《2024-2029年中國人工智能生成內容（AIGC）行業投資潛力及發展前景分析報告》AIGC(Al-Generated Content)本質上是一種內容生產方式，即人工智能自動生產內容，是基于深度學習技術，輸入數據后由人工各能通過尋找規律并適當泛化從而生成內容的一種方式。過往的內容創作生態主要經歷了PGC、UGC到AIUGC的幾個階段，但始終難以平衡創作效率、創作成本及內容質量三者之間的關系，而AIGC可以實現專業創作者和個體自由地發揮創意，降低內容生產的門檻，帶來大量內容供給。此外，對于仍處于摸索階段的元宇宙世界，AIGC技術的發展也帶來了解決元宇宙內容創造問題的解決可能，可實現為元宇宙世界構建基石的關鍵作用。

AI的發展經歷了從決策式AI到生成式AI的過程。在2010年之前，AI以決策式AI為主導，決策式Al學習數據中的條件概率分布，底層邏輯是AI提取樣本特征信息，與數據庫中的特征數據進行匹配，最后對樣本進行歸類，主要針對對樣本的識別和分析。2011年之后隨著深度機器學習算法以及大規模預訓練模型的出現，AI開始邁入生成式AI時代，生成式AI的特征是可以根據已有的數據進行總結歸納，自動生成新的內容，在決策式A決策、感知能力的基礎上開始具備學習、執行、社會協作等方面的能力。當下人工智能在生成（Generation)和通用（General）兩條主線上不斷發展。

在圖像生成領域內，CNN類架構是一個重要的里程碑，尤其擅長圖像分類和目標檢測任務，但由于難以生成高分辨率任務、難以捕捉圖像全局結構和語義信息。近年來，Transformer類架構在圖像生成領域也開始逐漸被應用，在自然語言處理領域的機器翻譯任務中，Transformer已經成為了一種主流的模型架構。在圖像生成領域，Transformer類架構可以有效地捕捉圖像的全局結構和語義信息，同時也可以生成高分辨率、逼真的圖像，多模態架構逐漸成為了圖像生成領域的研究熱點。多模態架構可以建立統一的、跨場景/任務的模型，將不同類型的數據（如圖像、文本、音頻等）融合起來，極大地拓展了人工智能認知并理解世界的能力邊界。多模態學習在不同模態間搭建了橋梁，使得基礎模型通過遷移學習和規模涌現達到能力躍遷成為可能，極大加速了通用模型的演進。

AIGC現有產業鏈由數據供給、模型開發與定制、應用與分發構成。目前來看，模型層為關鍵因素之一；其次，應用層發展空間巨大。上游數據供給由收集大量原始數據對其進行預處理，以便提供給模型訓練，投資確定性強。在中游，使用注釋數據開發和訓練AI模型以生成內容，在垂直細分領域進行二次開發，來適應定制化需求；下游協助用戶使用模型和算法生成內容，例如：文本、圖像、視頻等?；诓煌膬r值創造邏輯，將生成的內容分發到各種渠道。

我們認為，短周期內通用類大模型市場熱度較高，長周期內多種模型組合是未來發展方向。根據模型體量，AIGC模型可分為大模型、小模型、微模型。大模型參數量大，算力強，具備通用類問題處理能力。小模型多專注于垂類領域，往往在垂直場景具備充足的數據以及問題處理能力。微模型更加個性化，由用戶個人數據訓練而成。大模型和小模型具備不同的優勢，分別通過壓縮技術以及教師模型進行整合來提高問題處理能力，能夠實現1+1大于2的效果，可能是未來模型層的發展方向。

我們認為，Al以基礎設施層、框架及模型層、應用層為主要的領域，分別對于產業鏈的上游、中游、下游。基礎設施層的核心是提供算力，包含CPU、GPU等服務器設施。模型層以AI模型產品為主，投入周期較長，存在一定的技術壁壘。應用層是AI產業鏈的下游，直接對接客戶以及用戶，主要包含面向C端的消費級終端以及面向B端的行業解決方案，應用層本身進入壁壘較低，同時中國具備廣闊的AI應用層落地場景，因此我們認為應用層存在較多機會。

在目前的市場下，AI已經具備生成文本、音頻、圖像、視頻的能力?；A的生成式AI以文本模態為主要特征，音頻、圖像、視頻等模態市場熱度較高。文生圖像以CLIP為主要訓練的神經網絡模型，其中文本和圖像通過編碼器進行分解，分解后進行映射，完成訓練，文生音頻具備相似的訓練模式。隨著大模型多模態能力升級，文生視頻快速發展。繼文生圖能力融入各個大模型之后，文生視頻成為大模型多模態應用的新趨勢。近期多家廠商發布相關產品或更新，大幅提升文生視頻效果。

模型層以高研發壁壘以及高運行成本為主要特點，一方面從數據基礎和訓練成本來看，模型層的研發均需要體量較大的數據以及充足的算力來完成，另一方面從運行成本來看，模型層的運行需要較強算力的支持。應用層本身目前的運維成本較低，同時適合對底層算法能力有著不同期望的企業。大廠存在數據和資金兩方面的基礎，在模型層具備優勢。應用層目前受惠于行業普遍較低的模型APl調用價格，運行成本目前還較低，適合初創企業。

隨著大模型技術的成熟，規模增大，大模型為Al Agent提供強大能力。Agent+大模型將有望構建具備自主思考、決策和執行能力的智能體，進一步提升大模型的應用能力。在人工智能領域，Al Agent視為能夠使用傳感器感知周圍環境、做出決策并使用執行器做出響應的人工實體。對比Al與人類的交互模式，Al Agent較目前廣泛使用的Copilot模式更加的獨立，能夠自主調用資源完成任務，人類在其中起到督促和評估的作用。Al Agent具有更廣泛的應用范圍可處理多個任務，并在不同領域中執行各種功能；具有更自然和靈活的交互方式，能夠理解復雜的自然語言指令，與用戶進行更智能對話。

?