从美国科技巨头布局看大模型演进方向

2一、美股科技巨头、软件企业在AI领域的布局3资料来源：各公司官网，中信证券研究部美股科技巨头近期在AI领域的动作公司时间事件2022.11.2推出AI写作工具LaMDA

Wordcraft2023.1.2推出基于文本生成图像的AI模型“Muse”2023.1.28发布生成式AI音乐模型MusicLM2023.1.30向人工智能初创公司Anthropic

AI投资约3亿美元2023.2.3“未来几周或几个月”推出类似ChatGPT的基于人工智能的大型语言模型2023.2.6谷歌宣布将推出一款聊天机器人—Bard2023.2.9谷歌表示将推出由人工智能驱动的新搜索和地图功能2023.3.8谷歌发布五千亿参数语言大模型PaLM，并微调出跨模态模型PaLM-E2023.1.23开启对OpenAI的第三轮投资2023.2.2宣布将OpenAI相关产品导入旗下云计算、Office、Bing、Viva

Sales等产品中2023.2.7正式推出由ChatGPT支持的最新版本Bing（必应）搜索引擎和Edge浏览器微软2023.2.22宣布为iPhone和Android发布新的必应和Edge预览版应用程序，其中包括语音搜索和访问其AI聊天机器人等新功能2023.3.8微软宣布将发布集成ChatGPT能力的Office，并已经开始在Azure公有云服务中提供OpenAI模型2023.3.14OpenAI公开发布大型多模态模型GPT-4，与ChatGPT所用的模型相比，GPT-4不仅能够处理图像内容，且回复的准确性有所提高2023.3.16微软公司宣布将通过Microsoft

365

Copilot将下一代AI的强大功能引入其工作场所生产力工具1.1

美股科技巨头近期在AI领域的动作谷歌41.1

美股科技巨头近期在AI领域的动作OpenAI官网，微软官网，中信证券研究部微软三次投资OpenAI，推进公司人工智能水平。微软于2023年1月23日宣布将向OpenAI开展“多年、百亿级美元”的投资，此前在2019年微软已经投资10亿美元，并在2021年再次投资。此次合作后，微软将增加对超级计算系统的投资，在Azure中部署OpenAI程序，包括GPT、DALLE、Codex，同时微软将作为OpenAI的独家云提供商，Azure将为OpenAI提供所有的工作负载。旗下产品与ChatGPT深度融合，未来有望加速AI产业化落地。此次合作中，微软宣布将把OpenAI的相关产品介入到旗下云及其他产品中，我们认为此举对微软云计算以及其他业务的发展具备重要意义：1）强化Azure在AI领域的能力，丰富微软在语义等领域的实力。2）与旗下Office产品达成更强的协同，以ChatGPT为代表的相关产品对文字补写、代码辅助编辑等具备特殊优势。3）引入bing搜索，优化体验。微软将其引入搜索后，将对搜索结果的匹配以及体验带来改善。微软投资OpenAI历史微软战略布局AI的意义201920212023微软宣布投资OpenAI10亿美元，此时OpenAI更新GPT2模型，将参数从1.24亿提升至7.74亿。微软对OpenAI追加第二轮投资，OpenAI发布基于GPT3的能够连接图像与稳步的神经网络CLIP，发布从文标题创建图像的模型DALL·E。微软宣布将向OpenAI开展“多年、百亿级美元”的投资。云OfficeBing搜索强化Azure在AI领域的能力，丰富微软在语义等领域的实力。与旗下Office产品达成更强的协同，以ChatGPT为代表的相关产品对文字补写、代码辅助编辑等具备特殊优势。引入Bing搜索，优化体验。微软将其引入搜索后，将对搜索结果的匹配以及体验带来改善。OpenAI官网，微软官网51.1

美股科技巨头近期在AI领域的动作资料来源：智东西，谷歌TPU网站，中信证券研究部谷歌一直致力于AI技术的研发与实践，是该领域的领先者。2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大赛中战胜韩国职业九段棋手李世石，成为AI领域发展的标志性事件之一。从论文数量看，2021年谷歌有177篇论文被NeurlPS（目前人工智能算法的最高期刊）接收并发表，数量遥遥领先。TPU

+

Tensorflow软硬一体，构筑AI护城河。谷歌基于早期技术，在DistBelief基础上创造了Tensorflow的AI框架；同时，公司研发出专属Tensorflow的运算芯片TPU，以软件+硬件的形式，实现独特的AI技术能力。在神经网络算法方面，2017年谷歌推出的Transformer也逐渐成为了主流，为大模型的训练提供技术支持。谷歌TPU技术能力 全球商用AI框架市场份额结构（2021）AIwatch芯片名称发布日期性能 应用TPU 2016 28nm制程，主频700MHz 深度学习推理TPUv22017180TFLOPs浮点运算，64GB

HBM机器学习训练与推理，可以在Google

computer

engine运行TPUv32018420TFLOPs浮点运算，128GB

HBM更广泛的深度学习训练和推理EdgeTPU2018高吞吐量串流资料企业级机器学习任务，主要为AI推理TPUv2Pod每秒11.5千万亿次浮点运算、2019 4TB

HBM、二维环面网状 深度学习推理网络2019TPUv3Pod 32TB

HBM超过100千万亿次浮点运算、

深度学习推理0.0%5.0%10.0%15.0%20.0%25.0%30.0%35.0%40.0%TensorflowOpenCVPyTorchKerasOthers6资料来源：各公司官网，中信证券研究部主流软件企业广泛布局AI领域1.2

主流软件企业广泛布局AI领域子领域 公司 应用NLP（自然语言处理）Five9在其云联络中心利用人工智能作为虚拟客服，实时传递客户请求。RingCentral对话式人工智能AI

SmartAssist分析客户需求并帮助客户更快地获得响应。Zoom发布虚拟客服，建立全渠道联络中心，帮助客户将其人力用于更复杂的疑问。ZoomInfo使用对话智能技术来帮助企业达成交易并改善他们的销售流程。Qualtrics利用文本情感分析，通过其管理平台和应用程序，根据用户生成的数据创建报告。Sprinklr其客户体验管理(CXM)平台对来自多个渠道的非结构化数据利用人工智能进行文本情感分析，以了解客户是如何看待一个品牌的。计算机视觉Appian利用计算机视觉进行图像处理和信息&数据提取，打通工作流程自动化的全流程AdobeSensei将计算机视觉进一步扩展到设计空间，作为Adobe

Experience和Creative

Cloud平台中的AI应用层ServiceNow通过其自动化引擎(包括RPA

Hub和文档智能应用程序)

，允许用户实现人工智能驱动的计算机视觉任务监控和工作流自动化。7资料来源：各公司官网，中信证券研究部主流软件企业广泛布局AI领域1.2

主流软件企业广泛布局AI领域子领域公司应用预测模型Zeta在Zeta数据云上构建预测建模应用程序，允许用户全面收集客户信息，并全面分析留存行为等。Salesforce利用其人工智能产品Einstein，通过销售云平台为销售团队提供了广泛的预测建模用例。异常检测Datadog其Watchdog引擎自动检测关键运行状况性能异常，通过自动化分析解决代码问题并确定问题依赖关系，还可以修复工作流问题并发现延迟异常值。Splunk自动关联事件以缩短其平均解决时间；提供异常检测以在问题影响性能之前预测和预防问题；其机器学习工具包为用户提供了监控和生成警报的能力。Elastic使用AI/ML分析最终用户、基础设施和应用程序监控数据来检测异常，并加速问题解决。PaloAlto

Networks在安全方面使用异常检测技术，为云提供防火墙和保护产品。CrowdStrike利用AI/ML进行异常检测，以实现网络安全解决方案。81.3

AI产业结构资料来源：海外独角兽微信公众号，中信证券研究部AI产业结构硬件云服务大语言模型自然语言：NLP开发、文案生成（电商/新闻/法律）、对话机器人（销售客服/情感陪伴）、笔记机器语言：代码生成（关注版权问题）、RPA交互生成多模态模型图片：图片生成、图片识别、3D建模生成音视频：音频识别、音视频剪辑、音视频生成、Avatar生成算法应用基建层GPT-3CodexDALL-E

2AlphaZeroAlphaFoldGatoBERTViTDreamFusionResNetOPT-175BMake-A-VideoConstitutional

AI工作流模型获取数据准备模型训练模型评估模型部署模型监控智能控制：机器人、自动驾驶、边缘计算&联邦学习AL

for

science：医学、物理、化学、材料科学AI安全：模型安全、可控生成、AI可解释性91.3

AI产业结构资料来源：海外独角兽微信公众号，中信证券研究部机器学习工作流拆解查询工具:Hive,Presto数据科学工具:Spark,Numpy,Pandas数据科学平台Jupyter,Databricks,Sagemaker,Colab工作流管理：Prefect,Airflow数据标注（y）Sacle,Snorkeloutput:矩阵(X，y)role:数据工程师output:模型f(X，y)role:数据科学家output:f(X_hat)

→y_hatrole:算法工程师output:产品生产环境role:后端工程师数据准备模型训练模型部署产品整合特征仓库（X）Tecton,Feast模型库Hugging

FaceML框架：Scikit-learn,XGBoostDL框架：Tensorflow,PyTorchRL框架：Gym,Dopamine分布式计算：Ray(Anyscale),Dask实验管理（模型性能）WeightandBias,

Neptune模型监控（模型可用性与解释性）Arise,Fiddler,Arthur,WhyLab模型部署和serving(使用性能）BentoML,OctoML,Tensorflow/Pytorch/Ray

ServingML

APIsOpenAI,Cohere,AWS,Azure产品向量搜索数据库PineconeData

OpsData

InfraETLBI

Tools10二、科技巨头大模型比较及格局推演11OpenAIChatGPT发展历程2.1

ChatGPT：加入人类反馈学习，优化问题、答案之间匹配精准度2018.6 2019.1 2020.5

2022.1

2022.11

2023.3GPT-1 GPT-2GPT-3InstructGPTChatGPTGPT-4参数量1.17亿 15亿1750亿13亿未公布未公布模型更新在大规模数据上对Transformer

模型进行无监督预训练，再在小规模有监督数据集

解决零次学习问题上精细调节。

（zero-shot），使得该模型在测试常识推 模型更具通用性。理和阅读理解的数据集上获得了最先进的结果数据量指数级增加，可利用少量样本学习，引入RLHF，微调后能更好地遵循用户意图，泛化能力极大提升。在数据收集设置上优化连接大量真实语料库，能够支持多轮对话、结果修正，人机交互效果更好、更快、更高效。模型处理复杂问题的能力进一步提升，同时解决了部分对于办公软件最重要的多模态输入问题。贴近人脑学习模式。此外，基于GPT-3模型微调在其他领域包括代码生成、图像生成、数学算数等产生了应用。12ChatGPT的技术逻辑：RLHF的主要改变在于人工监督数据与调整后的奖励模型2.1

ChatGPT：加入人类反馈学习，优化问题、答案之间匹配精准度OpenAI13OpenAI，中信证券研究部

注：纵轴为与真实答案的最大相似度RealToxicity数据集likehoodOpenAI，中信证券研究部

注：纵轴为与真实答案的最大相似度Hallucination数据集likehoodOpenAI，中信证券研究部

注：纵轴为与真实答案的最大相似度TruthfulQA

数据集likehoodOpenAI，中信证券研究部

注：纵轴为与真实答案的最大相似度Customer

Assistant

Appropriate数据集likehood2.1

ChatGPT：加入人类反馈学习，优化问题、答案之间匹配精准度0.240.230.220.210.20.190.180.17GPT有监督微调InstructGPT0.450.40.350.30.250.20.150.10.050GPT有监督微调InstructGPT0.450.40.350.30.250.20.150.10.050GPT有监督微调InstructGPT0.920.90.880.860.840.820.80.780.76GPT有监督微调InstructGPT14资料来源：本页所有图片均来自OpenAI2.1

GPT-4：增强求解能力、多模态、安全性GPT-4相比于3.5在大多数AP考试科目上都取得了显著进步加入了更多人类生成数据以及专家数据多模态能力成为GPT-4加入的新亮点安全性提升与编造内容的减少152.2

微软的商业化途径：云计算层面微软AI在自身的商业化资料来源：微软官网微软提供OpenAI

Service服务，提供OpenAI系列Model的Fine

Tuning、部署、推理、监控等全方位服务，而Azure与AI相关的机器学习平台、数据湖仓等工具亦将配合产生作用。我们认为，与OpenAI的全面合作将有助于快速提升公司在AI

PaaS领域的市场份额，推动相关收入和整体利润率提升。162.2

微软的商业化途径：软件层面软件：AI渗透率每提升10%预计对应百亿美元收入增长1、产品功能付费用户数（亿）用户AI能力订阅费用/月（美元）Github代码托管&编写0.9510office

365文档编辑410Teams视频会议2.810powerapps流程自动化等110合计8.752、敏感性测试:用户AI订阅率微软年新增收入（亿美元）1%112%215%5310%10515%15820%210资料来源：微软公司财报，中信证券研究部测算会议产品-Teams

premium：Teams

Premium定价为10美元/User，在2023年7月前提供30%的折扣。相较于基础版本产品，Teams

Premium最大的亮点就是Chat

GPT能力的融入。代码托管&编写-GitHub：GitHub

Copilot由OpenAI

Codex模型进行赋能，伴随GPT模型的持续更新，Copilot底层的模型能力亦将快速迭代升级，一方面将加速Copilot功能的渗透；另一方面将有利于Devops流程向GitHub平台的迁移，使微软在Devops环节获得更大份额。文档编辑-Office：OpenAI

GPT模型和Office

Word、Outlook和PowerPoint等套件的整合将加速客户向E3/E5版本的迁移进程，进而加速Office

365客户ARPU的提升。每10%

Office

365

E3席位向E5席位的转化将带来50亿美元以上的业绩增厚。ERP&CRM产品-Dynamics

365：Viva

sales定价为40

USD/用户/月。集成ChatGPT能力后，Viva

sales能够为各类场景自动生成建议的邮件回复内容，这种集成将助力Viva

sales的推广，进而提升微软在CRM市场的整体竞争力。17Bing微软上线新版Bing搜索引入GPT能力2.2

微软的商业化途径：在线搜索层面资料来源：七麦数据浏览器Edge下载量爆发式增长，Bing份额提升值得期待搜索广告份额每提升1pcts，则对应收入增长20亿美元。2022年，全球整个数字广告市场超过5万亿美元，微软最大的两个数字

广

告

业

务

是

搜

索

和

新

闻

广

告

以

及LinkedIn。根据emarketer数据，全球在线搜索&新闻广告市场规模在2000亿美元以上，未来若Bing在在线搜索市场份额每提升1pct，预计对应增厚公司广告收入约20亿美元，与当前公司在全球搜索市场大约3%的市占率相比，远期空间值得期待。18Google谷歌大型语言模型总结2.3

谷歌：大模型储备丰富，有待商业化落地LLM描述主要用途BERT基于Transformer的双向编码器表示；2019年首次推出，并整合到谷歌搜索。改进的自然语言处理，以回答更复杂的搜索查询LaMDA对话应用语言模型；建立在Transformer上的神经语言模型，基于对话的文本进行训练，能够进行更多开放式对话；在谷歌

I/O

2021首次亮相，LaMDA

2在一年后(谷歌

I/O

2022)亮相。基于开放式对话的文本生成PaLM基于谷歌提出的下一代

AI架构Pathways训练，支持泛化任务的处理；单一模型能够很好的支持语言理解和生成、推理、模式识别、翻译、代码生成等不同功能。使单个模型具备领域泛化和任务泛化能力Sparrow在互联网文本数据上进行训练并针对对话进行优化；利用RLHF来改善其行为并出现降低不正确答案的风险。与用户交谈并回答问题，同时实时使用谷歌搜索出相关的信息来支持它的答案19OpenAI与Google大型语言模型研发历程2.3

微软vs谷歌2018年6月OpenAI发布基于TransformerDeconder的GPT-1，1.1亿参数2019年2月 2020年5月OpenAI发布GPT-

OpenAI发布GPT-2，15亿参数 3，1750亿参数2022年3月OpenAI发布InstructGPT，用到Instruction

Tuning和RLHF2022年12月OpenAI发布ChatGPT2017年6月Google发布Transformer，成为后来所有LLM的基础架构；DeepMind提出RLHF方法Google，OpenAI2018年10月Google发布编码器的BERT（最大3.5亿参数），用于微调下游任务2019年10月Google发布基于TransformerDecoder的T5，兼容BERT和GPT的下游任务2021年10月Google发布FLAN，转向2021年11月DeepMind发表decoder-only，

参数），加LLM提出Instruction

大战Tuning2022年1月Google再发LaMDA其具有“意识”2022年4月 2022年9月Google发布PaLM

DeepMind发布Gopher（2800亿

（1370亿参数），称

（5400亿参数， Sparrow，加入decoder-only），

RLHF和Retrival提出神奇的思维链

（Google

Search）OpenAI与Google部分大型语言模型对比LaMDASparrowChatGPT/

InstructGPT组织GoogleDeepMindOpenAI能否公开访问否否有限参数量1370亿700亿1700亿/13亿预训练语料库大小（词数）2.81T1.4T未知模型是否可以访问网络是是否有监督微调有有有RLHF无有有人为制定的安全规则有有无Google，OpenAI202.3

微软vs谷歌21为什么不是谷歌2.3

微软vs谷歌关键因素技术路径OpenAI 谷歌同一路线，资源聚焦：明星众多，内部赛马，资源分散：从

18

年

起

一

直

沿

着

GPT

路线持续发力

，

通过

采用赛马制，多个模型的团队，方向分散GPT1/2/3/3.5，InstructGPT的不断技术探索。科研思维以产品为导向，形成数据飞轮：积极推出产品，迅速获取用户，获取用户反馈数据训练出更好的模型，实现良性循环。OpenAI发布GPT-3后迅速开放商用API服务，获取真实用户数据。ChatGPT的训练过程：采用GPT-3API获取的真实用户请求微调基础模型引入RLHF训练机制，采用人工标注的数据，通过人类的反馈，针对性地进行模型优化。注重发论文，成果未做产品化：在研发过程中未引入真实用户数据，而是科研人员自己编写的指令。模型路线选择：发布了很多模型：语言模型PaLM、GLaM、对话模型LaMDA、LaMDA2等，但都未产品化。DeepMind以前重点关注AI4S，2021年才重视大模型方向，研发的基础语言模型Gogher、Chinchilla和对话模型Sparrow均未产品化。资料来源：智源研究院，中信证券研究部222.4

产业影响：向传统搜索引擎为主+大语言模型为辅演变Google将ChatGpt以侧栏模式作为对传统搜索引擎的补充目前ChatGPT的技术路径难以在较短时间内解决搜索成本的问题，因此从分场景限制用量的思路出发，中短期内ChatGPT可以通过部分技术改进辅助传统搜索引擎实现用户体验大幅提升。ChatGPT的成功不会给搜索产业带来颠覆性的新入局者，但会推动谷歌等搜索巨头加快迭代大语言模型辅助传统搜索引擎的新格局。Deepmind将答案产生来源的引用注明给用户，使其快速检验回答的可靠性232.4

产业影响：使AI算法模型迈向新阶段资料来源：中信证券研究部绘制AI算法模型发展历史及对应表现ChatGPT的成功一改往日大模型依靠堆积数据量的训练方式，RLHF（人类反馈强化学习）和Reward

model（奖励模型）是其核心训练逻辑。ChatGPT的成功推动AI算法模型展现出更加明晰的发展脉络，使行业迈向了兼顾经济性与可使用性的新发展阶段，展望未来，模型开放+快速优化迭代或将成为AI实现大规模应用落地的终极发展形态。24OpenAIOpenAI商业模式：目前以API调用、出售Token等为主2.4

产业影响：有望加快AI产业商业化落地进程GPT-4ModelPromptComletion8K

context＄0.03/1K

tokens＄0.06/1K

tokens32K

context＄0.06/1K

tokens＄0.12/1K

tokensChatModelUsagegpt-3.5-turbo＄0.002/1K

tokensInstructGPTAda(Fastest)＄0.0004/1K

tokensBabbage＄0.0005/1K

tokensCurie＄0.0020/1K

tokensDavinci(Most

powerful)＄0.0200/1K

tokensFine-tuning

modelsModelTrainingUsageAda＄0.0004/1K

tokens＄0.0016/1K

tokensBabbage＄0.0006/1K

tokens＄0.0024/1K

tokensCurie＄0.0030/1K

tokens＄0.0120/1K

tokensDavinci＄0.0300/1K

tokens＄0.1200/1K

tokensEmbedding

modelsModelUsageAda＄0.0004/1K

tokens25开源社区追赶LLM模型时间线2.5、格局演变：技术资本积累丰厚，科技巨头有望占据主导地位资料来源：海外独角兽微信公众号，中信证券研究部2021年9月FLAN（137B）2022年3月Chinchilla（70B）2022年5月OPT（175B）2022年8月GLM（130B）2020年6月GPT-3（175B）2022年1月LaMDA（280B）2022年4月GPT-NeoX（20B）2022年6月BLOOM（176B）闭源模型 开源模型开源vs闭源：由于具有资本、研发、用户等多个维度的领导地位，科技巨头一般引领基础大模型的发展，一般情况下科技巨头会选择将落后一个版本的模型开源（比如GPT-2开源，GPT-3则为闭源）；此外其他一些创业团队或者科研组织也有可能会贡献开源模型，在Hugging

Face这类开源社区供开发者调用。整体上来说，由科技巨头主导的闭源模型在技术上更为领先，而开源模型由于能够灵活调整、自行优化也会有对应的需求（比如国内多数互联网厂商基于BERT进行开发）。科技巨头vs创业公司：由于能够在模型、算法层面实现引领，同时在基础设施等层面优势巨大，科技巨头将主导AI产业的发展。而创业公司有望凭借下游细分场景下独特的数据优势实现差异化的应用创新，比如基于生物医药的数据辅助进行医疗类文档的生成等等。262.5、格局演变：技术资本积累丰厚，科技巨头有望占据主导地位a16z，中信证券研究部大模型生态ChatGPT产业结构End-to-End

Apps具有专有模型的面向最终用户的应用程序如:Midjourney,

RunwayApps没有专有模型的面向最终用户的B2B和B2C应用程序如:

Jasper,

Github

Copilot闭源基础模型通过API公开的大规模预训练模型如:

GPT-3

(OpenAl)模型中心共享与托管模型如:

Hugging

Face,

Replicate开源基础模型如:

Stable

Diffusion

(Stability)云计算平台在云部署模型中向开发人员公开的计算硬件如:

AWS,

GCP,Azure,

Coreweave计算硬件针对模型训练和推理工作负载优化的加速器芯片如:

GPUs(Nvidia),

TPUs

(Google)下游应用算法模型算力基础算法模型算力基础下游应用27附录：美股科技公司财报中AI相关表述28资料来源：微软2022Q4财报业绩发布会，中信证券研究部微软财报中相关表述美股科技巨头财报表述：微软战略：我们正在见证基础模型能力的非线性改进，我们正在将其作为平台能力提供。随着客户选择他们的云供应商并投资于新的工作负载，我们完全有能力抓住成为AI领导者的机会。我们在云端拥有最强大的人工智能超算基础设施，OpenAI等客户和合作伙伴正在使用它来训练最先进的模型和服务，包括ChatGPT。平台：就在上周，我们宣布了Azure

OpenAI服务的公开可用，已经有超过两百多个客户开始使用，我们将很快添加对于ChatGPT的支持。合作：我们宣布完成了与OpenAI的下一阶段协议，很高兴成为他们的独家云供应商。随着公司继续推动人工智能最先进的技术，公司将在消费者和企业产品中部署OpenAI的模型。应用：GitHub

Copilot是为这一时代构建的第一个大规模AI产品，从根本上改变了开发人员的生产力。到目前为止，已有100多万人使用了Copilot。本季度，我们将Copilot引入企业，我们看到了Duolingo、Lemonade和大众汽车等公司的强烈兴趣和早期采用。应用：我们在RPA方面处于领先地位，Power

Automate拥有45000多名客户（同比增长超过50%），我们正在让所有人都更容易实现重复任务的简化，引入新的人工智能功能，将自然语言提示转化为复杂的工作流程。基础设施：我们从根本上相信，下一波大的浪潮将是人工智能主导；我们还认为，只要能够抓住这些浪潮，然后让这些浪潮影响我们技术堆栈的每个部分，并创造新的解决方案和新机会，就能创造更多企业价值。在过去3-4年，我们一直在非常努力的构建训练基础设施，现在也在构建推理基础设施。因为一旦你在应用程序中使用AI，它就从繁重的训练任务变成了推理任务。因此，Core

Azure本身正在为核心基础设施业务的演进而进行转型。29资料来源：谷歌2022Q4财报业绩发布会，中信证券研究部谷歌财报中相关表述美股科技巨头财报表述：谷歌领先地位：人工智能是我们今天正在研究的最深刻的技术。随着人工智能达到拐点，我们才华横溢的研究人员、基础设施和技术使我们处于非常有利的位置。6年多前，我第一次谈到谷歌是一家AI-first

company。事实上，我们2017年提出并发布的Transformer，以及我们在扩散模型方面的开创性工作，是许多生成式人工智能应用的基础。近期动作：将这些技术飞跃转化为帮助数十亿人的产品，是我们公司一直在努力的目标。我们将在符合原则和标准的前提下大胆地开展这项工作，在接下来的几个月里，您将看到我们在三大领域的巨大机遇：1）大模型，我们此前已经发布了LaMDA和PaLM的研究成果，其中PaLM是业界最大、最复杂的模型。在接下来的几个月内，我们将从LaMDA开始陆续提供这些语言模型，人们从而能够直接参与其中。这样就能够帮助我们持续获得真实世界的反馈、测试并安全地改进模型。在搜索方面，BERT和MUM等语言模型已经改进了4年的搜索能力，包括显著优化了搜索排名及融入Google

Lens等多模态搜索。很快，人们将能够与我们最新、最强大的语言模型直接交互，以实验和创新的方式作为搜索伴侣。2）开发工具，公司将为开发人员、创作者、合作伙伴提供全新的工具和API。这将使得他们能够创新和构造自己的应用程序，并在我们的语言、多模态和其他人工智能模型之上发现人工智能新的可能性。3）其他方面，谷歌云正在通过Cloud

AI平台向客户提供领先的技术输出，包括基础设施和Vertex

AI等为开发者和数据科学家提供的工具。我们还为制造业、生命科学和零售业等行业提供特定的AI解决方案。Workspace用户也将受益于AI驱动的功能，比如用于协作的Smart

Canvas和用于创作的Smart

Compose。我们正在努力将大模型融入Gmail和Docs，我们还将提供从编码到设计等其他有用的生成功能。DeepMind：谷歌人工智能和DeepMind将是“AI-first

future”不可或缺的组成部分。为了反映DeepMind与谷歌服务、谷歌云和Other

Bets合作的日益加强。从Q1开始，DeepMind将不在Other

Bets中报告，而将作为Alphabet公司成本的一部分报告。搜索集成：在搜索方面，现在我们可以在搜索中集成更多直接的LLM用例。我认为这是一个重新思考和重新想象的机会，并推动搜索为用户解决更多、更好的用例。所以在早期，你会看到我们很大胆的发布，得到反馈、不断迭代，让事情变得更好。是30资料来源：Meta2022Q4财报业绩发布会，中信证券研究部Meta财报中相关表述美股科技巨头财报表述：MetaAI

discovery

engine：Facebook和Instagram的推荐内容正在从仅围绕你关注的人和账户，转向越来越多地展示我们的人工智能系统推荐的相关内容。生成式AI：生成式AI是一个令人兴奋的新领域，有很多不同的应用。我对Meta的目标之一是在我们研究的基础上，除了我们在推荐AI方面的领先工作外，也能成为生成式AI的领导者。我们有很多贯穿各类产品的业务流程都在使用新技术，特别是LLM大语言模型和用于生成图像、视频、3D资产等的扩散模型，致力于能够真正增强创作者在应用中的生产力和创作力的事情。我知道这里存在着一些令人非常兴奋的东西，但我想强调的是不要太过超前于它的发展。所以我想今年大家会看到我们会推出一些不同的东西，我们会谈论他们并分享他们的最新进展。我确实预计这个领域将能够迅速发展，我想我们会学到很多关于什么是有效的、什么是无效的。在生成式AI领域很多东西都很昂贵，比如生成图像、视频或聊天互动。所以一个巨大的、有趣的挑战是我们将如何扩大规模，使这项工作更有效率，从而我们可以将它带到更大的用户群中。但我认为，只要我们能够走到，就会有许多令人兴奋的用例产生。我们将在未来几个月分享更多的细节。资本投入：我们仍在计划大幅提高AI能力，目前资本开支的激增实际上是由于人工智能基础设施的建设。我们会衡量这些AI开支的投资回报率并为未来的开支提供信息。我们的意图仍然是降低资本开支占收入的比例，但最近的时间内，这实际上将部分取决于收入前景和我们为投资未来而进一步建设AI能力的需求。31资料来源：英伟达2022Q4财报业绩发布会，中信证券研究部美股科技巨头财报表述：英伟达英伟达财报中相关表述H100：仅在第二季度，H-100的营收就远高于A100，而A100的营收则连续下滑。这证明了H-100的卓越性能，在训练方面比A100快9倍，在基于transformer的大型语言模型推理方面快30倍。H-100将服务于大型语言模型推理的开发和规模化。人工智能：人工智能的应用正处于一个转折点。Open

AI

的

ChatGPT

已经引起了全世界的兴趣，这些新型的神经网络模型可以在广泛的任务中提高生产率，无论是生成文本(如营销文案)、汇总文档、为广告或视频游戏创建图像，还是回答客户问题，创成式人工智能应用将帮助几乎每一个行业做得更快。具有超过1000

亿个参数的生成性大型语言模型是当今世界上最先进的神经网络。英伟达的专业知识涵盖人工智能超级计算机、算法、数据处理和培训方法，能够将这些能力带到企业中。我们期待着帮助客户创造人工智能机会。