中美AIGC产业商业化落地生态与发展趋势分析报告-上海高级金融学院

中美 AIGC 产业 商业化落地生态与发展趋势分析报告 研究报告概述 《中美 AIGC 产业商业化落地生态与发展趋势分析报告》由上海交通大学上海高级金融学院（高金）EED 项目组、沪港国际科创金融实验室以及高金 LLC 实践体验学习中心共同发布。该报告深入比较了中美两国在 AIGC（人工智能生成内容）行业生态上的差异，并立足于 AIGC 应用场景的实际落地，详细剖析了 AIGC 技术在中美两国多个关键产业领域的最新应用进展与商业价值，旨在为企业及相关机构在产业布局、投资决策、政策支持等方面提供策略性建议和参考依据。 报告显示，当前中国和美国的企业和投资者正积极探索 AIGC 技术的商业化落地和变现途径，但在不同应用领域的发展呈现出显著差异：部分场景和领域已实现了实质性的商业化进展，而其他领域则仍处于探索阶段，前景不甚明朗。 研究报告背景 在全球范围内，人工智能生成内容（AIGC）技术正以空前的速度和深度改变着各个行业。作为世界最大的两个经济体，中美两国在 AI 领域的发展对全球具有深远影响。 近年来，中美两国在 AIGC 技术方面的进展尤为瞩目。美国方面，如 Midjourney 推出的 AI 绘图工具和微软与 OpenAI 合作推出的 GitHub Copilot 等项目备受关注；而在中国，百度的文心一言，字节跳动的豆包，以及科大讯飞的讯飞星火等产品的推出，同样标志着中国在 AIGC 领域的显著进步。 研究方法 为深入研究中美 AIGC 产业的商业化落地生态和应用，课题组选取了 2021 年 1 月至 2024 年 3 月期间的 AIGC 商业化案例数据作为研究样本，侧重于分析 AIGC 产业的应用落地场景，对其发展环境和生态进行研究，比如产业链的上下游的分布，细分赛道的规模、结构，AIGC 行业的政策环境、人才状况等，其次从应用价值（市场空间大小）、应用难度（落地的难度、业务逻辑复杂度、算力成本、语料成本、语料获取的难度、语料规模大小）、环境现状（客户侧落地进展、AIGC 厂商进展、投融资规模数据简况）进行细致分析、横向纵向比较。并通过对比实际案例，进一步分析影响 AIGC 企业估值及投资回报的关键因素，如技术创新能力、市场占有率、盈利模式、用户增长、品牌影响力等。 研究发现 当前，全球企业和投资者正积极探索 AIGC 技术的商业化落地和变现途径。不同应用领域的发展呈现出显著差异：部分场景和领域已实现实质性的商业化进展，而其他领域则仍处于探索阶段，前景不甚明朗。 中美 AIGC 行业生态差异与共性： 1. 中美进展：中美在 AIGC 领域均有显著进展，美国以创新驱动，中国以市场需求为导向。 2. 应用场景落地：中美 AIGC 技术在代码研发、知识管理&内容创作、客服&销售智能体、医疗&医药的科学研究等应用场景的落地进展迅速。 3. 行业落地：中美 AIGC 技术在金融、信息技术、医疗等行业落地进展迅速。 AIGC 技术的商业价值与挑战： ü 市场空间：AIGC 技术已经在数个行业与应用场景的交叉领域展现出巨大的市场潜力。 ü 应用难度：技术门槛、算力成本、语料获取难度是主要挑战。 投融资活跃： 中美 AIGC 领域的投融资活跃，尤其是在药物研发等领域。 AIGC 技术的发展和商业化前景仍充满挑战与不确定性，需要行业内外的持续关注和深入研究，以实现其在各领域的广泛应用和商业价值的最大化。对于投资者而言，这要求他们在评估相关企业的投资价值时，不仅考虑技术潜力，还需关注其商业化进程和市场反应。 指导教授总结 课题组指导教授上海高级金融学院教授蒋展表示：今天，AIGC 大模型技术如上世纪的互联网技术一样，对于全球产业都带来了巨大的技术革新推动力，但其商业化前景目前依然不清晰，所以对于 AIGC 技术在应用场景与行业领域交叉维度的落地进展与挑战进行深入的分析显得尤为有意义，课题项目组研究了大量具象的 AIGC 落地案例与数据，让我们可以对中美 AIGC 产业商业化落地的真实进展、市场空间与现实的挑战问题有一个全面的了解，从而对其未来发展的趋势也能有较为清晰的判断。 附录：《中美 AIGC 产业商业化落地生态与发展趋势分析报告》内容节选： 1.1 应用场景：代码研发 1.1.1 金融业 应用价值 市场空间：★★★★ 中国银行业对于金融科技领域的总投入金额达到 2793.2 亿元，其中对于从事金融科技领域相关人员开支达到 172.5 亿元；证券行业对于金融科技的投入金额达到 417 亿元，其中对于人员投入达到 105.9 亿元。（数据来源：金融时报-中国金融新闻网）以行业头部的六大行为例，累计科技人员达到 9.48 万人。总体来看，金融领域对于系统开发的成本支出较大。 应用难度 逻辑难度：★★★★ 金融行业涉及的业务逻辑复杂且高度专业化，需要深入理解相关的业务流程和规则。同时需要满足开发者在多种编程语言、框架和场景下的需求。 算力成本：★★★★ 需要不断学习和适应新的开发需求，训练和推理过程中需要消耗大量的计算资源。金融行业本身对数据合规性、安全性、可信性等存在高要求，因此以自建算力为主。 语料大小（成本）：★★★★ 依赖于行业内外大量的高质量编程语料，金融行业的代码和文档通常涉及敏感数据，获取和处理这些语料需要特别注意数据隐私和安全性。 环境现状 落地进展： 中国工商银行：已经形成代码推演预测、代码自动生成、代码检索复用等能力，并以IDE 插件的形式整合到开发中心，有效提升研发效能；编码助手生成代码量占总代码量的比值达到 40%。 花旗银行：使用大模型提高开发人员的工作效率并测试软件漏洞。 国金证券：以 aiXcoder 代码大模型为核心引擎，结合国金证券三十年金融行业软件资产沉淀及人工智能生态融合，共同构建了一个代码大模型的工程化应用框架。（硅心科技服务） 海通证券：与商汤科技合作，基于海通证券丰富的数据基础，商汤大模型构建了完整思维链，深入理解业务逻辑，为开发者提供了代码智能补全与对话问答的服务，可有效提高开发效率。 AIGC 厂商进展： 软通动力：软通天璇 2.0 平台，包括代码补全能力等。 宇信科技：开发助手 CodePal，提供代码补全、自动化 bug 检测、代码规范检查等功能。 华为：金融大模型解决方案，包括智能编程助手等。 商汤科技：日日新 SenseNova 5.0，包含代码生成及补全。 1.1.2 信息技术与软件开发业 应用价值 市场空间：★★★★★ 2024 年全球 IT 支出预计将达到 5.26 万亿美元，全球软件开发人员总数将达到 2870万。市场调查机构 Gartner 2024 年发布报告，2023 年年初企业软件工程师使用 AI 代码助手的比例不到 10%，不过预估到 2028 年将达到 75%。（数据来源：环球网科技） 根据 Boss 直聘的《2023 年中国程序员人才发展报告》，中国程序员数量约为 700 万人，IT 研发人员群体庞大。研发人才意味着庞大的研发支出，比如百度 23 年研发支出约在 270 亿元左右。提升研发效率对于科技巨头降本增效意义巨大。 应用难度 逻辑难度：★★★ 需要满足开发者在多种编程语言、框架和场景下的需求。需