AIGC帶來的商業模式變革——AI的顯性化。隨著自然語言技術（NLP）進一步降低AI的使用和觸達門檻，以及伴隨著AIGC生成算法的優化與改進，我們發現AIGC的商業化落地速度和效果表現將超預期，一些如Jasper這樣的初創企業已經開始產生了營收。這意味著AI正以越來越顯性的方式產生商業模式。AI已經不再像過去那樣與硬件、系統等一起打包進行商業化落地了。對于普通人來說也不再是一門遙不可及的尖端技術。

To B仍是AIGC的主要商業模式。雖然AIGC使C端用戶以較低的門檻使用AI生成內容，但就目前來看，to B仍然是核心商業模式。對于B端客戶來說，他們的需求和付費意愿是較為穩定的，這主要有以下兩個核心原因：對于B端帶來的效率提升和成本下降，如用AIGC抓取信息后根據已有模板完成新聞或一些產品的測評；能夠填補原本很難完成的需求鴻溝。

面向C端的AIGC，以SaaS訂閱為主。隨著AI模型與算力的發展突破了可用的臨界點，AIGC對個體的賦能也不容忽視，且將以SaaS訂閱為主。第一是作為效率工具，AIGC產品能夠在信息獲取、格式整理和工作流等各個流程提高個人用戶的效率；第二是作為創作工具，像剪輯、修圖軟件一樣，AIGC能夠大幅度降低大眾用戶的創作門檻。效率工具例如Notion發布的NotionAI，尤其值得關注AI模型作為基礎設施集成到已有的工作流中。

AIGC未來應用普及的背后，將產生巨大的算力市場。根據OpenAI的研究，AI訓練所需算力指數增長，且增長速度超越硬件的摩爾定律。AI模型大算力的背后需要高昂的算力成本，GPT-3訓練的算力成本超過400萬美元。盡管AI模型往往會選擇開源，但數據集和訓練成果是一個團隊的內部資產，這意味著每個AI產品都需要支付自己的訓練成本。在未來AIGC隨著B端和C端的商業化落地的實現，算力集群的建設和云服務都會受益，同時考慮到英偉達A100、H100出口受限，相關國產算力芯片將有機會獲得增量市場。

AIGC社區的價值。近期在與各個創業團隊的溝通過程中，我們發現行業一個重要的關注點會放在AIGC與Web3.0的結合，以及AIGC與社區的融合。AIGC讓用戶的創作門檻的降低，有助于加強社區的互動和發展，同時降低了平臺的內容成本。社區用戶對內容的探討與偏好能為AIGC模型提供優質的反饋，以便后續優化增強產品力。NFT能夠確權作品和鏈接社區，AIGC與NFT社區的結合探索，或將產生值得期待的商業創新。

微軟與OpenAI深化合作，AIGC商業化加速到來。1月23日，微軟官方宣布在與OpenAI將進一步深入合作，將在未來數年內追加投資數十億美元以加速AI技術推向大眾。微軟正在迅速推進OpenAI的商業化，將目前的ChatGPT、DALL-E等AI工具整合進微軟旗下的全部軟件，例如Bing、Office等，為用戶帶來更高效的交互體驗。更值得關注的是，微軟將提供AI云服務AzureOpenAI，允許開發者在OpenAI的模型基礎上搭建自己的應用，從而加速AI技術的商業化落地。

此舉可見，OpenAI作為AIGC行業龍頭，已開始商業化之路，一方面自己作為模型基礎設施，賦能搜索引擎、辦公軟件提高效率和用戶黏性；另一方面借助合作伙伴的算力基礎設施，為后續底層硬件拓展打牢基礎。

隨著產品落地及場景的拓展，越來越多的市場關注將集中于商業模式的探討，即一個很關鍵的問題：AIGC如何賺錢？通過行業訪談，我們認為2023年將是AIGC的商業化加速之年，AIGC有望走近大眾的生活、工作中。

“AI的顯性化”是我們最近產業交流中的最深刻感受。AI雖已發展多年，但在諸多領域的應用更像經過專業學習的“專科生”，而今基于大模型的AIGC更像接受過通識教育的研究生，雖然在發展初期在特定專業領域功能有限，卻有著更強的可拓展性。因此，我們預計，當2023年GPT4模型發布之后，“AIGC+”將成為全球性的趨勢。底層的大模型與數據集將成為下一個科技時代，真正意義上的“IT基礎設施”，既有垂直領域的價值也不容忽視，正如OpenAI與微軟的合作，通用AI的顯性化趨勢將日益顯著。

AI具有通過自動執行各種任務、提高效率和啟用新的經營方式來轉變商業模式的潛力。以下是人工智能如何改變商業模式的一些方式：

• 自動化：AI可以自動執行各種任務，例如數據輸入、客戶服務和供應鏈管理。這可以減少對人力的需求并提高效率，從而完成降低成本并增加利潤的目的。

• 改進決策制定：AI可以分析大量數據并提供有助于企業做出更好決策的見解。例如，人工智能可用于優化定價、識別新機會和預測客戶行為。

• 個性化：AI可用于為個人客戶提供個性化的產品和服務。這可以幫助企業更好地瞄準他們的營銷工作并提高客戶滿意度。

• 新商業模式：AI可以實現以前不可能實現的新商業模式，如：AI驅動的聊天機器人可以讓企業提供24/7全天候客戶支持，即使在他們關閉時也是如此。

在此之前，我們關注到的AI主要集中于安防、網絡監測等領域。2020年，AI+安防領域達到了453億的市場規模，是商業落地速度最快且容量最大的賽道之一。預計這一規模將在2025年達到900億。但這一領域，基本都是同硬件和系統一起打包提供。

而隨著自然語言技術（NLP）進一步降低AI的使用和觸達門檻，以及伴隨著AIGC生成算法的優化與改進，我們發現AIGC的商業化落地速度和效果表現都很好，一些如Jasper這樣的初創企業已經開始產生了營收。這意味著AI正以越來越顯性的方式產生商業模式。以成立于2021年的Jasper為例，其成立當年營收就達到了4500萬美元，并收獲了7萬名用戶，2022年營收也預計7500萬美元。從Jasper的官網上看到，它是以類SAAS服務的形式進行收費，分為初級、高級和訂制三個模式。而國內部分領先的AIGC公司，在用戶規模、內容生成量上在2022年亦快速起步，預計2023年開始產生營收及盈利并非難事，但能否形成SaaS訂閱模式尚待觀察。

再以Jasper為例，其不僅融合了多種模型算法，包括GPT3、NeoX、T5等，并在此基礎上根據實際業務需求，使用量身定制學習模型——構建界面和原始工作流程，使AI更易于日常使用。同時，由于融合了多種模型，它能夠區分特定用例或行業的最佳模型組合。這種方式有助于避免過度依賴任何一個來源，并使最終產出效果更好。Japer的使用界面上可以看到其提供了數百種垂直領域的模板，如：新品推廣郵件模板等。這樣的設計能夠更進一步地幫助用戶完成精準的輸出，更好地吸引用戶來使用。這也是為何成立兩年Jasper就能吸引到IBM、Airbnb這樣的大客戶的原因。

隨著技術的進步，AI已經不再像過去那樣與硬件、系統等一起打包進行商業化落地了。對于普通人來說也不再是一門遙不可及的尖端技術。AI變成了一個普通人也可以輕松運用、提升效率的工具，這預示著AI的商業模式更加顯化。

雖然AIGC使C端用戶以較低的門檻使用AI生成內容，但目前來看，to B仍然是核心商業模式。對于C端用戶來說，缺乏長期持久的需求，大多數只是一時興起的好奇體驗。而對于B端客戶來說，他們的需求和付費意愿是較為穩定和長久的，這主要有以下兩個核心原因：

• 降低成本

AIGC替代了部分原本應該由原創人員承擔的工作，例如網站內容編輯、美工等，假設人工成本在100萬，而AIGC能夠降低50%以上，那么企業將有充足的動力進行機器替代，其實這一過程正在發生，尤其在一些垂直領域，例如體育、金融、汽車等。

早在2018年，路透社就啟用了一款AI新聞撰稿工具Lynx Insight Service，主要目的是將編輯工作中機器所擅長的領域分攤給機器，如：數據挖掘和識別數據規律，將編輯人員所擅長的工作內容交予人類，如設置提問、賦予任務以權重，對上下文進行理解等。這和我們此前嘗試用Chat GPT進行研究報告的撰寫的情況類似。在未來，人主要負責整體方向的把握和提出問題，而AI負責信息的搜集、處理匯總和融合。

除了以上這種形式以外，目前更普遍的是通過AI快速抓取信息數據，套入已設置好的模板后形成文稿。這在我們平時熟悉的“萬得”的快訊以及“汽車垂直媒體”汽車參數對比中較為常見。

除了新聞稿件類，AIGC生成圖片也被應用在新聞稿或自媒體的插圖或封面上。相比原先在素材庫找圖的效果更貼合文章，也減少了找美工的費用并提升了效率。但在這一領域，文字的需求大于圖片，一方面是由于工作的完成度另一方面是由于本身的市場空間。

• 跨越B端需求鴻溝

部分to B應用具有項目制的特點而難以被滿足，我們稱之為需求鴻溝。例如，IP矩陣的構建，當需要對大IP構筑包括電影、電視、游戲、動漫、手辦等周邊產品時，需要大量各類原創作者對IP矩陣進行豐富，這是一個費錢且費力的漫長過程。內容供給方因工作量巨大而無法提供大量原創稿件，而需求方因看不到內容而無法買單。未來基于AIGC，原創內容方可以以少量手稿，借助模型的幫助，大量生成內容，由于擴散模型的存在，這種“白盒+黑盒”式的內容生成甚至帶有“二創”的意味。若能在AIGC的幫助下跨越需求鴻溝，則大型B端項目更容易實現。

我們以二次元市場為例，該產業已經步入爆發期，產業鏈趨于成熟。2020年國內整體市場規模達突破了千億，泛二次元用戶預計2023年達到5億。圍繞著二次元IP形成的包括潮玩、虛擬偶像、服裝和線下娛樂等新型衍生產品矩陣擁有巨大市場，也是當下發展的重點。

在潮玩、虛擬偶像和服裝的設計生產過程中，必不可少會涉及選擇設計師、完成設計這一過程。有了AIGC的幫助，可以大幅提升這一過程的效率。在原先的情況下，需要安排一批設計師嘗試設計一個初稿并給IP方審核溝通，產生的溝通成本和前期初稿設計費用相對較高。而在AIGC的情況下，設計師可以先訓練出自己風格的生成模型迅速根據IP方的要求設計出多個初稿供選擇。這一點能夠快速幫助確定設計師并減少溝通成本。在后續的設計生產過程中，也可以通過AIGC高效生成多種類似風格或IP的內容，這將大幅提升效率和降低成本。

因此，即使由于技術的發展使得AIGC變得普及，我們依舊認為當下階段，to B端才是主要的商業模式方向，核心原因在于對于B端帶來的效率提升是切實的，也能夠填補原本很難完成的需求對接，因此客戶付費意愿較強。

隨著AI模型與算力的發展突破了可用的臨界點，AIGC對個人的賦能也是值得關注的方向。在極小的邊際成本下，AIGC應用能夠大幅度提高個人的信息處理效率以及內容輸出質量，而這類技術又可能反作用于生產關系的演變。

因此，面向C端的AIGC應用，可從兩個角度來探討其商業價值：第一是作為效率工具，諸如傳統的筆記、日程管理等工具，AIGC應用能夠在信息獲取、格式整理和工作流等各個流程提高個人用戶的效率，并且AI模型作為基礎設施能夠集成到現有的工作流程中；第二是作為創作工具，像剪輯、修圖軟件一樣，AIGC能夠在UGC內容流行的今天，大幅度降低大眾用戶的創作門檻，強化個人媒體的IP價值。

從商業角度而言，將AIGC作為底層基礎設施的SaaS訂閱將成為中長期趨勢，目前Midjourney等企業已有類似嘗試。用戶付費的邏輯在于以下幾個方面：

• 更高效的信息獲取方式

AIGC替代搜索引擎成為下一代信息獲取方式。ChatGPT上線后被廣泛討論的一個問題是：ChatGPT會取代谷歌嗎？傳統的搜索引擎通過對關鍵詞的檢索與相關性的排序，為用戶提供可能有價值的頁面鏈接。而ChatGPT通過龐大的語料庫，針對用戶提出的問題可以直接給出回答。例如，在詢問光纖光纜行業概況時，ChatGPT會直接根據用于訓練的大數據集給出一個合理答案，并且用戶在追問的過程中，也能夠進行回復。而傳統搜索引擎則需要按照關鍵詞去尋找合適的資料并進行整理。從實際的體驗中，從ChatGPT獲取信息的質量要高于搜索引擎，速度會更快，但會存在數據集的局限性（例如ChatGPT對2020后的信息一無所知），不過已經在大部分場景能夠取代搜索引擎。盡管ChatGPT目前處在Demo階段，但社交媒體上已經有人表示愿意為之付費用于提高自己效率。

• 從輔助表達到替代表達

在內容的表達上，AIGC能夠完成從輔助到替代的跨越。效率工具在輔助表達、增強溝通效率這方面已有很多嘗試，例如Grammaly對用戶表達進行語氣和措辭的修飾，提供常用的表達模版和規范。而AIGC能夠更進一步，按照指定的格式、語氣和場景進行內容輸出，從而替代人工進行表達。以Jasper為例，以AI文字生成為主打產品，通過其文字生成功能，用戶可以生成Instagram標題，編寫TikTok視頻腳本、廣告營銷文本、電子郵件內容等工作。

• 集成到已有的工作流

AIGC將會集成到已有工作流。AI大模型作為基礎設施，可以根據具體的使用場景和需求設計應用，也可以集成到現有的工作流程中。例如Notion AI，其應用Notion是一款全平臺文檔工具，支持協作、筆記、表格、看板等功能，在2021年完成了由Coatue和紅杉牽頭的2.5億美元C輪融資，投后估值103億美元。2022年，Notion的用戶規模目前已經達到3000萬，付費用戶達到400萬。在前段時間，Notion發布了Notion AI測試版，Notion AI完全集成到Notion的現有工作流中，當用戶在應用中整理素材、管理日程、創作的時候都能夠使用AI輔助來提高效率。即便是midjourney、無界版圖以及ChatGPT，我們認為也難稱之為一個完整的工具，離開了用戶現有的工作流使得AIGC更像是“玩具”，但如果把這種功能嵌入到已有的工作流中則完全不同。

• 擴大用戶創造力

創作工具的發展與普及讓更多個人用戶稱為內容創作者，這也帶來了UGC的繁榮。而AIGC作為內容創作工具，將更進一步降低圖片、視頻等內容的創作門檻。從前是通過文案自動生成配音，而AIGC可以實現一句話生成文案，一句話生成圖片甚至視頻：例如，在MidJourney中，用戶只需要通過輸入文字描述，計算機將會自動生成一張作品；AIGC虛擬人可以根據文案內容自動生成虛擬人節目。這些應用在相對較小的學習成本下，用很短的時間使得用戶能夠創作更多內容。

AIGC背后的“大算力”究竟有多大？

AI訓練所需算力指數增長，增長速度超越硬件的摩爾定律。在2018年，OpenAI發表了一份研究成果，嘗試量化大語言模型所需要的算力以及算力需求的增長趨勢。該研究發現，自2012年至2018年，用于訓練AI所需要的算力大約每隔3～4個月翻倍，整體呈現指數級上漲（而摩爾定律僅僅是18個月翻一倍）。從2012年到2018年，訓練AI所耗費的算力增長了30萬倍，而摩爾定律在相同時間只有7倍的增長。

對于目前常見的大模型（例如GPT-3、NLG、Gopher等等），算力的測量往往使用petaFLOPS-days。這個單位意味著一個每秒進行一千萬億次浮點計算的設備，需要不停歇地運算一整天。作為對比，英偉達的旗艦產品RTX3090在標準功率下的浮點算力約為35 TFLOPs，每秒能夠處理35萬億次計算，1 petaFLOPS-days意味著需要不斷以最高算力跑滿29天。就算用目前最快的超級計算機，這個訓練過程在理想情況下也超過一周。

AIGC未來應用普及的背后，將產生巨大的算力市場。AI模型大算力的背后需要高昂的算力成本，以GPT-3為例，該模型有著多達1750億的參數，訓練所需的算力高達3650 PFLOPS-day。按照Lambda的測算，以V100理想狀態下28 TFLOPS的算力和最低3年起云計算的成本，完成訓練GPT-3需要花費460萬美元，而下一代GPT-4的參數將更多。

盡管AI模型往往會選擇開源，但數據集和訓練成果是一個團隊的內部資產，這意味著每個AI產品都需要支付自己的訓練成本。現在大部分創業團隊都是布設在云端，因為單獨的算力集群很貴，目前A100高端產品大概在6-9萬元，1000張A100卡加上CPU、硬盤、存儲、機房供電等配套設施的硬件投入將近1億。在未來AIGC隨著B端和C端的商業化落地的實現，算力集群的建設和云服務都會收益，同時考慮到英偉達A100、H100出口受限，相關國產算力芯片將有機會獲得增量市場。

近期在與各個創業團隊的溝通過程中，我們發現行業一個重要的關注點會放在AIGC與Web3.0的結合，以及AIGC與社區的融合。這種結合趨勢主要體現在：AIGC能夠助力社區的互動和文化發展；社區能夠給予AI模型反饋；AIGC與NFT結合產生新的商業模式。

低門檻的表達能讓更大規模的用戶參與到社區互動中。相較于UGC平臺，AIGC能夠進一步降低用戶參與創作的門檻和成本；而創作門檻的進一步降低，有助于社區的互動和發展，同時降低了平臺的內容成本。例如暴走漫畫最初通過漫畫工具降低用戶的表達門檻，誕生了大量流行的段子，豐富了整個“暴走IP”社區。而AIGC為用戶提供的創造力，遠遠超過傳統的內容社區，或會誕生新的平臺商業模式。

社區對AIGC作品的反饋能夠為AI模型提供訓練反饋。以圖片生成為例，相同的關鍵詞可能在不同平臺的效果差別很大，例如在A平臺的效果很好，而B平臺效果很差。這其中的一個重要原因就是模型的訓練，在相同的模型下采取不同的訓練方法也會導致效果差異巨大。在監管學習下，訓練員需要給AIGC產生的內容進行反饋，從而調節算法的參數，直到算法的效果令人滿意。ChatGPT免費上線產品Demo的一個重要原因就是通過開放的用戶交互，收集到更多的反饋數據。社群對內容的探討與偏好能為AIGC模型提供優質的反饋，以便后續優化增強產品力。

當AIGC涉及到IP相關領域時，傳統的版權授權制度很難與之匹配，這種問題在UGC時代就經常出現，例如粉絲的二創行為。NFT的標記性使創作者與二次創作者與觀眾的鏈接更加多元化。我們也看到了包括BAYC、Cryptopunks等NFT持有者組成了排他性的粉絲社群，NFT與粉絲經濟的結合也在進行模式探索。AIGC由于過程的隨機性，不太可能重復生成內容，并且會生成類似于數字指紋的seed，與NFT的結合可以將內容生產的作者與內容本身綁定，也可以與內容的原始IP進行關聯，這其中探索嘗試的空間巨大，硅谷、新加坡已有不少團隊投身其中，我們將在后續的研究中繼續跟進。