电子：如何测算文本大模型AI训练端算力需求?

　　投资要点：
　　需求侧：Scaling Law 驱动大模型算力需求不减
Scaling Law 仍然是当下驱动行业发展的重要标准。Scaling Law 的基本原理是，模型的最终性能主要与计算量、模型参数量和数据大小三者相关，当不受其他两个因素制约时，模型性能与每个因素都呈现幂律关系。因此，为了提升模型性能，模型参数量和数据大小需要同步放大。从大模型数量上看，近年来呈现爆发式增长趋势。且由于尖端AI 模型对于资源投入的大量需求，产业界对于大模型的影响力逐步加深。我们统计了产业界诸多公开披露的大模型训练数据，从大模型算力需求来看，GPT-3 到GPT-4 参数上从175B 快速提升到1.8TB（提升9 倍），训练数据量（Token 数）同方向快速增长，由0.3TB 提升至13TB（提升42 倍）。绝对值上看，根据我们的非完全统计情况，国内外主流大模型在参数量上基本已来到千亿量级，在预训练数据规模上均已来到个位数乃至十位数的TB 量级。
　　供给侧：黄氏定律推动英伟达GPU 一路高歌
　　英伟达GPU 持续引领全球AI 算力发展，虽然“摩尔定律”逐步放缓，但“黄氏定律”仍在支撑英伟达GPU 算力快速提升，一方面，英伟达寻求制程工艺迭代、更大的HBM 容量和带宽、双die 设计等方法，另一方面，数据精度的降低起到关键作用，Blackwell 首度支持FP4 新格式，虽然低精度可能会存在应用上的局限性，但不失为一种算力提升策略。若仅考虑英伟达FP16 算力，A100/H100/GB200 产品的FP16 算力分别为前代产品的2.5/6.3/2.5 倍，在数量级上持续爆发，自2017 年至今，GB200 的FP16 算力已达到V100 的40 倍。与之对比，AI 大模型参数的爆发速度相对更快，以GPT 为例，2018 年至2023 年，GPT 系列模型从1 亿参数规模大幅提升至18000 亿。相较于AI 大模型由Scaling Law 驱动的参数爆发，GPU 算力增速仍亟待提升。
　　结论：预计24-26 年全球文本大模型训练卡需求为271/592/1244 万张我们根据侧算力供给需求公式，需求侧假设行业依然沿ScalingLaw 发展方向进一步增长，供给侧通过对英伟达GPU 的FP16 算力、训练市场、算力利用率等进行假设，推导得出GPU 需求量。以英伟达Hopper/Blackwell/下一代GPU 卡FP16 算力衡量，我们认为2024-2026年全球文本大模型AI 训练侧GPU 需求量为271/592/1244 万张。
　　建议关注
　　算力芯片：寒武纪海光信息龙芯中科
　　服务器产业链：工业富联沪电股份深南电路胜宏科技
风险提示AI 需求不及预期风险、Scaling Law 失效风险、GPU 技术升级不及预期的风险、测算模型假设存在偏差风险。
【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

   【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。