1.本輪人工智能革命的起因和意義

本輪人工智能革命發端于微軟旗下OpenAI發布的ChatGPT模型，該模型在自然語言處理方面展現出卓越的性能。其底層技術延續了谷歌于2017年提出的Transformer算法，核心思想是為機器提供足夠的參數量和自由度，輔以大量數據進行暴力訓練，從而實現量變引發質變的“涌現(Emergent)”效果。

Emergent 能力的三個示例：執行算術、參加大學水平考試和識別單詞含義

資料來源：Emergent Abilities of Large Language Models(2022)

長期以來，語言一直被認為是人類獨有的交流方式，它承載了思想在較低維度中的映射，體現了人類的抽象和概括能力。因此，自然語言處理技術被譽為“人工智能皇冠上的明珠”。與傳統人工智能模型不同，大語言模型在對話中展示出類似于人類的理解、推理、演繹、類比能力，即所謂“思維鏈”。過去，這樣的能力被認為是人和機器學習的本質區別?；凇八季S鏈”的推理能力使得模型無需再進行復雜的訓練，只需在提問時附加提示即可得到正確結果。這完全體現了人工智能模型對人類高級思維能力的模仿，進而使得人工智能應用領域得到極大的拓展。就像iPhone讓手機變成了“人類器官”，并且讓互聯網觸手可及，ChatGPT作為終極的調用算力和數據的方式，有可能使人工智能從完成有限任務的范疇拓展到幾乎能夠替代或協助人類進行所有思考任務。正如黃仁勛所說，這是人工智能的“iPhone時刻”。

ChatGPT背后的理論基礎Transformer架構早在2017年就已提出，但巨頭們對于投入數十億級別的資金一直持保守態度。ChatGPT的出現促成了一個行業共識——只要投入海量數據來訓練足夠大參數的模型，就能夠實現驚人的性能提升。

在國內，AI大模型長期發展緩慢，但自ChatGPT問世以來，短短幾個月內涌現出了多個媲美GPT-3的大模型。

2.算力、應用等環節的機遇與挑戰

大模型對產業鏈的拉動主要體現在上游的算力環節和下游的應用環節。

算力環節主要受益于模型規模的增長。近年來，大型語言模型(LLM)的規模以每年10倍的速度增長，2018年的BERT僅有1億參數量級，到了2020年，GPT-3的參數量已達到百億量級，2022年初發布的GPT-3.5更是高達1750億參數(數據來源：《Large Language Models: A New Moore's Law?》，Julien Simon，Hugging Face)。即使不考慮訓練數據集的增加，參數量的增長也帶動了訓練算力需求的快速提升。同時，隨著越來越多的應用和大模型結合，推理階段的算力需求也有望出現爆發式增長。TrendForce集邦咨詢預測，2023年，AI服務器出貨量將近120萬臺，同比增長38%。2022至2026年，器件、AI服務器出貨量年復合增長率將達到22%，AI芯片2023年出貨量預計將增長46%。

人工智能模型的算力需求呈現指數級增長

資料來源：Compute Trends Across Three Eras of Machine Learning(2022)

AI給邏輯芯片帶來的增量測算

資料來源：上銀基金權益投研部

在應用層面，人工智能可能帶動傳媒影視、游戲等行業的爆發式增長，同時也會促使機器人等新應用落地。

以機器人為例，一個簡單的“拿薯片”指令就涉及多個計劃步驟：例如走到抽屜旁，打開最上面的抽屜，拿起綠色的薯片，放在柜臺上。傳統的機器人很難完整執行此類復合型任務，主要困難集中在兩個方面：

首先，傳統機器人的操作流程通常從工程師開始，需要不斷編寫新代碼和規則來糾正機器人的行為。這個過程緩慢、昂貴且低效，需要多次交互才能使機器人正常運行。

其次，機器人通常在明確具體任務和獎勵的情況下表現最好，但在學習執行多步驟任務和推理抽象、模棱兩可的指令方面存在困難。

然而，以ChatGPT為代表的大模型開啟了一種新的機器人范式。一方面，大模型允許非技術用戶參與控制回路，可以直接為機器人場景生成代碼，在沒有任何微調的情況下，利用大模型的知識來控制不同的機器人動作，以完成各種任務。另一方面，大模型也能夠理解微妙的語句，例如“我剛剛鍛煉過，可以給我拿一份健康的零食嗎？”

類似的人工智能技術也有望在傳媒影視、游戲等領域帶來爆發式增長，比如通過大模型的智能和創造力，實現更出色的藝術創作。

大模型的出現改善了機器人對環境的適應性

資料來源：微軟

然而，大模型的落地也面臨一些挑戰。

首先，大模型對計算資源的要求很高，需要大規模的計算設備和存儲空間，這對企業和組織的投入提出了挑戰。

其次，大模型的訓練和部署需要處理大規模的數據集，而數據的質量和隱私問題也是需要考慮的重要因素。此外，大模型的復雜性也增加了模型可解釋性的難度，這在某些領域，如法律和醫療等敏感應用中尤為重要。

總的來說，上銀基金認為，算力和應用環節在大模型發展中具有重要地位。算力需求的增長將推動硬件產業的發展，并催生出更多高性能的AI服務器和芯片。同時，大模型的廣泛應用將為各行各業帶來創新和突破，但也需要應對算力、數據、模型解釋性等方面的挑戰，以實現大模型技術的可持續發展和應用的成功。

3.國內人工智能相關投資機會的展望

從投資角度來看，上銀基金指出，算力板塊直接受益于產業趨勢，隨著海量數據的收集、清洗、計算、訓練和傳輸需求的增長，將帶來算力和網絡的迭代升級，利好AI數據中心和邊緣高速計算所使用的GPU、CPU、FPGA、ASIC、HBM存儲器、3D NAND、光芯片等。國外GPU的嚴重缺貨，以及供應鏈的多元化需求也為國產AI芯片、服務器帶來了適配機會。大模型的發展階段是黃金窗口期，國內的算力芯片廠商具備良好的入局機會，相關的龍頭企業有望明顯受益。

此前，由于商業模式的缺陷，傳媒影視、游戲和互聯網軟件等應用板塊的估值普遍較低。因此，上銀基金表示，AI應用行情的核心邏輯是用AI改造傳統的商業模式，實現業績與估值的戴維斯雙擊：需求端通過AI賦能提升用戶體驗，帶來滲透率/斜率加快，供給端降本增效，釋放更多產能，業務結構端提升軟件算法平臺權重，提升估值。當前，應用板塊的估值修復基本完成，行情將進入邏輯驅動和業務驅動的第二階段。在這個階段，投資者應重點考慮業務的可持續性以及人工智能使用成本與客戶需求的匹配度。

盡管目前人工智能仍處于產業趨勢形成階段，大模型和應用的格局不易判斷，受事件催化影響較大，但該階段正是成長股投資的最佳階段，格局清晰后有望進入成長股的“價值投資”階段，因此，上銀基金認為，可以密切關注算力上游芯片放量以及下游AI服務器客戶需求情況，并關注應用領域的真實客戶需求；同時，投資者可以對機器人等具有現象級潛力的產品的落地保持期待，并結合行業發展動態理性投資決策。