计算机

传统AI落地困难，最大的问题在于小模型，对于不同场景不同细分的运用，需要人为进行大量的二次校准调参。耗费的人力太大，又太过于琐碎，形成高昂的成本。CHATGPT大模型针对这个问题，把参数量加到足够大之后(GPT3参数量达到1750亿个)发现模型样本量和参数量足够大了，在很多大的泛化的场景里，不需要做人为太多的调试，就可以得到非常好的效果。技术基于2017年的 Transformer模型，可以与整个句子或段落的其他语句形成关联，捕捉全局信息。

另用 transformer和大模型比较多的领域是自动驾驶。用的比较多的就是bev transformer，最早是特斯拉在AIZ里面引入，后面的国内的毫末这些公司也相继的引进了，仍然用传统的残差去提取图像的特征，同时大模型在数据标注领域也是提升了效率。

中国AI非常的领先，更多的还是在CV，但是在NLP领域，尤其是在语义的理解领域，确实跟openai、Google存在比较大的差距。传统的机器视觉，例如海康、大华，选取的路线还是小模型，压缩成本，提升模型的复用率。另外一类是用大模型，实现不同场景之间的复现，未来两种技术的区分度会更大。在大模型算法领域做得比较好的公司，只能是头部的互联网公司和AI公司，因为训练成本、研发成本都是非常高的。

国内大模型的发展情况，在语言领域确实跟CHATGPT有差距，很多互联网公司都有布局，包括像百度文心大模型，里面也提供了跨模态的工具包;华为的盘古云在工业领域，比如气象、矿山、声音生成，都有应用。

A股公司，商汤科技，有自己的AIGC的大数据的中心，可以提供大量的算力基础，也有自己的AI大装置，并且自研了训练框架。云从科技，之前做的是全栈 Al，所以在NLP领域也有一些项目，之前也披露了他在这个视觉、语音nop领域都有类似GPT的预训练模型加反馈调优的技术路线。科大讯飞，在语音是国内领先，其他比如拓尔斯，也都值得关注。

传媒

web3的生产力工具，强调创作者经济，就是每人都能够借助一些工具自由的去创作出足够多的内容， aigc正好满足了这样的需求。在内容领域的应用更多是在内容的分发环节，最典型的就是算法推荐，Facebook信息流广告，国内的短视频、电商的千人千面的推荐。目前应用最多的还是文本音频、图片这几个领域，原因是相对简单，游戏视频复杂度比较高，相关应用比较少一些。

aigc影响内容行业来讲，分为两阶段，第一是作为辅助的工具，对信息挖掘、素材调用、复课编辑比较机械的环节形成有效替代，解放创作者的生产力，把更多
的精力放在创意环节。第二个是基于AI直接生成内容，会对现有的内容产品产生比较强的颠覆。目前主要还是在第一阶段，作为助手工具。

这一轮与之前AIGC炒作不同，因为微软做了很大的投资，意味着巨头入场，之前A股主题投资，尤其是移动互联网领域，在19年之前重点是3G4G，大家看趋势是腾讯、字节跳动的布局，19年大家就已经开始讨论下一代互联网的形态，原因就是移动互联网的渗透率到了比较高的位置，大家更期待一些颠覆性的创新。比如谷歌的云游戏的能不能给5g的应用带来一些新的一些尝试，在20-22年的时候，大家看的是以Facebook为代表的对于 ARVR的布局，23年大家重点关注苹果的MR，微软通过AI做一些新的探索，所以巨头入场是很重要的事情。
第二就是open AI跟微软合作，可以跟微软现有的产品结合，提升产品本身的效率，和对用户的吸引力。

传媒相关标的，文本、音频、图像落地更快，文本相关是中文在线、掌阅科技，图片相关是视觉中国、汉仪股份。