2024年春季AI應(yīng)用投資策略：新質(zhì)生產(chǎn)力前景下的國產(chǎn)AI

2024年春季AI應(yīng)用投資策略：新質(zhì)生產(chǎn)力前景下的國產(chǎn)AI1.稟賦：基于工業(yè)實力的國產(chǎn)AI快車道對比中美大模型應(yīng)用：并非落后，而是路徑的分岔辯證看待中美大模型應(yīng)用領(lǐng)域的稟賦：美國大模型領(lǐng)先優(yōu)勢在C端，以ChatGPT、CharacterAI等為代表。且C端應(yīng)用更容易出現(xiàn)爆品，從而收獲更高關(guān)注度。中國發(fā)展大模型優(yōu)勢在于齊全的工業(yè)門類和強大的制造業(yè)，積累了海量行業(yè)數(shù)據(jù)。由此帶來發(fā)展路徑的潛在分岔：美國大模型更注重滿足個人的體驗和情感需求，偏虛擬經(jīng)濟；中國大模型的價值更能在賦能實體經(jīng)濟中實現(xiàn)。大模型的應(yīng)用場景，亞洲企業(yè)更為“務(wù)實”在生成式AI的應(yīng)用方面，北美企業(yè)側(cè)重軟件開發(fā)，而亞洲企業(yè)更重視制造業(yè)和研發(fā)。根據(jù)IDC針對全球各地企業(yè)的問卷調(diào)查，亞太區(qū)企業(yè)對于大模型在制造、研發(fā)方面的影響關(guān)注度明顯高于北美地區(qū)，更為“務(wù)實”。相較而言，北美企業(yè)更關(guān)注大模型在軟件開發(fā)設(shè)計方面的影響，較為“務(wù)虛”。新質(zhì)生產(chǎn)力助推下，國內(nèi)大模型與實體緊密結(jié)合工信部3月26日明確表態(tài)，今年將開展“人工智能+”行動。根據(jù)新華社，工信部發(fā)言人表示下一步將加快構(gòu)建以先進制造業(yè)為支撐的現(xiàn)代化產(chǎn)業(yè)體系，改造升級傳統(tǒng)產(chǎn)業(yè)、鞏固提升優(yōu)勢產(chǎn)業(yè)、培育壯大新興產(chǎn)業(yè)、超前布局建設(shè)未來產(chǎn)業(yè)。而AI是戰(zhàn)略新興產(chǎn)業(yè)和未來產(chǎn)業(yè)的重要環(huán)節(jié)。同時，工信部將加快推動以大模型為代表的人工智能賦能制造業(yè)發(fā)展。今年將開展“人工智能+”行動，促進人工智能與實體經(jīng)濟深度融合，推動人工智能賦能新型工業(yè)化。2.技術(shù)：基于多層級架構(gòu)的行業(yè)大模型基于多模態(tài)底座的行業(yè)大模型技術(shù)路線已經(jīng)成熟中美大模型技術(shù)路徑上的分岔：美國：基于高質(zhì)量的英文語料數(shù)據(jù)、領(lǐng)先的模型架構(gòu)，在通用模型方向持續(xù)領(lǐng)跑。中國：基于多模態(tài)行業(yè)數(shù)據(jù)、多層級的模型架構(gòu)，實現(xiàn)行業(yè)大模型能力突破。多層級模型架構(gòu)，更貼近行業(yè)落地的實際需求在產(chǎn)業(yè)實踐中，基礎(chǔ)大模型（L0）—行業(yè)大模型（L1）—場景模型（L2）的多層級模型架構(gòu)成為主流?；A(chǔ)大模型：吸收了海量數(shù)據(jù)的知識，具有參數(shù)量大、高可泛化、性能優(yōu)異等特點。根據(jù)輸入模態(tài)的不同，基礎(chǔ)大模型可分為視覺大模型、音頻大模型、語言大模型、多模態(tài)大模型等。行業(yè)大模型：在基礎(chǔ)大模型的基礎(chǔ)上，利用行業(yè)數(shù)據(jù)進一步預(yù)訓(xùn)練和微調(diào)而成，在行業(yè)領(lǐng)域內(nèi)具有專家級別的能力，可在云中心和邊緣側(cè)進行推理應(yīng)用。例如電力大模型、公路大模型、煤礦大模型、水利大模型、零售大模型、軌道大模型、工業(yè)制造大模型等。場景/任務(wù)模型：專注于某個具體的場景或業(yè)務(wù)，根據(jù)用戶不同的需求，基于行業(yè)大模型進行針對性的優(yōu)化工作，使得模型可以在云上部署或邊端部署。例如表計巡檢、皮帶巡檢、商品陳列檢測、門店巡檢、生產(chǎn)運行異常檢測等。在產(chǎn)業(yè)應(yīng)用中，已證明行業(yè)大模型的競爭力相較于傳統(tǒng)深度學(xué)習(xí)，行業(yè)大模型技術(shù)路線提升明顯。傳統(tǒng)深度學(xué)習(xí)的局限性：1）泛化能力不足。例如一個僅使用白天采集的車輛數(shù)據(jù)訓(xùn)練出來的檢測模型，在夜晚使用時性能就會大打折扣。2）性能天花板。如CNN、RNN、LSTM等對知識的容量有限，數(shù)據(jù)規(guī)模和模態(tài)種類持續(xù)增加帶來的邊際效益下降。3）缺乏推理與認(rèn)知能力。無法形成邏輯認(rèn)知，對于沒有見過的新任務(wù)或復(fù)雜的業(yè)務(wù)邏輯均需要重標(biāo)重訓(xùn)或手工排程。大模型路線提升明顯：受益于超大規(guī)模預(yù)訓(xùn)練過程中學(xué)習(xí)的豐富的可遷移知識，大模型相比業(yè)務(wù)小模型，僅需要原來10%以內(nèi)的數(shù)據(jù)，就可以在跨場景情況下超過小模型使用全量數(shù)據(jù)的性能，從而顯著降低了模型定制的成本。3.場景：生產(chǎn)/研發(fā)/經(jīng)營管理全面賦能大模型賦能工業(yè)的兩條主要路徑其一：通過大模型增強場景化模型的泛化能力，提升模型的適用性和效果。AI大模型相比傳統(tǒng)模型，模型的泛化適應(yīng)能力更強，可以在更少的樣本條件下，取得更好的應(yīng)用效果，同時，面對更多類似場景時，也可以少量訓(xùn)練或直接應(yīng)用，無需再做復(fù)雜的模型開發(fā)訓(xùn)練工作。其二：利用生成式AI，變更交互方式，生成各種業(yè)務(wù)所需內(nèi)容。生成式AI能夠直接根據(jù)自然語言的輸入，輸出各種文本、圖像等內(nèi)容，可以直接用于企業(yè)日常生產(chǎn)過程中的各種相關(guān)報表、代碼、文檔等內(nèi)容的生成，提高人員的工作效率。生成式AI可以將自然語言作為單一的入口，用戶用自然語言給出想要執(zhí)行的操作或查看的信息，AI直接給出對應(yīng)的答案和展現(xiàn)，由此顯著降低應(yīng)用前端開發(fā)的工作量，同時也提升應(yīng)用的交互效率。國內(nèi)行業(yè)大模型正加速滲透千行百業(yè)當(dāng)前在能源、采掘、制造等工業(yè)領(lǐng)域，大模型落地