AIGC专题：中国AIGC产业算力发展报告(附下载)
今天分享的是AIGC系列深度研究报告：《AIGC专题：中国AIGC产业算力发展报告》。
（报告出品方：甲子光年智库）
报告共计：57页
海量/完整电子版/报告下载方式：公众号《人工智能学派》
AI的新时代，生成式AI技术重新塑造AI技术的开发及应用
• 随着2023年大模型的热潮，AIGC早已超越内容生产的概念，而突出生成式AI（Generative AI）的概念，即如何通过生成式AI的技术思路解决以往决策式AI难以 完成的问题，尤其在数据或者内容生成上实现 “质的突破”。
• 新的AI时代则是AIGC产业全面进击的时代，随着生成式对抗网络（Generative Adversarial Network，GAN）等的演进及迭代，生成式AI可以延展到流程、策略、 代码、蛋白质结构等多种形式，即意味着凡是可以使用数字内容形式的产业，生成式AI均可以涉及。
AI的新时代：更关注如何利用生成式AI技术在涉及数字内容的诸多领域实现改变及突破，生成式AI实际上扩大了“内容”的含义，凡是可以数 字化的内容形式均为生成对象，而非传统意义下媒体环境的内容。
AIGC产业：新一代AI技术和理念，以“生成式AI”为代表技术的开发及应用产业，即如何利用资源发挥新的AI技术的应用，通过商业价值推动AI第 三次浪潮的发展。
产业趋势叠加时代趋势，专用智能走向通用智能
• 产业角度：大模型的产业发展仍处于起跑阶段，相关技术的行业应用和场景化落地存在无限可能。IDC预测，到2026年，全球AI计算市场规模将增长到 346.6亿美元，生成式AI计算占比从2022年4.2%增长到31.7%。
• 时代趋势：随着LLM大规模语言模型技术的不断突破，以ChatGPT为代表的生成式人工智能引发广泛关注，人工智能正在从专用智能迈向以大模型为基 座的通用智能，逐渐走向“开领域，走向通用”。
MaaS服务未来将带动云服务市场的第二增长曲线
• 2022年，IaaS市场收入稳定，规模依然保持在2442亿元，并且是 PaaS+SaaS 的三倍，增速依然可以达到50%以上；引人注意的PaaS市场在容器、微服 务等云原生应用带来的刺激增长，总收入已达到342亿元，并且增长率达到74%。
• PaaS模式在技术架构上，易结合AI技术应用，并且可以与MaaS服务作为增值服务提供，目前多家云服务厂商已经推出自研大模型、接入开源大模型，基 于模型提供新的云服务增长点。根据微软财报数据，微软23Q3（相当于2023年第一季度）Azure Open AI服务客户数目达到2500+个，微软23Q4（相 当于2023年第二季度）Azure Open AI服务客户数目继续增长至11000+个，环比增加340%，且本季度每天新增近100名新客户。
云边协同，从计算、通信、安全、时效等方面提升AI应用落地可能性
• 边缘计算可负责范围内的数据计算和存储工作。同时，负责将连续数据汇总至计算层，最终由云计算层完成分析挖掘、数据共享工作，下发结果或模型至 边缘和终端层，形成云-边-端协同。
• 边缘计算的核心价值：边缘侧完成数据的计算，并且实现云、端间的数据及计算结果的协同。边缘云及边缘芯片的发展将推动AIGC的更快落地。
作为核心的智算硬件，AI服务器全球及中国的市场规模持续提升
• AI服务器一般是异构服务器，可以根据应用范围采用不同的组合方式，提供AI技术所需的算力。可以针对不同的需求进行硬件的选型及组合。
• AI服务器可用于智算中心、私有化部署、云服务等方面，AIGC的产业发展要求算力层各供应商产业升级，加快AI服务器的产品迭代及扩大规模。
AIGC时代，内存对算力的整体利用率影响提升，需要新的内存解决思路
• Transformer模型中的参数数量呈现出2年240倍的超指数增长，而单个GPU内存仅以每2年2倍的速度扩大。而训练AI模型的内存需求，通常是参数数量 的几倍，AI训练不可避免地撞上了“内存上限”，“内存上限”不仅是指内存容量，也包括内存传输带宽。
• 同时通信成为算力的瓶颈。无论是芯片内部、芯片间，还是AI加速器之间的通信，都已成为AI训练的瓶颈。过去20年间，运算设备的算力提高了9万倍， 虽然存储器从DDR发展到GDDR6x，接口标准从PCIe1.0a升级到NVLink3.0，但是通讯带宽的增长只有30倍。长期看，无法实现堆积显存解决问题。
当下的AIGC算力关注热点在训练端，但商业突破及应用需要推理侧支持
• 整体市场的算力核心判断指标取决于市场发展阶段对应的训练及推理需求，当下是AIGC产业技术与商业结合的重要拐点，一方面，国内外均有商业落地 的场景及对应模型出现，技术路线实现大方向确认；另一方面，具体场景的商业模式及盈利模式仍待寻找，需要大量算力支持各行各业企业持续探索。
• 市场算力的核心指标变化：重训练阶段——算力支持模型迭代，重推理阶段——关注应用的用户数量。
“算法芯片化”结合“云边协同”，满足新AI时代的计算需求
➢ “算法芯片化”：云天励飞凭借对行业的战略前瞻和持续多年的深耕布局，让算法和芯片两大技术相互配合，基于对场景的深刻理解以及对算 法关键计算任务在应用场景中的量化分析，将芯片设计者的理念、思想与算法相融合的AI芯片设计流程，为解决方案和应用场景更高效地赋能。
➢ 基于该理念，DeepEdge10边缘神经网络推理芯片在技术架构上采用架构统一的神经网络处理器芯片平台和创新的指令集架构，满足大模型基 于Transformer结构所带来的新的神经网络计算范式以及高带宽传输、分布式并行计算、低精度混合计算需求。
基于模型的复杂技术栈将形成产业更多生态组合，推动算力层能力下移
• AIGC的时代仍在快速发展，短期内算力服务商、AI技术服务商、AI应用企业将相互合作，探索可能场景及模式。
• 模型仍需要进化及迭代，并且训练模型的工程化暂无唯一确定的答案，模型的工程化能力还需要探索。
在现代人工智能领域，算力扮演着推动创新、实现突破的核心驱动力。算力、算法、数据和系统架构等多个方面的综合优化对于大规模模型训练的成功至关重要。 从技术层面看，在大模型的研发过程中，预训练、微调和模型推理等环节是核心关键因素和主要计算特征。
通用大模型、垂直行业大模型的训练及微调，及基于大模型推理的行业应用需要大量的AI算力实现支撑。AI渗透千行百业，拉动智能算力规模高速增长。 2022年，各行各业的AI应用渗透度都呈不断加深的态势，尤其是在金融、电信、制造以及医疗领域。
报告共计：57页
海量/完整电子版/报告下载方式：公众号《人工智能学派》