白癜风复发怎么办 http://m.39.net/pf/a_4467054.html
（报告出品方/作者：中信建投证券，刘双锋、郑寅铭）
一、AIGC引发内容生成范式革命，云端算法向大模型多模态演进
人工智能落地应用不断增加，AIGC引发范式革命
云端推理占比逐步提升，AI落地应用数量增加。随着数字经济、元宇宙等概念逐渐兴起，各行业对人工智能开发的需求日益提升，人工智能进入大规模落地应用的关键时期。年在云端部署的算力里，推理占算力已经达到了58.5%，训练占算力只有41.5%，预计到年，推理占到62.2%，训练占37.8%。一般来讲，应用完成推理之后就可以进行部署，而云端推理占比逐步提升说明，AI落地应用数量正在不断增加，人工智能模型将逐步进入广泛投产模式。
AIGC是人工智能成熟度的分水岭，引发范式革命。AI模型可大致分为决策式AI和生成式AI两类，决策式AI根据已有数据进行分析、判断、预测，已经被广泛应用；生成式AI学习归纳已有数据后进行演绎，基于历史进行模仿式、缝合式创作，生成了全新的内容，也能解决判别问题。从决策到生成，AI技术与应用迎来跨越发展。内容生产模式从专业生成内容（PGC）和用户生成内容（UGC）逐渐过渡向AIGC阶段，标志着人类第二次脑力效率的飞跃。
ChatGPT是AIGC的开山之作，成为人工智能里程碑式产品
ChatGPT是OpenAI推出的自然语言处理类（NLP）AIGC应用。Chatgpt横空出世，成为AIGC的开山之作。ChatGPT是美国OpenAI研发的聊天机器人程序，于年11月30日发布，是一款人工智能技术驱动的自然语言处理工具，能够通过理解和学习人类的语言来进行对话，还能根据聊天的上下文进行互动，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。
ChatGPT成为人工智能技术在快速发展过程中的里程碑式产品。ChatGPT一经推出便快速获得了全球用户前所未有的广泛参与与认可，推出两个月后月活跃用户规模达到1亿人，远超过Facebook、抖音等成为了过去以来增长速度最快的消费者应用程序。ChatGPT被视为标志性人工智能生产力工具，甚至被视为第四次工业革命开始的标志。
GPT架构快速迭代，参数量与训练数据量提升带来性能飞跃
ChatGPT是基于GPT架构开发的对话AI模型，参数量与训练数据量的提升带来性能飞跃。OpenAI早在年就已经推出第一代生成式预训练语言模型GPT（GenerativePre-trainedTransformer），可用于生成文章、代码、机器翻译、问答等各类内容，此后GPT模型快速迭代，并且伴随着参数量的爆炸式增长，从GPT到GPT-3，参数量达到了亿，增长了近倍，预训练数据量更是从5GB提升到了45TB，年3月推出的多模态大模型GPT-4参数量甚至预测达到万亿。而随着参数量和预训练数据量的提升，模型的性能实现了飞跃式提升。
GPT-3.5采用海量参数预训练，大模型成为AI发展新范式
ChatGPT是基于GPT-3.5微调得到的大型语言模型。GPT-3.5采用深度学习transformer模型，对大规模数据进行预训练，相比于一般的语言模型，参数量大幅提升至亿，所需要的算力呈指数级增长。根据OpenAI，GPT-3.5在AzureAI超算基础设施（由VGPU组成的高宽带集群）上进行训练，总算力消耗约PF-days(即每秒一千万亿次计算，运行个整日)。
大模型训练性能突出，各大科技厂商积极布局。预训练大模型基于“预训练+精调”等新开发范式具有良好的通用性和泛化性，可通过零样本、小样本学习获得领先效果，大幅加速人工智能大规模产业化进程。自年起，中国的大模型数量骤增，仅年到年，中国大模型数量就从2个增至21个，和美国量级同等，大幅领先于其他国家。可以预见，以谷歌的BERT、OpenAI的GPT和百度的文心一言为代表的大模型，未来将成为智能化升级中可大规模复用的重要基础设施。
GPT-4性能升级，多模态加速迈向通用人工智能
多模态大模型GPT-4震撼发布，性能实现大幅提升。3月15日，GPT-4正式发布，多模态大模型进化更进一步，其不仅在语言处理能力上提高，如文字输入限制提升至2.5万字，并能够生成歌词、创意文本、实现风格变化，还具备对图像的理解和分析能力，能基于图片进行总结和回答问题。在各种专业和学术基准测试中已做到人类水平的表现，如SAT拿下分，GRE几乎满分，模拟律师考试GPT4分数占前10%，GPT-3仅为倒数10%。GPT-4的出现标志着当前已经从语言模型突破走向多模态模型，应用前景广阔。
多模态大模型大势所趋，应用场景极大丰富。多模态大模型可整合图像、语音、文本等输入输出方式，实现对多种类型和模态数据的学习、分析及生成，有望极大丰富人机交互场景。可以看到，多模态大模型将充分发挥人工智能创造价值的潜力，赋能各行各业实现降本增效，甚至加速迈向通用人工智能的步伐。
二、硬件基础设施为发展基石，算力芯片等环节核心受益
AI要求大规模智能算力，硬件基础设施成为发展基石
以算力芯片为核心的硬件基础设施是AI发展的基石。算力芯片等硬件基础设施是处理数据“燃料”的“发动机”，只有达到一定水平的算力性能才能实现人工智能的训练和推断以及存储、传输等相关配套功能。人工智能的云端训练和推断计算主要基于AI服务器，对算力/存力/运力/散热性能要求更高，带动算力芯片、配套硬件、机箱等设施不断升级。
中国智能算力规模正在高速增长，算力芯片等硬件基础设施需求旺盛。根据IDC数据，年中国智能算力规模达.2每秒百亿亿次浮点运算（EFLOPS），年智能算力规模将达到.0EFLOPS，预计到年智能算力规模将进入每秒十万亿亿次浮点计算（ZFLOPS）级别，达到1,.4EFLOPS，-年复合增长率达52.3%。预计中国人工智能支出中硬件占比将保持最大，未来5年将一直保持65%左右的份额。看好AI大模型训练及推理需求创造的算力芯片等硬件基础设施的增量市场空间。
算力：CPU不可或缺，CPU+xPU异构方案成为大算力场景标配
CPU的性能提升已遭遇瓶颈。过去40年间，在指令集简化、核心数增加、制程微缩、架构改进等技术变革的推动下，CPU的性能已经提升接近5万倍，但不可避免的边际效应递减。在上世纪90年代，CPU性能每年提升52%，性能翻倍只需要1.5年。而从年之后，CPU性能每年提升只有3%，需要20年才能性能翻倍。
CPU在现代计算系统中仍不可或缺，CPU+xPU的异构方案成为大算力场景标配。CPU受制成本功耗难以匹配AI对算力需求的高速增长，CPU+AI芯片的异构方案应运而生，AI芯片类型包括GPU、FPGA和NPU等。其中，CPU是图灵完备的，可以自主运行，而GPU、FPGA等芯片都是非图灵完备的，都是作为CPU的加速器而存在，因此其他处理芯片的并行计算系统均为CPU+xPU的异构并行。
算力：GPU并行计算优势明显，充分受益于AI算力需求增长
GPU削弱控制能力，布局更多计算单元以加强算力。从计算资源占比角度看，CPU包含大量的控制单元和缓存单元，实际运算单元占比较小。GPU则使用大量的运算单元，少量的控制单元和缓存单元。GPU的架构使其能够进行规模化并行计算，尤其适合逻辑简单，运算量大的任务。
CPU+GPU是目前最流行的异构计算系统，在HPC、图形图像处理以及AI训练/推理等场景得到广泛应用。根据IDC数据，年中国AI芯片市场中，GPU市占率近90%。
算力：NPU在特定场景下的性能、效率优势明显，推理端应用潜力巨大
NPU在人工智能算法上具有较高的运行效率。在CPU与GPU合作时，CPU负责神经网络模型的构建和数据流的传递，GPU只是单纯的并行矩阵乘法和加法运算。在CPU与NPU合作时，CPU将编译好的神经网络模型文件和权重文件交由NPU加载，完成硬件编程，NPU为每层神经元计算结果不用输出到主内存，而是按照神经网络的连接传递到下层神经元继续计算，因此其在运算性能和功耗上都有很大的提升。
NPU为特定要求而定制，在功耗、体积方面具有优势，在推理端应用潜力巨大。NPU作为专用定制芯片ASIC的一种，是为实现特定要求而定制的芯片，芯片设计逻辑更为简单。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。未来随着人工智能推理端的发展，NPU应用潜力巨大。
三、国产厂商迎来发展窗口期，建议
