前瞻研究全球人工智能AI行業(yè)系列報告6：人工智能AI將如何影響軟件行業(yè)

證券研究報告請務必閱讀正文之后第35頁起的免責條款和聲明AI+軟件的快速融合，AI+軟件的快速融合，正在給全球軟件產(chǎn)業(yè)帶來長周期、深遠的影響。針對底層算法模型，第三方軟件服務商需要結(jié)合自身專有數(shù)據(jù)集積累、技術&資金能力、產(chǎn)品形態(tài)等，在閉源方案、開源生態(tài)之間做出抉擇，彼此優(yōu)劣勢亦十分明顯。LLM帶來內(nèi)容生成、自然語言交互、信息檢索效率的大幅改善，將使得偏平臺型、垂類應用軟件顯著受益，但也將大概率導致部分業(yè)務邏輯簡單、偏中間態(tài)的單點軟件產(chǎn)品方案明顯受損，同時借助人機交互效率的大幅改善，用戶對基礎軟件的使用門檻料顯著降低，利好數(shù)據(jù)管理、信息安全、運維等基礎軟件板塊。我們判斷，LMaaS(大語言模型即服務)、插件(鏈接外部知識、工具)、關聯(lián)落地(Grounding，優(yōu)化用戶提示、輸出結(jié)果等)等將構成后續(xù)軟陳俊云核心觀點中信證券研究部前瞻研究首席分析師S080001許英博科技產(chǎn)業(yè)首席分析師S120041劉銳前瞻研究分析師賈凱方前瞻研究分析師S0001件產(chǎn)業(yè)的核心關鍵詞，不斷驅(qū)動軟件產(chǎn)業(yè)平臺化、模塊化發(fā)展，并最終帶來更加緊密、復雜的軟件產(chǎn)業(yè)分工協(xié)作體系。我們看好當下美股軟件板塊，市場最悲觀時候已基本過去，建議不斷聚焦應用層的平臺型、垂類軟件廠商，以及基礎層的數(shù)據(jù)管理、信息安全、運維、軟件開發(fā)等廠商，建議持續(xù)關注：微軟、Salesforce、ServiceNow、Adobe、Snowflake、Datadog、MongoDB、Confluent、PaloAlto、Crowdstrike等。▍報告緣起：從ChatGPT到微軟Co-pilot，近半年內(nèi)AI產(chǎn)業(yè)的突破式進展將重構軟件行業(yè)生態(tài)。在短短半年里，AI產(chǎn)業(yè)取得了顯著進展，以ChatGPT為例，自2022年11月推出后，2個月內(nèi)活躍用戶突破1億，創(chuàng)下全球消費者應用的增長紀錄。全球科技巨頭爭相投身AI市場，如微軟將ChatGPT整合到Azure、Office等產(chǎn)品，谷歌推出類似產(chǎn)品Bard，百度在國內(nèi)推出文心一言。這些舉措加速了AI產(chǎn)業(yè)化進程，亦在推動AI+軟件的快速融合。這場以底層技術為基礎的AI升級換代，對軟件行業(yè)的產(chǎn)品形態(tài)、交互模式、產(chǎn)業(yè)價值分配將產(chǎn)生長周期、深遠的影響。本報告將重點關注人工智能技術將如何重構軟件行業(yè)生態(tài)。▍算法模型：AI巨頭從開源走向閉源，軟件廠商需要有所選擇。過去五年，前期高額資金投入和原始數(shù)據(jù)稀缺導致資本向頭部AI技術提供商集中，頭部AI廠商如OpenAI和谷歌占據(jù)了絕對話語權并轉(zhuǎn)向商業(yè)盈利導向。這些領先廠商選擇閉源模式，迫使軟件服務商與其合作。相較之下，追趕者如Meta、Amazon和NVIDIA更傾向于培養(yǎng)開源社區(qū)，共同迭代模型以縮小差距。由于底層大語言模型的高門檻以及資源的稀缺性，大多數(shù)軟件服務商沒有能力從底層開始研發(fā)自有的大語言模型，因此需在與閉源頭部廠商合作或選擇免費開源方案之間做出抉擇。相較于開源方案，閉源方案的技術更為領先、開發(fā)效率更高，但較高的調(diào)用次數(shù)可能帶來高昂的成本，亦存在用戶隱私&數(shù)據(jù)安全等顧慮；而相較于閉源方案，基于開源方案自建使得資金投入更加靈活和可控、可最大限制的保護用戶隱私&數(shù)據(jù)安全，但開源方案也存在社區(qū)不成熟、模型迭代速度慢、技術能力落后等問題?？偨Y(jié)而言，對于擁有海量經(jīng)授權的垂類數(shù)據(jù)、充?，F(xiàn)金流以及直接落地場景的軟件大廠適合基于開源模型進行AI能力的構建，對于不滿足以上三項條件的廠商，直接接入閉源模型應為理論上最優(yōu)的解決方案。▍軟件產(chǎn)業(yè)：AI驅(qū)動產(chǎn)品形態(tài)、市場格局重構?；仡櫼苿踊ヂ?lián)網(wǎng)時代，移動互聯(lián)網(wǎng)的快速滲透使得一批新興玩家陸續(xù)涌現(xiàn)，但多數(shù)PC互聯(lián)網(wǎng)時代原有的參與者亦通過移動互聯(lián)網(wǎng)的產(chǎn)品，進一步提升了客戶覆蓋和業(yè)務變現(xiàn)能力，當然也有部分廠商因布局遲緩、戰(zhàn)略失當而黯然離場。我們認為這一邏輯在AI時代亦不例外，未來市場會逐步出現(xiàn)所謂AI原生的新生力量，而軟件市場原有的參與者也將迎來產(chǎn)業(yè)鏈價值的再分配，或受益或受損。應用軟件層面，我們主要從產(chǎn)品體系、客戶結(jié)構、數(shù)據(jù)沉淀、生態(tài)構建等維度來衡量應用軟件領域的受益&受損邏輯。在這一判斷體系下，我們認為品類全面、份額領先、生態(tài)完善、數(shù)據(jù)持續(xù)積請務必閱讀正文之后的免責條款和聲明2累的平臺型廠商，以及格局優(yōu)異、具備獨特數(shù)據(jù)集和直接落地場景的垂類軟件有望率先受益；同時，對于部分功能相對單一、格局尚不明朗的點解決方案廠商，則有可能在新一輪的AI浪潮中受到?jīng)_擊?；A軟件層面，大語言模型的能力并不涉及高性能&高可靠&高可用的數(shù)據(jù)處理、IT基礎設施的性能監(jiān)控&告警，亦無法滿足惡意攻擊的防御需求。與此同時，大模型的訓練、部署以及穩(wěn)定&安全運行仍然需要數(shù)據(jù)管理、性能監(jiān)控、信息安全等系列產(chǎn)品的配合和支持。不過，在軟件開發(fā)環(huán)節(jié)，大語言模型的確有望憑借對代碼的生成和理解能力實現(xiàn)產(chǎn)品和產(chǎn)業(yè)鏈價值的重構；在其他的基礎軟件環(huán)節(jié)，大模型也有望通過簡化處理方式、降低信息復雜度等維度降低從業(yè)人員門檻，拓寬產(chǎn)品覆蓋面和變現(xiàn)方式。▍產(chǎn)業(yè)生態(tài)：更加緊密、復雜的軟件分工協(xié)作體系。我們認為在軟件服務商積極嘗試融入AI能力后，以LMaaS(大語言模型即服務)為核心的新商業(yè)模式將成為主流。LMaaS將重新整合軟件產(chǎn)業(yè)生態(tài)，使企業(yè)分工更加明確。在這一模式下，AI巨頭專注于提供泛用性模型和ToC需求服務，而中小公司則切入特定垂直行業(yè)，根據(jù)需求微調(diào)優(yōu)化模型。這種格局有助于發(fā)揮各自優(yōu)勢，降低成本，提高性能和覆蓋范圍，同時推動行業(yè)生態(tài)的繁榮。LMaaS通過云服務封裝復雜的技術問題，簡化了用戶的本地部署與調(diào)試過程，并統(tǒng)一了面向應用的入口，讓用戶體驗更加友好。插件功能和關聯(lián)落地技術使得LMaaS連接不同的外部API變成可能，極大程度上擴展了大語言模型的上層軟件生態(tài)，也提供給了更多中小型企業(yè)進行創(chuàng)新的土壤。通過這一商業(yè)模式，中小企業(yè)可以專注于解決特定領域問題，利用大型AI公司提供的基礎模型資源降低創(chuàng)業(yè)門檻和技術難度，從而反哺整個行業(yè)。▍風險因素：AI核心技術發(fā)展不及預期風險；科技領域政策監(jiān)管持續(xù)收緊風險；私有數(shù)據(jù)相關的政策監(jiān)管風險；全球宏觀經(jīng)濟復蘇不及預期風險；宏觀經(jīng)濟波動導致歐美企業(yè)IT支出不及預期風險；AI潛在倫理、道德、用戶隱私風險；企業(yè)數(shù)據(jù)泄露、信息安全風險；行業(yè)競爭持續(xù)加劇風險等。▍投資策略：AI+軟件的快速融合，以及美股軟件巨頭的示范效應，正在給全球軟件LLM的大幅改善，將使得偏平臺型、垂類應用軟件顯著受益，但也將大概率導致部分業(yè)務邏輯簡單、偏中間態(tài)的單點軟件產(chǎn)品方案明顯受損，同時借助人機交互效率的大幅改善，用戶對基礎軟件的使用門檻料將顯著降低，利好數(shù)據(jù)管理、信息安全、運e重點公司盈利預測、估值及投資評級(億美元)方法估值(自然年)2AEEEFTO98AdobeADBE.OforceCRM.NiceNow.7keGO.1tCFLT.OOtrikeCRWD.O.8請務必閱讀正文之后的免責條款和聲明3 AI態(tài)、市場格局重構 16應用軟件：平臺型、垂類軟件等有望顯著受益，單點解決方案或?qū)⑹軗p 16基礎軟件：AI顯著降低產(chǎn)品使用門檻，數(shù)據(jù)管理最為受益，安全、運維等亦將受益 21緊密、復雜的軟件分工協(xié)作體系 29 請務必閱讀正文之后的免責條款和聲明4插圖目錄T AICopilotMicrosoft套件進行升級 6圖3：從2017年開始，人工智能的底層研究從小模型轉(zhuǎn)為了大模型 7 圖5：目前成功的人工智能獨角獸都離不開互聯(lián)網(wǎng)大廠的資金支持 8圖6：谷歌+微軟在2022年發(fā)布了約60%的大語言模型相關學術論文 8圖7：OpenAI在文檔中明確聲明只會與合作方分享模型具體的實現(xiàn)細節(jié) 9圖8：人工智能重構軟件產(chǎn)業(yè)中間層：從小作坊式發(fā)展走向工業(yè)化道路 11圖9：Meta開源的LLaMA模型效果好于GPT-3但與更大參數(shù)量的PaLM差距明顯....11圖10：閉源大廠會提供標準化的APIkey以便用戶接入 12圖11：對于大型企業(yè)客戶，OpenAI根據(jù)規(guī)模(Scale)收費 12圖12：4月初，意大利出于對ChatGPT數(shù)據(jù)隱私相關的擔憂宣布禁用ChatGPT 14圖13：Huggingface是大語言模型最大的開源項目之一，但也只擁有1萬用戶 14 5：MicrosoftCopilot產(chǎn)品邏輯 15I PilotAI利用生成式AI從銷售通話中提取信息 17 圖20：全球CRM市場份額(2022) 18圖21：全球ERP市場份額(2022) 18圖22：Salesforce上層應用相關的關系型、非關系數(shù)據(jù)都將在底層數(shù)據(jù)層持續(xù)沉淀....19圖23：Adobe提供的實時客戶數(shù)據(jù)平臺(CDP) 19圖24：SalesforceEinsteinGPTforDevelopers 20圖25：全球低代碼/無代碼/智能開發(fā)工具市場規(guī)模及增速 20圖26：全球低代碼/無代碼/智能開發(fā)工具市場份額 21 圖29：2020年全球數(shù)據(jù)流量比例(按應用類型) 22 分析型數(shù)據(jù)管理和集成市場規(guī)模及增速 23 24 圖35：全球應用程序保護&可用性市場規(guī)模及增速 25 圖38：全球數(shù)據(jù)丟失保護市場規(guī)模及增速 26 圖40：敏捷軟件開發(fā):短的開發(fā)“沖刺” 27 圖42：全球軟件開發(fā)管理市場規(guī)模及增速 28圖43：全球軟件開發(fā)管理市場份額(2021) 28請務必閱讀正文之后的免責條款和聲明5 圖45：基于NLP的大語言模型擁有優(yōu)秀的泛用性，將成為各類任務的底座 29圖46：OpenAI的六大類模型，其中Chat是面向用戶的核心入口 30 圖48：Grounding本質(zhì)上是對用戶指令優(yōu)化并讓大語言模型更精準理解 32圖49：微調(diào)的存在讓大語言模型可以滿足不同垂直領域的需求 33表格目錄 表2：當前主流的開源大語言模型項目及其基礎模型 10 表4：根據(jù)企業(yè)自有數(shù)據(jù)量的不同靈活選擇需要的硬件數(shù)量 13PT 表7：IT監(jiān)控軟件市場主要領域及主要玩家 23 請務必閱讀正文之后的免責條款和聲明6在過去的半年里，我們見證了70年以來AI產(chǎn)業(yè)最為快速的發(fā)展，據(jù)SimilarWeb的數(shù)據(jù)顯示，2022年11月在美國推出的ChatGPT，僅在短短2個月內(nèi)活躍用戶規(guī)模便突破1億大關，成為全球歷史上用戶增長最快的消費者應用。在下游應用領域，微軟宣布將ChatGPT導入到Azure、Office、Bing搜索等產(chǎn)品線中，谷歌亦宣布基于自身的語言大模ChatGPTBard并將AI能力導入旗下的辦公產(chǎn)品workspace中，AI和軟件產(chǎn)業(yè)正在快速融合。Tok信witter010203040506070web融入各類軟件服務中。這場以底層技術為基礎的AI升級換代，對當前軟件行業(yè)的服務模式料將產(chǎn)生顯著影響。我們分析認為，人工智能技術、軟件服務之間存在天然的相關性。本篇報告將以美股軟件巨頭在AI領域的產(chǎn)品布局為起點，系統(tǒng)性地探討AI和軟件的可能的融合方式，以及中長期維度，AI將如何影響、乃至改變軟件產(chǎn)業(yè)。請務必閱讀正文之后的免責條款和聲明7所選擇少數(shù)科技巨頭正在引領AI基礎模型的發(fā)展?；仡櫧甑娜斯ぶ悄苣Ｐ桶l(fā)展，我們發(fā)現(xiàn)AI技術提供商數(shù)量稀少且進入門檻不斷提高。這主要是因為從2017年起，人工智能研究從小模型轉(zhuǎn)向大語言模型，導致模型體量成倍增加，需要更多GPU算力和配套設施投入，大量的前期資本投入以及過長的回報周期阻礙了許多新進入者。型究部繪制大模型時代，模型體積幾何式增長導致前期投入過高，成功者往往依賴科技巨頭的資金、數(shù)據(jù)等支持。在過去五年內(nèi)，我們看到成功的人工智能獨角獸都在尋找互聯(lián)網(wǎng)科技大廠作為其背后的依靠，主要因為：1)能夠得到充足而短時間內(nèi)不求產(chǎn)出的資金支持；2)依靠互聯(lián)網(wǎng)大廠的公有云等相關資源進一步降低成本；3)獲取互聯(lián)網(wǎng)大廠長期以來所積累的優(yōu)質(zhì)數(shù)據(jù)源。LESSWRONG券研究部請務必閱讀正文之后的免責條款和聲明8LESSWRONG券研究部大模型研發(fā)的高門檻讓頭部少數(shù)AI廠商占據(jù)主導權，并開始從技術研發(fā)向商業(yè)化落谷歌等少數(shù)幾家巨頭主導，其他廠商根據(jù)先行者的開源資料以及相關論文進行模仿并創(chuàng)新。但從OpenAI發(fā)布GPT-3走向商業(yè)化盈利開始，谷歌也迅速效仿，不再公布T5模型及后續(xù)版本的細節(jié)。頭部的AI廠商希望將自身的技術優(yōu)勢構筑為商業(yè)化能力的核心壁壘，以延長后來者的追趕時間。00NeurIPS究部請務必閱讀正文之后的免責條款和聲明9row否否否億大小(詞數(shù))T化進度ftCopilotBingAI人工智能頭部廠商從開源走向閉源，利用其綜合優(yōu)勢來保持持續(xù)的領先。谷歌與OpenAI作為行業(yè)內(nèi)的技術領先者已經(jīng)明確選擇了閉源模式：本次OpenAI推出GPT-4的形式與以往模型的發(fā)布都有所不同，OpenAI既沒有公開發(fā)布GPT-4的相關論文，也沒有提供詳細的框架說明，僅僅提供了一份98頁的技術文檔(主要描述模型能力以及相關評測的得分，幾乎沒有任何技術細節(jié))。通過這一方式，OpenAI阻斷了所有借鑒者參考的直接途徑(模型大小、數(shù)據(jù)集構建、訓練方法等)，將閉源的路線堅持到底。通過這一方式，OpenAI迫使想要融入GPT-4能力的軟件服務商與其合作，OpenAI提供對應的API接口以及部署指導。penAIGPT相較于頭部AI廠商，追趕者更傾向于通過培養(yǎng)開源社區(qū)，共同迭代模型以縮小和頭NVIDIA等)可能會選擇開源路線，寄希望通過社區(qū)的力量加速迭代。目前大語言模型開源社區(qū)的主要貢獻者包括Meta、NVIDIA以及Huggingface等，通過分享部分模型與大語言模型相關的知識培訓逐漸培養(yǎng)起了一批開源開發(fā)者。Meta于2023年3月發(fā)布了其新一代大語言模型LLaMA并將源代碼開源給社區(qū)。社區(qū)用戶及企業(yè)可以免費使用公開的模型以及數(shù)據(jù)源，但受證書限制不能用作商業(yè)用途。請務必閱讀正文之后的免責條款和聲明10型型法/數(shù)據(jù)集AlpacaAlpaca自定義數(shù)據(jù)集(1T)JBAlpacaAlpaca+自定義數(shù)據(jù)(2M)tKitOMshareGPTK)ll面對當下情形，軟件服務商需在與閉源頭部廠商合作或選擇免費開源方案之間做出抉擇。在見證了ChatGPT的成功后，擁抱AI能力成為了軟件服務商的普遍共識。Gartner預計到2025年，生成式人工智能將占所有生成數(shù)據(jù)的10%。由于底層大語言模型的高門檻，只有部分科技巨頭有能力完全自研底層模型。而絕大多數(shù)軟件服務商需要在成為閉源頭部廠商的合作伙伴與使用自有數(shù)據(jù)在開源項目的基礎上開發(fā)之間做二選一的抉擇。力圖像生成-市場、設計、生產(chǎn)Artbreeder可選擇主體的年齡、性別換DALL-E、編輯圖像，并提供商業(yè)權利來創(chuàng)造內(nèi)容fe有不同風格和分辨率選項的藝術圖yai創(chuàng)建具有不同風格、長寬比等選項的藝術品，并對制作的內(nèi)容擁有完全mind要，允許根據(jù)電影場景、藝術品或其他圖像創(chuàng)建調(diào)色板算法來創(chuàng)建真正的調(diào)色板草圖創(chuàng)建移動應用程序、網(wǎng)站或登陸頁面的設計視頻生成-市場為客戶制作個性化的頭像板，以創(chuàng)建基于演示文稿或在線會議記錄的視頻esia務Veed.io網(wǎng)，中信證券研究部請務必閱讀正文之后的免責條款和聲明111)軟件提供商選擇閉源廠商方案的優(yōu)缺點分析：與開源方案相比，閉源大廠技術更為領先：目前開源項目的準確度仍不及2021年發(fā)布的前代模型GPT-3.5與PaLM。軟件提供商與閉源大廠成為合作伙伴會得到更加可靠的模型支持。對于數(shù)據(jù)存量較大且存儲種類較為復雜的行業(yè)來說，閉源廠商的模型更能保證在大規(guī)模應用場景下的穩(wěn)定性。以2023年3月Meta開源的LLaMA為例，最大參數(shù)量65B的LLaMA模型在準確率上與2021年谷歌閉源發(fā)布的PaLM模型差距明顯。閉源大廠為軟件服務商封裝中間技術細節(jié)，簡化訓練、部署等環(huán)節(jié)，降低軟件廠商技術難度，并提升接入、開發(fā)效率。與閉源大廠合作大幅簡化了軟件服務商部署大語言模型的難度。由于大型AI模型通常需要強大的計算能力和資源，大多數(shù)企業(yè)和個人難以承擔部署和運維成本。與此同時，模型的推理環(huán)節(jié)可以通過匯編語言對底層CUDA加速框架進行優(yōu)化以降低推理成本，而大部分企業(yè)不具備這請務必閱讀正文之后的免責條款和聲明12一層面的能力和經(jīng)驗。針對上述問題，閉源大廠可以通過云服務平臺將復雜的技術問題進行封裝，使軟件服務商無需關注底層實現(xiàn)，直接使用AI模型并根據(jù)自身業(yè)務對模型進行微調(diào)。此外，閉源模型會直接提供一步到位的API端口，軟件服務商直接將API接入到軟件中就可以使用。penAI與閉源大廠合作的潛在顧慮：昂貴的成本、用戶隱私&數(shù)據(jù)安全等。在與軟件服務商的合作方案上，OpenAI按照使用量來收費。對于數(shù)據(jù)密集型行業(yè)來說，每1GB數(shù)據(jù)的處理需要花費超過8000美元。此外，另一個顧慮在于數(shù)據(jù)源并不掌握在企業(yè)自身手中，對于數(shù)據(jù)隱私程度較高的場景，目前相關的數(shù)據(jù)隱私與安全監(jiān)管仍然不完善。圖11：對于大型企業(yè)客戶，OpenAI根據(jù)規(guī)模(Scale)收費penAI請務必閱讀正文之后的免責條款和聲明132)基于開源方案自建大語言模型的優(yōu)缺點分析：基于開源方案自建大語言模型使資金投入更加靈活與可控。目前開源社區(qū)中基于LLaMA、Alpaca、Bloom等的開源項目都是免費提供。盡管限制商業(yè)化用途，但企業(yè)可以通過提取權重的方式進行規(guī)避。根據(jù)自身的數(shù)據(jù)規(guī)模以及相關業(yè)務對于準確度的要求，企業(yè)可以靈活控制對硬件采購的投入以及相關訓練成本的支出。與此同時，市場也出現(xiàn)了諸如Colossal-AI等開源解決方案，致力于優(yōu)化底層推理和訓練的效率。量(億)小模型-hievedteraFlOP/sper值114%.4214%96416%80813%8824%845%887%184080.208az信證券研究部開源方案可將數(shù)據(jù)留在本地，最大限度地保護用戶隱私和數(shù)據(jù)安全。對于數(shù)據(jù)安全至關重要的行業(yè)，確保數(shù)據(jù)隱私是選擇基于開源方案自建的最大理由。2023年4月，意大利就因為擔憂數(shù)據(jù)隱私與保護監(jiān)管的制度不完善禁止企業(yè)使用ChatGPT，三星亦因擔心內(nèi)部資料泄露問題限制了部分部門對ChatGPT的訪問。盡管目前相關限制并未涉及API和模型實例的使用，但基于數(shù)據(jù)隱私的考慮，基于開源方案自建是企業(yè)的最優(yōu)選擇。請務必閱讀正文之后的免責條款和聲明14開源方案的潛在問題：社區(qū)不成熟，模型迭代速度慢，與閉源模型技術能力存在明顯差距。目前大語言模型開源社區(qū)主要的推動者包括Meta、Huggingface、NVIDIA等，但如Meta只開源了部分模型以及語料數(shù)據(jù)。且受限于大語言模型的高門檻，開源社區(qū)的活躍用戶無法與其他小模型相比。在這種情況下，短時間內(nèi)我們很難看到開源模型通過社區(qū)迭代發(fā)生能力上的飛躍。開源社區(qū)仍然需要頭部大廠花費更多精力與資源對開發(fā)者進行培訓與課程教育。ehub小結(jié)：總結(jié)而言，對于擁有海量經(jīng)授權的垂類數(shù)據(jù)、充?，F(xiàn)金流以及直接落地場景的軟件大廠適合基于開源模型進行AI能力的構建，比如Bloomberg基于BLOOM(GPT-3變種)的純解碼器因果語言模型構建了BloombergGPT，其訓練數(shù)據(jù)集為超過7000億個標簽數(shù)據(jù)的大型訓練語料庫，金融數(shù)據(jù)集包含3630億個標簽，占據(jù)54.2%的訓練集。海量的垂類經(jīng)授權語料(網(wǎng)頁、新聞、公告、新聞、彭博自有數(shù)據(jù))，在情緒分析、風險管請務必閱讀正文之后的免責條款和聲明15理、知識圖譜、配置建議等方向的直接落地場景，以及相關人才、資源的穩(wěn)定支持使得Bloomberg基于開源模型訓練AI能力具有充分的價值。類似的，我們認為生命科學CRM&研發(fā)管理領域的Veeva亦有能力基于經(jīng)授權的垂類語料賦能醫(yī)療CRM、藥物研發(fā)流程管理環(huán)節(jié)。當然，對于不滿足以上三項條件的廠商，直接接入閉源模型應為理論上最優(yōu)的解決方案。值得一提的是，對于Salesforce、Workday等平臺型應用軟件廠商而言，盡管具備充裕的資源和落地場景，但其平臺上的數(shù)據(jù)集多為用戶私有數(shù)據(jù)，無法投入模型訓練。因此，參照MicrosoftCopilot產(chǎn)品實現(xiàn)邏輯，通過用戶私有數(shù)據(jù)增強prompt后，導入微調(diào)閉源模型進行推理，進而實現(xiàn)內(nèi)容生成、流程&命令自動化等效果應為這類廠商實現(xiàn)AI能力的主要方式。請務必閱讀正文之后的免責條款和聲明16：AI驅(qū)動產(chǎn)品形態(tài)、市場格局重構回顧移動互聯(lián)網(wǎng)時代，移動互聯(lián)網(wǎng)的快速滲透使得一批新興玩家陸續(xù)涌現(xiàn)，但多數(shù)PC互聯(lián)網(wǎng)時代原有的參與者亦通過移動互聯(lián)網(wǎng)的產(chǎn)品，進一步提升了客戶覆蓋和業(yè)務變現(xiàn)能力，當然也有部分廠商因布局遲緩、戰(zhàn)略失當而黯然離場。我們認為這一邏輯在AI時代亦不例外，未來市場會逐步出現(xiàn)所謂AI原生的新生力量，而軟件市場原有的參與者也將迎來產(chǎn)業(yè)鏈價值的再分配，或受益或受損。當然，基于所處產(chǎn)業(yè)環(huán)節(jié)、競爭格局、產(chǎn)品體系、客戶結(jié)構等諸多因素，不同參與者的受益&受損邏輯和程度亦有所區(qū)別，以下我們將分別從應用軟件、基礎軟件兩個層面進行展開分析。我們主要從產(chǎn)品體系、客戶結(jié)構、數(shù)據(jù)沉淀、生態(tài)構建等維度來衡量應用軟件領域的受益&受損邏輯。在這一判斷體系下，我們認為品類全面、份額領先、生態(tài)完善、數(shù)據(jù)持續(xù)積累的平臺型廠商，以及格局優(yōu)異、具備獨特數(shù)據(jù)集和直接落地場景的垂類軟件有望率先受益；同時，對于部分功能相對單一、格局尚不明朗的點解決方案廠商，則有可能在新一輪的AI浪潮中受到?jīng)_擊。產(chǎn)品體系：我們認為，大語言模型對于應用軟件的強化一方面在于單點功能的增強，比如在銷售環(huán)節(jié)自動進行線索整理、生成銷售策略，在營銷環(huán)節(jié)自動生成營銷文本、個性化廣告投放，在客服環(huán)節(jié)自動生成或擴展客戶問題回復等；另一方面在于增強各項功能的協(xié)同效果，使得交互界面進一步上移，比如用戶可以通過一條指令實現(xiàn)銷售線索歸集整理、營銷內(nèi)容生成及個性化投放的全流程，而這在過去需要在不同的產(chǎn)品頁面中完成。就單點能力的強化而言，我們認為客戶會率先向更容易落地、實現(xiàn)ROI轉(zhuǎn)化的領域進行預算投放，包括客服、營銷、輔助內(nèi)容創(chuàng)意等領域。而就各項功能的協(xié)同而言，顯然產(chǎn)品體系更為全面、豐富的平臺型廠商相對更容易實現(xiàn)這一效果，而單純單點功能的強化將具有較強的同質(zhì)性 (AI帶來的產(chǎn)業(yè)價值增值部分很難被軟件廠商所獲取)，因此相較于單點產(chǎn)品，平臺型廠商的優(yōu)勢有望在大語言模型的賦能下進一步增強。研究部繪制請務必閱讀正文之后的免責條款和聲明17alesforceGPTforService1)自動邀請客戶進入其他協(xié)作渠道；2)自動生成個性化的客服聊天回復；3)在客戶對話期間自動生成摘要，提高錄入案例的準確性和完成度；4)根據(jù)以往客戶的聊天對話創(chuàng)建知識庫文章，可以向其他客服開放以解決客戶問題GPTforSales的聯(lián)系人；4)自動邀請客戶進入其他協(xié)作渠道PTforMarketing客戶GPTforCommerce1)將客戶數(shù)據(jù)轉(zhuǎn)化為可操作的銷售見解；2)個性化的顧客體驗，一對一的產(chǎn)品推薦；3)使用客戶數(shù)據(jù)有針對性的產(chǎn)品分類GPTforDevelops模型提高開發(fā)人員的工作效率PTforSlackSalesforce究部ilotAI請務必閱讀正文之后的免責條款和聲明18客戶結(jié)構：在過去的應用軟件市場，面向大型企業(yè)客戶的產(chǎn)品和面向SMB客戶的產(chǎn)品往往是割裂的。原因在于大型企業(yè)客戶的需求往往更為復雜，而功能的復雜度往往意味著易用性層面的妥協(xié)，SMB客戶更為傾向于接受功能相對簡單但使用門檻較低的方案。但伴隨著大語言模型的滲透，復雜的功能和配置項可以依賴自然語言的交互進行實現(xiàn)。人機交互界面的簡化，意味著原本為大型企業(yè)客戶設計的產(chǎn)品有機會向SMB客戶下沉，而此前針對SMB用戶的產(chǎn)品則有可能遭受降維打擊。當然，不同客群適用的營銷策略、渠道手段、功能定義均有所區(qū)別，但不可否認的是大語言模型的融入的確增加了企業(yè)級產(chǎn)品客群下沉的可能性。eevaeNow orkday Salesforce ics t omInfo mShopify00信證券研究部MSalesforceiQorAdobeOracleSAPGenesysHubSpotZendesk其他Gartner究部SAPWorkdayOracleUKGSageVismaCornerstone其他Gartner究部數(shù)據(jù)沉淀：正如我們此前論述的觀點，擁有海量經(jīng)授權的垂類數(shù)據(jù)、充?，F(xiàn)金流以及直接落地場景的軟件大廠適合基于開源模型進行AI能力的構建，通過模型本身構建獨特的競爭壁壘。但對于大部分廠商而言，調(diào)用第三方閉源模型仍為理論上最優(yōu)的解決方案。在底層模型同質(zhì)化的背景下，數(shù)據(jù)的獨特性顯然是廠商實請務必閱讀正文之后的免責條款和聲明19現(xiàn)差異化的核心手段。考慮到客戶數(shù)據(jù)的隱私性和安全性至關重要，直接調(diào)用客戶數(shù)據(jù)進行訓練并不現(xiàn)實。因此，在100%的數(shù)據(jù)訪問透明性和客戶數(shù)據(jù)完整性MicrosoftCopilot強prompt后，導入微調(diào)閉源模型進行推理，進而實現(xiàn)內(nèi)容生成、流程&命令自動化等效果應為這類廠商實現(xiàn)AI能力的主要方式。與此同時，廠商可以通過各個客戶的用戶反饋數(shù)據(jù)持續(xù)訓練個性化小模型，進一步優(yōu)化大模型的生成效果，降低“幻覺”問題的出現(xiàn)概率，不斷優(yōu)化用戶的使用體驗。在這一邏輯下，預計擁有海量數(shù)據(jù)&流程沉淀的平臺型軟件廠商亦將充分受益，而僅在工具層面實現(xiàn)淺層次整合的廠商將不具備顯著產(chǎn)品壁壘。alesforce圖23：Adobe提供的實時客戶數(shù)據(jù)平臺(CDP)dobe請務必閱讀正文之后的免責條款和聲明20生態(tài)構建：我們這里提到的生態(tài)構建分為了兩個層面，其一是降低了ISV(獨立軟件開發(fā)商)和SI(系統(tǒng)集成商)的開發(fā)和部署難度，比如Salesforce的EinsteinGPTforDevelopers提供了自動生成Apex語言(一種專為Salesforce開發(fā)的面向?qū)ο缶幊陶Z言)的能力，微軟、ServiceNow等廠商亦將提供自然語言轉(zhuǎn)代碼、工作流、低代碼開發(fā)等層面的能力；其二是在進一步豐富平臺應用的同時大幅降低了應用調(diào)用門檻，大語言模型在降低開發(fā)門檻的同時也使得各類應用的調(diào)用更加便捷，而調(diào)用率和調(diào)用覆蓋面的提升將進一步激發(fā)ISV的開發(fā)熱情，從而形成自我強化的飛輪效應，提升應用平臺的粘性。就以上能力的強化而言，顯然具備成熟的底層應用開發(fā)平臺和較為完善的開發(fā)者生態(tài)的平臺型廠商更為受益。alesforce能開發(fā)工具市場規(guī)模及增速(百萬美元，%)ocodetelligentdevelopertechnologiesYoY % .0% 0.0%25,000.020,000.0000.0E2023E2024E2025E6EIDC證券研究部請務必閱讀正文之后的免責條款和聲明21圖26：全球低代碼/無代碼/智能開發(fā)工具市場份額(2021)SalesforceAdobeServiceNowPegasystemsSiemensOutSystemsShopifyWixQuickbaseOtherIDC證券研究部交付、可重復使用的預構建的功能組件消除了復雜性以及重新構建的需要開發(fā)業(yè)開發(fā)人員構建的功能，從而實現(xiàn)更快、更敏捷的開發(fā)過程者能夠快速構建端到端的簡單或復雜的企業(yè)應用IT管程序的增長，并限制數(shù)據(jù)重復、不一致和不安全批準應用程序開發(fā)活動的標準，并監(jiān)督預算和資源分配準發(fā)必須始終如一地創(chuàng)造積極的用戶體驗，這促進了生產(chǎn)力的提高方案可縮短實現(xiàn)價值的時間只有在它可以產(chǎn)生安全的應用程序時才有效Gartner究部考慮到大語言模型核心在于自然語言的理解和生成能力，這種能力能夠?qū)崿F(xiàn)內(nèi)容創(chuàng)作、內(nèi)容整理，能夠基于對用戶指令的理解嵌入業(yè)務流程的生成和自動化，亦能夠基于上下文和外部信息的補充實現(xiàn)持續(xù)的迭代和推理。但大語言模型的能力并不涉及高性能&高可靠&高可用的數(shù)據(jù)處理、IT基礎設施的性能監(jiān)控&告警，亦無法滿足惡意攻擊的防御需求。與此同時，大模型的訓練、部署以及穩(wěn)定&安全運行仍然需要數(shù)據(jù)管理、性能監(jiān)控、信息安全等系列產(chǎn)品的配合和支持。不過，在軟件開發(fā)環(huán)節(jié)，大語言模型的確有望憑借對代碼的生成和理解能力實現(xiàn)產(chǎn)品和產(chǎn)業(yè)鏈價值的重構；在其他的基礎軟件環(huán)節(jié)，大模型也有望通過簡化處理方式、降低信息復雜度等維度降低從業(yè)人員門檻，拓寬產(chǎn)品覆蓋面和變現(xiàn)方式。以下，我們將對數(shù)據(jù)管理、性能監(jiān)控、信息安全、軟件開發(fā)等細分市場展開具體分析：請務必閱讀正文之后的免責條款和聲明22社交短視頻訂閱模式的流媒體廣社交短視頻訂閱模式的流媒體廣告模式的流媒體游戲音樂VR社交媒體通信數(shù)據(jù)管理：模型預訓練階段需要大規(guī)模、多類別、高質(zhì)量的訓練數(shù)據(jù)，在模型調(diào)優(yōu)階段，垂類小數(shù)據(jù)集、提示詞工程同樣重要。過去由于存儲技術、資源和數(shù)據(jù)庫技術的限制，非結(jié)構化的數(shù)據(jù)無法有效保存和調(diào)用。但隨著存儲技術和云計算的不斷發(fā)展，企業(yè)可以擁有充足的、可擴展的存儲資源和存儲方法。機器學習、自然語言處理、圖像識別等人工智能技術也增加了對海量非結(jié)構化數(shù)據(jù)的需求。由此，能夠?qū)崿F(xiàn)海量數(shù)據(jù)存儲、管理、治理的數(shù)據(jù)湖，實現(xiàn)批量數(shù)據(jù)的清洗、預處理、特征工程的Nosql數(shù)據(jù)庫&數(shù)據(jù)倉庫，實現(xiàn)實時數(shù)據(jù)的集成、高并發(fā)查詢&處理的流數(shù)據(jù)引擎等數(shù)據(jù)管理市場都將受益于AI的高速發(fā)展。與此同時，大語言模型能夠較好的實現(xiàn)自然語言向Sql等專業(yè)的數(shù)據(jù)庫操作語言的轉(zhuǎn)化，降低數(shù)據(jù)分析、機器學習等領域的進入門檻。Medium信證券研究部繪制um3.9%3.9%2.1%.3%%其他數(shù)據(jù)IDC券研究部%)半結(jié)構化與非結(jié)構化數(shù)據(jù)結(jié)構化數(shù)據(jù)IDC券研究部請務必閱讀正文之后的免責條款和聲明23集成市場規(guī)模及增速(十億美元，%) YoY.0%%201720182019202020212022E2023E2024E2025E2026EIDC研究部性能監(jiān)控：與其他應用類似，大模型在運行過程中仍然需要對于性能指標進行實GPU網(wǎng)絡帶寬和延遲、模型訓練和推理速度，以及模型的異常情況和錯誤信息等，這依然需要ITIM、NPM、日志管理工具的配合。但與此同時，考慮到大模型本身的特殊性，在訓練和部署環(huán)節(jié)同樣需要專用的工具完成相關指標的監(jiān)控、調(diào)整和可視化，其中包括：1)實驗管理：在訓練環(huán)節(jié)對于學習率、正則強度、批量大小、迭代次數(shù)等超參數(shù)空間的系統(tǒng)性搜索，選擇最優(yōu)超參數(shù)組合，并記錄和可視化訓練、評估過程；2)性能監(jiān)控：在推理環(huán)節(jié)對于損失函數(shù)、準確率、F1值等各類模型性能指標的監(jiān)控和可視化，橫向&縱向比較模型的性能變化。在大模型推出的開源工具MLflow等均有相應產(chǎn)品，其中Weights&Biases和MLflow在產(chǎn)品完整度和用戶覆蓋面上更為領先。企業(yè)和資源利用率。通過跟蹤組件的利用率(如風扇速度、CPU溫度和使用率、內(nèi)存利用率)，基礎結(jié)構監(jiān)視工具可以提供indsAPM監(jiān)視和優(yōu)化應用程序的性能和運行狀況，不同于其他監(jiān)視工mics日志是在事件發(fā)生時自動生成并加蓋時間戳的文件，日志管理包括用于收集、管理和分析由應用程序和基礎設施生成的大量日志數(shù)據(jù)。將日志數(shù)據(jù)與其他事件關聯(lián)的實時能力也使和威脅管理，以及識別操作性能問題機問題并優(yōu)化網(wǎng)絡性能Gartner究部請務必閱讀正文之后的免責條款和聲明24.000.000.000.000.0 OnpremisesPubliccloudYoY20212022E2023E2024E2025E2026E.0%IDC研究部Anyscale信息安全：對于大模型廠商而言，由于大模型在部署上線之后即允許B端&C端客戶公開訪問，因此其安全防護的邏輯和其他應用程序并無本質(zhì)區(qū)別。因此，我們看到ChatGPT采用Cloudflare的方案防范DDOS攻擊、執(zhí)行訪客流量驗證策略；此前因Redis開源庫漏洞導致的ChatGPT故障、數(shù)據(jù)泄露問題亦表明漏洞掃描、云端工作負載安全、安全態(tài)勢管理等產(chǎn)品在大模型時代同樣具有用武之地。對于大模型用戶而言，一方面需要對于用戶使用權限、數(shù)據(jù)上傳權限進行嚴格限制，在這一方面安全網(wǎng)關產(chǎn)品(CASB、SWG)和數(shù)據(jù)丟失保護產(chǎn)品(DLP)將發(fā)揮顯著作用，網(wǎng)關產(chǎn)品將配合身份認證工具對用戶訪問權限予以細粒度控制，而DLP產(chǎn)品將阻止敏感數(shù)據(jù)的上傳；另一方面亦需要針對黑客利用ChatGPT批量生產(chǎn)的釣魚信息予以針對性防護，這就需要通過對郵件來源、正文、附件、URL鏈接等進行情緒分析、結(jié)構分析等進行相應識別，比如Cloudflare近期就針對AI生成的釣魚郵件推出了專門的郵件安全方案。當然，對于安全運營團隊(SOC)而言，大語言模型的引入能夠顯著提升安全信息的可讀性，并輔助生成易于理解的安全事件解決方案，降低安全運營的門檻。請務必閱讀正文之后的免責條款和聲明25loudflare%)APIsecurityBotmanagementDDoSmitigationWebapplicationfirewallYoY000202120222023202420252026究部繪制請務必閱讀正文之后的免責條款和聲明26及增速(百萬美元，%)0CASBSWGYoY20202021E2022E2023E2024E2025E%IDC研究部AmericasEMEAAsia/PacificYoY2018201920202021E2022E2023E2024E2025E.0%IDC研究部圖39：全球消息安全市場規(guī)模及增速(百萬美元，%)0OnpremisesPubliccloudYoY20212022E2023E2024E2025E2026E.0%IDC研究部請務必閱讀正文之后的免責條款和聲明27能力制點支持對終端、網(wǎng)絡、云和工作負載的安全防護和控制能力，獲取更大范圍的安全把各種安全日志、告警等數(shù)據(jù)進行匯總，以便于進一步的威脅分析；聯(lián)動不同層作。處理和機器學習比單個安全產(chǎn)品提供更加強大的威脅檢測能力。海量安全數(shù)據(jù)的處理需要具備大需要依賴機器學習等人工智能算法增強對高級威脅的分析、攻擊殺傷鏈的理解和還原；讓安全人員可以聚焦處理數(shù)量有限、真正需要企業(yè)安全人員手動操作的頻率和人為操作出錯的概率，提高安全運營效率；XDR支持安全響應任務的編排能力，讓用戶對文件、權限、主機和網(wǎng)絡執(zhí)行經(jīng)過預先設計編排過的手動和自動的補救措施，提高。能力增強了企業(yè)用戶的安全可見性，提升威脅檢測時Gartner全，中信證券研究部軟件開發(fā)：對于軟件開發(fā)者而言，新特性的設計和開發(fā)是具有價值的，但編寫完成的代碼由存儲庫轉(zhuǎn)移到實時生產(chǎn)環(huán)境中仍需要經(jīng)歷集成、測試、發(fā)布、運維等多個流程，這些流程對于客戶而言并沒有附加價值。因此，企業(yè)開發(fā)者團隊需要借助Devops工具自動化低價值的流程，以更快實現(xiàn)新功能的發(fā)布。正是由于軟件開發(fā)流程有價值的環(huán)節(jié)體現(xiàn)在項目管理&協(xié)作和代碼編寫&托管兩個節(jié)點，因此這兩個節(jié)點上的頭部參與者具備整合軟件開發(fā)全鏈條的較大潛力。根據(jù)IDC的統(tǒng)計，2021年全球軟件開發(fā)市場Top2的玩家分別為Atlassian和微軟，恰好對應項目管理&協(xié)作、代碼編寫&托管兩個節(jié)點的龍頭。根據(jù)IDC，在大語言模型普及之前，Atlassian的份額以及份額獲取速度持續(xù)領先于微軟。但大語言模型普及之后，GitHubCoPilot能力的強化大幅提升了開發(fā)效率，開發(fā)鏈條的核心有可能由項目管理向代碼編寫&托管轉(zhuǎn)移，這在一定程度上可能削弱Atlassian的競爭優(yōu)勢和平臺化潛力，而更為利好微軟的全鏈條整合。當然，與GitHub在同一環(huán)節(jié)競爭的GitLab更有可能受到直接沖擊。沖刺”來源：Pivotal.io請務必閱讀正文之后的免責條款和聲明28研究部8,000.06,000.04,000.02,000.0OnpremisesPubliccloudYoY20212022E2023E2024E2025E2026E%%IDC證券研究部額(2021)AtlassianBroadcomGitLabJFrogMicroFocus請務必閱讀正文之后的免責條款和聲明29HubCoPilot▍產(chǎn)業(yè)生態(tài)：更加緊密、復雜的軟件分工協(xié)作體系人工智能浪潮帶來的另一個變化是科技巨頭構建以人工智能服務為核心的新商業(yè)模式，使軟件產(chǎn)業(yè)分工更加明確。LMaaS(大語言模型即服務)將成為AI服務提供商的主要商業(yè)模式，以泛用的大語言模型為基礎統(tǒng)一過去公有云中的繁雜PaaS層，并更好地融入軟件層。大語言模型以語言為出發(fā)點，相較于過去的小型模型具備更好的泛用性。如ChatGPT等大語言模型擁有廣泛知識和技能，能應對不同領域問題?；诖笳Z言模型的公有云服務能提供比原先更優(yōu)的PaaS+SaaS層體驗，用戶通過單一模型可對接多種外部API并更好地理解用戶意圖。e目前以OpenAI&微軟為代表的廠商已經(jīng)構建起以LMaaS為核心的商業(yè)模式，圍繞GPT逐步向上下游拓展生態(tài)。目前OpenAI的主要模型包括GPT-4、GPT-3.5、Dalle2、請務必閱讀正文之后的免責條款和聲明30Whisper、Embedding等，包含了泛用大模型、圖片、語音、微調(diào)等多個維度，其中最為泛用的GPT類模型將作為一個接口根據(jù)用戶需求調(diào)用不同的模型。penAI定價方面，OpenAI的LMaaS模型提供了訂閱以及按量收費兩種模式。訂閱模式主要開放給個人用戶，用戶根據(jù)使用需求支付周期性費用，享受一定時期內(nèi)的模型服務。API按量收費模式主要開放給使用較少的個人用戶與體量較大的企業(yè)用戶，用戶根據(jù)實際調(diào)用API的數(shù)據(jù)量或是席位數(shù)支付費用，這樣用戶可以根據(jù)業(yè)務量靈活調(diào)整支出。tionntextntextgpt-turboAda(Fastest)tpowerfulgmodelsiningAdadelsAdaOpenAI研究部請務必閱讀正文之后的免責條款和聲明31插件功能(Plugins)使LMaaS能夠連接不同的外部API，極大地擴展了大語言模型的上層軟件生態(tài)。OpenAI于2023年3月在ChatGPT中推出插件接口，旨在接入小公司的微調(diào)成果。第三方廠商可將自有數(shù)據(jù)源和部分算法作為ChatGPT上的插件，使ChatGPT能調(diào)用插件中的外部API接口獲取信息。插件提供者使用OpenAPI標準編寫API，此API將被編譯成一個提示，告知ChatGPT如何使用API增強其答案。用戶選擇對應插件后，如ChatGPT需從API獲取信息，它將發(fā)出請求并在回應前將信息添加到上下文中。插件接口簡化了小公司微調(diào)大語言模型的難度，并豐富了基于大語言模型的生態(tài)環(huán)境。第三方廠商無需接觸部署大語言模型，降低了微調(diào)實施的難度。GPT關聯(lián)落地(Grounding)是LMaaS模式中協(xié)調(diào)外部軟件API與大語言模型生成內(nèi)容可靠性的關鍵步驟。微軟的Copilot大量使用關聯(lián)落地技術，確保大語言模型為辦公軟件輸出穩(wěn)定結(jié)果。根據(jù)微軟技術文檔，Copilot通過Grounding提高接收提示質(zhì)量，確保模型準確執(zhí)行用戶指令。如用戶要求Word根據(jù)數(shù)據(jù)創(chuàng)建文檔，Copilot會將提示發(fā)送至MicrosoftGraph以檢索上下文和數(shù)據(jù)，修改并優(yōu)化用戶提示(例如加入用戶真實業(yè)務場景數(shù)據(jù)示例以提高準確性)，然后將其發(fā)送到GPT-4大語言模型。響應結(jié)果被發(fā)送到MicrosoftGraph進行額外的Grounding、安全性和合規(guī)性檢查，最后將響應和命令發(fā)送回Microsoft365應用程序。通過Grounding，Copilot將人類語言表述根據(jù)實際數(shù)據(jù)更換成大語言模型更易理解的提示，完成多模態(tài)轉(zhuǎn)換并提升指令準確性。請務必閱讀正文之后的免責條款和聲明32oogleAIBlog對于用戶而言，LMaaS體驗優(yōu)于原先的公有云服務，簡化了本地部署與調(diào)試過程。LMaaS通過云服務封裝復雜技術問題，使用戶無需關注底層實現(xiàn)。盡管小公司無力研發(fā)底層大語言模型，但可通過微調(diào)形式服務垂直領域需求。LMaaS平臺可根據(jù)用戶需求，對通用AI模型進行特定任務微調(diào)，提高模型在特定領域表現(xiàn)。用戶通過上傳訓練數(shù)據(jù)，實現(xiàn)模型個性化定制，進一步提升AI模型在業(yè)務場景中的實用性和準確性。請務必閱讀正文之后的免責條款和聲明33enAI在LMaaS商業(yè)模式下，我們認為行業(yè)最終將形成AI巨頭提供泛用性模型以及服務主要通用需求，中小公司切入特定垂直行業(yè)并根據(jù)需求微調(diào)優(yōu)化模型的格局。這有利于發(fā)揮各自優(yōu)勢，使大型AI企業(yè)專注于提供穩(wěn)定、高效基礎模型，降低成本，提高性能和覆蓋范圍。同時，中小型公司充分發(fā)揮行業(yè)專長和敏捷性，為特定行業(yè)客戶提供定制化、高度針對性解決方案。他們可以與AI巨頭合作，利用泛用性模型為基礎，進行微調(diào)優(yōu)化，滿足垂直行業(yè)的具體需求。這將為行業(yè)帶來更多創(chuàng)新、快速響應和精細化的服務，有助于進一步提升AI技術在各行各業(yè)的落地應用效果。此外，這種格局還將推動行業(yè)生態(tài)的繁榮，鼓勵更多創(chuàng)新型中小企業(yè)和創(chuàng)業(yè)團隊投入到AI領域。他們可以專注于解決特定領域問題，利用大型AI公司提供的基礎模型資源降低創(chuàng)業(yè)門檻和技術難度，從而反哺整個行業(yè)。在這種格局下，企業(yè)之間的合作將變得更加緊密，形成一個互補的生態(tài)系統(tǒng)。AI核心技術發(fā)展不及預期風險；科技領域政策監(jiān)管持續(xù)收緊風險；私有數(shù)據(jù)相關的政策監(jiān)管風險；全球宏觀經(jīng)濟復蘇不及預期風險；宏觀經(jīng)濟波動導致歐美企業(yè)IT支出不及