电子行业专题研究：四问四答，剖析算力产业链价值潜力_19页_3mb

算力产业链价值潜力分析总结

核心内容概述

本报告通过“四问四答”的形式，深入剖析了算力产业链的价值潜力，重点围绕GPT模型的演进、大模型的“大参数+大数据”模式、算力需求的增长趋势以及未来受益环节展开分析，强调算力在AI发展中的关键作用，并对相关产业链提出投资建议。

主要观点与关键信息

1. GPT进化历程的启示

• GPT的发展历程：从2018年的初代GPT到2020年的GPT-3，再到2023年的GPT-4，GPT系列模型在参数量和性能上持续提升。
• Transformer架构：2017年提出的Transformer架构因其在处理长序列语义、训练速度和上下文捕捉能力上的优势，成为NLP领域的主导架构。
• GPT与BERT的区别：GPT采用单向的decoder架构，专注于生成任务，而BERT采用双向的encoder架构，擅长理解上下文信息。
• InstructGPT与ChatGPT：引入强化学习（RLHF）和微调机制，使模型更符合人类习惯并减少偏见。
• GPT-4的性能突破：在考试中取得80分位成绩，接近优秀人类学生；在多模态任务中表现突出，强化学习显著提升其行为规范性。

2. “大参数+大数据”的优越性与持续性

• 缩放定律：模型损失（Loss）与计算量、模型规模、参数规模呈强相关，且在其他变量恒定时，呈现幂级关系。这表明“大有大的好处”。
• 涌现能力：当模型规模达到一定临界点时，性能会突然大幅提升，这种“顿悟”能力为大模型的商业化提供了广阔空间。
• 语料与算力限制：
  • 语料耗尽：高质量语言数据预计在2026年前耗尽，低质量数据在2030-2050年耗尽，图像数据在2060年耗尽。
  • 算力限制：当前算力增长受限，但随着硬件、算法和资本的协同提升，训练时间有望大幅缩短。

3. 算力需求增长速度与天花板

• 训练阶段算力需求：
  • 2022年平均训练算力需求为 $8e + 23$ FLOPs，预计2023年为 $1.9e + 24$ FLOPs，2024年为 $4.7e + 24$ FLOPs。
  • 从2015年起，大模型算力需求翻倍时间约为9.9个月，较之前更快。
• 推理阶段算力需求：
  • 主要受模型参数量和接入人数影响，参数量持续增长，而接入人数也在稳步上升。
• 算力增长趋势：
  • 前深度学习时代：平均每21.3个月翻一倍。
  • 深度学习时代：平均每5.7个月翻一倍。
  • 大模型时代：平均每9.9个月翻一倍。
  • 未来算力需求增长可能进一步加快。

4. 受益环节展望

• 云厂商数据中心：作为大模型算力的主要承载者，大型云服务商（如微软）承担训练和推理任务，合作模式将持续。
• 服务器：是数据中心的核心组件，占建设成本的69%，AI服务器采用异构模式，包含CPU、GPU、内存等，其中CPU和GPU占成本的绝大部分。
• 存储芯片：在大模型训练和推理中扮演重要角色，包括兆易创新、北京君正、东芯股份、普冉股份等。
• 推荐关注公司：
  • 海外：工业富联、沪电股份。
  • 国产：寒武纪、海光信息、兴森科技、芯原股份、深南电路。
  • 存储芯片：兆易创新、北京君正、东芯股份、普冉股份。

风险因素

• 宏观经济下行风险：可能影响企业投资和算力需求。
• AI发展不及预期风险：大模型性能可能未达预期，影响产业链价值。
• 地缘政治波动风险：可能影响全球供应链和算力设备供应。

结论

大模型的发展验证了“大参数+大数据”模式的可行性，算力需求持续增长，但受限于语料和硬件。未来随着硬件、算法和资本的协同提升，算力翻倍速度可能加快，大模型训练时间有望显著缩短。算力产业链，尤其是数据中心、服务器和存储芯片，将成为受益环节，建议投资者重点关注相关企业。