AI：产业变化持续演绎，24 年关注模型&算力&应用最新进展

GPT 产业持续加速发展，产业变化持续演绎。GPT 为代表的大模型技术自 2017 年以来持 续迭代，2023 年产业级应用逐步落地。从发展阶段看，大致可以划分为：1）萌芽期 （2017-2022）：从 GPT-1（2018.6）到 ChatGPT（2022.11）出现，模型逐步迭代成熟； 2）产业落地期（2023-2024）云端大模型初步产业级应用逐步商业化，边缘端逐步实现产 品落地；3）（2024-）：终端百花齐放，应用大放异彩。在这一过程中，我们观察到产业变 化也在持续演绎，呈现出几大发展趋势：1）从单一到多模态；2）从单一任务到多任务；3） 模型从稠密架构到稀疏架构； 4）模型小型化； 5）边缘侧/终端侧芯片发展；6）云端应 用 2C 到 2B、简单到复杂；7）终端应用逐步发展。我们认为 2024 年算力基础逐步夯实的 同时，云端应用商业化成效或逐步显现，终端应用有望加速落地。

关注终端产品化&云端商业化。从 GPT 行情演绎节奏看，核心变量逐步发生变化。我们将 行情演绎分为三大阶段，其中：1）第一阶段，产业预期阶段。第一阶段关键变量从技术向 产品化转变，市场关注产品落地及业绩空间；2）第二阶段，产业逐步落地阶段，第二阶段 关键变量从产品化向商业化转变，市场关注商业模式及订单情况；3）第三阶段，产业爆发 阶段，第三阶段关键变量是业绩，市场关心业绩最终兑现情况及最终受益程度。GPT 产业 中，云端整体先于终端落地，2023 年云端产品实现产品化落地及初步商业化，我们认为 2024 年云端商业化及终端的产品化有望成为 GPT 主线的重要关注点。

模型端：寻找下一代大模型

Transformer 的出现开启了大模型演化之路。大语言模型（LLM）是在大量数据集上预训 练的巨大模型，且没有针对特定任务调整数据，其在处理各种 NLP（自然语言处理）任务 方面显示出了较大潜力，如自然语言理解（NLU）、自然语言生成任务等。从 LLM 近年的 发展情况来看，其路线主要分为三种：1）编码器路线；2）编解码器路线；3）解码器路线。 从发展特点来看：1）解码器路线占据主导，编码器路线趋于落寞，归因于 2020 年 GPT-3 模型表现出的优异性能；2）GPT 系列模型保持领先，或归因于 OpenAI 对其解码器技术道 路的坚持；3）模型闭源逐渐成为头部玩家的发展趋势，这一趋势同样起源于 GPT-3 模型， 而 Google 等公司也开始跟进；4）编解码器路线仍然在持续发展，但是在模型数量上少于 解码器路线，或归因于其复杂的结构，导致其在工程实现上没有明显的优势。

ChatGPT 从诞生到现在，经历了四个大版本阶段的演进。 1）GPT-1 阶段：2018 年 6 月，OpenAI 发表论文《Improving Language Understanding by Generative Pre-Training》，标志着 GPT-1 的诞生。论文首次提出生成式预训练概念，基于 Transformer 架构的解码器搭建训练模型。训练过程包括预训练和微调两个阶段，模型参数 量为 1.17 亿。 2）GPT-2 阶段：2019 年 2 月，论文《Language Models are Unsupervised Multitask Learners》 发布，GPT-2 诞生。GPT-2 取消了 GPT-1 中的有监督微调阶段，将其变成了无监督的模型， 采用更大的参数和多任务（multitask）学习进行预训练，提高了模型面对未知任务时的推 理能力（zero-shot 零次学习）。GPT-2-训练参数量为 15 亿。

3）GPT-3 阶段：2020 年 5 月，OpenAI 发表论文《Language Models are Few-Shot Learners》， 提出 GPT-3 模型。GPT-2 模型中的 zero-shot 在某些任务上性能不及预期，因此 OpenAI 在 GPT-3 中提出了 few-shot 少量（10-100 个）样本学习，提高了模型的表现性能。在模 型参数量上，从 GPT-2 的 15 亿提升到 1750 亿。2021 年 8 月，OpenAI 推出基于 GPT-3 的通用编程模型 Codex，可以将自然语言转换翻译、解释和重构为代码。2022 年 3 月， OpenAI 将基于人类反馈的强化学习（RLHF）技术引入 GPT-3，通过奖励（reward）机制 进一步训练模型，提高模型性能和准确度，InstructGPT 诞生。InstructGPT 训练参数量仅 13 亿，与 GPT-3 的 1750 亿相比大大减少，能给出更符合人类思维的输出结果。

4）ChatGPT 阶段：2022 年 11 月，OpenAI 正式推出了对话交互式的 ChatGPT，2023 年 又将底层模型升级至 GPT-4。本质上，ChatGPT（GPT-3.5）和 InstructionGPT 为同代产 品，只是在 InstructGPT 的基础上增加了聊天功能，同时向公众开放使用，产生更多有效标 注数据。ChatGPT 上线 5 天便突破 100 万用户。目前，微软已整合 ChatGPT 推出新版浏 览器 EDGE 和搜索引擎 Bing。谷歌也发布了对标产品 Bard。此外，国内厂商如百度、京 东、阿里等也宣布进军“ChatGPT 行业”。

最新版本 GPT-4 支持多模态输入，在众多专业和学术基准上表现出了人类的水平。北京时 间 2023 年 3 月 15 日凌晨，OpenAI 召开发布会，正式宣布 GPT 模型家族中最新的大型语 言模型（LLM）—GPT-4。GPT-4 可以接受图像和文本输入并产生文本输出。OpenAI 在一 系列不同的基准上测试了 GPT-4，包括最初为人类设计的模拟考试。考试题目包括多项选 择题和自由问答题。OpenAI 为每种考试形式设计了单独的提示（prompt），并且在需要的 场合增加了图像输入。GPT-4 并未专门针对这些考试科目进行训练，但仍取得了优秀的成 绩，例如以大约前 10%的成绩通过模拟律师资格考试，而 GPT-3.5在该考试中成绩为后 10%。

未来的大模型或将向更大参数的方向演化。我们看到从 GPT-1 到 GPT-4 模型能力不断强 化，在各项测试中取得的成绩也越来越好，背后的能力来源，我们认为模型参数是重要变 量。从十亿规模，到百亿、千亿、万亿，模型参数量的增加类似人类神经突触数量的增加， 带来模型感知能力、推理能力、记忆能力的不断提升。因此，我们认为下一代模型或仍将 延续更大体量参数的路线，演化更加智能的多模态能力。

国产大模型正加速追赶。对比国内和海外大模型，我们看到国内厂商虽然在模型能力本身 上仍较海外存在一定差距，但也在不断加速追赶。国内厂商如讯飞、百川、智谱以及互联 网大厂等，均有自己的模型产品推出，且仍在持续迭代。以讯飞星火大模型为例，2023 年 5 月 6 日首次发布；2023 年 6 月 9 日升级 V1.5 版本，突破开放式问答；2023 年 8 月 15 日发布 2.0 版本，突破代码能力；2023 年 10 月 24 日发布 3.0 版本，能力对标 ChatGPT （GPT-3.5）。我们认为，随着海外大模型技术引领、国产大模型持续迭代，国内大模型能 力有望持续升级，带动国内 AI 产业化落地加速。我们认为，国产大模型迭代有望带动产品力持续提升，加速 AI 产业化落地。产业链公司主 要包括百度、三六零、昆仑万维、商汤科技等。

算力端：关注国产算力&端侧算力

我们认为，大模型迭代的背后，核心是大算力的支持。从目前 AI 模型的部署情况来看，主 要有两类场景：1）云端；2）终端。两种场景对于算力需求的差异，带来算力芯片发展路 径的差异。云端算力往往追求高性能、高并发、低成本，需要适配云端的训练和大规模推 理需求；终端算力则主要考虑低延迟、低功耗、隐私安全等问题，主要满足端侧小规模推 理的需求。我们认为，当前随着 AI 产业变化持续演绎，算力短缺或将带来国产算力发展机 遇，模型端侧部署或将带动终端算力产品化落地。

国产算力：国产化是长期发力方向

算力是中美 AI 产业具备重要差距的环节。在算法、算力、应用端，中美均存在一定差距， 而其中我们认为当前算力层面的差距较为关键，主要原因：1）差距大小；差距大小反映的 是当前静态状态下的差距。我们认为当前应用端中美均处于从产品化向商业化过渡的阶段， 算法端通用大模型中 GPT 处于领先地位，但国内同样拥有众多大模型逐步实现产品化，有 望持续迭代，而算力端国内的算力产品在落地方面与海外头部厂商相比仍较为落后；2）追 赶难度；算力端的核心环节均受海外主导，且规避管制的方式较为有限，此外海外头部算 力厂商围绕自身产品形成了包含应用、算法的生态壁垒，短期难以突破；3）差距的影响： 算力处于基础支撑地位，直接影响模型的落地和应用的推广进度。

美国法案限制高性能 AI 芯片获取，算力问题逐步凸显。2023 年 10 月 17 日，美国商务部 工业与安全局（BIS）发布针对中国的先进计算及半导体制造物项出口限制，在 2022 年 10 月已公布的出口限制基础上，进一步升级限制力度。具体来看，本次出口限制主要涉及对 高性能芯片的限制，既包括对高性能芯片的出口限制，也包括对国产 GPU 企业的生产流片 限制。本次出口限制不再以互联带宽为限制标准，新增总处理性能 TPP（Total Processing Performance，即计算速度*字节长度）和性能密度 PD（Performance Density，即每平方 毫米的 TPP）两项要求，具体限制方案如下：1）TPP>4800 的芯片、TPP>1600 且 PD>5.92 的芯片，属于高性能芯片，不再被允许出口；2）4800>TPP>2400 且 5.92>PD>1.6 的芯片、 TPP>1600 且 5.92>PD>3.2 的芯片，属于次高性能芯片，需要通知 BIS 以获得例外许可。 在美国限制法案的影响下，国内算力问题逐步凸显。

国产 AI GPU 性能较英伟达先进产品仍有差距。根据目前已公开的数据，国产 AI GPU 芯片 中，性能表现较好的产品主要包括华为昇腾的 Atlas 300T、寒武纪的思元 370、海光的深 算一号等。其中，基于昇腾 910 设计的 Atlas 300T 算力性能较强，FP16 计算性能在不考 虑稀疏技术的情况下约为英伟达 A800 SXM 的 90%。但考虑到组网技术、软件生态等竞争 壁垒，国内 GPU 产品较英伟达方案在实际有效算力层面仍存在较大差距。且考虑到英伟达 H 系列算力性能更强、下一代 B系列产品也已发布规划，国产 GPU 仍需加速追赶海外步伐。

卡间互联速率影响组网效果，国内厂商已接近 A800（NVLink 3.0）水准。大模型的训练和 推理需要大算力的支持，无论国产 GPU 还是海外 GPU 都需要基于服务器硬件进行大规模 组网才能满足相应需求。而组网过程中，卡间互联传输速率往往成为制约有效算力充分发 挥的重要因素。以英伟达为例，NVLink3.0 版本可以实现最高 600 GB/s 的传输速率，但在 国内特供版 A800 上只能实现 400GB/s 的速度，制约了有效算力的发挥。从国内 GPU 企业 来看，寒武纪、华为、海光信息等均针对自有产品开发了相应互联技术，但互联速率都在 400GB/s 以下，最高为华为昇腾 910B（392GB/s），已接近 A800（400GB/s）水准，但与 H100（900 GB/s）等海外先进芯片的互联水平相比，仍存在一定差距。

国产 GPU 有望在软件层面率先突破。除硬件之外，目前国内 AI GPU 在软件生态层面较海 外主流产品也存在一定差距。据英伟达官网，截至 2023 年 3 月公司全球开发者数量已超 400 万，开发者体量领先于其他 GPU 企业。我们认为，GPU 软件的迭代依赖于下游客户 的持续反馈，debug 和新功能模块的加入是软件生态不断改善的根本动力。目前由于国内 企业大多还使用基于英伟达等海外芯片进行大模型开发等工作，因此软件层面差距明显， 并集中体现在算子库数量、软件调优性能等层面。但同时，我们也看到，随着美国芯片限 制方案的发布，未来国产 GPU 市场份额或将持续提升，更多用户加入到国产 GPU 生态， 或将使得软件迭代率先加速，实现综合性能的提升和追赶。

大模型算力需求正加速增长，长期看算力缺口或仍存在。我们认为，从大模型自身的发展 过程来看，参数量的变化是一个非常值得关注的指标。从最早的 ResNet、Inception 等模型， 到如今的 GPT，模型参数量不断增长。2018 年前后 OpenAI 先后推出 Transformer 和 GPT-1 模型，参数量来到 1 亿级别。随后谷歌提出 3 亿参数的 BERT 模型，参数量再次增长。2019、 2020 年，OpenAI 加速追赶，陆续迭代出 GPT-2、GPT-3 模型，参数量分别为 15 亿、1750 亿，实现模型体量质的飞跃。我们认为，模型参数量的非线性增长将带来算力需求的快速 释放，考虑到国内获取先进算力芯片受限，长期来看，算力缺口或仍将存在。

海外芯片持续迭代，长期来看算力国产化或为艰难但唯一可选路径。在大模型带来算力需 求日益增长的背景下，海外 AI GPU 厂商也在不断迭代自身产品。如英伟达，其下一代产品 B100 预计将于 2024 年问世，在 H100 已经实现算力领先的情况下，或将进一步巩固自身 全球 AI 算力龙头地位。考虑到国内虽然尚可获得部分 A/H 系列产品的替代品，但随着更先 进算力芯片的推出，必然面临无法获得更好性能 GPU 的问题。基于此，我们认为，算力国 产化虽然在短期内成本较高，且需要克服组网性能、软件生态等壁垒障碍，但长期来看， 似乎是唯一可选路径。随着国产生态逐步培育，国产算力性能提升有望帮助国产 GPU 厂商 逐步提升国内市场份额。

终端算力：终端产品化逐步落地

大模型在智能终端部署，存在一个过程。主要涉及几点：模型训练，模型推理，数据存储。 1）在开始阶段：这三个环节都是在云端进行，就是目前的云端应用。2）随着模型的蒸馏 和智能终端算力的提升：模型推理应用在终端实现，训练和数据存储在云端。3）终端算力 和存储能力的提升，推理和相当部分的数据在终端进行。

AI 大模型在终端部署具备五大优点。相较于部署于云端的 AI 大模型，部署于终端有望带来 成本、能耗、可靠性、隐私、个性化五大方面的优势。1）成本：包括数据中心基础设施成 本及大模型的查询成本，通过终端部署有助于节省数据中心硬件、场地、能耗、运营、额 外带宽和网络传输的成本，终端的轻量化模型也有助于实现更低的查询成本；2）能耗：终 端在能耗上相较云端有明显优势；3）可靠性：终端在云服务器和网络连接拥堵或缺乏网络 时仍可运行大模型，能够较好的支持低时延场景或极端环境的需求；4）安全：部署于终端 的模型能够把查询和个人信息完全保留在终端上，提升安全性；5）个性化：终端部署的 AI 大模型能够将用户数据保留在终端之内，实现安全的个性化。

大模型终端部署需要软硬件全方面优化。大模型终端部署需要终端芯片算力及计算效率的 提升、针对性的功耗优化；大模型本身也需要不断裁剪，来满足终端的运行需求。从模型 应用来看，模型的参数量并不是越大越好，最理想的状态是：用尽量少的参数量，来是实 现尽可能好的效果。同时，大模型带来的 AI 算力成本的指数级增长，也使得如何对模型参 数量进行裁剪变得很重要。由此，对于涌现后的模型如何进行蒸馏，就成为大模型快速实 现应用很重要的因素之一。

混合 AI 为重要的发展趋势。随着终端对于 AI 的需求逐步释放，传统计算从大型主机和瘦 客户端演变为当前云端和 PC、智能手机等边缘终端相结合的模式，混合 AI 是重要的发展 趋势。混合 AI 指终端和云端协同工作，在适当的场景和时间下，根据模型大小，查询复杂 度，精确度要求可以分配 AI 计算的工作负载。在一些场景下，计算将主要以终端为中心， 在必要时向云端分流任务。而在以云为中心的场景下，终端将根据自身能力，在可能的情 况下从云端分担一些 AI 工作负载。我们认为终端为 AI 的实现提供了丰富的用户触达点，能 够成为云端的良好补充。

基于终端感知的混合 AI 场景。在基于终端感知的混合 AI 场景中，在边缘侧运行的模型将 充当云端大语言模型的传感器输入端。云端将运行大语言模型，再将生成的文本回复发回 终端。之后，终端将运行文本生成语音（TTS）模型，提供自然免提回答。在更先进的版本 中，隐私将得到进一步保护，终端侧 AI 能够承担更多处理，并向云端提供经过改进且更加 个性化的提示。

终端和云端的 AI 计算可以协同工作来处理 AI 负载。以生成大语言模型的多个 token 为例， 大语言模型的运行都是内存受限的，这意味着计算硬件在等待来自 DRAM 的内存数据时经 常处于闲置状态。鉴于内存读取是造成推理性能的瓶颈因素，更高效的做法是同时运行多 个大语言模型以生成多个 token，并且从 DRAM 一次性读取全部参数。每生成一个 token 就要读取全部参数会产生能耗和造成发热，因此使用闲置算力通过共享参数来推测性并行 运行大语言模型，可谓是在性能和能耗上实现双赢。

终端侧 AI 能力是赋能混合 AI 并让生成式 AI 实现全球规模化扩展的关键。如何在云端和边 缘终端之间分配处理任务将取决于终端能力、隐私和安全需求、性能需求以及商业模式等 诸多因素。在生成式 AI 出现之前，AI 处理便持续向边缘转移，越来越多的 AI 推理工作负 载在手机、笔记本电脑、XR 头显、汽车和其他边缘终端上运行。例如，手机利用终端侧 AI 支持许多日常功能，比如暗光拍摄、降噪和人脸解锁。

算力基础逐步完善。头部厂商陆续创新 AI 架构设计，满足大模型终端部署的需求。头部厂 商通过创新架构设计及全栈优化，提升产品性能、降低功耗，满足终端场景对于算力的要 求。在架构创新方面，高通采用混合 AI 架构，致力于打造能够支持不同工作负载分流方式 的混合 AI 架构，可以根据模型和查询复杂度进行分布式处理，并能持续演进，主要类型包 括：以终端为中心的混合 AI、基于终端感知的混合 AI、终端与云端协同处理的混合 AI 等。 英特尔则在 Meteor Lake 中采用的分离式模块设计，由 CPU Tile、SoC Tile、GPU Tile、IO Tile 四个模块组成。英特尔使用的 3D 高性能混合架构在性能核和能效核的基础上，新增超 低功耗能效核，大幅度降低产品功耗。3D 高性能混合架构带来的分离式模块化设计让芯片 设计更加灵活，甚至可以实现功能模块的定制。

终端应用百花齐放，2024 年产品有望逐步上市。大模型在智能终端部署，涉及多个场景， 包括消费电子产品（PC、平板、手机、XR）、智能家居（智能家居、家用机器人、智能家 电）、智慧物联（摄像头、智能城市等）等方面。进一步的，更加复杂的终端包括智能汽车、 机器人等。从推进节奏看，2023 年大模型+终端的产品逐步发布，2024 年随着 AIPC，搭 载大模型的手机等产品逐步上市，大模型的终端应用有望持续落地。我们认为终端场景的 多样性使 AI 大模型的终端部署具备较大的拓展空间。

产业链各个环节共同推动 AI 本地化部署。AI 能力的本地化部署需要产业各个环节共同配合 实现。在算力端，端侧相比云端在计算资源上有一定限制，因此需要算力层针对 AI 场景进 行针对性优化，持续提升端侧 AI 芯片的运算效率，降低能耗并且提升性能。在算法层，需 要持续优化压缩模型，如联想创新科技大会中提及的模型压缩技术，可以评估普通大模型 中数百亿参数不同耦合结构的重要性，从而动态分配性能资源，以降低基础模型的大小， 将大模型应用端侧化。此外还需要整机厂商进一步优化硬件架构，云服务与 AI 终端合作， 提供更大规模的数据存储和处理能力，推动更加深入的 AI 功能使用。

应用端：聚焦 AI 原生应用，关注商业兑现节奏

推演来看，随着大模型能力不断迭代、算力芯片供给逐步爬坡，我们认为未来 AI 产业的核 心矛盾将从模型/算力向应用端转化。出现爆款应用并顺利完成商业闭环，将成为 AI 产业可 持续发展的基础，也是模型、算力能够再继续迭代的充分非必要条件。从我们目前的跟踪 情况来看，海外AI应用主要朝三个方向推进：1）功能逐步丰富，从独立工具到垂直know-how 赋能；2）客户群体扩大，从 C 端到 B 端；3）云端应用商业化逐步兑现。

推进方向一：功能逐步丰富，从独立工具到垂直 know-how 赋能

以 ChatGPT 为代表的 AI 技术应用有望沿四条主线展开。据 OpenAI 官网，从 ChatGPT 的功能看，已经基于文本生成能力，衍生出了一定的信息处理能力，包括代码撰写、文书 撰写、翻译、文艺创作、非结构化数据解析等。展望 GPT 技术的应用前景，我们认为有望 沿着四条主线展开，分别是：1）独立工具型应用，实现特定功能；2）深度嵌入生产力工 具，实现生产效率进一步提升；3）与服务型应用结合，发挥场景优势；4）结合垂直领域 know-how，实现垂直领域赋能。 应用主线一：独立工具型，实现特定功能。ChatGPT 作为生成式 AI（Generative AI）的一 种，可以通过学习已有数据和信息生成多种形式的新的内容，在创造性工作的领域进行应 用，目前生成式 AI 的应用主要包括生成文本、图像、对话、音视频、代码、3D 等。我们 认为其应用的第一条主线为向独立工具型产品演化，针对垂直领域实现特定功能。在该主 线下，或将基于当前的功能进一步产品化，从而实现细分功能的商业化落地。

应用主线二：深度嵌入生产力工具，实现生产效率进一步提升。ChatGPT 展现了在生成内 容方面较强的潜力，而生产力工具产品是生成内容的重要工具。如以 Office 为代表的办公 软件产品，以 Adobe 为代表的创意类生产产品等，均属于生产力工具的范畴。我们认为随 着微软将旗下所有产品与 ChatGPT 的全面整合，人工智能技术与生产力产品的结合有望进 一步深入，或将实现生产效率的进一步提升。

应用主线三：与服务型应用结合，发挥场景优势。在 ChatGPT 之前，AI 技术在以智能客 服为代表的服务型应用中已经得到较为广泛的应用，通过分析所接收到的信息，检索答案 库回答客户的问题，而 ChatGPT 为代表的应用表明 AI 技术不仅能够理解字面信息，还对 字面背后的含义具备一定的理解力。我们认为 ChatGPT 为代表的 AI 技术有望与服务型应 用进一步结合，或在金融、零售、教育、物流等服务场景内实现落地，而在相关服务场景 内拥有良好布局的厂商有望发挥场景优势，首先推动相关技术的落地。

应用主线四：结合垂直领域 Know-how，实现垂直领域赋能。在涉及专业知识的领域， ChatGPT 为代表的大语言模型通过与搜索引擎结合能对专业信息进行汇总，检索，并附上 来源，但模型本身在专业领域尚无法提供精准的回答，也无法运用专业知识解决综合性的 专业问题。我们认为未来随着更多的专业 Know-how 注入，以 ChatGPT 为代表的 AI 技术 有望在需要较强专业知识的垂直领域得到进一步的应用。

推进方向二：客户群体扩大，从 C 端到 B 端

GPT+2B 场景：多环节落地布局。GPT 模型结合的落地方向包括：1）研发设计：通过改 进编程效率、提供创成式设计等能力，实现设计模式变革；2）生产过程控制：数据自动采 集+人机协同+GPT 具身化调优有望赋能精细化生产控制；3）质量控制：GPT 等 AI 技术能 够高效进行图像识别与分析，判断质量缺陷；4）设备维护和监测：AI+运维实现工厂自我 优化；5）无人化生产：多模态大语言模型为无人化生产提供实现基础。

从简单场景到复杂场景：我们认为 2B 软件众多场景中，GPT 的结合会沿着从简单到复杂 的路径演变，具体包括 1）GPT 应用复杂度：从简单的人机交互、到更复杂的智能驱动、 知识发现，对 GPT 技术的能力利用越来越充分；2）涉及场景复杂度：从相对简单的经营 管理，向更加复杂的生产控制、研发设计环节延伸。

LLM 对 B 端场景的影响机制：改善交互。通过使用智能语音、GPT 等 AI 技术改善人机交 互是 LLM 对 B 端业务的重要影响机制。在传统的交互模式下，用户需要在理解业务知识， 掌握软件使用的基础上，对软件进行操作。在 LLM 加成下，业务知识可通过大模型进行加 载，软件可以基于 LLM 实现对人类指令的理解，并通过工具软件厂商的工程化落地，实现 自动化的软件操作，达到人类输出自然语言，软件自动操作的效果。通过这一方式，有助 于降低 B 端软件的学习成本，进一步推动信息化应用的推广。

LLM 对 B 端场景的影响机制：深入业务。1）通过深度学习等方法，寻找数据规律，支持 决策。2）通过大语言模型，进行知识库管理/智能决策，辅助智能决策。具体来看，又可以 分为 1）以业务数据为基础：与业务数据结合，通过数据分析实现流程优化提升效率或通过 商业智能实现智能的交互可视化。此类人工智能应用有助于发挥业务数据价值，对于拥有 大量业务数据积累的企业较有吸引力；2）以各类识别为基础：包括人脸识别、声音识别、 文字、图形类型识别等，底层技术仍是基于大量实例训练。我们认为 LLM 有望逐步深入业 务，发挥 B 端数据价值。

推进方向三：云端应用商业化逐步兑现

海外 AI 应用初步兑现，产品化基础良好。技术落地需要经历从产品化到商业化的过程，进 一步细分，产品化过程可以分为技术落地概念提出、新技术产品正式落地，产品进入用户 试用阶段，商业化的过程可以分为商业模式明确（产品定价）、商业化推广阶段、大规模商 业化应用阶段。通过对海外厂商的业务进展梳理，我们发现 2023 年海外主要应用厂商基本 已经实现“大模型+”技术的产品化落地，相关产品多已得到用户的使用。产品化的良好进 展为后续商业化打下了基础。

头部公司商业化进展较快。从商业化进展来看，目前微软、Google、Salesforce、Adobe 等公司的商业化进展较快，收费模式基本明确。1）单产品定价：微软、Google、Salesforce 均针对 GPT 应用提出了额外的单独定价，微软面向企业用户的 M365 Copilot 收费 30 美元 /人/月，Bing Chat Enterprise 收费 5 美元/人/月；Google 的 Duet AI for Google Workspace 收费 30 美元/人/月；Salesforce 的 Sales GPT 、Service GPT 收费均为 50 美元/人/月。2） 产品提价：Adobe 对 Creative Cloud 的订阅价格提价 5.6%-10%不等，订阅用户每月可获 赠 500-1000 快速积分用于生成式 AI 功能，同时可购买额外积分（4.99 美元/100 积分）。

海外应用商业化有望逐步开启。在商业化环节，部分厂商通过单独定价针对 AI 功能单独收 费，此外部分厂商通过 AI 技术对原有产品赋能，以 AI 功能进行引流或强化客户粘性，实现 AI+产品的商业化变现。目前海外头部应用厂商的 AI 产品基本已进入商业化推广阶段，且 部分厂商已经取得一定成效，如用户客单价提升、用户粘性提升、用户活跃度提升等，我 们认为 2024 年海外应用商业化有望进一步加速。

1）微软：AI 能力持续引入，应用端商业化成效初步显现 AI 多层次布局，产品化持续推进。微软拥有从底层基础设施到顶层应用的多层次 AI 布局， 从业务布局看，微软业务分为三块：Productivity and Business Processes（生产力和业务 流程），Intelligent Cloud（智能云）和 More Personal Computing（个人计算）。其中应用 层包括 Office、Dynamic、Power Platform 等产品，基础设施层则主要在智能云业务中提供， 具体包括 Azure 和其他云服务； SQL Server、Windows Server、Visual Studio、System Center 和相关的客户端访问许可（CAL）；以及 Nuance（医疗保健和企业 AI 解决方案） 和 GitHub。从产品推进情况看，微软打造了 Copilot 为代表的一系列 AI 能力，赋能原有产 品，产品化进展顺利。

Copilot 产品的升级重点在于统一 CUI，三大版本商业版图基本确立。在微软的定位里， Microsoft Copilot （微软人工智能助手） 能提供跨“Windows11 操作系统、Bing 搜索、 Office 套件等多个产品线”的统一 AI 体验，并将此前的各种 AI 能力统一到一个应用当中， 甚至可以通过 CUI（自然语言对话式用户界面）的交互方式操作内部的各种应用。基于 Copilot 的三大版本商业版图包括 1）Microsoft Copilot：Windows 包含在 Microsoft 商业版 订阅中，此项免费升级主要聚焦中小 B、C 端的订阅升级；2）Bing Chat Enterprise：Bing Chat Enterprise 包含在 Microsoft 365 E3 和 E5、Business Standard 和 Business Premium 订阅中（以及教育版 A3、A5），此项$5 收费目标客群是中小 B 企业客户；3）Microsoft 365 Copilot：面向 Microsoft 365 E3, E5, Business Standard and Business Premium，主要聚 焦中大型 B 端客户的付费升级，旨在打造全面的办公流 AI 升级。

应用端商业化成效：生产力及企业流程业务板块成效初步显现。FY24Q1 生产力及企业流 程业务板块整体收入同比增长 13%，毛利率提升 1pct，主要受 Office 365 产品带动。商业 版本：FY24Q1 微软 Office 商业产品和云服务的收入同比增长 15%，其中 Office 商业产品 收入同增 18%，优于业绩预期（此前业绩指引 16%）。Microsoft 365 E5 版本的订阅增长明 显，ARPU 值持续提升；FY24Q1 订阅席位同增 10%，受到中小型企业和一线员工产品的 推动；消费者版本：FY24Q1 微软 Office 消费者收入同增 3%；订阅用户同增 18%，达到 7670 万（FY23Q1-FY23 Q4 订阅用户数量分别为 6,510、6,770、7,080、7,490 万）。

智能云业务受 AI 需求释放拉动。FY24Q1 智能云业务板块收入同比增长+19%，毛利率同 比提升 2pct，主要受 Azure 云及其他云服务带动。FY24Q1 服务器产品及云服务收入整体 较去年同期增长 21%；Azure 和其他云服务收入同比增长 29%，人工智能服务收入占比提 升至 3%，实现超预期增长（FY23Q4 占比 1%，预期 FY24Q1 占比 2%，主要是由于 GPU 容量的增加以及人工智能服务的 GPU 利用率优于预期）；Enterprise Service：FY24Q1 公 司企业服务收入同比增长 1%，企业支持服务和行业解决方案的表现好于预期（预期 (5)-(1)%，实际 1%）。

2）Salesforce：AI 能力持续引入 Salesforce 持续为产品引入 AI 能力。Salesforce 持续为产品引入 AI 能力，一方面升级 Einstein平台的AI能力，另一方面也发布新的GPT+产品。自2023年3月发布Einstein GPT， 首次将生成式 AI 应用到客户关系管理领域以来，公司陆续发布 GPT 产品，形成了包括 Einstein GPT、Slack GPT、Tableau GPT、Marketing GPT、Commerce GPT 等产品在内 的 GPT 产品矩阵。借助 Einstein GPT，企业客户可以将这些数据连接到大模型中，直接在 Salesforce CRM 中使用自然语言提示，生成不断适应变化的客户信息和实时需求的内容。 8 月到 10 月，公司陆续推出支持企业基于专有数据训练模型的 Einstein Studio 技术、下一 代人工智能平台和智能对话助手 Einstein 1，以及支持 AI 功能的新产品轻量化 CRM 应用 Salesforce Starter、Salesforce Field Service、Einstein for Developers、制药和医疗技术 行业的解决方案 Life Sciences Cloud，AI 产品化持续推进。

商业化持续推进：总体涨价+AI 功能单独定价。从商业化推进进展看，一方面 Salesforce 从今年 8 月开始，公司旗下产品平均涨价 9%，功能持续迭代丰富是其中重要的推动力。另 一方面，公司针对AI功能也进行了单独定价，目前Sales GPT、Service GPT和Einstein GPT 信任层已全面上市和定价。Sales GPT 将包含在 Sales Cloud Einstein 中，价格为 50 美元/ 用户/月。Service GPT 将包含在 Service Cloud Einstein 中，价格为 50 美元/用户/月。 Unlimited 版本则已包含 AI 功能。

3）Duolingo：2C 应用商业化成效持续显现 Duolingo Max 为重要的产品载体。2023 年 3 月 16 日多邻国发布融合 GPT-4 的新服务多 邻国 MAX，Duolingo Max 是 Duolingo 与 OpenAI 共同打造的教育科技产品，通过 GPT-4 获取支持，将教育和人工智能有效结合在一起，Max 会员可以通过 AI 获得更具针对性的纠 错指导与沉浸式的学习体验。Duolingo Max 是 Super Duolingo 之上的新订阅层，按 29.99 美元/月或 168 美元/年收费，从定价来看，加入 AI 以后的全新订阅费用提升了 1 倍。Duolingo Max 现阶段主要 AI 相关功能：（1）Role Play（角色扮演）：允许用户在应用程序中与 AI 角色练习现实世界的对话技巧；（2）Explain My Answer（解释我的答案）：通过在某些练 习类型后点击按钮，用户可以进入与 AI 角色的聊天，以获得简单的答案解析，并进一步询 问示例或更详细的解释。

23Q3 公司订阅用户渗透比率与用户粘性持续提升。其中，MAU 的订阅用户渗透比率，即 MAU 转化比率达到 7.99%，订阅用户转化能力提高说明公司用户拓展能力不断增强。同时， 第 3 季度用户粘性（DAU/MAU）为 29.12%，说明用户使用产品的时间逐渐变长，频率更 为频繁。

商业化成效初步显现。2023 年第三季度，公司订阅业务营收 1.21 亿元，同比增长 53.44%， 环比增长 14.15%；非订阅业务营收 0.33 亿元，同比增长 138.19%，环比增长 3.13%，均 实现高速增长。2023 年第三季度末公司付费订阅用户总数为 580 万，同比增加 56.76%， 环比增加 11.54%，付费订阅用户保持较高增长。

4）Adobe：图片模态应用，从 2C 到 2B AI 能力多层次布局，产品化持续推进。Adobe 在 AI 技术方面于 2016 年发布了首个基于 AI 的底层技术开发平台——Sensei，随后持续迭代 AI 技术相关产品。2023 年以来，4 月推出 AIGC 相关套件 Adobe Firefly，作为 Adobe Sensei 生成式 AI 服务一部分，率先在 Photoshop、 Illustrator、Experience Manager 等落地。5 月 PhotoShop AI 工具 Generative Fill 正式开 启试用，8 月全新 Adobe Express 搭载 Firefly 功能发布正式版。10 月，Adobe 召开年度创 意大会 Adobe MAX，发布 100 多项人工智能功能和 Adobe Firefly mage 2、Adobe Firefly Vector Model、Adobe Firefly Design Model 三款 AI 模型，分别用于生成具有更精确的人 体渲染和文本对齐的高质量图像、生成矢量图形的模型、帮助用户创建各种纸质和数字资 产的模板设计。Adobe 在 AI 模型层及应用层实现多层次布局，产品迭代持续推进。

商业化：定价落地，从 C 端向 B 端推进。商业化定价落地，从 C 端向 B 端推进。Adobe 的 AI 功能商业化定价逐步明确，9 月 13 日，公司正式将 AI 集成于 Creative Cloud 产品线 中并于 11 月 1 日提高订阅价格。Creative Cloud 会员资格新增两个新应用程序: Adobe Express Premium 和 Adobe Firefly，其中 Adobe Firefly 帮助扩展图像背景、探索颜色组合 等，Express Premium 具有生成式 Al 的文生图和文本效果功能，提高设计效率。此外 Creative Cloud 订阅计划中启用基于点数的收费模式，付费订阅包括每月分配的“快速 (fast) ”生成积分，“快速”生成点数被消耗后，订阅者可以继续以较慢的速度生成内容， 或者通过 Firefly 付费订阅计划购买额外的生成点数。订阅者可以每月 4.99 美元购买 100 个 Generative Credits。免费用户每月给 25 点。另一方面，Adobe 的 AI 功能触达客户群体 进一步丰富，从 C 端向 B 端拓展，6 月公司发布 AI 图像生成工具 Firefly 企业版，主要面向 大型企业——企业可以使用自身的数据资产，训练自己的 Firefly 大模型，快速生成可安全 商用的图像内容，9 月公司正式推出面向企业客户的 Firefly。

5）Palantir：AIP 平台客户快速增长，23Q3 单季度利润创历史新高 AI 大模型赋能 Palantir 产品体系，AIP 平台是重要的产品载体。2023Q1Palantir 推出人工 智能平台 AIP（Artficial Intelligence Platform for Defense / Business），实现大语言模型 LLM 与 Ontology、Foundry、Gotham 等技术/产品的全面整合，有效提升 Palantir 产品的智能决 策能力。Palantir AIP 支持多种开源大型语言模型「FLAN T5-XL、GPT-NeoX-20B （fine-tuned）、 Dolly-V2-12B」，并提供保护措施来确保这些模型的安全和信息访问控制。 AIP 平台本质上实现的是“大模型基于私有化数据的定制部署与应用”。

AIP 平台客户迅速拓展，单季度业绩创历史新高。据公司官网，23Q3 商业客户数量同比增 长 34%，环比增长 8%，达 453 家；政府客户数量同比增长 45%，环比增长 9%，达 330 家。此外，据公司官网，AIP 平台客户数量从 Q2 季度的 10+家客户迅速拓展至 Q3 季度的 300 家客户。AIP 平台客户横跨能源、金融、酒店、医疗保健等多个行业。另一方面，头部 客户客单价进一步提升，23Q3 前 20 大客户客单价同比提升 13%，环比提升 2%，至 5400 万美元。公司 Q3 营收实现超预期增长，同比增长 17%，至 5.58 亿美元（市场预期为 5.561 亿美元），净利润达到 7200 万美元，上年同期净亏损 1.239 亿美元。公司 AI+产品化落地 顺利，商业化成效初显。

6）Servicenow：头部客户积极采用 AI 功能，cRPO 连续多季度超指引 23Q3 发布 NOW 平台温哥华版本为重要产品载体。2023 年 9 月份，ServiceNow 发布的温 哥华版本包括具有生成式 AI 增强的虚拟代理问答交互、摘要式搜索结果以及加速配置和扩 展工具。在 2024 年，华盛顿特区版本将包括完整的自助服务、代理自动知识创建以及面向 管理员和构建者的生成式 AI。据公司官网，公司本年度发布超 5000 项新功能，其中多项新 功能将 AI 技术应用于客户的重要案例场景。其中 Q3 新发布的 Vancouver 版本产品中加入 的 Now Assist，进一步扩展了产品的 AI 能力，有效提高客户生产力。

初步商业化：头部客户积极采用。据公司官网，2023 年 9 月 29 日 ServiceNow 的 Vancouver 版本推出后，签署四单大型交易。一家美国政府机构成为 GenAI 早期使用者。此外， ServiceNow 与多领域客户就 AI 产品达成交易，如房地产龙头 CBRE 利用 ServiceNow 的 Gen Al 为客户和员工提供优质服务并降低成本。从商业化成效看，23Q3 公司订阅收入为 22.16 亿美元，同比增长 27%，截至 23Q3，当前剩余履约义务 74.3 亿美元，同比增长 27%， 超出此前公司指引。另一方面，23Q3 年合同价值超 100 万美元的客户 1789 个，平均客单 价 440 万美元，较 21Q3 的 360 万美元呈现逐季上升的趋势。

数据要素：2024 年商业化落地有望加速

从资源到要素，数据正逐步成为核心。数据从原始数据到成为生产要素需要经历数据资源 化、数据资产化、数据要素化三大过程，首先是通过整理从无序变为有序，成为具备潜在 利用价值的资源，其次是通过确权等环节成为能够流通的资产，最后是运用于生产，直接 产生价值，成为生产要素。这一过程与 DIKW 模型描述的数据与智慧之间的关系相对应， 在 DKIW 模型中，数据仅是基于对客观事实的记录，数据被组织后形成可被理解的信息， 人类通过理解信息获得知识，基于知识推演出因果并进行判断，形成智慧。从数据产生价 值的过程中可以看出，将数据运用于生产是数据从信息变为知识和智慧的重要过程，通过 这一过程产生的价值是数据产业价值的核心来源，确权、定价、数据产品化则是价值变现 的重要途径。我们认为当前推动数据从资源变为要素的核心条件正逐步完善。

政策推动下，产业经历了从“互联网+”、“数字经济”到“数据要素”的演变。政策从互联 网+逐步向数据要素推进。“互联网+”政策在推动构建互联网自主技术体系和产业生态的同 时推动了数字经济的发展。通过“互联网+”的建设，网络、应用、产业、安全基础逐步夯 实，为数据资源的积累和利用打下良好的基础，互联网+与数字经济、数据要素政策一脉相 承。从政策侧重点看，“互联网+”相关政策侧重互联网与传统产业的深入融合，数字经济 政策在早期以信息化建设和鼓励电子商务发展为主。随着我国数字经济建设的逐步深入， 政策对统筹打造全国数据要素市场体系，促进数据要素市场化配置等主题的关注度逐步提 升。我们认为当前随着基础设施逐步完善，政策进一步关注核心要素数据的价值，聚焦数 据的产业政策有望加速落地。

当前数据要素产业链涵盖供给、流通、应用等环节。围绕提供高质量数据的主题，数据采 集、整理（数据标注、数据清洗、脱敏脱密、标准化）、聚合（数据传输、存储、集合汇聚 等）、分析等厂商构成了数据要素产业链中的供给环节；围绕提升数据要素交易效率的主题， 确权登记、定价交易、交付清算及相应的服务厂商构成了数据要素产业链中的流通环节； 围绕数据价值挖掘的主题，各个细分行业的数据应用逐步深入。我们认为当前涵盖供给、 流通、应用的全方位的数据要素产业链逐步清晰。

“数据要素×”行动有望助力数据要素商业化加速落地。据中国政府网，2023 年 11 月 26 日国家数据局局长刘烈宏在全球数商大会上表示，国家数据局将围绕发挥数据要素乘数作 用，与相关部门一道研究实施“数据要素×”行动，在智能制造、商贸流通、交通物流、 金融服务、医疗健康等若干重点领域推动数据要素的应用。我们认为，随着“数据要素数 据要素×”行动逐步展开，有望发挥乘数作用，商业化落地进程有望加快。

 

编辑：520中国