一、AI 加持创意软件

（一）创意软件龙头，Adobe 穿越周期成长

Adobe是全球领先的创意软件与数字营销巨头，持续推动创新。Adobe 成立于 1982年，总部位于美国加州圣何塞，是世界领先的数字媒体和在线营销解决方案 的供应商。Adobe以其在图形设计、摄影、插图、动画、视频、广告和印刷出版等 创意领域的领先产品而著称，核心产品包括 Adobe Photoshop 图像编辑软件、 Adobe Illustrator 矢量插图软件、Adobe Acrobat Reader PDF 阅读软件等。公司 曾推出 Adobe Creative Suite，后演变为以软件即服务（SaaS）形式提供的 Adobe Creative Cloud 创意云。四十余年来，Adobe 通过内部持续创新与外部战略收购， 保持了在数字内容创作和传播领域的卓越地位，穿越周期实现成长。 我们复盘 Adobe 的发展历程，大致可以分为以下三个阶段：

（1）业务奠基期（1982～2007）：脱胎于桌面出版浪潮，完善设计工具矩阵，奠 定创意软件龙头地位 ① 创造了页面描述语言 Postscript，推动了桌面出版革命； ② 与苹果合作，成为激光打印机硬件 LaserWriter 的关键技术提供商； ③ 推出了一系列经典设计工具，包括 Illustrator （1987）、Photoshop（1990 年）、Premiere（1991年）和 PDF（1993年）； ④ 通过收购 Aldus 和 Macromedia 等公司，形成了强大的设计工具矩阵，奠 定了在创意软件领域的龙头地位。

（2）云化转型期（2008～2022）：推进云化战略，发力营销科技第二增长曲线 ① 面对经济衰退危机和SaaS模式兴起，进行战略调整，将 Creative Suite 业 务转移到 Creative Cloud，开始全面云化转型； ② 2009年起收购 Omniture、Day Software、Demdex、Efficient Frontier 等公 司，从内容创作迈入营销科技领域，发展第二增长曲线； ③ 通过一系列营销科技领域的收购，构建了Adobe Experience Cloud，提供综 合性的营销分析解决方案。

（3）AI 加持期（2023～）：AIGC赋能创意与生产力变革，有望迈入发展新阶段 ① 2023年3月，发布生成式AI解决方案 Adobe Sensei GenAI 和生成式AI模型 集 Adobe Firefly； ② 2023年9月，为AI加持产品建立了基于生成积分（Generative Credits）的付 费模式，上调 Creative Cloud 部分订阅版价格，初步开启AI商业化进程； ③ 2023年10月，发布下一代Adobe Firefly模型集，包含3个新的生成式AI模型。

按照业务结构划分，Adobe 的业务可以划分为数字媒体，数字体验和出版广告三 大板块。数字媒体业务主要由 Adobe Creative Cloud（创意云）和 Adobe Document Cloud（文档云）组成，其中创意云是 Adobe 的核心业务；数字体验 业务除了核心产品Adobe Experience Cloud（体验云）以外，还包括一些其它的数 字体验产品；出版广告则包含了 Adobe 的传统产品和服务，业务占比逐渐收缩。

通过内部持续创新与外部战略收购，Adobe 构建了创意云、文档云和体验云三大 云业务主线。在 Adobe Creative Cloud （创意云）和 Adobe Document Cloud（文 档云）方面，Adobe 通过提供产品、服务和解决方案，使个人、团队和企业能够 轻松创建、发布和推广内容，以及为用户提供创建、编辑、签署和共享PDF文档和 表单的产品及服务。而在 Adobe Experience Cloud（体验云）方面，Adobe 提供 了集成平台、应用程序和服务，助力品牌和企业进行客户分析和营销管理。Adobe 的创意云、文档云和体验云等业务增长势头强劲，创意云业务在2018-2023年的营 收年复合增长率达16.6%。2023年，三大云业务 Adobe Creative Cloud（创意云）、 Adobe Document Cloud（文档云）、Adobe Experience Cloud（体验云）营收占 比分别为59%、14%、22%。

目前，Adobe 整体云服务对应的潜在市场空间（Total Addressable Market， TAM）超过2000亿美元，三大云业务Adobe Creative Cloud、Adobe Document Cloud 、Adobe Experience Cloud分别对应630亿美元、320亿美元、1100亿美 元。Adobe Creative Cloud （创意云）：一套包含平面设计、影片编辑、网页开发、 摄影应用的云端套装软件，核心产品包括 Photoshop、Illustrator、Premiere Pro、 After Effects等，用于图形设计、视频编辑、网页开发、摄影等创意项目，为个人、 团队和企业提供查看、分享、协作创意内容的产品、服务和解决方案。

Adobe Document Cloud（文档云）：行业领先的文档生产力平台，主要产品包 括PDF编辑和管理软件 Adobe Acrobat Reader 和电子签名解决方案 Adobe Acrobat Sign 等，专注于文档管理和数字签名流程，为用户提供创建、编辑、签署 和共享PDF文档和表单的产品及服务。

Adobe Experience Cloud（体验云）：提供了一个集成平台及一套应用程序和服 务，主要产品包括客户数据平台（CDP）、营销自动化、内容管理系统（CMS）、 数字商务等，为品牌与企业提供营销、分析、广告、商务在内的个性化数字营销解 决方案。

商业化策略上，Adobe 通过差异化定价层级与产品服务来满足不同客户群体需求。 具体而言，产品侧涵盖了从免费服务到企业级解决方案的多层次产品和服务，包括 Adobe Firefly web、 Adobe Express 等免费入门级产品、单产品订阅服务，以及 全面的个人与团队创意应用程序套件。此外，Adobe还提供高端的专业服务和企业 级定制解决方案，以及通过APIs和平台为大型企业提供定制模型和管理系统。 Adobe将通过这一多层次的定价策略，吸引不同层级的用户群体，从个人用户到中 小企业，再到大型企业，持续进行市场扩展以及推动业务增长。

（二）AIGC 技术飞跃，开启内容生成发展新纪元

技术的持续创新推动了AIGC快速发展。生成式人工智能（Generative Artificial Intelligence，GAI）指的是能够模拟人类智能的机器学习模型，并基于算法和模型 产生文本、图片、音频、视频等类似于人类的输出。而人工智能生成内容（Artificial Intelligence Generated Content，AIGC）则是生成式人工智能的应用，通过模型 的训练和推理生成文章、图像等各种类型的内容。以文生图（Text-to-Image，T2I） 领域为例，近年来，技术创新推动了文生图的快速发展，尤其是GAN、CLIP、 Transformer、Diffusion等多种算法模型相继涌现，为AIGC提供了更通用以及更强 大的生成能力，AIGC的底层能力也逐渐发生了根本性变化。

从GAN到扩散模型，文生图的能力大幅增强。文生图指的是通过文本生成图像的 技术，也是AIGC中发展最快、应用最成熟的领域之一。自2014年生成对抗网络 （Generative Adversarial Network，GAN）问世以来，诞生了一大批基于GAN架 构的模型，但存在对输出结果控制力弱，难以生成新图像等缺点。而随着扩散模型、 CLIP模型等技术的成熟，文生图的能力显著提升。目前，Midjourney、Stable Diffusion 等一些领先的图像生成应用的底层模型均是基于扩散模型所构建。

生成对抗网络（GAN）是早期的主流文生图模型路径。GAN于2014年被提出，是 一种用于生成模型的深度学习框架。GAN由生成器和判别器两部分组成，生成器通 过添加随机噪点来生成虚假的图像，判别器判断这些图像是否为生成器生成。这种 对抗性训练使GAN能够在“动态博弈”中产生高质量的逼真图像。虽然GAN在图 像生成的许多相关任务上都表现出了非常好的性能，但其在实际运用中存在着难以 收敛、模式崩溃等问题，因此应用落地受限。

CLIP（Contrastive Language–Image Pretraining）将文本和图像连接在一起。 CLIP由OpenAI在2021年1月提出，是一种基于对比“文本-图像”对的预训练模型。 CLIP通过大规模的图像和文本数据进行预训练，将图像和相关的文本描述关系联 系起来。其特点在于能够理解广泛的视觉概念，并且不受特定数据集的限制，能够 在多种视觉任务上表现出色。这种跨模态的学习方法使得CLIP在图像分类、对象 检测以及图像和文本之间的复杂关联任务中表现出强大的性能，为AI在计算机视觉 与自然语言处理的融合提供了新的可能。

扩散模型（Diffusion Models）进一步提升了图像的逼真度和细节丰富度。扩散模 型最初在2015年被提出，但直至2020年除噪扩散概率模型（DDPM）推出后才受 到广泛关注。扩散模型通过在前向阶段对图像逐步添加随机噪声，直至图像被破坏 变成完全的高斯噪声, 然后再逆向该过程以生成高质量图像。其独特之处在于其生 成过程的逐步性和渐进性，使得生成的图像具有高度的逼真度和细节丰富度。目前， 扩散模型在多种任务中表现出色，包括图像合成、超分辨率和风格迁移等，并且成 为了文生图领域的核心模型之一。

基于扩散模型，研究人员和开发者研发出了多种高效的文生图模型。这些基于扩散 模型的生成模型展现了卓越的性能，成功证明了扩散模型在复杂数据生成任务中的 潜力和灵活性，为文生图的发展开辟了新的道路。在众多生成模型中，Stable Diffusion 与 MidJourney 模型较早受到了大众关注。Stable Diffusion 以其生成高 质量的稳定图像能力而著称，适合批量生成相同风格类型的图片；MidJourney 在 创造细腻、具有艺术感的图像方面表现出色，生成的图片极具美感，适合创意人士。 这些模型体现了扩散模型在处理和生成复杂图像方面的强大能力，为未来的创意和 艺术工作提供了新的可能性和灵感，推动了内容生成新纪元的开启。

（三）生成式 AI 赋能生产力变革，重塑创意工作流

AI加持创意软件，在设计、绘画等多个场景中发挥重要作用。我们通过拆解绘画过 程的工作流来分析AI在创意过程中的对于用户端的价值加成。首先，在灵感构思阶 段，AI能够提供丰富的视觉素材和创意灵感，帮助拓宽思维。其次，在草图设计阶 段，AI工具可以辅助快速构建基础框架，减少手绘的时间成本。此外，在着色和细 节处理上，AI能够助力用户实现更精细的色彩管理和细节渲染。最后，在作品的完 善和调整阶段，AI可以提供高效的修改建议和自动化的调整选项。通过AI加持，提 高了创意工作的效率，拓宽了艺术表达的可能性，为用户带来了实质性的价值加成。

AI加持的创意软件正赋能创造力与生产力的下一代发展。具体而言，AI加持创意 软件，不仅提升了专业用户的工作效率，降低了成本，还为普通用户打开了创意 的大门，此外，还为用户提供了创新价值和定制化体验。 （1）AI加持实现效率提升与成本节约，优化创意工作流 即便是优秀的创作者，将创意转换为现实效果也需要一定时间。而AI可以快 速创建设计，以及执行重复性任务，使设计师和创意人士能够专注于需要人 类创造力和战略性的复杂任务，帮助其节省时间，优化创意工作流。在传统 的图像编辑中，删除不需要的对象或背景、修饰或扩展图像画布等任务可能 非常耗时费力，而 Adobe Photoshop 的生成填充（Generative Fill）基于AI 加持可以简化这些流程，原本需要数小时才能完成的工作只需点击几下即可 完成。

（2）AI加持在简化操作的同时降低了使用门槛，非专业用户也能轻松上手 在AI加持下，非专业人员可以独立地完成更多任务，减少了对专业技术团队 的依赖。以 Adobe Photoshop 的生成拓展（Generative Expand）为例，用 户只需向外调整图片大小，然后点击“生成拓展”功能，无需输入任何 Prompt 便可以快速完成扩图，使用门槛较低。因此，即便是没有AI 使用经验的非专 业人员，也可以轻松地构建和编辑各种页面，不再需要专业技术团队支持， 实时反馈则能让其实时查看他们的设计效果，这部分人员便有效转换为了 Adobe的新客户。目前，得益于 Adobe Firefly 的支持，在 Firefly Web 应用 程序的用户中，有90%都是Adobe的非现有订阅用户。

（3）AI加持可以提供创意灵感和解决方案，为用户带来创新价值 AI加持创意软件可以为用户提供新的创意灵感和解决方案，比如通过快速生 成多个设计选项，为设计师提供一系列可供选择的创意，帮助其尝试不同的 款式和颜色，甚至帮助其探索其未曾考虑过的新方向，从而产生更具创新性 的设计。 （4）AI加持可以针对用户的独特需求和风格偏好，打造个性化创意空间 通过AI加持可以针对用户的独特需求和风格偏好为用户提供个性化体验。例 如，Adobe Experience Cloud 企业用户在AI加持下，可以通过分析浏览行 为、购买模式和社交媒体互动等C端用户数据，更好地理解用户偏好。同 时，企业可以使用工具实现个性化营销，根据用户的兴趣和需求定制内容、 推荐和交互，增加客户忠诚度。

我们总结，AI能够助力创意工具厂商从量价两维度来提升业绩表现：量端，AI加 持创意工具通过降低使用门槛，吸引了更多新用户，同时也使现有用户在降低成 本和提升效率方面受益，从而增强了用户忠诚度和留存率，带动了用户数量的增 长。而在价端，AI加持通过提供创意灵感和定制化体验，增强了用户对产品的认 可和满意度，为产品提价创造了有利条件。

二、Adobe AI 加持之路

（一）AI 加持，底层平台与现有工作流全覆盖

作为创意领域的先行者，Adobe在2016年就推出了先进的AI底层框架。2016年 11月，Adobe在Adobe MAX 2016上发布了Adobe Sensei智能化平台，包括统一 的AI框架和智能服务，全面融入至Creative Cloud、Document Cloud和Marketing Cloud云服务中，基于人工智能技术来解决设计、文件和营销领域的复杂问题， 如快速搜索、面部感知编辑、智能局部标记等。此后，Adobe 持续加大对Adobe Sensei的投资来扩展其云端产品并激发用户创意，使得其成为公司的重要技术底 座。然而，Adobe Sensei 属于传统的人工智能技术，基于机器学习模型来产生 特定类型的任务结果，更专注于自动化和效率提升，而非进行创意生成，因此与 生成式AI相比具有一定局限性。

2023年3月，Adobe 在 Adobe Summit 2023 上发布了生成式AI解决方案 Adobe Sensei GenAI 和生成式AI模型集 Adobe Firefly。 （1）Adobe Sensei GenAI 重塑了端到端的企业营销工作流程 Adobe Sensei GenAI 为企业营销人员以及数字体验团队提供 Copilot 服务， 帮助企业实现效率提升和盈利增长。Adobe Sensei GenAI 以 Adobe Experience Platform（AEP）为基础，将企业数据汇聚在Open AI系列模型、 FLAN-T5模型等多种通用大语言模型下，使企业客户能够根据专有数据来进行 微调并训练生成式AI模型，满足其个性化需求。Adobe Sensei GenAI 服务将 被原生集成至 Adobe Experience Cloud 的应用程序中，包括 Customer Journey Analytics、Experience Manager、Journey Optimizer 和 Marketo Engage 等。

（2）Adobe Firefly 将生成式AI引入工作流，提升生产力和创意表达 Adobe Firefly 由多个生成式AI模型组成，早期侧重于图像和文本的生成并为创 作者提供服务。创作者无论经验高低，都能够通过 Adobe Firefly 来实现图 像、音频、视频和3D等创意元素的内容生成及其它进阶效果。Adobe Firefly 将直接集成至 Creative Cloud、Document Cloud、Experience Cloud 的工作 流程中，使用户能够通过 Adobe 的现有产品和服务轻松使用。Adobe Firefly 测试版推出后广受欢迎，目前，用户已使用 Adobe Firefly 的初始模型生成了 超45亿张图像。

Adobe 持续推进 Adobe Firefly 创新。2023年10月，Adobe 在 Adobe MAX 2023 上发布了下一代 Firefly 模型集，包含3个新的生成式AI模型：Firefly Image 2 Model、Firefly Vector Model 和 Firefly Design Model。与第一代 Adobe Firefly 类似，下一代 Firefly 模型也将嵌入 Adobe 的创意工作流中，赋 予设计人士更强大的生产力。目前，下一代 Firefly 模型已嵌入至 Adobe Photoshop，Adobe Illustrator和 Adobe Express 等产品中。

（1）Firefly Image 2 Model（萤火虫图像模型）：下一代生成式AI成像模型 Firefly Image 2 Model 以 Firefly Image Model 为基础，相较于上一代模型， 在图像生成质量以及创意控制上有了明显提升。例如通过改善皮肤、头发、眼 睛、手和身体结构来增强人体渲染质量，提供更好的色彩和改进的动态范围以 及更强的输出控制，帮助用户完成创造性需求。

（2）Firefly Vector Model （萤火虫矢量模型）：Adobe的首个矢量生成AI模 型 Firefly Vector Model 整合了矢量图形与生成式AI的专业知识，驱动下一代高质 量设计和插图生成，目前已推出beta版本。通过文生矢量图形功能，用户只需 输入文本提示便能生成各种可编辑的矢量图形，图形的每个元素也将被划分为 逻辑组和图层，便于编辑与重复使用。与传统的 JPEG、PNG 图有所区别， 矢量图通过数学公式计算获得，具有任意缩放、编辑后不失真的特点，适合从 事徽标、产品标签、小手册等设计的创意人群。因此，Firefly Vector Model 可以加速灵感创作、情绪板设计以及营销和广告图形的创作过程。

（3）Firefly Design Model（萤火虫设计模型）：支持生成可编辑模版 Firefly Design Model 与 Firefly Image Model、 Adobe Stock 和 Adobe Fonts 等相结合，为 Adobe Express 提供文生模板功能。用户可以通过文本 提示来生成可编辑的模板，而无需将单个文本和图像拖放到空白画布上。此 外，用户还可以根据需要自定义规格大小，选择文本颜色，以提升创作灵活性 和满足多样化设计需求。Firefly Design Model 将广泛用于制作传单、简历、 横幅和徽标等内容，以及社交帖子、在线广告和视频等多种场景。

Adobe正在扩展其生成式AI模型集Firefly，以涵盖音频、视频和3D等多种媒体类 型。在Adobe MAX 2023活动上，Adobe 展示了照片、视频、音频、3D、设计和 时尚应用的11项新功能，相关模型正在研发中。展望未来，Adobe的生成式AI技 术将不仅局限于图像，还将扩展到视频、音频和3D等领域，并融入至Adobe Creative Cloud应用程序工作流。

纵观 Adobe 的AI加持之路，从Adobe Sensei底层平台到 Adobe Firefly生成式AI 模型嵌入现有工作流，Adobe由下至上全面构筑起了AI能力。相较于第一代模 型，下一代Firefly模型在成像、矢量和设计领域取得了进步，模型的底层推理能 力更强，支持的功能应用也更加丰富。我们判断未来Adobe将持续融入生成式AI 至现有创意工作流，以及提供API供客户集成到自定义的工作流与自动化中，推 进在创意软件领域的变革创新。

（二）多年深耕，由下至上逐层构筑 AI 能力

Adobe 深耕创意营销领域多年，积累了AI基础能力。首先，Adobe通过产品与 服务积累大量高质量数据，为模型训练奠定基石。此外，Adobe 也致力于磨砺算 法与模型能力以应对各种复杂任务。最后，基于积淀的数据、磨砺的核心技术， Adobe将AI融入到图像处理、视频编辑、文档管理等应用程序及服务中，为用户 提供更智能高效的产品和服务。 在AI基础能力的积累中，Adobe 逐层构建了“数据、模型、应用”AI技术栈。 其中，数据层提供支持，确保系统使用高质量的安全合法数据，模型层负责处理 具体的AI任务和需求，而应用程序和界面层则将AI融入工作流，关注用户体验。 这种层次结构使得 Adobe 能够从数据处理到底层模型和用户体验，每一层专注 于其核心功能，从而更灵活地提升技术水平，全面构建产品力，最终各层次相互 配合，提供人工智能综合解决方案。

（1）数据层：积累数据资源，为模型训练奠定基础。 Adobe 通过现有的产品与服务为用户提供创意内容的同时，积累了丰富的数 据资源。以在线创意资源库 Adobe Stock 为例，Adobe Stock 拥有庞大的图 像和媒体库，涵盖各种主题和风格的照片、插图、矢量图形、视频片段、音频 和模板等，用户可以在设计、广告、印刷、网站开发、社交媒体等各种场景的 创意项目中使用这些资源。此外，只要符合提交标准，Adobe Stock 也接受使 用生成式AI工具制作的内容，但需在提交之前将内容标记为生成人工智能。

Adobe 基于可安全用于商用的数据进行训练，实现训练数据版权的有效保 护。Adobe Firefly 的第一个模型在 Adobe Stock 图像、公开许可内容和版权 过期的公共领域内容上进行训练，因此除部分测试版功能外，生成内容可安全用于商业用途，但对版权的保护将在一定程度上限制模型输出质量。此外， Adobe 与 Adobe Stock 贡献者达成条款，允许 Adobe 创建和训练 Firefly 模型，并为所有符合资格的 Adobe Stock 贡献者（其内容用于第一个 Firefly 模型的数据集训练） 提供奖金补偿。未来，Adobe Firefly 也将充分利用来自 Adobe 和其它公司的相关资产、技术和培训数据来训练模型，同时确保模型 数据的安全可用。

Adobe 还推出了“内容凭证”保护创作者版权。内容凭证 （Content Credentials）可以将创作者姓名、日期以及用于创建内容的工具和编辑等信息 作为元数据附加到生成的作品中，如果内容凭证显示内容受到保护，那么该内 容无法再被篡改或复制利用。内容凭证也会将使用 Adobe Firefly 生成的内容 标记为人工智能生成，以表明在创建过程中使用了生成式AI。此外，Adobe正 在推动在内容凭证上添加“不训练（Do Not Train）标签”的研究，创作者可 以通过该标签来防止作品被用来训练AI模型，帮助创作者更好地保护作品版 权。

Adobe 正在推动内容真实性标准的建立以助力生成合成内容的合法合规使用 和确权。Adobe 通过训练数据的把控以及内容凭证等方式建立内容创建和交 付的信任度，这是 Adobe 所倡导的技术生态的一部分。2019年，Adobe 便 启动了内容真实性计划（CAI）提高数字内容的透明度，确保内容创作的版权能得以保护。2021年，Adobe 与 Arm、BBC、英特尔、微软等公司发起了一 个正式的标准开发联盟——内容来源和真实性联盟（C2PA），旨在开发一个 可以跨平台共享的开放全球标准，而内容凭证（Content Credentials）便是该 标准的实现。

（2）模型层：创意软件经验助力先进模型开发，融合专业知识与市场洞察 Adobe 在创意营销软件的长期 know-how 积累，为其AI模型开发提供了坚 实的基础。首先，Adobe 在图像处理、视频编辑和设计软件领域领先多年， 积累了大量关于视觉艺术和设计原则的know-how理解，这些知识被融入至AI 模型开发中，可以帮助模型更好地理解美学和创意内容的复杂性。其次， Adobe 产品广泛应用于创意工作流中，积累了大量用户数据和反馈，不仅涵 盖创意领域的数据，还包括用户在设计、编辑和创作过程中的行为模式，进一 步丰富了模型的输入，使得模型训练更为高效。此外，Adobe 在数字营销和 用户体验设计方面的专长也为其AI模型的开发提供了支持，通过理解用户如何 与数字内容互动，Adobe 开发出能够预测用户需求和偏好的AI模型，从而为创 意人员提供更个性化与高效的工具。

Adobe Firefly 在生成模型技术上可能具有特殊创新与差异。虽然 Adobe Firefly 目前图像生成模型均基于扩散模型自研构建，但有研究表明，其在生成 图像方面显示出与其他模型不同的特性，在通过在线检测器检测AI生成图像 时，即使是接受了其它多种生成模型训练的分类器，在识别由 Adobe Firefly 模型生成的图像时也面临困难，因此 Adobe Firefly 在生成技术上可能具有特 殊创新与差异。

此外，为了适应多样化的媒体需求，Adobe 设计并推出了针对不同类型媒体 的模型。例如在下一代生成式AI模型集 Adobe Firefly 中，便推出了Firefly Image 2 Model、Firefly Vector Model 和 Firefly Design Model 3个模型。 2023年11月，Adobe 收购了AI初创公司 Rephrase.ai，这一收购预计将加强 Adobe 在生成式AI音视频技术以及文生视频制作工具方面的能力，进一步扩展 其在生成式视频领域的功能。同时，Adobe正在扩展其生成式AI模型集 Firefly，即将推出分别涵盖音频、视频和3D等多种媒体类型的模型。在Adobe MAX 2023活动上，Adobe 展示了照片、视频、音频、3D、设计和时尚应用 的11项新功能，相关模型正在研发中。

（3）应用层：Adobe的AI解决方案集成至现有工作流，提升性能与用户体验。 Adobe Firefly 和 Adobe Sensei GenAI 集成至 Adobe 现有工作流中，提 供了高效的解决方案。首先，集成方式使AI解决方案深度融入到Adobe的应用 程序及生态中，与应用程序的其它组件更为紧密地连接，使得AI可以更好地适 应应用场景，理解用户需求，提供定制化解决方案。此外，与常见的文生图工 具主要在聊天界面内运行不同，通过集成至现有工作流，Adobe 用户无需切 换，可以在不离开应用程序的情况下使用AI功能，因此，可以为用户带来无缝 体验，提升用户效率和满意度。此外，Adobe Firefly API 未来也将提供给想要 将其嵌入到其工作流程和自动化流程中的企业客户与第三方开发人员使用。

Adobe Firefly 更强调二次编辑能力以及对于图像的控制能力。与许多生成式 AI 驱动的图像生成器提供单一的图像生成功能有所差异，Adobe Firefly 提供 了包括文本效果以及在图像中添加和删除元素的多种编辑能力，用户可以通过 文本提示来生成图像和独特的文本效果，并使用一系列应用内工具对原始输出 的内容进行调整。未来，Adobe 计划提供更多功能，例如调整视频情绪、消 除照片干扰以及向 3D 对象添加纹理等，并融入至跨 Adobe 应用程序的各项 创意工作流程。

我们总结 Adobe 在AI领域的整体发展思路，从数据的积累到基础能力的构建， 以及逐步建立更高层次的平台和应用的过程，这种由下至上的全面构建并非一朝 一夕之功，而是来源于 Adobe 在创意营销软件方面的长期 knowhow 积累和生 态建设，正是这种深厚的行业经验，构筑了Adobe作为创意软件领域龙头的深厚 护城河。这些积淀为 Adobe 提供了丰富的资源和深刻的洞察力，有助于 Adobe 在AIGC时代将AI能力与现有工具深度融合，开发出更为先进、更具创新性的AI解 决方案，使其更好地适应应用场景，为用户提供更好的产品与服务。

（三）商业化初启，业绩兑现可期

生成式AI模型典型的商业模式包括API访问收费、订阅服务、开源模型、定制服务 等，公司将根据自身发展阶段与需求选择是否进行商业化以及选取特定的商业模式。 我们对生成式AI模型的商业化典型路径进行了总结。

基于开发与维护模型所需的成本考虑，目前已有多家公司开启了商业化进程： (1) OpenAI：提供 API 接口调用，价格根据所选的模型、所需图像的质量和分 辨率而有所区别，每张图像的费用在0.016到0.120美元之间。 (2) Stability AI：既以开源方式发布其模型，也提供用户界面和API访问。API 调 用价格根据图像大小和生成过程的计算强度确定，采用积分制，前25积分免 费，10美元可购买1000积分，大约对应5000张 SDXL1.0 图像，每张图像 的费用在0.002美元左右。 (3) Midjourney：提供多种订阅选项，价格范围为每月10～120美元，不同的订 阅等级提供不同数量的生成次数和对GPU的优先访问权限。此外，若超出快 速GPU时间，用户还可以购买4美元每小时的额外GPU时间。

而从2023年9月开始，Adobe为相关的AI加持产品建立了一种基于生成积分 （Generative Credits）的付费模式，标志着其AI商业化进程的初步开启。 在生成积分的付费模式下，用户需要为AI功能付出积分，不同功能的生成积分消耗量取决于计算成本以及功能价值。对于免费计划的用户，虽然积分较为有限，但通 过免费计划可以吸引更多用户，能帮助将其转换为付费用户；而对于付费用户，向 其开放更多的积分有利于增加粘性。

具体的生成积分分配计划如下： (1) 对于拥有 Adobe ID 的 Creative Cloud、Adobe Firefly 和 Adobe Express 免费计划用户，每月将获得特定数量的生成积分（目前25个/月），使用完毕 后可以升级到付费计划（每月支付4.99美元获得100个积分）以继续使用 AI 功能。 (2) 对于付费用户，Adobe将分配给付费计划用户特定数量的生成积分，若有多 个订阅，则可用的生成积分为每个计划中包含的积分数量累加。目前， Creative Cloud 和 Adobe Stock 付费用户暂时不受生成积分限额的约束， 可以在超出限额的情况下继续进行创作，而Adobe Firefly 和 Adobe Express 付费用户在达到积分限额后每天可以执行两次操作直至新周期积 分重置。

此外，Adobe Creative Cloud 部分订阅版价格也有所上调。基于AI加持为用户带 来的价值，且出于对模型训练推理所产生的成本的考虑，Adobe 宣布从 2023年11 月1日起，Creative Cloud 的订阅价格将针对个人版、团队版、企业版进行上调， 提价幅度在6%～10%的区间。截至目前，提价仅限于北美、中美、南美和欧洲地 区，而移动端和面向学生、教师及教育机构的价格暂无变化。

Adobe Creative Cloud 本次提价与其它AI加持工具产品相比较为“常规”。回顾 Adobe Creative Cloud 前两次涨价计划：个人版在2017年微增至4%，团队版上调 了6%；2022年，个人版的涨幅上调了5%，而团队版上调了14%。由此可见，Adobe 本次定价策略相对温和稳健。而在Copilot加持下，微软的 Microsoft 365 E3、 Microsoft 365 E5 产品提价幅度分别为83%、53%。因此，相较于其它产品，Adobe 提价稍显“常规”，反映了Adobe在平衡市场地位与长期增长之间的选择。此外， 鉴于平均五年的提价速度，此次Adobe在两年内连续提价也反映了AI加持的影响， 但具体影响程度需要结合明年价格的变化来进一步验证分析。

Adobe当前以提升月活和付费用户数为战略重点。通过AI的加持，Adobe在多款核 心产品的相关业务指标上已经初见成效。Adobe.com的流量增长了25%，而Adobe Firefly Web用户中非现有订阅用户占比90%。此外，Adobe Express的月活跃用户 环比增长了20%，在付费CC用户中的月活环比增长 65%。这些数据均表明，AI为 用户带来了价值加成，提升了产品的用户参与度与付费转化率。我们分析，Adobe 目前的战略焦点在于拓展新用户，提升月活以及用户付费转换率。因此而在AI产品 的定价策略上稍显保守，希望能通过价格吸引用户。我们理解这样的策略选择与目 标客户需求及付费能力、创意产品特征、行业竞争格局以及公司战略等方面有关。

商业化初启叠加外部环境扰动，在财报端的兑现仍需时间。根据Adobe 2023财年 Q4业绩会数据，虽然AI为Adobe产品带来了大量流量，在月活等指标上已初见成效，但收入端带来的增长并不十分明显。公司考虑宏观经济环境对下游客户支出的 影响而保持谨慎态度，对于明年的业绩指引也略低于预期。 战略选择同样影响财报兑现节奏，客户价值认可及合规障碍扫除有望助力24、25 财年表现。我们分析，Adobe目前以提升付费用户数为主，更多加强各类单点应用 的付费销售，订阅Creative Cloud的客户相对偏高端，其提价影 响了不到一半的订阅客户，且提价幅度小于前次，因此目前对整体业绩的提升作用 有限，具体可能将延迟到24或25财年体现。此外，目前创意工具软件商业化还面临 客户价值认可以及合规上的阻碍。从产业发展节奏判断，这些挑战有望逐步被克服， 进一步助推24、25财年表现。

三、AI 加持创意软件商业化推演

（一）自研 VS 第三方，ToB or Not ToB

按模型构建方式来分类，AI加持创意软件有两种路径——自研大模型与调用第三 方大模型API。自研大模型模式包括从零开始完整构建大模型以及在开源模型上调 优，对于创意软件场景，多家厂商选择在开源的扩散模型基础上来构建，这种模式 需要收集处理大量数据以及对模型进行调优，要求较强的技术实力与资源投入，但 优势在于可以高度定制化以及集成至系统或业务流程中。调用第三方大模型API的 方式则是通过使用第三方平台提供的接口来实现创意软件功能及应用，利用现有的 大模型能力可以节省开发时间与成本，但可能带来对第三方服务的依赖以及在功能 定制化和数据安全方面的限制。两种模式都存在着独特优势与挑战，选择哪种取决 于具体的战略定位与业务需求。

商业价值是决定软件厂商是自研还是调用第三方API提供模型能力的关键因素。在 商业价值较高的领域，为了在竞争中不受限制，独立构建模型成为了软件厂商的必 然选择。例如，Jasper.AI作为AI文本生成工具的先行者之一，在ChatGPT出现之 前，已经利用基于GPT-3的模型能力吸引了众多社交媒体和广告策划等营销领域的 用户。然而，随着市场的扩大，更多的厂商加入了这一领域，使得竞争加剧，尤其 大模型厂商ChatGPT亲自下场推出相关服务。最终导致Jasper.AI的访问量明显下 降。

自研路径更适合于高商业价值的创意软件B端市场。在创意软件领域，生成式AI可 以为B端用户提供创意及降本增效，因此B端用户对AI解决方案有更明确的需求和 更强的付费意愿，同时也帮助创意软件厂商摊薄了模型训练和推理成本。相比之下， 创意软件C端应用的付费意愿较弱，因为产品较为同质化，价格敏感的消费者通常 不会去支付额外费用。若非有资金积累，利润难以支撑厂商去自研模型，因此接入 模型即服务（MaaS）是更好的选择。通过使用大模型厂商提供的MaaS服务，C端 应用可以较低成本地实现AI功能，但大部分收益也将被模型提供商所获取。

我们按照嵌入层次将AI加持创意软件的应用划分为独立应用、集成工作流以及深度 嵌入复杂应用三类模式，嵌入程度与复杂程度依次递增。其中独立应用是短期的流 量聚集地，主要面向C端市场，发展最成熟。集成工作流的模型可以帮助降低成本、 提高创意产业效率，有望最早实现商业化，而深入嵌入复杂应用创造了全新的用户 体验，增强产品互动性和动态性，是远期空间最大的场景。我们认为，对于创意软 件领域，自研模型的路径更适合于资源充足、对降本增效有高需求的B端市场，包 含集成工作流与深度嵌入复杂应用场景，而调用第三方服务则更适合资源相对有限、 对成本敏感的C端市场中的独立应用。

在垂直场景，自研模型正逐步追赶甚至超越通用大模型的性能。随着开源社区的发 展和技术进步，目前开源模型与闭源大模型之间的差距正在逐渐缩小。研究表明， 部分开源语言大模型在某些标准基准上已经比 GPT-3.5-turbo 表现得更好。而在 创意软件垂直场景，通常存在着专业需求，例如特定艺术风格、设计元素或用户交 互方式等，基于开源模型的自研解决方案可以通过对特定数据的预训练和微调来精 准适应这些需求，以达到专业级性能，在一定程度上可以缩小与闭源的通用大模型 之间的性能差距，甚至在某些方面表现更为出色。以写实风格图片为例，DALL·E 3 在生成人脸和手部图像时可能出现一定程度的失真，而 Midiourney V5.2 已经 展现出了较高的逼真度，Stable Diffusion 也推出了非常写实的人像模型。

对于商用场景，自研模型可以提供更安全可靠的商业解决方案。许多通用大模型的 训练数据集并没有完全开源，因此可能导致潜在的法律问题。若训练数据的来源不 明确，或者在获取和使用数据时未能遵守相应的版权法规，那么使用模型的用户可 能会面临侵权指控，但自研模型可以有效规避这些问题。以Adobe为例，AdobeFirefly 除了在训练数据上加以控制，针对一些知名IP也会在图片生成前预先拦截， 大幅降低了被告侵权的可能性，并且承诺若出现版权纠纷，责任归于Adobe。目前， Adobe 的生成式模型已投入商用。因此，通过自研模型路径，企业可以从数据端 主动规避侵权风险，提供更安全可靠的商业解决方案。

模型构建方式将影响AIGC在创意软件垂直场景的商业化路径选择。考虑到创意软 件B端市场的专业需求和较高付费意愿，自研模型能够提供高度定制化的解决方案， 基于特定领域的预训练和微调策略能有效提升模型性能，同时可以尽量规避版权风 险。因此我们认为，在创意软件领域，自研模型的路径更适用于高商业价值的B端 市场，调用第三方服务则更适合资源相对有限、对成本敏感的C端长尾市场。

（二）商业化尚存挑战，但奇点终将到来

AI创意工具的商业化应用仍处早期，发展空间广阔。以国内设计行业为例，根据美 图与站酷团队对五千多位设计需求者调研后发布的《2023年度Al设计实践报告》数 据，对于个人用户，目前有47.6%的用户使用过原生AI设计工具，37%的用户使用 过传统工具中的AI设计功能，34.7%的用户未使用过AI设计工具。而对于企业用户， 仅有8.4%的企业已使用AI来辅助设计，38%正在探索中，有超半数企业尚未使用 或表示不了解，表明AI加持创意工具软件还有较大的发展空间。

尽管目前AI加持的创意软件工具应用技术上在持续推进，商业化也已起步，但基于 在训练数据、模型可控性、合规等方面的阻碍，我们认为商业化奇点的到来尚存挑 战。 （1）训练数据：大规模和高质量数据是提升模型效果以达到商业化要求的基础 模型输出效果依赖于训练数据的规模与质量。大规模和高质量的数据不仅能够 提供更多样本和场景，帮助模型理解问题，同时也能提高生成图像的真实感和 细节处理能力，从而实现优质的输出效果。数据质量不佳则会对模型效果产生 负面影响，例如，含有偏见的数据可能导致模型在某些情况下产生带有歧视性 质的输出，而不准确或陈旧的数据也可能导致模型无法准确反映当前趋势与现 实。因此，确保数据的准确性、多样性和及时性是提高模型性能的关键。

OpenAI 的 DALL-E 3 模型通过改善训练数据质量显著提升了模型效果。现 有的文生图模型训练数据集中图像描述的质量较差，因为大多来自互联网，倾 向于仅简单描述图像主题，而忽视了背景细节、属性、颜色等重要信息，有时 甚至包含错误描述或广告内容，因此常忽略关键词汇或误解Prompt含义。 OpenAI的DALL-E 3模型提出了“合成Caption”的方法来建立图像描述系统， 生成准确且详细的图像描述并应用于训练数据集，从而提高模型对背景细节、 属性和颜色等要素的识别和理解能力。其中涉及两种类型的数据集和描述器模 型，一种针对图像主体的简短描述，另一种包含周围环境和背景等详细信息的 长描述。通过这种方法，DALL-E 3在处理复杂图像描述方面的性能得到了显著 提升。

创意软件厂商可以积累数据资产来构筑壁垒。通过分析C端用户的文本提示和交互行为来积累数据资产，可以提升模型在数据筛选、分类和语义理解方面的 能力。对于B端用户，Stability AI 通过积累不同行业的数据和经验来提供定制 化解决方案，满足动画制作、影视制作等领域的专业需求。此外，Adobe 在 创意工作流中积累了大量关于用户设计编辑和创作行为的数据也有助于提高模 型训练效率，而在数字营销和用户体验方面的专业知识使其能够开发出能预测 用户需求和偏好的AI模型，为创意人员提供更个性化与高效的工具。这些数据 资产的积累均有助于创意软件厂商进一步提升竞争力。

（2）可控性：模型输出的可控性是推进商业化的前提 模型输出可控性为商业化落地带来了显著挑战。例如在电商领域生成商品图片 时，电商平台和消费者期望看到完全符合实际商品的图像，仅做到相似难以满 足其需求。因为即便是领口或袖口的设计等细微差别都可能导致商品描述不准 确，从而影响消费者的购买决策，因此要求模型能够精确地根据指定的要求生 成图像或加以控制。此外，对于专业设计师而言，AI技术可以帮助他们提升效 率，但他们需要的是能够基于自己的创意进行精准控制的工具，而不仅是简单 的图像生成。因此，只有能让图像模型融入工作流中并且输出可控，生产力才 能真正大幅提升。

使用文本提示（prompt）来控制模型输出效果是目前的常见方式。具体详细 的描述以及合适的关键词可以帮助模型更好地理解所需内容及风格，用户通过 提供详细描述来说明想要生成内容的相关细节，如对象类型、颜色、大小、位 置、背景等。例如，如果想生成一幅带有某种特定风格的画作，可以在描述中 使用包含该风格的名称或相关特征。在 Midjourney 用户输入的 prompt 里， 最常见的短语不是动物、机器人或其他实体，而是描述输出风格或质量的修饰 语，包括 一些应用程序名称及艺术家名称，这也说明用户希望通过 prompt 来指导模型生成符合特定风格或质量标准的图像。目前已经出现了一些提升 pompt 质量的专用工具。

改进模型算法或架构亦能提升模型输出可控性。引入对文本理解更好的模型可 以使模型更精准地理解和解析复杂的文本指令，但是这种方式对于文本模型的 要求较高，且达到可控生成所需要的资源也比较多。例如结合 GPT-3 和 Stable Diffusion，生成配对数据集，以达到直接通过文本编辑的方法来实现控 制模型输出。此外，将可控生成的难度降低，采用提供样本图片，结合图像修 复技术来达到局部可控生成，也是目前的研究热点，但受限于评价方法的缺 失，导致进展难以衡量。

模型的核心算法和架构的改进或许才是长远之计。虽然精确的文本提示在一定 程度上可以提高控制图像生成，但效果受限于模型对文本的理解能力，且要求 用户具备相关经验，才能有效对模型生成进行指导，随机性也较强。若从模型 本身算法及架构进行改进，或许能有效降低用户使用门槛，使即使是没有专业 训练的用户也能轻松生成其想要的内容。因此，我们认为虽然优化文本提示可 以在一定程度上控制模型输出，但要实现根本性改进，关键在于模型本身的能 力提升。

（3）合规：AI生成内容或存在版权归属、内容安全等问题 在训练数据层面，存在版权侵权及商标侵权的风险。模型训练阶段，需要插图、照片等图像作为训练数据，软件厂商可能在未经创作者同意的情况下从网 络上抓取这些公开数据，但这些图片和元数据可能已经授权给了其它厂商使 用。此外，创意软件厂商可能会在某些图像中重新创建特定公司的水印或 Logo，出现在特殊的图像上，也会产生侵权风险。23年初，美国视觉媒体公司 Getty Images 就对 Stable Diffusion 的开发者 Stability AI 提起诉讼，指控 Stability AI 未经许可从其数据库复制了超过1200万张图像，公然侵犯了其版 权与商标保护（数据来源：theverge）。

而在生成内容端，版权归属也存在争议。各界对于AI生成内容的版权问题虽广 泛讨论，但仍悬而未决，尚无定论，国际间对于AI作品的法律认知和规定也存 在差异。2023年2月，美国著作权局首次针对AI版权问题做出表态：“只有人 类创作的图像才能得到版权保护，由Midjourney生成的图片不属于人类著作成 果。”而在2023年11月，北京互联网法院针对AI生成图片著作权侵权纠纷一案 作出一审判决，在个案中，认为人利用AI生成图片本质上仍是人利用工具进行 创作，体现了人的智力投入，具备“智力成果”要件，因此享有图片的著作 权，受到著作权法保护。

AIGC时代需要建立新的标准和框架来界定版权归属问题。传统版权法律是基 于人类创作者的概念而构建，而AI作为非传统的创作者，生成作品的原创性、 创作性及版权归属等均存在争议。此外，AI在创作过程中往往依赖于大量现有 数据，这使得区分其作品中的原创元素和基于现有作品的元素变得复杂，当AI 生成的内容涉嫌侵犯版权时，责任归属也是一个待解的难题。因此需要建立新 的标准框架，界定AIGC时代的版权归属问题。 此外，模型输出产生的内容安全问题同样不可小觑。训练数据中若含有错误价 值观，或输入的文本prompt包含违规内容，可能导致输出的内容带有性别歧视 等偏见信息。因此，要求在模型设计时考虑到内容过滤与审查机制，同时也需 提高模型对于不同类型输入的稳健性，确保输出内容的安全，避免导致不良输 出。

我们认为，虽然AI加持创意软件的商业化落地仍然面临训练数据质量和规模受 限、模型输出可控性弱以及复杂的合规问题等挑战，但随着产业持续发展与技 术迭代，这些挑战有望逐步被克服。AI创意软件厂商正在通过积累丰富的数据 资产、改进模型算法和架构，以及加强内容安全来强化自身竞争力。因此，尽 管目前的商业化进程尚处于初级阶段，但AI创意软件厂商正在陆续填补相应短 板，AI技术有望在创意领域得以广泛应用，商业化奇点值得期待。

 

编辑：520中国