人工智能：史上最伟大的科技革命

AI大模型推动计算机历史三次最大浪潮实现“三山叠峦”。与以往科技产业浪潮最大不同在于，此次AI浪潮不是终端硬件变革开启，而是软件先行定义一切，催生算力硬件需求和后续各类物联网终端变革，而且起步就是最大想象空间的市场：大模型将计算机行业历史上最大想象空间的互联网最高流量入口、公有云最大市场、新时代的操作系统合三为一。

ChatGPT所代表的大模型意义不亚于电力革命中的交流电与信息革命中操作系统的诞生。基于对过去150年的电气时代和信息时代更替的回顾，AI引领的智能革命不亚于电力革命与信息革命对人类发展的意义。以电气时代和信息时代为参考：AI时代以ChatGPT为代表的大模型AI的成熟如同交流电发电站和电脑硬件成熟一样，拥有需求爆发的基础；而ChatGPT+Plugin的开发模式重要性如同电气时代的交流电和信息时代的操作系统，完善生态平台；空前的AI时代应用需求爆发已经到达奇点。

计算机超级行情的基础：AI引爆需求同时空前提升人效。AI时代将彻底重塑计算机行业与各行业的关系，计算机行业从市场空间占比极低的信息化工具跃升成为创造行业价值的主体。在AI时代MaaS将成为应用开发主要模式，使用自然语言为主的编程方式有望让每个人都成为开发者，结合MaaS保障海量应用开发需求顺利落地，DevOps有望在软件公司全面渗透，进而促进行业整体降本增效。与此同时研发等成本是计算机行业主要的成本项，AI有望明显提升编程等工作效率，降低人均成本，进而有望带来计算机行业人效的明显提升，这是计算机超级行情最重要的逻辑基础。

投资建议：AI行情现阶段更类似2010-2012的新一代基础设施平台普及的早期，最大不同在于这次不是终端硬件变革开启，而是大模型作为基础设施软件先行定义一切，催生算力硬件需求和后续各类终端变革，ChatGPT所代表的大模型意义不亚于电力革命中的交流电与信息革命中操作系统的诞生。AI时代计算机行业从市场空间占比极低的信息化工具跃升成为创造行业价值的主体，而与此同时人效却空前提升，这是计算机超级行情最重要的逻辑基础，我们持续建议重点关注寒武纪、三六零、同花顺、金山办公、科大讯飞、中科创达、海康威视、莹石网络、大华股份、千方科技、四维图新等AI核心龙头企业。

风险提示：行业竞争加剧的风险；技术路线变革具有不确定性；客户开支能力波动风险

此次AI浪潮与以往科技产业浪潮最大不同在于，这次不是终端硬件变革开启，而是软件先行定义一切，催生算力硬件需求和后续各类物联网终端变革，而且起步就是最大想象空间的市场：大模型将计算机行业历史上最大想象空间的互联网最高流量入口、公有云最大市场、新时代的操作系统合三为一。具体表现为：大模型成为知识与舆情输入与输出的战略制高点，其战略地位将远高于互联网时代的搜索引擎；云计算由SaaS走向MaaS，底层算力和上层AI开发平台边际成本递减明显，MaaS将成为公有云最重要的市场；自然语言交互平台将成为统一万物的新时代操作系统。

AI大模型将撬动超6万亿美元的三大巨头，带动国内超10万亿元AI产业。以三个最大空间的龙头公司为例，互联网最高流量入口谷歌巅峰市值2.0万亿美元，公有云最大市场亚马逊巅峰市值1.9万亿美元，新时代操作系统微软巅峰市值2.6亿万美元，AI大模型将首次使得三大龙头合一。据《新一代人工智能发展规划》，我国2030年有望实现人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。

市场对大模型的认知经历了“逢模必炒”到“百模大战”觉得不再稀缺两个极端。随着AI大潮的开启，多家大型科技企业、A股上市公司及创业公司都开始发布AI模型。

实际上大模型终局类似“太极拳”，易学难精，最终拥有持续的数据场景资源、能够迭代到接近ChatGPT水平的企业凤毛麟角，从终局会集中在少数几个公司的格局确定性与空前弹性空间来看，大模型仍然是AI最具投资价值的方向之一。

基于对过去150年的电气时代和信息时代更替的回顾，AI引领的智能革命不亚于电力革命与信息革命对人类发展的意义。以电气时代和信息时代为参考：AI时代以ChatGPT为代表的大模型AI的成熟如同交流电发电站和电脑硬件成熟一样，拥有需求爆发的基础；而ChatGPT+Plugin的开发模式重要性如同电气时代的交流电和信息时代的操作系统，完善生态平台；空前的AI时代应用需求爆发已经到达奇点。

2.1 电气时代：技术奇点突破推动电力赋能千行百业

2.1.1 电力产业技术奇点突破，推动电力行业需求端迎来飞跃式发展

人类对电力的探索和使用经历了一个很长时间的过程，技术奇点突破真正推动了电力的普及和大发展。公元前500年，古希腊哲学家泰勒斯通过在琥珀上摩擦皮毛，发现了静电。1745年,荷兰莱顿大学教授布罗克制作了莱顿瓶，将电荷储存起来，供电学实验使用，但人类至此尚未经历真正的大规模用电时代。本杰明.富兰克林风筝实验证明了雷雨天的电就是一种自然的放电现象，随之而来的电学研究，诸如：电池、电荷、导体、避雷针等逐渐融入人们的日常生活中。但在这个阶段，零散的电力终究难以在人类社会中发挥最大的价值，技术奇点突破则真正推动了电力的普及和大发展。

技术奇点突破之一：发电站的建立，改变零散电力无法集中使用的局面，推动社会资源建立起真正意义上可供现代工业社会使用的电力系统。1882年9月，爱迪生在曼哈顿下城的珍珠街建立了第一个中央水力发电站，通过使用通用电气公司发明的直流输电系统，成功的为威斯康星州阿普尔顿的一所普通家庭供电，这也促使直流输电系统成为当时美国的标准电力传输形式。

技术奇点突破之二：交流电的普及应用，真正解决了电的长距离传输问题，进而使电力大规模普及，仅用约30年时间，到1913年,全世界的年发电量达 500亿千瓦时。随后的约百年时间里，全球发电量增长超过500倍，电器开始走到生产生活的每一个角落。特斯拉在1887年发明了交流电动机，这项技术使得交流电得以广泛应用。这项技术的发明使得交流电可以用来驱动电力工具和机器，而不仅仅是用于电力传输。特斯拉的交流电技术被广泛应用于现代电力系统，从发电厂到家庭用电，都离不开这项技术。与直流电相比，交流电可以更好地传输长距离的电力，并且更容易通过变压器进行转换。这些优点使得交流电成为了现代电力系统的基础，电力可以从发电厂传输到家庭和企业，改变了人类社会的生产和生活方式。到1913年,全世界的年发电量达 500亿千瓦时,电力工业已作为一个独立的工业部门,进入人类的生产活动领域。2021年全世界发电量达到28.47万亿千万时，1913年到2021年的约108年的时间内，全球发电量增长了超过500倍。电器开始用于代替机器，成为补充和取代以蒸汽机为动力的新能源。随后，电灯、电车、电影放映机相继问世，电器走进了人类生活的每一个角落，人类进入了“电气时代”。

进入20世纪，电力不仅自身需求快速增长，而且成为了经济发展的重要支柱，是经济发展的“晴雨表”，其对经济发展的影响是重大而深远的。考察1979-2022年国内发电量增速与GDP增速变化，我们发现在大多数年份，发电量的增长都和经济增长趋势相一致。因此，突破技术奇点后，电力自身的需求不仅快速持续增长，而且已经和经济发展深度融合，成为经济发展的支柱和“晴雨表”。

2.1.2 类比电力发展，AI到达技术奇点后也将迎来需求的大爆发

我们认为，AI的发展在一定程度上可以和电力产业发展的历史相类比：

1）技术奇点突破，电力需求大幅度且持续提升，1913年以来的百年间全球发电量增长超500倍。人类对电力的探索时间很长，但一直处于零星探索和使用的状态，直到19世纪80年代技术奇点突破后才迎来真正的变革机遇：一是变分散为集中，发电站的建立使得社会真正集中使用电力，赋能工业社会；二是解决了应用范围小的问题：交流电更好地传输长距离的电力，进而让电进一步的普及到人类社会的每一个角落。约30年后，1913年全世界年发电量就达到了500亿千瓦时，整个产业不仅实现了需求重大突破而且后续快速发展。2021年全世界发电量达到28.47万亿千万时，1913年到2021年的约108年的时间内，全球发电量增长了超过500倍。

2）对标之下，AI技术奇点突破后，对软件的重构将开启巨大的需求空间。人类对AI的探索期也很长，视觉技术促使AI第一次在人类生活中的普及，即AI赋能硬件，比如图像识别、人脸识别基础上的视频监控等应用。我们认为以ChatGPT为代表的技术实现了AI的又一次飞跃，在AI赋能硬件的基础上，有望对软件带来彻底重构，进而激发需求端的重要潜力：

第一，对标交流电，电力突破技术奇点后开始赋能千行百业，相比之下AI重构软件带来应用的普及和深化，进而创造更大空间。交流电的普及让电力走到了人类社会的每一个角落，AI技术奇点突破后对软件重构之后也必将推动软件应用的极大深化，软件使用频次将更高，辐射范围也将更广，进而开启更大的需求空间。

第二，对标发电站的建立，发电站实际上是集中资源对各个行业进行赋能；AI重构软件实际上加深了对产业的赋能，进而“产业+AI”也有望开启更大的需求空间。发电站的建立推动社会资源建立起真正意义上可供现代工业社会使用的电力系统，让人们可以用电力赋能产业的发展。AI技术奇点突破后重构软件，实际上赋予了软件更多的跨越性的功能，进而加深对产业的赋能力量，进而“产业+AI”也有望开启更大的需求空间，创造更多的需求。

第三，对标电力对经济活动的影响，AI有望对经济发展产生长期而深刻的影响。对标电力对经济活动的深刻影响，我们认为电力作为一种基础设施，已经是经济发展的支柱和“晴雨表”；对于AI，其作为一种重要的生产力，在赋能硬件、重构软件的基础上，在长期发展中不仅将提升自身需求、赋能多个行业，而且也有望对经济发展产生深刻而巨大的影响。

2.2 信息时代：操作系统带动海量应用需求

2.2.1操作系统提供应用开发和使用条件，推动应用需求

信息时代的开端来自于摩尔定律的出现，而信息时代增长的拐点来自安迪比尔定律的出现，两者双轮驱动带来了60年的信息时代发展浪潮。摩尔定律于1965年由英特尔创始人之一摩尔提出，简单来说是集成电路每隔18-24个月性能将提升一倍，这奠定了60年来全球集成电路的发展趋势。安迪比尔定律是1990年英特尔CEO安迪与微软CEO比尔盖茨一起提出，简单来说就是软件的发展总能够尽快耗尽硬件性能，逼迫硬件性能进一步提升。1995年，windows操作系统的发布是两大定律的重要结合点，进而开启双轮驱动全球科技发展的格局。

操作系统核心功能是用来管理越来越复杂的硬件，操作系统简化计算机使用为软件发展打下基础，进而推动1990年至今的互联网浪潮。第一部计算机由于构造简单并没有操作系统，后续随着晶体管、硬盘、CPU、存储器、显示器、键盘、喇叭等众多电子元器件加入，计算机硬件设备变得越来越复杂，使用DOS等复杂操作系统学习难度较大，简化的操作系统需求迫切，没有简化操作系统就很难开发出用户可以正常使用的应用。1993年微软Windows NT面世将图形化操作正式带向全世界（之前是编程为主的DOS），图形化操作系统使得电脑使用门槛降低，带来了互联网应用的全面爆发，进而推动互联网全面普及。

操作系统带动软硬件上下游产业链共进，共同拓宽应用边界。以信息时代最具代表的Wintel联盟为例，据亿欧分析，在硬件上，Wintel通过捆绑销售，牢牢把握住对产业下游生产商的控制权；而Intel作为芯片IDM厂商，占据市场话语权。在软件上，微软在专业级应用软件及游戏方面推出不同层次的产品来与Adobe、SAP、Oracle、SAS竞争，如Dynamic、SQL Server、Skype等；在开发者生态上，由于Windows平台渗透率高，因此凝聚了大批的开发者，开发出各类应用软件。

操作系统带来编译器工具链（或IDE），催化各类应用爆发，带动互联网用户使用人数不断提升。操作系统编译工具链，包括预处理器、编译器、汇编器、链接器，所有的软件要想从源码变成二进制程序都需要它们来处理。凭借以Windows编译工具链为代表的集成开发环境（IDE）日渐成熟，互联网应用1990年代起快速爆发，互联网用户人数也快速提升至当前的40亿人。

2.2.2类比信息时代，AI已经走向应用海量爆发的拐点

我们认为，当前的AI如同1990年代的操作系统：操作系统协调复杂硬件为软件开发做基础，当前的AI已经初步拥有AGI（通用AI）的雏形是协调全球硬件、软件、数据等构建强大基础平台，拥有成熟的软硬件产业链可以协同发展，并且同时Plugin插件将成为AI时代的编程工具链，海量应用需求爆发拐点已现。

当前AI已经拥有AGI的雏形，“管理全球“的操作系统即将诞生。微软于2023年3月发表论文《Sparks of Artificial General Intelligence:Early experiments with GPT-4》认为GPT4可以解决跨越数学、编码、视觉、医学、法律、心理学等的新颖而困难的任务，而无需任何特殊提示，微软最后的结论是GPT4已经可以作为AGI的雏形。同时，OpenAI创始人奥特曼2023年3月曾提出“万物摩尔定律”，即AI智能性每18个月翻一番，我们认为随着AI智能性不断增强，AGI的研发终将取得成功。在多模态AGI的平台下，AI不止可以管理数据、网络，还可以操控机器人等硬件，有望成为“管理全球”的操作系统。

AI软硬件产业链齐头并进，海外已有成熟云-边-端+AI的产业蓝本。据火石创造，AI产业链分为1）基础层：是人工智能产业的基础，通过海量数据形成人工智能产业数据获取（传感器）、数据存储（云计算）、数据处理（芯片及云技术）能力；2）感知层：是人工智能产业的中间层，通过机器感知及算法实现基础数据与前端应用的紧密关联；3）应用层：是人工智能技术在各产业的应用，是人工智能产业对其他产业的深度改造及赋能。在英伟达GTC2023发布会中，英伟达展示与微软、AWS等公司在云（DGX Cloud）-边（算力中心）-端（各类AI芯片）和AI应用（如Picasso）深度合作的产业链蓝本。

“ChatGPT+Plugin”模式定义AI时代的应用开发方式，AI应用井喷拐点已现。通过多插件的相互协同构建私人定制的人工智能管家将是OpenAI的野望。通过ChatGPT 释放出的第一批第三方插件中，基本全方位覆盖衣食住行、情感交互、工作以及学习等日常所需。而相关插件的能力将通过ChatGPT Plugins的三大基础套件：Browsing（联网插件）、Code Interpreter（代码编程器）以及Retrieval（知识检索插件）。实现在统一平台上相互协调，从而形成应用程序协同执行广泛场景的各类任务。

2.3 AI时代：应用开发需求将达到空前水平

2.3.1 AI兼具普惠性和易用性，MaaS催化应用开发需求

当前AI产品超过人类智能水平同时，还拥有极低的边际使用成本，AI首次被赋予普惠性，拥有全面赋能千行百业的硬性基础。据SEQUOIA测算，在 2015 年至 2022 年期间，用于训练这些模型的计算增加了6个数量级，其结果在手写、语音和图像识别、阅读理解和语言理解等方面首次超过人类表现基准。与强劲的AI形成鲜明对比的是极低的边际使用成本，以OpenAI产品定价为例，GPT-3.5-turbo的费用仅为0.002美分/tokens，同时支持一次性20美元包月无限使用，可以极大程度降低边际使用成本。我们认为，当前AI费用门槛的大幅下降结合大模型AI的性能优势，为AI被集成到更多的应用当中打下良好基础。

微软Copilot发布是AI领域的“iPhone”时刻，AI应用开发边界得到扩展。微软从GPT到GPT3.5的技术革新，到GPT3.5turbo的成本降低，到Wishper API发布，再到现在全面绑定，凸显自身从编程成本降低到最后全面内置于Office365全家桶发布AI标杆级应用Copilot，微软仅仅用了不到半年的时间即打破数十年生产力的输出方式，Copilot的面世不仅仅只是功能的增加，其内核在于生产力的全新跃迁。Copilot的发布使开发者意识到AI已经是正在实际发生的、正带来各行各业生产力质变的近期最大科技革命。据SEQUOIA，当前各类大模型AI井喷，AI已经走入各个行业的不同场景，并有望伴随大模型优化持续升级。

2023年3月23日OpenAI发表论文，美国80%以上的岗位都可以被AI赋能，这一趋势有望在全球范围内推进。OpenAI于2023年3月24日发表论文《An Early Look at the Labor Market Impact》，美国80%以上的工作都有望与AI结合，若将同一工作AI工作时间相比人类工作时间降低50%定义为有替代可能，则8%人类有可能会被替代、16%的人类在工作中有至少50%的任务会被替代。我们认为，AI赋能千行百业已经趋势已经确立，未来各行业将带来更多AI应用部署需求，以提升公司竞争力。

AI时代MaaS将成为应用开发主要模式。AI时代，C端和SMB端客户没有能力开发自己的大模型，这时需要使用MaaS模式在已经预训练模型的基础上进行应用开发。据AIIA中国，MaaS预训练基线智能水平大幅提升，平台多样化、规模化，大家在云上可以找到自己所需的模型，各个大、中、小型B端客户和C端客户都有望通过自己的独特数据在云端进行定制化训练，带来海量应用需求。

使用自然语言为主的编程方式有望让每个人都成为开发者，结合MaaS保障海量应用开发需求顺利落地。以ChatGPT的代码编程器为例，ChatGPT打破编程沟壑，仅通过文字描述即可实现各种功能：1）让ChatGPT编辑视频——只要给出一个指令，ChatGPT就会对上传视频文件进行处理，具备剪辑、添加等功能；2）在ChatGPT内部的大量开发工作，并无需脱离用户界面，实现直接从其他系统中调用所需代码进行开发工作。在低编程难度的背景下，借助MaaS带来的打破AI训练壁垒以及越来越先进的模型自训练能力，AI有望重现全民互联网一样的普及度，保障海量应用开发需求顺利落地。

2.3.2 AI时代已经拉开序幕，“AI+”正全面渗透

以海外AI应用开发龙头C3.AI为例，各行业AI应用相关需求高景气。据C3.AI官网，公司认为2022Q4（对应FY2023Q3）开始的AI浪潮是过去三年未有的巨大变化，AI相关的解决方案、应用开发需求在各行各业间快速涌现，公司重建并大幅扩展了业务伙伴生态，与谷歌云、AWS、微软Azure等236家公司建立AI领域的深度合作，这驱使着公司收入在连续两个季度负增长后重回8%。我们认为，以AI发展更快的美国市场为前瞻，AI应用爆发有望带动相关计算机公司收入增长。

国内政策持续推动AI技术赋能各行各业。目前国内非常重视解决AI重大应用和产业化问题，着力打造人工智能重大场景，形成可复制推广的标杆应用。随着我国在数据、算力、算法及模型的基础层资源与研究积累日益丰富，使得AI技术不仅可以提高生产效率和质量，还可以为各行业提供更智能化的解决方案，为开展下游人工智能场景创新应用打下了坚实基础。2022年，我国陆续出台一系列指导意见及通知，持续加强对人工智能场景创新工作的统筹指导，规范与加强人工智能应用建设，实现AI与实体产业经济的深度融。

2023年为国内AI市场增长拐点，未来五年进入复合增速26%的高增阶段。据艾瑞咨询，若定义我国人工智能产业为AI应用软件、硬件及服务三部分，则2022年中国人工智能产业规模达1958亿元，目前中国大型企业基本都已在持续规划投入实施人工智能项目，未来随着中小型企业的普遍尝试和大型企业的稳健部署，在AI成为数字经济时代核心生产力的背景下，AI芯片、自动驾驶及车联网视觉解决方案、智能机器人、智能制造、决策智能应用等细分领域增长强劲。2027年人工智能产业整体规模可达6122亿元，2022-2027年的相关CAGR为25.6%。

据艾瑞咨询的数据显示，AI视觉作为近两年AI产业最重要的细分赛道，2022年市场规模达到830亿元，预计2027年市场规模达到1644亿元，2022-2027年的复合增长率为14.6%；同时伴随着新型的自然语言处理工具ChatGTP的应用场景不断的被市场挖掘，也带动了自然语言处理产业规模不断扩大，预计2027年市场规模达到219亿，2022-2027年的复合增长率为20.1%。与此同时，智能语音、人机交互、机器学习等细分领域也保持快速增长。

“AI+制造业”：智能制造是制造业价值链各个环节的智能化，融合了AI技术、信息与通信技术、工业自动化技术、现代企业管理以及先进制造技术五大领域技术的全新制造模式。具有自感知、自决策、自执行、自适应、自学习等特征，旨在提高制造业质量、效率效益和柔性的先进生产方式。近些年，我国智能制造发展呈现良好态势，供给能力不断提升，智能制造装备市场满足率超过50%，主营业务收入超10亿元的系统解决方案供应商达40余家。同时随着数字孪生、建模与仿真等关键技术的不断强化，在试点示范项目上的应用成效提升明显，试点示范项目生产效率平均提高45%、产品研制周期平均缩短35%、产品不良品率平均降低35%。

“AI+交通”：智慧交通融入了人工智能、物联网、云计算、大数据、移动互联等技术，旨在构建起一种在大范围、全方位发挥作用的高效、安全、环保、舒适、文明的运输和管理系统，实现交通的系统性、实时性、信息交流的交互性，提高道路使用效率，短途运输效率以及道路通行能力，大幅降低汽车能耗，使交通堵塞减少。智慧交通系统按照技术层级可分为感知层、通讯信层、平台层和应用层，AI在智慧交通中通常用于车辆控制、事故预测以及交通控制等方面。据中国智能交通协会公布的数据显示，2022年，我国智慧交通市场规模达到2133 亿元，预计2026 年有望突破4000 亿元，年均复合增长率在16%左右。

“AI+电力”：人工智能赋能新型电力系统下新能源发电、变电、调度、配网、安监、营销、基建以及企业经营管理等领域业务智能化应用，将有效推进新型数字基础设施建设，助力新型电力系统智能化发展。基于云平台、深度学习框架以及图像识别、语音识别、自然语言处理等AI技术能力为电力企业提供专业化模型训练和智能化分析以及诊断服务，包括1）提供精准的能源需求预测，帮助企业制定更加科学合理的能源调度方案，避免因能源短缺或过剩而造成的浪费和损失；2）对电力系统进行实时监测和优化，提高电力系统的稳定性和安全性，降低事故风险；3）提高电力设备的维护效率和准确性，降低设备故障率，从而降低维护成本和提高设备使用寿命。

“AI+医疗”：智慧医疗指应用信息技术及人工智能算法辅助医疗预防、检验、分析、诊疗、愈后康复、保健全过程的技术应用，主要应用方向包括1）智慧医院管理；2）智慧诊断；3）辅助诊断三个方面。在智慧医院管理方面，医院不仅可以利用AI机器人为患者提供全生命周期、精准化的智慧医疗健康服务，比如帮助患者导航、提供病情咨询等，同时AI技术还可以自动优化医生、护士的排班安排，提高医院的工作效率。在智慧诊断方面，AI技术可以通过医疗影像分析、自然语言处理等技术手段，帮助医生自动识别和判断疾病，提高医疗诊断的准确性和速度。在辅助诊断方面，医院可以通过AI技术对患者的康复情况进行监测和评估，为医生提供康复建议和治疗方案，同时还可以通过人工智能机器人、语音识别等技术手段，为医生提供手术辅助和技术支持，提高手术效率和准确性。

“AI+教育”：智慧教育是以人工智能、大数据、物联网等新兴技术为基础，依托各类智能设备及网络所实现的一种智能技术与教育深度融合的新型教育样态，通过人机交互、数据共享、知识互联、云计算等关键技术满足学生智慧化、个性化、精准化学习需求。目前常见的AI应用场景包括：1）可以通过自然语言处理、机器学习等AI技术手段，自动评估学生的作业、考试等学习成果，以及实时分析学生学习过程，帮助学生及时纠正错误，提高评估的准确性和效率。2）可以通过语音识别、人脸识别、智能机器人等AI技术手段，为教师提供智能辅助和技术支持，比如自动记录教师上课内容，帮助教师进行教学回顾和总结等，提高教学效率和质量。3）可以通过数据分析、预测分析等AI技术手段，分析学生学习情况和教学质量数据，帮助管理者制定更加科学的教育管理策略。

“AI+矿山”：智慧矿山是将云计算、大数据、人工智能、虚拟现实等技术与矿山生产自动化装备等进行底层融合，构建出设备感知层、数据中心层、智慧决策层、业务应用层以及展示交互层的五层智慧矿山业务架构，将矿山的开拓、采掘、运输、分选、安全、环保等生产活动进行最优化的协同管控，统筹实现矿山开采在生产效率、经济效益和安全环保水平的最优化提升。同时数字孪生技术是智慧矿山的重要组成部分，通过将矿山的物理实体实时映射到虚拟模型，便于工程师对矿山状况进行精确测量和精准控制，以及在多维复杂约束条件下对采矿生产活动进行模拟推演，这将进一步提高矿山生产组织效率以及安全管控水平，推进矿山生产的少人化和无人化。

“AI+视频会议”：从具体场景来说，视频会议中天然存在多个环节，可以通过AI技术赋能，例如会议纪要的快速生成，会议要点提醒、会议实时记录与反馈、会议进行中与外部的连接等。

微软：Copilot成为视频会议“管家”。根据微软的Microsoft 365 Copilot发布会，Copilot能够实现的功能包括：1、精准总结会议要点；2、针对会议讨论的问题，能够直接回答讨论结果；3、可以跟进会议进程，提示会议尚未讨论的问题；4、自动生成纪要，提炼要点；5、中途离开会议可以向Copilot提问；6、提问会议的实时内容。

谷歌：将生成式AI技术装入旗下办公软件。就在OpenAI推出GPT-4的同一天，谷歌也宣布将生成式AI装进其Workspace“全家桶”，可以实现自动撰写电子邮件或生成文档摘要等功能，该功能覆盖谷歌邮箱（Gmail）、谷歌文档（Google Docs）、表格（Sheets）等组件。其中对于视频会议，在 Google Meet 中提供新的AI背景生成、笔记记录、总结等功能。

“AI+5G消息”：ChatGPT有望带来5G消息重构。5G 消息的核心应用 Chatbot （聊天机器人），其本质是随时响应用户消息服务，与 ChatGPT 的交互性不谋而合。作为 5G 消息的行业龙头梦网科技，在携手三大运营商及头部终端厂商，于金融、政务、互联网等多个行业领域应用，构建十数万家大中型企业与超十亿个人用户的沟通桥梁，并通过云短信、云 5G 富媒体消息、AIM/短信小程序（富信 2.0）、Chatbot 消息等功能筑造供多网合一的统一消息中心，5G 消息布局已初现峥嵘。

“Al+法院”：法院业务流程中涉及立案、审判、执行等多个环节，产生大量会议、文件、卷宗，是 ChatGPT 的最佳使用场景。目前金桥信息与蚂蚁在人工智能领域深度合作，要素式立案平台就是典型的 AI 赋能下的复杂文本结构化标准化处理平台。金桥的云平台业务主要聚焦法院信息化，以移动执行平台为典型代表，通过 管理平台+移动 APP 的形式解决法院在执行过程中的突出痛点。该业务目前已经 实现 3500+法院的全覆盖，同时采用 Saas 模式收费，商业模式更优。

3.1 需求空前提升，进入行业核心业务

目前各行业IT市场规模占该行业总规模比例较低，核心在于计算机行业主要为行业承担提升信息效率的功能，而AI时代将彻底重塑计算机行业与各行业的关系，成为创造行业价值的主体，这是计算机超级行情最重要的逻辑基础。目前各行业IT主要解决信息效率问题而非创造价值；AI时代，AI赋能各行业功能的深度和广度呈指数级增长，将扮演行业运转的价值创造者和重要组成部分。

3.2 AI将全面带动计算机公司全面转型DevOps降本增效

软件开发模式不断改进以满足降本增效的需求，DevOps是目前降本增效效果最好的软件开发模式，但由于相关生态工具学习较为复杂、编程难度高导致渗透率较低。传统低代码编程平台受限于自身资源库禀赋难以覆盖全市场客户需求，并不能真正解决问题，直到2022年底生成式AI面世使得AI编程成为现实，微软全能AI编程应用Copilot X发布彻底解决DevOps编程难度高的痛点，DevOps有望在软件公司全面渗透，进而促进行业整体降本增效。

软件行业的软件生产的部署效率、出现故障后恢复服务的时间、软件运维等需求日益高长，软件开发模式一直朝自动化、便捷化、智能化方向发展，以达到降本增效的效果：

1）2000年之前，软件开发模式为瀑布式开发。据敏捷开发论坛，瀑布式开发模式通过制定计划、需求分析、软件设计、程序编写、软件测试、运行维护等6个流程将整个软件生命周期衔接起来，这6个流程有着严格的先后次序之分，只有当前面的流程结束之后，下一个流程才能开始运转，会导致大量资源闲置空转。

2）2000年至今，敏捷开发模式逐渐成为主流。据敏捷开发论坛，敏捷式开发模式采用“迭代开发”，将软件项目需求分成多个迭代，且每个迭代成果在完成开发、测试、反馈等环节后都可以进行交付。也就是说，在将软件交付到客户手中之前，开发过程中的任何经过测试的子项目都能够独立运行。但此模式注重的是软件的开发阶段，并未兼顾到运维阶段。在开发人员与运维人员进行交接的时候，并没有体现出敏捷的价值、原则，因此开发与运维之间仍缺乏一些必要的协作效率。

3）未来终极的开发模式是DevOps。据TIBCO，DevOps 是指通过将所有与开发和运营相关的人员整合到一个自动化程度很高的工作流程中的开发模式，有助于加快产品从设计到上市的过程，比传统软件开发更快，因为运营和开发工程师在从设计到开发流程再到生产支持的整个生命周期中都紧密合作；同时，运营人员和开发人员经常同时使用许多相同的工具，从而使工作更加顺畅和快捷。

DevOps开发模式相较传统开发模式显著降本增效，企业若要快速稳定地大规模交付高品质软件，DevOps模式已成为如今的不二之选。据华为、DORA测算，如果开发团队采用DevOps开发模式，其代码部署的效率将提高46倍，变更代码的速度将提升2500倍；从稳定性来看，DevOps的代码变更失败率比过去低7倍，故障恢复速度比过去提升2600倍。谷歌于2019年发布白皮书《The ROI of DevOps Transformation》，在一个涉及超万人的大型试验中使用每年避免的不必要的返工费用、来自再投资的潜在收入、每年的停机时间成本节约作为降本增效的收益，将该收益当作收入，与部署DevOps的费用进行比较，ROI达到10.8，证明了DevOps的强大降本增效能力和对软件公司向DevOps转型的必要性。

虽然DevOps开发模式降本增效显著，但完整、成熟的DevOps开发模式渗透率较低。国内外DevOps开发模式渗透率仍然处于较低水平：1）全球来看据贝恩咨询，2021年全球软件公司中虽然超过90%的公司表示他们至少在某些情况下采用了DevOps，但只有大约50%的公司广泛使用 DevOps，同时只有 12% 的公司认为他们的DevOps功能完整、成熟，具有完善工具链、完全集成和高度自动化等特点；2）国内来看，据2021年《中国DevOps报告》，国内DevOps成熟度处于全面级的企业达到 35.04%，增长 8.84%；16.53% 企业实践成熟度处于优秀级，0.87% 的企业处于卓越级。

DevOps生态工具复杂，使用难度高，学习成本大是渗透率难以提升的主要原因。DevOps生态工具复杂，以国内为例，据2021年《中国DevOps报告》，仅国内主流安全工具一项就分为代码安全工具 Coverity、主机安全工具绿盟、代码安全工具 Fortify 以及 Web 安全工具 AppScan等，此外还有开源软件安全GitLab、主机安全 Nessus、威胁情报奇安信、威胁建模 Microsoft Threat Modeling Tool、代码安全 Cppcheck等众多品类；为了对接不同客户需求，工作人员有时需要全面熟记各类工具的编程策略，难度较大。据Opsera研究，由于工具种类繁多，加大开发者的编程难度，DevOps提升效率有限。

对于解决DevOps的痛点，传统方法是使用低代码编程平台，但受限于低代码编程平台的“资源池”限制无法灵活编程。传统低代码开发平台原理是直接调用平台“资源池”中存储数据库、中间件等，其定制能力、灵活性和集成选项是有限的，并且也可能出现安全问题。据51CTO，目前低代码快速开发平台大多是模块预定制、存储过程预定制之类先定制些功能模块单元，然后通过可视化编辑或者少量代码来实现功能单元的调用，对于标准化、成熟、简单的功能应用问题会少些，但涉及到复杂的以及新的功能应用还是要依赖平台提供商开发新的功能单元来支持的；此外，低代码编程平台有时会运行缓慢且与硬件交互差，甚至会降低程序员的效率。

生成式AI真正做到主动编程，能够灵活应对各类DevOps场景，且费用极低，是最终解决方案。以OpenAI的AI编程应用CodeX为例，CodeX基于GPT3大模型训练，训练数据来自于包含微软GitHub代码库在内的数十亿行代码，在生成式AI的帮助下，CodeX不仅仅像传统低代码平台一样调用已有资源，而是真正可以根据用户自然语言描述进行编程。

微软Copilot X打造顶级AI编程产品，让制作者可以用自然语言描述他们想要的应用、流程，带来软件开发、流程构建革命。3月15日，微软正式发布Copilot，并将其应用于Microsoft Power Platform的一个新功能，可以在Power Apps，Power Virtual Agents和Power Automate中基于GPT能力提供AI-powered的帮助，让制作者可以用自然语言描述他们想要的应用、流程，Copilot可以在几秒钟内完成创建，并提供改进的建议。

具体体现在以下几个方面：

【Power Apps】制作者可以利用Copilot通过自然语言对话的方式来描述需求，创建需要的轻量级APP。早在2021年Power Apps就已经引入了GPT的功能，可以通过自然语言来生成Power Fx公式，再到之前可以基于图片生成应用界面。而现在制作者可以利用Power Apps Copilot通过几句简单的自然语言对话来直接生成应用，不仅是界面，还包括了数据表和业务逻辑。制作者还可以通过和Copilot的对话来对应用进行调整，比如在数据表中添加新列，甚至是给数据表填充示例数据等，同时Copilot也可以为我们提供应用的改进建议。

【Power Automate】制作者可以利用Copilot通过自然语言创建自动化流程。通过Power Automate Copilot，无论是简单流程还是复杂流程，都可以通过自然语言来生成。同时Copilot还可以以对话的方式不断优化和迭代更新流程。另外在Power Automate Desktop桌面版本上，制作者也可以使用GPT模型来生成文字内容。同时AI Builder最新集成的Azure Open AI 服务，现在也可以直接在Power Automate Desktop中使用，所以在RPA的领域，制作者能随时随地享用到Open AI带来的各种智能服务，无论是收集反馈意见，从大量文本中提取关键信息都可以直接通过RPA搭配Open AI的方式实现。

【Power Virtual Agents】制作者可以通过Power Virtual Agents构建自动化服务机器人。客户只需引入一个网站地址，便可以将自己的Power Virtual Agents与网站内容、知识库等信息进行连接，让GPT自动生成回答，这个功能让企业可以快速为客户提供机器人服务，对内或者对外进行服务。现在客户可以利用Power Virtual Agents Copilot直接使用自然语言来描述机器人流程，而不需要手动创建，让客户能够在几分钟内快速创建和迭代任何机器人，甚至是触发短语，问题，实体，变量，自适应卡和各种逻辑。另外，现在Power Virtual Agents也可以原生集成到Power Apps中，提高用户体验。

3.3 计算机行业人效提升空间测算

计算机行业人均创收水平低于A股整体平均水平，AI发展大潮下具有提升空间。2018-2022年，计算机行业人均创收中位数低于A股对应水平。计算机行业属于高科技行业，创收能力本应强于所有行业的整体水平，但由于受下游景气度影响、新技术变现进程较慢、现场实施交付和定制化开发导致人员数量增长较快等影响，人均创收能力低于A股平均水平。

计算机行业人均创利水平低于A股整体平均水平，AI发展大潮下同样具有提升空间。2018-2022年，计算机行业人均创利中位数低于A股对应水平，且差距有拉大趋势。

计算机行业人均创利中位数低于A股对应水平，除了受人均创收水平影响之外，成本端也是重要原因：从三费具体情况看，计算机行业研发费用水平明显高于A股整体水平，成为提升整体费用水平的核心原因。

1）销售费用率：计算机行业整体销售费用率水平高于A股整体水平。计算机行业正处于快速发展阶段，公司为拓展份额占领市场往往加大销售投入。

2）管理费用率：计算机行业整体水平低于A股整体水平，说明计算机行业内部管理水平相对较高，同时计算机行业自身轻资产、重研发、管理灵活等特点也决定了自身管理费用水平相对较低。

3）研发费用率：计算机行业整体水平明显高于A股水平，因为计算机行业重研发特点明显，往往需要前瞻性投入去布局新技术。同时，计算机行业公司多数面向B端、G端客户，相关客户的需求往往具有定制化特点，需要配备相应的研发人员来满足客户需求。

因此，AI技术对于计算机提升人效具有重要意义：第一，AI大潮下软件定义世界，AI应用需求全面爆发进而带来人均创收的长期提升，同时AI有望明显提升编程等工作效率，降低人均成本，最终带来人效提升。第二，研发成本为计算机行业主要的成本，AI提升效率有望带来对相关成本的合理控制。

AI行情现阶段更类似2010-2012的新一代基础设施平台普及的早期，最大不同在于这次不是终端硬件变革开启，而是大模型作为基础设施软件先行定义一切，催生算力硬件需求和后续各类终端变革，ChatGPT所代表的大模型意义不亚于电力革命中的交流电与信息革命中操作系统的诞生。AI时代计算机行业从市场空间占比极低的信息化工具跃升成为创造行业价值的主体，而与此同时人效却空前提升，这是计算机超级行情最重要的逻辑基础，我们持续建议重点关注寒武纪、三六零、同花顺、金山办公、科大讯飞、中科创达、海康威视、莹石网络、大华股份、千方科技、四维图新等AI核心龙头企业。

1）行业竞争加剧的风险。AI开启了科技产业发展的全新机遇，可能将有更多参与方参与相关竞争，因此行业竞争有加剧的风险

2）技术路线变革具有不确定性。AI技术属于新兴技术，未来随着产业发展和应用层面的拓展，相关技术路线可能存在变化，进而导致行业格局变化。

3）客户开支能力波动风险。目前看AI技术在应用层面的客户主要为B端、G端客户，相关客户开支能力具有一定不确定性，进而影响行业景气度。