AIGC系列討論之一：打響第一槍的微軟第一環節：分析師分享第二環節：嘉賓分享嘉賓一AGI這輪行情是人類最大的牛市，實現后就共產主義了。AGI是明顯的推動人類經濟增長是，web3和元宇宙是達不到的。1）增加總的DAUT；2）信息存儲能力提升；3）IO效率提升（input-output）；4）傳播媒介的提升。GPT是普適性應用，已經到來，是非概念性投資，相當于是81、82年的PC，90、91年的互聯網這么一個級別的理解。投資方面微軟是毋庸置疑的選擇，目前唯一的問題就是估值問題。除了微軟，其他投資標的是芯片。在芯片領域除了英偉達外，AMD、美光、臺積電估值比較合適，但美光和臺積電估值更便宜可以逢低就買。美光是做存儲的，升級版HBM是AI加速芯片數據中心標配組件。存儲領域因為消費電子的衰退，估值殺的非常低，現在HBM在漲價，會帶動存儲行業的增長（主要有三家：三星、美光、SK海力）基本面見底，美光侵蝕了三星的份額，更看好美光。臺積電競爭對手只有英特爾和三星，但英特爾拿不到AMD和英偉達的單對臺積電不能構成競爭。目前先進制成電路刻畫能力要求越來越刁鉆，臺積電把自己工藝能觸達的模式告訴AMD和英偉達，然后AMD和英偉達共同就臺積電的能力來進行電路設計，才能夠實現尖端制成的生產，所以這是臺積電對英特爾形成的絕對壁壘。隨著良率的發展三星和臺積電差距會越來越大。個人來講最喜歡臺積電和美光。谷歌是非常高風險的情況。搜索已經被顛覆，商業模型被顛覆，不建議抄底。以特斯拉為代表的AI專用芯片，根據自己的商業場景定制的AI訓練芯片會是未來的趨勢。所以英偉達也不是高枕無憂的，但無論誰定制，代工要找臺積電，HBM要找美光。GPT是黑箱，在使用的情況下要注意交流的方式，正義性、道德性比較重要。GPT在我們國家挺危險的，被封號社會生產力不存在。嘉賓二:AI應用功能的展開：1）微軟的AI應用：已經把自身的AI研發到現階段的功能，與OPENAI上的功能嵌入到了微軟的云服務上，包括但不限于語言翻譯、代碼生成、圖像生成等；但因為以上服務不是針對C端用戶，所以一般人還感覺不明顯；2）金融業的AI應用：與防詐騙、自動付款、生成會議紀要總結，不同語種之間提供實時字幕，例如目前的Copilot對目前編程人員在效率上有極大的躍升，例如在CRM工具的使用過程中以copilot進行輔助，可以使工作的準確率從70%進步到78%的前提下，完成時間從2小時縮減至1小時。并且從2022年中到2022年底的半年時間內，copilot推薦編碼后人們的接受度也從27%提升到了35%；3）Powerplatform:在該平臺上開發的過程將更輕松快捷，例如可以用自然語言來實現開發，例如與chatGPT類似的，給出開發的前半段內容，平臺就能自動生成后半段；AI的發展歷史：1）Transformer的框架：一個通用性極強的AI框架，不僅可以以文本來使用，圖像、視頻等其他模態均可以在此框架下進行應用；此模型最早的應用在文本領域，微軟的Bert在此領域的貢獻之一，就是運用了文本的自監督能力，即文本給出第一句，Bert用來猜測下一句，并且用已有文本來驗證準確性，此事項為AI領域，transformer發展的里程碑之一；2）大數原則（scalinglaw）的應用：研究表明，模型的準確度的提升，與數據投入的多少是有很強的線性正相關聯系。此原則帶來了幾個結果：a.為了模型的準確性，公司敢于投入更多的資金去獲取數據對模型進行更新迭代，因為一定會有回報；而缺少數據的小模型，一定展現不出大模型所呈現的效果，這樣有利于大模型形成能夠技術壁壘；b.有些垂直細分領域，當模型推理出的結果不需要100%的準確，也可以達到需要的效果時，可以不采用投入所有的數據的方式來進行迭代，只需要激活大模型中的一部分，只運用少量的數據與成本，就能以此來獲得想要的效果；3）AI后期發展的幾個關注點:a.模型的參數和算力會呈現出上升勢態，具體是參數上升更快還是算例上升更快、還是同時上升，目前并無定論，需持續關注跟進；與此同時，用模型推理的成本在急速的下降。b.未來可能會出現AI推進AI更新的一個過程，例如目前AI在半導體的制作上，在臺積電制作半導體芯片的過程中，已經采用了利用AI來檢測數據信息，提高產品的良率。Q&A1Q:

目前，有新聞表明，AI似乎產生了自己的意識，各位嘉賓如何看待此事？如果此事為真，那么有無控制不了的風險？A:

此事目前來看，不是AI產生了自己的意識。更有可能的是，此AI的底層模型上的一些參數，以及數據清洗沒有做好，因此在與人的對話的誘導下，說出了類似于產生情緒的話語的極端情況。目前來看，人類運用的大語言模型的AI，都是經歷了反復數據清洗，以及人類對參數進行無數次調控，即會在人類框架內運作的產品，所以目前看并無對AI控制不了的風險。2Q：如果目前各個玩家模型的底層都是在用transformer的話，那么最后大家更新迭代出來的產品會不會都是大同小異，即差異化不大？A：如果架構相同、方法相同、數據相同，那么可能每個產品到最后都是一樣。但例如，各個開發者采取的是不同的數據集，那么即使采用同樣的架構和方法，由于數據的構成不同、清洗的方法不同，最后的產品還是會有差異。3Q：如果在最后，此模型的極限下，所有的公開的商業信息與數據都已經獲取的情況下，搜索引擎將會以一種什么樣的商業模式來賺錢？A:

可能在未來，每一個細分領域，都會有自己的這么一個信息樞紐，當搜索引擎獲得這些信息后，會以一個合適的價格將其出售。而不是像現在這樣，任何搜索都集中在一個引擎之下。4Q：目前來看，算力較貴，那么把算力分配在哪些領域，將能創造出更大的價值？A:

算力成本不是那么的高，基本上chatgpt也就一美分，如果10個搜索能解決一個問題的話，一個問題的成本也就是在10美分。應用的領域來看，垂直細分的領域，目前來看有大量文本沉淀的領域，如金融法律等領域，他會起到一個很好的輔助、甚至于取代的作用。在另外一些領域，例如醫療外科手術領域，目前這塊還取代不了。5Q：蘋果目前的IOS系統，有沒有被取代或者迭代的風險？A:

有的，雖然說目前沒有個明確的時間表，但被取代是一個比較明確的方向。因為蘋果中的IOS系統里，都是通過一個個app來解決人們的一個個訴求，反映到最表面，就是蘋果的IOS系統，那么這些app的功能，目前來看，后面可能都會被顛覆。6Q：今后會不會產生一個底層基礎的大模型，后面所有的模型，都是這個大模型的一個調整或者適配，如果有這樣的一個底層模型，那誰最有可能做出？A:

目前大家所采用的transformer，可以看作是一個大語言模型；這個模型肯定不會是最終的模型，但就現狀看，這種底層模型還是最有可能從google出來。另外一點，就是很多領域可能跟大語言模型結合在一起會有很大的影響，有些領域沒有這個必要。這種大模型沒有必要去滲透到所有場景與領域，很多時候，可能只需要在一個垂直細分的領域有輔助、正面的作用。7Q：能不能基于tran