发表评论

A+

所属分类：学习资料

零售创新案例，未来的金矿，区块链：AIGC 的商业化之路展望！

（报告出品方/分析师：国盛证券金郁欣宋嘉吉）

微软与 OpenAI深化合作，AIGC商业化加速到来。

1月 23 日，微软官方宣布在与 OpenAI 将进一步深入合作，将在未来数年内追加投资数十亿美元以加速 AI 技术推向大众。

微软正在迅速推进 OpenAI 的商业化，将目前的 ChatGPT、DALL-E 等 AI 工具整合进微软旗下的全部软件，例如 Bing、Office 等，为用户带来更高效的交互体验。

更值得关注的是，微软将提供 AI 云服务 AzureOpenAI，允许开发者在 OpenAI 的模型基础上搭建自己的应用，从而加速 AI 技术的商业化落地。

此举可见，OpenAI 作为 AIGC 行业龙头，已开始商业化之路，一方面自己作为模型基础设施，赋能搜索引擎、办公软件提高效率和用户黏性；另一方面借助合作伙伴的算力基础设施，为后续底层硬件拓展打牢基础。

我们在此前的深度报告《AIGC：Web3 时代的生产力工具》中讨论了 AIGC 的技术变革以及应用场景，随着产品落地及场景的拓展，越来越多的市场关注将集中于商业模式的探讨，即一个很关键的问题：AIGC 如何赚钱？

通过行业访谈，我们认为 2023 年将是 AIGC 的商业化加速之年，AIGC 有望走近大众的生活、工作中。

1、AIGC 带来的商业模式变革——AI 的显性化

“AI 的显性化”是我们最近产业交流中的最深刻感受。AI 虽已发展多年，但在诸多领域的应用更像经过专业学习的“专科生”，而今基于大模型的 AIGC 更像接受过通识教育的研究生，虽然在发展初期在特定专业领域功能有限，却有着更强的可拓展性。

因此，我们预计，当 2023 年 GPT4 模型发布之后，“AIGC+”将成为全球性的趋势。

底层的大模型与数据集将成为下一个科技时代，真正意义上的“IT 基础设施”，既有垂直领域的价值也不容忽视，正如 OpenAI 与微软的合作，通用 AI 的显性化趋势将日益显著。

AI 具有通过自动执行各种任务、提高效率和启用新的经营方式来转变商业模式的潜力。

以下是人工智能如何改变商业模式的一些方式：

自动化：AI 可以自动执行各种任务，例如数据输入、客户服务和供应链管理。这可以减少对人力的需求并提高效率，从而完成降低成本并增加利润的目的。

改进决策制定：AI 可以分析大量数据并提供有助于企业做出更好决策的见解。例如，人工智能可用于优化定价、识别新机会和预测客户行为。

个性化：AI 可用于为个人客户提供个性化的产品和服务。这可以帮助企业更好地瞄准他们的营销工作并提高客户满意度。

新商业模式：AI 可以实现以前不可能实现的新商业模式，如：AI 驱动的聊天机器人可以让企业提供 24/7 全天候客户支持，即使在他们关闭时也是如此。

在此之前，我们关注到的 AI 主要集中于安防、网络监测等领域。

2020 年，AI+安防领域达到了 453 亿的市场规模，是商业落地速度最快且容量最大的赛道之一。预计这一规模将在 2025 年达到 900 亿。但这一领域，基本都是同硬件和系统一起打包提供。

而随着自然语言技术（NLP）进一步降低 AI 的使用和触达门槛，以及伴随着 AIGC 生成算法的优化与改进，我们发现 AIGC 的商业化落地速度和效果表现都很好，一些如 Jasper 这样的初创企业已经开始产生了营收。这意味着 AI 正以越来越显性的方式产生商业模式。

以成立于 2021 年的 Jasper 为例，其成立当年营收就达到了 4500 万美元，并收获了 7 万名用户，2022 年营收也预计 7500 万美元。

从 Jasper 的官网上看到，它是以类 SAAS 服务的形式进行收费，分为初级、高级和订制三个模式。而国内部分领先的 AIGC 公司，在用户规模、内容生成量上在 2022 年亦快速起步，预计 2023 年开始产生营收及盈利并非难事，但能否形成 SaaS 订阅模式尚待观察。

再以 Jasper 为例，其不仅融合了多种模型算法，包括 GPT3、NeoX、T5 等，并在此基础上根据实际业务需求，使用量身定制学习模型——构建界面和原始工作流程，使 AI 更易于日常使用。同时，由于融合了多种模型，它能够区分特定用例或行业的最佳模型组合。

这种方式有助于避免过度依赖任何一个来源，并使最终产出效果更好。Japer 的使用界面上可以看到其提供了数百种垂直领域的模板，如：新品推广邮件模板等。这样的设计能够更进一步地帮助用户完成精准的输出，更好地吸引用户来使用。

这也是为何成立两年 Jasper 就能吸引到 IBM、Airbnb 这样的大客户的原因。

随着技术的进步，AI 已经不再像过去那样与硬件、系统等一起打包进行商业化落地了。对于普通人来说也不再是一门遥不可及的尖端技术。AI 变成了一个普通人也可以轻松运用、提升效率的工具，这预示着 AI 的商业模式更加显化。

2、To B 仍是 AIGC 的主要商业模式

虽然 AIGC 使 C 端用户以较低的门槛使用 AI 生成内容，但目前来看，to B 仍然是核心商业模式。对于 C 端用户来说，缺乏长期持久的需求，大多数只是一时兴起的好奇体验。

而对于 B 端客户来说，他们的需求和付费意愿是较为稳定和长久的，这主要有以下两个核心原因：

降低成本

AIGC 替代了部分原本应该由原创人员承担的工作，例如网站内容编辑、美工等，假设人工成本在 100 万，而 AIGC 能够降低 50%以上，那么企业将有充足的动力进行机器替代，其实这一过程正在发生，尤其在一些垂直领域，例如体育、金融、汽车等。

早在 2018 年，路透社就启用了一款 AI 新闻撰稿工具 Lynx Insight Service，主要目的是将编辑工作中机器所擅长的领域分摊给机器，如：数据挖掘和识别数据规律，将编辑人员所擅长的工作内容交予人类，如设置提问、赋予任务以权重，对上下文进行理解等。

这和我们此前尝试用 Chat GPT 进行研究报告的撰写的情况类似。在未来，人主要负责整体方向的把握和提出问题，而 AI 负责信息的搜集、处理汇总和融合。

除了以上这种形式以外，目前更普遍的是通过 AI 快速抓取信息数据，套入已设置好的模板后形成文稿。这在我们平时熟悉的“万得”的快讯以及“汽车垂直媒体”汽车参数对比中较为常见。除了新闻稿件类，AIGC 生成图片也被应用在新闻稿或自媒体的插图或封面上。相比原先在素材库找图的效果更贴合文章，也减少了找美工的费用并提升了效率。但在这一领域，文字的需求大于图片，一方面是由于工作的完成度另一方面是由于本身的市场空间。

跨越 B 端需求鸿沟

部分 to B 应用具有项目制的特点而难以被满足，我们称之为需求鸿沟。例如，IP 矩阵的构建，当需要对大 IP 构筑包括电影、电视、游戏、动漫、手办等周边产品时，需要大量各类原创作者对 IP 矩阵进行丰富，这是一个费钱且费力的漫长过程。内容供给方因工作量巨大而无法提供大量原创稿件，而需求方因看不到内容而无法买单。

未来基于 AIGC，原创内容方可以以少量手稿，借助模型的帮助，大量生成内容，由于扩散模型的存在，这种“白盒+黑盒”式的内容生成甚至带有“二创”的意味。若能在 AIGC 的帮助下跨越需求鸿沟，则大型 B 端项目更容易实现。

我们以二次元市场为例，该产业已经步入爆发期，产业链趋于成熟。2020 年国内整体市场规模达突破了千亿，泛二次元用户预计 2023 年达到 5 亿。围绕着二次元 IP 形成的包括潮玩、虚拟偶像、服装和线下娱乐等新型衍生产品矩阵拥有巨大市场，也是当下发展的重点。

在潮玩、虚拟偶像和服装的设计生产过程中，必不可少会涉及选择设计师、完成设计这一过程。有了 AIGC 的帮助，可以大幅提升这一过程的效率。

在原先的情况下，需要安排一批设计师尝试设计一个初稿并给 IP 方审核沟通，产生的沟通成本和前期初稿设计费用相对较高。而在 AIGC 的情况下，设计师可以先训练出自己风格的生成模型迅速根据 IP 方的要求设计出多个初稿供选择。

这一点能够快速帮助确定设计师并减少沟通成本。在后续的设计生产过程中，也可以通过 AIGC 高效生成多种类似风格或 IP 的内容，这将大幅提升效率和降低成本。

因此，即使由于技术的发展使得 AIGC 变得普及，我们依旧认为当下阶段，to B 端才是主要的商业模式方向，核心原因在于对于 B 端带来的效率提升是切实的，也能够填补原本很难完成的需求对接，因此客户付费意愿较强。

3、面向 C 端的 AIGC，以 SaaS 订阅为主

随着 AI 模型与算力的发展突破了可用的临界点，AIGC 对个人的赋能也是值得关注的方向。在极小的边际成本下，AIGC 应用能够大幅度提高个人的信息处理效率以及内容输出质量，而这类技术又可能反作用于生产关系的演变。

因此，面向 C 端的 AIGC 应用，可从两个角度来探讨其商业价值：

第一是作为效率工具，诸如传统的笔记、日程管理等工具，AIGC 应用能够在信息获取、格式整理和工作流等各个流程提高个人用户的效率，并且 AI 模型作为基础设施能够集成到现有的工作流程中；

第二是作为创作工具，像剪辑、修图软件一样，AIGC 能够在 UGC 内容流行的今天，大幅度降低大众用户的创作门槛，强化个人媒体的 IP 价值。

从商业角度而言，将 AIGC 作为底层基础设施的 SaaS 订阅将成为中长期趋势，目前 Midjourney 等企业已有类似尝试。

用户付费的逻辑在于以下几个方面：

更高效的信息获取方式

AIGC 替代搜索引擎成为下一代信息获取方式。ChatGPT 上线后被广泛讨论的一个问题是：ChatGPT 会取代谷歌吗？

传统的搜索引擎通过对关键词的检索与相关性的排序，为用户提供可能有价值的页面链接。

而 ChatGPT 通过庞大的语料库，针对用户提出的问题可以直接给出回答。例如，在询问光纤光缆行业概况时，ChatGPT 会直接根据用于训练的大数据集给出一个合理答案，并且用户在追问的过程中，也能够进行回复。而传统搜索引擎则需要按照关键词去寻找合适的资料并进行整理。

从实际的体验中，从 ChatGPT 获取信息的质量要高于搜索引擎，速度会更快，但会存在数据集的局限性（例如 ChatGPT 对 2020 后的信息一无所知），不过已经在大部分场景能够取代搜索引擎。

尽管 ChatGPT 目前处在 Demo 阶段，但社交媒体上已经有人表示愿意为之付费用于提高自己效率。

从辅助表达到替代表达

在内容的表达上，AIGC 能够完成从辅助到替代的跨越。效率工具在辅助表达、增强沟通效率这方面已有很多尝试，例如 Grammaly 对用户表达进行语气和措辞的修饰，提供常用的表达模版和规范。而 AIGC 能够更进一步，按照指定的格式、语气和场景进行内容输出，从而替代人工进行表达。

以 Jasper 为例，以 AI 文字生成为主打产品，通过其文字生成功能，用户可以生成 Instagram 标题，编写 TikTok 视频脚本、广告营销文本、电子邮件内容等工作。

集成到已有的工作流

AIGC 将会集成到已有工作流。AI 大模型作为基础设施，可以根据具体的使用场景和需求设计应用，也可以集成到现有的工作流程中。

例如 Notion AI，其应用 Notion 是一款全平台文档工具，支持协作、笔记、表格、看板等功能，在 2021 年完成了由 Coatue 和红杉牵头的 2.5 亿美元 C 轮融资，投后估值 103 亿美元。

2022 年，Notion 的用户规模目前已经达到 3000 万，付费用户达到 400 万。在前段时间，Notion 发布了 Notion AI 测试版，Notion AI 完全集成到 Notion 的现有工作流中，当用户在应用中整理素材、管理日程、创作的时候都能够使用 AI 辅助来提高效率。

即便是 midjourney、无界版图以及 ChatGPT，我们认为也难称之为一个完整的工具，离开了用户现有的工作流使得 AIGC 更像是“玩具”，但如果把这种功能嵌入到已有的工作流中则完全不同。

扩大用户创造力

创作工具的发展与普及让更多个人用户称为内容创作者，这也带来了 UGC 的繁荣。而 AIGC 作为内容创作工具，将更进一步降低图片、视频等内容的创作门槛。

从前是通过文案自动生成配音，而 AIGC 可以实现一句话生成文案，一句话生成图片甚至视频：例如，在 MidJourney 中，用户只需要通过输入文字描述，计算机将会自动生成一张作品；AIGC 虚拟人可以根据文案内容自动生成虚拟人节目。

这些应用在相对较小的学习成本下，用很短的时间使得用户能够创作更多内容。

4、AIGC 背后的算力生意

AIGC 背后的“大算力”究竟有多大？

AI 训练所需算力指数增长，增长速度超越硬件的摩尔定律。在 2018 年，OpenAI 发表了一份研究成果，尝试量化大语言模型所需要的算力以及算力需求的增长趋势。

该研究发现，自 2012 年至 2018 年，用于训练 AI 所需要的算力大约每隔 3～4 个月翻倍，整体呈现指数级上涨（而摩尔定律仅仅是 18 个月翻一倍）1。从 2012 年到 2018 年，训练 AI 所耗费的算力增长了 30 万倍，而摩尔定律在相同时间只有 7 倍的增长。

对于目前常见的大模型（例如 GPT-3、NLG、Gopher 等等），算力的测量往往使用 petaFLOPS-days。这个单位意味着一个每秒进行一千万亿次浮点计算的设备，需要不停歇地运算一整天。作为对比，英伟达的旗舰产品 RTX3090 在标准功率下的浮点算力约为 35 TFLOPs，每秒能够处理 35 万亿次计算，1 petaFLOPS-days 意味着需要不断以最高算力跑满 29 天。就算用目前最快的超级计算机，这个训练过程在理想情况下也超过一周。

AIGC 未来应用普及的背后，将产生巨大的算力市场。

AI 模型大算力的背后需要高昂的算力成本，以 GPT-3 为例，该模型有着多达 1750 亿的参数，训练所需的算力高达 3650 PFLOPS-day。

按照 Lambda 的测算，以 V100 理想状态下 28 TFLOPS 的算力和最低 3 年起云计算的成本，完成训练 GPT-3 需要花费 460 万美元，而下一代 GPT-4 的参数将更多。

尽管 AI 模型往往会选择开源，但数据集和训练成果是一个团队的内部资产，这意味着每个 AI 产品都需要支付自己的训练成本。

现在大部分创业团队都是布设在云端，因为单独的算力集群很贵，目前 A100 高端产品大概在 6-9 万元，1000 张 A100 卡加上 CPU、硬盘、存储、机房供电等配套设施的硬件投入将近 1 亿。

在未来 AIGC 随着 B 端和 C 端的商业化落地的实现，算力集群的建设和云服务都会受益，同时考虑到英伟达 A100、H100 出口受限，相关国产算力芯片将有机会获得增量市场。

5、AIGC 社区的价值——未来的金矿

近期在与各个创业团队的沟通过程中，我们发现行业一个重要的关注点会放在 AIGC 与 Web3.0 的结合，以及 AIGC 与社区的融合。

这种结合趋势主要体现在：AIGC 能够助力社区的互动和文化发展；社区能够给予 AI 模型反馈；AIGC 与 NFT 结合产生新的商业模式。

低门槛的表达能让更大规模的用户参与到社区互动中。相较于 UGC 平台，AIGC 能够进一步降低用户参与创作的门槛和成本；而创作门槛的进一步降低，有助于社区的互动和发展，同时降低了平台的内容成本。例如暴走漫画最初通过漫画工具降低用户的表达门槛，诞生了大量流行的段子，丰富了整个“暴走 IP”社区。而 AIGC 为用户提供的创造力，远远超过传统的内容社区，或会诞生新的平台商业模式。

社区对 AIGC 作品的反馈能够为 AI 模型提供训练反馈。

以图片生成为例，相同的关键词可能在不同平台的效果差别很大，例如在 A 平台的效果很好，而 B 平台效果很差。这其中的一个重要原因就是模型的训练，在相同的模型下采取不同的训练方法也会导致效果差异巨大。

在监管学习下，训练员需要给 AIGC 产生的内容进行反馈，从而调节算法的参数，直到算法的效果令人满意。ChatGPT 免费上线产品 Demo 的一个重要原因就是通过开放的用户交互，收集到更多的反馈数据。

社群对内容的探讨与偏好能为 AIGC 模型提供优质的反馈，以便后续优化增强产品力。

当 AIGC 涉及到 IP 相关领域时，传统的版权授权制度很难与之匹配，这种问题在 UGC 时代就经常出现，例如粉丝的二创行为。NFT 的标记性使创作者与二次创作者与观众的链接更加多元化。我们也看到了包括 BAYC、Cryptopunks 等 NFT 持有者组成了排他性的粉丝社群，NFT 与粉丝经济的结合也在进行模式探索。

AIGC 由于过程的随机性，不太可能重复生成内容，并且会生成类似于数字指纹的 seed，与 NFT 的结合可以将内容生产的作者与内容本身绑定，也可以与内容的原始 IP 进行关联，这其中探索尝试的空间巨大，硅谷、新加坡已有不少团队投身其中，我们将在后续的研究中继续跟进。

6、报告总结：AIGC 的软硬件与数据集

从 PGC 到 UGC 再到 AIGC，AIGC 能让人类突破内容生产力枷锁，高效率生成高质量内容，让人类进入到真正的元宇宙之中。若要 AIGC 能够满足元宇宙的需求，独立完成高质量、高精度的内容，AIGC 技术层面还需要一定的发展，我们可以分为软硬件两个维度看，软件层面主要包括自然语言处理技术、AIGC 生成算法模型和数据集，硬件层面主要是算力、通信网络。

催化剂：1）二季度 GPT4 新模型的发布。2）微软在搜索引擎、Office 办公软件中集成 AIGC 功能。

从主题投资的角度看，我们认为，AIGC 在经过 2022 年的概念导入后，2023 将进入产业爆发期，既包括新模型的发布，也包括“AIGC+”在各领域的落地。

一方面，其对现有的杀手级应用——短视频、游戏等具有颠覆式影响，或进一步扩大内容量、提高成瘾性，同时对社交和广告提供新的工具；另一方面，Web3 开放、共建的价值观下，UGC、AIGC 的内容会更具吸引力，二次创作、开放想象的浪潮将来临。