《关于生成式AI，这10页PPT就够了》_5mb

生成式AI技术发展与商业化分析报告总结

核心内容

本报告由神策研究院发布，主要围绕生成式AI技术的发展历程、能力边界、商业化路径等方面进行分析，旨在为行业提供有价值的参考和洞察。

AI技术发展历程

AI技术经历了以下几个重要阶段：

• 早期AI时期：以神经元模型的诞生（1943年）为起点，奠定了AI研究的理论基础。
• 专家系统时期：尝试利用人类专家的知识和经验，通过推理模型解决复杂问题。
• 机器学习时期：基于数据训练模型，进行预测和分类。
• 深度学习时代：引入多层神经网络，提升模型对复杂特征和模式的提取能力，其中反向传播法是训练多层感知机的核心算法。
• 自然语言处理：成为当前最热门的AI研究方向，主要包含词嵌入和Transformer等技术。

生成式AI与传统AI的区别

• 决策式AI：学习条件概率分布，用于推荐、风控、自动驾驶等场景，主要任务是分析已有数据并作出判断。
• 生成式AI：学习联合概率分布，能够基于已有数据进行演绎创造，生成全新的内容，例如图像、文本等。自2014年开始快速发展，近期呈指数级增长。

生成式AI的能力与局限

已具备的能力

• 内容生成：能够完成回答问题、撰写文章、文本摘要、语言翻译、生成计算机代码等任务。
• 多领域应用：在办公软件、教育、搜索引擎、电子商务、图像创作、管理软件、财税管理、金融等多个领域已有落地应用。

仍需进一步论证的能力

• “乌鸦智能”：指模型具备感知、认知、推理、学习和执行能力，如利用外部工具解决问题。当前ChatGPT是否具备该能力仍存疑。

主要局限性

局限性	简述	具体内容	是否可突破	突破方式
信心校准	难以判断何时应有信心，何时应猜测	会编造事实，生成内容与提示不一致	存疑	-
长期记忆	上下文有限，缺乏记忆能力	无法理解需持续发展的任务，如阅读书籍	可	中短期技术突破
持续学习	缺乏自我更新和适应能力	模型训练后固定，无法纳入新信息	可	其他非大模型AI技术解决
个性化	无法针对特定组织或用户定制	需要获取组织或用户的偏好信息	可	其他非大模型AI技术解决
规划与概念性跳跃	难以完成需要提前计划或“尤里卡时刻”的任务	表现不佳，无法完成概念跳跃任务	存疑	-
透明度与可解释性	难以验证生成内容是否与训练数据一致	决策过程难以建模，导致解释与决策不一致	存疑	-
认知谬误与非理性	易继承训练数据中的偏见	可能表现出统计谬误、认知偏差等	可	中短期技术突破
对输入的敏感性	对提示的措辞和顺序敏感	需要大量实验和优化提示方式	存疑	-

生成式AI的商业化路径

产业链结构

AI产业链包括：

• 上游：芯片、算力
• 中游：AI模型
• 下游：应用层

大模型厂商在产业链中将占据核心地位，未来可能获取大部分价值。

变现方式

• 订阅付费：如ChatGPT
• 插件商店：提供扩展功能
• API调用：开放模型接口供开发者调用
• MaaS（Model as a Service）：提供模型训练、部署和调用服务，如OpenAI与Microsoft Azure的合作

主要应用场景

应用领域	应用效果	海外应用	接入模型
办公软件	智能化文件管理、文章生成、排版、邮件过滤与摘要	微软	GPT-4
教育	学生辅导、试卷生成、学习评估	多邻国、可汗学院	GPT-4
搜索引擎	自然语言问答	微软	GPT-4
电子商务	推荐系统、广告内容生成、商品描述生成	Shopify	ChatGPT
图像创作	文字描述生成图像	Midjourney、StableDiffusion	Midjourney、StableDiffusion
管理软件	客户报告、销售预测、客户服务	微软、Salesforce、Adobe	GPT-4
财税管理	自动税务申报、咨询、财务报表生成	Intuit	ChatGPT及公司自有AI能力
金融	数据分析、风险评估、交易建议	Bloomberg	BloombergGPT

寻找应用场景的方法论

在寻找生成式AI的应用场景时，应从以下几个方面进行考量：

• 技术局限性：模型在哪些方面存在不足
• 创造力边界：模型是否能创造新的内容
• 商业化边界：模型是否具备商业化潜力

关于我们

神策数据

神策数据是国内领先的大数据分析与营销科技服务提供商，为30多个行业提供数字化经营解决方案，服务客户超2000家。其核心产品包括神策营销云、神策分析云和神策数据根基平台。

神策研究院

神策研究院致力于提供行业深度洞察和领先实践，推动企业数字化转型，采用数据驱动的方法，聚焦于数字化经营相关领域。

版权声明

本报告版权归神策数据所有，未经授权，不得以任何形式转载、复制、编辑或发布。报告内容仅作为参考，不构成专业建议。