结论。GPU峰值算力反映GPU的主频和相应核心的硬件配置，如FP32的核心的个数，FP64的核心的个数以及Tensor core的计算能力等峰值参数，并非其实际计算性能。GPU峰值算力参数可用来初步区分其适用的应用场景，如在某GPU内，其FP64算力显著高于FP32等算力，其可能更适用于科学计算等场景，如FP32、TF32、FP16、INT8等算力较为均衡，其可能更适用于AI训练和推理环节。
　　首先我们引入数据类型。计算机运行必须考虑计算资源的分配，不同场景下使用不同的数据类型是必要的，数据类型即标定数据的正负、数据的范围大小、数据的精度大小。AI芯片的主要应用场景包括训练、推理与高性能计算，根据英伟达官网的表述，AI训练为缩短训练时间，主要使用FP8、TF32和FP16；AI推理为在低延迟下实现高吞吐量，主要使用TF32、BF16、FP16、FP8和INT8；HPC（高性能计算）为实现在所需的高准确性下进行科学计算的功能，主要使用FP64。
　　 GPU算力参数从哪里来。NVIDIAGA100 GPU由多个GPU处理群集(GPC)，纹理处理群集(TPC)，流式多处理器(SM)和HBM2显存控制器等组成。A100中总共有108个SM，每个SM有64个FP32 CUDA核，64个INT32 CUDA核，32个FP64 CUDA核，以及4个第三代Tensor Core，其中Tensor Core专注于矩阵运算，在模型训练与推理的过程中，Tensor Core将是主要的计算内核。GPU峰值算力的测算公式为：峰值计算能力= GPUCore的运行频率*GPUSM数量*单个SM对应的特定数据类型的指令吞吐量*2。根据该公式，可以得到A100 FP16（Tensor Core加速）峰值算力为312TFLOPS，FP32（Cuda Core）峰值算力=19.5TFLOPS，与英伟达官方披露的性能参数一致。由此可见，GPU峰值算力与主频和硬件配置数量等参数相关。
　　模型训练&推理算力需求测算。根据我们的测算：在训练侧，训练一个GPT-3.5175B模型的NVIDIAA100需求为1080个、AI服务器需求为135台；训练一个万亿参数量AI大模型对A100、AI服务器的需求分别为8521个、1065台。在推理侧，一个谷歌级应用使用GPT-3.5175B进行推理，对NVIDIAA100需求为72万个、对AI服务器需求为9万台；一个谷歌级应用使用万亿参数大模型进行推理，对NVIDIAA100需求为378万个、对AI服务器需求为47.3万台。据Trendforce数据，预估2022年搭载GPGPU的AI服务器年出货量占整体服务器比重近1%，即约14万台。我们以14万台为基数测算训练、推理侧算力需求对AI服务器出货量的拉动。根据测算，训练100个GPT-3.5175B模型对AI服务器出货量的拉动为9.6%，10个使用GPT3.5175B模型的谷歌级推理应用对全球AI服务器出货量的拉动为643%。
　　投资建议。建议关注算力芯片厂商：海光信息（与计算机组联合覆盖）、寒武纪（计算机组覆盖）、芯原股份、龙芯中科等；连接芯片厂商：源杰科技、澜起科技、裕太微、聚辰股份、帝奥微等；存储芯片厂商：深科技、兆易创新、东芯股份等；服务器硬件厂商：工业富联、沪电股份、胜宏科技等。AIGC应用：海康威视、大华股份等。
　　风险提示：AIGC发展不及预期，AI服务器出货量不及预期，国产厂商技术和产品进展不及预期。