1. 投资建议

核心数据预测：我们认为英伟达数据中心业务呈现超线性增长，因 此我们调高英伟达FY2024E-FY2026E的营业收入分别为599/ 966 / 1,190 亿美元（前值为 599/891/1004 亿美元），同增 122%/ 61%/ 23%。由于毛 利率提升、费用率缩小，使得经调整净利润在未来 3 年呈现大幅提升， 我们调高英伟达 FY2024E-FY2026E 的经调整净利润为 313/541/665 亿美 元（前值为 313/500/562 亿美元）。

核心假设： 1） 营收主要由数据中心业务驱动，数据中心由于 AI 产业的 高成长性呈现超线性增长； 2） 公司毛利率在 2024 财年由于数据中心业务的高毛利率 增长至 72%，并于 2026 财年稳定至 75% 左右； 3） 费用率，包含营销费用率、一般及行政费用率和研发开支 率，由于规模效应的释放与企业经营杠杆的增强大幅缩小， 三年维度稳定至 13% 左右； 4） 净利润率由于毛利率的提升、费用率的缩小，在 2024 年 呈现大幅提升，随及在未来两年趋于稳定，我们认为净利 润率将稳定至 51% 左右。

估值 1：考虑到英伟达即将在 2024 财年产生持续稳定的利润和现 金流，我们首先采用 DCF 估值法对公司的股权价值进行测算。基于以下假设，我们计算得到公司 2025 财年（对应日历年 2024/01/31-2025/01/31） 的公司估值为 1.59 万亿美金，对应每股价格为 637 USD。 核心假设： 1） 采用美国十年期国债收益率为无风险收益率 Rf=4.3%； 2） 风险溢价：我们计算得出 2013 年到 2023 年道琼斯指数 的复合增长率为 8.6%，得出风险溢价为 4.3%； 3） β = 1.69；由于英伟达没有债权成本，基于核心假设 1 和核 心假设 2 我们得出加权平均资金成本 WACC 为 11.5%； 4） 永续增长率为 2.8%。

估值 2：我们认为英伟达在 AI 算力领域持续狂奔，不断突破原有产 品的能力本身是英伟达的核心竞争力，强大的竞争壁垒可以实现公司在 AI 算力行业中保持强大的盈利能力和持久性，其在数据中心高端 GPU 方面的技术和市场优势极为明显，短中长期内难以撼动，存在极强的标 的稀缺性。 英伟达是典型的周期股特征。我们类比英伟达在加密货币浪潮，与 疫情下用户对电脑游戏的需求两次周期下的估值中枢，预计英伟达 GPU 的需求将在 2025 财年延续强劲的需求，且 2025 财年每个季度的供应 量都会增加，处于上涨周期。从过去 10 年的 PE-BAND 以及略高于中 位数的可比公司 2024 年 PE28X 的估值估计，我们给予英伟达 FY2025E PE 32X，对应公司估值为 1.57 万亿美金，对应每股价格为 629USD。

2. 生成式 AI 加速计算转型

2.1. AI-LLM

复盘 AI 的发展历史，AI 时代才刚刚开始。参考 Github 博客算法进阶的 观点，AI 发展历史可分为：1）起步发展期（1943-1960 年代）：人工智 能概念的提出后，发展出了符号主义、联结主义(神经网络)，相继取得了 如机器定理证明、跳棋程序、人机对话等成就；2）反思发展期（1970 年 代）：神经网络的训练算法、知识库、专家系统等技术理论取得了一定的 革新，算力和理论依旧匮乏；3）应用发展期（1980 年代）：AI 从理论研 究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破； 4）平稳发展期（1990 -2010 年）：伴随互联网技术狂奔，AI 创新研究加 速，促使 AI 进一步走向实用化，研究的重心从基于知识系统转向了机器学习方向，支持向量机、AdaBoost、LSTM、RNN、随机森林等算法逐 步成熟；5）蓬勃发展期（2011 年至今）：随着大数据、云计算、互联网、 物联网发展，基于 GPU 等的计算平台推动以深度神经网络为代表的 AI 技术飞跃，图像分类、语音识别、知识问答、人机对弈、自动驾驶等技 术问世，AI 迎来爆发式增长。

AI 进入大模型时代，ChatGPT 开创人类与 AI 交互时代。2022 年 11 月 30 日，OpenAI 开发的 Chat-GPT 横空出世，仅仅花了 5 天时间，ChatGPT 的注册用户数量达到 100 万；2023 年 3 月 14 日 GPT4 发布，GPT 正式 迈向多模态。过去一年间，基于大语言模型（LLM）的生成式 AI 迅速在 全球引起巨大影响。

大模型的训练步骤繁琐，使得对算力的需求激增。2023 年的微软 Build 开发者大会中，特斯拉前 AI 总监 Andrej Karpathy 发表题为 GPT 现状的演讲。训练 ChatGPT 等大语言模型分为标记化（Tokenization）、预训练 （Pretraining）、监督微调（Supervised Finetuning）和人类反馈强化学习 (RLHF)四个步骤。在进行预训练之前，有 2 个准备步骤:1）数据收集:例 如 Meta LLaMA 模型从 Github、维基百科等来源收集大量混合数据；2） 标记化，将文本中的单词标记并转换为整数。例如 175B 参数的 GPT-3 在 300B 个 token 上训练，而 65B 参数的 LLaMA 已经在 1-1.4T 个 token 上训练，反映了模型参数的增加对于 GPU 训练需求的飙升，但参数大并 不等同于模型性能强。

大模型依靠数据和算力将人工智能提升到前所未有的高度，但依然存在 存在 1）输出可靠性不稳定 2) 结果难以解释，3）数理能力较弱等弊端。 由于大模型的参数规模较大，不仅抬升了存储成本，而且需要使用更强 的算力资源，极大抬升了大模型研发的资本支出。即便如此，从另一个 维度看，大模型的处理能力主要依赖于已有的训练数据，并且若数据本 身存在缺陷或是错误，亦会影响大模型的训练效果，这也将直接影响模 型对于上下文的理解和对话的一致性。大模型的数学和逻辑推理能力仍 然需要加强。诸多大模型在执行推理任务的过程中并没有提供其信息的 来源，因此验证输出可靠性具备挑战。 虽然依托人工智能的大模型技术还不尽完善，但是展现出了巨大的潜力， 技术发展上呈现了很多共同的趋势如：多模态，轻量化，自增强，增加 逻辑推理及互联和 API 化。

我们认为 RAG 检索增强生成技术，使得不那么完美的基于 LLM 的 AI 成为一种确信可用的技术，基于准确性和可追溯性的考量，AI 中的检索 增强生成 （RAG） 是一种变革性范式，通过使用从外部来源获取的事 实，以此提高生成式 AI 模型的准确性和可靠性。据英伟达官网，RAG 架构的工作流程可概括为：当用户向 LLM 提问时，AI 模型会将查询发 送给另一个模型，后者会将查询转换成数字格式以便机器读取；随后嵌 入模型将这些数字与可用知识库的机器可读索引中的向量进行比较，检 索相关数据并发送回 LLM；LLM 将检索到的单词和它自己对查询的响 应相结合，形成最终的答案并提交给用户，其中可能会引用嵌入模型找 到的来源。

2.2. 通用计算转向加速计算

2.2.1. 数据特征与 AI 计算

数据规模的激增和数据类型的转变需要更高的计算效能。据 IDC 预测， 全球数据规模 2027 年或将高达约 284ZB（十万亿亿字节，泽字节）。而 随着移动互联网的普及，叠加物联网、智能手机和可穿戴设备的发展， 全球设备和人群社交等的广泛“联网”驱动了个体间的数据互动，并产 生巨量的非结构化数据，而其中多媒体数据的占比显著提高。据 Statista， 2022 年 6 月，谷歌公司旗下的全世界最大视频网站 Youtube 每分钟全球 上传的视频时长高达 500 小时。视频数据中信息的识别难度远高于文本 数据和图像数据。在非结构化数据大量涌现的当下，更高的计算效率成为迫切需求。

复杂卷积神经网络需要高效能算力实现。1998 年，LeNet-5 推出，主要 用于解决手写的图像识别问题，奠定了现代卷积神经网络的基本结构： 卷积、池化、全链接。从现实需求看，近年来图像数据的数量和图像的 像素点大幅增多，图像识别的需求进一步提升；LeNet-5 在 1998 年使用 Intel 奔腾 II 处理器训练，将文字识别率提升到 99%，但无法识别图像； 在 2012 年 AlexNet 延续了 LeNet-5 的架构，修改了激活函数,增加了训 练数据集，使得 ImageNet 的的识别率比 2011 年陡然提升，提升到 84%， 训练使用 CPU 晶体管数量是原 1998 年的 1000 倍，外加两块 NVDA 的 GTX580，每颗有 30 亿颗晶体管的并行算力。

更多的训练参数、更大的算力会驱动神经网络的识别度提高。我们以赢 得 2010-2017 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 的算法为 例，其中 Top-5 错误是指算法对图像提出的所有 top-5 分类都是错误的 概率，蓝色柱状图的算法均是卷积神经网络。其中，人类的识别错误率 约 5%，亦即从 2015 年以来基于卷积神经网络的算法已超过人类平均的 视觉识别能力。这正是由于更多的训练参数、更大的算力会驱动神经网络的识别度提高。在大模型的实际预训练中，研究者监测损失函数确定 模型迭代中的表现变化，损失低说明 Transformer 更可能给出正确预测， 随着大模型参数的递增，大模型的表现普遍愈好，这正是算力提升的结 果。

2.2.2. 加速计算

CPU 与 GPU 的组成结构与运算方式存在不同。CPU 作为电脑的中央处 理器，其运行主要以串行计算的方式进行。串行计算指的是多个程序在 同一个处理器上被执行，只有在当前的程序执行结束后，下一个程序才 能开始执行。而 GPU 是电脑的图形处理器，最初主要用于图像运算，适 用于加速计算场景中实现并行计算的需要。二者组成的不同主要表现在， CPU 拥有更大的逻辑运算单元和控制单元，同时拥有更大的缓存空间， 但 GPU 却拥有更多的逻辑运算单元数量。

大模型算法可分拆成并行计算，GPU 可适应神经网络训练高并发、并行 计算和矩阵处理需要。LLM 大多基于神经网络，大模型军备竞赛导致开 发者对 LLM 推理性能的要求激增，因此神经网络参数数量迅速飙升。 由于大模型基于的神经网络是高度并行的，使用神经网络做的许多计算 都可以分解成更小的计算单元，以此执行串行计算。CPU 内部运算单元 有限，在执行矩阵运算时将极大的消耗模型训练的时间，因此使用 GPU 进行大规模并行计算的优势得到了充分彰显，以 H100 Tensor Core GPU 为例，其支持多达 18 个 NVLink 连接，总吞吐量为 900 GB/s，是 PCIe 5.0 带宽的 7 倍，进而实现超快速的深度学习训练。GPU 逻辑运算单元 较多的优势在加速计算等场景中能够得到充分的发挥，因此 GPU 无疑 成为训练 LLM 的首位硬件选择。

通用计算向加速计算的转型是迈向 AGI 的必由之路。加速计算作为现 代计算方式，能够将应用的数据密集型部分分离，在一个单独的加速器 件上处理。硬件端，加速计算利用 GPU、DPU、TPU、ASIC 和 FPGA 等 性能、结构各异的计算单元来执行比 CPU 更高效的计算。加速计算解决 方案需要硬件、软件和网络三者的协同，每个加速平台硬件系统都根据 不同用例需求而设计，并辅之以针对具体业务应用的运营和管理的软件 栈。作为计算转型的下一个阶段，就像如今的智能手机都逐步应用混合 AI 技术，开始陆续配备能在终端运行大模型的高性能 GPU 一样，未来 每个服务器和工作站都将配备计算加速器，为更多的计算密集型工作提 供支持，服务于包括企业、主机托管、云、边缘和模块化设施等在内的 数据中心。

3. 不仅是芯片，而是计算平台型公司

3.1. GPU 引领加速计算

AI 迭代飞速催生芯片技术创新，TPU、FPGA、ASIC 等 AI 芯片应时代 需求而生。AI 迭代飞速催生芯片技术创新，FPGA 和 ASIC 等专用芯片 市场份额有所提升，例如谷歌推出的 TPU (Tensor Processing Unit)，与 Tensorflow 框架紧密集成，专为在大规模分布式系统中进行深度学习训 练和推理。但 FPGA 和 ASIC 的通用性较差，通常针对特定任务效率较 高。目前 GPU 已在大模型的训练和推理侧均形成显著的竞争优势，且我 们认为，基于通用计算向加速计算转型的趋势，GPU 具备更强的综合性 能和通用性。

GPU 引领加速计算转型，驱动英伟达营收高增，显著高于 AMD。英伟 达以游戏显卡业务起家，随着生成式 AI 和向加速计算转型的催化，数 据中心逐渐变成主营业务。FY24Q3（对应自然年约 23Q3）英伟达营业 收入 181.20 亿美元，其中数据中心收入达 145.14 亿美元，同增 278.7%， 占总营收的 80.1%。对比主要竞对 AMD，备受市场关注的数据中心 GPU MI 系列或将在 2024 年尚可实现全面出货，因此其 23Q3 数据中心收入 仅 15.98 亿美元，其中绝大部分为 X86 服务器收入，同增 21.0%，占总 营收 27.6%。

AI 和加速计算爆火的趋势下，GPU 的争夺格外激烈。据市场跟踪公司 Omdia 的统计，英伟达在 23Q3 大约卖出了 50 万片 A100 和 H100 GPU。 从全球头部云服务商的采购情况看，Meta 和微软是最大买家，分别采购 了多达约 15 万个 H100 GPU，大大超过了谷歌、亚马逊、甲骨文和腾讯 约五万个的采购数量。庞大的需求量也使得基于 H100 需约 36-52 周的 时间才能交付。

3.2. 超异构计算演进系统优势

英伟达以超异构创新构建面向大规模 AI 计算的超级计算机。英伟达构 建了面向大规模并行计算而设的全栈异构的数据中心解决方案。两种不 同的芯片在一起工作叫异构，将三种不同的芯片通过特殊通信连接成系 统一起工作叫超异构，随着 GPU 并行计算的加速计算处理，数据的计算结果使得的 GPU 每秒的数据吞吐量剧增，原来基于传统 X86 服务器的 PCIe 通信能力制约了整个计算系统的速率，所以英伟达以加速计算为中 心，重构新型计算系统，自己设计了基于ARM架构的Grace GPU,Bluefied DPU(提高内存访问速度，协议及安全解析效率)，并设计了 NVlink 通信 系统，将这三种芯片的片间通信提升到能力提升到 900G/s，超过原来 PCIe 通信能力的 7 倍。

GH200 是真正适用于 HPC 工作负载的异构加速平台。以 GH200 超级 芯片为例，其使用 900GB/S 的 NVLink-C2C 芯片互连，将基于 Arm 的 Grace CPU 与 H100 Tensor Core GPU 整合，从而不再需要传统的 CPU 至 GPU PCIe 连接。CPU 和 GPU 分别配备 480GB 的 LPDDR5X 内存和 96GB 的 HBM3 或 144GB 的 HBM3e 内存，集成高达至少 576G B 的高 速访问内存，可流畅运行具有数 TB 大小的嵌入表的推荐系统和向量数 据库。从官网公布的性能上看，其在 VectorDB 向量数据库、DLRM 推 荐算法模型和 LLM 上的表现均大幅高于 x86 及 x86+H100。我们认为， GH200 专为加速计算工作负载而设计，是适用于 HPC 工作负载的异构 加速平台。

摩尔定律后期，黄氏定律重塑半导体行业准则，英伟达芯片的迭代是与自己赛跑的过程。摩尔定律指在价格不变的前提下，集成电路上可容纳 的晶体管的数目，每隔约 18 个月便会增加一倍。但随着传统半导体晶体 管结构已进入纳米级别，叠加大模型对于算力激增的需求已远大于摩尔 定律所预估。黄仁勋对 AI 性能的提升作出预测，指出 GPU 将推动 AI 性 能实现每 1 年翻 1 倍，也就是每 10 年 GPU 性能将增长超 1000 倍。这 一论断也被称之为“黄氏定律”。复盘过去十余年间的英伟达芯片性能， H100 已经将推理性能拓展至 1000 倍，而根据英伟达的战略规划，在未 来两年，无论是 GPU、CPU 还是 DPU，也均会有下一代产品发布。

3.3. 不仅是芯片，而是计算平台型公司

通过分析 AI 系统全栈架构，我们认为英伟达无疑已经成为一家提供超 级计算平台的公司。我们认为，英伟达的增长优势并不仅像市场认为的 基于大模型训练和推理 GPU 算力需求，要从计算平台型公司的视角充 分论证英伟达的核心竞争力。AI 系统由下至上分别由体系结构、编译器、 框架、开发和应用构成。英伟达的产品和服务体系几乎贯穿了整个 AI 系 统全栈架构，从 GPU、超级计算机和网络加速器，到 CUDA 编译器，到 AI 推理引擎等。即便在应用侧，英伟达也发布了自己的大语言模型 ChipNeMo，据英伟达官方博客，ChipNeMo 可提供聊天机器人、代码生 成器和分析工具，帮助提高芯片设计效率。

3.3.1. 基于产品的平台

英伟达全面的产品矩阵优势为计算平台的核心竞争力发挥提供了保证。 英伟达通过平台型产品结构设计打造规模效应。详细拆分，我们可将英 伟达划分为硬件、软件、平台、应用框架四个维度。英伟达基于“硬件 +软件”的技术优势，同时依托面向行业打造的应用框架，提供了对于细 分行业定制的行业解决方案。英伟达独显市场份额长期稳居高位，与 AMD 此消彼长。据 JPR，23Q2 全球独立显卡出货量为 640 万块。其中 23Q2 英伟达市场份额高达约 80%， AMD 仅约 17%。

3.3.2. 基于技术的平台

除了硬件上的系统性优势，软件端英伟达亦通过 CUDA 打造高兼容性 的 GPU 通用平台，依托系统和生态形成竞争优势。以 CUDA 为例， CUDA 是英伟达开发的并行计算平台和 API 模型，是加速计算密集型任 务最为依赖的软件生态基石。以 AMD 的 ROCm 作为对比，CUDA 具备 ROCm 难以企及的开发人员数量，目前 CUDA 拥有超过 400 万开发人 员，历史上 CUDA 总下载量达到 4000 万，CUDA 已形成社区支持和成 熟的生态体系，使得 GPU 的可编程性得到了飞跃。整体而言，在发布时 间、硬件支持、操作系统和开发者数量等维度上 CUDA 均具备优势，展 现出更加繁荣的生态。此外，Infiniband 提供网络解决方案，通过提供网 卡、DPU、交换机等产品以适应处理高分辨率模拟、超大型数据集和高度并行的算法的需要，据 FY24Q3 业绩会，英伟达网络业务已经达到 100 多亿美元的规模。

3.3.3. 服务客户的平台

作为平台型公司强调技术可拓展性，通过广大的客户群体和产业链合作 伙伴加速全球 AI 生态建立，以适应由加速计算带来科技变革。1）从客 户数角度，黄仁勋表示已有 15,000 家初创公司建立在英伟达的平台上， 全球有 40,000 家大型企业正在使用加速计算，FY24Q2 电话会中，黄仁 勋表示未来四年将有约 1 万亿美元用于 AI 数据中心升级，每年的资本 支出约为 2500 亿美元，其中包括 GPU 的升级；2）从产业链合作伙伴角 度，英伟达作为 IC 设计领军者，与下游晶圆代工、封装测试、显卡组装 等产商建立了稳定的合作关系，积极响应数据中心、游戏、汽车和专业 可视化等各类终端客户需求，在近 30 年来通过合作伙伴网络（NPN）将 产品投入市场；3）从投资角度，以英伟达企业投资部门为例，2023 年 来已投资芯片到芯片光纤连接的 Ayar Labs、AI 模型中心 Hugging Face、 云服务提供商 CoreWeave 在内的 14 个项目。

4. 计算转型初期，强化超线性增长

4.1. 加速计算市场规模测算

算力板块正在同时经历两个临界点——加速计算和生成式 AI，企 业竞相将生成式 AI 应用到各个产品、服务和业务流程中，AI 加速渗透。 由于在 AI 大模型的竞赛中，英伟达目前处于供应算力的绝对领导优势， 我们持续看好 GPU 未来的市场空间。我们从几个维度做了一个参考， 几个数据维度做了一个相应的测算。同时，从 24 年前三个季度表现及市 场的对 24 财年的一致预期推测，我们认为 2023 年英伟达的数据中心收 入约为 463 亿美元，除去网络设备的 100 亿美元，数据中心的 GPU 约为 363 亿美元，根据英伟达预计其综合业务领域的总潜在市场 (TAM) 为 1 万亿美元，分布于游戏、汽车、芯片和软件,其中芯片和系 统达到 3000 亿美金，AMD 的 CEO 苏姿丰预测数据中心 AI 芯片的 2023 年总市值将突破 450 亿美元，远高于 AMD 6 月预测的 300 亿美元。到 2027 年，以 70%的 CAGR,数据中心加速计算市场将进一步扩张至 4000 亿美元。站在 2023 年，英伟达剔除网络设备外，GPU 收入在 360 亿美 金左右，根据英伟达和 AMD 的预测，我们假设 2027 年 NVDA 占据数 据中心 GPU 市场 80%，NVDA 的 GPU 将可能以 70%的 CAGR 在 2027 年实现 3000 亿美金收入,2023 年除 GPU 外的数据中心网络设备有 100 亿美金的收入，综合考虑到这些维度的收入，我们预计英伟达数据中心 业务整体在 2027 年有望实现 3000 亿美金的收入。

4.2. 技术普及推动全面增长

4.2.1. 加速计算技术生态系统迭代增长

GPU 的高增往往忽视了以 INFINI BAND 领衔的全栈周边网络设 备的增长。随着人工智能和生成内容的大型模型的兴起，对高性能计算 和智能计算的需求急剧增加。为了满足这些巨大的计算需求，建立高性 能计算集群成为了必然选择。在这种背景下，InfiniBand 因其卓越的性能 表现，成为搭建高性能计算集群的首选技术。

InfiniBand 作为一种高性能的计算机网络通信标准，主要用于高速 数据传输。它在高性能计算 (HPC)中特别受欢迎：1）高带宽和低延迟： InfiniBand 提供了非常高的数据传输速率，远高于传统的以太网。同时， 它的延迟极低，这对于要求实时数据处理的 AI 应用至关重要。2）可扩 展性：InfiniBand 支持构建大规模网络，非常适合目前英伟达的大型计 算集群和数据中心。3）灵活性和多用途性：InfiniBand 支持 RDMA， 允许网络设备直接访问应用程序的内存，无需 CPU 介入，从而减少延迟 并提高吞吐量。它不仅用于高性能计算，还可以在存储网络和数据中心 网络中发挥重要作用。InfiniBand 的这些特性使它成为了解决高性能计 算和数据密集型中的数据传输挑战的理想选择。 我们看好受到数据中心和人工智能的强劲需求推动下， InfiniBand 的未来的潜力充满期待。根据 36Kr 的报道，到 2029 年，InfiniBan d 的 市场规模将达到 983.7 亿美元，相比 2021 年的 66.6 亿美元，增长 14.7 倍。预测期内（2021-2029）的复合年增长率，为 40%。

除核心 GPU 芯片组件和 INFINIT BAND 带来的增长以外 ，英伟 达 的 爆 发式增 长还带来周边网络设备 的增长如, SPACTRUM ， ENTERPRISE AI ,AI TOOLS chain。Nvidia 推出的 Spectrum-X 技术， 专为 AI 工作负载设计，提供高于传统以太网 1.6 倍的性能。该技术整合 了 Nvidia 的 H100 Tensor Core GPU、AI Enterprise 和 AI Workbench 软 件，与戴尔、HPE 和联想的新服务器产品结合，旨在为企业提供执行高 级生成式 AI 模型的完整解决方案。Spectrum-X 结合了 Spectrum-4 以太 网交换机和 BlueField-3 SuperNIC，一个新型网络加速器，以提高 AI 工 作负载处理速度和安全性。这些新系统预计 2024 年第一季度上市，标志 着向生成式 AI 时代的重要转变。Nvidia 在其 Israel-1 超级计算机上已部 署 Spectrum-X，为构建下一代 AI 系统的公司提供参考。戴尔、HPE 和 联想的合作强调了为客户提供高性能 AI 解决方案的重要性。

4.2.2. 应用、行业和区域的技术扩散增长

生成式 AI 落地，我们认为将从大规模用户向小众定制化行业进行 传导。最先受益的，就是各大企业的广告业务，这些企业希望推出各种 工具来帮助企业降低成本。对数字营销较为倚重的行业也因此被改变。 在 AI 的帮助下，不管是文字宣传还是图片，甚至是视频制作，效率都大 大提高，制作一条产品宣传视频时间仅仅需要 6-8 分钟，目前一些从业 者的成本仅仅来自素材和推广，大大地节省了制作的成本。随即搜索也 慢慢的被大模型渗透，生成式 AI 搜索直击用户痛点。根据用户输入的 关键词或问题，以答案的形式为用户提供一个文本结果，节省时间和精 力。随着不同行业有着各自独特的需求和挑战。生成式 AI 开始被定制 化，以适应特定行业的需求。在竞争日益激烈的市场环境中，行业例如 医疗、法律、教育和金融服务等寻求通过定制化 AI 应用来获得竞争优 势，也推动了技术创新。

Maas 催化企业能够方便地使用高级的 AI 模型，提升渗透率。 中小企业计划引入人工智能来提高效率，但面临几个主要问题： 1）高开发门槛：AI 模型开发需要大量数据和强大的 GPU 算力，通常只 有大公司才能承担这样的投入，对中小企业来说是一个挑战。 2）定制化需求：虽然有通用的模型，但在具体问题上，效果可能不佳， 需要进行定制化调整，这对开发人员提出了较高的要求。 3）模型多样性和调用复杂性：现有的众多模型各有不同的调用方式，开 发者需要查阅大量资料并调整各种参数，这增加了使用不同模型的难度。 Model as a Service (MaaS) 成功解决了这些问题。MaaS 是一种服务模式， 其中云计算提供商（如阿里云、腾讯云等）不仅提供硬件资源、通用软 件能力和底层框架，而且还将模型作为服务的一部分。这样，模型成为 了一种重要资源，可以更容易地被企业利用，而不需要自己从头开始开 发。MaaS 的目标是实现“All For Everyone”，即让所有企业都能够方便 地使用高级的 AI 模型。

随着大型语言模型引发的革命性变化，操作系统的领域有了重塑的可能。 操作系统不仅是释放硬件性能的关键入口，同时也是众多软件服务的基 础平台，它构成了所有人机交互的初始点。结合了传统操作系统功能和 针对 AI 应用的特定需求的 AI 操作系统，为不同规模和类型的企业提供 了一个功能强大、高效且用户友好的平台，使他们能够最大限度地发挥 AI 技术的潜能。 而基于 AI 操作系统的 AI 应用是更大的机会，也将带来成倍的算力需 求。AI 软件应用的蓬勃发展可以形容为一场技术革命，它正在迅速渗透 到社会的各个角落。AI 技术的通用性使其能够被应用于多个行业，从医 疗健康、金融服务到教育、交通等，这种跨行业的适用性极大地扩展了 AI 软件应用的范围。

由于算力在国家经济中的拉动作用具有重要意义，各国之间形成了在这 一领域的竞争。由于计算能力在全球经济中扮演着至关重要的角色，各 国都在积极参与这场科技竞赛。例如，中美之间在人工智能领域的竞争 尤为激烈。美国为了限制中国人工智能的发展，对中国的高端计算芯片 实施了出口限制。同样，世界上其他一些国家也加入了这场竞赛，例如 英国购买了大量英伟达的 GPU，并计划建立运算中心，德国和法国等国 也在进行类似的努力。目前，英伟达已经支持了全球多个超级计算中心 的建设和运营。

4.3. 超线性增长

超线性（Superlinear）的增长，用于描述量与量之间的一种变化关 系，例如 y=a+b*x^n，其中 n＞1。当 n=1 时，表示为线性关系，当 0＜ n＜1 时，表示为亚线性关系。超线性增长在自然界中普遍存在，尤其适 用于平台型互联网公司及技术的扩散初期，特征表现在：

1）单一维度超过线性增长，超过一定阈值，增长会随着变量而加速，就人类技术整体而言是加速普及的，速度越来越快的超线性加速，互联网软件如 Facebook 的收入增长，硬件如 Cisco 计算机基 础设施；

超线性往往呈现出马太效应，在一个维度的探索达到一定阈值开启另外 维度的增长，x^n，n＞1,本质上代表多维强势因子的叠加，如英伟达的 GPU 达到业界极限后，开启了 AI 超算，CPU,网络等产品超线性增长和 发展： 超线性增长带来加速的增长曲线形态，在竞争中远远甩开竞争对手，竞 争中胜出者往往受损较小，能够较大概率获得下一个周期较好成长： 英伟达 24Q1 数据中心收入 42.8 亿美金，24Q2 为 103.2 亿美金，145.1 亿美金，我们惊人的发现 24 年 Q1+Q2 的收入约等于 Q3 的收入，呈现 出明显的阶梯递增，阈值突破；英伟达从极致的 GPU 表现扩展到 AI 芯 片，CPU，网络设备，以 278.7%的数据中心业务对比 AMD16 亿美金（ - 0.7%）同比季度增速，在远期 2027 年很大可能实现 3000 亿美金的数据 中心系统整体收入，英伟达以 2 年一代芯片架构的自我系统演进速度， 正高速进入超线性增长旅程。

 

编辑：520中国