BIG IDEAS 2024

年度研究报告P U R POS ES ON LY 本报告为ARK投资出品的年度研究报告，供学习参考，请勿用于商业用途 投资创新的风险 注意：ARK所相信的公司正在利用颠覆性创新和开发技术来取代旧技术或创造新市场，但实际上可能不会如此。ARK旨在教育投资者，并寻求评估潜在的投资机会，并指出风险和不确定性可能会影响我们的预测和研究模型。所呈现的内容仅供投资者参考，并注意某些创新领域的市场风险、颠覆性创新风险、监管风险和相关风险 请仔细阅读风险披露。 → Aim for a cross-sector understanding of technologyand combine top-down and bottom-up research. BigIdeas2024 打破常规，定义未来 ARK投资自豪地发表“BigIdeas2024：打破常规，定义未来。”这是我们自2017年以来的传统。BigIdeas系列对技术融合及其对工业和经济的革命性潜力进行了全面的分析。 ARK寻求通过投资颠覆式创新的领导者、推动者和受益者实现长期资本增值。ARK坚信创新不仅是增长的关键，也是韧性的关键，ARK强调在每个投资者的投资组合中对创新进行 战略性配置的必要性。这种方法旨在利用在广泛的指数中经常被忽视的指数级增长机会，而同时对冲面临颠覆的现有企业带来的风险。 我们希望您喜欢BigIdeas2024。 技术融合5人工智能19比特币配置342023年的比特币43智能合约53数字消费者64数字钱包75精准治疗87多组学工具与技术96电动汽车104机器人113无人驾驶出租车122自主物流133可复用火箭1433D打印153 根据ARK的研究，颠覆性技术之间的融合将定义这十年。五大技术平台——人工智能、公有区块链、多组学测序、储能和机器人技术正在融合，并会改变全球经济活动。 技术融合创造的宏观经济转变，影响力远超第一次和第二次工业革命。在全球范围内，实际经济增长可能从过去125年的平均3%提速至未来7年7%以上，原因是机器人振兴制造业、自动驾驶出租车改变了交通运输，而人工智能则提高了知识工作者的生产力。 在人工智能突破的催化下，到2030年，与颠覆性创新相关的全球股票市场价值占比会从16%增加到60%以上。结果是，与颠覆性创新相关的年化股权回报率可能超过40%。在接下来的七年里，其市值从今天的19万亿美元增加到大约到2030年将达到220万亿美元。 公有区块链 一旦大规模采用，所有资金和合同都可能迁移到支持和验证数字的稀缺性和所有权证明的公有区块链上。金融生态系统可能会重新配置以适应加密货币和智能合约的上升趋势。这些技术增加透明度，减少资本的影响和监管控制，并降低合同执行成本。在在这样一个世界里，数字钱包的必要性增加，更多的资产具备金钱属性，企业和消费者也会适应新的金融基础设施。公司结构本身也可能会受到质疑。 多组学测序 收集、排序和理解数字生物数据的成本正在急剧下降。多组学技术为科学家研究，治疗组织和健康组织提供了前所未有的DNA、RNA、蛋白质和数字健康数据的访问能力的平台。癌症治疗应该通过泛癌症的血液检测来改变。多组学数据应输入到新的Precis离子中使用新兴基因编辑技术靶向和治愈罕见病和慢性病的疗法条件。环境多组学应该会解锁全新的可编程生物学功能，包括新型生物材料的设计与合成，构建具有跨行业的应用，特别是农业和食品生产。 五大创新平台正在融合并定义这个技术时代 人工智能随着数据而发展的计算系统和软件可以解决棘手的问题， 自动化的知识工作，和加速技术融入每一个经济领域。神经网络的采用应该比互联网的引入更重要，并有可能创造数十万亿美元的价值。这些系统将大规模地需要前所未有的计算资源，而特定于人工智能的计算硬件应该在下一代云数据中心中占据主导地位，以训练和操作人工智能模型。终端用户的潜力是很明显的：一系列人工智能驱动的智能设备遍及人们的生活，改变他们消费、工作和娱乐的方式。人工智能的采用会改变每个行业，影响每一个业务，并催化每一个创新平台形式。 机器人技术 储能先进电池技术成本的下降应该会导致外形尺寸的爆炸 在人工智能的催化下，适应性机器人可以与人类一起操作，并驾驭遗留基础设施，改变产品的制造和销售方式。3D打印有助于制造的数字化，不仅提高了最终使用零件的性能和精度，而且提高了供应链的弹性。与此同时，世界上速度最快的机器人，可重复使用的火箭，将继续降低系列卫星的发射成本和实现无间断连接。新生的创新平台上，机器人可能会降低高超音速旅行的距离成本，3D打印机的制造复杂性成本，以及人工智能引导机器人的生产成本。 式增长，让人和物品从一个地方到另一个地方的成本暴跌，自主移动得以实现。电动传动系统成本的下降会解锁微出行和空中系统，包括飞行出租车，实现改变城市景观的商业模式。自动驾驶会大幅降低出租车、送货和监控数量级，实现无摩擦交通工具可以提高电子商务的速度，并使个人拥有汽车成为例外，而不是惯例。这些创新与大型固定式电池相结合会引起能源的转变，用电力代替液体燃料，并将发电基础设施推向网络的边缘。 融合技术正在掀起历史性的技术浪潮 通用性技术的经济影响估算 人工智能是核心技术催化剂 技术融合矩阵展现了技术之间的关系。 人工智能的发展速度比预期得更快 单项技术进步能够合并串联成巨大的新市场机会 自动驾驶 神经网络 节能电池技术 AI和电池电动传动系统的结合使机器人出租车系统能够规模化。 电池电动传动系统可将机器人出租车的运营成本降低60%。 先进的人工智能使自动驾驶出租车能够依赖更少、更便宜的传感器。 自适应机器人 除了更好的电池和人工智能，通用机器人还需要更好的:•电动机 •电力电子元件•传感器•高效能计算 每个技术的成本会按照其学习曲线而下降。 这些技术对经济的影响会被证明是戏剧性的 部分主要技术的经济影响 对公有区块链的预期 尽管下表中描述的场景是用现在时写的，但它们是基于ARK的观点预测的可能结果。由于一些不确定性，这些可能的结果在未来可能无法实现。所提供的信息不应被视为投资建议，以及不应构成任何投资决策的基础。 对多组学测序的预期 尽管下表中描述的场景是用现在时写的，但它们是基于ARK的观点预测的可能结果。由于一些不确定性，这些可能的结果在未来可能无法实现。所提供的信息不应被视为投资建议，以及不应构成任何投资决策的基础。 对储能的预期 尽管下表中描述的场景是用现在时写的，但它们是基于ARK的观点预测的可能结果。由于一些不确定性，这些可能的结果在未来可能无法实现。所提供的信息不应被视为投资建议，以及不应构成任何投资决策的基础。 对人工智能的预期 对机器人的预期 人工智能 扩展全球智能并重新定义工作 本报告为ARK投资出品的年度研究报告，智能小巨人科技进行了编译，仅供学习参考，请勿用于商业用途 凭借在各种测试中的超人表现，像GPT-4这样的人工智能模型会催化前所未有的生产力繁荣。受到ChatGPT的“iPhone”般的时刻的影响，企业正争先恐后地利用人工智能(AI)的潜力。 归功于成本的迅速下降和开源模型，人工智能带来的不仅仅是效率的提高。如果知识工人的生产率到2030年翻两番，正如我们所认为的那样，实际GDP的增长可能会加速，并在未来五到十年内打破纪录。 ChatGPT让消费者感到高兴，让企业感到惊讶 自2017年Google发明transformer架构以来，ChatGPT在多年的进步基础上，促进了公众对生成AI的理解。ChatGPT不再只是开发人员的工具，它简单的聊天界面使任何说任何语言的人都能利用大型语言模型(LLM)的强大功能。2023年，企业争先恐后地了解和部署生成式AI。 人工智能已经显著提高了生产力 像GitHub Copilot和Replit AI这样的编码助手是早期的成功案例，它们提高了软件开发人员的生产力和工作满意度。人工智能驱动的助理正在提高知识型员工的绩效，有趣的是，与高绩效员工相比，表现不佳的员工受益更多。 基础模型正在跨领域改进 凭借更大的训练数据集和更多参数，GPT-4的表现明显优于GPT-3.5。越来越多的基础模型变得“多模态”——支持文本，图像，音频和视频——不仅更具动态性和用户友好性，而且性能更高。 文本到图像模型正在重塑图形设计 在多伦多大学的研究人员推出第一个现代文本到图像模型八年后，图像模型的输出现在可以与专业平面设计师相媲美。人类设计师可以在几个小时内以数百美元的价格创建一个图像——比如一群大象穿过绿色的草地。文生图模型只要花费几分钱就可以在几秒钟内生成相同的图形。 像AdobePhotoshop这样的专业应用程序和像Lensa和ChatGPT这样的消费者应用程序正在将图像模型集成到他们的产品和服务中。 Q一群大象走过一片绿色的草地 创作书面文字的成本骤降 在过去的一个世纪中，创作书面内容的成本实际上一直相对稳定。在过去的两年中，随着LLM的写作质量提高，成本骤降。 AI训练的表现正在迅速提高 人工智能研究人员正在训练和推理、硬件和模型设计方面进行创新，以提高性能和降低成本。 其他算法创新 训练成本继续以每年75%的速度下降 根据赖特定律，加速计算硬件的改进将使AI相对计算单元 (RCU) 的生产成本每年降低53%。而算法模型的增强可以进一步带来每年47%的训练成本下降。换句话说，到2030年，硬件和软件的融合可以使人工智能训练成本以每年75%的速度下降。 随着生产用例的出现，人工智能的重点正在转向推理成本 在最初专注于LLM训练成本优化之后，研究人员现在正在优先考虑推理成本。基于企业级用例，推理成本似乎以每年约86%的速度下降，甚至比训练成本下降还要快。如今，与GPT-4Turbo相关的推理成本低于一年前的GPT-3。 开源社区正在与私有模型竞争 挑战来自OpenAI和Google的闭源模型，开源社区及其冠军企业Meta正在使生成式AI的访问民主化。总的来说，开源模型的性能比闭源模型的性能提高得更快，这得益于最近来自中国的模型。 语言模型性能的进步需要细致入微的技术 从SAT到高级侍酒师考试，GPT-4在标准化教育考试中的表现明显优于普通人。然而，根据WinnoGrande的衡量，它在常识推理方面落后于人类水平的能力。 斯坦福大学的框架-语言模型的整体评估 (HELM)-是最全面的，不断更新的评估方法之一，已针对73个场景和65个指标的组合测试了80多个模型。 LLm是否会耗尽数据，从而性能受限？ 计算能力和高质量的训练数据似乎是模型性能的主要贡献者。随着模型的增长和需要更多的训练数据，缺乏新数据会导致模型性能停滞不前吗？Epoch AI估计，到2024年，书籍和科学论文等高质量的语言/数据源可能会耗尽，尽管仍然存在大量未开发的视觉数据。 未开发的数据源 •每年口语的30万亿个单词•语音生成文本工具，捕获每天说的大约80万亿个单词•增强原始数据的合成数据•自动出租车，卡车，无人机和其他生成大量物理世界数据的机器人~ 4 0 Quadrillion Tokens 定制的AI产品应该享有更多的定价权 随着开源替代品的出现和成本的下降，为最终用途应用定制人工智能的软件供应商应该能够更容易地将它们货币化。相反，简单的生成式AI应用程序可能会迅速商品化。 低价值 高价值 •垂直化，高度差异化工具•20%+价值捕获•案例:自动驾驶网约车 •水平的，商品化工具•< 5%价值捕获•案例：AI会议总结 加速知识工作者生产力的增长代表着潜在的数万亿美元的机会 加速知识工作者生产力的增长代表着一个潜在的数万亿美元的机会。到2030年，人工智能有可能使知识型职业中的大多数任务自动化，从而大大提高普通工人的生产力。 自动化和加速知识工作任务的软件解决方案应该是主要受益者。 比特币配置 增加比特币在投资组合中的比重 重要信息 比特币是一个