AI大模型风起云涌，半导体与光模块长期受益（附下载）
今天分享的是行业报告：《AI大模型风起云涌，半导体与光模块长期受益》
（内容出品方：东海证券）
报告共计：55页
全球AI大模型高速发展，算力需求高增驱动AI服务器三年CAG R约为29%的增长，带动算力芯片与光模块产业链受益。
2023年以来，以ChatGPT、Sora为代 表的多模态AI大模型横空出世，标志着人工智能技术已经进入一个新的纪元。未来，通用人工智能（ AGI）有望集多模态感知、大数据分析、机器学习、自动 化决策于一体，重塑人类工作和生产生活的方式，引领人类步入第四次工业革命。算力的高速增长需要更多的 AI服务器支撑，20 23年全球AI服务器约85.5万台， 到2026年预计将达到2 36.9万台，CAGR为2 9.02 %，从而驱动AI算力芯片与配套的光模块产业高增长。
光模块受益算力需求高增长，我国模块封装能力成熟，或将受益高速光模块需求增长，同时受益光芯片国产化进程 。
光模块用于服务器或者数据中心的高速互 联，主要下游在电信与IDC，随着AI服务器发力发展，数通光模块在20 26年或将占据60 %份额。全球TOP10大光模块企业中，中国大陆占据5家，封装能力全 球领先。从光模块成本结构看，光模块器件占据了光模块 7 3%的成本，而光芯片与电芯片占据光器件的主要成本，高端光芯片（ 25G以上）国产替代率较低， 国内企业在2.5G和10G光芯片领域基本实现了核心技术的掌握，国产化率分别为 90%和60%，但是25G光芯片国产化率为20%，25G以上光芯片国产化率仅为 5 %，国产替代空间较大。
1.1、通用AI概念：AI有望引领人类第四次工业革命
复盘历史上三次工业革命，每一轮都伴随着核心技术的突破和生产方式的重大变革。 第一次工业革命以蒸汽机的发明为代表，机器解放了人类的双 手，第二次则由电力和内燃机驱动，改变了人类交通和通信的方式，第三次是计算机和互联网技术的发明，使自动化产线和工业机器人得以大规模 应用，移动通讯技术发展使信息传播速度前所未有，极大促进了生产力的发展。
2023年以来，以ChatGPT、Sora为代表的多模态AI大模型横空出世，标志着人工智能技术已经进入一个新的纪元。未来，通用人工智能（AGI） 有望集多模态感知、大数据分析、机器学习、自动化决策于一体，重塑人类工作和生产生活的方式，引领人类步入第四次工业革命。
1.1、通用AI概念：人工智能的分类和三大要素
人工智能（Artificial Intelligence）是通过计算机和算法来模拟、扩展人类智能的一门技术科学。其本质是使计算机和人一样具备学习、推理、感知和决策的能 力，代替人类解决和处理各类复杂的工作，从而提升效率和解放生产力。常见的AI研究包括机器学习、机器视觉、自然语言处理和专家系统等。
按照智能程度划分，AI可分为弱人工智能（ANI）、通用人工智能（AGI）和超级人工智能（ASI）。弱人工智能是指只能解决单个特定领域问题的AI，如面部 识别、语音识别等，目前已广泛应用。通用人工智能是指具备人类级别智能的AI，目前还尚未实现，但Sora的问世无疑使我们离AGI更进了一步。超级人工智能 是指超越人类智能且具有自主思维意识的AI，目前尚处理论阶段。
人工智能具有算力、算法、数据三大要素，其中基础层提供算力支持，通用技术平台解决算法问题，场景化应用挖掘数据价值。
1.2、AIGC产业链：基础设施是AI算力之源，下游应用前景广阔
AIGC 即 AI Generated Content，即利用AI技术自动创建文本、图像、视频等内容，它被认为是继PGC、UGC之后的新型内容创作方式。
AIGC产业可分为基础设施层、模型层和应用层，每一层都是AIGC产业链不可或缺的组成部分，共同构成了一个完整的生态系统，以支持 从数据处理到内容创作的所有环节。
上游：基础设施层：构成AIGC核心的计算和存储平台，包括数据中心、算法平台、以及AI服务器、高性能计算硬件以及云计算服务。
中游：模型层：包括开发和训练各类AI大模型的算法和技术，主要为中美互联网科技巨头如OpenAI、微软、谷歌、百度、阿里等。
下游：应用层：直接面向最终用户的AIGC产品和服务，如C端的多模态生成式AI产品，以及各类B端的垂直行业大模型解决方案。
1.4、 算力需求激增 ： AI大模型的性能和训练算力需求呈显著正相关
➢ 机器学习的训练计算可分为三个时期：
➢ 前深度学习时代（1952-2010）：这一时期算力增长主要受CPU和初期GPU的性能提 升驱动，训练计算需求大约每20个月翻一 番，基本符合摩尔定律。
➢ 深度学习时代（2010-2015）：随着深度学 习技术的兴起，算力需求增速显著加快，GPU开始被大量用于神经网络训练，训练 算力翻倍时间缩短至大约5-6个月，超越了 摩尔定律。
➢ 大模型时代（2015-至今）：随着BERT、 GPT等千亿乃至万亿级参数规模的大模型涌现，算力需求再次显著增加，尽管算力翻倍 时间放缓至10个月左右，但其计算量相较 深度学习时代提升了2-3个数量级。
➢ 未来，随着ChatGPT、Sora、文心一言等 大模型的普及，模型推理所需的算力也会大幅增加，从而进一步提高对AI算力的需求， 带动整个AI算力产业链不断增长。
1.4、算力需求激增： AI大模型的训练和推理均离不开强大算力支撑
AI大模型的实践应用涵盖了两个核心阶段：模型训练和模型推理，这两个环节共同构成了AIGC技术的算力框架。
训练：指通过学习大量数据来不断优化模型参数，以期能够准确响应特定任务，随着参数增加或训练次数增多，其对算力要求亦越高。
推理：则涉及将训练完的模型应用于新数据的输入，以生成有用的内容或决策，其算力需求较训练更低，更侧重处理应用场景中实时数 据流的能力，其算力挑战主要来自于用户端响应速度以及对吞吐数量的要求。
1.5、AI服务器：全球服务器行业的演进历程
2012年，云计算技术的兴起彻底改变了服务器的部署模式，推动企业IT建设从传统的本地环境向云端迁移。
2016年，Alpha Go引领的人工智能科技的第三次浪潮催生了对新型架构服务器的迫切需求，为服务器市场注入了新的活力。
2020年，5G通信技术的广泛应用为边缘计算领域开辟了广阔的蓝海市场，由于机房环境的迥异，服务器行业迎来全新增量市场。