AIGC：掀起互联网内容生产新革命（MM整理）

AIGC：掀起互联网内容生产新革命（MM整理）的思维导图，一起来了解AIGC产业的发展，AIGC产业链：算力层→算法层→应用层，快来看看吧。

AIGC：掀起互联网内容生产新革命（MM整理）

• AIGC产业的发展
• 生成式AI掀起内容生产新革命，有望重构互联网价值链分配
  • 传统AI：偏分析能力。
    • 基于现有数据分析发现规律，应用于时间预测、算法推荐、人脸识别、自动驾驶。
  • 生成式AI：更具创造力。
    • 不仅分析现有规律，更实现人工智能从“感知理解”到“生成创造”的跨越。
  • AIGC掀起内容生产新革命。
    • 过去互联网实现信息传播近乎零成本，未来AIGC实现内容生产接近零成本。
  • 从“提升分发效率”到“提升生产效率”。
    • AIGC重构互联网价值链分配，上游内容生产利用技术降本增效。
• PGC→UGC→AIGC， AIGC有望重构互联网内容生产格局
• 算法层：预训练模型引发AIGC技术能力质变，大模型迎来产业化元年
  • 预训练模型（又称“大模型”）
    • 特点是基于大量数据训练、拥有大量参数、可以广泛适用下游任务。
  • 关键节点
    • 2018年谷歌发布基于transformer的预训练模型BERT，进入大炼模型参数的预训练模型时代。
  • 关键能力：通用性、多模态、使用门槛降低、生产内容高质稳定。
    • 预训练模型作为基础设施，可以快速抽取生成场景化、个性化小模型，实现工业流水式部署，摆脱传统AI应用碎片化、作坊式的开发方式。
• GPT是如何练成的
  • 训练参数：参数量大，算力需求高，训练成本高
    • 参数量大
      • GPT—3参数量接近1750亿，ChatGPT基于优化后的GPT—3.5微调而来，GPT—3.5参数量13亿。
    • 算力需求高
      • 根据英伟达，使用单个V100GPU对GPT—3进行一次训练，需要耗时288年。OpenAI使用的微软Azure超算中心拥有超28.5万个CPU核心、1万个GPU和400GB／s的GPU服务器网络传输带宽。
    • 数据量大
      • GPT—3模型的神经网络在超过45TB的文本上进行训练，数据相当于维基百科英文版的160倍。
    • 训练成本高
      • 根据Lambda，训练一次GPT—3模型需要耗费的训练成本超过460万美元。
  • 训练策略：强化学习算法RLHF，题海战术，数据标注
    • RLHF需要从人类反馈中强化学习，需大量的外包人员进行数据标注。
• 算法层：大模型开发壁垒高，科技巨头更有望脱颖而出
  • 国外公司布局
  • 国内公司布局
• 应用层
  • 随着大模型逐步成熟，下游应用开始爆发
  • 互联网公司AIGC相关应用布局
• 市场规模
  • 千亿市场规模
    • 根据Acumen Research and Consulting， 2021年全球生成式Al市场规模大大79亿美元，预计到2030年市场规模有望达到1108亿美元， 2022—2030复合增速达到34.3%
  • 北美增长领先
    • 2021年北美生成式A1市场规模达到32亿美元，占比40.5%。
• 投融资
  • 国内大部分公司仍处天使轮投资，AIGC产业方兴未
• AIGC产业链：算力层→算法层→应用层