核心观点
❖ ChatGPT 开启 AI 新纪元，加速应用场景落地，带动 AI 产业上游需
求：
2022 年 12 月 1 日，OpenAI 发布了自然语言生成式模型 ChatGPT，可以
通过人工智能模型来与用户对话，并自动理解用户的问题，提供更精确、更有
价值的信息。ChatGPT 建立在 GPT-3 的后续改进版本 GPT-3.5 基础上，通过
引入强化学习模型，大幅提高了 AI 在人机对话时的准确度和可控性，实用性
得到广大用户的积极反馈。ChatGPT 下游应用场景包括代码机器人、小说衍生
器、对话类搜索引擎、语音工作助手、对话虚拟人等，具备代替人工的创造力；
ChatGPT 也将带动上游算力、数据标注、自然语言处理需求，可谓开启 AI 新
纪元。
❖ 算法模型引入人类反馈，技术发展迎来拐点：ChatGPT 受到广泛认可的重
要原因是引入新技术 RLHF（Reinforcement Learning with Human Feedback），
即基于人类反馈的强化学习。RLHF 解决了生成模型的一个核心问题——
alignment（对齐），即如何让人工智能模型的产出和人类的常识、认知、需求、
价值观保持一致。该技术突破使得 ChatGPT 对话更加贴近人类，语段间逻辑
关联度显著提升。
❖ ChatGPT 平台型技术将带动全行业 AI 发展提速：
ChatGPT 是 AIGC 技
术进展的里程碑，该模型使得利用人工智能进行内容创作的技术成熟度大幅
提升，有望成为新的全行业生产力工具，提升内容生产效率与丰富度。部分行
业如搜索引擎、文稿创作、艺术设计等可能出现行业格局与商业模式的骤变，
全行业“AI+”浪潮已至。数据、算力、算法作为 AI 三要素，相互耦合，共
同促进，将带动 AI 行业整体协同发展。
❖ 投资建议：建议关注数据领域的海天瑞声等；算力领域的海光信息、龙芯中
科、宝信软件等；算法领域的海康威视、大华股份、科大讯飞、奥普特以及 AIGC
领域的万兴科技等。
❖ 风险提示：AI 技术迭代不及预期的风险；商业化落地不及预期的风险；政策
监管风险
1 ChatGPT：颠覆性的生产力工具
ChatGPT 让人工智能真正融入人类创造，成为颠覆性的生产力工具。2022 年 12
月 1 日，OpenAI 发布了自然语言生成式模型 ChatGPT，这是一种基于 GPT-3
（Gererate Pre-Training，生成式预训练模型）技术的聊天机器人，它可以通过人工
智能模型来与用户对话，并自动理解用户的问题，提供更精确、更有价值的信息。
相比 GPT-3，该模型回答问题方式更加贴近人类，具备记忆能力，可实现连续对
话，同时还具备修改代码、撰写论文、诗歌创作等能力，开放测试 5 天内注册人
数即超过百万人。OpenAI 的联合创始人马斯克也在感叹：“我们离强大到危险的
人工智能不远了。”
ChatGPT 是基于 OpenAI 此前发布的 GPT-3 的进一步创新，是站在巨人肩膀上
的明星技术。OpenAI 是一家通用人工智能研究公司，于 2015 年成立。OpenAI 开
发、维护和训练了一批可用于写作、阅读、编程和图像处理的 AI 模型，包括 Muse
Net、GPT-3、ChatGPT 等，ChatGPT 是 OpenAI 原创性自动问答系统 InstructGPT
的延续，建立在 GPT-3 的后续改进版本 GPT-3.5 基础上，通过引入强化学习模型，
大幅提高了 AI 在人机对话时的准确度和可控性。ChatGPT 下游应用场景包括代
码机器人、小说衍生器、对话类搜索引擎、语音工作助手、对话虚拟人（客服、
外呼、营销）等。从上游需求的增加来看，算力、数据标注、自然语言处理等可
能受益。
2 技术拐点：基于人类反馈的强化学习
ChatGPT 受到广泛认可的重要原因是引入新技术 RLHF（Reinforcement
Learning with Human Feedback），即基于人类反馈的强化学习。RLHF 解决了生
成模型的一个核心问题——alignment（对齐），即如何让人工智能模型的产出和人
类的常识、认知、需求、价值观保持一致。为实现 ChatGPT 模型训练，需要以下
三个步骤：
⚫ 根据采集的数据集对 GPT-3 进行有监督的微调（
SFT）：由人工智能训练师
提供对话，在对话中他们扮演用户和人工智能助手。训练师根据模型编写的
建议，编写自己的回答。将这个新的对话数据集与 Instruct-GPT 数据集混合，
并将其转换为对话格式；
⚫ 收集人工标注的对比数据，训练奖励模型（Reword Model，RM）：收集人工
智能训练师与聊天机器人的对话，并让训练师对模型的不同回复进行排名。
利用奖励模型，可以使用近端策略优化对模型进行微调。最后对以上过程进
行多次迭代计算；
⚫ 使用 RM 作为强化学习的优化目标，利用 PPO 算法微调 SFT 模型：再次随
机挑选人类提问，并基于 PPO 的强化学习算法对监督训练后精调过的模型进
行再次微调。将挑选的问题输入 PPO 模型，并用 RM 奖励信号对模型进行训
练。
ChatGPT 目前使用有局限性，模型仍有优化空间。ChatGPT 模型的能力上限，很
大程度是由奖励模型决定，该模型需要巨量的语料来拟合真实世界，对标注员的
工作量以及综合素质要求较高。当前 ChatGPT 可能会出现“创造不存在的知识”、
“主观猜测提问者意图”等问题，模型的优化将是一个持续的过程。
3 变革前夕：“AI 创造”产业化在即
3.1 平台化产品赋能全行业，“AI+”势不可挡
ChatGPT 平台型技术突破，带动全行业 AI 发展提速。ChatGPT 是 AIGC（AI
Generated Content 人工智能生成内容）技术进展的里程碑，该模型使得利用人工
智能进行内容创作的技术成熟度大幅提升，有望成为新的全行业生产力工具，提
升内容生产效率与丰富度。未来文学创作、图片绘制、视频制作、游戏内容生成
都可使用 AI 实现。
3.2 行业加速迭代，格局迎来骤变
谷歌紧急召回创始人，人工智能发展催化行业变革。2022 年 12 月，谷歌紧急召
回创始人拉里·佩奇和谢尔盖·布林，讨论应对 ChatGPT 的相关计划。根据
statcounter 数据，2020.01-2022.11 谷歌的全球市场份额超 90%，是全球搜索引擎
市场的绝对霸主，而 ChatGPT 的出现对谷歌搜索引擎形成了挑战。
ChatGPT 可能导致搜索引擎商业模式发生骤变。谷歌具备自然语言（NLP）的技
术储备，比如对话系统 LaMDA 就是成果之一，当前搜索引擎给出的链接往往更
加全面，而 ChatGPT 组织信息的方式更加简练，能够帮助整合信息、梳理段落要
点，因此使用方面 ChatGPT 并不具备压倒性的替代优势。然而谷歌的收入结构当
中广告占据了 58%，一旦引入生成式 AI 搜索引擎，用户就会减少在链接间跳转、
浏览的时间，也就减少了广告投放的空间，这会使谷歌搜索引擎的盈利模式发生
根本性的变化。对于小型搜索引擎公司而言，ChatGPT 带给了他们弯道超车的机
会。
3.3 人工智能浪潮已至，数据、算法、算力耦合共振
AI 三要素相互耦合，共同生成 AI 模型。一个传统的 AI 模型包括训练和推断（预
测）两大部分。训练环节指将训练数据（通常为现有的历史数据）输入进算法中，
通过 AI 芯片（GPU、FPGA 等）提供算力支撑，以及数据工程师的分析调参，最
后生产满足特定功能的 AI 应用模型。推断环节指通过向训练完成的 AI 应用模型
中输入实际应用场景中的新数据，并生产对应的推断结果。在这一过程中，数据、
算法和算力扮演着同等重要的角色，三要素的耦合关系是探索 AI 未来发展道路
的重要基础：
⚫ 数据是 AI 模型的“汽油”：数据是一切人工智能的基础。数据因其可具象性
强，也是最容易被理解的竞争壁垒（特斯拉在自动驾驶数据的积累、科大讯
飞在智慧教育的题库数据积累等）。未来数据的突破口在于 1）数据积累的行
业下沉（智能化渗透率的提升，传感技术的升级等）；2）现有数据的打通（实
现将不同行业，政府与企业间的数据互联互通）；因此，在特定行业具备数据
积累先发优势和跨行业数据整合能力的公司有望保持领先。
⚫ 算力是 AI 模型的“发动机”：算力是最容易被直观量化的指标（英伟达每年推
出的新 GPU 参数），但也是目前最大的瓶颈。算力的瓶颈并不体现在算力的
绝对大小，而在于实现该算力的成本。特别是在算法场景众多、迭代速度较
快的 AI 领域，如何设计出同时满足通用性和高算力的 AI 芯片仍是当下炙手
可热的话题。因此，具备由单一芯片模式往融合异构多芯片模式发展能力的
公司有望率先受益。
⚫ 算法是 AI 模型的“大脑”：算法是 AI 实现技术跃迁的根本，也是最难以被直
观理解的部分。从 AlexNet 重新复兴神经网络到 Transformer 开启大模型时
代，人工智能的每一次里程碑事件都伴随着算法层面的突破与创新。往后展
望，一个好的算法除了能更好的完成设定的任务外，还需具备 1）更强的通用
性（激活更多的可用数据）；2）更优化的计算原理（减少算力的负担）。因此，
我们认为在 AI 领域具备科研资源和资金实力的公司将有望拔得头筹。
4 投资建议
建议关注数据领域的海天瑞声等；算力领域的海光信息、龙芯中科、宝信软件等；
算法领域的海康威视、大华股份、科大讯飞、奥普特以及 AIGC 领域的万兴科技
等。
5 风险提示
AI 技术迭代不及预期的风险：
若 AI 技术迭代不及预期，NLP 模型优化受限，则
相关产业发展进度会受到影响。
商业化落地不及预期的风险：ChatGPT 盈利模式尚处于探索阶段，后续商业化落
地进展有待观察。
政策监管风险：目前 AIGC 相关技术还处于发展早期，后续若出台监管政策可能
会对行业发展有一定影响。
相关文章
