華泰證券研報分析，從大模型的演化路徑來看，模型體量還將進一步擴張，從而帶來算力需求持續增長。長遠來看，成熟大模型的運營有望帶來3169億美元的服務器增量市場，較2023年全球211億美元的AI服務器市場而言，仍有較大成長空間。基于此，我們認為大模型持續迭代有望帶來大量算力基礎設施需求，建議關注算力產業投資機遇。

全文如下

華泰|計算機：從大模型演進測算全球AI算力空間

我們認為，從大模型的演化路徑來看，模型體量還將進一步擴張，從而帶來算力需求持續增長。長遠來看，成熟大模型的運營有望帶來3169億美元的服務器增量市場，較2023年全球211億美元的AI服務器市場而言，仍有較大成長空間。基于此，我們認為大模型持續迭代有望帶來大量算力基礎設施需求，建議關注算力產業投資機遇。

核心觀點

全球AI算力需求繼續向上

隨著大模型持續迭代，模型能力不斷增強，其背后是“ScalingLaw”下模型參數量和數據集不斷增長的結果。我們認為，從大模型的演化路徑來看，模型體量還將進一步擴張，從而帶來算力需求持續增長。具體來看，大模型對算力的需求體現在預訓練、推理、調優三個環節。根據我們的測算，以1000億參數模型為例，三個環節的算力總需求約18萬PFlop/s-day，對應需要2.8萬張A100等效GPU算力。長遠來看，成熟大模型的運營有望帶來3169億美元的服務器增量市場，較2023年全球211億美元的AI服務器市場而言，仍有較大成長空間。基于此，我們認為大模型持續迭代有望帶來大量算力基礎設施需求，建議關注算力產業投資機遇。

模型體量越來越大，帶動算力建設需求

大語言模型（LLM）是在大量數據集上預訓練的模型，其在處理各種NLP任務方面顯示出了較大潛力。Transformer架構的出現開啟了大模型的演化之路，隨著解碼模塊堆疊數量的不斷增長，模型參數量持續增加，逐漸演化出GPT-1、GPT-2、GPT-3、PaLM、Gemini等不同版本模型，參數量也從十億、百億，向千億、萬億增長。我們看到，每一代模型的演化都帶來能力的增強，背后一個很重要的原因在于參數量和數據集的增長，帶來模型感知能力、推理能力、記憶能力的不斷提升。基于模型的縮放定律，我們認為未來模型迭代或仍將延續更大參數量的路徑，演化出更加智能的多模態能力。

大模型的算力需求體現在：預訓練、推理、調優

拆解來看，大模型的算力需求場景主要包括預訓練、Finetune及日常運營。對于三部分的算力需求，我們的測算思路如下：1）預訓練：基于“Chinchilla縮放定律”假設，計算量可以通過公式C≈6NBS來刻畫；2）推理：以ChatGPT流量為基準，計算量可以通過公式C≈2NBS來刻畫；3）調優：通過調優所需的GPU核時數倒推。以1000億參數模型的預訓練/推理/調優為例，三個環節所需的算力需求分別為13889、5555.6、216PFlop/s-day。我們認為，在縮放定律（ScalingLaw）加持下，隨著模型體量增長，算力需求有望持續釋放。

基礎設施需求有望持續釋放，關注算力產業投資機遇

結合對大模型預訓練/推理/調優的算力需求測算，我們預計從開發到成熟運營一個千億模型，對A100等效GPU的需求量為2.8萬張。根據我們的測算，成熟大模型的運營有望帶來3169億美元的全球AI服務器增量市場。對比來看，據IDC，2023年全球AI服務器市場規模211億美元，預計2024-2025年CAGR將達22.7%，未來仍有較大成長空間。此外，考慮到國內對高性能芯片獲取受限，AIGPU國產化也有望進一步提速。

風險提示：宏觀經濟波動、下游需求不及預期、測算結果可能存在偏差。