AIGC带来创意图像生产力场景变革
生产力场景的需求刚性决定了其是创意图像领域发展的核心
创意图像生产力场景是指通过创意内容的生产、传播获取收益并带来消费转化的场景。全球创意软件领导者Adobe将创意市场按照用户特征分为专业设计师、影像传播者和大众用户三大类。在此基础上，根据创意内容的用途我们进一步将其分为生产力场景和生活场景：
1） 生产力场景包括专业设计师和影像传播者两类人群，其中专业设计师提供高创意性的生产内容，以高门槛的创意设计和艺术效果变现，而影像传播者则是以创意设计带来的传播效果为核心诉求，通过内容传播观点并变现。这两者的共性在于均以创意内容作为生产力，核心诉求是以创意内容生产、传播为基础的变现，因此归为生产力场景。
2） 生活场景主要包括大众用户，其以创意内容作为个性表达和展示的主要方式，核心诉求为社交表达，且并不依赖创意图像作为变现的工具，创意内容的使用更多具有消费属性，因此归为生活场景。
生产力场景的用户具备更高的用户粘性和更强的付费意愿，是创意软件的发展核心。根据Adobe的测算，2022年全球专业设计师约6800万人，影像传播者约9亿人，大众用户约40亿人。虽然生产力场景不如生活场景有庞大的用户群体，但由于存在生产力工具的核心属性，其对于创意软件的需求更加刚性，因此我们认为生产力场景相对生活场景有更强的用户粘性和更高的付费意愿。根据Adobe的全球市场空间估算，2022年生产力场景全球市场合计约3998亿元，生活场景全球市场合计约500亿元，因此生产力场景是创意软件的发展核心。
AI图像大模型带来创意图像领域的底层变革
Diffusion Model（扩散模型）应用成熟，带来AI图像生成的底层变革。2020年6月，加州大学伯克利分校提出DDPM 模型（去噪扩散概率模型），首次将“去噪”扩散概率模型应用到图像生成任务中，奠定了扩散模型在图像生成领域应用的基础。扩散模型的底层原理来自于物理学中气体分子从高浓度区域扩散到低浓度区域的特征，这与由于噪声的干扰而导致的信息丢失是相似的。所以通过引入噪声，学习由于噪声引起的信息衰减，然后使用学习到的模式来生成图像，在一段时间内通过多次迭代，模型便可以实现在给定噪声输入的情况下学习生成新图像。随着扩散模型的应用和发展，AIGC逐渐实现可控的图像生成。
以扩散模型为基础的AI图像生成软件应用百花齐放。2022年上半年，OpenAI的DALLE-2模型问世，以扩散模型为基础并利用海量数据，其AI绘图呈现出了较强的理解和创造能力。随后Stable Diffusion模型开源发布，引起了AI创意图像生成的热潮。商业化产品Midjourney的问世则显著降低了大众用户的使用门槛，进一步提高了AI的普及率。全球创意软件领导者Adobe也在2023年9月将旗下AI应用Adobe Firefly全面开放并整合到创意软件矩阵中。我们认为AI生成正在对传统创意图像生成领域带来显著变革。
AIGC重塑生产力场景设计生态
我们认为AIGC（生成式AI）改变了创意图像生成力场景的设计生态，通过自然语言交互与AI生成创意的方式，实现了高自由度和低使用门槛的统一，推进设计软件从“工具类”应用向“生产力”的角色转变，对传统图像生产力场景带来了商业模式的根本变革。
我们认为从传统平台向AIGC生产力平台演变的核心在于具体场景工作流的适用边界，因此构成工作流的产品效果、精确性、可控性、交互协作等要素也成为未来AIGC应用的竞争核心。
突破约束，推进内容设计领域高自由度和低门槛的同步实现
传统创意图像领域中，自由度和使用门槛往往难以兼得。我们认为在传统的创意内容领域中，对于创意内容编辑的自由度（以下简称自由度）和软件工具的使用门槛（以下简称使用门槛）之间存在着强相关性，高自由度和低使用门槛之间存在天然约束，高自由度的背后是更强的设计性，可以最大程度的发挥创意，但同时伴随的是使用难度和学习门槛的提升。而低自由度的背后是大量预设好的模板，通过牺牲自定义空间极大降低了使用门槛。从大众用户到影像传播者再到设计师，其设计性不断增强，使用门槛也逐层提高，对于创意应用的需求也发生变化，因而诞生了互联网C端平台、工具类平台和专业软件开发平台等不同应用。根据前文的划分，图像创意在不同用户群内分别存在着不同的工作生产模式：
1） 对于专业设计师而言，其主要依托高设计性、高使用门槛的软件开发类平台，应用本身的工具属性较强，核心是通过高自由度带来“创意实现”，典型应用有Photoshop、Illustrator等专业软件，专业设计师通过软件类平台“卖创意”，定位于偏定制化和个性化的高端付费对象。
2） 对于影像传播者而言，其主要依托使用门槛较低，以提供模板为主的工具类平台，通过聚焦某个特定的使用场景，以简单的交互方式获取可供传播的创意内容，其创作流程相较专业设计师显著缩短，核心在于更快的传播变现，将内容定位于下游的大众消费者，典型应用有Canva等。
AIGC通过自然语言交互和AI生成实现了内容创意生产领域低门槛和高设计性的统一。首先，LLM（大语言模型）的迅速发展使得以自然语言为基础的交互方式成为主流，这极大降低了用户的使用门槛，对于文生图等应用，用户只需要输入“prompt”（自然语言构成的图像描述），就可迅速实现由想法到图像的创意转化。其次，随着当前底层图像大模型的迅速发展，AIGC生成的图片质量正在迅速提升，以Midjourney为例，其在高清细节和摄影感的处理已经接近真实照片。因此，原先在使用门槛和高自由度设计之间的制约正在被打破，在全新的AIGC生态下，推进低门槛和高设计性同步实现。
设计软件正在从“工具”变为“生产力”本身，商业模式上对应收费逻辑也从订阅变为购买AI算力。传统的图像编辑软件以订阅收费为核心变现方式，辅以小部分模板等服务的单购，本质上是用户为“工具”属性付费。在AIGC下，用户从购买软件的功能和设计师模板变为购买AI生成产品服务，这一转变提升了软件的付费率和变现空间的天花板，实现了从“工具”到“生产力”本身的变革。因此在收费逻辑上，当前的AIGC应用普遍在订阅之外提供购买AI算力的额外增值服务，比如Midjourney推出4美元/小时的方式购买“fast time”实现快速生成，Adobe的Firefly也针对每一次的AI功能使用按照学分收取积分费用，按照4.99美元/月的付费用户可获得100积分换算，每次AI操作价格约0.35元/积分。
AIGC双向突破下，将重塑工作流
AIGC对于创意图像领域设计性和门槛的突破，具体体现在对工作流的渗透。工作流代表的是生产力内容从创意到实现产品的全流程，包括从最初的创意构思到草稿再到设计的修改和迭代以及最后的需求感知和用户反馈。我们认为工作流对于生产力场景有重要意义，其根源在于生产力场景的最终目标是通过创意内容获取收益，而工作流的效率从本质上决定了投入和产出比，工作流的优化一方面可以提升内容的质量，另一方面可以提高效率，用更低的成本获得更多的产出。AIGC对于创意图像生产力领域的影响本质是通过渗透工作流的环节进行的：
1） 对于专业设计领域而言，其从创意脑暴到最终形成实现的工作流程较长，AIGC功能主要体现在前期的辅助创作环节，包括快速生成草稿，素材搜集等等，在此基础上对于创作过程中的某些环节，比如智能填充等也有显著影响。
2） 对于传播者而言，渗透的环节主要是AI海量模板的自动生成，对于定位影像传播者的工具类平台而言，其核心资产由雇佣大量设计师生产模板，变为以训练AI为基础的无限次生成，对于平台而言，从单纯的工具类中介平台变成生产力本身。用户使用模式从原先的套模板，变成自定义prompt进行AI生成，在自由度大幅提高的同时也带来了内容生产量的大幅提升。
AIGC技术演变决定了工作流的适用边界，当前的痛点在于不断加强工作流中各个环节的可控生成。我们将AIGC的能力迭代分为从基础生成到具象生成、可控生成再到最终的AGI（通用人工智能），并将其和对于工作流环节的影响相对应起来：
1） 基础生成阶段，AIGC可以完成批量重复素材的简单叠加从而快速生成项目草图，其对应的工作流在于最初的创意脑暴和草稿绘制环节，重点在于快速帮助设计师形成创意构思，减少重复性工作并提高效率。
2） 具象生成阶段，AIGC可以对于具象描述的“prompt”生成高度符合要求的图像，其特点在于对于 “prompt”具备很高要求，高度细节化和具象的描述有利于图片质量的提升，当前的大多数“文生图”符合这一特点，但此阶段的AI图像往往细节丰富且艺术性较强，而缺乏对于结果的可控性。其对应的工作流在于一些基础的创作，满足快速度生成精美的模板和图像等诉求。
3） 可控生成阶段，AIGC的生成具备很高的调整精度以及可控性，我们认为这一环节的突破意味着AIGC可以正式地迈入更多实际的生产力应用场景，当前的AIGC正在努力实现在可控性上的突破，比如Adobe的Firefly提供了“Photo Settings”功能，允许用户手动调整照片参数如景深、运动模糊和视野，赋予用户类似手动相机控制的体验。我们认为当前的痛点正在于生成可控性的进一步加强，在保证产品效果的基础上，在可控性、交互协作等方面不断进步，能够突破在精确修改工作流阶段的更多环节。
4） 抽象生成和AGI阶段，我们认为向未来展望，AIGC会提升其在抽象内容生成的能力，并降低对于“prompt”的要求，对于抽象、简单的描述生成符合预期的内容并且实现创意和情感方向的表达，最终达到AGI（通用人工智能）阶段，即AIGC可以实现对于用户的需求感知，并自助执行大部分的设计任务。
实例：AIGC影响下带来的降本增效和流量聚集
AIGC降低个性化内容成本
个性化用户需求的增长与低效的内容供应链形成矛盾。根据Adobe的《2023年数字趋势报告》，数字化内容的爆炸式增长正在显著提升用户对于高质量内容的期望，在全球数字化企业调研中，有89%的高管认为用户对于个性化内容的需求明显增加。而Adobe对于2751家企业的调研中，有42%的企业认为其数字化内容显著落后于用户的需求。对于个性化、情感共鸣的体验依赖于以极快的速度生产丰富内容，且保持人员、流程和技术的一致性，推动跨团队的协作，并尽量减少低效的创意管理和编辑，这就对于内容供应链的构建提出了更高的要求。Adobe根据其对于2306家企业的调研，发现全球仅有9%的企业能够真正根据用户的意图和偏好进行个性化内容创建。
当前的内容供应链核心阻碍在于缺乏投入创意的时间和有效的工作流。Adobe对于全球497家企业进行了有关影响组织营销/客户体验核心障碍的调研，并将其分为领导者和落后者两种类别，从结果来看，当前的核心阻碍来自于缺乏创意时间和有效的工作流。一方面，近41%的领导者和52%的落后者没有时间发挥创造力，许多营销人表示他们需要创建的营销内容素材量是以往的10倍之多，他们在满足大量的内容需求的同时牺牲了个性化创意的时间。另一方面，工作流各环节的割裂显著影响了效率和产出，有43%的领导者和51%的落后者认为工作流构成了核心障碍，其需要更简单透明的方式来帮助他们发现并分享更具业务转化潜力的内容素材，但在实际场景中，但企业往往在各自为政的环节孤岛当中做着重复的无用功。
AIGC内容自动化简化工作流，降低个性化服务的成本。AIGC技术的发展意味着自动化工具可以承担基本编辑功能，使得内容生成团队摆脱了在大量营销材料中做重复性工作的麻烦，将需要大量时间的创造性细节交由AIGC完成，由此可以为更高价值的创造性思考创造时间。Greylock认为AIGC将显著降低个性化服务的成本，在AI出现之前个性化内容成本较高，企业会尽量做出标准化内容降低成本，而在AIGC之后，个性化内容将主动帮助企业创造额外的收益。
AIGC带来更快速度、更多内容，实现创意解放。Adobe 的生成式人工智能副总裁Alexandru Costin内容供应链问题归结为内容过剩和分发渠道断裂是营销人员在吸引眼球和注意力方面面临的挑战，而他认为对此的解决方案就是将AIGC融入工作流，用更快的速度，更多的内容来满足需求。自Adobe Firefly 发布以来，已经完成了 30 多亿张图片的生成。
更低的使用门槛，满足增长的个性化需求。AIGC无限生成特点使得“千人千面”的营销成为可能，能够最大化的满足用户增长的个性化需求。在Adobe推出的内容供应链解决方案当中，全新的Adobe Experience Manager进一步简化了内容开发流程，利用常用工具也能创作，让每个人都有机会成为一名体验的创造者。此外，人工智能驱动的洞察还能够告诉品牌每个受众群体更钟情于某些内容和体验的原因，从而让其针对具体需求做更加个性化的营销和服务。
显著提高用户付费转化
AIGC应用有更强的获客能力和更低的获客成本。AIGC类应用在面世之后掀起了热潮，一方面来自于为用户提供了全新的体验，另一方面是不断迭代的服务和产品对新用户形成持续的吸引力。根据Sequoia Capital，Chatgpt对用户开放之后仅仅用了不到2个月时间，用户数量突破100万，与之对比，Tiktok用了9个月，而Instagram用了30个月。说明AIGC应用在流量集聚上展现了极强的能力。同时，AIGC应用也使得获客成本出现了显著的下降，其可以通过话题、口碑传播等非付费营销的方式获客，根据a16z，其对于150款非AI应用进行了基准测试，对于尾部1/4的非AI应用中，其70%的流量为付费来源。同时其选取了50款AIGC应用作为对比，对于尾部1/4的AIGC应用，仅有2%的流量是付费来源。
AIGC提高用户的付费意愿，带来更多的价值转化。海外研究机构a16z整理了目前市场上前50大AIGC应用榜单，在付费转化上，其中90%的应用已经实现了盈利。同时其计算出该榜单的单用户的平均月收入约为21美元（仅对于购买包月套餐的用户），单用户的平均年化收入为252美元。而与之相比，非AI产品的单用户平均年化收入为70美元，单用户平均月收入为10美元，因此，AIGC某种程度上提高了用户的付费意愿，并带来了更多的价值转化。
竞争力分析：AIGC带来新的机遇和挑战
从海外竞争案例复盘，理解图像生产力应用的核心要素
全球创意软件行业呈现出“一超多强”的局面。 Adobe为全球图像创意领域的龙头，其Creative cloud拥有全球最专业、最强大的产品线，涵盖图像创意的所有领域，除Adobe之外，Canva、Figma、Sketch等应用凭借在特定领域的深耕也同样发展迅速，在数字内容需求井喷的时代特征下，整个行业呈现出“一超多强”的竞争格局：
1） Adobe：全球图像创意领域的龙头，2022年Creative Cloud收入104.6亿美元，旗下有包括Photoshop、Illustrator、Indesign等多款核心图像生产力工具产品，为创意图像行业奠定标杆。
2） Canva：为传播者和营销人员提供设计支持的创新设计工具，通过提供模板、图形、风格变体和字体等显著降低设计门槛。2022年底全球用户总量达到1.35亿，根据CB insights，截止2023年9月Cnava估值超过400亿美元。
3） Figma：为设计团队提供的基于web端的创意工具，提供团队协作、创意共享、文档管理等功能，全球用户数量超过400万，月访问量达到1.013亿，2022年9月，被Adobe以200亿美元收购。
图像创意市场持续“熵变”是竞争变化的来源。在某些市场中，随着巨头的规模效应积累以及业务边界的模糊，留给余下竞争者的创新空间较小。但是在创意市场中，技术的持续迭代和用户需求的不断变化使得市场在持续“熵变”（源自热力学，指代行业从一种状态到另一种状态的转变）。从最早的桌面出版类软件，到Adobe实现“云化”战略转型的成功，再到以Figma、Canva等为主的基于网页端的轻量级应用出现，最后到当今AIGC带来的变革，不断变化的用户需求和场景使得图像创意的市场竞争在持续变化。
图像创意领域有较多的应用层级，各公司在特定的层级中构建核心竞争力。图像创意领域的需求高度分散，Figma的早期投资人Kevin Kwok提出公司的“原子能力”概念来描述创意设计公司在用户定位、产品理念、应用层级等方面的差异，他认为是“原子能力”的不同决定了即使有Adobe这样的巨头下，在一些细分的设计领域，不断有Canva、Figma、Sketch等公司做出杰出的产品与Adobe形成差异化竞争。在内容成分上，有像素、向量、插件和模板的变化，在用户交互上，有图片、画布，再到项目和团队协作的变化。
核心在于找到关键的需求痛点，并映射进用户的工作流。Adobe的核心产品Photoshop定位于像素级别的图像编辑，但是随着互联网应用的发展，UI、UX等数字化产品的需求激增，导致矢量图形比栅格图形（像素）更加重要，因此有了Illustrator。而Sketch在Illustrator的基础上采用了基于项目运作的模式，来制作整个产品和用户界面。Figma在Sketch的基础上将协作引入项目，并用更多的插件拓展应用的边界。Canva 和 Photoshop、 Illustrator 类似，但它的定位是广泛的传播者，其核心的“原子能力”在于围绕更多的模板和组件，帮助用户降低设计的门槛，用户制作的不再是项目和产品，而是一个由设计元素和图像组成的画布，比如音乐会海报、品牌logo、Facebook头图。所有成功的公司都是聚焦自己核心的“原子能力”并映射进用户的工作流。
Canva专注于泛设计人群，以降低门槛为核心
互联网数字平台的兴起带来营销转变。Facebook、Instagram 和 Youtube 等互联网平台的兴起，导致营销广告相比传统广告的节奏更快，内容更多。用户需要针对不同的广告渠道投放不同的素材，且拥有更高的投放频率，因此图像设计内容量的指数级增长。同时，这些传播者（泛设计人群）并不会从Photoshop的像素级层面来考虑设计，他们需要快速的解决方案和模板来满足审美和营销的需求。
Canva顺应行业趋势缩短设计流程。Canva 从用户的设计目的出发，无论是设计宣传片、Instagram 帖子还是婚礼请柬，Canva 都有专门的模板和构图，让用户可以轻松体现自己的创造力，比如放入自己的照片，或者使用社区里的图形或组件。Canva围绕用户的功能性需求构建“原子”能力，将原本繁琐、高门槛的设计流程简化，将目标用户由专业的设计师拓展到更为广阔的传播者。同时在发展过程中，逐渐通过海量的模板素材、字体社区来拓展生态系统，形成了较强的竞争壁垒。
Figma押注于设计协作，以融入工作流为核心
Sketch最早挖掘数字设计市场，Figma以协作为核心后来居上。Sketch 于 2010 年推出，定位UI 和 UX 设计，通过矢量图形和项目制的方式专注于数字产品，其通过最早挖掘数字设计市场与Adobe形成差异化。但Sketch没有意识到数字设计产品一方面需要基于矢量的工具，另一方面正在面对更加复杂的项目，从而对于协作的需求更高。Figma发现随着软件设计产品越来越复杂、一个项目中的设计师之间的协作，与PM的反馈和交流更加频繁，因此其将专注于融入工作流的协作作为核心的“原子能力”，从技术架构、分发模式和平台结构等方面改善。在Figma之前，传统设计工作流中每一个环节需要在本地和云端之间切换，同时有大量的传输和反馈；在Figma之后，所有参与者只通过网页端进行在线的设计协作，让基于浏览器做设计成为现实。
我们认为Canva和Figma的成功本质上也是反应了当前图像创意行业保持竞争力的两个主要趋势——即设计更加“民主化”，由专业设计师拓展到用户规模庞大的传播者（泛设计师）；同时高效的工作流和协同合作在数字设计产品中愈加重要。我们认为AIGC对于工作流本身的需求不变，只是通过AI的方式实现，所以传统软件工作流迭代的方向也是AIGC时代下需要重点关注的。
国内创意软件市场以在线工具类平台为主，场景和应用定位相对同质化。国内创意设计软件主要以在线设计平台为主，商业模式为订阅制收费，主要客户为小B及大C端。从产品定位和应用场景对比来看，目前国内在线设计类应用相对同质化，主要以“智能编辑+海量模板”为主，竞争力在于模板的数量和美观度，行业中头部企业为“稿定设计”，MAU约为2000万。目前也有少部分企业开始向AI转型。
国内相较海外应用的优势在于语言的天然屏障和更加契合本地化的模板。国内创意设计应用的发展进程落后于海外，但面对国内庞大的人口基数和快速兴起的数字设计需求仍然有非常大的发展空间。虽然Adobe、Canva和Figma等软件在全球的创意市场迅猛发展并占据了大部分的市场份额，但是我们发现其在国内的布局较少，2022年Adobe业务的全球分地区收入占比中，亚太及日本占比仅为16%，根据2020年的披露数据推测亚太和日本地区中50%收入来自日本（2020年后未披露具体国家）。这一方面来自于非英语的环境所带的天然屏障，使得中文应用更加容易普及，另一方面在于国内的在线设计平台能够提供更加契合本地化的模板，从而更加符合国内用户的需求。
AIGC时代为竞争带来全新的机遇和挑战
AIGC图像应用百舸争流
当前的图像AIGC主要参与者分为传统图像应用、AIGC原生应用和互联网大厂三类：
1） 传统图像应用：传统的图像领域龙头全面拥抱AIGC，在原有应用的基础上通过AI实现全新赋能。Adobe于2023年10月推出Firefly全面嵌入Creative Cloud全家桶，并推出全球首个针对矢量图形设计的生成式AI模型；Canva推出Maigic Studio功能，包括文生图、设计风格转化、辅助编辑、AI填充等多种功能，打造顺畅串联起各种AI功能的一站式平台；国内的美图设计室推出MiracleVision 3.0自研版本大模型，美图设计室应用专注生产力场景应用。我们认为传统图像公司的优势在于完善的产品矩阵、庞大的用户基础和对于设计工作流的深入理解，有望更快将AIGC融入原有产品工作流并落地垂直场景。
2） AI原生应用：AI技术的迅速发展诞生了较多AI时代的原生应用，其中以文生图等生成类场景为主有包括Midjourney、Stability AI；视频类应用包括Runway、HeyGen等；3D场景包括Luma等。其特点在于突出的生成效果并在社会上引起广泛的关注和讨论，随着越来越多的用户使用，其一方面可以获得“飞轮效应”形成正向循环，另一方面，其也正在向拓展更加具体的场景和工作流方向发展，而不局限于单点的突破和单张的生成效果，比如国内专注于出海的ZMO.AI，其推出了ImgCreator.AI，强化产品中背景生成、海报生成和数据优化的AI能力，并为B端用户提供Marketing Copliot的增值功能。我们认为这类公司有更强的灵活性和适应性，越快找到落地场景并实现商业化变现的公司有较大的发展潜力。
3） 互联网大厂：国内外互联网大厂的技术积淀深厚，在算力、算法端有优势，其以通用大模型为发展核心，将图像模态作为AI底层模型能力的一部分，Google基于Imagen，其AI搜索功能使得用户能够直接使用提示生成图像；Microsoft的Florence多模态大模型可以根据图像和文本之间的相似性，改进搜索推荐和广告，国内的百度、阿里等通用大模型也均具备图像模态能力。我们认为互联网大厂当前在具体的图像落地场景中布局较少，且缺乏对于工作流的理解和渗透，需要在商业化应用中做更多的尝试，但是随着综合能力的通用大模型能力发展，一方面有望可以作为其他垂直应用拓展的基座，另一方面可以在搜索、客服等非生产力设计功能中嵌入。
竞争要素由生成效果向精确性、可控性演进
AIGC在生成效果上频频超预期。以Midjourney、Stable Diffusion等为首的大批AIGC原生应用兴起，在文生图等应用中展现出惊艳的生成效果，根据Similarweb，2023年9月Midjourney月访问量达到1800万，2022年全年营收超过1亿美元。其中Midjourney凭借着惊艳的图片生成效果、活跃的 Discord 社群、通过数据飞轮建立的早期壁垒在一定时间内能够保持较强的盈利能力,同时其团队的快速迭代能力也使其能够紧跟技术的进步，保持产品的竞争优势。从Midjourney版本V1-V5的迭代来看，其生成效果不断增强，在最近的一次更新中，其引入的相机平移和填充技术来优化的用户体验。
高热度低留存，效果端突出难以支撑中长期用户价值。AIGC在流量的集聚速度和热点话题的制造上远超过传统的应用软件，但是在用户留存率和参与度上却呈现明显的低迷。根据Sequoia Capital，其对比了Chatgpt、Runway等AIGC应用和YouTube、Instagram等传统应用的首月用户留存度，其中传统应用的首月用户平均留存率为63%，而AIGC应用仅为42%，较低的用户留存说明AIGC应用并没有足够的用户粘性。同时，在用户参与度上传统软件的平均DAU/MAU为51%，而AIGC应用仅为14%，说明用户对于其使用的频率较低，无法为客户持续提供价值。AIGC当前的核心痛点在于文生图等应用仅仅可作为“娱乐”属性存在，而无法在应用端提供长期价值。
竞争迁移至可控性、协作等要素，更加聚焦和场景工作流的融合。正如前文分析的演变框架，我们认为当前AIGC的竞争更加聚焦于场景工作流的融合，在优秀的生成效果之外，在调整的精确度、模型的可控性、工作流的便捷度等方面产生明显的重心偏移。以Adobe为例，其Firefly产品并不满足于基础的生成效果，在新推出的Firefly Image 2中，正在通过多种方式让AI更好地融入其原有的工作流：
1） 协作方面，支持用户直接分享和保存图像，通过链接共享生成图像和提示，使团队成员能够理解图像的创建过程，并能在共享库中保存生成的图像，以便在Adobe的其他创意工作流程中重新打开和使用。
2） 精确度方面，具备生成更高质量与更逼真图像的能力，尤其在渲染人物和自然元素如树叶、皮肤纹理等方面表现尤为突出。它现可生成最高达2048*2048（4百万）像素的图像，并且已支持中文输入。
3） 可控性方面，一方面优化了图像的颜色和动态范围，提供了“Photo Settings”功能，允许用户手动调整照片参数如景深、运动模糊和视野，赋予用户类似手动相机控制的体验。另一方面支持添加否定提示功能。用户可以指定某些元素在生成图片时自动被排除。只需在右侧控制面板的高级设置中输入英文单词作为否定词,这些词汇将在图像生成时自动被排除,从而实现对输出的控制。最多可输入100个英文单词，输入每个单词按enter即可生效。
优质基础大模型、完整工作流和生态正循环构成长期护城河
按照前文的分析框架，我们提出了生产力应用的进展是由AIGC在工作流中的渗透决定的，因此竞争落在了具体场景工作流的产品效果、精确度、可控性、交互协作等方面，而我们希望进一步探讨的是如何能构建出更好的符合垂直场景的工作流，并在不同的环节获得突破，最终形成AIGC应用的长期护城河。
1） 基础大模型是底层壁垒。首先我们认为训练出优质的底层图像大模型是一切应用的基础，而上亿级别参数的模型的训练需要海量高质量数据以及高额的算力成本，算力投入造成了OpenAI、Google等资金雄厚的大型科技公司与初创公司的区别，而垂直的高质量数据则使得Adobe等原先图像生产力行业内公司具备优势。基础模型的壁垒一方面在于它决定了AIGC应用的基础性能和工作流效果，另一方面在于基础模型的所有者可以通过发布API和插件，让第三方应用在自己的生态基础上开发应用，从而不断拓宽应用边界，形成从底层模型到应用的完整解决方案，从而相较于基于第三方模型进行简单包装的应用具有更深的壁垒。
2） 完整工作流带来高切换成本。低切换成本是工具类应用长期的痛点，因为本身工具属性强，且工作流环节断裂，用户很容易在不同应用中切换。我们认为AIGC时代构建完整的工作流将显著提升用户切换成本，原因在于AIGC应用作为生产力存在并参与大量工作内容，通过与客户的数据集成并在协作、存储等方面深化，将构建具有依赖性的应用。根据当前的产品进展，生成效果最好的Midjourney在掀起AI浪潮之后用户数量达到1亿，但是对于生成内容需要调整或者效果不满意的用户，依然会需要切换到PS等软件二次修改。我们认为从创意到产品的完整工作流可能解决这一问题，并形成长期壁垒。
3） 用户、应用和模型的生态形成正反馈循环。据Greylock，其认为AI时代的护城河在于在数据和模型之间构建一个高效使用数据的“智能系统”，其核心就在于AI时代高质量数据资产能够在用户、应用和模型之间形成正反馈循环，因为生产和训练应用所用的高质量数据越多，模型表现就会越好，从而吸引更多的用户，用户持续交互能产生高质量数据形成完整的生态闭环。同时，当前的AIGC商业化应用在标准、平台、技术服务、接口、研发等方面还不够成熟，因此完善的生态闭环对于生产力场景客户需求有更好的议价和溢价能力，能够更快的实现商业化并不断迭代。以OpenAI为例，在2023年11月6日的开发者大会上，其推出了“GPT-4 Turbo”大幅提升速率并降低API价格，同时“GPTs”支持定制化GPT，正在向AI生态平台方向演变。因此我们认为AIGC应用在用户、应用和模型的生态形成正反馈循环，能够有效的形成长期护城河。
图像AIGC市场：“生产力”定位带来全新市场增量
AIGC渐进式落地，模态层级不断提升
生产力场景分为图像、视频、3D三大模态，2022年全球创意软件市场空间128亿美元。全球创意软件龙头Adobe旗下的Creative Cloud产品矩阵包括“Photo”、“Graphic Design”、“Illustration”等部分，以其为依据，我们认为创意图像生产力场景按照使用模态的不同，可以分为图像、视频、3D/AR这三个板块。而根据Jon Peddie Research和Statista，2022年全球创意软件的市场总规模约为128亿美元，其中图像软件市场约为36亿美元，视频软件市场约为65亿美元，3D及AR软件市场约为27亿美元。
AI落地是渐进的过程，当前应用集中在图像模态。在不同的模态内，根据AIGC对应的功能可以分为编辑、生成、增强等不同类型的应用。而根据Similarweb的网页用户访问量数据，我们统计了各种类型下全球前十应用2023年9月的累计访问量，其中访问量最高的是图片编辑类应用，达到1.3亿，访问量最低的是3D生成应用，仅有600万。考虑到AI本身的技术迭代路径，我们认为随着从编辑到生成以及模态的层级提高（图像-视频-3D），对于AI的渗透是由易到难的过程，所以当前的落地集中在图像模态。
当前图像具备最大落地潜力，视频、3D及多模态仍在高速发展
文生视频技术目前处于早期，图像生成效果是基础。视频本质是多帧图像的组合，目前的视频生成路线主要是“文—图—视频”，文生视频生成技术仍处于早期，其核心难点在于：1）计算困难，长视频的不同帧之间需要保持高度一致性，带来高昂的计算成本；2）缺乏高质量的数据集，用于文本到视频生成的多模态数据集稀缺，并且通常注释稀疏，使得学习复杂的运动语义变得困难。Runway是AIGC视频领域的头部应用公司，通过将Runway的相关工具链与视频制作的全流程对比，我们发现AIGC的核心影响媒介仍然以文本和图像模态为主，包括剧本创作等文本类环节，“text to image”等图像类环节，而对于“text to video”类的纯视频生成类应用技术当前还尚未成熟。视频类模态的应用从本质上来看还是对于某一帧图像的优化，所以图像的生成效果是视频生成的基础，视频生成模型在质量、处理速度、可控性和定制性等方面仍有很大提升空间，但距离大规模商业化还有一定的距离，看好后续视频生成的技术突破。
3D模态的AIGC应用难度最高，但是技术突破的革命性更强。相比图文和视频，传统 3D 建模流程复杂，多为人工手动操作，周期长，成本高，对于AIGC而言存在技术上的较大挑战。3D模态AIGC的核心技术是NeRF（Neural Radiance Fields），其可以根据少量的 2D 图像对 3D 场景的几何形状和外观进行建模。目前 3D 生成的主流技术路径大致可以分为两类：（1）先“text-to-2D”，再通过NeRF或Diffusion模型完成“2D-to-3D”；（2）直接“text-to-3D”，该路径直接使用 3D 数据进行训练。第一种更为常见，因为从训练数据上看，2D比3D更容易获得，导致从2D生成3D内容更加容易。OpenAI 的 Point-E、Google的Dreamfusion、Nvidia的Magic3D等模型均是此路径。但当前的3D模型技术发展尚不成熟，但另一方面由于3D有成熟的应用场景，如游戏、影视制作等，所以落地应用能够带来更加革命性的变化和可观的市场规模，我们也期待AIGC在3D领域的发展。
多模态融合的综合应用是未来的确定性趋势。我们认为未来将文本、图像、视频、音频和3D等多个模态融合的综合应用是未来发展的趋势。2023年10月，openAI发布GPT-4V模型，支持文本和图片交错输入的多模态能力，从GPT系列模型的演变来看，其正在从传统的大语言模型向多模态模型不断进化拓展。构建统一的图像模型并发展多模态融合的综合应用是未来的机会和挑战。其一方面存在着输入和输出类型多样带来的复杂颗粒度的处理，另一方面在模型训练中，不同模态的标签数据注释和处理成本高，难度大。而多模态的融合应用更加接近开放世界的真实场景，有着更加广泛的应用前景，是未来较为确定的趋势。
具体图像场景落地的可行性探讨
AIGC的当务之急是找到具体应用场景的落地。Sequoia Capital认为AIGC的“第一幕”最开始由技术出发，通过大模型引发一系列的轻量级应用。而当前AIGC已经进入了“第二幕”的发展阶段，其将更加注重实际的使用案例，端到端的解决问题并提供价值。我们认为AIGC的当务之急是找到具体落地可行的应用场景。美图公司将电商、广告、游戏、动漫和影视列为其Miracle Vision图像大模型核心聚焦的五大行业，并认为当前的AIGC可以这些行业中找到如下具体的应用案例：
电商行业：输出涂鸦生成线稿、线稿上色、商品图、模特试穿和电商物料海报。
广告行业：帮助客户生成不同渠道的广告素材，从创意脑暴到创意深化、平面排版、多尺寸延展到最终的线下投放预览。
游戏行业：场景设计、角色设计、道具设计、UI图标设计和宣发物料的图像服务。
动漫行业：概念设计、故事板生成、线稿上色、动漫补帧和视频转动漫等。
影视行业：概念场景设计、分镜设计、人物造型设计、道具设计、宣发物料，满足影视行业全链条需求。
场景的落地进展核心关注迭代成本和可验证性
1）从AIGC技术的角度核心关注快速迭代能力和可验证性：
行业内容具备高频特征，带来较小的迭代成本以及有丰富的数据资源支撑AI模型训练。从AIGC本身的特征出发，高质量数据有助于AI训练，同时因为缺乏精确性，所以试错成本低且高频的场景更适合，比如快速生成多张商品图供用户挑选，将质量优秀的图片标记并放入模型中迭代。
行业内容对于AIGC的信息质量可以快速做出验证。AIGC因其生成属性，本身存在缺乏精确性的问题，因此适用于可以快速评估生成质量的场景，比如平面设计中图案是否美观。而对于如剧本创作等难以快速评估质量的场景落地较难。
2）从用户画像角度，具备长尾特征的场景对于AI的需求更加旺盛。在前文的分析中提到，AI当前对于中长尾的设计需求有明显的替代，动漫、影视、游戏等行业虽然本身对创意内容的需求旺盛，但是其行业本身对于内容的要求更高、创作的周期更长，当前AI技术主要以取代工作流中部分环节为主，头部设计性较强的需求难以替代因而进展相对缓慢。而类似电商商品图、基础平面设计等中长尾场景，对于效果具有更高兼容性和验证能力，可以较快的促成AI的商业转化，因而落地较快。
基于上述两个属性分析，我们认为当前落地节奏较为领先的是基础平面设计领域与AI商品图，后文中将重点对于这两个市场进行分析。AI本身迭代迅速，有较大的不确定性，因此我们希望从理论层面去测算国内AI创意软件应用在生产力场景的TAM（Total Available Market，潜在市场空间），并做出相应的敏感性分析，并对于未来AI的潜在增长做出理性预期。
平面设计市场：由生产工具变为生产力本身
传统平面设计市场是创意内容生产力场景的主要组成。平面设计以图像作为核心表达方式，通过符号、图片、文字的创造和组合来传达信息和表达想法，平面设计有较多的应用场景，设计内容包括标志、包装、广告、海报等等。其下游的应用行业包括互联网、媒体、零售、教育等，主要以数字营销和品牌宣发为主。根据智研咨询，2022年中国平面设计行业的市场规模为548.65亿元，2015年至2022年间复合增长率为7.02%。
设计师和创意软件分别对应生产力和生成工具，其中生成力是平面设计市场的核心。我们认为平面设计行业本质由创意图像软件和设计师组成，分别对应工具和生产力，而以设计师为主的生产力是核心的价值量来源。根据Market Splash，美国是全球最大的平面设计市场， 2022年全球占比约为35.56%。我们将美国的平面设计市场按照支付给设计师的薪水和创意软件收入进行拆分，从结果来看，在整个市场构成中，代表生产力的设计师占比约为76.25%，代表工具的创意软件占比仅有8.07%，平面设计行业的核心价值来自以设计师为代表的生产力。以这一市场结构比例为依据对于中国市场进行拆分，得出2022年中国平面创意软件市场约44.3亿元，设计师生产力市场约418.4亿元。
我们认为生成式AI的发展将对创意软件“工具”类属性带来颠覆：
1） AI带来更加高效的原生工作流，我们预计短期内替代10-15%的生产力，国内市场增量约42-63亿元。我们认为AI落地所带来空间的核心在于AI可以代替多少生产力，且这一替代的空间增量将随着AI技术的迭代而变化。而在平面设计中可由AI生成力取代的程度取决于AI能力迭代的进展和平面设计工作流的匹配情况。根据美图公司，其将设计场景的整个工作流从最初的创意脑爆、草案设计到最终的创意设计和修改分为不同的阶段，我们认为AI原生工作流当前在创意脑爆和草案设计等环节已经能够实现基础功能的替代，包括快速生成完成度较高的草图减少试错成本，以及具备抠图、上色的基础功能，在整个工作流中价值量占比约为10-15%，根据前文对于国内设计市场生产力价值量的测算对应市场空间为42-63亿元。
2） AI已经拥有较强的具象生成能力，但缺乏创意细化和具体场景需求的感知。AI当前在高度细节化的描述下已经具备了完成度较高的效果，因为越多的描述特征生产的结果就会越精确。但是在抽象的需求下生产能力较弱。同时其对于设计的创意细化能力较弱，一方面细节的处理缺乏可控性，另一方面缺乏具体的场景需求感知，比较难满足商业化应用的需求。因此在整个设计工作流中价值量占比较大的设计和修改环节AI仍然无法替代，在生产结果的精确性、可控性以及与场景需求的契合性等方面仍有较大的发展空间。
3） 中长期视角下，AI将使得创意软件由工具应用变为生产力本身。创意软件的工具类定位本身市场空间较小，而AI的变革在于让创意软件作为一种新兴的生成力并获得重新定价。随着生成式AI的能力迭代，我们预计其取代部分创意性要求低的中长尾设计需求，实现向生产力本身的转化，而原先的平面设计师的角色可能会向策略导向的Art Director转变，更加注重设计策略、规划与创意思维，并将整个设计前期的基础工作交由AI来完成。
当前生成式AI图像大模型仍在探索阶段，预计2030年在设计领域普及率达到80%。美图公司将底层的AI图像大模型应用普及分为三个阶段，并从生成效果、工作流支持、场景融合度三个角度对于发展阶段进行衡量。当前的AI仍然处于探索阶段，预计在未来两年将引来大模型的高速发展期，并预计于2030年达到80%的普及率。
商品图市场空间：AIGC应用的原生场景
AI商品图成本优势显著，有望逐渐取代传统商拍市场。在商品详情页中展示丰富的商品图是电商领域中常见的营销和获客方式，而商品图的拍摄在摄像、场地、模特、置景、差旅和妆造等一系列环节有较高的成本。根据“头号AI玩家”公众号，通常制作一套20张的商品场景图，需要一个多工种设计团队至少耗费3天时间，成本超过2万元。而AI技术的成熟打开了商品图生成市场的空间，通过在虚拟环境中自动生成图像，可为商家提供商品实拍图场景及模特替换等解决方案，商家可以直接上传商品的草图，并由AI完成抠图、生成模特、添加背景、后期修图等工作，在节约时间的同时可以显著降低成本，成本节约90%。
商品图市场具备订阅和AI增值两层逻辑，其核心空间来自AI增值。基础的订阅收入由互联网平台商家数和人均订阅费决定，而我们认为电商的高SKU属性决定了其有较高的AI图片生成需求，因此在基础订阅之外，更多的是依靠购买的AI算力获得额外的增值服务。同时当前市场已经有比较清晰的商品图定价，我们将基于此计算整个AI商品图市场的远期TAM。
AI增值市场=高生成需求商户数商户平均SKU每个SKU所需图片生成量AI生成的单张计费。在市场空间的计算中我们对于AI增值市场的组成分别做出以下假设：
1） 高生成需求商户数：我们认为电商商品图的核心商户群以中部的80%商家为主，一方面他们相较尾部商家有较高的品牌宣发和商品图生成需求，另一方面其对于AI商拍的降本增效有较大的需求，我们假设有较高AI商品图需求的商家数占动销商家总数30%。
2） 商户平均SKU：服饰类商家相较其他品类有更高的SKU，我们假设高生成需求商户中服饰、鞋包类商户占比约40%，其平均SKU为500，其他品类商家占比40%，其平均SKU为250。
3） 每个SKU所需图片生成量：假设在线下拍摄场景中50套服装对应1000张图片拍摄，平均20张/SKU，我们预计AI生成有类似或者更高的成品效率。
4） AI生成的单张计费：AI生成和算力挂钩，所以本质上每一张AI图片都需要额外的购买所需的算力。我们对比了目前市场上包括Midjourney、Adobe、美图、Weshop等主流平台的算力收费标准，根据其收费的平均测算，假设AI单次生成的平均约为0.36元/张。
我们测算AI商品图市场TAM空间为41-93亿元。在前文的诸多假设中，我们认为高生成需求的商户比例与每个SKU的生成图片数量这两个假设有较大的弹性空间，并基于前文的诸多假设，我们测算国内的AI商品图市场的TAM弹性空间为41-93亿元。
AIGC商品图的实践分析
单点能力上厂商各有优缺点，全流程综合型厂商更易胜出。根据前文对于软件厂商竞争要素的定义，我们从使用体验、生成效果、商业化三个角度，对于目前市场上包括美图设计室、weshop、小K电商图、ZMO.AI等主流的商品图软件进行了实践分析，并从上传原始草图到最后生成产品的全流程进行了优劣势对比。我们发现，几乎所有厂商都会在流程的某一环节有自己独特的产品优势，比如“抠图”功能，背景的丰富度，人物的处理等等，而对于整个商品图的工作流来说，全流程每一环节的完整性是商业化的关键。
AI算力收费价格差异较大，自研生态具备商业优势。目前几乎所有厂商均采取订阅+AI增值的收费方式，对于额外的图片生成需求增加收费，在前文的分析中，我们也预测AI增值部分将是未来生产力场景中变现的重点，但是从具体价格上看，不同厂商间差异较大，背后代表的可能是厂商的产品模块化和成本控制能力，在商品图应用的早期，可能会对于用户的产品选择有重要影响。同时在底层AI模型的道路上也有差异，目前大部分厂商以第三方开源模型为基座开发商品图应用，仅有个别公司是自研了Miracle Vision大模型，开源模型的优势在于其微调和小规模预训练的成本较低，但是缺点在于未来的迭代和进化会较为困难，自研模型的优势一方面在于其迭代自主性更强，另一方面在前文的分析中提到其做为底层基础有利于AI生态的创建，在标准、平台、技术服务、接口等方面更加成熟，从而具备在生产力场景里有议价和溢价能力，具备商业优势。
（AI商品图软件对比，请见研报原文）
风险提示
AI算力不足。高性能芯片缺乏导致AI训练算力不足，可能对于大模型训练和应用产生影响；
图像大模型进展不如预期。底层图像大模型训练进展不如预期；
行业内竞争加剧。随着行业内参与者增加，可能出现竞争加剧风险；
数据版权风险。在商业化运用的过程中，AIGC生成的内容可能出现版权风险。
