前言:有报道称,管理层着力推动大模型算法技术突破,信部表示下一步大力推动制造业数字化转型,推动人工智能创新应用。主要从以下四个方面着力。一是夯实人工智能技术底座,二是推动重点行业智能化升级,三是推动智能产品和装备发展,四是加强支撑服务体系建设。本篇就和大家来聊聊AI大模型赛道。工
特别说明:
有看官对我各种系列觉得好奇,想问问我是如何分类的。这里统一回复下:
对于任何的题材实际都要经历四个阶段,分别是:萌芽、成长、爆发和衰退。我不同的系列实际对应的就是不同的阶段。
萌芽阶段:依赖于专业深度和人脉广度,像21年6月和大家全网首次分享「元宇宙」题材就是如此,限于规则关系,这部分内容我分享的很少,如果时机成熟,可以多分享一下。
成长阶段:依赖于资金厚度和政策力度,像连续2年的年度总结中我都谈到的储能就是如此。这是我分享的主要内容,也就是「前瞻系列」的由来。
爆发阶段:依赖于市场氛围和专业深度,像去年初和今年末爆发的数字经济概念就是如此,爆发阶段的确是大家已经熟悉的赛道,但赛道能不能挖掘出新意,决定了你的收获,像去年数字经济,我率先分享了温控赛道,这就是「风口系列」的由来。
衰退阶段:潮起就有潮落,这阶段或许还比较火,但问题就明显了,国内的投研圈也是报喜不报忧的多,有的也会被掩埋,我会尽我所能给大家做「吹哨人」。
本篇目录
1. 从ChatGPT核心说起
2. 认识AI大模型
3. 行业现状
4. 应用场景
5. 相关上市公司
6.独家核心提示
一,从ChatGPT核心说起
1.核心优势一,庞大的数据训练数据。
数据是所有人工智能(或大数据)的“燃料”,往往愈发庞大的“燃料”意味着模型的精准度的提升,数据量的大小跟深度学习(大数据)的准确度庞大的正相关。此外,数据量的大小对于运算计算机算力的要求往往呈现指数级别的关系,这也是强大算法的核心需求。
2.核心优势二,模型训练方面,Transformer 算法正逐步取代 RNN(循环神经网络)。
Transformer 算法在神经网络中具备跨时代的意义: RNN 和 CNN 已经广泛应用于序列模型、语言建模、机器翻译并取得不错效果,然而在算法上仍有一定限制和不足。Transformer 具备跨时代的意义的原因是算法上添加了注意力机制,这种机制具备突破性的原因在于1、突破了 RNN 模型不能并行计算的限制;2、相比 CNN 模型,关联所需的操作次数不随距离增长;3、模型解释力度明显加强。从结果上看,根据 CDSN 数据,Transformer 的综合特征提取能力、远距离特征捕获能力、语义特征提取能力,全部明显增强,因此此算法正逐步取代 RNN 算法,也是 ChatGPT 算法的底座。
3.核心优势三,模型训练部分,AI 预训练模型(大模型)引发了 AIGC 技术能力的质变。
AI 预训练模型的出正是人工智能发展的未来和趋势, AI预训练模型(大模型)即“大算力+强算法”结合的产物。大模型通常是在大规模无标注数据上进行训练,学习出一种特征和规则。基于大模型进行应用开发时,将大模型进行微调,如在下游特定任务上的小规模有标注数据进行二次训练,或者不进行微调,就可以完成多个应用场景的任务。AI 预训练模型的本质是机器对自然语言理解能力的不断提升,此外,参数量往往是计算空间的复杂程度,模型空间越复杂,往往意味着庞大的计算量,计算量和参数量呈现正比关系。这也是随着 AI 的功能强大,AI 对算力呈现指数级别根本需求的本质原因。
4.核心壁垒四,模型训练方面,多模态数据协同极大的推动 AIGC 的内容多样性与通用性
预训练模型更具备通用性、多才艺的根本原因得益于多模型技术(multimodal technology)的使用,即多模态表示图像、声音、语音融合的机器学习。
在多模态技术的支持下,预训练模型已经从早期单一的自然语言处理和机器视觉发展成自动生成图画、图像文字、音视频等多模态、跨模态图型。Dall·E2 就是典型的代表,CLIP 模型让文字和图片两个模态找到能够对话的交界点。
二,认识AI大模型
AI大模型就是Foundation Model(基础模型),指通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模型。一般认为,AI大模型发展起源于自然语言处理领域。在2017年Transformer网络提出后,伴随着参数量的不断提升,它在自然语言处理领域慢慢成为基础性架构,并在2018年其参数量达到3亿规模,也就是我们所熟知的BERT。基于如此之大的参数量,研究者发现它能够同时出色地完成多种自然语言处理任务,这也就吸引了越来越多的人加入其中。
分为单体模型、混合模型两类
单体/稠密模型:OpenAI GPT-3,华为盘古/鹏程盘古α(MindSpore支撑);模型规模的扩展是全结构的扩容;
混合/稀疏模型:Google Switch Transformer,智源悟道2.0,阿里M6。一般来说是选择一个基础的稠密模型,通过MoE稀疏结构扩展FFN部分,以此来达成模型的扩容。
以GPT为例,大模型的优势和局限
1)自监督学习功能,大幅降低对数据量的需求:
2)预训练大模型+细分场景微调,更适合长尾落地
3)有望进一步突破现有模型结构的精度局限
4)有可能新的更佳的商业模式:未来可能部分API收费,不排除按调用量收费
5)对自然语言逻辑理解仍有缺陷
6)对存储、算力要求极高,普通机构难以复现
三,行业现状
1.图神经网络应用与日俱增,有望成为下一时代的风口浪尖
图形神经网络和相关技术的发展已经具有“脱胎换骨”的意义,例如化学合成、车辆路由、3D 视觉、推荐系统、连续控制、自动驾驶和社交网络分析,目前已经应用在社会结构、电子健康记录建模、药物发现和合成化合物、推荐系统、交通预测、链接预测点云分类与分割、人物交互、文本分类、姿态估计、芯片设计等众多前沿领域。
2.我国国产大模型生态正在形成
3.国产 ChatGPT 生态逐渐繁荣
目前已有诸多厂商开展合作,其商业模式同样为 API 接口收费,属于 SAAS 商业模式,合作厂商分别覆盖科技、教育、工业、媒体、金融等诸多产业,代表公司有宇信科技、汉得信息、金蝶、航天宏图、致远互联、东软集团等。
四,应用场景
1.智能制造
•智能质检:在AI赋能下对产品表面的缺陷的智能化判断,对产品性能的可视化预测
•智能设备运维:与已大量收集的历史数据对比,在设备发生故障之前进行可预测性的分析及维护
•智能巡检:电力、能源、化工等企业的智能监控、智能巡检、智能预警等,减少人力巡检的需求
目前AI在制造业主要用于解决可见问题(如缺陷检测),未来需要通过发现和预测生产系统中的不可见问题(如工艺优化)实现生产效率提升和产品竞争力突破
2.智慧仓储物流:移动机器人市场持续高增
•无人仓储:以移动机器人作为承载平台,以智能仓储设计及管理优化算法为核心,通过搬运机器人协同及调度技术,结合仓储管理软件、自动化物流设备接口,共同实现智能化物流的现代仓储系统
•智慧供应链:制造业推进了供应链管理自动化,利用大数据、机器学习等技术,对物流、资金流、信息流等信息进行整合,实现产品生命周期全过程的高效协同,打通与外部供应商和客户的联结
传统制造产业转型升级需求持续,疫情对传统用工方式冲击不断,自动化物流需求持续旺盛,预测未来五年,国内移动机器人市场将持续保持40%以上的增长
3.智慧金融:实现个性化、精细化和普惠化
•反欺诈和风险评估:银行通过大量数据中后台处理,建立信贷风险预警系统以及审批机制,加强了金融市场整体的监督管理力度
•智能投顾:借助AI为用户提供符合其风险偏好的投资方案和投资策略,完成投资执行,并基于市场监控调整投资组合方式,降低风险
•保险理赔和结算:AI在核保理赔、智能结算、自动化结案等场景应用,完善核保流程,预判欺诈风险,并实现理赔材料上传和审核的线上化和自动化,加速理赔流程
4.智慧医疗:潜力巨大,部分场景已经成熟
•语音录入病历:高效记录医患沟通,助推医疗信息化
•医疗影像分析:病灶识别与标注,减少医生重复性工作;辅助医生降低误诊概率 •辅助诊疗:利用自然语言处理、知识图谱、计算机视觉等各种AI技术,综合病人各维度信息及医疗知识进行推理、诊疗
•新药研发:人工智能可在新药研发的规划、设计、临床试验等环节发挥作用,通过对包含基因、蛋白结构等信息的生物大数据和海量临床大数据进行分析,缩短新药研发周期,降低药物研发的不确定性
5.智能家居:生态体系与应用场景的双向扩张
•阶段一,单品智能化。其中以家电产品智能化为代表,传统家居产品也紧跟智能化趋势步伐,实现家居产品与信息技术的融合,同时也会衍生出新型的智能家居产品
•阶段二,单品之间互联互通。不同品牌、不同品类的产品之间在物理上互联、在数据上互通,这需要智能家居中的所有产品运营在同一平台之上
•阶段三,系统智能化。这一阶段产品间的互动互通都是机器的主动行为,不需要用户去人为干涉,这一阶段的实现不仅需要大量物联网设备感知数据,还需要与AI算法技术深度配合
根据Statista,2020年全球智能家居市场规模达到276亿美元,未来几年将延续15%左右的年复合增长率,到2024年智能家居设备消费者支出将达到471亿美元
五,相关上市公司
为方便大家对我每天整理的题材、概念涉及的个股进行收集、归纳、整理,即日起,我按照发布时间将每天涉及的板块个股做合集清单,方便大家翻阅,见下图
特别说明:以下仅为部分个股,个股业务匹配度有差异,故表现有强弱、先后区分,故需进一步阅读对应的第三方独立「个股报告」进行筛选,但因版权方要求,「个股报告」仅在「内部报告」栏目提供。
PS:关于图片显示不完整
1)个股大家可以自己收集,关键还是看逻辑,我也只是收集整理,并不涉及判断好坏
2)图片较大,全部上传,清晰度不够
3)「高匹配度个股核心内容解读」涉及商业利益,不适合在公众平台发布
六,独家核心提示
「前瞻系列」,自然是有些超前的,超前并不等于没有表现,但至少说明目前还没有被市场充分挖掘,而其中最容易出现的就是个股行情带动板块行情,所以在个股的把握上更为重要,这时候特别要关注「公司业务匹配度」的情况,也就是「高匹配度个股核心内容解读」中的内容,只有关联度高才能有持续表现。
以上是我自己研究的方向和思路,也就是和大家一起分享下。
本人不推荐任何个股,不收会员,没有QQ群,也没有微信群,也从不与任何人发生利益关系,所有信息只为自己学习使用,不作为买卖依据,买者自负,卖者也自负。
老概不求名不求利,但求各位乡亲看完之后点个赞,关注下,如果能留个言表个态更好,赠人玫瑰,手有余香,如果有说得不理想的地方,还求大家轻拍。
$拓维信息(SZ002261)$