三肖料默认版块

大模型训练热潮下，算力基础设施有望迎来产业机遇 ChatGPT发布之后，引发了全球范围的关注和讨论，国内各大厂商相继宣布GPT模型开发计划。我们认为，以GPT模型为代表的AI大模型训练，需要消耗大量算力资源，主要需求场景来自：预训练+日常运营+Finetune。以预训练为例，据我们测算，进行一次ChatGPT的模型预训练需要消耗约27.5PFlop/s-day算力。基于此，我们认为，随着国产大模型开发陆续进入预训练阶段，算力需求持续释放或将带动算力基础设施产业迎来增长新周期。产业链相关公司包括： ❶算力芯片厂商：景嘉微、寒武纪、海光信息、龙芯中科、中国长城等； ❷服务器厂商：浪潮信息、中科曙光等； ❸IDC服务商：宝信软件等。 ChatGPT：大模型训练带来高算力需求 训练ChatGPT需要使用大量算力资源。据微软官网，微软Azure为OpenAI开发的超级计算机是一个单一系统，具有超过28.5万个CPU核心、1万个GPU和400 GB/s的GPU服务器网络传输带宽。据英伟达，使用单个Tesla架构的V100 GPU对1746亿参数的GPT-3模型进行一次训练，需要用288年时间。此外，算力资源的大量消耗，必然伴随着算力成本的上升，据Lambda，使用训练一次1746亿参数的GPT-3模型所需花费的算力成本超过460万美元。我们认为，未来拥有更丰富算力资源的模型开发者，或将能够训练出更优秀的AI模型，算力霸权时代或将开启。 需求场景：预训练+日常运营+Finetune 具体来看，AI大模型对于算力资源的需求主要体现在以下三类场景：1）模型预训练：ChatGPT采用预训练语言模型，核心思想是在利用标注数据之前，先利用无标注的数据训练模型。据我们测算，训练一次ChatGPT模型（13亿参数）需要的算力约27.5PFlop/s-day；2）日常运营：用户交互带来的数据处理需求同样也是一笔不小的算力开支，我们测算得ChatGPT单月运营需要算力约4874.4PFlop/s-day，对应成本约616万美元；3）Finetune：ChatGPT模型需要不断进行Finetune模型调优，对模型进行大规模或小规模的迭代训练，预计每月模型调优带来的算力需求约82.5~137.5 PFlop/s-day。 算力芯片+服务器+数据中心，核心环节有望率先受益 我们认为，随着国内厂商相继布局ChatGPT类似模型，算力需求或将持续释放，供给端核心环节或将率先受益：1）算力芯片：GPU采用了数量众多的计算单元和超长的流水线，架构更适合进行大吞吐量的AI并行计算；2）服务器：ChatGPT模型训练涉及大量向量及张量运算，AI服务器具备运算效率优势，大模型训练有望带动AI服务器采购需求放量；3）数据中心：IDC算力服务是承接AI计算需求的直接形式，随着百度、京东等互联网厂商相继布局ChatGPT类似产品，核心城市IDC算力缺口或将加大。 关注AI景气周期下，算力基础设施产业机遇 我们认为，国产厂商未来或将训练出自己的GPT模型，带动算力设施产业迎来景气周期。相关公司包括： ❶算力芯片厂商：景嘉微、寒武纪、海光信息、龙芯中科、中国长城等； ❷服务器厂商：浪潮信息、中科曙光等； ❸IDC服务商：宝信软件等。 风险提示：宏观经济波动；下游需求不及预期。

=================

ChatGPT有望带动算力需求 需求端：大模型训练带来高算力需求 大算力消耗带来训练成本上升。训练ChatGPT需要使用大量算力资源。 据微软官网，微软Azure为OpenAI开发的超级计算机是一个单一系统，具有超过28.5万个CPU核心、1万个GPU和400 GB/s的GPU服务器网络传输带宽。据英伟达，使用单个Tesla架构的V100 GPU对1746亿参数的GPT-3模型进行一次训练，需要用288年时间。此外，算力资源的大量消耗，必然伴随着算力成本的上升，据Lambda，使用训练一次1746亿参数的GPT-3模型所需花费的算力成本超过460万美元。虽然GPT-3.5在模型参数量上有了明显下降，但考虑到GPT-3、GPT-3.5均为OpenAI独家拥有，其他厂商复刻难度较高，巨量参数或仍将是模型开发过程的必经之路，我们预计未来大模型开发的算力成本仍将较高。 模型算力需求增速超越芯片性能增速，算力霸权时代或将到来。 据OpenAI测算，自2012年以来，全球头部AI模型训练算力需求3-4个月翻一番，每年头部训练模型所需算力增长幅度高达10倍。而摩尔定律认为，芯片计算性能大约每18-24个月翻一番。因此，AI训练模型算力需求增长与芯片计算性能增长之间的不匹配，或将带来对算力基础设施供给需求的快速增长。我们认为，考虑到算力对于AI模型训练效果的关键性作用，拥有更丰富算力资源的模型开发者，或将能够训练出更优秀的AI模型，算力霸权时代或将开启。 具体来看，AI大模型对于算力资源的需求主要体现在以下三类场景： 1、模型预训练带来的算力需求 模型预训练过程是消耗算力的最主要场景。 ChatGPT采用预训练语言模型，核心思想是在利用标注数据之前，先利用无标注的数据，即纯文本数据训练模型，从而使模型能够学到一些潜在的跟标注无关的知识，最终在具体的任务上，预训练模型就可以利用大量的无标注数据知识。在Transformer的模型架构下，语言预训练过程可以根据上下文一次处理所有输入，实现大规模并行计算。通过堆叠多个解码模块，模型的层数规模也会随着提升，可承载的参数量同步增长。与之相对应的，模型训练所需要消耗的算力也就越大。 我们预计，训练一次ChatGPT模型需要的算力约27.5PFlop/s-day。 据OpenAI团队发表于2020年的论文《Language Models are Few-Shot Learners》，训练一次13亿参数的GPT-3 XL模型需要的全部算力约为27.5PFlop/s-day，训练一次1746亿参数的GPT-3模型需要的算力约为3640 PFlop/s-day。考虑到ChatGPT训练所用的模型是基于13亿参数的GPT-3.5模型微调而来，参数量与GPT-3 XL模型接近，因此我们预计训练所需算力约27.5PFlop/s-day，即以1万亿次每秒的速度进行计算，需要耗时27.5天。 此外，预训练过程还存在几个可能的算力需求点： 1）模型开发过程很难一次取得成功，整个开发阶段可能需要进行多次预训练过程； 2）随着国内外厂商相继入局研发类似模型，参与者数量增加同样带来训练算力需求； 3）从基础大模型向特定场景迁移的过程，如基于ChatGPT构建医疗AI大模型，需要使用特定领域数据进行模型二次训练。 2、日常运营带来的算力需求 ChatGPT单月运营需要算力约4874.4PFlop/s-day，对应成本约616万美元。 在完成模型预训练之后，ChatGPT对于底层算力的需求并未结束，日常运营过程中，用户交互带来的数据处理需求同样也是一笔不小的算力开支。据SimilarWeb数据，2023年1月ChatGPT官网总访问量为6.16亿次。据Fortune杂志，每次用户与ChatGPT互动，产生的算力云服务成本约0.01美元。基于此，我们测算得2023年1月OpenAI为ChatGPT支付的运营算力成本约616万美元。据上文，我们已知训练一次1746亿参数的GPT-3模型需要3640 PFlop/s-day的算力及460万美元的成本，假设单位算力成本固定，测算得ChatGPT单月运营所需算力约4874.4PFlop/s-day。 3、Finetune带来的算力需求 模型调优带来迭代算力需求。 从模型迭代的角度来看，ChatGPT模型并不是静态的，而是需要不断进行Finetune模型调优，以确保模型处于最佳应用状态。这一过程中，一方面是需要开发者对模型参数进行调整，确保输出内容不是有害和失真的；另一方面，需要基于用户反馈和PPO策略，对模型进行大规模或小规模的迭代训练。因此，模型调优同样会为OpenAI带来算力成本，具体算力需求和成本金额取决于模型的迭代速度。 供给端：核心环节有望率先受益 算力芯片：AI算力基石，需求有望大规模扩张 GPU架构更适合进行大规模AI并行计算，需求有望大规模扩张。 从ChatGPT模型计算方式来看，主要特征是采用了并行计算。对比上一代深度学习模型RNN来看，Transformer架构下，AI模型可以为输入序列中的任何字符提供上下文，因此可以一次处理所有输入，而不是一次只处理一个词，从而使得更大规模的参数计算成为可能。而从GPU的计算方式来看，由于GPU采用了数量众多的计算单元和超长的流水线，因此其架构设计较CPU而言，更适合进行大吞吐量的AI并行计算。基于此，我们认为，随着大模型训练需求逐步增长，下游厂商对于GPU先进算力及芯片数量的需求均有望提升。 单一英伟达V100芯片进行一次ChatGPT模型训练，大约需要220天。 我们以AI训练的常用的GPU产品—NVIDIA V100为例。V100在设计之初，就定位于服务数据中心超大规模服务器。据英伟达官网，V100 拥有 640 个 Tensor 内核，对比基于单路英特尔金牌6240的CPU服务器可以实现24倍的性能提升。考虑到不同版本的V100芯片在深度学习场景下计算性能存在差异，因此我们折中选择NVLink版本V100（深度学习算力125 TFlops）来计算大模型训练需求。据前文，我们已知训练一次ChatGPT模型（13亿参数）需要的算力约27.5PFlop/s-day，计算得若由单个V100 GPU进行计算，需220天；若将计算需求平均分摊至1万片GPU，一次训练所用时长则缩短至约32分钟。 全球/中国GPU市场规模有望保持快速增长。 据VMR数据，2021年全球GPU行业市场规模为334.7亿美元，预计2030年将达到4773.7亿美元，预计22-30年CAGR将达34.4%。2020年中国GPU市场规模47.39亿美元，预计2027年市场规模将达345.57亿美元，预计21-27年CAGR为32.8%。 服务器：AI服务器有望持续放量 ChatGPT主要进行矩阵向量计算，AI服务器处理效率更高。 从ChatGPT模型结构来看，基于Transformer架构，ChatGPT模型采用注意力机制进行文本单词权重赋值，并向前馈神经网络输出数值结果，这一过程需要进行大量向量及张量运算。而AI服务器中往往集成多个AI GPU，AI GPU通常支持多重矩阵运算，例如卷积、池化和激活函数，以加速深度学习算法的运算。因此在人工智能场景下，AI服务器往往较GPU服务器计算效率更高，具备一定应用优势。 单台服务器进行一次ChatGPT模型训练所需时间约为5.5天。 我们以浪潮信息目前算力最强的服务器产品之一—浪潮NF5688M6为例。NF5688M6是浪潮为超大规模数据中心研发的NVLink AI 服务器，支持2颗Intel最新的Ice Lake CPU和8颗NVIDIA最新的NVSwitch全互联A800GPU，单机可提供5PFlops的AI计算性能。据前文，我们已知训练一次ChatGPT模型（13亿参数）需要的算力约27.5PFlop/s-day，计算得若由单台NF5688M6服务器进行计算，需5.5天。 大模型训练需求有望带动AI服务器放量。 随着大数据及云计算的增长带来数据量的增加，对于AI智能服务器的需求明显提高。据IDC数据，2021年全球AI服务器市场规模为156亿美元，预计到2025年全球AI服务器市场将达到318亿美元，预计22-25年CAGR将达19.5%。2021年中国AI服务器行业市场规模为350.3亿元，同比增长68.6%，预计22-25年CAGR将达19.0%。我们认为，随着ChatGPT持续火热，国内厂商陆续布局ChatGPT类似产品，AI服务器采购需求有望持续增长，市场规模或将进一步扩张。 数据中心：核心城市集中算力缺口或将加剧 IDC算力服务是承接AI计算需求的直接形式。 ChatGPT的模型计算主要基于微软的Azure云服务进行，本质上是借助微软自有的IDC资源，在云端完成计算过程后，再将结果返回给OpenAI。可见，IDC是承接人工智能计算任务的重要算力基础设施之一，但并不是所有企业都需要自行搭建算力设施。从国内数据中心的业务形态来看，按照机房产权归属及建设方式的角度，可分为自建机房、租赁机房、承接大客户定制化需求以及轻资产衍生模式四种。 若使用某一IDC全部算力，可在11分钟完成一次ChatGPT模型训练。 我们以亚洲最大的人工智能计算中心之一—商汤智算中心为例。据商汤科技官网，商汤智算中心于2022年1月启动运营，峰值算力高达3740 Petaflops。据前文，我们已知训练一次ChatGPT模型（13亿参数）需要的算力约27.5PFlop/s-day，计算得若使用商汤智算中心全部算力进行计算，仅需11分钟即可完成。 AI训练需求有望带动IDC市场规模快速增长。 据中国信通院，2021年国内IDC市场规模1500.2亿元，同比增长28.5%。据信通院预计，随着我国各地区、各行业数字化转型深入推进、AI训练需求持续增长、智能终端实时计算需求增长，2022年国内市场规模将达1900.7亿元，同增26.7%。 互联网厂商布局ChatGPT类似产品，或将加大核心城市IDC算力供给缺口。 据艾瑞咨询，2021年国内IDC行业下游客户占比中，互联网厂商居首位，占比为60%；其次为金融业，占比为20%；政府机关占比10%，位列第三。而目前国内布局ChatGPT类似模型的企业同样以互联网厂商为主，如百度宣布旗下大模型产品“文心一言”将于2022年3月内测、京东于2023年2月10日宣布推出产业版ChatGPT：ChatJD。另一方面，国内互联网厂商大多聚集在北京、上海、深圳、杭州等国内核心城市，在可靠性、安全性及网络延迟等性能要求下，或将加大对本地IDC算力需求，国内核心城市IDC算力供给缺口或将加大。 产业链相关公司梳理 1）算力芯片厂商：景嘉微、寒武纪、海光信息、龙芯中科、中国长城； 2）服务器厂商：浪潮信息、中科曙光等； 3）IDC服务商：宝信软件等。 风险提示 宏观经济波动。 若宏观经济波动，产业变革及新技术的落地节奏或将受到影响，宏观经济波动还可能对IT投资产生负面影响，从而导致整体行业增长不及预期。 下游需求不及预期。 若下游数字化需求不及预期，相关的数字化投入增长或慢于预期，致使行业增长不及预期。