中國(guó)金融業(yè)CEO季刊全球洞見中國(guó)實(shí)踐捕捉生成式AI新機(jī)遇2023年秋季刊麥肯錫中國(guó)金融業(yè)CEO季刊總編：倪以理曲向軍編輯委員會(huì)：韓峰容覺生方浩翔方溪源邱外山王喆宸： NickLeungJoydeepSenguptaAlexSawayaChui、AlexSinglaAlexSukharevsky、BryceHallLareinaEricHazan、ShivaniGuptaAbhisekJena、BegumOrtaogluBarrSeitzRogerRobertsRodchenko、DelphineZurkiyaStephanieBrauckmannAnushaDhasarathy、MartinHarryssonKlemensHjartar、AlharithHussinNaufalKhan、SamNieChandrasekharPanda、HenningNikhil、AsinNielsder、GlennKaiShenNaveenSastryEnnoDeRayZhouDiane麥肯錫公司2023年版權(quán)所有。2023年秋季刊麥肯錫中國(guó)金融業(yè)CEO季刊刊首語(yǔ)2023ChatGPTAIGenAIAI25.6GenAI1GenAI75%。GenAI時(shí)由于GenAI年GenAI400202720323,99013,04042%16603，2020~2025到84%3，2025GenAI（2,17014%基于2022年全球經(jīng)濟(jì)結(jié)構(gòu)的預(yù)估IntelligenceAI2021~2025本季刊圍繞生成式AI大章節(jié)共8GenAIGenAIGenAI和GenAIMLOpsGenAIGenAIGenAIGenAIGenAIGenAI祝您開卷愉快！倪以理

曲向軍全球資深董事合伙人麥肯錫中國(guó)區(qū)金融機(jī)構(gòu)咨詢業(yè)務(wù)負(fù)責(zé)人分 塑008 GenAIGenAI技術(shù)和促進(jìn)品具有顯著未球各現(xiàn)分析的3GenAI生2.64.4040 AI式AI現(xiàn)述式AI工具在2023年的爆式長(zhǎng)影包括GenAI的普遍AI域先人人及GenAI。060 CEOAICEO的GenAICEOGenAI084 AI50GenAIGenAIGenAI分 產(chǎn)值104 AIGenAIMLOps分 式AI“新賽道”126 AIGenAIGenAI分 式AI的“道”與“術(shù)”146 GenAIGenAI“”GenAIGenAI。167 GenAIGenAI/第一部分8GenAI將為全球各行業(yè)創(chuàng)造巨大價(jià)值84AICTO

402023AI

608 8 金刊 2023MichaelChui，AlexSingla，AlexSukharevsky，BryceHall和LareinaYeeDeepMindAlphaGo在2016“超”GenAIGenAI“”rule-basedA“”discriminativeA“（generative-60年代到80發(fā)展處于初始推理和匹配規(guī)則來(lái)解決問(wèn)題。使用這種方法的代表是專家系統(tǒng)，1970年代開發(fā)的MYCIN系統(tǒng)便是一例，它使用了大量規(guī)則來(lái)診1990AI2014GenAIGANGANGenAIAAAI相比，GenAI具有以下四大核心優(yōu)勢(shì)：傳統(tǒng)GenAIGenAIAI傳統(tǒng)AIGenAIGenAI傳統(tǒng)GenAIGenAI傳統(tǒng)AIGenAIGenAIGenAIGenAIAI”也GenAI20172022GenAI的GenAI2020GenAI8075%。GenAI在GenAI25.6GenAIGenAI用GenAI推GenAIGenAI圖1:GenAI的潛在影響可以通過(guò)兩個(gè)視角進(jìn)行評(píng)估視角160多個(gè)組織潛力影響1

視角2用例的成本影響全球勞動(dòng)力執(zhí)行的約2,100項(xiàng)詳細(xì)工作活動(dòng)的勞動(dòng)生產(chǎn)用例的成本影響而不是假設(shè)任何特定市場(chǎng)的額外增長(zhǎng)。資料來(lái)源：麥肯錫分析GenAI“”將GenAIGenAI63162.6GenAI850GenAI210””GenAI包6.17.9見圖2:人工智能技術(shù)對(duì)全球經(jīng)濟(jì)的潛在影響在7.25.6萬(wàn)億美元之間，相當(dāng)于25的生產(chǎn)率增長(zhǎng)人工智能對(duì)全球經(jīng)濟(jì)的潛在影響，萬(wàn)億美元17.1-25.6~35-70%增量經(jīng)濟(jì)影響~15-40%增量經(jīng)濟(jì)影響2.6-4.46.1-7.9高達(dá)~35-70%增量經(jīng)濟(jì)影響~15-40%增量經(jīng)濟(jì)影響2.6-4.46.1-7.9人工智能對(duì)全球經(jīng)濟(jì)的潛在影響相當(dāng)于當(dāng)前全球經(jīng)濟(jì)的~25%GenAI的影響相當(dāng)于當(dāng)前全球經(jīng)濟(jì)的~8%數(shù)據(jù)和高級(jí)人工智能用新的GenAI總用例驅(qū)動(dòng)通過(guò)GenAIAI總經(jīng)濟(jì)分析用例 例（不是 用例潛力提高所有員潛力GenAI）工生產(chǎn)力，包括在用深入關(guān)注資料來(lái)源：麥肯錫全球研究院例中GenAI產(chǎn)業(yè)自身也擁有巨大市場(chǎng)價(jià)值及發(fā)展?jié)摿enAI年GenAI40040%20321.31/10，20252,00060%。GenAI2023400家GenAIGenAI20222022“（Generative8OpenAIGenAIChatGPTChatGPTPlusGenAI7,6001.2的2,4004,600科技、銀行業(yè)和藥品及醫(yī)療產(chǎn)品行業(yè)位居前三，其中在高科技行業(yè)，GenAI所帶來(lái)的價(jià)值占行業(yè)收入的比例達(dá)4.8%~9.3%（見圖3）。圖3:GenAI用例在不同行業(yè)和部門中具有不同規(guī)模的影響GenAI在不同行業(yè)和部門中的產(chǎn)值1低影響 高影響營(yíng)銷與客戶

產(chǎn)品與軟件

供應(yīng)鏈風(fēng)險(xiǎn)與戰(zhàn)略與公司

人才與占行業(yè)總收入

十億

760-

340-

230-

580-

280-

180-

120-

IT2 組織的比例美元

1,200470

420

1,200530

260

260 40-5060-90高科技4.8-9.3240-460銀行業(yè)2.8-4.7200-340藥品與醫(yī)療產(chǎn)品2.6-4.560-110通信2.3-3.760-100教育2.2-4.0120-230醫(yī)療1.8-3.2150-260保險(xiǎn)1.8-2.850-70媒體與娛樂(lè)1.5-2.660-110高端制造31.4-2.4170-290消費(fèi)品1.4-2.3160-270高端電子與半導(dǎo)體1.3-2.3100-170旅行、交通與物流1.2-2.0180-300零售41.2-1.9240-390地產(chǎn)1.0-1.7110-180能源1.0-1.6150-240行政與專業(yè)服務(wù)0.9-1.4150-250化學(xué)0.8-1.380-140建筑0.7-1.290-150基礎(chǔ)材料0.7-1.2120-200農(nóng)業(yè)0.6-1.040-70公共與社會(huì)部門0.5-0.970-1102,600-4,400注：由于四舍五入，數(shù)字之和可能不等于100%不包括實(shí)施成本（例如培訓(xùn)、許可證）不包括軟件工程包括航空航天、國(guó)防和汽車制造包括汽車零售資料來(lái)源：比較行業(yè)服務(wù)(CIS)、IHSMarkit；牛津經(jīng)濟(jì)雜志；麥肯錫公司和業(yè)務(wù)職能數(shù)據(jù)庫(kù)；麥肯錫制造和供應(yīng)鏈360；麥肯錫銷售導(dǎo)航；麥肯錫數(shù)據(jù)庫(kù)Ignite；麥肯錫分析按職能領(lǐng)域劃分的GenAI價(jià)值潛力GenAIGenAI75%（見圖4）。圖4:在少數(shù)職能中使用GenAI可以實(shí)現(xiàn)用例的大部分價(jià)值1占生成式AI每年總影響的~75%銷售營(yíng)銷軟件工程（面向企業(yè)內(nèi)部）軟件工程（用于產(chǎn)品研發(fā)）客戶運(yùn)營(yíng)產(chǎn)品與研發(fā)2供應(yīng)鏈制造銷售營(yíng)銷軟件工程（面向企業(yè)內(nèi)部）軟件工程（用于產(chǎn)品研發(fā)）客戶運(yùn)營(yíng)產(chǎn)品與研發(fā)2供應(yīng)鏈制造財(cái)務(wù)風(fēng)險(xiǎn)與合規(guī)人才和組織（包括人力資源）采購(gòu)管理IT戰(zhàn)略定價(jià)合規(guī)400300200100 010 20 30 40占職能支出的百分比，%注意：用例價(jià)值按行業(yè)平均計(jì)算不含軟件工程IHSMarkit鏈360；麥肯錫銷售導(dǎo)航；Ignite，麥肯錫數(shù)據(jù)庫(kù)；麥肯錫分析GenAI客戶運(yùn)營(yíng)GenAI5,000AI25%。GenAI本30%~45%GenAI對(duì)客戶運(yùn)營(yíng)的影響

自動(dòng)化客服客戶與類似人類的聊天機(jī)器人進(jìn)行交互，該機(jī)器人對(duì)復(fù)雜的查詢提供即時(shí)、個(gè)性化的響應(yīng)，確保無(wú)論客戶語(yǔ)言或位置如何，都能獲得一致的品牌聲音輔助人工互動(dòng)輔助人工互動(dòng)人工客服使用人工智能開發(fā)的呼叫腳本，并在電話交談期間接收實(shí)時(shí)幫助和響應(yīng)建議，即時(shí)訪問(wèn)相關(guān)客戶數(shù)據(jù)以進(jìn)行量身定制的實(shí)時(shí)信息傳遞摘要與建議生成人工客服將收到簡(jiǎn)潔的對(duì)話摘要，用以記錄客戶投訴和所采取行動(dòng)AI生成的自動(dòng)化、個(gè)性化的見解，包括量身定制的后續(xù)消息或個(gè)性化的指導(dǎo)建議以下是GenAI在不同場(chǎng)景下的用例：營(yíng)銷和銷售GenAI5%~15%和3%~5%GenAI如GenAGenAI對(duì)營(yíng)銷和銷售的影響戰(zhàn)略制定銷售和營(yíng)銷人員從非結(jié)構(gòu)化數(shù)據(jù)源（例如，社交媒體、新聞、研究報(bào)告、產(chǎn)品信息和客戶反饋）中收集市場(chǎng)趨勢(shì)和客戶信息，并起草營(yíng)銷和銷售內(nèi)容購(gòu)買決策購(gòu)買決策客戶可以訪問(wèn)全面的產(chǎn)品信息和動(dòng)態(tài)建議，例如進(jìn)行“試穿”交易轉(zhuǎn)化由GenAI支持的虛擬銷售代表模擬人類品質(zhì)（例如同理心、個(gè)性化溝通和自然語(yǔ)言處理），以與客戶建立信任和融洽關(guān)系客戶留存更有可能通過(guò)定制的消息和獎(jiǎng)勵(lì)來(lái)留存，他們可以與人工智能驅(qū)動(dòng)的聊天機(jī)器人進(jìn)行交互，這些聊天機(jī)器人主動(dòng)管理關(guān)系，減少人工客服需要處理的對(duì)話建立認(rèn)知客戶會(huì)看到根據(jù)其畫像量身定制的廣告系列GenAISEO產(chǎn)品研發(fā)GenAI10%~15%GenAIGenAIGenAIGenAI可以通過(guò)基于對(duì)類似產(chǎn)品數(shù)據(jù)的學(xué)習(xí)與分析，協(xié)助設(shè)計(jì)師更有效地選擇和使用材料，從而可降低包裝、物流和生產(chǎn)等成本。GenAIGenAI對(duì)產(chǎn)品研發(fā)的影響

早期研究分析研究人員使用GenAI來(lái)協(xié)助市場(chǎng)報(bào)告、產(chǎn)品或解決方案的起草虛擬設(shè)計(jì)虛擬設(shè)計(jì)研究人員使用GenAI生成基于提示的草稿和設(shè)計(jì)，使他們能夠使用更多設(shè)計(jì)選項(xiàng)快速迭代虛擬模擬如果與新的深度學(xué)習(xí)創(chuàng)成式設(shè)計(jì)技術(shù)相結(jié)合，研究人員可以加速和優(yōu)化虛擬仿真階段產(chǎn)品測(cè)試研究人員優(yōu)化測(cè)試用例以實(shí)現(xiàn)更高效的測(cè)試，從而減少物理構(gòu)建和測(cè)試所需的時(shí)間軟件工程GenAIGenAI20%~45%。MicrosoftGitHubCopilot56%2GenAIGenAIGenAIGenAIGenAI對(duì)軟件開發(fā)的影響啟動(dòng)和規(guī)劃軟件工程師和產(chǎn)品經(jīng)理使用GenAI來(lái)協(xié)助分析、清理和標(biāo)記大量數(shù)據(jù)，例如用戶反饋、市場(chǎng)趨勢(shì)和現(xiàn)有系統(tǒng)日志系統(tǒng)設(shè)計(jì)系統(tǒng)設(shè)計(jì)工程師使用GenAI來(lái)創(chuàng)建多個(gè)IT架構(gòu)設(shè)計(jì)并迭代潛在的配置，從而加速系統(tǒng)設(shè)計(jì)并縮短上市時(shí)間代碼撰寫工程師可以借助AI進(jìn)行代碼編寫，通過(guò)協(xié)助生成草稿、快速查找錯(cuò)誤及充當(dāng)易于導(dǎo)航的知識(shí)庫(kù)來(lái)縮短開發(fā)時(shí)間測(cè)試通過(guò)采用可以增強(qiáng)測(cè)試功能的算法來(lái)提升測(cè)試質(zhì)量，并可以自動(dòng)生成測(cè)試用例和測(cè)試數(shù)據(jù)維護(hù)工程師使用有關(guān)系統(tǒng)日志、用戶反饋和性能數(shù)據(jù)的AI洞察來(lái)幫助診斷問(wèn)題，提供修復(fù)建議，并預(yù)測(cè)其他高優(yōu)先級(jí)的改進(jìn)領(lǐng)域按行業(yè)劃分的GenAI價(jià)值潛力在我們分析的63個(gè)用例中，GenAI將在不同行業(yè)產(chǎn)生2.6萬(wàn)億至4.4萬(wàn)億美元的價(jià)值。業(yè)貢獻(xiàn)大約3,100GenAI可通過(guò)承擔(dān)客GenAI圖5:GenAI部署于部分行業(yè)的用例中時(shí)，可以提供巨大的價(jià)值職能性價(jià)值驅(qū)動(dòng)因素關(guān)鍵用例的部分示例（非窮盡）該職能對(duì)行業(yè)的價(jià)值潛力高 低值潛力

價(jià)值潛力

軟件工程

其他職能銀行業(yè)

(3-5%)

舊代碼轉(zhuǎn)換

式語(yǔ)音響應(yīng)(IVR)解決率AI增強(qiáng)的IVR相互作用（

行業(yè)務(wù)并為A/B測(cè)試

風(fēng)險(xiǎn)模型文檔規(guī)更新信用卡丟失）

(1-2%)(3-5%)

消費(fèi)者研究強(qiáng)客戶定位研究和藥物發(fā)現(xiàn)白質(zhì)和分子

客戶支持風(fēng)險(xiǎn)通知

內(nèi)容文案編寫成內(nèi)容動(dòng)的腳本

采購(gòu)供應(yīng)商流程改進(jìn)準(zhǔn)備與供應(yīng)商的談判草案合約生成律文件草案資料來(lái)源：麥肯錫分析GenAI零售和消費(fèi)品行業(yè)GenAI創(chuàng)造4,000億至6,600GenAI可通過(guò)以下方式為零售和消費(fèi)品行業(yè)創(chuàng)造價(jià)值：GenAI在GenAIGenAIGenAIGenAIGenAIGenAI銀行業(yè)GenAI200034002.8%~4.7%銀行業(yè)的如下特征也為GenAI在銀行業(yè)大顯身手提供了舞臺(tái)：ITGenAIGenAI可通過(guò)以下方式為銀行業(yè)創(chuàng)造價(jià)值：GenAIGenAGPT-4GenAI工具可通過(guò)四大應(yīng)用加速代碼生成和軟件交付。生成式AI工具可以利用現(xiàn)有文檔和數(shù)據(jù)集簡(jiǎn)化內(nèi)容生成。這些A/B生命科學(xué)行業(yè)6001,1002.6%~4.5%。GenAIGenAIGenAIGenAIGenAI大節(jié)省試驗(yàn)結(jié)果分析總結(jié)用時(shí)。GenAIGenAI25%20272023圖6:科技能力，科技可實(shí)現(xiàn)的人類表現(xiàn)水平職能性價(jià)值驅(qū)動(dòng)因素關(guān)鍵用例的部分示例（非窮盡）AI發(fā)展后估計(jì)（2023年生成人AI（2017）

表示專家估計(jì)的范圍2010 2020 2030 2040 2050 2060 2070 2080多方協(xié)調(diào)創(chuàng)造力邏輯推理和解決問(wèn)題自然語(yǔ)言生成自然語(yǔ)言理解表達(dá)和演講生成新穎的模式和類別感官認(rèn)知社交和情感表達(dá)社會(huì)和情感推理社會(huì)和情感感知資料來(lái)源：麥肯錫分析GenAI提高生產(chǎn)效率生成式AI50%60%~70%2040100%圖7:生成式人工智能的出現(xiàn)推動(dòng)了技術(shù)自動(dòng)化的潛力按不同預(yù)估劃分的技術(shù)自動(dòng)化潛力，%2023100202390當(dāng)前工作80活動(dòng)耗費(fèi)的時(shí)間7060502020 2030 2040 2050 2060激進(jìn)預(yù)估（結(jié)合GenAI） 估（結(jié)合GenAI） 激進(jìn)預(yù)估（2017） 保守預(yù)估（2017）資料來(lái)源：麥肯錫分析GenAI2.54.2GenAIGenAI行業(yè)值(萬(wàn)億美元)總體價(jià)值(%營(yíng)收)營(yíng)銷與銷售客戶運(yùn)營(yíng)產(chǎn)品與研發(fā)軟件工程供應(yīng)鏈運(yùn)營(yíng)風(fēng)險(xiǎn)與法律戰(zhàn)略與財(cái)務(wù)人才與組織總體價(jià)值2.5-1.1%-（$萬(wàn)億）4.212.0%影音娛樂(lè)~0.11.4%-2.6%實(shí)時(shí)供應(yīng)商風(fēng)險(xiǎn)評(píng)估軟件技術(shù)0.2-0.54.9%-9.3%編碼副駕駛候選人尖叫銀行和保險(xiǎn)0.4-0.61.8%-2.9%生成客戶反饋洞察產(chǎn)品生成和舊代碼更新自動(dòng)化客戶服務(wù)職位描述起草零售0.4-0.71.2%-2%的銷售拓展醫(yī)療0.2-0.31.8%-3.2%持服務(wù)教育0.1-0.22.1%-4%生命科學(xué)0.2-0.9%-&農(nóng)業(yè)0.31.6%公共部門~0.10.6%-0.9%電信~0.12.2%-3.7%運(yùn)輸、物0.2-0.9%-流&旅游0.31.6%制造業(yè)0.4-0.60.9%-1.5%3D數(shù)字品設(shè)計(jì)3D數(shù)字品設(shè)計(jì)供應(yīng)鏈價(jià)格重新談判銷售合同創(chuàng)建者發(fā)票異常檢測(cè)器助手金屬&采礦0.1-0.20.7%-1.2%材料發(fā)現(xiàn)異常檢測(cè)能源與環(huán)境~0.20.6%-0.9%圖8：效率提升：GenAI將影響各個(gè)職能部門，對(duì)營(yíng)銷、客戶運(yùn)營(yíng)和工程的影響最大沖擊 低 高資料來(lái)源：麥肯錫分析推動(dòng)產(chǎn)品創(chuàng)新圖8：效率提升：GenAI將影響各個(gè)職能部門，對(duì)營(yíng)銷、客戶運(yùn)營(yíng)和工程的影響最大沖擊 低 高資料來(lái)源：麥肯錫分析GenAIGenAIGenAIGenAI34圖9:GenAI可對(duì)協(xié)作和專識(shí)應(yīng)用類任務(wù)等早先自動(dòng)化潛力較低的領(lǐng)域產(chǎn)生最大影響決策和協(xié)作應(yīng)用專業(yè)知識(shí)決策和協(xié)作應(yīng)用專業(yè)知識(shí)決策、規(guī)劃和創(chuàng)造58.524.549.0管理和培養(yǎng)人才15.5與利益相關(guān)方互動(dòng)45.024.0數(shù)據(jù)管理90.5處理數(shù)據(jù)73.079.0收集數(shù)據(jù)68.0體力活

使用

不使用GenAI1在不可預(yù)知的環(huán)境46.0中進(jìn)行體力工作45.5在可預(yù)知的環(huán)境中73.0進(jìn)行體力工作72.5注：由于四舍五入，數(shù)字可能不能加總資料來(lái)源：麥肯錫全球研究院分析40%GenAIGenAIGenAIGenAI圖10:GenAI帶動(dòng)的技術(shù)進(jìn)步將加速教育、科研、創(chuàng)意等職業(yè)轉(zhuǎn)型生成式AI對(duì)技術(shù)自動(dòng)化潛力在重點(diǎn)場(chǎng)景的潛在影響，2023職業(yè)分類

考慮GenAI技術(shù)自動(dòng)化潛力在中點(diǎn)場(chǎng)景的對(duì)比,%,2023

不考慮GenAI全球就業(yè)人口份額,%教育與培訓(xùn)教育與培訓(xùn)54154商業(yè)和法律專業(yè)人士62325科研專業(yè)人士57283社區(qū)服務(wù)65393創(chuàng)意與藝術(shù)53281行政支持87669管理44273醫(yī)療健康專業(yè)人士43292客服和銷售574510物業(yè)維修38294健康助手及技術(shù)人員43343生產(chǎn)工作827312食品78705交通服務(wù)49423機(jī)械安裝和維修農(nóng)業(yè)67616359421建筑總計(jì)534951763100注：由于四舍五入，數(shù)字可能不能加總包括來(lái)自47個(gè)國(guó)家的數(shù)據(jù)，約占全球就業(yè)人數(shù)的80%資料來(lái)源：麥肯錫全球研究院分析GenAIGenAIGenAI圖11:產(chǎn)品創(chuàng)新：我們預(yù)計(jì)軟件和技術(shù)以及媒體和娛樂(lè)領(lǐng)域的影響最大沖擊 低 高總體價(jià)值代碼輔助 數(shù)據(jù) 場(chǎng)編碼 生成 建自動(dòng)化虛擬 任務(wù)助手 自動(dòng)化客戶互動(dòng)對(duì)話 超個(gè)界面 性化內(nèi)容生成多媒體產(chǎn)生產(chǎn) 設(shè)總體價(jià)值影音娛樂(lè)測(cè)試到圖音樂(lè)所有媒體個(gè)性化生成新內(nèi)容軟件技術(shù)開發(fā)人員工作效率生成整個(gè)網(wǎng)頁(yè)提高可用性完整的設(shè)計(jì)銀行業(yè)&保險(xiǎn)匿名化KYC，重新定義的客戶體驗(yàn)零售消費(fèi)品聚合器購(gòu)物新設(shè)計(jì)健康從舊平臺(tái)遷移模擬臨床試驗(yàn)患者病史總結(jié)患者治療文檔虛擬私人醫(yī)生教育代碼學(xué)習(xí)學(xué)習(xí)材料總結(jié)個(gè)人學(xué)習(xí)材料新的學(xué)習(xí)內(nèi)容生命科學(xué)&農(nóng)業(yè)合成健康數(shù)據(jù)藥物發(fā)現(xiàn)因、分子生成公共服務(wù)政策制定來(lái)自媒體和公眾反饋的見解案例管理，任務(wù)自動(dòng)化市民信息助理電信符合GDPR的客戶數(shù)據(jù)使用生成式角色扮演協(xié)議運(yùn)輸、物流&旅游駛模式需求預(yù)測(cè)制造業(yè)影響設(shè)計(jì)協(xié)助金屬&礦業(yè)確定運(yùn)營(yíng)瓶頸虛擬挖礦指南能源&環(huán)境基礎(chǔ)設(shè)施監(jiān)控?cái)?shù)據(jù)12.3.4.包括石油和天然氣、電力資料來(lái)源：麥肯錫分析GenAIGenAI改變行業(yè)競(jìng)爭(zhēng)格局GenAIGenAIGenAI圖2:競(jìng)爭(zhēng)變化：我們預(yù)計(jì)對(duì)轉(zhuǎn)換成本、專有內(nèi)容和成本優(yōu)勢(shì)的影響最大基因人工智能的影響壁壘強(qiáng)度競(jìng)爭(zhēng)格局的變化主要競(jìng)爭(zhēng)壁壘用戶高風(fēng)領(lǐng)域工作品牌監(jiān)管網(wǎng)絡(luò)險(xiǎn)環(huán)專業(yè)流集認(rèn)知專有復(fù)雜效應(yīng)境知識(shí)成度數(shù)據(jù)性總體價(jià)值低成去中 本壓 客介化 力 切總體價(jià)值媒體與娛樂(lè)定制媒體行業(yè)大模型媒體生成的商品化以內(nèi)容功能為主要重點(diǎn)軟件技術(shù)一站式服務(wù)對(duì)話式UI可實(shí)現(xiàn)成本效益載入和遷移速度降低銀行和保險(xiǎn)抵押貸款和保險(xiǎn)機(jī)器人商品化給價(jià)格帶來(lái)壓力零售消費(fèi)品易于創(chuàng)建產(chǎn)品行銷售醫(yī)療定制醫(yī)療行業(yè)大模型適應(yīng)當(dāng)?shù)胤梢蠼逃龔V義教育模型生命科學(xué)&農(nóng)業(yè)當(dāng)?shù)剞r(nóng)業(yè)模型政府計(jì)劃資格映射公共部門電信運(yùn)輸、物流和旅游制造業(yè)金屬&采礦能源&環(huán)境商品化產(chǎn)品 GenAIGenAI“”GenAIGenAIGenAIAIGenAIGenAIGenAIGenAI結(jié)語(yǔ)“數(shù)據(jù)來(lái)源于《中國(guó)AI數(shù)字商業(yè)展望2021~2025》，前瞻產(chǎn)業(yè)研究院整理。其GenAI應(yīng)用規(guī)模統(tǒng)計(jì)口徑為應(yīng)用GenAIGenAI滲透率，其規(guī)模的推導(dǎo)，綜合考慮了國(guó)家商務(wù)局，Gartner，第三方調(diào)研機(jī)構(gòu)，專家訪談等多個(gè)數(shù)據(jù)源。CihonTheimpactofAIondeveloperproductivity：EvidencefromGitHubCopilot（HowtobuildgeopoliticalresilienceamidafragmentingglobalMichaelHazanRogerRobertsSinglaKateSmajeAlexSukharevskyRodneyZemmel是麥肯錫全球資深董事合伙人，常駐紐約分公司。202340 40 金刊 2023MichaelChui，EricHazan，LareinaYee，BryceHall，AlexSingla和AlexanderSukharevskyGenAI1/4GenAIGenAIGenAIGenAIAIGenAI1。GenAI2022GenAI2023年GenAIGenAIGenAI79%GenAI22%GenAIGenAIGenAI圖1:各地區(qū)、行業(yè)和資歷級(jí)別的受訪者表示，他們已經(jīng)在使用生成式人工智能工具。在工作中經(jīng)常使用按辦公地點(diǎn)亞太歐洲大中華區(qū)按辦公地點(diǎn)亞太歐洲大中華區(qū)北美4按行業(yè) 先進(jìn)制造業(yè)商業(yè)、法律和專業(yè)服務(wù)消費(fèi)品/零售189 10 149 106 2257 167 192018131613123634454638474119231514191521263363352404按職位按性別科技、媒體和電信企業(yè)領(lǐng)導(dǎo)高級(jí)管理層中級(jí)管理層1964年或更早出生出生于1965-1980出生于1981-1996男性女性14810767581219173793161416171822161513162021182416642423530371815191817111918234按年齡93637463343

至少嘗試過(guò)一次

沒(méi)有接觸過(guò)不知道能源和材料681550193金融服務(wù)8161841144健康、制藥和醫(yī)療產(chǎn)品6101744157備注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%164=515392；大中華區(qū)（包括香港和臺(tái)灣）337；發(fā)展中市場(chǎng)（包括印度、拉丁美洲、中東和北非）276。先進(jìn)制造業(yè)（包括汽車和裝配、航空航天和國(guó)防、先進(jìn)電子和半導(dǎo)體）9621512896；248130244。企業(yè)領(lǐng)導(dǎo)受訪人541437339。1964143；1965年-1980268；1981年-1996年出生的受訪者80。不是所有受訪者都=1025=156。調(diào)查樣本還包括選擇“非二元性別”或“其他”的受訪者，但數(shù)量不多，不具有統(tǒng)計(jì)意義。資料來(lái)源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行1/3AI的60%GenAI40%GenAIGenAIAI3GenAI75%圖2生成式I工具最常見的用途是營(yíng)銷和銷售、產(chǎn)品服務(wù)開發(fā)以及服務(wù)運(yùn)營(yíng)。表示其組織在相應(yīng)職能中經(jīng)常使用GenAI的受訪者占比（%）1營(yíng)銷與銷售產(chǎn)品和/或服務(wù)開發(fā)服務(wù)運(yùn)營(yíng)風(fēng)險(xiǎn)戰(zhàn)略與資金管理HR供應(yīng)鏈管理制職能的GenAI常見用例，受訪者占比%營(yíng)銷和銷售產(chǎn)品和/或服務(wù)開發(fā)服務(wù)運(yùn)營(yíng)起草文本初稿識(shí)別客戶需求趨勢(shì)采用聊天機(jī)器人（如用于客戶服務(wù)）976個(gè)性化營(yíng)銷起草技術(shù)文件預(yù)測(cè)服務(wù)趨勢(shì)或異常情況855總結(jié)文本文檔設(shè)計(jì)新產(chǎn)品起草文件初稿845調(diào)整，以代表所有受訪者。資料來(lái)源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行麥肯錫評(píng)論AlexSingla全球資深董事合伙人，QuantumBlack，AIbyMcKinsey全球負(fù)責(zé)人GenAI6的GenAI“GenA”GenAI50%GenAIGenAI。GenAIGenAIGenAIGenAI3GenAI2GenAI的調(diào)查結(jié)果顯示，許多組織尚未著手解決來(lái)自GenAI的潛在風(fēng)險(xiǎn)GenAI的廣泛使用做好了充分準(zhǔn)21%GenAIGenAIGenAI32%51%麥肯錫評(píng)論AlexanderSukharevsky全球資深董事合伙人，QuantumBlack，AIbyMcKinsey全球負(fù)責(zé)人大家都知道GenAI20%AI相GenAI的GenAI圖3:不準(zhǔn)確、網(wǎng)絡(luò)安全和知識(shí)產(chǎn)權(quán)侵權(quán)是生成式AI應(yīng)用中最常被提及的風(fēng)險(xiǎn)。企業(yè)認(rèn)為重要且正在著手解決的生成式AI相關(guān)風(fēng)險(xiǎn)，受訪者占比（%）156325356325338462545283918392034133116291614411611510 218監(jiān)管合規(guī)可解釋性個(gè)人隱私取代人工公平公正組織聲譽(yù)國(guó)家安全人身安全環(huán)境影響政治穩(wěn)定1.僅對(duì)表示其所在企業(yè)已在至少一個(gè)職能采納AI均為913。1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月日至21日進(jìn)行AIGenAI少20%GenAIGenAIGenAI圖4:來(lái)自人工智能高績(jī)效企業(yè)的受訪者將降本視為生成式AI首要目標(biāo)的比例較低。組織GenAI活動(dòng)的首要目標(biāo)，受訪者占比（%）1AI領(lǐng)先公司的受訪者2

所有其他受訪者21123321123330272319降本創(chuàng)造新業(yè)務(wù)和增加核心業(yè)務(wù)收入

100%33通過(guò)嵌入AI功能或洞見，提升產(chǎn)品/服務(wù)價(jià)33值備注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。僅對(duì)表示其所在企業(yè)已至少在一個(gè)職能采納AI技術(shù)的受訪者提問(wèn)。表示其組織2022年至少有20%的息稅前利潤(rùn)源自AI=45=712。資料來(lái)源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行20%4GenAI圖5:模型和工具是領(lǐng)先企業(yè)面臨的最大AI挑戰(zhàn)，其他企業(yè)則更多被戰(zhàn)略難題所困。實(shí)現(xiàn)人工智能潛力價(jià)值的最大挑戰(zhàn)，在受訪者中占比（%）1

AI高績(jī)效企業(yè)受訪者2

所有其他受訪者2024技術(shù)人才模型和工具

22224181315216注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。該問(wèn)題僅針對(duì)表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者。2022年至少有20%的息稅前利潤(rùn)源自AI應(yīng)用的受訪者。AI高績(jī)效企業(yè)受訪者人=49=792。資料來(lái)源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行BryceHall全球副董事合伙人6GenAIGenAIGenAIAIGenAI即“”“”調(diào)研結(jié)果進(jìn)一步驗(yàn)證了我們的結(jié)論：在諸如機(jī)器學(xué)習(xí)運(yùn)維35%19%AIMLOpsGenAI系12%能AIAI39%28%GenAI圖6:人工智能相關(guān)崗位招聘仍然很難，不過(guò)受訪者反映許多崗位的招聘難度在2022年后有所下降。表示其所在組織面臨人工智能相關(guān)崗位招聘難題的受訪者占比（%）1難度較低 難度較高0機(jī)器學(xué)習(xí)工程師數(shù)據(jù)科學(xué)家轉(zhuǎn)譯員產(chǎn)品負(fù)責(zé)人或經(jīng)理提示工程師軟件工程師數(shù)據(jù)工程師設(shè)計(jì)專家數(shù)據(jù)可視化專家

20 40

80 該問(wèn)題僅針對(duì)表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)、且過(guò)去122022年未詢問(wèn)受訪者。資料來(lái)源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行3AI20%20%GenAIGenAI5060%0圖7:受訪者預(yù)計(jì)人工智能將對(duì)企業(yè)的員工隊(duì)伍有重大影響對(duì)未來(lái)3年應(yīng)用人工智能技術(shù)對(duì)企業(yè)員工隊(duì)伍所產(chǎn)生影響的預(yù)期，受訪者占比（%）1員工數(shù)量變化 將重塑技能的員工占比不知道增加20%以上增加11%~20增加3%~10

不知道1232530812325308%4%18388變化很小或沒(méi)有變化變化幅度不超過(guò)2%）11-20%3%~10%減少20%

6-10%201782017810注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%1.僅對(duì)表示其所在企業(yè)已至少在一個(gè)職能采納AI技術(shù)的受訪者提問(wèn)，受訪者人數(shù)=913資料來(lái)源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行圖8:服務(wù)運(yùn)營(yíng)是唯一一個(gè)大多數(shù)受訪者都認(rèn)為會(huì)因生成式AI而縮減規(guī)模的職能部門。未來(lái)3年生成式AI對(duì)員工數(shù)量的影響，按業(yè)務(wù)職能劃分，受訪者占比（%）1下降 變化很小或沒(méi)有變化增加 不知道30 35 2030 35 201531372012理融 282510393317124033121541301711453214954231210風(fēng)險(xiǎn)戰(zhàn)略與企業(yè)資金管營(yíng)銷與銷售制造HR注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%1.該問(wèn)題僅針對(duì)表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者資料來(lái)源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行AI330%AI3圖9:來(lái)自AI領(lǐng)先公司的受訪者所預(yù)計(jì)的企業(yè)重塑員工技能的力度大于其他公司。預(yù)計(jì)應(yīng)用人工智能后公司未來(lái)3年需要重塑技能的員工比例，受訪者占比（%）1來(lái)自AI領(lǐng)先公司的受訪者2

所有其他受訪者 9 不知道73217321381021-30% 9 10811-20%8該問(wèn)題僅針對(duì)表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者2022年至少有20%的息稅前利潤(rùn)源自AI應(yīng)用的受訪者。來(lái)自AI領(lǐng)先企業(yè)的受訪=50863資料來(lái)源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行麥肯錫評(píng)論LareinaYee麥肯錫全球資深董事合伙人；麥肯錫技術(shù)委員會(huì)主席GenAIGenAI技傳統(tǒng)AIGenAIAI技GenAIGenAI次顛覆性轉(zhuǎn)變，技術(shù)成了人人可用的強(qiáng)大工具。以GenAIGenAIGenAIGenAIGenAIGenAIGenAIAI1AI23%5%圖10:不足1/3的受訪者表示，所在企業(yè)已經(jīng)1個(gè)以上職能部門采用人工智能技術(shù)——該數(shù)字在2021年后幾乎沒(méi)有變化。受訪者所在組織應(yīng)用人工智能技術(shù)的業(yè)務(wù)部門數(shù)，受訪者占比（%）11個(gè)或以上職能部門

2個(gè)或以上職能部門

3個(gè)或以上職能部門

4個(gè)或以上職能部門

5個(gè)或以上職能部門56555056555027

17 14

9 6

4 2 320212022202120222021202220212022202120221.In2021,n=1843;in2022,n=1492;in2023,n=1684資料來(lái)源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行麥肯錫評(píng)論MichaelChui麥肯錫全球研究院董事合伙人GenAIAI的GenAIAI55%2/3AI富”GenAI超過(guò)2/3的受訪者預(yù)測(cè)圖11:企業(yè)繼續(xù)在采用人工智能技術(shù)的職能部門看到長(zhǎng)期效益。2022年AI技術(shù)應(yīng)用的降本成效，受訪者占比（%）1≥20%10-19%<10%人力資源4102640制造144155營(yíng)銷與銷售4112641研發(fā)、產(chǎn)品或產(chǎn)品開發(fā)491831風(fēng)險(xiǎn)51326448127 519318127 519319334 1042282434戰(zhàn)略與企業(yè)資金管理供應(yīng)鏈管理所有職能的平均值2022年AI用例落地后營(yíng)收增加，受訪者占比（%）2>10% 6-10% 34917人力資源 34917161634161634198381983825122425122416133516133514103314103316103216103223330233301863518635“成本上漲”、“無(wú)變化”、“不適用”或“不知道”的受訪者?！盃I(yíng)收下降”、“無(wú)變化”、“不適用”或“不知道”的受訪者資料來(lái)源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級(jí)，2023年4月11日至21日進(jìn)行2/33本次研究相關(guān)信息本次研究相關(guān)信息本次調(diào)研于2023年2116841AI20%Theeconomicpotentialofgenerativenextproductivityfrontier年14日。MichaelBryceQuantumBlackAlexanderSukharevskyQuantumBlackShivaniGuptaAbhisekJenaBegumOrtaogluBarrSeitz麥肯錫公司2023年版權(quán)所有。60 60 金刊 2023生成式AI：CEO必讀指南Ie們MichaelRogerRobertsRodchenkoAlexSinglaAlexSukharevskyLareina和DelphineZurkiyaMckinseyDigital（McKinseyTechnology和QuantumBlack,AIbyMcKinseyChatGPTBardClaudeMidjourneyAICEOChatGPT1AIAIAIiPhoneAIAIAI“窄”2105AIAIAIAIAI成式CEOAI的CEOAI更4AICEO生成式AI入門指南AI式圖1:生成式人工智能技術(shù)飛速演進(jìn)在ChatGPT推出后的幾個(gè)月里，主要大型語(yǔ)言模型（LLM）的發(fā)展時(shí)間線3月30日彭博宣布以金融數(shù)據(jù)訓(xùn)練3月30日彭博宣布以金融數(shù)據(jù)訓(xùn)練LLM，以支持金融行業(yè)的自然語(yǔ)言任務(wù)3月16日微軟宣布將GPT-4整合到其Offce365套件中，或有助于廣泛提升工作效率3月14日Anthropic推出Claude，一款使用名為“合憲人工智能”方法訓(xùn)練的人工智能助理，旨在減少有害輸出概率3月7日Salesforce發(fā)布EinsteinGPT（利用OpenAI的模型），這是第一款用于客戶關(guān)系管理的生成性AI技術(shù)3月13日OpenAI發(fā)布GPT-4，在準(zhǔn)確性和減少幻覺方面有明顯改進(jìn)，聲稱與GPT-3.5相比有40%的提升12月12日Cohere發(fā)布首款支持100言的LLM，可在其企業(yè)人工智能平臺(tái)使用12月26日谷歌的Med-PaLM等LLM針對(duì)臨床知識(shí)等特定用例和領(lǐng)域接受訓(xùn)練2月27日微軟推出Kosmos-1，一款多模態(tài)LLM，除了自然語(yǔ)言外，還能對(duì)圖像和音頻提示做出回應(yīng)OpenAI的ChatGPT（由2020年GPT-3版本的改進(jìn)版GPT-3.5驅(qū)動(dòng)）成為第一個(gè)被廣泛使用的文本生成產(chǎn)品，在2個(gè)月內(nèi)收獲了創(chuàng)紀(jì)錄的1億用戶量

2月2日亞馬遜的多模態(tài)-CoT模型包含了“思維鏈提示”，模型可解釋其推理，且在多個(gè)基準(zhǔn)上優(yōu)于GPT-3.52022 2023

2月24日作為一款較小的模型，Meta的LLaMA比其他一些模型更具使用效率，且與其他模型相比，在一些任務(wù)上持續(xù)表現(xiàn)良好2023

3月21日谷歌發(fā)布基于LaMDA系列LLM的人工智能聊天機(jī)器人Bard

4月13日亞馬遜發(fā)布Bedrock，這是第一款有完全管理的服務(wù)，除了亞馬遜自己的TitanLLMs，還可以通過(guò)API使用多個(gè)供應(yīng)商（例如Anthropic）的模型資料來(lái)源：麥肯錫分析不僅是聊天機(jī)器人AIAIChatGPTAI:分類AI工具AI編輯AIAI總結(jié)(Venndiagram)AI“”AIAI生成式AI與其他AI的不同之處AI和過(guò)往AI“”如AI“”AI術(shù)語(yǔ)表模AI是指軟件有能力執(zhí)行過(guò)去需要人類智能才能完成的任務(wù)。（deep“”（foundationmodel,GPT-4PaLMDALL·E2和StableDiffusionIGeAAAI（graphicsprocessingunits,“”（largelanguagemodel,token）GPT-4（ChatGPT和（machinelearning,MLOpsAI任（promptAI（structured（unstructured下一個(gè)單詞。這就是為什么ChatGPT能夠回答不同主題的問(wèn)題、而DALL-E2和StableDiffusion能夠根據(jù)描述生成圖像。“”AI生成式AI生態(tài)系統(tǒng)正在興起A“大腦”MLOpsAnthropic和AI21圖2:支持生成式A系統(tǒng)的價(jià)值鏈正在迅速發(fā)展生成式AI價(jià)值鏈服務(wù)圍繞如何利用生成式AI（如，訓(xùn)練、反饋和強(qiáng)化學(xué)習(xí)）的專業(yè)知識(shí)而提供的服務(wù)應(yīng)用使用基礎(chǔ)模型的B2B或B2C產(chǎn)品，基本直接使用或根據(jù)特定用例進(jìn)行微調(diào)模型中心和MLOps管護(hù)、托管、微調(diào)或管理基礎(chǔ)模型的工具（例如，應(yīng)用程序和基礎(chǔ)模型之間的虛擬門面）基礎(chǔ)模型用于建立生成式AI應(yīng)用的核心模型云平臺(tái)提供計(jì)算機(jī)硬件訪問(wèn)的平臺(tái)專用硬件為訓(xùn)練和運(yùn)行模型而優(yōu)化的加速器芯片（例如，圖形處理器GPU）資料來(lái)源：麥肯錫分析負(fù)責(zé)任地使用生成式負(fù)責(zé)任地使用生成式AIAI。1JimBoehmLizGrennanAlexSingla和KateSmaje2022“Wydigitaltrusttrulymatter”AIAIAI過(guò)”promptinjectioAIAI315。2AnanyaGaneshAndrewMcCallum和EmmaStrubell2019年yadysrpeagnP（Proceedingsofthe57thAnnualMeetingoftheAssociationforComputational將生成式AI應(yīng)用于工作CEOAI生成式AICEOCEOAI生成式AI4這圖3:生成式人工智能對(duì)組織的要求從低到高不等，具體取決于用例低 1 6 高用例技術(shù)路徑成本技術(shù)人才專有數(shù)據(jù)流程調(diào)整工作使用軟件即服務(wù)(SaaS)工具許多SaaS工1具提供固定費(fèi)率的訂閱服務(wù)，每名用戶每月10至30美元；一些產(chǎn)品則按使用情況定價(jià)不太需要技術(shù)人才——可能負(fù)責(zé)選擇合適的解決方案和輕度的整合工作有數(shù)據(jù)流程基本保1持不變，但工作人員應(yīng)系統(tǒng)地檢查模型結(jié)果的準(zhǔn)確性和適當(dāng)性API層需要前期投3資開發(fā)用戶界面、整合解決方案并建立后處理層API使用和軟件維護(hù)的持續(xù)成本需要軟件開發(fā)、產(chǎn)品管理和數(shù)據(jù)庫(kù)集成能力，工程師、設(shè)計(jì)師和前端開發(fā)人員有數(shù)據(jù)護(hù)機(jī)制，出于風(fēng)險(xiǎn)或成本考慮而限制使用作調(diào)數(shù)據(jù)清理和標(biāo)記以及模型微調(diào)導(dǎo)致人力資本成本增加，初始成本比基于API構(gòu)建高出約2倍模型維護(hù)和云計(jì)算的持續(xù)成本更高經(jīng)驗(yàn)豐富的3數(shù)據(jù)科學(xué)和工程團(tuán)隊(duì)，擁有機(jī)器學(xué)習(xí)運(yùn)營(yíng)（MLOps）知識(shí)和資源，可以檢查或創(chuàng)建所需的標(biāo)簽數(shù)據(jù)需要專有、3帶標(biāo)簽的數(shù)據(jù)集以微調(diào)模型，盡管在某些情況下該數(shù)據(jù)及可能相對(duì)較小需設(shè)置流程4以管理分流、將問(wèn)題上報(bào)人工處理以及對(duì)模型安全做定期評(píng)估發(fā)現(xiàn)前期人力資6本和技術(shù)基礎(chǔ)設(shè)施成本導(dǎo)致初始成本比基于API構(gòu)建高出約10-20倍模型維護(hù)和云計(jì)算的持續(xù)成本與上一條類似需要大型數(shù)據(jù)科學(xué)和工程團(tuán)隊(duì)，具基礎(chǔ)模型可3以通過(guò)大量公開數(shù)據(jù)訓(xùn)練，但長(zhǎng)期的差異性優(yōu)勢(shì)來(lái)自于增加自有的標(biāo)記或未標(biāo)記數(shù)據(jù)（更易于收集）包括以上所4有流程，在對(duì)外部數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，需要開展徹底的法律審查，以防止發(fā)生知識(shí)產(chǎn)權(quán)問(wèn)題資料來(lái)源：麥肯錫分析改變軟件工程工作AIAIAI達(dá)50%式AI1030幫助客戶經(jīng)理及時(shí)了解公共信息和數(shù)據(jù)通過(guò)APIAIAIAPI“幻”也稱“”AIAPIAI“”“拍”“”AI“”API或APIAPIMLOps加速藥物發(fā)現(xiàn)AIAPI20MLOps上述案例對(duì)CEO的關(guān)鍵啟示CEOAI。起步時(shí)需考慮的因素AI也跨職能部署生成式AIAIAI如AIAIAI統(tǒng)實(shí)現(xiàn)滿載的技術(shù)棧CEOAPIAIAIAI打造“燈塔”CEO在2023年20222020AICEOAI過(guò)“”“”AI“”“”AIAI平衡風(fēng)險(xiǎn)與價(jià)值創(chuàng)造4AIAIAI3AIAIAI并保CEOAIAIAI應(yīng)用生態(tài)系統(tǒng)方法建立合作伙伴關(guān)系并解決生成式AIAIAI技術(shù)迅速地為AI聚焦所需的人才和技能AISaaSAIAIAIAIAIAI2023年AI20222022年AI5MichaelRobertsRodchenkoLareinaSinglaAlexSukharevskyQuantumblackAIbyMcKinseyDelphineZurkiya是麥肯錫全球資深董事合伙人，常駐波士頓分公司。麥肯錫公司2023年版權(quán)所有。84 84 金刊 2023生成式AI引發(fā)科技變革：CIO和CTO參考指南和MichaelChui，EricHazan，LareinaYee，BryceHall，AlexSingla和AlexanderSukharevskyAIAI2.61CIO和CTOAIA”：AI“AI和回報(bào)。AI充分利用現(xiàn)有服務(wù)或改編生成式AIAI。AI和數(shù)據(jù)源的協(xié)作運(yùn)行方式。AIMLOps成式AI對(duì)不同職能的影響各異，需根據(jù)具體崗位及員工的熟練程度定制技能提升計(jì)劃。關(guān)鍵術(shù)語(yǔ)表生成式AI屬于人工智能技術(shù)，通過(guò)機(jī)器學(xué)習(xí)（ML）技術(shù)對(duì)大量PaLM和StableDiffusion便屬CohereCommand（Promptengineering）AI1、明確公司對(duì)生成式AI應(yīng)用的態(tài)度CIO和App和AIAICIO和CTOAICIO和“”CEOCFOAI和CTOAIAI10%，40%2。CIO和CTOAIAICIO和CTOFinAIAI3、重塑技術(shù)職能AICIO和CTO需AI初期工作可以集中在以下三個(gè)領(lǐng)域：AI45%至50%3AIAI8DevSecOps20%4CIO和AIIT和CTOITOpsAIAI4、充分利用現(xiàn)有服務(wù)或改編生成式AI開源模型AI“建”AICIO和CTO可將不同選項(xiàng)分為三種模式進(jìn)行思考：使用GitHubCopilAI式AIAI“”“找”圖1:每種模式都有對(duì)應(yīng)的成本，需要技術(shù)領(lǐng)導(dǎo)斟酌類型 示例用例 總擁有成本(估算)碼助手通用的客戶服僅具有提示工程和文本聊天~50200萬(wàn)美元，一次性費(fèi)用──取用者(Taker)現(xiàn)成的編碼助手：~506人34個(gè)月通用的客服聊天機(jī)器人：~200萬(wàn)美元用于在第三方模型API之上構(gòu)建插件層。費(fèi)用包括一個(gè)8人團(tuán)隊(duì)工作9個(gè)月?~50萬(wàn)美元每年，重復(fù)性費(fèi)用──~201，000個(gè)用通用的客服聊天機(jī)器人：~20萬(wàn)美元，假設(shè)每天1,000個(gè)客戶聊天和每次聊天10,000個(gè)代幣插件層維護(hù)：每年~20萬(wàn)美元，假設(shè)開發(fā)成本的10%塑造者(Shaper)塑造者(Shaper)創(chuàng)造者(Maker)創(chuàng)造者(Maker)

~200萬(wàn)到1000萬(wàn)美元，一次性費(fèi)用，除非模型需進(jìn)一步微調(diào)數(shù)據(jù)和模型管道構(gòu)建：~50萬(wàn)美元。成本包括5到6名機(jī)器學(xué)1620周，收集和標(biāo)記ETL1模型微調(diào)2：~10600萬(wàn)美元3低成本情景：成本包括計(jì)算（例如算力），和2名數(shù)據(jù)2個(gè)月的成本高成本情景：基于公共閉源模型的計(jì)算和微調(diào)成本─插件層構(gòu)建：~100萬(wàn)美元到300萬(wàn)美元，成本包括一個(gè)6到8人的團(tuán)隊(duì)工作6到12個(gè)月~50萬(wàn)美元每年，重復(fù)性費(fèi)用~501,000次音頻和文本聊天~50MLOps平臺(tái)每年花費(fèi)100,000到250,000美元?，1名機(jī)器學(xué)習(xí)工程師花費(fèi)50%到100%的時(shí)間監(jiān)視模型性能插件層維護(hù)：每年~30萬(wàn)美元，占開發(fā)成本10%5002億美元，一次性，除非模型經(jīng)過(guò)微調(diào)或重新訓(xùn)練模型開發(fā)：~5043到個(gè)月的時(shí)間利用現(xiàn)有研究進(jìn)行模型設(shè)計(jì)、開發(fā)和評(píng)估數(shù)據(jù)和模型管道：~5010068名~12周來(lái)收集數(shù)據(jù)并執(zhí)行數(shù)據(jù)ETL模型訓(xùn)練?~40024636個(gè)月的計(jì)算和人工成本插件層建筑：~10030068人的團(tuán)隊(duì)，工作6到12個(gè)月~100500萬(wàn)美元，每年重復(fù)性費(fèi)用模型推斷：~101001,0002025625分鐘模型維護(hù)：~100400萬(wàn)美元。假設(shè)MLOps250,000美元?35名機(jī)器學(xué)習(xí)工程師來(lái)監(jiān)視模型性能~3010%Extract,transform,andload(ETL),即提取、轉(zhuǎn)換和加載模型在由~100,000頁(yè)行業(yè)特定文檔和來(lái)自~1，000個(gè)客戶代表的5年聊天記錄（~480億個(gè)代幣）組成的數(shù)據(jù)集上進(jìn)行微調(diào)。較低的終端成本包括在開源模型（例如LLaMA）上重新訓(xùn)練的1%參數(shù)和閉源模型的上限參數(shù)。聊天機(jī)器人可以通過(guò)文本和音頻訪問(wèn)每次訓(xùn)練運(yùn)行后，都會(huì)根據(jù)超參數(shù)、數(shù)據(jù)集和模型架構(gòu)的使用對(duì)模型進(jìn)行優(yōu)化。模型可以在需要時(shí)定期刷新（例如，使用新數(shù)據(jù)）GiladShaham,“BuildorbuyyourMLOpsplatform:Mainconsiderations,”LinkedIn,2021/11/365011.22.4萬(wàn)億個(gè)代幣的數(shù)據(jù)集上進(jìn)行訓(xùn)練。該工具可以通過(guò)文本和音頻訪問(wèn)資料來(lái)源：麥肯錫分析AI企業(yè)將使用規(guī)模、復(fù)雜度和能力各不相同的多種生成式AI模型。這AIAI圖2:在關(guān)鍵觸點(diǎn)集成生成式A，實(shí)現(xiàn)客戶旅程的量身定制旅行社客服機(jī)器人的客戶旅程示例 API調(diào)用客戶登錄并要求更改預(yù)訂 客戶登錄并要求更改預(yù)訂 客戶查看方案不接受聊天機(jī)器人傳遞信息和方案選擇方案人工坐席坐席輸入接手，提新的解決供新的解方案，供決方案模型審核/反饋模型檢查預(yù)訂政策，發(fā)現(xiàn)客戶無(wú)法更改模型接收用戶請(qǐng)求，并在提示中提取用戶信息人工坐席指派工作流管理預(yù)訂工作流管理方案激活聊天機(jī)器人指派坐席聊天機(jī)器人呼叫客服聊天機(jī)器人回應(yīng)客戶完成預(yù)訂變更后下線服務(wù)互動(dòng)生成式AI模型預(yù)訂變更政策管理登錄驗(yàn)證、模型預(yù)訂變更政策管理登錄驗(yàn)證、模型/息訪問(wèn)授權(quán)app數(shù)據(jù)源云/本地基礎(chǔ)設(shè)施和計(jì)算云/本地基礎(chǔ)設(shè)施和計(jì)算客戶ID數(shù)據(jù) 客戶歷 政策史數(shù)據(jù) 數(shù)據(jù)預(yù)訂系統(tǒng)數(shù)據(jù)代理指派數(shù)據(jù)資料來(lái)源：麥肯錫分析“”AICIO和CTOAILangChain和LlamaIndexAIAPI例如GP-4（RetrievalAugmentedAPIAI含員工薪酬詳情的模型。AIMLOpsMLOpsAI任務(wù)性能，如測(cè)評(píng)模型檢索正確知識(shí)的能力。圖3:生成式AI工具化 基礎(chǔ)設(shè)施數(shù)據(jù)源云或內(nèi)部基礎(chǔ)設(shè)施和計(jì)算硬件數(shù)據(jù)工具化 基礎(chǔ)設(shè)施數(shù)據(jù)源云或內(nèi)部基礎(chǔ)設(shè)施和計(jì)算硬件數(shù)據(jù)平臺(tái)據(jù)湖API網(wǎng)關(guān) 嵌入、非結(jié)構(gòu)分析數(shù)據(jù)、交易數(shù)據(jù)體驗(yàn)層DTC2或B2B應(yīng)用程序（如，Jasper）質(zhì)量保證和可觀測(cè)性QA（質(zhì)量保證）模型輸出（例如，檢查偏向性）提示庫(kù)服務(wù)以形式（如，Midjourney）通過(guò)瀏覽器界面訪問(wèn)面向最終用戶的應(yīng)用程序和基礎(chǔ)模型政策管理企業(yè)現(xiàn)有平臺(tái)(如，ERP3,CRM4)模型倉(cāng)庫(kù)讓用戶能夠共享模型和數(shù)據(jù)集的平臺(tái)（例如，HuggingFace）情境管理和緩存從企業(yè)數(shù)據(jù)源檢索用戶和任務(wù)語(yǔ)境，提示生成式AI模型，緩存常見請(qǐng)求

App 模型 數(shù)據(jù)開放/封閉源代碼基礎(chǔ)封閉源基礎(chǔ)模型基于API的預(yù)訓(xùn)練模型（如，GPT-4）模型可訪問(wèn)的訓(xùn)練模型（如，BLOOM）MLOps平臺(tái)軟件即服務(wù)直接面向客戶企業(yè)資源規(guī)劃客戶關(guān)系管理.資料來(lái)源：麥肯錫分析和CTOAICIO和CTOAI6、開發(fā)數(shù)據(jù)架構(gòu)，獲取高質(zhì)量數(shù)據(jù)AIAICTOAIAIAI“語(yǔ)境理解”的AI“”AICIO和CTO需要將生成式AIAIAIAIAIAICIO和CTOAIAIAIGitHubCopilot35%45%550%7%10%AIAIA16。AIAIAIAI除了培訓(xùn)技術(shù)人才，企業(yè)CIO和CTO還可以為非技術(shù)人才的生成式AI技能培養(yǎng)發(fā)揮重要作用。AICIO和CTO。A“”AICIO和CTOAI“”“”AICIO和IP數(shù)AI（Theeconomicpotentialofgenerativenextproductivity年日AITheeconomicpotentialofgenerativenextproductivity年日BegumKaraciDenizMartinHarryssonAlharithSrivastavaAI解鎖（Unleashingdeveloperproductivitywithgenerative年日VishalDalalKrishKrishnakanthanBj?rnPatengetech日AI（Unleashingdeveloperproductivitywithgenerative年日ErikBrynjolfssonDanielleR.RaymondAI（GenerativeAIat年月AamerBaig是麥肯錫全球資深董事合伙人，常駐芝加哥分公司；SvenBlumbergMeghaSinhaMerrillPradhanAlexanderSukharevsky是麥肯錫全球資深董事合伙人，常駐倫敦分公司。StephanieBrauckmannAnushaDhasarathyMartinHarryssonKlemensHjartarAlharithHussinNaufalKhanSamChandrasekharPandaHenningNikhilSrinidhiAsinNielsVanderWildtAnnaWiesinger麥肯錫公司2023年版權(quán)所有。第二部分104AI104 104 金刊 2023AI產(chǎn)業(yè)新機(jī)遇曲向軍，韓峰，方溪源，胡藝蓉，李靜瑤和邱外山引言（GenerativeGenAI）MLOpsAIGenAI圖1：GenAI價(jià)值鏈六大環(huán)節(jié)的差異化市場(chǎng)機(jī)會(huì)生成式模型中心人工智專用硬件云平臺(tái)基礎(chǔ)模型和MLOps應(yīng)用服務(wù)能價(jià)值鏈專門針對(duì)訓(xùn)驅(qū)動(dòng)生成式用于托管、B2B或圍繞如何利練和運(yùn)行模人工智能應(yīng)微調(diào)或管理B2C用生成式人型而優(yōu)化的的平臺(tái)用的核心模基礎(chǔ)模型的要使用基礎(chǔ)工智能的專加速器芯片型工具（模型或針對(duì)業(yè)知識(shí)提供介于應(yīng)用程特定用例進(jìn)服務(wù)（例如序和基礎(chǔ)模型之間的界行微調(diào)培訓(xùn)、反饋和強(qiáng)化學(xué)習(xí)）面）未來(lái)年新的市場(chǎng)進(jìn)入者機(jī)會(huì)評(píng)1-5資料來(lái)源:麥肯錫分析GenAIGenAI價(jià)應(yīng)用工具智能寫作助理美國(guó)/法國(guó)36.5美國(guó)112.6智能個(gè)人助理美國(guó)36.9商務(wù)交流和會(huì)議解決方案 美國(guó)19.5智能營(yíng)銷和客戶服務(wù)美國(guó)18.2企業(yè)流程自動(dòng)化解決方案 美國(guó)17.4智能寫作助手美國(guó)15.4圖像視頻編輯以色列15.3應(yīng)用工具智能寫作助理美國(guó)/法國(guó)36.5美國(guó)112.6智能個(gè)人助理美國(guó)36.9商務(wù)交流和會(huì)議解決方案 美國(guó)19.5智能營(yíng)銷和客戶服務(wù)美國(guó)18.2企業(yè)流程自動(dòng)化解決方案 美國(guó)17.4智能寫作助手美國(guó)15.4圖像視頻編輯以色列15.3圖像視頻創(chuàng)作編輯客戶服務(wù)自動(dòng)化和智能分析藥物領(lǐng)域蛋白質(zhì)分子設(shè)計(jì)美國(guó)13.8美國(guó)13.2美國(guó)12.6價(jià)值鏈獨(dú)角獸企業(yè)核心產(chǎn)品國(guó)家企業(yè)估值，億美元GPU云端巨型加速器芯片美國(guó)36.7云端加速器芯片美國(guó)10.0云端加速器芯片美國(guó)50.0云端加速器芯片英國(guó)27.7邊緣端加速器芯片加拿大10.0邊緣端加速器芯片以色列10.0云端訓(xùn)練和推理芯片中國(guó)21.0云端和邊緣端推理芯片中國(guó)21.0云端訓(xùn)練和推理芯片中國(guó)21.0云端訓(xùn)練和推理芯片中國(guó)21.0云平臺(tái)數(shù)據(jù)云平臺(tái)美國(guó)16.1專注于GPU算力的云平臺(tái)美國(guó)20.0專注于GPU算力的云平臺(tái)美國(guó)10.0基礎(chǔ)模型通用大模型美國(guó)255.1通用大模型美國(guó)45.6通用大模型英國(guó)37.5通用大模型加拿大18.7模型中心和MLOps基于云的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)平臺(tái)及工具機(jī)器學(xué)習(xí)平臺(tái)和數(shù)據(jù)標(biāo)注工具機(jī)器學(xué)習(xí)平臺(tái)和微調(diào)部署美國(guó)美國(guó)61.6323.0資料來(lái)源:Pitchbook（PE，VC及并購(gòu)項(xiàng)目數(shù)據(jù)平臺(tái)）,麥肯錫研究GenAI價(jià)值鏈?zhǔn)袌?chǎng)機(jī)會(huì)剖析：GenAIGPU”GPUTPUGPU99%1999GPUCUDATPUAI4納米AI加AI圖3：全球數(shù)據(jù)中心GPU市場(chǎng)份額（%）數(shù)據(jù)中心用GPU市場(chǎng)份額，%002171912

4128141281848386計(jì)算創(chuàng)新領(lǐng)域廠商某全球頂尖的人工智能計(jì)算公司2020 21 22 2023Q1資料來(lái)源：JonPeddieResearch80%市場(chǎng)份額GPU企業(yè)在本地部署和維護(hù)GenAI80%23%10%4%3%2%2%圖4：22Q123%10%4%3%2%2%AmazonWebServices的云平臺(tái)的公有云某全球領(lǐng)先的電子商務(wù)巨頭的云服務(wù)某領(lǐng)先的跨國(guó)科技公司及咨詢公司的云平臺(tái)某全球領(lǐng)先的信息管理軟件及服務(wù)供應(yīng)商國(guó)內(nèi)某頭部云服務(wù)廠商

32%

2023Q1云市場(chǎng)規(guī)模達(dá)到4,500億人民幣資料來(lái)源:Statista3DAISaaSAIOpenAI基礎(chǔ)模AI131.8PB根據(jù)OpenAI個(gè)token750例如OpenAI庫(kù)Shutterstock涉AI400~1,200GenAI84AIGenAIAIAI圖5：海外GenAI大模型（按模態(tài)區(qū)分）的主要玩文字代碼圖像 音頻文字代碼圖像 音頻/音樂(lè) 視頻蛋白質(zhì)結(jié)構(gòu) PaaS/3D /DNA序列 MLOps某企業(yè)級(jí)AI平臺(tái)獨(dú)角獸美國(guó)某AI初創(chuàng)公司美國(guó)某AI機(jī)構(gòu)

開源 非開源,可調(diào)用APIs2 非公開 PaaS3某全球領(lǐng)先的科技公司Orca-13BPhi-1VALL-EGODIVARODINDiffusionMoLeRAzureAI/AzureOpenAI某全球領(lǐng)先的AI研究實(shí)驗(yàn)室GPT-4GitHubCopilotDALL-E2JukeboxPoint-EMetaLLaMA2CodeCompose/InCoderMake-a-sceneAudioGenMake-a-videoBuilderBotESMFold某全球頂尖互聯(lián)網(wǎng)科技公司PaLM2ImagenMusicLMImagenVideoDreamFusionAlphaFold2PubSub/VertexAI/英國(guó)某全球化AI研究型企業(yè)StableLMStableDiffusion2DanceDiffusionLibreFoldAmazon/AWSTitanCodeWhispererDeepcomposerBedrock/SageMakerAppleGAUDI某全球頂尖的GPU廠商MT-NLGEdifyEdifyEdifyMegaMoIBARTFamilyofLLMsClaude2Jurrassic-2注意：產(chǎn)品列表僅供參考，并不代表麥肯錫公司的背書GitHubOpenAI開發(fā)LLaMA2構(gòu)建，供內(nèi)部使用LLaMA2Python和其他語(yǔ)言的代碼建議從技術(shù)上講，此類別不是LLM（PaaS）（MLOps）BedrockAPI提供對(duì)來(lái)自亞馬遜/AWSAI初創(chuàng)公司的預(yù)訓(xùn)練基礎(chǔ)模型的訪問(wèn)SageMaker是一項(xiàng)完全托管的服務(wù)，可幫助數(shù)據(jù)科學(xué)家和開發(fā)人員大規(guī)模構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型資料來(lái)源:麥肯錫分析AILLMs“”GenAIMLOpsMLOpsMLOpsMLOpsAPIMLOpsMLOps功&如圖6：模型中心和MLOps領(lǐng)域知名獨(dú)立廠商優(yōu)勢(shì)技術(shù) 技術(shù)維度 開發(fā)

GitHub星數(shù)

優(yōu)勢(shì)使用方便且訓(xùn)練并行效率高：相比優(yōu)勢(shì)使用方便且訓(xùn)練并行效率高：相比Megatron-LM僅需一半的計(jì)算資源即可復(fù)現(xiàn)GPT3支持一站式的分布式訓(xùn)練最少僅需微調(diào)0.01%的參數(shù)就能高支持實(shí)時(shí)反饋模型實(shí)驗(yàn)非常適合需要多模型組合的場(chǎng)景,在Python代碼中構(gòu)建由多個(gè)ML模型和業(yè)務(wù)邏輯組成的復(fù)雜推斷服務(wù)集成了136種的外部數(shù)據(jù)源(Arxiv,Wiki)和工具庫(kù)(Qdrant)對(duì)模型生命周期管理進(jìn)行一站式管理模型訓(xùn)練和微調(diào)行AI統(tǒng)在DeepSpeed的數(shù)據(jù)30 從3維提高到5-6維練工具在多GPU/TPU訓(xùn)練場(chǎng)5 略（如FP16和32），訓(xùn)練技術(shù)的python庫(kù)訓(xùn)練微調(diào)技術(shù)微調(diào)工具集成了各種微調(diào)技術(shù)（e.gLoRA提示微7 調(diào)等）的python調(diào)后模型性能訓(xùn)練微調(diào)平臺(tái)智能(AI)平臺(tái)2 多種最新的微調(diào)技術(shù)（如LoRA和低精度微調(diào)）模型部署部署服務(wù)某機(jī)器學(xué)習(xí)分布式框架通過(guò)Batchinference技26 推理模型應(yīng)用開發(fā)編排架據(jù)源，并通過(guò)Agent的49方式讓大模型與真實(shí)世界進(jìn)行交互模型管理平臺(tái)框架&分析平臺(tái)15 管理等資料來(lái)源:麥肯錫分析五、應(yīng)用：終端應(yīng)用領(lǐng)域孵化出最多GenAI獨(dú)角獸企業(yè)GenAI應(yīng)用市場(chǎng)賽道可謂百花齊放，既包括開發(fā)全新應(yīng)用的新玩家，也包。GenAI早GenAIOpenAIGenAI如好評(píng)其輸出質(zhì)量進(jìn)行評(píng)價(jià)，以反哺模型并持續(xù)訓(xùn)練ChatGPT。根據(jù)OpenAI的相關(guān)報(bào)告，評(píng)價(jià)反饋數(shù)據(jù)非常有助于改進(jìn)底層模型。GenAI圖7：初創(chuàng)企業(yè)擁有最大機(jī)會(huì)的應(yīng)用層存在6類模態(tài)的應(yīng)用文本語(yǔ)言類應(yīng)用，例如聊天機(jī)器人等語(yǔ)音/例如文生音文生圖

代碼6類模態(tài)的應(yīng)用代碼類應(yīng)用，例如代碼生成6類模態(tài)的應(yīng)用視頻視頻類應(yīng)用，例如視頻換臉資料來(lái)源:

3D3D模型類應(yīng)用，例如3D對(duì)象生成、蛋白質(zhì)結(jié)構(gòu)生成等圖8:GenAI應(yīng)用六大主要模態(tài)的典型用例模態(tài) 應(yīng)用 用例示例文本 內(nèi)容創(chuàng)作或助手搜索代碼 代碼生成應(yīng)用原型設(shè)計(jì)圖像 庫(kù)存圖片成器音頻 文本生語(yǔ)音聲音創(chuàng)作音頻編輯3D 生成發(fā)現(xiàn)視頻 視頻創(chuàng)作視頻編輯調(diào)整調(diào)整

件和帖子提高網(wǎng)絡(luò)娛樂(lè)的轉(zhuǎn)化率進(jìn)行更自然的網(wǎng)絡(luò)搜索見解IT速程序開發(fā)和提升質(zhì)量IT：快速生成交互界面設(shè)計(jì)AI訓(xùn)練質(zhì)量體圖片內(nèi)容培訓(xùn)：創(chuàng)建教育用配音侵犯版權(quán)復(fù)錄制角色制造：優(yōu)化材料設(shè)計(jì)的短視頻素材個(gè)性化元素視頻Al原聲語(yǔ)音轉(zhuǎn)換新語(yǔ)言視頻會(huì)議后期制作中的口型同步或現(xiàn)多語(yǔ)言發(fā)布

題、職位描述工具文件3D室內(nèi)設(shè)計(jì)模型和虛擬舞臺(tái)藥物發(fā)現(xiàn)：加速R&D過(guò)程AI創(chuàng)建視頻課程或企業(yè)宣講視頻像和背景噪音改變效果換臉和深度仿真視覺效果視頻會(huì)議：實(shí)時(shí)凝視校正資料來(lái)源:麥肯錫分析為展現(xiàn)GenAI32135%14%及22%10%C輪+3%C輪+70%2009112圖9：應(yīng)用概覽（2）全球范圍內(nèi)，終端用戶應(yīng)用程序在文本生成模式上最成熟，代碼生成在國(guó)外應(yīng)用也較多非窮盡x

AsofQ120230家 >10

Pre輪 早期輪 后期輪 數(shù)量最多文字 代碼內(nèi)容編輯聊天機(jī)器人及助手搜索分析與提煉代碼生成應(yīng)用程序原型和設(shè)計(jì)/數(shù)據(jù)集生成天使輪1053164種子輪24637511A輪1485341B輪470156C輪272032D輪10000055331312資料來(lái)源:Pitchbook（PE，VC及并購(gòu)項(xiàng)目數(shù)據(jù)平臺(tái)）,Antler（新加坡base的VC平臺(tái)）,Crunchbase（投融資信息平臺(tái)）,G（聚焦一級(jí)市場(chǎng)的數(shù)據(jù)平臺(tái)）圖：應(yīng)用概覽（22）全球范圍內(nèi)，終端用戶應(yīng)用程序在文本生成模式上最成熟，代碼生成在國(guó)外應(yīng)用也較多非窮盡

AsofQ12023x總計(jì)

0家 >10

Pre輪 早期輪 后期輪音頻 圖像 視頻

3D及其他文本語(yǔ)音生成/音頻編輯音頻生成庫(kù)存圖像生成器；圖像編輯器語(yǔ)音翻譯和調(diào)整/臉部交換和調(diào)整視頻生成視頻編輯3D對(duì)象生成&產(chǎn)品設(shè)計(jì)/發(fā)現(xiàn)天使輪2042133種子輪9481119316A輪97866510B輪3331631C輪0110020D輪00000011521631資料來(lái)源:Pitchbook（PE，VC及并購(gòu)項(xiàng)目數(shù)據(jù)平臺(tái)）,Antler（新加坡base的VC平臺(tái)）,Crunchbase（投融資信息平臺(tái)）,G（聚焦一級(jí)市場(chǎng)的數(shù)據(jù)平臺(tái)）GenAIGenAIGenAIA2022AIGPUAIOpenAI；ChatGPT20132019CGenAIGenAI GenAI20162000202350 2022年上線AI20OpenAIDGenAIAI待GenAI結(jié)語(yǔ)GenAIGenAIGenAIGenAIGenAIIntelligenceAI2021~2025《2022202W3echs韓峰是麥肯錫全球董事合伙人，常駐深圳分公司；麥肯錫公司2023年版權(quán)所有。第三部分AI126AI126 126 金刊 2023GenAI曲向軍韓峰胡藝蓉和王喆宸在本章中，我們將從市場(chǎng)規(guī)模、技術(shù)棧、商業(yè)化應(yīng)用和風(fēng)險(xiǎn)管理四

簡(jiǎn)稱GenAI）行業(yè)現(xiàn)狀和發(fā)展趨2032年將達(dá)到1.32022~2035年全球市場(chǎng)規(guī)模增量主20252,000GenAIGenAIGenAIGenAI優(yōu)先SaaSGenAIGenAI一、市場(chǎng)規(guī)模2022年全球GenAI市場(chǎng)整體收入為40020272032年將分別達(dá)到3990億美元和1.3見圖2022~203242%12025圖:22~22年全球生成式人工智能應(yīng)用規(guī)模2020-2032年全球生成式人工智能應(yīng)用規(guī)模，十億美元1,3041,0791,3041,079897728548399217304142340671371,4001,2001,0008006004002000202021 22 23 24 25 26 27 28 29 30 312032資料來(lái)源：BloombergIntelligence2022~20354,440GenAI（GenAIasa2,44819242,800億美元的增量中，GenAI助理軟件增量可觀，達(dá)890億美元，年復(fù)合增長(zhǎng)率有望達(dá)到70%（見圖2）。圖2:222`232年全球生成式人工智能細(xì)分行業(yè)市場(chǎng)規(guī)模十億美元1,4001,300

1,3042801682801684741,1001,000900800700600500400399硬件（訓(xùn)練側(cè)）30014169硬件（推理側(cè)）軟件20083192基于GenAI的游戲開支基于GenAI的廣告開支100014403459216410 228634聚焦GenAI的IT開支基于GenAI的商業(yè)服務(wù)開支2022

2027E

2032E資料來(lái)源：BloombergIntelligence2022GenAI6602020~20252025（2,170GenAIAI232.5圖3:22225年中國(guó)生成式人工智能應(yīng)用規(guī)模2020-2025年中國(guó)生成式人工智能應(yīng)用規(guī)模，億元2,0701,6062,0701,606+84.1%p.a.1,077663343982,0001,5001,00050002020 21

23

2025資料來(lái)源：《中國(guó)AI數(shù)字商業(yè)產(chǎn)業(yè)展望2021-2025產(chǎn)業(yè)聯(lián)盟聯(lián)合發(fā)布圖4:海外生成式AI賽道典型融資案例

融資規(guī)模，企業(yè) 輪

融資時(shí)間 產(chǎn)品類

百萬(wàn)美金某AI制藥公司C輪2022.10AI制藥210某AI大模型公司A輪2022.10AI大模型209某GenAI與語(yǔ)音交互為核心的AI公司D輪2023.1AI生成語(yǔ)音131某AI制藥公司D輪2022.11AI制藥92某AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析公司C輪2022.12AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析軟件53某大模型創(chuàng)業(yè)公司Pre-A輪2022.1AI大模型46某AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析公司B輪2023.2AI非結(jié)構(gòu)化數(shù)據(jù)處理和分析軟件37某GenAI與語(yǔ)音交互為核心的AI公司C輪2023.3AI生成語(yǔ)音35某AI制藥公司B輪2022.11AI制藥33某AI和多模態(tài)通用搜索技術(shù)的公司A輪2021.1AI神經(jīng)搜索技術(shù)26資料來(lái)源:Pitchbook數(shù)據(jù)庫(kù)，數(shù)據(jù)截至2023年7月二、技術(shù)棧GenAIGenAI技A80010的70%AIGPGPU基礎(chǔ)設(shè)施和智能終端提供GPU1000TOPSH100圖5:國(guó)產(chǎn)AI算力芯片公司主要產(chǎn)品對(duì)比全球頂尖GPU廠商 頂尖GPU廠商公司名稱 產(chǎn)品類型 產(chǎn)品 算力 主頻 制程某全球領(lǐng)先的某全球領(lǐng)先的GPU廠商訓(xùn)練+推理+整機(jī)A1001248TOPS /7nmH100 3958TOPS / 4nm某量產(chǎn)商業(yè)AI芯片廠商訓(xùn)練+推理+整機(jī)MLU370256TOPS/7nm訓(xùn)練側(cè)MLU290 512TOPS某國(guó)產(chǎn)服務(wù)器芯片龍頭某通用GPU芯片廠商訓(xùn)練DCU8100/1.5GHz 7nm訓(xùn)練+推理MXN100//7nm某通用GPU芯片及超級(jí)算力系統(tǒng)提供商由訓(xùn)練切入推理BI295TOPS/7nm某計(jì)算機(jī)圖形芯片設(shè)計(jì)公司訓(xùn)練BR1002000TOPS /7nm某AI神經(jīng)網(wǎng)絡(luò)解決方案廠商訓(xùn)練+推理+整機(jī)i20256TOPS1.5GHz /訓(xùn)練側(cè)T21 256TOPS某AI芯片公司 訓(xùn)練訓(xùn)推一體昆侖芯2代 256TOPS/7nm某互聯(lián)網(wǎng)巨頭半旗下的半導(dǎo)體廠商推理800820TOPS/12nm某通用AIGPU訓(xùn)練制造初創(chuàng)企業(yè)Compass///某云端AI計(jì)算平臺(tái)公司由推理切入訓(xùn)練推理側(cè)GoldwasserUL/32-64TOPS/ //訓(xùn)練側(cè)GoldwasserXL 512TOPS資料來(lái)源：各公司官網(wǎng);民生證券研究院GenAI廠商將依賴云平臺(tái)完成模型訓(xùn)練與調(diào)整202279%4202365%的IaaS和SaaS和SaaS占72%。展望未來(lái)，我們預(yù)計(jì)海內(nèi)外頭部廠商的客戶群體將持續(xù)分化，國(guó)內(nèi)GenAI廠商將更多依賴國(guó)內(nèi)云平臺(tái)完成模型訓(xùn)練與調(diào)整。GenAI2023年7910GenAI圖6:全球生成式AI廠商大模型發(fā)布數(shù)量根據(jù)2019.01至2023.05期間發(fā)布的大模型數(shù)量海外研發(fā)廠商 中國(guó)研發(fā)廠商2019402020120213082019402020120213082022372023.01-0519182283020注：大模型市場(chǎng)處于一個(gè)快速變化階段，統(tǒng)計(jì)數(shù)據(jù)據(jù)發(fā)布日或已發(fā)生重大變化中國(guó)國(guó)內(nèi)大模型廠商包括國(guó)內(nèi)某AI研發(fā)機(jī)構(gòu)，國(guó)內(nèi)某頂尖高校，國(guó)內(nèi)Top3互聯(lián)網(wǎng)廠商等海外（美國(guó)）的大模型廠商主要包括硅谷眾多全球領(lǐng)先的互聯(lián)網(wǎng)廠商，元宇宙公司，頂尖AI公司，和AI非營(yíng)利性研究機(jī)構(gòu)等海外（其他）的大模型發(fā)布廠商主要來(lái)自英國(guó)和歐盟資料來(lái)源:公開資料收集，包括廠商公布和投行券商行研報(bào)告（例如，LeonisCapital等）1.4%54%7（見圖7）。圖7:21822年全球大模型廠商發(fā)布的主要模型全球領(lǐng)先的1T

美國(guó)某領(lǐng)先科技公司A

ICT基礎(chǔ)設(shè)Megatron-ICT基礎(chǔ)設(shè)Megatron-互聯(lián)網(wǎng)廠施廠商TuringNLG商AMinerva540BOpenAIGPT-3175BPanGu-α207B530BERNIE3.0Titan260B某全球領(lǐng)先GPU廠商Megatron-LM8.3B先的AI研GPT-2全球領(lǐng)先的元宇宙公司國(guó)內(nèi)某AI新型研發(fā)機(jī)構(gòu)Wudao-WenYuan2.0GLM-130BGenerativeBST9.4B美國(guó)領(lǐng)先互聯(lián)網(wǎng)廠商AMeena2.6B11BChinchilla70B某英國(guó)AI企業(yè)PLATO-XL11B互聯(lián)網(wǎng)廠商A130B國(guó)內(nèi)某Top高校1.5B先的AI研GPT117M全球領(lǐng)先的元宇宙公司355M國(guó)內(nèi)某AI研發(fā)機(jī)構(gòu)Wudao-WenYuan1.02.6BDeBRETa1.5B美國(guó)某領(lǐng)先科技公司AWudao-WenHui1.0

美國(guó)領(lǐng)先互聯(lián)網(wǎng)廠商