安迪比尔定律将会演变为詹森奥特曼定律。
安迪比尔定律来源于：“Andy gives，Bill takes away。”Andy 指的是 Intel 原 CEO 安迪〃格鲁夫，Bill 则是微软的比尔〃盖茨。这句话的含义是英特尔向市场推广了一款 新型芯片，微软会及时升级自己的软件产品吸收新型芯片的性能。 安迪比尔定律保证了摩尔与反摩尔定律的运行。英特尔创始人戈登〃摩尔提出著名 的摩尔定律，即集成电路的集成度每 18 个月翻一番；同时反摩尔定律也得以推导出来， 即 IT 产品每 18 个月价钱降一半。正是摩尔定律的存在使得程序员不再斤斤计较内存与 速度，加快开发速度从而更好地完善功能和用户体验；同时新的软硬件产品具备老的产 品不可比拟的易用性和可靠性，保证了反摩尔定律的正确性。 安迪比尔定律暗合了微软和 Intel 之间的利益诉求，本质上是把耐用品转变为消费 品，加速迭代。微软为了维护它在操作系统垄断地位，不断添加新功能，提升了对硬件 产平台的需求，让硬件厂商受益，再将新利润投入研发，按照摩尔定律预计的速度提升 硬件性能，从而为微软进一步更新软件做好准备。这种软件吃硬件，硬件迭代更新满足 软件迭代的模式本质上就是把 IT 产品从耐用品转变为消费品，加速迭代，这在事实上也 促进了 Wintel 联盟的形成。
从个人电脑生态链来看安迪比尔定律：微软为首的软件开发商吃掉硬件，迫使用户 更新新机器让惠普和戴尔受益，整机厂再向 Intel 订购芯片、向 Seagate 等订购外设。 该生态链的传递有实际的例子，2006 年上半年，因为微软的 Vista 迟迟不能面市，从 Intel 到惠普、戴尔等整机，再到 Marvell 和 Seagate 等外设厂商销售都受到很大影响，这些 公司股票下跌了 20%-40%。微软的 Vista 上市之后，微软自身的业绩和股价立刻得到提 升，此后英特尔、惠普、戴尔等得到增长，股价大幅度提升。 Android 系统不断发展促使了手机硬件不断升级。Android 系统号称无硬件限制，但是低配臵的手机是很难运行高级系统的。从表 1 中可以看出，Android 从 1.0 进化到 4.4 版本，CPU、内存和屏幕都发生了极大地变化，CPU 频率从 528MHz 增加到 2.5GHz， 内存以 RAM 为例从 192MB 增加到 2GB，屏幕也从 3.17 寸增加到了 5.1 寸。
安迪比尔定律给硬件带来了空间，给软件带来了利润。一方面，根据安迪比尔定律 的诠释，计算机的性能增加都被新的软件吃掉了，也即各个硬件厂商靠软件的提升来开 发自己硬件新的应用市场，从而赢得了发展空间。另一方面，安迪比尔定律也使得软件 处于产业链的上游，从事 IT 产业要想获得高利润，就要从上游入手，从微软到谷歌，再 到 Facebook 都是如此。但苹果是例外，苹果通过硬件实现了软件的价值，因为人们把 苹果看成一种潮流和时尚。 “复杂问题上云”和“算法轻量化适配终端”是解决算力瓶颈的两条主流路径。智 能终端的发展要遵循安迪比尔定律，意味着无论硬件性能提升多大，都会被软件更新换 代消耗，而软件的更新不会停止决定了终端算力的持续稀缺。为了解决这一问题，“上云” 和“轻量化”成为两个重要的解决路径。
安迪比尔定律将延续，但软硬件的领头羊预计都将发生变化，硬件层面，GPU 将会 替代 CPU 成为主力算力，而代表性人物也将从安迪变为 Jensen Huang，软件层面 GPT 将会替代 window 成立通用平台代表，代表性人物也将从比尔变为 Sam Altman。因此， 安迪比尔定律将会演变为詹森奥特曼定律，除了名称的转变，从通用平台，到基础设施， 再到应用层面的变革传递，以及算力需求的体量增长预计都将产生巨大变化。
4.1 定律延拓：软件、AI 计算变革，安迪比尔将延续
GPTs 是 Windows、AppStore 之后新一代的超级平台，同时大语言模型指数级算 力需求与线性增长的区域算力基建产生矛盾。软件大的革新都会诞生新的超级平台，从 Windows，到 AppStore，再到 GPTs 都不例外，当前的 GPTs 有望成为新一代的 AGI 服务入口和软件调度枢纽。以智能编程为例，大语言模型支持下的编程助手能够覆盖从 需求分析、架构设计到代码编写等软件开发全生命周期流程，预计人类程序员将 80%的 代码交由语言大模型编写。除此之外，大模型还能够面对其他类别的复杂任务，实现多 模型协同组合等。但是大模型训练推理带来指数级算力需求增长，将与线性增长的区域 算力基建形成矛盾。根据商汤科技&智算联盟《新一代人工智能基础设施白皮书》援引 CSET(Center for Security and Emerging Technology)的《AI and Compute》报告：“在 计算价格没有任何变化的情况下，尖端模型成本预计将在 2026 年 6-11 月超过美国 GDP。”
AI 时代，通用平台更新，基础设施迭代，传导至应用层的规律依旧存在。操作系统 位于服务器产业链上游，大模型从产业链的角度来看类似于 AI 时代的操作系统，同样位 于产业链的上游。大模型的迭代会带来算力的大量需求，从而算力基础设施 CPU、GPU、 内存等乃至产业链中游的服务器都会相继得到拉动，最后传导到应用层。从另一个角度 来看，大模型也可以视为是 AI 时代的超级应用，应用的迭代也会带来算力、模型基础能 力的需求，从而也会对算力器件、大模型基础架构带来拉动。
ChatGPT 发布，AI 进入 iPhone 时刻，相应公司二级市场表现出色。2022 年 11 月 30 日 OpenAI 发布具有多种能力的通用大模型 ChatGPT，上线仅 5 天用户数量突破 100 万，开启了人工智能的新时代，这也给产业链上下游公司带来了冲击：①英伟达、 Meta 是首先受益的两家公司，英伟达在 2022 年由于新冠疫情、全球芯片短缺，市值暴 跌 70%，最后由于 AI 对 GPU 的巨大需求从 2022 年底开始股价暴涨；Meta 可以在其 产品和服务中集成了自家或第三方的大型语言模型，以提升用户体验和服务质量，也在 第一时间反应到股价中，此外，2023 年 2 月， Meta 也发布开源机器学习模型 LLaMA 作为自身 AI 能力的证明。②ChatGPT 发布对以广告收益为基础的 Google 搜索引擎业 务带来了冲击，消沉一阵之后，2023 年 5 月 11 日，谷歌在 GoogleI/O 开发者大会上推 出 PaLM2 语言大模型，并宣称是当时最先进的大模型，开启了正式反击，股价由此开 始上涨。③超微电脑主要经营服务器解决方案的业务，与 AMD（超威半导体）区分开来， 其主要客户包括 OpenAI、谷歌、微软、Meta 等大型科技公司。公司的服务器机架可以 同时安装英伟达、英特尔和 AMD 的芯片，根据客户需求进行定制，形成高性能、稳定 的服务器系统，这种灵活性让超微电脑成为生成式 AI 时代的重要供应商。
4.2 产业传递：从基础设施、通用平台，到应用
基础设施-芯片
AI 时代需要新一代基础设施支持训练、推理和生成式 AI 应用落地。新一代 AI 基础 设施将以大模型能力输出为核心平台，集成算力资源、数据服务和云服务，专门设计用 于最大限度提升大模型和生成式 AI 应用的表现。该 AI 基础设施功能包括：数据准备与 管理、大模型训练推理、模型能力调用、生成式 AI 应用部署。在实际落地中，厂商还会 根据自身的经验，针对用户在训练和使用大模型时面临的 AI 技术问题，为用户提供围绕 大模型开发时间的咨询类服务。
算力需求指数级增长，GPU 迭代带来性能提升。以 OpenAI 为例，训练一次 1750 亿参数的 GPT-3 大约需要的算力约为 3640PFlops-day，共使用了 1024 块 A100（GPU） 训练了 34 天。而 GPT-4 参数量达到了 GPT-3 的 500 倍，使用约 2-3 万张 A100，训练 1 个月左右时间。如图 9，仅训练算力需求就发生了几何倍提升。除了训练外，推理也 将进一步推高算力需求，预计将远超训练阶段的用量。AI 新锐巨头 OpenAI 的创始人兼 CEO 萨姆〃奥特曼正在从中东地区筹集总计高达 7 万亿美元的资金，以支持公司的一项 半导体计划，并与英伟达展开竞争。黄仁勋认为七万亿美元能买下所有的 GPU，但除了 数量，还应关注计算机架构的进步，否则需要不切实际体量的燃料来支持 GPU 的消耗。
GTC2024，英伟达发布基于 Blackwell 架构的 GB200 超级芯片，性能提升功耗优 化。①Blackwell 小芯片有 1040 亿个晶体管，采用 TSM N4P 制程，两个 Blackwell 小 芯片组成一个 B100。两个 B100 GPU 和一个 Grace CPU 组成了一个 GB200 超级芯片。 ②Blackwell 拥有 20 PFLOPS 的 AI 算力，192 GB HBM3e，8TB/s 存储带宽，较 Hopper 在 FP4 规格算力提升 5 倍。如果要训练一个 1.8 万亿参数量的 GPT 模型，需要 8000 张 Hopper GPU，消耗 15 兆瓦的电力，连续跑上 90 天。但如果使用 Blackwell GPU， 只需要 2000 张，同样跑 90 天只要消耗 4 兆瓦的电力。
除了 GPU 之外，ASIC、FPGA、类脑芯片也将是 AI 芯片重要替代架构。ASIC 在 计算能力、功耗方面综合实力不会比 GPU 逊色，但灵活性稍差。FPGA 可编程的特性 提供了更多的灵活性，但是性能方面略逊色于 GPU。类脑芯片拥有最低的功耗，通信效 率高，但缺乏训练方法且精度较低。ASIC、FPGA、类脑芯片都有其自身的特性，将是 GPU 的重要替代品。
数据中心产品产生新浪潮，GPU、CPU、DPU、HBM 将成为重要组成部分。不止 GPU、CPU，随着 AI 数据中心的算力需求提升，DPU 和 HBM 也成为算力基础设施重 要的组成部分。DPU 专为数据传输和安全处理所设计，由用于网络、存储和安全的可编 程 ARM CPU 组成，以减轻 Hypervisor 的工作负载。而 HBM 是一种新内存，传统的内 存显卡是单独的 DRAM，安装在显卡的 PCB 板上，与 GPU 芯片分开，而 HBM 将内存 堆叠在一起与 GPU 集成在同一硅片上，提供更高的内存宽带和更低的功耗。
基础设施-算力集群
算力基础设施高性能和高效率需求，带来光变铜、液冷 0-1 革新。在集群训练下， 网络通信等问题会造成大模型训练效率的降低，而且大规模、长时间训练对 GPU 集群 稳定性也提出了更高的要求。因此以英伟达为代表性的厂商提出了一系列的变革措施来 提升算力基础设施的性能和效率。除了单个芯片能力的提升，3 月 18 日到 21 日的英伟 达 GTC 大会上，黄仁勋提出单个机柜内的传输从光纤变为铜线，减少了光电信号变换 的能量损耗，而且还能保持传输速度。此外，黄仁勋还提出 B200 的散热将变为液冷， 提升散热效率。
“AI 化”是 IT 架构变化的两大驱动力之一。一方面，从基础型到高性能，再到机 器学习服务器，CPU 成本逐步下降，从 30-35%下跌到 20-25%，再到 5-10%。另一方 面，从基础型到高性能，再到机器学习服务器，GPU 成本逐步上升，从 0%提升到 27-30%，再提升到 70-75%。与之印证的是，英伟达数据中心营收明显提升，而 Intel 则明显下降。
“云计算化”也是 IT 架构变化的两大驱动力之一。大模型应用能够帮助企业更高 效率的实现商业目标，但对于绝大多数企业而言，自研大模型成本高，且模型设计、训 练、调优等环节对开发人员专业能力要求较高。MaaS（Model as a Service，大模型即 服务）代表着一种全新的 AI 云服务范式，它将大模型作为 AI 基础设施的核心组成， 以云服务方式提供给开发人员和企业进行更高效的工业化开发。
通用平台
2022 年之前，人类在 AI 和 AI+应用场景方面进行了许多的探索，22 年底的 ChatGPT 正式使 AI 进入了 iphone 时刻。OpenAI 是基于 Transformer 基础模型推出 了 GPT 系列大模型。2019 年、2020 年，OpenAI 分别发布了 GPT-2 和 GPT-3，但并 未在市场上引起轰动，2022 年 11 月，OpenAI 发布 ChatGPT，ChatGPT 基于 GPT 技 术，通过大量的语料训练，可以模拟人类的对话方式和思维方式，从而实现了与人类的 交互。ChatGPT 迅速引爆市场，开启了 2023 年的人工智能热潮。除了生成能力，最新 的 GPT-4 还具有解释性、组合性和空间性能力。在视觉范畴内，虽然 GPT-4 只接受文 本训练，但 GPT-4 不仅从训练数据中的类似示例中复制代码，而且能够处理真正的视 觉任务，充分证明了该模型操作图像的强大能力。另外，GPT-4 在草图生成方面，能够 结合运用 Stable Difusion 的能力，同时 GPT-4 针对音乐以及编程的学习创造能力也得 到了验证。此外，GPT-5 预计将于 2024 年年中发布，它将在高级推理上实现质的飞跃。
我们认为，目前海外形成了几大云厂商对垒的局面。①第一组微软与 GPT，目前 OpenAI 旗下 GPT-4 于 2023 年 3 月 14 日发布，是千亿级参数的多模态预训练模型， 能够支持图像和文本的输入。②第二组 Google 与 PaLM，PaLM-E 于 2023 年 3 月 10 日发布，是一种多模态视觉语言模型（VLM），具有 5620 亿个参数，集成了可控制机 器人的视觉和语言能力。③第三组 META 与 LLaMA，大型语言模型 LLaMA 于 2023 年 2 月发布，包括 4 种参数规模。④第四组，亚马逊与 Claude，Claude 于 2023 年 3 月 14 日发布，是 Anthropic 开发的类似 ChatGPT 的聊天机器人，使用的是 constitutional。 国内包括互联网公司、科技公司以及创业公司都在积极跟进。互联网公司方面，百 度于 2023 年 3 月正式发布文心一言大模型。华为于 2021 年 4 月正式对外发布盘古预 训练大模型。科技公司方面，商汤发布“日日新 SenseNova”大模型体系，推出自然 语言处理、内容生成、自动化数据标注、自定义模型训练等大模型及能力，包括语言大 模型“商量 SenseChat”和一系列生成式 AI 应用。创业公司方面，前商汤员工创立 MiniMax，杨植麟创立循环智能、月之暗面。
AI 应用
基于企名片 Pro 的数据，我们进行了统计，年初至今，国内 AI 应用方向融资项目 共有 81 起。目前国内 AI 应用方向融资项目集中在智能机器人、工业智能、智能驾驶& 交通、AIGC 以及医疗、能源解决方案等领域。投资金额过亿的项目具体如下：芯控智 能的整体智能工程解决方案，赛美特的国产半导体智能制造软件，智元的人形机器人项 目，生数科技的产业级多模态大模型，爱诗科技的视觉多模态项目，神马工场大的 AIGC 数字人孵化营销平台，九识智能订单的全球领先的 L4级自动驾驶项目，月之暗面的 AIGC 项目，美克生能源的分布式绿色能源聚合服务项目，百应科技的对话式 AI 技术应用项目，清云能源集团的智慧综合能源服务和资产运营项目，猎户星空的智能服务机器人项目， 星动纪元 的具身智能及通用人形机器人项目，卓世科技的行业模型产品和解决方案项 目，国自机器人的移动机器人项目。其中，月之暗面的 AIGC 项目获得了 10 亿美元的 融资，为额度之最。
基于企名片 Pro 的数据，我们进行了统计，年初至今，国外 AI 应用方向融资项目 共有 59 起。项目集中于机器智能，工业，医疗、商业、安全解决方案方面。募资过千 万美元项目具体如下：Carlsmed 人工智能手术医疗平台，Hippocratic AI 生成式 AI 项 目，Lily AI 时尚电商优化产品推荐服务项目，together.ai 生成式 AI 项目，Cognition AI 全球首位 AI 软件工程师研发项目，Zephyr AI 智慧医疗解决方案项目，Tavus 人工智能 生成视频技术开发项目，Overjet 牙科 AI 软件开发项目，Rapid SOS 数据驱动急救服务 项目，Healthee 人工智能医疗保健平台，Glean 人工智能工作助理开发项目，Collov 室内设计 AI 工具开发项目，intenseye 人工智能工作场所安全平台，Genmo 人工智能 创意内容生成平台，Figure AI 的 AI 人形机器人研发项目，Abridge 医疗对话 AI 研发项 目，Vizio 智能电视生产项目，Flowerlands 大语言模型技术开发项目，Quilter 生成式电 路板设计软件开发项目，Kore.ai 企业对话人工智能平台，Codeium 生成式人工智能编 码工具包项目，Sema4.ai 人工智能技术应用服务提供项目，Sierra AI 的 AI 初创项目， Proof Technology 智能法务平台，RecraftAI 图形设计生成器项目，Artsight 人工智能 虚拟护理平台，Luma AI 3D 内容生成项目，Agrawal's AIinitiative 的 AI 初创项目， Perplexity AI 智能对话式搜索引擎项目。其中，最大的是 Vizio 智能电视生产商并购项 目共融资 23 亿美元。
