《2024-2029年中国人工智能生成内容（AIGC）行业投资潜力及发展前景分析报告》AIGC(Al-Generated Content)本质上是一种内容生产方式，即人工智能自动生产内容，是基于深度学习技术，输入数据后由人工各能通过寻找规律并适当泛化从而生成内容的一种方式。过往的内容创作生态主要经历了PGC、UGC到AIUGC的几个阶段，但始终难以平衡创作效率、创作成本及内容质量三者之间的关系，而AIGC可以实现专业创作者和个体自由地发挥创意，降低内容生产的门槛，带来大量内容供给。此外，对于仍处于摸索阶段的元宇宙世界，AIGC技术的发展也带来了解决元宇宙内容创造问题的解决可能，可实现为元宇宙世界构建基石的关键作用。

AI的发展经历了从决策式AI到生成式AI的过程。在2010年之前，AI以决策式AI为主导，决策式Al学习数据中的条件概率分布，底层逻辑是AI提取样本特征信息，与数据库中的特征数据进行匹配，最后对样本进行归类，主要针对对样本的识别和分析。2011年之后随着深度机器学习算法以及大规模预训练模型的出现，AI开始迈入生成式AI时代，生成式AI的特征是可以根据已有的数据进行总结归纳，自动生成新的内容，在决策式A决策、感知能力的基础上开始具备学习、执行、社会协作等方面的能力。当下人工智能在生成（Generation)和通用（General）两条主线上不断发展。

在图像生成领域内，CNN类架构是一个重要的里程碑，尤其擅长图像分类和目标检测任务，但由于难以生成高分辨率任务、难以捕捉图像全局结构和语义信息。近年来，Transformer类架构在图像生成领域也开始逐渐被应用，在自然语言处理领域的机器翻译任务中，Transformer已经成为了一种主流的模型架构。在图像生成领域，Transformer类架构可以有效地捕捉图像的全局结构和语义信息，同时也可以生成高分辨率、逼真的图像，多模态架构逐渐成为了图像生成领域的研究热点。多模态架构可以建立统一的、跨场景/任务的模型，将不同类型的数据（如图像、文本、音频等）融合起来，极大地拓展了人工智能认知并理解世界的能力边界。多模态学习在不同模态间搭建了桥梁，使得基础模型通过迁移学习和规模涌现达到能力跃迁成为可能，极大加速了通用模型的演进。

AIGC现有产业链由数据供给、模型开发与定制、应用与分发构成。目前来看，模型层为关键因素之一；其次，应用层发展空间巨大。上游数据供给由收集大量原始数据对其进行预处理，以便提供给模型训练，投资确定性强。在中游，使用注释数据开发和训练AI模型以生成内容，在垂直细分领域进行二次开发，来适应定制化需求；下游协助用户使用模型和算法生成内容，例如：文本、图像、视频等。基于不同的价值创造逻辑，将生成的内容分发到各种渠道。

我们认为，短周期内通用类大模型市场热度较高，长周期内多种模型组合是未来发展方向。根据模型体量，AIGC模型可分为大模型、小模型、微模型。大模型参数量大，算力强，具备通用类问题处理能力。小模型多专注于垂类领域，往往在垂直场景具备充足的数据以及问题处理能力。微模型更加个性化，由用户个人数据训练而成。大模型和小模型具备不同的优势，分别通过压缩技术以及教师模型进行整合来提高问题处理能力，能够实现1+1大于2的效果，可能是未来模型层的发展方向。

我们认为，Al以基础设施层、框架及模型层、应用层为主要的领域，分别对于产业链的上游、中游、下游。基础设施层的核心是提供算力，包含CPU、GPU等服务器设施。模型层以AI模型产品为主，投入周期较长，存在一定的技术壁垒。应用层是AI产业链的下游，直接对接客户以及用户，主要包含面向C端的消费级终端以及面向B端的行业解决方案，应用层本身进入壁垒较低，同时中国具备广阔的AI应用层落地场景，因此我们认为应用层存在较多机会。

在目前的市场下，AI已经具备生成文本、音频、图像、视频的能力。基础的生成式AI以文本模态为主要特征，音频、图像、视频等模态市场热度较高。文生图像以CLIP为主要训练的神经网络模型，其中文本和图像通过编码器进行分解，分解后进行映射，完成训练，文生音频具备相似的训练模式。随着大模型多模态能力升级，文生视频快速发展。继文生图能力融入各个大模型之后，文生视频成为大模型多模态应用的新趋势。近期多家厂商发布相关产品或更新，大幅提升文生视频效果。

模型层以高研发壁垒以及高运行成本为主要特点，一方面从数据基础和训练成本来看，模型层的研发均需要体量较大的数据以及充足的算力来完成，另一方面从运行成本来看，模型层的运行需要较强算力的支持。应用层本身目前的运维成本较低，同时适合对底层算法能力有着不同期望的企业。大厂存在数据和资金两方面的基础，在模型层具备优势。应用层目前受惠于行业普遍较低的模型APl调用价格，运行成本目前还较低，适合初创企业。

随着大模型技术的成熟，规模增大，大模型为Al Agent提供强大能力。Agent+大模型将有望构建具备自主思考、决策和执行能力的智能体，进一步提升大模型的应用能力。在人工智能领域，Al Agent视为能够使用传感器感知周围环境、做出决策并使用执行器做出响应的人工实体。对比Al与人类的交互模式，Al Agent较目前广泛使用的Copilot模式更加的独立，能够自主调用资源完成任务，人类在其中起到督促和评估的作用。Al Agent具有更广泛的应用范围可处理多个任务，并在不同领域中执行各种功能；具有更自然和灵活的交互方式，能够理解复杂的自然语言指令，与用户进行更智能对话。