1、请阅读最后评级说明和重要声明丨证券研究报告丨行业研究丨专题报告丨软件与服务Table_TitleChatGPT 风起，大模型引领新一轮 AI 浪潮报告要点Table_Summary2022 年 11 月 30 日，OpenAI 发布全新聊天机器人模型 ChatGPT，上市五天后用户数量突破100 万人。ChatGPT 的问世引发了对于大模型发展前景的思考。大模型实现量质齐变，有望引领自机器学习、深度学习问世后的新一轮人工智能发展浪潮，当前投资共有两条主线，一是围绕人工智能三大要素布局，短期关注软硬件配套的底层资源，二是中长期关注新一轮技术变革下新场景和新产品的创新落地。分析师及联系人Table
2、_Author宗建树胡世煜SAC：S0490520030004SAC：S0490520110002仅供内部参考，请勿外传获取更多最新资料请加微信：chensasa666请阅读最后评级说明和重要声明丨证券研究报告丨更多研报请访问 长江研究小程序 软件与服务cjzqdt11111Table_Title2ChatGPT 风起，大模型引领新一轮 AI 浪潮行业研究丨专题报告Table_Rank投资评级 看好丨维持Table_Summary2大模型实现量质齐变，人工智能发展开启新周期大模型实现量质齐变，人工智能发展有望开启新篇章。从人工智能历史发展的三次浪潮来看，算法、算力和数据是人工智能实现场景落地三
3、驾马车。其中人工智能算法模型的突破有两个方向：新架构和更大量级的参数量。大模型的出现相较于深度学习，省去了一开始大量的特征工程，通过提升参数量、引入 Prompt 使得生成式文本进一步突破。目前大模型已在 NLP 取得较为成熟的进展，之后预计向多模态发展，模型泛化性的不断提升使得通用型 AI 有望到来。从 ChatGPT 看大模型现状，更多爆款应用有望出现国内外巨头纷纷投入大模型，新兴应用 ChatGPT 问世，风口起浪潮将至。2022 年 11 月 30日，OpenAI 发布全新聊天机器人模型 ChatGPT，上市五天后用户数量突破 100 万人。ChatGPT的问世引发了对于大模型发展前景
4、的思考。随着投喂数据集的多样化，大模型逐渐具备多模态属性。但考虑到当前大模型训练过程中的高昂成本问题，在实现产业落地时，需要综合考虑大模型应用成本和产品性能提升带来的经济效益之间的平衡。因此，我们认为大模型有望产生爆款应用软件的方向，或将具备以下特性：（1）大模型的应用能实现应用性能的显著提升；（2）应用场景需要具备一定通用性，市场空间相对广阔。基于上述因素，大模型或有望在办公软件、智能驾驶、个性化教育、互联网金融等场景培育爆款应用。下一个“深度学习”，建议关注底层资源和创新应用落地大模型有望成为下一个“深度学习”，引领新一轮应用落地潮。随着从机器学习到深度学习的发展，人工智能技术开始拥有自动
5、学习数据中的重要特征信息的能力。深度学习具备很强的非线性建模能力，而众多复杂问题（文本、图像、语音等）本质上拥有高度非线性的特性。深度学习实现了从输入到输出的非线性变化，从而提升解决问题的广泛度。新的场景及应用油然而生，为两类企业的壮大创造机遇：第一类是底层资源企业（以英伟达为代表），第二类为实现场景赋能的应用企业（例如互联网企业百度、阿里、字节跳动等、人工智能技术企业科大讯飞等）。大模型有望带领新一轮浪潮，当前投资共有两条主线：一是围绕人工智能三大要素布局，短期关注软硬件配套的底层资源；二是中长期关注新一轮技术变革下新场景和新产品的创新落地。风险提示1、技术发展不及预期；2、政策监管不确定性
6、风险；3、行业竞争加剧风险；市场表现对比图(近 12 个月)资料来源：Wind相关研究持仓比重连续上升，计算机板块迎来整体性机会计算机行业 2022Q4 基金持仓分析2023-02-03OpenAI 发布 ChatGPT Plus 订阅计划，大模型走向商业化变现2023-02-02机器人应用实施方案落地，智能制造加速发展2023-02-01-32%-20%-8%5%2022/22022/62022/102023/2软件与服务沪深300指数2023-02-07仅供内部参考，请勿外传获取更多最新资料请加微信：chensasa666请阅读最后评级说明和重要声明3/16行业研究|专题报告目录大模型实现
7、量质齐变，人工智能发展开启新周期.4 人工智能实现场景落地三驾马车：算法、算力和数据.4 大模型的突破：在底层资源基础上实现算法和参数量的突破.4 从 ChatGPT 看大模型现状，更多爆款应用有望出现.7 为什么 ChatGPT 广受关注？.7 多模态大模型有望带领人工智能技术走向通用.8 下一个“深度学习”，建议关注底层资源和创新应用落地.14 图表目录图 1：人工智能发展三次浪潮.4 图 2：大模型（Transformer）以前数年参数量级没有发生明显变化.5 图 3：与机器学习相比，深度学习结合神经网络在算法逻辑和结构上取得突破.5 图 4：Transformer 模型的机理之一是迁移
8、学习.6 图 5：大模型引入 Attention 机制，算法架构实现突破.6 图 6：Transformer 发布后，模型参数量量级指数级上升.6 图 7：ChatGPT 聊天机器人模型效果.7 图 8：2023 年 2 月 1 日，OpenAI 发布 ChatGPT Plus 订阅版.7 图 9：大模型发展里程碑事件.8 图 10：多模态 DALL-E2 模型文本描述的编辑需求：选择一个位置在图中添加柯基.9 图 11：大模型的三大前沿能力.10 图 12：大模型产业化面临的挑战.11 图 13：微软目前已经将最新的 GPT 模型整合到 Office 生产力套件中.12 图 14：WPS 此
9、前曾上线智能写作小程序.12 图 15：WPS 已经初步具备丰富的 AI 场景.12 图 16：百度文心大模型应用多模态.13 图 17：毫末超算中心雪湖绿洲.13 图 18：科大讯飞个性化学习手册主要功能.13 图 19：资本市场买方时代，财富管理与资产配置需求成为主线.14 图 20：大模型可用于财富管理相关功能的开发.14 图 21：机器学习常见的应用领域.14 图 22：英伟达股价变化（单位：美元）.15 表 1：GPT 模型参数对比.8 表 2：大模型在不同行业的应用视图.10 仅供内部参考，请勿外传获取更多最新资料请加微信：chensasa666请阅读最后评级说明和重要声明4/16
10、行业研究|专题报告大模型实现量质齐变，人工智能发展开启新周期人工智能实现场景落地三驾马车：算法、算力和数据人工智能发展经历三次“浪潮”起伏。（1）第一次浪潮（20 世纪 5070 年代）：人工智能起步阶段，首次提出人工智能概念及少数成果，但由于算法理论薄弱及计算机性能缺陷导致无法支持应用推广；（2）第二次浪潮（20 世纪 8090 年代）：以专家系统和日本第五代计算机为代表，专家系统的出现推动人工智能从理论走向部分实际应用，例如医疗、气象、地质等领域。但由于专家系统推理方法单一、数据量匮乏导致人工智能发展受限，再度进入停滞；（3）第三次浪潮（2000 年以后）：信息技术的蓬勃发展带来了行业数据
11、量的爆发以及新型人工智能芯片的进阶，为人工智能的发展提供基础条件。同时理论算法不断沉淀，以机器学习、深度学习为代表的算法，在互联网、工业等领域取得了较好的应用效果，并且在图像识别、语音识别、自然语言处理等细分领域取得巨大进步。深究人工智能技术发展的驱动力，由算法、算力和数据三大要素构成，学习算法的设计，决定设计出的“大脑”够不够聪明（模型的革新）；要有高性能的计算能力，可以训练一个大的网络（芯片的革新）；必须要有大数据（信息技术的发展）。图 1：人工智能发展三次浪潮资料来源：新华三人工智能发展报告白皮书杨新安等著，长江证券研究所大模型的突破：在底层资源基础上实现算法和参数量的突破人工智能算法模
12、型的突破有两个方向：新架构和更大量级的参数量。大模型诞生之前，算法的突破主要集中于算法结构与逻辑两个方面。由于算法的计算底层资源仍存缺陷，以及模型的有限性导致数据量的指数性量级变化并未带来更优的计算结果，算法发展在数年间并未取得参数量级方面的巨大突破。仅供内部参考，请勿外传获取更多最新资料请加微信：chensasa666请阅读最后评级说明和重要声明5/16行业研究|专题报告图 2：大模型（Transformer）以前数年参数量级没有发生明显变化资料来源：Our World in Data，Sevilla et al.(2022)，长江证券研究所深度学习是机器学习的一种类型，但是相较于机器学习，
13、深度学习在内在逻辑、架构融合神经网络上取得了突破。机器学习带来了产业化落地，深度学习融合神经网络提升了算法的泛化性。简单理解来说，机器学习更倾向于人为选择标注特征，通过模型和喂养数据得到参数量，特征数量及参数量有限。深度学习并非简单的线性变化，结构中加入了隐层，其获得参数量的过程并不重要，从而使开发者无需过多的关注过程就可得到结果。这种黑盒学习的方式操作更加简便，泛化式增加。图 3：与机器学习相比，深度学习结合神经网络在算法逻辑和结构上取得突破资料来源：长江证券研究所与机器学习和深度学习不同，大模型有两点结构上的主要改变。首先是以迁移学习为机理，引入预训练机制，通过预训练+调参=目标模型，相比
14、于深度学习省去了一开始大量的特征工程（无标注数据），然后根据特性细分的数据训练得到最终目标模型。另一方面，模型引入 Attention 机制，其本质在于建模了各个特征之间的重要性，对于不同的任务可以根据输入进行特征分配，灵活的捕捉全局和局部的联系，从众多信息中选择出对当前任务目标更关键的信息，化繁为简。传统系统（早期专家系统）规则数据答案机器学习（最简单的是线性回归）规则数据答案机器学习初步具备了学习能力，但特征数量有限传统神经网络卷积神经网络深度学习加入隐层，只要结果，过程具有黑盒，泛化式增加一维数据多维数据仅供内部参考，请勿外传获取更多最新资料请加微信：chensasa666请阅读最后评级
15、说明和重要声明6/16行业研究|专题报告图 4：Transformer 模型的机理之一是迁移学习图 5：大模型引入 Attention 机制，算法架构实现突破资料来源：清华 NLP 团队，openBMB，长江证券研究所资料来源：Attention Is All You NeedAshish Vaswani 等著，长江证券研究所大模型实现量质齐变，人工智能发展有望开启新篇章。当前时点，（1）计算芯片性能不断提升，例如英伟达 A100 GPU 的性能相较于上一代产品提升了 20 倍，首次推出世界上最快的内存带宽，可运行最大的模型和数据集；（2）信息技术发展不断成熟，加速从工业经济向数字经济转变，算
16、力和数据均已具备迎接下一次浪潮的基础。大模型的出现，在算法结构层面实现了进一步突破，同时参数量指数级增加。图 6：Transformer 发布后，模型参数量量级指数级上升资料来源：Our World in Data，Sevilla et al.(2022)，长江证券研究所国内外巨头纷纷投入大模型，新兴应用 ChatGPT 问世，风口起浪潮将至。2018 年OpenAI 和谷歌分别发布 GPT 和 Bert，随后亚马逊、微软、英伟达、智源人工智能研究院、阿里、百度、华为、浪潮等国内外科技巨头纷纷展开大模型研究和探索，并推出自研大模型。2022 年 11 月 30 日，OpenAI 发布全新聊天机器人应用模型 ChatGPT，上市五天后用户数量突破 100 万人。2023 年 1 月，微软宣布将对 OpenAI 进行为期数年，价值数以十亿计美元的投资，并且计划将 ChatGPT 集中整合到自身所有产品。2023 年2 月 1 日，OpenAI 发布 ChatGPT Plus 订阅计划，大模型开始走向商业化变现。模型预训练（Pre-training）模型微调（Fine-tuning）最终模型
