AIGC:具有文本、图片、音频、视频等内容生成能力的模型及相关技术
AIGC ( Artificial Intelligence Generated Content)即生成式人工智能，根据《生成式人工智能服务管理暂行办法》，生成式人工智能技术是指具有文本、图片、音频、视频等内容生成能力的模型及相关技术。
AIGC深刻改变金融信息服务行业客户需求和商业模式
金融信息服务行业主要满足于投资者的投资需求
根据《金融信息服务管理规定》和《外国机构在中国境内提供金融信息服务管理规定》等规定，金融信息服务，是指向从事金融分 析、金融交易、金融决策或者其他金融活动的用户提供可能影响金融市场的信息和/或者金融数据的服务。
在AIGC浪潮下，预计投资者对于智能投顾和投研产品的需求将大幅提升
我们预计AIGC技术浪潮将驱动客户寻求更精准全面的信息以及更深度的逻辑分析内容，未来客户对于智能投顾和投研产品和服务 的需求将快速提升。
AIGC技术也将极大改变金融信息服务商创设服务和产品的能力
AIGC的快速发展能够同时赋能金融信息服务商的生产要素积累和生产效率提升，进而助力打造更强的研发能力，预计未来金融信 息服务商能够创设更多智能投研和投顾产品。
两种大模型在各项指标上互有优劣，垂直金融大模型相较于通用大模型更具专业性和针对性
金融信息服务领域具有独特的数据、规则和市场特征。垂直金融型大模型通过深入学习金融领域的特定数据和知识，能够更好地理解 金融领域的语境和行业规则，进行复杂决策，而通用大模型在金融行业宽广有余，纵深不足，无法充分理解金融领域的复杂问题。
垂直金融行业大模型有望先以2B模式落地，通过机构再间接服务C端客户
除了在智能投研上的运用外，我们预计垂直金融行业大模型在智能投顾上的落地也大概率从机构起步。机构客户所关注的功能是特定 且有限的，场景相对比较狭小，数据和训练结果相对可控。加之B端场景的使用者，即机构专业投顾人员，有足够的知识与经验对 AIGC的生成内容作出判断，可以对缺乏准确性的内容进行人工把关和修改，监管难度和安全合规风险都相对较小。因此，AIGC有望 面向B端财富管理机构落地先行，赋能机构或投顾等渠道方，进而间接服务C端客户。
高质量的训练数据和算法的持续迭代调优是大模型研发的核心,算力重要性在当前阶段有所降低
伴随数据规模的增长和数据质量的提升，大模型的性能提高。2020 年 1 月 OpenAI 在论文《Scaling Laws for Neural Language Models》中提出了大型语言模型（LLM）的缩放定律，OpenAI 指出，随着数据规模的指数增长，模型在测试集上验证的损失是线性下 降的，即模型的性能是线性提升的。
在数据规模外，训练数据的质量也是模型训练与调优的关键因素。以GPT家族的进化史为例，从GPT-1到GPT-4，模型的整体架构相似， 而训练数据的规模与质量有很大不同。GPT-1使用的训练数据是4.8GB未经过滤的数据，GPT-2使用了40GB经人类过滤的数据，GPT-3更 是从45TB的原始数据中清洗出了570GB的高质量海量训练数据，ChatGPT/GPT-4也是使用了高质量人工标注数据与人类对齐。
随着算法增强与创新，AI大模型所需的算力就越少。2020 年，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 的科学家证明了改进 算法在提高计算硬件性能方面的重要性。对于大型计算问题，43% 的算法系列的同比改进等于或大于备受推崇的摩尔定律带来的收益。OpenAI 2020 年的一篇报告指出， 2012 年到 2019 年， 神经网络架构从头开始训练到 AlexNet 级别性能所需的 算力下降了 44 倍。结果表明，随着算法改进，算法效率 提高，AI模型使用相同的计算能力可以完成更多任务， 带来更多收益。人工智能的算法效率可以定义为减少训 练算法完成某项任务所需的算力，如果算法需要尽可能 少的资源（即几乎不需要任何计算时间和内存）来解决 特定问题，则该算法是高效的。算法越高效，软件要做 的工作就越少，所需的算力越少。
目前算力重要性在垂直金融行业大模型有所降低。首先，垂直金融行业大模型的的算力需求要远低于通用大模型的算力需求。虽 然自2022年8月起，美国政府限制英伟达向中国出口A100和H100芯片，但是国内公司仍然可以选择购买性能略逊的A800和 H800芯片进行训练，或者购买华为昇腾芯片等国产替代品，再或者可以从阿里云等第三方租借算力资源。
预计到2025年B端金融信息服务市场空间将达到196亿元人民币
根据麦肯锡在《全球资管行业数字化转型战略蓝图与实践》报告中预计，到2025 年中国资管行业AUM 有望达到 196 万亿人民币。 在渗透率预计上，我们以金融信息服务业极为成熟的美国市场为参照，其2022年的付费渗透率为0.07% 假设在2025年中国付费渗透率提升到0.01%的水平，即为美国当前水平的七分之一，测算可得到2025年中国空间为196亿元人民 币。
预计2025年C端金融信息服务市场空间将增长至215亿元人民币
根据《九方财富招股说明书》中弗若斯特沙利文的测算，2022年我国金融软件信息服务市场规模为82亿元，再根据2022年中国居民部门 金融资产规模为243万亿元，可得我国2022年C端金融信息服务渗透率为0.0034% ；而美国同期的C端金融信息服务（智能投顾渗透率 为）0.0342%，相差近十倍。麦肯锡在《金融业白皮书：2023年3月后疫情时代财富管理重启增长》预测到2025 年中国居民金融资产规 模有望达到315万亿人民币，假设在2025E我国渗透率提升至美国当前水平的20%，则2025E行业市场规模有望达215.21亿元。
具备丰富数据和人才资源的厂商有望更具优势，占有更高市场份额
同花顺、东方财富、恒生电子较早深耕数据业务，在金融行业高质量训练数据上有深厚积累，具备较为强的数据治理能力。同花顺 在2009年成立iFind事业部；东方财富在2013年上线Choice数据产品；恒生电子于2010年收购聚源数据公司。时至今日上述公司拥 有庞大的海量数据库，具有多元及多样化的金融数据资产，其中公司数据来源既有互联网的结构化数据和非结构化数据，也有来自 政府、科研院所、宏观经济研究机构和专业行业数据公司等相关单位、公司的公开和授权的数据。另外，同花顺和东方财富在C端金 融信息服务市场具有广泛的活跃用户，在金融语料的获取能力方面领先于同行。
算法研发和更新迭代主要依靠高端人才，目前同花顺、恒生电子、东方财富拥有的博士人才数量超过同业。其中，同花顺在人才招募上 的优势更为突出，其与杭州市余杭区合作共建了同花顺人工智能研究院博士后科研工作站，主要招募从事人工智能前沿理论及算法研 究、信息科学与金融领域的交叉研究等方向的人才，相关人才能够享受到政府的各类补助，提升了公司对于高端人才的吸引力。
需求端:AIGC赋能下，以广告营销为代表的增值服务需求会明显提升
AIGC具备强大的图片生成能力，能够大幅降低广告营销海报的制作成本，并大幅缩短海报制作所需的时间 小微商户原本因为成本和时效的原因，广告营销的需求被抑制，随着AIGC的赋能，广告营销的需求预计将明显提升。
供给侧:AIGC的应用大幅提升效率
AIGC在供给侧的应用广泛，智能客服、代码生成、智能风控等方面均可应用，降低成本提升效率。
拉卡拉在智能海报、智能选品、智能风控等领域充分运用AIGC技术
公司将人工智能算法引入产品与业务场景，形成智能海报、智能选品等智能辅助工具，智能风控系统实现欺诈风险监控覆盖率达 95%以上，业务欺诈损失率保持在百万分之一的水平。
消费金融满足客户的各类超前消费需求，商业模式上包括获客、风控、放款等环节
消费金融满足客户的超前消费需求，典型的商业模式包括获客、风控、放款、贷后管理等环节。
AIGC更多应用于供给侧的降本增效
需求侧：消费金融的需求本质来自于客户对未来的信心，信心越强，超前消费的需求越强。这一需求是AIGC很难改变的， 因此AIGC在消费金融的需求侧较难带来变化 供给侧：AIGC具备更强的分析理解能力，可以在营销获客、风控、催收、客服等多个环节提升效率。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
