原标题：ChatGPT专题报告：现象级产品ChatGPT出现，AIGC 商业化推进

　　（一）ChatGPT 面世的行业背景：AIGC 技术的厚积薄发，大厂布局相互追赶

　　自2022年11月底发布以来，OpenAI推出的大型语言模型（LLM，Large Language Model）ChatGPT在全球迅速引发广泛关注，ChatGPT在智能问答领域实现了变革性突破，能够回复多轮问题、承认错误、质疑、拒绝，智能程度更接近人类。ChatGPT的出现对搜索领域产生直接冲击，相比传统推荐机制的搜索模式，ChatGPT的回答更直接、能够极大减轻用户的信息检索和信息整理成本。根据Similarweb数据，上线个月，ChatGPT的月活用户数已达到1亿人，现象级产品TikTok达到这一用户量级用了约9个月。作为AIGC在文本生成领域的应用，ChatGPT打开了AIGC在C端广泛应用的大门，AIGC在文字场景的应用迎来奇点，也带动板块整体关注度的提升。

　　行业发展看，随着底层算法的持续迭代优化，大厂在技术侧的大力投入厚积薄发。

　　根据腾讯研究院发布的《AIGC发展趋势报告2023》，三大关键节点推动AIGC的发展：（1）基础生成模型在底层逻辑上的突破创新。2015-2017年，扩散模型（Diffusion Model）、Transformer模型的提出，生成算法不断突破。（2）预训练模型的出现，模型参数量级迅速扩大。2018年，谷歌基于Transformer模型推出NLP预训练模型BERT，参数量级达到4810亿，基于大规模数据训练的模型在下游多模态的迁移学习方面展现出了较强的适应能力。（3）多模态技术的应用，提升AIGC通用能力。CLIP模型实现文字与图片的信息转换，是OpenAI旗下AI绘画产品DALL-E的关键技术。综合来看，技术层面，生成模型的迭代创新、预训练模型的出现、参数量级的提升、多模态技术的运用，逐步构建了ChatGPT出现的关键技术要素支撑。

　　底层技术的进步反映在更接近C端的应用层，关注度提升，推高行业热度。过去AI技术的发展主要停留在技术、科研层面，由于在实际应用中的测试效果不佳，下游应用范围受限，仅能支持基础的文本写作、代码生成等功能。随着CLIP、GPT-3等大参数量级的大模型推出，模型的“智能”水平显著增强，AIGC在实际场景中的应用效果得到优化，能够完成长文本、长代码生成，智能问答的准确度和语义表述精确度大幅提升。同时多模态技术的发展也拓宽了下游应用场景，包括基于CLIP和DALL·E的AI作画，基于Florence的图片、视频分类等。22年年底的AI作画、ChatGPT为代表的AI问答等受到广泛关注，应用的不断落地标志着AIGC行业进入发展的新阶段，商业化变现空间可期。

　　行业发展背景来看，ChatGPT的火爆是多年积累的底层算法能力、算力水平提升的共同推动下，在技术发展到一定节点后，传导到C端，得到多元广泛应用的结果。

　　但AI技术的应用仍然存在包括伦理争议、暴力内容等问题需要解决，大范围应用落地仍需时间。此前，搜索引擎巨头Google作为AI领域的重要厂商之一，先后提出了ChatGPT中使用到的RLHF、Instruction Tuning等重要概念，并与2014年收购的公司DeepMind一起推出了包括T5、Gopher、LaMDA、PaLM等在内的预训练模型，2022年9月，DeepMind还推出了加入RLHF和Retrival的Sparrow模型，可用于与用户闲聊并回答一些提问，但Google考虑到声誉风险等问题，在AI聊天机器人尚未完全成熟、可能提供错误或不当回答的情况下，延缓了类ChatGPT AI问答产品的推出时间。从ChatGPT表现看，目前AI聊天机器人在伦理、道德等方面仍旧存在诸多问题，并可能受用户的诱导提供不当回答。例如在与新必应交流过程中，出现了劝说用户与妻子分开、和它在一起等有悖伦理的回答；在医疗等较为严肃的场景中，ChatGPT可能会出现的不合理回答也同样难以接受。

　　（二）ChatGPT 成功的原因：OpenAI 不计成本的投入，打开 C 端应用想象空间

　　公司能力看，OpenAI在技术上持续深耕，不计投入、勇于探索新的技术路线；管理层的创投背景和团队对AGI理想愿景的坚持受资本青睐，打造出目前市场效果最优的ChatGPT模型。

　　OpenAI专注于AI相关技术与应用的探索，由Elon Musk（特斯拉CEO）、Sam Altman（YC创业孵化器总裁）、Peter Thiel（PayPal联合创始人）等人在2015年共同创立，并承诺共同投入10亿美元。OpenAI致力于打造“安全且有益的通用人工智能”，除GPT系列外，OpenAI还发布了根据文字生成图像的DALL-E模型、AI音乐创作模型MuseNet、Jukebox等，涉足AIGC的多个细分领域。

　　（1）2015~2018年，公司坚持非盈利组织的定位，不考虑盈利，并开源所有技术。比起一家创业公司，OpenAI更像一群追求通用人工智能（AGI）技术及其合理应用的理想主义者团队。2016年，OpenAI发布了开源平台Universe，由微软、英伟达等公司共同参与打造，能够在包括网站、游戏在内的几乎所有环境中衡量和训练AGI。

　　（2）2018~2021年：技术突破，推出GPT、DALL-E等重要模型，转型盈利导向。

　　2018年6月，OpenAI推出拥有1.17亿参数的GPT-1预训练模型，在NLP领域获得了比谷歌2017年推出的Transformer更优的效果。2019年2月，OpenAI迭代出GPT-2，参数量级达到15亿，验证了大训练集、大参数量训练出的模型的迁移学习能力。但大模型带来的训练成本也迅速增加，非盈利性质无法长期维持项目运转，同时，马斯克也退出OpenAI董事会。2019年3月，公司宣布重组，转为盈利性质（但限制回报上限100倍），同时后续技术不再开源。同年7月，OpenAI获得了微软的10亿美元投资，与龙头互联网平台自此实现了深度绑定，微软的Azure云服务平台也一定程度缓解了OpenAI的训练成本压力。2020年、2021年，公司分别发布了1750亿个参数的语言模型GPT-3、自然语言生成图片的DALL-E等关键模型，技术壁垒得到巩固。

　　（3）2021年至今：技术成熟，向下游应用渗透，商业化起步。2022年4月，OpenAI发布DALL-E2，实现更高分辨率的AI图片生成；11月，发布ChatGPT，以对话形式交互，可以连续回答问题、承认错误、质疑不正确的前提、拒绝不适当的要求，智能程度进一步接近人类，在文本生成、搜索等领域获得了广泛应用。2023年2月，随着ChatGPT在全球的火热，OpenAI宣布推出付费方案ChatGPT Plus，以每月20美元的订阅制收费；同时，微软将ChatGPT能力进一步与自身业务结合，发布新版Bing搜索引擎和Edge浏览器，预计将能够处理更复杂的搜索提问。

　　2、管理层&投融资：受资本青睐，管理层前瞻眼光、大胆投入，微软合作加速商业化

　　OpenAI董事会及管理层成员大多拥有丰富的技术或投资背景。董事会主席兼总裁Greg Brockman曾担任Stripe的创始工程师，并于2013年成为Stripe的首位CTO，首席科学家Ilya Sutskever和2019年图灵奖得主Geoffrey Hinton共同发明了卷积神经网络AlexNet；Sam Altman曾担任Y Combinator总裁，有丰富的投资经验，投资了包括Airbnb、Stripe、Reddit等知名公司。OpenAI的非雇员董事背景也十分丰富，多位董事是头部互联网公司的创始人或首席执行官，也有董事具备丰富的政府背景或人工智能研究背景。

　　融资方面，OpenAI创始人中有多位硅谷知名投资人，创业基因和对AGI的美好愿景吸引了资本关注。2019年微软10亿美元的投资成为公司发展的重要节点，微软成为OpenAI独家云计算提供商；2023年1月，微软宣布向OpenAI进行一项为期多年、价值达一百亿美元的投资，进入长期合作伙伴关系的第三阶段，OpenAI投后估值达到290亿美元，成为美国最有价值的初创公司之一。

　　根据《Fortune》，若OpenAI在市场上盈利且大获成功，微软可从一系列投资中获得最多920亿美元的收益，参与收购的其他VC则能够获得高达1500亿美元的收益。当OpenAI开始盈利后，会优先偿还第一密切合作伙伴的本金；第二阶段，微软将有权获得OpenAI 75%的利润，直至其收回130亿美元的投资；第三阶段，微软的利润分配比例下降至49%，另有49%的利润分配给员工（41%）和第一密切合作伙伴（8%）；第四阶段，当投资者收益已达利润上限后，OpenAI重新变为非盈利组织，微软和其他风险投资者的股份将无偿转让给OpenAI的非盈利基金。

　　从GPT-1到GPT-3：参数量、训练量指数级增加，大模型在多个领域实现较高的迁移效果。算法本身的特性看，GPT系列从1到3都采用了Transformer架构，GPT-3的本质仍然是通过大量参数、大量训练集数据的学习，依赖Transformer强大的拟合能力使得模型能够收敛，因此GPT-3学到的模型分布很难摆脱数据集的分布情况，需要持续更新训练集。算力方面，由于参数量和训练数据体量的急速扩展，对底层算力的要求也持续增加，训练成本较高，根据Lambda Labs，GPT-3训练一次的成本或可高达460万美元。

　　3.5大规模语言模型基础上，加入了人类反馈强化学习，引入“人工标注数据+强化学习”来不断调优预训练语言模型，让模型持续学习人类对回答的反馈，朝更符合人类需求的方向优化。但ChatGPT只能从输入的训练集中学习，无法对最新产生的信息做出正确反馈，目前ChatGPT的训练集更新到2021年，后续训练集的更新迭代也会持续产生训练成本， ChatGPT爆火后，OpenAI也迅速开始推进商业化。

　　面向下游应用的商业化看，ChatGPT的应用场景丰富，To C端应用场景广阔。根据公司官网，OpenAI罗列出48个使用场景，具体可分为回答、分类、代码、对话、总结、翻译和转换七类，基本涵盖日常所需的大部分文字使用场景。ChatGPT可满足使用者代码编写、语言翻译、回答问题、文本创作等办公场景需求；同时可以通过聊天、生成菜谱、生成健身建议等满足生活场景需求，迁移学习能力极大拓展了使用场景。

　　To B端应用商业化看，有望赋能新闻、金融等文字工作相关领域以及搜索、客服等交互式对话工作领域。BuzzFeed计划使用OpenAI开放的API加强部分内容创作，并为观众个性化一些内容，让人工智能在公司的编辑和业务运营中发挥更大的作用。

　　搜索引擎方面，微软于2月8日发布的新版Bing搜索引擎吸取并优化了ChatGPT与GPT-3.5的精华，提供比ChatGPT更强大的运作，可以更容易理解使用者输入的字词，进一步搜寻完整答案，产出更符合实际解答的内容以提供全新的搜索体验。

　　OpenAI所开放的API接口已经在上千个应用程序中被部署，涵盖从学习新语言到解决复杂的分类问题等不同任务。

　　国内上市公司接入ChatGPT情况看，已接入的大部分公司使用GPT模型应用于虚拟数字人场景，也有部分公司发力AI绘图、智能搜索引擎、文案及代码编写等场景。

　　天娱数科旗下数字人接入模型后在TikTok跨境电商直播、虚拟主播直播互动等场景实现应用；蓝色光标旗下数字人苏小妹采用ChatGPT技术介入AI多轮对话，其AI作诗能力已进入技术测试阶段；风语筑旗下数字人接入ChatGPT以强化场景识别能力和更新能力；开普云旗下数字人与GPT-3-003接口对接后形成更可靠的数字人对话服务；天地在线和捷成股份参股的虚拟技术提供商世优科技接入ChatGPT训练数字人专有大脑形成个性化模型。招商银行、江苏银行等金融公司将ChatGPT融入文案编写、代码编写等日常办公领域；吉宏股份在2023年1月即接入GPT API接口，通过ChatGPT赋能跨境电商业务，累计帮助公司上新品1万余个，接手客户闲聊和安抚对线人次工时，生成新的广告文案7万余条，帮助公司处理图像素材2万余个，公司团队还利用ChatGPT在千万级商品中新挖掘了150万种商品之间的关系。

　　商业化手段看：订阅制面向有较大使用需求的消费者，API接口主要对接B端客户。

　　OpenAI在2月初推出ChatGPT Plus试验订阅计划，价格为20美元/月，目前仅对美国用户开放。订阅者可以在流量高峰正常访问ChatGPT，享有更快的响应速度以及ChatGPT新功能使用优先权，有高峰时段使用需求的消费者可以通过订阅满足日常使用；OpenAI还提供基本模型、微调模型以及嵌入模型的API接口，针对不同的模型型号根据Tokens数量收费，企业等专业开发者可通过API接口接入ChatGPT，对模型进行调优，以更适应垂直领域的应用需求。

　　（特别说明：本文来源于公开资料，摘录内容仅供参考，不构成任何投资建议，如需使用请参阅报告原文。）