计算机行业专题报告：ChatGPT：开启AI新纪元

ChatGPT开启AI新纪元，加速应用场景落地，带动AI产业上游需求：2022年12月1日，OpenAI发布了自然语言生成式模型ChatGPT，可以通过人工智能模型来与用户对话，并自动理解用户的问题，提供更精确、更有价值的信息。ChatGPT建立在GPT-3的后续改进版本GPT-3.5基础上，通过引入强化学习模型，大幅提高了AI在人机对话时的准确度和可控性，实用性得到广大用户的积极反馈。ChatGPT下游应用场景包括代码机器人、小说衍生器、对话类搜索引擎、语音工作助手、对话虚拟人等，具备代替人工的创造力； ChatGPT也将带动上游算力、数据标注、自然语言处理需求，可谓开启AI新纪元。 算法模型引入人类反馈，技术发展迎来拐点：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。该技术突破使得ChatGPT对话更加贴近人类，语段间逻辑关联度显著提升。 ChatGPT平台型技术将带动全行业AI发展提速：ChatGPT是AIGC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。部分行业如搜索引擎、文稿创作、艺术设计等可能出现行业格局与商业模式的骤变，全行业“AI+”浪潮已至。数据、算力、算法作为AI三要素，相互耦合，共同促进，将带动AI行业整体协同发展。 投资建议：建议关注数据领域的海天瑞声等；算力领域的海光信息、龙芯中科、宝信软件等；算法领域的海康威视、大华股份、科大讯飞、奥普特以及AIGC领域的万兴科技等。 风险提示：AI技术迭代不及预期的风险；商业化落地不及预期的风险；政策监管风险 1ChatGPT：颠覆性的生产力工具 ChatGPT让人工智能真正融入人类创造，成为颠覆性的生产力工具。2022年12月1日，OpenAI发布了自然语言生成式模型ChatGPT，这是一种基于GPT-3（GereratePre-Training，生成式预训练模型）技术的聊天机器人，它可以通过人工智能模型来与用户对话，并自动理解用户的问题，提供更精确、更有价值的信息。 相比GPT-3，该模型回答问题方式更加贴近人类，具备记忆能力，可实现连续对话，同时还具备修改代码、撰写论文、诗歌创作等能力，开放测试5天内注册人数即超过百万人。OpenAI的联合创始人马斯克也在感叹：“我们离强大到危险的人工智能不远了。” 图1.ChatGPT根据用户需求生成信件 ChatGPT是基于OpenAI此前发布的GPT-3的进一步创新，是站在巨人肩膀上的明星技术。OpenAI是一家通用人工智能研究公司，于2015年成立。OpenAI开发、维护和训练了一批可用于写作、阅读、编程和图像处理的AI模型，包括Muse Net、GPT-3、ChatGPT等，ChatGPT是OpenAI原创性自动问答系统InstructGPT的延续，建立在GPT-3的后续改进版本GPT-3.5基础上，通过引入强化学习模型，大幅提高了AI在人机对话时的准确度和可控性。ChatGPT下游应用场景包括代码机器人、小说衍生器、对话类搜索引擎、语音工作助手、对话虚拟人（客服、外呼、营销）等。从上游需求的增加来看，算力、数据标注、自然语言处理等可能受益。 图2.OpenAI新产品推出进展 2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ChatGPT模型训练，需要以下三个步骤： 根据采集的数据集对GPT-3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（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RM作为强化学习的优化目标，利用PPO算法微调SFT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。 图3.ChatGPT的模型训练方法 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。 图4.ChatGPT的局限性 3变革前夕：“AI创造”产业化在即 3.1平台化产品赋能全行业，“AI+”势不可挡 ChatGPT平台型技术突破，带动全行业AI发展提速。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。 图5.AIGC应用领域 3.2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。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。 图6.搜索引擎竞争格局（2020.01-2022.11） ChatGPT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。 图7.谷歌营业收入结构（2021年） 3.3人工智能浪潮已至，数据、算法、算力耦合共振 AI三要素相互耦合，共同生成AI模型。一个传统的AI模型包括训练和推断（预测）两大部分。训练环节指将训练数据（通常为现有的历史数据）输入进算法中，通过AI芯片（GPU、FPGA等）提供算力支撑，以及数据工程师的分析调参，最后生产满足特定功能的AI应用模型。推断环节指通过向训练完成的AI应用模型中输入实际应用场景中的新数据，并生产对应的推断结果。在这一过程中，数据、算法和算力扮演着同等重要的角色，三要素的耦合关系是探索AI未来发展道路的重要基础： 数据是AI模型的“汽油”：数据是一切人工智能的基础。数据因其可具象性强，也是最容易被理解的竞争壁垒（特斯拉在自动驾驶数据的积累、科大讯飞在智慧教育的题库数据积累等）。未来数据的突破口在于1）数据积累的行业下沉（智能化渗透率的提升，传感技术的升级等）；2）现有数据的打通（实现将不同行业，政府与企业间的数据互联互通）；因此，在特定行业具备数据积累先发优势和跨行业数据整合能力的公司有望保持领先。 算力是AI模型的“发动机”：算力是最容易被直观量化的指标（英伟达每年推出的新GPU参数），但也是目前最大的瓶颈。算力的瓶颈并不体现在算力的绝对大小，而在于实现该算力的成本。特别是在算法场景众多、迭代速度较快的AI领域，如何设计出同时满足通用性和高算力的AI芯片仍是当下炙手可热的话题。因此，具备由单一芯片模式往融合异构多芯片模式发展能力的公司有望率先受益。 算法是AI模型的“大脑”：算法是AI实现技术跃迁的根本，也是最难以被直观理解的部分。从AlexNet重新复兴神经网络到Transformer开启大模型时代，人工智能的每一次里程碑事件都伴随着算法层面的突破与创新。往后展望，一个好的算法除了能更好的完成设定的任务外，还需具备1）更强的通用性（激活更多的可用数据）；2）更优化的计算原理（减少算力的负担）。因此，我们认为在AI领域具备科研资源和资金实力的公司将有望拔得头筹。 图8.AI三要素及AI模型训练/推断原理 4投资建议 建议关注数据领域的海天瑞声等；算力领域的海光信息、龙芯中科、宝信软件等； 算法领域的海康威视、大华股份、科大讯飞、奥普特以及AIGC领域的万兴科技等。 5风险提示 AI技术迭代不及预期的风险：若AI技术迭代不及预期，NLP模型优化受限，则相关产业发展进度会受到影响。 商业化落地不及预期的风险：ChatGPT盈利模式尚处于探索阶段，后续商业化落地进展有待观察。 政策监管风险：目前AIGC相关技术还处于发展早期，后续若出台监管政策可能会对行业发展有一定影响。