【资料图】

现阶段 Al 类比 2000 年互联网早期，算力成本下降驱动生态成熟类似于2000年互联网早期，Al产业受益于算力成本的不断降低，模型技术持续迭代，应用落地不断出现，产业生态逐渐成熟。自技术起步以来，Al开发共经历“单任务单模型”、“小模型+迁移学习”、“大模型”三个阶段，伴随Al开发范式发生变化，模型通用性得到大幅提升，应用落地成本不断降低。从长期维度看，未来产业将呈现“小模型+迁移学习”与大模型将长期态势，大模型的通用性较强，对参数量要求较高，但对精度与时延要求不敏感，可应用于大多数生活场景（如教育与办公等）。对于专业领域的小模型而言，模型只需要具备最基本的参数量与通用性，重点在于如何通过迁移学习来提高专用场景的性能，适用于部分行业专用场景对模型的精准度要求较高的领域，如工业质检、医疗影像分析等，或对模型的时延要求较高的场景，如自动自动驾驶、工业智能控制场景等。

聚焦投资视角，建议重视从算力到应用落地到全面扩散的分阶段投资机遇（1）技术确认阶段重视底层资源和巨头大模型推进节奏，为了实现更好的训练，OpenAl重建了整个深度学习堆栈，并与Azure一起为其工作负载从头开始设计了一台超级计算机，这是GPT-4训练运行获得前所未有稳定的背后原因，算力设施的发展是大模型推进的前提，而从商业模式角度出发，无论上层应用如何变化，对算力的需求是确定的，建议关注A股芯片（训练芯片、推理芯片）、服务器、laas、算力调度平台（新增）等板块投资机会；（2）商业模式突破阶段寻找优质场景和具备场景壁垒的公司，优质场景可以有较强付费意愿带来足够大的收入体量，对场景 know-how及数据的把握有望形成集中格局充分享受红利，建议关注教育和办公两大场景及具有潜在爆款应用落地场景的科大讯飞、金山办公等公司，同时建议关注大模型生态圈公司的投资机会；（3）全面扩散阶段龙头与中小共舞，进一步寻找优质落地场景及存在明显边际变化的企业。除此之外，模型的训练及落地都需要“支持类”公司协同，例如数据训练需要海量数据的支撑，因此模型的落地建议关注数据标注板块机会。

当前时点：算力与应用共振，重视教育与办公等高价值场景当前时点算力与应用共同构成当下投资主线。算力层面，万亿量级的数据参数是大模型有别于小模型的重要特点，大模型的发展势必带来海量算力需求，而模型大厂之间的军备竞赛则对算力需求形成了进一步的增强。考虑到当前英伟达GPU系列产品无论是在训练亦或推理层面仍存在着较大的领先优势，短期内其市场地位难以被撼动；应用层面，我们认为教育与办公是值得重视的高价值场景，一方面，教育具备试错成本低、供需匹配性强、支付能力强三大特性，“Al+教育”应用落地可能性高，且海外已有成熟对标案例，未来将有望看到Al在教育服务领域的全面渗透；另一方面，协同办公作为海外微软AI应用落地的核心场景之一，同样将有望在国内看到相关产品与 Al 技术的成功结合。

风险提示

1、国内AI技术发展不及预期；

2、公司研发进展不及预期。