ChatGPT-零帕网-第2页

ChatGPT 驱动AI浪潮趋势渐起，芯片等AI硬件构成核心底座 作为AI领域的最新成果，ChatGPT发展空间巨大。目前微软、谷歌等科技巨头坚定入局，展现出AI应用广阔的发展前景，AI行业有望开启新发展浪潮云端算力硬件将成为AI新浪潮的关键基础设施 GPU、CPU、FPGA、AI芯片、Chiplet、光模块、服务器等细分板块下游应用广泛，产品边际持续拓展。云、边、端需求拉动市场规模高速增长。AI新浪潮未来将提升海量IoT设备的边缘算力需求 NPU：在SoC与MCU

ChatGPT 引发 AI 热潮，大模型赋能千行百业，人工智能迎来“iPhone”时刻。2022 年底 ChatGPT 横空出世，其在理解人类意图、思维链推理、零样本下处理问题的能力优异。2023 年 3 月大模型 GPT4 发布，性能进一步增强，并拥有多模态能力可实现“看图说话”。大模型能力来源于几个方面：大参数量带来能力的“涌现”；海量的数据预训练带来模型基础能力；指令微调解锁的特定领域能力；基于人类反馈的强化学习带来的与人类“对齐（沟通）”的能力。类似的范式被广为传播，诸多科技巨头纷纷推出

ChatGPT 带来大模型时代变革，数据要素重要性提升ChatGPT 是由 OpenAI 研发的一种语言 AI 模型，其特点在于使用海量语料库来生成与人类相似的反应。初代 GPT 模型参数 1.17 亿，GPT2模型、GPT3 模型参数分别达到 15 亿、1750 亿。不断提升的参数量级，使得 ChatGPT3 当前已经能够应用在商业、研究和开发活动中。当前此类参数体量庞大的模型，成为各大科技厂商研发重点。大模型的基础为高质量大数据。ChatGPT 的前身 GPT-3 就使用了 3,000 亿单

人工智能从出现到现在已经历四个阶段，第一个阶段的AI是以逻辑推理为主，AI能力以聚焦决策和认知为主；第二个阶段的AI则是注重以概率统计的建模、学习和计算为主，AI能力开始聚焦感知、认知和决策；第三个阶段的AI聚焦学习环节，注重大模型的建设，AI能力覆盖学习和执行；第四个阶段则聚焦执行与社会协作环节，开始注重人机交互协作，注重人类对人工智能的反馈训练，当下正处于此阶段。

ChatGPT：OpenAI史诗级“AI”新品，开启新一轮的科技革命1）史诗级“AI”新品。ChatGPT自发布以来，仅2个月用户量迅速增长至亿级，是AI产业的史诗级“颠覆性创新”产品，我们预计其用户量潜在空间10亿级，假设人均订阅价格20美元/月，其对应的商业价值量将极其广阔。同时，ChatGPT母公司OpenAI估值亦迎来翻倍式增长，根据华尔街日报，其最新估值达290亿美元，预计2023年收入2亿美元。2）开启新一轮科技革命。ChatGPT的成功得益于NLP、Transformer、GPT、

DPU 发展有望进入快车道。DPU（数据处理芯片 Data Process Unit）被认为是继 CPU 和 GPU 之后的“第三颗主力芯片”。得益于智能网卡方案的逐步成熟，叠加全球通用服务器出货量的稳定增长、L3 以上级别智能驾驶汽车的技术落地、工业控制领域的需求增加等原因，全球、国内 DPU 产业都有望实现快速发展。全球 DPU 市场高景气延续，国内 DPU 市场加速追赶。据赛迪顾问《中国DPU 行业发展白皮书》，2020 年全球 DPU 产业市场规模达 30.5 亿美元，预计到 2025

ChatGPT，人工智能的旷世巨作。ChatGPT是一种聊天机器人软件，OpenAI于2022年11月推出的聊天机器人，具备人类语言交互外复杂的语言工作，包括自动文本生成、自动问答、自动摘要等多重功能，应用场景广阔，相较于上个版本更像人类一样聊天交流。OpenAI除了ChatGPT还包括Dall·E2、Whisper等项目分别是自动绘图、自然语言翻译等软件。OpenAI的商业模式即API接口收费，可根据不同项目需求进行收费，我们认为其商业模式属于底层模型开放性标准化SAAS服务模式。我国仍处于初

为什么 ChatGPT 如此重要？AI C 端产品中的第一个爆款，可能代表着商业化的拐点。1）从用户体验上，比起竞品和上一代产品，ChatGPT 的连续对话能力明显更强，具备了大范围商业化的潜力。2）从应用场景的潜力上，语义文本类产品想象空间较图片类更大。短期看有望落地的包括更专业的客服机器人、更垂直更专业化的 AI（如医疗教育领域）、新一代的智能搜索等。3）ChatGPT的出现或将加快巨头对于 AI 的发展速度。ChatGPT 的成功或将促进各科技巨头加大对于 AI 的研发投入，如谷歌近日宣布

自然语言处理（Natural Language Processing, NLP）的发展历程可分为三个阶段； 1）上世纪 80 年代之前，人工智能开始萌芽，基于规则的语言系统占据主导，出现了机器翻译以及语言对话的初级产品；2）1980 年之后，机器学习在全球范围内兴起，自然语言处理走向纯粹的统计学，90 年代后神经网络引入，NLP 进入了快速发展期，并在 2000 年后逐渐开启了商业化进程；3）2017 年，Google 发布著名论文《Attention is All You Need》

类似 ChatGPT 的生成式 AI 在搜索领域实现替代仍然面临诸多挑战，生成式 AI 技术需要先达到一定程度的 “规模优势(包括预训练数据集规模,用户反馈量)”之后才有机会威胁到搜索引擎的生存地位。这种“规模优势”既意味着模型可以解决问题的领域在数量上足够庞大，又意味着同一个领域中模型可交付出的解决路径数量最够庞大。这种“规模效应”的达成有 2 个制约因素：1）用户习惯的颠覆。基于当前技术迭代路径的“搜索引擎（包括 Google，Baidu，和 Bing等）”已经教育了市场将近 25 年以上的

大模型提升机器理解能力，优化人机交互方式。AI 大模型是实现通用人工智能（AGI）的重要方向，包含自然语言处理(NLP)、计算机视觉（CV），多模态大模型等。ChatGPT 推出两个月 MAU 突破 1 亿，是自然语言处理领域突破性的创新，大力出奇迹后出现涌现能力,更理解人类语言。大模型“预训练+精调”即可对下游应用赋能。我们认为大模型优化人类与机器交互方式，是效率的革命。大模型是“大数据+大算力+强算法”结合的产物，对比国内外大模型，算力储备上国内并无短板;算法上 OpenAI 有先发优势;前

底层算法与模型是贯穿人工智能技术发展的核心，从上世纪50年代第一次提出人工智能概念开始，底层算法经历了多次迭代。而贯穿多次迭代的主线是研发出真正的通用人工智能（AGI），即用一个模型解决大多数的问题，通过这一方式才能真正做到降低人工智能的成本并取代人类。此前接触的人工智能如·Siri、小爱、小度音箱等，底层技术是Bert类的双向+微调模型。通过以任务分类的形式运行，准备不同任务的标注数据分别进行训练。简单来说，将预先设置好的任务类型放于模型背后，使用者通过描述任务类型系统来匹配对应的模块，缺点是