Transformer模型是参数量可以无限增长的通用模型，可以处理长序列的输入、输出。Transformer模型是一种基于自注意力机制的深度学习模型，相较于传统AI模型如循环神经网络（RNN）和卷积神经网络（CNN），它在处理序列数据时具有更高的并行性和可扩展性。其中，自注意力机制使得模型能够捕捉序列中长距离依赖关系，同时避免了RNN中的梯度消失或爆炸问题。

Transformer模型的参数量之所以会随着数据量和任务复杂度无限增长，是因为它可以通过堆叠更多的层或增加隐藏层宽度来提高模型性能，从而适应更复杂的数据和任务；在传统CNN/RNN模型中，增加网络参数量会提高模型的拟合能力，但过多的参数容易导致过拟合现象。因此，长期来看大模型领域或许会出现没有上限的“军备竞赛”。

训练：根据英伟达测算，在4096颗A100GPU互联的情况下，训练10000亿参数的模型约需要3-4周时间，而在4096颗H100GPU互联的情况下，时间约需要1周左右。考虑到1周是研发阶段可承受的周期，因此我们认为4000颗左右H100将是一个大型云计算企业每年支持30-50个5000亿参数模型项目训练所需要的芯片数量。考虑到目前大模型参数量已经步入万亿级别，芯片需求量可能会继续上升。若以英伟达HGXH100-8计算集群为单位（1024NvidiaH100GPUs），总共需要4-8个计算集群，考虑到售价为4900万美金/集群，则单个支持GPT训练的云计算中心至少投入1.96-3.92亿美金用于服务器的购买。

推理：相比训练，模型的部署是更大的市场。我们认为应用对于服务器的最大承载能力要求在于过峰，即满足PCU时刻的访问需求。根据Statista，Steam2021年月活用户约为1.32亿人左右，而Steam公布服务器最高访问人数截至2021年12月31日为2738万人，最高817万人同时在线进行游戏。因此我们合理推断一款被高强度访问的应用，最高在线人数约为月活用户的6.19%-20.74%。假设在国内8亿用户体量下，最高并发访问人数可高达4952万人-16592万人。根据10DGXH100服务器一秒内可支持300用户的并发访问，若响应时长延缓至5秒及以上，最高可支持1000人以上的并发访问。据此测算，国内由AI带动的服务器需求量约为5万台-16.6万台，芯片为50-166万颗。假设全球活跃用户体量为国内用户体量的3倍，则全球服务器需求量为15-50万台，芯片需求量为150-500万颗。

投资建议：ChatGPT的快速渗透侧面反映出大模型在通用任务上所展现的强大能力，也为人工智能产业未来的投资指引了方向。在AIGC驱动新一轮产业革命的趋势下，我们认为AI算力产业链上下游均有投资机会。

建议关注：海光信息、寒武纪-U、龙芯中科、澜起科技、工业富联、紫光国微、中芯国际、华虹半导体、华大九天、概伦电子、芯原股份、兴森科技、通富微电、华正新材、方邦股份、长电科技、海康威视、大华股份、晶晨股份、瑞芯微、全志科技。

风险提示：技术迭代不及预期；制裁风险；本文对服务器、芯片需求量等测算是基于一定前提假设，存在假设条件不成立、市场发展不及预期等因素导致测算结果偏差