1、 证券研究报告 请务必阅读正文最后的中国银河证券股份有限公司免责声明 行业深度报告计算机2023 年 2 月 17 日ChatGPT 开启 AI 新纪元，AIGC 投资框架梳理计算机行业推荐维持评级核心观点：ChatGPT 指明了 NLP 生成领域的技术方向，从技术本源上加速 AIGC发展。我们认为，ChatGPT 对 AIGC 发展的意义在于：一方面，GPT 作为 NLP 生成领域模型的突破，将迅速解决 AI 文本生成、AI 代码生成等领域的痛点；另一方面，AI 文本生成、AI 代码生成作为 AI 音视频、游戏等其他领域的技术基础，其突破发展也将加速 AIGC 在音视频、游戏等场景中的渗透（
2、比如生成 AI 绘画提示词，或生成调用计算引擎等）。全球巨头争相追赶，与 ChatGPT 水平尚存一定差距。国外公司中，谷歌发布的聊天机器人 Bard 具有与 ChatGPT 接近的技术水平，大约相差半年左右。国内公司中，百度、华为、字节跳动、阿里、腾讯等巨头均在大模型方向布局，整体发展水平与 ChatGPT 相差大概一到两年左右，约接近 GPT-3 的水平。AIGC 多场景应用处于爆发前夜，千亿市场打开。随着大模型算法突破以及算力成本下降，AIGC 发展痛点逐步解除，亟待爆发；同时又有ChatGPT 助力，文本、代码、图像生成有望率先成熟，视频、游戏将紧随其后。我们预测，到 2025 年 A
3、IGC 在网络文学领域、文本分析领域、绘画及图片领域、数字音乐领域技术将相对成熟，因此渗透率分别为70%/60%/60%/50%；网络视频领域、游戏领域由于技术原因渗透率相对较低，分别约为 30%/25%。基于上述假设，我们分别对 AIGC 细分领域做市场规模预测，预计 2025 年中国 AIGC 市场规模有望达到 1600 亿。AIGC 产业链：基础层最先受益，中间层巨头占优。AIGC 产业链可大致分为基础层、中间层和应用层三层架构。鉴于大模型训练需要巨大的算力规模，基础层中的芯片、服务器等硬件提供商将最先受益。而对于中间层来说，技术积累以及资金实力都是关键竞争力，因此我们认为科技巨头更具有
4、竞争优势。应用层中，可类比移动互联网时代，会爆发出很多杀手级应用，用户体验和模式创新都将成为“杀手钳”。GPT-3 训练所需总成本：模型的算力需求几乎与参数量呈同比增长。单一 V100 GPU 芯片进行一次 GPT-3 13B 模型的训练，大约需要 2144天；进行一次 GPT-3 175B 模型的训练，大约需要 29120 天。我们测算GPT-3 13B 训练总成本约为：$3.06/H*24 H/D*365 D/Y*26Y=$0.7 Million；同理，GPT-3 175B 训练总成本约为$9.5 Million。在不计 RAM、CPU、SSD 驱动器、电源等其他情况下，GPT-3 运行所
5、需芯片成本至少在 20 万美元以上。投资建议：ChatGPT 开启 AI 新纪元，AIGC 千亿市场处于爆发前夜。产业链基础层中，我们重点推荐全球 AI 服务器龙头浪潮信息（000977.SZ），关注中科曙光（603019.SH）、中国长城（000066.SZ）；中间层中，推荐人工智能技术积累深厚的拓尔思（300229.SZ）、科大讯飞（002230.SZ）；应用层中，推荐彩讯股份（300634.SZ）、嘉和美康（688246.SH）、金山办公（688111.SH）、同花顺（300033.SZ），关注万兴科技（300624.SZ）。风险提示：行业竞争加剧的风险；产业发展进度不达预期的风险；技术
6、风险；政策风险。分析师吴砚靖：（8610）66568589：执业证书编码：S0130519070001邹文倩：（8610）86359293：执业证书编码：S0130519060003行业数据2023-2-17资料来源：Wind，中国银河证券研究院整理获取更多最新资料请加微信：chensasa666行业深度报告/计算机行业 请务必阅读正文最后的中国银河证券股份有限公司免责声明。2目 录一、ChatGPT 开启 AI 新纪元，指明 NLP 生成领域的技术方向.3（一）ChatGPT 通过引入 RLHF 技术解决生成模型的核心问题，大大提高类人成熟度.3（二）ChatGPT 商业化规划及仍需讨论的问
7、题.4（三）全球巨头争相追赶，与 ChatGPT 水平尚存一定差距.6 二、AIGC 多场景应用处于爆发前夜，千亿市场打开.6（一）AIGC 发展痛点逐步解除，亟待爆发.6（二）ChatGPT 助力，文本、代码、图像生成有望率先成熟，视频、游戏紧随其后.8（三）AIGC 海外公司布局梳理.12（四）AIGC 细分市场规模预测：2025 年有望百倍增长.14 三、AIGC 产业链：基础层最先受益，中间层巨头占优.16（一）AIGC 产业链结构及巨头布局.16（二）GPT 模型所需算力测算.18 四、A 股相关公司介绍.20 五、投资建议与风险提示.23 获取更多最新资料请加微信：chensasa
8、666行业深度报告/计算机行业 请务必阅读正文最后的中国银河证券股份有限公司免责声明。3一、ChatGPT 开启 AI 新纪元，指明 NLP 生成领域的技术方向 ChatGPT 指明了 NLP 生成领域的技术方向。预训练语言模型对于 NLP 理解领域以及生成领域的问题都是相当有效的，在过去几年里，发展出的主要模型有 Bert 和 GPT。从文本对话的过程来看，理解到生成之间的连接是一个关键问题。然而，Bert 在 NLP 理解领域获得了巨大的成功，但是在 NLP 生成领域却表现不佳，这是由于 Bert 训练时所采用的语言模型所决定的。Bert 采用的是 DAE 语言模型，只学习到了词的上下文表
9、征的能力，即理解语言的能力，但没有学习到如何组织语言的能力。而 chatGPT 成功解决了这个问题，可以说 ChatGPT指明了 NLP 生成领域的技术方向。ChatGPT 从技术本源上加速 AIGC 发展。AIGC 的底层技术主要有 NLP、GAN、扩散模型等，其中的代表就是语言生成中的 chatGPT 和图像生成中的扩散模型（Diffusion Model）。2022 年 8 月 StabilityAI 宣布开源 Stable Diffusion 模型，AI 图像生成成本迅速下降，并且能获得惊人的高质量绘画作品，达到学习几年、十几年的画师同等水平。而 2022 年 11 月 OpenAI
10、发布的 chatGPT 虽然是自然语言生成领域的产品，但是可以生成 AI 绘画提示词，或生成调用计算引擎，从而进一步加速 AI 绘画、AI 游戏、AI 音视频领域的应用。我们认为，ChatGPT 对 AIGC 发展的意义在于：一方面，GPT 作为 NLP 生成领域模型的突破，将迅速解决 AI 文本生成、AI 代码生成等领域的痛点；另一方面，AI 文本生成、AI代码生成作为 AI 音视频、游戏等其他领域的技术基础，其突破发展也将加速 AIGC 在音视频、游戏等场景中的渗透（比如生成 AI 绘画提示词，或生成调用计算引擎）。（一）ChatGPT 通过引入 RLHF 技术解决生成模型的核心问题，大大
11、提高类人成熟度 ChatGPT 是在 GPT 3.5 大语言模型（LLM,即 Large Language Model）的基础上，加入“基于人类反馈的强化学习（RLHF，Reinforcement Learning from Human Feedback）”来不断微调（Fine-tune）预训练语言模型，使得 LLM 模型学会理解不同类型的命令指令，并通过多重标准合理判断基于给定的 prompt 输入指令，输出的是否为优质信息（这些标准包括：富含信息、内容丰富、对用户有帮助、无害、不包含歧视信息等）。因此，ChatGPT 使得人机对话更加人性化，更富有逻辑性，大大提高了 AI 的类人成熟度。C
12、hatGPT 的技术发展路径：从 GPT-1 到 InstructGPT，数据量与参数量不断增加，模型精度和语言能力提升。1）2018 年，在自然语言处理领域（NLP）刚兴起时，OpenAI 就推出了初代 GPT，它的运行逻辑是：先通过无标签数据学习生成语言模型，并能够运用于一些与有监督任务无关的 NLP 任务中。此后再根据特定的下游任务进行有监督的微调，提高其泛化能力。2）2019 年推出的 GPT-2 扩展了网络参数和数据集，进行多任务学习，可以在数据量足够丰富且模型容量足够大时，通过训练语言模型就能够完成有监督学习的任务。3）对比 GPT-2，2020年推出的 GPT-3 最显著的特征是
13、庞大的数据量和参数投入，整体训练过程耗资 1200 万美元，投入数据量达上万亿，模型参数量达到 1750 亿。GPT-3 延续了前两代 GPT 的技术架构，但改变了“大规模数据集预训练+下游数据标注微调”的方式，采用情境学习（in-context learning）来提高模型对话输出的性能。GPT-3 的规模和语言能力几乎是最强大的。它能在不做微调的情况获取更多最新资料请加微信：chensasa666行业深度报告/计算机行业 请务必阅读正文最后的中国银河证券股份有限公司免责声明。4下，在一些传统的 NLP 任务中表现得更好，包括实现闭卷问答、模式解析、纯语言建模、机器翻译等；在新的领域，GPT
14、-3 将 NLP 的应用扩展到缺乏足够训练数据的领域，例如在开发程序代码、文章生成和信息检索领域取得了实质性的进展。然而，GPT-3 在推理和理解能力上还有较长的路要走，在自然语言推理（NLI）任务中表现不佳。ChatGPT 在 InstructGPT 模型上做改进，实现更好地遵循用户意图、更少的虚假信息。OpenAI 在 2022年 3月发布了 InstructGPT。该语言模型通过“基于人类反馈的强化学习（RLHF）和监督学习”来提高输出质量。虽然 InstructGPT 的参数量仅为 13 亿左右，相比于 GPT-3 缩小了 100 倍以上；但在遵循指令方面，能够更好地遵循用户意图，将有
15、害的、不真实或者有偏差的信息输出最小化。在优化的模型上，ChatGPT 基于 InstructGPT 进一步改进，在模型结构和训练流程上遵循上述方式，但收集和标注数据的方式上发生了变化，通过采取监督学习的方式让模型学习人类排序的方式。表 1：GPT 四代的对比模型发布时间参数量预训练数据量预估成本消耗资源GPT-12018 年 6 月1.17 亿约 5GB在 8 个 GPU 上训练一个月GPT-22019 年 2 月15 亿40GB在 256 个 Google Cloud TPU v3 上训练一周GPT-32020 年 5 月1750 亿45TB训练一次 460 万美元，总成本1200 万美元
16、在 355 个 GPU 上训练一年ChatGPT2022 年 12 月13-1750 亿数十 GB训练一次的成本高达 1 千万美元根据参数量而定资料来源：人民数字，品玩，中国银河证券研究院 （二）ChatGPT 商业化规划及仍需讨论的问题 ChatGPT 成为史上最快达到 1 亿月活跃用户的应用。ChatGPT 在 1 月达到 1 亿月活跃用户，平均每天有 1300 多万访客。目前 OpenAI 已推出每月 20 美元（约合 135 人民币）的 ChatGPT用户个人订阅计划，即使在软件的使用高峰时段，订阅用户也可以优先使用 AI 聊天机器人。表 2：各大软件月活数突破一亿所用时间软件名ChatGPTTikTokInstagramFacebookTwitter所用时间两个月九个月两年半四年半五年资料来源：新浪，中国银河证券研究院 在 Gartner 发布的 2022 年新兴技术成熟度曲线中，生成性 AI 处于技术萌芽期并加速发展中。Gartner 将生成性 AI 列为 2022 年五大影响力技术之一，预测到 2025 年生成性 AI 所创造的数据可占到所有已生产数据的 10%。获取更多
