请务必阅读正文之后的信息披露和法律声明 [Table_Main] 证券研究报告 | 行业专题 传媒 2023年02月10日 传媒 优于大市（维持） 证券分析师 马笑 资格编号：S0120522100002 邮箱：maxiao＠tebon.com.cn 研究助理 市场表现 相关研究 1.《传媒互联网行业周报：ChatGPT加速商业化，AIGC或带来泛娱乐和互联网的革新》，2023.2.5 2.《分众传媒（002027.SZ）首次覆盖报告：当风轻借力，一举入高空》，2023.2.1 3.《腾讯控股（0700.HK）22Q4业绩前瞻及观点更新：宏观经济波动致收入端承压，降本增效成果释放带来利润端高增速》，2023.1.31 4.《百度集团-SW（9888.HK）22Q4及2022年全年业绩前瞻：疫情扰动或致经营短期承压，展望后续收入业绩双端修复》，2023.1.30 5.《春节档期票房超65亿，行业持续 复 苏 估 值 业 绩 双 升 可 期 》，2023.1.28 AIGC专题一：探析AIGC的技术发展和应用 [Table_Summary] 投资要点：  AIGC成为新的内容生产方式，跨模态生成值得重点关注。区别于PGC与UGC，AIGC是利用人工智能技术自动生成内容的新型生产方式。按照模态区分，AIGC可分为音频生成、文本生成、图像生成、视频生成及图像、视频、文本间的跨模态生成，细分场景众多，其中，跨模态生成需要重点关注。  自然语言处理（NLP）赋予了AI理解和生成能力，大规模预训练模型是NLP的发展趋势。NLP的两个核心任务分别是自然语言理解（NLU）和自然语言生成（NLG）。以ELMo、BERT、GPT为代表的预训练模型，降低了NLP的技术门槛。ELMo解决了“一词多义”的问题；BERT通过MLM（类似于完形填空）和NLP（判断句子是否相连）进行预训练，增强了上下文的理解能力。GPT通过预测下一个词，获得了生成能力；GPT-3在此基础上使用了更大的数据和更大模型，无需针对下游任务进行传统的微调，并且采用了小样本学习提升生成效果。  ChatGPT是NLP发展中具有里程碑式意义的模型之一。ChatGPT是OpenAI从GPT-3.5系列中的模型进行微调产生的聊天机器人模型。它能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码等任务。  生成模型赋予了AI创造力，扩散模型是最前沿的技术之一。AIGC的快速发展归功于生成算法领域的技术积累。GAN的核心思想是“生成”与“对抗”，相比传统的深度神经网络，GAN能产生更好的生成样本，但是仍需解决应用中的问题。扩散模型较GAN更接近人的思维模式，是基于马尔科夫链，通过学习噪声来生成数据。扩散模型实现了跨模态应用，包括OpenAI的GLIDE和DALL·E 2、谷歌的Imagen、Stability AI的Stable Diffusion等。  人工智能由单模态智能，向多种模态融合方向发展。建立统一的、跨场景、多任务的多模态基础模型或将成为人工智能发展的主流趋势之一。CLIP模型将语言信息和图像信息联合训练，能够链接文本和图片，成为跨模态生成应用的一个重要节点，“CLIP+其他模型”在跨模态生成领域成为一种较为通用的做法。2022年，微软提出的BEiT-3多模态基础模型，在视觉-语言任务处理上具备出色表现，包括视觉问答、图片描述生成和跨模态检索等。多模态提高了基础模型的灵活性，使其在其他模态的应用中发挥新的潜质。  未来，值得关注的技术要素包括：长文本生成、开放式文本生成、NeRF模型、扩散模型、跨模态大型预训练模型（支持的模态数据类型、模态对齐架构设计、支持的下游应用）、小样本学习及自监督算法、强化学习及环境学习等。  投资建议：把握AIGC技术催化和商业落地的投资机会。技术发展有望促进生产效率提升，并进一步创造新的消费和需求，有利于文娱内容和互联网行业。在AIGC和ChatGPT方面，我们建议持续关注技术发展和应用情况，把握技术催化和商业化落地带来的投资机会：1）具备AIGC和ChatGPT的技术探索和应用的公司：百度集团-SW、商汤-W、万兴科技、拓尔思等；2）具有海量内容素材且具有AIGC探索布局的，图片/文字/音乐/视频内容及平台公司腾讯控股，阅文集团、美图公司、视觉中国、中文在线、汉仪股份、昆仑万维、天娱数科、风语筑等。  风险提示：技术发展不及预期、监管政策变化、知识产权相关问题等。 -29%-24%-20%-15%-10%-5%0%5%2022-022022-062022-10沪深300 行业专题 传媒 2 / 20 请务必阅读正文之后的信息披露和法律声明 内容目录 1. AIGC的跨模态生成值得重点关注 ................................................................................ 5 2. 基于大模型预训练的NLP赋予了AI理解和生成能力 ................................................. 5 2.1. ELMo将输出的词向量作为特征，解决了“一词多义” ........................................... 7 2.2. BERT通过上下文预训练，提高了理解能力 ........................................................ 8 2.3. GPT-3利用超大数据和超大模型，省去了微调的过程 ......................................... 9 2.3.1. ChatGPT趋近人类价值观及意图，有望进一步商业化 ............................. 11 3. 基于大模型的主流生成模型赋予了AI创造力 ............................................................ 12 3.1. GAN是基于“生成”与“对抗”提出的生成模型 ....................................................... 13 3.2. 扩散模型更接近人的思维模式，实现了跨模态应用 .......................................... 13 3.2.1. 扩散模型实现了从文本到图像的跨模态应用 ............................................. 14 4. 人工智能由单模态智能，向多种模态融合方向发展 ................................................... 16 5. AIGC技术不断发展，有望带来更多商业化价值 ........................................................ 16 6. 投资建议：把握AIGC技术催化和商业落地的投资机会 ............................................ 18 7. 风险提示 .................................................................................................................... 19 行业专题 传媒 3 / 20 请务必阅读正文之后的信息披露和法律声明 图表目录 图1：内容生产模式的四个发展阶段 ................................................................................ 5 图2：自然语言处理的发展历史 ....................................................................................... 6 图3：大规模预训练模型大幅提升研发效率 ..................................................................... 6 图4：BERT的每一层都是双向模型；GPT为单向模型；ELMo为单项模型叠加 ........... 7 图5：大规模预训练语言模型的发展趋势之一是参数量不断增加 .................................... 7 图6：ELMo基于RNN，双向RNN可以利用前后文信息................................................ 8 图7：ELMo将词嵌入作加权和，给出最终的词向量 ....................................................... 8 图8：ELMo解决了一词多义问题，且兼顾语义与词性 ................................................... 8 图9：BERT的结构是Transformer中的Encoder部分 ................................................... 9 图10：BERT采用了预训练+微调的两阶段模型 .............................................................. 9 图11：NSP任务中输入向量生成示意图 ......................................................................... 9 图12：GPT模型结构 ....................................................