2024年春季AI应用投资策略：新质生产力前景下的国产AI.docxVIP

2024年春季AI应用投资策略：新质生产力前景下的国产AI

1.禀赋：基于工业实力的国产AI快车道

对比中美大模型应用：并非落后，而是路径的分岔

辩证看待中美大模型应用领域的禀赋：美国大模型领先优势在C端，以ChatGPT、CharacterAI等为代表。且C端应用更容易出现爆品，从而收获更高关注度。中国发展大模型优势在于齐全的工业门类和强大的制造业，积累了海量行业数据。由此带来发展路径的潜在分岔：美国大模型更注重满足个人的体验和情感需求，偏虚拟经济；中国大模型的价值更能在赋能实体经济中实现。

大模型的应用场景，亚洲企业更为“务实”

在生成式AI的应用方面，北美企业侧重软件开发，而亚洲企业更重视制造业和研发。根据IDC针对全球各地企业的问卷调查，亚太区企业对于大模型在制造、研发方面的影响关注度明显高于北美地区，更为“务实”。相较而言，北美企业更关注大模型在软件开发设计方面的影响，较为“务虚”。

新质生产力助推下，国内大模型与实体紧密结合

工信部3月26日明确表态，今年将开展“人工智能+”行动。根据新华社，工信部发言人表示下一步将加快构建以先进制造业为支撑的现代化产业体系，改造升级传统产业、巩固提升优势产业、培育壮大新兴产业、超前布局建设未来产业。而AI是战略新兴产业和未来产业的重要环节。同时，工信部将加快推动以大模型为代表的人工智能赋能制造业发展。今年将开展“人工智能+”行动，促进人工智能与实体经济深度融合，推动人工智能赋能新型工业化。

2.技术：基于多层级架构的行业大模型

基于多模态底座的行业大模型技术路线已经成熟

中美大模型技术路径上的分岔：美国：基于高质量的英文语料数据、领先的模型架构，在通用模型方向持续领跑。中国：基于多模态行业数据、多层级的模型架构，实现行业大模型能力突破。

多层级模型架构，更贴近行业落地的实际需求

在产业实践中，基础大模型（L0）—行业大模型（L1）—场景模型（L2）的多层级模型架构成为主流。基础大模型：吸收了海量数据的知识，具有参数量大、高可泛化、性能优异等特点。根据输入模态的不同，基础大模型可分为视觉大模型、音频大模型、语言大模型、多模态大模型等。行业大模型：在基础大模型的基础上，利用行业数据进一步预训练和微调而成，在行业领域内具有专家级别的能力，可在云中心和边缘侧进行推理应用。例如电力大模型、公路大模型、煤矿大模型、水利大模型、零售大模型、轨道大模型、工业制造大模型等。场景/任务模型：专注于某个具体的场景或业务，根据用户不同的需求，基于行业大模型进行针对性的优化工作，使得模型可以在云上部署或边端部署。例如表计巡检、皮带巡检、商品陈列检测、门店巡检、生产运行异常检测等。

在产业应用中，已证明行业大模型的竞争力

相较于传统深度学习，行业大模型技术路线提升明显。传统深度学习的局限性：1）泛化能力不足。例如一个仅使用白天采集的车辆数据训练出来的检测模型，在夜晚使用时性能就会大打折扣。2）性能天花板。如CNN、RNN、LSTM等对知识的容量有限，数据规模和模态种类持续增加带来的边际效益下降。3）缺乏推理与认知能力。无法形成逻辑认知，对于没有见过的新任务或复杂的业务逻辑均需要重标重训或手工排程。大模型路线提升明显：受益于超大规模预训练过程中学习的丰富的可迁移知识，大模型相比业务小模型，仅需要原来10%以内的数据，就可以在跨场景情况下超过小模型使用全量数据的性能，从而显著降低了模型定制的成本。

3.场景：生产/研发/经营管理全面赋能

大模型赋能工业的两条主要路径

其一：通过大模型增强场景化模型的泛化能力，提升模型的适用性和效果。AI大模型相比传统模型，模型的泛化适应能力更强，可以在更少的样本条件下，取得更好的应用效果，同时，面对更多类似场景时，也可以少量训练或直接应用，无需再做复杂的模型开发训练工作。

其二：利用生成式AI，变更交互方式，生成各种业务所需内容。生成式AI能够直接根据自然语言的输入，输出各种文本、图像等内容，可以直接用于企业日常生产过程中的各种相关报表、代码、文档等内容的生成，提高人员的工作效率。生成式AI可以将自然语言作为单一的入口，用户用自然语言给出想要执行的操作或查看的信息，AI直接给出对应的答案和展现，由此显著降低应用前端开发的工作量，同时也提升应用的交互效率。

国内行业大模型正加速渗透千行百业

当前在能源、采掘、制造等工业领域，大模型落地进展速度较快。国内头部大模型厂商正在积极开拓行业大模型市场，如百度、阿里、华为、科大讯飞、商汤等；此外，如创新奇智、第四范式、云从科技等公司也将大模型的行业应用落地作为核心业务。

报告节选：