计算机行业市场前景及投资研究报告：落地范式护城河AI应用投资机会

%%%%AI时代应用奇点型落地范式目

录0102

模型即应用时代，应用端如何构建护城河AI应用投资思考03%%3%%%%%01AI时代应用奇点型落地范式4%%%%AI本质是生产力技术，应用侧为奇点落地范式01

AI本质是生产力技术革命，核心是替代甚至超越人工AI本质是生产力革命，核心是对人工的替代，AI应用落地会分为辅助人工、替代人工、超越人工三个阶段。AI应用落地三个阶段AI大模型助力软件开发生产力大幅提升3KeywordD超u越m人my工Title巴基斯坦Hamind德国Alex1.规则和流程由AI去制定；2.AI能力超越最专业的人员。年19年编程经验周后42D替u代m人my工Title完成完成7%MVP195%MVP完成时间2周10周1.场景中80%以上的任务可以用AI替代；2.除了少数顶尖专家其余工作均可以由AI完成。GPT-4：211美元Copilot

20Bubble：

134美元周薪酬

：2460美元开发：45000美元测试：11000美元托管：20美元1：美元D辅u助m人my工Title成本1.规则和决策由人去制定，AI解决一些固定流程；2.核心流程由人定义。资料来源：海外独角兽公众号，长江证券研究所%%5%%%%%01

AI应用落地需要考虑成本和泛用性困境

人工智能发展的首要压制因素是相对成本，技术突破的本质是泛用性的提升。对于ToC场景来说，如何能够更加拟人/类人化灵活陪伴/提升效率是关键；对于ToB场景来说，如何让企业衡量相对成本，定量衡量提升效率情况，认为值是关键人工智能公司发展面临的一大难点是盈利能力较弱，主要系：

成本端人员成本、研发投入无法在细分场景中共摊，导致成本居高不下；

收入端客户为技术付费意愿较低，投资回报率低。成本的相对高昂导致客户无法坚定使用相关技术及产品提升企业或个人效率，同时技术提效的有限性导致客户付费意愿较低。大模型的出现提升了而模型底座的复用性，有望实现规模化落地分摊。另一方面，应用端企业进入壁垒大幅下降，如何凭借数据和场景Knowhow构建公司自身不可替代的壁垒，成为重中之重。一张图看人工智能技术商业化落地本质人工智能技术商业化落地本质需求侧可接受的成本（低成本）靠供给侧技术突破降本（比较困难）靠技术突破泛化程度提升，实现规模化落地分摊基础资源单一大场景碎片化场景资料来源：长江证券研究所。6%%%%02大模型出现有望改变核心矛盾：成本和生产力

AI研发范式发生变化，泛用性提升，平摊底座成本：（1）第一阶段范式：从头开始训练模型——AI应用企业做大需要=海量数据（各行各业）+大算力基础+AI人才团队，无法产生规模效应（2）第二阶段范式：预训练+微调训练的迁移学习——从相似性出发，寻找部分领域共性，迁移学习实现基座部分领域重复利用，AI应用企业做大需要=海量数据（部分行业）+一定算力基础+AI人才团队（3）第三阶段范式：基础大模型+提示学习——基座模型能力得到绝对突破，走向AGI，通过应用提示实现差别，AI应用企业做大只需了解产业专属promptAI研发范式的改变主要来源于新技术的突破，核心目的是实现基座模型标准化和泛化后的降本，从而实现商业化落地资料来源：北京智源%%7%%%%%01

供给驱动需求，驱动横纵两向不断进步，场景能力有望突破

Transform框架大力出奇迹的成功是本轮AI大模型革命的起源，其带来的影响主要是两个方面

Scalling

Law：1）规模越大能力提升斜率越高；2）参数到一定量级会涌现出新能力产生质变；

通往AGI的路径：Transform架构已经在文本（语言类）跑通，后续会在图像、视频甚至执行侧复现逐渐通往AGI。Transform出现涌现效应Scalling

Law不断在其他领域复现推动AGI实现资料来源：《Emergent

Abilities

of

Large

Language

Models》Wei

etal.，长江证券研究所。8%%%%01

奇点型落地范式造就非线性爆发

AI应用落地遵循奇点型非线性爆发

一次奇点：新技术在现有场景落地，并对传统AI技术进行颠覆，吞噬原有市场的同时带动扩容；

二次奇点：细分场景实现人工替代，供需构建飞轮效应，场景迎来二次爆发性扩容；

三次奇点：实现对人类全面超越，场景迎来全面重构。

技术全面替代；

迭代加速；

市场扩容奇点1一KeywordText奇点2

全面人工替代；

供需飞轮二次付费爆发；KeywordTextKeywordTextKeywordText奇点3

全面超越人类；

场景价值链条重构资料来源：长江证券研究所%%9%%%%%01

案例：从智能驾驶发展看AI应用奇点落地

深度学习技术提升图像识别率拉开智能驾驶的序幕，成为智驾发展一次奇点：新技术在现有场景落地，并对传统AI技术进行颠覆，吞噬原有市场的同时带动扩容；深度学习是计算机从数据中提取决策依据的一个过程。与传统的基于算法的系统相比，其最大的不同在于给定模型之后，深度学习系统可以自动地学习如何完成给定的任务，这些任务不仅可以是识别图像和语音，甚至可以是控制无人机执行任务或是让汽车自动行驶。近年来深度学习进展的一个直观的体现就是ImageNet竞赛。在这个竞赛中参赛算法在数千图像和视频的大规模数据上测试检测和分类的正确率。2012年之前，竞赛中物体的识别率一直提升得非常缓慢（低于70%）。在2012年引入深度学习之后，识别率一跃升至80%，现在已超过95%。深度学习已经取代了传统视觉方法在这一竞赛中的地位。ImageNet识别率大幅提升智驾能力发展与感知算法能力提升呈现正相关资料来源：新智元，英伟达，亿欧智库，长江证券研究所10%%%%01

案例：从智能驾驶发展看AI应用奇点落地

数据上云，云端与大模型结合形成数据闭环，成为智驾发展二次奇点：细分场景实现人工替代，供需构建飞轮效应，场景迎来二次爆发性扩容；若要建立一套智驾大模型，就必须要先做好数据闭环，其原因是智驾大模型需要大规模多模态数据，并且对数据处理的算力需求和模型计算效率要求也较高。数据闭环并不是一个较新的概念，早期自动驾驶产业已经开始出现了数据闭环的概念，但痛点在于低效率和高成本，比如数据标注多采用人工标注为主，在如今AI技术的加持下，数据闭环中的一些环节可以实现全自动或者半自动化的工作，使得整体的效率大幅提升、成本下降。自动驾驶数据闭环图示自动驾驶数据闭环发展历程资料来源：亿欧智库，长江证券研究所%%11%%%%%01

案例：从智能驾驶发展看AI应用奇点落地

数据上云，云端与大模型结合形成数据闭环，成为智驾发展二次奇点：细分场景实现人工替代，供需构建飞轮效应，场景迎来二次爆发性扩容；以此为基础，目前以特斯拉为代表的智能汽车厂商已在云端运用大模型Transformer架构将数据与场景跑通，诞生自动数据标注工具、仿真场景，然后利用云端模型优化车端模型。后又提出端到端概念，车端基于Transformer架构带来的scaling

law效应有望出现。Tesla

已使用tranformer将不同视角的图像转换至BEV空间下，再在BEV空间进行物体检测。端侧率先在感知算法进行Transformer架构结合，对于空间、时序特征考虑在内数据和AI驱动的端到端模型有望实现真正的自动驾驶资料来源：《BEVFormer:

Learning

Bird’s-Eye-View

Representation

fromMulti-Camera

Images

via

Spatiotemporal

Transformers》Zhiqi

Li等著，亿欧智库，长江证券研究所12%%%%02模型即应用时代，应用端如何构建护城河%%13%%%%%AI应用与传统应用的差异：如何解决不确定性02

不确定性何解：与传统用用相比，AI应用的核心问题是要面对不确定性，产品是概率分布的，因此产品的迭代流程也需要发生变化。

商业化奇点较晚：与过去的技术革命相比，AI的商业化奇点的到来较此前互联网等技术革命更晚，因为AI应用是替代关系，需要至少做到人类智慧的水平才具备商业化价值。AI应用的核心问题是要面对不确定性AI应用的商业化奇点显著晚于传统应用AI应用/产品的关注重点可能是准确性、可靠性、响应速度、用户体验的愉悦度，以及不断更新优化——Perplexity

AIAI传统应用AI应用互联网等技术革命互联网等技术革命不确定性100%确定性确定性收敛过的确定的部分可以回归传统方法去迭代优化不确定的部分则需要继续不受约束地探索传统方法正常迭代可能的AI应用迭代路径传统AI应用AICopilotAIAgent

举例：图像人脸识别、搜索推荐等角色：AI能力通常是作为独立组件

举例：Word、WPS、编程IDE等

举例：未来更成熟的AI形态软件中的Copilot

角色：能够感知环境、进行复杂决或API服务，执行特定的单一的AI

角色：理解用户意图和上下文，提策并执行动作技术成熟度任务供个性化辅助理解用户意图和上下

效果：拥有更强大的自主性和能力文，提供个性化辅助

效果：增强特定环节的智能化水平

效果：提供实时的、上下文相关的帮助，可覆盖多个环节工作链路蚂蚁猫猩猩脑残人资料来源：海外独角兽公众号，长江证券研究所14%%%%02

大模型时代，模型能力与数据是核心壁垒

在大模型时代，我们认为模型能力与数据是核心壁垒。模型能力决定产品上线，而数据壁垒定义产品的安全区。模型能力决定产品“上限”数据的壁垒定义产品“安全区”大模型的知识/数据主要来源AI的本质是模拟人接收信息再反馈的过程，过去大模型主要解决文字统一输入，多模态出现AI开始睁眼看世界，随着大模型架构逐渐完善，AI将逐渐能听会说，具备理解世界的能力。训练数据外接数据库用户反馈数据模型持续迭代，数据瓶颈问题日益显著图：GPT的迭代历程解决方案合成数据技术推进产品搭建核心通过算法和数据模型创建合成数据进行训练核心是构建交互场景，比如能被高频使用的C端应用ChatGPT基壁垒在GPT-2的基础上，GPT-3做了以下忧化：在GPT-1的基础上，GPT-2做了于GPT-3.5展望GPT5以下改进：架构，并做以下优化：GPT-1采用12层Transfomer，每层12个注意头①GPT-2有48层，使用1600维向量进行词嵌入将层归一化移动到每个子块的输入，并在最终的自注意块后增加一层归化③修改初始化的残差层权重，缩放为原来的1/

√N

。其中N是残差层的数量1）物理核心降低幻视①GPT-3有96层，使用来自人类反馈的强化学习进行训练②通过近端策略优化算法进行微调、为信任域策略优化算法带来了成本效益每层有96个注意头用户数据的scaling会在未来带来类似互联网的飞轮效应合成数据的优势：1）提高模型的性能和泛化能力；2）针对某一领域的能力加强训练，允许大模型搭建自己的“安全区”。②GPT-3的单词嵌入2

Qstar）

机器人提升复杂任务处理大小从GPT-2的1600增加到12888③上下文窗口大小从GPT-2的1024增加3）原生多模态到GPT-3的2048④特征向量维数从768扩展到1600，词表扩大到50257④采用交替密度和局部带状稀蔬注意模式飞应资料来源：中国科学报，36氪，前海再保科技公众号，计算机教育公众号，腾讯云CloudStudio公众号，新智元公众号，BusinessInsider，TheAIGRID，长江证券研究所%%15%%%%%02视频、代码等模型即应用将会是通用大模型厂商的射程范围

视频：通往AGI的路径方向上，大模型的迭代会逐步从早期各个模态的独立发展逐步转向多模态的融合，这样的演进即代表着视频应用未来将在通用大模型厂商的射程范围之内。

代码：随着通用大模型遵循scaling

law不断进化，智能化的提升会自然带动代码能力的增强。通往AGI的路径方向模型能力早期阶段当前阶段未来阶段各个模态独立发展多模态融合：模态融合&任务融合主动探索物理世界figure.aiGPT-4具身智能超级对齐GPT-4V语言模型System2：复杂任务规划，抽象概念归纳多模理解环境交互多模态模型统一理解和生成视觉模型世界模型GPT-5？Whisper多模生成DALLE3,Sora声音模型资料来源：长江证券研究所16%%%%02

海外大模型偏向基座，国内更容易衍生垂直一体化厂商海外大模型厂商具备较明显优势，更适合发展基座模型国内AI发展基础并不差，容易衍生垂直一体化厂商1）海外大模型厂商具备较明显的先发优势：海外大模型积累多年，截至2023年开闭源模型都已经有头部公司发力。相较之下，国内起步较晚，且算力被卡脖子，因此模型突破极度依赖战略突破。国内AI基础其实并不差：1）并不缺少顶级人才；2）庞大的落地市场；3）政府高度重视。在以上的发展生态上，除去在基座模型的持续追赶方面，国内亦更容易借助市场的优势，在特定的行业和赛道中衍生出垂直一体化厂商——在特定领域划出安全区，或针对特定的能力加以增强。从今年一月份第四批通过备案的企业名单看，除去传统的大模型厂商看，亦开始有垂直领域的企业、针对特定的功能获批。在众多可能的落地领域中，数据敏感型场景（如自动驾驶）更有望诞生垂直一体化厂商。2）海外算力和模型能构成比较好的正向循环。3）海外融资环境海外更好，支付能力更强。4）海外人力成本更高，因此AI深化落地的速度也会更快。表：新一批通过大模型备案审批的企业名单（仅展示第一批与第四批）批次公司大模型/产品图：海外开闭源大模型梳理百度阿里文心一言通义大模型腾讯混元大模型抖音云雀大模型华为盘古讯飞智谱AI星火大模型GLM大模型第一批百川智能百川大模型商汤MiniMax中科院日日新大模型ABAB大模型紫东太初大模型书生通用大模型零一万物大模型式说大模型上海人工智能实验室零一万物第四范式品商大模型衔远科技摹小仙大模型一叶轻舟大模型新壹视频大模型魔方大模型识因智能新壹科技创思远达步刻科技BOSS直聘智联招聘脉脉小米什么值得买掌阅第四批微步情报智脑大模型南北阁大模型“AI改简历”新功能“智能问答”新功能“小爱同学AI助手”新功能AI问答机器人“阅爱聊”微信小程序资料来源：期刊论文《Harnessing

thePower

ofLLMsin

Practice:

ASurvey

on

ChatGPTand

Beyond》，中国网信网，长江证券研究所%%17%%%%%03AI应用投资思考18%%%%01

把握AI应用一次奇点爆发——AI+视频、具身智能

随着AI模型能力的提升以及产业对AI接受度的提高，预计AI将在更多更复杂的产品完成0到1的变革，重点关注具身智能、AI+视频等赛道。伴随Sora的商业化，AI+视频领域或将在今年迎来奇点爆发具身智能的本质是人工智能的高技术供给驱动生产力范式重构AI

对视频制作的改造可以简单分为三类：视频生成（Text-to-Generate）、AI

视频编辑（AI

Editor）