中信建投：AI***生成模型Sora 投资机遇

　　来源：中信建投证券研究

重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！

　　2月16日，OpenAI发布了全新的Sora模型，该模型具有根据用户输入文本描述生成视频内容的卓越能力。这一创新标志着人工智能在理解真实世界场景并与之互动方面迈出了重大的一步。Sora能够深度模拟真实物理世界，创造出极富想象力的***场景，并在制作长达一分钟的***时保持出色的视觉质量。

　　Sora严格按照用户提供的提示词进行操作，为艺术家、电影制片人和学生提供了无限的创作可能性。其能够轻松创作包含多人、特定运动类型和详细背景的复杂场景，生成与用户提示完美匹配的***内容。截至目前，OpenAI***已经展示了48个由Sora生成的***demo，这些作品色彩艳丽、效果逼真，充分展现了Sora在***创作领域的卓越表现。

　　中信建投证券人工智能与传媒互联网团队带来最新解读，持续更新相关研究成果：

　　人工智能：***生成模型Sora推出，ChatGPT加入记忆功能，谷歌连续更新Gemini

　　传媒互联网：Sora有望推动AI应用加速，春节档表现佳

　　01***生成模型Sora推出，ChatGPT加入记忆功能，谷歌连续更新Gemini

　　1.OpenAI发布首个AI***模型Sora，可生成长达60秒的***。对比先前推出的***生成模型，Sora在***一致性等方面取得巨大进步，可一个生成的***中创建多个镜头，也能够模拟对世界状态产生简单影响的行为。

　　2.OpenAI宣布正在小范围测试ChatGPT记忆功能。用户可以控制 ChatGPT 需要记住的内容，或者通过对话、设置来让 ChatGPT “忘记”此前要求记住的内容，显著提升沟通效率。

　　谷歌宣布Bard正式更名Gemini，并接连发布Gemini 1.0 Ultra与Gemini 1.5 Pro版本。根据技术报告显示，Gemini 1.5 Pro模型可以处理 128000 个 token 的标准情境窗口，最高可达 100 万个 token，与此同时保持着超高准确性。

　　一、行业变化

　　1.1 OpenAI发布首个***生成模型Sora，允许制作长达1分钟***

　　2月16日，OpenAI发布了全新的Sora模型，该模型具有根据用户输入文本描述生成***内容的卓越能力。这一创新标志着人工智能在理解真实世界场景并与之互动方面迈出了重大的一步。Sora能够深度模拟真实物理世界，创造出极富想象力的***场景，并在制作长达一分钟的***时保持出色的视觉质量。Sora严格按照用户提供的提示词进行操作，为艺术家、电影制片人和学生提供了无限的创作可能性。其能够轻松创作包含多人、特定运动类型和详细背景的复杂场景，生成与用户提示完美匹配的***内容。例如，Sora可以制作时尚女性漫步于霓虹闪烁的东京街头、雪地中巨型长毛象的壮丽画面，甚至是太空人冒险的引人入胜的电影预告片。截至目前，OpenAI***已经展示了48个由Sora生成的***demo，这些作品色彩艳丽、效果逼真，充分展现了Sora在***创作领域的卓越表现。

　　三大特点长***、多角度镜头、能够模拟世界客观行为成为最大亮点。此前在2023年轰轰烈烈的多模态AI模型竞赛中，谷歌、Meta和初创公司Runway、Pika Labs都发布过类似的模型。但本次OpenAI展示的***仍然以高质量获得关注。

　　Sora生成***长度达到一分钟。当Runway Gen 2、Pika等AI***工具，都还在突破几秒内的连贯性，而Sora已经可以制作长达60秒的***。根据***介绍，OpenAI团队通过一次性为模型提供多帧的预测，解决了这一具有挑战性的问题。

　　OpenAI称Sora还能在一个生成的***中创建多个镜头，体现人物和视觉风格。此前的AI***都是单镜头生成的，难以保持画面的一致性。而对OpenAI***生成系统来说，Sora通常能够有效地模拟短期和长期的依赖关系。同样，它能在一个样本中生成同一角色的多个镜头，确保其在整个***中的外观一致，并依靠对语言的深入理解准确地解释提示词，保留角色和视觉风格。

　　Sora有时能够模拟对世界状态产生简单影响的行为。例如，画家可以在画布上留下随时间持续的新笔触，或者一吃汉堡时留下咬痕，其创造的类似皮克斯作品的生物有着令人震惊的毛发纹理特征。项目的研究科学家Tim Brooks表示，它学会了关于3D几何形状和一致性的知识，这并非预先设定的是通过观察大量数据自然而然学会的。

　　OpenAI随后发布了技术报告，技术报告中核心提到了以下几点：1）详细介绍了一种将各类可视数据转化为统一表示的方法，从而实现了对生成式模型的大规模训练；2）对Sora的能力及其局限性进行了深入的定性评估。需要注意的是，本报告并未涉及模型的具体技术细节。

　　技术方面，受到大语言模型的成功经验启发，Sora模型通过引入视觉包patches，类似于大语言模型中的token，统一了不同类型的***和图像的表示。首先，通过***压缩网络将原始***压缩到低维度的潜在空间，这个空间可以看作是时空包的***。接着，设计了一个专门训练的解码器模型，将生成的潜在表示映射回像素空间，生成可视的***或图像。在训练中，通过提取时空包并转换成token的方式，Sora模型能够跨越不同分辨率、持续时间和纵横比的***和图像。最后，Sora是一个基于扩散的转换器模型，接受噪声包和条件性输入信息，通过训练预测原始的“干净”包。研究发现扩散转换器在***生成领域有显著的潜力，随着训练量的增加，生成样本的质量明显提高。

　　模型能力方面，Sora模型在***生成领域带来了革命性的变革。与传统方法不同，Sora在原始大小的数据上进行训练，避免了需要将***调整至标准尺寸的步骤。其灵活的***样能力使其能够处理各种尺寸和纵横比的***，极大地提升了构图和框架的质量。此外，Sora不仅仅局限于文本输入，还能接受图像和预先存在的***等多样输入提示，为用户提供了广泛的图像和***编辑选择。其生成***的能力不仅限于文本提示，还可以在时间维度上实现向前或向后的无限扩展，展现了卓越的***编辑和生成潜力。

　　Sora模型的创新不仅体现在数据处理和生成***方面，还包括对图像生成的能力。通过一种独特的算法，Sora能够在精确的时间范围内，在空间网格中排列高斯噪声补丁，实现了图像生成的出色能力。这项技术不仅适用于特定大小的图像，还可根据用户需求生成可变大小的图像，分辨率最高可达2048×2048。此外，在大规模训练中，Sora展现出令人兴奋的新能力，包括模拟现实世界中的人物、动物和环境等方面的能力，而这些属性的出现是通过模型的尺度扩展而自然涌现的，无需明确的3D建模或物体识别。

　　OpenAI同时提示，当前的Sora模型也有弱点。它可能难以准确模拟复杂场景中的物理现象，也可能无法理解具体的因果关系。同时OpenAI表示“目前，Sora已经开放向‘红队人员’（对AI大模型潜在的有害输出进行“红队测试”）以评估关键领域的危害或风险。OpenAI还允许一些视觉艺术家、设计师和电影制作人访问，以获得关于如何改进模型的反馈意见，使其对创意专业人士最有帮助。”

　　1.2 OpenAI宣布正在小范围测试ChatGPT记忆功能，预计本周陆续推出该功能

　　2月13日OpenAI通过新闻稿宣布，当前正在小范围测试 ChatGPT 的“记忆”功能：记住用户在聊天中讨论过的事情，并避免重复信息。据介绍，用户对ChatGPT的记忆功能拥有灵活的控制权，可通过发出明确指令指导ChatGPT记住特定内容，也可以通过询问“你记住了什么”来主动获取已记忆的信息。用户还有选择完全关闭该功能，或通过对话和设置让ChatGPT“忘记”先前被记住的内容。

　　基于过往内容逐步构建记忆，提升未来交流效率。OpenAI的官方博文中指出，ChatGPT的记忆功能以及相关的控制选项允许其记住用户个性化的聊天对话内容。在与ChatGPT的对话中，用户可要求其记住特定信息，或让其主动捕获对话细节。随着使用频率的增加，ChatGPT的记忆功能将逐渐优化，带来显著的性能改进。值得注意的是，ChatGPT的记忆是基于用户的互动逐步构建的，与特定对话无关。删除某个对话并不会删除相应的记忆，用户需要手动进行清除。

　　根据不同需求，ChatGPT推出多种自定义功能。首先，GPT的功能是独立的，需要开启记忆功能才能重复之前的细节；其次，可以通过设置关闭记忆功能，可以在设置中查看、删除特定记忆或清空所有记忆；与无痕浏览模式一样，ChatGPT也可以开启临时聊天界面。这样临时聊天不会被保存在历史记录中，也不会用于模型训练；此外，自定义指令功能允许你向ChatGPT提供具体指南，明确你希望它了解的信息及回应方式。

　　1.3 谷歌Bard更名为Gemini，一周内连续发布Gemini Ultra与1.5版本

　　谷歌2月8日宣布，将把 Bard AI 聊天机器人更名为 Gemini，并推出Gemini Ultra 1.0 —— 谷歌大语言模型最大、功能最强大的版本。用户可以通过月付20美金来订阅其新的AI高级套餐中的一个强大的生成式AI聊天机器人Gemini Advanced，使用户可以访问Google最先进的生成式AI模型Gemini Ultra，前2个月可以免费使用。值得一提的是，这一定价与ChatGPT月收费相同。此次谷歌不仅推出了大模型面向C端的App，还将内部的多个产品接入大模型，进一步加速其商业化进程。

　　据谷歌博客介绍，借助Ultra 1.0模型，Gemini Advanced在完成复杂任务方面，性能暴涨。比如，对于编程、逻辑推理、遵循复杂指令，以及参与创意项目的协作，胜任力近乎完美。除此之外，Gemini Advanced不仅可以开启更长、更详细的对话，还能更好地理解此前提出问题的上下文。

　　布局手机端，安卓与IOS端均可使用Gemini。同日，谷歌为Gemini和Gemini Advanced聊天机器人，分别引入了全新的安卓应用，以及iOS上的谷歌应用。在安卓端，用户可以选择使用Gemini，替代原来的Google Assistant，成为手机的默认语音助手。在iOS设备上，谷歌将在未来几周通过Google App提供访问。这标志着谷歌正构建一个真正的AI助手的重要起点 —— 一个既能进行对话、支持多种交互方式又实用的助手。

　　而就在一周后的2月16日，谷歌宣布推出全新的 Gemini 1.5 AI 模型，标志着公司的人工智能技术取得了重大飞跃。谷歌表示相比较前代产品 Gemini 1.0 Ultra，1.5 新模型在多个方面都取得了长足进步，能够更高效、更长时间地处理信息。根据皮查伊的说法，Gemini 1.5 Pro 可达到与 1.0 Ultra 模型相当的质量，同时使用更少的计算能力，因此效率更高。

　　可一次性处理大量信息，百万token超长上下文窗口。Gemini 1.5 Pro 可以处理 128000 个 token 的标准情境窗口，仅限特定开发人员和企业客户使用的版本可以处理多达 100 万个 token。谷歌表示1.5 Pro 可以一次性处理大量信息，包括 1 小时的***、11 小时的音频、超过 3 万行代码的代码库或超过 70 万字的文字。

　　从准确性角度来看，对于文本处理Gemini 1.5 Pro在处理高达530，000 token的文本时，能够实现100%的检索完整性，在处理1，000，000 token的文本时达到99.7%的检索完整性。甚至在处理高达10，000，000 token的文本时，检索准确性仍然高达99.2%。在音频处理方面，Gemini 1.5 Pro能够在大约11小时的音频资料中，100%成功检索到各种隐藏的音频片段。在***处理方面，Gemini 1.5 Pro能够在大约3小时的***内容中，100%成功检索到各种隐藏的视觉元素。

　　Gemini 1.5的设计充分借鉴了谷歌在Transformer和混合专家（MoE）架构领域的前沿研究成果。与传统的庞大神经网络运行的Transformer不同，MoE模型由多个小型专家神经网络组成。这些模型能够根据输入类型的不同学习，仅激活与其最相关的专家网络路径。这种高度专业化的设计显著提高了模型的效率。谷歌在Sparsely-Gated MoE、GShard-Transformer、Switch-Transformer、M4等方面的研究使其成为深度学习领域MoE技术的领导者。Gemini 1.5的创新设计秉承了这一技术导向，为用户提供了先进而高效的深度学习体验。

　　在全面覆盖文本、代码、图像、音频和***等多方面的综合性测试中，Gemini 1.5 Pro在87%的基准测试上实现了超越1.0 Pro的卓越表现。相较于1.0 Ultra在相同基准测试中的对比，1.5 Pro的性能也呈现出极为接近的水平。Gemini 1.5 Pro在拓展上下文窗口的同时，依旧保持着出色的性能水平。在大海捞针（NIAH）测试中，该模型能够在长达100万token的文本块中，在99%的情况下准确地发现隐藏有特定信息的文本片段。此外，Gemini 1.5 Pro展现出卓越的上下文学习能力，能够仅凭长提示中提供的信息掌握新技能，无需进一步细化调整。相较于1.0 Pro模型，1.5 Pro在31项测试中有27项呈现出更佳表现。与1.0 Ultra相比，1.5 Pro模型在31项性能测试中的17项上超越了1.0 Ultra模型，彰显了其在多方位测试中的卓越性能。

　　风险提示：北美经济衰退预期逐步增强，宏观环境存在较大的不确定性，国际环境变化影响供应链及海外拓展；芯片紧缺可能影响相关公司的正常生产和交付，公司出货不及预期；信息化和数字化方面的需求和资本开支不及预期；市场竞争加剧，导致毛利率快速下滑；主要原材料价格上涨，导致毛利率不及预期；汇率波动影响外向型企业的汇兑收益与毛利率；大模型算法更新迭代效果不及预期，可能会影响大模型演进及拓展，进而会影响其商业化落地等；汽车与工业智能化进展不及预期等。