AIGC内容分享(二)：全球大模型技术与应用分析

目录

前言

人工智能技术回顾

AIGC近期动态梳理

1. 国内动态

2. 国外动态

3. OpenAI的关键动作

4. AIGC的技术变革

 AIGC的关键应用

1. AIGC应用背后的驱动力

2. AIGC的三大原能力

3.  AIGC的四大产品形态

大模型如何融入行业？

1. 通用行业融合

2. 垂直行业融合

---

前言

这篇文章主要阅读者是产品经理、业务负责人、AIGC核心参与者等。

现在AIGC技术发展太快，每天都有不同的变化。刚才我看Google发布的Gemini多模态能力，着实被惊喜（吓）到了：AI可以看图说话、理解和推理、预测事情的发展动态，简直无所不能。

所以这篇文章是想站在2023年底这个节点，系统性梳理下AIGC的技术现状和行业应用，方便我们对AIGC技术、产品和商业有个全局的理解。

警示: 不论行业热度如何，企业AIGC布局始终需要保持理性和克制。尤其针对关键业务环节投入，秉承先建数字基础设施，再引入大模型能力的原则；综合业务价值和成本投入，形成客观决议。

以下内容，敬请享用。

本文主要包含四个方向的内容：

● 人工智能技术回顾

● AIGC近期动态梳理

● AIGC的关键应用

● 大模型如何融入行业

人工智能技术回顾

人工智能的发展经历几次大的技术变革，总结起来主要有三个范式：逻辑学、概率论、深度学习。

1. 逻辑学：由逻辑规则构建的专家系统，这时候AI就像一位经验丰富的‘老专家’，能基于以往的经验提供解决方案。

这种模式带来的问题，是专家知识和经验总会有局限性，因此AI所能处理的问题也存在边界。

专家系统被广泛应用在不同的领域，例如在工业领域实现生产质量监控，生产过程控制等；在金融领域实现风险评估、投资决策等。

2. 概率论（机器学习）：由数据统计构建的概率系统，这时候AI就像一位能通灵的‘算命先生’，能基于概率分布提供决策辅助。

例如以贝叶斯网络，隐马尔可夫模型等为代表的概率统计算法逐步被应用后，形成ASR（语音识别）、NLP（自然语言处理）、CV（计算机视觉）、垃圾邮件监测、信用评估等领域。

3. 深度学习：由神经网络构建的决策系统，这时候AI就像一位有学问的‘智者’，能通过数据特征形成精准决策。

例如以小样本学习、强化学习、迁移学习为代表的深度学习框架已经成为移动应用的支撑。包括游戏AI、自动驾驶、智能推荐、内容生成、人脸识别等领域。

早期的逻辑控制、概率统计，包括深度学习主要以感知和理解世界，为人类提供决策辅助为主，因此也被称为‘决策式智能’。

‘决策式智能’的目标相对聚焦，主要通过特征抽象和映射关系解决单场景决策问题。例如过去AI下围棋、识别人脸都是决策式智能的应用范畴。

随着深度学习的广泛应用，逐步衍生出一种新的技术范式‘生成式智能’。‘生成式智能’主要以知识构建和推理演绎，为人类提供创造力支撑为主。

‘生成式智能’的目标更加泛化，主要通过推理能力和思维链的构建，解决跨域多场景问题。例如ChatGPT知识问答、代码生成，DALL-E的图片生成都属于生成式智能的应用范畴。

要详细了解‘生成式智能’，我们需要从一种特殊的算法框架‘Transformer’谈起。

Transformer由2017年谷歌在《Attention is All YouNeed》一文中发布，这无疑是AI界重要的里程碑，因为它使得深度学习参数突破1亿。

那Transformer到底有哪些神奇之处呢？

Transformer首先是一种基于‘自注意力机制’的神经网络模型。

稍微解释下‘自注意力机制’，它的核心思想是：确保在处理序列中的每个单词时，始终把注意力同时放在其他位置，以保证能理解单词之间的依赖关系。

简单来讲，就是对于输入的每个序列单词形成一个查询（Query）矩阵，一个键（Key）矩阵，一个值（Value）矩阵，通过矩阵的乘积和权重的加权，得到最终的输出结论，让AI由‘单点思维’变成‘全局思维’。

毫无疑问，系统思维更有利于做出正确的决策。

Transformer最初主要用来完成语言翻译任务，包括Encoder（编码器）和Decoder（解码器）两部分。

后来发展为两条路径，一条路径就是大家熟知的BERT家族，主要使用Encoder作为预训练模型，原理是“理解输入序列的信息，并将其编码为隐藏表示向量”。

这种模式有点像让模型学习做‘完型填空’，先前AI语音的核心技术链条主要基于BERT家族。

另一条路径就是大名鼎鼎的GPT家族，主要使用Decoder方式，原理是“根据已经生成的输出序列，实时预测下一个位置的词”。

它的成功之处在于扩大了语言模型的规模，显著提升小样本（Few-Shot）和零样本（Zero-Shot）状态下的学习能力。

这种模式有点像‘自然对话’，这也是为什么ChatGPT会展现出惊人的理解力和共情能力的原因。

‘完形填空’实现起来简单，但无法穷尽所有的场景；‘自然对话’虽然实现起来更复杂，但应用效果更好。

例如你可以让GPT按照特定风格写小说，做数学逻辑题，识别一张图中有趣的部分，做复杂的意图识别等。

GPT家族主要用三步法解决了这个难题。

1. 开卷有益：无监督学习。让AI学会从海量知识库中学习知识，让它成为最强大脑。

2. 模板微调：监督学习。让AI学会在既定的规范下形成回答，让它成为最懂规矩的机器人。

3. 价值引导：RLHF基于人类反馈的强化学习。用人类对它的回答评分调整模型，引导它生成更有价值的回答。

所以说生成式智能更接近人的成长模式，除了海量吸收知识，还要基于知识的实践应用进行复盘和反思，不断改善思考和行为模式，朝着最优方向去进化。

区别在于人要承认错误、颠覆认知，就得克服‘人性’。AI则不同，你只需要帮它构建模式，它会自动执行。

AIGC近期动态梳理

随着ChatGPT爆火，各大科技公司可一刻不敢闲着。

1. 国内动态

国内就形成了三大矩阵，云厂商、科技公司、新生企业。

第一类，以传统云厂商为主的大模型产品矩阵（比如百度文心、千帆大模型，阿里通义大模型、华为盘古大模型等），主要依托原有云服务形成大模型底座和MaaS解决方案。

第二类，以AI科技公司为主的大模型产品矩阵（比如讯飞的星火认知大模型、理想的MindGPT、出门问问的猴子序列大模型等），主要提供大模型底座及AI行业应用，包括一部分智能硬件产品。例如讯飞在语音基础上形成教育类大模型应用和智能硬件。

第三类，以新生创业公司为主的大模型产品矩阵（比如清华系月之暗面推出Moonshot大模型，智谱AI推出GLM大模型等），主要提供大模型底座、特定领域的垂直应用。

2. 国外动态

国外大模型更是风起云涌，比如Meta的羊驼（LLAMA）大语言模型，面向音频生成的Voicebox，谷歌推出的Gemini多模态大模型。

包括随着类似Stable Diffusion这样的图像大模型的出现，AI绘画应用相继诞生，其中包括了 MidJourney、Dall-E2、 Imagen 等。以及各种视频生成（Make-a-Video、ImagenVideo），3D模型生成（DreamFusion、Magic3D 和 Get3D），包括代码生成工具 GitHub Copilot 都开始受到广泛关注。

OpenAI并未止步于ChatGPT取得的成就，而是快马加鞭推出GPT4、GPT4 Turbo、GPT Plugin、GPTs等一系列‘王炸’级别的技术。

当然费用也高了不少，其中GPT4（3.3元/次）的费用比GPT3.5（6分/次）高近60倍，GPT4 Turbo的费用则比GPT4高8倍左右，也难怪大家都说OpenAI在抢钱。

我们看看这么贵的技术，功能上到底牛在哪。

3. OpenAI的关键动作

首先在如何将大模型能力应用化这件事上，OpenAI非常坚定。ChatGPT推出Plugins插件系统，插件可以将ChatGPT连接到第三方应用程序，一方面可以访问最新的互联网信息，另外也可以执行多场景任务，例如实时信息检索、订餐、订酒店、购物等。

微软Newbing就通过OpenAI的插件能力支撑，结合第三方内容和服务生态的融入，形成了强大的大模型应用能力。ChatGPT插件的逻辑和微信生态的小程序，Appstore的生态应用如出一辙，核心让AI不仅提供人性化交互能力 ，还能提供全流程的服务能力，要知道交互只是手段，本质是为用户提供完整服务。

除了插件能力，GPT4基础大模型的能力升级也非常惊人，彻底打破了大语言模型的魔咒，融入视觉和多模态能力，包括语音的对话和理解，图片的读取和推理。

其中语音对话能力直接秒杀行业现有交互机器人，能够通过情感识别、对话模式调整进行情感互动。比如如果AI识别到聊天对象是受了委屈的小孩子，会自动切换成儿童安抚模式。

此外，GPT4的多模态能力更是让人眼前一亮，比如旅行时可以拍摄地标咨询人文历史，拍摄冰箱生鲜图片咨询菜谱方案，拍摄数学题询问解题方法等等，这些丰富的应用场景支撑无疑让产品经理激动不已。

OpenAI更是在11月的开发者大会上推出GPT4 Turbo，GPT4 Turbo除了拥有更新更全的数据库之外，还在多模态推理能力上做了深化。

包括支撑视觉到文本转换，支撑指令遵循（instruction following）、思维链（chain-of-thoughts）、 上下文少样本学习（in-context few-shot learning）能力，可以理解图片中人和物体间的关系，事件的先后顺序，包括计数、生成字幕和描述，解释笑话，回答科学问题等。

例如用户输入一张网站设计草图，它可以直接输出前端实现代码。此外GPT4 Turbo在图片识别和理解能力上的进化也非常激进，例如当你输入一张山地自行车图片，并询问如何调整座椅高低位置时，它能根据正确理解图片逻辑信息并给出整方案。

再比如针对一些专业问题例如医疗领域，用户可以上传CT影响，AI能根据图片理解识别是否有肿瘤（当然这部分的应用还需暂缓，究其原因你懂的）。

4. AIGC的技术变革

过去CV大模型主要应用于‘文生图’，通过输入文字意图生成对应的图片。多模态区别大语言模型或者CV大模型的核心在于模态之间的转换，AI将图片翻译成语言文字，进而利用新的文字组合生成图片或视频。这样的做法，可以有效提升复杂交互过程，AI对用户意图的判断力。

过去我们在传统AI例如图像识别、视频理解包括语音交互等领域遇到的稀疏样本和cornercase决策难题，今天看起来都可以通过多模态融合来解决，逻辑很好解释，就是你输入的数据源头越多、AI对信息的理解越充分，自然能与用户产生更好的互动。

目前从实现原理来看，多模态主要有五类架构实现方式：

a）合并注意力架构（Merge-attention）：多个输入模态调整为统一的特征表示，多个模态的特征在自注意力之前被合并，共同进入Transformer。

b）共同注意力架构（Co-attention）：每个输入模态都具备私有自注意力通道，用于模态独立特征的导入，然后再使用共同的交叉注意力层融合多模态特征。

c）交叉注意力架构（Cross-attention）：对于多模态任务，将图像与语言分别结合，实现图文信息的相互嵌入与问答。

d）三角 Transformer 架构（Tangled-transformer）：使用三组 Transformer 模块同时处理 动作、图形对象和语言特征，通过特定的三角连接关系，注入其他模态的 Transformer 网络， 以不同模态的信息融合。

e）模态间对比学习架构（Inter-Modality Contrastive Learning）：不同模态的信息被分解， 通过矩阵结构建立多模态对比学习关联。

业内猜测GPT4所使用的架构方法正是‘交叉注意力架构’。

核心思路为：不是直接训练一个多模态模型，而是在已经预训练好的语言大模型中引入图像理解能力。

1）引入预训练好的视觉模型用来提取图像的语义特征，并且嵌入预训练好的语言模型中。

2）引入一个包含图像和文本的多模态数据集来 finetune模型。 这种做法可以有效节省成本，可以最大化使用 已有资源，例如ChatGPT中已经构建好的语言模块。

相比 Open AI 早期持续投入大语言模型LLM，Google更多探索图像和多模态大模型边界。

今年三月google 和德国柏林工业大学公布了当时全球最大视觉语言模型 PaLM-E（Pathways Language Model with Embodied）。

PaLM-E 不仅可以理解图像，还能理解、生成语言，且可以用于多个具体任务，包括顺序机器人操作规划、视觉问题解答和图像视频字幕描述等。

此外Google近期发布的新一代多模态大模型 Gemini 可谓惊艳全场，它的训练算力是 GPT4 的 5 倍、数据集是GPT4的2倍。

长期来看Google 体系独有的消费场景数据有望增强 Gemini 训练效果，减少大模型幻觉。Gemini 可以访问 YouTube 视频、谷歌图书、搜索索引以及 Google Scholar 的学术资料，这些数据大部分都是谷歌独有的，这可能会让谷歌在创建比其他公司更智能的模型方面更具优势。

与单模态大模型相比，多模态的进入门槛更高。这也就对大模型安全体系提出更高要求，主要包含以下可能存在的风险：

• 1） 科学专业知识的风险，例如让AI识别芬太尼、卡芬太尼和可卡因等物质的化学结构图像，它可能会出现错误回答，所以让AI辅助科学研究，会变得可圈可点。
• 2） 医学应用的风险，当我们将AI应用在医学领域，比如协助医生做辅助诊断时，它可能做出错误的决策。这是人命关天的事情，真要广泛应用还需从长计议。
• 3） 无依据推理和虚假信息，大模型的幻觉性依然是行业难题，尽管随着GPT版本升级这个问题比例被降低，但依然不排除AI会时不时提供虚假信息，误导人类。
• 4） 伦理道理、隐私问题，AI再怎么聪明，毕竟不是人类，很多有关伦理道德的常识性问题，不是靠灌输数据就可以解决，因此要杜绝AI刻板印象，解决常识性问题，尚需时日。

 AIGC的关键应用

1. AIGC应用背后的驱动力

是什么在驱动AIGC的关键应用呢？主要包含三个方面：模型、算力和生态。

1） 模型：更大、更优、更精准。

例如OpenAI的GPT家族可谓全球最大的大语言模型，随着技术发展，大模型在广度上又衍生出代码生成、音频生成、图像生成、视频生成、3D生成、多模态等等。

目前基础大模型分为开源和闭源两种应用模式，例如GPT4，以及谷歌的 Bard、Claude 等大模型均是闭源模型，优势在于性能强大和易于上手， 目前依然是绝大多数海外主流生成式 AI 应用的首选；

而由 LLaMA2、Stable Diffusion，GLM130B，OPT，BLOOM 引领的开源模型，其优势在于灵活性和低成本，特别是llama2的发布，让应用层公司可以基于开源模型进行私有化部署，更低成本实现差异化应用。

2） 算力：更快、更好、更便宜。

AI界的传奇不属于大模型厂商，而应属于芯片公司。因为任何一个大模型的训练都需要巨大的芯片成本。

因此随着大模型应用的普及，芯片厂商也在紧锣密鼓进行新品研发，例如国内有华为麒麟芯片，百度昆仑芯片；海外有英伟达最新的人工智能芯片GH20，微软自研芯片Athena，谷歌第五代AI芯片TPU等。

大模型厂商为什么要自主研发AI芯片，第一是提升软件和硬件平台的一致性和协同性，第二就是降低硬件成本，加速大模型规模化普及。

3） 工具集：更全、更多、更高效。

AI 组件层（AI Stack）工具包含应用框架、数据处理、模型训练、模型评估、应用部署等几个关键环节，随着头部云厂商不断拓展大模型行业应用，AI工具的平台化和一体化程度也会越来越高。

a） 应用框架：通过提供一套统一组件和接口，将开源模型、API 和数据库等不同的外部组件链接在一起，能够帮助应用开发者快速构建基于大模型的AI 应用，简化应用的开发和创建过程，代表厂商包括 LangChain， GPT Index 和 Cognosis等。

b） 数据处理：基础大模型仅限基于通用数据集的推理，针对行业垂类模型和应用，需要使用时效性强的垂直领域（私有）数据进行训练，特别是在金融、医疗等领域，包括对实时性要求高的领域，例如天气、体育、新闻等。

开发人员需要通过外挂方式来调用专业数据，实现高效的基础数据融合。涉及工具包括向量数据库 Pinecore 、 Chroma、Redis等 、 上下文窗口 LangChain 、 LlamaIndex 等。

c） 模型训练：由于各大模型的尺寸、 支撑模态、输出质量、上下文窗口大小、成本和延迟各不相同，针对不同的应用、开发者可以选择多种基础底大模型，包括开源和闭源模型，也可以针对性训练自己业务领域的专属模型。

涉及到的AI组件包括：模型库 Hugging Face、Replicate等、深度学习框架 TensorFlow、PyTorch等、训练工具 Mosaic、Cerebras 等，托管服务 OctoML、Vertex AI 等。

d） 模型评估：一方面，在模型训练过程中，开发人员需要基于数据来驱动提示工程、超参数、微调等工作，相关工具包括 Statsig、 Comet、Mlflow 等；

另一方面，在应用部署后，应用厂商需要跟踪底层大模型的性能、成本、延迟和行为随时间的变化，了解模型输出的质量，防止恶意使用以及控制大模型的成本，相关工具包括 WhyLabs、datadog等。

e） 应用部署：通过行业工具集将 AI 应用部署到实际应用环境中，例如Fixie 、Gradio 等框架，或者采取第三方厂商的服务来完成应用的部署实施。

整体来讲大模型厂商都配备了比较完善的工具集，帮助开发者完成大模型的一站式应用开发。

从应用范围的演进看，最早主要以大语言模型为核心应用，后期不断延伸到视觉、语音、代码和3D等方向，如今多模态应用时炙手可热的话题。

从行业商业化逻辑来讲，也从一开始2C订阅式应用，2B接口调用；逐步过度到2B行业级解决方案应用，AI大模型与行业数字化系统的结合将越来越紧密，与2C端应用相比，2B的增长潜力巨大。

我们在选择大模型应用方案时，在考虑采用公有云接口调用，还是私有化部署方案时，要尤为谨慎。尤其当自身的业务模式和业务发展不明朗，且企业内部研发资源有限的情形下，建议采用轻量级公有云的服务模式。很多特殊的业务形态例如政务、公安系统包括金融行业，对信息安全要求较高，会优先考虑私有化部署的模式。

2. AIGC的三大原能力

接着我们来看看大模型的三大元能力：感知、决策和生成。

1）感知：对用户输入内容、周边环境状况的实时感知，未来进化方向会从单模感知变为多模感知融合，AI会逐步提升对人类需求理解能力。

2）决策：也有将这个能力称为‘分析’，但我更愿意称之为‘决策’；因为分析是过程，决策是结果。主要包含对信息和知识的检索、归纳与推理能力，未来进化方向会从‘感知智能’走向‘认知智能’。

3）生成：目前较为成熟的是文本生成，例如ChatGPT的能力；其中音频、图片、视频、3D等生成能力还在持续进化中，未来的发展方向为多模态生成能力。 

3.  AIGC的四大产品形态

基于三大底层元能力，未来的大模型应用将沿着 AIGC（内容生成）、Copilot（智能助手）、Insight（知识洞察）、Agent（数字代理）四个重要方向演进：

1） AIGC（内容生成）：内容生成是生成式 AI 创造力得以展现的核心，包括文本、图像、视频、代码、3D 模型等。

其中文本生成已经广泛应用于教育、法律以及对话业务中；图像和视频生成和3D则被营销、影视创作、游戏等领域所应用。

2）Insight（知识洞察）：生成式AI可以有效解决决策式AI数据样本稀疏的问题，基于大模型实现对数据、信息、知识进行充分整合，为用户提供精准的研究分析和辅助决策。

知识洞察将应用于制造、教育、金融、医疗、军事等领域。例如AI协助医生针对特定病灶进行洞察分析、针对诊断方案进行辅助决策。

3）Copilot（智能助手）：Copilot是生成式AI应用最广泛的产品形态，主要是将AI能力嵌入具体应用场景中，让AI像小助手一样，主动理解用户意图并提供成型的方案。

例如微软的Office 365 Copilot系列，可以支持word文本内容生成，excel可视化图表，包括ppt智能排版，邮件自动回复等。

4） Agent（数字代理）：相较于Copilot的工具型辅助能力，Agent更强调对环境的实时感知和判断能力，AI能像人类一样形成自己的独立决策及行动方案。

此外Agent更关注AI的独立性和场景泛化，能培养自适应学习能力和持续进化能力，目前主要应用在智能终端、智能座舱、汽车自动驾驶、工业机器人、人形机器人等领域。

看到这里，是否有点眼花缭乱了？

确实AIGC对行业和经济产生的影响面是巨大的。但显然这个过程也一定是循序渐进的，并且我们看到技术要素在突变的过程中，很有可能会影响产品形态以及商业模式的变化。

接着我们尝试从行业视角，来看看大模型对它们的具体影响。

大模型如何融入行业？

大模型融入行业，主要分为通用领域和垂直领域。

其中通用领域包含AI工具、企业软件和智能硬件。垂直领域则包含像金融、教育、游戏、医疗等领域。我们先看行业通用的都有哪些大模型产品。

1. 通用行业融合

1） 最先融入行业的，实际上是一些通用的AI工具，它们没有行业知识库的限制，并且使用成本比较低，因此也会最先融入各大行业。

其次就是通用软件，尤其在数字化转型过程中已经被企业所引入的软件，它们会很自然集成AIGC能力，并形成面向B端的增值服务。

通用AI工具包括像ChatGPT这一类的聊天机器人，搜索引擎Bing Chat，文本工具Notion AI，AI绘画工具Stable diffusion，代码工具 GitHub，3D模型工具Magic3D，视频工具Imagen video等。

它们主要以AIGC和Copilot的产品形态出现，其中头部应用虽然实现了商业化（订阅式，或者按量计费），但明显已经过了飞速增长期，进入到增长瓶颈。

它们的核心问题是对底层基础大模型高度依赖，产品同质化程度很高。比如GPT4出现后，就对很多基础模型不如GPT4的工具应用进行了碾压式的打击。

如果你是一位工具AI的创业者，很明显要拥抱基础大模型的大腿，才可能有生存之地。再或者就是寻求差异化产品和场景定位，满足未被满足的市场需求，例如针对教师做一款教学工具。

2）第二类是以数字化为核心的通用软件，它们的商业进程比AI工具要慢，主要包括像Office 365 copilot（全流程办公），Salesforce的面向企业服务的管理软件（邮件生成、智能客服、营销推广等），类似Adobe Firefly（图片精修、草图或脚本生成动画）这样的创意软件，以及类似OutSystems(代码辅助开发、代码架构自动审查、安全性能审查)这样的软件开发工具，类似ServiceNow（案例总结、对话交流、代码生成）这样的IT运维软件。

它们的产品形态还是以Copilot为主，商业模式是订阅制和解决方案付费。从竞争模式来讲，他们对底层大模型依赖不如AI工具强，竞争力主要取决于AI能力与企业场景的深度融合，以及如何低成本高效率实现相似功能。

3）第三类就是智能硬件。因为正处在萌芽期，因此也是目前商业化进程最不明朗的方向。加上它的商业模式就是产品销售，因此大模型应用的投入产出比至今还是本糊涂账。但这并不妨碍大家对它的期许，目前主要包含智能汽车的无人驾驶，智能座舱，包括智慧家庭的智能硬件，人行机器人，工业领域的工业机器人等应用。

它的主要产品形态是Copilot和Agent。因为产品竞争力取决于硬件能力，模型和算法能力。例如以大模型为底座的语音助手目前已经在智能座舱、智能音箱、家用机器人等领域逐步应用。其中AI Agent在基础感知和决策能力上依旧存在技术瓶颈，要大规模推广还需要解决技术和成本问题。

整体来讲行业通用大模型产品的实现相对容易，它的难点在于如何降低成本，并做出产品差异化。

2. 垂直行业融合

而接下来我要介绍的行业垂直应用，则非常依赖行业独有的领域数据，并且能否在特定领域取得爆发式增长，主要取决于切入场景的价值含量。

怎么评估大模型的场景应用价值呢？一般我们会选三个维度，第一：场景是否足够标准化，数据基础如何，能否进行大规模数据应用；第二：该场景是否需要大量人工作业，那么AI替代人工之后，能否提升作业质量；第三：人工作业和AI作业相比，能否达到降本提效。

头部大模型厂商基本都针对不同行业推出大模型解决方案，例如金融领域包含数据分析和知识洞察、智能投顾、智能风控等应用。医院领域包含药物研发、病例解析、智慧诊疗、手术机器人等应用。

教育行业包含语言学习、教学辅助、教育机器人等应用。工业领域包含研发设计、运维管理、生产制造、安全监控等应用。法律行业包含文书制作、法律咨询顾问、司法辅助等应用。游戏领域包含游戏开发、角色创作、场景生成等应用。

面向行业垂直应用的产品形态主要是Copilot和Insight，目前来看比较有前景的是以数据分析和知识洞察为核心的Insight应用，很多头部厂商也在开始构建属于自己的领域大模型。类似像医疗，教育和工业等领域，因为它们本身数字化进程比较慢，因此大模型的融入周期也会比较长。

参考资料：

《腾讯研究院：大模型时代的AI十大趋势观察》

《GPT_4v如何实现强大多模态，从文生图到图生文》

《全球生成式AI应用全景图》