導讀

ChatGPT是由OpenAI公司開發的人工智能聊天機器人程序，于2022年11月發布，達到1億用戶量用時僅2個月。ChatGPT是基于GPT-3.5微調得到的新版本模型，能夠借助人類反饋的強化學習（RLHF）技術來指導模型訓練，實現模型輸出與人類預期的需求，使對話內容更加人性化和富有邏輯性。

01.ChatGPT激起AI浪潮

1.1 AI創新浪潮興起，多模態賦能下游行業

ChatGPT是生成式人工智能技術（AIGC）的一種，與傳統的決策/分析式AI相比，生成式AI并非通過簡單分析已有數據來進行分析與決策，而是在學習歸納已有數據后進行演技創造，基于歷史進行模仿式、縫合式創作，生成全新的內容。AIGC的應用非常廣泛，包括自然語言生成、圖像生成、視頻生成、音樂生成、藝術創作等領域。

AIGC產業鏈主要分為上游算力硬件層、中游數據/算法軟件層和下游行業應用層。硬件層依靠高性能AI芯片、服務器和數據中心為AIGC模型的訓練提供算力支持，是承載行業發展的基礎設施；數據/算法層軟件層主要負責AI數據的采集、清洗、標注及模型的開發與訓練，多方廠商入局自然語言處理、計算機視覺、多模態模型等領域；行業應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呈現井噴式革新。

資料來源：甲子光年，中泰證券研究所

多模態大模型有望成為AI主流，賦能下游行業智能升級。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十億至數萬億個參數，需要龐大的數據集進行訓練，致使AI算力的需求也呈現出指數級的增長。多模態是一種全新的交互、生成模式，集合了圖像、語音、文本等方式，因其可以結合多種數據類型和模態的學習，將有望徹底改變我們與機器互動的方式，快速占據人工智能主導地位。我們認為多模態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帶來持續增長需求，從而快速推動下游行業智慧化應用升級。

從GPT-1到ChatGPT，模型參數與訓練數據量不斷增加，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，預訓練數據量約為5GB。

GPT-2：參數數量達到了1.5億個，預訓練數據量達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，預訓練數據量為45TB。

ChatGPT：基于GPT-3模型的變種之一，參數量預計與GPT-3相近。

資料來源：OpenAI官網，中泰證券研究所

多模態模型是實現人工智能應用的關鍵。3月14日OpenAI發布GPT-4多模態大模型，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、創意文本、實現風格變化。在各種專業和學術基準上，GPT-4已具備與人類水平相當表現。如在模擬律師考試中，其分數在應試者前10%，相比下GPT-3.5在倒數10%左右。多模態大模型在整體復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Gartner數據，目前由人工智能生成的數據占所有數據的1%以下，預計2023年將有20%的內容被生成式AI所創建，2025年人工智能生成數據占比將達到10%。根據前瞻產業研究院數據，2025年中國生成式商業AI應用規模將達2070億元，CAGR（2020-2025）為84.06%。

1.2 算力芯片迎來產業機遇

AI人工智能的發展主要依賴兩個領域的創新和演進：一是模仿人腦建立起來的數學模型和算法，其次是半導體集成電路AI芯片。AI的發展一直伴隨著半導體芯片的演進過程，20世紀90年代，貝爾實驗室的楊立昆（Yann LeCun）等人一起開發了可以通過訓練來識別手寫郵政編碼的神經網絡，但在那個時期，訓練一個深度學習卷積神經網絡（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，也導致了當時AI科技泡沫的破滅。

AI芯片是AI發展的底層基石。英偉達早在1999年就發明出GPU，但直到2009年才由斯坦福大學發表論文介紹了如何利用現代GPU遠超過多核CPU的計算能力（超過70倍），把AI訓練時間從幾周縮短到了幾小時。算力、模型、數據一直是AI發展的三大要素，而AI芯片所代表的算力則是人工智能的底層基石。

算力硬件層是構成AIGC產業的核心底座，主要包括AI芯片、AI服務器和數據中心。

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，GPU、FPGA、ASIC作為加速芯片協助CPU進行大規模計算。目前AI芯片主要被國際廠商壟斷，根據Counterpoint、IDC數據，Intel和AMD共計占2022年全球數據中心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服務器是AI芯片的系統集成。AI服務器采用CPU+加速芯片的架構形式，在進行模型的訓練和推斷時會更具有效率優勢。與國外AI芯片廠商的壟斷局面不同，中國AI服務器水平位于世界前列。據IDC數據，在2021H1全球AI服務器市場競爭格局中，浪潮信息以20.2%的份額排名第一，聯想和華為分別以6.1%和4.8%的份額位列第四、五名。

數據中心的計算服務是承接AI算力需求的直接形式。AIGC的模型訓練是通常是通過云計算服務完成的，其本質是AIGC模型廠商借助IDC的算力資源，在云端實現模型的訓練。目前國內的數據中心廠商主要包括三大運營商、華為、聯想、中科曙光等，提供云計算的廠商主要有阿里、騰訊等互聯網企業。

資料來源：智通財經，Counterpoint，IDC，中泰證券研究所

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

根據OpenAI數據，GPT-3XL參數規模為13.2億，訓練所需算力為27.5PFlop/s-day。由于ChatGPT是在13億參數的InstructGPT基礎上微調而來，參數量與GPT-3XL接近，因此預計ChatGPT訓練所需算力約為27.5PFlop/s-day。以NVIDIAV100芯片為例，一顆NVLink版本V100芯片的深度學習算力為125TFlops，則ChatGPT模型的訓練至少需要1顆V100芯片計算220天才能完成。

隨著模型參數的不斷增加，模型訓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OpenAI數據，隨著GPT-3系列模型參數規模由1.25億增加至1746億，訓練所需算力從2.6PFlop/s-day上升至3640PFlop/s-day，規模參數（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異構形式成為主流

機器學習主要包括訓練（training）和推斷（inference）兩個步驟，通常需要不同類型的AI芯片來執行。訓練是指通過大數據訓練出一個復雜的神經網絡模型，通過大量標記過的數據來訓練相應的系統，使其能夠適應特定的功能；推理是指利用訓練好的模型，使用新數據推理出各種結論。

訓練芯片：通過大量的數據輸入，構建復雜的深度神經網絡模型的一種AI芯片。需要較高的計算性能、能夠處理海量的數據、具有一定的通用性，以便完成各種各樣的學習任務，注重絕對的計算能力。

推斷芯片：推斷芯片主要是指利用訓練出來的模型加載數據，計算“推理”出各種結論的一種AI芯片，注重綜合指標，側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練和推理任務的專用硬件，主要包括GPU、FPGA、ASIC等，具有高度并行性和能夠實現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異構形式成為AI服務器主流架構。傳統的CPU單元對于AI計算任務的處理能力有限，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結合起來使用可以實現計算任務的高效處理和資源的最優利用。一般來說，CPU負責整個系統的管理和控制，而加速芯片則負責AI計算任務的加速，兩者相互協作，共同提升整個系統的性能。

服務器計算架構從單核的串行走向多核的并行，又進一步從同構并行走向異構并行，未來或將從異構并行走向超異構并行。目前在AI服務器中，常見的異構組合有8xGPU+2xCPU、4xGPU+2xCPU、8xFPGA+1xCPU、4xFPGA+1xCPU。在異構計算的趨勢下，AI加速芯片搭載率將持續增高。根據IDC全球范圍調研顯示，2022年每臺AI服務器上普遍多配置2個GPU，未來18個月GPU、ASIC、FPGA的搭載率均會上升。根據IDC數據，2021H1全球AI服務器市場規模達66.6億美元，同比增長率超過全球AI整體市場增長率22.4%。預計在2025年全球AI服務器市場規模將達到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服務器需求，存儲芯片受益。ChatGPT的數據獲取、數據整理、訓練、推理除大算力芯片外，還需存儲芯片支持。

服務器成本構成：服務器成本包括算力芯片、存儲器等，根據IDC 2018年服務器成本構成，在高性能服務器/推理型服務器/機器學習型服務器中存儲占比29%/25%/16%。AI服務器，除了內存需要128GB或更大容量的高性能HBM和高容量服務器DRAM，還需硬盤去存儲大量數據。

存儲下游市場：智能手機+服務器+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；服務器端，受益人工智能、物聯網和云計算等應用興起，服務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業鏈機會

3.1 封測：Chiplet是AI芯片大勢所趨

當前AI芯片呈現幾大趨勢：

1）制程越來越先進。從2017年英偉達發布Tesla V100 AI芯片的12nm制程開始，業界一直在推進先進制程在AI芯片上的應用。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年英偉達發布H100 AI芯片，其芯片主體為單芯片架構，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實現內部芯片之間的高速連接，且Nvlink芯片的連接標準可與Chiplet業界的統一標準Ucle共通。而AMD2023年發布的Instinct MI300是業界首次在AI芯片上采用更底層的Chiplet架構，實現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年即發布Tesla V100芯片，此后2020以來英特爾、AMD紛紛跟進發布AI芯片，并在2022、2023年接連發布新款AI芯片，發布節奏明顯加快。

據相關論文，芯片成本變化有以下規律：

1）封裝形式越復雜，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）數量越多，Chiplet封裝較SoC單芯片封裝，成本上越有優勢：

Chiplet主要封裝形式有MCM/InFO/2.5D這三種。14nm制程下，當芯片面積超過700mm2時，Chiplet封裝中的MCM成本開始較SoC低，當面積達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、更復雜集成中降本優勢愈發明顯，未來有望成為AI芯片封裝的主要形式。

3.2 PCB：AI服務器基石

ChatGPT數據運算量增長快速，帶動服務器/交換機/顯卡等用量提升，布局相應領域PCB公司顯著受益。ChatGPT帶來了算力需求的激增，與之對應亦帶來相應服務器/交換機等作為算力核心載體和傳輸的硬件，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器的需求將不斷增長，對PCB的設計要求也將不斷升級，提升對于高層數、大尺寸、高速材料等的應用。

以23年發布的新服務器平臺為例，Pcie5.0服務器用PCB層數、材料、設計工藝均有升級，PCB價格提升顯著，其層數從4.0的12-16層升級至16-20層，根據Prismark的數據，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；另外配套新服務器，交換機、傳輸網產品都需要同步升級，預計400G、800G交換機對PCB板子拉動巨大，進一步帶動數通板景氣度提升。