AIGC，革命性的生产方式

ChatGpt的出现，相当于知识型工作者的工业革命

微软CEO纳徳拉：我这辈子，至少在从事技术工作的30年里，chatGPT是我从未见过的技术扩散。也许这一次，对知识型工作者来说，这就完全等同是工业革命。微软每个产品都将接入chatGPT。

ChatGPT（Chat Generative Pre-trained Transformer）是OpenAI在2022年11月推出的一个聊天机器人。它建立在OpenAI的GPT-3系列大型语言模型之上，并通过监督和强化学习技术进行微调。

AIGC，高自动化的的内容生产方式

AIGC（全称为AI-Generated Content），即利用人工智能技术来自动生产内容。具体可基于生成对抗网络GAN、生成扩散模型和大型预训练模型等人工智能技术，通过已有数据寻找规律，并通过适当的泛化能力生成相关内容的技术。

AIGC已经成为继PGC（Professional Generated Content，专业生产内容）和UGC（User Generated Content，用户生产内容）之后新型的内容创作方式。从内容产量的角度，PGC时，受内容产量所限，属于单一用户体验的模式。UGC时代，受内容质量所限，只有小范围用户体验。而到了AI辅助生成阶段，用户范围进一步扩大，再进一步到AIGC时代，不仅用户范围无限扩大，甚至离元宇宙用户体验，也越来越近。

1.AIGC在各个领域的变革性影响、模型和应用

AIGC在消费互联网、产业互联网和社会价值领域持续产生变革性影响

AIGC领域目前呈现AIGC的内容类型不断丰富、内容质量不断提升、技术的通用性和工业化水平越来越强等趋势，这使得AIGC在消费互联网领域日趋主流化，涌现了写作助手、AI绘画、对话机器人、数字人等爆款级应用，支撑着传媒、电商、娱乐、影视等领域的内容需求。目前AIGC也正在向产业互联网、社会价值领域扩张应用。

图1：AIGC应用现状概览（引用自红杉资本）

产业生态方面：

AIGC领域正在加速形成三层产业生态并持续创新发展，正走向模型即服务（MaaS）的未来。

目前，AIGC产业生态体系的雏形已现，呈现为上中下三层架构。

图2：AIGC发展趋势报告2023（引自腾讯）

AIGC的模型方面：

文本领域。文本是发展最完备的领域。然而，想要语言表达自然流畅是个十分高的标准。如今，这些模型在通用的中、短篇写作方面表现还算不错（但即便如此，它们通常也只是被用来生成初稿或对初稿做迭代完善）。随着时间的推移，模型越来越好，我们有望可以看到更高质量及更长篇的内容，并且针对各垂直领域有特定的优化。

代码生成。正如GitHub CoPilot所显示出的效果，很快，代码生成就会变得十分普遍，它能极大提高程序开发者的生产力。而对于非专业人员，借由这些工具，编写代码也将不是难事。

图像领域。图像领域的应用爆发是新近之事，但也可谓势不可挡：毕竟，在社交媒体上分享生成的图像比文字要有趣得多。而且我们也看到，市面上出现了非常多不同审美风格的图像模型，以及编辑和修改生成图像的不同技术。

语音合成。语音合成的应用已经有段时间了，但消费与企业级的应用才刚刚起步。对于像电影和播客这样的高端应用来说，要想一次性生成与配音演员或主播录音一样不机械、有自然质感的作品，还有很长的路要走。但就像图像领域一样，现在的模型也将成为将来更优秀模型的发展基础。

视频和3D模型领域。这一领域的进步则要缓慢不少，人们期待AI模型在这些创意领域（如电影、游戏、VR、建筑和实体产品设计）的进一步应用潜力。预计在未来1-2年内，我们将能看到一些基础的3D和视频生成模型。

其它领域。其它许多领域还处于基础模型的研发阶段，如音频、音乐到生物与化学领域。

下图是这些基本模型的进展与相关应用的发展进程时间表，2025年之后为为预估时间。

                                   图3：模型进展与发展进程时间表（引自红杉资本）

2.生成式人工智能，应用解剖

机器已经开始可以创造有意义并具备美感的东西了。这一新型的AI被称为“生成式人工智能”（Generative AI），也就是说，机器并非如之前那样仅分析已有的数据，而是生成了全新的东西。

生成式AI应用解剖：生成式AI应用会是什么样子呢？有一些预测可供参考。

智能化与模型微调生成式AI应用的底层技术其实都是GPT-3或Stable Diffusion等大型AI模型。而随着应用程序不断获得更多用户数据，这些数据便可用来对模型做更精细的改进，以实现针对特定问题空间改进模型质量和表现、缩小模型尺寸或降低成本。

我们可以把生成式AI应用程序看作UI层（用户交互界面层）或“小脑”，支撑它运行的底层大型通用AI模型才是“大脑”。

实现形式方面如今，生成式AI应用在很大程度上是以插件的形式存在于现有软件生态系统中，通过IDE（集成开发环境）运行代码，而通过Figma或Photoshop之类的应用程序来生成图像；我们甚至可以设想，将来Discord机器人也将能通过生成式AI的技术实现更广泛的用途。

此外还有数量较少的独立的生成式AI网络应用，比如用于文案写作的Jasper和Copy.ai，用于视频编辑的Runway，以及用于记笔记的Mem。

插件可能会是个非常有效的切入口，一方面不需要引入新的应用程序，另一方面也以非常聪明的方式避开了“先要有鸡还是先要有蛋”的问题（改善模型需要大量的用户使用数据，但另一方面，要有好的模型才能吸引到足够多的用户使用）。

交互模式范例如今，我们看到的大多数生成式AI的演示都是“一次性作品”：提供一个输入量，机器会生成一个输出，然后你再决定是否保存结果或者弃掉重来。随着越来越多的模型不断迭代而变得更强，将来我们能实现对输出作品的修改、完善、升级或生成不同版本等操作。

现在的生成式AI通常被用来生成产品原型或初稿。生成式AI通常都很擅长生成多个不同版本的作品，人们可以在此基础上进一步创作（如生成多个不同的图标或建筑设计模型）；此外，它们也很擅长为初稿提修改建议，从而帮助用户更好地完善作品（如博客文章或代码自动补全）。随着模型变得越来越智能（当然离不开大量的用户使用数据），我们有理由期待它们将来能生成越来越好的初稿，甚至可以直接生成可作为终稿使用的作品来。

持续的细分类目引领者通过不懈加速“更多用户参与/更多数据—更好的模型”这一发展飞轮，生成式AI公司可以获得持续的竞争优势并最终成长为行业最佳。当然要注意维护这一良性循环：①获得极高的用户参与度→②获得更多用户数据以训练出更好的模型（提示改进、模型微调、将用户行为作为标记的训练数据等）→③优秀的模型吸引更多的用户并提升参与度。此外，这些AI公司还可以往特定的问题空间发展（如代码领域、设计领域或游戏领域等），而不是非要做得大而全。还可以如前所述，通过插件的形式整合进当下目标用户的生产流程中，以此实现用户增长和产品分发，之后再尝试打造AI原生的工作流程来替代现有的应用程序。找到正确的方式来打造这些应用，积累用户与数据，这些都需要时间，但我们相信，好的产品必然持久，也终将发展壮大。

3.对技术的发展，保持高敏感度

高科技本身没那么重要，高科技带来的权利架构的演变，才是发财的重点（引自硅谷王兴）。

当ChatGpt等技术出现时，大家觉有有趣，会兴奋地玩起来。过段时间，发现一线局限性，就很快抛之脑后，统统归类到“有用但是还差那么点意思”。

而有的人，在自己的应用场景里，把ChatGpt等技术用起来，各站组合和小创新，明显得提高自己的工作效率。从尝到一点甜头，到坚持组合和创新，最后就会可能出现一些“完全意向不到的应用”。

而这些意向不到的应用，往往无法提前预测，也需要我们具有极高的敏感度。尤其新技术可能衍生出新的权利架构，甚至某个机构或某类资产，在这种权利架构中获得垄断性的收益。对于提前布局的人，将会获得超额收益，挣得钵满瓢满。