电子-AI大模型商业模式思考

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。研究员研究员联系人电子增持(维持)研究员研究员联系人电子增持(维持)SACNo.S0570521050001SFCNo.AUZ066+(852)36586000SACNo.S0570524010002SFCNo.BTP481+(86)2128972228SACNo.S0570122070045quanheyang@SFCNo.BTV779+(86)2128972228行业走势图电子沪深300(%) (5)(15)(24)May-23Sep-23Jan-24May-24华泰研究2024年5月13日│中国内地专题研究AI大模型商业模式思考本篇报告，我们通过对海内外AI大模型企业的研究，提供对AI大模型商业模式的思考框架：1）基础大模型未来的竞争格局方面，或赢者通吃，或国内外分别寡头竞争，而行业大模型则有望百花齐放；2）本轮AI应用中，“AI+”还是“+AI”能够取胜需要根据场景具体讨论，取决于AI在业务流程中是否具有护城河，以及AI在业务价值链的占比；3）开源模型和闭源模型在未来较长一段时间内将形成相互摇摆的博弈格局。基础大模型或国内外各形成寡头竞争格局，行业大模型百花齐放目前，“基础大模型→行业大模型→终端应用”的大模型路线非常清晰。训练基础大模型的高成本和高技术壁垒，决定了科技巨头或成为主要玩家。目前基础模型仍处于军备竞争的阶段，未来的竞争格局有两种可能：1）赢者通吃；2）国内外多个大赢家共存。行业大模型的市场潜力较大，关键在于对行业的Know-How。未来行业大模型很可能是一个百花齐放的市场。以头部玩家提供的基础大模型为底座，未来可能产生专门精调行业大模型的公司，凭借对垂直领域的Know-How深耕某一赛道的行业大模型；在垂直领域积累已久的公司，具备入局该垂直领域行业大模型的先发优势。AI+还是+AI：关注AI是否具有护城河及全业务流程价值链占比“AI+”（以AI技术赋能行业的科技企业）还是“+AI”（采用AI技术的传统企业）能够胜出是上一轮AI投资最大的争议。我们认为在本轮以大模型为代表的创新周期中，选择“AI+”还是“+AI”有以下关注点：1）AI在全业务流程价值链的比例；2）业务中AI是否具有护城河。本轮“+AI”和“AI+”都可能获得可观价值，“+AI”赋能众多传统业务，“AI+”更可能重塑行业。对于“+AI”，传统行业众多，意味着“+AI”的落地场景众多，传统行业体量大，赋能的新增价值将产生规模效应。对于“AI+”，算力、算法、数据等壁垒较高，有较高的进入门槛，先发优势明显。资料来源：Wind，华泰研究开源模型vs闭源模型海外头部厂商中，OpenAI和谷歌闭源模型领先，Meta凭借开源模型独树一帜。开源大模型具备低成本高效落地、技术迭代迅速以及可私有化部署的属性，解决闭源大模型应用痛点随着以Llama为代表的高性能开源大模型的出现，对于垂直行业应用公司来讲，从头训练大模型的模式的意义正在下降。开源模式将蚕食闭源模型一定的市场份额，两者在未来较长一段时间内将形成相互摇摆的博弈格局。投资观点：算力基础设施->硬件载体->大模型平台->应用从投资角度，建议按照算力基础设施->硬件载体->大模型平台->应用的顺序寻找受益标的。AI大模型推动算力需求快速增长，基础设施的业绩成长可预见性最高，主要产业链环节包括计算芯片、服务器、数据中心等。交互终端次之，AI手机、AIPC是当前大模型应用的主要载体。未来看好大模型能力提升推动AR/VR，无人驾驶车，机器人等成为下一代硬件载体的潜力。大模型平台是当下产业发展趋势中最核心的一环，看好MaaS成为AI大模型时代新的商业模式。AI大模型最大的投资机会在应用。看好大模型在搜索，电商零售，办公，金融、医药等行业率先落地。风险提示：AI及技术落地不及预期；本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。本篇报告，我们通过对海内外AI大模型企业的研究，提供对AI大模型商业模式的思考框架：1）基础大模型未来的竞争格局方面，或赢者通吃，或国内外分别寡头竞争，而行业大模型则有望百花齐放；2）本轮AI应用中，“AI+”还是“+AI”能够取胜需要根据场景具体讨论，取决于AI在业务流程中是否具有护城河，以及AI在业务价值链的占比；3）开源模型和闭源模型在未来较长一段时间内将形成相互摇摆的博弈格局。资料来源：公司官网，华泰研究“基础大模型→行业大模型→终端应用”的大模型应用路线日渐AI大模型的应用路线日渐清晰，大致途径为“基础大模型→行业大模型→终端应用”。基础大模型，也称为通用大模型，是通过基于海量通用数据进行预训练而得到的。其优点在于拥有强大的泛化能力。基础大模型通常利用大算力和拥有大量参数的深度学习算法，在大量无标注的通用数据上进行预训练，从而形成能够“举一反三”的泛化能力，相当于AI完成了“通识教育”。基础大模型将AI的开发应用从“小作坊”带入“大工业”时代，但由于缺乏特定场景的语料和数据集的训练及模型调优，因此在特定场景下的“专业度”还有待提高。行业大模型是在基础大模型的基础上，进一步融合行业数据、知识和专家经验，从而有效提升模型的表现和可控性。其优点在于更为专业，并对于不同的应用场景具有更强的适配性。目前，在金融、能源、制造、传媒等领域，已经有部分头部企业与科技公司或科研单位联合发布了行业大模型。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。图表2：基础大模型+行业大模型，泛化性资料来源：百度文心大模型官微，IDC《2022中国大模型发展白皮书》，创新工场，华泰研究大模型的竞争者越来越多，既有OpenAI（未上市）、微软（MSFTUS）、谷歌（GOOG以及英伟达等芯片厂商。随着大模型被越来越多的消费者及企业接受，未来的市场竞争格局将决定大模型生态系统的发展空间和最终赢家。由于基础大模型与行业大模型存在差异，这两类大模型最终可能形成不同的竞争格局。随着大模型在更多应用端的渗透，科技企业关于大模型的军备竞赛已经从基础大模型延伸到行业大模型。例如，国内的百度文心、阿里通义、腾讯混元、华为盘古等大模型体系中均覆盖了基础大模型和行业大模型。开源模型异军突起，给闭源模型带来猛烈冲击。海外市场中，OpenAI和谷歌闭源模型领先，Meta凭借开源模型Llama系列模型独树一帜；国内市场中，百度、腾讯、阿里等互联网大厂持续迭代自研闭源模型，同时阿里通义千问7B、GLM-130B、书生浦语7B、百川13B等模型宣布商业开源。我们认为，随着以Llama为代表的高性能开源大模型的出现，对于垂直行业应用公司来讲，从头训练大模型的模式的意义正在下降，我们已经看到部分垂直应用公司转而采取开源模型+矢量数据库的形式，解决特定应用场景和问题。开源模式将蚕食闭源模式一定的市场份额，两者在未来较长一段时间内或将形成相互摇摆的博弈格局。以Llama为代表的的前沿开源模型性能优异。以Meta2024年4月发布的Llama3为例，其分为大中小三个版本，相比其他模型：小规模的8B模型效果比同类大小的模型Mistral7B、Gemma7B略好或基本持平；中等规模的70B模型效果比GeminiPro3Sonnet略好或相当，并超过GPT-3.5；最大的400B模型仍在训练过程中，设计目标是多模态、多语言，根据Meta公布的目前训练数据，其性能与GPT-4相当。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。资料来源：Meta官网，华泰研究资料来源：BigIdeas2024(ArkInvestment,2024)，华泰研究开源大模型具备低成本高效落地、技术迭代迅速以及可私有化部署的属性，解决闭源大模型应用痛点。1）低成本高效落地：模型从头训练需要大额资金投入，使用闭源大模型在企业用户量攀升后Token费用将水涨船高；而开源大模型可以帮助用户简化模型训练和部署过程，并节省高额初始及后期资金投入，用户只需从开源社区如HuggingFace中免费下载预训练好的模型并进行微调，就可快速构建高质量的模型。2）技术迭代迅速：在Llama2、Llama3开源发布后，吸引了全球开发者和爱好者参与开发和改进，当前已快速衍生出一系列开源的基础模型与行业模型，这极大地加快了创新和迭代的速度。3）私有化部署：如果把行业的know-how数据输送给闭源大模型，可能存在数据泄露的风险；而开源大模型可部署在企业内网的AI服务器上，帮助企业保护敏感数据安全性。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。开源大模型闭源大模型成本免费，可能有额外的许可证或服务费用通常基于输入/输出token大小收费模型性能通常性能弱于闭源模型通常性能更优适用性需要开发人员调试即插即用定制化可实现高度的定制化受限于供应商，可定制化程度低于开源模型资料来源：华泰研究开源模式的任何渐进式改进都在蚕食闭源模型的市场份额，未来两者或在相当长一段时间内形成互相博弈和竞争的格局。部分原计划用闭源大模型如GPT-4的垂直应用公司，可能会迫于成本、定制开发等原因，转而选择Llama或其他开源模型。另外，开源也能让其他新加入者更快适应AI产业，未来一天或几天之内的训练周期将成为常态，以这样的速度，微调的累积效应将很快帮助小模型克服体量上的劣势。开源模型和闭源模型各有所长，二者将长期共存：1）模型方面，闭源大模型的质量更高，例如Llama2-70B在代码生成上与GPT-3.5仍有显著差距。且快速迭代的开源模型数量庞大，对用户而言选择成本随之上升；2）安全性方面，闭源大模型的可靠性更有保障。部分客户如大型政企，在大模型采购时往往需要大公司的品牌作为可靠性背书。3）产业化方面，闭源大模型的长期服务能力更强、更可用。大模型与业务结合，需要产品、运营、测试工程师等多种角色共同参与，同时大模型的长期应用所需的算力、存储、网络等配套都要跟上，开源社区无法帮助用户“一站式”解决这些细节问题。因此，这场博弈将在未来引导着开源、闭源两种模式不断进行改进，模型产业化应用将成为两种模式的试金石。此外，面对性能优异的Llama及其快速增多的衍生开源模型，部分AI初创企业可能正在失去存在的意义，市场内自研模型的公司数量或将快速收敛，除了科技巨头外，只有少数具备先发优势的AI初创企业能够在激烈的竞争中生存下来。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。“AI+”（以AI技术赋能行业的科技企业）还是“+AI”（采用AI技术的传统企业）能够胜出是上一轮AI投资最大的争议。“AI+”是以AI技术为核心，重构现有业务；“+AI”是以现有业务为核心，借助AI降本增效，是改进而非重建。从结果来看，“AI+”企业在智慧城市等特定领域获得商业成功，但互联网（例如谷歌、百度的搜索，头条的推荐，阿里的广告）、金融等行业通过已有业务+AI提升了效率。我们认为上一轮“AI+”企业没有全面成功的原因是算法的进入壁垒相对较低。本次大模型主导的创新周期相比上一轮以国内AI四小龙（商汤、旷视、云从、依图）为代表的AI浪潮主要有三点区别：1）大模型能力更强。预训练大模型算法架构更先进，训练消耗的数据量和算力跃升，因此泛化能力更强。2）应用落地更明确。生成式AI在许多领域成为了生产力工具。3）商业模式更清晰多样。上一轮AI浪潮，AI公司采用小模型+软硬结合的定制化解决方案变现，偏通用化软件化的API和SaaS并未成为主流的变现方式。本次创新周期中，ToC的订阅费、ToB的API调用费成为主流的变现手段，ToB的MaaS商业模式也逐渐清晰。图表6：相比上轮AI浪潮，本轮创新周期的大模型能力更强资料来源：华泰研究在当前大模型主导的创新周期中，大模型的应用模式仍然是许多企业关注的焦点。企业需要决定是选择“AI+”（以AI技术为核心，重构现有业务）还是“+AI”（以现有业务为核心，借助AI降本增效）？我们认为，对于大模型应用模式的选择可以从两个方面考虑：首先，要考虑AI在企业全业务流程价值链中所占比例。如果AI在该赛道全业务流程价值链中所占比例很小，比如只有10%，则更容易从“+AI”切入。因为要从“AI+”切入，企业需要先将剩下的90%业务补足，而在产业链深耕多年的竞争对手很可能已经补足了这90%。相比之下，如果AI占据全业务价值链的较大比例，“AI+”将有更大的发展空间。例如，在电商领域，可能更适合从“+AI”切入。因为即使没有AI技术，商家仍然可以通过提供更优质的产品和服务来取胜。这是因为AI在电商全业务价值链中所占比例较低，而用户、渠道和产品等因素更为关键。大模型在电商领域更多地用于降低成本和增加效率，例如自动生成营销文案、图像快速检索和智能语音客服等，我们将在下一节进行详细阐述。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。其次，要考虑企业业务中AI是否具备护城河。如果AI在业务中没有护城河或者门槛很低，选择“+AI”更适合持续发展。因为一旦传统企业认识到AI的价值，也开始采用“+AI”策略，其他企业很容易赶上来。在这种情况下，创业公司选择“AI+”可能难以生存。相反，如果AI在业务中形成了较高的护城河，“AI+”也许会产生创业机会。即使AI只占全产业链的一小部分，比如30%，但这30%却具有非常高的门槛。后来进入市场的传统企业即使在其余70%上取得优势，也难以突破这30%的高门槛。因此，提前入局并占据了30%份额的企业仍能持续经营，这也是“AI+”模式的机会所在。在蛋白质结构预测领域，采用“AI+”模式可能会取得突破性进展。蛋白质的功能很大程度上取决于其3D结构，而预测蛋白质的3D结构是一个非常复杂的过程。以前，计算所有可能的折叠方式需要耗费极长的时间。然而，AI大模型为蛋白质结构预测提供了新的解决方案。例如，DeepMind从2016年开始研究，在2018年发布了AlphaFold，然后在2020年推出了AlphaFold2，在蛋白质结构预测大赛CASP14中取得了原子水平的准确度，将运算时间从数月缩短至数小时，有助于加快药物研发。蛋白质结构预测的大模型门槛很高，目前行业内的企业数量较少。图表7：从“AI在全业务价值链的占比”以及“AI是否具备护城河”出发，选择“AI+”还是“+AI”资料来源：华泰研究本轮“+AI”和“AI+”都可能获得可观的价值，“+AI”赋能众多传统业务，“AI+”更可能重塑行业。对于“+AI”，1）传统行业众多，意味着“+AI”的落地场景众多；2）传统行业体量大，赋能的新增价值将产生规模效应，例如一家银行或一家造车公司，如果AI可以帮其3-5%的效率，就能产生较为可观的价值；3）关注更易与AI结合的传统业务及其龙头企业，比如电商的阿里和京东、办公软件的微软和金山办公等，因为有自身发展需求、具备商业价值的海量数据，我们认为积极拥抱AI技术等特质的传统企业更可能考虑+AI。对于“AI+”，1）算力、算法、数据等壁垒较高，有较高的进入门槛，先发优势明显；2）在数据更私密、算法壁垒更高、定制化程度较高的自动驾驶等关键领域，“AI+”公司有机会深耕并占据细分赛道的领先地位。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。搜索、电商、营销“+AI”我们认为，搜索、电商和营销是目前“+AI”较有代表性的场景。AI提升了生产力并改进了用户需求。其应用场景涵盖文本编写、图像生成、智能交互、产品定义开发与营销的全流程，从多个维度重塑了生产力格局。资料来源：各公司官网，华泰研究搜索：信息搜索、内容生成搜索引擎是指根据一定的策略、运用特定的计算机程序从互联网上采集信息，在对信息进行组织和处理后，为用户提供检索服务，将检索的相关信息展示给用户的系统。搜索引擎依托于多种技术，如网络爬虫技术、检索排序技术、网页处理技术、大数据处理技术、自然语言处理技术等，为信息检索用户提供快速、高相关性的信息服务。传统的搜索行为往往需要经历长时间的判断过程和多轮的互动，无法直接且有针对性的回答用户的问题、无法生成新的内容或进行摘要总结、难以支持长文本搜索，难以实现搜索与其他功能的串联。展望未来，我们站在了新一轮搜索引擎迭代的起点。AI技术与搜索引擎的不断融合，将从底层结构上改变搜索形态，过去的搜索引擎重点在于检索已有信息，而以GPT为代表的大模型加持将让搜索引擎拥有生成内容的能力，带来全新的对话体验，为用户提供个性化的回答和对话服务，具体体现在以下两个方面：1）创造性内容生产与输出，AI大模型可以利用大量实时文本数据学习语言的规律，并根据用户指示创造性地完成特定需求下各种类型的文本输出，如故事、诗歌、摘要、代码等。2）拓展搜索的多模态能力，利用AI技术处理视频、图片、语音等多种形式的信息，使搜索不再受限于信息的形态。AI+搜索的诞生便吸引了全球的注意力。但与此同时，AI生成内容的准确性、可靠性也受到了一定的质疑。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。NewBing：是2023年2月微软推出了基于GPT-4的搜索引擎。NewBing不仅更加智能和准确，而且在回答问题时不仅限于文本形式，还可以包含图像、视频、音频等多种形式。此外，NewBing的侧边栏功能也非常实用，可以直接在Bing搜索页面进行聊天和撰写，无需切换窗口和标签页，并且可以引用实时网络数据回答问题。内置AI聊天功能的NewBing搜索引擎在推出一个月后日活跃用户已突破1亿。Bard：2023年2月，谷歌推出了基于LaMDA大模型的AI对话机器人，名为“Bard”。这款聊天机器人于2023年3月21日向公众开放访问权限。Bard是基于LaMDA的轻量级版本，使用更少的计算能力，因此可以覆盖更多用户并提供额外的反馈。谷歌还在I/O开发者大会上发布了大语言模型“"PaLM2”，该模型将驱动聊天机器人Bard。经过升级后，Bard将支持超过20种编程语言，并面向全球用户开放。文心一言：是百度推出的一款基于百度新一代大语言模型的生成式AI产品，于2023年3月16日正式发布，于3月27日上线。文心一言拥有产业级知识增强文心大模型ERNIE，具备跨模态、跨语言的深度语义理解与生成能力，文心一言有五大能力，文学创作、商业文案创作、数理逻辑推算、中文理解、多模态生成。资料来源：谷歌官网，华泰研究电商：产品开发、产品营销、产品售后零售的核心是人、货、场。整个零售包括产品开发、产品营销、产品售后等环节。回顾过去，从线下百货商店到线上电商平台，互联网通大数据精准推送目标客户，通过产业链数字化缩短售后步骤、时间，通过海量用户反馈反哺产品开发环节，优化产品设计。展望未来，AIGC利用自然语言处理、机器学习和深度学习等工智能技术，能够自动创建各种形式的内容，如文字、图像、音频和视频等。这使得AI与电商行业的需求深度结合，涵盖了产品开发、产品营销和产品售后等各个阶段，为电商平台带来全方面的降本增效。在产品开发阶段，AI可以提供设计灵感、定制化产品描述和优化产品决策。AIGC分析市场趋势、消费者喜好和竞争对手的产品，为电商提供设计灵感和创意方向。同时，以Midjourney为代表的AIGC可以根据需求和特定目标群体，定制生成产品描述和配图，自动生成吸引人的产品描述和高质量的配图，帮助电商展示产品的特点和优势。此外，AIGC基于市场信息对产品价格、目标群体等要素进行分析，为电商提供优化建议和方案，帮助其调整产品定价和推广策略。在2021年4月，海外电商领军企业亚马逊首次推出了官方AI选品工具，利用超过600个数据维度，个性化预测卖家在不同国家销售产品的全球需求。吉宏股份（002803CH）自2023年1月起广泛采用AIGC技术，深入挖掘产品的优缺点，深度分析客户的购买动机，进一步优化选品决策，目前已累计帮助公司上新了1万多个新品。资料来源：公司公告，华泰研究在产品营销阶段，AIGC能够实现广告智能投放和虚拟主播带货。在广告智能投放方面，AIGC通过分析用户数据、行为和兴趣，预测他们的购买行为，并有针对性地投放广告。这个过程包括广告创意制作、投放时机和选择投放渠道等方面。通过AIGC的智能投放，广告可以更准确地触达目标受众，提高广告的转化率，降低投放成本。在虚拟主播带货方面，通过使用AIGC技术，可以让虚拟主播根据商品特点和用户需求，自动生成相应的推荐语言和图像，实现更加精准的推荐和销售。这种模式不仅提高了效率，还可以节约人力在产品售后阶段，AIGC能够实现智能客服售后和自动化订单管理。智能客服为电商平台提供更高效和智能化的客户支持。通过自然语言处理和机器学习等技术，AIGC能够理解和解答用户的问题，并提供准确的解决方案。它可以处理常见的售后问题，如订单跟踪、退换货流程、产品使用指导等，并提供个性化的客户服务。此外，AIGC还可以实现订单管理的自动化。例如，Shopify应用商店中的ShipStation工具就通过自动化处理订单管理流程，包括仓储、发货、物流等环节，AIGC能够大大提高电商平台的操作效率和准确性。它可以自动处理订单的确认、配货、打印运单等操作，减少人工干预的时间和错误。营销：广告文本编写、生成虚拟人物AI技术在营销领域发挥了重要作用，提升了信息传递效率，并大幅提高了营销内容的生产效率。这些改进使得广告媒体能够从收入端提高广告媒体的营收规模，同时营销服务商也从成本端提高了毛利率。具体来说，AI技术提高信息传递效率有两个主要原因。首先，通过个性化推荐，AI可以根据用户的历史浏览记录、兴趣爱好、购买记录等数据进行分析，从而推荐个性化的广告内容。这样可以更好地吸引用户的注意力，并更加精准地传递信息。其次，AI技术可以帮助企业在多个渠道进行广告投放和营销，实现更全面的覆盖，从而提高信息传递效率。AI技术提高营销内容的生产效率也有两个主要原因。首先，通过自动化生成，AI可以自动化生成广告文案、图像素材、视频内容等，大大减少了人工制作的时间和工作量。通过使用AI生成的工具和系统，营销人员可以快速生成大量优质内容，提高信息的生产效率。其次，数据驱动的创作让AI利用大数据分析和机器学习算法深入挖掘用户行为和偏好数据。这为营销人员提供了更准确的创作方向和内容主题。通过分析用户数据，AI可以帮助营销人员更好地理解受众需求，精准定位目标用户，并根据用户反馈不断优化内容，提高信息的生产效率。例如，Copy.ai（未上市）是一款基于人工智能技术的文本生成工具，利用90多种工具和模板帮助用户快速生成各种类型的文本内容，如广告语、博客文章、产品描述、社交媒体帖子等。通过使用Copy.ai，营销人员可以节省大量的时间和精力，快速生成高质量的文本内容。此外，Copy.ai还可以基于用户提供的关键词和语境生成针对性的文本内容，帮助营销人员更好地传达信息。RosebudAI（未上市）是一家专注于人工智能生成图像的技术公司。他们的主要产品是一个基于GAN技术和自然语言模型GPT-3技术的面部合成引擎，可以根据用户提供的指示生成高度逼真的人脸图像。RosebudAI的技术能够生成虚拟的商品模特面孔，从而实现个性化的营销。通过使用RosebudAI，营销人员可以根据特定的目标群体和品牌需求，自动生成适合的商品模特图像，以吸引目标消费者的注意力并增加购买意愿。据Rosebud称，利用该产品生成商品模特的第一个活动获得了22%的点击率提升。这种个性化的营销手段可以提高品牌的影响力和产品的营销效果。RosebudAI的技术在时尚、美妆、电子商务等行业中得到广泛应用，并为营销人员提供了创新的工具和方法来推动营销活动的成功。到2021年，该公司已提供了超过25,000张不同的虚拟人建模图像。投资机会：算力基础设施->终端->平台->应用我们认为AI大模型是未来十年科技行业重要的投资机会，建议按照算力基础设施->硬件载体->大模型平台->应用的顺序寻找受益标的。复盘4G产业发展历程，我们看到在受益板块中电信设备商先行，手机次之、电信服务及移动互联网应用紧跟其后。第一阶段，爱立信等通信网络设备商享受最初的资本开支红利，但由于竞争格局改变以及设备投入存在周期性，股价波动回到原点；其次，中国三大运营商在4G时代发挥着至关重要的作用，但由于来自监管的提速降费压力和业务范围的制约，运营商盈利增速缓慢；4G时代应用端的主要附加价值被互联网占据，社交、游戏、电商和视频等领域出现了一批杀手级应用，以腾讯为代表的平台型企业也在互联网浪潮中实现市值飞跃。展望AI大模型时代，我们认为：1)算力基础设施率先受益：AI大模型推动算力需求快速增长，基础设施的业绩成长的可预见性最高，主要产业链环节包括计算芯片、服务器、数据中心等；2)交互终端次之，当前AI手机、AIPC是大模型应用的主要载体。未来看好大模型能力提升推动AR/VR，无人驾驶车，机器人等成为下一代硬件载体的潜力。3)大模型平台是当下产业发展趋势中最核心的一环，看好MaaS（Model-as-a-Service）成为AI大模型时代新的商业模式，关注各国对AI大模型企业监管政策对行业发展的影响；4)AI大模型时代最大的投资机会在应用。看好大模型在搜索、电商零售、办公、金融、医药等行业率先落地。注：股价涨跌幅周期为2012年1月至2021年7月资料来源：Bloomberg，华泰研究地区美国公司OpenAI模型GPT-4turbo参数量未公开模态（输入；文本，图像；开源/闭源闭源发布时间2023年11月美国OpenAI未公开文本，图像；视频闭源2024年2月美国谷歌未公开文本，图像，文本，图像闭源2023年12月美国Claude3未公开文本，图像；文本闭源2024年3月百度ERNIE4.0未公开文本，图像；图像，视频闭源2023年10月商汤日日新5.0600B（MoE）文本，图像；图像，视频闭源2024年4月智谱AIGLM-4未公开文本，图像；闭源2024年1月美国Meta70B文本；文本开源2024年4月美国微软3.8B文本；文本开源2024年4月阿里巴巴Qwen1.572B文本；文本开源2024年2月零一万物Yi-VL34B文本；文本开源2024年1月美国314B（MoE）文本；文本开源2023年11月资料来源：Stanfordecosystemgraphs，公司官网，华泰研究1）AI技术落地不及预期。虽然AI技术加速发展，但由于成本、落地效果等限制，相关技术落地节奏可能不及我们预期。2）本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。分析师声明本人，黄乐平、郭春杏，兹证明本报告所表达的观点准确地反映了分析师对标的证券或发行人的个人意见；彼以往、现在或未来并无就其研究报告所提供的具体建议或所表迖的意见直接或间接收取任何报酬。一般声明及披露本报告由华泰证券股份有限公司（已具备中国证监会批准的证券投资咨询业务资格，以下简称“本公司”）制作。本报告所载资料是仅供接收人的严格保密资料。本报告仅供本公司及其客户和其关联机构使用。本公司不因接收人收到本报告而视其为客户。本报告基于本公司认为可靠的、已公开的信息编制，但本公司及其关联机构(以下统称为“华泰”)对该等信息的准确性及完整性不作任何保证。本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期，华泰可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时，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。以往表现并不能指引未来，未来回报并不能得到保证，并存在损失本金的可能。华泰不保证本报告所含信息保持在最新状态。华泰对本报告所含信息可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。本公司不是FINRA的注册会员，其研究分析师亦没有注册为FINRA的研究分析师/不具有FINRA分析师的注册资格。华泰力求报告内容客观、公正，但本报告所载的观点、结论和建议仅供参考，不构成购买或出售所述证券的要约或招揽。该等观点、建议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，在任何时候均不构成对客户私人投资建议。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，华泰及作者均不承担任何法律责任。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。除非另行说明，本报告中所引用的关于业绩的数据代表过往表现，过往的业绩表现不应作为日后回报的预示。华泰不承诺也不保证任何预示的回报会得以实现，分析中所做的预测可能是基于相应的假设，任何假设的变化可能会显著影响所预测的回报。华泰及作者在自身所知情的范围内，与本报告所指的证券或投资标的不存在法律禁止的利害关系。在法律许可的情况下，华泰可能会持有报告中提到的公司所发行的证券头寸并进行交易，为该公司提供投资银行、财务顾问或者金融产品等相关服务或向该公司招揽业务。华泰的销售人员、交易人员或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。华泰没有将此意见及建议向报告所有接收者进行更新的义务。华泰的资产管理部门、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的意见或建议不一致的投资决策。投资者应当考虑到华泰及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投资或其他决定的唯一信赖依据。有关该方面的具体披露请参照本报告尾部。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、发布的机构或人员，也并非意图发送、发布给因可得到、使用本报告的行为而使华泰违反或受制于当地法律或监管规则的机构或人员。本报告版权仅为本公司所有。未经本公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人(无论整份或部分)等任何形式侵犯本公司版权。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，并需在使用前获取独立的法律意见，以确定该引用、刊发符合当地适用法规的要求，同时注明出处为“华泰证券研究所”，且不得对本报告进行任何有悖原意的引用、删节和修改。本公司保留追究相关责任的权利。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。中国香港本报告由华泰证券股份有限公司制作,在香港由华泰金融控股（香港）有限公司向符合《证券及期货条例》及其附属法律规定的机构投资者和专业投资者的客户进行分发。华泰金融控股（香港）有限公司受香港证券及期货事务监察委员会监管，是华泰国际金融控股有限公司的全资子公司，后者为华泰证券股份有限公司的全资子公司。在香港获得本报告的人员若有任何有关本报告的问题,请与华泰金融控股（香港）有限公司联系。香港-重要监管披露.华泰金融控股（香港）有限公司的雇员或其关联人士没有担任本报告中提及的公司或发行人的高级人员。.阿里巴巴-SW（9988HK）、百度集团-SW（9888HK）、腾讯控股（700HK华泰金融控股（香港）有限公司、其子公司和/或其关联公司在本报告发布日担任标的公司证券做市商或者证券流动性提供者。其他信息请参见下方“美国-重要监管披露”。美国在美国本报告由华泰证券（美国）有限公司向符合美国监管规定的机构投资者进行发表与分发。华泰证券（美国）有限公司是美国注册经纪商和美国金融业监管局（FINRA）的注册会员。对于其在美国分发的研究报告，华泰证券（美国）有限公司根据《1934年证券交易法》（修订版）第15a-6条规定以及美国证券交易委员会人员解释，对本研究报告内容负责。华泰证券（美国）有限公司联营公司的分析师不具有美国金融监管（FINRA）分析师的注册资格，可能不属于华泰证券（美国）有限公司的关联人员，因此可能不受FINRA关于分析师与标的公司沟通、公开露面和所持交易证券的限制。华泰证券（美国）有限公司是华泰国际金融控股有限公司的全资子公司，后者为华泰证券股份有限公司的全资子公司。任何直接从华泰证券（美国）有限公司收到此报告并希望就本报告所述任何证券进行交易的人士，应通过华泰证券（美国）有限公司进行交易。美国-重要监管披露.分析师黄乐平、郭春杏本人及相关人士并不担任本报告所提及的标的证券或发行人的高级人员、董事或顾问。分析师及相关人士与本报告所提及的标的证券或发行人并无任何相关财务利益。本披露中所提及的“相关人士”包括FINRA定义下分析师的家庭成员。分析师根据华泰证券的整体收入和盈利能