计算机行业深度研究：全球大模型将往何处去？

　　大模型头部格局基本确定，AI Agent 将加速AGI 进程我们认为，海外闭源大模型已经形成OpenAI 为首，Google、Anthropic 等紧随的格局。在头部闭源模型之下，Meta 引领开源模型生态，开源闭源模型差距逐步缩小。为了适配端侧需求，小参数模型也在快速发展。国内看，模型百花齐放，但技术辨识度不高，23 年头部互联网厂商和科技企业进展较快，24 年以来初创公司开始发力长文本、MoE 等领域。展望后续，ScalingLaw+Transformer 仍将长期有效，合成数据或逐渐成为关键数据来源。此外，AI Agent 能够极大提高现有模型的表现，是实现AGI 的重要推力。大模型技术是AI 浪潮的软件“基础设施”，建议持续关注相关进展。
　　多模态+长文本+MoE 已成共识，大模型与小模型路线并驾齐驱头部GPT、Gemini、Claude 模型先后支持了多模态推理；Claude 较早实现了200K 长文本，Gemini 将长文本推到2M tokens；GPT-4、Mistral 展现了MoE 架构的优势，Gemini 也在短期内更改为MoE 架构。共识已经形成，国内大模型厂商均在跟进，Kimi 引领长文本趋势，MiniMax、阶跃星辰较早实践MoE 模型。Mistral、微软、Meta、Google 的小模型性能不断突破，为端侧AI 打下良好基础，成为与大模型并驾齐驱的另一条重要发展路线。
　　Scaling Law 未达边界，算力换智能仍然成立
　　OpenAI 在Scaling Law 论文中，从理论上预测了边界递减的存在。但实际上，OpenAI、Google 和Anthropic 仍在践行大参数等于高智能的路线。清华唐杰教授在24 年2 月北京人工智能产业创新发展大会上指出，ScalingLaw 尽头远未到来，算力换智能继续成立。在参数持续变大的情况下，训练数据的需求量进一步提升，据Epoch 预测，2030 年到2050 年，将耗尽低质量语言数据的库存，未来训练数据的缺乏将可能减缓机器学习模型的规模扩展。因此，合成数据或成为关键。
　　AI Agent 是AGI 的关键范式，具身智能是大模型重要落地场景AI Agent 能够自主、全流程、多步骤的执行任务，大幅延展了大模型的能力范围，被认为是实现AGI 的关键范式。斯坦福大学吴恩达教授在24 年3 月的红杉美国AI 峰会上指出，如果用户围绕GPT-3.5 使用一个Agent 工作流程，其实际表现甚至好于GPT-4。并且AI Agent 的能力能够充分受益于大模型的演进。此外，大模型与机器人具身智能的结合（如OpenAI 与Figure），也有望随着模型能力的迭代快速发展。我们认为，24 年AI Agent 和具身智能将成为新一代大模型的重要落地场景。
　　GPT-5 有望推动全球算力和应用的下一阶段发展我们预期GPT-5：1）MoE 架构将延续，专家参数和数量或变大；2）GPT-5及之后模型的训练数据集质量更高、规模更大；3）在思维链CoT 的基础上，再加一层AI 监督；4）支持更多外部工具调用的端到端模型；5）多种大小不同的参数，不排除推出端侧小模型；6）从普通操作系统到LLM 操作系统；7）端侧AI Agent 将更加实用和智能。我们认为，GPT-5 的发布有望推动全球算力和应用的下一阶段发展，建议关注：海外标的，AI 应用：微软、Adobe等。国内标的，1）AI 服务器：浪潮信息等；2）AI 应用：金山办公、福昕软件、泛微网络等；3）端侧：中科创达、网宿科技。
　　风险提示：宏观经济波动，技术进步不及预期，中美竞争加剧。本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。
【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

   【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。