>> 上海證券-傳媒行業(yè)GPT系列專題之三-GPT聚焦全領(lǐng)域發(fā)展：應(yīng)用篇-230420
| 上傳日期： |
2023/4/21 |
大?。?/td>
| 3129KB |
| 格式： |
pdf 共23頁 |
來源： |
上海證券 |
| 評級： |
增持 |
作者： |
陳旻 |
| 行業(yè)名稱： |
傳媒 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
我們將“AI+傳媒”的研究框架體系定義為“通用大模型”+“行業(yè)小樣本”的技術(shù)架構(gòu)，“AI+傳媒”在應(yīng)用層表現(xiàn)效力優(yōu)劣的關(guān)鍵取決于通用大模型對垂直應(yīng)用的適配程度及迭代速度，
1、適配程度是指：多模態(tài)的輸入及輸出是否匹配應(yīng)用層的輸入及輸出。比如GPT-4屬于“圖+文”多模態(tài)輸入+“文”單模態(tài)輸出，因此輸入模態(tài)為“圖或文”且輸出模態(tài)為“文”的垂直應(yīng)用更適配GPT-4。
2、迭代速度是指：應(yīng)用層產(chǎn)生的“行業(yè)小樣本”的數(shù)據(jù)量是否匹配大模型的迭代要求。根據(jù)我們對GPT模型的理解，比如BingAI產(chǎn)生的“行業(yè)小樣本”源自Bing的搜索結(jié)果，ChatGPT產(chǎn)生的“行業(yè)小樣本”源自用戶的反饋和互動。因此我們認(rèn)為，對于超出GPT所使用的預(yù)訓(xùn)練數(shù)據(jù)庫范圍（2021年9月前）的事實(shí)性表述，Bing AI反饋的是搜索的結(jié)果，ChatGPT反饋的是用戶主動的觀點(diǎn)，Bing AI反饋的效果比ChatGPT更好。
我們認(rèn)為“行業(yè)小樣本”的價值取決于數(shù)據(jù)數(shù)量及數(shù)據(jù)質(zhì)量，數(shù)量大且質(zhì)量高（多模態(tài)）的應(yīng)用場景復(fù)用及迭代AI能力的效力更強(qiáng)，因此更進(jìn)一步理解我們的研究框架，我們將“行業(yè)小樣本”的結(jié)構(gòu)分層（中層小模型+下層應(yīng)用及內(nèi)容），并將“行業(yè)小樣本”的結(jié)合方式分類（調(diào)用+訓(xùn)練）：
1、“行業(yè)小樣本”的數(shù)據(jù)集來自小模型或應(yīng)用及內(nèi)容：AI產(chǎn)業(yè)鏈包括上層大模型、中層小模型、下層應(yīng)用及內(nèi)容，包括應(yīng)用及內(nèi)容直接接入大模型或通過小模型接入大模型兩種方式，即“大模型+應(yīng)用及內(nèi)容”或“大模型+小模型+應(yīng)用或內(nèi)容”，其中具備特定功能的AIGC軟件產(chǎn)品及MaaS我們理解為“小模型”+“應(yīng)用”的技術(shù)范式，本身具備較高質(zhì)量的AI能力，若接入匹配的多模態(tài)大模型，有望實(shí)現(xiàn)能力上的質(zhì)變突破。
2、“行業(yè)小樣本”的結(jié)合方式包括“能力調(diào)用”及“能力訓(xùn)練”兩類：
?。?）“能力調(diào)用”是指下游垂類場景直接調(diào)用通用大模型的通用能力，并基于垂類場景內(nèi)產(chǎn)生的特性化數(shù)據(jù)不斷提升調(diào)用能力在垂類場景內(nèi)的適配程度。我們認(rèn)為現(xiàn)階段下游應(yīng)用及內(nèi)容主要采取此類方式接入大模型能力，此類方式可高效快速調(diào)用大模型先進(jìn)能力，在時間上及成本上具備優(yōu)勢。我們認(rèn)為“能力調(diào)用”匹配“AI+傳媒”的第一層利好，即通過AI降本增效，大幅提高數(shù)據(jù)及內(nèi)容的供給量。內(nèi)容產(chǎn)業(yè)本質(zhì)由供給決定需求，因此內(nèi)容供給量的明顯提升將有效帶動傳媒基本面拐點(diǎn)及增量空間出現(xiàn)。
?。?）“能力訓(xùn)練”是指下游垂類場景將通用大模型針對特性化數(shù)據(jù)集進(jìn)行再訓(xùn)練，從而形成垂類場景專屬大模型。例如彭博社利用自身豐富的金融數(shù)據(jù)源，基于開源的GPT-3框架再訓(xùn)練，開發(fā)出了金融專屬大模型BloombergGPT。我們認(rèn)為“能力訓(xùn)練”匹配“AI+傳媒”的第二層利好，即下游垂類場景本身的數(shù)據(jù)或內(nèi)容反過來“再訓(xùn)練”通用大模型（或開源大模型），形成傳媒內(nèi)容場景專屬大模型，形成更穩(wěn)定且高質(zhì)的內(nèi)容輸出。我們認(rèn)為訓(xùn)練難度文本<圖片<視頻<影視<游戲，且內(nèi)容數(shù)量逐步遞減但內(nèi)容質(zhì)量逐步遞增，即偏后端的影視、游戲在內(nèi)容數(shù)量上訓(xùn)練量級不足，因此高質(zhì)量的內(nèi)容形態(tài)首先通過“能力調(diào)用”輸出AIGC內(nèi)容，再將AIGC內(nèi)容“再訓(xùn)練”大模型以解決高質(zhì)量內(nèi)容數(shù)量不足的問題（合成數(shù)據(jù)“再訓(xùn)練”范疇）。
從投資的角度，按照我們的研究框架，傳媒對應(yīng)垂類場景的“行業(yè)小樣本”，其核心價值取決于數(shù)據(jù)與內(nèi)容，第一層對應(yīng)數(shù)據(jù)與內(nèi)容的輸入模態(tài)是否匹配大模型的輸出模態(tài)；第二層對應(yīng)數(shù)據(jù)與內(nèi)容的數(shù)量及質(zhì)量是否匹配大模型的能力再訓(xùn)練：
1、按照“模態(tài)匹配”的邏輯，AI+文本/虛擬人預(yù)計率先兌現(xiàn)案例及業(yè)績，其次AI+圖片可通過“大模型”+“小模型”組合方式實(shí)現(xiàn)（如GPT+Stable Diffusion、GPT+Midjourney）。隨著未來GPT-5提供更多模態(tài)的輸入及輸出，下游垂類場景的適配范圍有望擴(kuò)大，通過“能力調(diào)用”適配的應(yīng)用及內(nèi)容場景更為豐富，因此后續(xù)“AI+視頻/影視/游戲”的案例兌現(xiàn)度存在新的催化空間。
OpenAI最新發(fā)布的GPT-4核心特征包括：（1）多模態(tài)輸入（圖+文），單模態(tài)輸出（文），可以閱讀并總結(jié)論文內(nèi)容、解答較高難度的物理題目、具備較強(qiáng)的OCR能力（如識別網(wǎng)頁草稿并按要求反饋網(wǎng)頁代碼）、理解人類社會常識；（2）具備長文字處理及推理判斷能力，GPT-4上下文上限約2.5萬字，允許使用長格式內(nèi)容創(chuàng)建、擴(kuò)展對話以及文檔搜索和分析等，能夠閱讀并記憶更多信息，且具備更高的推理判斷能力；（3）可靠性大幅提升，分辨能力提高，有效減少“虛構(gòu)”或“有害”信息輸出。
2、按照“能力再訓(xùn)練”的邏輯，AI+內(nèi)容/IP預(yù)計空間及價值更大，其價值核心取決于數(shù)據(jù)與內(nèi)容/IP的數(shù)量及質(zhì)量的高低。微軟本周發(fā)布的DeepSpeed-Chat大幅提升大模型預(yù)訓(xùn)練速度并大幅降低訓(xùn)練成本，我們認(rèn)為最核心意義為大幅降低垂類場景專屬大模型的訓(xùn)練門檻，小模型層及應(yīng)用層有望明顯受益。掌握數(shù)據(jù)及優(yōu)質(zhì)內(nèi)容（多模態(tài)數(shù)據(jù)）的下游場景具備核心競爭力，因此內(nèi)容及IP（版權(quán)）的價值有望重估。
DeepSpeed-Chat集成預(yù)訓(xùn)練語言大模型完整
|
|
