2022 年 12 月，OpenAI 推出了 ChatGPT，这是一种高性能计算的大型语言生成模型。它的出现推动了人机对话技术的发展，并在网络上引起了极大的关注。目前，全球各大科技企业都在积极拥抱 AIGC，不断推出相关的技术、平台和应用。随着人工智能技术的不断发展，AIGC 技术也日益成熟，广泛应用于更多领域。

目前，中国是 AIGC 市场的一个重要角色，并具有快速发展的潜力。据艾媒咨询预测，2023 年中国 AIGC 核心市场规模将达 79.3 亿元，2028 年将达 2767.4 亿元。中国互联网的高度普及率，以及不断提升的企业数字化程度，为 AIGC 产业提供了优越的发展环境。

AIGC是人工智能与大数据、云计算、5G等多个技术领域的整合，是一种跨领域的合作发展模式。在人工智能产业中，算力、算法、数据是三个核心概念，它们构成了AI领域的基础设施，是支撑AIGC行业创新和发展的必要前提。

百度、阿里巴巴、腾讯、华为是国内大模型领域的第一梯队，它们在大模型研发投入、技术能力和人才团队实力等方面具备追赶GPT-4实力。百度旗下拥有多个知名品牌，并在大模型领域布局广泛，文心大模型应用案例积累更多；阿里巴巴在淘宝、天猫、支付宝等品牌的基础上，也在大模型领域布局广泛，通义先布局内部应用；腾讯是中国最大的互联网公司之一，在微信、QQ、腾讯视频等品牌的基础上，混元大模型主要服务内部业务；华为是中国最大的通信设备制造商之一，盘古大模型与华为现有业务结合紧密。这四家企业在大模型领域均有着广泛的布局，具备强大的技术实力和专业人才，以满足不同场景下的需求并提高工作效率和用户体验。

一、AIGC产业链发展的前提与核心要素

以GPT为代表的基础模型，作为核心AI能力的供给，占据了价值链中最主要的环节，带领了整个AGI产业链的发展。由于大模型能力边界与适用性不断拓宽，它在迭代速度上领先一众小模型，呈现出下探到更多下游产业链以及更加细分垂直领域的能力。围绕着大模型的生态建设如火如荼，大模型的竞争格局、优劣势以及上下游生态也趋于稳定。而随着大模型的能力和发展速度趋于稳定，应用层也许会出现现象级消费应用以及垂类领域新龙头，而大模型将持续受益于中下游反哺。

1、算力

AI大模型的规模庞大，需要依赖强大的计算资源来支持其运行，全球芯片计算性能的持续提升为GPT的成功落地提供了重要基础。以英伟达为代表的AI产品性能持续进步，参数方面从V100到H100计算性能提升3倍以上，而单位功耗却显著优化。H100配有Transformer引擎，可以专门用作处理类ChatGPT的AI大模型，其服务器效率是A100的10倍。

过去十年，英伟达通过提出新处理器、新系统、新互连、新框架和算法，并与数据科学家、AI研究人员合作开发新模型，已经使大语言模型的处理速度提高了100万倍。AI芯片性能的显著提升成为近年来大模型涌现的算力基础。2020年OpenAI推出的GPT-3大模型包含1750亿参数，训练成本达到了1200万美元。多模态预训练大模型GPT-4预计规模更大，谷歌近期发布的PaLM-E包含5620亿参数。如此庞大的模型如果没有先进算力基础，训练耗时和成本将成为不可承受之重。

2、算法

多年以来，AI理论不断积累完善，并且GPT模型算法不断迭代优化，最终推出了能力出色的ChatGPT。从基于规则的算法到用于分类的机器学习，再到可训练的深度神经网络，AI技术将任务的复杂性从函数复杂度转移到了拓扑结构复杂度。Transformer注意力机制进一步模拟人脑学习方式，使自然语言处理取得了突破性进展。

3、数据

有规模与质量的数据要素是大模型的核心前提——ChatGPT训练数据达到45TB，同时基于人类反馈数据提升性能。从GPT的训练过程可以看出数据在大模型训练过程中的重要意义， 强化学习过程是ChatGPT 效果区别于其他模型的主要原因。

1）结构化到非结构化

结构化数据即数据格式与长度规范化的数据，数据量与信息含量较少，随着AGI 能力以及学习需求提升，将会越来越多采用信息量更大的非结构化数据，包括图像、视频、3D（LiDAR、雷达 等）、文本和音频等。

2)数据环节自动化比例提升

预计数据生产、采集、清洗、 标注等环节自动化程度会提升，目前机器标注、自动驾驶影子模式等技术都是数据环节自动化的例子。 数据的自动化也包括机器独立与真实世界交互产生数据的过程。未来除了新的场景与新的事物需要人工参与数据环节，在成熟场景的数据自动化程度会很高。

3）高质量反馈数据决定性能

GPT训练的RLHF数据与其他阶 段的简单标注数据不同，需要非常 专业的问题、指令以及符合人类逻 辑与表达的高质量的答案。 据称 OpenAI 内部招了几十名 PhDs 来做该数据的标注以及质量 检测，Scale 作为 标注供应商，也招聘了几十名 PhDs提供此类服务。

4）高质量垂类数据决定壁垒

在大模型架构基本稳定之后， 模型竞争的核心差异点在于训练数据的独特性。在垂直场景、业务的数据质量决定了模型在该领域的表现，如：BloombergGPT凭借3630亿 个标签的金融领域数据集FINPILE 在该领域任务中表现远超其他模型。

4、生态

GPT产品在先发构筑用户心智与使用习惯方面具有竞争优势。ChatGPT网站在2023年2月的用户访问量超过10亿次，独立访客数超过1.5亿。随着产品功能的不断完善，AIGC模型本身有望成为超级流量入口，与用户在各种场景直接交互。此外，数据是大模型关键要素。通过先发构筑生态，GPT获得更多的场景与用户数据训练，使其产品力领先于其他模型。同时，大量互联网与软件应用积极与GPT融合，一旦生态构筑，面临迁移成本，一定程度上类似操作系统的生态。

由于国内大模型尚未完全成熟，大部分企业产品处于研发或准备应对AIGC模型带来的影响阶段，但随着后续大模型持续落地与完善，预计将给相关产业带来新的机遇与挑战。在海外已嫁接大模型的应用案例中，企业具备原有产品使用场景不会被AI替代、有独特垂直的高质量数据以及用户粘性和深度等禀赋更有利于把握AI机遇。国内头部互联网企业腾讯、阿里巴巴、百度、华为、字节跳动除了在AI与大模型领域有积累与积极布局，本身产品场景生态也有望较大受益于AIGC技术带来的巨大效率提升。此外，在垂直细分领域方面，办公、金融、电商、教育等相关企业拥有核心关注场景壁垒和高质量独占数据优势，也有望受益于AIGC技术的发展。

一、腾讯：流量与场景受益大模型能力，有望优化成本与打开商业化空间

腾讯是国内最核心的社交流量汇聚和内容分发平台。AIGC大模型技术能够带来内容成本优化与体验提升，进一步完善平台内的内容生态；同时，在to B领域也有望提供更多的增值服务并创造更多需求。

1、用户流量

微信月活超13亿，QQ月活5.7亿，用户高粘性且熟人社交场景基本不受AIGC技术冲击，因此未来这两大平台的核心流量池和内容分发平台地位将保持稳固。

2、场景与数据

1）游戏与影视文娱等

腾讯作为国内最大的游戏、影视文娱生产商与分发平台，拥有全维度内容服务，包括腾讯游戏、视频号、长视频、网文、公众号、音乐、直播等。其独占大量内容数据，2022年游戏收入超过1700亿元，视频号MAU超过8亿（截至2022年6月），微信搜一搜MAU也超过8亿。这庞大的内容生态和成本投入有望在AIGC技术带来的效率提升和体验优化方面获得大幅改善。

2）企业服务

除了C端内容，腾讯还提供腾讯云、企业微信、腾讯会议等企业服务。但现阶段整体尚未实现盈利。借鉴微软办公和云产品受益于GPT技术的提升，AIGC技术赋能下有望提高相关产品的效率价值，并提升其商业化水平。

3）广告营销

2022年腾讯广告收入超过800亿元，主要与社交内容相关。AI技术有望持续提升内容效率和产品创新，从而提升广告的效率和体验。

3、AI工程能力

腾讯在技术和人才方面储备充分，截止2022年底研发人员规模约8万人，占比74%。公司积极布局混元大模型，在AI技术研发和应用落地方面同步推进。这些努力有望持续提升运营效率、产品创新以及增值服务。

4、算力基础

随着算力的发展，模型容量持续提升，模型通用性和泛化能力也更强。近两年来，国内外头部科技公司均有布局，发布了若干千亿规模以上的大模型。腾讯作为一家拥有强大底层算力和低成本高速网络基础设施的企业，在混元AI大模型方面取得了重要进展。腾讯推出了HunYuan-NLP 1T大模型，并在国内最权威的自然语言理解任务榜单CLUE上一度登顶。该模型是业界首个可在工业界海量业务场景直接落地应用的万亿NLP大模型。腾讯混元AI大模型协同了预训练研发力量，旨在打造业界领先的AI预训练大模型和解决方案。现在，腾讯混元AI大模型完整覆盖NLP大模型、CV大模型、多模态大模型、文生图大模型及众多行业/领域任务模型。

二、阿里巴巴：技术积累深厚，AI有望赋能电商内容及打开市场空间

阿里巴巴是国内主要的电商平台，同时在云计算、企业服务相关业务方面具有出色竞争力。该公司长期投入 AI 领域，并已经开展通用大型模型的公测。目前，在应用端方面还处于探索阶段。AIGC 技术有望通过内容成本优化和产品创新来提升电商和 to B 领域商业价值，从而提高业务效率。

1、用户流量

淘宝是一家垂直电商领域的公司，其年活跃用户数接近9亿，GMV约达8万亿元。由于在电商生态、数据处理和复杂场景流程方面具有深厚的积累，因此其业务基本盘不能简单地用大型模型代替。

2、场景与数据

1）电商

淘宝等电商平台需要大量的文本和图片内容来支持其业务需求，这些场景包括电商图片和文案、短视频、直播带货以及智能客服营销。AI 技术有望通过降低电商生态中的内容成本、优化用户体验以及提升电商平台的内容水平，从而为电商行业带来更多的发展机遇。

2）广告营销

AI技术有望提高电商搜索的效率和用户体验，特别是对于以消费者为中心的阿里妈妈等产品，AI技术可以帮助他们进行更有效的营销、更深入的消费者数据洞察，并且生成相关的图文视频内容，从而提高营销转化率。

3）企业服务

阿里巴巴提供了阿里云、钉钉等企业服务，AI技术的应用有望提高这些产品的效率和商业化水平，从而刺激更多的AI云需求。

4）AioT

在AI技术的赋能下，智能终端产品如天猫精灵等有望获得大幅提升的用户体验。

3、AI工程能力

阿里巴巴在技术储备和人才方面充分准备，到2022年底总员工数超过20万人，其中技术人员占比超过一半，总部人员超过10万人。阿里的达摩院在技术领域积累了深厚的实力，通用大型模型即将发布，同时AI技术研发与应用落地同步推进，这些努力有望持续提高运营效率、产品创新以及增值服务的质量。

4、算力基础

阿里巴巴大模型研发的算力基础包括基于GPU的深度学习计算平台和基于云计算的分布式训练平台。

GPU的深度学习计算平台可以有效地加速深度学习算法的训练过程。阿里巴巴在研发中使用了多种GPU计算平台，包括NVIDIA Tesla P100和V100等。

基于云计算的分布式训练平台可以实现多台计算机协同训练大规模模型，使得训练速度大幅提升。阿里巴巴基于自主研发的分布式计算框架AliTianchi，采用了多种优化策略，包括参数服务器、梯度压缩和通信优化等，以提高分布式训练的效率和可扩展性。同时，阿里巴巴还在云计算平台上提供了云端GPU计算服务，为开发者提供了快速高效的大规模模型训练能力。

三、百度：大模型产品先发，核心搜索业务机遇与挑战并存

百度是中国重要的搜索引擎门户，其拥有大量中文互联网信息数据池和技术积累。百度在AI和云计算领域持续投资，并已经先行发布了文心一言模型，此举有望提升搜索产品体验，同时也为基于大型模型的产品拓展更多客户打下了基础。然而，在搜索和大型模型场景之间存在一定的替代性，因此对于百度应用落地角度来说，既有机遇也存在挑战。

1、用户流量

截至2022年底，百度搜索的月活跃用户超过6亿，近年来用户规模整体稳定，而在线营销收入也超过了700亿元。然而，在中国互联网流量被分割的情况下，淘宝搜索、微信搜一搜、抖音搜索、搜狗、360等在不同场景和市场中共享不同份额，因此搜索引擎的体验和性能仍然是关键的竞争因素。

2、场景与数据

总体来说，百度在深耕国内搜索领域方面表现出色，其中文互联网信息图文数据语料积累领先。然而，从场景角度来看，考虑大型模型回答问题能力与传统搜索存在一定的功能重合，虽然提升了用户效率，但可能会减少用户对网页的浏览，降低广告位曝光。目前，new bing和谷歌已经推出了搜索+大型模型，但百度尚未将大型模型正式融入到搜索产品中，因此其对搜索引擎竞争力的正面影响以及对商业化潜在的负面影响有待跟踪评估。在业务拓展方面，百度文心产品已经提供了API服务，截至3月18日，该公司称申请企业客户超过9万，合作咨询超过6000条。百度智能家居业务也有望受益于大型模型技术。

3、AI工程能力

百度在AI领域拥有长期的技术积累和人才储备，在推荐引擎、深度学习、智能驾驶、全屋智能等领域都有相应的布局。截至2022年底，百度总员工数超过4万人，其中有2.4万名员工从事技术研发工作。通过率先推出文心一言大型模型产品，百度展现了其在AI领域的技术积累和能力。

四、华为盘古大模型研究：盘古开天，AI落地

盘古大型模型具备极强的泛化能力，一个模型适用于大量复杂行业场景。在to B以及to C场景下，盘古大型模型具有良好的泛用性，大规模参数的模型可以更深层挖掘数据背后的逻辑，达到更高的泛化性能，对不同场景的鲁棒性更强。同时，盘古大型模型吸收了海量数据知识，学习了40TB的中文文本数据，包含30亿+参数的CV大型模型通过行业数据的小样本调优，提高了模型在场景中的应用性能和泛化能力，减少对领域数据标注的依赖。

此外，基于产业场景中存在大量的内容理解需求，盘古大型模型采用兼顾架构，在预训练阶段沉淀了大量的通用知识，能够同时完成理解与生成任务，使得大型模型有能力支持行业知识库和数据库的嵌入，对接行业经验。随着盘古大型模型的开放，各行各业的开发者不必再“从零开始”，只需在云上找到所需要的模型，助力各行各业加速智能化转型。大型模型在实际场景中的应用不仅可以帮助用户提高训练进度并且缩短训练时间，随着模型上应用数量不断增多，用户成本亦会有所降低。

2、工业化 AI 开发模式赋能千行百业

盘古大型模型是一种工业化AI开发的新模式，相对于传统的“作坊模式”AI开发过程，可以解决小模型的定制化难题，使一个模型应用到多个场景中。盘古大模型AI开发门槛较低，能够提供自动化工作流，减少对AI开发工程师的专业依赖，同时可以根据更新数据快速进行模型迭代，做到“边用边学”。盘古CV大模型首次兼顾了图像判别与生成能力，能同时满足底层图像处理与高层语义的理解需求，融合行业知识的微调，快速适配各种下游任务，在100余项实际任务中得到验证，节约90%以上的研发成本。此外，盘古CV大模型在预训练阶段主要集中在数据处理、架构设计和模型优化三个阶段进行优化，在ImageNet 1%、10%数据集上的小样本分类精度上均达到目前业界最高水平。