Scaling-law仍为基础定律，大模型量级快速扩张。1）7月8日，Anthropic表示，其目前正在开发的人工智能模型的训练成本高达10亿美元，且未来三年内，AI模型的训练成本将上升到100亿美元甚至1000亿美元，引起广泛关注。2）我们认为，大模型训练成本的快速扩张仍然反映了Scaling-law的基础原理，即当增加模型大小、数据集大小以及用于训练的计算量时，语言模型的性能会逐渐提升，且提升效果遵循幂律关系。3）而幂律关系也意味着，增加模型参数量、数据集或计算资源，其边际回报会不断降低。即便如此，Scaling-law仍为当前技术路径下的基础定律，全球各大模型规模持续扩张，GPT4参数量或已到万亿级别，相比GPT3.5提升一个量级。4）我们认为，对Scaling-law的坚持尝试、部分优化，均反映大语言模型仍处于快速发展的过程中，模型参数量、数据量、计算资源的扩张，都将成为推动大模型实现更高知识水平的基石。
　　大模型进步空间仍大，训练算力成本或超百亿美元。1）在定量的算力估算上，我们参考《Scaling Laws for Neural Language Models》、《TrainingCompute-Optimal Large Language Models》等大模型领域的代表论文，给出大致测算。2）训练算力需求方面，以单个token所需的计算资源C约等于6N为基础，我们估算，为了达到类似人类的水平，大模型或至少需要11万亿参数、228万亿token数、1.55*10^28次的浮点运算。3）在硬件成本方面，以英伟达B200及H100为主流GPU，在FP8精度下，大约需要投建63亿美元的B200或127亿美元的H100；在FP16精度下，大约需要投建254亿美元的H100。若大模型效果进一步优化，伴随参数量迈向大几十亿或百万亿级别，参考计算量C=6N的类线性关系，其算力成本或达到千亿美元。3）需要指出的是，本测算暂未考虑各类针对算力的优化措施，例如硬件计算效率的不断提升、MoE或已超越Dense架构成为大语言模型的主要选择、TTT等RNN新架构陆续推出等。另一方面，多模态引入了语音、图片、视频等更丰富的输入输出方式，或对大模型的训练提出更高要求。
　　训练攀升、推理加速，算力或仍是确定性最高的方向之一。1）Scaling-law助推参数量、数据量高速扩张，训练需求仍在攀升；同时，应用广泛开放，临近规模化时刻，推理需求加速释放。近期，全球科技大厂均对2024年资本开支表示乐观。2）我们认为，算力在AIGC大浪潮中的基石地位不言而喻，以英伟达、台积电等为代表的供应商可核心受益，算力或仍是确定性最高的方向之一，产业链共创共赢局面将持续打开。
　　相关标的：
　　1）算力侧：寒武纪、浪潮信息、中际旭创、新易盛、工业富联、海光信息、中科曙光、软通动力、协创数据、云赛智联、神州数码、高新发展、利通电子、烽火通信等。
　　2）AI相关：海康威视、中科创达、立讯精密、鹏鼎控股、金山办公、大华股份、拓尔思、润达医疗、漫步者、云天励飞、虹软科技、昆仑万维、中广天择、同花顺、科大讯飞、万兴科技、用友网络、赛意信息等。
　　风险提示：AI迭代不及预期风险；经济下行超预期风险；行业竞争加剧风险。