在人工智能发展的漫长历程中，如何让机器学会创作一直被视为难以逾越的天堑，“创造力”也因此被视为人类与机器最本质的区别之一。然而，人类的创造力也终将赋予机器创造力，把世界送入智能创作的新时代。从机器学习到智能创造，从PGC,UGC到AIGC，我们即将见证一场深刻的生产力变革，而这份变革也会影响到我们工作与生活的方方面面。

AIGC生态底座价值链分析

短期内算力成本占据生态圈核心，算法与配套的数据价值在远期凸显

AIGC大模型的训练、微调和运营需要大量的计算资源支撑，目前算力占据AIGC生态圈65%成本，数据及算法占据剩下35%的成本。

从短期看，一头独大的格局不会发生太大变化，大模型新入局玩家的算法训练和老玩家大模型的微调、迭代将会持续刺激算力成本上扬。

从长期看，有望出现三头并进格局，模型算法的迭代会成为AIGC通往AGI的解决方案，随着应用不断下沉长尾的专用场景，专用算法及场景沉淀的数据将会成为AIGC体验的核心，另外，合成数据及减少算力依赖的框架算法成熟将会加大缓和算力紧张的缺口。

扩大算力是AIGC的刚需

随着数字经济蓬勃发展，数字化新事物、新业态、新模式推动应用场景向多元化发展，扩大算力是AIGC短期内最需要解决的问题，在后摩尔时代，算力供给和需求都会飙升，据预测，中国智能算力规模将会拥有47.5%的年复合增长率，但与智能算力需求仍存在较大差距。

短期内GPU不可撼动，但随着AI任务比例变化，FPGA及ASIC有望远期成为主力AI芯片

短期看，GPU占据AIGC训练及推理的绝对地位，英伟达基于CUDA强大的并行计算能力及自身产品力构建了护城河；远期看，FPGA及ASIC芯片时延低、特需设计等特点将成为主力芯片，国内厂商凭借两者的多年积累有望加速AI芯片的自主化进程。

缺乏优质数据，让中文大模型患上“心脏病”

AIGC由PGC和UGC进行内容支撑，缺乏过往内容的将会直接性影响AIGC，缺乏高质量的中文数据资料，将会影响到中文大模型在知识领域的能力。

此外，国内拥有大量高价值数据的互联网企业更倾向于将数据封闭在APP和平台中，不同APP间数据不能连通，无法进行搜索，形成“数据孤岛”现象。

数据马太效应或导致中国大模型难以获得商业循环的支撑

由于英文数据和中文数据之间的指数级别的差距，建立在数据之上的模型也会出现越来越大的差距，形成数据马太效应。

数据马太效应或导致英文大模型获得更多的商业机会，中文大模型亟需大量高质量的标注数据提升模型能力。

中文高质标注数据是国内大模型能力跻身国际先进水平的充要条件

数据工程是AI工程的基础环节，其核心在于高质高效的数据标注，数据工程所得出的数据的质量，直接影响到整个模型的质量与精度。

中国数据量呈指数级增长，其中大占比的非结构化数据产生海量数据标注与清洗的需求，未来市场前景广阔。

开发通用大模型成为AIGC应用的底座

算法模型是人工智能的“灵魂”，通过建立算法模型并进行下行研发实现AI资产的复用获得盈利。

盈利方式通过大模型使用授权、行业大模型定制、工作流订阅及基于下游任务微调三种途径进行订阅模式、平台服务模式、定制化服务模式、API服务模式、广告和推广模式、数据授权模式的商业变现。

目前大模型生成应用服务以B端为主，平台服务模式占比相对较高

作为服务提供商，AIGC向B端和C端用户提供生成内容的技术平台和工具，并通过收取平台使用费、交易手续费、广告和推广收益以及数据授 权收益等方式获得收益。

在用户定位方面，AIGC主要面向B端用户，如媒体、广告主、文化机构等，以及开发者、科研机构等需要使用生成内容技术的用户。

AIGC生态底座服务商总结

整体来看，数据和算力是大模型性能的关键限制因素，而算法的不断改进是让大模型接近其上限能力的关键，同时也是商业变现的“接口”。AIGC生态底座服务商会形成以互联网企业的通用大模型+行业大模型+原子基础能力的泛化派玩家，以大模型AI服务商、行业/垂直领域AI服务商 为主的专用派服务商，结合企业自身过去的业务与技术强化AIGC在长尾场景的应用能力。

大模型生态底座产业图谱

AIGC产业基础层以提供算法、算力、数据处理的企业为主，产出大模型，再经过中间层服务商微调及针对训练。

以下是报告节选正文内容：