重塑与创造：2024Al洞察报告

重塑创与造 AI+洞察报告 景顺长城科技军团重磅发布 重塑与创造：洞察报告AI+景顺长城基金 前言 从围棋高手AlphaGo到万能助理ChatGPT，AI（人工智能）产业在不断发展和突破。现在，AI不仅能快速理解和生成人类的语言，还可以在内容创作、软件开发、教育办公等多种场景中发挥关键作用。工业革命时代的机械与流水线提升了“体力劳动“的效率，而今AI大模型提高了”脑力劳动“的效率，带来新一轮席卷各行业的“AI+”技术革命。 人类从书本与实践中不断提升自我，AI也在利用海量数据与外界反馈，不断地进化和迭代。如今，AI大模型已经基本学习了人类所有的书籍与科学知识，对于细分领域的专业问题也能快速理解和掌握。畅想未来，AI将成为高度自主和智能的“机器大脑”，在工业制造、自动驾驶、科技研发甚至太空探索中，创造巨大的经济价值。 AI大模型不仅重塑了生产力，还将赋予人类“超能力“。每个人的时间与精力是有限的，而AI大模型可以扩展人的能力半径。戴上具备AI能力的可穿戴设备，每个人都可以掌握新的语言和科学知识，提升记忆力和效率。使用AI手机和电脑，每个人都可以进行艺术设计、开发程序，或者制作电影和小游戏。在不久的将来，在漫画、应用、电影、游戏等各种领域，内容创作的数量可能井喷，创造出类似抖音的UGC超级平台。 与此同时，全球科技企业正在构建超大规模的AI算力集群，让“智力“资源像水电一样流向千行百业。随着AI大模型的进化与发展，芯片、存储、通信互联等算力产业链都将持续升级。而在美国制裁的背景下，国产AI芯片和生态系统将迎来史无前例的机会，带动设计、制造和先进封装全产业链的加速成长。 我们认为，AI+革命已经到来。当下的AI一定不够完美，从研究成果到商业应用的转化也是一条漫长而艰险的道路。市场的质疑在当下看似都很有道理。但是，科技产业的发展永远是非线性的，我们往往容易高估一项新技术的短期影响，却又低估它五年、十年带来的巨变。AI的发展也一定不是一蹴而就的，它将经历多个浪潮，多次革命和多次至暗时刻，带来不断出现的新的投资机会。我们期待着它的蝶变。 目录CONTENTS 一、综述01 1.1AI+产业的十大预测02 1.2AI的寒武纪大爆发02 1.3AI产业链：模型层是大脑，算力层是粮草，应用层是执行单位04 二、模型层：大模型向多模态与AIAgent进化05 2.1大模型是什么？模型是如何发展至今的？06 2.2下一代大模型的进化方向07 2.2.1大模型进化方向1：多模态，感知理解升级+拓展人机交互形式07 2.2.2大模型进化方向2：AIAgent，像人一样规划、反思、使用工具的AI程序08 2.3大模型的竞争格局09 2.3.1海外大模型：马拉松淘汰赛，公有模型走向寡头格局09 2.3.2中国大模型：与海外约1年代差，持续追赶海外进程09 三、应用层（软件）：生产力场景实现降本增效，泛娱乐场景提升交互体验11 3.1AI商业价值的载体：生产力应用与泛娱乐应用12 3.2生产力场景：AI实现降本增效12 3.3泛娱乐场景：AI提升交互体验13 3.3.1游戏内容：AINPC让游戏情节具有更多的可能性，为用户创造新奇的体验14 3.3.2游戏形态：AIUGC实现游戏制作去厂商化，有望出现游戏平台的“抖音时刻”14 3.3.3不止于游戏，各类数字创作领域都可能诞生新的超级平台16 四、应用层（硬件）：软件推动硬件创新，下一代智能终端渐行渐近17 4.1AI终端：端侧AI部署有利于降低边际推理成本18 4.2PC/手机为当下最佳AI端侧载体18 4.3MR：解放双手，下一代智能终端的雏形?19 4.3.1MR在2024横空出世19 4.3.2AI和3D建模将提升内容生产效率20 4.3.3MR带动消费电子投资机遇21 4.4AI赋能感知和决策，加速智能汽车技术升级21 4.4.1智能汽车产业发展的奇点即将到来22 4.4.2中国汽车产业链是智能化浪潮中最具备竞争力的产业链23 4.4.3中国汽车产业链在智能化浪潮中酝酿巨大投资机会24 4.5AI的突破是机器人进化的里程碑24 4.5.1智能机器人的落地节奏25 4.5.2降本路径不仅仅依靠规模效应，更有赖于中国供应链的参与26 五、算力层：推理需求爆发在即，国产替代加速前行28 5.1算力投资：AI应用爆发的必要条件和先行指标29 5.2全球算力：推理需求驱动算力投资快速成长30 5.2.1算力需求：AI成为全球算力投资增长的核心驱动30 5.2.2供应链：AI重塑价值分配，算力芯片为核心，通讯/存储部件配套升级31 5.3国产替代：需求旺盛但成熟供给不足，外部制裁迎国产历史机遇33 5.3.1供需缺口：国内算力需求已达到全球第二，但上游核心芯片对外依赖严重33 5.3.2产业追赶：围绕算力芯片，设计-制造-封装全产业链加速成长34 六、附录36 (1)训练侧算力需求匡算37 (2)推理侧算力需求匡算38 一、综述 01 1.1AI+产业的十大预测 AI将带来一场席卷各行各业的技术革命 海外模型将走向寡头格局，国内存在约一年代差 AI将重塑交互体验，有望孵化出新一代超级平台 AI赋能感知与决策，加速智能驾驶奇点到来 算力需求将从训练转向推理，从云端转向边端 大模型正在向多模态和AIAgent方向进化 AI将明显提升脑力劳动效率，推动生产力革命 AI应用将百花齐放，驱动新一轮硬件创新周期的到来 AI重塑机器人大脑，产业链迎来新机遇 海外算力禁售推动国产芯片和先进封装迎历史性机遇 1.2AI的寒武纪大爆发 A（I人工智能）是指能够让机器变得和人一样聪明的技术、方法和工程。AI学科1950年就已经诞生，我们一直在让机器学会看图、下围棋等专业技能，但直到2022年末ChatGPT3.5的发布，才真正点燃了AI在全民普及的热情，仅仅2个月时间，用户数就增长过亿。 为什么此次AI会出现爆发？本质在于本轮AI不再是狭窄专用领域的人工智能，机器终于变成了一个通才，成为通用人工智能，即可以像人一样在一切领域里无差别地学习和与人类交互。AI开始介入了人们生产、生活的方方面面。 ChatGPT3.5 2022 图：AI的发展历程 1950S AlexNet 2012 AlphaGo 2016 Dall.E2022 AI将是一场席卷各行各业的技术革命。我们认为只有提升社会生产效率的技术创新才能称之为技术革命。例如1860年的工业革命，它通过机械化大生产代替手工劳作，大幅降低了体力劳动的成本，在短短不到200年间缔造的财富就超越了过去3000年农业社会的总和。1950年后又出现了信息技术革命，它大幅降低了计算成本，改变了信息传播和分发的方式，孕育出巨型互联网公司，社会财富又达到了空前的高度。而今AI的革命则降低了脑力劳动的成本，使人类从简单的数字工作中解放出来，我们期待它带来新的市场机会和财富变革。 图：从工业革命到AI革命，每一轮生产力提升都推动了社会财富指数级增长 世界GDP($billion) 体力劳动+简单工具 犁（3500AC） 体力劳动被机器替代，成本大幅下降 蒸汽机（1698） 珍妮纺纱机（1765） 计算和分发成本大幅下降 计算机（1946）台式计算机(1981) 脑力劳动成本大幅下降 ChatGPT(2022) 140000 120000 100000 80000 60000 40000 20000 01AC1000150016001700182018701900191319401953196819781988199820082018 Source:景顺长城基金 我们当前处在AI革命的第二浪。过去一年AI已经经过一波热炒，市场认为当前AI所有的能力都已被充分挖掘，缺乏新的亮点。但AI的发展是多层次、多浪潮的。按照基础大模型的能力去划分，我们现在处在人工智能的第二个阶段，后面还有多模态、AIAgent到混合现实，再到具身智能等种种的突破可以期待。面对AI这样席卷各行各业的重大革命，我们不应该过度关注短期，而忽视了产业长期的进展和应用潜力。 图：AI产业周期将呈现“多浪潮”特征，下一轮浪潮将由多模态+AIAgent驱动 AI 大语言模型 AIAgent 混合现实AI+ 2022 2023 2024 2025 2026 2027 1.3AI产业链：模型层是大脑，算力层是粮草，应用层是执行单位 AI产业链整体可以概括为三个层次，模型层、算力层、应用层。模型层好比AI的大脑；算力层好比AI的粮草和营养补给；应用层则是AI的执行机构。我们判断在2024年，国内模型层将成为大宗品，需要和应用场景相结合才能创造差异化。应用层AI将重塑生产效率和交互体验，其中软件和硬件将交替推动创新。而算力层将从训练逐步向推理过渡。 算力扩张加速模型进化与应用落地 应用落地与商业化带动算力投资 图：AI产业链概览 二、模型层：大模型向多模态与AIAgent进化 05 大模型是AI最核心的大脑部分，它在人类海量的数据中学习知识与规律，不断进化和迭代，变得越来越“聪明”。长期看，大模型发展的终局是人工通用智能（AGI），它将具备高度自主性，像人一样自发地创造和完成一切任务。而短期看，下一代的大模型将向多模态与AIAgent进化。 2.1大模型是什么？模型是如何发展至今的？ 大语言模型的核心任务是根据提示词和已有文本，不断预测下一个“合理“的字符 为什么预测下一个合理字符的能力代表智能呢？假设 我们让大语言模型阅读一本侦探小说，让模型预测” 犯人是谁“，如果模型可以准确生成犯人的身份，就代 表模型理解了案件中的全部信息并作出了正确的推理。 大模型底层是深度学习网络，可以像海绵一样吸收知 识，并对知识进行无损压缩。GPT-3在预训练阶段吸收 了45TB的人类数据，包括网页、代码、科学与书籍等。 大模型发展至今经历了从量变到质变的过程。 ①量变：大模型的能力提升会遵循“规模法则”，随着数据量、算力、参数量提升，大模型的压缩损失率持续降低，模型能力持续提升。 ②质变：当模型体量足够大时，模型会出现类似人类“开悟”般的涌现能力，经过思维链提示后（一步步思考），模型推理能力随模型规模扩大显著提升。 图：大模型的量变（规模法则）与质变（涌现能力） 规模法则（ScalingLaw) L=(Cmin/2.3.108)-0.050 7 6 压缩损失率 5 TestLoss 4 3 2 10-9 10-7 10-5 10-3 10-1 101 4.2 3.9 3.6 3.3 3.0 2.7 108 109 5.6 L=(D/5.4.1013)-0.095 4.8 4.0 3.2 2.4 L=(N/8.8.1013)-0.076 105107109 Compute PF-days,non-embedding DatasetSize tokens Parameters non-embedding 算力数据参数 资料来源：Kaplan,Jared,etal."Scalinglawsforneurallanguagemodels"，Wei,Jason,etal."Emergentabilitiesoflargelanguagemodels"，景顺长城基金 06 -- (A)Mathword problems 25 GSM8KAccuracy(%) 20Chainofthought 15 10 5 NoChain 0ofthought 涌现能力(EmergentAbility) (B)Instruction following(C)8-digitaddition(D)Calibration 00 0 0 0 0 0 Scratchpad NoScratchpad 0 T/F Letter choices 1 10NLUtaskaverage %ECE(log-scale,decreasing) 10 75instructio