GPU：算力的核心硬件，海外绝对垄断。
GPU：算力的核心硬件，海外绝对垄断。根据 Verified Market Research 数据，2021年全球 GPU 市场规模为 334.7 亿美金，预计到 2030 年将达到 4473.7 亿美金，期间CAGR 33.3%。全球 GPU 市场目前被海外企业垄断，根据 Jon Peddie Research 数据，2022年四季度PC GPU中，英特尔/英伟达/AMD份额分别为71%/17%/12%；2022Q4独立 GPU 中，英特尔/英伟达/AMD 份额分别为 6%/85%/9%，全球范围内 GPU 市场呈现出海外三巨头垄断局面。
LLM 模型带动算力需求。LLM 模型的训练需要大量的计算资源和海量的文本数据，因此需要使用分布式计算和大规模数据处理技术。例如，GPT-3 模型拥有约 1750 亿参考量，这使得 GPT-3 拥有其他较少参考量模型来说更高的准确性：仅需少量的样本训练就能够接近于 BETR 模型使用大量样本训练后的效果。但同时，如果以英伟达旗舰级 GPU 产品 A100 对 GPT-3 进行训练，1024 块 A100 卡需要耗费超过 1个月（大于 30 天），则我们可以按比例计算出，如果需要单日完成训练，需要的A100 数量将超过 30000 块。我们认为，LLM 模型无论在性能还是在学习能力上，相较于其他模型都具备明显优势，未来或将成为行业趋势，同时大规模的训练模型与之对应的便是庞大的算力需求。
服务器：GPU 市场的重要增长动力。服务器中 GPU 由于其具有最强的计算能力同时具备深度学习等能力，目前成为服务器中加速芯片的首选。AI 服务器中 GPU 单品类硬件价值量占比较高：我们以 Nvidia DGX A100 为例，通过计算我们发现其GPU 价值量占比约为 48.24%。根据 TrendForce 数据，截止 2022 年全球搭载GPGPU 的 AI 服务器出货量占整体服务器比重约 1%，同时 TrendForce 预测 2023年伴随 AI 相关应用加持，年出货量增速达到 8%，2022~2026 年 CAGR 为 10.8%。
我们假设训练 AI 服务器和推理 AI 服务器的比例为 1:4，计算得到 2023/2026 年训练服务器的数量大约为 3.60/5.00 万台。同时假设推理 AI 服务器和训练 AI 服务器使用的 GPU 数量分别为 4 张和 8 张，算出 2023 年和 2026 年全球 AI 服务器领域所需 GPU 数量约为 86.4 万张和 120 万张，以 A100 约 1.20w 美金的价格作为参考计算出 2023 年和 2026 年 AI 服务器所需 GPU 的价值分别为 103.7 亿美元和 144.0 亿美元。
硬件国产化迫在眉睫！2022 年 8 月，美国政府通知英伟达，其需要获得许可才能够向中国和俄罗斯出口任何基于最新架构的 A100 GPU 或 DGX/HGX 等系统，同时该项规定也同时适用于最新发布的 H100 GPU 或者实现类似功能的产品。国内公司百度旗下大模型 ERNIE 3.0 Titan 参数量达到 2600 亿，高于 GPT-3 的 1750 亿，其所需的同规格 GPU 数量将远大于 GPT-3，根据比例我们可以计算出在相同时间下（超过一个月）ERNIE 3.0 Titan 所需 A100 数量约为 1522 块。同时我们认为，未来 AI 倘若进入大模型时代，相关算力需求将快速增加，届时对于国产高算力 GPU需求将进一步提升，所以说 GPU 国产化进程迫在眉睫。
优秀国产 GPU 公司不断涌现。目前包括景嘉微、沐曦集成电路、壁仞科技、摩尔线程在内一批优秀的国产 GPU 公司不断涌现，通过对比我们发现：在单精度浮点运算性能（FP32）算力中，国内外厂商均处于 TFLOPS 量级，海外龙头英伟达和 AMD旗舰信号 H100 SXM 和 MI250x 分别实现 FP32 算力 67 TFLOPS 和 47.9 TFLOPS。国内摩尔线程最高 FP32 算力产品 MTT S3000，算力为 15.2 TFLOPS；壁仞科技壁砺™100P 产品最高实现 240 TFLOPS 的 FP32 算力；芯动科技“风华1 号”产品实现 FP32 算力 5 TFLOPS。通过对比我们发现在大部分情况下国产GPGPU 相较于海外旗舰款仍存在差距。
