AIGC產業發展的本質洞察

AIGC（AI內容生成）領域正在掀起新一輪投資熱潮，據統計，在2023年上半年，全球范圍內的AIGC企業獲得了超過1000億元人民幣的融資，根據艾瑞咨詢的數據，在國內，2021年至2023年7月期間AIGC賽道共發生280筆投融資，展現了其高熱度與高成長性。AI2.0時代的加速到來，不僅是把AI能力融入到現有應用中，更是未來產業范式的再塑造。AI正跳躍式地加速滲透進各行各業，推動一場新的生產力與創造力革命。與此同時，也有人提出許多質疑，諸如AIGC的產業發展是不是會大量代替人工，進而加劇就業問題的嚴重性，過多的資本涌入，是不是會造成新一輪的經濟泡沫，新商業體系催生的過程中，會不會產生難以解決的信任問題和版權問題等等。在本文中，筆者與大家一起梳理AIGC產業發展中的驅動與制約。

首先要厘清的概念

從上世紀五十年代起，AI相關研究開始了漫長的發展之路，經歷幾次熱潮與遇冷。AI大模型的出現，讓AI在研究領域取得革命性進展，且讓業界看到了其產業化的巨大商業潛能。由于Web3.0時代的到來，人工智能、關聯數據和語義網絡構建了形成全新格局，AIGC更被認為是元宇宙和 web3.0的底層基礎設施之一。ChatGPT正是AIGC在具體場景當中的一種應用。從領域范圍來看，我們可以粗淺地排序：AI，AI大模型，AIGC，GPT。

AI即人工智能（Artificial Intelligence），是一門研究如何讓機器模擬人類智能的學科。它涉及到構建可以感知、推理、學習和決策的智能系統，以解決復雜問題和實現人類類似的任務。

AI大模型是指規模龐大的人工智能模型，這些模型具有更多的參數、更復雜的結構和更強大的計算能力。

AIGC（AI Generated Content）是利用人工智能來生成你所需要的內容，GC的意思是創作內容。與之相對應的概念中，比較熟知的還有PGC，是專業人員用來創作內容；UGC是用戶自己創造內容，顧名思義AIGC是利用人工智能來創造內容。

GPT是AIGC的一個種類。GPT的全稱，是Generative Pre-Trained Transformer（生成式預訓練轉換器）。是一種基于互聯網的、可用數據來訓練的、文本生成的深度學習模型。

下一個十年的想象力，藏在AIGC里

AIGC催生出全新產業體系和商業化特征。AIGC利用人工智能學習各類數據自動生成內容，不僅能幫助提高內容生成的效率，還能提高內容的多樣性。文字生成、圖片繪制、視頻剪輯、游戲內容生成皆可由AI替代，并正在加速實現，使得AIGC進而滲透和改造傳統產業結構。

伴隨AIGC生成算法的優化與改進，AIGC對于普通人來說也不再是一門遙不可及的尖端技術。AIGC在文字、圖像、音頻、游戲和代碼生成中商業模型漸顯。

特別是在語言模型領域的全方位競爭已經開始。所以，發生了微軟對OpenAI的大規模投資，因為有這樣一種說法：“微軟下個十年的想象力，藏在ChatGPT里。”

在這個時間段里，ChatGPT的技術革新以及全球科技巨頭的積極涉足，讓AIGC成為科技產業的焦點。同時，AIGC創業企業們也迎來了一輪融資高潮。2023年上半年，全球范圍內的AIGC企業獲得了超過1000億元人民幣的融資。以OpenAI為例，通過B+輪融資獲得了103億美元（約合745億元人民幣）的資金，成為上半年融資額最大的AIGC企業。AIGC應用創新的技術支撐為“生成對抗網絡（GAN）/擴散模型（Diffusion）”與“Transformer預訓練大模型”的兩類大模型分支。在國外AIGC應用展示出大模型的能量的同時，我國企業也加強了相關產品技術布局，云廠商、AI大廠、創企、各行業公司及技術服務商等產業各領域玩家紛紛發布大模型或基于大模型的應用產品及各類技術服務。

不是“機器換人”，而是“人機耦合”

麻省理工學院的一項研究發現，2018年60%的就業崗位在1940年并不存在。隨著任何行業變革，都會出現新的工作崗位。

據高盛預測，3億個工作崗位可能受到影響。盡管這些數字令人震驚，但研究表明，大多數工作只是部分地受到自動化的影響，并且有可能相互補充并提高工作場所的生產力。風險最大的行業是“行政支持”，估計為46%，“法律”估計為44%。風險最小的角色將是體力勞動和實際操作的工作。這些預估的時間表尚不清楚，但可能在十年內。

一些新興的崗位正在涌現：比如提示詞工程師像是AI模型的導演，負責設計和優化指導AI行動的語言提示，他們了解AI模型的工作原理，并使用這些知識來優化語言提示，從而引導AI模型產生更好的結果。他們的工作可以涵蓋多種任務，比如提升AI對問題的理解，優化AI的回答，甚至引導AI生成全新的內容。這項工作更偏向語言藝術和人工智能的交叉領域。

再比如人機耦合的藝術家，他們用創意和技巧指引AI創建出吸引人的藝術作品。他們會使用像Midjourney這樣的圖片生成模型，通過提供特定的提示詞或語句，來生成新奇和獨特的文本或圖像內容。他們需要有深厚的藝術素養，同時也需要對AI模型的工作原理有一定的理解，以便能夠精確地指導模型產生預期的藝術作品。

一些領域會出現人工智能訓練師，他們就像是AI模型的教師，他們主要關注如何訓練和優化AI模型。他們為AI模型提供訓練數據，監督學習過程，并調整模型參數以改善其性能。這些工作主要涉及到機器學習和深度學習的知識，需要對AI技術有深入的理解……

由此，我們得出三個結論，新興產業構造和商業模式下，就業市場將會發生根本性改變：

其一，相當多的職業可能衰落消亡；

其二，人機耦合的工作是大勢所趨；

其三，替代人的不是機器，而是會使用先進工具的那部分人。

AIGC的信任危機

你如何判斷AI是不是在“一本正經地胡說八道”？如果我們用于訓練AI的基礎數據并不可靠，一個成長于虛假信息和垃圾數據環境的AI，能夠在多大概率上給出人類可靠的反饋呢？

目前，AIGC 領域部分環節尚不完善，語料庫規模少且質量低，訓練數據面臨“可信”挑戰。另外，模型訓練不當帶來“AI幻覺”，將可能引發可信度危機。近期國內外媒體也有一種聲音，大概在表達一種AIGC正在瘋狂污染互聯網的擔憂。

AI污染源”的現象不僅僅是在國內存在，在國外亦是如此。程序員問答社區Stack Overflow便是一個例子。早在去年年底ChatGPT剛火起來的時候，Stack Overflow便突然宣布“臨時禁用”。他們認為以前用戶回答的問題，都是會有專業知識背景的其他用戶瀏覽，并給出正確與否，相當于是核實過。但自打ChatGPT出現之后，涌現了大量讓人覺得“很對”的答案，而有專業知識背景的用戶數量是有限，沒法把這些生成的答案都看個遍。加之ChatGPT回答的錯誤率并不低，因此Stack Overflow才選擇了禁用。

普通人習慣于選擇權威答案，而AIGC恰恰不能成為權威。除了信任危機，AIGC生成內容的知識產權如何明晰，這也是將來不得不面臨的一大問題。

從大模型走向多模態，最終形成MaaS新業態

多模態已成趨勢預訓練大模型按照模態可以分為文本、圖像、視頻、代碼、音樂生成等多種，但從底層架構上都分屬兩類。Transformer是一種編解碼模型框架，適用于處理文本、代碼這類強連續性生成任務；Diffusion、GAN、NeRF等框架善于處理圖像生成類任務。疊加文-圖轉換技術可以形成文生圖模型。由單模態模型在實際訓練時融合其他模態技術，可形成多模態、跨模態大模型，如GPT-4、文心一言、Mid journey等，由于多模態模型可接受文本、圖像等不同輸入輸出形式，對應用場景能夠更廣泛適配，著力發展多模態模型成為產研兩界共同趨勢。相比單一模態，多模態和跨模態的應用前景更加為資本所看好，從生態來看，未來必然走向MaaS（Model-as-a-Service），模型即服務，是指以云計算為基礎，將大模型作為一項服務提供給用戶使用的新業態。如今，MaaS模式已成為各家云巨頭廠商發展第一戰略優先級，把模型作為重要的生產元素，依托于既有IaaS設施與PaaS平臺架構，為下游客戶提供以大模型為核心的數據處理、特征工程、模型訓練、模型調優、推理部署等服務。

一切不確定當中，能源的消耗是確定的

預訓練大模型的訓練推理需要巨量數據資源與高性能計算機的全天候高速運轉，對數據中心的網絡帶寬、能源消耗與散熱運維等能力提出更高要求。首先，網絡是數據中心最為重要的組成部分，隨著數據量與計算量的飛漲，數據中心需優化網絡帶寬，實現數據在節點內與節點間的高吞吐低延遲的傳輸與連接，并進一步優化計算集群的架構與設計，保證數據中心的高效利用率；其次，能源消耗與碳排放問題是數據中心亟需關注的重點問題。普通服務器的標準功耗一般在750～1200W，而AI模型運行時會產生更多的能耗，以CPU+AI芯片（搭載4卡/8卡）異構服務器為例，系統功耗一般會達到1600W～6500W。根據斯坦福大學發布的《2023年AI指數報告》數據顯示，GPT-3模型訓練耗費的電力可供一個美國家庭使用數百年，CO排放量也相當于一個家庭排放近百年。

無論消費互聯，還是工業互聯，其底層必須是能源互聯。當下全球算力大發展時代，也是能源危機到來的時代。目前，中國大力推進“東數西算”工程，并發布《新型數據中心發展三年行動計劃（2021-2023年）》等政策性文件，引導新型數據中心實現集約化、高密化、智能化建設，在AIGC時代下完成中國算力產業在規模、網絡帶寬、算力利用率、綠色能源使用率等方面的全方位提升。

中國算力勢在必行

AIGC產業的基建層，算力是AIGC生產力卡脖子的關鍵環節。目前，國內大模型訓練芯片仍以英偉達GPU為主。英偉達作為首批訓推部署框架成品，在業界已經具備了絕對AIGC基建層優勢地位。對標英偉達的Grace Hopper，AMD推出“CPU+GPU”雙架構的Instinct MI 300進軍AI訓練端。近年來，由于貿易管制的原因，被影響的中國企業已達到了千余家，在半導體、人工智能等先進科技領域，國產芯片實現自主創新迫在眉睫。以適配AIGC大模型訓練角度出發，國產產品會進一步迭代創新，逐步擺脫對某些頭部廠商的依賴，科技部也陸續出臺政策推動人工智能公共算力平臺建設，基建層面的國產化勢在必行。算力正在成為影響國家綜合實力和經濟發展的關鍵性要素。浪潮信息發布的相關報告表明，計算力指數平均每提高1個點，數字經濟和GDP將分別增長千分之3.3和千分之1.8。面對算力層的供需結構矛盾，各國積極發展算力層基礎設施建設。在計算力指數國家排名中，美國坐擁全球最多超大規模數據中心，以75分位列國家計算力指數排名第一，中國獲得66分位列第二，隨后為日本、德國、英國等國，算力建設已然成為國家高質量發展的戰略級方針。

辯證地看待創新

AIGC催生出全新產業體系和商業化特征。AIGC利用人工智能學習各類數據自動生成內容，不僅能幫助提高內容生成的效率，還能提高內容的多樣性。文字生成、圖片繪制、視頻剪輯、游戲內容生成皆可由AI替代，并正在加速實現，使得AIGC進而滲透和改造傳統產業結構。大量初創企業同樣如雨后春筍，大量投資進入到AIGC賽道，這不得不讓人想起來當年的“互聯網泡沫”。時間倒回2000年3月10日，納指走向5049點巔峰，一年時間就實現翻番，然而，伴隨著利率走高以及衰退聲浪，納指開啟暴跌行情，股指下跌持續兩年，其間疊加“911事件”影響，納斯達克市值跌去5萬億美元，不及巔峰時的四分之一，歷時15年才重回泡沫破裂前水平。科技企業多以估值自由落體以及公司清盤倒閉的悲劇收場，據外媒統計，52%的互聯網企業在那次危機中破產，大多數公司的市值跌去75%。

在達沃斯會議上，比爾·蓋茨曾經說過這樣一句話：“他們當然是泡沫，但你們沒有問到點子上，泡沫給網絡行業帶來了很多新資本，這必將更快地推動創新。”

從歷史上看大繁榮時代之前，總會伴隨著泡沫產生，一個新興、快速發展的技術或市場一定存在泡沫，作為可能成為顛覆式業態的AIGC來說，人類數十年的學習、積累以及上百萬的資金投入，這些學習成本有可能在未來的時代中直接轉化為能源費用，這本身就是一個巨大的創新。