知识面覆盖相当广泛，回答问题不再机械生硬，还是个能写文案、编代码、做表格的“多面手”……聊天机器人ChatGPT连日来热度不减，在替代人工等方面展现出惊人的潜力，也引发了关于人工智能落地应用的新一轮思考。

近日，以“加快AI落地应用，解放生产力，破解人才短缺难题”为主题，浙江省政协委员会客厅邀请政府和相关企业代表于之江实验室举办研讨活动。中国计算机学会常务理事、之江实验室副主任鲍虎军分析道，ChatGPT这类AI应用，极大提升了人机交互能力，有望成为类似互联网平台的基础设施，从而提高生产力。

从正式推出到每月活跃用户过亿，只在短短数月内实现，由美国人工智能研究公司OpenAI推出的ChatGPT何以出圈？过硬的技术创新、工程实现能力以及投资人的勇气等自然不可或缺。

在鲍虎军看来，模型的开发完成不是一项AI技术的终点，需要真正找到一种便捷的使用模式，使其为更多人解决实际问题。

当前，多学科交叉融合，促进了人工智能飞速发展，新理论、新技术与新应用层出不穷，但对产业是否能带来变革，还需要市场的检验，所选择的场景切入点尤为关键。

结合制造业转型需求、社会老龄化可能引发的“用工荒”等问题，浙江省经信厅总工程师李永伟表示，加快AI技术的落地应用，提升实体经济竞争力，是浙江今后几年需要着力推进的。

今年1月，工信部等十七部门联合印发《“机器人+”应用行动实施方案》，提出要推进5G、人工智能、智能语音、机器视觉等技术与机器人技术融合应用。

AIGC 成本大幅下降，人工智能商业化进程拐点已现

我们认为以 ChatGPT 为代表的 AIGC 兴起，在内容创作成本、创作效率、模型计算 消耗、用户流量基础等维度实现了重大突破，有望推动 AI 商业化进程的大幅加速。

（1）AI 内容创作成本大幅降低且耗时更短，相较传统方式优势显著

目前 OpenAI 定价最高的文字模型达芬奇（基于 GPT-3）为每 750 词约 0.02 美元 （折合约 0.14 元人民币）；而主打“AI 生成文案”的独角兽 Jasper 以类 SaaS 服务形式 收费，根据官网显示，每月生成 10 万字的价格约 82 美元，折合每 1000 字约 5.57 元人 民币，而阅文集团 2021 年内容成本为 17.74 亿元（每 750 字 37 元）； 在图像生成领域，Open AI 透露其 DALL-E2 模型的图片智能编辑及生成服务的价 格，超过免费额度数量的图片收费为每 460 张图片 15 美元，折合每张图片约 0.22 元人 民币。目前国内外 AIGC 绘画创作平均耗时已达到分秒级，创作效率较人工优势明 显。

（2）AIGC 模型算力消耗快速下降，落地门槛降低有望驱动消费级应用出现

根据量子位报告显示，借助最新的 Colossal-AI 通用深度学习系统，AIGC 领域的 Stable Diffusion 模型训练过程中可最高节省约 5.6 倍的显存需求（从 64.5GB 大幅降低 到 11.6GB），未来有望采用消费级 GTX 3060 显卡实现模型运算功能，大幅降低 AI 商 业化应用的落地门槛。

（3）爆款应用快速积累用户流量，商业化条件已基本具备

ChatGPT 发布后日活用户数量快速突破千万。根据 ARK Invest 的测算，自 2022 年 11 月底至 2023 年 1 月下旬，不足两个月的时间内 ChatGPT 的日活数量已突破 1200 万。 使用者数量的爆炸式成长即反应出用户的尝试使用意愿强烈，未来嵌入到微软的业务生态 中也有望提升用户的工作效率，优化使用体验，创造更大的商业价值。

（4）国内外公司持续探索商业化路径，AIGC 生态有望加速形成

近日，OpenAI 推出 ChatGPT 付费订阅版 ChatGPT Plus，每月收费 20 美元，而包含 Synthesia、Jasper、runway 等 AIGC 初创公司相继推出细分领域的收费服务，未来 AIGC 产 业生态有望加速构建，并形成更加清晰的 AI 商业化应用路径。

ChatGPT概念持续火热，助力高算力芯片发展

ChatGPT是InstructGPT的同源模型，模型在GPT-3的基础上，先通过人工标注方式训练出强化学习的冷启动模型与奖励反馈模型，最后通过强化学习的方式，使得模型在给定的环境中，不断地根据环境的惩罚和奖励，拟合到一个最适应环境的状态。

ChatGPT使用深度神经网络，需要运行大量的计算任务，以实现自然语言处理（NLP）功能，目前ChatGPT已导入了至少1万颗英伟达高端GPU。此外ChatGPT在应用时需要大算力服务器支持，同步带动服务器内存发展。

一言以蔽之，大模型为代表的AI新时代，算力便是核心竞争力。

而AI 芯片是针对人工智能算法做了特殊加速设计的芯片，也被称为AI加速器或计算卡，是AI的算力基础。要知道，ChatGPT有着大量复杂计算需求的AI模型，GPU、FPGA、ASIC等AI芯片专门用于处理这些计算任务，是不可或缺的底层硬件。

据了解，采购一片英伟达顶级GPU成本为8万元，GPU服务器成本通常超过40万元。对于ChatGPT而言，支撑其算力基础设施至少需要上万颗英伟达GPU A100，一次模型训练成本超过1200万美元。

浙商证券分析师陈杭据此表示，ChatGPT对于高端芯片的需求增加会拉动芯片均价，量价齐升将导致芯片需求暴涨，“目前OpenAI已推出20美元/月订阅模式，初步构建了优质的订阅商业模型，未来继续扩容的能力将会大幅提升。”

中金公司认为，未来大模型趋势下，AI芯片市场成长可期，在ChatGPT应用大规模商用初期，AI芯片行业有望创造20亿美元左右市场空间。另据Omdia，2022年数据中心用AI芯片市场规模有望达133亿美元。

作为 AI+SoC 芯片的核心与基础，GPU 具有广阔的市场空间与长期向好的市场前景。同时由于场景碎片化、多样化、个性化等特点，芯片厂商需要针对不同的场景使用专用的定制化芯片，同时还需要满足低功耗、低成本的要求。在此情形下，国内具备较强微架构定制化设计技术实力的本土厂商将迎来极大的发展机遇。

目前ChatGPT的成本高企，据我们测算每次回答的成本就高达1~2美分，而ChatGPT每次预训练的成本将在百万美元以上。算力成本与功耗过高是AI产业化落地的主要阻碍之一，所以低功耗低成本的算力解决方案是未来数据中心硬件设备的重要发展方向。

光模块、光芯片、光器件、交换机作为目前数据中心中必不可少的通信元器件，其速率的升级可以显著降低单比特的成本与功耗。根据我们的测算，数据中心中光模块从100G升级到800G，其单位速率的功耗将从35mW/（GBit/s）降低到20mW/（GBit/s）。同时CPO方案通过减少PCB布线长度的方式，可以显著降低高速信号的功耗。目前博通等厂商也已经推出相关CPO交换机产品，我们认为在全球科技巨头加大AI投入的背景下，相关方案有望加速渗透。因此我们认为AI产业化有望加速数据中心中光模块等需求增长与技术升级，相关产业将望长期显著受益。

商业化空间前景广阔，三类公司有前景

AIGC 推动人工智能商业化进程加速，有望打开千亿市场。德勤数据显示，2021 年中 国人工智能市场规模达 2058 亿元，预计到 2025 年将达到 5460 亿元，2021-2025 年复合增 长率约 27.63%。根据德勤预测，全球人工智能产业规模预计从 2017 年的 6900 亿美元增长 至 2025 年的 6.4 万亿美元，复合增长率达 32.10%。移动互联网时代带来的海量数据、模 型和算力的不断迭代，以及各类应用场景中的商业化尝试，为 AI 的商业化奠定了坚实基 础，未来有望加速释放人工智能产业动能。

人工智能商业化进程有望加速，建议重点关注三类公司选择投资标的。《20220-2023 中国人工智能计算力发展评估报告》中指出，未来随着自然语言处理、计算机视觉、AIGC 等细分技术的持续迭代，AI 应用将呈现场景应用深度和广度并行发展态势，以 AIGC 为代 表的生成式 AI 将在创作型工作（文本、图像视频创作）和预测、决策型工作中扮演更加重 要角色。我们建议围绕人工智能商业化的三大主线选择投资标的：（1）具备 AI 模型、算 法技术优势的科技公司；（2）具备对 AI 商业化实际应用场景理解和业务优势的厂商； （3）具备 AI 硬件优势的厂商；

（1）具备 AI 模型、算法研究实力优势的科技公司

我们梳理了人工智能发展史上出现的三次高潮（具体内容见本文第二章内容），总结出 人工智能发展遵循了“计算—知识—学习”三个阶段，在 AIGC 的推动下有望进入第四次 高潮，即“创造”阶段。人工智能从最早的科研主导（第一次、第二次 AI 浪潮），发展到 科技大厂参与研究（第三次 AI 浪潮），再到各细分场景公司深度参与 AI 商业化（未来）， 模型和算法的迭代始终是核心主线，因此我们认为具备 AI 模型和算法的科研实力的科技 大厂未来有望在 AI 商业化浪潮中保持核心竞争优势。

（2）具备对 AI 商业化实际应用场景理解和业务优势的厂商

AIGC 推动人工智能在各类细分场景中的商业化尝试，《AIGC 人工智能生产内容行业 研究报告》指出，未来 AIGC 有望与传媒、电商、影视、金融等各行业深度融合，创造更 多的应用场景，大幅提高各行业的内容创作效率。

在未来 AI 商业化进程中，众多 AIGC 开源模型和算法平台的存在，导致在场景应用 中，单纯的技术和算法很难成为玩家的竞争壁垒。在细分场景中，AIGC 企业需要在业务 场景的深度理解、AI 赋能的一体化解决方案、行业深度绑定、业务闭环等领域持续提升竞 争力。因此我们建议关注各细分赛道中，现有业务具备竞争优势，且具备 AI 转型实力（场 景数据储备+AI 算法技术实力）的公司。

（3）具备 AI 硬件优势的厂商

AI 商业化对硬件要求仍然很高，算力作为数据加速处理的动力源泉，其重要性不言而 喻。AI 处理器芯片可以支持深度神经网络的学习和加速计算，相比于 GPU 和 CPU 拥有成 倍的性能提升，和极低的耗电水平。因此，我们认为围绕人工智能的硬件厂商也将有望受 益 AI 商业化的发展。

文章来源： 金融界，未来智库吗，科技日报