通信行业专题报告：算力底座：算力承载与网络中枢

证券研究报告本报告仅供华金证券客户中的专业投资者参考请仔细阅读在本报告尾部的重要法律声明算力底座：算力承载与网络中枢分析师：李宏涛 S0910523030003通信行业/行业专题报告评级：领先大市（维持）2023年9月17日通信行业专题报告 2请仔细阅读在本报告尾部的重要法律声明核心观点u 算力进展：大模型：算力驱动迭代，应用在向通用型场景和垂直行业型场景落地；服务器：作为算力的承载，随着大模型不断涌现，训练需求爆发，AI服务器的价值凸显；交换机：算力网络中枢，在智算组网下对高速率交换机升级迫切，400G交换机将拉动整体市场增长，具备翻倍增长空间。u 算力测算与算力租赁：据测算，2022年训练用算力为95Eflops，至2025年训练用算力749E，复合增长43%；在算力总需求高增长背景下，智算租赁景气度提升，目前该市场百花齐放，将成为公司第二增长曲线。u 算力商业机会演进的路线选择：我们认为，算力方向将演变为以国内驱动为主，国内驱动与海外驱动并行态势；国内驱动逻辑：1、基础设施：大模型出现带动AI服务器需求，数据中心不断扩容升级；2、内延：短距离传输、高速背板连接需求大涨；3、算力资源：全国智算中心建设加速，得卡者得生产力；u 建议关注标的：紫光股份、菲菱科思、浪潮信息、共进股份、中贝通信、润泽科技等。u 风险提示：模型算法及应用市场拓展不及预期；芯片成本过高、订单周期过长影响落地进度；智算中心建设进度不及预期。目录010203算力进展大模型：算力驱动迭代，应用落地加速服务器：算力承载，AI服务器价值凸显算力商业机会演进的路线选择投资建议与风险提示04交换机：交互连接，算力网络中枢算力测算 4请仔细阅读在本报告尾部的重要法律声明趋势一：大模型发布持续超预期发展u ChatGPT模型的推出持续超预期发展。1）ChatGPT注册用户激增，5天突破百万；2）GPT模型不断迭代：GPT3于20年6月推出，在2022年11月推出的GPT3.5基础上再次更新，23年6月推出GPT 3.5 turbo 16K。3）AI渗透千行百业：基于大模型的多场景应用也不断拓展。拉动智能算力规模高速增长。根据OpenAI的研究，AI训练所需算力指数增长，且增长速度超越硬件的摩尔定律。资料来源：媒体资源网、科创板日报、澎湃网、新浪科技看点、腾讯技术工程、华金证券研究所图表1 ChatGPT用户比较图图表2 中国移动交换机招标情况对比 5请仔细阅读在本报告尾部的重要法律声明趋势二：数字基础设施建设加速，景气度提升u 1、我国数据中心总体建设进度加速。据《数字中国发展报告》，我国数据中心机架总规模2022年达到650万机架，比去年增长130万架，近5年年均增速超过30%。u 2、算力基础设施采购量明显提升。以移动为代表的公司，采购交换机数量加大，移动公司2023-2024年采购交换机30660台，其中特定场景交换机需求放量增长，采购15330台。图表3 2017年—2022年我国在用数据中心机架规模（单位：万架）1642013778164230660143301533005000100001500020000250003000035000采购总规模通用场景采购规模特定场景采购规模2022-2023年2023-2024年图表4 中国移动交换机招标情况对比（单位：台）资料来源：国家互联网信息办公室、工业和信息化部、维科网、华金证券研究所 6请仔细阅读在本报告尾部的重要法律声明趋势三：模型百花齐放，推动AI在各领域广泛应用u 1、国内模型百花齐放：众多公司推出大模型，比如阿里推出通义千问、腾讯推出混元，百度的文心一言大模型，科大讯飞的星火大模型u 2、面向垂直行业的大模型应用效果显著：紫天科技旗下河马游戏推出《大侦探智斗小AI》，下载量进入榜单TOP10；医联所推出的MedGPT具备全流程智能化诊疗能力，与三甲专家诊断一致性超96%。“天擎”美亚公共安全大模型，具备警务意图识别、警务情报分析、案情推理等推理能力，可实现全流程闭环进化。将重构两大应用场景：电子数据取证和智慧警务系统。图表5 科大讯飞星火认知大模型图表6 医联MedGPT资料来源：第一财经、网易严选、证券日报、上游新闻、大众网、华金证券研究所目录010203算力进展大模型：算力驱动迭代，应用落地加速服务器：算力承载，AI服务器价值凸显算力商业机会演进的路线选择投资建议与风险提示04交换机：交互连接，算力网络中枢算力测算及算力租赁 8请仔细阅读在本报告尾部的重要法律声明AI芯片是大模型迭代的基础u英伟达为代表的芯片厂商性能持续进步。英伟达2017年上市V100芯片，2020年上市A100芯片，2022年上市H100芯片，H100较V100计算性能提升3倍以上。并且为了迎合AI大模型的潮流，H100配有Transformer引擎，可更好的支撑大模型的架构。uAI芯片成为大模型不断更新的算力基础。以GPT-3为例，模型包含1750亿参数，训练成本达1200万美元。而谷歌发布的PaLM-E包含5620亿参数，GPT-4包含数万亿级别参数。所以大模型的更新迭代必须以先进的AI芯片作为算力基础。图表7 英伟达发展大事记图表8 英伟达主流芯片比较资料来源：英伟达官网、新浪VR、澎湃新闻、搜狐、知乎、华金证券研究 9请仔细阅读在本报告尾部的重要法律声明Transformer架构是AI大模型与传统模型不同的核心uTransformer模型是AIGC大模型与传统模型不同的核心。AIGC大模型起源于NLP，并基于Attention机制构建Transformer模型。传统模型多基于CNN 和 RNN 结构。uTransformer模型架构是现代大语言模型所采用的基础架构。Transformer模型是一种非串行的神经网络架构，最初被用于执行基于上下文的机器翻译任务。Transformer模型以Encoder-Decoder架构为基础，引入“注意机制”（Attention），具有能够并行运算、关注上下文信息、表达能力强等优势。图表9 Transformer模型架构图图表10 Transformer、CNN与RNN优缺点对比资料来源：知乎、CSDN、华金证券研究所 10请仔细阅读在本报告尾部的重要法律声明底层架构各异导致训练参数不同u 底层架构的不同导致训练参数的要求不同。以Transformer为架构的大模型一般可达百亿、千亿、万亿级别，而以CNN或RNN为底层架构的传统模型则是亿级别及更少级别。u AI大模型参数级别庞大，需要强大的算力和硬件支撑。以ChatGPT3.0为例进行拆解，训练一次的成本约为140万美元。对于一些规模更大的模型来说，训练成本介于200万美元-1200万美元之间。图表11 不同架构模型的参数差别图表12 ChatGPT3.0拆解资料来源：知乎、CSDN、电子发烧友、数据猿、佐思汽车研究、华金证券研究所 11请仔细阅读在本报告尾部的重要法律声明AI大模型带动并行计算，训练消耗更多算力u 训练和推理是大模型运行的重要环节。训练环节是大模型的学习过程，可提高模型在各种任务上的性能。推理环节是大模型的判断过程，利用已有训练效果对新的输入进行预测和决策。u