AI算力行业深度报告：拥抱AI算力时代的星辰大海

证券研究报告 行业研究 行业深度 计算机计算机 行业研究/行业深度 拥抱 AI 算力时代的星辰大海 ——AI 算力行业深度报告 ◼ 核心观点 ChatGPT 开启本轮语言大模型时代，“大”算力成为刚需 据 superclue，自 ChatGPT 在 2022 年 11 月发布以来，AI 大模型在全球范围内掀起了有史以来规模最大人工智能浪潮，2023 年以来海外厂商大模型引领，OpenAI 发布 GPT-4，Meta 开源 Llama2 等，国内大模型持续迭代升级，目前顶尖模型部分通用能力已逼近世界顶尖水平，其中 Hunyuan-Turbo-Preview、AndesGPT-2.0、SenseChat5.5、Doubao_pro_preview、DeepSeekV2-0628、Qwen2-72B-Instruct 等模型表现领先。由于大模型性能表现显著优于小模型，同时模型参数量提升为重要技术路线之一，我们认为“大”算力刚需属性凸显。 模型扩容+下游 CapEx 增长+垂类模型落地，推动算力需求高增 短期看，训/推两端算力需求或随模型参数量、要求训练效率、用户使用频率等关键指标同步提升，假设模型平均参数量保持 1000 亿个不再增长，当大模型数量达到 10 个，平均训练 tokens 数达到 7000 个时，训练端峰值算力需求或将达 3472Pflops-day，推理端最大并发峰值算力需求将达到 23148Pflops-s。中期看，北美头部 CSP 资本开支持续增长，AI 需求保持强劲。24Q2 北美四大 CPS 资本开支总计516.3 亿美元，同比+59.0%。长期看，行业/垂类模型发展过程中，为解决通用大模型的垂直化适配问题，GCI 解决方法或调用更多知识资源，计算规模或将提升，带动算力需求同步提升。 全球 GPU 市场约 653 亿美元，英伟达占大头，国内华为昇腾领先 GPU 因并行计算架构带来强大计算效率，适配大模型计算需求。据Statista，全球 GPU 市场规模 2024 年达 653 亿美元，2029 年有望达到2742 亿美元，期间 CAGR 达约 33.2%，据 JPR 数据，英伟达市场份额 24Q1 占据近 90%。国内厂商方面，华为昇腾相对领先，代表着国内高端 AI 芯片领域的前沿力量。据华东师范大学，FP16 精度下，910B 算力达 313TFLOPS，处于国内先进水平。 ◼ 投资建议 我们认为，受益于大模型的蓬勃发展，算力需求正处于高增阶段。AI 芯片作为重要算力底座，在自主可控的背景下景气度有望提升，重点关注华为昇腾链相关环节投资机会，以及海光信息、寒武纪等算力链投资机会 ◼ 风险提示 行业竞争加剧风险、商业化进度不及预期风险、技术路线调整风险等。 增持 (维持) 行业： 计算机 日期： yxzqdatemark 分析师： 李行杰 E-mail： lixingjie@yongxingsec.com SAC编号： S1760524010003 分析师： 夏明达 E-mail： xiamingda@yongxingsec.com SAC编号： S1760523080004 近一年行业与沪深 300 比较 资料来源：Wind，甬兴证券研究所 相关报告： -40%-28%-16%-4%8%20%11/2301/2403/2406/2408/2410/24计算机沪深3002024年11月06日行业深度报告 请务必阅读报告正文后各项声明 2 正文目录 1. ChatGPT 开启本轮 AI 世代，大模型发展进入新纪元 ......................... 3 1.1. 大模型，AI 领域的重要基建 .............................................................. 3 1.2. 模型向“大”而生，催生“大”算力发展刚需 ........................................ 5 1.3. 模型扩容+下游 CapEx 增长+垂类模型落地，推动算力需求高增 .. 7 2. 算力高需求的趋势下，AI 芯片增量空间可观 ..................................... 11 2.1. GPU 并行计算特征满足算力需求 ..................................................... 11 2.2. GPU 占据 AI 芯片主导地位，ASIC 等芯片前景广阔 ..................... 11 2.3. 全球 GPU 市场规模约 653 亿美元，英伟达优势明显 .................... 12 2.4. 国内 AI 芯片稳步前行，华为昇腾保持领先 ................................... 16 3. 投资建议 .................................................................................................. 17 4. 风险提示 .................................................................................................. 17 图目录 图 1: 大模型对齐人类偏好过程 ......................................................................... 3 图 2: 国内外主要大模型基座发展历程 ............................................................. 4 图 3: SuperClue 全球大模型 Top10（2024 年 8 月） ...................................... 5 图 4: SuperClue 大模型文本能力榜（2024 年 11 月） ................................... 5 图 5: 达到相同效果，大模型所需样本量更少 ................................................. 5 图 6: 达到相同效果，大模型所需训练步数更少 ............................................. 5 图 7: 大模型效果显著优于小模型 ..................................................................... 6 图 8: 2018-2023 年模型参数规模变化............................................................... 6 图 9: 单 token 所需训练成本 ..