计算机行业寻找AI技术潜在应用场景的方法论：AI大航海时代的数字罗盘

计算机增持4.07AI计算机增持4.07AI大航海时代的数字罗盘细分行业评级AI方法论计算机增持相关报告2023.04.03计算机《AI大模型引发科技革命》2023.03.31计算机《文心千帆发布，AI应用发展有望超预期》2023.03.28计算机《浪潮已到，AI产业化快速推进》2023.03.26模式》2023.03.19证书编号李沐华(分析师)97limuhua@S519080009齐佳宏(分析师)37qijiahong@S519080007本报告导读：本文构建了一套标准来帮助我们勾勒AI技术在应用端的潜在落地场景，这套体系包以及对不同场景下AI商业价值归属的探讨。现性并不意味着商业可行性，我们通过“帮客户赚钱”和“帮客户省钱”BB为AI业价值或将更多来自“长尾场景”而非“头部场景”。AI加大AI人才投入力度，预计在2023H1推出AI新品，与微软有直接映射关系。科大讯飞：采用“1+N”可以帮助提高公司公共安全产品性能，降低成本，且外销一带一路国家。请务必阅读正文之后的免责条款部分证券研究报告股票研究行业更新行业更新ofof21 ”，封闭场景更易“自我迭代” 17IT巨头来说，大模型商业价值或更多来自“长尾场景”而非“头部场景” 18 行业更新ofof1.序言AI讨论方法OpenAIMITCMUAI只聚焦在“前端应用的落地场景”而不讨论后端各大模型孰优孰劣。统，每个模型都会有自己的一些特点和优势指标，事实上我们是不太可能通过一些简单的量化指标客观评估各家模型的能力，单纯问“如果我们希望提出一些标准，来粗略描绘现阶段AI能够落地的“场景勒我们心中现阶段AI能够落地交叉就会勾勒出满足各个条件或至少多数条件的交集。某种能力是否可以被AI技术实现；商业方面是否具备可行性；于基于现有落地案例的小样本进行归纳很有可能会让我们得出一具体的思路是：AI，我们的判断标准是能不能彻底解决问题，而不是能行业更新ofof21在这个基础上，我们展开一些衍生讨论，讨论的重点在于商业价值“商业边界”，同时给出对于一般企业可触达的“商业边界”∩通通过各条长期技术局限取交集得出AI落地界在技术可实现业价值边界”“是否为新增商业价值”分类讨论商业价值的归属权新玩家可获得商业价值的场景所有潜在落地场景技术上可行的场景商业上可行的场景AI域落地容易、在医疗领域落需要说明的是：第一，我们把讨论语境设定在当下可预见的范围内，着眼在全球。Learn,andWhatDoesItMeanforOccupationsandtheEconomy?》中的局限。行业更新很显然，部分对物理世界实操要求较高的场景对现阶段大模型而言是很难落地的，这是自动化等其他方面造成的限制，不在我们的讨第三，这只是一个初步的讨论，至少受限于以下一些方面：I对于其他各个行业实际情况的了解可能存在滞后或偏差；我们认为，寻找标准的方式甚至比标准本身更重要。事实上，比起“每2.技术可行性：寻找现阶段AI的“技术能力边界”智能”和“乌鸦智能”的表述可参照北京大学人工智能研究院朱松纯教技术边界的讨论的起始点来自微软的论文《SparksofArtificialGeneral信心校准信心校准该模型很难知道什么时候它应该有信心，什么时候它只应该猜测。它既会编造在其训练数据中没有出长期记忆背景的任务，例如阅读一本书，任务是在阅读过程中跟持续的学习模型缺乏自我更新和适应环境变化的能力。模型被训练好后是固定的，没有机制可以纳入新的信息或来自用户周期会过时。个性化一些应用要求模型为特定的组织或终端用户量身定做。该系统可能需要获得关于一个组织的运作或个人的偏好规划和概念性跳跃透明度、可解释性和一模型不仅会产生幻觉、编造事实和产生不一致的内容，而且似乎没有办法验证它产生的内容是否与训练数据一行业更新ff致性任或合作。认知谬误和非理性模型似乎表现出人类知识和推理的一些局限性，如认知偏差和非理性和统计谬误。该模型可能会继承其训练数据中存在的一些偏见、成见或错误，这可能反映了与人口的子集或更大的共同观点和评估有关的意见或观点的对输入的敏感性模型的反应可能对提示的框架或措辞的细节以及它们在会议中的顺序非常敏感。在工程提示及其排序方面往往在此基础上，我们根据下面几条标准把部分局限性剔除：1.这条局限是属于大模型的还是只属于GPT系列的，比如Encoder-T2.这条局限是大模型和小模型同时存在，还是只有大模型存在？对于后在这个问题；GPT系列AI边界大模型AI边界中短期可能通过渐进式突破解决无法被剔除信心校准长期记忆持续的学习个性化规划和概念性跳跃透明度、可解释性和一致性认知谬误和非理性对输入的敏感性的挑战√√√√√√√√√√√在按照前述标准把表格里的部分局限性剔除，并把剩余局限性进行重新I“深度学习+人类反馈强化学习”的统计学框架下表现出了一定程规划和概念性跳跃”局限行业更新ofof我们把这些技术局限按照递进关系归结为三个问题：如果有标准答案(最优解)，这个答案可以被AI找到么？“鹦鹉智能”带来的局限归结为三个问题是否是否有标准答案无(AI落地相对容易)如可被人类修改的文稿可以(AI落地相对容易)如棋类运动不可以我们是否能接受能(AI落地相对容易)如个性化教育不能(AI落地相对困难)如内科手术中的医疗影像有标准答案是否可以被AI找到个问题有标准答案么？AI的目前最为常见的一些应用场景，比如文字生成图如果对于生成的答案不满意可以通过新增条件的方式让模型对答人工同样可以重新修改答案；问题，比如涉及隐私、著作权等方面的风险，但这些风险可以通过商务行业更新我们认为，这是一个“有限场景”和“无限场景”的问题。在所有情况本质上在于它是一个“有标准答案且情况可以被遍历”的场景。上一次子”的情况都是有限的集合，换句话说，所有可能性是可以被遍历的。这种场景本质上是在所有可能的方案里寻找我们认为，一个典型的场景就是公开道路自动驾驶。事实上，我们理论显变化(单位：次/百万公里)567891硬件的性能问题0264问题9353题382021010：历年加州路测报告，国泰君安证券研究ofof行业更新FreewayhighwayParkingFacilitystreetFreewayhighwayParkingFacilitystreet究第三个分岔路口：如果AI真的找不到正确答案(哪怕是局部最优解)，讨论到这一阶段，AI的落地难度变成了错误容忍度的问题。毫无疑问，在所有无法实现对CornerCase进行遍历的情况下，如果我们对于Bad我们通过一正一反两个例子来说明我们的观点：正向例子：“因材施教”是一个典型的对于错误的容忍度较高的场的数据做分析，判断学生对各个知识点的掌握程度，再有针对性地为学生做题目推送。在这个过程中，必然会存在一些推送不当的情况，但推送错误所造成的损失是非常小的，只要绝大部分的题目是口由会产生非常严重的后果，导致在评价产品效果的时候更受的，因为这意味着每100次诊断都可能表4：误判所造成损失的大小在一定程度上决定了AI在不同场景下的推广速度个性化学习医疗影像在内科手术中的应用失小大行业更新低快低快高慢关注点可解释性、准确性的要求AI落地速度所有基于现有知识的“裁剪”和“缝合”都不构成AI的技术边界，而卡”的想法，在解决任务的过程中实现不连续的飞跃。比如牛顿看到苹果落地发现了万有引力，阿基米德洗澡时发现了浮力定律，这些场景涉及到发现或者发明一种看待事物或构建问题的新方法。务”和“不连AI现的环节作为例子来进行说明：子构型能够实现降低β分泌酶活性的效果”这两个猜想都需要而后续的工作就类似于“搜索”逻辑，在一系列答案中寻找一个可这个猜想已经被人类证明从而成为了定理。如果我们认为大模型是行业更新3.商业可行性：在技术可行的前提下，寻找AI落地的商业边界技术上可实现并不意味着商业上可行，我们希望在技术可实现的范围内剔除掉缺乏商业价值的场景。对于IT公司而言，赚的都是帮助客户额外赚到的钱或者帮助客户省下我们认为，除了大模型的拥有方直接“下场”的个别场景外，大模型落商业价商业价值来源是(AI落地相对容易)可以是否影响消可以否否(AI落地相对困难)可以被感知不可以(AI落地相对困难)高(AI落地相对容易)帮客户省钱高(AI落地相对容易)帮客户省钱低(AI落地相对困难)AI低(AI落地相对困难)AI可替代的人类工作量∑不同工种某一工种可被AI替代的工作量场景中人类的总工作量∑不同工种某一工种的总工作量AI=行业更新能影响消费行为AI技术差异能否形成代差？对于终端用户而言这种技术差异是不快；反之，AI技术的落地就更多取决于B端客户的决策了。智能语音助手可能是个比较合适的例子。第一阶段的故事，Iphone4S的热销很大程度上归功于Siri。一经上市就迅速点燃了市场的热情，首个搭载Siri的机型——iPhoneS末就售出400万部，并带动2011Q4ne第二阶段的故事，现在没人会因为Siri买Iphone12。苹果了，背后的原因是什么？一个最为直观的回答是：因为现在很但实时情况是，Siri和其他语音助手之间的“技术代差”并不存在。行业更新它马上给出了很多选项，把任务完成的很好。但是，当我进一步和他对话，说“我想吃饭但不想吃永和大王”的时候，让人失望的事情发生了——Siri给我推荐了满屏幕的永和大王。如果我们把问题这个小测试说明什么？说明此前各个手机智能语音助手背后的本质还是填槽，通过对话抓取关键词，当系统把所需要的关键词都收集完之后就可以输出结果，而这样的技术框架是没有办法做即使看没策第三阶段的故事，阿里大模型团队依靠知名脱口秀演员鸟鸟的音频相关测评视频显示，该智能音箱所表现出的多轮对话、个性化形象超以往所有的智能语音助手或智能音箱。新版市场后，有多少人会因为其大模型加持下产生的新能他玩家利用大模型“复现”其新能力需要多长时间。频做出“鸟鸟分鸟”版智能音箱行业更新AGI势，而且这一趋势必然能够实现，分歧仅仅在于技术路径和时间。帮助员工提升工作效率，从图11：AI在某个场景中的“降本增效”价值可以用它对于人类工作量的替代来衡量AI可替代的人类工作量∑不同工种某一工种可被AI替代的工作量AI在某个场景中的“降本增效”价值==场景中人类的总工作量∑不同工种某一工种的总工作量这个场景中有多大比例的员工的工作量会由于AI大模型的出现而例可以被AI大模型替代。我们发现问题可以从“场景层面AI能够提供多大的降本增效价值”转题，我们完全可以借用OpenAI对于AI大模型对不同职业影响情况的OpenAI在报告中给出了GPT-4或LLM对不同职业的替代程度的讨I业的任务中有多大比例可以被GPT-4或基于GPT-4开发的其他软件所职业程度行业更新究员高度直接暴露、作词家和创意作家公共关系专家究员与作者均衡暴露公共关系专家税员高度间接暴露金融量化分析师与作者OpenAI国泰君安证券研究在这里，我们给出关于电商智能客服和运营商线上客服的例子，方便读者更直观地理解上面的结论。模型的“降本增效”潜力远远高于运营商线上客服，前者落地更容易。成本在电商场景中的成本占比较高，AI替代人工的“降本增效”价值较高；电商智能客服运营商线上智能客服消费者使用频次(相对于消费频次)线上客服占成本的比重AI大模型对于线上客服的部分替代产生的“降本增效”价值高高高低低低总体来看，“帮客户赚钱”的场景在商业落地方面会优于“帮客户省钱”这个道理不止适用于AI的商业落地，也适用于绝大多数技术在商地。就像一个公司里“成本中心”的地位往往比不上行业更新这里我们仅简单举出一个家装行业的例子作为对比。在家装行业中，这一领域诞生了三维家、酷家乐等等一系列公司。而后端的施工信助客户提升消费体验是不经济的。对于这类软件，家装公司的买单“地产后周期”产业链中的各个环节消费频次低中高单次消费金额高中低客群积累与品牌力构建难中低标准化程度低中高代表企业力、美的类玩家在本章的讨论中，我们聚焦三个问题：厂商直接做掉？这些场景是否是AI技术可以落地的新场景？第一个问题的答案是显而易见的，这里只做简单讨论。毫无疑问，大模对于它们已经占据的核心场景，其他玩家没有机会。比如Copilot必取收入的AI大模型应用，它也大概率来自阿对于IT巨头而言，除了它们已经圈定的核心场景外，大概率是不4.1.开放场景更易“弯道超车”，封闭场景更易“自我迭代”对于第二个问题的详细表述是：在此前小模型已经大规模落地的“大型垂域场景”中，到底是一些新玩家会依靠大模型更强大的模型能力弯道“数据获取能力”的对决，背后反映的是“场景开放性”的问题。的是，的划分标准是“大模型向小模型迁移时数据的可获得性，而不是训数据的可获得性”：可以通过公开手段获得。包括传统或者新兴的消费电子单品所衍生出”所需要的数据不容易获得，数据和渠道比模型能力本身更重而且难以在短时间内构建起和客户之间的信任关系，“数据获取能可能分属于不同类型的习机的过程，基于大模型的“二次开发”所需要的数据相对新进入者是很难获得的，再加之渠道方面的劣表8：课外教育更偏向于“开放场景”，课内教育更偏向于“封闭场景”课外教育课内教育典型产品AI学习机个性化学习手册(个性化教辅)数据获取难度渠道壁垒大模型对行业竞争格局的影响大小训练大模型确实在一定程度上导致了垂域场景中数据壁垒的降低。或许垂域数据看起来不再像之前那么重要，但依然很重行业更新景”而非“头部场景”对于第二个问题的详细表述是：对于一般企业来说，哪些场景才是大模型商用后AI更容易新增商业价值的场景？是“头部场景”还是“长尾技术，而是成本。此前，业内更倾向于通过模型优化在参数并不大幅增问难以实现对长尾场景的下探。原因很简单，对于专用模型来说，需要针对场景进行模型构建、数据采集，并进行持续迭代。单一长尾场景本如在工业上，大模型可以被用于智慧排产。一个大型工厂可能拥有上百条产线，生产的产品多种多样。面对全球各地的订单需求，某个订单短头短头以平安城市、雪亮工程等为代表长尾以园区、楼宇、校园、工地等为代表中中小企业端用户群体政政府、大企业端4.3.小结对于非巨头企业而言，由于大模型出现而“新增”的商业价值或将行业更新景”而非“头部场景”。数据获取难度开放场景数据获取难度开放场景新市场新市场新市场小模型时代的迭代”•IT巨头直接场•新玩家容易“后来居上”长尾场景头长尾场景小小大商业价值大小小大：国泰君安证券研究5.总结为三个部分：们以微软对GPT-4的测评作为基础寻找现阶段AI落地的知识边界，这就意味着AI无法进行真正意义上的而创造性工第二部分，在技术上可行的前提下，我们尝试勾勒AI落地的商业价值景下的“省钱逻辑”。进而得出两个结论：第一，开放场景中后来者更容易通过被大模型赋能行业更新ofof21增”的商业价值或将更多来自“长尾场景”而非“头部场景”。们可能无法亲身投入到AI的新心。我希望引用普朗克的一句名言来结束我们这个初步的不成熟的讨论，“Scienceprogressesonefuneralatatime.Thefuturedependsonsome6.投资建议金山办公、科大讯飞、杰创智能、凌志软件。金山办公：公司架构，将大模型落地于教育、医疗、人机交互、办公等多个行业，大模技术可以帮助提高公司公共安全产品性能，降低成本，且外销一带一路落地(自动生成招股书)，也可通过GPT实现内部最高75%