亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

大模型參數量級飛漲，相應訓練集需同比提升。李開復定義AI2.0時代的特征是通過海量數據，無需標注自監督學習，訓練一個基礎大模型，并在各領域將其專業化。據相關論文，當模型的參數量大于某閾值，會展現出類似推理、無監督學習等未曾出現的能力，這種現象被稱為“涌現”，因此目前大語言模型參數均在十億量級以上。同時，Deepmind研究表明，模型參數的上漲需要配合等比例上升的優質數據集來達到最佳訓練效果。因此，大模型參數在十億級以上發展并受限于優質數據集的增速是AI發展的必然趨勢。

　　大模型增長挑戰芯片算力和內存，無法實現完整端側部署。大模型訓練和推理的三大瓶頸是算力、顯存和通信，根據我們的測算，算力方面GPT-3訓練所需算力為121528TFLOPS，若30天內完成，需要1558顆A100。內存角度，GPT-3訓練至少需要3.2T內存，至少44張A100，推理任務則主要受顯存限制，需要4至8張A100，因此完整的模型無法在終端上離線運行。

　　優化后大模型可在旗艦機型芯片上運行，AI落地有望推動新一輪換機潮。AI部署本地化具有必要性，優勢包括更低的延遲、更小的帶寬、提高數據安全、保護數據隱私、高可靠性等。完整的大模型僅參數權重就占滿一張80G的GPU，但是通過量化、知識蒸餾、剪枝等優化，大模型可以在手機本地實現推理。高通團隊使用驍龍8Gen2部署StableDiffusion，實現本地運營15秒出圖，證明了大模型本地化運行的可能，也體現出目前手機芯片的局限性。根據IDC數據，1Q23全球手機銷量中主處理器頻率超過2.8GHz的占比36%，價格在1000美金以上的占比13%，即旗艦機型占比較低，隨著AI大模型在邊緣端落地，有望推動新一輪換機潮。

　　以大語言模型為核心，以語言為接口，控制多AI模型系統，構建“賈維斯”式智能管家。我們認為大語言模型不僅可以實現對話、創意，未來也有望作為眾多復雜AI模型的控制中心，同時也是接受用戶指令的交互窗口，實現《鋼鐵俠》電影中“賈維斯”式綜合智能管家。23年5月，Google推出PaLM2輕量版Gecko，其可在最新的旗艦機型上離線運行。同月，OpenAI首次推出ChatGPT移動端應用，各家大廠正式進入AI模型移動端創新、競爭時期。智能音箱、全屋智能中控屏、手機、MR等均有望成為這一時代的交互入口。 　

來源：艾瑞咨詢 　　ChatGPT被稱為AI的“iPhone時刻”，以ChatGPT為代表的生成式AI讓每個人命令計算機解決問題成為了可能。可對生產工具、對話引擎、個人助理等各類應用，起到協助人、服務人甚至超越人的角色。 　　通用基礎大語言模型的價值與自研卡點

　　大廠的絕對戰略優先級，但也是一場重投入的持久戰。 　　2023年3月中，OpenAI宣布ChatGPT整合GPT4，實現多模態交互、大幅提升復雜長文本理解與生成能力、可控性增強，引起全球科技界震動。 　　在國內科技及投資各領域的高度關注下，百度舉辦了“文心一言”產品發布會，雖說從產品功能、成熟度、支持用戶并發等維度距ChatGPT還有不足，但也是中國在這新一輪“科技軍備競賽”中的勇于嘗試與發聲，目前百度也已啟動API接口開放測試，瞄準B端市場。 　　緊隨其后，360、阿里、華為、商湯、京東、科大訊飛、字節跳動等巨頭企業也動作頻頻。 　　從自研通用預訓練大語言模型的必要性角度分析：在全球政治經濟局勢下，自主可控是保障網絡安全、信息安全的前提，自研基石模型具有高度戰略意義；從自研的可行性角度分析：基于前文討論的通用基礎LLMs研發所需的算力、數據、算法、人才、資金儲備等，中國僅有少數頭部互聯網企業具備研發“入場券”。 　　宣布入局的頭部企業基于自身業務生態選擇的戰略路線也不盡相同。但可以大膽假設，未來若形成大模型能力領先，誰擁有通用基礎大模型與生態和流量入口，誰就更有可能擁有從應用層到算力層的營收話語權。 　　價值：自主可控的戰略意義、大模型的商業價值 　　卡點：高端AI算力、數據、算法、人才、資金儲備 　　調用國外大模型將涉及數據跨境的合規風險、中國中大型企業與政府部門均存在私有化部署需求、以及受美國科技保護主義影響。種種原因，國內必將且必需產生自主可控的通用基礎大模型產品與服務。 　　“滾雪球效應”使通用基礎大模型的門檻越來越高，但其可以提供“超級大腦”一樣的價值。OpenAI與微軟的成功路線表明，依托ChatGPT有望打造新的個人與企業應用開發生態以及拉升云廠商業務營收。 　　美國芯片禁令下高端AI算力資源不足，算力資金投入上還需支撐智算集群的訓練與運營成本。 　　互聯網中文高質量數據資源小于英文，差距20-30倍，需要高質量數據清洗。 　　通用基礎大模型開發是一個系統工程，需具備分布式訓練、模型蒸餾等各類技術能力與工程化能力。 　　如何把know-how數據轉化成Q&A的能力，需要大量提示（人與機器進行交互的指令語言）工程師。 　**　中國大語言模型產業參與廠商類型與定位邏輯**

　　垂直基礎大模型廠商與應用開發廠商需在窗口期加快建立“數據飛輪”壁壘。 　　此輪基于ChatGPT的大模型浪潮興起伊始，結合我國AI產業鏈與競爭格局現狀，一種判斷是：基于大模型的通用和泛化性提高，未來手握通用基礎大模型的巨頭企業會逐漸侵蝕垂直領域廠商業務。這種壓力長期來看的確存在，但大模型與產品結合，尤其在非檢索或開放域交互等場景中，需要依賴垂直領域數據和行業know-how、應用場景和用戶數據反哺、一站式端到端工程化能力等。

　　在此窗口期，垂直領域與應用層廠商應積極將大模型能力整合入自己的技術棧，服務于產品功能優化，建立“數據飛輪”壁壘。在下游豐富的基于大語言模型、AIGC應用開發需求的影響下，還將分化出一類工具型或平臺型廠商，主要提供基于各類大模型的開發平臺服務，幫助客戶實現便捷的AIGC應用開發與落地。 　　大語言模型落地應用對數字產業影響

　　1）變革人機交互方式：既有軟件將接入對話能力，交互界面發生變革，自然語言成為用戶發布操作指令的新模態。這一影響將從搜索引擎等知識信息平臺拓展到一切人機交互型應用。友好度和功能性的顯著提升將激活軟件服務的增量用戶市場；

　　2）豐富產品種類：將誕生新一批AI-first的應用，如創意設計、AI營銷、AI運營等領域； 　　3）塑造新興商業模式：AI主導的“模型即服務”商業邏輯將重構應用開發流程，傳統企業可享受低成本構建應用模型的便利； 　　4）構建新興生態平臺：超級應用的出現，本質上搭建了用戶需求與各類信息服務之間的基于自然語言交互的平臺生態，塑造了移動互聯網后新的流量入口。 　　具體內容如下:

大模型出現有望帶動AI服務器需求爆發

　　我們認為ChatGPT具備跨時代的意義的本質是AI算法大模型，因此科技巨頭已經開始算力“軍備賽”，大模型的出現有望帶動AI服務器需求爆發。服務器架構隨負載量擴張不斷優化，已經經歷傳統單一部署與集群模式，目前正處于分布式模式的轉變階段。CPU、內部存儲和外部存儲是服務器的核心部件。 　　加速計算是服務器成長的核心驅動力 　 　　按照CPU指令集架構的差異，服務器可分為CISC(復雜指令集)、RISC(精簡指令集)、VLIM等架構，代表架構為X86。人工智能應用場景下的加速計算服務器是中國服務器的核心驅動力，AI服務器相較于通用服務器區別在于硬件架構、加速卡數量與設計方面；我們認為AI服務器眾芯片組為服務器的核心，且價值成本占比較高。 　　算力時代到來，服務器價值再次凸顯 　 　　我們認為服務器是“伴科技類”的硬件產品，隨著科技的服務形式和應用方式不斷進步，服務器同樣在不斷迭代升級或更新換代，近年來隨著互聯網+、云計算、AI+、邊緣計算的出現，服務器市場迎來了極大的發展；根據IDC的數據顯示，國家計算力指數與GDP/數字經濟的走勢呈現出了顯著的正相關，而AI服務器作為算力載體為數字經濟時代提供廣闊動力源泉，更加凸顯其重要性。

　AIGC空間廣闊，商業化落地持續推進

　　AIGC的落地痛點在于成本高昂的通用大模型與下游垂直應用場景需求的不匹配。ChatGPT熱度持續提升，一方面推動了科技巨頭持續加大AI投入，另一方面也直接帶動下游付費意愿提升，進一步加速AIGC應用落地和商業變現，AIGC產業迎來發展良機。 　　（1）從內容形態來看，AIGC應用包括文本、音頻、圖像、視頻、代碼、多模態等內容生成形式，根據紅衫資本預測，AIGC將首先在文本和代碼領域落地應用，隨后逐漸拓展至圖像和視頻領域。 　　（2）從應用價值來看，AIGC應用價值體現在降本增效、提升內容質量、增加內容多樣性、生成個性化內容等方面。在垂直領域，目前國內已有機器寫稿、對話式AI、報告生成等AIGC應用落地，技術價值主要在于替代人工實現降本增效。隨著科技巨頭的持續投入以及技術的迭代升級，AIGC技術應用場景進一步拓寬，技術價值也有望從將本增效向額外價值轉移。 　　AI賦能價值凸顯，AI應用大有可為 　　（1）AI+搜索：搜索是互聯網的流量入口，微軟、谷歌、百度均表示將率先將AI技術應用于搜索，未來有望重塑信息生成和呈現方式，成為新的流量入口。 　　（2）AI寫作：AI寫作可大幅提升效率，在具有較強規律性的結構化寫作方面具有豐富應用場景。目前已在辦公軟件、新聞媒體等專業應用場景商業化落地。 　　（3）AI對話：AI對話主要用于替代人類完成大量重復性、規則性對話任務，在金融、互聯網、運營商等擁有大量C端用戶的行業擁有廣闊應用前景。ChatGPT在多項測試中已經超過人類，將對話AI提升至新的高度，未來應用空間廣闊。 　　（4）AI翻譯：在AI技術支持下，機器翻譯效果持續優化，但在廣義理解層面仍面臨挑戰。相比專業搜索工具，ChatGPT具有更強的理解能力，在部分場景的翻譯表現優于谷歌翻譯和DeepL，表現驚艷。 　　（5）AI作畫：AI作畫可解決視覺內容創作門檻高、耗時長的痛點，對于內容創作的價值凸顯。根據6pen預測，未來五年10%-30%的圖片內容將由AI參與生成，預計2027年市場規模有望超過600億，空間廣闊。 　　（6）AI視頻：AI已經可以輔助完成視頻生成、替換、剪輯等多項任務，已在短視頻、AI修復等領域廣發應用，下游需求旺盛，未來應用潛力廣闊。

國產“ChatGPT”揚帆啟航。OpenAI的商業模式為API接口收費。我們認為此種商業模式具有“卡脖子”的風險，因此我國需要發展自主可控的“ChatGPT”。國產生態正在逐步繁榮，百度打響國產ChatGPT領域“第一槍”，其在算法、算力、數據、生態、平臺五方面皆有儲備；ChatGPT的競爭本質即大模型儲備競賽，大模型是人工智能發展的必然趨勢，也是輔助式人工智能向通用性人工智能轉變的堅實底座。大模型分為NLP(自然語言處理)、CV(計算機視覺)、多模態和科學計算四類。此外，中美科技巨頭已經開啟大模型儲備“軍備賽”。

　　百度文心一言，開啟國產ChatGPT新征程。百度是少有大模型語言訓練能力的公司，模型儲備方面，百度實現了全生態布局。1、NLP(自然語言處理)，已經具備智能創作、摘要生成、問答、語義檢索、情感分析、信息抽取等能力，且可以讓機器人像人一樣具有邏輯且自由對話；2、CV(計算機視覺)，可用于應用于圖像分類、目標檢測、語義分割等場景，此外還可以應用于文檔、卡證、票據等圖像文字識別和結構化理解；3、跨境大模型，可實現AI作畫、場景融合視覺常識推理、跨模態圖像檢索、跨模態文本檢索等多場景；4、生物計算，應用場景為蛋白結構預測和小分子藥物研發等領域。 　 　　百度為國產ChatGPT“領軍企業”，具有算力積累和生態優勢。平臺方面:擁有自主生態的百度百舸·AI異構計算平臺，具備高效率、多密度、高易用性、多場景部署、樂高式拼接等能力。算力方面:百度自身具有建設智能算力中心的實力，技術領先且自主可控，已有典型落地案例；服務器方面擁有自研的昆侖芯云服務器；芯片方面，昆侖芯AI芯片是百度自主研發的芯片，2代芯片已量產，具備算力支撐強、高速互聯等多重優勢。生態:百度大模型賦能千行百業，已有落地應用，合作廠商分別覆蓋科技、金融、航天、影視、汽車、電子制造等諸多產業。此外，我們推測ChatGPT有望成為搜索引擎的流量入口，百度搜索引擎有望借助文心一言大模型的能力重回巔峰。此外，目前國產科技巨頭已經開啟大模型的“軍備競賽”，因此，我們判斷，未來AI+有望賦能千行百業，具有AI+能力的廠商有望呈現“百花齊放”的態勢。 　

主要觀點： 　　ChatGPT帶來大模型時代變革，數據要素重要性提升 　　ChatGPT是由OpenAI研發的一種語言AI模型，其特點在于使用海量語料庫來生成與人類相似的反應。初代GPT模型參數1.17億，GPT2模型、GPT3模型參數分別達到15億、1750億。不斷提升的參數量級，使得ChatGPT3當前已經能夠應用在商業、研究和開發活動中。 　　當前此類參數體量龐大的模型，成為各大科技廠商研發重點。大模型的基礎為高質量大數據。ChatGPT的前身GPT-3就使用了3,000億單詞、超過40T的數據。此類大數據基礎的前提為三部分1）有效場景下的采集數據；2）大數據的存儲、清洗和標注；3）數據質量檢驗。 　　大模型發展之下，算力與網絡設施建設成為剛需 　　算力：ChatGPT類人工智能需要更充足的算力支持其處理數據，帶來更多高性能的算力芯片需求。英偉達表示，GPT-3需要512顆V100顯卡訓練7個月，或者1024顆A100芯片訓練一個月。2012年以來，AI訓練任務中的算力增長（所需算力每3.5月翻一倍）已經超越摩爾定律（晶體管數量每18月翻一倍）。 　　網絡設施：以微軟Azure為例，其AI基礎設施由互聯的英偉達AmpereA100TensorCoreGPU組成，并由QuantuminfiniBand交換機提供橫向擴展能力。服務器節點多、跨服務器通信需求巨大，網絡帶寬性能成為GPU集群系統的瓶頸，解決方式包括增加單節點通信帶寬與降低網絡收斂比，帶來光模塊、交換機等需求。 　　下游應用場景豐富，多行業落地可期 　　1）“生成式AI(generativeAI)”在互聯網及元宇宙領域市場化空間較為廣闊。基于現行的NLP算法發展程度及數據集規模。在不久的將來，生成式AI有較大可能在“智能客服”和“搜索引擎”進行增值，并有希望以“插件”的形式賦能現有的“生產力工具鏈(工程軟件/音視頻制作工具等)”。 　　2）AI在制造業的應用可分為三方面：a）智能裝備：指具有感知、分析、推理、決策、控制功能的制造裝備，典型代表有工業機器人、協作機器人、數控機床等；b）智能工廠：重點在于實現工廠的辦公、管理及生產自動化，典型的代表場景有協作機器人、智能倉儲物流系統等；c）智能服務：指個性化定制、遠程運維及預測性維護等。 　　3）人工智能在智能汽車領域的應用包括：a）智能駕駛依托AI，將從駕駛輔助發展至自動駕駛；b）智能座艙在AI支持下，從出行工具演變為出行管家。

結論：大模型的出現促進底層技術迭代，衍生出AIGC應用受到關注；大小模型路線分化加劇，傳統深度學習關注下游場景落地情況

　　回顧：AI傳統領軍全面下跌，行業多方面挑戰，宏觀經濟下行初期需求增量釋放緩慢。

　　落地場景需探索，人臉等已經紅海，工業、醫療等尚在早期，AI獨角獸IPO后股價表現較弱，與收入-薪酬匹配度仍然較低有關。

　　行業熱點在大模型：大規模預訓練+無監督，大幅提升AI效率

以GPT-3為代表的大模型，可以從大量未標記的數據中捕獲知識，極大擴展模型的泛化能力。

　　但仍存在缺陷：對邏輯理解欠缺，訓練成本過高，普通機構難以復現。

　　大模型應用：AIGC圖像生成、GPTChat、自動駕駛等成為熱點

隨著模型改進和像素提升，DALL-E2、Stable Diffusion等圖像生產AIGC應用爆發；

InstructGPT在GPTChat工具中應用效果提升，做到與人類進行談話般的交互。

　　重點行業AI落地場景逐一分析：智能制造、智慧倉儲物流、智慧金融、智慧醫療、智能家居等。成熟的AI應用場景正在涌現，領軍AI公司已有大量標桿案例

ChatGPT：AIGC現象級應用，商業化落地打開成長空間

　　ChatGPT上線后熱度持續提升，已超過TikTok成為活躍用戶增長最快的產品。英偉達CEO黃仁勛表示“ChatGPT相當于AI界的iPhone問世”。目前ChatGPT已開啟商業化探索，面向B端開放接口對外輸出服務（如與微軟Bing的結合）；面向C端推出收費的Plus版本，月度費用為20美元/月。根據OpenAI預測，2023年將實現2億美元收入，2024年將超過10億美元，未來成長空間廣闊。

　　大模型+大數據+高算力，ChatGPT不斷突破

　　（1）預訓練大模型：GPT大模型是ChatGPT的基礎，目前已經過多個版本迭代，GPT-3版本參數量達1750億，訓練效果持續優化。（2）數據：數據是預訓練大模型的原材料。GPT-3數據主要來自CommonCrawl、新聞、帖子、書籍及各種網頁，原始數據規模達45TB，訓練效果大幅提升。（3）算力：微軟AzureAI是OpenAI獨家云計算供應商，所用超算擁有285,000個CPU內核、約10,000個GPU。在大模型、大數據和高算力的支撐下，ChatGPT技術持續突破，表現驚艷。

　　巨頭積極布局，產業落地加速

　　AIGC在AI技術創新（生成算法、預訓練模型、多模態技術等）、產業生態（三層生態體系雛形已現）和政策支持（北京經信局表示支持頭部企業打造對標ChatGPT的大模型）共振下，有望步入發展快車道，根據騰訊研究院發布的AIGC發展趨勢報告，預計2030年AIGC市場規模將達1100億美元，前景廣闊。

　　（1）微軟：微軟自2019年與OpenAI展開合作，并表示未來所有產品將全線整合ChatGPT。目前已推出引入ChatGPT技術的搜索引擎NewBing，經過測試后，71%的用戶對ChatGPT版Bing滿意，AI與搜索協同效果顯著。

　　（2）谷歌：2023年2月谷歌推出對標ChatGPT的對話機器人Bard。Bard基于谷歌LaMDA模型，參數量最高達1370億，LaMDA已經在多個維度接近人類水平。谷歌表示未來會將AI技術率先應用于搜索領域，或將與微軟展開正面競爭。

　　（3）百度：百度在AI領域深耕數十年，在芯片、深度學習框架、大模型以及應用已形成全棧布局，已有文心一格（AI作畫）、文心百中（產業搜索）產品落地。2023年2月，百度推出聊天機器人“文心一言”，目前生態合作伙伴近300家，未來可期。

生成式 AI 對搜索引擎是否存在威脅？

　　類似 ChatGPT 的生成式 AI 在搜索領域實現替代仍然面臨諸多挑戰，生成式 AI 技術需要先達到一定程度的 “規模優勢(包括預訓練數據集規模,用戶反饋量)”之后才有機會威脅到搜索引擎的生存地位。這種“規模優勢”既意味著模型可以解決問題的領域在數量上足夠龐大，又意味著同一個領域中模型可交付出的解決路徑數量最夠龐大。

　　這種“規模效應”的達成有 2 個制約因素：1）用戶習慣的顛覆。基于當前技術迭代路徑的“搜索引擎（包括 Google，Baidu，和 Bing等）”已經教育了市場將近 25 年以上的時間，顛覆用戶習慣需要極大的動能，這種動能一定是基于“替代方案”的效率要比“現存方案”優越數倍以上；2）生成式 AI 的模型進化的本質是依賴于對龐大的數據集的訓練和微調，其背后的算力支撐是重要的技術驅動因素，而算力支撐取決于芯片技術(材料、設計、生產工藝)及“異構計算技術”的發展進程(包括計算開銷的下降和計算交付結果精確程度的提高)。

　　生成式 AI 的算力需求

　　根據 Next Platform 對前期訓練（不含微調）的估算， GPT-3 175B 的模型的每次訓練成本在 875 萬 – 1093.75 萬美元之間，對應花費時間在 110.5 天-27.6 天，每 1 百萬參數的訓練價格是 50 美元-62.5美元之間。根據 Cerebras AI model studio 的 GPT-3 模型訓練服務（基于 4-node CS-2 cluster）的報價信息， GPT 70B （700 億參數，14000 億 Tokens，85 天訓練時間）的訓練價格在 250 萬美元每次。

　　生成式 AI 的商業化潛力

　　類似 ChatGPT 的生成式 AI，在不久的將來，生成式 AI 有較大可能在“智能客服”和“搜索引擎”進行增值，并有較大可能以“插件”的形式賦能現有的“生產力工具鏈(工程軟件/音視頻制作工具等)” 。

　　微軟和谷歌共同和分別面臨的挑戰

　　無論對于微軟還是谷歌而言，由于“生成式 AI”所帶來的行業變革處于爆發的早期，行業的天花板較高，并且 AI 技術的上游硬件廠商也會微軟等模型層和技術層廠商產生溢價，所以“贏者通吃”或“強者恒強”的局面并不會出現。

　　其共同面臨的挑戰包括： 1） 面臨細分領域(電商,社交,游戲)的威脅或直接競爭，威脅包括細分領域數據集獲得難度增大，競爭包括細分領域巨頭直接下場競爭并更易于滿足細分領域用戶需求。2）算力開銷驅動營業成本增加，生成式 AI 在發展早期的商業化績效目標需要被理性的界定清楚。早期的發展，需要有持續的現金牛業務支撐AI明星業務的研發及運維開支，同時也要避免業務間存在內部不配合和摩擦。3）如全球通脹及供應鏈擾動持續，生成式AI模型層和應用層等下游環節廠商所創造的價值不斷轉移到上游的硬件或者能源廠商。比如，高端GPU/FPGA的廠商較為集中，而可替代品有限，上游廠商有較強溢價權。

　　微軟面臨的挑戰包括：1）因為是引領GPT技術發展的領先企業，所以在面臨政府或公益組織對其生成式AI生產內容的法律及道德問題時也是首當其沖；2）在智能手機操作系統、娛樂、文化、快消、電商等領域的數據積累有限，在這些領域進行模型訓練的學習曲線依然很陡峭；3）如果微軟同時掌握了用戶接入操作系統，辦公軟件，和生成式AI搜索引擎的入口，則將需要面臨更多“反壟斷”相關的問題。

　　谷歌面臨的挑戰包括：1）對話式AI的搜索方式如果走向普及，將威脅現有的點擊付費的廣告商業模式；2）對現有的搜索引擎技術有一定路徑依賴，模型過于龐大和復雜，將生成式AI技術整合入搜索引擎需要更長時間的試錯；3）缺少先發優勢，OpenAI和微軟合作更早更深遠，而谷歌一直缺少對生成式AI技術落地的驗證(Bard并未達到預期)。

**刷爆的ChatGPT什么算法這么強！臺大李宏毅老師國語講解《ChatGPT (可能)是怎么煉成的 》！ **

** **

** **

　AIGC多模態跨模態應用逐漸成熟，市場空間廣闊。 　　廣義的AIGC指具備生成創造能力的AI技術，即生成式AI。可以基于訓練數據和生成算法模型，自主生成創造新的文本、圖像、音樂、視頻等內容。2022年被稱為AIGC元年，未來兼具大模型和多模態模型的AIGC模型有望成為新的技術平臺。據《中國AI數字商業產業展望2021-2025》報告，預測AI數字商業內容的市場規模將從2020年的40億元，增加到2025年的495億元。 　　ChatGPT產品歷經多代技術演進，產品與商業模式逐漸成熟。 　　ChatGPT是文本生成式AI，過去的傳統AI偏向于分析能力，主要基于已有內容；現在文本生成式AI基于底層Transformer模型，不斷訓練數據和迭代生成算法模型，歷經GPT-1、GPT-2、GPT-3，模型不斷升級，到ChatGPT的GPT3.5模型，已可以自主生成各種形式的內容。近期收費版ChatGPTPlus版本發布，AI商業化序幕逐漸拉開。 　　AI商業化落地在即，行業算法側和算力側投資機會有望超預期。 　　根據數據顯示，ChatGPT總算力消耗約為3640PF-Days，按國內的數據中心算力測算，需要7-8個數據中心才能支持其運行。各模態AI數據訓練到應用均需要算法和算力的加持，未來要想大規模應用，算法訓練和算力部署均需先行。