在繁荣中导航：理解人工智能的经济影响

在繁荣中的导航：面对生成式人工智能的最紧迫的问题 请参阅第70页和第71页的重要披露。分析师认证在第70页。威廉布莱尔公司或其关联方与在研究报告中被提及的公司进行或寻求业务往来。因此，投资者应意识到该公司可能存在潜在的利益冲突，这可能会影响本报告的客观性。本报告的目的不是提供个人投资建议。此处所表达的意见和建议并未考虑到个别客户的状况、目标或需求，且不作为针对特定客户的特定证券、金融工具或策略的建议。本报告的接收者必须独立作出关于所提及的任何证券或金融工具的决策。 关键结论. .................................................................................................................3执行摘要............................................................................................................4生成式人工智能常见问题我们是否正处于人工智能泡沫中？................................................................................................7当前对人工智能模型和数据中心的投资回报是否足够以证明其支出是合理的？..........................................................................14人工智能领域价值累积在哪里？投资者最大的未开发机会又在何处？. .................................................................15是“规模法则”仍然有效还是大型语言模型正在达到边际收益递减？. ...............................................................................................17LLM 是否正在成为一种商品？...........................................................................21开源大型语言模型是否会削弱闭源大型语言模型的价值？..........................22在市场中同时存在LLM和SLM的空间吗？..............................................24什么是生成式人工智能的杀手级应用？还是这个问题问错了？. ..............................25人工智能在应用层是如何实现商业化的？. ...............................................35什么是代理式人工智能，它与人工智能协同助手有何不同，这对企业人工智能的采用意味着什么？............................................................38企业生成式人工智能（GenAI）采用的主要障碍是什么？......................................41主要物理瓶颈在通用人工智能（GenAI）构建过程中有哪些？. ...............................43LLMs在应用景观中处于何种位置？. .................................................51人工智能是软件行业及/或软件商业模式的威胁吗？..............52一旦训练模型的繁重工作完成，Nvidia GPU的必要性有多大？.............................................................................................53人工智能将如何影响IT服务行业？............................................................54政府监管是否会阻碍人工智能市场？.................................................55何时到来AGI以及我们是否都将陷入绝境？............................................................57我们的最佳AI主题投资策略................................................................................58 1.没有迹象显示人工智能资本支出放缓。我们预计，与通用人工智能（GenAI）相关的资本支出将在本世纪末持续存在，因为模型智能仍在迅速提升，而资金充足的超大规模企业正参与一场人工智能“军备竞赛”。 2.测试时计算是人工智能规模化的下一个前沿领域. 新的人工智能模型改进向量，超越预训练阶段，应继续支持“定律”的扩展，并推动对不断增长的计算能力的需要。特别是，测试时计算（用于推理模型，如OpenAI的o1系列）代表了人工智能扩展/智能的下一个前沿，因为在该推理阶段，它能够生成多个潜在解决方案，评估它们，并选择最优方案。 3.仍处于探索人工智能应用案例的初期阶段。初始的通用人工智能（GenAI）应用案例包括客户服务、网络搜索、软件开发、IT服务管理、内容创作和广告。随着模型性能、可靠性的提升以及企业/消费者熟悉度的增加，应用案例应迅速扩展，但为了防范过度建设风险，通用人工智能的投资回报（即人工智能应用的货币化）将在未来几年内需要得到验证。 4.物理能源和基础设施是人工智能的主要瓶颈。今天人工智能建设的最大限制是物理基础设施，如电力和数据中心，而非芯片和技术。在牛市情景下，我们估计人工智能可能导致美国数据中心电力需求每年增长高达15%（比过去十年增长1%），到2030年消耗500太瓦时电力，占当年美国总电力消耗的9%（上涨）。自动化和人工智能预计将使国内电力负荷年增长率超过翻倍，从现在的约2%增长至更多。当与“电气化一切”运动、本土化生产相结合时，...在未来十年内。 5.天然气在满足人工智能数据中心能源需求方面处于最佳位置。我们认为，鉴于其满足全天候下一代需求巨大电力需求的灵活性，天然气是AI热潮中近期最大赢家。同时，核能和电池存储可能将获得显著的支持。人工智能数据中心。 6.企业采用率开始上升，但仍处于早期阶段。我们预计在2025年将看到企业对生成式人工智能应用（及其货币化）采用和采用率的稳步增长迹象，随着试点和实验进入生产阶段。然而，这仍然是早期阶段，我们认为随着企业对新技术的适应和解决采用障碍（隐私、安全和变更管理），广泛的和规模化采用将在未来某个时刻出现。 7.代理式AI将成为企业AI采用的主要催化剂。2024年，AI代理迅速成为企业消费GenAI的最佳方式，标志着从协作大量工作（copilot）向独立发展的转变。AI代理比协作飞行员更加自主，可以在没有人类干预的情况下运行，并能解决复杂的多步骤问题。这推动了更实际的回报率（ROI），我们认为这将是企业AI采用的一个催化剂，并为应用软件供应商提供顺风助力。 8.人工智能应为IT服务带来净正面影响。- 在基础设施现代化、人工智能模型集成、数据治理和企业级部署等领域的专业能力——这些能力使得IT服务提供商处于有利地位以提供这些服务。人工智能并非威胁，而是为这些公司提供了一个演变的机会，AI驱动的转型需要对其产品进行重大扩展，重点关注人工智能解决方案的咨询、实施和管理。 9.上市公司估值未进入泡沫区域。尽管2019年12月的股市中值收益（AI通用前），六大公共AI公司（AMZN、GOOG、META、MSFT、NVDA和AAPL）的中值未来市盈率为32倍，自收益能力增长以来，上涨幅度仅为200%。这一时期上涨23%，几乎不能说明存在投机泡沫。相反，这反映出真实的情况。 10.风险投资正蓬勃发展。一些初创公司的估值泡沫让人回想起了互联网泡沫年代。2024年美国的通用人工智能（Gen AI）风险投资达到960亿美元（占全部风险资金总额的49%），预示着将持续创新和实现更大货币化的良好前景，尽管如此 本报告针对威廉布莱尔科技团队在过去18个月（自我们发布我们的GenAI入门指南以来）从投资者那里听到的有关生成式AI主题的常见问题进行探讨。此处). 我们的目标是为投资者提供一份路线图，以评估围绕人工智能主题的众多机会（以及风险），并识别那些可能没有得到应得关注的公司和行业。 我们得出一个广泛结论，即当谈及AI发展和应用时，我们仍处于起步阶段，而对于未能投资AI（针对机构投资者、超大规模云计算企业、大型语言模型[LLM]提供商、企业等）的风险明显超过了投资AI的风险。这一结论基于我们对AI具有改变全球经济的潜力不渝的看法，如同蒸汽机、晶体管和电的变革性一样。 生产力和知识工作者以及消费者，随着生成式人工智能的增强和任务提升，我们主张在当前的初步采用阶段（GenAI 1.0），主要影响将是生产力的增加。类似于网络搜索、客户服务、软件开发、内容创作、销售和营销以及广告。特别是，AI辅助编码和大型语言模型对人类创造力的含义令人惊叹（例如，代码开发的进入门槛大幅降低应导致软件开发和内容创作领域的爆炸式增长，并可能引发爆炸）。在进入第二代人工智能（GenAI 2.0）阶段，我们相信这一阶段包括下一代推理模型和代理人工智能（多个AI模型被串联起来以执行复杂任务），我们预计模型准确度将发生跃升，并在消费者和企业市场带来实际应用案例的相应增加。 尽管过去几年中，在生成式人工智能模型智能的三个主要维度——即计算、算法和数据方面——开发者取得了巨大的进步，但我们的研究表明，对于近期而言，所谓的“规模定律”（即越大型的模型越智能的经验性观点）应继续适用。特别是在新的模型改进向量出现的情况下，这些向量超出了LLM预训练的范围，包括测试时的计算（AI系统遵循一条逻辑思维链达到结论，而非当前LLMs的特征——即下一词的预测），多模态AI（在文本之外，也使用视频、音频和图像数据进行模型训练），以及新的模型训练技术（包括训练后的强化学习和合成数据的使用）。 在技术方面，我们继续认为，今天的主要价值创造发生在基础设施层（芯片、网络、数据中心、基础模型）。至于大型语言模型（LLM）提供商，训练下一个前沿模型的高成本创造了显著的进入壁垒，因此限制了竞争对手的范围。尽管如此，这并不感觉像是一种零和博弈——我们看到，这种高成本应该对进入者构成重大障碍。充足的余地供小型模型（现成或基于专有企业数据进行训练的自建模型）获得采用，因为它们可能更具成本效益并针对特定用例进行定制。 GPU集群大小），我们观察到在计算相关基础设施组件中正在萌生价值创造。超越当前芯片和网络（得益于快速扩张）的繁荣。例如，高带宽内存（对日益增大的上下文窗口、新型推理模型以及设备级推理尤其重要）。此外，随着基础设施软件为组织提供应用构建模块和运行时系统，以便安全地开发面向内部和面向外部的AI应用，我们相信它将成为下一个 自然受益于通用人工智能（GenAI）繁荣，紧随基础设施硬件之后。基础设施软件“挖掘和铲子”包括数据库、数据湖屋、数据流系统、MLOps/DevOps工具、容器管理平台以及数据标注、治理和安全工具。鉴于企业IT部门内人工智能技能和经验的稀缺，我们认为在设计和实施基于专有企业数据的定制化通用人工智能模型/应用程序方面，IT服务公司也将发挥关键作用。 尽管我们在技术领域（如高带宽内存和最先进GPU的受限晶圆厂产能）看到一些持续的瓶颈，但更大的AI瓶