华泰证券研报分析，从大模型的演化路径来看，模型体量还将进一步扩张，从而带来算力需求持续增长。长远来看，成熟大模型的运营有望带来3169亿美元的服务器增量市场，较2023年全球211亿美元的AI服务器市场而言，仍有较大成长空间。基于此，我们认为大模型持续迭代有望带来大量算力基础设施需求，建议关注算力产业投资机遇。
全文如下华泰 | 计算机：从大模型演进测算全球AI算力空间
我们认为，从大模型的演化路径来看，模型体量还将进一步扩张，从而带来算力需求持续增长。长远来看，成熟大模型的运营有望带来3169亿美元的服务器增量市场，较2023年全球211亿美元的AI服务器市场而言，仍有较大成长空间。基于此，我们认为大模型持续迭代有望带来大量算力基础设施需求，建议关注算力产业投资机遇。
核心观点
全球AI算力需求继续向上
随着大模型持续迭代，模型能力不断增强，其背后是“Scaling Law”下模型参数量和数据集不断增长的结果。我们认为，从大模型的演化路径来看，模型体量还将进一步扩张，从而带来算力需求持续增长。具体来看，大模型对算力的需求体现在预训练、推理、调优三个环节。根据我们的测算，以1000亿参数模型为例，三个环节的算力总需求约18万PFlop/s-day，对应需要2.8万张A100等效GPU算力。长远来看，成熟大模型的运营有望带来3169亿美元的服务器增量市场，较2023年全球211亿美元的AI服务器市场而言，仍有较大成长空间。基于此，我们认为大模型持续迭代有望带来大量算力基础设施需求，建议关注算力产业投资机遇。
模型体量越来越大，带动算力建设需求
大语言模型（LLM）是在大量数据集上预训练的模型，其在处理各种NLP任务方面显示出了较大潜力。Transformer架构的出现开启了大模型的演化之路，随着解码模块堆叠数量的不断增长，模型参数量持续增加，逐渐演化出GPT-1、GPT-2、GPT-3、PaLM、Gemini等不同版本模型，参数量也从十亿、百亿，向千亿、万亿增长。我们看到，每一代模型的演化都带来能力的增强，背后一个很重要的原因在于参数量和数据集的增长，带来模型感知能力、推理能力、记忆能力的不断提升。基于模型的缩放定律，我们认为未来模型迭代或仍将延续更大参数量的路径，演化出更加智能的多模态能力。
大模型的算力需求体现在：预训练、推理、调优
拆解来看，大模型的算力需求场景主要包括预训练、Finetune及日常运营。对于三部分的算力需求，我们的测算思路如下：1）预训练：基于“Chinchilla 缩放定律”假设，计算量可以通过公式C≈6NBS来刻画；2）推理：以ChatGPT流量为基准，计算量可以通过公式C≈2NBS来刻画；3）调优：通过调优所需的GPU核时数倒推。以1000亿参数模型的预训练/推理/调优为例，三个环节所需的算力需求分别为13889、5555.6、216 PFlop/s-day。我们认为，在缩放定律（Scaling Law）加持下，随着模型体量增长，算力需求有望持续释放。
基础设施需求有望持续释放，关注算力产业投资机遇
结合对大模型预训练/推理/调优的算力需求测算，我们预计从开发到成熟运营一个千亿模型，对A100等效GPU的需求量为2.8万张。根据我们的测算，成熟大模型的运营有望带来3169亿美元的全球AI服务器增量市场。对比来看，据IDC，2023年全球AI服务器市场规模211亿美元，预计2024-2025年CAGR将达22.7%，未来仍有较大成长空间。此外，考虑到国内对高性能芯片获取受限，AI GPU国产化也有望进一步提速。
风险提示：宏观经济波动、下游需求不及预期、测算结果可能存在偏差。
