【深度報告】AI應用追本溯源之后我們相信什么？-計算機行業(yè)產業(yè)復盤與未來推演

行業(yè)總市值(行業(yè)總市值(十億元)365376654金山辦公46.668641.2775554nAI應用的能力來自基礎模型的能力，目前產業(yè)處于技術突破后向商業(yè)落地轉變的關鍵時期。從人工智能的發(fā)展歷史來看，技術最終能夠落地應用才是行業(yè)能夠維持繁榮的關鍵。本輪技術革命由生成式大模型開啟，將有望誕生真正的通用人工智能。但當下在探索中。n未來的AI應用將走向AIAgent的終極形態(tài)，AIOS可能在基礎層面提供支撐。Agent是指擁有一定“智能”，能夠與環(huán)境產生交互的智能體。在軟件中Agent可能表現(xiàn)為基于模型原生生成能力的LLMAgent，在C端的形式可能是個人助理，能夠處理用戶的日程、郵件等；在B端的形式可能是替代OA、辦公軟件形態(tài)存在的集成流程辦公軟件。在硬件中Agent可能表現(xiàn)為搭載有大模型的終端手機、PC、機器人等，能夠更好滿足用戶的定制化需求。AI將為計算機帶來軟硬件層面的重構，AIOS在未來是支持Agent的重要基礎。n從產業(yè)演進的角度看，應用發(fā)展的過程表現(xiàn)出了一定的共性。從模型角度看，垂類和端側模型推進了應用落地的節(jié)奏；從數(shù)據(jù)角度看，高質量私域數(shù)據(jù)依舊是模型和應用的核心壁壘；從用戶角度看，B端客戶關注應用的替代/提效等功能場景，C端用戶則更關注產品力表現(xiàn)；從模態(tài)角度看，多模態(tài)依舊是必然趨勢，通用的超級應用最可能誕生在通用多模態(tài)LLM之下；從工程角度看，系統(tǒng)將走向AI原生，基礎軟件、應用軟件乃至操作系統(tǒng)都可能迎來重構，計算機的基礎架構可能迎來一次改變；從安全角度看，涌現(xiàn)的大模型表現(xiàn)出了超乎想象的能力，保證其本身和數(shù)據(jù)安全性將會是極其重要的課題。nAI應用在適合原生能力的場景、以及前瞻性應用中的落地更快。從賽道看，具有“大規(guī)模+低門檻”的客服對話場景是最先得到應用的，代碼生成+低代碼開發(fā)場景與視覺AI+工業(yè)場景同樣能得到較快應用。從科研領域看，AIforScience也擁有巨大的潛力，在基礎、交叉學科均有前瞻性的應用。n投資建議：人工智能新一輪十年級的技術和產業(yè)革命大幕已經拉開。GPT、Sora、Gemini1.5、Claude3等基礎模型能力持續(xù)迭代，各場景應用已經進入商業(yè)模式落地階段，只需靜待數(shù)據(jù)驗證。對應的投資方向如下：模型視角：建議關注科大訊飛、商湯、格靈深瞳、云從科技、云天勵飛、三六零等；應用模態(tài)視角：文本建議關注金山辦公、彩訊股份、福昕軟件；代碼建議關注金現(xiàn)代；圖片視頻建議關注萬興科技；3D建模建議關注中望軟件、索辰科技、廣聯(lián)達、華大九天、概倫電子、浩辰軟件、盈建科等；中長期垂直龍頭視角：金蝶國際、廣聯(lián)達、恒生電子、明源云、中科軟、用友網絡、同花順、北森控股等；行業(yè)應用場景視角：金融場景建議關注恒生電子、頂點軟件、同花順、中科軟、宇信科技、百融云、京北方、天陽科技、長亮科技、新致軟件等；醫(yī)療場景建議關注衛(wèi)寧健康、創(chuàng)業(yè)慧康、嘉和美康、醫(yī)渡科技、鷹瞳科技等；汽車場景建議關注中科創(chuàng)達、德賽西威、經緯恒潤、萬集科技、巖山科技等；其他建議關注焦點科技、螢石網絡、鼎捷軟件、賽意信息、拓爾思、佳發(fā)教育、神思電子、云鼎科技、鷗瑪軟件、金橋信息等；安全視角：建議關注深信服、啟明星辰、國投智能、天融信、綠盟科技、迪普科技、安恒信息、安博通、盛邦安全、永信至誠、亞信安全、奇安信等。n風險提示：相關技術落地不及預期的風險，行業(yè)競爭加劇風險，政策風險，能耗過大風險，信息更新不及時風險等。人工智能是一個具有復雜性的交叉領域。我們復盤了行業(yè)發(fā)展的歷史，對產業(yè)共性進行了分析，通過對產業(yè)演變的推演分析了其中的核心要素，并試圖為投資者尋找到更具確定性的投資方向。人工智能新一輪十年級的技術和產業(yè)革命大幕已經拉開。Sora、Gemini1.5、Claude3等基礎模型能力持續(xù)迭代，各場景應用已經進入商業(yè)模式落地階段，只需靜待數(shù)據(jù)驗證。建議從模型、應用模態(tài)、中長期垂直龍頭、行業(yè)應用、安全視角關注公司。 產業(yè)歷史復盤：人工智能經歷了各類思想的涌現(xiàn)、對立與融合 應用落地始終是橫亙在行業(yè)前的難題 AIOS：重構軟件與創(chuàng)造智能體的關鍵一步 AIAgent的硬件應用：首先與現(xiàn)有終端結合，等待成熟硬件產 模型角度：基礎模型是應用的根本，垂類模型、端側模型加速應用過程 數(shù)據(jù)角度：貼近上游（數(shù)據(jù)）的公司更為受益，數(shù)據(jù)是規(guī)模效應的體現(xiàn) 模態(tài)角度：多模態(tài)是必然趨勢，垂類模型促進應用 安全角度：涌現(xiàn)的大模型需要更多約束，安全必定伴 n人工智能是賦予機器執(zhí)行人類行為和任務能力的學科，旨在讓機器n縱觀人工智能近百年的發(fā)展歷史，主流的觀點基本都符號主義認為，智能源于數(shù)理邏輯，人類的思維過程可以使用符號系統(tǒng)連接主義認為，感官的刺激并不存儲在記憶中,而是在神經網絡中建立行為主義認為，智能是具身化和情境化的，會在與真實環(huán)境的交互作用義被引用的出版物數(shù)量對比可以看出，兩者曾經輪番引領行業(yè)的發(fā)展方n符號主義的強項在于其能夠進行知識表示和邏輯推理，可解釋性而連接主義特別擅長于處理大規(guī)模數(shù)據(jù)和模式識別問題。而行為主義適用于處理強化學習，對于神經網絡參數(shù)的誤差傳遞問題和機器學習中的AugmentedGeneration，檢索增強生成）方法查詢外部數(shù)據(jù)源等。工智能的主流方法論（神經網絡等）誕生的時間很早，但由于硬件性能所限，這類算法設想難以落地應用，隨之而來的就是整個行業(yè)的資金枯竭，研究也進入沉寂期。而在數(shù)年或數(shù)十年之后，隨著軟硬件技術的進步，這些設想可能再次獲得創(chuàng)新與發(fā)展，表現(xiàn)出新的生命力，再次引領年代，大量資金和支持被投入到機器翻譯的研究中，但應用進展卻不順nAI第二次繁榮與寒冬：1980年代，隨著更多的數(shù)據(jù)能夠輸入進計算機中，符號主義的專家系統(tǒng)引領了第二次的人工智能產業(yè)繁榮。專家系統(tǒng)在財務規(guī)劃、醫(yī)療診斷、地質勘探和微電子電路設計等領域都能夠發(fā)揮一定作用。然而專家系統(tǒng)能力依舊有限且構建極為復雜，始終無法真正究的資金也快速減少，大量人工智能公司在此期間破產，行業(yè)進入了第制，受制于特定領域、特定模型和特定任務的限制，通用性不強，技術資料來源：DiscoverArtificnAI的第三次繁榮：自從2012年AlexNet為代表的的人工智能才成為了產業(yè)關注的焦點。n本次的技術突破首先來自算法架構的優(yōu)化，Transforme練集和參數(shù)規(guī)模，使大模型表現(xiàn)出涌現(xiàn)性并大幅提升泛化能力。自此，生成式人工智能也真正開始擁有了通用性，我們正處于從ANI（窄域人工智能）走向AGI（通用人工智能）時代的開端。資料來源：Quovadisarti從底層基礎設施、基礎模型和衍生的服務、應用等領域的競爭處于早期據(jù)該數(shù)據(jù)采取行動以實現(xiàn)特定目標。通俗理解，即能夠與環(huán)境（軟件或成一種思維實驗，如果人類提問者無法分辨書面回答是來自人類還是計認知能力全部達到了人的標準才算是通過圖靈測試。在這樣的要求下，nAgent正在一步步走向現(xiàn)實。隨著人工智能技術的發(fā)展，通過CV和語音識別進行人機交互已經成為了現(xiàn)實，將人工智能與機器學結合將成為都產生了突破，未來也將為智能系統(tǒng)帶來更多信息輸入，推進其從感知智能到認知智能的升級，并最終將能力賦能給應n基于大語言模型的AgentAI由三部分組成：大腦（Brain）、感知本、聲音、視覺、觸覺、嗅覺等。這種擴展使代理能夠更好地感知來自行動：使智能體擁有文本輸出、采取具體行動、使用工具的能力，以便其更好地響應環(huán)境變化，提供反饋，甚至改變和塑核的決策能力將擴展為具體的行動，并通過機器人等實體與現(xiàn)實物理世的模仿學習。軟件的特點：無限復制，其成本絕大部分在前期研發(fā)費用，后續(xù)使用的硬件的特點：短期看訓練、推理與算力基礎設施深度綁定。從更長遠的硬件的特性考量。當AI與基礎軟件深度耦合，未來的AI大型語言模型的引入大大提升了開發(fā)的效率，降低了開發(fā)的門檻，也將統(tǒng)的重構將可能改變軟件應用的底層生態(tài)。資料來源：LLMasOS,AgentsasApps:EnvisioningAIOS,AgentsandtheAIOS-AgentEcosystem，中泰AIOS。用戶與Agent應用和操作系統(tǒng)的交互以自然語言的prompt形式資料來源：LLMasOS,AgennAutoGPT是通過接入OpenAI基礎模型實現(xiàn)AgentAI的代表性產品。使用互聯(lián)網或其他工具完成這些任務。究和產品實驗室，公司的目標是訓練模型來使用世界上的每一種軟件工具和API。備時，應用的形態(tài)將不再是單純的軟件，而是表現(xiàn)為與硬件深度結合的礎模型的推理功能。作為端側“大腦”的邊緣模型也能夠擁有足夠的能力和通用性。信等不同渠道的信息并總結要點，以及支持實時翻譯功能。駛能力的飛躍。主流的自動駕駛系統(tǒng)包括感知、定位、預測、決策、規(guī)練一個或者多個神經網絡，得到從感知結果到控制命令的直接映射。這駛系統(tǒng)問世。在駕駛時僅依靠車載攝像頭和神經網絡識別道路和交年誕生的，InstructGPT也是2021年誕生的應用或許已經不遠。n遵循Scalinglaw的規(guī)律提升基礎模型的能力是確定性最高的成熟，模型在固定數(shù)據(jù)集上的表現(xiàn)逐漸趨于穩(wěn)定，而針對復雜世界中的真實數(shù)據(jù)集，改進模型對提升表現(xiàn)的幫助也并不大。固定，通過提高數(shù)據(jù)的質量和數(shù)量來實現(xiàn)性能的提高。對于機器學習而言，通過下游任務的表現(xiàn)可以很容易對數(shù)據(jù)集質量進行量化評估，有利于提升模型表現(xiàn)的可解釋性。針對模型的創(chuàng)新仍在繼續(xù)。以模型為中心和以數(shù)據(jù)為中心的范式將相互的應用又能獲得更多高質量的數(shù)據(jù)，形成良性循環(huán)。療等領域應用層公司有望大規(guī)模采用合成數(shù)據(jù)，加速產品商業(yè)n如今數(shù)據(jù)集的質量對模型的表現(xiàn)起到越來越大的決定因素問題，現(xiàn)實世界中收集到的數(shù)據(jù)不能滿足模型的訓練需求，很多數(shù)據(jù)甚學上反映原始數(shù)據(jù)的屬性，因此可以用來訓練、測試并驗證模型。善了模型表現(xiàn)。通過分別訓練簡短和詳盡的文本生成器，生成了前代模型訓練集中對圖像的文本描述，并用來訓練新版本的模型。這種方式取得了極大的模型效果提升。場景。這些場景的發(fā)生的概率非常低，自動駕駛算法無法對其進行有效的識別和決策，一旦發(fā)生對駕駛安全會產生非常大的威脅。因此在現(xiàn)實法合成類似場景的圖片加入訓練集再次訓練。如此反復后，算法應對類效的場景，長期看能夠直接幫助企業(yè)創(chuàng)收的應用會擁有更多發(fā)展空間。創(chuàng)收邏輯：能夠直接成為或構建業(yè)務和產品的一部分，從而為企業(yè)直接別達到了83%和79%。80706050403020068666835353238362022年前2022年至今copilotE3E5果就形成了強大的傳播效應。樣，多模態(tài)的數(shù)據(jù)也可能為單一模態(tài)任務帶來大量的提升。n最重要的是，作為模態(tài)融合的基礎，語言輸入能夠支持文本、語音、圖片和視頻，并且能夠輸出文本和圖片。這種具有開創(chuàng)性的技術路徑走通，國內模型和應用廠商有望快速迭代出奏會更快，文生圖任務已經逐漸達到了商用標準，文生視頻也在快速突nAdobe推出的AdobeFiPhotoshop等產品，可以幫助用戶更好地完成對圖片的二次最有效途徑。未來看，通用的超級應用最有可能誕生在通用的多模態(tài)nAI可能與系統(tǒng)深度耦合，軟件應用將走向AI原生。現(xiàn)階段的大模型能人工智能可能會先成為系統(tǒng)的部分組件，以增添或替換的方式與系統(tǒng)進的過程AI/ML模型開始跨領域部署，模流數(shù)據(jù)；未來模型生命周期管理跨領域實施管理變得更加集成和協(xié)調，數(shù)據(jù)驅動的基礎設施將會貫穿整個架構，無論是跨層次還是跨領域，都可以靈活地共享數(shù)據(jù)和資源，實現(xiàn)智能化的優(yōu)化和決策。擊圖標以來最大的計算革命。微軟已經將Copilot功能集成在了功能。用戶無需掌握代碼寫法，只要結合指令、外部知識庫和能力，就能夠創(chuàng)建自定義版本的ChatGPT。用戶還可以通過向GPT提供ZapierAPI來定制化自己的Action。開發(fā)人員溝通，以專業(yè)編寫代碼的方式實現(xiàn)功能并進行多輪測試之后上Builder進行對話，就能夠根據(jù)需要生成屬于自己的GPTs。這個操作的需求，很難代替?zhèn)鹘y(tǒng)的軟件開發(fā)過程。但隨著模型能力的提升，這種定制化的邊界也將有巨大的擴充潛力，這也將是產品化與定制化這一矛盾GPTStore為代表的AI原生應用商店可能構建出新的平臺生態(tài)。飛輪”中的一部分。即使最終無法變現(xiàn)，也能繼續(xù)提升基礎模型能力。來超級人工智能的安全性。OpenAI在未來四源在解決超級對齊（Superalignment）問題，用以引導和控制可能比人類聰明得多的人工智能系統(tǒng)。除此之外，可解釋性的相關研究還需要近合國人權宣言、信任和安全最佳實踐、以及其他人工智能研究實驗室提有規(guī)則（規(guī)范原則）進行投票，也可以添加自己的規(guī)則。大多數(shù)聲明都可能會更加高效。決必要的安全問題。通過這種評級也能夠在產品投放市場之前嚴格證明會帶來全新的安全挑戰(zhàn)，由云計算平臺或基礎模型公司推出的安全服務當前有專家強調，實施有針對性的防御措施至關重要，這可能包括為人n此前幾部分我們從技術的角度推斷發(fā)展，是為了抓住絡；本章我們將從已經較為成熟的落地場景出發(fā)，選取具有代表性的賽車輛特定信息，如品牌、型號、牌照和其他相關細節(jié)。保險公司有望在nAI智能催收幫助銀行等金融機構貸后管理能力。AI催收可代替呼與真人直接對話，很大程度上解決了人工坐席不足、非上班時間外呼語，有效規(guī)避了與欠債人的沖突。且如今制造企業(yè)普遍面臨招工困難、人員培訓成本高、人工流失率高、科技聯(lián)合華為盤古大模型發(fā)布了礦山行業(yè)大模型，在采煤、掘進、主運等多個場景提供AI能力，且模型可以復nAIforScience即科學智能，指通過使用AI技術輔助科學研究，以解決使得知識的提取和綜合變得高效、便捷，能夠大大降低新學者進入研究快速檢索和閱讀論文等。n模型驅動的牛頓范式是基于第一性原理的研究方法。這種方法通過提出抽象模型來對物理世界進行概括。但隨著原理越來越復雜，我們開始面加，計算代價會呈指數(shù)增長，基于特定原理創(chuàng)造的模型方程可能無法求n數(shù)據(jù)驅動的開普勒范式是通過分析數(shù)據(jù)提取統(tǒng)計學規(guī)律的資料來源：Machinelearningandcomplexbiologicalda非常有效的方法?？蒲姓撐谋旧砭褪欠浅８哔|量的就是一門交叉學科，與數(shù)學、哲學、心理學、語言學、統(tǒng)計學、神經科學、機器人學等學科均有所交叉。其中很多原理也能指導人工智能算法或思想的進步：如目前文生圖領域的基礎擴散模型就是基于熱力學定律積電等頭部芯片企業(yè)在研發(fā)先進制程時已經遇到微觀尺度的建模瓶頸，片設計領域可以輔助電路設計；在先進制程與工藝提升方面可以為反應多數(shù)藥物通過與蛋白質上的不同位點結合起作用，AlphaFold可以預測能有效的藥物分子，減少試錯成本。nAI能夠解決傳統(tǒng)數(shù)值天氣預報(NWP)系統(tǒng)無法兼顧準確性與時效性精度首次超過了歐洲中期預報中心的傳統(tǒng)數(shù)值預測系統(tǒng)，預測速度也提升了上萬倍。資料來源：AccurateMediumRangeGlobal外更成熟的對標產品，需要著重關注海外的商業(yè)化拐點；對于尚無對標應用的場景，則需要回歸到具體商業(yè)模式上，關注實際的產品力與下游客戶的付費意愿。作為相應對標產品，發(fā)展空間廣闊。累與創(chuàng)新，業(yè)務領域也從最初的智能終端逐步拓展到智能汽車、智能物字，進行意圖理解，規(guī)劃出任務并進行拆分，輸出給機器人的執(zhí)行器去布（智能撰寫產品信息、批量智能發(fā)品、智能產品潤色、重復產品檢查知識圖譜，并搭配數(shù)據(jù)驅動模塊，實時偵測企業(yè)關鍵數(shù)據(jù)的變化；在數(shù)周期管理系統(tǒng)基于雅典娜的數(shù)智化能力，接入OpenAPI，集成的超級應用一定都是在產品力上具有革命性，受眾足夠廣泛且足夠便宜夠實現(xiàn)對郵件數(shù)據(jù)的智能整合、分析和反饋，如智能郵件摘要、郵件潤國投智能：前瞻布局AI+公共安全，打造大模型“天擎”安全大模型是國內首個此類大模型，擁有豐富的公共安全行業(yè)知識，具備強大的警務意圖識別、警務情報分析、案情推理等業(yè)務理解和推理能力，能夠從海量數(shù)據(jù)中持續(xù)自我進化，實現(xiàn)行業(yè)知識、業(yè)務問題，解決先、覆蓋面最廣的電子數(shù)據(jù)取證產品體系和綜合解決方案，包括手機取證、計算機取證、云取證、物聯(lián)取證、區(qū)塊鏈取證、便攜取證等系列產品，市場占有率持續(xù)領先，競爭力優(yōu)勢明顯。針對大模型本身的網絡安全攻擊問題；在數(shù)據(jù)收集、數(shù)據(jù)預處理、模型訓練、模型推理等各階段面臨的個人隱私、數(shù)據(jù)合規(guī)、數(shù)據(jù)篡改、投毒達成合作，雙方將圍繞人工智能安全測