(資料圖片僅供參考)

現(xiàn)階段 Al 類比 2000 年互聯(lián)網(wǎng)早期，算力成本下降驅(qū)動生態(tài)成熟類似于2000年互聯(lián)網(wǎng)早期，Al產(chǎn)業(yè)受益于算力成本的不斷降低，模型技術(shù)持續(xù)迭代，應(yīng)用落地不斷出現(xiàn)，產(chǎn)業(yè)生態(tài)逐漸成熟。自技術(shù)起步以來，Al開發(fā)共經(jīng)歷“單任務(wù)單模型”、“小模型+遷移學(xué)習(xí)”、“大模型”三個階段，伴隨Al開發(fā)范式發(fā)生變化，模型通用性得到大幅提升，應(yīng)用落地成本不斷降低。從長期維度看，未來產(chǎn)業(yè)將呈現(xiàn)“小模型+遷移學(xué)習(xí)”與大模型將長期態(tài)勢，大模型的通用性較強，對參數(shù)量要求較高，但對精度與時延要求不敏感，可應(yīng)用于大多數(shù)生活場景（如教育與辦公等）。對于專業(yè)領(lǐng)域的小模型而言，模型只需要具備最基本的參數(shù)量與通用性，重點在于如何通過遷移學(xué)習(xí)來提高專用場景的性能，適用于部分行業(yè)專用場景對模型的精準(zhǔn)度要求較高的領(lǐng)域，如工業(yè)質(zhì)檢、醫(yī)療影像分析等，或?qū)δＰ偷臅r延要求較高的場景，如自動自動駕駛、工業(yè)智能控制場景等。

聚焦投資視角，建議重視從算力到應(yīng)用落地到全面擴散的分階段投資機遇（1）技術(shù)確認(rèn)階段重視底層資源和巨頭大模型推進節(jié)奏，為了實現(xiàn)更好的訓(xùn)練，OpenAl重建了整個深度學(xué)習(xí)堆棧，并與Azure一起為其工作負(fù)載從頭開始設(shè)計了一臺超級計算機，這是GPT-4訓(xùn)練運行獲得前所未有穩(wěn)定的背后原因，算力設(shè)施的發(fā)展是大模型推進的前提，而從商業(yè)模式角度出發(fā)，無論上層應(yīng)用如何變化，對算力的需求是確定的，建議關(guān)注A股芯片（訓(xùn)練芯片、推理芯片）、服務(wù)器、laas、算力調(diào)度平臺（新增）等板塊投資機會；（2）商業(yè)模式突破階段尋找優(yōu)質(zhì)場景和具備場景壁壘的公司，優(yōu)質(zhì)場景可以有較強付費意愿帶來足夠大的收入體量，對場景 know-how及數(shù)據(jù)的把握有望形成集中格局充分享受紅利，建議關(guān)注教育和辦公兩大場景及具有潛在爆款應(yīng)用落地場景的科大訊飛、金山辦公等公司，同時建議關(guān)注大模型生態(tài)圈公司的投資機會；（3）全面擴散階段龍頭與中小共舞，進一步尋找優(yōu)質(zhì)落地場景及存在明顯邊際變化的企業(yè)。除此之外，模型的訓(xùn)練及落地都需要“支持類”公司協(xié)同，例如數(shù)據(jù)訓(xùn)練需要海量數(shù)據(jù)的支撐，因此模型的落地建議關(guān)注數(shù)據(jù)標(biāo)注板塊機會。

當(dāng)前時點：算力與應(yīng)用共振，重視教育與辦公等高價值場景當(dāng)前時點算力與應(yīng)用共同構(gòu)成當(dāng)下投資主線。算力層面，萬億量級的數(shù)據(jù)參數(shù)是大模型有別于小模型的重要特點，大模型的發(fā)展勢必帶來海量算力需求，而模型大廠之間的軍備競賽則對算力需求形成了進一步的增強。考慮到當(dāng)前英偉達GPU系列產(chǎn)品無論是在訓(xùn)練亦或推理層面仍存在著較大的領(lǐng)先優(yōu)勢，短期內(nèi)其市場地位難以被撼動；應(yīng)用層面，我們認(rèn)為教育與辦公是值得重視的高價值場景，一方面，教育具備試錯成本低、供需匹配性強、支付能力強三大特性，“Al+教育”應(yīng)用落地可能性高，且海外已有成熟對標(biāo)案例，未來將有望看到Al在教育服務(wù)領(lǐng)域的全面滲透；另一方面，協(xié)同辦公作為海外微軟AI應(yīng)用落地的核心場景之一，同樣將有望在國內(nèi)看到相關(guān)產(chǎn)品與 Al 技術(shù)的成功結(jié)合。

風(fēng)險提示

1、國內(nèi)AI技術(shù)發(fā)展不及預(yù)期；

2、公司研發(fā)進展不及預(yù)期。