AIGC内容分享(十三)：2023年中国AIGC产业全景报告
目录
核心摘要
中国AIGC产业之“变”与"新
技术变革的原始驱力：大模型层
价值传递的实际落位：应用层
不可忽视的资源引擎：算力层
中国AIGC产业之发展趋势
核心摘要
古人有云：每当明月初升时分, 学者们潜心研习于光明之中。人类对人工智能学领域的潜心钻研终于再度取得重大突破, 大模型能力的持续提升与AIGC广泛应用为那不一定是AGI但一定更AI的未来提供了确定性的加速推动力。在AI2.0时代, 该领域的快速发展不仅体现在将AI技术深入现有应用中, 更预示着一场新的生产力与创新力革命即将到来。在这场革命中, AI正以跳跃式的速度向各行各业渗透, 推动着人类社会向着更加智能化的方向迈进。
对此
中国AIGC产业之“变”与"新"
报告研究范围-AIGC
AIGC与大模型将引领“AI产业”与“产业AI”发展
AIGC（AI-Generated Content）主要采用生成式AI路径来创造内容的形式被视为一种新型的内容生产方式
中国AIGC产业市场规模
市场规模呈指数级增长，突破规模化临界点攫取万亿产业价值
参考第50份《中国互联网络发展状况统计报告》显示，在2022年6月底时
中国AIGC产业投融资情况
模型创业初抬头，多模态、跨模态备受青睐，资本扎堆优质项目
在2021年7月至2023年期间,AIGC赛道共吸引了共计280笔投资融资,展现出显著的热度与持续增长的趋势。从产业细分维度分析显示,应用层创业项目数量最多,受ChatGPT影响,模型层创业活动在近年来集中爆发,尤其是在2023年间达到高潮。在获得投资的应用与模型层创业项目中,文本类、影像类及语音类项目各占三分之一左右,但相较于单一模态而言,.多模态及跨模态的技术方案因其多元化优势而备受资本青睐.此外,在整个获投的170家公司中,约有17%的企业获得了三次及以上投资融资.这一高频度融资现象从企业需求侧反映出AIGC早期发展阶段对大量资金的需求强烈程度,同时也从资金供给端表明优质创新项目的稀缺性已逐渐显现
中国AIGC产业图谱全景图
技术变革的原始驱力：大模型层
预训练大模型分类与介绍
基于两大类基础架构衍生出各类大模型；多模态已成趋势
预训练大模型主要可分为文本型、图像型、视频型等不同的模式, 但从底层架构上都可划分为两大类. Transformer架构是一种编码解码型模型框架,主要用于处理文本型与代码型等具有强连续性特征的任务;而基于扩散理论(Diffusion)、生成对抗网络(GAN)以及神经 Radiometer Fields (NeRF)等则擅长图像生成相关任务.通过叠加文图转换技术,能够实现文字到图像的生成.在实际应用中,单模态模型通常会融合其他模态技术,从而构建出多模态与跨模态的大模型体系,例如GPT-4、文心一言及MidJourney等.由于多模态模型能够适应不同输入输出形式的应用场景,因而发展多模态技术方向逐渐成为产学研界的共识.
预训练大模型的路径探讨
了解人工智能时代的“iOS”与“安卓”，闭源与开源市场将并存互补
在以OpenAI为代表的闭源模型厂商开放对外技术服务后，开源模型厂商也在加紧发力，以Meta的Llama模型为代表陆续开源迭代，意图进一步实现生态层面的跑马圈地，2023年上半年LLM与数据集迎来开源季。 大模型的开源可根据开源程度分为“可研究”与“可商用”级别。2023年2月，Meta发布了开源大模型LLM的第一个版本Llama，授予“可研究”用途。2023年7月进一步发布“可商用”的Llama2版本，虽然有日活超过7亿产品需额外申请、不能服务于其他模型调优等的商用限制，但海外很多中小企业已可用Llama2的模型来做私有化部署，基于Llama2开源模型训练出定制化的可控模型。由于Llama2基本不支持中文，对中国的大模型商用生态暂时不会产生实质性变化，中国仍需开发培育适配于中文数据土壤的开源生态。 闭源LLM可为B端用户和C端消费者持续提供优质的模型开发及应用服务；开源LLM可从研究角度促进广大开发者和研究者的探索创新，从商用角度加速大模型的商业化进程与落地效果。未来，开源和闭源的LLM会并存和互补，为大模型发展共同创造出多元协作的繁荣生态。
着力打造中国AIGC开源社区生态
轻量级模型陆续开源，助力开源生态建设，千亿级模型暂以闭源路径开展
通过引入更多开发者及赋予用户对AI模型定义权，并借助于AI开源创新平台这一工具，在支撑底层AI芯片、智算中心及云服务等基础设施的发展的同时
大模型落地将带来新一轮AI产业化扩散
大模型的落地将提速AI工业化生产，并充分释放AI产业潜在市场空间
大模型本质上是一个能力全面且突出的"全能型"系统，在通用性方面表现优异，并在能力提升方面较之小型模型也有显著优势。
在应用开发中可采用"预训练+微调"范式进行构建与优化。
根据具体任务需求可以选择以下几种方式：
- 对大模型进行二次开发
- 进行微调优化
- 或仅借助领域知识库辅助等方式
这种标准化程度更高、流程更为规范的方式，在开发效率和运维成本方面均有显著提升。
同时这一改进有助于推动AI产业的规模化发展。
更重要的是这一改进使得更多AI服务能够落地实施
从而有效拓展了AI的应用边界
这种综合性的改进释放了AI双循环发展的巨大潜力
MaaS是大模型能力落地输出的新业态
打造大模型商店，为下游提供低门槛、低成本的模型使用与开发支持
MAaS（Model as a Service），以服务为中心
大模型成为AI应用开发的操作系统
模型即服务（MaaS）构建新型AI基础设施，重构AI开发部署范式
伴随着企业上云进程中智能化转型需求的逐步增多以及传统行业领域数据的持续积累，在AI应用开发过程中逐渐面临需深入探索的细分领域及非典型客户需求。这些复杂背景要求对算法的通用性和扩展能力提出了更高的要求。传统的基于'小模型'的小规模应用开发流程通常针对单一场景进行操作，并独立完成从数据准备到模型迭代的关键环节。因此在实际应用中针对定制化需求与长尾客户群体而言其效率相对较低且容易受到计算资源限制影响最终导致相关性能指标如精度可靠性与扩展性难以得到全面优化。随着人工智能技术体系愈发完善尤其是在产业规模持续扩大背景下如何降低研发门槛提升运行效率成为亟待解决的技术难题。在这种背景下预训练大型语言模型（LLM）应运而生它通过无监督或自监督学习的方式从海量数据中提取知识构建拥有千万甚至亿级参数的基础神经网络架构并将其存储起来以便后续快速调用以支持各类应用场景下的智能推理工作流。在这种新的技术范式下传统的基于'小模型'的应用开发思路已经难以满足现代业务需求于是出现了一种全新的模式即先调用统一的基础平台结合行业知识进行个性化定制从而实现高效可靠的应用落地效果这一模式不仅显著降低了技术门槛还能够有效提升用户体验质量并推动更多新兴行业的智能化发展
市场需评估基础通用大模型产品服务能力
艾瑞提出EPS-EPD评估体系，定位大模型产品的基模性能与商业能力
评测大模型能力的重要性不容忽视。通过评测结果信息的收集与整理,供应商、需求方及消费者均可全面掌握各家大模型技术的优势所在及其存在的短板,从而实现产品性能的优化和应用策略的提升。伴随着大模型产业的持续发展和完善,评测基准体系也逐步完善中。对于这一核心问题,艾瑞判断认为,未来的大模型产品服务能力将被系统性地纳入到产品服务套装中,为企业提供全方位的服务支持。具体而言,艾瑞提出了EPS-EPD评估体系作为基础框架,并以此为核心构建一系列评估集合,对市面上公开的大模型能力进行系统性测评工作;通过全面考察产品在基模性能和商业能力两个维度的能力定位,为业内各界提供基于实证的数据参考信息。
基模落地因需求差异展开产业路径分化
大模型需以行业级、企业级大模型方式支撑上层应用
基础大模型落地面临两大难题，一是终端客户对算力成本的接受能力，二是大模型虽擅长通用领域问题，但往往在垂直行业任务中表现欠佳。因此，基础大模型会通过领域数据或专属知识库进行训练和调优，形成垂直领域的行业大模型或业务大模型；此外，部分企业还具有深度定制、私有化部署的需求，需要在行业大模型基础上，进一步加入企业专有数据进行训练或微调，形成企业级大模型。 从商业化布局角度来看，如今基础大模型厂商可分为三类参与者，分别为云巨头厂商、人工智能公司、学术研究机构及创业公司，在定位有通用能力基座的同时打通向上商业化路径。其中，云巨头厂商将借助云服务及数据库资源，更强调MaaS能力输出。AI公司或创业公司将借助业务积累或生态资源锚定几个典型行业或业务场景展开商业占领。从开闭源角度来看，基模厂商普遍采用前文所述的“轻量级开源、千亿级闭源”的发展路径，而向上分化的垂直领域厂商将基于开源模型或基模平台开发部署细分领域模型产品，厂商优势在垂类数据与业务理解。 若客户，如金融行业，对模型的开源性及私有化部署有明确要求，则开源路径会是该类需求的典型落地形态。
如何连接模型能力与应用需求是落地关键
数据准备、ROI衡量、 Prompt工程是连接模型层与应用层的落地三要素
在新一轮的人工智能技术浪潮中如何实现模型能力与上层应用的有效结合并推动其商业化变现进而构建以人工智能为核心的生态系统成为AIGC各层厂商关注的重点课题之一
厂商合作关系演化及周边工具服务发展
模型层与应用层边界渐弱，带动数据层、开发平台等工具服务高效发展
伴随着大模型通用性的提升
工具层成为AIGC产业新热点
工具层的AI Agent与模型服务平台可以更好匹配应用需求与模型能力
综合来看，在AI代理与大模型服务之间构建起有效的桥梁即为大模型中间层的价值所在其价值前景极为广阔或可借此打造工具生态系统但从另一个角度而言中间层仍需依附于模型层之上受限于底层模型能力因此唯有构建强有力的大模型基础才能为其发展提供更为肥沃的成长土壤
AI Agent更广阔的角色价值与发展空间
进入AI智能体文明，让生产力大幅提升，沉淀垂类数据与业务理解是关键
在20世纪80年代初开始探索开发能够实现人机交互的智能软件系统，在这一过程中计算机科学家已在20世纪80年代初开始探索开发能够实现人机交互的智能软件系统，在这一过程中
价值传递的实际落位：应用层
AIGC产业化价值与影响
内容生产和人机交互两条主线并驾齐驱，拉开变革大幕
本章节深入分析了AIGC技术的发展与应用现状。就其核心技术而言，在涵盖语音合成、策略生成等其他相关技术的基础上，在多个AI服务领域均展现出广泛的应用前景。就其核心技术而言，在内容生成与理解方面形成了显著优势。其产业价值主要体现在"革新内容生产模式"以及"优化人机交互体验"两个关键维度上。该技术独特的双向能力使其不仅能够以较低门槛实现多模态内容的综合生成与处理，并且能够突破传统场景限制，在人机对话领域展现出广泛的适用性。展望未来,随着该技术衍生出的一系列智能化生产工具逐步成熟,将在提升内容制作效率的同时,进一步降低数字生态中的人机交互复杂度
生产力变革带动海量下游应用优化
生活领域充分释放用户创新能力，生产领域全面革新交互体验和效率
以大模型为核心技术，在生成式AI领域开启了一次革命性的创新进程，并展现出广泛的应用潜力，在人类社会生活的各个层面都将产生深远影响。在生活版块中,AIGC将进一步拓展UGC内容生产权,激发创作者活力,推动UGC内容裂变传播机制逐步完善,同时借助社区运营模式的良好盈利模式,内容消费路径已基本实现从技术到商业模式的全覆盖。在产业应用层面,大模型系统能够全方位优化研发流程、提升产品能力并改善交互体验,也为各类型企业提供了全新的服务场景,因此各类企业数字化厂商正积极寻找自身优势定位与大模型的技术合作机会
AIGC将在全行业引发深度变革
线上化程度、数字化基础、行业内容占比等影响AIGC应用前景与渗透速度
从整体上说,AIGC主要影响内容创作与人机交互.具体来说,在价值链线上化程度较高的行业中,相应地,在这些行业中内容在整个价值链中的占比也越高,从而其带来的颠覆性影响更为显著.此外,这些行业的独特属性——如数据资源、专业知识以及监管要求等因素——也会对AIGC技术的渗透速度产生重要影响.比如电商、游戏、广告以及影视传媒等领域作为以内容生产为核心价值的行为体,还有像电商和金融这样的研发设计与营销环节占据较高地位的行业,都能够较为迅速地观察到人工智能生成内容（AIGC）如何取代传统的生产工具并重塑业务流程.
内容消费赛道：内容分发平台为核心的AIGC布局
现阶段AIGC主要在UGC与PGC中进行渗透
内容分发平台一端连接创作者与海量用户，在构建最完整的消费生态的同时天然成为AIGC内容消费的关键布局方。起初，在内容消费市场中主要按照创作者属性与商业模式可分为PGC与UGC两大类：PGC平台因专业性强且以高投入的内容付费模式盈利，在 content production方面投入巨大；为了提升用户粘性则同步发展UGC相关内容；而UGC平台则以生活化的内容形式 focusing on流量变现，在保持内容质量的同时满足可持续吸引注意力的需求；两类平台均积极拓展AI创作工具的应用边界。随着线上社交需求持续攀升；社交业务展现出惊人的盈利能力成为新的变现增长点；如网易云音乐在2022年社交娱乐板块收入已远超音乐服务收入；各大平台纷纷布局社群生态；通过挖掘现有用户资源提升运营效率；其中AI技术支撑下的营销文案、电商图片及评论等内容生成广泛应用于上述场景；此外，在各平台后台普遍部署精准推荐系统与智能客服功能；同时也在逐步引入大模型技术取代或辅助原有AI技术栈；但此类应用主要用于提高运营效率而非直接产生 content consumption 效益因而被归类为企业服务范畴而非核心 content consumption赛道
创作工具赛道：模型能力为核心，文、图发展路径将分化
短期内模型—应用不分家，图像生成领域尚有模型自研机会
相较于传统内容创作工具而言，在这种情况下（即底层架构设计上），AIGC内容创作工具最显著的特点在于其'底层模型重量较大、前端结构较为简单'这一特性占据了绝对的竞争优势位置。在产品竞争中核心关注点转移至模型能力的强弱成为决定胜负的关键因素。从大语言模型的研发投入情况以及现有现成模型的应用开发可行性这两个核心指标来看：文本类应用与图像类应用的发展路径确实存在显著差异性特征表现：大语言模型成熟度高具备较高的商业化潜力与技术壁垒而图像生成领域仍处于技术探索阶段并且其技术突破空间相对有限
企业服务赛道：产品化价值与商业变现
AIGC融入既有应用降本效果明显，营收增长主要依靠服务新场景
不可忽视的资源引擎：算力层
AIGC带动中国算力产业发展机遇总览
重点关注“芯片硬件、服务器、应用模式、能源散热”等算力模块
全球将大力发展算力基础设施建设
算力支撑与应用场景需求之间存在差距，AIGC的大计算能力导致应用场景的需求与资源之间出现供不应求的局面
自谷歌于2017年提出Transformer架构以来,人工智能的发展正逐步迈向预训练大规模模型的时代。
面对这一现状,各国纷纷加大对计算能力基础设施的投资与建设。
算力产业模式将在AIGC时代有所演变
智能算力资源或将更多承载于云服务产品，以MaaS模式服务千行百业
过去数据中心主要通过租赁与自建两种模式运营。算力需求方会根据自身业务规模、预算状况以及数据隐私保护需求等因素来决定是否选择租赁或自建。随着人工智能生成内容（AIGC）时代的到来，在云计算领域将出现更加智能化的趋势：云服务提供商纷纷推出了‘模型即服务’（MaaS）模式，并在此框架下整合云计算资源、智能计算资源以及算法能力等核心要素。这样一来，在云端即可直接调用、开发及部署所需的人工智能模型；展望未来，在‘长尾’市场需求领域中，越来越多的企业可能会采用MaaS模式来满足其特定需求。值得注意的是，在这一背景下，大模型有望经过进一步优化实现轻量化部署，并将其推理能力转移至端侧设备上；与此同时相关产业也将在这一技术突破的基础上迎来新的发展机遇
数据中心需对高********************************速巨量运转需求做出应对
大模型时代下，数据中心将进一步优化网络带宽、能源消耗与散热运维等
构建预训练大模型时需要巨额的数据资源和高性能计算设备持续运行以获取高效性能。
AI芯片是算力皇冠，关注其性能与利用率
为服务于大模型的训推，AI芯片需进一步升级内存、带宽、互联等能力
算力是评价AI芯片的核心要素，而除了运算次数外，芯片的性能衡量还需考虑运算精度。基于运算数据精度不同，算力可分为双精度算力（FP64）、单精度算力（FP32）、半精度算力（FP16）及整型算力（INT8、INT4）。数字位数越高，代表运算精度越高，可支持的运算复杂程度越高，以此适配更广泛的AI应用场景。为了适配大模型的训练及推理，AI芯片要求有更大的内存访问带宽并减少内存访问延迟，由此带动由GDDR到HBM的技术升级，另一方面需要更高的片间互联甚至片内互联能力以满足AI加速器访存、交换数据的需求。 最后，大集群不等于大算力，在大规模集群部署下，集群训练会引入额外通信成本，节点数越多算力利用率越低，且单点故障影响全局运行。因此，同比增加GPU卡数或计算节点，不能线性提升算力收益，中国面临的单卡芯片性能差距将更难通过堆料等方式解决。
中国算力产业将坚持自主创新道路
英伟达能否延续强者恒强？中国何时迎来自主创新芯片曙光？
作为AIGC产业的基础支撑层，在提升生产力方面扮演着关键角色的环节是算力这一核心要素。在此背景下
自2018年以来
从适配大型AI模型训练的角度出发
展望未来
中国AIGC产业之发展趋势
AIGC的技术发展：科研与产业两端突围
中短期基于Transformer算法和结构优化仍是主流，长期可能被替代
学术界将通过增加模型参数量、优化模型架构及实施局部算法改进等手段，在深入研究大模型能力上限的同时寻求AGI的可能性；在产业界层面，则一方面致力于在参数规模缩减的前提下提升模型实际性能并解决知识幻觉问题；另一方面则积极研发探索新型架构设计的可能性，并呈现出厂商名称外化与技术架构随时代演进的特征
AIGC的应用前景：软硬一体化
大模型低参版本的端侧应用，推动手机、机器人等物联网应用的升级进化
大模型在端侧的应用与软硬一体整合带来了极为广阔的应用场景。端侧应用首先要求对大模型进行剪枝与稀疏化处理以压缩至十亿级别规模，并根据具体场景进行针对性的知识训练与微调以满足特定终端设备及软件需求；这一过程对终端设备的功耗控制、内存管理以及实时响应速度等性能指标提出了更高要求。从具体应用层面来看，在手机拍照功能、多终端语音助手以及机器人具身智能（即基于第一人称视角具备智能理解与推理能力并能与物理世界交互的智能系统）等领域展现出良好的应用前景；这些创新应用正在推动物联网领域向着更高层次发展并实现质的飞跃。* 在2023年8月华为发布鸿蒙4系统引入盘古AI大模型以赋能消费电子领域；小米公司宣布推出拥有13亿参数的大模型产品；而OPPO则计划与阿里云联合开发专有大模型基础设施以支持其未来的产品线发展**。* 各手机厂商纷纷布局轻量化大模型技术旨在为用户提供更加全面的人工智能体验服务；这一趋势预示着未来大模型技术将在用户体验层面带来根本性变革并可能成为行业发展的新突破口
AIGC的社会影响：新一波自动化浪潮
AI成为基础设施，部分基础工作被替代，社会人力结构和分配方式重塑
技术的进步与生产效率的提升并非自动带来社会整体福利水平的增长；相反通常需要以牺牲一部分人的利益为代价才能实现，并由此引发社会结构与分配模式的根本性转变。友好且易于使用的界面设计、开放源代码的大模型以及低 priced APIs 的出现；再加上插件服务带来的丰富的应用生态；都使得人工智能技术有望成为像水、电、网络这样的基础设施，在多个行业领域中得到广泛应用并深刻改变现有格局。然而与自动化浪潮对蓝领劳动力的影响不同的是，在 AIGC 时代最有冲击力的是那些初级专业人才和技术人员即部分白领阶级；根据麦肯锡的数据预计到2045年左右有50%的工作将被人工智能替代比此前估计的时间提前了10年；与此同时具备创造力深度思考等高阶智力的人才将会享受到人工智能带来的效率优势从而成为人工智能的核心掌控者相应的需求也会因此增长起来；智力要素的重要性提升以及附加值的增长都将推动社会资源与财富逐渐向顶尖人才和组织集中但作为一个整体生产效率的增长并不必然意味着购买力的整体提升；被替代的普通劳动者是购买力的主要来源为了维持供需平衡相应的分配制度也将被迫进行重塑例如美国总统竞选人杨安泽提出了向大型企业征税并发放补贴的做法；而 OpenAI 创始人 Sam Altman 则主张建立全球均等化的世界币系统等都在通过反思现有体制并寻求新的解决方案来推动社会向着更加美好的方向演进
AIGC的监管展望：宽松鼓励与整顿规范
鼓励AIGC研究，放宽内容容错率，强调AI生成标识，推动公开数据建设
随着自AIGC逐渐的应用以来
