報告出品方：呂偉、郭新宇
作者：民生證券，
1 AI 大模型推動計算機歷史三次最大浪潮實現“三山疊巒”
此次 AI 浪潮與以往科技產業浪潮最大不同在于，這次不是終端硬件變革開啟， 而是軟件先行定義一切，催生算力硬件需求和后續各類物聯網終端變革，而且起步 就是最大想象空間的市場：大模型將計算機行業歷史上最大想象空間的互聯網最 高流量入口、公有云最大市場、新時代的操作系統合三為一。具體表現為：大模型 成為知識與輿情輸入與輸出的戰略制高點，其戰略地位將遠高于互聯網時代的搜 索引擎；云計算由 SaaS 走向 MaaS，底層算力和上層 AI 開發平臺邊際成本遞減 明顯，MaaS 將成為公有云最重要的市場；自然語言交互平臺將成為統一萬物的新 時代操作系統。
AI 大模型將撬動超 6 萬億美元的三大巨頭，帶動國內超 10 萬億元 AI 產業。以三個最大空間的龍頭公司為例，互聯網最高流量入口谷歌巔峰市值 2.0 萬億美 元，公有云最大市場亞馬遜巔峰市值 1.9 萬億美元，新時代操作系統微軟巔峰市值 2.6 億萬美元，AI 大模型將首次使得三大龍頭合一。據《新一代人工智能發展規 劃》，我國 2030 年有望實現人工能核心產業規模超過 1 萬億元，帶動相關產業 規模超過 10 萬億元。
市場對大模型的認知經歷了“逢模必炒”到“百模大戰”覺得不再稀缺兩個極 端。隨著 AI 大潮的開啟，多家大型科技企業、A 股上市公司及創業公司都開始發 布 AI 模型。
實際上大模型終局類似“太極拳”，易學難精，最終擁有持續的數據場景資源、 能夠迭代到接近 ChatGPT 水平的企業鳳毛麟角，從終局會集中在少數幾個公司的 格局確定性與空前彈性空間來看，大模型仍然是 AI 最具投資價值的方向之一。
2 ChatGPT 所代表的大模型意義不亞于電力革命 中的交流電與信息革命中操作系統的誕生
基于對過去 150 年的電氣時代和信息時代更替的回顧，AI 引領的智能革命不 亞于電力革命與信息革命對人類發展的意義。以電氣時代和信息時代為參考：AI 時 代以 ChatGPT 為代表的大模型 AI 的成熟如同交流電發電站和電腦硬件成熟一樣， 擁有需求爆發的基礎；而 ChatGPT+Plugin 的開發模式重要性如同電氣時代的交 流電和信息時代的操作系統，完善生態平臺；空前的 AI 時代應用需求爆發已經到 達奇點。
2.1 電氣時代：技術奇點突破推動電力賦能千行百業
2.1.1 電力產業技術奇點突破，推動電力行業需求端迎來飛躍式發展
人類對電力的探索和使用經歷了一個很長時間的過程，技術奇點突破真正推 動了電力的普及和大發展。公元前 500 年，古希臘哲學家泰勒斯通過在琥珀上摩 擦皮毛，發現了靜電。1745 年,荷蘭萊頓大學教授布羅克制作了萊頓瓶，將電荷儲 存起來，供電學實驗使用，但人類至此尚未經歷真正的大規模用電時代。本杰明. 富蘭克林風箏實驗證明了雷雨天的電就是一種自然的放電現象，隨之而來的電學 研究，諸如：電池、電荷、導體、避雷針等逐漸融入人們的日常生活中。但在這個 階段，零散的電力終究難以在人類社會中發揮最大的價值，技術奇點突破則真正推 動了電力的普及和大發展。
技術奇點突破之一：發電站的建立，改變零散電力無法集中使用的局面，推動社會資源建立起真正意義上可供現代工業社會使用的電力系統。1882 年 9 月，愛 迪生在曼哈頓下城的珍珠街建立了第一個中央水力發電站，通過使用通用電氣公 司發明的直流輸電系統，成功的為威斯康星州阿普爾頓的一所普通家庭供電，這也 促使直流輸電系統成為當時美國的標準電力傳輸形式。
技術奇點突破之二：交流電的普及應用，真正解決了電的長距離傳輸問題，進 而使電力大規模普及，僅用約 30 年時間，到 1913 年,全世界的年發電量達 500 億千瓦時。隨后的約百年時間里，全球發電量增長超過 500 倍，電器開始走到生 產生活的每一個角落。特斯拉在 1887 年發明了交流電動機，這項技術使得交流電 得以廣泛應用。這項技術的發明使得交流電可以用來驅動電力工具和機器，而不僅 僅是用于電力傳輸。特斯拉的交流電技術被廣泛應用于現代電力系統，從發電廠到 家庭用電，都離不開這項技術。與直流電相比，交流電可以更好地傳輸長距離的電 力，并且更容易通過變壓器進行轉換。這些優點使得交流電成為了現代電力系統的 基礎，電力可以從發電廠傳輸到家庭和企業，改變了人類社會的生產和生活方式。到 1913 年,全世界的年發電量達 500 億千瓦時,電力工業已作為一個獨立的工業 部門,進入人類的生產活動領域。2021 年全世界發電量達到 28.47 萬億千萬時， 1913 年到 2021 年的約 108 年的時間內，全球發電量增長了超過 500 倍。電器 開始用于代替機器，成為補充和取代以蒸汽機為動力的新能源。隨后，電燈、電車、 電影放映機相繼問世，電器走進了人類生活的每一個角落，人類進入了“電氣時 代”。
進入 20 世紀，電力不僅自身需求快速增長，而且成為了經濟發展的重要支柱， 是經濟發展的“晴雨表”，其對經濟發展的影響是重大而深遠的。考察 1979-2022 年國內發電量增速與 GDP 增速變化，我們發現在大多數年份，發電量的增長都和 經濟增長趨勢相一致。因此，突破技術奇點后，電力自身的需求不僅快速持續增長，而且已經和經濟發展深度融合，成為經濟發展的支柱和“晴雨表”。
2.1.2 類比電力發展，AI 到達技術奇點后也將迎來需求的大爆發
我們認為，AI 的發展在一定程度上可以和電力產業發展的歷史相類比：1）技術奇點突破，電力需求大幅度且持續提升，1913 年以來的百年間全球 發電量增長超 500 倍。人類對電力的探索時間很長，但一直處于零星探索和使用 的狀態，直到 19 世紀 80 年代技術奇點突破后才迎來真正的變革機遇：一是變分 散為集中，發電站的建立使得社會真正集中使用電力，賦能工業社會；二是解決了 應用范圍小的問題：交流電更好地傳輸長距離的電力，進而讓電進一步的普及到人 類社會的每一個角落。約 30 年后，1913 年全世界年發電量就達到了 500 億千瓦 時，整個產業不僅實現了需求重大突破而且后續快速發展。2021 年全世界發電量 達到 28.47 萬億千萬時，1913 年到 2021 年的約 108 年的時間內，全球發電量增 長了超過 500 倍。
2）對標之下，AI 技術奇點突破后，對軟件的重構將開啟巨大的需求空間。人 類對 AI 的探索期也很長，視覺技術促使 AI 第一次在人類生活中的普及，即 AI 賦 能硬件，比如圖像識別、人臉識別基礎上的視頻監控等應用。我們認為以 ChatGPT 為代表的技術實現了 AI 的又一次飛躍，在 AI 賦能硬件的基礎上，有望對軟件帶 來徹底重構，進而激發需求端的重要潛力：
第一，對標交流電，電力突破技術奇點后開始賦能千行百業，相比之下 AI 重 構軟件帶來應用的普及和深化，進而創造更大空間。交流電的普及讓電力走到了人 類社會的每一個角落，AI 技術奇點突破后對軟件重構之后也必將推動軟件應用的 極大深化，軟件使用頻次將更高，輻射范圍也將更廣，進而開啟更大的需求空間。
第二，對標發電站的建立，發電站實際上是集中資源對各個行業進行賦能；AI重構軟件實際上加深了對產業的賦能，進而“產業+AI”也有望開啟更大的需求空 間。發電站的建立推動社會資源建立起真正意義上可供現代工業社會使用的電力 系統，讓人們可以用電力賦能產業的發展。AI 技術奇點突破后重構軟件，實際上 賦予了軟件更多的跨越性的功能，進而加深對產業的賦能力量，進而“產業+AI” 也有望開啟更大的需求空間，創造更多的需求。
第三，對標電力對經濟活動的影響，AI 有望對經濟發展產生長期而深刻的影 響。對標電力對經濟活動的深刻影響，我們認為電力作為一種基礎設施，已經是經 濟發展的支柱和“晴雨表”；對于 AI，其作為一種重要的生產力，在賦能硬件、重 構軟件的基礎上，在長期發展中不僅將提升自身需求、賦能多個行業，而且也有望 對經濟發展產生深刻而巨大的影響。
2.2 信息時代：操作系統帶動海量應用需求
2.2.1 操作系統提供應用開發和使用條件，推動應用需求
信息時代的開端來自于摩爾定律的出現，而信息時代增長的拐點來自安迪比 爾定律的出現，兩者雙輪驅動帶來了 60 年的信息時代發展浪潮。摩爾定律于 1965 年由英特爾創始人之一摩爾提出，簡單來說是集成電路每隔 18-24 個月性能將提 升一倍，這奠定了 60 年來全球集成電路的發展趨勢。安迪比爾定律是 1990 年英 特爾 CEO 安迪與微軟 CEO 比爾蓋茨一起提出，簡單來說就是軟件的發展總能夠 盡快耗盡硬件性能，逼迫硬件性能進一步提升。1995 年，windows 操作系統的發 布是兩大定律的重要結合點，進而開啟雙輪驅動全球科技發展的格局。
操作系統核心功能是用來管理越來越復雜的硬件，操作系統簡化計算機使用 為軟件發展打下基礎，進而推動 1990 年至今的互聯網浪潮。第一部計算機由于構 造簡單并沒有操作系統，后續隨著晶體管、硬盤、CPU、存儲器、顯示器、鍵盤、 喇叭等眾多電子元器件加入，計算機硬件設備變得越來越復雜，使用 DOS 等復雜 操作系統學習難度較大，簡化的操作系統需求迫切，沒有簡化操作系統就很難開發 出用戶可以正常使用的應用。1993 年微軟 Windows NT 面世將圖形化操作正式 帶向全世界（之前是編程為主的 DOS），圖形化操作系統使得電腦使用門檻降低， 帶來了互聯網應用的全面爆發，進而推動互聯網全面普及。
操作系統帶動軟硬件上下游產業鏈共進，共同拓寬應用邊界。以信息時代最具 代表的 Wintel 聯盟為例，據億歐分析，在硬件上，Wintel 通過捆綁銷售，牢牢把 握住對產業下游生產商的控制權；而 Intel 作為芯片 IDM 廠商，占據市場話語權。在軟件上，微軟在專業級應用軟件及游戲方面推出不同層次的產品來與 Adobe、 SAP、Oracle、SAS 競爭，如 Dynamic、SQL Server、Skype 等；在開發者生態 上，由于 Windows 平臺滲透率高，因此凝聚了大批的開發者，開發出各類應用軟 件。
操作系統帶來編譯器工具鏈（或 IDE），催化各類應用爆發，帶動互聯網用戶 使用人數不斷提升。操作系統編譯工具鏈，包括預處理器、編譯器、匯編器、鏈接 器，所有的軟件要想從源碼變成二進制程序都需要它們來處理。憑借以 Windows 編譯工具鏈為代表的集成開發環境（IDE）日漸成熟，互聯網應用 1990 年代起快 速爆發，互聯網用戶人數也快速提升至當前的 40 億人。
2.2.2 類比信息時代，AI 已經走向應用海量爆發的拐點
我們認為，當前的 AI 如同 1990 年代的操作系統：操作系統協調復雜硬件為 軟件開發做基礎，當前的 AI 已經初步擁有 AGI（通用 AI）的雛形是協調全球硬 件、軟件、數據等構建強大基礎平臺，擁有成熟的軟硬件產業鏈可以協同發展，并 且同時 Plugin 插件將成為 AI 時代的編程工具鏈，海量應用需求爆發拐點已現。當前 AI 已經擁有 AGI 的雛形，“管理全球“的操作系統即將誕生。微軟于 2023 年 3 月 發 表 論 文 《 Sparks of Artificial General Intelligence:Early experiments with GPT-4》認為 GPT4 可以解決跨越數學、編碼、視覺、醫學、 法律、心理學等的新穎而困難的任務，而無需任何特殊提示，微軟最后的結論是 GPT4 已經可以作為 AGI 的雛形。同時，OpenAI 創始人奧特曼 2023 年 3 月曾提出“萬物摩爾定律”，即 AI 智能性每 18 個月翻一番，我們認為隨著 AI 智能性不 斷增強，AGI 的研發終將取得成功。在多模態 AGI 的平臺下，AI 不止可以管理數 據、網絡，還可以操控機器人等硬件，有望成為“管理全球”的操作系統。
AI 軟硬件產業鏈齊頭并進，海外已有成熟云-邊-端+AI 的產業藍本。據火石 創造，AI 產業鏈分為 1）基礎層：是人工智能產業的基礎，通過海量數據形成人工 智能產業數據獲取（傳感器）、數據存儲（云計算）、數據處理（芯片及云技術）能 力；2）感知層：是人工智能產業的中間層，通過機器感知及算法實現基礎數據與 前端應用的緊密關聯；3）應用層：是人工智能技術在各產業的應用，是人工智能 產業對其他產業的深度改造及賦能。在英偉達 GTC2023 發布會中，英偉達展示與 微軟、AWS 等公司在云（DGX Cloud）-邊（算力中心）-端（各類 AI 芯片）和 AI 應用（如 Picasso）深度合作的產業鏈藍本。
“ChatGPT+Plugin”模式定義 AI 時代的應用開發方式，AI 應用井噴拐點 已現。通過多插件的相互協同構建私人定制的人工智能管家將是OpenAI的野望。通過 ChatGPT 釋放出的第一批第三方插件中，基本全方位覆蓋衣食住行、情感交 互、工作以及學習等日常所需。而相關插件的能力將通過 ChatGPT Plugins 的三 大基礎套件：Browsing（聯網插件）、Code Interpreter（代碼編程器）以及 Retrieval（知識檢索插件）。實現在統一平臺上相互協調，從而形成應用程序協同 執行廣泛場景的各類任務。
2.3 AI 時代：應用開發需求將達到空前水平
2.3.1 AI 兼具普惠性和易用性，MaaS 催化應用開發需求
當前 AI 產品超過人類智能水平同時，還擁有極低的邊際使用成本，AI 首次被 賦予普惠性，擁有全面賦能千行百業的硬性基礎。據 SEQUOIA 測算，在 2015 年 至 2022 年期間，用于訓練這些模型的計算增加了 6 個數量級，其結果在手寫、 語音和圖像識別、閱讀理解和語言理解等方面首次超過人類表現基準。與強勁的 AI 形成鮮明對比的是極低的邊際使用成本，以 OpenAI 產品定價為例，GPT-3.5- turbo 的費用僅為 0.002 美分/tokens，同時支持一次性 20 美元包月無限使用， 可以極大程度降低邊際使用成本。我們認為，當前 AI 費用門檻的大幅下降結合大 模型 AI 的性能優勢，為 AI 被集成到更多的應用當中打下良好基礎。
微軟 Copilot 發布是 AI 領域的“iPhone”時刻，AI 應用開發邊界得到擴展。微軟從 GPT 到 GPT3.5 的技術革新，到 GPT3.5turbo 的成本降低，到 Wishper API 發布，再到現在全面綁定，凸顯自身從編程成本降低到最后全面內置于 Office365 全家桶發布 AI 標桿級應用 Copilot，微軟僅僅用了不到半年的時間即 打破數十年生產力的輸出方式，Copilot 的面世不僅僅只是功能的增加，其內核在 于生產力的全新躍遷。Copilot的發布使開發者意識到AI已經是正在實際發生的、 正帶來各行各業生產力質變的近期最大科技革命。據 SEQUOIA，當前各類大模型 AI 井噴，AI 已經走入各個行業的不同場景，并有望伴隨大模型優化持續升級。
2023 年 3 月 23 日 OpenAI 發表論文，美國 80%以上的崗位都可以被 AI 賦 能，這一趨勢有望在全球范圍內推進。OpenAI 于 2023 年 3 月 24 日發表論文 《An Early Look at the Labor Market Impact》，美國 80%以上的工作都有望與 AI 結合，若將同一工作 AI 工作時間相比人類工作時間降低 50%定義為有替代可 能，則 8%人類有可能會被替代、16%的人類在工作中有至少 50%的任務會被替 代。我們認為，AI 賦能千行百業已經趨勢已經確立，未來各行業將帶來更多 AI 應 用部署需求，以提升公司競爭力。
AI 時代 MaaS 將成為應用開發主要模式。AI 時代，C 端和 SMB 端客戶沒有 能力開發自己的大模型，這時需要使用 MaaS 模式在已經預訓練模型的基礎上進 行應用開發。據 AIIA 中國，MaaS 預訓練基線智能水平大幅提升，平臺多樣化、 規模化，大家在云上可以找到自己所需的模型，各個大、中、小型 B 端客戶和 C 端客戶都有望通過自己的獨特數據在云端進行定制化訓練，帶來海量應用需求。
使用自然語言為主的編程方式有望讓每個人都成為開發者，結合 MaaS 保障 海量應用開發需求順利落地。以 ChatGPT 的代碼編程器為例，ChatGPT 打破編 程溝壑，僅通過文字描述即可實現各種功能：1）讓 ChatGPT 編輯視頻——只要 給出一個指令，ChatGPT 就會對上傳視頻文件進行處理，具備剪輯、添加等功能；2）在 ChatGPT 內部的大量開發工作，并無需脫離用戶界面，實現直接從其他系 統中調用所需代碼進行開發工作。在低編程難度的背景下，借助 MaaS 帶來的打 破 AI 訓練壁壘以及越來越先進的模型自訓練能力，AI 有望重現全民互聯網一樣的 普及度，保障海量應用開發需求順利落地。
2.3.2 AI 時代已經拉開序幕，“AI+”正全面滲透
以海外 AI 應用開發龍頭 C3.AI 為例，各行業 AI 應用相關需求高景氣。據 C3.AI 官網，公司認為 2022Q4（對應 FY2023Q3）開始的 AI 浪潮是過去三年未 有的巨大變化，AI 相關的解決方案、應用開發需求在各行各業間快速涌現，公司 重建并大幅擴展了業務伙伴生態，與谷歌云、AWS、微軟 Azure 等 236 家公司建 立 AI 領域的深度合作，這驅使著公司收入在連續兩個季度負增長后重回 8%。我 們認為，以 AI 發展更快的美國市場為前瞻，AI 應用爆發有望帶動相關計算機公司 收入增長。
國內政策持續推動 AI 技術賦能各行各業。目前國內非常重視解決 AI 重大應 用和產業化問題，著力打造人工智能重大場景，形成可復制推廣的標桿應用。隨著 我國在數據、算力、算法及模型的基礎層資源與研究積累日益豐富，使得 AI 技術 不僅可以提高生產效率和質量，還可以為各行業提供更智能化的解決方案，為開展 下游人工智能場景創新應用打下了堅實基礎。2022 年，我國陸續出臺一系列指導 意見及通知，持續加強對人工智能場景創新工作的統籌指導，規范與加強人工智能 應用建設，實現 AI 與實體產業經濟的深度融。
2023 年為國內 AI 市場增長拐點，未來五年進入復合增速 26%的高增階段。據艾瑞咨詢，若定義我國人工智能產業為 AI 應用軟件、硬件及服務三部分，則 2022 年中國人工智能產業規模達 1958 億元，目前中國大型企業基本都已在持續規劃投 入實施人工智能項目，未來隨著中小型企業的普遍嘗試和大型企業的穩健部署，在 AI 成為數字經濟時代核心生產力的背景下，AI 芯片、自動駕駛及車聯網視覺解決 方案、智能機器人、智能制造、決策智能應用等細分領域增長強勁。2027 年人工 智能產業整體規模可達 6122 億元，2022-2027 年的相關 CAGR 為 25.6%。
據艾瑞咨詢的數據顯示，AI 視覺作為近兩年 AI 產業最重要的細分賽道，2022年市場規模達到 830 億元，預計 2027 年市場規模達到 1644 億元，2022-2027 年的復合增長率為 14.6%；同時伴隨著新型的自然語言處理工具 ChatGTP 的應用 場景不斷的被市場挖掘，也帶動了自然語言處理產業規模不斷擴大，預計 2027 年 市場規模達到 219 億，2022-2027 年的復合增長率為 20.1%。與此同時，智能語 音、人機交互、機器學習等細分領域也保持快速增長。
“AI+制造業”：智能制造是制造業價值鏈各個環節的智能化，融合了 AI 技 術、信息與通信技術、工業自動化技術、現代企業管理以及先進制造技術五大領域 技術的全新制造模式。具有自感知、自決策、自執行、自適應、自學習等特征，旨 在提高制造業質量、效率效益和柔性的先進生產方式。近些年，我國智能制造發展 呈現良好態勢，供給能力不斷提升，智能制造裝備市場滿足率超過 50%，主營業 務收入超 10 億元的系統解決方案供應商達 40 余家。同時隨著數字孿生、建模與 仿真等關鍵技術的不斷強化，在試點示范項目上的應用成效提升明顯，試點示范項 目生產效率平均提高 45%、產品研制周期平均縮短 35%、產品不良品率平均降低 35%。
“AI+交通”：智慧交通融入了人工智能、物聯網、云計算、大數據、移動互 聯等技術，旨在構建起一種在大范圍、全方位發揮作用的高效、安全、環保、舒適、 文明的運輸和管理系統，實現交通的系統性、實時性、信息交流的交互性，提高道 路使用效率，短途運輸效率以及道路通行能力，大幅降低汽車能耗，使交通堵塞減 少。智慧交通系統按照技術層級可分為感知層、通訊信層、平臺層和應用層，AI 在 智慧交通中通常用于車輛控制、事故預測以及交通控制等方面。據中國智能交通協 會公布的數據顯示，2022 年，我國智慧交通市場規模達到 2133 億元，預計 2026 年有望突破 4000 億元，年均復合增長率在 16%左右。
“AI+電力”：人工智能賦能新型電力系統下新能源發電、變電、調度、配網、 安監、營銷、基建以及企業經營管理等領域業務智能化應用，將有效推進新型數字 基礎設施建設，助力新型電力系統智能化發展。基于云平臺、深度學習框架以及圖 像識別、語音識別、自然語言處理等 AI 技術能力為電力企業提供專業化模型訓練 和智能化分析以及診斷服務，包括 1）提供精準的能源需求預測，幫助企業制定更 加科學合理的能源調度方案，避免因能源短缺或過剩而造成的浪費和損失；2）對 電力系統進行實時監測和優化，提高電力系統的穩定性和安全性，降低事故風險；3）提高電力設備的維護效率和準確性，降低設備故障率，從而降低維護成本和提 高設備使用壽命。
“AI+醫療”：智慧醫療指應用信息技術及人工智能算法輔助醫療預防、檢驗、 分析、診療、愈后康復、保健全過程的技術應用，主要應用方向包括 1）智慧醫院 管理；2）智慧診斷；3）輔助診斷三個方面。在智慧醫院管理方面，醫院不僅可以 利用 AI 機器人為患者提供全生命周期、精準化的智慧醫療健康服務，比如幫助患 者導航、提供病情咨詢等，同時 AI 技術還可以自動優化醫生、護士的排班安排， 提高醫院的工作效率。在智慧診斷方面，AI 技術可以通過醫療影像分析、自然語 言處理等技術手段，幫助醫生自動識別和判斷疾病，提高醫療診斷的準確性和速度。在輔助診斷方面，醫院可以通過 AI 技術對患者的康復情況進行監測和評估，為醫 生提供康復建議和治療方案，同時還可以通過人工智能機器人、語音識別等技術手 段，為醫生提供手術輔助和技術支持，提高手術效率和準確性。
“AI+教育”：智慧教育是以人工智能、大數據、物聯網等新興技術為基礎，依托各類智能設備及網絡所實現的一種智能技術與教育深度融合的新型教育樣態， 通過人機交互、數據共享、知識互聯、云計算等關鍵技術滿足學生智慧化、個性化、 精準化學習需求。目前常見的 AI 應用場景包括：1）可以通過自然語言處理、機器 學習等 AI 技術手段，自動評估學生的作業、考試等學習成果，以及實時分析學生 學習過程，幫助學生及時糾正錯誤，提高評估的準確性和效率。2）可以通過語音 識別、人臉識別、智能機器人等 AI 技術手段，為教師提供智能輔助和技術支持， 比如自動記錄教師上課內容，幫助教師進行教學回顧和總結等，提高教學效率和質 量。3）可以通過數據分析、預測分析等 AI 技術手段，分析學生學習情況和教學質 量數據，幫助管理者制定更加科學的教育管理策略。
“AI+礦山”：智慧礦山是將云計算、大數據、人工智能、虛擬現實等技術與 礦山生產自動化裝備等進行底層融合，構建出設備感知層、數據中心層、智慧決策 層、業務應用層以及展示交互層的五層智慧礦山業務架構，將礦山的開拓、采掘、 運輸、分選、安全、環保等生產活動進行最優化的協同管控，統籌實現礦山開采在 生產效率、經濟效益和安全環保水平的最優化提升。同時數字孿生技術是智慧礦山 的重要組成部分，通過將礦山的物理實體實時映射到虛擬模型，便于工程師對礦山 狀況進行精確測量和精準控制，以及在多維復雜約束條件下對采礦生產活動進行 模擬推演，這將進一步提高礦山生產組織效率以及安全管控水平，推進礦山生產的 少人化和無人化。
“AI+視頻會議”：從具體場景來說，視頻會議中天然存在多個環節，可以通 過 AI 技術賦能，例如會議紀要的快速生成，會議要點提醒、會議實時記錄與反饋、 會議進行中與外部的連接等。
微軟：Copilot 成為視頻會議“管家”。根據微軟的 Microsoft 365 Copilot 發 布會，Copilot 能夠實現的功能包括：1、精準總結會議要點；2、針對會議討論的 問題，能夠直接回答討論結果；3、可以跟進會議進程，提示會議尚未討論的問題；4、自動生成紀要，提煉要點；5、中途離開會議可以向 Copilot 提問；6、提問會 議的實時內容。谷歌：將生成式 AI 技術裝入旗下辦公軟件。就在 OpenAI 推出 GPT-4 的同 一天，谷歌也宣布將生成式 AI 裝進其 Workspace“全家桶”，可以實現自動撰寫 電子郵件或生成文檔摘要等功能，該功能覆蓋谷歌郵箱（Gmail）、谷歌文檔 （Google Docs）、表格（Sheets）等組件。其中對于視頻會議，在 Google Meet 中提供新的 AI 背景生成、筆記記錄、總結等功能。
“AI+5G 消息”：ChatGPT 有望帶來 5G 消息重構。5G 消息的核心應用 Chatbot （聊天機器人），其本質是隨時響應用戶消息服務，與 ChatGPT 的交互 性不謀而合。作為 5G 消息的行業龍頭夢網科技，在攜手三大運營商及頭部終端 廠商，于金融、政務、互聯網等多個行業領域應用，構建十數萬家大中型企業與超 十億個人用戶的溝通橋梁，并通過云短信、云 5G 富媒體消息、AIM/短信小程序 （富信 2.0）、Chatbot 消息等功能筑造供多網合一的統一消息中心，5G 消息布 局已初現崢嶸。
“Al+法院”：法院業務流程中涉及立案、審判、執行等多個環節，產生大量會 議、文件、卷宗，是 ChatGPT 的最佳使用場景。目前金橋信息與螞蟻在人工智能 領域深度合作，要素式立案平臺就是典型的 AI 賦能下的復雜文本結構化標準化 處理平臺。金橋的云平臺業務主要聚焦法院信息化，以移動執行平臺為典型代表， 通過 管理平臺+移動 APP 的形式解決法院在執行過程中的突出痛點。該業務目 前已經 實現 3500+法院的全覆蓋，同時采用 Saas 模式收費，商業模式更優。
3 計算機超級行情的基礎：AI 引爆需求同時空前提 升人效
3.1 需求空前提升，進入行業核心業務
目前各行業 IT 市場規模占該行業總規模比例較低，核心在于計算機行業主要 為行業承擔提升信息效率的功能，而 AI 時代將徹底重塑計算機行業與各行業的關 系，成為創造行業價值的主體，這是計算機超級行情最重要的邏輯基礎。目前各行 業 IT 主要解決信息效率問題而非創造價值；AI 時代，AI 賦能各行業功能的深度和 廣度呈指數級增長，將扮演行業運轉的價值創造者和重要組成部分。
3.2 AI將全面帶動計算機公司全面轉型DevOps降本增效
軟件開發模式不斷改進以滿足降本增效的需求，DevOps 是目前降本增效效 果最好的軟件開發模式，但由于相關生態工具學習較為復雜、編程難度高導致滲透 率較低。傳統低代碼編程平臺受限于自身資源庫稟賦難以覆蓋全市場客戶需求，并 不能真正解決問題，直到 2022 年底生成式 AI 面世使得 AI 編程成為現實，微軟全 能 AI 編程應用 Copilot X 發布徹底解決 DevOps 編程難度高的痛點，DevOps 有 望在軟件公司全面滲透，進而促進行業整體降本增效。軟件行業的軟件生產的部署效率、出現故障后恢復服務的時間、軟件運維等需 求日益高長，軟件開發模式一直朝自動化、便捷化、智能化方向發展，以達到降本 增效的效果：
1）2000 年之前，軟件開發模式為瀑布式開發。據敏捷開發論壇，瀑布式開 發模式通過制定計劃、需求分析、軟件設計、程序編寫、軟件測試、運行維護等 6 個流程將整個軟件生命周期銜接起來，這 6 個流程有著嚴格的先后次序之分，只 有當前面的流程結束之后，下一個流程才能開始運轉，會導致大量資源閑置空轉。
2）2000 年至今，敏捷開發模式逐漸成為主流。據敏捷開發論壇，敏捷式開 發模式采用“迭代開發”，將軟件項目需求分成多個迭代，且每個迭代成果在完成 開發、測試、反饋等環節后都可以進行交付。也就是說，在將軟件交付到客戶手中 之前，開發過程中的任何經過測試的子項目都能夠獨立運行。但此模式注重的是軟 件的開發階段，并未兼顧到運維階段。在開發人員與運維人員進行交接的時候，并 沒有體現出敏捷的價值、原則，因此開發與運維之間仍缺乏一些必要的協作效率。
3）未來終極的開發模式是 DevOps。據 TIBCO，DevOps 是指通過將所有 與開發和運營相關的人員整合到一個自動化程度很高的工作流程中的開發模式， 有助于加快產品從設計到上市的過程，比傳統軟件開發更快，因為運營和開發工程 師在從設計到開發流程再到生產支持的整個生命周期中都緊密合作；同時，運營人 員和開發人員經常同時使用許多相同的工具，從而使工作更加順暢和快捷。
DevOps 開發模式相較傳統開發模式顯著降本增效，企業若要快速穩定地大 規模交付高品質軟件，DevOps 模式已成為如今的不二之選。據華為、DORA 測 算，如果開發團隊采用 DevOps 開發模式，其代碼部署的效率將提高 46 倍，變更 代碼的速度將提升 2500 倍；從穩定性來看，DevOps 的代碼變更失敗率比過去低 7 倍，故障恢復速度比過去提升 2600 倍。谷歌于 2019 年發布白皮書《The ROI of DevOps Transformation》，在一個涉及超萬人的大型試驗中使用每年避免的 不必要的返工費用、來自再投資的潛在收入、每年的停機時間成本節約作為降本增 效的收益，將該收益當作收入，與部署 DevOps 的費用進行比較，ROI 達到 10.8， 證明了 DevOps 的強大降本增效能力和對軟件公司向 DevOps 轉型的必要性。
雖然 DevOps 開發模式降本增效顯著，但完整、成熟的 DevOps 開發模式滲 透率較低。國內外 DevOps 開發模式滲透率仍然處于較低水平：1）全球來看據貝 恩咨詢，2021 年全球軟件公司中雖然超過 90%的公司表示他們至少在某些情況 下采用了 DevOps，但只有大約 50%的公司廣泛使用 DevOps，同時只有 12% 的公司認為他們的 DevOps 功能完整、成熟，具有完善工具鏈、完全集成和高度 自動化等特點；2）國內來看，據 2021 年《中國 DevOps 報告》，國內 DevOps成熟度處于全面級的企業達到 35.04%，增長 8.84%；16.53% 企業實踐成熟度 處于優秀級，0.87% 的企業處于卓越級。
DevOps 生態工具復雜，使用難度高，學習成本大是滲透率難以提升的主要 原因。DevOps 生態工具復雜，以國內為例，據 2021 年《中國 DevOps 報告》， 僅國內主流安全工具一項就分為代碼安全工具 Coverity、主機安全工具綠盟、代 碼安全工具 Fortify 以及 Web 安全工具 AppScan 等，此外還有開源軟件安全 GitLab、主機安全 Nessus、威脅情報奇安信、威脅建模 Microsoft Threat Modeling Tool、代碼安全 Cppcheck 等眾多品類；為了對接不同客戶需求，工 作人員有時需要全面熟記各類工具的編程策略，難度較大。據 Opsera 研究，由于 工具種類繁多，加大開發者的編程難度，DevOps 提升效率有限。
對于解決 DevOps 的痛點，傳統方法是使用低代碼編程平臺，但受限于低代 碼編程平臺的“資源池”限制無法靈活編程。傳統低代碼開發平臺原理是直接調用 平臺“資源池”中存儲數據庫、中間件等，其定制能力、靈活性和集成選項是有限的，并且也可能出現安全問題。據 51CTO，目前低代碼快速開發平臺大多是模塊 預定制、存儲過程預定制之類先定制些功能模塊單元，然后通過可視化編輯或者少 量代碼來實現功能單元的調用，對于標準化、成熟、簡單的功能應用問題會少些， 但涉及到復雜的以及新的功能應用還是要依賴平臺提供商開發新的功能單元來支 持的；此外，低代碼編程平臺有時會運行緩慢且與硬件交互差，甚至會降低程序員 的效率。
生成式 AI 真正做到主動編程，能夠靈活應對各類 DevOps 場景，且費用極 低，是最終解決方案。以 OpenAI 的 AI 編程應用 CodeX 為例，CodeX 基于 GPT3 大模型訓練，訓練數據來自于包含微軟 GitHub 代碼庫在內的數十億行代碼，在生 成式 AI 的幫助下，CodeX 不僅僅像傳統低代碼平臺一樣調用已有資源，而是真正 可以根據用戶自然語言描述進行編程。
微軟 Copilot X 打造頂級 AI 編程產品，讓制作者可以用自然語言描述他們想 要的應用、流程，帶來軟件開發、流程構建革命。3 月 15 日，微軟正式發布 Copilot， 并將其應用于 Microsoft Power Platform 的一個新功能，可以在 Power Apps， Power Virtual Agents 和 Power Automate 中基于 GPT 能力提供 AI-powered的幫助，讓制作者可以用自然語言描述他們想要的應用、流程，Copilot 可以在幾 秒鐘內完成創建，并提供改進的建議。
具體體現在以下幾個方面：
【Power Apps】制作者可以利用 Copilot 通過自然語言對話的方式來描述 需求，創建需要的輕量級 APP。早在 2021 年 Power Apps 就已經引入了 GPT 的 功能，可以通過自然語言來生成 Power Fx 公式，再到之前可以基于圖片生成應用 界面。而現在制作者可以利用 Power Apps Copilot 通過幾句簡單的自然語言對 話來直接生成應用，不僅是界面，還包括了數據表和業務邏輯。制作者還可以通過 和 Copilot 的對話來對應用進行調整，比如在數據表中添加新列，甚至是給數據表 填充示例數據等，同時 Copilot 也可以為我們提供應用的改進建議。
【Power Automate】制作者可以利用 Copilot 通過自然語言創建自動化流 程。通過 Power Automate Copilot，無論是簡單流程還是復雜流程，都可以通過 自然語言來生成。同時 Copilot 還可以以對話的方式不斷優化和迭代更新流程。另 外在 Power Automate Desktop 桌面版本上，制作者也可以使用 GPT 模型來生 成文字內容。同時 AI Builder 最新集成的 Azure Open AI 服務，現在也可以直接 在 Power Automate Desktop 中使用，所以在 RPA 的領域，制作者能隨時隨地 享用到 Open AI 帶來的各種智能服務，無論是收集反饋意見，從大量文本中提取 關鍵信息都可以直接通過 RPA 搭配 Open AI 的方式實現。
【Power Virtual Agents】制作者可以通過 Power Virtual Agents 構建自 動化服務機器人。客戶只需引入一個網站地址，便可以將自己的 Power Virtual Agents 與網站內容、知識庫等信息進行連接，讓 GPT 自動生成回答，這個功能讓 企業可以快速為客戶提供機器人服務，對內或者對外進行服務。現在客戶可以利用 Power Virtual Agents Copilot 直接使用自然語言來描述機器人流程，而不需要 手動創建，讓客戶能夠在幾分鐘內快速創建和迭代任何機器人，甚至是觸發短語， 問題，實體，變量，自適應卡和各種邏輯。另外，現在 Power Virtual Agents 也 可以原生集成到 Power Apps 中，提高用戶體驗。
3.3 計算機行業人效提升空間測算
計算機行業人均創收水平低于 A 股整體平均水平，AI 發展大潮下具有提升空 間。2018-2022 年，計算機行業人均創收中位數低于 A 股對應水平。計算機行業 屬于高科技行業，創收能力本應強于所有行業的整體水平，但由于受下游景氣度影 響、新技術變現進程較慢、現場實施交付和定制化開發導致人員數量增長較快等影 響，人均創收能力低于 A 股平均水平。
計算機行業人均創利水平低于 A 股整體平均水平，AI 發展大潮下同樣具有提 升空間。2018-2022 年，計算機行業人均創利中位數低于 A 股對應水平，且差距 有拉大趨勢。
計算機行業人均創利中位數低于 A 股對應水平，除了受人均創收水平影響之 外，成本端也是重要原因：從三費具體情況看，計算機行業研發費用水平明顯高于 A 股整體水平，成為提升整體費用水平的核心原因。1）銷售費用率：計算機行業整體銷售費用率水平高于 A 股整體水平。計算機 行業正處于快速發展階段，公司為拓展份額占領市場往往加大銷售投入。2）管理費用率：計算機行業整體水平低于 A 股整體水平，說明計算機行業內 部管理水平相對較高，同時計算機行業自身輕資產、重研發、管理靈活等特點也決 定了自身管理費用水平相對較低。3）研發費用率：計算機行業整體水平明顯高于 A 股水平，因為計算機行業重 研發特點明顯，往往需要前瞻性投入去布局新技術。同時，計算機行業公司多數面 向 B 端、G 端客戶，相關客戶的需求往往具有定制化特點，需要配備相應的研發 人員來滿足客戶需求。
因此，AI 技術對于計算機提升人效具有重要意義：第一，AI 大潮下軟件定義 世界，AI 應用需求全面爆發進而帶來人均創收的長期提升，同時 AI 有望明顯提升 編程等工作效率，降低人均成本，最終帶來人效提升。第二，研發成本為計算機行 業主要的成本，AI 提升效率有望帶來對相關成本的合理控制。
精選報告來源：【未來智庫】。
本站文章收集整理于網絡，原文出處： ，本站僅提供信息存儲空間服務。如若轉載，請注明出處。
