20240403-国金证券-计算机行业深度研究：如何实现AGI，大模型现状及发展路径展望.pdfVIP

投资逻辑：

目前大模型能力仍处于EmergingAGI水平，就模型成熟度而言，语言大模型多模态大模型具身智能大模型。根据

DeepMind的定义，AGI应能够广泛学习、执行复杂多步骤的任务。模型的AGI水平可分为Level-0至Level-5共6

个等级，现阶段大模型在处理任务的广泛性上还有很大提升空间，即使是国际顶尖的大模型也仍处于Level-1

EmergingAGI阶段。不同类型大模型成熟度差异较大，目前大语言模型能力相对完善，落地应用场景丰富，底层技

术路线较为成熟；多模态大模型已经能够面向B\C端推出商业化产品，但细节优化空间较大；具身智能类大模型还在

探索阶段，技术路线尚不清晰。

现阶段讨论AGI能力提升仍需聚焦于多模态大模型的训练和应用。目前学界和业界重点关注ScalingLaw的有效性，

以及模型算法的可能改进方向。

ScalingLaw仍有深入空间。根据OpenAI研究，随模型参数量、数据集规模、训练使用的计算量增加，模型性

能能够稳步提高，即ScalingLaw。从训练样本效率、训练时长、各类资源对模型的贡献维度来看，目前Scaling

Law仍是提高模型性能的最优方法。OpenAI测算在模型参数量扩展到88万亿及之前，ScalingLaw依旧有效，

则中短期仍可延续此路线进行训练。

模型骨干网络架构尚未演变至终局，微调及稀疏结构成为提升模型性能的重要方法。目前主流大模型均采用

Transformer作为底层骨干网络，但针对编码器\解码器选择、多模态融合、自注意力机制等方面的探索仍在持续

推进。微调使用更小的数据量、更短的训练时间，让模型能够适应下游任务，以降低边际落地成本。以MoE为

代表的稀疏结构通过分割输入任务并匹配专家模型，能够提高模型的整体性能。

开源模型性能优化速度快于闭源模型。我们认为，目前第一梯队AI大模型纷纷进军万亿参数，且不远的将来大模型

将逐步逼近十万亿参数收敛值，对于本轮AI浪潮而言，找场景或优于做模型。在场景选择方面，对“幻觉”容忍度

高且能够替代人工的场景可实现应用率先落地，如聊天机器人、文本/图像/视频创作等领域；而对“幻觉”容忍度较

低的行业需要等待大模型能力提升或使用更多场景数据训练。

投资建议

算法、数据、算力是影响模型性能的关键因素，相关企业能够直接受益于大模型训练的持续推进，推荐国内AI算法

龙头科大讯飞等，建议关注数据工程供应商以及算力产业链相关公司。对于行业类公司而言，寻找通过AI赋能带来

效率提升的场景更为重要，建议关注AI+办公领域的金山办公、万兴科技，AI+安防领域的海康威视，AI+金融领域的

同花顺等公司。

风险提示

底层大模型迭代发展不及预期；国际关系风险；应用落地不及预期；行业竞争加剧风险。

敬请参阅最后一页特别声明1

扫码获取更多服务

行业深度研究

内容目录

1.距离AGI还有多远：语言大模型较为成熟，处于EmergingAGI水平4

2.如何实现AGI：ScalingLaw仍有深入空间，底层算法框架有待升级7

2.1ScalingLaw：中短期内，持续扩大参数量仍能改善模型表现9

2.2算法改进：骨干网络架构仍有创新空间，微调及稀疏结构能够提升性价比10

3.如何商业落地：借力模型开源及B端合作，寻找高人工替代率的场景17

3.1开源模型vs闭源模型？——ScalingLaw不再work之后，找场景或优于做模型17

3.2如何定义一个好场景？——“幻觉”尚未消除的世界，高人工替代率或为重点18

3.3如何处理“幻觉”？——ScalingLaw信仰派vs引入知识图谱改良派19

4.投资建议20

5.风险提示23