策观AI专题：AIGC何以引领产业浪潮

证券研究报告|2023年04月06日 策观AI专题 AIGC何以引领产业浪潮 核心观点策略研究·策略深度 AIGC：脑力生产2.0时代的助推器。从利用工具提升生产力的内核看，人类生产效率提升包括了体力输出效率提升、脑力生产效率线性提升、脑力生产效率阶跃式提升三个阶段。本轮AIGC是更长期的趋势浪潮，主要基于下列三大驱动力：1）人工智能持续改变人与内容的根本关系，人从初阶生产者变为高阶生产者；2）AIGC多模态的特征使之具备多场景融入的潜能，渗透率有望快速抬升；3）底层技术方面，垂域大规模落地需要更精简的模型，“通用大模型+垂域精细化模型”或为AIGC融入千行百业的终局，MMKG+AIGC助力“小模型+垂域”演绎。类比数字经济框架，AIGC“技术✖产业”带来的增量空间大于技术迭代本身，Copilot作为“AIGC✖MMKG”的代表性应用，为更多垂域落地带来想象空间。大语言模型作为“多模型指挥官”、借助GPT进行数据标注进而反哺小模型等前沿方向初步成型，存在较强应用潜力。 以史为鉴：2013、2015年TMT行情，2019-2021年半导体行情之于本轮AI浪潮存在一定启示意义。2013年全年、2015年上半年TMT领涨，传媒、计算机、电子、通信均位于所有一级行业中的前7位，2019-2021年TMT板块涨势呈现分化，电子上涨164%位居前列，计算机上涨55%位居中段，传媒、通信均位居后1/3。2013-2015年的TMT行情驱动力源于移动互联网发展，与本轮更相似的是自顶向下人与内容关系发生变革。不同点在于政策助力外延式并表扩张，一定程度助力TMT板块短期高g，促成2015上半年的主升浪。而2019-2021年期间，半导体的结构性行情核心驱动力来自产业链景气反转上行以及国内半导体企业去库存。本轮AI浪潮尽管无法以指标刻画景气度，但多场景、多模态下的垂域应用空间十分广阔，景气度存在抬升预期，因此该轮结构性行情具备一定启示意义。 从绝对空间上看，AI产业赛道长期空间仍存。以人工智能指数为观测口径，本轮人工智能行情在涨幅上领先上轮行情约30个交易日，拉长时间维度看，较上轮行情的长期绝对空间顶部仍有距离。从细分行业看，电子行业涨幅低于2013年同期，计算机行业涨幅高于2013年同期，且估值高于2013年全年的最大估值涨幅。自下而上从个股空间看，对比上轮行情启动元年，平均数及中位数视角下，本轮人工智能浪潮或存在一定的长期空间。 配置思路上，关注存储器、芯片(算力）、半导体(设计、封测)。1）AIGC在应用端的蓬勃发展将刺激内存需求，考虑到AI服务器对DRAM容量的高要求，存储芯片、其他存储相关厂商持续受益；2）大模型应用场景扩展，计算能力保留的背景下，算力瓶颈仍存在，关注算力、算力芯片相关赛道；3）半导体基本面预计2023年触底，目前交易拥挤度适中，考虑到股价可能先于后续需求预期，重点关注复苏相位领先的设计、封测。 风险提示：AI技术商业化落地不及预期；行业竞争加剧；技术迭代不及预期 证券分析师：王开联系人：陈凯畅 021-60933132021-60375429 wangkai8@guosen.com.cnchenkaichang@guosen.com.cn S0980521030001 基础数据 中小板/月涨跌幅(%)7857.46/1.39 创业板/月涨跌幅(%)2426.57/-0.21AH股价差指数139.54 A股总/流通市值(万亿元)78.92/69.09 市场走势 资料来源：Wind、国信证券经济研究所整理 相关研究报告 《策略深度研究-“颠覆性”创新和价值投资，谁主沉浮？》— —2023-04-03 《策略深度研究-宏观对冲基金逆势投资寻踪》——2023-03-29 《策略深度研究-2月A股估值微升，分化度下降意味着什么？》 ——2023-03-10 《产业链ESG系列研究(一)-制造业ESG评级情况与实践案例》 ——2023-03-10 《策略深度研究-资产配置框架变迁史》——2023-03-09 请务必阅读正文之后的免责声明及其项下所有内容 内容目录 AIGC：脑力生产2.0时代的助推器4 AIGC出现标志着人类脑力效率的第二次飞跃4 本轮AIGC引领产业浪潮源于三大核心驱动力4 垂域演绎空间大，赛道长期价值高10 以史为鉴：“科技牛”之于本轮AI浪潮13 2010年至今存在三段代表性较强的TMT行情13 移动互联网蓬勃发展，2013-2015年迎来TMT牛市14 2019年的TMT结构性牛市主要受景气因素驱动15 策观AI：行至何处？是否过热？18 绝对空间上看，AI产业赛道长期空间仍存在18 多数AI相关板块交易热度较高，部分电子细分赛道热度适中20 后续演化路径与板块内部配置思路20 风险提示21 免责声明22 图表目录 图1：AIGC出现标志着人类脑力效率的第二次飞跃4 图2：AIGC浪潮下的三大核心特征5 图3：WEB3.0时代，人与内容的关系发生根本性变革5 图4：多模态x多场景，AIGC无缝嫁接千行百业6 图5：生成式AI发展进程6 图6：多模态数据作为文字符号实体的关联属性7 图7：多模态数据作为实体交织存在于网络中7 图8：AIGC助力MMKG迭代8 图9：MMKG反哺AIGC9 图10：产业数字化向纵深发展，规模抬升10 图11：产业数字化规模抬升速率快于数字产业化10 图12：MMKG+AIGC接入微软全家桶，知识库+大模型共同助力生产力提升10 图13：潜在落地层面，行业大模型值得重视11 图14：规模化商用突破方向与竞争策略11 图15：HuggingGPT中，大语言模型作为控制器来链接和管理其他AI模型11 图16：HuggingGPT在多模态的单一任务中表现优异12 图17：训练Baize模型的具体流程13 图18：2010年来典型的科技牛集中在2013全年、2015上半年(TMT)以及2019-2021年(电子)14 图19：移动互联网发展驱动2013-2015年TMT牛市15 图20：电子行业ROE在本轮牛市期间上行或稳定在高水平15 图21：游戏板块2015年处在ROE长期上行周期内15 图22：电子、计算机2019-2020年在TMT中相对占优16 图23：半导体主导本轮TMT结构性行情16 图24：半导体周期演变16 图25：2019年中至2021年末，半导体销售额持续上行17 图26：2021Q2前，国内半导体企业持续去库存17 图27：绝对空间上看，AI浪潮方兴未艾18 图28：计算机涨幅高于2013年同期，电子低于同期18 图29：计算机估值抬升幅度高于2013年最大值18 图30：换手率分位数视角下，半导体、芯片目前拥挤度适中20 表1：部分人工智能主题标的未达到上轮行情启动首年涨幅19 AIGC：脑力生产2.0时代的助推器 AIGC出现标志着人类脑力效率的第二次飞跃 从使用工具对人类生产力提升的内核看，人类生产力效率提升包括下面三个阶段：1）体力输出效率提升；2）脑力生产效率线性提升；3）脑力生产效率阶跃式提升。 1）体力输出效率提升：无论是石器时代对石器的使用，农业时代对农具+生物质能的使用，还是工业1.0和2.0时代（蒸汽时代、电器时代）的大机器生产取代手工劳动，工具之余人类的作用更多体现在体力输出效率的提升。 2）脑力生产效率线性提升（1.0）：从20世纪40-50年代，原子能、计算机、航天技术的发明与应用标志着人类进入科技时代，PC/软件的应用使得人们在内容生产的过程中有了更多可以倚仗的可靠工具。 3）脑力生产效率阶跃式提升（2.0）：以ChatGPT为代表的AIGC工具出现，对传统内容生成模式进行了颠覆与重塑，人类在内容生产端的角色由初阶内容生产者转变为高阶内容加工者，在AIGC生产的更多元化的初阶内容的基础上进行科学性、准确性校验等二次深加工。 图1：AIGC出现标志着人类脑力效率的第二次飞跃 资料来源：艾瑞咨询，甲子光年，国信证券经济研究所绘制 本轮AIGC引领产业浪潮源于三大核心驱动力 自顶向下看，本轮AIGC的演绎是更长期的趋势浪潮，主要基于人工智能技术的三大核心驱动力。1）从生产力角度看，人工智能持续改变人与内容的根本关系，人在生产关系中的角色将从初阶内容生产者变成“生产者+加工者”的综合角色；2）从产业渗透角度看，AIGC多模态的特征使之具备多场景融入的潜能，渗透率有望快速抬升；3）从人工智能技术底层看，垂域大规模落地需要更小的模型，“通用大模型+垂域精细化模型”是产业转型更可能的终局。MMKG+AIGC能够实现“1+1>2”的实际效果，助力“小模型+垂域”的演绎。 图2：AIGC浪潮下的三大核心特征 资料来源：国信证券经济研究所绘制 特征1：人与内容的关系发生根本性变革 在互联网时代，人与内容的关系发生着三次较为明显的变化。WEB1.0时代，PGC是主要的内容生产形式，人作为内容的消费者，体验个体范围内的单向交互，文字、图片、视频是主要的内容载体；在WEB2.0时代，内容生产的形式从PGC向PGC+UGC过渡，期间人作为内容的生产者，体验从单向交互升级为双向交互，内容存在数量较多但质量有限的问题；站在当下，WEB3.0时代，PGC、UGC、AIGC分布在不同领域的内容生成中，内容生成的形式更为多元，人从狭义上的一阶内容生产者转向“一阶内容生产者+高阶内容加工者”。从体验水平上看，人作为广义上的“内容生产者”，能够拥有沉浸式的体验，赋能信息聚联与价值共享。 图3：WEB3.0时代，人与内容的关系发生根本性变革 资料来源：wind，甲子光年，国信证券经济研究所绘制 特征2：多模态x多场景→跨产业渗透率抬升 从OpenAI目前的产品矩阵看，囊括了对话模式AI交互模型（ChatGPT)，基于自然语言描述的图片生成系统(DALL·E2)，自动语音识别神经网络（Whisper）等，生成式AI技术在文本、代码、图像及视频、游戏应用等多个领域具备极强的发展 潜力。从成熟度看，目前生成式AI模型在文本和代码领域具备一定的成熟度，在图像和更为复杂的3D游戏领域也有涉猎。伴随文本、图片、语音、代码等场景逐步走向成熟，AIGC有望实现多模态融合，下游B端、C端落地应用空间广泛。 图4：多模态x多场景，AIGC无缝嫁接千行百业 资料来源：量子位，腾讯研究院，甲子光年，国信证券经济研究所绘制 从多模态、多场景应用的角度看，AIGC融入各行各业的方式主要可以分为两类：数字内容构建和合成数据助推。数字内容构建包括图像生成、文本生成、音视频生成、GameAI等，合成数据助推则和产业数字化有更大的关联，包括像自动驾驶、银行和投资、虚拟工厂、智慧零售等。从数字内容构建的角度看，AIGC目前在文本和代码生成领域处在接近成熟阶段，在图像、视频、3D模型等领域仍有较大发展空间。从演绎阶段看，文本、代码等一维向量快于图像(二维),图像快于3D应用。 图5：生成式AI发展进程 资料来源：红衫资本，国信证券经济研究所整理 特征3：底层技术层面MMKG支撑AIGC，助力细分领域大模型价值凸显 多模态知识图谱（MMKG）是实现跨模态语义对齐的重要抓手。多模态知识图谱 （Multi-ModalKnowledgeGraph)基于传统知识图谱，增加了多种模态数据丰富符号知识的表达。从构建视角看，多模态知识图谱主要包括两类，一类是从符号到图像，即把知识图谱中的符号对应到图像；另一类是从图像到符号，即用知识图谱表示符号来标注图像。换言之，多模态知识图谱中，多模态数据既可以作为文字符号实体的关联属性存在，也可以作为图谱中的实体存在，符号与其他模态对象能够实现语义对齐。从自身特征看，多模态大模型“强泛化+低成本+广适配” 的特征正好与MMKG“推理难+维护贵+硬架构”的不足形成互补，而MMKG凭借其更清晰的结构关系、更强大的解释力、更优秀的拓展性，能够进一步优化AIGC大模型本身的精确程度和知识推理能力。 图6：多模态数据作为文