AI模型复杂度快速提升，拉动算力需求快速增长。AI模型从最早2012年（AlexNet）问世以来，深度和广度一直在逐级扩升。作为目前最大的语言模型之一，2020年发布的GPT-3使用了1750亿个参数，是其前代的100多倍，微软和英伟达共同开发的Megatron-Turing-NLG模型参数量则达5300亿。据中国信通院撰写的《中国算力发展指数白皮书》，过去10年用于AI训练模型的计算资源激增，AI训练的计算复杂度每年猛增10倍，人工智能计算已成为主流的计算形态，全球智能算力规模（换算为FP32）将由2021年232EFlops快速增长至2030年的52.5ZFlops，期间CAGR超过80%。
　　TrendForce预计2026年全球AI服务器出货量约20万台。TrendForce表示，在AIGC、自动驾驶、AloT、边缘计算等新兴应用带动下，诸多大型云厂商加大AI相关基础设施建设，预计搭载GPGPU（General Purpose GPU）的AI服务器2022年出货量仅占整体服务器市场的1%，并有望在2026年增长至20万台，2022-2026年CAGR为10.8%。据TrendForce统计，2022年AI服务器采购占比以北美四大云厂商为主，微软、Google、Meta、AWS合计贡献66.2%，国内则以字节跳动投入最为积极，占比6.2%。
　　不同类型的服务器成本结构存在差异，芯片成本占比随服务器性能提升而升高。服务器本质是计算机，核心硬件包括CPU、以GPU为代表的加速卡、内存、硬盘、网卡、电源、主板等。其中以CPU和GPU为代表的算力芯片是服务器主要成本项，占比随着服务器性能的提高而逐渐上升。综合华经情报网和ARK数据，芯片成本在普通服务器中约占总成本的32%，而用于机器学习的服务器因通常搭载多卡高性能GPU导致芯片成本占比迅速提升至83%。
　　AI服务器和普通服务器之间的区别在于其硬件配置和使用方式。AI服务器用于处理深度学习工作负载的海量数据，包括需要大内存容量、高带宽和整体系统内缓存一致性的训练和推断。相较于普通服务器，AI服务器新增多张高性能加速器（绝大部分为GPU），拥有更高的计算能力、更快的处理速度和更大的存储空间，以支持高负载和复杂的计算任务。
　　随着GPU向A100向H100升级迭代，AI服务器有望迎来量价齐升。根据英伟达官网，相较于前代A100，H100综合计算性能提高6倍，得益于：1）采用第四代Tensor Core和具有FP8精度的Transformer引擎，持续优化大模型训练和推理表现；2）升级第四代NVLink，提供高达900 GB/s的GPU与GPU之间互连；3）更高的显存带宽。我们认为，随着价格更高的H100在今年陆续出货，AI服务器市场将在今年迎来持续量价齐升。基于此，我们看好在算力芯片、服务器代工、内存等关键领域具有卡位优势、产品竞争力较强的公司，建议关注：1）算力芯片；2）服务器代工；3）存储：北京君正、兆易创新、澜起科技等。
　　风险提示：AI技术进展不及预期、国产替代不及预期。