ChatGPT引發(fā)范式革命，AI產(chǎn)業(yè)發(fā)展前景可期

近期由OpenAI團(tuán)隊發(fā)布的聊天機(jī)器人軟件ChatGPT，憑借類人的語言理解和表達(dá)能力，引發(fā)AI產(chǎn)業(yè)范式革命。通過拆解ChatGPT，我們發(fā)現(xiàn)：1）單一大模型或為未來AI訓(xùn)練主流方向；2）大模型訓(xùn)練可以積累底層語言能力，但需要大算力支持；3）預(yù)訓(xùn)練語言模型和Transformer架構(gòu)是模型底層能力的根源；4）ChatGPT商業(yè)化應(yīng)用前景廣闊。基于此，我們認(rèn)為國產(chǎn)廠商或?qū)⒂?xùn)練出自己的GPT模型，AI產(chǎn)業(yè)有望迎來景氣周期。

背景：發(fā)源于OpenAI，成名于生成式語言

OpenAI于2015年在舊金山成立，主要從事人工智能研究。2019年OpenAI收到微軟注資 10億美元，就Azure業(yè)務(wù)開發(fā)人工智能技術(shù)。2020年發(fā)布GPT-3語言模型，由微軟獲得獨家授權(quán)。2022年，OpenAI在GPT-3.5的基礎(chǔ)上推出了ChatGPT，強(qiáng)化了人工智能的語言對話能力，引起社會廣泛關(guān)注。2023年，微軟擬對OpenAI追加數(shù)十億美元投資，利用自身算力基礎(chǔ)設(shè)施資源發(fā)揮與OpenAI業(yè)務(wù)協(xié)同效應(yīng)，深入布局生成式AI技術(shù)。

原理：AI大模型里程碑式的勝利

ChatGPT采用監(jiān)督學(xué)習(xí)+獎勵模型進(jìn)行語言模型訓(xùn)練，主要包括三個步驟：1）第一階段：訓(xùn)練監(jiān)督策略模型。在ChatGPT模型的訓(xùn)練過程中，需要標(biāo)記者的參與監(jiān)督過程；2）第二階段：訓(xùn)練獎勵模型。借助標(biāo)記者的人工標(biāo)注，訓(xùn)練出合意的獎勵模型，為監(jiān)督策略建立評價標(biāo)準(zhǔn)；3）第三階段：采用近端策略優(yōu)化進(jìn)行強(qiáng)化學(xué)習(xí)。通過監(jiān)督學(xué)習(xí)策略生成PPO模型，將最優(yōu)結(jié)果用于優(yōu)化和迭代原有的PPO模型參數(shù)。

我們認(rèn)為，ChatGPT的訓(xùn)練過程采用單一模型+小樣本學(xué)習(xí)+人類微調(diào)監(jiān)督方式進(jìn)行，取得了良好效果，驗證了AI大模型應(yīng)用前景，大模型路線有望成為未來主流。

模型：三個維度拆解GPT模型特征

我們認(rèn)為，ChatGPT的成功離不開AI大模型的加持，強(qiáng)大的算法訓(xùn)練模型，使得ChatGPT在迭代中獲得實現(xiàn)接近自然語言的表達(dá)能力。拆解模型來看：

1）ChatGPT使用單一大模型，積累強(qiáng)大底層通用能力，背后來自微軟豐富的算力資源支持，并通過引入監(jiān)督學(xué)習(xí)，有效填補(bǔ)了大模型同質(zhì)化漏洞；

2）模型的具體訓(xùn)練模式，采用的是預(yù)訓(xùn)練語言模型，而預(yù)訓(xùn)練語言模型無需人工標(biāo)簽，具備高效性、通用性與正則化等內(nèi)生優(yōu)勢，且二代模型具備上下文交互能力，推動模型語義理解能力升級；

3）Transformer是大模型高效運行的根基，天然適合高并發(fā)訓(xùn)練，通過編碼器堆疊實現(xiàn)底層架構(gòu)搭建。

應(yīng)用：打開AIGC應(yīng)用新局面

ChatGPT屬于AIGC的具體應(yīng)用，相比過去的AI產(chǎn)品，在模型類型、應(yīng)用領(lǐng)域、商業(yè)化等層面呈現(xiàn)出新的特點。

1）技術(shù)方面：ChatGPT屬于自然語言處理領(lǐng)域，與早期的自然語言技術(shù)相比，ChatGPT采用大模型進(jìn)行訓(xùn)練，并加入人工反饋增強(qiáng)學(xué)習(xí)(RLHF)方法，實現(xiàn)了效果提升；

2）應(yīng)用方面：ChatGPT屬于生成式AI，相比于分析型AI，不局限于已有的內(nèi)容，已在文藝創(chuàng)作，代碼處理，營銷等多個創(chuàng)造性場景內(nèi)得到應(yīng)用；

3）商業(yè)化方面：ChatGPT在商業(yè)化方面彰顯出強(qiáng)于以往AI應(yīng)用的潛力，一方面用戶數(shù)快速增長，另一方面得到了微軟為代表的科技巨頭的支持，應(yīng)用有望快速推廣。

風(fēng)險提示：宏觀經(jīng)濟(jì)波動；下游需求不及預(yù)期。

AI大模型會帶來特性涌現(xiàn)和模型同質(zhì)化問題。2021年8月，李飛飛等學(xué)者于arXiv發(fā)表《On the Opportunities and Risk of Foundation Models》，將大模型統(tǒng)一命名為Foundation Models，即基礎(chǔ)模型或基石模型。此外，論文還提出基礎(chǔ)模型面臨的兩大問題：1）同質(zhì)化。盡管基礎(chǔ)模型基于標(biāo)準(zhǔn)的深度學(xué)習(xí)和遷移學(xué)習(xí)，但其規(guī)模導(dǎo)致了新能力的涌現(xiàn)，其在眾多任務(wù)中的有效性激勵了同質(zhì)化的產(chǎn)生；2）特性涌現(xiàn)。盡管基礎(chǔ)模型即將被廣泛部署，但目前研究者對其如何工作、何時失效以及其涌現(xiàn)的特性衍生了何種能力尚缺乏清晰的理解。舉例來看，如機(jī)器學(xué)習(xí)的引入，使得算法從數(shù)據(jù)案例中學(xué)會了如何執(zhí)行（自動推斷）；深度學(xué)習(xí)的引入，涌現(xiàn)了用于預(yù)測的高級特征；基礎(chǔ)模型的引入，涌現(xiàn)了上下文學(xué)習(xí)等高級功能。但在這一過程中，機(jī)器學(xué)習(xí)使學(xué)習(xí)算法變得同質(zhì)化（例如，邏輯回歸），深度學(xué)習(xí)使模型架構(gòu)同質(zhì)化（例如，卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)），大模型使得下游模型同質(zhì)化（例如，下游模型一定會繼承上游模型缺陷）。

ChatGPT通過引入監(jiān)督學(xué)習(xí)，有效填補(bǔ)了大模型同質(zhì)化漏洞。從本質(zhì)上來說，上下游模型同質(zhì)化的問題無法被完全解決，OpenAI選擇的方向是盡可能填補(bǔ)缺陷漏洞。從GPT-3.5版本開始，OpenAI團(tuán)隊在模型中引入了監(jiān)督學(xué)習(xí)過程。在監(jiān)督學(xué)習(xí)模式下，人類反饋機(jī)制開始加入到模型訓(xùn)練過程，從而不斷糾正模型生成結(jié)果，逐步提升輸出結(jié)果的準(zhǔn)確性和真實性。隨著大模型朝著越來越符合人類期望的方向演進(jìn)，對話邏輯和表達(dá)方式逐漸逼近人類水平，才最終達(dá)到我們今天所看到的樣子。

AI大模型加持下，ChatGPT有望加速迭代。通過拆解單一大模型的原理、特征及發(fā)展歷程，我們發(fā)現(xiàn)單一大模型的引入，是ChatGPT強(qiáng)大語言的根本來源。展望未來，我們認(rèn)為ChatGPT或?qū)⒃诖竽Ｐ图映窒录铀俚?，主要因為?）大模型訓(xùn)練效果取決于數(shù)據(jù)量，目前ChatGPT僅使用2021年之前的數(shù)據(jù)，隨著更多數(shù)據(jù)的加入，模型底層語言能力有望進(jìn)一步加強(qiáng)；2）大模型具備能力遷移潛力，垂直領(lǐng)域應(yīng)用或?qū)⒓铀貱hatGPT進(jìn)化；3）OpenAI背靠微軟，大算力資源為模型演進(jìn)提供保障；4）隨著軟件用戶規(guī)模持續(xù)擴(kuò)張，用戶自身的反饋又會帶來類似監(jiān)督學(xué)習(xí)的效果，或?qū)覥hatGPT加速迭代。基于此，我們看好AI大模型及ChatGPT未來應(yīng)用前景，商業(yè)化落地或?qū)⒓涌臁?/span>

維度二：預(yù)訓(xùn)練語言模型

拆解模型來看，主要關(guān)注預(yù)訓(xùn)練語言模型和Transformer特征抽取器。我們前面討論了ChatGPT背后所使用的AI大模型及其迭代過程，但如果我們將拆解動作繼續(xù)深入，在更細(xì)顆粒度的視角下，其實可以將訓(xùn)練模型做進(jìn)一步的拆解。實際上，GPT（General Pre-Training）即通用預(yù)訓(xùn)練語言模型，簡單來說就是一種利用Transformer作為特征抽取器，基于語言模型進(jìn)行預(yù)訓(xùn)練的模型。因此，接下來我們從模型的兩個關(guān)鍵特征出發(fā)，分別從預(yù)訓(xùn)練語言模型和Transformer特征抽取器的角度來分析GPT模型的迭代過程。

預(yù)訓(xùn)練語言模型無需人工標(biāo)簽，為NLP研究帶來質(zhì)變。預(yù)訓(xùn)練屬于遷移學(xué)習(xí)的范疇，其思想是在利用標(biāo)注數(shù)據(jù)之前，先利用無標(biāo)注的數(shù)據(jù)，即純文本數(shù)據(jù)訓(xùn)練模型，從而使模型能夠?qū)W到一些潛在的跟標(biāo)注無關(guān)的知識，最終在具體的任務(wù)上，預(yù)訓(xùn)練模型就可以利用大量的無標(biāo)注數(shù)據(jù)知識，標(biāo)志著自然語言處理模型進(jìn)入了大規(guī)模復(fù)制階段。從實現(xiàn)原理上來看，預(yù)訓(xùn)練語言模型是通過計算某個詞句w的出現(xiàn)概率，即p(W)，在給定詞句的情況下，可以自行計算出后一個詞或句出現(xiàn)的概率。因此，GPT的訓(xùn)練可以在無人工標(biāo)簽的基礎(chǔ)上進(jìn)行，通過連續(xù)不斷地預(yù)測、迭代參數(shù)、再預(yù)測，模型最終實現(xiàn)語言能力的學(xué)習(xí)。

預(yù)訓(xùn)練語言模型與神經(jīng)網(wǎng)絡(luò)語言模型的區(qū)別在于初始參數(shù)的選取。上一代神經(jīng)網(wǎng)絡(luò)語言模型訓(xùn)練思想是基于后向傳播（BP）算法：先通過對網(wǎng)絡(luò)模型參數(shù)進(jìn)行隨機(jī)初始化，然后通過優(yōu)化算法去優(yōu)化模型參數(shù)。而預(yù)訓(xùn)練語言模型的初始參數(shù)并非隨機(jī)，而是先通過一個任務(wù)訓(xùn)練得到一套模型參數(shù)，再以這套參數(shù)對模型初始化，進(jìn)而繼續(xù)反復(fù)訓(xùn)練。

預(yù)訓(xùn)練語言模型的內(nèi)生優(yōu)勢：高效性、通用性與正則化。模型初始參數(shù)選取方式不同使得預(yù)訓(xùn)練語言模型擁有諸多優(yōu)勢：1）訓(xùn)練高效性，神經(jīng)網(wǎng)絡(luò)語言模型中隨機(jī)的初始參數(shù)加大訓(xùn)練復(fù)雜度，而預(yù)訓(xùn)練能得到較好的初始化參數(shù)，后續(xù)訓(xùn)練更加高效。2）語言通用性，經(jīng)過預(yù)訓(xùn)練的語言模型更接近通用語言表示（Universial Language Representations），適應(yīng)于多領(lǐng)域?qū)嶋H應(yīng)用場景。3）提供正則化，由于模型復(fù)雜性高，神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化算法易陷入過度擬合，導(dǎo)致實際測試表現(xiàn)遠(yuǎn)低于樣本測試表現(xiàn)。預(yù)訓(xùn)練模型相當(dāng)于一個正則化過程，僅通過幾步精修得到模型，很大程度上避免了過度擬合。

預(yù)訓(xùn)練語言模型的應(yīng)用優(yōu)勢：對數(shù)據(jù)處理程度要求低，可利用海量無標(biāo)注數(shù)據(jù)。在大多數(shù)基于統(tǒng)計方法和神經(jīng)網(wǎng)絡(luò)的自然語言處理模型中都需要大量已標(biāo)注的數(shù)據(jù)集來滿足模型訓(xùn)練，但并非所有的訓(xùn)練任務(wù)都能獲取足夠的標(biāo)注信息。同時，隨著模型復(fù)雜度和參數(shù)數(shù)量的增加，大多數(shù)數(shù)據(jù)集的大小難以支持訓(xùn)練。而預(yù)訓(xùn)練模型能先通過利用無標(biāo)注的數(shù)據(jù)訓(xùn)練模型，解決傳統(tǒng)模型無法解決的實際問題。而且由于預(yù)訓(xùn)練語言模型可以利用現(xiàn)實世界中大量的純文本數(shù)據(jù)訓(xùn)練，擴(kuò)大了其訓(xùn)練范圍和規(guī)模，擁有發(fā)掘大模型（Foundation Models）的潛力。

對比兩代預(yù)訓(xùn)練語言模型，二代模型具備上下文交互能力。第一代預(yù)訓(xùn)練模型是靜態(tài)詞向量模型，經(jīng)訓(xùn)練給每一個詞賦予靜態(tài)詞向量，讓相似的詞聚集在一起，實現(xiàn)了符號空間到向量空間的映射，經(jīng)典結(jié)構(gòu)有Continuous Bag-of-Words(CBOW)和Skip-Gram(SG)等。而由于第一代模型的詞向量靜態(tài)性，使其不能結(jié)合上下文，進(jìn)而有無法分辯同義詞等缺陷。最新的第二代預(yù)訓(xùn)練模型，包括BERT、GPT等則在此基礎(chǔ)上允許靜態(tài)詞向量與上下文交互，這種動態(tài)詞向量優(yōu)化了同義詞問題。目前，第二代預(yù)訓(xùn)練模型的標(biāo)準(zhǔn)范式是“預(yù)訓(xùn)練+微調(diào)”：首先在大量的文本上訓(xùn)練出一個預(yù)訓(xùn)練語言模型，再根據(jù)實際情況對得到的預(yù)訓(xùn)練語言模型進(jìn)行微調(diào)，加強(qiáng)了模型對下游應(yīng)用場景的契合度。

維度三：Transformer特征抽取器

Transformer是大模型高效運行的根基。前面我們從單一大模型出發(fā)，對預(yù)訓(xùn)練語言模型進(jìn)行了拆解。但如果我們繼續(xù)深入，會發(fā)現(xiàn)語言模型仍然不是GPT模型的最底層，語言模型之下還需要有具體的調(diào)度架構(gòu)和運算邏輯，來實現(xiàn)最終的計算。我們認(rèn)為，Transformer特征抽取器在GPT模型中，就承擔(dān)了這樣的一個角色，直接決定了AI大模型能否實現(xiàn)高效率的運算和學(xué)習(xí)。

Transformer模型較RNN并行計算能力更強(qiáng)，提升了大模型訓(xùn)練效率。Transformer模型最早由谷歌在2017年提出，屬于深度學(xué)習(xí)模型架構(gòu)的一種，特點是在學(xué)習(xí)中引入了注意力機(jī)制。對比循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)來看，Transformer與RNN均對輸入數(shù)據(jù)，如自然語言等，進(jìn)行順序處理，并主要應(yīng)用于翻譯和文本摘要等工作。但Transformer與RNN不同的是，Transformer中的注意機(jī)制可以為輸入序列中的任何字符提供上下文，因此可以一次處理所有輸入，而不是一次只處理一個詞。因此，與RNN相比，Transformer可以實現(xiàn)更大規(guī)模的并行計算，大大減少了模型訓(xùn)練時間，使得大規(guī)模AI模型得以被應(yīng)用。

Transformer解碼模塊是GPT模型的核心要建。從Transformer架構(gòu)細(xì)節(jié)來看，核心是由編碼模塊和解碼模塊構(gòu)成，而GPT模型只用到了解碼模塊。拆解模塊來看，大致分為三層：前饋神經(jīng)網(wǎng)絡(luò)層、編碼/解碼自注意力機(jī)制層（Self-Attention）、自注意力機(jī)制掩碼層。其中，自注意力機(jī)制層主要作用在于計算某個單詞對于全部單詞的權(quán)重（即Attention），掩碼層則需要在這一過程中幫助模型屏蔽位于計算位置右側(cè)尚未出現(xiàn)的單詞，最后輸出的向量結(jié)果輸入前饋神經(jīng)網(wǎng)絡(luò)，完成模型參數(shù)計算。

解碼模塊大量堆疊，最終形成GPT模型完整架構(gòu)。在GPT模型中，解碼模塊相當(dāng)于基本架構(gòu)單元，通過彼此堆疊的方式，拼湊成最終我們看到的GPT模型底層架構(gòu)。這里有兩個值得關(guān)注的要點：1）解碼模塊的數(shù)量決定了模型的規(guī)模，GPT-1一般有12個模塊，GPT-2有48個，GPT-3則有96個模塊；2）針對模塊輸出的結(jié)果還需要進(jìn)行Finetune（對模型進(jìn)行調(diào)優(yōu)）。

04 應(yīng)用：打開AIGC應(yīng)用新局面

ChatGPT屬于AIGC的具體應(yīng)用，相比過去的AI產(chǎn)品，在模型類型、應(yīng)用領(lǐng)域、商業(yè)化等層面呈現(xiàn)出新的特點。1）技術(shù)方面：ChatGPT屬于自然語言處理領(lǐng)域，與早期的自然語言技術(shù)相比，ChatGPT采用大模型進(jìn)行訓(xùn)練，并加入人工反饋增強(qiáng)學(xué)習(xí)(RLHF)方法，實現(xiàn)了效果的明顯提升；2）應(yīng)用方面：ChatGPT屬于生成式AI，相比于分析型AI，不局限于已有的內(nèi)容，已在文藝創(chuàng)作，代碼處理，營銷等多個創(chuàng)造性場景內(nèi)得到應(yīng)用；3）商業(yè)化方面：ChatGPT在商業(yè)化方面彰顯出強(qiáng)于以往AI應(yīng)用的潛力，一方面用戶數(shù)快速增長，另一方面得到了微軟為代表的科技巨頭的支持，應(yīng)用有望快速推廣。

技術(shù)新：Transformer架構(gòu)+RLHF，NLP領(lǐng)域迎來新突破

Transformer架構(gòu)逐步成為主流。自然語言處理從技術(shù)的發(fā)展可分為三個時期：1）一般機(jī)器學(xué)習(xí)模型階段（2013年前）：自然語言處理多采用機(jī)器學(xué)習(xí)和一般的統(tǒng)計學(xué)方法來分析詞語或者句子之間的聯(lián)系；2）深度學(xué)習(xí)模型階段（2013-2017年）：深度學(xué)習(xí)算法被引入NLP領(lǐng)域，在這一階段內(nèi)主要通過增加層深和模型容量提升訓(xùn)練效果；3）Transformer架構(gòu)逐步成為主流（2017至今）：2017年transformer架構(gòu)面世，使得深度學(xué)習(xí)對語言的理解更加深入，基于transformer架構(gòu)的GPT及BERT的陸續(xù)發(fā)布，影響力進(jìn)一步擴(kuò)大。

ChatGPT模型優(yōu)勢在于語言生成。2017年后，應(yīng)用范圍最廣的是BERT和GPT模型以及在這些模型基礎(chǔ)上做出的改進(jìn)模型。BERT模型在結(jié)構(gòu)上是一個多層的雙向transformer的Encoder模型，GPT是由12個Transformer中的Decoder模塊經(jīng)修改后組成。相比來說，BERT模型的核心優(yōu)勢在于自然語言理解，GPT模型的核心優(yōu)勢在于自然語言生成。BERT的改進(jìn)模型有RoBERTa、ALBERT等，GPT的改進(jìn)模型有GPT2、GPT3、ChatGPT等。隨著人工反饋增強(qiáng)學(xué)習(xí)(RLHF)方法的加入，模型能夠在與人類標(biāo)注者互動時通過人類的反饋進(jìn)行強(qiáng)化學(xué)習(xí)。人類標(biāo)注者則可對初始模型生成的結(jié)果進(jìn)行修改、比較和排序，幫助模型進(jìn)行訓(xùn)練。ChatGPT在效果上取得重大突破，在語言生成領(lǐng)域形成優(yōu)勢。

應(yīng)用新：生成式AI應(yīng)用于創(chuàng)造性工作

生成式AI應(yīng)用于創(chuàng)造性工作。AI可分為生成式AI和分析型AI，其中分析型AI（Analytical AI），主要在給定數(shù)據(jù)的情況下，通過分析找出規(guī)律和關(guān)系，并在此基礎(chǔ)上生成報告或給出建議。比如通過追蹤客戶行為以刻畫用戶畫像，并基于此進(jìn)行個性化推薦，實現(xiàn)精準(zhǔn)營銷；通過收集城市中傳感器的大量數(shù)據(jù)并分析，預(yù)測天氣及環(huán)境污染情況，從而幫助相關(guān)部門進(jìn)行政策制定。不同于分析型AI局限于分析已有內(nèi)容，生成式AI（Generative AI）可以通過學(xué)習(xí)已有數(shù)據(jù)和信息生成多種形式的新的內(nèi)容，在創(chuàng)造性工作的領(lǐng)域進(jìn)行應(yīng)用，目前生成式AI的應(yīng)用主要包括生成文本、圖像、對話、音視頻、代碼、3D等。

ChatGPT是典型的生成式AI。ChatGPT通過學(xué)習(xí)大量語料并通過生成模型生成文本回答，其基礎(chǔ)GPT-3是一個大型語言模型。該模型通過對大量語料的預(yù)訓(xùn)練，學(xué)習(xí)了語言的語法、語義、語用等特征，并通過對語言的生成任務(wù)進(jìn)行微調(diào)，以適應(yīng)各種應(yīng)用場景。目前，除了ChatGPT外，有大量AIGC應(yīng)用產(chǎn)品基于GPT-3模型。

商業(yè)化潛力：巨頭紛紛發(fā)力，商業(yè)化潛力較大

ChatGPT用戶突增彰顯商業(yè)化潛力，內(nèi)容生成或成ChatGPT重要應(yīng)用。據(jù)各公司官網(wǎng)，ChatGPT從0到100萬用戶數(shù)僅花費5天，速度遠(yuǎn)超其他平臺。從活躍用戶角度，據(jù)Similarweb，2023年1月期間，ChatGPT平均每天約有1300萬獨立訪客，超出22年12月一倍。用戶數(shù)量的快速擴(kuò)大反映了ChatGPT具備較強(qiáng)的商業(yè)化潛力。

國內(nèi)外巨頭持續(xù)發(fā)力布局AIGC。AIGC（AI Generated Content）指由人工智能生成的內(nèi)容，包括文本、圖像、音頻、3D等多種類型，具有高效及自動化生產(chǎn)的特點。近年來谷歌、亞馬遜、百度等國內(nèi)外巨頭持續(xù)布局AIGC。2014年，谷歌以超5億美元的價格收購人工智能公司DeepMind；2023年3月，谷歌宣布向人工智能初創(chuàng)公司Anthropic投資約3億美元，建立新的合作伙伴關(guān)系；2022年11月，亞馬遜宣布與AI制圖平臺Stability AI合作，成為其首選云合作伙伴，同時為其提供亞馬遜Tradium芯片；2021年4月，華為諾亞方舟實驗室聯(lián)合多部門推出首個2000億參數(shù)中文預(yù)訓(xùn)練模型盤古α；2023年2月，百度官宣類ChatGPT大模型新項目文心一言（英文名 ERNIE Bot）。

風(fēng)險提示：

1、宏觀經(jīng)濟(jì)波動。若宏觀經(jīng)濟(jì)波動，產(chǎn)業(yè)變革及新技術(shù)的落地節(jié)奏或?qū)⑹艿接绊?，宏觀經(jīng)濟(jì)波動還可能對IT投資產(chǎn)生負(fù)面影響，從而導(dǎo)致整體行業(yè)增長不及預(yù)期。

2、下游需求不及預(yù)期。若下游數(shù)字化需求不及預(yù)期，相關(guān)的數(shù)字化投入增長或慢于預(yù)期，致使行業(yè)增長不及預(yù)期。