01 ChatGPT：生成式AI引爆技术奇点
　　过去传统的人工智能偏向于分析能力，即通过分析一组数据，发现其中的规律和模式并用于其他多种用途，比如应用最为广泛的个性化推荐算法。而现在人工智能正在生成新的东西，而不是仅仅局限于分析已经存在的东西，实现了人工智能从感知理解世界到生成创造世界的跃迁。因此，从这个意义上来看，广义的AIGC可以看作是像人类一样具备生成创造能力的Al技术，即生成式AI它可以基于训练数据和生成算法模型，自主生成创造新的文本、图像、音乐、视频、3D交互内容(如虚拟化身、虚拟物品、虚拟环境)等各种形式的内容和数据，以及包括开启科学新发现创造新的价值和意义等。因此，AIGC已经加速成为了AI领域的新疆域，推动人工智能迎来下一个时代。
　　大模型参数量快速提升，算力需求大幅增加
　　大模型主要由各大龙头企业推动，在国内科技公司中，阿里巴巴达摩院在2020年推出了M6大模型，百度在2021年推出了文心大模型，腾讯在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参数的设置，其中参数量(Params)形容模型的大小程度，类似于算法中的空间复杂度,往往参数量越大(复杂程度越高)的神经网络模型对算力的需求程度更高，复杂的神经网络模型的算法参数量约千亿级别甚至万亿级别，与已知应用级别的呈现指数级别的差异。这些模型不仅在参数量上达到了千亿级别，而且数据集规模也高达TB级别，想要完成这些大模型的训练，就至少需要投入超过1000PetaFlop/s-day的计算资源。
　　大模型参数量快速提升，算力需求大幅增加
　　大模型主要由各大龙头企业推动，在国内科技公司中，阿里巴巴达摩院在2020年推出了M6大模型，百度在2021年推出了文心大模型，腾讯在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参数的设置，其中参数量(Params)形容模型的大小程度，类似于算法中的空间复杂度,往往参数量越大(复杂程度越高)的神经网络模型对算力的需求程度更高，复杂的神经网络模型的算法参数量约千亿级别甚至万亿级别，与已知应用级别的呈现指数级别的差异。这些模型不仅在参数量上达到了千亿级别，而且数据集规模也高达TB级别，想要完成这些大模型的训练，就至少需要投入超过1000PetaFlop/s-day的计算资源。
　　1、算力总需求量=参数量*词条长度（单个词语计算次数，单精度）*训练词数
　　2、GPU总需求量=算力总需求量/单张加速卡算力/计算用时
　　按照175B的参数规模测算，若训练时长为1个月，则英伟达A100 GPU需要张数超6000张，A100加速卡成本1.56亿美元；若参数量提升至481B，则加速卡成本上升至4.28亿美元；若481B模型的计算时间限制为一周，则仅加速卡成本将达到18.35亿美元。又好（参数量大）、又快（迭代时间短）的需求将大幅推升龙头厂商的硬件军备竞赛。
　　人工智能技术将全面赋能各行各业。预计到2025年，人工智能涉及的场景规模将达到2,081亿美金，并在无人驾驶、智慧金融、智慧医疗、智慧零售、文娱等领域大显身手。人工智能技术对于算力的核心拉动点在于未来各应用场景内单设备芯片算力的增长和人工智能技术的行业渗透率的进一步提升，带动对云计算中心、边缘设备和终端NPU的巨大需求。整体预计在2030年，人工智能相关领域对于算力的需求将达到~16,000 EFLOPS，相当于1,600亿颗高通骁龙855内置的人工智能芯片所能提供的算力。
　　以商汤为例，2022年已开启10多个大模型训练任务，包括NLP、视觉、文生图、多模态等，8家客户动用算力资源为7000多块GPU。22年公司扩建算力装置，GPU达到2.7万块，输出超5000P算力。
　　风险提示
　　全球政治经济持续动荡，经济运行不确定性仍存，下游需求存在复苏不及预期进而影响AI应用落地及推进进度的风险；
　　AI作为新兴行业，强劲的产业趋势和资金关注度使得新玩家参与的动力和资源都较为充分，存在行业竞争加剧进而影响格局和盈利能力的风险