生成式AI时期产业链上下游的现金流走势图

数据来源：广发证券发展研究中心

但当前来看，上游基础设施端仍在加大投入，而下游应用端始终未见成熟的商业化落地应用。算力基础设施仍在大幅投入初中期，使用终端方面尚未规模化升级，相对更短板的是应用端缺乏突破性的新形态，在B端因为容错空间和性能、法律等门

槛进展周期较长，C端应用容错空间大、门槛偏低、也因此从当前看商业价值潜力较小。

即使以ChatGPT为代表的AI大模型在各场景通用化方面已经有了突破性的进展，具备着对于文本、图片、音视频等各类信息优秀的内容生成能力，能够部分替代文字撰写、图片设计、程序代码编写等创造性劳动，但是AI大模型技术的突破离真正推

动各行业智能化升级并创造价值仍需要较长的周期。

当前科技公司与传统行业公司在AI领域的合作已经有了一些成功案例，例如微软与诺华（Novartis）、谷歌与葛兰素史克（GSK）等。但整体来看，这些案例的绝对体量仍然有限，种类也较为单一。

公司 案例介绍

微软与诺华(Novartis) 微软的Copilot通过自然语言处理和机器学习，帮助诺华研究人员更快地从大量医学文献和临床数据中提取有价值的信息，从而加速药物发现和临床试验设计。具体应用包括预测药物的潜在副作用、优化患者治疗方案以及提高临床试验的效率。

谷歌DeepMind与葛兰素史克

(GSK) DeepMind的AlphaFold项目能够准确预测蛋白质结构，大幅提升了新药研发的效率和成功率。葛兰素史克通过这项技术，在药物开发的早期阶段更快识别潜在的有效药物，减少了传统实验方法的时间和成本。

亚马逊AWS与强生 AWS的AI和机器学习服务帮助强生更好地分析和预测供应链需求，优化生产和配送流程，从而提高运营效率 并减少成本。AI技术还用于药物研发和临床试验管理，提升数据处理能力和结果准确性。

微软与壳牌（Shell） 微软的Azure平台通过机器学习和数据分析，帮助壳牌提高石油和天然气的勘探和生产效率。AI技术还用于预测设备维护需求，从而减少停机时间和运营成本。壳牌还使用Azure上的AI模型进行能源需求预测和环境影 响分析。