2023年5月18日，诺安基金研究部总经理邓心怡出席由《财经天下》周刊&市界主办的“2023异想大会”，围绕“AI让金融更具想象力”参与圆桌讨论。
邓心怡曾从事一二级市场投资研究，涉及科技等领域，现任诺安基金研究部总经理，善于通过宏、中、微观全局视野前瞻挖掘市场机会。2023年邓心怡重点关注科技安全、消费和国企改革三条主线，尤其是以半导体为代表的硬科技安全和以信创为代表的软科技安全，以及全球共振的AI产业中，群体加速的创新效应带来的变革和迭代发展。
关于“AI带来的产业更新及未来机会”，以下演讲观点与你分享：
(资料图片)
这次人工智能的科技变革，我想从定位来说重要性不用更多阐述，是全球技术创新的新周期起点，从产业发展的角度，我们觉得这个领域的投资机会可能比2010-2015年移动互联网从元年到应用爆发的重要性更大、兑现速度更快，对全球生产力提升和生产关系的重塑都有巨大的推动力，过程中自然会孕育出下一批影响未来10年的伟大企业。
如果从产业链的角度划分，AI的投资机会可以简单分为三部分：
1、算力：以芯片、光模块、服务器为代表的硬件基础算力；
2、模型：以OPEN AI的GPT4为代表的大模型，和以彭博的BloombergGPT为代表的金融、医疗、教育等专业领域的垂类模型；
3、应用：以微软New Bing为代表的依托于大模型能力，对接客户需求的应用层。
首先，大模型是“大算力+强算法”结合的产物，大模型的发展是人工智能发展的趋势和未来，它是AI带来的生产力和生产关系变化的发动机，各行各业将会发生的变化都是由大模型的嫁接带来的。从刚刚提到的大模型与专用垂类领域小模型的分类来看，二者目前还没有非常清晰的界定，站在当前时点来看，大模型又具备一定的特点，包括以下几点：
（1）参数量（十亿量级）和训练数据量（GB以上）巨大，目前大部分采用transformer模型；
（2）采用预训练模式，首先是在通用数据集上进行训练，而不是直接在特定数据集进行特定任务的训练；
（3）具备迁移学习能力，迁移学习的思想是将从一项任务(例如，图像中的对象识别)中学到的“知识”应用到另一项任务(例如，视频中的行为识别)中，即训练样本很少或者没有的情况下，依旧能做预测，实现已有知识的迁移；
我们很期待能看到国内大模型推出和不断迭代成熟，孕育更丰富的人工智能生态，革新这些大模型公司所在行业的竞争壁垒和商业模式。
其次，从先后顺序来看，训练大模型所需要的算力和数据的需求是比大模型和应用生态的成熟更先发生的。目前，英伟达GPU是AI模型中最常用的算力芯片，英伟达GPU凭借较高的灵活性和成熟的软件生态，成为当前AI模型的主流选择，根据学术论文的统计结果，英伟达显卡使用的频次是FPGA的23倍，TPU的78倍，我们也期待能看到国内GPU芯片在大模型训练领域的自主可控逐步演进。
随着AI算力的需求提升，衍生出专注人工智能加速的AI服务器。在小模型时代，AI模型的训练和推理算力需求相对较小，依赖个人终端就可以实现。随着模型参数的逐渐提升，AI模型开始依赖云端算力，云服务器承载了主要的算力需求。当前，AI算力在数据中心的占比进一步提升，衍生出了更加专业化的AI服务器，AI服务器具有性能优越、擅长并行计算、高带宽、散热能力强等优点，与之匹配的以高性能光模块为代表的通信需求也将进一步提升。
在大模型训练之外，随着应用端生态的不断丰富和大模型参数的提升，我们也一定会看到推理端常规服务器的需求的非线性膨胀。以GPT的演进为代表，原先GPT3.5的时候用户输入的Token上限大概是4000个，而现在GPT4已经可以接受32000个token，大约相当于25000个单词，文本长度被扩大了八倍。与之相对应的，是用户在使用大模型时对算力需求的爆炸。大模型采用的注意力机制的特点，是它会判断输入的请求与已知的信息相关度有多高，把所有相关性叠加，加权之后才能得到最终的输出，在计算过程中，所有的token，都要去判断和整个系列的重要程度到底有多相关，输入长度的增长对推理端算力需求来说是非线性的爆炸膨胀。站在当下时点，实际开放商用的AI应用还不够多，随着AI应用端生态的蓬勃发展，算力需求膨胀是大概率事件，目前还无法判断需求的上限和边际。
算力的需求膨胀，也将有助于带动全球半导体产业的周期复苏。
往后看，算法的发展将对算力提出更高要求，算力发展也将助力算法和模型不断革新。
第三，在应用层，随着技术的快速进步，AI生成内容极大的解放了生产力，多模态（通常包含两个或者两个以上的模态形式，是从多个视角出发对事物进行描述）所对应的广阔的应用场景和潜在的市场价值推动着其商业化道路的快速发展。
垂直领域不断有产品在快速推出落地，国内外都陆续在代码生成、文本生成、图像生成、音视频和游戏等领域出现了潜在现象级产品，这几天大家听到的AI孙燕姿应该就是距离大家最近的音频生成产品。我们非常关注在办公、教育、医疗等领域落地的应用产品，相信这些会是最早能看到toC和toB端使用的领域。
最后，对人工智能后续的发展除了算力、模型和应用三条主线之外，我们还有三个关注的方向：
一是人工智能将从意识走向实体。人工智能这一次的变革使AI不再像之前AlphaGo一样在不同领域与人类竞争，而是在不同领域与人类协作。这种协作目前还主要存在于意识层面，下一个突破会从纯虚拟存在转到帮助人在物理世界、生物世界和信息世界里更高效观察、形成新知识并完成任务、创造更高价值场景。未来合作将从意识走向实体，具人形、具实体的机器人和新型智能终端将随着大模型的成熟而逐一落地。
二是安全性问题。这个方向可能也不用再做更多的解释。
三是人类还在学习研究的大模型的“可解释性”与生命科学的结合。“可解释性”研究的目的是解释模型的各类回答是“如何做到的”，也许通过对大模型“可解释性”的研究，不仅能更好地解决对模型回答的信任问题，加快模型迭代，更可能让我们距离解释真实人类生命科学的奥秘更近一些。记得不久之前张亚勤院士和朱民老师对谈的时候，让我记忆最深的描述之一是对语言的定义，数学是描述物理学的语言，也许Alpha Fold就是描述生物学蛋白质的语言。
众所周知，诺安基金投研的鲜明特色就是“科技投资”。基于科技投资领域的深厚积累和对于科技板块未来投资的信心，诺安基金在2020年，就组建了“诺安科技组”，并着力打造“科技超市”，为投资者提供投资科技板块“一站式投资选择”。目前已布局六只产品，分别聚焦软硬科技的细分领域进行前瞻布局，包括半导体、计算机、数字经济、通信、军工、人工智能等，我们希望通过深度的产业研究帮助投资者分享科技的发展红利。
风险提示：市场有风险，投资须谨慎。本观点仅代表当时观点，今后可能发生改变，仅供参考，不构成投资建议或保证，亦不作为任何法律文件。投资者投资于本公司管理的基金时，应认真阅读《基金合同》、《托管协议》、《招募说明书》、《风险说明书》、基金产品资料概要等文件及相关公告，如实填写或更新个人信息并核对自身的风险承受能力，选择与自己风险识别能力和风险承受能力相匹配的基金产品。投资者需要了解基金投资存在可能导致本金亏损的情形。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益。基金管理人管理的其他基金的业绩不代表本基金业绩表现。基金的过往业绩及其净值高低并不预示其未来业绩表现。基金管理人提醒投资者基金投资的“买者自负”原则，在做出投资决策后，基金运营状况与基金净值变化引致的投资风险，由投资者自行负担。我国基金运作时间较短，不能反映股市发展的所有阶段。
本文来源：财经报道网
