人工智能AI将如何影响软件行业

▍报告缘起在过去的半年里，我们见证了70年以来I产业最为快速的发展，据maWeb的数据显示，2年1月在美国推出的ChaGT，仅在短短2个月内活跃用户规模便突破1亿大关成为全球历史上用户增长最快的消费者应用在下游应用领域微软宣布ChaGT导入到ureOfceng搜索等产品线中谷歌亦宣布基于自身的语言大模型推出类似ChaGT的相关产品ard并将I能力导入旗下的办公产品orkspce中，I和软件产业正在快速融合。图：tPT月活亿所时（月）tGTTiTok微信ItmFakTitr0 0 0 0 0 0 0 资料来：smilab图：微软宣生式I助手ilt对csft5工具套进升级资料来：软ilt发布会全球科技巨头纷纷涌入I市场显示了I产业化进程的全面加速并将I能力逐渐融入各类软件服务中这场以底层技术为基础的I升级换代对当前软件行业的服务模料将产生显著影响。我们分析认为人工智能技术、软件服务之间存在天然的相关性篇报告将以美股软件巨头在I领域的产品布局为起点，系统性地探讨I和软件的可能融合方式，以及中长期维度，I将如何影响、乃至改变软件产业。▍算法模型I巨头从开源走向闭源软件厂商需要有所选择少数科技巨头正在引领I基础模型的发展。回顾近十年的人工智能模型发展，我们发现I技术提供商数量稀少且进入门槛不断提高这主要是因为从7年起人工智能研究从小模型转向大语言模型，导致模型体量成倍增加，需要更多GU算力和配套设投入，大量的前期资本投入以及过长的回报周期阻碍了许多新进入者。图：从7年开始，工智的底层究从模型为了模型资料来源：绘制大模型时代模型体积几何式增长导致前期投入过高成功者往往依赖科技巨头的资金数据等支持在过去五年内我们看到成功的人工智能独角兽都在寻找互联网科技大厂作为其背后的依靠，主要因为：1）能够得到充足而短时间内不求产出的资金支持；2）依靠互联网大厂的公有云等相关资源进一步降低成本；)获取互联网大厂长期以来所积的优质数据源。图：从8年到2年，人智能模体积长了0倍资料来：SWO,图：目前成的人智能角都离不互联大厂资金持资料来：SWO,大模型研发的高门槛让头部少数I厂商占据主导权，并开始从技术研发向商业化落地迈进从ert开始到G3再到谷歌的L人工智能技术的发展潮流始终由pnI、谷歌等少数几家巨头主导其他厂商根据先行者的开源资料以及相关论文进行模仿并创新但从OpnI发布G-3走向商业化盈利开始，谷歌也迅速效仿，不再公布T5模型及后续版本的细节头部的I厂商希望将自身的技术优势构筑为商业化能力的核心壁垒以延长后来者的追赶时间。图：谷歌微软在2年发布约的大言模相关学论文0资料来源：NeurIPS，表：从T3开始，谷与OAI的主要型都再公访问LMDASparwPMEGPT系列模型组织Gleind谷歌OAI能否公访问否否否有限参数量0亿0亿0亿0亿及以上预训练料库小（词）.T.T0亿knGP3近0亿kn模态文字文字多模态 P4具备多模训练硬件4块TP3基于P/4预计P4使用千余英4块TP4伟达产品化度BAD机器人Aicst5iltA icstAeicstBing资料来源：谷歌、微软、OpenAI官方技术博客，人工智能头部厂商从开源走向闭源，利用其综合优势来保持持续的领先。谷歌与OpnI作为行业内的技术领先者已经明确选择了闭源模式：本次OpnI推出-4的形式与以往模型的发布都有所不同OpnI既没有公开发布G-4的相关论文也没有提供详细的框架说明，仅仅提供了一份8页的技术文档（主要描述模型能力以及相关测的得分几乎没有任何技术细节通过这一方式pnI阻断了所有借鉴者参考的直接途（模型大小数据集构建训练方法等将闭源的路线坚持到底通过这一方式，OpnAI迫使想要融入G-4能力的软件服务商与其合作，OpnI提供对应的I接口以及部署指导。图：OI在文档明确只会与作方享模具体实细节资料来：OIPT4技术档相较于头部I厂商，追赶者更倾向于通过培养开源社区，共同迭代模型以缩小和头部厂商的差距头部厂商闭源模型后落后一到两个身位的公（maoNIDIA等可能会选择开源路线寄希望通过社区的力量加速迭代。目前大语言模型开源社区主要贡献者包括NIDIA以及Hugngface等通过分享部分模型与大语言模型相关的知识培训逐渐培养起了一批开源开发者a于3年3月发布了其新一代大语言模型LA并将源代码开源给社区。社区用户及企业可以免费使用公开的模型以及数据源，但受证书限制不能用作商业用途。表：当前主的开大语模项目及基础型名称基础模型训练方法数据集AlpcaAlpcatGGM自定义据集（T)llyGPTJBAlpcaBlleBlomAlpc自定数据（)OtKitGPTEOOIFasttAsGPTK)tllGPT.5生的k数据集资料来：Git，面对当下情形软件服务商需在与闭源头部厂商合作或选择免费开源方案之间做出抉择。在见证了ChaGT的成功后，拥抱I能力成为了软件服务商的普遍共识。Gartner预计到5年，生成式人工智能将占所有生成数据的%。由于底层大语言模型的高门槛，只有部分科技巨头有能力完全自研底层模型而绝大多数软件服务商需要在成为闭头部厂商的合作伙伴与使用自有数据在开源项目的基础上开发之间做二选一的抉择。表：部分软提供结合I能的尝试基础能力工具特征Atr生成图，可择主的年、别in文本到片转换AE创建、辑图，并供商权来创造容igtfe生产具不同格和辨率项艺术图图像生成-场、设计、产

创建具有不同风格、长宽比等选项的艺术品，并对制作的内容拥有完全sti的所有权lomind 如果需，允根据影场、术品或他图创建色板sigsi 生成标和横，提设计板并能将成的目导为不的FtyI 创建与动设和EO需求的网站Kma 允许培个性的算来创真的调色板id 根据草创建动应程序网或登陆面的计允许将博客文章转换为视频；提供>5个头像，为客户制作个性化的头Elai像视频生成-场

Fleclip 支持视创作提供频编工，如添转场过滤或删背等m5 提供模，以建基演示稿在线会记录视频Stsia 实现文到视的转；提供>0个头像提供>5种语的服V.io 视频生和编，添字幕去背景噪，调视频小资料来：各司官，图：人工智重构件产中层：从作坊发展向工化路资料来：绘制软件提供商选择闭源厂商方案的优缺点分析：与开源方案相比，闭源大厂技术更为领先：目前开源项目的准确度仍不及年发布的前代模型G-5与a软件提供商与闭源大厂成为合作伙伴会得到更加可靠的模型支持对于数据存量较大且存储种类较为复杂的行业来说闭源厂商的模型更能保证在大规模应用场景下的稳定性。以3年3月a开源的A为例最大参数量B的A模型在准确率上与1年谷歌闭源发布的aM模型差距明显。图：ta开源的A模型果好于PT3但与大参量的PM差距明显资料来：a公布的A论文闭源大厂为软件服务商封装中间技术细节简化训练部署等环节降低软件商技术难度并提升接入开发效率与闭源大厂合作大幅简化了软件服务商署大语言模型的难度。由于大型I模型通常需要强大的计算能力和资源，大数企业和个人难以承担部署和运维成本与此同时模型的推理环节可以通过编语言对底层CUDA加速框架进行优化以降低推理成本而大部分企业不具备一层面的能力和经验针对上述问题闭源大厂可以通过云服务平台将复杂的术问题进行封装，使软件服务商无需关注底层实现，直接使用I模型并根据身业务对模型进行微调此外闭源模型会直接提供一步到位的I端口软服务商直接将I接入到软件中就可以使用。图：闭源大厂提供准的PIky以便用接入资料来：OI官网与闭源大厂合作的潜在顾虑：昂贵的成本、用户隐私数据安全等。在与软件服务商的合作方案上，OpnAI按照使用量来收费。对于数据密集型行业来说，GB数据的处理需要花费超过0美元此外另一个顾虑在于数据源并不掌握在企业自身手中对于数据隐私程度较高的场景目前相关的数据隐私与安全监管仍然不完善。图：对于大型业客，OAI根据模（cl）收费资料来：OI官网基于开源方案自建大语言模型的优缺点分析：基于开源方案自建大语言模型使资金投入更加灵活与可控目前开源社区中基于Mlpcaoom等的开源项目都是免费提供尽管限制商业化用途但企业可以通过提取权重的方式进行规避根据自身的数据规模以及相关业务对于准确度的要求，企业可以灵活控制对硬件采购的投入以及相关训练成本的支出。与此同时，市场也出现了诸如Coossa-I等开源解决方案，致力于优化底层推理和训练的效率。表：根据企自有据量不灵活选需要硬件张量模型注意头隐藏层注意头隐藏层层数并行大 rFlO/sper FLO/s的（亿）小并行大小数量大小GPUpeFLO/s百分比.711.4.621.8.541.2.481.6.182.8.184.8.688.1.18.4.68.2.08

管道模型

GPU 批量

chid

理论峰值

实现聚合资料来源：a16z，开源方案可将数据留在本地最大限度地保护用户隐私和数据安全对于数据全至关重要的行业，确保数据隐私是选择基于开源方案自建的最大理由。年4月，意大利就因为担忧数据隐私与保护监管的制度不完善禁止企业使用ChaGT三星亦因担心内部资料泄露问题限制了部分部门对ChaGT的访问尽管目前相关限制并未涉及I和模型实例的使用但基于数据隐私的考虑基于开源方案自建是企业的最优选择。图：4月初，大利于对tGT数据隐私关的忧宣用tGT资料来：BC开源方案的潜在问题社区不成熟模型迭代速度慢与闭源模型技术能力存在明显差距。目前大语言模型开源社区主要的推动者包括a、Hugngface、NIDIA等但如a只开源了部分模型以及语料数据且受限于大语言模型高门槛开源社区的活跃用户无法与其他小模型相比在这种情况下短时间我们很难看到开源模型通过社区迭代发生能力上的飞跃开源社区仍然需要头大厂花费更多精力与资源对开发者进行培训与课程教育。图：infce是大语言最大的源项之一但也拥有1万用户资料来：Gitb小结总结而言对于拥有海量经授权的垂类数据充裕现金流以及直接落地场景软件大厂适合基于开源模型进行I能力的构建，比如oombrg基于LOOM（G-3变种）的纯解码器因果语言模型构建了ombrgGT，其训练数据集为超过0亿个标签数据的大型训练语料库，金融数据集包含0亿个标签，占据%的训练集。海量的垂类经授权语料（网页、新闻、公告、新闻、彭博自有数据，在情绪分析、风险管理、知识图谱、配置建议等方向的直接落地场景，以及相关人才、资源的稳定支持使得oombrg基于开源模型训练I能力具有充分的价值类似的我们认为生命科学CRM&研发管理领域的ea亦有能力基于经授权的垂类语料赋能医疗CR、药物研发流程管理环节。当然，对于不满足以上三项条件的厂商，直接接入闭源模型应为理论上最优的解决方案值得一提的是对于aesforceWokday等平台型应用软件厂商而言尽管具备充裕的资源和落地场景，但其平台上的数据集多为用户私有数据，无法投入模型训练。因此，参照McrosoftCoplot产品实现逻辑，通过用户私有数据增强prmpt后，导入微调闭源模型进行推理，进而实现内容生成、流程命令自动化等效果应为这类厂商实现I能力的主要方式。图：lomGT采用数集资料来：SWO，图：icsftilt产品逻辑资料来：微官网▍软件产业：I驱动产品形态、市场格局重构回顾移动互联网时代移动互联网的快速渗透使得一批新兴玩家陆续涌现但多数C互联网时代原有的参与者亦通过移动互联网的产品进一步提升了客户覆盖和业务变现能力当然也有部分厂商因布局迟缓战略失当而黯然离场我们认为这一逻辑在I时代亦不例外未来市场会逐步出现所谓I原生的新生力量而软件市场原有的参与者也将迎来产业链价值的再分配，或受益或受损。当然，基于所处产业环节、竞争格局、产品体系、客户结构等诸多因素，不同参与者的受益受损逻辑和程度亦有所区别，以下我们将分别从应用软件、基础软件两个层面进行展开分析。应用软件：平台型、垂类软件等有望显著受益，单点解决方案或将受损我们主要从产品体系、客户结构数据沉淀生态构建等维度来衡量应用软件领域的受益受损逻辑。在这一判断体系下，我们认为品类全面、份额领先、生态完善、数据持续积累的平台型厂商以及格局优异、具备独特数据集和直接落地场景的垂类软件有望先受益同时对于部分功能相对单一、格局尚不明朗的点解决方案厂商，则有可能在新一轮的I浪潮中受到冲击。产品体系我们认为大语言模型对于应用软件的强化一方面在于单点功能的增强比如在销售环节自动进行线索整理生成销售策略在营销环节自动生成营销文本个性化广告投放在客服环节自动生成或扩展客户问题回复等另一面在于增强各项功能的协同效果使得交互界面进一步上移比如用户可以通过一条指令实现销售线索归集整理营销内容生成及个性化投放的全流程而这过去需要在不同的产品页面中完成就单点能力的强化而言我们认为客户会率先向更容易落地实现ROI转化的领域进行预算投放包括客服营销辅助内容创意等领域而就各项功能的协同而言显然产品体系更为全面丰富的平型厂商相对更容易实现这一效果，而单纯单点功能的强化将具有较强的同质性（I带来的产业价值增值部分很难被软件厂商所获取，因此相较于单点产品平台型厂商的优势有望在大语言模型的赋能下进一步增强。图：生成式I影响场营个环节促进化率升资料来源：绘制图：SlfceEistinGT应用场景资料来：Slsfce官网表：intinPT核心应场景名称 功能）自动邀请户进其他作道；）动生个性的客天回；）在户对期间生成EintinPTfrSiceEintinPTfrSlsEintinPTfrktingEintinPTfrmmceEintinPTfrlosEintinPTfrSlck

摘要，提高入案例的确性和成度；）根据往客户的天话创建知识文章，可向其他和客户放以决客问题1自动生电子件排会为前客户研提外部料添尚在Slsfce系统中的联系；）自动邀客户其他协渠道营销人可以利用PT动态生个性化容，过电邮件移设备W、广告形式引客和潜在客户将客户数转化可操的售见；）个性的顾体一对一产品荐；）用客数据提供更针对的产分类EintinGT通过使用I聊天手生成码并对Ax等语言出问题利用lefcesh专有的型语模型高开人的工作率基于lak平台成了GT强大的成人智能术，提：）直在lak中编帮助；）研究工，即lk中基于I客户洞，例销售能摘和户背景究；）即时话摘要资料来源：Salesforce官网，图：iltI利用生式I从售通话提取息资料来：PlotI官网客户结构：在过去的应用软件市场，面向大型企业客户的产品和面向B客的产品往往是割裂的原因在于大型企业客户的需求往往更为复杂而功能的复杂度往往意味着易用性层面的妥协，B客户更为倾向于接受功能相对简单但使用门槛较低的方案但伴随着大语言模型的渗透复杂的功能和配置项可以依赖自然语言的交互进行实现人机交互界面的简化意味着原本为大型企业客户设计的产品有机会向B客户下沉而此前针对B用户的产品则有可能遭受降维打击。当然，不同客群适用的营销策略、渠道手段、功能定义均有所区别，但不可否认的是大语言模型的融入的确增加了企业级产品客群下沉的可能性。图：美股主要用件SS公司平均V水平（千元） eaeiowkyaasreQlrcsTotZoIfoamaloiyStZomhopiyillcm0 0 0 0 0 资料来源：彭博，图：全球M市场份额（） 图：全球EP市场份（）asreiQrdeOceMcftAPGysStZek其他

APkyOceKGaeisaIrnteMcft其他资料来源：Gartner， 资料来源：Gartner，数据沉淀正如我们此前论述的观点拥有海量经授权的垂类数据充裕现金以及直接落地场景的软件大厂适合基于开源模型进行I能力的构建，通过模本身构建独特的竞争壁垒但对于大部分厂商而言调用第三方闭源模型仍为论上最优的解决方案在底层模型同质化的背景下数据的独特性显然是厂商现差异化的核心手段考虑到客户数据的隐私性和安全性至关重要直接调用客户数据进行训练并不现实。因此，在%的数据访问透明性和客户数据完整性的基础上参照Mcrosoftoiot产品实现逻辑通过用户私有数据增强prmpt后，导入微调闭源模型进行推理，进而实现内容生成、流程命令自动化等效果应为这类厂商实现I能力的主要方式。与此同时，厂商可以通过各个客户的用户反馈数据持续训练个性化小模型进一步优化大模型的生成效果降“幻觉”问题的出现概率不断优化用户的使用体验在这一逻辑下预计拥有海量数据流程沉淀的平台型软件厂商亦将充分受益，而仅在工具层面实现浅层次整合的厂商将不具备显著产品壁垒。图：Slfce上层应相关关系型非关数据将在层据层持沉淀资料来：Slsfce官网图：Ae提供实时户据平台（）资料来：Ae官网生态构建：我们这里提到的生态构建分为了两个层面，其一是降低了（独立软件开发商和I系统集成商的开发和部署难度比如aesforce的nsteinGTforDeeoprs提供了自动生成px语（一种专为aesforce开发的面向对象编程语言的能力微软erceNow等厂商亦将提供自然语言转代码、工作流低代码开发等层面的能力其二是在进一步丰富平台应用的同时大幅降低了应用调用门槛大语言模型在降低开发门槛的同时也使得各类应用的调用加便捷而调用率和调用覆盖面的提升将进一步激发V的开发热情从而形自我强化的飞轮效应提升应用平台的粘性就以上能力的强化而言显然具备成熟的底层应用开发平台和较为完善的开发者生态的平台型厂商更为受益。图：SlfceEistinGTrlos资料来：Slsfce官网图：全球低代码代码智能发工具场规及增（百美，）we oe Illigteprtogs oY,.0,.0,.0,.0,0.0

1 E E E E

.%.%.%.%.%.%.%.%.%.%.%资料来源：IDC（含预测），图：全球低代码代码智能发工具场份（） asredeMcfteiowesmsiemesOtsmshiyixQibeOhr资料来源：IDC，表：低代码发的本原原则 内容快速交付 模块化可重使用预构的能组件除了杂性及重构的需要协作开发

允许各利益关者同努力快速提最佳应用序和验经验不的构者可以用专开发员构的能，从实现快、敏捷开过程可规模化 使开发能够速构端到的单或复的企应用无代码开发能会致子T的出现而低码治通过略技术来制和管可治理战略匹技术标

理应用序的长，限制据复、不致和安全应用程开发须与线图标持一致建立监控业务值致的成衡量标准，建批准用程开发动标准，监督算和源分配低代码发计必须立技标和最佳践定义发流程建测试和署的限和指，并义技培训求用户体验 低代码发必始终一地造极的用体验这促了生力提高可集成

平台必能够不需专门集工具的况下成任数据系预先建的端到端集解决案可短实价的时间安全性 低代码只有在它可以产生安全的应用程序时才有效资料来源：Gartner，基础软件：I显著降低产品使用门槛，数据管理最为受益，安全、运维亦将受益考虑到大语言模型核心在于自然语言的理解和生成能力这种能力能够实现内容创作内容整理，能够基于对用户指令的理解嵌入业务流程的生成和自动化亦能够基于上下文和外部信息的补充实现持续的迭代和推理但大语言模型的能力并不涉及高性能高可靠&高可用的数据处理、T基础设施的性能监控告警，亦无法满足恶意攻击的防御需求。与此同时，大模型的训练、部署以及稳定安全运行仍然需要数据管理、性能监控、信息安全等系列产品的配合和支持。不过，在软件开发环节大语言模型的确有望凭借对代码的生成和理解能力实现产品和产业链价值的重构在其他的基础软件环节，大模型也有望通过简化处理方式降低信息复杂度等维度降低从业人员门槛拓宽产品覆盖面和变现方式。以下，我们将对数据管理、性能监控、信息安全、软件开发等细分市场展开具体分析：数据管理模型预训练阶段需要大规模多类别高质量的训练数据在模型优阶段垂类小数据集提示词工程同样重要过去由于存储技术资源和数据库技术的限制非结构化的数据无法有效保存和调用但随着存储技术和云计算的不断发展，企业可以拥有充足的、可扩展的存储资源和存储方法。机器学习、自然语言处理、图像识别等人工智能技术也增加了对海量非结构化数据的需求。由此能够实现海量数据存储管理治理的数据湖实现批量数据的清洗预处理、特征工程的Nosql数据库数据仓库，实现实时数据的集成、高并发查询处理的流数据引擎等数据管理市场都将受益于I的高速发展与此同时大语言模型能够较好的实现自然语言向l等专业的数据库操作语言的转化降低数据分析、机器学习等领域的进入门槛。图：数据对I模型促进用 图：数据对I产品升的作用资料来源：Medium，绘制 资料来源：Medium图：0年全球数流量（按应类型） 图：非结构化据占（单：）社交短频订阅模的流广告模的流游戏音乐社交媒体其他数据

.%.%.%.%

.%.%.%

.%.%

半结构与非构化

结构化据资料来：I, 资料来：I图：全球分析数据理和成市场模及速（亿美，） .0.0.0.0

分析型据集工具 持续分工具 非关系析型据存平数据仓库 oY.%.%.%.%.%.0

7 8 9 0 1 EEEE

.%资料来：I（含预测）,性能监控与其他应用类似大模型在运行过程中仍然需要对于性能指标进行时的监测和分析包括CU和GU的利用率和负载情况内存和存储使用情况网络带宽和延迟模型训练和推理速度以模型的异常情况和错误信息等这依然需要TI、N、日志管理工具的配合。但与此同时，考虑到大模型本身的特殊性在训练和部署环节同样需要专用的工具完成相关指标的监控调整和可视化，其中包括：）实验管理：在训练环节对于学习率、正则强度、批量大小迭代次数等超参数空间的系统性搜索选择最优超参数组合并记录和可视化训练评估过程性能监控在推理环节对于损失函数准确率、F1值各类模型性能指标的监控和可视化，横向纵向比较模型的性能变化。在大模型专用监控工具领域WegtBasesCometMrieFdder以及Datbricks推出的开源工具Mfow等均有相应产品其中Wegsiases和Mfow在产品完整度和用户覆盖面上更为领先。表：T监控软市场要领主要玩家细分市场 主要功能 主要参与企业监控本数据心和托管境中IT基础设施件的用性ITIAIOsAPM&SEMPM

和资源利用率。通过跟踪组件的用率（如风扇速度、温度和使用率、内存利用率），基础结构监视工具可以提IT环境运状况总体图。监视和优化应用程序的性能和运行状况，不同于其他监视具，PM需要跨不同的IT环来发现硬件赖关类的问题，并对代码进行端到端跟踪，以便监视应用程序迟和停时间日志是在事件发生时自动生成并加盖时间戳的文件，日志理包括用于收集、管理和分析由应用程序和基础设施生成大量日志数据。将日志数据与其他事件关联的实时能力也这些工非常合安信息事管（IE用例漏洞检测威胁理，及识操性能问题允许客在同T环境中监可视化络流以更地解决机问并优网络能

MicroFocus、IBM、CA、BMCSolarstc、wli、Bcm、ic、Ams)Slu、Elst、tgNetScout、Solars资料来源：Gartner，图：全球T性能监市场及增速百万元，）Oniss uiclod oY,.0,.0,.0,.0,.0,0.0

1 E E E E

.%.%.%.%.%.%.%.%资料来：I（含预测）,图：模型开发调试部署控流程资料来：Acle官网信息安全：对于大模型厂商而言，由于大模型在部署上线之后即允许B端C客户公开访问因此其安全防护的逻辑和其他应用程序并无本质区别因此我们看到ChaGT采用Codfare的方案防范DDOS攻击执行访客流量验证策略；此前因Reds开源库漏洞导致的ChaGT故障、数据泄露问题亦表明漏洞扫描云端工作负载安全安全态势管理等产品在大模型时代同样具有用武之地对于大模型用户而言一方面需要对于用户使用权限数据上传权限进行严格限制在这一方面安全网关产（CW和数据丢失保护产（D将发挥显著作用，网关产品将配合身份认证工具对用户访问权限予以细粒度控制，而DP产品将阻止敏感数据的上传另一方面亦需要针对黑客利用ChaGT批量生产的钓鱼信息予以针对性防护这就需要通过对邮件来源正文附件URL链接等进行情绪分析、结构分析等进行相应识别，比如Codfare近期就针对I生成的钓鱼邮件推出了专门的邮件安全方案当然对于安全运营团（OC）而言大语言模型的引入能够显著提升安全信息的可读性并辅助生成易于理解的安全事件解决方案，降低安全运营的门槛。图：tPT采用loflae的方案护Wb端应安全资料来：loflae官网图：全球应用序保护用市场规及增（百美元，）PIciy otgt Smiigtion blcionirell oY0

1 2 3 4 5

资料来：I（含预测）,，注2年及后预测数据图：ZTA主要架构 资料来：图：全球安全关市规模增速（万美，）0

AB G oY0 E E E E

资料来：I（含预测）,图：全球数据失保市场模及增（百美元，）meias MA siaPiic oY0

8 9 0 E E E E

.%.%.%.%.%.%.%.%.%.%资料来：I（含预测）,图：全球消息全市规模增速（万美，）Oniss uiclod oY0

1 E E E E

.%.%.%.%.%.%.%.%.%资料来：I（含预测）,表：R的核心能力核心能力 具体描述支持对终端、网络、云和工作负载的安全防护和控制能力，获取更大范围的安全全局安控制点安全集和互作能大数据理和器学分析能力自动化排能力威胁情能力

可见性支持产品跨层的全数据取、胁检和事响。把各种安全日志、告警等数据进行汇总，以便于进一步的威胁分析；联动不同层面的安产品断不全的请求隔被攻的主修统漏洞问、降低用权限下发测策等应执行作。汇聚了局的全数（括各安全日警网络量外威胁情等，比单个安全产品提供更加强大的威胁检测能力。海量安全数据的处理需要具备大数据存储、传输、分析等能力，需要依赖机器学习等人工智能算法增强对高级威胁的分析、攻击杀伤链的理解和还原；让安全人员可以聚焦处理数量有限、真正有影响安全件。提供自动化的技术和工具，减少需要企业安全人员手动操作的频率和人为操作出错的概，提安全营效；R支持安全应任的编能，让用对文件、权限、主机和网络执行经过预先设计编排过的手动和自动的补救措施，提局部威发现全局速响的能力。通过提供或集成威胁情报服务，增强了企业用户的安全可见性，提升威胁检测效性和力。资料来源：Gartner，腾讯安全，软件开发对于软件开发者而言新特性的设计和开发是具有价值的但编写成的代码由存储库转移到实时生产环境中仍需要经历集成测试发布运维等多个流程这些流程对于客户而言并没有附加价值因此企业开发者团队需要借助Deos工具自动化低价值的流程以更快实现新功能的发布。正是由于件开发流程有价值的环节体现在项目管理协作和代码编写托管两个节点因这两个节点上的头部参与者具备整合软件开发全链条的较大潜力根据DC的计，1年全球软件开发市场o2的玩家分别为tassan和微软，恰好对应项目管理协作代码编写托管两个节点的龙头根据DC在大语言模型普之前tassan的份额以及份额获取速度持续领先于微软但大语言模型普及之后，GtHubCoPlot能力的强化大幅提升了开发效率，开发链条的核心有可能由项目管理向代码编写托管转移这在一定程度上可能削弱tassan的竞争优势和平台化潜力，而更为利好微软的全链条整合。当然，与GtHub在同一环节竞争的Gtb更有可能受到直接冲击。图：敏捷软件发短的发冲刺” 资料来：Pitl.io图：s流程资料来：图：全球软件发管市场模及增（百美元，）Oniss uiclod oY,.0,.0,.0,.0,.0,0,0,0,0.0

1 E E E E

.%.%.%.%.%.%资料来：I（含预测，图：全球软件发管市场额（）tlasnMcftIMrmGibereFgMcoFlea资料来：I，图：Plot为开发者供代建议资料来：GitbPilt▍产业生态：更加紧密、复杂的软件分工协作体系人工智能浪潮带来的另一个变化是科技巨头构建以人工智能服务为核心的新商业模式，使软件产业分工更加明确。（大语言模型即服务）将成为I服务提供商的主要商业模式，以泛用的大语言模型为基础统一过去公有云中的繁杂aS层，并更好地入软件层。大语言模型以语言为出发点，相较于过去的小型模型具备更好的泛用性。如ChaGT等大语言模型拥有广泛知识和技能能应对不同领域问题基于大语言模型的公有云服务能提供比原先更优的aa+aaS层体验用户通过单一模型可对接多种外部并更好地理解用户意图。图：基于P的大言模有优秀泛用，将为各任的底座资料来：ce目前以Open&微软为代表的厂商已经构建起以aS为核心的商业模式，围绕GT逐步向上下游拓展生态。目前OpI的主要模型包括G-、G-、Dal、Whspr、mbdng等，包含了泛用大模型、图片、语音、微调等多个维度，其中最泛用的GT类模型将作为一个接口根据用户需求调用不同的模型。图：OnI的六大模型中t是面向户的心入口 资料来：OI官网定价方面，OpenI的MS模型提供了订阅以及按量收费两种模式。订阅模式主要开放给个人用户用户根据使用需求支付周期性费用享受一定时期内的模型服务按量收费模式主要开放给使用较少的个人用户与体量较大的企业用户用户根据实际调用I的数据量或是席位数支付费用，这样用户可以根据业务量灵活调整支出。表：OI定价模式GP4lPmtmltionKctt＄./Ktks＄./KtksKctt＄./Ktks＄./Ktkstlset.to＄./KtksItcGPTAFatt)＄./KtksBe＄./Ktksie＄./Ktksinci(stfl)＄./KtksFintingmslTinigseAa＄./Ktks＄./KtksBe＄./Ktks＄./Ktksie＄./Ktks＄./Ktksinci＄./Ktks＄./KtksmingmolslseAa＄./Ktks资料来：OI官网，信券研究部插件功（lugin使MaS能够连接不同的外部极大地扩展了大语言模型的上层软件生态OpnI于3年3月在ChaGPT中推出插件接口旨在接入小公司的微调成果第三方厂商可将自有数据源和部分算法作为ChaGT上的插件使ChaGT能调用插件中的外部I接口获取信息插件提供者使用OpnI标准编写此将被编译成一个提示，告知ChaGT如何使用I增强其答案。用户选择对应插件后，如ChaGT需从I获取信息，它将发出请求并在回应前将信息添加到上下文中。插件接口简化了小公司微调大语言模型的难度并丰富了基于大语言模型的生态环境第三厂商无需接触部署大语言模型，降低了微调实施的难度。图：tPT目前持的插件 资料来：tGT关联落（Gounding是MaS模式中协调外部软件I与大语言模型生成内容可靠性的关键步骤。微软的Coplot大量使用关联落地技术，确保大语言模型为办公软输出稳定结果。根据微软技术文档，Coplot通过Groning提高接收提示质量，确保模型准确执行用户指令。如用户要求Word根据数据创建文档，Copot会将提示发送至McrosoftGrah以检索上下文和数据修改并优化用户提（例如加入用户真实业务场景数据示例以提高准确性然后将其发送到G-4大语言模型响应结果被发送到McrosoftGrah进行额外的Gronn安全性和合规性检查最后将响应和命令发送回crosoft5应用程序通过GronngCopiot将人类语言表述根据实际数据更换成大语言模型更易理解的提示，完成多模态转换并提升指令准确性。图：Ging本质上是用指令优并让语言型更