導(dǎo)讀

ChatGPT是由OpenAI公司開發(fā)的人工智能聊天機器人程序，于2022年11月發(fā)布，達到1億用戶量用時僅2個月。ChatGPT是基于GPT-3.5微調(diào)得到的新版本模型，能夠借助人類反饋的強化學(xué)習(xí)（RLHF）技術(shù)來指導(dǎo)模型訓(xùn)練，實現(xiàn)模型輸出與人類預(yù)期的需求，使對話內(nèi)容更加人性化和富有邏輯性。

01.ChatGPT激起AI浪潮

1.1 AI創(chuàng)新浪潮興起，多模態(tài)賦能下游行業(yè)

ChatGPT是生成式人工智能技術(shù)（AIGC）的一種，與傳統(tǒng)的決策/分析式AI相比，生成式AI并非通過簡單分析已有數(shù)據(jù)來進行分析與決策，而是在學(xué)習(xí)歸納已有數(shù)據(jù)后進行演技創(chuàng)造，基于歷史進行模仿式、縫合式創(chuàng)作，生成全新的內(nèi)容。AIGC的應(yīng)用非常廣泛，包括自然語言生成、圖像生成、視頻生成、音樂生成、藝術(shù)創(chuàng)作等領(lǐng)域。

AIGC產(chǎn)業(yè)鏈主要分為上游算力硬件層、中游數(shù)據(jù)/算法軟件層和下游行業(yè)應(yīng)用層。硬件層依靠高性能AI芯片、服務(wù)器和數(shù)據(jù)中心為AIGC模型的訓(xùn)練提供算力支持，是承載行業(yè)發(fā)展的基礎(chǔ)設(shè)施；數(shù)據(jù)/算法層軟件層主要負責(zé)AI數(shù)據(jù)的采集、清洗、標注及模型的開發(fā)與訓(xùn)練，多方廠商入局自然語言處理、計算機視覺、多模態(tài)模型等領(lǐng)域；行業(yè)應(yīng)用層目前主要涉及搜索、對話、推薦等場景，未來有望在多個行業(yè)呈現(xiàn)井噴式革新。

資料來源：甲子光年，中泰證券研究所

多模態(tài)大模型有望成為AI主流，賦能下游行業(yè)智能升級。生成式AI主要依賴于人工智能大模型，如Transformer、BERT、GPT系列等。這些模型通常包含數(shù)十億至數(shù)萬億個參數(shù)，需要龐大的數(shù)據(jù)集進行訓(xùn)練，致使AI算力的需求也呈現(xiàn)出指數(shù)級的增長。多模態(tài)是一種全新的交互、生成模式，集合了圖像、語音、文本等方式，因其可以結(jié)合多種數(shù)據(jù)類型和模態(tài)的學(xué)習(xí)，將有望徹底改變我們與機器互動的方式，快速占據(jù)人工智能主導(dǎo)地位。我們認為多模態(tài)大模型長期來看不僅可以從成本端降本增效，需求端也將通過快速滲透推廣為下游行業(yè)帶來持續(xù)增長需求，從而快速推動下游行業(yè)智慧化應(yīng)用升級。

從GPT-1到ChatGPT，模型參數(shù)與訓(xùn)練數(shù)據(jù)量不斷增加，所需算力資源不斷提升：

GPT-1：最早的GPT模型之一，包含了1.17億個參數(shù)，預(yù)訓(xùn)練數(shù)據(jù)量約為5GB。

GPT-2：參數(shù)數(shù)量達到了1.5億個，預(yù)訓(xùn)練數(shù)據(jù)量達40GB。

GPT-3：是目前為止最大的語言模型之一，包含了1750億個參數(shù)，預(yù)訓(xùn)練數(shù)據(jù)量為45TB。

ChatGPT：基于GPT-3模型的變種之一，參數(shù)量預(yù)計與GPT-3相近。

資料來源：OpenAI官網(wǎng)，中泰證券研究所

多模態(tài)模型是實現(xiàn)人工智能應(yīng)用的關(guān)鍵。3月14日OpenAI發(fā)布GPT-4多模態(tài)大模型，擁有1）強大的識圖能力；2）文字輸入限制提升至2.5萬字；3）回答準確性顯著提高；4）能夠生成歌詞、創(chuàng)意文本、實現(xiàn)風(fēng)格變化。在各種專業(yè)和學(xué)術(shù)基準上，GPT-4已具備與人類水平相當(dāng)表現(xiàn)。如在模擬律師考試中，其分數(shù)在應(yīng)試者前10%，相比下GPT-3.5在倒數(shù)10%左右。多模態(tài)大模型在整體復(fù)雜度及交互性上已有較大提升，模型升級有望加速細分垂直應(yīng)用成熟，賦能下游智慧化升級，帶動需求快速增長。

AIGC下游市場滲透率低，增長空間廣闊。根據(jù)Gartner數(shù)據(jù)，目前由人工智能生成的數(shù)據(jù)占所有數(shù)據(jù)的1%以下，預(yù)計2023年將有20%的內(nèi)容被生成式AI所創(chuàng)建，2025年人工智能生成數(shù)據(jù)占比將達到10%。根據(jù)前瞻產(chǎn)業(yè)研究院數(shù)據(jù)，2025年中國生成式商業(yè)AI應(yīng)用規(guī)模將達2070億元，CAGR（2020-2025）為84.06%。

1.2 算力芯片迎來產(chǎn)業(yè)機遇

AI人工智能的發(fā)展主要依賴兩個領(lǐng)域的創(chuàng)新和演進：一是模仿人腦建立起來的數(shù)學(xué)模型和算法，其次是半導(dǎo)體集成電路AI芯片。AI的發(fā)展一直伴隨著半導(dǎo)體芯片的演進過程，20世紀90年代，貝爾實驗室的楊立昆（Yann LeCun）等人一起開發(fā)了可以通過訓(xùn)練來識別手寫郵政編碼的神經(jīng)網(wǎng)絡(luò)，但在那個時期，訓(xùn)練一個深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）需要3天的時間，因此無法實際使用，而硬件計算能力的不足，也導(dǎo)致了當(dāng)時AI科技泡沫的破滅。

AI芯片是AI發(fā)展的底層基石。英偉達早在1999年就發(fā)明出GPU，但直到2009年才由斯坦福大學(xué)發(fā)表論文介紹了如何利用現(xiàn)代GPU遠超過多核CPU的計算能力（超過70倍），把AI訓(xùn)練時間從幾周縮短到了幾小時。算力、模型、數(shù)據(jù)一直是AI發(fā)展的三大要素，而AI芯片所代表的算力則是人工智能的底層基石。

算力硬件層是構(gòu)成AIGC產(chǎn)業(yè)的核心底座，主要包括AI芯片、AI服務(wù)器和數(shù)據(jù)中心。

AI芯片是算力硬件層的基石。AI芯片主要分為CPU、GPU、FPGA和ASIC四類，CPU是AI計算的基礎(chǔ)，GPU、FPGA、ASIC作為加速芯片協(xié)助CPU進行大規(guī)模計算。目前AI芯片主要被國際廠商壟斷，根據(jù)Counterpoint、IDC數(shù)據(jù)，Intel和AMD共計占2022年全球數(shù)據(jù)中心CPU市場收入的92.45%，Nvidia占2021年中國加速卡市場份額的80%以上。

AI服務(wù)器是AI芯片的系統(tǒng)集成。AI服務(wù)器采用CPU+加速芯片的架構(gòu)形式，在進行模型的訓(xùn)練和推斷時會更具有效率優(yōu)勢。與國外AI芯片廠商的壟斷局面不同，中國AI服務(wù)器水平位于世界前列。據(jù)IDC數(shù)據(jù)，在2021H1全球AI服務(wù)器市場競爭格局中，浪潮信息以20.2%的份額排名第一，聯(lián)想和華為分別以6.1%和4.8%的份額位列第四、五名。

數(shù)據(jù)中心的計算服務(wù)是承接AI算力需求的直接形式。AIGC的模型訓(xùn)練是通常是通過云計算服務(wù)完成的，其本質(zhì)是AIGC模型廠商借助IDC的算力資源，在云端實現(xiàn)模型的訓(xùn)練。目前國內(nèi)的數(shù)據(jù)中心廠商主要包括三大運營商、華為、聯(lián)想、中科曙光等，提供云計算的廠商主要有阿里、騰訊等互聯(lián)網(wǎng)企業(yè)。

資料來源：智通財經(jīng)，Counterpoint，IDC，中泰證券研究所

ChatGPT單次訓(xùn)練所需算力約27.5PFlop/s-day，單顆NVIDIAV100需計算220天。

根據(jù)OpenAI數(shù)據(jù)，GPT-3XL參數(shù)規(guī)模為13.2億，訓(xùn)練所需算力為27.5PFlop/s-day。由于ChatGPT是在13億參數(shù)的InstructGPT基礎(chǔ)上微調(diào)而來，參數(shù)量與GPT-3XL接近，因此預(yù)計ChatGPT訓(xùn)練所需算力約為27.5PFlop/s-day。以NVIDIAV100芯片為例，一顆NVLink版本V100芯片的深度學(xué)習(xí)算力為125TFlops，則ChatGPT模型的訓(xùn)練至少需要1顆V100芯片計算220天才能完成。

隨著模型參數(shù)的不斷增加，模型訓(xùn)練所需算力將進一步提升，將進一步拉動對算力芯片的需求。根據(jù)OpenAI數(shù)據(jù)，隨著GPT-3系列模型參數(shù)規(guī)模由1.25億增加至1746億，訓(xùn)練所需算力從2.6PFlop/s-day上升至3640PFlop/s-day，規(guī)模參數(shù)（1396.8倍）與算力需求（1400倍）呈同比例增長。

02.芯片是ChatGPT底層土壤

2.1 AI芯片有望率先受益，CPU+XPU異構(gòu)形式成為主流

機器學(xué)習(xí)主要包括訓(xùn)練（training）和推斷（inference）兩個步驟，通常需要不同類型的AI芯片來執(zhí)行。訓(xùn)練是指通過大數(shù)據(jù)訓(xùn)練出一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，通過大量標記過的數(shù)據(jù)來訓(xùn)練相應(yīng)的系統(tǒng)，使其能夠適應(yīng)特定的功能；推理是指利用訓(xùn)練好的模型，使用新數(shù)據(jù)推理出各種結(jié)論。

訓(xùn)練芯片：通過大量的數(shù)據(jù)輸入，構(gòu)建復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型的一種AI芯片。需要較高的計算性能、能夠處理海量的數(shù)據(jù)、具有一定的通用性，以便完成各種各樣的學(xué)習(xí)任務(wù)，注重絕對的計算能力。

推斷芯片：推斷芯片主要是指利用訓(xùn)練出來的模型加載數(shù)據(jù)，計算“推理”出各種結(jié)論的一種AI芯片，注重綜合指標，側(cè)重考慮單位能耗算力、時延、成本等性能。

AI芯片是AI算力的核心，需求有望率先擴張。AI芯片是用于加速人工智能訓(xùn)練和推理任務(wù)的專用硬件，主要包括GPU、FPGA、ASIC等，具有高度并行性和能夠?qū)崿F(xiàn)低功耗高效計算的特點。

資料來源：IDC，中泰證券研究所

目前CPU+XPU異構(gòu)形式成為AI服務(wù)器主流架構(gòu)。傳統(tǒng)的CPU單元對于AI計算任務(wù)的處理能力有限，而XPU（包括GPU、FPGA、ASIC等）則可以提供更強大的計算能力，因此將CPU和XPU結(jié)合起來使用可以實現(xiàn)計算任務(wù)的高效處理和資源的最優(yōu)利用。一般來說，CPU負責(zé)整個系統(tǒng)的管理和控制，而加速芯片則負責(zé)AI計算任務(wù)的加速，兩者相互協(xié)作，共同提升整個系統(tǒng)的性能。

服務(wù)器計算架構(gòu)從單核的串行走向多核的并行，又進一步從同構(gòu)并行走向異構(gòu)并行，未來或?qū)漠悩?gòu)并行走向超異構(gòu)并行。目前在AI服務(wù)器中，常見的異構(gòu)組合有8xGPU+2xCPU、4xGPU+2xCPU、8xFPGA+1xCPU、4xFPGA+1xCPU。在異構(gòu)計算的趨勢下，AI加速芯片搭載率將持續(xù)增高。根據(jù)IDC全球范圍調(diào)研顯示，2022年每臺AI服務(wù)器上普遍多配置2個GPU，未來18個月GPU、ASIC、FPGA的搭載率均會上升。根據(jù)IDC數(shù)據(jù)，2021H1全球AI服務(wù)器市場規(guī)模達66.6億美元，同比增長率超過全球AI整體市場增長率22.4%。預(yù)計在2025年全球AI服務(wù)器市場規(guī)模將達到277億美元，CAGR（2020-2025）為20.3%。

2.2AI算力需求，存儲芯片受益

ChatGPT帶動AI服務(wù)器需求，存儲芯片受益。ChatGPT的數(shù)據(jù)獲取、數(shù)據(jù)整理、訓(xùn)練、推理除大算力芯片外，還需存儲芯片支持。

服務(wù)器成本構(gòu)成：服務(wù)器成本包括算力芯片、存儲器等，根據(jù)IDC 2018年服務(wù)器成本構(gòu)成，在高性能服務(wù)器/推理型服務(wù)器/機器學(xué)習(xí)型服務(wù)器中存儲占比29%/25%/16%。AI服務(wù)器，除了內(nèi)存需要128GB或更大容量的高性能HBM和高容量服務(wù)器DRAM，還需硬盤去存儲大量數(shù)據(jù)。

存儲下游市場：智能手機+服務(wù)器+PC是主要下游。智能手機端出貨量增速有限，單機容量提升是主要推動力；服務(wù)器端，受益人工智能、物聯(lián)網(wǎng)和云計算等應(yīng)用興起，服務(wù)器出貨量及單機容量提升推動增長。

資料來源：IDC、Dramexchange，SIA，中泰證券研究所

03.芯片需求增長拉動產(chǎn)業(yè)鏈機會

3.1 封測：Chiplet是AI芯片大勢所趨

當(dāng)前AI芯片呈現(xiàn)幾大趨勢：

1）制程越來越先進。從2017年英偉達發(fā)布Tesla V100 AI芯片的12nm制程開始，業(yè)界一直在推進先進制程在AI芯片上的應(yīng)用。英偉達、英特爾、AMD一路將AI芯片制程從16nm推進至4/5nm。

2）Chiplet封裝初露頭角。2022年英偉達發(fā)布H100 AI芯片，其芯片主體為單芯片架構(gòu)，但其GPU與HBM3存儲芯片的連接，采用Chiplet封裝。在此之前，英偉達憑借NVlink-C2C實現(xiàn)內(nèi)部芯片之間的高速連接，且Nvlink芯片的連接標準可與Chiplet業(yè)界的統(tǒng)一標準Ucle共通。而AMD2023年發(fā)布的Instinct MI300是業(yè)界首次在AI芯片上采用更底層的Chiplet架構(gòu)，實現(xiàn)CPU和GPU這類核心之間的連接。

3）2020年以來頭部廠商加速在AI芯片的布局。AI芯片先行者是英偉達，其在2017年即發(fā)布Tesla V100芯片，此后2020以來英特爾、AMD紛紛跟進發(fā)布AI芯片，并在2022、2023年接連發(fā)布新款A(yù)I芯片，發(fā)布節(jié)奏明顯加快。

據(jù)相關(guān)論文，芯片成本變化有以下規(guī)律：

1）封裝形式越復(fù)雜，封裝成本、封裝缺陷成本占芯片成本比重越大：具體來說，SoC＜MCM＜InFO小于2.5D。

2）芯片面積越大，芯片缺陷成本、封裝缺陷成本占比越大；

3）制程越先進，芯片缺陷成本占比越高，而Chiplet封裝能有效降低芯片缺陷率，最終達到總成本低于SoC成本的效果。

制程越先進、芯片組面積越大、小芯片（Chips）數(shù)量越多，Chiplet封裝較SoC單芯片封裝，成本上越有優(yōu)勢：

Chiplet主要封裝形式有MCM/InFO/2.5D這三種。14nm制程下，當(dāng)芯片面積超過700mm2時，Chiplet封裝中的MCM成本開始較SoC低，當(dāng)面積達900mm2時，MCM較SoC成本低近10%（2顆chips）、或低20%（3顆chips）、或低25%（5顆chips）；

7nm制程下，芯片面積超過400mm2時，MCM成本開始低于SoC，面積超過600mm2時，InFO成本開始低于SoC，當(dāng)面積達900mm2時，5顆chips情況下，MCM較SoC成本低40%、InFO較SoC成本低20%；5nm制程下，芯片面積超過300mm2時，MCM成本開始低于SoC，成本超過500mm2時，InFO成本開始低于SoC，當(dāng)面積達900mm2時，5顆chips情況下，MCM較SoC成本低50%、InFO較SoC成本低40%、2.5D較SoC成本低28%。

鑒于當(dāng)前AI芯片朝高算力、高集成方向演進，制程越來越先進，Chiplet在更先進制程、更復(fù)雜集成中降本優(yōu)勢愈發(fā)明顯，未來有望成為AI芯片封裝的主要形式。

3.2 PCB：AI服務(wù)器基石

ChatGPT數(shù)據(jù)運算量增長快速，帶動服務(wù)器/交換機/顯卡等用量提升，布局相應(yīng)領(lǐng)域PCB公司顯著受益。ChatGPT帶來了算力需求的激增，與之對應(yīng)亦帶來相應(yīng)服務(wù)器/交換機等作為算力核心載體和傳輸?shù)挠布?，帶來PCB需求大幅增長，同時隨著對算力的要求越來越高，對于大容量、高速、高性能的云計算服務(wù)器的需求將不斷增長，對PCB的設(shè)計要求也將不斷升級，提升對于高層數(shù)、大尺寸、高速材料等的應(yīng)用。

以23年發(fā)布的新服務(wù)器平臺為例，Pcie5.0服務(wù)器用PCB層數(shù)、材料、設(shè)計工藝均有升級，PCB價格提升顯著，其層數(shù)從4.0的12-16層升級至16-20層，根據(jù)Prismark的數(shù)據(jù)，2021年8-16層板的價格為456美元/平米，而18層以上板的價格為1538美元/平米，PCB價值量增幅明顯；另外配套新服務(wù)器，交換機、傳輸網(wǎng)產(chǎn)品都需要同步升級，預(yù)計400G、800G交換機對PCB板子拉動巨大，進一步帶動數(shù)通板景氣度提升。