麥肯錫-中國金融行業(yè)CEO季刊：全球洞見中國實(shí)踐捕捉生成式AI新機(jī)遇

2023年秋季刊 304020235圖1:GenAI的潛在影響可以通過兩個(gè)視角進(jìn)行評估視角1視角2用例的總經(jīng)濟(jì)全球勞動力執(zhí)60多個(gè)組織視角2用例的總經(jīng)濟(jì)全球勞動力執(zhí)潛力用例的行的約2,100成本影響項(xiàng)詳細(xì)工作活動的勞動生產(chǎn)影響1用例對收入的動的勞動生產(chǎn)影響11.定量分析，收入影響被重新定義為相應(yīng)支出的生產(chǎn)率增加，以保持與成本影響的可比性，而不是假設(shè)任何特定市場的額外增長。資料來源：麥肯錫分析6.1-7.9~15-40%增量經(jīng)濟(jì)影響6.1-7.9~15-40%增量經(jīng)濟(jì)影響圖2:人工智能技術(shù)對全球經(jīng)濟(jì)的潛在影響在17.1-25.6萬億美元之間，相當(dāng)于~25%的生產(chǎn)率增長人工智能對全球經(jīng)濟(jì)的潛在影響，萬億美元17.1-25.6~35-70%增量經(jīng)濟(jì)影響2.6-4.42.6-4.4數(shù)據(jù)和高級人工智能用新的GenAI總用例驅(qū)動通過GenAIAI總經(jīng)濟(jì)分析用例例（不是用例潛力GenAI）深入關(guān)注提高所有員包括在用例中潛力資料來源：麥肯錫全球研究院高達(dá)~25.6萬億美元人工智能對全球經(jīng)濟(jì)的潛在影響相當(dāng)于當(dāng)前全球經(jīng)濟(jì)的~25%GenAI的影響相當(dāng)于當(dāng)前全球經(jīng)濟(jì)的~8%彭博數(shù)據(jù)顯示，2022年GenAI行業(yè)的全球市場收入達(dá)400億美圖3:GenAI用例在不同行業(yè)和部門中具有不同規(guī)模的GenAI在不同行業(yè)和部門中的產(chǎn)值1低影響高影響營銷與客戶銷售運(yùn)營產(chǎn)品與軟件研發(fā)開發(fā)供應(yīng)鏈風(fēng)險(xiǎn)與戰(zhàn)略與公司人才與十億760-340-230-580-280-47042053026026040-5060-904.8-9.3240-460銀行業(yè)2.8-4.7200-340藥品與醫(yī)療產(chǎn)品2.6-4.5通信2.3-3.7教育2.2-4.0120-2301.8-3.2150-260保險(xiǎn)1.8-2.850-70媒體與娛樂1.5-2.6高端制造31.4-2.4170-2901.4-2.3160-270高端電子與半導(dǎo)體1.3-2.3旅行、交通與物流1.2-2.0180-300零售4240-390地產(chǎn)150-240行政與專業(yè)服務(wù)150-250化學(xué)建筑基礎(chǔ)材料120-200農(nóng)業(yè)40-70公共與社會部門0.5-0.92,600-4,400注：由于四舍五入，數(shù)字之和可能不等于100%1.不包括實(shí)施成本（例如培訓(xùn)、許可證）2.不包括軟件工程3.包括航空航天、國防和汽車制造4.包括汽車零售資料來源：比較行業(yè)服務(wù)(CIS)、IHSMarkit；牛津經(jīng)濟(jì)雜志；麥肯錫公司和業(yè)務(wù)職能數(shù)據(jù)庫；麥肯錫制造和供應(yīng)鏈360；麥肯錫銷售導(dǎo)航；麥肯錫數(shù)據(jù)庫Ignite；麥肯錫分析圖4:在少數(shù)職能中使用GenAI可以實(shí)現(xiàn)用例的大部分價(jià)值1●占生成式AI每年總影響的~75%4003002000客戶運(yùn)營●產(chǎn)品與研發(fā)2●供應(yīng)鏈制造財(cái)務(wù)風(fēng)險(xiǎn)與合規(guī)●人才和組織（包括人力資源）●●●采購管理占職能支出的百分比，%1.注意：用例價(jià)值按行業(yè)平均計(jì)算2.不含軟件工程資料來源：IHSMarkit；牛津經(jīng)濟(jì)研究院；麥肯錫企業(yè)和業(yè)務(wù)職能數(shù)據(jù)庫；麥肯錫制造和供應(yīng)鏈360；麥肯錫銷售導(dǎo)航；Ignite，麥肯錫數(shù)據(jù)庫；麥肯錫分析GenAI對客戶運(yùn)營的影響客戶與類似人類的聊天機(jī)器人進(jìn)行交互，該機(jī)器人對復(fù)雜的查詢提供即時(shí)、個(gè)性化的響應(yīng)，確保無論客戶語言或輔助人工互動輔助人工互動人工客服使用人工智能開發(fā)的呼叫腳本，并在電話交談期間接收實(shí)時(shí)幫助和響應(yīng)建議，即時(shí)訪問相關(guān)客戶數(shù)據(jù)以進(jìn)行量身定制的實(shí)時(shí)信息傳遞摘要與建議生成人工客服將收到簡潔的對話摘要，用以記錄客戶投訴和所采取行動人工客服將使用由AI生成的自動化、個(gè)性化的見解，包括量身定制的后續(xù)消息或個(gè)性化的指導(dǎo)建議GenAI對營銷和銷售的影響銷售和營銷人員從非結(jié)構(gòu)化數(shù)據(jù)源（例如，社交媒體、新聞、研究報(bào)告、產(chǎn)品信息和客戶反饋）中收集市場趨勢和客戶信息，并起草營銷和銷售內(nèi)容客戶會看到根據(jù)其畫像量身定制的廣告客戶可以訪問全面的產(chǎn)品信息和動態(tài)建議，例如進(jìn)行“試穿”由GenAI支持的虛擬銷售代表模擬人類品質(zhì)（例如同理心、個(gè)性化溝通和自然關(guān)系更有可能通過定制的消息和獎(jiǎng)勵(lì)來留存，他們可以與人工智能驅(qū)動的聊天機(jī)器人系，減少人工客服需要處理的對話GenAI對產(chǎn)品研發(fā)的影響早期研究分析研究人員使用GenAI來協(xié)助市場報(bào)告、產(chǎn)品或解決方案的起草研究人員使用GenAI生成基于提示的草項(xiàng)快速迭代如果與新的深度學(xué)習(xí)創(chuàng)成式設(shè)計(jì)技術(shù)相結(jié)合，研究人員可以加速和優(yōu)化虛擬仿真階段研究人員優(yōu)化測試用例以實(shí)現(xiàn)更高效的測試，從而減少物理構(gòu)建和測試所需的通過采用可以增強(qiáng)測試功能的算法來提升測試質(zhì)量，并可以自動生成測試用例和測試數(shù)據(jù)工程師使用GenAI來創(chuàng)建多個(gè)IT架構(gòu)設(shè)計(jì)并迭代潛在的配置，從而加速系統(tǒng)設(shè)計(jì)并縮短上市時(shí)間通過采用可以增強(qiáng)測試功能的算法來提升測試質(zhì)量，并可以自動生成測試用例和測試數(shù)據(jù)工程師使用GenAI來創(chuàng)建多個(gè)IT架構(gòu)設(shè)計(jì)并迭代潛在的配置，從而加速系統(tǒng)設(shè)計(jì)并縮短上市時(shí)間GenAI對軟件開發(fā)的影響軟件工程師和產(chǎn)品經(jīng)理使用GenAI來協(xié)助分析、清理和標(biāo)記大量數(shù)據(jù)，例如用戶反饋、市場趨勢和現(xiàn)有系統(tǒng)日志碼碼協(xié)助生成草稿、快速查找錯(cuò)誤及充當(dāng)易于導(dǎo)航的知識庫來縮短開發(fā)時(shí)間工程師使用有關(guān)系統(tǒng)日志、用戶反饋和性能數(shù)據(jù)的AI洞察來幫助診斷問題，提供修復(fù)建議，并預(yù)測其他高優(yōu)先級的改進(jìn)領(lǐng)域圖5:GenAI部署于部分行業(yè)的用例中時(shí)，可以提供巨大該職能對行業(yè)的價(jià)值潛力高低行業(yè)總價(jià)值潛力十億美元占行業(yè)收入百分比價(jià)值潛力利潤的百分比產(chǎn)品研發(fā)，軟件工程客戶運(yùn)營營銷和銷售其他職能銀行業(yè)200-340(3-5%)9-15%舊代碼轉(zhuǎn)換使用自然語言翻譯功能優(yōu)化舊框架的遷移客戶緊急交互式語音響應(yīng)(IVR)技術(shù)部分自動化以加速和提高客戶緊急情況的解決率IVR相互作信用卡丟失）定制化零售銀行業(yè)務(wù)基于客戶畫像和交易歷史，為銀行的每個(gè)客戶量身定制的個(gè)性化營銷和銷售內(nèi)容，并為A/B測試生成替代方案風(fēng)險(xiǎn)模型文檔創(chuàng)建模型文檔，并檢查確實(shí)的文檔和相關(guān)法規(guī)更新零400-660(1-2%)27-44%消費(fèi)者研究通過測試場景加速消費(fèi)者研究進(jìn)程，并通過創(chuàng)建用于訓(xùn)練的“合成客戶”形象來增強(qiáng)客戶定位增強(qiáng)現(xiàn)實(shí)輔助客戶支持快速實(shí)時(shí)通知員工產(chǎn)品狀態(tài)和消費(fèi)者偏好協(xié)助撰寫營銷加快營銷內(nèi)容和廣告腳本的文案編寫采購供應(yīng)商流程改進(jìn)準(zhǔn)備與供應(yīng)商的談判草案科學(xué)60-110(3-5%)15-25%研究和藥物發(fā)現(xiàn)加快選出最適合作為新藥配方候選者的蛋白質(zhì)和分子客戶文檔生成起草藥品說明書和藥品轉(zhuǎn)售風(fēng)險(xiǎn)通知為商業(yè)代表生成內(nèi)容準(zhǔn)備與醫(yī)生互動的腳本合約生成起草包括具體監(jiān)管要求的法律文件草案資料來源：麥肯錫分析創(chuàng)造4,000億至6,600億美元的價(jià)值，價(jià)值潛力占行業(yè)總收入的圖6:科技能力，科技可實(shí)現(xiàn)的人類表現(xiàn)水平生成式AI發(fā)展后估計(jì)（2023年）生成人AI之前估計(jì)（2017）中位數(shù)中位數(shù)前四分位數(shù)前四分位數(shù)表示專家估計(jì)的范圍20102020203020402050206020702080多方協(xié)調(diào)創(chuàng)造力邏輯推理和解決表達(dá)和演講生成新穎的模式和類別感官認(rèn)知社交和情感表達(dá)社會和情感推理社會和情感感知資料來源：麥肯錫分析圖7:生成式人工智能的出現(xiàn)推動了技術(shù)自動化的潛力按不同預(yù)估劃分的技術(shù)自動化潛力，%活動耗費(fèi)2023202320202030204020502060激進(jìn)預(yù)估（結(jié)合GenAI）激進(jìn)預(yù)估（2017）保守預(yù)估（2017）資料來源：麥肯錫分析2.0%4.21圖8：效率提升：GenAI將影響各個(gè)職能部門，對營銷、客戶運(yùn)營和工程的影響最大總體價(jià)值(萬億總體價(jià)值(萬億美元)(%營與銷售客戶運(yùn)營產(chǎn)品與研軟件工程供應(yīng)鏈運(yùn)風(fēng)險(xiǎn)與法律與財(cái)人才與組影音娛樂~0.1~0.12.6%實(shí)時(shí)供應(yīng)實(shí)時(shí)供應(yīng)商風(fēng)險(xiǎn)評估軟件技術(shù)0.2-0.50.2-0.54.9%-4.9%-9.3%編碼副編碼副候選人尖叫銀行和保險(xiǎn)0.4-0.60.4-0.62.9%生成客戶生成客戶反饋產(chǎn)品生成產(chǎn)品生成和舊代碼更新戶服務(wù)職位描述起草零售0.4-0.4-0.72%超個(gè)性化超個(gè)性化0.2-0.2-0.33.2%療保健支持服務(wù)教育0.1-0.20.1-0.22.1%-2.1%-4%生命科學(xué)&農(nóng)業(yè)0.2-0.2-0.30.9%-0.9%-公共部門~0.1~0.10.6%-0.6%-0.9%~0.1~0.12.2%-2.2%-3.7%運(yùn)輸、物流&旅游0.2-0.2-0.30.9%-0.9%-制造業(yè)0.4-0.4-0.60.9%-0.9%-3D3D數(shù)字模型，產(chǎn)品設(shè)計(jì)3D3D數(shù)字模型，產(chǎn)品設(shè)計(jì)供應(yīng)鏈價(jià)供應(yīng)鏈價(jià)格重新談判銷售合同銷售合同創(chuàng)建者發(fā)票異常發(fā)票異常檢測器助手金屬&采礦0.1-0.1-0.20.7%-0.7%-材料發(fā)現(xiàn)材料發(fā)現(xiàn)異常檢測異常檢測環(huán)境~0.2~0.20.6%-0.6%-0.9%資料來源：麥肯錫分析應(yīng)用專業(yè)知識決策、規(guī)劃和創(chuàng)造作90.5管理和培養(yǎng)人才與利益相關(guān)方互動處理數(shù)據(jù)收集數(shù)據(jù)在不可預(yù)知的環(huán)境中進(jìn)行體力工作體在可預(yù)知的環(huán)境中進(jìn)行體力工作應(yīng)用專業(yè)知識決策、規(guī)劃和創(chuàng)造作90.5管理和培養(yǎng)人才與利益相關(guān)方互動處理數(shù)據(jù)收集數(shù)據(jù)在不可預(yù)知的環(huán)境中進(jìn)行體力工作體在可預(yù)知的環(huán)境中進(jìn)行體力工作圖9:GenAI可對協(xié)作和專識應(yīng)用類任務(wù)等早先自動化潛力較低的領(lǐng)域產(chǎn)生最大影響使用GenAI不使用GenAI1任務(wù)分類58.558.524.549.045.024.073.079.068.046.045.573.072.5注：由于四舍五入，數(shù)字可能不能加總資料來源：麥肯錫全球研究院分析 54 62 54 62325728 6539 532866 4427 43295745 3829 4334 8273 7870 4942 67616359 5349 6351圖10:GenAI帶動的技術(shù)進(jìn)步將加速教育、科研、創(chuàng)意等職業(yè)轉(zhuǎn)型考慮GenAI不考慮GenAI全球就業(yè)職業(yè)分類技術(shù)自動化潛力在中點(diǎn)場景的對比,%,2023人口份額,%教育與培訓(xùn)教育與培訓(xùn)4商業(yè)和法律專業(yè)人士5科研專業(yè)人士3社區(qū)服務(wù)3創(chuàng)意與藝術(shù)1行政支持879管理3醫(yī)療健康專業(yè)人士2客服和銷售10物業(yè)維修4健康助手及技術(shù)人員3生產(chǎn)工作12食品5交通服務(wù)3機(jī)械安裝和維修4農(nóng)業(yè)21建筑7注：由于四舍五入，數(shù)字可能不能加總包括來自47個(gè)國家的數(shù)據(jù)，約占全球就業(yè)人數(shù)的80%資料來源：麥肯錫全球研究院分析圖11:產(chǎn)品創(chuàng)新：我們預(yù)計(jì)軟件和技術(shù)以及媒體和娛樂領(lǐng)域的影響最大產(chǎn)品創(chuàng)新領(lǐng)域沖擊低高場景虛擬任務(wù)客戶互動對話超個(gè)多媒體產(chǎn)品輔助數(shù)據(jù)價(jià)值編碼生成建模界面性化生產(chǎn)設(shè)計(jì)總體價(jià)值影音娛樂測試到圖測試到圖所有媒體個(gè)所有媒體個(gè)性化生成新內(nèi)容生成新內(nèi)容軟件技術(shù)開發(fā)人員工作效率生成整個(gè)生成整個(gè)提高可用性提高可用性完整的設(shè)計(jì)銀行業(yè)&保險(xiǎn)更新舊代碼客戶數(shù)據(jù)的客戶數(shù)據(jù)的和審計(jì)重新定義的重新定義的客戶體驗(yàn)零售消費(fèi)品聚合器購物聚合器購物個(gè)性化營銷個(gè)性化營銷新設(shè)計(jì)健康從舊平臺模擬臨床模擬臨床試驗(yàn)患者病史患者病史患者治療患者治療虛擬私人虛擬私人個(gè)性化治療個(gè)性化治療教育代碼學(xué)習(xí)學(xué)習(xí)材料學(xué)習(xí)材料個(gè)人學(xué)習(xí)個(gè)人學(xué)習(xí)材料新的學(xué)習(xí)新的學(xué)習(xí)生命科學(xué)&農(nóng)業(yè)合成健康合成健康數(shù)據(jù)藥物發(fā)現(xiàn)藥物發(fā)現(xiàn)蛋白質(zhì)、基公共服務(wù)城市規(guī)劃和城市規(guī)劃和政策制定來自媒體和來自媒體和公眾反饋的案例管理，案例管理，任務(wù)自動化市民信息市民信息助理學(xué)習(xí)與發(fā)展學(xué)習(xí)與發(fā)展符合符合GDPR的客戶數(shù)據(jù)使用生成式角色生成式角色扮演協(xié)議運(yùn)輸、物流&旅游改進(jìn)自動駕改進(jìn)自動駕駛模式需求預(yù)測需求預(yù)測制造業(yè)評估設(shè)計(jì)的評估設(shè)計(jì)的影響設(shè)計(jì)協(xié)助金屬&礦業(yè)確定運(yùn)營確定運(yùn)營瓶頸虛擬挖礦虛擬挖礦指南能源&環(huán)境基礎(chǔ)設(shè)施基礎(chǔ)設(shè)施監(jiān)控?cái)?shù)據(jù)1.每個(gè)行業(yè)都包含行業(yè)特定的軟件2.與行業(yè)無關(guān)的軟件3.包括航空航天和國防、汽車和裝配、化學(xué)品、半導(dǎo)體、基礎(chǔ)材料4.包括石油和天然氣、電力資料來源：麥肯錫分析競爭格局的變化主要競爭壁壘價(jià)值競爭格局的變化主要競爭壁壘價(jià)值圖12:競爭變化：我們預(yù)計(jì)對轉(zhuǎn)換成本、專有內(nèi)容和成本優(yōu)勢的影響最大基因人工智能的影響壁壘強(qiáng)度客戶切換去中介化低成牌知作集領(lǐng)專知高險(xiǎn)境戶絡(luò)應(yīng)用網(wǎng)效數(shù)據(jù)監(jiān)管監(jiān)管總體價(jià)值媒體與娛樂定制媒體行業(yè)媒體生成媒體生成的商品化能為主要軟件技術(shù)一站式服務(wù)對話式對話式現(xiàn)成本載入和遷載入和遷移速度降低銀行和保險(xiǎn)抵押貸款商品化給和保險(xiǎn)機(jī)價(jià)格帶來器人壓力零售消費(fèi)品易于創(chuàng)建易于創(chuàng)建產(chǎn)品能夠通過能夠通過聚合器進(jìn)行銷售定制醫(yī)療行業(yè)適應(yīng)當(dāng)?shù)剡m應(yīng)當(dāng)?shù)胤梢蠼逃龔V義教育模型生命科學(xué)&政府計(jì)劃農(nóng)業(yè)模型資格映射公共部門運(yùn)輸、物流和旅游制造業(yè)金屬&采礦能源&環(huán)境商品化商品化B2C產(chǎn)品原本已在自身系統(tǒng)內(nèi)嵌入人工智能能力的組織，也在積極探索圖1:各地區(qū)、行業(yè)和資歷級別的受訪者表示，他們已經(jīng)在使用生成式人工智能工具。沒有接觸過不知道在工作中經(jīng)常使用在工作之外經(jīng)常使用在工作中和工作之外經(jīng)常使用沒有接觸過不知道按辦公地點(diǎn)亞太4181936發(fā)展中市場歐洲大中華區(qū)北美34233454638按行業(yè)先進(jìn)制造業(yè)商業(yè)、法律和專業(yè)服務(wù)消費(fèi)品/零售能源和材料金融服務(wù)健康、制藥和醫(yī)療產(chǎn)品科技、媒體和電信47412124026450414437按職位企業(yè)領(lǐng)導(dǎo)高級管理層中級管理層424235按年齡1964年或更早出生出生于1965-1980年出生于1981-1996年30375222436按性別男性37備注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。亞太地區(qū)受訪人數(shù)=164；歐洲=515；北美=392；大中華區(qū)（包括香港和臺灣）=337；發(fā)展中市場（包括印度、拉丁美洲、中東和北非）=276。先進(jìn)制造業(yè)（包括汽車和裝配、航空航天和國防、先進(jìn)電子和半導(dǎo)體）受訪人數(shù)=96；商業(yè)、法律和專業(yè)服務(wù)=215；消費(fèi)品和零售業(yè)=128；能源和材料=96；金融服務(wù)=248；健康、制藥和醫(yī)療產(chǎn)品=130；科技、媒體和電信=244。企業(yè)領(lǐng)導(dǎo)受訪人數(shù)=541；高級管理層=437；中層管理層=339。1964年或更早出生的受訪者人數(shù)=143；1965年-1980年出生的受訪者=268；1981年-1996年出生的受訪者=80。不是所有受訪者都提供了年齡信息。男性受訪者人數(shù)=1025；女性受訪者人數(shù)=156。調(diào)查樣本還包括選擇“非二元性別”或“其他”的受訪者，但數(shù)量不多，不具有統(tǒng)計(jì)意義。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行圖2:生成式AI工具最常見的用途是營銷和銷售、產(chǎn)品服務(wù)開發(fā)以及服務(wù)運(yùn)營。表示其組織在相應(yīng)職能中經(jīng)常使用GenAI的受訪者占比（%）1營銷與產(chǎn)品和/服務(wù)戰(zhàn)略與供應(yīng)鏈銷售或服務(wù)開發(fā)運(yùn)營風(fēng)險(xiǎn)資金管理HR管理制造營銷和銷售產(chǎn)品和/或服務(wù)開發(fā)服務(wù)運(yùn)營起草文本初稿識別客戶需求趨勢采用聊天機(jī)器人（如用于客戶服務(wù)）997766個(gè)性化營銷起草技術(shù)文件預(yù)測服務(wù)趨勢或異常情況885555總結(jié)文本文檔設(shè)計(jì)新產(chǎn)品起草文件初稿8844551.問題僅針對表示其企業(yè)已至少在一個(gè)職能中采納人工智能技術(shù)的受訪者。顯示數(shù)據(jù)已經(jīng)過調(diào)整，以代表所有受訪者。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行AlexSingla根據(jù)調(diào)查，幾乎沒有企業(yè)已為GenAI的AlexanderSukharevsky565338462545565338462545283939202928 1企業(yè)認(rèn)為重要且正在著手解決的生成式AI相關(guān)風(fēng)險(xiǎn)，不準(zhǔn)確網(wǎng)絡(luò)安全不準(zhǔn)確網(wǎng)絡(luò)安全監(jiān)管合規(guī)可解釋性個(gè)人隱私取代人工公平公正組織聲譽(yù)國家安全人身安全環(huán)境影響政治穩(wěn)定以上都不是1.僅對表示其所在企業(yè)已在至少一個(gè)職能采納AI技術(shù)的受訪者提問。上述兩組受訪者人數(shù)均為913。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行圖4:來自人工智能高績效企業(yè)的受訪者將降本視為生成AI領(lǐng)先公司的核心業(yè)務(wù)創(chuàng)造新業(yè)務(wù)和/或收入來源增加核心業(yè)務(wù)收入通過嵌入AI功升產(chǎn)品/服務(wù)價(jià)值所有其他備注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。1.僅對表示其所在企業(yè)已至少在一個(gè)職能采納AI技術(shù)的受訪者提問。2.表示其組織2022年至少有20%的息稅前利潤源自AI應(yīng)用的受訪者。人工智能高績效企業(yè)受訪者人數(shù)=45；所有其他受訪者人數(shù)=712。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行其他數(shù)據(jù)技術(shù)應(yīng)用與推廣人才模型和工具其他數(shù)據(jù)技術(shù)應(yīng)用與推廣人才模型和工具圖5:模型和工具是領(lǐng)先企業(yè)面臨的最大AI挑戰(zhàn)，其他企業(yè)則更多被戰(zhàn)略難題所困。在受訪者中占比（%）1AI高績效企業(yè) 1所有其他22466注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。1.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者。2.表示其組織2022年至少有20%的息稅前利潤源自AI應(yīng)用的受訪者。AI高績效企業(yè)受訪者人數(shù)=49；其他受訪者人數(shù)=792。資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行BryceHall圖6:人工智能相關(guān)崗位招聘仍然很難，不過受訪者反映許多崗位的招聘難度在2022年后有所下降。020222023難度較低難度較高020406080100機(jī)器學(xué)習(xí)工程師。AI數(shù)據(jù)科學(xué)家a0轉(zhuǎn)譯員。AI產(chǎn)品負(fù)責(zé)人或經(jīng)理數(shù)據(jù)架構(gòu)師。提示工程師2軟件工程師。數(shù)據(jù)工程師。設(shè)計(jì)專家。數(shù)據(jù)可視化專家●01.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)、且過去12個(gè)月招聘相關(guān)崗位的受訪者。未展示回復(fù)“簡單”、“不簡單也不難”或“不知道”的受訪者。2.2022年未詢問受訪者。資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行產(chǎn)品和/或服務(wù)開發(fā)風(fēng)險(xiǎn)戰(zhàn)略與企業(yè)資金管理融產(chǎn)品和/或服務(wù)開發(fā)風(fēng)險(xiǎn)戰(zhàn)略與企業(yè)資金管理融營銷與銷售供應(yīng)鏈管理服務(wù)運(yùn)營受訪者占比（%）1員工數(shù)量變化增加20%以上3增加11%~20%4增加3%~10%8變化很小或沒有變化（變化幅度不超過2%）30減少3%~10%25減少11%~20%10減少20%以上8不知道>20%≤5%88注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%1.僅對表示其所在企業(yè)已至少在一個(gè)職能采納AI技術(shù)的受訪者提問，受訪者人數(shù)=913資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行圖8:服務(wù)運(yùn)營是唯一一個(gè)大多數(shù)受訪者都認(rèn)為會因生成未來3年生成式AI對員工數(shù)量的影響，按業(yè)務(wù)職能劃分，受訪者占比（%）1下降變化很小或沒有變化增加不知道303035202028254041459注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%1.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行圖9:來自AI領(lǐng)先公司的受訪者所預(yù)計(jì)的企業(yè)重塑員工技預(yù)計(jì)應(yīng)用人工智能后公司未來3年需要重塑技能的員工比例，受訪者占比（%）1來自AI領(lǐng)先公司的受訪者221-30%9所有其他受訪者 9不知道 1.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者2.表示其組織2022年至少有20%的息稅前利潤源自AI應(yīng)用的受訪者。來自AI領(lǐng)先企業(yè)的受訪者人數(shù)=50；所有其他受訪者人數(shù)=863資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行圖10:不足1/3的受訪者表示，所在企業(yè)已經(jīng)1個(gè)以上職能部門采用人工智能技術(shù)——該數(shù)字在2021年后幾乎沒有1個(gè)或以上職能部門2個(gè)或以上職能部門3個(gè)或以上職能部門4個(gè)或以上職能部門5個(gè)或以上職能部門202120222023●20212022202396662021202220232021202220234232021202220231.In2021,n=1843;in2022,n=1492;in2023,n=1684資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行MichaelChui圖11:企業(yè)繼續(xù)在采用人工智能技術(shù)的職能部門看到長期2022年AI技術(shù)應(yīng)用的降本成效，受訪者占比（%）1人力資源營銷與銷售研發(fā)、產(chǎn)品或產(chǎn)品開發(fā)風(fēng)險(xiǎn)服務(wù)運(yùn)營戰(zhàn)略與企業(yè)資金管理供應(yīng)鏈管理所有職能的平均值≥20%10-19%<10%26440264414126444126444192644526445887572492442284422842022年AI用例落地后營收增加，受訪者占比（%）2人力資源營銷與銷售研發(fā)、產(chǎn)品或產(chǎn)品開發(fā)風(fēng)險(xiǎn)服務(wù)運(yùn)營戰(zhàn)略與企業(yè)資金管理供應(yīng)鏈管理所有職能的平均值>10%6-10%≤5%9988242433661.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者。不展示回答“成本上漲”、“無變化”、“不適用”或“不知道”的受訪者。2.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者。不展示回答“營收下降”、“無變化”、“不適用”或“不知道”的受訪者資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行22在ChatGPT推出后的幾個(gè)月里，主要大型語言模型（LL1111月30日OpenAI的ChatGPT（由2020年GPT-3版本的改進(jìn)版GPT-3.5驅(qū)動）成為第一個(gè)被廣泛使用的文本生成產(chǎn)品，在2個(gè)月內(nèi)收獲了創(chuàng)紀(jì)錄的1億用戶量12月26日谷歌的Med-PaLM等LLM針對臨床知識等特定用例和領(lǐng)域接受訓(xùn)練20232月24日Cohere發(fā)布首款支持100多種語言的LLM，可在其企業(yè)人工智能平臺使用3月14日Anthropic推出Claude，一款使用名為“合憲人工智能”方法訓(xùn)練的人工智能助理，旨在減少有害輸出概率3月16日微軟宣布將GPT-4整合到其Offce365套件中，或有助于廣泛提升工作效率20233月21日谷歌發(fā)布基于LLM的人工智能聊天機(jī)器人Bard4月13日亞馬遜發(fā)布Bedrock，這是第一款有完全管理的服務(wù)，除了亞馬遜自己的TitanLLMs，還可以通過API使用多個(gè)供應(yīng)商（例如Anthropic）的模型2月2日亞馬遜的多模態(tài)-CoT模型包含了“思維鏈提示”，模型可解釋其推理，且在多個(gè)基準(zhǔn)上優(yōu)于GPT-3.5LLaMA比其他一些模型更具使用效率，且與其他模型相比，在一些任務(wù)上持續(xù)表現(xiàn)良好2月27日微軟推出Kosmos-1，一款多模態(tài)LLM，除了自然語言外，還能對圖像和音頻提示做出回應(yīng)3月13日OpenAI發(fā)布GPT-4，在準(zhǔn)確性和減少幻覺方面有明顯改進(jìn)，聲稱與GPT-3.5相比有40%的提升3月7日Salesforce發(fā)布EinsteinGPT（利用OpenAI的模型），這是第一款用于客戶關(guān)系管理的生成性AI技術(shù)3月30日彭博宣布以金融數(shù)據(jù)訓(xùn)練然語言任務(wù)12月12日2022資料來源：麥肯錫分析 服務(wù)圍繞如何利用生成式AI（如，訓(xùn)練、反饋和強(qiáng)化學(xué)習(xí)）的專業(yè)知識而提供的服務(wù)應(yīng)用使用基礎(chǔ)模型的B2B或B2C產(chǎn)品，基本直接使用或根據(jù)特定用例進(jìn)行微調(diào)模型中心和MLOps管護(hù)、托管、微調(diào)或管理基礎(chǔ)模型的工具（例如，應(yīng)用程序和基礎(chǔ)模型之間的虛擬門面）基礎(chǔ)模型用于建立生成式AI應(yīng)用的核心模型提供計(jì)算機(jī)硬件訪問的平臺為訓(xùn)練和運(yùn)行模型而優(yōu)化的加速器芯片（例如，圖形處理器GPU）資料來源：麥肯錫分析2。 圖3:生成式人工智能對組織的要求從低到高不等，具體取決于用例此不需要專此不需要專有數(shù)據(jù)不太需要技術(shù)人才——可能負(fù)責(zé)選擇合適的解決方案和輕度的整合工作許多SaaS工1具提供固定服務(wù)，每名用戶每月10至30美元；一些產(chǎn)品則按使用情況務(wù)S)工具111流程基本保持不變，但工作人員應(yīng)系統(tǒng)地檢查模型結(jié)果的準(zhǔn)確性和適當(dāng)性1113221此不需要專有數(shù)據(jù)模型3221此不需要專有數(shù)據(jù)模型API構(gòu)建軟件層需要前期投資開發(fā)用戶界面、整合解決方案并建立后處理層發(fā)、產(chǎn)品管理和數(shù)據(jù)庫集成能力，工程師、設(shè)計(jì)師和前端工程師、設(shè)計(jì)師和前端開發(fā)人員API使用和軟件維護(hù)的持續(xù)成本3對開標(biāo)記以及模行微本增加，初調(diào)始成本比基3對開標(biāo)記以及模行微本增加，初調(diào)始成本比基于API構(gòu)建高模型維護(hù)和云計(jì)算的持續(xù)成本更高4戶支持代表時(shí)間進(jìn)行更有價(jià)值的工帶標(biāo)簽的數(shù)據(jù)集以微調(diào)模型，盡管在某些情況下該數(shù)據(jù)及可能相對較小經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)和工程團(tuán)器學(xué)習(xí)運(yùn)營（MLOps）可以檢查或創(chuàng)建所需的標(biāo)簽數(shù)據(jù)基礎(chǔ)模型可以通過大量公開數(shù)據(jù)訓(xùn)練，但長期的差異性優(yōu)勢來自于增基礎(chǔ)模型可以通過大量公開數(shù)據(jù)訓(xùn)練，但長期的差異性優(yōu)勢來自于增加自有的標(biāo)記或未標(biāo)記數(shù)據(jù)（更易于收集）據(jù)科學(xué)和工程團(tuán)隊(duì)，具加快研究者識別相關(guān)細(xì)胞特征的速度，助力藥物有流程，64訓(xùn)練礎(chǔ)設(shè)施成本模型本比基于訓(xùn)練礎(chǔ)設(shè)施成本模型本比基于API構(gòu)建高出約模型維護(hù)和云計(jì)算的持續(xù)成本與上MLOps最佳實(shí)踐以及數(shù)據(jù)和基礎(chǔ)設(shè)施管理技能底的法律審查，以防止發(fā)生知識產(chǎn)權(quán)問題資料來源：麥肯錫分析1231231tt協(xié)助患者診斷過培訓(xùn)的基礎(chǔ)協(xié)助患者診斷過培訓(xùn)的基礎(chǔ)?500萬到2億美元，一次性，除非模型經(jīng)過微調(diào)或重新訓(xùn)練─模型開發(fā)：~50萬美元。成本包括4名數(shù)據(jù)科學(xué)家花費(fèi)3到4個(gè)月的時(shí)間利用現(xiàn)有研究進(jìn)行模型設(shè)計(jì)、開發(fā)和評估─數(shù)據(jù)和模型管道：~50萬到100萬美元。成本包括6到8名機(jī)器學(xué)習(xí)和數(shù)據(jù)工程師工作~12周來收集數(shù)據(jù)并執(zhí)行數(shù)據(jù)─模型訓(xùn)練?：每次訓(xùn)練運(yùn)行~400萬美元到2億美元。成本包括4到6名數(shù)據(jù)科學(xué)家工作3到6個(gè)月的計(jì)算和人工成本─插件層建筑：~100萬到300萬美元。費(fèi)用包括一個(gè)6到8人的團(tuán)隊(duì)，工作6到12個(gè)月?~100萬至500萬美元，每年重復(fù)性費(fèi)用─模型推斷：~10萬到100萬美元每年每1,000個(gè)用戶假設(shè)每位醫(yī)生每天看20到25名患者，患者每次就診6到25分鐘─模型維護(hù)：~每年重復(fù)100萬美元到400萬美元。假設(shè)MLOps平臺每年花費(fèi)250,000美元4和3到5名機(jī)器學(xué)習(xí)工程師來監(jiān)視模型性能─插件層維護(hù)：每年~30萬美元，占開發(fā)成本10%圖1:每種模式都有對應(yīng)的成本，需要技術(shù)領(lǐng)導(dǎo)斟酌取用者(Taker)?面向軟件開發(fā)?人員的現(xiàn)成編碼助手?通用的客戶服務(wù)聊天機(jī)器人，僅具有提示工?程和文本聊天~50萬至200萬美元，一次性費(fèi)用─現(xiàn)成的編碼助手：~50萬美元用于集成。費(fèi)用包括一個(gè)6人的團(tuán)隊(duì)工作3到4個(gè)月─通用的客服聊天機(jī)器人：~200萬美元用于在第三方模型API之上構(gòu)建插件層。費(fèi)用包括一個(gè)8人團(tuán)隊(duì)工作9個(gè)月~50萬美元每年，重復(fù)性費(fèi)用─模型推斷：現(xiàn)成的編碼助手：每年~20萬美元，每日1，000個(gè)用通用的客服聊天機(jī)器人：~每年20萬美元，假設(shè)每天1,000個(gè)客戶聊天和每次聊天10,000個(gè)代幣─插件層維護(hù)：每年~20萬美元，假設(shè)開發(fā)成本的10%(Shaper)?根據(jù)特定行業(yè)?知識和聊天記錄進(jìn)行微調(diào)的客服聊天機(jī)器人?~200萬到1000萬美元，一次性費(fèi)用，除非模型需進(jìn)一步微調(diào)─數(shù)據(jù)和模型管道構(gòu)建：~50萬美元。成本包括5到6名機(jī)器學(xué)習(xí)工程師和數(shù)據(jù)工程師，他們工作16到20周，收集和標(biāo)記數(shù)據(jù)并執(zhí)行數(shù)據(jù)ETL1─模型微調(diào)2：~每次訓(xùn)練運(yùn)行10萬到600萬美元3─低成本情景：成本包括計(jì)算（例如算力），和2名數(shù)據(jù)科學(xué)家工作2個(gè)月的成本─高成本情景：基于公共閉源模型的計(jì)算和微調(diào)成本─插件層構(gòu)建：~100萬美元到300萬美元，成本包括一個(gè)6到8人的團(tuán)隊(duì)工作6到12個(gè)月~50萬美元每年，重復(fù)性費(fèi)用─模型推理：每年重復(fù)性，~50萬美元。假設(shè)每天有1,000次音頻和文本聊天─插件層維護(hù)：~50萬美元。假設(shè)MLOps平臺每年花費(fèi)100,000到250,000美元4，1名機(jī)器學(xué)習(xí)工程師花費(fèi)50%到100%的時(shí)間監(jiān)視模型性能─插件層維護(hù)：每年~30萬美元，占開發(fā)成本10%創(chuàng)造者創(chuàng)造者(Maker)1Extract,transform,andload(ETL),即提取、轉(zhuǎn)換和加載2模型在由~100,000頁行業(yè)特定文檔和來自~1，000個(gè)客戶代表的5年聊天記錄（~480億個(gè)代幣）組成的數(shù)據(jù)集上進(jìn)行微調(diào)。較低的終端成本包括在開源模型（例如LLaMA）上重新訓(xùn)練的1%參數(shù)和閉源模型的上限參數(shù)。聊天機(jī)器人可以通過文本和音頻訪問3每次訓(xùn)練運(yùn)行后，都會根據(jù)超參數(shù)、數(shù)據(jù)集和模型架構(gòu)的使用對模型進(jìn)行優(yōu)化。模型可以在需要時(shí)定期刷新（例如，使用新數(shù)據(jù)）4GiladShaham,“BuildorbuyyourMLOpsplatform:Mainconsiderations,”LinkedIn,2021/11/35模型在650億到1萬億個(gè)參數(shù)和1.2到2.4萬億個(gè)代幣的數(shù)據(jù)集上進(jìn)行訓(xùn)練。該工具可以通過文本和音頻訪問資料來源：麥肯錫分析客戶查看方案客戶要求人工坐席服務(wù)客戶完成預(yù)訂變更后下線聊天機(jī)器人傳遞信息和方案聊天機(jī)器人回應(yīng)坐席輸入新的解決方案，供模型審核/反饋人工坐席接手，提供新的解決方案聊天機(jī)器人呼叫客服選擇方案模型解釋問題，并給出替代方案模型指示預(yù)訂系統(tǒng)完成任務(wù)模型檢查發(fā)現(xiàn)客戶無法更改客戶查看方案客戶要求人工坐席服務(wù)客戶完成預(yù)訂變更后下線聊天機(jī)器人傳遞信息和方案聊天機(jī)器人回應(yīng)坐席輸入新的解決方案，供模型審核/反饋人工坐席接手，提供新的解決方案聊天機(jī)器人呼叫客服選擇方案模型解釋問題，并給出替代方案模型指示預(yù)訂系統(tǒng)完成任務(wù)模型檢查發(fā)現(xiàn)客戶無法更改模型指示客戶支持系統(tǒng)指派坐席預(yù)訂變更政策管理預(yù)訂工作流管理人工坐席指派工作流管理圖2:在關(guān)鍵觸點(diǎn)集成生成式AI，實(shí)現(xiàn)客戶旅程的量身旅行社客服機(jī)器人的客戶旅程示例API調(diào)用客戶AI模型后端app數(shù)據(jù)源基礎(chǔ)設(shè)客戶登錄并要求客戶登錄并要求更改預(yù)訂不接受激活聊天激活聊天機(jī)器人模型接收模型接收并在提示中提取用戶信息登錄驗(yàn)證、登錄驗(yàn)證、模型/客戶信息訪問授權(quán)代理指派代理指派數(shù)據(jù)預(yù)訂系統(tǒng)數(shù)據(jù)客戶歷史數(shù)據(jù)客戶ID數(shù)據(jù)政策數(shù)據(jù)云云/本地基礎(chǔ)設(shè)施和計(jì)算資料來源：麥肯錫分析包含基礎(chǔ)模型的應(yīng)用程序即服務(wù)以SaaS1形式Midjourney）通過瀏覽器界面訪問包含基礎(chǔ)模型的應(yīng)用程序即服務(wù)以SaaS1形式Midjourney）通過瀏覽器界面訪問面向最終用戶的應(yīng)用程序和基礎(chǔ)模型生成式AI技術(shù)棧示例App模型數(shù)據(jù)工具化基礎(chǔ)設(shè)施數(shù)據(jù)源體驗(yàn)層體驗(yàn)層分析數(shù)API網(wǎng)關(guān)API網(wǎng)關(guān)據(jù)、交易數(shù)據(jù)情境管理和緩存從企業(yè)數(shù)據(jù)源檢索用戶和任務(wù)語境，提示生成式AI模型，緩存常見請求模型倉庫讓用戶能夠共享模型和數(shù)據(jù)模型倉庫讓用戶能夠共享模型和數(shù)據(jù)Face）提示庫政策管理基于角數(shù)據(jù)問權(quán)限控制和平臺開放/封閉源代碼基礎(chǔ)基于內(nèi)矢量數(shù)數(shù)據(jù)倉庫、數(shù)據(jù)湖封閉源基礎(chǔ)模型基于API的預(yù)訓(xùn)練模型（如，GPT-4）模型可訪問的訓(xùn)練模型（如，BLOOM） MLOps平臺容的政策，確保企業(yè)數(shù)據(jù)資產(chǎn)安全企業(yè)現(xiàn)有平臺3,CRM4)質(zhì)量保證和可觀測性云或內(nèi)部基礎(chǔ)設(shè)施和計(jì)算硬件QA（質(zhì)量保證）模型輸出（例如，檢查偏向性）1.軟件即服務(wù)2.直接面向客戶3.企業(yè)資源規(guī)劃4.客戶關(guān)系管理.資料來源：麥肯錫分析專門針對訓(xùn)練和運(yùn)行模型而優(yōu)化的加速器芯片未來3-5年新的市場進(jìn)專門針對訓(xùn)練和運(yùn)行模型而優(yōu)化的加速器芯片未來3-5年新的市場進(jìn)入者機(jī)會,評級1-5圖1：GenAI價(jià)值鏈六大環(huán)節(jié)的差異化市場機(jī)會生成式生成式人工智能價(jià)值鏈服務(wù)圍繞如何利用生成式人工智能的專業(yè)知識提供服務(wù)（例如服務(wù)圍繞如何利用生成式人工智能的專業(yè)知識提供服務(wù)（例如培訓(xùn)、反饋和強(qiáng)化學(xué)習(xí)）提供訪問算力基礎(chǔ)設(shè)施的平臺驅(qū)動生成式人工智能應(yīng)用的核心模型微調(diào)或管理基礎(chǔ)模型的工具（例如，介于應(yīng)用程序和基礎(chǔ)模型之間的界B2B或B2C產(chǎn)品主要使用基礎(chǔ)模型或針對特定用例進(jìn)行微調(diào)資料來源:麥肯錫分析美國美國英國加拿大美國美國美國/法國美國美國美國美國美國美國美國美國美國通用大模型通用大模型通用大模型通用大模型基于云的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)平臺及工具機(jī)器學(xué)習(xí)平臺和數(shù)據(jù)標(biāo)注工具機(jī)器學(xué)習(xí)平臺和微調(diào)部署工具智能寫作助理智能個(gè)人助理商務(wù)交流和會議解決方案智能營銷和客戶服務(wù)企業(yè)流程自動化解決方案智能寫作助手圖像視頻編輯圖像視頻創(chuàng)作編輯客戶服務(wù)自動化和智能分析藥物領(lǐng)域蛋白質(zhì)分子設(shè)計(jì)美國美國英國加拿大美國美國美國/法國美國美國美國美國美國美國美國美國美國通用大模型通用大模型通用大模型通用大模型基于云的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)平臺及工具機(jī)器學(xué)習(xí)平臺和數(shù)據(jù)標(biāo)注工具機(jī)器學(xué)習(xí)平臺和微調(diào)部署工具智能寫作助理智能個(gè)人助理商務(wù)交流和會議解決方案智能營銷和客戶服務(wù)企業(yè)流程自動化解決方案智能寫作助手圖像視頻編輯圖像視頻創(chuàng)作編輯客戶服務(wù)自動化和智能分析藥物領(lǐng)域蛋白質(zhì)分子設(shè)計(jì)模礎(chǔ)255.1模心323.0MLOps價(jià)值鏈獨(dú)角獸企業(yè)核心產(chǎn)品國家企業(yè)估值，億美元 GPU 云端巨型加速器芯片云端加速器芯片云端加速器芯片云端加速器芯片邊緣端加速器芯片邊緣端加速器芯片云端訓(xùn)練和推理芯片云端和邊緣端推理芯片云端訓(xùn)練和推理芯片云端訓(xùn)練和推理芯片美國美國美國英國加拿大36.7 50.027.7 21.021.021.021.0數(shù)據(jù)云平臺專注于GPU算力的云平臺專注于GPU算力的云平臺美國美國美國20.0 45.637.561.636.5112.636.9 資料來源:Pitchbook（PE，VC及并購項(xiàng)目數(shù)據(jù)平臺）,麥肯錫研究GenAI價(jià)值鏈?zhǔn)袌鰴C(jī)會剖析：00240024圖3：全球數(shù)據(jù)中心GPU市場份額（%）數(shù)據(jù)中心用GPU市場份額，%202021222023Q1某全球領(lǐng)先的半導(dǎo)體行業(yè)和計(jì)算創(chuàng)新領(lǐng)域廠商某領(lǐng)先的微處理器與圖形處理器公司某全球頂尖的人工智能計(jì)算公司圖4：2023Q1全球云基礎(chǔ)設(shè)施服務(wù)市場競爭格局AmazonWebServices某全球領(lǐng)先的科技公司的云平臺某全球領(lǐng)先互聯(lián)網(wǎng)公司的公有云某全球領(lǐng)先的電子商務(wù)某領(lǐng)先的跨國科技公司及咨詢公司的云平臺某全球領(lǐng)先的信息管理軟件及服務(wù)供應(yīng)商國內(nèi)某頭部云服務(wù)廠商23%23%4%2%2% 32%2023Q1云市場規(guī)模達(dá)到4,500億人民幣資料來源:Statista某全球領(lǐng)先的科技公司某全球領(lǐng)先的AI研究實(shí)驗(yàn)室MetaLibreFold英國某全球化AI研究型企業(yè)CodeWhispererDeepcomposerBedrock/SageMakerAmazon/AWSApple某全球頂尖的GPU廠某企業(yè)級AI平臺獨(dú)角獸美國某AI初創(chuàng)公司美國某AI非某全球領(lǐng)先的科技公司某全球領(lǐng)先的AI研究實(shí)驗(yàn)室MetaLibreFold英國某全球化AI研究型企業(yè)CodeWhispererDeepcomposerBedrock/SageMakerAmazon/AWSApple某全球頂尖的GPU廠某企業(yè)級AI平臺獨(dú)角獸美國某AI初創(chuàng)公司美國某AI非營利性研究機(jī)構(gòu)圖5：海外GenAI大模型（按模態(tài)區(qū)分）的大模型開源非開源,可調(diào)用APIs2非公開PaaS3PaaS/MLOps視頻代碼PaaS/MLOps視頻代碼音頻/音樂文字3D/DNA序列AzureAI/AzureAI/AzureOpenAIOrca-13BPhi-1RODINDiffusionVALL-EGODIVAMoLeRGitHubGitHubCopilotDALL-E2JukeboxPoint-EGPT-4CodeCompCodeCompose/InCoderBuilderBotESMFoldMake-a-videoMake-a-sceneAudioGenLLaMA2某全球頂尖互聯(lián)網(wǎng)科技公司PaLM2ImagenMusicLMImagenVideoDreamFusionAlphaFold2PubSub/VertexAI/CloudRunStableStableStableLMDiffusion2DanceDiffusionTitanTitanGAUDIGAUDIMegaMoIBMegaMoIBARTMT-NLGEdifyEdifyEdifyFamilyFamilyofLLMsClaude2Claude2Jurrassic-2Jurrassic-2注意：產(chǎn)品列表僅供參考，并不代表麥肯錫公司的背書1.由GitHub和OpenAI開發(fā)2.基于LLaMA2構(gòu)建，供內(nèi)部使用LLaMA2獲取Python和其他語言的代碼建議3.從技術(shù)上講，此類別不是LLM，而是一種解決方案。平臺即服務(wù)（PaaS）是指第三方提供商向用戶提供硬件和軟件工具的云計(jì)算模型。機(jī)器學(xué)習(xí)操作（MLOps）在生產(chǎn)環(huán)境中可靠、高效地部署和維護(hù)機(jī)器學(xué)習(xí)模型4.Bedrock通過API提供對來自亞馬遜/AWS和知名AI初創(chuàng)公司的預(yù)訓(xùn)練基礎(chǔ)模型的訪問5.SageMaker是一項(xiàng)完全托管的服務(wù)，可幫助數(shù)據(jù)科學(xué)家和開發(fā)人員大規(guī)模構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型資料來源:麥肯錫分析圖6：模型中心和MLOps領(lǐng)域知名獨(dú)立廠商優(yōu)勢技術(shù)技術(shù)和GitHub優(yōu)勢使用方便且訓(xùn)練并行效率高：相比Megatron-LM僅需一半的計(jì)算資源優(yōu)勢使用方便且訓(xùn)練并行效率高：相比Megatron-LM僅需一半的計(jì)算資源即可復(fù)現(xiàn)GPT3支持一站式的分布式訓(xùn)練最少僅需微調(diào)0.01%的參數(shù)就能實(shí)現(xiàn)模型性能的提高支持實(shí)時(shí)反饋模型微調(diào)的表現(xiàn)，從而支持快速迭代微調(diào)實(shí)驗(yàn)非常適合需要多模型組合的場景,可以在Python代碼中構(gòu)建由多個(gè)ML模型和業(yè)務(wù)邏輯組成的復(fù)雜推斷服務(wù)集成了136種的外部數(shù)據(jù)源(Arxiv,Wiki)和工具庫(Qdrant)對模型生命周期管理進(jìn)行一站式管理 模型訓(xùn)分布式某大規(guī)模并在DeepSpeed的數(shù)據(jù)練和訓(xùn)練加行AI訓(xùn)練系并行、流水并行、一維30微調(diào)速框架統(tǒng)模型并行的基礎(chǔ)上，自30研了序列并行等技術(shù)，將原有的訓(xùn)練并行維度 從3維提高到5-6維 某聊天機(jī)器在多GPU/TPU訓(xùn)練場人廠商開發(fā)景中自動進(jìn)行硬件資源5的分布式訓(xùn)分配并優(yōu)化混合精度策5練工具略（如FP16和32同時(shí)集成了多種分布式 訓(xùn)練技術(shù)的python庫 訓(xùn)練微某聊天機(jī)器集成了各種微調(diào)技術(shù)調(diào)技術(shù)人廠商旗下（e.g.,LoRA,提示微7的參數(shù)高效調(diào)等）的python庫，能7微調(diào)工具節(jié)省微調(diào)內(nèi)存并提高微 調(diào)后模型性能 訓(xùn)練微某自動機(jī)器提供了可視化界面讓使調(diào)平臺學(xué)習(xí)的人工用者以零代碼的方式進(jìn)智能(AI)平2行大模型微調(diào)，集成了臺多種最新的微調(diào)技術(shù)（如LoRA和低精度 微調(diào)） 模型部署某機(jī)器學(xué)習(xí)通過Batchinference技部署服務(wù)分布式框架術(shù)并行化對輸入數(shù)據(jù)批26量推斷從而加速模型26推理 模型應(yīng)編排某基于語言將大模型連接到外部數(shù)用開發(fā)模型開發(fā)應(yīng)據(jù)源，并通過Agent的用程序的框49方式讓大模型與真實(shí)世架界進(jìn)行交互 模型管框架某全球領(lǐng)先支持大模型訓(xùn)練的表現(xiàn)理平臺的數(shù)據(jù)開發(fā)跟蹤、版本控制、部署&分析平臺15管理等資料來源:麥肯錫分析語言類應(yīng)用，例如聊天機(jī)器人等語音/音樂類應(yīng)用，例如文生音圖片類應(yīng)用，例如文生圖AA代碼類應(yīng)用，例如代碼生成視頻視頻類應(yīng)用，例如視頻換臉如3D對象生成、蛋白質(zhì)結(jié)構(gòu)生成等資料來源:麥肯錫分析換臉和臉部調(diào)整換臉和臉部調(diào)整圖8:GenAI應(yīng)用六大主要模態(tài)的典型用例模態(tài)應(yīng)用用例示例文本題、職位描述題、職位描述內(nèi)容創(chuàng)作件和帖子聊天機(jī)器人或助手提高網(wǎng)絡(luò)娛樂的轉(zhuǎn)化率搜索工具文件文件分析和綜合見解代碼速程序開發(fā)和提升質(zhì)量應(yīng)用原型和設(shè)計(jì)訓(xùn)練質(zhì)量庫存圖片生成器庫存圖片生成器體圖片音頻)文本生成語音文本生成語音聲音創(chuàng)作侵犯版權(quán)復(fù)錄制三維對象生成3D三維對象生成3D產(chǎn)品設(shè)計(jì)與發(fā)現(xiàn)產(chǎn)品設(shè)計(jì)與發(fā)現(xiàn)視頻的短視頻素材視頻創(chuàng)作視頻的短視頻素材視頻創(chuàng)作視頻編輯電子商務(wù)：為通用視頻添加個(gè)性化元素娛樂：縮短社交媒體的長視頻娛樂：后期制作去除背景圖像和背景噪音翻譯和語音視頻配音：使用Al語音或語音克?。簭?fù)刻演員聲音或調(diào)整原聲語音轉(zhuǎn)換新語言現(xiàn)場翻譯：用于公司會議、視頻會議改變效果年輕化、化妝、假發(fā)和修復(fù)“視覺”配音：快速編輯實(shí)現(xiàn)多語言發(fā)布資料來源:麥肯錫分析在文本生成模式上最成熟，代碼生成在國外應(yīng)用也較多非窮盡AsofQ12023x總計(jì)0家>10家Pre輪早期輪后期輪數(shù)量最多文字代碼內(nèi)容編輯聊天機(jī)器人及助手搜索分析與提煉代碼生成應(yīng)用程序原型和設(shè)計(jì)/數(shù)據(jù)集生成天使輪5533116644種子輪242466337755A輪8855334411B輪447700115566C輪227722003322D輪110000000000553312資料來源:Pitchbook（PE，VC及并購項(xiàng)目數(shù)據(jù)平臺）,Antler（新息平臺）,G（聚焦一級市場的數(shù)據(jù)平臺）序在文本生成模式上最成熟，代碼生成在國外應(yīng)用也非窮盡AsofQ12023音頻x總計(jì)>10視頻后期輪后期輪3D及其他文本語音生成/音頻編輯音頻生成庫存圖像生成器；輯器語音翻譯和調(diào)整/臉部交換和調(diào)整視頻生成視頻編輯3D對象生成&產(chǎn)品設(shè)計(jì)/發(fā)現(xiàn)天使輪22004422113333種子輪99448833A輪997788666655B輪33333311663311C輪00111100002200D輪000000000000113231資料來源:Pitchbook（PE，VC及并購項(xiàng)目數(shù)據(jù)平臺）息平臺）,G（聚焦一級市場的數(shù)據(jù)平臺）年將達(dá)到1.3萬億美元，2022~2035年全球市場規(guī)模增量主2022年全球GenAI市場整體收入為400億美元，預(yù)計(jì)202722圖1:2020~2032年全球生成式人工智能應(yīng)用規(guī)模2020-2032年全球生成式人工智能應(yīng)用規(guī)模，十億美元8006004002000234021730439954872889720202122232425262728293031203247428039921401224742803992140122 4圖2:2022`2032年全球生成式人工智能細(xì)分行業(yè)市場十億美元900800700600500400300200020222027E2032E硬件（訓(xùn)練側(cè)）硬件（推理側(cè)）軟件基于GenAI的游戲開支基于GenAI的廣告開支聚焦GenAI的IT開支基于GenAI的商業(yè)服務(wù)開支圖3:2020~2025年中國生成式人工智2020-2025年中國生成式人工智能應(yīng)用規(guī)模，億元2,5002,0005000+84.1%p.a.+84.1%p.a.2,0706633432020212223242025資料來源：《中國AI數(shù)字商業(yè)產(chǎn)業(yè)展望2021-2025》，前瞻產(chǎn)業(yè)研究院、中關(guān)村大數(shù)據(jù)產(chǎn)業(yè)聯(lián)盟聯(lián)合發(fā)布企業(yè)輪次融資時(shí)間產(chǎn)品類型百萬美金C輪某AI制藥公司210C輪某AI制藥公司210A輪某AI大模型公司209A輪某AI大模型公司209某GenAI與語音交某GenAI與語音交互為核心的AI公司某AI制藥公司某AI制藥公司C輪AI非結(jié)構(gòu)化數(shù)據(jù)C輪AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析軟件某AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析公司某大模型創(chuàng)業(yè)公司Pre-A輪2022.1AI大模型46AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析軟件AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析軟件2023.2 處理和分析公司某GenAI與語音交互為核心的AI公司C輪2023.3AI生成語音某AI制藥公司B輪2022.11AI制藥33 搜索技術(shù)的公司某AI和多模態(tài)通用A輪2021.1AI神經(jīng)搜索技術(shù)26搜索技術(shù)的公司資料來源:Pitchbook數(shù)據(jù)庫，數(shù)據(jù)截至2023年7月某云端AI計(jì)算平臺公司由推理切入訓(xùn)練某云端AI計(jì)算平臺公司由推理切入訓(xùn)練全球頂尖GPU廠商國內(nèi)頂尖GPU廠商公司名稱產(chǎn)品類型產(chǎn)品算力主頻制程某全球領(lǐng)先的GPU廠商訓(xùn)練+推理+A1001248TOPS某全球領(lǐng)先的GPU廠商整機(jī)H1003958TOPS/4nm某量產(chǎn)商業(yè)AI