【银河计算机】计算机行业2023年中期策略报告：跨越奇点，人工智能全景投资框架

银河证券计算机/科创板团队

吴砚靖执业证书编号：S0130519070001

邹文倩执业证书编号：S0130519060003

李璐昕执业证书编码：S0130521040001

研究助理：冯雨淇

2023年7月5日

中国银河证券股份有限公司

CHINA GALAXY SECURITIES CO., LTD.

每日免费获取报告 □

每日微信群内分享7+最新重磅报告;

每日分享当日华尔街日报、金融时报;

行研报告均为公开版, 权利归原作者所有,起点财经仅分发做内部学习。

ChatGPT开启新纪元，AIGC正在成为引发生产力变革的引擎，人工智能驱动的第六轮康波已现曙光：自工业革命爆发以来，已经走过了4轮康波周期（工业革命-铁路时代-电力与重工时代-石油化工与汽车时代），目前第五轮康波（信息技术互联网时代）已走向萧条，我们认为当下互联网信息技术趋于衰退的第五轮康波后期，人工智能驱动的第六轮康波已现曙光。

二、AI大模型百家争鸣，应用场景百花齐放，人工智能投资机会明确。以ChatGPT为代表的AI大模型横空出世，全球科技巨头纷纷布局。海外方面，从OpenAI发布GPT-4，到谷歌的PaLM-E与Bard上线，再到Meta的LLaMA推出；国内方面，从百度发布“文心一言”，到华为“盘古”与阿里“通义”，再到讯飞“星火”及高校大模型问世。AI大模型百家争鸣，应用场景百花齐放，人工智能投资机会明确。

三、AIGC产业链可大致分为上中下三层架构，当下时点我们认为，算力层估值驱动，中间层事件驱动，应用层业绩驱动。结合市场流动性观察下半年预计人工智能整体预计将继续走强。

1、第一层为基础层，以预训练模型为基础搭建的AIGC技术基础设施层，包括芯片、服务器等硬件提供商以及大模型技术提供商；

2、第二层为中间层，通过基础层的模型，进行特定训练，形成垂直化、场景化、定制化的应用工具；对于中间层来说，技术积累以及资金实力都是关键竞争力，因此我们认为科技巨头更具有竞争优势。

3、第三层为应用层，即面向C端用户提供图像、语音、文字生成等各种AIGC的应用。应用层的投资机会来自三个方面：1、大模型辅以新架构，推动AIGC进入杀手级应用涌现阶段，智能训练的新产品推出，带来收入提升预期；2、“降本增效”带来的利润提升，从而带来未来三年业绩提升预期；3、垂直场景下的高质量数据要素释放带来的价值重估预期，结合下游景气度判断以及技术变革对垂直领域冲击指数分析，我们看好AI+金融、AI+医疗、AI+新能源、AI+政务（包括媒体类舆情类）、AI+办公、AI+法律、AI+教育等细分赛道的优质公司。

四、重点推荐：同花顺、嘉和美康、彩讯股份、拓尔思、萤石网络、上海钢联、深桑达A、中科曙光、中科星图、海康威视、金山办公、柏楚电子、国能日新、通达海等公司。

五、风险提示：AI技术落地不及预期的风险；政策推进不及预期的风险；行业竞争加剧的风险；供应链风险；法律及隐私保护等风险；产业发展进度不达预期的风险。

跨越奇点，人工智能迎来星辰大海

康波周期（Kondratievwave）：作为描述宏观经济增长与科技革命间内在关系的重要模型，其在人类历史上的五次出现均伴随着标志性的技术奇点及跨越性事件。

第五轮康波走向萧条：过去两百年历史进步的主要动力靠科技-生产力突破。自工业革命爆发以来，已经走过了4轮康波周期（工业革命-铁路时代-电力与重工时代-石油化工与汽车时代），目前第五轮康波（信息技术互联网时代）已走向萧条。目前普遍认为我们正处于第五次康波周期的萧条阶段，该阶段的一般特点为经济缺乏增长动力，科技领域等待新的变革性成果出现。得益于加速信息化所带来的周期缩短，第四轮与第五轮康波出现显著交叉，我们有理由认为当下互联网信息技术趋于衰退的第五轮康波后期，以人工智能及新能源技术为主导的第六轮康波也已然展现曙光。

表1：康波周期

长波与标志性技术	繁荣	衰退	萧条	回升
1815-1825(10			1825-1836	1836-1845
第一波 (63年) 纺织与蒸汽机技术第二波 (47年)	1782-1802 (20年) 1845-1866	年) 1802-1815 (战争)	(11年)	(9年)
钢铁与铁路技术	(21年)	1866-1873 (7年) 1920-1929	1873-1883 (10年)	1883-1892 (9年)
第三波 (56年) 电气、化工	1892-1913 (21年)	(9年) 1914-1919 (战争)	1929-1937 (8年)	1937-1948 (11年)
第四波 (43年) 汽车、计算机	1948-1966 (18年)	1966-1973 (7年)	1973-1982 (9年)	1982-1991 (9年)
第五波 (44年) IT	1991-2004 (13年)	2004-2015 (11年)	2015至今

资料来源：《涛动周期论》，中国银河证券研究院整理

图1：历史上的五轮康波周期

资料来源：荷兰经济学家雅各布范杜因，中国银河证券研究院整理

奇点临近，强人工智能时代即将到来

奇点理论的最大拥护者，前谷歌工程师雷·库兹韦尔（Ray Kurzwell）认为，人工智能将在2029年通过图灵测试，表现出与人类相当或无法区分的智能行为，15年后人类将于他们创造的人工智能融合，使人类的智力提高一百万倍。

奇点的到来意味着人类即将进入强人工智能时代，机器达到“强人工智能”，智商超过人类，百川智能王小川认为这一天会提早到2033年到来。ChatGPT开启新纪元，AIGC正在成为引发生产力变革的引擎

随着人工智能的技术发展带动GPT的更新迭代，ChatGPT在模型、功能调用能力、文本容量和价格上都有显著改善。未来，由ChatGPT开启的人工智能新纪元也将持续向多模态融合发展。

图2：OpenAI官网-ChatGPT

资料来源：OpenAI官网，中国银河证券研究院

图3：奇点临近

资料来源：搜狐，YouTube，中国银河证券研究院

ChatGPT底层技术的提高为产业发展储能，应用层面实现多元进展

1）NLP技术是ChatGPT实现与人类进行智能化交互的关键技术：其原理是使机器能够理解和使用自然语言并完成指令。基础阶段的NLP只能进行简单的语言处理，但随着技术发展，逐步引入文本分类任务、深度学习算法和实时处理算法，使得反馈精度和速度大幅度提升，从而优化了用户的交互体验。

2）RLHF训练提升ChatGPT的“类人性” ：AI训练师在ChatGPT训练模型的过程中进行RLHF调试，并对过程进行了多次迭代，使得其优于与其类似的大型语言模型。RLHF是通过在预训练语言模型上建立奖励模型，创建人类偏好的模型并强化。使用RLHF旨在使语言模型近似人类偏好，但为避免模型在违反语法或逻辑一致性的同时最大化奖励，一般会保留原始模型副本。而根据OpenAI官方披露的用户反馈信息：与人类过分对齐可能会导致模型不敢回答从语料库中学到的知识。因此，RLHF技术在大型语言模型上的应用还需后续改进。

图4：RLHF训练模型

资料来源：CSDN，中国银河证券研究院

1）产品端，2023年来，以ChatGPT为代表的AI大模型横空出世，全球科技巨头纷纷布局。海外方面，从OpenAI发布GPT-4，到谷歌的PaLM-E与Bard上线，再到Meta的LLaMA推出；国内方面，从百度发布“文心一言”，到华为“盘古”与阿里“通义”，再到讯飞“星火”及高校大模型问世。AI大模型百家争鸣，AI产业日新月异，应用场景百花齐放，人工智能迎来星辰大海。

2）政策端，各国加强AI规范与引导，探索监管与创新平衡。海外方面，美国出台《负责任的人工智能策略》报告，日本政府发布《人工智能战略2022摘要》，欧洲议会决议通过《欧洲机器人技术民事法律规则》。国内方面，中央政治局会议4月首次提出，重视通用人工智能发展；5月北上深三地齐发人工智能相关支持政策；同时，北京和深圳均强调人工智能落地应用场景、赋能千行百业。

表2：国内主要大模型梳理

			特色应用
互联网企业	公司百度	大模型名称文心	特色应用	聊天互动、回答问题、文本生成、图片生成
	阿里	通义	聊天互动、回答问题、文本生成、翻译
	腾讯	混元	文本生成、文生图
	华为	盘古	文档搜索、智能ERP财务检测、阿拉伯语
	京东	言犀	内容生成、人机对话
垂类科技企业	浪潮	源1.0	回答问题、翻译和古文
	商汤	日日新	文本生成、图片生成、视频生成、3D内容生成、数字
	知乎	知海图AI(CPM-Bee)	内容聚合、整理，提炼成摘要展现给用户
	360	360智脑	语音交互和文字输入
	科大讯飞	讯飞星火	文本、语义、数学、推理、代码、知识问答
科研院校	中国科学院	紫东太初	以文搜图、以音生图
	清华大学	ChatGLM	回答问题、文本生成
	复旦大学	MOSS	文本生成、文本摘要、翻译

1.3 AIGC多场景应用处于爆发前夜，万亿市场打开

AIGC的语言类应用：AIGC技术已从最初的实验室产物逐步商业化，并与其他技术和领域深度结合，从而实现更加智能化的内容生成及创作。对于GPT系列这类语言模型，AIGC可实现文本生成、文本分类和文本处理等方面。结合NLP可应用于智能客服、售前/售后咨询、实时语言翻译等领域。

目前，AIGC所覆盖的领域基本属于AI软件与服务。全球AI软件的市场规模预计在2025年超过1200亿美元，2021年到2025年的CAGR为38.01%。

虽然目前AIGC已经涉及文字、图像、代码、语音、视频、3D、游戏等多种内容生成形式，但每个领域的技术成熟度、底层技术难度均有差距，渗透率有所差别。2021年AI制作比例仅占市场的1%-2%左右，随着技术发展

我们预测：

2025年AIGC在网络文学领域、文本分析领域、绘画及图片领域、数字音乐领域技术将相对成熟，渗透率分别为70%/60%/60%/50%；网络视频领域、游戏领域由于技术原因渗透率相对较低，分别约为30%/25%。

图5：图：DALL·E2生成的图片
（Input：An astronaut riding a horse in photorealistic style.）

资料来源：OpenAI官网，中国银河证券研究院

单语言预训练模型	多语言预训练模型多模态预训练模型

能够处理自然语言，源于早期的词嵌入（word	具备多样化的基础语言能力，开始分别处理多种自然以多语言训练模型为核心，进行文字、图片、视频的
embedding）的工作	语言任务，如机器翻译、问答系统、情感分析等同步转化，实现处理多任务的目标


	资料来源：华东政法大学政治学研究院，中国银河证券研究院

大模型是用于深度学习任务的模型，其具备较大容量、海量参数、大算力等特点。大模型由早期的单语言预训练模型发展至多语言预训练模型，再到现阶段的多模态预训练模型，可实现处理多任务的目标。目前，类ChatGPT产品和主攻大型语言模型研发的海外独角兽企业已至少有7家，包括OpenAI、Anthropic、Cohere、Character.AI等，估值从10亿到290亿美元不等。其中，Anthropic打造的Claude聊天机器人已成ChatGPT最大的竞争者之一，甚至在一些竞赛成绩上超过了GPT-4。

表3：大模型的发展历程

1.4 大模型进入战国时代，激烈竞争已然到来

ChatGPT的“降本增效”将进一步影响市场上现有的生成式AI模型的接入成本

2023年6月13日，OpenAI发布了ChatGPT新推出的功能更新。在Chat Completions API中加入了新的功能调用能力及价格变动；以及模型更新，其中GPT-3.5-turbo-16k可提供标准4k版本四倍的文本容量，单个请求中最长可支持20页的文本。价格方面，嵌入模型的价格降低了75%，最新价格为每1k tokens 0.0001美金；GPT-3.5-turbo的tokens输入成本降低了25%；GPT-3.5-turbo-16k的tokens输入价格为每1k tokens 0.0003美金，输出价格为每1k tokens 0.0004美金。目前，市场上现有的生成式AI模型竞争激烈，OpenAI此举将大幅提高ChatGPT的竞争力。

图6：ChatGPT功能更新

Function calling and other APl updates We're announcing updates including more steerable APl models, function caling capabilities,	Today, we're following up with some exciting updates:
	·new function calling capability in the Chat Completions APl
	· updated and more steerable versions of gpt-4 and gpt-3.5-turbo
	·new16k context version of gpt-3.5-turbo (vs the standard 4k version)
	·75% cost reduction on our state-of-the-art embeddings model
longer context, and lower prices.	·25% cost reduction on input tokens for gpt-3.5-turbo ·announcing the deprecation timeline for the gpt-3.5-turbo-0301 and gpt-4-0314 models

资料来源：OpenAI官网，中国银河证券研究院

1.5 人工智能产业链全景

表4：GPT迭代演进

	时间	Tokens	核心升级	功能
GPT-1	2018	117M	基于前馈神经网络（Feed-Forward Neural Network）的语言模型，在基于统计模型的自然语言处理模型的基础上，采用Transformer 结构，增加了位置编码和残差连接优化，通过预训练和微调实现对语言的理解和生成	能够根据给定的输入生成连贯的语言文 1 本，处理语言的上下文和语法结构，应用于许多自然语言处理任务相比GPT-1具有更高的模型规模和训练
GPT-2	2019	1.5B	基于自注意力机制（Self-Attention Mechanism）的Transformer模型，引入更大的训练数据和模型参数，采用无监督的自我学习模式，从网络上下载 40GB的文本数据进行预训练，生成了具有极高智能的预训练语言模型，并能够完成比较复杂的文本生成任务，具有颠覆性的影响	数据，能够生成更加准确、细致和连贯的语言文本，应用于更复杂的自然语言处理任务，如机器翻译和自动摘要等生成的文本更加自然和流畅，表现出更
GPT-3	2020	175B	采用了极深的网络结构和更高的模型参数，采用了有监督和无监督的学习方法并结合自动编码器和Transformer以及其他深度学习架构来实现对语言模型的建模和预测，进一步提高了语言生成的质量和自然度	高的人类水平智能。能够实现更多的自适应和控制，支持更多种类的语言任务主要功能是实现智能问答、文本生成和
ChatGPT	2022	774B	ChatGPT是基于已有的GPT模型基础之上，通过特定场景的微调和适用性扩展，实现更加智能和实用的聊天机器人功能 GPT-3.5 Turbo增加或改进了训练数据，遵循GPT-3的预训练和微调方法，并优化了生成模型的复杂度和纬度。在相同精度情况下比GPT-3更快地生成结果，结果和性能表现，拥有更好的自适应和	对话交互等，具有广泛的应用前景在许多自然语言处理应用中实现更好的
GPT-3.5-Turbo	2023		因为它采用了分布式训练和推理引擎，并针对不同的场景和用途调整了模型交互能力、多模态处理，以及更强的自参数。GPT-3.5 Turbo改善了GPT-3的固有的缺陷，如一致性、可重复性和过拟合问题，并通过灵活的架构和多任务学习来实现更好的性能和稳定性。 GPT-3.5Turbo能够处理更多的语义、逻辑和情境推理，同时可以自适应于不同的任务和领域，并具备更高的灵活性和可扩展性	然语言理解和推理能力
GPT-4	2023	约1760B	采用更大规模的数据和更高效的训练算法来进一步优化语言生成的性能和质量。GPT-4在逻辑推理能力上超越ChatGPT。内部评估中，GPT-4对无效内容请求做出回应的可能性比GPT-3.5低82%，而做出事实回应的可能性比GPT-3.5高 40%	具有更高的精度和性能，支持更复杂和更真实的语言任务和应用，扩展到多个领域和多个模态，更加个性化和自适应，可支持更高级别的注意力控制和对话交互

资料来源：OpenAI官网，Datayes!，中国银河证券研究院整理

人工智能产业链全景图谱

资料来源：德勤研究，中国银河证券研究院整理

算力端：数据规模持续扩张，算力供不应求。算法模型的复杂与参数规模的增长，推动算力需求旺盛。

IDC报告显示，2020年全球数据规模已超过64ZB；预计2025年，全球数据总量将增至175ZB，较2010年的全球数据总量增加175倍。反观算力增长，用于AI测试的全球算力需求每3.5个月就会翻一倍，远超当前算力的增长速度。信通院数据显示，2021年全球计算设备算力总规模达到615EFlops，增速达44%，预计2030年智能算力将达到52.5ZFlops,平均年增速超80%。

IDC数据显示，2021年中国智能算力规模达155.2每秒百亿亿次浮点运算（EFLOPS），2022年智能算力规模将达到268.0EFLOPS，预计到2026年智能算力规模将进入每秒十万亿亿次浮点计算（ZFLOPS）级别，达到1,271.4EFLOPS。2021-2026年期间，预计中国智能算力规模及增速将超越通用算力，年复合增长率达52.3%，同期通用算力规模年复合增长率为18.5%。

图8：2019-2026年中国智能算力规模及预测

资料来源：IDC，中国银河证券研究院

图9：2019-2026年中国通用算力规模及预测

资料来源：IDC，中国银河证券研究院

算力端：芯片决定算力规模，市场空间广阔。人工智能产业技术不断提升，产业商业化应用加速落地，推动全球AI芯片市场高速增长，IDC预计，到2025年人工智能芯片市场规模将达726亿美元。搭载率方面，未来18个月将持续增高。

从GPU主导到ASIC“百家争鸣”：AI芯片主流架构类型包括GPU、FPGA和ASIC。以英伟达为代表的GPU芯片在我国市占率近90%，多用于图形图像处理、复杂的数学计算等场景，可较好支持高度并行的工作负载，常用于数据中心的模型训练，也可以用于边缘侧和端侧的推理工作负载。而ASIC架构的AI芯片由于高度定制可通过算法固化实现极致性能，未来将率先在推理侧展开对GPU的替代，顺应“先推理后训练”的发展路径，逐步实现国产AI芯片的多点开花。

图10：AI芯片的产品分类及应用场景

资料来源：艾瑞咨询，中国银河证券研究院

图11：中国AI芯片市场规模占比

资料来源：IDC，中国银河证券研究院

算力端：服务器厂商率先收益，全球市场规模高速增长。服务器是AI算力的主要载体，IDC数据显示，2021年全球人工智能服务器市场规模达156.3亿美元，同比增长39.1%。其中，浪潮信息、戴尔、HPE分别以20.9%、13.0%、9.2%的市占率位列前三，三家厂商总市场份额占比达43.1%。未来五年，人工智能服务器市场将继续高速增长，预计2026年全球人工智能服务器市场规模将达到347.1亿美元，五年复合增长率为17.3%。

中国市场领跑全球，服务器利用率逐步提升：国内人工智能应用的加速落地大幅推动了服务器高速增长。IDC数据显示，2021年中国人工智能服务器市场规模达到59.2亿美元，与2020年相比增长68.2%，预计超过80%的中国企业将在未来一年持续增加人工智能服务器的投资规模，至2026年，中国人工智能服务器市场规模将达到123.4亿美元。伴随企业AI应用成熟度的提升，未来将更多地使用人工智能服务器处理推理工作负载，据IDC数据，2021年中国数据中心用于推理的服务器的市场份额占比达57.6%，预计到2026年，用于推理的工作负载将达到62.2%。

图12：AI服务器市场规模

资料来源：IDC，中国银河证券研究院

图13：2020-2026年AI服务器工作负载预测

资料来源：IDC，中国银河证券研究院

1.6 人工智能未来投资机会简析

算法端：大模型加速落地，助力实体经济发展。大模型的泛化能力强、长尾数据低依赖性以及下游模型使用效率的提升，使其被认为具备了“通用智能”的雏形，并成为业内探索实现普惠人工智能的重要途径之一。大模型的技术基础是transformer架构、迁移学习和自监督学习，transformer架构应用于NLP领域并取得了突破性进展，其在视觉任务上也同样证明了有效性。2022年，大模型正在成为AIGC领域发展的算法引擎。在大模型的能力加持下，包括以文生图以及虚拟数字人等AIGC类应用将快速进入到商业化阶段，并为元宇宙内容生产带来巨大的变革。大模型正在让人工智能技术从五年前的“能听会看”，走到今天的“能思考、会创作”，未来有望实现“会推理、能决策”的重大进步。

大模型升级迭代，数据市场规模有望增长：公开数据显示，ChatGPT的模型参数经达1750亿，用于预训练的数据量达45TB，随着算法模型的迭代升级，模型参数和数据量也将继续增长。同时，数据质量决定了模型训练的效果，因此数据标注成为大部分Al算法有效运行的关键。自动化数据标注能够通过DL和CV等技术，减少人工标注需求，提高数据标注的效率和准确性，进一步扩大基础层数据市场规模。艾瑞咨询数据显示，我国AI基础数据服务市场规模预计将从2022年的31亿元增长至2027年的79亿元，CAGR达20.6%。此外，受数据平台服务、数据治理服务和AI应用建设的需求推动影响，面向人工智能的数据治理市场规模将持续上升，预计规模将从2022年的45亿元增长至2027年的121亿元，CAGR达21.7%。

图14：2020-2027年中国AI基础数据服务市场规模

图15：2020-2027年中国数据治理与面向AI数据治理市场规模

资料来源：艾瑞咨询，中国银河证券研究院

应用端：核心产业不断扩张，应用场景纵深发展。据工信部数据显示，中国人工智能核心产业规模目前超4,000亿元，企业数量超3,000家，领军企业覆盖无人机、语音识别、图像识别、智能机器人、智能汽车、可穿戴设备、虚拟现实等诸多领域，已经在智能芯片、开源框架等关键核心技术取得重要突破。据美国斯坦福大学《2021年人工智能（AI）指数报告》显示，2021年中国人工智能专利申请数占全球一半以上，发表的人工智能期刊论文占全球三分之一。

根据2022年IDC针对企业对于人工智能技术的应用现状调研的结果来看，计算机视觉目前仍为最主要的应用技术类型，图像识别、生物识别、语音技术是目前较为广泛采用的技术，未来三年，AR与VR、视频分析、知识图谱和自然语言处理将成为主要发力点。

图16：2022年企业人工智能技术应用现状

资料来源：IDC，中国银河证券研究院

应用端：人工智能赋能千行百业，多领域融合成为可能。人工智能生成文本、代码、图像、视频等内容的能力持续提升，使其不仅在金融、医疗、政务、教育、法律等成熟领域应用，而且在物流、制造、能源、公共事业和农业等方面得到快速发展，创新应用场景逐步增多。未来五年，随着人机交互、机器学习、计算机视觉、语音识别技术达到更为成熟阶段，人工智能将从单点技术应用迈向多种人工智能能力融合、从事后分析迈向事前预判和主动执行、从计算智能和感知智能迈向认知智能和决策智能。

图17：2022年中国人工智能应用场景

资料来源：IDC，中国银河证券研究院

AIGC未来市场空间预测：预计2025年中国AIGC市场规模有望达到1600亿

图18：文本分析领域的市场规模（单位：亿元）

图19：网络文学领域的市场规模（单位：亿元）

图20：绘画及图片领域的市场规模（单位：亿元）

图21：数字音乐领域的市场规模（单位：亿元）

图22：网络视频领域的市场规模（单位：亿元）

图23：游戏领域的市场规模（单位：亿元）

二、人工智能带动从算力到应用的全产业链需求释放

 AI大模型对算力的需求高于摩尔定律迭代速度，服务器需求量将提升。根据OpenAI测算，自2012年来，头部AI模型训练算力每3-4个月翻一番，训练算力增长幅度高达10倍。而摩尔定律放缓成为不争的事实，但数据量却在持续增加，算力增速已出现明显滞后，AI服务器作为AI算力载体，需求逐步释放。

图24：近10年来全球算力的增长明显滞后于数据的增长

资料来源：IDC，EMC，中国银河证券研究院

表5：GPT模型训练对算力需求不断增加

模型	发布时间	参数量	预训练预估成本数据量	消耗资源
GPT-1	2018 年6月	1.17亿	约5GB	在8个GPU上训练一个月
GPT-2	2019 年2月	15亿 40GB	训练一次约	在256个Google Cloud v3上训练一周
GPT-3	2020 年5月	1750亿 45TB	460万美元，总成本1200万美元训练一次成本	在355个GPU上训练一年
ChatGPT	2022 年12 月	元	数十GB高达一千万美根据参数量而定

资料来源：微软，OpenAI，中国银河证券研究院

根据IDC与浪潮信息数据显示，2021年中国智能算力规模达155.2每秒百亿亿次浮点运算（EFLOPS），2022年智能算力规模将达到268.0EFLOPS，预计到2026年智能算力规模将进入每秒十万亿亿次浮点计算（ZFLOPS）级别，达到1,271.4 EFLOPS。

图25：中国AI智能算力规模及预测

资料来源：IDC，浪潮信息，中国银河证券研究院

 AI服务器市场将维持高增，中国市场领跑全球。根据Statistics数据显示，2022年全球服务器市场规模为849亿美元，同比增长2%，预计2023年增长7%至908亿美元。根据中商产业研究所数据显示，2022年中国服务器市场规模为273亿美元，同比增长9%，增速有所放缓，预计2023年市场规模将达到308亿美元，增速为13%。

图26：全球服务器市场规模及增速预测

资料来源：Statistics，中国银河证券研究院

图27：中国服务器市场规模及增速预测

资料来源：中商产业研究所，中国银河证券研究院

 AI服务器市场将维持高增，中国市场领跑全球。根据《2022-2023中国人工智能计算力发展评估报告》数据显示，预计全球AI服务器市场将在2026年达到347.1亿美元，5年CAGR达到17.3%；中国AI服务器市场2021年达到59.2亿美元，同比增长68.2%，预计在2026年将达到123.4亿美元，5年CAGR为15.82%。

图28：全球AI服务器市场规模及增速预测

资料来源：IDC，浪潮信息，中国银河证券研究院

图29：中国AI服务器市场规模及增速预测

资料来源：IDC，浪潮信息，中国银河证券研究院

上游前瞻指标优化，AI算力芯片性能持续提升，行业景气度持续上行。AI服务器主要依靠主流AI芯片GPU提供加速计算支持，根据Jon Peddie Research等多方数据显示，2022年Q3，英伟达在全球GPU市场市占率约88%，因此，英伟达数据中心业务收入是GPU景气度的核心指标。

 英伟达数据中心业务2023Q1业绩与2023Q2指引超预期。英伟达季度营收创历史新高，数据中心业务2023年Q1实现营收42.8亿美元，同比上涨14%，高于此前指引与一致预期。公司展望二季度收入为110亿美元，正负浮动2%，主要得益于生成式AI发展加速，带动全球算力需求高涨。

表6：英伟达GPU盘点

系列	型号	发布时间	CUDA 核心数量	内存	线宽	工艺 (nm)	单精度FP32	最大功耗 (W)
Tesla	M2090	2011年512		6GB GDDR5	384	40	1332 GFLOPS	250
Tesla	K40	2013年 2880		12GB GDDR5	384	28	5.046 TFLOPS	245
Tesla	M40	2015年3072		12GB GDDR5	384	28	6.832 TFLOPS	250
Tesla	P100	2016年 3584		12GB/16GB HBM2	4096	16	9.526 TFLOPS	250
Tesla	V100	2017年 5120		16GB/32GB HBM2	4096	12	14.13 TFLOPS	300
A100	A100			2020年 6912 40GB/80GB HBM2e	5120	7	19.49 TFLOPS	250
A2	A2	2021年1280		16GB GDDR6	128	8	4.531 TFLOPS	60
L40	L40	2022年18176		48GB GDDR6	384	5	90.52 TFLOPS	300
H100	H100	2022年14592		80GB HBM2e	5120	4	51.22 TFLOPS	350

资料来源：英伟达，中国银河证券研究院

图30：英伟达数据中心业务收入维持高增

资料来源：wind，中国银河证券研究院

IDC数据显示，2021年，全球AI服务器市场规模中，浪潮信息市占率为20.9%，同比提升3.6%，销售额同比增长68.3%，继续保持全球市场第一；此外，联想、华为与新华三均位列前七；在中国市场，浪潮服务器市占率达到52.4%，连续5年保持中国AI服务器市场份额超50%。

图31：全球AI服务器市场竞争格局

资料来源：IDC，中国银河证券研究院

图32：中国AI服务器市场竞争格局

基础算法：AI大模型的基石，技术积累从基础开始。主流的AI人工智能常用基础算法中，大多来自于国外团队，国内相似算法出现时间通常要晚数年左右。算法到模型的积累是一种长期过程，每一次升级迭代都依赖于模型背后强大的的数学功底和抽象能力。国内在基础算法方面起步较晚，虽然目前加速追赶进程，但与国外仍有一定差距。

图33：国内外基础AI算法时间轴

资料来源：知乎，中国银河证券研究院整理

2.2.2 算法端： NLP以Transformer为基，各厂百花齐放

Google推出的Transformer成为NLP模型技术突破关键。当前NLP主流预训练模型有GPT、T5、BERT，这些模型均是由Transformer为基础，在其之上进行改进延申得到的。GPT-1直至GPT-4都是GPT-style最好的例子，除此之外，Google在2021年发布的LaMDA和2023年发布的PaLM也都是基于GPT-style的语言大模型。T5-style的大模型有如Facebook的BART，Google的BigBird等。知名的BERT-style大模型有Facebook的RoBERTa和Google的ELECTRA等。

图34：NLP模型发展史

资料来源：OpenAI官网，知乎，中国银河证券研究院整理

2.2.2 算法端： NLP以Transformer为基，各厂百花齐放

Transformer

Transformer 本质上是一个Encoder-Decoder 架构，分为编码组件和解码组件。它的核心之一是Self-Attention，能够通过关系的特征进行学习表达相关性。同时，它对序列数据的并行处理能力远超LSTM。

BERT (Ours)

BERT-style

BERT适用于语音识别（ASR）、文本到语音

（TTS）以及序列到序列的任何任务。它采用TransformerDecoder进行语言理解，并使用与之配套的掩码训练方法。虽不具有文本生成能力，但BERT的语义信息提取能力更强。

GPT-style

GPT模型通过在大规模语料库上进行训练，能够学习自然语言的模式和规律，从而实现更好的语言理解。GPT-1直至GPT-4都是GPT-style最好的例子，除此之外，Google的LaMDA和PaLM也都是基于GPT-style的语言大

T5-style

T5模型以原始Transformer架构为底座，仅修改了一些关键点。它通过为所有输入添加前缀得到广泛的NLP统一任务格式，方便地评估在阅读理解、摘要生成、文本分类等一系列NLP任务上，不同的模型结构，预训练目标函数，无标签数据集等的影响。

OpenAl GPT

资料来源：天津市人工智能学会、至顶科技、至顶智库，中国银河证券研究院整理

2.2.4 算法端：GPT系发展

 2018年以来，OpenAI的研究团队发布了包括GPT-1到GPT-4，以及InstructGPT和ChatGPT这些GPT（Generative Pre-Training）类模型。 GPT系均是基于Transformer架构的预训练语言模型，通过在大规模语料库上进行训练，能够学习自然语言的模式和规律，从而实现更好的语言理解。

图35：GPT-1模型构造图

图36：GPT-3构造图

图37：InstructGPT模型构造图
资料来源：OpenAI官网，知乎，中国银河证券研究院整理

大模型的充分非必要条件：大参数。

 根据研究表明，当参数量超过某个阈值时，模型精度暴增。但超过阈值后存在边际效应递减，即随着参数量增加，模型的性能提升增速降低。未来的模型提升还需要从底层模型和架构着手。

 相较于国外大厂，我国国内大厂的大模型平均参数水平经过加速追赶已初见成效，成指数级上升。如华为的盘古大模型，参数量高达2600亿；阿里公开官宣的通义大模型数据显示，其参数量可以到达十万亿的级别；京东、腾讯的言犀大模型和混元大模型也能达到千亿的参数量级别。

图38：五大模型精度随参数量变化图

表7：国内外大模型参数量比较

国内				国际
模型名称	发布时间	发布公司	参数量	模型名称发布时间	发布公司		参数量
悟道2.0	2021-06	智源研究院	1750B	T5	2019-10 Google		13B
封神榜大模型	2021-11	粤港澳大湾区数字经济研究院260B		GPT-3	2020-05 OpenAl		175B
ERNIE 3.0 Titan	2021-12	百度	1.1B-3.5B	LaMDA	2021-05 Google		137B
混元大模型	2022-04	腾讯	100B+	Jurassic	2021-08 Al21		178B
GLM-130B	2022-08	清华	130B	MT-NLG	2021-10	Microsoft、N NVIDIA 530B
言犀大模型	2023-02	京东	100B+	Gopher	2021-12	DeepMind	280B
文心大模型	2023-03	百度	未公布	Chinchilla 2022-04		DeepMind	70B
玉言系列大模型	2023-03	网易伏羲	未公布	PaLM	2022-04 Google		540B
通义大模型	2023-04	阿里	10000B+	OPT	2022-05 Meta		125M-175B
盘古大模型	2023-04	华为	260B	BLOOM	2022-07	BigScience	176B
紫东太初2.0	2023-06	中国科学院自动化研究所	100B+	LLaMA	2023-02	Meta	7B-65B

资料来源：LaMDA官网，知乎，中国银河证券研究院整理

近年来，图像生成技术也取得了很多关键性突破，从经典的GAN技术到目前主流的扩散模型，以及在此基础上不断迭代出性能更强、生成效果更好的算法和模型，极大拓展了图像生成技术的应用领域和发展前景。图像生成的技术发展大致经历了三个关键阶段：GAN生成阶段、自回归生成阶段、扩散模型生成阶段。

 扩散模型：通过定义一个扩散步骤的马尔可夫链，通过连续向数据添加随机噪声，直到得到一个纯高斯噪声数据，然后再学习逆扩散的过程，经过反向降噪推断来生成图像。图像写实性优异。

 CLIP：基于对比学习的文本-图像跨模态预训练模型。与CV模型结合使文本描述和图像风格的把握更加准确，提升多样性。

GAN

· 通过对抗训练提升生成能力和鉴别能力
· 稳定性较差

自回归

· 基于Transformer结构：稳定性和合理性提升· 推理速度较慢

扩散模型

· 主流CV模型
· 稳定性、准确
性、多样性
· 结合CLIP达成多
模态CV任务

图39：生成模型基本架构

资料来源：CSDN，中国银河证券研究院整理

 随着图像生成技术的发展，国内外AI厂商基于扩散模型推出多个代表模型。然而目前图像生成内容仍然存在较大的不确定性。模型的稳定可控能力是影响未来发展的核心要素，对于对图像本身可控性要求极高的领域来说，生成图像是否与预期目标相符，以及对图像精度的精准控制十分关键。

太乙Taiyi

首个开源的中文Stable Diffusion模型，擅长中文描述的图像生成。

Midjourney

基于扩散模型精调后的图像生成模型，部署在Discord，擅长艺术风格的图像表达。

文心 ERNIE-VILG2.0

基于扩散模型框架的多模态生成模型，提出混合专家模型，自动选择最优生成网络。

Stable Diffusion

基于潜在扩散模型框架，能够降低算力要求和部署门槛，专门用于文生图任务，目前已成为多数图像生成模型的基础框架。

Imagen

基于扩散模型和超分辨率模型搭建，生成图像的真实感较强。

Google

DALL-E2

基于CLIP和扩散模型框架的文生图模型，生成图像能够保持较好的语义一致性。

资料来源：各公司官网，中国银河证券研究院整理

 随着参数等瓶颈的到来，国内外多家大厂预计多模态模型将会成为未来的发展趋势。这种模型可以很好的融合NLP和CV，同时处理文字、图像、视频、音频等，是下一阶段各AI厂商竞争的关键。国内大模型的迭代速度已经基本赶上或接近国际先进水平，未来的多模态能力发展是我国实现弯道超车的机会。

文心大模型是百度的核心技术之一，该模型具备跨模态、跨语言的深度语义理解与生成能力。文心一言被外界誉为“中国版ChatGPT”；阿里巴巴的通义大模型通过技术优势实现了参数规模的量级提升。其多模态大模型 M6 参数规模已经突破 10 万亿，规模远超谷歌、微软，成为全球最大的 AI 预训练模型；腾讯的混元 AI 大模型完整覆盖 NLP、CV、多模态等基础模型和众多行业/领域模型。在2022年登顶自然语言理解任务榜单 CLUE。

图40：文心大模型框架图

图41：通义大模型框架图

 高质量与大规模的数据集是AI大模型的突破的关键点。目前国内数据资源丰富，从总量来说具备优势，但由于数据挖掘不足，数据无法自由在市场上流通，数据的清洗与标注产业链不够完善等现状，优质数据集仍然稀缺。

 高质量数据集离不开数据的治理，AI数据治理市场空间广阔。根据艾瑞数据显示，2021年，中国面向人工智能的数据治理规模约为40亿元，2026年规模突破百亿达105亿元，五年CAGR达到21.3%；中国的数据治理市场规模约为121亿元，预计2026年市场规模达到294亿元，五年CAGR为19.5%。

图42. 2019年-2026年我国AI大数据市场规模及增速

图43. 2020年-2026年我国数据治理与AI数据治理市场规模

资料来源：艾瑞咨询，中国银河证券研究院

 数据治理离不开高质量的数据采集与标注。从AI的数据治理产业链图谱来看，上游主要为数据的提供方，下游主要为数据的最终应用方。应用于AI模型的训练与推理的数据主要由中游基础数据服务商进行采集与标注，数据治理平台进行数据的优化治理。

图44.面向AI的数据治理产业图谱

创造财富 / 担当责任资料来源：艾瑞咨询，中国银河证券研究院

 此外，人工智能数据的安全也不可忽视，人工智能带来的数据内容安全问题主要有三类：数据投毒、数据泄露和数据异常。

人工智能数据安全问题

数据投毒

指人工智能训练数据被污染所导致的人工智能决策错误，如在训练数据中加入伪装数据、恶意样本等，则会破坏数据的完整性，导致算法模型决策出现偏差。

数据泄露

人工智能技术的发展让智能设备对个人的信息采集更加全面，这些信息具有很强的个人属性，若泄露被非法使用，则会产生严重的后果。

数据异常

运行时如果数据异常会导致智能系统运行错误，从而无法正常输出决策指令。

 数据将成为数字经济时代第一生产要素。2019年10月，党的十九届四中全会《决定》明确指出：“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，首次将数据增列为生产要素之一。

 作为新型生产要素，数据同时具备生产要素的双重属性，既能在生产过程中融合其他行业提升生产效率，本身也能产生价值和使用价值，在经济的新发展阶段贡献日益提高。因此，逐步建立数据要素相关市场机制，使之参与市场化配置的问题亟待解决。

图45. 数据在新型生产力与生产关系中的作用

资料来源：CIC国家工信安全中心，中国银河证券研究院整理

资料来源：国家工信安全中心，中国银河证券研究院整理

2.3.2 数据端：数据要素投资机会大幕将启

 数据要素市场共包含七大模块。我国数据要素市场归结为数据采集、数据存储、数据加工、数据流通、数据分析、数据应用、生态保障七大模块。其中数据采集、数据存储、数据加工、数据流通、数据分析、生态保障六大模块，主要是数据被挖掘出价值和使用价值的阶段；而数据应用模块，主要是指数据发挥带动作用的阶段。数据要素具有可复制性强、迭代速度快、复用价值高、无限供给等特点。根据数据要素独有的特点，我们可以采取一系列措施将其价值化，比如采集标注、提炼汇聚、确定定价等。

图46：数据要素构成关系
图47：数据要素特点

数据要素特点：

可复制性强迭代速度快复用价值高无限供给

数据价值化

采集标注交易市场提炼汇聚安全保护确权定价分析应用

图48. 2016年-2021年我国数据要素市场规模

资料来源：CIC国家工信安全中心，中国银河证券研究院整理

根据中国信通院统计，2021年，中国数字经济市场规模达到45.5万亿，占GDP比重达到39.8%，其中产业数字化作为数字经济增长的主力，市场规模达到37.18亿元；数字产业化市场规模为8.35亿元。

据国家工信安全中心测算，2021年我国数据要素市场规模为704亿元，预计到2025年，我国数据要素市场规模将达到1749亿元，2021年-2025年的年复合增长率超过25%。

根据中国信通院数据显示，仅有32%的企业数据价值被激活，还有数据未被采集、加工、流通和分析，我们可以预期未来数据要素市场将会在立法与技术的双重培育下，保持高速增长。

数据基础制度的核心目标是在确保数据安全的前提下，实现数据要素的价值。因此构建数据制度，一方面是确保数据安全，要求遵守相关法律法规，另一方面也是最重要的一方面，即是实现数据价值，要实现数据价值则要促进数据不断生产与实现数据供需对接。为了促进数据不断生产需要对企业进行适当保护，实现数据供需对接则要塑造数据可信流通体系，确认数据产权。《数据二十条》明确在数据产权问题上我国选择权利模式，在探索中建立数据产权制度以及数据基础制度。

图49：数据价值实现的制度需求

数据基础制度

目标

确保数据安全

实现数据价值促进数据不断生产

实现数据供需对接

避免“搭便车”现象从而打击积极性，选择适当保护强度。

塑造数据可信流通体系，确认数据产权。

 建立数据产权制度。数据产权制度总体思路：对数据分级分类管理、创设分置的数据产权结构、实施数据确权授权机制。

图50：数据产权制度设计思路

政务方向：高度重视政务大数据体系构建。2022年10月，国务院办公厅发布《全国一体化政务大数据体系建设指南》，正式提出全国一体化政务大数据体系，并确定“1+32+N”的框架结构。《建设指南》充分推动政务数据资源开发利用，优化数据服务能力，健全政务数据共享协调机制，旨在数据统筹管理机制不够健全，安全保障能力不够完

金融方向：金融数字化与数据交易所。数据交易所开始活跃的探索阶段。由于我国数据要素市场逐渐成熟，数据交易机构的建立为各方提供统一的标准、规则和监管，营造有序合规的数据交易生态。

 税务方向：推进税收征管数字化升级和智能化改造。2021年9月，家税务局公告，金税工程四期建设已正式启动实施。金税四期将“非税”业务，对业务流程进行多维化、全方位的全流程监控，家实现从“以票管税”向“以数治税”的精准监管转变。数记维税

其他：气象大数据、电网大数据、医疗大数据、交通大数据等要素价值释放

相关标的：政务方向：字政通、太极股份、天信息、长亮科技、和软件、博彦科技、股份、航天信息、旋科江生电喻信 A、拓尔思、新点、博思软件、浪潮、宇信科技、奥拓、京北方、顶点软、南威软件、数；金融方向：南、神州信息、润财税方向：税友 国资云一般是由各地国资委牵头设立，推动国资国企加快数字化转型的数据安全基础设施云平台。成立国资云的核心考虑是对国企数据资源进行管控并确保数据安全，此外，将国有企业的数据整合起来可以为相关部门的监管和管理等提供便利条件，并且统一进行数据管理还可以降低成本，为后续的数字化转型做好准备。

图51. 金税四期与三期比较

 国家出台相关政策明确国有企业云进程的方向。2018年8月，工信部发布的《推动企业上云实施指南》明确指出，到2020年要实现全国新增上云企业100万家，形成典型标杆应用案例100个以上的目标。

图52：国资云相关政策与进程

工信部发布《推动企业上云实施指南》，明确规定到2020年上云企业规划。

2018

国资委发布《关于加强推进国有企业数字化转型工作的通知》

天津国资云公司成立

2019

2020

2021

重庆市启动国资云（一期）业务平台招标。

四川国资委发布“国资云”，为国内首个国资企业专属云。

 AI在医疗领域的应用场景广泛，主要分为诊前、诊中与诊后。信息化流程主要涉及药物的研发、预约就诊、导诊、临床诊断与治疗、电子病历、药物检索、医疗支付、取药与报告获取、诊后随访与康复管理等。

图53：AI+医疗涉及的应用领域

资料来源：艾瑞咨询，中国银河证券研究院整理

 AI+医疗市场空间广阔，根据Frost & Salivon数据显示，2020-2025年AI+医疗市场规模呈现高增长状态，市场总规模在2025年将达348亿元，增速维持在40%左右。根据观研数据中心数据显示，AI人工智能细分市场中，影像、数据交换与存储、综合辅助诊断占比较高，占比分别为34%、22%、13%。

图54：医疗AI市场规模与增速预测

资料来源：Frost & Salivon，医渡科技招股说明书，中国银河证券研究院整理

图55：医疗AI细分市场占比情况

 当前针对AI医疗主要应用领域，国内外各厂已开发出各类AI医疗大模型，多模态拥有更宽应用空间。

医联/MedGPT

全流程智能化诊疗：国内首款医疗大语言模型MedGPT。其基于Transformer架构，并在模型微调训练阶段采用大量真实医生参与的RLHF监督微调。致力于在真实医疗场景中发挥实际诊疗价值，通过多模态实现从疾病预防、诊断、治疗、康复的全流程智能化诊疗能力。

NUANCE

 语音输入+电子病历：微软旗下Nuance Communications发布支持语音的医疗病历生成应用程序DAX（DragonAmbient eXperience）。其将环境AI(Ambient A.I.)和GPT-4相结合，通过“倾听”医患就诊将自动化临床文档接入电子病历。

salesforce

 药物研发：Salesforce开发的新型条件蛋白语言模型Progeon。其基于Transformer架构，通过自注意力机制模拟残基的相互作用，可以读取不同氨基酸序列，合成新型蛋白质。

上海市算力网络数字医疗创新实验室

 辅助诊断：“Uni-talk”医疗算网大模型。依托上海联通算网大脑，通过多元算力实时感知、云网协同、智能决策等算网融合技术，实现对跨区域异构算力的智能管控与统一编排，助力模型高效训练迭代。华山医院预计将其应用于专业医学文献检索，辅助诊断等场景。

 微软与3月16日发布会上发布重磅产品Microsoft 365 Copilot，其集成GPT-4的功能，以聊天机器人的模式出现在产品的右侧。用户通过向其发号指令，便可自动生成文字、表格、演示文稿等内容。大模型的赋能下，简化了用户的学习路径，通过自然语言就可与机器进行交互并发号指令，将操作流程大大简化，使得工作流程与效率得到了较大的提升。

 国内，金山办公紧随其后发布金山WPS AI，具备生成文档、多轮对话、处理现有内容、演示文稿生成等功能。我们认为，金山办公在办公软件赛道竞争格局具备优势，AI大模型的加持下用户的付费率与产品的ARPU值将得到较大提升。

图56：WPSAI主要功能

资料来源：WPSAI，中国银河证券研究院整理

 2023年3月30日，彭博发布其大语言模型BloombergGPT，是LLM在垂直金融场景的落地加速的象征。BloombergGPT聚焦于金融场景，将其多年积累的金融领域报告术语等对LLM进行训练，相较普适性类ChatGPT产品，其对金融术语的理解更为高效与准确。

 BloombergGPT采用500亿参数与7000亿数据集规模对大模型进行训练，远小于GPT3的1750亿参数与45TB数据量。其数据集主要包含两个部分，一个数据量占比49%的通用型文本数据集，主要包括ThePile、C4、Wikipedia等通用常识类数据集，另一个数据量占比51%的金融预料数据集，主要包含括新闻、研究报告、公司财报、网络爬取的金融文件以及提取到的社交媒体消息等内容。根据彭博发布的论文，BloombergGPT在通用领域能力与GPT3几乎持平，但在金融垂直领域文本撰写和问答能力更为突出。BloombergGPT LLM预训练的成功说明LLM在垂直领域应用的可用性和训练成本可控的可行性。

表8：Bloomberg在金融权益类测试中较大模型表现更优

	BLOOMBERGGPT	GPT-NeoX	OPT66B	BLOOM176B
Equity News	79.63	14.17	20.98	19.96
Equity Social Media	72.40	66.48	71.36	68.04
Equity Transcript	65.06	25.08	37.58	34.82
ES News	46.12	26.99	31.44	28.07
Country News	49.14	13.45	17.41	16.06
All Tasks (avg)	62.47	29.23	35.76	33.39
All Tasks (WR)	1.00	0.00	0.67	0.33

资料来源：Bloomberg，中国银河证券研究院整理

国内，同花顺抢先布局AI技术，为用户赋能具备先发优势。公司AI技术的研发和应用早在2009年就率先市场开始，成立“i问财”部门，为用户提供股票信息相关搜索服务。2017年，同花顺AI开放平台上线，可向客户提供数字虚拟人、智能金融问答、智能语音、智能客服机器人、智能质检机器人、会议转写系统、智慧政务平台、智能医疗辅助系统等40余项人工智能产品及服务；公司自主研发的同花顺智能语音平台，在中文金融场景语音识别准确率达到98%以上，中英文通用场景识别准确率超过95%，多种方言识别准确率超过90%；同时，平台还具备高度拟人的语音合成能力，以及语音转换、歌声合成、情感识别和声纹识别等智能语音技术能力。目前基于自主智能语音技术的产品已应用于多家证券公司、基金公司及电信运营商。同花顺虚拟数字人对话平台，运用多模态数字人对话技术，实现与真人用户“面对面”的交互体验，该产品目前已落地多个大型客户；同花顺机器翻译平台，目前支持中、英、繁中、西班牙、法、德、日、韩、阿拉伯、越南、印尼、马来等12种语言，132种语向的翻译，支持PDF、Word、PPT等11种主流文件格式的翻译，以及图片翻译、语音翻译等跨模态翻译。

图57：同花顺AI开放平台核心技术

语音识别	OCR文字识别	视频AI技术	基础文本分析	大数据处理	知识图谱
一句话识别	通用类文字识别	视频美颜	分词、词性分析技术	大数据传输	金融垂类知识库
实时语音识别同花顺	行业票类识别能外呼	视频抠像	词向量表示	数据工厂	指标同义词知识库
录音文件识别	卡证类识别	视频风格化摄像头人脸识别	依存句法分析 DNN语言模型	大数据分析	知识理解知识图谱Schema
语音合成真人语音交语音合成	图像识别检测研发语音识人脸人体识别	智慧医疗视觉	语义解析技术	数据仓库	图数据库BGraph
声纹识别持打断支	工业轮胎智能检测	助骨骨折识别	意图成分识别	个性化与推荐系统	Replika对话技术
语音唤醒	轻烟检测	显微识别	情感分析	推荐系统
机器翻译	图像内容审核	结肠息肉检测	对话情绪识别	舆情分析	自然语言搜索和运算
文本翻译	黄色图片识别	胃镜评估系统	文本相似度检测	舆情标签
		图像AIGC
文档翻译	暴力图像识别		文本解析和抽取技术	NLG
		创意AI绘画	智能信息抽取	自动摘要
		可控AI作画趣味人物Avatar	阅读理解智能标签	自动写文章

 人工智能在教育领域的应用主要围绕教学、管理、学习与考试四大部分。

图58：人工智能在教育领域的应用

资料来源：艾瑞咨询，中国银河证券研究院整理

 政策相继发布，大模型应用落地中。2023年2月，中共中央、国务院发布的《数字中国建设整体布局规划》中提到大力实施国家教育数字化战略行动,完善国家智慧教育平台。2023年5月，教育部联合十八部门印发《关于加强新时代中小学科学教育工作的意见》中提到，要探索利用人工智能、虚拟现实等技术手段改进和强化实验教学，弥补优质教育教学资源不足的状况。

 网易有道“子曰” 、好未来、科大讯飞“星火”、淘云科技等教育信息化公司相继发布或宣布即将发布教育专用的大模型，AI在教育领域应用落地有望加速。

表9：教育领域大模型相继发布与应用

时间	厂商	模型功能
2023年5月5日	网易有道	子日 AI口语老师与作文批改
2023年5月5日	好未来	MathGPT
2023年5月6日	科大讯飞	星火 AI学习机
2023年5月6日	淘云科技	阿尔法蛋协助儿童进行表达练习

资料来源：科大讯飞，网易有道，好未来，淘云科技，中国银河证券研究院

三上半年行情回顾及业绩总结

计算机行业显著跑赢大盘，中期涨幅全行业第三。截至6月30日，计算机行业2023年年初至今上涨27.57%，涨幅在申万一级31个行业中排名第3，同期上证综指上涨3.65%，沪深300下跌0.75%，创业板指数下跌5.61%。2023年以来，数字中国、数据要素政策密集出台，大力支持计算机产业发展，AI技术的智慧涌现与日趋多元的应用场景驱动形成政策+市场的双重刺激，计算机行业表现亮眼，大幅领先上证指数、沪深300，以及创业板指数。

图59：计算机行业年初至今行情

资料来源：Wind，中国银河证券研究院

图60：年初至今申万一级行业指数涨跌幅（%）

资料来源：Wind，中国银河证券研究院

估值方面，计算机行业PE自2022年4月探底后持续回升，今年来始终保持上升趋势，反映出市场对计算机行业的乐观预期。截至6月30日，计算机行业整体估值水平（PE,TTM）为69.69倍，高于中枢水平56.27倍。

图61：近五年计算机行业估值水平（PE，TTM）

资料来源：Wind，中国银河证券研究院

行业营收增速放缓，全年基本面修复可期。2023Q1计算机行业实现营业收入2213.27亿元，单季度营收增长率同比下降2.4%；实现归母净利润62.18亿元，单季度同比增速54.8%，主要由于非经常性损益的公允价值变动所致，扣非后归母净利润为0.21亿元，同比下降99.1%。盈利方面，2023Q1实现毛利率、净利率分别为25.1%和2.9%，同比均小幅回升。虽然一季度业绩仍然承压，但随着宏观经济复苏与下游B端、G端需求回暖，全年基本面修复可期。

图62：计算机行业2021Q1-2023Q1营业收入及增速

资料来源：Wind，中国银河证券研究院

图63：计算机行业2021Q1-2023Q1归母净利润及增速

资料来源：Wind，中国银河证券研究院

图64：计算机行业2021Q1-2023Q1毛利率&净利率

资料来源：Wind，中国银河证券研究院

费用端保持稳健，利润弹性有望释放。2023Q1计算机行业期间费用合计346.48亿元，同比增长6.38%；研发费用合计252.12亿元，同比增长9.46%；期间费用率、研发费用率分别为15.14%和11.02%，相较去年同期均小幅回升。我们认为费用端整体稳健，预计控费降本叠加行业需求复苏，利润空间有望进一步释放。

图65：计算机行业2021Q1-2023Q1期间费用及研发费用

资料来源：Wind，中国银河证券研究院

图66：计算机行业2021Q1-2023Q1期间费用率及研发费用率

资料来源：Wind，中国银河证券研究院

四、重点推荐公司指标与估值情况

证券代码	证券简称	2023Q1收入增速	2023Q1归母净利润增速	PE-TTM	PS-TTM	2023预测PE
300033.SZ	同花顺	18.42	9.26	54.03	25.16	42.21
688188.SH	柏楚电子	42.39	28.52	54.01	28.06	39.87
301162.SZ	国能日新	35.82	96.01	110.01	20.83	82.26
688246.SH	嘉和美康	9.67	18.66	77.20	7.78	49.97
002415.SZ	海康威视	-1.94	-20.69	25.29	3.78	18.77
688111.SH	金山办公	21.11	6.58	183.49	51.15	131.76
300229.SZ	拓尔思	10.62	43.76	151.46	22.35	75.00
688475.SH	萤石网络	4.27	33.70	71.12	5.82	49.04
300226.SZ	上海钢联	12.72	41.01	46.65	0.13	41.95
000032.SZ	深桑达A	13.33	54.70	-416.62	0.71	132.31
603019.SH	中科曙光	5.39	19.92	47.00	5.59	36.40
688568.SH	中科星图	85.01	629.02	79.59	11.65	56.86
300634.SZ	彩讯股份	42.58	45.52	49.28	9.29	40.61

资料来源：wind，中国银河证券研究院整理

五、风险提示

风险提示

. AI技术落地不及预期的风险；

. 政策推进不及预期的风险；

. 行业竞争加剧的风险；

. 供应链风险；

. 法律及隐私保护等风险；

. 产业发展进度不达预期的风险。

分析师简介

吴砚靖TMT/科创板研究负责人

北京大学软件项目管理硕士，10年证券分析从业经验，历任中银国际证券首席分析师，国内大型知名PE机构研究部执行总经理。具备一二级市场经验，长期专注科技公司研究。

邹文倩计算机/科创板团队分析师

复旦大学金融硕士，复旦大学理学学士；2016年加入中国银河证券研究院；2016年新财富入围团队成员。

李璐昕计算机/科创板团队研究员

悉尼大学硕士，2019年加入中国银河证券，主要从事计算机/科创板投资研究工作。

特此鸣谢实习生潘嵩阳、葛晨辰

评级标准

行业评级体系

未来6-12个月，行业指数(或分析师团队所覆盖公司组成的行业指数）相对于基准指数(交易所指数或市场中主要的指数）

推荐：行业指数超越基准指数平均回报20%及以上。

谨慎推荐：行业指数超越基准指数平均回报。

中性：行业指数与基准指数平均回报相当。

回避：行业指数低于基准指数平均回报10%及以上。

公司评级体系

推荐：指未来6-12个月，公司股价超越分析师(或分析师团队）所覆盖股票平均回报20%及以上。

谨慎推荐：指未来6-12个月，公司股价超越分析师(或分析师团队）所覆盖股票平均回报10%－20%。

中性：指未来6-12个月，公司股价与分析师(或分析师团队）所覆盖股票平均回报相当。

回避：指未来6-12个月，公司股价低于分析师(或分析师团队）所覆盖股票平均回报10%及以上。

免责声明

本报告由中国银河证券股份有限公司（以下简称银河证券）向其客户提供。银河证券无需因接收人收到本报告而视其为客户。若您并非银河证券客户中的专业投资者，为保证服务质量、控制投资风险、应首先联系银河证券机构销售部门或客户经理，完成投资者适当性匹配，并充分了解该项服务的性质、特点、使用的注意事项以及若不当使用可能带来的风险或损失。

本报告所载的全部内容只提供给客户做参考之用，并不构成对客户的投资咨询建议，并非作为买卖、认购证券或其它金融工具的邀请或保证。客户不应单纯依靠本报告而取代自我独立判断。银河证券认为本报告资料来源是可靠的，所载内容及观点客观公正，但不担保其准确性或完整性。本报告所载内容反映的是银河证券在最初发表本报告日期当日的判断，银河证券可发出其它与本报告所载内容不一致或有不同结论的报告，但银河证券没有义务和责任去及时更新本报告涉及的内容并通知客户。银河证券不对因客户使用本报告而导致的损失负任何责任。

本报告可能附带其它网站的地址或超级链接，对于可能涉及的银河证券网站以外的地址或超级链接，银河证券不对其内容负责。链接网站的内容不构成本报告的任何部分，客户需自行承担浏览这些网站的费用或风险。

银河证券在法律允许的情况下可参与、投资或持有本报告涉及的证券或进行证券交易，或向本报告涉及的公司提供或争取提供包括投资银行业务在内的服务或业务支持。银河证券可能与本报告涉及的公司之间存在业务关系，并无需事先或在获得业务关系后通知客户。

银河证券已具备中国证监会批复的证券投资咨询业务资格。除非另有说明，所有本报告的版权属于银河证券。未经银河证券书面授权许可，任何机构或个人不得以任何形式转发、转载、翻版或传播本报告。特提醒公众投资者慎重使用未经授权刊载或者转发的本公司证券研究报告。

【银河计算机】计算机行业2023年中期策略报告：跨越奇点，人工智能全景投资框架

每日 免 费 获取 报告 □

跨越奇点，人工智能迎来星辰大海

奇点临近，强人工智能时代即将到来

ChatGPT底层技术的提高为产业发展储能，应用层面实现多元进展

1.3 AIGC多场景应用处于爆发前夜，万亿市场打开

我们预测：

1.4 大模型进入战国时代，激烈竞争已然到来

ChatGPT的“降本增效”将进一步影响市场上现有的生成式AI模型的接入成本

1.5 人工智能产业链全景

人工智能产业链全景图谱

1.6 人工智能未来投资机会简析

AIGC未来市场空间预测：预计2025年中国AIGC市场规模有望达到1600亿

二、 人工智能带动从算力到应用的全产业链需求释放

2.2.2 算法端： NLP以Transformer为基，各厂百花齐放

2.2.2 算法端： NLP以Transformer为基，各厂百花齐放

Transformer

BERT (Ours)

BERT-style

GPT-style

T5-style

OpenAl GPT

2.2.4 算法端：GPT系发展

GAN

自回归

扩散模型

太乙Taiyi

Midjourney

文心 ERNIE-VILG2.0

Stable Diffusion

Imagen

Google

DALL-E2

人工智能数据安全问题

数据投毒

数据泄露

数据异常

2.3.2 数据端：数据要素投资机会大幕将启

数据价值化

医联/MedGPT

NUANCE

salesforce

三 上半年行情回顾及业绩总结

四、重点推荐公司指标与估值情况

五、 风险提示

风险提示

分析师简介

评级标准

行业评级体系

公司评级体系

免责声明

中国银河证券CGS

谢 谢！

StartYourFinance

每日免费获取报告 □

二、人工智能带动从算力到应用的全产业链需求释放

三上半年行情回顾及业绩总结

五、风险提示

谢谢！

计算机行业2023年中期策略报告：跨越奇点，人工智能全景投资框架-20230705-银河证券-65页