計算機行業(yè)2024年市場前景及投資研究報告：大模型能力日新月異AI重塑各行各業(yè)

證券研究報告

|

2023年12月22日計算機2023年12月暨2024年度策略：大模型能力日新月異，AI將重塑各行各業(yè)行業(yè)研究

·

深度報告投資評級：超配（維持評級）報告摘要

AI大模型迭代迅速。大模型在參數(shù)量、訓(xùn)練數(shù)據(jù)量以及訓(xùn)練輪數(shù)方面均有提升，新一代多模態(tài)大模型如GPT-4V和Gemini拓展了大語言模型的能力邊界，展示出多樣化任務(wù)的處理能力。隨著基座模型的發(fā)展進入新階段，模型功能迭代和應(yīng)用生態(tài)構(gòu)建同步進行，GPTs等Agent平臺初步嘗試全民定制個人AI應(yīng)用，加速了使大語言模型成為“操作系統(tǒng)”的迭代。

全球AI算力市場快速增長，國產(chǎn)AI算力芯片迎來歷史機遇期。模型參數(shù)量+訓(xùn)練數(shù)據(jù)量大幅提升，以及AI應(yīng)用有望進入爆發(fā)式增長階段，拉動算力需求噴發(fā)。根據(jù)Gartner數(shù)據(jù)，2022年全球AI芯片市場規(guī)模為442.2億美金，預(yù)計2027年達到1194億美金，對應(yīng)22-27年CAGR為22.0%，市場規(guī)模快速增長。23年10月，美國收縮對華AI芯片出口，目前市場上主流AI芯片均在限制范圍之內(nèi)，國產(chǎn)AI算力芯片順勢超5萬片，僅占整個市場10%左右份額，

空間廣闊。。根據(jù)IDC數(shù)據(jù)，2023年上半年，中國本土AI芯片出貨

AI邊緣端有望率先落地，AI

PC和AI手機值得期待?；旌螦I架構(gòu)能夠在全球范圍帶來成本、能耗、性能、隱私、安全和個性化優(yōu)勢，是最優(yōu)的解決方案；大模型小型化以及邊緣側(cè)AI算力芯片的發(fā)展，為混合AI方案的實現(xiàn)奠定了基礎(chǔ)，AI

PC和AI手機將率先落地。

AI重塑各行業(yè)應(yīng)用，商業(yè)化落地已逐步兌現(xiàn)。自動駕駛領(lǐng)域，以特斯拉FSD

V12為代表，端到端模型再次推動奇點臨近。機器人領(lǐng)域，特斯拉和谷歌均已將大模型推向應(yīng)用，工業(yè)領(lǐng)域應(yīng)用加快。網(wǎng)絡(luò)安全領(lǐng)域，國內(nèi)外均將大模型引入安全運維，改變傳統(tǒng)人工服務(wù)模式。金融領(lǐng)域，同花順大模型探索已久，正打造金融大模型—問財HithinkGPT。教育領(lǐng)域，Duolingo

Max備受好評，佳發(fā)教育產(chǎn)品致力于將AI融入育人場景全過程、全要素場景。醫(yī)療領(lǐng)域，谷歌Med-PaLM

2成為行業(yè)標桿，潤達醫(yī)療與云等合作開展了積極探索。辦公領(lǐng)域，微軟多應(yīng)用實現(xiàn)Copilot落地，金山辦公WPS

AI已全線接入，定價模式可期。

投資建議：關(guān)注AI產(chǎn)業(yè)持續(xù)催化機會，重點關(guān)注在AI各領(lǐng)域積極尋求突破的公司，維持“超配”評級。AI大模型日新月異背景下，對人類工作和生活的改變將逐步顯現(xiàn)，我們?nèi)哉J為以AI為核心尋找投資機會是市場主線。在大模型側(cè)，重點關(guān)注科大訊飛，三六零；國產(chǎn)算力關(guān)注海光信息等；邊緣端重點關(guān)注AI

PC、AI

手機產(chǎn)業(yè)鏈；應(yīng)用端重點關(guān)注中科創(chuàng)達、寶信軟件、深信服、同花順、金山辦公等。

風(fēng)險提示：宏觀經(jīng)濟下行風(fēng)險；行業(yè)競爭加劇風(fēng)險；AI大模型和算力等產(chǎn)業(yè)發(fā)展不及預(yù)期；AI相關(guān)政策推進不及預(yù)期。目錄AI大模型：多模態(tài)方向延伸，視頻模型迎來發(fā)展元年AI算力：國產(chǎn)算力迎歷史機遇期0102AI邊緣側(cè)布局正當時，

AI

PC和手機值得期待AI重塑應(yīng)用百態(tài)，商業(yè)落地逐步兌現(xiàn)0304投資建議：看好AI產(chǎn)業(yè)持續(xù)催化，維持“超配”評級05AI大模型：人工智能發(fā)展的新一里程碑?

AI大模型為人工智能發(fā)展的新一里程碑。以1956年達萊茅斯會議為起點，人工智能的發(fā)展歷史可以歸納為四個階段，隨著互聯(lián)網(wǎng)、云技術(shù)的興起，人工智能逐步從符號主義向聯(lián)結(jié)主義演進，整體呈現(xiàn)出波浪式前進態(tài)勢。本輪人工智能由AI大模型推動，將迎來通用人工智能時代。????階段一（1956-1986年）：基于推理邏輯和規(guī)則匹配技術(shù)的符號主義為主；階段二（1987-2010年）：聯(lián)結(jié)主義復(fù)興、神經(jīng)網(wǎng)絡(luò)崛起以及深度學(xué)習(xí)算法突破；階段三（2011-2017年）：聯(lián)結(jié)主義為主，人工智能迎來深度學(xué)習(xí)的爆發(fā)期；階段四（2018年-至今）：大模型掀起第四次科技革命，迎來通用人工智能時代。AI大模型為人工智能發(fā)展的新一里程碑基于推理邏輯和規(guī)則匹配技術(shù)的符號主義為主聯(lián)結(jié)主義復(fù)興、神經(jīng)網(wǎng)絡(luò)崛起以及深度學(xué)習(xí)算法突破聯(lián)結(jié)主義為主，人工智能迎來深度學(xué)習(xí)的爆發(fā)期大模型掀起第四次科技革命，迎來通用人工智能時代1956年1987年2011年2018年

1956年：達萊茅斯學(xué)院會議，人工智能元年；

1987-1993年：人工智能第二次低谷期，專家系統(tǒng)進入寒冬，神經(jīng)網(wǎng)絡(luò)技術(shù)重新獲得重視；1994-2010年：人工智能第三次浪潮，機器學(xué)習(xí)、自然語言處理、計算機視覺、推理及知識表示、強化學(xué)習(xí)等在這一時期出現(xiàn)了很多新的算法和應(yīng)用。

2011-2017年：人工智能第四次浪潮，也是人工智能深度學(xué)習(xí)的爆發(fā)期，隨著計算機技術(shù)的發(fā)展，人工智能技術(shù)得到了快速的普及和提升；深度學(xué)習(xí)領(lǐng)域：神經(jīng)網(wǎng)絡(luò)等技術(shù)的發(fā)展使得機器能夠從海量的數(shù)據(jù)中自動提取特征和規(guī)律，并進行智能決策和推理；

2018年-至今：人工智能第五次浪潮，以人工智能大模型的提出和ChatGPT技術(shù)的突破為標志；大模型技術(shù)：具備了更高的水平的自然語言處理和生成能力，能夠從大量的數(shù)據(jù)中提取知識，并將其應(yīng)用于各種實際場所，為通用人工智能技術(shù)帶來希望和路徑；

1956-1974年：人工智能第一次浪潮，嘗試將人類思維方式和語言能力轉(zhuǎn)化為計算機程序，提出很多理論和方法；1974-1980年：人工智能第一次低谷期，投入下降；1980-1986年：人工智能第二次浪潮，專家系統(tǒng)發(fā)展迎來高潮，利用專家知識提高AI系統(tǒng)的準確性和效率。

深度學(xué)習(xí)算法突破：2006年杰弗里·辛頓提出深度學(xué)習(xí)概念，開啟了深度學(xué)習(xí)的熱潮。AI領(lǐng)域拓展：自然語言處理、圖像識別、語音識別、自動駕駛等；資料：田杰華，易歡歡著-《通用人工智能》-中譯出版社（2023）-P65、國信證券經(jīng)濟研究所整理AI大模型：發(fā)展趨勢-參數(shù)量、數(shù)據(jù)量、訓(xùn)練輪數(shù)提升?

AI大模型能力的提升主要有三條路徑：模型參數(shù)量的提升、訓(xùn)練數(shù)據(jù)量的提升以及訓(xùn)練輪數(shù)的提升。?

模型參數(shù)量的提升：以O(shè)penAI的GPT模型為例，第一代GPT模型GPT-1的參數(shù)量僅有1.17億，GPT-2參數(shù)量提升至15億，GPT-3參數(shù)量進一步提升至1750億，GPT-4的參數(shù)量應(yīng)該達到萬億級別；模型代際之間參數(shù)量呈現(xiàn)指數(shù)級增長，大模型能力亦隨模型參數(shù)量的增長而大幅提升；?

訓(xùn)練數(shù)據(jù)量的提升：1）語言模態(tài)訓(xùn)練數(shù)據(jù)量提升；2）多模態(tài)訓(xùn)練數(shù)據(jù)的加入：例如圖片、視頻等也作為訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)集大小大幅提升；?

訓(xùn)練輪數(shù)的提升：1）新模型：通過多輪訓(xùn)練，模型能力得到提升，但過多的訓(xùn)練亦會導(dǎo)致模型過擬合；2）已有模型：定期訓(xùn)練（每周、每月），對模型的能力和數(shù)據(jù)的時效性進行提升和更新。模型能力提升的路徑18-23年，模型參數(shù)量持續(xù)增長增大模型方法優(yōu)勢劣勢難度高可行性高（1）模型結(jié)構(gòu)需要基于先驗設(shè)計；增加模型參數(shù)

增加模型根本方法

（2）結(jié)構(gòu)與參數(shù)需要復(fù)雜設(shè)計過程；（3）參數(shù)提升、工程訓(xùn)練難度隨之提升；（1）增加數(shù)據(jù)是昂貴的行為；（2）數(shù)據(jù)增加訓(xùn)練數(shù)據(jù)能與模型解耦中低中低無法保證多樣性和均一性；增加訓(xùn)練輪數(shù)

充分利用模型容量過多訓(xùn)練導(dǎo)致模型過擬合；資料：智源研究院、國信證券經(jīng)濟研究所整理資料：中國人工智能協(xié)會、國信證券經(jīng)濟研究所整理AI大模型：多模態(tài)是大模型的未來?

多模態(tài)模型是指將不同類型的數(shù)據(jù)（例如圖像、文字、視頻、語音等）結(jié)合起來進行分析處理的模型。其通過不同數(shù)據(jù)類型的相互關(guān)聯(lián)和結(jié)合，可以大幅提高模型的準確性和魯棒性，應(yīng)用場景進一步拓展。其次，多模態(tài)更接近人類學(xué)習(xí)的模式，在物理世界中，人類認知一個事物并不是通過單一模態(tài)，例如認知一只寵物，可以從視覺（寵物形貌）、聽覺（寵物叫聲）、嗅覺（寵物體味）、觸覺（寵物毛發(fā)、寵物體溫等）等多模態(tài)全面立體認知，是未來人工智能的發(fā)展方向。?

多模態(tài)大模型分類：單塔結(jié)構(gòu)和雙塔結(jié)構(gòu)。1）單塔結(jié)構(gòu)：只利用一個深度神經(jīng)網(wǎng)絡(luò)來完成圖像和文本之間的交互融合，本質(zhì)上屬于信息前融合方案；2）雙塔結(jié)構(gòu)：利用不同的神經(jīng)網(wǎng)絡(luò)來完成不同模態(tài)的信息抽取，然后僅在最后一層做信息交互和融合，屬于信息后融合方案，具有模型獨立性強，訓(xùn)練效率高等優(yōu)勢。?

頭部廠商發(fā)力多模態(tài)大模型，看好多模態(tài)多模型未來。2023年下半年，多模態(tài)大模型發(fā)布頻率加快，OpenAI率先發(fā)布GPT-4V，隨后12月份谷歌發(fā)布原生多模態(tài)大模型Gemini，多模態(tài)大模型已經(jīng)成為各大模型頭部廠商發(fā)力的重點。多模態(tài)大模型雙塔結(jié)構(gòu)AI大模型逐步從單模態(tài)向多模態(tài)發(fā)展資料：、國信證券經(jīng)濟研究所整理資料：畢馬威、國信證券經(jīng)濟研究所整理AI大模型：商業(yè)化落地加速，市場規(guī)模快速增長?

大模型商業(yè)化落地加速，市場規(guī)模快速增長。目前，大模型落地模型主要可分為三種，即大模型、大模型+算力、大模型+應(yīng)用，其中大模型指企業(yè)用戶可以直接買斷大模型產(chǎn)品，也可以租用大模型（例如中軟國際的模型工廠）；大模型+算力指廠商將模型與算力進行組合銷售；大模型+應(yīng)用指廠商向企業(yè)用戶銷售融入了大模型能力的上層應(yīng)用，要求用戶支付軟件授權(quán)費等。短期大模型+算力為主流的收費模式，后隨著模型應(yīng)用、生態(tài)的進一步完善，大模型+應(yīng)用模式占比有望逐步提升。?

全球市場：根據(jù)鈦媒體國際智庫數(shù)據(jù)，2022年全球大模型市場規(guī)模108億美金，預(yù)計2028年達到1095億美金，對應(yīng)22-28年CAGR為47%，全球大模型市場規(guī)?？焖僭鲩L。?

中國市場：根據(jù)鈦媒體國際智庫數(shù)據(jù)，2022年中國大模型市場規(guī)模70億人民幣，預(yù)計2028年達到1179億人民幣，對應(yīng)22-28年CAGR為60%，中國大模型市場規(guī)?？焖僭鲩L，且快速全球市場。全球大模型市場規(guī)模快速增長中國大模型市場規(guī)模快速增長全球大模型市場規(guī)模（億美元）中國大模型市場規(guī)模（億人民幣）12001000800600400200010951400120010008006004002000117988788062456636628031821021614710858702537152020202120222023E2024E2025E2026E2027E2028E2020202120222023E2024E2025E2026E2027E2028E資料：鈦媒體國際智庫、國信證券經(jīng)濟研究所整理資料：鈦媒體國際智庫、國信證券經(jīng)濟研究所整理GPT-4V：大語言模型邊界拓展

GPT4V拓展了語言模型的邊界，可處理多樣化任務(wù)。OpenAI的GPT-4V模型代表了語言模型的一個重要擴展，它不僅融合了傳統(tǒng)的文本處理能力，還加入了圖像輸入的處理功能，進而提供了更豐富的交互界面和新功能。這一進步使得GPT-4V能夠處理更多樣化的任務(wù)，增強了用戶體驗。圖3：GPT-4V可以識別圖片并處理

GPT-4V的技術(shù)基礎(chǔ)仍然是GPT-4，保持了相同的訓(xùn)練過程，使用了大量互聯(lián)網(wǎng)上的文本和圖像數(shù)據(jù)，并結(jié)合了人類反饋強化學(xué)習(xí)（RLHF）來優(yōu)化其輸出。

在安全性方面，OpenAI為GPT-4V實施了嚴格的評估和緩解措施，包括專家紅隊測試和高拒絕回答率的安全限制，以防止敏感內(nèi)容的生成。GPT-4V的OCR功能也得到了改進，以更準確地從像素中讀取文本。

GPT-4V在處理多模態(tài)攻擊和科學(xué)文獻時仍存在挑戰(zhàn)，特別是在醫(yī)療領(lǐng)域，不建議接受模型提供的任何醫(yī)療建議，因為它可能會產(chǎn)生幻覺，部分原因是OCR的不準確性?？偟膩碚f，GPT-4V在擴展AI的應(yīng)用范圍和提高用戶體驗方面邁出了重要一步，但在安全性和準確性方面仍需不斷改進。資料：OpenAI，國信經(jīng)濟研究所整理Gemini：定義下一代AI的能力邊界??與傳統(tǒng)多模態(tài)模型相比，Gemini從一開始就被設(shè)計為原生多模態(tài)，更加直觀和有效地整合不同類型的信息。過去，創(chuàng)建多模態(tài)模型的常規(guī)方法是訓(xùn)練不同模態(tài)的獨立組件，然后將它們組合在一起，以模擬部分功能。這些模型在執(zhí)行某些任務(wù)（例如描述圖像）時表現(xiàn)良好，但在處理更概念化和復(fù)雜的推理時則常常遇到困難。?

Gemini從設(shè)計之初便作為一個原生多模態(tài)模型，對不同模態(tài)進行預(yù)訓(xùn)練。隨后，我們通過額外的多模態(tài)數(shù)據(jù)進行微調(diào)，以進一步提高其有效性。這使Gemini能夠從根本上無縫理解和推理各種輸入，其能力在幾乎每個領(lǐng)域都達到了最先進水平。如：1）復(fù)雜推理能力Gemini架構(gòu)與過去的多模態(tài)模型不同Gemini

1.0具備的復(fù)雜多模態(tài)推理能力，可以幫助理解復(fù)雜的書面和視覺信息。這使其在從大量數(shù)據(jù)中發(fā)掘難以辨認的知識方面具有獨特技能。其從數(shù)十萬份文檔中提取洞見的驚人能力，通過閱讀、過濾和理解信息，將有助于在科學(xué)、金融等眾多領(lǐng)域?qū)崿F(xiàn)數(shù)字速度的新突破。2）理解文本、圖像、音頻等更多內(nèi)容Gemini

1.0經(jīng)過訓(xùn)練，能同時識別和理解文本、圖像、音頻等內(nèi)容，因此它更能理解微妙的信息，并能回答涉及復(fù)雜主題的問題。這使其在解釋數(shù)學(xué)和物理等復(fù)雜科目的推理方面表現(xiàn)尤為出色。3）高級編碼能力Gemini

1.0能夠理解、解釋和生成Python、Java、C++和Go等世界上最流行的編程語言中的高質(zhì)量代碼。它在多語言處理和復(fù)雜信息推理方面的能力，使其成為世界領(lǐng)先的基礎(chǔ)編碼模型之一。資料：OpenAI、國信證券經(jīng)濟研究所整理Gemini：谷歌迄今能力最強的大模型?谷歌近期推出強大的通用模型“Gemini”，該模型在許多測試中表現(xiàn)優(yōu)越。Gemini

1.0是由谷歌DeepMind開發(fā)的一款突破性的多模態(tài)AI模型，能夠高效理解和處理文本、圖像、音頻等多種類型的數(shù)據(jù)。Gemini系列模型表現(xiàn)優(yōu)秀??針對不同的需求和應(yīng)用場景，Gemini模型推出三個規(guī)模：1）Gemini

Ultra：作為該系列最大型且功能最強大的模型，專為處理高度復(fù)雜的任務(wù)而設(shè)計；2）Gemini

Pro：最佳的多功能模型，適用于廣泛的任務(wù)，能夠?qū)崿F(xiàn)高效的規(guī)?；瘧?yīng)用；3）Gemini

Nano：作為該系

列

最高效的模型，專為移動設(shè)備上的任務(wù)而設(shè)計，體現(xiàn)了極致的便攜性和應(yīng)用靈活性。?Gemini系列模型在各種任務(wù)表現(xiàn)

優(yōu)

秀

，

超越了現(xiàn)有標準。特別是Gemini

Ultra，在32項廣泛應(yīng)用于大型語言模型（LLM）研究與開發(fā)的學(xué)術(shù)基準測試中，其性能在30項測試上超越了當前的最高水平。在MMLU（大規(guī)模多任務(wù)語言理解）測試中，Gemini

Ultra以90.0%的得分首次超越了人類專家。MMLU測試涵蓋了57個科目，如數(shù)學(xué)、物理、歷史、法律、醫(yī)學(xué)和倫理學(xué)，旨在測試模型的世界知識和問題解決能力。Gemini

Ultra在新的MMMMU（多模態(tài)多任務(wù)理解）基準測試中也取得了59.4%的最高成績，該測試包含跨不同領(lǐng)域的多模態(tài)任務(wù)，要求模型進行深思熟慮的推理。在圖像基準測試中，Gemini

Ultra同樣表現(xiàn)出色，超越了先前的最高水平，且無需依賴光學(xué)字符識別（OCR）系統(tǒng)從圖像中提取文本進行進一步處理。這些基準測試突顯了Gemini的本地多模態(tài)能力，并預(yù)示了其更復(fù)雜的推理能力的初步跡象。資料：谷歌官網(wǎng)、國信證券經(jīng)濟研究所整理多模態(tài)模型架構(gòu)發(fā)生變化?

多模態(tài)模型架構(gòu)發(fā)生變化。過去的模型多用Cross-attention，對于多模態(tài)任務(wù)，將圖像與語言分別結(jié)合，實現(xiàn)圖文信息的相互嵌入與問答。未來模型可采用的架構(gòu)方式多樣：如Merge-attention可將多個輸入模態(tài)調(diào)整為同一的特征表示，多個模態(tài)的特征在自注意力之前被合并，共同進入Transformer；Tangled-transformer可使用使用三組

Transformer

模塊同時處理動作、圖形對象和語言特征，通過特定的三角連接關(guān)系，注入其他模態(tài)的

Transformer

網(wǎng)絡(luò)，以不同模態(tài)的信息融合。多模態(tài)模型架構(gòu)發(fā)生變化資料：reseachgate，國信證券經(jīng)濟研究所整理AIAgent：使大語言模型成為“操作系統(tǒng)”?大語言模型的能力迭代催化了AI

Agent?；Ｐ偷陌l(fā)展正進入一個新階段，其能力提升將由之前的快速增長轉(zhuǎn)變?yōu)楦訚u進式的發(fā)展。在這一階段，基座模型廠商的重點將從模型的功能迭代轉(zhuǎn)移到應(yīng)用生態(tài)構(gòu)建上，這表明了對更廣泛應(yīng)用和服務(wù)生態(tài)的重視和投入。?

AI

Agent使基座大模型成為模型的操作系統(tǒng)。人工智能代理（AI

Agent）是一種能夠感知環(huán)境、做出決策并執(zhí)行動作的智能實體。通過賦予大型語言模型（LLM）代理能力，AI

Agent能夠自主地理解、規(guī)劃并執(zhí)行復(fù)雜任務(wù)，實質(zhì)上成為一個控制LLM解決問題的系統(tǒng)。這不僅改變了傳統(tǒng)的人機交互方式，而且是拓展大模型應(yīng)用潛力的關(guān)鍵進化方向。隨著基座模型提供更先進的開發(fā)工具和開源社區(qū)的持續(xù)創(chuàng)新，AIAgents預(yù)計將成為未來大模型應(yīng)用的關(guān)鍵競爭領(lǐng)域?；Ｐ凸δ艹掷m(xù)迭代，催化應(yīng)用生態(tài)構(gòu)建AI

Agent使基座模型成為模型的操作系統(tǒng)資料：OpenAI、國信證券經(jīng)濟研究所整理資料：OpenAI官網(wǎng)、國信證券經(jīng)濟研究所整理GPTs：OpenAI“Agent化”的嘗試?OpenAI于近期推出GPTs，開啟了AI應(yīng)用的新時代。2023年11月6日，OpenAI

在舊金山成功舉辦了首屆全球開發(fā)者大會“OpenAIDevDay”。在本次發(fā)布會上，OpenAI

推出了GPTs和Assistants

API。GPTs作為“零代碼”AI代理方案，以及Assistants

API作為企業(yè)和開發(fā)者的定制化工具，都強調(diào)為用戶提供根據(jù)個人需求和偏好定制的體驗。這兩種服務(wù)允許用戶通過指定指令和功能要求來個性化定制AIAgent的行為和能力。這是OpenAI“Agent化”的初步嘗試，開啟了AI應(yīng)用的新時代。?GPTs的前身為插件商店，旨在構(gòu)建openAI自己的AI生態(tài)。OpenAI

曾在早期嘗試過插件系統(tǒng)，這是GPTs的初步嘗試。2023年5月，OpenAI開放了插件系統(tǒng)，首批就上線了學(xué)習(xí)、翻譯、財務(wù)數(shù)據(jù)分析等領(lǐng)域的幾十個應(yīng)用，試圖構(gòu)建GPT的生態(tài)。盡管插件的數(shù)目不斷增長，但是插件商店的影響力遠不及預(yù)期，因此OpenAI重新梳理了應(yīng)用商店的體系，做出新的嘗試。不過一些較為復(fù)雜的插件產(chǎn)品，比如Zapier（用于日程管理等），未來仍可能是應(yīng)用商店里的重要應(yīng)用。OpenAI發(fā)布者大會推出GPTs/GPTstoreOpenAI的插件商店P(guān)luginstore模型功能改進新推出GPT-4性能改進Turbo模型其他開發(fā)者支持發(fā)布GPT

Assistant

API發(fā)布GPTs\GPTs

storeOpenAI2023

DevDay針對開發(fā)者的改進提供侵權(quán)保護、雙倍提高每分鐘token限制等其他開發(fā)者支持ChatGPT改進資料：OpenAI、國信證券經(jīng)濟研究所整理資料：OpenAI官網(wǎng)、國信證券經(jīng)濟研究所整理Agent

落地：AutoGPT、AutoGen百花齊放?AutoGPT為代表的單Agent框架進行了早期探索和實驗。23年3月ChatGPT開放API后，AutoGPT、BabyAGI等項目利用OpenAI

API、向量數(shù)據(jù)庫以及學(xué)術(shù)屆ReAct、Reflexion等思想構(gòu)建Autonomous

Agent，其思想是讓LLM像人一樣有記憶、會使用工具、會規(guī)劃和反思，自己提示自己，以此完成用戶最初的指令。由此軟件生產(chǎn)成本大幅降低，Agent可以作為一款符合用戶需求的軟件乃至操縱硬件更好滿足人類需求。?AutoGen為代表的多Agent協(xié)作框架進一步打開Agent想象空間。23年4月Stanford

AI小鎮(zhèn)展示了多個Agent協(xié)作能展現(xiàn)出一定的社交行為，人們開始探索多Agent分工協(xié)作能否帶來1+1>2的效果，例如MetaGPT模仿軟件公司分工直接產(chǎn)出可執(zhí)行的軟件。微軟開源的AutoGen將多Agent協(xié)作固化為框架，例如助手Agent負責(zé)寫代碼，用戶代理Agent負責(zé)將用戶輸入闡明成需求并執(zhí)行代碼，共同完成用戶最初的意圖Agent原理：利用記憶和工具，完成規(guī)劃、執(zhí)行和反思AutoGen設(shè)計多Agent協(xié)作以完成用戶需求資料：Microsoft、國信證券經(jīng)濟研究所整理資料：BabyAGI、國信證券經(jīng)濟研究所整理目錄AI大模型：多模態(tài)方向延伸，視頻模型迎來發(fā)展元年AI算力：國產(chǎn)算力迎歷史機遇期0102AI邊緣側(cè)布局正當時，

AI

PC和手機值得期待AI重塑應(yīng)用百態(tài)，商業(yè)落地逐步兌現(xiàn)0304投資建議：看好AI產(chǎn)業(yè)持續(xù)催化，維持“超配”評級05大模型引發(fā)算力浪潮：訓(xùn)練數(shù)據(jù)量+參數(shù)量大幅提升，模型能力發(fā)生“涌現(xiàn)”?訓(xùn)練數(shù)據(jù)量+參數(shù)量大幅提升，模型能力發(fā)生“涌現(xiàn)”。根據(jù)2022年谷歌、斯坦福大學(xué)和Deepmind聯(lián)合發(fā)表的《Emergent

Abilitiesof

LargeLanguage

Models》，很多新能力在中小模型上線性放大都得不到線性的增長，模型規(guī)模必須呈指數(shù)級增長并超過某個臨界點，新技能才會突飛猛進。?參數(shù)量+訓(xùn)練數(shù)據(jù)量，雙輪拉動算力需求增長。模型的參數(shù)量和數(shù)據(jù)量在一定程度下是正相關(guān)的，因為：a）在小規(guī)模數(shù)據(jù)上訓(xùn)練模型時，若模型參數(shù)量過大，可能出現(xiàn)過擬合情況；b）在大規(guī)模數(shù)據(jù)上訓(xùn)練模型時，若不增加模型參數(shù)量，可能造成新的知識無法存放的情況。更大的參數(shù)量和訓(xùn)練數(shù)據(jù)量，對應(yīng)更大的算力消耗，雙輪驅(qū)動算力需求增長。訓(xùn)練數(shù)據(jù)大幅提升后，模型能力“涌現(xiàn)”模型參數(shù)大幅提升后，模型能力“涌現(xiàn)”資料

：JasonWei等著-《EmergentAbilitiesofLargeLanguageModels》-TransactionsonMachineLearningResearch（2022）-P4、國信證券經(jīng)濟研究所整理資料

：JasonWei等著-《EmergentAbilitiesofLargeLanguageModels》-TransactionsonMachineLearningResearch（2022）-P27、國信證券經(jīng)濟研究所整理大模型引發(fā)算力浪潮：大模型訓(xùn)練+推理拉動算力需求快速增長?大模型訓(xùn)練+推理拉動算力需求快速增長。?模型迭代和數(shù)量增長拉動AI算力需求增長：從單個模型來看，模型能力持續(xù)提升依賴于更大的訓(xùn)練數(shù)據(jù)量和模型參數(shù)量，對應(yīng)更高的算力需求；從模型的數(shù)量來看，模型種類多樣化（文生圖、文生視頻）和各廠商自主模型的研發(fā)，均推動算力需求的增長。?未來AI應(yīng)用爆發(fā)，推理側(cè)算力需求快速增長：各廠商基于AI大模型開發(fā)各類AI應(yīng)用，隨著AI應(yīng)用用戶數(shù)量爆發(fā)，對應(yīng)推理側(cè)算力需求快速增長。?智能算力需求快速增長：從全球來看，根據(jù)中國信通院發(fā)布的《中國算力發(fā)展指數(shù)白皮書（2022年）》和《中國算力發(fā)展指數(shù)白皮書（2023年）》數(shù)據(jù)，22年全球智能算力約451EFlops（基于FP32計算），預(yù)計2030年全球智能算力規(guī)模將達到52.5ZFlops，全球智能算力快速增長；從國內(nèi)來看，根據(jù)IDC和浪潮信息發(fā)布的《2023-2024國人工智能計算力發(fā)展評估報告》，22年中國智能算力規(guī)模為259.9EFlops（基于FP16計算），預(yù)計27年達到1117.4EFlops，對應(yīng)22-27年CAGR為33.9%。全球智能算力快速增長中國智能算力快速增長智能算力（基于FP16計算，EFLOPS）智能算力（基于FP32計算，ZFLOPS）1200100080060040020001117.4605040302010052.50812.5616.6497.12024414.32023259.92022155.22021750.230.452021202220302020202520262027資料究所整理：《中國算力發(fā)展指數(shù)白皮書（2022年&2023年，中國信通院）》

、國信證券經(jīng)濟研資料

：《2023-2024國人工智能計算力發(fā)展評估報告（IDC&浪潮信息）》

、國信證券經(jīng)濟研究所整理大模型引發(fā)算力浪潮：國內(nèi)千億級別AI芯片市場，市場規(guī)模持續(xù)增長?全球AI芯片市場：受益于AI大模型的訓(xùn)練和推理帶來的智能算力需求的增長，全球AI芯片市場規(guī)模持續(xù)增長，根據(jù)Gartner數(shù)據(jù)，2022年全球AI芯片市場規(guī)模為442.2億美金（約3095億人民幣，按美元兌人民幣匯率7.0來計），預(yù)計2027年達到1194億美金，對應(yīng)22-27年CAGR為22.0%。?國內(nèi)AI芯片市場：國內(nèi)互聯(lián)網(wǎng)頭部公司及部分AI創(chuàng)業(yè)公司訓(xùn)練國產(chǎn)AI大模型，同時基于中國高人口基數(shù)，推理側(cè)算力需求強勁，拉動中國AI芯片市場持續(xù)增長。根據(jù)頭豹產(chǎn)業(yè)研究院數(shù)據(jù)，2022年中國AI芯片市場954億人民幣，預(yù)計2025年達到1979億人民幣，對應(yīng)22-25年CAGR為27.5%。22年全球AI芯片市場442.2億美金22年中國AI芯片市場954億人民幣全球AI芯片市場規(guī)模（億美元）中國AI芯片市場規(guī)模（億人民幣）14001200100080060040020002500200015001000500119419791581671.48534.451186954919442.2202202023E2024E2027E202120222023E2024E2025E資料：Gartner、國信證券經(jīng)濟研究所整理資料：頭豹產(chǎn)業(yè)研究院、國信證券經(jīng)濟研究所整理國產(chǎn)算力迎歷史機遇期：美國禁令，推動AI芯片國產(chǎn)化進程?海外巨頭壟斷國產(chǎn)AI芯片市場。根據(jù)IDC數(shù)據(jù)，2023年上半年，中國本土AI芯片出貨超5萬片，占整個市場10%左右份額，海外巨頭（主要是英偉達）仍占據(jù)中國AI芯片市場主要市場份額。?美國禁令限制英偉達主流AI芯片對華出口，國產(chǎn)AI芯片迎來歷史機遇期。本次法案新增兩個政策（3A090a和3A090b），以TPP（計算公式：TPP=算力*位數(shù)）和PD（計算公式：PD=TPP/die

size）作為判定指標，滿足任一政策，該芯片都將禁止對華出口，經(jīng)測算，目前市場上主流AI芯片（A100、H100、A800、H800、L40S）均在限制范圍之內(nèi)，國產(chǎn)AI芯片迎來歷史機遇期。AI芯片空間廣闊美國禁令政策一：3A090a（美國禁令）1、TPP>48002、TPP>1600，且PD超過5.92政策二：3A090b（美國禁令）1、2400≤TPP＜4800，且1.6≤PD＜5.922、1600≤TPP，且3.2≤PD＜5.9210%進口AI芯片出貨國產(chǎn)AI芯片出貨TF32算力TF16算力（TFLOPS）不滿足出口要求TPPdie

size（mm2）PD（TFLOPS）A100A800H100H800L40S1563124,9924,9928268268148146096.046.0490%1563127561,5131,51336224,19224,1925,85629.7229.729.62756183資料：IDC、國信證券經(jīng)濟研究所整理資料所整理：

BIU（美國商務(wù)部工業(yè)和安全局）、英偉達、TechPowerUp

、國信證券經(jīng)濟研究英偉達：全球AI算力芯片龍頭，性能+生態(tài)打造核心壁壘?

性能：全球領(lǐng)先。英偉達于20年5月發(fā)布新一代“Ampere”架構(gòu)GPU——A100，采用7nm工藝，包含超過540億個晶體管，配備了專用的硬件單元，包括通用算數(shù)核“CUDA核”和可以更快進行矩陣運算的第3代張量核，性能和能效大幅提升。英偉達22年3月發(fā)布新一代“Hopper”架構(gòu)GPU——H100，采用4nm工藝，算力達到1,979TFLOPS（FP16），配合80GB顯存、3.35TB/s顯存帶寬，借助NvLink交換機系統(tǒng)，最多可連接256個H100

GPU來完成訓(xùn)練，產(chǎn)品性能全球領(lǐng)先。?

生態(tài)：CUDA打造核心壁壘。CUDA是英偉達2006年11月推出的，用于發(fā)揮英偉達GPU通用計算能力的編程環(huán)境，支持CUDA

C和OpenCL等語言，計算效率高，常可加速十幾倍到幾十倍；同時CUDA深度優(yōu)化多種深度學(xué)習(xí)基本運算指令，例如PyTorch、TensorFlow等主流的深度學(xué)習(xí)框架均提供了基于CUDA的GPU運算支持，并提供了更高層、更抽象的調(diào)用方式，方便用戶編程；CUDA經(jīng)過十七年的發(fā)展，成為英偉達GPU最核心的護城河。英偉達產(chǎn)品路線圖：種類豐富，性能強大英偉達CUDA生態(tài)成為最核心的護城河資料：SemiAnalysis、國信證券經(jīng)濟研究所整理資料：英偉達官網(wǎng)、國信證券經(jīng)濟研究所整理AMD：芯片硬件指標領(lǐng)先，開源縮小生態(tài)差距?

AMD發(fā)布Instinct

MI300X，硬件指標全球領(lǐng)先。23年12月7日，AMD在其“Advancing

AI”大會上發(fā)布新一代AI算力芯片——MI300X，芯片采用CDNA

3架構(gòu)，包含1530億個晶體管，配備192GB

HBM3和5.3TB/s的顯存帶寬，產(chǎn)品硬件指標全球領(lǐng)先。?

通過開源手段，快速縮小生態(tài)差距。AMD自研生態(tài)——ROCm，定義為開放式軟件平臺，全面支持TensorFlow和PyTorch等主要機器學(xué)習(xí)框架，以幫助用戶加速人工智能工作負載；AMD

與人工智能開放社區(qū)廣泛合作，允許開發(fā)人員根據(jù)自己的需要自由定制和定制他們的GPU軟件，同時與其他開發(fā)人員社區(qū)合作，以促進和擴展機器和深度學(xué)習(xí)功能和優(yōu)化，以開源的方式，快速縮小與CUDA生態(tài)間的差距。AMD發(fā)布MI300X芯片通過開源手段，快速縮小與英偉達的生態(tài)差距資料：AMD官網(wǎng)、國信證券經(jīng)濟研究所整理資料：AMD官網(wǎng)，國信證券經(jīng)濟研究所整理海思：國產(chǎn)AI算力領(lǐng)導(dǎo)者，全棧AI軟硬件平臺能力?

獨創(chuàng)達芬奇架構(gòu)，國產(chǎn)AI算力領(lǐng)導(dǎo)者。海思昇騰針對深度神經(jīng)網(wǎng)絡(luò)運算特征，以高性能3D

Cube矩陣計算單元為基礎(chǔ)，自研達芬奇架構(gòu)，實現(xiàn)算力和能效比的大幅提升；同時，處理器內(nèi)部還支持多維計算模式（如標量、矢量和張量等），打破了傳統(tǒng)AI

Asic芯片的局限，增加了計算的靈活性。海思于2019年發(fā)布昇騰910

AI訓(xùn)練芯片，主要面向云端訓(xùn)練，算力達到256TFLOPS（FP16），單芯片計算密度國內(nèi)領(lǐng)先，為國產(chǎn)AI算力的領(lǐng)導(dǎo)者。?

全棧AI軟硬件平臺能力，合作伙伴眾多。海思昇騰軟硬件全棧包括Atlas系列硬件、異構(gòu)計算架構(gòu)、AI框架、應(yīng)用使能、行業(yè)應(yīng)用，擁有從底層硬件到頂層應(yīng)用使能的人工智能全棧能力。昇騰合作伙伴包括整機硬件伙伴、IHV硬件伙伴、應(yīng)用軟件伙伴、一體機解決方案伙伴、生態(tài)運營伙伴，合作伙伴數(shù)量眾多，軟硬件生態(tài)快速發(fā)展，打造核心競爭力。昇騰獨創(chuàng)達芬奇架構(gòu)昇騰全棧AI軟硬件平臺資料：海思發(fā)布會、國信證券經(jīng)濟研究所整理資料：海思官網(wǎng)，國信證券經(jīng)濟研究所整理海光信息：生態(tài)+性價比優(yōu)勢，產(chǎn)品快速迭代?

生態(tài)優(yōu)勢：兼容CUDA。海光DCU產(chǎn)品為GPGPU架構(gòu)，可以全面兼容ROCm

GPU生態(tài)，由于ROCm和CUDA在生態(tài)、編程環(huán)境等方面具備高度的相似性，CUDA用戶可以以較低的成本快速遷移到ROCm平臺，因此，公司DCU產(chǎn)品能夠較好地適配國際主流商業(yè)計算軟件和AI軟件，軟硬件生態(tài)豐富，可廣泛應(yīng)用于AI、大數(shù)據(jù)等計算密集類應(yīng)用，生態(tài)優(yōu)勢明顯。?

性價比優(yōu)勢：公司深算一號于2021年上半年開始小規(guī)模批量生產(chǎn)，我們選取同時期（或相近時期）海外巨頭AI芯片產(chǎn)品作為對比（此處選取英偉達A100和AMD

MI100作為對照組），英偉達A100性能指標領(lǐng)先，在核心數(shù)量、顯存容量、顯存位寬、顯存帶寬等參數(shù)均領(lǐng)先于同時期競品，公司深算一號產(chǎn)品在制程、內(nèi)核頻率、顯存容量、顯存位寬、顯存帶寬等指標基本追平AMD

MI100產(chǎn)品，而公司產(chǎn)品平均售價僅1.93萬人民幣/顆，大幅低于AMD

MI100售價，公司DCU產(chǎn)品具有性價比優(yōu)勢。?

產(chǎn)品快速迭代：公司18年開始發(fā)力AI算力芯片，深算一號21年成功量產(chǎn)，深算二號23年實現(xiàn)商業(yè)化，預(yù)計24年發(fā)布深算三號產(chǎn)品，產(chǎn)品快速迭代。海光信息軟硬一體化生態(tài)，兼容CUDA產(chǎn)品具有性價比優(yōu)勢人工智能應(yīng)用國內(nèi)典型異構(gòu)應(yīng)用主流學(xué)習(xí)框架其他應(yīng)用…單價（萬人民幣）框架及應(yīng)用庫函數(shù)65432105數(shù)學(xué)庫（hipBLAS,hipRand,hipFFT…）MIOpenEigenRCCLhipsparseOpenMPI3.2編譯器驅(qū)動與工具硬件LLVM編譯器OpenCLHIP異構(gòu)編程接口1.93驅(qū)動程序/vBios/APIRunTime調(diào)試工具海光x86中央處理器海光深度計算處理器AMDMI300英偉達A100海光深算一號資料：海光信息官網(wǎng)、國信證券經(jīng)濟研究所整理資料

：《海光信息——發(fā)行人及保薦機構(gòu)關(guān)于第二輪審核問詢函的回復(fù)》，國信證券經(jīng)濟研究所整理（注：該價格為22年市場價，23年英偉達和AMD產(chǎn)品價格有大幅提升）寒武紀：云、邊、終端三位協(xié)同，產(chǎn)品矩陣豐富?

云、邊、終端三位協(xié)同——硬件層面：寒武紀致力于全算力布局，開發(fā)邊緣側(cè)、云端推理、云端訓(xùn)練、車載領(lǐng)域AI算力芯片，芯片算力覆蓋范圍廣，廣泛應(yīng)用于服務(wù)器廠商和產(chǎn)業(yè)公司，面向互聯(lián)網(wǎng)、金融、交通、能源、電力和制造等領(lǐng)域的復(fù)雜AI應(yīng)用場景提供AI算力支持，推動AI賦能產(chǎn)業(yè)升級。?

云、邊、終端三位協(xié)同——軟件層面：寒武紀針對云、邊、端的智能處理器產(chǎn)品打造基礎(chǔ)軟件平臺，采用云邊端一體、訓(xùn)推一體架構(gòu)，可同時支持寒武紀云、邊、端的全系列產(chǎn)品；同時，寒武紀終端IP、邊緣端芯片、云端芯片共享同樣的軟件接口和完備生態(tài)，可以方便地進行智能應(yīng)用的開發(fā)，遷移和調(diào)優(yōu)。云、邊、終端三位協(xié)同，產(chǎn)品矩陣豐富資料：《寒武紀——2022年度社會責(zé)任報告》，國信證券經(jīng)濟研究所整理目錄AI大模型：多模態(tài)方向延伸，視頻模型迎來發(fā)展元年AI算力：國產(chǎn)算力迎歷史機遇期0102AI邊緣側(cè)布局正當時，

AI

PC和手機值得期待AI重塑應(yīng)用百態(tài)，商業(yè)落地逐步兌現(xiàn)0304投資建議：看好AI產(chǎn)業(yè)持續(xù)催化，維持“超配”評級05邊緣側(cè)布局正當時：基于成本、時延、隱私的考量?節(jié)約成本是端側(cè)AI主要推動因素。隨著生成式AI模型使用量和復(fù)雜度的不斷增長，推理成本持續(xù)提升，將部分推理從云端遷移到邊緣終端，可以減輕云基礎(chǔ)設(shè)施的壓力并減少開支，進而支持OEM廠商、獨立軟件開發(fā)商（ISV）和應(yīng)用開發(fā)者更經(jīng)濟實惠地探索和開發(fā)應(yīng)用。?生成式AIquery成本是傳統(tǒng)搜索方法的十倍。根據(jù)高通披露數(shù)據(jù)，生成式AI搜索（query）成本是傳統(tǒng)搜索方法的10倍，目前每天有超過100億次的搜索查詢產(chǎn)生，即便基于大語言模型的搜索僅占其中一小部分，每年的增量成本也將達到數(shù)十億美金，節(jié)約成本是必然趨勢。?云端向邊緣終端遷移，可大幅降低推理成本。隨著生成式AI推理需求快速增長，數(shù)據(jù)中心基礎(chǔ)設(shè)施成本（硬件、場地、能耗、運營、額外帶寬和網(wǎng)絡(luò)傳輸?shù)龋⒊掷m(xù)提升，云端推理的性價比將下降；將部分任務(wù)從云端遷移到邊緣終端，可減輕云基礎(chǔ)設(shè)施的壓力并減少開支。??時延與安全：不同應(yīng)用對時延和帶寬要求不同，部分應(yīng)用場景必須走端側(cè)路線。盡管5G移動通信的URLLC可以達到低延遲（1ms）傳輸，但是對于自動駕駛汽車、無人機導(dǎo)航、機器人技術(shù)等應(yīng)用，僅依賴云端遠程數(shù)據(jù)傳輸?shù)臅r延和安全風(fēng)險較高，特別是在自動駕駛場景，其必須走端側(cè)路線，進而盡可能提高安全性和可靠性，減少決策失誤風(fēng)險。隱私：查詢和個人信息完全保留在終端上，有助于保護用戶隱私。對于企業(yè)和個人工作場所等場景中使用的生成式AI，端側(cè)AI可以將查詢和個人信息完全保留在終端上，不向云端暴露保密信息，進而保護用戶隱私。目前，終端側(cè)的安全能力已經(jīng)非常強大，且將不斷演生成式AIquery成本是傳統(tǒng)搜索方法的十倍不同應(yīng)用對時延和帶寬要求不同1210810x641x20傳統(tǒng)搜索方法（基準

1x）生成式AI搜索（query）成本資料：高通、國信證券經(jīng)濟研究所整理資料

：張臣雄著-《AI芯片：前沿技術(shù)與創(chuàng)新發(fā)展》-人民郵電出版社（2021年）-P42、國信證券經(jīng)濟研究所整理邊緣側(cè)布局正當時：端側(cè)已可以支持多樣化的AI模型??利用大規(guī)模終端側(cè)AI處理支撐生成式AI有著廣闊前景。根據(jù)高通披露數(shù)據(jù)，目前初步具備AI功能的手機（例如蘋果M2芯片）、PC和其他品類的便攜式終端數(shù)量已經(jīng)達數(shù)十億臺，且未來終端設(shè)備的AI性能和設(shè)備數(shù)量會快速增長，進而支撐起大規(guī)模邊緣生成式AI計算的需求。端側(cè)已可以支持多樣化的AI模型。1）AI模型在變?。焊鰽I模型廠商為了降低推理側(cè)成本，通過蒸餾等方式降低模型參數(shù)量，進而降低端側(cè)AI處理的算力要求；2）端側(cè)AI處理能力持續(xù)提升：目前10億+參數(shù)的模型已經(jīng)可以在終端設(shè)備上運行（例如Stable

Diffusion等參數(shù)超過10億的模型已經(jīng)能夠在手機上運行，且性能和精確度可以達到與云端處理類似的水平），近期高通有望發(fā)布支持100億模型運行的邊緣側(cè)芯片，在0-100億模型參數(shù)區(qū)間了，可以實現(xiàn)文字生成圖像、對話和NLP、組合優(yōu)化、圖像理解、視頻理解、協(xié)作機器人等模型應(yīng)用。數(shù)量可觀的生成式AI模型可以從云端分流到終端上運行資料：高通、國信證券經(jīng)濟研究所整理邊緣側(cè)布局正當時：混合AI是最優(yōu)解決方案?混合AI是最優(yōu)的解決方案?；旌螦I指終端和云端協(xié)同工作，在適當?shù)膱鼍昂蜁r間下分配AI計算的工作負載，以提供更好的體驗，并高效利用資源。在部分場景中，混合AI的計算將以終端為中心，在必要時向云端分流；同時，在以云為中心的場景下，終端（根據(jù)自身能力）將在可能的情況下從云端分擔(dān)一些AI工作負載?；旌螦I架構(gòu)能夠在全球范圍帶來成本、能耗、性能、隱私、安全和個性化優(yōu)勢，主要包括三類：以終端為中心的混合AI、基于終端感知的混合AI、終端與云端協(xié)同處理的混合AI。?以終端為中心的混合AI：終端將充當錨點，云端僅用于分流終端無法充分執(zhí)行的任務(wù)；終端通過運行不太復(fù)雜的推理完成大部分處理工作，未來隨著終端側(cè)AI處理能力的提升，其可以分流更多的云端負載。?基于終端感知的混合AI：在邊緣側(cè)運行的模型將充當云端大模型（類似大腦）的傳感器輸入端（類似眼睛和耳朵），例如在終端部署Whisper模型可將用戶的語音輸入轉(zhuǎn)化成文字，之后再將其作為請求提升發(fā)送到云端；在更先進的版本中，其可以借助終端側(cè)學(xué)習(xí)用戶數(shù)據(jù)，進而創(chuàng)建用戶畫像，與編排器程序協(xié)作，基于更多場景提供更完善的提示。?終端與云端協(xié)同處理的混合AI：即終端和云端的AI計算協(xié)同工作來處理AI負載，例如生成大語言模型的多個token（以4個舉例），僅需在終端連續(xù)運行4次近似模型（閹割后模型，僅為目標模型的1/10），然后將生成的4個token傳輸?shù)皆贫?，云端高效運行4次目標模型來檢驗其準確度，且僅需要讀取一次完整的模型參數(shù)，節(jié)省了能耗。以終端為中心的混合AI基于終端感知的混合AI終端與云端協(xié)同處理的混合AI資料：高通、國信證券經(jīng)濟研究所整理資料：高通、國信證券經(jīng)濟研究所整理資料：高通、國信證券經(jīng)濟研究所整理AIPIN：設(shè)備作為模型入口，云端做大模型推理?設(shè)備作為模型入口，云端做大模型推理。用戶通過語音、手勢等方式對設(shè)備輸入命令，設(shè)備通過語音識別ASR等方式將其轉(zhuǎn)化為指令文本，指令文本上傳到云端AI大模型（例如GPT-4）做推理，將推理得到的結(jié)果通過設(shè)備反饋給用戶（例如提問、查詢等），或直接調(diào)用設(shè)備應(yīng)用或更改設(shè)備設(shè)置（例如播放音樂、提高音量等）。AIPin作為模型入口，云端做大模型推理資料：頭豹產(chǎn)業(yè)研究院、Humane、國信證券經(jīng)濟研究所整理AIPIN：以輕便、低功耗為主?

AI

Pin硬件：以輕便、低功耗為主。AI

Pin硬件主要包括電池倉、廣角攝像頭、投影、信任燈、揚聲器、觸控板、SoC芯片、麥克風(fēng)等，硬件選擇以輕便、低功耗為主，打造AI大模型入口。AIPin硬件：以輕便、低功耗為主電池倉（重量僅20.5g）廣角攝像頭（13MP，120°

FOV）投影（分辨率720p，20-40cm操作距離）信任燈（關(guān)注客戶隱私）麥克風(fēng)揚聲器（AAC）觸控板（單指/雙指操作）SoC（2.1Ghz，4GBRAM）資料：Humane、國信證券經(jīng)濟研究所整理AIPIN：功能豐富，語音通話、修飾文稿、處理電子郵件等?????語音通話：同運營商T-Mobile合作，可直接通過語音撥打電話號碼/聯(lián)系人，進而進行語音通話；識別物體：利用多模態(tài)大模型能力，可以識別食物、書本等物體，提供營養(yǎng)成分（食物）、價格（書本）等信息；處理電子郵件&修飾文稿：可通過產(chǎn)品生成回復(fù)內(nèi)容，且可以通過語音控制修訂回復(fù)內(nèi)容，并回復(fù)郵件；實時翻譯：兩用戶面對面對話，可將雙方不同語言進行實時翻譯并輸出，提升交流效率；推薦音樂和餐廳：產(chǎn)品實時聯(lián)網(wǎng)，可以根據(jù)個人喜好，為用戶推薦音樂和餐廳。AIPin功能——語音通話、修飾文稿、處理電子郵件、實時翻譯、識別物體、推薦餐廳和音樂語音通話識別物體修飾文稿推薦音樂和餐廳處理電子郵件實時翻譯資料：Humane、國信證券經(jīng)濟研究所整理AIPC：PC與大模型天然匹配?多模態(tài)自然語言交互：大模型逐步從單一模態(tài)向多模態(tài)方向發(fā)展，模型能力更加強大，應(yīng)用愈加豐富；而多模態(tài)的交互需要多種模態(tài)輸入，PC具備文字輸入、語音輸入、身體語言、觸控、鍵鼠等多種輸入方式，滿足多模態(tài)交互的需求。?模型壓縮后仍具備通用場景服務(wù)能力：PC作為通用生產(chǎn)力平臺，具有非常廣泛的應(yīng)用場景（工作、學(xué)習(xí)、娛樂等），且配備專業(yè)工具的支持（例如圖像處理軟件、視頻編輯工具等）；AI大模型通過蒸餾、壓縮等方式處理后，可以顯著減少模型的尺寸和復(fù)雜度，同時保留其核心能力，進而賦能PC各應(yīng)用場景，提升用戶使用體驗和工作效率。??強AI算力推理需求：即使壓縮后的大模型降低了算力需求，但仍需要強大的本地算力支撐；在消費級市場，PC代表著個人計算平臺的先進水平，同時結(jié)合CPU+NPU+GPU異構(gòu)算力的系統(tǒng)運用，為PC提供了強大的并行計算能力，可以支撐邊緣側(cè)AI大模型的推理。基于個人數(shù)據(jù)和隱私的微調(diào)及個性化服務(wù)：云端公共大模型無法滿足用戶千人千面的需求，個人大模型可通過用戶自身數(shù)據(jù)和需求進行微調(diào)，獲得相對個性化的服務(wù)；PC具備大容量的本地安全存儲支持用戶數(shù)據(jù)的存儲，進而完成對個人大模型的微調(diào)。PC與大模型天然匹配資料：IDC、國信證券經(jīng)濟研究所整理AIPC：包含AI模型及硬件設(shè)備的混合體?

AI

PC是一個包含AI模型及硬件設(shè)備的混合體。AI

PC的核心特征包括自然語言交互的個人智能體、內(nèi)嵌個人大模型、標配本地混合AI算力、開放的AI應(yīng)用生態(tài)、設(shè)備級個人數(shù)據(jù)&隱私安全保護。?從硬件維度來看：1）交互入口：AI

PC作為第一交互入口，用戶可通過AI

PC的輸入、輸出設(shè)備實現(xiàn)交互；2）AI算力支撐：終端異構(gòu)混合（CPU+NPU+GPU）算力實現(xiàn)更快速、更高效的AI模型推理，

目前芯片提供商集成了NPU計算單元的CPU陸續(xù)推向市場，與終端廠商協(xié)作研發(fā)，共同推廣。?從軟件維度來看：1）個人大模型：本地部署大模型和個性化本地知識庫共同組成，在AI

PC執(zhí)行任務(wù)時，知識庫能通過對向量數(shù)據(jù)庫的檢索，來匹配并強化用戶的提示詞，進而幫助模型更好地理解用戶意圖。2）開放的AI應(yīng)用生態(tài)：由AI原生應(yīng)用、AI賦能應(yīng)用和公共大模型組成，作為AI

PC能力的延伸和補充，幫助用戶應(yīng)對相對復(fù)雜的任務(wù)。AIPC核心特征個人智能體提升AIPC的自主性與易用性資料：IDC、國信證券經(jīng)濟研究所整理資料：IDC、國信證券經(jīng)濟研究所整理AIPC：帶來個性化、及時、安全可信的用戶體驗????通用場景下個性化服務(wù)：AI

PC針對工作、學(xué)習(xí)、生活等場景，提供個性化的創(chuàng)作服務(wù)、秘書服務(wù)和設(shè)備管家服務(wù)，提升工作效率以及學(xué)習(xí)、娛樂體驗。及時、可靠的服務(wù)響應(yīng)：云端公共大模型存在響應(yīng)慢等實際體驗問題，而AI

PC以本地推理為主，有效縮減響應(yīng)時間，在離線狀態(tài)下仍具備可操作性。更低的大模型使用成本：用戶購買AI

PC后，可享受全生命周期的本地免費推理服務(wù)，疊加有限的云端訂閱，可以在不降低用戶體驗的前提下，顯著降低用戶使用AI大模型服務(wù)的成本。可信、安全的個人數(shù)據(jù)和隱私保障：隱私數(shù)據(jù)在本地進行推理，可以有效避免敏感信息因上傳遠程服務(wù)器處理而帶來的泄露等問題，AIPC有專門用于存儲用戶特定類型文件與數(shù)據(jù)的安全空間，確保個人、企業(yè)用戶的數(shù)據(jù)安全和隱私保障。通用場景下個性化服務(wù)資料：IDC、國信證券經(jīng)濟研究所整理AIPC：價格親民，支撐滲透率提升邏輯?

AI

PC價格親民，滲透率有望快速提升。根據(jù)IDC預(yù)測數(shù)據(jù)，消費市場、中小企業(yè)市場、大型企業(yè)市場AI

PC價格相對于傳統(tǒng)PC提升幅度較小，同時AI

PC將給用戶帶來豐富的用戶體驗，AI

PC滲透率有望快速提升。?消費市場AIPC價格：根據(jù)IDC預(yù)測數(shù)據(jù)，AI筆記本電腦平均價格在5500-6500元之間，AI臺式電腦平均價格在4000元左右，預(yù)計24年后AI

PC價格穩(wěn)步上漲；??中小企業(yè)市場AIPC價格：根據(jù)IDC預(yù)測數(shù)據(jù)，AI筆記本電腦平均價格在5000-6000元之間，AI臺式電腦平均價格在3500元左右，價格穩(wěn)中有漲；大型企業(yè)市場AIPC價格：根據(jù)IDC預(yù)測數(shù)據(jù)，AI筆記本電腦平均價格在5500-6000元之間，AI臺式電腦平均價格在4000元左右，價格穩(wěn)中有漲。中國市場主流臺式機價格趨勢消費市場：AIPC價格預(yù)測中小企業(yè)市場：AIPC價格預(yù)測大型企業(yè)市場：AIPC價格預(yù)測36大中城市日用工業(yè)消費品平均價格:電腦(主流品牌臺式機，單位：元)43004250420041504100405040003950390038502018/1/1

2019/3/1

2020/5/1

2021/7/1

2022/9/1資料：Wind、國信證券經(jīng)濟研究所整理資料：IDC、國信證券經(jīng)濟研究所整理資料：IDC、國信證券經(jīng)濟研究所整理資料：IDC、國信證券經(jīng)濟研究所整理AIPC：迎來AI

PC元年，市場規(guī)?？焖僭鲩L?

PC新機中AI

PC占比持續(xù)提升，迎來AI

PC元年。隨著應(yīng)用場景的持續(xù)拓展，AI

PC在中國PC市場新機出貨量中占比快速提升，根據(jù)IDC預(yù)測數(shù)據(jù)，2023年AI

PC在PC新機出貨量中占比為8.1%，預(yù)計24年將大幅提升至54.7%，迎來AI

PC元年。?隨著滲透率提升，AI

PC市場規(guī)模快速增長。根據(jù)IDC預(yù)測數(shù)據(jù)，2023年AI筆記本+臺式電腦在消費市場、中小企業(yè)市場、大型企業(yè)市場合計銷售額分別為141、32、2.3億元，預(yù)計27年將分別提升至1312、547、449億元人民幣，AI

PC市場規(guī)?？焖僭鲩L。PC新機中AIPC出貨量占比持續(xù)提升，迎來AIPC元年AI

PC市場規(guī)?？焖僭鲩L消費市場AI

PC銷售額（億）

中小企業(yè)市場AI

PC銷售額（億）

大型企業(yè)市場AI

PC銷售額（億）25002000150010005004495471312020232027資料：IDC、國信證券經(jīng)濟研究所整理資料：IDC、國信證券經(jīng)濟研究所整理AI手機：硬件側(cè)-AI手機芯片發(fā)布節(jié)奏提速，高算力支撐更大模型?

AI手機芯片發(fā)布節(jié)奏提速，高算力支撐更大模型推理。AI大模型部署在手機終端運行，利用手機自身算力進行AI大模型的推理，手機算力的大小決定了其能承載AI模型的大??；近期，谷歌、高通、聯(lián)發(fā)科等頭部廠商先后發(fā)布專用AI手機芯片，為手機終端提供了強大的算力支持，進而可以搭載更大參數(shù)量的AI模型，帶來更豐富的應(yīng)用功能和更好的用戶體驗。???Google

Tensor

G3（23年10月）：芯片采用9核心架構(gòu)（1個Cortex-X3超大核+4個Cortex-A715大核+4個Cortex-A510小核），該架構(gòu)使TensorG3在處理多任務(wù)和復(fù)雜計算時更為高效；目前，谷歌手機Pixel8和Pixel

8Pro已經(jīng)搭載該芯片，其支撐運行機器學(xué)習(xí)模型的數(shù)量是Pixel6（即使用第一代Tensor芯片）的2倍。高通驍龍8Gen3（23年10月）：芯片采用“1+5+2”架構(gòu)（1個Cortex-X4+5個Cortex-A720+2個Cortex-A520），NPU升級為Hexagon，AI算力高達73

TOPS，是高通首個專為生成式AI而打造的移動平臺，已支持運行超100億參數(shù)大模型。目前，小米14、小米14

pro、iQOO12、

iQOO12Pro等機型已經(jīng)搭載該芯片。天璣9300（23年11月）：芯片采用“4+4”架構(gòu)（4個Cortex-X4+4個Cortex-A720

），集成第七代APU790

AI處理器，全鏈路對生成式AI進行優(yōu)化，整數(shù)、浮點運算性能都提升了2倍，同Vivo深度合作，已經(jīng)實現(xiàn)70億參數(shù)大模型端側(cè)落地。目前，Vivo

X100、Vivo

X100

Pro等機型已經(jīng)搭載該芯片。GoogleTensorGen3高通驍龍8Gen3天璣9300資料：谷歌、國信證券經(jīng)濟研究所整理資料：高通、國信證券經(jīng)濟研究所整理資料：聯(lián)發(fā)科、國信證券經(jīng)濟研究所整理AI手機：模型側(cè)-蒸餾、剪枝等壓縮技術(shù)支持，多款手機專用AI大模型發(fā)布?蒸餾、剪枝等模型壓縮技術(shù)支持，AI大模型進邊側(cè)成為可能。考慮到邊側(cè)設(shè)備算力、功耗等問題，大規(guī)模參數(shù)的AI模型無法直接部署在手機等端側(cè)設(shè)備運行，蒸餾、剪枝等模型壓縮技術(shù)支持，可以在保留模型大部分能力的同時，大幅降低模型參數(shù)量，AI大模型邊側(cè)部署成為可能。?多款手機專用AI大模型發(fā)布，邊側(cè)AI大模型進入加速期。1）谷歌：23年5月，谷歌發(fā)布PaLM

2大模型，其中，最輕量級的Gecko模型可以直接在各種智能手機設(shè)備上本地化運行，每秒可以處理約20個token，基本滿足移動設(shè)備用戶的需要；23年12月，谷歌發(fā)布Gemini新一代AI大模型，其中Gemini

Nano為端側(cè)大模型，參數(shù)量有18億和32.5億兩個版本，可直接在手機上部署。2）手機廠商：小米自研MiLM-1.3B/6B大模型，小米14已接入自研大模型，可以實現(xiàn)撰寫文字、AI擴圖等功能；Vivo自研“藍心”AI大模型，其中10億、70億版本是面向端側(cè)定制，可以實現(xiàn)文本總結(jié)、文本創(chuàng)作等功能，目前Vivo

X100已接入大模型。模型蒸餾谷歌PaLM

2最小版本可直接在手機側(cè)運行Loss（2）（3）（2）教師模型學(xué)生模型（1）數(shù)據(jù)生成器（1）：數(shù)據(jù)生成器生成大量遷移數(shù)據(jù)，分別送入教師模型和學(xué)生模型；（2）：將教師模型的輸出作為真實值，衡量學(xué)生模型的輸出與它之間的損失；（3）：通過梯度下降等方法更新學(xué)生模型的權(quán)重，使學(xué)生模型的輸出與教師模型的輸出更加接近，從而達到小模型擬合大模型的效果。資料

：談繼勇著-《深度學(xué)習(xí)500問——AI工程師面試寶典》-電子工業(yè)出版社（2021年）-P557

、國信證券經(jīng)濟研究所整理資料：谷歌、國信證券經(jīng)濟研究所整理目錄AI大模型：多模態(tài)方向延伸，視頻模型迎來發(fā)展元年AI算力：國產(chǎn)算力迎歷史機遇期0102AI邊緣側(cè)布局正當時，

AI

PC和手機值得期待AI重塑應(yīng)用百態(tài)，商業(yè)落地逐步兌現(xiàn)0304投資建議：看好AI產(chǎn)業(yè)持續(xù)催化，維持“超配”評級05AI+自動駕駛：短期看感知側(cè)大模型化?

感知側(cè)過去主要應(yīng)用經(jīng)典的CNN(ResNet/Yolo)進行白名單識別，如今BEV+Transformer成為主流，且模型參數(shù)量不斷提升并走向無監(jiān)督。?Tesla

21

AI

Day展示BEV+Transformer，將Transformer模型用到了自動駕駛領(lǐng)域，利用強大的Transformer模型統(tǒng)一處理傳感器數(shù)據(jù)為鳥瞰圖（Birds’Eyes

View）的時空信息，而非CNN的僅空間信息，且CLIP為代表的模型能推理訓(xùn)練集中沒有的標簽，為后續(xù)統(tǒng)一的端到端模型打下基礎(chǔ)。?Tesla

22

AI

Day展示了Occupancy

Network（占用網(wǎng)絡(luò)），將2D圖像轉(zhuǎn)3D空間并預(yù)測空間中每個點被占用的概率，無監(jiān)督不再需要事先的白名單。自動駕駛流程：感知、決策、控制CNN學(xué)習(xí)如何將圖像劃分到已知的標簽類，沒見過則束手無策訓(xùn)練的標簽中不含有“貓”的話則無法識別，會撞上去感知層：五官

決策層：大腦易控制層：四肢

資料：Think

Autonomous、國信證券經(jīng)濟研究所整理資料：Think

Autonomous、國信證券經(jīng)濟研究所整理占用網(wǎng)絡(luò)預(yù)測空間中每個點的“占用”，因此即使沒見過也能識別占用網(wǎng)絡(luò)18年便提出，實現(xiàn)并不難，難在高質(zhì)量數(shù)據(jù)覆蓋邊角情況資料：Tesla、國信證券經(jīng)濟研究所整理資料：GitHub、國信證券經(jīng)濟研究所整理AI+自動駕駛：長期從模塊化走向端到端?過去自動駕駛?cè)缤瑐鹘y(tǒng)車企模塊化造車，多個不同模塊覆蓋不同功能共同協(xié)作，且需要大量手寫規(guī)則。?Tesla

FSD

v12之前用類似MoE的架構(gòu)，幾個稍小的神經(jīng)網(wǎng)絡(luò)共同協(xié)作，如Occupancy

Network預(yù)測空間占用，HydraNet識別車道線等，再由決策網(wǎng)絡(luò)給出潛在路徑并打分選取最高分的路徑執(zhí)行。?

Tesla

FSDv12采用端到端的模式，一個大型神經(jīng)網(wǎng)絡(luò)直接接受視覺輸入并輸出執(zhí)行動作。?模型變大背后是海量高質(zhì)量數(shù)據(jù)集，讓模型不至于過擬合的同時獲得涌現(xiàn)能力。端到端模型2016年便出現(xiàn)了，但受限于數(shù)據(jù)僅僅是一個玩具模型。FSDv12看上去代碼數(shù)量從原來包含手寫規(guī)則的30

多萬行縮減到了搭建神經(jīng)網(wǎng)絡(luò)的2000

行，實際上背后是數(shù)百萬輛Tesla汽車采集數(shù)年Corner

case得到的數(shù)據(jù)集經(jīng)由充分訓(xùn)練得到的參數(shù)量未知的大模型。?模型變大背后也需要大量的訓(xùn)練算力支撐不斷迭代。Tesla根據(jù)自身工作負載設(shè)計了ASIC集群Dojo，和Nvidia集群一起完成FSD的訓(xùn)練。FSDv12之前的模塊化架構(gòu)FSDv12用一個神經(jīng)網(wǎng)絡(luò)完成多個流程目前Tesla全球第二多的A100和第四多H100資料：Tesla、國信證券經(jīng)濟研究所整理資料：eet-China、國信證券經(jīng)濟研究所整理資料：StateofAI、國信證券經(jīng)濟研究所整理AI+自動駕駛：低成本化趨勢持續(xù)?低部署成本：激光?

2Q23

Tesla電話會稱與OEM洽談FSD授權(quán)。歷史上看Tesla也不在意（創(chuàng)新和規(guī)模效應(yīng)帶來的）成本優(yōu)勢之外的護城河，例如開放超充網(wǎng)絡(luò)給第三方。如若FSD開放授權(quán)，不需要激光

的FSD對其他車企由于成本優(yōu)勢更具吸引力。等成本仍是產(chǎn)業(yè)趨勢，例如搭載3顆激光、高精度地圖等的成本較高，Tesla因而采用了純視覺、無圖的技術(shù)路徑。?短期通過激光+多模態(tài)信息融合可以快速彌補視覺模型的不足，但長期降低的阿維塔11定價達40萬。?低推理成本：新能源車上的AI芯片需要做到低能耗、低延遲同時有一定的算力，Tesla因而從Nvidia

GPU切換至自研NPU。主流廠商解綁高精地圖以降低成本

純視覺方案更具成本優(yōu)勢

Tesla自研NPU以滿足FSD需求時間廠商措施完全去高精地圖自動駕駛解決方案DeepRoute-Driver

3.0特斯拉Model

Y設(shè)備價格小鵬G612個5個3月22日

元戎啟行3月30日

小鵬汽車4月2日

大疆車載4月11日

毫末智行4月12日

智己汽車4月16日芯片CPUCPU頻率NPU數(shù)量NPU頻率單NPU算力SoC總算力內(nèi)存FSD112

A722.2GHz2FSD220

ARMv82.35

GHz32.2GHz40.55

TOPs121.65

TOPsGDDR614000

MT/s16GB224

GB/s三星

5nm推出不依賴高精地圖的XNGP

預(yù)計在24年實現(xiàn)，超聲波100元內(nèi)00不依賴高精地圖全場景下的輔助駕駛?cè)乱淮悄荞{駛解決方案，不依賴高精地圖、1500-2000元2GHz不依賴激光、僅有攝像頭的純視覺方案毫米波激光36.86

TOPs73.7

TOPsLPDDR44266

MT/s8GB發(fā)布其重感知輕地圖的城市NOA方案，搭載在長城旗下魏牌摩卡以及藍山上城市NOA領(lǐng)航輔助以及替代高精地圖的數(shù)據(jù)驅(qū)動道路環(huán)境感知模型，已開啟公測6000-7000元2個0內(nèi)存速率內(nèi)存容量內(nèi)存帶寬制程發(fā)布HUAWEI

ADS2.0

問界M5智駕版將成為首，攝像頭200元內(nèi)12個約3萬8個約1萬個搭載的車型，預(yù)計年底推廣到45城年底計劃向全國一百個城市推送城市NOA功能，68.3

GB/s三星

14nm總成本4月18日

理想汽車

其NOA架構(gòu)同樣不依賴高精地圖，僅需導(dǎo)航地圖即可實現(xiàn)城市OA功能資料：36Kr、國信證券經(jīng)濟研究所整理資料：汽車之家、國信證券經(jīng)濟研究所整理資料：SemiAnalysis、國信證券經(jīng)濟研究所整理AI+自動駕駛：大模型提升合成數(shù)據(jù)與自動標注效率?

合成數(shù)據(jù)做真實數(shù)據(jù)的“杠桿”，彌補真實數(shù)據(jù)“數(shù)量不足”，補充Corner

case。?

利用大模型（World

model）合成數(shù)據(jù)能兼顧隱私保護與數(shù)據(jù)的可用性、高效生成在真實場景中很難獲取的Corner

Case、緩解數(shù)據(jù)不足時過擬合的問題，加速模型落地。?

利用大模型對數(shù)據(jù)自動標注，從而實現(xiàn)FSD快速迭代、快速解決corner

cases的效果。?

早期Tesla在2D圖像上手動標注，如今采用4D自動標注，即用大模型重構(gòu)出3D空間和時序信息，再重建出道路和車輛等標簽信息。用法如Tesla

派了一龐大的車隊，采集了1萬+惡劣天氣場景的視頻片段，然后在一周內(nèi)就自動標注完了，然后送到網(wǎng)絡(luò)里面去訓(xùn)練。UniSim等大模型可以高效合成數(shù)據(jù)，加速模型落地自動標注系統(tǒng)幫助FSD快速迭代，形成數(shù)據(jù)閉環(huán)資料：eet-China、國信證券經(jīng)濟研究所整理資料：九章智駕、國信證券經(jīng)濟研究所整理AI+自動駕駛：激光+大模型的無圖方案?硬件層面，自研了傳感器（特別是激光）和SoC芯片。??激光激光通過向四周散射激光，基于反饋判斷周邊是否存在障礙并生成點云圖。好處是抗干擾能力強、獲得精確的景深數(shù)據(jù)，但壞處是成本較高數(shù)量減少。早期合作推出的極狐阿爾法S

HI版和阿維塔11配備了三顆激光，最終定價都觸及了40萬元的高位。后期問界M5、M7以及智界S7只采用一顆自研的激光以降低成本。?軟件層面，AI模型對標Te