AIGC的商业化之路展望

去年我们在AIGC首篇深度报告《AIGC：Web3时代的生产力工具》中阐述了该技术的变革及带来的产业变化，随着ChatGPT的走火，大家经常问起：AIGC的商业化之路怎么走？AIGC如何赚钱？——我们访谈了数十家国内外的AIGC团队，同时看到1月初微软宣布了与OpenAI的深度合作，将AI技术整合进现有产品，并为开发者提供AzureOpenAI云服务，允许其开发自己的AI应用，AIGC曙光已现，本文将着重探讨其商业化之路。 AIGC带来的商业模式变革——AI的显性化。随着自然语言技术（NLP）进一步降低AI的使用和触达门槛，以及伴随着AIGC生成算法的优化与改进，我们发现AIGC的商业化落地速度和效果表现将超预期，一些如Jasper这样的初创企业已经开始产生了营收。这意味着AI正以越来越显性的方式产生商业模式。AI已经不再像过去那样与硬件、系统等一起打包进行商业化落地了。对于普通人来说也不再是一门遥不可及的尖端技术。 To B仍是AIGC的主要商业模式。虽然AIGC使C端用户以较低的门槛使用AI生成内容，但就目前来看，to B仍然是核心商业模式。对于B端客户来说，他们的需求和付费意愿是较为稳定的，这主要有以下两个核心原因：对于B端带来的效率提升和成本下降，如用AIGC抓取信息后根据已有模板完成新闻或一些产品的测评；能够填补原本很难完成的需求鸿沟。 面向C端的AIGC，以SaaS订阅为主。随着AI模型与算力的发展突破了可用的临界点，AIGC对个体的赋能也不容忽视，且将以SaaS订阅为主。第一是作为效率工具，AIGC产品能够在信息获取、格式整理和工作流等各个流程提高个人用户的效率；第二是作为创作工具，像剪辑、修图软件一样，AIGC能够大幅度降低大众用户的创作门槛。效率工具例如Notion发布的NotionAI，尤其值得关注AI模型作为基础设施集成到已有的工作流中。 AIGC未来应用普及的背后，将产生巨大的算力市场。根据OpenAI的研究，AI训练所需算力指数增长，且增长速度超越硬件的摩尔定律。AI模型大算力的背后需要高昂的算力成本，GPT-3训练的算力成本超过400万美元。尽管AI模型往往会选择开源，但数据集和训练成果是一个团队的内部资产，这意味着每个AI产品都需要支付自己的训练成本。在未来AIGC随着B端和C端的商业化落地的实现，算力集群的建设和云服务都会受益，同时考虑到英伟达A100、H100出口受限，相关国产算力芯片将有机会获得增量市场。 AIGC社区的价值。近期在与各个创业团队的沟通过程中，我们发现行业一个重要的关注点会放在AIGC与Web3.0的结合，以及AIGC与社区的融合。 AIGC让用户的创作门槛的降低，有助于加强社区的互动和发展，同时降低了平台的内容成本。社区用户对内容的探讨与偏好能为AIGC模型提供优质的反馈，以便后续优化增强产品力。NFT能够确权作品和链接社区，AIGC与NFT社区的结合探索，或将产生值得期待的商业创新。 AIGC投资框架：软硬件与数据集。生成算法、NLP与算力决定AIGC能否运行，而高质量的数据集决定了AIGC质量与商业模式。软件层面主要包括自然语言处理技术：谷歌、微软、科大讯飞、拓尔思；AIGC生成算法模型及数据集：英伟达、Meta、百度、蓝色光标、视觉中国、昆仑万维。算力层包括：中兴通讯、澜起科技、新易盛、天孚通信、宝信软件、中际旭创等。 风险提示：技术创新不及预期；政策监管风险。 微软与OpenAI深化合作，AIGC商业化加速到来。1月23日，微软官方宣布在与OpenAI将进一步深入合作，将在未来数年内追加投资数十亿美元以加速AI技术推向大众。微软正在迅速推进OpenAI的商业化，将目前的ChatGPT、DALL-E等AI工具整合进微软旗下的全部软件，例如Bing、Office等，为用户带来更高效的交互体验。更值得关注的是，微软将提供AI云服务AzureOpenAI，允许开发者在OpenAI的模型基础上搭建自己的应用，从而加速AI技术的商业化落地。 此举可见，OpenAI作为AIGC行业龙头，已开始商业化之路，一方面自己作为模型基础设施，赋能搜索引擎、办公软件提高效率和用户黏性；另一方面借助合作伙伴的算力基础设施，为后续底层硬件拓展打牢基础。 图表1：微软与OpenAI深化合作 我们在此前的深度报告《AIGC：Web3时代的生产力工具》中讨论了AIGC的技术变革以及应用场景，随着产品落地及场景的拓展，越来越多的市场关注将集中于商业模式的探讨，即一个很关键的问题：AIGC如何赚钱？通过行业访谈，我们认为2023年将是AIGC的商业化加速之年，AIGC有望走近大众的生活、工作中。 1、AIGC带来的商业模式变革——AI的显性化 “AI的显性化”是我们最近产业交流中的最深刻感受。AI虽已发展多年，但在诸多领域的应用更像经过专业学习的“专科生”，而今基于大模型的AIGC更像接受过通识教育的研究生，虽然在发展初期在特定专业领域功能有限，却有着更强的可拓展性。因此，我们预计，当2023年GPT4模型发布之后，“AIGC+”将成为全球性的趋势。底层的大模型与数据集将成为下一个科技时代，真正意义上的“IT基础设施”，既有垂直领域的价值也不容忽视，正如OpenAI与微软的合作，通用AI的显性化趋势将日益显著。 AI具有通过自动执行各种任务、提高效率和启用新的经营方式来转变商业模式的潜力。 以下是人工智能如何改变商业模式的一些方式： 自动化：AI可以自动执行各种任务，例如数据输入、客户服务和供应链管理。这可以减少对人力的需求并提高效率，从而完成降低成本并增加利润的目的。 改进决策制定：AI可以分析大量数据并提供有助于企业做出更好决策的见解。例如，人工智能可用于优化定价、识别新机会和预测客户行为。 个性化：AI可用于为个人客户提供个性化的产品和服务。这可以帮助企业更好地瞄准他们的营销工作并提高客户满意度。 新商业模式：AI可以实现以前不可能实现的新商业模式，如：AI驱动的聊天机器人可以让企业提供24/7全天候客户支持，即使在他们关闭时也是如此。 在此之前，我们关注到的AI主要集中于安防、网络监测等领域。2020年，AI+安防领域达到了453亿的市场规模，是商业落地速度最快且容量最大的赛道之一。预计这一规模将在2025年达到900亿。但这一领域，基本都是同硬件和系统一起打包提供。 图表2：AI+安防市场规模 而随着自然语言技术（NLP）进一步降低AI的使用和触达门槛，以及伴随着AIGC生成算法的优化与改进，我们发现AIGC的商业化落地速度和效果表现都很好，一些如Jasper这样的初创企业已经开始产生了营收。这意味着AI正以越来越显性的方式产生商业模式。 以成立于2021年的Jasper为例，其成立当年营收就达到了4500万美元，并收获了7万名用户，2022年营收也预计7500万美元。从Jasper的官网上看到，它是以类SAAS服务的形式进行收费，分为初级、高级和订制三个模式。而国内部分领先的AIGC公司，在用户规模、内容生成量上在2022年亦快速起步，预计2023年开始产生营收及盈利并非难事，但能否形成SaaS订阅模式尚待观察。 图表3：Jasper收费模式 再以Jasper为例，其不仅融合了多种模型算法，包括GPT3、NeoX、T5等，并在此基础上根据实际业务需求，使用量身定制学习模型——构建界面和原始工作流程，使AI更易于日常使用。同时，由于融合了多种模型，它能够区分特定用例或行业的最佳模型组合。这种方式有助于避免过度依赖任何一个来源，并使最终产出效果更好。Japer的使用界面上可以看到其提供了数百种垂直领域的模板，如：新品推广邮件模板等。这样的设计能够更进一步地帮助用户完成精准的输出，更好地吸引用户来使用。这也是为何成立两年Jasper就能吸引到IBM、Airbnb这样的大客户的原因。 图表4：Jasper用户评价 随着技术的进步，AI已经不再像过去那样与硬件、系统等一起打包进行商业化落地了。 对于普通人来说也不再是一门遥不可及的尖端技术。AI变成了一个普通人也可以轻松运用、提升效率的工具，这预示着AI的商业模式更加显化。 2、To B仍是AIGC的主要商业模式 虽然AIGC使C端用户以较低的门槛使用AI生成内容，但目前来看，to B仍然是核心商业模式。对于C端用户来说，缺乏长期持久的需求，大多数只是一时兴起的好奇体验。 而对于B端客户来说，他们的需求和付费意愿是较为稳定和长久的，这主要有以下两个核心原因： 降低成本 AIGC替代了部分原本应该由原创人员承担的工作，例如网站内容编辑、美工等，假设人工成本在100万，而AIGC能够降低50%以上，那么企业将有充足的动力进行机器替代，其实这一过程正在发生，尤其在一些垂直领域，例如体育、金融、汽车等。 早在2018年，路透社就启用了一款AI新闻撰稿工具Lynx Insight Service，主要目的是将编辑工作中机器所擅长的领域分摊给机器，如：数据挖掘和识别数据规律，将编辑人员所擅长的工作内容交予人类，如设置提问、赋予任务以权重，对上下文进行理解等。 这和我们此前尝试用Chat GPT进行研究报告的撰写的情况类似。在未来，人主要负责整体方向的把握和提出问题，而AI负责信息的搜集、处理汇总和融合。 图表5：路透社AI撰写新闻稿 除了以上这种形式以外，目前更普遍的是通过AI快速抓取信息数据，套入已设置好的模板后形成文稿。这在我们平时熟悉的“万得”的快讯以及“汽车垂直媒体”汽车参数对比中较为常见。 除了新闻稿件类，AIGC生成图片也被应用在新闻稿或自媒体的插图或封面上。相比原先在素材库找图的效果更贴合文章，也减少了找美工的费用并提升了效率。但在这一领域，文字的需求大于图片，一方面是由于工作的完成度另一方面是由于本身的市场空间。 跨越B端需求鸿沟 部分to B应用具有项目制的特点而难以被满足，我们称之为需求鸿沟。例如，IP矩阵的构建，当需要对大IP构筑包括电影、电视、游戏、动漫、手办等周边产品时，需要大量各类原创作者对IP矩阵进行丰富，这是一个费钱且费力的漫长过程。内容供给方因工作量巨大而无法提供大量原创稿件，而需求方因看不到内容而无法买单。未来基于AIGC，原创内容方可以以少量手稿，借助模型的帮助，大量生成内容，由于扩散模型的存在，这种“白盒+黑盒”式的内容生成甚至带有“二创”的意味。若能在AIGC的帮助下跨越需求鸿沟，则大型B端项目更容易实现。 我们以二次元市场为例，该产业已经步入爆发期，产业链趋于成熟。2020年国内整体市场规模达突破了千亿，泛二次元用户预计2023年达到5亿。围绕着二次元IP形成的包括潮玩、虚拟偶像、服装和线下娱乐等新型衍生产品矩阵拥有巨大市场，也是当下发展的重点。 图表6：二次元产业图谱 在潮玩、虚拟偶像和服装的设计生产过程中，必不可少会涉及选择设计师、完成设计这一过程。有了AIGC的帮助，可以大幅提升这一过程的效率。在原先的情况下，需要安排一批设计师尝试设计一个初稿并给IP方审核沟通，产生的沟通成本和前期初稿设计费用相对较高。而在AIGC的情况下，设计师可以先训练出自己风格的生成模型迅速根据IP方的要求设计出多个初稿供选择。这一点能够快速帮助确定设计师并减少沟通成本。 在后续的设计生产过程中，也可以通过AIGC高效生成多种类似风格或IP的内容，这将大幅提升效率和降低成本。 因此，即使由于技术的发展使得AIGC变得普及，我们依旧认为当下阶段，to B端才是主要的商业模式方向，核心原因在于对于B端带来的效率提升是切实的，也能够填补原本很难完成的需求对接，因此客户付费意愿较强。 3、面向C端的AIGC，以SaaS订阅为主 随着AI模型与算力的发展突破了可用的临界点，AIGC对个人的赋能也是值得关注的方向。在极小的边际成本下，AIGC应用能够大幅度提高个人的信息处理效率以及内容输出质量，而这类技术又可能反作用于生产关系的演变。 因此