近日，上海交通大学上海高级金融学院（高金）EED项目组、沪港国际科创金融实验室以及高金LLC实践体验学习中心共同发布了《中美AIGC产业商业化落地生态与发展趋势分析报告》（以下简称《报告》）。
该报告深入比较了中美两国在AIGC（人工智能生成内容）行业生态上的差异，并立足于AIGC应用场景的实际落地，详细剖析了AIGC技术在中美两国多个关键产业领域的最新应用进展与商业价值，旨在为企业及相关机构在产业布局、投资决策、政策支持等方面提供策略性建议和参考依据。
报告显示，当前中国和美国的企业和投资者正积极探索AIGC技术的商业化落地和变现途径，但在不同应用领域的发展呈现出显著差异：部分场景和领域已实现了实质性的商业化进展，而其他领域则仍处于探索阶段，前景不甚明朗。
在全球范围内，人工智能生成内容（AIGC）技术正以空前的速度和深度改变着各个行业。作为世界最大的两个经济体，中美两国在AI领域的发展对全球具有深远影响。
近年来，中美两国在AIGC技术方面的进展尤为瞩目。美国方面，如 Midjourney 推出的AI绘图工具和微软与OpenAI合作推出的GitHub Copilot等项目备受关注；而在中国，百度的文心一言，字节跳动的豆包，以及科大讯飞的讯飞星火等产品的推出，同样标志着中国在AIGC领域的显著进步。
为深入探究中美AIGC产业的商业化落地生态与应用情况，课题组选取了2021年1月至2024年3月期间的AIGC商业化案例数据作为研究样本。
研究侧重于分析AIGC产业的应用落地场景，并对产业发展环境和生态进行全面考察，包括产业链上下游布局、细分赛道规模与结构、以及AIGC行业的政策环境、人才状况等。
在此基础上，课题组从应用价值（市场空间大小）、应用难度（落地的难度、业务逻辑复杂度、算力成本、语料成本、语料获取的难度、语料规模大小）和环境现状（客户侧落地进展、AIGC厂商进展、投融资规模数据简况）三个维度进行了详尽的横向与纵向比较分析。
此外，通过对比实际案例，课题组进一步分析了影响AIGC企业估值及投资回报的关键因素，包括技术创新能力、市场占有率、盈利模式、用户增长和品牌影响力等。
报告发现，中美两国在AIGC领域均取得显著进展，其中美国以创新驱动，中国则以市场需求为导向。
从具体的应用场景和行业来看，中美两国的AIGC技术在代码研发、知识管理与内容创作、客服与销售智能体、医疗与医药的科学研究等应用场景的落地进展迅速，同时在金融、信息技术、医疗等行业也实现了快速应用。
尽管AIGC技术已在多个行业与应用场景的交叉领域展现了巨大的市场潜力，但技术门槛、算力成本、语料获取难度也成为了其在商业化过程中面临的主要挑战。
值得注意的是，近期中美AIGC领域的投融资活动开始呈现活跃态势。2024年第一季度，公开数据记录了全球范围内在AIGC领域一共有142起融资事件，累计融资金额为607亿元人民币。
中国市场在2024年第一季度表现亮眼，共完成了65起融资事件，累计融资额飙升至137亿元人民币，是2023年同期的14.73倍。而美国则完成了39次融资，总计339.21亿元人民币的融资金额。
中美两国的活跃投资态势凸显了AIGC行业的快速发展，表明市场对AIGC行业的发展前景持乐观态度，投资者对于AIGC企业的创新能力和市场潜力给予了高度认可和支持。尤其是在药物研发等领域，2024年上半年全球AI制药融资有69起，投资额33.36亿美元；中国AI制药融资有22起，融资金额18.09亿美元。
报告指出，AIGC技术的发展和商业化前景仍充满挑战与不确定性，需要行业内外的持续关注和深入研究，以实现其在各领域的广泛应用和商业价值的最大化。
对于投资者而言，在评估相关企业的投资价值时，不仅要考量技术潜力，还需密切关注其商业化进程和市场反应，需要评估AIGC企业的商业模式是否可持续，包括实际收入来源、成本结构和利润率，需要评估AIGC技术如何转化为实际的产品和服务，以及这些产品和服务的市场接受度和定价策略。
该《报告》由高金师生团队倾力打造，他们凭借跨学科的知识结构和多元化的行业背景，为AIGC在不同场景下的应用注入丰富视角。
课题项目组由高金教授、EED项目学术主任及执行主任蒋展教授领衔并担任指导教授，她结合在科创金融领域的深厚学术背景，为研究提供坚实的理论框架和方法论指导。
给力讯息创始人兼CEO、高金GES校友华琨担任项目组企业指导教练，他以连续创业的成功经历和深刻的行业洞察，为项目组带来宝贵的实战经验。
参与项目的多位高金MBA学员来自多元化的专业背景，涵盖游戏、银行、投资等不同领域。他们发挥各自专业优势，在报告的数据搜集、整理与分析工作中发挥关键作用，共同提升研究的深度与广度。
课题组指导教授、高金教授蒋展表示：“今天，AIGC大模型技术如同上世纪的互联网技术一样，为全球产业带来了巨大的技术革新推动力，但其在不同领域的商业化价值的大小目前仍然不是很清晰。因此，本课题创新地运用应用场景与行业领域交叉分类，通过三个维度来分析AIGC的商业价值，目前进展和挑战。在此基础上，课题项目组通过研究大量具象的AIGC落地案例与数据，得以全面了解中美两国AIGC产业商业化落地的真实进展、市场空间与现实挑战，为准确判断其未来发展趋势提供了清晰的视角。”
No.1
《中美AIGC产业商业化落地生态
与发展趋势分析报告》
课题项目组成员介绍
课题项目组指导教授
蒋展
上海交通大学上海高级金融学院教授
EED项目学术主任及执行主任
课题项目组企业指导教练
华琨
给力讯息创始人、CEO
上海交通大学上海高级金融学院GES
课题项目组组长
刘哲贤
米哈游项目管理
上海交通大学上海高级金融学院MBA
课题项目组组员
金碧瑶
赟汇资本投资总监
上海交通大学上海高级金融学院MBA
傅海章
中信银行上海分行高级客户经理
上海交通大学上海高级金融学院 MBA
王毅
上海交通大学上海高级金融学院 MBA
张利英
隽赐投资合伙人
上海交通大学上海高级金融学院MBA
王刚
邮惠万家银行信息科技风险管理
上海交通大学上海高级金融学院MBA
No.2
《中美AIGC产业商业化落地生态
与发展趋势分析报告》
内容节选
1.1 应用场景：代码研发
1.1.1
金融业
应用价值
市场空间：★★★★
中国银行业对于金融科技领域的总投入金额达到2793.2亿元，其中对于从事金融科技领域相关人员开支达到172.5亿元；证券行业对于金融科技的投入金额达到417亿元，其中对于人员投入达到105.9亿。（数据来源：金融时报-中国金融新闻网）
以行业头部的六大行为例，累计科技人员达到9.48万人。总体来看，金融领域对于系统开发的成本支出较大。
应用难度
◎ 逻辑难度：★★★★
金融行业涉及的业务逻辑复杂且高度专业化，需要深入理解相关的业务流程和规则。同时需要满足开发者在多种编程语言、框架和场景下的需求。
◎ 算力成本：★★★★
需要不断学习和适应新的开发需求，训练和推理过程中需要消耗大量的计算资源。金融行业本身对数据合规性、安全性、可信性等存在高要求，因此以自建算力为主。
◎ 语料大小（成本）：★★★★
依赖于行业内外大量的高质量编程语料，金融行业的代码和文档通常涉及敏感数据，获取和处理这些语料需要特别注意数据隐私和安全性。
环境现状
◎ 落地进展：
中国工商银行：已经形成代码推演预测、代码自动生成、代码检索复用等能力，并以IDE插件的形式整合到开发中心，有效提升研发效能；编码助手生成代码量占总代码量的比值达到40%。
花旗银行：使用大模型提高开发人员的工作效率并测试软件漏洞。
国金证券：以aiXcoder代码大模型为核心引擎，结合国金证券三十年金融行业软件资产沉淀及人工智能生态融合，共同构建了一个代码大模型的工程化应用框架。（硅心科技服务）
海通证券：与商汤科技合作，基于海通证券丰富的数据基础，商汤大模型构建了完整思维链，深入理解业务逻辑，为开发者提供了代码智能补全与对话问答的服务，可有效提高开发效率。
◎ AIGC厂商进展：
软通动力：软通天璇2.0平台，包括代码补全能力等。
宇信科技：开发助手 CodePal，提供代码补全、自动化bug检测、代码规范检查等功能。
华为：金融大模型解决方案，包括智能编程助手等。
商汤科技：日日新SenseNova 5.0，包含代码生成及补全。
1.1.2
信息技术与软件开发业
应用价值
市场空间：★★★★★
2024年全球IT支出预计将达到5.26万亿美元，全球软件开发人员总数将达到2870万。市场调查机构Gartner 2024年发布报告，2023年年初企业软件工程师使用AI代码助手的比例不到10%，不过预估到2028年将达到75%。（数据来源：环球网科技）
根据Boss直聘的《2023年中国程序员人才发展报告》，中国程序员数量约为700万人，IT研发人员群体庞大。研发人才意味着庞大的研发支出，比如百度23年研发支出约在270亿元左右。提升研发效率对于科技巨头降本增效意义巨大。
应用难度
◎ 逻辑难度：★★★
需要满足开发者在多种编程语言、框架和场景下的需求。需要理解开发者的意图，并根据这些意图生成符合逻辑的代码，涉及到复杂的逻辑推理和上下文理解能力。
编程AI化是计算进化的必然。从逻辑上来说，编程语言一直在进化，从二进制到后来的机器代码，到汇编语言，再到高级语言。而编程语言不断进阶的目的，就是为了让编程难度更低、效率更高。预测编程语言的终极形态将是人人都掌握的自然语言。
AI编程让程序员专注于创造，助力企业研发降本增效。
◎ 算力成本：★★★
需要不断学习和适应新的开发需求，训练和推理过程中需要消耗大量的计算资源。头部的大模型参数超过100亿。
◎ 语料大小（成本）：★★★★★
编程语言种类较多，每种语言的代码语料巨大，头部的大模型需要数十亿行代码的训练。
环境现状
◎ 落地进展：
Gartner于2023年第3季度调查了全球598家知名企业，结果显示63%的企业目前正在试用、部署或已经部署了AI代码助手。
字节跳动：由字节跳动推出的MarsCode，字节超过70%的工程师都在使用，每月贡献百万行量级的代码。
埃森哲：使用Amazon CodeWhisperer加快编码任务，可以帮助减少30%的开发工作量。
◎ AIGC厂商进展：
华为云：盘古大模型
智谱AI：CodeGeeX代码大模型
阿里云：AI编程助手通义灵码
百度：Comate
微软：GitHub Copilot X
亚马逊：CodeWhisperer
谷歌：Gemini Code Assist
Meta：Code Llama
硅心科技：aiXcoder XL
◎ 投融资规模：
中国：智谱AI：2023年10月宣布年内已累计获得超25亿元融资。
硅心科技：2023年完成数千万元人民币A+轮融资。
美国：Y Combinator2024路演项目中，服务开发者的生成式AI占比约13%。
Augment：2024年完成2.52亿美元B轮融资，投后估值达到9.77亿美元。
Cognition Labs：2024年完成1.75亿美元的新融资，估值已提升至20亿美元。
Replit：2023年获得了a16z领投的9740万美元融资，估值11.6亿美元。
Codium：2024年获得6500万美元融资，估值5亿美元。
1.2 应用场景：知识管理和内容创作
1.2.1
金融业
应用价值
市场空间：★★★★
金融业是单位数据产出量最高的行业，生成式人工智能将大幅提升内部运营效率，提高获客能力，提升产品设计创新能力，和加强风险防控能力，有望为金融业带来3万亿规模的增量商业价值。
BCG曾以一家拥有约两万名员工的区域性国际银行为例，初步梳理了该银行前中后台相关部门应用生成式AI的潜力和效益，预计在首年即可为该银行节省约1.5亿美元的成本，占整体薪酬总包的7%左右。
应用难度
◎ 逻辑难度：★★★★
金融领域的数据量庞大，对实时性，算力都有很高的要求；
金融领域的数据安全系数要求高，隐私风控等要求本地化部署大模型成本高；
复杂的投融资决策没有标准，机器难以捕捉，即便策略能保持一致性，历史的决策也不一定是明智的；
需要复杂拆解逻辑的问题需要精心设计提示词，很难通过精调训练行程，投入产出没有精调高。
◎ 算力成本：★★★
即便是对数据进行精调，也需要一定的高算力资源，若有成百上千个AI应用同事在组织内运行，对硬件基础设施的算力、稳定性的要求都很高。
◎ 语料大小（成本）：★★★★
千亿级别的通用大模型，训练一次需要付出几千万的成本。大模型产业化的一大关键是突破应用成本的门槛，模型参数量需维持在10B到100B之间。
通过剪枝、低秩分解、稀疏化等方式能够实现；银行业每100万美元的数据产出820GB,数字资产规模千亿级；
环境现状
◎ 落地进展：
我国银行业42家上市银行中，有6家已经公布大模型技术开发与应用信息。
项目举例：智能投顾（Wealthfront 和 Betterment 等公司）；自动化报告生成（摩根大通-COiN（Contract Intelligence）平台）；金融预测与风险管理（高盛和摩根士丹利等投资银行）反欺诈和合规管理（Mastercard和Visa检测和预防欺诈交易）个性化服务（花旗银行（Citi）和美国银行（Bank of America）AI聊天机器人）贷款审批和信用评分（LendingClub和Upstart）
◎ AIGC厂商进展：
项目举例：OpenAI的GPT-4被金融机构用于生成市场分析报告、新闻摘要和客户服务回复；IBM Watson被多家银行和保险公司用于合规检查和风险管理；DeepMind的AI技术被用于开发高级金融模型，预测市场趋势和生成交易策略。Azure AI平台提供了多种生成式AI工具，被金融机构用于自动生成财务报告、客户服务聊天机器人和风险评估模型；Hugging Face的Transformers被金融公司用于文本生成和分析任务，如生成市场评论、财报摘要和客户交流内容；亚马逊的AWS AI；Adobe Sensei通过分析客户行为数据，生成个性化的市场分析报告和营销建议等。
◎ 投融资规模：
据不完全统计，2020年至2022年9月，AI+金融领域总计发生融资事件104起，轮次分布较为平均。截止2022年9月，AI+金融领域融资事件已达29起，基本持平2021年全年。（数据来源：中国AI+金融行业发展研究报告）
中国：商汤（金融风控、智能投顾，反欺诈）2021年10亿美元融资；依图科技（风险管理、客户识别，反欺诈）2020年完成2亿美元；
美国：OpenAI（金融市场预测、算法交易、客户服务自动化）2023年获得10亿美元；。AlphaSense（金融研究、市场分析）2022年12月完成1亿美元。
1.2.2
零售、电商业
应用价值
市场空间：★★★★
2024年我国AI大模型市场规模有望达到216亿元；（数据来源：根据2024-2030年中国大模型行业深度分析及发展策略研究报告预测）
人工写作100小时，AIGC10分钟，人力成本每小时100元；
文生图/文生视频将大量减少企业外包成本；
在新一代大模型技术下得到极大优化，开发成本也降低20倍；
从真人形象采集到数字人视频生成仅需 5 分钟，24h播放最新内容；
单条创意耗时从30分钟降到4分钟，“AIGC文本创意”每天生产14亿条，近7成的企业都用到了这个功能，近三分之一的创意展现都有AIGC参与；
2分钟就可产出100条创意，三步即可生成数字人广告，为客户在营销过程中低成本提质增效；
未来四年10%-30%的图片内容由AI参与生成，有望创造超过600亿以上市场规模；
海外短剧市场规模的估算将突破百亿级美元。（数据来源：金融界）
应用难度
◎ 逻辑难度：★★★★★
这类技术处于快速发展阶段，其技术门槛、运算资源需求以及数据需求都较高。这类系统需要大量的高质量图像和视频数据进行训练，而获取这类数据是一项挑战；
深度学习模型需要大量的计算资源和时间来进行训练，且需要专业的技术团队和设备来承担这一工作；
虽然我们已经看到了许多如 GANs、Transformer 等重要技术的成功应用，但是在发表的研究中，这类模型在一些复杂场景或者特定任务上的表现仍然有待提高。
◎ 算力成本：★★★★
文生视频的人工智能模型参数通常在10亿至100亿级别；这样的参数量级意味着需要大量的算力来支持模型的训练和推理过程。
加州大学研发出新的Transformer架构显著减少大模型对GPU的依赖。在FPGA上实现的自定义硬件解决方案，处理十亿参数规模的模型功耗约为13W，接近人脑的效率。
◎ 语料大小（成本）：★★★★★
对于"文生视频"来说，需要获取的是文本和相应的视频配对数据，这种特定类型的数据在开放资源中获取的难度相当大。你可能需要自行创建或者通过专门的数据提供商购买；
对于这种裁剪和标注任务，需要专业的人员进行标注，使数据满足特定的训练要求。在视频信息丰富的情况下，这一过程既耗时间又复杂；
深度学习模型通常需要大量的数据进行训练，以便能够泛化到各种可能的输入条件。因此，所需的语料规模可能非常之大。具体来讲，可能需要数十万甚至几百万的配对文本和视频样本。
环境现状
◎ 落地进展：
“擎舵”AI数字人平台操作更是简单，3分钟采集后将生成一个数字人“分身”，口播视频分钟级生产，真正做到了高效高产低成本。平均消费对比投放投放前提升12%。
七火山科技在3月7日宣布，经过深度学习和人工智能领域前沿技术的深入研究，Etna模型正式发布。Etna模型不仅能够根据用户的文本提示创建长达15秒的逼真视频，而且实现了4K分辨率和60帧每秒的超高流畅度。其他的AI视频最高也只有每秒30帧，Etna成为目前效果最接近Sora的模型。七火山通过Lava平台已与字节跳动、小米、快手建立合作关系，实现短剧内容的角色换脸、对白配音及字幕翻译，推动内容本地化和国际化发展；MiniTV作为分发平台，探索短剧海外发行的多元化模式；七火山应用在印尼的月活已经达到了4000万的用户，迷你图片在印尼应用排行前三。
OpenAI的Sora文生视频长达60秒；生数科技发布的Vidu生成时长为32 秒；Runway的Gen-2为18 秒；前京东副总裁梅涛成立的Hidream为15秒以上。Pika目前达到约4秒左右；
◎ AIGC厂商进展：
Pika：开发基于 AI 模型技术的文生视频工具，即将发布全新视频生成大模型；
Runway：知名的文生视频平台，它提供了一个视频生成工具，允许用户根据文本提示生成视频内容。
七火山科技Etna：一家初创企业发布了Etna文生视频模型，该模型在技术路线上与Runway和Pika有所不同，采用了扩散模型技术；
◎ 明星项目：
谷歌推出的AI视频生成模型“W.A.L.T”；
字节跳动文生视频模型PixelDance；百度“轻舸”、“擎舵” 和 “商家 bot”；
Sora：由OpenAI推出的Sora模型是一个重要的文生视频模型，能够根据输入的prompt生成长达60秒的视频；
爱诗科技创立于2023年4月，专注解决AI视频大模型及应用，海外版产品PixVerse于2024年1月正式上线，目前已是全球用户量最大的国产AI视频生成产品。王长虎透露，接下来 3—6 个月，爱诗最重要的目标是，技术上能够追平甚至赶超Sora。
Fancytech：一键生成高颜值服装模特图，大幅降低商拍成本；
筷子科技：面向全体量品牌的效率协同AI应用产品——Kuaizi.aiAIGC内容商业应用平台。
◎ 投融资规模：
爱诗科技：完成亿级人民币 A1 轮融资；
生数科技：3月12日，宣布完成新一轮数亿元融资；
Pika：6月份完成近6亿B轮融资，Pika总融资额已达1.35亿美元；
Fancytech：已完成近亿元B轮融资；
筷子科技：内容商业AIGC视频应用平台筷子科技完成近5000万元融资。
1.2.3
游戏娱乐业
应用价值
市场空间：★★★★★
游戏行业从业人员减少了近万人，在这样的情况下，今年1-6月国内游戏市场实际销售收入为1472.67亿元，同比增长2.08%；游戏用户规模近6.68亿人，同比增长0.88%。其中整个游戏行业研发人员占比74%。
各大厂商开始工业化的AIGC美术流程来辅助内容创作（实际运用中保持了相当的克制）提高产能效率，变相减少研发成本，甚至美术、音乐外包成本，提高利润率。
游戏公司更多的作为AIGC商品的客户侧，使用AIGC工具来创造价值，通过AIGC相关工具已经可以大大提升美术（原画构图、铺色）、动画（动捕快速预览、动作模拟）、文案（内容框架生产、语法校正、历史文学法律等专项内容精准化、剧情语音自动生成）来辅助工作以提高产能效率和准确性，使生产速度提升至少20%，生产质量至少提升15%。
甚至网易公司透露，在游戏生产的多个关键环节，人工智能技术已经显著提升了工作效率，最高可达90%。
应用难度
◎ 逻辑难度：★★★
个性化、保持连贯性和一致性。理解复杂的人类情感和文化背景。AI模型需要与游戏引擎和其他开发工具无缝协作，遵守相关的法律法规。
◎ 算力成本：★★★★
在3D建模、动画和视觉效果的生成上生成定制内容。实时、流畅性和互动性。可能会选择使用云服务来获取所需的算力。
◎ 语料大小（成本）：★★★★
许多游戏语料可能受到版权保护，使用这些语料可能需要获得授权，这涉及到版权成本和潜在的法律风险。
游戏内容通常包括文本、图像、音频和视频等多种模态的数据。整合这些不同模态的数据需要额外的工作和成本。
环境现状
◎ 落地进展：
真实案例：
影视常用工具：HeyGen、RASK、剪映
游戏：Suno、so-vits-svc、GPT-SoVITS
漫画、动画：Stable Diffusio、Palette、MidJourney
网文：ChatGPT、MidJourney
◎ AIGC厂商进展：
开发商：Midjourney，工具：Midjourney；
发展现状：开源图片AIGC工具Stable Diffusion在开发性上更强，但Midjourney的易用性更高，对于二次优化需求不强的美术环节更实用。
开发商：Suno,工具：Suno;
发展现状：能够满足对音乐品质要求不高的听众需求，但目前中文人声清晰度还不够，加工再创造的难度更高。
开发商：字节跳动，工具：Dreamina；
发展现状：目前国内可使用的文生视频/图生视频中生成效果比较好的产品，但和Sora仍存在差距，生成时长较短，视频稳定性不足，很难直接应用。
◎ 投融资规模：
近十年来，中国游戏企业的累计研发投入已超过万亿元，这一高投入水平为AIGC技术的发展提供了坚实的资金支持。
1.3 应用场景：客服和销售智能体
1.3.1
金融业
应用价值
市场空间：★★★
根据中国银行业协会数据，截至2022年末，银行业金融机构客服从业人员为4.38万人，全年人工处理来电6.41亿人次，70%的客服中心与远程银行提供智能语音机器人服务，84%的客服中心与远程银行提供智能文本机器人服务。
根据职场网站数据，银行客服岗位平均年薪为8.4万元，工资规模为37亿元，保守估计AIGC客服机器人可解决约50%的客服工作，估算市场规模约18.5亿元。
应用难度
◎ 逻辑难度：★★★★
金融产品类型丰富，客户的个性化服务需求较高，且金融行业出于合规等原因，对数据安全和隐私保护要求极高，对所生成的回复内容准确度和合规要求也极高，整体实现的逻辑复杂性较高，逻辑难度较大。
◎ 算力成本：★★★
在高频问题回复、通知和客户回访等业务场景中较易实现，算力成本低；在高端客户开发和维护、复杂产品问题回复等业务场景中较难实现，且考虑合规对于所回复信息的严格监管要求，算力成本较高。
◎ 语料大小（成本）：★★★★★
语料获取难度高，公开语料较少，金融机构间出于合规等原因，语料不互通；语料规模相对较大，整体语料成本高。
环境现状
◎ 落地进展：
同花顺：成功落地财经领域自然语言、语音问答系统“i问财”。提供多维度的股票、基金、债券数据，投资者输入自然语言问句搜索想要的数据和信息。此外还有条件选股、研报图表、精选策略、产品搜索、短线复盘、策略回测、宏观经济等功能。
美国银行：利用AIGC技术完善其智能化客服，回答客户相关产品和服务问题，如客户可以询问不同类型贷款的利率，或者不同投资账户的功能等。此外，该客服还可以用来处理账户交易，例如付款、转账和开设新账户等。
招商银行：2021年推出智能财富助理“AI小招”，基于大数据技术，通过知识沉淀与机器训练，为客户提供收益查询、涨跌分析、市场热点解读、产品推荐、资产配置建议等财富管理综合服务。
◎ AIGC厂商进展：
沃丰科技：采用Udesk为光大银行提供完善、强大的第三方接口能力，通过快速、安全的方式对接客户业务系统数据，实现了云呼叫中心的智能化定制；外呼任务分配之后，系统提供实时、准确的监控功能供管理员完成员工工作的监控与考核针对光大外呼业务的特性，Udesk为光大银行提供完善的外呼任务策略，从获取外呼数据到执行落地，方便管理监督。
智齿科技：为百年人寿提供智能一体化的解决方案，帮助以客户服务为核心的客服部门、以全国各销售团队为核心的精算部门实现业务智能化、管理数据化、平台一体化，对内、对外两大业务模块全面升级，实现机器人有效接待率98.5%，机器人独立接待率95%。
信也科技：通过垂类大模型辅助人工服务用户，提升客服体验；其自主研发的支持多语种的高性能离线流式一体语音识别系统获算法赛道金奖，金融客服生成式数字人坐席的大模型算法获创业组TOP50。
◎ 投融资规模：
沃丰科技：率先搭建了一体化客户全生命周期解决方案，自成立至今获得了5轮融资，累计融资金额超7亿元人民币，投资方包括DCM中国、君联资本、Tiger Global、TMT Investments等诸多头部机构。
智齿科技：作为一家一体化客户联络解决方案提供商，从2015年至今，共完成7轮融资，最新一轮D轮融资1亿美元，投资方包括高瓴创投、用友、云启资本、IDG资本、真格基金等投资机构。
1.3.2
零售电商业
应用价值
市场空间：★★★★★
根据商务部数据，2023年我国全年网上零售额15.42万亿元；根据京东集团年报，2023年全年营收10847亿元，其中商品收入8712亿元。根据京东所披露的2024年数据，客服团队超过2万名员工。
据此比例可估算我国电商行业从业人员约为35万人。根据职场网站数据，电商客服岗位平均年薪为7.5万元，工资规模为263亿元，保守估计AIGC客服机器人可解决约50%的客服工作，估算市场规模约132亿元。
应用难度
◎ 逻辑难度：★★★
降低成本类场景：对于传统电商、跨境电商、电商运营等，其主要诉求是降低运营成本，通过AIGC提供多语言客服，以及生成图片、视频、商品描述和文案等服务，从而降低人力成本，提升运营效率，这类需求的实现逻辑难度相对较低。
提升销售类场景：对于内容电商等，其主要诉求是通过制作内容、展示商品、获取流量和增加销售额，虽然对成本并不敏感，但更注重销售额和ROI，希望通过AIGC创造出与真人类似甚至更好的转化率，以提升销售额，这类需求的实现逻辑难度相对较高。
◎ 算力成本：★★★★
降低成本类场景：内容创作对创意要求相对较低，可从通用场景中作参考，其算力成本相对较低。
提升销售类场景：需要创意类内容创作，其算力成本较高，且其算力要求会随着场景对销售需求的增长而增长。
◎ 语料大小（成本）：★★★★
降低成本类场景：语料获取难度相对较低，对大型电商而言有大量语料可供训练，对创业公司而言有语料获取难度。
提升销售类场景：语料获取难度高，需要把toC的创意积累并转化为know-how，再进一步作为语料进行应用。
环境现状
◎ 落地进展：
京东：目前形成了包括"智能情感客服"、"商家客服小智"、"AI导购助手"、"智能调度"、"智能辅助"和"智能管理"在内的智能客服服务矩阵。比如“天弓”系统，在用户来电的同时通过用户订单号、商品链接、历史咨询等信息快速预判客户可能问到的问题，并为人工客服提供合理的解决方案，让客服“未卜先知”，更好地解决客户问题。
Amazon：利用AIGC技术提供个性化购物体验，如个性化推荐和自动生成的产品描述，提升了商品页面的丰富度和吸引力。
抖音：推出“即创”商家AIGC工具箱，专注于智能创意生产与管理分析，同时兼容开放生态，提供视频创作、图文生成、直播工具等多种场景服务，让商家免费生成数字人视频、图文素材、短视频脚本、直播脚本、直播背景等。
◎ AIGC厂商进展：
FancyTech：利用业界前沿的自研视频行业模型 - Deep Video，在消费场景中落地AIGC解决方案。产品聚焦在电商视频领域，品牌客户只需将电商店铺账号授权给FancyTech，自研模型驱动会自动生成商品表达视频，包括画外音、音乐、字幕等，另可基于用户数据反馈自动调优持续提升视频质量。为大量消费行业客户提供高效稳定的AIGC解决方案，实现成本降低和效率提升。
乐言科技：将自然语言处理（NLP）、深度学习等AI技术与电商服务与营销场景结合，为电商商家提供服务营销全链路智能解决方案，以丰富的产品矩阵助力电商企业完成数智化转型。
百度：发布全球首个Al Native营销平台轻舸，通过生成式A贯通营销方案表达和广告投放优化，预期将广告投放转化率提升超20%。可实现无需搭建计划单元关键词，无需区分搜索广告、信息流广告，可智能生成营销方案，可以对话式交互设置预算、出价、时段、人群等指标。
◎ 投融资规模：
FancyTech：成立于2020年4月，产品聚焦在电商视频领域，2023年9月完成近亿元B轮融资，由DCM领投，金沙江创投、华山资本等跟投，此前分别于2022年年初完成了金沙江创投的Pre-A轮融资，并于2022年11月完成由源数创投领投，金沙江创投、华山资本跟投的A轮融资。
乐言科技：2024年4月，完成由中金资本旗下基金、上海人工智能产业投资基金领投，老股东阿米巴资本、云锋基金、常春藤资本、众为资本、蓝湖资本、云九资本、初心资本、跃马资本跟投的数亿元人民币D轮融资。截至目前，乐言科技共完成8轮融资，最近一年之内获得4次融资。
1.4 应用场景：医疗和医药科学研究
1.4.1
药物研发
应用价值
市场空间：★★★★★
大模型技术通过深入分析海量蛋白质数据，揭示生物分子的内在规律，使得研究人员能够设计出具有特定功能的新型蛋白质。与传统AI技术相比，大模型提供了多任务预训练能力，能够更灵活地处理特定领域的任务，如药物相互作用和分子性质预测，同时，算法创新如PSG算法进一步提升了预测准确度，从而整体提高了药物研发的效率和成功率。
2022年全球AI制药市场规模为10.4亿美元，到2026年全球AI制药市场规模将达到29.94亿美元。（数据来源：Research And Markets、中商产业研究院《2023年全球AI制药市场现状预测分析》2023.5.8）截至2023年底，全球AI制药企业数量为897家，其中，中国AI制药公司为90家左右。全球上市的AI制药公司共有16家，其中美国公司占据12家。中国AI制药第一股晶泰科技于2024年6月13日在港股上市。
应用难度
◎ 逻辑难度：★★★★★
靶点发现与验证、大分子与小分子药物开发、药物筛选等过程具有高度的科学复杂性，需要处理和分析大量的生物医学数据。大模型需要整合多组学数据、解析蛋白质结构、预测化合物活性等，技术难度极高。
◎ 算力成本：★★★★
通过AI大模型完全模拟药物研发的这一过程对算力的要求极高，足量的训练数据仍然是一大瓶颈，算力成本可能非常高昂。
◎ 语料大小（成本）：★★★★★
语料获取可能面临版权、隐私和商业机密等问题，获取高质量、大规模的语料具有一定难度。当前行业大量的药物研发数据主要掌握在大型药企中，属于药企核心资产，往往不会轻易把数据分享出来。
环境现状
◎ 落地进展：
截止2022年末，全球700多家AI制药公司布局的环节包括：早期药物开发（392家）、数据处理（235家）、临床开发（149家）、端到端药物开发（83家）、临床前发展（57家）及药物再利用（26家）。
从当前的进展来看，落地主要集中在药物发现和临床前研发阶段，AI制药的强项还是在前端，即在早期药物发现阶段。在后端，尤其进入临床之后，目前AI制药所能赋能的或者显著加速的领域还不多，当下还是要按照传统的药物研发的方式做临床试验。
项目举例：1、Moderna：2024年4月，Moderna宣布与OpenAI展开深入合作，截至目前，Moderna员工已开发超过750个定制化的OpenAI ChatGPT版本，用于协助选择临床试验的最佳剂量和对监管机构的回答；
2、赛诺菲：在2024年5月，赛诺菲与AI药企Formation Bio及OpenAI达成合作，汇集各自的数据、软件和调整模型，开发贯穿药物开发全周期的定制化专属解决方案；
3、东阳光药业：东阳光药业自2023年起与华为云开展AI药物研发合作，基于盘古药物分子大模型对高精度药物分子属性和药物结构进行优化。目前已成功通过AI辅助快速获得候选分子HEC169584，并计划2024年下半年申请临床；
4、泓博医药:正在自行搭建PR-GPT多模态大型语言AI模型，主要用于处理和生成人类语言以及化学分子描述，目前知识问答、药物分子生成、药代动力学及毒理性质预测等功能已上线进行内部测试，计划于2024年四季度投入商业运营。
◎ AIGC厂商进展：
项目举例：1、OpenAI：Moderna与OpenAI合作开发了超过750个定制化OpenAI ChatGPT版本，优化临床剂量选择和监管沟通；
2、华为：华为云盘古药物分子对 17 亿个药物分子的化学结构进行了学习，生成了 1 亿个筛选库新颖性达 99.68%；
3、谷歌：在《自然》杂志刊发的论文中介绍AlphaFold3，称AlphaFold 3将蛋白质与其他分子类型的相互作用预测准确度较现有方法提升了至少50%；
4、美国初创公司Profuluent：于2023年1月推出了基于Transformer架构的12亿参数蛋白质语言模型Progen，该模型能够根据特定属性生成定制蛋白质，实现了人工酶的从头合成，标志着蛋白质设计和合成技术的重要突破；
5、英矽智能：在其靶点发现平台PandaOmics中集成了知识图谱和ChatGPT，创建了ChatPandaGPT，使研究人员能够通过自然语言交互更高效地识别潜在的药物靶点和生物标志物。目前，该平台已在一些全球知名药企中进行靶点发现等方面的应用；
6、清华系初创团队水木分子：推出新一代对话式药物研发助手ChatDD，涵盖药物立项、临床前研究、临床试验各阶段，作为制药专家的AI助手，提升药物研发人员的工作效率。
◎ 投融资规模：
全球：AI+药物研发相关融资总事件达104起，总金额为36.01亿美元。
美国：2023年美国的AI药物研发融资事件为48起，融资总额占全球的80%。（数据来源：智药局，《潮涨潮落！2023全球AI制药融资总览》，2024.1.22）
中国：2023年中国的AI药物研发融资事件32起，融资总额占全球的10%。（数据来源：智药局，《潮涨潮落！2023全球AI制药融资总览》，2024.1.22）
1.4.2
辅助医疗
应用价值
市场空间：★★★
医院和诊所是主要应用场景，在这些机构中，AIGC被用于医学影像诊断、临床决策支持、患者管理和病历记录等。
应用价值：1、通过大模型分析图像和文本，快速识别病理特征，提高诊断的准确性和速度，从而降低医疗成本并提升医疗服务的经济价值；2、通过智能化诊断建议缩小了医疗服务差距。
截止2022年全国医疗卫生机构总数达103.3万个，其中医院3.7万个，承担了38.2亿人次的诊疗量，占总诊疗量的45.4%，拥有874.8万卫生人员，占总数的60.7%。基层医疗卫生机构数量98.0万个，诊疗量占比50.7%，但人员占比仅31.6%。这表明基层医疗机构覆盖广但人力资源不足，模型的引入在提升基层服务效率和质量方面潜力巨大。
应用难度
◎ 逻辑难度：★★★★
模型具备高度的准确性和可靠性。此外，医疗数据的标准化和隐私保护也是应用中的难点。
◎ 算力成本：★★★
面临主要的算力成本问题：私有化部署所需的高昂基础设施投资和专用加速芯片的昂贵价格，需要仔细权衡其长期效益与短期成本。
◎ 语料大小（成本）：★★★★★
各级医疗机构的业务系统相对独立，数据较难实现共享，可供训练的真实场景数据集有限。
环境现状
◎ 落地进展：
医院和诊所是主要应用场景之一。在这些机构中，落地应用主要集中在医学影像诊断、临床决策支持、患者管理和病历记录等。
项目举例：1、上海市第一人民医院：通过蚂蚁大模型提高病史书写效率，通过结合关键信息输入和语音识别，该模型能自动生成病历，将原本5至10分钟的病史记录工作缩短至15至20秒；
2、瑞金医院：通过“浦医”2.0提升影像诊断、数字病理和虚拟手术等的应用效能；
3、首都医科大学附属北京天坛医院：联合北京理工大学团队合作推出“龙影”大模型（RadGPT），基于该模型研发的首个“中文数字放射科医生”“小君”已实现通过分析MRI图像描述快速生成超过百种疾病的诊断意见，平均生成一个病例的诊断意见仅需0.8秒。
◎ AIGC厂商进展：
项目举例：1、谷歌Med-PaLM和Med-Gemini系列：Med-PaLM通过了美国医疗执照考试，而谷歌于24年5月刚发布的Med-Gemini系列模型在多模态医学图像处理方面表现更出色，准确率高达91.1%；
2、IBM的Watson系统：在辅助肿瘤治疗领域能力出色，在中国多家医院投入使用；
3、Hippocratic AI：通过非诊断性AI系统提供健康管理的辅助服务，以每小时9美元向用户收费；
4、Abridge：通过AI医疗对话平台将医患对话实时转化为结构化临床笔记，并自动同步至电子病历系统；
5、腾讯健康：覆盖智能问答、病历结构化等多个场景，在上海仁济医院率先运用；
6、商汤：“大医”大模型包含13个预设场景，与多个医院展开合作。
◎ 投融资规模：
美国：Hippocratic AI于2023年成立至今已累计融资金额1.2亿美元，最近一轮融资为2024年3月的A轮，融资金额5300万美元，公司估值5亿美元；Abridge于2018年成立至今已累计融资2.12亿美元，最近一轮融资为2024年2月的C轮，融资金额1.5亿美元，公司估值8.5亿美元。
中国：杭州全诊医学（全诊通）于2016年成立，其“AI+电子病历”用户数量在全国领先，已服务于多个省市的医疗机构和卫生健康管理部门，公司最近一轮融资为2023年12月的C轮，融资金额及估值未披露；北京百川智能于2023年成立，于2024年7月完成了A轮融资，总融资金额达50亿人民币，将以200亿估值开启B轮融资。百川智能于2024年1月推出大模型Baichuan 3，在MCMLE、MedExam、CMExam等权威医疗评测上的中文效果超过了GPT-4，是中文医疗任务表现最佳的大模型。
高金项目火热招生中…
欢迎点击小程序了解更多信息