生成式人工智能行业市场前景及投资研究报告：海外大模型，生成式AI加速创新，行业历史性机遇，新质生产力，OpenAI，kimi，eVTOL.pdf

投资评级

推荐维持

生成式AI加速创新，行业迎历史性机遇

——生成式人工智能行业专题研究：海外大模型篇

证券研究报告2024年3月29日

目录

•第一部分：生成式AI快速发展，技术奇点有望到来

•第二部分：技术创新百花齐放，海外巨头引领创新

•第三部分：风险提示

2

1.1发展历程：算法模型持续迭代，AI行业快速发展

资料：信通院《人工智能生成内容(AIGC)白皮书》，CSDN官网，阿里云开发者社区，NIHRecord官网，MIT官网，51CTO官网，机器

之心官网，腾讯云开发者社区，科技行者官网，雷锋网，澎湃新闻网，winbuzzer官网，MBA百科，Geekwire官网，datamarketinglabs官网，3

安全客官网，AIGC开放社区公众号，IT之家官网，OpenAI官网，36氪官网，国元证券研究所

1.1发展历程：算法模型持续迭代，AI行业快速发展

1基础的生成算法模型是驱动AI的关键

2014年，伊恩·古德费洛(lanGoodfellow)提出的生成对抗网络(GenerativeAdversarialNetwork,GAN)成为早期最为著名的生成模型。

GAN使用合作的零和博弈框架来学习，被广泛用于生成图像、视频、语音和三维物体模型。随后，Transformer、基于流的生成模型

(Flow-basedmodels)、扩散模型(DiffusionModel)等深度学习的生成算法相继涌现。

Transformer模型是一种采用自注意力机制的深度学习模型，这一机制可按输入数据各部分的重要性分配权重，可用于自然语言处理

(NLP)、计算机视觉(CV)领域应用，后来出现的BERT、GPT-3、laMDA等预训练模型都是基于Transformer模型建立的。

图：AIGC技术累积融合

资料：腾讯研究院《AIGC发展趋势报告》，国元证券研究所4

1.1发展历程：算法模型持续迭代，AI行业快速发展

1基础的生成算法模型是驱动AI的关键

表：主流生成模型一览表

模型提出时间模型描述

变分自动编码(VariationalAutoencoders,VAE)2014年基于变分下界约束得到的Encoder-Decoder模型对。

生成对抗网络(GAN)2014年基于对抗的Generator-Discriminator模型对。

学习一个非线性双射转换(bijectivetransformation)，其将训练数据映射到另一个空间，在该

基于流的生成模型(Flow-basedmodels)2015年

空间上分布是可以因子化的，整个模型架构依靠直接最大化log-likelihood来完成。

扩散模型有两个过程，分别为扩散过程和逆扩散过程。在前向扩散阶段对图像逐步施加噪声，

扩散模型(DiffusionModel)2015年直至图像被破坏变成完全的高斯噪声，然后在逆向阶段学习从高斯噪声还原为原始图像的过

程。经过训练，该模型可以应