2022 年 11 月尾，OpenAI 发布了人机对话模型 ChatGPT，在两个月不到的韶光内其线上生动用户规模超 过 1 亿人，天生式大模型受到越来越广泛的关注，人工智能行业进入到以大模型为代表的快速发展阶段，巨量 参数和智能呈现是这一轮人工智能变革的范例特色。
微软、谷歌、Meta、亚马逊等环球科技巨子将大模型视为 主要的发展机遇，在天生式大模型领域加速布局，积极投入且成果频频。
我国的浩瀚互联网厂商和人工智能企 业也积极投身到大模型领域中，百度、讯飞、阿里、华为、腾讯、商汤等企业也在快速更迭自己的大模型，同 时高校、科研院所也积极投身大模型家当，取得了显著成果。

1.1.1 国内外大模型发展情形

国外大模型起步相对较早，2021 年进入到快速发展期。
2017 年 Transformer 模型的出身可以被视为大模型 行业的开端，谷歌、OpenAI、微软、英伟达等大型科技企业引领了早期的技能探索，在 2020-2021 年间逐步确 立了大模型的整体技能路径，国外大模型行业开始加速发展。
根据赛迪顾问数据，截止 2023 年 7 月尾，国外大 模型累计发布 138 个，个中美国发布 114 个，大模型数量大幅领先。
从 2020 年起，更多国家的企业和科研单位 逐步加入到大模型的研发中，韩国、日本、法国模型数量位列美国之后。
国外已发布的大模型紧张集中在自然 措辞和多模态两类，个中自然措辞占比 68%，多模态占比 18%，其他类型大模型合计占比 14%。

在大模型家当领域，中国紧跟国际前沿。
2021 年起，中国也开启了大模型的发布热潮，呈现出一批有代表 性且具备影响力的大模型。
受 ChatGPT 影响，海内大模型在 2023 年进入到高速发展阶段，一韶光呈现“百模 大战”局势。
根据赛迪顾问， 截止 2023 年 7 月尾，中国累计发布了 130 个大模型，个中 64 个大模型是在 2023 年年内发布。
海内大模型技能分布基本与外洋同等，65%的大模型集中在自然措辞领域，22%的大模型集中在多 模态领域。

1.1.2 国外大模型行业发展现状

OpenAI：模型性能一骑绝尘，引领大模型行业发展趋势

2022 年底 ChatGPT 引爆社交网络，人工智能行业进入到以大模型为主的快速发展阶段。
OpenAI 在 GPT-3.5 版本的根本上，通过 3 个步骤实现基于人类反馈的强化学习微调（RLHF），得到人机对话模型 ChatGPT。
通过 与人类答案的对齐过程，显著提升了大模型的人机对话体验。
GPT-4 具备卓越的文本处理能力，初步领悟多模态能力，能力再度升级。
2023 年 3 月 15 日，OpenAI 发布多模态预演习大模型 GPT-4，相较于过去的 GPT 系列模型，提升包括几个方面，GPT-4 相较于 ChatGPT 有更强 的高等推理能力，相较于过去的 GPT 系列模型，GPT-4 在更多运用领域成为专家，包括为机器学习模型评判标 准和为人类设计的专业测试，从“百科全书”逐步成为文理通吃的“专家”。
GPT-4 在可控性和真实性方面较 ChatGPT 有大幅提升。

2023 年 9 月 25 日，OpenAI 再度开放了带视觉能力的 GPT-4V，用户能够辅导 GPT-4 剖析用户供应的 图像。
在输入 GPT-4V 支持格式方面，其支持处理图像、子图像、文本、场景文本和视觉指针（visual pointers） 等多种输入。
此外，GPT-4V 还支持 LLMs 中支持的技能，包括指令跟随、思维链和高下文少样本学习等。
GPT-4V 在处理任意交错的多模态输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 为强大的多模态系统。
11 月 7 日，OpenAI 首次开拓者大会发布了最新模型 GPT-4 Turbo，其作为一个标准化的 AI Agent，初 步具备了方案和工具选择的能力，可以自动选择接入互联网、进行数据剖析、图像天生等诸多功能，真正 进化为了统一智能体。
除了标准化的 GPT-4 以外，定制版的 GPTs 可以为用户在日常生活、特界说务、工 作或家庭中供应帮助，用户无需编写代码就可以创建属于自己的定制化的智能助理，诸多定制化的 GPTs 的利用体验显著优于 GPT-4，GPTs 开启了一个全民定制个人智能助理的浪潮。
OpenAI 同时还将推出 GPT store 和 Assistants API，不断打造 GPTs 开拓者生态。

Google：深度学习研究的引领者，AI 技能家当落地先行者

在上一轮深度学习的 AI 革命中，AI 逐步达到了与人类媲美、乃至超越人类（部分场景）的水平，逐步走 入大众视野，而 Google 和 Deepmind 是个中的的引领者。
由 Google 和 Deepmind 提出的 Word2Vec、AlphaGo 等模型以及 sequence to sequence、深度强化学习等技能是上一轮 AI 革命乃至这一轮 AI 浪潮的首创性、奠基性 事情，推动着 AI 技能的成熟与发展。
在这一轮预演习大模型的 AI 浪潮中，AI 展现出在更多详细场景中强大的 运用性能，逐步从学术研究走向商业化落地。
Google 在 2022 年 4 月推出了 PaLM 模型，其具有 5400 亿参数，基于 Transformer 的 Decoder 设计，PaLM 模型在多个下贱任务中具有精良性能。
5 月 11 日，Google 在最新一届 I/O 开拓者大会上官宣大措辞模型 PaLM 2，称其在部分任务上超越 GPT-4。
PaLM 2 在超过 100 种措辞的多措辞文本上进行了演习，这使得它在措辞理 解、天生和翻译上的能力更强，并且会更加善于知识推理、数学逻辑剖析。
PaLM 2 在大量公开可用的源代码 数据集上进行了预演习，这意味着它善于盛行的编程措辞，如 Python 和 JavaScript，但也可以用 Prolog，Fortran 和 Verilog 等措辞天生专门的代码。

目前谷歌的谈天机器人 Bard 以及超过 25 个 AI 产品和功能，都由 PaLM 2 作为底层技能支持。
详细的表现 之一是 Duet AI，一款类似于微软 365 Copilot 的产品、能够内嵌在各种办公软件中的 AI 助手。
基于 PaLM 2， 谷歌还推出了两个专业领域大模型。
一个是谷歌康健团队打造的 Med-PaLM 2。
另一个专业大模型是面向网络安 全掩护的 Sec-PaLM 2，它利用人工智能来帮助剖析和解释潜在恶意脚本的行为，并在非常短的韶光内检测哪些 脚本对个人和组织构成威胁。

META：通过开源 LLaMa 等大模型，引领大模型开源生态

LLaMA：2023 年 2 月 25 日，Meta 官网公布了一个新的大型措辞模型 LLaMA（Large Language Model Meta AI），从参数规模来看，Meta 供应有 70 亿、130 亿、330 亿和 650 亿四种参数规模的 LLaMA 模型，并用 20 种 措辞进行演习。
Meta 推出的 LLaMA 参数规模有 70 亿（7B）、130 亿（13B）、330 亿（33B）和 650 亿（65B） 四种。
LLaMA-13B 在大多数基准测试中，参数仅为十分之一，但性能优于 OpenAI 的 GPT-3（175B），而且能 跑在单个 GPU 上。
LLaMA-65B 与 DeepMind 700 亿参数的 Chinchilla-70B 和谷歌 5400 亿参数的 PaLM-540B 不 相高下。

LLaMA2：2023 年 7 月 19 日，Meta 发布了免费商用版开源大模型 LLaMA2，各个企业能够以相对低廉的 价格在该模型上开拓运用，为客户供应自主的大模型。
Meta 发布的 LLaMA 2 模型系列包含 70 亿、130 亿和 700 亿三种参数变体，演习数据采取了更新之后的稠浊数据，模型方面采取文本输入与文本输出，预演习模型 在2万亿token上进行演习，演习token总数相较于LLaMA 1增加了40%。
LLaMA 2学术基准测试优于LLaMA1， 专业场景中能力进一步提升。
公布的测评结果显示，LLaMA 2 在包括推理、编码、精通性和知识测试等方面均 优于附近演习参数下的 LLaMA 1。
LLaMA 2 模型最大的变革除了性能提升，还表示在 B 端可以助力企业开拓自 己的大模型，C 端可以丰富 AIGC 运用，改变了以往大模型由多家科技巨子垄断的格局，AI 运用实现加速落地。
目前，用户已经能够在 Azure 平台上微调和支配 7B、13B 和 70B 参数的 LLaMA 2 模型。

Meta 与微软达成互助，联手推动 AI 运用的商业化落地。
Meta 正式开源了 LLaMA 2 版本，可免用度于商 业用场，微软宣告携手。
最新版本的模型将在微软的 Azure 和 Windows 平台上线并开源，用户可以在云做事中 利用 Llama 2 作为根本模型，快速构建适用于自身业务的专用大模型。
目前，用户已经能够在 Azure 平台上微 调和支配 7B、13B 和 70B 参数的 LLaMA 2 模型。
未来，LLaMA 将进行优化，以在 Windows 受骗地运行。

1.1.3 海内大模型发展现状

百度

从 2010 年的百度搜索开始，百度成立了自然措辞部门，初步研究互联网机器翻译技能，2013 年推出百度 语音助手，2014 年推出智能搜索小度机器人，2017 年推出智能客服。
在长期的布局和发展中，百度构建了完全 的措辞与知识技能布局，包括知识图谱、措辞理解与天生技能，以及上述技能所支持的包含智能搜索、机器翻 译、对话系统、智能写作、深度问答等在内的的运用系统。
2023 年 3 月 16 日，百度发布了天生式人工智能大模型“文心一言”。
作为文心大模型家族的新成员，文心 一言在文心知识增强大模型 ERNIE 及对话大模型 PLATO 的根本上研发。
文心一言包含六大核心技能模块，包 括：1）有监督精调；2）基于人类反馈的强化学习；3）提示；4）知识增强；5）检索增强；6）对话增强，前 三类技能在目前盛行的对话大模型如 ChatGPT 中都有所运用，而后三类技能则是百度基于自身技能积累的再创 新，它们共同构成了模型的技能根本。

2023 年 5 月，百度文心大模型 3.5 版本已内测可用，在根本模型升级、精调技能创新、知识点增强、逻辑 推理增强、插件机制等方面创新打破，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会全 面开放。
9 月 13 日，百度发布文心一言插件生态平台“灵境矩阵”。
文心一言面向全社会开放至百度天下 2023 大会召开期间，40 多天的韶光，文心一言用户规模已经达到 4500 万，开拓者 5.4 万，场景 4300 个，运用 825 个，插件超过 500 个。
2023 年 10 月 17 日，百度天下大会上正式发布文心大模型 4.0。
与原有的 3.5 版本相比，具有以下上风：1） 更强的模型能力和图片天生能力。
根据测试，文心大模型 4.0 版本在理解、天生、逻辑、影象四大功能上都有 明显提升，具有显著优化的模型性能。
2)支持接入丰富的 API 插件，可以实现撰写代码、润色文案、设计与绘 图等多种功能。

文心一言成为首个海内面向 C 端收费的大模型产品。
文心一言专业版的分为单独订阅和联合会员两种收费 模式。
单独订阅模式下，会员月付 59.9 元，选择连续包月可以享受 49.9 元的优惠价格；该模式下会员可以使 用文心一言大模型 3.5 和 4.0 两个版本，而非会员只可利用免费的文心大模型 3.5 版本。
联合模式下，用户月 付 99 元，可以同时具有单独订阅模式的全部功能，并得到文心一格白银会员资格，享受 AI 修图改图等功能。

科大讯飞

随着大措辞模型爆火网络，公司自主研发了对标 ChatGPT 的星火大模型。
星火大模型是基于深度学习、 以中文为核心的自然措辞大模型，在跨领域多任务上具备类人的理解和天生能力，可实现基于自然对话办法的 用户需求理解与任务实行。
公司大模型不断迭代进步，能力实现全方位提升。
2022 年 12 月 15 日，科大讯飞启动了“1+N 认知智能大 模型专项攻关”。
2023 年 5 月 6 日，讯飞推出星火认知模型的 1.0 版本，七大核心能力发布，同时发布大模型评 测体系。
6 月 9 日，星火升级至 1.5 版本，打破开放式问答、多轮对话能力和数学能力；8 月发布 2.0 版本，实 现多模态能力，同时期码能力显著提升。

星火 3.0 全面对标 ChatGPT。
10 月 24 日，星火推出 3.0 版本，在语义理解、时效把握、代码天生能力等 根本功能上都有很大提升；在时空感知能力上表现突出；专业性能力基本无实时性缺点，尤其医疗能力水平，可以给出应时的诊疗提醒。
全面对标 chatGPT，中文能力客不雅观测评超过 ChatGPT，英文能力对标 ChatGPT48 项 任务结果相称。
根据***发展研究中央经济研究院测评报，星火大模型 3.0 综合能力达到国际一流水平，在 医疗、法律、教诲行业表现突出。
讯飞同时发布十二个行业大模型，涵盖金融、汽车交互、运营商、工业、传 媒、法律、政务、科技文献、住建、物业、文旅、水利十二个领域。
讯飞正式启动对标 GPT-4 的大模型演习， 2024 年上半年对标 GPT-4。

智谱

智谱 AI 致力于打造新一代认知智能大模型，专注于做大模型的中国创新，通过认知大模型链接物理天下的 亿级用户。
基于完全的模型生态和全流程技能支持，智谱 AI 一方面重视研发超大规模演习模型，并基于此推出 对话模型 chatGLM；另一方面践行 Model as a Service（MaaS）的市场理念，推出大模型 MaaS 开放平台。
2023 年 3 月 14 日，ChatGLM1.0 开启约请制内测。
ChatGLM 参考 ChatGPT 的设计思路，在千亿基座模型 GLM-130B 中注入代码预演习，通过监督微调等技能实现人类意图对齐，具有支持双语、高精度、快速推理、 可复现性和跨平台等上风。
同期开源的还有具有 62 亿参数、支持中英文双语对话的 ChatGLM-6B，虽然规模不 及千亿模型，但大大降落了推理本钱。
2023 年 6 月 27 日，第二代 ChatGLM 正式发布。
在保留初代模型对话流畅、支配门槛低的根本上引入更加 强大的性能、许可更多轮次的对话和更长的高下文、进行更高效的推理、许可更开放的协议。
2023 年 7 月 15 日，智谱 AI 宣告 ChatGLM 许可免费商用。

商汤科技

商汤科技拥有深厚的学术积累，并长期投入于原创技能研究，不断增强行业领先的多模态、多任务通用人 工智能能力，涵盖感知智能、自然措辞处理、决策智能、智能内容天生等关键技能领域。
2023 年 4 月 10 日， 商汤 SenseTime 举办技能互换日活动，分享了以“大模型+大算力”推进 AGI（通用人工智能）发展的计策布局， 并公布了商汤在该计策下的“日日新 SenseNova”大模型体系，推出自然措辞处理、内容天生、自动化数据标 注、自定义模型演习等多种大模型及能力。
依托自研千亿级参数自然措辞模型，商汤科技 4 月 10 日发布了中文措辞大模型运用平台“商量 SenseChat”。
"商量SenseChat"是由商汤科技研发的一款基于自然措辞处理技能的人工智能大措辞模型，具备较强的措辞理解、 天生能力，可以办理繁芜问题，供应定制化建议，还能赞助创作文本，同时具备不断学习进化的特性。
7 月 7 日，“商量 SenseChat”迭代至 2.0 版本，其基模型为商汤联合多家海内顶级科研机构发布的诗人·浦语 InternLM-123B，拥有 1230 亿参数，在措辞、知识、理解、推理和学科五大能力上均处于行业领先水平。

1.1.4 大模型行业整体发展评述

国外大模型发展趋势： 美国人工智能企业引领行业发展。
美国 OpenAI 的根本大模型性能领先，目前已经在根本大模型上开始快 速构建开拓生态，Google 也在发力追赶过程中，Meta 通过开源大模型构建开源生态。
美国在研发能力、人才储 备、算力支持方面仍旧霸占一定上风。
我们预期，外洋大模型将沿着多个维度持续演进。

更大的参数量、更多的演习文本依旧是大模型的紧张发展路径。
OpenAI 论文《Scaling Laws for Neural Language Models》中提出著名的缩放法则，缩放法则中提到模型表 现和规模强干系，和模型的 shape 弱干系：规模包括模型参数量 N、数据集大小 D 和打算量 C，模型 shape 指模 型 depth、width、number of self-attention heads。
Palm-2 technical report 中提到，演习数据量和模型参数量大小保 持同比例增长是最优组合。
目前最前辈的大模型 GPT-4 仍旧高度符合缩放法则，简而言之，模型越大性能越好，演习的数据量越大模 型性能越好，这条法则仍旧成立。
通过纯挚的增加模型参数量和演习数据量就可以实现更好的模型性能，可以 预期，在短期之内，不断增加模型参数量依旧是提升模型性能的紧张手段。

更多的模态到来，开启全新的多模态时期。
文本、语音、图片等单模态人工智能模型已经相对成熟，大模型正在朝着多模态信息领悟的方向快速发展。
图文多模态技能已经取得了显著的进步，未来大模型不止知足笔墨和图像，开始向着音频、***等领域拓展。

大模型的逻辑思维能力可能看到飞跃式提升。
大措辞模型在文本的理解和天生上表现出色，但是涉及到数理逻辑推理时表现仍旧有待提升。
通过思维链、 思维树的提示词工程设计，大措辞模型能够将大型任务分解为较小且易于管理的子目标，内部的逻辑同等性显 著增长，从而高效地处理繁芜任务。

AI Agent 将成为我们打仗大模型的紧张媒介。
AI Agent 是有能力主动思考和行动的智能体，它们能够利用传感器感知周围环境，做出决策，然后利用执 行器采纳行动，乃至与别的 agent 互助实现任务。
OpenAI 运用研究主管 LilianWeng 提出了 AI Agent 的主要组成 公式：Agent =大措辞模型（LLM） + 方案能力（Planning） + 工具（Tool） + 影象（Memory）。
AI Agent 相 频年夜措辞模型的提升在于：与环境交互、个性化影象、主动决策、互助机制。
在天生式 AI 的不同运用等级中， AI Agent 是比谈天机器人更高层级的运用形态。

海内大模型发展趋势： 海内大模型行整体依旧处于跟跑状态，目前海内具备代表性的大模型在中文问答表现上已经与 ChatGPT 不 相高下，短期之内仍旧是沿袭外洋技能路线，模型规模的不断增加和演习语料的不断扩充是当前的紧张任务。
同时海内大模型的多模态能力仍处在起步发展阶段，短期之内有望看到多模态能力的快速提升。
受 ChatGPT 驱 动，2023 年海内大模型呈现迅猛发展局势，经历近一年韶光，海内大模型实现能力上的快速进步。
根据赛迪顾 问，截至 2023 年 7 月，中国累计已经有 130 个大模型问世，个中有近一半的大模型在今年年内问世。
同时海内大模型的整体竞争格局也日益清晰，大致可以分为三类大模型：具备持续技能领先能力的闭源大 模型、具备领跑能力的开源大模型、具备垂类场景上风的垂类大模型。
大模型的每一次迭代更新都须要大量的 研发投入和算力投入，在一年韶光内经历多次的迭代更新，如未见显著的技能领先上风或特定场景的精良商业 模式，或将无法维系大模型的持续投入。
我们认为，目前海内大模型已经经由了高速发展的扩展阶段，预期将 见到模型扩展速率的低落，竞争格局更为集中。

海内大模型格局： 具备技能持续领先能力的大模型：精良的大模型人才、充足的算力资源、海量的优质数据、足够的研发投 入是人工智能企业具备酝酿大模型的先决条件，在快速的迭代发展过程中，部分大模型展现出持续的技能领先 上风，范例如百度文心一言、科大讯飞星火大模型。
具备技能上风的闭源大模型具备较强的变现能力。
开源大模型：开源大模型与顶尖的闭源大模型比较有一定的技能差距，其参数量和高下文窗口长度普遍相 对较小。
但是开源模型借助社区的创新力量，实现了技能的快速迭代和运用拓展，成为大模型行业发展的主要 支撑。
具备垂类场景上风的大模型：通用大模型可以帮助用户办理一样平常性问题，而当企业须要处理其特定行业的 数据和任务时，每每须要针对其行业数据库来对基本模型进行微调，垂直行业的特性和需求不尽相同，垂类场 景中的垂类数据是专业大模型竞争中的核心要素，专业数据驱动垂类模型百花齐放。

大模型商业模式： 大模型 C 端商业模式：1）以纯软件的形态输出谈天机器人、包含大模型能力的各种软件（例如 copilot）、 AI Agent（GPTs）等产品；2）领悟大模型能力的各种智能硬件，例如 AI pin、智能音响、翻译机、学习机等。
大模型 B 端商业模式：1）***大模型 API 接口，向公司或开拓者按照调用次数收费；2）直接卖大模型 开拓做事，向传统企业输出大模型行业办理方案得到收入；3）大模型合营 AI 做事器形成软硬一体的产品，打 包向传统企业输出大模型行业办理方案；4）用大模型改造现有业务，提高产品的竞争力得到更多商业回报，即 Model-As-A-Service (MaaS)模型即做事。

1.2 AI 前沿技能趋势展望

1.2.1 AI Agent（AI 智能体）

AI Agent 指的是人工智能智能体，其能够利用传感器感知周围环境，做出决策，并利用实行器采纳行动。
OpenAI 运用研究主管 LilianWeng 提出了主要公式：Agent = LLM（大型措辞模型）+ 影象 + 方案技能 + 工 具利用。
大型措辞模型为 AI Agent 带来了革命性进步，经由四大发展阶段，逐步具备了高效推理、灵巧行动、强大 的泛化以及无缝任务转移的能力。
发展进程：AI Agent 经历了符号智能体、反响型智能体、基于强化学习的智 能体、具有迁移学习和元学习功能的智能体四大发展阶段，现在已经跨入基于大型措辞模型的智能体阶段。
大 措辞模型为 AI Agent 带来了打破性的进展，同时具备了以上四大发展阶段的上风：1）通过思维链（CoT）和问 题分解等技能，基于 LLM 的智能体可以表现出与符号智能体相称的推理和方案能力；2）通过从反馈中学习和 实行新的行动，得到与环境互动的能力，类似于反应型智能体；3）大型措辞模型在大规模语料库中进行预演习， 并显示出泛化与迁移学习的能力；4）从而实现任务间的无缝转移，而无需更新参数。
由于大模型仍存在大量的问题（如幻觉、高下文容量限定等），并且极度依赖于用户自己给出指令，如果用 户指令不足清晰，就会影响全体模型的效果。
能够自己独立思考、调用工具去逐步完成给定目标的 AI Agent 会 是从大模型通往 AGI 路上的下一个阶段。

AI 智能体已经在多个下贱逐步运用，包括社会科学、自然科学、工程学等领域，并表现出过去 AI 无法实 现的功能和性能。
自然科学领域中，AI Agent 紧张运用在科学教诲中，在实验助理、文献及数据管理方面也有所运用。
例如 卡耐基梅隆大学的研究职员在 2023 年 8 月 14 日提出的编程教诲 Agent CodeHelp，其供应了设定课程关键词、 监控学生查询以及供应反馈等功能。
工程学领域中，AI Agent 的运用最为广泛，个中机器人&具身智能、打算机科学&软件工程、通用 Agent 是最紧张的运用处景。
AutoGPT 是通用 Agent 的代表，其可以将设定好的一个或多个目标分解为相应的任务并 循环实行。
自 AutoGPT 引发广泛关注以来，干系研究持续推进，如 MiniAGI、SuperAGI、AutoGen 等。
社会科学领域中，AI Agent 运用在仿照实验、生理学、政治与经济学等场景中。
例若有名的斯坦福小镇 （Generative Agents），其在虚拟城镇中构建了多个 AI Agent 来仿照人类的日常生活，大大降落了社会学实验的 本钱并避免了潜在的道德风险。
大措辞模型具有强大的措辞理解能力、繁芜任务推理能力和知识积累，这些能力让基于大措辞模型的 AI Agent 在多个下贱领域中展现出强大潜力，AI Agent 的发展也将让大模型的“聪慧”得以运用于办理更多现实 场景的问题，拓宽 AI 运用的边界。
目前 AI Agent 的技能框架已经较为清晰，后续随各环节的技能改造以及各 场景数据网络等的持续推进，AI Agent 将加速发展，值得持续关注。

以下举例几个在不同领域运用的智能体实例：

1） 自然科学领域 AutoGPT&XAgent

AutoGPT 是一种开源的完备自动化智能体。
AutoGPT 通过 API 结合了 GPT-3.5 和 GPT-4，许可用户创建 利用措辞模型来天生和改进文本。
它可以阅读、写作和浏览网络，它根据任务目标自己创建 prompt，然后再完 成这个任务，接下来重复这个过程直到达到终极目标。
它还可以利用 GPT-4 编写自己的代码，并实行 Python 脚 本以递归调试、开拓、构建和自我改进。
目前已开拓的运用处景包括：进行市场调研、天生博客大纲、开拓应 用程序、搭建网站、为客户供应做事、管理社交媒体账号、成为财务顾问。
但目前 AutoGPT 的缺陷也非常明显，比如 GPT4 用度较高，对付一个小任务，如果按照均匀 50 个步骤 来算的话，本钱大概为 50 0.288 = 14.4 美元（约公民币 98.5 元），此外 GPT 3.5 非常随意马虎逃逸或者陷入去世循 环。

2）工程学领域 MetaGPT

MetaGPT 是一个基于 GPT-4 的多智能体互助框架，该框架将人类的 SOP(标准化作业流程）编码为 LLM 智能体，并从根本上扩展理解决繁芜问题的能力。
设计了一个新的元编程机制，包括角色定义、任务分解、流 程标准化和其他技能设计。
这样，MetaGPT 能够利用 SOP 开拓繁芜的软件。
核心上风：1.引入元编程框架：在构建多智能体系统时具有极高的便利性和灵巧性。
2.整合人类 SOP 过程 设计：减少了基于 LLM 的多智能体协作中的缺点，显著提高了稳健性，使系统具备了系统化工程办理繁芜任务 的能力。
3.实现最前辈的性能：经由对 python 游戏天生、CRUD2 代码天生和与 AutoGPT、AgentVerse、LangChain 以及 MetaGPT 一起的大略数据剖析任务进行了全面实验。
整体结果显示 MetaGPT 在代码质量和预期事情流的 同等性方面都优于其对手。
并且，MetaGPT 有潜力办理 LLM 中的幻觉问题，从而勾引协作的 LLM 系统朝更有 效的设计方向发展。

3）自然科学领域 Humanoid Agents

以往的 Agents 会根据环境制订严格的操持，但事实上这一过程与人类的思维办法并不完备相似。
大多数人 不会提前制订操持，然后在日常生活中一丝不苟地精确实行这些操持，缘故原由就在于 Agent 并没有真正反响出人 类的基本需求、真实情绪及人际间奇妙的间隔感。
为了减轻这一缺陷的影响，研究者基于 ChatGPT 3.5 提出了仿人类机器人—Humanoid Agents，该模型引入 了基本需求（饱腹感、康健和能量）、情绪和关系亲密程度三大观点，来让 Agent 表现得更像人类。
利用这些元 素，Agents 就能调度自己的日常活动，以及和其他 Agent 的对话,而且也会像人一样，遵守马斯洛需求理论。
实验表明 Humanoid Agents 对付活动是否增加饱腹感和能量；活动中表达的情绪；对话是否拉近了参与者之间 的关系都能够进行很好的预测，但是在分类活动是否知足乐趣、康健和社交等基本需求方面略显吃力。
在陪伴场景下（如虚拟恋人），更理解人类情绪的 Agent 可以带给人更精良的感情代价，提出更人性化的 建议，更好得知足当代人的情绪须要。

1.2.2 稠浊专家模型技能

稠浊专家模型(MoE)是一种稀疏门掌握的深度学习模型，紧张由一组专家模型和一个门控模型组成。
MoE 的基本理念是将输入分割成多个区域，并对每个区域分配一个或多个专家模型。
每个专家模型可以专注于处理输入的一部分，从而提高模型的整体性能。
门控模型：稀疏门网络是稠浊专家模型的一部分，它吸收单个数据元素作为输入，然后输出一个权重，这 些权重表示每个专家模型对处理输入数据的贡献。
例如，如果模型有两个专家，输出的概率可能为 0.7 和 0.3， 这意味着第一个专家对处理此数据的贡献为 70%，第二个专家为 30%。
专家模型：在演习的过程中，输入的数据被门控模型分配到不同的专家中进行处理，如右图所示，不同的 专家被分配到处理不同种类的输入数据；在推理的过程中，被门控选择的专家会针对输入的数据，产生相应的 输出。
这些输出（可以是标签或者数值） 末了会和每个专家模型处理该特色的能力分配的权重进行加权组合， 形成终极的预测结果。
稠浊专家模型在演习过程中通过门控模型实现“因材施教”，进而在推理过程中实现专家模型之间的“博 采众长”。

稠浊专家模型通过仅激活少数专家模型处理输入数据，提高演习和推理效率。
在传统的密集模型中，对付 每一个输入都须要在完全的模型中进行打算。
在稀疏稠浊专家模型中，处理输入数据时只有少数专家模型被激 活或者利用，而大部分专家模型处于未被激活状态，这种状态便是“稀疏”。
稀疏性是稠浊专家模型的主要优 点，也是提升模型演习和推理过程的效率的关键。
对付稀疏性的掌握，紧张通过调度门控网络的设计和参数来实现。
在参数选择上，如果门控网络单次选择 的专家模型数量较多，则模型的稀疏性就会降落。
单次选择专家的数量越多， 模型的表现能力可能有所提升， 由于更多的专家模型处理输入数据，以是导致稀疏性有所低落，增加打算的繁芜性和耗时。
因此， MoE 模型 的稀疏性在效率和表现能力之间存在权衡。
根据不同的运用需求和资源限定，须要适当调度门控网络的设计和 参数，来找到最佳的效率和表现能力之间的平衡。

在自然措辞处理领域中，2017 年，谷歌首次将 MoE 引入自然措辞处理领域，通过在 LSTM 层之间增加 MoE 实现了机器翻译方面的性能提升。
2020 年，Gshard 首次将 MoE 技能引入 Transformer 架构中，并供应了高效的 分布式并行打算架构。
而后的 Swtich Transformer 和 GLaM 则进一步挖掘 MoE 技能在自然措辞处理领域中的应 用潜力，实现了精良的性能表现。
Switch Transformer：通过 MoE 技能对模型进行拓展，最大版本的 Switch Transformer 的参数量高达 1.6 万 亿。
因其精良的稀疏性，在打算资源相同的情形下，74 亿版本的 Switch Transformer 演习速率可以达到 T5 模型 的 7/2.5 倍（对应 T5 模型的不同版本，Large 为 7.7 亿，Base 为 2.2 亿）。
同时在多任务的表现上也取得了比较 密集模型更为精良的结果。
GLaM：最大的 GLaM 拥有 1.2 万亿个参数，大约是 GPT-3 的 7 倍。
然而，它只花费了演习 GPT-3 所需能 量的 1/3，并在推理时只须要一半的打算浮点运算量， 打算效率更高。
在零样本、单样本和少样本学习任务上 也实现了更好的性能，在七个详细任务等分别实现了均匀 10.2%、6.3%和 4.4%的性能提升。

在打算机视觉领域中，2013 年的 DMoE 便是在 MNIST 数据集上利用了密集的 MoE 层，2021 年的 V-MoE 将 MoE 架构运用在打算机视觉领域的 Transformer 架构模型中，同时通过路由算法的改进在干系任务中实现了 更高的演习效率和更精良的性能表现。
V-MoE 事理：V-MoE 通过将 ViT 中的一部分密集前馈层更换为稀疏的 MoE 层来实现，每个图像块被“路 由”到一组“专家”（MLPs）中进行处理，同时通过对图像中主要信息的优先剖析（优先级路由），使得模型可 以不须要剖析所有信息便可以得到较为准确的结果，对付鸭子的图片，通过将个中主要的 16 个 token 分配到 4 个专家处，便可以得到较为精确的剖析，提升了模型运算效率。
V-MoE 性能：通过利用稀疏的 MoE 层，V-MoE 可以在保持性能的同时减少打算资源的利用，从而实现更 高效的模型演习和推理。
在两个任务中，V-MoE 相较于 ViT 模型，达到相同性能的情形下节省了 2.5 倍的算力花费，而在相同的算力花费下，V-MoE 也实现了更优的性能。
同时，V-MoE 还可以用于其他打算 机视觉任务，如目标检测和图像天生。

在多模态领域中，2022 年的 LIMoE 是首个运用了稀疏稠浊专家模型技能的多模态模型，模型性能相较于 CLIP 也有所提升。
LIMoE 事理：将输入的图像/文本通过门控网络分配到不同的专家模型中，鸭子（drake）的图 片和对应的笔墨描述的 token 被分配到不同的专家中进行处理，每个专家处理完后通过输出层为图像或文本生 成一个统一的向量表示。
LIMoE 性能：在零样本和 10 样本的 ImageNet 分类任务中，LIMoE 的绝对均匀性能相较于 CLIP 实现了 10.1 和 12.2%的提升，在 Coco T2I（文本到图像检索）任务上，LIMoE 也实现了较为明显的性能提升，个中在小规 模模型上这一提升更为显著。

1.2.3 机器人大模型

1.2.3.1 人工智能模型推动机器人掌握改造

机器人掌握系统相称于机器人的大脑，机器人掌握算法则是个中的软件核心。
其核心功能是处理来自传感 器的检测旗子暗记，给出机器人下一步该当怎么做的指示。
与传统的机器系统掌握算法比较，机器人掌握算法是非 线性、多变量、时变的，且相较于传统机器，机器人面临的运用环境也更为繁芜和多样，这意味着机器人掌握 算法有相称高的设计难度。
早期机器人掌握算法紧张采取 PID 算法，后续繁芜的运动掌握算法如 MPC 和 WBC 逐渐成为主流。
PID 算法早在 1932 年由物理学家哈利奈奎斯特，而后便被广泛运用在各种掌握领域中，包括机器人掌握领域中。
但 由于 PID 方法实质上是线性掌握器，因此无法处理较为繁芜的任务。
而后 1987 年提出的 MPC 算法和 2004 年 提出的 WBC 算法逐渐成为主流，让更为繁芜任务的处理成为可能，但同时也还存在着打算繁芜度高、算力需 求高的问题。

1.2.3.2 谷歌：机器人大模型引领者

随着各项人工智能技能的不断发展，具备与物理天下交互的强大潜力的智能机器人成为学界和业界的主要 研究赛道。
个中 Google 依托其在 AI 领域强大的研究团队，丰硕的多领域研究成果，引领着近年来机器人模型 的发展。
Google Deepmind 在 2023 年 6 月和 7 月发布了其最新研究成果，具备“自我完善”能力的“RoboCat” 和领悟大措辞模型能力的 VLA 模型“RT-2”，机器人智能化进一步加速，有望掀起新一轮 AI 革命。
从 Gato 到 RoboCat，更大规模的演习数据集和创新的自我完善方法助力打造更强的机器人智能体。
在 2022 年 5 月提出的 Gato 模型将智能体扩展到机器人掌握领域中，但“通用性”和“智能性”仍有较大提升空间，其 模型架构和掌握任务数据的序列化办法是后续模型发展的主要根本。
2023 年 7 月提出的 RoboCat 则基于 Gato 的模型根本，将演习数据集扩充至 400 万个机器人干系片段，并创新性的提出“自我完善”的办法来进一步丰 富演习数据，这两点创新让 RoboCat 在实现了演习任务的性能提升并具备了一定的泛化性能，并且能够在少量 数据微调的情形下处理未见过的任务。

1.2.3.3 Meta：持续探索在有限数据集情形下实现更精良机器人掌握的方法

近年来，Meta 一贯是 AI 领域不可忽略的力量，前沿研究如 CV 领域的 SAM 模型，NLP 领域的 LLaMa均是干系领域的最前沿技能之一。
在机器人模型领域，Meta 也已经展开了较为完善的布局，提出了一些卓有成 效的改进策略如数据增强、动作序列天生等，干系模型如 R3M、CACTI、ASC、MT-ACT 等，其他领域的核 心打破如 SAM 模型也运用到了个中。
从 R3M 到 MT-ACT，Meta 持续探索如何利用有限的数据集实现更精良的机器人掌握。
在 2022 年 3 月推 出的 R3M 模型中，Meta 首次引入人类***数据作为机器人掌握模型的知识来源，提升机器人模型演习效率。
在 2022 年 12 月推出的 CACTI 模型中，利用数据增强技能实现了演习数据规模高效扩充。
2023 年 8 月推出的 MT-ACT 模型将数据增强技能（基于 SAM 视觉模型）和动作序列天生技能结合，在 7500 个原始演习数据的情 况下，在不同难度的测试等分别实现了 81.67%、65.17%、31.33%的成功率，小规模数据表现优于其他可比模型。

2.1 AI+教诲是人工智能落地的黄金赛道

教诲行业由于其个性化学习诉求强、数据丰富度高、付费意愿强，成为人工智能的优质落地领域。
不同地 区、学校和学生具备“因材施教”强个性化学习需求，教诲领域的高数据丰富度为垂直大模型的演习供应可能， 同时，教诲作为刚需领域，学生、家长付费意愿普遍较强。
AI 的发展使得以低本钱的办法培植自适应学习系统 成为可能。
具备较强理解能力的天生式人工智能可以持续为学生供应个性化传授教化做事，且随着传授教化规模的扩大， 其人均本钱逐渐低落，显著降落了个性化学习的本钱。

AI+教诲紧张有以下三点上风： 一、传授教化环境及课程形式的灵巧化。
AI 技能的引入使得传授教化不再局限于教室，学生可以随时随地得到最新、 优质的学习资源，向 AI 助手请教。
利用 AI 的高效多模态天生力，还可以呈现不同的课程形式营造更多的沉浸 感。
二、学习过程的个性化。
AI 教诲平台每每具有传授教化、考试、批改、解答、集错等多重功能，通过剖析学生 在考试过程中的用时分配、错题分类，创造学生薄弱环节，针对性供应学习资源、个性化的学习方案和改进方 案，即时给予反馈和评估。
借助 AI 技能，针对性辅导本钱大大降落，教诲更好地适应每个学生的独特需求和能 力水平。
三、传授教化活动的降本增效。
对付教诲资源有限的地区，相对较低本钱的 AI 教诲运用使得高质量资源更加 触手可及，进一步促进教诲公正；对付传授教化者，AI 软件的批阅、评估功能大大减少了机器化劳动，使西席有更 多的精力投入到创造性的传授教化活动中，提高了传授教化效率。
随着天生式人工智能技能的爆发，AI+教诲迈向全新的发展阶段。
根据 Market Research 数据，天生式人工 智能在教诲领域的市场规模将从 2022 年的 2.15 亿美元上升至 2030 年的 27.4 亿美元，CAGR 为 37.5%，个中面向学生真个市场规模大致占到全部市场规模的一半。

国家出台 AI+教诲的纲领性文件，顶层方案驱动行业稳步发展。
2018 年 4 月，教诲部发布《教诲信息化 2.0 行动操持》，在行动方案上提出不断推动人工智能与教诲深度领悟，加快面向下一代网络的高校智能学习体系建 设。
2022 年 8 月，科技部发布《支持培植新一代人工智能示范运用处景》，针对青少年教诲中“备、教、练、测、 管”等关键环节，利用学习认知状态感知、无感知异地授课的聪慧学习和聪慧教室等关键技能，构建虚实领悟与 跨平台支撑的智能教诲根本环境。
2023 年 6 月，教诲部发布《根本教诲课程传授教化改革深化行动方案》，强调探 索利用人工智能、虚拟现实等技能手段改进和强化实验传授教化以及挑选一批富有特色的高水平科学教诲和人工智 能教诲中小学基地。

2.1.1 AI+教诲软件

AI+教诲软件是人工智能落地的主要领域，多邻国与可汗学院是环球市场上的领跑者。
自 2021 年起，多邻国与 Open AI 达成计策互助，推动了 AI 与教诲的深度领悟。
在最新的 GPT-4 技能根本 上，Duolingo 于 2023 年 3 月 14 日推出了家教功能，包括 Explain My Answer 和 Roleplay 两大功能，并引入了 付费层“Duolingo Max”，旨在进一步实现“供应千人千面的个性化措辞学习做事”的目标。
该付费层不仅供应角色 扮演和解释答案的功能，还新增了教室教练，为用户在提交答案之前供应小提示，优化学习体验。
Duolingo 接 入 GPT-4 后，月活用户数实现大幅增长，2023Q3 月生动用户数（MAU）为 8310 万人，同比增长 47.1%，个中 付费订阅用户为 580 万人，同比增长为 56.8%。
付用度户数提升叠加会员费的提升带来公司盈利能力的不断增 强，公司 2023Q3 业务收入为 1.38 亿美元，净利润为 281 万美元，扭亏为盈。
在财报电话会议中，多邻国管理 层强调他们正在利用天生式 AI 技能加速 Stories 脚本的撰写速率，使得完成任务更快、本钱更低，同时质量也 不会降落。
这一计策运用使得多邻国在 AI+教诲领域具备独特的上风：游戏化的措辞传授教化为其形成了差异化竞 争策略，深厚的技能积累构建了坚实的技能壁垒，同时积极将天生式 AI 技能融入产品中，优化用户的学习体验。
至 2023 年 11 月 30 日，公司股价累计上涨了 77.4%，凸显了其在 AI+教诲赛道上的卓越表现。
进一步印证了多 邻国在创新教诲模式、提升用户体验方面的成功实践。

2.1.2 教诲信息化

我国教诲信息化发展从 1.0 走向 2.0 时期。
教诲信息化 1.0：三通两平台是教诲信息化 1.0 核心，教诲信息 化 1.0 紧张涉及根本举动步伐培植。
2007 年 2 月，教诲部发布《教诲部关于做好国家教诲考试考务管理与做事平台 干系事情的关照》，提出在 2009 年高考前，在全国范围内分批建立全方位发挥浸染的国家教诲考试指挥、管理、 监控体系，随后一些列政策逐渐开启教诲信息化 1.0 时期。
教诲信息化 2.0：从根本举动步伐培植走向信息领悟与应 用层面，核心是“三全两高一大”。
2018 年 4 月，教诲部发布《教诲信息化 2.0 行动操持》，提出到 2022 年基本 实现“三全两高一大”的发展目标，教诲信息培植从看重信息装备培植走向信息的深度领悟。

财政在教诲信息化领域的经费投入是中国教诲信息化市场发展的紧张动力，教诲信息化经费占教诲经费不 低于 8%，根据教诲部公布的教诲经费推算，2022 年教诲信息化投入约 4908 亿元，2014-2021 年中国教诲信息 化经费投入复合增长率为 8.13%。
根据《根本教诲信息化发展指数》，2019 年我国教诲信息化经费投入中有 42.4% 的资金都用于硬件和干系设备的购置。
外洋教诲信息化市场属于后发市场，智能交互设备渗透率相对较低，整 体空间更为广阔，市场增速相对更高。

2.1.3 教诲智能硬件

智能硬件是指通过将硬件和软件相结合对传统设备进行智能化改造，对硬件与软件的上风进行了充分领悟。
我国智能硬件在政策加持、技能赋能、消费升级等成分驱动下，市场规模以较高增速增长。
智能硬件产品广泛 运用于个人穿着、养老陪伴、教诲娱乐、运动康健等场景，为公民生活带来智能化和便利化。
智能学习设备服 务市场指旨在为学生供应教诲做事的硬件设备市场，其最主要的特点是在供应教诲做事过程中运用智能技能， 如 OCR 技能、AI 大模型运用及信息技能，以向学生及家长、西席供应更个性化的教诲体验。

从运用处景的角度来看，市场可以分类为紧张做事于个人终端用户的 To C 市场及供应数字校园传授教化办理方 案的 To B 市场。
2021 年，中国的智能学习设备总市场规模达到 659 亿元，估量到 2026 年，中国智能学习设备 的总市场规模将为 1450 亿元，2021 年至 2026 年的复合年增长率为 17.1％。
在政府持续支持并投入实现校园数 字化及聪慧教室升级的背景下，To B 分部于 2017 年至 2021 年经历高速增长，2021 年我国 B 端市场规模达到 330 亿，2026 年有望达到 709 亿。
比较而言，To C 学习市场目标人群较多，且赞助教诲涵盖从早教到成人教诲， 有弘大及持续的需求。
2021 年 To C 分部的市场规模为 329 亿元，估量 To C 分部持续稳健增长至 2026 年的 741 亿元。

从学习机市场构造来看，以步步高和读书郎为代表的传统主流智能教诲设备厂商，仍霸占市场的紧张份额。
以科大讯飞和网易有道为代表的新型品牌凭借人工智能技能的支持和高科技属性迅速扩大了市场规模。
此外， 教诲属性极强的学而思和有道等转型厂商也加入了市场竞争。
根据 IDC 数据，2021 年海内市场霸占率最高的步 步高学习机占比高达 28.9%，第二名读书郎份额 6.1%，科大讯飞以 4.0%位列第五。

2.2 自动驾驶：算法架构优化，高阶赞助驾驶渗透率预期提升

2.2.1 端到端模型实现算法架构优化，自动驾驶性能提升

“端到端”架构是自动驾驶发展未来主流方向。
意为依赖输入，直接输出，以是对输入内容哀求较高。
激 光雷达、雷达、摄影机等都是感知系统的组成部分，个中激光雷达和雷达进行深度剖析，摄像机进行探测，GPS 和里程表传感器捕获并绘制车辆的位置、状态和相应的环境，进而在决策阶段进一步利用。
例如，以范例端到 端模型 TCP 和 UniAD 中，其都是用多种不同感知器一起利用去获取干系信息，并天生相应的掌握动作。
多模 态在关键感知领域的性能优于单模态，结合多传感器做事自动驾驶需求。
特斯拉传统逻辑是简化输入，优化局 部算法；但为了做事端到端模型需求，算法框架演化为增强输入以优化整体算法，强化数据精准度，借助系统 冗余担保可靠性。

2021 年，端到端驾驶算法涌现了主要迁移转变点。
算法集中在多模态和 Transformer 等高等架构的结合，如 TransFuser 和其他变体。
基于传感器对环境的精确捕捉，闭环 CARLA 基准性能逐步提高；为了提升自动驾驶系 统的可阐明性和安全性，NEAT、NMP 和 BDD-X 等方法明确纳入了多种赞助模块。
2023 年，研究强调优师长西席 成关键数据，即预先演习一个大型策略学习根本模型，如 UniAD，同时引入了新的 CARLA v2 和 nuPlan 基准。

特斯拉 FSD V12 在算法层面实现端到端。
FSD Beta v12 完备是由神经网络演习而成，没有任何一行人工写 的规则代码。
马斯克称，掌握是全自动驾驶末了一个难题，FSD Beta v12 利用 AI 替代传统掌握模块使得掌握代 码减少约 2 个数量级。
特斯拉原来的自动驾驶算法 HydraNets，也被成为九头蛇网络，是将每一个任务划分为单 独模块，虽然在工程学上对每一个模块进行优化，但却没法从全局提升汽车自动驾驶性能。
我们认为端到端将感知、预测与方案集成在同一个网络流程中，将自动驾驶建模成一个神经网络驱动任务。
端到端使得算法中的所有模块都直接手事于方案，使得终极汽车做出方案的效率提高，避免了模块分散导致的 数据重复流转。
马斯克表示 HW4.0 硬件目前暂时不受支持，紧张缘故原由是两者数据不兼容，未来仍需针对 HW4.0 进行重新演习。
马斯克称目前制约演习的成分不是工程师，而是演习算力。
特斯拉在 7 月份投产 Dojo，方案到 2024 年 100E 算力（相称于 30 万颗 A100 算力），估量 2024 年 2 月自身算力规模将进入环球前五；同时特斯拉 新到一批英伟达机器，演习算力将大幅增强。

2.2.2 海内自动驾驶车厂势头依旧，高阶赞助驾驶渗透率预期提升

海内自动驾驶车厂布局迅速，L3 级别及以上渗透率有望逐步提升。
2023 年 1-10 月，空想、小鹏发卖量持 续走高，个中空想 10 月交付量达到 40422 辆，远超其他两家；蔚来自 7 月起回落幅度较大。
伴随智能化策略推 进、赞助驾驶功能强化，蔚小理三家英伟达 Orin 芯片占比将持续提升。
在详细配置路线上，空想更为清晰，其 分 Pro 和 Max 两大车型向下向上渗透市场，个中 Max 车型供应全场景智能驾驶，标配英伟达双 Orin X 芯片渗 透率将连续上升。
2023 年交付量预测方面，空想估量整年发卖 30 万辆，蔚来估量整年发卖 24.5 万辆，小鹏估量整年发卖 20 万辆。

9 月 12 日，华为正式发布问界新 M7 系列。
硬件层面问界新 M7 配备 1 个顶置激光雷达、3 个毫米波雷达、 11 个高清视觉感知摄像头及 12 个超声波雷达等 27 个感知硬件。
问界新 M7 通过搭载 ADS 2.0，汽车感知能力 有明显提升：通过 GOD2.0 系统，对车外物体进行识别；通过 RCR 网络，进行道路拓扑推理，摆脱高精度舆图。
问界新 M7 在安全性方面亦有较大提升。
根据发布会先容，主动安全方面，问界新 M7 首发全向防碰撞系统， 问界经办各种主动安全评测第一名；被动安全方面，问界新 M7 车身构造匹配开模，重新改造焊装产线，有效 提高车身刚度和碰撞安全性。
ADS 2.0 自 2023 年 4 月发布以来，在 AI 演习集群上构建了丰富的场景库，每天 深度学习 1000 万+km，持续优化迭代智能驾驶算法和场景策略，模型每五天迭代一次，演习算力达到 1.8EFlops。
截至 2023 年 9 月数据，长间隔 NCA 领航 MPI 高达 200km，城市高架汇入汇出成功率高达 99%+。
到 23 年年底， ADS2.0 无图城区商用操持扩展到全国。
11 月 9 日，华为宣告其问界新 M7 实现 86000 大定，个中 70%以上用户 选择智驾版，智能驾驶功能已成为消费者购车的主要决策成分之一。
其余，11 月 15 日，小米汽车第一款车型 SU 7 报告，估量 2024 年上半年正式量产。

2.3 AI PC/Phone：端侧 AI 发展，AI PC/Phone 将开启新时期

2.3.1 技能升级带动端侧 AI 发展，推理精度提升

当前云侧 AI 呈现向端侧 AI 的转型趋势。
端侧智能化的核心在于数据、底层软硬件、智能力三个方面。
端 侧设备搭载的传感器、芯片、算法模型授予其数据采集、打算、剖析与推理能力，使其能够在端侧完成数据处 理闭环，形成感知、打算、推理三个智能力。
首先，大模型轻量化带动端侧 AI 发展。
多个大模型均已推出“小型化”和“场景化”版本，供应了端侧运 行根本。
例如，Google PaLM2 中包含 4 个大模型，按照参数规模，从小到大排列为：独角兽（Unicorn）、野牛 （Bison）、水獭（Otter）和壁虎（Gecko）。
个中，最轻量的“壁虎”可实现手机端运行，且速率足够快，不联 网也能正常事情。
另一方面，“小型化”大模型加速天生式 AI 垂直方向发展，加速大模型商业化场景落地。

其次，支持 INT4、INT8 精度推理，端侧 AI 能力进一步提升。
定点表示和浮点表示是打算机中常用的数 据格式。
个中，定点表示中小数点位置固定不变，常用的定点表示有 INT4 和 INT8；浮点表示中包括符号位、 阶码部分、尾数部分。
符号位决定数值正负，阶码部分决定数值表示范围，尾数部分决定数值表示精 FP64(双 精度)、FP32 (单精度)、FP16(半精度)的数值表示范围和表示精度依次低落，运算效率依次提升。
高通产品管理 副总裁 Asghar 曾表示，如果将 32 位浮点模型转化为 INT4 整数模型，端侧 AI 能效将提升 64 倍。
为知足端侧 AI 的打算需求，业内已有产品支持 AI 模型以 INT 精度推理，例如高通人工智能引擎 AI Engine 支持 INT8 的数 据格式。

部分 AI 框架已支持端侧运行。
在 2023 年 PyTorch 大会上，Meta AI 与 PyTorch 基金会合作的 ExecuTorch 模型被宣告可在边缘和移动设备上实现 AI 推理。
随着 ExecuTorch 的开源，AI 运用程序将可实现本地运行，无 需连接到做事器或云。
ExecuTorch 可被理解成 PyTorch 平台，供应根本举动步伐来运行 PyTorch 程序，实现从 AR/VR 可穿着设备到标准的 iOS 和 Android 设备的移动支配。
目前，Meta 已将其用于最新一代的雷朋智能眼镜，成为 Quest 3 VR 头显的组成部分。
这一变革也预示将 PyTorch 引入了手机和可穿着设备等边缘打算平台，进一步迈 入设备 AI 推理新时期。
端侧 AI的核心是 AI PC/Phone。
一方面，AI PC/Phone紧张在于芯片升级。
AI PC/Phone 相对付原有PC/Phone， 紧张差别在搭载了干系的 AI 芯片。
云端在深度学习的演习阶段须要极大的数据量和大运算量，为知足运算需求， 云端 AI 芯片采取“CPU+加速芯片”的异构打算模式。
不同于数据中央 GPU，手机/电脑端芯片紧张哀求其体积 小、功耗低等特点，每每是采取 ASIC 技能路线的芯片，这种芯片为专用目的设计，面向特定用户需求定制， 在大规模量产的情形下具备体积更小、功耗更低等优点。

手机 AI 芯片紧张由“CPU+GPU+NPU”构成，通过集成多个模块，做到提升芯片性能的同时能支持干系 AI 运用算法。
例如，以高通 AI 芯片为例，硬件方面 HEXAGON 向量处理器可以运行涉及向量数学的运用； ADRENO GPU 运行对浮点精度有哀求的运用；KRYO CPU 支持相对较少向量处理、非规则性数据构造和/或复 杂流程。
高通公司以近半的市场份额保持 AI 智好手机处理器出货量领导地位，远超苹果和联发科等其他公司。
高通骁龙 8 gen3 在手机芯片性能比较方面超越了苹果 A17 Pro，其是高通首款专为天生式人工智能而精心设计 的移动平台。
该处理器最大的升级在 AI 引擎，可以在设备上运行天生式 AI 模型，上市初期即支持 20 多种 AI 模型；主打各种 AI 相机功能，例如从图像和***中删除工具、创建假背景、增强照片的某些部分、实时拍摄 HDR 照片、创建同时利用前摄和后摄拍摄的 Vlogger 视图模式掌握的运用。

2.3.2 2024 或成 AI PC/Phone 元年，AI PC/Phone 趋势刺激行业回暖

端侧 AI 核心在于手机和 PC，AI Phone 和 AI PC 将开启新时期。
从今年 2 月份举行的天下移动通信大会， 高通展示了其手机端离线运行大模型，到 5 月份微软开拓者大会高通展示其 PC 运行 AI 大模型，再到近期英特 尔、遐想等发布 AI PC 加速操持、发布首款 AI PC 等，可以看出，国内外厂商持续发力 AI Phone 和 AI PC， 端侧 AI 将走入新的时期。
AI PC 方面，2023 遐想 Tech World 创新科技大会进行了端侧大模型与云端大模型的比较。
两个模型同时进 行斯德哥尔摩音乐节的方案，天生速率差异不大。
值得把稳的是，端侧 AI 的方案内容更加个性化，可以将家庭 地址、酒店偏好等考虑进去；10 月 19 日，英特尔宣告启动 AI PC 加速操持，该加速操持旨在为干系软硬件供 应商供应英特尔的资源，共同推动 AI PC 产品、方案落地，详细而言，通过利用 Intel Core Ultra 处理器的技能 和兼容硬件，环绕干系资源，实现 AI 和机器学习（ML）运用性能最大化，进而催生全新的利用案例，推动 AI PC 办理方案连接到更广泛的 PC 家当。
英特尔估量其将于包括 Adobe 在内的 100 家独立软件供应商进行互助， 发展 300 多项 AI 加速功能，操持将在音频效果、内容创建、游戏、安全、直播、***协作等方面连续强化 PC 体验。
据操持目标，其将在 2025 年前为超过 100 万台 PC 带来人工智能（AI）特性。

AI Phone 方面，10 月 4 日，谷歌发布 Pixel 8 / Pro 系列，搭载了 Tensor G3 和 Titan M2 安全芯片。
Tensor G3 AI 芯片可运行更繁芜的机器学习模型，强化了 Pixel 8 / Pro 系列的 AI 增强功能，使虚拟助理说话更自然，并有 拦截骚扰电话、转录语音和紧急做事功能。
Pixel 8 Pro 号称是第一款直接在设备上运行谷歌 AI 模型的手机，其 打算量是 Pixel 7 上最大 ML 模型的 150 倍；10 月 26 日，小米 14 系列发布，其首发搭载高通最新一代移动芯片 骁龙 8 Gen3，能效比提升显著，AI 性能提升 98%。
通过本地端运行大模型，提升了隐私性，并实现 AI 妙画、 AI 搜图、AI 写真和 AI 扩图等一系列功能。
个中，AI 写真功能可通过对多张照片的学习，创作出全新的照片 作品；在 14 系列的 WPS 上，也支持输入主题一键天生 PPT 演示文稿，也能进一步细化调节，例如变动主题风 格、单页美化、变动字体、变动配色、天生演讲稿等等，办理了用户利用 PPT 制作难度大、耗时长的办公难题。

疫情以来，由于消费需求疲软和库存调度，环球智好手机出货量下滑，2023 年前三季度为 8.4 亿部，仅为 2022 年同期的 85%，但可以看出，22 年年底以来，环球智好手机销量低落幅度开始缩窄，今年三季度，环球 智好手机销量重回正增长；另一方面，从微软财报可以看到，其个人电脑业务，也在 24 财年 1 季度（23Q3） 实现同比正增长，这也是从 23 财年 2 季度以来微软个人电脑业务重新回归正增长。
可以看到环球手机与电脑业 务有复苏迹象，估量 AI+Phone/PC 能进一步推动行业颓势逆转的同时也有助于带动其自身起量。

伴随 AI PC 逐渐出货且 PC 换机周期已至，2024 或成 AI PC 元年。
根据群智咨询预测，到 2027 年，AI PC 出货量将达到 1.5 亿套，市场渗透率达到 79%，并逐步取代传统 PC。
当前，各大紧张 PC 厂商都对 AI PC 业态 进行展望，AI PC 将成 PC 行业拐点成为共识。
戴尔将推出带有 Copilot 的新版 Windows，遐想首批搭载英特尔 Meteor Lake 芯片的 AI PC 也已推出。
业界将逐步追加 AI PC 领域投资，重塑 PC 生产力。

我们看好由 AI PC/Phone 带来的家当改造。
将手机集成 AI，不仅可以实现语音助手、智能相机等基本功 能，还可以通过 AI 算法实现更加智能化的运用，如智能推举、智能翻译等，可以极大提升用户的体验，在智 能办公、智能教诲领域估量将有广泛运用；AI PC 不仅可以进行高效的数据处理和打算，还可以通过机器学习 和深度学习等技能进行自我学习和优化，从而为各种行业供应更加智能化的办理方案；除此之外，AI PC、AI Phone 通过统一的大模型，实现全部系互联，具有主动智能、全模态感知能力，在人机交互效果上有明显提升， 将成为人们最直接的 AI 助手。

2.4 AI+工业是大势所趋

AI 在垂直领域的落地和运用将是 2024 年的主线，我们尤其看好 AI 在工业场景的落地。
一方面在国家计策 和政策端，智能制造是大势所趋，“AI+工业”在国家发展、技能架构中发挥主要浸染。
1）工业大国向工业强 国转型，智能制造计策是必由之路。
工业与制造业紧密相连，制造业是工业的主要组成部分，工业和制造业的 发达程度将直接影响我国国际竞争力。
中国是天下第一工业大国，具有精良且深厚的工业基因。
从工业大国向 工业强国的转型之路是当下政策的热点，也是未来主要的发展趋势，智能制造计策是这一起径上的核心计策之 一。
《“十四五”智能制造发展方案》、《中国制造 2025》等政策进一步明确智能制造的发展目标、重点领域、重 大工程、重大项目，为智能制造的发展供应了政策支撑。
2）“AI+工业”在智能制造系统与技能架构中处于核 心地位，是计策发展的大趋势。
从系统架构层面看，智能制造系统的架构从底层数字化逐步过渡到网络化，最 终目标为实现智能化，“AI+工业“处于系统架构顶层的“智能化”位置，工业场景下人工智能技能的运用是智 能制造计策须要实现的核心课题。
从技能构造层面看，人工智能技能与工业大数据、工业软件、工业云、边缘 打算等其他技能之间存在联动效应。
3）工业 4.0 时期到来，“AI+工业”技能是国际竞争焦点。
工业 4.0 时期下， 利用物联网、云打算等多元化前辈技能实现实体天下与虚拟天下的交互将成为工业发展的主要环节。
目前，全 球紧张的工业国家在前辈制造/智能制造方面均有布局，且均有涉及“AI+工业”的详细计策。
我们认为，在未 来，AI 技能与工业的深度领悟仍将是国际竞争的焦点，实现 AI+工业是大势所趋。

从需求端看，不断增长的降本增效需求与多变的市场环境为“AI+工业”带来广阔的市场空间。
目前，我 国工业的大部分行业仍处于劳动密集型发展阶段，较低的智能化渗透率带来包括偏差率高、生产效率低、生产 本钱高档一系列痛点。
1）降本增效需求驱动“AI+工业”需求：中国单位劳动产出在国际比较中处于较低水平， 2018 年美国劳动生产率为 11.3 万美元，而中国仅为 1.4 万美元。
且海内老龄化趋势显著，根据***《国家人 口发展方案》，2030 年，我国 14-45 岁人口占比将降至 32%，人口规模的减少将对企业生产本钱带来全新寻衅， 降本增效需求愈发成为企业竞争乃至生存的主要条件之一，在此背景下展望未来，“AI+工业”这一降本增效的 主要工具将被越来越多工业企业利用。
2）市场变革大，精准化生产成为刚需：工业行业整体面对利润率低，市 场需求变革快的压力，智能化与精准化生产将成为未来大趋势，而这背后离不开人工智能的强大剖析能力。
根 据德勤预测，2018-2025 年中国制造业人工智能市场有望实现 51%的 CAGR，并在 2025 年达到 141 亿元规模。

2.4.1 工业机器视觉

2.4.1.1 机器视觉家当宏不雅观剖析

工业机器视觉是软硬件一体化的集成系统，它的目的是代替人眼对被测物进行不雅观察和判断。
从组成上，机 器视觉系统硬件设备紧张包括光源、镜头、相机等，软件紧张包括传统的数字图像处理算法和基于深度学习的 图像处理算法。

成像、算法、算力、运用接力驱动机器视觉行业，AI 算法的发展有望推动行业进入新时期。
每经历约十年， 机器视觉技能与运用都会产生一次深刻变革，近年来，AI 算法有望推动行业爆发式扩展。

此外，过去的工业机器视觉系统紧张针对垂直场景的少量数据进行小模型的演习，而大模型的发展将助力 工业机器视觉实现运用性能的提升和运用处景的拓宽。
以华为盘古大模型在矿山场景的运用为例，其建立在 L0 的根本大模型的技能上，通过导入海量无标注的矿山场景数据进行预演习，盘古矿山大模型即可进行无监督自 主学习，仅一个大模型就能覆盖煤矿的采、掘、机、运、通等业务流程下的 1000 多个细分场景，让 AI 运用在 煤矿遍及更随意马虎。
在准确率方面， 基于盘古矿山大模型的掘进作业序列智能监测，动作规范识别准确率超过 95％，用规范的 AI 流程来替代不愿定的人工流程，让 AI 成为矿工规范作业的好帮手，保障井下作业安全。
视觉大模型技能打破，赋能机器视觉的改造与打破。
以近期 Meta 提出的 SAM 模型为例，其在切割任务的 不同详细场景中展现出了强大的泛化能力，在零样本（zero-shot）和少量样本（few-shot）的根本上便能实现非 常精良的完身分歧的切割任务。
同时，SAM 模型还具备高精度自动标注的能力，带来数据标注本钱的低落，相 关技能的发展与打破将从两个方向赋能机器视觉家当变革：1）过去数据本钱、演习本钱高的场景将有望实现降 本增效；2）过去因样本数量不敷而机器视觉难以运用的场景将得以拓展。

除人工智能技能的变革外，2D 到 3D 的变革同样带来技能能力和运用范围的提升。
相较于 2D 机器视觉， 3D 机器视觉可以供应三维信息，从而实现更广泛、准确的检测与剖析。
3D 机器视觉可以完成许多 2D 机器视 觉无法完成的任务。
3D 相机可以得 到表面凹凸的深度信息，从而准确的剖断划痕和边缘的凹陷。
3D 机器视觉覆盖场景全面，市场空间广阔。
目前 3D 视觉技能在高精度检测、高精度丈量（例如弯管、不 规则件）、智能分拣、装置（勾引机器臂在三维空间内避障和定位）、物流车导航等更多场景中实现了相较于 2D 机器视觉更为广泛的运用覆盖，具有广泛的市场空间，根据 GGII 测算，中国工业 3d 视觉 2021 年市场规模 11.51 亿元。
随着我国高端制造业的发展，海内 3D 视觉的运用需求仍将持续保持高增长势头，估量到 2025 年达到 57.52 亿的市场规模。

2.4.1.2 机器视觉家当链剖析

机器视觉行业上游环节代价量大。
关键零部件和软件系统约占工业机器视觉产品总本钱的 80%。
工业相机、 底层软件算法等技能壁垒高，利润率高。
对机器视觉上游环节的节制是目前市场竞争的关键。
同时，相机、镜 头、光源等核心零部件部件在机器视觉产品中的占比超过 50%。
国产低端零部件逐步实现国产替代，高端部件有待打破。
技能门槛相对较低的零部件如光源，国产厂商凭 借性价比上风及逐步表示的产能上风在市场竞争中逐渐实现对付国外品牌的替代。
技能门槛较高的零部件如光源及相机，我国企业进入较晚，目前产品仍紧张布局中低端市场，高端市场仍紧张被国外品牌霸占。

机器视觉上游零部件厂商和中游系统/设备厂商通过家当投资/自主研发等办法逐步拓展家当链高下游布局， 以期进一步提升机器视觉产品性能，同时在竞争逐渐加剧的机器视觉行业中构建起更高的技能护城河。
奥普特、海康机器人通过自主研发实现了机器视觉核心零部件、软件算法的全覆盖。
凌云光通过家当投资 办法拓展 CMOS 传感器芯片（长光辰芯）和工业镜头（长步道光电）布局，并自主开拓特色相机、特种相机、 特色专属光源和图像采集卡；天准科技自主开拓 3D 视觉传感器（线激光传感器），精密驱动掌握器等视觉设备 上游零部件。
我们认为，在机器视觉干系的光学成像、软件算法、自动化与精密掌握等核心技能方面具有更深厚积累的 公司在竞争加剧、高下游相互渗透的发展格局中具备更强的竞争上风，头部的国产机器视觉厂商已经具备了和 外洋龙头相称的百口当链技能。

下贱运用处景中，机器视觉在锂电行业的渗透率逐步提升。
随着锂电池制造智能化、自动化程度的提升， 机器视觉产品开始广泛地运用于锂电池设备生产的各个工段。
从前段工艺的涂布辊压，到中段工艺的电芯组装， 再到后段化身分容之后的检测以及模组 PACK 段，机器视觉运用渗透率在逐步提升。
品质管控需求明确，早期的锂电行业扩产每每较少考虑质量管控，但随着行业逐步从高速发展转向高质量 发展以及用户对付锂电安全的更高需求，机器视觉已经成为锂电池生产企业办理质量和效率问题的一定选择， 据 GGII 预测，锂电机器视觉检测系统市场规模将保持高速增长，未来 5 年年复合增长率在 40%。
竞争格局精良，在 3C 电子和汽车等行业中的机器视觉中外洋巨子有着更加强的技能积累和长期互助关系， 对付我国机器视觉企业的市场拓展产生一定阻碍，但锂电池行业是近年来在我国发展起来的新兴家当，因此其 中锂电企业与我国机器视觉企业协同合营发展而来，国产化程度较高。
我们认为，锂电行业行业整体增速较快，且锂电中的机器视觉具备行业增速高、需求明确、竞争格局精良 的上风，在未来两三年内有望坚持高增速，是最具潜力的下贱运用市场 。

2.4.2 工业机器人

2.4.2.1 移动机器人

AGV(Automated Guided Vehicle)，即移动机器人，是工业机器人中的主要种类。
AGV 可以在没有人工干 预的情形下，按照可配置的导引路径进行移动和定位；糅合了导航、移动、多传感器掌握、网络交互等一系列 功能。
AGV 在制造业、仓储物流等工业场景有着广泛的运用，可以提高生产效率、降落劳动本钱、减少产品损 坏、提高安全性。
其紧张运用处景仍旧在搬运领域。
随着人工智能技能发展，AGV 的环境感知能力与灵巧运动能力不断提升，新一代自主移动机器人 AMR （Autonomous Mobile Robot）应运而生。
比较 AGV，AMR 可以领悟多重传感器，具备深度感知能力和强大计 算能力，安全性和行驶的效率相对更高。

行业持续高速增长，发展势头强劲。
从总量来看，2015 年到 2022 年，中国工业运用移动机器人市场规模 保持 7 年连续增长，CAGR 为 35.14%，2022 年中国工业运用机器人市场规模达到 76.8 亿元。
从增量来看，中 国工业运用移动机器人产量逐年增加，2022 年增量为 93000，同比增长 29.17%。

外洋发卖规模不断增长，中国 AGV/AMR 产品环球影响力进一步提升。
2022 年，中国 AGV/AMR 企业在 外洋市场的发卖规模进一步提升，2022 年，中国 AGV/AMR 企业外洋发卖规模为 36 亿，同比增长 44%，占比 19%。
从 2019 年中国 AGV/AMR 外洋发卖额首次打破 10 亿公民币到 2022 年的 36 亿公民币，中国企业整 体外洋发卖占比取得显著提升。

行业集中度高，大型企业占比靠近九成，过亿企业数逐年增长。
2022 年度，中国工业运用移动机器人企业 中，年发卖规模亿元以上的大型企业霸占了 89.19%的市场份额，行业集中度高。
行业向上的发展态势带动发卖 过亿企业数量逐年增长，从 2018 年的 10 家增长至 2022 年的 42 家。
截至 2022 年，中共工业运用移动机器人企 业中，有 4 家超越 10 亿门槛，分别是新松机器人、极智嘉、海康机器人以及海柔创新。

2.4.2.2 焊接机器人

焊接机器人是一种能够自动实行焊接（包括切割和喷涂）任务的工业机器人。
根据焊接办法、构造形式、 负载能力、事情范围等成分的不同，焊接机器人业有不同种类。
焊接机器人广泛运用于钢构造、航空、造船、 电子、机器等行业，可以提高焊接质量、效率和安全性，涉及的技能包括焊接电源技能、传感器技能、离线编 程技能、智能掌握技能、仿真技能等。

海内弧焊焊接机器人市场由外资主导，国产替代需求大。
根据高工机器人研究所统计，2022 年外资弧焊机 器人仍霸占紧张份额，占比 54.97%，在汽车整车和零部件领域运用较多，紧张分日系、欧系、国产三大派系。
日系品牌紧张有安川、发那科、OTC、松下、川崎重工等，欧系品牌包括 KUKA、CLOOS 和 ABB 等；而国产 品牌则在程机器、二三轮车、五金家具、钢构造等一样平常工业行业运用较为广泛。
海内自主品牌弧焊工业机器人市场份额逐步提升，与外资品牌差距逐渐缩小。
2022 年，国产弧焊机器人份 额已达 45.03%，同比增长 23.71%，国产替代速率加快。
目前市场上尚未有成熟运用于钢构造行业领域的智能焊 接机器人，紧张潜在竞争产品为示教焊接机器人和入口智能焊接机器人。

焊接机器人销量持续增长，钢构行业市场较为空缺。
高工机器人家当研究所（GGII）统计数据显示，2021 年海内市场焊接机器人销量为 4.16 万台，同比增长 21.99%，紧张集中运用于汽车及 3C 电子领域，钢构造领域 运用程度不高，而钢构造行业对付自动化、智能化焊接方案的需求日益急迫。
估量 2026 年焊接机器人销量可达 到 10.3 万台，复合增长率达 16.38%。
外洋焊接机器人进展迅速，“机器人四大家族”是行业龙头，ABB 集团与发那科公司经营业务有亮点。
1） ABB 集团：ABB 是工业机器人的先行者以及天下领先的机器人制造厂商，在 1994 年就进入了中国市场。
经 过近 20 年的 发展，在中国，ABB 前辈的机器人自动化办理方案和包括白 车身，冲压自动化，动力总成和涂 装自动化在内的四大系统 正为各大汽车整车厂和零部件供应商以及消费品、铸造、塑 料和金属加工工业供应 全面完善的做事。
2021 年，ABB 机器人为宇通打造一键式操作智能焊接事情站，基于本地自主开拓免示教编 程系统，无需视觉识别即可自动天生包含有工艺参数的轨迹程序，完身分歧规格的铝框的智能化生产。
2）FANUC （发那科）： FANUC 公司创建于 1956 年的日本，是当现代界上数控系统 科研、设计、制造、发卖实力强大 的企业。
FANUC 机器人产品系列多达 240 种，负重从 0.5 公斤到 1.35 吨，广泛运用在装置、搬运、焊接、 铸造、喷涂、码垛平分歧生产环节，知足客户的不同需求。

智能化焊接市场需求急迫。
1）钢构家当焊接技工招工难且本钱高，供给需求缺口大，对自动化、智能化 焊接方案的需求急迫。
海内钢构造家当渗透率持续提高，产品产量增加带动钢构造焊接市场需求。
而钢构造主 要运用于建筑、船舶、重工行业非标小批量工件多的工业场景中，焊接工序自动化程度低，基本大部分依赖大 量焊接工人完成焊接。
人工焊接技能哀求高、技工培训周期长、焊接事情环境恶劣，已成为行业中最紧缺的劳 动力之一，焊接工人缺口量逐年递增，复合增长率高达 50%。
2021 年海内闇练焊工的年薪已达 18 万元，对企 业带来较大的本钱压力。
2）智能化焊接可以担保焊接质量稳定，提高生产效率。
传统人工焊接管人为成分影响 较大，焊接质量稳定性差，生产效率低，且钢构造加工涉及组立、纠正、装置、打磨、抛丸、表面防腐等多道 工序，全体生产过程不透明，对生产进度、生产质量和生产非常的处理缺少信息化管控，产品交付时常延期， 实现智能化焊接是提高生产效率和产品质量。

免示教智能焊接机器人符合钢构造行业需求。
钢构造家当是范例非标生产行业，产品基本全为非标定制化 生产。
钢构造生产原材料基本为钢板、 钢管等，但由于规格、性能指标等成分的存在，原材料种类多，且受到 客户需求、政策和设计师习气的影响，每个部件的加工内容、办法及尺寸都有特定的哀求。
钢构行业以中厚板 焊接为主，对设备精度和机器人技能哀求高。
大多运用弧焊机器人。
免示教机器人适宜钢构行业小批量非标柔性加工场景。
传统示教再现型机器人通过实行示教程序进行重复 性事情，对焊接工件同等性哀求较高，且须要人工勾引机器人进行预期动作编辑，多用于重复、标准化加工中， 如汽车、摩托车加工，对非标产品操作耗时长、效率低。
免示教智能焊接机器人领悟智能感知、智能方案、智 能掌握等技能，构成以知识和 推理为核心的智能焊接系统，通过与智能技能、工艺数字化技能等前辈技能领悟， 实现了面向不同作业场景、作业任务、作业工艺，与钢构行业焊接需求高度契合。

2.4.3 工业软件

2.4.3.1 工业软件行业总览

工业软件是工业创新知识长期积累、沉淀并在运用中迭代进化的软件产物。
工业软件的根基仍旧是工业行 业本身，有赖于正向创新和行业创新知识的积累，是一个长期系统工程。
任何工业知识都必须先形成完全的体 系，搭建出知识库和模型库，并在实践中反复运用、变动，与工程紧密结合并不断更新迭代，才有可能形成工 业软件。
因此，工业软件是工业创新知识的载体，依赖软件化这一关键过程，通过强大的软件工程能力才得以 实现。
软件平台与架构将直接决定工业软件产品的生命力。
工业软件可分为四大类，分别为研发设计软件、生产掌握软件、信息管理软件和嵌入式软件，在工业生产 流程中发挥着不同的浸染。
1）研发设计软件：面向各种工业品研发、设计、加工的根本软件，提高开拓效率、 降落开拓本钱、缩短开拓周期。
2）生产掌握软件：基于工业生产的流程，卖力生产的流程调度、流程掌握、流 程监控，提升产品生产的自动化和智能化程度。
3）信息管理软件：做事于产品的“进销存”环节信息以及企业 整体的业务管理信息助力企业实现数字化管理。
4）嵌入式软件：嵌入在硬件中的操作系统或开拓工具软件，提 高生产装备智能化水平。

根据工信部、中国电子信息家当统计年鉴数据，我国工业软件增速持续领先于环球工业软件市场。
2022 年， 我国工业软件产品收入 2407 亿元，同比增长 14.29%。
2018 年至 2022 年，我国工业软件产品收入年复合增长率 高达 16%。
目前制造业企业信息化率仍较低，未来仍有较大发展空间。
从现阶段看，我国制造业企业信息化率仍较低， 《2018 年中国制造业痛点剖析报告》数据显示，制造业企业的数字扮装备联网率仅为 39%、MES 遍及率只有 18.1%。
而《智能制造装备家当“十三五”发展方案》指出，到 2020 年，重点领域数字化研发设计工具遍及率 达到 70%以上，关键工序数控化率达到 50%以上，数字化车间/智能工厂遍及率达到 20%以上，我国工业软件行 业未来仍有较大发展空间。
从 ERP 的遍及率来看，Gartner 的数据显示，我国 ERP 的遍及率（ERP/GDP）仅为 0.015%，远低于美国的 0.059%。
目前 3C、汽车、家电、化工、电力等行业是 IT 投入紧张领域。
个中，3C 行 业前五大企业连续三年 IT 投入本钱最大，达到 450 亿元。

2.4.3.2 工业软件行业聚焦：CAD——打算机赞助设计

CAD 软件是工业软件中最关键、技能门槛最高的一类软件，市场空间广阔，增长态势良好。
CAD 软件承接 家当链上游硬件设备、操作系统、开拓工具等行业，做事下贱发电、建材、化工、冶金、煤矿等运用领域；涉 及数学、物理、打算机及工程四大学科的专业知识，具备较高的技能壁垒。
从上世纪五六十年代发展至今，CAD 从最初的机器制造逐渐拓展到建筑、电子、汽车、航天、轻工、影视、广告等诸多行业领域。
Autodesk、Dassault、 Siemens、PTC 等厂商凭借技能上风和长期的市场积累霸占主导地位，环球 CAD 市场增长趋于稳定。
环球工业软件及 CAD 行业发展态势向好，海内工业软件及 CAD 行业保持增长态势。
工业软件，特殊是 CAD 软件，具有运用广泛、学科知识跨度广、技能壁垒高档特点，增长态势向好。
近五年，环球工业软件市场 规模与 CAD 市场规模保持稳定增长，个中环球 2016-2023 年 CAD 市场规模估量将实现 6.03%的 CAGR；海内 得益于数字经济东风与国产化替代浪潮，工业软件与 CAD 行业向上态势明显。

CAD 发展有赖于技能革命，关键技能的研发将是未来 CAD 行业竞争焦点，国产 CAD 软件进步空间大。
CAD 行业发展史也是技能革命史，从 2-2.5D 模型到三维框线模型，从曲面造型技能到实体造型技能，从参数化 技能到变量化技能，不同时点的技能进步既带来行业的腾飞，也造就新的行业龙头，放眼未来，CAD 行业的发 展仍将聚焦于关键技能的研发上。

CAD 与 AI 结合是家当新趋势，可以提高设计效率、优化设计质量、创造新的设计形式。
第四范式的“式 说”大模型是一个基于天生式 AI 的新型开拓平台，具备文本、语音、图像、表格、***等多模态交互及企业级 Copilot 能力，以天生式 AI 重构企业软件（AI-Generated Software），提升企业软件的体验和开拓效率。
式说大模 型可以用来赞助或自动天生 CAD 3D 模型，用户通过自然措辞交互就可以调用工业软件的功能，赞助完成设计。

回望外洋 CAD 龙头的发展史，可创造其竞争上风互异，但核心技能的发展与对付用户利用体验的关注是 共同主线。
外洋三大 CAD 巨子中，达索系统具有一体化+云化平台 3DEXPERIENCE，同时具有功能互异的几 何内核 CGM+ACIS，由此产生差异化 CAD 产品 CATIA+SOLIDWORKS，共同推动其盘踞不同类型市场，取得 领先地位。
Autodesk 公司通过多次技能转型布局竞争壁垒，同时不断更新迭代产品应对需求，不断改革定价策 略与商业模式以匹配其计策，实现发达发展。
西门子密切关注云化+平台化趋势，开拓 Xcelerator 开放式数字商 业平台，布局开放的生态体系，创建功能完善且用户体验良好的 CAD 软件。
外洋 CAD 龙头的并购史遵照三类并购逻辑。
1）在技能层面进行第一类并购，针对打破核心技能的中小型 公司，获取核心技能，提高竞争壁垒，进一步赋能产品研发。
2）在市场层面进行第二类并购，针对具有垂直行 业知识或在某垂直行业取得领先地位的中小型公司，开拓垂直市场，获取对应客群，节省落地本钱。
3）在生态 层面进行第三类并购，针对生态链条上缺失落的 ERP、MSE 等类型软件，完善生态系统，实现运用联动。

CAD 海内领先公司发展态势良好，包括中望软件、浩辰软件、华天软件、数码大方。
1)中望软件是领先的 All-in-One CAX 办理方案供应商，2D 领域具有自主内核产品平台 ZWCAD。
3D 领域具有自主建模内核 CAX 一 体化软件 ZW3D，产品达到第二阵营技能指标标准，处于海内领先地位，古迹发展良好，教诲市场收入不断增 加。
2）浩辰软件具有内置协同设计，致力于打造一体化国产 2D CAD 办理方案，同时发展云端，致力于培植国 内领先的云化 CAD 办理方案。
2D CAD 为公司紧张营收来源，未来看好云化 CAD 业务。
3）华天软件具有完备 自主产权，在模具行业处于领先地位，目前公司旗下有 CrownCAD、SINOVATION、Sview、SViewVIZ 等一系 列功能强大的软件产品，营收年化增速达 11.2%，有望连续增长。
4）数码大方实现深度产教领悟，坚持以“企 业需求为导向，传授教化实训为中央”。

随着大措辞模型能力不断升级，天生式 AI 带来个人生产力革命，大措辞模型爆发出巨大的运用潜力，模型 参数持续提升带来更高的模型演习算力需求，大模型的商业化落地催生了更大的推理算力和通信能力需求。
从 需求端出发，我们测算了大模型带来的 GPU 增量空间。
测算事理：从模型的（1）参数规模入手，根据（2）演习大模型所需的 Token 数量和（3）每 Token 演习成 本与模型参数量的关系估算总算力需求，再考虑（4）单张 GPU 算力和（5）GPU 集群的算力利用率推导得出 GPU 总需求。

（1）参数规模：过去几年，大模型的参数量呈指数上升，GPT-3 模型参数量已达到 1750 亿。
GPT-4 具有 多模态能力，其参数量比较 GPT-3 会更大。
我们在测算中假设 2023 年多模态大模型的均匀参数量达到 10000 亿个，之后每年保持 20%的增速；普通大模型的均匀参数量达到 2000 亿个，之后每年保持 20%的增速。
（2）演习大模型所需的 Token 数量：参数规模在千亿量级的自然措辞大模型 GPT-3、Jurassic-1、Gopher、 MT-NLG，演习所需的 Token 数量在千亿量级，而一些多模态大模型在演习过程中所需 Token 数据量也跟随参 数量增长而增长，我们在测算中假设多模态大模型演习所需 Token 数量达到万亿级别，并且 Token 数量与模型 参数规模保持线性增长关系。
（3）每 Token 演习本钱与模型参数量的关系：参考 OpenAI 发布的论文《Scaling Laws for Neural Language Models》中的剖析，每个 token 的演习本钱常日约为 6N，个中 N 是 LLM 的参数数量，我们在测算中遵照这一 关系。
（4）单张 GPU 算力：由于在演习大模型时，紧张依赖可实现的稠浊精度 FP16/FP32 FLOPS，即 FP16 Tensor Core 的算力，我们在测算中选取 A100 SXM 和 H100 SXM 对应的算力 312 TFLOPS 和 990 TFLOPS 作为参数。
（5）GPU 集群的算力利用率：参考 Google Research 发布的论文《PaLM: Scaling Language Modeling with Pathways》中的剖析，我们在测算中假设算力利用率约为 30%。
其他基本假设包括多模态研发厂商个数、普通大模型研发厂商个数等。
根据所有假设及可以得到，2023 年 -2027 年，环球大模型演习端峰值算力需求量的年复合增长率为 78.0%。
2023 年环球大模型演习端所需全部算 力换算成的 A100 总量超过 200 万张，新增市场需求空前兴旺。

3.1 国产算力迎来高速发展期

2023 年 10 月 17 日美国商务部和安全局（BIS）发布一揽子规则，旨在更新对中国的前辈打算芯片的出口 牵制。
出口牵制清单 CCL 中的 ECCN 3A090 改动，该规则将于 2023 年 11 月 16 日起生效。
以下条件，知足 一个就受到出口限定： 3A090a：针对最高性能芯片(1): TPP 超过 4800(2): TPP 超过 1600，且 PD 超过 5.92。
3A090b：针对次高性能芯片(1): TPP 处于［2400,4800)，且 PD 处于［1.6,5.92)；(2): TPP 在［1600,+∞） 区间，且 PD 处于［3.2.5.92）区间。
个中 TPP 为总算力性能，PD 为性能密度，性能密度定义为：总处理性能/芯片面积。

2023 年 10 月 17 日的芯片出口牵制禁令更为严格，虽然肃清了之前的带脱期制，但是算力限定更为严格。
主流的英伟达 H100、H800、A100、A800、L40S、RTX4090 等均在出口牵制范围内。

英伟达和 AMD 是目前环球 GPGPU 的领军企业。
英伟达的通用打算芯片具备精良的硬件设计，通过 CUDA 架构等全栈式软件布局，实现了 GPU 并行打算的通用化，深度挖掘芯片硬件的性能极限，在各种下贱运用领域 中，均推出了高性能的软硬件组合，逐步成为环球 AI 芯片领域的主导者。
AMD 2018 年发布用于数据中央的 Radeon Instinct GPU 加速芯片，Instinct 系列基于 CDNA 架构，如 MI250X 采取 CDNA2 架构，在通用打算领域 实现打算能力和互联能力的显著提升，此外还推出了对标英伟达 CUDA 生态的 AMD ROCm 开源软件开拓平台。
海内 AI 芯片厂商正逐步缩小与英伟达、AMD 的差距，出口牵制下国产芯片快速发展势在必行。
英伟达凭 借其硬件产品性能的前辈性和生态构建的完善性处于市场领导地位，海内厂商虽然在硬件产品性能和家当链生 态架构方面与前者有所差距，但正在逐步完善产品布局和生态构建，不断缩小与行业龙头厂商的差距。
海内主 要 AI 芯片包括昇腾、寒武纪、海光信息、天数智芯等。

3.2 做事器：AI 时期环球做事器市场高速增长

3.2.1 AI 时期环球做事器市场高速增长，AI 做事器出货量占比进一步提升

AI 做事器为算力根本举动步伐最主要硬件之一，与普通做事器的绝大多数空间分配给 CPU 比较，AI 做事器 采取异构形式，可根据运用的范围采取不同的组合办法，一样平常采纳 CPU+多颗 GPU 的架构，也有 CPU+TPU、 CPU+其他的加速卡等组合。
相较普通做事器，AI 做事器更善于并走运算，具有高带宽、性能优胜、能耗低等优点。
比拟 CPU 和 GPU 的内部架构，CPU 采取整块的 ALU(运算单元)，且大量空间用于掌握单元和缓存，串 行打算能力强；而 GPU 采取分立的大量 ALU，很少空间分配给掌握单元和缓存，并行打算能力强。
而由于图 像识别、视觉效果处理、虚拟现实、大模型演习等任务都包含大量的大略重复打算、矩阵打算等，更适宜用搭 载 GPU 更多的异构型 AI 做事器进行处理，而随着企业的智能化变革和通用大模型的兴起，以 GPU 为核心的异 构型 AI 做事器将在算力根本举动步伐培植中霸占愈发主要的地位。

IDC 估量，环球 AI 做事器市场将从 2022 年的 195 亿美元增长到 2026 年的 347 亿美元，五年年复合增长率 达 17.3%；个中，用于运行天生式人能的做事器市场规模在整体人工智能做事器市场的占比将从 2023 年的 11.9% 增长至 2026 年的 31.7%。
随着数据量的持续提升，大模型参与玩家和单个模型参数量提升，以及数字化转型推 进等多成分影响，AI 做事器市场规模将连续保持较快增长；2022 年中国 AI 做事器市场规模 67 亿美元，同比增 长 24%。
个中 GPU 做事器霸占主导地位，市场份额为 89%至 60 亿美元。
同时，NPU、ASIC 和 FPGA 等非 GPU 加速做事器以同比 12%的增速霸占了 11%的市场份额，达到 7 亿美元。
估量 2023 年，中国人工智能做事器市场 规模将达 91 亿美元，同比增长 82.5%，2027 年将达到 134 亿美元，五年年复合增长率为 21.8%。

3.2.2 AI 做事器市场集中度有望提升，海内厂商呈现一超多强格局

据 IDC 数据，2022 年上半年环球 AI 做事器市场中，浪潮信息、戴尔、惠普、遐想、新华三分别以 15.1%、 14.1%、7.7%、5.6%、4.7%的市场份额位居前五位。
市场格局相对分散，龙头厂商份额较为靠近。
此外，由于以 北美云厂商为主的需求方倾向于采取 ODM 模式，因此非品牌商份额占比较高，靠近 50%。
据 IDC 数据，2022 年我国 AI 做事器市场按发卖额统计市场份额中，浪潮信息、新华三、宁畅位居前三位， 市场份额分别为 47%、11%、9%。
市场格局呈现一超多强局势，除浪潮外其与厂商份额相对靠近。
由于海内头 部厂商采取类 ODM 模式做事互联网客户，因此 ODM 厂商份额占比偏低。

4.1 EDA 算法国产替代

EDA 板块：增速稳定、高壁垒、高估值板块。
1）增速稳定：EDA 公司商业模式大多数为按年付费，一样平常 收费在 IC 设计公司收入的 1%-3%之间，占 IC 公司收入比重较低，并且 EDA 公司议价权较高，因此对付成熟 稳定的客户，每年给 EDA 公司付费基本稳定或者略有增长，商业模式和高壁垒决定了 EDA 公司受下贱需求波 动影响较小。
EDA 行业增长一是受益于 IC 设计门槛降落，IC 公司数量越来越多，二是 IC 品类不断拓张，比如 第三代半导体的涌现，三是伴随着前辈制程迭代，产品繁芜度提高带来的单价提升。
加上盗版等成分的存在， 实际上有部分需求并未表示在 EDA 公司收入中，通过盗版的不断转化，EDA 龙头公司中长期均保持稳定增长。
2）高壁垒；技能壁垒本身较高，须要强大的数学物理根本理论支撑，对算法哀求很高。
同时用户协同壁垒较高， 制造、设计、EDA 厂商三方形成稳定的生态圈，新进入者极难冲破。
因此，高壁垒以及良好的业务稳定性和成 长性，使得 EDA 公司如新思科技、Cadence 在美股半导体板块中估值一贯相对较高。

EDA 行业保持稳定增长，海内增速更快。
根据赛迪数据，2020 年环球 EDA 行业实现总发卖额 72.3 亿美元， 同比增长 10.7%。
估量至 2024 年，环球市场规模有望达到 105 亿美元，2020-2024 年复合年均增长率为 7.8%。
2020 年海内 EDA 市场规模为 66.2 亿，估量至 2024 年，我国 EDA 工具市场规模有望达到 115 亿元公民币，2020 至 2024 年的市场规模符合年均增长率近 17%。

EDA 结合人工智能是趋势。
EDA 问题具有高维度、不连续、非线性和高阶交互的特性，机器学习等算法 能够显著提高 EDA 的自主程度，提升 IC 设计效率，缩短研发周期。
人工智能赋能 EDA 紧张从 Inside 和 Outside 两方面实现，从 Inside 方面，通过机器学习对 DRC、能耗、时序等预测，在参数模型建立过程中实现参数的优 化，同时实现更高效的物理空间设计。
Outside 方面，通过机器学习办法，减少人工干预，极大开释劳动力。

EDA巨子积极进行人工智能与芯片设计的深度领悟。
EDA巨子Cadence发布了内嵌人工智能算法的Innovus， Project Virtus，Signoff Timing 等工具，实现了全流程数字化智能化。
Mentor 通过机器学习 OPC 将光学临近效应 改动(OPC)输出预测精度提升到纳米级，同时将实行韶光缩短 3 倍。
Synopsys 推出业界首个用于芯片设计的自 主人工智能运用程序——DSO.aiTM。
英伟达发布大措辞模型 ChipNeMo，赞助事情职员完成与芯片设计干系的 任务，可以回答有关芯片设计的一样平常问题、总结 bug 文档，以及为 EDA 工具编写脚本等。
国产 EDA 产商迎来新计策机遇期。
目前环球 EDA 工具上大约有近百家，排名前三的公司分别是新思科技 （Synopsys）、铿腾电子（cadence）和明导（Mentor），三家巨子霸占着环球近 7 成旁边的市场份额，在中国的 市占率更是超过 95%。
2022 年 8 月生效的《2022 芯片与科学法案》对 EDA 软件进行了出口牵制，在中美贸易 战、科技战持续深化的背景下，加强对卡脖子的关键核心技能研发的支持成为半导体领域的重点，半导体芯片的软硬件国产化比例不断提升，芯片核心技能自主可控势在必行，国产 EDA 厂商迎来主要的发展机遇。

（本文仅供参考，不代表我们的任何投资建议。
如需利用干系信息，请参阅报告原文。
）

精选报告来源：【未来智库】。
「链接」