国海证券-AIGC行业专题报告：站在当前时点，怎么看AIGC板块投资逻辑-231219

　　核心提要

　　我们为什么认为AIGC是产业级趋势？——人工智能步入新发展阶段，逐步迈向AGI；AIGC创造人机交互新变革，将迎来更多新机遇；通用大模型是AI产业的水平化分工的关键，有望实现规模效应与飞轮效应，商业模式逐步清晰；生成式AI可能打破现有流量竞争格局。http://www.hibor.com.cn【慧博投研资讯】

　　复盘海外vs国内典型AIGC概念股行情演绎逻辑，有哪些启示？——海外行情率先启动，海外演绎逻辑：算力（率先启动、涨幅最大）—大模型—应用，国内演绎逻辑：数据—算力、大模型—应用。http://www.hibor.com.cn（慧博投研资讯）

　　投资逻辑总结：三阶段论。——【阶段1】起点：百模大战，巨头和垂直厂商纷纷投入大模型的研发和训练，早期训练对高性能算力需求度大，厂商大量囤积芯片，算力投资确定性相对较高，大模型与应用仍处于早期；【阶段2】承压：路径分化，少数通用基座大模型+较多垂直行业/公司大模型厂商，基于开源模型开发与底层自研并行，NLP大模型训练算力需求有限，应用侧尚未迎来大幅增长，推理算力消耗有限，大模型也处于商业化早期，产业链整体承压；【阶段3】突破：技术迭代、结合新硬件带来新变化，多模态逐步成熟，3D生成、策略生成等技术逐步突破，未来结合MR、机器人等新硬件，应用加速普及，进一步打开商业化空间，带动整体产业链形成正循环。

　　如何看待NLP大模型训练与推理算力成本？——①训练算力需求：通用大模型算力消耗大但数量相对较少，行业/公司级大模型数量多但算力消耗相对较小，整体空间有限。根据训练所需算力符合经验公式= 6 *参数量*数据量，假设通用大模型平均模型参数量1200亿、平均模型训练数据量Tokens7000亿、A100 GPU利用率45%、模型预计训练时间维持在34天时，单个大模型训练需要1222张A100，若大模型数量达到30个，则需要36660张A100。当平均模型参数量提升至2265亿、平均模型训练数据量Tokens16603亿、A100 GPU利用率达到较高水平57%、模型预计训练时间维持在34天时，单个大模型训练需要4319张A100，若此时大模型数量达到20个，则需要86386张A100。对于行业/公司级大模型来说，若平均模型参数量在100-146亿、平均模型训练数据量Tokens在1000-1464亿、A100 GPU利用率在43%-45%、模型预计训练时间维持在30天时，当行业/公司级大模型数量达到80-231个时，则需要1381-8164张A100。②推理侧算力需求：伴随用户体量增加，整体需求量较大。假设单个模型参数量在1200-2265亿，根据显存容量经验公式，可换算所需显存容量在231-436GB，单次推理需要3-6张A100。假设DAU在0.5-2.5亿，对应并发推理需求最大设计容量在10000-50000次，假设单次推理时合并的推理需求数量12-8次，并发推理所需要的次数在834-6250次，对应推理所需要的的A00显卡数量在2502-37500张。③从GPT-4来看推理成本与收入：GPT-4的参数量为1.8万亿，但GPT-4采用的结构是MoE，每个专家的参数大约为1110亿个，每次前向传递中会调用其中两个专家模型，此外约有550亿个共享参数被用于注意力机制，因此每次前向推理（生成一个token），仅用了约2770亿个参数（1110×2+550），对应到0.554TFLOPs，根据推理所需算力符合经验公式= 2 *参数量*数据量，假设FLOPS利用率为21.3%、8个A100的GPU服务器使用成本为12美元/小时，则对应推理算力成本约为0.0035美元/1000tokens，根据目前定价，在提取摘要（长生短）、内容创作（短生长）两种典型场景下推理毛利率在70%~90%之间，伴随用户数提升及使用频率提升，对应收入及算力消耗均有提升

　　应用作为产业链形成正向循环的重要因素，未来需要重点关注什么？——①需要重点关注微软应用侧的进展：微软作为生成式AI技术领先、应用落地深入且可能率先实现规模化收入的头部厂商，其应用进展及商业化表现是重要标杆。在Build 2023开发者大会上微软宣布旗下所有产品全线整合ChatGPT，推出Microsoft 365 Copilot，Dynamics 365 Copilot，Bing Chat，Windows Copilot等，近期OpenAI也在ChatGPT中推出新的语音和图像等多模态功能，将面向Plus订阅用户和企业用户开放，后续需要紧密跟踪微软应用侧的进展及商业化情况。②需要关注其他垂直应用是否有明显进展：方向一：现有高频场景接入AI能力——增收驱动主要来自原有产品的ARPU及付费率提升，核心需要关注现有产品及赛道的壁垒强弱（场景能力、用户体量）、AI与现有产品应用结合是否带来总生产力或效率提升（单人效率提升*潜在提升用户数）。典型代表：微软Copilot、Notion AI、Adobe Firefly、Duolingo Max等；方向二：垂类场景C端原生AI应用——增收驱动主要来自新的场景下用户习惯的培养和商业化拓展，核心关注产品在垂直赛道是否具备较大的创新性、用户留存率和粘性是否长期维持、公司或产品在垂直场景下是否具备数据/用户/模型等显著优势。典型代表：Tome、Replit、Midjourney、Runway、Character.AI、AIDungeon等，场景来看主要包括办公、工具向、图像视频、游戏&智能陪聊音频；方向三：垂类场景B端解决方案或企业服务平台——增收驱动主要来自B端企业用户拓展和企业端付费能力的提升，核心需要关注公司是否通过AI解决了企业用户的痛点问题并实现降本增效、在某个场景的竞争。典型代表：Glean、Unity Muse、Salesforce、C3.AI等。

　　行业评级：AI技术不断演进，大模型持续迭代，其商业模式也多元化发展，ToB和ToC两端虽然落地节奏存在差异，但均表现出多点开花的特性，长期来看有望通过量价提升为下游应用打开增量收入空间，我们看好AIGC板块的投资机会，维持行业“推荐”评级。

　　风险提示：人工智能发展不及预期，AIGC发展不及预期；技术发展不及预期；商业化拓展不及预期；行业竞争加剧风险；中美科技竞争不确定性风险；测算数据仅供参考，请以实际为准。