數(shù)字經(jīng)濟：大國經(jīng)濟體系下人工智能領航數(shù)字經(jīng)濟新階段

目錄一、未來已來，人工智能正式開啟第四次工業(yè)革命 4（一）第四次工業(yè)革命概述，融合技術正在掀起歷史性的技術浪潮 4（二）oa發(fā)布標志GI系統(tǒng)有望超預期提前到來 5（三）國內(nèi)Kimi加速迭代，AI應用元年百花齊放 8（四）AIGC到AGI將帶來哪些顛覆式革命 8二、人工智能是核心技術催化劑，領航數(shù)字經(jīng)濟新階段 12（一）“適度超前”建設算力體系背后的財政貨幣支撐體系 12（二）大國體系下的中國數(shù)字經(jīng)濟產(chǎn)業(yè)已全面開啟，預計在2035年達到GDP的71.6% 18（三）中美數(shù)字經(jīng)濟及人工智能產(chǎn)業(yè)要素發(fā)展對比 19三、人工智能三要素共振，算力、算法、數(shù)據(jù)未來趨勢推演 22（一）算力：供需缺口加大，AI服務器產(chǎn)業(yè)鏈分析 22（二）算法：多模態(tài)大模型C端、B端加速滲透，未來從云端走向終端 36（三）數(shù)據(jù)：跨境流動監(jiān)管趨嚴，大國經(jīng)濟支持數(shù)據(jù)要素價值釋放 41四、AIGC驅動千行百業(yè)加速裂變，行業(yè)應用加速滲透 53（一）AIGC+金融：國內(nèi)金融大模型搶灘布局，場景應用加速滲透 53（二）AIGC+教育：大模型重構教育生態(tài) 56（三）G+醫(yī)療：AI藥物研發(fā)和AI醫(yī)學影像深具潛力 57（四）AIGC+辦公：ARPU值與付費率雙升 63（五）AIGC+工業(yè)：打造新質(zhì)生產(chǎn)力，推動智能制造發(fā)展 65五、投資建議 68六、風險提示 69一、未來已來，人工智能正式開啟第四次工業(yè)革命（一）第四次工業(yè)革命概述，融合技術正在掀起歷史性的技術浪潮人工智能是核心技術催化劑，顛覆性技術之間的融合產(chǎn)生協(xié)同效應，帶來生產(chǎn)力的爆發(fā)，成為第四次工業(yè)革命的主要推動力。人類文明已經(jīng)歷了三次工業(yè)革命，第一次是18世紀中葉以蒸汽機為代表的機械化革命，第二次是19世紀中葉以電力、內(nèi)燃機為代表的電氣化革命，第三次是20世紀中葉以信息技術為代表的自動化革命。當前我們正在進入第四次工業(yè)革命—智能化革命，以人工智能（經(jīng)網(wǎng)絡/下一代云/智能設備）、公有區(qū)塊鏈（加密貨幣/智能合約/數(shù)字錢包）、多組學測序（精準治療/多組分技術/可編程生物學）、儲能（自動駕駛/節(jié)能電池）和機器人（可復用火箭/自適應機器人/3D打?。榇淼奈孱愵嵏残约夹g正在融合，融合產(chǎn)生的協(xié)同效應將發(fā)揮更大作用，推動生產(chǎn)力的發(fā)展。其中，人工智能是核心技術催化劑，與其他四類技術的融合范圍最廣、評分最高。圖1：人工智能是核心技術催化劑，促進顛覆性技術融合資料來源：ARK投資，融合技術帶來的實際GDP增速將遠超第一次和第二次工業(yè)革命，AI對經(jīng)濟增長的貢獻突出。ARK7GDP增速將達7%1253%AI作為核心技術催化劑，對經(jīng)濟增長的貢獻突出。據(jù)ARK估算，引進AIGDP20232030年間有望累積增長130%。原因是在AI的賦能下，一些行業(yè)的生產(chǎn)效率和成本發(fā)生了巨大的變化。比如：機器人與AI融合后，可以在非結構化環(huán)境中低成本高效地工作，203024萬億美元的經(jīng)濟效益；自動駕駛出租車與生成式AI融合提升了安全性，到2030年有望廣泛應用而使每英里成本低至0.25美分，創(chuàng)造一個11萬億美元的潛在市場；而AI軟件直接提高了知識型工作者的生產(chǎn)力，2030年有望提升生產(chǎn)力至2.5倍，若軟件價值量按10%計算，則有望產(chǎn)生13萬億美元的經(jīng)濟效益。圖2：四次工業(yè)革命里通用性技術的經(jīng)濟影響估算 圖3：AI對經(jīng)濟增長的貢獻突出資料來源：ARK投資， 資料來源：ARK投資，AGI時代有望加速到來。近期，英偉達創(chuàng)始人CEO黃仁勛和谷歌DeepMindCEO哈薩比斯對AGI的到來時間進行了預測，他們的觀點相似。哈薩比斯認為，AGI最早可能在2030年出現(xiàn)，而黃仁勛則認為通用人工智能可能在五年內(nèi)實現(xiàn)。ARK分析，根據(jù)賴特定律，加速計算硬件的改進將使AI相對計算單元（RCU）的生產(chǎn)成本每年降低53%，而算法模型的增強可以進一步帶來每年47%的訓練成本下降。換而言之，到2030年，硬件和軟件的融合可以使人工智能訓練成本以75%的速度下降。人工智能模型的訓練成本下降將進一步加速其能力的迭代，AGI有望加速到來。圖4：AGI有望加速到來資料來源：ARK投資，（二）Sora發(fā)布標志AGI系統(tǒng)有望超預期提前到來DiTs算法賦能AIGCSora開啟文生視頻新紀元北京時間2月16日，OpenAI發(fā)布“文生視頻”大模型Sora。可生成一分鐘的高保真視頻，并配有48個生成案例及技術報告，能夠通過自然語言指令生成長達60秒的高清流暢視頻，在生成視頻長度、清晰度、連貫性、多鏡頭切換方面都有顯著提升。官方發(fā)布的技術報告指出，視頻生成模型將是構建“世界通用模擬器”的重要途徑。本質(zhì)上，Sora基于DiffusionTransformers（DiTs）構建，并使用DALL-E3的重捕獲技術。研究表明，DiTs相較于傳統(tǒng)語義分割網(wǎng)絡架構（U-Net）在模型大小上更具可擴展性，并能生成更高質(zhì)量的2D3D圖像。圖5：DiT模塊架構資料來源：《ScalableDiffusionModelswithTransformers》（WilliamPeebles、SainingXie），OpenAI曾采用循環(huán)網(wǎng)絡、生成對抗網(wǎng)絡、自回歸Transformer和擴散模型等方法對視頻數(shù)據(jù)進行生成建模，但生成視頻存在視覺數(shù)據(jù)受限、視頻時長較短或視頻尺寸局限等問題。通過從大語言模型（LLM）中汲取靈感，類似GPT將自然語言轉換為文本tokensSora可將視覺數(shù)據(jù)轉換為patches(視覺編碼塊)。通過此種方式，即可實現(xiàn)在不同類型的視頻和圖像上訓練生成模型。通過視頻壓縮網(wǎng)絡可降低視覺數(shù)據(jù)的維度，該網(wǎng)絡將原始視頻作為輸入，并在時間和空間上進行壓縮，Sora在壓縮空間中接受訓練并生成視頻；另外，相應的解碼器模型可將生成的對象映射回像素空間。Sora基于patches對可變分辨率、持續(xù)時間和縱橫比的視頻和圖像進行訓練；亦可以通過在適當大小的網(wǎng)格中排列隨機初始化的patches來控制生成視頻的大小。圖6：將視頻壓縮到一個較低維空間，再將其分解為patches 圖7：隨著訓練計算的增加，樣本質(zhì)量顯著提高資料來源：OpenAI， 資料來源：OpenAI，Sora功能多樣化，生成質(zhì)量遠超同類大模型Sora可以將簡短文本描述轉換成一分鐘流暢視頻，相對于Runway、Pika、StableVideo等同類大模型提升了幾個代級。1）生成視頻長度：Runway、Pika等傳統(tǒng)文生視頻大模型平均時長在3-5Runway用戶可以最多延長視頻長度至16Sora生成視頻長度相對傳統(tǒng)視頻生成工具提升15-202）視頻質(zhì)量顯著提升：Sora生成視頻分辨率可達1920x10803）可實現(xiàn)多鏡頭切換：可以理解和模擬運動中的物理規(guī)律，可以實現(xiàn)復雜的運動相機模擬；4）視頻連貫性與穩(wěn)定性出色：在建模能力上表現(xiàn)更好，可以依賴關系進行建模，能初步理解并模擬物理運動規(guī)律；5）高可拓展性：支持多種數(shù)據(jù)格式輸入，具備實現(xiàn)文生視頻、圖生視頻、向前或向后視頻擴展能力，同時支持視頻連接。表1：OpenAISora對比同類文生視頻大模型模型SoraGen-2Pika研發(fā)團隊pnIRunwayPIKALabs發(fā)布時間2024.022023.032023.11生成時長60s4~16s3~15s可輸入格式文字/圖片/視頻文字/圖片文字/圖片/視頻輸入限制-320字符/單張圖片500字符/單張圖片/單個視頻每秒幀數(shù)-24fps8~24ps分辨率1920x10801408x768（基礎）2816x1536（高級）1280x720（基礎）2560x1440（高級）付費模式-訂閱制/單次付費訂閱制免費試用-限制次數(shù)不限次數(shù)資料來源：OpenAI，Runway，PIKALabs，JournalBharat，Medium，Sora發(fā)布標志AGI時代正加速到來，帶動訓練及推理算力需求增長由于目前Sora處在初級階段，訓練數(shù)據(jù)集和參數(shù)規(guī)模有限，仍存在一些不足之處。對于Sora當前存在的弱點，OpenAI指出它可能難以準確模擬復雜場景的物理原理，并且可能無法理解因果關系。該模型還可能混淆提示的空間細節(jié)，例如混淆左右；或可能難以精確描述隨著時間推移發(fā)生的事件，例如遵循特定的相機軌跡。圖8：Sora缺陷其一：生成的運動違反物理原理 圖9：Sora缺陷其二：物理建模不精確、目標“變形”不自然資料來源：OpenAI， 資料來源：OpenAI，AIGC領域難度排序由易到難依次是文本、圖像、音頻、視頻。未來訓練數(shù)據(jù)集將會數(shù)以萬倍的增長，模型參數(shù)量也將不斷提升，目前來看Sora訓練所需算力不及GPT-4等大語言模型，伴隨Sora大模型不斷迭代調(diào)優(yōu)、訓練數(shù)據(jù)集規(guī)模逐漸擴大，我們認為，Sora發(fā)布標志著AGI時代正加速到來：1）短期來看，模型迭代優(yōu)化、訓練數(shù)據(jù)集增大將快速帶動訓練端算力需求；2）長期來看，Sora技術逐漸成熟帶動下游AI應用百花齊放，包括為影視制作、游戲開發(fā)、教育培訓、廣告及社交等場景應用帶來顛覆，推理端需求將厚積薄發(fā)。（三）國內(nèi)Kimi加速迭代，AI應用元年百花齊放北京時間3月18日，Moonshot（月之暗面）宣布在大模型上下文窗口技術上取得新的突破，其自研的Kimi智能助手已支持200萬字超長無損上下文，并已開啟產(chǎn)品內(nèi)測。Kimi智能助手在去年10月發(fā)布，支持20萬漢字無損級別上下文輸入，是當時AI消費級產(chǎn)品支持上下文文本長度記錄保持者。我們認為，Kimi智能助手迭代速度超預期，推動應用端加速落地，Kimi智能助手目前已經(jīng)支持200萬文字超長無損上下文，對比目前主流大模型：1谷歌近期發(fā)布的Gemini1.5pro支持100萬token輸入；2）Claude3支持20萬token輸入；3）GPT-4Turbo支持12.8萬token我們依舊堅定年初觀點，2024AI應用元年，Kimi智能助手宣布大模型進入“長文本時代”，長文本能力也將是通往AGI進程中的關鍵之一，Kimi智能助手將是又一里程碑。Kimi智能助手支持多種應用場景，生成速度提升3倍之多。Kimi智能助手去年10月發(fā)布的版本僅支持20萬上下文輸入，時隔3個月，Moonshot為Kimi智能助手提供了更多數(shù)據(jù)源，本次迭代升級使Kimi基于出色的長上下文處理能力幫助用戶解鎖更多應用場景，比如專業(yè)學術論文的翻譯和理解、輔助分析法律問題、一次性幾十張發(fā)票、快速理解API開發(fā)文檔、快速篩選符合條件的簡歷等。當面對一個問題時，Kimi智能助手會嘗試不同的方向搜索并據(jù)此做出回答。在回答速度上也有提升，Moonshot工程副總裁表示，基于Infra層的優(yōu)化，Kimi智能助手生成速度較去年10月份提升了3倍。Kimi智能助手訪問量持續(xù)飆升，加速AI應用元年進程。根據(jù)SimilarWeb數(shù)據(jù)顯示，去年12月Kimi的周訪問量還在10萬次上下，到了1月下旬才突破40萬，但是從春節(jié)開始訪問量疾速攀升，至今周訪問量已經(jīng)超過1602月訪問量增長107.6%，僅次于百度文心一言與阿里通義千問（訪問量均下降超30%我們認為，2024AI應用元年有兩個條件：大模型達到可使用狀態(tài)：這點從Kimi用戶的如潮好評中可以看出。2）大模型公眾可觸達：目前Kimi已經(jīng)面向全社會開放使用。（四）AIGC到AGI將帶來哪些顛覆式革命通用人工智能（AGI）是指具備類似于人類思考能力，能夠適應廣泛領域并解決多種問題的機器智能，是人工智能研究的重要目標之一。而狹義人工智能則指已取得顯著進展但局限于特定領域的人工智能，例如語音識別、機器視覺等。目前我們處于狹義人工智能相對成熟、通用人工智能乍現(xiàn)的階段，GPT-4等大語言模型及Sora等多模態(tài)模型被認為是通向通用人工智能的重要潛在路徑，并且這一進程在逐漸加速。“超長文本”和“超強模擬物理運動”能力將是AGI時代關鍵。我們認為大模型時代將會沿著兩條路線繼續(xù)演繹，一是支持超長上下文能力大模型，二是模擬世界、物理運動規(guī)律的多模態(tài)能力。AGI進程中，大模型上下文輸入長度是關鍵之一表2：主流大模型上下文輸入長度對比大模型或產(chǎn)品 公司 上下文窗口可支持長度GPT-4TurbopnI12.8萬（tokens）lud-3nthpic20萬（tokens）mini15pole100萬（tokens）imiMnht（月之暗面）200萬（漢字）資料來源：OpenAI等官網(wǎng)，多模態(tài)加速模擬文本、圖像及視頻，未來模擬物理運動規(guī)律將成為現(xiàn)實多模態(tài)模型是指能夠處理不同類型數(shù)據(jù)，并將其融合進行綜合理解的人工智能模型。這種模型能夠更全面地理解和處理真實世界中復雜多樣的信息，從而進一步提升大型模型的遷移學習能力。多模態(tài)技術的發(fā)展在人工智能領域具有重要意義。當前，單模態(tài)的人工智能模型，如處理文本、語音、圖片等的模型，已經(jīng)相對成熟。而大型模型正在向多模態(tài)信息融合的方向快速發(fā)展：重要模型誕生以及GPT-4等模型的圖像處理能力提升。大型模型不僅限于文字和圖像的處理，也開始拓展到音頻、視頻等領域，未來甚至有望延伸到包括味道等其他信號。表3：AGI帶來千行百業(yè)顛覆性革命類別 方向 細分領域前端 科研輔助、智能工程師、產(chǎn)品設計、生產(chǎn)管理、執(zhí)行危險任務等生產(chǎn)力 中端 產(chǎn)業(yè)分析、經(jīng)濟預測、投資決策等后端 人力資源、廣告公關、促銷銷售、售后服務客服等消費領域

軟件 信息搜索、購物、教育、金融、娛樂、社交、精神伴侶、自動駕駛硬件 通用機器人、智能家居、育兒、養(yǎng)老、醫(yī)院陪護、個人智能硬件等政務領域

政策 政策制定、政策執(zhí)行、社情民意等管理 智慧執(zhí)法、智慧稽查、智慧公共安全等軍事等

軍用 智能裝備、軍隊管理、態(tài)勢分析國際 國際輿情分析、國際談判。局勢分析等資料來源：AGICall等，我們認為未來通用人工智能重點將變革以下領域：具身智能成為AI發(fā)展新形態(tài)，機器人將取代大部分工種具身智能作為人工智能發(fā)展的一個重要分支，是指那些可以感知、并與物理世界進行交互、具有自主決策和行動能力的人工智能系統(tǒng)。這些智能體能夠以主人公的視角感受物理世界，并通過與環(huán)境的交互結合自我學習來理解和改變客觀世界，機器人將成為具身最優(yōu)載體。未來機器人產(chǎn)業(yè)將持續(xù)快速發(fā)展，迎來戰(zhàn)略機遇期。具身智能作為兩大領域交叉的核心應用，有望在未來取得快速發(fā)展。它將推動智能體具備更多自主規(guī)劃、決策、行動和執(zhí)行的能力，實現(xiàn)人工智能的進一步進階。圖10：受益于人工智能和計算機視覺，機器人將能夠在非結構化環(huán)境中經(jīng)濟高效地運行資料來源：ARK投資，AI與機器人結合能充分提高生產(chǎn)效率，更好應對各種復雜任務。在流水作業(yè)以及生產(chǎn)線上，機器人可以根據(jù)大模型提供的實時數(shù)據(jù)分析結果，對生產(chǎn)流程進行自動優(yōu)化，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。并且能快速學習新技能，有效解放勞動力，降低勞動力工作時長，未來人類將更多時間應用在線上處理工作任務，一周工作3-4天或將成為現(xiàn)實。圖11：全球勞動力每天工作時長 圖12：全球上網(wǎng)時長 資料來源：ARK投資， 資料來源：ARK投資，腦機接口成為新的創(chuàng)新交互方式腦機接口作為一種新型的人機交互方式，在醫(yī)學、教育、游戲等領域有著廣闊的應用前景。腦機接口技術將腦電信號轉化為計算機可識別的數(shù)據(jù)，并通過計算機的處理和反饋，實現(xiàn)了人與機器的無縫互動。系統(tǒng)性能指標包括響應時間、識別正確率、可輸出指令數(shù)量和菲茨吞吐量，可用性指標包括易用性、長效性、魯棒性、安全性和互操作性，易用性指標包括準備時長、輕便性和舒適性。表4：腦機接口系統(tǒng)關鍵指標響應時間響應時間性能指標識別正確率菲茨吞吐量可用性指標 魯棒性安全性互操作性資料來源：中國信通院，經(jīng)過數(shù)十年的科學探索與技術論證，腦機接口已從科幻成為科學，處于從科學研究到產(chǎn)業(yè)落地的關鍵時期。就腦機接口目前的發(fā)展情況，在今后一段時間，腦機接口的基礎學科研究和應用落地都將得到長足發(fā)展，從而有望促進腦機接口市場規(guī)模不斷擴大。另一方面，人類與人工智能之間的交互方式也在不斷升級，腦機接口有望成為下一代人機交互方式。當前，腦機接口技術正在突破人類的生理界限，為殘障人士提供了前所未有的可能性。治療罕見病與精準治療成為現(xiàn)實未來AGI可以應用的領域眾多，其中繞不開人類生物工程。我們認為，醫(yī)療是AGI落地的最佳場景之一，大模型、多模態(tài)以及垂類大模型將更加廣泛結合并應用在藥物研發(fā)、診斷、影像、治療等細分環(huán)節(jié)。隨著各類醫(yī)療大模型的加速迭代與演化，醫(yī)療大模型商業(yè)化前景有望進一步打開。例如，谷歌的Med-PaLM2、微軟子公司Nuance的DAXExpress等醫(yī)療大模型已經(jīng)在醫(yī)療領域得到應用，并取得了一定的商業(yè)化成果。在最近的一項研究中，Med-PaLM2在USMLE問題上的準確率達到85.4%，與參試專家的水平相當。這使得Med-PaLM2成為第一個在USMLE問題上達到專家級表現(xiàn)的人工智能系統(tǒng)?？梢詭椭t(yī)生更快速、更準確地進行診斷。它可以通過分析大量的病例和醫(yī)學文獻，提供對疾病的診斷和治療建議。這有助于減少醫(yī)療錯誤和誤診的風險；還可以實現(xiàn)疾病的早期發(fā)現(xiàn)和治療，從而改善患者的治療效果并挽救生命。可以幫助醫(yī)生節(jié)省時間和精力，使他們能夠更專注于與患者的溝通和治療。在Med-PaLM2一項實驗中，通過對超過50萬個醫(yī)學圖像進行分析，成功預測了肺癌的發(fā)生率。Med-PaLM2還可以通過自動化完成目前由醫(yī)生執(zhí)行的許多日常工作，使他們能夠有更充足的時間專注于為患者提供服務，可以縮短患者的等待時間并提高患者滿意度?？梢耘c其他醫(yī)療設備和系統(tǒng)進行集成，可以與智能手環(huán)和智能手表等設備進行連接，實時監(jiān)測患者的生理參數(shù)，并提供相應的建議和警告。還可以與電子病歷系統(tǒng)等其他醫(yī)療系統(tǒng)進行集成，從而實現(xiàn)更加智能化和高效化的醫(yī)療服務。圖13：Med-PaLM2在MedQA上的表現(xiàn)比Med-PaLM提高了19%以上資料來源：《TowardsExpert-LevelMedicalQuestionAnsweringwithLargeLanguageModels》（《BigIdeas2024》、ARKInvest）未來AGI時代，AI賦能醫(yī)療有廣闊前景?？梢詰玫念I域很多，其中繞不開人類生物工程。我們認為，醫(yī)療是AGI落地的最佳場景之一，大模型、多模態(tài)以及垂類大模型將更加廣泛結合并應用在藥物研發(fā)、診斷、影像、治療等細分環(huán)節(jié)，很多罕見病及疑難雜癥將逐漸被治愈。二、人工智能是核心技術催化劑，領航數(shù)字經(jīng)濟新階段（一）“適度超前”建設算力體系背后的財政貨幣支撐體系央行的“科技金融”、“數(shù)字金融”貨幣政策框架結構性貨幣政策支持科技創(chuàng)新和數(shù)字經(jīng)濟發(fā)展中央經(jīng)濟工作會議將“穩(wěn)中求進、以進促穩(wěn)、先立后破”作為2024年宏觀政策基調(diào)。在此背景下，貨幣政策“靈活適度，精準有效”，總量和結構政策雙重發(fā)力，既托底總量增長又推動結構改革，支持防范化解宏觀風險，著力營造良好的貨幣金融環(huán)境，高質(zhì)量服務實體經(jīng)濟?！熬珳省奔礊閺娬{(diào)信貸的方向引導。預計未來結構性貨幣政策工具將在貨幣投放中扮演更加重要的角色，加大對重大戰(zhàn)略、重點領域和薄弱環(huán)節(jié)的支持力度。聚焦“五篇大文章”，即科技金融、綠色金融、普惠金融、養(yǎng)老金融、數(shù)字金融五篇大文章。中國人民銀行貨幣政策司課題組近期文章《結構性貨幣政策助力做好“五篇大文章”》中詳細闡述了結構性貨幣政策工具的作用。“結構性貨幣政策是指在市場配置資源基礎上，設計適當激勵機制，引導資金流向經(jīng)濟特定領域的貨幣政策。結構性貨幣政策主要發(fā)揮結構功能，通過建立激勵相容機制，將中央銀行資金與金融機構對特定領域和行業(yè)的信貸投放掛鉤，發(fā)揮精準滴灌實體經(jīng)濟的獨特優(yōu)勢。結構性貨幣政策也有總量效應，通過投放基礎貨幣，保持銀行體系流動性合理充裕，支持信貸平穩(wěn)增長”。2023年末，結構性貨幣政策工具余額7.5萬億元，比上年末增加約1億元，占人民銀行總資產(chǎn)的16.4%。其中為“科技金融”和“數(shù)字金融”已創(chuàng)設的結構性貨幣政策工具共2個，分別為“科技創(chuàng)新再貸款”和“設備更新改造專項再貸款”。20224月，人民銀行創(chuàng)設科技創(chuàng)新再貸款，支持金融機構加大對科技創(chuàng)新企業(yè)的信貸支持力度；20229月，創(chuàng)設設備更新改造專項再貸款，支持金融機構向制造業(yè)、社會服務領域和中小微企業(yè)、個體工商戶等設備更新改造提供貸款。根據(jù)央行披露，截至2023年第三季度末，科技創(chuàng)新再貸款4000額度全部用完，支持金融機構向科技企業(yè)累計發(fā)放貸款1.69萬億元；設備更新改造專項再貸款累計發(fā)放1694億元，支持新型基礎設施和產(chǎn)業(yè)數(shù)字化轉型等設備更新改造。2023年科創(chuàng)企業(yè)貸款的獲貸率提升，增速高于各項貸款增速。2023年獲得貸款支持的科技型中小企業(yè)21.2萬家，獲貸率46.8%，獲貸率提升2.1pct?？萍夹椭行∑髽I(yè)本外幣貸款余額2.45萬億元，同比增長21.9%，比上年末低3.8pct，比同期各項貸款增速高11.8pct2023年獲得貸款支持的高新技術企業(yè)21.75萬家，獲貸率為54.2%，提升0.8pct。高新技術企業(yè)本外幣貸款余額13.64萬億元，同比增長15.3%，比上年末低0.8pct，比同期各項貸款增速高5.2pct。未來央行可能會繼續(xù)在“科技金融”、“數(shù)字金融”領域創(chuàng)設相關結構性貨幣政策工具，豐富政策工具箱，引導商業(yè)銀行信貸直達實體經(jīng)濟，引導信貸投放方向的作用，將為建設算力體系提供資金支持。圖14：結構性貨幣政策工具梳理（截至2023年末）資料來源：中國人民銀行，提升直接融資占比，構建覆蓋科技型企業(yè)全生命周期的金融服務體系央行20034季度貨幣執(zhí)行報告首次提出“合理把握債券與信貸兩個最大融資市場的關系”，擴大直接融資，社融結構實現(xiàn)再平衡。提升直接融資的要求13與當下中國經(jīng)濟結構轉型的新方向相匹配。報告專欄1《準確把握貨幣信貸供需13請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。規(guī)律和新特點》提出“先進制造、科技創(chuàng)新、綠色低碳、數(shù)字經(jīng)濟等新興產(chǎn)業(yè)蓬勃發(fā)展，這些新動能領域與直接融資的金融支持模式更為適配，也會對貸款形成良性替代”。央行行長在十四屆全國人大二次會議經(jīng)濟主題記者會上強調(diào)“在宏觀層面，要加強頂層設計和系統(tǒng)籌劃。比如，科技金融方面，科技型企業(yè)一般會經(jīng)歷種子期、初創(chuàng)期、成長期、成熟期不同的階段，企業(yè)成長周期的不同階段，對金融需求有不同的特點。在科技型企業(yè)成長的早期，更多需要風險投資、創(chuàng)新創(chuàng)業(yè)投資基金的介入，目前還是一個薄弱環(huán)節(jié)；金融機構對科技型企業(yè)風險評估能力，也需要進一步提升，下一步需要著力補齊短板，構建覆蓋科技型企業(yè)全生命周期的金融服務體系”。目前，交易商協(xié)會創(chuàng)設了科創(chuàng)類融資產(chǎn)品工具箱，并在2022年將其升級為了科創(chuàng)票據(jù)?？苿?chuàng)票據(jù)用于支持科創(chuàng)類企業(yè)以及非科創(chuàng)類企業(yè)的科技創(chuàng)新發(fā)展行為。2022年上交所和深交所正式落地了科創(chuàng)債。因此，除了通過結構性貨幣政策工具為建設算力體系提供間接融資支持外，對于相關企業(yè)的債券融資等直接融資的支持也會進一步提升，試圖構建構建覆蓋科技型企業(yè)全生命周期的金融服務體系。財政政策支持重點首次轉向現(xiàn)代化產(chǎn)業(yè)體系建設從去年年底的中央經(jīng)濟工作會議到今年兩會期間的政府工作報告，均把“加快現(xiàn)代化產(chǎn)業(yè)體系”建設放在首要目標，與此同時持續(xù)強調(diào)要增強宏觀政策取向一致性。我們認為，在當前經(jīng)濟同時面臨逆周期和結構性調(diào)節(jié)的關鍵時期，財政政策配合國有資本的政策調(diào)整將是有效發(fā)揮舉國體制優(yōu)勢，支持數(shù)字經(jīng)濟和科技轉型的重要力量。其實，過去以來的歷次經(jīng)濟周期中，積極的財政政策均起到了關鍵性作用，力挽經(jīng)濟于狂瀾。但我們也注意到，過去幾輪積極財政政策主要支持的方向為傳統(tǒng)基建產(chǎn)業(yè)，而現(xiàn)如今財政政策支持重心轉向科技創(chuàng)新，需要通過何種方式調(diào)整？過去三輪積極財政政策主要投向傳統(tǒng)產(chǎn)業(yè)我國分別于1998年、2008年以及2013年開啟過三輪積極財政政策，其中前兩次均是由外部因素導致的需求沖擊加劇了經(jīng)濟波動，繼而使用擴張性財政政策予以對沖。始于2013年的第三輪積極財政政策主要是由于傳統(tǒng)產(chǎn)能的供給過剩引起，財政政策方面主要以結構性政策為主，但由于土地財政等預算外廣義財政的存在，使得傳統(tǒng)產(chǎn)能并未完全出清。由此，過去不同歷史時期財政政策的主要支持工具及資金投向也有所區(qū)別：1998年首輪財政支持經(jīng)濟轉型：以狹義政府赤字和財政支出政策為主，促進城鎮(zhèn)化、工業(yè)化轉型。受到亞洲金融危機的影響1997年6月至1999年12月PPI連續(xù)31個月在負值區(qū)間運行，且CPI處于負值區(qū)間。未來應對外需沖擊，同時促進我國城鎮(zhèn)化和工業(yè)化的轉型發(fā)展，我國分別于19981999年兩年期間多次增發(fā)了共計1600億元的國債，需要注意的是1998年我國GDP水平僅8.5萬億元。當時我國剛剛實行改革開放不久，如圖151994年我國公路及民航建設剛剛起步，國內(nèi)基礎設施建設具有大幅擴張的空間及較高的投資回報率，相對而言資本是稀缺的。為此，1998年新增國債由中央政府向國有商業(yè)銀行定向增發(fā)進行募資。圖15：首輪積極財政政策期間我國基礎設施處于起步階段 圖16：1998年至今價格指數(shù)及GDP增速（%） 資料來源：WIND， 資料來源：WIND，2008年第二輪財政支持經(jīng)濟轉型：以政府性基金擴張為主，催生地產(chǎn)與基建快速發(fā)展。2008年全球金融危機影響，中國國內(nèi)需求遭受大幅沖擊，PPI12個月，CPI同樣落入負值區(qū)間。為穩(wěn)定經(jīng)濟增長，同時推動一批利長遠項目建4萬億”投資明細，四萬億投資的資金構成是1.18萬億中央預算內(nèi)投資和2.82萬億配套資金。資金來源是中央財政赤字、地方財政、地方債（財政部代理發(fā)行、政策性貸款、企業(yè)債和中期票據(jù)、銀行貸款，以及民間投資。其中財政預算內(nèi)較上一輪積極財政中，多增了政府性基金收入中的土地收入增長。2009年和2010年的政府性基金收入分別為1.83萬億元和3.57萬億元，較上年分別增長了17.26%和95.15%，其中超過70%專項用于土地開發(fā)及建設領域的投資和補償。資金投向方面，主要是重大基礎設施建設、災后重建、保障房建設、民生工程等。圖17：“四萬億”計劃的主要投資方向 圖18：我國基建投資資金來源與完成額間的資金缺口（億元）資料來源：WIND， 資料來源：WIND，2013年后第三輪積極財政：以結構性政策配合完成過剩產(chǎn)能出清，但實際開啟了廣義財政擴張。2008年以來廣義財政的擴張導致傳統(tǒng)產(chǎn)能過剩，經(jīng)濟結構性矛盾和隱性債務風險不斷加劇。理論上此時財政政策應該以結構性政策配合貨幣政策完成“供給出清”，我們可以看到基建的投資缺口在2015年之后開始顯著提升，如圖19所示。但實際上由于地方政府考核目標仍在，地方在穩(wěn)經(jīng)濟過程中實際開啟了廣義財政的擴張，而“寬貨幣、緊信用”的貨幣政策使得“寬”出的貨幣進了城投和地產(chǎn)，”緊“的信用又使城投承擔了較高的融資成本，造成了一定隱性債務。圖19：1994年至今廣義財政凈融資額變化（億元） 圖20：城投債與政府債的融資利差 資料來源：WIND， 資料來源：WIND，新一輪積極財政支持重點轉向現(xiàn)代化產(chǎn)業(yè)體系建設2023年中央經(jīng)濟工作會議及2024年政府工作報告均將“現(xiàn)代化產(chǎn)業(yè)體系建設”放在首位，與之對應的2024年財政預算草案中，對于主要財政收支政策也做出了重要調(diào)整。根據(jù)過往幾年預算草案來看，每年基本會公布7-8項主要政策，其基本規(guī)律是：后幾項政策相對固定（第四是鄉(xiāng)村振興、第五是生態(tài)環(huán)境、第六是民生、第七是國防、外交、政法），但前三項政策的內(nèi)容和排序往往指明當年重點方向。例如2021年首要政策是“推動創(chuàng)新發(fā)展和產(chǎn)業(yè)升級”、2022年首要政策目標是保市場主體、2023年為擴大內(nèi)需。而2024年主要財政收支政策中的前兩項均和科創(chuàng)相關，第一是支持加快現(xiàn)代化產(chǎn)業(yè)體系建設，第二是支持深入實施科教興國戰(zhàn)略。去年的首要目標“擴大內(nèi)需”已經(jīng)移居第三。據(jù)此可以得出的結論是：新一輪財政逆周期調(diào)控不同于以往幾次擴張，更加聚焦經(jīng)濟轉型和科技創(chuàng)新。圖21：2021-2024年主要財政指標及政策表述資料來源：財政部、當前及未來一段時期財政如何支持科技創(chuàng)新發(fā)展？從今年財政預算草案及相關新增政策來看，未來具體支持政策主要以下幾方面：一是新增政府債務工具重點支持科技創(chuàng)新。一方面是專項債用途在以往的傳統(tǒng)基建和新能源建設的基礎之上，新增了數(shù)字基礎設施建設用途。另一方面，我們看到今年兩會提出了新型債務工具—超長期特別國債，在3月6日舉行的十四屆全國人大二次會議經(jīng)濟主題記者會上，國家發(fā)展和改革委員會主任鄭柵潔指出初步考慮，超長期特別國債將重點支持科技創(chuàng)新、城鄉(xiāng)融合發(fā)展、區(qū)域協(xié)調(diào)發(fā)展、糧食能源安全、人口高質(zhì)量發(fā)展等領域建設。這些領域潛在建設需求巨大、投入周期長，現(xiàn)有資金渠道難以充分滿足要求，亟需加大支持力度。其中首要支持領域便是科技創(chuàng)新。表5：2019年至今歷次專項債用途擴容2019年2020年2021年2022年2024年交通基礎設施交通基礎設施能源交通基礎設施能源農(nóng)林水利能源農(nóng)林水利交通基礎設施能源農(nóng)林水利生態(tài)環(huán)保民生服務城鄉(xiāng)冷鏈物流市政產(chǎn)業(yè)園區(qū)交通基礎設施能源農(nóng)林水利生態(tài)環(huán)保民生服務城鄉(xiāng)冷鏈物流市政產(chǎn)業(yè)園區(qū)生態(tài)環(huán)保民生服務城鄉(xiāng)冷鏈物流市政產(chǎn)業(yè)園區(qū)新增：國家重大戰(zhàn)略項目農(nóng)林水利生態(tài)環(huán)保民生服務城鄉(xiāng)冷鏈物流市政產(chǎn)業(yè)園區(qū)國家重大戰(zhàn)略項目保障性安居工程生態(tài)環(huán)保民生服務城鄉(xiāng)冷鏈物流新型基礎設施新能源項目保障性安居工程新增：預計新增：新型基礎設施數(shù)字經(jīng)濟新能源項目城中村改造資料來源：財政部，二是稅收政策持續(xù)深化落實，加大研發(fā)費用扣除比例。即落實技術改造相關投資稅收優(yōu)惠，落實研發(fā)費用加計扣除等政策，例如去年已將符合條件的集成電路和工業(yè)母機企業(yè)研發(fā)費用稅前加計扣除比例提高至120%，將符合條件的研發(fā)費用稅前加計扣除比例由75%提高至100%。預計在今年及未來一段時間將持續(xù)貫徹落實以上稅收支持政策，且有望逐步擴大政策支持范圍和支持力度。三是更好發(fā)揮國有資本和國有企業(yè)在科技創(chuàng)新中的引領、引導作用。1月份國務院印發(fā)了《關于進一步完善國有資本經(jīng)營預算制度的意見》，本次新《意6所示。而當前我國首要戰(zhàn)略顯然是科技創(chuàng)新和數(shù)字經(jīng)濟的發(fā)展。實際上，國有資本經(jīng)營預算作為財政收支的重要組成部分，既是中國特色，也是我國更好支持科技轉型的體制優(yōu)勢。本次制度的修訂實現(xiàn)了所有國有企業(yè)的預算全覆蓋，并加強了支出紀律約束，未來對于關鍵領域的國有資本的注入有望助力科技創(chuàng)新相關行業(yè)的快速發(fā)展。表6：關于國有資本經(jīng)營預算的定義變化《國務院關于試行國有資本經(jīng)營預算的意見》 《關于進一步完善國有資本經(jīng)營預算制度的意見》時間： 2007年09月08日 2024年1月6日相同內(nèi)容：國有資本經(jīng)營預算，是國家以所有者身份依法取得國有資本收益，并對所得收益進行分配而發(fā)生的各項收支預算，是政府預算的重要組成部分。

國有企業(yè)收入分配制度，推進國有經(jīng)濟布局和結構的戰(zhàn)略性調(diào)意義。

國有資本經(jīng)營預算是企業(yè)國有資產(chǎn)管理的重要內(nèi)容，是落實國家戰(zhàn)略、增強政府宏觀調(diào)控能力、推進國有經(jīng)濟布局優(yōu)化和結構調(diào)整的重要力量。資料來源：國務院，四是專項產(chǎn)業(yè)基金支持。去年我國的產(chǎn)業(yè)基礎再造和制造業(yè)高質(zhì)量發(fā)展專項資金增長了20.3%，今年預算草案再安排專項資金104億元。其中主要強化對制造業(yè)企業(yè)技術改造的資金支持，落實技術改造相關投資稅收優(yōu)惠政策。深入實施首臺（）重大技術裝備和首批次重點新材料應用保險補償政策。優(yōu)化產(chǎn)業(yè)投資基金功能，鼓勵發(fā)展創(chuàng)業(yè)投資、股權投資，充分運用市場化手段，支持集成電路、新一代信息技術等產(chǎn)業(yè)加快發(fā)展。五是教育和研發(fā)預算支出支持。今年財政預算草案中主要財政政策第二位是“科教興國”，從支持加快建設高質(zhì)量教育體系和推動高水平科技自立自強兩方面做了闡述，主要支持政策是加大教育支出和財政研發(fā)補貼。于此同時，對于今年中央財政支出的預算安排中，科技支出和教育支出預算安排的支出增速分別為10%和5%，大幅高于去年的2.9%和1.9%，是今年中央各項財政支出中主要提升的項目。（二）大國體系下的中國數(shù)字經(jīng)濟產(chǎn)業(yè)已全面開啟，預計在2035年達到GDP的71.6%總量法測算：國內(nèi)數(shù)字經(jīng)濟預計2035年占GDP比將達到71.60%。近年來，我國數(shù)50.24.6850202354.611GDP20225.3%，50.2GDP4.98201215.911GDP增速，數(shù)字經(jīng)濟持續(xù)發(fā)揮經(jīng)濟“穩(wěn)定器”、“加速器”作用。圖22：中國數(shù)字經(jīng)濟規(guī)模及增速預測 圖23：中國數(shù)字經(jīng)濟增速（名義）對比GDP增速（名義） 資料來源：信通院、 資料來源：信通院，GDP203020352022GDP2023-2035GDP203059.73203571.60%。（三）中美數(shù)字經(jīng)濟及人工智能產(chǎn)業(yè)要素發(fā)展對比人工智能的三大基礎要素為數(shù)據(jù)、算力和算法，目前中國在數(shù)據(jù)方面具有明顯的大國優(yōu)勢。首先，數(shù)據(jù)的底層是人和人的活動，因此發(fā)展主體（國家或者區(qū)域內(nèi)）的人口數(shù)量與質(zhì)量對數(shù)據(jù)資源的“量”與“質(zhì)”起到至關重要的影響。數(shù)量方面，目前世界人14.1714.124.483.33IDC202223.3ZB23%2025202548.6ZBGDP1.2763%。圖24：中美歐印GDP、投資、人口占全球比重 圖25：中美歐印互聯(lián)網(wǎng)滲透率資料來源：WIND，WorldBank， 資料來源：WIND，WorldBank，算力方面，中美兩國的計算力與其他梯隊國家相比有顯著優(yōu)勢，但美國仍領先于中7782AI53019.7%；人工智能75GDP，算力指數(shù)從70716.9%的正增27020.0%以上的增長。算法方面，我們主要通過人才規(guī)模、專利數(shù)、企業(yè)數(shù)量、融資規(guī)模和大模型這幾個角度來對比。Lkdn和獵聘的數(shù)據(jù)統(tǒng)計顯示，全球當前累計AI人100AIAI18%，位居世界首位。美國和印度AI人才數(shù)量分居全球第二、三位，且均超過15萬。根據(jù)清華大學Mer的歷年統(tǒng)AI20001,000AI（2023Q3AI129AI51AI64%，位列全球第一，論文數(shù)也遙遙領先。202363.61.334167%，美中英三國56%2013AI2489（951）和英國（182）。AI企業(yè)和融資活動集中在美、中、英等國家。圖26：全球人工智能人才數(shù)量占比 圖27：中美入選AI2000歷年人數(shù)對比資料來源：LinkedIn,獵聘，清華大學AMiner團隊發(fā)布的AI2000學者榜單，智譜研究，尚普研究院，

資料來源：LinkedIn,獵聘，清華大學AMiner團隊發(fā)布的AI2000學者榜單，智譜研究，尚普研究院，表7：中美人工智能產(chǎn)業(yè)發(fā)展狀況對比，截至2023年7月衡量指標美國人工智能產(chǎn)業(yè)發(fā)展狀況中國人工智能產(chǎn)業(yè)發(fā)展狀況累計企業(yè)數(shù)量13000家5760家累計融資規(guī)模2489億美元951億美元累計專利數(shù)116萬191萬大模型數(shù)量114130計算力指數(shù)82712025數(shù)據(jù)量30.6ZB48.6ZB資料來源：CBInsights、《2022-2023全球計算力指數(shù)評估報告》（IDC、浪潮信息、清華大學全球產(chǎn)業(yè)研究院聯(lián)合編制），尚普研究，大模型方面，我們通過大模型數(shù)量和大模型表現(xiàn)來進行比較。大模型數(shù)量：根據(jù)賽2023713013811490%以上，具有絕對優(yōu)勢。從大模型參數(shù)來看，中美兩國的代表性大模型里均是既有千億參數(shù)的通用大模型，又有幾十億參T4GmnSoa這種具有60%圖28：全球人工智能人才數(shù)量占比 圖29：截至2023年7月全球大模型累計數(shù)量區(qū)域分布情況資料來源：賽迪顧問， 資料來源：賽迪顧問，表8：國內(nèi)外代表性大模型參數(shù)及預訓練數(shù)據(jù)對比模型 研發(fā)團隊 參數(shù)規(guī)模 預訓練tokensGemini1.5pro谷歌175B-Gemma-2B（開源）2B2TGemma-7B（開源）7B6TStableDiffusion高通65B1.5TGPT-3pnI175B300BGPT-41.8T13TLLaMA（開源）Mta7B-65B1/14TSorapnI7B-ChatGLM-6B（開源）清華大學6B1TGLM-130B（開源）130B400B混元大模型騰訊100B+2T+文心一言百度260B-盤古NLP華為云110B-Baichuan-7B（開源）百川智能7B1.2TBaichuan-13B（開源）13B1.4T通義千問系列阿里云7B-72B2.2T訊飛星火科大訊飛175B-資料來源：CNBC，decoder，GitHub，CSDN，IT之家，同花順財經(jīng)，中華網(wǎng)，SuperCLUE2372424572GPT-4242GPT-4。SuperCLUE242GPT3.5134.0、GLM-42.157.83分?？梢钥闯觯瑖鴥?nèi)大模型在中文領域的能力的平均水平已經(jīng)超過國外大模型。圖30：國內(nèi)外代表性大模型中文測評得分趨勢(23年7月-24年2月) 圖31：全球大模型中文測評結果（24年2月) 資料來源：SuperCLUE， 資料來源：SuperCLUE，表9：部分國內(nèi)代表性大模型SuperCLUE中文測評基準得分(23年7月-24年2月)模型23年7月23年8月23年9月23年10月23年11月23年12月24年2月文心一言50.4854.1853.7261.8173.627587.75通義千問-41.7333.7843.3661.0171.7885.70htM42.4638.4954.3158.5363.2769.9187.77資料來源：SuperCLUE，三、人工智能三要素共振，算力、算法、數(shù)據(jù)未來趨勢推演（一）算力：供需缺口加大，AI服務器產(chǎn)業(yè)鏈分析大模型時代智能算力滲透率持續(xù)提升，AI服務器有望量價齊升X86和ARMPCATMCPUIO外部數(shù)據(jù)吞吐能力以及更好的擴展性。表10：服務器架構組件名稱 功能 主要參與者CPU解釋指令并處理數(shù)據(jù)，是核心的運算和控制中心。頻率越高，性能越好ntl、M、M、I、i、華為海思等GPU圖像處理顯示IA、M、華碩、技嘉、微星、泰索、影馳等DRAM臨時存儲數(shù)據(jù)，在CPU與硬盤之間，存取效率較高三星、海力士、美光硬盤(H)和固態(tài)硬盤(SS)Sgt、西部數(shù)據(jù)W、ohib、三星、海力士等主板電路板，連接其他組件TTM、深南電路、滬電股份、方正科技等電源提供電力保障臺達、艾默生、光寶科技、康舒科技、高效電子、全漢電源等網(wǎng)卡網(wǎng)絡連接功能ntl、IK、友訊、騰達，華碩、華為等資料來源：IDC，AI服務器中用于運算和存儲的芯片占服務器成本結構約70%，通用服務器用于運算50%左右。一臺服務器主要硬件包括處理器、內(nèi)存、芯片組、ORD卡、網(wǎng)卡、HA卡)、硬盤、機箱電源、風扇。以一臺普通的服務器生產(chǎn)成本為例，CPU及芯片組大致占比50%左右，內(nèi)存大致占比15致占比10%左右，其他硬件占比25%左右。其中機器學習型服務器中GPU成本占比達72.8%。圖32：通用服務器拆解圖（以華為TS200-2280為例） 圖33：AI服務器拆解解（以華為Atlas800TA2為例）資料來源：華為官網(wǎng)， 資料來源：華為官網(wǎng)，Statista8487億美元，同比增長204%，中國服務器市場占比0%，預計2023年全球服務器市場規(guī)模來到086%3.3%，變化+3.77pct圖34：全球服務器市場規(guī)模及預測 圖35：中國服務器市場規(guī)模及預測資料來源：Statista， 資料來源：Statista，人工智能時代AI服務器優(yōu)勢凸顯。AICPUAIITCPUGPUFPGAASICGPU、FPGA、ASICAI20251350CAGR50%。研究機構AeeaAI服務器市場規(guī)模將在20242025年達到135020224.5TrendForceAI貨量將進一步提升，20222026CAGR10.8%。圖36：全球AI服務器市場規(guī)模及預測 圖37：全球AI服務器廠商出貨量及預測資料來源：Aletheia， 資料來源：TrendForce，GPUIDCU服務器出貨量占比73%，U服務器銷售額占比9%。圖38：全球AI服務器出貨量結構 圖39：全球AI服務器銷售額結構資料來源：IDC， 資料來源：IDC，AI研究院數(shù)據(jù)及我們預測，中國AI服務器市場預計026年市場規(guī)模超千億元，未來三年21.65202664.515.26%。中國AI3-52）伴隨人工智能浪潮以及數(shù)字中國建設，未來對智能算力需求將持續(xù)爆發(fā)增長，且智能算力增長速度遠超算力AI2021-2026AI服務器市場規(guī)模由億350億元增長至094億元，221至2026年AGR為03%。圖40：中國AI服務器市場規(guī)模及預測 圖41：中國AI服務器出貨量及預測資料來源：《2023年中國AI服務器市場前景及投資研究報告》（中商產(chǎn)業(yè)研究院），

資料來源：《2023年中國AI服務器市場前景及投資研究報告》（中商產(chǎn)業(yè)研究院），中商產(chǎn)業(yè)研究院，Sora等多模態(tài)加速應用端落地，推理服務器需求激增多模態(tài)對推理算力需求指數(shù)級增長，推理服務器占比將持續(xù)提升。IDCAI41.5202539.2GPT-42023202544081、4850Fpsdy。圖42：2023年、2025年推理求預測資料來源：IDC，ARK投資，浪潮信息，AIChatGPT662000字的響應，對應6ts，根據(jù)nFow的數(shù)據(jù)和《SangLasfrNrlLugeMes》，在推理過程中每個tn的計算成本約為2*NFs，其中N為模型hPT4一萬億參數(shù)中每個kn需算力2萬億FsT4訓練期間FLOPS利用率為32%，則每人每次提問需要算力：2萬億27tn2%7PFps。據(jù)官網(wǎng)9月數(shù)據(jù)，tT目前擁有超過1億用戶，每月產(chǎn)生18億次訪問量，假定每日訪問量為6000萬人次，每人提問10次，且假設一天平均分布，則每秒算力需求為1lsAI推理使用的主流U是45TFps182T4GPU22.758*T48*T42900066圖43：推理服務器需求推算資料來源：《ScalingLawsforNeuralLanguageModels》（JaredKaplan等）、NVIDIA官網(wǎng)，OpenAI，Sora訓練一次所需算力或可達到2.6×10^24Flops，相當于GPT-3175B的8.2倍。多模態(tài)大模型在訓練端算力需求通常在計算大語言模型算力需求通常與參數(shù)量及token數(shù)量成正比，而Sora大模型中可以將Patch類比與大語言模型中token，基于大語言模型計算算力需求方法框架及以下三大假設，對Sora算力需求進行分析測算。假設一：Sora訓練數(shù)據(jù)集為60億張圖片，分辨率為1980×1024；3500萬個視頻，每個視頻平均時長為30秒，分辨率為1980×1024，幀率為60FPS。根據(jù)阿里聯(lián)合浙江大學、華中科技大學提出的文生視頻模型I2VGen-XL，研究人員350060SoraI2VGen-XLH×W×C（其H為長度，W為寬度，CRGBC=3）。我們估算ra訓練數(shù)據(jù)集中視頻類數(shù)據(jù)Pth規(guī)模300×04×60×30×39×01；圖片類數(shù)據(jù)Pah規(guī)模0×0^8×1024×980×35×016；訓練數(shù)據(jù)集總Path=圖片類數(shù)據(jù)Pach視頻類數(shù)據(jù)Pach35×1^6。假設二：Sora中PatchSize為16×16，將Patch轉化為token。NAEISWRTH6×6WRS:TASFORMSFORGENITNTSE》，Trfmr的輸入是一個序列，對于一張圖像來說如果把每個像素點當作一個，那就會需要相當旁大的計算量，該文則將圖像劃分為大小的一個個Pth，然后將每個Pth當作一個ken組成一串序列作為Trsor的PhSze為16×16P（N×××換為kn，N大小為H×W（×），每個tn的大小為P×P×，P6，通過計算得到kn5×06（16×16）.3×04。圖44：Tranformer語義分割方法資料來源：《RethinkingSemanticSegmentationfromaSeq-to-SeqPerspectivewithTransformer》（SixiaoZheng等），Sra模型參數(shù)為30B=模型參數(shù)量×tkn數(shù)量×3×2。OpenAIT5中只有一半token處于激活狀態(tài)，而BERT與GPT基于Transformer的自然語言監(jiān)督模型，每個tokentoken都在向前傳播過程中涉及一次加法和一次乘法，3GPTtoken3×2Sora訓練一次所需算力0×08×3×04×3×26×1ls。圖45：不同模型訓練一輪所需算力需求資料來源：《LanguageModelsareFew-ShotLearners》（TomB.Brown等），Sora30（待確認I2VGen-XL訓練數(shù)據(jù)集水平進行估算，我們保守估計，Sora訓練一次所需算力或可達到2.6×GPT-3175B8.2（測算采用參數(shù)和訓練數(shù)據(jù)集規(guī)模會與實際有一定出入）。Soa1萬張A00上訓練154天。A10019.5TFlops，暫時不考慮模型訓練利用率及其他訓練成本，如果在10000張英偉達A100進行訓練，所需時間6×0495×02×000/4×60×60)≈154天。202435體系建設，加快發(fā)展新質(zhì)生產(chǎn)力。同時，深化大數(shù)據(jù)、人工智能等研發(fā)應用，開展“人入推進數(shù)字經(jīng)濟創(chuàng)新發(fā)展，制定支持數(shù)字經(jīng)濟高質(zhì)量發(fā)展政策，積極推進數(shù)字產(chǎn)業(yè)化、產(chǎn)業(yè)數(shù)字化，促進數(shù)字技術和實體經(jīng)濟深度融合。適度超前建設數(shù)字基礎設施，加快形成全國一體化算力體系。圖46：算力對數(shù)字經(jīng)濟和GDP的影響資料來源：IDC《2022-2023全球算力指數(shù)評估報告》，“適度超前”建設算力基礎設施，國產(chǎn)服務器大勢所趨。報告中提出，適度超前建設數(shù)字基礎設施，加快形成全國一體化算力體系。我們認為，“適度超前”一方面將驅動數(shù)字產(chǎn)業(yè)化加速發(fā)展，算力基礎設施國產(chǎn)化提上日程，芯片、服務器國產(chǎn)化率將進一AI細分賽道機會；另一方面，將持續(xù)推動產(chǎn)業(yè)數(shù)字化升級轉型，算力基礎設施將大范圍賦能千行百業(yè)，降本增效，為新質(zhì)生產(chǎn)力發(fā)展提供新動能。出口禁令影響海外供應，AI20231017hPT面世以來，國內(nèi)各企業(yè)和研究院在短短半年多的時130鋪設大數(shù)據(jù)時代的信息高速，推動產(chǎn)業(yè)創(chuàng)新升級，降低企業(yè)調(diào)用以大模型為代表的科技2023模型所需的算力相對于2020年預計將增長500倍，這個算力缺口正在不斷擴大。A800H800H20昇910b2023年11月9日，相關報道稱英偉達已開發(fā)出針對中國市場的最新改良版系列芯片——HGXH20、L20PCleL2PCleH100910b。表11：英偉達H20、L20、L2性能參數(shù)對比性能參數(shù) HGXH20 L20PCle L2PCleGPU架構IAHpprIAdaolceIAdaolceGPU內(nèi)存96GBHBM348BGD6/E24BGD6/EGPU內(nèi)存帶寬4.0TB/s864GB/s300GB/sINT8|FP8TensorCore296|296TFLOPS239|239TFLOPS193|193TFLOPSBF16|FP16TensorCore148|148TFLOPS119.5|119.5TFLOPS96.5|96.5TFLOPSTF32TensorCore74TFLOPS59.8TFLOPS48.3TFLOPSFP3244TFLOPS59.8TFLOPS24.1TFLOPSFP641TFLOPS/A/ARTCore/AYesYesMIGUpto7MIG/A/AL2Cache60MB96MB36MBMediaEngine7NVDEC7NVJPEG3E(+A1)NVDECNVJPEG2E(A1)4NVDEC4NVJPEGPower400W275WTBDFormFactor8-wayHGX2-ltHL1-ltPInterconnectPceGen5x16:128GB/sink:900/sPCleGen4x16:64GB/sPCleGen4x16:64GB/s上市時間生產(chǎn)排期:Nov2023量產(chǎn):Dec2023生產(chǎn)排期:Nov2023量產(chǎn):Dec2023生產(chǎn)排期:Dec2023量產(chǎn):Jan2024數(shù)據(jù)來源：NVIDIA官網(wǎng)，華為昇騰芯片為AI昇騰910b單卡性能接近英偉達A100310910910AI7nm256TOPS310AI12nm8TOPS2023為昇騰啟動專項攻關，合力打造我國通用人工智能新底座，讓國產(chǎn)大模型架構在自主創(chuàng)新的軟硬件基礎之上，當前華為昇910BA100。表12：華為昇騰910b與英偉達A100參數(shù)性能對比性能指標 昇騰910b 英偉達A100架構自研華為達芬奇架構IAmpe架構峰值算力FP16376lps312lps峰值算力FP3294lps195lpsGPU顯存64GBHBM2E80GBHBM2ECPU-NPUPCIe規(guī)格PCIe5.0×16512GBPCIe4.0×16256GBNPU-NPU帶寬392GB/s（HCCL）400/（Nlink）RDMA出口帶寬200GB/sRoCE芯片直出網(wǎng)口1000b-000b/B需要通過B網(wǎng)卡擴展出口TDP400W300W制程工藝7nm7nm資料來源：華為海思官網(wǎng)、NVIDIA官網(wǎng)，華為昇騰生態(tài)打開市場空間，國產(chǎn)算力產(chǎn)業(yè)鏈有望持續(xù)受益。我們認為，國內(nèi)第一批大模型廠商使用的基本都是英偉達A100A800CUDA生態(tài)，貿(mào)然換生態(tài)，意味著學習成本、試錯成本、調(diào)試成本都會增加。目前華為基于“鯤鵬+昇騰”雙引擎正式全面啟航計算戰(zhàn)略，打造算力底座，未來自主開發(fā)趨勢下，華為昇騰市場份額將不斷提升，產(chǎn)業(yè)鏈細分賽道上市公司有望持續(xù)受益。15%到全國產(chǎn)化是大概率事件，國產(chǎn)化空間巨大。根據(jù)IDC數(shù)據(jù)，2022年中國AI芯片出貨量約109萬張，其中英偉達市占率約為85%，華為在內(nèi)的國產(chǎn)AI芯片市占率約為15%，國產(chǎn)化仍有很大空間。圖47：中國AI芯片市場規(guī)模 圖48：2018-2022年中國AI芯片投資情況資料來源：中商產(chǎn)業(yè)研究院， 資料來源：中商產(chǎn)業(yè)研究院，AlCANNAl圖49：華為昇騰計算產(chǎn)業(yè)生態(tài)資料來源：《昇騰計算產(chǎn)業(yè)發(fā)展白皮書》（華為、中國信通院聯(lián)合發(fā)布），百度等率先開始采購昇910B，釋放多重積極信號。2001600910BAIA1001060%3601000AI雖然此訂單規(guī)模相較過去從英偉達采購的數(shù)千顆芯片較小，但是此次采購證明國產(chǎn)昇騰910B360AIAIAIAIAI1）Atlas800（型號：9000）920+昇騰910處理器的AI2Alas800訓練服務器（型號：9010）Intel910AIAI推理服務器：1）Atlas800（型號：3000）是基于昇騰310芯片的推理服務器，最大可支持8個Ats300IAI2）Atlas800（型號：3010）Intel7Atlas300I560AI表13：華為服務器對比產(chǎn)品名稱 算力 AI加速卡 CPU CPU內(nèi)存 PCIe 最大功耗Atlas800訓練服務器型號：90002.24PFLOPSFP161.76PFLOPSFP168*昇騰9104*鯤鵬920最多32個DDR4內(nèi)存插槽，支持RDIMM內(nèi)存速率最高3200MT/s，單根內(nèi)存條容量支持16GB/32GB/64GB2PCIe4.0槽56kWtl800訓練服務器型號：90102.24PFLOPSFP161.76PFLOPSFP168*昇騰9102*ntl5cddLke處理器最多24個DDR4內(nèi)存插槽，支持RDIMM6PCIe3.0x8插槽56kWAtlas800推理服務器型號：3000最大704TOPSINT8最大支持8個Atlas300I推理卡2*鯤鵬92032個DDR4內(nèi)存插槽，最高3200MT/s9PCIe4.0PCIe1RAIDPCIe8個為標準的PCIe擴展槽位67WAtlas800推理服務器型號：3010最大616TOPSINT8最大支持7個Atlas300I推理卡1/2個IntelXeonSPSkylake或CascadeLake處理器24個DDR4內(nèi)存插槽，最高3200MT/s10PCIeGen3.0(1D控制卡+1個靈活LM)205W數(shù)據(jù)來源：華為海思，軟件端：昇騰全棧AI軟硬件平臺，面向“端、邊、云”的全場景AI基礎設施。AI處理器和基礎軟件構建AlaslsAI圖50：昇騰全棧AI軟硬件平臺資料來源：華為昇騰官網(wǎng)，昇MindSporeAI910AIAIAltas昇騰計算模組和計算20+硬件合作伙伴(整機、工控機等)，15家一體機伙伴;在軟件上開源昇思MindSporeAI39010002000+110120圖51：華為昇思Mindpoe框架 資料來源：華為昇思官網(wǎng)，4、高性能計算對液冷需求爆發(fā)式增長，液冷服務器打開千億市場空間數(shù)據(jù)中心PUE要求愈發(fā)嚴苛。隨著云計算、大數(shù)據(jù)、人工智能、元宇宙等信息技術的快速發(fā)展和傳統(tǒng)產(chǎn)業(yè)數(shù)字化的轉型，數(shù)據(jù)呈現(xiàn)幾何級增長，算力和硬件部分能耗也在持續(xù)增加，而在“雙碳”政策的持續(xù)推進下，國家、地方政府、企業(yè)層面均在積極推動綠色低碳轉型和可持續(xù)發(fā)展，通訊領域對數(shù)據(jù)中心節(jié)能降耗要求越來越嚴格。AIA1,由此帶來的芯片性能需求、服務器功率需求不斷提高，DGXA100640GB6.5KW，傳統(tǒng)風冷無法1000-350015-25倍，利用自然冷卻顯著降低耗電量，使得液冷成為風冷的不二選擇。我們認為，人工智能浪潮下，對算力需求進一步提升，液冷預計將成為最優(yōu)冷卻方案，未來中國液冷服務器市場有望進一步打開競爭格局，產(chǎn)業(yè)相關上市公司將受益。目前，中國液冷服務器普及率不足5%，徑普及率并不高。受制于：1）數(shù)據(jù)中心國家PUE標準收緊；2）受制于面積等因素，機柜密度逐漸提升；3）溫度過高，芯片故障率升高等客觀因素，未來液冷服務器將成為調(diào)和快速的算力需求與有限數(shù)據(jù)中心承載力的共識方案。圖52：風冷與液冷散熱能力對比資料來源：中興通訊《液冷技術白皮書》，表14：全國主要數(shù)據(jù)中心PUE要求城市 年平均氣溫℃ 數(shù)據(jù)中心PUE要求北京12.31PUE1.312PUE1.2523PUE1.23噸標準煤的項目，PUE值不應高于1.15；14＜≤18，每度電加價E＞18，每度電加價￥05上海16.62024PUE131.25PUE1.4。廣東22.6新增或擴建數(shù)據(jù)中心PUE不高于13，優(yōu)先支持PUE低于1.25的數(shù)據(jù)中心項目，起步區(qū)內(nèi)PUE要求低于1.25浙江16.5到2025年，大型及以上數(shù)據(jù)中心電能利用效率不超過13，集群內(nèi)數(shù)據(jù)中心電能利用效車不得超過1.25江蘇15.52023206530％，高性能算力占比達10％，新建大型及以上數(shù)據(jù)中心電能利用效率（PUE）降低到1.3以下，起步區(qū)內(nèi)電能利用效率不得超過1.25山東14.72020PUE1.32022PUE142025據(jù)中心運行電能利用效率降到1.3以下。優(yōu)先支持PUE值低于1.25，上架率高于65％的數(shù)據(jù)中心新建、擴建項目青島12.7新建13，至2022年存量改造14重慶18.4到2025年，電能利用效率（PUE）不高于13。集群起步區(qū)內(nèi)PUE不高于1.25。四川15.3到2025年，電能利用效率（PUE）不高于13。集群起步區(qū)內(nèi)PUE不高于125。各市（州）要充分發(fā)揮已建在建數(shù)據(jù)中心作用，除天府數(shù)據(jù)中心集群外，區(qū)域內(nèi)平均上架率未達到60％、平均PUE值未達到1.3及以下的，原則上不得新建數(shù)據(jù)中心。內(nèi)蒙古4.3到2025年，全區(qū)大型數(shù)據(jù)中心平均PUE值降至13以下，寒冷及極寒地區(qū)力爭降到1.25以下，起步區(qū)做到12以下寧夏9.5到205年，建成國家（中衛(wèi)）數(shù)據(jù)中心集群，集群內(nèi)數(shù)據(jù)中心的平均PE≤115，U≤08，分級分類升級改造國家（中衛(wèi)）數(shù)據(jù)中心集群外的城市數(shù)據(jù)中心，通過改造或關停，到2025年，力爭實現(xiàn)PUE降至1.2及以下。貴州15.5PUEPUE14量替代，根據(jù)PUE值嚴控數(shù)據(jù)中心的能源消費新增量，PUE低于1.3的數(shù)據(jù)中心可享受新增能源消費量支持。資料來源：中興通訊《液冷技術白皮書》，PUE1.25PUE圖53：制冷技術PUE對比資料來源：中興通訊《液冷技術白皮書》，冷板式液冷服務器與浸沒式相變服務器為兩大主流液冷服務器。冷板式液冷服務器技術利用工作流體作為中間熱量傳輸?shù)拿浇?，將熱量由熱區(qū)傳遞到遠處再進行冷卻。在該技術中，工作液體與被冷卻對象分離，工作液體不與電子器件直接接觸，而是通過液冷板等高效熱傳導部件將被冷卻對象的熱量傳遞到冷媒中。圖54：冷板式液冷服務器散熱原理資料來源：中興通訊《液冷技術白皮書》，該技術將冷卻劑直接導向熱源，同時由于液體比空氣的比熱大，散熱速度遠遠大于1000該技術可有效解決高密度服務器的散熱問題，降低冷卻系統(tǒng)能耗而且降低噪聲。圖55：曙光冷板式液冷服務器資料來源：曙光數(shù)創(chuàng)，浸沒式液冷服務器又可以分為單相浸沒式液冷服務器和兩相浸沒式液冷服務器。浸沒式相變換熱液冷系統(tǒng)采用進口環(huán)保專用冷媒，具有不導電、無閃點、無腐蝕性、無毒性的特性，利用環(huán)保冷媒良好的熱物理特性，通過控制系統(tǒng)物理參數(shù)，利用冷媒工質(zhì)的氣化潛熱轉移服務器內(nèi)部熱量，極大提高了系統(tǒng)的換熱效率，同時保留了高端熱源的能50℃～60無須利用壓縮機進行機械制冷，從而使室外機組的全年自然冷卻工作方式成為可能。圖56：單相浸沒式液冷服務器散熱原理資料來源：中興通訊《液冷技術白皮書》，0。2）35dB3）終極的功率密度：高密度配置，輕松實200kWPUEPUE1.01-1.02。圖57：曙光數(shù)創(chuàng)全浸沒式液冷服務器資料來源：曙光數(shù)創(chuàng)，2023H13IDC）跟蹤》報告數(shù)據(jù)顯示，2023到68.%2023年全年將達到5.1C02202789圖58：2022年-2027年中國液冷服務器市場規(guī)模預測資料來源：IDC、中商產(chǎn)業(yè)研究院，（二）算法：多模態(tài)大模型C端、B端加速滲透，未來從云端走向終端邊云算法協(xié)同發(fā)展，推動大模型終端側落地MordorIntelligence2023510.42074（2023-202832.37隨著企業(yè)數(shù)業(yè)務和服務相集成。此外，將公司致力于降低運營成本以提高利潤率，推動云端人工智能快速發(fā)展，進一步推動預測期內(nèi)的市場規(guī)模增長。圖59：云端AI預計市場規(guī)模資料來源：MordorIntelligence，大模型時代，從云到端（邊緣側）算法不斷優(yōu)化升級，其中邊緣智能優(yōu)化方向包括五大方面，包括邊云協(xié)同、模型分割、模型壓縮、減少冗余數(shù)據(jù)傳輸以及輕量級加速體系結構。其中，邊云協(xié)同、模型分割、模型壓縮能夠減少邊緣智能對于計算、存儲和設備的需求；減少冗余數(shù)據(jù)傳輸以改善傳輸效率，降低網(wǎng)絡資源浪費；輕量級加速體系結構將在硬件和應用方面支持邊緣計算效率提升。邊云協(xié)同云計算和邊緣計算相結合，將數(shù)據(jù)和計算資源分布在云端和邊緣設備，實現(xiàn)數(shù)據(jù)的高效處理和傳輸。云邊協(xié)同優(yōu)勢明顯，1）充分利用云端強大的計算資源；2）在需要實時響應或者斷網(wǎng)情況下可借助本地設備完成任務；3）保證數(shù)據(jù)安全性。處理以落地終端的重要性凸顯。混合架構具有不同的卸載選項，以便根據(jù)模型和查詢復10AI100將來在設備上運行。終端側大模型主要用于推理，將拓展邊緣設備應用?；旌螦I將提振B端AIAIAI將優(yōu)化生成式AI的功能性及可用性，推動企業(yè)研發(fā)以全面化終端AIC圖60：云+邊緣落地方向資料來源：NVIDIA，多模態(tài)大模型角逐日益激烈，自研模型本地部署是大方向3月15（集團202420衡量標準涵蓋經(jīng)濟抗衡力、行業(yè)影響力、技術競爭力、商業(yè)角逐力、營收規(guī)模、數(shù)據(jù)優(yōu)勢、模型規(guī)模、算力能級等十余個指標。排名前五的依次是，騰訊混元大模型、科大訊飛星火大模型、阿里巴巴通義千問大模型、華為盤古大模型和智譜華章智普清言大模型。OpenAISora模態(tài)（包括文本、圖像、音頻和視頻）相關數(shù)據(jù)方面的能力。多模態(tài)大模型可理解和生成不同形式的復雜數(shù)據(jù)，其重要性驟增，并將應用于包括數(shù)字人、游戲、廣告商拍、社交媒體、智能營銷、教培、健康醫(yī)療、新聞媒體及藝術創(chuàng)作等多個行業(yè)。據(jù)賽迪研究院強企業(yè)中僅有15%的企業(yè)具備文生視頻能力；從應用場景來看，相較語言大模型賦能行業(yè)，多模態(tài)大模型更加偏重落地場景。表15：AI多模態(tài)大模型企業(yè)20強排名企業(yè)名稱大模型名稱1騰訊混元2科大訊飛星火3阿里巴巴通義千問4華為盤古5智譜華章智普清言6百度文心一言7網(wǎng)易丹青8360360智腦9昆侖萬維天工10萬興科技天幕11商湯科技日日新12虹軟科技Muse13中國電信星辰14抖音imtr15因賽集團nihtT16第四范式式說17京東言犀18開普云開悟19小冰公司小冰20硅基智能炎帝資料來源：賽迪四川，億歐智庫，隨著企業(yè)自研大模型的發(fā)展，輕量級和本地部署已成為趨勢。輕量級加速體系結構在大模型部署終端側應用方面至關重要。應用方面，英偉達在mue03大會上發(fā)布模組JesAXRN，算力高達每秒275萬億次TOPS，性能是上一代產(chǎn)品的8倍，同時發(fā)布的工業(yè)級模組可以幫助客戶在農(nóng)業(yè)、建筑、能源、航空航天、衛(wèi)星等領域部署邊緣AIFteARM分別推出適用于邊緣計算的芯片F(xiàn)oi5和Hrcs、plo，F(xiàn)r5安全芯片防火墻性能大幅提升17倍，功耗相比業(yè)內(nèi)高性能通用U降低88%Hrls和polo性能最480成AI能力，實現(xiàn)更廣泛的邊緣計算應用。多模態(tài)大模型賦能終端，持續(xù)滲透C端及B端AI+手機：大模型接入手機，終端功能多樣化38MediaPipeLLMInferenceAPI，新版本使大語言模型（LLM）跨平臺在設備上運行。LLM100Wb開發(fā)人員的設備端LLMWbndod和S，LLM：GemmaPhi2FalconStableLMLLMAdoidMeiaPpeLLMnfeenePI可通過ndIo在設備上使用GmniAPI或ninoACre是Add4中引入的全新系統(tǒng)級功能，旨在為高端設備提供mniMLLA適配器和安全過濾器集成。初始版本支持以下四種模型架構，與其架構兼容的任何模型都可與MediaPipeLLMInferenceAPI一起使用。圖61：MediaPipeLLMInferenceAPI適配四種模型架構資料來源：NVIDIA，S24用戶將能通過三星構建的應用程序和服務訪AI模型Gmni借助miPoaxy24系列，三星的NtsVieeodr和eod應用程序可使用miPro優(yōu)化摘要功能。例ogmgn2在ly4Glry應用程序中使用Grtvet訪問照片編輯功能。GalaxyS24GeminiNanoGoogleMessagesGeminiUltra的公司之一，并將在2024年內(nèi)向開發(fā)人員和企業(yè)客戶提供。圖62：三星手機接入谷歌AI大模型Gemini資料來源：Google，AI+PC：MaaSToCAI手機成C端落地第一場景，引發(fā)換機需求CAIAI手機設備落地，進而引發(fā)換機需求。AIAIAI功能，可完成在不同智能設備上的應用，進而提升用戶生活品質(zhì)及工作效率，提振終端設備智能化需求。20237Meta2024Llama2”，高AIMta此舉預計將推動IC加速推廣到C端市場；邊緣端算力需求將成為算力側未來新的增長點。高通和Mta正在努力優(yōu)化Mta的Lma2大型語言模型的執(zhí)行，而不只依RR耳機和汽車等設備上運行Lm2等生成人工智能高通計劃提供基于Lma2的人