1、 识别风险，发现价值 请务必阅读末页的免责声明 1/23 Table_Page深度分析|计算机 证券研究报告 计算机行业ChatGPT 通用化效果突破、前景广阔，国内 AI 产业链追赶仍有较大挑战核心观点：ChatGPT 在各场景通用化效果显著。ChatGPT 在生成内容的信息量、逻辑组织结构、文本表达形式都较好地满足用户需求，通用性得到了大大增强，可应用的场景有较大拓展。未来，我们看好 ChatGPT 在文案写作、邮件撰写、宣传广告生成、软件代码编写等场景的应用。以 ChatGPT 为代表的 AI 大模型推动 AI 生产方式的变化。以 ChatGPT为代表的 AI 大模型对于模型、算力和数据
2、三大基础要素的生产组织方式已经有了较大改变。其有效提升 AI 模型研发效率，驱动 AI 算力需求的增长，并对训练数据的数量和质量提出了更高要求。AI 大模型驱动 AI 算力需求增长。大规模智能算力基础设施是各科技公司训练 AI 大模型的前提，是竞争的关键要素。从 2018 年开始，AI 模型的参数近乎每年一个数量级的速度快速增长。模型的规模和模型训练、推理时所消耗的算力存在正相关关系。我们认为，随着 AI 大模型的开发和应用，其有望驱动 AI 加速卡和 AI 服务器等硬件需求的增长。GPT 系列 AI 大模型在文字类工具软件的商业化应用前景广阔。我们认为，未来，GPT 系列 AI 大模型最具有
3、成功潜力的商业化落地形式是其与微软从浏览器 Bing 到 Office 的全线软件的融合应用。二者的融合应用有望对微软的软件产品的门槛和附加值有较大提高效果，同时对相应竞品实现降维竞争。我们可以预期微软相关产品线的竞争优势会迅速扩大并能逐步新增体现在全球市场份额和财务回报上。各科技公司已积累了一定的 AI 大模型的技术，ChatGPT 推动其应用向内容生成类方向发展。自 GPT-3 之后，以华为、阿里、百度为代表的科技公司纷纷展开了 AI 大模型的研究和探索。我们认为，在各大科技公司已经具备一定 AI 大模型技术基础之上，ChatGPT 的广泛应用将进一步推动各大科技公司将 AI 大模型向内容
4、生产类应用发展。国产“类 ChatGPT”的发展前景中短期不宜乐观。我们认为，国产“类ChatGPT”AI 大模型的发展预计将面临以下挑战：1.数据来源的割裂；2.产业链公司开放程度不够；3.AI 算力存在瓶颈；4.国内互联网和科技巨头加速投入意愿具有不确定性。我们认为，除了寒武纪在基础 AI算力方面相对突出，ChatGPT 对 A 股计算机相关标签公司整体几乎没有实质驱动，整个产业链的追赶都面临较大挑战。风险提示。技术处于发展早期，尚未形成成熟的商业化落地模式；研发投入较大与成果落地不及预期的风险；AI 生成内容存在版权归属认定不明确的风险；AI 芯片存在供应链不稳定的风险。行业评级买入前次
5、评级买入报告日期2023-02-14相对市场表现分析师：刘雪峰SAC 执证号：S0260514030002SFC CE No.BNX004021-相关研究：计算机行业:ChatGPT 主题背后的风险偏好2023-02-12计算机行业:龙头价值修复将引领计算机行业全面表现的下一阶段2023-02-05计算机行业:全面注册制落地，金融 IT 持续受益于资本市场推进发展2023-02-02联系人：周源-31%-23%-16%-9%-2%6%02/2204/2206/2208/2210/2212/22计算机沪深300获取更多最新资料请加微信：chensasa666 识别风险，发现价值 请务必阅读末页的
6、免责声明 2/23 Table_PageText深度分析|计算机 重点公司估值和财务分析表股票简称股票代码货币最新最近评级合理价值EPS(元)PE(x)EV/EBITDA(x)ROE(%)收盘价报告日期（元/股）2022E2023E2022E2023E2022E2023E2022E 2023E寒武纪-U688256.SHCNY87.502023/01/31 增持93.41-2.80-1.95-21.00-16.10数据来源：Wind、广发证券发展研究中心备注：表中估值指标按照最新收盘价计算获取更多最新资料请加微信：chensasa666 识别风险，发现价值 请务必阅读末页的免责声明 3/23
7、Table_PageText深度分析|计算机 目录索引投资要点：.5 一、CHATGPT 在各场景通用化效果显著.6（一）较传统 NLP 模型，CHATGPT 的通用性有较大提升.6（二）CHATGPT 实现较强通用性背后的原理.8（三）国产“类 CHATGPT”AI 大模型与 CHATGPT 可能存在差距.12 二、CHATGPT 驱动 AI 大模型向内容生产类应用发展.15（一）GPT 系列 AI 大模型在文字类工具软件的商业化应用前景广阔.15（二）科技公司开发的 AI 大模型预计由内部赋能转向内容生成.16（三）国内发展 AI 大模型的环境有望得到改善.19 三、风险提示.21 获取更
8、多最新资料请加微信：chensasa666 识别风险，发现价值 请务必阅读末页的免责声明 4/23 Table_PageText深度分析|计算机 图表索引图 1：GPT-3 人机对话能力展示.6 图 2：ChatGPT 人机对话能力展示.6 图 3：ChatGPT 连续问答能力展示.7 图 4：ChatGPT 生成代码能力展示.8 图 5：ChatGPT 生成演讲稿能力展示.8 图 6：AI 预训练大模型在机器学习中的应用.9 图 7：应用了 AI 预训练大模型的迁移学习.9 图 8：2018-2021 年全球 AI 大模型规模变化.10 图 9：2019-2022 年 6 月底商汤和云从科技
9、货币资金.11 图 10：2019-2022 年 6 月底商汤和云从科技电子设备账面净值.11 图 11：人工反馈的强化学习的基本原理.12 图 12：GPT-3 和 InstructGPT 对相同问题的回答对比.12 图 13：2019Q1-2022Q3 阿里巴巴、腾讯和百度资本开支及增速图.14 图 14：嵌入了 GPT-3.5 的 Teams 线上会议平台会议纪要自动生成功能展示.15 图 15：嵌入了 Prometheus 模型的 Bing 的搜索界面.15 图 16：嵌入了“类 ChatGPT”的 Outlook 软件界面.16 图 17：嵌入了“类 ChatGPT”的 Word 软
10、件界面.16 图 18：阿里达摩院智能计算实验室 M6 大模型开发进程.17 图 19：华为盘古大模型.17 图 20：百度文心百中产品功能.18 图 21：百度文心 NLP 大模型对联自动生成效果.19 图 22：阿里 M6 大模型智能问答生成效果.19 表 1：GPT 系列大模型参数数量与训练数据量对比.6 表 2：ChatGPT 和传统 NLP 模型应用场景对比.8 表 3：AI 大模型训练成本一览.10 表 4：互联网公司采集数据的渠道和类型对比.13 表 5：全球 2020-2021 年 AI 大模型一览.16 表 6：2021 年英伟达 A10G 与寒武纪 MLU370-X4 性能
11、对比.20 获取更多最新资料请加微信：chensasa666 识别风险，发现价值 请务必阅读末页的免责声明 5/23 Table_PageText深度分析|计算机 投资要点：ChatGPT在各场景通用化效果显著。ChatGPT在生成内容的信息量、逻辑组织结构、文本表达形式都满足用户需求，通用性得到了大大增强，可应用的场景有较大拓展。未来，我们看好ChatGPT在文案写作、邮件撰写、宣传广告生成、软件代码编写等场景的应用。以ChatGPT为代表的AI大模型推动AI生产方式的变化。以ChatGPT为代表的AI大模型对于模型、算力和数据三大基础要素的生产组织方式已经有了较大改变：1.AI模型：“预训
12、练+微调”的模型训练方式有望快速推广。2.AI算力：AI大模型在训练和推理两个任务中都需要大规模智能算力基础设施的支持。未来随着AI大模型的开发和应用，其有望驱动AI加速卡和AI服务器等硬件需求的增长。3.训练数据：在AI大模型对于训练数据的数量、质量以及标注的精细化程度等有较高要求的情况下，未来各家公司采集、获取数据的方式是模型实现通用化的关键。AI大模型驱动AI算力需求增长。大规模智能算力基础设施是各科技公司训练AI大模型的前提，正逐渐成为其在AI领域竞争的关键要素。从2018年开始，AI模型的参数近乎每年一个数量级的速度快速增长。模型的规模和模型训练、推理时所消耗的算力存在正相关关系。我
13、们认为，随着AI大模型的开发和应用，其有望驱动AI加速卡和AI服务器等硬件需求的增长。GPT系列AI大模型在文字类工具软件的商业化应用前景广阔。我们认为，未来，GPT系列AI大模型最具有成功潜力的商业化落地形式是其与微软从浏览器Bing到Office的全线软件的融合应用。二者的融合应用有望对微软的软件产品的门槛和附加值有较大提高效果，同时对相应竞品实现降维竞争。我们可以预期微软相关产品线的竞争优势会迅速扩大并能逐步新增体现在全球市场份额和财务回报上。各科技公司已积累了一定的AI大模型的技术，ChatGPT推动其应用向内容生成类方向发展。自GPT-3之后，谷歌、英伟达、阿里、百度为代表的国内外科
14、技公司纷纷展开了AI大模型的研究和探索。我们认为，在各大科技公司已经具备一定AI大模型技术基础之上，ChatGPT的广泛应用将进一步推动各大科技公司将AI大模型向内容生产类应用发展。国产“类ChatGPT”的发展前景中短期不宜乐观。我们认为，国产“类ChatGPT”AI大模型的发展预计将面临以下挑战：1.数据来源的割裂；2.产业链公司开放程度不够；3.AI算力存在瓶颈；4.国内互联网和科技巨头加速投入意愿具有不确定性。我们认为，除了寒武纪在基础AI算力方面相对突出，ChatGPT对A股计算机相关标签公司整体几乎没有实质驱动，整个产业链的追赶都面临较大挑战。风险提示。技术处于发展早期，尚未形成成
15、熟的商业化落地模式；研发投入较大与成果落地不及预期的风险；AI芯片存在供应链不稳定的风险。获取更多最新资料请加微信：chensasa666 识别风险，发现价值 请务必阅读末页的免责声明 6/23 Table_PageText深度分析|计算机 一、ChatGPT 在各场景通用化效果显著（一）较传统 NLP 模型，ChatGPT 的通用性有较大提升 ChatGPT泛化能力较上一代产品有较大提升。2022年11月，OpenAI推出的ChatGPT模型展现了强大的内容生成能力，与上一代AI大模型GPT-3相比，其不仅在人机对话的覆盖面、真实性和灵活度上有较大提升，还可对文案、邮件等常用的文字内容实时生
16、成，应用前景广阔。ChatGPT性能的提升不仅源于其数据量上的增加，还在于其引入了新的训练方法，即基于人工反馈的强化学习机制（RLHF）。本篇报告就ChatGPT性能提升效果、原理、应用场景以及未来商业化前景进行分析，并探讨国产“类ChatGPT”产品未来发展的前景和挑战。表 1：GPT系列大模型参数数量与训练数据量对比AI大模型发布时间参数数量（个）训练数据量GPT2018年6月1.17亿约5GBGPT-22019年2月15亿40GBGPT-32020年5月1750亿45TBChatGPT2022年11月-在GPT-3的基础上进行参数的微调，增加了包含3千亿单词量在内总计570GB的数据数据来源：CSDN，Sciencefocus，广发证券发展研究中心与GPT-3相比，ChatGPT人机对话效果提升显著。ChatGPT具备较强的语义分析能力，可理解对话者的深层次需求，并有丰富的语料库，回答内容与正常人交流具有较高相似度。具体来说，在GPT-3的基础上，其新增了大量社交媒体、新闻文章等数据进行训练，导致ChatGPT回答内容包含更多细节描述信息；与之相比，而GPT-3的回答提供的信息量
