焦點快播：AI契約論④：AIGC產業鏈發展車馳船快，風險暗礁“涌現”

21世紀經濟報道 記者郭美婷 蔡姝越 實習生胡暄悅 麥子浩 廣州、上海報道

(資料圖片)

編者按：

在2023年過去的幾個月里，各大公司搶灘大模型、GPT商用化探索、算力基礎設施看漲……如同15世紀開啟的大航海時代，人類交往、貿易、財富有了爆炸性增長，空間革命席卷全球。變革同時，也帶來了秩序的挑戰，數據泄露、個人隱私風險、著作權侵權、虛假信息......此外，AI帶來的后人類主義危機已然擺在桌面，人們該以何種姿態迎接人機混雜帶來的迷思？

此刻，尋求AI治理的共識、重塑新秩序成了各國共同面對的課題。南財合規科技研究院將推出AI契約論系列報道，從中外監管模式、主體責任分配、語料庫數據合規、AI倫理、產業發展等維度，進行剖析，以期為AI治理方案提供一些思路，保障負責任的創新。

在AIGC高速成長的浪潮下，其關聯產業鏈上的各環節均在醞釀著一場技術“質變”。

“賣鏟人”英偉達近期成了這波技術浪潮下的最大贏家之一。由于其主營產品GPU（圖形處理器）在生成式AI應用中提供不可或缺的底層硬件動力，英偉達在近日交出的一季報中預測，其在2024財年Q2的銷售額或將達到110億美元。年初至今，這家美國公司股價漲幅已猛增166%，市值逼近萬億。

“這一切的引爆點皆是生成式AI技術。”英偉達CEO黃仁勛在接受媒體采訪時表示。他同時指出，目前，CPU（中央處理器）的發展速度已經放緩，加速計算（Accelerated Computing）成為了未來探索的大方向。

“緊接著，殺手級應用出現了。”黃仁勛說。

回過頭來看，今年以來，各路AI大模型紛紛涌現，搭載大模型的ChatGPT、Bard、New Bing、文心一言、通義千問等生成式AI應用亦層出不窮。

雖然這些應用是否已成為“Killer App”還有待商榷，但不可否認的是，ChatGPT在推出僅兩月后便交出了日活突破1億的成績單，足以證明AIGC應用的商業價值和發展前景已被市場認可。

不過，盡管生成式AI技術以革新產業的面貌席卷了科技界，催化了生產流程升級轉型，行業也在密切關注，在這項技術“野蠻生長”的背后，它的產業鏈具體是由哪些環節構成？在各層級產業鏈深入探索這項技術的過程中，可能會遇上哪些“暗礁”？

產業鏈圖譜：數據-算力-模型-應用

嚴格來說，業內熱議的AI大模型實際上分為兩類：決策式AI和生成式AI。

決策式AI主要應用于推薦系統和風控系統的輔助決策、用于自動駕駛和機器人的決策智能體，生成式AI則通過學習歸納已有數據后生成全新的內容，也能解決判別問題。而掀起這輪AI技術浪潮的正是后者。

“AIGC”又稱“生成式AI”（Generative AI）AIGC(AI-Generated Content)即人工智能自動生成內容，被認為是繼專業生產內容(PGC)、用戶生產內容(UGC)之后的新型內容創作方式。其萌芽可以追溯到上世紀50年代。

彼時，人們開始探索如何利用人工智能技術來生成各種類型的內容，但受制于所在時代的科技水平，AIGC的應用始終停留在實驗室中。

2006年，深度學習算法取得巨大突破。接下來人工智能技術的持續進步，AIGC逐漸被應用于電影、游戲、音樂等多個領域，并在2021年底ChatGPT的嶄露頭角而進入大規模爆發時代。

發展至今， AIGC產業鏈已經逐漸成形。業內普遍將其分為四層架構：數據層、算力層、算法/模型層、商業化應用層。

（AIGC產業鏈圖譜。制圖/南財合規科技研究院、21世紀經濟報道記者）

數據層包括數據提供、數據分析以及標注等環節。AIGC的誕生需要海量的數據資源，公開資料顯示，ChatGPT基于8000億個單詞的語料庫（或45TB的文本數據），包含了1750億個參數。8000億是ChatGPT的訓練數據，1750億是它從這些訓練數據中所學習、沉淀下來的內容。

算力層指AI訓練的基礎設施，包括數據中心、服務器，以及高性能的AI芯片。據華泰證券測算，訓練一次ChatGPT模型（13億參數）需要的算力約27.5PFlop/s-day，即以1萬億次每秒的速度進行計算，需要耗時27.5天；而ChatGPT單月運營需要算力約4874.4PFlop/s-day。

算法/模型層主要包括自然語言處理（NLP）、計算機視覺（CV）、音視頻、多模態等各種大模型和算法。當前，國內正在上演“百模大戰”，百度、阿里巴巴、騰訊等大廠紛紛在大模型領域持續發力。

商業化應用層則涵蓋文本、音頻、圖片、影片的生成等，目前更多地與互聯網行業結合，未來或將進一步賦能傳統行業的數字化轉型。

人工智能公司亮風臺高級產品總監魏超群告訴21世紀經濟報道記者，若將AIGC整體產業鏈架構比作一家工廠，那么生產的原材料就是大數據，算力充當著日夜運轉的機器，算法或模型是忙忙碌碌的工人，最終生產出來的產品是AIGC在各場景下的應用。

“這幾個層次相互制約、相互促進?！?/strong>魏超群提到，從發展歷程來看，最初制約AI發展的是算力上的不足，在算力獲得突破后，模型才得以繼續訓練。后來，算法又成為了瓶頸，而數據是破題良方。隨著喂養數據量的提高，算法的性能也隨之提升。

因此，AIGC的火熱出圈，也為其背后的產業鏈打開了一片市場。據東吳證券預計，AIGC在內容生成中的滲透率將快速提升，應用規模快速擴增，預計2030年AIGC市場規模將超過萬億元人民幣。

新的機遇已然出現?！半m然目前產業鏈的部分賽道已經形成了贏者通吃的局面，如CPU和GPU的行業龍頭已經出現。在大模型層面，各家的優劣還無法做出比較，估計未來也很難形成贏者通吃的局面，因為谷歌發展多年的AI，結果最后被微軟超過了。所以目前市場的局面還不太明朗?！蔽撼罕硎?。

除了目前仍處于風口浪尖的AI大模型的開發外，亮風臺預判，算力基礎設施企業跟隨著AI行業發展，能夠保持一定增長，但不會為非常熱門的投資方向，其盈利能力也較為有限。但AI大模型的提升亟需更加精準的數據，從事數據清洗、轉換、分類等的企業也可能成為下一個風口。

發展危機：大模型和數據風險

AIGC產業欣欣向榮的背后，存在潛藏的風險。

單從技術上看，天使投資人、知名互聯網專家郭濤認為，我國硬件基礎設施發展迅速，政策支持和資金扶持力度都較大，但技術發展相對歐美仍有一定落后。當然，在某些垂直領域，如人臉識別等大規模應用場景和生態支撐相關的技術，我國又是超前的。同時，我國的應用落地速度也更快，AIGC的技術在客服、數字人、制造、設計等領域已經有一定規模的應用。

另外，AI大模型和大數據處理分別作為當下和未來下一個行業風口，同時也是最容易帶來安全和倫理風險的環節。

多位受訪專家提到了數據層的數據安全和隱私保護問題。而訓練數據的不合規，也往往將進一步引發后續模型及其所生成內容的倫理風險。

北京大成律師事務所高級合伙人肖颯認為，當前數據層根據AI在訓練、測試、生成等階段受到監管規定的不同，而存在不同的風險和義務。數據收集時，存在侵犯個人信息或他人數據權益的風險；在數據處理階段，存在使用、泄漏商業秘密之風險；在數據跨境階段，存在數據跨境流通違法的風險。

北京理工大學法學院助理教授裴軼則向21記者指出，與互聯網平臺中的“推薦算法”不同，生成式算法可以從頭開始生成全新的數據，而不僅僅是基于已有數據的推薦或預測，通常需要大量的訓練數據來學習數據的分布。

這種特性給AIGC產業鏈上的企業及消費者均帶來了不確定性。對于利用AI大模型生成內容的消費者而言，由于AIGC生成的內容可能缺乏人工審核和驗證，存在信息準確性和可信度的問題，可能對消費者造成誤導和損害；同時，在AIGC應用中，消費者的個人信息可能被用于生成個性化內容。這可能涉及到個人隱私和數據安全的風險，例如未經授權的數據收集、濫用個人信息等；此外，AIGC算法的訓練數據和算法本身可能存在偏見，導致生成的內容偏向特定人群或產生歧視性結果。這可能對用戶的體驗、公平性和社會平等性產生負面影響。

面向企業，裴軼表示，企業在使用AIGC技術時，需要確保遵守適用的法律法規，尤其是涉及用戶數據和隱私保護的規定；此外，企業應對使用AIGC技術所產生的內容質量和準確性承擔責任，如果生成的內容存在錯誤、冒犯性言論或不當信息，可能損害企業的形象和聲譽；版權和知識產權同樣值得關注，使用AIGC技術生成的內容可能涉及他人的版權和知識產權；最后，還要關注AIGC技術應用過程中可能存在的人工智能失控的風險，如果算法出現錯誤、意外的結果或者被濫用，可能導致不可預見的后果和潛在的法律責任。

（AIGC各產業鏈環節中可能存在的風險。制圖/南財合規科技研究院、21世紀經濟報道記者）

統籌：王俊

記者：郭美婷 蔡姝越 胡暄悅 麥子浩

制圖：蔡姝越