1、敬请参阅最后一页特别声明 1 行业观点 AIGC 发展步入快车道。据 Gartner，生成式 AI（AIGC）预计未来 2-5 年内达到成熟阶段。1）基础层技术的进步推动 AIGC 爆发。生成算法持续突破，其中，2017 年 Transformer 模型发布，2018 年谷歌基于该模型发布了 BERT模型，开启预训练模型时代，对生成式 AI 带来质的突破。2）目前预训练模型已经从单一模型演进到多模态模型，且已出现面向 C 端的应用，单一模型主要包括 NLP（自然语言处理）、CV（计算机视觉）领域，比如自然语言处理模型 GPT 3；多模态模型涉及文字、图片、音视频等多种内容形态，比如 Stabl
2、e Diffusion，能实现文本转换为图片，2023 年 3 月 15 日 Open AI 推出的 GPT-4 能实现输入文本或图像，输出文本。3）应用：AIGC 技术场景涵盖内容生产各环节，目前发展较成熟的是文本生成、图像生成及文字生成图像/音视频。对于游戏领域，AIGC 可赋能游戏制作、运营环节。1）游戏制作：目前原画领域较成熟，Midjourney 等 AI 绘画工具能实现输入文本、生成图像，但目前的产出尚有不合理之处，尤其是对“手”的处理，需要人工调整才可用于游戏制作。2D 游戏美术环节中，角色设计较成熟，动作/特效有待发展。2D 角色：AIGC 成熟度从高到低为，角色模型角色表情角
3、色动作=角色特效，AI 工具已可辅助快速、高质量生成 2D 素材，但生成内容连续度、风格统一度不够，无法生成游戏中可使用的角色动作，Stable Diffusion 将 2D 视频直接生成动画的方式提供了角色动作/特效生成的路径，一定程度解决了画面抖动问题；2D 场景和物体：成熟度低于 2D 角色设计，但已有 DALLE2 等工具进行辅助。3D 游戏美术环节中，角色设计及表情较成熟，动作生成在发展中，3D 扫描生成物体及场景的路径已较清晰。3D 角色：目前 AIGC 成熟度从高到低为，角色模型=角色表情角色动作角色特效，NVIDIA Omniverse 和 Unreal Metahuman 目
4、前可生成 3D 角色模型和表情，NVIDIA ASE 虽可实现 3D 角色动作，但目前直接应用性较低且动作生成较局限。3D 场景和物体：Image to 3D、Text to 3D、ChatGPT to code to DCC、3D Scan 四种方式中，目前 3D Scan 最成熟，随 GPT 系列持续迭代，从 ChatGPT 到 DCC 的模式有望快速发展。其他环节：策划及代码逻辑均出现较成熟的工具。策划环节代表性工具是 ChatGPT，文本生成能力较强且脑洞较大，GPT-4 在此基础上进一步加强，且能回答“文本+图像”形式呈现的问题；Github Copilot 等可辅助代码编写。2）游
5、戏运营：AI 辅助生成广告素材，实现自动化广告投放。AIGC 在游戏领域应用的作用：降本增效，提升内容质量。1）辅助游戏制作和运营，降本增效。以网文、游戏为例，内容生产成本较高：阅文集团内容成本占在线阅读收入比例整体在 30%以上，游戏研发成本约 15%-35%，AI工具可大幅降低美术等环节的成本。据伽马数据，22 年中国游戏收入 2659 亿元，以 25%的研发成本、40%的成本可被优化计，可优化成本约 266 亿；游戏大作制作时间在 2 年以上，以原神为例，从立项到公测耗时 3 年+，AI 工具赋能下，预计游戏制作时间有望缩短，NFT 游戏Bearverse开发应用 AI 技术后，工时从
6、6 个月压缩至1 个月，减少 80%+。2）AIGC 有望助力激发创意，提升画质以及交互性，进而提高游戏体验。投资建议 关注游戏上线节奏及 AIGC 在游戏领域的应用情况。我们认为，AIGC 技术及产品目前已在游戏行业有部分应用，中长期来看，对游戏制作的降本增效、内容质量提升有较强的促进作用；当前游戏版号常态化发放，政策端不确定性降低，预计产品周期是业绩的关键驱动，关注游戏产品上线情况，个股方面，建议关注腾讯控股、网易、巨人网络、三七互娱、完美世界。风险提示 AIGC 技术发展及应用不及预期风险，监管风险 行业深度研究 敬请参阅最后一页特别声明 2 内容目录 一、技术进步加快 AIGC 发展及
7、应用.4 1.1 AIGC 产业：从底层基础设施到应用.4 1.2 底层技术持续进步，AIGC 发展步入快车道.4 1.3 AIGC 应用：各模态内容生产的变革.6 1.4 现象级产品ChatGPT 推动 AIGC 出圈，AIGC 发展有望加快.7 二、游戏领域应用：美术环节较成熟，未来有望辅助各环节.9 2.1 AIGC 可赋能游戏制作、运营.9 2.2 游戏制作美术环节：原画设计已出现可投入应用的 AI 工具.10 2.3 2D 游戏美术环节：角色设计较成熟，动作/特效有待发展.11 2.4 3D 游戏美术环节：角色设计及表情较成熟，动作生成在发展中，3D 扫描生成场景及物体较成熟.12
8、2.5 其他环节：策划及代码逻辑均出现较成熟的工具.13 三、AIGC 在游戏领域应用的作用：降本增效，提升内容质量.14 3.1 辅助游戏制作和运营，降本增效.14 3.2 从创意、美术、交互性等角度，提高游戏内容质量.15 四、投资建议.16 五、风险提示.17 图表目录 图表 1：AIGC 产业各层级一览.4 图表 2：2022 人工智能技术成熟曲线.4 图表 3：主流生成模型.5 图表 4：国内外主要预训练模型.5 图表 5：AIGC 技术场景一览.6 图表 6：AIGC 应用现状一览.7 图表 7：从 Transformer 模型到 GPT-4：自然语言处理（NLP）模型的进化.7
9、图表 8：ChatGPT 聊天截图.8 图表 9：海内外 ChatGPT 相关 AI 布局（ChatGPT 发布后）.8 图表 10：GPT-4 对输入“文本+图像”形式内容的解答.9 图表 11：GPT 3.5、GPT 4（no vision）、GPT 4 多种考试的测评结果.9 图表 12：GPT-4 对安全性指标的改进.9 图表 13：游戏产业链及 AIGC 可赋能环节.10 图表 14：游戏制作领域 AIGC 应用现状一览.10 行业深度研究 敬请参阅最后一页特别声明 3 图表 15：获奖 AI 画作太空歌剧院.11 图表 16：借助 Midjourney 生成的 2D 场景图.11
10、图表 17：AI 绘画工具 Midjourney 自动生成图片.11 图表 18：NVIDIA vid2vid Cameo 捕捉真人面部表情.12 图表 19：使用 DALLE 2 对图片二次创作.12 图表 20：Stable Diffusion 将 2D 视频制作成动画.12 图表 21：NVIDIA Omniverse Audio2Face 功能.12 图表 22：NVIDIA ASE 3D 角色动作训练.12 图表 23：NVIDIA GET3D 效果.13 图表 24：NVIDIA Magic3D 效果.13 图表 25：ChatGPT 生成代码.13 图表 26：Quixel 3D
11、 扫描物体.13 图表 27：Meta AudioGen 工作原理：Decoder+Encoder.14 图表 28：Github Copilot 辅助代码生成准确识别西班牙语并成功实现指令.14 图表 29：昆仑万维旗下 StarX Music Lab AI 生成曲目.14 图表 30：阅文集团内容成本及其占在线阅读收入的比例.14 图表 31：完美世界/三七互娱/吉比特研发费用中职工薪酬占收入比例.14 图表 32：游戏行业上市公司研发费用占收入比例.15 图表 33：以 22 年游戏收入计，可优化制作成本约 266 亿.15 图表 34：原神 VS 羊了个羊画质对比.15 图表 35：传
12、媒互联网领域上市公司 AIGC 相关布局.16 图表 36：上市公司游戏储备.17 行业深度研究 敬请参阅最后一页特别声明 4 一、技术进步加快 AIGC 发展及应用 1.1 AIGC 产业：从底层基础设施到应用 从底层基础设施到应用，AIGC 爆发有赖底层技术的持续进步及成熟。AIGC 产业可分为基础层、中间层和应用层。基础层：指基础设施层，目前主要是以预训练模型为基础搭建的基础设施。中间层：在大模型基础上训练垂类小模型，比如适配不同行业的 AI 工具、不同风格的 AI 绘画工具。应用层：指面向 C 端的产品或服务，比如智能客服、AI 绘画、AI 写作等。图表1：AIGC 产业各层级一览 来
13、源：腾讯研究院，国金证券研究所 1.2 底层技术持续进步，AIGC 发展步入快车道 在前期技术的持续积累、进步下，AIGC 发展已步入快车道。据 Gartner，生成式 AI（AIGC）预计未来 2-5 年内达到成熟阶段。目前已有 Midjourney 等成熟的 AI 工具。图表2：2022 人工智能技术成熟曲线 来源：Gartner，国金证券研究所 基础层：生成算法持续突破，预训练模型加速生成式 AI（AIGC）发展。1）生成算法持续突破：从 2014 年的 VAE 到 2021 年的可跨内容模态的 CLIP 模型。其中，2018 年谷歌发布的、开启预训练模型时代的预训练模型 BERT 基于
14、 Transformer以预训练模型为基础搭建的基础设施基础层中间层应用层垂直化、场景化、个性化的模型To C文字、图片、音视频等内容生成服务内容生成工具或服务比如：Stable Diffusion（程序和模型均开源）、Mid Journey（AI绘画）、智能客服等。从单一模型到多模态、跨模态模型1）NLP模型：比如：谷歌 LaMDA；Open AI GPT系列；2）CV模型：比如：微软 Florence;3）多模态预训练模型：融合文字、图片、音视频等多种内容形式。比如：NVIDIA Audio 2 Face大模型基础上的小模型比如：Novel-AI，基于开源的Stable Diffusion
15、开发的二次元风格AI绘画工具。各层级主要内容截至2022年7月合成数据期望值技术萌芽期期望膨胀期泡沫破裂低谷期稳步爬升复苏期生产成熟期通用人工智能基于管理的人工智能因果人工智能以数据为中心的人工智能人工智能工程化决策智能复合型人工智能人工智能信任、风险和安全管理运营人工智能系统M od elO p s神经形态计算生成式人工智能尽责人工智能基础模型智能机器人边缘人工智能知识图谱自然语言处理（N LP）数字伦理人工智能创客和教学套件人工智能云服务深度学习自动驾驶汽车智能应用数据标记和注解计算机视觉（C V）距离达到成熟阶段的时间：2年2-5年5-10年10年行业深度研究 敬请参阅最后一页特别声明
16、5 模型搭建，Open AI 推出的 GPT 系列也基于 Transformer 模型搭建。图表3：主流生成模型 模型 提出时间 模型描述 变分自动化编码（Variational Autoencoders，VAE）2014 基于变分下届约束得到的 Encoder-Decoder 模型对 生成对抗网络（GAN）2014 基于对抗的 Generator-Discriminator 模型对 基于流的生成模型（Flow-based models）2015 学习一个非线性双射转换（bijective transformation），其将训练数据映射到另一个空间，在该空间上分布是可以因子化的，整个模型架构依靠直接最大化 log-likelihood 来完成 扩散模型（Diffusion Model）2015 2 个过程：分别为扩散过程、逆扩散过程。在前向扩散阶段对图像逐步施加噪声，直至图像被破坏变成安全的高斯噪声，然后在逆向阶段学习从高斯噪声还原原始图像的过程。经过训练，该模型可以应用这些去噪方法，从随机输入中合成新的“干净”数据。Transformer 模型 2017 基于自注意力机制的神经网络
