手机淘宝搜：天降红包55 5月20日开始，每天领红包。
京示搜：天降红包369，5月28日开始

传化传媒,传媒 media,传媒产业化,alg传媒公司

（报告出品方/作者：国联证券，郑磊、丁子然）

1 ChatGPT 引领技术革命，通用人工智能曙光将至

1.1 ChatGPT 破圈复盘：AI 显性化的三个阶段

我们从全球产业角度，复盘 AI 显性化的三个阶段。自 2022 年底 OpenAI 发布聊 天机器人 ChatGPT，以及背后 GPT3.5、GPT4 大模型的推出，新一轮技术变革的浪潮 从学术界、产业界向普通互联网用户依次破圈。我们将这一过程称作“AI 的显性化”， 主要分为三个阶段：

1）技术奇点出现。Ⅰ）22 年 11 月 ChatGPT 发布：OpenAI 基于 GPT3.5 大模型推 出对话聊天工具 ChatGPT，在文本生成的准确度、流畅度，长序列文本处理能力，可 扩展性等多方面都显著优于以往 AI 模型。Ⅱ）23 年 3 月 GPT4 发布：相较于 GPT3.5 版本，接入 GPT4 大模型的 ChatGPT 在文字对话内容的深度、广度层面均有提升；此 外，除了识别文字内容，GPT4 也支持图片内容的输入，多模态识别能力显著增强。

2）海外 C 端产品破圈。Ⅰ）ChatGPT 能力初步破圈：22 年 11 月 ChatGPT 发布 后，用户规模 5 天突破 100 万、两个月突破 1 亿，在学术论文、专业考试等 C 端应用 场景中初步破圈。23 年 2 月微软将 ChatGPT 接入搜索引擎 Bing，推动 Bing 移动端 DAU 单月环比增长 6 倍。Ⅱ）现象级应用诞生：3 月微软将 Office 全家桶接入 GPT4， 发布办公助手 Office 【【淘密令】】，有望撬动全球 14 亿用户规模。Ⅲ）下游生态全 面开启：3 月 27 日 OpenAI 允许第三方开发 ChatGPT Plugin 插件，第一批支持的包 括 Expedia、Instacart、Zapier 等酒旅、电商场景的头部应用。“插件”生态的放开 确立了 ChatGPT 的流量入口地位，AI 迎来“【【淘密令】】 时刻”，下游生态全面开启。

3）国内大厂跟进，大模型生态起步。自 22 年 11 月 ChatGPT 发布后，国内头部 科技、互联网公司随即跟进。3 月百度先后发布类 ChatGPT 的聊天机器人“文心一言”、 企业级平台“文心千帆”，对标海外 ChatGPT 生态。4 月阿里巴巴发布同类产品“通义 千问”，华为公布“盘古”大模型进展。腾讯、字节跳动等互联网大厂也成立了专门 的大模型攻坚团队，相关产品有望陆续发布。

1.2 ChatGPT 突破之处：通用人工智能的曙光

从前沿的研究和应用方向来看，AI（人工智能）主要有 NLP（自然语言处理）、CV （计算机视觉）两大领域，分别聚焦于对自然语言和图像进行分析、处理。其中， ChatGPT 及其背后的 GPT 系列模型带来的影响主要集中于 NLP 领域。因此，我们通过 复盘过去 10 年 NLP 领域的技术发展，来解答一个关键的问题：从技术角度看，ChatGPT 究竟是不是革命性的突破？

从技术角度复盘过去 10 年的 AI 发展历程，有四个重要的时间节点：

1）2017 年 Transformer 统一 NLP 研究范式。谷歌在著名论文《Attention Is All You Need》中推出 Transformer 架构，通过引入“自注意力”机制，极大拓展了 AI 模型在不同任务中的可迁移性。该论文发布 5 年内被引用超过 3.8 万次，统一了 NLP 的研究范式，后续也被广泛跨领域应用于 CV 场景。

2）2018 年谷歌、OpenAI 路线之争：完形填空 vs 文本生成。2018 年，谷歌、 OpenAI 基于 Transformer 框架，分别推出了 AI 模型 BERT 和 GPT-1。通俗来讲，二者 技术路线最主要的区别在于：预训练任务中，谷歌 BERT 主要使用“完形填空”的方 式，即随机遮盖一些文字，让 AI 模型通过上下文理解进行补全；而 GPT 则主要使用 “文本生成”的方式，即通过完全遮盖训练语料中的“下文”，训练模型基于“上文”， 逐字逐句地生成文本。从应用结果来看，谷歌 BERT 在文本分类、关键词提取等“自 然语言理解”类任务中的表现好于初代 GPT。而后续随着模型参数量的指数级提升， GPT 模型在翻译、写作、问答等“自然语言生成”类任务中的优势开始逐步显现。

3）2020 年 GPT3 优势初显，千亿参数量催生“涌现”效应。2020 年，OpenAI 推 出新的 AI 大模型 GPT-3，其参数量高达 1750 亿，相较上一代 GPT-2 的 15 亿高出一 百余倍。2020 年后，AI 大模型的“涌现”效应得到业内的广泛关注，即当参数量高 于特定量级后（一般认为千亿级别是门槛），再基于模型结构、训练方法的调整，AI 大模型的特定性能会出现指数级的提升，如能够准确回答未经过训练的问题。此后， 谷歌、Meta 等相继推出千亿参数大模型，而 GPT-3 的技术路径优势日益凸显。

4）2022-2023 年：ChatGPT 横空出世，技术路径再统一。2022 年 11 月，OpenAI 基于最新 AI 大模型 GPT-3.5，使用来自人类反馈的强化学习（RLHF）进行精调，发布 了聊天机器人 ChatGPT。经过广大 B 端、C 端用户的大规模测试，ChatGPT 在文本生 成场景中的通用性远超过谷歌 BARD 等同类应用。2023 年 3 月，OpenAI 发布 GPT-4， 使得 ChatGPT 的问答深度、广度，以及多模态识别能力进一步增强。至此，OpenAI 的 GPT 系列已全面领先于谷歌、Meta 等竞争对手，其技术路径的先进性得到充分验证。

我们认为，ChatGPT（及其背后的 GPT3.5、GPT4 大模型）的推出，对于人工智能 的发展具有三层重要意义：

1）统一技术路线，推动 AI 发展驶入“快车道”。复盘 NLP 发展路径可见，继 2017 年谷歌 Transformer 框架之后，NLP 大模型曾分支出以谷歌 BERT、OpenAI GPT 为主 的两大技术路径并各有拥趸。随着 GPT3.5、GPT4 在通用性文本生成领域的全面领先， 有望再次统一 LLMs（大型语言模型）的技术路径。在市场竞争的“鲶鱼效应”之下， 其他 AI 模型厂商有望逐步迁移至类 GPT 的技术路径，投入的算力、人力等资源规模 大幅增长，进而推动 AI 大模型整体的迭代速度加快、应用场景拓宽。

2）功能实现飞跃，推动 AI 产品层面的“显性化”。具体从功能上来看，ChatGPT 在两个层面实现了较大突破：1）通用性：与此前只能应用于特定场景的 AI 工具不同， ChatGPT 能够满足 B 端企业、C 端生活场景中的大多数语言交互需求。2）多模态：在 接入 GPT-4 之后，ChatGPT 新增了图片输入的能力，能够识别、分析专业的数据图表 和网络梗图，也能基于一张写有需求的图片生成网站源代码。ChatGPT 多模态能力的 初显，不仅提升了输入内容形式的自由度、提升用户体验；更为语言类大模型打开了 “用图像辅助认知世界”的新通路，推动模型认知能力的进一步提升。

3）终局预期提前，推动 AGI 可见度提升。3 月 22 日微软研究院发布 GPT-4 测评 论文《AGI 的火花：GPT-4 早期试验》，核心观点为：鉴于 GPT-4 能力的广度和深度， GPT-4 应该被合理视作 AGI（通用人工智能）的早期版本。AGI 是指具有一般人类智 慧，可以执行任何人类智力任务的机器智能。此前，AGI 作为人工智能研究领域的远 期愿景，预计实现的时间在 2050 年以后。而继 ChatGPT 推出之后，AI 大模型技术路 径的统一、功能上的飞跃，推动 AGI 终局的可见度提升，落地预期或从 2050 年大幅 提前。

因此，从技术角度看，ChatGPT（及其背后的 GPT3.5、GPT4 模型）在通用性和多 模态层面实现飞跃，统一了 NLP 研究的技术路径，从而使人工智能研究的终局（AGI） 预期大幅提前。进而回答本节最初的问题：从技术角度看，ChatGPT 毫无疑问是革命 性的突破。

1.3 ChatGPT 核心壁垒：算力、数据和工程能力

ChatGPT 的研发主要分为预训练（Pre-train）和精调（Fine-tune）两个环节。 其中：1）预训练：使用无标注、大规模的数据集，对模型进行预训练。2）精调：让 模型与专业的标注人员、AI 训练师进行交互，推动模型逐步学习人类通用的表达方 式和价值观，从而最终生成符合人类期望的回答。其中又可分为有监督精调 （Instruction Tuning）和强化学习训练（RLHF）两个环节。通俗地理解，如果将 AI 大模型类比于学生，那么模型的预训练就是通过广泛的通识性阅读，使学生具备初步 的文字理解能力；模型的精调就是“教学”的过程，其中使用优质教材的效果往往胜 过大量普通书籍。

我们从 ChatGPT 的主要技术环节，分析其核心壁垒所在：

1）算力资源：据 TrendForce 数据，以英伟达 A100 口径计算，ChatGPT 需要 2 万 块 GPU 来处理训练数据，随着 ChatGPT 的商用化，需要的 GPU 数量可能超过 3 万块。 目前国内 GPU 集群的存量资源有限，叠加美实体清单影响高端芯片采购受阻，导致对 于国内大模型厂商而言，模型的推理、部署、应用等环节的算力资源紧缺。但从长期 来看，国内 AI 大模型算力紧缺的问题有望得到缓解。从市场角度，算力资源本质上 是自由流通的商品，相较于模型技术、工程能力等硬性壁垒更易突破；从技术层面看， 大模型的研发、应用环节所需算力未来均有优化的空间。4 月 13 日微软推出大模型 训练工具 DeepSpeed-Chat，其中包括开源的 RLHF 框架，能基于单个 GPU 训练超过 130 亿参数的模型，训练速度提升 15 倍以上，垂类企业应用大模型的算力门槛有望大幅降低。

2）参数量：一般认为 1000 亿的参数量级是语言类大模型产生“涌现”现象的门 槛,GPT3 的训练参数量达 1750 亿，GPT4 参数量未公布。对于国内大模型厂商，尤其 是拥有丰富自有数据资源的互联网大厂而言，1000 亿的参数量级并非难以达到。目 前百度、华为、阿里等头部企业均已推出或发布千亿参数以上的 AI 大模型，但在性 能上仍和 ChatGPT 有较大差距。

3）数据集的质量：GPT3 的预训练数据集来自于 common crawl（网页爬虫聚合类 数据平台）、维基百科等标准化程度较高的公开数据库。目前国内 AI 大模型的预训练 数据集也以公开网页爬取的数据为主，再结合公司自有的行业数据进行训练。问题在 于，相较于英文，目前互联网上中文内容的规模和质量均存在较大差距。因此，国内 AI 大模型的预训练数据集中也以英文数据为主，使得在中文为主的用户使用环境中 产生较多的适配性问题。目前来看解决的方法包括：一是建立标准化、高质量的中文 语料库；二是加强 AI 大模型的翻译能力，使其生成的结果更符合中文用户的使用习 惯。

4）工程能力：包括预训练、精调等训练环节的执行能力和方法等，需要研发团 队通过长时间的经验积累、不断试错，再对模型结果进行调优，这也是 OpenAI 的 ChatGPT 目前领先于国内、乃至谷歌 BERT 等其他海外头部大模型的核心壁垒之一。 例如在精调过程中，OpenAI 使用极少量的高质量标注数据，显著提升了 GPT-3.5 的 应答能力。此外，中文和英文数据集在规模、质量等方面存在差距，这也需要额外的 工程能力去弥补，使得国产 AI 大模型更适用于中文的使用环境。

整体来看，对于国内AI大模型厂商，算力资源、数据质量和工程能力是类ChatGPT 大模型研发的核心壁垒所在。其中算力资源的紧缺主要受外部因素限制，长期有望得 到缓解；数据质量和工程能力的差距弥补需要资金、人才的大规模、长时间投入。在 2023 中国高层发展论坛上，360 创始人周鸿t表示，中国大语言模型技术水平和 GPT4 的差距在 2 到 3 年时间。

2 AI 产业化：大模型为入口，关注应用环节降本增效+新增量

2.1 AI 大模型：新的生产力工具和流量入口

ChatGPT 的应用：不只是聊天机器人。ChatGPT 从最初作为一款聊天机器人应用 被推出，到市场充分认识到其背后生态的战略意义，其间历经两个重要的时间节点： 1）AI 的“iPhone 时刻”：3 月 16 日微软发布 【【淘密令】】，通过 ChatGPT 和 Office 全家桶的结合，直观展现了 AI 赋能后 C 端用户体验的质变。从人机交互方式变革的 角度看，自 2007 年 iPhone 开创多点触控的交互时代后，以 ChatGPT 为代表的自然语 言交互有望引领新一次变革。2）AI 的“【【淘密令】】 时刻”：3 月 26 日 OpenAI 允许第 三方开发 ChatGPT 插件 Plugin，第一批支持 Expedia、Instacart、Zapier 等头部应 用，覆盖餐饮酒旅、语言培训、电商等多个生活场景。第三方插件生态的放开，可类 比于 2008 年 【【淘密令】】 的推出，而 ChatGPT 作为流量入口，商业化潜力持续推升。

从 ChatGPT 看大模型的战略意义：新的生产力工具，新的流量入口。

1）大模型是新的生产力工具。类 GPT 大模型在通用性和多模态两个层面实现了 飞跃，作为更高效的新一代生产力工具，能够帮助所有互联网企业提高生产效率。因 此，拥有大模型的厂商将在生态中扮演“卖水人”的角色，通过出售大模型接口的调 用权限、提供基于大模型的企业级服务等多种方式进行商业化变现。目前，OpenAI 基 于 ChatGPT，推出了收费服务 ChatGPT Plus，以及开放的应用程序编程接口 OpenAI API，前者订阅制收费（每月 20 美元），后者按调用的 token 数量收费。从需求侧来 看，OpenAI 推出的两项服务均供不应求，曾数次出现因访问量过大而暂停服务、或暂 停接收新用户的情况。

2）大模型是新的流量入口。微软 CEO 在 【【淘密令】】 发布会上提出：最通用的 人机交互方式将会是自然语言。我们复盘 TMT 行业的发展历程，发现从 PC 图形界面 到 iPhone 多点触控，每一次互联网范式的变革的背后，都是人机交互方式的升级带 来使用效率的提升。GPT3.5、GPT4 大模型在通用性层面的飞跃，使得基于自然语言对 话的人机交互方式成为可能，极大提升了用户与机器交互的自由度和使用效率。因此， 大模型的战略地位有望比拟操作系统，成为 iOS/安卓之后的新一代流量入口，一端 承接庞大的 B 端开发者需求，另一端触达万亿级别的 C 端消费者生态。目前，随着 ChatGPT Plugin 推出，大模型的第三方插件生态已然起步，商业化落地有望加速。

ChatGPT 推动流量“再分配”，移动互联网时代的竞争格局有望重塑。大模型作 为新的生产力工具和流量入口，有望重塑移动互联网时代的工具和应用，建立万亿规 模的下游应用生态。再考虑到大模型研发、使用过程中算力、技术、资金层面的高壁 垒，大模型厂商对于市场需求将会形成虹吸效应，相对于传统互联网大厂的竞争优势 将会越发显著。如微软旗下的浏览器 Bing 接入 ChatGPT 一个月后移动端 DAU 破亿， 有望对谷歌旗下 Chrome 浏览器 50%以上的市场份额形成挤压，动摇全球浏览器市场 “一超多强”的竞争格局。因此，大模型带来的生产力工具+流量入口价值，有望重 塑移动互联网时代的竞争格局。

谁在布局大模型：大厂和创业公司。此前，国内外头部互联网、科技公司均在 AI 大模型领域有所投入，但技术路线并不统一，模型的应用场景域也相对有限。在 ChatGPT 推出之后，国内外大厂快速跟进，在自身模型储备的基础上向 GPT 靠拢，并 相继发布类 ChatGPT 的文字聊天机器人产品，包括百度“文心一言”、阿里“通义千 问”、商汤“日日新”等。此外，部分中小型企业也看到了大模型带来的广阔商业化 空间、以及竞争格局重塑机会，其中多为 AI、互联网行业领军人物组建的创业公司， 包括美团联合创始人王慧文的“光年之外”、搜狗创始人王小川的“百川智能”等。

大模型+垂类数据，满足垂类企业的细分需求。相较于大模型厂商，垂类企业的 业务体量、技术和资源储备相对有限，但仍可以通过接入外部的大模型，实现经营效 率的提升、生产力边界的扩张。根据企业需求体量的不同进行划分： 1）对于小 B 和创业团队：可直接调用 ChatGPT 等大模型 API，以引导提示（prompt） 的形式输入需求,生成直接可用的文字、图片、代码等素材。如电商卖家可通过 ChatGPT、Stable Diffusion 等模型生成宣传素材、模特图片等。 2）对于大 B：可基于大模型接口、结合公司自有数据进行精调（fine-tune），得 到更加适用于自身业务场景的“新模型”。如海外 OTA 龙头 Expedia 基于自有的酒旅 数据对 ChatGPT 进行精调，生成了更适配 OTA 场景的客服机器人，能够与用户讨论旅 游、航班信息，并制定个性化的出行攻略。

垂类企业有望从两个方面受益于 AI 技术变革：一是在企业生产经营环节中降本 增效，二是带来收入端的新增量。从业务性质来看，业务场景线上化程度较高的企业， 受 AI 大模型的影响更大，其对 AI 工具的接受度也更高。因此，传媒互联网整体成为 AI 大模型率先落地的应用场景。我们从网文、图片、视频、游戏、广告营销、电商六 个细分领域的具体应用，解读 AI 大模型对于垂类企业的赋能效果。

2.2 AI+网文：创作效率提升，内容形式有望升维

1）降本增效：网文创作环节效率提升。在网文创作环节，网文平台通过提供 AI 编辑器，辅助作家进行创作，并提高编辑环节的工作效率。目前从头部网文平台的布 局来看，已使用谷歌 LaMDA、Word2Vec 等开源的文字类模型，核心功能除了识别错别 字和语病，帮助作者纠错；还能基于作者当前创作的内容、以及训练集里的内容库， 为作者提供可选的创作思路，帮助作者突破创作瓶颈。后续，随着国内 AI 大模型的 文字理解、生成能力接近 ChatGPT，网文写作中的人力占比有望进一步降低：作者仅 负责思考故事大纲，用关键词描述核心的背景、人物设定和剧情冲突，AI 编辑器即可 围绕这些关键词进行大范围的扩写，生成脉络清晰、故事完整的网文作品。

2）新增量：网文互动性增强，内容形式有望升维。一是提升网文本身的互动性。 2019 年，阅文集团曾和微软小冰联合推出过“IP 唤醒计划”，即让用户和网络文学里 的高人气角色进行文字互动。后续结合类 ChatGPT 大模型，虚拟角色和网文用户之间 的对话场景将更为通用，并在平台网文库里铺开使用，有望大幅提升用户的阅读体验。 二是从网文衍生出有声书、漫画、动画等更高维度的内容形式。随着 AI 大模型多模 态能力的提升，文生图、文生音视频的门槛有望逐步降低。而手握大量 IP 资源的网 文平台，有望借助 AI 大模型的多模态生成能力，基于丰富的网文语料库生成相应的 有声书、漫画、短视频、动画等更高维度的 IP 内容，大幅推升商业化空间。

2.3 AI+图片：平台变现效率有望提升

1）降本增效：图片搜索精准识别，提升平台变现效率。以国内头部图片版权平 台视觉中国为例，其旗下 【【网址】】 网站已推出 AI 智能搜索功能（Beta 版），基于多 模态、自然语言理解以及知识图谱等人工智能技术，用户不仅可以用“关键词”进行 检索，也可以使用“自然语言”、“以图搜图”的方式进行搜索。因此，平台可以更准 确地理解用户的搜索需求、找到对应图片，有望提升中小客户、C 端用户的找图效率， 从而提升平台整体的变现率。

2）新增量：基于高质量图片素材库，有望孵化中国版 Midjourney。图片版权平 台的核心资产是高质量的图片素材库，在 AI 大模型生态中有望价值重估：一是为大 模型训练提供丰富的图片数据库；二是在外接大模型的基础上，训练自有的图像生成 垂类模型。从海外情况看，全球最大的图片版权平台 Getty Images 与英伟达开展合 作，基于英伟达的“毕加索”AI 图片生成框架，用自有的高质量素材训练图片、视频 生成垂类模型；图像创作者社区 Shutterstock 也在使用英伟达的 AI 框架，基于自有 资源训练 3D 生成模型。从国内情况进行类比，随着国内 AI 大模型性能、生态逐步完 善，图片版权平台有望训练自有的垂类生成模型，孵化“中国版的 Midjourney”。

2.4 AI+视频：提升工业化水平，孵化新的 UGC 生态

1）降本增效：短视频、动画制作领域率先落地。传统影视内容的制作流程主要 分为三个阶段：前期（剧本、脚本制作，募集资金、导演选角等），中期（正式的拍 摄工作），后期（剪辑、视效制作等）。目前，类 ChatGPT 大模型主要应用于文字、图 片生成类的影视制作环节，包括前期的剧本、脚本制作，以及后期的视觉特效、宣发 素材制作等。具体来看，编剧可根据具体需求，短时间内生成多个剧本供片方选择； 导演借助 AI 工具，在脚本设计、镜头语言的选择上更为丰富；后期视效、剪辑工作 的繁琐程度大幅降低，整体上压缩影视内容的制作周期，降低制作成本。从影视内容 的种类来看，短视频和动画制作的线上化、工业化程度较高，AI 大模型赋能下的降本 增效成果有望率先落地；而真人参演的影视剧制作流程较为繁琐，涉及大量的线下实 景、真人演员拍摄环节，生成式 AI 替代人力的落地速度相对较慢。

2）新增量：降低制作门槛，孵化新的 UGC 视频生态。从技术路径的角度，AI 视 频生成的实现难度显著高于文字和图片生成，原因有二：一是视频内容本身的复杂度 高，包括每秒 24 帧的镜头素材，因此需要基于成熟的图片生成能力、和大量的算力 资源；二是镜头语言的叙事逻辑有别于自然语言，目前 ChatGPT 的训练素材以文字为 主，尚未支持视频内容的输入，因此无法生成持续、连贯的视频内容。但长期来看， UGC 视频制作的难度有望大幅降低。目前，国内外多个头部互联网厂商已推出短视频 生成模型，如 Meta 的 Make-A-Video、谷歌 【【微信】】、阿里“魔搭社区”里的文 生视频模块、腾讯“智影助手”等，用户可通过输入文字描述、图片素材，生成数十 秒到一分钟的视频内容。类比移动互联网的普及孵化出短视频生态，随着 AI 多模态 能力的提升，C 端用户制作复杂视频的门槛有望大幅降低，孵化新的视频社区生态。

2.5 AI+游戏：全流程降本增效，推动品类创新周期

1）降本增效：研发、发行全流程落地。在所有内容制作行业中横向对比，游戏 是生产制作工业化程度最高的内容形式，因此 AI 大模型能更好地和游戏研发、发行 工作流相融合，降本增效的落地速度也最快。此前，腾讯、网易、米哈游、莉莉丝等 国内头部游戏公司均已布局 AI 生成工具，降本增效成果已在游戏文案、角色和道具 生成等研发环节率先落地。随着通用类大模型 ChatGPT、以及图像生成类模型 Stable Diffusion 等的应用，游戏策划、设计中更为复杂的 3D 建模、场景等也有望通过 AI 工具自动生成，从而推升游戏研发团队的生产力上限，提高游戏内容的质量和更新迭 代速度，进一步提升用户粘性和付费意愿。

2）新增量：AI 有望推动下一轮品类创新周期。作为内容