AIGC全方位解析与投资展望.docxVIP

报告正文 一、为什么是 AIGC？ AIGC（Artificial Intelligence-Generated Content）即“人工智能自动生成内容”，是利用 AI 来生成各种形式和风格的内容，如文本、图像、音频和视频等。与传 统基于数据分析和推荐系统的内容处理方式相比，AIGC 可以直接根据用户需求 来生成最合适的内容，具有更强的主动性和创造性。 根据 Gartner 预计，2022 年 AIGC 占全球数字数据量为 1%，到 2025 年，这一比例将提升至 10%。应用领域广泛，如软件编程，医药研发，精准营销，影视娱乐等，涉及行业的广度和深度远超从前。 而根据 OpenAI 研究论文预计，除了内容产出的变革外，AIGC 也将有效的提高工作效率，减少工时。以美国为例，OpenAI 预计未来将有 80%的工人至少 10%的任务会受到影响，19%的工人有超一半的任务会受到影响。 为什么是 AIGC：易用性、生产力、适配广 我们看到，AIGC（1）用人类最熟悉的自然语言作为媒介，简单易用；（2）替代人类的重复思考与工作，有效地释放了生产力；（3）下游应用广泛，适用性强，各行各业都有适配 AIGC 的场景与需求。这三大特性使得 AIGC 不同于过往互联网概念的炒作，而是真正有望大幅度提高人类的生产力和创造力，推动产业 发展与创新，成为互联网新发展的助推剂。 “开箱即用”，用自然语言沟通 中文自然语言沟通 英文自然语言沟通通过深度学习，替代人类的重复思考 “开箱即用”，用自然语言沟通 中文自然语言沟通 英文自然语言沟通 通过深度学习，替代人类的重复思考 代替人写代码（例如写贪吃蛇的 Java 代码） 代替人画图（图源 Midjourney AI 作画） 自动驾驶 自动驾驶 游戏 医药 搜索 下游应用广泛，适用性强 Bing，网易，Discord，Simulations Plus，搜狐， 整理 图 1、AIGC 框架一览 《Deep Generative Modeling》，《Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks》， 整理 为什么是现在：算力、算法突破瓶颈 制约 AIGC 发展的两座大山，算力以及算法，获得解决。中国信通院将 AIGC 的发展划分为三个阶段，即（1）早期萌芽阶段（90 年代之前），这一阶段科技水平落后， 受限于算力， 仅能进行小范围实验； （2）沉淀积累阶段（1990s- 2010s），AIGC 从实验性向实用性逐渐转变，到 2006 年，深度学习算法取得重 大突破，图形处理器（GPU）和张量处理器（TPU）等硬件性能持续提升，互联网的普及为人工智能算法提供了大量训练数据，使人工智能大幅进步，但这一阶段，囿于算法瓶颈，内容生成效果较差，产品有待迭代；（3）快速发展阶段 （2010s-至今），深度学习算法不断迭代，人工智能生成内容逐步迈向成熟，人 工智能生成内容的应用百花齐放，目前 Text-to-text（文本到文本）、Text-to- Image（文本到图像）、Text-to-3D（文本到 3D）等 AIGC 应用已初崭头角。图 2、AIGC 三个发展阶段 资料来源：中国信息通信研究院，IArtificial.net，CSDN，COBRA， 整理 事件名称事件描述历史意义《1 The Road 事件名称 事件描述 历史意义 《1 The Road》 （2007 年） 2007 年，纽约大学人工智能研究员 Ross Goodwin 装配的人工智能系统撰写出小说 《1 The Road》。 《1 The Road》是世界上首本由人工智能(AI)创作的小 说。 微软同声转译系统 （2012 年） 深度神经网络（DNN）是一种使用深度学习技术的人工神经网络。DNN 由多个相互连接的节点的隐藏层组成，DNN 能够以显著的准确性执行图像识别、自然语言处理和语音识别等任务。具体应用是微软基于 DNN 推出了同声转译系统，该系统可将英文演讲者的内容自动翻译成中文语音。 深度神经网络（DNN）是一项开创性进展，深度神经网络(DNN)目前是许多现代 AI 应用的基础，证明了深度神经网络的有效性。 生成式对抗网络 （2014 年） 生成对抗网络（GANs）是由 Ian J. Goodfellow 在 2014 年提出的。GANs 是一种深度学习架构，由两个神经网络组成：一个生成器网络和一个鉴别器网络。生成器网络被训练来生成与训练集相似的新数据，而判别器网络被训练来区分训练集的真实数据和生成器生成的假数据。 GANs 被认为是深度学习领域的一个强有力的工具。 StyleGAN （2018 年） Sty