ChatGPT的横空出世是AI浪潮的里程碑式事件，引领海量的内容产业革新，产业链相关企业将迎来价值重估。
本刊特约作者 王锐/文
由人工智能研究实验室OpenAI推出的ChatGPT横空出世，在全球掀起了人工智能（AI）的新浪潮，开启了AIGC（AI Generated Content，人工智能生成内容）新纪元。
上线仅5天，ChatGPT就收获了100万用户；推出不到两个月，ChatGPT的用户日活量就突破1000万。而根据瑞银集团研究报告显示，ChatGPT在2023年1月末月活用户已经突破了1亿，成为史上用户增长速度最快的消费级应用程序。
2月1日，OpenAI推出ChatGPTPlus订阅计划，每月价格为20美元，增值服务包括高峰时段免排队、快速响应、优先获得新功能访问权等，订阅计划的推出进一步打开商业空间。同时，OpenAI仍将继续向消费者提供ChatGPT免费试用。
与其他AI交互机器人不同，ChatGPT可以更好地理解人类意图，并进行专业性回答，这得益于ChatGPT在GPT3.5的基础上增加了人类反馈强化模型，引入“人工标注数据+强化学习”来反复训练模型。
当前，微软、谷歌、百度等国际国内互联网巨头纷纷入局AIGC产业，微软CEO纳德拉称“AIGC堪比工业革命”，比尔·盖茨评价ChatGPT的历史意义重大甚至不亚于PC或互联网诞生。随着AI技术的迭代发展，AIGC在变革内容产业的同时，将与搜索、办公、教育、金融、医疗、工业、影视、游戏等行业结合，进一步拓宽AI应用场景，加速AI商业落地。
随着AI与下游场景加快融合，同时叠加政策对行业支持，国内AI市场规模有望持续高增。据工信部的相关数据，截至目前，中国AI核心产业规模超过4000亿元，企业数量接近4000家，带动相关产业规模超数万亿元，并将持续快速增加。
招商证券表示，从ChatGPT的流行AIGC已经成为AI技术发展的新趋势，与传统AI技术变现困难不同，ChatGPT采用SaaS订阅的创新收费模式打破了人们对于AI技术大多应用于嵌入式项目的固有印象，拓宽了AI企业的商业模式。AIGC商业空间将进一步打开，不仅B端用户对AIGC技术存在高需求，未来C端用户对AIGC技术的付费有望成为常态化，产业链相关企业将迎来价值重估。
展开全文
颠覆性变革
根据长江证券的研报，人工智能的发展经历了三次“浪潮”起伏。
第一次浪潮（20世纪50-70年代）：人工智能起步阶段，首次提出人工智能概念及少数成果，但由于算法理论薄弱及计算机性能缺陷导致无法支持应用推广。
第二次浪潮（20世纪80-90年代）：以专家系统和日本第五代计算机为代表，专家系统的出现推动人工智能从理论走向部分实际应用，例如医疗、气象、地质等领域。但由于专家系统推理方法单一、数据量匮乏导致人工智能发展受限，再度进入停滞。
第三次浪潮（2000年以后）：信息技术的蓬勃发展带来了行业数据量的爆发以及新型人工智能芯片的进阶，为人工智能的发展提供基础条件。同时理论算法不断沉淀，以机器学习、深度学习为代表的算法，在互联网、工业等领域取得了较好的应用效果，并且在图像识别、语音识别、自然语言处理等细分领域取得巨大进步。
深究人工智能技术发展的驱动力，由算法、算力和数据三大要素构成，学习算法的设计，决定设计出的“大脑”够不够聪明（模型的革新）；要有高性能的计算能力，可以训练一个大的网络（芯片的革新）；必须要有大数据（信息技术的发展）。
而以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。
AIGC是继专业生产内容（PGC）、用户生产内容（UGC）之后诞生的，利用AI技术自动生成内容的新型生产方式，其特点是高效性和自动化生产。随着自然语言生成技术NLG和AI模型的成熟，AIGC开始受到大规模的关注，如微软、谷歌、英伟达等多家科技巨头纷纷布局AIGC技术和应用。
在AIGC场景下，AI可以灵活运用于写作、编曲、绘画和视频制作等创意领域。据TBanicDate估计，到2025年人工智能生成数据占比将达到10%。目前AIGC技术可以自动生成文字、图片、音频、视频，甚至3D模型和代码，在搜索引擎、艺术创作、影音游戏，以及金融、教育、医疗、工业等领域的应用前景十分广阔。
兴业证券认为，AIGC反映出AI的角色正在改变，即从“效率工具”到“生产工具”的颠覆性变革。AIGC能够以类似人类甚至优于人类的知识水平、制造能力承担信息挖掘、素材调用、复刻编辑等基础性机械劳动，从技术层面实现以低边际成本、高效率的方式满足海量个性化需求。长期来看，AIGC在提高各行业内容创作效率的同时，更有可能孕育出更多的新业态、新模式。
华西证券表示，尽管此前StableDiffusion、Midjourney等AI绘画应用已经落地，但注册及使用门槛仍相对较高。而ChatGPT的对话机器人属性及免费试用窗口期使其能够广泛触达用户，瑞银数据显示上线两月用户数已突破1亿，系目前用户增长最快的消费应用，2023年1月推出付费订阅版，每月价格20美元。ChatGPT之于OpenAI，可以对标AlphaGo和AlphaFold之于DeepMind，开启了AIGC认知普及的一大步，是AIGC内容批量规模化生产的起点。
ChatGPT是由人工智能研究实验室OpenAI在2022年11月30日发布的全新一代聊天机器人模型，使用的模型与两年前发布的GPT-3底层数据和参数规模一致。
华西证券认为，GPT-3是GPT系列第三代语言预测模型，ChatGPT是从Instruct GPT（GPT-3.5）系列中的一个模型进行微调，相较于Instruct GPT，ChatGPT效果更加真实(拥有非常强的泛化能力和生成能力)，模型的无害性实现些许提升(生成带有有害、歧视、偏见等情况的有问题样本的概率本身就会很低)，编码能力更强(在GPT-3积累的大量Coding代码基础上，部分OpenAI内部员工参与了数据采集工作)。
相较于进一步扩大原有的数据规模，ChatGPT采取了升级训练方式的办法，利用人类反馈的知识，对模型进行强化修改，同时对原有数据略作改良，优化语言模型，对AI的回答方式及答案存在的局限性进行更新，实现了计算机“数据”与人类“知识”的突破性结合。
ChatGPT可通过自然对话方式交互，也可完成生成文本、自动问答等复杂语言任务，在各类AI文字处理的任务中表现出色，体现出较高的实用价值。放眼未来，ChatGPT产品有望通过不断迭代逐步实现人机协同，核心技术的投入、算力、算法的通用化、更专业的人为标注（行业know-how）可以使得新场景的应用更加快速，能够加速各个行业的智能化升级，边际效用实现增长。
中泰证券表示，ChatGPT的爆火一方面是AI经历多年技术沉淀后的里程碑式事件；另一方面它的影响力已经满足革命性技术的一个重要标志，可能引领大量的应用重做已经生活方式的变革。如AI接入设备，释放大量的生产力，或是改变使用传统搜索引擎的习惯，对内容产业进行革新。
OpenAI 首席执行官称，GPT-4有望成为多模态的人工智能，根据OpenAI 创始人Altman消息，参数预计更大，计算模型优化有望实现更优化，且GPT-4将是纯文本模型(不是多模态)。华西证券认为，GPT-4的推出潜在商业价值巨大，模型更具备“拟人化”的功能，文本生成和内容创作有望更加丰富，并有望进入文字工作的相关领域，例如新闻、金融等相关行业。
大模型时代
根据目前学界的观点，一个理想的语言模型，应该具备以下性质：具备强大的自主学习、消化知识的能力，其学习过程不需要人为介入；能够很好地理解人类指令，习惯人类的表达方式；能够正确、清晰地给出问题的回答。
可以说，ChatGPT在这三个方面的综合水平上，相比它的前辈们，取得了突破性的成就。GPT-3模型诞生于2020年6月（Language Modelsare Few-ShotLearners），此前自然语言处理（NLP）领域的主流技术是深度学习模型。但是随着GPT和BERT等两阶段预训练模型诞生后，NLP领域的研究范式出现了快速切换，海内外大量科技公司选择了以BERT为代表的双向预训练+Fine-tuning的模式。但与此同时，还有另一条技术路线，那就是OpenAI选择并坚持至今的自回归预训练语言模型+Prompting的模式。
ChatGPT成功的背后离不开数据、模型和算力。数据方面：从2018年的GPT到2020年的GPT-3，算法模型上没有太大的改变，主要的改变在于参数量和数据量。模型的参数量从1.17亿个增加到1750亿个，预训练数据量从5GB增加到45TB。
模型方面：ChatGPT在GPT-3.5的基础上增加了人类反馈强化模型，引入“人工标注数据+强化学习”来训练模型，可以更好地与人类进行专业性交流。
算力方面：GPT-3.5在AzureAI超算基础设施上进行训练，总算力消耗约3640PF-days（即每秒一千万亿次计算，运行3640个整日）。
兴业证券认为，大模型的算法复杂度、高训练成本造就较高的进入壁垒。模型是AI的灵魂，本质上它是一套计算公式和数学模型，“参数”可以看做是模型里的一个个公式，这意味着，参数量越大、模型越复杂，做出来的预测就可能越准确，目前业界主流的AIGC模型都是千亿级参数量的水平。据Gartner技术成熟度曲线，当前生成式AI仍处于技术萌芽期，新进入者若希望在类ChatGPT产品上做布局的话，在大模型设计、模型训练、应用场景落地等维度均需要加大投入。
申万宏源表示，相比小模型，首先大模型最核心区别在于参数量，例如GPT-3参数量达到了1750亿个，是传统深度学习小模型参数量的至少一万倍以上。通过模型的扩大，可以带来提升包括：
一是GPT-2等大模型舍弃了小模型中常见的调参Fine-Tuning过程，转向容量更大、无监督训练。
二是在自然语言理解NLP中，常见任务包括翻译、问答、文本填空等，常见小模型需要对不同的任务使用不同模型分别训练解决，而GPT-3等大规模预训练模型不再规定任务，而是对以上不同任务都有较好效果；可以理解为，一个饱读诗书的人，应该会写作、对话、阅读理解等多种技能，而不需要对单独技能训练。
三是传统的模型训练方式是反向传播算法，先对网络中的参数进行随机初始化（预训练大模型中不是随机初始化的），再利用随机梯度下降等优化算法不断优化模型参数，这种方式下对数据需求量较大。GPT-3先使用海量数据预训练大模型，得到一套模型参数，然后用这套参数对模型进行初始化，再进行训练。大幅降低后续对数据量的需求。
申万宏源表示，小模型时代，商用模型开发会综合考虑调参等研发投入量和带来的商业价值，模型开发出来后能否复用以摊薄研发成本，同时对于部分训练样本量较少的场景，没有很好的解决方法。
大模型可以在长尾场景应用落地，降低训练成本、减少数据要求。基于大规模预训练思路，一方面大模型可以应对多个泛化任务，大模型+细分场景微调，更适合长尾落地；另一方面，对于小样本（fewshot）训练，大模型也有较好提升。
巨头的角力
OpenAI于2015年在旧金山成立，是一家非营利的人工智能研究公司，公司的目标是以最有可能造福全人类的方式推进人工智能，而不受财务回报需求的约束。OpenAI创始人背景深厚，由埃隆·马斯克与硅谷孵化器Y Combinator投资人山姆·阿尔特曼等人联合创立。公司研究人员经验丰富，包括前Google Brain研究科学家伊利亚·苏茨凯弗与前Stripe首席技术官格雷格·布罗克曼等世界一流研究工程师与科学家。
2018年，随着特斯拉对AI的应用深入，为避免潜在利益冲突，马斯克主动离任董事会，仅保留捐资人和顾问的身份。由于AI训练花费金额巨大，2019年公司从非营利性公司转向部分盈利公司，成立了OpenAI LP利润上限子公司，即任何对OpenAI LP投资的收益都将统一转移至一家非盈利公司，回报达到投资的100倍后进行利润分配。同年，OpenAI收到微软注资10亿美元，就Azure业务开发人工智能技术。2020年发布GPT-3语言模型，由微软获得独家授权。2022年发布ChatGPT的自然语言生成式模型，带来更大潜在应用空间。
2023年1月23日，微软宣布向ChatGPT开发者OpenAI追加投资数十亿美元，这也是人工智能领域史上规模最大的一笔投资，微软将在消费者和企业产品中部署OpenAI的模型，并引入基于OpenAI技术的新型数字体验。
微软一直计划将ChatGPT整合到旗下产品中。在Bing中加入ChatGPT模型，可以更精确地帮助用户查果。微软还可能会将ChatGPT整合到Word、PowerPoint、Outlook和其他应用程序中，方便用户可以只通过简单的提示自动生成文本。
微软还发布了“2023PowerPlatform第一波”功能发布计划，RPA产品内置GPT3（ChatGPT基于该技术开发而成），对该平台的PowerAutomate、PowerApps、PowerPages和PowerVirtualAgents产品矩阵进行了智能升级。
1月26日“美版今日头条”BuzzFeed宣布和OpenAI合作，未来将使用ChatGPT帮助创作内容。
为应对ChatGPT的爆火，谷歌计划推出对话人工智能服务Bard。这项实验性人工智能程序以对话应用语言模型(LaMDA)为基础。Bard的最初版本和LaMDA的轻量级模型将同时发布，这意味着能够运用更小的算力扩大受众并且得到更多的反馈。谷歌也计划把这些新技术融合进自身的传统产品例如搜索引擎之中，它正在以最新的人工智能技术为基础，例如LaMDA、PaLM、Imagen和MusicLM，研究全新的信息接触方式，预计谷歌带有人工智能功能的搜索引擎将很快问世。
国内方面，2月7日，百度公布其类ChatGPT项目名为“文心一言”（英文名ERNIE Bot），预计将于3月完成内测并向公众开放。
百度表示，自己具备ChatGPT的相关技术。在人工智能领域深耕了数十年，百度已经具备跨模态、跨语言的深度语义理解与生成的能力，拥有产业级知识增强文心大模型ERNIE。并且已经全栈布局人工智能的四层架构，分为底层的芯片、深度学习框架、大模型以及最上层的搜索等应用。即将推出的文心一言位于模型层。
2月8日，据阿里巴巴一名资深技术专家爆料，阿里达摩院正在研发类ChatGPT的对话机器人，目前处于内测阶段。根据曝光截图，阿里或将AI大模型技术与钉钉生产力工具深度结合。
同日，网易有道AI技术团队被传已投入ChatGPT同源技术AIGC在教育场景的落地研发，该团队正在AI口语老师、中文作文批改等细分学习场景中尝试探索，将尽快推出相关demo产品。
科大讯飞亦有相关技术储备。ChatGPT主要涉及的自然语言处理（NLP）相关技术，正是科大讯飞长期深耕的领域。科大讯飞在2022年12月份启动生成式预训练大模型的任务攻关，该技术有望率先落地于科大讯飞AI学习机中，并预计将于2023年5月6日进行产品级发布。
三六零亦称，其在类ChatGPT、文本生成图像等技术在内的AIGC技术上有持续性的研发及算力投入，但目前所形成的全部成果均仅作为公司内部自用的生产力工具使用，自家类ChatGPT技术的各项指标只能达到略强于GPT-2的水平，与当前ChatGPT相比尚有代差的落后。
京东集团副总裁何晓冬也回应了相关布局，称京东在ChatGPT领域拥有丰富的场景和高质量的数据，例如京东云言犀每天和用户进行1000万次的交互。他认为，ChatGPT是令人兴奋的前沿探索，言犀则是大规模商用的客户服务系统，未来京东也会不断结合ChatGPT的方法和技术点，融入到产品服务中来，推动人工智能的产业落地。
此外，字节已经开始对AI+内容的布局，自动生成投稿、辅助写作、生成短视频。比如利用AIGC在今日头条上自动生成内容、在抖音上生成一些图文类的短视频。目前AIGC的生成内容质量好于普通的UGC，但相较于PGC还有所欠缺，整体而言质量较好。
AIGC产业生态正在加速形成和发展，根据6pen预测，未来五年10%-30%的图片都将由AI参与生成，有望创造超过 600亿元以上的市场空间。据量子位报告统计，到2030年，AIGC的市场规模将超过万亿人民币，在内容生产领域和延伸应用领域都有着广阔的空间。但由于AIGC目前产业化程度有限，大量业务场景尚未成功变现，商业模式也还处于探索阶段，未来几年都将是AIGC商业化的探索期。
应用新局面
长城证券表示，作为AIGC其中的重点细分领域，ChatGPT的成功体现了AIGC产业的快速进展，基于AIGC的应用广泛，预计ChatGPT的应用场景也多样化，同时对计算机及通信行业均有所催化。
华泰证券表示，ChatGPT属于AIGC的具体应用，相比过去的AI产品，在模型类型、应用领域、商业化等层面呈现出新的特点。技术方面：ChatGPT属于自然语言处理领域，与早期的自然语言技术相比，ChatGPT采用大模型进行训练，并加入人工反馈增强学习(RLHF)方法，实现了效果的明显提升；应用方面：ChatGPT属于生成式AI，相比于分析型AI，不局限于已有的内容，已在文艺创作，代码处理，营销等多个创造性场景内得到应用；商业化方面：ChatGPT在商业化方面彰显出强于以往AI应用的潜力，一方面用户数快速增长；另一方面得到了微软为代表的科技巨头的支持，应用有望快速推广。
未来，ChatGPT应用场景将包括以下多个领域。
多元传媒：实现智能新闻写作，提升新闻资讯的时效。基于算法自动编写新闻，将部分劳动性的采编工作自动化，帮助媒体更快、更准、更智能化地生产内容。
电商：打造虚拟客服，提供24小时无缝对接服务。虚拟客服能够填补人工客服的休息间隙，实时为客户提供服务，并且能快速了解客户需求和痛点进行交互。此外，通过ChatGPT对虚拟客服的回答信息加以约束，可控性安全性更强。
影视：分析归纳海量剧本，开阔创作思路。通过对海量剧本数据进行分析归纳，并按照预设风格快速生产剧本，创作者再进行筛选和二次加工，以此激发创作者的灵感，开阔创作思路，缩短创作周期。
教育：ChatGPT便于实时答疑解惑，帮助快速生成教育资料。学生可以进行在线实时问答交流解决问题，便利了答疑解惑，提高学习的自主性。ChatGPT还可以帮助教育机构快速生成大量测试题目和课件等。
金融：ChatGPT助力实现降本增效，提供更有温情的服务。通过ChatGPT实现金融资讯、产品介绍内容的文本自动生成，提升金融机构内容运营的效率，构建虚拟客服在线交互，让金融服务更有温度。
医疗：ChatGPT可通过对话交互生成文本，辅助电子病历录入，解放医生精力。
东方证券认为，现阶段AIGC的商业模式仍会以To B为核心，B端客户基于对企业降本增效的要求，对 AIGC的需求和付费意愿是较为强烈的；面向C端用户的商业化存在订阅制和按次收费等模式，AIGC能够大幅降低大众用户的创作门槛，未来随着AIGC生态不断完善，市场空间也十分可观。
华西证券认为，AIGC的出世会产生革命性的影响，同时有望赋能千行百业，随着AI写作、AI作图、AI底层建模、AI生成视频和动画技术逐渐成熟，AI有望进入新纪元，带来空前蓝海，同时对现有娱乐、传媒、新闻、建模等应用具有颠覆性的创新。
华西证券表示，AIGC的受益厂商分为三类：AI处理器厂商；AI商业算法商业落地的厂商；AIGC相关技术储备的应用厂商。
其中，具备自研AI处理器的厂商可以为AIGC的神经网络提供算力支撑。人工智能的本质及数据的海量运算，相较于AI算法，数据才是重中之重。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（图形处理器）和CPU（中央处理器）拥有成倍的性能提升和极低的耗电水平。因此，人工智能芯片将发挥大量作用。
具备AI商业算法落地的厂商具备相关算法的领先性。 AI算法的龙头厂商在自然语言处理、机器视觉、数据标注方面都具有先发优势。算法上，数据标注属于AIGC算法的生成关键步骤，而在自然语言处理、机器视觉等方面，AIGC已经对此方向应用产生深远影响，例如已经实现的虚拟人与自然人的对话、AI作图、AI底层建模，随着技术的进一步成熟，AIGC势必对该方向应用产生革命性影响。
AIGC相关技术储备的应用厂商有望打开海量市场。相关娱乐、传媒、新闻、游戏、搜索引擎等厂商具备海量文本创作、图片生成、视频生成等需求，随着AIGC的逐渐成熟，相关AI算法不断成熟完善，并结合相关应用，相关厂商在降本增效的同时，有望提升其创作内容的质量、减少有害性内容传播等问题，实现创意激发，提升内容多样性，AIGC有望极大推动相关厂商商业化的发展，从而打开海量空间。
算力的竞赛
东方证券表示，未来几年是AIGC的快速发展窗口期，其涉及的相关底层AI模型算法、算力基础设施以及下游行业应用都有望迎来加速增长。AI模型算法是AIGC的核心，是技术驱动层，需要投入高额的研发与训练成本；算力基础设施主要包括存储和芯片等设施，是训练大模型必需的基础架构；下游行业应用则是以AIGC在不同场景中的落地为主，侧重于满足用户的个性化需求，建立起AIGC产业生态。
长城证券认为，ChatGPT通过升级训练方式攻关了原有模型局限，带来出色的用户体验及较高的实用价值。科技巨头的加入、商业形式的丰富或加速ChatGPT乃至AIGC行业的商业化进程。AIGC行业在AI文本生成、音频生成及图片生成等细分领域具备广阔的应用空间，基于技术上的刚性需求，下游的应用落地刺激上游算力需求的提升。
ChatGPT技术方案最大的优点就是单一模型，特点就是参数比较大，达到1750亿个参数，代价就是需要巨大的算力。并在算力中心的基础上构建大模型；这是AI未来发展的大趋势。这使得AI公司的进入门槛不断提升，一方面要做出大模型，一方面还需要巨大投入去使用算力中心。
民生证券也表示，ChatGPT能够实现当前如此强大的交互，离不开背后庞大的算力支撑。根据绿色节能数据中心官方公众号，ChatGPT的总算力消耗约为3640PF-days。按近期在国内落地的某数据中心为参照物，算力500P耗资30.2亿元落成，若要支持ChatGPT的运行，需要7-8个这样数据中心支撑，基础设施投入需以百亿元计。因此，随着AI等新技术的发展，对高可靠、高性能、高安全算力需求更加突出，全球正掀起一场算力的“军备竞赛”，数据中心、AI芯片、服务器等环节作为算力基础设施，有望被高度重视。
当前，存量已经建立优势的AI公司具备资本实力，拉高了行业壁垒，但是未来AI应用场景广泛，想象空间巨大，并且基于对数据安全保护的更加重视，未来中国庞大的市场较大概率是由中国公司来做，小型创业AI公司依旧存在生长空间。
算力增长推动基础设施扩容，数据中心服务器、交换机、光模块不断迭代。AI对于算力最大的挑战依然来自于核心数据中心的模型训练，算力需要能耗、成本的堆砌，持续输入数据耗电做存储计算，能耗与投入成本密切相关。AI背后所需的算力支撑相较于之前的云计算、电商有成倍的增长，按照传统速率升级、堆叠算力的方式已经不能满足当前商业化的发展需求。为了匹配高算力，未来需要对设备实行降本方案。CPO（共封装光学）有望成为AI高算力下解决方案。
NPO（近封装光学）及CPO是将网络交换芯片和光模块（光引擎）进行“封装”的技术，用来替代目前的热插拔式光组件。据Lightcounting预测，CPO未来可能成为大型数据中心的可插拔光收发器的替代方案。产品预计将从800G和1.6T端口开始放量，于2024-2025年开始商用，2026-2027年开始规模上量，主要应用于超大型云服务商的数通短距场景。CIR的预测指出，2026年全球CPO市场规模将达3.44亿美元，2030年将达到23亿美元。
AIGC的发展有望带动CPO的需求进一步拓展。降能耗成本需要设备、光模块、交换机的更新。衍生出的交换机和光模块融合（COPACKAGE），以前的光模块演进成光引擎，然后再和交换芯片贴在同一张PCB背板上，通过交换机搭载的液冷板进行物理冷却和降温。同时光引擎由于体积、集成度高，搭配硅光封装规模化后会体现成本优势，有望替代高算力场景。当前很多大厂已经出货，其体量较小，未来在数据中心侧有望规模性铺开。
传统市场的需求会被新方案替代，但由于算力激增，数通投资、光通信的需求量会大幅提升，特别是高算力场景下的出货量增长前景较好。结构性创新带来的弹性可能会在2023-2024年体现出来，目前切换新方案的纠结点在于成本和供应链是否稳定，预计产品起量后供应链会所有突破。AI进度加速，ChatGPT爆火可能带来光引擎、液冷服务器加速推进。
机遇与风险
长江证券表示，ChatGPT的横空出世以及国内外巨头纷纷投入大模型，意味着大模型有望带领新一轮浪潮，当前投资共有两条主线，一是围绕人工智能三大要素布局，短期关注软硬件配套的底层资源，二是中长期关注新一轮技术变革下新场景和新产品的创新落地。
复盘深度学习的发展历程，长江证券发现，其中有两类企业伴随此趋势得到真正的商业化成长：第一类是底层资源企业，以英伟达为代表。2012年，英伟达看到了GPU在图形运算之外的潜力，自研出适合深度学习发展的 CUDA（通用冰箱计算平台），GPU替代CPU成为AI训练市场的首选，英伟达股价开始飙升，乘深度学习之东风，成为AI芯片领域的绝对霸主。后来不断在下游进行深耕，除了优势游戏行业，在智能驾驶的底层资源支持也得到了巨大的突破。
第二类为实现场景赋能的应用企业。首先是互联网平台厂商，在互联网商业变现场景中，广告变现占有主导地位。2012年，深度学习迅速席卷图像、语音、NLP等领域，并逐步在互联网商业化最成功的搜索、推荐和广告领域获得突破并成为主流，在此过程中，中国诞生了一系列火爆应用抖音、头条、快手等，同时互联网依托广告变现的商业模式再上新台阶。
其次是将技术与传统场景结合，实现商业化落地的人工智能技术厂商，但由于落地场景规模的不同，真正实现投入产出平衡的企业屈指可数，其中科大讯飞依托本身在教育行业的数据优势，实现在教育行业的产品化落地。
因此，在大模型引领的新一波浪潮下，长江证券建议，短期关注软硬件配套的底层资源，中长期关注新一轮技术变革下新场景和新产品的创新落地，其中可以实现规模化落地场景将诞生公司更大的成长机遇，其次是碎片化场景落地厂商。
在多重利好因素推动下，ChatGPT概念无疑成为A股市场上“最靓的仔”。Choice数据显示， 2月以来ChatGPT概念指数涨幅已经超过20%。不过，看到机会的同时，投资者也应该看到，这一技术的落地将会是长期而持续的过程，短期行情的过度火爆会让板块泡沫破裂的风险提升。
广发证券认为，近期市场关注度较高的ChatGPT对A股计算机相关上市公司的实质影响极为微小。交易性主题机会的属性非常突出，基本面极不相称。与美国公司相比，相关三大要素至少在数据质量和商业化上有不小差距，且存在巨大挑战。
广发证券表示，ChatGPT对A股计算机更多是情绪意义。首先，从产业链现状来看，A股计算机公司在AI产业链中基本属于微小的从属地位，只有算力环节的寒武纪比较突出。AI大模型方面领先者群体主要是百度、阿里、华为、腾讯等头部互联网公司或云计算公司，也包括商汤等独立通用平台公司。此外，讯飞在语音外的多样性应用上仍有较多空间待实现。
其次，产业分工生态有较大差异，美国独立中小科技公司被科技或互联网巨头以高估值购入的案例在中国不多见，国内巨头倾向于通过内生垂直一体化的习惯留给独立公司的成长空间较美国同类公司小。
再次，相关互联网公司近三年资本开支增长放缓，在主营业务已过高速成长期，云计算业务依然亏损的背景下，资本开支的恢复力度可能短期相对有限。
广发证券认为，AI主要是三大要素：数据、模型和算力。其中数据的数量和质量的差异和影响更大。仅以数据质量为例，最大的障碍和挑战是数据来源的割裂。
在各领先公司或潜力公司之间，各自的数据来源较为割裂。科技公司根据主营业务不同，其采集的数据范围有限。例如，阿里采集的主要是消费者行为和决策数据，腾讯通过微信采集的是社交类数据，小红书采集的主要是和生活方式相关数据。有限的数据采集方式在多维度层面影响了可用于模型训练的数据质量，进一步会影响到AI模型的泛化能力和不同场景的通用化效果。
而OpenAI独立第三方的中立属性和开放的风格更容易与产业链上下游形成合作，在开放的生态建设上更具优势，或者说远远优于任何一个单一平台公司的数据来源。其对谷歌的强大挑战和压力充分证明这一点。
广发证券还认为，从商业化的对比来看，AI的投入巨大且持续性强，因此商业化成功与否极其关键。迄今为止，ChatGPT较有商业发展潜力的典型案例是微软从浏览器到OFFICE的全线融合应用。以Edge为例，其功能增强达到了质变的程度。这极大提高其商业产品的门槛和附加值，对现有单一产品公司是降维竞争，可以预期其相关产品线的竞争优势会迅速扩大并能逐步新增体现在全球市场份额和财务回报上。
而此前的NLP在中国市场的商业应用更多存在于精准营销等C端，已相对成熟。对于要求较高的B端IT应用无论产品还是生态合作、价值链均衡都有不小差距，广发证券认为要达到类似效果有较长的路。
广发证券表示，总体而言，ChatGPT相关主题对A股计算机相关标签公司整体几乎没有实质驱动，整个产业链的追赶都面临较大挑战，积极意义主要体现在对市场关注度的贡献。相关公司绝大多数基本面和主题标杆相去甚远，且整体在产业链中处于相对边缘的位置。
