从chatgpt看人工智能发展趋势及投资机遇-网络赌钱app下载

2022年11月30日，openai开放测试聊天机器人chatgpt，两个月后月活跃用户数已达1亿，成为历史上用户数增长最快的消费者应用。chatgpt标志着大模型能力取得关键突破，标志着对信息获取和消费模式的颠覆，将推动劳动力数字化进程。人工智能进入“基础大模型 微调”的新时代，aigc技术和产业生态将迎来蓬勃发展。本文参阅了多家机构研究报告及专家观点，对chatgpt发展历程与趋势及其对人工智能发展的影响进行分析。

一、chatgpt发展历程及趋势展望

（一）chatgpt技术突破及应用场景

2022年11月30日，openai^〔1〕开放测试聊天机器人chatgpt（chat generative pre-trained transformer），其基于生成大模型gpt-3.5和人类反馈强化学习机制（reinforcement learning from human feedback，rlhf）^〔2〕构建，两个月后月活跃用户数已达1亿，成为历史上用户数增长最快的消费者应用，标志着大模型能力取得关键突破，新一代人工智能进入全新发展阶段。chatgpt具有支持多轮对话，易于修正，人机交互效果更好、更快、更高效等优势，应用场景包括搜索引擎、智能客服、虚拟人、代码编程、文学创作等。

美国时间3月1日，openai宣布开放chatgpt api接口，允许第三方开发者通过api将chatgpt功能集成到自己的应用程序和服务中。chatgpt api并非基于此前的gpt-3.5模型，而是gpt-3.5-turbo模型。该接口对每1000个字符处理单元收费0.002美元，即支付两美元可处理约75万个英文单词。

（二）新一代人工智能发展历程回顾

2012年深度学习技术的出现，驱动了新一代人工智能的快速发展，有别于传统人工智能的封闭性和解决确定问题，新一代人工智能具有开放性，通过交互学习和记忆解决不确定问题，其发展可分为三个阶段。

2012~2018年是第一个阶段。该阶段的关键技术是标记数据驱动的有监督深度学习模型，通过神经网络的层次堆叠，可构建任意深度学习模型，大幅提高了模型表示能力，在计算机视觉和语音识别领域获得了产品和商业上的成功。

2018~2020年是第二个阶段。该阶段的关键技术是自监督预训练大数据驱动的通用大模型。2017年，谷歌提出了transformer模型^〔3〕，并逐渐发展为ai 领域的通用模型。基于transformer模型，分别提出bert模型和gpt-1模型，二者均采用自监督预训练的思路，无需标注数据就可以训练。其中gpt-1是单向模型，即输入前面的文本，模型预测输出后面的文本；bert是双向模型，可利用上下文存在的约束进行训练，在当时效果更好，成为nlp（自然语言处理）领域里程碑工作之一。然而openai并未止步于gpt-1模型，在接下来的两年，在几乎没有改变模型架构的基础上，陆续推出参数更大的迭代版本gpt-2、gpt-3模型。2020年7月提出的gpt-3直接把模型参数量从15亿提升到1750亿，训练所用的数据量更是达到45tb，引领大模型进入千亿参数时代，不再依赖于下游任务领域数据的再训练，基本可完成nlp的绝大部分任务。

图表 1 chatgpt演化进程

2020年至今是第三个阶段。openai在gpt-3基础上引入rlhf，获得了更真实、更无害、更好遵循用户意图的语言模型instructgpt（又称gpt-3.5），同期chatgpt开始构建，可针对用户的输入，输出对用户更友好的回答。以chatgpt为代表的新范式有可能成为该阶段的核心驱动技术，即首先基于自监督预训练的大模型，再结合基于少量优质数据反馈的强化学习技术，形成模型和数据的闭环反馈，获得进一步的技术突破。

图表 2 chatgpt提升的原因——引入rlhf

（三）chatgpt带来的机遇和启示

1.发展机遇

chatgpt能通过学习和理解人类的语言来进行对话，并能根据聊天的上下文进行互动，甚至能完成撰写邮件、视频脚本、文案、翻译、代码等任务，显示了从算法到工程上的突破，是工程体系的创新。同时标志着对信息获取和消费模式的颠覆，有专家认为chatgpt甚至有可能取代搜索引擎，成为新一代获取信息的交互方式。chatgpt的影响类似于iphone的诞生，是人机交互的变革，人机之间最基本的触面，将可能不再是移动互联网时代的app，“智能互联网”时代会到来，并引发众多场景的范式迁移，每一个细分领域都可能成长出众多机遇。此外，chatgpt将推动劳动力数字化进程，延伸出以信息查询类、专家咨询类、助手类、交流类为主的四大对话式应用场景，引发生产力的第五次变革。

2.重要启示

人工智能已成为中美两国竞争的着力点，科技部已表示将把人工智能作为战略性新兴产业给予大力支持，无论是出于国家安全考虑还是科技竞争角度，我国建立自己的大模型能力都是必需的。大模型背后离不开大算力、大数据。在算力层面，由于美国出口管制政策，我国算力支持仍面临挑战，加快构建自主可控的算力基础设施非常重要。在数据层面，一方面开源的生态和程度不够，另一方面数据都掌握在平台级企业里，形成了数据“孤岛”，我国中文语料的开放程度和标准化程度、规模还有很大的优化空间。综合来看，大模型、算力、数据方面，我国与美国都存在一定差距，发展任重道远。

此外，openai的成功，可以看到团队成员强烈技术信仰的重要性，同时openai无论在创新性、投入、决心，还是在顶尖人才储备上，都是一如既往地坚持，也正是因为他们能够坚持长期主义、纯粹创新，才能做出真正有深度的产品。

（四）chatgpt商业化的制约因素

1.成本因素

计算资源集群消耗成本高是chatgpt商业化的主要制约因素。训练阶段，gpt-3迭代训练（遍历学习）一次成本约为460万美元，训练总成本高达1200万美元。使用阶段，c端用户大概每次使用所产生的平均成本为0.01~0.20美元。目前更适合如搜索、推荐等规模化的场景，专业模型打磨和系统构建成本还较高。

2.技术局限性

chatgpt的技术局限性主要体现在依赖历史数据、易受到人类训练师偏好影响和输出内容可控性弱三个方面。（1）主要训练集仅截至2021年，单次迭代成本高，无法实现低成本及时迭代数据，导致信息时效性不够；（2）训练方式受人类训练师偏好影响，模型训练优化方向会围绕人类的标注去设计；（3）模型复杂度高，目前尚无法解读大模型参数间的作用机制，有可能回答出存在事实性错误的答案。

3.伦理与法规

chatgpt目前有一些伦理层面的问题，同时，也带来用户个人数据处理、算法模型训练、技术不当使用等方面的风险。

（五）aigc^〔4〕投融资情况

aigc应用领域包括文本、代码、图片、语言、视频、3d等，chatgpt属于文本生成模态应用模型。近年来，全球aigc投融资笔数和金额呈快速上升趋势。2019年由于微软投资openai 10亿美元，融资金额大幅增长。大部分融资由龙头企业获得，超过一半的初创企业融资轮次为a轮或天使轮，行业仍处于发展初期。据钛媒体统计，2022年国内aigc行业共发生12笔融资，其中上半年3笔，下半年增长为9笔。

图表 3 全球aigc投融资情况

二、国内人工智能大模型发展现状

（一）全栈式布局公司

百度在人工智能领域已深耕多年，具有全栈式布局，包括底层的芯片、深度学习框架、大模型以及最上层的搜索等应用。拥有产业级知识增强文心大模型ernie，具备跨模态、跨语言的深度语义理解与生成能力，对标chatgpt的产品为“文心一言”（ernie bot），已于3月16日发布。

（二）依托场景垂直布局的平台公司

阿里、腾讯、京东、华为、字节跳动、科大讯飞等已经依托各自的业务场景在应用层布局，其中，阿里、腾讯、华为和商汤等平台公司也已经开始自研大模型。在结合自有业务场景作应用布局方面，字节跳动主要是“ai 内容”，自动生成投稿和辅助写作；阿里、京东等电商类平台主要在智能客服领域布局，其次是“ai 营销”，结合商品，自动生成描述商品的高质量文案，提高营销效率；腾讯则以广告为主，支持广告智能制作。

（三）研发机构

研发机构主要在模型层布局，目前有北京智源和idea研究院。智源开展大模型研究时间较早，在gpt-3发布后的一年，智源“悟道”发布，是当时世界上最大的1.75万亿模型。近日又发布flagopen（飞智）大模型技术开源体系，旨在建设大模型领域的“linux”。idea研究院也做了一系列的几亿到几十亿的开源模型，已经形成的封神榜预训练大模型体系在中文nlp起到支撑作用。

图表 4 大模型代表企业

三、chatgpt对人工智能发展的深远影响

（一）人工智能进入“大模型 微调”的新技术范式

近年来，以深度学习、神经网络为代表的人工智能浪潮遇到了技术瓶颈和商业化难题，在ai技术赋能和增值情况方面较为有限。而chatgpt和aigc技术的出现成为重要的拐点，尤其是gpt-3大模型展示了从算法到工程上的突破。大模型的研究和应用将逐渐成为人工智能发展的关键方向^〔5〕，并且通过微调方式将大模型能力有效转移到各种应用场景中。如此，将不再需要重新从零开始做模型，从而大大降低开发成本，使得模型应用变得更迅速、更有效。

（二）分析式ai到生成式ai演化，aigc蓬勃发展

分析式ai（analytical ai）利用机器学习技术学习数据分布，主要进行分析、判断、预测工作，应用方向包括推荐系统和风控系统的辅助决策、自动驾驶和机器人的决策智能体。生成式ai（generative ai）起源于分析式ai，更强调学习归纳后进行演绎创造，生成全新的内容，本质是对生产力的大幅提升和创造。gartner将生成式ai列为最有商业前景的人工智能技术，根据其发布的2022年人工智能技术成熟度曲线，预计生成式ai将在2~5年内进入生产成熟期。

图表 5 aigc全景图

chatgpt的出现以及相应商业化的落地进一步加速了aigc的发展。一方面，gpt作为nlp生成模型的突破，将迅速解决ai文本生成、ai代码生成等领域的痛点；另一方面，以上突破发展也将带动aigc在音视频、游戏等场景中的加速渗透。不断创新的生成算法、预训练模型、多模态等技术融合将带来一系列aigc技术变革。

（三）“ ai”与“ai ”结合，加速对产业赋能

《中国新一代人工智能科技产业发展报告（2022）》^〔6〕数据显示，中国人工智能企业布局侧重在应用层，占比最高达85.18%。ai已在众多垂直领域（如金融、交通、医疗等）实现应用，并且可通过两种方法对产业赋能。一是帮助各传统领域实现快速高效处理数据，提高生产效率、降低成本，即“行业 人工智能”；二是创造出新的需求和新的增长点，打造新商业模式、构建新经济增长点，即“人工智能 各个领域”。

chatgpt提升了aigc在编程语言、新闻撰写、文案创作等自然语言方面创作能力的上限，搜索引擎、文学创作、智能客服等领域的行业格局与商业模式或将在未来发生较大改变。此外，基于ai技术打造的智能网联汽车，使汽车成为各种服务和应用的入口，将催生新的商业模式。未来，包括大模型在内的人工智能技术，在生命科学、材料科学、能源科学和环境健康等方面，都将生成、驱动新的研究发现。

（四）为基础设施层、模型层、应用层带来全新机遇

aigc产业生态加速形成和发展，其产业链大致呈现基础设施层、模型层和应用层三层架构。其中，底层基础设施层包括计算硬件（芯片、服务器等）和云计算平台；模型层又分为两层，分别是大模型基础层以及通过调用大模型，进行特定训练，形成垂直化、场景化、定制化的专用模型中间层；应用层即提供图像、语音、文字生成等各种aigc应用。

中美具有不同的商业化土壤，我国aigc的商业化能力及构建的生态与美国相比有很大不同。综合来看，我国aigc的基础设施层、模型层、应用层均迎来全新的发展机遇。

从基础设施层来看，将催生对算力、网络等硬件的持续需求，成长空间较大且专业性壁垒高。在芯片方面，大模型的出现提高了芯片算力、存储容量、通信带宽等多维度的技术要求；在云计算硬件设备方面，服务器、光模块、存储器等也将加速发展。

图表 6 aigc产业链

从模型层来看，与美国相比，我国的底层模型公司尚不成熟，大模型很难有场景和产品直接向c端收费。而专用模型孵化成本低，可能涌现出一批专门负责调整大型模型以适应具体ai应用需求的初创企业，模型即服务（model-as-a-service，maas）成为潜在方向，预计将对商业领域产生巨大影响^〔7〕。

从应用层来看，对于纯粹基于基础模型的应用，美国的商业化土壤更好；国内的b端和c端重服务甚于产品，对工具产品的付费意愿较弱，商业化面临巨大挑战。对于拥有自有大模型能力的端到端应用，大公司很难在细分场景中有明显优势，因此我国创业公司机会更大。此外，由于紧靠场景提供网络赌钱app下载的解决方案，b端的付费意愿更大，商业化能力更强。

（国新基金）

注释

〔1〕 openai成立于2015年，由特斯拉ceo埃隆·马斯克、paypal联合创始人彼得·蒂尔、linkedin创始人里德·霍夫曼、创业孵化器y combinator总裁阿尔特曼（sam altman）等人出资10亿美元创立。起初是一个非营利组织，但在2019年成立openai lp子公司，目标是盈利和商业化，并引入了微软的10亿美元投资。

〔2〕 rlhf可训练出奖励模型以训练学习模型，即用ai训练ai。rlhf在一定程度上解决了生成模型的一个核心问题—人工智能对齐（ai alignment），即要求ai系统的目标和人类的价值观与意图保持一致。

〔3〕 transformer是一种基于自注意力机制、并行化处理数据的深度神经网络。自注意力机制（self-attention mechanism）是注意力机制（attention mechanism）的改进，其减少了网络对外部信息的依赖，更擅长捕捉数据或特征内部的相关性。

〔4〕 aigc（ai-generated content）指利用人工智能技术自动生成内容，是在专业生成内容（pgc）和用户生成内容（ugc）后一种新型生成内容方式。广义aigc即生成式ai，指具备生成创造能力的ai技术。

〔5〕 北京智源人工智能研究院发表《chatgpt和aigc爆火背后，ai大模型的发展和机遇》，2022.12。

〔6〕 中国新一代人工智能发展战略研究院发布，2022.6。

〔7〕 腾讯研究院发布《aigc发展趋势研究报告2023—迎接人工智能的下一个时代》，2023.1。