全球AI軍備競賽通信行業(yè)蓬勃發(fā)展

證券研究報(bào)告

行業(yè)報(bào)告|行業(yè)投資策略2023年06月21日

通信

全球AI軍備競賽，通信行業(yè)蓬勃發(fā)展

作者：

分析師唐海清SAC執(zhí)業(yè)證書編號：S1110517030002

分析師王奕紅SAC執(zhí)業(yè)證書編號：S1110517090004

分析師林竑皓SAC執(zhí)業(yè)證書編號：S1110520040001

分析師余芳沁SAC執(zhí)業(yè)證書編號：S1110521080006

分析師康志毅SAC執(zhí)業(yè)證書編號：S1110522120002

行業(yè)評級：強(qiáng)于大市（維持評級）

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明上次評級：強(qiáng)于大市1

展望未來，通信行業(yè)部分細(xì)分產(chǎn)業(yè)鏈有望充分受益全球AI大趨勢以及國內(nèi)數(shù)字經(jīng)濟(jì)，行業(yè)景氣度有望持續(xù)得到印證。市

場情緒和風(fēng)格變化之下，通信行業(yè)主要標(biāo)的業(yè)績增速、長期成長性突出。

風(fēng)險(xiǎn)提示：5G產(chǎn)業(yè)和商用進(jìn)度低于預(yù)期、ChatGPT發(fā)展低于預(yù)期、ChatGPT政策監(jiān)管風(fēng)險(xiǎn)、下游應(yīng)用推廣不及預(yù)期、行

業(yè)競爭格局加劇、人才及技術(shù)更新風(fēng)險(xiǎn)。

重點(diǎn)標(biāo)的推薦

股票股票收盤價(jià)投資EPS(元)P/E

代碼名稱2023-06-16評級2022A2023E2024E2025E2022A2023E2024E2025E

300308.SZ中際旭創(chuàng)155.00買入1.531.762.383.06101.3188.0765.1350.65

300502.SZ新易盛68.64買入1.781.582.373.1838.5643.4428.9621.58

000063.SZ中興通訊39.00買入1.712.152.482.7822.8118.1415.7314.03

300394.SZ天孚通信107.30增持1.021.261.642.10105.2085.1665.4351.10

600522.SH中天科技16.08買入0.941.231.581.9617.1113.0710.188.20

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明

600487.SH亨通光電15.48買入0.640.981.261.5124.1915.8012.2910.25

600941.SH中國移動95.74買入5.876.396.917.4516.3114.9813.8612.85

002335.SZ科華數(shù)據(jù)38.74買入0.541.652.283.1471.7423.4816.9912.34

300442.SZ潤澤科技33.85增持1.261.922.613.5326.8717.6312.979.59

002929.SZ潤建股份44.08買入1.822.803.925.4324.2215.7411.248.12

002123.SZ夢網(wǎng)科技14.24增持-0.900.370.580.82-15.8238.4924.5517.37

688498.SH源杰科技283.00增持1.662.443.184.05170.48115.9888.9969.88

Wind

資料來源：、天風(fēng)證券研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明2

回顧總結(jié)與未來展望

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明3

通信產(chǎn)業(yè)鏈全景圖：

?通信產(chǎn)業(yè)鏈最下游兩大條線，圍繞運(yùn)營商，以及圍繞B端/G端等行業(yè)客戶應(yīng)用。

?運(yùn)營商產(chǎn)業(yè)鏈：以5G、10GPON等網(wǎng)絡(luò)建設(shè)，以及流量增長帶來的網(wǎng)絡(luò)持續(xù)升級擴(kuò)容，驅(qū)動整個(gè)硬件/

軟件/工程維護(hù)等產(chǎn)業(yè)鏈的成長；

?2B/2G等應(yīng)用：以算力（及配套的IDC、光模塊、網(wǎng)絡(luò)設(shè)備）、云視頻、物聯(lián)網(wǎng)等為主的豐富的產(chǎn)業(yè)應(yīng)

用，受益5G等新技術(shù)的變革，產(chǎn)業(yè)鏈持續(xù)發(fā)展。

5G通信網(wǎng)絡(luò)建設(shè)流量增長的網(wǎng)絡(luò)擴(kuò)容應(yīng)用上量

上游零網(wǎng)絡(luò)優(yōu)5G流量應(yīng)

主設(shè)備商主設(shè)備商運(yùn)營商基礎(chǔ)設(shè)施

上游零部件廠商部件化/運(yùn)維用

天線/陣光模塊光通信設(shè)

射頻器件散熱殼體宏基站中國移動網(wǎng)優(yōu)網(wǎng)維IDC機(jī)房

子備視頻會議

中際旭創(chuàng)

通宇通訊三維通信寶信軟件

世嘉科技光迅科技

世嘉科技銀寶山新超訊通信光環(huán)新網(wǎng)億聯(lián)網(wǎng)絡(luò)

武漢凡谷華工科技烽火通信

飛榮達(dá)科創(chuàng)新源宜通世紀(jì)奧飛數(shù)據(jù)蘇州科達(dá)

大富科技新易盛中興通訊

科創(chuàng)新源飛榮達(dá)國脈科技數(shù)據(jù)港淳中科技

國人通信劍橋科技諾基亞

碩貝德華為中國聯(lián)通海格通信萬國數(shù)據(jù)

海信寬帶中富通

Lumentum華星創(chuàng)業(yè)

流量監(jiān)控及

光模塊PCB/CCL連接器Finisar世紀(jì)鼎利云通信

內(nèi)容分發(fā)

創(chuàng)意信息

中際旭創(chuàng)深南電路

中航光電

光迅科技滬電股份中興通訊網(wǎng)宿科技夢網(wǎng)集團(tuán)

意華股份中國電信BOSS系

華工科技生益科技華為中新賽克中嘉博創(chuàng)

金信諾SDN/NFV

新易盛華正新材愛立信光器件統(tǒng)恒為科技

立訊精密諾基亞設(shè)備

劍橋科技建滔物聯(lián)網(wǎng)終

服務(wù)器/端模組

供電/防中興通訊交換機(jī)

鐵塔制冷太辰光移遠(yuǎn)通信

烽火通信鵬博士天源迪科

雷天孚通信廣和通

博創(chuàng)科技紫光股份思特奇浪潮信息

俊知集團(tuán)日海智能

Lumentum星網(wǎng)銳捷亞信科技中科曙光

中恒電氣中國鐵塔英維克高新興

Finisar華為東方國信星網(wǎng)銳捷

科士達(dá)華體科技依米康移為通信

Semtech思科紫光股份

新雷能中嘉博創(chuàng)佳力圖樂鑫科技

中光防雷中國廣電博通集成

?

?增長邏輯：5G用戶滲透，流量快速增長邏輯：ISP廠商基于新

?增長邏輯：5G基站上量，從預(yù)期到兌現(xiàn)

增長，網(wǎng)絡(luò)擴(kuò)容應(yīng)用和新內(nèi)容增長，加大

云計(jì)算基礎(chǔ)設(shè)施投入

資料來源：Wind、天風(fēng)證券研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明4

行情回顧——板塊行情回顧

回顧2022年初至2022年12月31日行情，通信指數(shù)跌

幅15.60%，排名第14名（總計(jì)31個(gè)行業(yè)）。

?從產(chǎn)業(yè)角度來看，我們認(rèn)為通信指數(shù)2022年初至

2022年年底表現(xiàn)排名市場整體中游水平的主要原

因包括：1）運(yùn)營商資本開支增速放緩；2）外部

宏觀環(huán)境影響等。

?從整體持倉比例來看，2022年，通信板塊基金持

倉處于歷史較低水平。21Q4-22Q3機(jī)構(gòu)通信持倉

比例有所提升，但22Q4的機(jī)構(gòu)持倉比例進(jìn)一步下

降至1.17%，顯著低于同期通信行業(yè)A股總市值占

比的3.59%，處于明顯低配狀態(tài)，且也處于歷史較

低水平。

資料來源：Wind、天風(fēng)證券研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明5

行情回顧——板塊估值有望逐步修復(fù)，重點(diǎn)關(guān)注低估值高成長方向

?從通信整體估值水平比看，板塊估值水平自2019年以來持續(xù)低于創(chuàng)業(yè)板平均估值，并且差距逐步擴(kuò)大，

縱向比較也處于通信板塊歷史估值底部區(qū)間。

?展望未來，通信行業(yè)部分細(xì)分產(chǎn)業(yè)鏈有望充分受益全球AI大趨勢以及國內(nèi)數(shù)字經(jīng)濟(jì)，行業(yè)景氣度有望

持續(xù)得到印證。

資料來源：Wind、天風(fēng)證券研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明6

展望未來——#1全球科技巨頭加速布局，AIGC產(chǎn)業(yè)高速發(fā)展

2022年12月，OpenAI的大型語言生成模型ChatGPT火熱。

隨后，全球各大科技企業(yè)都在積極擁抱AIGC，不斷推出

相關(guān)技術(shù)、平臺和應(yīng)用。生成算法、預(yù)訓(xùn)練模式、多模

態(tài)等AI技術(shù)累計(jì)融合，催生了AIGC的高速發(fā)展。

?GPT模型對比BERT模型、T5模型的參數(shù)量有明顯提

升。GPT-3是目前最大的知名語言模型之一，包含了

1750億（175B）個(gè)參數(shù)。

?在GPT-3發(fā)布之前，最大的語言模型是微軟的Turing

NLG模型，大小為170億（17B）個(gè)參數(shù)。GPT-3的

paper也很長，ELMO有15頁，BERT有16頁，

GPT-2有24頁，T5有53頁，而GPT-3有72頁。

資料來源：數(shù)字金融網(wǎng)微信公眾號、《LanguageModelsareFew-ShotLearners》TomB.Brown等、天風(fēng)證券

7

研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明

展望未來——#2網(wǎng)絡(luò)先行，輔以終端普及，催生內(nèi)容與應(yīng)用

從時(shí)間邏輯上講，新一代網(wǎng)絡(luò)科技浪潮，將又是一個(gè)先

網(wǎng)絡(luò)建設(shè)，輔以終端普及，而后推動內(nèi)容與應(yīng)用滲透的

過程。因此網(wǎng)絡(luò)是先行的；

近年來，新興應(yīng)用的涌現(xiàn)，亦是依托于新一代基礎(chǔ)基建

的逐步完善。

?5G網(wǎng)絡(luò)時(shí)代，終端的豐富性預(yù)計(jì)將會強(qiáng)很多（從5G

手機(jī)到VR／AR設(shè)備到可穿戴設(shè)備到無人駕駛汽車等

但爆款仍有待觀察），內(nèi)容和應(yīng)用目前雛形：VR／家居教育

AR游戲／云計(jì)算／人工智能／無人駕駛／工業(yè)互聯(lián)網(wǎng)

等等。

交通5G工業(yè)

?5G應(yīng)用：1）萬物互聯(lián)，快速打開物聯(lián)網(wǎng)/車聯(lián)網(wǎng)市

場空間，汽車智能化大趨勢下大量細(xì)分領(lǐng)域迎來發(fā)展

新機(jī)遇；2）RCS、視頻應(yīng)用、MCN等5G應(yīng)用迎來機(jī)

農(nóng)業(yè)服務(wù)

會；3）計(jì)算需求提升，邊緣計(jì)算也將逐步上量；

資料來源：IMT5G推進(jìn)組官網(wǎng)、創(chuàng)維數(shù)字官網(wǎng)、天風(fēng)證券研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明8

Part#1

AIGC引導(dǎo)產(chǎn)業(yè)變革

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明9

3.1.AIGC：孕育數(shù)字經(jīng)濟(jì)新業(yè)態(tài)的關(guān)鍵技術(shù)

AIGC(ArtificialIntelligenceGeneratedContent，人工智能生成內(nèi)容)是通過人工智能算法對數(shù)據(jù)或媒體進(jìn)行生產(chǎn)、操控和修改的統(tǒng)稱，

是繼專業(yè)生成內(nèi)容(PGC)和用戶生成內(nèi)容(UGC)之后自動生成內(nèi)容的新型生產(chǎn)方式。

◆AIGC的興起源于深度學(xué)習(xí)技術(shù)的突破和日益增長的數(shù)字內(nèi)容供給需求。一方面，深度學(xué)習(xí)技術(shù)驅(qū)動AIGC可用性不斷增強(qiáng)；另一方

面，海量需求牽引AIGC應(yīng)用落地。

◆AIGC有望成為數(shù)字內(nèi)容創(chuàng)新的新引擎，為數(shù)字經(jīng)濟(jì)發(fā)展注入全新動能。AIGC不僅能以低邊際成本、高效率的方式進(jìn)行信息挖掘、

復(fù)刻編輯等基礎(chǔ)性機(jī)械勞動，還能創(chuàng)新內(nèi)容生產(chǎn)的流程和范式，提升內(nèi)容生產(chǎn)的創(chuàng)造力。同時(shí)，AIGC能夠通過支持?jǐn)?shù)字內(nèi)容與其

他產(chǎn)業(yè)的多維互動、融合滲透從而孕育數(shù)字經(jīng)濟(jì)的新業(yè)態(tài)新模式，打造經(jīng)濟(jì)發(fā)展新增長點(diǎn)。

圖：AIGC發(fā)展歷程

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：中國信息通信研究院和京東探索研究院，天風(fēng)證券研究所10

3.1.AIGC：孕育數(shù)字經(jīng)濟(jì)新業(yè)態(tài)的關(guān)鍵技術(shù)

◆AIGC根據(jù)面向?qū)ο?、?shí)現(xiàn)功能的不同分為智能數(shù)字內(nèi)容孿生、智能數(shù)字內(nèi)容編輯和智能數(shù)字內(nèi)容創(chuàng)作三個(gè)層次。智能數(shù)字內(nèi)容孿生

主要目標(biāo)是建立現(xiàn)實(shí)世界到數(shù)字世界的映射；智能數(shù)字內(nèi)容編輯主要目的是建立數(shù)字世界與現(xiàn)實(shí)世界的雙向交互。在數(shù)字內(nèi)容孿生

的基礎(chǔ)上，從現(xiàn)實(shí)世界實(shí)現(xiàn)對虛擬數(shù)字世界中內(nèi)容的控制和修改，同時(shí)利用數(shù)字世界高效率仿真和低成本試錯(cuò)的優(yōu)勢，為現(xiàn)實(shí)世界

的應(yīng)用提供快速迭代能力；智能數(shù)字內(nèi)容創(chuàng)作主要目標(biāo)是讓AI算法具備內(nèi)容創(chuàng)作和自我演化的能力，使得AIGC產(chǎn)品具備類似甚至

超越人的創(chuàng)作能力。以上三個(gè)層次的能力共同構(gòu)成AIGC的能力閉環(huán)。

圖：AIGC的技術(shù)能力層次

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：中國信息通信研究院和京東探索研究院，天風(fēng)證券研究所11

3.1.AIGC：孕育數(shù)字經(jīng)濟(jì)新業(yè)態(tài)的關(guān)鍵技術(shù)

◆深度學(xué)習(xí)的發(fā)展帶來了神經(jīng)網(wǎng)絡(luò)在大模型和多模態(tài)兩個(gè)方向的不斷突破，為AIGC技術(shù)能力的升級提供強(qiáng)力支撐。當(dāng)前AIGC技術(shù)從

追求生成內(nèi)容的真實(shí)性這一基本需求，發(fā)展到滿足生成內(nèi)容多樣性、可控性的進(jìn)階需求，并開始追求生成內(nèi)容的組合性。

◆在應(yīng)用上，AIGC以其真實(shí)性、多樣性、可控性和組合性的特征，有望幫助各行業(yè)提高內(nèi)容生產(chǎn)效率，并為其提供更為豐富多元、動

態(tài)且可交互的內(nèi)容。以傳媒行業(yè)為例，AIGC+傳媒可以實(shí)現(xiàn)人機(jī)協(xié)同生產(chǎn)，推動媒體融合。在采編環(huán)節(jié)，采訪語音轉(zhuǎn)寫、智能新聞

寫作加視頻剪輯，可以提升新聞資訊的時(shí)效性。在傳播環(huán)節(jié)，AIGC應(yīng)用集中于以AI合成主播為核心的新聞播報(bào)領(lǐng)域，并呈現(xiàn)應(yīng)用范

圍不斷拓展、應(yīng)用場景不斷升級和應(yīng)用形態(tài)日趨完善的特點(diǎn)。

圖：AIGC應(yīng)用視圖

圖：AIGC多模態(tài)大模型生成結(jié)果圖

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：中國信息通信研究院和京東探索研究院，天風(fēng)證券研究所12

3.2.大模型拓展AI應(yīng)用可能邊界

近年，隨著機(jī)器學(xué)習(xí)研究的不斷深入，大規(guī)模并行化計(jì)算和遷移學(xué)習(xí)理論逐步形成，結(jié)合硬件層面算力和適配性的提升，大模型應(yīng)運(yùn)而

生。較過往的場景化AI應(yīng)用，大模型性能明顯增強(qiáng)，實(shí)現(xiàn)了可執(zhí)行任務(wù)的多樣性，極大拓展了AI應(yīng)用可能邊界。

◆前期理論研究和算法突破奠定大模型基礎(chǔ)。Thrun等人證明AI模型可以實(shí)現(xiàn)遷移學(xué)習(xí)(transferlearning)，即將從特定任務(wù)的模式識

別能力用于另一項(xiàng)任務(wù)[1]。此外，異步優(yōu)化算法(asynchronousalgorithm)的完善，大幅提高了系統(tǒng)利用率，使得實(shí)證中模型優(yōu)化

速度明顯提升。

◆Transformer模型開啟大模型時(shí)代。2017年提出的Transformer模型完全基于多注意力機(jī)制[3]，該結(jié)構(gòu)更易并行化和進(jìn)行多任務(wù)學(xué)習(xí)，

模型訓(xùn)練時(shí)間也明顯更少。該模型迅速成為深度學(xué)習(xí)主流模型框架，衍生的自回歸系列架構(gòu)、自編碼系列架構(gòu)等在生成性任務(wù)和自

然語言理解上大放異彩。

圖：Transformer和多注意力機(jī)制結(jié)構(gòu)[3]

圖：并行同步和異步算法比較[2]

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：ACM，IEEEXplore，NIPS，天風(fēng)證券研究所13

3.2.大模型拓展AI應(yīng)用可能邊界

openAI等團(tuán)隊(duì)不斷改進(jìn)模型結(jié)構(gòu)，并通過輕量化方法對模型進(jìn)行“瘦身”，讓大模型實(shí)現(xiàn)效率、成本和性能的綜合性提升。

◆GPT-1和GPT-2模型結(jié)構(gòu)基于Transformer的解碼器(decoder)而來。GPT-1模型使用12層的Transformer解碼器結(jié)構(gòu)和掩碼自注意力

機(jī)制，以探索該模型架構(gòu)在多任務(wù)學(xué)習(xí)上的表現(xiàn)。GPT-2模型在GPT-1模型基礎(chǔ)上，調(diào)整和添加了層標(biāo)準(zhǔn)化，并調(diào)整殘差層權(quán)重以

應(yīng)對殘差路徑上的累積問題。

◆GPT-3模型在GPT-2模型上進(jìn)行了改進(jìn)和模型大小擴(kuò)充，以追求小樣本學(xué)習(xí)情境下的泛化能力。GPT-3模型使用和GPT-2模型基本相

同的結(jié)構(gòu)，但其中也借鑒了SparseTransformer中的Dense層和LocallyBandedSparseAttension層設(shè)置。考慮到之前GPT-2模型在無

微調(diào)情況下的多任務(wù)表現(xiàn)欠佳，GPT-3模型擴(kuò)充了其模型層數(shù)和維度，使得參數(shù)最大可以達(dá)到1750億個(gè)。

◆InstructGPT和ChatGPT在GPT-3模型研究基礎(chǔ)上，進(jìn)一步改進(jìn)其模型結(jié)構(gòu)。根據(jù)openAI官網(wǎng)公布，作為ChatGPT姊妹模型的

InstructGPT參數(shù)數(shù)量為13億個(gè)，模型明顯小于GPT-3模型，但在性能上并不遜于后者，且更少出現(xiàn)偽造信息等問題。

圖：GPT-1模型結(jié)構(gòu)[4]圖：GPT-2模型大小[5]

圖：InstructGPT模型大小及性能描述

圖：GPT-3模型大小[6]

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：Github，openAI官網(wǎng)，天風(fēng)證券研究所14

3.2.大模型拓展AI應(yīng)用可能邊界

除了模型結(jié)構(gòu)的演化，訓(xùn)練方法和訓(xùn)練集的改進(jìn)也讓大模型輸出更加貼近用戶需求，進(jìn)一步提升大模型的實(shí)用性。

◆GPT系列模型不斷強(qiáng)化多任務(wù)學(xué)習(xí)能力及泛化能力。GPT-1模型中，openAI團(tuán)隊(duì)采用無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練+有監(jiān)督微調(diào)模式，測試發(fā)

現(xiàn)針對特定任務(wù)區(qū)分性微調(diào)后的GPT-1表現(xiàn)較傳統(tǒng)任務(wù)特化模型更佳?？紤]到任務(wù)相關(guān)數(shù)據(jù)集的可獲得性及成本和微調(diào)過程中過擬

合任務(wù)相關(guān)數(shù)據(jù)集等問題，GPT-2僅對模型進(jìn)行了無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練，并測試其在多任務(wù)中的表現(xiàn)?？紤]GPT-2模型表現(xiàn)的不足，

GPT-3模型引入了無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練+少樣本學(xué)習(xí)模式，相較于之前的有監(jiān)督微調(diào)，少樣本學(xué)習(xí)僅需要不到100個(gè)樣本數(shù)據(jù)（zero-

shot：不提供樣本，one-shot：提供1個(gè)樣本，few-shot：提供10-100個(gè)樣本），對任務(wù)相關(guān)數(shù)據(jù)集的需求量大幅下降，同時(shí)模型

依舊在各項(xiàng)任務(wù)測試中取得較好表現(xiàn)。

◆GPT系列模型訓(xùn)練集生成方式在不斷改進(jìn)，訓(xùn)練集大小快速上升。GPT-2模型所用的訓(xùn)練數(shù)據(jù)集規(guī)模超過40GB，而為了滿足超大模

型對訓(xùn)練數(shù)據(jù)的需求，GPT-3模型使用了超過45TB數(shù)據(jù)進(jìn)行訓(xùn)練。

圖：GPT-1模型結(jié)構(gòu)及有監(jiān)督微調(diào)訓(xùn)練方式（橙色部分）[4]圖：GPT-3模型少樣本學(xué)習(xí)后的表現(xiàn)[6]

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：Github，openAI官網(wǎng)，天風(fēng)證券研究所15

3.2.大模型拓展AI應(yīng)用可能邊界

除了模型結(jié)構(gòu)的演化，訓(xùn)練方法的改進(jìn)也讓大模型輸出更加貼近用戶需求，進(jìn)一步提升大模型的實(shí)用性。

◆InstructGPT和ChatGPT模型進(jìn)一步更新訓(xùn)練模式，提升其對人類思維的理解能力?；谇笆瞿Ｐ偷难芯拷Y(jié)果，InstructGPT和

ChatGPT模型的訓(xùn)練方式更新為RLHF(基于人類反饋的強(qiáng)化學(xué)習(xí)方法)：對模型進(jìn)行監(jiān)督微調(diào)(fine-tuning)——訓(xùn)練獎(jiǎng)勵(lì)模型(RM)—

—基于獎(jiǎng)勵(lì)模型進(jìn)行近端策略優(yōu)化(PPO)。在這一過程中，基于人類排序標(biāo)注的訓(xùn)練集訓(xùn)練得到的獎(jiǎng)勵(lì)模型能夠有效反映人類的表

達(dá)和思維習(xí)慣，這使得模型相較過去的大模型能夠更好遵循用戶的意圖。

圖：InstructGPT多維度綜合表現(xiàn)評估

圖：InstructGPT和ChatGPT訓(xùn)練方式[7]

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：openAI官網(wǎng)，天風(fēng)證券研究所16

3.2.大模型拓展AI應(yīng)用可能邊界

ChatGPT等大模型的成功，意味著AI模型的通用性實(shí)現(xiàn)了突破，顯著降低了研發(fā)成本，滿足了當(dāng)前日益碎片化、多樣化的AI解決方案

需求。

◆大模型具有以下幾點(diǎn)主要優(yōu)勢：1.大模型可以提供具有通用性的預(yù)訓(xùn)練方案；2.大模型具備自監(jiān)督學(xué)習(xí)功能，降低了模型訓(xùn)練成

本；3.大模型有望進(jìn)一步突破AI模型結(jié)構(gòu)精度局限。

◆大模型為應(yīng)用端提供了“預(yù)訓(xùn)練大模型+下游任務(wù)微調(diào)/少樣本學(xué)習(xí)”的低成本解決方案，自監(jiān)督學(xué)習(xí)讓模型訓(xùn)練不再依賴昂貴的

人工標(biāo)注數(shù)據(jù)集，AI應(yīng)用有望從“手工廠”模式走向“流水線”模型。

圖：大模型，既是單一模型，也是多模型[8]

圖：大模型能夠?qū)崿F(xiàn)多模態(tài)學(xué)習(xí)[8]

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：ArXiv，天風(fēng)證券研究所17

3.3.多模態(tài)學(xué)習(xí)時(shí)代已至，技術(shù)突破推動應(yīng)用落地

展望未來，我們認(rèn)為，多模態(tài)模型將成為通用人工智能實(shí)現(xiàn)的關(guān)鍵，并推動AIGC應(yīng)用加速滲透和算力、通信及存儲需求的進(jìn)一步提升。

◆多模態(tài)學(xué)習(xí)讓AI模型能夠和人類一樣基于多方面信息了解事物和強(qiáng)化認(rèn)知。模態(tài)指的是信息的特定接受方式，是相較媒體更為細(xì)

粒度的劃分。多模態(tài)指具有不同結(jié)構(gòu)特征和表現(xiàn)形式的數(shù)據(jù)，例如同一對象的不同媒體數(shù)據(jù)或者不同類型傳感器獲取的同一類媒

體數(shù)據(jù)等。大模型讓多模態(tài)信號輸入和輸出成為可能，這將賦予AI應(yīng)用與人類相似的信息流處理方式，讓通用人工智能成為現(xiàn)實(shí)。

◆多模態(tài)模型應(yīng)用時(shí)代已經(jīng)到來，將極大推動AI在各行業(yè)的滲透與普及。2023年3月1日，微軟推出多模態(tài)大語言模型KOSMOS-1，

實(shí)現(xiàn)了多模態(tài)的輸入輸出。3月6日，谷歌發(fā)布PaLM-E模型，參數(shù)量最高可達(dá)5620億個(gè)，能夠基于文本和圖像輸入完成文本交互、

推理、路徑規(guī)劃和過程控制等多重任務(wù)。兩種模型的應(yīng)用場景多樣性將加速AI相關(guān)產(chǎn)品的普及應(yīng)用。

圖：KOSMOS-1實(shí)現(xiàn)了對圖像和文本數(shù)據(jù)的嵌入[9]

圖：PaLM-E模型介紹圖[10]

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：ArXiv，GoogleResearch，天風(fēng)證券研究所18

3.3.多模態(tài)學(xué)習(xí)時(shí)代已至，技術(shù)突破推動應(yīng)用落地

◆3月15日，openAI發(fā)布GPT-4模型，模型接受文本和圖像輸入信息，并進(jìn)行文本輸出，經(jīng)過微軟雷蒙德研究院和獨(dú)立研究機(jī)構(gòu)ARC

測試，GPT-4模型已經(jīng)具備基于常識概念的理解和推理能力，實(shí)現(xiàn)了向通用人工智能(AGI)邁進(jìn)的一大步，或?qū)⒊蔀锳GI的一種早

期版本。

◆從簡單多模態(tài)走向復(fù)雜多模態(tài)應(yīng)用，需要集成各類模型實(shí)現(xiàn)對信息流的嵌入處理。以PaLM-E為例，其由ViT模型和PaLM模型融合

而成，圖像信息通過ViT模型進(jìn)行嵌入處理后，和文本信息的嵌入序列一同交由PaLM模型處理并輸出，以實(shí)現(xiàn)對多模態(tài)數(shù)據(jù)的信

息融合和有效處理。隨著所用數(shù)據(jù)模態(tài)的多樣化，不僅數(shù)據(jù)輸入輸出帶來更高的通信和數(shù)據(jù)存儲需求，而且應(yīng)用中也將需要集成

更多模型以完成數(shù)據(jù)的嵌入處理，這將使得模型整體更為龐大，對算力資源的需求進(jìn)一步提升。

圖：GPT-4能力展示

圖：對數(shù)據(jù)進(jìn)行嵌入處理實(shí)現(xiàn)多模態(tài)學(xué)習(xí)

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明資料來源：ArXiv，NVIDIA官網(wǎng)，openAI官網(wǎng)，天風(fēng)證券研究所19

◆參考文獻(xiàn)：

[1]F.Zhuangetal.AComprehensiveSurveyonTransferLearning[J].ProceedingsoftheIEEE,vol.109,no.1,pp.43-76,Jan.2021.

鏈接：AComprehensiveSurveyonTransferLearning|IEEEJournals&Magazine|IEEEXplore

[2]J.ZhangandK.You,AsySPA:AnExactAsynchronousAlgorithmforConvexOptimizationOverDigraphs[J].IEEETransactionsonAutomaticControl,vol.65,no.

6,pp.2494-2509,June2020.

鏈接：AsySPA:AnExactAsynchronousAlgorithmforConvexOptimizationOverDigraphs|IEEEJournals&Magazine|IEEEXplore

[3]VaswaniA,ShazeerN,ParmarN,etal.Attentionisallyouneed[J].Advancesinneuralinformationprocessingsystems,2017,30.

鏈接：AttentionisAllyouNeed(neurips.cc)

[4]RadfordA,NarasimhanK,SalimansT,etal.Improvinglanguageunderstandingbygenerativepre-training[J].2018.

鏈接：radford2018improving.pdf(ubc.ca)

[5]RadfordA,WuJ,ChildR,etal.Languagemodelsareunsupervisedmultitasklearners[J].OpenAIblog,2019,1(8):9.

鏈接：LanguageModelsareUnsupervisedMultitaskLearners(life-extension.github.io)

[6]BrownT,MannB,RyderN,etal.Languagemodelsarefew-shotlearners[J].Advancesinneuralinformationprocessingsystems,2020,33:1877-1901.

鏈接：GPT3_Brown_2020.pdf(ailab-ua.github.io)

[7]OuyangL,WuJ,JiangX,etal.Traininglanguagemodelstofollowinstructionswithhumanfeedback[J].arXivpreprintarXiv:2203.02155,2022.

鏈接：2203.02155.pdf()

[8]BommasaniR,HudsonDA,AdeliE,etal.Ontheopportunitiesandrisksoffoundationmodels[J].arXivpreprintarXiv:2108.07258,2021.

鏈接：2108.07258.pdf()

[9]HuangS,DongL,WangW,etal.LanguageIsNotAllYouNeed:AligningPerceptionwithLanguageModels[J].arXivpreprintarXiv:2302.14045,2023.

鏈接：2302.14045.pdf()

[10]DriessD,XiaF,SajjadiMSM,etal.PaLM-E:AnEmbodiedMultimodalLanguageModel[J].arXivpreprintarXiv:2303.03378,2023.

鏈接：2303.03378.pdf()

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明20

Part#1.1

光模塊：去偽存真，中國廠商份額持續(xù)提升

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明21

AIGC——光模塊：新一輪科技革命到來，光模塊成為最閃亮的“星”

?以ChatGPT為代表的生成式AI工具正引領(lǐng)新一輪科技革命，英偉達(dá)也接連發(fā)布新款產(chǎn)品為下一波AI提供技

術(shù)助力。前沿科技產(chǎn)業(yè)化的落地需要云廠商龐大的算力支持，而光通信網(wǎng)絡(luò)是算力網(wǎng)絡(luò)的重要基礎(chǔ)和堅(jiān)實(shí)底座，

預(yù)計(jì)這將進(jìn)一步推動海外云巨頭對于數(shù)據(jù)中心硬件設(shè)備的需求增長與技術(shù)升級。

?Lightcounting預(yù)測，全球光模塊的市場規(guī)模在未來5年將以CAGR11%保持增長，2027年將突破200億美

元。

資料來源：中際旭創(chuàng)年報(bào)、Lightcounting、天風(fēng)證券研究所請務(wù)必閱讀正文之后的信息披露和免責(zé)申明22

AIGC——光模塊：中國光模塊廠商全球份額穩(wěn)步提升

?根據(jù)Lightcounting以及Omedia數(shù)據(jù)，過去10年中國光模塊企業(yè)全球市場份額持續(xù)拓展，全球光模塊出貨量

前十名的公司，從2010年的僅有WTD一家中國企業(yè)，發(fā)展到2022年中際旭創(chuàng)已經(jīng)位列全球市場并列第一。

?光模塊行業(yè)的持續(xù)成長疊加國內(nèi)廠商全球份額持續(xù)提升，優(yōu)質(zhì)頭部公司成長有望超越行業(yè)平均水平。

光通信模塊行業(yè)的下游主要是通信設(shè)備制造商和大

型互聯(lián)網(wǎng)企業(yè)，光通信模塊產(chǎn)品的運(yùn)用領(lǐng)域涵蓋了

云計(jì)算數(shù)據(jù)中心、寬帶接入及長距離傳輸?shù)刃袠I(yè)。

高速光通信模塊是光通訊設(shè)備中的核心組件，作為

信息化和互連通信系統(tǒng)中必需的核心器件，光通信

模塊的發(fā)展對5G通信、電子、大數(shù)據(jù)、互聯(lián)網(wǎng)行

業(yè)的影響至關(guān)重要。同時(shí)，也只有不斷提高光通信

轉(zhuǎn)換模塊產(chǎn)品的速率、積極研發(fā)出更高規(guī)格的模塊，

才能滿足下游產(chǎn)業(yè)迅速發(fā)展的要求

Lightcounting

資料來源：中際旭創(chuàng)年報(bào)、中國產(chǎn)業(yè)經(jīng)濟(jì)信息網(wǎng)、、天風(fēng)證券研究所23

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明

Part#1.2

光芯片：去偽存真，中國廠商份額持續(xù)提升

請務(wù)必閱讀正文之后的信息披露和免責(zé)申明24

AIGC——光芯片：不同類型半導(dǎo)體材料的應(yīng)用領(lǐng)域

◆半導(dǎo)體材料包括三大類：

?1、單元素半導(dǎo)體材料，即以單一元素構(gòu)成的半導(dǎo)體材料，主要包括硅（Si）、鍺（Ge），其中硅基半導(dǎo)體材料是目前產(chǎn)量最大、成本

最低、應(yīng)用最廣的半導(dǎo)體材料；

?2、III-V族化合物半導(dǎo)體材料，即以III-V族元素的化合物構(gòu)成的半導(dǎo)體材料，主要包括砷化鎵（GaAs）、磷化銦（InP），具有電子遷移

率高、光電性能好等特點(diǎn)，是當(dāng)前僅次于硅之外最成熟的半導(dǎo)體材料，在5G通信、數(shù)據(jù)中心、光纖通信、新一代顯示、人工智能、無

人駕駛、可穿戴設(shè)備、航天方面有廣闊的應(yīng)用前景；

?3、寬禁帶半導(dǎo)體，以氮化鎵（GaN）和碳化硅（SiC）等為代表，具有高禁帶寬度、耐高壓和大功率等特點(diǎn)，在通信、新能源汽車等領(lǐng)

域前景廣闊，但目前成本較高。

單元素半導(dǎo)體材料III-V族化合物半導(dǎo)體材料寬禁帶半導(dǎo)體材料

項(xiàng)目

硅鍺砷化鎵磷化銦氮化鎵碳化硅

分子式SiGeGaAslnPGaNSiC

導(dǎo)熱性好、光電轉(zhuǎn)

電子遷移率、空穴光電性能好、耐熱、

特點(diǎn)儲量大、價(jià)格便宜換效率高、光纖傳高頻、耐高溫、大功率

遷移率高抗輻射

輸效率高

應(yīng)用領(lǐng)域先進(jìn)制程芯片空間衛(wèi)星LED器、射頻模組光通信充電器、高鐵電動汽車