2022 年 11 月底，OpenAI 發(fā)布了人機對話(huà)模型 ChatGPT，在兩個(gè)月不到的時(shí)間內其線(xiàn)上活躍用戶(hù)規模超 過(guò) 1 億人，生成式大模型受到越來(lái)越廣泛的關(guān)注，人工智能行業(yè)進(jìn)入到以大模型為代表的快速發(fā)展階段，巨量 參數和智能涌現是這一輪人工智能變革的典型特征。微軟、谷歌、Meta、亞馬遜等全球科技巨頭將大模型視為 重要的發(fā)展機遇，在生成式大模型領(lǐng)域加速布局，積極投入且成果頻頻。我國的眾多互聯(lián)網(wǎng)廠(chǎng)商和人工智能企 業(yè)也積極投身到大模型領(lǐng)域中，百度、訊飛、阿里、華為、騰訊、商湯等企業(yè)也在快速更迭自己的大模型，同 時(shí)高校、科研院所也積極投身大模型產(chǎn)業(yè)，取得了顯著(zhù)成果。

1.1.1 國內外大模型發(fā)展情況

國外大模型起步相對較早，2021 年進(jìn)入到快速發(fā)展期。2017 年 Transformer 模型的誕生可以被視為大模型 行業(yè)的開(kāi)端，谷歌、OpenAI、微軟、英偉達等大型科技企業(yè)引領(lǐng)了早期的技術(shù)探索，在 2020-2021 年間逐步確 立了大模型的整體技術(shù)路徑，國外大模型行業(yè)開(kāi)始加速發(fā)展。根據賽迪顧問(wèn)數據，截止 2023 年 7 月底，國外大 模型累計發(fā)布 138 個(gè)，其中美國發(fā)布 114 個(gè)，大模型數量大幅領(lǐng)先。從 2020 年起，更多國家的企業(yè)和科研單位 逐步加入到大模型的研發(fā)中，韓國、日本、法國模型數量位列美國之后。國外已發(fā)布的大模型主要集中在自然 語(yǔ)言和多模態(tài)兩類(lèi)，其中自然語(yǔ)言占比 68%，多模態(tài)占比 18%，其他類(lèi)型大模型合計占比 14%。

在大模型產(chǎn)業(yè)領(lǐng)域，中國緊跟國際前沿。2021 年起，中國也開(kāi)啟了大模型的發(fā)布熱潮，涌現出一批有代表 性且具備影響力的大模型。受 ChatGPT 影響，國內大模型在 2023 年進(jìn)入到高速發(fā)展階段，一時(shí)間呈現“百模 大戰”局面。根據賽迪顧問(wèn)， 截止 2023 年 7 月底，中國累計發(fā)布了 130 個(gè)大模型，其中 64 個(gè)大模型是在 2023 年年內發(fā)布。國內大模型技術(shù)分布基本與海外一致，65%的大模型集中在自然語(yǔ)言領(lǐng)域，22%的大模型集中在多 模態(tài)領(lǐng)域。

1.1.2 國外大模型行業(yè)發(fā)展現狀

OpenAI：模型性能一騎絕塵，引領(lǐng)大模型行業(yè)發(fā)展趨勢

2022 年底 ChatGPT 引爆社交網(wǎng)絡(luò )，人工智能行業(yè)進(jìn)入到以大模型為主的快速發(fā)展階段。OpenAI 在 GPT-3.5 版本的基礎上，通過(guò) 3 個(gè)步驟實(shí)現基于人類(lèi)反饋的強化學(xué)習微調（RLHF），得到人機對話(huà)模型 ChatGPT。通過(guò) 與人類(lèi)答案的對齊過(guò)程，顯著(zhù)提升了大模型的人機對話(huà)體驗。 GPT-4 具備卓越的文本處理能力，初步融合多模態(tài)能力，能力再度升級。2023 年 3 月 15 日，OpenAI 發(fā)布多模態(tài)預訓練大模型 GPT-4，相較于過(guò)去的 GPT 系列模型，提升包括幾個(gè)方面，GPT-4 相較于 ChatGPT 有更強 的高級推理能力，相較于過(guò)去的 GPT 系列模型，GPT-4 在更多應用領(lǐng)域成為專(zhuān)家，包括為機器學(xué)習模型評判標 準和為人類(lèi)設計的專(zhuān)業(yè)測試，從“百科全書(shū)”逐步成為文理通吃的“專(zhuān)家”。 GPT-4 在可控性和真實(shí)性方面較 ChatGPT 有大幅提升。

2023 年 9 月 25 日，OpenAI 再度開(kāi)放了帶視覺(jué)能力的 GPT-4V，用戶(hù)能夠指導 GPT-4 分析用戶(hù)提供的 圖像。在輸入 GPT-4V 支持格式方面，其支持處理圖像、子圖像、文本、場(chǎng)景文本和視覺(jué)指針（visual pointers） 等多種輸入。此外，GPT-4V 還支持 LLMs 中支持的技術(shù)，包括指令跟隨、思維鏈和上下文少樣本學(xué)習等。 GPT-4V 在處理任意交錯的多模態(tài)輸入方面具有前所未有的能力，并且其功能的通用性共同使 GPT-4V 成 為強大的多模態(tài)系統。 11 月 7 日，OpenAI 首次開(kāi)發(fā)者大會(huì )發(fā)布了最新模型 GPT-4 Turbo，其作為一個(gè)標準化的 AI Agent，初 步具備了規劃和工具選擇的能力，可以自動(dòng)選擇接入互聯(lián)網(wǎng)、進(jìn)行數據分析、圖像生成等諸多功能，真正 進(jìn)化為了統一智能體。除了標準化的 GPT-4 以外，定制版的 GPTs 可以為用戶(hù)在日常生活、特定任務(wù)、工 作或家庭中提供幫助，用戶(hù)無(wú)需編寫(xiě)代碼就可以創(chuàng )建屬于自己的定制化的智能助理，諸多定制化的 GPTs 的使用體驗顯著(zhù)優(yōu)于 GPT-4，GPTs 開(kāi)啟了一個(gè)全民定制個(gè)人智能助理的浪潮。OpenAI 同時(shí)還將推出 GPT store 和 Assistants API，不斷打造 GPTs 開(kāi)發(fā)者生態(tài)。

Google：深度學(xué)習研究的引領(lǐng)者，AI 技術(shù)產(chǎn)業(yè)落地先行者

在上一輪深度學(xué)習的 AI 革命中，AI 逐步達到了與人類(lèi)媲美、甚至超越人類(lèi)（部分場(chǎng)景）的水平，逐步走 入大眾視野，而 Google 和 Deepmind 是其中的的引領(lǐng)者。由 Google 和 Deepmind 提出的 Word2Vec、AlphaGo 等模型以及 sequence to sequence、深度強化學(xué)習等技術(shù)是上一輪 AI 革命乃至這一輪 AI 浪潮的開(kāi)創(chuàng )性、奠基性 工作，推動(dòng)著(zhù) AI 技術(shù)的成熟與發(fā)展。在這一輪預訓練大模型的 AI 浪潮中，AI 展現出在更多具體場(chǎng)景中強大的 應用性能，逐步從學(xué)術(shù)研究走向商業(yè)化落地。 Google 在 2022 年 4 月推出了 PaLM 模型，其具有 5400 億參數，基于 Transformer 的 Decoder 設計，PaLM 模型在多個(gè)下游任務(wù)中具有優(yōu)異性能。5 月 11 日，Google 在最新一屆 I/O 開(kāi)發(fā)者大會(huì )上官宣大語(yǔ)言模型 PaLM 2，稱(chēng)其在部分任務(wù)上超越 GPT-4。PaLM 2 在超過(guò) 100 種語(yǔ)言的多語(yǔ)言文本上進(jìn)行了訓練，這使得它在語(yǔ)言理 解、生成和翻譯上的能力更強，并且會(huì )更加擅長(cháng)常識推理、數學(xué)邏輯分析。PaLM 2 在大量公開(kāi)可用的源代碼 數據集上進(jìn)行了預訓練，這意味著(zhù)它擅長(cháng)流行的編程語(yǔ)言，如 Python 和 JavaScript，但也可以用 Prolog，Fortran 和 Verilog 等語(yǔ)言生成專(zhuān)門(mén)的代碼。

目前谷歌的聊天機器人 Bard 以及超過(guò) 25 個(gè) AI 產(chǎn)品和功能，都由 PaLM 2 作為底層技術(shù)支持。具體的表現 之一是 Duet AI，一款類(lèi)似于微軟 365 Copilot 的產(chǎn)品、能夠內嵌在各種辦公軟件中的 AI 助手?；?PaLM 2， 谷歌還推出了兩個(gè)專(zhuān)業(yè)領(lǐng)域大模型。一個(gè)是谷歌健康團隊打造的 Med-PaLM 2。另一個(gè)專(zhuān)業(yè)大模型是面向網(wǎng)絡(luò )安 全維護的 Sec-PaLM 2，它使用人工智能來(lái)幫助分析和解釋潛在惡意腳本的行為，并在非常短的時(shí)間內檢測哪些 腳本對個(gè)人和組織構成威脅。

META：通過(guò)開(kāi)源 LLaMa 等大模型，引領(lǐng)大模型開(kāi)源生態(tài)

LLaMA：2023 年 2 月 25 日，Meta 官網(wǎng)公布了一個(gè)新的大型語(yǔ)言模型 LLaMA（Large Language Model Meta AI），從參數規模來(lái)看，Meta 提供有 70 億、130 億、330 億和 650 億四種參數規模的 LLaMA 模型，并用 20 種 語(yǔ)言進(jìn)行訓練。Meta 推出的 LLaMA 參數規模有 70 億（7B）、130 億（13B）、330 億（33B）和 650 億（65B） 四種。LLaMA-13B 在大多數基準測試中，參數僅為十分之一，但性能優(yōu)于 OpenAI 的 GPT-3（175B），而且能 跑在單個(gè) GPU 上。LLaMA-65B 與 DeepMind 700 億參數的 Chinchilla-70B 和谷歌 5400 億參數的 PaLM-540B 不 相上下。

LLaMA2：2023 年 7 月 19 日，Meta 發(fā)布了免費商用版開(kāi)源大模型 LLaMA2，各個(gè)企業(yè)能夠以相對低廉的 價(jià)格在該模型上開(kāi)發(fā)應用，為客戶(hù)提供自主的大模型。Meta 發(fā)布的 LLaMA 2 模型系列包含 70 億、130 億和 700 億三種參數變體，訓練數據采用了更新之后的混合數據，模型方面采用文本輸入與文本輸出，預訓練模型 在2萬(wàn)億token上進(jìn)行訓練，訓練token總數相較于LLaMA 1增加了40%。LLaMA 2學(xué)術(shù)基準測試優(yōu)于LLaMA1， 專(zhuān)業(yè)場(chǎng)景中能力進(jìn)一步提升。公布的測評結果顯示，LLaMA 2 在包括推理、編碼、精通性和知識測試等方面均 優(yōu)于相近訓練參數下的 LLaMA 1。LLaMA 2 模型最大的變化除了性能提升，還體現在 B 端可以助力企業(yè)開(kāi)發(fā)自 己的大模型，C 端可以豐富 AIGC 應用，改變了以往大模型由多家科技巨頭壟斷的格局，AI 應用實(shí)現加速落地。 目前，用戶(hù)已經(jīng)能夠在 Azure 平臺上微調和部署 7B、13B 和 70B 參數的 LLaMA 2 模型。

Meta 與微軟達成合作，聯(lián)手推動(dòng) AI 應用的商業(yè)化落地。Meta 正式開(kāi)源了 LLaMA 2 版本，可免費用于商 業(yè)用途，微軟宣布攜手。最新版本的模型將在微軟的 Azure 和 Windows 平臺上線(xiàn)并開(kāi)源，用戶(hù)可以在云服務(wù)中 使用 Llama 2 作為基礎模型，快速構建適用于自身業(yè)務(wù)的專(zhuān)用大模型。目前，用戶(hù)已經(jīng)能夠在 Azure 平臺上微 調和部署 7B、13B 和 70B 參數的 LLaMA 2 模型。未來(lái)，LLaMA 將進(jìn)行優(yōu)化，以在 Windows 上本地運行。

1.1.3 國內大模型發(fā)展現狀

百度

從 2010 年的百度搜索開(kāi)始，百度成立了自然語(yǔ)言部門(mén)，初步研究互聯(lián)網(wǎng)機器翻譯技術(shù)，2013 年推出百度 語(yǔ)音助手，2014 年推出智能搜索小度機器人，2017 年推出智能客服。在長(cháng)期的布局和發(fā)展中，百度構建了完整 的語(yǔ)言與知識技術(shù)布局，包括知識圖譜、語(yǔ)言理解與生成技術(shù)，以及上述技術(shù)所支持的包含智能搜索、機器翻 譯、對話(huà)系統、智能寫(xiě)作、深度問(wèn)答等在內的的應用系統。 2023 年 3 月 16 日，百度發(fā)布了生成式人工智能大模型“文心一言”。作為文心大模型家族的新成員，文心 一言在文心知識增強大模型 ERNIE 及對話(huà)大模型 PLATO 的基礎上研發(fā)。文心一言包含六大核心技術(shù)模塊，包 括：1）有監督精調；2）基于人類(lèi)反饋的強化學(xué)習；3）提示；4）知識增強；5）檢索增強；6）對話(huà)增強，前 三類(lèi)技術(shù)在目前流行的對話(huà)大模型如 ChatGPT 中都有所應用，而后三類(lèi)技術(shù)則是百度基于自身技術(shù)積累的再創(chuàng ) 新，它們共同構成了模型的技術(shù)基礎。

2023 年 5 月，百度文心大模型 3.5 版本已內測可用，在基礎模型升級、精調技術(shù)創(chuàng )新、知識點(diǎn)增強、邏輯 推理增強、插件機制等方面創(chuàng )新突破，取得效果和效率的提升。2023 年 8 月 31 日，文心一言率先向全社會(huì )全 面開(kāi)放。9 月 13 日，百度發(fā)布文心一言插件生態(tài)平臺“靈境矩陣”。文心一言面向全社會(huì )開(kāi)放至百度世界 2023 大會(huì )召開(kāi)期間，40 多天的時(shí)間，文心一言用戶(hù)規模已經(jīng)達到 4500 萬(wàn)，開(kāi)發(fā)者 5.4 萬(wàn)，場(chǎng)景 4300 個(gè)，應用 825 個(gè)，插件超過(guò) 500 個(gè)。 2023 年 10 月 17 日，百度世界大會(huì )上正式發(fā)布文心大模型 4.0。與原有的 3.5 版本相比，具有以下優(yōu)勢：1） 更強的模型能力和圖片生成能力。根據測試，文心大模型 4.0 版本在理解、生成、邏輯、記憶四大功能上都有 明顯提升，具有顯著(zhù)優(yōu)化的模型性能。2)支持接入豐富的 API 插件，可以實(shí)現撰寫(xiě)代碼、潤色文案、設計與繪 圖等多種功能。

文心一言成為首個(gè)國內面向 C 端收費的大模型產(chǎn)品。文心一言專(zhuān)業(yè)版的分為單獨訂閱和聯(lián)合會(huì )員兩種收費 模式。單獨訂閱模式下，會(huì )員月付 59.9 元，選擇連續包月可以享受 49.9 元的優(yōu)惠價(jià)格；該模式下會(huì )員可以使 用文心一言大模型 3.5 和 4.0 兩個(gè)版本，而非會(huì )員只可使用免費的文心大模型 3.5 版本。聯(lián)合模式下，用戶(hù)月 付 99 元，可以同時(shí)具有單獨訂閱模式的全部功能，并獲得文心一格白銀會(huì )員資格，享受 AI 修圖改圖等功能。

科大訊飛

隨著(zhù)大語(yǔ)言模型爆火網(wǎng)絡(luò )，公司自主研發(fā)了對標 ChatGPT 的星火大模型。星火大模型是基于深度學(xué)習、 以中文為核心的自然語(yǔ)言大模型，在跨領(lǐng)域多任務(wù)上具備類(lèi)人的理解和生成能力，可實(shí)現基于自然對話(huà)方式的 用戶(hù)需求理解與任務(wù)執行。 公司大模型不斷迭代進(jìn)步，能力實(shí)現全方位提升。2022 年 12 月 15 日，科大訊飛啟動(dòng)了“1+N 認知智能大 模型專(zhuān)項攻關(guān)”。2023 年 5 月 6 日，訊飛推出星火認知模型的 1.0 版本，七大核心能力發(fā)布，同時(shí)發(fā)布大模型評 測體系。6 月 9 日，星火升級至 1.5 版本，突破開(kāi)放式問(wèn)答、多輪對話(huà)能力和數學(xué)能力；8 月發(fā)布 2.0 版本，實(shí) 現多模態(tài)能力，同時(shí)代碼能力顯著(zhù)提升。

星火 3.0 全面對標 ChatGPT。10 月 24 日，星火推出 3.0 版本，在語(yǔ)義理解、時(shí)效把握、代碼生成能力等 基礎功能上都有很大提升；在時(shí)空感知能力上表現突出；專(zhuān)業(yè)性能力基本無(wú)實(shí)時(shí)性錯誤，尤其醫療能力水平，可以給出適時(shí)的診療提醒。全面對標 chatGPT，中文能力客觀(guān)測評超過(guò) ChatGPT，英文能力對標 ChatGPT48 項 任務(wù)結果相當。根據國務(wù)院發(fā)展研究中心經(jīng)濟研究院測評報，星火大模型 3.0 綜合能力達到國際一流水平，在 醫療、法律、教育行業(yè)表現突出。訊飛同時(shí)發(fā)布十二個(gè)行業(yè)大模型，涵蓋金融、汽車(chē)交互、運營(yíng)商、工業(yè)、傳 媒、法律、政務(wù)、科技文獻、住建、物業(yè)、文旅、水利十二個(gè)領(lǐng)域。訊飛正式啟動(dòng)對標 GPT-4 的大模型訓練， 2024 年上半年對標 GPT-4。

智譜

智譜 AI 致力于打造新一代認知智能大模型，專(zhuān)注于做大模型的中國創(chuàng )新，通過(guò)認知大模型鏈接物理世界的 億級用戶(hù)?；谕暾哪Ｐ蜕鷳B(tài)和全流程技術(shù)支持，智譜 AI 一方面重視研發(fā)超大規模訓練模型，并基于此推出 對話(huà)模型 chatGLM；另一方面踐行 Model as a Service（MaaS）的市場(chǎng)理念，推出大模型 MaaS 開(kāi)放平臺。 2023 年 3 月 14 日，ChatGLM1.0 開(kāi)啟邀請制內測。ChatGLM 參考 ChatGPT 的設計思路，在千億基座模型 GLM-130B 中注入代碼預訓練，通過(guò)監督微調等技術(shù)實(shí)現人類(lèi)意圖對齊，具有支持雙語(yǔ)、高精度、快速推理、 可復現性和跨平臺等優(yōu)勢。同期開(kāi)源的還有具有 62 億參數、支持中英文雙語(yǔ)對話(huà)的 ChatGLM-6B，雖然規模不 及千億模型，但大大降低了推理成本。 2023 年 6 月 27 日，第二代 ChatGLM 正式發(fā)布。在保留初代模型對話(huà)流暢、部署門(mén)檻低的基礎上引入更加 強大的性能、允許更多輪次的對話(huà)和更長(cháng)的上下文、進(jìn)行更高效的推理、允許更開(kāi)放的協(xié)議。2023 年 7 月 15 日，智譜 AI 宣布 ChatGLM 允許免費商用。

商湯科技

商湯科技擁有深厚的學(xué)術(shù)積累，并長(cháng)期投入于原創(chuàng )技術(shù)研究，不斷增強行業(yè)領(lǐng)先的多模態(tài)、多任務(wù)通用人 工智能能力，涵蓋感知智能、自然語(yǔ)言處理、決策智能、智能內容生成等關(guān)鍵技術(shù)領(lǐng)域。2023 年 4 月 10 日， 商湯 SenseTime 舉辦技術(shù)交流日活動(dòng)，分享了以“大模型+大算力”推進(jìn) AGI（通用人工智能）發(fā)展的戰略布局， 并公布了商湯在該戰略下的“日日新 SenseNova”大模型體系，推出自然語(yǔ)言處理、內容生成、自動(dòng)化數據標 注、自定義模型訓練等多種大模型及能力。 依托自研千億級參數自然語(yǔ)言模型，商湯科技 4 月 10 日發(fā)布了中文語(yǔ)言大模型應用平臺“商量 SenseChat”。 "商量SenseChat"是由商湯科技研發(fā)的一款基于自然語(yǔ)言處理技術(shù)的人工智能大語(yǔ)言模型，具備較強的語(yǔ)言理解、 生成能力，可以解決復雜問(wèn)題，提供定制化建議，還能輔助創(chuàng )作文本，同時(shí)具備不斷學(xué)習進(jìn)化的特性。 7 月 7 日，“商量 SenseChat”迭代至 2.0 版本，其基模型為商湯聯(lián)合多家國內頂級科研機構發(fā)布的書(shū)生·浦語(yǔ) InternLM-123B，擁有 1230 億參數，在語(yǔ)言、知識、理解、推理和學(xué)科五大能力上均處于行業(yè)領(lǐng)先水平。

1.1.4 大模型行業(yè)整體發(fā)展評述

國外大模型發(fā)展趨勢： 美國人工智能企業(yè)引領(lǐng)行業(yè)發(fā)展。美國 OpenAI 的基礎大模型性能領(lǐng)先，目前已經(jīng)在基礎大模型上開(kāi)始快 速構建開(kāi)發(fā)生態(tài)，Google 也在發(fā)力追趕過(guò)程中，Meta 通過(guò)開(kāi)源大模型構建開(kāi)源生態(tài)。美國在研發(fā)能力、人才儲 備、算力支持方面仍然占據一定優(yōu)勢。我們預期，海外大模型將沿著(zhù)多個(gè)維度持續演進(jìn)。

更大的參數量、更多的訓練文本依舊是大模型的主要發(fā)展路徑。 OpenAI 論文《Scaling Laws for Neural Language Models》中提出著(zhù)名的縮放法則，縮放法則中提到模型表 現和規模強相關(guān)，和模型的 shape 弱相關(guān)：規模包括模型參數量 N、數據集大小 D 和計算量 C，模型 shape 指模 型 depth、width、number of self-attention heads。Palm-2 technical report 中提到，訓練數據量和模型參數量大小保 持同比例增長(cháng)是最優(yōu)組合。 目前最先進(jìn)的大模型 GPT-4 仍然高度符合縮放法則，簡(jiǎn)而言之，模型越大性能越好，訓練的數據量越大模 型性能越好，這條法則仍然成立。通過(guò)單純的增加模型參數量和訓練數據量就可以實(shí)現更好的模型性能，可以 預期，在短期之內，不斷增加模型參數量依舊是提升模型性能的主要手段。

更多的模態(tài)到來(lái)，開(kāi)啟全新的多模態(tài)時(shí)代。 文本、語(yǔ)音、圖片等單模態(tài)人工智能模型已經(jīng)相對成熟，大模型正在朝著(zhù)多模態(tài)信息融合的方向快速發(fā)展。 圖文多模態(tài)技術(shù)已經(jīng)取得了顯著(zhù)的進(jìn)步，未來(lái)大模型不止滿(mǎn)足文字和圖像，開(kāi)始向著(zhù)音頻、視頻等領(lǐng)域拓展。

大模型的邏輯思維能力可能看到飛躍式提升。 大語(yǔ)言模型在文本的理解和生成上表現出色，但是涉及到數理邏輯推理時(shí)表現仍然有待提升。通過(guò)思維鏈、 思維樹(shù)的提示詞工程設計，大語(yǔ)言模型能夠將大型任務(wù)分解為較小且易于管理的子目標，內部的邏輯一致性顯 著(zhù)增長(cháng)，從而高效地處理復雜任務(wù)。

AI Agent 將成為我們接觸大模型的主要媒介。AI Agent 是有能力主動(dòng)思考和行動(dòng)的智能體，它們能夠使用傳感器感知周?chē)h(huán)境，做出決策，然后使用執 行器采取行動(dòng)，甚至與別的 agent 合作實(shí)現任務(wù)。OpenAI 應用研究主管 LilianWeng 提出了 AI Agent 的重要組成 公式：Agent =大語(yǔ)言模型（LLM） + 規劃能力（Planning） + 工具（Tool） + 記憶（Memory）。AI Agent 相 比大語(yǔ)言模型的提升在于：與環(huán)境交互、個(gè)性化記憶、主動(dòng)決策、合作機制。在生成式 AI 的不同應用等級中， AI Agent 是比聊天機器人更高層級的應用形態(tài)。

國內大模型發(fā)展趨勢： 國內大模型行整體依舊處于跟跑狀態(tài)，目前國內具備代表性的大模型在中文問(wèn)答表現上已經(jīng)與 ChatGPT 不 相上下，短期之內仍然是沿襲海外技術(shù)路線(xiàn)，模型規模的不斷增加和訓練語(yǔ)料的不斷擴充是當前的主要任務(wù)。 同時(shí)國內大模型的多模態(tài)能力仍處在起步發(fā)展階段，短期之內有望看到多模態(tài)能力的快速提升。受 ChatGPT 驅 動(dòng)，2023 年國內大模型呈現迅猛發(fā)展局面，經(jīng)歷近一年時(shí)間，國內大模型實(shí)現能力上的快速進(jìn)步。根據賽迪顧 問(wèn)，截至 2023 年 7 月，中國累計已經(jīng)有 130 個(gè)大模型問(wèn)世，其中有近一半的大模型在今年年內問(wèn)世。 同時(shí)國內大模型的整體競爭格局也日益清晰，大致可以分為三類(lèi)大模型：具備持續技術(shù)領(lǐng)先能力的閉源大 模型、具備領(lǐng)跑能力的開(kāi)源大模型、具備垂類(lèi)場(chǎng)景優(yōu)勢的垂類(lèi)大模型。大模型的每一次迭代更新都需要大量的 研發(fā)投入和算力投入，在一年時(shí)間內經(jīng)歷多次的迭代更新，如未見(jiàn)顯著(zhù)的技術(shù)領(lǐng)先優(yōu)勢或特定場(chǎng)景的優(yōu)秀商業(yè) 模式，或將無(wú)法維系大模型的持續投入。我們認為，目前國內大模型已經(jīng)經(jīng)過(guò)了高速發(fā)展的擴張階段，預期將 見(jiàn)到模型擴張速度的下降，競爭格局更為集中。

國內大模型格局： 具備技術(shù)持續領(lǐng)先能力的大模型：優(yōu)秀的大模型人才、充足的算力資源、海量的優(yōu)質(zhì)數據、足夠的研發(fā)投 入是人工智能企業(yè)具備醞釀大模型的先決條件，在快速的迭代發(fā)展過(guò)程中，部分大模型展現出持續的技術(shù)領(lǐng)先 優(yōu)勢，典型如百度文心一言、科大訊飛星火大模型。具備技術(shù)優(yōu)勢的閉源大模型具備較強的變現能力。 開(kāi)源大模型：開(kāi)源大模型與頂尖的閉源大模型相比有一定的技術(shù)差距，其參數量和上下文窗口長(cháng)度普遍相 對較小。但是開(kāi)源模型借助社區的創(chuàng )新力量，實(shí)現了技術(shù)的快速迭代和應用拓展，成為大模型行業(yè)發(fā)展的重要 支撐。 具備垂類(lèi)場(chǎng)景優(yōu)勢的大模型：通用大模型可以幫助用戶(hù)解決一般性問(wèn)題，而當企業(yè)需要處理其特定行業(yè)的 數據和任務(wù)時(shí)，往往需要針對其行業(yè)數據庫來(lái)對基本模型進(jìn)行微調，垂直行業(yè)的特性和需求不盡相同，垂類(lèi)場(chǎng) 景中的垂類(lèi)數據是專(zhuān)業(yè)大模型競爭中的核心要素，專(zhuān)業(yè)數據驅動(dòng)垂類(lèi)模型百花齊放。

大模型商業(yè)模式： 大模型 C 端商業(yè)模式：1）以純軟件的形態(tài)輸出聊天機器人、包含大模型能力的各類(lèi)軟件（例如 copilot）、 AI Agent（GPTs）等產(chǎn)品；2）融合大模型能力的各類(lèi)智能硬件，例如 AI pin、智能音響、翻譯機、學(xué)習機等。 大模型 B 端商業(yè)模式：1）出售大模型 API 接口，向公司或開(kāi)發(fā)者按照調用次數收費；2）直接賣(mài)大模型 開(kāi)發(fā)服務(wù)，向傳統企業(yè)輸出大模型行業(yè)解決方案獲得收入；3）大模型配合 AI 服務(wù)器形成軟硬一體的產(chǎn)品，打 包向傳統企業(yè)輸出大模型行業(yè)解決方案；4）用大模型改造現有業(yè)務(wù)，提高產(chǎn)品的競爭力獲得更多商業(yè)回報，即 Model-As-A-Service (MaaS)模型即服務(wù)。

1.2 AI 前沿技術(shù)趨勢展望

1.2.1 AI Agent（AI 智能體）

AI Agent 指的是人工智能智能體，其能夠使用傳感器感知周?chē)h(huán)境，做出決策，并使用執行器采取行動(dòng)。 OpenAI 應用研究主管 LilianWeng 提出了重要公式：Agent = LLM（大型語(yǔ)言模型）+ 記憶 + 規劃技能 + 工 具使用。 大型語(yǔ)言模型為 AI Agent 帶來(lái)了革命性進(jìn)步，經(jīng)過(guò)四大發(fā)展階段，逐步具備了高效推理、靈活行動(dòng)、強大 的泛化以及無(wú)縫任務(wù)轉移的能力。發(fā)展歷程：AI Agent 經(jīng)歷了符號智能體、反映型智能體、基于強化學(xué)習的智 能體、具有遷移學(xué)習和元學(xué)習功能的智能體四大發(fā)展階段，現在已經(jīng)跨入基于大型語(yǔ)言模型的智能體階段。大 語(yǔ)言模型為 AI Agent 帶來(lái)了突破性的進(jìn)展，同時(shí)具備了以上四大發(fā)展階段的優(yōu)勢：1）通過(guò)思維鏈（CoT）和問(wèn) 題分解等技術(shù)，基于 LLM 的智能體可以表現出與符號智能體相當的推理和規劃能力；2）通過(guò)從反饋中學(xué)習和 執行新的行動(dòng)，獲得與環(huán)境互動(dòng)的能力，類(lèi)似于反應型智能體；3）大型語(yǔ)言模型在大規模語(yǔ)料庫中進(jìn)行預訓練， 并顯示出泛化與遷移學(xué)習的能力；4）從而實(shí)現任務(wù)間的無(wú)縫轉移，而無(wú)需更新參數。 由于大模型仍存在大量的問(wèn)題（如幻覺(jué)、上下文容量限制等），并且極度依賴(lài)于用戶(hù)自己給出指令，如果用 戶(hù)指令不夠清晰，就會(huì )影響整個(gè)模型的效果。能夠自己獨立思考、調用工具去逐步完成給定目標的 AI Agent 會(huì ) 是從大模型通往 AGI 路上的下一個(gè)階段。

AI 智能體已經(jīng)在多個(gè)下游逐步應用，包括社會(huì )科學(xué)、自然科學(xué)、工程學(xué)等領(lǐng)域，并表現出過(guò)去 AI 無(wú)法實(shí) 現的功能和性能。 自然科學(xué)領(lǐng)域中，AI Agent 主要應用在科學(xué)教育中，在實(shí)驗助理、文獻及數據管理方面也有所應用。例如 卡耐基梅隆大學(xué)的研究人員在 2023 年 8 月 14 日提出的編程教育 Agent CodeHelp，其提供了設定課程關(guān)鍵詞、 監控學(xué)生查詢(xún)以及提供反饋等功能。 工程學(xué)領(lǐng)域中，AI Agent 的應用最為廣泛，其中機器人&具身智能、計算機科學(xué)&軟件工程、通用 Agent 是最主要的應用場(chǎng)景。AutoGPT 是通用 Agent 的代表，其可以將設定好的一個(gè)或多個(gè)目標分解為相應的任務(wù)并 循環(huán)執行。自 AutoGPT 引發(fā)廣泛關(guān)注以來(lái)，相關(guān)研究持續推進(jìn)，如 MiniAGI、SuperAGI、AutoGen 等。 社會(huì )科學(xué)領(lǐng)域中，AI Agent 應用在模擬實(shí)驗、心理學(xué)、政治與經(jīng)濟學(xué)等場(chǎng)景中。例如著(zhù)名的斯坦福小鎮 （Generative Agents），其在虛擬城鎮中構建了多個(gè) AI Agent 來(lái)模擬人類(lèi)的日常生活，大大降低了社會(huì )學(xué)實(shí)驗的 成本并避免了潛在的道德風(fēng)險。 大語(yǔ)言模型具有強大的語(yǔ)言理解能力、復雜任務(wù)推理能力和知識積累，這些能力讓基于大語(yǔ)言模型的 AI Agent 在多個(gè)下游領(lǐng)域中展現出強大潛力，AI Agent 的發(fā)展也將讓大模型的“智慧”得以應用于解決更多現實(shí) 場(chǎng)景的問(wèn)題，拓寬 AI 應用的邊界。目前 AI Agent 的技術(shù)框架已經(jīng)較為清晰，后續隨各環(huán)節的技術(shù)革新以及各 場(chǎng)景數據收集等的持續推進(jìn)，AI Agent 將加速發(fā)展，值得持續關(guān)注。

以下舉例幾個(gè)在不同領(lǐng)域應用的智能體實(shí)例：

1） 自然科學(xué)領(lǐng)域 AutoGPT&XAgent

AutoGPT 是一種開(kāi)源的完全自動(dòng)化智能體。AutoGPT 通過(guò) API 結合了 GPT-3.5 和 GPT-4，允許用戶(hù)創(chuàng )建 使用語(yǔ)言模型來(lái)生成和改進(jìn)文本。它可以閱讀、寫(xiě)作和瀏覽網(wǎng)絡(luò )，它根據任務(wù)目標自己創(chuàng )建 prompt，然后再完 成這個(gè)任務(wù)，接下來(lái)重復這個(gè)過(guò)程直到達到最終目標。它還可以使用 GPT-4 編寫(xiě)自己的代碼，并執行 Python 腳 本以遞歸調試、開(kāi)發(fā)、構建和自我改進(jìn)。目前已開(kāi)發(fā)的應用場(chǎng)景包括：進(jìn)行市場(chǎng)調研、生成博客大綱、開(kāi)發(fā)應 用程序、搭建網(wǎng)站、為客戶(hù)提供服務(wù)、管理社交媒體賬號、成為財務(wù)顧問(wèn)。 但目前 AutoGPT 的缺點(diǎn)也非常明顯，比如 GPT4 費用較高，對于一個(gè)小任務(wù)，如果按照平均 50 個(gè)步驟 來(lái)算的話(huà)，成本大概為 50 * 0.288 = 14.4 美元（約人民幣 98.5 元），此外 GPT 3.5 非常容易逃逸或者陷入死循 環(huán)。

2）工程學(xué)領(lǐng)域 MetaGPT

MetaGPT 是一個(gè)基于 GPT-4 的多智能體合作框架，該框架將人類(lèi)的 SOP(標準化作業(yè)流程）編碼為 LLM 智能體，并從根本上擴展了解決復雜問(wèn)題的能力。設計了一個(gè)新的元編程機制，包括角色定義、任務(wù)分解、流 程標準化和其他技術(shù)設計。這樣，MetaGPT 能夠使用 SOP 開(kāi)發(fā)復雜的軟件。 核心優(yōu)勢：1.引入元編程框架：在構建多智能體系統時(shí)具有極高的便利性和靈活性。2.整合人類(lèi) SOP 過(guò)程 設計：減少了基于 LLM 的多智能體協(xié)作中的錯誤，顯著(zhù)提高了穩健性，使系統具備了系統化工程解決復雜任務(wù) 的能力。3.實(shí)現最先進(jìn)的性能：經(jīng)過(guò)對 python 游戲生成、CRUD2 代碼生成和與 AutoGPT、AgentVerse、LangChain 以及 MetaGPT 一起的簡(jiǎn)單數據分析任務(wù)進(jìn)行了全面實(shí)驗。整體結果顯示 MetaGPT 在代碼質(zhì)量和預期工作流的 一致性方面都優(yōu)于其對手。并且，MetaGPT 有潛力解決 LLM 中的幻覺(jué)問(wèn)題，從而引導協(xié)作的 LLM 系統朝更有 效的設計方向發(fā)展。

3）自然科學(xué)領(lǐng)域 Humanoid Agents

以往的 Agents 會(huì )根據環(huán)境制定嚴格的計劃，但事實(shí)上這一過(guò)程與人類(lèi)的思維方式并不完全相似。大多數人 不會(huì )提前制定計劃，然后在日常生活中一絲不茍地精確執行這些計劃，原因就在于 Agent 并沒(méi)有真正反映出人 類(lèi)的基本需求、真實(shí)情感及人際間微妙的距離感。 為了減輕這一缺點(diǎn)的影響，研究者基于 ChatGPT 3.5 提出了仿人類(lèi)機器人—Humanoid Agents，該模型引入 了基本需求（飽腹感、健康和能量）、情感和關(guān)系親密程度三大概念，來(lái)讓 Agent 表現得更像人類(lèi)。利用這些元 素，Agents 就能調整自己的日?；顒?dòng)，以及和其他 Agent 的對話(huà),而且也會(huì )像人一樣，遵守馬斯洛需求理論。 實(shí)驗表明 Humanoid Agents 對于活動(dòng)是否增加飽腹感和能量；活動(dòng)中表達的情感；對話(huà)是否拉近了參與者之間 的關(guān)系都能夠進(jìn)行很好的預測，但是在分類(lèi)活動(dòng)是否滿(mǎn)足樂(lè )趣、健康和社交等基本需求方面略顯吃力。 在陪伴場(chǎng)景下（如虛擬戀人），更了解人類(lèi)情感的 Agent 可以帶給人更優(yōu)秀的情緒價(jià)值，提出更人性化的 建議，更好得滿(mǎn)足當代人的情感需要。

1.2.2 混合專(zhuān)家模型技術(shù)

混合專(zhuān)家模型(MoE)是一種稀疏門(mén)控制的深度學(xué)習模型，主要由一組專(zhuān)家模型和一個(gè)門(mén)控模型組成。MoE 的基本理念是將輸入分割成多個(gè)區域，并對每個(gè)區域分配一個(gè)或多個(gè)專(zhuān)家模型。每個(gè)專(zhuān)家模型可以專(zhuān)注于處理輸入的一部分，從而提高模型的整體性能。 門(mén)控模型：稀疏門(mén)網(wǎng)絡(luò )是混合專(zhuān)家模型的一部分，它接收單個(gè)數據元素作為輸入，然后輸出一個(gè)權重，這 些權重表示每個(gè)專(zhuān)家模型對處理輸入數據的貢獻。例如，如果模型有兩個(gè)專(zhuān)家，輸出的概率可能為 0.7 和 0.3， 這意味著(zhù)第一個(gè)專(zhuān)家對處理此數據的貢獻為 70%，第二個(gè)專(zhuān)家為 30%。 專(zhuān)家模型：在訓練的過(guò)程中，輸入的數據被門(mén)控模型分配到不同的專(zhuān)家中進(jìn)行處理，如右圖所示，不同的 專(zhuān)家被分配到處理不同種類(lèi)的輸入數據；在推理的過(guò)程中，被門(mén)控選擇的專(zhuān)家會(huì )針對輸入的數據，產(chǎn)生相應的 輸出。 這些輸出（可以是標簽或者數值） 最后會(huì )和每個(gè)專(zhuān)家模型處理該特征的能力分配的權重進(jìn)行加權組合， 形成最終的預測結果。 混合專(zhuān)家模型在訓練過(guò)程中通過(guò)門(mén)控模型實(shí)現“因材施教”，進(jìn)而在推理過(guò)程中實(shí)現專(zhuān)家模型之間的“博 采眾長(cháng)”。

混合專(zhuān)家模型通過(guò)僅激活少數專(zhuān)家模型處理輸入數據，提高訓練和推理效率。在傳統的密集模型中，對于 每一個(gè)輸入都需要在完整的模型中進(jìn)行計算。在稀疏混合專(zhuān)家模型中，處理輸入數據時(shí)只有少數專(zhuān)家模型被激 活或者使用，而大部分專(zhuān)家模型處于未被激活狀態(tài)，這種狀態(tài)便是“稀疏”。稀疏性是混合專(zhuān)家模型的重要優(yōu) 點(diǎn)，也是提升模型訓練和推理過(guò)程的效率的關(guān)鍵。 對于稀疏性的控制，主要通過(guò)調整門(mén)控網(wǎng)絡(luò )的設計和參數來(lái)實(shí)現。在參數選擇上，如果門(mén)控網(wǎng)絡(luò )單次選擇 的專(zhuān)家模型數量較多，則模型的稀疏性就會(huì )降低。單次選擇專(zhuān)家的數量越多， 模型的表現能力可能有所提升， 因為更多的專(zhuān)家模型處理輸入數據，所以導致稀疏性有所下降，增加計算的復雜性和耗時(shí)。因此， MoE 模型 的稀疏性在效率和表現能力之間存在權衡。根據不同的應用需求和資源限制，需要適當調整門(mén)控網(wǎng)絡(luò )的設計和 參數，來(lái)找到最佳的效率和表現能力之間的平衡。

在自然語(yǔ)言處理領(lǐng)域中，2017 年，谷歌首次將 MoE 引入自然語(yǔ)言處理領(lǐng)域，通過(guò)在 LSTM 層之間增加 MoE 實(shí)現了機器翻譯方面的性能提升。2020 年，Gshard 首次將 MoE 技術(shù)引入 Transformer 架構中，并提供了高效的 分布式并行計算架構。而后的 Swtich Transformer 和 GLaM 則進(jìn)一步挖掘 MoE 技術(shù)在自然語(yǔ)言處理領(lǐng)域中的應 用潛力，實(shí)現了優(yōu)秀的性能表現。 Switch Transformer：通過(guò) MoE 技術(shù)對模型進(jìn)行拓展，最大版本的 Switch Transformer 的參數量高達 1.6 萬(wàn) 億。因其優(yōu)秀的稀疏性，在計算資源相同的情況下，74 億版本的 Switch Transformer 訓練速度可以達到 T5 模型 的 7/2.5 倍（對應 T5 模型的不同版本，Large 為 7.7 億，Base 為 2.2 億）。同時(shí)在多任務(wù)的表現上也取得了相比 密集模型更為優(yōu)秀的結果。 GLaM：最大的 GLaM 擁有 1.2 萬(wàn)億個(gè)參數，大約是 GPT-3 的 7 倍。然而，它只消耗了訓練 GPT-3 所需能 量的 1/3，并在推理時(shí)只需要一半的計算浮點(diǎn)運算量， 計算效率更高。在零樣本、單樣本和少樣本學(xué)習任務(wù)上 也實(shí)現了更好的性能，在七個(gè)具體任務(wù)中分別實(shí)現了平均 10.2%、6.3%和 4.4%的性能提升。

在計算機視覺(jué)領(lǐng)域中，2013 年的 DMoE 便是在 MNIST 數據集上使用了密集的 MoE 層，2021 年的 V-MoE 將 MoE 架構應用在計算機視覺(jué)領(lǐng)域的 Transformer 架構模型中，同時(shí)通過(guò)路由算法的改進(jìn)在相關(guān)任務(wù)中實(shí)現了 更高的訓練效率和更優(yōu)秀的性能表現。 V-MoE 原理：V-MoE 通過(guò)將 ViT 中的一部分密集前饋層替換為稀疏的 MoE 層來(lái)實(shí)現，每個(gè)圖像塊被“路 由”到一組“專(zhuān)家”（MLPs）中進(jìn)行處理，同時(shí)通過(guò)對圖像中重要信息的優(yōu)先分析（優(yōu)先級路由），使得模型可 以不需要分析所有信息便可以得到較為準確的結果，對于鴨子的圖片，通過(guò)將其中重要的 16 個(gè) token 分配到 4 個(gè)專(zhuān)家處，便可以得到較為正確的分析，提升了模型運算效率。 V-MoE 性能：通過(guò)使用稀疏的 MoE 層，V-MoE 可以在保持性能的同時(shí)減少計算資源的使用，從而實(shí)現更 高效的模型訓練和推理。在兩個(gè)任務(wù)中，V-MoE 相較于 ViT 模型，達到相同性能的情況下節省了 2.5 倍的算力消耗，而在相同的算力消耗下，V-MoE 也實(shí)現了更優(yōu)的性能。 同時(shí)，V-MoE 還可以用于其他計算 機視覺(jué)任務(wù)，如目標檢測和圖像生成。

在多模態(tài)領(lǐng)域中，2022 年的 LIMoE 是首個(gè)應用了稀疏混合專(zhuān)家模型技術(shù)的多模態(tài)模型，模型性能相較于 CLIP 也有所提升。 LIMoE 原理：將輸入的圖像/文本通過(guò)門(mén)控網(wǎng)絡(luò )分配到不同的專(zhuān)家模型中，鴨子（drake）的圖 片和對應的文字描述的 token 被分配到不同的專(zhuān)家中進(jìn)行處理，每個(gè)專(zhuān)家處理完后通過(guò)輸出層為圖像或文本生 成一個(gè)統一的向量表示。 LIMoE 性能：在零樣本和 10 樣本的 ImageNet 分類(lèi)任務(wù)中，LIMoE 的絕對平均性能相較于 CLIP 實(shí)現了 10.1 和 12.2%的提升，在 Coco T2I（文本到圖像檢索）任務(wù)上，LIMoE 也實(shí)現了較為明顯的性能提升，其中在小規 模模型上這一提升更為顯著(zhù)。

1.2.3 機器人大模型

1.2.3.1 人工智能模型推動(dòng)機器人控制革新

機器人控制系統相當于機器人的大腦，機器人控制算法則是其中的軟件核心。其核心功能是處理來(lái)自傳感 器的檢測信號，給出機器人下一步應該怎么做的指示。與傳統的機械系統控制算法相比，機器人控制算法是非 線(xiàn)性、多變量、時(shí)變的，且相較于傳統機械，機器人面臨的應用環(huán)境也更為復雜和多樣，這意味著(zhù)機器人控制 算法有相當高的設計難度。 早期機器人控制算法主要采用 PID 算法，后續復雜的運動(dòng)控制算法如 MPC 和 WBC 逐漸成為主流。PID 算法早在 1932 年由物理學(xué)家哈利奈奎斯特，而后便被廣泛應用在各類(lèi)控制領(lǐng)域中，包括機器人控制領(lǐng)域中。但 由于 PID 方法本質(zhì)上是線(xiàn)性控制器，因此無(wú)法處理較為復雜的任務(wù)。而后 1987 年提出的 MPC 算法和 2004 年 提出的 WBC 算法逐漸成為主流，讓更為復雜任務(wù)的處理成為可能，但同時(shí)也還存在著(zhù)計算復雜度高、算力需 求高的問(wèn)題。

1.2.3.2 谷歌：機器人大模型引領(lǐng)者

隨著(zhù)各項人工智能技術(shù)的不斷發(fā)展，具備與物理世界交互的強大潛力的智能機器人成為學(xué)界和業(yè)界的重要 研究賽道。其中 Google 依托其在 AI 領(lǐng)域強大的研究團隊，豐厚的多領(lǐng)域研究成果，引領(lǐng)著(zhù)近年來(lái)機器人模型 的發(fā)展。Google Deepmind 在 2023 年 6 月和 7 月發(fā)布了其最新研究成果，具備“自我完善”能力的“RoboCat” 和融合大語(yǔ)言模型能力的 VLA 模型“RT-2”，機器人智能化進(jìn)一步加速，有望掀起新一輪 AI 革命。 從 Gato 到 RoboCat，更大規模的訓練數據集和創(chuàng )新的自我完善方法助力打造更強的機器人智能體。在 2022 年 5 月提出的 Gato 模型將智能體擴展到機器人控制領(lǐng)域中，但“通用性”和“智能性”仍有較大提升空間，其 模型架構和控制任務(wù)數據的序列化方式是后續模型發(fā)展的重要基礎。2023 年 7 月提出的 RoboCat 則基于 Gato 的模型基礎，將訓練數據集擴充至 400 萬(wàn)個(gè)機器人相關(guān)片段，并創(chuàng )新性的提出“自我完善”的方式來(lái)進(jìn)一步豐 富訓練數據，這兩點(diǎn)創(chuàng )新讓 RoboCat 在實(shí)現了訓練任務(wù)的性能提升并具備了一定的泛化性能，并且能夠在少量 數據微調的情況下處理未見(jiàn)過(guò)的任務(wù)。

1.2.3.3 Meta：持續探索在有限數據集情況下實(shí)現更優(yōu)秀機器人控制的方法

近年來(lái)，Meta 一直是 AI 領(lǐng)域不可忽視的力量，前沿研究如 CV 領(lǐng)域的 SAM 模型，NLP 領(lǐng)域的 LLaMa均是相關(guān)領(lǐng)域的最前沿技術(shù)之一。在機器人模型領(lǐng)域，Meta 也已經(jīng)展開(kāi)了較為完善的布局，提出了一些卓有成 效的改進(jìn)策略如數據增強、動(dòng)作序列生成等，相關(guān)模型如 R3M、CACTI、ASC、MT-ACT 等，其他領(lǐng)域的核 心突破如 SAM 模型也應用到了其中。 從 R3M 到 MT-ACT，Meta 持續探索如何使用有限的數據集實(shí)現更優(yōu)秀的機器人控制。在 2022 年 3 月推 出的 R3M 模型中，Meta 首次引入人類(lèi)視頻數據作為機器人控制模型的知識來(lái)源，提升機器人模型訓練效率。 在 2022 年 12 月推出的 CACTI 模型中，使用數據增強技術(shù)實(shí)現了訓練數據規模高效擴充。2023 年 8 月推出的 MT-ACT 模型將數據增強技術(shù)（基于 SAM 視覺(jué)模型）和動(dòng)作序列生成技術(shù)結合，在 7500 個(gè)原始訓練數據的情 況下，在不同難度的測試中分別實(shí)現了 81.67%、65.17%、31.33%的成功率，小規模數據表現優(yōu)于其他可比模型。

二、AI 應用趨勢展望

2.1 AI+教育是人工智能落地的黃金賽道

教育行業(yè)因為其個(gè)性化學(xué)習訴求強、數據豐富度高、付費意愿強，成為人工智能的優(yōu)質(zhì)落地領(lǐng)域。不同地 區、學(xué)校和學(xué)生具備“因材施教”強個(gè)性化學(xué)習需求，教育領(lǐng)域的高數據豐富度為垂直大模型的訓練提供可能， 同時(shí)，教育作為剛需領(lǐng)域，學(xué)生、家長(cháng)付費意愿普遍較強。AI 的發(fā)展使得以低成本的方式建設自適應學(xué)習系統 成為可能。具備較強理解能力的生成式人工智能可以持續為學(xué)生提供個(gè)性化教學(xué)服務(wù)，且隨著(zhù)教學(xué)規模的擴大， 其人均成本逐漸下降，顯著(zhù)降低了個(gè)性化學(xué)習的成本。

AI+教育主要有以下三點(diǎn)優(yōu)勢： 一、教學(xué)環(huán)境及課程形式的靈活化。AI 技術(shù)的引入使得教學(xué)不再局限于課堂，學(xué)生可以隨時(shí)隨地獲得最新、 優(yōu)質(zhì)的學(xué)習資源，向 AI 助手請教。利用 AI 的高效多模態(tài)生成力，還可以呈現不同的課程形式營(yíng)造更多的沉浸 感。 二、學(xué)習過(guò)程的個(gè)性化。AI 教育平臺往往具有教學(xué)、考試、批改、解答、集錯等多重功能，通過(guò)分析學(xué)生 在考試過(guò)程中的用時(shí)分配、錯題分類(lèi)，發(fā)現學(xué)生薄弱環(huán)節，針對性提供學(xué)習資源、個(gè)性化的學(xué)習方案和改進(jìn)方 案，即時(shí)給予反饋和評估。借助 AI 技術(shù)，針對性輔導成本大大降低，教育更好地適應每個(gè)學(xué)生的獨特需求和能 力水平。 三、教學(xué)活動(dòng)的降本增效。對于教育資源有限的地區，相對較低成本的 AI 教育應用使得高質(zhì)量資源更加 觸手可及，進(jìn)一步促進(jìn)教育公平；對于教學(xué)者，AI 軟件的批閱、評估功能大大減少了機械化勞動(dòng)，使教師有更 多的精力投入到創(chuàng )造性的教學(xué)活動(dòng)中，提高了教學(xué)效率。 隨著(zhù)生成式人工智能技術(shù)的爆發(fā)，AI+教育邁向全新的發(fā)展階段。根據 Market Research 數據，生成式人工 智能在教育領(lǐng)域的市場(chǎng)規模將從 2022 年的 2.15 億美元上升至 2030 年的 27.4 億美元，CAGR 為 37.5%，其中面向學(xué)生端的市場(chǎng)規模大致占到全部市場(chǎng)規模的一半。

國家出臺 AI+教育的綱領(lǐng)性文件，頂層規劃驅動(dòng)行業(yè)穩步發(fā)展。2018 年 4 月，教育部發(fā)布《教育信息化 2.0 行動(dòng)計劃》，在行動(dòng)規劃上提出不斷推動(dòng)人工智能與教育深度融合，加快面向下一代網(wǎng)絡(luò )的高校智能學(xué)習體系建 設。2022 年 8 月，科技部發(fā)布《支持建設新一代人工智能示范應用場(chǎng)景》，針對青少年教育中“備、教、練、測、 管”等關(guān)鍵環(huán)節，運用學(xué)習認知狀態(tài)感知、無(wú)感知異地授課的智慧學(xué)習和智慧教室等關(guān)鍵技術(shù)，構建虛實(shí)融合與 跨平臺支撐的智能教育基礎環(huán)境。2023 年 6 月，教育部發(fā)布《基礎教育課程教學(xué)改革深化行動(dòng)方案》，強調探 索利用人工智能、虛擬現實(shí)等技術(shù)手段改進(jìn)和強化實(shí)驗教學(xué)以及遴選一批富有特色的高水平科學(xué)教育和人工智 能教育中小學(xué)基地。

2.1.1 AI+教育軟件

AI+教育軟件是人工智能落地的重要領(lǐng)域，多鄰國與可汗學(xué)院是全球市場(chǎng)上的領(lǐng)跑者。 自 2021 年起，多鄰國與 Open AI 達成戰略合作，推動(dòng)了 AI 與教育的深度融合。在最新的 GPT-4 技術(shù)基礎 上，Duolingo 于 2023 年 3 月 14 日推出了家教功能，包括 Explain My Answer 和 Roleplay 兩大功能，并引入了 付費層“Duolingo Max”，旨在進(jìn)一步實(shí)現“提供千人千面的個(gè)性化語(yǔ)言學(xué)習服務(wù)”的目標。該付費層不僅提供角色 扮演和解釋答案的功能，還新增了課堂教練，為用戶(hù)在提交答案之前提供小提示，優(yōu)化學(xué)習體驗。Duolingo 接 入 GPT-4 后，月活用戶(hù)數實(shí)現大幅增長(cháng)，2023Q3 月活躍用戶(hù)數（MAU）為 8310 萬(wàn)人，同比增長(cháng) 47.1%，其中 付費訂閱用戶(hù)為 580 萬(wàn)人，同比增長(cháng)為 56.8%。付費用戶(hù)數提升疊加會(huì )員費的提升帶來(lái)公司盈利能力的不斷增 強，公司 2023Q3 營(yíng)業(yè)收入為 1.38 億美元，凈利潤為 281 萬(wàn)美元，扭虧為盈。在財報電話(huà)會(huì )議中，多鄰國管理 層強調他們正在利用生成式 AI 技術(shù)加速 Stories 腳本的撰寫(xiě)速度，使得完成任務(wù)更快、成本更低，同時(shí)質(zhì)量也 不會(huì )降低。這一戰略應用使得多鄰國在 AI+教育領(lǐng)域具備獨特的優(yōu)勢：游戲化的語(yǔ)言教學(xué)為其形成了差異化競 爭策略，深厚的技術(shù)積累構建了堅實(shí)的技術(shù)壁壘，同時(shí)積極將生成式 AI 技術(shù)融入產(chǎn)品中，優(yōu)化用戶(hù)的學(xué)習體驗。 至 2023 年 11 月 30 日，公司股價(jià)累計上漲了 77.4%，凸顯了其在 AI+教育賽道上的卓越表現。進(jìn)一步印證了多 鄰國在創(chuàng )新教育模式、提升用戶(hù)體驗方面的成功實(shí)踐。

2.1.2 教育信息化

我國教育信息化發(fā)展從 1.0 走向 2.0 時(shí)代。教育信息化 1.0：三通兩平臺是教育信息化 1.0 核心，教育信息 化 1.0 主要涉及基礎設施建設。2007 年 2 月，教育部發(fā)布《教育部關(guān)于做好國家教育考試考務(wù)管理與服務(wù)平臺 相關(guān)工作的通知》，提出在 2009 年高考前，在全國范圍內分批建立全方位發(fā)揮作用的國家教育考試指揮、管理、 監控體系，隨后一些列政策逐漸開(kāi)啟教育信息化 1.0 時(shí)代。教育信息化 2.0：從基礎設施建設走向信息融合與應 用層面，核心是“三全兩高一大”。2018 年 4 月，教育部發(fā)布《教育信息化 2.0 行動(dòng)計劃》，提出到 2022 年基本 實(shí)現“三全兩高一大”的發(fā)展目標，教育信息建設從注重信息裝備建設走向信息的深度融合。

財政在教育信息化領(lǐng)域的經(jīng)費投入是中國教育信息化市場(chǎng)發(fā)展的主要動(dòng)力，教育信息化經(jīng)費占教育經(jīng)費不 低于 8%，根據教育部公布的教育經(jīng)費推算，2022 年教育信息化投入約 4908 億元，2014-2021 年中國教育信息 化經(jīng)費投入復合增長(cháng)率為 8.13%。根據《基礎教育信息化發(fā)展指數》，2019 年我國教育信息化經(jīng)費投入中有 42.4% 的資金都用于硬件和相關(guān)設備的購置。海外教育信息化市場(chǎng)屬于后發(fā)市場(chǎng)，智能交互設備滲透率相對較低，整 體空間更為廣闊，市場(chǎng)增速相對更高。

2.1.3 教育智能硬件

智能硬件是指通過(guò)將硬件和軟件相結合對傳統設備進(jìn)行智能化改造，對硬件與軟件的優(yōu)勢進(jìn)行了充分融合。 我國智能硬件在政策加持、技術(shù)賦能、消費升級等因素驅動(dòng)下，市場(chǎng)規模以較高增速增長(cháng)。智能硬件產(chǎn)品廣泛 應用于個(gè)人穿戴、養老陪伴、教育娛樂(lè )、運動(dòng)健康等場(chǎng)景，為人民生活帶來(lái)智能化和便利化。智能學(xué)習設備服 務(wù)市場(chǎng)指旨在為學(xué)生提供教育服務(wù)的硬件設備市場(chǎng)，其最重要的特點(diǎn)是在提供教育服務(wù)過(guò)程中應用智能技術(shù)， 如 OCR 技術(shù)、AI 大模型應用及信息技術(shù)，以向學(xué)生及家長(cháng)、教師提供更個(gè)性化的教育體驗。

從應用場(chǎng)景的角度來(lái)看，市場(chǎng)可以分類(lèi)為主要服務(wù)于個(gè)人終端用戶(hù)的 To C 市場(chǎng)及提供數字校園教學(xué)解決方 案的 To B 市場(chǎng)。2021 年，中國的智能學(xué)習設備總市場(chǎng)規模達到 659 億元，預計到 2026 年，中國智能學(xué)習設備 的總市場(chǎng)規模將為 1450 億元，2021 年至 2026 年的復合年增長(cháng)率為 17.1％。在政府持續支持并投入實(shí)現校園數 字化及智慧課堂升級的背景下，To B 分部于 2017 年至 2021 年經(jīng)歷高速增長(cháng)，2021 年我國 B 端市場(chǎng)規模達到 330 億，2026 年有望達到 709 億。相比而言，To C 學(xué)習市場(chǎng)目標人群較多，且輔助教育涵蓋從早教到成人教育， 有龐大及持續的需求。2021 年 To C 分部的市場(chǎng)規模為 329 億元，預計 To C 分部持續穩健增長(cháng)至 2026 年的 741 億元。

從學(xué)習機市場(chǎng)結構來(lái)看，以步步高和讀書(shū)郎為代表的傳統主流智能教育設備廠(chǎng)商，仍占據市場(chǎng)的主要份額。 以科大訊飛和網(wǎng)易有道為代表的新型品牌憑借人工智能技術(shù)的支持和高科技屬性迅速擴大了市場(chǎng)規模。此外， 教育屬性極強的學(xué)而思和有道等轉型廠(chǎng)商也加入了市場(chǎng)競爭。根據 IDC 數據，2021 年國內市場(chǎng)占有率最高的步 步高學(xué)習機占比高達 28.9%，第二名讀書(shū)郎份額 6.1%，科大訊飛以 4.0%位列第五。

2.2 自動(dòng)駕駛：算法架構優(yōu)化，高階輔助駕駛滲透率預期提升

2.2.1 端到端模型實(shí)現算法架構優(yōu)化，自動(dòng)駕駛性能提升

“端到端”架構是自動(dòng)駕駛發(fā)展未來(lái)主流方向。意為依靠輸入，直接輸出，所以對輸入內容要求較高。激 光雷達、雷達、照相機等都是感知系統的組成部分，其中激光雷達和雷達進(jìn)行深度分析，攝像機進(jìn)行探測，GPS 和里程表傳感器捕獲并繪制車(chē)輛的位置、狀態(tài)和相應的環(huán)境，進(jìn)而在決策階段進(jìn)一步利用。例如，以典型端到 端模型 TCP 和 UniAD 中，其都是用多種不同感知器一起使用去獲取相關(guān)信息，并生成相應的控制動(dòng)作。多模 態(tài)在關(guān)鍵感知領(lǐng)域的性能優(yōu)于單模態(tài)，結合多傳感器服務(wù)自動(dòng)駕駛需求。特斯拉傳統邏輯是簡(jiǎn)化輸入，優(yōu)化局 部算法；但為了服務(wù)端到端模型需求，算法框架演變?yōu)樵鰪娸斎胍詢(xún)?yōu)化整體算法，強化數據精準度，借助系統 冗余保證可靠性。

2021 年，端到端駕駛算法出現了重要轉折點(diǎn)。算法集中在多模態(tài)和 Transformer 等高級架構的結合，如 TransFuser 和其他變體?；趥鞲衅鲗Νh(huán)境的精確捕捉，閉環(huán) CARLA 基準性能逐步提高；為了提升自動(dòng)駕駛系 統的可解釋性和安全性，NEAT、NMP 和 BDD-X 等方法明確納入了多種輔助模塊。2023 年，研究強調優(yōu)先生 成關(guān)鍵數據，即預先訓練一個(gè)大型策略學(xué)習基礎模型，如 UniAD，同時(shí)引入了新的 CARLA v2 和 nuPlan 基準。

特斯拉 FSD V12 在算法層面實(shí)現端到端。FSD Beta v12 完全是由神經(jīng)網(wǎng)絡(luò )訓練而成，沒(méi)有任何一行人工寫(xiě) 的規則代碼。馬斯克稱(chēng)，控制是全自動(dòng)駕駛最后一個(gè)難題，FSD Beta v12 使用 AI 替代傳統控制模塊使得控制代 碼減少約 2 個(gè)數量級。特斯拉原先的自動(dòng)駕駛算法 HydraNets，也被成為九頭蛇網(wǎng)絡(luò )，是將每一個(gè)任務(wù)劃分為單 獨模塊，雖然在工程學(xué)上對每一個(gè)模塊進(jìn)行優(yōu)化，但卻沒(méi)法從全局提升汽車(chē)自動(dòng)駕駛性能。 我們認為端到端將感知、預測與規劃集成在同一個(gè)網(wǎng)絡(luò )流程中，將自動(dòng)駕駛建模成一個(gè)神經(jīng)網(wǎng)絡(luò )驅動(dòng)任務(wù)。 端到端使得算法中的所有模塊都直接服務(wù)于規劃，使得最終汽車(chē)做出規劃的效率提高，避免了模塊分散導致的 數據重復流轉。馬斯克表示 HW4.0 硬件目前暫時(shí)不受支持，主要原因是兩者數據不兼容，未來(lái)仍需針對 HW4.0 進(jìn)行重新訓練。馬斯克稱(chēng)目前制約訓練的因素不是工程師，而是訓練算力。特斯拉在 7 月份投產(chǎn) Dojo，規劃到 2024 年 100E 算力（相當于 30 萬(wàn)顆 A100 算力），預計 2024 年 2 月自身算力規模將進(jìn)入全球前五；同時(shí)特斯拉 新到一批英偉達機器，訓練算力將大幅增強。

2.2.2 國內自動(dòng)駕駛車(chē)廠(chǎng)勢頭依舊，高階輔助駕駛滲透率預期提升

國內自動(dòng)駕駛車(chē)廠(chǎng)布局迅速，L3 級別及以上滲透率有望逐步提升。2023 年 1-10 月，理想、小鵬銷(xiāo)售量持 續走高，其中理想 10 月交付量達到 40422 輛，遠超其他兩家；蔚來(lái)自 7 月起回落幅度較大。伴隨智能化策略推 進(jìn)、輔助駕駛功能強化，蔚小理三家英偉達 Orin 芯片占比將持續提升。在具體配置路線(xiàn)上，理想更為清晰，其 分 Pro 和 Max 兩大車(chē)型向下向上滲透市場(chǎng)，其中 Max 車(chē)型提供全場(chǎng)景智能駕駛，標配英偉達雙 Orin X 芯片滲 透率將繼續上升。2023 年交付量預測方面，理想預計全年銷(xiāo)售 30 萬(wàn)輛，蔚來(lái)預計全年銷(xiāo)售 24.5 萬(wàn)輛，小鵬預計全年銷(xiāo)售 20 萬(wàn)輛。

9 月 12 日，華為正式發(fā)布問(wèn)界新 M7 系列。硬件層面問(wèn)界新 M7 配備 1 個(gè)頂置激光雷達、3 個(gè)毫米波雷達、 11 個(gè)高清視覺(jué)感知攝像頭及 12 個(gè)超聲波雷達等 27 個(gè)感知硬件。問(wèn)界新 M7 通過(guò)搭載 ADS 2.0，汽車(chē)感知能力 有明顯提升：通過(guò) GOD2.0 系統，對車(chē)外物體進(jìn)行識別；通過(guò) RCR 網(wǎng)絡(luò )，進(jìn)行道路拓撲推理，擺脫高精度地圖。 問(wèn)界新 M7 在安全性方面亦有較大提升。根據發(fā)布會(huì )介紹，主動(dòng)安全方面，問(wèn)界新 M7 首發(fā)全向防碰撞系統， 問(wèn)界包攬各類(lèi)主動(dòng)安全評測第一名；被動(dòng)安全方面，問(wèn)界新 M7 車(chē)身結構匹配開(kāi)模，重新改造焊裝產(chǎn)線(xiàn)，有效 提高車(chē)身剛度和碰撞安全性。ADS 2.0 自 2023 年 4 月發(fā)布以來(lái)，在 AI 訓練集群上構建了豐富的場(chǎng)景庫，每天 深度學(xué)習 1000 萬(wàn)+km，持續優(yōu)化迭代智能駕駛算法和場(chǎng)景策略，模型每五天迭代一次，訓練算力達到 1.8EFlops。 截至 2023 年 9 月數據，長(cháng)距離 NCA 領(lǐng)航 MPI 高達 200km，城市高架匯入匯出成功率高達 99%+。到 23 年年底， ADS2.0 無(wú)圖城區商用計劃擴展到全國。11 月 9 日，華為宣布其問(wèn)界新 M7 實(shí)現 86000 大定，其中 70%以上用戶(hù) 選擇智駕版，智能駕駛功能已成為消費者購車(chē)的重要決策因素之一。另外，11 月 15 日，小米汽車(chē)第一款車(chē)型 SU 7 申報，預計 2024 年上半年正式量產(chǎn)。

2.3 AI PC/Phone：端側 AI 發(fā)展，AI PC/Phone 將開(kāi)啟新時(shí)代

2.3.1 技術(shù)升級帶動(dòng)端側 AI 發(fā)展，推理精度提升

當前云側 AI 呈現向端側 AI 的轉型趨勢。端側智能化的核心在于數據、底層軟硬件、智能力三個(gè)方面。端 側設備搭載的傳感器、芯片、算法模型賦予其數據采集、計算、分析與推理能力，使其能夠在端側完成數據處 理閉環(huán)，形成感知、計算、推理三個(gè)智能力。 首先，大模型輕量化帶動(dòng)端側 AI 發(fā)展。多個(gè)大模型均已推出“小型化”和“場(chǎng)景化”版本，提供了端側運 行基礎。例如，Google PaLM2 中包含 4 個(gè)大模型，按照參數規模，從小到大排列為：獨角獸（Unicorn）、野牛 （Bison）、水獺（Otter）和壁虎（Gecko）。其中，最輕量的“壁虎”可實(shí)現手機端運行，且速度足夠快，不聯(lián) 網(wǎng)也能正常工作。另一方面，“小型化”大模型加速生成式 AI 垂直方向發(fā)展，加速大模型商業(yè)化場(chǎng)景落地。

其次，支持 INT4、INT8 精度推理，端側 AI 能力進(jìn)一步提升。定點(diǎn)表示和浮點(diǎn)表示是計算機中常用的數 據格式。其中，定點(diǎn)表示中小數點(diǎn)位置固定不變，常用的定點(diǎn)表示有 INT4 和 INT8；浮點(diǎn)表示中包括符號位、 階碼部分、尾數部分。符號位決定數值正負，階碼部分決定數值表示范圍，尾數部分決定數值表示精 FP64(雙 精度)、FP32 (單精度)、FP16(半精度)的數值表示范圍和表示精度依次下降，運算效率依次提升。高通產(chǎn)品管理 副總裁 Asghar 曾表示，如果將 32 位浮點(diǎn)模型轉化為 INT4 整數模型，端側 AI 能效將提升 64 倍。為滿(mǎn)足端側 AI 的計算需求，業(yè)內已有產(chǎn)品支持 AI 模型以 INT 精度推理，例如高通人工智能引擎 AI Engine 支持 INT8 的數 據格式。

部分 AI 框架已支持端側運行。在 2023 年 PyTorch 大會(huì )上，Meta AI 與 PyTorch 基金會(huì )合作的 ExecuTorch 模型被宣布可在邊緣和移動(dòng)設備上實(shí)現 AI 推理。隨著(zhù) ExecuTorch 的開(kāi)源，AI 應用程序將可實(shí)現本地運行，無(wú) 需連接到服務(wù)器或云。ExecuTorch 可被理解成 PyTorch 平臺，提供基礎設施來(lái)運行 PyTorch 程序，實(shí)現從 AR/VR 可穿戴設備到標準的 iOS 和 Android 設備的移動(dòng)部署。目前，Meta 已將其用于最新一代的雷朋智能眼鏡，成為 Quest 3 VR 頭顯的組成部分。這一變化也預示將 PyTorch 引入了手機和可穿戴設備等邊緣計算平臺，進(jìn)一步邁 入設備 AI 推理新時(shí)代。 端側 AI的核心是 AI PC/Phone。一方面，AI PC/Phone主要在于芯片升級。AI PC/Phone 相對于原有PC/Phone， 主要差別在搭載了相關(guān)的 AI 芯片。云端在深度學(xué)習的訓練階段需要極大的數據量和大運算量，為滿(mǎn)足運算需求， 云端 AI 芯片采用“CPU+加速芯片”的異構計算模式。不同于數據中心 GPU，手機/電腦端芯片主要要求其體積 小、功耗低等特點(diǎn)，往往是采用 ASIC 技術(shù)路線(xiàn)的芯片，這種芯片為專(zhuān)用目的設計，面向特定用戶(hù)需求定制， 在大規模量產(chǎn)的情況下具備體積更小、功耗更低等優(yōu)點(diǎn)。

手機 AI 芯片主要由“CPU+GPU+NPU”構成，通過(guò)集成多個(gè)模塊，做到提升芯片性能的同時(shí)能支持相關(guān) AI 應用算法。例如，以高通 AI 芯片為例，硬件方面 HEXAGON 向量處理器可以運行涉及向量數學(xué)的應用； ADRENO GPU 運行對浮點(diǎn)精度有要求的應用；KRYO CPU 支持相對較少向量處理、非規則性數據結構和/或復 雜流程。高通公司以近半的市場(chǎng)份額保持 AI 智能手機處理器出貨量領(lǐng)導地位，遠超蘋(píng)果和聯(lián)發(fā)科等其他公司。 高通驍龍 8 gen3 在手機芯片性能比較方面超越了蘋(píng)果 A17 Pro，其是高通首款專(zhuān)為生成式人工智能而精心設計 的移動(dòng)平臺。該處理器最大的升級在 AI 引擎，可以在設備上運行生成式 AI 模型，上市初期即支持 20 多種 AI 模型；主打各種 AI 相機功能，例如從圖像和視頻中刪除對象、創(chuàng )建假背景、增強照片的某些部分、實(shí)時(shí)拍攝 HDR 照片、創(chuàng )建同時(shí)使用前攝和后攝拍攝的 Vlogger 視圖模式控制的應用。

2.3.2 2024 或成 AI PC/Phone 元年，AI PC/Phone 趨勢刺激行業(yè)回暖

端側 AI 核心在于手機和 PC，AI Phone 和 AI PC 將開(kāi)啟新時(shí)代。從今年 2 月份舉行的世界移動(dòng)通信大會(huì )， 高通展示了其手機端離線(xiàn)運行大模型，到 5 月份微軟開(kāi)發(fā)者大會(huì )高通展示其 PC 運行 AI 大模型，再到近期英特 爾、聯(lián)想等發(fā)布 AI PC 加速計劃、發(fā)布首款 AI PC 等，可以看出，國內外廠(chǎng)商持續發(fā)力 AI Phone 和 AI PC， 端側 AI 將走入新的時(shí)代。 AI PC 方面，2023 聯(lián)想 Tech World 創(chuàng )新科技大會(huì )進(jìn)行了端側大模型與云端大模型的比較。兩個(gè)模型同時(shí)進(jìn) 行斯德哥爾摩音樂(lè )節的規劃，生成速度差異不大。值得注意的是，端側 AI 的規劃內容更加個(gè)性化，可以將家庭 地址、酒店偏好等考慮進(jìn)去；10 月 19 日，英特爾宣布啟動(dòng) AI PC 加速計劃，該加速計劃旨在為相關(guān)軟硬件供 應商提供英特爾的資源，共同推動(dòng) AI PC 產(chǎn)品、方案落地，具體而言，通過(guò)利用 Intel Core Ultra 處理器的技術(shù) 和兼容硬件，圍繞相關(guān)資源，實(shí)現 AI 和機器學(xué)習（ML）應用性能最大化，進(jìn)而催生全新的使用案例，推動(dòng) AI PC 解決方案連接到更廣泛的 PC 產(chǎn)業(yè)。英特爾預計其將于包括 Adobe 在內的 100 家獨立軟件供應商進(jìn)行合作， 發(fā)展 300 多項 AI 加速功能，計劃將在音頻效果、內容創(chuàng )建、游戲、安全、直播、視頻協(xié)作等方面繼續強化 PC 體驗。據計劃目標，其將在 2025 年前為超過(guò) 100 萬(wàn)臺 PC 帶來(lái)人工智能（AI）特性。

AI Phone 方面，10 月 4 日，谷歌發(fā)布 Pixel 8 / Pro 系列，搭載了 Tensor G3 和 Titan M2 安全芯片。Tensor G3 AI 芯片可運行更復雜的機器學(xué)習模型，強化了 Pixel 8 / Pro 系列的 AI 增強功能，使虛擬助理說(shuō)話(huà)更自然，并有 攔截騷擾電話(huà)、轉錄語(yǔ)音和緊急服務(wù)功能。Pixel 8 Pro 號稱(chēng)是第一款直接在設備上運行谷歌 AI 模型的手機，其 計算量是 Pixel 7 上最大 ML 模型的 150 倍；10 月 26 日，小米 14 系列發(fā)布，其首發(fā)搭載高通最新一代移動(dòng)芯片 驍龍 8 Gen3，能效比提升顯著(zhù)，AI 性能提升 98%。通過(guò)本地端運行大模型，提升了隱私性，并實(shí)現 AI 妙畫(huà)、 AI 搜圖、AI 寫(xiě)真和 AI 擴圖等一系列功能。其中，AI 寫(xiě)真功能可通過(guò)對多張照片的學(xué)習，創(chuàng )作出全新的照片 作品；在 14 系列的 WPS 上，也支持輸入主題一鍵生成 PPT 演示文稿，也能進(jìn)一步細化調節，例如更改主題風(fēng) 格、單頁(yè)美化、更改字體、更改配色、生成演講稿等等，解決了用戶(hù)使用 PPT 制作難度大、耗時(shí)長(cháng)的辦公難題。

疫情以來(lái)，由于消費需求疲軟和庫存調整，全球智能手機出貨量下滑，2023 年前三季度為 8.4 億部，僅為 2022 年同期的 85%，但可以看出，22 年年底以來(lái)，全球智能手機銷(xiāo)量下降幅度開(kāi)始縮窄，今年三季度，全球 智能手機銷(xiāo)量重回正增長(cháng)；另一方面，從微軟財報可以看到，其個(gè)人電腦業(yè)務(wù)，也在 24 財年 1 季度（23Q3） 實(shí)現同比正增長(cháng)，這也是從 23 財年 2 季度以來(lái)微軟個(gè)人電腦業(yè)務(wù)重新回歸正增長(cháng)?？梢钥吹饺蚴謾C與電腦業(yè) 務(wù)有復蘇跡象，預計 AI+Phone/PC 能進(jìn)一步推動(dòng)行業(yè)頹勢逆轉的同時(shí)也有助于帶動(dòng)其自身起量。

伴隨 AI PC 逐漸出貨且 PC 換機周期已至，2024 或成 AI PC 元年。根據群智咨詢(xún)預測，到 2027 年，AI PC 出貨量將達到 1.5 億套，市場(chǎng)滲透率達到 79%，并逐步取代傳統 PC。當前，各大主要 PC 廠(chǎng)商都對 AI PC 業(yè)態(tài) 進(jìn)行展望，AI PC 將成 PC 行業(yè)拐點(diǎn)成為共識。戴爾將推出帶有 Copilot 的新版 Windows，聯(lián)想首批搭載英特爾 Meteor Lake 芯片的 AI PC 也已推出。業(yè)界將逐步追加 AI PC 領(lǐng)域投資，重塑 PC 生產(chǎn)力。

我們看好由 AI PC/Phone 帶來(lái)的產(chǎn)業(yè)革新。將手機集成 AI，不僅可以實(shí)現語(yǔ)音助手、智能相機等基本功 能，還可以通過(guò) AI 算法實(shí)現更加智能化的應用，如智能推薦、智能翻譯等，可以極大提升用戶(hù)的體驗，在智 能辦公、智能教育領(lǐng)域預計將有廣泛應用；AI PC 不僅可以進(jìn)行高效的數據處理和計算，還可以通過(guò)機器學(xué)習 和深度學(xué)習等技術(shù)進(jìn)行自我學(xué)習和優(yōu)化，從而為各種行業(yè)提供更加智能化的解決方案；除此之外，AI PC、AI Phone 通過(guò)統一的大模型，實(shí)現全系統互聯(lián)，具有主動(dòng)智能、全模態(tài)感知能力，在人機交互效果上有明顯提升， 將成為人們最直接的 AI 助手。

2.4 AI+工業(yè)是大勢所趨

AI 在垂直領(lǐng)域的落地和應用將是 2024 年的主線(xiàn)，我們尤其看好 AI 在工業(yè)場(chǎng)景的落地。一方面在國家戰略 和政策端，智能制造是大勢所趨，“AI+工業(yè)”在國家發(fā)展、技術(shù)架構中發(fā)揮重要作用。1）工業(yè)大國向工業(yè)強 國轉型，智能制造戰略是必由之路。工業(yè)與制造業(yè)緊密相連，制造業(yè)是工業(yè)的重要組成部分，工業(yè)和制造業(yè)的 發(fā)達程度將直接影響我國國際競爭力。中國是世界第一工業(yè)大國，具有優(yōu)秀且深厚的工業(yè)基因。從工業(yè)大國向 工業(yè)強國的轉型之路是當下政策的熱點(diǎn)，也是未來(lái)重要的發(fā)展趨勢，智能制造戰略是這一路徑上的核心戰略之 一?！丁笆奈濉敝悄苤圃彀l(fā)展規劃》、《中國制造 2025》等政策進(jìn)一步明確智能制造的發(fā)展目標、重點(diǎn)領(lǐng)域、重 大工程、重大項目，為智能制造的發(fā)展提供了政策支撐。2）“AI+工業(yè)”在智能制造系統與技術(shù)架構中處于核 心地位，是戰略發(fā)展的大趨勢。從系統架構層面看，智能制造系統的架構從底層數字化逐步過(guò)渡到網(wǎng)絡(luò )化，最 終目標為實(shí)現智能化，“AI+工業(yè)“處于系統架構頂層的“智能化”位置，工業(yè)場(chǎng)景下人工智能技術(shù)的應用是智 能制造戰略需要實(shí)現的核心課題。從技術(shù)結構層面看，人工智能技術(shù)與工業(yè)大數據、工業(yè)軟件、工業(yè)云、邊緣 計算等其他技術(shù)之間存在聯(lián)動(dòng)效應。3）工業(yè) 4.0 時(shí)代到來(lái)，“AI+工業(yè)”技術(shù)是國際競爭焦點(diǎn)。工業(yè) 4.0 時(shí)代下， 利用物聯(lián)網(wǎng)、云計算等多元化先進(jìn)技術(shù)實(shí)現實(shí)體世界與虛擬世界的交互將成為工業(yè)發(fā)展的重要環(huán)節。目前，全 球主要的工業(yè)國家在先進(jìn)制造/智能制造方面均有布局，且均有涉及“AI+工業(yè)”的具體戰略。我們認為，在未 來(lái)，AI 技術(shù)與工業(yè)的深度融合仍將是國際競爭的焦點(diǎn)，實(shí)現 AI+工業(yè)是大勢所趨。

從需求端看，不斷增長(cháng)的降本增效需求與多變的市場(chǎng)環(huán)境為“AI+工業(yè)”帶來(lái)廣闊的市場(chǎng)空間。目前，我 國工業(yè)的大部分行業(yè)仍處于勞動(dòng)密集型發(fā)展階段，較低的智能化滲透率帶來(lái)包括誤差率高、生產(chǎn)效率低、生產(chǎn) 成本高等一系列痛點(diǎn)。1）降本增效需求驅動(dòng)“AI+工業(yè)”需求：中國單位勞動(dòng)產(chǎn)出在國際比較中處于較低水平， 2018 年美國勞動(dòng)生產(chǎn)率為 11.3 萬(wàn)美元，而中國僅為 1.4 萬(wàn)美元。且國內老齡化趨勢顯著(zhù)，根據國務(wù)院《國家人 口發(fā)展規劃》，2030 年，我國 14-45 歲人口占比將降至 32%，人口規模的減少將對企業(yè)生產(chǎn)成本帶來(lái)全新挑戰， 降本增效需求愈發(fā)成為企業(yè)競爭甚至生存的重要條件之一，在此背景下展望未來(lái)，“AI+工業(yè)”這一降本增效的 重要工具將被越來(lái)越多工業(yè)企業(yè)使用。2）市場(chǎng)變化大，精準化生產(chǎn)成為剛需：工業(yè)行業(yè)整體面對利潤率低，市 場(chǎng)需求變化快的壓力，智能化與精準化生產(chǎn)將成為未來(lái)大趨勢，而這背后離不開(kāi)人工智能的強大分析能力。根 據德勤預測，2018-2025 年中國制造業(yè)人工智能市場(chǎng)有望實(shí)現 51%的 CAGR，并在 2025 年達到 141 億元規模。

2.4.1 工業(yè)機器視覺(jué)

2.4.1.1 機器視覺(jué)產(chǎn)業(yè)宏觀(guān)分析

工業(yè)機器視覺(jué)是軟硬件一體化的集成系統，它的目的是代替人眼對被測物進(jìn)行觀(guān)察和判斷。從組成上，機 器視覺(jué)系統硬件設備主要包括光源、鏡頭、相機等，軟件主要包括傳統的數字圖像處理算法和基于深度學(xué)習的 圖像處理算法。

成像、算法、算力、應用接力驅動(dòng)機器視覺(jué)行業(yè)，AI 算法的發(fā)展有望推動(dòng)行業(yè)進(jìn)入新時(shí)代。每經(jīng)歷約十年， 機器視覺(jué)技術(shù)與應用都會(huì )產(chǎn)生一次深刻變革，近年來(lái)，AI 算法有望推動(dòng)行業(yè)爆發(fā)式擴展。

此外，過(guò)去的工業(yè)機器視覺(jué)系統主要針對垂直場(chǎng)景的少量數據進(jìn)行小模型的訓練，而大模型的發(fā)展將助力 工業(yè)機器視覺(jué)實(shí)現應用性能的提升和應用場(chǎng)景的拓寬。以華為盤(pán)古大模型在礦山場(chǎng)景的應用為例，其建立在 L0 的基礎大模型的技術(shù)上，通過(guò)導入海量無(wú)標注的礦山場(chǎng)景數據進(jìn)行預訓練，盤(pán)古礦山大模型即可進(jìn)行無(wú)監督自 主學(xué)習，僅一個(gè)大模型就能覆蓋煤礦的采、掘、機、運、通等業(yè)務(wù)流程下的 1000 多個(gè)細分場(chǎng)景，讓 AI 應用在 煤礦普及更容易。在準確率方面， 基于盤(pán)古礦山大模型的掘進(jìn)作業(yè)序列智能監測，動(dòng)作規范識別準確率超過(guò) 95％，用規范的 AI 流程來(lái)替代不確定的人工流程，讓 AI 成為礦工規范作業(yè)的好幫手，保障井下作業(yè)安全。 視覺(jué)大模型技術(shù)突破，賦能機器視覺(jué)的革新與突破。以近期 Meta 提出的 SAM 模型為例，其在切割任務(wù)的 不同具體場(chǎng)景中展現出了強大的泛化能力，在零樣本（zero-shot）和少量樣本（few-shot）的基礎上便能實(shí)現非 常優(yōu)秀的完成不同的切割任務(wù)。同時(shí)，SAM 模型還具備高精度自動(dòng)標注的能力，帶來(lái)數據標注成本的下降，相 關(guān)技術(shù)的發(fā)展與突破將從兩個(gè)方向賦能機器視覺(jué)產(chǎn)業(yè)變革：1）過(guò)去數據成本、訓練成本高的場(chǎng)景將有望實(shí)現降 本增效；2）過(guò)去因樣本數量不足而機器視覺(jué)難以應用的場(chǎng)景將得以拓展。

除人工智能技術(shù)的變革外，2D 到 3D 的變革同樣帶來(lái)技術(shù)能力和應用范圍的提升。相較于 2D 機器視覺(jué)， 3D 機器視覺(jué)可以提供三維信息，從而實(shí)現更廣泛、準確的檢測與分析。3D 機器視覺(jué)可以完成許多 2D 機器視 覺(jué)無(wú)法完成的任務(wù)。3D 相機可以得 到表面凹凸的深度信息，從而準確的判定劃痕和邊緣的凹陷。 3D 機器視覺(jué)覆蓋場(chǎng)景全面，市場(chǎng)空間廣闊。目前 3D 視覺(jué)技術(shù)在高精度檢測、高精度測量（例如彎管、不 規則件）、智能分揀、裝配（引導機械臂在三維空間內避障和定位）、物流車(chē)導航等更多場(chǎng)景中實(shí)現了相較于 2D 機器視覺(jué)更為廣泛的應用覆蓋，具有廣泛的市場(chǎng)空間，根據 GGII 測算，中國工業(yè) 3d 視覺(jué) 2021 年市場(chǎng)規模 11.51 億元。隨著(zhù)我國高端制造業(yè)的發(fā)展，國內 3D 視覺(jué)的應用需求仍將持續保持高增長(cháng)勢頭，預計到 2025 年達到 57.52 億的市場(chǎng)規模。

2.4.1.2 機器視覺(jué)產(chǎn)業(yè)鏈分析

機器視覺(jué)行業(yè)上游環(huán)節價(jià)值量大。關(guān)鍵零部件和軟件系統約占工業(yè)機器視覺(jué)產(chǎn)品總成本的 80%。工業(yè)相機、 底層軟件算法等技術(shù)壁壘高，利潤率高。對機器視覺(jué)上游環(huán)節的掌握是目前市場(chǎng)競爭的關(guān)鍵。同時(shí)，相機、鏡 頭、光源等核心零部件部件在機器視覺(jué)產(chǎn)品中的占比超過(guò) 50%。 國產(chǎn)低端零部件逐步實(shí)現國產(chǎn)替代，高端部件有待突破。技術(shù)門(mén)檻相對較低的零部件如光源，國產(chǎn)廠(chǎng)商憑 借性?xún)r(jià)比優(yōu)勢及逐步體現的產(chǎn)能優(yōu)勢在市場(chǎng)競爭中逐漸實(shí)現對于國外品牌的替代。技術(shù)門(mén)檻較高的零部件如光源及相機，我國企業(yè)進(jìn)入較晚，目前產(chǎn)品仍主要布局中低端市場(chǎng)，高端市場(chǎng)仍主要被國外品牌占據。

機器視覺(jué)上游零部件廠(chǎng)商和中游系統/設備廠(chǎng)商通過(guò)產(chǎn)業(yè)投資/自主研發(fā)等方式逐步拓展產(chǎn)業(yè)鏈上下游布局， 以期進(jìn)一步提升機器視覺(jué)產(chǎn)品性能，同時(shí)在競爭逐漸加劇的機器視覺(jué)行業(yè)中構建起更高的技術(shù)護城河。 奧普特、?？禉C器人通過(guò)自主研發(fā)實(shí)現了機器視覺(jué)核心零部件、軟件算法的全覆蓋。凌云光通過(guò)產(chǎn)業(yè)投資 方式拓展 CMOS 傳感器芯片（長(cháng)光辰芯）和工業(yè)鏡頭（長(cháng)步道光電）布局，并自主開(kāi)發(fā)特色相機、特種相機、 特色專(zhuān)屬光源和圖像采集卡；天準科技自主開(kāi)發(fā) 3D 視覺(jué)傳感器（線(xiàn)激光傳感器），精密驅動(dòng)控制器等視覺(jué)設備 上游零部件。 我們認為，在機器視覺(jué)相關(guān)的光學(xué)成像、軟件算法、自動(dòng)化與精密控制等核心技術(shù)方面具有更深厚積累的 公司在競爭加劇、上下游互相滲透的發(fā)展格局中具備更強的競爭優(yōu)勢，頭部的國產(chǎn)機器視覺(jué)廠(chǎng)商已經(jīng)具備了和 海外龍頭相當的全產(chǎn)業(yè)鏈技術(shù)。

下游應用場(chǎng)景中，機器視覺(jué)在鋰電行業(yè)的滲透率逐步提升。隨著(zhù)鋰電池制造智能化、自動(dòng)化程度的提升， 機器視覺(jué)產(chǎn)品開(kāi)始廣泛地應用于鋰電池設備生產(chǎn)的各個(gè)工段。從前段工藝的涂布輥壓，到中段工藝的電芯組裝， 再到后段化成分容之后的檢測以及模組 PACK 段，機器視覺(jué)應用滲透率在逐步提升。 品質(zhì)管控需求明確，早期的鋰電行業(yè)擴產(chǎn)往往較少考慮質(zhì)量管控，但隨著(zhù)行業(yè)逐步從高速發(fā)展轉向高質(zhì)量 發(fā)展以及用戶(hù)對于鋰電安全的更高需求，機器視覺(jué)已經(jīng)成為鋰電池生產(chǎn)企業(yè)解決質(zhì)量和效率問(wèn)題的必然選擇， 據 GGII 預測，鋰電機器視覺(jué)檢測系統市場(chǎng)規模將保持高速增長(cháng)，未來(lái) 5 年年復合增長(cháng)率在 40%。 競爭格局優(yōu)秀，在 3C 電子和汽車(chē)等行業(yè)中的機器視覺(jué)中海外巨頭有著(zhù)更加強的技術(shù)積累和長(cháng)期合作關(guān)系， 對于我國機器視覺(jué)企業(yè)的市場(chǎng)拓展產(chǎn)生一定阻礙，但鋰電池行業(yè)是近年來(lái)在我國發(fā)展起來(lái)的新興產(chǎn)業(yè)，因此其 中鋰電企業(yè)與我國機器視覺(jué)企業(yè)協(xié)同配合發(fā)展而來(lái)，國產(chǎn)化程度較高。 我們認為，鋰電行業(yè)行業(yè)整體增速較快，且鋰電中的機器視覺(jué)具備行業(yè)增速高、需求明確、競爭格局優(yōu)秀 的優(yōu)勢，在未來(lái)兩三年內有望維持高增速，是最具潛力的下游應用市場(chǎng) 。

2.4.2 工業(yè)機器人

2.4.2.1 移動(dòng)機器人

AGV(Automated Guided Vehicle)，即移動(dòng)機器人，是工業(yè)機器人中的重要種類(lèi)。AGV 可以在沒(méi)有人工干 預的情況下，按照可配置的導引路徑進(jìn)行移動(dòng)和定位；糅合了導航、移動(dòng)、多傳感器控制、網(wǎng)絡(luò )交互等一系列 功能。AGV 在制造業(yè)、倉儲物流等工業(yè)場(chǎng)景有著(zhù)廣泛的應用，可以提高生產(chǎn)效率、降低勞動(dòng)成本、減少產(chǎn)品損 壞、提高安全性。其主要應用場(chǎng)景仍然在搬運領(lǐng)域。 隨著(zhù)人工智能技術(shù)發(fā)展，AGV 的環(huán)境感知能力與靈活運動(dòng)能力不斷提升，新一代自主移動(dòng)機器人 AMR （Autonomous Mobile Robot）應運而生。相比 AGV，AMR 可以融合多重傳感器，具備深度感知能力和強大計 算能力，安全性和行駛的效率相對更高。

行業(yè)持續高速增長(cháng)，發(fā)展勢頭強勁。從總量來(lái)看，2015 年到 2022 年，中國工業(yè)應用移動(dòng)機器人市場(chǎng)規模 保持 7 年連續增長(cháng)，CAGR 為 35.14%，2022 年中國工業(yè)應用機器人市場(chǎng)規模達到 76.8 億元。從增量來(lái)看，中 國工業(yè)應用移動(dòng)機器人產(chǎn)量逐年增加，2022 年增量為 93000，同比增長(cháng) 29.17%。

海外銷(xiāo)售規模不斷增長(cháng)，中國 AGV/AMR 產(chǎn)品全球影響力進(jìn)一步提升。2022 年，中國 AGV/AMR 企業(yè)在 海外市場(chǎng)的銷(xiāo)售規模進(jìn)一步提升，2022 年，中國 AGV/AMR 企業(yè)海外銷(xiāo)售規模為 36 億，同比增長(cháng) 44%，占比 19%。從 2019 年中國 AGV/AMR 海外銷(xiāo)售額首次突破 10 億人民幣到 2022 年的 36 億人民幣，中國企業(yè)整 體海外銷(xiāo)售占比取得顯著(zhù)提升。

行業(yè)集中度高，大型企業(yè)占比接近九成，過(guò)億企業(yè)數逐年增長(cháng)。2022 年度，中國工業(yè)應用移動(dòng)機器人企業(yè) 中，年銷(xiāo)售規模億元以上的大型企業(yè)占據了 89.19%的市場(chǎng)份額，行業(yè)集中度高。行業(yè)向上的發(fā)展態(tài)勢帶動(dòng)銷(xiāo)售 過(guò)億企業(yè)數量逐年增長(cháng)，從 2018 年的 10 家增長(cháng)至 2022 年的 42 家。截至 2022 年，中共工業(yè)應用移動(dòng)機器人企 業(yè)中，有 4 家越過(guò) 10 億門(mén)檻，分別是新松機器人、極智嘉、?？禉C器人以及海柔創(chuàng )新。

2.4.2.2 焊接機器人

焊接機器人是一種能夠自動(dòng)執行焊接（包括切割和噴涂）任務(wù)的工業(yè)機器人。根據焊接方式、結構形式、 負載能力、工作范圍等因素的不同，焊接機器人業(yè)有不同種類(lèi)。焊接機器人廣泛應用于鋼結構、航空、造船、 電子、機械等行業(yè)，可以提高焊接質(zhì)量、效率和安全性，涉及的技術(shù)包括焊接電源技術(shù)、傳感器技術(shù)、離線(xiàn)編 程技術(shù)、智能控制技術(shù)、仿真技術(shù)等。

國內弧焊焊接機器人市場(chǎng)由外資主導，國產(chǎn)替代需求大。根據高工機器人研究所統計，2022 年外資弧焊機 器人仍占據主要份額，占比 54.97%，在汽車(chē)整車(chē)和零部件領(lǐng)域應用較多，主要分日系、歐系、國產(chǎn)三大派系。 日系品牌主要有安川、發(fā)那科、OTC、松下、川崎重工等，歐系品牌包括 KUKA、CLOOS 和 ABB 等；而國產(chǎn) 品牌則在程機械、二三輪車(chē)、五金家具、鋼結構等一般工業(yè)行業(yè)應用較為廣泛。 國內自主品牌弧焊工業(yè)機器人市場(chǎng)份額逐步提升，與外資品牌差距逐漸縮小。2022 年，國產(chǎn)弧焊機器人份 額已達 45.03%，同比增長(cháng) 23.71%，國產(chǎn)替代速度加快。目前市場(chǎng)上尚未有成熟應用于鋼結構行業(yè)領(lǐng)域的智能焊 接機器人，主要潛在競爭產(chǎn)品為示教焊接機器人和進(jìn)口智能焊接機器人。

焊接機器人銷(xiāo)量持續增長(cháng)，鋼構行業(yè)市場(chǎng)較為空缺。高工機器人產(chǎn)業(yè)研究所（GGII）統計數據顯示，2021 年國內市場(chǎng)焊接機器人銷(xiāo)量為 4.16 萬(wàn)臺，同比增長(cháng) 21.99%，主要集中應用于汽車(chē)及 3C 電子領(lǐng)域，鋼結構領(lǐng)域 應用程度不高，而鋼結構行業(yè)對于自動(dòng)化、智能化焊接方案的需求日益迫切。預計 2026 年焊接機器人銷(xiāo)量可達 到 10.3 萬(wàn)臺，復合增長(cháng)率達 16.38%。 海外焊接機器人進(jìn)展迅速，“機器人四大家族”是行業(yè)龍頭，ABB 集團與發(fā)那科公司經(jīng)營(yíng)業(yè)務(wù)有亮點(diǎn)。1） ABB 集團：ABB 是工業(yè)機器人的先行者以及世界領(lǐng)先的機器人制造廠(chǎng)商，在 1994 年就進(jìn)入了中國市場(chǎng)。經(jīng) 過(guò)近 20 年的 發(fā)展，在中國，ABB 先進(jìn)的機器人自動(dòng)化解決方案和包括白 車(chē)身，沖壓自動(dòng)化，動(dòng)力總成和涂 裝自動(dòng)化在內的四大系統 正為各大汽車(chē)整車(chē)廠(chǎng)和零部件供應商以及消費品、鑄造、塑 料和金屬加工工業(yè)提供 全面完善的服務(wù)。 2021 年，ABB 機器人為宇通打造一鍵式操作智能焊接工作站，基于本地自主開(kāi)發(fā)免示教編 程系統，無(wú)需視覺(jué)識別即可自動(dòng)生成包含有工藝參數的軌跡程序，完成不同規格的鋁框的智能化生產(chǎn)。2）FANUC （發(fā)那科）： FANUC 公司創(chuàng )建于 1956 年的日本，是當今世界上數控系統 科研、設計、制造、銷(xiāo)售實(shí)力強大 的企業(yè)。FANUC 機器人產(chǎn)品系列多達 240 種，負重從 0.5 公斤到 1.35 噸，廣泛應用在裝配、搬運、焊接、 鑄造、噴涂、碼垛等不同生產(chǎn)環(huán)節，滿(mǎn)足客戶(hù)的不同需求。

智能化焊接市場(chǎng)需求迫切。1）鋼構產(chǎn)業(yè)焊接技工招工難且成本高，供給需求缺口大，對自動(dòng)化、智能化 焊接方案的需求迫切。國內鋼結構產(chǎn)業(yè)滲透率持續提高，產(chǎn)品產(chǎn)量增加帶動(dòng)鋼結構焊接市場(chǎng)需求。而鋼結構主 要應用于建筑、船舶、重工行業(yè)非標小批量工件多的工業(yè)場(chǎng)景中，焊接工序自動(dòng)化程度低，基本大部分依賴(lài)大 量焊接工人完成焊接。人工焊接技術(shù)要求高、技工培訓周期長(cháng)、焊接工作環(huán)境惡劣，已成為行業(yè)中最緊缺的勞 動(dòng)力之一，焊接工人缺口量逐年遞增，復合增長(cháng)率高達 50%。2021 年國內熟練焊工的年薪已達 18 萬(wàn)元，對企 業(yè)帶來(lái)較大的成本壓力。2）智能化焊接可以保證焊接質(zhì)量穩定，提高生產(chǎn)效率。傳統人工焊接受人為因素影響 較大，焊接質(zhì)量穩定性差，生產(chǎn)效率低，且鋼結構加工涉及組立、矯正、裝配、打磨、拋丸、表面防腐等多道 工序，整個(gè)生產(chǎn)過(guò)程不透明，對生產(chǎn)進(jìn)度、生產(chǎn)質(zhì)量和生產(chǎn)異常的處理缺乏信息化管控，產(chǎn)品交付時(shí)常延期， 實(shí)現智能化焊接是提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

免示教智能焊接機器人符合鋼結構行業(yè)需求。鋼結構產(chǎn)業(yè)是典型非標生產(chǎn)行業(yè)，產(chǎn)品基本全為非標定制化 生產(chǎn)。鋼結構生產(chǎn)原材料基本為鋼板、 鋼管等，但由于規格、性能指標等因素的存在，原材料種類(lèi)多，且受到 客戶(hù)需求、政策和設計師習慣的影響，每個(gè)部件的加工內容、方式及尺寸都有特定的要求。鋼構行業(yè)以中厚板 焊接為主，對設備精度和機器人技術(shù)要求高。大多應用弧焊機器人。 免示教機器人適合鋼構行業(yè)小批量非標柔性加工場(chǎng)景。傳統示教再現型機器人通過(guò)執行示教程序進(jìn)行重復 性工作，對焊接工件一致性要求較高，且需要人工引導機器人進(jìn)行預期動(dòng)作編輯，多用于重復、標準化加工中， 如汽車(chē)、摩托車(chē)加工，對非標產(chǎn)品操作耗時(shí)長(cháng)、效率低。免示教智能焊接機器人融合智能感知、智能規劃、智 能控制等技術(shù)，構成以知識和 推理為核心的智能焊接系統，通過(guò)與智能技術(shù)、工藝數字化技術(shù)等先進(jìn)技術(shù)融合， 實(shí)現了面向不同作業(yè)場(chǎng)景、作業(yè)任務(wù)、作業(yè)工藝，與鋼構行業(yè)焊接需求高度契合。

2.4.3 工業(yè)軟件

2.4.3.1 工業(yè)軟件行業(yè)總覽

工業(yè)軟件是工業(yè)創(chuàng )新知識長(cháng)期積累、沉淀并在應用中迭代進(jìn)化的軟件產(chǎn)物。工業(yè)軟件的根基仍然是工業(yè)行 業(yè)本身，有賴(lài)于正向創(chuàng )新和行業(yè)創(chuàng )新知識的積累，是一個(gè)長(cháng)期系統工程。任何工業(yè)知識都必須先形成完整的體 系，搭建出知識庫和模型庫，并在實(shí)踐中反復應用、更改，與工程緊密結合并不斷更新迭代，才有可能形成工 業(yè)軟件。因此，工業(yè)軟件是工業(yè)創(chuàng )新知識的載體，依靠軟件化這一關(guān)鍵過(guò)程，通過(guò)強大的軟件工程能力才得以 實(shí)現。軟件平臺與架構將直接決定工業(yè)軟件產(chǎn)品的生命力。 工業(yè)軟件可分為四大類(lèi)，分別為研發(fā)設計軟件、生產(chǎn)控制軟件、信息管理軟件和嵌入式軟件，在工業(yè)生產(chǎn) 流程中發(fā)揮著(zhù)不同的作用。1）研發(fā)設計軟件：面向各類(lèi)工業(yè)品研發(fā)、設計、加工的基礎軟件，提高開(kāi)發(fā)效率、 降低開(kāi)發(fā)成本、縮短開(kāi)發(fā)周期。2）生產(chǎn)控制軟件：基于工業(yè)生產(chǎn)的流程，負責生產(chǎn)的流程調度、流程控制、流 程監控，提升產(chǎn)品生產(chǎn)的自動(dòng)化和智能化程度。3）信息管理軟件：服務(wù)于產(chǎn)品的“進(jìn)銷(xiāo)存”環(huán)節信息以及企業(yè) 整體的業(yè)務(wù)管理信息助力企業(yè)實(shí)現數字化管理。4）嵌入式軟件：嵌入在硬件中的操作系統或開(kāi)發(fā)工具軟件，提 高生產(chǎn)裝備智能化水平。

根據工信部、中國電子信息產(chǎn)業(yè)統計年鑒數據，我國工業(yè)軟件增速持續領(lǐng)先于全球工業(yè)軟件市場(chǎng)。2022 年， 我國工業(yè)軟件產(chǎn)品收入 2407 億元，同比增長(cháng) 14.29%。2018 年至 2022 年，我國工業(yè)軟件產(chǎn)品收入年復合增長(cháng)率 高達 16%。 目前制造業(yè)企業(yè)信息化率仍較低，未來(lái)仍有較大發(fā)展空間。從現階段看，我國制造業(yè)企業(yè)信息化率仍較低， 《2018 年中國制造業(yè)痛點(diǎn)分析報告》數據顯示，制造業(yè)企業(yè)的數字化設備聯(lián)網(wǎng)率僅為 39%、MES 普及率只有 18.1%。而《智能制造裝備產(chǎn)業(yè)“十三五”發(fā)展規劃》指出，到 2020 年，重點(diǎn)領(lǐng)域數字化研發(fā)設計工具普及率 達到 70%以上，關(guān)鍵工序數控化率達到 50%以上，數字化車(chē)間/智能工廠(chǎng)普及率達到 20%以上，我國工業(yè)軟件行 業(yè)未來(lái)仍有較大發(fā)展空間。從 ERP 的普及率來(lái)看，Gartner 的數據顯示，我國 ERP 的普及率（ERP/GDP）僅為 0.015%，遠低于美國的 0.059%。目前 3C、汽車(chē)、家電、化工、電力等行業(yè)是 IT 投入主要領(lǐng)域。其中，3C 行 業(yè)前五大企業(yè)連續三年 IT 投入成本最大，達到 450 億元。

2.4.3.2 工業(yè)軟件行業(yè)聚焦：CAD——計算機輔助設計

CAD 軟件是工業(yè)軟件中最關(guān)鍵、技術(shù)門(mén)檻最高的一類(lèi)軟件，市場(chǎng)空間廣闊，增長(cháng)態(tài)勢良好。CAD 軟件承接 產(chǎn)業(yè)鏈上游硬件設備、操作系統、開(kāi)發(fā)工具等行業(yè)，服務(wù)下游發(fā)電、建材、化工、冶金、煤礦等應用領(lǐng)域；涉 及數學(xué)、物理、計算機及工程四大學(xué)科的專(zhuān)業(yè)知識，具備較高的技術(shù)壁壘。從上世紀五六十年代發(fā)展至今，CAD 從最初的機械制造逐漸拓展到建筑、電子、汽車(chē)、航天、輕工、影視、廣告等諸多行業(yè)領(lǐng)域。Autodesk、Dassault、 Siemens、PTC 等廠(chǎng)商憑借技術(shù)優(yōu)勢和長(cháng)期的市場(chǎng)積累占據主導地位，全球 CAD 市場(chǎng)增長(cháng)趨于穩定。 全球工業(yè)軟件及 CAD 行業(yè)發(fā)展態(tài)勢向好，國內工業(yè)軟件及 CAD 行業(yè)保持增長(cháng)態(tài)勢。工業(yè)軟件，特別是 CAD 軟件，具有應用廣泛、學(xué)科知識跨度廣、技術(shù)壁壘高等特點(diǎn)，增長(cháng)態(tài)勢向好。近五年，全球工業(yè)軟件市場(chǎng) 規模與 CAD 市場(chǎng)規模保持穩定增長(cháng)，其中全球 2016-2023 年 CAD 市場(chǎng)規模預計將實(shí)現 6.03%的 CAGR；國內 得益于數字經(jīng)濟東風(fēng)與國產(chǎn)化替代浪潮，工業(yè)軟件與 CAD 行業(yè)向上態(tài)勢明顯。

CAD 發(fā)展有賴(lài)于技術(shù)革命，關(guān)鍵技術(shù)的研發(fā)將是未來(lái) CAD 行業(yè)競爭焦點(diǎn)，國產(chǎn) CAD 軟件進(jìn)步空間大。 CAD 行業(yè)發(fā)展史也是技術(shù)革命史，從 2-2.5D 模型到三維框線(xiàn)模型，從曲面造型技術(shù)到實(shí)體造型技術(shù)，從參數化 技術(shù)到變量化技術(shù)，不同時(shí)點(diǎn)的技術(shù)進(jìn)步既帶來(lái)行業(yè)的騰飛，也造就新的行業(yè)龍頭，放眼未來(lái)，CAD 行業(yè)的發(fā) 展仍將聚焦于關(guān)鍵技術(shù)的研發(fā)上。

CAD 與 AI 結合是產(chǎn)業(yè)新趨勢，可以提高設計效率、優(yōu)化設計質(zhì)量、創(chuàng )造新的設計形式。第四范式的“式 說(shuō)”大模型是一個(gè)基于生成式 AI 的新型開(kāi)發(fā)平臺，具備文本、語(yǔ)音、圖像、表格、視頻等多模態(tài)交互及企業(yè)級 Copilot 能力，以生成式 AI 重構企業(yè)軟件（AI-Generated Software），提升企業(yè)軟件的體驗和開(kāi)發(fā)效率。式說(shuō)大模 型可以用來(lái)輔助或自動(dòng)生成 CAD 3D 模型，用戶(hù)通過(guò)自然語(yǔ)言交互就可以調用工業(yè)軟件的功能，輔助完成設計。

回望海外 CAD 龍頭的發(fā)展史，可發(fā)現其競爭優(yōu)勢各異，但核心技術(shù)的發(fā)展與對于用戶(hù)使用體驗的關(guān)注是 共同主線(xiàn)。海外三大 CAD 巨頭中，達索系統具有一體化+云化平臺 3DEXPERIENCE，同時(shí)具有功能各異的幾 何內核 CGM+ACIS，由此產(chǎn)生差異化 CAD 產(chǎn)品 CATIA+SOLIDWORKS，共同推動(dòng)其占領(lǐng)不同類(lèi)型市場(chǎng)，取得 領(lǐng)先地位。Autodesk 公司通過(guò)多次技術(shù)轉型構造競爭壁壘，同時(shí)不斷更新迭代產(chǎn)品應對需求，不斷改革定價(jià)策 略與商業(yè)模式以匹配其戰略，實(shí)現蓬勃發(fā)展。西門(mén)子密切關(guān)注云化+平臺化趨勢，開(kāi)發(fā) Xcelerator 開(kāi)放式數字商 業(yè)平臺，構造開(kāi)放的生態(tài)體系，創(chuàng )建功能完善且用戶(hù)體驗良好的 CAD 軟件。 海外 CAD 龍頭的并購史遵循三類(lèi)并購邏輯。1）在技術(shù)層面進(jìn)行第一類(lèi)并購，針對突破核心技術(shù)的中小型 公司，獲取核心技術(shù)，提高競爭壁壘，進(jìn)一步賦能產(chǎn)品研發(fā)。2）在市場(chǎng)層面進(jìn)行第二類(lèi)并購，針對具有垂直行 業(yè)知識或在某垂直行業(yè)取得領(lǐng)先地位的中小型公司，開(kāi)拓垂直市場(chǎng)，獲取對應客群，節省落地成本。3）在生態(tài) 層面進(jìn)行第三類(lèi)并購，針對生態(tài)鏈條上缺失的 ERP、MSE 等類(lèi)型軟件，完善生態(tài)系統，實(shí)現應用聯(lián)動(dòng)。

CAD 國內領(lǐng)先公司發(fā)展態(tài)勢良好，包括中望軟件、浩辰軟件、華天軟件、數碼大方。1)中望軟件是領(lǐng)先的 All-in-One CAX 解決方案提供商，2D 領(lǐng)域具有自主內核產(chǎn)品平臺 ZWCAD。3D 領(lǐng)域具有自主建模內核 CAX 一 體化軟件 ZW3D，產(chǎn)品達到第二陣營(yíng)技術(shù)指標標準，處于國內領(lǐng)先地位，業(yè)績(jì)發(fā)展良好，教育市場(chǎng)收入不斷增 加。2）浩辰軟件具有內置協(xié)同設計，致力于打造一體化國產(chǎn) 2D CAD 解決方案，同時(shí)發(fā)展云端，致力于建設國 內領(lǐng)先的云化 CAD 解決方案。2D CAD 為公司主要營(yíng)收來(lái)源，未來(lái)看好云化 CAD 業(yè)務(wù)。3）華天軟件具有完全 自主產(chǎn)權，在模具行業(yè)處于領(lǐng)先地位，目前公司旗下有 CrownCAD、SINOVATION、Sview、SViewVIZ 等一系 列功能強大的軟件產(chǎn)品，營(yíng)收年化增速達 11.2%，有望繼續增長(cháng)。4）數碼大方實(shí)現深度產(chǎn)教融合，堅持以“企 業(yè)需求為導向，教學(xué)實(shí)訓為中心”。

三、國產(chǎn)算力自主可控

隨著(zhù)大語(yǔ)言模型能力不斷升級，生成式 AI 帶來(lái)個(gè)人生產(chǎn)力革命，大語(yǔ)言模型爆發(fā)出巨大的應用潛力，模型 參數持續提升帶來(lái)更高的模型訓練算力需求，大模型的商業(yè)化落地催生了更大的推理算力和通信能力需求。從 需求端出發(fā)，我們測算了大模型帶來(lái)的 GPU 增量空間。 測算原理：從模型的（1）參數規模入手，根據（2）訓練大模型所需的 Token 數量和（3）每 Token 訓練成 本與模型參數量的關(guān)系估算總算力需求，再考慮（4）單張 GPU 算力和（5）GPU 集群的算力利用率推導得出 GPU 總需求。

（1）參數規模：過(guò)去幾年，大模型的參數量呈指數上升，GPT-3 模型參數量已達到 1750 億。GPT-4 具有 多模態(tài)能力，其參數量相比 GPT-3 會(huì )更大。我們在測算中假設 2023 年多模態(tài)大模型的平均參數量達到 10000 億個(gè)，之后每年保持 20%的增速；普通大模型的平均參數量達到 2000 億個(gè)，之后每年保持 20%的增速。 （2）訓練大模型所需的 Token 數量：參數規模在千億量級的自然語(yǔ)言大模型 GPT-3、Jurassic-1、Gopher、 MT-NLG，訓練所需的 Token 數量在千億量級，而一些多模態(tài)大模型在訓練過(guò)程中所需 Token 數據量也跟隨參 數量增長(cháng)而增長(cháng)，我們在測算中假設多模態(tài)大模型訓練所需 Token 數量達到萬(wàn)億級別，并且 Token 數量與模型 參數規模保持線(xiàn)性增長(cháng)關(guān)系。 （3）每 Token 訓練成本與模型參數量的關(guān)系：參考 OpenAI 發(fā)布的論文《Scaling Laws for Neural Language Models》中的分析，每個(gè) token 的訓練成本通常約為 6N，其中 N 是 LLM 的參數數量，我們在測算中遵循這一 關(guān)系。 （4）單張 GPU 算力：因為在訓練大模型時(shí)，主要依賴(lài)可實(shí)現的混合精度 FP16/FP32 FLOPS，即 FP16 Tensor Core 的算力，我們在測算中選取 A100 SXM 和 H100 SXM 對應的算力 312 TFLOPS 和 990 TFLOPS 作為參數。 （5）GPU 集群的算力利用率：參考 Google Research 發(fā)布的論文《PaLM: Scaling Language Modeling with Pathways》中的分析，我們在測算中假設算力利用率約為 30%。 其他基本假設包括多模態(tài)研發(fā)廠(chǎng)商個(gè)數、普通大模型研發(fā)廠(chǎng)商個(gè)數等。根據所有假設及可以得到，2023 年 -2027 年，全球大模型訓練端峰值算力需求量的年復合增長(cháng)率為 78.0%。2023 年全球大模型訓練端所需全部算 力換算成的 A100 總量超過(guò) 200 萬(wàn)張，新增市場(chǎng)需求空前旺盛。

3.1 國產(chǎn)算力迎來(lái)高速發(fā)展期

2023 年 10 月 17 日美國商務(wù)部和安全局（BIS）發(fā)布一攬子規則，旨在更新對中國的先進(jìn)計算芯片的出口 管制。出口管制清單 CCL 中的 ECCN 3A090 修正，該規則將于 2023 年 11 月 16 日起生效。以下條件，滿(mǎn)足 一個(gè)就受到出口限制： 3A090a：針對最高性能芯片(1): TPP 超過(guò) 4800(2): TPP 超過(guò) 1600，且 PD 超過(guò) 5.92。 3A090b：針對次高性能芯片(1): TPP 處于［2400,4800)，且 PD 處于［1.6,5.92)；(2): TPP 在［1600,+∞） 區間，且 PD 處于［3.2.5.92）區間。 其中 TPP 為總算力性能，PD 為性能密度，性能密度定義為：總處理性能/芯片面積。

2023 年 10 月 17 日的芯片出口管制禁令更為嚴格，雖然消除了之前的帶寬限制，但是算力限制更為嚴格。 主流的英偉達 H100、H800、A100、A800、L40S、RTX4090 等均在出口管制范圍內。

英偉達和 AMD 是目前全球 GPGPU 的領(lǐng)軍企業(yè)。英偉達的通用計算芯片具備優(yōu)秀的硬件設計，通過(guò) CUDA 架構等全棧式軟件布局，實(shí)現了 GPU 并行計算的通用化，深度挖掘芯片硬件的性能極限，在各類(lèi)下游應用領(lǐng)域 中，均推出了高性能的軟硬件組合，逐步成為全球 AI 芯片領(lǐng)域的主導者。AMD 2018 年發(fā)布用于數據中心的 Radeon Instinct GPU 加速芯片，Instinct 系列基于 CDNA 架構，如 MI250X 采用 CDNA2 架構，在通用計算領(lǐng)域 實(shí)現計算能力和互聯(lián)能力的顯著(zhù)提升，此外還推出了對標英偉達 CUDA 生態(tài)的 AMD ROCm 開(kāi)源軟件開(kāi)發(fā)平臺。 國內 AI 芯片廠(chǎng)商正逐步縮小與英偉達、AMD 的差距，出口管制下國產(chǎn)芯片快速發(fā)展勢在必行。英偉達憑 借其硬件產(chǎn)品性能的先進(jìn)性和生態(tài)構建的完善性處于市場(chǎng)領(lǐng)導地位，國內廠(chǎng)商雖然在硬件產(chǎn)品性能和產(chǎn)業(yè)鏈生 態(tài)架構方面與前者有所差距，但正在逐步完善產(chǎn)品布局和生態(tài)構建，不斷縮小與行業(yè)龍頭廠(chǎng)商的差距。國內主 要 AI 芯片包括昇騰、寒武紀、海光信息、天數智芯等。

3.2 服務(wù)器：AI 時(shí)代全球服務(wù)器市場(chǎng)高速增長(cháng)

3.2.1 AI 時(shí)代全球服務(wù)器市場(chǎng)高速增長(cháng)，AI 服務(wù)器出貨量占比進(jìn)一步提升

AI 服務(wù)器為算力基礎設施最重要硬件之一，與普通服務(wù)器的絕大多數空間分配給 CPU 相比，AI 服務(wù)器 采用異構形式，可根據應用的范圍采用不同的組合方式，一般采取 CPU+多顆 GPU 的架構，也有 CPU+TPU、 CPU+其他的加速卡等組合。相較普通服務(wù)器，AI 服務(wù)器更擅長(cháng)并行運算，具有高帶寬、性能優(yōu)越、能耗低等優(yōu)點(diǎn)。對比 CPU 和 GPU 的內部架構，CPU 采用整塊的 ALU(運算單元)，且大量空間用于控制單元和緩存，串 行計算能力強；而 GPU 采用分立的大量 ALU，很少空間分配給控制單元和緩存，并行計算能力強。而由于圖 像識別、視覺(jué)效果處理、虛擬現實(shí)、大模型訓練等任務(wù)都包含大量的簡(jiǎn)單重復計算、矩陣計算等，更適合用搭 載 GPU 更多的異構型 AI 服務(wù)器進(jìn)行處理，而隨著(zhù)企業(yè)的智能化變革和通用大模型的興起，以 GPU 為核心的異 構型 AI 服務(wù)器將在算力基礎設施建設中占據愈發(fā)重要的地位。

IDC 預計，全球 AI 服務(wù)器市場(chǎng)將從 2022 年的 195 億美元增長(cháng)到 2026 年的 347 億美元，五年年復合增長(cháng)率 達 17.3%；其中，用于運行生成式人能的服務(wù)器市場(chǎng)規模在整體人工智能服務(wù)器市場(chǎng)的占比將從 2023 年的 11.9% 增長(cháng)至 2026 年的 31.7%。隨著(zhù)數據量的持續提升，大模型參與玩家和單個(gè)模型參數量提升，以及數字化轉型推 進(jìn)等多因素影響，AI 服務(wù)器市場(chǎng)規模將繼續保持較快增長(cháng)；2022 年中國 AI 服務(wù)器市場(chǎng)規模 67 億美元，同比增 長(cháng) 24%。其中 GPU 服務(wù)器占據主導地位，市場(chǎng)份額為 89%至 60 億美元。同時(shí)，NPU、ASIC 和 FPGA 等非 GPU 加速服務(wù)器以同比 12%的增速占有了 11%的市場(chǎng)份額，達到 7 億美元。預計 2023 年，中國人工智能服務(wù)器市場(chǎng) 規模將達 91 億美元，同比增長(cháng) 82.5%，2027 年將達到 134 億美元，五年年復合增長(cháng)率為 21.8%。

3.2.2 AI 服務(wù)器市場(chǎng)集中度有望提升，國內廠(chǎng)商呈現一超多強格局

據 IDC 數據，2022 年上半年全球 AI 服務(wù)器市場(chǎng)中，浪潮信息、戴爾、惠普、聯(lián)想、新華三分別以 15.1%、 14.1%、7.7%、5.6%、4.7%的市場(chǎng)份額位居前五位。市場(chǎng)格局相對分散，龍頭廠(chǎng)商份額較為接近。此外，由于以 北美云廠(chǎng)商為主的需求方偏向于采用 ODM 模式，因此非品牌商份額占比較高，接近 50%。 據 IDC 數據，2022 年我國 AI 服務(wù)器市場(chǎng)按銷(xiāo)售額統計市場(chǎng)份額中，浪潮信息、新華三、寧暢位居前三位， 市場(chǎng)份額分別為 47%、11%、9%。市場(chǎng)格局呈現一超多強局面，除浪潮外其與廠(chǎng)商份額相對接近。由于國內頭 部廠(chǎng)商采用類(lèi) ODM 模式服務(wù)互聯(lián)網(wǎng)客戶(hù)，因此 ODM 廠(chǎng)商份額占比偏低。

四、大模型技術(shù)基座國產(chǎn)化

4.1 EDA 算法國產(chǎn)替代

EDA 板塊：增速穩定、高壁壘、高估值板塊。1）增速穩定：EDA 公司商業(yè)模式大多數為按年付費，一般 收費在 IC 設計公司收入的 1%-3%之間，占 IC 公司收入比重較低，并且 EDA 公司議價(jià)權較高，因此對于成熟 穩定的客戶(hù)，每年給 EDA 公司付費基本穩定或者略有增長(cháng)，商業(yè)模式和高壁壘決定了 EDA 公司受下游需求波 動(dòng)影響較小。EDA 行業(yè)增長(cháng)一是受益于 IC 設計門(mén)檻降低，IC 公司數量越來(lái)越多，二是 IC 品類(lèi)不斷拓張，比如 第三代半導體的出現，三是伴隨著(zhù)先進(jìn)制程迭代，產(chǎn)品復雜度提高帶來(lái)的單價(jià)提升。加上盜版等因素的存在， 實(shí)際上有部分需求并未體現在 EDA 公司收入中，通過(guò)盜版的不斷轉化，EDA 龍頭公司中長(cháng)期均保持穩定增長(cháng)。 2）高壁壘；技術(shù)壁壘本身較高，需要強大的數學(xué)物理基礎理論支撐，對算法要求很高。同時(shí)用戶(hù)協(xié)同壁壘較高， 制造、設計、EDA 廠(chǎng)商三方形成穩定的生態(tài)圈，新進(jìn)入者極難打破。因此，高壁壘以及良好的業(yè)務(wù)穩定性和成 長(cháng)性，使得 EDA 公司如新思科技、Cadence 在美股半導體板塊中估值一直相對較高。

EDA 行業(yè)保持穩定增長(cháng)，國內增速更快。根據賽迪數據，2020 年全球 EDA 行業(yè)實(shí)現總銷(xiāo)售額 72.3 億美元， 同比增長(cháng) 10.7%。預計至 2024 年，全球市場(chǎng)規模有望達到 105 億美元，2020-2024 年復合年均增長(cháng)率為 7.8%。 2020 年國內 EDA 市場(chǎng)規模為 66.2 億，預計至 2024 年，我國 EDA 工具市場(chǎng)規模有望達到 115 億元人民幣，2020 至 2024 年的市場(chǎng)規模符合年均增長(cháng)率近 17%。

EDA 結合人工智能是趨勢。EDA 問(wèn)題具有高維度、不連續、非線(xiàn)性和高階交互的特性，機器學(xué)習等算法 能夠顯著(zhù)提高 EDA 的自主程度，提升 IC 設計效率，縮短研發(fā)周期。人工智能賦能 EDA 主要從 Inside 和 Outside 兩方面實(shí)現，從 Inside 方面，通過(guò)機器學(xué)習對 DRC、能耗、時(shí)序等預測，在參數模型建立過(guò)程中實(shí)現參數的優(yōu) 化，同時(shí)實(shí)現更高效的物理空間設計。Outside 方面，通過(guò)機器學(xué)習方式，減少人工干預，極大釋放勞動(dòng)力。

EDA巨頭積極進(jìn)行人工智能與芯片設計的深度融合。EDA巨頭Cadence發(fā)布了內嵌人工智能算法的Innovus， Project Virtus，Signoff Timing 等工具，實(shí)現了全流程數字化智能化。Mentor 通過(guò)機器學(xué)習 OPC 將光學(xué)鄰近效應 修正(OPC)輸出預測精度提升到納米級，同時(shí)將執行時(shí)間縮短 3 倍。Synopsys 推出業(yè)界首個(gè)用于芯片設計的自 主人工智能應用程序——DSO.aiTM。英偉達發(fā)布大語(yǔ)言模型 ChipNeMo，輔助工作人員完成與芯片設計相關(guān)的 任務(wù)，可以回答有關(guān)芯片設計的一般問(wèn)題、總結 bug 文檔，以及為 EDA 工具編寫(xiě)腳本等。 國產(chǎn) EDA 產(chǎn)商迎來(lái)新戰略機遇期。目前全球 EDA 工具上大約有近百家，排名前三的公司分別是新思科技 （Synopsys）、鏗騰電子（cadence）和明導（Mentor），三家巨頭占據著(zhù)全球近 7 成左右的市場(chǎng)份額，在中國的 市占率更是超過(guò) 95%。2022 年 8 月生效的《2022 芯片與科學(xué)法案》對 EDA 軟件進(jìn)行了出口管制，在中美貿易 戰、科技戰持續深化的背景下，加強對卡脖子的關(guān)鍵核心技術(shù)研發(fā)的支持成為半導體領(lǐng)域的重點(diǎn)，半導體芯片的軟硬件國產(chǎn)化比例不斷提升，芯片核心技術(shù)自主可控勢在必行，國產(chǎn) EDA 廠(chǎng)商迎來(lái)重要的發(fā)展機遇。