《全球生成式AI应用全景图2023：AI应用进入大爆发时代.docx》由会员分享，可在线阅读，更多相关《全球生成式AI应用全景图2023：AI应用进入大爆发时代.docx（93页珍藏版）》请在三一办公上搜索。
1、全球Th成式Al应用全景图Al应用进入大爆发时代内容目录一、生成式Al应用进入大海发时代71)驱动因素：大模型、算力与生态的共振72)产业现状:一二级视角看Al应用的演进163)应用框架：应用的四大赛道与产业逻辑24二、生成式Al应用细分赛道杭理371) Al+办公软件372) Al+创意工具433) Al+企业服务474) Al+网络安全525) AI+IT运维566) Al+软件开发607) Al+数据智能648) Al+数字代理679) Al+金融7010) Al+医疗7511) AI+敬育7912) Al+工业8313) Al+汽车8614) Al+机器人90三、投资策略93四、风险提
2、示93图表目录图1：人工智能产业发展浪潮8图2：模型、算力、生态推动为Al应用进入大爆发时代9图3：GPT模型的迭代过程10图4：GPT-4是目前最强大的大模型10图5：大模型家族的不断丰富和技术演进路演11图6：生成式Al应用与多模态模型13图7：当前视觉大模型相当于20年前后的语言大模型14图8：算力芯片万倍增长15图9：云服务解决方案数量对比15图10：Al产业生态的逐渐成熟16图11：生成式Al应用的发展阶段18图12：海外科技股价复盘：基础设施层公司率先受益Al产业浪潮19图13：海外科技股价复盘：应用层公司股价同样有所演绎20图14：GithUb过去十年Al项目数量21图15：Re
3、PIit的Al项目数量激增21图16：约95%的项目是OPenAl的模型构建(RePIit)21图17：RePIit开源模型项目数量快速增长(RePlit)21图18：2023年生成式Al投融资金额涨幅高达464%22图19：已有15家生成式Al独角兽达到10亿美元+估值22图20：生成式Al项目大部分处于早期23图21：生成式Al投融资金额分布23图22：生成式Al应用层融费分布(22Q323Q2)24图23：生成式Al应用产业地图25图24：Al应用的基础能力与演进方向26图25：通用软件标杆产品与发展路径27图26：通用软件市场应用进展30图27：行业应用：C端场景成熟，B端处于起步阶段
4、33图28：Al+生产力工具变革主要体现在三个层面40图29：Al+办公应用的标杆：微软365COPilOt41图30：微软OffiCe办公套件产品的竞争者42图31：AlGC依赖于生成算法、大模型与多模态三大底层技术的进步45图32：AdObefirefIy的主要功能47图33：赛富时Al产品组合49图34：销售GPT的主要功能：销售电子邮件将为每次客户互动自动生成个性化且包含数据的电子邮件50图35：服务GPT的主要功能：自动化回复51图36：Dynamics365Finance充分利用ERP数据来加速洞察52图37：Al+安全的最大机会来自于提升安全运营的自动化程度54图38：Secur
5、ityCopilotAl提升安全运营自动化55图39：XSIAM是集成了Al的基于云交付的集成SOC平台56图40：SerViCenOW将生成式Al集成到NOW平台58图41：DatadOg推出了针对OPenAl的性能监控产品59图42：Datadog可监控和跟踪GPT及其他大模型的token消耗59图43：GithubcopilotX是目前最强大的Al编程开发工具之一62图44：MicrosoftPowerApps的AI能力进化路线63图45：OUtSyStemS低代码平台64图46：AlP产品的三大基础模块66图47：AIPforDefenSe:分析战场中敌方军队的详细情报67图48：AI
6、PforDefenSe:给出作战行动计划的相关建议67图49：AIPforBUSiness:查询飓风对配送中心的影响67图50：AIPforBlJSiness:查询运输线路的最优化路径67图51：AlAgent的组成模块与实现原理69图52：AIJtOGPT的工作流程70图53：FinChat基本面分析功能73图54：FinChat股票筛选功能73图55：FinChat财报摘要生成功能74图56：Al+金融公司分类75图57：AbSCi通过生成式Al构建抗体76图58：Al+医疗公司分类79图59：DUOlingOMaX两大全新功能“解释我的答案、角色扮演81图60：Khanmigo具备辅导教
7、学、教案生成、写作训练、编程练习四大功能82图61：达索四大Al设计助手：选择助手、匹配助手、草图助手、智能配接84图62：智能座舱词汇激活系统87图63：生成式Al赋能自动驾驶框架88图64：特斯拉自动标注原理89图65：特斯拉OCeUPanCyNetwork模型结构图89图66：1Xtechnologies旗下EVE实体机器人91图67：RichtechRobotics旗下餐饮机器人Adam91表2：工具型应用各赛道主要产品29表4：行业软件各赛道主要产品34表6：C端Al应用工具的商业化情况36表7：B端Al应用工具的商业化情况37表11：三类文生图工具的商业模式46-R12：Al+企业
8、服务标杆产品48表14：AI+IT运维标杆产品57表15：Al+软件开发标杆产品61表16：Al+数据智能标杆产no65衣17：Al+数字代理标杆产品68表18：Al+金融标杆产品72表19：FinChat收费标准74表20：Al+医疗标杆产品78表21：Al+教育标杆产品80表22：Al+教育产品商业化案例8223：rU口一、生成式Al应用进入大爆发时代1）驱动因素：大模型、算力与生态的共振生成式人工智能是自个人PC出现和互联网诞生以来最具颠覆性的技术创新，随着大模型以及ChatGPT等一系列“杀手级”应用的诞生，生成式Al在文本、图像、代码、音频、视频和3D模型等领域展现出了强大的能力。当
9、前生成式Al的发展仍处于起步阶段，未来有望为全球经济创造数万亿美元的价值，并对各行各业的工作方式产生重大影响。在生成式Al产业突变的背后是人工智能技术数十年的积累和酝酿，其演进历程具体可分为四个阶段：1）专家系统：上世纪50年代前后，人工智能开始萌芽，基于规则的专家系统占据主导，这一时期，使用复杂的逻辑规则，能够处理包括字符匹配、词频统计等一些简单的任务，机器翻译以及语言对话的初级产品，1966年MIT发布的世界上第一台聊天机器人Eliza可以看作生成式Al最早期的产品之一。Eliza能够根据接收到的文本，遵循简单的语法规则来模拟与人类用户的对话。与此同时，专家系统存在词汇量有限、缺乏上下文和
10、过度依赖规则等缺点，生成创造性内容的能力非常有限；2）机器学习与神经网络：1980年美国的卡内基梅隆大学召开了第一届机器学习国际研讨会，标志着机器学习在全世界兴起，20世纪90年代以后，神经网络作为一种新的生成人工智能方法出现了。神经网络受到人脑的启发，能够以基于规则的系统所不能的方式从数据中学习，带来了Al技术的突破，Al可以开始基于神经网络创建逼真和有创意的内容；3）深度学习：2012年后，深度学习在人工智能领域中的应用将生成式Al带入了一个新的高度。深度学习作为一种基于神经网络的机器学习方法，通过大规模的数据特征学习，对不同场景具备很强的自适应性，同时可以通过增加层数和节点数，实现对更复
11、杂的问题的解决，提升了模型的准确性和真实性，并且基于分布式计算和GPU加速等技术，能够训练更大规模的数据和更大尺寸的模型。直到现在，生成式Al依然建立在深度学习的基石之上；4）大模型：2017年，Google发布著名论文AttentionisAllYouNeed）,提出了基于一种新的神经网络Attention注意力机制所构建的模型Transformer,2018年OpenAI和谷歌分别推出了GPT模型以及BERT模型，均是在Transformer的基础上构建,Transformer及GPT模型标志着生成式Al在文本领域的重大飞跃。与此同时，伴随着VAEs、扩散模型、神经辐射场、CLIP等一系列
12、生成算法和多模态模型的不断成熟，生成式Al的时代正式开启。图1：人工智能产业发展浪潮199Q*-2016SAttention I资料来源:其松鉴今.华金适券研究所模型、算力、生杰推动为Al应用进入大麻发时代：1）算法及模型的快速进步：2017年TranSfOrmer模型及2022年ChatGPT的发布标志着GenAl在文本领域的重大飞跃，并在多项能力上超越了人类基准，随着未来更强大的语言大模型（如GPT-5）,以及多模态大模型和视觉大模型的技术突破，将带动Al应用的持续进化。2）算力基础设施将更快、更便宜：虽然短期内大模型训练需求的激增导致了算力成本的持续上涨，但是随着英伟达算力芯片的不断更新
13、迭代，微软、亚马逊、谷歌等在Al云服务资本开支的不断加大，Al应用的发展将得到更加强有力的支撑。3）Al生杰的逐渐成熟：Al组件层（AlStaCk）的完善和产业分工细化，为Al应用在模型训练、数据整合、应用开发、应用部署等环节提供全生命周期的支撑。图2：模型、算力、生态推动为Al应用进入大爆发时代模型 O 算力J L 组件:Hugging Face, Mosaic 数据组件：Chroma. Redis. LangChain应用部署：Fixie. Gradio评估工具：Statsig. Comet datadog模型训练:Hugging Face. TensorFIow TQnsformerHl
14、SlMSl GoOgle发布大语言里 LaMDA Stability Al推出开源植型 Stable Diffusion Google 发布基于 Pathways 框架的大模型PaLM Meta发布并开源OPT系列幡 型 OPenAl发布GPT系列模型笏再乘潦：华金汉芬研究所绘制 英伟达：最新人工智境芯片 GH20. Wtt ：自研芯片Athena , 预计明年投入使用. 亚马逊：自研专用Al芯片 Trainiumttlnferentia ,前 者面向训练场景,后者面向 推理场景. 谷歌：第五代Al芯片TPU vSe ,专为中大型模型训练 和推理构建.本轮生成式Al的技术的最大突破来自于底层大
15、模型，GPT作为当前全球最强大的语言大模型，从2018年5月GPT初代版本，到2023年3月的GPT-4,仅5年时间模型的性能就产生了质的飞跃。在GPT模型快速进化的背后，一方面是对训练方法的持续迭代，从GPT-I的半监督式学习，到GPT-2舍弃了微调阶段，再到GPT-3的In-ConteXt学习和海量参数，以及引入了基于人工反馈的强化学习之后的ChatGPT；另一方面，在模型参数规模扩大背后，是OPenAl对研发和算力的持续高投入，通过“大力出奇迹”的方式，支撑了模型参数和训练数据的快速膨胀。GPT-4相较于之前版本的GPT模型，在推理能力、文本生成能力、对话能力等方面有了大幅提升之外，在许
16、多能力上已经超越了人类基准。同时大模型作为能够在海量、广泛、非结构化数据集（例如文本和图像）上进行训练的大规模深度学习模型，它的强大之处不仅在于文本生成，大模型可以适应各类不同的任务，不仅可以用于聊天机器人，同时也可以用来创建新的蛋白质序列，并且当前已经成为了图像、代码、音频、音乐、视频和3D模型等各种模态应用的底层框架。图3：GPT模型的迭代过程2018.磁布参散117亿2019独布参数量15亿20205发布参量50亿202211 花I弁小量未公布I2023.3发布弁故未公布1监苜学习无监 督学习2沿自泛化解力 不彰3专家偿型.而 非通用语直模型1舍弃模型微调 阶段2多个不同的任 务在同一个
17、值上学习3语言泛化能力 显著墙强1 JRfflIn-Context 学习2 .参数E相笠于 GPT-2提升了两 个数5龈3 .JI正意义上的 XigR1 .引入人类反S! 的强化学习（ RLHF）2能力大幅展开 3涌现出了慰埴 博及密峋推理等多神能力1能力簿到进一 步提升2 .实现了从大遇 含模型向多模态 St型IS化的第一 步资料来源:Wikipedia.CSDN.华金证书图4：GPT-4是目前最强大的大模型MMLU 435%咫H的多 Wlfa 作业和学术)HeIhSwag (46ZB 就I 的京MlJftiIAI2 Reasoning Challenge(ARC) 48小学学WWm(MAS
18、B)WinoGrande (50HumanEval (37Pyto,DROP 52 (F1 score)*muu*xGSM 8K (54GPT-4TZ *hotHG PT-3.5 f* otn85.6%AUJM4796.3%ZS shot85.2%25 fchot852% 8 1hct PMM149；86.5%ST MOCDBi87.5%5 shot81.6% 5 iot85.1%5 ho1 PaIM 85.1%5 (hot PMM 67X1% 0 1bt48.1% tt26；658%CMT GFT 380.93 hot6413 shot70.81 Jhct PLM l388.4QDGAT r
19、S)92.0% S hot chain of thougt57.1% 5 ihot58.8%8.Lm-SSChng资料来源:/GPTYTechnicaIReport.华金证券研究所Rt着大模型家族的不断丰富，出现了单向/双向、开源/闭源等不同的技术路线。1）单向/双向：在TranSformer模型2017年诞生之后，2018年OPenAl和GOOgIe发布的GPT-I和BERT采用了TranSformer不同的框架，6月OPenAl发布的GPT-I仅使用了Transformer的Decoder框架（单向架构），10月，Google发布的BERT模型采用Transformer的ErICoder框
20、架（双向架构），作为一个拥有3倍GPT参数量的更大体量的语言模型，BERT在当时的多项测评以及业内影响力等方面，要领先于GPT的初代版本。2020年，随着GPT3的惊艳表现，单向模型在语言生成方面的优势开始展现（特别在大参数情况下），Decoder路线逐渐占据主导，当前主流大模型大多采用DeCOder框架或大DeCoder小EnCoder框架。2）开源/闭源：大模型的开源/闭源，与iPhone/Android.WindowsZLinux有类似之处。包括GPT-4,以及谷歌的Bard、Claude等大模型均是闭源模型，优势在于性能强大和易于上手,目前依然是绝大多数海外主流生成式Al应用的首选；而
21、LLaMA2、StableDiffusion,Eleuther9GLM130B,OPT,BLoOM引领的开源模型优势在于灵活性和低成本，特别Ilama2的发布，宣布支持商业化，让应用层的公司可以以非常低成本来使用大模型，可以基于开源模型进行私有化部署并实现差异化功能的开发。在过去的一年里，开源阵营模型的能力和数量有了显着的提高，开源框架目前也正在成为越来越多应用的选择。图5：大模型家族的不断丰富和技术演进路演OPen-SoUrCeClosed-SourceEvolutionary Tree 6E-线llgwoA0资料来源:rHamessing(hePowerofLLMsinPractice:A
22、SurveyonChatGPTandBeyond.华金证券研究所目前大模型的应用已经不局限于NLP领域，包括图片、语音、视频、代码等多种模杰的应用开始涌现，而大模型、生成算法与多模态等底层技术的突破成为了AlGC的质变的关键。一方面，目前大模型可以广泛适用于各类下游任务，当前已经成为了AlGC的底层框架。许多跨领域的Al应用均是构建于大模型之上，能够解决多任务、多场景、多功能需求，支撑各种模态的生成；另一方面，包括生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型（DiffUSionModel）.神经辐射场（Nerf）等快速涌现的生成算法，以大模型为基础，能够创造出文字、图片、语音、视频
23、、代码等各种模态的内容，而基于此之上的多模态应用开始涌现。1）文本生成：目前技术最成熟的领域，随着新一代大模型的发布，未来将看到更高质量的输出、更长形式的内容和更好的垂直特性；2）图像生成：过去一年技术进化速度最快的领域，2014年出现生成对抗网络GAN是图片生成的主流算法，但一直存在对输出结果控制力弱，难以生成新图像等缺点。随后扩散模型、CLlP模型等技术的成熟，文生图的能力大幅增强，包括DALL-E2.StabIeDiffUSion等主流文生图应用均是基于扩散模型所构建；3）视频生成：目前尚未有非常成熟的视频生成算法，许多应用还是依赖于图像生成的算法；4）3D模型生成：3D模型生成还处于早
24、期，其中这一领域关键算法神经辐射场（NeRF）于2020年于ECCV会议上提出，目前已经成为3D模型构建的主流算法，并广泛应用于游戏、数字人、虚拟现实、增强现实、电子商务等领域，未来具备广阔的应用空间；5）代码生成：GPT-4等大模型具备很强的代码能力，未来将会对软件开发人员生产力产生重大影响，同时能够使非专业开发人员更容易生成代码；6）音频生成：音频合成在技术和商业化上已经非常成熟，近年来大模型和优化算法的成熟能够基于大量音乐数据集训练和优化算法来创建Al虚拟歌手，更加趋近于真人发声效果，典型应用如：Al孙燕姿；7）其他：从生物蛋白质分子模型到其他垂直领域，许多行业都在进行垂类模型的研发。管
25、历制作Vl文寄情爸储函片识别用戋作图片上成视阴发冷生物制药第件助手得富r梗强创作巨机B人自动化记工具网由落设计M助特效优化篇改制传OpenAi GPT 4OpenAI GPT 4OpenAl DaH-EOpenAI JukeboMMicrosoft X CLIPDeream FusionDecpMind GopberTabniCraiyonNaturalSpeechRunway Gen2NVIDIA GET30MeUOPTStabIeLMStable DiffusionVoiceBoMMDMHuggingFaceBioomMuscGecCohereMusiclMAnthropic模型层文本代码
26、图像劭音视纹3D其健密料来拜:(GenerativeAl:ACreativeNewWorld/、华金适养研究所在语言大模型和多模态多模态大模型快速取得质变的同时，视觉领域的基础大模型VisionTransformer(VIT)在2020年诞生后，近三年语义分割、目标检测、图像分类、实例分割等主要视觉任务上的能力均有明显提升。VisionTransformer(VIT)于2020年由Google提出,可以看成是Transformer的图形版本，在尽可能少的改造下将标准的Transformer模型直接迁移至图像领域变成ViSionTransformer模型。ViSionTransformer最初用
27、于处于图像分类任务,2020年很多后续的视觉模型都是基于VIT建立。为了将TranSformer模型适用于图像，VIT将图像切分成很多子块并将这些子块组成线性嵌入序列，然后将这些线性嵌入序列作为Transformer的输入以模拟在NLP领域中词组序列输入。当前视觉大模型相当于20年前后的语言大模型：1) TranSfOrmer于2017年由GOOgIe提出，ViSiOnTranSfOrmer于2020年提出；2)当前最大的语言模型巳经超过万亿参数量级，当前最大的视觉模型刚刚达到百亿参数量级；3)从GPT-2(2019)开始，语言模型开始具备通用能力，而当前视觉模型基本仍只能处理特定视觉任务。图
28、7：当前视觉大模型相当于20年前后的语言大模型2014201720202023PaLM-EGPT-1视觉处理ResNetDenseNetCNN类架构 AIexNetVision TransformerTranSf Ormer 类TranSfOrmer 类架构BERTGPT.3 ChatGPTTransformerLSTM类螂多模态 Transformer 类架构Kosmos-IGPT-4密料来源:GPT-4核，1技术分析报告. 究所巨头持续加码算力基础设施，未来Al算力将更快、更便宜，并更好的支撑应用层的快速发展。多年来，英伟达GPU性能的突破的基本遵循摩尔定律，GPU的晶体管数量每两年增加一
29、倍。近年来，随着芯片架构的进步以及张量核心和TranSfOmer引擎等功能的引入进一步提高了英伟达GPU的吞吐量和效率，GPU进化的速度超越了摩尔定律。同时除了硬件之外，英伟达围绕CUDA构建的软件生态系统，为开发人员提供端到端的解决方案，简化了人工智能应用的开发、部署和管理，已经成为了各行业人工智能的操作系统层。除英伟达外，全球科技巨头均在加速算力侧的布局，其中软件厂商开始自研芯片，而硬件厂商则在搭建算力平台，包括微软、亚马逊、谷歌、甲骨文和Facebook等软件及云服务巨头正在加大对Al算力云服务的资本开支，并提供更丰富的Al云服务模块、涉及NLP、机器学习、计算机视觉等各个领域；另一方面
30、，微软、亚马逊、谷歌等均在加大自研Al芯片的投入。因此虽然短期来看，大模型训练的需求的急剧增加推高了算力成本，但随着未来芯片性能的快速进步以及Al算力供需的逐渐平衡，应用层的发展将得到更好的支撑。图8：算力芯片万倍增长DevelopersCUDA Downloads*Al Startups3,0GPU-AcceIerated ApplicationsAW 决力NLP学习率QitAVVS912324AArV154VGoOgit421S问叟巴巴01313训4127华为631101211IeM3O12Omcte351图9：云服务解决方案数量对比资料来源:faeh,estmens.华金证券研究所Al组
31、件层（AlStack）是Al生杰的重要组成部分，为模型训练、数据整合、应用开发、应用部署等提供支撑，Al组件层的完善和产业分工细化，代表Al生杰的逐渐成熟。Al组件层具体包括了模型训练、数据整合、应用开发、应用部署等几个关键环节，各环节均已经初步跑出了一系列组件工具，可预见随着各个头部工具厂商不断拓展自身的产品线，Al组件层的一体化和平台化程度会越来越高。除了新兴厂商之外，旧M、埃森哲、德勤等IT咨询公司也推出了Al解决方案，来支撑Al应用的开发与部署，具体来看：1）应用框架：通过提供了一套组件和接口，将开源模型、APl和数据库等不同的外部组件链接在一起，能够帮助应用开发快速构建基于大模型的A
32、l应用，来简化应用的开发和创建过程,代表厂商包括LangChain,Dust.tt,Fixie.ai,GPTIndeX和CognoSis。2）数据整合：由于基础模型仅限于对训练它们所依据的事实进行推理，而应用和垂类模型需要使用时效性强以及垂直领域和私有数据来推出面向专业领域的应用，特别是在金融、医疗等专业性强以及天气、体育、新闻等实效性强的领域，应用程序开发人员需要模型调用外部数据源，通过外挂等方式来实现数据整合，而非再次训练底层大模型。涉及工具包括了向量数据库Pinecore.Chroma、RediS等、上下文窗口LangChainIJamaInCleX等、数据加载Unstructured.
33、io,DatabriCkS等。3）模型训练：应用开发对底层模型有多种选择，可以选择由OPerlAI,Anthropic或Cohere等供应商创建的闭源模型，或者使用开源模型，以及可以选择训练自己的模型，而且模型尺寸、模态、输出质量、上下文窗口大小、成本和延迟各不相同，最佳设计通常需要开发人员在使用多个模型的组合。涉及到的AI组件包括：模型库HUggingFace、RePliCate等、深度学习框架TensorFIow.PyTorch.DeePSPeed等、训练工具Mosaic.TOgether.CerebraS等，托管服务OCtoML、VertexAl等。4）评估工具：一方面，在模型训练过程中
34、，开发人员需要使用多种工具来实现模型的快速开发和迭代，基于数据来驱动提示工程、超参数、微调、模型相关的实验，相关工具包括StatSig、Comet.Mlflow等；另一方面，在应用部署后，应用厂商需要跟踪底层大模型的性能、成本、延迟和行为随时间的变化，了解模型输出的质量，防止恶意使用以及控制大模型的成本，相关工具包括WhyLabs.datadog等。5）应用部署：将Al应用部署到实际应用环境中，可以采用Fixie、GradiO等框架，或者采取第三方厂商的服务来完成应用的部署实施。图10：Al产业生态的逐渐成熟工H次也用讯机人I ChelGFT Ain* OALlR1具 I Imegen Wie
35、o 文本 1 K I Non Al 3(MesHhMdul通用就科办公I Mt365coplot 企 timlevn GFT *件开堂 I Power ARB 同修安畲1 PANM ftff*tt ： Palentlr行业应用I RnGFT. AnChM Hit DA. DocsGPT ttR t ILSA Al, Che99Mafe 0 鼻 I DUOtngo、Speak *tt s Unify. RoMok智能硬件汽* I FSD. Wiyino Drtvef 机人 t Optimus. Attem PWey开源模型闭源模型Stable Diffusion GFT-4IUMA2OPTBlo
36、omBertBardClaudePaLMJurassic *2应用隹架LangCham % Dust tt Fi)CPtnecoreLangChain, Llamalndex模3!训练Hugging Face. TemorFIow, PyTorch . 停估工具Statsig. Comet、Mlflow.应用郎Fixie、Gradio 一蛆件房AWS(ArnaNon) AZlJre(MiCroSOh) GCP(GoogIe)DGX(Nrvdia) Oa(OraCIe)资料来源:Menlo Ventures.华金证券研究所TPUCPU光模块2）产业现状：一二级视角看Al应用的演进随着GPT以及扩
37、散模型等底层模型和算力能力的突破，生成式Al应用在近3年来取得了跨越式的发展。当前时点，B端应用场景逐渐成熟，Al应用即将进入全面商业化阶段。1）2021：GPTH催生出笫一批生成式Al应用。2021年第一批生成式Al应用诞生得益于2020年5月GPT-3的发布，相较于GPT-2及其他语言模型，GPT-3在机器翻译、聊天问答和文本填空上等语言任务上有着非常出色表现，并且开始能够完成一些比较困难的NLP任务，比如生成新闻报道和撰写文章。因此从2021年开始，包括JasperAl在内第一批基于大模型生成式人工智能应用诞生，大多是基于GPT-3的能力，并以类SaaS服务的形式进行收费。JaSPerA
38、i在成立当年就收获7万名用户、营收额达到4500万美元，2022年翻倍达到8000万美元，仅用18个月时间速成为一家估值15亿美元的AIGC独角兽。2) 2022：Al作画的爆发与ChatGPT的发布，22年是生成式人工智能的元年。22年随着扩散模型等生成算法的突破，一系列Al作画应用相继诞生，其中包括了MidJourney.Dall-E2Imagen等在线文生图应用，以及StabilityAl的开源模型StableDiffusion,Al图像生成的效率与精度提升到了前所未有的量级。22年底，生成式Al的“杀手级应用ChatGPT正式发布，基于对超大规模数据的深度学习，ChatGPT在文本生成
39、领域的能力得到了空前提高。除此之外,各种视频生成(Make-a-Video、ImagenVid),以及3D模型生成(DreamFUSiOn、MagiC3D和Get3D),包括代码生成工具GitHUbCOPiIot开始受到广泛关注。3) 2023：C端应用面临洗牌，B端应用即将进入全面商业化。23年生成式Al在基础模型实现了持续的突破，GPT-4发布的大语言模型在多项任务上进一步提升，而开源模型Llama为初创企业和其他企业提供了一个强大的免费选择，和OPenAl的闭源模型阵营形成竞争。在模型能力快速进化的同时，一方面是各类生成式Al的项目数量开始激增，另一方面，B端应用在处在商业化的前夜，自3
40、月微软发布了基于GPT-4的Al办公助手OffiCeCopilot,此后包括企业服务、营销、低代码、安全、教育、医疗、金融等领域的Al应用开始陆续发布。7月份,Microsoft365Copilot公布定价，为每个用户30美元/月，同时全球CRM龙头Salesforce宣布正式向所有用户开放Al产品,并给出了单个产品每用户每月50美元的定价。随着两大软件巨头Al功能定价发布，Al应用将正式进入商业化落地阶段。2021 年2022 年GPT3催学第一批生成式Al应用用件厚发ChMGPT发布C端应用洗孱B*将全百进人业化 OpenAI发布Al文成图工具 DME JaspaAI成立并推出Al写作工 JlConvefMtBon Al G。Ogle将AI技术用于3D隼景分Fr I ATensodIow 3D Google发布大育Sl LaMDA At就发布Al*程工IlGfthUb Copih AlphaFold白检雳实现AI 区 疗的突将斯检推出TeSkl BOt人影机 人英伟达开XAl制图工具StywGAN3 MidJournry Shopify
