ChatGPT在发布后60日月活突破1亿，成为史上增长最快的消费者应用，被英伟达CEO黄仁勋称为“AI的iPhone时刻”。但这一现象级增长背后，人工智能行业仍面临多重风险与不确定性：算力供给存在约束、原创模型相对匮乏、对算法的见解有待提升，技术追赶节奏与商业化落地仍存变数。 国内大模型与美国的差距约为1-3年，在GPT-3.0发布后差距一度拉大，行业整体处于跟随与追赶态势。

算力约束：高端GPU出口受限影响训练速度

算力是人工智能行业的基础层。芯片为AI提供算力支持，未来越来越多AI应用的落地，都离不开庞大算力的支撑。但2022年8月之后，美国限制了部分高端GPU出口中国，在一定程度上影响了模型训练速度，构成行业面临的现实约束。

从应对路径看，部分算力约束有望通过国产GPU或ASIC替代来缓解。这一替代进程的实际节奏与效果，仍需以产业链后续公开进展为准。

原创模型与算法：差距的核心不在数据量

中美大模型的技术差距，并非源于数据或参数规模。百度文心大模型参数量达2600亿，甚至超过ChatGPT的1750亿，但美国在大模型技术上仍领先国内约2-3年。真正的原因主要有两方面：

  • 中国原创模型匮乏，对算法的见解有待提升；
  • 高端GPU出口限制影响模型训练速度。

从数量看，在全球超千亿参数大模型中，中国企业或机构贡献了1/3，美国贡献了1/2；在拥有大模型数量及参数量前十名的组织中，中美分别占据4席和6席。国内底层技术正处于跟随和追赶态势，随着中国公司在AI算法上持续投入、巨头积极布局，未来有望依托大模型的应用落地与产业升级释放增长潜力。

商业化落地与技术路线的不确定性

人工智能产业链环节众多，综合来看较受关注的四个方向是：上游的AI芯片和光模块、中游的大模型、下游的落地场景。

  • 基础层：光模块是光通信系统的核心器件之一，AI技术快速发展对光通信的带宽容量和传输速率提出更高要求，CPO技术被视为实现高速率、大带宽、低功耗网络的必经之路。
  • 算法层：大模型是当下的人工智能发展趋势，也是市场最为关注的方向。
  • 应用层：通过AI技术赋能可实现降本增效，其中有优质应用场景的C端企业，以及有数据积累的B端企业，有望率先受益。

但技术路线迭代较快、应用落地节奏存在变数，是行业不确定性的重要来源。从市场综合预测看，国内人工智能行业复合增速预计将持续高于全球增速，总规模占全球市场的比重预计从2021年的13.8%提升到2025年的20.9%。

常见问题

ChatGPT的增长速度说明了什么？

ChatGPT发布后5天注册用户超过100万，60日月活突破1亿，成为史上增长最快的消费者应用。这一现象级表现基于大模型的涌现能力——当模型规模达到某个阈值时，对某些问题的处理性能会突然呈现快速增长。

中美大模型的主要差距在哪里？

美国在大模型技术上领先国内约2-3年，GPT-3.0发布后差距一度拉大。差距的核心原因并非数据量或参数量不足，而是中国原创模型匮乏、对算法的见解有待提升，叠加2022年8月后高端GPU出口限制对训练速度的影响。

算力约束能否被替代方案缓解？

部分算力约束有望通过国产GPU或ASIC替代来缓解。随着中国公司在AI算法上持续投入、巨头积极布局，底层技术正处于跟随和追赶态势，未来有望依托大模型的应用落地和产业升级释放增长潜力。