2023年计算机行业：ChatGPT的流量去哪了？

01

文章摘要

我们认为对ChatGPT流量的统计存在显著低估；同时，仅通过应用访问量判断Al市场热度的观点，并未深刻理解Open Al等巨头的商业战略和产业发展。我们认为，所谓ChatGPT的“流量瓶颈”,主要由以下三方面原因导致，分别是

1、0penAl战略，流量高低在API结构

2、算力短缺

3、访问时长(ChatGPT限流)+访问人数(部分地区封锁账号)。

02

文章内容

1.ChatGPT 流量复盘及分析  

1.1.AI 应用流量变化情况概览 

ChatGPT自发布以来，访问量从去年12月至今年3月一直呈现高速增长态势， 但从下图趋势可见，从今年 4 月开始访问量增速明显放缓，在 5 月、6 月期间甚至 出现单周负增长的现象（根据 SimilarWeb 数据，1 月-5 月 ChatGPT 访问量份环比 +131.6%/+62.5%/+55.8%/+12.6%/+2.8%）。因此，市场出现担心 AI 热减退、 ChatGPT 被高估的声音。

我们认为对 ChatGPT 流量的统计存在显著低估；同时，仅通过应用访问量判 断 AI 市场热度的观点，并未深刻理解 Open AI 等巨头的商业战略和产业发展。现 阶段，单从 ChatGPT 访问量判断行业发展已经相对片面，应当从更长期的视角甄别 数据理解底层逻辑。

我们认为，所谓 ChatGPT 的“流量瓶颈”，主要由以下三方面原因导致，在下 文中我们将详细分析这些观点，并对接下来 AI 应用的发展趋势和特征给出判断： 

1、Open AI 战略在于避免与客户竞争，下一个流量高地在 API 接口 2、GPU 短缺算力限制  

3、访问时长（ChatGPT 限流）+访问人数（部分地区封锁账号）   1.2.Open AI 剑指消费级企服平台：“ChatGPT+API”新结构 

首先，需强调 Open AI 的战略是避免与客户竞争争夺流量，希望更多客户接 入 GPT API，希望客户自己的产品通过使用 API 变得更好。

据华尔街见闻，很多的 开发者说，他们在使用 OpenAI 的 API 构建产品时，担心 OpenAI 会发布竞品，但 OpenAI 未来不会发布超过 ChatGPT 的更多产品。ChatGPT 的愿景是成为一个超级智 能的工作助手。在理解 Open AI 重点不在 C 端的战略背景下，进一步分析流量统计逻辑。由于 SimilarWeb 的技术限制，上文图 1 的访问量数据不包含 OpenAI API 接口的流量， 仅仅包括 ChatGPT 应用网站的访问量，这意味着随着 OpenAI 接口生态完善，该统 计数据偏离更显著。因此，我们从

1）其他 AI Chat 网站热度、

2）To B 企业端对 AI 模型的消费需求、

3）第二三梯队 AI 应用爆发三个维度追踪行业现状。 

以近期新的明星产品 Character.ai 为例，它是一个目前主要针对娱乐需求的 AI Chatbot（排除 API 统计口径干扰）。Characterai 公司致力于实现与计算机进 行无限对话，正在研发下一代的对话机器人技术，应用范围广流乏，包括娱乐、 教育、常规问答等。该公司的"对话机器人基于自有的大型语言模型技术，从头开 始构建和训练，专为对话而设计。用户负责编写一个角色的台词，机器人负责创 作另一个角色的台词，给用户一种在与另一个角色对话的体验。

通过 Character.ai 分析 AI Chat 未失真的娱乐需求数据，根据 SimilarWeb 统 计，今年3月第一周的访问量约为21.4M，到5月的第三周其访问量已经增至70.6M， 增加超三倍。同时，近三个月内 Character.ai 的用户平均访问时长接近 30 分钟较 为稳定。

ChatGPT 降低费用门槛，To B 端企业集成部署需求旺盛。据财联社消息，今 年 3 月 2 日，ChatGPT 官方 API 发布，价格为 1ktokens/$0.002，即每输出 100 万 个单词需要 2.7 美元（约 18 元人民币），比此前 GPT-3.5 模型价格降低 90%。我 们认为开放 API、降低 Token 费用，能够大幅促进更多应用接入 ChatGPT,丰富生 态，这也可以解释在该阶段造成对 ChatGPT 的分流（可再次回顾图 1）。以 llamaindex.ai 为例（一定程度上反映企业端 AI 大模型需求），该网站前 身为 GPT ndex。Llamalndex 是一个数据框架，可以为大语言模型提供数据摄取、 数据索引和查询引擎。

Llamalndex 可以将大模型和企业数据连接起来，做定制化 的 LLMs，管理数据流和任务调度。根据华尔街见闻消息，lamaindex.ai 周计方问 量同比成长 122.69%。和它类似的工具还有 LangChain ，现在全球越来越多的公司 开始把自然语言融入产品进行交互，而新的开发方式意味着新的技术栈。

对于 To B 端的企业需求分析，还可以通过开发者社区的活跃程度侧面印证。以 Hugging Face 为例，它是机器学习开源参考模型的强大引擎，使得开发者可以 构建、训练并部署最先进的模型。这是一个高速发展的社区，据 NLP 日志录数据，包括 Meta、Google、Microsoft、Amazon 在内的超过 5000 家组织机构在为 HuggingFace 开源社区贡献代码、数据集和模型。目前包括模型 236,291 个，数据 集 44,810 个。刚开始大多数的模型和数据集是 NLP 方向的，但图像和语音的功能 模型正在快速更新中。Hugging Face 这类开发社区的野蛮生长同样意味着 B 端和 部分 C 端加速应用部署模型态势不减。

文琳编辑

免责声明：转载内容仅供读者参考，观点仅代表作者本人，不构成投资意见，也不代表本平台立场。若文章涉及版权问题，敬请原作者添加 wenlin-swl  微信联系删除。

1. ▼长按2秒识别二维码关注我们

《文琳资讯》

提供每日最新财经资讯，判断经济形势，做有价值的传播者。欢迎关注

今日导读：点击下面链接可查阅

▼长按2秒识别二维码关注我们

公众号 ：就业与创业

点击下方可看