《2023中国AIGC商业潜力研究报告》

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。 

本报告将向所有关注未来科技的相关机构、从业者、创业者、投资人传递亿欧对AIGC的市场潜力场景的洞察和优秀企业案例。

AIGC概述

人工智能概念梳理

AI跨入3.0 +深度加强学习范式，利用奖惩模型强化生成能力

AIGC（AI Generated Content）是基于GAN、预训练大模型、多模态技术融合的产物，通过已有的数据寻找规律，并通过泛化能力形成相关内容。从商业角度看，AIGC是一种赋能技术，通过高质量、高自由度、低门槛的生成方式为内容相关场景及生产者进行服务。

早期决策式AI依赖逻辑判断的纯粹性，万物都能完美观察、任何测量不存在误差的前提不符合真实世界的“不确定性”；概率范式基于经验主义与理性主义一定程度上解决了“不确定性”；深度加强学习可以利用合理的数据丰度与奖惩模型达到类人类智能的水平，实现高质量内容与内容创作自动化；通用型AI具备泛人类智能，可以像人类一样执行各种任务。

历次AI寒潮沉淀的技术，终在算法、算力、数据三者共振的情况下诞生出大模型

在1956年的达特茅斯会议上，“人工智能”的概念被首次提出，六十多年以来，历经逻辑推理、专家系统、深度学习等技术的发展，人工智能也经历了数次沉浮，有如日中天的发展时期，也有因技术不足热度退去后的寒潮。而每一次寒潮后，也会经历技术的蛰伏发展，为人工智能带来里程碑式的进步。

预学习引发AIGC技术质变

预学习的出现解决了过去生成式大模型的痛点，但预学习本身存在模型尺寸、小样本数量、微调能力的不可能三角，解决方法也不尽相同：对于极大模型，使用知识蒸馏；对于少样本学习能力，进行数据增强；对于监督训练表现欠佳的模型，进行提示学习。

以GPT为例，在目前阶段，厂商通常的做法是扩大模型尺寸。

AI大模型底座驱动AIGC概念落地

在AIGC概念实际落地的过程中，只有基础大模型与通用技术是远远不够的，还需要能与场景融合匹配，更需要支持应用落地的工具平台和开放包容的创新生态，三者协同优化，加速AIGC落地。

在全应用流程中，主要通过大量的无标注文本进行共性学习，获得预训练大模型，此后再根据应用场景特征进行微调，更好与项目任务适配。

多模态打破多种信息之间的边界并生成质量稳定的内容，提升AIGC内容多样性

相比于信息模态单一的单模态模型，多模态模型可以同时处理更多模态的信息并将它们相互转化。

现今多模态模型以图文多模块为主。Transformer虽受制于单模态但其权重共享适用于多模态；ViT模型处理输入图片，使得Transformer可用， 从而打破NLP和CV间屏障；BEiT将生成式预训练从自然语言处理迁移到了计算机视觉；扩散模型多用于文本图像生成。

多模态信息持续融合增加技术多样性，拓宽场景

多模态在视频分类、情感分析、语音识别等领域都得到了广泛应用，涉及图像、视频、语音、文本等融合内容，未来还将进入交互、感知、内容等 更多应用场景。

中国决策式AI已达到世界一流水平，而生成式AI还与国外存在基础要素的

在决策式AI方面，中国已经处在第一梯队，中国是发表AI论文最多的国家，且近10年来占比逐年增加。

而在生成式AI方面，与国外还存在参数量的差距，背后隐含着算力资源、数据质量等基础要素的不足的原因。

AIGC原子能力动态变化曲线

AIGC的原子能力随着时间的变化，内容呈现复杂化、多维化的特征，基础模态原子能力向多模态转变，表明目前AIGC商业应用的尝试正下沉至 长尾场景，大模型的泛化能力、实时性、强推理与共情能力正在不断渗透为虚拟人、聊天机器人、知识图谱、合成数据、AIGS进行多维度的赋能， 推动通用人工智能时代到来。

以下是报告节选正文内容：

本文来自微信公众号“亿欧智库”（ID：EOintelligence2017），作者：刘旻昊；施佳怡，36氪经授权发布。