上海证券：传媒图像篇专题（一）-开源模型高速迭代-StableDiffusion促进AI技术民主化.pdfVIP

证券研究报告 2023年5月9 日 行业：传媒 增持（维持） 图像篇专题（一）：开源模型高速迭代，Stable Diffusion促进AI技术民主化 主要观点 我们将 “AI+传媒”的研究框架体系定义为“通用大模型”+ “行业小样本”的技术架构，“AI+传媒”在应用层表现效力优劣的 关键取决于通用大模型对垂直应用的适配程度及迭代速度， 1、适配程度是指：多模态的输入及输出是否匹配应用层的输入及输出。比如GPT-4属于 “图+文”多模态输入+“文”单模态输 出，因此输入模态为“图或文”且输出模态为 “文”的垂直应用更适配GPT-4。 2、迭代速度是指：应用层产生的“行业小样本”的数据量是否匹配大模型的迭代要求。根据我们对GPT模型的理解，比如Bing AI产生的 “行业小样本”源自Bing的搜索结果，ChatGPT产生的 “行业小样本”源自用户的反馈和互动。因此我们认为，对于超 出GPT所使用的预训练数据库范围（2021年9月前）的事实性表述，Bing AI反馈的是搜索的结果，ChatGPT反馈的是用户主动的 观点，Bing AI反馈的效果比ChatGPT更好。 我们认为“行业小样本”的价值取决于数据数量及数据质量，数量大且质量高（多模态）的应用场景复用及迭代AI 能力的效力 更强，因此更进一步理解我们的研究框架，我们将“行业小样本”的结构分层（中层小模型+下层应用及内容），并将“行业小 样本”的结合方式分类（调用+训练）： 1、“行业小样本”的数据集来自小模型或应用及内容：AI产业链包括上层大模型、中层小模型、下层应用及内容，包括应用及 内容直接接入大模型或通过小模型接入大模型两种方式，即“大模型+应用及内容”或 “大模型+小模型+应用或内容”，其中具 备特定功能的AIGC软件产品及MaaS我们理解为 “小模型”+“应用”的技术范式，本身具备较高质量的AI能力，若接入匹配的多 模态大模型，有望实现能力上的质变突破。 2 主要观点 2、“行业小样本”的结合方式包括“能力调用”及“能力训练”两类： （1）“能力调用”是指下游垂类场景直接调用通用大模型的通用能力，并基于垂类场景内产生的特性化数据不断提升调用能力 在垂类场景内的适配程度。我们认为现阶段下游应用及内容主要采取此类方式接入大模型能力，此类方式可高效快速调用大模 型先进能力，在时间上及成本上具备优势。我们认为“能力调用”匹配“AI+传媒”的第一层利好，即通过AI 降本增效，大幅提 高数据及内容的供给量。内容产业本质由供给决定需求，因此内容供给量的明显提升将有效带动传媒基本面拐点及增量空间出 现。 （2）“能力训练”是指下游垂类场景将通用大模型针对特性化数据集进行再训练，从而形成垂类场景专属大模型。例如彭博社 利用自身丰富的金融数据源，基于开源的GPT-3框架再训练，开发出了金融专属大模型BloombergGPT。我们认为“能力训练”匹 配“AI+传媒”的第二层利好，即下游垂类场景本身的数据或内容反过来“再训练”通用大模型（或开源大模型），形成传媒内 容场景专属大模型，形成更稳定且高质的内容输出。我们认为训练难度文本 图片视频影视游戏，且内容数量逐步递减但内 容质量逐步递增，即偏后端的影视、游戏在内容数量上训练量级不足，因此高质量的内容形态首先通过“能力调用”输出AIGC 内容，再将AIGC 内容“再训练”大模型以解决高质量内容数量不足的问题（合成数据“再训练”范畴）。 3 主要观点 从投资的角度，按照我们的研究框架，传媒对应垂类场景的“行业小样本”，其核心价值取决于数据与内容，第一层对应数据 与内容的输入模态是否匹配大模型的输出模