ChatGPT發(fā)布之后，引發(fā)了全球范圍的關(guān)注和討論，國內(nèi)各大廠商相繼宣布GPT模型開發(fā)計(jì)劃。據(jù)各公司官網(wǎng)，2023年2月7日，百度宣布將推出ChatGPT類似產(chǎn)品“文心一言”，預(yù)計(jì)今年3月展開內(nèi)測；2月8日阿里宣布阿里版ChatGPT正在研發(fā)中，目前處于內(nèi)測階段；2月9日，字節(jié)跳動旗下AI Lab宣布正在開展ChatGPT和AIGC相關(guān)研發(fā)，未來將為PICO提供技術(shù)支持；2月10日，京東旗下言犀人工智能平臺推出產(chǎn)業(yè)版ChatGPT—“ ChatJD”。 ?

AI模型對算力的需求主要體現(xiàn)在訓(xùn)練和推理兩個(gè)層面。當(dāng)前主流的人工智能算法通常可分為“訓(xùn)練”和“推理”兩個(gè)階段。據(jù)IDC數(shù)據(jù)，2021年中國人工智能服務(wù)器工作負(fù)載中，57.6%的負(fù)載用于推理，42.4%用于模型訓(xùn)練。據(jù)IDC預(yù)計(jì)，到2026年AI推理的負(fù)載比例將進(jìn)一步提升至62.2%。具體來看：

1）訓(xùn)練階段：基于充裕的數(shù)據(jù)來調(diào)整和優(yōu)化人工智能模型的參數(shù)，使模型的準(zhǔn)確度達(dá)到預(yù)期。對于圖像識別、語音識別與自然語言處理等領(lǐng)域的復(fù)雜問題，為了獲得更準(zhǔn)確的人工智能模型，訓(xùn)練階段常常需要處理大量數(shù)據(jù)集、做反復(fù)的迭代計(jì)算，耗費(fèi)巨大的運(yùn)算量。

2）推理階段：訓(xùn)練階段結(jié)束以后，人工智能模型已經(jīng)建立完畢，已可用于推理或預(yù)測待處理輸入數(shù)據(jù)對應(yīng)的輸出（例如給定一張圖片，識別該圖片中的物體），此過程被稱為推理階段。推理階段對單個(gè)任務(wù)的計(jì)算能力要求不如訓(xùn)練那么大，但是由于訓(xùn)練出來的模型會多次用于推理，因此推理運(yùn)算的總計(jì)算量也相當(dāng)可觀。

ChatGPT算力需求場景包括預(yù)訓(xùn)練、Finetune及日常運(yùn)營。從ChatGPT實(shí)際應(yīng)用情況來看，從訓(xùn)練+推理的框架出發(fā)，我們可以將ChatGPT的算力需求按場景進(jìn)一步拆分為預(yù)訓(xùn)練、Finetune及日常運(yùn)營三個(gè)部分：

1）預(yù)訓(xùn)練：主要通過大量無標(biāo)注的純文本數(shù)據(jù)，訓(xùn)練模型基礎(chǔ)語言能力，得到類似GPT-1/2/3這樣的基礎(chǔ)大模型；

2）Finetune：在完成預(yù)訓(xùn)練的大模型基礎(chǔ)上，進(jìn)行監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)等二次或多次訓(xùn)練，實(shí)現(xiàn)對模型參數(shù)量的優(yōu)化調(diào)整；

3）日常運(yùn)營：基于用戶輸入信息，加載模型參數(shù)進(jìn)行推理計(jì)算，并實(shí)現(xiàn)最終結(jié)果的反饋輸出。

預(yù)訓(xùn)練階段：單次算力需求取決于模型參數(shù)量，最高可達(dá)3640 PFlop/s-day

ChatGPT基于Transformer架構(gòu)，進(jìn)行語言模型預(yù)訓(xùn)練。GPT模型之所以能夠高效地完成大規(guī)模參數(shù)計(jì)算，我們認(rèn)為離不開Transformer架構(gòu)的加持。拆解Transformer架構(gòu)來看，核心是由編碼模塊和解碼模塊構(gòu)成，而GPT模型只用到了解碼模塊。拆解模塊來看，大致分為三層：前饋神經(jīng)網(wǎng)絡(luò)層、編碼/解碼自注意力機(jī)制層（Self-Attention）、自注意力機(jī)制掩碼層，其中：

1）注意力機(jī)制層主要作用在于計(jì)算某個(gè)單詞對于全部單詞的權(quán)重（即Attention），從而能夠更好地去學(xué)習(xí)所有輸入之間的關(guān)系，實(shí)現(xiàn)對文本內(nèi)在關(guān)系的理解和更大規(guī)模的并行計(jì)算；

2）前饋神經(jīng)網(wǎng)絡(luò)提供了對數(shù)據(jù)信息的高效存儲及檢索；3）掩碼層在這一過程中幫助模型屏蔽位于計(jì)算位置右側(cè)尚未出現(xiàn)的單詞。因此，相較于前代深度學(xué)習(xí)架構(gòu)RNN，Transformer架構(gòu)可以實(shí)現(xiàn)更大規(guī)模的并行計(jì)算，大大提升了計(jì)算效率。

單一大模型路線下，需要完成大規(guī)模參數(shù)計(jì)算。以GPT-3模型為例，隨著模型朝更大體量的方向演進(jìn)，參數(shù)量從GPT-3 Small的1.25億個(gè)增長到GPT-3 175B的1746億個(gè)，一次訓(xùn)練所需的計(jì)算量從2.6PFlop/s-day增至3640PFlop/s-day。與此同時(shí)，在不同學(xué)習(xí)樣本（包括小樣本、單一樣本、零樣本）條件下的模型，隨著參數(shù)量的提升均實(shí)現(xiàn)不同幅度的上下文學(xué)習(xí)能力改善，外在表現(xiàn)為語言準(zhǔn)確率的提升。我們認(rèn)為，隨著大模型訓(xùn)練表現(xiàn)出越來越強(qiáng)大的實(shí)戰(zhàn)能力，未來或?qū)⒊蔀镹LP訓(xùn)練的主流選擇。

推理階段：預(yù)計(jì)單月運(yùn)營算力需求約7034.7 PFlop/s-day

ChatGPT近一月訪問量為8.89億次。據(jù)SimilarWeb數(shù)據(jù)，2023年1月以來ChatGPT官網(wǎng)日訪問量持續(xù)攀升，從1月初的日均千萬次級別，到1月底日均兩千萬次，再到2月中旬的三千萬次級別，隨著軟件效果的廣泛傳播，用戶訪問次數(shù)愈發(fā)頻繁。加總近一月（2023/1/17-2023/2/17）ChatGPT官網(wǎng)訪問量數(shù)據(jù)來看，可得ChatGPT月訪問量為8.89億次。

預(yù)計(jì)日常運(yùn)營單月所需算力約7034.7 PFlop/s-day。日常運(yùn)營過程中，用戶交互帶來的數(shù)據(jù)處理需求同樣也是一筆不小的算力開支。據(jù)前文，近一個(gè)月（2023/1/17-2023/2/17）ChatGPT官網(wǎng)總訪問量為8.89億次。據(jù)Fortune雜志，每次用戶與ChatGPT互動，產(chǎn)生的算力云服務(wù)成本約0.01美元?；诖?，我們測算得2023年1月OpenAI為ChatGPT支付的運(yùn)營算力成本約889萬美元。此外，據(jù)Lambda，使用訓(xùn)練一次1746億參數(shù)的GPT-3模型所需花費(fèi)的算力成本超過460萬美元；據(jù)OpenAI，訓(xùn)練一次1746億參數(shù)的GPT-3模型需要的算力約為3640 PFlop/s-day。我們假設(shè)單位算力成本固定，測算得ChatGPT單月運(yùn)營所需算力約7034.7PFlop/s-day。

Finetune階段：預(yù)計(jì)ChatGPT單月Finetune的算力需求至少為1350.4PFlop/s-day

模型迭代帶來Finetune算力需求。從模型迭代的角度來看，ChatGPT模型并不是靜態(tài)的，而是需要不斷進(jìn)行Finetune模型調(diào)優(yōu)，以確保模型處于最佳應(yīng)用狀態(tài)。這一過程中，一方面是需要開發(fā)者對模型參數(shù)進(jìn)行調(diào)整，確保輸出內(nèi)容不是有害和失真的；另一方面，需要基于用戶反饋和PPO策略，對模型進(jìn)行大規(guī)?；蛐∫?guī)模的迭代訓(xùn)練。因此，模型調(diào)優(yōu)同樣會為OpenAI帶來算力成本，具體算力需求和成本金額取決于模型的迭代速度。

預(yù)計(jì)ChatGPT單月Finetune算力需求至少為1350.4PFlop/s-day。據(jù)IDC預(yù)計(jì)，2022年中國人工智能服務(wù)器負(fù)載中，推理和訓(xùn)練的比例分別為58.5%、41.5%。我們假設(shè)，ChatGPT對推理和訓(xùn)練的算力需求分布與之保持一致，且已知單月運(yùn)營需要算力7034.7 PFlop/s-day、一次預(yù)訓(xùn)練需要算力3640 PFlop/s-day?；诖?，我們進(jìn)一步假設(shè)：1）考慮到AI大模型預(yù)訓(xùn)練主要通過巨量數(shù)據(jù)喂養(yǎng)完成，模型底層架構(gòu)變化頻率不高，故我們假設(shè)每月最多進(jìn)行一次預(yù)訓(xùn)練；2）人類反饋機(jī)制下，模型需要不斷獲得人類指導(dǎo)以實(shí)現(xiàn)參數(shù)調(diào)優(yōu)，以月為單位可能多次進(jìn)行。由此我們計(jì)算得ChatGPT單月Finetune算力成本至少為1350.4PFlop/s-day。

1、ChatGPT需要的服務(wù)器：AI訓(xùn)練型服務(wù)器+AI推理型服務(wù)器

隨著計(jì)算場景擴(kuò)展，算力硬件也在發(fā)生變化。在傳統(tǒng)軟件架構(gòu)下，主要的模式都是CS模式，服務(wù)端大多是單機(jī)處理幾千個(gè)輕量請求。而在邊緣計(jì)算場景下，需要數(shù)萬臺服務(wù)器處理上億個(gè)重負(fù)載請求。邊緣計(jì)算機(jī)本質(zhì)上是用CES模式取代CS模式，當(dāng)前的互聯(lián)網(wǎng)IT架構(gòu)已經(jīng)從CS模式，逐步向CDN服務(wù)為核心的CES模式轉(zhuǎn)變。但當(dāng)前的CDN模式比較大的局限性在于缺乏靈活性，不能解決邊緣上非結(jié)構(gòu)化數(shù)據(jù)存儲和處理的需求，引入Edge端（邊緣端）就是為了解決CS模式下無法處理的業(yè)務(wù)。而在AI訓(xùn)練場景下，計(jì)算量及數(shù)據(jù)類型的變化導(dǎo)致C-E-S又無法滿足集中大算力需求，計(jì)算架構(gòu)回歸C-S，并向高效率并行計(jì)算演變。

服務(wù)器作為算力硬件核心，面向不同計(jì)算場景分化演進(jìn)。我們認(rèn)為，計(jì)算架構(gòu)的變化是推動服務(wù)器技術(shù)演進(jìn)的關(guān)鍵變量。從計(jì)算場景來看，隨著計(jì)算架構(gòu)從PC到云計(jì)算，到邊緣計(jì)算，再到AI訓(xùn)練，服務(wù)器需求也在發(fā)生相應(yīng)變化。從單一服務(wù)器更加強(qiáng)調(diào)服務(wù)個(gè)體性能，如穩(wěn)定性、吞吐量、響應(yīng)時(shí)間等。云數(shù)據(jù)中心服務(wù)器對單個(gè)服務(wù)器性能要求下降，但更強(qiáng)調(diào)數(shù)據(jù)中心整體性能，如成本、快速部署和交付。邊緣計(jì)算場景下，開始出現(xiàn)異構(gòu)計(jì)算等復(fù)雜環(huán)境計(jì)算，對數(shù)據(jù)交互實(shí)時(shí)性要求有所提升，需要在邊緣端設(shè)立單獨(dú)的服務(wù)器設(shè)施。而AI服務(wù)器主要專為人工智能訓(xùn)練設(shè)計(jì)，數(shù)據(jù)類型以向量/張量為主，多采用大規(guī)模并行計(jì)算以提升運(yùn)算效率。

同一技術(shù)路線下，服務(wù)器面向數(shù)據(jù)處理需求持續(xù)迭代。復(fù)盤主流服務(wù)器發(fā)展歷程來看，隨著數(shù)據(jù)量激增、數(shù)據(jù)場景復(fù)雜化，不同類型服務(wù)器發(fā)展驅(qū)動力也有所差異。具體來看：

1）通用服務(wù)器：傳統(tǒng)通用服務(wù)器的發(fā)展與計(jì)算機(jī)架構(gòu)發(fā)展同步，通過處理器的時(shí)鐘頻率、指令集并行度、核數(shù)等硬件指標(biāo)的提升優(yōu)化自身性能，發(fā)展較為緩慢。

2）云計(jì)算服務(wù)器：云計(jì)算的概念于20世紀(jì)80年代提出，僅20年后就有較為成熟的產(chǎn)品推出，如VMware的VMware Workstation和亞馬遜AWS等。2010年隨著OpenStack開源，阿里云、華為云等項(xiàng)目相繼布局，云計(jì)算行業(yè)快速走向成熟。

3）邊緣計(jì)算服務(wù)器：邊緣計(jì)算概念孵化于2015年，僅2年后就有諸如亞馬遜AWS Greengrass、谷歌GMEC等邊緣計(jì)算平臺產(chǎn)生，并在微軟的帶領(lǐng)下提前進(jìn)入技術(shù)并購期。

4）AI服務(wù)器：AI服務(wù)器最早由思科在2018推出，專為人工智能、機(jī)器學(xué)習(xí)的工作服務(wù)而設(shè)計(jì)，硬件架構(gòu)更加適合AI訓(xùn)練場景下的算力需求。

2、云計(jì)算服務(wù)器：大規(guī)模數(shù)據(jù)處理需求下的商業(yè)模式變革

數(shù)據(jù)量激增帶來大算力需求，云計(jì)算服務(wù)器應(yīng)運(yùn)而生。通用服務(wù)器通過提高硬件指標(biāo)提升性能，而隨著CPU的工藝和單個(gè)CPU的核心數(shù)量接近極限，通用服務(wù)器性能難以支持?jǐn)?shù)據(jù)量激增帶來的性能需求。云計(jì)算服務(wù)器則通過虛擬化技術(shù)，將計(jì)算和存儲資源進(jìn)行池化，把原來物理隔離的單臺計(jì)算資源進(jìn)行虛擬化和集中化。最終以集群化處理來達(dá)到單臺服務(wù)器所難以實(shí)現(xiàn)的高性能計(jì)算。同時(shí)，云計(jì)算服務(wù)器集群的計(jì)算能力可以通過不斷增加虛擬化服務(wù)器的數(shù)量來進(jìn)行擴(kuò)展，突破單個(gè)服務(wù)器硬件限制，應(yīng)對數(shù)據(jù)量激增帶來的性能需求。

云計(jì)算服務(wù)器節(jié)約部分硬件成本，降低算力采購門檻。早期大規(guī)模數(shù)據(jù)處理成本極高，原因在于通用服務(wù)器的購置和運(yùn)維成本居高不下。傳統(tǒng)服務(wù)器中均包含處理器摸塊、存儲模塊、網(wǎng)絡(luò)模塊、電源、風(fēng)扇等全套設(shè)備，而云計(jì)算服務(wù)器體系架構(gòu)精簡，省去重復(fù)的模塊，提高了利用率。同時(shí)云計(jì)算服務(wù)器針對節(jié)能需求，將存儲模塊進(jìn)行虛擬化，并去除了主板上的非必要硬件，降低了整體計(jì)算成本，并通過流量計(jì)費(fèi)模式，使得更多廠商可以負(fù)擔(dān)算力開支，降低了算力采購門檻。

3、邊緣服務(wù)器：高數(shù)據(jù)密度和帶寬限制下保證低時(shí)延

邊緣計(jì)算在云計(jì)算的基礎(chǔ)上引入邊緣層。邊緣計(jì)算是在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，為應(yīng)用提供融合計(jì)算、存儲和網(wǎng)絡(luò)等資源。在體系架構(gòu)上，邊緣計(jì)算在終端層和云層之間引入邊緣層，從而將云服務(wù)擴(kuò)展到網(wǎng)絡(luò)邊緣。其中終端層由物聯(lián)網(wǎng)設(shè)備構(gòu)成，最靠近用戶，負(fù)責(zé)收集原始數(shù)據(jù)并上傳至上層進(jìn)行計(jì)算；邊緣層由路由器、網(wǎng)關(guān)、邊緣服務(wù)器等組成，由于距離用戶較近，可以運(yùn)行延遲敏感應(yīng)用，滿足用戶對低時(shí)延的要求；云層由高性能服務(wù)器等組成，可以執(zhí)行復(fù)雜計(jì)算任務(wù)。

邊緣計(jì)算較云計(jì)算在實(shí)時(shí)性、低成本和安全性等方面有優(yōu)勢：

1）實(shí)時(shí)性：邊緣計(jì)算將原有云計(jì)算中心的計(jì)算任務(wù)部分或全部遷移到與用戶距離更近的網(wǎng)絡(luò)邊緣進(jìn)行處理，而不是在外部數(shù)據(jù)中心或云端進(jìn)行，因此提高了數(shù)據(jù)傳輸性能，保證了處理的實(shí)時(shí)性。

2）低帶寬成本：終端產(chǎn)生的數(shù)據(jù)無需遠(yuǎn)距離傳輸至云端，避免帶寬成本。同時(shí)，邊緣計(jì)算機(jī)制中，邊緣層可對終端產(chǎn)生數(shù)據(jù)進(jìn)行預(yù)處理，從而降低云計(jì)算中心的計(jì)算負(fù)載。

3）安全性：邊緣計(jì)算在本地設(shè)備和邊緣層設(shè)備中處理大部分?jǐn)?shù)據(jù)而不是將其上傳至云端，減少實(shí)際存在風(fēng)險(xiǎn)的數(shù)據(jù)量，避免數(shù)據(jù)泄露危險(xiǎn)。

4、AI服務(wù)器：更適合深度學(xué)習(xí)等AI訓(xùn)練場景

AI服務(wù)器采取GPU架構(gòu)，相較CPU更適合進(jìn)行大規(guī)模并行計(jì)算。通用服務(wù)器采用CPU作為計(jì)算能力來源，而AI服務(wù)器為異構(gòu)服務(wù)器，可以根據(jù)應(yīng)用范圍采用不同的組合方式，如CPUGPU、CPUTPU、CPU其他加速卡等，主要以GPU提供計(jì)算能力。從ChatGPT模型計(jì)算方式來看，主要特征是采用了并行計(jì)算。對比上一代深度學(xué)習(xí)模型RNN來看，Transformer架構(gòu)下，AI模型可以為輸入序列中的任何字符提供上下文，因此可以一次處理所有輸入，而不是一次只處理一個(gè)詞，從而使得更大規(guī)模的參數(shù)計(jì)算成為可能。而從GPU的計(jì)算方式來看，由于GPU采用了數(shù)量眾多的計(jì)算單元和超長的流水線，因此其架構(gòu)設(shè)計(jì)較CPU而言，更適合進(jìn)行大吞吐量的AI并行計(jì)算。

深度學(xué)習(xí)主要進(jìn)行矩陣向量計(jì)算，AI服務(wù)器處理效率更高。從ChatGPT模型結(jié)構(gòu)來看，基于Transformer架構(gòu)，ChatGPT模型采用注意力機(jī)制進(jìn)行文本單詞權(quán)重賦值，并向前饋神經(jīng)網(wǎng)絡(luò)輸出數(shù)值結(jié)果，這一過程需要進(jìn)行大量向量及張量運(yùn)算。而AI服務(wù)器中往往集成多個(gè)AI GPU，AI GPU通常支持多重矩陣運(yùn)算，例如卷積、池化和激活函數(shù)，以加速深度學(xué)習(xí)算法的運(yùn)算。因此在人工智能場景下，AI服務(wù)器往往較GPU服務(wù)器計(jì)算效率更高，具備一定應(yīng)用優(yōu)勢。

AI服務(wù)器分類方式有兩種：

1）按應(yīng)用場景：AI服務(wù)器按照應(yīng)用場景可以分為深度學(xué)習(xí)訓(xùn)練型和智能應(yīng)用推理型。訓(xùn)練任務(wù)對服務(wù)器算力要求較高，需要訓(xùn)練型服務(wù)器提供高密度算力支持，典型產(chǎn)品有中科曙光X785-G30和華為昇騰Atlas 800（型號9000、型號9010）。推理任務(wù)則是利用訓(xùn)練后的模型提供服務(wù)，對算力無較高要求，典型產(chǎn)品有中科曙光X785-G40和華為昇騰Atlas 800（型號3000、型號3010）。

2）按芯片類型：AI服務(wù)器為異構(gòu)服務(wù)器，可以根據(jù)應(yīng)用范圍調(diào)整計(jì)算模塊結(jié)構(gòu)，可采用CPU+GPU、CPU+FPGA、CPU+TPU、CPU+ASIC或CPU+多種加速卡等組合形式。目前，產(chǎn)品中最常見的是CPU+多塊GPU的方式。

常見的AI服務(wù)器分為四路、八路、十六路。一般來說，通用服務(wù)器主要采用以CPU為主導(dǎo)的串行架構(gòu)，更擅長邏輯運(yùn)算；而AI服務(wù)器主要采用加速卡為主導(dǎo)的異構(gòu)形式，更擅長做大吞吐量的并行計(jì)算。按CPU數(shù)量，通用服務(wù)器可分為雙路、四路和八路等。雖然AI服務(wù)器一般僅搭載1-2塊CPU，但GPU數(shù)量顯著占優(yōu)。按GPU數(shù)量，AI服務(wù)器可以分為四路、八路和十六路服務(wù)器，其中搭載8塊GPU的八路AI服務(wù)器最常見。

AI服務(wù)器采用多芯片組合，算力硬件成本更高。我們以典型服務(wù)器產(chǎn)品為例拆解硬件構(gòu)成，可以更清晰地理解兩類服務(wù)器硬件架構(gòu)區(qū)別：以浪潮通用服務(wù)器NF5280M6為例，該服務(wù)器采用1~2顆第三代Intel Xeon可擴(kuò)展處理器，據(jù)英特爾官網(wǎng)，每顆CPU售價(jià)約64000萬元，故該服務(wù)器芯片成本約64000~128000；以浪潮AI服務(wù)器NF5688M6為例，該服務(wù)器采用2顆第三代Intel Xeon可擴(kuò)展處理器+8顆英偉達(dá)A800 GPU的組合，據(jù)英偉達(dá)官網(wǎng)，每顆A800售價(jià)104000元，故該服務(wù)器芯片成本約96萬元。

5、ChatGPT需要的芯片：CPU+GPU、FPGA、ASIC

GPT模型訓(xùn)練需要大算力支持，或?qū)鞟I服務(wù)器建設(shè)需求。我們認(rèn)為，隨著國內(nèi)廠商陸續(xù)布局ChatGPT類似產(chǎn)品，GPT大模型預(yù)訓(xùn)練、調(diào)優(yōu)及日常運(yùn)營或?qū)泶罅克懔π枨?，進(jìn)而帶動國內(nèi)AI服務(wù)器市場放量。以GPT-3 175B模型預(yù)訓(xùn)練過程為例，據(jù)OpenAI，進(jìn)行一次GPT-3 175B模型的預(yù)訓(xùn)練需要的算力約3640 PFlop/s-day。我們假設(shè)以浪潮信息目前算力最強(qiáng)的AI服務(wù)器NF5688M6（PFlop/s）進(jìn)行計(jì)算，在預(yù)訓(xùn)練期限分別為3、5、10天的假設(shè)下，單一廠商需采購的AI服務(wù)器數(shù)量分別為243、146、73臺。

AI大模型訓(xùn)練需求火熱，智能算力規(guī)模增長有望帶動AI服務(wù)器放量。據(jù)IDC數(shù)據(jù)，以半精度（FP16）運(yùn)算能力換算，2021年中國智能算力規(guī)模約155.2EFLOPS。隨著AI模型日益復(fù)雜、計(jì)算數(shù)據(jù)量快速增長、人工智能應(yīng)用場景不斷深化，未來國內(nèi)智能算力規(guī)模有望實(shí)現(xiàn)快速增長。IDC預(yù)計(jì)2022年國內(nèi)智能算力規(guī)模將同比增長72.7%至268.0 EFLOPS，預(yù)計(jì)2026年智能算力規(guī)模將達(dá)1271.4 EFLOPS，2022-2026年算力規(guī)模CAGR將達(dá)69.2%。我們認(rèn)為，AI服務(wù)器作為承載智能算力運(yùn)算的主要基礎(chǔ)設(shè)施，有望受益于下游需求放量。

編輯：黃飛

?