华西证券：计算机行业-ChatGPT-深度拆解AI算力模型.pdf

请仔细阅读在本报告尾部的重要法律声明 Table_Title ChatGPT，深度拆解 AI 算力模型 Table_Title2 计算机行业 Table_Summary ChatGPTChatGPT 算法的核心壁垒算法的核心壁垒 (1 1)庞大的数据训练数据庞大的数据训练数据，往往意味着模型精准度的上升；数据量大，往往意味着数据特征维度大，模型的参数越复杂，训练数据维度跟算力指数呈现正相关，算力成本高。(2)2)底层算法底层算法 TransformerTransformer，相较于传统神经网络综合特征提取能力、远距离特征捕获能力、语义特征提取能力，全部明显增强，正逐步取代 RNN(循环神经网络)。(3)3)AIAI 预训练模型预训练模型(大模型大模型)，本质是“大算力+强算法”结合的产物，对自然语言理解能力明显上升，谷歌 BERT 模型就是典型跨时代的例子，我们认为其是 AIGC 的初始应用算法。(4(4)多模态数据协同多模态数据协同，极大推动 AIGC 的内容多样性与通用性，让 AIGC 不只局限于文本和图像等单个部分，而是多应用相容。不同类别不同类别 AIGCAIGC 算法比对算法比对 1 1、C ChathatGPT GPT:训练模型为强化学习近端策略优化，可以理解成在“人脑思维”的基础上加入了“人类反馈系统”，是一种奖励模型，拥有 175B 参数，训练数据为语言文本。2 2、LaDMA(LaDMA(谷歌谷歌 BardBard):):参数方面为 137B，奖励模型是人类评分机制，训练数据为对话数据。3 3、图神经网络、图神经网络(GNN)(GNN)作为科学领域预训练模型(大模型)备受瞩目，强大之处在于数据结构，其应用广阔例如推荐系统、药物发现、合成物发现、芯片设计等众多科学前沿领域。国产国产 ChatChatGPTGPT 生态正在形成生态正在形成 百度是少有预训练模型(大模型)语言训练能力的公司，已经经历多次迭代，参数方面参数方面，模型基于 ERNIE 3.0，拥有千亿级参数。预训练方面预训练方面，具备海量知识沉淀和丰富场景的文心大模型，跨模态方面跨模态方面，已有地理-语言、视觉-语言、语音-语言等模型架构，已覆盖众多方向，例如自然语言处理、机器视觉等其他重大任务，此外，根据 IDC 数据，目前已有近百万开发者使用文心大模型，生态正在逐步繁荣，合作厂商覆盖科技、教育、工业、媒体、金融等诸多产业。投资投资建议建议：关注鸿蒙关注鸿蒙 OSOS 的生态伙伴的生态伙伴 我们认为 AIGC 的出世会产生革命性的影响，同时有望赋能千行百业。我们梳理了三条路径图，积极的推荐以下三条投资主线:评级及分析师信息 行业评级：推荐 行业走势图 Table_Author 分析师：刘泽晶分析师：刘泽晶 邮箱： SAC NO：S1120520020002 联系电话：-35%-28%-21%-14%-7%0%2022/022022/052022/082022/112023/02计算机沪深300证券研究报告|行业动态报告 仅供机构投资者使用 Table_Date 2023 年 02 月 23 日 证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p1证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p1138737 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 2 2 19626187/2 1/2 01 902 28 16:59 1)1)具备算力基础的厂商，受益标的为具备算力基础的厂商，受益标的为寒武纪、商汤、海光信寒武纪、商汤、海光信息、浪潮信息、中科曙光、景嘉微息、浪潮信息、中科曙光、景嘉微、联想集团、紫光股份、龙、联想集团、紫光股份、龙芯中科芯中科；2)2)具备具备 AIAI 算法商业落地的厂商，重点推荐算法商业落地的厂商，重点推荐科大讯飞、拓尔思科大讯飞、拓尔思，其他受益标的为其他受益标的为:汉王科技、海天瑞声、云从科技汉王科技、海天瑞声、云从科技；3)AIGC3)AIGC 相关技术储备的应用厂商，受益标的为相关技术储备的应用厂商，受益标的为:百度、同花百度、同花顺、三六零、金山办公顺、三六零、金山办公。风险提示风险提示 核心技术水平升级不及预期的风险；AI 伦理风险；政策推进不及预期的风险；中美贸易摩擦升级的风险。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p2证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p2 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 3 3 19626187/2 1/2 01 902 28 16:59 正文目录 1.ChatGPT，深度拆解 AI 算力模型.4 1.1ChatGPT 算法的核心壁垒.4 1.2.不同类别 AIGC 算法比对.9 1.3.我国国产 ChatGPT 生态正在形成.11 2.投资建议：梳理 AIGC相关受益厂商.14 3.风险提示.15 图目录 图表 1 AI 算法的全流程.4 图表 2 模型的准确度和数据数量呈现正相关.5 图表 3 AI 需求呈现指数级别的增长.5 图表 4 Transformer 算法的前世今生.5 图表 5 Transformer 模型与 RNN、CNN 模型准确度对比(%).5 图表 6 深度学习初期模型越来越大.6 图表 7 预模型出现后机器对自然语言的理解不断提升.6 图表 8 国外主要 AIGC 预训练模型一览.7 图表 9 谷歌 GBRT取得的能力.8 图表 10 谷歌 GBRT 预训练架构.8 图表 11 CLIP 算法示意图.8 图表 12 DallE2 自动生成图画.8 图表 13 强化学习近端策略优化优化示意图.9 图表 14 ChatGPT 和 LaMDA的不同(左为 ChatGPT，右为 LaMDA).10 图表 15 图神经网络在电子健康记录建模的应用.10 图表 16 药物发现和合成化合物.11 图表 17 百度文心预训练模型(大模型)发展历程.12 图表 18 百度文心大模型全景图.13 图表 19 部分国产 ChatGPT 文心一言合作公司.14 证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p3证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p3 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 4 4 19626187/2 1/2 01 902 28 16:59 1.1.ChatGPTChatGPT，深度拆解，深度拆解 AIAI 算力模型算力模型 1 1.1.1C ChathatGPTGPT 算法的核心壁垒算法的核心壁垒 AI 的完整算法生成分为五部分分别是数据收集、数据清洗、模型训练、模型测试、模型部署和反馈。图表 1 AI 算法的全流程 资料来源：CSDN，华西证券研究所 核心壁垒核心壁垒一，一，庞大的数据训练数据庞大的数据训练数据。数据是所有人工智能(或大数据)的“燃料”，根据 appen 的数据，ChatGPT 的前身 GPT-3 就使用了 3,000 亿单词、超过40T 的大规模、高质量数据进行训练。ChatGPT 在其基础上，加入了人工打标的监督学习，即对话式模型给出结果后，由训练师对结果做出评价并修改结果以更贴切对话内容。原因，往往愈发庞大的“燃料原因，往往愈发庞大的“燃料”意味着模型的精准度的提升，意味着模型的精准度的提升，数据量的大小跟深度学习(大数据)的准确度庞大的正相关。此外，数据量的大小对于运算计算数据量的大小对于运算计算机算力的要求往往呈现指数级别的关系机算力的要求往往呈现指数级别的关系，这也是强大算法的核心需求。原因是数据清洗和数据标注的核心意义就是将人们理解的非结构化数据转变成计算机可以理解的结构化数据。可以将人工智能的本质理解成矩阵的运算，矩阵的维度往往代表着数据特征的维度，这也是训练神经网络参数的基础，一般情况下，数据维度越多，模型参数量越多，模型越复杂，模型的准确度越高，对算力的指数需求越高。本质是数据维度与算力指数呈现正相关。(不考虑参数堆积、模型过拟合的情况)证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p4证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p4 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 5 5 19626187/2 1/2 01 902 28 16:59 图表 2 模型的准确度和数据数量呈现正相关 图表 3 AI 需求呈现指数级别的增长 资料来源：知乎，华西证券研究所 资料来源：腾讯云，华西证券研究所 第二，第二，模型训练方面，模型训练方面，ChatChatGPTGPT 强大的底层技术是强大的底层技术是 TransformerTransformer 算法，该算法算法，该算法正逐步取代正逐步取代 R RNN(NN(循环神经网络循环神经网络)。Transformer 算法在神经网络中具备跨时代的意义:RNN 和 CNN 已经广泛应用于序列模型、语言建模、机器翻译并取得不错效果，然而在算法上仍有一定限制和不足。Transformer 具备跨时代的意义的原因是算法上添加了注意力机制，这种机制具备突破性的原因在于1、突破了 RNN 模型不能并行计算的限制；2、相比 CNN 模型，关联所需的操作次数不随距离增长；3、模型解释力度明显加强。从结果上看，根据 CDSN 数据，Transformer 的综合特征提取能力、远距离特征捕获能力、语义特征提取能力，全部明显增强，因此此算法正逐步取代 RNN 算法，也是 ChatGPT 算法的底座。图表 4 Transformer 算法的前世今生 图表 5 Transformer 模型与 RNN、CNN 模型准确度对比(%)资料来源：公开资料整理，华西证券研究所 资料来源：CSDN，华西证券研究所 第三，第三，模型训练部分，模型训练部分，AIAI 预训练模型预训练模型(大模型大模型)引发了引发了 A AIGCIGC 技术能力的质变。技术能力的质变。在该模型问世之前，具有使用门槛高、训练成本低、内容生成简单和质量偏低等问题。而在 AIGC 领域，AI 预训练模型拥有巨大参数量模型，AI 预模型可以实现多任务、多语言、多方式等至关重要的作用。A AI I 预训练模型的出预训练模型的出正是人工智能发展的未来和趋势正是人工智能发展的未来和趋势，AIAI预训练模型预训练模型(大模型大模型)即即“大算力“大算力+强算法强算法”结合的产物。结合的产物。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。基于大模型进行应用开发时，将大模型进行微调，如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。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p5证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p5 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 6 6 19626187/2 1/2 01 902 28 16:59 AIAI 预训练模型的本质是预训练模型的本质是机器对自然语言理解能力的不断提升机器对自然语言理解能力的不断提升:其根本原因除Transformer 算法以外，还有就是参数量的大小，谷歌 BERT 网络模型的提出，使得参数量首次超过 3 亿规模，GPT-3 模型超过百亿。此外，目前较火热 AIGC 的参数量已经超过千亿。此外，参数量往往是计算空间的复杂程度，模型空间越复杂，参数量往往是计算空间的复杂程度，模型空间越复杂，往往意味着庞大的计算量，计算量和参数量呈现正比关系往往意味着庞大的计算量，计算量和参数量呈现正比关系。这也是随着 AI 的功能强大，AI 对算力呈现指数级别根本需求的本质原因。图表 6 深度学习初期模型越来越大 图表 7 预模型出现后机器对自然语言的理解不断提升 经典神经网经典神经网络络 AlexNeAlexNet t VGG16VGG16 InceptioInception n-V3V3 模型内存(MB)200 500 90-100 参数(百万)60 138 23.2 计算量(百万)720 15300 5000 资料来源：博客网，华西证券研究所 资料来源：知乎，华西证券研究所 此外，预训练模型此外，预训练模型(大模型大模型)，按照应用的基本类型分类，按照应用的基本类型分类:可分为 1、自然语言处理(NLP)，例如谷歌的LaMDA和PaLM、OpenAI的GPT系列；2、计算机视觉(CV)，例如微软的 Florence；3、多模态即融合文字、图片、音视频等多种内容形式，例如 OpenAI 的 DALL-E2；此外，根据不同的领域的应用，可以将预训练模型进一步分类。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p6证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p6 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 7 7 19626187/2 1/2 01 902 28 16:59 图表 8 国外主要 AIGC 预训练模型一览 厂商厂商 预训练模型预训练模型 应用应用 参数量参数量 领域领域 谷歌 BERT 语言理解与生成 4810 亿 NLP LaMDA 对话系统 NLP PaLM 语言理解与生成、推理、代码生成 5400 亿 NLP Imagen 语言理解与图像生成 110 亿 多模态 Parti 语言理解与图像生成 200 亿 多模态 微软 Florence 视觉识别 6.4 亿 CV Turing-NLG 语言理解、生成 170 亿 NLP Facebook OPT-175B 语言模型 1750 亿 NLP M2M-100 100 种语言互译 150 亿 NLP Deep Mind Gato 多面手的智能体 12 亿 多模态 Gopher 语言理解与生成 2800 亿 NLP AlphaCode 代码生成 414 亿 NLP Open AI GPT3 语言理解与生成、推理等 1750 亿 NLP CLIPDALL-E 图像生成、跨模态检索 120 亿 多模态 Codex 代码生成 120 亿 NLP ChatGPT 语言理解与生成、推理等 NLP 英伟达 Megatron-Turing NLG 语言理解与生成、推理等 5300 亿 NLP Stability AI Stable Diffusion 语言理解与图像生成 多模态 资料来源：腾讯AIGC 发展报告 2023，华西证券研究所 谷歌谷歌 B BERTERT作为作为自然语言处理自然语言处理(NLP)NLP)是是预训练模型预训练模型(大模型大模型)的的里程碑里程碑之作之作:BERT模型是谷歌 2018 年发布的的掩码语言模型，当时发布后，在许多自然语言理解任务上取得了最先进的性能，被当时誉为最先进的神经网络模型。被当时誉为最先进的神经网络模型。其具有里程碑式其具有里程碑式结果如下，结果如下，机器阅读理解顶级水平测试 SQuAD1.1 中表现出惊人的成绩：全部两个衡量指标上全面超越人类，并且还在 11 种不同 NLP 测试中创出最佳成绩，包括将GLUE 基准推至 80.4（绝对改进 7.6），MultiNLI 准确度达到 86.7%（绝对改进率 5.6）等。B BERTERT 取得跨时代的意义是新的预训练模型取得跨时代的意义是新的预训练模型:在 BERT 模型出世之前，现有的技术已经严重限制了预训练表示的能力，原因是标准语言模型架构是单向的，因此，Bert 采用了 Transformer 技术的双向编码器表示。与最近的其他语言表示模型不同，BERT 旨在通过联合调节所有层中的上下文来预先训练深度双向表示。因此，预训练的 BERT 表示可以通过一个额外的输出层进行微调，适用于广泛任务的最先进模型的构建，比如问答任务和语言推理，无需针对具体任务做大幅架构修改。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p7证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p7 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 8 8 19626187/2 1/2 01 902 28 16:59 模型的预训练核心机制模型的预训练核心机制是其具备里程碑的根本原因是其具备里程碑的根本原因:语言建模语言建模（15%的标记被屏蔽，训练目标是在给定上下文的情况下预测原始标记）和下一句预测和下一句预测（训练目标是对两个文本跨度进行分类）依次出现在训练语料库中）。因此，BERT 学习了上下文中单词和句子的潜在表示,例如语言推理、文本分类和基于序列到序列的语言生成任务，此外该阶段的计算成本明显高于微调此外该阶段的计算成本明显高于微调。我们我们认为认为该算法是该算法是 A AIGCIGC 的的初始应用初始应用算法算法。图表 9 谷歌 GBRT 取得的能力 图表 10 谷歌 GBRT 预训练架构 资料来源：知乎，华西证券研究所 资料来源：稀土掘金，华西证券研究所 第四，第四，模型训练方面，多模态数据协同极大的推动模型训练方面，多模态数据协同极大的推动 A AIGCIGC 的内容多样性的内容多样性与通用与通用性性:预训练模型更具备通用性、多才艺的根本原因得益于多模型技术(multimodal technology)的使用，即多模态表示图像、声音、语音融合的机器学习。2021 年，OpenAI 团队将跨模态深度学习(CLIP)开源，CLIP 能够将文字和图像进行关联，比如将文字“狗”和图像狗进行关联。CLIP 的优势有两点:1、同时进行自然语言处理(NLP)和计算机视觉分析(CV)，实现文本和图像的匹配；2、CLIP 模型利用互联网的照片“文本-图像”进行训练，这为后续 AIGC 奠定基础，极大减少数据标注的工作量。多模态同样具有跨时代的意义多模态同样具有跨时代的意义:因此，在多模态技术的支持下，预训练模型已经从早期单一的自然语言处理和机器视觉发展成自动生成图画、图像文字、音视频等多模态、跨模态图型。DallE2 就是典型的代表，CLIP 模型让文字和图片两个模态找到能够对话的交界点。图表 11 CLIP 算法示意图 图表 12 DallE2 自动生成图画 资料来源：知乎，华西证券研究所 资料来源：OpenAI 官网，华西证券研究所 证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p8证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p8 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 9 9 19626187/2 1/2 01 902 28 16:59 1.2.1.2.不同类别不同类别 A AIGCIGC 算法比对算法比对 ChatChatGPTGPT:ChatGPT 基于 GPT-3.5 架构，拥有 175B 个参数。ChatGPT 的训练功能强大的原因就是训练奖励模型数据收集设置略有不同、并加入了强化学习近端策略优化，可以理解成在“人脑思维”的基础上加入了“人类反馈系统”，是一种奖励模型。因此效果更加真实、模型的无害性实现些许提升，编码能力更强。具体而言具体而言:此种强化学习的目的是获得“奖励”，因此 ChatGPT 加入了一个“奖励”模型，每一个问题都生成不同的答案，然后由人类对不同的答案进行排序，排序靠前的回答得分更高，排序较低的回答得分更低。图表 13 强化学习近端策略优化优化示意图 资料来源：OpenAI 官网，华西证券研究所 谷歌谷歌 LaMDALaMDA 是是 GoogleGoogle B Bardard 聊天机器人的程序语言模板聊天机器人的程序语言模板:相同点相同点同样是基于Transformer 的神经语言模型，不同点，不同点，1 1、参数方面、参数方面由多达 137B 个参数组成，并在 1.56T 的公开可用对话数据和网络文档的单词上进行了预训练。LaMDA 模型具有质量、安全和扎实性三个关键目标，每个目标有各自的衡量指标。2 2、奖励模型、奖励模型:LaMDA 的进展是通过收集来自预训练模型、微调模型和人类评分者（即人类生成的反应）对多轮双作者对话的反应来量化的然后由针对上述定义的指标对一系列问题进行不同的人类评分。具体行为即对 AI 生成文本进行“点赞”或是“差评”。3 3、训练数据、训练数据:C ChathatGPTGPT 的训练方式是的训练方式是训练文本，而 LaMDA 的训练方式是训练对话，因此，可以说 GPT-3 专注于生成语言文本，LaMDA 专注于生成对话。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p9证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p9 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1010 19626187/2 1/2 01 902 28 16:59 图表 14 ChatGPT 和 LaMDA 的不同(左为 ChatGPT，右为 LaMDA)资料来源：AI阅粒，华西证券研究所 此外图神经网络此外图神经网络(GNN)GNN)作为作为科学领域科学领域预训练模型预训练模型(大模型大模型)备受瞩目备受瞩目:基本定义，基本定义，图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。强大之处强大之处，图神经网络相较于普通神经网络最大的特点可以理解成“关系网”，即图神经网络不光可以反映自身的特征，也可以反映邻居结点的特征，换而言之，图结构表示的数据，使得可以进行基于图的解释和推理。图表 15 图神经网络在电子健康记录建模的应用 资料来源：CSDN，华西证券研究所 图神经网络应用与日俱增，有望成为下一时代的风口浪尖图神经网络应用与日俱增，有望成为下一时代的风口浪尖:图形神经网络和相关技术的发展已经具有“脱胎换骨”的意义，例如化学合成、车辆路由、3D 视觉、推荐系统、连续控制、自动驾驶和社交网络分析，目前已经应用在社会结构、证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p10证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p10 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1111 19626187/2 1/2 01 902 28 16:59 电子健康记录建模、药物发现和合成化合物、推荐系统、交通预测、链接预测、点云分类与分割、人物交互、文本分类、姿态估计、芯片设计等众多前沿领域。图表 16 药物发现和合成化合物 资料来源：CSDN，华西证券研究所 1.1.3 3.我国国产我国国产 ChatChatGPTGPT 生态正在形成生态正在形成 我国国产我国国产 ChatChatGPTGPT 生态正逐渐繁荣生态正逐渐繁荣:由于 ChatGPT 具有跨时代的意义，根据网易新消息，百度在国内率先开发类似 ChatGPT 的产品，该项目中文名字为文心一言，英文名 ERNIE Bot。百度是百度是少少有有预训练模型预训练模型(大模型大模型)语言训练能力的公司语言训练能力的公司:其文心大模型和 Open AI 的 GPT 模型类似，在 2019 年就已经推出，并且已经迭代了多代，从单一的自然语言理解延申到多模态，包括视觉、文档、文图、语音等多模态多功能，因此“文心一言”所基于的 ERNIE 系列模型也已经具备较强泛化能力和性能。以最新发布的 ERNIE 3.0 Zeus 为例，参数方面参数方面，该模型迭代于 ERNIE 3.0，拥有千亿级参数。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p11证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p11 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1212 19626187/2 1/2 01 902 28 16:59 图表 17 百度文心预训练模型(大模型)发展历程 资料来源：经济观察报，华西证券研究所 国产国产 ChatChatGPTGPT 文心一言功能强大文心一言功能强大:预训练预训练模型方面，模型方面，百度凭借海量的知识沉淀和丰富的场景推出文心大模型，根据 IDC 数据，其拥有 5500 亿条知识，且已经应用于百度搜索、信息流、智能驾驶、百度地图、小度等产品，此外，跨模态方面此外，跨模态方面，百度已有文能生成、文档智能、地理-语言、视觉-语言、语音-语言等模型架构，根据IDC 数据，目前已有近百万开发者使用文心大模型。证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p12证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p12 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1313 19626187/2 1/2 01 902 28 16:59 图表 18 百度文心大模型全景图 资料来源：IDC，华西证券研究所 百度文心模型覆盖了多方向百度文心模型覆盖了多方向:1 1、自然语言处理、自然语言处理，具备语言理解能力与小说、摘要、文案创意、歌词、诗歌等能力，目前已在机器阅读理解、文本分类、语义相似度计算等 60 多项任务中应用；2 2、机器视觉、机器视觉，已经能够应用于各行各业的文档、卡证、票据等图像文字识别和结构化理解；3 3、跨模态、跨模态，模型可应用在 AI 作图、地理-语言、视觉-语言、语音-语言应用；4 4、其他任务、其他任务，例如对话、生成文本、自然语言变成理解、化合物分子、蛋白分子的预训练模型、医药研发建模等多应用场景。国产国产 ChatChatGPTGPT 生态逐渐繁荣生态逐渐繁荣:目前已有诸多厂商开展合作，我们认为其商业模式同样为 API 接口收费，属于 SAAS 商业模式，合作厂商分别覆盖科技、教育、工业、分别覆盖科技、教育、工业、证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p13证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p13 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1414 19626187/2 1/2 01 902 28 16:59 媒体、金融等诸多产业，媒体、金融等诸多产业，代表公司有宇信科技、汉得信息、金蝶、航天宏图、致远互联、东软集团等。图表 19 部分国产 ChatGPT 文心一言合作公司 资料来源：公开资料整理，华西证券研究所 2.2.投资建议投资建议：梳理梳理 AIGCAIGC 相关受益厂商相关受益厂商 我们认为 AIGC 的出世会产生革命性的影响，同时有望赋能千行百业。我们梳理了三条路径图，积极的推荐以下三条投资主线:1)1)具备算力基础的厂商，受益标的为具备算力基础的厂商，受益标的为寒武纪、商汤、海光信息、浪潮信息、寒武纪、商汤、海光信息、浪潮信息、中科曙光、景嘉微中科曙光、景嘉微、联想集团、紫光股份、龙芯中科、联想集团、紫光股份、龙芯中科；证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p14证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p14 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1515 19626187/2 1/2 01 902 28 16:59 2)2)具备具备 AIAI 算法商业落地的厂商，重点推荐算法商业落地的厂商，重点推荐科大讯飞、拓尔思科大讯飞、拓尔思，其他受益标的，其他受益标的为为:汉王科技、海天瑞声、云从科技汉王科技、海天瑞声、云从科技；3)AIGC3)AIGC 相关技术储备的应用厂商，受益标的为相关技术储备的应用厂商，受益标的为:百度、同花顺、三六零、金百度、同花顺、三六零、金山办公山办公。3.3.风险提示风险提示 1、核心技术水平升级不及预期的风险；2、AI 伦理风险；3、政策推进不及预期的风险；4、中美贸易摩擦升级的风险。Table_AuthorTable_AuthorInfoInfo 证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p15证券研究报告发送给东方财富信息股份有限公司。版权归华西证券所有，请勿转发。p15 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1616 19626187/2 1/2 01 902 28 16:59 分析师与研究助理简介分析师与研究助理简介 刘泽晶（首席分析师）：2014-2015年新财富计算机行业团队第三、第五名，水晶球第三名，10年证券从业经验。分析师承诺分析师承诺 作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，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，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。评级说明评级说明 公司评级标准公司评级标准 投资投资评级评级 说明说明 以报告发布日后的 6 个月内公司股价相对上证指数的涨跌幅为基准。买入 分析师预测在此期间股价相对强于上证指数达到或超过 15%增持 分析师预测在此期间股价相对强于上证指数在 5%15%之间 中性 分析师预测在此期间股价相对上证指数在-5%5%之间 减持 分析师预测在此期间股价相对弱于上证指数 5%15%之间 卖出 分析师预测在此期间股价相对弱于上证指数达到或超过 15%行业评级标准行业评级标准 以报告发布日后的 6 个月内行业指数的涨跌幅为基准。推荐 分析师预测在此期间行业指数相对强于上证指数达到或超过 10%中性 分析师预测在此期间行业指数相对上证指数在-10%10%之间 回避 分析师预测在此期间行业指数相对弱于上证指数达到或超过 10%华西证券研究所：华西证券研究所：地址：北京市西城区太平桥大街丰汇园 11 号丰汇时代大厦南座 5 层 网址：http:/ 证券研究报告|行业动态报告 请仔细阅读在本报告尾部的重要法律声明 1717 19626187/2 1/2 01 902 28 16:59 华西证券免责声明华西证券免责声明 华西证券股份有限公司（以下简称“本公司”）具备证券投资咨询业务资格。本报告仅供本公司签约客户使用。本公司不会因接收人收到或者经由其他渠道转发收到本报告而直接视其为本公司客户。本报告基于本公司研究所及其研究人员认为的已经公开的资料或者研究人员的实地调研资料，但本公司对该等信息的准确性、完整性或可靠性不作任何保证。本报告所载资料、意见以及推测仅于本报告发布当日的判断，且这种判断受到研究方法、研究依据等多方面的制约。在不同时期，本公司可发出与本报告所载资料、意见及预测不一致的报告。本公司不保证本报告所含信息始终保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者需自行关注相应更新或修改。在任何情况下，本报告仅提供给签约客户参考使用，任何信息或所表述的意见绝不构成对任何人的投资建议。市场有风险，投资需谨慎。投资者不应将本报告视为做出投资决策的惟一参考因素，亦不应认为本报告可以取代自己的判断。在任何情况下，本报告均未考虑到个别客户的特殊投资目标、财务状况或需求，不能作为客户进行客户买卖、认购证券或者其他金融工具的保证或邀请。在任何情况下，本公司、本公司员工或者其他关联方均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而导致的任何可能损失负有任何责任。投资者因使用本公司研究报告做出的任何投资决策均是独立行为，与本公司、本公司员工及其他关联方无关。本公司建立起信息隔离墙制度、跨墙制度来规范管理跨部门、跨关联机构之间的信息流动。务请投资者注意，在法律许可的前提下，本公司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。在法律许可的前提下，本公司的董事、高级职员或员工可能担任本报告所提到的公司的董事。所有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、转发或公开传播本报告的全部或部分内容，如需引用、刊发或转载本报告，需注明出处为华西证券研究所，且不得对本报告进行任何有悖原意的引用、删节和修改。