1、 1/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 行业研究报告 慧博智能投研 ChatGPT行业深度：行业深度：产业发展现状、商业进产业发展现状、商业进程程、产业链及相关企业深度梳理、产业链及相关企业深度梳理 近期由 OpenAI 团队发布的聊天机器人软件 ChatGPT，凭借类人的语言理解和表达能力，引发 AI 产业范式革命。其在文书写作、代码编写和 debug、方案设计等诸多场景中展现的强大能力，使大家相信在不久的将来 AI 将会成为重要的生产力工具。ChatGPT 强大的能力使其开放测试不到一周用户便突破了百万级别，超越 Instagram、Spot

2、ify、Facebook 等成为最快突破百万应用的服务。而根据 UBS 的报告显示，ChatGPT 的月活跃用户在上线两个月后便达到了 1 亿人，成为历史上增长最快的消费者应用程序。在此之前，TikTok 用了 9 个月时间跨过 1 亿用户门槛，Instagram 则用了 30 个月，WhatsApp 和 Meta则分别用了 42 个月和 54 个月，Twitter 更是用了 60 个月完成这一目标。用户量的快速增长提供了大量的反馈，这将加速 ChatGPT 的改进优化，但同时也将带来巨额的计算成本，促使 OpenAI 加速ChatGPT 的商业变现进程。ChatGPT 为何广受关注？其技术路

3、径怎样？相关产业发展现状如何？商业化进程已到什么程度？其产业相关产业链及重点企业又有哪些？发展前景如何？我们带着这些疑问，一起探究 ChatGPT 的相关问题。目录目录 一、ChatGPT 概况.1 二、技术发展路径.5 三、产业发展现状.8 四、破局：打开 AIGC 应用新局面.13 五、商业进程分析.16 六、相关产业链及重点企业梳理.18 七、市场前景展望.24 八、参考研报.25 一、一、ChatGPT 概况概况 1、定义：、定义：基于大语言模型（基于大语言模型（LLM）的对话模型）的对话模型 ChatGPT 是是 OpenAI 公司推出的全新聊天机器人模型公司推出的全新聊天机器人模型

4、。可以实现像人一样的交流，甚至完成写邮件、文案创作等功能。ChatGPT 基于 transformer 模型，通过引入人类反馈的强化学习（RLHF），大幅提 2/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 高了 AI 在人机对话时的准确度和可控性。与其他 AI 对话机器人相比，ChatGPT 具有强大的语言理解能力和更丰富的语言表达能力，并且能够生成更自然、更流畅的文本，可以回答非常复杂的推理问题。ChatGPT 注册用户突破注册用户突破 1 亿，成为史上亿，成为史上成长最快的消费者应用成长最快的消费者应用。2022 年 11 月底，由 OpenAI 开发

5、的人工智能对话聊天机器人 ChatGPT 推出，并迅速在社交媒体上走红，5 天注册用户数就超过 100 万，两个月后，注册用户突破 1 亿。根据数据分析公司 Similarweb 的数据，ChatGPT 成为史上增长最快的消费者应用，1 月份平均每天有超过 1300 万名独立访问者使用 ChatGPT，是 12 月份的两倍多。2、ChatGPT 核心功能与核心功能与局限性局限性（1）核心功能）核心功能 ChatGPT 持续引爆持续引爆 AI 应用热潮，是一项突破式的创新技术应用热潮，是一项突破式的创新技术。其具有强大的核心能力：问题的理解能力大幅提升，提升了模型和人类意图的一致性，具有记忆能力

6、，可以实现连续多轮对话；结果的准确性大幅提升，主要表现在回答的更加全面，同时可以主动承认错误、发现无法回答的问题；具备识别非法和偏见的机制，针对不合理提问提示并拒绝回答；理解用户需求并创造内容，甚至可以协助进行代码编写。ZViZrUiWuXaXwOuM8OaO6MtRoOpNpMeRmMoMiNnMtP6MrRyRMYpNrMxNnPtP 3/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 ChatGPT 的出现将的出现将 AI 生成推到了前台，但生成推到了前台，但 ChatGPT 只是只是 AI 生成模型的一种生成模型的一种。海外学者 Roberto和 Ed

7、uardo 将 AI 生成模型分成 9 大类，内容形态包括图像、视频、音频、文本、3D 模型等。（2）局限性局限性 ChatGPT 目前使用有局限性，模型仍有优化空间。ChatGPT 模型的能力上限，很大程度是由奖励模型决定，该模型需要巨量的语料来拟合真实世界，对标注员的工作量以及综合素质要求较高。当前ChatGPT 可能会出现“创造不存在的知识”、“主观猜测提问者意图”等问题，模型的优化将是一个持续的过程。3、发展瓶颈：人工智能的安全性和伦理约束发展瓶颈：人工智能的安全性和伦理约束 4/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 ChatGPT 本身的缺

8、陷或许可以通过收集更多、更丰富的语料库，提高训练和优化的效率和质量，以及开发人工智能检查和修改的工具来改善，但是更深层次的，ChatGPT 引起了人们对引起了人们对 AIGC 行业中安全性、行业中安全性、伦理约束和创造力的思考伦理约束和创造力的思考。由于 RLFH 并不能完全避免 ChatGPT 训练库中学习到的不道德或有偏见的回答，也会导致在模糊提示或引导回答的过程中，让 ChatGPT 输出一些有害信息，导致输出结果的安全性降低。由于人工智能缺乏对伦理和常识的价值判断能力，也没有有效的约束方式，一旦模型存在不安全输出的可能性，ChatGPT 将容易被滥用。因此，为了提高 ChatGPT 输

9、出内容的真实性和安全性，减少或拒绝有害信息的输出，在 ChatGPT 模型中添加限制或内置“内容安全过滤”模块是必要的。目前 OpenAI 正在进行相关研究，增强 GPT 系统对用户意图的理解，并视情况筛选指令执行，推动自然语言交互工具的安全性提高。此外，在创造性、创作伦理和知识产权等方面并未形成有效界定在创造性、创作伦理和知识产权等方面并未形成有效界定。在数据挖掘、大规模计算、统计、多线程工作等数据处理分析领域，人工智能有着人类不可比拟的优势，但是以“创新和感知”为基础的创造过程是机器学习和模型难以训练的。目前 ChatGPT 能够在用户的引导下快速生成小说、诗歌、散文、编程等需要创造力的内

10、容，或许将对创作者和以版权为基础的行业造成冲击。文本生成的过程是基于数据库内容的学习，这是否会构成对被抓取作品的侵权，ChatGPT 生成的文本内容是否具有著作权，是否属于该用户等等一系列问题的答案尚不明确。4、技术拐点：基于人类反馈的强化学习技术拐点：基于人类反馈的强化学习 ChatGPT 受到广泛认可的重要原因是引入新技术 RLHF（Reinforcement Learning with Human Feedback），即基于人类反馈的强化学习。RLHF 解决了生成模型的一个核心问题alignment（对齐），即如何让人工智能模型的产出和人类的常识、认知、需求、价值观保持一致。为实现 Ch

11、atGPT模型训练，需要以下三个步骤：根据采集的数据集对根据采集的数据集对 GPT-3 进行有监督的微调（进行有监督的微调（SFT）：由人工智能训练师提供对话，在对话中他们扮演用户和人工智能助手。训练师根据模型编写的建议，编写自己的回答。将这个新的对话数据集与Instruct-GPT 数据集混合，并将其转换为对话格式；收集人工标注的对比数据，训练奖励模型（收集人工标注的对比数据，训练奖励模型（Reword Model，RM）：收集人工智能训练师与聊天机器人的对话，并让训练师对模型的不同回复进行排名。利用奖励模型，可以使用近端策略优化对模型进行微调。最后对以上过程进行多次迭代计算；使用使用 RM

12、 作为强化学习的优化作为强化学习的优化目标，利用目标，利用 PPO 算法微调算法微调 SFT 模型模型：再次随机挑选人类提问，并基于PPO 的强化学习算法对监督训练后精调过的模型进行再次微调。将挑选的问题输入 PPO 模型，并用RM 奖励信号对模型进行训练。5/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 二、技术发展路径二、技术发展路径 ChatGPT 的名称来源于它所使用的技术架构 GPT，即 Generative Pre-trained Transformer，是一种强大的生成式预训练语言模型，能够完成复杂的自然语言处理领域（NLP）的任务，例如文本生

13、成、机器翻译、代码生成、问答、对话 AI 等。GPT 模型在上述任务中并不需要监督学习，但模型训练过程需要庞大的训练语料、模型参数和强大的计算资源。在结构上，GPT 基于堆叠的 Transformer 组件进行编解码，通过提升训练语料的规模和质量、提升网络参数数量来完成 GPT 系列的迭代过程。近五年来 GPT的发展过程也证明了：模型能力的提高与参数量和预训练数据量有直接关联。1、技术迭代技术迭代（1）GPT 初代：无监督的预训练结合有监督的模型微调初代：无监督的预训练结合有监督的模型微调 2018 年，在自然语言处理领域（NLP）刚兴起时，OpenAI 就推出了初代 GPT，它的运行逻辑是：

14、先通过无标签数据学习生成语言模型，并能够运用于一些与有监督任务无关的 NLP 任务中。此后再根据特定的下游任务进行有监督的微调，提高其泛化能力。常用的有监督任务主要有：6/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 自然语言推理（Natural Language Inference）：判断两个句子的关系，是包含关系、矛盾关系或者中立关系；问答和常识推理（Question answering and commonsense reasoning）：通过输入的文章和若干个问题及其候选答案，输出为每个答案的预测概率；语义相似度（Semantic Similarit

15、y）：判断两个句子是否语义相关；分类（Classification）：判断输入文本的指定类别。在经过有监督的微调后，GPT-1 的泛化能力会得到明显提升，且随着训练次数的增加，GPT-1 的性能逐步提升。但是初代 GPT 仅仅使用了解码器 decoder部分，其 transformer 结构中对于词向量的学习能力得到发挥，能够实现较好的语言理解，适用于文本生成领域，但在通用语言和会话交流方面，还有较大的欠缺。（2）GPT-2：扩展了网络参数和数据集，进行多任务学习：扩展了网络参数和数据集，进行多任务学习 相较于初代 GPT，2019 年推出的 GPT-2 整体上结构和设计没有变化，但学习目标是

16、使用无监督的预训练模型作为有监督学习的任务，其核心逻辑在于让所有有监督学习成为无监督语言模型的子集。换言之，GPT-2 可以在数据量足够丰富且模型容量足够大时，通过训练语言模型就能够完成有监督学习的任务。实际训练中，GPT-2 和 GPT 初代不同点在于：更广泛的信息来源更广泛的信息来源：在预训练时扩充 NLP 任务的数据集到 40G；更庞大的网络参数更庞大的网络参数：将 transformer 的层数增加到 48，隐层（hiddenlayer）维度扩展到 1600，实现了15 亿的参数量；不再针对不同的任务建模微调（不再针对不同的任务建模微调（finetune）：将机器翻译、自然语言推理、语

17、义分析、关系提取等 10类任务统一建模为一个分类任务，让模型在预训练中自己识别任务。在性能方面，GPT-2 可以在多个特定的语言场景下良好地完成 NLP 任务，除了语言理解能力外，还可以胜任翻译生成、故事编写、总结摘要等。这些能力基于海量数据和大量参数训练的词向量模型，不需要监督微调和额外的训练即可迁移，基本实现了元学习（meta-learnnig）。同时，GPT-2 能够让数据库中词向量包含的信息在多任务中通用，实现了信息脱离具体的 NLP 任务存在，也证明了随着模型容器和数据量扩充，GPT 的无监督学习具有很大的提升空间。（3）GPT-3：海量参数，成就最强大的语言模型：海量参数，成就最强

18、大的语言模型 对比 GPT-2，2020 年推出的 GPT-3 最显著的特征是庞大的数据量和参数投入，整体训练过程耗资1200 万美元，投入数据量达上万亿，模型参数量达到 1750 亿。虽然 GPT-3 延续了前两代 GPT 的技术架构，但改变了“大规模数据集预训练+下游数据标注微调”的方式，采用情境学习（in-context learning）来提高模型对话输出的性能。基于情境学习对于模型的引导，GPT-3 在示例学习（X-shot learning）中提升回答的准确性。在训练过程中，few-shot learning 将提供 10-100 个示例和任务描述供模型学习；one-shot la

19、erning 提供 1 个示例描述；zero shot 则不提供示例，只是在测试时提供任务相关的具体描述。这三种学习方式的效果与模型容量成正相关，且多个示例学习的增强效果高于单个示例或不提供示例。换言之，在超大模型的训练下，GPT-3 的匹配正确答案的准确率大幅提升。在现存大量语言模型中，GPT-3 的规模和语言能力几乎是最强大的。它能在不做 fine tuning 的情况下，在一些传统的 NLP 任务中表现得更好，包括实现闭卷问答、模式解析、纯语言建模、机器翻译等；在新的领域，GPT-3 将 NLP 的应用扩展到缺乏足够训练数据的领域，例如在开发程序代码、文章生成和 7/25 2023 年年

20、 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 信息检索领域取得了实质性的进展。此外，在 UI 设计、图像生成和艺术创作等领域，GPT-3 的功能也更加强大，可以不经过微调就补全图像样本，或者实现简单的视图交互设计，将应用领域从语言处理领域逐渐拓宽，实现了从语言到图像的转向。然而，然而，GPT-3 在推理和理解能力上还有较长的路要走在推理和理解能力上还有较长的路要走。在自然语言推理（NLI）中重点关注句子之间的关系，由于 GPT-3 的阅读理解性能存在一定缺陷，在 NLI 任务中表现不佳；类似的，在物理、科学的常识推理技能表现中也存在一定问题。（4）InstructGPT 和和

21、ChatGPT：更好的遵循用户意图，更少的虚假信息：更好的遵循用户意图，更少的虚假信息 相较于 GPT-3，OpenAI 在 2022 年初发布了 InstructGPT。该语言模型在 GPT-3 的基础上进行微调，并在工作原理上增加了对齐研究，强化 InstructGPT 模型的语义理解；同时，通过“基于人类反馈的强化学习（RLHF）和监督学习”来提高输出质量。具体地，开发人员可以将训练划分为三个阶段：第一阶段：冷启动阶段的策略模型第一阶段：冷启动阶段的策略模型。随机抽取用户提交的指令或问题，即 prompt，并进行专业的人工标注，用这些指定的 prompt 和高质量答案共同微调 GPT-3

22、.5 模型，使之初步具备理解输入指令或问题的能力。第二阶段：训练回报模型第二阶段：训练回报模型（Reward Model,RM）。在第一阶段生成的众多结果中，根据结果质量由人工标注排序并作为训练数据，通过监督学习中的匹配排序（pair-wise learning to rank）训练回报模型对语言模型预训练的输出结果评分，回答质量越高，分数越高。第三阶段：采用强化学习来增强预训练模型的能力第三阶段：采用强化学习来增强预训练模型的能力。利用第二阶段学好的 RM 模型更新预训练模型的参数，不断从 prompt 库中抽取新命令，通过 PPO（Proximal Policy Optimization）

23、算法生成回答后，循环执行第一到三阶段进行强化训练，最终鼓励 LLM 模型能够输出更高质量的回答。8/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 虽然 InstructGPT 的参数量仅为 13 亿左右，相比于 GPT-3 缩小了 100 倍以上；但在遵循指令方面，能够更好地遵循用户意图，将有害的、不真实或者有偏差的信息输出最小化。在优化的模型上，ChatGPT基于 InstructGPT 进一步改进，在模型结构和训练流程上遵循上述方式，但收集和标注数据的方式上发生了变化。InstructGPT 模型需要先完成类似的输入、输出匹配，取得多个匹配结果后再跟模型

24、的预训练数据对比，在第二阶段的 RM 中只有奖励、没有惩罚机制；而 ChatGPT 则是在输入 prompt、模型输出多个answer 后，直接对输出结果进行人为排序，根据排序后的结果，让模型完成预训练中从最优到最劣的排序。通过采取监督学习的方式让模型学习人类排序的方式。2、发展趋势发展趋势 我们认为，我们认为，ChatGPT 经历了人工智能发展的三大趋势经历了人工智能发展的三大趋势。机器学习机器学习:2012 年左右，随着基础算力的提升，全球已经开启人工智能热潮即大数据时代。政策、资本先行，应用场景逐渐丰富。机器学习是 AI 的一种技术方向，无论是自然语言处理还是机器视觉都是机器学习的应用。

25、神经网络神经网络:2015 年左右开始繁荣爆发，神经网络是实现 AI 深度学习的一种重要算法，是通过对人脑的基本单元神经元的建模和链接，探索模拟人脑系统功能的模型，并研发出的一种具有学习、联想、记忆和模式识别等具有智慧信息处理功能的人工系统。Transformer 算法算法:2017 年左右，是图型神经网络的一种，Transformer 开始广泛应用于机器翻译之中，逐步取代循环神经网络(RNN)，不再使用递归，而是采用了注意力机制进行优化，通过自我监督学习或无监督方法进行训练，优点在于建模能力强，通用性强，可扩展性强，能够更好的进行运算。而ChatGPT 则是在该算法上不断迭代、演进、升级最后

26、生成的一种算法。三、三、产业发展现状产业发展现状 1、国内外、国内外巨头加速布局，推动赛道发展巨头加速布局，推动赛道发展 国外头部机构引领技术和商业应用，国内整体进度落后国外头部机构引领技术和商业应用，国内整体进度落后 23 年年。根据北京智源人工智能研究院介绍，当前国外研究机构在这个领域具有较大优势，领先国内 23 年，尤其是基础技术研究方面。如 2022 年清华大学联合智谱 AI 发布的中英双语模型 GLM-130B，参数规模与 OpenAI 在 2020 年发布的 GPT-3接近，拥有 1300 亿参数的开源开放中英双语双向稠密模型。过去 3 年来，OpenAI 搭建大模型基础框 9/2

27、5 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 架，通过 GPT-1/GPT-2/GPT-3/ChatGPT 引领行业发展。虽然国内最近两年也发布了很多相关大模型，但本质上还是在 OpenAI 的基础上实现的，原创性及创新性方面还需持续提升。微软：计划将微软：计划将 ChatGPT 加入必应、加入必应、Office 项目项目。早在 2019 年微软就向 OpenAI 投资十亿美元，近期宣布将继续向 OpenAI 投资数十亿美元。微软作为 OpenAI 背后投资者，积极把握 ChatGPT 优势，于2023 年 2 月 2 日官方公告宣布希望把 ChatGPT 整

28、合进 Office（包括 Word、PowerPoint、Outlook 等软件）以及微软旗下的搜索引擎 Bing。微软除了通过 OpenAI 布局 AIGC 外，还有 Copilot。2021 年 6月微软发布了 Copilot，是微软 Visual Studio Code 中内置的一项软件开发人工智能协助服务，它支持各种语言和框架，可以在集成开发环境内为整行或整个功能提供建议。谷歌：推出基于人类反馈强化的谷歌：推出基于人类反馈强化的 Sparrow 模型模型。谷歌旗下 DeepMind 在 2022 年 9 月提出 Sparrow 模型，和 ChatGPT 类似，采取了一种基于人类反馈的强

29、化学习（RL）框架。据 DeepMind 创始人 Demis Hassabis 在 2023 年 1 月 12 日时代专访，DeepMind 进行开发的 Sparrow 可能会在 2023 年晚些时候进入测试阶段。此外，谷歌在 AIGC 领域的其他开发上也有着不错的表现，例如虽然 Chinchilla 的参数量为 700 亿，明显少于 GPT-3 的 1750 亿，然而 Chinchilla 在几乎所有的语音任务都处于 AIGC 同类产品的领先地位。10/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 百度：百度：全面布局全面布局 AIGC，类，类 ChatG

30、PT 产品将于产品将于 3 月发布。月发布。早在 2022 年 1 月，百度就有 AIGC 产品问世，在当时的百度 Create 大会上，开场视频便是数字人希加加在不同维度的虚拟世界跑酷穿梭；更有数字人乐队演绎歌曲，从作词、作曲到编排，全部是由 AIGC 生成。2022 年 8 月，百度基于自身的文心大模型也推出了 AI 绘画平台：文心一格。2022 年 9 月的百度生态大会上，百度发布了 AI 助理，该产品覆盖了各种 AIGC 应用，包括 AI 自动生成文字、图片，图片转换成视频。当前，百度已经和数十家权威媒体成立“AIGC 媒体联盟”，希望能够利用 AIGC 来改变如今的媒体行业；并计划推

31、出一款类似ChatGPT 的 AI 聊天机器人服务，预计将于 3 月发布。11/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 2、生成式生成式 AI 赛道火热，资金扎堆涌入赛道火热，资金扎堆涌入 根据 Pitch Book 统计数据，2022 年生成式 AI 赛道总共获得约 14 亿美元的融资，几乎达到了过去 5 年的总和。不仅包括 OpenAI、Stability AI 等明星公司，其他初创企业如 Jasper、Regie.AI、Replika 等均获得资本青睐，获得上亿美元融资。3、ChatGPT 应用应用场景场景广阔广阔 ChatGPT 具有广泛的应用

32、空间具有广泛的应用空间。ChatGPT 主要应用包括如下场景：对话机器人对话机器人：由于 ChatGPT 强大的的语言理解能力，可广泛应用于多种对话问答场景，包括智能客服、虚拟人、机器人、游戏 NPC 等应用领域。12/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 智能创作智能创作：除了擅长对话问答之外，ChatGPT 还具备强大的文本内容创作能力，可用于创意写作（诗歌、新闻、小说、学术等）、命题写作（风格模仿、文本续写、主题拟定等）、摘要生成（学术类、小说类、新闻类等）等。尽管 ChatGPT 只是一个对话式的语言模型，本身不能生成多模态内容，但可以把它输

33、出的结果作为一个中间变量输入其他模型，从而进一步拓展其应用。例如，通过 ChatGPT 和 Stable Diffusion 的结合使用，能够生成艺术性极强的画作。编程机器人编程机器人：作为对话式大型语言模型，ChatGPT 擅长回答用户提出的问题，其中最关键的是ChatGPT 具备与编程相关的基础知识。可以将 ChatGPT 打造成编程问答机器人，根据用户的需求编程或 debug，大幅提升编程效率，改善用户编程质量。ChatGPT 助力用户提效，应用落地多面开花助力用户提效，应用落地多面开花。ChatGPT 凭借出色的表现受到广泛关注，众多公司都在商业化方面进行积极探索。Buzzfeed 近

34、期宣布计划依靠 ChatGPT 加强内容创作，其股价两天上涨超过300%。ChatGPT 在学术、房产等领域的应用逐渐落地在学术、房产等领域的应用逐渐落地。除了各大科技公司，ChatGPT 也开始应用于学术、房产等领域。根据在线课程供应商 S 对 100 多名教育工作者发起了一项调查，82%的大学教授知道 ChatGPT，而小学教育工作者的这一比例为 55%，超过三分之一（34%）的教育工作者认为应该在学校和大学中禁止 ChatGPT，而 66%的教育工作者支持学生访问它。不过在学术领域，ChatGPT 可能加剧学术不端现象，因此在相关领域开始被抵制。知名期刊Science、SpringerN

35、ature声称不能将ChatGPT 列为作者，一些美国大学则宣布增加手写论文和口头考试的比重。美国房产中介也开始使用ChatGPT，用于房源信息撰写、房贷计算等。13/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 总之，随着 ChatGPT 的应用落地，商业化探索成为关注焦点，云服务、内容营销、咨询服务等均有望实现商业化落地。OpenAI 很注重商业应用，GPT-3 已经拥有大量客户。随着微软、谷歌等巨头加码，ChatGPT 应用场景有望进一步拓宽，相关领域商业化落地有望加速。四四、破局破局：打开打开 AIGC 应用新局面应用新局面 ChatGPT 属于 A

36、IGC 的具体应用，相比过去的 AI 产品，在模型类型、应用领域、商业化等层面呈现出新的特点。技术方面技术方面：ChatGPT 属于自然语言处理领域，与早期的自然语言技术相比，ChatGPT 采用大模型进行训练，并加入人工反馈增强学习(RLHF)方法，实现了效果的明显提升；应用方面应用方面：ChatGPT 属于生成式 AI，相比于分析型 AI，不局限于已有的内容，已在文艺创作，代码处理，营销等多个创造性场景内得到应用；商业化方面商业化方面：ChatGPT 在商业化方面彰显出强于以往 AI 应用的潜力，一方面用户数快速增长，另一方面得到了以微软为代表的科技巨头的支持，应用有望快速推广。1、技术新

37、：技术新：Transformer 架构架构+RLHF，NLP 领域迎来新突破领域迎来新突破 Transformer 架构逐步成为主流。自然语言处理从技术的发展可分为三个时期：一般机器学习模型阶段（2013 年前）：自然语言处理多采用机器学习和一般的统计学方法来分析词语或者句子之间的联系；深度学习模型阶段（2013-2017 年）：深度学习算法被引入 NLP 领域，在这一阶段内主要通过增加层深和模型容量提升训练效果；Transformer 架构逐步成为主流（2017 至今）：2017 年 transformer 架构面世，使得深度学习对语言的理解更加深入，基于 transformer 架构的 G

38、PT 及 BERT 的陆续发布，影响力进一步扩大。14/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 ChatGPT 模型优势在于语言生成模型优势在于语言生成。2017 年后，应用范围最广的是 BERT 和 GPT 模型以及在这些模型基础上做出的改进模型。BERT 模型在结构上是一个多层的双向 transformer 的 Encoder 模型，GPT 是由 12 个 Transformer 中的 Decoder 模块经修改后组成。相比来说，BERT 模型的核心优势在于自然语言理解，GPT 模型的核心优势在于自然语言生成。BERT 的改进模型有 RoBERTa

39、、ALBERT 等，GPT的改进模型有 GPT2、GPT3、ChatGPT 等。随着人工反馈增强学习(RLHF)方法的加入，模型能够在与人类标注者互动时通过人类的反馈进行强化学习。人类标注者则可对初始模型生成的结果进行修改、比较和排序，帮助模型进行训练。ChatGPT 在效果上取得重大突破，在语言生成领域形成优势。2、应用新：生成式应用新：生成式 AI 应用于创造性工作应用于创造性工作 生成式生成式 AI 应用于创造性工作应用于创造性工作。AI 可分为生成式 AI 和分析型 AI，其中分析型 AI（Analytical AI），主要在给定数据的情况下，通过分析找出规律和关系，并在此基础上生成报

40、告或给出建议。比如通过追踪客户行为以刻画用户画像，并基于此进行个性化推荐，实现精准营销；通过收集城市中传感器的大量数据并分析，预测天气及环境污染情况，从而帮助相关部门进行政策制定。不同于分析型 AI 局限于分析已有内容，生成式 AI（Generative AI）可以通过学习已有数据和信息生成多种形式的新的内容，在创 15/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 造性工作的领域进行应用，目前生成式 AI 的应用主要包括生成文本、图像、对话、音视频、代码、3D等。ChatGPT 是典型的生成式是典型的生成式 AI。ChatGPT 通过学习大量语料，并通过生

41、成模型生成文本回答，其基础GPT-3 是一个大型语言模型。该模型通过对大量语料的预训练，学习了语言的语法、语义、语用等特征，并通过对语言的生成任务进行微调，以适应各种应用场景。目前，除了 ChatGPT 外，有大量 AIGC 应用产品基于 GPT-3 模型。3、商业化潜力：商业化潜力：巨头纷纷发力，商业化潜力较大巨头纷纷发力，商业化潜力较大 ChatGPT 用户突增彰显商业化潜力，内容生成或成用户突增彰显商业化潜力，内容生成或成 ChatGPT 重要应用重要应用。据各公司官网，ChatGPT 从0 到 100 万用户数仅花费 5 天，速度远超其他平台。从活跃用户角度，据 Similarweb，

42、2023 年 1 月期间，ChatGPT 平均每天约有 1300 万独立访客，超出 22 年 12 月一倍。用户数量的快速扩大，反映了ChatGPT 具备较强的商业化潜力。16/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 国内外巨头持续发力布局国内外巨头持续发力布局 AIGC。AIGC（AI Generated Content）指由人工智能生成的内容，包括文本、图像、音频、3D 等多种类型，具有高效及自动化生产的特点。近年来谷歌谷歌、亚马逊亚马逊、百度百度等国内外巨头持续布局 AIGC。2014 年，谷歌以超 5 亿美元的价格收购人工智能公司 DeepMi

43、nd；2023 年 3 月，谷歌宣布向人工智能初创公司 Anthropic 投资约 3 亿美元，建立新的合作伙伴关系；2022 年 11 月，亚马逊宣布与 AI 制图平台 Stability AI 合作，成为其首选云合作伙伴，同时为其提供亚马逊 Tradium 芯片；2021 年 4 月，华为诺亚方舟实验室联合多部门推出首个 2000 亿参数中文预训练模型盘古；2023 年2 月，百度官宣类 ChatGPT 大模型新项目文心一言（英文名 ERNIE Bot）。五五、商业商业进程进程分析分析 1、ChatGPT 开启付费试点，开启付费试点，AIGC 商业化任重道远商业化任重道远 OpenAI 推

44、出推出 ChatGPT 付费试点订阅计划，付费试点订阅计划，ChatGPT 应用生态有望快速扩大应用生态有望快速扩大。2 月 2 日，美国OpenAI 公司宣布推出付费试点订阅计划 ChatGPT Plus，定价为每月 20 美元。付费版功能包括高峰时段免排队、快速响应以及优先获得新功能和改进等。ChatGPT 的付费订阅是 OpenAI 的大模型产品商业化第一步，预示着 AIGC 商业化进程加速推进。订阅制的商业模式较为轻量化，对于 C 端客户友好，具备良好的可推广性。我们认为，ChatGPT Plus 是 OpenAI 对于 ChatGPT 生态建设的第一步，ChatGPT的应用生态有望快

45、速扩大，更多的付费商业模式将会逐步落地。17/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 2、ChatGPT 受到受到关注，多关注，多家公司家公司开始布局开始布局 AIGC 领域领域 ChatGPT 的高性能表现的高性能表现，让许多科技公司加速对让许多科技公司加速对 AI 的应用的应用。2 月 2 日，微软宣布旗下所有产品将全线整合 ChatGPT，目前在 Azure 和 Teams 中已经有了应用，预计 3 月 ChatGPT 将内置于 Bing 搜索；百度计划在 3 月推出类似于 ChatGPT 的生成式搜索；数字媒体公司 Buzzfeed 计划使用

46、OpenAI 的 AI技术来协助创作个性化内容。在 ChatGPT 之外，一些科技巨头也开始布局 AIGC 领域，如 Google 在 2月 3 日向人工智能初创公司 Anthropic 投资近 4 亿美元，布局 ChatGPT 的竞争产品。3、AIGC 带来万亿级赛道，但商业化模式仍处带来万亿级赛道，但商业化模式仍处探索阶段探索阶段 AIGC 产业生态正在加速形成和发展产业生态正在加速形成和发展，根据 6pen 预测，未来五年 10%-30%的图片都将由 AI 参与生成，有望创造超过 600 亿以上的市场空间。据量子位报告统计，到 2030 年，AIGC 的市场规模将超过万亿人民币，在内容生

47、产领域和延伸应用领域都有着广阔的空间。但由于 AIGC 目前产业化程度有限，大量业务场景尚未成功变现，商业模式也还处于探索阶段，未来几年都将是 AIGC 商业化的探索期。我们认为，现阶段 AIGC 的商业模式仍会以 ToB 为核心，B 端客户基于对企业降本增效的要求，对 AIGC 的需求和付费意愿是较为强烈的；面向 C 端用户的商业化存在订阅制和按次收费等模式，AIGC 能够大幅降低大众用户的创作门槛，未来随着 AIGC 生态不断完善，市场空间也十分可观。18/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 六六、相关相关产业链及产业链及重点重点企业企业梳理梳

48、理 1、产业链概况、产业链概况 ChatGPT 属于 AIGC 的具体应用，以 ChatGPT 为代表的 AIGC 产业链雏形已初步呈现。其最上层为算算力层力层，算力层为算法层提供算力支撑；第二层级为算法基础层算法基础层，通过数据收集、标注、注释为算法中间层提供原材料；第三层为算法中间层算法中间层，通过 AI 模型开发、训练来生成 AI 模型，其中包括垂直化、场景化、个性化的模型；最后层级为应用层应用层，运用人工智能生成内容用于各种程序，其中包括文字、图片、音视频等服务内容。也可以说，算力、算法模型、应用构成了算力、算法模型、应用构成了 AIGC 产业链产业链。从 OpenAI 推出的 Cha

49、tGPT 我们发现，ChatGPT 依赖于 GPT 大模型，而 GPT 大模型则需要依靠微软 Azure 超算中心提供算力训练，因此我们认为 ChatGPT 等 AIGC 产业依然离不开算力、算法模型、应用的基本框架。19/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 AIGC 模型训练将产生大量算力需求模型训练将产生大量算力需求。AIGC 模型有大量参数及数据参与训练，因此对算力基础设施有较高要求，云计算服务商基于此逻辑布局 AIGC 产业链。例如 ChatGPT 选择微软 Azure 云服务，Stability AI 选择了亚马逊 AWS 云服务。当下国

50、内主要算力提供商包括阿里阿里、腾讯腾讯、百度百度、商汤商汤。大模型的算法复杂度、高训练成本造就较高的进入壁垒大模型的算法复杂度、高训练成本造就较高的进入壁垒。模型是 AI 的灵魂，本质上它是一套计算公式和数学模型，“参数”可以看作是模型里的一个个公式，这意味着参数量越大、模型越复杂，做出来的预测就可能越准确，目前业界主流的 AIGC 模型都是千亿级参数量的水平。据 Gartner 技术成熟度曲线，当前生成式 AI 仍处于技术萌芽期，新进入者若希望在类 ChatGPT 产品上做布局的话，在大模型设计、模型训练、应用场景落地等维度均需要加大投入。科技巨头掌握科技巨头掌握 AI 大模型技术大模型技术

51、。类似 GPT3 的 AI 大模型构成必须满足以下特点：必须有大量的语料素材；强大的 AI 团队，不仅是构建模型，而且能够根据行业趋势对模型做持续优化和架构升级；资金支持，大模型的算力要求高，模型训练超过千万美金需求量。我们判断 AIGC 领域头部企业将逐渐构建自身壁垒，剩下的初创公司将依附于头部企业去做应用，例如游戏公司可以利用大模型去生成 NPC 里面自然式对话，因此我们认为 AIGC 产业链未来将会分为技术提供方和应用开发者两种。国内具备国内具备 AIGC 大模型构建能力的主要为具备媒体属性及大模型构建能力的主要为具备媒体属性及 AI 属性的公司属性的公司。以百度百度、腾讯腾讯、字节跳动

52、字节跳动为例，业务逻辑里面包含媒体属性，有大量的语料库可以去完成大模型的设计。此外，科大讯飞科大讯飞通过语音识别、智慧教学等应用同样积累了重组的语料素材。ChatGPT 打开海量应用场景打开海量应用场景:ChatGPT 应用场景广泛，拥有潜在空前蓝海，其功能覆盖各个板块，大致将其分成生成应用和布局、搜索和数据分析、程序生成和分析、文本生成、内容创作、一般推理和其他七部分。基于其庞大的算力和算法分析，领域有望覆盖教育、科研、游戏、新闻等多重板块，并有望持续拓展，市场潜力较大。2、重点企业、重点企业（1）腾讯：混元腾讯：混元 AI 大模型赋能多业务场景落地大模型赋能多业务场景落地，实现技术提效实现

53、技术提效 20/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 基于海量社交数据、机器学习、NLP 等技术积累，腾讯于 2022 年 12 月推出了万亿中文 NLP 预训练模型 HunYuan-NLP-1T(混元 AI 大模型)，是目前国内首个低成本、可落地的 NLP 万亿大模型，且登顶自然语言理解任务榜单 CLUE。在模型架构层面，和其他大模型相比，混元首创“层级化”表征，对输入文字/视频做分层后再进行关联性检索，大幅提升检索准确度。大模型多产品协同，广告降本提效显著大模型多产品协同，广告降本提效显著。混元涵盖 NLP、CV、多模态、文生图等大模型，对内已和

54、腾讯广告、微信、QQ、游戏等产品实现协同，并通过腾讯云对外商业化。有别于百度文心与搜索的融合，腾讯大模型在广告提效层面更为显著：依托于太极机器学习平台，腾讯广告通过两大模型训练(混元 AI大模型与广告大模型)强化内容理解、精准匹配、文案创意生成等能力，有效提升投放 ROI。同时，在大模型广告智能创作下，文案转视频功能亦大幅降低视频广告制作成本。实验室矩阵支撑实验室矩阵支撑 AIGC 能力建设，围绕能力建设，围绕“内容内容+社交社交+游戏游戏”多元布局多元布局。腾讯依托 AI Lab、优图实验室、微信 AI 等多个 AI 实验室，积极布局 AIGC 产品，包括 AI 生成文字(梦幻写手 Drea

55、mwriter)、AI 生成游戏(绝悟 AI)、AI 绘画(腾讯 QQ 小世界 AI 画匠)、数字人(AI Lab 数字人 PaaS 方案，创建的数字人“艾灵”)等。例如，腾讯 2022 年 12 月由 AI Lab 研发的智能创作助手文涌（Effidit）更新至 2.0 版本，新增风格化智能续写功能。21/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告（2）科大讯飞科大讯飞:自然语言处理的全球龙头厂商自然语言处理的全球龙头厂商 科大讯飞于科大讯飞于 2022 年初正式发布了年初正式发布了“讯飞超脑讯飞超脑 2030 计划计划”，其目的是向，其目的是向“全球人

56、工智能产业领导者全球人工智能产业领导者”的的长期愿景迈进长期愿景迈进。该计划是公司的核心战略，目的是构建基于认知的人机协作、自我进化的复杂系统，即让机器人感官超越人类，具备自主进化的能力，打造可持续自主进化的复杂智能系统，助力机器人走进千家万户。其计划分为三个阶段性里程碑:第一阶段第一阶段(2022-2023):推出可养成的宠物玩具、仿生动物等软硬件一体机器人，同期推出专业数字虚拟人家族，担当老师、医生等角色；第二阶段第二阶段(2023-2025):推出自适应行走的外骨骼机器人和陪伴数字虚拟人家族，老人通过外骨骼机器人能够实现正常行走和运动，同期推出面向青少年的抑郁症筛查平台；第三阶段第三阶段

57、(2025-2030):最终推出懂知识、会学习的陪伴机器人和自主学习虚拟人家族，全面进入家庭。（3）商汤：拥有商汤：拥有 300 亿参数视觉大模型亿参数视觉大模型 商汤是国内最大的计算机视觉软件公司，根据 IDC 发布的1H22AI 及软件市场追踪报告，商汤在国内计算机视觉市场分额为 20.7%。截止到 2022 年 6 月 30 日为止，公司累计商用模型 4.9 万个，专利资产数达到 12,502 个。公司从 2018 年至今累计研发投入超过 100 亿元人民币，拥有 4,093 个研发人员。技术储备：自研训练框架，自技术储备：自研训练框架，自建超算集群建超算集群 和其他 AI 软件公司相比

58、，公司的模型都是在自建的超级计算集群上做训练。公司建立了超过 23 个超算集群，拥有超过 20,000 个 GPU，同时，公司有自研的深度学习训练框架（SenseParrots），比其他只支持固定计算路径的训练框架，SenseParrots 有内置的基石编译器，可以实时快速编译计算路径。这些底层的算力基础设施及训练框架，使公司在 AI 模型的训练上更高效。技术路径：打造视觉基模型，更快更高效开发特定场景技术路径：打造视觉基模型，更快更高效开发特定场景 AI 软件商汤的技术储备让公司在开发 AI 软件上选了不一样的技术路径。公司已经训练具有高达 300 亿个参数的计算机视觉（CV）基模型。商汤的

59、超大基模型在 ImageNet 大规模识别任务中实现超 90%精度，与谷歌谷歌、微软微软共同跻身世界前三。基于大模型的自动数据生产线实现了数据自动标注，速度相较业界传统人工标注提升 600 倍，成本降低至 1/500，且标注精度跟人工水平一致。基模型聚集来自众多场景海量数据的通用知识，使得在开发针对特定场景的 AI 软件时，公司可以利用已经训练好的基模型，以更少的训练数据生成特定场景模型，这个能有效处理长尾场景训练数据不足的问题。22/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 变现空间：订阅模式的变现空间：订阅模式的 AI-as-a-Service 商汤

60、已建成并启用的 AI 超算算力规模超过 2.5exaFLOPS，其中在上海临港的 AI 智算中心（AIDC）上线了 1.745exaFLOPS，其中对外服务的算力突破 1exaFLOPS，客户包括学术机构和企业（特别是车企客户）来订阅。（4）拓尔思拓尔思:全文检索技术的始创者全文检索技术的始创者 拓尔思是中文全文检索技术的始创者拓尔思是中文全文检索技术的始创者：领先的大数据、人工智能和数据安全产品及服务提供商，成立于1993 年。其主要核心业务包括软件平台产品研发，行业应用系统解决方案和大数据 SaaS/DaaS 云服务三大板块，涵盖大数据、人工智能、互联网内容管理、网络信息安全和互联网营销等

61、领域方向。公司技术实力雄厚：公司技术实力雄厚：人工智能领域：公司是国内最早从事自然语言处理（NLP）研发的企业之一，在NLP、知识图谱、OCR、图像视频结构化领域都具备自主可控的底层技术；在大数据方面，数据采集、挖掘、分析等底层技术均实现技术可控。公司行业领域覆盖广公司行业领域覆盖广：由于公司人工智能和大数据核心技术具有跨行业/领域的通用普适性，因此公司技术产品和服务所支持的业务应用落地场景众多，涵盖多个行业/领域，大型或头部企业级客户超过8000 家。广泛覆盖于金融、制造、能源、互联网、传媒、政府、公共安全等领域。（5）云从科技云从科技:人机协同生态体系赋能商人机协同生态体系赋能商 云从科技

62、是一家专注于提高人机操作系统和行业解决方案的人工智能企业，致力于推进人工智能产业化云从科技是一家专注于提高人机操作系统和行业解决方案的人工智能企业，致力于推进人工智能产业化进程和各行业的转型升级进程和各行业的转型升级。一方面公司通过业务、硬件设备、软件应用，为客户提供数字化、智能化的 23/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 人工智能服务。另一方面，公司基于人机协同操作系统，赋能金融、出行、商业等场景。公司自主研发了融合人工智能技术的人机协同操作系统和部分 AIoT 设备。人机操作系统人机操作系统:系统结构上，公司自主研发人工智能应用的设计、开发、

63、训练的操作系统，包含 AIoT 设备、人工智能算法和引擎、AI 模型和训练等核心模块，实现 AI 能力的自动部署、监控和边端感知；产品功能上，通过底层 AI 业务流程引擎和决策支持系统，优化人机交互体验，提升业务流程执行效率，让人机具有决策功能；产品分类上，包含人机协同和整体操作系统、“轻舟平台”的服务平台及配套 AI 应用的 SaaS 服务。人工智能解决方案人工智能解决方案:云从科技基于自主研发的人机操作系统及其应用产品和 AIoT 硬件设备，提供面向智慧金融、智慧治理、智慧出行、智慧商业的四个领域综合解决方案，同时提供该领域的定制化软件开发服务。（6）海天瑞声海天瑞声:AI 训练数据服务领

64、军者训练数据服务领军者 海天瑞声海天瑞声是我国领先的训练数据专业提供商，发行人始终致力于为是我国领先的训练数据专业提供商，发行人始终致力于为 AI 产业链上的各类机构提供算法模产业链上的各类机构提供算法模型开发训练所需的专业数据集型开发训练所需的专业数据集。发行人所提供的训练数据覆盖智能语音、计算机视觉、自然语言等多个核心领域，全面服务于人机交互、智能驾驶、智慧城市等多种创新应用场景。24/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 公司产品倍受认可公司产品倍受认可:公司的产品和服务已获得阿里巴巴、腾讯、百度、科大讯飞、海康威视、微软、亚马逊、三星等国内外

65、客户的认可，应用于其研发的个人助手、智能音箱、语音导航、搜索服务、智能驾驶、机器翻译等多种人工智能产品相关算法模型的训练过程中。公司具备多重技术领先性公司具备多重技术领先性:公司核心技术先进性包括算法与数据处理技术并用、工具和平台共建、在语音语言学基础研究方面有深厚积累等，公司可提供数据的一站式解决方案，广泛支持复杂的算法数据标注需求。七七、市场市场前景展望前景展望 1、ChatGPT 引发范式革命，引发范式革命，AI 产业发展前景可期产业发展前景可期 ChatGPT 是 AIGC（AI Generated Content 人工智能生成内容）技术进展的里程碑，该模型使得利用人工智能进行内容创作

66、的技术成熟度大幅提升，有望成为新的全行业生产力工具，提升内容生产效率与丰富度。未来文学创作、图片绘制、视频制作、游戏内容生成都可使用 AI 实现。通过拆解 ChatGPT，我们发现：其一，单一大模型或成为未来 AI 训练主流方向。其二；大模型训练可以积累底层语言能 力，但需要大算力支持。其三，预训练语言模型和 Transformer 架构是模型底层能力的根源；其四，ChatGPT 商业化应用前景广阔。基于此，我们认为国产厂商或将训练出自己的 GPT 模型，AI 产业有望迎来景气周期。2、行业加速迭代，格局迎来骤变行业加速迭代，格局迎来骤变 谷歌紧急召回创始人，人工智能发展催化行业变革谷歌紧急召

67、回创始人，人工智能发展催化行业变革。2022 年 12 月，谷歌紧急召回创始人拉里 佩奇和谢尔盖 布林，讨论应对 ChatGPT 的相关计划。根据 statcounter 数据，2020.01-2022.11 谷歌的全球市场份额超 90%，是全球搜索引擎市场的绝对霸主，而 ChatGPT 的出现对谷歌搜索引擎形成了挑战。25/25 2023 年年 2 月月 13 日日 行业行业|深度深度|研究报告研究报告 ChatGPT 可能导致搜索引擎商业模式发生骤变可能导致搜索引擎商业模式发生骤变。谷歌具备自然语言（NLP）的技术储备，比如对话系统 LaMDA 就是成果之一，当前搜索引擎给出的链接往往更加

68、全面，而 ChatGPT 组织信息的方式更加简练，能够帮助整合信息、梳理段落要点，因此使用方面 ChatGPT 并不具备压倒性的替代优势。然而谷歌的收入结构当中广告占据了 58%，一旦引入生成式 AI 搜索引擎，用户就会减少在链接间跳转、浏览的时间，也就减少了广告投放的空间，这会使谷歌搜索引擎的盈利模式发生根本性的变化。对于小型搜索引擎公司而言，ChatGPT 带给了他们弯道超车的机会。3、产业化方向众多、前景广阔，产业化方向众多、前景广阔，MaaS 或为长期商业化方向之一或为长期商业化方向之一 我们认为中国领先的人工智能云厂商都有能力（数据、算力、模型）来提供类 ChatGPT 的服务，但因

69、为各公司业务各有侧重，各厂商在 AIGC 领域的应用或形成差异化。但长期视角下，MaaS（Model-as-a-service）可能是潜在的长期商业化方向之一，模型训练、维护和部署有望逐步转移至云端，这样的方式有助于帮助客户降低对模型开发和维护的依赖，从而更专注在主业的投入、提升运营效率。而 MaaS业务或将为云业务营收带来较为显著的增量，我们认为各大云厂商会持续加强对 AIGC 及类 ChatGPT领域的投入，以支撑云业务的长期发展。但短期而言，因 ChatGPT 仍存在数据时效性低、可靠性不足等问题，大规模的商业化或仍需要较长时间。八、参考研报八、参考研报 1.银河证券-计算机行业：聊天机

70、器人顶流 ChatGPT，开启自然语言处理领域新篇章 2.招商证券-计算机行业 AIGC 投资机会梳理：ChatGPT 快速流行，重构 AI 商业模式 3.华西证券-计算机行业深度研究报告：ChatGPT，开启 AI 新纪元 4.国联证券-计算机行业海外 ChatGPT 专题：ChatGPT 风口已至，商业化落地加速 5.财通证券-计算机行业专题报告：ChatGPT，开启 AI 新纪元 6.东方证券-计算机行业：ChatGPT 引领 AI 新浪潮，AIGC 商业化启程 7.兴业证券-计算机行业：从 AIGC 到 ChatGPT，原理、前景和机会 8.华泰证券-计算机行业 ChatGPT：深度拆解 9.招银国际-中国互联网行业：ChatGPT&AIGC 在中国市场的发展前景 免责声明：以上内容仅供学习交流，不构成投资建议。慧博慧博官网官网： 电话：电话：-18661866 邮箱：邮箱：