中美AIGC产业商业化落地生态与发展趋势分析报告

商业化落地生态与发展趋势分析报告 研究报告概述 《中美AIGC产业商业化落地生态与发展趋势分析报告》由上海交通大学上海高级金融学院（高金）EED项目组、沪港国际科创金融实验室以及高金LLC实践体验学习中心共同发布。该报告深入比较了中美两国在AIGC（人工智能生成内容）行业生态上的差异，并立足于AIGC应用场景的实际落地，详细剖析了AIGC技术在中美两国多个关键产业领域的最新应用进展与商业价值，旨在为企业及相关机构在产业布局、投资决策、政策支持等方面提供策略性建议和参考依据。 报告显示，当前中国和美国的企业和投资者正积极探索AIGC技术的商业化落地和变现途径，但在不同应用领域的发展呈现出显著差异：部分场景和领域已实现了实质性的商业化进展，而其他领域则仍处于探索阶段，前景不甚明朗。 研究报告背景 在全球范围内，人工智能生成内容（AIGC）技术正以空前的速度和深度改变着各个行业。作为世界最大的两个经济体，中美两国在AI领域的发展对全球具有深远影响。 近年来，中美两国在AIGC技术方面的进展尤为瞩目。美国方面，如Midjourney推出的AI绘图工具和微软与OpenAI合作推出的GitHub Copilot等项目备受关注；而在中国，百度的文心一言，字节跳动的豆包，以及科大讯飞的讯飞星火等产品的推出，同样标志着中国在AIGC领域的显著进步。 研究方法 为深入研究中美AIGC产业的商业化落地生态和应用，课题组选取了2021年1月至2024年3月期间的AIGC商业化案例数据作为研究样本，侧重于分析AIGC产业的应用落地场景，对其发展环境和生态进行研究，比如产业链的上下游的分布，细分赛道 的规模、结构，AIGC行业的政策环境、人才状况等，其次从应用价值（市场空间大小）、应用难度（落地的难度、业务逻辑复杂度、算力成本、语料成本、语料获取的难度、语料规模大小）、环境现状（客户侧落地进展、AIGC厂商进展、投融资规模数据简况）进行细致分析、横向纵向比较。并通过对比实际案例，进一步分析影响AIGC企业估值及投资回报的关键因素，如技术创新能力、市场占有率、盈利模式、用户增长、品牌影响力等。 研究发现 当前，全球企业和投资者正积极探索AIGC技术的商业化落地和变现途径。不同应用领域的发展呈现出显著差异：部分场景和领域已实现实质性的商业化进展，而其他领域则仍处于探索阶段，前景不甚明朗。 中美AIGC行业生态差异与共性： 1.中美进展：中美在AIGC领域均有显著进展，美国以创新驱动，中国以市场需求为导向。2.应用场景落地：中美AIGC技术在代码研发、知识管理&内容创作、客服&销售智能体、医疗&医药的科学研究等应用场景的落地进展迅速。3.行业落地：中美AIGC技术在金融、信息技术、医疗等行业落地进展迅速。 AIGC技术的商业价值与挑战： ü市场空间：AIGC技术已经在数个行业与应用场景的交叉领域展现出巨大的市场潜力。ü应用难度：技术门槛、算力成本、语料获取难度是主要挑战。 投融资活跃： 中美AIGC领域的投融资活跃，尤其是在药物研发等领域。 AIGC技术的发展和商业化前景仍充满挑战与不确定性，需要行业内外的持续关注和深入研究，以实现其在各领域的广泛应用和商业价值的最大化。对于投资者而言，这要求他们在评估相关企业的投资价值时，不仅考虑技术潜力，还需关注其商业化进程和市场反应。 指导教授总结 课题组指导教授上海高级金融学院教授蒋展表示：今天，AIGC大模型技术如上世纪的互联网技术一样，对于全球产业都带来了巨大的技术革新推动力，但其商业化前景目前依然不清晰，所以对于AIGC技术在应用场景与行业领域交叉维度的落地进展与挑 战进行深入的分析显得尤为有意义，课题项目组研究了大量具象的AIGC落地案例与数据，让我们可以对中美AIGC产业商业化落地的真实进展、市场空间与现实的挑战问题有一个全面的了解，从而对其未来发展的趋势也能有较为清晰的判断。 附录：《中美AIGC产业商业化落地生态与发展趋势分析报告》内容节选： 1.1应用场景：代码研发 1.1.1金融业 应用价值 市场空间：★★★★ 中国银行业对于金融科技领域的总投入金额达到2793.2亿元，其中对于从事金融科技领域相关人员开支达到172.5亿元；证券行业对于金融科技的投入金额达到417亿元，其中对于人员投入达到105.9亿元。（数据来源：金融时报-中国金融新闻网）以行业头部的六大行为例，累计科技人员达到9.48万人。总体来看，金融领域对于系统开发的成本支出较大。 应用难度 逻辑难度：★★★★ 金融行业涉及的业务逻辑复杂且高度专业化，需要深入理解相关的业务流程和规则。同时需要满足开发者在多种编程语言、框架和场景下的需求。 算力成本：★★★★ 需要不断学习和适应新的开发需求，训练和推理过程中需要消耗大量的计算资源。金融行业本身对数据合规性、安全性、可信性等存在高要求，因此以自建算力为主。 语料大小（成本）：★★★★ 依赖于行业内外大量的高质量编程语料，金融行业的代码和文档通常涉及敏感数据，获取和处理这些语料需要特别注意数据隐私和安全性。 环境现状 落地进展： 中国工商银行：已经形成代码推演预测、代码自动生成、代码检索复用等能力，并以IDE插件的形式整合到开发中心，有效提升研发效能；编码助手生成代码量占总代码量的比值达到40%。 花旗银行：使用大模型提高开发人员的工作效率并测试软件漏洞。 国金证券：以aiXcoder代码大模型为核心引擎，结合国金证券三十年金融行业软件资产沉淀及人工智能生态融合，共同构建了一个代码大模型的工程化应用框架。（硅心科技服务） 海通证券：与商汤科技合作，基于海通证券丰富的数据基础，商汤大模型构建了完整思维链，深入理解业务逻辑，为开发者提供了代码智能补全与对话问答的服务，可有效提高开发效率。 AIGC厂商进展： 软通动力：软通天璇2.0平台，包括代码补全能力等。 宇信科技：开发助手CodePal，提供代码补全、自动化bug检测、代码规范检查等功能。 华为：金融大模型解决方案，包括智能编程助手等。 商汤科技：日日新SenseNova 5.0，包含代码生成及补全。 1.1.2信息技术与软件开发业 应用价值 市场空间：★★★★★ 2024年全球IT支出预计将达到5.26万亿美元，全球软件开发人员总数将达到2870万。市场调查机构Gartner 2024年发布报告，2023年年初企业软件工程师使用AI代码助手的比例不到10%，不过预估到2028年将达到75%。（数据来源：环球网科技） 根据Boss直聘的《2023年中国程序员人才发展报告》，中国程序员数量约为700万人，IT研发人员群体庞大。研发人才意味着庞大的研发支出，比如百度23年研发支出约在270亿元左右。提升研发效率对于科技巨头降本增效意义巨大。 应用难度 逻辑难度：★★★ 需要满足开发者在多种编程语言、框架和场景下的需求。需要理解开发者的意图，并根据这些意图生成符合逻辑的代码，涉及到复杂的逻辑推理和上下文理解能力。 编程AI化是计算进化的必然。从逻辑上来说，编程语言一直在进化，从二进制到后来的机器代码，到汇编语言，再到高级语言。而编程语言不断进阶的目的，就是为了让编程难度更低、效率更高。预测编程语言的终极形态将是人人都掌握的自然语言。 AI编程让程序员专注于创造，助力企业研发降本增效。 算力成本：★★★ 需要不断学习和适应新的开发需求，训练和推理过程中需要消耗大量的计算资源。头部的大模型参数超过100亿。 语料大小（成本）：★★★★★ 编程语言种类较多，每种语言的代码语料巨大，头部的大模型需要数十亿行代码的训练。 环境现状 落地进展： Gartner于2023年第3季度调查了全球598家知名企业，结果显示63%的企业目前正在试用、部署或已经部署了AI代码助手。 字节跳动：由字节跳动推出的MarsCode，字节超过70%的工程师都在使用，每月贡献百万行量级的代码。 埃森哲：使用Amazon CodeWhisperer加快编码任务，可以帮助减少30%的开发工作量。 AIGC厂商进展： 华为云：盘古大模型智谱AI：CodeGeeX代码大模型阿里云：AI编程助手通义灵码百度：Comate微软：GitHub Copilot X亚马逊：CodeWhisperer 谷歌：Gemini Code AssistMeta：Code Llama硅心科技：aiXcoder XL投融资规模：中国：智谱AI：2023年10月宣布年内已累计获得超25亿元融资。硅心科技：2023年完成数千万元人民币A+轮融资。美国：Y Combinator2024路演项目中，服务开发者的生成式AI占比约13%。Augment：2024年完成2.52亿美元B轮融资，投后估值达到9.77亿美元。Cognition Labs：2024年完成1.75亿美元的新融资，估值已提升至20亿美元。Replit：2023年获得了a16z领投的9740万美元融资，估值11.6亿美元。Codium：2024年获得6500万美元融资，估值5亿美元。 1.2应用场景：知识管理&内容创作 1.2.1金融业 应用价值 市场空间：★★★★ 金融业是单位数据产出量最高的行业，生成式人工智能将大幅提升内部运营效率，提高获客能力，提升产品设计创新能力，和加强风险防控能力，有望为金融业带来3万亿规模的增量商业价值。BCG曾以一家拥有约两万名员工的区域性国际银行为例，初步梳理了该银行前中后台相关部门应用生成式AI的潜力和效益，预计在首年即可为该银行节省约1.5亿美元的成本，占整体薪酬总包的7%左右。 应用难度 逻辑难度：★★★★ 金融领域的数据量庞大，对实时性，算力都有很高的要求； 金融领域的数据安全系数要求高，隐私风控等要求本地化部署大模型成本高； 复杂的投融资决策没有标准，机器难以捕捉，即便策略能保持一致性，历史的决策也不一定是明智的； 需要复杂拆解逻辑的问题需要精心设计提示词，很难通过精调训练行程，投入产出没有精调高。 算力成本：★★★ 即便是对数据进行精调，也需要一定的高算力资源，若有成百上千个AI应用同事在组织内运行，对硬件基础设施的算力、稳定性的要求都很高。 语料大小（成本）：★★★★ 千亿级别的通用大模型，训练一次需要付出几千万的成本。大模型产业化的一大关键是突破应用成本的门槛，模型参数量需维持在10B到100B之间。通过剪枝、低秩分解、稀疏化等方式能够实现；银行业每100万美元的数据产出820GB,数字资产规模千亿级； 环境现状 落地进展： 我国银行业42家上市银行中，有6家已经公布大模型技术开发与应用信息。 项目举例：智能投顾（Wealthfront和Betterment等公司）；自动化报告生成（摩根大通-COiN（Contract Intelligence）平台）；金融预测与风险管理（高盛和摩根士丹利等投资银行）反欺诈和合规管理（Mastercard和Visa检测和预防欺诈交易）个性化服务（花旗银行（Citi）和美国银行（Bank of America）AI聊天机器人）贷款审批和信用评分（LendingClub和Upstart） AIGC厂商进展： 项目举例：OpenAI的GPT-4被金融机构用于生成市场分析报告、新闻摘要和客户服务回复；IBMWatson被多家银行和保险公司用于合规检查和风险管理；DeepMind的AI技术被用于开发高级金融模型，预测市场趋势和生成交易策略。Azure AI平台提供了多种生成式AI工具，被金融机构用于自动生成财务报告、客户服务聊天机器人和风险评估模型；Hugging Face的Transformers被金融公司用于文本生成和分析任务，如生成市场评论、财报摘要和客户交流内容；亚马逊的AWS AI；Adobe Sensei通过分析客户行为数据，生成个性化的市场分析报告和营销建议等。 投融资规模：