那，AIGC是怎样实现的呢？说到底，AIGC的本质是内容与场景，其发展需要AI技术、后端基础设施以及算法、算力和数据三要素的结合。我们以ChatGPT的迭代为例，从GPT到GPT-3，三要素的进化如下：

图：三要素逐步成熟，推动行业进入爆发期

算法方面，GPT-3引入了"人工标注数据+强化学习"的方法进行训练，相较于之前的版本，更加精细和智能化。模型参数量从GPT的1.17亿增加到GPT-3的1750亿，这使得模型更加庞大和复杂，能够处理更加复杂和丰富的语言任务。

数据方面，GPT-3的预训练数据量大幅增加，从GPT的5GB增加到GPT-3的45TB。这意味着GPT-3可以更好地学习和理解大规模的语言数据，提高了模型的语言表达能力和语境理解能力。

算力方面，GPT-3的训练成本非常高，单次训练成本甚至达到了数百万美元以上。它在微软云计算AzureAI超算基础设施上进行训练，总计算力消耗约3640PFs-days。这种庞大的算力支持了GPT-3的训练和推理能力，使其具备了更高的性能和更广泛的应用场景。

这其中，算力是当下市场更关注的主线，毕竟要实现AI的终极目标——AGI(Artificial General Intelligence，即通用人工智能)，算力是必由之路。产业链的众多玩家也正在持续增加算力投入，以提升人工智能大模型的性能。

尤其是，在以往，算力基础设施需求主要来源于数据中心、超算中心以及各大互联网公司的云计算中心，需求量和ChatGPT相比几乎是九牛一毛，且以往的应用场景主要是推理端像图像识别、语音识别等，而大模型的爆发导致训练的应用场景越来越多，对训练算力的需求会大幅增长，增长幅度能达到10倍甚至100倍。

据IDC预测，2022年全球人工智能市场规模将达到1017亿美元，2025年将超过2000亿美元。人工智能非常依赖于相关基础设施，包括计算、存储和网络等，随着人工智能向多场景化、规模化、融合化等高应用阶段发展，数据体量呈现出急剧增长态势，算法模型的参数量也呈指数级增加，以加速计算为核心的算力中心规模将不断扩大，对算力提出了更高的要求。

图：AI带来海量算力需求

据IDC预测，到2022年，中国的智能算力规模将达到268.0EFLOPS，超过通用算力规模。预计到2026年，智能算力规模将进入ZFLOPS级别，达到1,271.4EFLOPS。在2021-2026年期间，中国的智能算力规模年复合增长率预计将达到52.3%，而同期通用算力规模的年复合增长率为18.5%。根据《IDC中国服务器市场季度跟踪报告》及CPU双精度(FP64)运算能力数据，测算了中国通用算力规模。2021年中国通用算力规模达47.7EFLOPS，预计到2026年通用算力规模将达到111.3EFLOPS。2021-2026年期间，预计中国智能算力规模年复合增长率达52.3%，同期通用算力规模年复合增长率为18.5%

图：算力规模及预测(数据来源IDC)

无芯片，不AI

那么，这样强大的算力，是什么在支撑？答案是芯片。准确说，AI芯片是AI算力的核心。

有说法称，对标ChatGPT，做好一个大模型的最低门槛就是1万块A100的芯片。前面说到，随着人工智能应用场景和数据规模的扩大，算法模型的复杂度呈指数级增长，特别是深度学习成为主流，需要更快的计算速度。虽然CPU可以执行AI算法，但由于内部逻辑多，对于AI算法来说效率不高。因此，出现了专门的AI芯片，它们设计用于高效并行计算，加速AI计算过程，并提高性价比。

广义而言，AI 芯片指的是专门用于处理人工智能应用中大量计算任务的模块，除了以 GPU、FPGA、ASIC 为代表的 AI 加速芯片，还有比较前沿性的研究，例如：类脑芯片、可重构通用 AI 芯片等。狭义的 AI 芯片指的是针对人工智能算法做了特殊加速设计的芯片。

图：AI芯片技术架构

这里面，GPU是AI芯片主力军，因为它拥有卓越的高性能计算能力和通用性，适用于处理复杂算法和通用型人工智能平台。而随着人工智能技术、平台和终端的不断成熟，随着视觉、语音、深度学习的算法在FPGA以及ASIC芯片上的不断优化，此两者也有望逐步占有更多的市场份额。

图：主要AI芯片的功能特性比较(资料来源：IDC)

图：中国AI芯片市场规模占比(数据来源IDC)

根据VMR数据，全球和中国的GPU市场规模预计将继续快速增长。2021年全球GPU市场规模达到334.7亿美元，预计到2030年将增至4773.7亿美元，年复合增长率达34.4%。2020年中国GPU市场规模为47.39亿美元，预计到2027年将增至345.57亿美元，年复合增长率为32.8%。这表明GPU在人工智能领域的需求将继续扩大，并将成为市场的重要推动力量。

寻找中国版英伟达，期待国产替代空间

对于AI在下一轮科技革命中的地位，各国已经形成共识，都在纷纷抢滩。从中美对比来说，竞争优势的争夺就主要涉及前面提到的算法、大数据资源和算力三方面。在算法设计方面，双方没有明显差距，主要依赖设计团队的智慧和灵感；在大数据资源方面，中国占据着绝对优势，双方在大数据分析技术上相近。然而，决定人工智能产品的关键要素还包括“算力"，计算能力是计算机的核心能力，这也是中美两国长期竞争超级计算机领域的原因之一。国内大模型与国外的主要差距也体现在算力层面，没有算力基础，后面算法等发展都无法进行。

在AI芯片领域，国外的芯片巨头占据了大部分市场份额，有着明显的先发优势，比如英伟达、AMD、英特尔的营收几乎代表整个GPU行业收入。而国内的AI芯片产业起步较晚，与世界先进水平存在较大差距，国内AI芯片市场也较为分散，集中度较低，发展空间巨大。

图：AI芯片产业图谱

图：AI的核心驱动与英伟达的三重壁垒

资料来源：长江证券

不过，国内一批新兴力量正在崛起，竞争梯队越发丰富。从国内AI芯片厂商格局来看，以大算力或者高性能计算芯片为代表，一梯队，有成熟产品、批量出货的企业，主要包括寒武纪、华为海思、百度昆仑芯、燧原科技，这四家有2-3代更多的产品，技术能力、软件能力都有一定积累；二梯队，主要包括以AI芯片起家的壁仞科技、天数智心、摩尔线程、沐曦等。壁仞科技去年发布的产品规格很高，但主要还停留在纸面数据，实测数据、实际性能方面业界和第三方评测机构评价没有那么高，软件层面从使用角度来讲也还有很大的成长空间。其他几家也陆续有产品推出，但技术能力还停留在推理层面，不像一梯队企业有更成熟的产品经验；三梯队，如海光、景嘉微等。技术能力还有待市场的认可和验证。

图：国内AI厂商成立时间表(来源甲子光年)

从产品来说，目前国内已经批量生产的产品大多都是A100的上一代，如昆仑芯三代、思远590、燧思3.0等，不过，各公司正在研发更新一代产品，缩小国内外差距。向后看，基于国家政策的大力支持，以及自主可控的迫切需求，中国厂商有望迎来更大的国产替代机遇。而如果国内产品能够替代英伟达的算力产品，将会是非常大的机会。数据中心建设方面也需要服务器，会带动国内提供大型服务器的厂商，比如浪潮信息、中科曙光等，以及光模块、调节芯片和散热技术，需求都会受益于大模型浪潮。相信随着国内企业的持续投入和创新，以及政府的支持，中国在人工智能领域的发展势头仍然很强，有望逐步缩小与国外竞争对手的差距。

AI的一切才刚刚开始，其带来的潜在生产力提升和劳动力供应的增加等结果不可低估。而从当下的投资时点来看，2024年半导体芯片板块投资或许可以关注三条主逻辑：一是周期底部，景气复苏；二是人工智能推动超级创新周期，AI芯片迎来发展机遇；三是国产替代研发成果正在逐步落地，突破性产品发布。关注相关投资机会的投资者，可以通过芯片产业ETF(159310)进行布局，覆盖芯片领域高研发投入、高技术壁垒的50家优质成长型企业，把握芯片板块的持续增长机遇。4月8日开始，芯片ETF(159310)正在火热发售中，中信、中信建投、华泰、光大等渠道均可购买。

风险提示：观点仅供参考，不构成投资建议。文中所提及企业客观列示，不作为推介。市场有风险，投资需谨慎。指数基金存在跟踪误差。基金过往业绩不代表未来表现，购买前请仔细阅读《基金合同》和《招募说明书》。我国基金运作时间较短，不能反映证券市场发展的所有阶段。