AIGC行产业深度报告.pptxVIP

AIGC行产业深度报告1.1AIGC：人工智能生成内容，Web3时代的生产工具 ?AIGC（AIGeneratedContent），即通过人工智能自动生成内容，具体指基于大型语言模型LLM、生成对抗网络GAN等深度学习技 术，输入数据后由人工智能生成相关内容。目前AIGC已进入成长期，AI生成图像、文字、代码、音乐等领域均已有相关应用落地， 我们认为随着B、C两端的快速普及，AI创作生产内容将成为下一阶段的重要内容生产方式。 图：AI生成内容的流程 数据准备准备大量的可供训练的数据，如文本、图像、音频等，并对其进行预 处理。 模型训练使用机器学习算法（如神经网络、随机森林等）对，模型进行训练，让模型学会生成与人类相似的内容。 生成内容通过模型的预测接口，向模型输入指定的模板和数 据，获得生成的内容。 评估效果评估生成的内容与实际创 作要求的差异。 模型优化根据评估效果对模型进行优化，提高生成内容的质 量。图：内容创作模式的演变猜想用户生产内容 UGCAI生产内容 AIGCAI辅助用户生产内容 AIUGC专业人士生产内容 PGC资料来源：ChatGPT、研究所1.2AIGC的进入壁垒：开源降低行业技术门槛，但大模型对数据及算力需求极高 ?AIGC本身的技术门槛并不高。大模型的涌现和指数级的能力迭代，开源社区的繁荣、API接口的大量开发和开放（ChatGPT即为 开放平台），使AIGC应用对新进入者较为友好。此外大模型的泛化能力和通用性极强，无需对场景和模型重复训练（即Zero- shot），由此而来的低成本准入门槛、数据飞轮效应和广泛的场景适应能力，都一定程度降低了行业的技术壁垒。 ?但大模型对数据量及算力的海量需求，使得头部大厂的规模优势更加突出。模型是当下主流AIGC应用的核心基础，训练和运行模 型都需要庞大的数据量和算力成本（资金）。1）数据需求：模型性能与数据量、数据质量紧密相关，文献显示即使是拥有130 亿参数的模型（仅次于拥有1750亿的GPT-3完整版模型）处理二位数加减法的准确率也只有50%左右，处理其他运算的准确率 还不到10%。2）算力花费：GPT3.5的训练使用了微软专门建设的AI计算系统，由1万个V100GPU组成的高性能网络集群，总 算力消耗约3640PF-days（即假如每秒计算一千万亿次，需要计算3640天）。图：深度学习模型的算力需求指数级增长 图：GPT3的8个模型一共使用了3000亿token资料来源：OpenAI，英伟达，研究所1.3评估AIGC的政策风险：数据、算法规范已逐步完善，当前责任集中于平台自查 ?AIGC目前存在版权、伦理、数据安全等风险点。AI模型通常是通过预先存储的大量数据训练得到的，因此其中可能存在错误、偏见 或不准确的信息。1）版权：AI模型可能侵犯到他人的版权，如通过复制或抄袭别人的作品创建文本。2）伦理：AI模型可能存在伦 理风险，例如造成误导、歧视或侵犯个人隐私。3）数据安全：当存储或处理敏感信息时，存在数据泄露、被窃取等安全风险。 ?数据及算法领域此前已经经历过一轮密集规范，相关细则已经相对完善，叠加2021年以来数字经济相关政策利好陆续释放，我们判 断产业初创期相关的政策态度趋于包容，目前审核责任更多集中于平台对语料库的自查。 图：此前针对数据及算法的监管体系已经逐步完备顶层法规条例细则 《民法典》、《国家安全法》、《数据安全法》、《网络安全法》、《个人信息保护法》 《网络安全审查办法》、《云计算服务安全评估办法》、《关键信息基础设施安全保护条例》、《互联网信息服务算法推荐管理规定》、 《关键信息基础设施安全保护条例（征求意见稿）》、《企业数据资源相关会计处理暂行规定（征求意见稿）》、《数据出境安全评估申报指南（第一版）》、《关于修改〈中华人民共和国网络安全法〉的决定（征求意见稿）》、《工业和信息化领域数据安全管 理办法(试行)》 数据采集 ?平台方强化信息采集限制、用户方明确数据处置权利 数据管理?维护国家数据安全、审慎规范数据使用，压实平台管理责任 数据分类分级 ?实行公共数据、企业数据、个人数据分类分级界定，明确各级数据监管范围 数据流通 ?将数据要素流通市场纳入监管范畴，优化数据交易市场机制，提升市场化水平资料来源：公开资料整理，研究所2.1行业已经具备大规模商业化条件：供给多点开花，顺应行业需求 供给侧现有技术成熟度已经能够大规模辅助用户进行内容生产，下游供给多点开花。 1）我们通过实际使用判断人工智能创作能力基本达到了人类专业工种 60%-70%的水平，且基于AI的工具容错率高，可编辑性强，具备落地应用 的可行性。 2）从实际供给来看，当前AIGC已经率先在营销、影