AIGC带来的商业模式变革——AI的显性化。随着自然语言技术（NLP）进一步降低AI的使用和触达门槛，以及伴随着AIGC生成算法的优化与改进，我们发现AIGC的商业化落地速度和效果表现将超预期，一些如Jasper这样的初创企业已经开始产生了营收。这意味着AI正以越来越显性的方式产生商业模式。AI已经不再像过去那样与硬件、系统等一起打包进行商业化落地了。对于普通人来说也不再是一门遥不可及的尖端技术。
To B仍是AIGC的主要商业模式。虽然AIGC使C端用户以较低的门槛使用AI生成内容，但就目前来看，to B仍然是核心商业模式。对于B端客户来说，他们的需求和付费意愿是较为稳定的，这主要有以下两个核心原因：对于B端带来的效率提升和成本下降，如用AIGC抓取信息后根据已有模板完成新闻或一些产品的测评；能够填补原本很难完成的需求鸿沟。
面向C端的AIGC，以SaaS订阅为主。随着AI模型与算力的发展突破了可用的临界点，AIGC对个体的赋能也不容忽视，且将以SaaS订阅为主。第一是作为效率工具，AIGC产品能够在信息获取、格式整理和工作流等各个流程提高个人用户的效率；第二是作为创作工具，像剪辑、修图软件一样，AIGC能够大幅度降低大众用户的创作门槛。效率工具例如Notion发布的NotionAI，尤其值得关注AI模型作为基础设施集成到已有的工作流中。
AIGC未来应用普及的背后，将产生巨大的算力市场。根据OpenAI的研究，AI训练所需算力指数增长，且增长速度超越硬件的摩尔定律。AI模型大算力的背后需要高昂的算力成本，GPT-3训练的算力成本超过400万美元。尽管AI模型往往会选择开源，但数据集和训练成果是一个团队的内部资产，这意味着每个AI产品都需要支付自己的训练成本。在未来AIGC随着B端和C端的商业化落地的实现，算力集群的建设和云服务都会受益，同时考虑到英伟达A100、H100出口受限，相关国产算力芯片将有机会获得增量市场。
AIGC社区的价值。近期在与各个创业团队的沟通过程中，我们发现行业一个重要的关注点会放在AIGC与Web3.0的结合，以及AIGC与社区的融合。AIGC让用户的创作门槛的降低，有助于加强社区的互动和发展，同时降低了平台的内容成本。社区用户对内容的探讨与偏好能为AIGC模型提供优质的反馈，以便后续优化增强产品力。NFT能够确权作品和链接社区，AIGC与NFT社区的结合探索，或将产生值得期待的商业创新。
微软与OpenAI深化合作，AIGC商业化加速到来。1月23日，微软官方宣布在与OpenAI将进一步深入合作，将在未来数年内追加投资数十亿美元以加速AI技术推向大众。微软正在迅速推进OpenAI的商业化，将目前的ChatGPT、DALL-E等AI工具整合进微软旗下的全部软件，例如Bing、Office等，为用户带来更高效的交互体验。更值得关注的是，微软将提供AI云服务AzureOpenAI，允许开发者在OpenAI的模型基础上搭建自己的应用，从而加速AI技术的商业化落地。
此举可见，OpenAI作为AIGC行业龙头，已开始商业化之路，一方面自己作为模型基础设施，赋能搜索引擎、办公软件提高效率和用户黏性；另一方面借助合作伙伴的算力基础设施，为后续底层硬件拓展打牢基础。
随着产品落地及场景的拓展，越来越多的市场关注将集中于商业模式的探讨，即一个很关键的问题：AIGC如何赚钱？通过行业访谈，我们认为2023年将是AIGC的商业化加速之年，AIGC有望走近大众的生活、工作中。
“AI的显性化”是我们最近产业交流中的最深刻感受。AI虽已发展多年，但在诸多领域的应用更像经过专业学习的“专科生”，而今基于大模型的AIGC更像接受过通识教育的研究生，虽然在发展初期在特定专业领域功能有限，却有着更强的可拓展性。因此，我们预计，当2023年GPT4模型发布之后，“AIGC+”将成为全球性的趋势。底层的大模型与数据集将成为下一个科技时代，真正意义上的“IT基础设施”，既有垂直领域的价值也不容忽视，正如OpenAI与微软的合作，通用AI的显性化趋势将日益显著。
AI具有通过自动执行各种任务、提高效率和启用新的经营方式来转变商业模式的潜力。以下是人工智能如何改变商业模式的一些方式：
自动化：AI可以自动执行各种任务，例如数据输入、客户服务和供应链管理。这可以减少对人力的需求并提高效率，从而完成降低成本并增加利润的目的。
改进决策制定：AI可以分析大量数据并提供有助于企业做出更好决策的见解。例如，人工智能可用于优化定价、识别新机会和预测客户行为。
个性化：AI可用于为个人客户提供个性化的产品和服务。这可以帮助企业更好地瞄准他们的营销工作并提高客户满意度。
新商业模式：AI可以实现以前不可能实现的新商业模式，如：AI驱动的聊天机器人可以让企业提供24/7全天候客户支持，即使在他们关闭时也是如此。
在此之前，我们关注到的AI主要集中于安防、网络监测等领域。2020年，AI+安防领域达到了453亿的市场规模，是商业落地速度最快且容量最大的赛道之一。预计这一规模将在2025年达到900亿。但这一领域，基本都是同硬件和系统一起打包提供。
而随着自然语言技术（NLP）进一步降低AI的使用和触达门槛，以及伴随着AIGC生成算法的优化与改进，我们发现AIGC的商业化落地速度和效果表现都很好，一些如Jasper这样的初创企业已经开始产生了营收。这意味着AI正以越来越显性的方式产生商业模式。以成立于2021年的Jasper为例，其成立当年营收就达到了4500万美元，并收获了7万名用户，2022年营收也预计7500万美元。从Jasper的官网上看到，它是以类SAAS服务的形式进行收费，分为初级、高级和订制三个模式。而国内部分领先的AIGC公司，在用户规模、内容生成量上在2022年亦快速起步，预计2023年开始产生营收及盈利并非难事，但能否形成SaaS订阅模式尚待观察。
再以Jasper为例，其不仅融合了多种模型算法，包括GPT3、NeoX、T5等，并在此基础上根据实际业务需求，使用量身定制学习模型——构建界面和原始工作流程，使AI更易于日常使用。同时，由于融合了多种模型，它能够区分特定用例或行业的最佳模型组合。这种方式有助于避免过度依赖任何一个来源，并使最终产出效果更好。Japer的使用界面上可以看到其提供了数百种垂直领域的模板，如：新品推广邮件模板等。这样的设计能够更进一步地帮助用户完成精准的输出，更好地吸引用户来使用。这也是为何成立两年Jasper就能吸引到IBM、Airbnb这样的大客户的原因。
随着技术的进步，AI已经不再像过去那样与硬件、系统等一起打包进行商业化落地了。对于普通人来说也不再是一门遥不可及的尖端技术。AI变成了一个普通人也可以轻松运用、提升效率的工具，这预示着AI的商业模式更加显化。
虽然AIGC使C端用户以较低的门槛使用AI生成内容，但目前来看，to B仍然是核心商业模式。对于C端用户来说，缺乏长期持久的需求，大多数只是一时兴起的好奇体验。而对于B端客户来说，他们的需求和付费意愿是较为稳定和长久的，这主要有以下两个核心原因：
降低成本
AIGC替代了部分原本应该由原创人员承担的工作，例如网站内容编辑、美工等，假设人工成本在100万，而AIGC能够降低50%以上，那么企业将有充足的动力进行机器替代，其实这一过程正在发生，尤其在一些垂直领域，例如体育、金融、汽车等。
早在2018年，路透社就启用了一款AI新闻撰稿工具Lynx Insight Service，主要目的是将编辑工作中机器所擅长的领域分摊给机器，如：数据挖掘和识别数据规律，将编辑人员所擅长的工作内容交予人类，如设置提问、赋予任务以权重，对上下文进行理解等。这和我们此前尝试用Chat GPT进行研究报告的撰写的情况类似。在未来，人主要负责整体方向的把握和提出问题，而AI负责信息的搜集、处理汇总和融合。
除了以上这种形式以外，目前更普遍的是通过AI快速抓取信息数据，套入已设置好的模板后形成文稿。这在我们平时熟悉的“万得”的快讯以及“汽车垂直媒体”汽车参数对比中较为常见。
除了新闻稿件类，AIGC生成图片也被应用在新闻稿或自媒体的插图或封面上。相比原先在素材库找图的效果更贴合文章，也减少了找美工的费用并提升了效率。但在这一领域，文字的需求大于图片，一方面是由于工作的完成度另一方面是由于本身的市场空间。
跨越B端需求鸿沟
部分to B应用具有项目制的特点而难以被满足，我们称之为需求鸿沟。例如，IP矩阵的构建，当需要对大IP构筑包括电影、电视、游戏、动漫、手办等周边产品时，需要大量各类原创作者对IP矩阵进行丰富，这是一个费钱且费力的漫长过程。内容供给方因工作量巨大而无法提供大量原创稿件，而需求方因看不到内容而无法买单。未来基于AIGC，原创内容方可以以少量手稿，借助模型的帮助，大量生成内容，由于扩散模型的存在，这种“白盒+黑盒”式的内容生成甚至带有“二创”的意味。若能在AIGC的帮助下跨越需求鸿沟，则大型B端项目更容易实现。
我们以二次元市场为例，该产业已经步入爆发期，产业链趋于成熟。2020年国内整体市场规模达突破了千亿，泛二次元用户预计2023年达到5亿。围绕着二次元IP形成的包括潮玩、虚拟偶像、服装和线下娱乐等新型衍生产品矩阵拥有巨大市场，也是当下发展的重点。
在潮玩、虚拟偶像和服装的设计生产过程中，必不可少会涉及选择设计师、完成设计这一过程。有了AIGC的帮助，可以大幅提升这一过程的效率。在原先的情况下，需要安排一批设计师尝试设计一个初稿并给IP方审核沟通，产生的沟通成本和前期初稿设计费用相对较高。而在AIGC的情况下，设计师可以先训练出自己风格的生成模型迅速根据IP方的要求设计出多个初稿供选择。这一点能够快速帮助确定设计师并减少沟通成本。在后续的设计生产过程中，也可以通过AIGC高效生成多种类似风格或IP的内容，这将大幅提升效率和降低成本。
因此，即使由于技术的发展使得AIGC变得普及，我们依旧认为当下阶段，to B端才是主要的商业模式方向，核心原因在于对于B端带来的效率提升是切实的，也能够填补原本很难完成的需求对接，因此客户付费意愿较强。
随着AI模型与算力的发展突破了可用的临界点，AIGC对个人的赋能也是值得关注的方向。在极小的边际成本下，AIGC应用能够大幅度提高个人的信息处理效率以及内容输出质量，而这类技术又可能反作用于生产关系的演变。
因此，面向C端的AIGC应用，可从两个角度来探讨其商业价值：第一是作为效率工具，诸如传统的笔记、日程管理等工具，AIGC应用能够在信息获取、格式整理和工作流等各个流程提高个人用户的效率，并且AI模型作为基础设施能够集成到现有的工作流程中；第二是作为创作工具，像剪辑、修图软件一样，AIGC能够在UGC内容流行的今天，大幅度降低大众用户的创作门槛，强化个人媒体的IP价值。
从商业角度而言，将AIGC作为底层基础设施的SaaS订阅将成为中长期趋势，目前Midjourney等企业已有类似尝试。用户付费的逻辑在于以下几个方面：
更高效的信息获取方式
AIGC替代搜索引擎成为下一代信息获取方式。ChatGPT上线后被广泛讨论的一个问题是：ChatGPT会取代谷歌吗？传统的搜索引擎通过对关键词的检索与相关性的排序，为用户提供可能有价值的页面链接。而ChatGPT通过庞大的语料库，针对用户提出的问题可以直接给出回答。例如，在询问光纤光缆行业概况时，ChatGPT会直接根据用于训练的大数据集给出一个合理答案，并且用户在追问的过程中，也能够进行回复。而传统搜索引擎则需要按照关键词去寻找合适的资料并进行整理。从实际的体验中，从ChatGPT获取信息的质量要高于搜索引擎，速度会更快，但会存在数据集的局限性（例如ChatGPT对2020后的信息一无所知），不过已经在大部分场景能够取代搜索引擎。尽管ChatGPT目前处在Demo阶段，但社交媒体上已经有人表示愿意为之付费用于提高自己效率。
从辅助表达到替代表达
在内容的表达上，AIGC能够完成从辅助到替代的跨越。效率工具在辅助表达、增强沟通效率这方面已有很多尝试，例如Grammaly对用户表达进行语气和措辞的修饰，提供常用的表达模版和规范。而AIGC能够更进一步，按照指定的格式、语气和场景进行内容输出，从而替代人工进行表达。以Jasper为例，以AI文字生成为主打产品，通过其文字生成功能，用户可以生成Instagram标题，编写TikTok视频脚本、广告营销文本、电子邮件内容等工作。
集成到已有的工作流
AIGC将会集成到已有工作流。AI大模型作为基础设施，可以根据具体的使用场景和需求设计应用，也可以集成到现有的工作流程中。例如Notion AI，其应用Notion是一款全平台文档工具，支持协作、笔记、表格、看板等功能，在2021年完成了由Coatue和红杉牵头的2.5亿美元C轮融资，投后估值103亿美元。2022年，Notion的用户规模目前已经达到3000万，付费用户达到400万。在前段时间，Notion发布了Notion AI测试版，Notion AI完全集成到Notion的现有工作流中，当用户在应用中整理素材、管理日程、创作的时候都能够使用AI辅助来提高效率。即便是midjourney、无界版图以及ChatGPT，我们认为也难称之为一个完整的工具，离开了用户现有的工作流使得AIGC更像是“玩具”，但如果把这种功能嵌入到已有的工作流中则完全不同。
扩大用户创造力
创作工具的发展与普及让更多个人用户称为内容创作者，这也带来了UGC的繁荣。而AIGC作为内容创作工具，将更进一步降低图片、视频等内容的创作门槛。从前是通过文案自动生成配音，而AIGC可以实现一句话生成文案，一句话生成图片甚至视频：例如，在MidJourney中，用户只需要通过输入文字描述，计算机将会自动生成一张作品；AIGC虚拟人可以根据文案内容自动生成虚拟人节目。这些应用在相对较小的学习成本下，用很短的时间使得用户能够创作更多内容。
AIGC背后的“大算力”究竟有多大？
AI训练所需算力指数增长，增长速度超越硬件的摩尔定律。在2018年，OpenAI发表了一份研究成果，尝试量化大语言模型所需要的算力以及算力需求的增长趋势。该研究发现，自2012年至2018年，用于训练AI所需要的算力大约每隔3～4个月翻倍，整体呈现指数级上涨（而摩尔定律仅仅是18个月翻一倍）。从2012年到2018年，训练AI所耗费的算力增长了30万倍，而摩尔定律在相同时间只有7倍的增长。
对于目前常见的大模型（例如GPT-3、NLG、Gopher等等），算力的测量往往使用petaFLOPS-days。这个单位意味着一个每秒进行一千万亿次浮点计算的设备，需要不停歇地运算一整天。作为对比，英伟达的旗舰产品RTX3090在标准功率下的浮点算力约为35 TFLOPs，每秒能够处理35万亿次计算，1 petaFLOPS-days意味着需要不断以最高算力跑满29天。就算用目前最快的超级计算机，这个训练过程在理想情况下也超过一周。
AIGC未来应用普及的背后，将产生巨大的算力市场。AI模型大算力的背后需要高昂的算力成本，以GPT-3为例，该模型有着多达1750亿的参数，训练所需的算力高达3650 PFLOPS-day。按照Lambda的测算，以V100理想状态下28 TFLOPS的算力和最低3年起云计算的成本，完成训练GPT-3需要花费460万美元，而下一代GPT-4的参数将更多。
尽管AI模型往往会选择开源，但数据集和训练成果是一个团队的内部资产，这意味着每个AI产品都需要支付自己的训练成本。现在大部分创业团队都是布设在云端，因为单独的算力集群很贵，目前A100高端产品大概在6-9万元，1000张A100卡加上CPU、硬盘、存储、机房供电等配套设施的硬件投入将近1亿。在未来AIGC随着B端和C端的商业化落地的实现，算力集群的建设和云服务都会收益，同时考虑到英伟达A100、H100出口受限，相关国产算力芯片将有机会获得增量市场。
近期在与各个创业团队的沟通过程中，我们发现行业一个重要的关注点会放在AIGC与Web3.0的结合，以及AIGC与社区的融合。这种结合趋势主要体现在：AIGC能够助力社区的互动和文化发展；社区能够给予AI模型反馈；AIGC与NFT结合产生新的商业模式。
低门槛的表达能让更大规模的用户参与到社区互动中。相较于UGC平台，AIGC能够进一步降低用户参与创作的门槛和成本；而创作门槛的进一步降低，有助于社区的互动和发展，同时降低了平台的内容成本。例如暴走漫画最初通过漫画工具降低用户的表达门槛，诞生了大量流行的段子，丰富了整个“暴走IP”社区。而AIGC为用户提供的创造力，远远超过传统的内容社区，或会诞生新的平台商业模式。
社区对AIGC作品的反馈能够为AI模型提供训练反馈。以图片生成为例，相同的关键词可能在不同平台的效果差别很大，例如在A平台的效果很好，而B平台效果很差。这其中的一个重要原因就是模型的训练，在相同的模型下采取不同的训练方法也会导致效果差异巨大。在监管学习下，训练员需要给AIGC产生的内容进行反馈，从而调节算法的参数，直到算法的效果令人满意。ChatGPT免费上线产品Demo的一个重要原因就是通过开放的用户交互，收集到更多的反馈数据。社群对内容的探讨与偏好能为AIGC模型提供优质的反馈，以便后续优化增强产品力。
当AIGC涉及到IP相关领域时，传统的版权授权制度很难与之匹配，这种问题在UGC时代就经常出现，例如粉丝的二创行为。NFT的标记性使创作者与二次创作者与观众的链接更加多元化。我们也看到了包括BAYC、Cryptopunks等NFT持有者组成了排他性的粉丝社群，NFT与粉丝经济的结合也在进行模式探索。AIGC由于过程的随机性，不太可能重复生成内容，并且会生成类似于数字指纹的seed，与NFT的结合可以将内容生产的作者与内容本身绑定，也可以与内容的原始IP进行关联，这其中探索尝试的空间巨大，硅谷、新加坡已有不少团队投身其中，我们将在后续的研究中继续跟进。