AI重構生產力下的電子行業投資機遇分析ChatGPT：生成式AI引爆技術奇點AIGC全稱為AI-GeneratedContent，指基于生成對抗網絡GAN、大型預訓練模型等人工智能技術，通過已有數據尋找規律，并通過適當的泛化能力生成相關內容的技術。與之相類似的概念還包括Syntheticmedia，合成式媒體，主要指基于AI生成的文字、圖像、音頻等。2020年，1750億參數的GPT-3在問答、摘要、翻譯、續寫等語言類任務上均展現出了優秀的通用能力，證明了“大力出奇跡”在語言類模型上的可行性。自此之后，海量數據、更多參數、多元的數據采集渠道等成為國內清華大學、智源研究院、達摩院、華為、北京大學、百度等參與者的關注點。2022年12月，ChatGPT3.5令人驚艷的使用體驗引爆社會熱潮，搜索熱度和用戶增長都出現了極為明顯的提升。目前，大型文本預訓練模型作為底層工具，商業變現能力逐漸清晰。以GPT-3為例，其文本生成能力已被直接應用于Writesonic、Conversion.ai、SnazzyAI、Copysmith、Copy.ai、Headlime等文本寫作/編輯工具中。同時也被作為部分文本內容的提供方，服務于AIdungeon等文本具有重要意義的延展應用領域。過去傳統的人工智能偏向于分析能力，即通過分析一組數據，發現其中的規律和模式并用于其他多種用途，比如應用最為廣泛的個性化推薦算法。而現在人工智能正在生成新的東西，而不是僅僅局限于分析已經存在的東西，實現了人工智能從感知理解世界到生成創造世界的躍遷。因此，從這個意義上來看，廣義的AIGC可以看作是像人類一樣具備生成創造能力的Al技術，即生成式AI它可以基于訓練數據和生成算法模型，自主生成創造新的文本、圖像、音樂、視頻、3D交互內容(如虛擬化身、虛擬物品、虛擬環境)等各種形式的內容和數據，以及包括開啟科學新發現創造新的價值和意義等。因此，AIGC已經加速成為了AI領域的新疆域，推動人工智能迎來下一個時代。人工智能帶來的生產力變革風聲已近追求生產力的提升和生產關系的優化，是人類社會發展的根源動力和核心目標，而生產力升級的最本質目標就是效率提升和成本降低。從人類社會四次工業/科技革命來看，第一次工業革命的核心成果是以蒸汽機為代表的機械替代人力，第二次工業革命是以電力、燃油為代表的能源突破，第三次是以計算機及信息技術為代表的信息結構性變革和自動化生產，其共同的特征就是生產規模的不斷擴大、生產方式上科技應用不斷地向工業和社會的更高層結構滲透。底層的、低技術含量的、規模龐大的生產模塊不斷被機器替代，人力生產持續向高層的、復雜的、尖端的生產方式和技術模塊演進，是一個不變的趨勢。人工智能三要素逐步成熟，推動行業進入爆發期AIGC的本質是內容與場景，其發展需要AI與后端基建，算法、算據和算力三要素耦合共振。AIGC的三大發展階段是：模型賦智階段(從現實生成數字）：AIGC利用AI技術構建模擬現實世界的數字孿生模型；認知交互階段(從數字生成數字）：A能夠學習并創作更豐富的內容;空間賦能階段(從數字生成現實）：AIGC基于物聯網，多模態技術獲取多維信息，實現更加智能的人與機器互動。市場規模：2021年，全球人工智能市場收支規模(含硬件、軟件及服務)達850億美元。IDC預測，2022年該市場規模將同比增長約20%至1017億美元，并將于2025年突破2000億美元大關，CAGR達24.5%，顯示出強勁的產業化增長勢頭。2021年，中國人工智能市場收支規模達到82億美元，占全球市場規模的9.6%，在全球人工智能產業化地區中僅次于美國及歐盟，位居全球第三。IDC預測，2022年該市場規模將同比增長約24%至102億美元，并將于2025年突破160億美元。大模型參數量快速提升，算力需求大幅增加大模型主要由各大龍頭企業推動，在國內科技公司中，阿里巴巴達摩院在2020年推出了M6大模型，百度在2021年推出了文心大模型，騰訊在2022年推出了混元AI大模型。大模型最核心的除了算法外主要是參數的設置，其中參數量(Params)形容模型的大小程度，類似于算法中的空間復雜度,往往參數量越大(復雜程度越高)的神經網絡模型對算力的需求程度更高，復雜的神經網絡模型的算法參數量約千億級別甚至萬億級別，與已知應用級別的呈現指數級別的差異。這些模型不僅在參數量上達到了千億級別，而且數據集規模也高達TB級別，想要完成這些大模型的訓練，就至少需要投入超過1000PetaFlop/s-day的計算資源。大模型主要由各大龍頭企業推動，在國內科技公司中，阿里巴巴達摩院在2020年推出了M6大模型，百度在2021年推出了文心大模型，騰訊在2022年推出了混元AI大模型。大模型最核心的除了算法外主要是參數的設置，其中參數量(Params)形容模型的大小程度，類似于算法中的空間復雜度,往往參數量越大(復雜程度越高)的神經網絡模型對算力的需求程度更高，復雜的神經網絡模型的算法參數量約千億級別甚至萬億級別，與已知應用級別的呈現指數級別的差異。這些模型不僅在參數量上達到了千億級別，而且數據集規模也高達TB級別，想要完成這些大模型的訓練，就至少需要投入超過1000PetaFlop/s-day的計算資源。人工智能技術將全面賦能各行各業。預計到2025年，人工智能涉及的場景規模將達到2,081億美金，并在無人駕駛、智慧金融、智慧醫療、智慧零售、文娛等領域大顯身手。人工智能技術對于算力的核心拉動點在于未來各應用場景內單設備芯片算力的增長和人工智能技術的行業滲透率的進一步提升，帶動對云計算中心、邊緣設備和終端NPU的巨大需求。整體預計在2030年，人工智能相關領域對于算力的需求將達到~16,000EFLOPS，相當于1,600億顆高通驍龍855內置的人工智能芯片所能提供的算力。AI+Chiplet：信息革命的基石應用-軟件-硬件循環向上，AI芯片發展多元變化以人工智能芯片為例，目前主要有兩種發展路徑：一種是延續傳統計算架構，加速硬件計算能力，主要以CPU、GPU、FPGA、ASIC為代表。當前階段，GPU配合CPU是AI芯片的主流，而后隨著視覺、語音、深度學習的算法在FPGA以及ASIC芯片上的不斷優化，此兩者也將逐步占有更多的市場份額，從而與GPU達成長期共存的局面。深度神經網絡算法是大型多層的網絡模型，典型的有循環神經網絡和卷積神經網絡，模型單次推斷通常需要數十億甚至上百億次的運算，對芯片的計算力提出了更高要求，同時對器件的體積、功耗還有一定的約束。GPU：并行運算帶來對AI應用的高度適配在架構上GPU由數以千計的更小、更高效的核心（類似于CPU中的ALU）組成，這些核心專為同時處理多任務而設計。現在的CPU，一般是多核（multi-core）結構；而GPU一般是眾核（many-core）結構。為充分利用GPU的計算能力，NVIDIA在2006年推出了CUDA（ComputerUnifieDeviceArchitecture，統一計算設備架構）這一編程架構。該架構使GPU能夠解決復雜的計算問題。它包含了CUDA指令集架構（ISA）以及GPU內部的并行計算引擎。英偉達在GPU里面增加了TensorCore為AI服務，它的并行力度就從基本的數據點進化到以小矩陣快來進行計算。所以TensorCore最基本的并行單元是一個4×4的矩陣塊，能夠在一個時鐘周期里面算出一個4×4矩陣和另一個4×4矩陣相乘的結果。原來用數據點來并行的話，它需要16次這樣的計算，才能算出一個4×4的矩陣。相比之下TensorCore的算力比原來的GPU要高，等價的功耗等比原來GPU的要低，這就是TensorCore用來做矩陣一個顯著的進化。英偉達AmpereGA100是迄今為止設計的最大的7nmGPU。GPU完全針對HPC市場而設計，具有科學研究，人工智能，深度神經網絡和AI推理等應用程序。NVIDIAA100基于7nmAmpereGA100GPU，具有6912CUDA內核和432TensorCore，540億個晶體管數，108個流式多處理器。采用第三代NVLINK，GPU和服務器雙向帶寬為4.8TB/s，GPU間的互連速度為600GB/s。另外，TeslaA100在5120條內存總線上的HBM2內存可達40GB。2022年，NVIDIA推出了具有采用全新Hopper架構的,800億個晶體管的H100，這是首款支持Pcle5.0標準的GPU，單個H100就支持40Tb/s的IO帶寬。英偉達：三重壁壘構造AI時代軟硬件一體化龍頭第一層壁壘：硬件層。GPU奠定圖形渲染和AI算力基礎，英偉達硬件層的三芯戰略已逐步成型：GPU解決AI大規模并行運算痛點，DPU解決AI訓練推理中設備網絡通信與CPU負荷問題，CPU填上三芯戰略最后一塊拼圖，GPU強耦合設計構造完整AI解決方案，NVlink+NVSwitch+ConnectX突破芯片直連和設備網絡連接限制，GPUDirectStorage技術實現高性能存儲和數據訪問第二層壁壘：軟件層。CUDA釋放GPU潛力引航AI發展，DOCA、Omniverse等軟件層進一步填充生態，增強AI行業對英偉達的粘性。CUDA從底層代碼出發發揮GPU并行運算優勢，奠定近十年人工智能發展基礎，DOCA為BlueFieldDPU量身定做軟件開發平臺，復刻GPU+CUDA的強耦合成功路徑，Omniverse初試工業共享虛擬空間，從硬件→軟件→云上社區，在強勁軟硬件基礎上打造系統級AI生態圈，NVIDIAAIEnterprise加速AI模型開發，未來或有望助力實現以AI開發AI。第三層壁壘：應用層。游戲顯卡、數據中心、自動駕駛、元宇宙先后接力，十年成長曲線浪潮疊加。景嘉微：構造圖形GPU國產化基礎景嘉微在圖形處理芯片領域經過多年的技術鉆研，成功自主研發了一系列具有自主知識產權的GPU芯片，是公司圖形顯控模塊產品的核心部件并以此在行業內形成了核心技術優勢。公司以JM5400研發成功為起點，不斷研發更為先進且適用更為廣泛的一系列GPU芯片，隨著公司JM7200和JM9系列圖形處理芯片的成功研發，公司聯合國內主要CPU、整機廠商、操作系統、行業應用廠商等開展適配與調試工作，共同構建國產化計算機應用生態，在通用領域成功實現廣泛應用。2022年5月，公司JM9系列第二款圖形處理芯片成功研發，可以滿足地理信息系統、媒體處理、CAD輔助設計、游戲、虛擬化等高性能顯示需求和人工智能計算需求，可廣泛應用于用于臺式機、筆記本、一體機、服務器、工控機、自助終端等設備。沐曦：頂級團隊布局全棧解決方案沐曦2020年9月成立于上海，擁有技術完備、設計和產業化經驗豐富的團隊，核心成員平均擁有近20年高性能GPU產品端到端研發經驗，曾主導過十多款世界主流高性能GPU產品研發，包括GPU架構定義、GPUIP設計、GPUSoC設計及GPU系統解決方案的量產交付全流程。打造全棧GPU芯片產品，推出MXN系列GPU（曦思）用于AI推理，MXC系列GPU（曦云）用于AI訓練及通用計算，以及MXG系列GPU（曦彩）用于圖形渲染，滿足數據中心對“高能效”和“高通用性”的算力需求。沐曦產品均采用完全自主研發的GPUIP，擁有完全自主知識產權的指令集和架構，配以兼容主流GPU生態的完整軟件棧（MXMACA），具備高能效和高通用性的天然優勢，能夠為客戶構建軟硬件一體的全面生態解決方案，是“雙碳”背景下推動數據中心建設和產業數字化、智能化轉型升級的算力基石。AI還可以買什么？服務器：AI驅動的硬件軍備競賽目前，人工智能商業價值在全球范圍內獲得廣泛認可，行業用戶對于AI價值的認知、技術供應商在AI落地的方法論與實踐方面日趨成熟。隨著人工智能產業化應用的加速發展，全球AI基礎設施支出持續呈現高增長態勢。據TrendForce，截至2022年，預計搭載GPGPU（GeneralPurposeGPU）的AI服務器年出貨量占整體服務器比重近1%；2023年預計在ChatBot相關應用加持下，預估出貨量同比增長可達8%；2022