AIGC｜20+篇研报解析：技术要素、产业链、营收模式与应用场景

当前AI领域发展迅速，AIGC已经日益成为改变工作、生活的关键力量，这种时候，了解一些发展趋势很重要。研究报告就是获取信息的途径之一。本文作者整理了去年和当前20余篇机构发布的研究报告，对其中的关键进行了梳理，供各位参考。

AIGC日益成为推动社会变革的关键力量，无论是哪个行业的从业者，了解一点AI技术的发展概况和应用趋势变得很重要。研究报告，作为掌握领域前沿信息的重要途径，提供了系统而深入的洞察及观点，是快速获得专业视角的有效方式。

本文基于我在2023年和2024年阅读的二十余篇机构发布的研究报告整理而成，对其中共识部分较多的内容或知识点进行了提炼梳理，每份研报各有侧重，而这些差异化内容并未在文中提及，尽管在信息深度上可能有限，但也希望为初识AIGC的读者呈现一份宏观的知识速览。

下面是本文涉及到的所有研报，期望获得更多信息量的同学可自行搜索阅读。

一、技术要素

AIGC技术三要素：算力、算法、数据。

算力：

算力指的是计算设备执行算法和处理数据的能力，是支撑AIGC系统运行的基础。主要包括CPU、GPU、GPGPU、FPGA、ASIC等硬件。在实际应用中，GPU和GPGPU是当前主流的AIGC计算解决方案，因为它们在处理大规模数据和复杂计算任务时具有显著优势。从算力供应来看，现阶段全球绝大部分GPU算力均来自英伟达（NVIDIA）和AMD。

算法：

算法指的是一系列解决问题、实现特定功能的有序指令和步骤，是实现AI生成内容的核心。AIGC常用的算法包括深度学习（如卷积神经网络、循环神经网络及其变种）、强化学习和自然语言处理（如Transformer）。创新算法如生成对抗网络（GANs）和Transformer架构扩展了内容生成技术的边界，使AI能够创造出越来越逼真和复杂的内容。这些算法通过持续的优化和创新，不仅提高了内容生成的效率和效果，还推动了AIGC技术在创意、娱乐和营销等领域的广泛应用。

数据：

数据是AIGC平台进行训练和优化的核心资源，其质量和数量直接影响生成内容的准确性和多样性。高质量的数据集包含丰富、准确、且标注良好的样本，可以显著提高模型的训练效果。大量的数据有助于模型在各种情况下泛化，提高生成内容的多样性和准确性。为确保数据质量和一致性，通常会通过清洗、去重和归一化等步骤进行数据预处理，这可以有效提升模型训练的速度和精度。数据不仅是训练模型的基础，也是评估和优化模型性能的重要依据。

吴恩达曾说：“发展人工智能就像用火箭发射卫星，需要强大的引擎和足够的燃料，算法模型就是其引擎，高性能的算力是打造引擎的工具，海量的数据就是引擎的燃料”。算力、算法和数据的协同作用构成了AIGC技术的基础。算力提供了处理复杂计算任务的必要硬件支持；算法为内容生成提供了智能化的逻辑和机制；数据则为模型训练和优化提供了丰富的素材。三者相互依托，共同推动了AIGC技术的快速发展。

二、产业链

AIGC产业链基本分为三类：基础设施、模型、应用。

基础设施：

包括数据层、算力层、计算平台、模型开发训练平台和其他配套设施。数据层提供高质量的训练数据，通过大数据技术实现数据采集、存储和管理。算力层提供 AI 计算所需的硬件，包括 GPU、FPGA、ASIC 和 CPU 等，这些硬件因其强大的计算能力，广泛应用于 AI 模型的训练和推理。计算平台如Microsoft Azure、阿里云和百度云，提供弹性计算和存储资源，支持AI模型的开发和部署。模型开发训练平台如TensorFlow和PyTorch，加速了AI模型的开发、训练和优化。其他配套设施如数据标注工具（例如 Labelbox、SuperAnnotate 和 Scale AI）和监控调优工具（例如 MLflow、Weights & Biases 和 Neptune.ai），保障了 AI 开发流程的管理和优化。

模型：

包括底层通用大模型和中间层模型。底层通用大模型（如GPT-4和BERT）通过在海量数据上的训练，提供广泛的适用性和迁移学习能力，支持多种任务的AI应用，这部分是相对最容易形成壁垒的，包括人才、时间、数据和资金等多个方面。中间层模型具有垂直化、行业化、细分化的特点，针对特定领域或任务进行模型优化，结合行业数据进行微调，提供更具针对性的解决方案，如医疗影像分析或金融风险管理。这部分适合凭借过往行业积累和技术积累快速进入。

应用：

专注于将AI技术转化为实际产品、服务和解决方案，解决具体场景中的问题，实现商业化。基于不同的价值创造逻辑，我国AIGC产业应用可被划分为四类：生产可直接消费内容、结合底层系统生产高附加值内容、提供内容生产辅助工具、用于提供体系化解决方案。生产可直接消费内容是我国目前落地及变现进展最快的部分

三、营收模式

MaaS：

模型即服务（Model-as-a-Service）通过API提供模型调用服务，按调用量收费。客户可以通过API访问AI模型，将其集成到自己的应用或服务中。收费通常基于调用次数、处理的请求量或计算资源消耗。

定制服务：

定制服务模式为客户提供个性化模型，根据特定需求和预算开发AI解决方案。定制化服务通常包括数据收集、模型训练、调整和部署。这种模式常见于高度专业的领域，如金融、医疗、或特定的制造业应用。

软件订阅：

让用户通过订阅计划获取AI生成能力，按时间（如月度、年度）或按需收费。用户支付固定费用即可访问AI工具和功能，这种模式为产品提供了可预测的收入流和用户增长的机会。

内容产出量：

按内容量收费模式基于AI生成内容的数量或使用的计算资源收费。这可以是图片的数量、视频的时长、文本的字数，或者是模型训练的次数。

授权：

通过出售生成内容的使用权获利。AI生成的内容，如图像、文本或音乐，可以授权给其他公司使用，获得许可费。这种模式强调生成内容的知识产权和价值，适合那些能够提供独特或高质量内容的AI工具。

广告和推广：

生成内容直接为广告或推广活动服务，创造收益。有两种主要方式：自有平台的广告变现和生成内容的广告植入。

MaaS具有高效利用计算资源、即插即用、持续更新、灵活计费以及安全性高等特点，极大地简化了AI模型的使用和管理流程，降低了使用门槛，帮助企业或开发者快速响应市场需求、提高开发效率，并享受到先进AI技术带来的竞争优势，同时也推动了AI技术的普及和创新。

四、行业影响

在多份研报的行业应用变革分析板块，多用平面直角坐标系来可视化呈现，内容绘制除形式外有三个不同点：

1. 调研数据的来源不同；
2. 对于行业变革的定义不同；
3. 行业名称与展示数量不同。

这些差异使得科学的横向对比变得困难，但依然有几个行业在多个变革程度排名中表现突出，名列前茅。按加权平均排名依次为：媒体影视、电子商务、广告营销、游戏、金融、教育。

其他维度的排名：

• 行业变现能力：金融、教育、医疗、游戏、广告营销 《2023年AIGC场景应用展望研究报告》
• 行业渗透速度：电商、游戏广告、媒体、金融 《2023年中国AIGC产业全景报告》
• 行业接受度：办公软件、游戏、影视传媒、电商、内容资讯 《中国AIGC产业全景报告》

五、应用场景 1. 游戏

当很多行业还在讨论AIGC的落地场景时，游戏行业已经将AIGC运用到每一个角落，深度、速度远超大家想象。质量、成本、效率被称游戏行业的“不可能三角”。

游戏之所以成为目前AIGC应用最为清晰的行业，就是因为AIGC对三者均会产生影响：

• 质量：同质化、缺乏创新成为游戏行业最大的擎肘，生成式AI技术可以大幅降低创新难度，丰富主题多样性；
• 成本：策划、音频、美术程序等环节的生产力得到释放，人员规模可压缩约40%~70%，从而降低游戏制作成本；
• 效率：AI创作工具会使大量环节实现半自动化或全自动化，节省60%~70%的时间，提升游戏制作效能；

再结合研报中的一些判断，AIGC对游戏的影响还有：提升玩家数量、活跃度；做大游戏市场；给行业新玩家提供了入局的机会；接下来，我们可以通过立项、研发、宣发3个环节，了解AIGC切入游戏行业的方式。

1）立项

根据游戏的用户画像等数据，借助生成式AI的理解、推理能力，帮助游戏公司提高对立项成功率的判断。

2）研发

• 剧本：游戏剧本创作，AI文本生成提高剧情创作效率；NPC对话剧本，千人千面，提高互动性和可玩性；
• 道具/角色：角色、道具、场景等原画、3D建模自动生成；AI辅助+设计师加工的协同模式；
• 音效：AI生成DEMO，音效师进行微调；
• 关卡：游戏关卡自动生成，并进行代码自动测试，开放世界类游戏最为收益，将开启“无限故事”时代；
• 玩法：AI捏脸、AI换装、AI陪玩、AI托管、人机挑战等；

3）宣发

• 本地化：借助AI精准、高效的翻译，确保新版本全球同步上线；
• 营销投放：提升营销素材制作效率，如预告视频、海报、短视频等，素材可做到个性化；
• 二次创作：降低二创制作难度，加速内容传播，提升游戏热度，活跃社群活跃度；
• 社群互动：AI自动发言、自动回复，带动或维持社群始终处于活跃状态；

在3D游戏领域，由于优质3D数据的稀缺性、3D场景的复杂性、维度特征的多样性，导致高质量的3D游戏生成还较难落地，这是目前AIGC在游戏领域的局限性。但随着技术的快速突破和大量的制作尝试，相信这些局限很快就能得到解决。

参考研报：《中国AIGC文生图产业白皮书2023》、《AIGC赋能游戏产业线上沙龙-会议纪要》、《AIGC提质增效，传媒行业应用前景广阔》

2. 广告营销

当前互联网流量见顶，广告营销亟需新范式的推动增长。AIGC为广告营销行业提供了全链路、多维度的解决方案，贯穿市场分析、客户转化和复购等关键环节。在初期，AIGC通过智能数据分析，精准洞察市场和消费者行为，优化营销策略；中期，支持个性化内容创作和精准广告投放，提升转化率；而到了后期，通过自动化客户互动和反馈分析，制定客户维系策略，增强用户忠诚度。

AIGC可以显著提升营销的智能化和互动性，为消费者提供个性化体验，必将重新定义广告营销生态。具体来说，AIGC对营销领域的影响有这几个方面：提升效率和降低成本、深度个性化和定制化内容、多渠道营销支持、持续优化和个性化推荐、创新性和独特性的探索。

基于传统营销链路，多份研报对AIGC在各个环节的赋能方式进行了评估，涵盖了市场分析、运营方式、营销推广、客户转化、营销优化、客户复购等环节。我们也可以对以上节点加以整合，从三个角度来理解AIGC在其中的作用：

策略洞察：

AIGC通过抓取并分析社交媒体、搜索引擎等平台的数据，帮助广告主掌握市场趋势、竞争态势和受众偏好。它利用用户行为和互动数据构建用户画像，并自动生成和优化广告策略与排期。

内容生产：

AIGC能根据广告主需求和受众特征，自动生成符合品牌调性的创意素材，提升创作效率和质量。通过算法推荐，AI可拼接编排广告文案和素材，生成广告海报、视频、软文等营销内容，支持新型交互方式。

投放管理：

AIGC通过分析用户行为、兴趣和偏好，为广告主提供精确的受众定位，实现大规模个性化投放。还可以利用实时反馈数据优化大模型，动态调整投放物料和策略，提升广告效果和转化率。

参考研报：《2024AI赋能营销应用场景白皮书》、《从营销AIGC化到AIGC营销化》、《2023年AIGC场景应用展望研究报告》、《企业AIGC商业落地应用研究报告》、《中国AIGC广告营销产业全景报告》

3. 电子商务

电商行业天然具有海量的交易数据资源、多样的营销策略，可以快速受益于AI技术所带来的效率提升。从提高运营效率到增强消费者体验，再到优化供应链管理，AI为B端商家、C端消费者、电商平台等各方都带来新的机遇。

1）B端商家

• 选品决策：利用AI技术进行市场调研和商品分析，更好地理解目标用户，帮助商家精准选品。
• 内容生成：商品图片、产品描述、营销活动文案等售卖材料实现AI智能生成，在跨境电商中，AI可以辅助生成具有当地文化特色的文案，加强商品与当地的文化连接，克服语言障碍。
• 广告投放：在推广阶段，AIGC使广告素材的生成和迭代速度显著提升，增强广告内容的吸引力和转化率。并基于AI对用户行为的洞察，精准关联用户，优化广告投放策略。
• 客服工作：与以往基于特定词语规则出发的固定回复不同，AI客服可以“听懂”用户诉求，灵活给出答案，还可以基于掌握的大量商品知识，与消费者展开多轮对话，助力达成消费转化。

2）C端消费者

• AI导购：精准匹配和描述其个性化需求， 为消费者提供高效选品服务。
• AI比价：跨平台智能对比商品价格与特点，提供即时的优惠信息和最佳的消费选项。

3）电商平台

• 内容生成：提升素材生成能力，丰富社区互动与氛围。
• 智能广告：分析数据、识别目标用户，然后智能生成广告内容。
• 内部运营：AI自动执行繁琐的数据分析、行为分析工作，从而释放人力资源，专注于更具策略性的任务。

参考研报：《AIGC场景应用展望研究报告》、《2024AI赋能营销应用场景白皮书》、《2024年AIGC发展趋势报告》、《麦肯锡：捕捉生成式AI新机遇》、《WAIC传媒：AIGC应用鹏程万里》

4. 设计

虽然在行业变革榜单中，设计并未进入前五，但AIGC最初给大家带来的深刻印象主要来自于各种AI图像，2022年，以 Disco Diffusion、 Stable Diffusion、 Midjourney等为头部代表的扩散模型开始在数字艺术领域大放异彩！到了2023年，画质已经比肩人类画师，在小红书、抖音等平台开始出现大量图像生成作品，一时真假难分。同时随着生成内容的可控性增强，AIGC开始全面进入设计领域。

AIGC 对于设计领域的影响，具体体现在对设计工作流的渗透。

• 创意构思：通过分析设计趋势、用户偏好和市场需求，AIGC可以快速提供大量创意建议。设计师也可以将零碎想法或多个不同的风格参考图输入Al， 自动融合生成不同的创意。
• 草稿绘制：根据设计师的初步想法或需求，自动生成多种不同风格的草稿。这些草稿可以作为设计师进一步细化和完善的基础，大大缩短了设计周期。
• 设计执行：利用AIGC工具进行自动排版、颜色匹配、图形处理等工作，这些工具能够准确理解设计师的意图，并快速生成高质量的设计成果。
• 方案反馈：自动分析用户反馈，提炼有价值的信息，然后对方案进行自动优化和迭代，或是给到设计师进行决策。

当前阶段，AIGC技术在设计领域仍有三大问题：

1. 可控性仍待提高：AIGC在理解复杂的设计需求和精确执行详细指令方面仍显不足，与设计师的预期存在偏差。
2. 生成作品仍有瑕疵：在细节处理上还不够精细，经常出现不自然的、违反客观规律的一些内容，作品不能“生成即用”，往往需要再加工。
3. 存在版权争议：AI大模型的训练数据来源始终存在版权争议，其生成作品可能与版权作品具有高度相似性，触发侵权风险。

尽管存在挑战，但随着技术的进步，AIGC必将越来越快地融入设计领域的各个层面。

参考研报：《2023年度AI设计实践报告》、《中国AIGC文生图产业白皮书2023》、《中国AIGC文生图产业白皮书2023》、《AIGC之AI绘画行业发展研究报告》

以上我们通过研报的视角，先后了解了AIGC的技术要素、产业链、营收模式和行业影响，还挑选了游戏、广告营销、电子商务、设计等四个应用场景，介绍了AIGC在这些领域下的具体切入点。从这些分析中，我们可以看到一个相同点，就是AIGC技术并不只是对某个局部产生了影响，而是正在迅速渗透到行业链路的每一个环节，对行业进行着全面改造和重新定义。

正是这种全方位地渗透和影响，赋予了AIGC无限的想象力。对于未来，我们应持续关注AIGC如何在解决行业痛点、提升效率、增强用户体验方面发挥更大的作用。同时，AIGC必将不断开启新的商业模式和创新路径，推动产业向着智能化的方向演进，让我们拭目以待。

本文由 @设计来电 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Pixabay，基于 CC0 协议