AI产业前瞻系列报告（三）：从openAIo1看AI产业趋势：打破AI应用瓶颈算力需求前景如何_17页_1mb

行业研究总结：从OpenAI o1看AI产业趋势

核心内容

OpenAI于2024年9月12日发布了最新模型o1，标志着复杂推理模型进入新时代。o1在编程和理科任务中表现优异，但在自然语言任务上相对较弱。其核心优势在于具备全局思维能力和思维链技术，能够进行复杂的推理过程，提升在学术、教育等垂类场景的应用潜力。同时，o1在网络安全攻防中表现突出，展现了AI辅助攻击的潜在威胁，也预示了AI驱动网络安全攻防升级的未来趋势。

主要观点

1. OpenAI o1的性能提升

• o1在编程竞赛（如Codeforces）和理科测试（如AIME、GPQA）中表现出色，得分显著高于GPT-4o。
• o1-preview和o1-mini在保持较高性能的同时，大幅降低了推理成本，其中o1-mini在性价比上更优。
• o1在复杂推理任务中展现出了更强的准确率和更长的思维链，但其思维过程仍存在一定的僵化问题。

2. AI Agent是突破AI应用瓶颈的关键

• AI应用受限于模型性能，难以实现真正的自主规划和执行复杂任务。
• 强化学习（RL）和思维链（CoT）是构建AI Agent的关键技术，它们能够拓展模型的计算能力，实现训练和推理的双路径Scaling Law。
• AI Agent需要具备自主探索、连续决策和复杂任务分解的能力，这些能力正是强化学习范式所具备的。

3. 强化学习范式对算力需求的影响

• 强化学习推理显著提升了推理算力需求，但训练算力需求仍将持续增长。
• o1-preview的推理成本约为GPT-4o的36倍，输出质量牺牲了输出速度。
• 预训练阶段同样需要大量算力支持，强化学习推理并不意味着模型参数量停止扩张。

关键信息

技术特性

• 思维链（CoT）：模型在生成答案前，先进行多步推理，显著提升数学和符号推理能力。
• 强化学习推理（RL Reasoning）：通过训练和推理两个维度拓展模型性能，实现自主探索和连续决策。
• Self-play：通过AI自我博弈生成高质量数据，缓解训练数据短缺问题。
• MCTS（蒙特卡洛树搜索）：提升模型的推理能力和可见性，有助于模型调试和优化。

应用场景

• 低代码开发：o1具备较强的自主性，有助于提升开发效率。
• 网络安全：o1在攻防任务中表现出色，能够分解复杂任务并找到最简单的解决方案。
• 学术教育：o1的全局思维能力优化了复杂问题的解决过程，提升了AI在教育场景中的使用体验。

投资建议

• AI电力：关注Constellation、NRG等清洁能源供应商。
• AI算力产业链：
  • AI GPU：关注英伟达、AMD。
  • ASIC芯片设计：关注Marvell科技、博通。
  • 存储：关注SK海力士、三星电子、美光科技。
  • 服务器：关注联想集团、超微电脑、戴尔科技、慧与、工业富联。
  • CoWoS：关注台积电、日月光、Amkor科技。
  • 网络：关注中际旭创、新易盛、Coherent、安费诺、Arista网络。
• AI应用：
  • 云服务商：关注微软、谷歌、亚马逊、Oracle。
  • AI+开发/数据分析：关注ServiceNow、Palantir、Datadog。
  • AI+网络安全：关注微软、CrowdStrike、Fortinet。
  • AI Agent：关注微软、Salesforce、Workday。
  • AI+教育：关注多邻国、Coursera。

风险分析

1. AI技术研发和产品迭代遭遇瓶颈：若技术进展停滞，可能影响AI应用的进一步发展。
2. AI行业竞争加剧风险：激烈的市场竞争可能压缩利润空间。
3. 商业化进展不及预期风险：AI应用的用户需求和渗透率可能低于预期。
4. 国内外政策风险：AI相关版权和数据合规政策尚不完善，可能带来不确定性。

行业趋势

• 北美科技公司正进入新一轮AI投资周期，资本支出占比持续上升。
• 算力需求仍将持续强劲，特别是AI GPU、存储和服务器领域。
• AI驱动的网络安全攻防升级将成为未来行业发展的主旋律。
• AI Agent的发展依赖于强化学习和思维链等底层技术的突破，未来可能引发新一轮的产业变革。

图表目录

• 图1：GPT-4o、ol-preview、ol和人类专家在复杂推理任务中的得分差异
• 图2：o1相比于GPT-4o在各项测试集中的得分提升
• 图3：o1-mini、o1等模型AIME得分和推理成本对比
• 图4：o1-mini的Codeforces得分显著优于o1-preview
• 图5：o1-preview在思维链中不断进行纠错、追问和反思，最终得到完整的解题框架
• 图6：GPT-4o因无法理解规则而出错，o1-preview首先理解规则再进行解答
• 图7：o1-preview的思维链采用了类似穷举法的方式寻找答案，思维链较为僵化
• 图8：将o1-preview与Github Copilot结合优化编码器运行速度
• 图9：o1-preview与CursorComposer结合快速开发App
• 图10：o1-preview找到Docker Host API并启动了损坏容器的新实例
• 图11：2023年交互式入侵主要针对北美洲地区
• 图12：2021-2023年针对云的入侵案例显著增加
• 图13：o1-preview和o1-mini在越狱学术基准StrongReject上明显领先GPT-4o
• 图14：构建AI应用的五层基石理论
• 图15：AlphaZero的随机初始化、self-play、MCTS、策略更新
• 图16：o1在AIEM测试中的准确率与“训练时间计算”和“测试时间计算”呈正比
• 图17：计算优化缩放（ComputeOptimal）相比传统的Best-of-N方法效率显著提高
• 图18：主流模型输出速度和输出质量的对比，o1-preview为输出质量牺牲了输出速度
• 图19：主流模型输入和输出的价格对比
• 图20：OpenAI各模型输出和推理tokens消耗对比
• 图21：科技公司资本支出占营运现金流的比例变化趋势
• 图22：科技公司资本支出占GAAP净利润的比例变化趋势

表格目录

• 表1：不同测试集和子分类下 GPT-4o、o1-preview、o1 的得分对比
• 表2：23年以来部分网络安全公司推出的生成式AI产品和功能