伴随着ChatGPT的爆红，AIGC（人工智能生成内容）产业链受到广泛关注。我们发现，同为算力，其与加密资产挖矿产业存在相似之处，均为投入算力和电力，获得经济回报，主要的不同点在产品端：AIGC产业链的产品是对用户提问而回应的内容，而加密资产挖矿的产品是加密资产。
　　同为算力“吞金兽”，短期比特币更耗电、长期AI算力增速快。同为算力生意，我们做了个有趣的研究，AIGC与BTC挖矿耗电量如何？按当前比特币全网算力319EH/S，每日耗电量约为2.2亿千瓦时；而OpenAI在训练、推理端的日均耗电量约2.6万千瓦时，约是前者的万分之一，但按OpenAI的预测，AI训练所需的算力每3-4个月翻倍，且考虑商业竞争算力增长速度预计将更快，“算力即权力”的时代将来临。中性预期下，ChatGPT日活稳定在1亿人次左右、ChatGPT每6个月模型参数翻倍、国际市场将出现10个左右类似于ChatGPT的商用大模型，而比特币挖矿耗电量保持当前状态，则大约4年后，AIGC大模型耗电量将超过比特币挖矿耗电量，乐观和悲观预期下，这一数字则分别为1.6年和7.5年。
　　算力的竞争性——产业自驱的结果。市场忽略了算力的竞争性，考虑商业因素，算力生意存在分子与分母端。对比特币挖矿而言，关于个体矿工能挖到的可用于变现的比特币数量，分子是个体的算力，分母是全网算力，个体矿工能挖得的比特币数量取决于其自身算力占全网算力的比例。而AIGC而言，关于个人内容生产者能获得的可用于变现的用户注意力，分子是个体算力驱动下的内容生产能力，分母是全网的内容膨胀速度，从UGC到AIGC的升维中，谁的内容生产力提升更快，谁就能获得更多商业利益，因此产业自驱之下，市场将追求更高的算力、更优的模型算法、更高功耗比的网络架构以及更便宜的电力。最终算力的需求规模将由应用定义。
　　寻找算力进化中的边际变化。当下难以预知未来多模态（图片、视频等）中到底会消耗多少算力，可当我们看到海外已然层出不穷的应用时，算力的增长只是时间问题，更重要的边际变化在于算力进化中在芯片、网络、连接等诸多领域有哪些创新方案？我们认为，在AIGC的推动下，更有利于新技术、新架构、新材料的落地应用，例如光连接中的CPO（光电共封装）、MPO（多纤连接器）；芯片层面的Chiplet；网络架构层面的边缘计算等。
　　AIGC驱动算力产业版图生变。我们研究了过往加密资产领域的算力变迁，云服务与分布式早已应用（BTC云挖矿与Filecoin分布式存储），而今在AIGC的算力版图上亦同步发生。1）英伟达募资百亿进入AI云算力，其在GPU供给、算力复用度上占优，且将改变其商业模式；2）高通在AIoT领域布局终端算力，推理与内容生产端算力与存储的梯度分布（云—雾—端）。这些变化将驱动终端IT服务和硬件的升级。
　　投资建议：建议关注：1）算力侧：英伟达、微软、寒武纪、天孚、太辰光、锐捷网络、中兴、紫光、美格智能、新易盛、中际旭创、Chiplet产业链等；2）应用及IP：科大讯飞、汤姆猫、万兴科技、中文在线、昆仑万维、视觉中国、值得买等。
　　风险提示：AIGC技术发展不及预期，AIGC监管趋严。

研究报告全文：证券研究报告行业点评2023年03月19日区块链Web3视角下的AIGC算力进化论伴随着ChatGPT的爆红AIGC人工智能生成内容产业链受到广泛关增持维持注我们发现同为算力其与加密资产挖矿产业存在相似之处均为投入算力和电力获得经济回报主要的不同点在产品端AIGC产业链的产品是对用户提问而回应的内容而加密资产挖矿的产品是加密资产行业走势同为算力吞金兽短期比特币更耗电长期AI算力增速快同为算通信沪深300力生意我们做了个有趣的研究AIGC与BTC挖矿耗电量如何按当前32比特币全网算力每日耗电量约为亿千瓦时而在319EHS22OpenAI16训练推理端的日均耗电量约26万千瓦时约是前者的万分之一但按OpenAI的预测AI训练所需的算力每3-4个月翻倍且考虑商业竞争算0力增长速度预计将更快算力即权力的时代将来临中性预期下-16ChatGPT日活稳定在1亿人次左右ChatGPT每6个月模型参数翻倍-32国际市场将出现10个左右类似于ChatGPT的商用大模型而比特币挖矿2022-032022-072022-112023-03耗电量保持当前状态则大约4年后AIGC大模型耗电量将超过比特币挖矿耗电量乐观和悲观预期下这一数字则分别为16年和75年算力的竞争性产业自驱的结果市场忽略了算力的竞争性考虑商业作者因素算力生意存在分子与分母端对比特币挖矿而言关于个体矿工能分析师宋嘉吉挖到的可用于变现的比特币数量分子是个体的算力分母是全网算力执业证书编号S0680519010002个体矿工能挖得的比特币数量取决于其自身算力占全网算力的比例而邮箱songjiajigszqcomAIGC而言关于个人内容生产者能获得的可用于变现的用户注意力分分析师孙爽子是个体算力驱动下的内容生产能力分母是全网的内容膨胀速度从执业证书编号S0680521050001UGC到AIGC的升维中谁的内容生产力提升更快谁就能获得更多商业邮箱sunshuanggszqcom利益因此产业自驱之下市场将追求更高的算力更优的模型算法更相关研究高功耗比的网络架构以及更便宜的电力最终算力的需求规模将由应用定义1通信新版Office发布AI应用侧边际变化何在2023-03-17寻找算力进化中的边际变化当下难以预知未来多模态图片视频等中到底会消耗多少算力可当我们看到海外已然层出不穷的应用时算力2通信GPT-4发布多模态强智能大算力2023-的增长只是时间问题更重要的边际变化在于算力进化中在芯片网络03-15连接等诸多领域有哪些创新方案我们认为在AIGC的推动下更有利3区块链数字人GPT4下的杀手级应用2023-于新技术新架构新材料的落地应用例如光连接中的光电共封CPO03-13装MPO多纤连接器芯片层面的Chiplet网络架构层面的边缘计算等AIGC驱动算力产业版图生变我们研究了过往加密资产领域的算力变迁云服务与分布式早已应用BTC云挖矿与Filecoin分布式存储而今在AIGC的算力版图上亦同步发生1英伟达募资百亿进入AI云算力其在GPU供给算力复用度上占优且将改变其商业模式2高通在AIoT领域布局终端算力推理与内容生产端算力与存储的梯度分布云雾端这些变化将驱动终端IT服务和硬件的升级投资建议建议关注1算力侧英伟达微软寒武纪天孚太辰光锐捷网络中兴紫光美格智能新易盛中际旭创Chiplet产业链等2应用及IP科大讯飞汤姆猫万兴科技中文在线昆仑万维视觉中国值得买等风险提示AIGC技术发展不及预期AIGC监管趋严请仔细阅读本报告末页声明2023年03月19日内容目录1如何理解AIGC的算力生意311算力经济模型投入硬件和电力获得经济回报312对用户的内容生成是AIGC产业链的产品42算力吞金兽当前BTC耗电更大而AIGC增速快421AIGC和比特币挖矿耗电量比较当前比特币挖矿更耗电422未来AIGC耗电量或将超越比特币挖矿73算力的竞争性不容忽视的产业自驱结果731比特币挖矿的内化竞争7311产量恒定全网算力越多自身获益越少7312内部过度竞争的出现有前提832AIGC算力的外化竞争9321需求端刚被点燃放量在即9322供给端算力和数据快速进化模型获开源赋能104AIGC算力进化的边际变化1441提升超算通信效率高密度光连接成首选1442基于功耗考虑CPO方案渗透率有望逐步提升145AIGC驱动算力产业版图生变1551云化算力服务商与云厂商走向历史性合作1552推理边缘化边缘算力有望成为推理主体16投资建议17风险提示18图表目录图表1AIGC与加密资产挖矿产业链3图表2ChatGPT每日电费估计5图表3StableDiffusion算力成本6图表4ChatGPT类AIGC模型耗电量或将超越比特币挖矿7图表5AIGC与比特币挖矿各自内部过度竞争的可能性8图表6比特币全网算力与单位算力的挖矿利润截至2023年2月23日8图表7比特币价格与单位算力的挖矿利润截至2023年2月23日9图表8英伟达部分显卡的算力增长10图表92012-2018年AI训练算力增长速度10图表10合成数据发展预测11图表11不同类型数据的消耗趋势和耗尽日期12图表12GPT-3训练的自然语言数据12图表13AIGC驱动全网内容大爆炸个人唯有能生成更多内容方能获得更多用户注意力13图表14大语言模型参数量的增长趋势13图表15国外主要AIGC预训练模型一览表13图表16嘉楠科技边缘计算芯片K23016图表17AIGC投资标的17P2请仔细阅读本报告末页声明2023年03月19日1如何理解AIGC的算力生意伴随着ChatGPT的爆红AIGC人工智能生成内容产业链受到市场广泛关注算力作为AIGC的基础更被称为基石近日英伟达在财报中的表述也佐证了这一点市场一直在问未来的算力需求到底有多大我们发现现有的论述虽就GhatGPT的需求进行了推演但未来AIGC必然走向多模态其需求量和需求逻辑也将有所差异算力的增长将大幅超预期而理解这些的一切都建立在如何认识AI算力生意上过去我们讨论算力较多着眼于IDC其商业逻辑着重于数字地产即购买或租赁土地投资建设机房并按机柜或功耗租赁给下游政企客户从用途上兼顾存与算但大部分一线城市以外的机柜都以存为主AI算力则聚焦于算在我们和国内外团队交流中构建AI超算中心的资本开支核心在于GPU这种高密度的计算未来将着重受限于两个指标算力功耗比这与过往的挖矿市场在经济模型上有一定相似之处研究这一特征有助于预测AIGC算力生意的未来走向11算力经济模型投入硬件和电力获得经济回报过去我们看到很多超算中心提供气象交通工业等领域的服务但更多侧重于社会价值而对AIGC或挖矿而言都直接以经济回报为目的投入产出要求更高产业链方面可以看出AIGC产业链与加密资产挖矿存在若干相似之处成本主要是电费和算力投资并且这两项费用主要取决于芯片本身的性能其中电费取决于芯片的功耗而算力费用取决于芯片的算力水平和云计算费用目的都是为了获得经济回报从OpenAI最近的合作及收费方式可以清晰看到其商业飞轮模型正因为有了这样的反馈才能推动其快速发展图表1AIGC与加密资产挖矿产业链资料来源国盛证券研究所整理P3请仔细阅读本报告末页声明2023年03月19日12对用户的内容生成是AIGC产业链的产品AIGC产业链与加密资产挖矿的不同之处在产品端AIGC产业链的产品是对用户提问而回应的内容而加密资产挖矿的产品是加密资产具体看来两大产业的不同包括成本端AIGC使用的的芯片主要是GPU图形处理器显卡硬件之外相较于加密资产挖矿AIGC投入了更大规模更昂贵的人力资源例如澎湃新闻称为ChatGPT项目做出贡献的人员不足百人共87人根据OReilly2021年6月的调查OpenAI所在的加州数据和人工智能岗位的平均年薪为176万美元假设OpenAI员工的平均年薪也与此相当则OpenAI一年需付出1531万美元约合1亿人民币加密资产挖矿使用的是ASIC专用集成电路和GPU当前GPU因以太坊共识机制改变已经退出相较于GPUASIC芯片的针对性更强只适用于各加密资产各自的算法加密资产挖矿行业所需的专业人才主要是芯片设计人才和矿机运维人才根据我们的了解相较于前者后者工资较低而前者规模相较于重人力资本投入的AIGC产业明显更少原因主要是加密资产挖矿例如比特币矿机芯片设计不需要类似于AIGC模型一般持续大规模的人工调试和算法优化产品端AIGC产品是对用户提问的回答形式包括文本图片和视频等多模态输出当前主要是前两种加密资产挖矿产品是各加密资产系统为奖励矿工维护系统账本安全性而发放的加密资产奖励以及账本内交易中给矿工的手续费例如比特币收入端AIGC会预先从客户处收取使用费例如ChatGPT高级版Plus的订阅费为每月20美元同时对下游B端客户开放的API接口收费加密资产挖矿需要将生产所得的加密资产通过海外加密资产交易所等渠道兑现2算力吞金兽当前BTC耗电更大而AIGC增速快21AIGC和比特币挖矿耗电量比较当前比特币挖矿更耗电由于AIGC算法和加密资产挖矿算法的不同难以直接比较其参数另外由于AIGC尚处于发展早期年收入尚难估算但我们找到了直接对比AIGC和比特币挖矿的一个直观指标耗电量根据我们的计算ChatGPT每日训练和推理的耗电量为25677千瓦时是比特币挖矿日耗电量的万分之一比特币挖矿为22亿千瓦时此处我们使用的数据是比特币挖矿方面已知项2023年2月28日比特币全网算力为319Ehashs假设项全网矿机一半为蚂蚁矿机S9算力为14Thashs功耗为1400W一半为蚂蚁矿机S19算力为141Thashs功耗为30315W其平均算力为78Thashs平均功耗为2216W可以算出按照前述全网算力全网大约有412万台矿机P4请仔细阅读本报告末页声明2023年03月19日AIGC方面已知项1英伟达单个DGXA100服务器内含8个A100GPU2单个英伟达A100GPU的峰值浮点运算次数是624TFLOPS稀疏化后指每秒可做1012次浮点运算3单个英伟达DGXA100服务器的最大功率是65千瓦4ChatGPT前身GPT3的模型参数量是1750亿个训练的标识符token数是3000亿个假设项1ChatGPT模型参数是3000亿个推理时可以通过蒸馏等技术仅使用300亿个参数2单个模型参数单个标识符训练时所需的浮点运算次数为6N推理时为2N其中N为模型参数单位为FLOPs3单个服务器训练时的峰值利用率为462推理时为213与GPT3保持一致4训练用标识符数量为5000亿个5关于推理时用的标识符数量假设根据Similarweb统计截至2023年2月21日的28日chatopenaicom的每日访问人数均值为28696429此处简化为3000万人平均每人提出10个问题每个提问含50个单词ChatGPT为单个提问生成5个回答每个回答包含100个单词每1000个单词对应750个标识符6假设ChatGPT每个月训练十次每个月有三十天可以算出ChatGPT每次训练需要1506个英伟达DGXA100服务器每日推理需要144个相当于13194个A100GPU图表2ChatGPT每日电费估计资料来源Substack作者Sunyan国盛证券研究所注浮点floating-point指的是带有小数的数值浮点运算即是小数的四则运算FLOPSfloatingpointoperationspersecond指每秒浮点运算次数指计算速度用于衡量硬件性能FLOPsfloatingpointoperations指浮点运算数指计算量用于衡量算法模型的复杂度ChatGPT之外我们也注意到其他AIGC文本服务和多模态领域对算力和电量的海量需求大语言模型训练成本高昂参考Substack作者Sunyan的测算模型参数为2800亿个GopherGoogleDeepMind的训练成本为200万美元模型参数为5300亿的MT-NLGMicrosoftNvidia的训练成本为400万美元模型参数为5400亿的PaLMGoogleReasearch的训练成本为1100万美元根据财富杂志在尚未收费的2022年OpenAI该年度净亏损即高达5445亿美元不含员工股票期权我们预计其中算力成P5请仔细阅读本报告末页声明2023年03月19日本占据了重要位置图片生成图片所需的算力取决于多个因素例如生成图片的分辨率所使用的算法训练数据集的大小和质量以及使用的硬件等StableDiffusion根据StabilityAI的创始人兼首席执行官EmadMostaqueStableDiffusion使用了256张NvidiaA100训练所有显卡总计耗时15万小时成本约为60万美元根据BusinessInsider2022年10月的报道StableAI的运营和云计算成本超过5000万美元当月StabilityAI完成了1亿美元融资投后估值10亿美元为AI训练助力图表3StableDiffusion算力成本资料来源StableDiffusionCEOEmadMostaque国盛证券研究所Dall-E根据Zero-ShotText-to-ImageGenerationOpenAI在Dall-E的整个训练中共使用了1024块16GB的NVIDIAV100GPU团队从网上收集了一个包含25亿个图像文本对的数据集在这一数据集上训练一个包含120亿个参数的自回归Transformer另外论文介绍道用于图像重建部分的dVAE模型的训练共用了64块16GB的NVIDIAV100GPU判别模型CLIP则共使用256块GPU训练了14天视频生成视频所需的算力和存储空间比生成单张图片更高因为生成视频需要在时间维度上连续地生成而视频中的每一帧都需要根据前一帧生成因此生成视频所需的算力取决于多个因素包括视频分辨率帧率视频长度所使用的算法和训练数据集的大小和质量使用GPU可以显著加速训练但是在生成高分辨率视频时可能需要使用多个GPU和分布式计算来加速训练近期我们尝试定制了2D仿真数字人在每次内容生产时就是将语音和文本内容添加到P6请仔细阅读本报告末页声明2023年03月19日已经构建好的人物模型中数字人模型在后台通过GPU生成短视频其生成速度与GPU规模密切相关对于创业企业而言未来的定价就是基于算力成本用户也是购买算力时长后自由使用22未来AIGC耗电量或将超越比特币挖矿这个问题在近期的交流中常被问及海外有一系列的论文对此算力进行了测算但我们认为更重要的各类应用涌现商业竞争加剧带来的算力军备竞赛是非线性的算力与应用之间会形成正反馈考虑到ChatGPT的日活还在不断增长国际AIGC服务的竞争还在不断加深我们预计不考虑模型效率提升对算力需求的下降也不考虑模型训练的标识符token的增长中性预期下ChatGPT日活稳定在1亿人次左右ChatGPT每3个月模型参数翻倍同时假设全球市场将出现10个左右类似于ChatGPT的商用大模型而比特币挖矿耗电量保持当前状态则大约4年后AIGC大模型耗电量将超过比特币挖矿耗电量乐观和悲观预期下这一数字则分别为16年和75年注意此时我们只是考虑了类似于ChatGPT的商用大模型而实际可能出现可能消耗更多算力的多模态商用大模型如果考虑到这一点AIGC耗电量的增长将会更快图表4ChatGPT类AIGC模型耗电量或将超越比特币挖矿悲观预期中性预期乐观预期假设项ChatGPT训练模型参数翻倍需要的月份数个963ChatGPT日活亿人0512ChatGPT类大模型数量个51015结果项ChatGPT类大模型每日训练与推理耗电量超越当前比特币挖矿每9048195日耗电量所需的时间月份数ChatGPT类大模型每日训练与推理耗电量超越当前比特币挖矿每75416日耗电量所需的时间年数资料来源OpenAI国盛证券研究所注此处比特币挖矿耗电量指2023年2月28日耗电量计算假设见21部分内容3算力的竞争性不容忽视的产业自驱结果很多时候算力的投入并不是独立的而需要和全网总量竞争我们认为AIGC产业和加密资产挖矿中的比特币挖矿都存在内部过度竞争的可能性对于比特币而言算力竞赛的目的是要占据更多的全网算力比重从而提高获得奖励的可能性对于AIGC而言在内容创作领域需要保证自身的内容生产速度快于行业平均尤其是在短视频游戏等相对重度的领域中31比特币挖矿的内化竞争311产量恒定全网算力越多自身获益越少比特币全网每10分钟出一个区块成功挖掘出该区块的矿工会获得系统发P7请仔细阅读本报告末页声明2023年03月19日行的比特币奖励和该区块内所有交易的手续费前者占主要部分当前的出块奖励是625个比特币起初是50个奖励数每四年减半即5025125625根据这些限制条件比特币的产量总量恒定约为2100万在出块奖励未改变的每四年内也保持了相对恒定如当前每天几乎是900个而矿工能挖得的比特币数量取决于其自身算力占全网算力的比例当其他矿工认为当前挖矿性价比较高而将算力投入挖矿则单个矿工自身算力占全网算力的比例下降此时如果比特币价格没有出现明显上升则该矿工的比特币挖矿收入和利润出现下降这就是比特币挖矿内部过度竞争的逻辑图表5AIGC与比特币挖矿各自内部过度竞争的可能性资料来源国盛证券研究所整理312内部过度竞争的出现有前提需要注意到比特币挖矿出现内部过度竞争存在若干前提实际情况中内部过度竞争并非一定会出现根据Bitinfocharts统计截至2023年2月23日的三年以来比特币全网算力呈现平稳上升趋势而与此同时单位算力的挖矿利润呈现平稳下降趋势这呈现出一定的内部过度竞争特征一个重要原因是比特币价格在此期间呈横盘震荡状态图表6比特币全网算力与单位算力的挖矿利润截至2023年2月23日资料来源Bitinfocharts国盛证券研究所P8请仔细阅读本报告末页声明2023年03月19日从趋势上看比特币挖矿单位算力挖矿利润与比特币价格更为相关当比特币价格上升前者即能出现较为明显的上升态势这在一定程度上意味着打破矿工之间在算力和可挖得比特币数量上的内部过度竞争获得更多比特币挖矿收入和利润需要比特币价格因素发力图表7比特币价格与单位算力的挖矿利润截至2023年2月23日资料来源Bitinfocharts国盛证券研究所32AIGC算力的外化竞争321需求端刚被点燃放量在即创新应用往往是供给引导需求当前AIGC正走向多模态各种服务已经逐步实现商业化用户需求刚被供给端点燃从最新的增长情况看放量在即AIGC文字服务ChatGPT高级版Plus订阅服务每月费用为20美元账户AIGC图片服务StableDiffusionStabilityAI推出了基于StableDiffusion的图片AIGC平台和APIDreamStudioDreamStudio会根据用户对图片像素和操作步骤的需求收费每张图片消耗02-82个积分新注册用户可以免费获得200个积分此后每100积分消耗1英镑默认设置生产4张512512的图消耗08个积分此外公司还对企业客户提供定制化服务截至2022年10月DreamStudio拥有超过150万用户创建了超过17亿张图像而StableDiffusion全渠道的用户数量每天超过1000万AIGC图片服务Dall-E定价是15美元生成115次每次生成请求会返回34张10241204尺寸的结果图片每次耗费013美元2022年7月OpenAI正式宣布DALL-E准备向100万个用户开放测试版第一个月用户有50个免费积分以后每个月有15个免费积分根据OpenAI截至2022年11月3日已经有超过300万人使用DALLE2每天创建的图片数量达到400万张AIGC图片服务Midjourney按月订阅收费个人用户有每月10美元和30美元两档分别对应200和900次标准生成或放大请求1次标准生成请求对应1GPU分钟在fast模式下P9请仔细阅读本报告末页声明2023年03月19日每次生成会获得四张256256的初始结果用户可以选择放大每次放大也耗费1GPU分钟超过限额后每60GPU分钟售价4美元但使用这两档订阅服务用户的提示词和结果图片都将暴露在公共空间此时再付出20美元可享有私密服务通道B端每年费用为600美元截至2022年11月Midjourney在Discord服务器中已累计有超300万用户322供给端算力和数据快速进化模型获开源赋能我们认为如果需求横盘震荡或下滑前提不存在则AIGC并不会陷入内部过度竞争状态目前看来业内公认的AIGC大语言模型LLM的三个关键因素都在快速飞升但一旦AIGC内部过度竞争出现数据和算力可能最先模型则可能次之部分模型的开源能为其带来长久活力算力六年来增长了182倍摩尔定律中集成电路上可容纳的元器件的数目约每隔18-24个月便会增加一倍性能也将提升一倍继摩尔定律后英伟达CEO黄仁勋提出黄氏定律每12个月GPU性能翻一倍且不受物理制程约束根据OpenAI测算自2012年至2018年用于训练AI所需要的算力大约每隔3-4个月翻倍总共增长了30万倍而摩尔定律在相同时间只有7倍的增长每年头部训练模型所需算力增长幅度高达10倍整体呈现指数级上涨我们统计了部分英伟达有代表性的显卡发现2017年以来2022年4月面世的H100较2017年3月推出的GTX1080ti在单精度FP32上是后者的94倍1000106在AIGC常用的双精度FP64算力上是后者的182倍60033图表8英伟达部分显卡的算力增长图表92012-2018年AI训练算力增长速度单精度FP32算力单位TFLOPS1200双精度FP64算力单位TFLOPS右701000轴60601000800504060030400209720035678101064529115719500000033资料来源CSDN国盛证券研究所资料来源OpenAI新智元国盛证券研究所数据当前互联网数据将耗尽合成数据将成主流P10请仔细阅读本报告末页声明2023年03月19日输入端合成数据不基于任何现实现象或事件的数据组成而通过计算机程序生成AIGC生成的数据是合成数据生产的重要方式Gartner预测到2024年用于训练AI的数据中有60将是合成数据到2025年AIGC生成的数据将占所有合成数据的10而目前这一比例还不到1到2030年AI模型使用的绝大部分数据将是人工智能合成的这一方面体现出市场对合成数据的看好另外一方面我们认为这反应出市场当前互联网公开数据可能存在被AI模型耗尽的担忧图表10合成数据发展预测资料来源Gartner国盛证券研究所根据未尽研究的梳理阿伯丁大学麻省理工大学图宾根大学的PabloVillalobos等6位计算机科学家在论文我们会用完数据吗机器学习中数据集缩放的局限性分析中预计对于语言模型来说耗尽当前互联网数据的情况将在2030年到2040年之间发生AIGC文本训练使用的是高质量数据集它通常包括50的用户生成内容1520的书籍1020的科学论文近10的代码和近10的新闻假设数字化书籍公共GitHub和科学论文中可用文本的全部数量占高质量数据集的30到50之间当前高质量语言数据的总存量为9万亿即9e12上下限大概为46万亿到17万亿个单词每年增长率为4到5以高质量语言数据库作为上限来预测语言数据集的增长放缓发生得更早在2026年之前根据上述论文我们会用完数据吗机器学习中数据集缩放的局限性分析现在互联网上的存量视觉数据数量在81万亿到23万亿之间目前的年增长率在8左右视觉模型数据耗尽的情况将在2030年到2060年之间发生相较文本数据视觉数据对AI训练而言耗尽的时间较为靠后不过根据IDEA研究院计算机视觉与机器人研究中心讲席科学家张磊博士的观点将视觉数据用于AI训练还存在大模型学到的全图表征用于细粒度问题会性能递减视觉算法方面尚需进一步改进视觉大模型目前还没有达到单纯增加数据提高效果的阶段等问题P11请仔细阅读本报告末页声明2023年03月19日图表11不同类型数据的消耗趋势和耗尽日期图表12GPT-3训练的自然语言数据资料来源PabloVillalobos未尽研究国盛证券研究所资料来源OpenAI未尽研究国盛证券研究所输出产品端除了输入内容数据的快速进化我们还需要考虑的是在AIGC输出的内容数据方面当未来AIGC的使用越来越普及的时候互联网内容竞争的格局会有怎样的变化在过去的十年中抖音小红书等平台大幅降低了内容创作分享的壁垒UGC模式的内容丰富程度和规模远超过往而当前无论是带货直播还是内容创作门槛均比之前有所提高UGC也卷了起来而当AIGC来临时内容竞争又将升维例如数字虚拟人将实现包括外形声纹对话内容的模拟或许看到的很多内容将是AI生成作为个体需要保证自身的内容生产进化速度快于行业均值背后的算力投入将首当其冲否则将直接影响账号盈利能力我们认为市场忽略了算力的竞争性考虑商业因素算力生意存在分子与分母端对比特币挖矿而言其分子是个体的算力分母是全网算力个体矿工能挖得的比特币数量取决于其自身算力占全网算力的比例而对AIGC而言其能获得的用户注意力的分子是个体算力驱动下的内容生产能力分母是全网的内容膨胀速度从UGC到AIGC的升维中谁的内容生产力提升更快谁就能获得更多商业利益因此产业自驱之下市场将追求更高的算力更优的模型算法更高功耗比的网络架构以及更便宜的电力P12请仔细阅读本报告末页声明2023年03月19日图表13AIGC驱动全网内容大爆炸个人唯有能生成更多内容方能获得更多用户注意力资料来源国盛证券研究所整理模型参数迅速堆叠2017年以来AIGC模型的参数量逐年增加从2021年以来这一趋势呈现出明显加快的状态从ELMo的9400万个参数一路飙升至2020年年中GPT-3引领行业走入千亿参数时代参数达1750亿个截至2021年年中英伟达大语言模型MT-NLG更是超过了5300亿图表14大语言模型参数量的增长趋势图表15国外主要AIGC预训练模型一览表资料来源Substack作者Sunyan国盛证券研究所资料来源腾讯研究院国盛证券研究所底层的大模型具有明显的头部效应在算力投资数据上形成了正反馈可以预见竞争之下大模型会不断集中而基于大模型开发的垂直应用将层出不穷正如我们在上篇报告中所说大模型的通识化将是未来AI快速迭代的基础P13请仔细阅读本报告末页声明2023年03月19日4AIGC算力进化的边际变化当下难以预知未来多模态图片视频等中到底会消耗多少算力可当我们看到海外已然层出不穷的应用时算力的增长只是时间问题更重要的边际变化在于算力进化中在芯片网络连接等诸多领域有哪些创新方案我们认为在AIGC的推动下更有利于新技术新架构新材料的落地应用例如光连接中的CPO光电共封装MPO多纤连接器芯片层面的Chiplet网络架构层面的边缘计算等41提升超算通信效率高密度光连接成首选大规模超算集群通信效率直接影响训练效率大模型训练需要超算集群持续运算数月时间需调用数千片GPU运算海量数据GPU与GPU间服务器与服务器节点之间存在海量内部数据交互需求根据木桶效应只要有一条链路出现负载不均导致网络堵塞成为木桶短板则其他链路即使畅通无阻集合通信时间仍然会大幅度增长进而直接影响训练效率集群训练会引入额外的通信开销从而导致N个GPU算力达不到单个GPU算力的N倍因此高性能网络互联是大规模GPU集群所必须的提升超算通信效率高密度光连接成为首选超算除了需要高密度光传输端口外端口和端口间主要以光纤连接器来实现光互联多采用MTPMPO高密度光纤连接器实现连接其中MPO是光纤连接器主要用途是用以实现光纤的接续MPO会直接影响光传输系统的可靠性等各项性能数据中心的内部光学连接需要借助光模块和光纤连接器来实现因超算集群内部节点之间对于高效率高速互联的硬性需求光端口密度的进一步提升并且综合光纤连接器走线连接的可实施性和可维护性我们预计超算集群对于高密度光纤连接器的需求量较传统云数据中心有较大幅度的提升而随着全球科技聚焦大模型AI训练相应超算投入将确定性增长高密度光连接将确定性受益42基于功耗考虑CPO方案渗透率有望逐步提升AI大背景下未来基于功耗考虑CPO方案渗透率有望逐步提升CPO方案通过光电耦合共封装在插槽或PCB上加上液冷板降温控制功耗有望成为AI高算力下高能效比方案但CPO在降低功耗的同时也有一些隐患主要是光电共封装后光引擎焊接在同一插槽上不可更换如果光纤或者光引擎出现损坏可能会影响整个CPO交换ASIC基板对交换机生产的总体成本会产生负面影响从CPO方案看MPO的变化CPO交换机内部带来的变化一个是光纤数量增多一个是交换机内部布线复杂度提升一个512T的交换机按单口100G来估算将达到512通道对应1024根光纤对应如果是16芯的MPO需要64根对应64个端口光纤和MPO用量提升后同时又由于CPO方案拉近了光引擎和ASIC的距离来降低线上损耗就导致光纤布线要从原来的机箱外部延伸到内部接到光引擎等于额外增加了光引擎到交换机机箱前面板的布线内部光纤路由复杂程度提高中间板板载光互连或成布线解决方案降低CPO出错成本因为CPO下每个光引擎到面板距离不同导致尾纤长度有差异且布线复杂易损坏光纤影响整机考虑在光引P14请仔细阅读本报告末页声明2023年03月19日擎和端口面板间增加板中连接器固定尾纤长度降低布线复杂度将CPO的试错成本转移到板中连接器和端口的MPO上简而言之通过增加连接来降低布线复杂度和出错的成本海外AIGCChatGPT持续扩散带宽密度有望大幅上行在未来算力带宽高增的背景下以及CPO的新方案拉动下MPO的用量有望大幅提升在设备内部重要性也逐步提高5AIGC驱动算力产业版图生变51云化算力服务商与云厂商走向历史性合作当算力竞争加剧降本增效将成为企业的生存关键通过投资并购与上游合作将成本内化是一条可选路径我们注意到当前已有AIGC企业选择投靠云服务厂商例如OpenAI与微软Azure云的合作也有算力厂商开始了对AI模型的研发例如英伟达大语言模型NeMo和NVIDIABioNeMoLLM服务其中OpenAI与微软Azure云的合作具有一定程度的示范效应它通过深刻利益绑定我们推测这种合作能降低OpenAI训练AI所需的云计算成本根据财富杂志报道在OpenAI的第一批投资者收回初始资本后微软将有权获得OpenAI75利润直到微软收回投资成本130亿美元当OpenAI实现920亿美元的利润后微软的份额将降至49与此同时其他风险投资者和OpenAI的员工也将有权获得OpenAI49的利润直到他们赚取约1500亿美元如果达到这些上限微软和投资者的股份将归还给OpenAI非营利基金会除了利润回报微软微软在整合ChatGPT等方面也占尽了先机除了将搜索引擎Bing整合ChatGPT2023年1月微软宣布推出AzureOpenAI服务Azure全球版企业客户可以在云平台上直接调用OpenAI模型包括GPT35Codex和DALLE模型英伟达向SEC提交百亿增发申请全球算力龙头启动战备2月28日英伟达向美国证券交易委员会SEC提交近百亿美元的股票增发申请此次增发申请通过储驾发现模式进行可在三年内自主决定发行证券的具体时机英伟达作为全球算力龙头在本轮chatgpt带动的大模型发展科技巨头跑步进场AI算力底层基础设施迎确定性爆发英伟达在此前财报会议上表示将与头部云服务商合作提供AI即服务帮助企业访问英伟达世界领先的AI平台本次融资或代表全球算力龙头英伟达拉开了算力竞备序幕根据福布斯中国的梳理客户使用自己的浏览器就可以通过NVIDIADGXCloud来使用NVIDIADGXAI超级计算机该服务已经在OracleCloudInfrastructure上可用预计不久后也将在微软Azure谷歌云和其他平台上线在AI平台软件层客户将能够访问NVIDIAAIEnterprise以训练和部署大型语言模型或其他AI工作负载而在AI模型即服务层英伟达将向希望为其业务建立专有生成式AI模型和服务的企业客户提供NeMo和BioNeMo可定制AI模型无独有偶AI产业算力服务商与云厂商的历史性合作加密资产挖矿领域早已应用例如加密资产矿机厂商比特大陆一度推出云算力服务平台比特小鹿用户无需购买矿机硬件也可以购入挖矿算力获得挖矿收入这一举措通过化整为零的方式对用户AIGC需求厂商而言能最大化降低入局挖矿门槛驱动全民挖矿AIGC时代降临对矿机算力厂商而言在矿机芯片进入淡季矿机芯片库存趋增时能通过售卖云算力的方式平滑收入的波动对云服务厂商而言则有助于增加客流P15请仔细阅读本报告末页声明2023年03月19日52推理边缘化边缘算力有望成为推理主体高通发布在Android手机上部署AI模型的解决方案3月2日高通中国公众号发布了全球首个运行在Android手机上的StableDiffusion终端侧演示高通AI部门演示了如何利用高通AI软件栈首次在Android智能手机部署StableDiffusion模型该模型是一个用文字生产图片的AI模型参数超过10亿过去只能在云端计算集群内运行边缘算力有望成为推理主体在本次实验中高通AI团队从HuggingFace的FP321-5版本开源模型入手通过量化编译和硬件加速进行优化使其能在搭载第二代骁龙8移动平台的手机上运行我们认为未来AI的推理过程通过一定的针对性优化后完全有能力通过边缘算力实施同时边缘算力具有低时延安全隐私等优势符合未来AIGC时代对于AI创作所有权和隐私权的要求手机智能模组等算力相对于云端访问对于普通用户来说更加便捷和易于学习对于AIGC应用的推广也更加有利边缘算力是未来算力体系的重要一环当前无论是需要超强硬件支撑的AI迭代与训练还是运行要求相对较低需求相对分散的AI推理都放在超算中心内进行我们认为在AI大爆发周期内迭代和训练需要的整体算力将会呈指数级增长增速将会超过单芯片算力增长速度同时单个AI超算规模将会受到功耗土地散热等因素制约因此未来的AI运算将呈现出训练与迭代在云端推理与内容生产梯度分布云侧雾侧边缘侧的格局变化此外随着AIGC内容愈发丰富从简单的文字发展到视频虚拟场景如果采用云生成然后发送到端的形式将会产生较多的网络带宽成本和一定程度的时延进而影响模型的商业化进程与用户使用体验边缘算力有助于作为补充手段改善这一情形我们注意到比特币矿机厂商嘉楠科技推出了自研的边缘AI芯片其董事长张楠赓在一次公开发言中表示未来会有更多计算发生在边缘侧或者端侧2022年11月嘉楠科技宣布即将推出为立体视觉和高性能AI而生的端侧RISC-VAIoT芯片K230值得一提的是嘉楠科技作为比特币矿机厂商是首个交付全球7nmASIC芯片的企业2016年启动AI人工智能芯片研发2018年发布了全球首款基于RISC-V的AI芯片嘉楠科技的布局也体现出AI算力和加密资产算力在商业模式等层面的一种共通性图表16嘉楠科技边缘计算芯片K230资料来源腾讯云国盛证券研究所P16请仔细阅读本报告末页声明2023年03月19日投资建议综上所述算力数据和场景是当下A股的主要投资方向算力层面我们认为硬件开销的规模由应用决定在AIGC赋能千行百业的情况下着重于跟踪应用端的边际变化AI硬件仍以英伟达GPU产业链为主在能耗电费因素的影响下东数西算的重要性将强化新疆内蒙古云南四川贵州西藏等火电水电太阳能资源丰富的省份将成为AI大规模训练应用的优势区域目前国内的AIGC竞赛刚刚开始预计将首先出现英伟达A100需求的趋紧随着规模增加能耗问题也将凸显同时我们看到国内大量拥有用户IP的应用型企业也在跃跃欲试本身对于文字创作广告游戏等赛道而言备战AIGC将成为当务之急一方面其缺乏大模型能力必须选择与OpenAI或百度等企业的合作另一方面其手中有大量的细分场景和付费群体也是大模型企业期待落地的合作伙伴我们认为如能在场景应用合规等方面做好自己的小模型亦有望在AIGC时代脱颖而出图表17AIGC投资标的赛道公司代码AIGC谷歌GOOG深度学习模型TransformerAIGC生成应用Imagen自然语言微软MSFT自然语言处理用用ApacheSpark投资了OpenAI处理NLP科大讯飞002230语音识别和人工智能拓尔思300229通过基于大数据和NLP的知识图谱的构建为虚拟人安装知识大脑英伟达NVDAOmniverse生成对抗网络PoE-GANStyleGANMetaMetaAIGC生成应用MetaAI多语言模型XLS-R百度BIDU拥有文心大模型不仅可以自然语言处理还可以生成修复图片视觉中国000681通过AIGC生成艺术照片拥有高质量图片数据集AIGC生成昆仑万维300418旗下海外平台StarX完成了首批5首完全AI作曲的歌曲算法和数据集万兴科技300624公司旗下首款AI绘画软件万兴AI绘画正式开启公测中科金财002657通过AIGC企业级内容互动创作平台实现与元宇宙营销平台觅际融合汉仪科技301270通过AI技术有效提高C端字体的生产效率及效果蓝色光标300058发布一键生成抽象画平台康定斯基模型用于AI绘画寒武纪688256人工智能芯片提供商天孚通信300394全球光模块及数通厂商光学器件供应商中兴通讯0000635G设备商龙头算力新易盛300502400G时代领先的光收发器件解决方案提供商美格智能002881物联网智能模组供应商奥飞数据300738布局东数西算的IDC服务提供商中际旭创300308全球光电子领军企业FB供应商资料来源公开资料国盛证券研究所P17请仔细阅读本报告末页声明2023年03月19日风险提示AIGC技术发展不及预期虽然AIGC产业的技术在飞速迭代中但可能遇到阻滞AIGC监管趋严AIGC产业可能在内容创作数据使用等方面迎来严格监管P18请仔细阅读本报告末页声明2023年03月19日免责声明国盛证券有限责任公司以下简称本公司具有中国证监会许可的证券投资咨询业务资格本报告仅供本公司的客户使用本公司不会因接收人收到本报告而视其为客户在任何情况下本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任本报告的信息均来源于本公司认为可信的公开资料但本公司及其研究人员对该等信息的准确性及完整性不作任何保证本报告中的资料意见及预测仅反映本公司于发布本报告当日的判断可能会随时调整在不同时期本公司可发出与本报告所载资料意见及推测不一致的报告本公司不保证本报告所含信息及资料保持在最新状态对本报告所含信息可在不发出通知的情形下做出修改投资者应当自行关注相应的更新或修改本公司力求报告内容客观公正但本报告所载的资料工具意见信息及推测只提供给客户作参考之用不构成任何投资法律会计或税务的最终操作建议本公司不就报告中的内容对最终操作建议做出任何担保本报告中所指的投资及服务可能不适合个别客户不构成客户私人咨询建议投资者应当充分考虑自身特定状况并完整理解和使用本报告内容不应视本报告为做出投资决策的唯一因素投资者应注意在法律许可的情况下本公司及其本公司的关联机构可能会持有本报告中涉及的公司所发行的证券并进行交易也可能为这些公司正在提供或争取提供投资银行财务顾问和金融产品等各种金融服务本报告版权归国盛证券有限责任公司所有未经事先本公司书面授权任何机构或个人不得对本报告进行任何形式的发布复制任何机构或个人如引用刊发本报告需注明出处为国盛证券研究所且不得对本报告进行有悖原意的删节或修改分析师声明本报告署名分析师在此声明我们具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力本报告所表述的任何观点均精准地反映了我们对标的证券和发行人的个人看法结论不受任何第三方的授意或影响我们所得报酬的任何部分无论是在过去现在及将来均不会与本报告中的具体投资建议或观点有直接或间接联系投资评级说明投资建议的评级标准评级说明评级标准为报告发布日后的6个月内公司股价或行业买入相对同期基准指数涨幅在15以上指数相对同期基准指数的相对市场表现其中A股市增持相对同期基准指数涨幅在515之间股票评级场以沪深300指数为基准新三板市场以三板成指针持有相对同期基准指数涨幅在-55之间对协议转让标的或三板做市指数针对做市转让标的减持相对同期基准指数跌幅在5以上为基准香港市场以摩根士丹利中国指数为基准美股增持相对同期基准指数涨幅在10以上市场以标普500指数或纳斯达克综合指数为基准中性相对同期基准指数涨幅在-1010行业评级之间减持相对同期基准指数跌幅在10以上国盛证券研究所北京上海地址北京市西城区锦什坊街35号南楼地址上海市浦明路868号保利One5610层邮编100033邮编200120传真010-57671718电话021-38934111邮箱gsresearchgszqcom邮箱gsresearchgszqcom南昌深圳地址南昌市红谷滩新区凤凰中大道1115号北京银行大厦地址深圳市福田区益田路5033号平安金融中心101层邮编330038邮编518033传真0791-86281485邮箱gsresearchgszqcom邮箱gsresearchgszqcomP19请仔细阅读本报告末页声明