视觉国际会议每两年在欧洲举办一次更注重理论,近年来逐步重视实践应用2022年收录1629篇论文,录取率低于20 22年共12个比赛3287712620558127205042016745227210050100150200250300350商汤商汤旷视旷视华为华为腾讯腾讯百度百度CVPRICCVECCV请务必阅读报告附注中的风险提示和免责声明14资料来源:极市平台,Exploiting Temporal Relations on Radar Perception for Autonomous DrivingPeizhao Li等,Catching Both Gray and Black Swans:Open-set Supervised Anomaly DetectionChoubo Ding等,EPro-PnP:Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose EstimationHansheng Chen等,国海证券研究所学术领域:前沿学术研究支撑学术领域:前沿学术研究支撑AI商业化发展商业化发展前沿学术研究前沿学术研究Domain Generalization via Shuffled Style Assembly for Face Anti-Spoofin关注到了越来越频发的AI换脸欺诈事件,因此提出了一种新的方法Shuffled Style Assembly Network(SSAN),开发了一种对比学习策略,使用正确集合的表示来区分活动和欺骗,实现face anti-spoofing(FAS)。AI商业化发展商业化发展三大论坛收录的最新论文主要方向包括计算机视觉各类算法,如目标检测、图像分割等,以及机器学习相关算法,也包含垂直细分行业的应用,如医学影像、自动驾驶等。入选论文的领先性主要在于三大方面:提出了新的算法解决或改善了目前在应用过程中遇到的问题提出了新的算法解决或改善了目前在应用过程中遇到的问题提出特定场景下(医学影像、自动驾驶等)的算法提出特定场景下(医学影像、自动驾驶等)的算法通用技术领域,提出新通用技术领域,提出新/优化的算法,改善性能等(主要学术研究方向)优化的算法,改善性能等(主要学术研究方向)支撑Catching Both Gray and Black Swans:Open-set Supervised Anomaly Detection提出开放集监督异常检测方法检测已见异常(黑天鹅)和未见的异常(灰天鹅),并在工业检测、基于漫游者的行星探测和医学图像等9个实际应用数据集的检验效果超过了目前5个最先进的竞争算法。CVPR2022年最佳论文奖Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose Estimation提出EPro-PnP引入概率分布,将几何推理和深度学习两种方法无缝衔接,形成了一个端到端的易用模型,可以通过单张图像快速估算3D物体的位姿。AI商业化落地过程中,会出现各种各样的问题商业化落地过程中,会出现各种各样的问题细分行业众多,长尾场景蕴含商业价值细分行业众多,长尾场景蕴含商业价值部分场景需要更优算法才能达到商业化标准,部分场景并不需要部分场景需要更优算法才能达到商业化标准,部分场景并不需要解决适应提升通过2D图像求解3D物体在真实世界里的位姿一直是3D视觉领域经典问题,在自动驾驶中就需要对周边车辆位姿进行快速精准测算,但是在其他并不需要位姿高精度、高速度的场景下,更优算法会带来一定的增益,但更像是锦上添花,如安防监控中为位姿识别可以通过摄像头全方位布局实现。医学影像、工业质检、视频监控犯罪/安全事故监测、智能驾驶领域等都涉及众多长尾场景,异常数据相对较少,但往往让AI解决方案落地的关键因素就是长尾问题的解决;目前AI商业化过程中主要满足的仍是头部需求,长尾需求空间还很大。AI商业化落地过程中会出现各种问题,比如成本过高、AI换脸欺诈、样本数据较少等,因此也有少部分的学术研究会关注实践过程,提高成本效益,解决因数据量较少导致算法低效以及部分领域特定的问题;随着AI逐步商业化落地,包括三大会议论坛在内的学术研究也越来越关注实践领域。中国数字经济之下,各行业产生海量的数据,为AI算法开发提供了充足的数据基础;AI芯片、AI传感器、AI服务器、AI超算中心等基础设施快速发展和完善;AI算法持续发展,AI模型规模量产,国内商业化迎来全面落地开花。请务必阅读报告附注中的风险提示和免责声明15核心技术:底层框架具备战略性意义,海外主导,国内百度集团、商汤领先核心技术:底层框架具备战略性意义,海外主导,国内百度集团、商汤领先资料来源:中国信通院AI框架发展白皮书,各框架官网,深圳市人工智能产业协会,新智元,GitHub,国海证券研究所表:国内外主要底层框架概览底层框架底层框架算法封装、特征库、计算资源、开发界面、执行平台开发者开发者使用底层框架进行AI算法模型开发,过程中产生新的数据、创新的算法模型,将留在平台中。底层框架开源,可供所有开发者免费使用。企业企业图:企业战略布局底层框架,框架开源反哺企业发展投入大量人才,资金支持,开发底层框架。框架及开发平台开源,引领行业发展,提升企业形象,且用户使用后的创新算法和反馈将助力企业框架及算法改进。TensorFlowPytorchPaddleOpenCVOpenMMlab所属公司谷歌Meta百度集团英特尔商汤开源时间2015.11.092016.120162000.062018.10 Commits144.3k57.4k40.3k32.7k-Fork87.9k17.6k5k54.3k18kStar172k63.4k19.7k67k63kContributors3.3k2.6k0.7k14.3k13k主要语言C (63%)、Python(21%)C (46%)、Python(44%)C (47%)、Python(44%)C (87%)Python(99%)功能TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统,其中包含各种工具、库和社区资源,包括自定义、分布式训练、图像、文本、音频、结构化数据、生成式、模型理解、强化学习、tfEstimator等基于Torch的Python开源机器学习库,包括分类器模型、计算机视觉模型、自然语言处理模型(聊天机器人,文本生成)等。还提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy)2.包含自动求导系统的深度神经网络。集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体,包括开发与训练框架、模型库、模型预训练/压缩工具及部署框架和引擎。开源计算机视觉和机器学习软件库,拥有超过2500种优化算法,可用于人脸识别、物体识别、风景识别、图像分类、运动跟踪、3D生成、超分辨率、图像检索、图像处理,跟踪眼球运动、增强现实等。拥有超47000人的用户社区,下载量约超过1800万。基于Pytorch,包括MMCV计算机视觉基础库、MMDetection物体检测工具箱、MMAction行为理解工具箱、MMSkeleton基于骨架的视频分析工具箱、MMFashion服饰分析工具箱、MMSR超分辨率工具箱等。特点TensorFlow是工业型框架,自成立以来一直是面向部署的应用程序的首选框架,TensorFlow Serving和TensorFlow Lite可让用户轻松地在云、服务器、移动设备和 IoT 设备上进行部署。不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的;简单易用可以实现快速验证,因此科研人员更为偏爱,各大期刊发表论文约80%使用Pytorch。源于产业实践,始终致力于与产业深入融合。目前飞桨已广泛应用于工业、农业、服务业等,服务 406万开发者。拥有超过2500种优化算法,具有C ,Python,Java和MATLAB接口,并支持Windows,Linux,Android和Mac OS,OpenCV主要倾向于实时视觉应用;开源二十余年,是计算机视觉领域应用最为广泛的软件库、数据库。拥有250 系列算法,2000 预先训练的模型,用于学术研究和工业应用的开源项目;涵盖了计算机视觉的广泛研究课题,例如分类,检测,分割和超分辨率。受众谷歌、英特尔、AMD、ARM、彭博、DeepMind、联想、GE医疗、美团、小米、网易、PayPal、SAP、搜狗等。Facebook、Twitter、GMU和Salesforce等。英特尔、英伟达、浪潮、华为、寒武纪、中国电信、中信银行、中国南方电网、比特大陆、深交所、千千音乐等。谷歌、雅虎、微软、英特尔、IBM、索尼、本田、丰田、华为、奥比中光、roboflow等。卡梅伦、约翰霍普金斯、牛津、人大、浙大、清华、北大、复旦;商汤、字节跳动、谷歌、英特尔、微软、华为、阿里、美团、腾讯等。注:Commits、Fork、Star、Contributors均为衡量开源项目活跃度、关注度、共享程度的相关指标;数据20230307;其中OpenMMlab相关数据均为主体框架及应用框架合计,其余均为主体框架数据请务必阅读报告附注中的风险提示和免责声明16从从0 0到到1 1:技术单点突破:技术单点突破从从1 1到到NN:商业化飞轮加速:商业化飞轮加速当前阶段:当前阶段:全面商业化前的黎明全面商业化前的黎明资料来源:数智上海,AI大模型,机器之心,新智元,国海证券研究所计算机视觉商业化尚处黎明之前计算机视觉商业化尚处黎明之前商业化 AI开源框架开源框架:TensorFlow、Pytorch、OpenCV 大模型大模型:商汤AI大模型320亿参数(截至202302)、百度文心VIMER-UFO2.0大模型170亿参数(截至202207)、谷歌V-MoE视觉大模型150亿参数(截至202106)。跨越工业红线跨越工业红线:2014年商汤识别算法准确率达到98.52%,全球首次超过人眼识别准确率。生产要素的投入注:生产要素包括算力、技术人才、数据、时间、资金等 AI供应市场供应市场:技术突破,跨越工业红线 实现商业价值闭环-落地商用-数据反哺,模型调优,效率提升-规模商用 AI用户用户:AI免费试用,产生行为及数据等-AI更好用,实现降本提效-付费意愿提升 AI厂商厂商:大规模资金、算力、人力、时间成本投入,实现技术突破-逐步商用-资金回流,加速商业进程,让AI更好用-规模效应实现成本下降,AI资产复用实现生产效率提升,同时市场付费意愿提升-正向盈利请务必阅读报告附注中的风险提示和免责声明17资料来源:机器之能,InfoQ,钛媒体,证券日报网,机器之心,量子位,新京报,百度、微软、Facebook官网,百度AI,智东西,数智上海,国海证券研究所AI大模型加速人工智能商业化进程大模型加速人工智能商业化进程公司AI大模型特色参数OpenAIGPT-3自回归语言模型,在 transformer 的各层上都使用了交替密集和局部带状稀疏的注意力模式,答题、翻译、写作能力出色。1750亿(截至202005)微软MT-NLG(威震天-图灵)针对自然语言任务,是当时全球规模最大、性能最强的NLP模型,在阅读理解、常识推理及自然语言推理任务中具备高准确性。5300亿(截至202110)谷歌BERT基于双向 Transformer 的大规模预训练语言模型,为许多AI大模型的基本框架。4810亿(截至202112)Switch Transformer迄今为止最大的模型,在91%的语言翻译有4倍以上的提速,预训练速度提高7倍以上。1.6万亿(截至202101)阿里巴巴M6主打多模态、多任务能力,在绘画、文字生成图片等领域表现出色,可生成10241024分辨率实物高清图片,相比英伟达、谷歌节省超八成算力,提升效率近11倍。10万亿(截至202111)百度集团鹏城-百度 文心(ERNIE 3.0 Titan)针对知识增强领域,包括写作、作画等AIGC方向,首创大模型在线蒸馏技术,模型参数压缩率可达99.98%。压缩版模型仅保留0.02%参数规模即效果相当。2600亿(截至202112)表:各公司典型AI大模型概览图:AI大模型依托其泛化能力强、处理能力强加速AI全面落地AI大模型是什么?大模型是什么?AI大模型有何优势?大模型有何优势?AI大模型解决了什么痛点?大模型解决了什么痛点?海量大规模宽泛数据(量多、高维)大规模预先性基础模型即AI大模型预训练能力泛化应用支撑技术融合参数量多、模型深度、网络结构复杂多模态信息的高效理解能力,跨模态的感知能力,跨差异化任务的迁移与执行能力场景多元长尾场景缺乏数据AI模型成本高AI渗透率低遇到新数据仍可做出准确预测可处理多类型信息输入、多模态下的多种任务模型微调和应用适配,摆脱传统AI能力碎片化、作坊式开发的束缚正向循环加速AI商业化落地公司CV大模型特色参数谷歌V-MoE针对图像识别领域,将标准 Transformer 应用于图像,在ImageNet 图像数据集上实现了当时新的 SOTA Top-1 准确率90.450亿(截至202106)微软SwinTransformer v2.0针对稠密视觉领域,可迁移到需更高分辨率图像的多种视觉任务中。结合 Transformer 结构与重要视觉信号,通过扩展模型容量和分辨率,在四个具有代表性的基准上均刷新纪录。30亿(截至202203)MetaSEER针对图像识别领域,通过自我监督学习,可在几乎没有标签帮助的情况下识别图像中的物体,用ImageNet10%的数据集训练达到77.9%准确率。10亿(截至202103)百度集团文心VIMER-UFO 2.0面向多任务的视觉表征学习大模型,易于部署,可同时进行多项任务。170亿(截至202205)腾讯控股混元针对跨模态视频检索领域,首创层级化跨模态技术,取得MSR-VTT,MSVD,LSMDC,DiDeMo和ActivityNet 五大跨模态视频检索数据集榜单第一大满贯。千亿(截至202206)商汤SenseTime系列针对城市管理、企业管理、智能生活、智能汽车等领域的计算机视觉大模型,是目前最大参数规模的计算机视觉模型。320亿(截至202302)表:各公司CV模型概览请务必阅读报告附注中的风险提示和免责声明18资料来源:商汤微信公众号,芜湖发布,创新奇智、虹软科技招股说明书,阿里云、华为云官网,国海证券研究所AI资产复用资产复用加速加速AI全面商业化落地全面商业化落地数据收集、处理、标注数据收集、处理、标注选择模型选择模型训练训练调参调参优化优化模型部署模型部署数据来源小模型组合算力消耗大AI资产复用模式 1*N:灯塔客户标杆项目迁移其他用户场景;1 N:单个客户单一场景迁移多种场景。AI资产复用效果 数据流通、调参优化正循环;减少重复开发;提高效率节约成本。更丰富多元的数据集训练出更多的模型。AI资产复用,加速相似场景模型开发。大模型小模型能力泛化技术融合应用支撑适合不可拆解的多元复杂场景适合可分割或场景较为单一的行业多元场景需多个小模型组易产生累积误差平台模拟生成数据经授权的客户数据公共数据库第三方供应商企业自行收集评估评估算力商汤、旷视自建AIDC;创新奇智、虹软基于AWS云,海康基于阿里云,云从基于华为云等。目前AI软件对于硬件的要求较低,CPU、GPU、FPGA、ASIC上均可运行。数据反哺企业先发标杆客户拓展经客户授权,获取独家数据改进算法,拓展新客适合不可拆解的多元复杂场景适合可分割或场景较为单一的行业请务必阅读报告附注中的风险提示和免责声明19二、商业模式:垂直行业需先发且深耕,二、商业模式:垂直行业需先发且深耕,AIaaS适合当下渗透,软硬一体化是未来适合当下渗透,软硬一体化是未来请务必阅读报告附注中的风险提示和免责声明20资料来源:国海证券研究所商业模式概览:垂直行业解决方案、软硬件一体化产品、商业模式概览:垂直行业解决方案、软硬件一体化产品、AIaaS垂直行业解决方案垂直行业解决方案:SDK或一站式解决方案软硬一体化产品软硬一体化产品:以AI摄像头为主,延伸至门禁一体机等AIaaS:类云的方式,包括算力租用、平台开放、能力调用(API按次收费或套餐)现状现状:与传统软件行业一样,与各行业客户合作,基于客户的know how完善产品,标杆客户引领。优势优势:深耕垂直行业,拥有先发优势和高客户黏性。劣势劣势:各行业差异较大,产品研发成本、项目实施人工成本较高。未来趋势未来趋势:适用于AI商业化的现阶段;垂直行业先发优势明显,细分赛道具有头部效应。现状现状:由于边缘端AI需求较少,因此软硬件一体化产品均较为基础,以AI摄像头、门禁机、智能门锁等为主。优势优势:软件定义硬件。劣势劣势:边缘侧基础设施受限,现阶段全面应用存在难度。未来趋势未来趋势:未来的趋势;传统硬件厂商掌握了上下游资源,在想AI转型过程中依旧能在软硬一体化产品占据较大优势。现状现状:AIDC、AI开发者平台、AI能力平台均有,主要为B端用户,C端付费用户较少。优势优势:使用门槛低,易用性高。劣势劣势:产品过于标准化。未来趋势未来趋势:预计将为未来主流的商业模式;将具备明显的头部效应和规模效应。请务必阅读报告附注中的风险提示和免责声明21资料来源:各公司官网,国海证券研究所垂直行业解决方案:行业众多,场景多元,企业差异化布局垂直行业解决方案:行业众多,场景多元,企业差异化布局智慧城市智慧城市玩家玩家商汤、云从、旷视、云天励飞、依图、格灵深瞳、海康威视、大华股份企业应用企业应用商汤、旷视、依图、云从、云天励飞、格灵深瞳智慧金融智慧金融云从、依图、第四范式、格灵深瞳、海康威视工业制造工业制造商汤、旷视、第四范式、创新奇智、海康威视智慧零售智慧零售商汤、云从、依图、第四范式、虹软、格灵深瞳3C虹软、商汤、旷视智慧医疗智慧医疗商汤、第四范式、依图智能汽车智能汽车商汤、虹软泛娱乐泛娱乐商汤、旷视商汤、旷视家居家居图:计算机视觉企业智慧赋能各行各业图:垂直行业解决方案业务模式标准化的SDK包含硬件终端的一站式解决方案垂直行业解决方案垂直行业解决方案使用场景较为单一的行业智能手机、智能汽车等场景多元智慧城市、智能制造等高毛利规模效应客户合作实现算法性能最优AI企业技术支撑先发优势标杆客户引领市场拓展数据反哺飞轮效应服务范围及深度延伸请务必阅读报告附注中的风险提示和免责声明22资料来源:各公司官网、招股说明书、年报、微信公众号,Frost&Sullivan,iFinD,中国新闻网,中国警察网,国海证券研究所垂直行业解决方案垂直行业解决方案-智慧城市:以智慧城市:以AI监控为眼监控为眼,各企业侧重领域不同,各企业侧重领域不同公司公司规模规模方案方案客户客户优势优势商汤2021年收入:21.43亿元基于SenseFoundry商汤方舟城市开放平台,将城市初始视觉数据转化为对城市运营的反应,为出行及交通管理、城市服务、环境保护及应急响应四个场景提供支持及开发相应应用。北京、上海、深圳、迪拜、新加坡等155个城市聚焦视频监控信息后台处理分析、群体智能以及网络图像视频分析,覆盖众多长尾场景。云从科技2021年收入:8.64亿元以人机协同操作系统CWOS为支撑,布局智慧治理、城市大脑、智慧防汛、智慧规划等板块,实现态势感知、智能预判、统筹调度以及人机协同。广州、成都、重庆、北京、贵州、天津等30个省级行政区侧重人机交互,实现城市数据融合和知识计算。旷视科技2020年收入:9.15亿元基于Brain 平台及AI技术,推进城市服务、智能交通、智慧司法的发展,提高城市综合智能化水平。北京、上海、浙江、湖北、安徽等百余座国内城市、十余个国家和地区侧重设备及图像数据统一管理、数字孪生助力联动管理。云天励飞2020收入:3.55亿元基于大数据及算法平台,提供“端云协同”人工智能产品并应用于智慧安防、智慧交通、平安社区、城市治理、疫情防控等场景。深圳、东莞、杭州、青岛、上海、北京、龙岗等侧重人脸识别技术,围绕安防、寻人等领域。依图科技-基于算力与算法平台,解决城市管理者在城市交通调度、应急指挥、居民区保障、公共设施管理等场景的功能应用。广东、山东、上海、厦门、福州、贵阳、桂林等侧重于城市安防领域,与公安系统合作密切。格灵深瞳2020年收入:1.24亿元依靠智能前端产品、数据智能平台及行业应用平台相结合,在视图大数据、智能交通、智慧社区三大场景。北京、云南曲靖、河北唐山等侧重于智能交通,针对不同规模特征存储实现比对需求。海康威视-依托智能分析,提供“感知 数据 认知”方案,主要解决公共安全、交通出行、城市治理、民生服务、生态环保等场景的应用问题。湘阴、广州、宜春、德阳、济南、福建等侧重视频摄像硬件,具备成熟的产品线。大华股份-基于数字化转型理论和城市治理模型,在智慧城市、智慧交通、社会治理、公共与民生细分方向建立统一的技术架构,助力城市体系智能化。昆明、杭州、清远、济宁、青海茶卡盐湖、内蒙南海子湿地等侧重视频摄像硬件,落地项目涉及场景更多,如利用AR设备构建智慧机场等。智慧城市包括城市安防、智慧交通、城市大脑等多领域,各家公司在智慧城市细智慧城市包括城市安防、智慧交通、城市大脑等多领域,各家公司在智慧城市细分领域布局与侧重各不一样分领域布局与侧重各不一样。各公司业务落地城市存在重叠,但客户属于同一城市中不同街区,或提供不同种类型解决方案;当前,大华股份在智慧城市中只有硬件设备,其它公司均提供包含软硬件一体化产品的行业解决方案。据Frost&Sullivan,2021年,中国城市管理类计算机视觉软件市场规模为129亿元(YoY 57%),预计2025年达366亿元(CAGR 30%);目前中国AI摄像头渗透率较低,二三线城市摄像头普及率仍有较大提升空间。表:各公司智慧城市解决方案概览城市安防城市安防城市大脑城市大脑智慧交通智慧交通智慧城市智慧城市商汤云从旷视云天励飞依图格灵深瞳海康威视大华股份城市综合管理数据治理城市事件治理与公安合作安全与寻人领域与公安合作安全与寻人领域智慧交通监控摄影硬件监控摄影硬件图:智慧城市布局及计算机视觉企业侧重领域请务必阅读报告附注中的风险提示和免责声明23资料来源:各公司官网、招股说明书、年报、微信公众号,智东西,亿邦动力官网,中商情报网,iResearch,国海证券研究所垂直行业解决方案垂直行业解决方案-企业应用:以空间治理为主,业务相似度较高企业应用:以空间治理为主,业务相似度较高公司公司规模规模方案方案客户客户优势优势商汤2021年收入:19.58亿元基于SenseFoundry Enterprise 商汤方舟企业开放平台,为商业综合体提供车辆识别等智能管理;提供产业园区长尾场景设备设施智能连接的IOT能力;为办公写字楼提供智能同行设备、访客系统等。万科、杭州国际博览中心、陕西省文物保护研究院、成都IFS、上海印钞厂、金风科技等布局智慧园区,具备AI大模型,能够处理建筑面积更大的场景数据。旷视科技-提供智慧楼宇管理,包括通行、考勤、智能测温、私有云服务器等功能;园区中,基于AIoT平台及统一数据中心,支持智慧园区、社区、商业运营、智能服务三种业务智能化。金隅集团、广发证券大厦、华润集团等布局智慧楼宇。依图科技-在企业大厦及园区内提供人员准入身份验证功能,区域安防智能响应功能及园区运营状况分析功能。中国银联、上海赛科利、玛氏企业等聚焦智慧园区,具备智能管理平台,开放式架构支持公有云和私有云。云从科技-社区内提供泛感知数据采集能力及社区数字化治理模型,实现人脸车辆识别、OCR等;企事业单位内提供出入口感知识别设备及业务管理流程的智能化升级。国家电网重庆电力园、星河湾等支持人流监控分析和引流;与硬件厂商进行合作。云天励飞-为城市微单元如工业园区、写字楼等提供行政管理、安防管理、信息宣发及刷脸消费智能系统。深圳湾科技生态园、深圳国际会展中心、富士康主要布局楼宇人脸识别及测温。格灵深瞳-社区内,实现居民信息分类管理、识别测温及异常事件预警等;构建智慧油站,实现车流分析、业务效率分析及监控违规操作等。中国石化除空间管理外,聚焦智慧油站,利用前端摄像机产品及加油站经营数据实现油站智慧管理。企业应用目前主要包括智慧楼宇、智慧园区、智慧社区等空间治理,各公司均有布局,业务相似度较高,但商汤侧重大型园区客户,依图聚焦智慧园企业应用目前主要包括智慧楼宇、智慧园区、智慧社区等空间治理,各公司均有布局,业务相似度较高,但商汤侧重大型园区客户,依图聚焦智慧园区领域,旷视、云天励飞聚焦智慧楼宇,包括人脸识别、测温通行等,云从客户偏向政府部门,格灵深瞳客户聚焦加油站,实现油站智慧管理。区领域,旷视、云天励飞聚焦智慧楼宇,包括人脸识别、测温通行等,云从客户偏向政府部门,格灵深瞳客户聚焦加油站,实现油站智慧管理。据中商情报网、iResearch,中国智慧社区2021年市场规模预估为5844亿元(YoY 8%),但AI投入占比较低,约为1.1%,中国社区楼宇AI 安防软硬件市场规模预估为66亿元(YoY 29%);随着智慧社区AI渗透率提升,预计2025年达164亿元(CAGR 26%)。表:各公司企业应用相关解决方案概览请务必阅读报告附注中的风险提示和免责声明24资料来源:各公司官网、招股说明书,iResearch,国海证券研究所垂直行业解决方案垂直行业解决方案-智慧金融:侧重领域略有不同,多为人证识别、网店安防智慧金融:侧重领域略有不同,多为人证识别、网店安防公司公司规模规模方案方案客户客户优势优势云从科技2021年收入:1.35亿元基于人机协同操作系统,在金融前台采用非接触远程服务、资产智能化配置及智能风控;中台运营采用业务合规与智能稽核;前端提供网点智能化升级;后端采用数字化身份认证,以此满足零售金融、企业金融、金融市场三大业务智慧转型的需要。工商银行、建设银行、农业银行、中国银行、招商银行、重庆银行等100 家银行侧重于网点安防,包括身份核验等;以及客服与运营优化,落地项目较多。依图科技-依靠AI技术,打造智慧网点进行客流分析及服务质量追踪;实现刷脸取款、刷脸支付功能;为金融机构提供智能客服;为金融园区及办公大楼构建安全防控系统。招商银行等主要服务于银行业,侧重于线下ATM机刷脸取款功能及身份识别。第四范式-银行领域,通过人工智能技术提高银行服务效率、推动银行实现精准化营销并加强银行智能风控管理;保险领域,依靠数据平台,实现营销、投保、理赔、保全的全流程智能化运营;证券领域,基于智能平台,助力客户运营、投顾、投研量化和风控业务智能化,从而更为准确捕捉市场动态。兴业银行、国信证券、华夏银行、中关村银行、交通银行等融合计算机视觉、机器学习、语音技术、NLP等,除信贷风控与合规控制外,为银行、保险、证券企业提供精准营销。格灵深瞳2020年收入:0.77亿元基于视觉人工智能技术,结合银行实际业务情况,主要应用于银行金库、加钞间、网点的安全运营场景,实现银行的规范管理、银行的安防。建设银行、农业银行、中金银利、金帮融和等聚焦于安防,包括人体姿态及行为的识别、银行视频智能化转变及内控合规问题。海康威视-在银行、保险及证券领域,利用软硬件、AIoT及AI技术,打造智慧网点、智慧库房、场景化物联、智慧消防、信贷物联及远程金融云服务、安防联网。湖南建行、西湖农行、太平洋保险、长安银行、华夏银行等侧重于线下网点的运营,如库房管理、智能网点。智慧金融目前主要包括网点安防、人证识别、智能风控、精准营销等,除第四范式智慧金融目前主要包括网点安防、人证识别、智能风控、精准营销等,除第四范式外,各公司业务较为相似。外,各公司业务较为相似。与金融科技公司相比,AI企业在金融领域各项业务中均有布局,但主要布局网点安防及身份识别领域,在该领域AI企业技术具备通用性,算法模型及科技能力较强。目前智慧金融相关业务中,已知规模的企业中云从科技软件规模最大。据iResearch,2021年AI 金融核心产品市场规模为296亿元(YoY 33%),其中计算机视觉占比25.3%,即75亿元;预计2025年AI 金融核心产品市场规模达589亿元(CAGR 19%)。表:各公司智慧金融相关解决方案概览市场营销市场营销风险控制风险控制客户服务客户服务支持业务支持业务图:智慧金融布局客户需求监测个性化产品设计电销机器人资料自动审核AI信用评分AI反欺诈客服机器人图像语音身份识别个性化服务智能投研投顾内部合规控制操作风险预警AI计算机视觉企业计算机视觉企业请务必阅读报告附注中的风险提示和免责声明25资料来源:各公司官网、招股说明书、年报、微信公众号,Frost&Sullivan,iFinD,亿欧,国海证券研究所垂直行业解决方案垂直行业解决方案-智能制造:细分赛道众多,各企业布局差异较大智能制造:细分赛道众多,各企业布局差异较大公司公司规模规模方案方案客户客户优势优势商汤-基于深泉平台及AI芯片,实现生产中AI质检功能,生产后实时监控缺陷产品数据以优化生产质量。京沪高铁、国家电网、一汽集团等侧重于解决工业制造中的长尾需求,训练“客制化”算法模型。旷视科技2020年收入:2.19亿元基于AI技术、机器人与自动化装备,实现仓库、工厂智能化管理,包括货品搬运、储存、分拣、运输;基于计算机视觉技术,监控生产线产品质量、安全巡查等。正昌粮机、三菱电机、徐福记、亿阳纺织等聚焦仓储物流及仓库智能搬运机器人及系统。第四范式-制造业领域,针对销售线索进行评级,提高营销效率,实时监控生产线,实现智能排产派工,实现设备异常检测功能,基于机器视觉技术,识别产品材料缺陷;能源领域,依据AI技术,实现各类能源硬件设施异常检测及对历史数据分析进行化工品价格预测。宁德时代等聚焦制造业排工派产等业务,融合自动机器学习、强化学习、环境学习等AI决策技术。创新奇智2021年收入:4.49亿元基于机器视觉智能平台、ABS及RDP中的软件系统,可处理图像,检测、测量各种物体,实现智慧运输、智能风电运送及智能缺陷检测。中冶赛迪、徐工信息、宝物钢铁等侧重生产过程中异常趋势的反应,实现产成品、半成品、原料全过程动态追溯。海康威视-依托智能物联网技术,服务于电网公司,实现发、输、变、配、用等环节的智能管理;实现各类发电集团安全管控,提高运营能力;构建数字化加油站及实现石油石化企业智能安全生产功能;利用AIoT感知设备实现燃气供热过程中隐患监控;实现化工原料制造中风险防控功能;在煤矿冶金领域,提通过视频数据分析,提高生产效率及安全防控能力。国网杭州供电公司、江汉油田、万华化学、华新水泥等服务领域多元化,聚焦工业传感,以工业相机为载体。智能制造空间很大,细分行业众多,但目前智能制造空间很大,细分行业众多,但目前AI计算机视觉主要布局工业质检、物计算机视觉主要布局工业质检、物流仓储、设备管理等领域;行业渗透率较低,在能源、钢铁、装备制造等行业已流仓储、设备管理等领域;行业渗透率较低,在能源、钢铁、装备制造等行业已有相关标杆案例。有相关标杆案例。与传统制造业信息化技术企业相比,AI计算机视觉企业聚焦生产环节,具备更高精度和识别率,旷视、创新奇智、海康威视与传统制造业信息化技术企业均有合作,助力企业智能化转型。目前智能制造相关业务中,已知规模企业中创新奇智收入规模最大。2021年中国制造业IT支出预估3794亿元(YoY 14%),中国制造业AI解决方案2021年市场规模为136亿元(YoY 49%),随着制造业数字化信息化快速发展,AI在各行业、各环节渗透率持续提升,预计2025年达649亿元(CAGR 48%)。表:各公司智能制造相关解决方案概览商汤商汤旷视旷视第四范式第四范式创新奇智创新奇智海康威视海康威视智慧物流、质量控制、维修维护智慧物流生产计划、质量控制、维修维护智慧物流、生产计划、质量控制、现场作业智慧物流、质量控制能源、制造业、新基建能源、食品、服装、制造业、医药能源、制造业能源、电子信息、制造业、工程建筑、钢铁冶金食品、制造业、医药具备工业质检软硬件整体解决方案主要布局物流机器人,涉及行业众多,商业化程度高聚焦AI决策较早布局”AI 制造“,涉及智能制造全流程智能制造环节布局智能制造环节布局智能制造行业布局智能制造行业布局优势优势聚焦传感器、工业相机等硬件设备图:AI企业布局智能制造环节、行业及优势请务必阅读报告附注中的风险提示和免责声明26资料来源:各公司官网、招股说明书、年报、微信公众号,艾瑞咨询,机器之心,环球网,国海证券研究所垂直行业解决方案垂直行业解决方案-智慧零售:服务于线下实体零售,侧重消费环节智慧零售:服务于线下实体零售,侧重消费环节公司公司规模规模方案方案客户客户优势优势商汤-基于SenseMARS火星混合现实平台技术能力及AI技术,线上为客户设计AR产品体验功能;线下门店设计虚拟导购形象,助力门店精准营销。中国免税品(集团)有限责任公司、永旺梦乐城等500家企业利用AR等技术提供线下导购及产品体验,已落地的项目较多。云从科技2021年收入0.17亿元针对细分场景,实现客群分析、智慧客流、动线分析、智慧导购、店铺营销活动分析、行为规范标准化等功能,帮助商家进行精准营销、高效运营;为消费者提供智能导航、反向寻车等附加服务,优化体验;推出智能货柜SaaS系统,提升零售体验。日月光、约克郡、华侨城、长嘉汇等聚焦销售人员管理及消费者洞察。依图科技-提供线下零售场景大数据分析、无底库挖掘、跨门店大同等数据智能服务。百丽等聚焦线下门店销售数据运营。第四范式-通过AI技术运用,精准建立客户画像,实时监控并预测客户需求,助力企业提高运营效率并根据其预测,提供智能供应链服务,降低企业成本;售后层面,应用于智慧客服,提升企业服务效率。永辉彩食鲜、来伊份、飞鹤乳业、卡诗、杰尼亚等将聚焦线下连锁以及供应链管理。虹软科技-基于IoT视觉技术,针对智能货柜,提供货品识别、客户身份识别、商品消费管控及便捷支付等功能,同时监控商品种类及数量,为商家部署智能补货库存管理。美的等聚焦智能货柜,主要部署货品识别及视觉模组。格灵深瞳2020年收入:0.41亿元基于商业智能分析平台、边缘计算设备、深瞳慧目摄像机等,在线下零售店场景中实现商品销售分析、热销商品分析、货架陈列分析等,从而提升门店运营效率,降低门店成本。尚博信等聚焦线下门店摄像机等硬件设备。表:各公司智慧零售相关解决方案概览智慧零售产业链较长智慧零售产业链较长,AI厂商更为侧重门店管理导购厂商更为侧重门店管理导购、数据运营等数据运营等。与智慧零售SaaS厂商相比,业务领域方面,零售SaaS厂商布局库存仓储至消费者部分,AI计算机视觉企业聚焦门店至消费者部分,包括客流分析、门店销售数据分析、门店人员管理及无人售货机等。目前智慧零售相关业务中,已知规模企业中云从科技收入规模最大。据iResearch,预估2021年中国AI 零售市场规模15.1亿元(YoY 54%),主要零售企业AI技术研发投入达27.8亿元(YoY 45.8%),投入较大且仍在持续快速增长,主要由于阿里、京东、拼多多等零售巨头多采用自研方式应用AI技术;因此AI企业零售解决方案主要面向实体零售厂商。生产加工库存仓储物流运输门店体验门店自提门店发货门店线上线上引流线上下单消费者盘活库存,实现店面快速补货物流基础补足补给商品增量智慧零售SaaS厂商AI计算机视觉企业图:智慧零售产业链及零售SaaS厂商、AI视觉企业布局请务必阅读报告附注中的风险提示和免责声明27资料来源:各公司官网、招股说明书、微信公众号,C114,IDC,iFinD,腾讯科技,国海证券研究所垂直行业解决方案垂直行业解决方案-智能手机:主要为人脸解锁、图像处理智能手机:主要为人脸解锁、图像处理SDK产品产品公司公司规模规模方案方案客户客户优势优势虹软科技2021年收入:5.35亿元智能拍摄方面,针对手机前后摄像头,在原有硬件摄像能力上提升成像质量;多摄像头方面,针对不同的硬件配置,提供多样化功能;深度相机方面,实现面部增强FaceID、3D建模等功能。三星、小米、OPPO、vivo、荣耀等侧重于摄影图像,与手机硬件厂商合作紧密,具备品牌效应。商汤-基于SenseMe水星智能移动终端平台,提供人工智能SDK、AI传感器和ISP芯片等产品,包括ID手机解锁、超分辨率、超级夜景摄影等等功能,同时实现手机相册智能化管理。vivo、OnePlus、华为、小米等综合解决能力较强,包括手机图像处理既人脸解锁,商业落地程度化高;具备自研AIISP芯片。旷视科技2020年收入:0.87亿元基于人工智能算法,增强智能设备光学处理,提高影像视频质量;提供智能设备人脸识别与屏下指纹安全解锁功能。OPPO、vivo等侧重于人脸识别及安全解锁功能,占据安卓人脸识别解锁70%市场。计算机视觉技术在智能手机渗透率逐步升高,主要是摄像等图像处理、人脸解锁等领域。虹软主要布局摄影图像,旷视聚焦手机人脸识别及安全解锁,计算机视觉技术在智能手机渗透率逐步升高,主要是摄像等图像处理、人脸解锁等领域。虹软主要布局摄影图像,旷视聚焦手机人脸识别及安全解锁,商汤进行综合布局。商汤进行综合布局。相较于手机厂商自研,AI计算机视觉企业在垂直领域具备经验,手机厂商与AI计算机视觉企业合作能够缩短研发周期、降低研发成本。目前智能手机相关业务中,虹软收入规模最大。据IDC发布的数据显示,2021年全球智能手机出货量为13.55亿台(YoY 6%),出货量增长疲软,但以人脸解锁、智能摄像为主的AI赋能渗透率正在逐步提升。表:各公司智能手机相关业务概览请务必阅读报告附注中的风险提示和免责声明28资料来源:各公司官网、招股说明书、年报、微信公众号,iResearch,国家药品监督局,国海证券研究所垂直行业解决方案垂直行业解决方案-智慧医疗:智慧医疗:主要基于医疗影像,主要基于医疗影像,逐步试点落地阶段逐步试点落地阶段公司公司方案方案客户客户优势优势商汤利用医疗大数据、高并发三维渲染及临床应用,实现CT、X射线影像智能分析及部分病理精准分析。瑞金医院、浙江大学医学院附属邵逸夫医院、镜湖医院、上海第九医院、地方卫健委等75家医院及医疗机构主要布局智能诊断及影像分析,提供3D手术规划及康复建议。第四范式基于AI技术、机器学习等,布局慢病风险预测、疫情推演系统、新生儿体重预测、胰腺癌术后生存分析等场景。瑞金医院等聚焦慢性病管理及防治。依图科技基于机器视觉技术,对X射线、超声等医疗影像信息进行结构化分析,辅助医生进行智能决策;提供医疗大数据平台,建立智能病种库;依靠智能互联网医疗平台,为临床医患交流等提供支持。北京协和医院、浙江省人民医院、西京医院、华西医院、上海儿童医学中心等侧重于医疗影像分析,基于NLP,具备大数据的病种库,智能医疗决策涉及更多病种,具备较强的竞争力。目前智慧医疗已经从执照申请阶段步入合作研发与试点应用并行阶段目前智慧医疗已经从执照申请阶段步入合作研发与试点应用并行阶段,主要基于计算机视觉与大数据分析主要基于计算机视觉与大数据分析,提供基于医疗影像等信息辅助诊断提供基于医疗影像等信息辅助诊断、规划规划、康复康复、防治等技术支持防治等技术支持。AI视觉企业主要合作的客户包括医院、地方卫健委等,合作客户有所重叠,但具体合作内容并不相同;商汤目前具备6个NMPA证书,其中包括1个第三类证书,依图具备4个NMPA证书,其中包括2个第三类证书。据iResearch,2021年中国AI医疗影像市场规模预估为9亿元(YoY 125%),随着各公司证书、执照申请逐步完成,开启AI医疗试点落地,预计2025年达100亿元(CAGR 83%)。表:各公司智慧医疗相关解决方案概览请务必阅读报告附注中的风险提示和免责声明29资料来源:各公司官网、招股说明书、年报、微信公众号,Frost&Sullivan,iFinD,高工智能汽车,国海证券研究所垂直行业解决方案垂直行业解决方案-智能汽车:智能座舱智能汽车:智能座舱 智能驾驶,未来高速发展智能驾驶,未来高速发展公司公司规模规模方案方案客户客户优势优势商汤2021年收入:1.84亿元基于SenseAuto商汤绝影智能汽车平台,实现智能车舱、智能驾驶、自动驾驶、车路协同功能,并利用SenseAuto Empower绝影赋能引擎对不同长尾场景中数据进行管理,通过算法不断自我优化。上汽、广汽、东风、比亚迪、蔚来、奇瑞、长城、高合等30 家车企除智能座舱外,布局自动驾驶领域,具备稳定远距离、多角度感知,另外对多种长尾感知问题,如极端天气等具备高效的解决能力。虹软科技 2021年收入:0.2亿元基于人脸技术及物体识别技术,实现DMS驾驶监控视觉子系统,监督驾驶员危险驾驶行为;提供智能驾驶辅助系统及360环视视觉子系统,监控驾驶过程中车外环境数据。长城、长安、一汽、上汽、理想、本田等侧重于智能座舱,车外环境感知,如人、车、物检测能力,以及道路标线等。表:各公司智能汽车相关业务概览AI企业在智能汽车主要提供智能座舱和智能驾驶,商汤均有布局,虹软主要提供智能座舱功能。企业在智能汽车主要提供智能座舱和智能驾驶,商汤均有布局,虹软主要提供智能座舱功能。智能座舱主要包括驾驶信息系统、娱乐信息系统及智能感知系统。商汤、虹软基于计算机视觉技术聚焦智能感知系统,包括DMS、OMS、及AI虚拟助手等。智能座舱领域,商汤细分功能更为多元,2021年商汤前装座舱搭载上险量9.47万辆,占市场份额15.73%,位列AI软件供应商第一,远超虹软2.85万辆;同时,商汤提供”车路协同“方案,将汽车智能平台连接至智慧城市、智慧商业、智慧生活等行业线;智能驾驶领域,虹软提供ADAS系统,而商汤不仅提供L2 ADAS系统,在L4级也有自动驾驶小巴,后续还将提供路云平台等附加服务。据Frost&Sullivan,2021年中国面向汽车应用计算机视觉软件市场规模预估为16亿元(YoY 33%),近年来智能座舱、智能驾驶发展迅速,渗透率逐步提升,预计2025年达153亿元(CAGR 76%)。请务必阅读报告附注中的风险提示和免责声明30资料来源:商汤、旷视官网及微信公众号,国海证券研究所公司公司方案方案客户客户优势优势商汤互联网领域,基于商汤SenseMARS火星混合现实平台,为客户提供线上AR体验、美颜、贴纸、滤镜等;文旅领域,提供数字文创产品,为景区提供AR导览、景观、拍照等,为机场提供AR导航,为文化会馆提供AR沉浸互动体验;元宇宙领域,布局数字人及AIGC“虚拟IP”助力企业营销。微博、小红书、爱化身科技、bilibili、上海柠萌影视传媒股份有限公司、sela、航旅纵横、故宫文化、数字猫等方案涉及行业多,产品丰富多元,在元宇宙领域开拓AIGC具备先发优势。旷视依据自研算法,实现美颜、滤镜、虚拟背景及特效贴纸等方案;为客户提供AR虚拟试妆及AI测肤功能。TomFord、海昌等主要布局美妆领域,线上线下门店均适用。表:各公司泛娱乐、元宇宙相关解决方案概览垂直行业解决方案垂直行业解决方案-智能家居、泛娱乐、元宇宙:较少智能家居、泛娱乐、元宇宙:较少AI创业企业布局创业企业布局公司公司方案方案客户客户优势优势商汤基于AIoT,提供智能门锁、象棋机器人元萝卜、智能电视和移动机器人等智能终端设备。飞利浦、凯迪仕、德施曼等聚焦于人脸识别智能门锁,市占率90%,采用3D双目视觉,相较于TOF及3D结构光,成本及功耗较低。旷视科技布局线下人脸支付、扫地机器人和智能门锁;依据算法,助力用户与智能电视和智慧屏交互。富士康等除智能门锁人脸识别外,与硬件厂商合作为传统家居企业提供智能管家机器人。表:各公司智能家居相关业务概览智能家居目前包括智能视觉家居、智能语音家居及智能触控家居。布局智能家居的AI企业较少,主要由于智能家居目前用到的计算机视觉技术较少,更多的应用的是语音交互技术等,主要用到计算机视觉的包括人脸识别、物体识别等。商汤主要布局智能门锁,提供人脸识别的技术;推出象棋机器人元萝卜;旷视布局智能门锁及智慧电视。泛娱乐、元宇宙业务中,商汤客户行业更为多元,所提供方案功能更多,旷视则主要布局线上软件贴纸、美颜、滤镜及美妆。请务必阅读报告附注中的风险提示和免责声明31资料来源:各公司官网、招股说明书、年报,国海证券研究所软硬件一体化产品:未来的趋势软硬件一体化产品:未来的趋势公司公司产品产品盈利模式盈利模式海康威视AI开放平台专用超脑、智能交通摄像机、智能人脸产品、明眸人证/人脸产品、安检系列产品、海康机器人、行车记录仪等终端设备销售大华股份多维感知网络摄像机、AI球机系列、智能交通摄像机、通用网络报警主机终端产品销售宇视科技枪式网络摄像机、云台&一体机、传感器、智能交通球机终端产品销售大疆创新经纬M30系列、经纬M3000RTK、御2行业进阶版、精灵4RTK、禅思H20N、禅思H20系列、大疆机场终端产品销售、以无人机为载体的专业性解决方案服务。百度集团智能门禁机、EdgeBoard产品中心、百度VR一体机、智慧家居硬件提供软硬件一体化产品和云服务获得收入。商汤STPUS100-0AC、AI传感器、睿目AI视觉模组、睿目通行一体机、火神测温一体机、星云智能边缘盒、星云智能服务器、3D红外双目面部识别模组AI芯片和AI传感器与索尼合作,收取IP授权费;通行一体机等其他设备终端主要是和其他平台软件产品等配合销售。旷视科技AIoT应用计算一体机、AIoT智能服务器、智能分析盒、人脸识别门禁一体机、智能网络摄像机、智能身份核验终端、智能便携人像对比一体机、机器人及智能设备消费物联网领域,公司提供移动终端类产品,并收取包括许可费和按相关型号的季度出货量计算的授权费。城市物联网和供应链物联网领域,公司通常收取机器人、传感器设备的销售费用和平台软件的授权费用。云从科技智能安防一体机、北极星结构光相机、盘古智能相机、智慧航显、智慧通关一体机、大鸿客流热力智能分析终端提供人机协同操作系统、核心组件、应用软件以及技术服务以获得销售收入。表:各公司软硬件一体化产品布局及盈利模式驱动因素驱动因素边缘侧AI算力需求;软件定义硬件大势所趋规模效应下,AI硬件产品价格下降。图:软硬一体化产品发展趋势软硬件产品软硬件产品AI芯片、AI传感器、AI摄像头、通行一体机、无人机、智能家居等现状现状 软件产品基本适配主流AI硬件;边缘侧AI能力的需求并不旺盛;产品单独销售或与解决方案组合销售。软件定义硬件、软硬件一体化产品软件定义硬件、软硬件一体化产品是未来的发展趋势,但现阶段而言是未来的发展趋势,但现阶段而言应用需求尚未完全释放。应用需求尚未完全释放。请务必阅读报告附注中的风险提示和免责声明32软硬件一体化产品软硬件一体化产品-AI摄像头摄像头公司主推产品智能功能外观像素镜头类型视角价格海康威视7寸200万臻全彩全景枪球iDS-2DC7C124MW-D支持深度学习算法,提供精准的人车分类侦测、报警、联动跟踪;支持双路区域入侵侦测、越界侦测、进入区域侦测和离开区域侦等智能侦测并联动跟踪。枪球全景400万;细节200万全景焦距4mm;细节焦距4.8 mm96 mm,20倍光学变倍,16倍数字变倍全景:水平视场角88.7,垂直视场角44.7;细节:水平视场角57.62.7(广角望远)2691元(海康云商官网,截至2023年2月)大华股份400万红外定焦防暴半球网络摄像机区域入侵;绊线入侵;物品遗留;物品搬移;场景变更;人脸检测;人员聚集;徘徊检测;快速移动;停车检测。半球400万定焦,焦距3.6mm/6mm6mm:水平48.6;垂直27.3;对角55.8454元(京东,截至2023年2月)400万红外定焦枪型网络摄像机红外枪 400万定焦,焦距2.8mm/3.6mm/6mm3.6mm:水平79;垂直42.4;对角92.8448元(京东,截至2023年2月)宇视科技300万低照红外海螺半球网络摄像机IPC333L-A(P)KF支持超级265、H.265编码算法,编码压缩效率更高;支持智能光敏,智能红外补光,区域增强(ROI)功能。半球300万定焦,焦距2.8mm/4mm/6mm2.8mm(113.1)/4.0mm(86.9)/6.0mm(55.6)可选229元(京东,截至2023年2月)大疆创新经纬M30系列支持地理信息获取、实时直播、标注同步、团队信息共享、航线规划和管理、精准复拍。飞行器搭载800万变焦相机焦距21-75 mm;广角相机焦距4.5 mm;红外相机9.1mm云台可控转动范围:平移:90,俯仰:-120至 45标准套装(包含飞行器、DJI RC Plus 遥控器、2 块 TB30 电池、BS30 电池箱、运输箱等)M30套装49800元起,M30T套装69800元起,截至2023年2月。百度集团度目智能摄像机场景自适应、目标检测跟踪;人脸抓拍、识别、质量、跟踪及ReID去重,10万底库人脸识别比对;提供开放性的云端平台。筒形200万室内版6mm22mm手动变焦,室外版7mm22mm 或2.8mm12mm室内版视场角(对角/水平/垂直)52.242.632.119.415.511.9询价旷视科技旷视敏观智能网络摄像机系列提供包括人像抓拍、人脸识别、智能双光、混合智能和全结构化等多能力的产品组合。枪型、筒形、半球200万可选配多种焦距镜头,或内置可电动变焦镜头-询价云从科技盘古智能相机人脸检测、识别(支持年龄、性别、表情、口罩等人脸属性检测)、支持抓拍、前端识别和后端特征识别.筒形800万-询价北极星结构光相机模组集3D结构光技术,人脸检测及活体检测算法。长方体3 万点散斑投射器,500 万像素的RGB 摄像头,100 万像素全局曝光红外摄像头以及红外照明激光源。资料来源:各公司官网,京东,国海证券研究所请务必阅读报告附注中的风险提示和免责声明33软硬件一体化产品软硬件一体化产品-门禁门禁/安防一体机安防一体机资料来源:各公司官网,京东,国海证券研究所公司主推产品认证方式镜头参数屏幕参数认证参数价格海康威视人脸门禁一体机单独人脸、单独刷卡、人脸 刷卡、人脸或刷卡。像素200万,焦距4mm4.3英寸272*480分辨率LCD触摸屏人脸比对时间0.2s;人脸比对准确率99%;人脸识别距离0.32m。4140元(海康云商官网,截至2023年2月)大华股份大华人脸一体主机支持刷卡/指纹/远程/密码/二维码/人脸识别开门模式,支持组合开门模式设置。200万广角双目摄像头10.1寸TFT液晶屏分辨率1280*800人脸验证准确率99.5%;1:N比对时间0.2S/人;面部识别距离0.3m-2.0m,适应0.9m2.4m身高范围。底库最大10万。3800元(京东,截至2023年2月)宇视科技智能门禁一体机支持人员核验、刷卡、密码、二维码、APP等方式控制开门。200万广角摄像头及F1.6大光圈镜头7英寸触摸屏600*1024分辨率最快识别速度0.2秒,目标(1:N)人脸库容最大1万,识别率99%,支持身高0.8m2.2m人员的识别及0.22.9m的识别距离控制。11000元(京东,截至2023年2月)百度集团度目智能门禁机CM-Lite园区出入口人脸核验,活体检测防假。双目近红外8寸触摸屏识别速度小于0.3秒,识别正确率大于95%,支持戴口罩的人脸识别。3000元(百度AI市场,截至2023年2月)商汤第三代3D双目红外一体化模组SEV3X3D面部识别模组。-模组尺寸40*16mm从上电到解锁完成的全流程时间700ms内,可覆盖1.1米2.1米的身高范围。可有效防止相似近亲人群解锁。询价旷视科技旷视神行人脸识别门禁一体机MegEye-W5K-I8可刷脸、刷卡、刷身份证、刷二维码,也可通过搭载神行官方配件,实现测温、扫健康码,配合测温防疫。300万RBG 130万IR8英寸底库10万,识别率99.8%,识别速度150ms。标配15999元,标配 测温模块17999元(京东,非自营/旗舰店,截至2023年2月)云从科技视频人脸门控机人脸比对。支持离线比对;支持平台/微信小程序远程开门。双路摄像头无屏幕识别距离15米。人脸角度支持俯仰45,左右60。人脸识别速度0.5s。底库最大6万。询价请务必阅读报告附注中的风险提示和免责声明34资料来源:各公司官网,国海证券研究所AIaaS:降低:降低AI使用门槛,加速商业化进程使用门槛,加速商业化进程公司公司平台平台特征特征百度集团飞浆PaddlePaddle、EasyDL、BML、EasyEdge等国内聚集开发者最多,平台产品最为多元,面向受众较广,发展较为成熟。阿里巴巴阿里灵杰、大数据 AI一体化平台更聚焦于AI能力开放,包括NLP、CV、ASR/TTS等领域,重视大数据与AI结合。腾讯控股AI开放平台、TI平台、腾讯优图AI开放平台侧重行业侧AI能力开放,包括互联网内容平台、传媒、金融、泛娱乐、医疗等。华为HiAI能力开放平台、ModelArts主要面向企业及个人开发者。第四范式先知平台决策AI平台,仅面向企业,助力企业发展,面向医疗、能源、金融、零售、制造行业。商汤SenseCore以算力租用、开发者平台为主,仅面向企业。旷视科技Face 、Brain 聚焦CV领域AI能力开放,Face 面向企业及个人,Brain 仅面向企业开发者。云从科技AI开放平台聚焦人证领域的技术能力开放和行业风控、安全解决方案。海康威视AI开放平台、海康云曜、萤石开放平台聚焦边缘侧终端应用开发与能力开放。表:各公司AIaaS平台AI能力开放平台能力开放平台AI开发者开放平台开发者开放平台用户用户/开发者开发者合作伙伴合作伙伴提供人脸识别、图像识别、语音识别、文字识别等功能调用。提供机器学习、数据标注、模型训练、低代码开发、模型部署等。调用功能或使用平台进行AI模型开发提供算力及功能,按调用量收取费用提供算力及功能,按调用量收取费用提供完整落地解决方案并收取相关费用图:AIaaS商业模式 使用门槛低使用门槛低,单价低,技术门槛低,设备一般无要求;可适用各行业可适用各行业。加速AI在各行业渗透,产生更多的数据,优化算法模型,开启飞轮效应。适合当下适合当下AI渗透率较低、市场化教育阶段渗透率较低、市场化教育阶段。AIDC提供算力,AIDC共享。表:AIaaS平台主要盈利模式概览盈利模式盈利模式企业企业特征特征按调用量计费百度、阿里、腾讯、华为、商汤、旷视、云从、海康一般是AI能力开放平台,企业均会采用按量计费;能力调用单价非常低,最低的有百度内容安全折扣价0.37元/万次,最贵的是15000元/万次,为行业应用版本。按计算时计费百度、阿里、腾讯、华为、第四范式、商汤一般为开发者平台算力调用,根据使用量、配置等,差异较大,0.7-242.3元/计算时不等。包年/月套餐百度、阿里、腾讯一般为开发者平台。按授权设备数百度、阿里、第四范式一般为开发者平台,按年/台或永久授权收费。请务必阅读报告附注中的风险提示和免责声明35AIaaS-百度集团:国内聚集开发者最多,平台产品最为多元百度集团:国内聚集开发者最多,平台产品最为多元资料来源:百度官网,极客公园,国海证券研究所产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式价格价格客户客户飞桨飞桨PaddlePaddle开发者开源深度学习平台,免费开源的算法框架、基础模型库、开发套件、工具组件等。开源框架免费-拥有开发者约535万(2022.12)AI Studio开发者学习与实训区,开发者交流、分析数据集和模型库等。交流社区免费-拥有开发者约200万(2022.12)智能对话平台智能对话平台UNIT企业、个人开发者提供智能对话技术,可云端版公有云调用、企业版私有化部署、本地离线解析。aPaaS一定数量免费研发环境,付费生产环境;按调用量阶梯或套餐收费。预置技能类型,价格在7-107元/万次不等。(20221226更新)招商银行、致远互联、东方航空、国家电网、中国移动、万科等智能创作平台智能创作平台企业、个人一站式创作平台,提供各行各业创作解决方案。SaaS包月套餐、功能套餐、免费测试资源后按量付费。视频创作套餐1698元/月,智能协作套餐198元/月,图文转视频月套餐在9.99-14.9元/次不等;API调用量付费在0.13-0.3元/张不等。(20221204更新)人民日报、新华社、央视网、工人日报、光明网、宁波晚报、紫金山新闻、半岛网、国家预警信息中心、招商银行、好看视频、百家号等内容安全方案内容安全方案企业、个人一站式内容安全解决方案。覆盖涉黄、违禁、广告检测等方面,同时提供人机审核平台供审核员人工复审。SaaS分为免费版、按量后付费、资源包付费、定制四种计价方式,阶梯收费;分不同类型识别。约0.37-56元/万次不等(20221108更新)。去哪儿、齐家网、高铁管家、美团点评、惠头条、美柚、纵横文学等iOCR自定义模自定义模板文字识别板文字识别企业、个人提供模板识别及图像分类器的自定义功能等。SaaS、SDK分为通用版、财会版、离线SDK,提供一定免费测试资源,按预付费、后付费方式计费,阶梯收费;分通用、医疗、财务、交通等各场景识别。24-6000元/万次不等(20230315更新)。中国国航APP、奇瑞、飞常准、极兔快递、中通快递、德邦快递等BML全能力开发全能力开发平台平台企业、个人开发者提供机器学习栈。包含数据管理、模型构建、云边端全场景推理三方面特色功能。IaaS、PaaS、SDK模型训练计费;公有云部署:按使用时间、配额计价;通用小型设备部署:分为基础版和加速版SDK,按设备数计价,永久使用;服务器部署:可按年计费或购买永久使用按设备数计价。模型训练:1.5-27元/小时/节点;公有云CPU:0.4元/小时/配额;设备终端部署:200-2000元/台,按产品线永久授权单价10-30万元/年/万台;服务器部署:10000元/年/台或永久授权50000万/台。(20210715更新)汉印、巡智科技、赛蓝科技、慧安信科等EasyDL零门槛零门槛开发平台开发平台零门槛开发者提供零门槛高精度的深度学习模型定制。支持图像分类、物体检测、文本分类、声音分类和视频分类五大功能。IaaS、PaaS、SaaS分本地、公有云部署,提供算力、终端部署、功能调用等,按终端部署数量、算力调用量或资源包计费。算力:1.26-27元/小时/节点;终端部署:分基础和加速版,200-2000元/年/台不等;服务器部署:10000元/年/台或永久授权50000元/台;普通功能调用:40-600元/万次不等,此外ERNIE大模型创作2.5元/次。(20230214更新)长春化工、蔚澜科技、云思、诺心食品、佛山供电局、恒科信息、长沙地铁、识货、Keep APP、中国专利信息中心、数维思创等EasyData智能数智能数据服务平台据服务平台企业、个人开发者提供面向AI模型开发的一站式数据采集、清洗、标注和增强技术,可以与EasyDL平台无缝对接。PaaS免费试用-EasyEdge端与边端与边缘缘AI服务平台服务平台零门槛开发者将自建模型快速部署到设备端。具有零门槛、高性能、广适配、易集成的优势。PaaS、SDK免费试用-慧安信科、偲睿科技、源创电喷、融讯伟业、卓因达科技、浙江工业大学等。注:SDK为软件产品,非AIaaS,但由于不少平台会同时提供联网或离线SDK、API调用服务,因此在商业模式中也进行了标明,后同。请务必阅读报告附注中的风险提示和免责声明36AIaaS-阿里巴巴:更聚焦于阿里巴巴:更聚焦于AI能力开放,重视大数据与能力开放,重视大数据与AI结合结合类别类别产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式价格水平价格水平客户客户AI开开放放服服务务阿里云视阿里云视觉智能开觉智能开放平台放平台企业、个人包含人脸人体/文字/图像识别、商品/视频理解、图像/视频处理及生产、目标检测、内容审核、3D视觉、自学习等。SaaS、SDK部分功能免费,分为按量付费、预付费QPS、通用预付费资源包。识别类:201.7-150元/千次(20230308更新);处理/生成类:文生图0.15元/次(20230315更新),视频4-96元/小时(20230308更新)。-文字识别文字识别提供个人证照、企业资质、票据凭证等方面的通用文字识别和多语言识别。SaaS赠送免费额度。免费额度消耗完后,资源包预付费或按量后付费。通用文字识别0.009-0.225元/次(20230216更新)-智能语音智能语音交互交互包括语音识别、语音合成、语音分析的多种智能语音交互功能,可提供设备端产品和便携式一体机。SaaS、SDK包括语音数据处理费用和附加产品费用,按时长或次数计费,资源包预付费或按量后付费。识别类:0.4-3.33元/小时、0.5-3.33元/千次;合成类:1-3.33元/千次、1.4-2.2元/万字、人声定制60元/个音色;SDK:2-10元/个。(20230301更新)Avaya、小i机器人、变形蛙等自然语言自然语言处理处理提供NPL基础服务以及多种文本结构分析理解服务,同时提供NPL自学习平台。SaaS、PaaS赠送免费额度,免费额度消耗完后,需购买资源包(分基础包、高级包、行业应用包);NLP平台可公有云调用或私有化部署。基础包:80-150元/十万次,高级包:375-500元/十万次,行业应用包:8000-15000元/十万次;NLP自学习平台:3.25-16元/千次。(20221220更新)-机器翻译机器翻译提供文本、文档、证件、图片翻译服务,支持语种识别、人机协同翻译和离线翻译功能。SaaS赠送免费额度。免费额度消耗完后,需购买资源包按字符数计费。文本:50-150元/百万字符,模型训练500元/小时;图片:0.04-0.06元/张;文档翻译0.2元/页。(20230306更新)-智能增长智能增长提供一站式智能搜索和场景化推荐服务。SaaS智能开放搜索分行业算法版、高性能/向量检索版、召回引擎版,以按量付费为主,部分可包年/月套餐付费;智能推荐分别为限流计费、弹性计费。智能开放搜索:229.21-271.38元/月,实例租用0.42-0.49元/小时(20230307更新);智能推荐:500元/月/百万用户、300元/月/百万物品、弹性16.65-33.3元/小时。(20230307更新)-大大数数据据 AI一一体体化化平平台台数据计算数据计算与分析与分析企业、个人开发者云原生大数据服务、开源大数据平台、实时数仓、数据洞察、数据检索分析、企业数据云平台。IaaS、PaaS分公有云、金融云;免费试用,试用期过后可选择按时计费、按量计费、包年包月三种。按量:0.03-0.57元/GB;按时:0.625-1.1875元/CU/小时;包月:40-285元/月。(20211216更新)-数据开发数据开发与治理与治理DataWorks一站式大数据开发与治理平台,提供智能数据建模、主动数据管理、高效数据生产、全域数据集成、全面数据安全和快速数据服务。SaaS、PaaS分公有云、政务云、金融云,分独享、公共数据服务;首月1元试用,试用期过后可选择按时计费、按量计费、包年包月三种。数据建模:7500-100000元/月;独享数据服务:2186-8744元/月。公共数据服务:1.33-2.66元/百万次;智能监控:5-40元/日;openAPI:0.3元/万次。(20230313更新)-机器学习机器学习PAI云原生的机器学习平台,支持大样本规模加速训练和多种落地场景。包括云原生AI基础平台、可视化建模平台、交互式建模平台和弹性推理服务平台。PaaS按计算时收费、预付费(包月/年)、后付费(按量计费)。1-1.7元/计算时;预付费:4738-67056元/月;后付费:12-29.106元/卡/时。(20230322更新)-资料来源:阿里灵杰官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明37平台平台类别类别产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式价格水平价格水平客户客户腾讯腾讯优图优图AI 互互联网联网内容安全内容安全互联网平台识别文本、图像、音频、视频中可能令人反感、不安全或不适宜内容。SaaS分文本、图像、视频、音频(是否直播)等,资源包预付费。文本:10-22元/万条(20221129更新);图片:10-22元/万张(20220208更新);音频:0.5-2元/小时(20221115更新);视频:4.2-13.2元/小时(20211217更新)。小红书视频直播视频直播长短视频、直播平台为短视频拍摄、直播、图像处理工具等互联网产品推出了包含主播核身 美颜特效的一整套产品解决方案。SDK分直播、短视频等,按年授权付费。直播:2350-165000元/年(20230207更新);短视频:1699-109999元/年(20221125)。B站人脸核身人脸核身企业提供高准确率、高安全性的人脸核身解决方案。SaaS分多种功能模块,资源包预付费或按调用量后付费。0.1-1.8元/次(20230203更新)微众银行人脸防伪人脸防伪识别视频、图像中是否应用人脸伪造技术。SaaS、SDK-云智媒体云智媒体AI中台中台传媒行业智能标签、智能拆条、智能编目、人脸集锦、视频质检、视频处理、视频审核;一站式视频处理平台。SaaS视频审核(分图片 音频):图片0.28-1.5元/千次、音频0.15-0.9元/小时等。(20211126更新)-金金融融财务票据财务票据企业、个人可在财务报销、发票验真等提供场景化票据识别服务。SaaS资源包预付费或按调用量后付费。220-300元/千次(20220422更新)-智能保险智能保险保险行业提供核保、理赔等场景智能识别解决方案。目前处于线上公测阶段。-泰康核保AI 教育教育优图教育优图教育教育行业面向教育行业推出OCR解决方案。SaaS-SDK产品产品泛娱乐泛娱乐sdk产品产品泛娱乐行业人像分割、基础美颜、人脸试妆、图像滤镜、人脸贴纸等功能。SDK-移动端移动端OCR产产品品企业、个人通用印刷体识别、身份证识别、银行卡识别、购车发票识别、营业执照识别等功能。SDK-腾讯腾讯云云 TI 平台平台TI-ONE 训练训练平台平台企业、个人开发者一站式机器学习平台,提供从数据接入、模型训练、模型管理到模型服务的开发支持。PaaS分不同规格,资源包预付费或按调用量后付费。资源包:332.6-116296.3元/月;按量:0.7-242.3元/时。(20221125更新)中国银行、碧桂园、华星光电、海通证券等TI-Matrix 应用平应用平台台全栈式人工智能服务平台,支持快速接入各种数据、算法和智能设备,并提供可视化编排工具进行服务和资源的管理及调度。仅支持私有化部署,线下收费。-TI-ACC加速加速工具工具为企业提供 AI 模型训练、推理加速服务。具有高性能、技术强大、支持多平台框架的特点。-智能对话平台智能对话平台TBP大型企业、开发者和生态合作伙伴提供机器人中间件、服务配置、网页模拟器、应用接入,实现高效、便捷、多样化、低成本人机对话体验。SaaS内测阶段免费使用中国银行、中信银行、光大银行、亚朵觅影开放实验平台觅影开放实验平台医学行业满足各类医学影像数据的安全管理和高效标注,内置近百种临床常用算法模型,加速临床影像科研和产品研发,助力医学人工智能产学研创新合作与成果转化。PaaS1)分基础和专业两个版本;2)包月套餐,包年套餐和可选资源包,均可独立购买;3)可自选配置购买。数据存储:0.12元/GB/月,公网下行流量:0.5元/GB/月,GPU使用时长:36元/小时/月,高级处理功能:4800元/台/月,教育功能模块50000元/个/月。(截至20230323)-腾讯云小微数智人腾讯云小微数智人企业、个人采用语音交互、虚拟形象模型生成等多项 AI 技术,实现唇形语音同步和表情动作拟人等效果,广泛应用于虚拟形象播报和实时语音交互两大场景。PaaS线上下单,套餐购买,包括交互数智人服务包、数智人视频生成服务-小时包。2D/3D形象租赁:1.25-4.425万元/月;数智人视频生成:1200-2400元/小时。(截至20230323)-AIaaS-腾讯控股:侧重行业侧腾讯控股:侧重行业侧AI能力开放,包括互联网、金融、医疗等能力开放,包括互联网、金融、医疗等资料来源:腾讯优图官网,腾讯云官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明38平台平台产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式价格水平价格水平客户客户机器学习机器学习企业、个人开发者提供机器学习套件,支持华为、安卓、苹果手机/平板系统(支持模型类别略有差异);分文本、语音语言、图像、人体人脸、自然语言处理类及自定义模型;提供端侧和云侧API接口。SDK、PaaS分不同功能,按使用量收费。15-400元/万次,50元/百万字符,0.24元/小时。(20230308更新)-HiAI能力能力开放开放平台平台HiAI Foundation芯片能力开放芯片能力开放开发者、应用市场生态合作伙伴衔接智慧业务和计算芯片,支持华为MindSpore、TensorFlow、Caffe、Paddle、ONNX等框架的对接,快速转化和迁移已有模型,借助异构调度和NPU加速获得更加性能,完成后可在华为应用市场上架。PaaS-快手、爱奇艺、搜狐、苏宁易购、携程、WPS、汽车之家、高铁管家、亮亮视野、拍立淘、绿幕侠、新华字典、元贝驾考、卡惠HiAI Engine应用能力开放应用能力开放CV、ASR、NLP引擎,将多种AI能力和APP结合,让APP更智能强大。-HiAI Service服务开放平台服务开放平台快服务智慧平台、小艺对话开发平台。-AI开开发平发平台台ModelArts自动学习自动学习企业、个人开发者支持多种自动学习能力,通过“自动学习”训练模型,用户不需编写代码即可完成自动建模、一键部署。IaaS、PaaS、SDK分为存储、资源、消息通知、边缘节点纳管费用;按需计费、预付套餐包。不同计算资源套餐费用为1.43-195元/个/小时。(20230117更新)中科院脑智卓越中心、河南鑫磊集团、Rainforest Connection数据管理数据管理支持数据筛选、标注等数据处理,提供数据集版本管理。开发工具开发工具发工具Notebook简化了整个开发过程,以降低开发门槛。算法管理算法管理本地或其他工具开发算法、预置算法统一管理。训练管理训练管理可以基于不同的数据,选择不同规格的资源池用于模型训练;可以自行开发或使用AI Gallery的算法调参,获得新模型。AI应用管理应用管理将训练作业中得到的模型、本地开发的模型部署为AI应用,并进行统一管理。多场景部署多场景部署支持模型部署到多种生产环境,可部署为云端在线推理和批量推理,也可以直接部署到端和边。资源池资源池提供了按需付费的公共资源池和无需排队的专属资源池。AI Gallery预置常用算法和常用数据集,支持模型在企业内部共享或者公开共享,实现模型分享和应用分享功能。AIaaS-华为华为:聚焦:聚焦AI开发者开发者平台平台资料来源:华为HiAI能力开放平台、ModelArts官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明39类别类别产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式客户客户战略转战略转型产品型产品与服务与服务北极星平台北极星平台企业为企业提供多种企业转型模版、快速拆解指标对应场景、接入范式及合作伙伴等应用功能,具有将业务整体分为挑战区与冠军区以及多层级灵活的实验审核的特色。SaaS、PaaS线上询价,按算力消耗收取额外使用许可费用,可预约产品演示及进行免费产品试用。-AI应用应用开发平开发平台台Sage AIOS-企业级企业级AI操作系统操作系统通过面向AI时代的数据治理、资源管理、应用管理的三方面核心能力,提供高实时、高性能、高可用的运行时支撑。PaaS、Saas、SDK线上询价,按算力消耗收取额外使用许可费用,可预约产品演示及进行免费产品试用。中国工商银行、交通银行、招商证券Sage Studio企业,低门槛全流程、低门槛AI应用开发与上线平台,提供面向AI的数据治理、模型构建、模型管理、应用构建、应用管控功能。PaaSSage HyperCycle-自动决策类自动决策类机器学习平台机器学习平台新一代低门槛、标准化、自动化人工智能机器学习平台,包括HyperCycleML、HyperCycleCV、HyperCycleOCR。PaaS、SaaSSage Knowledge Base低门槛、低门槛、全流程知识图谱构建平台全流程知识图谱构建平台将大量专家知识模块化封装进第四范式NLP产品,针对不同行业和领域提供知识驱动的复杂应用分析及决策支持。PaaS中国工商银行、交通银行Sage LaunchPad一站式一站式AI应用上线平台应用上线平台企业提供异构AI模型全生命周期管理及AI应用管理、应用监控和运维可视化功能,解决AI应用部署、落地难的问题。PaaS中国工商银行、交通银行、招商证券AI业务业务应用应用天枢天枢-数智化流量运营平台数智化流量运营平台包括智能推荐、智能搜索、智能推送、对话机器人、数据治理等服务。帮助提高流量运营效率,快速实现多个场景的智能运营。SaaS、PaaS线上询价,按设备数量和使用时长收取费用。来伊份、百威啤酒Smart Archive智能文档数字智能文档数字化化提供网页化上线操作界面、快速建模与上线、API/SDK 集成、批量化处理、双层可归档PDF、高精度手写体识别、预置卡证票场景模型等服务SaaS-智能决策中台智能决策中台企业级一站式策略管理平台,面向多行业提供策略开发、复用、组合及监控的策略闭环管理服务,包括运营策略中台、营销赋能中台、销售赋能中台。PaaS-智能决策供应链智能补货智能决策供应链智能补货企业级一站式智慧库存管家平台,提供智能化、自动化、低门槛供应链闭环管理服务。PaaS彩食鲜、来伊份算力算力产品产品SageOne平台平台AI算力平台,能够以软件定义算力的方式实现更优的AI算力以及AI效果,也提供多种机器学习训练引擎、推理引擎、存储引擎,并提供软硬件统一封装交付服务,开箱即用。IaaS、PaaS按设备数量和使用时长收取费用。中国工商银行、国家电网、中国石油、中国石化AIaaS-第四范式:决策类第四范式:决策类AI平台,仅面向企业平台,仅面向企业资料来源:第四范式官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明40类别类别产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式AI云基础云基础弹性裸金属服务器弹性裸金属服务器BMS企业开发者可弹性伸缩的物理机云服务器,具有安全物理隔离的特点。为企业AI业务提供计算性能。IaaS以平台提供的AI模型合约数量、物联网设备数量和运行AI模型所需硬件及计算资源服务量定价。高性能高性能AI算力池算力池ACPAI算力平台,具有弹性扩展、安全稳定、智能调度特点。帮助企业提高算力资源利用率。云容器实例云容器实例 CCI提供基于无服务器架构的容器实例。具有免运维、低成本特点。采取细粒度的计费模式。私有网络私有网络 VPC云上隔离的私有网络空间,提供标准VPC网络,同时面向AI场景,支持高速RDMA网络。弹性公网弹性公网IP EIP为用户提供私网公网灵活互访服务。AI文件存储文件存储AFS可扩展的并行文件存储系统,为企业、个人、开发者提供数据访问、数据读写请求等服务。AI对象存储对象存储AOSS为企业、个人、开发者提供AWS S3兼容、多种写入API、多种操作方式的云存储服务。AI数据服务数据服务AI数据管理平台数据管理平台AIDMP为企业、个人、开发者提供AI场景中数据集全生命周期管理所需的功能和配套工具。PaaSAI开发平台开发平台AI云开发机云开发机AICL为AI开发者提供专业灵活的开发环境及组件,包括多种资源规格配置、预置AI专用镜像、生命周期管理、云端编码调试、多种访问接入方式、打通AI算力池功能。开发工具开发工具云监控服务云监控服务 CMS企业级开箱即用的监控产品为SenseCore 云产品提供监控、可视化和灵活告警等服务,包括云产品监控、日志服务、快速告警、监控大盘等功能。Slurm兼容工具兼容工具SCC提供与SLURM语法兼容的CLI工具,包括提交训练任务、训练任务管理、集群资源查看等功能。容器镜像服务容器镜像服务CCR支持容器镜像全生命周期管理的安全托管平台,提供易用可靠的镜像管理功能,包括全生命周期管理、多维度安全保障等。AIaaS-商汤:以商汤:以算力租用、开发者平台为主,仅面向企业算力租用、开发者平台为主,仅面向企业资料来源:商汤官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明41资料来源:旷视科技官网,国海证券研究所平台平台产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式价格水平价格水平旷视旷视Face 人脸识别人脸识别企业、个人包括人脸识别、颜值评分、情绪识别、皮肤分析、面部特征分析、3D人脸重建、人脸关键点、稠密关键点等。SaaS、SDK1)分多种功能单独计费,API与SDK可支持功能不完全一样;2)SDK可联网授权、离线授权,联网授权按年/月授权设备数和授权次数计费,离线授权需咨询;3)API可按量计费或次数包或包时计费(QPS);4)含阶梯收费折扣。API:1-100元/千次(20211220更新);联网SDK:1-400元/次/年(20210908更新)。人体识别人体识别包括人体骨骼点和人体抠像产品。提供全身骨骼关键点识别、多人检测、算法智能预测、抠像技术。API:2-10元/千次,33.3-150元/(QPS*天)(20211220更新);联网SDK:10-400元/次/年(20210908更新)。文字识别文字识别包括文字识别、自定义模板文字识别、身份证质量检测、身份证识别、驾驶证识别、行驶证识别、银行卡识别、营业执照识别、通用文字识别。API:0.5-50元/千次,16.7-400元/(QPS*天)(20211220更新);联网SDK:1元/次/年(20210908更新)。图像识别图像识别包括车牌识别、犬鼻纹识别/比对、场景与物体识别等。API:6-3000元/千次,33.3-100元/(QPS*天)(20211220更新);联网SDK:99-200元/次/年(20210908更新)。人像处理人像处理包括美颜、美型、滤镜、贴纸、试妆等产品;提供识别人脸关键点、智能美颜美型、美颜美型拉杆调节、实时滤镜贴纸、智能试妆等功能。1)分多种功能单独计费,API与离线SDK可支持功能不完全一样;2)API可按量计费或次数包或包时计费(QPS),离线授权SDK产品需另外咨询。API:6-100元/千次,66.7-500元/(QPS*天)(20211220更新)。旷视旷视Brain MegCompute深度学习云计算平台深度学习云计算平台企业开发者具备算力的共享、调度和分布式能力。IaaS-MegData数据管理平台数据管理平台拥有全面的数据处理、管理和安全能力。PaaS-MegEngine旷视天元深度学习框架旷视天元深度学习框架提供算法的训练、推理和部署能力。-AIaaS-旷视科技:聚焦旷视科技:聚焦CV领域领域AI能力开放能力开放请务必阅读报告附注中的风险提示和免责声明42类别类别产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式AI开放平台开放平台人脸识别人脸识别企业包括人脸检测、口罩检测、人脸对比、人脸属性分析、人脸检索、双图换脸、人脸比对以及人脸库管理等。SaaS按次收费,部分功能免费。文字识别文字识别包括标准卡证(银行卡、身份证、营业执照、驾驶证、护照、不动产、名片等)识别、标准票据(火车票、发票等)识别、通用OCR识别(手写及文本)。按次收费活体识别活体识别通过判断视频中用户朗读的数字与系统给出的随机数字串是否相同来判定用户是否为活体等。语音识别语音识别将60秒内语音转写成文字。联网鉴身联网鉴身金融、互联网行业企业基于云从科技人脸识别核心技术,通过调用公安数据获取用户联网身份核查信息,进行现场照片、身份证照片、公安部预留底图三方比对,辅以银行卡鉴权等交叉认证方式,达到互联网鉴定客户身份的目标。API授权调用反欺诈云反欺诈云金融企业第三方数据云接入系统,不同用户可以定制自己所需的反欺诈服务接口。对第三方数据调用进行计费统计。CloudwalkInside边缘终端云核-边缘SDK,应用于人证设备、门禁考勤设备、通道闸机、智能手机、智能家居、车载电子、机器仪器、第三方平台软件厂商、芯片厂商等,主要包含两大模块,前端和后端,前端具有人脸检测、人脸跟踪、关键点检测、人脸对齐、质量评估、属性分析等功能,后端主要用于特征提取、人脸比对和人脸识别。SDK申请授权AIaaS-云从科技:聚焦人证领域的技术能力开放和行业风控、安全解决方案云从科技:聚焦人证领域的技术能力开放和行业风控、安全解决方案资料来源:云从科技官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明43平台平台产品产品受众受众功能功能商业模式商业模式盈利模式盈利模式价格水平价格水平客户客户AI开开放放平平台台一站式训练平台个人、企业开发者面向智能感知领域打造的一站式AI算法模型开发平台,提供数据管理、数据标注、模型自动化训练、模型校验、模型云边部署服务。PaaS目前免费使用,个人用户使用模型和数据集存在数量限制,企业认证后放开。免费平台注册企业用户规模已超过8,000个;累积成功落地项目超过4,000。算法应用编排平台零代码开发面向行业个性化场景的零代码算法解决方案可视化编排平台。设备开放平台HEOP应用开发、生态伙伴支持应用解耦开发,开发者开发独立于智能设备的APP,生态伙伴可以基于HEOP快速地进行智能物联网设备智能应用功能的迭代开发。开放能力企业、个人面向数字能源、工商企业、应急管理、数字乡村、医疗卫生、食药监管、住宅建筑、数字金融等行业提供基于CV技术的识别和检测能力。SaaS赠送免费额度(企业认证后更高额度)试用;长期使用可在云眸平台云部署或购买海康设备本地部署。-云曜云曜人工智能人工智能企业、个人对相关终端接入的视频、图像进行包括人脸人体识别、文字识别、人证核验、语音识别、车辆识别等功能。SaaS免费资源试用;购买阶段,按使用次数收费;实时语音识别按使用时长收费。人体识别/车辆识别/短语音识别2元/千次;OCR识别3元/百次;身份证识别7元/十次;实时语音识别1.8元/小时。-萤石萤石开放开放平台平台通用算法通用算法个人、企业开发者包括AI人脸检测/比对、人证核验、人形检测、人体属性分析、证件/执照识别、银行卡识别、通用文字识别、车辆属性识别、车牌识别、离岗检测等。分为免费版和企业版,但,无AI免费次数,AI功能按次调用收费。人脸识别、人形识别、车辆识别:2元/千次;文字识别30元/千次。南电科技、七分甜、展云耘冶算法市场算法市场包括智慧建筑行业算法和通用算法。算法训练系统算法训练系统包括素材采集导入、算法训练、算法部署,面向智慧工地、连锁门店、智慧城市等场景。AIaaS-海康威视:海康威视:聚焦边缘侧终端应用开发与能力开放聚焦边缘侧终端应用开发与能力开放资料来源:海康威视、云曜、萤石官网,国海证券研究所请务必阅读报告附注中的风险提示和免责声明44三、企业复三、企业复盘:关注盘:关注企业商业模式、技术团队、人效比、客户、盈利状况、资金情况企业商业模式、技术团队、人效比、客户、盈利状况、资金情况请务必阅读报告附注中的风险提示和免责声明45资料来源:iFinD,Wind,各公司官网、招股说明书、年报,阿里云开发者社区,新浪财经,新浪科技,钛媒体,科技新知,国海证券研究所企业概览企业概览:百花齐放,正处于上市热潮:百花齐放,正处于上市热潮公司公司商业模式商业模式业务布局业务布局AI相关收入规模百度集团AIaaS、软硬件一体化产品百度飞浆、自动驾驶、AI芯片智能云业务2021年营收151亿元(YoY 64%)。阿里巴巴AIaaS、软硬件一体化产品阿里灵杰、AI芯片阿里云2021财年营收601.2亿元(YoY 50%)。华为AIaaS、软硬一体化产品HIAI平台、华为机器视觉、AI芯片华为云2021年营收201亿元(YoY 34%)。腾讯控股AIaaS腾讯AI开放平台、腾讯优图开放平台海豚投研估测,腾讯云2021年营收307亿元(YoY 46%)。商汤AIaaS、垂直行业解决方案、软硬件一体化产品智慧城市、智慧商业、智慧生活、智能汽车、SenseCore、AI芯片、AI传感器、通用硬件2021年营收47亿元(YoY 36%),智慧城市、智慧商业、智慧生活、智能汽车收入分别为21.4(YoY 57%)、19.6(YoY 32%)、4.2(YoY-4%)、1.8(YoY 16%)亿元。旷视科技AIaaS、垂直行业解决方案、软硬件一体化产品消费物联网、城市物联网、供应链物联网、AI模组、AI摄像机2021H1营收6.69亿元,城市、消费、供应链物联网收入为4.82、1.49、0.39 亿元。云从科技AIaaS、垂直行业解决方案智慧治理、智慧金融、智慧出行、智慧商业2021年营收10.7亿元(YoY 43%),智慧治理、智慧金融、智慧出行、智慧商业收入分别为8.65(YoY 99%)、1.35(YoY-23%)、0.31(YoY-58%)、0.17(YoY-61%)亿元。依图科技垂直行业解决方案智能公共服务、智能城市、智能医疗、智能商业2020H1营收3.81亿元;智能公共服务、智能商业收入2.23、1.58亿元。第四范式AIaaS、垂直行业解决方案先知平台、智慧银行、智慧保险、智慧医疗、智慧证券、智慧零售等2021年1-9月收入13.45亿元(YoY 134%),先知平台及产品、应用开发及其他服务收入6.90、6.54亿元。创新奇智垂直行业解决方案AI 制造、AI 金融2021年营收8.61亿元(YoY 86%),“AI 制造”、“AI 金融”业务收入4.49(YoY 133%)、2.74(YoY 49%)亿元。虹软科技垂直行业解决方案智能手机算法、智能驾驶、智能保险、智能家居、智能零售、医疗健康2021年营收5.73亿元(YoY-16%),智能智能终端视觉解决方案、智能驾驶及其他LoT业务收入5.35(YoY-11%)、0.2(YoY-70%)亿元。云天励飞垂直行业解决方案数字城市运营管理、人居生活智慧化升级2020年营收4.19亿元(YoY 82%),数字城市、人居生活、AI芯片业务收入3.55(YoY 76%)、0.61(YoY 115%)、0.03亿元。格灵深瞳垂直行业解决方案智源视觉计算平台、城市管理、智慧金融、商业零售2021年营收2.94亿元(YoY 21%),2020年城市管理、智慧金融、商业零售营收占比51%、32%、17%。海康威视AIaaS、垂直行业解决方案、软硬件一体化产品综合安防、大数据服务和可视化管理、智能家居、机器人、汽车、消防等2021年营收814.2亿元(YoY 28%);主业产品及服务、创新业务收入651.5(YoY 17%)、122.7(YoY 99%)亿元。大华股份软硬件一体化产品安防监控、移动机器人、智慧安检、汽车电子、智慧消防等2021年营收328.35亿元(YoY 24%);智慧物联产品及方案、创新业务收入280.41(YoY 22%)、28.48(YoY 62%)亿元。2022.3.17格灵深瞳科创板上市旷视向港股终提交IPO,20200521终止2019.8.25云天励飞科创板提交IPO2020.12.8依图科创板提交IPO,20210703终止2020.11.4虹软科创板上市2019.7.22创新奇智成立2018.2.62015.3.27腾讯对外提供云服务云从成立阿里开始推出AI产品商汤成立2014.11.14第四范式成立2014.9.17百度布局AI201120102010依图成立2012.9.29格灵深瞳成立2013.8.16云天励飞成立2014.8.72021.12.302021.3.12商汤港股上市旷视科创板提交IPO2021.8.13第四范式向港股提交IPO2013大华股份转型AI海康威视发布深度智能产品201520152022.1.27创新奇智港股上市旷视成立2011.10.82022.5.27云从上市华为布局AI表:各公司商业模式、业务布局、相关收入规模概览请务必阅读报告附注中的风险提示和免责声明46市场份额:计算机视觉应用广泛,商汤市场份额:计算机视觉应用广泛,商汤是中国计算机视觉龙头是中国计算机视觉龙头图:2020年中国按类别分AI软件市场规模及占比(亿元,Frost&Sullivan测算)图:2020、2021H1、2021H2、2022H1中国计算机视觉应用市场份额(依据IDC数据测算而来)计算机视觉,167,56%音频与自然语言处理,105,36%数据科学,23,8%计算机视觉,1018,61%音频与自然语言处理,486,29%数据科学,169,10%6%3%6%5%2%2 %7%7%4%4%4%2%2%6%4%4%4%2%1!%6%6%5%4%3%2%2%0%5 %商汤科技旷视科技海康威视创新奇智云从科技依图科技大华股份北京智慧眼20202021H12021H22022H1图:2025E中国按类别分AI软件市场规模及占比(亿元,Frost&Sullivan测算)资料来源:商汤招股说明书,Frost&Sullivan,IDC,国海证券研究所请务必阅读报告附注中的风险提示和免责声明47资料来源:中国经济网,Aminer,各公司官网、年报、招股说明书,量子位,Wind,上海交通大学官网,投资界,中国人工智能学会,iFind,国海证券研究所技术能力对比:领路人及研发团队缺一不可技术能力对比:领路人及研发团队缺一不可公司公司CV领域领路人领域领路人研发人员数量研发人员数量(人)(人)公司硕公司硕/博士数量博士数量研发人员成本研发人员成本(万元(万元/人人/年)年)百度集团王井东(百度计算机视觉首席架构师,清华大学本硕、香港科技大学博士,曾任职微软亚洲研究院,2022IEEE Fellow。)27500(2021)-阿里巴巴华先胜(阿里副总裁、达摩院城市大脑实验室负责人,49岁,曾任微软研究院首席研发主管,IEEE Fellow,发表250余篇论文,拥有90多项专利,主攻CV领域。)-华为田奇(华为云人工智能领域首席科学家,清华大学本科,美国伊利诺伊大学香槟分校博士,IEEE Fellow,多次任CVPR、ICCV、ECCV等主席,发表计算机视觉顶刊及会议文章550余篇。)107000(2021)-腾讯控股王珏(腾讯AILab视觉中心计算中心主任,清华本硕、华盛顿大学博士,曾任Adobe Research首席科学家、旷视研究院高级总监,在顶级期刊和学术会议发表论文150余篇,拥有80多项国际专利)。-商汤汤晓鸥(商汤创始人,53岁,中科大学士、罗切斯特硕士、MIT博士,港中文信息工程系教授,曾任微软亚洲研究院计算机视觉组部门经理,IEEE Fellow,计算机视觉国际期刊首位华人主编,全球人脸识别技术的“开拓者”和“探路者”)。4274(2021)三分之二为硕士及以上,超250个博士及博士候选人含/剔除股份支付:71.5/45.7(2021H1)旷视科技孙剑(已故,曾任旷视首席科学家、旷视研究院院长,电子科技大学本科、西安交通大学博士,ResNet发明人之一,曾任职微软亚洲研究院,发表顶级学术期刊和会议论文100余篇,谷歌学术引用量超20万次);张祥雨(旷视研究院基础模型负责人、首席研究员,西安交大本硕博,提出了一系列广泛使用的CNN架构,谷歌学术引用超16万次)。1401(2021H1)硕士793人,博士47人含股份支付:48.1(2021H1)云从科技周曦(41岁,云从总裁,中科大本硕、诺利诺伊大学博士,曾任职IBM、微软等,中科院重庆院多媒体中心主任、上海交通大学博士生导师)。575(2021)硕士221人,博士及以上10人(2021)无股份支付:51.8(2021)依图科技林晨曦(联合创始人、CTO,上交本硕,2002年为交大夺得ACM全球大学生程序设计竞赛总决赛首个冠军,打破亚洲零纪录,曾任阿里云技术总监,搭建中国首个拥有自主知识产权的分布式计算平台“飞天”)。837(2021H1)-无股份支付:53.8(2020H1)第四范式戴文渊(第四范式董事长、CEO,38岁,上交本硕,港科博士,2005年ACM国际大学生程序设计竞赛世界冠军,迁移学习领域单篇论文被引数位居全球第三,曾是百度最年轻的科学家,主攻机器学习)。1062(2021Q3)-含/剔除股份支付:34.4/17.8(2021Q3)创新奇智李开复(创新奇智创始人、董事长,近四十年人工智能行业从业经验,美国电气电子工程协会的院士,曾任职谷歌、微软);张发恩(创新奇智CTO,41岁,吉林大学学士、中国科学院大学硕士,曾任谷歌软件开发工程师、百度智能云首席架构师)。259(2021)132个(约35.7%的员工有硕士及以上学历)含/剔除股份支付:64.0/31.7(2021Q3)虹软科技王进(虹软CTO兼首席科学家,博士毕业于浙江大学CAD&CG国家重点实验室,主导研发的手机的主要多媒体和AI技术,在全球手机市场占有率超过80%,获得吴文俊人工智能科学技术奖)。444(2021)硕士262人,博士25人(2021)含/剔除股份支付:49.1/47.4(2021)云天励飞陈宁(云天励飞董事长,46岁,美国佐治亚理工学院博士,曾任中兴通讯IC技术总监;曾获深圳市国家级领军人才,深圳经济特区建立40周年创新创业人物和先进模范人物等荣誉称号)470(2020)硕士198人,博士及以上15人(2020)无股份支付:34.8(2020)格灵深瞳赵勇(格灵深瞳董事长,复旦本硕,布朗大学博士,曾任谷歌总部研究院资深研究员,担任首都体育学院人工智能研究院首席科学家)。153(2021H1)硕士72人,博士及以上6人(2021H1)含/剔除股份支付:58.3/35.3(2021H1)请务必阅读报告附注中的风险提示和免责声明48资料来源:各公司官网、招股说明书、年报、微信公众号,36氪,亿邦动力,国海证券研究所客户:客单价持续提升,客户集中度较高客户:客单价持续提升,客户集中度较高公司公司客户数量客户数量(个)(个)YoY单客价值单客价值(万元(万元/个)个)YoYTOP5客户客户收入占比收入占比客户概览客户概览商汤1,353 12.547 21.3A.1%北京、上海、深圳、新加坡、迪拜、利亚得、吉隆坡等;成都IFS、昆明恒隆广场、东方基金、交通银行、蓝光嘉宝、万科、世茂、融创、奥园、聚束科技、一汽集团、京沪高铁维护、国家电网等;小米、vivo、OPPO、魅族、一加、小红书、故宫博物馆、曼谷素万那普机场、杭州西湖、亚运会、苏宁、Bilibili、Faceu、YY、今日头条、美图、飞利浦、瑞金医院、邵逸夫医院、澳门镜湖医院等;哪吒、戴姆勒、本田、广汽等。旷视科技25.1%杭州地铁、北京市公租房、凯德集团、华润集团等;诺基亚、北京银行、中信银行、中国人寿、中国移动中移在线等;梦燕、徐福记、国药集团、格林美、赣锋锂业、新和成、正昌粮机等。云从科技997-21.17 80.7i.6%工商银行、建设银行、农业银行、中国银行、邮储银行、交通银行、广东省公安厅、广州市公安局、重庆市公安局、首都国际机场、大兴国际机场、上海浦东机场、上海虹桥机场、广州白云机场、重庆江北机场、成都双流机场、深圳宝安机场等。依图科技3086.0#3123.0b.0%宁德时代、华油能源、中国石油、国家电网、中国石化、来伊份、飞鹤奶粉、卡诗、杰尼亚、瑞金医院等。第四范式186 82.4r3 28.5!.9%中冶赛迪、宝武钢铁、中铁四局、华电电科、长安汽车、宗申、格力等;中国人民保险、中国太平洋保险、泰康保险、邮储银行、光大银行等;鸿海科技、玛氏、雀巢、嘉士伯、惠氏、永辉、怡东集团等。创新奇智1591.3T2 83.9D.3%中冶赛迪、宝武钢铁、中铁四局、华电电科、长安汽车、宗申、格力等;中国人民保险、中国太平洋保险、泰康保险、邮储银行、光大银行等;鸿海科技、玛氏、雀巢、嘉士伯、惠氏、永辉、怡东集团等。虹软科技59.3%三星、小米、OPPO、vivo、荣耀、魅族、索尼、中兴、传音、联想、摩托罗拉、HTC、ASUS等;长城、长安、一汽、上汽、理想、本田、美的、Casio、EPSON等。云天励飞59.7%深圳巴士集团、青岛崂山社区、龙华智能运算能力平台、深圳市疫情防控(新冠肺炎)监测与数据分析平台等;深圳富士康工业园区、深圳湾科技生态园、杭州奥体印象城等。格灵深瞳74.5%东方网力、朝阳农委、朝阳发改委、宁波地铁等;农业银行、建设银行等;尚博信等。商汤拥有最多客户数量;第四范式平均单客价值最高。目前计算机视觉领域创业企业单客价值均在不断提升,主要来源于行业AI渗透率提升持续拓展标杆性客户,以及老客户服务深度提升及服务范围拓展。商汤、云从、依图、创新奇智、虹软、云天励飞、格灵深瞳TOP5客户依赖度较高,其中商汤、云从、依图、云天励飞、格灵深瞳智慧城市相关业务的收入均主要来自系统集成商。表:各公司客户概况;注:商汤、云从、创新奇智、虹软为2021年数据,旷视、格灵深瞳为2021H1数据,第四范式为2021前三季度数据,依图为2019年数据,云天励飞为2020年数据。请务必阅读报告附注中的风险提示和免责声明49资料来源:Wind,各公司招股说明书、年报,国海证券研究所人效比:关键在于商业模式及成本效益平衡人效比:关键在于商业模式及成本效益平衡公司公司员工数量(人)员工数量(人)人均创收人均创收(万元(万元/月月/人)人)人均毛利人均毛利(万元(万元/月月/人)人)人均薪酬(万元人均薪酬(万元/月月/人)人)人均毛利人均毛利-人均薪酬(剔除人均薪酬(剔除股权激励,万元股权激励,万元/月月/人)人)总人数总人数 销售及市场销售及市场 行政及管理行政及管理 研发及技术研发及技术员工均值员工均值销售及市场销售及市场行政及管理行政及管理研发及技术研发及技术商汤6,113 9257684,2746.414.47含/剔除股份支付:6.24/4.08含/剔除股份支付:4.19/3.74含/剔除股份支付:24.93/4.72含/剔除股份支付:5.96/3.810.39旷视科技2,88474437517653.871.33含/剔除股份支付:4.66/4.01含股份支付:3.61含股份支付:9.81含股份支付:4.01-2.68云从科技1,1203841615758.002.96含/剔除股份支付:5.67/4.35无股份支付:4.44含/剔除股份支付:13.42/4.24无股份支付:4.32-1.39依图科技1,507 3851949287.172.99含/剔除股份支付:4.50/5.11 无股份支付:5.84含/剔除股份支付:5.67/6.66无股份支付:4.48-2.12第四范式1,477 1892261,06210.124.69含/剔除股份支付:6.97/4.29 含/剔除股份支付:12.78/7.00含/剔除股份支付:21.39/15.17含/剔除股份支付:2.87/1.480.40创新奇智457 1225225915.704.80含/剔除股份支付:10.78/3.35含/剔除股份支付:6.66/3.06含/剔除股份支付:52.83/8.21含/剔除股份支付:5.33/2.641.45虹软科技6931731524446.896.33含/剔除股份支付:3.76/3.62含/剔除股份支付:2.92/2.82含/剔除股份支付:3.60/3.51含/剔除股份支付:4.09/3.952.71云天励飞789 1991204704.501.65含/剔除股份支付:10.35/2.76无股份支付:2.15含/剔除股份支付:53.10/3.20无股份支付:2.90-1.11格灵深瞳280 87153404.303.11含/剔除股份支付:5.74/2.73含/剔除股份支付:6.03/2.35含/剔除股份支付:8.49/2.79含/剔除股份支付:4.86/2.940.38表:各公司人效比情况;注:1)商汤员工总人数、研发人员数量、人均创收、人均毛利、人均薪酬员工均值为2021年数据,其余均为2021Q3披露数据;2)旷视均为2021H1数据,由于未披露股份支付数据,因此无法剔除;3)云从均为2021年数据;4)依图均为2020H1数据,股份支付数据为负主要由于高管人员离职冲减;5)第四范式均为2021Q3数据,部分数据尚未披露;6)创新奇智员工总人数、研发人员数量、人均创收、人均毛利、人均薪酬员工均值为2021年数据,其余均为2021Q3披露数据;7)虹软均为2021年数据;8)云天励飞均为2020年数据;9)格灵深瞳均为2021H1数据。综合来看,国内计算机视觉领域企业人效比人效比排序为:虹软科技虹软科技 创新奇智创新奇智 第四范式第四范式 商汤商汤 格灵深瞳格灵深瞳 云天励飞云天励飞 云从云从 依图依图 旷视旷视。人均薪酬人均薪酬来看,云从、依图、云天励飞仅授予管理人员股权激励,其余授予销售、管理及研发人员,剔除股份支付后人均薪酬排序为:商汤商汤 依图依图 云从云从 第四范式第四范式 旷视旷视 虹软虹软 创新奇智创新奇智 云天励飞云天励飞 格灵深瞳格灵深瞳;其中,管理人员人均薪酬最高、最低的分别是第四范式、格灵深瞳,研发人员人均薪酬最高、最低的分别是依图科技、第四范式。请务必阅读报告附注中的风险提示和免责声明50资料来源:Wind,各公司招股书、年报,国海证券研究所与正向盈利的距离:亏损或盈利的原因与正向盈利的距离:亏损或盈利的原因公司公司营业收入(亿元)营业收入(亿元)经调整净利润(亿元)经调整净利润(亿元)研发费用(亿元)研发费用(亿元)毛利率毛利率销售费用率销售费用率管理费用率管理费用率研发费用率研发费用率扣非归母净利率扣非归母净利率商汤47.00-14.1830.6169.7.4%.1e.1%-30.2%旷视科技13.91-13.838.9633.10.5A.4d.4%-99.4%云从科技10.76-5.765.3437.0&.1.8I.7%-53.5%依图科技6.48-2.544.1557.9A.8.0d.1%-39.1%第四范式9.43-3.905.4045.6$.1.7W.3%-29.2%创新奇智8.61-1.423.2831.0%8.2.5).8%-16.5%虹软科技5.731.081.2691.9.3.3G.2.0%云天励飞4.26-2.572.1936.7 .2.9Q.4%-60.2%格灵深瞳2.940.12 1.2155.6.8%8.50.4%4.2%均值50.9!.6.7R.2%-34.0%表:各公司主要财务情况;注:1)除旷视、依图的相关费用无法剔除股份支付影响外,其余公司费用、经调整净利润数据均剔除股份支付、上市费用影响;2)其中旷视、依图、第四范式、云天励飞均为2020年数据,其余均为2021年数据。AI企业亏损原因企业亏损原因商汤:管理费用、研发费用高旷视科技:毛利率低,管理费用、研发费用高云从科技:毛利率低,研发费用高依图科技:销售费用、研发费用高第四范式:毛利率低,研发费用高创新奇智:毛利率低云天励飞:毛利率低,研发费用高AI企业盈利原因企业盈利原因 虹软科技:毛利率高,管理费用低 格灵深瞳:管理费用、研发费用低注:1)剔除硬件后毛利率指同时剔除硬件成本后的毛利与营收之比;2)云从、虹软为2021年数据,商汤、旷视、第四范式、创新奇智、云天励飞、格灵深瞳为2020年数据,依图为2020H1数据。公司公司剔除硬件后毛利率剔除硬件后毛利率商汤95.9%旷视科技65.0%云从科技62.7%依图科技77.2%第四范式69.5%创新奇智54.9%虹软科技94.4%云天励飞62.0%格灵深瞳94.6%毛利率低毛利率低主要由于包含AI芯片、摄像头等硬件,创新奇智、云天励飞、云从、旷视剔除硬件后毛利率仍较低,主要由于包含软件产品调试等服务外包费用。研发费用高研发费用高主要由于雇员福利开支较高,此外还有如商汤等公司部分技术含量较低的软件设计开发服务外包及相关设备及无形资产折旧摊销等费用较高。2020年(单位:亿元)年(单位:亿元)商汤商汤营收占比营收占比格灵深瞳格灵深瞳营收占比营收占比研发费用24.54 71.2%1.14 47.1%剔除股份支付后21.67 62.9%0.77 31.7%其中:雇员福利开支12.83 37.2%0.58 24.0%第三方服务费3.28 9.5%0.09 3.8%折旧及摊销2.86 8.3%0.01 1.5%表:各公司中研发费用最高和最低的商汤、格灵深瞳研发费用主要构成表:各公司剔除硬件成本后毛利率情况请务必阅读报告附注中的风险提示和免责声明51资料来源:Wind,iFinD,各公司招股说明书、年报,天眼查,国海证券研究所与正向盈利的距离:资金能否支撑亏损与正向盈利的距离:资金能否支撑亏损公司融资情况商汤2014-2021年,共融资约404亿元,投资机构包括软银、All-Stars Investment、淡马锡、富达国际、IDG资本、深创投、TCL创投、高通创投、中金公司、五源资本、华兴新经济基金、阿里巴巴、苏宁易购、上汽集团、自贸区基金、徐汇资本、上海人工智能产业投资基金等。旷视科技2011-2019年,共融资约超87亿元,投资机构包括创新工场、启明创投、富士康、阿里巴巴、蚂蚁、中俄投资基金等。云从科技2015-2022年,共融资超53亿元,投资机构包括长三角产业创新基金、越秀产业基金、国新央企、友邦投资、中国国新控股、广州基金、海尔资本等。依图科技2012-2022年,共融资超35亿元,投资机构包括真格基金、红杉中国、云锋基金、高瓴资本、众为资本、海科创基金等。第四范式2015-2021年,共融资超75亿元,投资机构包括红杉中国、高盛中国、腾讯投资、基石资本、CPE源峰、渤海产业投资基金、国新科创基金、BoCom International、越秀产业基金、国家制造业转型升级基金、国开金融等。创新奇智2018-2022年,共融资超19亿元,投资机构包括软银、创新工场、华兴新经济基金、中金甲子、华兴资本、国和投资等。云天励飞2015-2020年,共融资超28亿元,投资机构包括真格基金、光远资本、渤海产业投资基金、特区建设、中国电子信息等。格灵深瞳2014-2022年,共融资超22亿元,投资机构包括红杉中国、真格基金、Samsung Ventures、易华录、Hyundai Mobis等。(单位:(单位:亿元)亿元)现金现金资产资产净现净现金流金流经营性现金经营性现金流净额流净额投资性现投资性现金流净额金流净额融资性现融资性现金流净额金流净额应收账款应收账款周转率周转率商汤165.30 53.45-28.45-15.48 93.78 1.06 旷视科技9.87-3.47-10.33 5.95 1.30 1.30 云从科技7.14-1.76-5.47 2.79 0.92 2.28 依图科技15.56-2.86-11.19 6.01 2.13 1.07 第四范式10.73 3.50-4.53-1.39 9.42 4.27 创新奇智15.53 5.16-2.37-0.47 8.00 2.78 云天励飞12.44 10.86-2.43-3.56 16.85 2.82 格灵深瞳18.36 0.50 0.35 0.06 0.08 1.88 注:商汤、创新奇智均为2021年数据;依图、云天励飞为2020年数据;旷视现金资产为2021H1数据,其余为2020年数据;云从现金资产为2022Q1数据,其余均为2021年数据;第四范式现金资产为2021Q3数据,其余均为2020年数据;格灵深瞳现金资产为2022Q1数据,其余均为2020年数据。从融资金额融资金额来看,商汤商汤 旷视旷视 第四范式第四范式 云从云从 依图依图 云天励飞云天励飞 格灵深瞳格灵深瞳 创新奇智创新奇智,商汤融资额远超同行;综合现金资产存量现金资产存量、经营性现金净流量经营性现金净流量来看,格灵深瞳已实现正向经营性现金流,商汤期末现金资产远超当年经营性净现金流出;从应收账款周转应收账款周转来看,第四范式 云天励飞 创新奇智 云从 格灵深瞳 旷视 依图 商汤。表:各公司历年融资情况表:各公司现金资产、现金流及应收账款周转率情况请务必阅读报告附注中的风险提示和免责声明52供应商供应商资料来源:Wind,各公司招股说明书、年报,国海证券研究所企业正向盈利的关键:开源节流企业正向盈利的关键:开源节流开源开源商业模式商业模式AIaaS软硬一体化产品垂直行业解决方案适用于当下AI渗透率较低的行业,进行客户培养和市场教育未来发展趋势,适用于对边缘侧AI能力有需求的场景纯软件产品适用于场景较为单一行业,一站式解决方案适用于多元场景行业强大的技术和算力支撑规模效应软件企业、硬件企业转型各有优劣,合作方能扬长避短规模效应技术支撑先发优势飞轮效应节节流流成成本本硬件成本租用算力成本第三方外包成本节节流流费费用用研发费用 占收入比约3%-49%;一定规模下,可与代工厂商合作生产,较外购设备后调试成本更低。占收入比约0%-5%;AIaaS业务成本构成之一,自建AIDC可降低相关算力成本。占收入比约2%-26%;主要为技术含量较低软件设计研发外包、咨询服务费用、安装调试售后人力外包费用;规模效应下费用占比降低。占收入比约29%-66%;研发人员薪酬占比20%-78%,多超过50%,其次包括AIDC/服务器等设备折旧费用、第三方服务费;研发费用管控包括技术资产复用、自动化程度提高后,研发人员团队规模扩张速度及薪酬控制。销售费用 占收入比约8%-42%;其中,销售人员薪酬占比59%-89%,其次包括差旅、业务拓展、广告宣传等费用;加强产品能力,加快市场拓展,提升客单价和客户生命周期价值,实现销售费用率下降。人力成本 占收入比约0%-12%;主要为项目实施和客户成功人力成本,产品较为完善和标准化,该项成本占比会较少。管理费用 占收入比约8%-26%;高管人员薪酬占比38%-57%,其次包括咨询服务费、物业水电及行政开支、办公设备折旧等;规模效应下,管理费用率将下降。请务必阅读报告附注中的风险提示和免责声明53资料来源:Wind,国海证券研究所重点关注公司及盈利预测重点关注公司及盈利预测注:阿里巴巴、腾讯控股、创新奇智、商汤均为自行测算,其余均为Wind一致性预测数据,表内均为人民币,涉及股价相关数据均以20230328当日汇率计算(港元兑人民币0.8758元/港元);其中,阿里巴巴、腾讯控股、百度集团、商汤、云从科技、虹软科技、格灵深瞳、海康威视已披露2022年营收及归母净利润数据,其余均为预测值。股票代码股票代码公司简称公司简称2023/3/282023/3/28 2023/3/282023/3/28营业收入(亿元)营业收入(亿元)PS归母净利润(亿元)归母净利润(亿元)PE投资评级投资评级股价(元)股价(元)市值(亿元)市值(亿元)2022A/E2023E2024E2022A/E 2023E2024E2022A/E2023E2024E2022A/E 2023E2024E9988.HK阿里巴巴-SW73.7915,6288,530.62 8,735.59 9,561.58 1.83 1.79 1.63 619.59 625.11 1,156.30 25.22 25.00 13.52 买入0700.HK腾讯控股331.2331,6925,545.52 6,158.26 6,816.15 5.71 5.15 4.65 1,882.43 1,320.70 1,614.02 16.84 24.00 19.64 买入9888.HK百度集团-SW133.303,7191,236.75 1,369.74 1,493.32 3.01 2.72 2.49 75.59 161.61 185.72 49.20 23.01 20.02 未评级A互联网巨头均值3.52 3.22 2.92 30.42 24.00 17.73 0020.HK商汤-W2.3578638.09 59.43 79.68 20.63 13.22 9.86-30.03-26.47-22.67-增持2121.HK创新奇智14.248014.58 23.83 39.27 5.46 3.34 2.03-5.58-3.49-1.19-买入688327.SH云从科技40.523005.25 12.25 18.38 57.19 24.51 16.34-8.51-5.23-0.37-未评级688088.SH虹软科技35.651455.32 6.55 8.88 27.21 22.10 16.30 0.56 1.83 2.74 258.46 79.09 52.82 未评级688207.SH格灵深瞳41.91783.54 5.69 7.61 21.90 13.63 10.19 0.33 0.33 0.78 234.95 234.95 99.40 未评级AI计算机视觉领域软件企业均值26.48 15.36 10.94 246.71 157.02 76.11 002415.SZ海康威视42.453,975831.74 997.08 1,155.86 4.78 3.99 3.44 128.27 174.16 207.75 30.99 22.82 19.13 未评级002236.SZ大华股份21.24644324.53 353.71 394.76 1.99 1.82 1.63 26.68 33.17 38.11 24.15 19.42 16.90 未评级AI计算机视觉领域硬件企业均值3.38 2.90 2.54 27.57 21.12 18.02 请务必阅读报告附注中的风险提示和免责声明54风险提示风险提示 1)人工智能行业发展不及预期人工智能行业发展不及预期;基础设施发展不及预期,计算机视觉技术发展不及预期,商业化应用及渗透不及预期。2)商业模式仍不明朗商业模式仍不明朗;计算机视觉企业商业模式尚未得到完整、有效验证。3)企业资金短缺风险企业资金短缺风险;目前大多计算机视觉创业企业尚未实现正向盈利,仍在高研发投入阶段,需要持续融资,部分企业可能存在现金资产不足,导致资金链断裂的风险。4)市场竞争风险市场竞争风险;计算机视觉领域不仅有创业企业,还有互联网巨头布局,视频监控安防企业转型,且商业模式、聚焦赛道存在一定程度重叠,部分创业企业在规模等方面不具备优势,可能面临较大的市场竞争压力。5)企业客户集中度较高企业客户集中度较高;部分计算机视觉创业企业来源于TOP5客户收入占比较大,主要由于智慧城市相关业务收入主要来自系统集成商,存在公司未持续获得主要客户订单或被其他供应商替代,对公司产生较大的收入波动风险。6)重点关注公司业绩不及预期风险重点关注公司业绩不及预期风险。7)中国与国际同行中国与国际同行(市场市场)并不具有完全可比性并不具有完全可比性,相关数据仅供参考相关数据仅供参考。请务必阅读报告附注中的风险提示和免责声明55研究小组介绍研究小组介绍陈梦竹,本报告中的分析师均具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师,以勤勉的职业态度,独立,客观的出具本报告。本报告清晰准确的反映了分析师本人的研究观点。分析师本人不曾因,不因,也将不会因本报告中的具体推荐意见或观点而直接或间接收取到任何形式的补偿。分析师承诺分析师承诺行业投资评级行业投资评级国海证券投资评级标准国海证券投资评级标准推荐:行业基本面向好,行业指数领先沪深300指数;中性:行业基本面稳定,行业指数跟随沪深300指数;回避:行业基本面向淡,行业指数落后沪深300指数。股票投资评级股票投资评级买入:相对沪深300 指数涨幅20%以上;增持:相对沪深300 指数涨幅介于10 %之间;中性:相对沪深300 指数涨幅介于-10%之间;卖出:相对沪深300 指数跌幅10%以上。海外小组介绍海外小组介绍陈梦竹陈梦竹,南开大学本科&硕士,6 年证券从业经验,现任国海证券海外研究团队首席,专注于全球内容&社交互联网、消费互联网、科技互联网板块研究。尹芮尹芮,康奈尔大学硕士,中国人民大学本科,2年证券从业经验,现任国海证券海外互联网分析师,主要覆盖内容&社交互联网方向。张娟娟张娟娟,上海财经大学硕士,三年产业工作经验,曾任职于阿里、美团,现任国海证券海外互联网研究助理,主要覆盖消费互联网方向。陈凯艺陈凯艺,武汉大学硕士,西南财经大学本科,1年证券从业经验,现任国海证券海外研究团队研究助理,主要覆盖科技互联网方向。罗婉琦罗婉琦,伦敦政治经济学院硕士,现任国海证券海外研究团队研究助理,主要覆盖消费互联网方向。请务必阅读报告附注中的风险提示和免责声明56免责声明和风险提示免责声明和风险提示本报告的风险等级定级为R3,仅供符合国海证券股份有限公司(简称“本公司”)投资者适当性管理要求的的客户(简称“客户”)使用。本公司不会因接收人收到本报告而视其为客户。客户及/或投资者应当认识到有关本报告的短信提示、电话推荐等只是研究观点的简要沟通,需以本公司的完整报告为准,本公司接受客户的后续问询。本公司具有中国证监会许可的证券投资咨询业务资格。本报告中的信息均来源于公开资料及合法获得的相关内部外部报告资料,本公司对这些信息的准确性及完整性不作任何保证,不保证其中的信息已做最新变更,也不保证相关的建议不会发生任何变更。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断,本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期,本公司可发出与本报告所载资料、意见及推测不一致的报告。报告中的内容和意见仅供参考,在任何情况下,本报告中所表达的意见并不构成对所述证券买卖的出价和征价。本公司及其本公司员工对使用本报告及其内容所引发的任何直接或间接损失概不负责。本公司或关联机构可能会持有报告中所提到的公司所发行的证券头寸并进行交易,还可能为这些公司提供或争取提供投资银行、财务顾问或者金融产品等服务。本公司在知晓范围内依法合规地履行披露义务。免责声明免责声明市场有风险,投资需谨慎。投资者不应将本报告为作出投资决策的唯一参考因素,亦不应认为本报告可以取代自己的判断。在决定投资前,如有需要,投资者务必向本公司或其他专业人士咨询并谨慎决策。在任何情况下,本报告中的信息或所表述的意见均不构成对任何人的投资建议。投资者务必注意,其据此做出的任何投资决策与本公司、本公司员工或者关联机构无关。若本公司以外的其他机构(以下简称“该机构”)发送本报告,则由该机构独自为此发送行为负责。通过此途径获得本报告的投资者应自行联系该机构以要求获悉更详细信息。本报告不构成本公司向该机构之客户提供的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。本公司、本公司员工或者关联机构亦不为该机构之客户因使用本报告或报告所载内容引起的任何损失承担任何责任。风险提示风险提示本报告版权归国海证券所有。未经本公司的明确书面特别授权或协议约定,除法律规定的情况外,任何人不得对本报告的任何内容进行发布、复制、编辑、改编、转载、播放、展示或以其他任何方式非法使用本报告的部分或者全部内容,否则均构成对本公司版权的侵害,本公司有权依法追究其法律责任。郑重声明郑重声明心怀家国,洞悉四海国海研究深圳国海研究深圳深圳市福田区竹子林四路光大银行大厦28F邮编:518041电话:0755-83706353国海研究上海国海研究上海上海市黄浦区绿地外滩中心C1栋国海证券大厦邮编:200010电话:021-60338252国海研究北京国海研究北京北京市海淀区西直门外大街168号腾达大厦25F邮编:100044电话:010-88576597国海证券国海证券 研究所研究所 海外海外研究团队研究团队

    20人已浏览 2023-03-30 57页 5星级
  • 人工智能行业专题报告:生成式人工智能产业全梳理-230328(80页).pdf

    请务必阅读正文之后的免责声明及其项下所有内容证券研究报告|2023年03月28日证券研究报告|2023年03月28日人工智能专题报告:证券分析师:熊莉S0980519030002行业研究 深度报告行业研究 深度报告投资评级:超配(维持评级)投资评级:超配(维持评级)生成式人工智能产业全梳理证券分析师:张伦可S0980521120004证券分析师:朱松S0980520070001证券分析师:库宏垚S0980520010001请务必阅读正文之后的免责声明及其项下所有内容报告摘要报告摘要人工智能作为第四次科技革命,已经进入2.0时代。人工智能作为第四次科技革命,已经进入2.0时代。人工智能概念于1956年被提出,AI产业的第一轮爆发源自2012年,2012年AlexNet模型问世开启了CNN在图像识别的应用,2015年机器识别图像的准确率首次超过人(错误率低于4%),开启了计算机视觉技术在各行各业的应用。但是,人工智能1.0时代面临着模型碎片化,AI泛化能力不足等问题。2017年Google Brain团队提出Transformer架构,奠定了大模型领域的主流算法基础,从2018年开始大模型迅速流行,2018年谷歌团队的模型参数首次过亿,到2022年模型参数达到5400亿,模型参数呈现指数级增长,“预训练 微调”的大模型有效解决了1.0时代AI泛化能力不足的问题。新一代AI技术有望开始全新一轮的技术创新周期。自18年起大模型快速流行,有望重新定义生产力。自18年起大模型快速流行,有望重新定义生产力。2018年以来,预训练语言模型(PLM)及其“预训练-微调”方法已成为自然语言处理(NLP)任务的主流范式,该范式先利用大规模无标注数据通过自监督学习预训练语言大模型,得到基础模型,再利用下游任务的有标注数据进行有监督学习微调模型参数,实现下游任务的适配。在AI的1.0时代:存在模型碎片化明显、AI泛化能力不足等问题。“预训练 微调”大模型能显著降低AI工程化门槛,预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性,细分场景的应用厂商能够基于大模型通过零样本、小样本学习即可获得显著的效果,使得人工智能有望构建成统一的智能底座,AI 赋能各行各业。本轮的生成式AI有望从简单的内容生成,逐步达到具有预测、决策、探索等更高的认知智能。OpenAI当前已迭代五代模型,GPT-4开始布局多模态。OpenAI当前已迭代五代模型,GPT-4开始布局多模态。OpenAI于2015年成立,微软于2019年开始与OpenAI建立战略合作伙伴关系,GPT共发布五代模型GPT-1、GPT-2、GPT-3、ChatGPT以及GPT4。GPT-1于2018年6月发布,首次将transformer与无监督的预训练技术相结合。2020年5月发布GPT-3,模型参数量为1750亿。2022年11月,OpenAI正式推出了对话交互式的ChatGPT。相比于GPT-3,ChatGPT引入了基于人类反馈的强化学习(RLHF)技术以及奖励机制。2023年3月,OpenAI正式推出GPT-4,成为目前较先进的多模态大模型。GPT-4主要在识别理解能力、创作写作能力、处理文本量以及自定义身份属性迭代方面取得进展。百度于2023年3月正式推出大模型文心一言。百度于2023年3月正式推出大模型文心一言。文心一言主要由文心大模型提供支持,文心一言拥有有监督精调、RLHF、提示构建、知识增强、检索增强和对话增强六大核心技术。其中前三项与ChatGPT的技术十分类似,知识增强包括知识内化和知识外用;检索增强指基于百度搜索引擎,先对内容进行检索,再筛选出有用的部分整合输出结果;对话增强指记忆机制、上下文理解和对话规划等技术。投资建议:建议关注基础层与应用层AI龙头。应用层建议关注:科大讯飞、金山办公、同花顺、广联达、凌志软件、彩讯股份、拓尔思、投资建议:建议关注基础层与应用层AI龙头。应用层建议关注:科大讯飞、金山办公、同花顺、广联达、凌志软件、彩讯股份、拓尔思、福昕软件、税友股份等。基础层建议关注海光信息、浪潮信息、景嘉微等。福昕软件、税友股份等。基础层建议关注海光信息、浪潮信息、景嘉微等。风险提示:风险提示:AI技术商业化落地不及预期;行业竞争加剧,技术迭代风险;数据安全等政策不确定性;贸易摩擦风险。请务必阅读正文之后的免责声明及其项下所有内容目录目录行业梳理:生成式AI有望带动新一轮技术创新周期0101海外玩家:OpenAI持续领先,谷歌等巨头纷纷布局0202中国玩家:百度发布文心一言,中国玩家快速追赶0303应用场景:GPT走向多模态,下游应用场景不断打开0606商业模式:开启订阅制收费,不断开放API接口0505投资建议:建议关注基础层与应用层AI龙头0707市场规模:模型参数不断增加,算力需求快速增长0404请务必阅读正文之后的免责声明及其项下所有内容1、行业梳理:生成式AI有望带动新一轮技术创新周期1、行业梳理:生成式AI有望带动新一轮技术创新周期请务必阅读正文之后的免责声明及其项下所有内容2012年至今属于人工智能的蓬勃发展期。2012年至今属于人工智能的蓬勃发展期。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的发展历史大致可以被划分为5个阶段,2012年至今处于人工智能的蓬勃发展期,其分界点就是2012年前后IBM开发的人工智能程序“沃森”参加了一档智力问答节目并战胜了两位人类冠军以及AlexNet在ImageNet竞赛中取得胜利。以深度神经网络为代表的信息技术的发展,推动了人工智能领域的进步与拓展。以深度神经网络为代表的信息技术的发展,推动了人工智能领域的进步与拓展。2006年,Hinton等人利用单层的RBM自编码预训练使得深层的神经网络训练得以实现;2012年,Hinton和Alex Krizhevsky设计的AlexNet神经网络模型在ImageNet竞赛中实现图像识别分类,成为新一轮人工智能发展的起点。1.1 人工智能产业自2012年开始迎来蓬勃发展1.1 人工智能产业自2012年开始迎来蓬勃发展5资料来源:CSDN、国信证券经济研究所整理神经网络发展里程标志性事件神经网络发展里程标志性事件资料来源:CSDN、国信证券经济研究所整理AlexNet神经网络结构AlexNet神经网络结构请务必阅读正文之后的免责声明及其项下所有内容1.1 人工智能作为第四次科技革命,已经进入2.0时代1.1 人工智能作为第四次科技革命,已经进入2.0时代人工智能1.0时代(2012年-2018年):人工智能1.0时代(2012年-2018年):人工智能概念于1956年被提出,AI产业的第一轮爆发源自2012年,2012年AlexNet模型问世开启了CNN在图像识别的应用,2015年机器识别图像的准确率首次超过人(错误率低于4%),开启了计算机视觉技术在各行各业的应用,带动了人工智能1.0时代的创新周期,AI 开始赋能各行各业,带动效率提升。但是,人工智能1.0时代面临着模型碎片化,AI泛化能力不足等问题。人工智能2.0时代(2017年-至今):人工智能2.0时代(2017年-至今):2017年Google Brain团队提出Transformer架构,奠定了大模型领域的主流算法基础,从2018年开始大模型迅速流行,2018年谷歌团队的模型参数首次过亿,到2022年模型参数达到5400亿,模型参数呈现指数级增长,“预训练 微调”的大模型有效解决了1.0时代AI泛化能力不足的问题。新一代AI技术有望开始全新一轮的技术创新周期。资料来源:Gartner、国信证券经济研究所整理2022年Gartner人工智能商业化曲线2022年Gartner人工智能商业化曲线资料来源:Scale Partners、国信证券经济研究所整理人工智能有望迎来第四次科技革命人工智能有望迎来第四次科技革命请务必阅读正文之后的免责声明及其项下所有内容1.1 大模型快速爆发,重新定义人工智能产业1.1 大模型快速爆发,重新定义人工智能产业自18年起大模型快速流行,有望重新定义人工智能产业。自18年起大模型快速流行,有望重新定义人工智能产业。2018年以来,预训练语言模型(PLM)及其“预训练-微调”方法已成为自然语言处理(NLP)任务的主流范式,该范式先利用大规模无标注数据通过自监督学习预训练语言大模型,得到基础模型,再利用下游任务的有标注数据进行有监督学习微调模型参数,实现下游任务的适配。规模越大的模型不仅在已知任务上有着更好的表现,同时展现出完成更复杂的未知任务的强大泛化能力。资料来源:CSDN、国信证券经济研究所整理大模型示意图大模型示意图资料来源:清华大学、国信证券经济研究所整理基础模型的“预训练-微调”范式与传统深度学习区别基础模型的“预训练-微调”范式与传统深度学习区别请务必阅读正文之后的免责声明及其项下所有内容1.1 AI工程化门槛不断降低,有望重新定义生产力1.1 AI工程化门槛不断降低,有望重新定义生产力AI工程化门槛不断降低,有望重新定义生产力AI工程化门槛不断降低,有望重新定义生产力AI的1.0时代:AI的1.0时代:存在模型碎片化明显、AI泛化能力不足等问题,导致大多数行业需要花费巨大成本来收集和标注数据,从而导致规模不经济,而且下游场景存在诸多细分小场景,其商业化价值小、有效数据少、模型训练不足。AI的2.O时代:AI的2.O时代:“预训练 微调”大模型能显著降低AI工程化门槛,预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性,细分场景的应用厂商能够基于大模型通过零样本、小样本学习即可获得显著的效果,使得人工智能有望构建成统一的智能底座,AI 赋能各行各业。本轮的生成式AI有望从简单的内容生成,逐步达到具有预测、决策、探索等更高的认知智能。资料来源:创新工场、国信证券经济研究所整理人工智能1.0时代与2.0时代人工智能1.0时代与2.0时代资料来源:IDC、国信证券经济研究所整理大模型将显著降低人工智能应用门槛大模型将显著降低人工智能应用门槛请务必阅读正文之后的免责声明及其项下所有内容1.2 产业分类:AI产业链主要包括基础层、技术层、应用层三大层1.2 产业分类:AI产业链主要包括基础层、技术层、应用层三大层人工智能产业链可分为基础层、技术层和应用层三大层面:人工智能产业链可分为基础层、技术层和应用层三大层面:基础层基础层:侧重基础支撑平台的搭建,包含传感器、AI芯片、数据服务和计算平台;技术层:技术层:侧重核心技术的研发,主要包括算法模型、基础框架、通用技术;应用层:应用层:注重产业应用发展主要包含行业解决方案服务、硬件产品和软件产品。农业交通工业教育安防医疗零售金融行业应用行业应用应用层应用层智能搜索系统智能语音识别系统智能无人机智能机器人产品应用产品应用计算机视觉机器问答智能语音自然语言处理通用技术通用技术技术层技术层增强学习深度学习机器学习算法模型算法模型神经网络分布式计算分布式存储基础框架基础框架其他传感器声学传感器光学传感器传感器传感器基础层基础层ASICFPGAGPU芯片芯片数据处理数据采集数据服务计算平台计算平台资料来源:36氪研究院、国信证券经济研究所整理人工智能产业链人工智能产业链请务必阅读正文之后的免责声明及其项下所有内容AI模型大致可以分为决策式AI和生成式AI两种。AI模型大致可以分为决策式AI和生成式AI两种。决策式AI指学习数据中的条件概率分布,根据已有数据进行分析、判断、预测,主要应用模型有用于推荐系统和风控系统的辅助决策、用于自动驾驶和机器人的决策智能体。生成式AI指学习数据中的联合概率分布,并非简单分析已有数据而是学习归纳已有数据后进行演技创造,基于历史进行模仿式、缝合式创作,生成了全新的内容,也能解决判别问题。中国生成式AI商业应用规模迎来快速增长,预计2025年破两千亿。中国生成式AI商业应用规模迎来快速增长,预计2025年破两千亿。根据中关村大数据产业联盟发布的中国AI数字商业展望2021-2025报告披露,到2025年,中国生成式AI商业应用规模将达到2070亿元,未来五年的年均增速84%。根据Gartner2021年预测:人工智能对人类和社会的影响给出的积极预测,到2023年,将有20%的内容被生成式AI所创建。至2025年,预计生成式AI产生的数据将占所有数据的10%。1.2 产业分类:AI模型可分为决策式AI与生成式AI1.2 产业分类:AI模型可分为决策式AI与生成式AI109834366310771606207005001000150020002500202020212022202320242025资料来源:知乎、国信证券经济研究所整理生成式AI应用场景生成式AI应用场景资料来源:中国AI数字产业展望2021-2025、国信证券经济研究所整理2020-2025年中国生成式AI技术栈应用规模(亿元)2020-2025年中国生成式AI技术栈应用规模(亿元)请务必阅读正文之后的免责声明及其项下所有内容人工智能在经历前期技术积累和迭代后,逐渐突破传统分析型AI领域,迎来生成式AI的爆发期。人工智能在经历前期技术积累和迭代后,逐渐突破传统分析型AI领域,迎来生成式AI的爆发期。从2012年至今,生成式AI急速发展,其源头就是DNN算法的升级,实现了语音和图像识别等功能。生成式AI市场前景广阔,赛道内诞生多家独角兽企业。生成式AI市场前景广阔,赛道内诞生多家独角兽企业。据波士顿咨询预测,至2025年生成式人工智能的市场规模将至少达到600亿美元,而其中大约30%的AI应用将来自广义的生成式AI技术。随着生成式AI模型的进一步完善,自主创作和内容生产的门槛将大大降低,市场响应该领域的巨大需求,在2019-2022年间共有7家独角兽公司诞生,截至2023年2月,这七家的估值合计达到644亿美元,其中OpenAI借助旗下产品ChatGPT爆火的东风,一家公司的估值便突破290亿美元。1.3 AI产业正在逐渐从传统分析型AI走向生成式AI1.3 AI产业正在逐渐从传统分析型AI走向生成式AI11290130796101540160100200300400500600700800900OpenAIgrammarlyadagleanJasperstability.aiCREASTA201920202022公司市值(亿美元)资料来源:澳财、国信证券经济研究所整理生成式AI竞争格局生成式AI竞争格局资料来源:CSDN、国信证券经济研究所整理生成式AI领域独角兽公司及其公司市值(亿美元)生成式AI领域独角兽公司及其公司市值(亿美元)请务必阅读正文之后的免责声明及其项下所有内容1.3 生成式AI在文本、代码、图片、语音等领域应用广阔1.3 生成式AI在文本、代码、图片、语音等领域应用广阔生成式AI在文本(Text)、代码生成(Code generation)、图片(Images)、语音合成(Speech synthesis)、视频和3D模型等领域生成式AI在文本(Text)、代码生成(Code generation)、图片(Images)、语音合成(Speech synthesis)、视频和3D模型等领域拥有广阔的应用场景。拥有广阔的应用场景。资料来源:红杉资本、国信证券经济研究所整理AIGC三大前沿能力AIGC三大前沿能力请务必阅读正文之后的免责声明及其项下所有内容1.3 AIGC具备三大前沿能力,生成式AI有望带动新一轮创新周期1.3 AIGC具备三大前沿能力,生成式AI有望带动新一轮创新周期AIGC具备三大前沿能力,未来应用空间广阔。AIGC具备三大前沿能力,未来应用空间广阔。AIGC发展火热,以chatgpt为代表的问答机器人,逐步走向大众视野。AIGC(AI-Generated Content)即人工智能生产内容,可用于代码生成、文本问答、图像生成等。AIGC是继专业生成内容(PGC)和用户生成内容(UGC)之后,利用人工智能技术生成内容的新生产方式。AIGC技术演化出三大前沿技术能力:数字内容孪生、数字内容的智能编辑、数字内容的智能创作。ChatGPT能理解并生成文字,属于AIGC技术应用中的文本生成模态应用模型。根据Gartner测算,当前AIGC占所有生成数据小于1%,AIGC生成数据渗透率有广阔提升空间,预计该数字到2025年或上升至10%。AIGC产业链上游主要提供AI技术及基础设施,包括数据供给方、数据分析及标注、创造者生态层、相关算法等。AIGC应用对数字基础设施要求较高,随着ChatGPT掀起AIGC发展浪潮,数据基础设施有望加速升级。中游主要针对文字、图像、视频等垂直赛道,提供数据开发及管理工具,包括内容设计、运营增效、数据梳理等服务。下游包括内容终端市场、内容服务及分发平台、各类数字素材以及智能设备,AIGC内容检测等。资料来源:中国信通院、国信证券经济研究所整理AIGC三大前沿能力AIGC三大前沿能力资料来源:量子位智库、国信证券经济研究所整理AIGC产业链AIGC产业链请务必阅读正文之后的免责声明及其项下所有内容2、海外玩家:OpenAI持续领先,谷歌等巨头纷纷布局2、海外玩家:OpenAI持续领先,谷歌等巨头纷纷布局请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(1):2.1 OpenAI发展历程(1):OpenAI的发展历程分为四个阶段:OpenAI的发展历程分为四个阶段:阶段一:2015年OpenAI首席执行官阿尔特曼,与埃隆马斯克等人宣布出资10亿美元,创立了非营利性研究机构OpenAI。阶段二:2019年OpenAI的架构进行了调整,调整后变身为两家机构营利性机构OpenAI LP和最初的非营利机构OpenAI,Inc。阶段三:从2019年开始,微软与OpenAI建立了战略合作伙伴关系,不少于三次投资,共投入130亿美元,成为OpenAI最大的有限合伙人。OpenAI LP从成立之初参与投资的VC,也成为有限合伙人。阶段四:在OpenAI未来盈利后,逐步回报投资人:1、优先保证OpenAI的首批投资者收回初始资本;2、微软投资完成、OpenAI LP首批投资人收回初始投资后,微软有权获得OpenAI LP 75%利润;3、微软收回130亿美元投资、从OpenAI LP获得920亿美元利润后,它分享利润的比例从75%降到49%;4、OpenAI LP产生的利润达到1500亿美元后,微软和其他风险投资者的股份将无偿转让给OpenAI LP的普通合伙人非营利机构OpenAI,Inc。资料来源:OpenAI官网、国信证券经济研究所整理OpenAI发展阶段OpenAI发展阶段2015非营利性研究机构OpenAI微软成为OpenAI最大的有限合伙人调整为OpenAI LP和OpenAI IncOpenAI给予投资人回报20192019至今未来盈利后OpenAI首席执行官阿尔特曼与埃隆马斯克等人宣布出资10亿美元,创立非营利性研究机构OpenAIOpenAI的架构进行了调整,变为两家机构营利性机构OpenAI LP和最初的非营利机构OpenAI Inc从 2019 年 开 始,微 软 与OpenAI建立了战略合作伙伴关系,不少于三次投资,共投入130亿美元,成为OpenAI最大的有限合伙人OpenAI选择了一种新的股权投资协议模式以投资回报速度代替投资回报水平请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(2):OpenAI成立于2015年2.1 OpenAI发展历程(2):OpenAI成立于2015年自2013年起人工智能迎来发展高潮。自2013年起人工智能迎来发展高潮。2006年Hinton提出“深度学习”神经网络使得人工智能性能获得突破性进展,在2013年深度学习宣发在语音和视觉识别上取得成功,识别率分别超过99%和95%,人工智能进入感知智能时代。在此期间全球人工智能市场保持高速增长,截至2015年全球AI市场规模达到74.5亿美元,而且愈发受到投资机构青睐,投资额从2012年的0.62亿元提升至2015年的142.3亿美元,增长幅度达到2195.16%。2015年OpenAI作为一家非营利性人工智能研究公司创立。2015年OpenAI作为一家非营利性人工智能研究公司创立。基于人工智能高速发展的背景,Openai由Elon Musk,Sam Altman(美国创业孵化器总裁)及Pieter Abbeel(PayPal联合创始人)等人创建,在创立之初由Elon Musk和Sam Altman担任其联合主席,由PieterAbbeel等人担任顾问。资料来源:OpenAI官网、国信证券经济研究所整理OpenAI初创成员及其担任职务OpenAI初创成员及其担任职务资料来源:艾瑞咨询、国信证券经济研究所整理2012-2015年人工智能行业投资次数和金额2012-2015年人工智能行业投资次数和金额6.2 46.0 81.0 142.3 9182643051015202530354045500.020.040.060.080.0100.0120.0140.0160.02012201320142015投资额(千万元)投资次数(次)请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(3):2016年发布第一个开源平台2.1 OpenAI发展历程(3):2016年发布第一个开源平台2016年4月,OpenAI发布了第一个项目OpenAI Gym Beta。2016年4月,OpenAI发布了第一个项目OpenAI Gym Beta。OpenAI Gym是由OpenAI开发的一个开源平台,旨在在各种强化学习问题中加速算法的开发和比较,该工具也是OpenAI第一个开放的成果。Gym的核心组件是环境(Environment)和智能体(Agent)。Gym的核心组件是环境(Environment)和智能体(Agent)。环境是一个可观察到的系统,它定义了智能体如何与外部世界交互;智能体则是一个能够感知到和影响环境的程序,是训练和优化的对象。Gym提供了许多强化学习问题的标准化环境。Gym提供了许多强化学习问题的标准化环境。例如经典控制问题(Classic control),Atari游戏,甚至是Roboschool等物理模拟环境。资料来源:OpenAI官网、国信证券经济研究所整理GYM基本应用示意图GYM基本应用示意图资料来源:OpenAI官网、国信证券经济研究所整理Universe基础设施和应用示意图Universe基础设施和应用示意图请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(4):2017年公布最新强化学习算法PPO2.1 OpenAI发展历程(4):2017年公布最新强化学习算法PPO2017年7月,OpenAI公布最新强化学习算法PPO(Proximal Policy Optimization),好于同期最强的算法模型,成为openai默认的强化2017年7月,OpenAI公布最新强化学习算法PPO(Proximal Policy Optimization),好于同期最强的算法模型,成为openai默认的强化学习算法。学习算法。PPO包含三方面的技术进步:1.代理策略和价值函数的优化,在PPO算法中,同时优化代理策略和价值函数(ValueFunction),通过在最大化奖励的同时最大化代理策略和价值函数的梯度,同时对这两者进行优化;2.剪辑代理策略更新是PPO算法的核心部分,该方法通过使用约束优化来保证新的策略不会太远离旧的策略,减轻了过渡调整代理策略的问题,并提高总体稳定性;3.优化函数的选择,在PPO算法中,需要选择合适的优化函数来最大化代理策略和价值函数的梯度,常用的优化函数包括Adam、SGD和RMSProp等。资料来源:OpenAI官网、国信证券经济研究所整理新的目标函数可以在连续任务方面表现出优异性能新的目标函数可以在连续任务方面表现出优异性能资料来源:OpenAI官网、国信证券经济研究所整理策略梯度解决方案正奖错罚策略梯度解决方案正奖错罚请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(5):2018年发布第一代transformer的GPT模型2.1 OpenAI发展历程(5):2018年发布第一代transformer的GPT模型2018年6月,OpenAI公布了第一个将transformer与无监督的预训练技术相结合的GPT模型,其取得的效果要好于当前的已知算法。2018年6月,OpenAI公布了第一个将transformer与无监督的预训练技术相结合的GPT模型,其取得的效果要好于当前的已知算法。该模型被称为GPT-1,并由一个具有10亿个参数的单层transformer组成。这一模型的训练使用了大规模的无监督语料库,使它能够生成各种自然语言处理任务的有力表现。同月OpenAI宣布他们的OpenAI Five已经开始在Dota2游戏中击败业余人类团队,OpenAIFive使用了256个P100 GPUs和128000个CPU核,通过每天玩180年时长的游戏来训练模型。在同年8月份的专业比赛中,OpenAIFive输掉了2场与顶级选手的比赛,但是比赛的前25-30分钟内,OpenAI Five的模型的有着十分良好的表现。OpenAI Five继续发展并在2019年4月15日宣布打败了当时的Dota2世界冠军。资料来源:OpenAI官网、国信证券经济研究所整理GPT可以显著提高在复杂NLP任务中的表现GPT可以显著提高在复杂NLP任务中的表现资料来源:OpenAI官网、国信证券经济研究所整理OpenAIFive与早期游戏机器人的参数对比OpenAIFive与早期游戏机器人的参数对比请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(6):生成模型开始拓展至其他领域2.1 OpenAI发展历程(6):生成模型开始拓展至其他领域2019年2月,OpenAI在博客Better Language Models and Their Implications中官宣GPT-2模型。2019年2月,OpenAI在博客Better Language Models and Their Implications中官宣GPT-2模型。GPT-2模型拥有15亿参数,基于800万网页数据训练,该模型就是GPT的规模化结果,在10倍以上的数据以10倍以上的参数训练。OpenAI在2月份GPT-2发布的时候仅仅公开了他们的1.24亿版本的预训练结果,其后的5月份发布了3.55亿参数版本的预训练结果,并在半年后的8月份发布了一个7.74亿参数版本的GPT-2预训练结果。2019年11月5日,15亿参数的完整版本的GPT-2预训练结果发布。2019年3月,OpenAI将生成模型开始拓展至其他领域。2019年3月,OpenAI将生成模型开始拓展至其他领域。同年3月4日,OpenAI发布了一个用于强化学习代理的大规模多代理游戏环境:Neural MMO。该平台支持在一个持久的、开放的任务中的存在大量的、可变的agent。4月25日,OpenAI继续公布最新的研究成果:MuseNet,这是一个深度神经网络,可以用10种不同的乐器生成4分钟的音乐作品,并且可以结合多种音乐风格。资料来源:OpenAI官网、国信证券经济研究所整理GPT-2在zero-shot的条件下的NLP任务中取得极大进展GPT-2在zero-shot的条件下的NLP任务中取得极大进展资料来源:OpenAI官网、国信证券经济研究所整理利用Sparse Transformers的原理可以生成音频利用Sparse Transformers的原理可以生成音频请务必阅读正文之后的免责声明及其项下所有内容2.1 OpenAI发展历程(7):2020年发布预训练大模型GPT-32.1 OpenAI发展历程(7):2020年发布预训练大模型GPT-32020年5月,OpenAI正式公布了彼时全球最大的预训练模型GPT-3相关的研究结果,参数达到1750亿。2020年5月,OpenAI正式公布了彼时全球最大的预训练模型GPT-3相关的研究结果,参数达到1750亿。OpenAI的研究人员直接提交了论文Language Models are Few-Shot Learners宣布了GPT-3的诞生,但是该模型在9月份便商业化授权给了微软。2020年6月,OpenAI发布了ImageGPT模型。2020年6月,OpenAI发布了ImageGPT模型。该模型将GPT的成功引入计算机视觉领域,也正是该模型证明了transformer是与领域无关的,都是从序列中建模,因此计算机视觉领域依然可以使用。2022年全年,OpenAI不断发布针对GPT-3的优化版本,在长文本关系、多步逻辑推理关系以及理解人类说话的能力方面大幅提升。2022年全年,OpenAI不断发布针对GPT-3的优化版本,在长文本关系、多步逻辑推理关系以及理解人类说话的能力方面大幅提升。1月,OpenAI发布InstructGPT,相较于GPT-3可以更为清晰的理解人类语言和用户意图,同时作为一个AI通话系统,也是公司收费的API。4月,新版本GPT-3和Codex发布,新增了编辑和插入新内容的能力。9月,OpenAI发布了Whispe语音识别预训练模型,结果逼近人类水平,同时支持多种语言。除对GPT模型不断优化外,在图片预训练和视频预训练方面OpenAI都有所进展。7月OpenAI发布DALLE2,在初代的基础上,生成图片更加逼真、细节更加丰富且解析度更高;6月通过视频预训练,在只使用少量标签数据和微调的条件下,训练了神经网络在Minecraft学习制作钻石工具(这项任务通常需要熟练的人类花费超过20分钟)。资料来源:OpenAI官网、国信证券经济研究所整理DALLE2性能提升示例DALLE2性能提升示例资料来源:OpenAI官网、国信证券经济研究所整理增加模型训练量可以带来更好的性能增加模型训练量可以带来更好的性能请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程:目前GPT已迭代了五代模型2.2 GPT迭代过程:目前GPT已迭代了五代模型GPT的发展可大致分为四个阶段:GPT-1、GPT-2、GPT-3、ChatGPT以及GPT4。GPT的发展可大致分为四个阶段:GPT-1、GPT-2、GPT-3、ChatGPT以及GPT4。GPT-1:2018年6月,OpenAI公布了第一个将transformer与无监督的预训练技术相结合的GPT模型。GPT-1:2018年6月,OpenAI公布了第一个将transformer与无监督的预训练技术相结合的GPT模型。GPT-1模型架构基于Transformer模型,通过学习大量未标记的文本数据,可以在大规模任务上进行预测。模型参数量为1.17亿。GPT-2:2019年2月,OpenAI在博客Better Language Models and Their Implications中官宣GPT-2模型。GPT-2:2019年2月,OpenAI在博客Better Language Models and Their Implications中官宣GPT-2模型。GPT-2是一种基于Transformer架构的自然语言处理模型,使用了无监督预训练的技术,允许GPT-2从未标注的文本数据中学习语言模型。模型参数量为15亿。GPT-3:2020年5月,OpenAI的研究人员提交论文Language Models are Few-Shot Learners宣布了GPT-3的诞生。GPT-3:2020年5月,OpenAI的研究人员提交论文Language Models are Few-Shot Learners宣布了GPT-3的诞生。GPT-3具有少样本及零样本学习的能力,即可以在没有接受特定任务或领域训练的情况下产生有意义的输出。模型参数量为1750亿。ChatGPT:2022年11月,OpenAI正式推出了对话交互式的ChatGPT。相比于GPT-3,ChatGPT:2022年11月,OpenAI正式推出了对话交互式的ChatGPT。相比于GPT-3,ChatGPT引入了基于人类反馈的强化学习(RLHF)技术以及奖励机制,提高模型准确度。GPT-4:2023年3月,OpenAI正式推出GPT-4,成为目前较先进的多模态大模型。GPT-4:2023年3月,OpenAI正式推出GPT-4,成为目前较先进的多模态大模型。GPT-4主要在识别理解能力、创作写作能力、处理文本量以及自定义身份属性迭代方面取得进展。资料来源:OpenAI官网、国信证券经济研究所整理OpenAI发展阶段OpenAI发展阶段GPT-1GPT-2instructGPTGPT-3ChatGPTGPT-42018/062019/022020/052022/032022/122023/03首次提出生成式预训练模型参数量为1.17亿建模对话历史能力显著提升基于人类反馈指令微调SFT RLHF模型参数量为13亿少样本及零样本学习模型参数量为1750亿使用无监督训练技术模型参数量为15亿接受图像和文本输入,是目前较先进的多模态大模型。请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程之GPT-1:GPT-1采用多层Transformer架构2.2 GPT迭代过程之GPT-1:GPT-1采用多层Transformer架构GPT-1采用了多层Transformer架构,整体架构为:输入层-n个Transformer块-输出层。GPT-1采用了多层Transformer架构,整体架构为:输入层-n个Transformer块-输出层。输入层采用的是基于字节对编码(BPE,Byte Pair Encoding)的方式,将原始文本编码成固定长度的向量作为模型的输入。接下来,模型将这些向量输入到n个Transformer块中进行处理,每个Transformer块又包含了若干个子层,包括多头自注意力子层和全连接前馈网络子层。这些子层形成了Transformer块的主体结构,每个子层处理不同的输入信息,其中多头自注意力子层用于计算每个词在上下文中的重要性,全连接前馈网络子层用于提取特征并生成新的表示。最后,模型将最后一层Transformer块的输出向量输入到输出层中,生成对下一个单词的预测。整个过程被称为生成式预训练(Generative Pre-training)。GPT-1的训练过程包括预训练和微调两个阶段。GPT-1的训练过程包括预训练和微调两个阶段。首先,GPT-1使用了大规模的未标注文本数据进行预训练,这个阶段包括多层的Transformer架构和预测下一个单词的任务。在预训练完成后,GPT-1使用带标签的数据在特定任务上进行微调,例如基于分类任务的微调、基于序列标注任务的微调等。GPT-1的缺陷在于遗忘上下文,对长文本建模时存在困难;因其训练集仅为维基百科的大规模文本训练,因此在专业领域表现较差。GPT-1的缺陷在于遗忘上下文,对长文本建模时存在困难;因其训练集仅为维基百科的大规模文本训练,因此在专业领域表现较差。资料来源:CSDN、国信证券经济研究所整理transformer的基本结构(左)&GPT-1应用到不同任务上输入数据的变换方式(右)transformer的基本结构(左)&GPT-1应用到不同任务上输入数据的变换方式(右)请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程之GPT-2:采用更大的训练集,并尝试无监督训练2.2 GPT迭代过程之GPT-2:采用更大的训练集,并尝试无监督训练GPT-2采用更大的训练集,并尝试无监督训练。GPT-2采用更大的训练集,并尝试无监督训练。GPT-2为了解决GPT-1泛化能力弱的问题,开始采用zero-shot learning(零次学习)。GPT-2的训练集为在Reddit上爬取的外链,构建了WebText数据集,包含了这4500万个链接的文字子集,移除了所有的Wikipedia文档(这部分是很多下游任务的数据源,为了避免数据集重叠而影响评估)。在架构上,GPT-2基本保持了与第一代相同的架构,但GPT-2将Transformer堆叠的层数增加到48层,隐层的维度为1600,参数量达到了15亿。GPT-2取得了更为优异的实验结果。GPT-2取得了更为优异的实验结果。在8个语言模型任务中,仅仅通过zero-shot学习,GPT-2就有7个超过了state-of-the-art的方法;在“Childrens Book Test”数据集上的命名实体识别任务中,GPT-2超过了state-of-the-art的方法约7%;“LAMBADA”是测试模型捕捉长期依赖的能力的数据集,GPT-2将困惑度从99.8降到了8.6;在阅读理解数据中,GPT-2超过了4个baseline模型中的三个;在法译英任务中,GPT-2在zero-shot学习的基础上,超过了大多数的无监督方法,但是比有监督的state-of-the-art模型要差。资料来源:CSDN、国信证券经济研究所整理GPT-1(左)和GPT-2(右)模型架构对比GPT-1(左)和GPT-2(右)模型架构对比资料来源:CSDN、国信证券经济研究所整理随着模型的增大,效果不断提升随着模型的增大,效果不断提升请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程之GPT-3:进一步解决过拟合问题,提升泛化能力2.2 GPT迭代过程之GPT-3:进一步解决过拟合问题,提升泛化能力降低成本、提升效率。降低成本、提升效率。GPT-3消除了对大量数据的需求,这些数据在用于训练语言模型之前标记成本很高。通过使用预先训练的模型,GPT-3可以通过“仅使用几个标记样本”来生成足够的响应,从而在开发中实现更高的成本和时间效率。解决过度拟合、提升泛化能力。解决过度拟合、提升泛化能力。使用大量数据训练模型可能会“过度拟合”,或者过多的数据会使模型无法准确执行。或者,使用大量数据训练模型也可以消除其在特定领域之外“泛化”的能力,从而限制其性能能力。构建机器学习算法时,它们利用示例数据集来训练模型。但是,当模型在样本数据上训练时间过长或模型过于复杂时,它可以开始学习数据集中的“噪声”或不相关的信息。当模型记住噪声并且与训练集拟合得太近时,模型就会变得“过度拟合”,并且无法很好地推广到新数据。通过简单的提示实现对话。通过简单的提示实现对话。GPT-3由1750亿个参数组成,比其前身“GPT-2”大100倍以上,后者仅包含15亿个参数,比微软5年推出的“图灵 NLG”语言模型大10倍,后者由120亿个参数组成。这表明GPT-3具有更高的性能和适用性,这进一步证实了它能够超越跨越其他自然语言处理(“NLP”)系统的“微调的先进算法”(“SOTA”)、语音识别和推荐系统。GPT-3具有175亿个参数,在“少数镜头”设置下可以实现超过3%的响应精度。因此ChatGPT和GPT-3这样的预训练模型也“不需要大型监督数据集来学习大多数语言任务”,模仿人类对通常简短指令的反应。资料来源:CSDN、国信证券经济研究所整理GPT-3八种不同大小模型参数GPT-3八种不同大小模型参数资料来源:CSDN、国信证券经济研究所整理Few shot取得更加准确的结果Few shot取得更加准确的结果请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程之ChatGPT:加入强化学习,发布第四代模型2.2 GPT迭代过程之ChatGPT:加入强化学习,发布第四代模型ChatGPT的训练过程分为微调GPT3.5模型、训练回报模型、强化学习来增强微调模型三步。ChatGPT的训练过程分为微调GPT3.5模型、训练回报模型、强化学习来增强微调模型三步。第一步:微调GPT3.5模型。让GPT3.5在对话场景初步具备理解人类的意图,从用户的prompt集合中采样,人工标注prompt对应的答案,然后将标注好的prompt和对应的答案去Fine-tune GPT3.5,经过微调的模型具备了一定理解人类意图的能力。第二步:训练回报模型。这一步通过人工标注数据训练一个回报模型,让回报模型来帮助评估回答的好不好。具体做法是采样用户提交的prompt,先通过第一步微调的模型生成n个不同的答案,比如A、B、C、D。接下来人工对A、B、C、D按照相关性、有害性等标准标准并进行综合打分。利用这个人工标准数据,采取pair-wise损失函数来训练回报模型RM。第三步:强化学习来增强微调模型。使用第一步微调GPT3.5模型初始化PPO模型,采样一批和前面用户提交prompt不同的集合,使用PPO模型生成答案,使用第二步回报模型对答案打分。通过产生的策略梯度去更新PPO模型。这一步利用强化学习来鼓励PPO模型生成更符合RM模型判别高质量的答案。资料来源:OpenAI官网、国信证券经济研究所整理ChatGPT训练流程ChatGPT训练流程资料来源:OpenAI官网、国信证券经济研究所整理人类反馈模型在训练中优于更大的监督模型人类反馈模型在训练中优于更大的监督模型请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程之GPT-4:更具创造性且能够接受更长的文本输入2.2 GPT迭代过程之GPT-4:更具创造性且能够接受更长的文本输入创作写作能力的飞跃。创作写作能力的飞跃。GPT-4可以与用户一起生成、编辑和迭代创意和技术写作任务,包括创作歌曲、编写剧本等任务,此外还可以学习用户的写作风格进行同风格创作,且创作时间远低于人类所需时间。GPT-4处理文本量达到25000字左右,约等于ChatGPT的八倍。GPT-4处理文本量达到25000字左右,约等于ChatGPT的八倍。除了在文本量方面的进展外,GPT-4对信息的处理联系了上下文,是具有逻辑的分析,即GPT-4可以直接处理输入链接中的信息。自定义身份属性的迭代。自定义身份属性的迭代。用户可以在输入框中增加对于生成文本的角色要求,GPT-4也可以做到深刻理解该命令需求,比如用户命令GPT-4以某位名人的语气活语言习惯进行对话。资料来源:OpenAI官网、国信证券经济研究所整理GPT-4与OpenAI输入文本量限制对比GPT-4与OpenAI输入文本量限制对比资料来源:OpenAI官网、国信证券经济研究所整理GPT-4自定义身份交流实例GPT-4自定义身份交流实例请务必阅读正文之后的免责声明及其项下所有内容2.2 GPT迭代过程之GPT-4:更具创造性且能够接受更长的文本输入2.2 GPT迭代过程之GPT-4:更具创造性且能够接受更长的文本输入GPT-4可以接受文本和图像形式的输入,新能力与纯文本设置并行,允许用户指定任何视觉或语言任务。GPT-4可以接受文本和图像形式的输入,新能力与纯文本设置并行,允许用户指定任何视觉或语言任务。具体来说,GPT-4在人类给定由散布的文本和图像组成的输入的情况下生成相应的文本输出(自然语言、代码等)。在一系列领域包括带有文本和照片的文档、图表或屏幕截图上,GPT-4展示了与纯文本输入类似的功能。此外,它还可以通过为纯文本语言模型开发的测试时间技术得到增强,包括少样本和思维链。实际应用方面,OpenAI官网给出了7个视觉输入例子:1、描述多张图片内容,发现不合常理之处;2、根据图表,推理作答;3、看图考试;4、简练指出图片的违和之处;5、阅读论文,总结摘要与解释图表;6、解读人类梗图;7、理解漫画含义。GPT-4在真实性和有效性方面取得了突破级成果。GPT-4在真实性和有效性方面取得了突破级成果。GPT-4基于对抗性测试程序和ChatGPT得到的经验教训,对模型进行训练运行,当有问题出现时,基础模型可以以多种方式响应,为了得到用户想要的答案,再使用RLHF对结果进行微调。资料来源:OpenAI官网、国信证券经济研究所整理GPT-4可以深刻理解图片不合理之处GPT-4可以深刻理解图片不合理之处资料来源:OpenAI官网、国信证券经济研究所整理GPT-4可以深刻理解图片不合理之处GPT-4可以深刻理解图片不合理之处请务必阅读正文之后的免责声明及其项下所有内容2.3 海外玩家之谷歌:谷歌大模型早期发展(1)2.3 海外玩家之谷歌:谷歌大模型早期发展(1)2014年1月26日Google收购Deepmind。2014年1月26日Google收购Deepmind。该事件成为谷歌人工智能新一阶段起点,之后由Deepmind开发的Alphago于2016年战胜人类世界围棋冠军。2017年谷歌发布开源的神经网络架构Transformer模型。2017年谷歌发布开源的神经网络架构Transformer模型。该模型首次在“Attention is all you need”一文中提出,在论文中该模型主要是被用于克服机器翻译任务中传统网络训练时间过长,难以较好实现并行计算的问题,后来,由于该方法在语序特征的提取效果由于传统的RNN、LSTM而被逐渐应用至各个领域。2018年10月,谷歌发布Bert。2018年10月,谷歌发布Bert。该大模型基于Transformer架构,在斯坦福大学机器阅读理解水平测试SQuAD1.1中,Bert在全部两个衡量指标上,全面超越人类表现。同年OpenAI发布GPT-1,同样基于Transformer架构。资料来源:CSDN、国信证券经济研究所整理Transformer整体架构:输入、输出、编码器、解码器Transformer整体架构:输入、输出、编码器、解码器资料来源:CSDN、国信证券经济研究所整理谷歌大模型发展历程谷歌大模型发展历程2014年谷歌收购Deepmind2017年谷歌发布Transformer2018年谷歌发布Bert2021年谷歌发布LaMDA2021年谷歌发布MUM2023年谷歌发布Bard请务必阅读正文之后的免责声明及其项下所有内容2.3 海外玩家之谷歌:谷歌大模型早期发展(2)2.3 海外玩家之谷歌:谷歌大模型早期发展(2)2021年5月18日谷歌在谷歌I/O大会发布LaMDA大模型。2021年5月18日谷歌在谷歌I/O大会发布LaMDA大模型。LaMDA的全称LanguageModel for Dialogue Applications,是一种能力强大的语言模型,适用于对话应用程序。LaMDA经过两阶段训练:预训练和微调,在预训练阶段,谷歌首先从公共对话数据和其他公共网页文档中收集并创建了一个具有1.56T单词的数据集;在微调阶段,谷歌训练 LaMDA,执行混合生成任务以生成对给定上下文的自然语言响应,执行关于响应是否安全和高质量的分类任务,最终生成一个两种任务都能做的多任务模型。2021年5月18日谷歌在谷歌I/O大会发布多任务统一模型MUM。2021年5月18日谷歌在谷歌I/O大会发布多任务统一模型MUM。MUM不仅可以理解语言,而且可以生成语言;MUM 同时用 75 种不同的语言进行了多项任务的训练,使其比以前的模型更全面地理解信息;MUM是多模态的,能够理解文本和图像中的信息。资料来源:CSDN、国信证券经济研究所整理LaMDA与预训练模型(PT)、人类评估者生成对话对比LaMDA与预训练模型(PT)、人类评估者生成对话对比资料来源:hrefgo、国信证券经济研究所整理基于MUM的“拓宽/优化此搜索”功能基于MUM的“拓宽/优化此搜索”功能请务必阅读正文之后的免责声明及其项下所有内容2.3 海外玩家之谷歌:谷歌发布对话式AI Bard2.3 海外玩家之谷歌:谷歌发布对话式AI Bard2023年2月6日,谷歌宣布发布Bard新对话式人工智能技术应用。2023年2月6日,谷歌宣布发布Bard新对话式人工智能技术应用。Bard由谷歌的大型语言模型LaMDA,即对话应用程序语言模型提供支持。2023年3月21日,谷歌正式宣布开放Bard的访问权限。2023年3月21日,谷歌正式宣布开放Bard的访问权限。Bard采用了先进的深度学习算法,具有包括翻译、摘要等在内的一系列能力,并由大量文本提供支持。与ChatGPT相比,从功能来看,ChatGPT通晓多种语言,而Bard暂时只能进行英文对话;从编程能力来看,ChatGPT能生成大段可用的代码,但Bard的这一功能暂不可用;在生成内容的形式方面,ChatGPT一次只能作出一个回应,而Bard一次性创建几个不同的版本,供用户从中择优选用。资料来源:谷歌官网、国信证券经济研究所整理Bard使用范例,给出多版本答案Bard使用范例,给出多版本答案资料来源:CSDN、国信证券经济研究所整理ChatGPT与Bard对比ChatGPT与Bard对比请务必阅读正文之后的免责声明及其项下所有内容2.3 海外玩家之谷歌:谷歌推出大型视觉语言模型PaLM-E2.3 海外玩家之谷歌:谷歌推出大型视觉语言模型PaLM-E2023年3月3月又推出大型视觉语言模型PaLM-E。2023年3月3月又推出大型视觉语言模型PaLM-E。作为一种多模态具身视觉语言模型(VLM),PaLM-E不仅可以理解图像,还能理解、生成语言,甚至将二者结合起来,处理复杂指令,通过PaLM-540B语言模型与ViT-22B视觉Transformer模型相结合,PaLM-E最终的参数量高达5620亿。文本功能方面,文本功能方面,PaLM-E是一个仅有解码器的LLM,在给定前缀(prefix)或提示(prompt)下,能够以自回归方式生成文本补全,其训练数据为包含视觉、连续状态估计和文本输入编码的多模式语句。图像功能方面,图像功能方面,经过单个图像提示训练,PaLM-E不仅可以指导机器人完成各种复杂的任务,还可以生成描述图像的语言。资料来源:CSDN、国信证券经济研究所整理PaLM-E可进行复杂指令任务PaLM-E可进行复杂指令任务资料来源:CSDN、国信证券经济研究所整理PaLM-E与执行单一任务机器人模型相比,性能明显提高PaLM-E与执行单一任务机器人模型相比,性能明显提高请务必阅读正文之后的免责声明及其项下所有内容2.3 海外玩家之Meta:发布大语言模型LLaMA2.3 海外玩家之Meta:发布大语言模型LLaMA2023年2月25日,Meta官网公布了一个新的大型语言模型 LLaMA(Large Language Model Meta AI)。2023年2月25日,Meta官网公布了一个新的大型语言模型 LLaMA(Large Language Model Meta AI)。从参数规模来看,Meta提供有70亿、130亿、330亿和650亿四种参数规模的 LLaMA 模型,并用20种语言进行训练,且具有以下特点:参数规模小,对算力要求低。参数规模小,对算力要求低。LLaMA参数规模相比 ChatGPT的底层模型OpenAI GPT-3有1750亿(175B)个参数,LLaMA 模型的参数量很小。训练数据多。训练数据多。LLaMA的训练数据集包括开放数据平台Common Crawl、英文文档数据集C4、代码平台GitHub、维基百科、论文预印本平台ArXiv。AI能力出众。AI能力出众。在逻辑推理等方面优于GPT-3,在代码生成方面优于LaMDA和PaLM。资料来源:CSDN、国信证券经济研究所整理LLaMA效果超越GPT-3LLaMA效果超越GPT-3资料来源:CSDN、国信证券经济研究所整理LLaMA代码生成表现优于LaMDA和PaLMLLaMA代码生成表现优于LaMDA和PaLM请务必阅读正文之后的免责声明及其项下所有内容3、中国玩家:百度发布文心一言,本土玩家纷纷布局3、中国玩家:百度发布文心一言,本土玩家纷纷布局请务必阅读正文之后的免责声明及其项下所有内容2023年3月20日,百度正式推出百度版ChatGPT文心一言。2023年3月20日,百度正式推出百度版ChatGPT文心一言。其发布时间线:2月7日官宣;13日确认将在3月亮相;截至15日有超百家企业接入;17日在2023 AI 工业互联网高峰论坛上宣布,将通过百度智能云对外提供服务,率先在内容和信息相关的行业和场景落地;22日,李彦宏在财报信中表示,计划将多项主流业务与文心一言整合;28日,文心一言新闻发布会定档。文心一言目前主要展现出五大功能,并带来三大产业机会。文心一言目前主要展现出五大功能,并带来三大产业机会。其功能主要包括:(1)文学创作、(2)商业文案创作、(3)数理逻辑推算、(4)中文理解、(5)多模态生成。发布会上李彦宏提出AI时代三大产业机会包括:新兴云计算MaaS模型即服务;行业模型精调工业、金融、交通、能源、媒体等;应用开发文字、图像、音视频生成、数字人、3D生成等。3.1 百度:正式发布文心一言3.1 百度:正式发布文心一言35资料来源:百度官网、国信证券经济研究所整理文心一言官宣后宣布接入的企业(1)文心一言官宣后宣布接入的企业(1)资料来源:百度官网、国信证券经济研究所整理文心一言官宣后宣布接入的企业(2)文心一言官宣后宣布接入的企业(2)请务必阅读正文之后的免责声明及其项下所有内容文心一言主要由文心大模型提供支持。文心一言主要由文心大模型提供支持。百度文心NLP大模型主要经历了三条主线的发展:第一、文心ERNIE 3.0以及文心ERNIE 3.0 Titan模型,在SuperGLUE和GLUE都超过了人类排名第一的水平;第二、文心ERNIE在跨模态、跨语言以及长文档、图模型等方面取得发展,在多个榜单尤其是视觉语言相关榜单获得第一;第三、生成式对话大模型文心PLATO推动了对话的连续性。文心一言拥有有监督精调、RLHF、提示构建、知识增强、检索增强和对话增强六大核心技术。文心一言拥有有监督精调、RLHF、提示构建、知识增强、检索增强和对话增强六大核心技术。其中前三项与ChatGPT的技术十分类似,知识增强包括知识内化(将知识“渗透”进模型参数中)和知识外用(指的是模型可以直接使用外部的知识);检索增强指基于百度搜索引擎,先对内容进行检索,再筛选出有用的部分整合输出结果;对话增强指记忆机制、上下文理解和对话规划等技术。3.1 百度:文心一言由文心NLP大模型提供支持3.1 百度:文心一言由文心NLP大模型提供支持36资料来源:CSDN、国信证券经济研究所整理文心大模型全景图文心大模型全景图资料来源:CSDN、国信证券经济研究所整理文心大模型发展历程文心大模型发展历程请务必阅读正文之后的免责声明及其项下所有内容文心ERNIE:持续学习框架。文心ERNIE:持续学习框架。该模型可以从大规模知识图谱和海量无结构数据中学习;能够融合自编码和自回归结构,既理解语言,也生成语言。文心ERNIE-M:跨语言大模型。文心ERNIE-M:跨语言大模型。首次突破双语语料规模对多语言训练模型效果的限制,使用统一模型建模96种语言,并且在自然语言推断、语义相似度、阅读理解、命名实体识别和跨语言检索5类跨语言任务刷新世界记录。文心ERNIE-ViLG:跨模态大模型。文心ERNIE-ViLG:跨模态大模型。兼顾文本到图像的生成,以及图像到文本的生成,参数规模已达百亿级,并且在效果上领先于DALLE。文心ERNIE-Sage:图模型。文心ERNIE-Sage:图模型。通过结合语义图知识结构信息以及与训练方法,提升文本图语义理解效果10 %。3.1 百度:知识增强大模型文心ERNIE分类介绍3.1 百度:知识增强大模型文心ERNIE分类介绍37资料来源:CSDN、国信证券经济研究所整理文心ERNIE技术平台全景图文心ERNIE技术平台全景图资料来源:CSDN、国信证券经济研究所整理文心ERNIE-ViLG模型架构文心ERNIE-ViLG模型架构请务必阅读正文之后的免责声明及其项下所有内容2022年9月2日,阿里达摩院发布通义大模型系列。2022年9月2日,阿里达摩院发布通义大模型系列。该模型打造了国内首个AI统一底座,并构建了通用与专业模型协同的层次化人工智能体系,首次实现模态表示、任务表示、模型结构的统一。通过这种统一学习范式,通义统一底座中的单一M6-OFA模型,在不引入任何新增结构的情况下,可同时处理图像描述、视觉定位、文生图、视觉蕴含、文档摘要等10余项单模态和跨模态任务,并达到国际领先水平。2023年3月,阿里达摩院已在AI模型社区“魔搭”ModelScope上线了“文本生成视频大模型”。2023年3月,阿里达摩院已在AI模型社区“魔搭”ModelScope上线了“文本生成视频大模型”。目前文本生成视频大模型,由文本特征提取、文本特征到视频隐空间扩散模型、视频隐空间到视频视觉空间这3个子网络组成,整体模型参数约17亿,目前仅支持英文输入。扩散模型采用Unet3D 结构,通过从纯高斯噪声视频中,迭代去噪的过程,实现视频生成的功能。3.2 国内玩家之阿里:通义大模型打造AI统一底座3.2 国内玩家之阿里:通义大模型打造AI统一底座38资料来源:CSDN、国信证券经济研究所整理通义大模型架构通义大模型架构资料来源:OpenAI官网、国信证券经济研究所整理大模型生成的一只在微波炉里的长颈鹿大模型生成的一只在微波炉里的长颈鹿请务必阅读正文之后的免责声明及其项下所有内容2022年4月,腾讯首次对外披露混元大模型,完整覆盖NLP大模型、CV大模型、多模态大模型及众多领域任务。2022年4月,腾讯首次对外披露混元大模型,完整覆盖NLP大模型、CV大模型、多模态大模型及众多领域任务。该模型在广告内容理解、行业特征挖掘、文案创意生成等方面具备优势和特色。混元大模型由太极机器学习平台提供底层支持。混元大模型由太极机器学习平台提供底层支持。2015 年,太极机器学习平台1.0诞生,是腾讯首个涵盖“数据导入-特征工程-模型训练在线服务“全流程的一站式机器学习平台;2019 年,太极平台联合腾讯云,打造了三环境(内网/公有云/私有云)统一的“TI-ONE 机器学习平台”,将机器学习平台能力输出给公网和私有云用户,太极平台服务腾讯内部业务;2022 年,为了解决“广告模型迭代流程研发效率”问题,太极广告一站式平台上线,目标将广告模型迭代业务流程通过“上太极”产品化,为广告业务提供端到端的一站式模型研发体验。3.3 国内玩家之腾讯:依托太极平台,腾讯发布混元大模型3.3 国内玩家之腾讯:依托太极平台,腾讯发布混元大模型39资料来源:腾讯技术工程、国信证券经济研究所整理太极机器学习平台整体架构太极机器学习平台整体架构资料来源:腾讯技术工程、国信证券经济研究所整理太极机器学习平台帮助实现广告一站式产品化太极机器学习平台帮助实现广告一站式产品化请务必阅读正文之后的免责声明及其项下所有内容2021年4月华为发布“盘古大模型”,目前已经发展出包括基础大模型(L0)、行业大模型(L1)、行业细分场景模型(L2)三大阶段的成2021年4月华为发布“盘古大模型”,目前已经发展出包括基础大模型(L0)、行业大模型(L1)、行业细分场景模型(L2)三大阶段的成熟体系。熟体系。该模型基于鹏城云脑 和全场景AI计算框架MindSpore的自动混合并行模式,实现在2048卡算力集群上的大规模分布式训练,是国产全栈式AI基础设施第一次支持2000亿级超大规模语言模型训练,实现16个下游任务中性能指标优于业界SOTA模型。ModelArts为华为大模型提供研发的平台支持。ModelArts为华为大模型提供研发的平台支持。ModelArts是一站式开发平台,能够支撑开发者从数据到AI应用的全流程开发过程,包含数据处理、模型训练、模型管理、模型部署等操作,并且提供AI Gallery功能,能够在市场内与其他开发者分享模型。支持图像分类、物体检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。3.4 国内玩家之华为:千亿参数大模型盘古大模型3.4 国内玩家之华为:千亿参数大模型盘古大模型40资料来源:CSDN、国信证券经济研究所整理ModelArts发展历程ModelArts发展历程资料来源:CSDN、国信证券经济研究所整理ModelArts开发平台架构ModelArts开发平台架构请务必阅读正文之后的免责声明及其项下所有内容4、市场规模:模型参数不断增加,算力需求快速增长4、市场规模:模型参数不断增加,算力需求快速增长请务必阅读正文之后的免责声明及其项下所有内容4.1 全球AI市场到2024年将超六千亿美元,复合增速27%4.1 全球AI市场到2024年将超六千亿美元,复合增速2729.6544.9861.11372.41858.22603.43704.65397.77993.965.32X.03Y.385.40.10B.30E.70H.10%0 0Pp,0002,0003,0004,0005,0006,0007,0008,0009,00020162017201820192020E2021E2022E2023E2024E全球AI市场规模预计到2024年将超六千亿美元,复合增速27%。全球AI市场规模预计到2024年将超六千亿美元,复合增速27%。据沙利文咨询统计,2016-2019年,全球市场规模从593亿美元增长至2019年1918亿美元,复合增长率约48%,预计2020年到2024年将以27%的年复合增长率继续放量,并在2024年达到6158亿美元。中国AI市场规模预计到2024年约八千亿人民币,复合增速44%。中国AI市场规模预计到2024年约八千亿人民币,复合增速44%。据沙利文咨询统计,2016-2019年,中国市场规模从329.6亿元增长至1372.4亿元,复合增长率约61%,显著高于全球整体增速水平,预计2020年到2024年将以44%的年复合增长率继续放量,并在2024年突破7993亿元。5931044143319182334.92902.336834732.76157.276.057.263.85!.74$.30&.90(.500.10%0 0Pp,0002,0003,0004,0005,0006,0007,00020162017201820192020E2021E2022E2023E2024E资料来源:沙利文咨询、国信证券经济研究所整理全球人工智能市场规模(亿美元)全球人工智能市场规模(亿美元)资料来源:沙利文咨询、国信证券经济研究所整理中国人工智能市场规模(亿元)中国人工智能市场规模(亿元)请务必阅读正文之后的免责声明及其项下所有内容4.2 模型参数不断增长,算力需求持续增加4.2 模型参数不断增长,算力需求持续增加GPT-1迭代至GPT-3,参数量增大1500倍,预训练参数量扩大9000倍。GPT-1迭代至GPT-3,参数量增大1500倍,预训练参数量扩大9000倍。GPT-1、GPT-2和GPT-3的参数量分别为1.17、15.4和1750亿,预训练数据量分别为5GB、40GB和45TB。此外在序列长度方面,由初代的512增长至2048,模型层数方面也有数倍增长。按照计算公式,算力需求与模型参数量呈正相关关系。按照计算公式,算力需求与模型参数量呈正相关关系。GPT的算力需求分别发生在访问阶段和训练阶段,访问阶段是指用户在使用GPT时,因提出问题所造成的算力消耗;训练阶段是指在训练GPT模型时所消耗的算力。访问阶段的算力消耗是衡量chatgpt投入的关键指标,假设每天租用亚马逊AWS云服务,每天成本为461.28*2315=106.79万美元;在训练阶段,自建IDC:服务器成本约占数据中心成本30%左右,为满足当前日常访问需求,前期一次性成本。投入约为2315*19.9/30%=13.26亿美元。资料来源:OpenAI官网、国信证券经济研究所整理ChatGPT训练流程ChatGPT训练流程资料来源:中国信息通信研究院、国信证券经济研究所整理2016-2022年中国算力总规模及增长率2016-2022年中国算力总规模及增长率GPT-3GPT-2GPT-11750亿15.4亿1.17亿参数量45TB40GB5GB预训练数据量Pre-trainingPre-trainingPre-training Fine-tuning训练方式20481024512序列长度964812#of Decoder Layers122881600768Size of Hidden Layers3140578713514030029.03B.50R.63U.17%3.704.29%0.00 .00.00.00.000.000.0001001502002503003502016201720182019202020212022E算力总规模(EFlops)同比增长(%)请务必阅读正文之后的免责声明及其项下所有内容4.2 AI算力需求不断爆发,有望带动AI服务器放量4.2 AI算力需求不断爆发,有望带动AI服务器放量英伟达在GPU领域的强劲实力使其成为HPC需求增长的受益者。英伟达在GPU领域的强劲实力使其成为HPC需求增长的受益者。目前GPT-3.5在微软AzureAI超算基础设施(英伟达V100GPU组成的高带宽集群)上训练是因为英伟达在AI和图形处理器方面都达到全球领先的技术水平。考虑到该技术在处理与机器学习、深度学习、人工智能和数据挖掘相关的复杂工作负载方面的能力,超大规模数据中心和高性能计算(“HPC”)细分市场对GPU的需求也很高。而“Nvidia A100”GPU 芯片制造商提供的众多数据中心GPU之一就是这样做的。该技术于 2020 年推出,基于上述Ampere 架构构建,性能比其前代产品高出 20倍。A100专为支持“数据分析,科学计算和云图形”而设计。还有最近推出的基于Nvidia A100的“HGX AI超级计算机”平台,该平台能够提供“实现HPC创新的极致性能”。超速服务器市场需求助推英伟达逐步替代英特尔。超速服务器市场需求助推英伟达逐步替代英特尔。目前全球GPU 架构的服务器出货量远高于CPU架构的,其中英伟达GPU对intel的替代其实是超速服务器的替代。在超算,Ai训练里,这类服务器的增长导致对GPU需求大幅提升,以中国为例,目前国内普通服务器一年出货量再200亿美金,增速11%;但是超速服务器,就是搭载GPU的服务器,一年出货量大概是50亿美金出头,但是增速是87%。资料来源:CSDN、国信证券经济研究所整理HPC用户用到的50个较流行的应用程序中有34个提供GPU支持HPC用户用到的50个较流行的应用程序中有34个提供GPU支持资料来源:Verified Market Research、国信证券经济研究所整理美国商务部工业和安全局宣布对华进行高端芯片限制美国商务部工业和安全局宣布对华进行高端芯片限制254.1448.32465.1050010001500200025003000202020222028E全球GPU市场规模(亿美元)请务必阅读正文之后的免责声明及其项下所有内容4.2 AI算力需求不断爆发,有望带动AI服务器放量4.2 AI算力需求不断爆发,有望带动AI服务器放量英伟达立足当下,数据中心业务实现腾飞。英伟达立足当下,数据中心业务实现腾飞。2022年下半年,英伟达数据中心业务便实现高速增长超过市场预期,驱动2022年Q3增速比市场预期高了3亿多,因此结合市场环境,2022Q4数据中心超过游戏占比是预期内的结果。公司2022Q4收入指引是74亿美金,虽然环比预期给出了4.2%增长,相比单Q3环比9%增速低了一点,但是它因为产品单价还在高位,不排除超预期的可能。英伟达布局未来,将持续从HPC需求市场中收益。英伟达布局未来,将持续从HPC需求市场中收益。英伟达通过“Grace”和“Hopper”架构进军数据中心CPU和CPU GPU超级芯片的最新尝试也使其处于有利地位,可以捕捉GPT-3等需要显著HPC性能的变压器模型的需求:为OpenAI开发的超级计算机是一个单一系统,每个GPU服务器拥有超过28.5万个CPU内核,1万个GPU和每秒400千兆位的网络连接。随着英伟达硬件的计算性能和成本效率的提高,像GPT-3这样的变压器型号也将变得更加精细,使它们离商业化更近一步。对芯片和其他对实现人工智能用例至关重要的基本硬件需求的最新研究预测显示:到本世纪末,潜在市场将达到约1.7万亿美元,性能和成本效益的提高是市场持续扩张的关键驱动力。而这两点(性能和成本效益的提高)也是英伟达继续提供的两方面优势主要归功于英伟达人工智能训练加速器的性能一直在以惊人的速度进步,最新一代超高带宽内存技术HBM2e比Nividia 5 K2014中的GDDR80内存快得多。由于Nvidia不仅实现了GPT-3等语言模型的实现化,而且还提高了未来所述变压器模型部署的经济性,该公司已准备好在未来几年仅从HPC的强劲需求环境中受益。资料来源:NIVIDIA公司公告、国信证券经济研究所整理英伟达数据中心收入及其占比逐季度提升英伟达数据中心收入及其占比逐季度提升资料来源:NIVIDIA官网、国信证券经济研究所整理NIVIDIA A100 GPU性能卓越升级NIVIDIA A100 GPU性能卓越升级114117521900190320482366293632633750380638333080386647265003566165077103764382286704593137.05E.32.208.046.186.36A.33B.69E.58V.77d.63%0.00.00 .000.00.00P.00.00p.0000020003000400050006000700080009000Q1 FY21 Q2 FY21 Q3 FY21 Q4 FY21 Q1 FY22 Q2 FY22 Q3 FY22 Q4 FY22 Q1 FY23 Q2 FY23 Q3 FY23数据中心收入(百万美元)总收入(百万美元)数据中心收入占比(%)请务必阅读正文之后的免责声明及其项下所有内容4.3 OpenAI官网点击量不断攀升,当前日活近六千万4.3 OpenAI官网点击量不断攀升,当前日活近六千万截至2023年3月16日ChatGPT日活人数达5800 万。截至2023年3月16日ChatGPT日活人数达5800 万。ChatGPT2022年11月30日上线,上线一周获得百万注册用户,成为史上最快到百万用户的产品;2022年12月,日活用户数突破1000万;2023年3月份,ChatGPT日活人数已经突破5000万人。日活用户数的增长会带来算力消耗的线性增长。日活用户数的增长会带来算力消耗的线性增长。根据算力消耗的计算假设,每位用户平均每次访问输入的信息为1000字,也就意味着在用户数增长你的同时,算力需求也会随之线性增长,带来更大的算力缺口。资料来源:similarweb、国信证券经济研究所整理ChatGPT日活追踪(截至2023年3月16日)ChatGPT日活追踪(截至2023年3月16日)资料来源:similarweb、国信证券经济研究所整理ChatGPT周活追踪(截至2023年3月9日)ChatGPT周活追踪(截至2023年3月9日)010203040506070桌面端日活用户(百万)移动端日活用户(百万)52.0471.3775.2981.57110.72139.09148.33165.31193.16233.95263.60293.16306.48331.81050100150200250300350桌面端周活用户(百万)移动端周活用户(百万)请务必阅读正文之后的免责声明及其项下所有内容4.4 模型参数增加 用户规模扩大,当前算力需求缺口庞大4.4 模型参数增加 用户规模扩大,当前算力需求缺口庞大首先计算当前用户规模下,算力需求及成本情况:首先计算当前用户规模下,算力需求及成本情况:第一步,拆解字。第一步,拆解字。“token”是当前语言类模型的数据单位。当前的自回归语言模型是根据 token 来作为单位进行数据处理和计算,分词(tokenization)就是将句子、段落、文章这类型的长文本分解为以 token 为单位的数据结构,把文本分词后每个词表示成向量进行模型计算。例如在英文语境下,“happy”可能被分解为“hap”、“-py”两个 token,中文语境下,“我很开心”可以分成“我”,“很”,“开心”三个token。资料来源:CSDN、国信证券经济研究所整理ChatGPT算力成本计算流程图ChatGPT算力成本计算流程图资料来源:CSDN、国信证券经济研究所整理自回归语言模型原理简图自回归语言模型原理简图请务必阅读正文之后的免责声明及其项下所有内容4.4 模型参数增加 用户规模扩大,当前算力需求缺口庞大4.4 模型参数增加 用户规模扩大,当前算力需求缺口庞大第二步,计算A100算力单台售价和租赁价格。第二步,计算A100算力单台售价和租赁价格。以英伟达DGX A1OO服务器作为计算资源:(1)单台服务器售价19.9万美元;(2)采用云服务单天成本约为460美元。英伟达超算GPU系列从旧到新包括P100、V100、A100、H100等,三年迭代一次,一次算力提升3-5倍,最新的一代H100,专门针对大模型开发,大约能提升算力9倍。按全球主要芯片还是A100,一个DGX服务器有8个A100系列GPU,AI算力性能为5PetaFLOP/s,单机最大功率6.5kw,售价19.9万美元;如果租用云服务,在亚马逊 AWS预定一年的A100系列 GPU,有8个A100的AWSP4实例的平均成本约19.22美元,一天的平均成本约为461.28美元。第三步,测算1000个字(英语)消耗的计算资源。第三步,测算1000个字(英语)消耗的计算资源。较常见的Transformer类语言模型在推理过程中每个token的计算成本(以FLOPs为指标)约为2N,其中N为模型参数数量(20年发布的GPT-3拥有1750亿参数,22年谷歌发布的PaLM拥有5400亿参数,由于并未公布当前GPT3.5的参数数量,当前假定参数数量为3000亿),假设模型的 FLOPS 利用率约为20%,粗略估计ChatGPT一个1000字(假设约1333个token,注:在英文语境下,一般1000个token=750个单词)问题需要的算力资源为2*1333*3000亿/20%=4PetaFLOP/S。资料来源:AWS官网、国信证券经济研究所整理亚马逊AWS收费模式按实际使用量付费亚马逊AWS收费模式按实际使用量付费资料来源:AWS官网、国信证券经济研究所整理亚马逊AWS收费标准亚马逊AWS收费标准请务必阅读正文之后的免责声明及其项下所有内容4.4 模型参数增加 用户规模扩大,当前算力需求缺口庞大4.4 模型参数增加 用户规模扩大,当前算力需求缺口庞大第五步,计算自建成本和租赁成本。第五步,计算自建成本和租赁成本。自建IDC:服务器成本约占数据中心成本30%左右,为满足当前日常访问需求,前期一次性成本。投入约为2315*19.9/30%=13.26亿美元。(这个数和目前产业里面得到数基本一致)云服务:假设每天租用亚马逊AWS云服务,每天成本为461.28*2315=106.79万美元OpenAI面临着极为严峻的算力成本问题。OpenAI面临着极为严峻的算力成本问题。随着模型日益增大,OpenAI算力成本显著提高。根据国信计算机国内首发的有关ChatGPT算力准确测算的报告,当前ChatGPT的前期训练阶段一次性投入为3.99亿美元,而后期访问阶段基于当前5000万日活用户的每日租用服务器成本为106.79万美元/日,单是租用成本,每年便达到了3.9亿美元。尽管这个数据看起来似乎对于收入来说依然有可能覆盖,可是随着GPT-4大模型的到来,参数量和访问量将迎来百倍的增长,加上终端应用的算力消耗,光是对于英伟达的算力投入便能达到120亿美元,之后的访问阶段的算力消耗和算力成本更是OpenAI完全无法覆盖的数字,约为当前的一万倍(参数量和访问量均为原先的100倍)。所以OpenAI务必要对模型本身进行精简和优化,以满足未来GPT-4的训练参数量和用户访问量。资料来源:CSDN、国信证券经济研究所整理ChatGPT与GPT-4参数对比ChatGPT与GPT-4参数对比GPT-4GPT-4ChatGPTChatGPT100万亿参数1750亿参数模型参数量预计1-10亿日活用户约1300万日活用户用户访问量嵌入Bing等终端应用后会使得算力增加7-30倍目前尚未实现终端应用嵌入嵌入终端应用请务必阅读正文之后的免责声明及其项下所有内容4.5 蒸馏算法等算法可以有望降低算力成本4.5 蒸馏算法等算法可以有望降低算力成本知识蒸馏等算法可以解决模型臃肿和算力要求过高等问题。知识蒸馏等算法可以解决模型臃肿和算力要求过高等问题。蒸馏算法是指将知识丰富但是臃肿的“教师网络”经过精准转换将特定领域的知识传授给“学生网络”以实现网络结构的轻量化。如下图所示,知识蒸馏背后的原理是:绿色是教师网络求解空间,蓝色是学生网络求解空间。红色为教师网络的答案空间,浅绿色为学生网络的答案空间,橙色是在知识蒸馏的情况下得到的答案空间也是最优解,如果不加以引导(无监督训练),最后找到浅绿色的答案,而加入教师网络后,教师会给予学生指导,让学生网络得到更为准确的答案,所以知识蒸馏会得到更加精简且效果更好的模型。资料来源:哔哩哔哩、国信证券经济研究所整理教师网络与学生网络的关系教师网络与学生网络的关系资料来源:CSDN、国信证券经济研究所整理教师网络可以指导学生网络得到更为精准的答案教师网络可以指导学生网络得到更为精准的答案请务必阅读正文之后的免责声明及其项下所有内容5、商业模式:开启订阅制收费,不断开放API接口5、商业模式:开启订阅制收费,不断开放API接口请务必阅读正文之后的免责声明及其项下所有内容5.1 开启SaaS订阅服务,商业化变现不断打开5.1 开启SaaS订阅服务,商业化变现不断打开北京时间3月2日,OpenAI宣布以收费形式对外部公司提供API接入ChatGPT和Whisper模型的服务。北京时间3月2日,OpenAI宣布以收费形式对外部公司提供API接入ChatGPT和Whisper模型的服务。API(Application ProgrammingInterface)即应用程序接口,可以通过调用被外部使用,意味着ChatGPT和Whisper可以接入外部公司的各类软件。新发布的ChatGPT模型和之前提供的ChatGPT产品所使用的模型均为GPT-3.5,但是其收费标准比之前的产品便宜90%,为$0.002/1k tokens。Whisper是2022年9月OpenAI推出的语音转文本模型,现在通过API推出V2版本,并以$0.006/min进行收费。根据OpenAI官网介绍,截至3月2日,共有5家公司接入ChatGPT API,分别是Snapchat母公司Snap Inc、全球学习平台Quizlet、日用百货配送公司Instacart、电子商务软件开发商Shopify以及教育软件公司Speak。资料来源:OpenAI官网、国信证券经济研究所整理OpenAI宣布开发ChatGPT以及Whisper模型APIOpenAI宣布开发ChatGPT以及Whisper模型API资料来源:OpenAI官网、国信证券经济研究所整理Whisper网页端界面Whisper网页端界面请务必阅读正文之后的免责声明及其项下所有内容5.2 订阅、API许可费和微软的深度合作是OpenAI主要收入渠道5.2 订阅、API许可费和微软的深度合作是OpenAI主要收入渠道订阅、API许可费和微软的深度合作产生的商业化收入是OpenAI目前主要的收入渠道订阅、API许可费和微软的深度合作产生的商业化收入是OpenAI目前主要的收入渠道。在订阅渠道,ChatGPT已经推出付费版本ChatGPTplus每月收费20美元,用于提升软件服务质量以及后续开发成本;在API许可费方面,OpenAI刚刚开放API接口,主要希望吸引B端用户,一方面由于C端用户的问题杂乱且无序,所以其算力成本要高过B端用户9倍,OpenAI此举既可以吸引更多的B端用户迅速抢占市场份额以应对生成式AI激烈的竞争环境,另一方面还可以寻求降低算力成本的途径;与微软的深度合作收入更多属于营业外收入,自2019年开始,微软合计投入超过130亿美元,用于OpenAI的研发工作,以占领更多的云计算和搜索引擎市场。资料来源:FourWeekMBA、国信证券经济研究所整理2020年OpenAI LP财务数据2020年OpenAI LP财务数据资料来源:FourWeekMBA、国信证券经济研究所整理OpenAI商业模式示意图OpenAI商业模式示意图请务必阅读正文之后的免责声明及其项下所有内容5.2 订阅渠道商业模式分析5.2 订阅渠道商业模式分析2023年2月2日,OpenAI宣布,推出其人工智能聊天机器人ChatGPT的付费订阅版本,同时继续提供免费访问。2023年2月2日,OpenAI宣布,推出其人工智能聊天机器人ChatGPT的付费订阅版本,同时继续提供免费访问。该公司宣布,新的订阅服务月费为20美元,订阅者可以提前获得聊天机器人的新功能和改进,以及更快的响应时间。高月活为Openai带来极大潜在收入空间。高月活为Openai带来极大潜在收入空间。ChatGPT在发布后两个月时间内月活人数便突破1亿,若按照最低消费标准和10%的付费比例进行计算,则单是ChatGPT一项便会给OpenAI带来超过24亿美元的潜在年收入。资料来源:OpenAI官网、国信证券经济研究所整理OpenAI宣布推出ChatGPT的付费订阅版本OpenAI宣布推出ChatGPT的付费订阅版本资料来源:OpenAI官网、国信证券经济研究所整理OpenAI旗下产品及其功能介绍OpenAI旗下产品及其功能介绍产品介绍产品介绍AI应用产AI应用产品品是一种深度学习模型,该模型经过训练后可以预测序列中的下一个标记,并能生成流畅逼真的文本,覆盖文本分析和摘要、文案撰写、代码生成等应用场景GPT-3GPT-3可以根据文本描述生成对应的逼真图像,还可以根据文本提示修改图像内容,以及根据给定的图像拓展生成多种主题风格一致的“变体”DALLE 2DALLE 2是一个自动语音识别系统。它使用从网络上收集的68万小时的多语言和多任务监督数据进行训练。使用庞大且多样化的数据集可以提高对口音、背景噪音和技术语言的鲁棒性。此外,它还支持多种语言的转录,以及将这些语言翻译成英语。WhisperWhisper是一种基于GPT-3的代码生成助手,有助于将自然语言指令转换为十几种流行的编码语言。Codex专注于生成可执行代码,使其成为开发人员的绝佳助手。它已集成到VisualStudio中无缝集成到开发周期中CodexCodex定位聊天机器人,能根据用户的提示,在对话中生成类似人类的文本响应,完成回答问题、提供信息或参与对话等各种任务ChatGPTChatGPT请务必阅读正文之后的免责声明及其项下所有内容5.2 API许可渠道商业模式分析5.2 API许可渠道商业模式分析开启API后,OpenAI将以0.002美元的价格提供1000个token,比之前版本便宜90%。开启API后,OpenAI将以0.002美元的价格提供1000个token,比之前版本便宜90%。成本下降后有助于推动ChatGPT与B端C端应用加速结合,实现产品加速落地,例如结合新版Bing以及嵌入Office相关应用。基于GPT模型收取费用已有成功案例。基于GPT模型收取费用已有成功案例。例如AI创作公司Jasper其商业模式是以类SAAS服务的形式进行收费,大致分为初级、高级和订制三个模式。2021年、2022年营收分别为4000万美元、7500万美元,2022年10月,Jasper获1.25亿美元A轮融资,估值达15亿美元。此外AI辅助编程工具Copilot在2022年6月开始收费后首月边拥有40万订阅人数,用户付费率达1/3,远超行业均值。资料来源:OpenAI官网、国信证券经济研究所整理OpenAI各类模型收费标准OpenAI各类模型收费标准资料来源:OpenAI官网、国信证券经济研究所整理首批接入ChatGPT的企业及其应用首批接入ChatGPT的企业及其应用使用价格使用价格训练价格训练价格具体分类具体分类模型类模型类型型使用价格使用价格具体分类具体分类模型类型模型类型$0.0016/1k tokens$0.0004/1k tokensAda微调模型$0.0004/1ktokensAda嵌入模型$0.0024/1k tokens$0.0006/1k tokensBabbage$0.0020/image10241024图像模型$0.0120/1k tokens$0.0030/1k tokensCurie$0.0018/image512512$0.1200/1k tokens$0.0300/1k tokensDavinci$0.0016/image256256$0.006/minWhisper语音模型$0.002/1ktokensgpt3.5-turbo聊天模型具体应用具体应用合作公司合作公司Snapchat拥有7.5亿月活用户,ChatGPT API可为Snapchat 提供AI 服务,主要可为用户创建一个友好且支持自定义聊天的机器人。Snap IncSnap IncQuizlet是一个有超过6000万学生的全球学习平台,在过去三年中一直与OpenAI合作,包括词汇学习和实践测试。随着ChatGPT API的推出,Quizlet将推出Q-Chat,这是一款完全自适应的AI导师,它让学生根据通过有趣的聊天体验提供的相关学习材料提出个性化定制问题。QuizletQuizletInstacart正在扩充自己的应用程序,这使得ChatGPT与Instacart自己的AI和75000多家零售合作伙伴门店的产品数据互联互通,以给出客户开放式的购物想法和用餐建议。InstacartInstacartShop是一个拥有1亿用户的购物平台,通过使用ChatGPT可以帮助用户进行更为精准的个性化推荐以及更加高效的寻找到想要购买的商品。ShopShopSpeak是韩国增长最快的英语应用程序,由AI驱动。该程序已经在使用Whisper API为一款新的配套产品提供开放式对话练习和高准确度的反馈,并推广至世界其他地区。SpeakSpeak请务必阅读正文之后的免责声明及其项下所有内容5.2 与微软深度合作商业模式分析5.2 与微软深度合作商业模式分析2021年全球云计算市场规模已突破3000亿美元。2021年全球云计算市场规模已突破3000亿美元。2021年全球云计算市场规模达到3307亿美元,同比增长32.44%,市场空间广阔,保持稳定增长。按照业务划分基础服务,平台服务以及软件服务分别占27.70%、26.28%和46.02%。OpenAI与微软的深度合作主要瞄准云计算和搜索引擎市场。OpenAI与微软的深度合作主要瞄准云计算和搜索引擎市场。微软投资OpenAI主要还是针对其主要竞争对手进行布局:一方面加强Azure云计算领域的竞争力来对抗亚马逊,另一方面,根据StatCounter,2022年6月全球搜索引擎市场份额谷歌占据91.88%,微软有望利用GPT模型集成到公司旗下的搜索引擎必应,打破谷歌在搜索方面的垄断地位。资料来源:信通院、国信证券经济研究所整理全球云计算市场规模及其增速(亿美元,%)全球云计算市场规模及其增速(亿美元,%)资料来源:澳财、国信证券经济研究所整理2022Q3云计算行业公司市场份额占比(%)2022Q3云计算行业公司市场份额占比(%)307369483642916199362491624869961108612221231152223.86 .86.712.44%0.00%5.00.00.00 .00%.000.005.000010001500200025003000350020172018201920202021IaaSPaaSSaaS同比增速34!%5%3%3%2%2%awsAzureGoogle CloudAlibaba CloudIBM CloudsalesforceTencent CloudORACLE请务必阅读正文之后的免责声明及其项下所有内容6、应用场景:GPT走向多模态,下游应用场景不断打开6、应用场景:GPT走向多模态,下游应用场景不断打开请务必阅读正文之后的免责声明及其项下所有内容多模态指的是多种模态的信息,包括:文本、图像、视频、音频等。多模态指的是多种模态的信息,包括:文本、图像、视频、音频等。多模态研究的就是这些不同类型的数据的融合的问题,例如通过NLP的预训练模型,可以得到文本的嵌入表示;再结合图像和视觉领域的预训练模型,可以得到图像的嵌入表示。OpenAI宣称GPT-4可以接受图像和文本输入,是目前较先进的多模态大模型。OpenAI宣称GPT-4可以接受图像和文本输入,是目前较先进的多模态大模型。ChatGPT仅可以接受文本信息的输入,而GPT-4在接收到文本和图片的融合信息后,模型可以输出纯文本信息,包括但不限于自然语言以及代码,且具备与接受纯文本信息后相同的输出能力。除此之外,GPT-4更加具有创造性,可以生成、编辑并与用户一起迭代创造性和技术性的写作任务,例如写歌、写剧本或学习用户的写作风格;能够处理超过25000个单词的文本,允许使用长格式内容创建、扩展对话以及文档搜索和分析等用例。6.1 GPT的多模态化筑基AI多元应用6.1 GPT的多模态化筑基AI多元应用58资料来源:OpenAI官网、国信证券经济研究所整理GPT-4可以准确识别出图片所包含信息GPT-4可以准确识别出图片所包含信息资料来源:OpenAI官网、国信证券经济研究所整理GPT-4允许以更丰富的方式长内容创建GPT-4允许以更丰富的方式长内容创建请务必阅读正文之后的免责声明及其项下所有内容2023年3月16日,微软发布了AI服务Microsoft 365 Copilot。2023年3月16日,微软发布了AI服务Microsoft 365 Copilot。微软将其嵌入Word、PowerPoint、Excel 等Office 办公软件中,同时将GPT-4模型集成至产品当中,并结合其业务数据。目前微软正在与约20家企业用户测试新产品功能。Copilot主要通过两种方式集成到Microsoft 365中。Copilot主要通过两种方式集成到Microsoft 365中。一、直接被内置于Word、PowerPoint、Excel 等Office 办公软件中,以聊天机器人的形式呈现在办公软件的侧边栏上;二、通过最新产品Business Chat使用,该软件被应用于大型语言模型、Microsoft 365应用以及用户的日历、电子邮件、聊天、文档、会议和联系人,只需用户对其使用自然语言命令,便可根据会议、电子邮件和聊天记录等生成状态更新。6.2 B端应用办公软件之Copilot6.2 B端应用办公软件之Copilot59资料来源:哔哩哔哩、国信证券经济研究所整理微软Copilot运行结构微软Copilot运行结构资料来源:新浪财经、国信证券经济研究所整理Copilot呈现在侧边栏Copilot呈现在侧边栏请务必阅读正文之后的免责声明及其项下所有内容Copilot in Word:Copilot in Word:帮助用户提升创作、编辑等效率。Copilot in PowerPoint:Copilot in PowerPoint:能够将自然语言命令转化为演示文稿。Copilot in Excel:Copilot in Excel:可创建趋势判断等专业形式数据可视化工作。Copilot in Outlook:Copilot in Outlook:帮助用户整合并管理邮箱。Copilot in Teams:Copilot in Teams:能够直接从对话上下文中提供实时摘要和待办事项,提高会议效率。Copilot in Power Platform:Copilot in Power Platform:通过在Power Apps和Power Virtual Agents中引入新功能,帮助开发人员利用低代码工具加速和简化开发。Business Chat:Business Chat:汇集了来自文档、演示文稿、电子邮件、日历、笔记和联系人的数据,能够帮助用户总结聊天内容、撰写电子邮件、查找关键日期,以及根据其他项目文件制定计划。6.2 B端应用办公软件之Copilot6.2 B端应用办公软件之Copilot60资料来源:微软官网、国信证券经济研究所整理微软已将GPT-4接入多个办公场景产品微软已将GPT-4接入多个办公场景产品资料来源:微软官网、国信证券经济研究所整理Business Chat使用实例Business Chat使用实例请务必阅读正文之后的免责声明及其项下所有内容2023年2月7日,微软发布基于GPT-4的新一代Bing。2023年2月7日,微软发布基于GPT-4的新一代Bing。新的Bing具有由下一代OpenAI大型语言模型支持的聊天功能(Bing chat),在其发布五周后,微软透露新版Bing是由GPT-4提供支持,且Bing是目前唯一免费访问GPT-4的途径。由于访问人数众多,微软对于新版Bing进行了访问限制,包括需要申请访问名单进入排队序列以及Bing Chat限制每次会话15次聊天,每天聊天总数为150次。2023年3月21日,微软宣布将AI生成图像工具Bing Image Creator集成至新版Bing搜索引擎和Edge浏览器中,该工具由OpenAI的图像生成器2023年3月21日,微软宣布将AI生成图像工具Bing Image Creator集成至新版Bing搜索引擎和Edge浏览器中,该工具由OpenAI的图像生成器DALL-E模型提供支持。DALL-E模型提供支持。在Microsoft Edge预览版中,用户只需单击边栏中的Bing Image Creator图标即可创建图像,或者也可以Edge边栏中的Bing Chat中直接调用。目前,Microsoft Edge成为了第一个也是唯一一个集成了AI图像生成工具的浏览器。6.2 B端应用搜索引擎之new Bing6.2 B端应用搜索引擎之new Bing61资料来源:微软官网、国信证券经济研究所整理新版Bing使用界面新版Bing使用界面资料来源:微软官网、国信证券经济研究所整理微软宣布将集成Bing Image Creator微软宣布将集成Bing Image Creator请务必阅读正文之后的免责声明及其项下所有内容Jasper公司已经通过利用OpenAI的大模型已经完成了营销文案和AI绘画的应用。Jasper公司已经通过利用OpenAI的大模型已经完成了营销文案和AI绘画的应用。Jasper是基于GPT-3的API为用户提供AI写作服务的初创公司,致力于打造人工智能内容平台,允许个人和团队使用人工智能完成营销领域的素材撰写。微软的应用为海外产品的百花齐放奠定了良好的开端。Jasper成立于2020年,2021年、2022年营收分别为4000万美元、7500万美元。Jasper的商业模式是以类SAAS服务的形式进行收费,大致分为初级、高级和订制三个模式。2022年10月,Jasper获1.25亿美元A轮融资,估值达15亿美元。在产品层面,Jasper为用户提供50类以上的文案模板、29类语言服务,高级订阅包括SEO(搜索引擎优化)等内容,2022年11月至2023年2月,公司周活用户数量已增长63.9%。6.2 B端应用创作软件之Jasper6.2 B端应用创作软件之Jasper62资料来源:Jasper官网、国信证券经济研究所整理Jasper功能实现Jasper功能实现资料来源:SimilarWeb、国信证券经济研究所整理Jasper周活(2022.11.1-2023.2.14)Jasper周活(2022.11.1-2023.2.14)1.331.361.642.012.052.142.302.180.00.51.01.52.02.5桌面端周活用户(百万)移动端周活用户(百万)周活用户合计(百万)请务必阅读正文之后的免责声明及其项下所有内容BlueMail GEM AI基于ChatGPT提供智能电子邮件服务。BlueMail GEM AI基于ChatGPT提供智能电子邮件服务。BlueMailGEM AI目前由ChatGPT提供支持,根据用户输入的内容,自动生成更贴近用户语言习惯的电子邮件;浓缩邮件中主要信息,提升用户阅读效率。除邮件生成外,BlueMail还提供日程创建提醒、邮件整理、多设备邮件流转、邮件组合等特色服务。2023年3月6日,苹果通过了BlueMail的应用更新。2023年3月6日,苹果通过了BlueMail的应用更新。在3月2日,由于担心应用中全新人工智能功能可能会显示不适当的内容,因此苹果阻止了BlueMail的更新,并建议将年龄要求限制在17岁以上。随后BlueMail向苹果保证其软件具有内容审核功能并加以过滤,苹果允许了其软件的更新,并仍将年龄限制限制为4岁及以上用户。6.2 B端应用邮箱软件之Blue Mail6.2 B端应用邮箱软件之Blue Mail63资料来源:BlueMail官网、国信证券经济研究所整理BlueMail GEM AI应用范例BlueMail GEM AI应用范例资料来源:BlueMail官网、国信证券经济研究所整理BlueMail拥有强大的安全性与隐私性BlueMail拥有强大的安全性与隐私性请务必阅读正文之后的免责声明及其项下所有内容Codex是基于GPT-3的代码生成助手,有助于将自然语言指令转化成若干种编码语言。Codex是基于GPT-3的代码生成助手,有助于将自然语言指令转化成若干种编码语言。Codex是GitHub Copilot的主要构件模块,通过与Codex的紧密集成,GitHub Copilot可以将注释转换为代码,自动填充重复代码,建议测试并显示替代方案。GitHub Copilot可用于VisualStudio和Visual Studio Code等环境,可与一系列广泛的框架和语言配合使用,对于一些编程语言来说,目前使用它的数万名开发人员生成的代码约占35%。对于用户来说,可利用Codex将Figma设计转化为不同的前端框架,并与开发人员的编码风格和偏好相匹配;利用Replit实现在项目中实时协作,学习代码,并与学习者和构建者社区共享工作;通过Warp直接从终端中利用自然语言指令进行搜索;通过Machinet使用Codex生成智能单元测试模板,帮助专业Java开发人员编写高质量的代码。6.2 B端应用代码生成之Codex6.2 B端应用代码生成之Codex64资料来源:OpenAI官网、国信证券经济研究所整理Codex应用实例自然语言指令生成代码Codex应用实例自然语言指令生成代码资料来源:OpenAI官网、国信证券经济研究所整理利用Codex进行代码学习利用Codex进行代码学习请务必阅读正文之后的免责声明及其项下所有内容Snapchat是一款“阅后即焚”照片分享应用。Snapchat是一款“阅后即焚”照片分享应用。利用该应用程序,用户可以拍照录制视频添加文字和图画,目前在全球已经拥有7.5亿月活跃用户。2023年2月27日,Snapchat推出一款由OpenAI最新版ChatGPT提供支持的聊天机器人。2023年2月27日,Snapchat推出一款由OpenAI最新版ChatGPT提供支持的聊天机器人。目前正在ChatGPT API上运行,其主要功能是为用户创建一个友好且支持自定义聊天的机器人,可以提供推荐、诗歌创作等功能。据Snapchat CEO宣称,目前阶段用户只有支付每月3.99美元,成为付费订阅用户才可以使用具有ChatGPT支持的SnapchatPLUS,但其最终目的是将该应用服务于全体Snapchat7.5亿用户。6.3 C端应用聊天社交之Snapchat6.3 C端应用聊天社交之Snapchat65资料来源:Snapchat官网、国信证券经济研究所整理Snapchat传统照片分享功能Snapchat传统照片分享功能资料来源:OpenAI官网、国信证券经济研究所整理Snapchat接入ChatGPT后使用实例Snapchat接入ChatGPT后使用实例请务必阅读正文之后的免责声明及其项下所有内容Quizlet是全球学习平台,日前接入ChatGPT API将推出自适应AI导师。Quizlet是全球学习平台,日前接入ChatGPT API将推出自适应AI导师。Quizlet是一个有超过6000万学生的全球学习平台,在过去三年中一直与OpenAI合作,包括词汇学习和实践测试。随着ChatGPT API的推出,Quizlet将推出Q-Chat,这是一款完全自适应的AI导师,它让学生根据通过有趣的聊天体验提供的相关学习材料提出个性化定制问题。Speak是一款AI学习软件,由Whisper API提供支持服务。Speak是一款AI学习软件,由Whisper API提供支持服务。Speak是韩国增长最快的英语应用程序,已经在使用Whisper API为产品提供支持,可为各个级别的语言学习者提供了人性化的准确性,开启开放式对话练习和高度准确的反馈,并计划推广至全世界范围。6.3 C端应用在线教育之Quizlet&Speak6.3 C端应用在线教育之Quizlet&Speak66资料来源:OpenAI官网、国信证券经济研究所整理Q-Chat应用实例Q-Chat应用实例资料来源:OpenAI官网、国信证券经济研究所整理Speak接入OpenAI API后应用实例Speak接入OpenAI API后应用实例请务必阅读正文之后的免责声明及其项下所有内容Instacart是一家美国生鲜杂货配送服务平台。Instacart是一家美国生鲜杂货配送服务平台。Instacart于2012年成立于美国旧金山,起初为当地零售商提供运货服务,目前已成长为涵盖熟食、烟酒、副食等全品类商品的零售服务商,为75000家零售商合作门店提供服务。用户可从Instacart平台上得到用餐和购物建议。用户可从Instacart平台上得到用餐和购物建议。2022年公司推出Instacart平台,为顾客提供全流程解决方案;2023年初公司接入OpenAIAPI,并利用ChatGPT和公司零售商门店数据,为顾客提供开放式用餐与购物建议,例如“如何搭配今日的午餐”等问题,在得到建议后,用户可直接在该界面进行下单。Instacart计划于今年推出Ask Instacart应用程序以进一步提升用户体验。6.3 C端应用门店零售之Instacart6.3 C端应用门店零售之Instacart67资料来源:Instacart官网、国信证券经济研究所整理Instacart使用方式Instacart使用方式资料来源:OpenAI官网、国信证券经济研究所整理Instacart接入OpenAI API后应用实例Instacart接入OpenAI API后应用实例请务必阅读正文之后的免责声明及其项下所有内容Shopify是成为全球最大的电子商务平台之一,拥有超过120万商家在其平台上运营网上商店。Shopify是成为全球最大的电子商务平台之一,拥有超过120万商家在其平台上运营网上商店。Shopify的用户分布在全球各地,主要覆盖零售、艺术、时装、美容等多个行业。公司主营业务为提供电子商务平台解决方案,让商家轻松创建和管理网上商店,并增加其在线销售收入,包括网站创建、支付处理、订单管理、客户服务、物流配送等。Shop是Shopify旗下购物平台,目前已拥有1亿用户。Shopify率先集成ChatGPT,有效增强消费者个性化推荐、改善卖家运营效率。Shopify率先集成ChatGPT,有效增强消费者个性化推荐、改善卖家运营效率。在用户端,Shopify接入API端口后,用户可以收获更加精准的商品推荐,从而提升购物效率和满意度;在商户端,Shopify计划使用OpenAI API协助商家生成更好的描述文本和标题,提高商家在搜索引擎中的曝光率,同时商家还可以通过OpenAI API自动完成常见的客户支持任务。6.3 C端应用网络购物之Shop6.3 C端应用网络购物之Shop68资料来源:OpenAI官网、国信证券经济研究所整理Shopify智能推荐实例Shopify智能推荐实例资料来源:国信证券经济研究所整理接入API后股价涨幅达到8.08%接入API后股价涨幅达到8.08%请务必阅读正文之后的免责声明及其项下所有内容7、投资建议:建议关注基础层与应用层AI龙头7、投资建议:建议关注基础层与应用层AI龙头请务必阅读正文之后的免责声明及其项下所有内容AI 教育。AI 教育。认知智能一直是科大讯飞长期布局和积累的方向,公司已经在当前基础上,于2022年12月份进一步启动生成式预训练大模型任务攻关,该技术应用的AI学习机将于5月将率先落地。科大讯飞AI学习机中AI同步精准学的核心功能,小初高AI同步精准学以科大讯飞核心技术(智能评价技术、数据汇集技术、知识图谱构建技术)为支撑,依托于其为国家重大考试提供技术服务标准的积累,帮助孩子在学习过程中减负增效。AI 医疗。AI 医疗。科大讯飞“智医助理”应用智能语音技术,AI赋能基层医生诊断和治疗,通过学习海量医学教材、论文和病例,实现专业的医疗领域对话式 AI系统,打造“每个医生的 AI 诊疗助理,每个人的 AI 健康助手”。7.1 科大讯飞(002230.SZ):布局AI平台 赛道的人工智能龙头7.1 科大讯飞(002230.SZ):布局AI平台 赛道的人工智能龙头70资料来源:科大讯飞官网、国信证券经济研究所整理科大讯飞智慧教育产品服务科大讯飞智慧教育产品服务资料来源:科大讯飞官网、国信证券经济研究所整理科大讯飞智慧医疗成果科大讯飞智慧医疗成果请务必阅读正文之后的免责声明及其项下所有内容WPS可有效复制Office应用ChatGPT的路径。WPS可有效复制Office应用ChatGPT的路径。微软正在测试将Office集成ChatGPT,对生产力工具使用效率有望大幅提升。金山办公WPS有望复制Office应用ChatGPT的路径。WPS目前已经研发出了智能辅助写作、文档自动翻译、表格拍照还原等应用,随着NLP技术迭代,类ChatGPT内容生成等应用的加入,将有效提升WPS的付费率与APRU。目前金山办公智能写作已具备相当可靠的语料库,提供讲话、总结等多种写作场景。同时,WPS还专门发布了公文版,面向党政机关用户提供公文模式、公文模板、公文转换等功能,辅助相关人员进行公文写作。WPS、邮箱、协作办公等办公软件再融入类ChatGPT功能后,其生产力工具价值讲得以跃升,商业价值迎来加速增长。7.2 金山办公(688111.SH):从工具型SaaS转向平台型SaaS的国产办公软件龙头7.2 金山办公(688111.SH):从工具型SaaS转向平台型SaaS的国产办公软件龙头71资料来源:金山办公官网、国信证券经济研究所整理金山办公产品矩阵金山办公产品矩阵资料来源:金山办公官网、国信证券经济研究所整理必优科技自研智能写作引擎获得金山办公投资必优科技自研智能写作引擎获得金山办公投资请务必阅读正文之后的免责声明及其项下所有内容同花顺是国内领先的互联网金融信息服务提供商。同花顺是国内领先的互联网金融信息服务提供商。公司拥有近三十年金融信息服务行业经验,在产品、客户资源、技术、人力资源、数据资源、品牌认可度、管理团队等方面拥有独特而明显的竞争优势。公司构建的同花顺AI开放平台,可面向客户提供智能语音、智能客服、智能金融问答、智能质检机、会议转写系统、数字人、智能医疗辅助系统等多项AI产品及服务,可为银行、证券、保险、基金、私募、高校、政府、运营商、医疗等行业提供智能化解决方案。经过多年的沉淀,公司产品具备了较好用户体验度和较强用户黏性,深受广大客户好评,形成了明显的竞争优势。7.3 同花顺(300033.SZ):国内领先的互联网金融信息服务提供商7.3 同花顺(300033.SZ):国内领先的互联网金融信息服务提供商72资料来源:公司官网、国信证券经济研究所整理同花顺覆盖全行业的AI解决方案同花顺覆盖全行业的AI解决方案资料来源:公司官网、国信证券经济研究所整理公司的AI理财师公司的AI理财师请务必阅读正文之后的免责声明及其项下所有内容AI 创作。AI 创作。万兴科技深耕数字创意软件领域,推出万兴喵影、万兴优转、万兴录演等视频创意软件,Wondershare Filmstock、万兴喵库视频创意素材平台,万兴爱画、万兴播爆等AIGC应用。万兴爱画是一款根据用户语言描述进行绘画创作的软件。万兴爱画是一款根据用户语言描述进行绘画创作的软件。用户可以输入自己的创作想法,并且对其中部分元素加以强调,实现高效创作,此外万兴爱画生成的作品所有权属于用户本身,可以进行商业用途。万兴播爆是一款利用数字人进行营销播报的软件。万兴播爆是一款利用数字人进行营销播报的软件。用户可以输入关键词,由AI生成播报脚本,接着由AI数字人进行口播。软件提供上百套专业级模板,可以满足不同场景的视频需求。7.4 万兴科技(300624.SZ):全球领先的新生代数字创意赋能者7.4 万兴科技(300624.SZ):全球领先的新生代数字创意赋能者73资料来源:万兴科技官网、国信证券经济研究所整理万兴爱画万兴爱画资料来源:万兴科技官网、国信证券经济研究所整理万兴播爆万兴播爆请务必阅读正文之后的免责声明及其项下所有内容AI 数据要素。AI 数据要素。拓尔思是国内最早从事自然语言处理(NLP)技术研发的企业,在网络空间治理领域提供内容审核和内容风控技术。拓尔思依托自有的人工智能与大数据核心技术,遵循网信系统技术体系建设要求,围绕网络空间治理工作需要,构建了涵盖“网络舆情态势感知、正面宣传、网评引导、公众举报、属地网络内容管理、指挥联动”等业务的全方位技术解决方案,为“加快建立网络综合治理体系,全面提升治网管网能力水平”提供技术支撑。现已为众多用户量身打造了个性化系统,深受用户好评。拓尔思布局问答机器人业务。拓尔思布局问答机器人业务。TRS小思智能问答机器人系统是由拓尔思自主研发的一款智能问答云服务系统,该系统综合运用了自然语言处理、信息检索、知识表示与推理等技术,通过语法语义分析、问题分类、问题解析、信息源自动识别与评价、实体识别与关系抽取、信息搜索、逻辑形式生成、知识表示与推理等一系列处理流程,实现问题解答与人机交互。7.5 拓尔思(300229.SZ):数据与内容安全产品先行者7.5 拓尔思(300229.SZ):数据与内容安全产品先行者74资料来源:拓尔思官网、国信证券经济研究所整理智拓人工智能技术平台智拓人工智能技术平台资料来源:拓尔思官网、国信证券经济研究所整理AI行业应用TRS银行业智能消保管控中台解决方案AI行业应用TRS银行业智能消保管控中台解决方案请务必阅读正文之后的免责声明及其项下所有内容AI 信创。AI 信创。2023年2月,彩讯股份成为百度“文心一言”的首批生态合作伙伴。彩讯科技股份有限公司是国家规划布局重点软件企业之一,是中国领先的企业数字化技术和服务提供商。此次接入文心一言,双方也将共同探索AI核心技术在彩讯电子邮件RichMail等核心产品及电信、金融等核心行业率先运用,并围绕技术创新、场景孵化、生态建设等多方面展开更深入的合作,助力客户行业的智能化转型升级,持续为通信行业、能源行业、交通行业、金融行业等广大客户开发并运营互联网应用平台、企业协作和营销平台、企业级大数据应用平台。协同办公产品线是彩讯的主要业务方向之一,是以“信创邮箱 统一办公平台”为核心。协同办公产品线是彩讯的主要业务方向之一,是以“信创邮箱 统一办公平台”为核心。生成式AI所拥有的语言理解和文本生成能力可以帮助彩讯办公产品在数据处理、数据分类、智能交互方面进行优化提升。训练大模型也可实现有效闭环,落实数据准备、数据预处理、模型训练、模型评估、部署应用等流程环节并实现持续优化。7.6 彩讯股份(300634.SZ):中国领先的企业数字化技术和服务提供商7.6 彩讯股份(300634.SZ):中国领先的企业数字化技术和服务提供商75资料来源:彩讯股份官网、国信证券经济研究所整理彩讯网银流量分析解决方案彩讯网银流量分析解决方案资料来源:彩讯股份官网、国信证券经济研究所整理彩讯电子政务邮箱解决方案彩讯电子政务邮箱解决方案请务必阅读正文之后的免责声明及其项下所有内容AI 图像识别。AI 图像识别。福昕软件立足于PDF行业,并持续在图像识别垂类应用深耕,目前已经在1.中国电子清单服务海外的电子签名;2.面向家装领域的福昕家装智能设计(面向设计师)、福昕家装云服务(提供施工的协同平台);3.面向船舶行业的福昕船舶图纸管理系统;4.面向海外市场的smart editor,用于法律、金融等行业,进行保密和信息加密的任务等多方向新领域开展了图像识别相关业务,针对高质量图像用户需求,在拓展行业的同时,实现矩阵式销售。公司紧跟谷歌、百度等人工智能厂商,发挥公司PDF领域优势。公司紧跟谷歌、百度等人工智能厂商,发挥公司PDF领域优势。公司的主要角色就是利用API接口将文档传输进去,不需要粘贴到大模型里面去,直接在我的文档进行读取。目前正在与谷歌、百度等AI巨头进行研讨。7.7 福昕软件(688095.SH):国际化的PDF电子文档解决方案提供厂商7.7 福昕软件(688095.SH):国际化的PDF电子文档解决方案提供厂商76资料来源:福昕官网、国信证券经济研究所整理福昕智能互联PDF产品矩阵福昕智能互联PDF产品矩阵资料来源:福昕官网、国信证券经济研究所整理福昕船舶图纸解决方案福昕船舶图纸解决方案请务必阅读正文之后的免责声明及其项下所有内容公司为对日IT服务核心供应商,主要业务包括对日软件开发服务和国内行业应用软件解决方案。公司为对日IT服务核心供应商,主要业务包括对日软件开发服务和国内行业应用软件解决方案。目前对日软件开发服务占营收比例84%,国内行业应用解决方案占比16%,下游的最终客户大多为金融机构。公司20-22年受到疫情的影响,营收和利润水平有所承压,预期从23年开始将重回增长轨道。AI赋能,公司业务有望实现降本增效。AI赋能,公司业务有望实现降本增效。公司目前已经成为了百度文心一言首批生态合作伙伴,在公司的业务中有诸多地方可以有效运用AI大模型技术从而实现降本增效,比如在对日软件开发项目中有35%左右的工作量用于设计,现在可以用AI技术代替,节省出来的人力可以用于接更多的项目。7.8 凌志软件(688588.SH):国内领先的金融科技软件公司7.8 凌志软件(688588.SH):国内领先的金融科技软件公司77资料来源:凌志软件官网、国信证券经济研究所整理大投行业务数字化转型业务解决方案大投行业务数字化转型业务解决方案资料来源:凌志软件官网、国信证券经济研究所整理凌志软件国内客户凌志软件国内客户请务必阅读正文之后的免责声明及其项下所有内容风险提示风险提示AI技术商业化落地不及预期;行业竞争加剧,技术迭代风险;数据安全等政策不确定性;贸易摩擦风险。请务必阅读正文之后的免责声明及其项下所有内容免责声明免责声明分析师承诺分析师承诺作者保证报告所采用的数据均来自合规渠道;分析逻辑基于作者的职业理解,通过合理判断并得出结论,力求独立、客观、公正,结论不受任何第三方的授意或影响;作者在过去、现在或未来未就其研究报告所提供的具体建议或所表述的意见直接或间接收取任何报酬,特此声明。重要声明重要声明本报告由国信证券股份有限公司(已具备中国证监会许可的证券投资咨询业务资格)制作;报告版权归国信证券股份有限公司(以下简称“我公司”)所有。,本公司不会因接收人收到本报告而视其为客户。未经书面许可,任何机构和个人不得以任何形式使用、复制或传播。任何有关本报告的摘要或节选都不代表本报告正式完整的观点,一切须以我公司向客户发布的本报告完整版本为准。本报告基于已公开的资料或信息撰写,但我公司不保证该资料及信息的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映我公司于本报告公开发布当日的判断,在不同时期,我公司可能撰写并发布与本报告所载资料、建议及推测不一致的报告。我公司不保证本报告所含信息及资料处于最新状态;我公司可能随时补充、更新和修订有关信息及资料,投资者应当自行关注相关更新和修订内容。我公司或关联机构可能会持有本报告中所提到的公司所发行的证券并进行交易,还可能为这些公司提供或争取提供投资银行、财务顾问或金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中意见或建议不一致的投资决策。本报告仅供参考之用,不构成出售或购买证券或其他投资标的要约或邀请。在任何情况下,本报告中的信息和意见均不构成对任何个人的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。投资者应结合自己的投资目标和财务状况自行判断是否采用本报告所载内容和信息并自行承担风险,我公司及雇员对投资者使用本报告及其内容而造成的一切后果不承担任何法律责任。证券投资咨询业务的说明证券投资咨询业务的说明本公司具备中国证监会核准的证券投资咨询业务资格。证券投资咨询,是指从事证券投资咨询业务的机构及其投资咨询人员以下列形式为证券投资人或者客户提供证券投资分析、预测或者建议等直接或者间接有偿咨询服务的活动:接受投资人或者客户委托,提供证券投资咨询服务;举办有关证券投资咨询的讲座、报告会、分析会等;在报刊上发表证券投资咨询的文章、评论、报告,以及通过电台、电视台等公众传播媒体提供证券投资咨询服务;通过电话、传真、电脑网络等电信设备系统,提供证券投资咨询服务;中国证监会认定的其他形式。发布证券研究报告是证券投资咨询业务的一种基本形式,指证券公司、证券投资咨询机构对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析,形成证券估值、投资评级等投资分析意见,制作证券研究报告,并向客户发布的行为。国信证券投资评级国信证券投资评级定义定义级别级别类别类别预计6个月内,股价表现优于市场指数20%以上买入股票投资评级股票投资评级预计6个月内,股价表现优于市场指数10%-20%之间增持预计6个月内,股价表现介于市场指数10%之间中性预计6个月内,股价表现弱于市场指数10%以上卖出预计6个月内,行业指数表现优于市场指数10%以上超配行业投资评级行业投资评级预计6个月内,行业指数表现介于市场指数10%之间中性预计6个月内,行业指数表现弱于市场指数10%以上低配请务必阅读正文之后的免责声明及其项下所有内容国信证券经济研究所国信证券经济研究所深圳深圳深圳市福田区福华一路125号国信金融大厦36层邮编:518046 总机:0755-82130833上海上海上海浦东民生路1199弄证大五道口广场1号楼12楼邮编:200135北京北京北京西城区金融大街兴盛街6号国信证券9层邮编:100032

    44人已浏览 2023-03-29 80页 5星级
  • AI应用计算机行业深度研究:不止于AI探索AI+研发设计工业软件星辰大海-230326(21页).pdf

    敬请参阅最后一页特别声明 1 华为任正非在 3 月 17 日擦亮花火、共创未来“难题揭榜”花火奖座谈会上谈到:“人工智能软件平台公司对人类社会的直接贡献可能不到 2%,98%都是对工业社会、农业社会的促进。”“大家要关注应用,尤其是工业、农业社会的应用,模型的应用有时比模型本身还有前途。”我们认为,目前市场对 AI 的关注,开始向算力、算法、数据拓展至应用端。C 端 AI 应用由于与日常生活接触较频繁,最容易被认知和想象到;而 B 端尤其是工业端的 AI 运用,受制于复杂的工业场景并且离日常生活稍远,相对不容易让市场认知到 AI 具体的落地场景和对效率及商业模式的促进。本篇 AI 研发设计工业软件的撰写,作为我们 AI 系列的第一篇,旨在探索 AI 在研发设计端的应用及其对国内工业软件业态带来的变革可能性。AI 有望引领研发设计工业软件交互模式变革,有望实现“所说及所得”。未来有望以自然语言下达指令,软件分析自然语言当中包含的非结构化需求信息,自动绘制相关图纸并进行仿真计算。工业场景中,研发设计类工具软件形态模式的发展革新是工业研发设计生产力跃迁的缩影,我们认为,交互模式的人性化或带动高门槛研发设计工作的大众化普及,甚或促使个性化、定制化产品的工业级生产在研发设计端成为可能。CAD/BIM 端:AI 打破二维与三维壁垒,实现有效转换高度联动,提升设计效率。无论是基于 2D 图纸的精细化翻模、还是基于语言 图片/2D 图纸的正向设计构件智能化生成,AI 将有效提升设计人员效率。建议关注:中望软件、盈建科、广联达、品茗科技、浩辰软件等。CAE 端:AI 牵引 CAE 建模范式变革、有望大幅降低计算成本、同时可能赋能仿真代码生成。建议关注:霍莱沃、盈建科、索辰科技、中望软件等。EDA 端:AI 引领 EDA 纠偏效率变革,无监督深度学习赋能 EDA 良率把控,大模型利用波形图、原理图、动因追溯和SmartLog 技术建立交互式后处理纠错流程,推动 Debug 服务智能化升级。建议关注:华大九天、概伦电子、广立微等。AI 带来工业软件端商业模式新变革,国内厂商有望弯道超车:服务增值化-功能延申提升软件单品价值,AI接入有望催化国内订阅制进程;软件正版化:AI 接入倒逼软件正版化提速,有效市场扩容引发“量价齐升”;国产信创化:国产基础软硬件提供生根土壤,“国产厂商 国内 Al”塑造产品优势。在 AI 落地过程中,服务增值化、软件正版化、国产信创化三重利好共振下,国产工业研发设计厂商或将深度受益于本轮 AI 大潮。推荐关注中望软件、盈建科、霍莱沃、索辰科技、华大九天等。海外基础软硬件使用受限的风险;AI 应用落地不及预期的风险;行业竞争加剧风险。行业深度研究 敬请参阅最后一页特别声明 2 内容目录内容目录 1.一图概览 AI 在研发设计场景运用:“AI ”引领工业研发设计范式变革.4 2.AI 落地场景透视:所说及所得、2D 向 3D 翻模转换、辅助正向设计构件等.4 2.1 交互模式变革:AI 研发设计有望实现“所说及所得”,国产厂商龙头效应或将放大.4 2.1.1 场景透视:AI 研发设计类工业软件交互模式=所说即所得.4 2.1.2 标杆案例:海外巨头 AI 应用先例在前,达索、PTC 等已有应用.6 2.1.3 核心壁垒:强者恒强,自主内核 海量组件素材库 高行业覆盖度是核心壁垒.6 2.1.4 受益标的:CAD/CAE/EDA 国产龙头厂商持续受益.7 2.2 CAD/BIM:AI 助力 2D 向 3D 翻模、辅助正向设计高效构件等.8 2.2.1 场景透视一:二维 CAD 图纸翻模三维 BIM 模型,大模型问世或提升翻模精细度.8 2.2.2 场景透视二:自然语言 图片智能生成构件,大模型破解正向设计构件储备难题.8 2.2.3 受益标的:中望软件、盈建科、浩辰软件、广联达、品茗科技等.9 2.3 CAE:AI 牵引 CAE 建模范式变革、大幅降低计算成本、赋能仿真代码生成等.10 2.3.1 场景透视一:有望带来建模范式转变.10 2.3.2 场景透视二:AI 经典模型大幅降低计算成本,优化工程计算效率.12 2.3.3 场景透视三:AI 赋能电磁仿真代码生成,工程代码智能生成未来已来.12 2.3.4 受益标的一:霍莱沃进军仿测一体化,通用型电磁 CAE 有望受益 AI 赋能.13 2.3.5 受益标的二:盈建科覆盖建筑结构设计软件全流程、一体化综合解决方案。.13 2.3.6 受益标的三:索辰 CAE 掌握行业前沿算法,产品覆盖诸多下游应用场景.14 2.4 EDA:AI 入局良率把控、提升纠错效率等.15 2.4.1 场景透视一:无监督深度学习定位缺陷分布,AI 赋能 EDA 良率把控.15 2.4.2 场景透视二:AI 赋能 Cadence Verisium 平台 Debug 服务.15 2.4.3 受益标的:华大九天、概伦电子、广立微等.16 3.AI 带来新商业模式,国内厂商有望弯道超车:服务增值化 软件正版化 国产信创化.16 3.1 服务增值化:功能延申提升软件单品价值,AI 接入有望催化国内订阅制进程.16 3.2 软件正版化:AI 接入倒逼软件正版化提速,有效市场扩容引发“量价齐升”.17 3.3 国产信创化:国产基础软硬件提供生根土壤,“国产厂商 国内 Al”塑造产品优势.17 4.投资建议.18 5.风险提示.19 aVbUcWdXeZ9WeUcW8OaO6MsQrRsQtQeRrRnOjMpNwO9PoOnMxNpMsRuOoPrM行业深度研究 敬请参阅最后一页特别声明 3 图表目录图表目录 图表 1:不止于 AI,“AI ”引领工业研发设计范式变革.4 图表 2:AI 技术跃迁引领研发设计类工业软件进入“对话时代”,研发设计“所说即所得”有望成为可能.5 图表 3:AI CAD 建筑行业,大模型提取自然语言中的非结构化建模需求.5 图表 4:达索率先落地 AI SOLIDWORKS,Xdesign 辅助推荐设计.6 图表 5:AI PTC Creo 创成式设计.6 图表 6:“自主内核 海量组件素材库 高行业覆盖度”为核心能力壁垒.7 图表 7:AI 赋能细分品类龙头厂商强者愈强.7 图表 8:BIM 二维翻模与正向设计的区别.8 图表 9:BIM 二维翻模效果呈现.8 图表 10:BIM 正向设计效果呈现.9 图表 12:三类厂商或将受益于大模型赋能下的 BIM 技术变革.10 图表 13:AI 赋能牵引 CAE 建模范式变革.11 图表 14:AI 推动传统力学工程难题得到更好解决.11 图表 15:AI 经典模型实现金门大桥数字孪生体建设.12 图表 16:与 ChatGPT 聊聊 Slwave 后处理问题.12 图表 17:霍莱沃 RDSim 通用电磁 CAE 效果呈现.13 图表 18:盈建科覆盖建筑结构设计软件全流程、一体化综合解决方案.14 图表 19:索辰 CAE 掌握前沿算法,覆盖诸多工程应用场景.15 图表 20:AI 赋能西门子 EDA 全流程深度良率把控.15 图表 21:AI 驱动 Cadence Verisium 平台显著提升纠错效率.16 图表 22:国产 EDA 厂商多点突破,AI 牵引或加速追赶步伐.16 图表 23:以 CAD 为例,国内主流产品 SaaS 化/订阅制程度不足.17 图表 24:AI 倒逼软件正版化,“价升量缩”担忧实则为“量价齐升”利好.17 图表 25:信创背景下国产厂商或将持续受益.18 图表 26:推荐关注 AI 研发设计类工业软件相关标的.18 行业深度研究 敬请参阅最后一页特别声明 4 图表图表1:不止于不止于AI,“AI ”引领引领工业研发设计工业研发设计范式变革范式变革 来源:国金证券研究所 2.1 交互交互模式变革模式变革:AI 研发研发设计有望实现“所说及所得”设计有望实现“所说及所得”,国产厂商龙头效应或将放大国产厂商龙头效应或将放大 2.1.1 场景透视:场景透视:AI 研发设计类研发设计类工业工业软件交互模式软件交互模式=所说即所得所说即所得 工业场景中,研发设计类工具软件存在形态的发展革新是工业研发设计生产力跃迁的缩影。纵观其发展变迁,专业性知识/经验的祛魅与交互模式的人性化或带动高门槛研发设计工作的大众化普及,甚或促使个性化、定制化产品的工业级生产在研发设计端成为可能。纸笔时代:由具备专业机械、建筑、电子等垂直赛道知识背景、工程经验的资深工程师手工绘制工业图纸,进行复杂的有限元分析计算,特点为人力资本导向、高门槛、低效率、易出错的传统作坊式生产模式;代码 图形时代:由具备一定机械、建筑、电子等垂直赛道知识背景、工程经验的初级工程师或高校学生即可操作软件进行绘图及仿真,特点为人力资本与软件资本双重导向、中门槛、中效率、不易出错的现代工厂式生产模式;对话时代:由具备基本计算机使用经验的一般大众即可通过对话方式以自然语言下达行业深度研究 敬请参阅最后一页特别声明 5 指令,工具软件会分析自然语言当中包含的非结构化需求信息,自动绘制相关图纸并进行仿真计算,特点为软件资本导向、低门槛、高效率,不易出错的未来“所说即所得”式定制化生产模式。图表图表2:AI技术跃迁引领研发设计类工业软件进入“对话时代”,技术跃迁引领研发设计类工业软件进入“对话时代”,研发设计研发设计“所说即所得”“所说即所得”有望成为有望成为可能可能 来源:国金证券研究所 以 CAD 建筑行业场景为例,用户可向软件输入“布置一座写字楼西侧的廊桥,长度在 20 米左右,宽度在 35 米之间,在廊桥顶部布置 A 样式的大窗,在廊桥两侧布置 B样式的小窗,且要考虑不同墙体结构的受力均衡。”原本这种非结构化的任务只能由专业的设计人员一步步设计,目前大模型 AI 已经能够理解这段自然语言指令并有望与 CAD 深度耦合实现即刻操作。图表图表3:AI CAD建筑行业,大模型提取自然语言中的非结构化建模需求建筑行业,大模型提取自然语言中的非结构化建模需求 来源:国金证券研究所 行业深度研究 敬请参阅最后一页特别声明 6 2.1.2 标杆案例:海外巨头标杆案例:海外巨头 AI 应用先例在前,达索、应用先例在前,达索、PTC 等已有应用等已有应用 达索率先落地 AI SOLIDWORKS,辅助推荐设计推动模式变革。2018 年,达索发布SOLIDWORKS 2018,深度整合 AI 辅助模块 Xdesign。新版 SOLIDWORKS 可协助工程师在给定任务内创建最佳形状,用户只需以工程术语描述问题,并提供约束和负载,软件就会自动创建几何体以供选择。图表图表4:达索率先落地达索率先落地AI SOLIDWORKS,Xdesign辅助推荐设计辅助推荐设计 来源:TRIMECH,追光几何微信公众平台转引自达索,国金证券研究所 PTC 旗下新版 Creo 产品已具备创成式设计辅助功能。AI 赋能 Creo 基于构件材料、制造工艺、产品性能等因素辅助用户针对特定目标进行优化设计,在提升方案可行性的同时大大缩短人工试错耗费的时间精力。图表图表5:AI PTC Creo创成式设计创成式设计 来源:PTC 公司官网,国金证券研究所 2.1.3 核心壁垒:核心壁垒:强者恒强,自主内核强者恒强,自主内核 海量组件素材库海量组件素材库 高行业覆盖度是核心壁垒高行业覆盖度是核心壁垒 以 GPT、BERT、文心一言为代表的大模型为工具软件带来了更加智能化、人性化的交互模式变革,但并未从根本上颠覆研发设计类厂商的核心能力壁垒。研发设计类工业软件依然是将企业底层业务经验逐步抽象为数学物理模型,并经由测试验证最终完成软件化的本质。以 CAD 厂商为例,自主几何内核依然是业内稀缺的核心护城河资源;海量标准化素材库储备为对话式智能绘图、自动仿真提供底层数据库;高行业覆盖度扩宽了可供选型配置的行业光谱。基于此,“AI 研发设计类工业软件”的本质仍为强者恒强,我国头部国产化行业深度研究 敬请参阅最后一页特别声明 7 厂商市占率或将持续提升,龙头效应或将愈发显著。图表图表6:“自主内核自主内核 海量组件素材库海量组件素材库 高行业覆盖度高行业覆盖度”为核心能力壁垒”为核心能力壁垒 来源:中望软件招股说明书,国金证券研究所 2.1.4 受益标的受益标的:CAD/CAE/EDA 国产国产龙头厂商龙头厂商持续受益持续受益 据 IDC、赛迪智库,2021 年我国 2D/3D CAD 国产龙头为中望软件,市场占有率分别为11.4%/3.9%;2021 年我国 CAE 国产龙头为索辰科技,市场占有率为 1.6%;2020 年我国 EDA 国产龙头为华大九天,市场占有率为 5.9%。图表图表7:AI赋能细分品类龙头厂商强者愈强赋能细分品类龙头厂商强者愈强 来源:IDC,赛迪智库,国金证券研究所 行业深度研究 敬请参阅最后一页特别声明 8 2.2 CAD/BIM:AI 助力助力 2D 向向 3D 翻模、辅助正向设计翻模、辅助正向设计高效高效构件构件等等 在 CAD/BIM 设计领域,存在二维翻模与正向设计两条技术路线,二者在概念定义、工作方式、模型信息、项目阶段与数据传递等方面存在较大差异。简而言之,二维翻模是先有二维 CAD 图纸,翻模作为工具基于平面图纸生成 BIM 模型;正向设计则是从设计阶段即进入 BIM 模型,图纸与模型之间高度联动,构件的增减可直接在三维模型中操作。图表图表8:BIM二维翻模二维翻模与与正向设计正向设计的的区别区别 二维翻模 正向设计 概念定义 BIM翻模是将二维平面图纸翻成三维模型。即利用BIM软件,将设计内容进行三维转换,把设计图纸上的内容,用 BIM三维模型表达出来。BIM正向设计是从项目的概念设计阶段开始,到交付的整个过程,都由 BIM来完成,从概念到实物都由 BIM完成。工作方式 BIM翻模一般应用于施工图完成后,利用 BIM技术对图纸进行可视化呈现,实现“所见即所得”。从项目概念阶段就利用 BIM技术进行设计,一直到项目交付为止。施工图、深化设计图、复杂部位详图等都通过 BIM模型导出。模型信息 通过翻模建立的 BIM模型,其携带的信息都是设计图纸上呈现的,是原设计师的设计思考的三维呈现。BIM正向设计建立的模型,所携带的每一个构件信息,都是设计师基于项目设计考虑添加的。项目阶段 BIM翻模通常开始于施工图完成后,一直持续到施工竣工,不参与设计过程,主要用于辅助现场施工。BIM正向设计开始于概念设计阶段,一直到项目交付。其主要任务在于设计阶段,用于优化设计,提高建筑物的合理性,确保图纸的正确性。数据传递 由于 BIM翻模是基于图纸建立的三维模型,与二维图纸间并无形成数据间的联动,因此图纸的改动,并不会使模型信息跟着变动。在 BIM正向设计模式下,图纸是模型的结果,二者传递着同样的设计信息,模型的任一变动,会使得图纸跟着改变,具有极大的信息联动优势,能大幅降低劳动力和信息传递成本。来源:艾三维技术微信公众平台,国金证券研究所 2.2.1 场景透视场景透视一一:二维二维 CAD 图纸翻模三维图纸翻模三维 BIM 模型,模型,大模型问世或提升翻模精细度大模型问世或提升翻模精细度 AI 大模型问世以前,已有部分算法能够实现二维图纸翻模三维 BIM 模型的功能,但翻模效果普遍较差,需要大量人工修正,大模型的加入有望提升翻模的准确率与精细度,促使其功能达到商业可用的程度。图表图表9:BIM二维二维翻模翻模效果呈现效果呈现 来源:理正软件公司官网,国金证券研究所 2.2.2 场景透视场景透视二二:自然语言自然语言 图片智能生成构件,大模型图片智能生成构件,大模型破解破解正向设计构件储备难题正向设计构件储备难题 长期以来,BIM 正向设计难以推行的阻碍之一就是制作构件库的工作非常繁琐。生成式大行业深度研究 敬请参阅最后一页特别声明 9 模型的接入可支持软件基于语言描述 图片/二维图纸批量制作三维构件(比如门、柱梁连接器、钢梁埋件等),或将破解正向设计构件储备不足的难题,推动正向设计路线进入发展新阶段。图表图表10:BIM正向设计正向设计效果呈现效果呈现 来源:深圳建筑业协会|PMS 品茗,国金证券研究所 AI 打破二维与三维壁垒,实现有效转换高度联动,提升设计效率。大模型的接入打破二维翻模与正向设计之间的路线选择困局,无论是基于 2D 图纸的精细化翻模抑或是基于语言 图片/2D 图纸的构件智能化生成,其最终都将促使 2D 图纸与 3D BIM 模型之间高度联动。图表图表11:AI 打破二维与三维壁垒,实现有效转换高度联动,提升设计效率打破二维与三维壁垒,实现有效转换高度联动,提升设计效率 来源:盈建科公司官网,国金证券研究所 2.2.3 受益标的:受益标的:中望软件、盈建科、浩辰软件、广联达、品茗中望软件、盈建科、浩辰软件、广联达、品茗科技科技等等 国产 CAD 厂商中,中望与浩辰两家具备聚焦建筑垂直赛道的 CAD 专业产品;盈建科协同设计工具软件 XTGJ 具备自动识别 AutoCAD 施工图纸,并进行数据格式转换翻模为三维数字化模型的能力;广联达、品茗等厂商具备相对自主可控的 BIM 软件产品。行业深度研究 敬请参阅最后一页特别声明 10 图表图表12:三类厂商或将受益于三类厂商或将受益于大模型赋能下的大模型赋能下的BIM技术变革技术变革 来源:中望软件、浩辰软件、品茗科技、盈建科公司官网,国金证券研究所 2.3 CAE:AI 牵引牵引 CAE 建模范式变革建模范式变革、大幅降低计算成本、大幅降低计算成本、赋能仿真代码生成赋能仿真代码生成等等 2.3.1 场景透视场景透视一一:有望带来建模有望带来建模范式转变范式转变 CAE 本质是对复杂工程问题通过合理简化建立数学模型,并根据输入求得输出。深度学习其实也是基于已有的大量输入和输出,通过训练神经网络得到预测模型。因此,CAE与 AI 实质上是在以不同的方法做同样的工作,并且 CAE 在工业领域的多年应用,已积累了大量数据作为深度学习的基础。传统的 CAE 建模更多基于经典结构力学、流体力学、电磁学等物理学框架适配工程问题,本质是在为实际研发生产中面对的复杂工程问题寻求一个高度确定、基于因果关系的方程。AI大模型时代,基于大数据与机器学习驱动的新型 CAE建模则可直接基于历史设计数据,通过数据挖掘发掘诸多因子之间的相关关系,不再苛求从有限的物理理论出发适配模型,从而大幅提升建模适配的转化效率。行业深度研究 敬请参阅最后一页特别声明 11 图表图表13:AI赋能牵引赋能牵引CAE建模范式变革建模范式变革 来源:CAE 技术交流微信公众平台,科学网,国金证券研究所 目前 AI 在空气动力学、流体力学、生物力学、结构力学等分析领域已有初步探索应用。例如,传统力学方法无法总结出数学关系的复杂问题在复杂介质、极端条件、多场耦合和多尺度效应相结合的复杂前沿问题中,高维度、非确定性等复杂系统的共性问题特征突出。传统基于力学第一性原理的建模方式非常难以找到一个适用于某一类复杂问题的控制方程,或者即使找到了也是唯象的(物理学中解释物理现象时,不用其内在原因,而是用概括试验事实而得到的物理规律。)拟合方程,且与实验结果的匹配性较差。2021 年发表在 JMPS 上的一篇文章聚焦锂金属在温度-时间影响下的力学性能。其基于人工智能与机器学习的思想,转而从实验数据中寻求数据的相关性,促使传统工程难题得到了更好解决。图表图表14:AI推动传统推动传统力学力学工程工程难题得到更好解决难题得到更好解决 来源:CAE 知识地图微信公众平台转引自 JMPS,国金证券研究所 行业深度研究 敬请参阅最后一页特别声明 12 2.3.2 场景透视二:场景透视二:AI 经典模型大幅降低计算经典模型大幅降低计算成本成本,优化,优化工程计算效率工程计算效率 机器学习赋能 ANSYS 和 Ozen Engineering 合作实现金门大桥数字孪生体建设。金门大桥数字孪生体的仿真建模首先基于经典仿真方法,用 DOE 试验设计生成一组样本点,继而基于机器学习方法针对样本点训练出一个代理模型,从而降低计算代价,优化工程计算效率。图表图表15:AI 经典模型实现金门大桥数字孪生体建设经典模型实现金门大桥数字孪生体建设 来源:CAE 知识地图微信公众平台转引自 Ansys,国金证券研究所 2.3.3 场景透视场景透视三三:AI 赋能电磁仿真代码生成赋能电磁仿真代码生成,工程代码智能生成未来已来,工程代码智能生成未来已来 以电磁场仿真软件为例,向 ChatGPT 输入一个典型的 SIwave 后处理的问题“SIwave仿真得出的 Pin 电流数据为*.csv 格式,其中第一列为 Via 名字,第三列为电流值,第四列为 Pin 的 X坐标,第五列为 Y 坐标。请用 Python 生成程序,生成一个 Pin Map 形式的*.csv 文件。即左边为 Pin 名字的矩阵,按照其 X 和 Y 坐标排列。右边为电流值的矩阵,也按照其 X和 Y 坐标排列。”大模型目前已能准确理解题意并给出可用的参考代码。图表图表16:与与ChatGPT聊聊聊聊Slwave后处理问题后处理问题 来源:OpenAI,Ansys 微信公众平台,国金证券研究所 行业深度研究 敬请参阅最后一页特别声明 13 2.3.4 受益标的受益标的一一:霍莱沃进军仿测一体化霍莱沃进军仿测一体化,通用,通用型型电磁电磁 CAE 有望受益有望受益 AI 赋能赋能 霍莱沃进军仿测一体化,通用型电磁 CAE 顺利推出。2021 年底,霍莱沃在全国天线年会上正式发布通用型三维电磁仿真软件 RDSim1.0 版本,该产品采用了矩量法,可实现任意三维结构的电磁场问题的仿真分析,应用领域包括天线/天线阵列、微波器件和雷达散射等。RDSim 的推出标志着霍莱沃纵向打通仿真与测试测量环节,作为国内电磁 CAE 头部厂商,有望受益于大模型赋能电磁仿真代码开发。图表图表17:霍莱沃霍莱沃RDSim通用电磁通用电磁CAE效果呈现效果呈现 来源:霍莱沃公司官网,国金证券研究所 2.3.5 受益标的受益标的二二:盈建科覆盖建筑结构设计软件全流程、一体化综合解决方案盈建科覆盖建筑结构设计软件全流程、一体化综合解决方案。盈建科覆盖建筑结构设计软件全流程、一体化综合解决方案。盈建科为建筑设计行业提供覆盖建模、计算、设计、出图全设计流程综合解决方案,公司主要产品 YJK 建筑结构设计软件系统可为结构工程师的设计活动提供全栈软件工具。行业深度研究 敬请参阅最后一页特别声明 14 图表图表18:盈建科盈建科覆盖建筑结构设计软件全流程、一体化综合解决方案覆盖建筑结构设计软件全流程、一体化综合解决方案 来源:盈建科招股说明书,国金证券研究所 2.3.6 受益标的受益标的三三:索辰:索辰 CAE 掌握行业前沿算法,产品覆盖诸多下游应用场景掌握行业前沿算法,产品覆盖诸多下游应用场景 索辰目前主要产品所用的气体动理学算法(GKS)、直接模拟蒙特卡洛方法(DSMC)、光滑粒子流(SPH)、再生核粒子算法(RKP)等均为基于高性能计算的行业前沿算法。索辰近年来紧抓国防军工领域软件国产化机遇,持续强化对航空航天、国防装备、船舶海洋、核工业等领域具体工程应用场景的研究。行业深度研究 敬请参阅最后一页特别声明 15 图表图表19:索辰索辰CAE掌握掌握前沿算法前沿算法,覆盖诸多,覆盖诸多工程应用场景工程应用场景 来源:索辰科技招股说明书,国金证券研究所 2.4 EDA:AI 入局入局良率把控、提升纠错效率良率把控、提升纠错效率等等 2.4.1 场景透视一:无监督深度学习定位缺陷分布,场景透视一:无监督深度学习定位缺陷分布,AI 赋能赋能 EDA 良率把控良率把控 无监督深度学习赋能 EDA 良率把控。Solido Variation Designer 作为业界广泛认可的Variation-Aware 良率验证解决方案,可以帮助客户提高 IP 设计鲁棒性,实现更加精准的路径延迟分析,高效解决复杂蒙特卡洛分析带来的设计挑战。Tessent Diagnosis 的版图感知和标准单元感知技术,结合 Tessent YieldInsight 无监督机器学习技术,可以找到最可能的缺陷分布并移除低概率怀疑点,从而提高分辨率和准确性。西门子 EDA 通过在硅前、硅中和硅后三个阶段进行层层良率把关,进而提升先进制程的良率。图表图表20:AI赋能西门子赋能西门子EDA全流程深度良率把控全流程深度良率把控 来源:SIEMENS 微信公众平台,国金证券研究所 2.4.2 场景透视二:场景透视二:AI 赋能赋能 Cadence Verisium 平台平台 Debug 服务服务 Cadence旗下Verisium平台及相关应用是Cadence整合企业数据及 AI平台的组成部分,致力于实现 AI 驱动的错误根本原因分析。从 IP 到 SoC,支持单次或多次运行。该解决方案为用户提供全面的纠错解决方案,利用波形图、原理图、动因追溯和 SmartLog 技术行业深度研究 敬请参阅最后一页特别声明 16 建立快速、完整的交互式后处理纠错流程,显著提高纠错效率。图表图表21:AI驱动驱动Cadence Verisium平台显著提升纠错效率平台显著提升纠错效率 来源:Cadence 公司官网,国金证券研究所 2.4.3 受益标的:受益标的:华大九天、概伦电子、广立微华大九天、概伦电子、广立微等等 大模型赋能背景下,无监督深度学习对于良率的优化以及 AI 分析专业图谱导出的 Debug服务有望成为国产厂商下一轮技术发展的牵引动力。目前,国内 EDA 厂商已然取得多点突破,本轮 AI 赋能或将提速追赶进程,持续缩小与海外巨头 Synopsys、Cadence 的产品技术差距。国产 EDA 上市公司华大九天、概伦电子、广立微或将受益。图表图表22:国产国产EDA厂商多点突破,厂商多点突破,AI牵引或加速追赶步伐牵引或加速追赶步伐 来源:华大九天招股书,电子说,前瞻产业研究院,国金证券研究所 3.1 服务服务增值化:增值化:功能功能延申延申提升软件单品价值,提升软件单品价值,AI 接入接入有望有望催化催化国内国内订阅制订阅制进程进程 AI 赋能研发设计类工业软件引发软件产品智能化升级,在落地层面较为适合以增值服务的方式推出。以 CAD 为例,目前海外巨头欧特克、达索均以订阅制销售模式为主,不久前微软“office 365 Copilot”组合年订阅价格 70100 美金的运营模式也为“AI ”的商业落地提供了应用样板。国内主流研发设计类工业软件受自身产品能力在现阶段的限制,SaaS 化/订阅制程度普遍不足(或已有相关产品,但销量远低于 license 销售模式)的背景下,“AI ”或在延申软件功能的基础上催化订阅制进程进而提升单品价值量,优化厂商销售现金流。行业深度研究 敬请参阅最后一页特别声明 17 图表图表23:以以CAD为例,为例,国内国内主流产品主流产品SaaS化化/订阅制程度不足订阅制程度不足 公告名称 产品版本 产品类型 定价及销售模式 折算人民币 中望软件 ZWCAD 2023 2D CAD 永久授权 9,998 元 9,998 元 2D CAD 1 年授权 3,999 元;3 年授权 9598 元 年付 3,199 元3,999 元 ZW3D 2023(标准版/专业版/白金版)3D CAD 永久授权 38,800 元96,800 元 38,800 元96,800 元 3D CAD 1 年授权 15,520 元38,720 元;3 年授权 37,248 元92,928 元 年付 12,416 元38,720 元 数码大方 CAXA CAD 电子图板 2022 2D CAD 1 年订阅 2,244 元 年付 2,244 元 CAXA 3D 实体设计 2022 3D CAD 1 年订阅 13,134 元 年付 13,134 元 苏州浩辰 GStartCAD 2D CAD 799 美元1,099 美元 5,695 元7,833 元 来源:Autodesk、数码大方、中望软件招股说明书,软服之家,中国供应商,达索系统代理商-CATIA,国金证券研究所(注:标黄为 SaaS 化或订阅制销售模式。)3.2 软件软件正版化:正版化:AI 接入倒逼软件正版化提速,有效市场扩容接入倒逼软件正版化提速,有效市场扩容引发“量价齐升”引发“量价齐升”AI 功能的接入有望倒逼正版化率提速,有效市场规模有望提升。大模型快速迭代背景下,市场普遍担心“机器换人”逻辑带来研发设计工程师一定比例的失业,即便在软件单品价值量提升的情况下仍旧面临“价升量缩”导致的全局性市场萎缩。但我们不这么认为,我们认为AI更多实现的是辅助人效率大幅提升的功能。以CAD为例,目前 CAD 市场的国内正版化率预计较低,AI 的接入将重塑软件用户生态,AI 模块功能有望倒逼正版化快速提升。我们认为,软件正版化率提升所能带来的有效市场扩容远大于下游厂商“机器换人”削减工程师雇佣数量所引发的销量减少,市场担忧的“价升量缩”困境实则为“量价齐升”利好。图表图表24:AI倒逼软件正版化,“价升量缩”担忧实则为“量价齐升”利好倒逼软件正版化,“价升量缩”担忧实则为“量价齐升”利好 来源:国金证券研究所 3.3 国产信创国产信创化:化:国产基础软硬件提供国产基础软硬件提供生根生根土壤土壤,“国产厂商“国产厂商 国内国内 Al”塑造产品优势塑造产品优势 本土基础软硬件自主可控趋于成熟,国产研发设计工业软件厂商有望全面拥抱信创市场。伴随本土自主可控基础软硬件的发展成熟,国产厂商有望进一步降低对于第三方技术的依赖。本轮 AI 浪潮或将加速国产替代进程,为国产厂商提供了弯道超车的机会。海外巨头长期以来利用其“产品优势 网络效应”盘踞国内市场,鉴于未来“海外巨头 OpenAl”的组合很难进入中国,而“国产厂商 国内 Al”的组合对海外巨头有望形成产品力优势。行业深度研究 敬请参阅最后一页特别声明 18 图表图表25:信创背景下国产厂商或将信创背景下国产厂商或将持续持续受益受益 来源:国金证券研究所 服务增值化、软件正版化、国产信创化三重利好共振下,国产工业研发设计厂商或将率先受益于本轮 AI 大潮。推荐关注中望软件、盈建科、霍莱沃、索辰科技、华大九天、概伦电子、广立微。图表图表26:推荐关注推荐关注AI 研发设计类研发设计类工业软件工业软件相关标的相关标的 公司名称 股票代码 推荐理由 中望软件 688083.SH 中望软件系国内领先的 CAX供应商,主要从事 CAD/CAM/CAE 等研发设计类工业软件的研发、推广与销售业务。预计公司 22、23、24 年营业收入分别为 6.0、7.8、10.1 亿元,归母净利润分别为 0.07、2.04、2.73 亿元。采用市销率法对公司进行估值,选取 3 家可比公司,给予公司 2023 年 30 倍 PS估值,目标价 271.5 元/股。盈建科 300935.SZ 盈建科系国内领先的建筑结构设计软件供应商。公司深耕于建筑结构设计细分领域,自研四大领先技术,多种途径培育应用生态,已经建立了民用建筑结构设计领域的领先优势,正在积极向空间更大、客单价格更高的道路桥梁结构设计和工业建筑结构设计领域延伸产品线。Wind 一致预测 22、23、24年摊薄 EPS 分别为-0.34、0.35、0.49 元,对应-100X、97X、69X PE。霍莱沃 688682.SH 霍莱沃系国内电磁测量仿真领军者。公司构建了电磁仿真验证、电磁测量系统、相控阵产品三大业务板块,产品广泛应用于航空航天、通信、汽车等高端制造领域,下游客户主要面向国防军工领域。Wind一致预测 23、24 年摊薄 EPS 分别为 2.04、2.86 元,对应 48X、34X PE。索辰科技 A22357.SH 索辰科技系国内领先的 CAE 软件供应商。公司坚持自主创新,已形成多个学科方向核心算法,开发出多类型工程仿真软件,为中国航发、中国船舶、航空工业、航天科技、航天科工、中国电子、中国电科、中核集团、中国兵工等军工集团及中科院下属科研院所等提供多学科覆盖的工程仿真软件及仿真产品开发服务。华大九天 301269.SZ 华大九天系国产 EDA龙头企业,致力于打造全流程布局、全领域覆盖的全球领军企业。Wind 一致预测 22、23、24 年摊薄 EPS 分别为 0.34、0.47、0.64元,对应 355X、259X、191X PE。概伦电子 688206.SH 概伦电子系国内 EDA领跑者。公司坚持围绕 DTCO 方法学进行探索与实践,推动 EDA全流程工具布局,已形成“软件 硬件 服务”的产品矩阵。Wind 一致预测 23、24 年摊薄 EPS 分别为 0.15、0.21元,对应 234X、170X PE。广立微 301095.SZ 广立微是国内领先的集成电路 EDA 软件及晶圆级电性测试设备提供商。公司聚焦于集成电路良率提升行业,形成了“EDA 软件工具授权 软件技术开发 测试机及配件销售”经营模式。Wind 一致预测 22、23、24 年摊薄 EPS 分别为 0.61、0.97、1.54 元,对应 146X、116X、73X PE。来源:Wind,国金证券研究所(注:盈利预测及估值来自 Wind 一致预期,3 月 24 日股价。)行业深度研究 敬请参阅最后一页特别声明 19 海外基础软硬件使用受限。海外基础软硬件使用受限。若因国际关系等原因,高算力 GPU 等基础硬件或计算框架等基础软件使用受限,可能会对国内人工智能算法应用产生影响。AI 应用落地不及预期。应用落地不及预期。若相关应用公司不能找到人工智能算法较好的商业应用落地场景,或相关场景客户没有较强的付费意愿,可能算法应用落地会不及预期。行业竞争加剧风险。行业竞争加剧风险。若相关企业加快技术迭代和应用布局,整体行业竞争程度加剧,将会对行业内已有企业的业绩增长产生威胁。行业深度研究 敬请参阅最后一页特别声明 20 行业投资评级的说明:行业投资评级的说明:买入:预期未来 36 个月内该行业上涨幅度超过大盘在 15%以上;增持:预期未来 36 个月内该行业上涨幅度超过大盘在 5%;中性:预期未来 36 个月内该行业变动幅度相对大盘在-5%5%;减持:预期未来 36 个月内该行业下跌幅度超过大盘在 5%以上。行业深度研究 敬请参阅最后一页特别声明 21 特别声明:特别声明:国金证券股份有限公司经中国证券监督管理委员会批准,已具备证券投资咨询业务资格。本报告版权归“国金证券股份有限公司”(以下简称“国金证券”)所有,未经事先书面授权,任何机构和个人均不得以任何方式对本报告的任何部分制作任何形式的复制、转发、转载、引用、修改、仿制、刊发,或以任何侵犯本公司版权的其他方式使用。经过书面授权的引用、刊发,需注明出处为“国金证券股份有限公司”,且不得对本报告进行任何有悖原意的删节和修改。本报告的产生基于国金证券及其研究人员认为可信的公开资料或实地调研资料,但国金证券及其研究人员对这些信息的准确性和完整性不作任何保证。本报告反映撰写研究人员的不同设想、见解及分析方法,故本报告所载观点可能与其他类似研究报告的观点及市场实际情况不一致,国金证券不对使用本报告所包含的材料产生的任何直接或间接损失或与此有关的其他任何损失承担任何责任。且本报告中的资料、意见、预测均反映报告初次公开发布时的判断,在不作事先通知的情况下,可能会随时调整,亦可因使用不同假设和标准、采用不同观点和分析方法而与国金证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。本报告仅为参考之用,在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。本报告提及的任何证券或金融工具均可能含有重大的风险,可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可能会受汇率影响而波动。过往的业绩并不能代表未来的表现。客户应当考虑到国金证券存在可能影响本报告客观性的利益冲突,而不应视本报告为作出投资决策的唯一因素。证券研究报告是用于服务具备专业知识的投资者和投资顾问的专业产品,使用时必须经专业人士进行解读。国金证券建议获取报告人员应考虑本报告的任何意见或建议是否符合其特定状况,以及(若有必要)咨询独立投资顾问。报告本身、报告中的信息或所表达意见也不构成投资、法律、会计或税务的最终操作建议,国金证券不就报告中的内容对最终操作建议做出任何担保,在任何时候均不构成对任何人的个人推荐。在法律允许的情况下,国金证券的关联机构可能会持有报告中涉及的公司所发行的证券并进行交易,并可能为这些公司正在提供或争取提供多种金融服务。本报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。国金证券并不因收件人收到本报告而视其为国金证券的客户。本报告对于收件人而言属高度机密,只有符合条件的收件人才能使用。根据证券期货投资者适当性管理办法,本报告仅供国金证券股份有限公司客户中风险评级高于 C3 级(含 C3 级)的投资者使用;本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要,不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具,本报告的收件人须保持自身的独立判断。使用国金证券研究报告进行投资,遭受任何损失,国金证券不承担相关法律责任。若国金证券以外的任何机构或个人发送本报告,则由该机构或个人为此发送行为承担全部责任。本报告不构成国金证券向发送本报告机构或个人的收件人提供投资建议,国金证券不为此承担任何责任。此报告仅限于中国境内使用。国金证券版权所有,保留一切权利。上海上海 北京北京 深圳深圳 电话:021-60753903 传真:021-61038200 邮箱: 邮编:201204 地址:上海浦东新区芳甸路 1088 号 紫竹国际大厦 7 楼 电话:010-85950438 邮箱: 邮编:100005 地址:北京市东城区建内大街 26 号 新闻大厦 8 层南侧 电话:0755-83831378 传真:0755-83830558 邮箱: 邮编:518000 地址:中国深圳市福田区中心四路 1-1 号 嘉里建设广场 T3-2402

    23人已浏览 2023-03-28 21页 5星级
  • GPU行业深度研究:AI大模型浪潮风起GPU芯片再立潮头-230326(86页).pdf

    AIAI大模型浪潮风起,大模型浪潮风起,GPUGPU芯片再立潮头芯片再立潮头证券研究报告证券研究报告 GPUGPU行业深度研究行业深度研究发布日期:2023年3月26日分析师:于芳博分析师:于芳博SAC编号:S1440522030001分析师:金戈分析师:金戈SAC编号:S1440517110001SFC 中央编号:BPD352分析师:分析师:阎贵成阎贵成SAC编号:S1440518040002SFC 中央编号:BNS315本报告由中信建投证券股份有限公司在中华人民共和国(仅为本报告目的,不包括香港、澳门、台湾)提供。在遵守适用的法律法规情况下,本报告亦可能由中信建投(国际)证券有限公司在香港提供。同时请参阅最后一页的重要声明。核心观点核心观点:核心观点:GPU具备图形渲染和并行计算两大核心功能,其应用场景主要包括个人电脑、服务器、自动驾驶、移动端。全球GPU市场保持良好成长性,AI服务器成为市场增长的核心支撑,随着生成式AI大模型进入到辅助生产力阶段,服务器GPU市场需求更为旺盛。英伟达凭借其数据中心GPU的核心技术优势,成为全球人工智能芯片的引领者。AMD作为全球领先的芯片设计厂商,在GPU市场中与英伟达互相角逐。国内GPU市场空间广阔,涌现出一批优秀的GPU设计和制造厂商。GPU具备图形渲染和并行计算两大核心功能具备图形渲染和并行计算两大核心功能。GPU具有数量众多的运算单元,适合计算密集、易于并行的程序,一般作为协处理器负责图形渲染和并行计算。GPU微架构由流处理器、纹理映射单元、光栅化处理单元、光线追踪核心、张量核心、缓存等部件共同组成,微架构的设计对GPU性能的提升发挥着至关重要的作用,也是GPU研发过程中最关键的技术壁垒。GPU应用程序接口(API)帮助GPU高效实现渲染功能,在并行计算方面,CUDA(统一计算设备架构)的诞生大幅降低GPGPU并行计算的编程难度,实现GPU的通用化,“个人计算机”变成可以实现并行运算的“超级计算机”。全球全球GPU市场保持良好成长性市场保持良好成长性,AI服务器成为市场增长的核心支撑服务器成为市场增长的核心支撑。2023年GPU全球市场规模预计为595亿美元,行业保持高速增长,CAGR为32.9%。GPU的市场主体可以分为个人电脑GPU、服务器GPU、自动驾驶GPU、移动端GPU。过去的几个季度里,个人电脑GPU市场遭受巨大冲击,出货量显著下滑。核心原因有三点:一、个人电脑市场处于下行周期;二、虚拟货币挖矿退潮对独立GPU出货造成巨大冲击;三、下游板卡厂商开启降库存周期。近期,各类不利因素正在逐渐消融,个人电脑GPU市场迎来曙光。服务器GPU主要用于AI和高性能计算,人工智能行业的高速发展带来了旺盛的AI算力需求,AI服务器成为GPU市场增长的核心支撑。以ChatGPT为代表的自然语言大模型展现出高度智能,生成式AI能力不断突破进入到辅助生产力阶段,AI模型算力需求迈上新台阶,对服务器GPU市场带来显著拉动效应。自动驾驶GPU在高等级自动驾驶中具备显著技术优势,随着高等级自动驾驶渗透率逐步提升,自动驾驶GPU市场也进入高速成长阶段。英伟达凭借其数据中心英伟达凭借其数据中心GPU的核心技术优势的核心技术优势,成为全球成为全球人工智能芯片的领导者人工智能芯片的领导者。英伟达过去专注于GPU芯片设计,目前已经转型成为计算平台企业,成为人工智能芯片的领导者。其主营业务包含游戏&娱乐、数据中心、专业可视化、汽车业务。过去的两个季度中,伴随着个人电脑GPU整体市场需求疲软,英伟达游戏&娱乐业务营收大幅下滑。随着虚拟货币挖矿退潮对GPU独立显卡带来的冲击逐渐下降,公司22Q4游戏&oOnM2YeXfVbZuY9YxU9PaO9PoMpPoMsRjMmMtQlOoMpQaQqRnNMYmQpPwMtQqP核心观点娱乐业务再次环比提升,我们认为公司个人电脑GPU业务正逐步恢复到正常成长阶段。2022年英伟达数据中心业务营收超过游戏&娱乐业务,成为第一大收入来源,公司GPGPU具备核心技术优势,在AI芯片市场中占据主导地位,其数据中心业务将为公司的高质量成长贡献长期动力。在自动驾驶业务方面,英伟达提供全栈式的自动驾驶解决方案,硬件层面上,其Orin和Thor自动驾驶芯片提供大幅算力,同时DLA模块和PVA模块实现AI算法加速;在软件层面上提供完整的开发者套件,其自动驾驶业务的平台化优势保证了英伟达在高等级自动驾驶中的领先地位。AMDAMD作为全球领先的芯片设计厂商作为全球领先的芯片设计厂商,在在GPUGPU市场中与英伟达互相角逐市场中与英伟达互相角逐。AMD的数据中心业务和嵌入式业务展现良好的增长趋势,公司同时提供个人电脑GPU和数据中心GPU。公司的集成GPU主要被运用在台式机和笔记本的APU产品,相比独立GPU更具性价比优势。Radeon系列独立GPU构建于RDNA 3架构之上,采用5nm工艺和chiplet设计,实现了性能的整体提升。AMD推出用于数据中心的Radeon Instinct GPU加速芯片,Instinct系列基于CDNA架构。最新的CDNA 2架构实现计算能力和互联能力的显著提升,采用CDNA 2架构的计算芯片MI250X与英伟达的先进计算芯片性能指标不分伯仲。AMD ROCm对标英伟达CUDA,其计算生态也在不断的丰富过程当中。移动端的主要玩家包括高通移动端的主要玩家包括高通、ARMARM、ImaginationImagination。移动端GPU在设计过程中受到能耗和体积方面的限制,都是以集成的SOC芯片的形式出现在移动端。高通在旗舰Android智能手机SoC市场中保持领先地位,ARM是领先的GPU IP公司,Imagination的PowerVR架构在移动芯片领域得到市场的广泛认可,随后陆续提出PowerVR的升级版本IMG系列架构。国内国内GPUGPU市场空间广阔市场空间广阔,涌现出一批优秀的涌现出一批优秀的GPUGPU设计和制造厂商设计和制造厂商。根据Verified Market Research数据,2020年中国大陆GPU市场规模为47.39亿美元,预计2023年中国GPU市场规模将达到111亿美元。伴随着近期宏观经济回暖以及国内互联网企业纷纷加大AI算力布局,PC和服务器的需求上升有望为国内GPU市场带来整体拉动效应。国内涌现出一批优秀的GPU设计和制造厂商,诸如海光信息和景嘉微。海光信息DCU的产品性能均达到了国际上同类型主流高端处理器水平,在国内处于领先地位,同时海光信息DCU协处理器全面兼容ROCm GPU计算生态。景嘉微GPU研发历史悠久,技术积淀深厚,其GPU性能优越,芯片业务整体展现良好增长势头。风险提示:个人电脑出货不及预期风险提示:个人电脑出货不及预期、AIAI技术进展不及预期技术进展不及预期、互联网厂商资本开支不及预期互联网厂商资本开支不及预期、自动驾驶进展不及预期自动驾驶进展不及预期、国产替代进程不及预期国产替代进程不及预期、参与厂商众多导致竞争格局恶化参与厂商众多导致竞争格局恶化。第一章第一章GPUGPU芯片概述芯片概述0505第三章第三章人工智能芯片的引领者人工智能芯片的引领者英伟达英伟达3333第四章第四章全球第二大全球第二大GPUGPU厂商厂商AMDAMD5555第六章第六章国内国内GPUGPU厂商发展情况厂商发展情况7171第七章第七章风险提示风险提示8383第五章第五章移动移动GPUGPU厂商厂商6363第二章第二章GPUGPU市场概述市场概述1818目目 录录 第一章第一章GPUGPU芯片概述芯片概述0505 1.1 GPU定义和主要组成 GPUGPU(GraphicsGraphics ProcessingProcessing UnitUnit):一般称为图形处理器:一般称为图形处理器,被广泛用于个人电脑被广泛用于个人电脑、工作站工作站、移动设备移动设备、游戏机游戏机、嵌入式嵌入式系统中做图像和图形相关运算工作系统中做图像和图形相关运算工作。GPUGPU结构结构:GPU是一个异构的多核处理器芯片,针对图形图像处理优化。通常包括运算单元、L0/L1/L2缓存、Warp调度器、存取单元、分配单元、寄存器堆、PCIe总线接口、显卡互联单元等组件。GPUGPU工作方式工作方式:GPU并不是一个独立运行的计算平台,需要通过PCIe总线与CPU连接在一起来协同工作,可以看作CPU的协处理器。资料来源:英伟达,CSDN,中信建投图:英伟达图:英伟达A100A100 GPUGPU图:图:CPUCPU-GPUGPU异构架构异构架构 1.2 GPU相较于CPU并行计算能力更强(一)CPUCPU当中运算单元占据面积相对较小当中运算单元占据面积相对较小。CPU硬件设计过程中为了实现低延迟增加了存储单元和控制单元的复杂度,运算单元在GPU中占据面积相对较小,以Intel Core i7 3960X为例,其运算单元面积(6*21.4 mm2)大致占总芯片面积(435 mm2)的30%。CPUCPU的并行计算能力相对较弱的并行计算能力相对较弱。CPU通过指令级并行、数据级并行也可以提升其并行计算能力,但是带来的提升也是有限的。单核单核CPUCPU性能逐步逼近物理极限性能逐步逼近物理极限。由于CPU受到“能耗墙”的限制,CPU主频难以持续提升,单核单核CPUCPU性能逐步逼近物理极限性能逐步逼近物理极限,采用多核CPU的策略一定程度缓解了CPU性能提升的制约,当前大数据和人工智能带来了海量的数据,CPU已经无法跟上多源异构数据的爆炸性增长。资料来源:Intel,Wikipedia,中信建投共享L3缓存107.5 mm2接口功能区域107.5 mm2运算单元21.4 mm2存储器控制66.7 mm2Intel Core i7 3960X22.7亿晶体管 面积435mm2图:图:CPUCPU的功能区域分布的功能区域分布图:图:CPUCPU的主频受到“能耗墙”限制的主频受到“能耗墙”限制CPU主频 1.2 GPU相较于CPU并行计算能力更强(二)GPUGPU具有数量众多的运算单元具有数量众多的运算单元,采用极简的流水线进行设计采用极简的流水线进行设计,适合计算密集适合计算密集、易于并行的程序易于并行的程序。CPUCPU的运算单元数目相对较的运算单元数目相对较少少,单一运算核心的运算能力更强单一运算核心的运算能力更强,采用分支预测采用分支预测、寄存器重命名寄存器重命名、乱序执行等复杂的处理器设计乱序执行等复杂的处理器设计,适合相对复杂的串行适合相对复杂的串行运算运算。GPUGPU设计过程中侧重吞吐优化设计过程中侧重吞吐优化,具备强大的内存访问带宽具备强大的内存访问带宽。CPUCPU设计过程中侧重时延优化设计过程中侧重时延优化,包含复杂的多级缓存包含复杂的多级缓存(L L1 1/L/L2 2/L/L3 3)和逻辑控制单元和逻辑控制单元。CPU承担运算核心和控制中心的地位,GPU一般作为协处理器负责图形渲染和并行计算。资料来源:英伟达,中信建投维度维度GPUGPUCPUCPU核心数量数千个加速核心几十个核心产品特点简单的逻辑控制复杂的逻辑控制单元多线程以到达超大并行吞吐量通过多级缓存降低延迟高效众多的运算单元(ALU)少量强大的运算单元(ALU)适用场景计算密集、易于并行的程序逻辑控制、串行运算的程序图:图:CPUCPU和和GPUGPU的架构比对的架构比对图表:图表:GPUGPU和和CPUCPU的区别的区别 1.3 GPU的核心功能一:图形渲染资料来源:OpenGenus,Vmware,中信建投图:渲染流程操作图:渲染流程操作图:图:GPUGPU硬件架构下的渲染流程硬件架构下的渲染流程 GPU凭借其较强的并行计算能力,已经成为个人电脑中图像渲染的专用处理器。图形渲染具体实现要通过五阶段:顶点着色、形状装配、光栅化、纹理填充着色、测试与混合。GPUGPU渲染流程:渲染流程:三维图像信息输入GPU后,读取3D图形外观的顶点数据后,1 1)在流处理器流处理器中构建3D图形的的整体骨架,即顶点处理;2)由光栅化处理单元光栅化处理单元把矢量图形转化为一系列像素点,即光栅化操作;3)在纹理映射单元纹理映射单元实现纹理填充;4)在流处理器流处理器中完成对像素的计算和处理,即着色处理;5)在光栅化处理单元光栅化处理单元中实现测试与混合任务。至此,实现一个完整的GPU渲染流程。顶点数据1)顶点着色2)形状装配3)光栅化4)纹理填充、着色5)测试与混合纹理数据顶点数据顶点处理像素处理显存光栅化流处理器流处理器光栅化处理单元器纹理映射单元中完成纹理填充 1.4 GPU的核心功能二:通用计算资料来源:CSDN,英伟达官网,中信建投 2003年,GPGPU(GeneralGPGPU(General PurposePurpose computingcomputing onon GPU,GPU,基于基于GPUGPU的通用计算的通用计算)的概念首次被提出,意指利用GPU的计算能力在非图形处理领域进行更通用、更广泛的科学计算。GPGPU概念的提出,为GPU更为广泛的应用开拓了思路,GPGPU在传统GPU的基础上进行了优化设计,部分GPGPU会去除GPU中负责图形处理加速的硬件组成,使之更适合高性能并行计算。GPGPUGPGPU在数据中心被广泛地应用在人工智能和高性能计算在数据中心被广泛地应用在人工智能和高性能计算、数据分析等领域数据分析等领域。GPGPU的并行处理结构非常适合人工智能计算,人工智能计算精度需求往往不高,INT8、FP16、FP32往往可以满足大部分人工智能计算。GPGPU同时可以提供FP64的高精度计算,使得GPGPU适合信号处理、三维医学成像、雷达成像等高性能计算场景。图:图:GPUGPU与与GPGPUGPGPU的差异的差异图:图:GPGPUGPGPU在数据中心中承担的工作任务在数据中心中承担的工作任务图形渲染通用计算GPUGPGPU人工智能计算高性能计算 1.5 微架构设计是GPU性能提升的关键所在资料来源:英伟达官网,中信建投 GPUGPU微架构微架构(MicroMicro ArchitectureArchitecture)是兼容特定指令集的物理电路构成是兼容特定指令集的物理电路构成,由流处理器由流处理器、纹理映射单元纹理映射单元、光栅化处理单元光栅化处理单元、光线追踪核心光线追踪核心、张量核心张量核心、缓存等部件共同组成缓存等部件共同组成。图形渲染过程中的图形函数主要用于绘制各种图形及像素、实现光影处理、3D坐标变换等过程,期间涉及大量同类型数据(如图像矩阵)的密集、独立的数值计算,而GPU结构中众多重复的计算单元就是为适应于此类特点的数据运算而设计的。微架构的设计对微架构的设计对GPUGPU性能的提升发挥着至关重要的作用性能的提升发挥着至关重要的作用,也是也是GPUGPU研发过程中最关键的技术壁垒研发过程中最关键的技术壁垒。微架构设计影响到芯片的最高频率、一定频率下的运算能力、一定工艺下的能耗水平,是芯片设计的灵魂所在。英伟达H100相比于A100,1.2倍的性能提升来自于核心数目的提升,5.2倍的性能提升来自于微架构的设计。图:图:英伟达英伟达AdaAda AD102AD102 GPUGPU架构架构图:英伟达图:英伟达H100H100相比于相比于A100A100的性能提升的性能提升微架构单元微架构单元 1.6 GPU微架构的硬件构成(一)流处理器流处理器(StreamStream ProcessorProcessor):是GPU内基本运算单元,通常由整点运算部分和浮点运算部分共同组成,称为SP单元,从编程角度出发,也将其称为CUDA核心。流处理器是DirectX10后引入的一种统一渲染架构,综合了顶点处理(Vertex Pipelines)和像素处理(Pixel Pipelines)的渲染任务,流处理器的数量和显卡性能密切相关。纹理映射单元纹理映射单元(TextureTexture MappingMapping Unit,Unit,TMU)TMU):作为GPU中的独立部件,能够旋转、调整和扭曲位图图像(执行纹理采样),将纹理信息填充在给定3D模型上。光栅化处理单元光栅化处理单元(RasterRaster OperationsOperations UnitsUnits,ROPsROPs):依照透视关系,将整个可视空间从三维立体形态压到二维平面内。流处理器和纹理映射单元分别把渲染好的像素信息和剪裁好的纹理材质递交给处于GPU后端的光栅化处理单元,将二者混合填充为最终画面输出,此外游戏中雾化、景深、动态模糊和抗锯齿等后处理特效也是由光栅化处理单元完成的。纹理映射单元纹理映射单元资料来源:英伟达官网,中信建投流处理器流处理器张量核心张量核心光线追踪核心光线追踪核心图:图:英伟达英伟达TuringTuring的微架构单元的微架构单元 光线追踪核心光线追踪核心1.6 GPU微架构的硬件构成(二)资料来源:英伟达官网,中信建投图:英伟达图灵光线追踪核心图:英伟达图灵光线追踪核心图:图:Tensor CoreTensor Core通过混合精度运算实现通过混合精度运算实现AIAI运算加速运算加速 光线追踪核心光线追踪核心(RTRT CoreCore):是一种补充性的渲染技术,主要通过计算光和渲染物体之间的反应得到正确的反射、折射、阴影即全局照明等结果,渲染出逼真的模拟场景和场景内对象的光照情况。通过采样BVH算法,用来计算射线(光线、声波)与物体三角形求交,与传统硬件相比,RT Core可以实现几何数量级的BVH计算效率提升,让实时光线追踪成为可能。张量核心张量核心(TensorTensor CoreCore):张量核心可以提升:张量核心可以提升GPUGPU的渲染效果同时增强的渲染效果同时增强AIAI计算能力计算能力。张量核心通过深度学习超级采样(DLSS)提高渲染的清晰度、分辨率和游戏帧速率,同时对渲染画面进行降噪处理以实时清理和校正光线追踪核心渲染的画面,提升整体渲染效果。同时张量核心通过低精度混合运算,极大加速了AI运算速度,让计算机视觉、自然语言处理、语言识别和文字转化、个性化推荐等过去CPU难以实现的功能也得以高速完成。1.7 GPU中常见的数据格式和应用场景资料来源:英伟达,中信建投图:图:不同的浮点表示不同的浮点表示图:不同应用场景的常见数据格式图:不同应用场景的常见数据格式图表:不同数据格式的构成和用途图表:不同数据格式的构成和用途 计算机中常用的数据格式包括定点表示和浮点表示计算机中常用的数据格式包括定点表示和浮点表示。定点表示中小数点位置固定不变定点表示中小数点位置固定不变,数值范围相对有限数值范围相对有限,GPUGPU中常用的定点表示有中常用的定点表示有INTINT8 8和和INTINT1616,多用于深度学习的推理过程多用于深度学习的推理过程。浮点表示中包括符号位浮点表示中包括符号位、阶码部分阶码部分、尾数部分尾数部分。符号位决定数值正负,阶码部分决定数值表示范围,尾数部分决定数值表示精度。FP64(双精度)、FP32(单精度)、FP16(半精度)的数值表示范围和表示精度依次下降,运算效率依次提升。除此以外还有TF32、BF16等其他浮点表示,保留了阶码部分但是截断了尾数部分,牺牲数值精度换取较大的数值表示范围,同时获得运算效率的提升,在深度学习中得到广泛应用。数据格式数据格式构成构成用途用途FP641位符号、11位指数、52位尾数常用于对精度要求高的科学计算FP321位符号、8位指数、23位尾数深度学习模型训练的常见格式TF321位符号、8位指数、10位尾数替代FP32数据格式实现深度学习和HPC计算加速FP161位符号、5位指数、10位尾数深度学习越来越偏向使用FP16BF161位符号、8位指数、7位尾数提升AI模型的推理速度和部署灵活性INT88个bit表示一个数字INT8精度相对较低,常用于AI模型的端侧推理科学计算:FP64、FP32AI训练:FP32TF32FP16AI推理:FP16FP8INT8数值精度逐渐提升数值精度逐渐提升运算效率逐渐提升运算效率逐渐提升 GPUGPU应用程序接口应用程序接口(ApplicationApplication ProgrammingProgramming InterfaceInterface,APIAPI):APIAPI是连接是连接GPUGPU硬件与应用程序的编程接口硬件与应用程序的编程接口,有利于高有利于高效执行图形的顶点处理效执行图形的顶点处理、像素着色等渲染功能像素着色等渲染功能。早期由于缺乏通用接口标准,只能针对特定平台的特定硬件编程,工作量极大。随着API的诞生以及系统优化的深入,GPU的API可以直接统筹管理高级语言、显卡驱动及底层的汇编语言,提高开发过程的效率和灵活性。GPUPU应用程序接口主要涵盖两大阵营应用程序接口主要涵盖两大阵营,分别是分别是MicrosoftMicrosoft DirectXDirectX和和KhronosKhronos GroupGroup技术标准技术标准。DirectX提供一整套多媒体解决方案,3D渲染表现突出,但是只能用于windows系统。OpenGL的硬件匹配范围更广,同时在CAD、游戏开发、虚拟现实等高端绘图领域得到广泛应用。此外还包括苹果的Metal API等。1.8 应用程序接口是GPU和应用软件的连接桥梁资料来源:CSDN,中信建投图形图形API平台特征平台特征Direct3DWindowsOpenGL系列OpenGLWindows、类Unix、Linux、MacOSVulkanWindows、Android、LinuxOpenGL ESIOS、AndroidWebGL跨平台MetalAPPLE图:应用程序接口连接图:应用程序接口连接GPUGPU硬件与应用程序硬件与应用程序图表:图表:GPUGPU应用程序接口主要标准应用程序接口主要标准GPU硬件显卡驱动应用程序接口API操作系统OS应用程序 1.9 CUDA架构实现了GPU并行计算的通用化(一)资料来源:CSDN,中信建投 GPGPU相比于CPU,其并行计算能力更强,但是通用灵活性相对较差,编程难度相对较高。在CUDA出现之前,需要将并行计算映射到图形API中从而在GPU中完成计算。CUDACUDA大幅降低大幅降低GPGPUGPGPU并行计算的编程难度并行计算的编程难度,实现实现GPUGPU的通用化的通用化。CUDA是英伟达2007年推出的适用于并行计算的统一计算设备统一计算设备架构架构,该架构可以利用GPU来解决商业、工业以及科学方面的复杂计算问题。CUDA架构的里程碑意义在于,GPU的功能不止局限于图形渲染,实现了GPU并行计算的通用化,把“个人计算机”变成可以并行运算的“超级计算机”。英伟达在推出了CUDA以后,相当于把复杂的显卡编程包装成了一个简单的接口,可以利用CUDA直观地编写GPU核心程序,使得编程效率大幅提升。现在主流的深度学习框架基本都是基于CUDA加速GPU并行计算。图:图:GPUGPU中并行计算过程中并行计算过程图:图:CUDACUDA连接连接GPUGPU与深度学习框架与深度学习框架CUDA兼容各类深度学习框架CUDA仅支持英伟达GPU 资料来源:CSDN,中信建投 CUDACUDA:CUDA采用了一种全新的计算体系结构来调动GPU提供的硬件资源,本质上是应用程序和GPU硬件资源之间的接口。CUDA程序组成包括CUDA库、应用程序编程接口(API)及运行库(Runtime)、高级别的通用数学库。CUDACUDA经过多年优化经过多年优化,形成了独特软硬件配合的生态系统形成了独特软硬件配合的生态系统。其中包括诸多编程语言的开发环境,各种API的第三方工具链,自带的应用于代数运算和图形处理的CUDA库、庞大的应用程序库,从而实现轻松高效的编写、调试优化过程。CUDA提供了对其它编程语言的支持,如C/C ,Python,Fortran等语言。CUDA支持Windows、Linux、Mac各类操作系统。CUDA驱动APICUDA运行期环境CUDA开发库CUDA应用程序GPUCPU函数函数功能功能cuFFT利用CUDA进行快速傅里叶变换的函数库cuBLAS线性代数方面的CUDA库cuDNN利用CUDA进行深度卷积神经网络计算Thrust实现众多并行算法的C 模板库cuSolver线性代数方面的CUDA库。cuRAND随机数生成有关的库图:图:CUDACUDA程序结构程序结构图表:图表:CUDACUDA部分内置函数部分内置函数1.9 CUDA架构实现了GPU并行计算的通用化(二)开发者利用开发者利用开发库快速开发库快速构建自己的构建自己的应用应用应用开发接应用开发接口和运行期口和运行期组件,包括组件,包括数据类型等数据类型等基本函数基本函数硬件设备硬件设备的抽象访的抽象访问接口问接口 第二章第二章GPUGPU市场概述市场概述1818 160亿美元 CAGR:49%GPU市场增长的核心支撑受云厂商资本开支影响短期增速下滑市场规模:51亿美元CAGR:8%GPU市场空间测算GPU市场个人电脑数据中心自动驾驶集成GPU独立GPU22年出货2.83亿台,同比下滑29.8%个人电脑处于下行周期下游板卡厂商去库存虚拟货币显卡挖矿需求锐减2023年下半年或迎来PC市场转折GPU厂商成品库存或以已达顶峰虚拟货币挖矿影响逐步减弱22年出货3808万张,同比下滑22.5%。原因预期AI服务器高性能计算595亿美元 CAGR:32.9%自动驾驶渗透率提升GPU渗透率提升单车价值量提升25亿美元CAGR:44%2.1 GPU市场规模与细分资料来源:Verified Market Research,中信建投 根据根据VerifiedVerified MarketMarket ResearchResearch的预测的预测,20202020年年GPUGPU全球市场规模为全球市场规模为254254亿美金亿美金,预计到预计到20282028年将达到年将达到24652465亿美金亿美金,行业保行业保持高速增长持高速增长,CAGRCAGR为为3232.9 9%,20232023年年GPUGPU全球市场规模预计为全球市场规模预计为595595亿美元亿美元。GPUGPU按应用端划分为按应用端划分为PCPC GPUGPU、服务器服务器GPUGPU、智能驾驶智能驾驶GPUGPU、移动端移动端GPUGPU。PC GPU可以进一步划分为独立显卡和集成显卡。独立显卡主要用作图形设计和游戏,对性能的要求比较高,主要的厂商包括英伟达和AMD;集成显卡通常用在对图形处理性能需求不高的办公领域,主要产商包括Intel和AMD。服务器GPU通常应用在深度学习、科学计算、视频编解码等多种场景,主要的厂商包括英伟达和AMD,英伟达占主导地位。在自动驾驶领域,GPU通常用于自动驾驶算法的车端AI推理,英伟达占据主导地位。图:图:GPUGPU整体市场规模(亿美金)整体市场规模(亿美金)图表:图表:GPUGPU的构成分类和生产厂商的构成分类和生产厂商类别类别主要领域主要领域主要厂商主要厂商PCGPU独立显卡图形设计/游戏NVIDIA、AMD集成显卡办公Intel、AMD服务器GPUAI训练/AI推理/HPC计算NVIDIA、AMD智能驾驶GPUAI推理NVIDIA移动端GPU图形显示Imagination、高通、ARM2542465050010001500200025003000 2.2 PC显卡市场迎来至暗时刻后的光明图:图:PCPC端不同类型显卡出货量情况端不同类型显卡出货量情况(百万台百万台)图:图:PCPC显卡市场市场份额变动(按出货量)显卡市场市场份额变动(按出货量)图:独立显卡厂商的出货量情况(百万台)图:独立显卡厂商的出货量情况(百万台)资料来源:Jon Peddie Research,中信建投 独立显卡市场开始逐渐回暖独立显卡市场开始逐渐回暖。根据Jon Peddie Research的数据,2022年独立GPU出货量下降至3808万台,同比下降22.5%,22Q3单季度出货690万台,同比下降45.7%,是十年以来最大的一次下滑,独立显卡出货情况22Q4开始逐渐转暖。集成显卡出货情况仍然不容乐观集成显卡出货情况仍然不容乐观。2022年集成GPU出货量为2.83亿台,同比下滑29.8%。疫情期间的居家办公需求带动了笔记本电脑的消费增长,集成显卡的购买激增一定程度上过早消耗了市场需求,后疫情时代,笔记本电脑端需求减弱叠加供应商的过剩库存导致集成显卡出货不断走低。我们认为我们认为20222022年独立显卡出货遭遇巨大下滑的原因有三点:一年独立显卡出货遭遇巨大下滑的原因有三点:一、受宏观经济影响受宏观经济影响,个人电脑市场处于下行周期;二个人电脑市场处于下行周期;二、部分部分独立独立GPUGPU参与虚拟货币挖矿参与虚拟货币挖矿,以太坊合并对独立以太坊合并对独立GPUGPU出货造成巨大冲击;三出货造成巨大冲击;三、下游板卡厂商开启降库存周期下游板卡厂商开启降库存周期。107.23111.5388.2896.8182.6273.6368.658.5711.7711.4712.7213.1913.3810.376.97.430246810121416020406080100120140集成显卡出货独立显卡出货6.99.011.610.110.58.27.87.16.95.07.78.16.67.48.99.09.49.210.010.210.08.26.06.22.73.74.55.25.64.62.71.72.02.42.83.62.92.12.62.02.42.32.73.03.22.10.70.80.40.02.04.06.08.010.012.014.02017Q12017Q22017Q32017Q42018Q12018Q22018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q4英伟达AMDIntel71%0 0Pp%Q2 2009Q1 2010Q4 2010Q3 2011Q2 2012Q1 2013Q4 2013Q3 2014Q2 2015Q2 2016Q1 2017Q4 2017Q3 2018Q2 2019Q1 2020Q4 2020Q3 2021Q2 2022IntelAMDNvidia 2.3 因素一:个人电脑市场依旧处于下行周期 个人电脑市场保持疲软状态个人电脑市场保持疲软状态。根据IDC数据,2022年全年PC出货量为2.92亿台,同比下降15.5%,2022Q4全球PC出货量仅为6720万台,同比下降28.1%。IDC预测2023年个人电脑市场全年出货2.608亿台,全年同比下降10.7%。按照2023年的整体出货量情况,我们对四个季度的出货情况做了进一步预测,预计2023Q2-2023Q3后个人电脑出货将迎来逐季度好转。下游下游PCPC厂商库存情况得到改善厂商库存情况得到改善。当前个人电脑市场正处在PC厂商去库存周期,根据PC厂商的财报披露,华硕和联想的库存天数已经开始减少,其余三家(惠普、戴尔、宏碁)的库存天数并未显著降低,由于所有厂商都在积极采取行动减少产量,预计下游PC厂商库存情况会进一步改善,2023Q3可能恢复到正常库存情况。图:个人电脑图:个人电脑出货情况及预期出货情况及预期图:图:PCPC厂商存货周转天数厂商存货周转天数资料来源:IDC,wind,中信建投备注:2023年分季度PC出货量为中信建投预测8483.686.792.780.571.374.267.262.261.265.273.3010203040506070809010021Q1 21Q2 21Q3 21Q4 22Q1 22Q2 22Q3 22Q4 23Q1 23Q2 23Q3 23Q4PC出货量出货量预测020406080100120140160180华硕惠普联想宏碁戴尔 2.4 因素二:显卡挖矿市场出现转折,以太坊转向权益证明 以太坊以太坊ETHETH占据显卡挖矿主要市场占据显卡挖矿主要市场。根据MESSARI数据,在采用GPU挖矿的前7名虚拟货币中,以太坊ETH挖矿收入占GPU矿工总收入的97%。比特币、莱特币等虚拟货币多采用功耗更低的ASIC矿机。20222022年年9 9月月1515日日,以太坊运行机制全面升级以太坊运行机制全面升级,从以太坊从以太坊1 1.0 0的工作量证明机制的工作量证明机制(PoWPoW)转向以太坊转向以太坊2 2.0 0的权益证明机制的权益证明机制(PoSPoS),在工作量证明机制中,需要通过累积显卡提升计算能力,计算能力越强获得记账收益的概率越大;在权益证明机制中,只需通过质押虚拟货币获得收益,质押的虚拟货币数量越大获得记账收益的概率越高。以太坊全面合并后不再需要购入大量显卡、投入计算资源用于挖矿,是显卡挖矿市场的重要转折点。图:图:以太坊占据以太坊占据97%的的GPUGPU挖矿市场收益挖矿市场收益图:以太坊由工作量证明机制转向权益证明机制图:以太坊由工作量证明机制转向权益证明机制资料来源:MESSARI,以太坊,中信建投2022.9.15 2.5 因素二:以太坊合并预计约500万张二手显卡流入市场 挖矿用显卡平均哈希率为挖矿用显卡平均哈希率为4646Mh/sMh/s。根据Hive OS矿池数据,通过不同型号显卡的哈希率和占比情况统计,估算得到衡量显卡挖矿能力的平均哈希率为46Mh/s。以太坊合并后显卡需求降至零以太坊合并后显卡需求降至零。根据以太坊全网算力,测算得到用于以太坊挖矿的GPU数量在2022年5月达到巅峰,大概为2573万张,2022年9月降至2008万张,在以太坊合并之后,显卡需求降至零。如果按照如果按照2020%回收比例测算回收比例测算,约约500500万张存量显卡将流入二手市场万张存量显卡将流入二手市场,预计带来的不利影响在预计带来的不利影响在20222022Q Q4 4-20232023Q Q1 1之间结束之间结束。图表:图表:虚拟货币挖矿用显卡统计虚拟货币挖矿用显卡统计图:用于以太坊挖矿的显卡数量测算(万张)图:用于以太坊挖矿的显卡数量测算(万张)资料来源:Hive OS,etherscan,中信建投型号型号哈希率哈希率Mh/s占比占比Radeon RX 580 3010.1%NVIDIA RTX 307062.00 9.4%NVIDIA GTX 1660 SUPER32.00 7.9%NVIDIA RTX 3060 Ti LHR 60.00 5.8%NVIDIA RTX 2060 SUPER43.00 4.3%NVIDIA RTX 3060 Ti62.00 4.3%Radeon RX 570 303.9%NVIDIA RTX 3080100.00 3.6%Radeon RX 5700 XT523.5%Radeon RX 6600302.3%其他45 44.8%平均462573 2008 0500100015002000250030002016-072016-102017-012017-042017-072017-102018-012018-042018-072018-102019-012019-042019-072019-102020-012020-042020-072020-102021-012021-042021-072021-102022-012022-042022-072022-102023-01 051015202502004006008001000120014001600180020002017Q12017Q22017Q32017Q42018Q12018Q22018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q4台湾板卡厂商原材料库存(亿台币)英伟达成品库存(亿美元)2.6 因素三:GPU厂商库存迎来好转,高端显卡价格企稳回升 GPUGPU厂商库存情况即将迎来好转厂商库存情况即将迎来好转。根据Bloomberg数据,GPU下游四家台湾板卡厂商(华硕、技嘉、微星、华擎)自2022年一季度原材料库存达到历史高位以后,连续两个季度库存环比降低,当前原材料库存相比最高峰下降28%。复盘历史可见,GPU厂商成本库存高峰多于台湾板卡厂商原材料库存2-3季度后到来,我们预计我们预计GPUGPU厂商的成品库存将于厂商的成品库存将于20222022Q Q4 4到达顶峰到达顶峰。高端显卡价格开始企稳回升高端显卡价格开始企稳回升。根据Amazon上的显卡价格跟踪,英伟达和AMD的高端显卡在2022年10月以后均实现了不同程度的价格回升,例如RTX 3080价格上涨30%,RTX 3090价格上涨28%,显卡价格的回升意味着渠道商库存正逐步回归到正常水平,高端显卡受挖矿市场冲击更为剧烈,高端显卡价格上涨从侧面也能观察到挖矿市场带来的不利影响正在逐渐消失。图:台湾板卡厂商原材料库存与图:台湾板卡厂商原材料库存与GPUGPU厂商成品库存情况厂商成品库存情况图:图:AmazonAmazon显卡价格跟踪(美元)显卡价格跟踪(美元)资料来源:Bloomberg,Amazon,中信建投0500100015002000250030003500RTX 3060RTX 3080RTX 3080 TiRTX 3090GTX 1650GTX 2060RX 6900 在数据中心在数据中心,GPUGPU被广泛应用于人工智能的训练被广泛应用于人工智能的训练、推理推理、高性能计算高性能计算(HPCHPC)等领域等领域。预训练大模型带来的算力需求驱动人工智能服务器市场快速增长预训练大模型带来的算力需求驱动人工智能服务器市场快速增长。巨量化是人工智能近年来发展的重要趋势,巨量化的核心特点是模型参数多,训练数据量大。Transformer模型的提出开启了预训练大模型的时代,大模型的算力需求提升速度显著高于其他AI模型,为人工智能服务器的市场增长注入了强劲的驱动力。根据Omdia数据,人工智能服务器是服务器行业中增速最快的细分市场,CAGR为49%。战略需求推动战略需求推动GPUGPU在高性能计算领域稳定增长在高性能计算领域稳定增长。高性能计算(HPC)提供了强大的超高浮点计算能力,可满足计算密集型、海量数据处理等业务的计算需求,如科学研究、气象预报、计算模拟、军事研究、生物制药、基因测序等,极大缩短了海量计算所用的时间,高性能计算已成为促进科技创新和经济发展的重要手段。图:大模型时代人工智能算力需求显著提升图:大模型时代人工智能算力需求显著提升图:图:Top500Top500超级计算机算力总和保持指数级上升超级计算机算力总和保持指数级上升图:中国各类服务器的市场份额(亿)图:中国各类服务器的市场份额(亿)资料来源:英伟达,Top500.org,Frost&Sullivan,中信建投2.7 GPU在数据中心的应用蕴藏巨大潜力0100200300400500201620172018201920202021 2022E 2023E 2024E 2025EAI服务器业务服务器通用服务器HPC服务器 自然语言大模型参数巨量化是行业发展趋势所向自然语言大模型参数巨量化是行业发展趋势所向。以ChatGPT为代表的人工智能模型表现出高度的智能化和拟人化,背后的因素在于自然语言大模型表现出来的涌现能力和泛化能力,模型参数到达千亿量级后,可能呈现性能的跨越式提升,称之为涌现能力;在零样本或者少样品学习情景下,模型仍表现较强的迁移学习能力,称之为泛化能力。两种能力都与模型参数量密切相关,人工智能模型参数巨量化是重要的行业发展趋势。预训练大模型进入千亿参数时代预训练大模型进入千亿参数时代,模型训练算力需求迈上新台阶模型训练算力需求迈上新台阶。自GPT-3模型之后,大规模的自然语言模型进入了千亿参数时代,2021年之后涌现出诸多千亿规模的自然语言模型,模型的训练算力显著增加。ChatGPT模型参数量为1750亿,训练算力需求为3.14*1023flops,当前各种预训练语言模型还在快速的更新迭代,不断刷新自然语言处理任务的表现记录,单一模型的训练算力需求也不断突破新高。图:超大规模自然语言模型的发展历程图:超大规模自然语言模型的发展历程图:预训练自然语言大模型的算力需求图:预训练自然语言大模型的算力需求资料来源:stateof AI 2022,Language Models are Few-Shot Learners,中信建投2.8 大模型带来人工智能算力的旺盛需求ChatGPTGPGPT T-3 3(1(17 75 5B B)PaPan n-GuGu (2 20 00 0B B)HyHyp pe erCrCL LO OV VA A (2 20 04 4B B)JuJur ra as ss si i c c-1 1 J Ju um m b bo o (204B204B)FLFLA AN N (1 13 37 7B B)J une 2020M ay 2021M eM eg ga at tr ro on n TuTur ri i n ng g-NLNLG G (1 13 37 7B B)YuYua an n 1.1.0 0(246B246B)Sep 2021GoGop ph he er r (2 28 80 0B B)ErErn ni i e e 3 3.0 0 T Ti i t ta an n (2 26 60 0B B)L La aM DM DA A (2 28 80 0B B)J an 2022GPGPT T-j j (6 6B B)GPGPT T-NeNeo oX X (2 20 0B B)Aug 2021P Pa aL LM M (5 54 40 0B B)OPOPT T (1 17 75 5B B)B BL LO OO OM M (1 17 76 6B B)G GL LM M (1 13 30 0B B)M ay 2022Aug 2022ChChi i n nc ch hi i l l l la a (7(70 0B B)chcha at tG GP PT TNov 2022 大模型的算力需求主要来自大模型的算力需求主要来自于三个环节:于三个环节:预训练得到大模型的训练环节预训练得到大模型的训练环节。该环节中,算力呈现海量需求且集中训练的特点,大模型通常在数天到数周内在云端完成训练。模型的训练算力与模型参数量、训练数据量有关,以ChatGPT的训练为例,单次模型训练需要2000张英伟达A100显卡不间断训练27天。适应下游领域时进一步适应下游领域时进一步fine-tune环节环节。算力需求取决于模型的泛化能力以及下游任务的难度情况。大模型日常运行时的推理环节大模型日常运行时的推理环节。大模型的日常运行中每一次用户调用都需要一定的算力和带宽作为支撑,单次推理的计算量为2N(N为模型参数量),例如1750亿参数的ChatGPT模型1k tokens的推理运算量为2*1750*108*103=3.5*1014flops=350 Tflops。近期ChatGPT官网吸引的每日访客数量接近5000万,每小时平均访问人数约210万人,假定高峰时期同时在线人数450万人,一小时内每人问8个问题,每个问题回答200字,测算需要14000块英伟达A100芯片做日常的算力支撑。大模型在融入搜索引擎或以app形式提供其他商业化服务过程中,其AI芯片需求将得到进一步的显著拉动。资料来源:similarweb,中信建投2.9 大模型带来AI芯片需求的显著拉动图:大模型的算力需求图:大模型的算力需求图:图:OpenAIOpenAI官网每日访问量(百万人)官网每日访问量(百万人)图:图:bingbing搜索每日访问量(百万搜索每日访问量(百万人)人)303234363840424446480102030405012/1/221/1/232/1/23桌面端移动端ChatGPTChatGPT加入加入bingbingChatGPTChatGPT开放开放 根据根据OmdiaOmdia数据数据,20192019年全球人工智能服务器市场规模为年全球人工智能服务器市场规模为2323亿美金亿美金,20262026年将达到年将达到376376亿美金亿美金,CAGRCAGR为为4949%。根据IDC数据,2020年中国数据中心用于AI推理的芯片的市场份额已经超过50%,预计到2025年,用于AI推理的工作负载的芯片将达到60.8%。人工智能服务器通常选用CPU与加速芯片组合来满足高算力要求,常用的加速芯片有GPU、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、神经拟态芯片(NPU)等。GPUGPU凭借其强大的并行运算能力凭借其强大的并行运算能力、深度学习能力深度学习能力、极强的通用性和成熟的极强的通用性和成熟的软件生态软件生态,成为数据中心加速的首选成为数据中心加速的首选,9090%左右的左右的AIAI服务器采用服务器采用GPUGPU作为加速芯片作为加速芯片。图:全球人工智能芯片市场规模(亿美金)图:全球人工智能芯片市场规模(亿美金)图:图:人工智能服务器工作负载预测人工智能服务器工作负载预测图:人工智能服务器加速芯片类型图:人工智能服务器加速芯片类型资料来源:Omdia,IDC,中信建投2.10 AI服务器是GPU市场规模增长的重要支撑59.1H.5D.5C.5A.59.39.2.9Q.5U.5V.5X.5.7.8%0 0Pp0 1920202021E 2022E 2023E 2024E 2025EAI训练AI推理0 0Pp0 1920202021GPU其他加速芯片23160376050100150200250300350400201920202021E2022E2023E2024E2025E2026EAI服务器市场规模 北美云厂商资本开支有所放缓北美云厂商资本开支有所放缓。人工智能服务器多采取公有云、私有云加本地部署的混合架构,我们以北美四家云厂商资本开支情况来跟踪人工智能服务器市场需求变动,2022年四家云厂商资本开支合计1511亿美元,同比增长18.5%。Meta预计2023年资本开支的指引为300-330亿美元之前,与2022年基本持平,低于此前22Q3预计的340亿到390亿美元;谷歌预计2023年资本开支将于2022年基本持平,但是会加大AI及云服务的建设投资。信骅科技短期营收下滑有所缓解信骅科技短期营收下滑有所缓解。作为全球最大的BMC芯片企业,信骅科技(Aspeed)的营收变化情况一般领先云厂商资本开支一个季度,其月度营收数据可以作为云厂商资本开支的前瞻指标,信骅科技近期营收下滑有所缓解。图:北美四家云厂商资本开支情况(百万美元)图:北美四家云厂商资本开支情况(百万美元)图:图:ASPEEDASPEED营收及增速情况营收及增速情况资料来源:Bloomberg,ASPEED,中信建投2.11 受云厂商资本开支影响AI服务器市场或将短期增速放缓-50%0P00 0%000010000150002000025000300003500040000450002017Q12017Q22017Q32017Q42018Q12018Q22018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q4亚马逊微软谷歌Meta亚马逊YoY微软YoY谷歌YoYMeta YoY-60%-40%-20%0 0%0.001.002.003.004.005.006.002020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-01营收(亿TWD)YoY GPGPUGPGPU在高性能计算领域渗透率不断提升在高性能计算领域渗透率不断提升。在高性能计算领域,CPU GPU异构协同计算架构得到越来越多的应用,全球算力前500的超级计算机中,有170套系统采用了异构协同计算架构,其中超过90%以上的加速芯片选择了英伟达的GPGPU芯片。GPUGPU在超算服务器中的市场规模保持稳定增长在超算服务器中的市场规模保持稳定增长。根据Hyperion Research数据,全球超算服务器的市场规模将从2020年的135亿美金上升到2025年的199亿美金,按照GPU在超算服务器中成本占比为27.3%核算,GPU在超算服务器中的市场规模将从2020年的37亿上升至2025年的54亿美金,CAGR为8%。图:图:Top500Top500超算服务器中加速芯片使用情况超算服务器中加速芯片使用情况图:不同类型服务器的成本占比图:不同类型服务器的成本占比图:图:GPUGPU在超算中的市场规模(亿美元)在超算中的市场规模(亿美元)资料来源:top500.org,IDC,中信建投2.12 GPU在超算服务器中的市场规模保持稳定增长32.0#.3%.0%9.8.3%.0r.8&.8%.6.0%8.7.0%2.9.0#.3 .9%.0%8.7%0 0Pp0%基础服务器 高性能服务器AI推理机器学习型CPUGPU内存辅存其他135.2145.5169.5185.7199.5199.036.939.746.350.754.554.30.050.0100.0150.0200.0250.020202021E2022E2023E2024E2025E超算服务器市场规模GPU在超算服务器中的市场规模 2.13 自动驾驶领域GPU市场保持高成长性 在自动驾驶领域在自动驾驶领域,各类自动驾驶芯片得到广泛的应用各类自动驾驶芯片得到广泛的应用。根据Yole数据,全球自动驾驶市场2025年将达到780亿美金,其中用于自动驾驶的AI芯片超过100亿美元。自动驾驶自动驾驶GPUGPU市场保持较高高成长性市场保持较高高成长性。我们根据ICV Tank的自动驾驶渗透数据,假设GPU在L2中渗透率15%,在L3-L5中渗透率50%,估算得到GPU在自动驾驶领域的市场规模,整体规模将从2020年的7.1亿美元上升至2025年的44亿美金,CAGR为44%。资料来源:ICVTank,Yole,中信建投图:自动驾驶图:自动驾驶渗透率逐步提升渗透率逐步提升图:图:GPUGPU在自动驾驶领域的市场规模(亿美元)在自动驾驶领域的市场规模(亿美元)2330180013091029743598535194830703307346234853298253110801947263431923893471260103614287298180010002000300040005000600070008000900010000202020212022E2023E2024E2025E2026EL0L1L2L3L4-L524.5336.3847.3259.5575.41104.567.0713.4119.3025.0733.9743.8902040608010012020202021E2022E2023E2024E2025E自动驾驶AI芯片GPU在自动驾驶市场规模 第三章第三章人工智能芯片人工智能芯片的引领者的引领者英伟达英伟达3333 英伟达英伟达(NVIDIANVIDIA)创立于创立于19931993年年,是一家专注于智能芯片设计和图形处理技术的半导体公司是一家专注于智能芯片设计和图形处理技术的半导体公司。公司产品应用领域包括游戏、数据中心、专业可视化、自动驾驶等,针对具体场景特点,英伟达推出了一系列特定优化的芯片和服务器,同时积极打造相应的软件生态,成为GPU领域的龙头企业。公司当前不仅满足于芯片设计厂商的定位,在芯片、服务器等硬件设施之上,开发CUDA、DOCA等基础软件架构,不断丰富其软件生态,形成了软件业务的全栈式解决方案,最终在应用层面上提供AI计算、高性能计算、自动驾驶、云游戏、元宇宙等众多计算服务,公司已从一家公司已从一家GPUGPU公司成功转型计算平台企业公司成功转型计算平台企业。3.1 GPU领域龙头英伟达发展史资料来源:CSDN,中信建投2017201220062010201620142018Tesla第一个统一着色器微架构引入CUDA90/65/55 nmFermi支持ECC流式多处理器支持GDDR5显存40/28 nmKepler支持PCIe3.0动态并行计算28 nmMaxwellSMM流处理器动态高分辨率技术28 nmPascalHBM2的CoWoS技术GPU动态超频3.016 nmVolta引入Tensor Core改进MPS12 nmTuring配备专用的RT Core深度学习超采样(DLSS)GDDR6显存12 nm2020Ampere二代RT CorePCIe4.08/7 nm2022Hopper四代 Tensor Core FP8 浮点格式Transformer 引擎四代NVLink 互连技术4nm图:图:英伟达英伟达GPUGPU微架构演进历程微架构演进历程 3.2 英伟达四大业务下的主要产品体系资料来源:英伟达官网,中信建投图:英伟达主要产品体系图:英伟达主要产品体系游戏游戏&娱乐娱乐占FY2023营收33.6%数据中心数据中心占FY2023营收55.6%专业可视化专业可视化占FY2023营收5.7%汽车业务汽车业务占FY2023营收3.4%GeForce系列Quadro系列Tesla系列RTX studio驱动MAX-Q技术GeForce Now云游戏平台硬件产品软件技术开发平台云端处理器NGC软件优化中心HPC软件开发包SDKCUDA架构虚拟GPU平台云XR平台AI增强会议软件Sudio平台MAXINE视频增强自动驾驶芯片DRIVEDRIVE OSOSDRIVEDRIVE WorksWorksDRIVEDRIVE AVAVDRIVEDRIVE ChauffeurChauffeurDRIVEDRIVE IXIXDRIVEDRIVE ConciergeConciergeDRIVEDRIVE MapMapDRIVEDRIVE HyperionHyperion开发平台DRIVEDRIVE SDKSDK模块式开放平台DRIVEDRIVE SimSim模拟仿真平台DRIVEDRIVE DGXDGXDNN训练平台Omniverse 设计平台 3.3 公司盈利能力历史表现优异 公司FY2023年实现营业收入269.74亿美元,与FY2022年同比基本持平。数据中心业务保持快速增长趋势,游戏业务、专业可视化业务营收相对下滑。FY23Q4营业收入为60.5亿美元,同比下降21%,但是环比提升2%,收入业绩的恢复性增长主要得益于游戏业务的快速复苏。公司FY24Q1营收指引为65亿,整体业务重回环比正增长阶段。FY2023年GAAP净利润43.68亿美元,同比下降55.21%。第四季度GAAP净利润6.8亿美元,同比下降72%。FY2023财年游戏显卡以及数据中心计算芯片的需求相对疲软,供大于求带来了较高的库存水平,导致了大额的资产减值损失,净利润水平有所下滑。图:图:英伟达营业收入及增速英伟达营业收入及增速(亿美元)(亿美元)图:图:英伟达净利润及增速英伟达净利润及增速(亿美元)(亿美元)269.74650.22%-20%-10%0 0Pp0100150200250300营业收入营收指引YoY43.68-55.21%(100%)(50%)0P00 00406080100120净利润YoY资料来源:英伟达年报,中信建投备注:英伟达财年为上年1月31日至当年1月30日 46.309.433.60U.63%3.4 2022年公司营收结构发生较大变化资料来源:英伟达年报,中信建投 公司FY2023营收结构发生较大变化,数据中心业务成为主要收入来源,占比55.63%,游戏业务占比下滑。FY2023数据中心业务营收达150亿美金,同比增长55.6%,该业务是公司的未来成长引擎,得益于人工智能算力的需求高增,业务保持中长期良好增长态势,FY23Q4受云厂商资本开支影响,以及中国市场需求相对疲软,营收略有下滑。FY2023游戏业务营收为90.6亿美金,同比下滑27.3%,营收占比为33.6%。FY23Q2后,受显卡市场冲击,游戏业务营收连续两个季度下滑,FY23Q4得到恢复性增长。FY2023专业可视化业务营收达15.44亿美金,同比下滑26.7%。FY2023汽车业务营收达到9.03亿美元,同比增长59.5%,主要受益于自动驾驶解决方案的销售增长,营收占比从2021年的2.1%上升到3.35%。FY2022(里圈)FY2023(外圈)13.3916.5422.7124.9527.630.6132.2134.236.220.4215.718.311.4117.521919.0320.4823.6629.3632.6337.538.0638.336.265 0102030405060708090游戏&娱乐数据中心专业可视化汽车业务其他业务营收指引图:图:英伟达主营业务收入构成(亿美元)英伟达主营业务收入构成(亿美元)图:图:英伟达主营业务营收占比情况英伟达主营业务营收占比情况 3.5 公司盈利能力水平恢复 近期公司整体毛利率近期公司整体毛利率、净利率总体恢复到良好水平净利率总体恢复到良好水平。英伟达成立之初,公司的毛利率只有30% ,规模效应促使毛利率在2011年达到50%以上。随着数据中心业务占比不断提升,单价近万美元的Tesla系列加速卡的规模化出货又进一步提升毛利率。FY2022年毛利率提升至64.93%。FY23Q1-Q3公司毛利率水平有所下降,Q3毛利率为43.48%,主要原因是库存和相关储备导致较大的资产减值损失。得益于RTX 40系列显卡的推出,FY23Q4重回63.34%的良好水平。公司研发支出不断增长公司研发支出不断增长,研发费用率基本保持在研发费用率基本保持在1818%以上以上,以提高在以提高在AIAI领域中的竞争优势领域中的竞争优势。公司研发投入处于行业较高水平,FY2023年研发费用率为25.75%,保持较高研发投入。资料来源:Bloomberg,中信建投43.48c.34#.37%0 0Pp%FY18Q1FY18Q2FY18Q3FY18Q4FY19Q1FY19Q2FY19Q3FY19Q4FY20Q1FY20Q2FY20Q3FY20Q4FY21Q1FY21Q2FY21Q3FY21Q4FY22Q1FY22Q2FY22Q3FY22Q4FY23Q1FY23Q2FY23Q3FY23Q4毛利率净利率32.2%0%5 %05101520FY18Q1FY18Q2FY18Q3FY18Q4FY19Q1FY19Q2FY19Q3FY19Q4FY20Q1FY20Q2FY20Q3FY20Q4FY21Q1FY21Q2FY21Q3FY21Q4FY22Q1FY22Q2FY22Q3FY22Q4FY23Q1FY23Q2FY23Q3FY23Q4研发费用研发费用率图:图:公司毛利率、净利率公司毛利率、净利率图:图:英伟达研发投入情况(亿美元)英伟达研发投入情况(亿美元)3.6 公司游戏业务简介 公司在游戏领域的产品主要包括:公司在游戏领域的产品主要包括:GPUGPU芯片和硬件产品芯片和硬件产品、GeForceGeForce NowNow云游戏平台等云游戏平台等。GPUGPU硬件产品主要包括硬件产品主要包括GeForceGeForce RTXRTX系列显卡和系列显卡和GeForceGeForce GTXGTX系列显卡系列显卡。GeForce RTX公司2019年推出的新一代具备先进的光线追踪和AI技术的游戏显卡,采用深度学习采样DLSS及NVIDIA Broadcast等全新前沿AI技术。GeForce GTX系列最早在2007年推出,不含DLSS和光线追踪技术,性价比相对较高,在市场上仍占有相当重要的地位。市场寒冬过后市场寒冬过后,英伟达游戏业务开始逐步回暖英伟达游戏业务开始逐步回暖。受显卡市场影响,FY23Q2以来,英伟达游戏业务收入大幅下滑,FY23Q3单季度同比下滑51.2%,FY23Q4游戏业务开始回暖。图:英伟达游戏业务单季度营图:英伟达游戏业务单季度营收(亿美元)收(亿美元)图:独立图:独立GPUGPU市场份额占比市场份额占比资料来源:英伟达年报,中信建投84%5%0 0Pp0%Q4 2002Q3 2003Q2 2004Q1 2005Q4 2005Q3 2006Q2 2007Q1 2008Q4 2008Q3 2009Q2 2010Q1 2011Q4 2011Q3 2012Q2 2013Q1 2014Q4 2014Q3 2015Q2 2016Q1 2017Q4 2017Q3 2018Q2 2019Q1 2020Q4 2020Q3 2021Q2 2022NVIDIAAMDINTEL13.3916.5422.7124.9527.630.6132.2134.236.220.4215.718.30510152025303540FY21Q1FY21Q2FY21Q3FY21Q4FY22Q1FY22Q2FY22Q3FY22Q4FY23Q1FY23Q2FY23Q3FY23Q4 3.7 GPU性能增强带动ASP持续提升产品型号产品型号单价(元)单价(元)CUDA Core核心数核心数显存容量显存容量GeForce RTX4090129991638424GBGeForce RTX40809499972816GBGeForce RTX 3090119991049624 GBGeForce RTX 3080 Ti89991024012 GBGeForce RTX 308054998960/870412 GB/10 GBGeForce RTX 3070 Ti449961448 GBGeForce RTX 3070389958888 GBGeForce RTX 3060 Ti299948648 GBGeForce RTX 30602499358412 GBGeForce RTX 3050189925608 GB 英伟达不断推出性能更高的新产品英伟达不断推出性能更高的新产品。英伟达每年都会发布多款GPU产品,新产品的晶体管数目、制程、CUDA核心数、显存容量、渲染和运算能力等方面均有提升。单个单个GPUGPU的的ASPASP不断提升不断提升。GeForce RTX价值量提升明显,RTX 4090显卡比2020年3090首发时贵了8%,而4080比3080Ti贵了6%。图表:英伟达图表:英伟达RTXRTX系列产品单价及性能系列产品单价及性能图:英伟达产品图:英伟达产品ASPASP持续上升(美元)持续上升(美元)资料来源:英伟达官网,bloomberg,中信建投020406080100120140160180200英伟达ASPAMD ASP 3.8 公司游戏GPU具有显著的技术优势图:图:AdaAda架构实现性能的显著提升架构实现性能的显著提升图:显卡天梯图图:显卡天梯图图:图:steamsteam用户显卡统计用户显卡统计 GeForceGeForce RTXRTX 4040系列显卡实现游戏性能的大幅提升系列显卡实现游戏性能的大幅提升。GeForce RTX 40系列显卡采用英伟达Ada Lovelace架构,采用第三代RT Core技术实现全景光追性能提升至4倍,DLSS 3技术让渲染帧率成倍增加,配合着色器执行重排序技术、NvidiaReflex等技术使其性能相较于Ampere架构提升至两倍以上。资料来源:英伟达,中信建投 3.9 云游戏业务有望成为未来游戏业务支柱 全球云游戏市场增长迅速全球云游戏市场增长迅速。根据IDC的数据,2020年全球云游戏市场规模为49亿元,2025年全球云游戏市场规模将达到742.1亿元,预期年均复合增速72%。谷歌、微软、索尼、Facebook、NVIDIA、Valve、腾讯,以及各大游戏厂商纷纷布局云游戏业务。英伟达英伟达GeForceGeForce NowNow云游戏有望成为未来游戏业务支柱云游戏有望成为未来游戏业务支柱。GeForce Now目前已支持1500余款游戏,支持Steam、Epic Games、GOG.com等游戏启动器,覆盖75个国家和地区。2023年CES大会上,英伟达宣布GeForce NOW云游戏服务登陆汽车平台,首批支持汽车品牌包括比亚迪、现代、起亚、捷尼赛思以及Polestar极星。图:全球云游戏市场规模图:全球云游戏市场规模(亿元亿元)图:图:GeForce NowGeForce Now云游戏登录汽车平台云游戏登录汽车平台资料来源:IDC,英伟达,中信建投49114.1203.2348.8539.4742.1010020030040050060070080020202021E2022E2023E2024E2025E 3.10 公司逐步成为全球AI芯片领域的主导者图:公司数据中心主要产品图:公司数据中心主要产品图:公司数据中心业务单季度营收(亿美元)图:公司数据中心业务单季度营收(亿美元)英伟达的通用计算芯片具备优秀的硬件设计英伟达的通用计算芯片具备优秀的硬件设计,通过通过CUDACUDA架构等全栈式软件布局架构等全栈式软件布局,深度挖掘芯片硬件的性能极限深度挖掘芯片硬件的性能极限,在各类下在各类下游应用领域中游应用领域中,均推出了高性能的软硬件组合均推出了高性能的软硬件组合,逐步成为全球逐步成为全球AIAI芯片领域的主导者芯片领域的主导者。早期英伟达在数据中心的产品布局主要为GPU加速服务器。通过不同型号的GPU加速器与CPU、DPU等其他硬件产品组合以及软件的开发,英伟达还推出了面向高性能计算(HPC)、人工智能(DGX)、边缘计算(EGX)等领域中的硬件产品。资料来源:英伟达官网,中信建投11.4117.521919.0320.4823.6629.3632.6337.538.0638.336.2051015202530354045数据中心GPGPUDGX服务器通用计算适用AI计算HGX服务器适用HPC、AI计算EGX服务器适用边缘计算NGC加速软件HPC、AI加速虚拟GPU调用云端GPU 3.11 数据中心业务核心优势一:AI计算能力不断提升图表:英伟达图表:英伟达GPGPUGPGPU性能指标性能指标图图:不同型号不同型号GPGPUGPGPU的性能比对的性能比对图图:英伟达英伟达GPUGPU实现实现TransformerTransformer模型加速模型加速资料来源:英伟达官网,中信建投型号型号H100H100A100A100A800A800V100V100FP64(TFlops)349.79.77.8FP32(TFlops)6719.519.515.7FP16(TFlops)133.87878-INT8 Tensor(Tops)395812481248-GPU显存(GB)80808032显存带宽(GB/s)335020392039900互连(GB/s)900600400300功耗(W)700400400300发布时间2022.032020.032022.112017.5 从英伟达从英伟达GPGPUGPGPU芯片发展历程来看芯片发展历程来看,通过不断提升计算单元数量和引入张量核心通过不断提升计算单元数量和引入张量核心,实现了计算能力的提升实现了计算能力的提升。每一代新型架构下的GPGPU均实现了各种数据格式下计算能力的提升,同时通过张量核心的引入,大幅提升高性能计算和AI计算能力。在人工智能领域在人工智能领域,公司公司TransformerTransformer引擎技术实现引擎技术实现TransformerTransformer模型的加速运行模型的加速运行。Transformer模型是当前自然语言处理的主流模型,并且越来越多应用在计算机视觉等其他深度学习领域。公司Transformer引擎是一种定制Tensor Core技术,针对Transformer模型的每一层参数进行分析,灵活使用混合精度从而显著提升模型运行速度。公司与云服务供应商加强合作公司与云服务供应商加强合作,实现实现AIAI算力云化算力云化。2023春季GTC大会上,英伟达宣布与谷歌云、微软Azure、甲骨文云联手推出DGX云服务,为中小型企业提供了更加便捷的AI算力获取方式。00.20.40.60.81FP64(TFlops)FP32(TFlops)FP16(TFlops)INT8(Tops)GPU显存(GB)显存带宽(GB/s)互连(GB/s)功耗(W)H100A100A800V100 3.12 数据中心业务核心优势二:芯片互联能力不断提升 人工智能领域进入千亿参数的大模型时代人工智能领域进入千亿参数的大模型时代,AIAI算力需求不断增长算力需求不断增长,在这种趋势下在这种趋势下,对数据中心的协同计算能力要求越来越对数据中心的协同计算能力要求越来越高高,对于能够在对于能够在GPUGPU之间实现无缝高速通信的多节点之间实现无缝高速通信的多节点、多多GPUGPU系统的需求也在与日俱增系统的需求也在与日俱增。NVIDIANVIDIA NVLinkNVLink技术最大化地提升技术最大化地提升GPUGPU吞吐量吞吐量。借助NVIDIA NVLink技术,单个NVIDIA H100 GPU通过18路NVLink连接实现900 GB/s总带宽,是PCIe 5.0带宽的7倍。NVIDIANVIDIA NVSwitchNVSwitch芯片可为计算密集型工作负载提供更高带宽和更低延迟芯片可为计算密集型工作负载提供更高带宽和更低延迟。每个NVSwitch包含64个NVLink端口,实现8 GPU的高速互联,可以提供无缝、高带宽的多节点GPU集群。双层双层NVSwitchNVSwitch最多实现最多实现256256个个GPUGPU的高速互联的高速互联。通过在服务器外部添加第二层NVSwitch,NVLink网络可以连接多达256个GPU,并提供57.6TB/s的多对多带宽,从而快速完成大型AI作业。图表:图表:NVLinkNVLink互联互联图表图表:NVSwitchNVSwitch互联互联图表图表:服务器互联服务器互联图图:互联技术示例互联技术示例资料来源:英伟达官网,中信建投NVLink第二代第二代第三代第三代第四代第四代总带宽300GB/s600GB/s900GB/s单GPU最大链路数61218架构支持VoltaAmpereHopperNVSwitch第二代第二代第三代第三代第四代第四代直连或节点中GPU数量最多8个最多8个最多8个NVSwitch GPU之间带宽300GB/s600GB/s900GB/s聚合总带宽2.4TB/s4.8TB/s7.2TB/s架构支持VoltaAmpereHopper服务器互联服务器互联直连GPU数量多达256个NVSwitch GPU之间带宽900GB/s聚合总带宽57.6TB/s架构支持HopperNVLinkNVSwitch服务器互联服务器互联 3.13 数据中心业务核心优势三:软硬件深度绑定 2006年,英伟达看到了人工智能的兴起及GPU在并行计算方面的优势后,开始斥巨资研发CUDA指令集架构和GPU内部的并行计算引擎。2007年英伟达正式推出CUDA 1.0版本,并使旗下所有GPU芯片都适应CUDA架构,如今“英伟达英伟达GPU CUDAGPU CUDA系统系统”已成为极具行业壁垒的软硬件生态系统已成为极具行业壁垒的软硬件生态系统。CUDA已经迭代至CUDA 11版本,得到开发者的广泛青睐,用户数量不断提升。英伟达开发了用于深度学习的英伟达开发了用于深度学习的TensorRTTensorRT推理引擎推理引擎。TensorRT基于CUDA并行编程模型,是一个高性能的深度学习计算平台,TensorRT针对深度学习推理提供INT8和FP16优化,深度神经网络的执行速度可比CPU平台快40倍。TensorRT支持Tensorflow、Pytorch、Caffe等深度学习主流框架。图:英伟达构建的图:英伟达构建的CUDACUDA生态生态图:图:TensorRTTensorRT实现深度学习推理加速实现深度学习推理加速资料来源:英伟达官网,中信建投 3.14 数据中心业务核心优势四:产品组合不断丰富 公司数据中心芯片产品组合已扩展至公司数据中心芯片产品组合已扩展至GPUGPU、CPUCPU、DPUDPU等等。20192019年年,英伟达以英伟达以6969亿美元并购了亿美元并购了MellanoxMellanox,推出推出BlueFieldBlueField系列系列DPUDPU。DPU的智能网卡将成为云数据中心设备中的核心网络部件,逐渐承担原先需要CPU来执行的网络数据处理、分发的重任,从而从根本上实现软件定义网络(SDN)和网络功能虚拟化(NFV)的诸多优势,有效降低云计算的性能损失,释放CPU算力,降低功耗的同时大大减少云数据中心的运营成本。最新的BlueField-3芯片能够以400Gbps的速率对网络流量进行保护、卸载和加速。英伟达推出自研英伟达推出自研CPUCPU GraceGrace,产品组合不断丰富产品组合不断丰富。在2021GTC大会上,英伟达推出了Grace CPU并计划在2023年量产,这款CPU是英伟达第一次推出的CPU产品,采用了ARM v9指令集,该指令集主要是增强面向矢量、机器学习和数字信号处理器的相关内容,这款CPU的主要应用场景将是在数据中心领域。资料来源:英伟达官网,中信建投图:英伟达不断丰富数据中心产品组合图:英伟达不断丰富数据中心产品组合图图:数据中心芯片发展路线图数据中心芯片发展路线图 3.15 英伟达在AI芯片市场中占据主导地位 英伟达凭借优异的硬件性能英伟达凭借优异的硬件性能、不断提升的网络互联能力不断提升的网络互联能力、CUDACUDA的软硬件协同的软硬件协同、以及产品组合的全自研以及产品组合的全自研,在在AIAI数据中心和数据中心和HPCHPC超算中心占据领导者地位超算中心占据领导者地位。在学术界在学术界,英伟达英伟达GPUGPU作为作为AIAI芯片的出现频率远超其他类型芯片芯片的出现频率远超其他类型芯片。根据stateof.AI 2022报告,英伟达芯片在AI学术论文中的出现频次远超其他类型的AI芯片,是学术界最常用的人工智能加速芯片。在数据中心中在数据中心中,英伟达英伟达GPUGPU占据主导地位占据主导地位。根据LIFTR INSIGHTS数据,在大型数据中心的AI加速芯片中,英伟达的GPU占据了超过80%的AI加速芯片市场份额,在Oracle以及腾讯云中,几乎全部采用英伟达的GPU作为计算加速芯片。在整体数据中心加速芯片市场中,英伟达市场份额为82%,占据主导地位。图:英伟达芯片在图:英伟达芯片在AIAI学术论文中的出现频次学术论文中的出现频次图:图:20222022年人工智能加速芯片在云上部署情况年人工智能加速芯片在云上部署情况图图:2022:2022年人工智能加速芯片市场份额年人工智能加速芯片市场份额资料来源:stateof AI2022,LIFTR INSIGHTS,中信建投23x23xlog scale89r0%5%6%3%7%6%1%0 0%阿里云AWSAzureGCPOracle腾讯NVIDIAAWSXilinxAMDGoogleIntel82%8%4%2%2%2%1%NVIDIAAWSXilinxAMDGoogleIntel其他 3.16 实时协作模拟平台Omniverse OmniverseOmniverse是一个计算机图形与仿真模拟平台是一个计算机图形与仿真模拟平台,主要用处是让企业在实际建设工厂主要用处是让企业在实际建设工厂、生产产品前生产产品前,通过数字化模拟通过数字化模拟“预览预览”实际的成品实际的成品。Omniverse可以应用于媒体娱乐、建筑工程、制造业、自动驾驶等多个领域,利用Omniverse能够将全局照明、实时光线追踪、AI、计算和工程 Simulation 等技术整合到日常工作流程中,提高行业工作流程的灵活性和可扩展性。在汽车制造行业中,沃尔沃和通用汽车使用Omniverse统一产品设计流程,丰田汽车则用来创建数字孪生工厂,奔驰使用这款软件建立和优化新车的生产线,宝马计划在2025年投产的新电动车工厂已经在软件中成功运作。OmniverseOmniverse平台支持元宇宙的应用程序开发平台支持元宇宙的应用程序开发,面向用户提供生成式面向用户提供生成式AIAI扩展工具扩展工具。创作者可使用Audio2Face,基于音频文件生成面部表情;使用Audio2Emotion,生成从快乐和兴奋到悲伤和遗憾的逼真情绪;使用 Audio2Gesture,实现逼真的上半身动作。图:图:OmniverseOmniverse关键模块和功能关键模块和功能图:基于图:基于OmniverseOmniverse打造的宝马数字工厂打造的宝马数字工厂资料来源:英伟达官网,中信建投 3.17 英伟达提供全栈式的自动驾驶产品解决方案 在自动驾驶领域在自动驾驶领域,英伟达提供平台化芯片以及算法开发工具链英伟达提供平台化芯片以及算法开发工具链,已经形成了全栈式的自动驾驶产品解决方案已经形成了全栈式的自动驾驶产品解决方案。在硬件层面,公司推出Xavier、Orin、Thor的高等级自动驾驶芯片。在软件层面,公司推出了自动驾驶配套的底层开发平台Drive OS、模块化定制软件DriveWorks、自动驾驶软件栈Drive AV和AI辅助驾驶平台Drive IX等自动驾驶汽车软件,实现感知、定位和地图绘制、规划和控制、驾驶员监控和自然语言处理等主要功能。通过“硬件 软件”的一体化解决方案,实现L2-L5的自动驾驶应用场景全覆盖,助力下游客户进行自动驾驶技术的测试与开发。图:公司自动驾驶产品提供“硬件图:公司自动驾驶产品提供“硬件 软件”的整体解决方案软件”的整体解决方案图:公司汽车业务单季度营收(亿美元)图:公司汽车业务单季度营收(亿美元)资料来源:英伟达官网,中信建投1.551.111.251.451.54 1.521.351.251.382.22.512.9400.511.522.533.5DriveDrive OSOS基础软件堆栈,包 含 CUDA、TensorRT等组件DriveDrive HyperionHyperion自动驾驶汽车参考架构DriveWorksDriveWorks提供各类针对自动驾驶的中间功能件DriveDrive IXIX为 AI 驾舱创新解决方案提供舱内感知DriveDrive AVAV实现感知、定位和地图绘制、规划和控制 3.18 自动驾驶Orin芯片 2021年12月,英伟达正式推出采用Orin芯片,相比前一代Xavier的算力提升7倍,从30 TOPS提升到了254 TOPS。Orin硬件架构可以简单分为5部分,存储、外围、CPU、GPU和加速器,集成了采用12核的ARM Cortex-A78 CPU,新一代Ampere架构GPU以及全新深度学习加速器DLA和计算机视觉加速器PVA。Orin可以覆盖L2-L5的自动驾驶计算需求。单个Orin芯片最高提供6个CSI摄像头接口,通过虚拟通道增加到16个,可以承载4个800万摄像头。NVIDIA DRIVE L2 解决方案由两个NVIDIA Orin系统级芯片提供支持,一个用于主动安全、自动驾驶和停车应用,另一个用于AI座舱功能。双Orin芯片可以承载8个800万像素摄像头,5个激光雷达,12个超声波雷达,实现360度场景感知。图:图:OrinOrin硬件架构硬件架构图:双图:双OrinOrin架构的自动驾驶解决方案架构的自动驾驶解决方案资料来源:英伟达官网,中信建投 3.19 Thor芯片:算力大幅提升,提供全栈式解决方案图:图:ThorThor芯片实现计算能力的显著提升芯片实现计算能力的显著提升图:单一图:单一ThorThor芯片提供全栈式智能汽车解决方案芯片提供全栈式智能汽车解决方案资料来源:英伟达官网,中信建投 ThorThor芯片芯片AIAI算力大幅提升算力大幅提升。2022年9月,英伟达正式推出采用Thor芯片,单颗芯片算力达到2000 TOPS,性能约是目前主流的英伟达Orin芯片的8倍,单颗FSD芯片的28倍,预计于2025年量产。Thor采用了面向高性能计算HPC的Grace CPU,GPU部分采用RTX 40系列的Ada Lovelace架构和针对Transformer深度神经网络模型优化的Hopper架构,同时采用NVLink互联技术。Hopper架构兼容的FP8精度格式,从而实现神经网络的模型加速。ThorThor芯片提供全栈式智能汽车解决方案芯片提供全栈式智能汽车解决方案。Thor芯片提供的极高算力可以同时将包括自动驾驶和辅助驾驶、泊车、驾乘人员监控、数字仪表板、车载信息娱乐等智能功能,统一整合到单个架构中,提供一套包括车身控制、娱乐等在内的全栈式解决方案,降低系统的运行能耗、提升效率,同时降低智能汽车的研发难度。3.20 DRIVE Hyperion自动驾驶平台 英伟达英伟达DRIVEDRIVE HyperionHyperion是自动驾驶汽车开发平台和参考架构是自动驾驶汽车开发平台和参考架构,用于开发高等级的自动驾驶解决方案用于开发高等级的自动驾驶解决方案。DRIVE Hyperion构建于Orin芯片基础之上,还包含适用于自动驾驶的开发者软件套件与完整传感器套件(12个外部摄像头、3个内部摄像头、9个雷达、12个超声波、1个前置激光雷达)。通过准确的传感器校正、精确的时间同步、集成的实用程序实现了算法的开发加速。DRIVE Hyperion同时支持无线更新,能够在车辆的完整生命周期内添加新的特性和功能,实现跨代兼容。DRIVEDRIVE HyperionHyperion得到新能源汽车制造商的广泛青睐得到新能源汽车制造商的广泛青睐。智己汽车、理想汽车、蔚来汽车、飞凡汽车和小鹏汽车等许多新能源汽车制造商采用DRIVE Hyperion作为平台来开发智能的车型。英伟达在GTC 2023表示,从2023年上半年起,比亚迪将在部分新车上搭载英伟达DRIVE Hyperion平台,实现车辆智能驾驶和智能泊车。图:图:DRIVE HyperionDRIVE Hyperion示例示例图:图:Hyperion 8.1Hyperion 8.1传感器规格传感器规格资料来源:英伟达官网,中信建投传感器传感器功能功能8个外部摄像头广域和远距视野4个外部摄像头鱼眼近距视野6个雷达角落和侧面感知3个雷达前后感知1个激光雷达前面冗余感知3个内部摄像头驾驶域乘客监控其他传感器(IMU、GPS、GNSS等)其他信息采集 3.21 公司自动驾驶芯片技术领先,同时具备平台化优势软硬件解耦可独立升级研发捆绑软件层面开放程度较高硬件优势明显完善的官方开发套件可在模块化定制软件层开放API,也可在辅助驾驶平台和智能助手层开放 API。支持硬件升级路线和软件升级路线其深度学习算法加速基于英伟达CUDA和TensorRT,使其软件研发体系不可脱离硬件平台。生态生态优势优势 公司自动驾驶芯片通过公司自动驾驶芯片通过DLADLA模块和模块和PVAPVA模块实现模块实现AIAI算法加速算法加速。DLA(Deep Learning Accelerator)是一种专用于AI推理的深度学习加速器,英伟达DLA模块由MAC(乘积累加运算)阵列组成,能够有效地执行深度学习的固定推理操作。可编程视觉加速器(PVA),专注于视觉相关的处理,能够比GPU或者DLA模块更快、更好地处理对象检测等视觉处理中的基本任务。公司自动驾驶架构具备灵活公司自动驾驶架构具备灵活、可快速迭代的优势可快速迭代的优势。公司布局了完整的软件堆栈,围绕着车端、桌面端、云端构建了开发者平台,其上包含各类中间件和成熟的算法模块,形成完整的工具链和丰富的软件生态。客户可以在任何一层买入英伟达的服务,搭建自己的算法或者应用。配合英伟达的高算力自动驾驶芯片,实现自动驾驶算法的开发加速。图:自动驾驶芯片中的图:自动驾驶芯片中的DLADLA模块实现模块实现AIAI加速加速图:公司图:公司自动驾驶业务优势自动驾驶业务优势资料来源:英伟达官网,中信建投 第四章第四章全球第二大全球第二大GPUGPU厂商厂商AMDAMD5555 4.1 AMD简介 美国超威半导体公司(Advanced Micro Devices,AMD)创立于1969年,专门为计算机、通信和消费电子行业提供各类微微处理器以及提供闪存和低功率处理器方案处理器以及提供闪存和低功率处理器方案,公司是全球领先的全球领先的CPUCPU、GPUGPU、APUAPU和和FPGAFPGA设计厂商设计厂商,掌握中央处理器、图形处理器、闪存、芯片组以及其他半导体技术,具体业务包括数据中心、客户端、游戏、嵌入式四大部分。公司采用Fabless研发模式,聚焦于芯片设计环节,制造和封测环节则委托给全球专业的代工厂处理。目前全球CPU市场呈Intel和AMD寡头垄断格局,Intel占主导地位。在独立GPU市场中,主要是英伟达(NVIDIA)、AMD进行角逐,Intel目前凭借其锐炬Xe MAX产品也逐步进入独立GPU市场。19691969公司在硅谷成公司在硅谷成立立,专注于微处理器及相关技术设计。20062006收购收购ATIATI,获得图形处理技术,成为当时全球唯一同时具备高性能 CPU/GPU 研 发能力的厂商。20072007发布发布TeraScaleTeraScale架架构构,是 来 自AMD/ATI的最后一个以纯图形为中心的GPU 架构。20122012发布发布GCNGCN架构架构,其 中Polaris是第四代,瞄准中 低 端 市 场;Vega 为第五代,瞄准高端市场。20192019发布发布RDNARDNA架构架构,Radeon 5000 系列显卡率先采用RDNA架构。20222022发 布发 布 RDNARDNA3 3 架架构的构的Radeon RX7900 XT显卡,全球首款采用ChipletChiplet设计设计的游戏GPU。图:图:AMDAMD GPUGPU业务发展史业务发展史资料来源:AMD官网,中信建投 4.2 AMD保持良好的增长态势 得益于公司数据中心得益于公司数据中心、嵌入式业务的快速增长嵌入式业务的快速增长,公司营收和净利润实现规模提升公司营收和净利润实现规模提升。2022年公司营业收入236亿美元,同比增长43.6%;2022Q4公司营收55.99亿美元,同比增长16%。2022年公司净利润13.2亿美元,同比下降58.25%;2022Q4净利润0.21亿美元,同比下降98%,主要原因系收购赛灵思的无形资产摊销导致净利润下滑。公司预期2023Q1营收53亿美元,同比下滑10%。客户和游戏的细分市场预计会同比下降,部分被嵌入式和数据中心细分市场增长所抵消。图:图:AMDAMD营收及增速营收及增速图:公司净利润及增速图:公司净利润及增速资料来源:AMD,中信建投23643.6%-40%-20%0 010015020025020152016201720182019202020212022营业收入(亿美元)YoY-6.6-4.970.433.373.4124.931.6213.2-58.25%-100%00 0000P00p00%-10-50510152025303520152016201720182019202020212022净利润(亿美元)YoY 4.3 AMD分业务营收情况 公司营收主要包括四部分公司营收主要包括四部分。数据中心业务主要包括用于数据中心服务器的各类芯片产品;客户端业务主要包括用于PC的各类处理器芯片;游戏业务主要包括独立GPU及其他游戏产品开发服务;嵌入式业务主要包括适用于边缘计算的各类嵌入式计算芯片。公司数据中心公司数据中心、嵌入式业务的营收增长较快嵌入式业务的营收增长较快。2022年,公司数据中心业务收入60.43亿美元,营收占比25.60%;客户端业务收入62.01亿美元,营收占比26.27%;游戏业务收入68.05亿美元,营收占比28.83%;嵌入式业务收入45.52亿美元,营收占比19.29%。图:图:分业务营收情况分业务营收情况图:图:20222022年分业务营收占比情况年分业务营收占比情况资料来源:AMD,中信建投25.60&.27(.83.29%数据中心客户端游戏嵌入式8.1311.0811.6312.9314.8616.0916.5517.2816.9218.2921.2421.5210.229.0312.5514.3417.6318.7516.5516.3116.440.540.790.715.9512.5713.0313.9701020304050607021Q221Q321Q422Q122Q222Q322Q4数据中心客户端游戏嵌入式 4.4 AMD盈利情况 公司2022年毛利率为45.55%,同比下降2.7pt;净利率为5.59%,同比下降13.65pt,主要由于赛灵思收购相关的无形资产摊销以及研发投入的增加。近年来公司不断增加研发投入,2022年研发费用50.05亿美元,同比上升75.9%;研发费用率为21.21%,上升3.9pt,2022年实现了研发费用的大幅提升。截止2022年底,AMD全球员工总数达25000人,相比2021年年底的15500人显著提升。图:图:公司毛利率和净利率公司毛利率和净利率图:公司研发费用率图:公司研发费用率资料来源:AMD,中信建投-16.54%-11.63%0.81%5.20%5.07%.50.24%5.59.06#.364.217.79B.61D.53H.25E.55%-20%-10%0 0P 152016201720182019202020212022净利率毛利率50.0521.21%0%5 %0203040506020152016201720182019202020212022研发费用研发费用率 4.5 AMD提供集成GPU和独立GPU AMDAMD可以提供集成可以提供集成GPUGPU和独立和独立GPUGPU两类两类PCPC GPUGPU。集成GPU主要被运用在台式机和笔记本的APU产品、嵌入式等产品中,主要用于游戏、移动设备、服务器等应用。APU带有集成的板载GPU,CPU和GPU的高度融合在一起协同计算、彼此加速,相比于独立GPU更具性价比优势。独立独立GPUGPU为为RadeonRadeon系列系列。AMD的Radeon系列独立GPU按推出时间先后顺序可以分为RX500系列、Radeon 7、RX5000系列、RX6000系列、RX7000系列。Radeon系列显卡具备一定的性价比优势,市场份额有进一步上升的空间。RDNARDNA 3 3架构采用架构采用5 5nmnm工艺和工艺和chipletchiplet设计设计,比RDNA 2架构有54%每瓦性能提升,包括2.7倍AI吞吐量、1.8倍第二代光线追踪技术,5.3 TB/s的峰值带宽、4K 480Hz和8K 165HZ的刷新率等。AMD预计2024年推出RDNA 4架构,将采用更为先进的工艺制造。图:图:AMDAMD游戏游戏GPUGPU产品硬件架构产品硬件架构图:图:AMDAMD不同领域的架构选择不同领域的架构选择资料来源:AMD官网,中信建投 4.6 CDNA 2架构带来计算性能的大幅提升 20182018年年,AMDAMD推出用于数据中心的推出用于数据中心的RadeonRadeon InstinctInstinct GPUGPU加速芯片加速芯片,InstinctInstinct系列基于系列基于CDNACDNA架构架构。在通用计算领域,最新的CDNA 2架构相比CDNA 1架构,实现计算能力和互联能力的显著提升,MI250X采用CDNA 2架构。在向量计算方面,CDNA 2对向量流水线进行了优化,FP64的工作频率与FP32相同,具备同样的向量计算能力。在矩阵计算方面,CDNA 2引入了新的矩阵乘指令级,特别适用于FP64精度,此外Mattrix Core还支持FP32、FP16(BF16)和INT8的计算精度。在互联方面,通过AMD infinity fabric接口实现加速器之间的P2P或者I/O通信,提供800GB/s的总理论带宽,相比上一代提升了235%。图:图:AMDAMD数据中心数据中心GPUGPU产品架构产品架构图表:图表:AMDAMD和英伟达数据中心和英伟达数据中心GPUGPU产品性能比对产品性能比对资料来源:AMD官网,中信建投型号型号AMD MI250X英伟达英伟达H100英伟达英伟达A100FP64(TFlops)47.9349.7FP32(TFlops)47.96719.5FP16(TFlops)3831979624INT8(Tops)38339581248GPU显存(GB)1288080显存带宽(GB/s)327733502039互连(GB/s)800900600功耗(W)560700400发布时间2021.112022.032020.03 4.7 AMD ROCm计算生态 AMDAMD ROCmROCm是是RadeonRadeon OpenOpen ComputeCompute(platform)(platform)的缩写的缩写,是是20152015年年AMDAMD公司为了对标公司为了对标CUDACUDA生态而开发的一套用于生态而开发的一套用于HPCHPC和超和超大规模大规模GPUGPU计算提供的开源软件开发平台计算提供的开源软件开发平台。ROCmROCm之于之于AMDAMD GPUGPU相当于相当于CUDACUDA之于英伟达之于英伟达GPUGPU。ROCmROCm是一个完整的是一个完整的GPGPUGPGPU生态系统生态系统,在源码级别上实现在源码级别上实现CUDACUDA程序支持程序支持。ROCm在整体架构上与CUDA类似,实现了主要模块的对齐,封装层次较CUDA更为复杂。ROCm由以下组件组成:HIP程序、ROC运行库、ROCm库、ROCm核心驱动,ROCm支持各类主流的深度学习框架,例如Tensorflow、PyTorch、Caffe等。图:图:NVIDIANVIDIA的的CUDACUDA架构架构图:图:AMDAMD的的ROCmROCm架构架构图:图:AMDAMD的的ROCmROCm生态组成生态组成资料来源:CSDN,AMD,中信建投 第五章第五章移动移动GPUGPU厂商厂商6363 5.1 移动端GPU采用不同的架构设计 移动端移动端GPUGPU在设计过程中受到能耗和体积方面的限制在设计过程中受到能耗和体积方面的限制,都是以集成的都是以集成的SOCSOC芯片形式出现在移动端芯片形式出现在移动端,被广泛应用在手机被广泛应用在手机、平板电脑平板电脑、VRVR、ARAR设备设备、物联网设备当中物联网设备当中。SOC芯片中,CPU、GPU共享有限的内存带宽,频繁使用内存带宽会造成较大的能耗,通过采用分块渲染架构(Tile-Based Rendering,TBR)可以有效减少带宽消耗,其核心思想是:将帧缓冲分割为一小块一小块,然后在片上高速内存逐块进行渲染,与PC端采用的及时渲染架构(IMR)相比,极大的减少了DRAM的访问次数,从而降低了整体能耗。分块延迟渲染架构(TBDR)采用影藏面消除(HSR),不会渲染被遮挡的物体表面片,渲染效率进一步提升。图:图:分块架构架构分块架构架构图:即时渲染架构(图:即时渲染架构(IMRIMR)和分块渲染架构()和分块渲染架构(TBRTBR)的差异)的差异资料来源:TechPowerUp,CSDN,中信建投PC端的IMR架构移动端的TBR架构 5.2 高通在旗舰Android智能手机SoC市场中保持领先 高通自研GPU源自2009年收购于AMD的移动GPU Imageon系列,后改名为Adreno,并集成到自家骁龙SoC中,发展至今已到“Adreno-7”系列,在全球旗舰Android智能手机SoC市场中保持领先。据IDC报告显示,2022Q3全球手机市场出货量下滑8%,高通手机业务营收仍实现40%增长;Counterpoint Research研究显示公司在AP/SoC芯片市场的份额从过往的25%左右提升至30%左右,稳占高端安卓市场。采用骁龙8 的OEM厂商和品牌包括华硕ROG、黑鲨、荣耀、联想、Motorola、努比亚、一加、OPPO、OSOM、realme、红魔、Redmi、vivo、小米和中兴等。图:图:全球手机全球手机AP/SoCAP/SoC芯片份额芯片份额图:图:高通高通Adreno GPUAdreno GPU发展历史发展历史资料来源:counterpoint,高通,中信建投2009年以年以前前 Adreno 1x Series GPUs 固定功能GPU加速硬件,A110&A120自研,A130来自ATI/AMD2009-2011 Adreno 2x Series GPUs 收购收购AMD Imageon 完全可编程的 openGL ES 2.0 GPU,A205共同研发,A220/225自研2012-2018 Adreno 3x/4x/5x Series GPUs 首款通用首款通用GPGPU,完全自研完全自研。性能飞速发展,逐步支持OpenGL ES、OpenCL、OpenGL、Direct3D、Vulkan 等。2018-2021 Adreno 6x Series GPUs A650首次支持HDR快速混合快速混合技术、A660引入可变分辨率可变分辨率渲染渲染(VRS)技术、技术、图像运动图像运动技术,大大提升游戏性能。2021至今至今 Adreno 7x Series GPUs 采用4nm工艺工艺,用于高端安卓设备,支持光光线追踪技术。线追踪技术。39B569(&)3) %7%9%6%5%5%4%5%6%5%3%2%1%1%0%0%5 %05E 21Q12021Q22021Q32021Q42022Q12022Q2联发科高通苹果紫光展锐三星海思 5.3 高通移动GPU性能不断提升迭代 2018年骁龙855携Adreno 640进入5G时代,2019年高通发布搭载Adreno 660的骁龙888,该GPU是高性能和低功耗的代表产品。Adreno 660采用5nm制程,首次引入可变速率着色(VRS),为移动设备带来全新桌面级功能,游戏性能提升明显;桌面正向渲染技术以超逼真的细节提升画面从电影景深、运动模糊到动态灯光、阴影多个场景的质感;使用HDR FastBlend,运行HDR游戏的速度最高可提高2倍,可加速多层的混合。2022年11月,公司发布全新4nm级GPU Adreno 740,将搭载于骁龙8 Gen2,是首个和唯一支持全部HDR格式的移动GPU,支持光线追踪技术和游戏后处理加速器技术。在Notebookcheck的GFXBench 3.0 1080p曼哈顿离屏测试中,分数优于苹果A15。图表:图表:部分高端移动部分高端移动GPUGPU(智能手机和笔记本电脑)测试分数(智能手机和笔记本电脑)测试分数GPU型号型号像素着色器个数像素着色器个数制程制程(nm)性能性能评分评分GFXBench 3.0 1080p曼哈顿离屏(曼哈顿离屏(fps)Apple M2(PC)85100483.7Apple M1(PC)8570.7345Adreno 740454.6253Apple A165457.3290.5Apple A155549.6233Adreno 730 444206ARM Mali-G71010449.25238Apple A14 Bionic2536.8172.85Adreno 660728.8134.27资料来源:Notebookcheck,中信建投 5.4 ARM全球领先的半导体IP公司 ARM是全球领先的半导体IP公司,成立于1990年。公司主要产品有CPU、GPU和NPU等处理器IP、安全性IP、系统性IP和相关软件及开发工具。公司通过IP授权向下游厂商收取许可费用和使用费用,客户包含芯片设计、芯片生产等电子行业所有重要公司。公司GPU产品为Mali系列,使用场景有智能手机、平板电脑、笔记本电脑、可穿戴设备、VR/AR、自动驾驶汽车芯片等。据Strategy Analytics报告,ARM智能手机和平板电脑的GPU份额在2016年达到顶峰,2017年开始受苹果iPhone和iPad的GPU出货量增长等因素影响,ARM的GPU市场份额逐步下降到2020年的39%。据ARM官网,截止2022年6月,Mali GPU累计出货量超80亿颗,为全球出货量最高的移动GPU。图:图:ARMARM整体计算解决方案包含的产品及服务整体计算解决方案包含的产品及服务图:图:ARM ARM malimali GPUGPU路线图路线图资料来源:Arm,中信建投 5.5 ARM GPU领跑安卓阵营 公司GPU架构为第四代Vallhall,Mali-G7系列定位高端市场,其中Mali-G710在FPS/W峰值和持续工作负载方面表现出色;新出的Mali-G6系列采取G7系列相同架构但使用更少的核心,Mali-G5和Mali-G3定位中端市场。旗舰款Immortails-G715 GPU采用10个及以上内核,支持硬件级光线追踪技术,效能提升15%,机器学习能力强化两倍。Immortails-G715 GPU已搭配Cortex-X3 CPU搭载于联发科新款4nm级旗舰芯片天玑9200。在安兔兔的跑分中,天玑9200相比天玑9000性能提升25%,GPU性能提升32%,功耗降低41%,刷新安卓阵营历史新高;在更侧重GPU的GFX Bench测试中,Immortails-G715比苹果A16帧数高出26fps。图:图:ARMARM整体整体SoCSoC设计方法设计方法图:图:ImmortailsImmortails-G715 GPUG715 GPU的架构的架构资料来源:Arm,中信建投 5.6 Imagination提供优秀的移动GPU芯片设计方案 Imagination是移动GPU芯片设计的领军企业,成立于1985年。近些年,公司不断扩展产品领域,在CPU、人工智能芯片、以太网数据包处理器领域持续发力,产品覆盖汽车电子、AIot、桌面级应用、移动设备、机顶盒、服务器等诸多领域。公司的PowerVR架构在移动芯片领域得到市场的广泛认可,为Intel、LG、德州仪器、三星、索尼、苹果、紫光展锐、海思等诸多公司提供授权服务。面向移动设备,2019年开始公司陆续提出PowerVR的升级版本IMG A系列、IMG B系列、具备光线追踪能力的IMG CXT多层次产品。图:图:ImaginationImagination产品路线图产品路线图图:图:20192019年手机年手机GPUGPU IPIP市场占有率市场占有率资料来源:Imagination,TSR,中信建投35.54.50.0%ImaginationARMQualcomm 5.7 IMG B系列采取去中心化的多核架构 2020年10月,公司发布IMG B系列高性能GPU IP,这款多核架构GPU IP包括BXE、BXM、BXT、BXS 4个系列33种配置,IMG BXE面向高清显示应用,IMG BXM主打图形处理体验,IMG BXT面向高性能应用,IMG BXS面向汽车应用。IMGIMG B B系列采用去中心化的多核架构系列采用去中心化的多核架构。在一组内核中,采用主核、次核的拓展模式,其中一个作为主GPU带有一个控制固件处理器用来分割任务(渲染帧),并将这些渲染帧分割成不同的模块,其他的GPU就将这些分割的任务在自己的硬件上执行。可以利用其HyperLane(超线程)技术,进行多任务并行处理。2021年11月,Imagination推出最新GPU产品IMG CXT实现了4级RTLS硬件光线追踪,首次在移动端实现了桌面级质量的光线追踪效果。图:图:IMGIMG B B系列产品系列产品图:图:BXTBXT的多核架构的多核架构资料来源:Imagination,中信建投 第六章第六章国内国内GPUGPU厂商发展情况厂商发展情况7171 6.1 国内GPU市场空间广阔 国内市场空间广阔国内市场空间广阔,PCPC、服务器拉动服务器拉动GPUGPU需求需求。根据Verified Market Research数据,2020年中国GPU市场规模为47.39亿美元,预计2023年中国GPU市场规模将达到111亿美元。中国数字化经济转型持续推进,催生大量对GPU的市场需求,给GPU带来广阔的市场空间。伴随着近期宏观经济回暖以及国内互联网企业纷纷加大AI算力布局,PC和服务器的需求上升有望为国内GPU市场带来整体拉动效应。GPUGPU的国产替代过程中也需要克服诸多困难的国产替代过程中也需要克服诸多困难,例如:软件生态以及例如:软件生态以及IPIP、先进工艺的生产不可控先进工艺的生产不可控,缺乏人才储备缺乏人才储备,人力人力、时间时间、资金投入成本较高等资金投入成本较高等。图:图:中国中国GPUGPU市场规模(亿美元)市场规模(亿美元)图:图:GPUGPU国产替代过程中需要克服的困难国产替代过程中需要克服的困难资料来源:Verified Market Research,中信建投缺乏人才缺乏人才储备储备先进工艺先进工艺生产不可生产不可控控人力、时人力、时间、资金间、资金投入成本投入成本高高软件生态软件生态以及以及IPIP47.3962.983.6111147.5195.9260.2345.60501001502002503003504002020202120222023E 2024E 2025E 2026E 2027E 6.2 海光信息提供服务器、工作站中的高端处理器芯片 海光信息成立于2014年,主营业务是研发、设计和销售应用于服务器、工作站等计算、存储设备中的高端处理器。产品包括海光通用处理器(CPU)和海光协处理器(DCU),目前已经研发出多款新能达到国际同类主流产品的高端CPU和DCU产品。2018年10月,公司启动深算一号DCU产品设计,目前海光DCU系列深算一号已经实现商业化应用,2020年1月,公司启动了第二代DCU深算二号的产品研发工作。图:图:公司产品矩阵公司产品矩阵图:公司营收细分图:公司营收细分资料来源:海光信息招股说明书,中信建投海光3200CPU海光5200CPU海光7200CPU海光8100DCU0.491.072.750.051.291.923.257.8615.022.390.002.004.006.008.0010.0012.0014.0016.002019202020213000系列5000系列7000系列8000系列 6.3 海光DCU详解 海光海光DCUDCU属于属于GPGPUGPGPU的一种的一种,海光海光DCUDCU的构成与的构成与CPUCPU类似类似,其结构逻辑相其结构逻辑相CPUCPU简单简单,但计算单元数量较多但计算单元数量较多。海光DCU的主要功能模块包括计算单元(CU)、片上网络、高速缓存、各类接口控制器等。深度计算处理器深度计算处理器(Deep(Deep-learninglearning ComputingComputing UnitUnit,DCU)DCU)。公司基于通用的GPGPU架构,设计、发布的适合计算密集型和运算加速领域的一类协处理器,定义为深度计算处理器DCU。兼容通用的“类 CUDA”环境以及国际主流商业计算软件和人工智能软件,软硬件生态丰富,可广泛应用于大数据处理、人工智能、商业计算等应用领域。图:图:DCUDCU架构示意图架构示意图图表:海光图表:海光DCUDCU 81008100性能指标性能指标海光海光81008100典型功耗260-350W典型运算类型双精度、单精度、半精度浮点数据和各种常见整型数据计算60-64个计算单元(最多4096个计算核心)支持FP64、FP32、FP16、INT8、INT4内存4个HBM2内存通道、最高内存带宽为1TB/s、最大内存容量为32GBI/O16 Lane PCIe Gen4、DCU芯片之间高速互连资料来源:海光信息招股说明书,中信建投 6.4 海光信息DCU提供高性能算力 海光8100采用先进的FinFET工艺,典型应用场景下性能指标可以达到国际同类型高端产品的同期水平,在国内处于领先地位。2021年下半年DCU正式实现商业化应用,当年贡献2.38亿营收,该业务毛利率为34.84%,产品平均单价为19285元。图表:图表:深算一号与主流深算一号与主流GPGPUGPGPU性能比对性能比对项目项目海光信息海光信息NVIDIANVIDIAAMDAMD品牌品牌深算一号Ampere 100MI100生产工艺生产工艺7nm FinFET7nm FinFET7nm FinFET核心数量核心数量4096(64 CUs)2560 CUDA processors640 Tensor processors120 CUs内核频率内核频率Up to 1.5GHz(FP64)Up to 1.7Ghz(FP32)Up to 1.53GhzUp to 1.5GHz(FP64)Up to 1.7Ghz(FP32)显存容量显存容量32GB HBM280GB HBM2e32GB HBM2显存位宽显存位宽4096 bit5120 bit4096 bit显存频率显存频率2.0 GHz3.2 GHz2.4 GHz显存带宽显存带宽1024 GB/s2039 GB/s1228 GB/sTDPTDP350 W400 W300 WCPU to GPUCPU to GPU互联互联PCIe Gen4 x 16PCIe Gen4 x 16PCIe Gen4 x 16GPU to GPUGPU to GPU互联互联xGMI x 2,Up to 184 GB/sNVLink up to 600 GB/sInfinity Fabric x3,up to 276 GB/s资料来源:海光信息招股说明书,中信建投 海光信息海光信息DCUDCU协处理器全面兼容协处理器全面兼容ROCmROCm GPUGPU计算生态计算生态,由于由于ROCmROCm和和CUDACUDA在生态在生态、编程环境等方面具有高度的相似性编程环境等方面具有高度的相似性,CUDACUDA用户可以以较低代价快速迁移至用户可以以较低代价快速迁移至ROCmROCm平台平台,因此因此ROCmROCm也被称为也被称为“类类CUDA”CUDA”。因此,海光DCU协处理器能够较好地适配、适应国际主流商业计算软件和人工智能软件,软硬件生态丰富,可广泛应用于大数据处理、人工智能、商业计算等计算密集类应用领域,主要部署在服务器集群或数据中心,为应用程序提供高性能、高能效比的算力,支撑高复杂度和高吞吐量的数据处理任务。图:图:ROCmROCm GPUGPU计算生态计算生态6.5 ROCm GPU计算生态资料来源:海光信息招股说明书,公司官网,中信建投 6.6 景嘉微简介 长沙景嘉微电子股份有限公司成立于长沙景嘉微电子股份有限公司成立于20062006年年,20152015年推出首款国产年推出首款国产GPUGPU,是国内首家成功研制具有完全自主知识产权的是国内首家成功研制具有完全自主知识产权的GPUGPU芯片并实现工程应用的企业芯片并实现工程应用的企业,2016年在深交创业板成功上市。公司业务布局图形显示、图形处理芯片和小型专用化雷达领域,产品涵盖集成电路设计、图形图像处理、计算与存储产品、小型雷达系统等方向。公司公司GPUGPU研发历史悠久研发历史悠久,技术积淀深厚技术积淀深厚。公司成立之初承接神舟八号图形加速任务,为图形处理器设计打下坚实基础;公司2007年自主研发成功VxWorks嵌入式操作系统下M9芯片驱动程序,并解决了该系统下的3D图形处理难题和汉字显示瓶颈,具备了从底层上驾驭图形显控产品的能力。2015年具有完全自主知识产权的GPU芯片JM5400问世,具备高性能、低功耗的特点;此后公司不断缩短研发周期,JM7200在设计和性能上有较大进步,由专用市场走向通用市场;JM9系列定位中高端市场,是一款能满足高端显示和计算需求的的通用型芯片。图:图:景嘉微发展历史景嘉微发展历史资料来源:景嘉微招股说明书,wind,中信建投20062006成功研发成功研发VxWorksVxWorks嵌入嵌入式操作系统下及式操作系统下及GPUGPU芯芯片驱动程序片驱动程序,初步完成GPU技术积累。20122012几款主要小型专用化雷达产品定型。20152015推出首款国产高性能推出首款国产高性能、低低功耗图形处理芯片功耗图形处理芯片JMJM54005400,具有完全自主知识产权。20182018年年1111月月成功研发第二代图形成功研发第二代图形处理芯片处理芯片JMJM72007200。20212021年年9 9月月成功研发第三代图成功研发第三代图形处理芯片形处理芯片JMJM9 9系系列列。20222022年年5 5月月JM9系列第二款芯片已完成流片、封装阶段工作及初步测试工作。6.7 公司芯片业务展现良好增长势头 2022Q1-Q3,公司实现营收7.29亿元,同比下滑10.35%;归母净利润1.73亿元,同比下滑30.60%。近年来,公司收入保持高速增长,受行业景气度旺盛和国产替代加速影响,分别在JM5400和JM9231研发成功时,公司营收增速均实现较大增长。分领域来看,图形显控领域产品销售收入为公司核心收入,2021年芯片业务的快速发展,芯片收入占比提升到38%。2022H1,图形显控领域产品销售收入2.63亿元,芯片业务收入2.09亿元。图:图:公司营业收入、净利润及增速公司营业收入、净利润及增速图:公司营收占比情况图:公司营收占比情况74srqHH %6%5%8A8%4%2%2%2%1%1%0 0 1720182019202020212022H1图形显控小型雷达芯片其他收入资料来源:wind,中信建投3.063.975.316.5410.937.291.191.421.762.082.931.731004#g%-0.1013 $A%-0.31-40%-20%0 %0.002.004.006.008.0010.0012.00201720182019202020212022Q1-Q3营业收入(亿元)归母净利润(亿元)营业收入YoY归母净利润YoY 6.8 芯片业务盈利能力不断提升 公司芯片领域产品公司芯片领域产品20222022H H1 1毛利率毛利率4848.0404%,实现快速增长实现快速增长。由于公司采购芯片原材料的规模化效应、工艺控制水平的提高降低了芯片产品成本,导致毛利率上升。公司坚持自主研发公司坚持自主研发,研发投入不断加大研发投入不断加大。2022Q3公司整体营收有所下滑的背景下,研发费用为8027万元,同比增长51.50%,前三季度合计研发费用2.15亿,研发费用率为29.45%。公司研发人员占比不断提高,2022H1公司有研发人员865名,占比达69.26%。公司管理费用、销售费用和财务费用相对平稳,2022年前三季度分别为11.56%、4.77%和-1.36%。图:图:分业务毛利率水平分业务毛利率水平图:公司期间费用率情况图:公司期间费用率情况资料来源:wind,中信建投18.63.7D.5H.0%0.0.0 .00.0.0P.0.0p.0.0.0 19202020212022H1图形显控小型雷达芯片其他5.38%5.65%4.20%4.36%4.77.84.76.92.36.56 .32.07.14#.16).45%-1.22%-6.82%-3.94%-1.57%-1.36%-10%-5%0%5 %05 182019202020212022Q1-Q3销售费用率管理费用率研发费用率财务费用率 6.9 公司GPU性能优越 JM7200采用28nm CMOS工艺,内核时钟频率最大1300MHz,存储器内存为4GB,支持OpenGL1.5/2.0,能够高效完成2D、3D图形加速功能,支持PCIe2.0主机接口,适配国产CPU和国产操作系统平台,可应用于个人办公电脑显示系统以及高可靠性嵌入式显示系统。JM9系列面向中高端通用市场,可以满足地理信息系统、媒体处理、CAD辅助设计、游戏、虚拟化等高性能显示需求和人工智能计算需求。2022年5月,JM9系列第二款芯片已完成初步测试工作。图表:图表:景嘉微景嘉微9 9系产品与英伟达系产品与英伟达GTXGTX系列性能对比系列性能对比JM9系列型号一系列型号一JM9系列型号二系列型号二GTX 1050GTX 1080内核性能1 GHz(支持动态调频)1.5GHz(支持动态调频)1.455GHz1.6GHz显存带宽25.6GB/S128GB/S112GB/S320GB/S显存容量8GB8GB2GB8GB视频解码H.265/4KH.265/4KH.265/4KH.265/4K总线接口PCIe 4.0 X8PCIe 4.0 X8PCIe 3.0 PCIe 3.0 X16像素填充率8 GPixels/s32 GPixels/s46.56GPixel/s128GPixel/sFP32运算性能512 GFIops1.5 TFIops1.862 TFIops9 TFIops输出接口HDMI 2.0HDMI 2.0HDMI 2.0,DisplayPort1.3HDMI 2.0,DisplayPort1.4支持平台:支持X86、ARM、MIPS处理器和Linux、中标麒麟、银河麒麟、统信软件等操作系统资料来源:wind,中信建投 图表:图表:国产厂商渲染国产厂商渲染GPUGPU典型产品性能比对典型产品性能比对资料来源:各公司官网,中信建投6.10 国产GPU性能横向比较厂商厂商英伟达英伟达英伟达英伟达景嘉微景嘉微芯动科技芯动科技芯动科技芯动科技摩尔线程摩尔线程型号型号GeForce RTX 4090GTX1080JM9系列风华一号风华一号风华二号风华二号MTT S80制程制程4nm16nmNA12nmNANA核心数目核心数目163842560NANANA4096个MUSA时钟频率时钟频率2.23-2.52GHz1.61-1.73GHz1.5GHzNANA1.8GHz显存容量显存容量24GB8GB8GB4GB/8GB/16GB2/4/8GB16GB显存类型显存类型GDDR6XGDDR5XNAGDDR6/GDDR6XNAGDDR6FP32 运算性能运算性能82.58 TFLOPS8.873 TFLOPS1.5 TFIops5 TFLOPS/10 TFlops1.5 TFLOPS14.4 TFLOPS总线接口总线接口PCIe 4.0 x16PCIE 3.0 X16PCIE 4.0 X8PCIe 4.0 x16PCIe 3.0 x8PCIe Gen5 x16 国产国产GPUGPU的典型厂商包括景嘉微的典型厂商包括景嘉微、芯动科技芯动科技、摩尔线程等摩尔线程等。资料来源:各公司官网,中信建投6.11 国产GPGPU性能横向比较厂商厂商英伟达英伟达海光信息海光信息摩尔线程摩尔线程壁仞科技壁仞科技天数智芯天数智芯型号型号A100深算一号MTT S3000壁砺100P天垓100制程制程7nm7nm FinFETNA7nm7nm核心数目核心数目691240964096NANA时钟频率时钟频率0.77-1.41GHz1.5-1.7GHz1.9GHzNANA显存容量显存容量40GB/80GB32GB32GB64GB32GB 显存类型显存类型HBM2eHBM2GDDR6HBM2EDRAM HBM2FP32 运算性能运算性能19.5 TFLOPSNA15.2 TFLOPS240 TFLOPS(峰值)37 TFLOPS总线接口总线接口PCIe 4.0 x16PCIe Gen4 x 16PCIe Gen5 x16PCIe 5.0 X16PCIe Gen4.0 x 16TDP250W350W35W450-550W250W图表:图表:国产厂商国产厂商GPGPUGPGPU典型产品性能比对典型产品性能比对 国产国产GPGPUGPGPU的典型厂商包括海光信息的典型厂商包括海光信息、摩尔线程摩尔线程、壁仞科技壁仞科技、天数智芯等天数智芯等。第七章第七章风险提示风险提示8383 个人电脑出货不及预期个人电脑出货不及预期。个人电脑出货受宏观经济影响比较大,个人电脑出货不及预期可能对PC端显卡出货造成影响。AIAI技术进展不及预期技术进展不及预期。当前AI技术的快速进步带动了巨大的AI算力需求,如果AI技术进展不及预期,可能对GPU市场的整体需求产生不利影响。互联网厂商资本开支不及预期互联网厂商资本开支不及预期。互联网厂商是AI算力和GPGPU的重要采购方和使用方,如果互联网厂商资本开支不及预期,可能会对GPGPU的需求情况产生不利影响。自动驾驶进展不及预期自动驾驶进展不及预期。GPU在高等级的自动驾驶中渗透率相对较高,如果自动驾驶技术进步不及预期,可能会对GPU在自动驾驶中的应用产生不利影响。国产替代进程不及预期国产替代进程不及预期。GPU的国产替代过程中面临诸多困难,国产替代进程可能不及预期。参与厂商众多导致竞争格局恶化参与厂商众多导致竞争格局恶化。在GPU需求旺盛的背景下,国内外涌现出诸多GPU行业的新兴玩家,众多参与厂商可能导致整体竞争格局恶化。感谢樊文辉、庞佳军对本报告的贡献。风险提示 分析师介绍分析师介绍阎贵成:阎贵成:中信建投证券通信&计算机行业首席分析师,北京大学学士、硕士,专注于云计算、物联网、信息安全、信创与5G等领域研究。近8年中国移动工作经验,6年多证券研究经验。系2019-2021年新财富、水晶球通信行业最佳分析师第一名,2017-2018年新财富、水晶球通信行业最佳分析师第一名团队核心成员。金戈:金戈:中信建投证券研究发展部计算机行业联席首席分析师,帝国理工学院工科硕士,擅长云计算、金融科技、人工智能等领域。于芳博于芳博:中信建投人工智能组首席分析师,北京大学空间物理学学士、硕士,2019年7月加入中信建投,主要覆盖人工智能等方向,下游重点包括智能汽车、CPU/GPU/FPGA/ASIC、EDA和工业软件等方向。评级说明评级说明投资评级标准评级说明报告中投资建议涉及的评级标准为报告发布日后6个月内的相对市场表现,也即报告发布日后的6个月内公司股价(或行业指数)相对同期相关证券市场代表性指数的涨跌幅作为基准。A股市场以沪深300指数作为基准;新三板市场以三板成指为基准;香港市场以恒生指数作为基准;美国市场以标普500 指数为基准。股票评级买入相对涨幅15以上增持相对涨幅5中性相对涨幅-5%5之间减持相对跌幅5卖出相对跌幅15以上行业评级强于大市相对涨幅10%以上中性相对涨幅-10-10%之间弱于大市相对跌幅10%以上 分析师声明分析师声明本报告署名分析师在此声明:(i)以勤勉的职业态度、专业审慎的研究方法,使用合法合规的信息,独立、客观地出具本报告,结论不受任何第三方的授意或影响。(ii)本人不曾因,不因,也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。法律主体说明法律主体说明本报告由中信建投证券股份有限公司及/或其附属机构(以下合称“中信建投”)制作,由中信建投证券股份有限公司在中华人民共和国(仅为本报告目的,不包括香港、澳门、台湾)提供。中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格,本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告首页。在遵守适用的法律法规情况下,本报告亦可能由中信建投(国际)证券有限公司在香港提供。本报告作者所持香港证监会牌照的中央编号已披露在报告首页。一般性声明一般性声明本报告由中信建投制作。发送本报告不构成任何合同或承诺的基础,不因接收者收到本报告而视其为中信建投客户。本报告的信息均来源于中信建投认为可靠的公开资料,但中信建投对这些信息的准确性及完整性不作任何保证。本报告所载观点、评估和预测仅反映本报告出具日该分析师的判断,该等观点、评估和预测可能在不发出通知的情况下有所变更,亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门、人员口头或书面表达的意见不同或相反。本报告所引证券或其他金融工具的过往业绩不代表其未来表现。报告中所含任何具有预测性质的内容皆基于相应的假设条件,而任何假设条件都可能随时发生变化并影响实际投资收益。中信建投不承诺、不保证本报告所含具有预测性质的内容必然得以实现。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况,报告接收者应当独立评估本报告所含信息,基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。中信建投建议所有投资者应就任何潜在投资向其税务、会计或法律顾问咨询。不论报告接收者是否根据本报告做出投资决策,中信建投都不对该等投资决策提供任何形式的担保,亦不以任何形式分享投资收益或者分担投资损失。中信建投不对使用本报告所产生的任何直接或间接损失承担责任。在法律法规及监管规定允许的范围内,中信建投可能持有并交易本报告中所提公司的股份或其他财产权益,也可能在过去12个月、目前或者将来为本报告中所提公司提供或者争取为其提供投资银行、做市交易、财务顾问或其他金融服务。本报告内容真实、准确、完整地反映了署名分析师的观点,分析师的薪酬无论过去、现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系,分析师亦不会因撰写本报告而获取不当利益。本报告为中信建投所有。未经中信建投事先书面许可,任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本报告全部或部分内容,亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本报告全部或部分内容。版权所有,违者必究。中信建投证券研究发展部中信建投证券研究发展部中信建投(国际)中信建投(国际)北京东城区朝内大街2号凯恒中心B座12层电话:(8610)8513-0588联系人:李祉瑶邮箱:上海浦东新区浦东南路528号南塔2106室电话:(8621)6882-1612联系人:翁起帆邮箱:深圳福田区益田路6003号荣超商务中心B座22层电话:(86755)8252-1369联系人:曹莹邮箱:香港中环交易广场2期18楼电话:(852)3465-5600联系人:刘泓麟邮箱:charleneliucsci.hk86

    25人已浏览 2023-03-28 86页 5星级
  • AI行业深度报告:ChatGPTAI模型框架研究-230325(36页).pdf

    行业评级:看好2023年3月25日ChatGPT:AI模型框架研究AI行业深度报告证券研究报告分析师刘雯蜀邮箱证书编号s1230523020002摘要2一、AI框架重要性日益突显,框架技术发展进入繁荣期,国内AI框架技术加速发展:1、AI框架作为衔接数据和模型的重要桥梁,发展进入繁荣期,国内外框架功能及性能加速迭代;2、Pytorch、Tensorflow占据AI框架市场主导地位,国内大厂加速布局AI框架技术;3、AI框架技术从工具逐步走向社区,生态加速形成,未来围绕安全可信、场景落等维度呈现显著发展趋势;二、GPT开启AI大模型时代,国内外大厂发力布局,商业化空间加速打开:1、数据、算法、模型三轮驱动AI发展,大模型优势显著,成为AI主流方向;2、GPT开启千亿参数级AI大模型时代,语言、视觉、科学计算等大模型快速发展;3、微软加速AI商用化进程,国内大厂发力布局,看好在细分场景下的应用落地;三、建议关注标的:1、基础层:AI算力:中科曙光;大模型:360,科大讯飞2、应用层:AI 工具:金山办公;AI 建筑:广联达;AI 法律:通达海;AI 医疗:创业慧康,久远银海;AI 教育:科大讯飞;AI 网安:安恒信息、奇安信;AI 金融:同花顺;AI 交通:佳都科技风险提示:1、AI技术发展不及预期;2、版权、伦理和监管风险;qQqR3ZdUbZfVqU9YyX8OaO6MpNpPmOpMfQqQpMeRmOuMbRmMwPxNtOtNMYnOtQ3AI框架深度学习框架:人工智能时代的操作系统4人工智能开发链条长且复杂训练数据准备算法实现环境安装模型训练模型验证推理数据准备算法实现环境安装模型训练数据使用深度学习框架工具进行开发深度学习框架人工智能基础设施分布式硬件资源物理资源调度、I/O设备管理通用模型架构支持计算机视觉应用使用主流编程语言GPU加速拓展包模型使用深度学习框架工具进行开发开发者使用简单支持AI领域的快速变化资料来源:北京日报,认知计算与云安全公众号,华为云,浙商证券研究所人工智能框架技术发展进入繁荣期0152000年 萌芽阶段2015-2018年 稳定阶段2012年 成长阶段2019-2020年 深化阶段API复杂无GPU支持手动实现网络使用简单多GPU支持复杂网络支撑指令式声明式生态友好分布式支持效率优化可拓展编译层优化多场景任务支持丰富套件支持算子优化统一标准端云一体大模型大任务全场景隐私与公平未来资料来源:中国信息通信研究院2022年AI框架技术白皮书,浙商证券研究所国际主流深度学习框架:互联网巨头主导开发016国内外深度学习框架发布时间2013201420152016201720202020202x开发公司深度学习框架语言PythonLua,Python(new)C PythonC Lua,Python(new)PythonC 、CUDA、Python是否开源计算图静态静态动态动静兼容静态基于源码转换自动微分,不依赖计算图动静合一是否是分布式框架特点/优点速度快、使用方便、社区好性能高、适合做语音任务高效灵活、易用容易上手简单清晰移动端高性能、通用轻便高效灵活、易用灵活高效资料来源:机器之心,CSDN,浙商证券研究所01TensorFlow Pytorch占据市场主导地位72022年中国开发者人工智能框架使用率2018-2022年全球论文发表数量(按使用框架分)PytorchTensorFlow资料来源:Papers with Code,Omedia,浙商证券研究所Pytorch:Meta开源的主流学习框架018Pytorch版本平均每34个月更新一次,功能服务持续扩充2017年,Pytorch正式发布2018年4月,0.4版支持Windows,并入caffe22019年5月,1.1版支持TensorBoard,增强可视化2019年10月,1.3版支持移动设备部署,更多功能工具2020年1月,1.4版支持分布式模型并行训练2020年4月,1.5版与Amazon合作,提升开发者模型部署效率2020年11月,1.7版支持Windows上的分布式训练,提供更多API2021年3月,1.8版支持AMD GPU2022年11月,2.0版Transformer模型训练速度提升1.5-2.0倍多维优势支持Pytorch实现对TensorFlow的反超门槛低只需要Numpy和基本深度学习概念代码简洁灵活基于动态图机制,网络搭建更方便文档规范官方社区可查看各版本文档资源丰富arXiv新算法大多基于Pytorch实现开发者多Github上贡献者1100 大厂支撑Meta维护开发适用人群广泛深度学习初学者:快速实现模型算法,加深深度学习概念认识;机器学习爱好者:快速实现人脸识别、目标检测、图像生成等AI功能及实验;算法研究员:最新arXiv论文算法快速复现及开发;资料来源:CSDN,浙商证券研究所Open AI:从多种框架的使用到专注于Pytroch0192015年Pytroch成为统一的深度学习框架深度模型框架转变便于调试:对 Python 生态的良好支持;大多数情况使用TensorFlow特殊情况使用Theano2020年简单易懂:PyTorch 具有用户友好的 API;原因核心功能支持GPU加速的张量计算方便优化模型的自动微分机制强大高效:Pytorch提供了非常丰富的模型组件。极大缩短研究周期资料来源:OpenAI官网,浙商证券研究所Tensorflow:谷歌开源的向更加易用发展的主流学习框架01102017年2019年开源Tensorflow 0.1版本2015年采用CPU GPU计算模型使得神经网络能够有效计算Tensorflow从0.1到2.0的发展历程202x年Tensorflow2.3发布添加两种新机制,解决输入管道瓶颈并节约资源Tensorflow2.0发布缺点:调试困难、API混乱、入门困难运用更简单的模型进行构建、简化PI优点:简化的模型开发流程、强大的跨平台能力、强大的研究发现缺乏调度能力,需手动配置Tensorflow1.0.0发布,稳定版诞生优点:更快、更灵活、随时就绪引入更高级的API,可在移动设备上运行发布版本改进之处优点缺点资料来源:腾讯云,CSDN,helloword,城市经济网,浙商证券研究所AI框架技术呈现三层次结构,从工具走向社区生态11基础层组件层生态层编程开发编程接口API编码语言训练开发推理部署编译优化分布式并行自动微分动静转换模型轻量化图算融合算子生成内存优化计算图中间表示计算算子通信算子硬件使能自动并行高阶优化器并行及优化组件科学计算(数值方法)科学计算(AI方法)科学计算组件模型可解释数据-模型安全安全可信组件训练可视化调试器工具组件套件-模型库(CV、NLP)AI领域扩展库(GAN、强化学习)AI 科学计算(电磁仿真、视频生成)社区文档AI框架资料来源:中国信息通信研究院2022年AI框架技术白皮书,浙商证券研究所百度PaddlePaddle飞桨平台0112资料来源:CSDN、中国日报中文网、浙商证券研究所飞桨企业版零门槛AI开发平台全功能AI开发平台飞桨产业级深度学习开源开放平台工具与组件自动化深度学习低代码开发工具强化学习联邦学习图学习科学计算量子机器学习生物计算核心框架端到端开发套件基础模型库预训练模型应用工具可视化分析工具安全与隐私工具云上部署编排工具资源管理与调度工具语义理解文字识别图像分类目标检测图像分割图像生成大模型训推一体自然语言处理计算机视觉语音推荐文心大模型时间序列动态图静态图大规模分布式训练产业级数据处理模型压缩服务器推理引擎边缘与移动端推理引擎开发训练推理部署前端推理引擎服务化部署全场景统一部署学习与实训社区未来AI框架技术将呈现六大发展趋势0113资料来源:中国信息通信研究院2022年AI框架技术白皮书、浙商证券研究所泛开发全场景超大规模科学计算安全可信工程化发展趋势泛开发前端便捷化后端高效化全场景标准化互通混合并行分布式处理自动微分统一加速引擎鲁棒性检测模型可解释模型自适应框架精细化前景展望多种开发语言无缝衔接动静图转换能力提升后端运行效率AI框架与硬件平台解耦,通过标准接口实现跨设备平台快速部署突破五堵墙:内存墙 算力墙 通信墙 调优墙 部署墙丰富编程接口内置专业领域科学计算套件提供丰富的 AI 鲁棒性检测工具AI 模型的压缩和端侧推理框架的轻量化14AI大模型算力 数据支撑AI大模型加速发展0215计算和存储能力增长数据爆炸1991年万维网开放2005年全球互联网用户超10亿2007年iPhone发布2010年全球智能手机销量超3亿部算法迭代1958年神经网络提出1965年专家系统诞生1989年,CNN算法应用于图像识别1997年网页评级算法2006年深度学习兴起2009年引入Spark算法处理大数据1997年,IBM战胜卡斯帕罗夫2002年云存储、云计算诞生2004年分布式技术2005年1G磁盘存储成本降至2美元1965年摩尔定律2006年Hadoop技术2010年开始使用GPU训练AI模型2012年深度学习算法在图像分类任务取得突破2013年 谷歌AI学会策略类游戏2016年谷歌推出TPU加速机器学习过程2017年AlphaZero2018年GPT大模型2021年Alphafold实现蛋白质结构预测2022年ChatGPT资料来源:CSDN、腾讯网、新浪网、浙商证券研究所大模型为基底,AI大模型发展为场景应用奠定重要基础0216AI大模型优势泛化性 通用性开发门槛低大模型意义AI应用通用化AI开发工程化项目建设集约化资料来源:IDC2022中国大模型发展白皮书、浙商证券研究所按照目标不同,AI大模型可分为四类,多模态为未来方向0217利用计算机模拟、延伸及拓展人类语言能力NLP大模型CV大模型科学计算大模型定义现状挑战未来发展在语言理解与生成、智能创作、机器翻译、智能对话、知识图谱和定制化语言解决方案落地应用发展顺利语言的歧义、文化差异及多样化、情感分析困难以多个数据信息维度约束来验证情感分析及文本分析的准确性计算机模拟生物视觉,理解数字图像和视频,并提取目标信息2D数据工业质检、智慧城市落地完善,应用场景多;人脸、OCR识别发展较为成熟3D/4D数据识别面临变形、光照、遮挡等问题;数字人、数字孪生的数据获取困难,算法处理复杂打通数据融合以突破3D/4D获取瓶颈高效率完成再现、预测和发现客观世界运动规律及演化特征的全过程“AI 科学计算”(科学智能)引发科研方式的大变革,如生物制药、气象预报、地震探测等科研领域逐渐成熟科学计算大模型对开发者专业知识要求严苛,高质量训练数据的获取成本高,导致模型整体研发成本昂贵科技大厂与科研院校加强合作融合多模态大模型理解能力应用场景计算性能资料来源:IDC2022中国大模型发展白皮书、浙商证券研究所AI迈入大模型时代,参数量过千亿02182018Google BERT-base(1.1)Google BERT-Large(3.4)OpenAi GPT-1(1.2)百度 ERINE1.0Facebook XLM百度 ERINE2.0Facebook BARTGoogle ALBERT(0.31)OpenAi GPT-2 (15.8)Facebook RobertTa(3.35)NIVIDIA Megatron-LM (83)Google T5 (110)Google ELECTRA(1.02)Micrasoft Truning-NLG(172)Facebook M2m-100(150)Google BigBird(1750)OpenAi GPT-3(1758)Eleuther AI GPT-j(60)GLM(1300)百度 ERINE3.0(100)Google FLAN(1370)Naver Corp HyperCLOVA(2040)Google Gopher(2800)百度 ERNIE 3.0 Titan(2600)OpenAi InstructGBT(13)Meta AI OPT(1750)EleutherAI GPT-NeoX(200)Google LaMDA(2800)BigScience BLOOM(1760)Google PaLM(5400)微软和英伟达 Megatron-Turing NLG(5300)2019202020212022资料来源:电子工程世界、微软官网、OpenAI官网、Github、Meta AI官网,浙商证券研究所,单位:亿GPT-1GPT-2GPT-3GPT-4推出年份2018201920202023Transformer层数124896-参数量1.2亿15.8亿1750亿-预训练数据量5GB40GB45TB-国内外大厂相继布局各模态AI模型0219TransformerGPT-3InstructGPT/GPT-3.5ChatGPT资料来源:澎湃网、CSDN、百度、OpenAI官网、Meta,浙商证券研究所时间提出者模型名称功能意义2021年1月OpenAICLIP-DALL E以文搜图,按照文字描述生成对应图片CLIP的zero-shot learning技术在各种数据集上的表现都很好2021年5月GoogleMUM多功能统一模型可从 75 种不同语言中挖掘出的上下文信息对用户搜索结果进行优先排序2021年9月百度DocVQA跨模态文档理解登顶DocVQA榜首2021年11月NVIDAGauGAN2根据输入的文本/简笔画生成对应逼真的风景图、输入图像并编辑部分内容可用文字和图画混合创造逼真的艺术2021年11月Microsoft&北大NvWa女娲实现文本/草图转图像、图像补全、文字指示修改图像视频、文字/草图转视频、视频预测等在8种图像和视频处理的视觉任务上具有出色的合成效果2021年12月NVIDAPoE GAN文字描述、图像分割、草图都可以转化为图片,还可同时接受以上几种输入模态的任意两种组合可以在单模态、多模态输入甚至无输入时生成图片。2022年1月百度ERNIE-ViLG图文双向生成刷新文本生成图像、图像描述等多个跨模态生成任务最好效果2022年1月MetaAu-HuBERT通过输入语音音频和唇语视频内容,输出对应文本在嘈杂的环境下,通过读唇可以将语言识别的准确性最高提升6倍。2022年7月MetaMake-a-Scene文本生成图像,并允许文本输入进行有针对性创作用户获得更丰富的个人理念定制,从而生成更加具有针对性的画作2022年9月OpenAIWhisper语音生成文本,支持语音转录和翻译两项功能并接受各种语音格式多模态AI模型有望进入商用时代2022年9月MetaMake-a-Video文本、图片生成短视频,根据输入的自然语言文本生成一段5秒钟左右的短视频。AIGC进入视频创作领域2022年11月NVIDAMagic3D根据文字描述生成 3D 模型,可将低分辨率生成的粗略模型优化为高分辨率的精细模型3D建模效率更高,且成本更低OpenAI以GPT为基石,深度布局各模态AI及各类应用0220TransformerGPT-3GPT-1GPT-2GPT-3InstructGPT论文年份2018201920202022Transformer层数124896参数量1.2亿15.8亿1750亿13亿预训练数据量5GB40GB45TBWhisper 语音-文本模型DALL-E2 文本-图像模型ChatGPT类别名称参数量基础版本Davinci1750亿Curie67亿Babbage10亿代码生成Code-Cushman-001120亿关联分析Text-similarity-davinci-0011750亿Text-similarity-curie-00160亿GPT模型迭代多样的模型调用接口来源:CSDN,电子工程世界,腾讯网,浙商证券研究所ChatGPT实现路径:算力与框架支持,应用百花齐放0221资料来源:CSDN、机器学习算法与自然语言处理、电子工程世界等、浙商证券研究所微软云AzurePyTorchTransformerGPT-3InstructGPT/GPT-3.5ChatGPTOpenAI的独家云提供商算力资源深度学习框架API 迭代更稳定易于使用模型Attention机制大模型参数少速度快效果好模型人类反馈强化学习RLHF对话AI模型人类反馈强化学习RLHF人工监督微调连续多轮对话承认自身错误质疑不正确的问题承认自身的无知Transfomer的Decoder 分支1750 亿个参数小样本学习能力无代码编程对话类搜索引擎小说生成语音陪伴语音工作助手对话虚拟人机器翻译人工智能客服基于InstructGPT形成ChatGPT对话系统0222ChatGPTInstructGPTGPT-3代码训练指令微调(instruction tuning)基于人类反馈的强化学习(RLHF)参数数量降低了100倍(1750亿-13亿)增加ChatChat属性网页公众测试入口略微降低参数量资料来源:CSDN、电子工程世界、新智元、浙商证券研究所搜索引擎Bing集成ChatGPT,即时生成个性化规划与建议新版Bing搜索引擎四大技术突破将ChatGPT整合进Bing和Edge搜索模型搜索性能答案相关用户体验Bing在OpenAI的下一代LLM模型上运行,该模型专门为搜索定制,比ChatGPT更强大普罗米修斯(Prometheus)模型:可以提高搜索结果相关性,并对答案进行注释搜索与聊天相结合,除了传统的搜索结果外,还提供了聊天界面通过将人工智能模型应用于核心搜索算法,改进了核心搜索指数,使得搜索结果相关性实现飞跃资料来源:微软、The Verge,浙商证券研究所新增聊天窗口传统信息搜索框新版Bing功能展示能动的提供解决方案:创建菜谱、制定旅行计划、诗歌创作等0223微软发布Microsoft 365 Copilot,引领下一代AI大模型0224Microsoft 365 CopilotCopilot工作方式Copilot工作原理 Copilot旨在协助用户生成文档、电子邮件、演示文稿和更多内容 Copilot主要由OpenAI的GPT-4驱动,会与微软365应用程序一起,作为聊天机器人的模式,出现在侧边栏数据来源:微软官网,浙商证券研究所 Copilot嵌入到人们每天使用的Microsoft 365 应用中 商务聊天 Business Chat。Business Chat 将汇总电子邮件、文件、文档、会议、聊天记录、日历等资料,并归纳总结 自动汇集个人已有的数据和资料生成内容,上传到Microsoft Graph Copilot成为智能个人数字助理&实用的内容生成工具Copilot AI 功能的应用场景,大幅提高办公效率0225应用场景Copilot in PowerPoint应用场景Copilot in ExcelCopilot in TeamsCopilot in WordCopilot 可以跨应用程序生成内容。例如,根据Word文档,可以生成一个10张幻灯片的PPT提升演讲效果,增加字体大小和间距,在演讲稿中添加演讲提醒一键压缩冗长的演示文稿,调整布局、重新格式化文本和完美的时间动画。Copilot可以根据需求创建初稿对文本内容进行提炼、改写、简化,查漏补缺用户还可以根据需求调整AI的语气,包括严肃、热情、感谢等数据来源:微软官网,浙商证券研究所在短时间内识别趋势或创建数据可视化数据归纳处理,分析或格式化Excel数据,生成直观图像Excel用户可以通过Copilot即时创建SWOT分析或基于数据的PivotTable在对话上下文中提供实时摘要和操作项,进行会议内容总结,提醒可能错过的东西如果参加会议时间较晚,copilot会提供一份错过的内容摘要,从而提高会议效率Google在各模态领域布局AI模型,并提供多项功能服务模块0226GPT-3ChatGPTFlamingo 图像-文本LOLNerf 2D图像-3D图像Parti 文本-图像Phenaki 文本-视频类别模型功能计算机视觉Pix2Seq用于对象检测的语言建模框架多模式模型DeViSE视觉语义嵌入LiT将语义理解添加到图像模型PaLI多语种语言图像学习FindIt基于自然语言的通用对象定位VDTTS视觉驱动的文本到语音音频生成AudioLM基于语言建模的音频生成官方开源多个多模态模型来源:CSDN,新浪,Google Parti,浙商证券研究所国内AI大模型,大厂 高校将主导未来0227 大模型的主要玩家有科技大厂、高校和新型研发机构,形成了四种合作模式(1)大厂独立完成(2)机构 高校(3)大厂 高校(4)大厂 机构 高校。大厂通过资金优势、数据优势往往可以独立完成或主导合作。机构凭借行业领袖的团队和政府的资金支持,可以主导合作。而高校凭借行业领袖的团队提供科研能力支持。过去来看,由于大厂受到商业任务限制,资金和数据优势未能充分发挥。而未来,在ChatGPT之后,经过验证的模式铺平商业决策之路,将逐步成为未来大模型的主导力量。科研能力优势无商业任务资金优势科研能力优势无商业任务资金优势数据优势高校大厂新型研发机构资金优势:算力、数据数据优势:数据科研能力:模型数据来源:CSDN、电子工程世界、新智元,浙商证券研究所添加标题百度:文心大模型0228坐拥大模型 训练框架 数据 社区多重优势,百度有望成为AIGC领域率先实现商业化的领头羊。自2019年发布ERNIE 1.0,百度持续投入大模型的技术创新与产业应用,布局了NLP、CV、跨模态等大模型,率先提出行业大模型,成了支撑大模型产业落地的关键路径,构建文心大模型层、工具平台层、产品与社区三层体系。根据IDC的大模型评分,在产品能力、生态能力和应用能力三个维度上百度均位于第一梯队,且在生态维度远高于平均水平,这得益于百度的大模型框架“飞桨”、旸谷社区。百度于2023年3月发布“文心一言”,成为首款中文生成式对话大模型产品。文心大模型与产品框架文心大模型评分数据来源:文心官网,IDC,浙商证券研究所。产品与社区文心一格AI艺术和创意辅助平台文心百中大模型驱动的产业级搜索系统旸谷社区大模型创意与探索社区工具与平台EasyDL-大模型零门槛AI开发平台BML-大模型全功能AI开发平台大模型API文心大模型大模型套件数据标注与处理大模型精调大模型压缩高性能部署场景化工具行业大模型国网-百度 文心浦发-百度 文心航天-百度 文心人民网-百度 文心冰城-百度 文心深燃-百度 文心吉利-百度 文心泰康-百度 文心TCL-百度 文心辞海-百度 文心电影频道-百度 文心行业大模型医疗 ERNIE-Health行业大模型行业大模型金融 ERNIE-Finance对话PLATO搜索 ERNIE-Search信息抽取 ERNIE-UIE跨语言 ERNIE-M代码 ERNIE-Code图网络 ERNIE-Sage语言理解与生成ERNIE 3.0 TinyERNIE 3.0鹏城-百度 文心ERNIE 3.0 Zeus商品图文搜索表征学习 VIMER-UMSOCR图像表征学习 VIMER-StrucText多任务视觉表征学习 VIMER-UFO视觉处理多任务学习VIMER-TCIR自监督视觉表征学习VIMER-CAE文图生成ERNIE-ViLG文档智能ERNIE-Layout视觉-语言ERNIE-ViL语音-语言ERNIE-ViL地理-语言ERNIE-GeoL生物计算大模型化合物表征学习HelixGEM蛋白质结构预测HelixFold单序列蛋白质结构预测HelixFold-Single基于BERT衍生百度文心大模型,料将推出对话系统文心一言0229注:ERNIE(Enhanced language Representation with Informative Entities)ERNIE 1.0架构:改进了MLM任务ERNIE 2.0: 持续学习框架ERNIE 3.0、3.0TITAN: 参数量ERNIE版本1.02.03.03.0 TITAN推出年份2019202020212022参数量参考bert base(1.1亿)参考bert base(1.1亿),bert large(3.4亿)100亿2608亿预训练数据量Wiki,baike,news,tiebawiki,news,dialogue,IR,discourse relation4TB-数据来源:CSDN,电子工程世界,浙商证券研究所。阿里巴巴:通义大模型训练策略和框架上领先行业0230 阿里巴巴率先构建大模型统一底座、通过训练策略大幅提升稀疏参数大模型框架训练效率,在大模型框架上具备领先地位。阿里巴巴2021年3月发布M6,成为国内最早提出千亿模型的厂商,同年发布十万亿模型M6-10T,通过expert prototyping训练策略成功实施MoE稀疏参数模型,使模型达到10万亿参数级别。2022年9月发布通义大模型,通过统一学习范式M6-OFA和模块化的设计,提升大模型跨模态能力和效率。2023年报电话会上,集团CEO张勇表示针对生成式AI趋势,将全力构建预训练大模型。阿里通义大模型架构Dense模型与MoE模型添加标题FFNSAFFN1FFN2FFN3SA路由Dense模型MoE模型数据来源:机器之心,浙商证券研究所华为:盘古大模型聚焦实业0231 华为盘古大模型深耕实业,拥有更广泛的行业大模型,具备更强的落地能力。基于ModelArts AI工作平台的盘古大模型2021年4月发布,目前已应用于10 行业的100 应用场景。根据信通院模型开发和模型能力两方面测评,均为优异水平。盘古预训练大模型架构及Offering数据来源:36氪,浙商证券研究所。盘古大模型(根技术:架构,泛化性,精度,训练成本)盘古行业大模型(行业know-how:行业数据预训练,无监督训练)煤矿小语种/英语金融风控时尚气象生产线质检数字人大脑销量预测电商搜索海浪电力巡检司法工业耗能/参数预测图文搜索智慧育种视觉大模型NLP大模型图网络大模型多模态大模型科学计算大模型皮带质检PCBA缺陷识别电力缺陷识别案件关键词抽取电商情感分析多轮对话企业财务异常检测空气质量检测工业参数检测时尚版权保护时尚辅助设计图文搜索短缺天气预报近海养殖,台风预测智慧育种ModelArts StudioWorkflow2.0PRO工作流并行推理框架预处理算法L2细分场景模型L2行业大模型L0基础大模型合作伙伴交付盘古工作流(快速交付:工作流,增量学习,小样本标注)L0 L1 行业大模型定制费L0基础大模型使用授权费工作流订阅及基于下游任务微调大企业或政府方案(混合云或公有云)中国企业方案(云边协同)Offering 1(千万级)Offering 2(百万级)数据集管理器图像标注工具标注任务特征存储自定义算法预置工作流AI应用评估推理数据采集其他数据来源渠道本地训练ModelArts平台工作流重点关注标的0332 基础层:AI算力:中科曙光大模型:360,科大讯飞 应用层:AI 工具:金山办公;AI 建筑:广联达AI 法律:通达海;AI 医疗:创业慧康,久远银海AI 教育:科大讯飞;AI 网安:安恒信息、奇安信AI 金融:同花顺;AI 交通:佳都科技点击此处添加标题添加标题点击此处添加标题点击此处添加标题点击此处添加标题点击此处添加标题点击此处添加标题添加标题点击此处添加标题点击此处添加标题添加标题点击此处添加标题添加标题95%风险提示331、AI技术发展不及预期:当前以ChatGPT为代表的AI模型以及其他多模态AI模型发展仍不成熟,存在一定缺陷;2、版权、伦理和监管风险:AIGC生成的内容依赖现有版权素材,另外不当使用或模型自身问题可能导致不良后果;点击此处添加标题添加标题点击此处添加标题点击此处添加标题点击此处添加标题点击此处添加标题点击此处添加标题添加标题点击此处添加标题点击此处添加标题添加标题点击此处添加标题添加标题95%行业评级与免责声明34行业的投资评级以报告日后的6个月内,行业指数相对于沪深300指数的涨跌幅为标准,定义如下:1、看好:行业指数相对于沪深300指数表现10%以上;2、中性:行业指数相对于沪深300指数表现10%以上;3、看淡:行业指数相对于沪深300指数表现10%以下。我们在此提醒您,不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系,表示投资的相对比重。建议:投资者买入或者卖出证券的决定取决于个人的实际情况,比如当前的持仓结构以及其他需要考虑的因素。投资者不应仅仅依靠投资评级来推断结论行业评级与免责声明35法律声明及风险提示本报告由浙商证券股份有限公司(已具备中国证监会批复的证券投资咨询业务资格,经营许可证编号为:Z39833000)制作。本报告中的信息均来源于我们认为可靠的已公开资料,但浙商证券股份有限公司及其关联机构(以下统称“本公司”)对这些信息的真实性、准确性及完整性不作任何保证,也不保证所包含的信息和建议不发生任何变更。本公司没有将变更的信息和建议向报告所有接收者进行更新的义务。本报告仅供本公司的客户作参考之用。本公司不会因接收人收到本报告而视其为本公司的当然客户。本报告仅反映报告作者的出具日的观点和判断,在任何情况下,本报告中的信息或所表述的意见均不构成对任何人的投资建议,投资者应当对本报告中的信息和意见进行独立评估,并应同时考量各自的投资目的、财务状况和特定需求。对依据或者使用本报告所造成的一切后果,本公司及/或其关联人员均不承担任何法律责任。本公司的交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理公司、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。本报告版权均归本公司所有,未经本公司事先书面授权,任何机构或个人不得以任何形式复制、发布、传播本报告的全部或部分内容。经授权刊载、转发本报告或者摘要的,应当注明本报告发布人和发布日期,并提示使用本报告的风险。未经授权或未按要求刊载、转发本报告的,应当承担相应的法律责任。本公司将保留向其追究法律责任的权利。联系方式36浙商证券研究所上海总部地址:杨高南路729号陆家嘴世纪金融广场1号楼25层北京地址:北京市东城区朝阳门北大街8号富华大厦E座4层深圳地址:广东省深圳市福田区广电金融中心33层邮政编码:200127 电话:(8621)80108518 传真:(8621)80106010 浙商证券研究所:http:/

    36人已浏览 2023-03-28 36页 5星级
  • GPU行业深度报告:走进“芯”时代系列深度之六十“AI算力GPU”AI产业化再加速智能大时代已开启-230326(121页).pdf

    证证券研究券研究报报告告本报告仅供华金证券客户中的专业投资者参考本报告仅供华金证券客户中的专业投资者参考请请仔仔细细阅阅读读在在本本报报告告尾部尾部的的重重要要法法律律声声明明AIAI产业化再加速,智能大时代已开启产业化再加速,智能大时代已开启GPUGPU行业深度报告行业深度报告半导体半导体行业评级:领先大市行业评级:领先大市-A-A孙远峰/王臣复/王海维SAC执业证书编号:S0910522120001/S0910523020006/S0910523020005华金证券电子团队华金证券电子团队走进走进“芯芯”时代系列深度之六十时代系列深度之六十“AIAI算力算力GPUGPU”2023年3月26日 请仔细阅读在本报告尾部的重要法律声明核心观点(核心观点(1)在芯片算力快速提升、日趋庞大的数据量共同支撑下,在芯片算力快速提升、日趋庞大的数据量共同支撑下,AIAI算法迭代升级加速算法迭代升级加速。AI的发展经历了很长时间的积累,其能不断跨越科学与应用之间的鸿沟主要得益于技术突破、行业落地、产业协作等多方面的推动,而技术突破是其中最为关键的要素。从起步阶段发展到当下深度学习阶段,算法、数据和算力构成了AI三大基本要素,并共同推动AI向更高层次的感知和认知发展。算法方面,目前深度学习仍然是AI技术发展的主导路线,但是早期所使用的有监督学习方式由于受限于对大量标注数据依赖与理解能力缺乏,而且模型通用性较差,正逐步被新的技术所取代,在芯片算力的快速提升、日益庞大的数据量这两者的支撑下,新算法正处于加速迭代升级过程中。自监督学习的算法模型快速发展,自监督学习的算法模型快速发展,“预训练预训练 精调精调”的开发范式迈向成熟,新一轮的开发范式迈向成熟,新一轮AIAI技术产业化之路开启。技术产业化之路开启。谷歌、脸书等多家企业先后发布使用自监督学习的算法模型,通过挖掘无标注数据的监督信息,减少人为干预。现阶段自监督学习本质上仍依赖规范化、标签化的数据,主要借助预训练模型构筑并学习数据特征。“预训练”的做法一般是将大量低成本收集的训练数据放在一起,经过某种预训方法去学习其中的共性,然后将其中的共性“移植”到特定任务的模型中,再使用相关特定领域的少量标注数据进行“微调”,这样的话,模型只需要从“共性”出发,去“学习”该特定任务的“特殊”部分即可。预训练模型成功的关键是自监督学习与Transformer的结合。预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性,用户基于大模型通过零样本、小样本学习即可获得领先的效果,同时“预训练 精调”等开发范式,让研发过程更加标准化,显著降低了人工智能应用门槛。整体上来看,关于本轮AI技术突破所带来的产业化变局,我们有三个核心观点:1、基于GPT为代表的大模型AI的通用能力,未来几年大模型AI的渗透广度、深度和速度有可能会超预期;2、ChatGPT采用的是闭源模型,其加速的产业落地会刺激更多的厂商加大大模型AI的研发投入,进而推动AI产业化发展;3、大模型AI通用能力的提升,带动的将不仅仅是云计算市场的增长,伴随着多种技术与商业化路径的逐步成熟,云、边缘、端的增量市场空间均有望渐次打开。请仔细阅读在本报告尾部的重要法律声明核心观点(核心观点(2)云端计算进入高性能计算时代云端计算进入高性能计算时代,大模型训练大模型训练仍以仍以GPUGPU为主为主。虽然AI芯片目前看有GPU、ASIC、CPU、FPGA等几大类,但是基于几点原因,我们判断GPU仍将是训练模型的主流硬件:1、Transformer架构是最近几年的主流,该架构最大的特点之一就是能够利用分布式GPU进行并行训练,提升模型训练效率;2、ASIC的算力与功耗虽然看似有优势,但考虑到AI算法还是处于一个不断发展演进的过程,用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险;3、英伟达强大的芯片支撑、生态、算法开源支持。模型小型化技术逐步成熟,从训练走向推理,云、边、端全维度发展。模型小型化技术逐步成熟,从训练走向推理,云、边、端全维度发展。我们认为至少有四大投资主线应持续关注:1、GPU方面,在英伟达的推动下,其从最初的显卡发展到如今的高性能并行计算,海外大厂已经具备了超过20年的技术、资本、生态、人才等储备,形成了大量的核心技术专利,而且也能充分享有全球半导体产业链的支撑,这都或是目前国内厂商所缺失的。近几年在资本的推动下,国内涌现出数十家GPU厂商,各自或都具备一定的发展基础,但整体经营时间较短,无论从技术积淀、产品料号布局、高端料号性能来说,与国外大厂仍具备较大差距。但国产化势在必行,国内相关产业链重点环节也积极对上游芯片原厂进行扶持,国产算力芯片需要不断迭代以实现性能的向上提升,后续持续关注相关厂商料号升级、生态建设和客户突破;2、AI在端侧设备应用普及是大势所趋,目前,知识蒸馏、剪枝、量化等模型小型化技术在逐步成熟,AI在云、边、端全方位发展的时代已至。除了更加广泛的应用带来需求量的提升外,更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容;3、数据的高吞吐量需要大带宽的传输支持,光通信技术作为算力产业发展的支撑底座,具备长期投资价值;4、Chiplet技术可以突破单一芯片的性能和良率等瓶颈,降低芯片设计的复杂度和成本。基于向Chiplet模式的设计转型,已经是大型芯片厂商的共识,相关产业链具备长期投资价值。建议关注:建议关注:瑞芯微瑞芯微、晶晨股份、星宸科技(待上市)、全志科技、北京君正、中科蓝讯、富瀚微、恒玄科技晶晨股份、星宸科技(待上市)、全志科技、北京君正、中科蓝讯、富瀚微、恒玄科技风险提示:技术创新风险、宏观经济和行业波动风险、国际贸易摩擦风险风险提示:技术创新风险、宏观经济和行业波动风险、国际贸易摩擦风险。请仔细阅读在本报告尾部的重要法律声明总目录总目录0102040305由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至建议关注建议关注产业相关产业相关06风险提示风险提示 请仔细阅读在本报告尾部的重要法律声明分目录(分目录(1)1.1 1.1 什么是什么是GPUGPU1.2 1.2 始于图形处理设备始于图形处理设备1.3 1.3 浮点计算能力与可编程性结合浮点计算能力与可编程性结合1.4 GPU1.4 GPU发展三大方向发展三大方向1.5 1.5 英传达显卡发展历程英传达显卡发展历程1.6 GeForce RTX 401.6 GeForce RTX 40系列,时代最强系列,时代最强1.7 1.7 英特尔的核显英特尔的核显1.8 1.8 核显与独显性能对比核显与独显性能对比1.9 1.9 图形流水线是图形流水线是GPUGPU工作的通用模型工作的通用模型1.10 1.10 统一渲染架构的推出开启了通用计算大时代统一渲染架构的推出开启了通用计算大时代1.11 1.11 从简单到越来越复杂的流水线从简单到越来越复杂的流水线1.12 1.12 光线追踪时代开启光线追踪时代开启1.13 1.13 光线追踪算法要求的计算量巨大光线追踪算法要求的计算量巨大01由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑1.14 1.14 走向新场景的走向新场景的GPGPUGPGPU1.15 GPU1.15 GPU与与GPGPUGPGPU的对比的对比1.16 GPGPU1.16 GPGPU与与CPUCPU的对比的对比1.17 1.17 并行计算发展的核心并行计算发展的核心1.18 SIMT1.18 SIMT,主流,主流GPUGPU的系统架构核心的系统架构核心1.19 GPGPU1.19 GPGPU架构,以架构,以A100A100为例为例1.20 Fermi1.20 Fermi是第一个完整的是第一个完整的GPUGPU计算架构计算架构1.21 1.21 通用算力提升是英伟达通用算力提升是英伟达GPUGPU架构演进的重点之一架构演进的重点之一1.22 1.22 多方面构建的高壁垒多方面构建的高壁垒1.23 1.23 人才与研发投入,以英伟达为例人才与研发投入,以英伟达为例1.24 1.24 国外厂商多年间构筑了庞大的专利池国外厂商多年间构筑了庞大的专利池1.25 1.25 英伟达全栈布局构筑强大生态英伟达全栈布局构筑强大生态1.26 1.26 走向异构,海外厂商横向布局不断走向异构,海外厂商横向布局不断 请仔细阅读在本报告尾部的重要法律声明分目录(分目录(2)2.1 AI2.1 AI技术赋能实体经济面临的瓶颈技术赋能实体经济面临的瓶颈2.2 2.2 ChatGPTChatGPT的破圈的破圈2.3 2.3 ChatGPTChatGPT的成功离不开预训练大模型的成功离不开预训练大模型2.4 2.4 预训练模型的发展历程预训练模型的发展历程2.5 Transformer2.5 Transformer架构成主流架构成主流2.6 2.6 自监督学习与自监督学习与TransformerTransformer的结合的结合2.7 2.7 大模型的突现能力大模型的突现能力2.8 2.8 参数量爆发式增长的参数量爆发式增长的ChatGPTChatGPT2.9 2.9 预训练大模型,第三波预训练大模型,第三波AIAI发展的重大拐点发展的重大拐点2.10 2.10 生成式生成式AIAI、边缘、边缘AIAI技术即将步入成熟期技术即将步入成熟期2.11 2.11 大模型是大算力和强算法结合的产物大模型是大算力和强算法结合的产物2.12 AI2.12 AI芯片三剑客芯片三剑客2.13 2.13 训练端训练端GPUGPU担纲担纲产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速2.14 2.14 数据中心迈入数据中心迈入“高算力高算力”时代,兵家必争时代,兵家必争2.15 2.15 英伟达数据中心业务快速增长英伟达数据中心业务快速增长2.16 2.16 自动驾驶研发两大商业路线自动驾驶研发两大商业路线2.17 2.17 自动驾驶实现的两种技术路线自动驾驶实现的两种技术路线2.18 2.18 单车智能化推动算力升级加速单车智能化推动算力升级加速2.19 2.19 自动驾驶具备广阔市场前景自动驾驶具备广阔市场前景02 请仔细阅读在本报告尾部的重要法律声明分目录(分目录(3)3.1 3.1 全球数据中心负载任务量快速增长全球数据中心负载任务量快速增长3.2 3.2 全球计算产业投资空间巨大全球计算产业投资空间巨大3.3 3.3 预训练大模型对于预训练大模型对于GPUGPU的需求的需求3.4 3.4 国内市场需求将保持高增长国内市场需求将保持高增长3.5 3.5 云计算及云部署方式云计算及云部署方式3.6 3.6 不同云部署方式的市场占比不同云部署方式的市场占比3.7 3.7 企业上云持续向细分行业渗透企业上云持续向细分行业渗透3.8 3.8 从从“资源上云资源上云”迈入迈入“深度用云深度用云”3.9 3.9 信创从试点走向推广信创从试点走向推广3.10 3.10 公有云主要参与厂商公有云主要参与厂商3.11 3.11 云计算产业链云计算产业链3.12 3.12 集成显卡与独立显卡市场份额集成显卡与独立显卡市场份额3.13 3.13 独立显卡英伟达一家独大独立显卡英伟达一家独大3.14 3.14 性能强大的性能强大的H100H1003.15 3.15 国产厂商两条发展路径:国产厂商两条发展路径:GPUGPU和和GPGPUGPGPU03全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至3.16 3.16 先求有,再求好先求有,再求好3.17 3.17 生态先兼容主流,未来将走向自建生态先兼容主流,未来将走向自建3.18 3.18 国产之路已开启,部分国产国产之路已开启,部分国产GPUGPU设计厂商列表设计厂商列表3.19 GPU3.19 GPU发展离不开全球产业链的支撑发展离不开全球产业链的支撑3.20 3.20 制程升级对于算力芯片性能提升具有较高贡献度制程升级对于算力芯片性能提升具有较高贡献度3.21 3.21 摩尔定律发展趋缓摩尔定律发展趋缓3.22 3.22 ChipletChiplet技术潜力大技术潜力大3.23 3.23 ChipletChiplet技术发展历程技术发展历程3.24 3.24 行业巨头推动,产业加速落地行业巨头推动,产业加速落地3.25 3.25 采用采用ChipletChiplet技术的产品不断出现技术的产品不断出现3.26 3.26 算力两大演进方向:更大算力算力两大演进方向:更大算力&更多样化应用更多样化应用3.27 3.27 存量替代与增量成长并存存量替代与增量成长并存3.28 3.28 高吞吐量离不开高速传输高吞吐量离不开高速传输3.29 3.29 光通信前景可期光通信前景可期 请仔细阅读在本报告尾部的重要法律声明分目录(分目录(4)4.1 4.1 瑞芯微瑞芯微4.2 4.2 晶晨股份晶晨股份4.3 4.3 星宸科技(待上市)星宸科技(待上市)4.4 4.4 全志科技全志科技4.5 4.5 北京君正北京君正4.6 4.6 中科蓝讯中科蓝讯4.7 4.7 富瀚微富瀚微4.8 4.8 恒玄科技恒玄科技建议关注建议关注5.1 5.1 海光信息海光信息5.2 5.2 龙芯中科龙芯中科5.3 5.3 景嘉微景嘉微5.4 5.4 寒武纪寒武纪-U-U5.5 5.5 中芯国际中芯国际5.6 5.6 芯原股份芯原股份-U-U5.7 5.7 华大九天华大九天5.8 5.8 概伦电子概伦电子5.9 5.9 长电科技长电科技5.10 5.10 华天科技华天科技 5.11 5.11 通富微电通富微电5.12 5.12 炬芯科技炬芯科技5.13 5.13 源杰科技源杰科技5.14 5.14 光迅科技光迅科技5.15 5.15 摩尔线程(未上市)摩尔线程(未上市)0405产业相关产业相关06风险提示风险提示技术创新风险技术创新风险宏观经济和行业波动风险宏观经济和行业波动风险国际贸易摩擦风险国际贸易摩擦风险 请仔细阅读在本报告尾部的重要法律声明目录目录 0105由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑06风险提示风险提示1.1 1.1 什么是什么是GPUGPU1.2 1.2 始于图形处理设备始于图形处理设备1.3 1.3 浮点计算能力与可编程性结合浮点计算能力与可编程性结合1.4 GPU1.4 GPU发展三大方向发展三大方向1.5 1.5 英传达显卡发展历程英传达显卡发展历程1.6 GeForce RTX 401.6 GeForce RTX 40系列,时代最强系列,时代最强1.7 1.7 英特尔的核显英特尔的核显1.8 1.8 核显与独显性能对比核显与独显性能对比1.9 1.9 图形流水线是图形流水线是GPUGPU工作的通用模型工作的通用模型01020304产业相关产业相关建议关注建议关注全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速1.10 1.10 统一渲染架构的推出开启了通用计算大时代统一渲染架构的推出开启了通用计算大时代1.11 1.11 从简单到越来越复杂的流水线从简单到越来越复杂的流水线1.12 1.12 光线追踪时代开启光线追踪时代开启1.13 1.13 光线追踪算法要求的计算量巨大光线追踪算法要求的计算量巨大1.14 1.14 走向新场景的走向新场景的GPGPUGPGPU1.15 GPU1.15 GPU与与GPGPUGPGPU的对比的对比1.16 GPGPU1.16 GPGPU与与CPUCPU的对比的对比1.17 1.17 并行计算发展的核心并行计算发展的核心1.18 SIMT1.18 SIMT,主流,主流GPUGPU的系统架构核心的系统架构核心1.19 GPGPU1.19 GPGPU架构,以架构,以A100A100为例为例1.20 Fermi1.20 Fermi是第一个完整的是第一个完整的GPUGPU计算架构计算架构1.21 1.21 通用算力提升是英伟达通用算力提升是英伟达GPUGPU架构演进的重点之一架构演进的重点之一1.22 1.22 多方面构建的高壁垒多方面构建的高壁垒1.23 1.23 人才与研发投入,以英伟达为例人才与研发投入,以英伟达为例1.24 1.24 国外厂商多年间构筑了庞大的专利池国外厂商多年间构筑了庞大的专利池1.25 1.25 英伟达全栈布局构筑强大生态英伟达全栈布局构筑强大生态1.26 1.26 走向异构,海外厂商横向布局不断走向异构,海外厂商横向布局不断 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑1.1 1.1 什么是什么是GPUGPU 图形处理器(graphics processing unit,缩写:GPU),又称显示核心、视觉处理器、显示芯片,是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上做图像和图形相关运算工作的微处理器。NVIDIA公司在1999年发布GeForce 256图形处理芯片时首先提出GPU的概念。从此NVIDIA显卡的芯片就用这个新名字GPU来称呼。GPU使显卡削减了对CPU的依赖,并执行部分原本CPU的工作,尤其是在3D图形处理时。SOCSOC中的中的GPUGPU模块模块GPUGPU与显卡与显卡资料来源:痞客邦,华金证券研究所资料来源:痞客邦,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑最早计算机是黑白显示的时代,机器对于显示的要求极低,随着计算机的普及和软件的多样化,使用者对于显示的要求越来越高。VGA(Video Graphics Array,视频图形阵列)是一种标准的显示接口,是IBM于1987年提出的一个使用模拟信号的电脑显示标准。VGA标准由于可以呈现的彩色显示能力大大加强,因此迅速成为了显示设备的标准,也推动了VGA Card也即是显卡的诞生。早期的VGA Card的唯一功能是输出图像,图形运算全部依赖CPU,当微软Windows操作系统出现后,大量的图形运算占据了CPU的大量资源,如果没有专门的芯片来处理图形运算,Windows界面运作会大受影响而变得卡顿,因此出现专门处理图形运算的芯片成为必然趋势。1993年1月,英伟达创立,1999年,英伟达发布了划时代的产品GeForce 256,首次推出了所谓图形处理器(GPU,Graphic Processing Unit)的概念,它带来了3D图形性能的一次革命。1.2 1.2 始于图形处理设备始于图形处理设备图:显卡发展历程图:显卡发展历程资料来源:51CTO,华金证券研究所绘制 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑 GeForce 256 是一款用于实时图形处理的专用处理器,GeForce图形处理器的发布,实现了顶点的矩阵变换和光照计算,图形实时处理应用需要高内存带宽和大量的浮点计算能力。2001年英伟达发布了第三代显示核心GeForce3,GeForce3不仅集成了来自之前GeForce 256和GeForce2芯片的“静态”座标转换和照明引擎,更增加了称为“顶点着色单元”的可编程顶点处理器功能。游戏开发者可借由加上顶点程序,让游戏产生令人惊艳的全新效果。可编程性与浮点计算能力相结合,基于GPU的通用计算也开始出现,GPU朝着通用计算的方向持续演进。2006年,英伟达 CUDA(Compute Unified Device Architecture,统一计算设备架构),及对应工业标准的OpenCL的出现,让GPU实现更广泛的通用计算功能,GPGPU的概念落地。1.3 1.3 浮点计算能力与可编程性结合浮点计算能力与可编程性结合GPUGPU的图形(处理)流水线的图形(处理)流水线资料来源:搜狐网,华金证券研究所NVidia TeslaNVidia Tesla架构架构资料来源:深入GPU硬件架构及运行机制博客园,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑GPU最初用在PC和移动端上运行绘图运算工作的微处理器,与CPU集成以集成显卡(核显)的形态发挥功能。NVIDIA于2007年率先推出独立GPU(独显),使其作为“协处理器”在PC和服务器端负责加速计算,承接CPU计算密集部分的工作负载,同时由CPU继续运行其余程序代码。2019年NVIDIA的中国GTC大会设置了两大主题:AI和图形。从大会的关注重点可以看出,GPU未来趋势主要是3个:大规模扩展计算能力的高性能计算(GPGPU)、人工智能计算(AIGPU)、更加逼真的图形展现(光线追踪Ray Tracing GPU)。1.4 GPU1.4 GPU发展三大方向发展三大方向四核心四核心IntelIntel处理器的处理器的die shotdie shot框图(带有框图(带有Gen9Gen9核显)核显)资料来源:CSDN,华金证券研究所英伟达三大产品系列英伟达三大产品系列资料来源:英伟达,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑1.5 1.5 英传达显卡发展历程英传达显卡发展历程时间 发布型号制程亮点1995STG-2000X500nm采用第一代NV1核心,核心频率12MHz,同时支持2D、3D处理能力1998RIVA 128350nm第一款成功的显示核心。第一款支持微软Direct3D加速的图形芯片,也是第一个提供硬件三角形引擎的128 bit图形芯片,加入了对OpenGL技术的支持1999Riva TNT2250nm奠定英伟达显卡王朝的基石,核心频率和显存容量都有了极大的提升,从这一代开始,英伟达开始产品进行了市场化细分1999GeForce 256220nm首次推出了所谓图形处理器(GPU)的概念,增加了Pixel Shader流水线的数目,支持硬件T&L引擎,第一款硬件支持T&L的显卡,亦支援MPEG-2硬件视频加速。Quadro也是以GeForce256为基础开始研发。2001GeForce 3180nm英伟达首款支持DirectX 8.0的产品,并支持可编程的T&L引擎2002GeForce 4 Ti 4200150nm新一代的T&L引擎,并支持高效率的反锯齿技术2004GeForce 6800130nm渲染管线首次突破性增长到16条,采用GDDR3显存,频率达到了1.1GHz。同年,英伟达SLI(可扩展的链接接口)技术问世,单台PC的图形处理能力大大提升。2006GeForce 8800 GTX90nm世界上第一块支持DirectX 10的PC桌面显卡。GeForce 8采用统一流水线结构,传统显示核心的架构分为顶点着色引擎和像素着色引擎。所谓统一渲染,即GPU中不再有单独的顶端渲染单元和像素渲染单元,而是由一个通用的渲染单元同时完成顶点和像素渲染任务。统一渲染架构具有硬件利用效率高以及编程灵活的优点,进一步提升了GPU内部运算单元的可编程性,让GPU运行高密集度的通用计算任务就成为可能2010GeForce GTX 48040nm采用英伟达推出全新一代的Fermi架构,Fermi架构GPU产品在保持图形性能的前提下,将通用计算的重要性提升到前所未有的高度,大规模GPU计算从之开始。30亿个晶体管的大芯片,全局ECC设计、可读写缓存、更大的shared memory、甚至出现了分支预测概念。Fermi是英伟达最后一款在游戏显卡上保留强悍双精度的微架构2013GeForce GTX Titan28nm采用Kepler架构,与前一代的Fermi架构相比,Kepler架构不仅仅是性能的提升,功耗和温度上也得到了极大的改善。Fermi架构中英伟达主要专注于提升计算与曲面细分的性能。然而在Kepler架构中,英伟达转向了提升效率、可编程性与性能,效率的提升来自采用了统一的GPU时钟、简化的静态指令调度和更加优化的每瓦性能。专用的双精度CUDA核心被用来弥补Kepler CUDA核心为了节省芯片面积而放弃的双精度计算能力2014GeForce GTX 97028nm采用英伟达第四代GPU架构Maxwell架构,Kepler的改进版架构。最明显的变化是在SMX单元和GPC单元上,Maxwell的SMM(之前叫SMX)单元从之前Kepler的包含192个CUDA Core下降到128个,但发射器从之前的每SMX一个变为了每SMM四个,目的是降低每个SMM单元的运算压力提升效率,增加了两个寄存器,然后L1缓存翻倍,GPC单元的L2缓存增加到了2M。Maxwell将具备以下三大特性:提升图形性能,降低编译难度(这应该归功于ARMv8核心和统一内存寻址增强技术)和提高能耗比。2016GeForce GTX 108016nm这一代显卡的工艺和架构全面升级。架构方面,采用了Pascal架构,Pascal是Maxwell的接替者,增强了异步计算功能实现硬件层了对DirectX API的更高版本(DirectX 12 Feature Level 12_1)的支持,高端产品还配备带宽更高的HBM2显存,性能和能耗比都有了很大提升2018GeForce RTX 208012nm第一代GeForce RTX系列,支持光线/路径追踪硬件加速,使实时光线追踪成为可能。新GeForce显卡最大的亮点就是集成了光线追踪核心的Turing GPU,从技术上拉开了与上代显卡的差距,NVIDIA宣布图灵架构的时候表示新一代显卡的光线追踪性能是现有Pascal显卡的6倍之多2020GeForce RTX 3090三星8nm采用了全新的Ampere安培架构,相比RTX20系的图灵架构是革命性的提升,Ampere集成了第二代RT光线追踪核心、第三代Tensor张量核心,并支持PCIE4.0、DisplayPort1.4a、HDMI2.12022GeForce RTX 40系列 4nm采用最新的Ada Lovelace架构,较上一代 Ampere 晶体管和 CUDA 核心数量提升 70%,着色器、光追、深度学习性能均实现重大飞跃。Ada Lovelace架构的创新大体上可以分为三个板块,分别是带来了新的全景光线追踪、着色器执行重排序(SER)和DLSS 3资料来源:英伟达,维基百科,华金证券研究所整理 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑2022秋季GTC大会上,英伟达发布GeForce RTX 40系列GPU,旨在为游戏玩家和创作者提供革命性性能,其中新旗舰产品RTX 4090 GPU的性能相较上一代提升最高可达4倍。作为全球首款基于全新NVIDIA Ada Lovelace架构的GPU,RTX 40系列在性能和效率上都实现了巨大的代际飞跃,根据NVIDIA创始人兼首席执行官黄仁勋的介绍,RTX光线追踪和神经网络渲染的时代正在全面展开。RTX 40系列GPU具有一系列新的技术创新:包括流式多处理器具有高达83 TFLOPS的着色器能力、第三代RT Cores的有效光线追踪计算能力达到191 TFLOPS、第四代Tensor Cores具有高达1.32 Petaflops的FP8张量处理性能、着色器执行重排序(SER)通过即时重新安排着色器负载来提高执行效率、Ada光流加速器带来2倍的性能提升、架构上改进来实现与TSMC 4N定制工艺技术紧密结合等。1.6 GeForce RTX 401.6 GeForce RTX 40系列,时代最强系列,时代最强资料来源:电脑评测网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑1998年英特尔推出了Intel i740独立显卡并进入显卡市场,随后它被整合进了810/815芯片组并诞生了Intel的集成显卡家族。2010年英特尔推出的Clarkdale处理器是首款整合GPU的CPU,这款处理器由32nm制程CPU Die和45nm的GPU Die共同封装在一块PCB上组成,两颗芯片使用QPI总线相连。2011年英特尔推出的Sandy Bridge架构处理器把CPU和GPU做到同一块芯片上,进入核显时代。1.7 1.7 英特尔的核显英特尔的核显英特尔早期通过封装将英特尔早期通过封装将CPUCPU、GPUGPU两颗芯片封装在一起两颗芯片封装在一起SkylakeSkylake处理器核心(处理器核心(CPUCPU、GPUGPU在同一颗芯片上)在同一颗芯片上)资料来源:超能网,华金证券研究所资料来源:超能网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑2022年1月25日,搭载第12代酷睿Alder Lake-H处理器的笔记本正式上市,采用最新一代Intel 7制程工艺,内置Iris XE GPU,拥有48组EU单元,加速频率高达1450MHz。1.8 1.8 核显与独显性能对比核显与独显性能对比英特尔Iris XE GPU的跑分资料来源:zmmoo,华金证券研究所Intel第12代酷睿性能图资料来源:量子位,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑图形流水线(graphics pipeline),也叫图形管线,指的是一连串的图形处理任务,这一系列的工作先后有序、不可颠倒,因此得以有这个形象的称呼。图形流水线是GPU工作的通用模型,它以某种形式表示的三维场景为输入,输出二维的光栅图形到显示器。1.9 1.9 图形流水线是图形流水线是GPUGPU工作的通用模型工作的通用模型图:图形流水线资料来源:CSDN,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑GPU的硬件结构从固定功能流水线架构发展为大规模并行的统一染色器架构。所谓统一渲染,即GPU中不再有单独的顶端渲染单元和像素渲染单元,而是由一个通用的渲染单元同时完成顶点和像素渲染任务。为了实现这一点,图形指令必须先经过一个通用的解码器、将顶点和像素指令翻译成统一渲染单元可直接执行的渲染微指令,而统一渲染单元其实就是一个高性能的浮点和矢量计算逻辑,它具有通用和可编程属性。在统一渲染架构的GPU中,Vertex Shader和Pixel Shader概念都将废除同时代之以ALU。ALU是个完整的图形处理体系,它既能够执行对顶点操作的指令(代替VS),又能够执行对象素操作的指令(代替PS)。基于统一渲染架构,Shader Core被挖掘出了更多的使用方法,比如通用计算。1.10 1.10 统一渲染架构的推出开启了通用计算大时代统一渲染架构的推出开启了通用计算大时代早期的早期的GPUGPU只支持固定管线只支持固定管线资料来源:CSDN,华金证券研究所统一渲染架构统一渲染架构资料来源:CSDN,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑以前GPU只支持固定管线,并且不支持编程,2002年,GPU在Vertex Operations和Fragment Operations这两个模块中具有了可编程功能,2006年GPU流水线中增加了一种新的模块,Geometry Shader(几何元着色器),使得图形程序开发者在可编程渲染管道(programable render pipline)下能够更大的发挥自由度。再之后,Tessellation(細分曲面技術)、Mesh着色器等等功能的加入,GPU的流水线变得越来越复杂。GPU要实现对二维屏幕上每一个像素点的输出,需要很多个并行工作的着色处理器shader processor同步工作,示意图中将硬件中的四个小处理器连为一组,软件层面将各类渲染任务按4个thread打成一个卷warp发给硬件,同时加入了多warp切换的机制,保证了GPU任务执行的高效性。1.11 1.11 从简单到越来越复杂的流水线从简单到越来越复杂的流水线资料来源:新浪网,华金证券研究所当代当代GPUGPU渲染管线示意图渲染管线示意图 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑光线跟踪是一种真实地显示物体的方法,该方法由Appel在1968年提出。光线跟踪方法沿着到达视点的光线的反方向跟踪,经过屏幕上每一个象素,找出与视线相交的物体表面点P0,并继续跟踪,找出影响P0点光强的所有光源,从而算出P0点上精确的光线强度,在材质编辑中经常用来表现镜面效果。光线跟踪或称光迹追踪是计算机图形学的核心算法之一。在算法中,光线从光源被抛射出来,当他们经过物体表面的时候,对他们应用种种符合物理光学定律的变换。最终,光线进入虚拟的摄像机底片中,图片被生成出来。1.12 1.12 光线追踪时代开启光线追踪时代开启光线追踪原理图光线追踪原理图光线追踪对比图光线追踪对比图资料来源:新浪,华金证券研究所资料来源:CSDN,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑光线追踪与光栅化的实现原理不同。光栅化渲染管线是传统的渲染管线流程,是以一个三角形为单元,将三角形变成像素的过程;光线追踪渲染管线则是以一根光线为单元,描述光线与物体的求交和求交后计算的过程。和光栅化线性管线不同的是,光线追踪的管线是可以通过递归调用来衍生出另一根光线,并且执行另一个管线实例。光线追踪最大难点在于对算力要求极高,计算量非常庞大。2018年NVIDIA发布的RTX 2080 GPU,采用Turing架构,在GPU中集成了68个独立的 RT(ray tracing)Core(专门为光线追踪服务的,实质上它是一条特异化的专用流水线),用于光线追踪,光线处理能力达到了10 Giga/S,1080P60Hz需要处理的光线约为6Giga/S,光线追踪对于反射和阴影有着更逼真的处理效果,尽管目前仍然是采用光线追踪和传统光栅图形处理相结合的方式来进行图形渲染,但其效果已经远超传统光栅图形处理。1.13 1.13 光线追踪算法要求的计算量巨大光线追踪算法要求的计算量巨大资料来源:英伟达,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑对GPU通用计算进行深入研究从2003年开始,并提出了GPGPU概念,前一个GP则表示通用目的(General Purpose),所以GPGPU一般也被称为通用图形处理器或通用GPU。伴随着GPU Shader单元计算能力的不断增长,GPU也在向通用计算开始扩张边界。GPU从由若干专用的固定功能单元(Fixed Function Unit)组成的专用并行处理器,进化为了以通用计算资源为主,固定功能单元为辅的架构,这一架构的出现奠定了GPGPU的发展基础。GPGPU由于其高并发性、高吞吐量以及不断提升的可编程能力,目前的应用已经扩展到科学计算、区块链、大数据处理、工程计算、金融、基因等方面。1.14 1.14 走向新场景的走向新场景的GPGPUGPGPUAIAI芯片的分类芯片的分类计算是未来科学和工程突破的关键计算是未来科学和工程突破的关键资料来源:智能时代的科学计算:低维表达与高维问题的自然融合李若,华金证券研究所资料来源:搜狐网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑GPU的核心价值体现在图形图像渲染,GPGPU的重点在于算力,虽然都是由GPU的架构演进而来,但所关注的重点有明显区别。GPGPU架构设计时,去掉了GPU为了图形处理而设计的加速硬件单元,保留了GPU的SIMT架构和通用计算单元,使之更适合高性能并行计算,并能使用更高级别的编程语言,在性能、易用性和通用性上更加强大。1.15 GPU1.15 GPU与与GPGPUGPGPU的对比的对比GPUGPU与与GPGPUGPGPU对比对比NVIDIA GeForce RTX 40NVIDIA GeForce RTX 40的的GPCGPC单元单元资料来源:英伟达,华金证券研究所资料来源:新浪网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑CPU作为计算机系统的运算和控制核心,是信息处理、程序运行的最终执行单元。CPU内部主要由运算器、控制器和寄存器组成,运算器执行数值计算,寄存器储存数据。CPU是程序的调用者和运行者,计算机的每一条指令都要经过CPU的解析和执行。GPU无法单独工作,必须由CPU进行控制调用才能工作。CPU可单独作用,处理复杂的逻辑运算和不同的数据类型,但当需要大量的处理类型统一的数据时,则可调用GPU进行并行计算。CPU与GPU从设计之初就是为了实现不同的目标,GPU的构成相对简单,有数量众多的计算单元和超长的流水线,特别适合处理大量的类型统一的数据。GPU为并行而设计,更重视整体数据吞吐量(Throughput);CPU为串行而设计,更看重任务间的时延(Latency)。与超标量乱序CPU相比,通过减少用于控制逻辑的面积并增加算术逻辑单元的面积,GPU可以在高度并行的工作负载上获得更好的单位面积性能。1.16 GPGPU1.16 GPGPU与与CPUCPU的对比的对比CPUCPU与与GPUGPU芯片面积对比芯片面积对比资料来源:anandtech,华金证券研究所资料来源:imagination,华金证券研究所CPUCPU与与GPGPUGPGPU架构对比(架构对比(ALUALU用于计算的晶体管)用于计算的晶体管)请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑现代计算机发展经历了串行计算时代、并行计算时代,并行计算机是由一组处理单元组成的,这组处理单元通过互相之间的通信与协作,以更快的速度共同完成一项大规模的计算任务。并行计算机体系结构的发展主要体现在计算节点性能的提高及节点间通信技术的改进两方面。弗林分类法,根据指令流和数据流的不同组织方式把计算机体系的结构分为四类:单指令流单数据流(SISD)、单指令流多数据流(SIMD)、多指令流多单数据流(MISD)、多指令流多数据流(MIMD)。指令流指的是机器执行的指令序列;数据流指指令流调用的数据序列,包括输入数据和中间结果。SIMD是一种执行模型,这意味着处理器将其用于在管道中将相似的数据集排队并并行执行的方法,是现代CPU和GPU使用的最受欢迎的EM之一。1.17 1.17 并行计算发展的核心并行计算发展的核心弗林分类法弗林分类法资料来源:javatpoint,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑现代的GPU架构中,每个GPU会包含很多的core,英伟达称之为流多处理器(streaming multiprocessors,SM)。每个核都在执行单指令多线程的程序(single-instruction multiple-thread,SIMT)。在单个核上执行的线程可以通过暂存内存(有点像阻塞操作,保存现场)进行通信,并使用快速barrier操作进行同步。SIMT与SIMD(同一条指令多个数据)的共同点是同一条指令。SIMT是SIMD的线程等价物,不同之处在于,SIMD使用执行单元或矢量单元,而SIMT将其扩展为利用线程。SIMT的好处是无需开发者费力把数据凑成合适的矢量长度,并且SIMT允许每个线程有不同的分支。SIMT的主要优点是它减少了指令预取带来的等待时间。1.18 SIMT1.18 SIMT,主流,主流GPUGPU的系统架构核心的系统架构核心现代现代GPUGPU简单架构示意图简单架构示意图SIMDSIMD与与SIMTSIMT对比对比资料来源:新浪VR,华金证券研究所资料来源:CSDN,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑A100是NVIDIA2020年5月14日发布的采用新一代Ampere架构的计算卡,使用了GA100核心。Ampere架构仍然沿用了成熟的GPC-TPC-SM多级架构,GA100内部包含8组图形处理集群(Graphics Processing Cluster,GPC),每组GPC包含8组纹理处理集群(Texture Processing Cluster,TPC),每组TPC又包含8组流式多处理器(Streaming Multiprocessor,SM),另外还有内存控制器组成。1.19 GPGPU1.19 GPGPU架构,以架构,以A100A100为例为例GPUGPU与与GPGPUGPGPU对比对比资料来源:CSDN,华金证券研究所绘制GPCGPCSMSM 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑英伟达的Fermi是第一个完整的GPU计算架构,该架构在保持图形性能的前提下,将通用计算的重要性提升到前所未有的高度,大规模GPU计算从此开始。要做通用计算,需要更强大的线程管理能力,更强大的仲裁机制,丰富的共享cache和寄存器资源以及充足的发射端等。全新Fermi架构,是以处理器为目标进行设计,因此Fermi架构新增了以前GPU上从来没有的东西,包括更多的指令双发射、统一的L2全局缓存、64KB的可配置式L1或者Shared Memory、大量的原子操作单元等等。1.20 Fermi1.20 Fermi是第一个完整的是第一个完整的GPUGPU计算架构计算架构GF100GF100费米架构核心示意图费米架构核心示意图资料来源:快懂百科,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑2016年3月英伟达推出Pascal架构,采用16nm和14nm的工艺。该架构建立在五大技术突破之上,启用了全新的计算平台,打破了从书桌端到数据中心的传统思维。Pascal彻底采用全新设计,为深度学习和其他计算工作负载提供更好的性能。该架构利用全新的混合精度指令,可为深度学习提供每秒超过20万亿次浮点运算的性能峰值。1.21 1.21 通用算力提升是英伟达通用算力提升是英伟达GPUGPU架构演进的重点之一架构演进的重点之一资料来源:华金证券研究所绘制英伟达架构两年升级一次英伟达架构两年升级一次 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑1.22 1.22 多方面构建的高壁垒多方面构建的高壁垒核心竞争力微架构算法生态制程人才专利产业配套GPU的体系结构与算法是各个公司的核心机密。资料来源:华金证券研究所绘制 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑根据英伟达官网报告显示,公司共有22,500名员工;根据公司最新财年的年报显示,公司职员中有80%属于技术人员,有50%的具备高等学历。根据英伟达最新的公告显示,整个2023财年,英伟达总收入269.7亿美元,与前一个财年几乎持平,研发支出高达73.39亿美元,研发支出在营收中占比高达27.21%。截至2023财年,公司十年间共计研发支出高达290.23亿美元。1.23 1.23 人才与研发投入,以英伟达为例人才与研发投入,以英伟达为例13.3613.6013.3114.6317.9723.7628.2939.2452.6873.3941.3046.8250.1069.1097.14117.16109.18166.75269.14269.7432.35).05&.57!.17.50 .28%.91#.53.57.21%0.00%5.00.00.00 .00%.000.005.00%0.0050.00100.00150.00200.00250.00300.002014财年2015财年2016财年2017财年2018财年2019财年2020财年2021财年2022财年2023财年研发支出(亿美元)营业收入(亿美元)研发支出在营收中占比图:近十个财年英伟达营收(亿美元)、研发支出(亿美元)图:近十个财年英伟达营收(亿美元)、研发支出(亿美元)、研发支出在营收中占比、研发支出在营收中占比资料来源:wind,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑 根据万雪佼、徐步陆在2017年发布的图形处理器(GPU)专利态势研究的内容显示,全球GPU专利呈现以下几大特点:1、从全球专利公开国看,GPU专利全球布局重心在美国。其中超过总数80%的5459个专利家族有美国专利,剩余世界五大专利局的中日欧韩分布也排名靠前,均有超过10%专利家族有该国专利布局。从各国公开趋势来看,在美国、中国、韩国专利布局比重呈逐年上升趋势;2、从专利权人分布看,全球GPU技术领域专利数量排名前20的公司占有全球70%的GPU专利,GPU专利技术相对集中。排名靠前的公司以美国居多,其次是英国(ARM和Imagination Tech)。日本游戏公司索尼电脑娱乐公司和任天堂公司也有少量GPU专利。除台湾VIA公司外,排名前100的没有中国专利权人。GPU技术领域全球专利家族持有数量排名前三的分别是NVIDIA、Intel和AMD。其中NVIDIA持有专利数量占全球总量的近20%。3、我国原生GPU企业,历史短,专利数量极少且布局仅在国内。1.24 1.24 国外厂商多年间构筑了庞大的专利池国外厂商多年间构筑了庞大的专利池 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑2006年,NVIDIA推出CUDA,这是一种用于通用GPU计算的革命性架构。CUDA的存在使得开发者使用GPU进行通用计算的难度大幅降低,使得开发者可以相对简单有效地对英伟达GPU芯片进行编程,使科学家和研究人员能够利用GPU的并行处理能力来应对最复杂的计算挑战。芯片是算力基础,但要充分发挥其性能,必须构建完备的系统软件底层库,英伟达构建了从底层系统软件、驱动软件、平台到上层的应用框架。此外,英伟达提供全面的算法库,几乎全部开源。1.25 1.25 英伟达全栈布局构筑强大生态英伟达全栈布局构筑强大生态图:英伟达提供全堆栈的图:英伟达提供全堆栈的AIAI、HPCHPC软件软件资料来源:搜狐,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑异构计算主要是指使用不同类型指令集和体系架构的计算单元组成系统的计算方式。异构计算近年来得到更多关注,主要是因为通过提升CPU时钟频率和内核数量而提高计算能力的传统方式遇到了散热和能耗瓶颈。而与此同时,GPU等专用计算单元虽然工作频率较低,具有更多的内核数和并行计算能力,总体性能-芯片面积比和性能-功耗比都很高,却远远没有得到充分利用。云和边缘计算的数据中心、自动驾驶等超级终端领域都是典型的复杂计算场景,这类型场景的计算平台都采用了大算力芯片,也是异构计算最重要的落地场景。2015年12月29日,英特尔公司宣布完成对Altera公司的收购,Altera公司是FPGA(可编程逻辑阵列)技术的领先提供商。2022年2月14日,AMD宣布以全股份交易(all-stock transaction)方式完成对赛灵思(Xilinx)的收购。英伟达自研CPU,在2022 GTC大会上,NVIDIA宣布推出首款面向AI基础设施和高性能计算的基于Arm Neoverse架构的数据中心专属CPUGrace CPU超级芯片。面向未来,海外大厂横向布局不断。1.26 1.26 走向异构,海外厂商横向布局不断走向异构,海外厂商横向布局不断资料来源:英伟达,华金证券研究所大算力芯片走向异构大算力芯片走向异构超异构的三大要素超异构的三大要素资料来源:极术社区,华金证券研究所绘制资料来源:AI计算迈入超异构时代宋继强,华金证券研究所绘制 请仔细阅读在本报告尾部的重要法律声明目录目录 0205由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑06风险提示风险提示2.1 AI2.1 AI技术赋能实体经济面临的瓶颈技术赋能实体经济面临的瓶颈2.2 2.2 ChatGPTChatGPT的破圈的破圈2.3 2.3 ChatGPTChatGPT的成功离不开预训练大模型的成功离不开预训练大模型2.4 2.4 预训练模型的发展历程预训练模型的发展历程2.5 Transformer2.5 Transformer架构成主流架构成主流2.6 2.6 自监督学习与自监督学习与TransformerTransformer的结合的结合2.7 2.7 大模型的突现能力大模型的突现能力2.8 2.8 参数量爆发式增长的参数量爆发式增长的ChatGPTChatGPT2.9 2.9 预训练大模型,第三波预训练大模型,第三波AIAI发展的重大拐点发展的重大拐点01020304产业相关产业相关建议关注建议关注全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速2.10 2.10 生成式生成式AIAI、边缘、边缘AIAI技术即将步入成熟期技术即将步入成熟期2.11 2.11 大模型是大算力和强算法结合的产物大模型是大算力和强算法结合的产物2.12 AI2.12 AI芯片三剑客芯片三剑客2.13 2.13 训练端训练端GPUGPU担纲担纲2.14 2.14 数据中心迈入数据中心迈入“高算力高算力”时代,兵家必争时代,兵家必争2.15 2.15 英伟达数据中心业务快速增长英伟达数据中心业务快速增长2.16 2.16 自动驾驶研发两大商业路线自动驾驶研发两大商业路线2.17 2.17 自动驾驶实现的两种技术路线自动驾驶实现的两种技术路线2.18 2.18 单车智能化推动算力升级加速单车智能化推动算力升级加速2.19 2.19 自动驾驶具备广阔市场前景自动驾驶具备广阔市场前景 请仔细阅读在本报告尾部的重要法律声明2 2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速过去,绝大部分人工智能企业和研究机构遵循算法、算力和数据三位一体的研究范式,即以一定的算力和数据为基础,使用开源算法框架训练智能模型。而这也导致了当前大部分人工智能处于“手工作坊式”阶段,面对各类行业的下游应用,AI逐渐展现出碎片化、多样化的特点,也出现了模型通用性不高的缺陷。这不仅是AI技术面临的挑战,也限制了AI的产业化进程。随着人工智能赋能实体经济进入深水区,企业通常面临数据资源有限、算力投资难度大、模型泛化能力差、高水平人才稀缺的发展瓶颈。2.1 AI2.1 AI技术赋能实体经济面临的瓶颈技术赋能实体经济面临的瓶颈人工智能发展的瓶颈问题人工智能发展的瓶颈问题资料来源:人工智能:天使还是魔鬼谭铁牛,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速聊天生成型预训练变换模型(Chat Generative Pre-trained Transformer)简称ChatGPT,是OpenAI开发的人工智慧聊天机器人程序,于2022年11月推出,上线两个月后已有上亿用户。ChatGPT目前仍以文字方式互动,而除了可以用人类自然对话方式来互动,还可以用于甚为复杂的语言工作,包括自动生成文本、自动问答、自动摘要等多种任务。2.2 2.2 ChatGPTChatGPT的破圈的破圈ChatGPTChatGPT突破突破1 1亿用户数所需时间对比亿用户数所需时间对比ChatGPTChatGPT介绍介绍资料来源:cnbeta,华金证券研究所资料来源:满投财经,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速人工智能需要用大量的数据对其进行训练,理论上来讲,投喂数据越多、数据质量越高,模型效果就会越好。而预训练(Pre-trained Models,PTMs),就是预先训练好的模型,可以帮助人们降低模型创建和训练的成本。预训练大模型需要深度学习的算法,也需要大的数据、大的算力,做自监督学习(模型直接从无标签数据中自行学习,无需标注数据),再面向不同的任务、在不同的应用场景里做少量任务数据进行迁移学习,进而应用于很多场景。ChatGPT能够实现当前的交互,离不开OpenAI在AI预训练大模型领域的积累。2.3 2.3 ChatGPTChatGPT的成功离不开预训练大模型的成功离不开预训练大模型资料来源:softwebsolutions,华金证券研究所NLPNLP模型开发领域的标准范式模型开发领域的标准范式“pretrain finetune”pretrain finetune”预训练的起源与发展预训练的起源与发展资料来源:阿里云开发者社区,华金证券研究所资料来源:Datawhale,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速预训练的研究最早起源于迁移学习。迁移学习的核心思想,即运用已有的知识来学习新的知识,通俗来说就是将一个预训练的模型被重新用在另一个任务中。早期的预训练模型主要基于有标签数据。而在NLP领域,由于下游任务的多样性以及数据标注的复杂性,导致无法获得一个像ImageNet这样大规模的有标签数据,所以NLP领域尝试使用自监督学习的方法来获取预训练模型,自监督学习的主要思想就是利用文本间的内在联系为监督信号。2017年出现的Transformer结构,给NLP领域预训练模型的发展带来了绝大的突破。Transformer的成功,也诱使CV领域加入了自监督预训练模型的赛道。如今,自监督预训练已经成为当前人工智能研究的重点,几乎所有的最新的PTM都是采用类Transformer结构与自监督学习的方法。2.4 2.4 预训练模型的发展历程预训练模型的发展历程预训练模型的分类预训练模型的分类资料来源:CSDN,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速2017年,谷歌团队首先提出Transformer模型。该团队将Transformer概括为一句话:“Attention is All You Need.”目前Transformer已经成为自然语言处理领域的主流模型,基于Transformer的预训练语言模型更是成为主流。除了 NLP 之外,Transformer 也逐渐成为很多基于序列的语音应用的主流AI模型,在很多场景中已取代RNN/LSTM,比如自动语音识别、语音合成等等Transformer受欢迎的主要原因是其架构引入了并行化,它利用了强大的TPU和并行训练,从而减少了训练时间。2.5 Transformer2.5 Transformer架构成主流架构成主流基于基于 Transformer Transformer 架构的架构的 NLP NLP 模型规模模型规模基于基于 Transformer Transformer 架构的应用架构的应用资料来源:新浪,华金证券研究所资料来源:新浪,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速自监督学习是从无标注数据中提取知识的一种手段,它能够利用数据本身的隐藏信息作为监督,和无监督有非常相似的设置。由于自然语言很难标注且又存在大量未标注的句子,所以NLP领域的预训练模型主要致力于自监督学习,进而大大促进了NLP领域的发展。预训练模型成功的关键是自监督学习与Transformer的结合,具有代表性的工作是GPT和BERT系列模型。后续的其他预训练模型都是这两个经典模型的变体。2.6 2.6 自监督学习与自监督学习与TransformerTransformer的结合的结合近年来的预训练模型家族近年来的预训练模型家族资料来源:搜狐网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速当扩展大型语言模型时,偶尔会出现一些较小模型没有的新能力,这种类似于创造力的属性被称作突现能力。GPT-3的论文表明,语言模型执行多位数加法的能力对于从100M到13B参数的模型具有平坦的缩放曲线,近似随机,但会在一个节点造成性能的飞升。初代GPT-3展示了三个重要能力:语言生成、上下文学习、世界知识。基本上三种能力都来自于大规模预训练:在有3000亿单词的语料上预训练拥有1750亿参数的模型。2.7 2.7 大模型的突现能力大模型的突现能力大模型的突现能力大模型的突现能力GPT-3.5 GPT-3.5 的进化树的进化树资料来源:拆解追溯GPT-3.5各项能力的起源符尧,华金证券研究所资料来源:Emergent Abilities of Large Language ModelsJeff Dean等,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速GPT模型的训练需要超大的训练语料,超多的模型参数以及超强的计算资源。2018年,OpenAI发布了生成式预训练语言模型GPT,可用于生成文章、代码、机器翻译、问答等各类内容。GPT的参数量1.17亿,预训练数据量约5GB;2019年2月份发布的GPT-2的参数量15亿,预训练数据量40GB;2020年5月发布的GPU-3的参数量高达1,750亿,预训练数据量高达45TB。2.8 2.8 参数量爆发式增长的参数量爆发式增长的ChatGPTChatGPT资料来源:ofweek,华金证券研究所图:图:ChatGPTChatGPT与与GPT 1-3GPT 1-3的技术对比的技术对比 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速深度学习时代,为了充分训练深层模型参数并防止过拟合,通常需要更多标注数据喂养。在NLP领域,标注数据更是一个昂贵资源。预训练从大量无标注数据中进行预训练使许多NLP任务获得显著的性能提升。大模型通常是在大规模无标注数据上进行训练,学习出一种特征和规则。基于AI大模型进行应用开发时,将大模型进行微调(在下游特定任务上的小规模有标注数据进行二次训练)或者不进行微调,就可以完成多个应用场景的任务,实现通用的智能能力。预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性,用户基于大模型通过零样本、小样本学习即可获得领先的效果,同时“预训练 精调”等开发范式,让研发过程更加标准化,显著降低了人工智能应用门槛,成为AI走向工程化应用落地的重要手段。2.9 2.9 预训练大模型,第三波预训练大模型,第三波AIAI发展的重大拐点发展的重大拐点训练大模型训练大模型“预训练预训练 精调精调”模式模式预训练大模型的基本原理预训练大模型的基本原理资料来源:百度大脑,华金证券研究所资料来源:IDC,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速根据Gartner发布的2022年Gartner人工智能(AI)技术成熟度曲线(Hype Cycle)显示,在多项人工智能技术中,生成式AI、合成数据、边缘AI等当下均处于期望膨胀期,预计2-5年达到高峰期。2.10 2.10 生成式生成式AIAI、边缘、边缘AIAI技术即将步入成熟期技术即将步入成熟期人工智能发展历程人工智能发展历程人工智能技术成熟度曲线人工智能技术成熟度曲线资料来源:Gartner,华金证券研究所资料来源:人工智能标准化白皮书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速ChatGPT等AI应用需要基于大量模型训练,以GPT-3模型为例,其存储知识的能力来源于1750亿参数,训练所需的算力高达3650PFLOPS-day。据Lambda实验室测算,如果采用英伟达V100 GPU和当时最便宜的云服务进行计算,GPT-3训练一次需要355个GPU年(一块GPU运行355年的运算量)、花费460万美元。美国市场研究机构TrendForce在2023年3月1日的报告中测算称,处理1800亿个参数的GPT-3.5大模型,需要的GPU芯片数量高达2万枚。未来GPT大模型商业化所需的GPU芯片数量甚至超过3万枚。在2022年11月,英伟达在官网公告中提到,微软Azure上部署了数万枚A100/H100高性能芯片。这是第一个采用英伟达高端GPU构建的大规模AI算力集群。2.11 2.11 大模型是大算力和强算法结合的产物大模型是大算力和强算法结合的产物资料来源:腾讯云,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速AI芯片(GPU/FPGA/ASIC)在云端同时承担人工智能“训练”和“推断”过程,在终端主要承担“推断”过程,从性能与成本来看ASIC最优。ASIC作为专用芯片,算力与功耗在通用芯片GPU具有绝对优势,但开发周期较长,落地较慢,需一定规模后才能体现成本优势。FPGA可以看做从GPU到ASIC重点过渡方案。相对于GPU可深入到硬件级优化,相比ASIC在算法不断迭代演进情况下更具灵活性,且开发时间更短。2.12 AI2.12 AI芯片三剑客芯片三剑客GPUGPUFPGAFPGAASICASIC特性图形处理器,图像和图形相关运算工作的微处理器现场可编程门阵列,可以重构电路的芯片,一种硬件可重构的体系结构专用集成电路,应特定用户要求和特定电子系统需要而设计制造的集成电路性能较高较低高灵活性较低较高低成本较高低高功耗高较低低同构性较低较高低优点可以支撑大量数据的并行计算,适合对数据密集型的应用进行计算和处理可无限次编程,延时性比较低,同时拥有流水线并行和数据并行、灵活性高功耗低,适合量产缺点功耗高,管理控制能力弱,不具备可编程性开发难度大、只适合定点运算、价格比较昂贵研发成本高昂,开发周期长,灵活性低图:图:AIAI芯片三剑客芯片三剑客资料来源:华金证券研究所整理 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速虽然AI芯片目前看有三大类,但是基于几点原因,我们判断GPU仍将是主流:1、Transformer架构是最近几年的主流,该架构最大的特点之一就是能够利用分布式GPU进行并行训练,提升模型训练效率;2、ASIC的算力与功耗虽然看似有优势,但考虑到AI算法还是处于一个不断发展演进的过程,用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险;3、英伟达强大的芯片支撑、生态、算法开源支持。2.13 2.13 训练端训练端GPUGPU担纲担纲不同场景对于不同类型不同场景对于不同类型AIAI芯片的占比预测芯片的占比预测资料来源:赛迪顾问,华金证券研究所20182018年全球年全球AIAI芯片市场结构芯片市场结构资料来源:赛迪顾问,华金证券研究所云端训练芯片49%云端推理芯片21%终端推理芯片30%请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速工信部发布的新型数据中心发展三年行动计划(2021-2023年)明确了算力内涵并引入测算指标FLOPS,对数据中心发展质量进行评价,指出到2023年底,总算力规模将超过200 EFLOPS,高性能算力占比将达到10%,到2025年,总算力规模将超过300 EFLOPS。由于GPU比CPU更适合处理企业数据中心和超大规模网络中AI和机器学习所需的许多计算,数据中心对GPU的需求是一个不断增长的机会。2.14 2.14 数据中心迈入数据中心迈入“高算力高算力”时代,兵家必争时代,兵家必争2016-20202016-2020中国算力结构变化中国算力结构变化2020-20252020-2025年全球年全球AIAI服务器行业市场规模及增速(单位:亿美元)服务器行业市场规模及增速(单位:亿美元)资料来源:华经产业研究院,华金证券研究所资料来源:信通院,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速英伟达有四大产品线平台,包括游戏业务、数据中心、专业显示和汽车业务。2023财年第一季度,英伟达游戏业务收入较上年同比增长31%,环比增长6%;数据中心收入同比增长83%,环比增长15%,主要是由用于训练和推理的GPU销售所驱动的;专业显示的收入同比增长67%,环比下降3%;汽车收入同比下降10%,环比增长10%,同比下降由于汽车制造商供应限制等因素导致。2.15 2.15 英伟达数据中心业务快速增长英伟达数据中心业务快速增长28184060551362465,5187,75912,4625,662339830193229322,9836,69610,6137,55675083593411301,2121,0532,1111,1183204875586417005365663587836987777675056311,1622980 0Pp0 152016201720182019202020212022H1图:英伟达按下游市场划分销售占比(百万美元)GamingDataCenterProVisualizationAutomotiveOEM&Other资料来源:wind,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速自动驾驶研发有两大路线:以传统车企为代表的渐进式路线,从L1逐步升级到L5;以科技公司为代表的跨越式路线,跳过驾驶辅助系统,直接从高度自动驾驶L4系统切入,首先会在一些相对较易的商用场景率先落地。2.16 2.16 自动驾驶研发两大商业路线自动驾驶研发两大商业路线汽车制造商和互联网企业的自动驾驶技术发展路径汽车制造商和互联网企业的自动驾驶技术发展路径资料来源:亚洲新能源汽车网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速从商业场景来看,实现的自动驾驶的路径主要有两条,一是单车智能,即通过摄像头、雷达等传感器以及高效准确的算法,赋予车辆自动驾驶的能力;二是车路协同,即主要通过5G、高精地图,来感知路况从而具备无人驾驶功能。从当下技术角度来看,无论单车智能还是车路协同都存在不足之处,两者结合可以提升自动驾驶安全。但是从商业角度,车路协同需要大量的、长期的基础设施建设,车企目前主要还是选择单车智能的技术路线,而且这样也能满足对于自动驾驶技术的自主可控。2.17 2.17 自动驾驶实现的两种技术路线自动驾驶实现的两种技术路线车路协同系统架构车路协同系统架构资料来源:中国新通信,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速自动驾驶的完整流程包括感知、决策、控制,自动驾驶域的算法一般也被划分感知算法、融合算法和执行算法三种。随着车辆自动驾驶等级的提升,对于车辆的主动性要求也大幅度提升,自动驾驶算法的难度就在于在所面对场景的多样性和复杂性。由于不依赖人工智能算法实现基于机器的环境感知和规划决策,L1-L2级传统汽车不需要太大的车载算力,因此多采用小算力、微控制器的解决方案。从L2级开始,尤其是L3级以上的自动驾驶汽车需要装备大算力芯片支撑感知、决策算法的高效运行。根据地平线公司的预测,自动驾驶每提高一级,算力就增加一个数量级。L2级别大概需要2个TOPS的算力,L3需要24个TOPS,L4为320TOPS,L5为4000 TOPS。2.18 2.18 单车智能化推动算力升级加速单车智能化推动算力升级加速自动驾驶核心技术自动驾驶核心技术资料来源:51CTO,华金证券研究所不同等级自动驾驶对于算力的需求不同等级自动驾驶对于算力的需求资料来源:地平线,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明2.2.产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速IDC最新发布的全球自动驾驶汽车预测报告(2020-2024)数据显示,2024年全球L1-L5级自动驾驶汽车出货量预计将达到约5425万辆,2020至2024年的年均复合增长率(CAGR)达到18.3%;L1和L2级自动驾驶在2024年的市场份额预计分别为64.4%和34.0%。中国仍将是全球汽车工业的主要市场,ICV的报告预计,到2026年中国汽车销售市场约占到全球的40.12%。2.19 2.19 自动驾驶具备广阔市场前景自动驾驶具备广阔市场前景全球自动驾驶汽车出货量及增长率预测(全球自动驾驶汽车出货量及增长率预测(2020-20242020-2024)资料来源:IDC,华金证券研究所全球自动驾驶汽车出货量及增长率预测(全球自动驾驶汽车出货量及增长率预测(2020-20242020-2024)资料来源:ICV,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明目录目录 0305由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑06风险提示风险提示3.1 3.1 全球数据中心负载任务量快速增长全球数据中心负载任务量快速增长3.2 3.2 全球计算产业投资空间巨大全球计算产业投资空间巨大3.3 3.3 预训练大模型对于预训练大模型对于GPUGPU的需求的需求3.4 3.4 国内市场需求将保持高增长国内市场需求将保持高增长3.5 3.5 云计算及云部署方式云计算及云部署方式3.6 3.6 不同云部署方式的市场占比不同云部署方式的市场占比3.7 3.7 企业上云持续向细分行业渗透企业上云持续向细分行业渗透3.8 3.8 从从“资源上云资源上云”迈入迈入“深度用云深度用云”3.9 3.9 信创从试点走向推广信创从试点走向推广3.10 3.10 公有云主要参与厂商公有云主要参与厂商01020304产业相关产业相关建议关注建议关注全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速3.11 3.11 云计算产业链云计算产业链3.12 3.12 集成显卡与独立显卡市场份额集成显卡与独立显卡市场份额3.13 3.13 独立显卡英伟达一家独大独立显卡英伟达一家独大3.14 3.14 性能强大的性能强大的H100H1003.15 3.15 国产厂商两条发展路径:国产厂商两条发展路径:GPUGPU和和GPGPUGPGPU3.16 3.16 先求有,再求好先求有,再求好3.17 3.17 生态先兼容主流,未来将走向自建生态先兼容主流,未来将走向自建3.18 3.18 国产之路已开启,部分国产国产之路已开启,部分国产GPUGPU设计厂商列表设计厂商列表3.19 GPU3.19 GPU发展离不开全球产业链的支撑发展离不开全球产业链的支撑3.20 3.20 制程升级对于算力芯片性能提升具有较高贡献度制程升级对于算力芯片性能提升具有较高贡献度3.21 3.21 摩尔定律发展趋缓摩尔定律发展趋缓3.22 3.22 ChipletChiplet技术潜力大技术潜力大3.23 3.23 ChipletChiplet技术发展历程技术发展历程3.24 3.24 行业巨头推动,产业加速落地行业巨头推动,产业加速落地3.25 3.25 采用采用ChipletChiplet技术的产品不断出现技术的产品不断出现3.26 3.26 算力两大演进方向:更大算力算力两大演进方向:更大算力&更多样化应用更多样化应用3.27 3.27 存量替代与增量成长并存存量替代与增量成长并存3.28 3.28 高吞吐量离不开高速传输高吞吐量离不开高速传输3.29 3.29 光通信前景可期光通信前景可期 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至大规模张量运算、矩阵运算是人工智能在计算层面的突出需求,高并行度的深度学习算法在视觉、语音和自然语言处理等领域上的广泛应用使得计算能力需求呈现指数级增长。根据IDC的预测,从2018年至2025年,全球的数据增长量达到5倍以上,将从2018年的32ZB增至2025年的175ZB。中国将在2025年以48.6ZB的数据量及27.8%的占比成为全球最大的数据汇集地。根据Cisco的预计,2021年全球数据中心负载任务量将超过2016年的两倍,从2016年的不到250万个负载任务量增长到2021年的近570万个负载任务量。3.1 3.1 全球数据中心负载任务量快速增长全球数据中心负载任务量快速增长20102010年至年至20252025年全球数据量增长情况年全球数据量增长情况资料来源:IDC,华金证券研究所20162016年年-2021-2021年数据中心负载任务量变化年数据中心负载任务量变化资料来源:Cisco Global Cloud Index,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至根据鲲鹏计算产业发展白皮书内容显示,数字化浪潮正重塑世界经济格局,数字经济正在成为全球可持续增长的引擎。IDC预测,到2023年数字经济产值将占到全球GDP的62%,全球进入数字经济时代。新的计算产业链将推动全球计算产业快速发展,带动全球数字经济走向繁荣。IDC预测,到2023年,全球计算产业投资空间1.14万亿美元。中国计算产业投资空间1043亿美元,接近全球的10%,是全球计算产业发展的主要推动力和增长引擎。3.2 3.2 全球计算产业投资空间巨大全球计算产业投资空间巨大鲲鹏计算产业定义鲲鹏计算产业定义资料来源:鲲鹏计算产业发展白皮书,华金证券研究所20232023年全球计算产业投资额(美元)年全球计算产业投资额(美元)资料来源:鲲鹏计算产业发展白皮书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至根据TrendForce的估计,2020年,GPT模型处理训练数据所需的GPU数量达到了20000左右。展望未来,GPT模型(或 ChatGPT)商业化所需的GPU数量预计将达到30000个以上。这些均使用英伟达的A100 GPU作为计算基础。根据中关村在线的新闻显示,目前英伟达A100显卡的售价在1.001.50万美元之间。英伟达还将A100作为DGX A100系统的一部分进行销售,该系统具有八块A100,两块AMD Rome 7742 CPU,售价高达199,000美元。3.3 3.3 预训练大模型对于预训练大模型对于GPUGPU的需求的需求英伟达数据中心英伟达数据中心GPUGPU对比对比资料来源:cnbeta,华金证券研究所DGX A100DGX A100组件组件资料来源:foresine,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至人工智能领域的应用目前处于技术和需求融合的高速发展阶段,在运算加速方面逐渐形成了以GPGPU解决方案为主的局面。根据前瞻产业研究院的数据,未来几年内,中国人工智能芯片市场规模将保持年均40%至50%的增长速度,到2024年,市场规模将达到785亿元。聚集强大人工智能算力的智算中心是中国数字经济高速发展的产物,是一种新型的公共基础设施。国家已经出台了相关政策,并把智算中心列为“新基建”。3.4 3.4 国内市场需求将保持高增长国内市场需求将保持高增长中国人工智能芯片市场规模(亿元)中国人工智能芯片市场规模(亿元)东数西算枢纽节点区域特点及布局思路东数西算枢纽节点区域特点及布局思路资料来源:前瞻产业研究院,华金证券研究所资料来源:海光信息招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至云计算广义的来说是厂商通过建立网络服务器集群,向各种不同类型客户提供在线软件服务、硬件租借、数据存储、计算分析等不同类型的服务。云计算按后台位置主要分为公有云、私有云(含政务云)、混合云三种形态。目前国内主流公有云如阿里云、华为云、腾讯云等。私有云如政务云、金融云、工业云、物流云等。3.5 3.5 云计算及云部署方式云计算及云部署方式云部署方式分类云部署方式分类云部署不同方式对比云部署不同方式对比资料来源:可道云,华金证券研究所资料来源:搜狐,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至公有云是第三方提供的服务,而私有云是企业内建的供企业自身使用的云服务。根据中商情报网的数据,目前中国云计算市场中,公有云与私有云的市场规模相差较小,公有云占比较多,达52%;私有云占比48%。从规模上来看,根据IDC的数据,2021年中国公有云市场达1853亿元。IDC预测,未来5年,中国公有云市场会以复合增长率30.9%继续高速增长,预计到2026年,市场规模将达到1057.6亿美元,中国公有云服务市场的全球占比将从2021年的6.7%提升为9.9%。3.6 3.6 不同云部署方式的市场占比不同云部署方式的市场占比2 2中国公有云市场规模预测(亿美元)中国公有云市场规模预测(亿美元)中国云计算市场规模占比情况中国云计算市场规模占比情况资料来源:中商情报网,华金证券研究所资料来源:IDC,华金证券研究所52H%公有云私有云 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至据Gartner公司测算,2015-2021年,全球政府和企业的云计算市场渗透率逐年上升,由4.3%上升至15.3%。云计算用户已经遍及互联网、政务、金融、教育、制造等各个行业。在中国,互联网行业是云计算产业的主流应用行业,占比约为1/3;在政策驱动下,中国政务云近年来实现高增长,政务云占比约为29%;交通物流、金融、制造等行业领域的云计算应用水平正在快速提高,占据了更重要的市场地位。3.7 3.7 企业上云持续向细分行业渗透企业上云持续向细分行业渗透资料来源:中国云计算产业发展白皮书,华金证券研究所20182018年中国云计算产业结构(按行业)年中国云计算产业结构(按行业)请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至基础云计算服务将向新一代算力服务演进。作为云服务的升级,人工智能、区块链、大数据、扩展现实等算力服务不断成熟,并呈现出泛在化、普惠化、标准化的特点。新一代智能算力服务形成数字经济的核心生产力,成为加速行业数字化及经济社会发展的重要引擎。3.8 3.8 从从“资源上云资源上云”迈入迈入“深度用云深度用云”资料来源:IDC,华金证券研究所20222022年中国云计算市场十大预测年中国云计算市场十大预测 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至根据经济参考报的分析,我国信息国产化的成长大致分为四个阶段:自1999年-2013年从无到有的核高基时代;2013年-2016年的“棱镜门”事件与去IOE;2016年-2018年的芯片半导体安全可靠时代;2018年底至今的大安全可靠,从党政军试点,关键行业金融、电信(运营商)、教育信、能源、医疗、交通、航空航天、建筑逐步推广,统称为“2 8”,中国一步一步的走出自己的新创产业。3.9 3.9 信创从试点走向推广信创从试点走向推广资料来源:亿欧,华金证券研究所信创产业体系全景图信创产业体系全景图2023 2023 年中国与全球计算机产业市场空间预测(亿美元)年中国与全球计算机产业市场空间预测(亿美元)资料来源:中国信创产业发展白皮书(2021),华金证券研究所资料来源:中国信创产业发展白皮书(2021),华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至国际权威行业研究机构IDC最新发布中国公有云服务市场(2022H1&;2022Q2)跟踪报告。报告数据显示:2022年第二季度,阿里云以33.8%排第一,然后是华为云、中国电信、腾讯云、Amazon Web Services,分别占11.7%、11.5%、9.9%、8.3%。华为云在中国Top3云厂商中保持增速最快,位列中国公有云市场(IaaS PaaS)第二,其中IaaS市场份额上升至11.7,IaaS PaaS市场份额上升至11.2。3.10 3.10 公有云主要参与厂商公有云主要参与厂商中国中国Top5Top5公有云公有云laaSlaaS厂商份额占比(厂商份额占比(2022Q22022Q2)中国中国Top5Top5公有云公有云laaS PaaSlaaS PaaS厂商份额占比(厂商份额占比(2022Q22022Q2)资料来源:IDC,华金证券研究所资料来源:IDC,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至3.11 3.11 云计算产业链云计算产业链资料来源:锐观网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至按GPU下游的不同应用,可分为终端GPU,服务器GPU,智能驾驶GPU以及军用显控等其他应用领域GPU。在终端GPU中分为集成GPU(集显)与独立GPU(独显),前者注重轻薄,后者注重性能输出。服务器等高性能需求场景下GPU以独立为主。从量级上来看,集成显卡的出货量级最大,根据GPU行业调研机构JPR的公布的数据,2021年Q2,全球GPU出货量高达1.23亿,其中英特尔占据了68.3%的份额,AMD和英伟达分别维16.5%、15.2%。英特尔的高份额主要来源于其CPU和GPU的捆绑销售,即作为集成显卡的形式运行在PC当中。独立显卡则是英伟达一家独大。3.12 3.12 集成显卡与独立显卡市场份额集成显卡与独立显卡市场份额GPUGPU的分类的分类资料来源:华经情报网,华金证券研究所20212021年年Q2Q2各厂商各厂商GPUGPU出货量市场份额占比出货量市场份额占比资料来源:JPR,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至根据GPU行业调研机构Jon Peddie Research(JPR)发布的报告显示,2021年第二季度,全球独立显卡市场销售额达118亿美元,同比增幅达到了179,预计到2023年,整个市场将达441亿美元。2021年二季度独立显卡的出货量约为1100万块,比第一季度的1200万块减少了2.9(台式机市场同期增长1.2),但对比2020年同期的1000万块大幅增加了13.4,而同期台式机市场只增长了8.0。2021年第二季度的厂商份额方面,NVIDIA达到了80,其次是AMD。3.13 3.13 独立显卡英伟达一家独大独立显卡英伟达一家独大独立显卡市场规模(百万美元)独立显卡市场规模(百万美元)资料来源:JPR,华金证券研究所独立显卡出货量(百万块)独立显卡出货量(百万块)资料来源:JPR,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至英伟达于2022年3月份发布基于新架构NVIDIA Hopper的H100 GPU,H100采用Hopper架构,800亿晶体管,812的面积,台积电N4工艺,由800亿个晶体管组成,并采用了众多开创性的技术,包括强大的全新Transformer引擎和NVIDIA NVLink互连技术,以加速最大规模的AI模型。根据MLCommons社区发布了最新的MLPerf 2.1基准测试结果,以NVIDIA A100相比,H100在MLPerf模型规模最大且对性能要求最高的模型之一用于自然语言处理的BERT模型中表现出4.5倍的性能提升根据新浪科技新闻,H100售价约24万人民币。3.14 3.14 性能强大的性能强大的H100H100H100H100性能对比图性能对比图东数西算枢纽节点区域特点及布局思路东数西算枢纽节点区域特点及布局思路资料来源:CSDN,华金证券研究所资料来源:雷锋网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至GPU技术上面向渲染和AI计算两大方向,国内厂商基本上也各自选择了两者中的不同方向进行突破,小部分厂商同时进行两个方向的技术布局。GPGPU方向的代表性厂商像海光、壁仞、沐曦、登临、天数智芯等,渲染路线的代表性厂商像景嘉微、摩尔线程(两个方向均有布局)、芯动科技等。3.15 3.15 国产厂商两条发展路径:国产厂商两条发展路径:GPUGPU和和GPGPUGPGPU资料来源:各公司官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至国产GPU厂商真正的大量出现是最近几年的事情,从当前来看,大量企业属于初创期,无论是产品能力还是市场规模都无法和国外大厂相提并论,但是我们认为国内厂商当下是从0到1的阶段,先求有产品,能够通过产品逐步打开一定的市场,再求快速迭代,拉近与国外大厂的差距,并形成自身的竞争力。3.16 3.16 先求有,再求好先求有,再求好20212021年上半年部分年上半年部分AIAI芯片企业融资情况一览芯片企业融资情况一览资料来源:ebrun,华金证券研究所景嘉微已量产景嘉微已量产GPUGPU产品与英伟达产品与英伟达 GT640GT640性能对比性能对比资料来源:华经情报网,华金证券研究所JM5400JM7200JM7201GT640(DDR3)(Nvidia)流片/发布时间2014.42018.820192012.6工艺65nm CMOS28nm CMOS28nm CMOS28nm内核时钟频率最大550MHz最大1300MHz最大1200MHz900MHz主机接口PCI 2.3PCI-E 2.016PCI-E 2.016PCI-E 3.016显存带宽12.8GB/s17GB/s-存储容器量1GB DDR34GB DDR34GB DDR32GB DDR3像素填充率2.2Gpixels/s5.2Gpixels/s4.8Gpixels/s7.2Gpixels/s浮点性能/GFLOPS160500-692功耗不超过6W桌面小于20W、嵌入式小于10W桌面10W-15W50W 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至对于GPU用户,产品性能是一个门槛,另一个门槛是易用性,这涉及到生态问题。国外大厂经过多年发展,已经形成了比较强的生态,国内GPU厂商在发展初期一般需要先兼容主流生态来尽可能提升自身芯片的易用性。面向AI应用场景时,AI对于生态要求比较高,涉及框架、应用、模型的适配等,以英伟达为例,作为通用的DSA,拥有着广泛使用的编程生态,虽然在硬件的计算能效上会低于一些专用芯片,但是其较高的易用性大幅度降低了下游开发者的应用门槛。现在主流的深度学习框架基本都是基于CUDA进行GPU并行加速。3.17 3.17 生态先兼容主流,未来将走向自建生态先兼容主流,未来将走向自建地平线天工开物开发平台地平线天工开物开发平台摩尔线程开发的摩尔线程开发的CUDA ON MUSACUDA ON MUSA兼容方案兼容方案资料来源:eetop,华金证券研究所资料来源:ofweek,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至3.18 3.18 国产之路已开启,部分国产国产之路已开启,部分国产GPUGPU设计厂商列表设计厂商列表公司地区主业代表性产品景嘉微电子长沙产品主要涉及图形显控领域、小型专用化雷达领域、芯片领域和其他JM5系列、JM7系列和JM9系列为代表的系列图形处理芯片。JM9系列图形处理芯片已完成流片、封装阶段工作及初步测试工作芯动科技珠海一站式IP和芯片定制,聚焦计算、存储、连接等三大赛道“风华1号”4K级多路服务器GPU:渲染能力160GPixel/s,单精度浮点性能5TFLOPS,AI性能25TOPS;“风华2号”4K级三屏桌面GPU:浮点算力1.5TFLOPS(FP32),AI性能12.5TOPS(INT8)航锦科技辽宁化工板块,军工产品涵盖存储芯片、总线接口芯片、模拟芯片、图形处理芯片、特种FPGA、多芯片组件等高性能图形处理芯片SG6931:国产化自主可控PCI-E 图形处理器,支持ows、Linux、VxWorks、DOS 等通用操作系统以及多种国产处理器反熔丝FPGA:国内独家供应商,用于军用战斗机兆芯上海中央处理器、图形处理器、芯片组三大核心技术,具备相关IP自主设计研发的能力。开先KX-6000 X86处理器:代号“陆家嘴”,16nm制程工艺,8核心设计,主频3.0GHz,集成8MB L3缓存,双通道DDR4-3200内存昆仑芯北京深耕AI加速领域昆仑芯2代芯片:2021年量产,第二代云端通用人工智能计算处理器,7nm先进工艺,GDDR6高性能显存,256 TOPSINT8,128 TFLOPSFP16,最大功耗120W凌久微电子武汉图形处理GPU/SOC的研发以及配套软件生态构建凌久GP201:统一渲染架构的自主高性能图形处理芯片,主频1GHz,单精度浮点1TFlops,最大支持32GB DDR4/LPDDR4显存天数智芯上海自研云端通用计算GPGPU及基础软件天垓100:国内唯一量产的通用GPU,基于SIMT架构,7 nm制程、240亿晶体管,2.5D CoWoS封装,1.2TB/s带宽和32GB容量内存壁仞科技上海GPU、DSA和计算机体系结构领域BR100:7nm制程工艺,770亿晶体管,原创架构下以OAM模组形态部署,能在通用UBB主板上形成8卡点对点全互连拓扑沐曦集成电路上海完全自主研发的GPU IP,异构计算和各种高性能GPUMXN系列GPU(曦思)用于AI推理,MXC系列GPU(曦云)用于科学计算及AI训练,以及MXG系列GPU(曦彩)用于图形渲染登临科技上海高性能通用计算平台的芯片研发与技术创新Goldwasser-XL:INT8算力 512TOPS,GPU 较国际主流产品有更小的功耗和更高的性能摩尔线程北京研发设计全功能GPU芯片及相关产品MTT S80:消费级游戏显卡,“春晓”芯片核心,内置 4096 个 MUSA 流处理核心,16GB GDDR6 高速显存,1.8GHz 的主频,14.4TFLOPS 的单精度浮点算力MTT S3000:面向服务器,“春晓”芯片核心,4096 个 MUSA核心,128 个专用张量计算核心,晶体管 220 亿,运行频率为 1.9GHz,32GB GDDR6 显存;FP32 算力 15.2TFLOPS瀚博半导体上海高性能通用加速芯片和智能视觉芯片设计SG100:7nm制程工艺,SR-IOV虚拟化,集渲染、AI、视频于一体载天VA10:INT8算力400TFLOPS,适用于实时AI应用燧原科技上海人工智能领域云端算力产品邃思2.0:12nm制程,最高达160TFLOPS(TF32),64GB容量,1.8TB/s带宽芯瞳半导体西安GPU 芯片设计、异构计算平台、嵌入式显示和GPU 应用 GenBu01:40nm制程,国内第一款统一渲染架构芯片,1GB显存龙芯中科北京先进制程芯片和高性能通用图形处理器芯片龙芯中科于 2017 年开始研发 GPU,第一款 GPU IP 核已经在龙芯 7A2000 桥片样片中流片成功海光信息天津海光通用处理器(CPU)和海光协处理器(DCU)海光8000系列。海光8100,典型运算类型包括双精度、单精度、半精度浮点数据和各种常见整型数据,采用先进的FinFET工艺,典型应用场景下性能指标可以达到国际同类型高端产品的同期水平寒武纪-U北京注于人工智能芯片产品的研发与技术创新思元220、思元290、思元370等资料来源:各公司官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至3.19 GPU3.19 GPU发展离不开全球产业链的支撑发展离不开全球产业链的支撑资料来源:概论电子招股书,芯东西,汽车人参考,华金证券研究所绘制图:英伟达产品升级离不开制程升级图:英伟达产品升级离不开制程升级图:图:GPUGPU发展离不开全球产业链支撑发展离不开全球产业链支撑 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至以过去十年CPU的性能大幅度提升为例,根据AMD的分析,在性能提升的贡献上面,制程工艺技术占40%,裸片尺寸和额外的TDP占另外20%,微架构、电源管理和编译器构成了图片的其余部分。3.20 3.20 制程升级对于算力芯片性能提升具有较高贡献度制程升级对于算力芯片性能提升具有较高贡献度半导体工艺技术路线图半导体工艺技术路线图过去十年芯片性能提升的贡献分析过去十年芯片性能提升的贡献分析摩尔定律放缓摩尔定律放缓资料来源:ednchina,chinaflashmarket,电子发烧友,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至2000年之前,每一代芯片的性能提升来自两个方面:一是按照Denard(登纳德)微缩效应,每代芯片的频率提升带来了40%的改进;二是每代芯片晶体管密度提升带来的体系结构的改进符合波拉克法则,即平方根级别的提升,达41%。将这两方面的性能提升叠加,最终得到1.97倍,于是每代会有差不多一倍的提升,而且,芯片晶体管密度的“摩尔定律”可换算成性能的“摩尔定律”。如今,“摩尔定律”已经越来越偏离最早的预测。英伟达(NVIDIA)创始人兼CEO黄仁勋表示,以类似成本实现两倍业绩预期对于芯片行业来说已成为过去,“摩尔定律已经死了。”3.21 3.21 摩尔定律发展趋缓摩尔定律发展趋缓20192019年年CerebrasCerebras芯片偏离了摩尔定律发展芯片偏离了摩尔定律发展半导体制造工艺的两种演进路线图半导体制造工艺的两种演进路线图资料来源:钛媒体,华金证券研究所资料来源:linkedin,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至Chiplet俗称芯粒,也叫小芯片,是将一类满足特定功能的die(裸片)通过die-to-die内部互联技术将多个模块芯片与底层基础芯片封装在一起,Chiplet是一种类似打乐高积木的方法,能将采用不同制造商、不同制程工艺的各种功能芯片进行组装,从而实现更高良率、更低成本。Chiplet技术可以突破单一芯片的性能和良率等瓶颈,降低芯片设计的复杂度和成本。基于向Chiplet模式的设计转型,已经是大型芯片厂商的共识。3.22 3.22 ChipletChiplet技术潜力大技术潜力大ChipletChiplet是芯片生产和集成技术发展趋势是芯片生产和集成技术发展趋势资料来源:电子发烧友,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至先进封装工艺包括倒装焊(FlipChip)、晶圆级封装(WLP)、2.5D封装(Interposer)、3D封装(TSV)、Chiplet等。根据Yole数据,2021年全球封装市场规模约达777亿美元。其中,先进封装全球市场规模约达777亿美元。其中,先进封装全球市场规模约350亿美元。预计到2025年,先进封装的全球市场规模将达到420亿美元,2019-2025年,全球封装市场的CAGR约8%。3.23 3.23 ChipletChiplet技术发展历程技术发展历程资料来源:semiengineering,华金证券研究所芯片整合已演进至芯片整合已演进至2.5D/3D2.5D/3D及及ChipletChiplet封装封装 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至英特尔、AMD、Arm、高通、台积电、三星、日月光、google云、Meta(facebook)、微软等十大行业巨头成立了Chiplet标准联盟,正式推出了通用Chiplet(芯粒)的高速互联标准“Universal Chiplet Interconnect Express”,简称“UCIe”,旨在定义一个开放的、可互操作的标准,用于将多个硅芯片(或芯粒)通过先进封装的形式组合到一个封装中。中国计算机互连技术联盟(CCITA)秘书长、中科院计算所研究员郝沁汾接受媒体采访时表示,中国可以采用28nm成熟工艺的芯片,通过Chiplet封装方式,使其性能和功能接近16nm甚至7nm工艺的芯片性能。3.24 3.24 行业巨头推动,产业加速落地行业巨头推动,产业加速落地资料来源,讯石光通讯网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至3.25 3.25 采用采用ChipletChiplet技术的产品不断出现技术的产品不断出现资料来源:Chiplet的现状和需要解决的问题李应选,台积电,华金证券研究所英特尔使用的英特尔使用的2.5D/3D2.5D/3D封装封装英特尔公司基于英特尔公司基于AIBAIB的多样化的的多样化的ChipletChiplet生态系统生态系统AMD EPYCAMD EPYC芯片演化芯片演化台积电提出的半导体创新的三个方向台积电提出的半导体创新的三个方向 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至据IDC预测数据,伴随万物感知、万物互联以及万物智能时代的开启,2025年全球物联网设备数将超过400亿台,产生数据量接近80ZB。预估未来五年全球算力规模将以超过50%的速度增长,到2025年整体规模将达到3300EFlops。超过一半的数据需要依赖终端或者边缘的计算能力进行处理。市场研究机构IoT Analytics发布了全球企业物联网支出的跟踪研究报告,报告显示,过去的2022年,全球各行业企业在物联网方面的支出2010亿美元,同比增长了21.5%。在2022年全球经济低迷、疫情打断正常生产的影响下,能实现这一增长实属不易。预计到2027年,企业对物联网的支出将达到4830亿美元3.26 3.26 算力两大演进方向:更大算力算力两大演进方向:更大算力&更多样化应用更多样化应用IoTIoT市场预测市场预测多样化是算力发展的另一个维度多样化是算力发展的另一个维度资料来源:IoT Analytics,华金证券研究所资料来源:华为,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至整体来看,处理器芯片下游应用广泛,既包括消费电子如手机、平板、扫地机器人、无人机等,又包括各种类型的行业应用如安防、商显、工业等。对于处理器芯片需求的增长有两个维度,一方面是出货量增长带来的,一方面是性能持续升级带来的。而对于国内芯片厂商来说出货量的增长又可细分为两个维度,一方面是国产替代带来的,另一方面是下游需求增量带动的。3.27 3.27 存量替代与增量成长并存存量替代与增量成长并存资料来源:IDC、Counterpoint,华金证券研究所国内全球核心技术点核心厂商智能手机3.51 13.50 需要BP配套,竞争激烈,先进制程跟进高通、联发科、三星、苹果、海思、紫光展锐等平板电脑0.28 1.68 需要BP配套,竞争激烈,先进制程跟进高通、联发科、三星、苹果、海思、瑞芯微、全志等PC0.57 3.49 X86架构英特尔、高通、AMD智能电视0.39 2.15 全格式视频编解码、图像显示处理、数字电视解码联发科、晶晨、瑞芯微、全志、海思机顶盒0.72 3.05 全格式视频编解码、运营商准入晶晨、博通、海思、国科微、瑞芯微、全志安防4.78图像处理、视频编解码海思、TI、富瀚微、厦门星宸、北京君正、联咏、瑞芯微、全志等商显0.09-图像显示处理、视频编解码瑞芯微、晶晨、全志、MSTAR等智能座舱0.137-先进制程、图像显示处理、人机交互、车规认证、车规操作系统高通、联发科、三星、海思、瑞萨、恩智浦、瑞芯微、晶晨、全志等智能手表0.40 1.28 图像显示处理、人机交互、操作系统、功耗控制高通、恒玄等VR/AR-0.11 图像显示处理、人机交互、视频解码、功耗控制高通、瑞芯微、全志等终端应用场景主要市场出货量和供应情况概览终端应用场景主要市场出货量和供应情况概览 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至中国联通于2019年在行业内首次发布算力网络白皮书,率先倡导算力网络概念,提出算力网络是云网融合新发展阶段。从网络角度看,算力网络是面向计算和智能服务的新型网络体系,“IPv6 ”和“全光底座”是算力网络的技术基石;从算力和服务角度看,算力网络是网络化的算力基础设施,是依托网络构建的多样化算力资源调度和服务体系,是数字基础设施服务的新形态。光纤通信网络是信息基础设施重要组成和关键承载底座,国家“十四五”规划、信息通信业“十四五”规划等对于光纤通信网络的未来发展高度重视,千兆光网发展、骨干网演进和服务能力升级成为重点内容。3.28 3.28 高吞吐量离不开高速传输高吞吐量离不开高速传输资料来源:C114通信网,华金证券研究所图:全光算力网络是实现高品质、高安全、高可靠的算力业务传送的关键所在 请仔细阅读在本报告尾部的重要法律声明3 3.全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至光取代电作为信息载体是未来的趋势,从光通信到光芯片,光将渗透到人们生活的方方面,这一进程正在加速;面临海量的数据需求的场景下,电的进化在变弱,光的技术在变强。光和电,都是信号承载的载体,相对于电通信,光通信的优点包括传输速率高、能耗效率高、无信号间干扰等。LightCounting认为,光模块市场在2020年和2021年分别增长17%和10%之后,2022年有望再次实现收入的强劲增长,预期14%。不过,预计在2023年将放缓至4%,然后在2024-2025年恢复。3.29 3.29 光通信前景可期光通信前景可期光通信行业市场光通信行业市场光通信产业链光通信产业链资料来源:LightCounting,华金证券研究所资料来源:联赢激光官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明目录目录 040102040305由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至建议关注建议关注产业相关产业相关06风险提示风险提示 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注瑞芯微主要致力于大规模集成电路及应用方案的设计、开发和销售,在大规模SoC芯片设计、数模混合芯片设计、影像处理、高清视频编解码、人工智能及系统软件开发上具有丰富的经验和技术储备,形成了多层次、多平台、多场景的专业解决方案,赋能智能硬件、机器视觉、行业应用、消费电子、汽车电子等多元领域。公司产品涵盖智能应用处理器芯片、数模混合芯片、接口转换芯片、无线连接芯片及与自研芯片相关的模组产品等,并为客户提供技术服务。4.1 4.1 瑞芯微瑞芯微营业总收入及增长率(亿元)营业总收入及增长率(亿元)资料来源:wind,华金证券研究所归属母公司股东的净利润及增长率(亿元)归属母公司股东的净利润及增长率(亿元)资料来源:wind,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注晶晨半导体是全球布局、国内领先的无晶圆半导体系统设计厂商,为智能机顶盒、智能电视、音视频系统终端、无线连接及车载信息娱乐系统等多个产品领域提供多媒体SoC芯片和系统级解决方案,业务覆盖全球主要经济区域,积累了全球知名的客户群。产品技术先进性和市场覆盖率位居行业前列,为智能机顶盒芯片的领导者、智能电视芯片的引领者和音视频系统终端芯片的开拓者。晶晨半导体拥有丰富的SoC全流程设计经验,坚持超高清多媒体编解码和显示处理、内容安全保护、系统IP等核心软硬件技术开发,整合业界领先的CPU/GPU技术和先进制程工艺,实现前所未有的成本、性能和功耗优化,提供基于多种开放平台的完整系统解决方案,帮助全球顶级运营商、OEM、ODM等客户快速部署市场。4.2 4.2 晶晨股份晶晨股份公司部分料号公司部分料号资料来源:公司官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注公司为全球领先的视频监控芯片企业,主营业务为视频监控芯片的研发及销售,产品主要应用于智能安防、视频对讲、智能车载等领域。公司在芯片设计全流程具有丰富经验,可支撑大型先进工艺下的SoC设计。公司自研全套AI技术,包含AI处理器指令集、AI处理器IP及其编译器、仿真器等全套AI处理器工具链。公司拥有大量核心IP资源,包含图像IP、视频IP、高速模拟IP和音频IP等。公司在视频监控领域持续研发创新,在图像信号处理、音视频编解码、显示处理等领域具有领先优势,并积极投入AI等新领域的芯片研发。公司拥有ISP技术、AI处理器技术、多模视频编码技术、高速高精度模拟电路技术、先进制程SoC芯片设计技术等多项核心技术,公司拥有已授权专利92项,其中境内发明专利11项,境外专利81项;在申请中专利154项,其中境内发明专利63项,境外专利91项。4.3 4.3 星宸科技(待上市)星宸科技(待上市)资料来源:公司招股书(上会稿),华金证券研究所公司产品线公司产品线 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注公司是领先的智能应用处理器SoC、高性能模拟器件和无线互联芯片设计厂商。公司目前的主营业务为系智能应用处理器SoC、高性能模拟器件和无线互联芯片的研发与设计。主要产品为智能应用处理器SoC、高性能模拟器件和无线互联芯片,产品广泛适用于智能硬件、平板电脑、智能家电、车联网、机器人、虚拟现实、网络机顶盒以及电源模拟器件、无线通信模组、智能物联网等多个产品领域。公司以客户为中心,凝聚卓越团队和坚持核心技术长期投入,在超高清视频编解码、高性能CPU/GPU/AI多核整合、先进工艺的高集成度、超低功耗、全栈集成平台等方面提供具有市场突出竞争力的系统解决方案和贴心服务。4.4 4.4 全志科技全志科技公司公司SoCSoC产品包产品包资料来源:公司年报,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注公司是一家集成电路设计企业,拥有全球领先的32位嵌入式CPU技术和低功耗技术。公司主营业务为微处理器芯片、智能视频芯片等ASIC芯片产品及整体解决方案的研发和销售。公司拥有较强的自主创新能力,多年来在自主创新CPU技术、视频编解码技术、图像和声音信号处理技术、SoC芯片技术、软件平台技术等多个领域形成多项核心技术。公司已形成可持续发展的梯队化产品布局,基于自主创新的XBurst CPU和视频编解码等核心技术,公司推出了一系列具有高性价比的微处理器芯片产品和智能视频芯片产品,各类别的芯片产品分别面向不同的市场领域。公司积极培养复合型人才,形成合理的人才梯队,不断加强团队凝聚力,已累计获得多项专利证书,是国内外领先的嵌入式CPU芯片及解决方案提供商之一。4.5 4.5 北京君正北京君正资料来源:wind,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注公司是专注于研发、设计与销售无线音频SoC芯片的高科技公司。公司主营业务为无线音频SoC芯片的研发、设计与销售,主要产品包括TWS蓝牙耳机芯片、非TWS蓝牙耳机芯片、蓝牙音箱芯片等,产品可广泛运用于TWS蓝牙耳机、颈挂式耳机、头戴式耳机、商务单边蓝牙耳机、蓝牙音箱、车载蓝牙音响、电视音响等无线音频终端。自设立以来,公司始终专注于设计研发低功耗、高性能无线音频SoC芯片,产品已应用于知名手机品牌传音,进入飞利浦、联想、铁三角、创维、纽曼、山水、惠威、摩托罗拉等专业音频厂商,同时在夏新、Aukey、网易、唱吧、360、爱奇艺、QCY、天猫精灵等电商及互联网客户中占据重要地位,市场认可度高。在深耕无线音频芯片领域的基础上,公司持续推动技术升级、优化产品结构、拓展产品应用范围。通过持续的技术研发和市场开拓,目前公司部分芯片产品已应用至智能手表、智能车载支架等物联网产品中,丰富了公司产品的应用场景。2020年12月,公司获得“2020中国物联网技术创新奖”。4.6 4.6 中科蓝讯中科蓝讯资料来源:公司招股书,华金证券研究所公司产品主要应用场景公司产品主要应用场景 请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注公司成立于2004年4月,专注于视频监控芯片及解决方案,满足高速增长的数字视频监控市场对视频编解码和图像信号处理的芯片需求。公司提供高性能视频编解码SoC和图像信号处理器芯片,以及基于这些芯片的视频监控产品方案。公司致力于与国内外设备制造商、解决方案提供商建立紧密合作关系,共同把握市场契机,为客户提供高性价的产品和服务,持续创造价值。公司是国家集成电路设计企业、上海市高新技术企业、上海市科技小巨人企业、上海市企业技术中心,公司先后承担多项国家、市级研发和产业化类项目,公司研发项目连续多年被认定为上海市高新技术成果转化百佳项目,并获中国半导体创新产品和技术奖、上海市科学技术奖等荣誉。4.7 4.7 富瀚微富瀚微资料来源:公司年报,华金证券研究所归属母公司股东的净利润及增长率(亿元)归属母公司股东的净利润及增长率(亿元)请仔细阅读在本报告尾部的重要法律声明4 4.建议关注建议关注公司主营业务为智能音视频SoC芯片的研发、设计与销售,为客户提供AIoT场景下具有语音交互能力的边缘智能主控平台芯片,产品广泛应用于智能蓝牙耳机、WiFi智能音箱、智能手表等低功耗智能音视频终端产品。公司产品已经进入三星、华为、OPPO、小米等全球主流安卓手机品牌,同时也进入包括哈曼、SONY、Skullcandy、漫步者、万魔等专业音频厂商,并在谷歌、阿里、百度等互联网公司的智能音频产品中得到应用。品牌客户的深度及广度是公司重要的竞争优势和商业壁垒。公司主要产品为蓝牙音频芯片、WiFi SoC芯片,并逐步拓展到智能手表芯片。公司智能音视频SoC芯片能够集成多核异构CPU、WiFi/蓝牙基带和射频、音频CODEC、电源管理、存储、嵌入式语音AI和主动降噪等多个功能模块,是智能音视频设备的主控平台芯片。4.8 4.8 恒玄科技恒玄科技公司产品系列公司产品系列资料来源:公司官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明目录目录 050102040305由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至建议关注建议关注产业相关产业相关06风险提示风险提示 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司的主营业务是研发、设计和销售应用于服务器、工作站等计算、存储设备中的高端处理器。公司的产品包括海光通用处理器(CPU)和海光协处理器(DCU)。根据我国信息产业发展的实际需要,公司研发出了多款性能达到国际同类型主流高端处理器水平的产品。公司专注于高端处理器的研发、设计与技术创新,掌握了高端处理器核心微结构设计、高端处理器SoC架构设计、处理器安全、处理器验证、高主频与低功耗处理器实现、高端芯片IP设计、先进工艺物理设计、先进封装设计、基础软件等关键技术。秉承“销售一代、验证一代、研发一代”的产品研发策略,公司建立了完善的高端处理器的研发环境和流程,产品性能逐代提升,功能不断丰富,已经研发出可广泛应用于服务器、工作站的高端处理器产品。5.1 5.1 海光信息海光信息资料来源:公司招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司主营业务为处理器及配套芯片的研制、销售及服务,主要产品与服务包括处理器及配套芯片产品与基础软硬件解决方案业务。目前,龙芯中科基于信息系统和工控系统两条主线开展产业生态建设,面向网络安全、办公与业务信息化、工控及物联网等领域与合作伙伴保持全面的市场合作,系列产品在电子政务、能源、交通、金融、电信、教育等行业领域已获得广泛应用。龙芯中科研制的芯片包括龙芯1号、龙芯2号、龙芯3号三大系列处理器芯片及桥片等配套芯片。公司发布2022年业绩预告,预计2022年年度实现营业收入为78,000万元到82,000万元,与上年同期相比,将减少42,125万元到38,125万元,同比减少35%到32%。预计2022年年度实现归属于母公司所有者的净利润为5,000万元到7,000 万元,与上年同期相比,将减少18,680万元到 16,680万元,同比减少79%到70%。5.2 5.2 龙芯中科龙芯中科资料来源:公司公告,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司致力于信息探测、信息处理和信息传递领域的技术和综合应用,为客户提供高可靠、高品质的解决方案、产品和配套服务,是国内成功自主研发国产化图形处理芯片(GPU)并产业化的企业。公司主要从事高可靠电子产品的研发、生产和销售,产品主要涉及图形显控、小型专用化雷达和其他三大领域。图形显控是公司现有核心业务,也是传统优势业务,小型专用化雷达和芯片是公司未来大力发展的业务方向。公司在图形显控领域拥有图形显控模块、图形处理芯片、加固显示器、加固存储和加固计算机等五类产品,其中图形显控模块是公司最为核心的产品。公司以ITR流程为指导,建立了现场服务工程师、公司售后服务部、产品生命周期管理团队三级技术服务保障体系。5.3 5.3 景嘉微景嘉微资料来源:公司官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司自成立以来一直专注于人工智能芯片产品的研发与技术创新,致力于打造人工智能领域的核心处理器芯片,让机器更好地理解和服务人类。公司核心人员在处理器芯片和人工智能领域深耕十余年,带领公司研发了智能处理器指令集与微架构等一系列自主创新关键技术。经过不断的研发积累,公司产品在行业内赢得高度认可,广泛应用于消费电子、数据中心、云计算等诸多场景。采用公司终端智能处理器IP的终端设备已出货过亿台;云端智能芯片及加速卡也已应用到国内主流服务器厂商的产品中,并已实现量产出货;边缘智能芯片及加速卡的发布标志着公司已形成全面覆盖云端、边缘端和终端场景的系列化智能芯片产品布局。5.4 5.4 寒武纪寒武纪-U-U资料来源:公司招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司是全球领先的集成电路晶圆代工企业之一,也是中国大陆技术最先进、规模最大、配套服务最完善、跨国经营的专业晶圆代工企业,主要为客户提供0.35微米至14纳米多种技术节点、不同工艺平台的集成电路晶圆代工及配套服务,在逻辑工艺领域,中芯国际是中国大陆第一家实现14纳米FinFET量产的晶圆代工企业,代表中国大陆自主研发集成电路制造技术的最先进水平;在特色工艺领域,中芯国际陆续推出中国大陆最先进的24纳米NAND、40纳米高性能图像传感器等特色工艺,与各领域的龙头公司合作,实现在特殊存储器、高性能图像传感器等细分市场的持续增长,除集成电路晶圆代工业务外,中芯国际亦致力于打造平台式的生态服务模式,为客户提供设计服务与IP支持、光掩模制造、凸块加工及测试等一站式配套服务,并促进集成电路产业链的上下游合作,与产业链各环节的合作伙伴一同为客户提供全方位的集成电路解决方案。5.5 5.5 中芯国际中芯国际一站式服务一站式服务资料来源:公司官网,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关 芯原是一家依托自主半导体IP,为客户提供平台化、全方位、一站式芯片定制服务和半导体IP授权服务的企业。公司至今已拥有高清视频、高清音频及语音、车载娱乐系统处理器、视频监控、物联网连接、数据中心等多种一站式芯片定制解决方案,以及自主可控的图形处理器IP、神经网络处理器IP、视频处理器IP、数字信号处理器IP和图像信号处理器IP五类处理器IP、1,400多个数模混合IP和射频IP。主营业务的应用领域广泛包括消费电子、汽车电子、计算机及周边、工业、数据处理、物联网等,主要客户包括IDM、芯片设计公司,以及系统厂商、大型互联网公司等。公司目前拥有GPU、NPU、VPU、DSP和ISP五类处理器IP、1,400多个数模混合IP和射频IP。5.6 5.6 芯原股份芯原股份-U-U资料来源:公司招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司主要从事EDA工具软件的开发、销售及相关服务。EDA工具是集成电路领域的上游基础工具,应用于集成电路设计、制造、封装、测试等产业链各个环节,是集成电路产业的战略基础支柱之一。公司主要产品包括模拟电路设计全流程EDA工具系统、数字电路设计EDA工具、平板显示电路设计全流程EDA工具系统和晶圆制造EDA工具等EDA工具软件,并围绕相关领域提供技术开发服务。公司相关产品和服务主要应用于集成电路设计及制造领域。公司曾荣获“第二届集成电路产业技术创新奖(成果产业化奖)”、“中国半导体创新产品和技术奖”、“第八届中国电子信息博览会创新奖”等多项荣誉。5.7 5.7 华大九天华大九天资料来源:公司招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司是一家具备国际市场竞争力的EDA企业,拥有领先的EDA关键核心技术,致力于提高集成电路行业的整体技术水平和市场价值,提供专业高效的EDA流程和工具支撑。公司的主营业务为向客户提供被全球领先集成电路设计和制造企业长期广泛验证和使用的EDA产品及解决方案,主要产品及服务包括制造类EDA工具、设计类EDA工具、半导体器件特性测试仪器和半导体工程服务等,公司通过EDA方法学创新,推动集成电路设计和制造的深度联动,加快工艺开发和芯片设计进程,提高集成电路产品的良率和性能,增强集成电路企业整体市场竞争力。5.8 5.8 概伦电子概伦电子公司主要产品和服务公司主要产品和服务资料来源:公司招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司全球知名的集成电路封装测试企业。公司面向全球提供封装设计、产品开发及认证,以及从芯片中测、封装到成品测试及出货的全套专业生产服务。长电科技致力于可持续发展战略,崇尚员工、企业、客户、股东和社会和谐发展,合作共赢之理念,先后被评定为国家重点高新技术企业,中国电子百强企业,集成电路封装技术创新战略联盟理事长单位,中国出口产品质量示范企业等,拥有国内高密度集成电路国家工程实验室、国家级企业技术中心、博士后科研工作站等。公司生产、研发和销售网络已覆盖全球主要半导体市场。公司具有广泛的技术积累和产品解决方案,包括有自主知识产权的Fan-out eWLB、WLCSP、Bump、PoP、fcBGA、SiP、PA等封装技术,另外引线框封装及自主品牌的分立器件也深受客户褒奖。5.9 5.9 长电科技长电科技资料来源:公司官网,华金证券研究所长电科技全球布局长电科技全球布局 请仔细阅读在本报告尾部的重要法律声明5.5.产业相关产业相关公司主要从事半导体集成电路、MEMS传感器、半导体元器件的封装测试业务。目前公司集成电路封装产品主要有DIP/SDIP、SOT、SOP、SSOP、TSSOP/ETSSOP、QFP/LQFP/TQFP、QFN/DFN、BGA/LGA、FC、MCM(MCP)、SiP、WLP、TSV、Bumping、MEMS等多个系列,产品主要应用于计算机、网络通讯、消费电子及智能移动终端、物联网、工业自动化控制、汽车电子等电子整机和智能化领。公司不断加强先进封装技术和产品的研发力度,加大研发投入,完善以华天西安为主体的研发仿真平台建设,依托国家级企业技术中心、甘肃省微电子工程技术研究中心、甘肃省微电子工程实验室等研发验证平台,通过实施国家科技重大专项02专项等科技创新项目以及新产品、新技术、新工艺的不断研究开发,自主研发出FC、Bumping、MEMS、MCM(MCP)、WLP、SiP、TSV、Fan-Out等多项集成电路先进封装技术和产品,随着公司进一步加大技术创新力度,公司的技术竞争优势将不断提升。5.10 5.10 华天科技华天科技 资料来源:公司官网,华金证券研究所公司厂区公司厂区 请仔细阅读在本报告尾部的重要法律声明5.5.产业相关产业相关公司是由南通华达微电子有限公司和富士通(中国)有限公司共同投资、由中方控股的中外合资股份制企业,专业从事集成电路封装测试。公司目前的封装技术包括Bumping、WLCSP、FC、BGA、SiP等先进封测技术,QFN、QFP、SO等传统封装技术以及汽车电子产品、MEMS等封装技术;测试技术包括圆片测试、系统测试等。公司拥有国家认定企业技术中心、国家博士后科研工作站、江苏省企业院士工作站、省级工程技术研究中心和企业研究院等高层次研发平台,拥有2000多人的技术管理团队。在行业内率先通过ISO9001、ISO/TS16949等质量体系。采用SAP、MES、设备自动化、EDI等信息系统,可按照客户个性化的规范自动控制生产过程,实时和客户进行信息交互。5.11 5.11 通富微电通富微电资料来源:公司官网,华金证券研究所公司七大基地公司七大基地 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司是中国领先的低功耗系统级芯片设计厂商,主营业务为中高端智能音频SoC芯片的研发、设计及销售,专注于为无线音频、智能穿戴及智能交互等智慧物联网领域提供专业集成芯片。公司的主要产品为蓝牙音频SoC芯片系列、便携式音视频SoC芯片系列、智能语音交互SoC芯片系列等,广泛应用于蓝牙音箱、蓝牙耳机、蓝牙语音遥控器、蓝牙收发一体器、智能教育、智能办公、智能家居等领域。公司的智能音频SoC芯片产品占据我国市场重要地位,已成为和音频相关的低功耗无线物联网领域的主流供应商,并已逐步实现相关芯片领域的国产替代,产品已进入的主要终端品牌包括华为、哈曼、SONY、安克创新、罗技、OPPO、小米、传音、飞利浦、漫步者、联想、纽曼、魅族等,并在阿里巴巴、网易和酷我等互联网公司的音频产品中得到应用。5.12 5.12 炬芯科技炬芯科技资料来源:公司招股书,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司聚焦于光芯片行业,主营业务为光芯片的研发、设计、生产与销售,主要产品包括2.5G、10G和25G及更高速率激光器芯片系列产品等,目前主要应用于光纤接入、4G/5G移动通信网络和数据中心等领域。公司采取以直销为主、经销为辅的销售模式,设立市场与销售部负责开发客户、产品推广以及维护客户关系。市场与销售部根据客户需求情况制定销售计划,将接到的订单需求反馈给生产与运营部,协调产品研发、生产、交付、质量等服务工作,同时承担跟单、售后、技术支持等工作。新产品及客户导入方面,由于光芯片产品设计参数、性能指标多,公司市场与销售部根据客户需求先与其进行深度技术交流,研发部在此基础上进行产品设计、材料选型、样品生产等工作,然后在厂内进行样品性能测试、可靠性测试,并将样品送至客户处进行综合测试。测试通过后,客户会小批量下单采购,并在多批次生产合格后,转入批量采购公司的成熟产品主要通过展会、现有客户推荐、销售经理开发等方式寻求新客户。5.13 5.13 源杰科技源杰科技资料来源:公司招股书,华金证券研究所公司主要产品类型公司主要产品类型 请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关公司是中国最大光通信器件供货商,是目前中国唯一一家有能力对光电子器件进行系统性,战略性研究开发的高科技企业,是中国光电子器件行业最具影响的实体之一。国家高技术研究发展计划成果产业基地武汉光通信与光传感材料及器件成果产业化基地的主要建设单位之一,并被国家科学技术部火炬高技术产业开发中心认定为“国家火炬计划重点高新技术企业”,主要从事光通信领域内光电子器件的研究、开发、制造和技术服务。先后承担国家“863”、“973”、国家科技攻关等项目数十余项。中兴通讯、华为技术、烽火通信为代表的国内通信系统设备厂商已成为公司稳定的客户。5.14 5.14 光迅科技光迅科技资料来源:公司年报,华金证券研究所公司研发方向(公司研发方向(20212021年年报)年年报)请仔细阅读在本报告尾部的重要法律声明5 5.产业相关产业相关摩尔线程成立于2020年10月,由英伟达前全球副总裁、中国区总经理张建中创立。公司专注于研发设计全功能GPU芯片及相关产品,支持3D图形渲染、AI训练与推理加速、超高清视频编解码、物理仿真与科学计算等多种组合工作负载,兼顾算力与算效,能够为中国科技生态合作伙伴提供强大的计算加速能力,广泛赋能数字经济多个领域。2022年3月31日,摩尔线程公布了首批显卡产品:面向电脑和工作站的MTT S60以及面向服务器的MTT S2000。两张显卡都采用了第一代MUSA架构(Moore Threads Unified System Architecture,摩尔线程统一系统架构,中文名为“苏提”);2022年11月,摩尔线程公布了第二批显卡产品:面向电脑和工作站的显卡MTT S80以及面向服务器的MTT S3000;采用了新一代MUSA架构“春晓”,并使用了PCIe Gen5插槽。5.15 5.15 摩尔线程(未上市)摩尔线程(未上市)公司主要产品型号公司主要产品型号资料来源:维基百科,华金证券研究所 请仔细阅读在本报告尾部的重要法律声明目录目录 060102040305由专用走向通用,由专用走向通用,GPUGPU赛道壁垒高筑赛道壁垒高筑产业化路径显现,全球产业化路径显现,全球AIAI竞赛再加速竞赛再加速全维智能化大时代,国产算力行则必至全维智能化大时代,国产算力行则必至建议关注建议关注产业相关产业相关06风险提示风险提示 请仔细阅读在本报告尾部的重要法律声明6 6.风险提示风险提示技术创新风险:技术创新风险:随着下游市场对产品的性能需求不断提升,集成电路设计行业技术升级和产品更新换代速度较快,企业需紧跟市场发展步伐,及时对现有产品及技术进行升级换代,以维持其市场地位。同时,集成电路产品的发展方向具有一定不确定性,因此企业需要对主流技术迭代趋势保持较高的敏感度,根据市场需求变动和工艺水平发展制定动态的技术发展战略。未来若公司技术研发水平落后于行业升级换代水平,或公司技术研发方向与市场发展趋势偏离,将导致公司研发资源浪费并错失市场发展机会,对公司产生不利影响。宏观经济和行业波动风险:宏观经济和行业波动风险:集成电路行业是面临全球化的竞争与合作并得到国家政策大力支持的行业,受到国内外宏观经济、行业法规和贸易政策等宏观环境因素的影响。近年来,全球宏观经济表现平稳,国内经济稳中有升。未来,如果国内外宏观环境因素发生不利变化,可能会对公司经营带来不利影响。国际贸易摩擦风险:国际贸易摩擦风险:伴随全球产业格局的深度调整,国际贸易摩擦不断,集成电路产业成为贸易冲突的重点领域,也对中国相关产业的发展造成了客观不利影响。2022年8月以来,美国推出了多项贸易管制政策通过限制产品、设备以及技术等项目的出口以限制中国半导体行业的发展。请仔细阅读在本报告尾部的重要法律声明华金电子华金电子-走进走进“芯芯”时代系列深度报告时代系列深度报告1、芯时代之一_半导体重磅深度新兴技术共振进口替代,迎来全产业链投资机会2、芯时代之二_深度纪要国产芯投资机会暨权威专家电话会3、芯时代之三_深度纪要半导体分析和投资策略电话会4、芯时代之四_市场首篇模拟IC深度下游应用增量不断,模拟 IC加速发展5、芯时代之五_存储器深度存储产业链战略升级,开启国产替代“芯”篇章6、芯时代之六_功率半导体深度功率半导体处黄金赛道,迎进口替代良机7、芯时代之七_半导体材料深度铸行业发展基石,迎进口替代契机8、芯时代之八_深度纪要功率半导体重磅专家交流电话会9、芯时代之九_半导体设备深度进口替代促景气度提升,设备长期发展明朗10、芯时代之十_3D/新器件先进封装和新器件,续写集成电路新篇章11、芯时代之十一_IC载板和SLPIC载板及SLP,集成提升的板级贡献12、芯时代之十二_智能处理器人工智能助力,国产芯有望“换”道超车13、芯时代之十三_封测先进封装大势所趋,国家战略助推成长14、芯时代之十四_大硅片供需缺口持续,国产化蓄势待发15、芯时代之十五_化合物下一代半导体材料,5G助力市场成长16、芯时代之十六_制造国产替代加速,拉动全产业链发展17、芯时代之十七_北方华创双结构化持建机遇,由大做强倍显张力 请仔细阅读在本报告尾部的重要法律声明华金电子华金电子-走进走进“芯芯”时代系列深度报告时代系列深度报告18、芯时代之十八_斯达半导铸IGBT功率基石,创多领域市场契机19、芯时代之十九_功率半导体深度产业链逐步成熟,功率器件迎黄金发展期20、芯时代之二十_汇顶科技光电传感创新领跑,多维布局引领未来21、芯时代之二十一_华润微功率半导专芯致志,特色工艺术业专攻22、芯时代之二十二_大硅片*重磅深度半导材料第一蓝海,硅片融合工艺创新23、芯时代之二十三_卓胜微5G赛道射频芯片龙头,国产替代正当时24、芯时代之二十四_沪硅产业硅片“芯”材蓄势待发,商用量产空间广阔25、芯时代之二十五_韦尔股份光电传感稳创领先,系统方案展创宏图26、芯时代之二十六_中环股份半导硅片厚积薄发,特有赛道独树一帜27、芯时代之二十七_射频芯片射频芯片千亿空间,国产替代曙光乍现28、芯时代之二十八_中芯国际代工龙头创领升级,产业联动芯火燎原29、芯时代之二十九_寒武纪AI芯片国内龙头,高研发投入前景可期30、芯时代之三十_芯朋微国产电源IC十年磨一剑,铸就国内升级替代31、芯时代之三十一_射频PA射频PA革新不止,万物互联广袤无限32、芯时代之三十二_中微公司国内半导刻蚀巨头,迈内生&外延平台化33、芯时代之三十三_芯原股份国内IP龙头厂商,推动SiPaaS模式发展34、芯时代之三十四_模拟IC深度PPT模拟IC黄金赛道,本土配套渐入佳境 请仔细阅读在本报告尾部的重要法律声明华金电子华金电子-走进走进“芯芯”时代系列深度报告时代系列深度报告35、芯时代之三十五_芯海科技高精度测量ADC MCU AI,切入蓝海赛道超芯星36、芯时代之三十六_功率&化合物深度扩容&替代提速,化合物布局长远37、芯时代之三十七_恒玄科技专注智能音频SoC芯片,迎行业风口快速发展38、芯时代之三十八_和而泰从高端到更高端,芯平台创新格局39、芯时代之三十九_家电芯深度PPT家电芯配套渐完善,增存量机遇筑蓝海40、芯时代之四十_前道设备PPT深度2021年国产前道设备,再迎新黄金时代41、芯时代之四十一_力芯微专注电源管理芯片,内生外延拓展产品线42、芯时代之四十二_复旦微电国产FPGA领先企业,高技术壁垒铸就护城河43、芯时代之四十三_显示驱动深度PPT显示驱动芯面板国产化最后1公里44、芯时代之四十四_艾为电子数模混合设计专家,持续迭代拓展产品线45、芯时代之四十五_紫光国微特种与安全两翼齐飞,公司步入快速发展阶段46、芯时代之四十六_新能源芯*PPT深度乘碳中和之风,基础元件腾飞47、芯时代之四十七_AIoT*PPT深度AIoT大时代,SoC厂商加速发展48、芯时代之四十八_铂科新材双碳助力发展,GPU新应用构建二次成长曲线49、芯时代之四十九_AI芯片 AI领强算力时代,GPU启新场景落地50、芯时代之五十_江海股份乘“碳中和”之风,老牌企业三大电容全面发力51、芯时代之五十一_智能电动车1000页PPT(多行业协同)智能电动车投研大全 请仔细阅读在本报告尾部的重要法律声明华金电子华金电子-走进走进“芯芯”时代系列深度报告时代系列深度报告52、芯时代之五十二_瑞芯微PPT深度迈入全球准一线梯队,新硬件十年前景可期53、芯时代之五十三_峰岹科技专注BLDC电机驱动控制芯片,三大核心技术引领成长54、芯时代之五十四_纳芯微专注高端模拟IC,致力国内领先车规级半导体供应商55、芯时代之五十五_晶晨股份核心技术为躯,全球开拓为翼56、芯时代之五十六_国微&复微紫光国微与复旦微的全面对比分析 57、芯时代之五十七_国产算力SoC算力大时代,处理器SoC厂商综合对比58、芯时代之五十八_高能模拟芯高性能模拟替代渐入深水区,工业汽车重点突破59、芯时代之五十九_ 南芯科技电荷泵翘楚拓矩阵蓝图,通用产品力屡复制成功60、芯时代之六十_AI算力GPU AI产业化再加速,智能大时代已开启 请仔细阅读在本报告尾部的重要法律声明华金证券研究所电子团队简介华金证券研究所电子团队简介孙远峰:华金证券总裁助理&研究所所长&电子行业首席分析师,哈尔滨工业大学工学学士,清华大学工学博士,近3年电子实业工作经验;2018年新财富上榜分析师(第3名),2017年新财富入围/水晶球上榜分析师,2016年新财富上榜分析师(第5名),20132015年新财富上榜分析师团队核心成员;多次获得保险资管IAMAC、水晶球、金牛奖等奖项最佳分析师;2019年开始未参加任何个人评比,其骨干团队专注于创新&创业型研究所的一线具体创收&创誉工作,以“产业资源赋能深度研究”为导向,构建研究&销售合伙人队伍,积累了健全的成熟团队自驱机制和年轻团队培养机制,充分获得市场验证;清华校友总会电子工程系分会副秘书长;王臣复:电子行业高级分析师,北京航空航天大学工学学士和管理学硕士,2年半导体产业一级股权投资经历,曾就职于华西证券研究所、欧菲光集团投资部、融通资本、平安基金等,2023年2月加入华金证券研究所;王海维:电子行业高级分析师,华东师范大学硕士,电子&金融复合背景,主要覆盖半导体板块,善于个股深度研究,2018年新财富上榜分析师(第3名)核心成员,先后任职于安信证券/华西证券研究所,2023年2月入职华金证券研究所;请仔细阅读在本报告尾部的重要法律声明评级说明评级说明行业评级体系行业评级体系收益评级:领先大市未来6个月的投资收益率领先沪深300指数10%以上;同步大市未来6个月的投资收益率与沪深300指数的变动幅度相差-10%至10%;落后大市未来6个月的投资收益率落后沪深300指数10%以上;风险评级:A 正常风险,未来6个月投资收益率的波动小于等于沪深300指数波动;B 较高风险,未来6个月投资收益率的波动大于沪深300指数波动。请仔细阅读在本报告尾部的重要法律声明法律声明法律声明分析师声明分析师声明孙远峰/王臣复/王海维声明,本人具有中国证券业协会授予的证券投资咨询执业资格,勤勉尽责、诚实守信。本人对本报告的内容和观点负责,保证信息来源合法合规、研究方法专业审慎、研究观点独立公正、分析结论具有合理依据,特此声明。本公司具备证券投资咨询业务资格的说明本公司具备证券投资咨询业务资格的说明华金证券股份有限公司(以下简称“本公司”)经中国证券监督管理委员会核准,取得证券投资咨询业务许可。本公司及其投资咨询人员可以为证券投资人或客户提供证券投资分析、预测或者建议等直接或间接的有偿咨询服务。发布证券研究报告,是证券投资咨询业务的一种基本形式,本公司可以对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析,形成证券估值、投资评级等投资分析意见,制作证券研究报告,并向本公司的客户发布。请仔细阅读在本报告尾部的重要法律声明法律声明法律声明免责声明:本报告仅供华金证券股份有限公司(以下简称“本公司”)的客户使用。本公司不会因为任何机构或个人接收到本报告而视其为本公司的当然客户。本报告基于已公开的资料或信息撰写,但本公司不保证该等信息及资料的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映本公司于本报告发布当日的判断,本报告中的证券或投资标的价格、价值及投资带来的收入可能会波动。在不同时期,本公司可能撰写并发布与本报告所载资料、建议及推测不一致的报告。本公司不保证本报告所含信息及资料保持在最新状态,本公司将随时补充、更新和修订有关信息及资料,但不保证及时公开发布。同时,本公司有权对本报告所含信息在不发出通知的情形下做出修改,投资者应当自行关注相应的更新或修改。任何有关本报告的摘要或节选都不代表本报告正式完整的观点,一切须以本公司向客户发布的本报告完整版本为准。在法律许可的情况下,本公司及所属关联机构可能会持有报告中提到的公司所发行的证券或期权并进行证券或期权交易,也可能为这些公司提供或者争取提供投资银行、财务顾问或者金融产品等相关服务,提请客户充分注意。客户不应将本报告为作出其投资决策的惟一参考因素,亦不应认为本报告可以取代客户自身的投资判断与决策。在任何情况下,本报告中的信息或所表述的意见均不构成对任何人的投资建议,无论是否已经明示或暗示,本报告不能作为道义的、责任的和法律的依据或者凭证。在任何情况下,本公司亦不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。本报告版权仅为本公司所有,未经事先书面许可,任何机构和个人不得以任何形式翻版、复制、发表、转发、篡改或引用本报告的任何部分。如征得本公司同意进行引用、刊发的,需在允许的范围内使用,并注明出处为“华金证券股份有限公司研究所”,且不得对本报告进行任何有悖原意的引用、删节和修改。华金证券股份有限公司对本声明条款具有惟一修改权和最终解释权。请仔细阅读在本报告尾部的重要法律声明法律声明法律声明风险提示风险提示:报告中的内容和意见仅供参考,并不构成对所述证券买卖的出价或询价。投资者对其投资行为负完全责任,我公司及其雇员对使用本报告及其内容所引发的任何直接或间接损失概不负责。华金证券股份有限公司办公地址:上海市浦东新区杨高南路759号陆家嘴世纪金融广场30层北京市朝阳区建国路108号横琴人寿大厦17层深圳市福田区益田路6001号太平金融大厦10楼05单元电话:021-20655588网址:

    9人已浏览 2023-03-28 121页 5星级
  • 人工智能行业动态:人工智能赛道竞争加剧海外科技巨头加速布局-230326(18页).pdf

    本报告由中信建投证券股份有限公司在中华人民共和国(仅为本报告目的,不包括香港、澳门、台湾)提供。在遵守适用的法律法规情况下,本报告亦可能由中信建投(国际)证券有限公司在香港提供。同时请参阅最后一页的重要声明。证券研究报告证券研究报告行业动态行业动态 人工智能赛道竞争加剧,海外科技巨头人工智能赛道竞争加剧,海外科技巨头加速布局加速布局 核心观点核心观点 海外科技巨头加速布局 AI 领域,一方面微软、谷歌、adobe 为代表的互联网/软件厂商不断通过升级现有 AI 产品或推出新的 AI产品提升自身竞争力,例如微软必应再次强化,在搜索引擎中接入 OpenAI 的 DALL-E 模型,新增图像生成功能;谷歌通过博客宣布放开聊天机器人 Bard 的部分访问权限;Adobe 推出了全新创意生成式人工智能(AI)模型集 Adobe Firefly,该模型将 Adobe创意及数字体验应用的强大功能与人工智能相结合,另外一方面,英伟达全面拥抱 AI,在专用 GPU、数据中心、超级计算机等软硬件方面取得新进展。未来随着大模型不断迭代更新,相关 AI 应用将会快速落地,建议关注国内相关应用软件厂商,特别是和阿里、华为大模型有相关合作的。此外,以英伟达为代表的算力硬件厂商开始全面拥抱AI 时代,建议关注国内服务器、算力芯片等厂商。产业要闻【微软必应再强化!接入【微软必应再强化!接入 OpenAI DALLOpenAI DALL E E 模型,文字生成图像】模型,文字生成图像】【加快发力加快发力 AIAI 应用!谷歌的应用!谷歌的 ChatGPTChatGPT 竞品竞品 BardBard 向早期测试者向早期测试者开放开放】【AdobeAdobe 全新创意生成式人工智能全新创意生成式人工智能 FireflyFirefly 亮相!亮相!】【王炸功能上新!王炸功能上新!ChatGPTChatGPT 接入第三方插件,功能覆盖衣食住行接入第三方插件,功能覆盖衣食住行】【英伟达发布英伟达发布 ChatGPTChatGPT 专用专用 GPUGPU,推理速度提升了,推理速度提升了 1010 倍倍】持续关注:GPU:英伟达、超威半导体、海光信息等;FPGA:安路科技-U 等;SoC:高通、全志科技等;自然语言处理:科大讯飞等;计算机视觉:云从科技-UW、商汤-W、格灵深瞳-U 等;自动驾驶:德赛西威、中科创达、均胜电子、光庭信息;智慧交通:千方科技、万集科技;AI 工业:中控技术、华大九天、广立微、概伦电子等。风险提示:北美经济衰退预期逐步增强,宏观环境存在较大的不确定性,国际环境变化影响供应链及海外拓展;芯片紧缺可能影响相关公司的正常生产和交付,公司出货不及预期。维持维持 强于大市强于大市 于芳博 010-86451607 SAC 编号:S1440522030001 发布日期:2023 年 03 月 26 日 市场表现市场表现 相关研究报告相关研究报告 人工智能人工智能 -23%-13%-3%7 22/3/282022/4/282022/5/282022/6/282022/7/282022/8/282022/9/282022/10/282022/11/282022/12/282023/1/282023/2/28计算机上证指数 人工智能人工智能 行业动态报告 请参阅最后一页的重要声明 目目 录录 一、行业变化.1 1.1 海外科技巨头加速布局人工智能.1 1.2 英伟达人工智能软硬件取得新进展.3 二、持续关注标的.4 三、行情回顾.5 四、产业要闻.7 ChatGPT.7 芯片.8 传感器.10 智能驾驶.10 智慧工业.11 其他.11 五、重要公告.12 六、风险提示.14 图表目录图表目录 图表 1:微软必应接入 DALL E 模型.1 图表 2:必应搜索引擎可根据文本提示生成相应图片.1 图表 3:谷歌发布 AI 对话系统 Bard.2 图表 4:Bard 能够提供三个不同的版本或草稿.2 图表 5:用户通过输入语言描述编辑图片/视频.2 图表 6:Adobe 进行 3D 构图.2 图表 7:NVIDIA 四种针对 AI 任务的推理平台.3 图表 8:NVIDIA H100 NVL 芯片.3 图表 9:计算光刻原理.4 图表 10:DGX Cloud.4 图表 1:中证人工智能指数、上证指数、沪深 300 指数涨跌幅比较.5 图表 2:人工智能(中证)个股周涨幅前十名(%).5 图表 3:人工智能(中证)个股周涨幅后十名(%).5 图表 4:重点公司股票涨跌详情.5 图表 5:人工智能行业一周重要公告.12 rRpO3ZcVaYcWuY9YMB6M8Q6MsQrRoMpMiNmMnOjMoMoRaQrQoOxNoMsRNZpOpR 1 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 一、行业变化一、行业变化 1 1.1.1 海外科技巨头加速布局海外科技巨头加速布局人工智能人工智能 伴随人工智能赛道竞争逐渐加剧,美国科技公司 Open AI 开发的聊天机器人 ChatGPT 成为国内外市场的关注焦点。凭借与用户聊天过程中“类似人类”的智能化表现,ChatGPT 迅速吸引了人们的目光,仅两个多月就实现了注册用户数量破亿,创下增速纪录。在 ChatGPT 的引领下,越来越多的科技企业也加入了这场人工智能竞赛。微软、谷歌、微软、谷歌、ADOBE 等科技巨头纷纷布局相关赛道,大幅增加在人工智能领域的投资,并于近期推出等科技巨头纷纷布局相关赛道,大幅增加在人工智能领域的投资,并于近期推出了最新的技术与应用。了最新的技术与应用。微软必应再次强化,在搜索引擎中接入微软必应再次强化,在搜索引擎中接入 OpenAI 的的 DALL-E 模型,新增图像生成功能。模型,新增图像生成功能。该功能名为“必应图像生成器”(Bing Image Creator),由美国人工智能研发公司 OpenAI 的 DALL-E 深度学习模型提供支持,可以根据文本提示生成相应图片。目前目前 Image Creator 只能在必应搜索引擎的创意模式下使用只能在必应搜索引擎的创意模式下使用,对于拥有必应预览版权限的用户,Bing Image Creator 将完全集成至必应聊天体验中,通过输入图像描述,提供位置或活动等额外语境,并在此基础上选择特定的艺术风格,Image Creator 将根据用户需求生成图像。图表图表1:微软必应接入微软必应接入 DALLE 模型模型 图表图表2:必应搜索引擎可根据文本提示生成相应图片必应搜索引擎可根据文本提示生成相应图片 资料来源:微软,中信建投 资料来源:微软,中信建投 谷歌谷歌 AI 对话系统对话系统 Bard 开放测试开放测试,支持其在对话式生成模型赛道上与微软竞争。,支持其在对话式生成模型赛道上与微软竞争。谷歌于 2017 年首次推出LaMDA,一种基于 Transformer 神经网络架构的大型语言模型(LLM),利用公共互联网所包含的数万亿单词的庞大数据语料库进行训练,参数多达 1370 亿个。Bard 是是 LaMDA 的轻量级优化版本,利用来自互联网信息提的轻量级优化版本,利用来自互联网信息提供最新、高质量的回复,供最新、高质量的回复,但 Bard 目前仅支持英语,且不具备编码能力,因此不支持有关代码的响应。作为对话AI 系统,Bard 能在瞬间生成文本块,与 ChatGPT 逐字输出答案的方式有所不同。此外,Bard 的优势还在于为用户提供了多样化选择,其给出的答案包含三个不同的版本或草稿,用户可以切换其中任何一个答案。3 月月 21日,谷歌通过博客宣布放开聊天机器人日,谷歌通过博客宣布放开聊天机器人 Bard 的部分访问权限,即日起美国和英国用户可通过的部分访问权限,即日起美国和英国用户可通过 网址进入候补名单并访问网址进入候补名单并访问 Bard。谷歌表示,随着时间的推移,Bard 将面向更多国家和语言开放。谷歌在博客中介绍道,Bard 可以帮助用户提高生产力、激发好奇心,“你可以要求 Bard 提供读书建议、用简单的术语解释量子物理,或者总结文章来激发你的创造力。到目前为止,我们已经通过测试 Bard 学到了很多,从更多的用户那里获得反馈是改进它的关键步骤。2 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 图表图表3:谷歌发布谷歌发布 AI 对话系统对话系统 Bard 图表图表4:Bard 能够提供三个不同的版本或草稿能够提供三个不同的版本或草稿 资料来源:谷歌,中信建投 资料来源:谷歌,中信建投 Adobe 推出了全新创意生成式人工智能(推出了全新创意生成式人工智能(AI)模型集)模型集 Adobe Firefly,该模型将 Adobe 创意及数字体验应用的强大功能与人工智能相结合,仅靠用户输入相关的文字信息就可以完成图像生成、模型构建、图像编辑以及图形变体等各种任务,成为跨 Adobe 云端产品的全新 Adobe Sensei 生成式 AI 服务的一部分。目前 Firefly 已正式对公众开放申请,可体验文字生成图片和图形字体两个功能。未来,Firefly 模型将运用来自 Adobe 和其他公司的各种资产、技术和培训数据。在应用方面在应用方面,由多种模型组成的 Firefly 能够为商业设计提供可安全使用的高质量图像,首批与 Firefly 相整合的应用程序将会是 Adobe Experience Manager、Adobe Photoshop 和 Adobe Illustrator。具体来看,具体来看,Firefly 模型模型主要有几下几种应用场景:主要有几下几种应用场景:1)数码成像和摄影)数码成像和摄影,Firefly 将基于上下文感知并生成图像,帮助用户实现将脑海中的内容添加到作品之中,快速实现创意落地。2)插图、艺术品和平面设计)插图、艺术品和平面设计,Firefly 能够通过几个单词和草图自动生成自定义矢量、画笔和纹理。3)视频)视频,根据用户对视频外观的描述和需求,Firefly 可以立即更改颜色等相应设置以进行匹配。4)营销和社交媒体)营销和社交媒体,Firefly 能够基于用户简单的文本提示创建独特的海报、横幅和社交帖子等。5)3D 建模建模,Firefly 在未来或能够实现将简单 3D 构图变成真实图像,并快速创建 3D 对象的样式和变体。图表图表5:用户通过输入语言描述编辑图片用户通过输入语言描述编辑图片/视频视频 图表图表6:Adobe 进行进行 3D 构图构图 资料来源:Adobe,中信建投 资料来源:Adobe,中信建投 3 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 1 1.2 2 英伟达人工智能软硬件取得新进展英伟达人工智能软硬件取得新进展 英伟达在人工智能领域积极布局软硬结合与自我迭代,全面拥抱英伟达在人工智能领域积极布局软硬结合与自我迭代,全面拥抱 AI 时代时代。2023 年 3 月 22 日,英伟达召开了第 14 次 GTC 大会,公布了其在芯片、硬件、软件库等领域的产品动态与业务思路,发布了 ChatGPT 设计的推理 GPU、AI 超级计算服务 DGX Cloud、突破性的光刻计算库 cuLitho、加速企业创建大模型和生成式 AI 的云服务 NVIDIA AI Foundations 等,以及与 Quantum Machines 合作推出了全球 GPU 加速量子计算系统。在硬件领域,英伟达深入布局专用在硬件领域,英伟达深入布局专用 GPU 芯片,助力大模型底层硬件架构的迭代升级。芯片,助力大模型底层硬件架构的迭代升级。伴随各类大模型的大量涌现与加速发展,未来大模型专用 GPU 需求或将迎来爆发式增长,大模型的高速迭代升级也对于 GPU 芯片的性能与质量提出了更高的要求。在此次 GTC 大会中,1)英伟达推出了专用)英伟达推出了专用 GPU 芯片芯片 H100 NVL,配备双GPU NVLink,将两张拥有 94GB HBM3 显存的 PCIe H100 GPU 拼接在一起,可以处理拥有 1750 亿参数的 GPT-3大模型,在提升推理性能的同时将大语言模型的处理成本降低了一个数量级。2)英伟达首次推出专为数据中心)英伟达首次推出专为数据中心设计的处理器设计的处理器 Grace GPU,是一款专门针对训练最复杂、计算密集型的 AI 模型而设计的处理器,同时具备高效、低功耗、高性能密度和可扩展性等优势。3)英伟达也打造了大模型突破背后的引擎,即为最新版)英伟达也打造了大模型突破背后的引擎,即为最新版 DGX 超超级计算机,级计算机,最新版本的 DGX 搭载 8 个 NVIDIA H100 GPU,彼此连接成为一个巨大的 GPU,该款 DGX 现已全面投入生产。我们认为我们认为:英伟达积极在大模型硬件领域前瞻布局,能够进一步巩固公司在行业的领先位置,同时也能够在一定程度上加速大模型的更新迭代速度,从而推动整个 AI 产业加速发展。图表图表7:NVIDIA 四种针对四种针对 AI 任务的推理平台任务的推理平台 图表图表8:NVIDIA H100 NVL 芯片芯片 资料来源:NVIDIA,中信建投 资料来源:NVIDIA,中信建投 在软件领域,英伟达新公布多项在软件领域,英伟达新公布多项 AI 加速库,其中计算光刻加速库加速库,其中计算光刻加速库 CuLitho 是主要看点,是主要看点,CuLitho 用以加用以加快半导体的设计和制造快半导体的设计和制造。该软件使用英伟达芯片来加速基于软件的芯片设计,并加速用于在芯片上打印该设计的光刻掩模的物理制造之间的步骤。CuLitho 在 GPU 上运行,其性能比目前的光刻技术提高了 40 倍,可以加速目前每年消耗数百亿个 CPU 小时的大规模计算工作负载。同时,该软件使 500 个 NVIDIA DGX H100 系统能够完成 40000 个 CPU 系统的工作,并行运行计算光刻过程的所有部分,将进一步减少电力和空间需求,减轻对环境所产生的影响。目前,英伟达正在与目前,英伟达正在与 ASML、Synopsys 和台积电积极合作,加速下一代芯片的设计和制造,和台积电积极合作,加速下一代芯片的设计和制造,助力行业跨越物理极限助力行业跨越物理极限。此外,公司亦推出了此外,公司亦推出了 DGX Cloud 以及相关模型服务,打造多样化以及相关模型服务,打造多样化 AIGC 算力提供形式。算力提供形式。DGX Cloud 通过浏览器就可以协助企业快速访问训练高级模型所需要的基础设施和软件,使得用户获取 AI 算力、模型部署的便捷性大幅改善。公司在 GTC 2023 上公开指出,计划在未来以月租 3.7 万美元的形式开放 DGX Cloud 实例,单个 4 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 实例可由 8 块 A100 或 H100 芯片与订制网路技术组合在一起。我们认为我们认为,DGX Cloud 通过云服务的方式展现了硬件厂商在未来 AIGC 普及时代下软硬结合商业模式的雏形,同时该业务的推出或将进一步加快超强算力与 AI应用库向下游商业公司的渗透速率。图表图表9:计算光刻原理计算光刻原理 图表图表10:DGX Cloud 资料来源:NVIDIA,中信建投 资料来源:NVIDIA,中信建投 我们认为我们认为,从量子计算到计算机视觉再到光刻机领域,当前英伟达正在以席卷之势“加速万物”从量子计算到计算机视觉再到光刻机领域,当前英伟达正在以席卷之势“加速万物”,全面布局包括人工智能、云计算、半导体在内的众多前沿领域,不断扩展其业务范围。在人工智能领域在人工智能领域,英伟达致力于推动深度学习技术的发展,为各行各业提供 AI 解决方案。在云计算领域在云计算领域,英伟达提供了一系列云计算服务,包括 GPU 云服务器、深度学习框架等,能够帮助企业快速构建和部署 AI 应用。在半导体领域在半导体领域,英伟达一直在研发和生产高性能 GPU 芯片,同时积极探索量子计算领域,实现高效量子计算。二、持续关注标的二、持续关注标的 GPU:英伟达、超威半导体、海光信息等;FPGA:安路科技-U 等;SoC:高通、全志科技等;自然语言处理:科大讯飞等;计算机视觉:云从科技-UW、商汤-W、格灵深瞳-U 等;自动驾驶:德赛西威、中科创达、均胜电子、光庭信息;智慧交通:千方科技、万集科技;AI 工业:中控技术、华大九天、广立微、概伦电子等。5 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 三、行情回顾三、行情回顾 上期,人工智能指数(中证)指数上期,人工智能指数(中证)指数上涨上涨 10.87%,本月份以来累计,本月份以来累计上涨上涨 16.48%,上证指数上涨 0.46%,沪深 300 指数上涨 1.72%。图表图表1:中证人工智能指数、上证指数、沪深中证人工智能指数、上证指数、沪深 300 指数涨跌幅比较指数涨跌幅比较 资料来源:Wind,中信建投 中证人工智能指数板块个股方面,涨幅前五个股分别为中证人工智能指数板块个股方面,涨幅前五个股分别为:寒武纪( 48.87%)、景嘉微( 40.05%)、三六零( 26.45%)、浪潮信息( 24.81%)、澜起科技( 21.15%);涨幅后五个股分别为:涨幅后五个股分别为:奥普特(-11.72%)、启明星辰(-8.67%)、太极股份(-8.45%)、用友网络(-7.90%)、安恒信息(-5.70%)。图表图表2:人工智能(中证)个股周涨幅前十名(人工智能(中证)个股周涨幅前十名(%)图表图表3:人工智能(中证)个股周涨幅后十名(人工智能(中证)个股周涨幅后十名(%)资料来源:Wind,中信建投 资料来源:Wind,中信建投 图表图表4:重点公司股票涨跌详情重点公司股票涨跌详情-10%-5%0%5%人工智能上证指数沪深30048.87 40.05 26.45 24.81 21.15 20.62 19.12 17.93 17.51 17.19 寒武纪-U景嘉微三六零浪潮信息澜起科技芯原股份-U中科曙光晶晨股份大华股份全志科技2.32 2.13 2.05(0.64)(4.53)(5.70)(7.90)(8.45)(8.67)(11.72)北斗星通中国软件中兴通讯广联达深信服安恒信息用友网络太极股份启明星辰奥普特 6 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 重点公司股票涨跌详情重点公司股票涨跌详情 归母净利润归母净利润 PEPE 区间行情区间行情 股票代股票代码码 公司名称公司名称 行业行业 单位单位 20212021 2022E2022E 2023E2023E 20212021 2022E2022E 2023E2023E 本周本周 月初至月初至今今 年初至今年初至今 NVDA.O 英伟达 GPU 亿美元 97.5 43.7 81.5 68.9 153.8 82.4 5.7.1.1%AMD.O 超威半导体 GPU 亿美元 31.6 13.2 38.8 51.1 122.4 41.6 2.5.6T.8h8041 海光信息 GPU 亿元 3.3 14.2 21.2 470.4 108.0 72.4 15.2.7e.1h8107 安路科技-U FPGA 亿元(0.3)0.9 1.9 (954.8)326.2 152.3 13.8.4.0h8256 寒武纪-U ASIC 亿元(8.2)(7.6)(4.4)(81.1)(88.3)(153.7)48.97.9#5.4%QCOM.O 高通 SoC 亿美元 90.4 98.2 88.7 15.3 14.1 15.6 2.8%1.1.600458 全志科技 SoC 亿元 4.9 3.4 4.3 36.3 52.8 41.5 17.2.3A.93893 瑞芯微 SoC 亿元 6.0 4.3 6.8 67.6 94.1 59.8 14.1.79.3h8099 晶晨股份 SoC 亿元 8.1 11.6 15.8 46.1 32.4 23.7 17.9.0%.32036 联创电子 汽车摄像头 亿元 1.1 3.1 5.4 122.4 44.7 25.3 9.3%1.1%7.0#82.HK 舜宇光学科技 汽车摄像头 亿元 49.9 24.1 34.6 21.4 44.3 30.8 8.2%9.4%4.83501 韦尔股份 CIS 亿元 44.8 21.3 33.7 24.3 51.1 32.3 12.4%9.2!.700691 联合光电 毫米波雷达 亿元 0.7 0.7 1.2 60.8 68.1 39.1 0.8%6.88.53197 保隆科技 毫米波雷达 亿元 2.7 2.0 3.6 31.2 41.0 23.5 0.7%-13.0%-15.9h8048 长光华芯 激光雷达 亿元 1.2 2.3 3.5 142.0 71.7 47.2 3.1%0.5.0h8167 炬光科技 激光雷达 亿元 0.7 2.0 2.8 167.3 57.4 40.6 5.6%7.39.200620 光库科技 激光雷达 亿元 1.3 1.4 1.9 58.8 55.6 40.7 12.5%6.6!.33297 永新光学 激光雷达 亿元 2.6 2.6 3.3 38.4 38.0 30.6 2.4%-3.6%8.82273 水晶光电 激光雷达 亿元 4.4 5.9 7.2 43.4 32.8 26.6 9.7%8.0.42222 福晶科技 激光雷达 亿元 1.9 2.7 3.4 48.8 34.2 27.6 7.6%.99.0h8127 蓝特光学 激光雷达 亿元 1.4 2.2 3.4 63.2 41.0 26.3 10.1.68.0h8787 海天瑞声 数据服务 亿元 0.3 0.5 1.2 268.8 158.3 73.0 -2.8%-9.45.02230 科大讯飞 语音处理 亿元 15.6 7.7 18.5 84.6 171.2 71.1 14.8$.2.82415 海康威视 计算机视觉 亿元 168.0 169.3 201.8 25.0 24.8 20.8 10.5.2(.6h8327 云从科技-UW 计算机视觉 亿元(6.3)(5.2)(0.4)(39.1)(47.3)(667.0)20.5%.20.620.HK 商汤-W 计算机视觉 亿元(171.4)(40.4)(31.9)(5.6)(23.9)(30.2)6.2.10.6h8207 格灵深瞳-U 计算机视觉 亿元(0.7)0.3 0.8 (115.2)235.9 101.5 13.5.6.5h8003 天准科技 计算机视觉 亿元 1.3 2.3 3.1 60.2 34.7 25.8 7.2%5.90.92920 德赛西威 Tier1 亿元 8.3 11.3 16.8 68.2 50.3 33.8 16.9%-1.9%6.32906 华阳集团 Tier1 亿元 3.0 4.1 5.9 52.2 37.7 26.3 7.3%-8.1%-0.3h8326 经纬恒润-W Tier1 亿元 1.5 3.3 4.7 107.5 47.2 33.6 6.1%-13.3%-9.6%7 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 600699 均胜电子 Tier1 亿元(37.5)4.6 9.7 (5.3)43.2 20.7 4.6%-5.8%5.585.HK 比亚迪电子 Tier1 亿元 23.1 18.6 29.0 22.8 28.4 18.2 10.2%4.2%-5.200496 中科创达 汽车软件 亿元 6.5 11.0 14.8 81.4 47.8 35.6 6.0 .8.201221 光庭信息 汽车软件 亿元 0.7 0.9 1.3 61.1 51.7 34.0 9.7%6.2!.3h8088 虹软科技 汽车软件 亿元 1.4 1.7 2.6 105.9 88.0 58.1 15.87.9g.42405 四维图新 汽车软件 亿元 1.2 (0.4)3.3 271.6 (747.0)101.6 7.5%9.90.000353 东土科技 汽车软件 亿元 0.1 0.2 0.9 1258.9 295.1 73.1 5.4%5.49.12373 千方科技 智慧交通 亿元 7.2 2.6 7.7 29.4 80.7 27.6 10.7!.9S.000552 万集科技 智慧交通 亿元 0.4 (0.6)0.6 114.4 (84.7)80.5 6.9%6.2(.9h8777 中控技术 智慧工业 亿元 5.8 10.7 14.1 86.3 47.1 35.6 -2.4%2.1.10682 东方电子 智慧工业 亿元 3.5 4.3 5.7 31.5 25.4 19.1 1.2%-11.1%2.401269 华大九天 智慧工业 亿元 1.4 1.9 2.6 463.7 345.5 252.1 10.9.25.801095 广立微 智慧工业 亿元 0.6 1.9 3.1 331.1 108.8 67.8 11.4 .0%.6h8206 概伦电子 智慧工业 亿元 0.3 0.7 0.9 532.0 230.8 167.8 16.0#.5&.5%资料来源:Wind,中信建投 四、产业要闻四、产业要闻 ChatGPT【微软必应再强化!接入【微软必应再强化!接入 OpenAI DALLOpenAI DALLE E 模型,文字生成图像】模型,文字生成图像】微软正式宣布,必应搜索引擎接入了 OpenAI 的 DALLE 模型,增加了 AI 生成图像的功能。也就是说,在接入 ChatGPT 之后,必应再次强化,Bing Image Creator 能够让用户用 DALLE 模型生成图像。对于拥有必应预览版权限的用户,Bing Image Creator将完全集成到必应聊天体验中,首先在创意模式下推出。微软消费者营销主管 Yusuf Mehdi 解释道。通过输入图像描述,提供位置或活动等额外语境,选择艺术风格,Image Creator 将根据用户的想象生成图像。必应具有三种响应模式:创意模式、平衡(balanced)模式和精确(precise)模式。创意模式下必应生成的结果通常是原创和富有想象力的,而精确模式则倾向于准确性和相关性,以获得更真实和简洁的答案。目前 Image Creator 只能在创意模式下使用。值得一提的是,即使没有必应预览版的使用权限,用户也可以通过直接访问 单独使用 Image Creator 来尝试其图像生成功能,目前仅支持英文输入。微软表示,随着时间的推移,它将支持更多的语言输入。(机器之心)【加快发力加快发力AIAI 应用!谷歌的应用!谷歌的ChatGPTChatGPT 竞品竞品 BardBard向早期测试者开放向早期测试者开放】硅谷巨头正在加快速度在人工智能(AI)应用领域发力。谷歌挑战 AI 里程碑式应用 ChatGPT 的新型 Bard 已经准备就绪,正在开放测试。美东时间 2 月6 日周一,谷歌及其母公司 Alpabet 的 CEO Sundar Pichai 发布博客文章宣布,2021 年,谷歌开始进行对话应用语言模型(LaMDA)支持的对话型 AI 服务开发,LaMDA 驱动的 Bard 将向可信赖的测试者开放,并准备在“未来几周内”更大范围地提供给公众。Pichai 的博文介绍,最初,Bard 将与轻量级版本的 LaMDA 一起发布。这个版本 LaMDA 需要的计算能力小得多,可以让谷歌将面向群体扩大到更多的用户,从而得到更多的反馈。谷歌会将外部的反馈和内部的测试结合,确保 Bard 在质量、安全性和真实信息的全面性方面给出高标准的回答。(华尔街见闻)【AdobeAdobe 全新创意生成式人工智能全新创意生成式人工智能 FireflyFirefly 亮相!亮相!】Adobe 宣布推出一款名为“萤火虫”(Firefly)的创意 8 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 生成式 AI,可由文字生成图像内容。据介绍,Firefly 将允许内容创作者使用自己的文字来生成图像、音频、插图、视频和 3D 图像。Adobe 数字媒体业务总裁大卫瓦德瓦尼在一份声明中表示:“通过 Firefly,Adobe 将把生成式人工智能驱动的创意成分直接带入客户的工作流程,提高从高端创意专业人士到创作者经济长尾的所有创作者的生产力和创意信心。”Adobe 方面称,目前,Firefly 已经集成在 Adobe 的企业级创意工具 Adobe Express 中进行内测,未来将全面扩展到旗下的 Photoshop、Illustrator 以及 Premiere 等工具中。(Adobe)【王炸功能上新!王炸功能上新!ChatGPTChatGPT 接入第三方插件,功能覆盖衣食住行接入第三方插件,功能覆盖衣食住行】OpenAI 宣布解除了 ChatGPT 无法联网的限制,以第三方插件为中介,使 ChatGPT 能访问其他网站并获取实时信息,还支持执行计算。此前,ChatGPT只能从训练数据当中提取信息,导致其输出结果大大受限。OpenAI 官方称,此次推出的插件不仅允许 ChatGPT浏览网页,还能让它与开发人员定义的 API 进行交互,使其能执行诸如搜索实时新闻、检索知识库等更具体的操作。据官网资料,ChatGPT 的第一批插件由 Expedia、FiscalNote、Instacart、KAYAK、Klarna、Milo、OpenTable、Shopify、Slack、Speak、Wolfram 和 Zapier 等公司提供,这些插件的具体功能包括推荐餐厅、制定出游计划、网上商店购物、企业办公、信息检索、语言教学等,涵盖日常生活的衣食住行各个方面。“插件商店(ChatGPT Plugins Store)”的推出意味着其他服务成为了 ChatGPT 的“眼睛和耳朵”。(智东西)【比尔盖茨谈比尔盖茨谈 AIAI:ChatgptChatgpt 是我见过最具革命性的技术之一是我见过最具革命性的技术之一】对于 ChatGPT,世界范围内已经有许多各领域的“大佬”对其提出了自己的见解和看法,有的觉得这是革命性的技术,也有人觉得它还不成熟,保持观望态度。微软公司创始人比尔盖茨在他的个人博客“GatesNotes”上发表了一篇千字的博文,他觉得“人工智能时代真的到来了”。比尔盖茨在博文中写道:“自 2016 年以来,我一直与 OpenAI 的团队会面,他们的稳步进步给我留下了深刻的印象。2022 年年中,我对他们的工作感到非常兴奋,于是我给了他们一个挑战:训练人工智能以通过大学预修生物学考试。使其能够回答未经专门培训的问题。(我选择 AP Bio 是因为测试不仅仅是对科学事实的简单反省它要求你批判性地思考生物学。)如果你能做到,我说,那么你就取得了真正的突破。”“同年 9 月,当我再次见到他们时,他们让 GPT 进行了一场 AP Bio 考试,一共 60 道题,其中 59 道是正确的,这让我不禁感到敬畏。然后,它在考试中的六个开放式问题写下了出色的答案。我们让一位外部专家给测试打分,GPT 得到了 5 分最高分,相当于在大学水平的生物学课程中获得 A 或 A 。”在博文中比尔盖茨提到,ChatGPT 是他一生当中遇到过的两次革命性的技术之一,在经过大量学习的之后,ChatGPT 会变得越来越智能。比尔盖茨觉得,ChatGPT 会给人类在生产力、健康和教育领域带来帮助,不过比尔盖茨也担心人工智能会带来一些风险。(新浪财经)【周鸿祎:中国有能力发展自己的人工智能大语言模型周鸿祎:中国有能力发展自己的人工智能大语言模型】3 月 25 日,国务院发展研究中心主办的 2023 中国发展高层论坛开幕,三六零(601360)集团创始人周鸿祎与苹果 CEO 库克、施耐德电气 CEO 赵国华共话科技未来,周鸿祎以“人工智能与未来安全”为题发表主题演讲。演讲中,周鸿祎展示了 AI 绘图生成的自画像,以及由大语言模型生成的开场白。他将人工智能发展划分为三个阶段:人工“智障”、强人工智能、超级人工智能。周鸿祎认为,GPT-4 已经拥有超人的能力,具有真正的智能。“GPT 是场新工业革命,其意义超越了互联网、iPhone 的发明。”周鸿祎表示,GPT 将成为“发电厂”,数据是煤炭,GPT 将“煤”变成“电”,输送给千行百业,所有行业都值得用 GPT 重塑一遍。未来,每个行业、企业、个人都会拥有定制化 GPT。周鸿祎认为中国有能力发展自己的人工智能大语言模型。他表示,中国大语言模型技术水平和 GPT-4 的差距在 2 到 3 年时间,目前 GPT 的技术方向已经明确,不存在难以逾越的技术障碍,中国应当坚持长期主义精神,迎头赶上。在场景化、工程化、产品化、商业化方面,中国拥有巨大优势,尤其在知识标注领域,中国拥有高端知识人才红利,人工智能训练师将成为新兴热门职业。(和讯网)芯片芯片 9 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 【英伟达发布英伟达发布 ChatGPTChatGPT 专用专用 GPUGPU,推理速度提升了,推理速度提升了 1010 倍倍】3 月 22 日,GTC 大会正式召开,在刚刚进行的 Keynote 上,英伟达 CEO 黄仁勋搬出了为 ChatGPT 准备的芯片。加速计算并非易事,2012 年,计算机视觉模型 AlexNet 动用了 GeForce GTX 580,每秒可处理 262 PetaFLOPS。该模型引发了 AI 技术的爆炸,黄仁勋说道。十年之后,Transformer 出现了,GPT-3 动用了 323 ZettaFLOPS 的算力,是 AlexNet 的 100 万倍,创造了 ChatGPT 这个震惊全世界的 AI。崭新的计算平台出现了,AI 的 iPhone 时代已经来临。(机器之心)【芯片之母芯片之母 EDA 被美国封杀!华为:被美国封杀!华为:14nm 以上已基本国产化以上已基本国产化】3 月 24 日消息,华为轮值董事长徐直军于2 月 28 日在深圳坂田华为总部召开的“硬、软件工具誓师大会”上表示,华为芯片设计 EDA 工具团队联合国内 EDA 企业,共同打造了 14nm 以上工艺所需 EDA 工具,基本实现了 14nm 以上 EDA 工具的国产化,2023 年将完成对其全面验证。徐直军透露,华为软件开发工具开发团队自 2018 年就开始布局,努力打造软件从编码、编译、测试、安全、构建、发布到部署等全套工具链,采用自研加联合合作伙伴一起研发的策略,解决工具连续性问题。这样不仅有力支持了公司十多万软件工程师的软件开发,而且还基于华为云对外提供服务,实现内外一致。其中,硬件开发工具开发团队,突破根技术,引进新架构,发布了云原生的原理图工具,打造了高速高密 PCB 版图工具,打磨了结构设计二维/三维 CAD 工具,布局了硬件多学科仿真工具。软件层面,已联合合作伙伴对外发布了 11 款产品开发工具,且所有产品线都已经切换到华为自己发布的工具。(快科技)【芯片大厂全球裁员芯片大厂全球裁员 4%,传国内研发一个不留传国内研发一个不留】据彭博社报道,无线、数据处理和存储芯片制造商 Marvell Technology Inc.正在裁员约 320 人,占其员工总数的 4%,据称这是对行业放缓的回应。在通知员工裁员后,该公司证实了向彭博新闻社的调动。这家总部位于加利福尼亚州圣克拉拉的公司在一份声明中表示:“我们正在精简我们的组织,以确保我们的员工能够利用我们最有前途的机会,无论是现在还是当我们摆脱当前的行业下行周期时。”“具体来说,我们一直在密切关注我们的团队如何分布在多个地点,以及如何管理他们以确保他们的最佳表现。”Marvell 与许多大型芯片制造商一起裁员,英特尔公司、美光科技公司和其他公司也采取了类似措施。更广泛地说,A Inc.、Alphabet Inc.和 Meta Platforms Inc.等科技公司已经削减了数万个职位。根据彭博汇编的数据,Marvell 将 Microsoft Corp.和 Dell Technologies Inc.视为其两个主要客户。Marvell 此前曾在中国进行过裁员,但最新举措标志着其在美国的首次大规模裁员。而据公众号“白话 IC”透露,marvell已经决定将国内所有的研发人员裁掉,国内员工基本上都已经收到了通知。(快科技)【骁龙骁龙 8 Gen3 全新全新 CPU 架构曝光:破天荒“架构曝光:破天荒“1 2 3 2”组合”组合】关于骁龙 8 Gen3 的 CPU 架构,已经出现两种传言,包括“1 5 2”或“1 4 3”两种大小核组合。现在,局面更乱了。爆料人 Kuba Wojciechowski 若有其是地指出,骁龙 8 Gen3 内部型号 SM8650,代号 Lanai,CPU 架构极为创新,采用“1 2 3 2”的 8 核设计。其中 1 个超大核基于 ARM 代号 Hunter ELP 的 Cortex-Xn(n 代表数字),2 个大核基于 ARM 代号 Hunter 的 A7xx,3 个中核基于 ARM 代号 Hunter 的 A7xx,2 个小核基于 ARM 代号 Hayes 的 A5xx。(快科技)【芯片恐要大涨价!芯片恐要大涨价!ARM 通知小米通知小米/高通等将改变高通等将改变 CPU 授权模式:许可费倍增授权模式:许可费倍增】基于 ARM 的芯片设计已经用于全球超 95%的智能手机,但现在出现一个关键性的新变化,恐将导致芯片价格更贵。据英国 FT 等媒体报道,数位行业高管和知情人士透露,ARM 最近通知了包括高通、小米、联发科、紫光展锐等在内的几家大客户,称其将对商业模式做根本性转变。简言之,当前 ARM 是和高通、联发科、紫光展锐等芯片设计商签署授权许可,按照芯片价格来收取许可费。ARM 酝酿的新调整是,其依然会将其技术授权给芯片设计企业,但要求后者仅能向已与 ARM 签约的设备商出货。同时,ARM 的许可费将基于终端设备的平均价格,而非芯片均价。研究机构 TechInsights 分析师透露,高通芯片均价约 40 美元,联发科约 17 美元,紫光约 6 美元,ARM 的抽成一般是 1%2%,而去年智能手机的均价达到了 335 美元,即便不按照 1%的比例抽成,ARM 仍然有足够空间获取更高的专利费。显然,从芯片到终端设备,价格要贵出很多。这也意味着,ARM 的收入会增加,可这最终将 10 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 转嫁给终端产品的消费者头上。(快科技)【Intel 显卡部门人事巨震显卡部门人事巨震,GPU 大牛大牛 Raja 突然离职:搞突然离职:搞 AI 去了去了】3 月 22 日消息,Intel 显卡业务部门毫无预料的情况下发生了重大人事变动,从 AMD 跳槽过去的 GPU 大牛 Raja Koduri 离开了 Intel 公司,去搞 AI创业了。Raja Koduri 本人已经在推上证实了此事,还跟 Intel CEO 及 Intel 显卡部门在推上互相感谢、道别,但没有提到离职的原因。至于 Raja Koduri 的未来发展,他会去搞现在大热的 AI 行业,成立一家新公司,但还没有公布名字,主要从事游戏、多媒体及娱乐方面的生成式 AI。考虑到 Raja Koduri 的影响力,他在 AI 行业创业应该不会缺少投资者,后续应该会有更多报道。(快科技)传感器传感器【分析师确认分析师确认 iPhone15 全系搭载灵动岛:传感器升级性能更具优势全系搭载灵动岛:传感器升级性能更具优势】据知名分析师郭明錤最新发布的信息显示,与此前曝光的消息基本一致,全新的 iPhone 15 系列已经基本确认将全系采用灵动岛显示屏,不过与前作iPhone 14 Pro的有一定的区别,比如iPhone 15系列的灵动岛内部的距离感应器将从iPhone 14 Pro上的屏下放置、但位于灵动岛外,改为集成到灵动岛内,同时,这一变化并不会增大灵动岛的开孔面积。不仅如此,郭明錤还表示,新传感器代号 Sphinx,波长从前一代的 1380nm 调整为 940nm,性能方面更具优势。其他方面,根据此前曝光的消息,全新的 iPhone 15 系列将继续提供与 iPhone 14 系列相同的四款机型,并且仍然有着明显的两极分化,其中 Pro 版和 Ultra 版将进一步提高屏幕亮度,达到 2500 尼特。二者将搭载新一代的 A17 Bionic,这颗芯片集于台积电 3nm 工艺(N3)打造,同时内存还将会升级到 8GB。不仅如此,在影像方面该机还将首次采用一颗 1200 万像素的潜望式长焦镜头,支持 6 倍光学变焦,并且这也是该系列唯一一款搭载潜望式长焦镜头的机型。至于 iPhone 15 和 iPhone 15 Plus,二者则仍将使用 iPhone 14 Pro 上的 A16 Bionic,内存、相机模组也没有明显升级。(环球网科技)智能驾驶智能驾驶【北京开启全车无人自动驾驶出行服务北京开启全车无人自动驾驶出行服务】百度“萝卜快跑”、小马智行取得北京市高级别自动驾驶示范区首批“无人化车外远程阶段”示范应用许可,获准在京开启全车无人的自动驾驶出行服务。此前,百度“萝卜快跑”、小马智行已先后经历“主驾无人,副驾有人”和“前排无人,后排有人”阶段,拿下道路测试、示范应用、商业化试点等不同形式的许可。自 2022 年底获得“无人化车外远程阶段”测试许可以来,百度“萝卜快跑”、小马智行已各投入 10 辆全无人车辆在亦庄地区公开道路进行了 3 个月的全车无人测试。在应对十字路口、狭窄路段等复杂场景以及雨雪、沙尘等极端天气方面,全无人自动驾驶车辆做到了安全稳定。(中国战略新兴产业)【东软集团在国内率先完成东软集团在国内率先完成 V2X二阶段与自动驾驶深度融合二阶段与自动驾驶深度融合】中国证券报记者3 月24 日从东软集团获悉,东软集团日前在国内率先实现 V2X(Vehicle-to-Everything)二阶段场景与自动驾驶的深度融合,在公共道路上完成多个应用场景的自动驾驶演示。此次突破将确保 V2V(车辆与车辆)、V2I(车辆与基础设施)、V2P(车辆与人)等之间更高效地沟通和协作,积极促进自动驾驶技术创新和应用,对未来提高交通效率、降低交通事故率、构建智能交通体系具有积极意义。(同花顺财经)【Nature 封面封面:自动驾驶车辆安全验证的密集强化学习自动驾驶车辆安全验证的密集强化学习】自动驾驶汽车(autonomous vehicle,AV)的快速发展,把我们推上交通革命的风口浪尖。自动驾驶技术有可能极大提高运输安全性、机动性和可持续性,因此受到全世界各界人士的关注。虽然自动驾驶技术已取得了长足进步,但到目前为止,尚未达到商用的安全标准。11 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 提高自动驾驶汽车安全性能的关键瓶颈在于:安全验证极其低效。主要是用软件模拟、封闭试验跑道和道路试验相结合的方式在无损检测(NDE)中对无人驾驶汽车进行试验。然而,在 NDE 上的测试通常需要测试数亿英里。为了提高效率,还有许多基于场景的方法,但主要适用于短场景路段。验证无人驾驶技术的安全性能本质上是一个高维空间中罕见事件的估计问题,主要的挑战在于“维度灾难”(驾驶的时空环境复杂)和“稀有灾难”(影响安全的关键事件发生的概率低)的复合。为解决这一挑战,最新发表在 Nature 的这篇文章开发了一种密集深度强化学习(dense deep-reinforcement-learning,D2RL)方法。基本思想是识别和删除非安全关键数据,并利用安全关键数据训练神经网络。他们开发了环境的智能测试,训练基于人工智能的后台主体,来验证自动驾驶汽车在加速模式下的安全性能,而不会失去无偏性(unbiasedness);基于自然驾驶数据,后台智能主体通过 D2RL 方法来学习执行什么样的应对策略。他们还在结合多模拟背景和现实环境测试了高度自动化的车辆,发现 D2RL 训练的主体可以加速测试过程达多个数量级(103 到 105 倍)。此外,D2RL 还能加速其他安全关键型自主系统的测试和训练。(澎湃财经)【首尔有望今年内开通自动驾驶夜间公交首尔有望今年内开通自动驾驶夜间公交】据韩国中央日报报道,首尔市政府和市议会的官员本周早些时候证实,首尔市将很快启动从西部麻浦区到东部东大门区的自动驾驶公交车运营,线路长约 9.7 公里。试运行期间,自动驾驶公交车将从午夜开始运行 5 个小时。完成试运行并对相关技术进行调整后,首尔最早将于10 月正式开通相关服务。将有三辆自动驾驶公交车参与该项目运营。(环球网)智慧工业智慧工业【工信部:将深入实施工业互联网企业网络安全分类分级管理工信部:将深入实施工业互联网企业网络安全分类分级管理】工信部网络安全局局长隋静3月23日表示,工信部将深入实施工业互联网企业网络安全分类分级管理,推动发布公共安全防护指南等指导性文件,研究制定行业安全防护路线图,进一步强化重点企业工业领域网络安全防护水平。隋静是在 23 日举行的第四届国际工业信息安全应急大会上作出上述表示的。会上,国家工业信息安全发展研究中心发布了工业信息安全监测应急产品及服务全景图(2022),国内外专家围绕工业信息安全实现路径范式选择、网络攻击防范应对等发表主题演讲,分享技术成果和实践经验。(新华网)【2023 云桥大会工业互联网峰会在杭州成功举办,共创“无极”新生态云桥大会工业互联网峰会在杭州成功举办,共创“无极”新生态】3 月 24 日,主题为“新工业新生态新征程”的 2023 云桥大会工业互联网峰会在浙江省杭州市拱墅区杭州电竞中心成功举办。本届峰会由全球浙商总会互联网委员会、捷配科技主办,骐骥营销承办。本次峰会线下参与人数超过 2000 人,聚集超过1000 位新工业领域企业家、高管,线上参与人次达 300 万人。云桥大会意在搭建新工业“链接”桥梁,共建新工业生态共同体,引导产业协同及发展。峰会期间,主办方之一捷配科技创始人兼董事长周邦兵提出“无极”理念,希望与新工业企业共同搭建共创、共存、共生的去中心化新生态。(新华网)其他其他【武汉人工智能产业规模增长武汉人工智能产业规模增长 33%】3 月 23 日,“2023 光谷人工智能产业生态大会智能网联汽车专场”活动在光谷开幕,2022 年武汉人工智能产业发展评估报告同步发布。2022 年武汉人工智能产业发展评估报告显示,武汉人工智能产业在经济规模、科技实力、高新企业培育和政策生态等方面具有较好基础,汇聚形成算力资源、科教资源、产业集群和网络设施等方面的特色优势。近年来,光谷推动组建武汉人工智能研究院、北京大学武汉人工智能研究院,建成投运国内首个人工智能计算中心、武汉超算中心“双中心”。2021年,武汉市人工智能产业规模同比增长 33.3%;东湖高新区人工智能企业数量占全市 66%,人工智能核心产业规模占全市 82%。(武汉发布)12 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 【微软比尔盖茨警告人工智能“可能会失控”,或成为人类的敌人微软比尔盖茨警告人工智能“可能会失控”,或成为人类的敌人】微软联合创始人比尔盖茨表示,他虽然对人工智能的进步感到“兴奋”,但认为各国政府应控制机器人的发展,因为他担心邪恶势力可能会部署机器人来统治世界。67 岁的比尔盖茨说:“像大多数发明一样,人工智能可以用于好的目的,也可以用于邪恶的目的。政府需要与科技公司合作,设法限制风险。机器是否会认为人类是一种威胁?如果得出这样的结论,那么人工智能就有可能失去控制。超级智能的人工智能将会被开发出来,相比之下,人类的大脑将会“像蜗牛一样慢”。它将能够做人类大脑能做的一切,而且内存与运行速度没有上限。这将是一个深刻的变化,这些强大 的人工智能很可能建立自己的目标。那么这些目标是什么呢?如果它们与人类的利益相冲突,会发生什么?我们是否应该阻止强人工智能的开发?随着时间的推移,这些问题将变得更加紧迫。”(腾讯网)【微软称:通用人工智能(微软称:通用人工智能(AGI)要来了)要来了】“我们认为 GPT-4 的智能标志着计算机科学及其他领域迎来真正的范式转变。”在 GPT-4 公开发布后不久,微软 AI 科学家团队发表了一篇研究论文通用人工智能的火花:GPT-4 的早期试验,声称 OpenAI 语言模型迸发出水平堪比人类的智能即通用人工智能(AGI)的“火花”,而微软现在有点被阉割的 Bing AI 正基于 OpenAI 语言模型。研究人员在论文中谨慎地将 GPT-4 具有的能力描述为“是朝着一系列越来越拥有通用智能的系统、而不是发展完备的人类级 AI 迈出的仅仅第一步”。他们还一再强调,这篇论文基于 GPT-4 的“早期版本”,他们研究的时候它“仍处在 OpenAI 积极开发的阶段”,而不一定是已经被处理成可应用产品的版本。不过抛开免责声明不说,研究人员提出的这些说法并非儿戏。虽然外面很多人、甚至是 AI 行业的一些人士认为 AGI 是白日梦,但其他人认为开发 AGI 将开辟人类未来的下一个时代。下一代 GPT-4 是迄今为止 OpenAI 构建的功能最强大的大型语言模型(LLM)版本,在一系列潜在的 AGI竞争者当中,GPT-4 即便不是名列榜首,也名列前茅。(快科技)五、重要公告五、重要公告 本期重点公告包括本期重点公告包括年报、年报、利润分配、股份增减持利润分配、股份增减持等。等。全志科技、中科创达发布利润分配相关公告;广立微、全志科技发布年度报告;格灵深瞳、科大讯飞、寒武纪、概伦电子、安路科技发布股份增减持相关公告。图表图表5:人工智能人工智能行业一周重要公告行业一周重要公告 公司简称公司简称 发布日期发布日期 公告内容公告内容 全志科技 2023/03/20 公司发布关于 2022 年年度利润分配预案的公告,经天健会计师事务所(特殊普通合伙)审计,公司 2022 年度合并报表中实现归属母公司股东净利润 211,059,746.57 元,根据公司法及公司章程的相关规定,以母公司净利润数为基数提取 10的法定盈余公积金 17,459,825.30 元。截至 2022 年 12 月 31 日,母公司可供股东分配的利润为 1,291,248,659.61 元。根据中国证监会鼓励上市公司现金分红,给予投资者稳定、合理回报的指导意见,在符合利润分配原则、保证公司正常经营和长远发展的前提下,公司根据公司法及公司章程的相关规定,拟定 2022 年度利润分配预案为:以公司现有总股本 630,016,738 股为基数,向全体股东每 10 股派发现金股利人民币 1.50 元(含税),合计派发现金股利人民币 94,502,510.70 元(含税),不送红股,不进行资本公积金转增股本。剩余未分配利润转结至以后年度。全志科技 2023/03/20 公司发布 2022 年年度报告,报告期内,公司实现营收 1,514,132,177.25 元,同比下滑26.69%,实现归母净利润 211,059,746.57 亿元,同比下滑 57.31%。格灵深瞳 2023/03/21 公司发布持股 5%以上股东集中竞价减持股份计划公告,截至本公告披露日,策源创投持有公司股份 13,173,140 股,占公司总股本的 7.12%;真格基金持有公司股份 13 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 10,544,057 股,占公司总股本的 5.70%;澳林春天持有公司股份 9,275,930 股,占公司总股本的 5.01%。上述股份均来源于公司首次公开发行前持有的股份,且已于 2023 年 3月 17 日解除限售后上市流通。策源创投因自身经营及资金安排需要,计划通过集中竞价方式减持其持有的公司股份不超过 3,699,600 股,即不超过公司总股本的 2%。通过集中竞价交易方式减持的,减持期间为自本公告披露之日起 15 个交易日后的 6 个月内进行,且在任意连续 90 个自然日内,减持股份的总数不超过公司股份总数的 1%。如计划减持期间有派息、送股、资本公积金转增股本、配股等除权除息事项,减持股份数量将相应进行调整。真格基金因自身投资运作安排需要,计划通过集中竞价方式减持其持有的公司股份不超过 3,699,600 股,即不超过公司总股本的 2%。通过集中竞价交易方式减持的,减持期间为自本公告披露之日起 15 个交易日后的 6 个月内进行,且在任意连续 90 个自然日内,减持股份的总数不超过公司股份总数的 1%。如计划减持期间有派息、送股、资本公积金转增股本、配股等除权除息事项,减持股份数量将相应进行调整。澳林春天因自身资金需求,计划通过集中竞价方式减持其持有的公司股份不超过 3,699,600 股,即不超过公司总股本的 2%。通过集中竞价交易方式减持的,减持期间为自本公告披露之日起 15 个交易日后的 6 个月内进行,且在任意连续 90 个自然日内,减持股份的总数不超过公司股份总数的 1%。如计划减持期间有派息、送股、资本公积金转增股本、配股等除权除息事项,减持股份数量将相应进行调整。科大讯飞 2023/03/21 公司发布关于大股东计划减持公司股份的预披露公告,持本公司股份 83,497,837 股(占本公司总股本比例 3.59%)的股东中科大资产经营有限责任公司计划在 2023 年 4月 21 日-2023 年 10 月 12 日以集中竞价(或大宗交易)的方式减持本公司股份不超过23,230,843 股(占本公司总股本比例 1%)。寒武纪 2023/03/21 公司发布股东减持股份数量过半暨减持进展公告,本次减持计划实施前,公司”、“本公司股东南京招银持有公司股份 3,114,627 股,占公司总股本的 0.78%;湖北招银持有公司股份 1,539,549 股,占公司总股本的 0.38%。上述股份为公司首次公开发行前取得的股份,且已于 2021 年 7 月 20 日起上市流通。2023 年 2 月 3 日,公司披露了中科寒武纪科技股份有限公司股东减持股份计划公告。公司股东南京招银拟通过集中竞价、大宗交易的方式减持其所持有的公司股份合计不超过 3,114,627 股,不超过寒武纪总股份的 0.78%。公司股东湖北招银计划拟通过集中竞价、大宗交易方式合计减持寒武纪股份不超过 1,539,549 股,不超过寒武纪总股份的 0.38%。近日,公司收到股东南京招银、湖北招银出具的关于股份减持进展的告知函,截至本公告披露日,南京招银已通过集中竞价方式累计减持公司股份 1,557,412 股,占公司总股本的 0.39%;湖北招银已通过集中竞价方式累计减持公司股份 769,873 股,占公司总股本的 0.19%。本次减持计划数量已过半,本次减持计划尚未实施完毕。中科创达 2023/03/22 公司发布 2022 年年度权益分派实施公告,公司 2022 年度股东大会审议通过的利润分配方案为:以公司 2022 年 12 月 31 日的总股本 457,478,344 股为基数,向全体股东每10 股派发现金股利人民币 3.37 元(含税),共计分配现金股利 154,170,201.93 元。如权益分派股权登记日前公司股本发生变动的,将按照分配总额不变的原则对分配比例进行调整。水晶光电 2023/02/23 公司发布关于对外投资的公告,公司基于全球化战略布局的考虑,为满足国际化业务发展需求,提升企业竞争优势,公司拟以自有资金 5 万美元在新加坡投资设立全资子 14 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 公司 COT(Singapore),再由 COT(Singapore)以自有资金 1,000 美元在新加坡投资设立全资孙公司 COTV(Singapore)。全资子公司 COT(Singapore)注册资本拟定为 5 万美元,水晶光电持股 100%;全资孙公司 COTV(Singapore)注册资本拟定为 1,000 美元,COT(Singapore)持股 100%。全资孙公司 COTV(Singapore)成立后,拟以其为投资主体在越南设立全资生产型公司 COT(Vietnam),主要从事光学元器件、光电子元器件制造及加工、光学组立件、模组及解决方案业务。COT(Vietnam)注册资本拟定为900万美元,计划投资总额为4,500万美元含用于实缴COT(Vietnam)的注册资本),资金来源为自有资金与自筹资金,COTV(Singapore)持股 100%。广立微 2023/03/23 公司发布 2022 年年度报告,报告期内,公司实现营收 355,599,824.19 元,同比增长79.48%,实现归母净利润 122,374,890.34,同比增长 91.97%。概伦电子 2023/03/24 公司发布关于持股 5%以上股东累计减持超过 1%的提示性公告,减持计划实施前,金秋投资持有公司股份 33,588,352 股,占公司总股本的 7.74%;嘉橙投资持有公司股份10,773,624 股,占公司总股本的 2.48%。金秋投资与嘉橙投资为一致行动人,合计持有公司股份 44,361,976 股,占公司总股本的 10.22%。上述股份均为无限售条件流通股且来源均为公司首次公开发行股票并上市前取得的股份。根据公司于 2023 年 2 月18 日披露的股东减持股份计划公告,金秋投资、嘉橙投资为收回部分投资成本,拟自本次减持计划公告之日起十五个交易日之后的 90 天内,以集中竞价方式合计减持公司股份数量不超过 4,338,044 股,即不超过公司总股本比例的 1%;拟自本次减持计划公告之日起三个交易日后 90 天内,以大宗交易方式合计减持公司股份数量不超过 8,676,088 股,即不超过公司总股本的 2%。本次减持计划合计拟减持公司股份数量不超过 13,014,132 股,不超过公司总股本的 3%。减持价格按市场价格确定。安路科技 2023/03/24 公司发布关于 5%以上股东减持股份至 5%的权益变动提示性公告,本次权益变动属于股份减持,不触及要约收购。本次权益变动后,公司股东士兰微及其一致行动人士兰创投合计持有公司的股份数量为 20,005,000 股,其合计持有公司股份占公司总股本的比例减少至 5.00%。本次权益变动主体为合计持股 5%以上非第一大股东,不会导致公司无控股股东及实际控制人的情况发生变化,不会影响公司的治理结构和持续经营。公司于近日收到股东士兰微及其一致行动人士兰创投出具的杭州士兰微电子股份有限公司、杭州士兰创业投资有限公司关于权益变动至 5%的函以及上海安路信息科技股份有限公司简式权益变动报告书,截至 2023 年 3 月 23 日,士兰微及其一致行动人士兰创投合计持有公司股份比例为 5.00%。资料来源:Wind,中信建投 六、风险提示六、风险提示 北美经济衰退预期逐步增强,宏观环境存在较大的不确定性,国际环境变化影响供应链及海外拓展;芯片紧缺可能影响相关公司的正常生产和交付,公司出货不及预期;疫情影响公司正常生产和交付,导致收入及增速不及预期;信息化和数字化方面的需求和资本开支不及预期;市场竞争加剧,导致毛利率快速下滑;主要原材料价格上涨,导致毛利率不及预期;汇率波动影响外向型企业的汇兑收益与毛利率;人工智能技术进步不及预期;汽车与工业智能化进展不及预期等。15 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 分析师介绍分析师介绍 于芳博于芳博 中信建投人工智能组首席分析师,北京大学空间物理学学士、硕士,2019 年 7 月加入中信建投,主要覆盖人工智能等方向,下游重点包括智能汽车、CPU/GPU/FPGA/ASIC、EDA 和工业软件等方向 16 请参阅最后一页的重要声明 人工智能人工智能 行业动态报告 评级说明评级说明 投资评级标准 评级 说明 报告中投资建议涉及的评级标准为报告发布日后 6个月内的相对市场表现,也即报告发布日后的 6 个月内公司股价(或行业指数)相对同期相关证券市场代表性指数的涨跌幅作为基准。A 股市场以沪深300 指数作为基准;新三板市场以三板成指为基准;香港市场以恒生指数作为基准;美国市场以标普 500 指数为基准。股票评级 买入 相对涨幅 15以上 增持 相对涨幅 5 中性 相对涨幅-5%5之间 减持 相对跌幅 5 卖出 相对跌幅 15以上 行业评级 强于大市 相对涨幅 10%以上 中性 相对涨幅-10-10%之间 弱于大市 相对跌幅 10%以上 分析师声明分析师声明 本报告署名分析师在此声明:(i)以勤勉的职业态度、专业审慎的研究方法,使用合法合规的信息,独立、客观地出具本报告,结论不受任何第三方的授意或影响。(ii)本人不曾因,不因,也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。法律主体说明法律主体说明 本报告由中信建投证券股份有限公司及/或其附属机构(以下合称“中信建投”)制作,由中信建投证券股份有限公司在中华人民共和国(仅为本报告目的,不包括香港、澳门、台湾)提供。中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格,本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告首页。在遵守适用的法律法规情况下,本报告亦可能由中信建投(国际)证券有限公司在香港提供。本报告作者所持香港证监会牌照的中央编号已披露在报告首页。一般性声明一般性声明 本报告由中信建投制作。发送本报告不构成任何合同或承诺的基础,不因接收者收到本报告而视其为中信建投客户。本报告的信息均来源于中信建投认为可靠的公开资料,但中信建投对这些信息的准确性及完整性不作任何保证。本报告所载观点、评估和预测仅反映本报告出具日该分析师的判断,该等观点、评估和预测可能在不发出通知的情况下有所变更,亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门、人员口头或书面表达的意见不同或相反。本报告所引证券或其他金融工具的过往业绩不代表其未来表现。报告中所含任何具有预测性质的内容皆基于相应的假设条件,而任何假设条件都可能随时发生变化并影响实际投资收益。中信建投不承诺、不保证本报告所含具有预测性质的内容必然得以实现。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况,报告接收者应当独立评估本报告所含信息,基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。中信建投建议所有投资者应就任何潜在投资向其税务、会计或法律顾问咨询。不论报告接收者是否根据本报告做出投资决策,中信建投都不对该等投资决策提供任何形式的担保,亦不以任何形式分享投资收益或者分担投资损失。中信建投不对使用本报告所产生的任何直接或间接损失承担责任。在法律法规及监管规定允许的范围内,中信建投可能持有并交易本报告中所提公司的股份或其他财产权益,也可能在过去 12 个月、目前或者将来为本报告中所提公司提供或者争取为其提供投资银行、做市交易、财务顾问或其他金融服务。本报告内容真实、准确、完整地反映了署名分析师的观点,分析师的薪酬无论过去、现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系,分析师亦不会因撰写本报告而获取不当利益。本报告为中信建投所有。未经中信建投事先书面许可,任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本报告全部或部分内容,亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本报告全部或部分内容。版权所有,违者必究。中信建投证券研究发展部中信建投证券研究发展部 中信建投(国际)中信建投(国际)北京 上海 深圳 香港 东城区朝内大街2 号凯恒中心B座 12 层 上海浦东新区浦东南路528号南塔 2106 室 福田区益田路 6003 号荣超商务中心 B 座 22 层 中环交易广场 2 期 18 楼 电话:(8610)8513-0588 电话:(8621)6882-1600 电话:(86755)8252-1369 电话:(852)3465-5600 联系人:李祉瑶 联系人:翁起帆 联系人:曹莹 联系人:刘泓麟 邮箱: 邮箱: 邮箱: 邮箱:charleneliucsci.hk

    19人已浏览 2023-03-27 18页 5星级
  • 爱分析:2023认知智能实践报告(37页).pdf

    ?1?|?2023?2023?2023?3?2?|?2023?&?3?|?2023?4?|?2023?1.?1 2.?4 3.?NLP?11 4.?18 5.?26?27?28?29?5?|?2023?|?2023?1?1.?NLP?研?NLP?研?NLP?务?ASR?NLP?研务?务?务? AI?ChatGPT?ChatGPT?ChatGPT?去?睫?盟?NLP?务?|?2023?2?1?|?2023?3?|?2023?4?2.?研?研?研?研?IT?研务?研?研?务?太聊研?务?务?聊研?研?确?研?尽?|?2023?5?1?6?研?研?研?研?模?研?研?研?务?撑?聊研?撑?研?研?撑练?聊研?研?研?研?|?2023?6?1:?务?尽?筛?1987?务?尽?2010?套?务?尽?务?络?筛?尽?告?APP 务?告?务?模?包?去?务?名?睫?筛?盟?|?2023?7?名?2015?AI?AI?8?名?500?筛?-务-?POC?盟?研?Gemini?KM?务?NLP?Gemini?KG?NLP?NLP?告?Gemini?KG?务?NLP?模?研?撑练?研?确?模?务?覆?|?2023?8?Gemini?KG?研务?够?去?撑?去?模?2?l?匹?l?匹?研?API?l?Gemini?KG?务?务?务?|?2023?9?l?确?研?研?1.?睫?2.?3.?聊研?4.?盟?盟?聊研?盟?盟?盟?5.?睫?确?6.?盟?7.?CPU?模?研?名?够?务?导?85%?研?90%?TOP10?85%-?90%?|?2023?10?NLP?|?2023?11?3.NLP?NLP?研?NLP?NLPNLP?匹?导?务?研?NLP?模?NLP?研?研?研?NLP?研?研?研?研?NLP?匹?NLP?NLP?够?务?NLP?NLP?ChatGPT?务?NLP?盟?套?盟?尽?|?2023?12?2?NLP?NLPNLP?务?务?务?聊研 NLP?NLPNLP?NLPNLP?NLPNLP?送?研?NLP?NLP?NLP?|?2023?13?2:?NLP?务?够?睫?研?研?睫?l?确?研?研?送?l?确?睫?模?|?2023?14?尽?1993?研?研?睫?40 ?1000 ?研?NLP?睫?研?睫?1.1.?务?3?2.?|?2023?15?盟?匮?l?尽?研?匮?聊研?l?导?研务?研?空?空?去?筛?|?2023?16?4?NLP?务?NLP?研务?NLP?务?研?匮?匮?告?告?研?告?研?研?告?研?研?研?研?研?研?研?研?2000?|?2023?17?NLP?NLP?研?研?务?研?务?聊研?够?|?2023?18?|?2023?19?4.?研?研?研务?研?研务?务?研务?研?研?务?筛?AI?务?模?撑?研?务?送?导?AI?|?2023?20?3?2-3?AI?去?聊研?务?AI?务?研务?务?研务?SOPSOP?务?务?SOP?研务?SOP?研?NLP?研?|?2023?21?研务?3?研?研?匹?映?5?研?撑?撑?研?务?研?告?研?务?SOP?告?告?研?研?|?2023?22?研?名?研?AI?模?研?研?研务?17?500?Know-how?研?研?模?研务?告?研?务?研?|?2023?23?POC?映?研?NLP?去?POC?NLP?5?模?1.?10?20 ?匮?100 ?SOP?2.?研?研?务?3.?ASR?空?研?研?|?2023?24?4.?NLP?研?聊研?研?5.?BI?KPI?盟?benchmark?研?研?模?撑?SOP?5%-10%?|?2023?25?|?2023?26?5.?去?的?务?AI?尽?ChatGPT?空?|?2023?27?务?务?务?|?2023?28?&?研?研?|?2023?29?盟?盟?务?匮?撑?盟?撑?盟?告?模?盟?务?盟?盟?盟?去?尽 2023?|?2023?30?31?|?2021?

    50人已浏览 2023-03-25 37页 5星级
  • 沃丰科技:“AI领航数智转型”央国企AI数字化选型实践指南(2022)(37页).pdf

    目录一、AI 央国企行业概述.1(一)背景.1(二)三大核心价值.2(三)行业痛难点分析.31.数字化转型初起步,阻碍较多.32.系统难支撑业务发展,需改造升级.43.内外部服务效率低,服务质量待提升.44.多系统间未打通,数据孤岛.45.数据质量难以把控,复合型人才匮乏.5二、AI 央国企技术发展现状分析.5(一)AI 相关技术现状及趋势.51.NLP.52.ASR.63.人机交互.64.机器学习.65.计算机视觉.66.知识图谱.77.企业搜索.78.知识工程平台.7(二)业务部署模式.71.公有云.82.私有云.83.混合云.9三、场景及解决方案.9(一)AI 智能营销服务一体化方案.9(二)知识闭环应用(知识管理平台).10(三)智能客服.11(四)招采平台搭建.12(五)内部共享服务平台 SSC.13(六)智能出行,智慧服务.14(七)智慧化沟通.15四、趋势展望与发展建议.16(一)趋势展望.16(二)发展建议.16附录:典型场景应用案例.171.河钢集团(智能客服).172.北京地铁 96123(语音机器人).183.招商局集团(招采数字化平台).204.中央政府采购网(智能客服机器人).215.山东航空(智能机器人、智能质检).236.中铁鲁班(招采数字化平台).247.国家电网(在线客服、智能质检).258.河南机场(全渠道客服).279.中国铁建(自有采购平台).2810.某警用装备采购中心(智能采购平台).2911.中核供应链(全渠道智能客服).301一、一、AIAI 央国企行业概述央国企行业概述(一一)背景)背景在全球数字经济浪潮的推动下,国内企业纷纷展开数字化转型,力求通过转型、创新让企业焕发生机,提高运营效率。现在我国经济已由高速增长转为“低速增长 高质量”驱动时代,推动人工智能、云计算、大数据等新一代前沿高新技术与实体经济深度融合,势在必行。2020 年 9 月,国务院国资委发布关于加快推进国有企业数字化转型工作的通知,鼓励央国企进行数字化转型,积极建设自有智慧服务中心,发展基于互联网数字化平台的用户服务,贯彻以客户、百姓、行业正向发展为本的核心思想,提高客户体验满意度的同时提高客户黏性,扩展数字业务规模,建立一个全面数字化生态环境。在这样的背景下,央国企普遍将数字化转型作为重点战略方向,力求以生产经营数字化提升带来效益飞跃,以企业管理智能化提高运营效率,数字化水平也成为衡量央国企改革成效的重要指标。图 1:关于加快推进国有企业数字化转型工作的通知解读文件22022 年,以人工智能为首的相关技术飞速发展,并与央国企数字化转型深度结合,其已成为我国各行业大型央国企开展转型落地工作的重要切入点之一。然而由于行业限制与历史问题,央国企之间信息化程度差异大,数字化转型起点不同,这大大影响了央国企转型速度与业务方向。信息化程度高、起点高的央国企有能源、金融等行业,其作为国民经济的支柱产业,数据基础架构较为完善,数字化平台搭建早已开展十数年之久。但是相较于现在新型信息技术而言,其架构与应用模式等均已落后。该类央国企的数字化转型之路,由全面改革转化为逐步替换,通过成立数字化子公司,针对核心业务数字化创新改革,加大自研投入成本。随着技术团队的不断壮大、对人才的不断收拢,央国企最终实现了单点技术突破乃至领先,以点带面,让集团整体的数字化转型顺利进行。而信息化程度低、起点相对较低的央国企有制造业、军工等行业,其因为自身行业敏感性与规模等限制因素,在首轮信息化建设过程中缺乏技术能力、整体设计、资金等基础条件,故而导致数据质量,底层架构等都无法符合目前信息化建设要求。该类央国企企业在本次转型过程中,反而可以全面实行数字化转型,在集团、总部的高度通过集成式平台开展建设,实现升级。(二二)三大核心价值)三大核心价值政策价值、战略价值、现实价值是央国企数字化转型的 3 大核心推动力。政策价值:加快推进央国企数字化转型已成为“十四五”期间重点战略规划方向之一。作为被国家给予厚望的央国企,其拥有更多责任与使命,其主导的国有经济更是国民经济的中坚力量。基于以上原因,数字化市场中催生出许多独具央国企特色的解决方案,这些解决方案的技术能力与产品多具备业务链迁移和能力整合的特点,例如数字化监督、数字融媒体等。3战略价值:根据国家政策导向,央国企在制定自身战略发展规划中,会着重落实政策中的战略需求。根据实际情况,央国企在数字化过程中不仅要考虑实际的实施效果,还要兼顾国产崛起,替代国外企业;自主可控,避免核心信息泄漏等目标。现实价值:在当下数字经济崛起时代,新型信息技术快速革新,带来数字化、智能化产业的迅猛发展,深刻改变了社会经济模式。央国企在保证自身业务稳定发展的情况下,也需要兼顾降本增效的现实诉求,而数字驱动就是保证降本增效的有力工具之一。(三三)行业痛难点分析)行业痛难点分析1.1.数字化转型数字化转型初起步初起步,阻碍较多阻碍较多在数字化转型过程中,企业的转化形式主要存在两类,其一是在原有的信息技术部门成立分支数字化转型部门,这种方式占比为 49.6%,其二是在集团层面高度,成立全新的数字化领导部门,这种方式占比 34.6%。图 2:企业数字化转型不同类别占比4在数字化转型落地层面,则有建设数字营销网络、搭建基础数字技术平台、推动管理体系数字化、应用创新数字化产品和服务等多项举措。虽然央国企都在积极推进转型,但是仍然还有部分难题无法攻克。据 2022 年 3 月,国务院国资委干部教育培训中心、腾讯研究院、腾讯云三方联合开展问卷和访谈调研显示,50.4%的受访者认为目前央国企在数字化转型初期,并未取得明显效果;23.6%的受访者认为转型遇到障碍,正在努力寻求突破;18.9%的受访者则认为能够顺利展开数字化转型实践,并且取得明显成效。以上数据无一不意味着当前央国企数字化转型仍处于起步阶段。2.2.系统难支撑业务发展,需改造升级系统难支撑业务发展,需改造升级数字化转型涉及业务的梳理、标准的制定、数据的监控、数据的集成等工作,复杂度高、探索性强。在治理过程中出现偏离或失误的概率较大,如果不能及时修正,其影响将难以估计,这也导致数字化转型成效不佳甚至失败。而想要做好以上工作,则需要一个完善的系统,进行数字化流程管理。系统层面的数字化流程再造不仅是技术层面,也是人才资源层面的改造。数字化转型给我们提供了重构业务模式、再造流程的技术手段。3.3.内外部服务效率低,服务质量待提升内外部服务效率低,服务质量待提升企业内部流程僵化,与外部系统的衔接缓慢,跟不上数字化转型的节奏,也无法满足企业日新月异的全新业务链路需求,缺乏流程标准化工具,导致业务效率低下。同时,企业大量知识与操作数据信息无法有效保留,造成数据财富的损失,使得服务链路优化进度缓慢。4.4.多系统间未打通,数据孤岛多系统间未打通,数据孤岛不少央国企空有以前沉淀的海量数据,但数据基础却不稳固,无法和企业的数字化应用匹配起来,业务信息等数据易形成信息孤岛,团队内部无法对历史信息数据进行规范化总结,梳理标准流程,从而无法将解决方案固化成完整解决体系,甚至部分传统央国企的信息化水平远低于平均水平,仍停留在纸质文档记录数据阶段。55.5.数据质量难以把控,复合型人才匮乏数据质量难以把控,复合型人才匮乏数字化的关键是数据,然而数据是一把双刃剑,既能给企业带来价值产出,同时也有一定风险。技术再先进、架构再完善,在数据质量不高、产生偏离的情况下,会导致一切前期工作都成为无用功,再智能的技术也无法得出正确见解。同时,随着数字技术的日益推广与普及,企业对数字化人才的需求呈现爆发式增长,数字化人才缺口逐渐扩大。然而仅掌握信息技术的人才已不能满足数字化发展的需要,企业真正需要的是既懂数字技术,又懂业务和管理,学习能力强的复合型人才。二、二、AIAI 央国企技术发展现状分析央国企技术发展现状分析(一一)AIAI 相关技术现状及趋势相关技术现状及趋势图 3:人工智能相关国家出台文件1.1.NLPNLP自然语言处理主要研究人与计算机之间如何使用人类自然语言进行有效沟通,在生活场景中应用十分广泛,例如:机器翻译、手写体和印刷体字符识别、6语音识别后实现文字转换、信息检索、抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等。它们分别应用了自然语言处理当中的语法分析、语义分析、篇章理解等技术,是人工智能界最前沿的研究领域。自然语言处理可用于语音助手、语音机器人、客户服务、情感分析等多个场景。2.2.ASRASR语音识别就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。基本原理是将语音记录的音频分解成单独的声音,分析每种声音,使用算法找到最适合该语言的单词,然后将声音转录为文本。近二十年来,语音识别技术取得显著进步,开始从实验室走向市场。3.3.人机交互人机交互人机交互是指通过计算机输入、输出设备,以有效的方式实现人与计算机对话的技术。人机交互技术包括机器通过输出或显示设备给人提供大量有关信息及提示请示等,人通过输入设备给机器输入有关信息,回答问题及提示请示等,是计算机用户界面设计中的重要内容之一。4.4.机器学习机器学习机器学习一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门研究。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它能帮助机器从现有的复杂数据中学习规律,以预测未来的行为结果和趋势。5.5.计算机视觉计算机视觉计算机视觉是一个让计算机看到图像的过程,目前在分类、定位、监测、分割等基本语义感知表现良好。未来如何让计算机视觉像人类一样,将多模态信息融合分析、适应三维世界、突破数据输入的局限等都是计算机技术可期待的下一次拐点。76.6.知识图谱知识图谱知识图谱是新一代的知识工程技术,自动获取大数据中的数据、信息等内容并梳理,组成图谱形式。其产品类型以通用知识图谱与垂直行业知识图谱为主。通用知识图谱强调知识广度,逐渐演变为互联网知识图谱,形成搜索引擎、智能推荐、智能问答三大产品类型。知识图谱用于问答、辅助决策与业务分析,是支持 AI 大脑深度思考等知识库基础,是未来主要的增长点。7.7.企业搜索企业搜索基于自然语言处理 NLP、知识图谱等 AI 能力,集成各类数据接口,快速对接各类型的结构化、非结构化数据,打通多业务系统,消除数据孤岛。全面助力企业客户实现随时随地安全搜索任何内容。相对于普通搜索,企业搜索将传统关键词搜索升级为自然语言理解,实现场景化搜索需求。为保护企业数据安全性,企业搜索功能支持对数据源进行全面的权限管理配置,满足企业的数据安全浏览需求。另外企业搜索支持根据自有数据特点,通过拖拽的方式实现自定义卡片展示。8.8.知识工程平台知识工程平台以中台思维做知识管理,核心价值在于通过知识管理体系中台能力的支持,可以快速、高效应对前台服务渠道和场景,提供灵活、精准的知识调用需求,基于多年积累的知识图谱、自然语言处理、多模态语义理解、智能搜索等 AI 核心技术,打造以 KCS 知识库、企业搜索、知识图谱高度融合的全周期、一体化的AI 知识中台,提供智能化知识服务。(二二)业务部署模式业务部署模式疫情常态化,企业移动办公需求激增,传统设备在移动办公中的短板逐渐暴露,具体表现有:远程运维难、网络风险高、特情手段少等。因此不少企业都选8择部署云桌面以应对未知的风险。常见的业务部署模式有公有云、私有云、混合云三种,其中以公有云居多。1.1.公有云公有云公有云可实现资源共享,资源灵活调配的一种云计算类型。用户可通过使用的实际资源、时间进行付费,此种方式更适合中小型企业使用,企业端仅拥有使用权而没有底层所有权。优势:成本优势:无需购买硬件或者软件,仅对使用的服务进行付费;云端维护:无需本地维护,维护工作交由云服务商提供;资源灵活调配:按需付费,满足业务需求;可靠性:服务器众多,故障影响远低于本地部署。2.2.私有云私有云私有云主要针对大型企业、政府等大规模组织而设立,属于定制化云计算类型,部署私有云后,企业可以实现自给自足,不共享资源,并且整体的所有权都属于企业本身。私有云部署对于服务和基础架构始终都在私有网络上进行维护,其中包括硬件、软件的使用。在自身企业 IT 能力不足的情况下,私有云部署也可交由第三方服务机构托管。优势:高灵活性:组织自定义云端环境,满足定制化业务需求;高安全性:资源独享,实现高控制性和安全性;资源灵活调配:具备公有云缩放性和效率。93.3.混合云混合云混合云整合公有云、私有云、社区云的优势。以高扩展性为核心要点,实现存储空间大、灵活计费等形式,这些都是混合云的主要特点。优势:控制性:数字资产实行私有化方案灵活性:可利用公有云中的其他资源成本效益:具有云资源拓展功能,可按照公有云形式进行计费使用便捷:轻松上云,无需费时费力即可转换承运。以上三种为主流的云形式,在云桌面中主要以公有云、私有云部署为主,其中大型企业/政府通常会选择私有云,个人/中小型企业使用公有云居多。三、场景及解决方案三、场景及解决方案(一一)AIAI 智能营销服务一体化方案智能营销服务一体化方案沃丰科技将 AI 技术应用到企业的营销获客、销售管理、客户服务,及企业内部共享服务等各个场景,为央国企提供定制化行业解决方案。1.1.通过全渠道获客管理通过全渠道获客管理全渠道 24h 接待访客,主动邀约,精准识别访客意图,助力企业打通全渠道营销触点,用营销自动化平台统一管理潜客。2.2.智能化客户洞察智能化客户洞察体系化的客户标签管理,多维度筛选客户类型,通过标签、属性等指标形成 360客户画像,实现智能化客户圈层分组。103.3.自动化销售流程自动化销售流程自动化流程设计,第三代智能营销引擎,外呼机器人自动筛选线索,添加客户微信,执行和控制模块能实时执行、控制。4.4.个性化交互和规模化触达个性化交互和规模化触达通过营销活动和客户互动管理实现客户持续运营孵化 SOP 标准化营销流程,员工一键执行。5.5.数据分析与监测数据分析与监测多维度的客户分析如客户特征分析,自定义数据看板,根据分析需求自定义分析维度,形成可视化数据看板。(二二)知识闭环应用(知识管理平台)知识闭环应用(知识管理平台)对央国企内部知识的创造、沉淀、流动和应用等各环节赋能,形成知识高效流转闭环,同时基于沟通媒介使业务和知识深度融合,赋能员工成长。图 4:企业知识中台解决方案111.1.打通多渠道形成打通多渠道形成“统一统一”知识库知识库统一知识库,管理知识全生命周期,支持多种类型、多知识库的统一维护,而且还能保证及时更新。2.2.智能搜索实现迅速定位知识智能搜索实现迅速定位知识联合打通内外多数据源,支持多种数据类型,精准搜索,同时提供基于 NLP 的搜索服务,让搜索更智能化。3.3.知识图谱助力知识可视化知识图谱助力知识可视化基于深度学习算法,帮助企业完成数据上传、标注、自定义构建模型训练等服务体系,高效应对复杂业务场景。(三三)智能客服)智能客服搭建企业全渠道沟通桥梁,智能连接用户,全场景赋能客服。图 5:智能客服解决方案121.1.文本机器人接待在线客户文本机器人接待在线客户打通全渠道对话咨询;全天候客服支持;任务式会话;冷启动创建知识库;完善后台管理功能;机器人护航服务等。2.2.语音机器人接待热线客户语音机器人接待热线客户7*24 小时在线,呼入语音机器人自动接待客户,外呼语音机器人实现客户回访,支持情绪识别,自主呼叫多轮交互。3.3.客服智能质检客服智能质检全量自动化质检,不断完善服务水平;标准服务体系,支持多渠道数据源;灵活配置质检引擎;多维度可视化报表。(四四)招采平台搭建)招采平台搭建“互联网 ”招标采购行动方案 发布,明确“培育互联网 招标采购内生动力,推动招标采购从线下交易到线上交易的转变,实现招标投标行业与互联网的深度融合”。随着各地政府积极构建区域一体化采购平台和国企加码布局线上采购,央国企招采平台数字化进程也在以肉眼可见的速度推进。但是全国各大央国企招采平台的数字化渗透程度并不相同,面临着日常咨询量大,问题重复率高、多端服务渠道难统一、采购信息繁杂、流程多且不智能的痛点问题。1.1.多渠道整合接入多渠道整合接入覆盖企业所有流量入口,在线客服系统将电话、在线客服、手机 app、微博、微信、短信、邮箱、网页表单在内的所有渠道统一接入。2.2.机器人智能会话接待机器人智能会话接待对原有招采平台接入语音和文本机器人,统一所有咨询系统,代替人工进行用户咨询回复。133.3.业务系统接入工单流转业务系统接入工单流转客服系统接入业务流程,机器人根据需求自动生成工单并进行分配,建立安全稳定、高效智能、可扩展的一体化全渠道客户服务平台,实现招采平台智能高效运转。(五五)内部共享服务平台内部共享服务平台 SSCSSC内部共享服务中心是企业内部对齐公共流程标准化和精简化的一个全新手段,实现了对工作人员、企业技术和业务流程的高效整合,常见的模块为 HR 模块、IT 模块、财务模块。传统的方式存在重复性、企业文档繁多、无统一入口、内部系统多、需反复切换、事务来源不统一、传统模式事务处理效率低等问题。图 6:内部共享服务平台 SSC 架构图1.1.智能机器人自助智能机器人自助问答问答对于员工常见问题,如员工入职指引、社保公积金、软件如何安装等统一由智能机器人解决,将工作人员从重复性事务中解放出来。2.2.多业务系统整合对接多业务系统整合对接14将机器人和内部各业务系统对接,员工可在咨询页面一站式提交流程、预订会议、考勤处理等需求,无需切换不同系统登录。3.3.统一的企业搜索入口统一的企业搜索入口企业内部知识分散查询不便,通过统一企业搜索实现知识源头对接,支持内嵌企微、钉钉常见办公应用,方便查询。4.4.千人千面员工关怀千人千面员工关怀通过数据标签,构建员工画像,洞察工作细节,为员工提供千人千面个性化服务,同时为各部门提供异常行为预警。(六六)智能出行智能出行,智慧服务智慧服务互联网时代,人们对出行方式有了更多的选择,出行服务体验成为了选择出行方式的一大指标。而在交通方式智能化转型上,也面临着很多痛点问题。比如咨询量庞大、地址难识别、客户口音严重、接入系统多样、业务问题广泛、路线信息语义识别困难等问题。1 1.全渠道全渠道 24 小时服务小时服务搭建全渠道客服系统,整合现有访问渠道;语音机器人接入,提供全天覆盖的咨询服务接待。2.2.智能语音导航服务智能语音导航服务智能语音导航,自助式咨询节省旅客时间,同时实现分管,优化了服务体系。3.3.智能质检系统管理智能质检系统管理提供智能质检系统,完成全量质检进行详细分析并生成报表,对风险问题进行预警把控,对客服服务质量进行全程监管。15沃丰科技依靠强大的 AI 技术,将多样化多咨询系统统一,打通问题话术、知识库等行业历史数据,接入语音机器人进行回复,为用户快速提供查询结果信息,让出行查询更加智能、便捷。(七七)智慧化沟通)智慧化沟通央国企集团化管理情况较为普遍,内部流程较为复杂,传统流程处理缺乏固化和电子化,容易形成“黑匣子”。央国企服务意识和服务效率不高,未建立多渠道的智能服务体系,服务流程数字化程度低,无法有效监控管理服务质量,亟须建立一套智慧化沟通流程体系。1.1.文本机器人文本机器人利用 ASR、NLP、知识图谱、深度学习等技术,沃丰科技为央国企提供文本机器人服务,搭载知识库、知识图谱,对于企业员工流程性、日常化问题进行智能解答,减轻沟通压力。2.2.语音机器人语音机器人语音机器人依托 ASR、NLP 技术,识别用户语言,并从知识库中查找答案进行智能回复,代替人力,提升央国企客户服务的对接效率。3.3.AIAI 虚拟顾问虚拟顾问央国企搭建 AI 虚拟顾问,为每一位员工配备虚拟问答助手,员工能够随时随地咨询业务问题,虚拟顾问进行智能解答,同时根据问题联想,猜测员工其他咨询问题并解答,有效提升员工的咨询效率。16四、趋势展望与发展建议四、趋势展望与发展建议(一一)趋势展望)趋势展望近年来,随着国有经济数字化布局持续优化调整,国有资本整体运行质量和效率明显提升,国有经济的主导作用更加凸显,“十四五”发展规划也都将数字化转型摆在优先发展的战略位置。央国企数字化转型正处于积极实施阶段,各类创新场景应用也朝着更深层次的智能化发展实践。总体来看,过去的十年,是央国企改革发展,国有企业从追求规模与速度到聚焦发展与质量的十年。“十四五”及未来一段时间,是国有企业数字化转型,进一步激发企业效率的阶段。数字化转型也将激发国有企业沉淀的数据价值,社会将涌现出一批活力迸发、动力充沛的现代新国企,也将进一步加强国有经济成为国民经济发展“顶梁柱”和“压舱石”角色。(二二)发展建议)发展建议当前央国企的数字化转型不仅重视智能化程度高、效率提升明显且可复用的新一代数字技术基础设施建设,如建设数据中台等,而且部分央国企已经使用人工智能、区块链等前沿技术,在数据互信、数据安全、交易透明方面从行业单一交易场景向供需资源匹配、数据开放共享、信息存证等多种场景演化,以较低成本实现全链路信息透明可追溯,为企业进一步的发展提供有力支撑。由此可见,数字技术基础设施建设先行,前沿技术领域多措并举才是目前央国企应施行的举措。17附录:典型场景应用案例附录:典型场景应用案例1.1.河钢集团(河钢集团(智能客服智能客服)(1 1)客户简介客户简介:作为世界最大的钢铁材料制造和综合服务商之一,河钢以“建设最具竞争力钢铁企业”为愿景,致力于为各行各业提供最具价值的钢铁材料和工业服务解决方案。目前,河钢已经成为中国第一大家电用钢、第二大汽车用钢供应商,海洋工程、建筑桥梁用钢领军企业。(2 2)需求分析需求分析:大型制造业集团,分子公司众多,各项采购众多;集中采购流程长,效率低,分散采购成本高;钢材运输成本很高,利用社会车辆降本增效;自有物流成本高,单程跑空;物流量有浮动,自有车辆难响应;集团分子公司众多,关于人事、IT、财务等各项政策的内部服务欠缺,以线下人找人的方式进行,效率低,员工体验差。图 7:解决方案架构图18(3 3)解决方案解决方案:使用电商,常规协议商品采购电商化,因此所有咨询和售后线上化;自建钢铁物流“滴滴”,利用社会资源做到无车运输,在运输过程中有大量交互过程,如询价、回单、派单、查询等环节,启用客服在线服务;建立内部服务 12345,服务内部员工。(4 4)应用效果应用效果:人工 智能的统一服务,大大降低了政务事项的办理时间,提升了办事效率、用户体验,工作成 果清晰呈现,移动端支持灵活服务,减少了问题投诉,真正落实国务院“放管服”改革精神,提升服务效能。2.2.北京地铁北京地铁 9612396123(语音机器人)(语音机器人)(1 1)客户简介:)客户简介:北京轨道交通路网乘客服务热线 96123 是北京地铁服务热线,于 2021 年 3 月31 日上线试运行,业务范围北京城市轨道交通全路网范围内的运营、票务和站内服务等相关信息咨询等服务。如乘车线路,票价查询、失物招领等日常乘坐轨道交通伴随的问题。(2 2)需求分析:)需求分析:日常咨询量较大,人工处理工单量大;工单流转效率有待提升;环境噪音、背景噪音给语音识 别带来的挑战;地铁站名称相似度较高,数字与汉字并存,给语音识别带来困难;北京作为首都,人员范围广,五湖四海的人群口音给语音识别带来难度;用户表达多样性高,路线信息语 义识别困难。19图 8:沃丰科技 GaussMind 原心引擎(3 3)解决方案:)解决方案:沃丰科技以自研的 GaussMind 原心引擎 为 96123 提供全面定制化语音识别、理解方案,快速、高效地打造 96123 智能语音机器人。沃丰科技原心引擎通过独创的“情景重现、语音语义融合、自适应学习”模型,将语音和语义融合在一起,准确识别地铁乘客语音、真正听懂用户语义,用 AI 技术为北京地铁乘客提供实时、便捷的出行查询。(4 4)应用效果:)应用效果:由沃丰科技 AI 支撑的 96123 服务热线已经成功上线试运行,并已在北京地铁全系统覆盖使用。上线开通以来,96123 服务热线机器人语音客服日均受理咨询500 通,语音机器人的准确率达到 90%以上,解决用户乘车线路及票价查询,大大减轻了人工客服的压力,实现管理效率和效益的双重提升,获得运营方高度认可,成为国家交通运输部 AI 应用的典型案例。203.3.招商局集团招商局集团(招采数字化平台)(招采数字化平台)(1 1)客户简介:客户简介:招商局集团有限公司(简称招商局)创办于 1872 年 12 月 26 日,是中央直接管理的国有重要骨干企业,也是中国民族工商业的先驱。招商局现为国家驻港大型企业集团、香港四大中资企业之一,经营总部设于香港,业务分布于香港、内地、东南亚等极具活力和潜力的新兴市场。招商局是国家“一带一路”倡议的重要参与者和推动者。集团加快国际化发展步伐,在全球 20 个国家和地区拥有 52 个港口,已初步形成较为完善的海外港口、物流、金融和园区网络,大都位于“一带一路”沿线国家和地区的重要点位,“前港中区后城”的成熟蛇口模式开始在海外落地生根。(2 2)需求分析需求分析:招商到家汇是招商物业旗下的一个集邻里社交、物业服务、社区商业等与社区用户日常生活密切相关的综合性智慧社区平台。社区用户可在平台上体验社区商城、社区金融、社区健康、房屋租赁、邻里帮助、闲置交换、拼车、话题、日常资讯等各种功能。在充分利用招商局现有客服需求的基础上,客服系统主要用于招标采购交易。不仅要统一招商局集团以及下属单位的客服,还需要达到统一集团形象、统一品牌标识的目标。同时还要满足招商局全渠道营销,不遗漏每一个商机的必然需求,实现企业的统一管理,加强了业务承载能力,安全稳定性,为招商局的未来发展提供全面的规划解决方案。(3 3)解决方案:解决方案:在线客服系统:Udesk 在线客服系统覆盖企业所有流量入口,将电话、在线客服、手机 app、微博、微信、短信、邮箱、网页表单在内的所有渠道统一接入;云呼叫中心:云呼叫中心提供稳定的线路,快速搭建呼叫中心系统,并结合大容量、高并发的呼叫处理能力,助力招商局客服团队高效办公、处理咨询问题。21更人性化更简单的工单系统使用体验:Udesk 工单管理系统与其他产品互相打通,实现了多渠 道统一平台操作,满足了企业对于提升效率、减少人工、降低人工的需求。无论来自哪个渠道的事情,都能用一张客户工单记录业务的详情,便于工作人员处理。工单支持自定义,能够记录金额、数量、业务状态等和企业业务密切相关的信息。(4 4)应用效果:应用效果:在线客服系统:覆盖企业所有流量入口。Udesk 在线客服系统将电话、在线客服、手机 app、微博、微信、短信、邮箱、网页表单在内的所有渠道统一接入,企业无需担心客户在不同渠道的沟 通记录及资料的保存问题。云呼叫中心:稳定高速。云呼叫中心助力招商局客服团队,提供稳定的线路,快速搭建呼叫中心系统。Udesk 语音识别技术,提供语音查询、语音识别、自然语言理解等多种技术的整合服务。更人性化更简单的工单系统。Udesk 工单管理系统:多方位兼容。实现了多渠道统一平台操作,满足了企业对于提升效率、减少人工、降低人工的需求。4.4.中央政府采购网(中央政府采购网(智能客服机器人智能客服机器人)(1 1)客户简介客户简介:为进一步落实国务院“放管服”改革精神,优化营商环境,不断提升服务效能,中央国家机关政府采购中心(以下简称“国采中心”)正式上线智能客服系统,向采购人和供应商等用户提供更 加便捷高效的在线咨询服务。(2 2)需求分析需求分析:日常咨询量大,问题重复率高,政策变化时特别集中;业务类型多,涉及科室多,用户咨询流 转不顺畅;官网、公众号,多端服务渠道难以统一管理;业务人员工作负荷高,偶尔开会离席,产生未接电话投诉;工作结果无数据积累,年终难呈现。22(3 3)解决方案解决方案:启用智能客服机器人,回答常规问题;启用在线客服,同时服务多用户,知识库一键回复大幅提升效率;启用对话路由,精准匹配科室人员,跨科室一键流转服务不中断;启用工单,端到端解决用户问题,提高用户体验和满意度;全渠道客服系统,同时管理官网、公众号多渠道客服请求;移动端支持及留言回复,灵活服务,解决未接电话投诉;BI 数据报表,智能分析客服数据,工作成果展现。图 9:中央政府采购网(智能客服机器人)(4 4)应用效果应用效果:机器人 24 小时服务,常规问题解决率超过 80%且不断优化。人工、智能的统一服务,大大降 低了政务事项的办理时间,提升了办事效率、用户体验,工作成果清晰呈现,移动端支持灵活服务,减少了问题投诉,真正落实国务院“放管服”改革精神,提升服务效能。235.5.山东航空(智能机器人、智能质检)山东航空(智能机器人、智能质检)(1 1)需求分析需求分析:在线客服整合,如通过官网、微信公众号、小程序、掌尚飞、代理入口可直接发起在线客服咨询;智能机器人自助服务,旅客在各渠道点击在线客服时,如无特殊设定,优先进入与机器人对话;智能质检系统,支持对会话记录质检、分析并生成报表;升级自动外呼系统与客户信息、航班信息 进行对接进行不正常航班通知;与其他系统的集成,白屏、新官网、TRP、掌尚飞、微信公众号/小程序、常旅客。(2 2)解决方案解决方案:提供全渠道平台,一个工作台可对接全部渠道,问题统一处理;提供智能机器人,进行 7X24 小时自助服务及常见问题的答疑,降低人工工作量;提供智能质检系统,完成全量质检进行详细分析并生成报表;提供自动外呼系统进行系统对接完成不正常航班通知;提供多种方式与其他系统进行对接,如 API、中间件、Webhook、iframe 等方式。(3 3)应用效果应用效果:规范化管理:助力企业进行客服智能化管理,通过智能客服中心系统实现客服的规范化管理,提升管理效率和企业综合实力;降本增效:提升客户服务效率,提高企业内部管理效率,提升客服员工满意度和归属感,防止客服人员大量流失,降低企业管理和运营成本;提升用户体验:实现客服 7*24 小时服务,保证客户服务的连续性,提升接通率及服务效率,持续改进用户体验,增强客户好感度和满意度。246.6.中铁鲁班中铁鲁班(招采数字化平台)(招采数字化平台)(1 1)需求分析需求分析:作为中国中铁指定招标网站,中铁鲁班业务发展迅速,客户数量飞速增长。其业务涵盖中国中铁的物资、机械设备、分包劳务、办公用品和商旅等集中采购,以及公司及旗下企业集团公司的物资、机械等采购交易。其主要采购渠道涉及移动网站、微信、APP 等,而渠道不统一导致客服回复速度较慢,也给客户访问体验带来了一定影响。此外,各部门之间存在工作配合,而缺乏流程把控的辅助系统,给后续的问题跟进也带来了不小的难题。除系统外,客服效率和人力成本把控也是中铁鲁班面临的问题。图 10:中铁鲁班(招采数字化平台)(2 2)解决方案解决方案:沃丰科技为中铁鲁班建设了一套功能齐全、涵盖所有客服场景的系统,融合了呼叫中心、在线聊天、工单系统,以及 AI 场景落地专家 GaussMind 旗下的智能文本机器人、智能语音机器人(呼入、呼出)、智能客服助手、智能质检等多个产品模块,以支撑其所有客户、全部产品的客户服务管理流程,提升其整体的协调工作能力。251)将原有的移动网站、微博、微信,App 等全渠道接入客服统一进行响应和管理。2)智能客服系统融合了呼叫中心、在线聊天、工单系统、智能文本机器人、智能语音机器人(呼入、呼出)、智能客服助手、智能质检七大产品模块3)智能客服系统实现数据互通,快速、高效解决客服问题,客户服务流程实现全线上可追溯且闭环。实现客服系统使用和管理提升的双重效果。(3 3)应用效果应用效果:数据显示,截至目前,中铁鲁班日均电话受理服务量达到 1000 余通,日均在线客服受理量达到 400 余个。全新的客服系统大大提升了中铁鲁班客服中心的接待能力和客服水平。其智能客服系统实现数据互通,快速、高效解决客服问题,客户服务流程实现全线上可追溯且闭环,智能客服系统还具有数据备份及灾难恢复功能,提升了客服工作效率、优化了客服服务水平、提升了客户满意度。7.7.国家电网国家电网(在线客服在线客服、智能质检智能质检)(1 1)需求分析:需求分析:国网电子商务有限公司是国家电网有限公司的全资子公司,成立于 2016 年 1 月,作为一家全国性服务企业,目前主要产品为国网商旅应用。国网商旅应用以精益管控、高效可靠、降本增效为核心目标,以服务全网员工,便利商务出行为主旨,服务国电电网内部一百多万员工。1)根据区域建立多个微信群,并扩展 APP、微信公众号、电话等渠道2)自建低成本、服务功能齐全的服务平台3)提升数据统计能力,量化工作、建立培训体系和监控体系(2 2)解决方案:解决方案:在线客服:增加 APP 在线客服,引入智能客服机器人,提供 24小时服务26智能质检:智能质检进行100%全量质检,发现服务问题,提高客户满意度数据分析:Insight 数据分析系统对多个相关数据内容提供可视化的展现,便于查看报表的详细信息,深入挖掘业务存在的问题(3 3)应用效果:应用效果:1)响应率提高通过自定义坐席分配机制、身份识别等多种手段,缩短客户进线流程,减少排队。同时,通过历史信息的留资与 crm 等其他系统对接,让坐席迅速了解到进线的客户情况,针对性地交流,体现客服的专业性。2)坐席效率和回复质量提高将多渠道咨询整合在一个系统中回复,免去坐席切换系统的麻烦,通过知识库和机器人辅助坐席,让坐席更加专业,同时提供同事辅助、监控等功能让老员工帮助新员工快速成长。3)工单串联服务链工单系统可以串联起多个部门的服务链,通过自动流转、SLA 监控等方式加速流转。通过工单可以直接将客户的线上体验预约、投诉、退换货等需求推送到门店,打通从线上到门店的服务链。4)智能质检&数据报表抓取服务薄弱点使用智能质检摆脱人工质检的弊病,通过 AI 分析语音语义、情绪,通过质检模型定制评分项,做到坐席 100%质检。通过舆情预警,第一时间提醒坐席的危险行为。使用 insight 自定义报表发现服务过程的薄弱点,提供精细化管理手段。278.8.河南机场(河南机场(全渠道客服全渠道客服)(1 1)需求分析:需求分析:河南省机场集团有限公司,是河南省人民政府直属的国有大型航空运输服务企业,于 2013 年 2 月在河南省郑州新郑国际机场管理有限公司的基础上组建而成。目前,集团有 8 个直属单位、下辖郑州机场等 13 个子公司。1)将大量的旅客咨询呼入统一整合2)延长咨询服务时间,提升旅客咨询体验3)释放人工客服压力,降低人力成本(2 2)解决方案:解决方案:全渠道客服:搭建全渠道客服系统,整合现有访问渠道语音机器人:语音机器人接入,提供全天覆盖的咨询服务接待智能语音导航:智能语音导航,自助式咨询节省旅客时间,同时实现分管,优化了服务体系(3 3)应用效果:应用效果:河南机场勇于创新,根据自身业务需求,率先摆脱传统的呼叫中心转型到 SaaS客服系统,并且拓展了在线沟通渠道。不仅在基础运维上摆脱了大量的系统维护工作,而且还从业务角度与客户建立了立体化的沟通触点。客服系统通过呼叫中心,在线客服,工单等模块,与新郑机场下的多套系统联动,从业务上给新郑机场带来了体系化的服务,而且初步打造新郑机场的服务数据链路,对新郑机场的进一步数据中台化奠定了良好的基础。289.9.中国铁建中国铁建(自有采购平台自有采购平台)(1 1)客户简介客户简介:中国铁建是全球最具实力、最具规模的特大型综合建设集团之一,2022 年财富“世界 500 强企业”排名第 39 位、“全球 250 家最大承包商”排名第 3 位、“中国企业 500 强”排名第 11 位。公司业务涵盖工程承包、规划设计咨询、投资运营、房地产开发、工业制造、物资物流、绿色环保、产业金融及其他新兴产业,经营范围遍及全国 32 个省、自治区、直辖市以及全球 130 多个国家和地区。(2 2)需求分析需求分析:作为国资委管理的特大型建筑中央企业,中国铁建于 2020 年底正式上线自有采购平台系统铁建云采,标志着中国铁建数字化转型迈出了坚实一步。随着平台大规模使用以及业务的不断发展,其客户量和客户服务需求日益增加,现有的平台系统与服务能力已无法满足需求。(3 3)解决方案解决方案:智能客服系统 Udesk:赋能中铁建采购管理平台,提高坐席人员的工作效率,加强平台运营方与平台使用人员的交互。Insight 数据分析:具备自助式可视化分析能力,沉淀海量客户数据,生成可交互的数据分析报告,将其作为运营管理工作的决策依据。AI 赋能,多系统对接:将智能客服系统对接人事基础业务子系统、供应商注册子系统,快速部署、功能强大,为其他系统进行 AI 赋能。(4 4)应用效果应用效果:1)信息化建设从分散的服务方式集中在中台客户服务,并且建立起以坐席服务为主,通过工单,监控,质检作为二线人员协作和管理整体客户服务。2)智能化建设29AI 客服机器人在初期无训练的情况下,就达到 60%以上的客服问题解决率。中国铁建“铁建云采”也把智能化应用在客服的人机协作,智能 IVR 通知等方面,大大提升整体智能化服务指标。3)运营效率提升AI 智能化、一体化的服务流程,显著降低人工客服的服务数量,同时保证7*24 小时不间断为客户提供服务,实时同步系统相关数据,并且准确地对这些数据进行统计分析和监控。10.10.某警用装备采购中心某警用装备采购中心(智能采购平台智能采购平台)(1 1)客户简介:客户简介:该警用装备采购中心是根据政府采购需要设立的单位。其主要职责是,受相关部门委托,承担警用车辆、装备物资的集中采购等工作。(2 2)项目需求:项目需求:该警用装备采购中心在处理采购过程的产品咨询、介绍、流程、价格、参数、投诉等迫切需要系统进行统一服务,在过程建立健全数据追踪和分析,保障服务过程可溯源。(3 3)解决方案:解决方案:统一电话等接入渠道:通过对手机、固话的电话接入渠道,统一分配到服务号上,使服务接入口径统一。业务分组:采购中心服务电话可以根据服务内容进行业务分组,设定咨询、建议、投诉、回访等,各个组别可以进行转接,当客户等待排队时,可以灵活分配。来电弹屏:根据来电主叫号码进行客户信息弹屏,有效联动采购单位的相关信息和基本需求,快速解决采购相关咨询服务。历史记录:历史记录可以分为电话记录和咨询记录,采购单位多次来电咨询相关事宜和进度,系统会自动关联。30(4 4)应用效果:应用效果:服务效率提高:来电快速分配至指定组别,提供专业解答,无需再由人工转接分配,大大提高采购服务效率。服务质量提高:通过质检管理,发现服务质量不足的地方,同时可在系统内分享通话优秀案例,客服服务的质量明显提升。11.11.中核供应链中核供应链(全渠道智能客服全渠道智能客服)(1 1)客户简介客户简介:2017 年 4 月,中核集团党组决定,由上海中核浦原有限公司牵头打造集团公司统一的电子采购平台和集中采购平台,即中核供应链管理有限公司。作为“集团公司统一的集中招标平台和标准化、大宗、通用物项的集中采购平台”,承担统一招标、信息系统平台建设与管理、供应商管理等工作。中核供应链致力打造SC2B 商业模式,服务集团,赋能市场,履行社会责任,强化集团资源统筹整合、合理配置能力,提升使用效率。主营业务涵盖中核集团电子采购平台建设运维,中核集团一级集中采购实施,招标代理业务,采购委托及咨询,供应链金融服务五大模块。(2 2)需求分析需求分析:智能化全渠道接入整合管理:通过客服服务流程功能,为平台建立一套完整可以覆盖业务咨询、业务跟进、业务闭环的全流程化服务体系,用户可以通过电话、在线等多种渠道进行咨询、反馈、建议和投诉。统一平台智能交互:统一平台便能与所有渠道接入的用户进行会话、交谈,提高人效、降低成本,从而最终转化为对客户优秀的服务质量,提升业务分析和内部资源管理能力,提高客户满意度以带来平台效益的增长,实现良性循环。(3 3)解决方案解决方案:31云呼叫中心:无论客户咨询什么业务拨打全国统一 400 或服务号码进入客服热线,由平台通过 语音导航自助服务,根据路由规则设置转接到相应的客服或客服组。全渠道客服平台:统一平台整合多渠道资源;自定义辅助组件,对接企业内部系统,解决多个系统切换查找 繁琐的问题;多用户进入会话,可设置多种排队策略。工单管理:通过自动流转、SLA 管理、批量处理、消息提醒等多功能帮助实现中核实现对供应商的工单的高效处理,同时结合线上线下多操作端口支持客户服务,实现快速响应。(4 4)应用效果应用效果:通过使用沃丰科技智能客服机器人,帮助中核在同一平台上对接全渠道信息,实现全天候在线客户服务,高效处理用户咨询、反馈、建议和投诉等问题,让客户响应速度与内部工单流转处理效率大幅提升。32关于沃丰科技关于沃丰科技作为中国人工智能与营销服务解决方案提供商,沃丰科技拥有 Udesk、GaussMind、ServiceGo、微丰等完整的产品矩阵,将人工智能技术应用到企业的营销获客、销售管理、客户服务及企业内部共享服务等各个场景,为消费品、制造业、生命科学、汽车、央国企、数字政府、金融等多个行业提供定制化解决方案,全面助力企业实现数字化转型,得到众多世界 500 强、中国 500 强客户的信赖。33免责声明免责声明本文档可能含有预测信息,包括但不限于有关未来的财务、运营、产品系列、新技术等信息。由于实践中存在很多不确定因素,可能导致实际结果与预测信息有很大的差别。因此,本文档信息仅供参考,不构成任何要约或承诺,沃丰科技不对您在本文档基础上做出的任何行为承担责任。沃丰科技可能不经通知修改上述信息,恕不另行通知。版权所有版权所有 北京沃丰时代数据科技有限公司所有北京沃丰时代数据科技有限公司所有保留一切权力保留一切权力非经北京沃丰时代数据科技有限公司书面同意,任何单位和个人不得擅自摘抄、复制本手册内容的部分或全部,并不得以任何形式传播。34

    42人已浏览 2023-03-25 37页 5星级
  • 亚信科技&清华大学:2023年AIGC(GPT-4)赋能通信行业应用白皮书(132页).pdf

    1 AIGC(GPT-4)赋能通信行业应用白皮书 A White Paper of AIGC(GPT-4)Empowering Telecom Sector 联合发布:AIGC(GPT-4)赋能通信行业应用白皮书 2 作者 亚信科技 欧阳晔 博士、IEEE Fellow 叶晓舟 博士 边森 宋勇 蒋勇 王宗学 刘志勇 张联华 赵立勋 杨川 罗峰 清华大学智能产业研究院 张亚勤 博士、中国工程院院士 刘云新 博士 刘洋 博士 詹仙园 博士 李元春 博士 李元哲 博士 张策 致谢 感谢王鹏、杜大江、张峰、英林海、李源林博士、陆由、阎华东、经琴等同仁对本白皮书编写做出的贡献。引用本白皮书 AIGC(GPT-4)赋能通信行业应用白皮书,欧阳晔、张亚勤等,2023 年 3月。A White Paper of AIGC(GPT-4)Empowering Telecom Sector,Ye Ouyang,Ya-Qin Zhang,et al.2023.3.AIGC(GPT-4)赋能通信行业应用白皮书 3 亚信科技控股有限公司(股票代码:01675.HK)亚信科技是中国领先的软件产品及服务提供商,拥有丰富的软件产品开发和大型软件工程实施经验。公司深耕市场 30 年,在 5G、云计算、大数据、人工智能、物联网、数智运营、业务及网络支撑系统等领域具有先进的技术能力和众多成功案例,客户遍及通信、广电、能源、政务、交通、金融、邮政等行业。2022 年,亚信科技完成收购商业决策服务领域的领先企业艾瑞市场咨询股份有限公司(艾瑞咨询),并整合形成新的“艾瑞数智”品牌。通过此次收购,亚信科技的核心能力从产品研发、交付服务、数据运营、系统集成延伸至咨询规划、智能决策,成为领先的数智化全栈能力提供商。亚信科技始终致力于将 5G、AI、大数据等数智技术赋能至百行千业,与客戶共创数智价值。公司以“产品与服务双领先”为目标,产品研发围绕数智、云网、IT及中台产品休系持续聚焦,实现行业引领,其中云网产品保持国际引领,数智产品实现国内领先,部分国际先进,IT 领域产品处于国内第一阵营。面向未来,亚信科技将努力成为最可信赖的数智价值创造者,并依托数智化全栈能力,创新客户价值,助推数字中国。AIGC(GPT-4)赋能通信行业应用白皮书 4 清华大学智能产业研究院 清华大学智能产业研究院(Institute for AI Industry Research,Tsinghua Uni-versity,英文简称 AIR)是面向第四次工业革命的国际化、智能化、产业化研究机构。AIR 的使命是利用人工智能技术赋能产业升级、推动社会进步。通过大学与企业创新双引擎,突破人工智能核心技术,培养智能产业领军人才,推动智能产业跨越式发展。AIR 由多媒体及人工智能领域的世界级科学家、企业家张亚勤博士于 2020年 12 月 1 日创建。经过近两年的发展,研究院已汇聚了一批既懂科研又懂产业的人工智能领域学者,目前已初步形成了国际顶尖科学家、产业变革领袖、学术潜力骨干、交叉创新人才“四位一体”的人才布局,其中中国工程院外籍院士 1人、ACM Fellow 2 人、IEEE Fellow 5 人,各类学术人才荣誉 26 人次、59%的教师具有海外学历背景,78%的教师具有一线产业研发经历,59%的教师在 40岁以下。AIR 未来将持续引进人工智能与生命科学交叉领域尖端人才,构建具有交叉背景和人才梯度的高水平科研团队。AIGC(GPT-4)赋能通信行业应用白皮书 5 目录 一.前言.11 二.GPT-4研究.13 2.1 AIGC与GPT-4.13 2.2 GPT-4的能力分析.16 2.3 GPT-4的技术原理.28 2.4 GPT-4的应用.34 2.5 下一个GPT是什么?.38 三.GPT-4赋能通信行业应用.41 3.1 通信IT领域的典型应用场景.41 3.1.1 智能开发.42 3.1.2 智能运维.52 3.1.3 智能营销.57 3.1.4 智能计费.65 3.1.5 智能客服.70 3.1.6 智能客户关系管理.75 3.1.7 商业智能.81 3.2 通信网络领域的典型应用场景.86 3.2.1 智能网络规划.86 3.2.2 智能网络部署.89 3.2.3 智能网络维护.92 3.2.4 智能网络优化.96 3.2.5 智能网络运营.99 四.构建通信行业TelcoGPT.102 4.1 GPT-4的构建和应用问题.102 4.2 通信行业TelcoGPT.107 4.3 TelcoGPT如何构建?.108 4.4 亚信科技TelcoGPT实践.112 4.4.1 TelcoGPT文本大模型构建实践.112 4.4.2 TelcoGPT跨模态大模型构建实践.114 4.4.3 亚信科技AIGC平台实践.116 4.5 亚信科技可基于GPT类大模型赋能的产品系列.118 4.5.1 超级开发平台.118 AIGC(GPT-4)赋能通信行业应用白皮书 6 4.5.2 IT运维套件.119 4.5.3 全域智能运维平台.120 4.5.4 通用人工智能平台.120 4.5.5 AI数智运营平台.121 4.5.6 场景计费产品.122 4.5.7 智能化客服系统.123 4.5.8 客户关系管理系统.124 4.5.9 数据探索分析产品.124 4.5.10 知识图谱产品.125 4.5.11 智能化网络规划优化平台.126 4.5.12 网络和业务编排系统.126 4.5.13 5G网络故障管理系统.127 4.5.14 智能用户体验管理平台.128 五.总结和展望.129 参考文献.131 AIGC(GPT-4)赋能通信行业应用白皮书 7 图目录 图 2-1 ChatGPT 发展历程.16 图 2-2 GPT-4 解释复杂名词.17 图 2-3 GPT-4 简化概念,解释复杂名词.17 图 2-4 GPT-4 以专业人士身份,解释复杂名词.18 图 2-5 GPT-4 根据特定要求或主题创作文章.19 图 2-6 GPT-4 与用户多轮对话进行推荐.20 图 2-7 GPT-4 智能生成代码.21 图 2-8 GPT-4 智能解释代码.22 图 2-9 GPT-4 智能修正代码.23 图 2-10 GPT-4 抽取文本中关键信息.24 图 2-11 GPT-4 智能分析文本和数据并制表.24 图 2-12 GPT-4 分析解决复杂问题.25 图 2-13 GPT-4 处理文本图片混合输入.26 图 2-14 Transformer 架构.29 图 2-15 RLHF 训练方法.33 图 3-1 GPT-4 对于软件研发生命周期的变革.42 图 3-2 GPT-4 帮助分析业务需求.44 图 3-3 GPT-4 辅助界面设计.45 图 3-4 引入 GPT-4 后开发人员日常工作场景.48 图 3-5 GPT-4 智能辅助编码.48 图 3-6 GPT-4 提升持续集成效能.50 图 3-7 GPT-4 快速生成单元测试用例.52 图 3-8 智能运维工作台运维协作场景.54 图 3-9 GPT-4 帮助分析故障.55 图 3-10 GPT-4 智能修复 Kafka 配置错误.56 图 3-11 GPT-4 智能生成 ansible 程序代码.57 图 3-12 如何策划产品的回答.59 图 3-13 产品功能设计的进一步建议.60 图 3-14 关于产品广告词的问答.61 图 3-15 关于产品广告词的古诗词形式的问答.61 图 3-16 关于主动营销推荐的问答.62 AIGC(GPT-4)赋能通信行业应用白皮书 8 图 3-17 关于不同产品特性分析比较的问答.63 图 3-18 关于帮助客户产品下单的建议.63 图 3-19 关于产品营销分析的问答.65 图 3-20 GPT-4 根据计费数据给出情况解释.67 图 3-21 GPT-4 智能将企业业财融合助力运营.68 图 3-22 GPT-4 举例风险交易行为.69 图 3-23 GPT-4 基于意图的算网方案推荐.70 图 3-24 GPT-4 基于客户情绪,智能化处理客户请求.72 图 3-25 GPT-4 根据客户提问,智能化生成解决方案.73 图 3-26 GPT-4 与客户交互式对话能力展示.75 图 3-27 GPT-4 人性化提问方式进行问卷调查.76 图 3-28 GPT-4 结合知识图谱信息进行推理,为客户经理挖掘潜在客户77 图 3-29 GPT-4 智能文本处理实现多源地址合并.78 图 3-30 GPT-4 智能文本处理实现用户地址匹配.79 图 3-31 GPT-4 虚拟智能同伴应用案例 1.80 图 3-32 GPT-4 虚拟智能同伴应用案例 2.80 图 3-33 智能 BI 增强分析 VS 敏捷 BI 自助分析.82 图 3-34 BI 集成 GPT-4 实现数据问答.83 图 3-35 BI 集成 GPT-4 实现数据洞见.84 图 3-36 BI 集成 GPT-4 生成洞见报告.85 图 3-37 GPT-4 根据专业需求,生成无限网络规划方案.88 图 3-38 GPT-4 实现切片自动勘察.89 图 3-39 GPT-4 基于意图的传输专线网元配置激活.91 图 3-40 GPT-4 生成 5G 基站质检方案.92 图 3-41 GPT-4 针对 PON 链路故障提供的解决方案.93 图 3-42 GPT-4 日志异常检测.95 图 3-43 GPT-4 智能网络能耗优化应用 1.97 图 3-44 GPT-4 智能网络能耗优化应用 2.97 图 3-45 GPT-4 关于云网优化的专业知识储备.98 图 3-46 GPT-4 实现云网业务融合运营.100 图 3-47 GPT-4 面向客户投诉的智能问答.101 图 4-1 GPT-4 生成事实性错误案例.104 图 4-2 GPT-4 知识库信息的时效性不强,缺乏分析时政能力.104 AIGC(GPT-4)赋能通信行业应用白皮书 9 图 4-3 GPT-4 缺乏一些专业领域的相关知识.105 图 4-4 通信行业 TelcoGPT.108 图 4-5 Ernie-3.0-xbase 模型结构.112 图 4-6 OFA-large 模型结构.114 图 4-7 亚信科技 AISWare AI GC 产品功能架构图.116 图 4-8 超级开发平台架构.119 图 4-9 IT 运维套件整体架构.119 图 4-10 全域智能运维平台架构.120 图 4-11 通用人工智能平台架构.121 图 4-12 AI 数智运营平台架构.122 图 4-13 场景计费系统架构.123 图 4-14 智能化客服系统架构.123 图 4-15 客户关系管理系统架构.124 图 4-16 数据探索分析产品架构.125 图 4-17 知识图谱产品架构.125 图 4-18 智能化网络规划优化平台架构.126 图 4-19 网络和业务编排系统架构.127 图 4-20 5G 网络故障管理系统架构.127 图 4-21 智能用户体验管理平台架构.128 AIGC(GPT-4)赋能通信行业应用白皮书 10 表目录 表 4-1 使用数据及算力资源.113 表 4-2 通信运营商客户投诉工单多分类和工单层级分类任务对比.113 表 4-3 图像文本数据样例.115 表 4-4 图像描述任务资源使用情况.115 表 4-5 图像描述任务效果对比.116 AIGC(GPT-4)赋能通信行业应用白皮书 11 一.前言 2022 年被认为是人工智能生成内容(AIGC)元年。作为 AIGC 在自然语言领域的代表,ChatGPT 在 2022 年年底一经推出,就掀起了一场可能涉及所有人和所有行业的“大火”,2023 年 3 月 GPT-4 的发布则进一步推动了“态势升级”。由 ChatGPT/GPT-4 引发的全球关注,令许多人回忆起 2016 年 AlphaGo战胜人类围棋世界冠军的时刻。如果说 AlphaGo 代表了 AI 在专业领域战胜人类的起点,ChatGPT/GPT-4 似乎迈出了通用人工智能的第一步。这是第三次 AI 浪潮以来所有积累产生的硕果,AI 技术到了一个即将大规模产业化的临界点。ChatGPT 将单调呆板的人机通信演进到前所未有的自然、高效、有创造力的人机协作,代表了生产力的提升。ChatGPT 有多重要?埃隆马斯克评价:“好得吓人,我们离危险的强人工智能不远了”。黄仁勋评价:“这是 AI 界的iPhone 时刻”。比尔.盖茨表示“和个人电脑和互联网的出现一样重要。是当前最重要的创新,将改变世界”。在 ChatGPT 的基础上,GPT-4 进一步在各种专业和学术基准测试中表现出“人类水平”的性能,在事实性、可引导性和可控制方面取得了“史上最佳结果”。当然,GPT-4在不是无所不能的,仍具有与早期GPT 模型相似的局限性,如:犯常识性的错误、缺乏对新世界知识的了解、存在社会偏见、产生幻觉、推理错误等。但是我们看到其技术背后却具有一直优化、学习和进步的能力。在 ChatGPT/GPT-4 席卷全球的热潮中,人们已经深刻认识到人工智能作为经济社会发展中一项变革性技术与关键性力量,将为全球产业带来的巨大飞跃和突破式发展,深刻影响未来世界竞争格局。通信行业作为信息通信基础设施的建设者和运营者,既为 AI 的发展提供基础设施支撑,又是 AI 应用落地的领先者。AIGC(GPT-4)赋能通信行业应用白皮书 12 AIGC(GPT-4)如何赋能通信行业应用,通信行业如何落地 AIGC,这是通信业者必须要思考和回答的问题。本白皮书通过对 AIGC 的典型代表 GPT-4 的研究,以场景化的形式对 GPT-4 如何赋能通信行业进行了分析,并针对通信行业如何构建行业 GPT 进行了初步探讨和实践。期待行业同仁围绕通信和人工智能协同创新,构建开放共享的创新生态,促进人工智能与通信产业的深度融合,加速构建下一代信息基础设施,助力经济社会数字化转型。AIGC(GPT-4)赋能通信行业应用白皮书 13 二.GPT-4 研究 2.1 AIGC 与 GPT-4 AIGC是继专业生成内容(PGC)和用户生成内容(UGC)之后,利用人工智能技术自动生成内容的新型生产方式。AIGC 根据其内容模态不同可分为文本、视频、图像,音频与跨模态生成。文本方面,例如文本创作、代码生成、问答对话等;视频方面,例如视频画质增强、视频内容创作、视频风格迁移等;图像方面,例如图片编辑、图片生成、3D 图像生成等;音频方面,例如文本合成语音、语音克隆、音乐生成等;跨模态方面,如文字生成图片、文字合成视频、图像描述等,而且在不同内容模态的技术应用场景也有着各自的细分品类。ChatGPT 是 AIGC 发展的第一个丰碑。ChatGPT 是由人工智能研究公司OpenAI 在 2022 年 11 月发布的一个对话型大语言模型,是人工智能技术驱动的自然语言处理工具和应用。ChatGPT 的全称是 Chat Generative Pre-trained Transformer,顾名思义,就是以 Transformer 为基础架构,采用预训练和生成式方式构建的面向对话的大语言模型,是 AIGC 在文本方面的典型代表。ChatGPT 的主要用途是生成对话,它能够通过学习和理解人类的语言来进行对话,根据聊天的上下文进行自然、流畅的互动,还能完成邮件撰写、文案编写、文本翻译、代码生成等任务。ChatGPT 提供了前所未有的高效、自然的人机交互体验和极富创造力的内容生成能力,成为了 AI 时代的第一个“杀手级”应用。以 ChatGPT 为代表的生成式 AI 工具将使机器可以大规模参与知识类和创造性工作,极大提升生产力,涉及数十亿人方方面面的工作,可能产生数万亿美元的经济价值。ChatGPT 覆 AIGC(GPT-4)赋能通信行业应用白皮书 14 盖了 NLP 所有领域,其所代表的大规模预训练语言模型(LLM)或基础模型已成为工业界和学术界最为关注的研究热点,并引领近期自然语言处理(NLP)乃至人工智能领域的研究范式的转变,对人工智能的技术发展可能产生重大影响。相距 ChatGPT 发布仅仅 4 个月,OpenAI 在 2023 年 3 月正式发布了多模态预训练大模型 GPT-4。GPT-4 支持图片和文本输入并生成文本输出,相比ChatGPT 增加了识图能力,并能够生成歌词、创意文本、学习用户的写作风格等,更具创造力和协作性。GPT-4 的输入限制提升至 2.5 万字,处理能力是 ChatGPT 的八倍,可用于长篇内容创作、扩展对话以及文档搜索和分析等应用场景,并可以用所有流行的编程语言写代码。GPT-4 的回答准确性大幅提高,性能优于现有的大型语言模型、以及当前最先进(SOTA,State Of The Arts)模型,虽然在许多现实场景中不太聪明,但在各种专业和学术基准上表现出了人类水平。ChatGPT 存在一定局限,如逻辑处理能力不够强,对上下文的理解仍然有限,多轮对话可能失控,缺乏一些通识能力,可能会出现创造不存在的知识,或者主观猜测提问者的意图,对 2021 年后的世界和事件了解有限。GPT-4 相较于ChatGPT,不合规内容的响应请求降低了 82%,响应准确度提高了 40%,具备了更高的理解能力。但是 GPT-4 仍然具有与早期 GPT 模型相似的局限性,如:犯常识性的错误、缺乏对新世界知识的了解、存在社会偏见、产生幻觉、推理错误等。总的来说,ChatGPT 和GPT-4 是NLP 和人工智能领域划时代的标志,也昭示着人类向通用人工智能或强人工智能迈出了尝试性的一步。GPT-4 基于 Transformer 架构演进发展,其发展历程如下:l 2017 年 6 月,Google 发布论文Attention is all you need1,首次提出 Transformer 模型,成为 GPT 发展的基础;AIGC(GPT-4)赋能通信行业应用白皮书 15 l 2018 年 6 月,OpenAI 发布论文Improving Language Understanding by Generative Pre-Training2(通过生成式预训练提升语言理解能力),首次提出 GPT-1 模型(Generative Pre-Training);l 2019 年 2 月,OpenAI 发布论文Language Models are Unsupervised Multitask Learners3(语言模型应该是一个无监督多任务学习者),提出 GPT-2 模型;l 2020 年 5 月,OpenAI 发布论文Language Models are Few-Shot Learners4(语言模型应是一个少量样本(few-shot)学习者),提出 GPT-3 模型;l 2022 年 2 月底,OpenAI 发布论文Training language models to follow instructions with human feedback5(使用人类反馈指令流来训练语言模型),公布 Instruction GPT 模型;l 2022 年 11 月 30 日,OpenAI 推出 ChatGPT 模型并提供试用,自发布两个月内月活跃用户数已达 1 亿,成为史上用户数增长最快的消费者应用;l OpenAI GPT-4 模型于 2023 年 3 月 14 日发布,并已在微软的新版搜索引擎必应(Bing)上运行。AIGC(GPT-4)赋能通信行业应用白皮书 16 图 2-1 ChatGPT 发展历程 2.2 GPT-4 的能力分析 NLP 领域研究包括了众多子领域,从任务角度看可分为两大类:一类是中间任务,即自然语言理解任务,如中文分词、词性标注、句法分析、指代消解等;另一类是最终任务,即自然语言生成任务,如文本分类、文本摘要、机器翻译、文本对话等。随着 GPT 等 LLM 的出现,自然语言生成任务兼容覆盖了自然语言理解任务,中间任务逐渐退出,LLM 可以直接端到端实现最终任务。而ChatGPT/GPT-4 则用自然对话的人类表达的方式,提供了 LLM 与人的新型交互接口,以统一的接口方式支撑 NLP 的所有领域端到端最终任务。在日常对话中,ChatGPT 和 GPT-4 之间的差异很小。但是当任务的复杂性超过了某一阈值时,GPT-4 的表现则要优于 ChatGPT。此外,GPT-4 不仅能接受纯文本输入,还可以接受图片作为输入来完成图片描述、图片分类和图片分析任务,但该功能暂未对外开放,仍处于内测阶段6。下面以 GPT-4 对话接口的方式,通过示例进行GPT-4 端到端任务能力分析。多种风格解释复杂名词 多风格复杂名词解释指人工智能在解释一个名词时使用多种不同的风格或方式,包含严谨、科技、幽默、简单易懂等风格。这种能力可以在不同的场景中得 AIGC(GPT-4)赋能通信行业应用白皮书 17 到应用,例如学术知识科普、复杂概念简化等。GPT-4能够以各种风格来扮演各种角色,向各种类型的用户解释一些复杂的名词。例如,向 GPT-4 询问通信行业的 5G 网络技术时,它所产生的回答如下图 2-2。图 2-2 GPT-4 解释复杂名词 上述 GPT-4 对于5G 网络的解释,可能很难让一个5 岁的孩子快速理解。当告诉 GPT-4,需要 GPT-4 简化概念,向一个 5 岁的孩子介绍时:图 2-3 GPT-4 简化概念,解释复杂名词 AIGC(GPT-4)赋能通信行业应用白皮书 18 而对于一些想深入了解 5G 网络其中所运用到的技术的用户而言,GPT-4 能够以一个通信网络工程师的身份,向用户介绍 5G 网络的概念:图 2-4 GPT-4 以专业人士身份,解释复杂名词 特定要求或主题创作文章 AI 写作根据用户给定的输入生成符合语法和语义要求的文本内容,包括新闻报道、技术介绍、小说、商业信函等等。在 AI 写作的应用场景中,人们通常会提供一些初始的输入,例如主题、文章结构等等特定要求,AI 会根据这些输入自动生成对应的文本内容。与传统的人工撰写相比,AI 写作可以大大提高工作效率,同时还可以生成更加多样化和精准的文本内容,因此越来越受到各行各业的关注和应用,图 2-5 为 GPT-4 所撰写的关于 AIGC 的文章:AIGC(GPT-4)赋能通信行业应用白皮书 19 图 2-5 GPT-4 根据特定要求或主题创作文章 对话机器人 对话机器人要求人工智能理解用户的语言输入,并根据用户需求和问题生成相应的回答。用户可以通过对话机器人进行语音或文字交互,就像与真人交谈一样,从而获得所需的信息和服务。对话机器人可以应用于多种场景,例如客户服务、虚拟助手等。在客户服务领域,对话机器人可自动回答客户的常见问题,解决客户的问题,减少客服工作量,提高客户满意度;在虚拟助手领域,对话机器人可以帮助用户完成日常任务,如提醒、查询、推荐、预定等,图 2-6 为 GPT-4根据用户的具体需求而推荐的购机指南:AIGC(GPT-4)赋能通信行业应用白皮书 20 图 2-6 GPT-4 与用户多轮对话进行推荐 辅助进行代码编写、Debug 及解释 GPT-4具有非常强大的代码生成能力,可以生成、修正各种编程语言的代码片段。具体而言,GPT-4的代码生成能力主要基于两个方面:一是其能够理解并生成自然语言描述的程序逻辑;二是其能够生成符合编程语言语法规则的代码。GPT-4通过对大量程序源代码和自然语言描述的语料进行训练,学习到程序的逻辑结构和语义含义。当输入一段自然语言描述的程序逻辑时,GPT-4可以理解其 AIGC(GPT-4)赋能通信行业应用白皮书 21 中的含义并生成对应的代码。GPT-4的训练数据也包括大量的符合编程语言语法规则的代码片段,因此它可以很好地遵循编程语言的语法规则生成代码。GPT-4还可以结合常见的编程库和框架生成相应的代码,比如生成使用 Scikit-learn 进行机器学习训练的 Python 代码。图 2-7 为 GPT-4 使用 Python 编程语言和机器学习框架 Scikit-learn 进行机器学习训练的代码:图 2-7 GPT-4 智能生成代码 AIGC(GPT-4)赋能通信行业应用白皮书 22 GPT-4 具备代码解释能力。对于一些缺少注释的代码,GPT-4 也能够自动识别代码块的编程语言,代码块的缩进等,以代码注释的方式向用户解释每行代码的具体作用:图 2-8 GPT-4 智能解释代码 AIGC(GPT-4)赋能通信行业应用白皮书 23 GPT-4 具备代码修正能力。GPT-4 能够自动识别代码块中所存在的错误并给出合理的解释并修正:图 2-9 GPT-4 智能修正代码 文本知识抽取 文本知识抽取是指人工智能从自然语言文本中提取结构化或半结构化的信息或知识。对于 GPT-4 而言,用户仅需要输入特定的文本抽取任务和待抽取的文本,GPT-4 就能够抽取出文本中的关键性实体,对于苹果即将上市的iPhoneSE4 智能手机配置信息,GPT-4 的抽取结果如下图 2-10:AIGC(GPT-4)赋能通信行业应用白皮书 24 图 2-10 GPT-4 抽取文本中关键信息 阅读理解与分析 阅读理解与分析任务要求人工智能不仅仅能理解和抽取文本中的关键字词,还能够推理出更加深入的信息和数据。对于 2022 年亚信科技公司的年中财报数据,GPT-4 不仅仅能够将文本中的关键数字提取并列表,还能够推理出 2021 年的三新业务收入、三新业务收入占比等:图 2-11 GPT-4 智能分析文本和数据并制表 AIGC(GPT-4)赋能通信行业应用白皮书 25 复杂问题分析 GPT-4具有更渊博的知识和更强大的解决问题的能力,它可以以更高的精度分析解决复杂的问题:图 2-12 GPT-4 分析解决复杂问题 AIGC(GPT-4)赋能通信行业应用白皮书 26 图文分析 GPT-4可以同时接受文本和图片输入,通过分析图片内容,结合输入文本作出合理回复6:图 2-13 GPT-4 处理文本图片混合输入 AIGC(GPT-4)赋能通信行业应用白皮书 27 从上述分析示例看,GPT-4 展示了四个极为重要的能力:l 为人类提供世界知识:GPT-4 拥有庞大的世界知识,包括事实性知识和常识,相比之前的 LLM 覆盖了更多的主题和知识。不仅可以提供知识的查询和检索,而且可以进行知识的归纳和总结,甚至提供简单的知识推理和证明能力。l 为人类与 LLM 之间提供了符合人类习惯的交互方式:以遵循提示(prompt)并生成补全提示词的句子的语言生成方式,通过上下文学习保持对话一致性,能理解人类意图并用自然语言回答问题、生成内容和解决问题,改变了现有人机互动方式及人类获取世界知识的方式。l 为人类提供了跨语言及多模态交流能力:不仅可以处理多种人类语言,还可以理解图片内容,为人们提供更加便捷的交流,此外还可以将人类语言与机器语言进行相互翻译,促进了人机物三元世界的融合。l 具备了自我学习,自我进化的能力:能够自动从海量数据和人类指令中学习到其中的世界知识,学习过程不需要人的介入,而且可以自行检查学习成果并不断优化迭代,能灵活应用所学知识来解决实际问题。当然,我们也看到,由于 GPT-4 是基于通用公开数据进行训练,缺少各行业领域的非公开的专业数据。这就造成其世界知识中缺乏深度的专业知识。因此,虽然在与人类进行沟通中,可以进行百科全书式的回答,但距离真正满足专业场景,还有相当大的差距。AIGC(GPT-4)赋能通信行业应用白皮书 28 2.3 GPT-4 的技术原理 GPT-4 是第四代 GPT 模型,但是技术原理上与 GPT-3.5 版本的 ChatGPT更为接近。ChatGPT 的技术特征已经包含在其全称 Chat Generative Pre-trained Transformer 中,是针对对话(Chat)进行的专门优化,GPT-4 全部保留了上述技术特征。Transformer 是 GPT 系列的基础架构,预训练和生成式是其成功之匙。本节通过 Transformer、GPT-1、GPT-2、GPT-3、InstructGPT、ChatGPT等一系列 GPT 技术的演进脉络分析,阐述 GPT-4 的技术原理。2017 年,谷歌大脑团队在机器学习与人工智能领域顶会 NeurIPS 发表了“Attention is all you need”论文,首次提出了基于自注意力机制(self-attention)的变换器(Transformer)模型并用于自然语言处理。相比于传统的循环神经网络(RNN)或卷积神经网络(CNN),Transformer 采用自注意力机制、多头注意力机制、前馈网络、残差连接等技术,具有更好的长距离特征捕获能力、特征提取能力和并行运行效率1。这些能力使 Transformer 可以处理更大量的数据,形成更大规模的网络,从而引发了预训练模型的形成,并进一步使其在自然语言处理任务中获得出色表现。Transformer 的诞生,深刻地影响了接下来几年人工智能领域的发展,标志着预训练大模型的开始7。在不同的场景中,Transformer 衍生出了不同架构。例如,在生成性任务中,GPT-3 是基于自回归序列思路的模型8;在自然语言理解任务中,BERT 是基于 Transformer Mask的自编码序列思路的模型9;在条件文本生成任务中,T5 使用 Encoder-decoder架构,利用双向或单向 attention 来解决条件文本生成任务 10。AIGC(GPT-4)赋能通信行业应用白皮书 29 图 2-14 Transformer 架构 GPT-1 模型基于 Transformer 解决了顺序关联和依赖性的问题,并采用生成式方式,重点考虑了从原始文本中有效学习的能力。在 GPT-1 中,采用了 12 个Transformer 块的结构作为解码器,每个 Transformer 块是一个多头的自注意力机制,然后通过全连接得到输出的概率分布2。GPT-1 的训练分为无监督的预训练和有监督的模型微调,这对于减轻自然语言处理中对监督学习的依赖至关重要。但是,GPT-1采用的是自回归序列的架构,难以处理过长的文本。在生成长文本时,GPT-1会出现信息遗忘和重复等问题。在某些特定任务上,如机器翻译等,其表现并不如其他特定领域的模型表现出色。GPT-2的目标是训练一个泛化能力更强的词向量模型,通过使用无监督的预训练模型做有监督的任务,尝试解决 zero-shot(零次学习问题)3。GPT-2 没有对 AIGC(GPT-4)赋能通信行业应用白皮书 30 GPT-1的网络进行过多的结构创新与设计,只是使用了更多的网络参数和更大的数据集。GPT-2的最大贡献是验证了通过海量数据和大量参数训练出来的词向量模型可以迁移到其他任务中,而不需要额外的训练。然而实验表明,GPT-2的无监督学习和零次学习结果未达预期。GPT-3 在 GPT-2 追求无监督和零次学习的特征基础上进行了改进,转而追求无监督模式下的 few-shot(少量学习)。GPT-3 在网络容量方面有了巨大提升,基于 45TB 的文本数据训练,在多个 NLP 数据集上实现了出色的性能4,具体来说:采用了 96 层的多头 Transformer,每层有 96 个头;词向量长度为 12888;上下文窗口大小提升至 2048 个 token;采用 alternating dense 和 locally banded sparse attention。GPT-3 能够生成高质量的文本,但有时在编写长句并反复重复文本序列时可能会失去连贯性。而且无监督模式下的 few-shot 效果仍然略逊于 fine-tuning 监督微调的方式。InstructGPT 是基于 GPT-3 的一轮增强优化,所以也被称为 GPT-3.5。In-structGPT 采用了人类反馈的强化学习方案(RHLF),对 GPT-3 增加了监督微调,进一步增加了奖励模型,通过训练出的奖励模型指导语言模型的学习即增强学习优化5。这个过程是可以多次迭代优化的,因此 InstructGPT 自动化的实现了比 GPT-3 更好的性能,同时减少了参数的数量。ChatGPT 采用 InstructGPT 相同结构的模型,针对 Chat 进行了专门的优化,同时开放到公众测试训练,以便产生更多有效标注数据。基于人类反馈的强化学习(RLHF)方法的使用是 ChatGPT 区别于其他生成类模型的最主要原因,该方法帮助模型尽量减少有害的、不真实的及有偏见的输出,提升自然沟通效果。同时,为了更好地支持多轮对话,ChatGPT 引入了一种基于堆栈的上下文管理的机制,帮助 ChatGPT 跟踪和管理多轮对话中的上下文信息11。ChatGPT 将上 AIGC(GPT-4)赋能通信行业应用白皮书 31 下文压入堆栈,并通过堆栈中的上下文信息使用注意力机制对齐用户的意图和之前的对话内容,并根据对话历史生成响应,从而在多轮对话中生成连贯自然的回复。GPT-4 与之前的 GPT 模型一样,是一个基于 Transformer 的预训练模型,使用公共可用数据(如互联网数据)和第三方提供商许可的数据来预测文本中的下一个词。然后使用人类反馈强化学习(RLHF)对模型进行微调。在此基础上GPT-4 使用了更多的数据,基础模型的训练数据包括数学问题的正确和错误解决方案、弱推理和强推理、自相矛盾和一致的陈述,以及各种各样的意识形态和想法,同时建立了一个可预测扩展的深度学习堆栈6,为了解决对于像 GPT-4这样的大型模型训练,对特定任务微调是不可行的问题,这也是 GPT-4 的一大重点,OpenAI 团队开发了基础设施和优化方法,通过使用自回归生成模型的缩放定律12,对大规模语言模型最终损失进行预测,增加可预测扩展,减少计算量。GPT-4 涉及到技术重点包括:指令微调(Instruction Fine-Tuning,IFT)、有监督微调(Supervised Fine-tuning,SFT)、人类反馈强化学习(Reinforce-ment Learning From Human Feedback,RLHF)、思维链(Chain-of-thought,CoT)等,下述对这些关键技术做进一步介绍:IFT 是为了解决基础模型未遵循用户的指令时,对基础模型的微调。在基础模型的语言建模目标不足以让模型学会以有用的方式遵循用户的指令,IFT 方法除了使用情感分析、文本分类、摘要抽取等经典 NLP 任务来微调模型外,还在非常多样化的数据集上向基础模型示范各种指令及输出,从而实现对基础模型的微调14。指令示范主要由指令、输入和输出组成,输入是可选的,一些任务只 AIGC(GPT-4)赋能通信行业应用白皮书 32 需要指令,例如 ChatGPT 和 GPT-4 做开放式文本生成任务,当存在输入时,输入和输出组成一个实例,给定指令可以有多个输入和输出实例。IFT 的训练数据通常是人工编写的指令或用语言模型生成的实例,在语言模型生成中,先使用少样本技术输入一些样本给 LM 用户提示它,然后要求 LM 生成新的指令、输入和输出,每一轮都会从人工编写的样本和模型生成的样本中各选择一些送给模型。经过 IFT 的 LM 生成的结果并不一定是有帮助的或安全的,比如通过给出诸如“对不起,我不明白”的模棱两可的或者无益的结果,为了减轻这种行为,需要在高质量的人类标注数据上微调基础的语言模型,以提高有用性和无害性。SFT 和IFT 联系非常紧密,IFT 可以看作是SFT 的一个子集,模型开发人员在开发过程中,常把 SFT 阶段用户提高生成的安全性,而不是接在 IFT 后面提高指令相应的具体性13。RLHF 是 InstructGPT、ChatGPT、GPT-4 成功的关键之一。在 RLHF 中,根据人类反馈来对模型的响应进行排序标注(如,根据人类偏好选择文本简介)。然后,用这些带标注的响应来训练偏好模型,该模型用于返回 RL 优化器的标量奖励。最后,通过强化学习训练对话代理来模拟偏好模型。基于 RLHF 的 GPT-4 训练方法由三个不同的步骤组成11,如图 2-15 所示。AIGC(GPT-4)赋能通信行业应用白皮书 33 图 2-15 RLHF 训练方法 步骤 1:对基于监督学习获取的 GPT-3.5 模型进行微调,得到 SFT 模型。微调是使用问题/答案对完成的。首先会在数据集中随机抽取问题,由人类标注人员,给出高质量答案,然后用这些人工标注好的数据来微调 GPT-3.5 模型,通过对输入和输出数据的拟合来改进网络,调整模型的参数。此时的 SFT 模型在遵循指令/对话方面已经优于 GPT-3,但不一定符合人类偏好。步骤 2:标注排序数据集,训练奖励模型 RM:这个阶段的主要是通过人工标注训练数据,来训练回报模型。在数据集中随机抽取问题,使用第一阶段生成的模型,对于每个问题,生成多个不同的回答。人类标注者对这些结果综合考虑给出排名顺序。这一过程类似于教练或老师辅导。接下来,使用这个排序结果数据来训练奖励模型。对多个排序结果,两两组合,形成多个训练数据对。RM 模型接受一个输入,给出评价回答质量的分数。这样,对于一对训练数据,调节参数使得高质量回答的打分比低质量的打分要高。AIGC(GPT-4)赋能通信行业应用白皮书 34 步骤 3:使用强化学习方法 PPO 进一步微调 SFT:PPO 的核心思路在于将Policy Gradient 中 On-policy 的训练过程转化为 Off-policy,即将在线学习转化为离线学习,这个转化过程被称之为 Importance Sampling。这一阶段利用第二阶段训练好的奖励模型,靠奖励打分来更新预训练模型参数。在数据集中随机抽取问题,使用 PPO 模型生成回答,并用上一阶段训练好的 RM 模型给出质量分数。把回报分数依次传递,由此产生策略梯度,通过强化学习的方式以更新 PPO 模型参数。其中,步骤 1 只进行一次,步骤 2 和步骤 3 可以进行多次迭代以得到效果更好 RM 和 SFT 模型。CoT 提示15是指令示范的一种特殊情况,它通过引发对话代理的逐步推理来生成输出。使用 CoT 微调的模型在涉及常识、算术和符号推理的任务上表现得更好14,CoT 微调也显示出对无害性非常有效(有时比 RLHF 做得更好),而且对于敏感提示,模型不会回避并生成“抱歉,我无法回答这个问题”这样的无益回答13。总的来看,GPT-4 的世界知识能力来源于大数据和大模型,预训练大模型和指示学习的泛化能力,带来了模型强大的理解能力,可以显著降低人工智能应用门槛。同时,IFT、SFT、RLHF、CoT 的极致应用使 GPT-4 的输出与人类的意图对齐,带来了自然、客观、翔实的交互。2.4 GPT-4 的应用 在 ChatGPT 和 GPT-4 相继公布后,这一波由深度学习驱动的人工智能技术长驱直进,对人类社会产生了巨大影响。据报道1617,89%的美国大学生已经 AIGC(GPT-4)赋能通信行业应用白皮书 35 在用 ChatGPT 写作业,ChatGPT 通过职位年薪 18 万美元的谷歌 L3 工程师入职测试,也通过了美国执业医师资格考试。微软已经迅速将 Bing 搜索接入了GPT-4。在为人类设计的学术专业考试上,测试模型理解能力,GPT-4 能排到TOP10%,GPT-3.5 排在尾部 10%6。在传统 NLP 测评数据集上,GPT-4 超越了所有语言模型与大部分 SOTA 模型,在其他语言上测试结果:26 个测试语言中,24 种语言 GPT-4 优于 GPT3.5 与其他语言模型6。可以预见,基于前述分析展现出来的 GPT-4 的强大生产力和巨大潜力,GPT-4 与各行各业应用相结合,将在多领域、多功能应用中密集落地18。l 传媒领域:提升新闻效率,促进网络媒体安全 GPT-4 可以帮助新闻媒体工作者智能生成新闻报道,通过智能方式优化重复劳动性的采编工作。过往新闻智能写作的成功案例众多,例如中国地震网的写稿机器人在九寨沟地震发生后 7 秒内就完成了相关信息的编发;美联社使用的智能写稿平台 Wordsmith 可 以 每 秒 写 出 2000 篇报道。同时 GPT-4 强大的看图说话能力,整合互联网信息采集技术及信息智能处理技术,可以形成简报、报告、图表等分析结果,为全面掌握传媒思想动态,做出正确舆论引导,提供分析依据。l 影视领域:拓宽创作素材,降低后期优化成本 GPT-4 可以为剧本素材的创作提供新思路,创作者可根据大众兴趣使用GPT-4 生成内容,再进行筛选和二次加工,从而激发创作者的灵感,开拓创作思路,缩短创作周期。还可以根据长篇小说、传记、诗歌定制影视内容,从而更有可能吸引爱好者的注意力,获得更好的收视率、票房和口碑。2016 年,纽约大学利用人工智能编写剧本Sunspring,经 AIGC(GPT-4)赋能通信行业应用白皮书 36 拍摄制作后入围伦敦科幻电影 48 小时前十强;国内海马轻帆科技公司推出的“小说转剧本”智能写作功能,服务了包括你好,李焕英流浪地球等爆款作品在内的剧集剧本 30000 多集、电影/网络电影剧本8000 多部、网络小说超过 500 万部。l 营销领域:打造虚拟客服,提升品牌形象和服务态度 GPT-4 可以打造虚拟客服,助力产品营销,GPT-4 虚拟客服可以 24 小时不间断的提供服务,而且不会像人类客服一样产生疲劳。同时,虚拟人客服可以同时处理多个用户的问题,不会像人类客服一样需要等待处理完一个用户的问题后才能接待下一个用户。这使得虚拟客服在高峰期能够更好地应对客户的需求。此外,虚拟客服还可以自我进化和优化自己的服务,提高自己的准确性和服务质量。同时随着 GPT-4 在多模态、复杂计算、多语言理解等方面的提升,使得虚拟客服的服务水平可以为客户提供更加优质的服务。l 文娱领域:加强人机互动,丰富虚拟现实趣味 GPT-4 可以讲故事、创作小说;可以生成歌词,增加音乐创作的灵感;可以解读图片,满足探索未知渴望;可以作为闲聊机器人,尤其图文交互,增加趣味性;可以作为知识检索库,增强对未知的理解,尤其在游戏方面,GPT-4 作为一种基于自然语言处理的人工智能技术,可以帮助游戏开发人员制作出更加智能的游戏。它可以在游戏中生成任务描述,并帮助玩家解决游戏中的问题。此外,GPT-4 还可以用于生成 NPC 的对话,从而让游戏的故事更加生动。AIGC(GPT-4)赋能通信行业应用白皮书 37 l 教育领域:激发教材活力,释放孩子探索天性 GPT-4 能够帮助研究人员撰写连贯、(部分)准确、信息丰富且系统的论文,写作效率极高(2-3 小时),而且不需要作者有丰富的专业知识。即使作者改变了主题,GPT-4 也能给出完全相同格式的回答。除了直接作用于文案本身,在接入 GPT-4 以后,在线教育的模式和质量也会有明显的变化。比如,在教学过程中,老师往往会面临跨学科教学,学生的一些问题也需要老师长时间思考才能解答,但如果使用 GPT-4,就可以第一时间为学生提供快速简便的问题答案;一些重复性的问题,GPT-4 就可以直接代替老师回答,让老师腾出大量时间在思想创造力上发挥更大价值;尤其是对不知道如何描述问题或者问题本身就是一些图片,GPT-4 可以从多个维度给出问答答案。l 金融领域:促进风控安全,保驾金融科技稳步发展 GPT-4 在金融领域的应用范围非常广泛,包括且不限于:欺诈检测和风险管理、客户服务与支持、客户意图识别及精准营销,对金融市场的信息处理和决策辅助等。反欺诈 GPT-4 可以快速识别和分析怀疑欺诈的数据,并在接收到异常请求时进行快速反应,以确保客户在资金交易过程中的安全;金融风险控制金融机构需要不断地进行风险评估和风险控制,GPT-4 可以通过对历史数据的学习,生成预测模型,帮助机构进行风险评估和风险控制;金融舆情分析金融机构需要对市场和客户的情绪进行分析,以便做出正确的投资决策,GPT-4 可以通过对大量社交媒体和新闻数据的学习,生成情感分析模型,帮助机构了解市场和客户的情绪变化;充当研究助理 GPT-4 可以结合金融行业的信息,构建知识库问 AIGC(GPT-4)赋能通信行业应用白皮书 38 答系统。对于一些初级的资料信息和数据分析提取,使用者通过询问可以快速找到相关问题的答案。l 医疗领域:提高诊断能力和效率,减负医护人员 GPT-4 的复杂名词解释、知识抽取能力、多轮对话能力、复杂问题分析、图文分析能力等,可以在医学影像诊断、临床辅助决策、精准医疗辅助、健康管理、医疗信息化、医药研发以及医疗机器人等细分场景中全面开花,以助力降本增效、提升医疗水平、改善患者体验、降低患病风险等为目的,全面赋能院前、院中、院后各个环节。哈佛大学一项研究表明:在不同严重性的 45 个真实病例中,ChatGPT 能够对 39 个病例(87%)做出正确的诊断,而同样的病例,人类医生的准确性可达84%,其他工具准确率只有 51%,GPT-4 预计会达到更高的诊断精确率。2.5 下一个 GPT 是什么?ChatGPT 属于 AIGC 的范畴,代表了文本生成领域的最新进展。GPT-4 则增加了图到文的生成,具备了图片识别的能力。下一个 GPT 预计将支持更多模态的 AIGC,即除文本生成之外,还可以生成图片、视频、音频等模态。与仅使用语言或仅使用视觉相比,构建良好的多模态模型更是一项极具挑战性的任务。但如同 Transformer 架构从语言走向视觉领域,下一个 GPT 或者 LLM 模型,必将向文本、图片、音频、视频等跨领域多模态 AIGC 不断发展演进。AIGC(GPT-4)赋能通信行业应用白皮书 39 Google、Stability AI、OpenAI、百度、阿里等公司已经开始多模态内容生成模型研发,并开源部分模型,比如图片生成的 Stable Diffusion19、音乐生成的 MusicLM20、视频生成的 Dreamix21等。在文本生成场景中,可以分为非交互式生成和交互式生成。非交互式文本生成场景中,结构化写作其形式相对固定,生成难度较小,商业化应用较为广泛,例如公司财报简讯、新闻简讯、专业文书等,而创作型写作开放性较大,在长文本生成中难度较大,仍需技术进一步发展,相比于结构化的文本,创作型文本具有更高的开放度与自由度,需要一定的创意与个性化22,如营销文案、广告语、客服话术等。交互式文本生成场景主要以聊天机器人为代表,在基于上下文中信息进行文本交互,如客服问答、闲聊机器人、知识检索库等。在图像生成场景中,模型结构不断进化提高了 AIGC 生产图像的多样性,但要求较高的功能实现还有待于技术的进一步提升。“图像编辑”难度低于“图像生成”与“2D-3D”转换,目前已存在多款产品支持“图像编辑”,而对于“图像生成”任务,由于图片相较包含更多元素,其生成效果仍存在不稳定性,对于要求较高的功能类图像生成仍需要技术上的提升23。音频生成场景中,文本到语音任务已比较成熟,语音质量已达到自然的标准,未来将朝更富情感、富韵律的语音合成以及小样本语音学习方向发展。但音乐生成任务中仍需解决音乐数据难以标注的问题,数据标注的颗粒度大小影响音乐生成任务的可控性。若可控性得以解决,则可指定风格、情绪等因素的音乐生成任务有希望在影视、游戏等场景下得到大量应用24。视频生成场景中,视频生成本质上与图片生成类似,通过对视频进行帧数级别的切割,实现对每一帧的处理。视频生成过程包括三个阶段:数据的提取、训练和转换,当前技术正在着重提升视频修改精准度和实时性两个维度。鉴于视频 AIGC(GPT-4)赋能通信行业应用白皮书 40 本身的文本、图像和音频的综合属性,视频生成也是跨模态生成领域的重要应用场景。跨模态生成场景中,现实世界的信息是文本、音频、视觉、传感器以及人类各种触觉的综合体系,要更为精准地模拟现实世界,就需要将各种模态能力之间打通,例如文字-图像、文字-视频等跨模态生成能力 大型预训练模型的发展使得跨模态逐步成熟,“文本-图像”生成正在快速落地,“文字-视频”的实验效果也已较为理想(视频时长、清晰程度、逻辑等还有较大提升空间)。AIGC(GPT-4)赋能通信行业应用白皮书 41 三.GPT-4 赋能通信行业应用 通信技术与人工智能技术在 3G 阶段开始融合发展,到 5G 阶段开始深度融合发展。“5G 与人工智能”已被业界视为一组最新的通用目的技术组合,对垂直行业的发展起到提振生产力与赋能的作用。亚信科技携手中外运营商、清华大学智能产业研究院等工业和学术界伙伴,陆续发布了通信人工智能的下一个十年25、通信人工智能赋能自智网络26、算力网络的第一个十年、BSS/OSS 融合的下一站27、下一代电信 IT 架构初探:业务功能虚拟化(BFV)28等著述,介绍了通信人工智能及其方法主旨、路径与框架。人工智能赋能通信行业已在产业界的努力下取得了丰富的实践成果。随着 GPT-4 带来更加先进的生产力,人工智能将进一步从各个层面深度赋能通信业,推动我国智能通信网络的演进升级和落地应用。本章将重点通过 ChatGPT/GPT-4 所采用的对话框方式进行其赋能通信行业应用的场景化分析。由于 GPT-4 尚未开放“图到文”的测试,以下场景分析以“文到文”方式为主进行展现。可以想象,后续多模态(图像识别)的 GPT-4商用版本,将为通信行业应用带来更加丰富的赋能场景。3.1 通信 IT 领域的典型应用场景 通信 IT 域覆盖范围非常广泛,以下将从智能开发、智能运维、智能营销、智能计费、智能客服、智能客户关系管理、商业智能等方面,针对 GPT-4 如何赋能通信 IT 域进行分析。AIGC(GPT-4)赋能通信行业应用白皮书 42 3.1.1 智能开发 每个 IT 组织都不遗余力的关注研发效能提升,十多年来智能开发不断迭代演进,对研发生命周期的需求、设计、开发、集成、测试、发布等关键阶段进行了不断实践。随着人工智能技术的发展,研发工作已经不再是传统的代码编写和测试工作,越来越多的研发人员需要处理大量的文本、语言数据和自然语言处理的任务。在研发领域中,GPT-4可以作为一种辅助工具,帮助研发人员更快速、更高效地进行开发和测试工作,从而提高研发效率和质量。此外,GPT-4还可以用于智能化的文档生成、自动化测试用例生成、智能化代码审查和优化、智能化项目管理等领域,为研发团队提供更全面、更高效的支持和帮助,从而提高整个研发流程的效率和质量。借着 GPT-4 的东风,通过其对软件研发各个阶段的全面赋能,软件研发也将进入一个新的智能研发时代。图 3-1 GPT-4 对于软件研发生命周期的变革 场景一:GPT-4 赋能需求研究、分析和处理 在需求阶段,为了更好地理解和管理需求,优化研发流程,减少重复工作和错误,提高研发效率和质量,相关研发效能提升适用的场景主要有:1.用户研究:在需求阶段进行用户研究,了解用户需求和痛点,以此来确定产品或系统的功能和特性,从而确保产品或系统能够满足用户需求,避免开发出无用或者不受欢迎的功能。GPT-4 引入可以很大程度的提升 AIGC(GPT-4)赋能通信行业应用白皮书 43 用户研究的效率,提升需求的理解;可以更好地处理自然语言输入,使得需求文档的编写更加自然和简单;可以理解文本中的上下文、语义和逻辑关系,从而更好地理解需求。2.需求文档:采用产品化思维,将需求阶段看作产品开发的一部分,强调需求的用户价值和商业价值,以此来提高产品的市场竞争力和用户满意度,从而提高研发效能。GPT-4 可以在自动化生成、智能协助方面提升需求文档的质量和编写效率。基于 GPT-4 的技术,可以通过输入简单的文本或问题,自动生成相关的需求文档、用例和其他文档。这样可以节省研发人员的时间和精力,同时减少文档编写的错误。GPT-4 可以智能地协助需求编写和管理。例如,它可以根据之前编写的需求文档或历史数据,提供自动建议或纠错建议,使得需求文档的编写更加准确和高效。3.需求管理:使用需求管理工具,对需求进行统一管理、跟踪和分析,以便研发团队能够更好地理解需求,掌握需求状态和变化,从而更好地管理需求和优化研发流程。GPT-4 的引入,更好的管理需求相关的知识。GPT-4 可以将需求阶段的知识整合、管理和归档,使得知识能够得到更好的传承和沉淀。这样可以提高研发团队的知识共享和协同效率,同时也能够更好地应对团队流动性和知识遗漏的问题。此外,还可以提升可视化呈现的效果。GPT-4 可以将需求文档和其他相关文档进行可视化呈现,例如生成流程图、状态图等,使得需求文档更加易于理解和使用。这样可以提高需求文档的可读性和易用性,从而更好地支持研发流程。AIGC(GPT-4)赋能通信行业应用白皮书 44 需求分析人员,借助GPT-4,可以快速沟通澄清需求,需求文档可读性大大增强,需求变更管理将变得更加轻松。集成协同音视频的能力,拉通上下游的沟通,随时随地的发起快速沟通。需求分析,从原先以周为单位,降低到以小时为单位,人员效能提升 100 倍以上。图 3-2 GPT-4 帮助分析业务需求 场景二:GPT-4 辅助原型设计 在设计阶段,帮助设计师快速构建设计原型和模型,可适用的场景主要有:1.设计原型:采用设计原型工具,如 Sketch、Figma、Axure 等,快速构建交互原型,提高设计效率和设计质量。设计原型可以在设计初期帮助设计师与相关方进行充分的沟通和交流,减少后期的设计修改,提高设计效率。引入 GPT-4 可以提升快速原型构建的能力。GPT-4 可以生成交互原型,提高原型构建效率。设计师可以将自然语言描述输入 GPT-4,生成相应的交互原型,避免手动构建原型的繁琐和耗时,同时提高 AIGC(GPT-4)赋能通信行业应用白皮书 45 原型的质量和准确性。同时,GPT-4 也可以实现智能化辅助设计,通过理解自然语言描述,生成相应的设计方案或 UI 元素,提升设计效率和准确性。设计师可以通过与 GPT-4 交互,快速得到可行的设计方案或 UI元素,避免重复的设计过程。2.可视化建模:采用可视化建模工具,如 UML,快速建立模型,简化建模过程,提高建模效率。采用可视化建模可以将抽象的概念用可视化的方式呈现出来,便于沟通和交流,同时可以减少重复的设计和提高设计效率。GPT-4 可以实现自动化原型验证。设计师可以将设计方案或 UI 元素交给 GPT-4 进行测试用例的生成,避免手动编写测试用例的繁琐和耗时,同时提高测试的覆盖率和准确性。图 3-3 GPT-4 辅助界面设计 AIGC(GPT-4)赋能通信行业应用白皮书 46 设计人员,借助GPT-4,可以根据输入的需求,快速生成界面原型,原型快速验证,确保需求场景覆盖完善。从原先以周为单位,降低到以小时为单位,人员效能提升 100 倍以上。场景三:GPT-4 助力智能编码 在开发编码阶段,当前通过采用集成开发环境、使用开发框架和库、采用代码审查等措施,能够提高研发效率,减少重复工作,降低代码出错率,提高代码质量和可维护性。可适用的场景主要有:1.使用集成开发环境(IDE)和开发框架:使用集成开发环境可以提高开发效率。IDE 通常集成了代码编辑器、调试器、自动补全、版本控制等工具,使得开发人员可以更加高效地编写代码、测试代码和维护代码。使用开发框架和库可以减少开发人员编写重复代码的工作量,提高开发效率。开发框架和库如 Spring、React、Vue 等,可以提供一系列的组件和函数,帮助开发人员更快地构建应用程序。GPT-4 未来甚至可以颠覆开发编码的工作方式,即通过自然语言编程接口,让开发人员使用自然语言描述所需功能,然后将其转化为代码实现,降低代码实现的门槛和难度,提高开发效率。2.代码审查:采用代码审查可以帮助开发人员发现代码中的问题,提高代码质量和开发效率。代码审查可以由其他开发人员或专业的代码审查工具进行,发现问题后及时进行修改和优化。GPT-4 可以自动代码补全和纠错、智能重构和优化,大大提升代码审查的效率。GPT-4 可以根据已有的代码和上下文,提供自动代码补全和纠错的功能,帮助开发人员更快速地编写代码,并避免常见的语法错误和拼写错误。GPT-4 可以分析 AIGC(GPT-4)赋能通信行业应用白皮书 47 代码并提供智能重构和优化的建议,帮助开发人员优化代码结构、提高代码可读性和可维护性,从而减少后期的维护成本。3.代码生成:作为代码生成工具。Copilot 是由 OpenAI 和 Github 合作研发并商用的基于 GPT 模型的代码自动补全工具,可以根据上下文和用户输入自动生成代码片段。Copilot 可以快捷的集成到自己的 IDE 中,以便更高效地编写代码。GPT-4 可以根据给定的场景或需求,自动生成相关的代码文本,例如自动生成 API 文档、自动生成注释等,减少手动编写文档的时间和精力。与 Copilot 不同,GPT-4 更注重用户和模型的交互,它可以与用户进行多轮对话,通过询问和解释来更好地理解用户的意图。在代码开发方面,GPT-4 可以根据用户的需求和上下文生成相应的代码,并可以与用户进行交互以获取更多信息和反馈。GPT-4 的优势在于可以生成更加个性化和灵活的代码,但是也需要更多的交互和反馈,对用户的技能和经验要求更高。开发人员,通过云IDE快速拉起预置的场景化的应用开发环境,开发小组内通过工作空间的共享,实现开发的快速协作,如结对编程、远程联调、单元测试等。GPT-4智能辅助编程,结合代码辅助生成的能力,通过聊天的方式,轻松完成代码编写,输出高质量的业务代码。懂代码,更懂业务。数字人助手和鼓励师,结合程序员的编码习惯,情绪等,不定时的通过鼓励的方式,调动程序员工作的积极性。编码效率从以天为单位,降低到以小时为单位,甚至分钟级的完成开发,开发人员更聚焦核心代码编写,效能提升 100 倍以上。AIGC(GPT-4)赋能通信行业应用白皮书 48 图 3-4 引入 GPT-4 后开发人员日常工作场景 图 3-5 GPT-4 智能辅助编码 AIGC(GPT-4)赋能通信行业应用白皮书 49 场景四:GPT-4 赋能持续集成与持续交付 在集成与发布阶段,当前借助自动化构建和测试、持续集成和持续交付、持续部署等措施可以在集成和发布阶段提高研发效能,从而加快软件交付的速度和质量。引入 GPT-4 在可以带来进一步的提升。可适用的场景主要有:1.自动化构建和测试:通过使用自动化构建和测试工具,可以快速、可靠地构建和测试软件,减少手动操作和人为错误,从而提高软件交付的质量和效率。GPT-4 可以用于自动化测试中,自动生成测试用例和测试数据,并自动执行测试用例,从而减少测试人员的工作量,提高测试的覆盖率和准确性。2.持续集成和持续交付:通过持续集成和持续交付的实践,可以实现快速、频繁地将软件集成和交付给用户,从而及时地获取反馈,提高软件的质量和响应能力。GPT-4 可以用于自动化部署中,自动生成配置文件和部署脚本,并自动执行部署过程,从而减少手动操作和人为错误,提高部署的速度和可靠性。3.持续部署:通过使用容器化部署技术,可以将软件打包成轻量级、可移植的容器,并在不同的环境中快速、一致地部署和运行,从而提高软件的可靠性和可移植性。GPT-4 可以用于预测性维护中,通过分析日志和监控数据,预测系统可能出现的问题并提出解决方案,从而避免系统故障和停机时间的损失,提高系统的可靠性和稳定性。平台人员,借助GPT-4,无需进行复杂的构建、部署配置,集成和发布活动变得更将轻松。应用的构建部署配置从以天为单位,降低到以小时为单位,集成和部署效率提升 10 倍以上。AIGC(GPT-4)赋能通信行业应用白皮书 50 图 3-6 GPT-4 提升持续集成效能 场景五:GPT-4 提升自动化测试效能 在测试阶段,自动化测试工具(例如接口、UI、性能等),以及代码染色、流量复制等自动化测试能力,一定程度上提升了测试的效能。引入 GPT-4 可以通过自动生成测试用例、智能缺陷检测、智能精准测试、以及智能代码染色,大幅提升测试效能。可适用的场景主要有:1.自动化测试:使用自动化测试工具进行自动化测试,包括单元测试、集成测试、功能测试、性能测试、接口测试、UI 测试等,可以减少测试时间,提高测试覆盖率和准确性。GPT-4 可以帮助自动生成测试用例,特别是在一些较为简单的场景中,可以避免手动编写重复的测试用例,提高测试的自动化程度,从而提高测试效率。GPT-4 可以通过学习历史缺陷数据,识别并智能检测出潜在的缺陷,减少漏测和误测的情况。同时,GPT-4 还可以根据缺陷类型和严重程度进行排序,提高缺陷修复的 AIGC(GPT-4)赋能通信行业应用白皮书 51 优先级和效率。GPT-4 可以基于领域知识和历史测试数据,辅助测试人员制定更加精准的测试计划,包括测试范围、测试用例设计、测试覆盖率等方面,以提高测试的效率和覆盖度,减少漏测和误测的情况。2.代码染色:指利用静态代码分析工具,对代码进行自动化检查和诊断,以发现潜在的问题和漏洞。静态代码分析工具可以帮助开发人员快速发现代码中的错误和安全隐患,同时可以提供详细的代码质量报告,帮助开发人员优化代码质量和可维护性。此外,代码染色还可以结合自动化测试工具,自动化执行测试用例,并对测试结果进行反馈和调整,从而提高测试效率和准确性。GPT-4 可以分析代码库中的代码结构、变量名、注释等信息,为测试人员提供更智能的代码染色功能,相比于基于传统静态代码扫描的代码染色,可以让代码可读性更高,使得测试人员更容易理解和编写测试用例,提高测试效率。测试人员,借助GPT-4,实现自动生成测试用例,智能代码染色等,让测试人员更容易理解和编写测试用例。AIGC(GPT-4)赋能通信行业应用白皮书 52 图 3-7 GPT-4 快速生成单元测试用例 综上所述,通过引入GPT-4,可以对软件研发全生命周期全面赋能,无论是需求分析阶段的需求沟通,还是设计阶段的原型设计,亦或开发人员的编码,测试人员的测试执行,都能够有较大程度的效能提升。3.1.2 智能运维 智能运维 AIOps(Artificial Intelligence for IT Operations)是一种基于人工智能技术的运维自动化解决方案,它利用机器学习、深度学习、模式识别等人工智能技术,对 IT 系统的运行数据(包括日志、指标、事件)进行分析和处理,自动识别和分析故障,快速定位问题,并自动推荐或执行解决方案,以提高 IT 运维团队的效率和响应速度。AIGC(GPT-4)赋能通信行业应用白皮书 53 智能运维 AIOps 作为一个新兴的技术领域,目前正在快速发展,越来越多的研究者将机器学习、自然语言处理、数据挖掘等技术应用于智能运维AIOps领域。学件是一种性能良好的预训练机器学习模型,其具有一套解释模型意图和/或特性的规约,亚信科技 AIOps 运维学件已经在智能运维领域得到了广泛应用和快速发展,在通信领域已经沉淀出了像指标异常检测、日志异常检测等可复用、可演进的成熟运维学件。此外,早在 10 年前 Github 提出了 ChatOps 的概念,它是一种实时聊天驱动型的运维模型,可以“用聊天的方式来做运维工作”,通过将机器人植入聊天会话,形成人、机器、数据的自动化、透明化的联动,使运维团队能够高效执行任务和沟通协作,可以认为 ChatOps 是 GPT-4 在运维领域的一个雏形。目前随着 GPT-4 及其相关技术的出现和普及,可以在智能运维领域进一步加强“ChatOps”的运维能力。下图提供了智能运维 AIOps 工作台中的运维协作、智能运维相关问题的快速问答以及运维人员确认后的快速执行等场景。GPT-4与智能运维 AIOps 可以协同助力运维人员快速识别系统故障类型、高效提供故障处置策略并生成自动化脚本实现故障自愈。AIGC(GPT-4)赋能通信行业应用白皮书 54 图 3-8 智能运维工作台运维协作场景 场景一:快速识别故障类型 当系统出现故障时一般会伴有很多错误类型的日志输出。在智能运维领域,目前主要是通过机器学习、聚类、频繁模式挖掘、NLP 等技术对日志的模式进行识别以及检测日志量的异动情况来进行日志的异常检测。GPT-4基于对日志模式的识别能力,可以帮助运维人员提供系统故障关键日志的分析。运维人员可以将系统故障对应的关键日志和相关信息发送给GPT-4,GPT-4 通过 NLP 自然语言处理能力尝试识别和分析日志的问题,并给出日志对应的故障类型及原因。如将一段 Kafka 的错误日志:“2022-01-25 09:09:14,930|FATAL|main|kafka.Kafka$(Log-ging.scala:113)java.lang.IllegalArgumentException:requirement failed:rep-lica.fetch.max.bytes should be equal or greater than message.max.bytes at scala.Predef$.require(Predef.scala:233)at kafka.server.KafkaConfig.validateValues(KafkaConfig.scala:959)at kafka.server.KafkaConfig.(KafkaConfig.scala:944)at kafka.server.KafkaConfig$.fromProps(KafkaConfig.scala:701)at kafka.server.KafkaConfig$.fromProps(KafkaConfig.scala:698)at kafka.server.KafkaServerStartable$.fromProps(KafkaServerStarta-ble.scala:28)AIGC(GPT-4)赋能通信行业应用白皮书 55 at kafka.Kafka$.main(Kafka.scala:60)at kafka.Kafka.main(Kafka.scala)”发给 GPT-4,经 GPT-4 识别分析后发现是 Kafka 配置的错误并给出错误的原因,帮助运维人员快速发现定位该类型的问题。进一步的 GPT-4 可以与智能运维 AIOps 中的日志异常检测等运维学件能力进行结合,如将 GPT-4 识别的故障类型作为运维专家经验与学件中智能算法检测的结果进行融合,以数、知双驱动能力提升运维效率。图 3-9 GPT-4 帮助分析故障 场景二:高效提供处置策略 运维过程中当故障发生后,先经过分析诊断定位故障的根因,然后如何快速的找到故障修复的方案是至关重要的。在智能运维领域目前的实现思路是希望提供行业知识图谱或运维知识库,但由于运维经验相对分散不集中导致运维知识的沉淀不足,大多数情况下还需要依靠专业的运维人员通过自身的经验来提供故障的解决方案,对人员的依赖程度较高。AIGC(GPT-4)赋能通信行业应用白皮书 56 GPT-4基于大量运维知识的学习与沉淀,可面向运维人员提供运维行业知识库能力,运维人员可以将故障的类型或故障的描述发送给 GPT-4,GPT-4 通过其 NLP 自然语言理解能力和丰富的运维知识库能力提供相应故障的解决方案或修复策略,如可以直接提问“Kafka 配置错误 replica.fetch.max.bytes should be equal or greater than message.max.bytes,如何修复”,GPT-4 会给出解决该问题的方法及相关步骤,以帮助运维人员对该类故障作出快速响应。另外 GPT-4支持多国语言,对一些中文运维知识库不能覆盖的部分,可以查找英文或其他语言的运维知识库。图 3-10 GPT-4 智能修复 Kafka 配置错误 场景三:故障自愈 在智能运维领域,当发现并识别出故障类型后,需进一步结合专家经验或运维知识库等匹配对应故障的处置策略,然后如何能快速的达到故障自愈的目的,一般来说需要运维人员编写一些程序或脚本来完成故障的自动修复。AIGC(GPT-4)赋能通信行业应用白皮书 57 GPT-4 可以自动生成脚本以及 ansible 等自动化运维工具需要的程序代码。如结合上述 Kafka 的错误信息自动生成 ansible 自愈程序的代码,帮助运维人员能快速恢复故障,实现故障自愈。图 3-11 GPT-4 智能生成 ansible 程序代码 3.1.3 智能营销 营销系统是指一套针对企业销售和市场营销活动进行规划、执行和监控的系统化工具和流程。营销系统的目标是提高营销效率、减少浪费、提高收益。通过数据分析和自动化流程,营销系统可以帮助企业更好地了解其客户,定制个性化的营销方案,并跟踪和分析营销活动的结果,以便随时调整和改进营销策略。智 AIGC(GPT-4)赋能通信行业应用白皮书 58 能营销是利用 AI 技术和大数据分析来优化市场营销策略的方式,将智能的技术与营销策略相结合,实现更高效、精准和个性化的营销。GPT-4之前,关于智能营销方面的问题,如果要寻求网络的帮助,只能就一些关键词进行搜索,再对根据关键词搜索到的结果进行甄别分析,看是否有些有助于制定或实施营销的内容。GPT-4可以理解自然语言,能够理解输入的背景信息,并准确了解整体需求,因而可以结合背景和需求,针对性地找到解决方案或建议。可以在产品策划、营销方案策划、主动营销、产品订购、营销分析等营销相关的整个闭环场景中帮助通信企业实现更高效、更精准和个性化的营销。场景一:基于 GPT-4 的产品策划增强 GPT-4可以帮助收集和分析市场数据:在产品策划过程中,了解市场需求是至关重要的。GPT-4可以帮助企业收集和分析大量的市场数据,包括竞争情况、目标用户、市场趋势等等。这些数据可以为企业的产品决策提供基础和参考。GPT-4可以提供创意和灵感:在产品策划过程中,创意和灵感是非常重要的。GPT-4可以生成有关市场和用户的文本信息,这些信息可以激发企业的创意和灵感,帮助企业创造出更有吸引力的产品。产品经理根据初步的产品创意想法,让 GPT-4 列出业界相关的产品及特点,结合相关统计数据(GPT-4同时也可参与数据统计分析),不断加入自己的要求,和 GPT-4 一起头脑风暴,调整优化产品的创意,形成产品策划的初步方案。泛在智能感知被广泛认为是 6G 的一个重要特性。在居家环境中,可以用无线信号非侵扰地获悉人员的健康状况和生活规律:如老人跌倒不起等异常事件发生,都可以通过无线信号识别后再发送给家人、医院、社区护理人员等。运营商 AIGC(GPT-4)赋能通信行业应用白皮书 59 如果想根据 6G 和 Wi-Fi 智能感知能力,策划一个老人跌倒监控相关的产品,可以让 GPT-4 提供产品策划方面的一些思路:图 3-12 如何策划产品的回答 AIGC(GPT-4)赋能通信行业应用白皮书 60 根据 GPT-4 提供的建议,可以进一步沟通,让 GPT-4 对产品功能设计提供进一步建议。GPT-4 在下图 3-13 回答中,提到了智能学习用户习惯、用户隐私保护等在产品设计中容易忽略的问题,可以帮助产品经理完善产品的设计。图 3-13 产品功能设计的进一步建议 场景二:基于 GPT-4 的营销方案策划增强 类似于产品策划场景,营销经理让 GPT-4 列出业界关于此类产品的营销特点与优选的方案列表,结合相关产品销售和使用统计数据(GPT-4同时也可参与数据统计分析),分析比较各种营销方案的优劣,并和 GPT-4 一起头脑风暴,形成营销方案策划的初步方案。GPT-4也可以生成文本和语音内容,包括文章,视频,音频等,为企业提供内容营销的基础。AIGC(GPT-4)赋能通信行业应用白皮书 61 比如可以请 GPT-4 帮助设计与产品相关的广告词:图 3-14 关于产品广告词的问答 图 3-15 关于产品广告词的古诗词形式的问答 场景三:基于 GPT-4 的主动营销增强 GPT-4可以处理大量的文本数据,并通过自然语言处理和机器学习技术提取有用的信息和趋势。这可以帮助企业了解客户需求和行为。GPT-4可以集成到营 AIGC(GPT-4)赋能通信行业应用白皮书 62 销自动化平台中,根据用户行为和需求提供个性化的推荐和建议,增强客户参与度,提高转化率。客户和 GPT-4 在聊天过程中,可结合以往的聊天记录,根据客户和运营商的交互历史,综合分析客户需求,主动寻找商机,并适时向客户推荐合适的产品:图 3-16 关于主动营销推荐的问答 场景四:基于 GPT-4 的产品订购增强 客户不再需要和客户经理、话务员、营业前台等各个渠道的不同运营商员工打交道,GPT-4 成为客户在运营商的专职助理。客户用自然语言向 GPT-4 提出产品需求,就像和朋友聊天一样,聊聊当前手机的最新机型,有什么特点,有什么好的应用,网络流量需求等等,GPT-4会根据客户需求提出可选的方案,比较每种方案的优缺点,并根据客户实际情况,推荐最优方案。客户确认后 GPT-4可以帮助下单订购,并随时询问订单进展。下图是在销售过程中 GPT-4 帮助客户进行产品比较、推荐最佳方案、帮助订购的示例。可以看到,GPT-4抓住了运营商这款产品的非侵入式、实时监控、自动报警等其他产品不具备的特点。AIGC(GPT-4)赋能通信行业应用白皮书 63 图 3-17 关于不同产品特性分析比较的问答 图 3-18 关于帮助客户产品下单的建议 AIGC(GPT-4)赋能通信行业应用白皮书 64 场景五:基于 GPT-4 的营销分析增强 GPT-4 可以在以下方面帮助进行营销分析:l 收集数据:搜集产品销售数据和其他相关数据,如推广方式、渠道、竞争对手的营销活动等。l 分析数据:对收集到的数据进行分析,包括统计销售数据、计算 ROI、分析销售趋势、比较销售数据与预期等。l 评估营销策略:根据分析结果,评估各个营销策略的效果,看哪些策略比较成功,哪些策略需要优化或调整。l 制定新的营销计划:根据评估结果,制定新的营销计划和战略,包括改进现有的营销策略、增加新的营销渠道和方式等。l 迭代优化:根据新的营销计划,再次进行营销活动,并收集数据和分析结果,以此不断优化营销策略,从而提升产品的销售情况。通过以上的分析方法,可以对产品的销售情况进行全面的评估和优化,从而提升产品的市场占有率和竞争力。以下是请 GPT-4 帮助进行营销分析的示例:AIGC(GPT-4)赋能通信行业应用白皮书 65 图 3-19 关于产品营销分析的问答 综上所述,GPT-4可以在产品策划、营销方案策划、主动营销、产品订购、营销分析等整个闭环中帮助通信企业实现更高效、更精准和更个性化的营销。3.1.4 智能计费 计费系统作为电信运营企业核心 IT 系统,承担了从用户使用记录采集与预处理、计费、帐务处理与管理、多方结算、风险控制,以及业财合拢等核心工作,是确保电信企业健康运营的基础设施。从计费系统服务的业务角度来看,计费系 AIGC(GPT-4)赋能通信行业应用白皮书 66 统需要满足电信自有按量计价的语音、短信、流量等业务的费用处理,订阅制与点播制的云计算、长途租用、内容与服务等业务的费用处理,还要逐步探索面向算力网络等未来业务的方案推荐与费用处理,是助力电信企业打造可持续发展的引擎。电信运营企业从传统 ToC 通信业务的利基市场逐步向未来算力网络的多边平台市场发展过程来看,随着业务发展,可以逐步在计费系统的应用场景中引入GPT-4 相关的技术,以使得计费系统更加智能。场景一:计费系统的可观测性与可解释性提升 电信运营企业从其国企定位来看,有较强的社会责任与企业责任。让客户每一笔通话、每一笔订阅都能做到明明白白消费是非常重要的。而随着业务复杂程度的不断提升,用户的资费、优惠等约来约复杂,进而造成计费系统在进行批价、优惠的过程中需要花费很大的成本来为客户提供使用与消费过程的说明。引入GPT-4相关技术,将用户的计费数据(使用记录)、优惠数据,以及资费信息等数据建立分析,同时配合 NLP 实现自然语言交互情景下的消费情况解释,有助提升客户消费的满意度。例如:传统上,当客户对消费情况提出质疑的情况下,通常通过IVR等渠道录入客户服务工单,经专家分析、批价过程重现等手段分析消费记录后,再向客户提供解释说明。引入 GPT-4 相关技术,可以为客户提供基于自然语言的解释手段,降低成本的同时,提升客户满意度。AIGC(GPT-4)赋能通信行业应用白皮书 67 图 3-20 GPT-4 根据计费数据给出情况解释 场景二:业财合拢助力精益企业运营 电信运营企业是典型的重资产投入企业,在整个“资金-资产-资源-服务-资金”的过程中,由于网络投资与用户收入的财务统计方法和口径的天然差异,很难做到资源的精准投放,进而影响电信运营企业的运营效率。引入GPT-4相关技术,将用户的计费数据(使用记录)与网络资源投资情况(利用效率)相结合,建立多类、多模数据的融合分析,可以帮助电信运营企业实现更加精准的资源投放,进而提升运营效率。例如:传统上,由于网络建设是基于网络规划、监测、优化等数据通过项目方式推进建设,而设备采购是按照财务预算投资节奏进行采购,用户收费又是基于用户单笔使用记录,因此在统计口径上很难形成一致。将网络数据、用户使用及费用数据导入,通过建立企业财务数据、用户使用及费用数据与网络数据之间的概率关系,实现财务与业务的有效结合,提高企业的盈利能力和市场竞争力,从而实现可持续发展。AIGC(GPT-4)赋能通信行业应用白皮书 68 图 3-21 GPT-4 智能将企业业财融合助力运营 场景三:多边平台模式下的风险控制 电信运营企业随着业务发展,无论在基于内容与服务业务的多边平台,还是在未来的算力网络的多边平台模式下,要想建立一个健康的平台生态,就需要建立以足够强大的风险控制体系以确保整个多边平台的信用基础。引入 GPT-4 相关技术,针对多边平台的合作方建模超长历史交易行为,充分利用每次交易记录信息,利用思维链进行多步推理,逐步完善一种低成本的风控体系,可以有效确保多边平台下的信用基础。例如:基于 SP/CP 的业务,对所有最终用户、SP/CP 等各合作方的基础信息、内容与服务产品信息建立标注,同时对每一笔交易记录建立跟踪说明,基于最终用户与合作伙伴在申请、鉴权、使用、分摊、结算等过程建立风险控制判断,AIGC(GPT-4)赋能通信行业应用白皮书 69 在 GPT 中训练风险控制评价模型即对风险控制判断进行奖励优化。正式使用中可以将每一笔交易请求通过模型评估该笔交易的风险等级,进而规避风险。图 3-22 GPT-4 举例风险交易行为 场景四:基于意图的算网方案推荐 随着运营商在算力网络方向的努力,传统基于简单资源成本及服务水平的定价模式很难适应算力网络中复杂场景下,多资源、多服务的融合服务模式。引入GPT-4相关技术,以具体使用场景为意图基础,同时整合各类资源、各类服务能力的信息,利用思维链进行多步推理,给出符合客户场景意图、电信运营企业效益的最佳建议方案,可以帮助电信运营企业建立可持续性发展的算网生态。例如:在算网资源管理阶段,对每一个节点的算力和网络资源、服务能力、成本、预期收益等建立标注,同时基于客户在不同场景(基于六何分析法构建场景模型)下的资源、服务请求建立跟踪说明,基于客户在不同场景的跟踪说明,AIGC(GPT-4)赋能通信行业应用白皮书 70 以及算力、网络资源的标注,建立同时满足运营商成本、效益、客户预期的调度方案与资费方案,在 GPT 中训练最优解评价模型即对调度方案与资费方案进行奖励优选。正式使用中可以根据算网请求识别客户意图(成本最优、效率最优、效能最优等)自动推荐算网资源调度方案并形成自动化订购、分摊、结算等过程。图 3-23 GPT-4 基于意图的算网方案推荐 3.1.5 智能客服 客服系统旨在为通信运营商的客户提供一种高效、灵活、可定制的解决方案,用于管理、维护运营商与客户之间的交互和支持。包括一个集成的多渠道服务平台,支持通信运营商在多个渠道(例如电话、邮件、短信、社交媒体和在线聊天)上与客户进行互动。智能客服系统可以通过自动化处理、智能机器人和自助服务等方式来降低人工客服中心的负载,减少客服中心的成本,提高客户满意度。此外,系统还提供 AIGC(GPT-4)赋能通信行业应用白皮书 71 实时分析和监控工具,以便电信运营商可以追踪客户反馈和服务质量,及时解决问题并改进服务质量。将智能客服系统和 GPT-4 结合起来,可以发挥两者的技术优势,在智能语音助手、坐席助理、智能推荐、自助服务、社交媒体管理、个性化服务等多个场景方面,提高客户服务的质量和效率,满足客户日益增长的个性化需求,从而帮助企业更好地服务客户,提高竞争力和盈利能力。场景一:增强智能客服的语义理解、情感识别 智能客服系统在处理客户请求方面具有很大的优势,可以自动分析和处理大量的客户请求,提高客户服务的效率和质量。然而,智能客服系统有时可能难以理解和回答复杂的问题,或者无法识别客户的情感和语气,导致客户体验下降。因此,结合 GPT-4 这种自然语言处理技术,可以弥补智能客服系统的不足之处。GPT-4可以识别用户提问的主题和关键词,并将其转化为机器可读的形式,帮助智能客服系统更好地理解用户的需求,从而提供更准确、个性化的服务,也可以帮助智能客服系统识别用户的情感状态。GPT-4可以分析用户输入的语言,判断其中的情感色彩,比如是否表达了愤怒、焦虑或快乐等情感状态。通过分析用户情感状态,智能客服系统可以更好地理解用户的情感需求,并提供更加智能化、贴心的服务。例如:当一个用户在智能问答系统中输入“我的账单有误,这已经是第三次了”,GPT-4可以识别到用户的不满和不满意情绪。这时,智能客服系统可以自动回应,并表达理解和同情,并提供更快速和有效的解决方案,以缓解用户的不满和不满情绪。AIGC(GPT-4)赋能通信行业应用白皮书 72 图 3-24 GPT-4 基于客户情绪,智能化处理客户请求 结合 GPT-4 的智能客服系统可以更好地理解用户的问题和需求,识别用户的情感状态,并提供更智能化、贴心的服务,从而提高客户的满意度和忠诚度。场景二:使智能客服知识搜索定位更精确 有时候客户可能并不清楚如何描述他们所遇到的问题,或者他们可能使用了不正确的词汇来描述问题。这时,智能客服系统也会出现困惑,无法找到准确的解决方案。结合 GPT-4 后,GPT-4 可以帮助智能客服系统在这种情况下提供更精确的搜索定位,用户提供最相关和精确的回答和解决方案。例如:客户向智能客服系统中提出了“我的电脑无法上网了,什么情况?”。由于客户的输入比较简略,智能客服系统可能会出现困惑,无法准确理解用户的问题,也无法为用户提供最准确的解决方案。通过与 GPT-4 的结合,智能客服系统可以更好地理解用户的问题并提供更精确的搜索定位。GPT-4可以利用上下文和历史数据生成更准确的问题描述,针 AIGC(GPT-4)赋能通信行业应用白皮书 73 对“我的电脑无法上网了,什么情况?”问题,智能客服系统可以将这个更加准确的问题描述用于搜索相关解决方案,为用户提供更具体、个性化的建议和指导。图 3-25 GPT-4 根据客户提问,智能化生成解决方案 GPT-4 还可以通过理解用户的意图,进一步优化搜索结果。如果 GPT-4 理解到用户需要的是如何解决电脑无法启动的问题,而不是如何更换硬件设备,那么智能客服系统就可以提供更准确的解决方案,使客户更容易找到所需的帮助和支持。结合 GPT-4 的智能客服系统可以更好地理解用户的问题和意图,提供更精确、个性化的搜索结果和解决方案,从而提高客户的满意度和忠诚度。场景三:增强智能客服的交互式服务体验 智能客服系统结合GPT-4,可以为客户提供更加个性化、准确和自然的回答和解决方案,从而增强智能客服系统的交互性和用户体验。在智能客服系统中,客户可以通过语音或文本与机器人进行交互。机器人通过分析客户的问题,自动检索相关信息,并生成回答或解决方案。然而,机器人有时无法理解或解决复杂的问题,或者无法识别客户的情感和语气,导致客户体验下降。在这种情况下,GPT-4可以理解客户的意图和语境,生成更加个性化、准确和自然的回答和解决 AIGC(GPT-4)赋能通信行业应用白皮书 74 方案。GPT-4还可以识别和回应客户的情感和语气,以提供更加细致的服务。另外,GPT-4还可以通过学习历史对话和客户信息来持续优化智能客服系统,提高回答准确率和交互性。通过这种方式,智能客服系统可以不断适应和优化自己,提供更好的服务体验,增强客户满意度,维护客户关系,提高企业的竞争力和盈利能力。智能客服系统与 GPT-4 结合,提供更加个性化、准确和自然的回答和解决方案,以解决客户的投诉问题。假设 GPT-4 担当通信运营商的客服代表,一个客户通过智能客服系统投诉手机质量问题,GPT-4为这个客户提供服务。客户可能会表达情绪,描述手机的故障和影响,提供订单号码和其他相关信息等等。智能客服系统可以分析客户提供的信息,自动识别问题,并通过事先编写好的规则或模板,生成一份回答或解决方案。然而,如果问题比较复杂或客户的情感比较激烈,没有 GPT-4 支持的智能客服可能难以理解和回答客户的问题,导致客户体验下降。结合 GPT-4 的智能客服系统可以提供更加个性化、准确和自然的回答和解决方案,以解决客户的投诉问题,并提高客户满意度和忠诚度。AIGC(GPT-4)赋能通信行业应用白皮书 75 图 3-26 GPT-4 与客户交互式对话能力展示 3.1.6 智能客户关系管理 客户关系管理系统(Customer Relationship Management,CRM),是企业为提高核心竞争力利用软件、硬件和网络技术,建立的一个客户信息收集、管理、分析和利用的信息系统。以客户数据的管理为核心,记录企业在市场营销和销售过程中和客户发生的各种交互行为,以及各类有关活动的状态,提供各类数据模型,为后期的分析和决策提供支持。在客户关系管理系统中,引入 GPT-4 可以更好地协调企业与顾客间在销售、营销和服务上的交互,从而提升管理方式,向客户提供创新式的个性化的客户交互和服务的过程。促进最终目标“吸引新客户、保留老客户以及将已有客户转为忠实客户,增加市场”的达成。AIGC(GPT-4)赋能通信行业应用白皮书 76 场景一:人性化智能的交互方式,促进客户信息收集 CRM 系统通过客户注册、客户主动填写个人资料、问卷调查等方式收集客户信息,虽然可以通过奖励积分等方式激励客户填写个人资料或进行问卷调查,但传统冗长的表单填写模式会让很多人望而却步。GPT-4采用更为人性化的提问方式进行问卷调查,同时可以根据客户的给出的答案,更为智能地选择向客户询问的问题,在问卷调查的过程中,若发现客户出现不满情绪,能及时进行安抚,最大程度保证问卷调查的顺利完成。例如:为了解 5G 网络用户普及和使用情况,收集对 5G 发展的建议,开展了 5G 服务的问卷调查活动,根据客户是否使用了 5G 网络,GPT-4 会聪明地选择不同的问题进行调研。图 3-27 GPT-4 人性化提问方式进行问卷调查 AIGC(GPT-4)赋能通信行业应用白皮书 77 场景二:知识图谱与 GPT-4 结合,更深入的分析,提供更准确的推理 GPT-4是一个强大的语言模型,但它在上下文、背景知识和推理方面存在局限性。知识图谱本质上是语义网络,把所有不同种类的信息连接在一起而得到的一个关系网络,因此知识图谱提供了从“关系”的角度去分析问题的能力。两相结合,一方面可以弥补 GPT-4 推理方面的局限性,另一方面可以用更人性化、友好且智能的方式将知识图谱的分析结果呈现给用户。例如:知识图谱根据收集到的某客户购买的电信套餐、消费记录、社交圈(通过分析话单获取)、调查问卷结果等信息,通过数据挖掘、信息处理、知识计量等处理,推理出此客户现在虽然使用的是 4G 网络,但对 5G 网络有一定兴趣,并且与之通话频繁的三个用户最近均开始使用 5G 网络,GPT-4 提醒客户经理,可联系此客户,推荐使用 5G 业务。图 3-28 GPT-4 结合知识图谱信息进行推理,为客户经理挖掘潜在客户 AIGC(GPT-4)赋能通信行业应用白皮书 78 场景三:GIS 与 GPT-4 的结合,提供智能化地址管理与服务 客户地址信息是客户关系管理的基础性关键信息,可以利用 GPT-4 辅助对地址进行采集、治理和管理,结合了 GIS 技术和 GPT-4 的优势,可在多个应用场景下实现智能化的地址管理与服务,提高数据准确性、业务效率和用户满意度。例如:多源地址合并:在采购的地址库与运营商自有地址库合并任务中,可以利用 GPT-4 的强大文本逻辑推理能力及地理知识库,辅助地址清洗人员实现地址库的准确合并,而不必出门踏勘。这一应用场景充分发挥了 GPT-4 的智能文本处理能力,减轻了地址清洗人员的工作负担,提高了地址库合并的准确性。图 3-29 GPT-4 智能文本处理实现多源地址合并 例如:用户地址匹配:在用户报装过程中,当用户口头报出自家地址时,可以利用 GPT-4 的能力,将其识别匹配为标准地址,从而快速实现报装地址的精确选择,提高业务办理速度和用户满意度。这一应用场景充分发挥了 GPT-4 的智能文本处理和地理知识库能力,实现了对用户需求的快速响应和解决。AIGC(GPT-4)赋能通信行业应用白皮书 79 图 3-30 GPT-4 智能文本处理实现用户地址匹配 场景四:GPT-4 虚拟智能同伴,促进客户关系的建立与维系 利用 GPT-4 创建一个虚拟的智能同伴,能够帮助客户经理以更加智能、自然和快速的交互方式分析潜在客户群和预测市场发展需求,为寻找新客户提供商业策略。GPT-4虚拟智能同伴基于收集、整理和分析的客户信息,在客户经理与目标客户交流的过程中,通过客户对话内容和说话语气,识别客户情绪,为客户经理提供可使用的对话策略,可推介的产品信息,可激发客户兴趣的话题以及可激发购买冲动的建议,并提醒调整交谈的语气和方式,从而更好了解客户的需求,进行响应,达到拓展新客户、维系老客户的目的。例如:一个新入职的电信政企客户经理,使用 GPT-4 了解工作职责,获取近期需要拜访的客户信息。AIGC(GPT-4)赋能通信行业应用白皮书 80 图 3-31 GPT-4 虚拟智能同伴应用案例 1 例如:为维系客户关系,客户经理通过电话交流的方式,主动为客户提供积分兑换服务,GPT-4虚拟智能同伴从旁协助,根据双方对话内容,及时提供应对策略。图 3-32 GPT-4 虚拟智能同伴应用案例 2 AIGC(GPT-4)赋能通信行业应用白皮书 81 3.1.7 商业智能 商业智能(Business Intelligence,简称 BI),又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。1996 年,BI 的概念被 Gartner 提出,并前后经历了三代发展。BI1.0 即传统BI 诞生于上世纪 90 年代。作为面向 IT 侧的报表平台,传统 BI 技术门槛较高,以 IT 为主导,业务需求匹配度较低。BI2.0 即敏捷 BI,以自助式分析为卖点,在2010 年以后进入快速发展阶段。敏捷 BI 面向业务人员提供自助式分析服务,但仍然存在一定技术门槛,需要耗费较大的时间和人力成本,不利于知识的沉淀和经验分享。2020 年以后,国外头部厂商掀起 BI3.0 浪潮,即智能 BI,结合人工智能技术,打造一种纯业务侧主导,基于自然语言处理能力的数据搜索与分析平台,开启报表零门槛、人人都是分析师的时代。国内商业智能市场经历十来年的发展,目前正处于敏捷 BI 的阶段。敏捷 BI提供包括图表模板、分析函数、可视化组件在内的部分工具供用户选择,虽较传统 BI 在自助化方面有所提升,但完全依靠人工经验进行选择和判断,费时费力。运营商在产品服务和渠道运营方面呈现出多元化的发展趋势,敏捷 BI 已无法满足数据分析诉求在数量、频率、交付周期、场景化的广度和深度以及准确性等方面的要求,亟需向智能 BI 演进。AIGC(GPT-4)赋能通信行业应用白皮书 82 图 3-33 智能 BI 增强分析 VS 敏捷 BI 自助分析 增强分析是智能 BI 的核心能力,支持更多不同的业务角色全程参与数据分析,并结合实际业务诉求把关分析质量与效率。BI 系统通过集成 GPT-4 能力,将从以下几个环节实现增强分析:1.需求输入方式的变更:基于 GPT-4 的自然语言理解和多轮对话能力,支持用户通过文字描述或语音输入的方式替代传统的手动拖拽。在大幅提升 Text2SQL 的准确性和及时性的基础上,自动将用户输入的自然语言转化为查询 SQL。2.分析方式的变更:结合业务需求,基于大模型对运营商私有数据进行训练,针对指标异常检测、多维度和多指标关联分析、根因分析、趋势和结果预测等细分领域生成场景化模型,开展自动数据洞察。3.可视化呈现方式的变更:将可视化比作是一种数据到设计的翻译,好的可视化也需要符合“信达雅”的标准。BI 系统基于 AIGC 的能力,结合用户意图和分析结果,自动生成并推荐可视化方案。一方面可以根据用户语言描述自动化生成报表,尤其是复杂的财务报表。另一方面 GPT-4 结合图形语法学,支持用户自定义任意图形,将自然语言所描述的绘制理 AIGC(GPT-4)赋能通信行业应用白皮书 83 念通过语法规则和复杂的语法结构生成代码表达;随着 AIGC 能力进一步发展,支持根据用户意图自动生成自定义的可视化结果。4.报告交付方式的变更:基于 GPT-4 的自然语言生成能力,对分析过程中获得的现象、原因、预测等要素进行文字描述,并结合可视化的图表进行合理布局,自动生成可交付使用的书面报告。场景一:GPT-4 赋能增强分析,实现智能化经营分析 以经营分析场景为例展示基于 GPT-4 的增强分析能力,面向业务人员和经营管理者提供数据问答服务。1.问题输入 用户通过文本或语音描述问题:“近半年上午流量收入平均值趋势情况”。BI 系统集成 GPT-4 能力,在准确理解用户意图的基础上,自动执行 Text2SQL 转换,查询相关报表,以折线图的方式反馈流量收入指标的波动趋势,并支持筛选运算方式和统计周期。图 3-34 BI 集成 GPT-4 实现数据问答 AIGC(GPT-4)赋能通信行业应用白皮书 84 2.数据洞见 系统提供数据洞见服务,支持同比、环比分析和异常检测,并通过GPT-4 对异常问题进行提示。图 3-35 BI 集成 GPT-4 实现数据洞见 3.洞见报告 结合 GPT-4 对异常现象、基本分析和原因探索的描述,系统自动生成洞见报告,以图文并茂的方式分章节进行详细阐述。AIGC(GPT-4)赋能通信行业应用白皮书 85 图 3-36 BI 集成 GPT-4 生成洞见报告 需要强调的是在增强分析场景中,全流程自动化是核心优势,将为运营商带来全新的体验和价值:l 以数据搜索或者数据问答的方式替代现阶段繁琐的人工操作,在数据分析过程中降本增效。l 最大程度降低 BI 使用门槛,彻底摆脱 IT 不懂业务、业务不会分析的窘境,让更多业务角色参与分析,为各类经营决策提供公正客观的数据依据。AIGC(GPT-4)赋能通信行业应用白皮书 86 l 随着数据民主化的推进以及分析和预测准确性的提高,无论是对内支撑还是对外合作变现,数据价值将进一步被挖掘。3.2 通信网络领域的典型应用场景 随着 5G 网络建设和业务发展逐步加速,在网络运营与运维领域,运营商正在面对巨大挑战。一方面,5G 在网络基础设施中引入 NFV、SDN、云原生架构等新技术,运营商的网络运营与管理工作的技术对象已经与传统的 2/3/4G 时代大不相同。另一方面,纷繁的业务场景组合要求 5G 能够提供按需分配,实时响应、端到端保障的网络体验,运营商的网络管理目标也已从“确保网络运行稳定”向“高效支撑业务发展”转变。这些变化为网络运营管理工作带来了前所未有的复杂度。电信网络运营商需要面向消费者和垂直行业客户提供全自动、零等待、零接触、零故障的创新网络服务与 ICT 业务,打造自服务、自修复、自优化的自智网络。但是由于通信网络数据海量多维异构、数据质量不高;知识领域较多、规则多,专业化程度复杂,缺乏知识提炼或表达;网络复杂、动态可靠性要求极高导致目前基于图像视觉及自然语言处理的 AI 技术距离 L5 级的网络智能仍有较大差距,因此以 GPT-4 为代表的 LLM 技术,在融合多模态后可能成为网络智能化实现革命性突破的重要机会,能够大幅提升网络自治的水平,助力 L5 级自智网络达成,同时也将为 6G 网络技术研发注入新的范式。下文围绕网络规建维优营全生命周期各领域梳理了 GPT-4 的一些应用场景。3.2.1 智能网络规划 网络规划包括规划目标建立、规划方案设计、规划仿真的全流程管理工作。涵盖从网络整体表现、产品运营战略、业务使用体验提升等角度建立规划目标。AIGC(GPT-4)赋能通信行业应用白皮书 87 通过连通规划目标和规划方案的能力(包括拉通环境数据、业务需求数据、资源数据的多维度分析能力),实现业务覆盖、容量、带宽等规划目标。通过仿真能力,实现规划目标的仿真验证。传统网络规划较为聚焦于网络覆盖、网络容量、拓扑结构、路径路由,缺乏对于网络价值、网络业务发展预测等多维度的综合分析,同时需要规划人员掌握较多的专业工具,如覆盖仿真工具、容量建模工具等。GPT-4知识引擎可以提供一站式综合性网络规划。规划人员仅需通过输入简单的规划意图并通过多轮交互的方式,较为高效的实现不同要求的网络规划,同时 GPT-4 也可给出专业规划工具的代码、脚本等,大幅提升工作效率。场景一:无线网络规划 无线网络规划是无线网络全生命周期管理中极为重要的一环,需要通过无线环境数据(如覆盖地形地貌,建筑物特征等)、业务需求数据、频谱数据等多维数据来规划目标区域的覆盖、容量等。现有常规无线网络容量规划方法数据来源单一,且不能根据用户需求意图及现有网络情况、用户价值及网络口碑等多种因素综合进行自动化网络容量规划。通过 GPT-4 可以将网络规划意图较为便捷转换为对区域覆盖、容量、价值收益的综合指标,从而得出规划