【新米行業研究報告-數策全行業調研報告】
專注于洞察全行業發展研究，關注我，帶您前瞻各大行業未來趨勢！
下文為報告部分内容，完整報告請關注并私信添加客服下載下傳
生成式AIVS Web 3.0 : 不僅是web3.0的生産工具，更是人工智能的新範式
生成式AI可以作為Web3.0的生産工具，但Web3.0中的應用僅是其應用的冰山一角。Web3.0圍繞去中心化的理念展開，結合區塊鍊、智能合約、加密貨币等技術；
核心是産生的資料由使用者擁有能夠改變使用者資料及原創内容等均由網際網路中心化實體控制的現狀，在創作者經濟中取得更好的平衡進而提升使用者創作内容的積極性。
生成式AI在内容領域的應用能夠滿足使用者不斷提升的創作需求，但這僅是其應用的冰山一角。
生成式AI在廣大垂直領域的應用帶來的是AI用途的結構性改變以及生産力的進一步提高，未來可能創造巨大的市場價值。
生成式AIVS Web 3.0 : 不追求生産關系的重塑，但将大幅度提升和創造生産力
創造是生成式AI的核心，本質是對生産力的大幅度提升和創造。生成式AI通過從資料中學習要素，進而生成全新的、原創的内容或産品，不僅能夠實作傳統AI的分析、判斷、決策功能，還能夠實作傳統AI力所不及的創造性功能。
生成式AI已催生了營銷、設計、建築和内容領域的創造性工作，并開始在生命科學、醫療、制造、材料科學、媒體、娛樂、汽車、航空航天進行初步應用，為各個領域帶來巨大的生産力提升。
生成式AI将促進生産關系高效發展，而不是像Web3.0重塑生産關系。Web3.0通過底層的分布式與去中心化密碼學的應用、加密貨币的結算方式，為集體協作、分工、收益提供了更好的結算方式，去中心化自治組織(Decentralized Autonomous Organization，DAO) 将是常見的組織形态，打破了原有的生産關系。
生成式AI不是打破傳統的生産關系，而是通過提高生産力促進現有生産關系高效發展。
生成式Al:“最有商業前景的人工智能技術”
Gartner将生成式A列為最有商業前景的人工智能技術。根據其釋出的2022年人工智能技術成熟度曲線，預計生成式AI 2-5内将進入生産成熟期，發展潛力與應用空間巨大:
2025年，生成式A産生的資料将占到所有資料的10%，而2021年生成式AI産生的資料不到所有資料的1%:
2025年，30%的大型組織出站消息将由生成式AI生成:
2025年50%的藥物發現與研發将使用生成式Al:
2027年，30%的制造商将使用生成式AI提高産品研發效率。
資本:海外一級投資湧入多家知名風投公司看好生成式AI賽道
紅杉資本官網9月19日釋出的文章《生成式AI: 充滿創造力的新世界》中提到:“生成式AI有潛力産生數萬億美元的經濟價值”
Coatue釋出的《A12022: 爆發》認為規模化突破使得A在短時間内變得指數級強大，其應用場景迅速突破。2022年10月，Stability Al完成1.01億美元融資，估值10億美元，投資方包括Coatue、Lightspeed VenturePartners和OShaughnessy Ventures。
公司由前英國對沖基金經理Emad Mostaque于2020年成立。2022年10月，Jasper完成1.25億美元融資，估值達15億美元，投資者包括Coatue、Bessemer VenturePartners、IVP等多家機構。
2019年，OpenAl獲得微軟10億美元投資，2021年OpenAl 估值已達200億美元。
技術:2022年是拐點
前期架構、模型、資料、算力的積累與提升
架構改進:深度神經網絡的學習能力和模型的大小呈正相關，但規模越大訓練難度越高，需要對結構進行改進，擁有更強并行性的Transformer架構帶來了深度神經網絡參數量從最早的幾萬到目前的數千億的躍升。
模型發展: GPT-3、CLIP、Difusion、DALL·E2等模型的提出極大提升了AI處理NLP、跨模态、生成問題的能力。教據增多:擁有的優質訓練資料越多，算法從中學習的效果越好。
随着數字時代的到來，生成資料的工具和軟體越來越普遍，資料總量呈指數增長，可供AI訓練的資料品質和數量均有很大提升。
算力提升:大規模深度學習模型的參數和資料量達到了一定量級，需要相應算力的支撐，目前，大規模模型的訓練算力是原來的10到100倍。
技術:模型選代
變分自編碼器 (Variational Autoencoder，VAE): 2013年由Diederik P. Kingma和Max Welling提出，編碼器将原始高維輸入轉換為對潛在空間的機率分布描述，從中采樣輸入解碼器，得到新生成的結果，可用于圖像生成語音合成等，生成的圖像較為模糊。
生成式對抗網絡 (Generative Adversarial Nets，GAN): 2014年由an J. Goodfellow等人提出，模型由生成器和判别器組成，以圖像生成為例：
生成器輸入訓練噪聲後生成圖像，判别器用來判斷圖像是真實的還是由生成器生成的，随着訓練不斷進行，生成器水準提升，判别器不再分辨圖像真僞，固定生成器對判别器進行馴良，直到判别器能夠分辨圖像真僞，固定判别器再次訓練生成器，不斷循環，獲得生成效果好的生成器。
GAN模型能夠生成圖像、3D模型甚至視訊，但對輸出結果控制較弱，易産生随機結果。
END
人工智能資料包-1420，關注并私信添加客服領取
該份資料包共1420份
如果您覺得這些資料對您有幫助，希望擷取完整的電子版内容參考學習
您可以關注+評論+轉發
然後私信我“報告”
免責聲明：以上報告均系本報告通過公開、合法管道獲得，報告版權歸原撰寫/釋出機構所有，如有侵權，請聯系作者删除，本報告為推薦閱讀，僅供參考學習，不構成投資建議，如對報告内容存疑，請與撰寫/釋出機構聯系。