经济基础决定上层建筑，而如今，算力基础决定上层应用。

3月14日，OpenAI推出GPT-4.0，相比当前Chat GPT使用的GPT-3.5，增加了输入图像的功能；扩写能力增强，能处理超过25000个单词的文本；更具创造力，并且能够处理更细微的指令。

3月16日，百度正式推出对标ChatGPT的生成式对话产品“文心一言”。

华为老总任正非说：ChatGPT对我们的机会是什么？它会把计算撑大，把管道流量撑大，这样我们的产品就有市场需求。

GPT模型迭代的背后，是参数量及训练量的指数级增长，是AI从实验技术成长为稳定生产力。这这些AI大模型的发展，对算力的需求每两个月增加一倍。仅OpenAI，每年的支出费用就高达10多亿美金。

• 算力为何如此重要？

• 算力背后的支撑

• 受益行业及相关机会

报告酱梳理了多篇报告，将从与大家分享上述三个问题的答案。

算力为何如此重要？

算力，也就是计算机的运算能力。具体指硬件对数据收集、传输、计算和存储的能力。

算力的大小表明了对数字化信息处理能力的强弱，常用计量单位是 FLOPS（Floating-point operations per second），表示每秒浮点的运算次数。

运算量（FLOPS）的数值通常与参数量（parameter count）成比例，不同模型架构的换算关系不同。模型越复杂、参数量越大，所需计算量越大。

在联想年初发布的影片《万有新力》中，是这么描写算力的：“你看不见我，而我，存在于每个地方...我在你看到和看不到的任何地方，心无杂念地计算，我所有的力，向万物敞开，我愿尽我所能，给你以力，重组想象，用一天，替你完成几十年的工作...”。

由此可见，算力的强大之处。

人工智能行业中，算力、算法、数据是三个核心概念，是构成AI领域的基础设施。随着技术的进步，应用场景的不断拓展，“三大金刚”将推动整个行业的创新和发展。

• 算力（Computing Power）包括CPU、GPU、FPGA、ASIC等AI芯片。云计算技术和5G通信技术的发展，让算力的分布和调度更加灵活，有助于满足各种场景下对高性能计算的需求。

• 算法（Algorithm）是一系列解决问题、实现特定功能的有序指令和步骤。在AIGC行业中，算法是模型的基础，用于实现数据分析、人工智能模型训练等功能。

• 数据（Data）是支撑决策和优化的基础，是算法发挥作用的前提。大数据技术可以对海量数据进行有效处理、分析和存储，而人工智能技术可以通过对数据进一步学习，实现各种智能化应用，如图像识别、自然语言处理等。

随着我们走进数字时代，计算场景更加丰富，在中国乃至全球范围内算力需求也随之提高到了前所未有的高度。据中国信息通信研究院，2021年全球计算设备算力总规模达到615EFlops, 增速为 44%；预计到 2030 年，全球算力总规模将实现 56ZFlops，平均年增速将达到65%。

作为总规模位居全球第二的国家，我国算力需求同样处高速增长态势。工信部数据显示，2020 年我国算力总规模达到135EFlops，占全球总规模的31%，截至2022年6月底，我国算力总规模超过150EFlops，年均增速超过35%。

如果算力能够大踏步地发展，在成本不变的情况下，把算力提升千倍万倍，比ChatGPT更高级别的智能就一定会出现。

算力背后的支撑

从OpenAI发布GPT-4，百度发布文心一言，再到微软发布Office的AI助手Microsoft 365 Copilot，以及Midjourney发布能“画手指”的V5版本，谷歌的Bard聊天机器人开始排队测试...在这个AI行业的关键时刻，“卖水人”英伟达赢麻了。

前天晚上11点，2023春季GTC大会正式上线，英伟达大佬黄仁勋围绕AI、量子计算、芯片等前沿科技，发布了一系列前沿技术和产品。但最亮眼的，当属一块支撑ChatGPT算力、提速10倍的H100 NVLINK芯片，大佬就差把“我最牛”写在脸上。

在这之前，黄仁勋曾表示ChatGPT是人工智能（AI）的iPhone时刻（an iPhone moment），可说是运算领域有史以来最伟大的一刻。

根据OpenAI数据，GPT-3 XL参数规模为13.2亿，训练所需算力为27.5PFlop/s-day。由于ChatGPT是在13亿参数的Instruct GPT基础上微调而来，参数量与GPT-3 XL接近，因此预计ChatGPT训练所需算力约为27.5PFlop/s-day。

以NVIDIA V100芯片为例，一颗NVLink版本V100芯片的深度学习算力为125TFlops，则ChatGPT模型的训练，至少需要1颗V100芯片计算220天才能完成。

随着模型参数的不断增加，模型训练所需算力将进一步提升，将进一步拉动对算力芯片的需求。

可以看出，AI芯片是ChatGPT的底层土壤。

如下图，AI芯片主要分为CPU、GPU、FPGA和ASIC四类，CPU是AI计算的基础，GPU、FPGA、ASIC作为加速芯片协助CPU进行大规模计算。

随着多样化智能场景的出现，需求的多元化也对算力的多样化提出要求。如果把总算力换成公式来看：总算力=单个芯片的计算量*芯片个数*实际功率。可以简单地假设为，不同的芯片排列，可以有不同的计算能力。

英伟达CUDA架构，正是引领了GPGPU（通用图形处理器）开发市场，打造了算力底座的核心护城河。

如果举一个例子进行对比的话，CPU类似于公务员体系中的一个部门，不同职位间的工作人员互相帮忙，互相协作，最终解决一个复杂的问题；而GPU类似于加工厂，很多人在很多时刻只干着同一份工作。

目前CPU+XPU异构形式成为AI服务器主流架构，XPU包含了GPU、FPGA、ASIC等，这样的组合可以提供更强大的计算能力，实现计算任务的高效处理和资源的最优利用。

硬件方面，运算量取决于GPU运算执行时间的长短，而参数量取决于占用显存的量。内存和功耗，也是目前掣肘AI行业的两大问题。

如果能够解决上述问题，将极大提高算力的水平。现存的方法有大致四种：存算一体技术、HBM技术、Chiplet技术、CPO技术。

期待未来更多技术的提升，让算力腾飞。

受益行业及相关机会

历史上，每轮大规模反垄断均伴随生产要素垄断，并孕育新的产业革命。当前，我们正处于第三轮反垄断进行时：

• 首轮浪潮始于19世纪末，伴随一战开始暂告段落，主要针对工业巨头对资源要素的垄断，与之相伴随的是第二次工业革命；

• 第二轮浪潮始于80年代，伴随2000年美国互联网泡沫的到来告一段落，主要针对科技巨头对技术要素的垄断，与之相伴随的是信息革命；

• 第三轮浪潮始于近两年，当前仍处于第三轮反垄断浪潮进行时，主要针对数字经济巨头对数据要素的垄断。如果本轮反垄断行之有效，则未来数据要素生产空间的释放，或将催生新一轮产业巨头。

从过往历轮反垄断经验来看，数据生产要素的释放将利好“数据密集型”产业。

长期看，一波以大数据、云计算、物联网、人工智能为基础的科技革命已在酝酿。当前人工智能发展的核心瓶颈是数据，未来国家归集数据要素供其使用后，预计技术迭代速率将明显加快。

二级市场的投资机会方面，可以参考安信证券的观点，关注国产大算力芯片、英伟达/AMD产业链、上游硬件供应商、下游多模态应用落地等。

#你认为算力的黄金时代来了吗？