《人工智能行业：AI下半场应用落地赋能百业-231204（82页）.pdf》由会员分享，可在线阅读，更多相关《人工智能行业：AI下半场应用落地赋能百业-231204（82页）.pdf（82页珍藏版）》请在三个皮匠报告上搜索。

1、 本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。同时请务必阅读正文之后的免责条款和声明。证券研究报告证券研究报告行业深度行业深度 AIAI 下半场，应用落地，赋能下半场，应用落地，赋能百业百业 核心观点核心观点 2023 年，ChatGPT 爆火整个社交网络，人工智能行业进入到以大模型为代表的快速发展阶段。国外大模型起步相对较早，引领人工智能行业发展趋势，国内大模型行紧跟国际前沿，目前国内具备代表性的大模型在中文问答表现上已经与 ChatGPT 不相上下，具备了初

2、步商业化变现的能力。从技术前沿来看，AI 整体将沿着更高效、更智能、更细分的路径发展，重要的技术趋势包括混合专家模型技术、AI Agent、机器人领域。AI 在垂直领域的落地和应用将是 2024 年的主线，我们看好 AI 在教育、自动驾驶、端侧设备、工业场景的落地。随着人工智能进入巨量参数的大模型时代，算力需求的日益增长使得 AI 芯片和服务器市场迎来了巨大机遇，算力领域我们看好国产算力芯片和服务器相关产业链。同时我们重点看好大模型技术基座的国产化，例如 EDA 等细分板块。摘要摘要 2023 年，年，ChatGPT 爆火整个社交网络爆火整个社交网络，人工智能行业进入到以，人工智能行业进入到以

3、大模型为代表的快速发展阶段大模型为代表的快速发展阶段，巨量参数和智能涌现是这一轮人，巨量参数和智能涌现是这一轮人工智能变革的典型特征工智能变革的典型特征。国内外互联网和人工智能企业均积极投身大模型研究领域，在生成式大模型领域加速布局，积极投入且成果频频。国外大模型起步相对较早，形成以 OpenAI+微软为首，Google、Meta 等巨头并存的一超多强局面，引领人工智能行业发展趋势。国内大模型行整体依旧处于跟跑状态，目前国内具备代表性的大模型在中文问答表现上已经与 ChatGPT 不相上下，具备了初步商业化变现的能力。AI 技术整体看将沿着：更高效、更智能、更细分的路径发展。技术整体看将沿着：

4、更高效、更智能、更细分的路径发展。我们认为围绕着这三点的核心技术趋势有以下三方面：我们认为围绕着这三点的核心技术趋势有以下三方面：1)更高效：更高效：混合专家模型技术(MoE)。通过门控网络实现任务/训练数据在不同专家模型间的分配，让每个模型专注处理其最擅长的任务，大幅提升了模型的能力和训练效率。2）更智能：）更智能：AI Agent(智能体)。AI Agent 能接收周围环境信息，做出规划和决策，并采取行动。2023 年 11 月 7 日的 OpenAI 大会推出的 GPTs 和 Assistants API 是迈向 AI Agent 的重要一步，将拓宽大模型的应用边界，是通往 AGI 的重

5、要方向。维持维持 强于大市强于大市 于芳博于芳博 SAC 执证编号:S01 发布日期：2023 年 12 月 04 日 市场表现市场表现 相关研究报告相关研究报告 -9%1%11%21%31%41%2022/12/52023/1/52023/2/52023/3/52023/4/52023/5/52023/6/52023/7/52023/8/52023/9/52023/10/52023/11/5计算机上证指数人工智能人工智能 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。3）更垂直：）更垂直：机器人领域。近年来，谷歌、Meta

6、、特斯拉引领了 AI 在机器人领域的应用。机器人控制算法由传统的线性控制器、规则定义等，正在转向由强化学习、强化学习+大语言模型、端到端大模型等不同细分的AI 技术路线迈进，大幅加速了机器人行业的发展。AI 在垂直领域的落地和应用将是在垂直领域的落地和应用将是 2024 年的主线，我们看好年的主线，我们看好 AI 在教育、自动驾驶、端侧设备、工业场景的在教育、自动驾驶、端侧设备、工业场景的落地。落地。教育行业因为其个性化学习诉求强、数据丰富度高、付费意愿强，成为人工智能的优质落地领域。教育行业因为其个性化学习诉求强、数据丰富度高、付费意愿强，成为人工智能的优质落地领域。随着生成式人工智能技术的

7、爆发，AI+教育迈向全新的发展阶段。根据 Market Research 数据，生成式人工智能在教育领域的市场规模将从 2022 年的 2.15 亿美元上升至 2030 年的 27.4 亿美元，CAGR 为 37.5%。我们认为 AI+教育将率先在三个场景中落地：软件、教育信息化、智能硬件。围绕学习机、海外教育信息化两点需求，重点看好重点看好科大讯飞、鸿合科技。科大讯飞、鸿合科技。算法架构优化，高阶辅助驾驶渗透率预期提升。算法架构优化，高阶辅助驾驶渗透率预期提升。特斯拉自动驾驶最新端到端模型 FSD v12 完全是由神经网络训练而成，没有任何一行人工写的规则代码。端到端架构为自动驾驶新型算法架

8、构，通过优化自动驾驶算法架构，相应汽车自动驾驶性能预计将实现较大幅度增长，从而一定程度带动高阶自动驾驶渗透率提升。技术加持带动渗透率不断提升，全自动驾驶时代渐行渐近，同时国内企业也将逐步开启全球化。重点看好德赛西威、重点看好德赛西威、中科创达、经纬恒润。中科创达、经纬恒润。云端云端 AI 走向端侧走向端侧 AI 是趋势，端侧是趋势，端侧 AI 核心在于手机和核心在于手机和 PC，AI Phone 和和 AI PC 将开启新时代。将开启新时代。从今年 2月份举行的世界移动通信大会，高通展示了其手机端离线运行大模型，到 5 月份微软开发者大会高通展示其 PC运行 AI 大模型，再到近期英特尔、联想

9、等发布 AI PC 加速计划、发布首款 AI PC 等，可以看出，国内外厂商持续发力 AI Phone 和 AI PC，端侧 AI 将走入新的时代。重点看好高通、中科创达。重点看好高通、中科创达。智能制造是大势所趋，是工业大国向工业强国转型的必经之路。建议关注以下三块细分子赛道：智能制造是大势所趋，是工业大国向工业强国转型的必经之路。建议关注以下三块细分子赛道：1）工业机器视觉：SAM 模型和 GPT-4V 已经在工业质检、工业自动化等领域应用，效率和精确度均有明显提升，AI 有望带动机器视觉渗透率进一步提升。同时下游行业如消费电子复苏回暖，锂电等视觉投资占比提升都会带来更多的行业需求。2）工

10、业机器人：AGV 等移动机器人正在快速进入工业场景，替代传统的人工搬运、巡检。智能焊接机器人通过自动识别工件、寻缝、路径规划、运动控制，已经在钢构等下游行业开始应用，填补钢构等行业快速增长所带来的大量焊工缺口。3）工业软件：因为其技术壁垒高，过去均被海外巨头所垄断。我们看好在AI+云化的技术趋势下，伴随国产化率和正版化率的逐步提升，涌现出更多的产业机会。围绕工业信息化领域围绕工业信息化领域的的边际变化边际变化，重点看好中控技术、柏楚电子、理工能科。重点看好中控技术、柏楚电子、理工能科。随着人工智能进入巨量参数的大模型时代，算力需求的日益增长使得 AI 芯片和服务器市场迎来了巨大机遇。美国商务部

11、和安全局在 2023 年 10 月 17 日颁布了新一轮的芯片出口限制，英伟达等先进芯片均受到出口管制，国内 AI 芯片厂商正逐步缩小与英伟达、AMD 的差距，出口管制下国产芯片自主可控势在必行。国内厂商虽然在硬件产品性能和产业链生态架构方面与前者有所差距，但正在逐步完善产品布局和生态构建，不断缩小与行业龙头厂商的差距。随着算力需求的持续提升，AI 服务器景气度也将持续。建议重点关注华为昇腾产业链、寒建议重点关注华为昇腾产业链、寒武纪等国内领先武纪等国内领先 AI 芯片厂商。芯片厂商。在中美贸易战、科技战持续深化的背景下，需要加强对卡脖子的关键核心技术研发支持，不断加速国产替代的步伐，重点看好

12、大模型技术基座的国产化，例如 EDA 等细分板块，重点看好华大九天、广立微。重点看好华大九天、广立微。行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。目录目录 一、大模型行业发展现状及前沿技术观察.1 1.1 大模型行业发展现状.1 1.1.1 国内外大模型发展情况.1 1.1.2 国外大模型行业发展现状.2 1.1.3 国内大模型发展现状.6 1.1.4 大模型行业整体发展评述.9 1.2 AI 前沿技术趋势展望.13 1.2.1 AI Agent（AI 智能体）.13 1.2.2 混合专家模型技术.17 1.2.3 机器人大模型.21 二、AI 应用趋势展望.26 2.

13、1 AI+教育是人工智能落地的黄金赛道.26 2.1.1 AI+教育软件.28 2.1.2 教育信息化.29 2.1.3 教育智能硬件.30 2.2 自动驾驶：算法架构优化，高阶辅助驾驶渗透率预期提升.33 2.2.1 端到端模型实现算法架构优化，自动驾驶性能提升.33 2.2.2 国内自动驾驶车厂势头依旧，高阶辅助驾驶渗透率预期提升.34 2.3 AI PC/Phone：端侧 AI 发展，AI PC/Phone 将开启新时代.36 2.3.1 技术升级带动端侧 AI 发展，推理精度提升.36 2.3.2 2024 或成 AI PC/Phone 元年，AI PC/Phone 趋势刺激行业回暖.

14、39 2.4 AI+工业是大势所趋.42 2.4.1 工业机器视觉.43 2.4.2 工业机器人.50 2.4.3 工业软件.57 三、国产算力自主可控.64 3.1 国产算力迎来高速发展期.66 3.2 服务器：AI 时代全球服务器市场高速增长.67 3.2.1 AI 时代全球服务器市场高速增长，AI 服务器出货量占比进一步提升.67 3.2.2 AI 服务器市场集中度有望提升，国内厂商呈现一超多强格局.69 四、大模型技术基座国产化.70 4.1 EDA 算法国产替代.70 五、风险分析.73 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表目录目录 图表 1：

15、大模型发展时间线.1 图表 2：国外发布的大模型情况.2 图表 3：国外大模型技术分类.2 图表 4：国内发布的大模型情况.2 图表 5：国内大模型技术分类.2 图表 6：GPT-4 在人类专业测试中的表现.3 图表 7：GPT-4 模型在各类人类考试中的表现.3 图表 8：GPT 页面简化.3 图表 9：GPT store.3 图表 10：PaLM 2 相比 PaLM 性能实现大幅提升.4 图表 11：PaLM 2 部分推理测试结果.4 图表 12：LLaMA 家族.5 图表 13：Llama 1、Llama 2 模型标准学术基准评估结果.5 图表 14：文心一言模型技术结构.6 图表 15

16、：文心大模型 4.0.7 图表 16：文心一言开启会员付费.7 图表 17：星火大模型升级时间线.7 图表 18：ChatGLM 云端私有化定价.8 图表 19：ChatGLM 本地私有化定价.8 图表 20：SenseChat 2.0 在各类评测基准中的得分.9 图表 21：书生 浦语模型性能比对.9 图表 22：缩放法则.10 图表 23：模型数据量和参数量同比增长性能最优.10 图表 24：大模型发展路线图.10 图表 25：提示词工程提升大语言模型的逻辑思维能力.11 图表 26：AI Agent 组成结构.11 图表 27：生成式 AI 应用层级.11 图表 28：基于 LLM 的

17、AI Agent 所具备的能力.13 图表 29：一个基于 LLM 的 Agent 的应用实例.14 图表 30：大语言模型驱动的 AI Agent 应用场景.15 图表 31：AutoGPT 运行逻辑.15 图表 32：XAgent 运行逻辑.16 图表 33：MetaGPT 在内部通过 prompt 实现的一个完整的软件开发团队.17 图表 34：Humanoid Agents 架构.17 图表 35：Humanoid Agents 运行原理.17 图表 36：MoE 结构示意图.18 图表 37：不同的专家处理不同的输入（LIMoE）.18 图表 38：密集模型和稀疏混合专家模型的对比.

18、19 图表 39：Switch Transforme 优秀的稀疏性带来训练效率提升.19 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表 40：GLaM 模型与 GPT-3 模型对比.19 图表 41：V-MoE 与 ViT 图像处理性能对比.20 图表 42：LiMoE 与 CLIP 模型性能对比.21 图表 43：机器人控制算法对比.21 图表 44：谷歌机器人模型相关进展时间轴.22 图表 45：谷歌机器人模型梳理.23 图表 46：Meta 机器人模型相关进展时间轴.24 图表 47：Meta 机器人模型梳理.24 图表 48：传统教育与 AI 教育的优劣势比

19、较.26 图表 49：生成式 AI 显著降低个性化学习成本.26 图表 50：生成式 AI 在教育的落地领域.27 图表 51：生成式 AI 在教育领域的市场规模（百万美元）.27 图表 52：AI+教育相关政策文件.27 图表 53：duolingo 学习-投资双飞轮.28 图表 54：Duolingo 营收和净利润情况（亿美元）.28 图表 55：作为虚拟人格的 khanmigo.29 图表 56：khanmigo 循循善诱式指导线性回归.29 图表 57：教育信息化从 1.0 到 2.0.29 图表 58：教育信息化投入情况.30 图表 59：教育信息化支出情况.30 图表 60：教育智

20、能硬件分类.31 图表 63：国内学习机销量.32 图表 64：学习机市场份额.32 图表 65：端到端算法多传感器融合架构.33 图表 66：端到端算法多传感器示意.33 图表 67：自动驾驶端到端技术路线.33 图表 68：特斯拉 D1 FP32 算力可对标 A100.34 图表 69：特斯拉 HW4.0 11 个摄像头分布预测.34 图表 70：蔚来、理想、小鹏汽车销量.35 图表 71：2020-2025 各级别自动驾驶汽车渗透率及预测.35 图表 72：华为 ADS2.0 性能表现优秀.35 图表 73：北京小米 SU 7 外观图.35 图表 74：大模型小型化版本.37 图表 75

21、：不同数据格式构成及用途.37 图表 76：以骁龙 865 为基准的手机/平板性能综合对比.38 图表 77：高通骁龙 8 Gen3 综合参数.38 图表 78：云端 AI 芯片和端侧 AI 芯片技术路线对比.38 图表 79：苹果 M3 系列芯片架构和能效双重提升.38 图表 80：骁龙 X Elite 平台详细参数.39 图表 81：英特尔 AI PC 启动计划以酷睿 Ultra 为起点.39 图表 82：谷歌 Pixel 8 Pro.40 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表 83：小米 14 系列.40 图表 84：AI Pin 由电池和主机组成.4

22、0 图表 85：AI Pin 形态.40 图表 86：全球智能手机销量从 23 年 Q3 以来重回同比正增.41 图表 87：微软个人电脑业务时隔四个季度重回正增长.41 图表 88：AI PC 出货量及市场渗透率预测.41 图表 89：相关厂商 AI PC 展望.41 图表 90：智能化战略是智能制造战略的核心.43 图表 91：工业软件对企业的重要作用.43 图表 92：2018-2025 中国制造业人工智能应用市场规模与增长率.43 图表 93：工业领域人工智能发展现状分析与应用规模占比.43 图表 94：机器视觉系统构成.44 图表 95：机器视觉和人类视觉对比.44 图表 97：盘古

23、矿山大模型覆盖多个应用场景.45 图表 98：SAM 模型能识别并切割出同一场景中的大量物体.45 图表 99：GPT4V 在工业场景中的应用：缺陷检测.46 图表 100：3D 视觉的缺陷检测.46 图表 101：2016-2025 国内工业 3D 视觉市场规模变化.46 图表 102：2016-2025 全球机器视觉市场规模.47 图表 103：2016-2025 中国机器视觉市场规模.47 图表 104：工业机器视觉产业链.47 图表 105：2016-2025 全球机器视觉市场规模.48 图表 106：2016-2025 中国机器视觉市场规模.48 图表 107：工业机器视觉产业链.4

24、8 图表 108：电子设备制造生产线中部分机器视觉应用环节.49 图表 109：2016-2025E 中国 3C 电子行业机器视觉规模及预测.49 图表 110：电子设备制造生产线中部分机器视觉应用环节.50 图表 111：2016-2025E 中国锂电行业机器视觉规模及预测.50 图表 112：AMR 与 AGV 性能对比.50 图表 113：移动机器人可应用的工业场景.50 图表 114：2015-2022 中国工业应用移动机器人规模与增长率.51 图表 115：2015-2022 中国工业应用移动机器人增量与增速.51 图表 116：2022 年中国 AGV/AMR 海内外销售占比.52

25、 图表 117：2019-2022 中国 AGV/AMR 海外销售规模与增速.52 图表 118：2022 年度中国工业应用移动机器人企业集中度.52 图表 119：2018-2022 中国 AGV/AMR 年销售规模过亿企业数.52 图表 120：2016-2026 中国焊接机器人销量及预测(万台）.53 图表 121：2021 焊接机器人行业应用分布.53 图表 122：2021 焊接机器人行业应用分布.53 图表 123：2016-2026 中国焊接机器人销量及预测(万台）.53 图表 124：2020-2022 弧焊机器人国产份额占比.54 行业深度报告 人工智能人工智能 请务必阅读正

26、文之后的免责条款和声明。图表 125：2022 年中国市弧焊机器人品牌出货量排行 TOP10.54 图表 126：ABB 为宇通设计的免示教机器人.54 图表 127：FANUC 焊接工艺专家库.54 图表 128：2015-2022 钢结构产量及增长速度.55 图表 129：焊接工人缺口量百分比.56 图表 130：焊接机器人提高焊接效率.56 图表 131：焊接机器人发展历程.56 图表 132：免示教焊接机器人和示教焊接机器人区别.56 图表 133：工业软件知识化.57 图表 134：工业软件工作逻辑与分类.57 图表 135：2016-2023E 全球工业软件市场规模.58 图表 1

27、36：2020 年全球工业软件不同地区市场份额占比.58 图表 137：2018-2027E 中国工业软件市场规模.58 图表 138：2020 年中国各行业 IT 投入情况.58 图表 139：2016-2023E 全球 CAD 市场规模.59 图表 140：2016-2023E 中国 CAD 市场规模.59 图表 141：中国 2020 年 2D CAD 市场份额格局.59 图表 142：中国 2021 年 3D CAD 市场份额格局.59 图表 143：CAD 技术发展史.60 图表 144：基于云架构的 CAD 的优势.60 图表 145：第四范式“式说”大模型辅助工业设计.61 图表

28、 146：各企业 CAX 一体化案例.61 图表 147：海外 CAD 龙头并购逻辑.62 图表 148：全球大模型训练所需算力/AI 芯片数量测算.65 图表 149：2022 年 10 月的芯片限制范围.66 图表 150：2023 年 10 月的芯片限制范围.66 图表 151：出口管制下的各类先进 AI 芯片.66 图表 152：国内外 AI 芯片性能参数比对.67 图表 153：GPU 与 CPU 产品特点.68 图表 154：GPU 与 CPU 内部结构.68 图表 155：全球人工智能服务器市场规模预测.68 图表 156：中国人工智能服务器工作负载预测.68 图表 157：20

29、22 年上半年全球 AI 服务器市场份额.69 图表 158：2022 年中国 AI 服务器市场份额.69 图表 159：EDA 板块投资逻辑.70 图表 160：全球 EDA 市场销售额.71 图表 161：中国 EDA 市场销售额.71 图表 162：AI 在多方面赋能 EDA 设计.71 1 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。一、大模型行业发展现状及前沿技术观察一、大模型行业发展现状及前沿技术观察 1.1 大模型行业发展大模型行业发展现状现状 2022 年年 11 月底，月底，OpenAI 发布了人机对话模型发布了人机对话模型 ChatGPT，在两个月不

30、到的时间内其线上活跃用户规模超，在两个月不到的时间内其线上活跃用户规模超过过 1 亿人，生成式大模型受到越来越广泛的关注，人工智能行业进入到以大模型为代表的快速发展阶段亿人，生成式大模型受到越来越广泛的关注，人工智能行业进入到以大模型为代表的快速发展阶段，巨量，巨量参数和智能涌现是这一轮人工智能参数和智能涌现是这一轮人工智能变革变革的典型特征的典型特征。微软、谷歌、Meta、亚马逊等全球科技巨头将大模型视为重要的发展机遇，在生成式大模型领域加速布局，积极投入且成果频频。我国的众多互联网厂商和人工智能企业也积极投身到大模型领域中，百度、讯飞、阿里、华为、腾讯、商汤等企业也在快速更迭自己的大模型，

31、同时高校、科研院所也积极投身大模型产业，取得了显著成果。图表图表1：大模型发展时间线大模型发展时间线 资料来源：A Survey of Large Language Models，中信建投 1.1.1 国内外大模型发展情况国内外大模型发展情况 国外大模型起步相对较早，国外大模型起步相对较早，2021 年进入到快速发展期。年进入到快速发展期。2017 年 Transformer 模型的诞生可以被视为大模型行业的开端，谷歌、OpenAI、微软、英伟达等大型科技企业引领了早期的技术探索，在 2020-2021 年间逐步确立了大模型的整体技术路径，国外大模型行业开始加速发展。根据赛迪顾问数据，截止 2

32、023 年 7 月底，国外大模型累计发布 138 个，其中美国发布 114 个，大模型数量大幅领先。从 2020 年起，更多国家的企业和科研单位逐步加入到大模型的研发中，韩国、日本、法国模型数量位列美国之后。国外已发布的大模型主要集中在自然语言和多模态两类，其中自然语言占比 68%，多模态占比 18%，其他类型大模型合计占比 14%。2 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表2：国外发布的大模型情况国外发布的大模型情况 图表图表3：国外大模型技术分类国外大模型技术分类 资料来源：赛迪顾问，中信建投 资料来源：赛迪顾问，中信建投 在大模型产业领域，中国紧跟国

33、际前沿在大模型产业领域，中国紧跟国际前沿。2021 年起，中国也开启了大模型的发布热潮，涌现出一批有代表性且具备影响力的大模型。受 ChatGPT 影响，国内大模型在 2023 年进入到高速发展阶段，一时间呈现“百模大战”局面。根据赛迪顾问，截止 2023 年 7 月底，中国累计发布了 130 个大模型，其中 64 个大模型是在 2023年年内发布。国内大模型技术分布基本与海外一致，65%的大模型集中在自然语言领域，22%的大模型集中在多模态领域。图表图表4：国国内内发布的大模型情况发布的大模型情况 图表图表5：国国内内大模型技术分类大模型技术分类 资料来源：赛迪顾问，中信建投 资料来源：赛迪

34、顾问，中信建投 1.1.2 国外大模型行业发展现状国外大模型行业发展现状 OpenAI：模型性能一骑绝尘，引领大模型行业发展趋势模型性能一骑绝尘，引领大模型行业发展趋势 2022 年底年底 ChatGPT 引爆社交网络，人工智能行业进入到以大模型为主的快速发展阶段。引爆社交网络，人工智能行业进入到以大模型为主的快速发展阶段。OpenAI 在 GPT-3.5版本的基础上，通过 3 个步骤实现基于人类反馈的强化学习微调（RLHF），得到人机对话模型 ChatGPT。通过与人类答案的对齐过程，显著提升了大模型的人机对话体验。GPT-4 具备卓越的文本处理能力，初步融合多模态能力，能力再度升级。具备卓

35、越的文本处理能力，初步融合多模态能力，能力再度升级。2023 年 3 月 15 日，OpenAI 发布2520304050602002120222023.1-768%18%6%4%3%2%14%语言多模态音频视觉编程数学203040506070200222023.1-765.0%22.0%4.9%4.9%1.7%1.7%13.3%语言多模态音频视觉编程数学 3 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。多模态预训练大模型 GPT-4，相较于过去的 GPT 系列模型，提升包括几个方面

36、，GPT-4 相较于 ChatGPT 有更强的高级推理能力，相较于过去的 GPT 系列模型，GPT-4 在更多应用领域成为专家，包括为机器学习模型评判标准和为人类设计的专业测试，从“百科全书”逐步成为文理通吃的“专家”。GPT-4 在可控性和真实性方面较ChatGPT 有大幅提升。图表图表6：GPT-4 在人类专业测试中的表现在人类专业测试中的表现 图表图表7：GPT-4 模型在各类人类考试中的表现模型在各类人类考试中的表现 资料来源：OpenAI，中信建投 资料来源：AGIEval:A Human-Centric Benchmark for Evaluating Foundation Mod

37、els，中信建投 2023 年 9 月 25 日，OpenAI 再度开放了带视觉能力的 GPT-4V，用户能够指导 GPT-4 分析用户提供的图像。在输入 GPT-4V 支持格式方面，其支持处理图像、子图像、文本、场景文本和视觉指针（visual pointers）等多种输入。此外，GPT-4V 还支持 LLMs 中支持的技术，包括指令跟随、思维链和上下文少样本学习等。GPT-4V 在处理任意交错的多模态输入方面具有前所未有的能力，并且其功能的通用性共同使 GPT-4V 成为强大的多模态系统。11 月 7 日，OpenAI 首次开发者大会发布了最新模型 GPT-4 Turbo，其作为一个标准化

38、的 AI Agent，初步具备了规划和工具选择的能力，可以自动选择接入互联网、进行数据分析、图像生成等诸多功能，真正进化为了统一智能体。除了标准化的 GPT-4 以外，定制版的 GPTs 可以为用户在日常生活、特定任务、工作或家庭中提供帮助，用户无需编写代码就可以创建属于自己的定制化的智能助理，诸多定制化的 GPTs的使用体验显著优于 GPT-4，GPTs 开启了一个全民定制个人智能助理的浪潮。OpenAI 同时还将推出 GPT store 和 Assistants API，不断打造 GPTs 开发者生态。图表图表8：GPT 页面简化页面简化 图表图表9：GPT store 资料来源：Open

39、AI，中信建投 资料来源：OpenAI，中信建投 4 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。Google：深度学习研究的引领者，：深度学习研究的引领者，AI 技术产业落地先行者技术产业落地先行者 在上一轮深度学习的在上一轮深度学习的 AI 革命中，革命中，AI 逐步达到了与人类媲美逐步达到了与人类媲美、甚至超越人类（部分场景）的水平，逐步走甚至超越人类（部分场景）的水平，逐步走入大众视野，而入大众视野，而 Google 和和 Deepmind 是其中的的引领者。是其中的的引领者。由 Google 和 Deepmind 提出的 Word2Vec、AlphaGo等模型

40、以及 sequence to sequence、深度强化学习等技术是上一轮 AI 革命乃至这一轮 AI 浪潮的开创性、奠基性工作，推动着 AI 技术的成熟与发展。在这一轮预训练大模型的 AI 浪潮中，AI 展现出在更多具体场景中强大的应用性能，逐步从学术研究走向商业化落地。Google 在在 2022 年年 4 月推出了月推出了 PaLM 模型，其具有模型，其具有 5400 亿参数，基于亿参数，基于 Transformer 的的 Decoder 设计，设计，PaLM模型在多个下游任务中具有优异性能。模型在多个下游任务中具有优异性能。5 月月 11 日，日，Google 在最新一届在最新一届 I

41、/O 开发者大会上官宣大语言模型开发者大会上官宣大语言模型 PaLM 2，称其在部分任务上超越，称其在部分任务上超越 GPT-4。PaLM 2 在超过 100 种语言的多语言文本上进行了训练，这使得它在语言理解、生成和翻译上的能力更强，并且会更加擅长常识推理、数学逻辑分析。PaLM 2 在大量公开可用的源代码数据集上进行了预训练，这意味着它擅长流行的编程语言，如 Python 和 JavaScript，但也可以用 Prolog，Fortran和 Verilog 等语言生成专门的代码。图表图表10：PaLM 2 相比相比 PaLM 性能实现大幅提升性能实现大幅提升 图表图表11：PaLM 2 部

42、分推理测试结果部分推理测试结果 资料来源：PaLM 2 Technical Report，中信建投 资料来源：PaLM 2 Technical Report，中信建投 目前谷歌的聊天机器人 Bard 以及超过 25 个 AI 产品和功能，都由 PaLM 2 作为底层技术支持。具体的表现之一是 Duet AI，一款类似于微软 365 Copilot 的产品、能够内嵌在各种办公软件中的 AI 助手。基于 PaLM 2，谷歌还推出了两个专业领域大模型。一个是谷歌健康团队打造的 Med-PaLM 2。另一个专业大模型是面向网络安全维护的 Sec-PaLM 2，它使用人工智能来帮助分析和解释潜在恶意脚本

43、的行为，并在非常短的时间内检测哪些脚本对个人和组织构成威胁。META：通过开源通过开源 LLaMa 等大模型，等大模型，引领大模型开源生态引领大模型开源生态 LLaMA：2023 年 2 月 25 日，Meta 官网公布了一个新的大型语言模型 LLaMA（Large Language Model Meta AI），从参数规模来看，Meta 提供有 70 亿、130 亿、330 亿和 650 亿四种参数规模的 LLaMA 模型，并用 20 种语言进行训练。Meta 推出的 LLaMA 参数规模有 70 亿（7B）、130 亿（13B）、330 亿（33B）和 650 亿（65B）四种。LLaMA

44、-13B 在大多数基准测试中，参数仅为十分之一，但性能优于在大多数基准测试中，参数仅为十分之一，但性能优于 OpenAI 的的 GPT-3（175B），），而且能跑在单个 GPU 上。LLaMA-65B 与 DeepMind 700 亿参数的 Chinchilla-70B 和谷歌 5400 亿参数的 PaLM-540B 不相上下。5 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表12：LLaMA 家族家族 资料来源：A Survey of Large Language Models，中信建投 LLaMA2：2023 年 7 月 19 日，Meta 发布了免费商用版

45、开源大模型 LLaMA2，各个企业能够以相对低廉的价格在该模型上开发应用，为客户提供自主的大模型。Meta 发布的 LLaMA 2 模型系列包含 70 亿、130 亿和 700 亿三种参数变体，训练数据采用了更新之后的混合数据，模型方面采用文本输入与文本输出，预训练模型在2万亿token上进行训练，训练token总数相较于LLaMA 1增加了40%。LLaMA 2学术基准测试优于LLaMA1，专业场景中能力进一步提升。公布的测评结果显示，LLaMA 2 在包括推理、编码、精通性和知识测试等方面均优于相近训练参数下的 LLaMA 1。LLaMA 2 模型最大的变化除了性能提升，还体现在 B 端可

46、以助力企业开发自己的大模型，C 端可以丰富 AIGC 应用，改变了以往大模型由多家科技巨头垄断的格局，AI 应用实现加速落地。目前，用户已经能够在 Azure 平台上微调和部署 7B、13B 和 70B 参数的 LLaMA 2 模型。图表图表13：Llama 1、Llama 2 模型标准学术基准评估结果模型标准学术基准评估结果 资料来源：Hugging face，中信建投 6 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。Meta 与微软达成合作，联手推动与微软达成合作，联手推动 AI 应用的商业化落地。应用的商业化落地。Meta 正式开源了 LLaMA 2 版本，可免费

47、用于商业用途，微软宣布携手。最新版本的模型将在微软的 Azure 和 Windows 平台上线并开源，用户可以在云服务中使用 Llama 2 作为基础模型，快速构建适用于自身业务的专用大模型。目前，用户已经能够在 Azure 平台上微调和部署 7B、13B 和 70B 参数的 LLaMA 2 模型。未来，LLaMA 将进行优化，以在 Windows 上本地运行。1.1.3 国内大模型发展现状国内大模型发展现状 百度百度 从 2010 年的百度搜索开始，百度成立了自然语言部门，初步研究互联网机器翻译技术，2013 年推出百度语音助手，2014 年推出智能搜索小度机器人，2017 年推出智能客服。

48、在长期的布局和发展中，百度构建了完整的语言与知识技术布局，包括知识图谱、语言理解与生成技术，以及上述技术所支持的包含智能搜索、机器翻译、对话系统、智能写作、深度问答等在内的的应用系统。2023 年年 3 月月 16 日，百度发布了生成式人工智能大模型“文心一言”。日，百度发布了生成式人工智能大模型“文心一言”。作为文心大模型家族的新成员，文心一言在文心知识增强大模型 ERNIE 及对话大模型 PLATO 的基础上研发。文心一言包含六大核心技术模块，包括：1）有监督精调；2）基于人类反馈的强化学习；3）提示；4）知识增强；5）检索增强；6）对话增强，前三类技术在目前流行的对话大模型如 ChatG

49、PT 中都有所应用，而后三类技术则是百度基于自身技术积累的再创新，它们共同构成了模型的技术基础。图表图表14：文心一言模型技术结构文心一言模型技术结构 资料来源：百度，中信建投 20232023 年年 5 5 月，百度文心大模型月，百度文心大模型 3.53.5 版本已内测可用版本已内测可用，在基础模型升级、精调技术创新、知识点增强、逻辑在基础模型升级、精调技术创新、知识点增强、逻辑推理增强、插件机制等方面创新突破，取得效果和效率的提升推理增强、插件机制等方面创新突破，取得效果和效率的提升。2023 年 8 月 31 日，文心一言率先向全社会全面开放。9 月 13 日，百度发布文心一言插件生态平

50、台“灵境矩阵”。文心一言面向全社会开放至百度世界 2023大会召开期间，40 多天的时间，文心一言用户规模已经达到 4500 万，开发者 5.4 万，场景 4300 个，应用 825个，插件超过 500 个。20232023 年年 1010 月月 1717 日，百度世界大会上正式发布文心大模型日，百度世界大会上正式发布文心大模型 4.04.0。与原有的 3.5 版本相比，具有以下优势：1）更强的模型能力和图片生成能力。根据测试，文心大模型 4.0 版本在理解、生成、逻辑、记忆四大功能上都有明显提升，具有显著优化的模型性能。2)支持接入丰富的 API 插件，可以实现撰写代码、润色文案、设计与绘图

51、等多种功能。7 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。文心一言成为首个国内面向文心一言成为首个国内面向 C C 端收费的大模型产品。端收费的大模型产品。文心一言专业版的分为单独订阅和联合会员两种收费模式。单独订阅模式下，会员月付 59.9 元，选择连续包月可以享受 49.9 元的优惠价格；该模式下会员可以使用文心一言大模型 3.5 和 4.0 两个版本，而非会员只可使用免费的文心大模型 3.5 版本。联合模式下，用户月付 99 元，可以同时具有单独订阅模式的全部功能，并获得文心一格白银会员资格，享受 AI 修图改图等功能。图表图表15：文心大模型文心大模型 4.0

52、 图表图表16：文心一言开文心一言开启会员付费启会员付费 资料来源：百度，中信建投 资料来源：文心一言官网，中信建投 科大讯飞科大讯飞 随着大语言模型爆火网络，公司自主研发了对标随着大语言模型爆火网络，公司自主研发了对标 ChatGPT 的星火大模型。的星火大模型。星火大模型是基于深度学习、以中文为核心的自然语言大模型，在跨领域多任务上具备类人的理解和生成能力，可实现基于自然对话方式的用户需求理解与任务执行。公司大模型不断迭代进步，能力实现全方位提升。公司大模型不断迭代进步，能力实现全方位提升。2022 年 12 月 15 日，科大讯飞启动了“1+N 认知智能大模型专项攻关”。2023 年 5

53、 月 6 日，讯飞推出星火认知模型的 1.0 版本，七大核心能力发布，同时发布大模型评测体系。6 月 9 日，星火升级至 1.5 版本，突破开放式问答、多轮对话能力和数学能力；8 月发布 2.0 版本，实现多模态能力，同时代码能力显著提升。图表图表17：星火大模型升级时间线星火大模型升级时间线 资料来源：科大讯飞，中信建投 星火星火 3.0 全面对标全面对标 ChatGPT。10 月 24 日，星火推出 3.0 版本，在语义理解、时效把握、代码生成能力等基础功能上都有很大提升；在时空感知能力上表现突出；专业性能力基本无实时性错误，尤其医疗能力水平，8 行业深度报告 人工智能人工智能 请务必阅读

54、正文之后的免责条款和声明。可以给出适时的诊疗提醒。全面对标 chatGPT，中文能力客观测评超过 ChatGPT，英文能力对标 ChatGPT48 项任务结果相当。根据国务院发展研究中心经济研究院测评报，星火大模型 3.0 综合能力达到国际一流水平，在医疗、法律、教育行业表现突出。讯飞同时发布十二个行业大模型，涵盖金融、汽车交互、运营商、工业、传媒、法律、政务、科技文献、住建、物业、文旅、水利十二个领域。讯飞正式启动对标 GPT-4 的大模型训练，2024 年上半年对标 GPT-4。智谱智谱 智谱 AI 致力于打造新一代认知智能大模型，专注于做大模型的中国创新，通过认知大模型链接物理世界的亿级

55、用户。基于完整的模型生态和全流程技术支持，智谱 AI 一方面重视研发超大规模训练模型，并基于此推出对话模型 chatGLM；另一方面践行 Model as a Service（MaaS）的市场理念，推出大模型 MaaS 开放平台。2023 年 3 月 14 日，ChatGLM1.0 开启邀请制内测。ChatGLM 参考 ChatGPT 的设计思路，在千亿基座模型GLM-130B 中注入代码预训练，通过监督微调等技术实现人类意图对齐，具有支持双语、高精度、快速推理、可复现性和跨平台等优势。同期开源的还有具有 62 亿参数、支持中英文双语对话的 ChatGLM-6B，虽然规模不及千亿模型，但大大降

56、低了推理成本。2023 年 6 月 27 日，第二代 ChatGLM 正式发布。在保留初代模型对话流畅、部署门槛低的基础上引入更加强大的性能、允许更多轮次的对话和更长的上下文、进行更高效的推理、允许更开放的协议。2023 年 7 月 15日，智谱 AI 宣布 ChatGLM 允许免费商用。2023年10月27日，在2023中国计算机大会（CNCC）上，智谱AI推出全自研的第三代基座大模型ChatGLM3及相关系列产品。ChatGLM3 瞄准 GPT-4v，带来了诸多技术升级。其中，在性能上，该模型采用了独创的多阶段增强预训练方法，更丰富的训练数据和更优的训练方案，使训练更为充分。与 ChatG

57、LM 二代模型相比，在44 个中英文公开数据集测试中，ChatGLM3 在国内同尺寸模型中排名首位，其中，MMLU 提升 36%、CEval 提升 33%、GSM8K 提升 179%、BBH 提升 126%；在功能上，ChatGLM3 本次实现了若干全新功能的迭代升级，包括：多模态理解能力的 CogVLM、代码增强模块 Code Interpreter、网络搜索增强 WebGLM，使得 ChatGLM的语义理解能力和逻辑能力大大增强。在全新升级的 ChatGLM3 赋能下，生成式 AI 助手智谱清言已成为国内首个具备代码交互能力的大模型产品（Code Interpreter）。在智谱清言，用户

58、可随时随地获取更智能、更便捷、更高效的个性化内容服务。图表图表18：ChatGLM 云端私有化定价云端私有化定价 图表图表19：ChatGLM 本地私有化定价本地私有化定价 资料来源：智谱官网，中信建投 资料来源：智谱官网，中信建投 9 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。商汤科技商汤科技 商汤科技拥有深厚的学术积累，并长期投入于原创技术研究，不断增强行业领先的多模态、多任务通用人工智能能力，涵盖感知智能、自然语言处理、决策智能、智能内容生成等关键技术领域。2023 年 4 月 10 日，商汤 SenseTime 举办技术交流日活动，分享了以“大模型+大算力”推

59、进 AGI（通用人工智能）发展的战略布局，并公布了商汤在该战略下的“日日新 SenseNova”大模型体系，推出自然语言处理、内容生成、自动化数据标注、自定义模型训练等多种大模型及能力。依托自研千亿级参数自然语言模型，商汤科技依托自研千亿级参数自然语言模型，商汤科技 4 月月 10日发布了中文语言大模型应用平台“商量日发布了中文语言大模型应用平台“商量 SenseChat”。”。商量SenseChat是由商汤科技研发的一款基于自然语言处理技术的人工智能大语言模型，具备较强的语言理解、生成能力，可以解决复杂问题，提供定制化建议，还能辅助创作文本，同时具备不断学习进化的特性。7 月 7 日，“商量

60、 SenseChat”迭代至 2.0 版本，其基模型为商汤联合多家国内顶级科研机构发布的书生 浦语InternLM-123B，拥有 1230 亿参数，在语言、知识、理解、推理和学科五大能力上均处于行业领先水平。图表图表20：SenseChat 2.0 在各类评在各类评测基准中的得分测基准中的得分 图表图表21：书生浦语模型性能比对书生浦语模型性能比对 资料来源：商汤科技，中信建投 资料来源：商汤科技，中信建投 1.1.4 大模型行业整体发展评述大模型行业整体发展评述 国外大模型发展趋势：国外大模型发展趋势：美国人工智能企业引领行业发展。美国 OpenAI 的基础大模型性能领先，目前已经在基础大

61、模型上开始快速构建开发生态，Google 也在发力追赶过程中，Meta 通过开源大模型构建开源生态。美国在研发能力、人才储备、算力支持方面仍然占据一定优势。我们预期，海外大模型将沿着多个维度持续演进。更大的参数量、更多的训练文本依旧是大模型的主要发展路径。更大的参数量、更多的训练文本依旧是大模型的主要发展路径。OpenAI 论文Scaling Laws for Neural Language Models中提出著名的缩放法则缩放法则，缩放法则中提到模型表现和规模强相关，和模型的 shape 弱相关：规模包括模型参数量 N、数据集大小 D 和计算量 C，模型 shape 指模型 depth、wi

62、dth、number of self-attention heads。Palm-2 technical report 中提到，训练数据量和模型参数量大小保持同比例增长是最优组合。目前最先进的大模型 GPT-4 仍然高度符合缩放法则，简而言之，模型越大性能越好，训练的数据量越大模型性能越好，这条法则仍然成立。通过单纯的增加模型参数量和训练数据量就可以实现更好的模型性能，可以预期，在短期之内，不断增加模型参数量依旧是提升模型性能的主要手段。10 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表22：缩放法则缩放法则 图表图表23：模型数据量和参数量同比增长性能最优模型数

63、据量和参数量同比增长性能最优 资料来源：GPT-4 technical report，中信建投 资料来源：Palm-2 technical report，中信建投 更多的模态到来，开启全新的多模态时代。更多的模态到来，开启全新的多模态时代。文本、语音、图片等单模态人工智能模型已经相对成熟，大模型正在朝着多模态信息融合的方向快速发展。图文多模态技术已经取得了显著的进步，未来大模型不止满足文字和图像，开始向着音频、视频等领域拓展。图表图表24：大模型发展路线图大模型发展路线图 资料来源：中信建投 大模型的逻辑思维能力可能看到飞跃式提升。大模型的逻辑思维能力可能看到飞跃式提升。大语言模型在文本的理解

64、和生成上表现出色，但是涉及到数理逻辑推理时表现仍然有待提升。通过思维链、思维树的提示词工程设计，大语言模型能够将大型任务分解为较小且易于管理的子目标，内部的逻辑一致性显著增长，从而高效地处理复杂任务。CNNRNNLSTMTransformerGPTGPT-2GPT-3ChatGPTBERTALBERTDeBERTaCLIPDiffusion modelKosmos-1GPT-4Stable diffusionDALL-EMidjourneyRoBERTaVision transformerPaLM-EGPT-4VGPT-4 Turbo 11 行业深度报告 人工智能人工智能 请务必阅读正文之后的

65、免责条款和声明。图表图表25：提示词工程提升大语言模型的逻辑思维能力提示词工程提升大语言模型的逻辑思维能力 资料来源：Graph of Thoughts:Solving Elaborate Problems with Large Language Models，中信建投 AI AI A Agentgent 将成为我们接触大模型的主要媒介。将成为我们接触大模型的主要媒介。图表图表26：AI Agent 组成结构组成结构 资料来源：LilLog，中信建投 AI Agent 是有能力主动思考和行动的智能体，它们能够使用传感器感知周围环境，做出决策，然后使用执行器采取行动，甚至与别的 agent 合作

66、实现任务。OpenAI 应用研究主管 LilianWeng 提出了 AI Agent 的重要组成公式：Agent=大语言模型（LLM）+规划能力（Planning）+工具（Tool）+记忆（Memory）。AI Agent 相比大语言模型的提升在于：与环境交互、个性化记忆、主动决策、合作机制。在生成式 AI 的不同应用等级中，AI Agent 是比聊天机器人更高层级的应用形态。图表图表27：生成式生成式 AI 应用层级应用层级 描述描述 示例示例 L1 Tool 人类完成所有工作，没有任何明显的 AI 辅助 绝大部分应用 L2 Chatbot 人类直接完成绝大部份工作，人类向 AI 询问意见、

67、了解信息，AI 提供信息和建议但不直接处理工作 初代 ChatGPT L3 Copilot 人类和 AI 进行写作，工作量相当，AI 根据人类要求完成工作初稿，人类进行目标设定，修改调整，最后确认 Github Copilot Midjourney ChatGPT with Plugin L4 Agent AI 完成绝大部分工作，人类负责设定目标、提供资源和监督结果。AI 完成任务拆分，工具选择，进度控制，实现目标后自动结束工作 AutoGPT 12 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。L5 Intelligence 完全无需人类监督，AI 自主拆解目标，寻找资

68、源，选择并使用工具，完成全部工作，人类只需给出初始目标 类冯诺依曼机器人 资料来源：中信建投 国内大模型发展国内大模型发展趋势趋势：国内大模型行整体依旧处于跟跑状态，目前国内具备代表性的大模型在中文问答表现上已经与 ChatGPT 不相上下，短期之内仍然是沿袭海外技术路线，模型规模的不断增加和训练语料的不断扩充是当前的主要任务。同时国内大模型的多模态能力仍处在起步发展阶段，短期之内有望看到多模态能力的快速提升。受 ChatGPT 驱动，2023 年国内大模型呈现迅猛发展局面，经历近一年时间，国内大模型实现能力上的快速进步。根据赛迪顾问，截至 2023 年 7 月，中国累计已经有 130 个大模

69、型问世，其中有近一半的大模型在今年年内问世。同时国内大模型的整体竞争格局也日益清晰，大致可以分为三类大模型：具备持续技术领先能力的闭源大模型、具备领跑能力的开源大模型、具备垂类场景优势的垂类大模型。大模型的每一次迭代更新都需要大量的研发投入和算力投入，在一年时间内经历多次的迭代更新，如未见显著的技术领先优势或特定场景的优秀商业模式，或将无法维系大模型的持续投入。我们认为，目前国内大模型已经经过了高速发展的扩张阶段，预期将见到模型扩张速度的下降，竞争格局更为集中。国内大模型格局：国内大模型格局：具备技术持续领先能力的大模型具备技术持续领先能力的大模型：优秀的大模型人才、充足的算力资源、海量的优质

70、数据、足够的研发投入是人工智能企业具备酝酿大模型的先决条件，在快速的迭代发展过程中，部分大模型展现出持续的技术领先优势，典型如百度文心一言、科大讯飞星火大模型。具备技术优势的闭源大模型具备较强的变现能力。开源大模型开源大模型：开源大模型与顶尖的闭源大模型相比有一定的技术差距，其参数量和上下文窗口长度普遍相对较小。但是开源模型借助社区的创新力量，实现了技术的快速迭代和应用拓展，成为大模型行业发展的重要支撑。具备垂类场景优势的大模型具备垂类场景优势的大模型：通用大模型可以帮助用户解决一般性问题，而当企业需要处理其特定行业的数据和任务时，往往需要针对其行业数据库来对基本模型进行微调，垂直行业的特性和

71、需求不尽相同，垂类场景中的垂类数据是专业大模型竞争中的核心要素，专业数据驱动垂类模型百花齐放。大模型商业模式：大模型商业模式：大模型大模型 C 端商业模式：端商业模式：1）以纯软件的形态输出聊天机器人、包含大模型能力的各类软件（例如 copilot）、AI Agent（GPTs）等产品；2）融合大模型能力的各类智能硬件，例如 AI pin、智能音响、翻译机、学习机等。大模型大模型 B 端商业模式：端商业模式：1）出售大模型 API 接口，向公司或开发者按照调用次数收费；2）直接卖大模型开发服务，向传统企业输出大模型行业解决方案获得收入；3）大模型配合 AI 服务器形成软硬一体的产品，打包向传统

72、企业输出大模型行业解决方案；4）用大模型改造现有业务，提高产品的竞争力获得更多商业回报，即Model-As-A-Service(MaaS)模型即服务。13 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。1.2 AI 前沿技术趋势展望前沿技术趋势展望 1.2.1 AI Agent（AI 智能体）智能体）AI Agent 指的是人工智能智能体指的是人工智能智能体，其其能够使用传感器感知周围环境，做出决策，能够使用传感器感知周围环境，做出决策，并并使用执行器采取行动。使用执行器采取行动。OpenAI 应用研究主管 LilianWeng 提出了重要公式：Agent=LLM（大型语

73、言模型）（大型语言模型）+记忆记忆+规划技能规划技能+工工具使用。具使用。大型语言模型为大型语言模型为 AI Agent 带来了革命性进步，经过四大发展阶段，逐步具备了高效推理、灵活行动、强大带来了革命性进步，经过四大发展阶段，逐步具备了高效推理、灵活行动、强大的泛化以及无缝任务转移的能力。发展历程：的泛化以及无缝任务转移的能力。发展历程：AI Agent 经历了符号智能体、反映型智能体、基于强化学习的智能体、具有迁移学习和元学习功能的智能体四大发展阶段，现在已经跨入基于大型语言模型的智能体阶段。大语言模型为 AI Agent 带来了突破性的进展，同时具备了以上四大发展阶段的优势优势：1）通过

74、思维链（CoT）和问题分解等技术，基于 LLM 的智能体可以表现出与符号智能体相当的推理和规划能力；2）通过从反馈中学习和执行新的行动，获得与环境互动的能力，类似于反应型智能体；3）大型语言模型在大规模语料库中进行预训练，并显示出泛化与迁移学习的能力；4）从而实现任务间的无缝转移，而无需更新参数。由于大模型仍存在大量的问题（如幻觉、上下文容量限制等），并且极度依赖于用户自己给出指令，如果用户指令不够清晰，就会影响整个模型的效果。能够自己独立思考、调用工具去逐步完成给定目标的能够自己独立思考、调用工具去逐步完成给定目标的 AI Agent 会会是从大模型通往是从大模型通往 AGI 路上的下一个阶

75、段。路上的下一个阶段。图表图表28：基于基于 LLM 的的 AI Agent 所具备的能力所具备的能力 资料来源：The Rise and Potential of Large Language Model Based Agents:A Survey，中信建投 基于基于 LLM 的的 Agent 的概念框架，包括三个组成部分：大脑、感知和行动。的概念框架，包括三个组成部分：大脑、感知和行动。作为控制器，大脑模块承担着记忆、思考和决策等基本任务。作为控制器，大脑模块承担着记忆、思考和决策等基本任务。在接收到感知模块处理的信息后，大脑模块首先转向存储、检索知识和从记忆中回忆，这些结果有助于智能体制

76、定计划、推理和做出明智的决定。此外，大脑模块可以记住智能体过去的观察、想法，以及摘要、矢量或其他数据结构形式的动作，同时，它还可以更新常识和领域知识等知识，以备将来使用，基于 LLM 的智能体也可能凭借其固有的泛化和转移能力适应不熟悉的场景。OpenAI 最新发表的 Assistant API 拥有记忆、调用函数等模块便赋予了智能体存储和使用工具的能力。感知模块感知和处理来自外部环境的多模式信息。感知模块感知和处理来自外部环境的多模式信息。随着技术的发展，智能体的感知空间正在从纯文字领域扩展到多模态领域，包括文字、听觉和视觉模态，以及触觉反馈、手势和 3D 图等。这种扩展使智能体能够更 14

77、行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。有效地掌握和利用周围环境的信息。行动模块使用工具执行并影响周围环境。行动模块使用工具执行并影响周围环境。在智能体的构建中，动作模块接收大脑模块发送的动作序列，并执行与环境交互的动作。图表图表29：一个基于一个基于 LLM 的的 Agent 的应用实例的应用实例 资料来源：The Rise and Potential of Large Language Model Based Agents:A Survey，中信建投 AI 智能体已经在多个下游逐步应用，包括社会科学、自然科学、工程学等领域，并表现出过去智能体已经在多个下游逐步应

78、用，包括社会科学、自然科学、工程学等领域，并表现出过去 AI 无法实无法实现的功能和性能。现的功能和性能。自然科学领域中，自然科学领域中，AI Agent 主要应用在科学教育中，在实验助理、文献及数据管理方面也有所应用。主要应用在科学教育中，在实验助理、文献及数据管理方面也有所应用。例如卡耐基梅隆大学的研究人员在 2023 年 8 月 14 日提出的编程教育 Agent CodeHelp，其提供了设定课程关键词、监控学生查询以及提供反馈等功能。工程学领域中，工程学领域中，AI Agent 的应用最为广泛，其中机器人的应用最为广泛，其中机器人&具身智能、计算机科学具身智能、计算机科学&软件工程、

79、通用软件工程、通用 Agent是最主要的应用场景。是最主要的应用场景。AutoGPT 是通用 Agent 的代表，其可以将设定好的一个或多个目标分解为相应的任务并循环执行。自 AutoGPT 引发广泛关注以来，相关研究持续推进，如 MiniAGI、SuperAGI、AutoGen 等。社会科学领域中，社会科学领域中，AI Agent 应用在模拟实验、心理学、政治与经济学等场景中。应用在模拟实验、心理学、政治与经济学等场景中。例如著名的斯坦福小镇（Generative Agents），其在虚拟城镇中构建了多个 AI Agent 来模拟人类的日常生活，大大降低了社会学实验的成本并避免了潜在的道德风

80、险。大语言模型具有强大的语言理解能力、复杂任务推理能力和知识积累，这些能力让基于大语言模型大语言模型具有强大的语言理解能力、复杂任务推理能力和知识积累，这些能力让基于大语言模型的的 AI Agent 在多个下游领域中展现出强大潜力，在多个下游领域中展现出强大潜力，AI Agent 的发展也将让大模型的“智慧”得以应用于解决更多现实的发展也将让大模型的“智慧”得以应用于解决更多现实场景的问题，拓宽场景的问题，拓宽 AI 应用的边界。应用的边界。目前 AI Agent 的技术框架已经较为清晰，后续随各环节的技术革新以及各场景数据收集等的持续推进，AI Agent 将加速发展，值得持续关注。15 行

81、业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表30：大语言模型驱动的大语言模型驱动的 AI Agent 应用场景应用场景 资料来源：A Survey on Large Language Model based Autonomous Agents，中信建投 以下举例几个在不同领域应用的智能体实例：以下举例几个在不同领域应用的智能体实例：1）自然科学领域自然科学领域 AutoGPT&XAgent AutoGPT 是一种开源的完全自动化智能体。是一种开源的完全自动化智能体。AutoGPT 通过通过 API 结合了结合了 GPT-3.5 和和 GPT-4，允许用户创建，允许

82、用户创建使用语言模型来生成和改进文本。使用语言模型来生成和改进文本。它可以阅读、写作和浏览网络，它根据任务目标自己创建 prompt，然后再完成这个任务，接下来重复这个过程直到达到最终目标。它还可以使用 GPT-4 编写自己的代码，并执行 Python 脚本以递归调试、开发、构建和自我改进。目前已开发的应用场景包括：进行市场调研、生成博客大纲、开发应用程序、搭建网站、为客户提供服务、管理社交媒体账号、成为财务顾问。但目前 AutoGPT 的缺点也非常明显，比如 GPT4 费用较高，对于一个小任务，如果按照平均 50 个步骤来算的话，成本大概为 50*0.288=14.4 美元（约人民币 98.

83、5 元），此外 GPT 3.5 非常容易逃逸或者陷入死循环。图表图表31：AutoGPT 运行逻辑运行逻辑 资料来源：AutoGPT官网，中信建投 XAgent 由国内领先的人工智能大模型公司面壁智能联合清华大学由国内领先的人工智能大模型公司面壁智能联合清华大学 NLP 实验室共同研发推出。实验室共同研发推出。是开源实验性大型语言模型（gpt-4 或 gpt-3.5)驱动的自主智能体，可以自动解决各种任务。它被设计为一个通用智能体，可以应用于广泛的任务，着重考虑了稳定、高效和安全等特性.核心优势：1.结构化的通信方式：采用 Function Call 作为其内部的通信语言，具备结构化（可以明确

84、表述 16 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。所需内容，从而最小化了潜在的错误）、标准化（与外部工具的交互过程标准化，提供一种通用语言，使智能体具备使用和整合多种工具的能力，解决复杂任务。）、统一化（确保每个环节均以统一的方式进行处理，从而简化系统设计）等优势。2.原创了工具执行引擎 ToolServer：可以实现更安全（可以保护主系统免受潜在危害）、更高效（系统可以根据需求和使用模式启动、停止和重启节点，实现最佳资源使用。）、可扩展（方便管理代码，调试和扩展性更强)的工具执行能力。图表图表32：XAgent 运行逻辑运行逻辑 资料来源：XAgent官网，中信

85、建投 2）工程学领域）工程学领域 MetaGPT MetaGPT 是是一个基于一个基于 GPT-4 的多智能体合作框架，该框架将人类的的多智能体合作框架，该框架将人类的 SOP(标准化作业流程）编码为标准化作业流程）编码为 LLM智能体，并从根本上扩展了解决复杂问题的能力。智能体，并从根本上扩展了解决复杂问题的能力。设计了一个新的元编程机制，包括角色定义、任务分解、流程标准化和其他技术设计。这样，MetaGPT 能够使用 SOP 开发复杂的软件。核心优势：1.引入元编程框架：在构建多智能体系统时具有极高的便利性和灵活性。2.整合人类 SOP 过程设计：减少了基于 LLM 的多智能体协作中的错误

86、，显著提高了稳健性，使系统具备了系统化工程解决复杂任务的能力。3.实现最先进的性能：经过对 python 游戏生成、CRUD2 代码生成和与 AutoGPT、AgentVerse、LangChain以及 MetaGPT 一起的简单数据分析任务进行了全面实验。整体结果显示 MetaGPT 在代码质量和预期工作流的一致性方面都优于其对手。并且，MetaGPT 有潜力解决 LLM 中的幻觉问题，从而引导协作的 LLM 系统朝更有效的设计方向发展。17 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表33：MetaGPT 在内部通过在内部通过 prompt 实现的一个完整的

87、软件开发团队实现的一个完整的软件开发团队 资料来源：METAGPT:META PROGRAMMING FOR MULTI-AGENT COLLABORATIVE FRAMEWORK，中信建投 3 3）自然科学领域）自然科学领域 Humanoid AgentsHumanoid Agents 以往的以往的 AgentsAgents 会根据环境制定严格的计划，但事实上这一过程与人类的思维方式并不完全相似。会根据环境制定严格的计划，但事实上这一过程与人类的思维方式并不完全相似。大多数人不会提前制定计划，然后在日常生活中一丝不苟地精确执行这些计划，原因就在于 Agent 并没有真正反映出人类的基本需求、

88、真实情感及人际间微妙的距离感。为了减轻这一缺点的影响，研究者基于 ChatGPT 3.5 提出了仿人类机器人Humanoid AgentsHumanoid Agents，该模型引入了基本需求（饱腹感、健康和能量）、情感和关系亲密程度三大概念，来让 Agent 表现得更像人类。利用这些元素，Agents 就能调整自己的日常活动，以及和其他 Agent 的对话,而且也会像人一样，遵守马斯洛需求理论。实验表明 Humanoid Agents 对于活动是否增加饱腹感和能量；活动中表达的情感；对话是否拉近了参与者之间的关系都能够进行很好的预测，但是在分类活动是否满足乐趣、健康和社交等基本需求方面略显吃力

89、。在陪伴场景下（如虚拟恋人），更了解人类情感的在陪伴场景下（如虚拟恋人），更了解人类情感的 AgentAgent 可以带给人更优秀的情绪价值，提出更人性化的可以带给人更优秀的情绪价值，提出更人性化的建议，更好得满足当代人的情感需要。建议，更好得满足当代人的情感需要。图表图表34：Humanoid Agents 架构架构 图表图表35：Humanoid Agents 运行原理运行原理 资料来源：Humanoid Agents:Platform for Simulating Human-like Generative Agents，中信建投 1.2.2 混合专家模型技术混合专家模型技术 混合专家模

90、型混合专家模型(MoE)是一种稀疏门控制的深度学习模型，主要由一组专家模型和一个门控模型组成。是一种稀疏门控制的深度学习模型，主要由一组专家模型和一个门控模型组成。MoE的基本理念是将输入分割成多个区域，并对每个区域分配一个或多个专家模型。每个专家模型可以专注于处理 18 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。输入的一部分，从而提高模型的整体性能。门控模型：门控模型：稀疏门网络是混合专家模型的一部分，它接收单个数据元素作为输入，然后输出一个权重，这些权重表示每个专家模型对处理输入数据的贡献。例如，如果模型有两个专家，输出的概率可能为 0.7 和 0.3，这意味着第

91、一个专家对处理此数据的贡献为 70%，第二个专家为 30%。专家模型：专家模型：在训练的过程中，输入的数据被门控模型分配到不同的专家中进行处理，如右图所示，不同的专家被分配到处理不同种类的输入数据；在推理的过程中，被门控选择的专家会针对输入的数据，产生相应的输出。这些输出（可以是标签或者数值）最后会和每个专家模型处理该特征的能力分配的权重进行加权组合，形成最终的预测结果。混合专家模型在训练过程中通过门控模型实现“因材施教”，进而在推理过程中实现专家模型之间的“博混合专家模型在训练过程中通过门控模型实现“因材施教”，进而在推理过程中实现专家模型之间的“博采众长”。采众长”。图表图表36：MoE

92、结构示意图结构示意图 图表图表37：不同的专家处理不同的输入（不同的专家处理不同的输入（LIMoE）资料来源：Multimodal Contrastive Learning with LIMoE:the Language-Image Mixture of Experts，Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Layer，中信建投 混合专家模型通过仅激活少数专家模型处理输入数据，提高训练和推理效率。混合专家模型通过仅激活少数专家模型处理输入数据，提高训练和推理效率。在传统的密集模型中，对于

93、每一个输入都需要在完整的模型中进行计算。在稀疏混合专家模型中，处理输入数据时只有少数专家模型被激活或者使用，而大部分专家模型处于未被激活状态，这种状态便是“稀疏”。稀疏性是混合专家模型的重要优稀疏性是混合专家模型的重要优点，也是提升模型训练和推理过程的效率的关键。点，也是提升模型训练和推理过程的效率的关键。对于稀疏性的控制，主要通过调整门控网络的设计和参数来实现。对于稀疏性的控制，主要通过调整门控网络的设计和参数来实现。在参数选择上，如果门控网络单次选择的专家模型数量较多，则模型的稀疏性就会降低。单次选择专家的数量越多，模型的表现能力可能有所提升，因为更多的专家模型处理输入数据，所以导致稀疏性

94、有所下降，增加计算的复杂性和耗时。因此，MoE 模型的稀疏性在效率和表现能力之间存在权衡。根据不同的应用需求和资源限制，需要适当调整门控网络的设计和参数，来找到最佳的效率和表现能力之间的平衡。19 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表38：密集模型和稀疏混合专家模型的对比密集模型和稀疏混合专家模型的对比 资料来源：A Review of Sparse Expert Models in Deep Learning，中信建投 在自然语言处理领域中，在自然语言处理领域中，2017 年，谷歌首次将 MoE 引入自然语言处理领域，通过在 LSTM 层之间增加 Mo

95、E实现了机器翻译方面的性能提升。2020 年，Gshard 首次将 MoE 技术引入 Transformer 架构中，并提供了高效的分布式并行计算架构。而后的 Swtich Transformer 和 GLaM 则进一步挖掘 MoE 技术在自然语言处理领域中的应用潜力，实现了优秀的性能表现。Switch Transformer：通过 MoE 技术对模型进行拓展，最大版本的 Switch Transformer 的参数量高达 1.6 万亿。因其优秀的稀疏性，在计算资源相同的情况下，74 亿版本的 Switch Transformer 训练速度可以达到 T5 模型的 7/2.5 倍（对应 T5 模

96、型的不同版本，Large 为 7.7 亿，Base 为 2.2 亿）。同时在多任务的表现上也取得了相比密集模型更为优秀的结果。GLaM：最大的 GLaM 拥有 1.2 万亿个参数，大约是 GPT-3 的 7 倍。然而，它只消耗了训练 GPT-3 所需能量的 1/3，并在推理时只需要一半的计算浮点运算量，计算效率更高。在零样本、单样本和少样本学习任务上也实现了更好的性能，在七个具体任务中分别实现了平均 10.2%、6.3%和 4.4%的性能提升。图表图表39：Switch Transforme 优秀的稀疏性带来训练效率提升优秀的稀疏性带来训练效率提升 图表图表40：GLaM 模型与模型与 GPT

97、-3 模型对比模型对比 资料来源：Switch Transformers:Scaling to Trillion Parameter Models with Simple and Efficient Sparsity，中信建投 资 料 来 源：GShard:Scaling Giant Models with Conditional Computation and Automatic Sharding，中信建投 20 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。在计算机视觉领域中，在计算机视觉领域中，2013 年的 DMoE 便是在 MNIST 数据集上使用了密集的 Mo

98、E 层，2021 年的 V-MoE将 MoE 架构应用在计算机视觉领域的 Transformer 架构模型中，同时通过路由算法的改进在相关任务中实现了更高的训练效率和更优秀的性能表现。V-MoE 原理：原理：V-MoE 通过将 ViT 中的一部分密集前馈层替换为稀疏的 MoE 层来实现，每个图像块被“路由”到一组“专家”（MLPs）中进行处理，同时通过对图像中重要信息的优先分析（优先级路由），使得模型可以不需要分析所有信息便可以得到较为准确的结果，如下左图所示，对于鸭子的图片，通过将其中重要的 16 个token 分配到 4 个专家处，便可以得到较为正确的分析，提升了模型运算效率。V-MoE

99、性能：性能：通过使用稀疏的 MoE 层，V-MoE 可以在保持性能的同时减少计算资源的使用，从而实现更高效的模型训练和推理。如右图所示，在两个任务中，V-MoE 相较于 ViT 模型，达到相同性能的情况下节省了2.5 倍的算力消耗，而在相同的算力消耗下，V-MoE 也实现了更优的性能。同时，V-MoE 还可以用于其他计算机视觉任务，如目标检测和图像生成。图表图表41：V-MoE 与与 ViT 图像处理性能对比图像处理性能对比 资料来源：Scaling Vision with Sparse Mixture of Experts，中信建投 在多模态领域中，在多模态领域中，2022 年的 LIMoE

100、 是首个应用了稀疏混合专家模型技术的多模态模型，模型性能相较于CLIP 也有所提升。LIMoE 原理：原理：将输入的图像/文本通过门控网络分配到不同的专家模型中，如下图所示鸭子（drake）的图片和对应的文字描述的 token 被分配到不同的专家中进行处理，每个专家处理完后通过输出层为图像或文本生成一个统一的向量表示。LIMoE 性能：性能：在零样本和 10 样本的 ImageNet 分类任务中，LIMoE 的绝对平均性能相较于 CLIP 实现了 10.1和 12.2%的提升，在 Coco T2I（文本到图像检索）任务上，LIMoE 也实现了较为明显的性能提升，其中在小规模模型上这一提升更为显

101、著。21 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表42：LiMoE 与与 CLIP 模型性能对比模型性能对比 资料来源：Multimodal Contrastive Learning with LIMoE:the Language-Image Mixture of Experts，中信建投 1.2.3 机器人大模型机器人大模型 1.2.3.1 人工智能模型推动机器人控制革新人工智能模型推动机器人控制革新 机器人控制系统相当于机器人的大脑，机器人控制算法则是其中的软件核心。机器人控制系统相当于机器人的大脑，机器人控制算法则是其中的软件核心。其核心功能是处理来自

102、传感器的检测信号，给出机器人下一步应该怎么做的指示。与传统的机械系统控制算法相比，机器人控制算法是非线性、多变量、时变的，且相较于传统机械，机器人面临的应用环境也更为复杂和多样，这意味着机器人控制算法有相当高的设计难度。早期机器人控制算法主要采用早期机器人控制算法主要采用 PID 算法，后续复杂的运动控制算法如算法，后续复杂的运动控制算法如 MPC 和和 WBC 逐渐成为主流。逐渐成为主流。PID算法早在 1932 年由物理学家哈利奈奎斯特，而后便被广泛应用在各类控制领域中，包括机器人控制领域中。但由于 PID 方法本质上是线性控制器，因此无法处理较为复杂的任务。而后 1987 年提出的 MP

103、C 算法和 2004 年提出的 WBC 算法逐渐成为主流，让更为复杂任务的处理成为可能，但同时也还存在着计算复杂度高、算力需求高的问题。人工智能技术的持续革新有望为机器人控制算法带来革新，机器人也将成为人工智能模型实现更深远影响人工智能技术的持续革新有望为机器人控制算法带来革新，机器人也将成为人工智能模型实现更深远影响的核心路径。的核心路径。强化学习技术让机器人能够在与环境的持续探索中学习相应的行为策略，NLP、CV、多模态技术的发展带来了更强的处理不同信息的能力，大模型技术的发展带来了更强的知识储备和逻辑推理能力，以上种种均推动着机器人进一步向智能化发展。尽管当下相关技术仍主要停留在科研阶段

104、，且仍面临着算力不足、训练数据不足等问题，但人工智能模型与机器人控制的结合与发展是值得期待且需要密码切关注的。我们认为，我们认为，机器人控制系统会逐渐从传统算法走向机器人控制系统会逐渐从传统算法走向 AI 算法，其中算法，其中 AI 算法将会以三条路径同时发展：强化学习、强化学习算法将会以三条路径同时发展：强化学习、强化学习+大模型、端到端大模型。大模型、端到端大模型。图表图表43：机器人控制算法对比机器人控制算法对比 控制方法 原理 优势 劣势 PID（Proportional、Integral、Differential）对于输入的误差值，通过比例、积分、微分三项来进行动作的修正。技术成熟，

105、使用广泛 无法处理复杂任务 MPC（Model predictive control）通过构建一个系统模型来优化有限时间范围和可能轨迹的控制 可以处理较复杂的任务（非线性/干扰等）算力需求较高，模型要求高 WBC（Whole Body control）通过定义一组规则，让机器人充分运可实现复杂系统的统一控制 部署难度较高，算力需求高 22 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。用整个身体的能力来完成多任务处理 人工智能方法（强化学习/深度学习/大模型）通过构建人工智能模型来实现环境理解/行为规划/动作执行等流程的机器人控制 可以理解并处理不同场景下的不同任务，具有

106、更强的通用和泛化性；可以处理更为复杂的场景和更为复杂的任务，性能表现更优秀 仍处于科研阶段，商业化进展较慢，算力需求高，训练数据需求高 资料来源：Whole-Body Control of Humanoid Robots，COLLIMATOR，Wikipedia，中信建投 1.2.3.2 谷歌：机器人大模型引领者谷歌：机器人大模型引领者 随着各项人工智能技术的不断发展，具备与物理世界交互的强大潜力的智能机器人成为学界和业界的重要随着各项人工智能技术的不断发展，具备与物理世界交互的强大潜力的智能机器人成为学界和业界的重要研究赛道。其中研究赛道。其中 Google 依托其在依托其在 AI 领域强大

107、的研究团队，丰厚的多领域研究成果，引领着近年来机器人模型领域强大的研究团队，丰厚的多领域研究成果，引领着近年来机器人模型的发展。的发展。Google Deepmind 在 2023 年 6 月和 7 月发布了其最新研究成果，具备“自我完善”能力的“RoboCat”和融合大语言模型能力的 VLA 模型“RT-2”，机器人智能化进一步加速，有望掀起新一轮 AI 革命。从从 Gato 到到 RoboCat，更大规模的训练数据集和创新的自，更大规模的训练数据集和创新的自我完善方法助力打造更强的机器人智能体。我完善方法助力打造更强的机器人智能体。在 2022年 5 月提出的 Gato 模型将智能体扩展到

108、机器人控制领域中，但“通用性”和“智能性”仍有较大提升空间，其模型架构和控制任务数据的序列化方式是后续模型发展的重要基础。2023 年 7 月提出的 RoboCat 则基于 Gato的模型基础，将训练数据集扩充至 400 万个机器人相关片段，并创新性的提出“自我完善”的方式来进一步丰富训练数据，这两点创新让 RoboCat 在实现了训练任务的性能提升并具备了一定的泛化性能，并且能够在少量数据微调的情况下处理未见过的任务。从从 RT-1 到到 RT-2，大语言模型带来更强的泛化能力、逻辑推理能力、知识能力，深度赋能机器人智能化。，大语言模型带来更强的泛化能力、逻辑推理能力、知识能力，深度赋能机器

109、人智能化。2022 年 12 月提出的 RT-1 模型构建起了特定的指令、图像和机器人指令之间的桥梁；2023 年 3 月的 PaLM-E 模型则能够处理输入的文本和图像信息，将复杂任务转化为 RT-1 能够接受的指令；2023 年 7 月提出的 RT-2 是二者的融合，在大语言模型强大能力的赋能下，RT-2 能够完成分解复杂任务、简单的计算、识别人脸等现实场景中常见但以往的模型无法完成的任务，智能化程度大幅提升。图表图表44：谷歌机器人模型相关进展时间轴谷歌机器人模型相关进展时间轴 资料来源：谷歌官网，Web of science，中信建投 23 行业深度报告 人工智能人工智能 请务必阅读正

110、文之后的免责条款和声明。2023 年年 4 月月 20 日，日，Google 宣布将宣布将 Google Brain 和和 DeepMind 两大世界级两大世界级 AI 实验室合并，成立实验室合并，成立 Google DeepMind 部门，以谷歌的计算资源作为后盾，加速人工智能研发和应用的推进。部门，以谷歌的计算资源作为后盾，加速人工智能研发和应用的推进。回顾谷歌机器人模型在过去两年间的发展，Google Brain 和 DeepMind 两个团队从两个不同的切入点出发逐步推进 AI 机器人模型发展，DeepMind 团队从智能体（Agent）的角度出发不断提升机器人能力，因此 RoboCa

111、t 中的训练数据大多来自强化学习，模型参数量控制表现更为优秀，能够实现更高频率的机器人控制；而 Google Brain 则尝试将大语言模型应用到机器人的控制领域，因此 RT-2 的模型参数量更大，在泛化能力、知识和推理能力方面有更强的表现。随着两个团队进一步合并，深化数据、模型等方面的协同合作，谷歌的机器人模型进展有望进一步加速，值得持续跟踪关注。整体上谷歌的机器人大模型在训练数据方面呈现出数据量持续扩大，数据来源逐渐丰富，覆盖的任务种类持续扩张的发展趋势；模型算法层面上，Transformer 成为主要的解决方案。在大语言模型结合的路线中模型参数量有所扩大，但是也面临着计算速度不足导致机器

112、人控制频率较低的问题。展望未来，高质量数据集的收集、展望未来，高质量数据集的收集、边缘侧算力的发展和更高效的模型架构创新等都是后续机器人模型发展中需要密切关注的方向。边缘侧算力的发展和更高效的模型架构创新等都是后续机器人模型发展中需要密切关注的方向。图表图表45：谷歌机器人模型梳理谷歌机器人模型梳理 基本基本 信息信息 模型名字模型名字 BC-Z Gato RT-1 PaLM-E RoboCat RT-2 发布时间发布时间 2022.1 2022.5 2022.12 2023.3 2023.6 2023.7 研究机构研究机构（未注明高校）（未注明高校）Robotics at Google Ev

113、eryday Robots DeepMind Robotics at Google Everyday Robots Google Brain Robotics at Google Google Research Google Deepmind Google Deepmind 数据数据 整体数据集内容整体数据集内容 机器人+人类演示 控制环境（包括游戏、机器人等，占 85.3%）文本/图像 机器人 语言/图像 机器人（8.9%）机器人 图像文本对（Webli）+机器人数据集（RT-1）机器人数据 PaLI-X 占比50%，PaLM-E 占比 66%数据集大小数据集大小（机器人部分）（机器人部分）

114、100 个任务 25877 个机器人演示片段 18726 个人类演示片段 控制任务共个 596 个 6300 万个片段 15 亿个 Tokens 744 个任务（7 种技能）13 万个机器人演示片段/共 130 类任务，400 万个机器人片段 其中 RL 共有 309.2 万个片段 纯人类演示共有 77.9 万个片段 参考 RT-1 数据集收集方式数据集收集方式（机器人部分）（机器人部分）7个操作员在 12 个机器人上收集 公开的学术数据集，主要为模拟数据 在 13 个机器人上收集了 17 个月 公开的学术数据集 RL：在模拟中通过 RL 智能体收集 人类演示：4 个国家 100 多名参与者收

115、集了 4000 个小时的数据“自我完善”：通过自我完善生成 参考 RT-1 硬件硬件 机器人频率机器人频率（单位：（单位：Hz）10 20 3/10/20（少部分任务）PaLI-X-55B：1-3 PaLI-X-5B：5 机器人机器人/Sawyer 3-DoF EDR robot（7 DoF）/Panda 7-DoF Sawyer 7-DoF、5-DoF KUKA 14-DoF（只用于微调）7-DoF 模型模型 总参数量总参数量/11.8 亿/3.64 亿/7900万 3500 万 5620 亿/840 亿/120 亿 11.8 亿/3.64 亿 PaLI-X：550 亿/50 亿 PaLM-

116、E：120 亿 视觉处理视觉处理 FiLM ViT FiLM EfficientNet-B3（1600 万参数）ViT VQ-GAN PaLI-X/PaLM-E 语言处理语言处理 USE SentencePiece Universal Sentence Encoder PaLM SentencePiece 综合处理模型综合处理模型 MLP（多层感知机）Transformer Transformer（1900 万参数）Transformer 资料来源：谷歌官网，Web of Science，中信建投 1.2.3.3 Meta：持续探索在有限数据集情况下实现更优秀机器人控制的方法：持续探索在有限数

117、据集情况下实现更优秀机器人控制的方法 近年来，近年来，Meta 一直是一直是 AI 领域不可忽视的力量，前沿研究如领域不可忽视的力量，前沿研究如 CV 领域的领域的 SAM 模型，模型，NLP 领域的领域的 LLaMa 24 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。均是相关领域的最前沿技术之一。在机器人模型领域，均是相关领域的最前沿技术之一。在机器人模型领域，Meta 也已经展开了较为完善的布局，提出了一些卓有成也已经展开了较为完善的布局，提出了一些卓有成效的改进策略如数据增强、动作序列生成等，相关模型如效的改进策略如数据增强、动作序列生成等，相关模型如 R3M、C

118、ACTI、ASC、MT-ACT 等，其他领域的核等，其他领域的核心突破如心突破如 SAM 模型也应用到了其中。模型也应用到了其中。从从 R3M 到到 MT-ACT，Meta 持续探索如何使用有限的数据集实现更优秀的机器人控制。持续探索如何使用有限的数据集实现更优秀的机器人控制。在 2022 年 3 月推出的 R3M 模型中，Meta 首次引入人类视频数据作为机器人控制模型的知识来源，提升机器人模型训练效率。在 2022 年 12 月推出的 CACTI 模型中，使用数据增强技术实现了训练数据规模高效扩充。2023 年 8 月推出的MT-ACT 模型将数据增强技术（基于 SAM 视觉模型）和动作序

119、列生成技术结合，在 7500 个原始训练数据的情况下，在不同难度的测试中分别实现了 81.67%、65.17%、31.33%的成功率，小规模数据表现优于其他可比模型。将强化学习与将强化学习与 MoE 技术融合，技术融合，Meta 推出机器人控制模型新方案推出机器人控制模型新方案 ASC。在 2023 年 4 月推出的 ASC 模型中，先通过强化学习分别对单一任务进行训练，再通过 MoE 技术实现不同技能模块之间的有机协同，在模拟场景和两个现实场景中分别实现了 94.9%和 96.7%/100%的成功率，并且具备较强的抗干扰能力，能够在环境变化的情况下自动调整完成相关任务的方式。通过将更强的 O

120、WL-ViT 视觉模型与 ASC 模型结合，模型可以根据文本描述来识别更为复杂的物体，有望在更广泛的场景中处理更为复杂的任务。图表图表46：Meta 机器人模型相关进展时间轴机器人模型相关进展时间轴 资料来源：相关公司官网及相关研究论文，中信建投 总的来说，总的来说，Meta 的机器人模型与谷歌有所差异，目前的工作中尚未尝试将大语言模型与机器人控制所结合。的机器人模型与谷歌有所差异，目前的工作中尚未尝试将大语言模型与机器人控制所结合。同时相较于谷歌尝试利用大规模的数据集提升机器人模型的表现，同时相较于谷歌尝试利用大规模的数据集提升机器人模型的表现，Meta 的相关工作更加关注如何使用小规模的的

121、相关工作更加关注如何使用小规模的数据实现通用机器人控制模型的构建，也即数据效率方面的提升。数据实现通用机器人控制模型的构建，也即数据效率方面的提升。Meta 在在 ASC 模型中采用的强化学习与模型中采用的强化学习与 MoE 的结合也是值得关注的方向，为强化学习在复杂多任务场景的结合也是值得关注的方向，为强化学习在复杂多任务场景中的进一步发展提供可能。中的进一步发展提供可能。图表图表47：Meta 机器人模型梳理机器人模型梳理 基本基本 信息信息 模型名字模型名字 R3M CACTI ASC RoboAgent/MT-ACT 发布时间发布时间 2022.3 2022.12 2023.4 202

122、3.8 25 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。研究机构研究机构 Meta、Stanford University Meta、Columbia University、CMU Meta FAIR、Georgia Institute of Technology Meta FAIR、CMU 数据数据 整体数据集内容整体数据集内容 人类第一视角视频数据集（Ego4D）RL+人类演示 模拟环境中强化学习 导航模块：HM3D 模块操作（拾取、放置）：ReplicaCAD 机器人 数据集大小数据集大小 3500 小时 人类演示：10 个任务，每个 5 次演示（重复 20 次

123、）RL：45000 个机器人操作片段 7500 个片段（数据增强前）12 种技能 数据集收集方式数据集收集方式 参与者一次佩戴头戴式摄像头长达 10 小时，并拍摄无脚本日常活动的第一人称视频。并通过自然语言进行注释 人类演示：收集后使用 stable diffusion 进行增强 RL：针对单一任务通过 RL 得到专家策略，增加相应的视觉信息和噪音进行增强 人类控制 硬件硬件 机器人频率机器人频率（单位：（单位：HzHz）12.5 2（control）/12（sensor）5 机器人机器人 Franka Emika Panda robot Franka Emika Panda robot（8

124、action dimension）Boston Dynamics Spot robot Franka Emika Panda arm（8 action dimension）模型模型 视觉处理视觉处理 R3M R3M（使用互联网数据和本次模型数据预训练）MoCo（仅使用本次的模型数据）Mask R-CNN Owl-ViT FiLM/CNN 语言处理语言处理 DistilBERT DistilBERT（设置与 R3M 一致）综合处理模型综合处理模型/MLP 协作模块（本质为 MoE 的门控网络）Transformer/ACT 算力算力 训练芯片训练芯片 Nvidia Titan Xp,or sim

125、ilar 2080Ti（训练时长：48hours）推理芯片推理芯片 RTX 3070 资料来源：RoboAgent:Generalization and Efficiency in Robot Manipulation via Semantic Augmentations and Action Chunking，中信建投 26 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。二、二、AI 应用趋势展望应用趋势展望 2.1 AI+教育是人工智能落地的黄金赛道教育是人工智能落地的黄金赛道 教育行业因为其个性化学习诉求强、数据丰富度高、付费意愿强，成为人工智能的优质落地领域。教育

126、行业因为其个性化学习诉求强、数据丰富度高、付费意愿强，成为人工智能的优质落地领域。不同地区、学校和学生具备“因材施教”强个性化学习需求，教育领域的高数据丰富度为垂直大模型的训练提供可能，同时，教育作为刚需领域，学生、家长付费意愿普遍较强。AI 的发展使得以低成本的方式建设自适应学习系统成为可能。具备较强理解能力的生成式人工智能可以持续为学生提供个性化教学服务，且随着教学规模的扩大，其人均成本逐渐下降，显著降低了个性化学习的成本。图表图表48：传统教育与传统教育与 AI 教育的优劣势比较教育的优劣势比较 图表图表49：生成式生成式 AI 显著降低个性化学习成本显著降低个性化学习成本 资料来源：中

127、信建投 资料来源：中信建投 AI+教育主要有以下三点优势：教育主要有以下三点优势：一、教学环境及课程形式的灵活化。一、教学环境及课程形式的灵活化。AI 技术的引入使得教学不再局限于课堂，学生可以随时随地获得最新、优质的学习资源，向 AI 助手请教。利用 AI 的高效多模态生成力，还可以呈现不同的课程形式营造更多的沉浸感。二、学习过程的个性化。二、学习过程的个性化。AI 教育平台往往具有教学、考试、批改、解答、集错等多重功能，通过分析学生在考试过程中的用时分配、错题分类，发现学生薄弱环节，针对性提供学习资源、个性化的学习方案和改进方案，即时给予反馈和评估。借助 AI 技术，针对性辅导成本大大降低

128、，教育更好地适应每个学生的独特需求和能力水平。三、教学活动的降本增效。三、教学活动的降本增效。对于教育资源有限的地区，相对较低成本的 AI 教育应用使得高质量资源更加触手可及，进一步促进教育公平；对于教学者，AI 软件的批阅、评估功能大大减少了机械化劳动，使教师有更多的精力投入到创造性的教学活动中，提高了教学效率。随着生成式人工智能技术的爆发，随着生成式人工智能技术的爆发，AI+教育迈向全新的发展阶段。教育迈向全新的发展阶段。根据 Market Research 数据，生成式人工智能在教育领域的市场规模将从 2022 年的 2.15 亿美元上升至 2030 年的 27.4 亿美元，CAGR 为

129、 37.5%，其中面 27 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。向学生端的市场规模大致占到全部市场规模的一半。图表图表50：生成式生成式 AI 在教育的落地领域在教育的落地领域 图表图表51：生成式生成式 AI 在教育领域的市场规模（百万美元）在教育领域的市场规模（百万美元）资料来源：中信建投 资料来源：Market Research，中信建投 国家出台国家出台 AI+教育的纲领性文件，顶层规划驱动行业稳步发展。教育的纲领性文件，顶层规划驱动行业稳步发展。2018 年 4 月，教育部发布教育信息化 2.0行动计划，在行动规划上提出不断推动人工智能与教育深度融合，

130、加快面向下一代网络的高校智能学习体系建设。2022 年 8 月，科技部发布支持建设新一代人工智能示范应用场景，针对青少年教育中“备、教、练、测、管”等关键环节，运用学习认知状态感知、无感知异地授课的智慧学习和智慧教室等关键技术，构建虚实融合与跨平台支撑的智能教育基础环境。2023 年 6 月，教育部发布基础教育课程教学改革深化行动方案，强调探索利用人工智能、虚拟现实等技术手段改进和强化实验教学以及遴选一批富有特色的高水平科学教育和人工智能教育中小学基地。图表图表52：AI+教育相关政策文件教育相关政策文件 发布时间发布时间 部门部门 政策文件政策文件 内容概要内容概要 2018 年 4 月 教

131、育部 教育信息化 2.0 行动计划 1.以 AI、大数据、物联网等新兴技术为基础，依托各类智能设备及网络，积极开展智慧教育创新研究和示范，推动新技术下教育的模式变革和生态重构；2.加快面向下一代网络的高校智能学习体系建设，加强大容量智能教学资源建设，加快建设在线智能教室、智能实验室、虚拟工厂等智能学习空间。2019 年 11 月 教育部 关于加强和改进中小学实验教学的意见 完善实验教学体系，注重加强实验教学与多学科融合教育、编程教育、创客教育、人工智能教育、社会实践等有机融合，有条件的地区可以开发地方课程和校本课程。2020 年 12 月 教育部 中国教育监测与评价统计指标体系（2020 年版

132、）在“国民接受学校教育状况”模块，首次设置学生信息素养达标率指标，范围覆盖小初高、中等职业学校、普通高校等。2021 年 6 月 国务院 全民科学素质行动规划纲要（20212035 年）提升基础教育阶段科学教育水平，完善初高中包括科学、数学、物理、化学、生物学、通用技术、信息技术等学科在内的学业水平考试和综合素质评价制度。推进信息技术与科学教育深度融合，推行场景式、体验式、沉浸式学习。完善科学教育质量评价和青少年科学素质监测评估。2022 年 7 月 科技部等六部门 关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见 围绕安全便捷智能社会建设打造重大场景，其中教育领域积极探索在线

133、课堂、虚拟课堂、虚拟仿真实训、虚拟教研室、新型教材、教学资源建设、智慧校园等场景。2022 年 8 月 科技部 支持建设新一代人工智能示范应用场景 针对青少年教育中“备、教、练、测、管”等关键环节，运用学习认知状态感知、无感知异地授课的智慧学习和智慧教室等关键技术，构建虚实融合与跨平台支撑的智能教育基础环境。214.977299.893403.023604.035873.811174.3041459.8692036.5182736.85205001,0001,5002,0002,5003,000202220232024202520262027202820292030学生老师政府教育机构其他CA

134、GR：37.5%28 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。2023 年 5 月 教育部等十八部门 关于加强新时代中小学科学教育工作的意见 探索利用人工智能、虚拟现实等技术手段改进和强化实验教学，弥补优质教育教学资源不足的状况，同时在国家智慧教育公共服务平台等链接科学教育资源。2023 年 6 月 教育部 基础教育课程教学改革深化行动方案 加强教学装备配备和使用，鼓励普通教室多功能技术改造，建设复合型综合实验教学环境，遴选一批富有特色的高水平科学教育和人工智能教育中小学基地。资料来源：教育部、国务院、科技部，中信建投 2.1.1 AI+教育软件教育软件 AI+教育

135、软件是人工智能落地的重要领域，多邻国与可汗学院是全球市场上的领跑者。教育软件是人工智能落地的重要领域，多邻国与可汗学院是全球市场上的领跑者。自自 2021 年起，多邻国与年起，多邻国与 Open AI 达成战略合作，推动了达成战略合作，推动了 AI 与教育的深度融合。与教育的深度融合。在最新的 GPT-4 技术基础上，Duolingo 于 2023 年 3 月 14 日推出了家教功能，包括 Explain My Answer 和 Roleplay 两大功能，并引入了付费层“Duolingo Max”，旨在进一步实现“提供千人千面的个性化语言学习服务”的目标。该付费层不仅提供角色扮演和解释答案的

136、功能，还新增了课堂教练，为用户在提交答案之前提供小提示，优化学习体验。Duolingo 接入 GPT-4 后，月活用户数实现大幅增长，2023Q3 月活跃用户数（MAU）为 8310 万人，同比增长 47.1%，其中付费订阅用户为 580 万人，同比增长为 56.8%。付费用户数提升叠加会员费的提升带来公司盈利能力的不断增强，公司 2023Q3 营业收入为 1.38 亿美元，净利润为 281 万美元，扭亏为盈。在财报电话会议中，多邻国管理层强调他们正在利用生成式 AI 技术加速 Stories 脚本的撰写速度，使得完成任务更快、成本更低，同时质量也不会降低。这一战略应用使得多邻国在 AI+教育

137、领域具备独特的优势：游戏化的语言教学为其形成了差异化竞争策略，深厚的技术积累构建了坚实的技术壁垒，同时积极将生成式 AI 技术融入产品中，优化用户的学习体验。至 2023 年 11 月 30 日，公司股价累计上涨了 77.4%，凸显了其在 AI+教育赛道上的卓越表现。进一步印证了多邻国在创新教育模式、提升用户体验方面的成功实践。图表图表53：duolingo 学习学习-投资双飞轮投资双飞轮 图表图表54：Duolingo 营收和净利润情况（亿美元）营收和净利润情况（亿美元）资料来源：Duolingo招股说明书，中信建投 资料来源：Duolingo，中信建投 可汗学院与可汗学院与 2023 年年

138、 3 月正式开始与月正式开始与 Open AI 建立合作关系，致力于建立合作关系，致力于 AI 在教育领域的应用，并同步推出名在教育领域的应用，并同步推出名为为 Khanmigo 的生成式人工智能助手。的生成式人工智能助手。这款 AI 教育辅助工具一方面作为教师的助教，帮助教师制定课程计划、确定学习目标、更新课程内容，另一方面作为学生的个人导师，诱导式帮助学生解决困惑，通过虚拟人格对话激发学生的兴趣与认同。针对利用 AI 作弊等行为，Khanmigo 提供的解决方案是确保学生和 AI 的所有对话记录都可以被老师和家长查看，并且拒绝直接向学生提供标准答案。为覆盖 GPT-4 的调用成本，用户需要

139、花费 9 美 29 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。元/月或 99 美元/年，以使用 Khanmigo 的个性化学习功能。据该组织创始人 Sal Khan，预计 23 年秋季学期约有1.1 万名美国老师和学生使用 Khanmigo。Khanmigo 已向美国地区、年满 18 周岁的用户开放使用，家长可为孩子注册账号。作为非盈利性组织，可汗学院借助 AI 进一步接近“利用科技的力量人性化教学”的目标，也正在摸索商业化的可能。图表图表55：作为虚拟人格的作为虚拟人格的 khanmigo 图表图表56：khanmigo 循循善诱式指导线性回归循循善诱式指导线性回归

140、 资料来源：khanmigo，中信建投 资料来源：khanmigo，中信建投 2.1.2 教育信息化教育信息化 我国教育信息化发展从我国教育信息化发展从 1.0 走向走向 2.0 时代。教育信息化时代。教育信息化 1.0：三通两平台是教育信息化 1.0 核心，教育信息化 1.0 主要涉及基础设施建设。2007 年 2 月，教育部发布教育部关于做好国家教育考试考务管理与服务平台相关工作的通知，提出在 2009 年高考前，在全国范围内分批建立全方位发挥作用的国家教育考试指挥、管理、监控体系，随后一些列政策逐渐开启教育信息化 1.0 时代。教育信息化教育信息化 2.0：从基础设施建设走向信息融合与应

141、用层面，核心是“三全两高一大”。2018 年 4 月，教育部发布教育信息化 2.0 行动计划，提出到 2022 年基本实现“三全两高一大”的发展目标，教育信息建设从注重信息装备建设走向信息的深度融合。图表图表57：教育信息化从教育信息化从 1.0 到到 2.0 资料来源：教育部，中信建投 30 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。财政在教育信息化领域的经费投入是中国教育信息化市场发展的主要动力，教育信息化经费占教育经费不低于 8%，根据教育部公布的教育经费推算，2022 年教育信息化投入约 4908 亿元，2014-2021 年中国教育信息化经费投入复合增长率为

142、 8.13%。根据 基础教育信息化发展指数，2019 年我国教育信息化经费投入中有 42.4%的资金都用于硬件和相关设备的购置。海外教育信息化市场属于后发市场，智能交互设备渗透率相对较低，整体空间更为广阔，市场增速相对更高。图表图表58：教育信息化投入情况教育信息化投入情况 图表图表59：教育信息化支出情况教育信息化支出情况 资料来源：中信建投 注：据教育经费推算 资料来源：基础教育信息化发展指数，中信建投 2.1.3 教育智能硬件教育智能硬件 智能硬件是指通过将硬件和软件相结合对传统设备进行智能化改造，对硬件与软件的优势进行了充分融合。我国智能硬件在政策加持、技术赋能、消费升级等因素驱动下，

143、市场规模以较高增速增长。智能硬件产品广泛应用于个人穿戴、养老陪伴、教育娱乐、运动健康等场景，为人民生活带来智能化和便利化。智能学习设备服务市场指旨在为学生提供教育服务的硬件设备市场，其最重要的特点是在提供教育服务过程中应用智能技术，如 OCR 技术、AI 大模型应用及信息技术，以向学生及家长、教师提供更个性化的教育体验。2429262528903409080%2%4%6%8%10%12%004000500060002013 2014 2015 2016 2017 2018 2019 2020 2021 2022教育信息化经费投入

144、（亿元）42.40%11.00%20.20%17.70%8.70%硬件软件运维培训研究及其他 31 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表60：教育智能硬件分类教育智能硬件分类 资料来源：头豹研究院，中信建投 从应用场景的角度来看，市场可以分类为主要服务于个人终端用户的 To C 市场及提供数字校园教学解决方案的 To B 市场。2021 年，中国的智能学习设备总市场规模达到 659 亿元，预计到 2026 年，中国智能学习设备的总市场规模将为 1450 亿元，2021 年至 2026 年的复合年增长率为 17.1。在政府持续支持并投入实现校园数字化及智慧

145、课堂升级的背景下，To B 分部于 2017 年至 2021 年经历高速增长，2021 年我国 B 端市场规模达到330 亿，2026 年有望达到 709 亿。相比而言，To C 学习市场目标人群较多，且辅助教育涵盖从早教到成人教育，有庞大及持续的需求。2021 年 To C 分部的市场规模为 329 亿元，预计 To C 分部持续稳健增长至 2026 年的 741亿元。图表图表61：智能学习设备市场空间分布（十亿）智能学习设备市场空间分布（十亿）图表图表62：我国我国 C 端端智能学习设备供应商市场份额（按照零智能学习设备供应商市场份额（按照零售额计）售额计）资料来源：读书郎招股说明书，中信

146、建投 资料来源：读书郎招股说明书，中信建投 从产品结构看，智能教育设备市场中学习机、智能手表、翻译工具等细分领域蓬勃发展，产品不断出13.515.522.528.23338.145.253.762.270.914.62025.227.932.939.747.956.465.174.00120140160To B分部To C分部748984005006007008002017 2018 2019 2020 2021 2022E2023E2024E2025E2026E教育平板教育智能手表翻译工具早教机智能教育机

147、器人其他 32 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。新，迅速扩大智能教育市场规模。学习机市场规模稳步增长，2021 年占市场份额的 39%，出货量止跌回升。在市场需求快速增长的推动下，众多新玩家涌入学习机市场，逐渐依靠 AI 大模型等技术，从整合教育资源的传统学习机转向能够对学生进行个性化辅导的 AI 学习机。目前人工智能核心技术和内置课程资源已成为学习机品牌的核心竞争力，也是决定价格的重要因素。从使用端来看，随着未来学生对学习体验的需求不断增加，纯软件服务将无法完全满足学生的需要。从产品端，学习设备硬件本身较易搭载大模型等 AI 技术。在虚拟、增强及混合现实、

148、语音识别及其他技术的高速发展阶段，设计具有多感官及更具交互性功能的学习设备，保持及提高学生兴趣的参与式体验，是智能教育设备企业的投入方向。此外，儿童教育健康管理的趋势和 STEAM 启蒙教育的普及也这也加快了智能教育设备的落地赋能。图表图表63：国内学习机销量国内学习机销量 图表图表64：学习机市场份额学习机市场份额 资料来源：IDC，中信建投 资料来源：IDC，中信建投 从学习机市场结构来看，以步步高和读书郎为代表的传统主流智能教育设备厂商，仍占据市场的主要份额。以科大讯飞和网易有道为代表的新型品牌凭借人工智能技术的支持和高科技属性迅速扩大了市场规模。此外，教育属性极强的学而思和有道等转型厂

149、商也加入了市场竞争。根据 IDC 数据，2021 年国内市场占有率最高的步步高学习机占比高达 28.9%，第二名读书郎份额 6.1%，科大讯飞以 4.0%位列第五。重点公司推荐重点公司推荐：科大讯飞科大讯飞：公司兼具人工智能核心技术与优秀的大规模产业落地能力，其星火大模型性能整体表现出色，大模型落地成效显著，对 C 端智能硬件展现出显著的拉动效应。公司坚持“平台+赛道”战略模式，依托讯飞开放平台，将星火大模型与其各项业务深度融合，赋能千行百业。我们预计，公司 2023-2025 年营业收入分别为 198 亿、254 亿、336 亿，同比增长率分别为 5.3%、28.3%、32.4%；归母净利润

150、分别为 7.7 亿、14.9 亿、21.3亿元，同比增长率分别为 37.4%、93.1%、42.8%；当前市值对应 PE 分别为 142x、73x、51x，维持“买入”评级。鸿合科技鸿合科技：鸿合是国内领先的教育信息化产品和解决方案提供商，深耕国内教育信息化市场，教育平板业务平稳增长。海外教育信息化属于后发市场，增长潜力巨大，鸿合 2010 年起布局海外，有望受益海外教育平板市场的快速增长。同时鸿合课后三点半、体育测试相关产品、理化生实验考试有望成为公司的新增长点。406365334395397406420436-15%-10%-5%0%5%10%15%20%050030

151、0350400450500200222023E2024E2025E2026E出货量（万台）YOY29%6%5%4%4%52%步步高读书郎有道优学天下科大讯飞其他 33 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。2.2 自动驾驶：算法架构优化，高阶辅助驾驶渗透率预期提升自动驾驶：算法架构优化，高阶辅助驾驶渗透率预期提升 2.2.1 端到端模型实现算法架构优化，自动驾驶性能提升端到端模型实现算法架构优化，自动驾驶性能提升“端到端”架构是自动驾驶发展未来主流方向。意为依靠输入，直接输出，所以对输入内容要求较高。激“端到端”架构是自动驾驶发展未来主流方向

152、。意为依靠输入，直接输出，所以对输入内容要求较高。激光雷达、雷达、照相机等都是感知系统的组成部分，其中激光雷达和雷达进行深度分析，摄像机进行探测，光雷达、雷达、照相机等都是感知系统的组成部分，其中激光雷达和雷达进行深度分析，摄像机进行探测，GPS和里程表传感器捕获并绘制车辆的位置、状态和相应的环境，进而在决策阶段进一步利用。和里程表传感器捕获并绘制车辆的位置、状态和相应的环境，进而在决策阶段进一步利用。例如，以典型端到端模型 TCP 和 UniAD 中，其都是用多种不同感知器一起使用去获取相关信息，并生成相应的控制动作。多模态在关键感知领域的性能优于单模态，结合多传感器服务自动驾驶需求。特斯拉

153、传统逻辑是简化输入，优化局部算法；但为了服务端到端模型需求，算法框架演变为增强输入以优化整体算法，强化数据精准度，借助系统冗余保证可靠性。图表图表65：端到端算法多传感器融合架构端到端算法多传感器融合架构 图表图表66：端到端算法多传感器示意端到端算法多传感器示意 资料来源：End-to-End Driving Pipeline，中信建投 资料来源：End-to-End Driving Pipeline，中信建投 2021 年，端到端驾驶算法出现了重要转折点。年，端到端驾驶算法出现了重要转折点。算法集中在多模态和 Transformer 等高级架构的结合，如TransFuser 和其他变体。基

154、于传感器对环境的精确捕捉，闭环 CARLA 基准性能逐步提高；为了提升自动驾驶系统的可解释性和安全性，NEAT、NMP 和 BDD-X 等方法明确纳入了多种辅助模块。2023 年，研究强调优先生成关键数据，即预先训练一个大型策略学习基础模型，如 UniAD，同时引入了新的 CARLA v2 和 nuPlan 基准。图表图表67：自动驾驶端到端技术路线自动驾驶端到端技术路线 资料来源：End-to-end Autonomous Driving:Challenges and Frontiers，中信建投 34 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。特斯拉特斯拉 FSD

155、 V12 在算法层面实现端到端。在算法层面实现端到端。FSD Beta v12 完全是由神经网络训练而成，没有任何一行人工写的规则代码。马斯克称，控制是全自动驾驶最后一个难题，FSD Beta v12 使用 AI 替代传统控制模块使得控制代码减少约 2 个数量级。特斯拉原先的自动驾驶算法 HydraNets，也被成为九头蛇网络，是将每一个任务划分为单独模块，虽然在工程学上对每一个模块进行优化，但却没法从全局提升汽车自动驾驶性能。我们认为端到端将感知、预测与规划集成在同一个网络流程中，将自动驾驶建模成一个神经网络驱动任务。我们认为端到端将感知、预测与规划集成在同一个网络流程中，将自动驾驶建模成一

156、个神经网络驱动任务。端到端使得算法中的所有模块都直接服务于规划，使得最终汽车做出规划的效率提高，避免了模块分散导致的端到端使得算法中的所有模块都直接服务于规划，使得最终汽车做出规划的效率提高，避免了模块分散导致的数据重复流转。数据重复流转。马斯克表示 HW4.0 硬件目前暂时不受支持，主要原因是两者数据不兼容，未来仍需针对 HW4.0进行重新训练。马斯克称目前制约训练的因素不是工程师，而是训练算力。特斯拉在 7 月份投产 Dojo，规划到2024 年 100E 算力（相当于 30 万颗 A100 算力），预计 2024 年 2 月自身算力规模将进入全球前五；同时特斯拉新到一批英伟达机器，训练算

157、力将大幅增强。HW4.0 摄像头系统的具体配置尚未确定。但通过硬件拆解结果猜测，最确定的趋势是摄像头数量增加、像素提升。HW4.0 摄像头数量将由前一版本的 9 个增加至 12 个，前置的三目摄像头变为双目。新增 2 个侧视摄像头、1 个前摄像头，加上原本的 1 个倒车影像摄像头、4 个侧向高级驾驶辅助系统摄像头，以及座舱内的 1 颗摄像头，共计 11 颗，还有 1 个备用摄像头。此外，根据拆解后的接口判断，HW4.0 将采用定制的 Phoenix 非脉冲汽车 4D 毫米波雷达，工作频率在 76-77GHz，支持三种扫频模式，最大扫频带宽为 700MHz。其通过 4D 高分辨率实时成像，能够在

158、多种速度、海拔、邻近距离、天气、照明等条件下，实现准确区分假警报和真正威胁，确保驾驶员、行人和其他道路使用者的安全。图表图表68：特斯拉特斯拉 D1 FP32 算力可对标算力可对标 A100 图表图表69：特斯拉特斯拉 HW4.0 11 个摄像头分布预测个摄像头分布预测 D1 V100 A100 H100 工艺(nm)7 12 7 4 功耗(瓦）400 300 400 700 FP32 算力（TFLOPS）22.6 15.7 19.5 67 FP16 算力（TFLOPS）362 124.5 624 1979 注：D1 的是 BF16 而不是 FP16 资料来源：Tesla，中信建投 资料来源：

159、Tesla，中信建投 2.2.2 国内自动驾驶车厂势头依旧，高阶辅助驾驶渗透率预期提升国内自动驾驶车厂势头依旧，高阶辅助驾驶渗透率预期提升 国内自动驾驶车厂布局迅速，国内自动驾驶车厂布局迅速，L3 级别及以上渗透率有望逐步提升。级别及以上渗透率有望逐步提升。2023 年 1-10 月，理想、小鹏销售量持续走高，其中理想 10 月交付量达到 40422 辆，远超其他两家；蔚来自 7 月起回落幅度较大。伴随智能化策略推进、辅助驾驶功能强化，蔚小理三家英伟达 Orin 芯片占比将持续提升。在具体配置路线上，理想更为清晰，其分 Pro 和 Max 两大车型向下向上渗透市场，其中 Max 车型提供全场景

160、智能驾驶，标配英伟达双 Orin X 芯片渗透率将继续上升。2023 年交付量预测方面，理想预计全年销售 30 万辆，蔚来预计全年销售 24.5 万辆，小鹏预 35 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。计全年销售 20 万辆。图表图表70：蔚来、理想、小鹏汽车销量蔚来、理想、小鹏汽车销量 图表图表71：2020-2025 各级别自动驾驶汽车渗透率及预测各级别自动驾驶汽车渗透率及预测 资料来源：蔚来，理想，小鹏，中信建投 资料来源：亿欧智库，中信建投 9 月 12 日，华为正式发布问界新 M7 系列。硬件层面问界新 M7 配备 1 个顶置激光雷达、3 个毫米波雷达

161、、11 个高清视觉感知摄像头及 12 个超声波雷达等 27 个感知硬件。问界新 M7 通过搭载 ADS 2.0，汽车感知能力有明显提升：通过 GOD2.0 系统，对车外物体进行识别；通过 RCR 网络，进行道路拓扑推理，摆脱高精度地图。问界新 M7 在安全性方面亦有较大提升。根据发布会介绍，主动安全方面，问界新 M7 首发全向防碰撞系统，问界包揽各类主动安全评测第一名；被动安全方面，问界新 M7 车身结构匹配开模，重新改造焊装产线，有效提高车身刚度和碰撞安全性。ADS 2.0 自 2023 年 4 月发布以来，在 AI 训练集群上构建了丰富的场景库，每天深度学习 1000 万+km，持续优化迭

162、代智能驾驶算法和场景策略，模型每五天迭代一次，训练算力达到 1.8EFlops。截至 2023 年 9 月数据，长距离 NCA 领航 MPI 高达 200km，城市高架汇入汇出成功率高达 99%+。到 23 年年底，ADS2.0 无图城区商用计划扩展到全国。11 月 9 日，华为宣布其问界新 M7 实现 86000 大定，其中 70%以上用户选择智驾版，智能驾驶功能已成为消费者购车的重要决策因素之一。另外，11 月 15 日，小米汽车第一款车型SU 7 申报，预计 2024 年上半年正式量产。图表图表72：华为华为 ADS2.0 性能表现优秀性能表现优秀 图表图表73：北京小米北京小米 SU

163、7 外观图外观图 资料来源：华为，中信建投 资料来源：汽车之家，中信建投 我们认为智能驾驶是我们认为智能驾驶是 2024 年的重要景气赛道之一：首先，伴随端到端模型的发展应用，高阶智能驾驶的年的重要景气赛道之一：首先，伴随端到端模型的发展应用，高阶智能驾驶的渗透率将逐步提升；其次，国内蔚小理、华为等纷纷布局，小米也加入自动驾驶领域渗透率将逐步提升；其次，国内蔚小理、华为等纷纷布局，小米也加入自动驾驶领域,智能驾驶功能已经成为消智能驾驶功能已经成为消0500000002500030000350004000045000理想蔚来小鹏57%42%40%35%31%28%34%40

164、%35%34%32%30%9%18%25%30%34%37%1%3%5%0%10%20%30%40%50%60%70%80%90%100%202020212022E2023E2024E2025EL0渗透率L1渗透率L2渗透率L3级别以上渗透率 36 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。费者购车的重要决策因素，伴随功能进一步升级，潜在市场将进一步拓展。费者购车的重要决策因素，伴随功能进一步升级，潜在市场将进一步拓展。重点公司推荐重点公司推荐:德赛西威德赛西威：自动驾驶技术不断进步，端到端自动驾驶大模型进展不断，高阶自动驾驶进展迅速，渗透率不断提升。德赛西威核心客户

165、小鹏、理想快速放量，同时客户 Orin 选配率不断提升，带动德赛西威域控制器快速起量。并且，公司合资车厂智驾也将开启新一轮定点潮。预计 2023-2024 归母净利润 15.3、19.6 亿元，对应当前股价 PE 分别为 47X、36X，维持“买入”评级。中科创达中科创达：中科创达是领先的智能汽车、智能 OS 和智能物联网公司。智能汽车未来趋势迈向舱驾一体，公司整合座舱和驾驶方面领先的 OS 产品和技术优势，大力投入整车操作系统与舱驾一体 HPC 产品的研发，打造面向全球的、中立的、高可靠的、支持丰富生态的整车操作系统。同时提供“智能座舱+智能驾驶+智能泊车”为一体的三合一 HPC 域控制器

166、ThunderHPC，先后与高通、地平线等成立合资公司，共同开发下一代舱驾一体/智驾芯片的软硬件产品，持续看好公司未来发展。预计智能汽车业务 23-25 年将持续保持高增速，公司 2023-2025年归母净利润分别为 7.31、9.51、12.30 亿，对应当前市值 PE 分别为 52、40 和 31 倍。经纬恒润经纬恒润：公司是国产汽车电子优质 Tier1，覆盖电子产品、研发服务及解决方案和高级别智能驾驶整体解决方案三大业务，公司具有全栈式解决能力，依托与 Mobileye、TI 等自动驾驶芯片龙头的合作，目前公司已构筑较强护城河。公司在自动驾驶领域持续发力，汽车电子领域能保持稳健增长，预计

167、未来将深度受益于自动驾驶领域快速渗透。2.3 AI PC/Phone：端侧：端侧 AI 发展，发展，AI PC/Phone 将开启新时代将开启新时代 2.3.1 技术升级带动端侧技术升级带动端侧 AI 发展，推理精度提升发展，推理精度提升 当前云侧当前云侧 AI 呈现向端侧呈现向端侧 AI 的转型趋势。的转型趋势。端侧智能化的核心在于数据、底层软硬件、智能力三个方面。端侧设备搭载的传感器、芯片、算法模型赋予其数据采集、计算、分析与推理能力，使其能够在端侧完成数据处理闭环，形成感知、计算、推理三个智能力。首先，大模型轻量化带动端侧首先，大模型轻量化带动端侧 AI 发展。发展。多个大模型均已推出“

168、小型化”和“场景化”版本，提供了端侧运行基础。例如，Google PaLM2 中包含 4 个大模型，按照参数规模，从小到大排列为：独角兽（Unicorn）、野牛（Bison）、水獭（Otter）和壁虎（Gecko）。其中，最轻量的“壁虎”可实现手机端运行，且速度足够快，不联网也能正常工作。另一方面，“小型化”大模型加速生成式 AI 垂直方向发展，加速大模型商业化场景落地。其次，支持其次，支持 INT4、INT8 精度推理，端侧精度推理，端侧 AI 能力进一步提升。能力进一步提升。定点表示和浮点表示是计算机中常用的数据格式。其中，定点表示中小数点位置固定不变，常用的定点表示有 INT4 和 IN

169、T8；浮点表示中包括符号位、阶码部分、尾数部分。符号位决定数值正负，阶码部分决定数值表示范围，尾数部分决定数值表示精 FP64(双精度)、FP32(单精度)、FP16(半精度)的数值表示范围和表示精度依次下降，运算效率依次提升。高通产品管理副总裁 Asghar 曾表示，如果将 32 位浮点模型转化为 INT4 整数模型，端侧 AI 能效将提升 64 倍。为满足端侧AI 的计算需求，业内已有产品支持 AI 模型以 INT 精度推理，例如高通人工智能引擎 AI Engine 支持 INT8 的数据格式。37 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表74：大模型小

170、型化版本大模型小型化版本 图表图表75：不同数据格式构成及用途不同数据格式构成及用途 模型名字 小型化版本 PaLM2 Gecko LLaMA-7B Alpaca-LORA Bert Albert TinyBert HFL/RBT3 文心一言 文心 ERNIE 3.0 Tiny v2 ChatGLM ChatGLM-6B BioMedGPT BioMedGPT-1.6B 数据格式数据格式 构成构成 用途用途 FP64 1 位符号、11 位指数、52 位尾数 常用于对精度要求高的科学计算 FP32 1 位符号、8 位指数、23 位尾数 深度学习模型训练的常见格式 TF32 1 位符号、8 位指数

171、、10 位尾数 替代 FP32 数据格式实现深度学习和 HPC 计算加速 FP16 1 位符号、5 位指数、10 位尾数 深度学习越来越偏向使用 FP16 BF16 1 位符号、8 位指数、7 位尾数 提升 AI 模型的推理速度和部署灵活性 INT8 8 个 bit 表示一个数字 INT8 精度相对较低，常用于 AI 模型的端侧推理 资料来源：公开信息整理，中信建投 资料来源：量子位，中信建投 部分部分 AI 框架已支持端侧运行。框架已支持端侧运行。在 2023 年 PyTorch 大会上，Meta AI 与 PyTorch 基金会合作的 ExecuTorch模型被宣布可在边缘和移动设备上实现

172、 AI 推理。随着 ExecuTorch 的开源，AI 应用程序将可实现本地运行，无需连接到服务器或云。ExecuTorch 可被理解成 PyTorch 平台，提供基础设施来运行 PyTorch 程序，实现从 AR/VR可穿戴设备到标准的 iOS 和 Android 设备的移动部署。目前，Meta 已将其用于最新一代的雷朋智能眼镜，成为Quest 3 VR 头显的组成部分。这一变化也预示将 PyTorch 引入了手机和可穿戴设备等边缘计算平台，进一步迈入设备 AI 推理新时代。端侧端侧AI的核心是的核心是AI PC/Phone。一方面，。一方面，AI PC/Phone主要在于芯片升级。主要在于

173、芯片升级。AI PC/Phone相对于原有PC/Phone，主要差别在搭载了相关的 AI 芯片。云端在深度学习的训练阶段需要极大的数据量和大运算量，为满足运算需求，云端 AI 芯片采用“CPU+加速芯片”的异构计算模式。不同于数据中心 GPU，手机/电脑端芯片主要要求其体积小、功耗低等特点，往往是采用 ASIC 技术路线的芯片，这种芯片为专用目的设计，面向特定用户需求定制，在大规模量产的情况下具备体积更小、功耗更低等优点。手机手机 AI 芯片主要由“芯片主要由“CPU+GPU+NPU”构成，通过集成多个模块，做到提升芯片性能的同时能支持相关”构成，通过集成多个模块，做到提升芯片性能的同时能支持

174、相关AI 应用算法。应用算法。例如，以高通 AI 芯片为例，硬件方面 HEXAGON 向量处理器可以运行涉及向量数学的应用；ADRENO GPU 运行对浮点精度有要求的应用；KRYO CPU 支持相对较少向量处理、非规则性数据结构和/或复杂流程。高通公司以近半的市场份额保持 AI 智能手机处理器出货量领导地位，远超苹果和联发科等其他公司。高通骁龙 8 gen3 在手机芯片性能比较方面超越了苹果 A17 Pro，其是高通首款专为生成式人工智能而精心设计的移动平台。该处理器最大的升级在 AI 引擎，可以在设备上运行生成式 AI 模型，上市初期即支持 20 多种 AI模型；主打各种 AI 相机功能，

175、例如从图像和视频中删除对象、创建假背景、增强照片的某些部分、实时拍摄 HDR 照片、创建同时使用前摄和后摄拍摄的 Vlogger 视图模式控制的应用。38 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表76：以骁龙以骁龙 865 为基准的手机为基准的手机/平板性能综合对比平板性能综合对比 图表图表77：高通骁龙高通骁龙 8 Gen3 综合参数综合参数 资料来源：高通，IT之家，中信建投 资料来源：高通，中信建投 在在 AI PC 芯片方面，近年来多家芯片制造商积极整合芯片方面，近年来多家芯片制造商积极整合 NPU 到其处理器中，以加速到其处理器中，以加速 AI 任

176、务的执行。由于任务的执行。由于AI 大模型对计算能力的需求不断增长，大模型对计算能力的需求不断增长，ARM 架构架构 PC 芯片具备高效能、低功耗的特点，相对适合芯片具备高效能、低功耗的特点，相对适合 AI 计算任务，计算任务，ARM 架构有望替代架构有望替代 X86 架构芯片成为架构芯片成为 PC 芯片主流，吸引多家头部厂商布局。芯片主流，吸引多家头部厂商布局。最早发力的苹果在其 M1 和 M2芯片中成功整合了 NPU，其中 M2 Ultra 处理器可提供高达 31.6 TOPS 的算力。同使用 OpenAI Whisper 语音转录 small 模型，M2 MacBook 可在数分钟内完成

177、工作，而搭载 Intel Core i5 的 MacBook 则需 2 小时。图表图表78：云端云端 AI 芯片和端侧芯片和端侧 AI 芯片技术路线对比芯片技术路线对比 图表图表79：苹果苹果 M3 系列芯片架构和能效双重提升系列芯片架构和能效双重提升 资料来源：量子位，中信建投 资料来源：苹果，中信建投 AMD、英特尔、高通也于今年相继发布 AI 芯片支持 PC 端运行大模型。10 月 25 日，高通在骁龙峰会上发布骁龙 X Elite，其为 Oryon CPU 和 Adreno GPU 等组成的 4nm ARM 架构的 PC SoC。与其竞争对手相比，该芯片能提供高达两倍的 CPU 和 G

178、PU 性能，且功耗更低，单线程能力强于英特尔的 X86 芯片 i9-13980HX 和苹果的 ARM 芯片 M2 Max，AI 引擎能提供高达 75TOPS 的 AI 算力。骁龙 X Elite 专为 AI 打造。X Elite 能够支持在终端运行 130 亿参数大模型，面向 70 亿参数大语言模型每秒生成 30 个 token，能够很好处理邮件总结、文本编写、图像生成、图像生成等任务，变革用户与 PC 交互。OEM 厂商预计将于 2024 年中推出搭载骁龙 X Elite 的PC。00M2 iPad ProM1 iPad Pro骁龙8 Gen3A17 Pro8 Gen2

179、 领先版骁龙8 Gen2A16 39 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表80：骁龙骁龙 X Elite 平台详细参数平台详细参数 图表图表81：英特尔英特尔 AI PC 启动计划以酷睿启动计划以酷睿 Ultra 为起点为起点 资料来源：高通，中信建投 资料来源：Intel，中信建投 2.3.2 2024 或成或成 AI PC/Phone 元年，元年，AI PC/Phone 趋势刺激行业回暖趋势刺激行业回暖 端侧端侧 AI 核心在于手机和核心在于手机和 PC，AI Phone 和和 AI PC 将开启新时代。从今年将开启新时代。从今年 2 月份举行的世界

180、移动通信大会，月份举行的世界移动通信大会，高通展示了其手机端离线运行大模型，到高通展示了其手机端离线运行大模型，到 5 月份微软开发者大会高通展示其月份微软开发者大会高通展示其 PC 运行运行 AI 大模型，再到近期英特大模型，再到近期英特尔、联想等发布尔、联想等发布 AI PC 加速计划、发布首款加速计划、发布首款 AI PC 等，可以看出，国内外厂商持续发力等，可以看出，国内外厂商持续发力 AI Phone 和和 AI PC，端侧端侧 AI 将走入新的时代。将走入新的时代。AI PC 方面，2023 联想 Tech World 创新科技大会进行了端侧大模型与云端大模型的比较。两个模型同时进

181、行斯德哥尔摩音乐节的规划，生成速度差异不大。值得注意的是，端侧 AI 的规划内容更加个性化，可以将家庭地址、酒店偏好等考虑进去；10 月 19 日，英特尔宣布启动 AI PC 加速计划，该加速计划旨在为相关软硬件供应商提供英特尔的资源，共同推动 AI PC 产品、方案落地，具体而言，通过利用 Intel Core Ultra 处理器的技术和兼容硬件，围绕相关资源，实现 AI 和机器学习（ML）应用性能最大化，进而催生全新的使用案例，推动 AI PC 解决方案连接到更广泛的 PC 产业。英特尔预计其将于包括 Adobe 在内的 100 家独立软件供应商进行合作，发展 300 多项 AI 加速功能

182、，计划将在音频效果、内容创建、游戏、安全、直播、视频协作等方面继续强化 PC体验。据计划目标，其将在 2025 年前为超过 100 万台 PC 带来人工智能（AI）特性。AI Phone 方面，10 月 4 日，谷歌发布 Pixel 8/Pro 系列，搭载了 Tensor G3 和 Titan M2 安全芯片。Tensor G3 AI 芯片可运行更复杂的机器学习模型，强化了 Pixel 8/Pro 系列的 AI 增强功能，使虚拟助理说话更自然，并有拦截骚扰电话、转录语音和紧急服务功能。Pixel 8 Pro 号称是第一款直接在设备上运行谷歌 AI 模型的手机，其计算量是 Pixel 7 上最大

183、 ML 模型的 150 倍；10 月 26 日，小米 14 系列发布，其首发搭载高通最新一代移动芯片骁龙 8 Gen3，能效比提升显著，AI 性能提升 98%。通过本地端运行大模型，提升了隐私性，并实现 AI 妙画、AI 搜图、AI 写真和 AI 扩图等一系列功能。其中，AI 写真功能可通过对多张照片的学习，创作出全新的照片作品；在 14 系列的 WPS 上，也支持输入主题一键生成 PPT 演示文稿，也能进一步细化调节，例如更改主题风格、单页美化、更改字体、更改配色、生成演讲稿等等，解决了用户使用 PPT 制作难度大、耗时长的办公难题。40 行业深度报告 人工智能人工智能 请务必阅读正文之后的

184、免责条款和声明。图表图表82：谷歌谷歌 Pixel 8 Pro 图表图表83：小米小米 14 系列系列 资料来源：谷歌，中信建投 资料来源：小米，中信建投 AI 手机也呈现“去屏幕化”的可穿戴 AI 趋势。Humane 是一家由苹果前员工创立的人工智能公司，主要投资方包括 OpenAI（最大股东）、微软和高通等。北京时间 11 月 10 日凌晨，其发布 Humane AI Pin 产品，AI Pin 内置高通芯片，1300 万像素摄像头，可以外放声音，也能连接蓝牙耳机，主机和电池分离。其中主机部分重 34g，电池重 20g。该设备运行在 T-Mobile 网络上，并可以访问微软和 OpenAI

185、 的 AI 模型，并在 11 月 16 日优先在美国市场开启订购。Humane AI Pin 强调“Take AI with you everywhere”，在今年 4 月的 TED 演讲上，联合创始人 Imran Chaudhri 在台上演示了 Ai Pin 的雏形。Ai Pin 呈现小型化、智能化的特点。其可用作语音助手：打电话、推送当天的自动总结；也可作为搜索引擎。图表图表84：AI Pin 由电池和主机组成由电池和主机组成 图表图表85：AI Pin 形态形态 资料来源：Humane，中信建投 资料来源：Humane，中信建投 疫情以来，由于消费需求疲软和库存调整，全球智能手机出货量下

186、滑，2023 年前三季度为 8.4 亿部，仅为2022 年同期的 85%，但可以看出，但可以看出，22 年年底以来，全球智能手机销量下降幅度开始缩窄，今年三季度，全球年年底以来，全球智能手机销量下降幅度开始缩窄，今年三季度，全球智能手机销量重回正增长；另一方面，从微软财报可以看到，其个人电脑业务，也在智能手机销量重回正增长；另一方面，从微软财报可以看到，其个人电脑业务，也在 24 财年财年 1 季度（季度（23Q3）实现同比正增长，这也是从实现同比正增长，这也是从 23 财年财年 2 季度以来微软个人电脑业务重新回归正增长。可以看到全球手机与电脑业季度以来微软个人电脑业务重新回归正增长。可以看

187、到全球手机与电脑业务有复苏迹象，预计务有复苏迹象，预计 AI+Phone/PC 能进一步推动行业颓势逆转的同时也有助于带动其自身起量。能进一步推动行业颓势逆转的同时也有助于带动其自身起量。41 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表86：全球智能手机销量从全球智能手机销量从 23 年年 Q3 以来重回同比正增以来重回同比正增 图表图表87：微软个人电脑业务时隔四个季度重回正增长微软个人电脑业务时隔四个季度重回正增长 资料来源：Wind，微软，中信建投 资料来源：Wind，微软，中信建投 伴随伴随 AI PC 逐渐出货且逐渐出货且 PC 换机周期已至，换机周

188、期已至，2024 或成或成 AI PC 元年。元年。根据群智咨询预测，根据群智咨询预测，到到 2027 年，年，AI PC出货量将达到出货量将达到 1.5 亿套，市场渗透率达到亿套，市场渗透率达到 79%，并逐步取代传统，并逐步取代传统 PC。当前，各大主要 PC 厂商都对 AI PC 业态进行展望，AI PC 将成 PC 行业拐点成为共识。戴尔将推出带有 Copilot 的新版 Windows，联想首批搭载英特尔Meteor Lake 芯片的 AI PC 也已推出。业界将逐步追加 AI PC 领域投资，重塑 PC 生产力。图表图表88：AI PC 出货量及市场渗透率预测出货量及市场渗透率预测

189、 图表图表89：相关厂商相关厂商 AI PC 展望展望 品牌 AI PC 展望 戴尔 未来 AIPC 将显著提高生产力。下半年推出带有 Copilot 的新版 Windows，将加速构建支持 AI 的 PC。AIPC 需要搭载更强的 CPU，更大的内存和更好的显示器等 惠普 AI 是重塑 PC 的巨大机遇，并将成为 2024 年及以后 PC 发展的重要驱动力。本地运行 AI 应用能实现更低的延迟和更强的隐私保护 联想 联想首批搭载英特尔 Meteor Lake 芯片的 AI PC 于 2023 年秋季推出，AIPC 将成为 PC 行业的拐点。联想 PC 端还需解决算力和储存等问题，真正意义上无

190、需联网即可实现推理的 AI PC 将在 2024 年推出。未来 3 年将向 AI 领域追加约 70 亿元投资，其中很大一部分将会放在 AIPC 领域中 华硕 正与英伟达，AMD 和英特尔紧密合作，积极推动 AIPC 发展。AI PC 在硬件层面与传统PC的最大不同是集成了 IPU和 VPU等AI加速单元。预计2024年三季度AIPC相关产品将趋于成熟，将给用户带来生产力和娱乐的全新体验 资料来源：群智咨询，中信建投 资料来源：Canalys，中信建投 我们看好由我们看好由 AI PC/Phone 带来的产业革新。将手机集成带来的产业革新。将手机集成 AI，不仅可以实现语音助手、智能相机等基本功

191、，不仅可以实现语音助手、智能相机等基本功能，还可以通过能，还可以通过 AI 算法实现更加智能化的应用，如智能推荐、智能翻译等，可以极大提升用户的体验，在智算法实现更加智能化的应用，如智能推荐、智能翻译等，可以极大提升用户的体验，在智能办公、智能教育领域预计将有广泛应用；能办公、智能教育领域预计将有广泛应用；AI PC 不仅可以进行高效的数据处理和计算，还可以通过机器学习不仅可以进行高效的数据处理和计算，还可以通过机器学习和深度学习等技术进行自我学习和优化，从而为各种行业提供更加智能化的解决方案；除此之外，和深度学习等技术进行自我学习和优化，从而为各种行业提供更加智能化的解决方案；除此之外，AI

192、 PC、AI Phone 通过统一的大模型，实现全系统互联，具有主动智能、全模态感知能力，在人机交互效果上有明显提升，通过统一的大模型，实现全系统互联，具有主动智能、全模态感知能力，在人机交互效果上有明显提升，将成为人们最直接的将成为人们最直接的 AI 助手。助手。重点公司推重点公司推荐荐:高通高通：高通全方位部署端侧 AI，赋能手机、汽车、PC 和物联网等多个领域，混合 AI 落地提升各场景下终0.3%-30%-20%-10%0%10%20%30%40%50%050030035040045012%15%11%2%0%-19%-9%-4%3%-100%0%100%0500

193、生产力及业务流程智能云个人电脑生产力及业务流程YoY0%28%56%79%0%20%40%60%80%100%120%140%160%180%200%02040608002023F2024F2025F2026F2027FAI PC出货量（百万套）AI PC市场渗透率 42 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。端侧 AI 硬件需求。在手机方面，高通技术公司以超过 40%的市场份额保持 AI 智能手机处理器出货量领导地位；在汽车方面，公司与全球所有主要汽车制造商均开展合作，以骁龙座舱平台领先的端侧 AI 能力赋能数字座舱系

194、统。AI 未来将逐渐由云端走向终端，高通作为端侧 AI 核心标的有望持续受益，其中高通新款 ARM PC 芯片有望改变 PC 芯片市场格局，公司有望从中获益。中科创达中科创达：AI PC 大的产业趋势：SOC 芯片正在经历从以 Intel 芯片为代表的 X86 架构的向 ARM 架构演进，其中的领跑者便是高通。在 AI 大模型时代，端侧/边缘侧的 AI 推理能力需求显著提高，高通凭借过去在手机端积累的 NPU 能力领跑。生态上，Windows 也开始全力支持高通，自去年开始了多轮支持 Arm 架构芯片的操作系统更新。23 年 10 月分，高通发布 X Elite 芯片，能够支持在 PC 终端运

195、行 130 亿参数大模型，有望重塑 PC 芯片市场格局。中科创达作为高通深度的合作伙伴，在 PC 侧，创达目前已经基于骁龙 7c+Gen 3 芯片开发出用于笔电的智能计算模组，随着未来 PC 芯片革新，创达与高通进一步合作，有望共享 PC 市场红利。预计 AIPC 和AI phone 的新需求将为手机和物联网业务带来新的增量，公司 2023-2025 年归母净利润分别为 7.31、9.51、12.30亿，对应当前市值 PE 分别为 52、40 和 31 倍。2.4 AI+工业是大势所趋工业是大势所趋 AI 在垂直领域的落地和应用将是在垂直领域的落地和应用将是 2024 年的主线，我们尤其看好年

196、的主线，我们尤其看好 AI 在工业场景的落地。一方面在国家战略在工业场景的落地。一方面在国家战略和政策端，智能制造是大势所趋，“和政策端，智能制造是大势所趋，“AI+工业”在国家发展、技术架构中发挥重要作用。工业”在国家发展、技术架构中发挥重要作用。1）工业大国向工业强）工业大国向工业强国转型，智能制造战略是必由之路。国转型，智能制造战略是必由之路。工业与制造业紧密相连，制造业是工业的重要组成部分，工业和制造业的发达程度将直接影响我国国际竞争力。中国是世界第一工业大国，具有优秀且深厚的工业基因。从工业大国向工业强国的转型之路是当下政策的热点，也是未来重要的发展趋势，智能制造战略是这一路径上的核

197、心战略之一。“十四五”智能制造发展规划、中国制造 2025等政策进一步明确智能制造的发展目标、重点领域、重大工程、重大项目，为智能制造的发展提供了政策支撑。2）“）“AI+工业”在智能制造系统与技术架构中处于核工业”在智能制造系统与技术架构中处于核心地位，是战略发展的大趋势。心地位，是战略发展的大趋势。从系统架构层面看，智能制造系统的架构从底层数字化逐步过渡到网络化，最终目标为实现智能化，“AI+工业“处于系统架构顶层的“智能化”位置，工业场景下人工智能技术的应用是智能制造战略需要实现的核心课题。从技术结构层面看，人工智能技术与工业大数据、工业软件、工业云、边缘计算等其他技术之间存在联动效应。

198、3）工业）工业 4.0 时代到来，“时代到来，“AI+工业”技术是国际竞争焦点。工业”技术是国际竞争焦点。工业 4.0 时代下，利用物联网、云计算等多元化先进技术实现实体世界与虚拟世界的交互将成为工业发展的重要环节。目前，全球主要的工业国家在先进制造/智能制造方面均有布局，且均有涉及“AI+工业”的具体战略。我们认为，在未来，AI 技术与工业的深度融合仍将是国际竞争的焦点，实现 AI+工业是大势所趋。43 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表90：智能化战略是智能制造战略的核心智能化战略是智能制造战略的核心 图表图表91：工业软件对企业的重要作用工业软件

199、对企业的重要作用 资料来源：亿欧智库，中信建投 资料来源：中信建投 从需求端看，不断增长的降本增效需求与多变的市场环境为“从需求端看，不断增长的降本增效需求与多变的市场环境为“AI+工业”带来广阔的市场空间。工业”带来广阔的市场空间。目前，我国工业的大部分行业仍处于劳动密集型发展阶段，较低的智能化渗透率带来包括误差率高、生产效率低、生产成本高等一系列痛点。1）降本增效需求驱动“）降本增效需求驱动“AI+工业”需求：工业”需求：中国单位劳动产出在国际比较中处于较低水平，2018 年美国劳动生产率为 11.3 万美元，而中国仅为 1.4 万美元。且国内老龄化趋势显著，根据国务院国家人口发展规划，2

200、030 年，我国 14-45 岁人口占比将降至 32%，人口规模的减少将对企业生产成本带来全新挑战，降本增效需求愈发成为企业竞争甚至生存的重要条件之一，在此背景下展望未来，“AI+工业”这一降本增效的重要工具将被越来越多工业企业使用。2）市场变化大，精准化生产成为刚需：）市场变化大，精准化生产成为刚需：工业行业整体面对利润率低，市场需求变化快的压力，智能化与精准化生产将成为未来大趋势，而这背后离不开人工智能的强大分析能力。根据德勤预测，2018-2025 年中国制造业人工智能市场有望实现 51%的 CAGR，并在 2025 年达到 141 亿元规模。图表图表92：2018-2025 中国制造业

201、人工智能应用市场规模与增中国制造业人工智能应用市场规模与增长率长率 图表图表93：工业领域人工智能发展现状分析与应用规模占比工业领域人工智能发展现状分析与应用规模占比 资料来源：德勤研究，中信建投 资料来源：头豹研究院，中信建投 2.4.1 工业机器视觉工业机器视觉 2.4.1.1 机器视觉产业宏观分析机器视觉产业宏观分析 工业机器视觉是软硬件一体化的集成系统，它的目的是代替人眼对被测物进行观察和判断。工业机器视觉是软硬件一体化的集成系统，它的目的是代替人眼对被测物进行观察和判断。从组成上，机器视觉系统硬件设备主要包括光源、镜头、相机等，软件主要包括传统的数字图像处理算法和基于深度学习的图像处

202、理算法。系统工作时首先依靠硬件系统将外界图像捕捉并转换成数字信号反馈给计算机，如下图深灰色8714131%42%43%45%47%51%56%63%0%10%20%30%40%50%60%70%020406080020024E制造业人工智能应用市场（亿元）增长率 44 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。方块所示过程，然后依靠软件算法对数字图像信号进行处理，如下图中灰色方块所示过程。工业机器视觉在识工业机器视觉在识别的精确度、速度、客观性、可靠性、工作效率、工作环境要求、数据价值方面都优于人眼。别

203、的精确度、速度、客观性、可靠性、工作效率、工作环境要求、数据价值方面都优于人眼。图表图表94：机器视觉系统构成机器视觉系统构成 图表图表95：机器视觉和人类视觉对比机器视觉和人类视觉对比 指标指标 人类视觉人类视觉 机器视觉机器视觉 识别精确度 差，64 灰度级，不能分辨微小的目标 强，256 灰度级以上，可观测微米级的目标 识别速度 慢，无法看清较快运动的目标 快，快门时间可达千分之一秒 环境要求 弱，很多工业环境对人有害 强，可以在适应极端环境 识别客观性 低，数据无法量化 高，数据可量化 识别可靠性 弱，易疲劳 强，可持续工作 工作效率 效率低 效率高 数据价值 低，数据质量低，信息集成

204、不易 高，数据质量高，信息集成方便 资料来源：凌云光招股书，中信建投 资料来源：矩子科技招股书，中信建投 成像、算法、算力、应用接力驱动机器视觉行业，成像、算法、算力、应用接力驱动机器视觉行业，AI 算法的发展有望推动行业进入新时代。每经历约十年，算法的发展有望推动行业进入新时代。每经历约十年，机器视觉技术与应用都会产生一次深刻变革，近年来，机器视觉技术与应用都会产生一次深刻变革，近年来，AI 算法有望推动行业爆发式扩展。算法有望推动行业爆发式扩展。图表图表96：机器视觉行业发展史及驱动因素机器视觉行业发展史及驱动因素 资料来源：机器视觉的产业发展与技术趋势，中信建投 目前工业机器视觉系统目前

205、工业机器视觉系统仍仍主要采用的是传统的基于规则学习的思路主要采用的是传统的基于规则学习的思路，效率较低且无法处理较为复杂场景的，效率较低且无法处理较为复杂场景的问题。而问题。而工业机器视觉与深度学习技术结合，实现应用场景的拓展。工业机器视觉与深度学习技术结合，实现应用场景的拓展。基于深度学习的机器视觉，不但可以判断缺陷，还可以理解缺陷的共同特征，预测新的缺陷类型，从而实现对于更复杂场景的更优分析。如下图所示，通过深度学习判断出可以接受的异常和不可接受的缺陷之间的差异。但相应的，深度学习技术的应用也会对计 45 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。算能力和储存能力

206、提出更高要求。此外，此外，过去的工业机器视觉系统主要针对垂直场景的少量数据进行小模型的训练过去的工业机器视觉系统主要针对垂直场景的少量数据进行小模型的训练，而，而大模型的发展将助力大模型的发展将助力工业机器视觉实现应用性能的提升和应用场景的拓宽。工业机器视觉实现应用性能的提升和应用场景的拓宽。以华为盘古大模型在矿山场景的应用为例，其建立在 L0的基础大模型的技术上，通过导入海量无标注的矿山场景数据进行预训练，盘古矿山大模型即可进行无监督自主学习，仅一个大模型就能覆盖煤矿的采、掘、机、运、通等业务流程下的 1000 多个细分场景，让 AI 应用在煤矿普及更容易。在准确率方面，基于盘古矿山大模型的

207、掘进作业序列智能监测，动作规范识别准确率超过95，用规范的 AI 流程来替代不确定的人工流程，让 AI 成为矿工规范作业的好帮手，保障井下作业安全。视觉大模型技术突破，赋能机器视觉的革新与突破视觉大模型技术突破，赋能机器视觉的革新与突破。以近期 Meta 提出的 SAM 模型为例，其在切割任务的不同具体场景中展现出了强大的泛化能力，在零样本（zero-shot）和少量样本（few-shot）的基础上便能实现非常优秀的完成不同的切割任务。同时，SAM 模型还具备高精度自动标注的能力，带来数据标注成本的下降，相关技术的发展与突破将从两个方向赋能机器视觉产业变革：1）过去数据成本、训练成本高的场景将

208、有望实现降本增效；2）过去因样本数量不足而机器视觉难以应用的场景将得以拓展。图表图表97：盘古矿山大模型覆盖多个应用场景盘古矿山大模型覆盖多个应用场景 图表图表98：SAM 模型能识别并切割出同一场景中的大量物模型能识别并切割出同一场景中的大量物体体 资料来源：华为云，中信建投 资料来源：Segment Anything，中信建投 微软于微软于 9 月月 25 日发布日发布The Dawn of LMMs:Preliminary Explorations with GPT-4V(ision)，分析重点关，分析重点关注注 GPT-4V 执行各种任务的效果，也在工业领域展现出强大的应用能力。执行各

209、种任务的效果，也在工业领域展现出强大的应用能力。论文研究发现 GPT-4V 在处理任意多模态输入方面具有前所未有的能力，其功能的通用性使 GPT-4V 成为一个强大的多模态通用系统。在工业场景中 GPT-4V 能够在简单的提示词下识别出对象物体的缺陷，展现出了很强的通用性。这一文章的发布也意味着大模型对工业机器视觉场景的赋能是当下国内外业界重点关注且正在逐渐加速的。46 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表99：GPT4V 在工业场景中的应用：缺陷检测在工业场景中的应用：缺陷检测 资料来源：The Dawn of LMMs:Preliminary Exp

210、lorations with GPT-4V(ision)，中信建投 除人工智能技术的变革外，除人工智能技术的变革外，2D 到到 3D 的变革同样带来技术能力和应用范围的提升。的变革同样带来技术能力和应用范围的提升。相较于相较于 2D 机器视觉，机器视觉，3D 机器视觉可以提供三维信息，从而实现更广泛、准确的检测与分析。机器视觉可以提供三维信息，从而实现更广泛、准确的检测与分析。3D 机器视觉可以完成许多 2D 机器视觉无法完成的任务。以检测为例，下图零件表面有一划痕、边沿有凹陷。传统的 2D 机器视觉只能依靠表面图像颜色的不连续来判断是否缺陷，但此案例中，缺陷和零件表面反光颜色接近，判断难度很

211、大。3D 相机可以得到表面凹凸的深度信息，从而准确的判定划痕和边缘的凹陷。3D 机器视觉覆盖场景全面，市场空间广阔。目机器视觉覆盖场景全面，市场空间广阔。目前 3D 视觉技术在高精度检测、高精度测量（例如弯管、不规则件）、智能分拣、装配（引导机械臂在三维空间内避障和定位）、物流车导航等更多场景中实现了相较于 2D机器视觉更为广泛的应用覆盖，具有广泛的市场空间，根据 GGII 测算，中国工业 3d 视觉 2021 年市场规模 11.51亿元。随着我国高端制造业的发展，国内 3D 视觉的应用需求仍将持续保持高增长势头，预计到 2025 年达到 57.52亿的市场规模。图表图表100：3D 视觉的缺

212、陷检测视觉的缺陷检测 图表图表101：2016-2025 国内工业国内工业 3D 视觉市场规模变化视觉市场规模变化 资料来源：康耐视，中信建投 资料来源：GGII，中信建投 机器视觉机器视觉全球全球市场规市场规模稳健增长模稳健增长。据 Markets and Markets 和 GGII 数据，2016-2021 年，全球机器视觉行业规模销售收入从 378.88 亿元上涨至 804 亿元，预计 2025 年全球市场规模将达到 1276.05 亿元，5 年复合增长率约为 13%。机器视觉机器视觉国内市场涨势迅猛国内市场涨势迅猛。据 GGII 统计，2016-2021 年，国内机器视觉行业规模销售

213、收入从 46.87 亿元1.151.983.043.845.6811.5117.7528.2940.6257.520.00%50.00%100.00%150.00%0204060803D机器视觉市场规模（亿元）同比 47 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。上涨至 138.16 亿元，5 年复合增长率为 24.1%，领先同期全球复合增长率约 10 个百分点。在技术、产业、政策等多方利好因素的推动下，国内机器视觉销售规模将进一步提速扩增，预计 2022 年销售额将达到 168.88 亿元，未来至 2025 年中国机器视觉行业销售收入规模有望达到 349.03 亿元

214、。（注：2021 年因原材料价格普涨，中游企业产品价格上涨 20%，因此同期按销量口径统计的增速小于以销售额口径统计的市场规模增速）图表图表102：2016-2025 全球机器视觉市场规模全球机器视觉市场规模 图表图表103：2016-2025 中国机器视觉市场规模中国机器视觉市场规模 资料来源：Markets and Markets，GGII，中信建投 资料来源：GGII，中信建投 2.4.1.2 机器视觉产业链分析机器视觉产业链分析 图表图表104：工业机器视觉产业链工业机器视觉产业链 资料来源：前瞻产业研究院，甲子光年，中信建投 机器视觉行业上游环节价值量大机器视觉行业上游环节价值量大。

215、关键零部件和软件系统约占工业机器视觉产品总成本的 80%。工业相机、底层软件算法等技术壁垒高，利润率高。对机器视觉上游环节的掌握是目前市场竞争的关键。同时，相机、镜头、光源等核心零部件部件在机器视觉产品中的占比超过 50%。国产低端零部件逐步实现国产替代，高端部件有待突破国产低端零部件逐步实现国产替代，高端部件有待突破。技术门槛相对较低的零部件如光源，国产厂商凭借性价比优势及逐步体现的产能优势在市场竞争中逐渐实现对于国外品牌的替代。技术门槛较高的零部件如光378.88417.41536589.6663.3716.9804879.17990.481119.341276.050.00%5.00%1

216、0.00%15.00%20.00%25.00%30.00%02004006008000全球机器视觉市场规模（亿元）同比46.8755.568.6380.0694.12138.16168.88225.56282.64349.030.00%10.00%20.00%30.00%40.00%50.00%00中国机器视觉市场规模（亿元）同比 48 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。源及相机，我国企业进入较晚，目前产品仍主要布局中低端市场，高端市场仍主要被国外品牌占据。图表图表105：2016-2025 全球机器视觉市场规模全球

217、机器视觉市场规模 图表图表106：2016-2025 中国机器视觉市场规模中国机器视觉市场规模 资料来源：华经产业研究院，前瞻产业研究院，中信建投 资料来源：华经产业研究院，中信建投 机器视觉上游零部件厂商和中游系统机器视觉上游零部件厂商和中游系统/设备厂商通过产业投资设备厂商通过产业投资/自主研发等方式逐步拓展产业链上下游布局，自主研发等方式逐步拓展产业链上下游布局，以期进一步提升机器视觉产品性能，同时在竞争逐渐加剧的机器视觉行业中构建起更高的技术护城河。以期进一步提升机器视觉产品性能，同时在竞争逐渐加剧的机器视觉行业中构建起更高的技术护城河。奥普特、海康机器人通过自主研发实现了机器视觉核心

218、零部件、软件算法的全覆盖。奥普特、海康机器人通过自主研发实现了机器视觉核心零部件、软件算法的全覆盖。凌云光通过产业投资方式拓展 CMOS 传感器芯片（长光辰芯）和工业镜头（长步道光电）布局，并自主开发特色相机、特种相机、特色专属光源和图像采集卡；天准科技自主开发 3D 视觉传感器（线激光传感器），精密驱动控制器等视觉设备上游零部件。我们认为，在机器视觉相关的光学成像、软件算法、自动化与精密控制等核心技术方面具我们认为，在机器视觉相关的光学成像、软件算法、自动化与精密控制等核心技术方面具有更深厚积累的有更深厚积累的公司在竞争加剧、上下游互相渗透的发展格局中具备更强的竞争优势，头部的国产机器视觉厂

219、商已经具备了和公司在竞争加剧、上下游互相渗透的发展格局中具备更强的竞争优势，头部的国产机器视觉厂商已经具备了和海外龙头相当的全产业链技术。海外龙头相当的全产业链技术。图表图表107：工业机器视觉产业链工业机器视觉产业链 光源光源 镜头镜头 2D2D 相机相机 3D3D 相机相机 读码器读码器 图像采集卡图像采集卡 视觉软件视觉软件 智能相机智能相机 解决方案解决方案 康耐视康耐视 有*/有 有 有 有*有 有 有 基恩士基恩士 有*有*有*有 有/有*有 有 凌云光凌云光 代理产品/有 代理产品/有 有 有 有 代理产品/有 有/有 奥普特奥普特 有 有 有 有 有 有 有 有 有 大恒图像大

220、恒图像 代理产品 有 有 代理产品/代理产品 代理产品 有 有 海康机器人海康机器人 有 有 有 有 有 有 有 有 有 资料来源：前瞻产业研究院，甲子光年，中信建投 下游应用场景中，下游应用场景中，消费电子产品产线进一步升级迭代消费电子产品产线进一步升级迭代推动渗透率提升。推动渗透率提升。随 3C 电子产品逐步发展，电子产品生产厂商也逐步迭代生产质量标准，例如在手机生产过程中，苹果手机的生产工艺和流程标准最高，但随着市场竞争加剧，各大安卓手机厂商也正在逐步推进生产质量标准和产线的升级迭代，有望带来机器视觉需求的零部件45.0%软件开发35.0%组装集成15.0%维护5.0%特定应用视觉系统3

221、3.2%相机25.6%光学10.1%照明9.3%智能视觉紧凑系统、视觉传感器8.5%独立于硬件产品销售的视觉软件接口和线缆3.4%其他视觉配件3.2%图像采集卡/视觉处理器板 49 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。扩大。我们认为，在未来几年中，尽管我们认为，在未来几年中，尽管 3C 电子整体行业市场规模增速放缓，但电子整体行业市场规模增速放缓，但 3C 电子行业机器视觉需求仍将稳电子行业机器视觉需求仍将稳定提升，同时技术逐渐成熟的国产厂商有望获得更大的市场份额，整体上定提升，同时技术逐渐成熟的国产厂商有望获得更大的市场份额，整体上 3C 电子仍是机器视觉中重

222、要的下游电子仍是机器视觉中重要的下游应用场景。应用场景。图表图表108：电子设备制造生产线中部分机器视觉应用环电子设备制造生产线中部分机器视觉应用环节节 图表图表109：2016-2025E 中国中国 3C 电子行业机器视觉规模及预测电子行业机器视觉规模及预测 资料来源：Statistics，中商产业研究院，中信建投 资料来源：GGII，中信建投 下游应用场景中，下游应用场景中，机器视觉在锂电行业的渗透率逐步提升机器视觉在锂电行业的渗透率逐步提升。随着锂电池制造智能化、自动化程度的提升，机器视觉产品开始广泛地应用于锂电池设备生产的各个工段。从前段工艺的涂布辊压，到中段工艺的电芯组装，再到后段化

223、成分容之后的检测以及模组 PACK 段，机器视觉应用渗透率在逐步提升。品质管控需求明确品质管控需求明确，早期的锂电行业扩产往往较少考虑质量管控，但随着行业逐步从高速发展转向高质量发展以及用户对于锂电安全的更高需求，机器视觉已经成为锂电池生产企业解决质量和效率问题的必然选择，据 GGII 预测，锂电机器视觉检测系统市场规模将保持高速增长，未来 5 年年复合增长率在 40%。竞争格局优秀竞争格局优秀，在 3C 电子和汽车等行业中的机器视觉中海外巨头有着更加强的技术积累和长期合作关系，对于我国机器视觉企业的市场拓展产生一定阻碍，但锂电池行业是近年来在我国发展起来的新兴产业，因此其中锂电企业与我国机器

224、视觉企业协同配合发展而来，国产化程度较高。我们认为，锂电行业行业整体增速较快，且锂电中的机器视觉具备行业增速高、需求明确、竞争格局优秀我们认为，锂电行业行业整体增速较快，且锂电中的机器视觉具备行业增速高、需求明确、竞争格局优秀的优势，在未来两三年内有望维持高增速，是最具潜力的下游应用市场的优势，在未来两三年内有望维持高增速，是最具潜力的下游应用市场。15.6519.2623.7627.3231.3440.6242.7448.8955.5762.480.00%5.00%10.00%15.00%20.00%25.00%30.00%35.00%0070中国3C电子行业机器视觉市

225、场规模及预测（亿元）同比增速（%）50 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表110：电子设备制造生产线中部分机器视觉应用环节电子设备制造生产线中部分机器视觉应用环节 图表图表111：2016-2025E 中国锂电行业机器视觉规模及预测中国锂电行业机器视觉规模及预测 资料来源：中国机器视觉网，中信建投 资料来源：GGII，中信建投 2.4.2 工业机器人工业机器人 2.4.2.1 移动机器人移动机器人 AGV(Automated Guided Vehicle)，即移动机器人，是工业机器人中的重要种类。，即移动机器人，是工业机器人中的重要种类。AGV 可以在

226、没有人工干预的情况下，按照可配置的导引路径进行移动和定位；糅合了导航、移动、多传感器控制、网络交互等一系列功能。AGV 在制造业、仓储物流等工业场景有着广泛的应用，可以提高生产效率、降低劳动成本、减少产品损坏、提高安全性。其主要应用场景仍然在搬运领域。随着人工智能技术发展，随着人工智能技术发展，AGV 的环境感知能力与灵活运动能力不断提升，新一代自主移动机器人的环境感知能力与灵活运动能力不断提升，新一代自主移动机器人 AMR（Autonomous Mobile Robot）应运而生。）应运而生。相比 AGV，AMR 可以融合多重传感器，具备深度感知能力和强大计算能力，安全性和行驶的效率相对更高

227、。图表图表112：AMR 与与 AGV 性能对比性能对比 图表图表113：移动机器人可应用的工业场景移动机器人可应用的工业场景 资料来源：中信建投 资料来源：海康机器人官网，中信建投 移动机器人行业属于高度技术驱动的行业。移动机器人行业属于高度技术驱动的行业。目前，移动机器人行业用到的技术主要分为四种：1）导引技）导引技术，术，即移动气人行驶路线导引技术。可以分为有线导引、无线导引和自主导引三种类型。有线导引是指移动机器人沿着地面或墙壁上的导引线行驶，如磁导引、电导引等。无线导引是指移动机器人通过接收外部信号来确定自己的位置和方向，如激光导引、红外导引、无线电导引等。自主导引是指移动机器人通过

228、自身的传感器和算法来感知和分析周围的环境，如视觉导引、惯性导引、SLAM 等。2）车型技术。）车型技术。即移动机器人外形结构设计设计技术及与之配套的功能和性能规划。移动机器人车型技术可以根据不同的应用场景与需求自由选择和定制，1.372.734.517.0911.3917.527.3438.1750.50.00%20.00%40.00%60.00%80.00%100.00%120.00%00中国锂电行业机器视觉市场规模及预测（亿元）同比增速（%）51 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。如牵引车、自动叉车、隧道车、装配线车等。车型技术也可以

229、与其他的机器人技术，如协作机器人、机械臂、机器人手等相结合，以实现更复杂和灵活的作业。3）通信技术。）通信技术。指移动机器人与其他设备和系统之间的数据交换和信息传输技术，可分为有线通信和无线通信两种类型。有线通信是指移动机器人通过电缆或光纤等物理介质与其他设备和系统连接，如以太网、CAN 总线等。无线通信是指移动机器人通过无线电波或光波等无线介质与其他设备和系统连接，如 Wi-Fi、蓝牙、RFID、NFC 等。4）控制技术。）控制技术。即移动机器人运动控制、任务控制和群控制技术，可以分为本地控制和远程控制两种类型。本地控制是指移动机器人通过自身的控制器和软件来实现自身的运动控制和任务控制，如

230、PID 控制、模糊控制、神经网络控制等。远程控制是指移动机器人通过与外部的控制系统和软件进行通信和协调，来实现自身和其他移动机器人的群控制。行业持续高速增长，发展势头强劲。从总量来看，行业持续高速增长，发展势头强劲。从总量来看，2015 年到 2022 年，中国工业应用移动机器人市场规模保持 7 年连续增长，CAGR 为 35.14%，2022 年中国工业应用机器人市场规模达到 76.8 亿元。从增量来看，中国工业应用移动机器人产量逐年增加，2022 年增量为 93000，同比增长 29.17%。图表图表114：2015-2022 中国工业应用移动机器人规模与增长中国工业应用移动机器人规模与增

231、长率率 图表图表115：2015-2022 中国工业应用移动机器人增量与增中国工业应用移动机器人增量与增速速 资料来源：新战略移动机器人产业研究所，中信建投 资料来源：新战略移动机器人产业研究所，中信建投 海外销售规模不断增长，中国海外销售规模不断增长，中国 AGV/AMR 产品全球影响力进一步提升。产品全球影响力进一步提升。2022 年，中国 AGV/AMR 企业在海外市场的销售规模进一步提升，2022 年，中国 AGV/AMR 企业海外销售规模为 36 亿，同比增长 44%，占比19%。从 2019 年中国 AGV/AMR 海外销售额首次突破 10 亿人民币到 2022 年的 36 亿人民

232、币，中国企业整体海外销售占比取得显著提升。121928.542.561.7576.812618567.00%58.30%50.00%49%45.20%24.40%64%46.82%0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%80.00%02040608001802002015 2016 2017 2018 2019 2020 2021 2022市场规模（亿元）同比增长率4280960033400400034%163.90%94%35%12.80%22.75%75.61%29.17

233、%0%20%40%60%80%100%120%140%160%180%0000040000500006000070000800009000000022新增量（台）增长率 52 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表116：2022 年中国年中国 AGV/AMR 海内外销售占比海内外销售占比 图表图表117：2019-2022 中国中国 AGV/AMR 海外销售规模与增海外销售规模与增速速 资料来源：新战略移动机器人产业研究所，中信建投 资料来源：新战略移动机器人产业研究

234、所，中信建投 行业集中度高，大型企业占比接近九成，过亿企业数逐年增长。行业集中度高，大型企业占比接近九成，过亿企业数逐年增长。2022 年度，中国工业应用移动机器人企业中，年销售规模亿元以上的大型企业占据了 89.19%的市场份额，行业集中度高。行业向上的发展态势带动销售过亿企业数量逐年增长，从 2018 年的 10 家增长至 2022 年的 42 家。截至 2022 年，中共工业应用移动机器人企业中，有 4 家越过 10 亿门槛，分别是新松机器人、极智嘉、海康机器人以及海柔创新。图表图表118：2022 年度中国工业应用移动机器人企业集中度年度中国工业应用移动机器人企业集中度 图表图表119

235、：2018-2022 中国中国 AGV/AMR 年销售规模过亿企年销售规模过亿企业数业数 资料来源：新战略移动机器人产业研究所，中信建投 资料来源：新战略移动机器人产业研究所，中信建投 2.4.2.2 焊接机器人焊接机器人 焊接机器人是一种能够自动执行焊接（包括切割和喷涂）任务的工业机器人。焊接机器人是一种能够自动执行焊接（包括切割和喷涂）任务的工业机器人。根据焊接方式、结构形式、负载能力、工作范围等因素的不同，焊接机器人业有不同种类。焊接机器人广泛应用于钢结构、航空、造船、电子、机械等行业，可以提高焊接质量、效率和安全性，涉及的技术包括焊接电源技术、传感器技术、离线编程技术、智能控制技术、仿

236、真技术等。81%19%国内市场海外市场108.1253616.13%10.52%19.84%19.46%0.00%5.00%10.00%15.00%20.00%25.00%0554020022海外销售规模（亿元）增长率3.78%7.03%89.19%小型企业（年销售规模5000万以下）中型（年销售规模5000万-亿元）大型（年销售规模亿元以上）554045200212022 53 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表120：2016-2026 中

237、国焊接机器人销量及预测中国焊接机器人销量及预测(万台）万台）图表图表121：2021 焊接机器人行业应用分布焊接机器人行业应用分布 资料来源：华经产业研究院，前瞻产业研究院，中信建投 资料来源：华经产业研究院，中信建投 图表图表122：2021 焊接机器人行业应用分布焊接机器人行业应用分布 图表图表123：2016-2026 中国焊接机器人销量及预测中国焊接机器人销量及预测(万万台）台）资料来源：高工机器人研究所，中信建投 资料来源：高工机器人研究所，中信建投 国内弧焊焊接机器人市场由外资主导，国产替代需求大。国内弧焊焊接机器人市场由外资主导，国产替代需求大。根据高工机器人研究所统计，2022

238、 年外资弧焊机器人仍占据主要份额，占比 54.97%，在汽车整车和零部件领域应用较多，主要分日系、欧系、国产三大派系。日系品牌主要有安川、发那科、OTC、松下、川崎重工等，欧系品牌包括 KUKA、CLOOS 和 ABB 等；而国产品牌则在程机械、二三轮车、五金家具、钢结构等一般工业行业应用较为广泛。国内自主品牌弧焊工业机器人市场份额逐步提升，与外资品牌差距逐渐缩小。国内自主品牌弧焊工业机器人市场份额逐步提升，与外资品牌差距逐渐缩小。2022 年，国产弧焊机器人份额已达 45.03%，同比增长 23.71%，国产替代速度加快。目前市场上尚未有成熟应用于钢结构行业领域的智能焊接机器人，主要潜在竞争

239、产品为示教焊接机器人和进口智能焊接机器人。2.263.554.043.223.414.164.95.878.310.357.08%13.80%-20.30%5.90%21.99%17.79%18.37%20.69%18.57%24.10%-30.00%-20.00%-10.00%0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%024681012焊接机器人销量（万台）同比增长（%）34.74%12.65%5.37%47.24%汽车整车行业3C电子行业金属制品行业其他34.74%12.65%5.37%47.24%汽车整车行业3C电子行业金属制品行业其他

240、2.263.554.043.223.414.164.95.878.310.357.08%13.80%-20.30%5.90%21.99%17.79%18.37%20.69%18.57%24.10%-30.00%-20.00%-10.00%0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%024681012焊接机器人销量（万台）同比增长（%）54 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表124：2020-2022 弧焊机器人国产份额占比弧焊机器人国产份额占比 图表图表125：2022 年中国市弧焊机器人品牌出货量排行

241、年中国市弧焊机器人品牌出货量排行 TOP10 排名 企业 1 安川电机 2 发那科 3 爱斯顿（含 Cloos）4 卡诺普 5 松下 6 OTC 7 川崎重工 8 柴孚机器人 9 摩卡机器人 10 钱江机器人 资料来源：高工机器人研究所，华经产业研究院，中信建投 资料来源：GGII，中信建投 焊接机器人销量持续增长，钢构行业市场较为空缺。焊接机器人销量持续增长，钢构行业市场较为空缺。高工机器人产业研究所（GGII）统计数据显示，2021年国内市场焊接机器人销量为 4.16 万台，同比增长 21.99%，主要集中应用于汽车及 3C 电子领域，钢结构领域应用程度不高，而钢结构行业对于自动化、智能化

242、焊接方案的需求日益迫切。预计 2026 年焊接机器人销量可达到 10.3 万台，复合增长率达 16.38%。海外焊接机器人进展迅速，“机器人四大家族”是行业龙头，海外焊接机器人进展迅速，“机器人四大家族”是行业龙头，ABB 集团与发那科公司经营业务有亮点。集团与发那科公司经营业务有亮点。1）ABB 集团：ABB 是工业机器人的先行者以及世界领先的机器人制造厂商，在 1994 年就进入了中国市场。经过近 20 年的 发展，在中国，ABB 先进的机器人自动化解决方案和包括白 车身，冲压自动化，动力总成和涂装自动化在内的四大系统 正为各大汽车整车厂和零部件供应商以及消费品、铸造、塑 料和金属加工工业

243、提供全面完善的服务。2021 年，ABB 机器人为宇通打造一键式操作智能焊接工作站，基于本地自主开发免示教编程系统，无需视觉识别即可自动生成包含有工艺参数的轨迹程序，完成不同规格的铝框的智能化生产。2）FANUC（发那科）：FANUC 公司创建于 1956 年的日本，是当今世界上数控系统 科研、设计、制造、销售实力强大的企业。FANUC 机器人产品系列多达 240 种，负重从 0.5 公斤到 1.35 吨，广泛应用在装配、搬运、焊接、铸造、喷涂、码垛等不同生产环节，满足客户的不同需求。图表图表126：ABB 为宇通设计的免示教机器人为宇通设计的免示教机器人 图表图表127：FANUC 焊接工艺

244、专家库焊接工艺专家库 资料来源：ABB官网，中信建投 资料来源：FANUC官网，中信建投 智能焊接机器人应用场景主要在钢结构产行业，钢结构行业是绿色、环保、可持续发展的新兴行业，市场智能焊接机器人应用场景主要在钢结构产行业，钢结构行业是绿色、环保、可持续发展的新兴行业，市场增量大。增量大。钢结构是由钢制材料组成的结构，具有强度高、自重轻、抗震性能好、工业化程度高、施工周期短、环境污染少及可塑性强等综合优点，是主要的建筑结构类型之一。我国钢结构起步晚，距发达国家水平还有一29.40%36.40%45.03%0%5%10%15%20%25%30%35%40%45%50%202020212022 5

245、5 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。定差距。2022 年中国钢结构产量为 1.05 亿吨，占粗钢产量比例为 10.31%，目前美国钢结构用量占粗钢产量的比例约为 50%，日韩等国家的约为 40%，我国钢结构产量上升空间大，长期成长趋势稳定。政府政策加持，国内钢结构市场增长迅速。政府政策加持，国内钢结构市场增长迅速。2015-2022 年我国钢结构产业发展迅速，年复合增长率约为 11%，预计 2023 年钢结构产量为 1.16 万吨。政府“十四五”规划和 2035 年远景目标等文件明确了建筑行业未来的装配式、绿色等发展方向，提升钢结构应用比例。到 2025 年

246、底，全国钢结构用量将达到 1.4 亿吨，占全国粗钢产量比重达 15%以上；到 2035 年，钢结构用量达 2.0 亿吨以上，占粗钢产量 25%以上 图表图表128：2015-2022 钢结构产量及增长速度钢结构产量及增长速度 资料来源：高工机器人研究所，中信建投 智能化焊接市场需求迫切。智能化焊接市场需求迫切。1）钢构产业焊接技工招工难且成本高，供给需求缺口大，对自动化、智能化）钢构产业焊接技工招工难且成本高，供给需求缺口大，对自动化、智能化焊接方案的需求迫切。焊接方案的需求迫切。国内钢结构产业渗透率持续提高，产品产量增加带动钢结构焊接市场需求。而钢结构主要应用于建筑、船舶、重工行业非标小批量

247、工件多的工业场景中，焊接工序自动化程度低，基本大部分依赖大量焊接工人完成焊接。人工焊接技术要求高、技工培训周期长、焊接工作环境恶劣，已成为行业中最紧缺的劳动力之一，焊接工人缺口量逐年递增，复合增长率高达 50%。2021 年国内熟练焊工的年薪已达 18 万元，对企业带来较大的成本压力。2）智能）智能化焊接可以保证焊接质量稳定，提高生产效率。化焊接可以保证焊接质量稳定，提高生产效率。传统人工焊接受人为因素影响较大，焊接质量稳定性差，生产效率低，且钢结构加工涉及组立、矫正、装配、打磨、抛丸、表面防腐等多道工序，整个生产过程不透明，对生产进度、生产质量和生产异常的处理缺乏信息化管控，产品交付时常延期

248、，实现智能化焊接是提高生产效率和产品质量。0.510.570.640.710.790.890.971.051.1611.76%12.28%10.94%11.27%12.66%8.99%8.25%10.48%0%2%4%6%8%10%12%14%00.20.40.60.811.21.420002120222023E钢结构产量（亿吨）YOY 56 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表129：焊接工人缺口量百分比焊接工人缺口量百分比 图表图表130：焊接机器人提高焊接效率焊接机器人提高焊接效率 资料来源：高工机器人研

249、究所，中信建投 资料来源：柏楚电子视频号，中信建投 免示教智能焊接机器人符合钢结构行业需求。免示教智能焊接机器人符合钢结构行业需求。钢结构产业是典型非标生产行业，产品基本全为非标定制化生产。钢结构生产原材料基本为钢板、钢管等，但由于规格、性能指标等因素的存在，原材料种类多，且受到客户需求、政策和设计师习惯的影响，每个部件的加工内容、方式及尺寸都有特定的要求。钢构行业以中厚板焊接为主，对设备精度和机器人技术要求高。大多应用弧焊机器人。免示教机器人适合钢构行业小批量非标柔性加工场景。免示教机器人适合钢构行业小批量非标柔性加工场景。传统示教再现型机器人通过执行示教程序进行重复性工作，对焊接工件一致性

250、要求较高，且需要人工引导机器人进行预期动作编辑，多用于重复、标准化加工中，如汽车、摩托车加工，对非标产品操作耗时长、效率低。免示教智能焊接机器人融合智能感知、智能规划、智能控制等技术，构成以知识和 推理为核心的智能焊接系统，通过与智能技术、工艺数字化技术等先进技术融合，实现了面向不同作业场景、作业任务、作业工艺，与钢构行业焊接需求高度契合。图表图表131：焊接机器人发展历程焊接机器人发展历程 图表图表132：免示教焊接机器免示教焊接机器人和示教焊接机器人区别人和示教焊接机器人区别 资料来源：柏楚电子视频号，高工机器人研究所，中信建投 资料来源：柏楚电子视频号，高工机器人研究所，中信建投 焊接机

251、器人销量持续增长，钢构行业市场较为空缺。焊接机器人销量持续增长，钢构行业市场较为空缺。高工机器人产业研究所（GGII）统计数据显示，2021年国内市场焊接机器人销量为 4.16 万台，同比增长 21.99%，主要集中应用于汽车及 3C 电子领域，钢结构领域应用程度不高，而钢结构行业对于自动化、智能化焊接方 案的需求日益迫切。预计 2026 年焊接机器人销量可达到 10.3 万台，复合增长率达 16.38%。11%27%49%63%77%86%0%10%20%30%40%50%60%70%80%90%100%2002020212022 57 行业深度报告 人工智能人工智能

252、请务必阅读正文之后的免责条款和声明。免示教智能机器人弥补焊工缺口，将工厂中有经验的焊工替换成普通员工，实现工厂降本增效。免示教智能机器人弥补焊工缺口，将工厂中有经验的焊工替换成普通员工，实现工厂降本增效。2021 年中国钢结构大会发布的钢结构行业“十四五”规划及 2035 年远景目标提出，到 2025 年底，全国钢结构用量达到 14,000 万吨左右，到 2035 年底，钢结构用量达到每年 20,000 万吨以上。我国钢结构上市公司的焊工每人每年平均焊接能力约为 400 吨，2025 和 2035 年分别对应焊工需求为 35 万人和 50 万人。根据 2021 年柏楚定增申报文件披露，柏楚智能

253、焊接机器人单价约为 28 万元，每台可取代 2-3 个焊工工位，保守按替代 2 个工位测算，到 2025 年机器人渗透率每提升 1%则会带来 1750 设备的需求增量和 4.9 亿的收入增长，到 2035年，机器人渗透率每提升 1%则会带来 2,500 设备的需求增量和 7 亿的收入增长。2.4.3 工业软件工业软件 2.4.3.1 工业软件行业总览工业软件行业总览 工业软件是工业创新知识长期积累、沉淀并在应用中迭代进化的软件产物。工业软件是工业创新知识长期积累、沉淀并在应用中迭代进化的软件产物。工业软件的根基仍然是工业行业本身，有赖于正向创新和行业创新知识的积累，是一个长期系统工程。任何工业

254、知识都必须先形成完整的体系，搭建出知识库和模型库，并在实践中反复应用、更改，与工程紧密结合并不断更新迭代，才有可能形成工业软件。因此，工业软件是工业创新知识的载体，依靠软件化这一关键过程，通过强大的软件工程能力才得以实现。软件平台与架构将直接决定工业软件产品的生命力。工业软件可分为四大类，分别为研发设计软件、生产控制软件、信息管理软件和嵌入式软件，在工业生产工业软件可分为四大类，分别为研发设计软件、生产控制软件、信息管理软件和嵌入式软件，在工业生产流程中发挥着不同的作用。流程中发挥着不同的作用。1）研发设计软件：）研发设计软件：面向各类工业品研发、设计、加工的基础软件，提高开发效率、降低开发成

255、本、缩短开发周期。2）生产控制软件：）生产控制软件：基于工业生产的流程，负责生产的流程调度、流程控制、流程监控，提升产品生产的自动化和智能化程度。3）信息管理软件：）信息管理软件：服务于产品的“进销存”环节信息以及企业整体的业务管理信息助力企业实现数字化管理。4）嵌入式软件：）嵌入式软件：嵌入在硬件中的操作系统或开发工具软件，提高生产装备智能化水平。图表图表133：工业软件知识化工业软件知识化 图表图表134：工业软件工作逻辑与分类工业软件工作逻辑与分类 资料来源：工业“新基建”：从工业软件到工业互联网，中信建投 资料来源：中信建投 截至截至 2023 年底，全球工业软件市场规模预计达到年底，

256、全球工业软件市场规模预计达到 5028 亿美元，同比增长亿美元，同比增长 5.20%。欧美为工业软件主要市场。欧美工业化进程基本完成，在高端研发与制造上占据垄断地位。亚洲是全球工业软件市场增长的重要推动力量，增长速度高于北美和欧洲。亚太区市场占全球市场份额的 23.8%。亚太区市场规模同比增速为 7.6%，快于全球平均水平。58 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表135：2016-2023E 全球工业软件市场规模全球工业软件市场规模 图表图表136：2020 年全球工业软件不同地区市场份额占比年全球工业软件不同地区市场份额占比 资料来源：中国工业软件产

257、业白皮书，中信建投 资料来源：中国工业软件发展白皮书，中信建投 根据工信部、中国电子信息产业统计年鉴数据，我国工业软件增速持续领先于全球工业软件市场。根据工信部、中国电子信息产业统计年鉴数据，我国工业软件增速持续领先于全球工业软件市场。2022 年，我国工业软件产品收入 2407 亿元，同比增长 14.29%。2018 年至 2022 年，我国工业软件产品收入年复合增长率高达 16%。目前制造业企业信息化率仍较低，未来仍有较大发展空间。目前制造业企业信息化率仍较低，未来仍有较大发展空间。从现阶段看，我国制造业企业信息化率仍较低，2018 年中国制造业痛点分析报告数据显示，制造业企业的数字化设备

258、联网率仅为 39%、MES 普及率只有18.1%。而智能制造装备产业“十三五”发展规划指出，到 2020 年，重点领域数字化研发设计工具普及率达到 70%以上，关键工序数控化率达到 50%以上，数字化车间/智能工厂普及率达到 20%以上，我国工业软件行业未来仍有较大发展空间。从 ERP 的普及率来看，Gartner 的数据显示，我国 ERP 的普及率（ERP/GDP）仅为0.015%，远低于美国的 0.059%。目前目前 3C、汽车、家电、化工、电力等行业是、汽车、家电、化工、电力等行业是 IT 投入主要领域。投入主要领域。其中，3C 行业前五大企业连续三年 IT 投入成本最大，达到 450

259、亿元。图表图表137：2018-2027E 中国工业软件市场规模中国工业软件市场规模 图表图表138：2020 年中国各行业年中国各行业 IT 投入情况投入情况 资料来源：沙利文研究，艾瑞咨询，中信建投 资料来源：中国工业软件发展白皮书，中信建投 嵌入式软件是规模最大市场，嵌入式软件是规模最大市场，CRM、MES、CAD、CAE 等细分赛道过去三年增速可观。等细分赛道过去三年增速可观。从工业软件各细分软件规模来看，2020 年预测嵌入式软件规模在 1000 亿元以上，是规模最大的市场；其次为经营管理类，规模为400-450亿元。从各赛道增速来看，MES是近三年来增速最快的赛道，过去三年CAGR

260、达到20%以上。CRM、ERP、PLM、CAD、CAE 等赛道在过去三年均保持 10%以上的 CAGR，增速可观。35307435845614779.550284.81%5.19%5.50%6.11%4.66%4.79%5.20%0.00%1.00%2.00%3.00%4.00%5.00%6.00%7.00%00400050006000200022 2023E工业软件产业规模（亿美元）YoY38.90%32.40%23.80%5.00%北美欧洲亚太其他45036038301501002

261、00300400500行业前五大企业连续三年IT投入成本（亿元）59 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。2.4.3.2 工业软件行业聚焦：工业软件行业聚焦：CAD计算机辅助设计计算机辅助设计 CAD 软件是工业软件中最关键、技术门槛最高的一类软件，市场空间广阔，增长态势良好。软件是工业软件中最关键、技术门槛最高的一类软件，市场空间广阔，增长态势良好。CAD 软件承接产业链上游硬件设备、操作系统、开发工具等行业，服务下游发电、建材、化工、冶金、煤矿等应用领域；涉及数学、物理、计算机及工程四大学科的专业知识，具备较高的技术壁垒。从上世纪五六十年代发展至今，CAD从

262、最初的机械制造逐渐拓展到建筑、电子、汽车、航天、轻工、影视、广告等诸多行业领域。Autodesk、Dassault、Siemens、PTC 等厂商凭借技术优势和长期的市场积累占据主导地位，全球 CAD 市场增长趋于稳定。全球工业软件及全球工业软件及 CAD 行业发展态势向好，国内工业软件及行业发展态势向好，国内工业软件及 CAD 行业保持增长态势。行业保持增长态势。工业软件，特别是CAD 软件，具有应用广泛、学科知识跨度广、技术壁垒高等特点，增长态势向好。近五年，全球工业软件市场规模与 CAD 市场规模保持稳定增长，其中全球 2016-2023 年 CAD 市场规模预计将实现 6.03%的 C

263、AGR；国内得益于数字经济东风与国产化替代浪潮，工业软件与 CAD 行业向上态势明显。图表图表139：2016-2023E 全球全球 CAD 市场规模市场规模 图表图表140：2016-2023E 中国中国 CAD 市场规模市场规模 资料来源：艾瑞咨询，中信建投 资料来源：艾瑞咨询，中信建投 国产国产 CAD 发展较晚，较之国际落后较大，我国发展较晚，较之国际落后较大，我国 CAD 约从约从 20 世纪世纪 90 年代起步，此时国际市场年代起步，此时国际市场 CAD 已开已开始在设计领域全面普及，早期受限于国产整体计算机水平有限，发展缓慢。始在设计领域全面普及，早期受限于国产整体计算机水平有限

264、，发展缓慢。21 世纪国际 CAD 龙头进入国内市场，迅速占据主要市场份额，直至现阶段绝大数市场份额依旧被国外厂商所垄断。图表图表141：中国中国 2020 年年 2D CAD 市场份额格局市场份额格局 图表图表142：中国中国 2021 年年 3D CAD 市场份额格局市场份额格局 资料来源：IDC，中信建投 资料来源：IDC，中信建投 75808693991081171276.5%7.2%8.7%6.4%9.1%8.2%8.4%0.0%2.0%4.0%6.0%8.0%10.0%0204060800192020 2021E 2022E 2023E全

265、球CAD市场规模（亿美元）全球CAD市场规模增长率（%）3546724.7%34.0%29.4%21.3%23.1%25.9%24.9%0.0%5.0%10.0%15.0%20.0%25.0%30.0%35.0%40.0%007080200192020 2021E 2022E 2023E中国CAD市场规模（亿元）中国CAD市场规模增长率（%）65%15%9%4%8%欧特克中望软件苏州浩辰数码大方其他31.7%19.1%4.9%3.9%1.6%1.1%35.7%达索系统西门子PTC中望软件欧特克华天软件其他 60 行业深度报告 人

266、工智能人工智能 请务必阅读正文之后的免责条款和声明。CAD 发展有赖于技术革命，关键技术的研发将是未来发展有赖于技术革命，关键技术的研发将是未来 CAD 行业竞争焦点，国产行业竞争焦点，国产 CAD 软件进步空间大。软件进步空间大。CAD 行业发展史也是技术革命史，从 2-2.5D 模型到三维框线模型，从曲面造型技术到实体造型技术，从参数化技术到变量化技术，不同时点的技术进步既带来行业的腾飞，也造就新的行业龙头，放眼未来，CAD 行业的发展仍将聚焦于关键技术的研发上。图表图表143：CAD 技术发展史技术发展史 资料来源：计算机世界报，中信建投整理 现阶段，现阶段，CAD 行业最关键的技术包括

267、行业最关键的技术包括 CAD 数据交换技术、数据交换技术、CAD 接口与二次开发技术、三维几何建模引擎接口与二次开发技术、三维几何建模引擎技术、几何建模内核、几何约束求解技术等。技术、几何建模内核、几何约束求解技术等。在技术层面，2D CAD 端，国产 CAD 软件仍需使用海外企业指定的 2D CAD 软件标准；3D CAD 端，国产 CAD 软件 3D 建模能力不足，面临文件格式兼容性与市场专业化，市场份额仍被国外厂商垄断等一系列挑战。我们认为云化、平台化是我们认为云化、平台化是 CAD 发展的重要趋势。发展的重要趋势。在信息化技术爆炸式发展的时代，受移动互联网、云计算等新技术的影响，企业对

268、成本控制、工作效率提升、异地协同工作、跨企业、跨部门、跨专业协作的需求日益增强。一方面，软件产品和软件服务向基于云计算方向发展，以云设计、云管理、云试验、云分析、云服务等为核心的云端生态体系正加速形成；另一方面，软件产品和软件服务相互渗透，向一体化软件平台演变。从下游客户需求来看，基于云的一体化工业软件平台可集成设计数据等，既能解决企业及团队的办公需求，又能降低企业成本，带动全产业链管理、协作、数据分析等环节的高效实施，确保企业业务的高效运行。图表图表144：基于云架构的基于云架构的 CAD 的优势的优势 资料来源：华云三维，浩辰软件招股书,中信建投 61 行业深度报告 人工智能人工智能 请务

269、必阅读正文之后的免责条款和声明。CAD 与与 AI 结合是产业新趋势，可以提高设计效率、优化设计质量、创造新的设计形式。结合是产业新趋势，可以提高设计效率、优化设计质量、创造新的设计形式。第四范式的“式说”大模型是一个基于生成式 AI 的新型开发平台，具备文本、语音、图像、表格、视频等多模态交互及企业级Copilot 能力，以生成式 AI 重构企业软件（AI-Generated Software），提升企业软件的体验和开发效率。式说大模型可以用来辅助或自动生成 CAD 3D 模型，用户通过自然语言交互就可以调用工业软件的功能，辅助完成设计。图表图表145：第四范式“式说”大模型辅助工业设计第四

270、范式“式说”大模型辅助工业设计 资料来源：第四范式官网，中信建投 产品的开发流程需要高度的协同和效率，而数据一致性问题、工作效率低下、缺乏全局优化以及高沟通成产品的开发流程需要高度的协同和效率，而数据一致性问题、工作效率低下、缺乏全局优化以及高沟通成本，这些都阻碍了企业快速、准确地进行产品开发和制造。本，这些都阻碍了企业快速、准确地进行产品开发和制造。CAX 一体化具有以下特性，可以解决这些问题。一体化具有以下特性，可以解决这些问题。1）数据集成与共享：实现数据无缝对接，确保数据准确一致，避免转换丢失。2）流程自动化与优化：连接各环节，消除工作中断，减少重复工作，提升效率。3）跨环节协作与沟通

271、：设计师、分析师、工艺师、制造工程师可以在同一平台上协同工作，共享信息和数据。这大大降低了沟通成本，并减少了信息传递中的误解和丢失。4）全局优化与决策支持：实现产品整体优化，平衡性能与成本，助力企业决策。图表图表146：各企业各企业 CAX 一体化案例一体化案例 资料来源：各公司官网，中信建投 62 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。回望海外回望海外 CAD 龙头的发展史，可发现其竞争优势各异，但核心技术的发展与对于用户使用体验的关注是龙头的发展史，可发现其竞争优势各异，但核心技术的发展与对于用户使用体验的关注是共同主线。共同主线。海外三大 CAD 巨头中，达

272、索系统具有一体化+云化平台 3DEXPERIENCE，同时具有功能各异的几何内核 CGM+ACIS，由此产生差异化 CAD 产品 CATIA+SOLIDWORKS，共同推动其占领不同类型市场，取得领先地位。Autodesk 公司通过多次技术转型构造竞争壁垒，同时不断更新迭代产品应对需求，不断改革定价策略与商业模式以匹配其战略，实现蓬勃发展。西门子密切关注云化+平台化趋势，开发 Xcelerator 开放式数字商业平台，构造开放的生态体系，创建功能完善且用户体验良好的 CAD 软件。海外海外 CAD 龙头的并购史遵循三类并购逻辑。龙头的并购史遵循三类并购逻辑。1）在技术层面进行第一类并购，针对突

273、破核心技术的中小型公司，获取核心技术，提高竞争壁垒，进一步赋能产品研发。2）在市场层面进行第二类并购，针对具有垂直行业知识或在某垂直行业取得领先地位的中小型公司，开拓垂直市场，获取对应客群，节省落地成本。3）在生态层面进行第三类并购，针对生态链条上缺失的 ERP、MSE 等类型软件，完善生态系统，实现应用联动。图表图表147：海外海外 CAD 龙头并购逻辑龙头并购逻辑 资料来源：西门子官网，达索系统官网，Autodesk官网,中信建投整理 CAD 国内领先公司发展态势良好，包括中望软件、浩辰软件、华天软件、数码大方。国内领先公司发展态势良好，包括中望软件、浩辰软件、华天软件、数码大方。1)中望

274、软件是领先的All-in-One CAX 解决方案提供商，2D 领域具有自主内核产品平台 ZWCAD。3D 领域具有自主建模内核 CAX 一体化软件 ZW3D，产品达到第二阵营技术指标标准，处于国内领先地位，业绩发展良好，教育市场收入不断增加。2）浩辰软件具有内置协同设计，致力于打造一体化国产 2D CAD 解决方案，同时发展云端，致力于建设国内领先的云化 CAD 解决方案。2D CAD 为公司主要营收来源，未来看好云化 CAD 业务。3）华天软件具有完全自主产权，在模具行业处于领先地位，目前公司旗下有 CrownCAD、SINOVATION、Sview、SViewVIZ 等一系列功能强大的软

275、件产品，营收年化增速达 11.2%，有望继续增长。4）数码大方实现深度产教融合，坚持以“企业需求为导向，教学实训为中心”。重点公司推荐：重点公司推荐：中控技术中控技术：公司作为流程化工业龙头企业，持续推进“135 战略模式”，产品、技术及解决方案核心竞争力进一步加强，公司主业营收、订单保持高速增长，新兴行业拓展+海外拓张逻辑不断兑现，看好中控技术的中长期发展潜力。我们预计公司 2023-2024 年归母净利润为 10.3 和 13.0 亿，当前市值对应 PE 为 32x 和 26x，维持 63 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。“买入”评级。柏楚电子柏楚电子：

276、公司主营业务为激光切割控制系统，国内中低功率龙头，高功率与智能切割头份额快速提高；伴随国内制造业出海，海外市场成为业绩重要增长支柱；拓展焊接机器人领域，成长空间打开。中低功率地位稳固，平稳增长。激光加工方式向传统行业渗透的进程加速，钢结构、造船等行业开始创造新的需求，且主流切割功率段下限均有上移趋势。得益于行业性需求高涨与柏楚推行“高功率+切割头”王牌组合，加之国外高功率应用场景的持续拓展，高功率系统成为业绩增长贡献主力；焊接机器人布局充分，竞争优势显著：焊接工人缺口巨大且逐年加剧，免示教机器人具有较多替代优势。柏楚利用五大核心技术与 3D 切割技术横向布局焊接机器人赛道，研发免示教机器人以应

277、对非标焊接场景，是国内少数拥有完全自研能力的厂商，技术迭代能力强，是 AI 赋能工业的优秀标的。预计公司 2023-2025 年实现归母净利润分别为 7.03、9.61、13.10 亿元，同比分别+46.7%、+36.57%、+36.38%，对应 PE 48x、35x、26x。理工能科理工能科：聚焦电气与环保领域，完善软件生态、检测仪器迭代升级，受益于电网智能化升级。公司多年来在保持电力工程造价领域持续领先的地位的同时，致力于向三维设计、配电网智能巡检、基建全过程、设备精益化管理平台 PMIS3.0、电力物资智慧供应链解决方案、电力智慧工地等领域拓展，不断实现业务创新。此外，国产高端分析仪器大

278、环境也正逐渐改善,公司作为国产先进智能仪器的提供商，在智能仪器产品在电力、环保智能在线监测细分领域不断做专、做强。在工业+AI 大趋势下，工业垂直领域的智能化需求也有望进一步提高，公司有望不断提高市场份额。64 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。三、国产算力自主可控三、国产算力自主可控 随着大语言模型能力不断升级，生成式 AI 带来个人生产力革命，大语言模型爆发出巨大的应用潜力，模型参数持续提升带来更高的模型训练算力需求，大模型的商业化落地催生了更大的推理算力和通信能力需求。从需求端出发，我们测算了大模型带来的 GPU 增量空间。测算原理：测算原理：从模型的（

279、1）参数规模入手，根据（2）训练大模型所需的 Token 数量和（3）每 Token 训练成本与模型参数量的关系估算总算力需求，再考虑（4）单张 GPU 算力和（5）GPU 集群的算力利用率推导得出GPU 总需求。（1）参数规模：）参数规模：过去几年，大模型的参数量呈指数上升，GPT-3 模型参数量已达到 1750 亿。GPT-4 具有多模态能力，其参数量相比 GPT-3 会更大。我们在测算中假设 2023 年多模态大模型的平均参数量达到 10000亿个，之后每年保持 20%的增速；普通大模型的平均参数量达到 2000 亿个，之后每年保持 20%的增速。（2）训练大模型所需的）训练大模型所需的

280、 Token 数量数量：参数规模在千亿量级的自然语言大模型 GPT-3、Jurassic-1、Gopher、MT-NLG，训练所需的 Token 数量在千亿量级，而一些多模态大模型在训练过程中所需 Token 数据量也跟随参数量增长而增长，我们在测算中假设多模态大模型训练所需 Token 数量达到万亿级别，并且 Token 数量与模型参数规模保持线性增长关系。（3）每）每 Token 训练成本与模型参数量的关系：训练成本与模型参数量的关系：参考 OpenAI 发布的论文Scaling Laws for Neural Language Models中的分析，每个 token 的训练成本通常约为

281、6N，其中 N 是 LLM 的参数数量，我们在测算中遵循这一关系。（4）单张）单张 GPU 算力：算力：因为在训练大模型时，主要依赖可实现的混合精度 FP16/FP32 FLOPS，即 FP16 Tensor Core 的算力，我们在测算中选取 A100 SXM 和 H100 SXM 对应的算力 312 TFLOPS 和 990 TFLOPS 作为参数。（5）GPU 集群的算力利用率：集群的算力利用率：参考 Google Research 发布的论文PaLM:Scaling Language Modeling with Pathways中的分析，我们在测算中假设算力利用率约为 30%。其他基本

282、假设包括多模态研发厂商个数、普通大模型研发厂商个数等。根据所有假设及可以得到，根据所有假设及可以得到，2023 年年-2027 年，全球大模型训练端峰值算力需求量的年复合增长率为年，全球大模型训练端峰值算力需求量的年复合增长率为 78.0%。2023 年全球大模型训练端所需全部算年全球大模型训练端所需全部算力换算成的力换算成的 A100 总量超过总量超过 200 万张，新增市场需求空前旺盛。万张，新增市场需求空前旺盛。65 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表148：全球大模型训练所需算力全球大模型训练所需算力/AI 芯片数量测算芯片数量测算 2023E

283、 2024E 2025E 2026E 多模态大模型研发厂商个数多模态大模型研发厂商个数 5 8 10 13 同时训练模型数目 3 3 3 3 多模态大模型平均参数数量（亿个，N）15000 18000 21600 25920 YoY 20.00%20.00%20.00%训练 Tokens 数量（亿个）10000 12000 14400 17280 单个模型单 Token 训练所需运算次数（TFLOPS，6N）9.00 10.80 12.96 15.55 单模型所需算力（PFLOPS）9.0109 1.31010 1.91010 2.71010 假设单次训练所需时间（天）7 7 7 7 训练端峰

284、值算力需求（PFLOPs，单模型所需算力模型数量/（单次训练时间）223214.29 514285.71 925714.29 1732937.14 普通大模型研发厂商个数普通大模型研发厂商个数 15 20 25 30 同时训练模型数目 3 3 3 3 普通大模型平均参数数量（亿个，N）2000 2400 2880 3456 YoY 20.00%20.00%20.00%训练 Tokens 数量（亿个）4000 4800 5760 6912 单个模型单 Token 训练所需运算次数（TFLOPS-s，6N）1.20 1.44 1.73 2.07 单模型所需算力（PFLOPS）480000000 6

285、91200000 995328000 1433272320 假设单次训练所需时间（天）7 7 7 7 训练端峰值算力需求（PFLOPS，单模型所需算力模型数量/（单次训练时间）35714.29 68571.43 123428.57 213284.57 硬件算力效率 30%30%30%30%H100 SXM FP16 Tensor（TFLOPS）990 990 990 990 A100 SXM FP16 Tensor（TFLOPS）312 312 312 312 H100 需求总量（万张）（只考虑 H100 的情况下）87.18 196.25 353.25 655.29 A100 需求总量（万张

286、）（只考虑 A100 的情况下）276.63 622.71 1120.88 2079.30 H100 需求增量（万张）（只考虑 H100 的情况下）109.07 157.00 302.05 A100 需求增量（万张）（只考虑 A100 的情况下）346.08 498.17 958.42 资料来源：OpenAI，Google Research，NVIDIA，中信建投 66 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。3.1 国产算力迎来高速发展期国产算力迎来高速发展期 2023 年 10 月 17 日美国商务部和安全局（BIS）发布一揽子规则，旨在更新对中国的先进计算芯片

287、的出口管制。出口管制清单 CCL 中的 ECCN 3A090 修正，该规则将于 2023 年 11 月 16 日起生效。以下条件，满足一个就受到出口限制：3A090a：针对最高性能芯片(1):TPP 超过 4800(2):TPP 超过 1600，且 PD 超过 5.92。3A090b：针对次高性能芯片(1):TPP 处于2400,4800)，且 PD 处于1.6,5.92)；(2):TPP 在1600,+）区间，且 PD 处于3.2.5.92）区间。其中 TPP 为总算力性能，PD 为性能密度，性能密度定义为：总处理性能/芯片面积。图表图表149：2022 年年 10 月的芯片限制范围月的芯片

288、限制范围 图表图表150：2023 年年 10 月的芯片限制范围月的芯片限制范围 资料来源：semianlysis，中信建投 资料来源：semianlysis，中信建投 2023 年 10 月 17 日的芯片出口管制禁令更为严格，虽然消除了之前的带宽限制，但是算力限制更为严格。主流的英伟达 H100、H800、A100、A800、L40S、RTX4090 等均在出口管制范围内。图表图表151：出口管制下的各类先进出口管制下的各类先进 AI 芯片芯片 资料来源：semianlysis，中信建投 67 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。英伟达和英伟达和 AMD 是

289、目前全球是目前全球 GPGPU 的领军企业。的领军企业。英伟达的通用计算芯片具备优秀的硬件设计，通过 CUDA架构等全栈式软件布局，实现了 GPU 并行计算的通用化，深度挖掘芯片硬件的性能极限，在各类下游应用领域中，均推出了高性能的软硬件组合，逐步成为全球 AI 芯片领域的主导者。AMD 2018 年发布用于数据中心的Radeon Instinct GPU 加速芯片，Instinct 系列基于 CDNA 架构，如 MI250X 采用 CDNA2 架构，在通用计算领域实现计算能力和互联能力的显著提升，此外还推出了对标英伟达 CUDA 生态的 AMD ROCm 开源软件开发平台。国内国内 AI 芯

290、片厂商正逐步缩小与英伟达、芯片厂商正逐步缩小与英伟达、AMD 的差距，出口管制下国产芯片快速发展势在必行。的差距，出口管制下国产芯片快速发展势在必行。英伟达凭借其硬件产品性能的先进性和生态构建的完善性处于市场领导地位，国内厂商虽然在硬件产品性能和产业链生态架构方面与前者有所差距，但正在逐步完善产品布局和生态构建，不断缩小与行业龙头厂商的差距。国内主要 AI 芯片包括昇腾、寒武纪、海光信息、天数智芯等。图表图表152：国内外国内外 AI 芯片性能参数比对芯片性能参数比对 型号型号 V100 SXMV100 SXM A100 SXMA100 SXM H100 SXMH100 SXM H200 SX

291、MH200 SXM 华为华为 910B910B 寒武纪思元寒武纪思元370370-X8X8 壁砺壁砺 100P100P 天数智芯天垓天数智芯天垓100100 发布时间发布时间 2017 2020 2022 2023 2023 2021 2022 2021 制程制程 12nm 7nm 4nm 4nm-7nm 7nm 7nm FP64FP64 7.8 TFLOPS 9.7 TFLOPS 34 TFLOPS 34 TFLOPS-FP32FP32 15.7 TFLOPS 19.5 TFLOPS 67 TFLOPS 67 TFLOPS-FP16FP16 31.3 TFLOPS 78 TFLOPS 267

292、.6 TFLOPS 267.7 TFLOPS-FP64 TensorFP64 Tensor-9.75 TFLOPS 67 TFLOPS 67 TFLOPS-TF32 TensorTF32 Tensor-156 TFLOPS 495 TFLOPS 495 TFLOPS 94 TFLOPS 24 TFLOPS 256 TFLOPS 37 TFLOPS BF16 TensorBF16 Tensor-312 TFLOPS 990 TFLOPS 990 TFLOPS-96 TFLOPS 512 TFLOPS 147 TFLOPS FP16 TensorFP16 Tensor 125 TFLOPS 312

293、 TFLOPS 990 TFLOPS 990 TFLOPS 320 TFLOPS 96 TFLOPS 1024 TFLOPS 147 TFLOPS INT8 TensorINT8 Tensor-624 TOPS 1979 TOPS 1980 TOPS-256 TFLOPS 2048 TFLOPS 295 TFLOPS 显存类型显存类型 HBM2 HBM2e HBM3 HBM3e HBM2e GDDR5 HBM2e HBM2 显存容量显存容量 16/32 GB 40/80 GB 80 GB 141 GB 64 GB 48 GB 64 GB 32 GB 显存带宽显存带宽 900 GB/s 1.56

294、/2.04 TB/s 3.35 TB/s 4.8 TB/s-614 GB/s 1.14 TB/s 1.2 TB/s NVLinkNVLink NVLink2:300GB/s NVLink3:600GB/s NVLink4:900GB/s NVLink4:900GB/s-PCIePCIe Gen3:32 GB/s Gen4:64 GB/s Gen5:128 GB/s Gen5:129 GB/s 392 GB/s-512 GB/s Gen4:64 GB/s TDPTDP 300 W 400 W 700 W 701 W 400 W-550 W-资料来源：各公司官网，公告，中信建投 3.2 服务器：服

295、务器：AI 时代全球服务器市场高速增长时代全球服务器市场高速增长 3.2.1 AI 时代全球服务器市场高速增长，时代全球服务器市场高速增长，AI 服务器出货量占比进一步提升服务器出货量占比进一步提升 AI 服务器为算力基础设施最重要硬件之一，与普通服务器的绝大多数空间分配给服务器为算力基础设施最重要硬件之一，与普通服务器的绝大多数空间分配给 CPU 相比，相比，AI 服务器服务器采用异构形式，可根据应用的范围采用不同的组合方式，一般采取采用异构形式，可根据应用的范围采用不同的组合方式，一般采取 CPU+多颗多颗 GPU 的架构，也有的架构，也有 CPU+TPU、CPU+其他的加速卡等组合。相较

296、普通服务器，其他的加速卡等组合。相较普通服务器，AI 服务器更擅长并行运算，具有高带宽、性能优越、能耗低等服务器更擅长并行运算，具有高带宽、性能优越、能耗低等 68 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。优点。优点。对比 CPU 和 GPU 的内部架构，CPU 采用整块的 ALU(运算单元)，且大量空间用于控制单元和缓存，串行计算能力强；而 GPU 采用分立的大量 ALU，很少空间分配给控制单元和缓存，并行计算能力强。而由于图像识别、视觉效果处理、虚拟现实、大模型训练等任务都包含大量的简单重复计算、矩阵计算等，更适合用搭载 GPU 更多的异构型 AI 服务器进行处

297、理，而随着企业的智能化变革和通用大模型的兴起，以 GPU 为核心的异构型 AI 服务器将在算力基础设施建设中占据愈发重要的地位。图表图表153：GPU 与与 CPU 产品特点产品特点 图表图表154：GPU 与与 CPU 内部结构内部结构 GPUGPU CPUCPU 核心数量核心数量 数千个加速核心（双卡 M40高达 6144 个加速核心）几十个核心 产品特点产品特点 高效众多的运算单元（ALU）支持并行处理；多线程已达到超大并行吞吐量 复杂的逻辑控制单元；强力的运算单元 适用场景适用场景 计算密集、易于并行的程序 逻辑复杂、串行计算的程序 资料来源：IDC，中信建投 资料来源：IDC，中信建

298、投 IDC 预计，全球 AI 服务器市场将从 2022 年的 195 亿美元增长到 2026 年的 347 亿美元，五年年复合增长率达 17.3%；其中，用于运行生成式人能的服务器市场规模在整体人工智能服务器市场的占比将从 2023 年的 11.9%增长至 2026 年的 31.7%。随着数据量的持续提升，大模型参与玩家和单个模型参数量提升，以及数字化转型推进等多因素影响，AI 服务器市场规模将继续保持较快增长；2022 年中国 AI 服务器市场规模 67 亿美元，同比增长 24%。其中 GPU 服务器占据主导地位，市场份额为 89%至 60 亿美元。同时，NPU、ASIC 和 FPGA 等非

299、 GPU加速服务器以同比 12%的增速占有了 11%的市场份额，达到 7 亿美元。预计 2023 年，中国人工智能服务器市场规模将达 91 亿美元，同比增长 82.5%，2027 年将达到 134 亿美元，五年年复合增长率为 21.8%。图表图表155：全球人工智能服务器市场规模预测全球人工智能服务器市场规模预测 图表图表156：中国人工智能服务器工作负载预测中国人工智能服务器工作负载预测 资料来源：IDC，中信建投 资料来源：IDC，中信建投 从工作负载来看，2023 年，大模型的兴起推动了训练服务器的增长速度。IDC 数据显示，中国 2023 上半年训练工作负载的服务器占比达到 49.4%

300、，预计全年的占比将达到 58.7%。随着训练模型的完善与成熟，模型和8203590236740500000002500030000350004000020222023202420252026G-AIOther AI42%59%32%31%30%27%58%41%68%69%71%73%0%20%40%60%80%100%202220232024202520262027训练推理 69 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。应用产品逐步进入投产模式，处理推理工作负载的人工智能服务器

301、占比将随之攀升。IDC 预计，到 2027 年，用于推理的工作负载将达到 72.6%。另一方面，另一方面，AI 算力高景气带动算力高景气带动 AI 服务器需求端爆发式增长，也体现在服务器需求端爆发式增长，也体现在 AI 服务器厂商订单端。服务器厂商订单端。浪潮信息提到一季度以来 AI 服务器市场迎来明显增长，客户关注点由价格转向能否及时满足自身需求；紫光股份在互动回复中提到 AI 服务器订单今年一季度有很大提升，产能满足市场需求不存在问题，针对 GPT 场景优化的 GPU服务器已经完成开发；联想集团预期新财年 AI 服务器收入增速将显著快于通用服务器，带动 ISG 部门营收增长超市场平均水平；

302、中科曙光深度布局算力领域，包括上游芯片、中游服务器解决方案、液冷技术、以及下游算力调度等业务，公司于投资者互动平台多次回复，会根据用户需求提供通用算力和智能算力产品及服务，随着我国算力需求的增长，各类产品销售均呈现增长态势，伴随我国人工智能技术和产业的发展，预计智能计算产品需求将逐步提升。3.2.2 AI 服务器市场集中度有望提升，国内厂商呈现一超多强格局服务器市场集中度有望提升，国内厂商呈现一超多强格局 据 IDC 数据，2022 年上半年全球 AI 服务器市场中，浪潮信息、戴尔、惠普、联想、新华三分别以 15.1%、14.1%、7.7%、5.6%、4.7%的市场份额位居前五位。市场格局相对

303、分散，龙头厂商份额较为接近。此外，由于以北美云厂商为主的需求方偏向于采用 ODM 模式，因此非品牌商份额占比较高，接近 50%。据 IDC 数据，2022 年我国 AI 服务器市场按销售额统计市场份额中，浪潮信息、新华三、宁畅位居前三位，市场份额分别为 47%、11%、9%。市场格局呈现一超多强局面，除浪潮外其与厂商份额相对接近。由于国内头部厂商采用类 ODM 模式服务互联网客户，因此 ODM 厂商份额占比偏低。图表图表157：2022 年上半年全球年上半年全球 AI 服务器市场份额服务器市场份额 图表图表158：2022 年中国年中国 AI 服务器市场份额服务器市场份额 资料来源：IDC，中

304、信建投 资料来源：IDC，中信建投 浪潮,15.10%戴尔,14.10%惠普,7.70%联想,5.60%新华三,4.70%IBM,3.90%思科,2.30%甲骨文,1.00%富士通,0.50%其他,45.10%浪潮,47%新华三,11%宁畅,9%安擎,7%坤前,6%华为,6%宝德,5%思腾合力,2%其他,7%70 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。四、大模型技术基座国产化四、大模型技术基座国产化 4.1 EDA 算法国产替代算法国产替代 EDA 板块：增速稳定、高壁垒、高估值板块。板块：增速稳定、高壁垒、高估值板块。1）增速稳定：EDA 公司商业模式大多数为按

305、年付费，一般收费在 IC 设计公司收入的 1%-3%之间，占 IC 公司收入比重较低，并且 EDA 公司议价权较高，因此对于成熟稳定的客户，每年给 EDA 公司付费基本稳定或者略有增长，商业模式和高壁垒决定了 EDA 公司受下游需求波动影响较小。EDA 行业增长一是受益于 IC 设计门槛降低，IC 公司数量越来越多，二是 IC 品类不断拓张，比如第三代半导体的出现，三是伴随着先进制程迭代，产品复杂度提高带来的单价提升。加上盗版等因素的存在，实际上有部分需求并未体现在 EDA 公司收入中，通过盗版的不断转化，EDA 龙头公司中长期均保持稳定增长。2）高壁垒；技术壁垒本身较高，需要强大的数学物理基

306、础理论支撑，对算法要求很高。同时用户协同壁垒较高，制造、设计、EDA 厂商三方形成稳定的生态圈，新进入者极难打破。因此，高壁垒以及良好的业务稳定性和成长性，使得 EDA 公司如新思科技、Cadence 在美股半导体板块中估值一直相对较高。图表图表159：EDA 板块投资逻辑板块投资逻辑 资料来源：中信建投 EDA 行业保持稳定增长行业保持稳定增长，国内增速更快。，国内增速更快。根据赛迪数据，2020 年全球 EDA 行业实现总销售额 72.3 亿美元，同比增长 10.7%。预计至 2024 年，全球市场规模有望达到 105 亿美元，2020-2024 年复合年均增长率为 7.8%。2020 年

307、国内 EDA 市场规模为 66.2 亿，预计至 2024 年，我国 EDA 工具市场规模有望达到 115 亿元人民币，2020至 2024 年的市场规模符合年均增长率近 17%。71 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。图表图表160：全球全球 EDA 市场销售额市场销售额 图表图表161：中国中国 EDA 市场销售额市场销售额 资料来源：ESD Alliance，中信建投 资料来源：赛迪智库，中信建投 EDA 结合人工智能是趋势。结合人工智能是趋势。EDA 问题具有高维度、不连续、非线性和高阶交互的特性，机器学习等算法能够显著提高 EDA 的自主程度，提升 I

308、C 设计效率，缩短研发周期。人工智能赋能 EDA 主要从 Inside 和 Outside两方面实现，从 Inside 方面，通过机器学习对 DRC、能耗、时序等预测，在参数模型建立过程中实现参数的优化，同时实现更高效的物理空间设计。Outside 方面，通过机器学习方式，减少人工干预，极大释放劳动力。图表图表162：AI 在多方面赋能在多方面赋能 EDA 设计设计 资料来源：知乎，中信建投 EDA巨头积极进行人工智能与芯片设计的深度融合。巨头积极进行人工智能与芯片设计的深度融合。EDA巨头Cadence发布了内嵌人工智能算法的Innovus，Project Virtus，Signoff Ti

309、ming 等工具，实现了全流程数字化智能化。Mentor 通过机器学习 OPC 将光学邻近效应修正(OPC)输出预测精度提升到纳米级，同时将执行时间缩短 3 倍。Synopsys 推出业界首个用于芯片设计的自主人工智能应用程序DSO.aiTM。英伟达发布大语言模型 ChipNeMo，辅助工作人员完成与芯片设计相关的任务，可以回答有关芯片设计的一般问题、总结 bug 文档，以及为 EDA 工具编写脚本等。国产国产 EDA 产商迎来新战略机遇期。产商迎来新战略机遇期。目前全球 EDA 工具上大约有近百家，排名前三的公司分别是新思科技（Synopsys）、铿腾电子（cadence）和明导（Mento

310、r），三家巨头占据着全球近 7 成左右的市场份额，在中国的市占率更是超过 95%。2022 年 8 月生效的2022 芯片与科学法案对 EDA 软件进行了出口管制，在中美贸易战、科技战持续深化的背景下，加强对卡脖子的关键核心技术研发的支持成为半导体领域的重点，半导体芯片62.265.372.35.0%10.7%0%2%4%6%8%10%12%5560657075201820192020全球EDA市场销售额（亿美元）增长率（%）44.955.266.222.9%19.9%18.0%19.0%20.0%21.0%22.0%23.0%24.0%0070201820192020我

311、国EDA市场销售额（亿元）同比增速 72 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。的软硬件国产化比例不断提升，芯片核心技术自主可控势在必行，国产 EDA 厂商迎来重要的发展机遇。重点推荐重点推荐：华大九天华大九天：华大九天模拟全流程工具不断成熟，公司份额有望持续提升。公司数字 EDA 工具由点及面，未来成长可期。公司未来将加大在数字前端逻辑综合、布局布线、后端物理仿真及验证等方面的布局，产品丰富度将实现由点及面。预计公司 2023-2024 归母净利润 2.51、3.22 亿元，对应当前股价 PE 分别为 215X、167X，维持“买入”评级。广立微广立微：WAT

312、测试设备技术积淀深厚，具备核心技术卡位，国内晶圆厂扩产带动 WAT 测试设备快速放量；半导体产线良率提升需求旺盛，公司的良率提升软件市场份额稳步提升。公司在 EDA 软件和电性测试方面都取得了产品品类的多元化拓展，成长空间将持续打开。预计公司 2023-2024 归母净利润 1.98、3.55 亿元，对应当前股价 PE 分别为 82X、46X，维持“买入”评级。73 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。五、五、风险分析风险分析 北美经济衰退预期逐步增强，宏观环境存在较大的不确定性，国际环境变化影响供应链及海外拓展；芯片紧缺可能影响相关公司的正常生产和交付，公司出

313、货不及预期；信息化和数字化方面的需求和资本开支不及预期；市场竞争加剧，导致毛利率快速下滑；主要原材料价格上涨，导致毛利率不及预期；汇率波动影响外向型企业的汇兑收益与毛利率；大模型算法更新迭代效果不及预期，可能会影响大模型演进及拓展，进而会影响其商业化落地等；汽车与工业智能化进展不及预期等。74 行业深度报告 人工智能人工智能 请务必阅读正文之后的免责条款和声明。分析师介绍分析师介绍 于芳博：于芳博：中信建投人工智能组首席分析师，北京大学空间物理学学士、硕士，2019 年7 月加入中信建投，主要覆盖人工智能等方向，下游重点包括智能汽车、CPU/GPU/FPGA/ASIC、EDA 和工业软件等方向

314、。行业深度报告 人工智能人工智能 评级说明评级说明 投资评级标准 评级 说明 报告中投资建议涉及的评级标准为报告发布日后 6个月内的相对市场表现，也即报告发布日后的 6 个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。A 股市场以沪深300 指数作为基准；新三板市场以三板成指为基准；香港市场以恒生指数作为基准；美国市场以标普 500 指数为基准。股票评级 买入 相对涨幅 15以上 增持 相对涨幅 5%15 中性 相对涨幅-5%5之间 减持 相对跌幅 5%15 卖出 相对跌幅 15以上 行业评级 强于大市 相对涨幅 10%以上 中性 相对涨幅-10-10%之间 弱于大

315、市 相对跌幅 10%以上 分析师声明分析师声明 本报告署名分析师在此声明：（i）以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告,结论不受任何第三方的授意或影响。（ii）本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。法律主体说明法律主体说明 本报告由中信建投证券股份有限公司及/或其附属机构（以下合称“中信建投”）制作，由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格，本报告署名分析师所持中国证券业协会授予的证券投资咨询执

316、业资格证书编号已披露在报告上海品茶。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。本报告作者所持香港证监会牌照的中央编号已披露在报告上海品茶。一般性声明一般性声明 本报告由中信建投制作。发送本报告不构成任何合同或承诺的基础，不因接收者收到本报告而视其为中信建投客户。本报告的信息均来源于中信建投认为可靠的公开资料，但中信建投对这些信息的准确性及完整性不作任何保证。本报告所载观点、评估和预测仅反映本报告出具日该分析师的判断，该等观点、评估和预测可能在不发出通知的情况下有所变更，亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门、人员口头或书面表达的意见

317、不同或相反。本报告所引证券或其他金融工具的过往业绩不代表其未来表现。报告中所含任何具有预测性质的内容皆基于相应的假设条件，而任何假设条件都可能随时发生变化并影响实际投资收益。中信建投不承诺、不保证本报告所含具有预测性质的内容必然得以实现。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况，报告接收者应当独立评估本报告所含信息，基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。中信建投建议所有投资者应就任何潜在投资向其税务、会计或法律顾问咨询。不论报告接收者是否根据本报告做出投资决策，中信

318、建投都不对该等投资决策提供任何形式的担保，亦不以任何形式分享投资收益或者分担投资损失。中信建投不对使用本报告所产生的任何直接或间接损失承担责任。在法律法规及监管规定允许的范围内，中信建投可能持有并交易本报告中所提公司的股份或其他财产权益，也可能在过去 12 个月、目前或者将来为本报告中所提公司提供或者争取为其提供投资银行、做市交易、财务顾问或其他金融服务。本报告内容真实、准确、完整地反映了署名分析师的观点，分析师的薪酬无论过去、现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系，分析师亦不会因撰写本报告而获取不当利益。本报告为中信建投所有。未经中信建投事先书面许可，任何机构和/或个人不

319、得以任何形式转发、翻版、复制、发布或引用本报告全部或部分内容，亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本报告全部或部分内容。版权所有，违者必究。中信建投证券研究发展部中信建投证券研究发展部 中信建投（国际）中信建投（国际）北京 上海 深圳 香港 东城区朝内大街2 号凯恒中心B座 12 层 上海浦东新区浦东南路528号南塔 2103 室 福田区福中三路与鹏程一路交汇处广电金融中心 35 楼 中环交易广场 2 期 18 楼 电话：（8610）8513-0588 电话：（8621）6882-1600 电话：（86755）8252-1369 电话：（852）3465-5600 联系人：李祉瑶 联系人：翁起帆 联系人：曹莹 联系人：刘泓麟 邮箱： 邮箱： 邮箱： 邮箱：charleneliucsci.hk