億歐智庫發布《2023中國AIGC商業潛力研究報告》

作者：劉旻昊；施佳怡

在人工智能發展的漫長歷程中，如何讓機器學會創作一直被視為難以逾越的天塹，“創造力”也因此被視為人類與機器最本質的區別之一。然而， 人類的創造力也終將賦予機器創造力，把世界送入智能創作的新時代。從機器學習到智能創造，從PGC,UGC到AIGC，我們即將見證一場深刻的生產力變革，而這份變革也會影響到我們工作與生活的方方面面。

本報告將向所有關注未來科技的相關機構、從業者、創業者、投資人傳遞億歐對AIGC的市場潛力場景的洞察和優秀企業案例。

AIGC概述

人工智能概念梳理

AI跨入3.0 +深度加強學習範式，利用獎懲模型強化生成能力

AIGC（AI Generated Content）是基於GAN、預訓練大模型、多模態技術融合的產物，通過已有的數據尋找規律，並通過泛化能力形成相關內容。從商業角度看，AIGC是一種賦能技術，通過高質量、高自由度、低門檻的生成方式為內容相關場景及生產者進行服務。

早期決策式AI依賴邏輯判斷的純粹性，萬物都能完美觀察、任何測量不存在誤差的前提不符合真實世界的“不確定性”；概率範式基於經驗主義與理性主義一定程度上解決了“不確定性”；深度加強學習可以利用合理的數據豐度與獎懲模型達到類人類智能的水平，實現高質量內容與內容創作自動化；通用型AI具備泛人類智能，可以像人類一樣執行各種任務。

#### 歷次AI寒潮沉澱的技術，終在算法、算力、數據三者共振的情況下誕生出大模型

在1956年的達特茅斯會議上，“人工智能”的概念被首次提出，六十多年以來，歷經邏輯推理、專家系統、深度學習等技術的發展，人工智能也經歷了數次沉浮，有如日中天的發展時期，也有因技術不足熱度退去後的寒潮。而每一次寒潮後，也會經歷技術的蟄伏發展，為人工智能帶來里程碑式的進步。

#### 預學習引發AIGC技術質變

預學習的出現解決了過去生成式大模型的痛點，但預學習本身存在模型尺寸、小樣本數量、微調能力的不可能三角，解決方法也不盡相同：對於極大模型，使用知識蒸餾；對於少樣本學習能力，進行數據增強；對於監督訓練表現欠佳的模型，進行提示學習。

以GPT為例，在目前階段，廠商通常的做法是擴大模型尺寸。

#### AI大模型底座驅動AIGC概念落地

在AIGC概念實際落地的過程中，只有基礎大模型與通用技術是遠遠不夠的，**還需要能與場景融合匹配，更需要支持應用落地的工具平台和開放包容的創新生態，三者協同優化，加速AIGC落地。 **

在全應用流程中，主要通過大量的無標註文本進行共性學習，獲得預訓練大模型，此後再根據應用場景特徵進行微調，更好與項目任務適配。

#### 多模態打破多種信息之間的邊界並生成質量穩定的內容，提升AIGC內容多樣性

相比於信息模態單一的單模態模型，**多模態模型可以同時處理更多模態的信息並將它們相互轉化。 **

現今多模態模型以圖文多模塊為主。 Transformer雖受制於單模態但其權重共享適用於多模態；ViT模型處理輸入圖片，使得Transformer可用， 從而打破NLP和CV間屏障；BEiT將生成式預訓練從自然語言處理遷移到了計算機視覺；擴散模型多用於文本圖像生成。

#### 多模態信息持續融合增加技術多樣性，拓寬場景

多模態在視頻分類、情感分析、語音識別等領域都得到了廣泛應用，涉及圖像、視頻、語音、文本等融合內容，未來還將進入交互、感知、內容等更多應用場景。

#### 中國決策式AI已達到世界一流水平，而生成式AI還與國外存在基礎要素的差距

在決策式AI方面，中國已經處在第一梯隊，中國是發表AI論文最多的國家，且近10年來佔比逐年增加。

而在生成式AI方面，與國外還存在參數量的差距，背後隱含著算力資源、數據質量等基礎要素的不足的原因。

#### AIGC原子能力動態變化曲線

AIGC的原子能力隨著時間的變化，內容呈現複雜化、多維化的特徵，基礎模態原子能力向多模態轉變，表明目前AIGC商業應用的嘗試正下沉至長尾場景，大模型的泛化能力、實時性、強推理與共情能力正在不斷滲透為虛擬人、聊天機器人、知識圖譜、合成數據、AIGS進行多維度的賦能， 推動通用人工智能時代到來。

以下是報告節選正文內容：