AI催化数字基建新周期，把握云到端机遇—— 2024年计算机行业中期策略报告

计算机行业首席分析师：吴砚靖

计算机行业分析师：邹文倩，李璐昕

计算机行业研究助理：胡天昊

AI催化数字基建新周期，把握从云到端机遇—2024年计算机行业中期策略报告

2024年6月22日

计算机行业上半年行情回顾：2024年以来，受多重因素影响，计算机行业跑输沪深300，一方面由于下游需求相对不振，另一方面本轮人工智能技术变革目前仍在高端算力供不应求阶段从而并未真正传导到应用端，此外，市场趋向于高股息板块以及政策力度较大、筹码结构阻力较小的方向，行业整体走势承压。2月计算机指数跌幅触底。2\~3月，行业指数小幅反弹；4月年报季过后至今，行业指数继续回调，持续底部区间徘徊。

产业趋势不变，全球基础大模型持续迭代，第一轮价格战拉开帷幕，推动AI 应用加速落地：从文本到多模态，从通用到垂直，各家AI公司的主流大模型不断进化，正从技术竞赛阶段过渡到应用普及阶段。在GPT-4o的发布会前后，国内外基础大模型厂商第一轮价格战拉开帷幕。伴随大模型价格战进入白热化阶段，推理成本的下降将持续推动AI应用加速落地，重点关注 AI+医疗、教育、金融、工业领域投资机会。

本轮AI催化全球数字基建新周期：受AI催化，海外巨头在资本开支方面持续维持高增长。AI2.0时代，需要新一代的基础设施来支撑大模型的训练与推理、生成式AI应用的规模化落地，其核心要素，如计算、存储、网络以及数据服务均面临新一轮市场扩容，相关投资机会主要体现在AI服务器及芯片、HBM、光模块、液冷服务器等领域。

未来通用大模型趋于收敛，端侧部署加速，重点关注AI手机、AIPC、自动驾驶等端侧产业链以及边缘算力相关投资机会：随着大模型向端侧迁移，端侧AI的渗透率提升将推动智能手机和PC等设备的新一轮更新换代周期。苹果 M4 制程升级，微软宣布接入CopilotAI助手的CopilotPlus PC 由高通 Snapdragon X Elite 驱动，高通发布搭载骁龙 8Gen3 芯片模型 StableDiffusion及核心插件，可在终端运行，头部巨头相关动作均促进端侧部署加快。此外，端侧AI的实施推广也将有利于边缘计算相关企业。

投资建议：在新“国九条”政策引领下，资本市场将迎来改革深化，下半年政策预期较强，推动科技股“乘势而上”。建议布局兼具高成长性和确定性的投资机会，包括如技术出海、AI服务器、视频显控算法龙头、优质顺周期工业软件、边缘算力等龙头企业。

表：重点公司盈利预测与估值

股票代码	股票名称	EPS			PE			投资评级
股票代码	股票名称	2023A	2024E	2025E	2023A	2024E	2025E	投资评级
300017.SZ	网宿科技	0.25	0.27	0.32	31.21	31.41	26.14	推荐
300496.SZ	中科创达	1.02	1.31	1.70	78.98	38.39	29.57	推荐
301589.SZ	诺瓦星云	15.76	9.47	13.60	1	22.14	15.43	推荐
601138.SH	工业富联	1.06	1.40	1.67	14.28	20.49	17.15	推荐
688188.SH	柏楚电子	4.99	4.73	6.30	50.81	40.78	30.63	推荐

资料来源：Wind、中国银河证券研究院

. 风险提示：技术研发进度不及预期风险；供应链风险；政策推进不及预期风险；消费需求不及预期风险；行业竞争加剧风险。

计算机行业

推荐维持评级

分析师

吴砚靖

：010-66568589

区：wuyanjing@chinastock.com.cn

分析师登记编码：S0130519070001

邹文倩

：010-86359293

:zouwenqian@chinastock.com.cn分析师登记编码：S0130519060003

李璐昕

：021-20252650

区:liluxin_yj @chinastock.com.cn

分析师登记编码：S0130521040001

研究助理：胡天昊

：010-20252650

区：hutianhao_yj @chinastock.com.cn

相对沪深300表现图 2024-6-23

资料来源：中国银河证券研究院

一、行情回顾..
二、全球大模型持续进化，第一轮价格战拉开帷幕..
（一）全球主流大模型进化、对比分析. ...6
（二）基础大模型第一轮价格战拉开帷幕，利好应用侧加速落地 .11
三、智能算力需求爆发，AI催化数字基建新周期. ..12
（一）大模型驱动智能算力指数增长，供需缺口或将进一步扩大.. .12
（二）AI催化数字基建新周期，上游AI芯片核心受益. .. 16
（三）北美云服务厂商资本开支指引向好，产业掀起新一轮军备竞赛. .22
（四）全球OEM服务器厂商财务一览.. .22
（五）液冷未来机会明确，数据中心液冷从“可选”向“必选”演变。 .24
四、数据要素产业政策深化，行业加速发展.. ....27
（一）国家数据局成立后，政策有的放矢.. .27
（二）最新数据要素政策与相关投资机会解读. .29
五、积极拥抱AI从“云”走向“端”的大机遇.. ..31
（一）AI芯片再升级，各厂商角逐战如火如茶。 .31
（二）通用大模型趋于收敛，端侧部署预计加速. .33
（三）端侧应用孵化中，下游需求有望复苏. .35
六、AI+应用投资机会. ...38
（一）AI+医疗：AI药物研发和AI 医学影像占比最高.. .38
（二）AI+教育：AI 对教育生态颠覆效应刚刚开始.. ....43
（三）AI+金融：场景数据质量高，货币化能力强.. .. 44
（四）AI+工业：各领域大模型相继发布，AI赋能工业未来可期. ...49
七、投资建议与盈利预....
八、风险提.示.

一、行情回顾

2024年以来，受多重因素影响，计算机行业跑输沪深300，一方面由于下游需求相对不振，另一方面本轮人工智能技术变革目前仍在高端算力供不应求从而并未真正传导到应用端，此外，市场趋向于高股息板块以及政策力度较大、筹码结构阻力较小的方向，行业整体走势承压。2月计算机指数跌幅触底。2\~3月，行业指数小幅反弹；4月年报季过后至今，行业指数继续回调，持续底部区间徘徊。

图1：年初至今计算机指数跑输沪深300

资料来源：WIND，中国银河证券研究院

图2：年初至今计算机子行业涨跌幅（%)

资料来源：WIND，中国银河证券研究院

计算机行业指数过去10年PE（TTM）均值为60.56倍；PS（TTM）均值为3.92倍。截至6月19日，当前计算机行业指数估值处于历史十年均值略偏低位置，指数PE（TTM）值为53.54倍，PS（TTM）值为2.59倍。

图3：计算机行业指数近10年 PE(TTM)情况

资料来源：WIND，中国银河证券研究院

图4：计算机行业指数近10年 PS(TTM)情况

资料来源：WIND，中国银河证券研究院

受地方财政支出压力等多重因素影响，自2020年起计算机行业营收及净利润水平均表现不佳。

2024年一季度，计算机板块营业收入小幅增长，同比上升5.28%；净利润触底，同比下降94.68%。计算机子行业方面，年初至今净利润排名前三的分别是智慧城市、金融IT和工业互联；其中8个子行业板块亏损。

图5：计算机板块营业收入 (2020-2024Q1)

资料来源：WIND，中国银河证券研究院

图6：计算机子行业年初至今营业收入 (亿元)

资料来源：WIND，中国银河证券研究院

图7：计算机板块归母净利润 (2020-2024Q1)

资料来源：WIND，中国银河证券研究院

图8：计算机子行业年初至今归母净利润 (亿元)

资料来源：WIND，中国银河证券研究院

全球方面，年初至今，热门科技股及半导体跑赢美股大盘；港股及中概股5\~6月上涨趋势明显。6月，英伟达受其下一代GPU新架构 Rubin出货节点超预期的影响，公司股价持续创新高。

图9：年初至今美股科技板块跑赢标普 500

资料来源：WIND，中国银河证券研究院

图10：港股中概股科技板块波动较大

资料来源：WIND，中国银河证券研究院

二、全球大模型持续进化，第一轮价格战拉开帷幕

（一）全球主流大模型进化、对比分析

近两年全球大模型经历了高速迭代，已经从技术竞赛阶段逐渐过渡到应用普及阶段，从文本到多模态，从通用到垂直，各家AI公司的主流大模型不断进化。对于供给侧而言，抢占用户、谋求规模效应成为大模型激烈竞争的必经之路。而对于需求侧来说，大模型体验度差异不明显情况下，性价比是重要考量因素。在这一背景下，在GPT-4o的发布会前后，国内外基础大模型厂商第一轮价格战拉开帷幕。

我们以国外OpenAI、谷歌、高通、meta 为代表，国内以百度、阿里、清华、腾讯、月之暗影、幻方旗下DeepSeek-V2、百川智能等为代表进行对比分析。

5月13日，OpenAI发布大模型新版本—一可实时进行音频、视觉和文本推理的GPT-4o,Open AI将GPT-4升级为GPT-4o。GPT-4o仍属于GPT-4系列，是GPT-4的升级款模型，相比GPT-4Turbo，GPT-4o的速度快了两倍，成本降低了50%，API速率限制（用户可发出的请求调用额度）提高了五倍。GPT-4o是OpenAI首个原生多模态大模型，是跨文本、视觉和音频端到端训练的新模型，所有输入和输出都由同一个神经网络处理，对标谷歌Gemini。GPT-4o的加速响应和多模态功能使其在实时对话系统、内容创作、处理多媒体内容等应用场景中表现出色。GPT-4o的访问速度和处理速度极快，能够更快地回应用户的查询和命令，在需要即时反馈的应用场景中显著提高用户体验；GPT-4o支持对音频和视频文件的理解，应用范围拓展至自动字幕生成和多媒体数据分析等领域；在输出质量方面，相较于GPT-4，GPT-4o 在解释复杂逻辑、科学原理或进行创造性写作时表现更佳。

谷歌的大模型根据设计理念的不同，可以分为以“LaMDA”为代表的旨在与人类进行多轮自然对话的语言模型和以“Gemini1.5Pro”为代表的专注于任务的模型。LaMDA可广泛应用于使用 AI语音助手的场景。LaMDA具有较高的自然语言处理能力，能更好地在对话中表达情感、意图和复杂的语义，产生更加逼真和流畅的对话体验，在智能家居、车载系统、智能办公平台、自然对话机器人领域提升用户体验。Geminil.5Pro 探索多模态理解和长上下文处理的新前沿，推动 AI在复杂信息场景的应用。Gemini模型最初有Ultra,Pro 和 Nano三个版本，后谷歌推出改进版1.5Pro 和1.5Flash。Gemini1.5Pro 具备超长上下文理解和音频处理能力，能够对大量数据进行本机多模态推理，已在个人用户及企业用户如思爱普、TBS、Replit的多维任务数据处理中取得优秀实践成果。谷歌利用1.5Pro 对模型进行“蒸馏”训练，1.5Flash 速度更快，在总结摘要、聊天应用、图像和视频字幕生成以及从长文档和表格中提取数据等方面表现出色。

表1：谷歌Gemini模型概览

模型	特性	理想使用场景
Ultra	最强大的能力，处理复杂任务	研究，大规模数据分析，如医疗诊断、科学研究和复杂数据分析
Pro	平衡的性能，多功能	通用 AI应用，如企业应用和消费产品
Flash	轻量级，快速，高效	实时应用，低延迟任务，边缘计算
Nano	紧凑，高效，设备上运行	移动设备，资源受限环境

资料来源：CSDN、中国银河证券研究院

高通的大模型以“StableDiffusion”图像生成模型为代表。StableDiffusion的核心功能在于其能够根据简短的描述，创造出内容丰富、符合用户预期的视觉作品，强大的图像生成能力使其在艺术创作领域有着广泛的应用。在艺术创作领域，StableDiffusion能够根据具体细腻的描述生成图像，辅助追求个性化与细节化的艺术创作；广告设计注重创意与速度，StableDiffusion能够迅速根据创意团队的想法生成广告原型，并通过调整和迭代，快速找到最符合市场和客户需求的设计方案；在游戏开发领域，StableDiffusion能够快速生成大量的游戏素材，并根据游戏的风格和背景，生成与之相匹配的视觉元素。

Meta的大模型以“LLaMA”为代表，其中Llama3为其最新推出的开源大模型。技术突破使Llama3更为开放有效。相较于2年前的Llama2，Llama3通过分词器显著扩展词汇量，在文本理解、生成和多语言理解方面表现更优，模型引入分组查询注意力技术提高模型的可扩展性，帮助其更有效地处理更长的文本序列，在理解复杂查询、生成创意内容和多语言支持等应用场景展现出强大潜力。

国内方面，5月7日，知名私募巨头幻方量化旗下的 AI 公司DeepSeek 发布全新第二代MoE 大模型DeepSeek-V2。性能直逼GPT-4 Turbo，综合能力位于大模型第一梯队，其API 价格降至约GPT-4 Turbo 百分之一，大模型价格战即将拉开帷幕，利好AI 应用层快速渗透。DeepSeek-V2 是一个参数为 2360 亿的 MoE 模型，每个 token 仅激活 210 亿参数，支持 128K 的上下文长度。1）纵向对比：对比去年 11 月发布的 DeepSeek 67B 性能取得显著提升，训练成本节省了42.5%，KV 缓存减少了93.3%，最大生成吞吐量提高到了5.76 倍。2)横向对比：上下文长度对标 GPT-4 Turbo（128K）；中文综合能力（AlignBench）超越 Llama 3,在开源模型中表现最强，与文心4.0等闭源模型在评测中处于同一梯队，仅次于GPT-4 Turbo；英文综合能力（MT-Bench）与最强的开源模型LLaMA3-70B 处于同一梯队，超过 MoE 开源模型 Mixtral8x22B。此外在知识、数学、推理、代码等方面也有出色的性能。API 价格降至约 GPT-4Turbo 百分之一，大模型价格战即将拉开帷幕，利好 AI 应用层快速渗透。目前DeepSeek-V2API 定价为每百万token 输入1元、输出2元（32K上下文），几乎低于所有市面上主流大模型价格，约为 GPT-4 Turbo 的 1/100。

百度的大模型以文心大模型为代表，包括NLP大模型、CV大模型和跨模态大模型。NLP大模型面向 NLP任务场景，具备超强语言理解能力和文学创作能力；CV大模型提供基于视觉技术的强大基础模型和视觉任务定制能力；跨模态大模型基于知识增强的跨模态语义理解技术，支持跨模态检索和图文生成等应用。

文心一言功能全面，ERNIESpeed适合快速响应和处理文本，ERNIELite 适用于低算力环境。文心一言4.0具备理解、生成、逻辑和记忆四大核心能力，在政务、营销、客服等领域具有广泛的应用前景。ERNIE Speed 和 ERNIE Lite 以轻量级为特点，在资源有限和需要快速响应的应用场景优势突出，前者突出速度，适合作为基座模型进行精调以更好地处理特定场景的问题，在社交、文旅、教育、智能办公等应用场景中表现出色；后者针对低算力环境进行优化，能够在资源受限环境下的情感分析、多任务学习、自然推理等场景中提供高效且准确的推理结果。

阿里的大模型以通义千问系列为代表，基于通义千问的八大行业模型带来降本增效和体验升级。自2023年4月问世以来，通义千问1.0已经进入电力、金融、医疗、法律等众多行业。相较于1.0，通义千问2.0新增图片理解和文档解析功能，在复杂指令理解、文学创作、通用数学、知识记忆、幻觉抵御等方面表现优异。基于通义千问2.0，阿里开发了8个垂直领域模型。

清华大模型以GLM系列为代表。GLM模型在中文处理方面表现优秀，GLM-4智能体能力突出。GLM-130B第一次将千亿模型量化到int4层次，使得模型的推断算力需求大大减小，且从预训练到评估都可复现且评估代码开源，为行业大语言模型提供重要的基石支撑；ChatGLM 千亿模型基于GLM-130B引入面向对话的用户反馈，ChatGLM-6B针对中文问答和对话进行优化，能够生成符合人类偏好的回答，可应用于构建智能对话系统；ChatGLM3 集成AgentTuning技术，开启全新的模型智能体能力，在工具调用、代码执行、游戏、数据库操作、知识图谱搜索与推理以及操作系统等复杂场景表现出色；GLM-4增强智能体能力，可以实现自主根据用户意图，自动理解、规划复杂指令，自由调用网页浏览器、代码解释器和多模态文生图大模型来完成复杂任务。目前，智谱 AI已经与蒙牛、火山引擎、金山、中国电信等产业巨头合作，将GLM-4应用于实际场景。

腾讯持续推进混元大模型的能力爬坡和在海量业务场景中的应用。腾讯于2021年发布的千亿规模 NLP 大模型提供 16 项智能文本处理能力，2022 年发布的万亿中文 NLP 预训练模型HunYuan-NLP-1T(混元AI 大模型)首创“层级化”表征，对输入文字、视频做分层后再进行关联性检索，大幅提升检索准确度，已落地于腾讯广告、腾讯搜索等多个核心业务场景。经过一年迭代,腾讯混元大模型支持多模态视觉生成，新增的文生图能力已被广泛用于素材创作、商品合成、游戏出图等业务场景。

月之暗面的主力大模型Kimi凭借约200万汉字的无损上下文能力领跑全球，并解锁专业学术论文的翻译和理解、辅助分析法律问题、一次性整理几十张发票、快速理解API开发文档等新应用场景。2024年3月，该模型在长上下文窗口技术上再次取得突破，无损上下文长度量级达到200万字，应用场景更加广泛：在执法案件评查场景中，通过超长无损上下文能力解析司法部门制定的行政案件评查标准和从立案到结案全流程的相关材料，自动化完成行政处罚案件评查工作；在民生诉求智能报表报告应用场景中，通过导入民生诉求工单数据，对工单总体情况、问题来源、案件类型、事项类型、高发问题、总结与建议等进行智能分析，自动化生成智能报表。

百川智能的大模型可以分为以“Baichuan-NPC”为代表的角色大模型和以“Baichuan4"为代表的基座大模型。Baichuan-NPC在对话能力、角色一致性、扮演吸引力等方面领先，是目前中文领域最强角色模型。Baichuan-NPCLite版本提供高度开放的个性化角色定制能力，具有角色扮演相似度高、表述口语化强，回答高度准确的特点，Turbo版本在此基础上进一步强化对角色扮演相似度、逻辑能力、指令跟随能力的支持，结合“角色创建平台+搜索增强知识库”组成的开发套件，能够在游戏、影视等诸多领域实现零代码、低成本、高效率地构建角色，已为完美世界等游戏公司提供支持。

Baichuan4和“百小应”为市场调研、产业分析带来智能化解决方案。相较于Baichuan3,Baichuan4 在知识百科、长文本生成、创作等中文任务上明显优于国外主流模型。基于该模型的AI应用产品“百小应”融合Baichan4行业领先的通用能力与百川智能前沿的搜索技术，具有多步搜索和智能定向搜索等能力，不仅在市场调研、产业分析等应用场景中表现优秀，在搜索结果呈现方面也表现出色。

大模型表现的比较，我们主要参考国内较权威机构 SuperCLUE在24年4月的测评结果。

表2：国内外代表性大模型参数规模、数据集对比

模型	公司	参数规模	预训练 tokens	训练数据集
Gemini 1.5 pro	谷歌	175B		多模态和多语言数据
Gemma-7B	谷歌	7B	6T	英语为主的网络文档、数学及代码数据
StableDiffusion 3	高通	800M-8B	1.5T	大量图像数据的统计规律、文本-图像对
GPT-4	OpenAI	1.8T	13T	来自 ScaleAI 和内部的指令微调数据
GPT-40	OpenAI	1.8T	10T	文本、视觉和音频
Sora	OpenAI	7B	-	大量视频数据
Llama 3	Meta	8B/70B	15T+	公开可用的数据集，如Common Crawl等
GLM4-9B	清华大学	9B	10T	语义、数学、推理、代码和知识等多方面的数据集
GLM-130B	清华大学	130B	400B	包括中英文通用语料、中英文对话语料、人类反馈数据和自定义数据集
混元大模型	腾讯	100B+	2T+	覆盖多个领域和主题的中文文本
Grok-1	XAI	314B	-	大量文本数据
Claude3	Anthropic	137B	-	来自互联网的各种文本类型和代码数据
文心一言	百度	260B	-	图片数据、语音数据、知识增强数据、网页数据
盘古NLP	华为云	200B	-	大规模中文文本数据
Baichuan 4	百川智能	千亿	500GB	动态数据集，异步 Checkpoint 存储
Baichuan-13B	百川智能	13B	1.4T	高质量语料库
通义千问系列	阿里云	7B-72B	2.2T	各种文本和代码的标记
讯飞星火	科大讯飞	175B	-	科大讯飞的数据集和语料库
Kimi	月之暗面	100B+	4-5T	大量中文文本内容

资料来源：GIS数据栈，异速云，OpenAI官网，速途元宇宙研究院，百度开发者中心，百川智能官网，智东西，新智元公众号，中国银河证券研究院

从综合能力来看，国内大模型平均水平超过国外大模型，但顶尖的仍有差距。SuperCLUE对全球大部分模型进行了综合测评，从24年4月的结果来看，GPT-4-Turbo以79.13分的绝对优势领跑 SuperCLUE 基准测试，位列第二的是国外大模型Claude3-Opus，74.47分。第一梯队里其余均为国内大模型，依次是 Baichuan3、GLM-4、通义千问 2.1、腾讯 Hunyuan-pro、文心一言4.0、MoonShot（Kimi），但仍与GPT-4-Turbo 均相差5分以上。第一、二梯队里国产大模型比例大，第二梯队里国外大模型排名依次为Llama3、GPT3.5、Gemini-Pro，其余均为国产大模型。因此，从综合能力来看，国内大模型平均水平超过国外大模型，但顶尖的仍有差距。

图11：国内外大模型综合测评分排名 (截至24年4月)

来源：SuperCLUE，2024年4月30日
资料来源：SuperCLUE，中国银河证券研究院

图12：国内外领军大模型的文理能力对比

资料来源：SuperCLUE，中国银河证券研究院

分能力来看，国外领军大模型在代码、计算、逻辑推理等理科方面领先国内较多，而国内领军大模型在文科方面有优势。SuperCLUE测评题目为多轮开放式简答题，包括文科和理科，文科包括知识与百科、长文本、角色扮演、语义理解、生成与创作、传统安全类；理科包括计算、逻辑推理、代码、工具使用。通过对比国外和国内前三名模型的各项平均分，可以看到国内领军大模型在文科方面有优势，而国外领军大模型在理科方面领先国内较多。SuperCLUE认为，长文本、代码、计算、逻辑推理在通用能力中最具挑战性，也最能体现通用大模型的能力层次，越好的大模型在低成熟度的能力上表现越好，这也是国内大模型今年需进一步迭代优化，追赶国外头部大模型的重要能力。

国内大模型，得分最新排名依次是 Baichuan3、GLM-4、通义千问 2.1、腾讯 Hunyuan-pro、文心一言4.0、MoonShot（Kimi）。通过统计过去10个月国内模型在SuperCLUE 基准上的前三名，可以发现，每个月前三甲的竞争非常激烈，共有13 个大模型取得过前三名。出现频次最高的有文心一言（9次）、GLM系列（5次）、讯飞星火（3次）。

图13：国内大模型综合测评分排名 (截至24年4月)

资料来源：SuperCLUE，中国银河证券研究院

图14：过去10 个月国内大模型排名变化

测评月份	第- 一名	第二名	第三名
24年4月	Baichuan3	GLM-4 通义千间2.1	腾讯Hunyuan-pro 文心言4.0
24年2月	文心一言4.0	GLM-4	通义千间2.1
12月	文心一言4.0	通义千问2.0	AndesGPT
11月	文心一言4.0	Moonshot	Yi-34B-Chat
10月	BlueLM	Moonshot	文心一言4.0
9月	SenseChat3.0	文心一言(网页v2.3.1)	ChatGLM2-Pro
8月	Baichuan2-13B-Chat	Minimax-abab5	文心一言(网页v2.2.3)
7月	文心一言(网页v2.2.0)	ChatGLM-130B	讯飞星火V1.5
6月	360智脑	文心一言	讯飞星火
5月	360智脑	讯飞星火	ChatGLM-130B

资料来源：SuperCLUE，中国银河证券研究院

（二）基础大模型第一轮价格战拉开帷幕，利好应用侧加速落地

OpenAI 发布GPT-4o，第一轮大模型价格战拉开帷幕。北京时间5月14日凌晨,OpenAI发布了最新多模态大模型GPT-4o，它对语音的理解能力有了质的飞跃，同时还可分析图像、视频，并识别用户情绪，此外GPT-4o 的 API 价格是 GPT-4Turbo 的一半，输入5美元/百万 tokens，输出 15 美元/百万 tokens。

5月15日，字节跳动在火山引擎原动力大会上正式发布豆包大模型，其主力模型在企业市场的定价只有0.0008 元/千 tokens；通义千间GPT-4 级主力模型Qwen-Long，API 输入价格从0.02元/千tokens降至0.0005元/千tokens，随后百度、科大讯飞、腾讯纷纷加入降价行列，甚至直接宣布主力模型免费，而此前已有国内大模型公司智谱 AI、幻方旗下DeepSeek宣布降价。

我们认为，24 年是AI应用元年，下半年现象级应用有望持续涌现。一方面，GPT-4o的多模态技术将成为AI竞争的新领域，更自然的交互体验将成为AI应用的关键；另一方面，大模型圈价格战进入白热化阶段，推理成本的下降将持续推动AI应用加速落地。

历史上每一轮信息技术革命浪潮，始终存在一个明显的成本下降与渗透率提升的模式，从PC革命到智能手机革命，再到云计算，上游成本的不断下降为下游市场提供了更广阔的发展空间，使得新技术和产品能够更快地被市场接受，渗透率随之提升。随着技术的不断演进，我们可以预期，本轮AI革命将继续遵循这一模式，推动社会进入更加高效和智能化的时代。

1.PC 革命（Personal Computer Revolution）:

成本下降：随着半导体技术的进步，如摩尔定律所描述的那样，集成电路上可容纳的晶体管数量大约每两年翻一番，性能提升而成本降低。

渗透率提升：PC（个人电脑）市场从诞生到渗透率见顶的过程经历了几十年的时间。个人电脑市场通常被认为是从1970年代末到1980年代初开始，特别是1981年IBM推出第一台个人电脑IBM5150，这标志着PC时代的真正开始。PC市场渗透率在1990年代和2000年代初期经历了显著增长，随着技术的进步、成本的降低以及个人电脑变得更加普及和可负担，PC 渗透率在全球范围内迅速提升。随着智能手机和平板电脑的兴起，PC市场的增长开始放缓。特别是在2011年和2012年，全球PC出货量达到了顶峰，之后开始逐渐下降。

2．智能手机革命（Smartphone Revolution）：

成本下降：智能手机的制造成本随着技术的成熟和供应链的优化而降低，同时，竞争加剧也推动了成本的下降。

渗透率提升：智能手机市场通常认为从2000年代初开始逐渐兴起，特别是2007年苹果公司推出第一代iPhone，这标志着现代智能手机时代的开始。智能手机渗透率在随后的几年内迅速增长，随着技术进步、价格下降以及用户对移动互联需求的提升，智能手机逐渐取代了传统手机。

3．云计算（Cloud Computing）：

成本下降：云计算通过资源共享和按需服务的模式，降低了企业和个人的IT基础设施成本。随着技术的不断进步，云服务的成本也在持续下降。亚马逊云自诞生以来已降价超过100次。

渗透率提升：云计算的低成本和灵活性使得更多的企业能够利用强大的计算资源，推动了云计算服务的广泛采用。

回到大模型，目前来看，目前国内几款大模型降价情况如下：

1．火山引擎（字节跳动旗下）：

火山引擎宣布其自研大模型“豆包”在企业市场的定价只有0.0008元/千Tokens，这一价格比行业平均价格便宜99.3%。

2．阿里云：

阿里云宣布其通义千问 GPT-4 级主力模型 Qwen-Long 的 API 输入价格从 0.02 元/千

tokens 降至0.0005元/千 tokens，降价幅度达到97%，约为GPT-4价格的1/400。

3．百度智能云：

百度智能云宣布其文心大模型两大主力模型全面免费，立即生效。

4.DeepSeek（深度求索）：

DeepSeek发布第二代MoE 模型DeepSeek-V2，宣称性能比肩GPT-4，每百万token 输入1元、输出2元（32K上下文），是GPT-4的近百分之一水平。

5．智谱AI:

智谱 AI宣布个人版/入门版GLM-3 Turbo 模型调用价格由5元/百万 tokens降为1元/百万 tokens，相当于0.001元/千 tokens。

大模型价格战的开启，标志着国内大模型市场正式进入激烈的竞争阶段，各家厂商通过降价来争夺市场占有率，同时也推动了大模型技术的进一步普及和应用。

三、智能算力需求爆发，AI催化数字基建新周期

（一）大模型驱动智能算力指数增长，供需缺口或将进一步扩大

算力是设备通过处理数据，实现特定结果输出的计算能力。可分为通用算力、智能算力和超算算力三部分，分别提供基础通用计算、人工智能计算和科学工程计算，其实现的核心是CPU、GPU、FPGA、ASIC等各类计算芯片，并由计算机、服务器、高性能计算集群和各类智能终端等承载，海量数据处理和各种数字化应用都离不开算力的加工和计算，算力数值越大代表综合计算能力越强，常用的计量单位是每秒执行的浮点数运算次数Flops（1EFlops=10^18Flops）。

图15：算力分类

资料来源：中国信息通信研究院《中国算力发展指数白皮书》，中国银河证券研究院

大模型、多模态驱动智能算力需求指数级增长。根据OpenAI数据，训练GPT-3175B的模型，需要的算力高达3640PF-days（假如每秒做一千万亿次浮点运算,需要计算3640天）。当前大模型的参数量级已达到数千亿参数的量级规模。

大模型的 Scaling Law 逐渐得到证实。根据 OpenAI 论文《Scaling Laws for NeuralLanguageModels》中表明模型的性能主要与计算量C、模型参数N和数据量D三者有关，并呈现幂指数关系，而与模型的具体结构如层数、深度、宽度等基本无关。那么通过增加计算量、模型参数量或数据大小都可能会提升模型的性能，但是提升的效果会随着这些因素的增加而递减。

图16：模型性能与计算量、模型参数、数据量呈幂指关系

资料来源：OpenAI《ScalingLaws forNeural LanguageModels》，中国银河证券研究院

Transformer成为通用性较强的大模型主流架构。最早的NLP技术基于词典+规则适用程序进行模式对话，应答是固定模式。深度学习后，RNN（递归神经网络）实现文本生成，这些模型能更好进行模式识别，在输出单个词语或者短文本方面表现较好，但在高精度多轮对话、逻辑推理能力方面能力不足，伴随Transformer的出现这些问题得到了解决。Transformer架构可以让模型获得更大的容量，装载更多的文本语义信息，以其强大的预言理解能力击败了RNN，占据了NLP领域榜首。随后又抢占CNN主导的图像领域，Transformer架构自提出以来，无论是在自然语言处理领域还是在图像领域均取得了显著的成果，成为了许多先进模型的基础架构，具有如下优势：

表3：不同大模型架构对比

模型	模型结构	特征表示能力	训练效率	模型复杂度	鲁棒性
CNN	局部连接、权值共享的卷积结构	对局部特征提取能力强，适用于图像、语音等领域	训练效率高，可并行化处理	模型结构相对简单,参数较少，不适用于处理序列数据	对数据噪声、变形等鲁棒性一般
RNN	具有循环连接结构，如LSTM、GRU等	适用于处理序列数据、能够捕捉序列信息的演化过程	训练效率相对较低,难以并行化	模型结构相对复杂,参数较多	对数据噪声、变形等具有一定的鲁棒性
Transformer	基于自注意力机制的机构	具有较强的建模能力，适用于处理序列、图像等多种数据	训练效率较高，可并行化处理	模型结构较为复杂,参数较多	对数据噪声、变形等具有较强的鲁棒性

资料来源：Wind、CSDN，中国银河证券研究院

1）全局信息关系建模：采用自注意力机制（self-attention）能够捕捉输入序列中各个位置之间的依赖关系，更好地建模长距离依赖关系，使得 Transformer 架构在理解全局上下文任务上表现优异，如机器翻译、文本摘要等。

2）可并行性：模型中的自注意力层可以并行计算，更容易实现并行化处理，训练速度更快。此外由于Transformer没有序列依赖性，可以同时处理输入序列中的所有位置，进一步加快训练过程。

3）适用于序列任务：Transformer特别是对于具有空间关系的图像数据处理方面也有不错的表现。

基于Transformer架构算力需求测算，假设基于Transformer架构模型算力需求为模型参数量×token数量×3×2×训练轮数。根据OpenAI论文，GPT基于Transformer的自然语言监督模型，每个token都处于活跃状态，而每个token 都在向前传播过程中涉及一次加法和一次乘法，论文添加一个3×的乘数来计算向后传递的计算量，故假设基于Transformer机构模型训练所需总算力=模型参数量×token数量×3×2×训练轮数。

表4：不同模型训练一轮所需算力需求

	模型	总计算量 (PT-days)	总计算量 (FLOPS)	参数量 (百万个)	调用 token (十亿个)
TS模型	TS-Small	2.08	1.80×10^20	60	1000
	TS-Base	7.64	6.60×10^20	220	1000
	TS-Large	26.70	2.31×10^21	770	1000
	TS-38	104.00	9.00×10^21	3000	1000
	TS-118	382	3.30×10^22	11000	1000
BERT模型	BERT-Base	1.89	1.64×10^20	109	250
	BERT-Large	6.16	5.33×10^20	355	250
	Ro BERTa-Base	17.40	1.50×10^21	125	2000
	Ro BERTa-Large	49.3	4.26×10^21	355	2000
GPT模型	GPT-3 Small	2.60	2.25×10^20	125	300
	GPT-3 Medium	7.42	6.41×10^20	356	300
	GPT-3 Large	15.8	1.37×10^21	760	300
	GPT-3 XL	27.50	2.38×10^21	1320	300
	GPT-3 2.7B	55.2	4.77×10^21	2650	300
	GPT-3 6.7B	139.00	1.20×10^22	6660	300
	GPT-3 13B	268	2.31×10^22	12850	300
	GPT-3 175B	3640.00	3.14×10^23	174600	300

资料来源：《Language Modelsare Few-ShotLearners》Brown T,Mann B,RyderN,etal.，中国银河证券研究院

海外人工智能大模型数量快速增长。20l8 年谷歌、OpenAI、英伟达、Meta 和微软等大型科技企业纷纷推出自研大模型技术，大模型发布量快速增长。2021年国外大模型发布数量为38个，增长率为171%；截至2023年7月底，国外大模型发布数量累计达138个。

中国大模型如雨后春笋般涌现。受到OpenAI发布ChatGPT推动，大模型发展进入新阶段，在人工智能浪潮下，国产大模型进入发展快车道，呈现爆发式增长态势，国产应用生态加速落地。仅2023年1-7月，就有共计64个大模型发布。截至2023年7月，中国累计已经有130个大模型问世。

图17：国产大模型应用领域分布 (截至2023年7月)

资料来源：赛迪顾问，中国银河证券研究院

图18：国产大模型发布数量及预测（个)

资料来源：赛迪顾问，中国银河证券研究院

新一轮人工智能技术发展热潮下，国产大模型及垂类模型呈快速增长态势。截至2024年3月，据不完全统计，目前国产大模型数量已经超过200个，其中在国家网信办成功备案的大模型已达117个，覆盖多个行业和领域，大模型应用场景逐渐下沉。

国产大模型训练算力需求测算：基于Transformer架构模型算力需求为模型参数量×token数量×3×2×训练轮数，训练GPT-3算力需求约为3.15×10^23FLOPS；由于GPT-4采用了混合专家（MoE）模型，实际训练调用参数量按约2770亿计算。

保守估计，2024年国产大模型将达到298个，预估通用大模型118个，行业大模型180个，行业大模型乐观预期下，其中国内头部厂商如百度、阿里、腾讯、字节、商汤、讯飞、华为等能够训练GPT-4参数量级模型，其他厂商及科研机构大模型参数量级在百亿到千亿之间，平均参数量级在 500亿（保守估计），假设token在1万亿水平，那么实际24年国产大模型训练一轮算力需求=298×500×10^8×10^12×6=8.94×10^25FLOPS=8.94×10^7EFLOPS

国产大模型推理算力需求测算：

1）近端：假设24年国产大模型数量维持增长，达到298个。推理侧需求在用户访问峰值情况下进行计算，近期国产大模型如Kimi等爆款访问量激增，根据数据，日访问量峰值在34.6万，那么我们以平均参数 500 亿模型计算，假设平均日访问量峰值在2万，每个用户占用 100token,保守估计国产大模型所需推理算力=298×500×10^8×2×10^4×100×6=1.79×10^20FLOPS。

2）远端：假设未来国产大模型数量收敛，预计未来三年国产大模型数量为5个，假设参数量级为万亿参数规模，日均访问量为千万级别，每个客户输入输出上下文长度为百万token（图片、语音、视频为主）。那么我们以平均参数10000亿模型计算，假设平均日访问量峰值在2000万，每个用户占用1000000 token，保守估计国产大模型所需推理算力=5×10000×10^8×2000×10^4×1000000×6=6×10^26FLOPS

大模型驱动智能算力需求指数级增长，智能算力渗透率逐渐提升。智能算力增长迅速，新增算力中智能算力成为增长新引擎，截至2022年底，我国算力总规模达到180EFLOPS，其中通用算力规模137EFLOPS，占比约76.7%，智能算力规模41EFLOPS，占比约22.8%，智能算力规模较去年同比增加41.4%，超过全球整体智能算力增速（25.7%）。

根据IDC与浪潮信息联合发布的《2022-2023中国人工智能计算力发展评估报告》，未来5年中国智能算力规模年复合增长率将达到52.3%，通用算力规模年复合增长率为18.5%。预计到2026年中国智能算力将达到145EFLOPS，占比将达到36.7%。随着AI大模型的快速发展，智能算力需求正呈现爆发性增长态势，渗透率将显著提升。我们预测，预计2025/2030/2035年智能算力规模分别为107/426/1430EFlops。

图19：中国智能算力规模及预测 (2021-2035)

资料来源：IDC、中国信通院，中国银河证券研究院

图20：中国算力产业结构及预测 (2021-2035)

资料来源：IDC、中国信通院，中国银河证券研究院

AI时代的摩尔定律，算力平均每3.43个月翻一倍。自2012年后，驱动AI的底层机器学习技术计算量呈指数级增长，根据OpenAI论文，深度学习前期，算力翻倍时间为21.3个月，深度学习时期，算力翻倍时间为5.7个月，大模型时期，AI训练任务所用的算力每3.43个月就会翻倍，远超摩尔定律（晶体管每18个月翻一倍）带来的算力提升速度。

图21：算力需求平均每3.43个月翻一倍，远超摩尔定律

资料来源：《Compute TrendsAcross Three Eras ofMachine Learning》Jaime Sevilla、Lennart Heim、Anson Ho,etal.，中国银河证券研究院

智能算力仍存在供需缺口，或将进一步扩大。保守估计国内大模型算力需求在10^7EFLOPS量级，供需缺口较为明显，且大模型时代算力需求增速远超智能算力年复合增长率（52.3%），智能算力仍然紧缺。

（二）AI催化数字基建新周期，上游AI芯片核心受益

目前AI芯片中GPU在训练和推理中占绝对优势。AI芯片又称AI加速卡或计算卡，是专门用于处理人工智能应用中大量计算任务的模块，AI芯片是 AI服务器的核心部件，在AI 服务器中价值量占比接近70%。目前主流的AI算力芯片主要包括CPU、GPU、FPGA、ASIC等。其中，GPU是较为成熟的通用型人工智能芯片，FPGA和ASIC则是针对人工智能需求特征的半定制和全定制芯片，GPU、FPGA、ASIC 作为加速芯片协助CPU 进行大规模计算。

表5：AI主流芯片分类及特点

特点	CPU	GPU	FPGA	ASIC
基本架构	逻辑单元（主体）+计算单元	计算单元（主体）+逻辑单元	组合逻辑+时序逻辑	门阵列+标准单元
定制化程度	低	低	适中	高
延迟	高	较高	低	低
优势	逻辑运算能力强	并行计算能力强	可编程，比较灵活	集成度高、能耗低、价格低
劣势	不擅长处理并行任务	能耗高，缺乏专用性	开发难度高，硬件资源限制	对算法依赖性高
AI训练效果	较差	较好	一般	尚无量产产品
应用场景	主要用于推理侧	主要用于大模型训练	主要用于推理侧	主要用于推理侧

资料来源：CSDN，中国银河证券研究院

英伟达主流GPU架构经历9次革新，最新Blackwell架构为生成式AI奠定基础。英伟达GPU架构经历了从Tesla架构奠定基石，到Fermi架构提升性能，再到Kepler架构优化能效，Maxwell架构深化节能设计，Pascal架构强化深度学习，Volta架构推动高性能计算，Turing架构引领光线追踪，Ampere架构重塑游戏与创作体验，直至目前Blackwell架构以显著的性能、效率和规模为生成式AI和加速计算带来新突破。

表6：英伟达主流GPU 性能参数对比

性能参数	V100 PCIe	A100 SXM	H100 SXM	H200 SXM	B200	GB200
架构	Volta	Ampere	Hopper	Hopper	Blackwell	Blackwell
FP64	7TFLOPS	9.7 TFLOPS	34 TFLOPS	34 TFLOPS	40 TFLOPS	90 TFLOPS
FP32	14 TFLOPS	19.5 TFLOPS	67 TFLOPS	67 TFLOPS	2.2 PFLOPS	2.5 PFLOPS
FP16 Tensor Core		624 TFLOPS	1979 TFLOPS	1979 TFLOPS	4.5 PFLOPS	5 PFLOPS
INT8 Tensor Core	62 TOPS	1248 TOPS	3958 TOPS	3958 TFLOPS	9 PFLOPS	10 PFLOPS
GPU显存	32/16GB HBM2	80GB HBM2e	80GB	141GB	192GB HBM3e	384GB HBM3e
GPU 显存带宽	900GB/s	2039GB/s	3.35TB/s	4.8TB/s	8TB/s	16TB/s
最大热设计功耗(TDP)	250W	400W	700W	700W	1000W	27000W
互联技术	NVLink: 300GB/s PCIe: 32GB/s	NVLink: 600GB/sPCIe: 64GB/s	NVLink: 900GB/sPCIe: 128GB/s	NVLink: 900GB/sPCIe 5.0:128GB/s	NVLink: 1.8TB/sPCIe 6.0:256GB/s	NVLink: 1.8TB/sPCIe 6.0:257GB/s

资料来源：英伟达官网，中国银河证券研究院

GB200采用GraceCPU与两个B200 结合形成超级芯片，效率大幅提升。GB200芯片的设计理念是将两个B200 GPU和一个Grace CPU 结合在一起，形成一个超级计算单元，这种设计不仅提高了计算效率，也使得功耗管理更加高效，H100峰值功率达到700W，训练一个1.8万亿参数的模型需要 8000个HopperGPU，需要消耗15MW电力，而GB200 只需要1/25的成本和能耗,只需要2000个BlackwellGPU就能完成训练，功耗仅有4MW。

表7：英伟达GB200 NVL72与GB200 主要参数对比

	GB200 NVL72	GB200
配置	36 Grace CPU: 72 Blackwell GPU	1 Grace CPU: 2 Blackwell GPU
FP4 TensorCore	1440 PFLOPS	40 PFLOPS
FP8/FP6 Tensor Core	720 PFLOPS	20 PFLOPS
INT8 Tensor Core	720 PFLOPS	20 PFLOPS
FP16/BF16 Tensor Core	360 PFLOPS	10 PFLOPS
TF32 Tensor Core	180 PFLOPS	5 PFLOPS
FP32	6480 PFLOPS	180 PFLOPS
FP64	3240 PFLOPS	90 PFLOPS
FP64 Tensor Core	3240 PFLOPS	90 PFLOPS
GPU 显存\|带宽	13.5 TB HBM3e\|576 TB/s	384 GB HBM3el16 TB/s
NVLink 带宽	130 TB/s	3.6TB/s

资料来源：英伟达官网，中国银河证券研究院

英伟达发布GB200NVL72，采用液冷、铜连接等技术。3月19日，英伟达在GTC大会上发布新一代专用GB200NVL72,结合了36个GB200 超级芯片，包含72张B200和36张GraceCPU,算力（INT8）可以达到720PFLOPS，并且柜内组网以电气信号背板和铜连接技术，同时采用液冷系统设计，为单机架节省了120KW。

图22：GB200NVL72采用纯铜连接

资料来源：英伟达开发者网站，中国银河证券研究院

GB200NVL72推理速度提升30倍，训练速度提升4倍。GB200NVL72引入了先进的功能和第二代Transformer引擎，能加速大语言模型推理工作负载。与H100 相比，在推理1.8T参数GPT-MoE的速度上提高了30倍，训练1.8T参数GPT-MoE的速度上提高了4倍。

图23：GB200 NVL72 相较HGX H100 提升30 倍推理速度（1.8T参数 GPT-MoE)

资料来源：英伟达官网，中国银河证券研究院

图24：GB200 NVL72 相较HGX H100 提升4倍训练速度（1.8T参数 GPT-MoE)

资料来源：英伟达官网，中国银河证券研究院

英伟达未来将以每年一款芯片的速度推出产品，2026年将推出新架构Rubin。英伟达创始人黄仁勋表示未来将每年推出一款新产品，2025年，公司将发布BlackwellUltra，2026年将推出新架构 Rubin，2027年则会发布RubinUltra，表明英伟达在技术上保持领先地位，未来将通过降本增效推动人工智能产业进步。

国产AI芯片仍与世界领先水平存在较大差距，产业政策扶持力度空前。目前，我国加速推进算力布局，与算力有关的多项国家政策发布，与此同时，各地政府也在推进相关规划落地，包括基础电信企业等在内的各方也在积极推进算力网络建设，算力产业发展进入“快车道”。

表8：近两年算力政策汇总

时间	政策	重点解读
2023.1	工信部等六部门《算力基础设施高质量发展行动计划》	计划提出，到2025年，计算力方面，算力规模超过 300EFLOPS（EFLOPS 是指每秒百亿亿次浮点运算次数），智能算力占比达到 35%，东西部算力平衡协调发展。运载力方面，国家枢纽节点数据中心集群间基本实现不高于理论时延1.5倍的直连网络传输，重点应用场所光传送网(OTN）覆盖率达到 80%，骨干网、城域网全面支持IPv6，SRv6 等创新技术使用占比达到40%。存储力方面，存储总量超过1800EB，先进存储容量占比达到 30%以上，重点行业核心数据、重要数据灾备覆盖率达到100%。应用赋能方面，围绕工业、金融、医疗、交通、能源、教育等重点领域，各打造30个以上应用标杆。计划还在完善算力综合供给体系、提升算力高效运载能力、强化存力高效灵活保障、深化算力赋能行业应用、促进绿色低碳算力发展、加强安全保障能力建设等六方面部署 25项重点任务。
2023	中共中央、国务院《数字中国建设整体布局规划》	系统优化算力基础设施布局，促进东西部算力高效互补和协同联动，引导通用数据中心、超算中心。智能计算中心、边缘数据中心等合理梯次布局。
2022.1	国务院《关于数字经济发展情的报告》	算力基础设施达到世界领先水平。全国一体化大数据中心体系基本构建，"东数西算"工程加快实施截至2022年6月我国数据中心机架总规模超过590万标准机架，建成153家国家绿色数据中心行业内先进绿色中心电能使用效率降至1.1左右达到世界领先水平。建成一批围家新一代人工智能公共算力开放创新平台，以低成本算力服务支撑中小企业发展需求。
2022.1	国务院《关于支持山东深化新日动能转换推动绿色低碳高质量发展的意见》	培育壮大数字产业。建设济南、青岛国家E级超算中心，提升云计算能力，完善国家级、省级及边级工业互联网大数据中心体系。
2022.1	科技部、财政部《企业技术创新能力提升行动方案(2022-2023年)》	推动国家超算中心、智能计算中心等面向企业提供低成本算力服务。
2022	国务院《关于支持贵州在新时代西部大开发上闯新路的意见》	实施数字产业强链行动。加快推进"东数西算”工程，布局建设主数据中心和备份数据中心，建设全国一体化算力网络国家枢纽节点，打造面向全国的算力保障基地。
2021.1	国务院《"十四五"数字经济发展规划》	推进云网协同和算网融合发展。加快构建算力、算法、数据、应用资源协同的全国一体化大数据中心体系。在京津冀、长三角、粤港澳大湾区、成渝地区双城经济圈、贵州内蒙古、甘肃。宁夏等地区布局全国一体化算力网络国家枢纽节点，建设数据中心集群，结合应用、产业等发展需求优化数据中心建设布局。
2021.1	工信部《“十四五"大数据产业发展规划》	加快构建全国一体化大数据中心体系，推进国家工业互联网大数据中心建设，强化算力统筹智能调度建设若干国家枢纽节点和大数据中心集群。建设高性能计算集群合理部署超级计算中心。
2021.1	工信部《新型数据中心发展三年行动计划(2021-2023年)》	到 2023年底，全国数据中心机架规模年均增速保持在 20%左右，平均利用率力争提升到60%以上，总算力超过 200EFLOPS，高性能算力占比达到10%。国家枢纽节点算力规模占比超过70%。新建大型及以上数据中心PUE降低到1.3 以下，严寒和寒冷地区力争降低到125 以下。国家枢纽节点内数据中心端到端网络单向时延原则上小于20毫秒。

资料来源：国务院、工信部，中国银河证券研究院

高端芯片受禁令影响，国产AI芯片奋起直追。虽然目前全球AI芯片市场被英伟达垄断，国内 AI芯片投资热度高企，芯片厂商研发投入持续加码。目前国内AI芯片第一梯队有华为、寒武纪、海光信息等，单卡算力正在逐渐缩小与高端芯片差距。国产AI算力芯片中，华为昇腾910b单卡算力达到640TOPS（INT8）；寒武纪思元370单卡算力256TOPS（INT8）；海光信息深算一号部分性能参数对标英伟达A100，并且深算二号性能提升100%以上。

表9：国产主流AI芯片性能参数对比

	华为	寒武纪	壁仞科技	燧原科技	摩尔线程	天数智芯	沐曦
产品	昇腾910b	思元370	BR100	云燧T21	MTT S4000	天垓100	MXC 500
整型算力INT8	640 TOPS	256TOPS	2000TFLOPS	256TOPS	200TOPS	295TOPS	160TOPS
制程	7nm	7nm	7nm	7nm	7nm	7nm	7nm
显存类型	HBM2e	LPDDR5	HBM2e	HBM2e	1	1	HBM2e
显存容量	64GB	24GB	64GB	32GB	48GB	32GB	64GB
显存带宽	392GB/s	614.4GB/s	2.3TB/s	1.6TB/s	768GB/s	1.2TB/s	1.8TB/s
互联技术	PCIe 5.0	PCIe 4.0	PCIe 5.0	PCIe 4.0	PCIe 5.0	PCIe 4.0	-
生态	MindSpore	CUDA	CUDA	OpenCL	CUDA	CUDA	CUDA

资料来源：华为昇腾、寒武纪、壁仞科技、燧原科技、CSDN，中国银河证券研究院

英伟达特供 H20芯片性能大幅降低，倒逼AI芯片国产化进程加速。由于受到美国出口禁令限制，英伟达被迫推出H20作为替代产品，半精度（FP16）算力达到148TFLOPS，整型算力（INT8）达到300TOPS，虽然在卡间互联上采用NVLink达到900GB/s，但单卡算力大幅削减。相比之下昇腾 910b半精度（FP16）算力达到376TFLOPS，整型算力（INT8）达到640 TOPS，单卡性能参数大幅提升，国内许多厂商纷纷放弃采购H20。

表10：昇腾910B单卡部分参数优于英伟达 H20

	NVDIA HGX H20	Ascend 910B
架构	Hopper	Davinci
制程工艺	4nm	7mm
显存	HBM3	HBM2e
显存大小	96GB	64GB
显存带宽	4.0 TB/s	392 GB/s
INT8算力	300 TOPS	640TOPS
FP16算力	148 TFLOPS	376 TFLOPS
FP32算力	44 TFLOPS	94 TFLOPS
互联带宽	NVLink 900GB/s	PcIe5.0
功耗	400W	400W

资料来源：英伟达官网、华为昇腾，中国银河证券研究院

中国AI服务器市场存量替换需求叠加增量需求，有望迎来量价齐升。AI服务器是AI芯片载体，采用异构形式，可以为CPU+GPU、CPU+FPGA、CPU+TPU、CPU+ASIC 或CPU+多种加速卡。根据中商产业研究院数据及我们预测，中国AI服务器市场预计2026市场规模超千亿元,未来三年复合增长率21.65%，预计2026年出货量64.5万台，未来三年复合增长率15.26%。中国AI服务器受益于人工智能等相关新兴领域的应用以及“东数西算”政策下，云计算、超算中心的蓬勃发展，数据计算、存储需求呈几何级增长，算力需求持续释放，AI服务器作为算力基础设备保持较快增速。1）存量来看：服务器平均寿命3-5 年更换一次每年根据算力需求使用需求变化产生比较明显的更新需求。2）增量来看：伴随人工智能浪潮以及数字中国建设，未来对智能算力需求将持续爆发增长，且智能算力增长速度远超算力总体增速，中国 AI 服务器市场将迎来爆发增长，占比将逐步提升。2021-2026年我国AI服务器市场规模由亿350亿元增长至1089.4亿元，2021-2026年CAGR为20.83%。

图25：中国AI服务器市场规模及预测

资料来源：中商产业研究院，中国银河证券研究院

图26：中国AI服务器出货量及预测

资料来源：中商产业研究院，中国银河证券研究院

AI服务器需求分布互联网占比接近50%。中国服务器市场需求可划分为互联网、运营商、金融、政府等。其中，互联网行业占比43.8%，位列第一。在互联网行业中服务器需求主要集中在新BAT、快手、百度等大型企业。其次，运营商、金融、政府位列2-4位，占比分别为10.6%、9.9%、9%。

图27：中国AI服务器下游应用场景分布情况

资料来源：Wind，中国银河证券研究院

（三）北美云服务厂商资本开支指引向好，产业掀起新一轮军备竞赛

海外人工智能巨头资本开支超预期，AI基建需求持续强劲。北美云厂商微软、谷歌、亚马逊以及人工智能巨头 Meta 在 AI 基建上需求依旧表现强劲，买卡需求再度上调：1）微软：2024Q1资本开支140亿美元，同比增长79.4%，环比增长21.7%，Q2单季度资本开支指引环比提升50%-70%，从财年角度，24 财年的资本支出比23 财年增加80.8%-89.6%；2）谷歌：2024Q1资本开支120亿美元，同比增长91%，环比增长9%，此后每季度资本开支指引略高于第一季度水平；3）亚马逊：2024Q1资本开支140亿美元，全年指引为每季度都要高于一季度资本开支；4）Meta:上调全年资本开支指引，2024年全年指引资本开支350-400亿美元(前指引300-370亿美元)，预计资本支出明年继续增加。海外AI巨头在资本开支方面持续维持高增长，其中大部分将用于基础设施建设，尤其在生成式人工智能领域的投入，核心驱动因素在于对AI基建对业务拉动及应用端商业化前瞻预期。

图28：北美四大云厂商资本开支按季度 (单位：亿美元)

资料来源：Wind，中国银河证券研究院

（四）全球OEM服务器厂商财务一览

据TrendForce发布的数据显示,2024年全球服务器整机出货量预计将有大约2.05%的年增长率，同时市场将继续聚焦于AI服务器的部署，预计 AI服务器的出货占比约为12.1%。

图29：全球 OEM 服务器厂商营收增长率 (季度同比)

资料来源：Wind，中国银河证券研究院

图30：全球 OEM 服务器厂商净利润增长率 (季度同比)

资料来源：Wind，中国银河证券研究院

表11：全球OEM 服务器厂商营收账款周转率 (按季度)

证券简称	22Q1应收账款周转率（次）	22Q2应收账款周转率(次）	22Q3应收账款周转率（次）	22Q4应收账款周转率（次）	23Q1应收账款周转率（次）	23Q2应收账款周转率（次）	23Q3应收账款周转率(次）	23Q4应收账款周转率(次）	24Q1应收账款周转率（次）
工业富联	1.32	2.75	4.39	6.36	1.29	2.55	3.93	5.69	1.43
联想集团	1.94	3.86	5.25	7.25	1.48	3.23	4.79	6.44	1.67
DELL	2.07	3.94	5.86	7.88	2.11	3.99	6.35	8.06	1.91
HPE	1.88	3.85	5.62	7.05	1.88	3.78	5.77	7.69	1.86
IBM	2.23	4.71	7.14	9.11	2.32	4.87	7.49	8.99	2.18

资料来源：Wind，中国银河证券研究院

表12：全球 OEM 服务器厂商存货周转率 (按季度)

证券简称	22Q1存货周转率 (次)	22Q2存货周转率 (次)	22Q3存货周转率 (次)	22Q4存货周转率 (次)	23Q1存货周转率 (次)	23Q2存货周转率 (次)	23Q3存货周转率 (次)	23Q4存货周转率 (次)	24Q1存货周转率 (次)
工业富联	1.28	2.55	3.71	5.54	1.30	2.40	3.70	5.11	1.40
联想集团	1.99	3.83	6.17	8.12	1.64	3.39	5.18	7.01	1.73
DELL	4.66	9.17	12.51	17.06	3.34	7.01	10.00	14.92	3.62
HPE	0.94	1.86	2.72	3.93	1.05	2.03	2.91	3.87	0.81
IBM	4.01	8.47	12.07	17.40	4.27	8.99	13.86	20.32	5.66

资料来源：Wind，中国银河证券研究院

图31：全球 OEM 服务器厂商毛利率 (按季度)

资料来源：Wind，中国银河证券研究院

图32：全球 OEM 服务器厂商净利率 (按季度)

资料来源：Wind，中国银河证券研究院

（五）液冷未来机会明确，数据中心液冷从“可选”向“必选”演变

数据中心PUE要求愈发严苛。随着云计算、大数据、人工智能、元宇宙等信息技术的快速发展和传统产业数字化的转型，数据呈现几何级增长，算力和硬件部分能耗也在持续增加，而在“双碳”政策的持续推进下，国家、地方政府、企业层面均在积极推动绿色低碳转型和可持续发展，通讯领域对数据中心节能降耗要求越来越严格。

液冷未来有望逐渐替代风冷，成为AI服务器、数据中心标配。AI训练及推理应用、超算等高算力业务需求持续推升,由此带来的芯片性能需求、服务器功率需求不断提高。场景侧，英伟达2024GTC大会上推出GB200NVL72采用液冷散热方式，并且黄仁勋表示浸没式液冷技术将是未来方向，将带动整片散热市场迎来全面革新。

我们认为，人工智能浪潮下，对算力需求进一步提升，液冷预计将成为最优冷却方案，未来中国液冷服务器市场有望进一步打开竞争格局，产业相关上市公司将受益。目前，中国液冷服务器普及率不足5%，径普及率并不高。受制于：1）数据中心国家 PUE标准收紧；2）受制于面积等因素，机柜密度逐渐提升；3）温度过高，芯片故障率升高等客观因素，未来液冷服务器将成为调和快速的算力需求与有限数据中心承载力的共识方案。

图33：风冷与液冷散热能力对比

资料来源：中兴通讯《液冷技术白皮书》，中国银河证券研究院

表13：全国主要数据中心PUE要求

城市	年平均气温℃	数据中心 PUE 要求
北京	12.30	年能源消费量小于1万吨标准煤的项目 PUE值不应高于1.3；年能源消费量大于等于1万吨标准煤，且小于2万吨标准煤的项目，PUE值不应高于1.25；年能源消费量大于等于2万吨标准煤且小于3万吨标准煤的项目,PUE值不应高于1.2;年能源消费量大于等于3万吨标准煤的项目,PUE值不应高于1.15;14<PUE≤18，每度电加价¥0.2；PUE>18，每度电加价¥0.5
上海	16.60	到 2024年，新建大型及以上数据中心 PUE降低到13以下，起步区内降低到1.25以下。推动数据中心升级改造，改造后的PUE不超过 1.4。
广东	22.60	新增或扩建数据中心PUE不高于13，优先支持 PUE低于1.25的数据中心项目，起步区内 PUE要求低于1.25
浙江	16.50	到2025年，大型及以上数据中心电能利用效率不超过13，集群内数据中心电能利用效车不得超过1.25
江苏	15.50	到2023年底，全省数据中心机架规模年均增速保持在 20%左右，平均利用率提升到65%，全省新型数据中心比例不低于30%，高性能算力占比达 10%，新建大型及以上数据中心电能利用效率（PUE）降低到1.3以下，起步区内电能利用效率不得超过1.25
山东	14.70	自 2020 年起，新建数据中心 PUE 值原则上不高于1.3，到 2022 年年底，存星改造数据中心PUE 值不高于14。到2025年，实现大型数据中心运行电能利用效率降到1.3以下。优先支持 PUE 值低于1.25,上架率高于65%的数据中心新建、扩建项目
青岛	12.70	新建13，至2022年存量改造14
重庆	18.40	到 2025年，电能利用效率（PUE）不高于13。集群起步区内PUE不高于1.25。
四川	15.30	到 2025年，电能利用效率（PUE）不高于13。集群起步区内PUE不高于125。各市（州）要充分发挥已建在建数据中心作用，除天府数据中心集群外，区域内平均上架率未达到60%、平均PUE值未达到1.3 及以下的，原则上不得新建数据中心。
内蒙古	4.30	到2025年，全区大型数据中心平均PUE 值降至13以下，寒冷及极寒地区力争降到1.25以下，起步区做到12以下
宁夏	9.50	到 2025年，建成国家（中卫）数据中心集群，集群内数据中心的平均 PUE≤1.15，WUE≤0.8，分级分类升级改造国家（中卫）数据中心集群外的城市数据中心，通过改造或关停，到2025年，力争实现PUE 降至1.2及以下。
贵州	15.50	引导大型和超大型数据中心设计 PUE 值不高于1.3;改造既有大型、超大型数据中心,使其数据中心 PUE值不高于14。实施数据中心减量替代，根据 PUE值严控数据中心的能源消费新增量，PUE 低于1.3的数据中心可享受新增能源消费量支持。

资料来源：中兴通讯《液冷技术白皮书》，中国银河证券研究院

液冷服务器是大势所趋，数据中心PUE可降至1.25以下。算力的持续增加，意味着硬件部分的能耗也在持续提升；在保证算力运转的前提下，只有通过降低数据中心辅助能源的消耗，才能达成节能目标下的PUE要求。

图34：制冷技术 PUE 对比

资料来源：中兴通讯《液冷技术白皮书》，中国银河证券研究院

冷板式液冷服务器与浸没式相变服务器为两大主流液冷服务器。冷板式液冷服务器技术利用工作流体作为中间热量传输的媒介，将热量由热区传递到远处再进行冷却。在该技术中，工作液体与被冷却对象分离，工作液体不与电子器件直接接触，而是通过液冷板等高效热传导部件将被冷却对象的热量传递到冷媒中。

图35：冷板式液冷服务器散热原理

资料来源：中兴通讯《液冷技术白皮书》，中国银河证券研究院

该技术将冷却剂直接导向热源，同时由于液体比空气的比热大，散热速度远远大于空气，因此制冷效率远高于风冷散热，每单位体积所传输的热量即散热效率高达1000倍。该技术可有效解决高密度服务器的散热问题，降低冷却系统能耗而且降低噪声。

浸没式液冷服务器又可以分为单相浸没式液冷服务器和两相浸没式液冷服务器。浸没式相变换热液冷系统采用进口环保专用冷媒，具有不导电、无闪点、无腐蚀性、无毒性的特性，利用环保冷媒良好的热物理特性，通过控制系统物理参数，利用冷媒工质的气化潜热转移服务器内部热量，极大提高了系统的换热效率，同时保留了高端热源的能量品位。此冷媒较传统冷媒，在系统压力较低的情况下即可实现50℃～60℃的蒸发温度，无须利用压缩机进行机械制冷，从而使室外机组的全年自然冷却工作方式成为可能。

图36：单相浸没式液冷服务器散热原理

资料来源：中兴通讯《液冷技术白皮书》，中国银河证券研究院

作为中国液冷服务器第一的曙光数创，目前浸没式液冷服务器技术领先。1）整机功耗：全浸没方案，无风扇设计，风扇功耗降低为0。2）终极的噪音指标：区别于传统风冷机房，全浸没机房噪音控制在35dB以下。3）终极的功率密度：高密度配置，轻松实现整机柜功率200kW。4）终极的 PUE指标：直接利用高品位完成热量转移，可实现PUE低至1.01-1.02。

2023H1中国液冷服务器市场同比增长近3倍。根据IDC发布的《中国半年度液冷服务器市场（2023上半年）跟踪》报告数据显示，2023上半年中国液冷服务器市场规模达到6.6亿美元,同比增长283.3%，预计2023年全年将达到15.1亿美元。IDC预计，2022-2027年，中国液冷服务器市场年复合增长率将达到54.7%，2027年市场规模将达到89亿美元。

建议关注液冷领域如英维克、网宿科技、曙光数创、依米康等公司。

图37：2022年-2027年中国液冷服务器市场规模预测

资料来源：IDC、中商产业研究院，中国银河证券研究院

四、数据要素产业政策深化，行业加速发展

（一）国家数据局成立后，政策有的放矢

数据要素相关政策制定的脉络与重要性：

2014年，大数据的概念首次被提出，标志着国家开始关注和重视大数据的潜在价值。2015年，国务院印发了《促进大数据发展行动纲要》，这是中国大数据领域的第一个系统性政策文件，旨在推动大数据技术的发展和应用。2019年，十九届四中全会提出数据从资源向要素的转变，这一转变意味着数据被视为一种重要的生产要素，与土地、资本、劳动力等传统要素并列。2020年，数据的重要性进一步得到提升，被正式写入政府工作报告，显示了数据在国家治理和发展中的战略地位。2021年，工信部印发《“十四五”大数据产业发展规划》，这是中国大数据产业发展的五年规划，旨在推动大数据产业的系统化和规模化发展。2022年，国务院印发“数据二十条”，确立了数据要素发展的顶层设计，推动数据要素市场化配置。2023年，国家数据局正式成立，这是中国在数据管理和治理方面的一个重要里程碑。同年，国家数据局发布了《“数据要素×”三年行动计划（2024－2026年）（征求意见稿）》，这表明数据要素的深化应用和发展。2024年，国家数据局印发《数字中国建设2024年工作要点清单》。

整体而言，这些政策的演进反映了政府对数据要素的高度重视，从最初的概念提出到顶层设计，再到具体的行动计划和机构设立，中国正逐步构建起一个系统化、市场化的数据管理和大数据应用体系，以促进数字经济的发展和国家治理能力的现代化。

图38：数据要素政策制定脉络

资料来源：工信部，国务院，国家数据局，网信办，中国银河证券研究院

数据要素与数字经济的顶层政策制定机构与相关职能：

涉及到数据要素与数据经济的顶层机构主要有三个：（1）中共中央网络安全和信息化委员会下属办事机构中央网信办；（2）国家发改委下属创新和高技术司；（3）工信部。中央网信办组织研究起草网络安全和信息化发展战略、宏观规划和重大政策，根据职责权限负责相关法规、规章等的起草、实施和监督检查。国家发改委负责统筹推进战略性新兴产业和数字经济发展，衔接平衡信息化发展规划与国家发展规划，组织拟订推进创新创业和高技术产业发展的规划和政策。工信部负责统筹推进工业领域信息化发展，研究拟订信息化和工业化融合发展战略、规划、政策和标准；互联网行业管理（含移动互联网），拟定电信网、互联网及工业控制系统网络与信息安全规划、政策、标准并组织实施，拟订电信网、互联网数据安全管理政策、规范、标准并组织实施等。

国家数据局重构数据管理职能。根据《国务院机构改革方案》，国家数据局整合了中央网信办承担的研究拟订数字中国建设方案、协调推动公共服务和社会治理信息化、协调促进智慧城市建设、协调国家重要信息资源开发利用与共享、推动信息资源跨行业跨部门互联互通等5项宏观管理职责，国家发改委承担的统筹推进数字经济发展1项宏观管理职责，组织实施国家大数据战略、推进数据要素基础制度建设、推进数字基础设施布局建设等3项具体管理职责。全新的职能部门有助于更好地制定纲领性文件与统筹全国数据经济与数据要素市场发展。

图39：数据要素顶层管理机构的职能划分

资料来源：发改委，工信部，网信办，中国银河证券研究院

各个地方将围绕顶层设计进行一些具体实施层面政策的设计与执行。

各省市已先后发布针对数据要素相关的政策规定，但大多数是建立在原本数字经济上的一些大方向政策，往往体现在数据价值的前两次释放，对于涉及数据价值第三次价值释放的流通交易具体措施上布局较少。随着国家层面对数据要素动作不断，今年以来，各地方逐步开始发布一些具体执行层面的细则，例如公共数据的共享、数据交易以及数据产权登记等。但这些依然集中在北上广深等经济较为发达地区的一些暂行办法与草案，数据要素执行层面的政策将逐步下沉。

表14：数据要素各地方政府相关政策

省/市	时间	颁布单位	具体政策
北京	2023年7月	北京市经济和信息化局	《北京市公共数据专区授权运营管理办法（征求意见稿）》
	2023年6月	中共北京市委、北京市人民政府	《关于更好发挥数据要素作用进一步加快发展数字经济的实施意见》
上海	2023年7月	上海市浦东新区人民政府网	《上海市促进浦东新区数据流通交易若干规定（草案）》
	2023年3月	上海市人民政府	《上海市公共数据共享实施办法（试行）》
广州	2023年7月	广州市政务服务数据管理局	《广州市数据条例》
	2023年4月	广州市政务服务数据管理局	《广州市公共数据开放管理办法》
深圳	2023年6月	深圳市发展和改革委员会	《深圳市数据产权登记管理暂办法》
	2023年3月	深圳市发展和改革委员会	《深圳市数据交易管理暂办法》
苏州	2023年5月	苏州市大数据管理局	《苏州市公共数据开放实施细则（修改稿）》
长沙	2023年7月	长沙市数据资源管理局	《长沙市政务数据运营暂行管理办法（征求意见稿）》
贵州	2023年6月	贵州省人民政府办公厅	《贵州省政务数据资源管理办法》

资料来源：北京市经济和信息化局，上海市浦东新区人民政府网，广州市政务服务数据管理局，深圳市发改委，苏州大数据管理局，长沙市数据资源管理局，贵州省政府办公厅，中国银河证券研究院

（二）最新数据要素政策与相关投资机会解读

《“数据要素X”三年行动计划（2024一2026年）》是由国家数据局联合中央网信办、科技部、工业和信息化部等17个部门共同推出的数据要素层面的重要政策。该计划致力于通过数据要素的深度应用，推动经济社会发展，并实现数据产业的快速增长。

主要目标有：到2026年，显著拓展数据要素应用场景，创建超过300个示范性应用场景。数据

产业年均增速超过 20%，数据交易规模增长1倍。

重点领域涉及：

智能制造：支持企业通过数据驱动提升创新能力和价值链延伸。智慧农业：利用数据提高农业生产效率和供应链透明度。商贸流通：依托数据推进新消费模式和业态发展。交通运输：提升多式联运效能，促进物流降本增效。金融服务：融合多源数据，优化金融服务和风险管理。科技创新：推动科学数据共享，支持产业创新和大模型开发。文化旅游：培育文化创意新产品，提升旅游服务和治理能力。医疗健康：提升就医便捷度，促进医疗数据融合创新。应急管理：提高应急处置效率和安全生产管理能力。气象服务：支持新能源企业降本增效，降低极端气候事件影响。智慧城市：优化城市管理,推动公共服务普惠化。绿色低碳：提升能源利用效率和废弃资源利用效率，加强碳足迹管理。

其主要保障措施为提升数据供给水平，完善数据资源体系。优化数据流通环境，提高交易流通效率。加强数据安全保障，落实数据安全法规制度。主要的组织实施是加强组织领导，协调推进跨部门协作。开展试点示范，探索数据流通交易模式。推动以赛促用，组织“数据要素×”大赛。加强资金支持，鼓励金融机构信贷支持。加强宣传推广，提升影响力。

该计划强调需求牵引、试点先行、市场与政府协同、安全有序开放融合的原则，旨在通过数据要素的高水平应用，促进经济社会的全面转型和高质量发展。总体而言，《“数据要素X”三年行动计划（2024一2026年）》是一个全面的政策框架，目的在于通过数据要素的放大作用，推动中国数字经济的高质量发展，并在资源配置、实体经济赋能、新质生产力发展等方面实现深刻的变革。

图40：“数据要素X”三年行动整体目标

资料来源：国家数据局，网信办，工信部，科技部，中国银河证券研究院

《数字中国建设2024年工作要点清单》

2024年5月，国家数据局印发《数字中国建设2024年工作要点清单》，该政策文件围绕以下四个主要方面部署了2024年的重点任务：

（1）高质量构建数字化发展基础：强调加快数字基础设施的建设、扩容和提速，为数字化发展提供坚实的基础。（2）数字赋能引领经济社会高质量发展：通过数字技术赋能，推动经济社会各领域的高质量发展。（3）强化数字中国关键能力支撑作用：提升数字技术在国家发展中的关键支撑作用，加强技术创新和应用。（4）营造数字化发展良好氛围环境：创造有利于数字化发展的环境，包括政策支持、文化建设和社会参与。

政策主要包括11项内容，涵盖了以下领域：（1）加快数字基础设施建设扩容提速。（2）打通数据资源大循环中的堵点。（3）推进数字经济的创新发展。（4）完善数字政府服务体系。（5）促进数字文化的丰富多元发展。(6）构建普惠便捷的数字社会。(7）加快数字生态文明建设。（8)加强数字技术的协同创新和应用。（9）增强数字安全的保障能力。（10）完善数字领域的治理生态。（11）持续拓展数字领域国际合作交流空间。

整体而言，该政策为2024年推进数字化转型和建设数字中国所制定的战略目标和行动计划，反映了国家层面对数字化发展的高度重视和全面规划。

我们认为，展望2024年下半年，有望有边际变化的主要有以下几个领域：

（1）数据要素X相关的具备垂直行业数据的厂商。（2）具备政府背景的公共数据运营厂商。（3）数据安全厂商。（4）数据基础设施存储厂商。

五、积极拥抱AI从“云”走向“端”的大机遇

（一）AI芯片再升级，各厂商角逐战如火如茶

AI芯片兼备CPU、GPU及NPU，三者结合可实现在端侧上处理人工智能（AI）和机器学习（ML）任务，擅长低功耗AI计算，以完成AI的本地部署。AI大趋势的推动下，全球终端市场正在经历逐步复苏。海外巨头纷纷迭代其AI芯片，产业链上游竞争加剧。

MetaMTIAv2采用台积电5nm制程，相对MTIAv1的7nm制程有所升级。与MTIAvl相比，整体性能提高了3倍，原因在于新一代MTIA采用更大的物理尺寸设计，比其上一带芯片拥有更多的处理内核。虽然它消耗更多的功率（90W对25W），但它也拥有更多的内部存储器（128M64MB），并以更高的平均时钟速度运行（从800MHz上升到1.35GHz）。与其上一代芯片MTIAv1相比，新发布的芯片显著提高了性能，该芯片从架构上追求计算、内存带宽和内存容量的适当平衡，目的是在Facebook这类社交媒体上用于广告排名和推荐广告。Meta的下一代大规模基础设施正在以人工智能为中心构建，包括支持生成式人工智能的产品和服务、先进的人工智能研究。Meta预计，随着支持 AI模型的算力需求随着模型的复杂性而增加，这项投资将在未来几年增长。新一代AI芯片对 Meta 具重要性：1）解决在 Facebook、Instagram 和WhatsApp 中运行 AI产品算力膨胀的问题；2）帮助Meta减少对英伟达的依赖，并降低其整体成本。

英特尔Gaudi3采用台积电N5工艺技术制造,缩小了英特尔和英伟达在半导体制造技术方面的差距。与英伟达H100芯片相比,英特尔Gaudi3在具有7B和13B参数的Llama2模型以及GPT-3175B参数模型中的训练时间快50%。此外，在Llama7B和70B参数模型以及Falcon180B参数模型中，英特尔Gaudi3加速器的推理吞吐量比H100平均高出50%，推理能效平均高出40%。英特尔Gaudi3将于2024年第二季度提供给原始设备制造商，包括戴尔科技、惠普企业、联想和超微。此外，英特尔准备了两款经过大幅“阉割”的Gaudi3产品，以满足美国对中国的出口管制规则。一款是Gaudi3HL-328 OAM，另一款是Gaudi3HL-388PCIe。英特尔未公布这两款芯片的性能水平，但两者都具有450W的热设计功率（低于非中国版版本的900W和600W），这表明性能从根本上降低。面向中国的Gaudi3系列具有128GB的HBM2E内存（使用带有1024位接口的八个堆栈）和3.7TB/s 的带宽。中国特定的Gaudi3的横向扩展能力与其他Gaudi3芯片相似。

图41：MTIAv2和MTIAv1的技术规格对比图

资料来源：Meta官网，中国银河证券研究院

图42：面向中国的两款芯片技术规格

Family	IntelGaudi@3-OAM			IntelGaudi3-PCle
PartNumber	HL-325L	HL-328	HL-335	HL-338	HL-388
ExportMarket	Non-PRC	PRC(*)	Non-PRC	Non-PRC	PRC(）
Availability	Mar'24	Jun'24	Oct'24	Sep24	Sep24
FormFactor	OAM	OAM	OAM	Dual-slotPCle,Full Height,10.5"Length
Cooling	Air	Air	Liquid(1P or 2P)	Air	Air
TDP[W]	900	450	900	600	450
Scale-upsupport	viax8Baseboard(HLB-325)			x4Top-Board(HLTB-304)
Scale-outsupport	via Baseboard(6xOSFP800)orvia Host-Nic			via Host-Nicorviadual QSFP-112 onPClecard
HBMCapacity	128GB
PeakHBMBandwidth	3.7TB/sec
HBM Interfaceand Type	1024-bitx8stacks HBM2e
Last-LevelCacheCapacity	96MB
Host Interface	PCleGen5x16
MediaDecoders	HEVC/H.265,AVC/H.264,VP9,JEG

资料来源：Intel官网，中国银河证券研究院

苹果M4采用第二代3纳米制程工艺，集成了总计280亿只晶体管。预计至少有三个主要芯片型号：低端型号代号为Donan、中端型号代号为Brava、高端型号代号为Hidra。该芯片采用SoC 架构，配备10核中央处理器，其中包含4个性能核心和6个能效核心。M4芯片内置全新NPU（神经引擎），拥有16核神经网络引擎，支持每秒38万亿次AI计算处理能力。该芯片的内存带宽为 120GB/s，并配备16GB内存。图形处理方面，M4芯片搭载10核图形处理器，支持硬件加速光线追踪技术。苹果尚未公布 M4芯片的单独售价，配备M4芯片的最新iPadPro（2024年版）1TB或2TB存储的型号起价约为1099美元到1299美元，价格反映了整个设备的成本，包括M4芯片、显示屏、存储等组件。目前使用M4芯片的产品仅有iPadPro（2024版），因此根据iPadPro的出货量估算M4芯片的出货量为450万到500万。iPadPro相比前代iPadPro 涨价200美元，需求量可能有所下降。公司预计于今年年底和明年初发布新款电脑，其中包括iMac，14英寸MacBookPro，14 英寸和16英寸 MacBook Pro 以及 Mac mini。

日前，微软宣布接入CopilotAI助手的CopilotPlus PC 由高通 SnapdragonXElite驱动,部分版本的SurfaceProl0和Laptop6配备了英特尔酷睿Ultra芯片;新发布的Snapdragon XPlus芯片（适用于低价设备）。高通SnapdragonXElite芯片（最高级版本：X1E-00-1DE）采用4纳米工艺节点。该芯片采用高通Oryon中央处理器，拥有12个核心，采用64位架构，处理速度最高可达3.8GHz,并在单核和双核加速模式下可达4.2GHz其显卡为高通Adreno,支持DirectX12，提供高达4.6 TFLOPS 的计算能力。芯片的神经处理单元（NPU）高通 Hexagon，每秒可执行45万亿次操作。内存类型为LPDDR5X，位宽16位，传输速率为8448MT/s，带宽达135GB/s，最大支持 64 GB容量。搭载 Snapdragon X Elite 芯片的小型 PC，售价为 899美元，高通 SnapdragonX Elite芯片价格尚未公。搭载 SnapdragonXElite 芯片的电脑将在 2024年中上市，微软、三星、联想、华硕、戴尔、惠普、宏碁等品牌已经确认会推出搭载 SnapdragonXElite芯片的设备。

表15：苹果、高通芯片对比

技术规格		苹果M4	高通 Snapdragon X Elite
	制程工艺	第二代3纳米制造工艺	4纳米制造工艺
	晶体管数量	280亿
	架构	SoC	Soc
	中央处理器（CPU)	10核 (4性能核 +6能效核)	12核高通Oryon，64位架构，最高可达4.2 GHz
	图形处理器（GPU)	10 核图形处理器，支持硬件加速光线追踪	高通 Adreno，支持 DirectX 12，提供 4.6 TFLOPS 计算能力
	神经处理单元（NPU)	16 核 NPU，每秒38万亿次AI计算	高通 Hexagon，每秒45万亿次操作
	内存带宽	120GB/s	135GB/s
	内存容量	16GB	最大支持64GB，LPDDR5X，16位位宽，传输速率 8448 MT/s
	训练性能	-
	推理性能
价格	配备 M4芯片的最新iPad Pro（2024年版）1TB 高通推出搭载 Snapdragon X Elite 芯片的小型PC，售价为899 美元或 2TB存储的型号起价约为1099美元到1299 美
价格	元
出货量 (估计)		450万到500万
	需求情况	需求量可能有所下降	因为iPad Pro 相比前代iPad Pro涨价 200 美元，搭载 Snapdragon X Elite 芯片的电脑将在 2024年中上市，微软、三星、联想、华硕、戴尔、惠普、宏碁等品牌已经确认会推出搭载
	需求情况	需求量可能有所下降	Snapdragon X Elite 芯片的设备

资料来源：苹果、高通官网，中国银河证券研究院

企业持续加大AI芯片研发力度，产业链上游竞争加剧，该趋势将提升芯片效率，优化算力成本，并赋能中游大模型、AI平台、软件等多方面的开发，进而加速产业链升级。

（二）通用大模型趋于收敛，端侧部署预计加速

本轮AI革命仍处在产业渗透率初期阶段，头部大厂的通用大模型的训练需求旺盛，下游应用的推理算力需求尚受供应限制中。我们预计通用大模型将趋于收敛，并正逐渐转向端侧。

此前，高通发布搭载骁龙8Gen3芯片模型StableDiffusion及核心插件，可在终端运行。StableDiffusion 各性能全面适应终端部署，全栈优化适应不同模型及终端设备：StableDiffusion 是从HuggingFace的FP32版本1-5开源模型开始，通过量化、编译和硬件加速进行优化；Stability AI宣布将于今年6月发布 Stable Diffusion3。

5月13日，OpenAI正式发布其大模型新版本GPT-4o（o代表omni，意为全能）；并推出适用于macOS的ChatGPT桌面应用程序，预计年内发布Windows版本。1）多模态端到端实时推理，无需转换，响应延迟大幅缩短：前代GPT-3.5和GPT-4对话模式可拆解为三步：音频转录为文本、模型接收文本并输出文本、文本转换回音频，意味着GPT-4丢失了大量信息一无法直接观察音调、多个说话者或背景噪音，亦无法输出笑声、歌唱或表达情感，GPT-3.5和GPT-4 的平均响应延迟分别为2800ms和5400ms。而GPT-4o将所有输入和输出由同一神经网络处理，可实现跨文本、视觉和音频端到端实时推理，模型响应延迟缩短至232ms，平均响应延迟为320ms，接近人类日常对话的反应时间；多模态交互能力优越，能够接受文本、音频和图像的“混合”输入，快速响应完成推理。2）价格减半，模型能效翻倍提升：与GPT-4Turbo相比，GPT-4oAPI在推理速率提升2倍、单位时间调用次数提升5倍的同时，价格减半。3）免注册免费开放使用，功能多元化：用户无需注册即可免费使用全部功能，包括：体验GPT-4级别的智能；由模型或网络抓取生成答案；分析数据并创建图表；解析所上传的照片；帮助总结、生成或分析所上传的文件；使用GPTs及GPT商店；使用模型的“Memory”（记忆）功能。但免费用户在消息数量上存在限制，超过限制后将被切换回GPT-3.5。4）情感交互及语言能力再升级：GPT-4o展现出对人类交流习惯的高度理解力和适应性，可准确识别和响应人类情绪，并提供更具情感、个性化的回应。另外，GPT-4o在50多种语言（可覆盖约全球97%的人口）中的处理速度及质量提升，实时翻译功能可助力不同语言使用者交流。

图43：GPT-4o 文本指标对比

资料来源：OpenAI官网，中国银河证券研究院

图44：GPT-4o 语音识别技术对比

资料来源：OpenAI官网，中国银河证券研究院

此外，macOS无缝集成ChatGPT，UI界面优化：OpenAI推出适用于macOS的ChatGPT桌面应用程序，旨在将AI无缝集成至PC。使用键盘快捷键（Option+Space），即可向ChatGPT提问、在应用程序中截取屏幕截图并进行讨论。另外，公司为ChatGPT优化UI界面，新版本主屏幕及消息布局等更简洁且更具易用性。

GPT-4o发布预示着AIAgent新一轮竞争序幕即将拉开，叠加macOS桌面版ChatGPT集成，端侧AI革命在即，此外B端企业服务市场可能会因为GPT-4o的易用性和普惠性而迎来新的增长机遇。隔日，谷歌AI全线升级，全面对标OpenAI，有望带动下游应用及端侧AI。第六代TPU芯片Trillium的性能提升和能效比的改善，将加速AI模型的训练和推理过程，利好云、边、端AI全面升级，尤其端侧AI革命一触即发。

5月14日，谷歌于年度开发者大会Go0gleI/O上宣布了其AI系列更新，赋能端侧AI及AI应用集成。1）Gemini1.5Pro上下文窗口再突破，GeminiNano 赋能端侧设备：Gemini1.5Pro上下文窗口扩展至200万tokens，定价为3.5美元/100万tokens，提供35种语言；轻量级Gemini1.5Flash上下文窗口为100万tokens，定价为0.35美元/l00万tokens。GeminiNano 应用于端侧设备，可实现低延迟并保证隐私的无缝交互；今年晚些Nano 将接入TalkBack，可在安卓手机上为图像提供描述。最新开源大模型Gemma2参数量提升至27B，预计于今年6月发布。此外，谷歌推出人工智能助手Project Astra，目前仍处初期阶段，预计将在今年应用至GeminiLive。2）多模态大模型性能优化，全面提升竞争力：1、文生图大模型：Imagen3增添更丰富的细节以升级照片真实感，并优化自然语言理解能力。2、视频生成大模型：Veo 对标OpenAISora，能够根据文字、图片和视频的提示来生成高质量1080p视频，提供用户对光照、镜头语言、视频颜色风格等可自定义设置的功能。3、音乐生成大模型：Music AISandbox可根据文本提示生成声音，以增强音乐效果。3）Google SearchAI化，应用集成遍地开花：Google Search搜索引擎中加入“AI 概览”功能，可提供生成式汇总的答案，以简化搜索结果、提升搜索效率。另外，将GeminiNano整合至安卓系统，可处理文本、图像、音频和语音，同时保持设备信息的私密性；全面布局Gemini与应用程序集成，包括Google Photos、Google Maps、Gmail、GoogleMeetings 等均部署全新 AI功能。

（三）端侧应用孵化中，下游需求有望复苏

AI芯片迭代加速利好算力成本，大模型接入端侧设备提升AI多模态能力，AI推理将在手机、PC、汽车、XR、智能家居等新型终端上运行，提振B端AI产品及服务实力，面向行业开发多场景应用、优化AI交互体验感、增强工作自动化程度，从而提升工作效率；端侧AI将优化生成式AI的功能性及可用性，推动企业研发以全面化终端AI功能，拓展C端软件及硬件产品的多样性。目前，端侧应用处孵化阶段，下游需求有望复苏。

I.AI手机

终端智能化需求待开发，AI手机成C端落地第一场景，引发换机需求。C端需求仍处初级阶段，终端侧产品研发有望拓展并覆盖更多AI 智能设备产品品类、持续优化平台性能，并优先在 AI手机设备落地，进而引发换机需求。终端部署AI将提高终端设备易用性，并加强数据隐私及安全，降低开发者开发门槛。AI终端部署集成AI功能，可完成在不同智能设备上的应用，进而提升用户生活品质及工作效率，提振终端设备智能化需求。

三星GalaxyS24及S24+系列接入GalaxyAI，搭载高通骁龙8Gen3处理器，已落地多模态AI功能。功能可实现：1）在Google搜索中滚动或观看视频时，使用SPen 或手指圈出项目并获取直接Go0gle搜索结果；2）通话或发送短信时使用实时翻译功能；3）输入文字时获取实时语气建议，使文本更专业、更具对话性；4）优化笔记格式，使清晰、更易于查看；5）拍摄照片时通过光学变焦获得2倍、3倍、5倍或10倍特写镜头，以实现稳定拍摄，减少模糊。

图45：三星Galaxy S24系列优化笔记功能

资料来源：三星官网，中国银河证券研究院

图46：三星Galaxy S24系列通话实时翻译功能

资料来源：三星官网，中国银河证券研究院

据IDC，智能手机行业将在2024年复苏，全球出货量将同比增长4%至12.1亿部。增长主要由安卓手机推动，预计安卓的增长将明显快于iOS(苹果)的0.7%，达到4.8%。预计到2025年，经济持续复苏，增长率将为2.3%，随后在预测期内的其余时间将保持较低的个位数增长，五年复合年增长率为2.3%。另外，向5G网络的过渡仍是重要因素；2024年，5G 智能手机的增长率将达到近16%，2025年也将实现两位数的增长(+13.2%)，5G市场份额将从2024年的67.2%攀升至74.4%。随着 5G 在大多数发达市场的饱和，5G 在新兴市场的增长将在整个预测期内推动出货量发挥核心作用。

6月1O日，苹果其 Siri 助理将推出 AI 功能，可适用于iPhone、iPad 和 Mac。AppleIntelligence将深度集成到iOS18、iPadOS18和macOSSequoia中。ChatGPT集成预计将在今年晚些时候推出，而由 Apple Intelligence 提供支持的新 Siri功能将今年秋天在美国推出iOS 18的测试版。我们认为，苹果设备集成ChatGPT将具几大趋势：1）OS设备竞争力将增强：苹果宣布终端全面集成ChatGPT有望带动搭载苹果系统的设备需求复苏，设备需求趋向模型份额，扭转当前竞争劣势。2）OpenAI 有望迎来十亿级以上的增长：苹果 2024 财年第1 财季财报显示，包括iPhone、iPad、Mac 等，全球活跃的苹果设备数量超过 22 亿台，意味着此次合作将为 OpenAI带来十亿级以上的增长。2)设备门槛将促使换机率提升：苹果AppleIntelligence仅支持iPhone 15Pro 及以上设备，搭载 M1及更高配置芯片的 Mac。

图47：智能手机出货量及 ASP预测 (2022-2028)

资料来源：IDC官网，中国银河证券研究院

图48:苹果OS+AI

资料来源：苹果官网，中国银河证券研究院

II. AI PC

据IDC估算结果，在经历了两年的下滑之后，全球传统PC市场在2024年第一季度(1Q24)恢复增长，出货量为5980万台，同比增长1.5%。PC市场于2023年第一季度下滑28.7%，是PC历史上的最低点。此外，全球PC出货量已恢复至疫情前的水平，2024年第一季度的出货量与2019年第一季度的出货量持平，当时出货量为6050万台。AI有望持续助力PC 市场复苏。

图49：全球前五大 PC厂商出货量及市场份额 (2023Q1/2024Q1)

Company	1Q24 Shipments	1Q24 Market Share	1Q23 Shipments	1Q23 Market Share	1Q24/1Q23 Growth
1. Lenovo	13.7	23.0%	12.7	21.6%	7.8%
2. HP Inc	12.0	20.1%	12.0	20.4%	0.2%
3. Dell Technologies	9.3	15.5%	9.5	16.1%	-2.2%
4. Apple	4.8	8.1%	4.2	7.1%	14.6%
5. Acer Group*	3.7	6.2%	3.4	5.7%	9.2%
5. ASUs*	3.6	6.1%	3.8	6.4%	-4.5%
Others	12.6	21.1%	13.3	22.6%	-5.0%
Total	59.8	100.0%	58.9	100.0%	1.5%

资料来源：IDC官网，中国银河证券研究院

图50：全球前五大 PC厂商出货量及增长率 (2023Q1-2024Q1)

资料来源：IDC官网，中国银河证券研究院

III.XR设备

苹果宣布将于6月14日在中国、香港、日本和新加坡开启AppleVision Pro 预售，于6月28日正式发售。这款设备四个月前首次在美国上市，起价3499美元。在中国的售价最高，基础价格为人民币29,999元（约合4,190美元）。

国行VisionPro将面临政府对内容严格监管的挑战。一些在美国版VisionPro上流行的应用程序，如迪士尼+和亚马逊PrimeVideo，在中国不可用。为此，苹果公司宣布将与中国本地开发者和互联网公司合作，为AppleVisionPro开发新应用和游戏。腾讯将与苹果合作，将其一些主要应用程序引入visionOS，以便在VisionPro中使用。其中包括腾讯的流媒体应用程序和字节跳动推出的抖音VR版本。此外，苹果还需要面对中国本土VR技术竞争对手的挑战，例如众多消费电子制造商。

苹果此前预计2024年VisionPro 销量可达80万台，但受多重因素影响，VisionPro需求一反首次发售时的超预期,需求增速一路下滑，致使近期公司下调销量预期近50%。我们认为，美区VisionPro销量受限主要系:1)专为Vision Pro 设计的应用程序有限，用户兴趣下滑;2)相较 MetaQuest2等同类设备，VisionPro价格过高；3）VisionPro 面临电池组续航，以及过重而带来的佩戴舒适度问题等。此次，国行VisionPro引入腾讯应用程序，有望大幅降低其在中国区销售的难度，预计发售之初销量增速稳健。短期来看，Vision Pro的全球发售可能仍面临与美区相似的困境；但长期来看，VisionPro 应用程序的生态持续优化，有望突破当前需求瓶颈，提振换机需求，XR产业有望迎来加速；另外，VisionPro搭载 M2芯片，NPU16核可实现每秒15.8万亿次运算，苹果自研芯片及处理器将利好相关供应链及渠道服务商等。

图51：苹果Vision Pro 全球发售

资料来源：苹果官网，中国银河证券研究院

图52：苹果与腾讯视频、咪咕视频等合作

资料来源：苹果官网，中国银河证券研究院

IV.AI汽车

MeticulousMarket预测，到2027年，AI汽车复合年增长率将接近40%，至159亿美元。全球对联网汽车和语音和图像识别等智能技术的需求将持续增长，该行业将继续在汽车的设计、生产和使用中依赖人工智能和自动化。

汽车市场中的人工智能分为硬件、软件和服务，服务预计在2027年成为份额增长的主要部分。就市场份额而言，2019年软件主导了汽车AI，主要归因于学习分析的使用增多，车载助手的接受度增高，以及汽车行业对自动驾驶平台的需求增加；技术层面，对信号诊断、图像识别、语音识别、数据挖掘的需求以及汽车行业生成的非结构化数据的增加。然而，服务预计将在预测期内以最快的复合年增长率增长，计算机视觉在半自动驾驶汽车中的应用范围扩大，以解决分心/昏昏欲睡的驾驶问题,以及激光雷达传感器和摄像头的使用激增以避免车辆碰撞，并将在2027年成为市场份额的主要部分。主要由自动驾驶汽车、无线（OTA）软件服务、交通和地图服务、共享移动服务、远程维护服务、技术支持和培训服务、维护和支持服务、集成服务、性能测量服务和咨询服务的需求激增推动。近年系AI及机器学习得发展，对道路标志检测和行人保护系统等高级驾驶辅助系统（ADAS）的需求不断增长，图像识别过程预计将在预测期内以最快的复合年增长率增长。

六、AI+应用投资机会

（一）AI+医疗：AI药物研发和AI医学影像占比最高

全球AI医疗市场保持快速增长，AI药物研发和AI医学影像占比最高。根据GlobalMarketInsights报告，2022年全球AI医疗市场规模超过50亿美元，并预计将以超过29%的年均复合增速增长至2032年的700亿美元。细分子行业里，AI药物研发和AI医学影像占比最高，合计占比超过50%。预计2032年AI药物研发市场规模将超过205亿美元。

中国市场起步较晚，处于高速增长期，年增速超30%，AI药物研发和AI医学影像最具潜力。根据IQVIA数据，2021年中国AI医疗市场规模不足40亿元，主要以智慧病案、信息系统和CDSS（临床决策系统）等应用为主，而国外较成熟的AI药物研发和AI医学影像占比较低。据国家卫健委的数据，我国AI医疗市场规模预计到2025年将达到500亿元，显示出强劲的增长势头。未来10年，预计中国AI医疗市场将以超30%的年均复合增速增长，AI医学影像（超声、CT、X光、病理等）和AI药物研发将成为增长最快的细分市场。从2021-2023年中国AI医疗不同赛道融资情况来看，2023年融资数有大幅增长，AI影像、AI制药、AI信息化依次位列前三。

图53：2021-2023年中国 AI医疗不同赛道融资情况 (单位：件)

资料来源：动脉网，中国银河证券研究院

图54：智能医疗行业阶段年复合增长率

资料来源：沙利文《医疗智能行业白皮书》，中国银河证券研究院

1.国内外AI制药行业发展现状及主要参与者

目前药物发现和临床前研发阶段是AI制药的主要优化环节，尚未有经AI研发的新药上市。AI制药（AIDD）是指利用AI技术在药物研发、药物设计、药物筛选、临床试验和药物生产等各个环节中应用的制药领域。随着AI技术的发展，AI技术基本实现了药物研发与市场化全流程的覆盖，特别是在药物发现和临床前阶段取得了显著进展，可以减少时间和成本。药物发现和临床前研发阶段是AI制药的主要优化环节，也是AI制药企业主要的研发及商业化方向。尽管目前尚未有经 AI研发的新药上市，但AI制药行业已步入了概念验证期。截至2023年11月，全球处于临床阶段且保持活跃状态的AI参与研发的药物管线总计97项，超过一半的管线处于I期临床试验阶段，超过1/3的管线处于Ⅱ期临床试验阶段。未来，随着新药的获批上市，AI应用于新药研发的价值有望得到规模化验证。

图55：AI技术在药品全周期中的主要应用

资料来源：药融云，中国银河证券研究院

纵观AI 制药的发展历程，我们可以看到国内相比国外起步较晚，而且发展速度相对更慢。从全球范围来说，2012年至今是AI制药技术的高速发展期，该时期迎来了AI技术的“井喷式”发展，AI制药相关论文数量迎来“指数级”增长。一些关键节点事件：2012年，Exscientia注册成立，AI制药开始在全球萌芽。这与神经网络、机器学习等为主的人工智能技术快速发展密切相关，一些生物制药专家开始将其应用到药物研发领域。2014-2017年，行业处于技术积累的探索期，包括Exscientia、Atomwise、Recursion、英矽智能、晶泰科技等第一批成长起来的 AI+新药企业大多在这个时间段成立，该阶段主要是进行前期的技术积累与早期商业模式的探索，研究AI如何具体落地到新药研发的各环节，企业服务形式主要是提供新药研发特定环节的技术服务。2020 年11月30日，谷歌DeepMind 提出的深度学习算法「Alphafold」破解了困扰医学专家五十年之久的蛋白质分子折叠问题。2021年4月，Exscientia宣布世界首款基于AI设计的创新药物进入临床试验阶段。与此同时，欧美十余家AI 制药企业IPO成功，包括但不限于RecursionPharmaceuticals、Relay Therapeutics、Erasca、Insilico Medicine、AbCellera、Exscientia等。

2020年是中国AI制药元年。2021年开始，中国AI制药爆发式增长。据冰鉴科技研究院不完全统计，2020 年之前，全国还不到10家AI制药企业；2021年，国内至少有六十多家 AI制药企业成立或制药公司将业务拓展到AI制药领域，数十家AI制药企业获得天使轮或者A轮融资，数家企业获得B轮及以上轮次融资。2020年全年，国内AI制药的投融资额超过31亿人民币，同比增长近7倍。2021年，更是达到百亿以上规模。从2022年二季度开始，国内AI制药企业开始有创新药物获得中国国家药品监督管理局药品审评中心临床试验默示许可；目前，锐格医药、英矽智能、红云生物和湃隆生物四款创新药物研发进度最快，已进入临床二期。

图56：国内外AI制药技术发展历程

资料来源：药融云，中国银河证券研究院

自2022年以来，受经济环境影响，叠加AI制药相关产品临床试验进展受阻，全球AI制药融资金额呈下降趋势，行业进入出清阶段。正如上文所说，2021年AI制药是全球投资热点，全球行业融资金额达历史高点，超过290亿美元。2022年以来，受资本环境影响，行业投资“热潮”已经有所退却，回落至相对稳定水平，预计融资金额将处于下行水平。AI制药资金回报周期长，全球投资者偏好选择成长期（69.4%）和初创期（19.2%）企业，中国投资者选择初创期、成长期、成熟期的比例分别为33.1%，42.6%，23.9%。目前国内已有多家公司面临两年及以上的融资空窗期，没有达成任何商业合作。2023年上半年，中国仅有9家AI药企拿到新一轮融资，多家公司面临现金流危机，中国AI制药行业进入出清阶段。

由于尚无AI研发的药物成功上市，全球上市的AI制药公司营收均较低，在此背景下行业寻求不同的商业模式来提升现金流。尽管全球已有多款AI研发药物进入临床，且最高进展已到临床三期，但是大部分进入临床后失败，目前尚无AI研发的药物成功上市。因此，全球上市的AI制药公司，从业绩上讲，盈利能力较低，年度营收过亿的企业仅有2家。

图57：2018-2023年国内外AI制药融资情况

资料来源：药融云，中国银河证券研究院

图58：全球AI制药上市公司营收情况

企业名称	上市时间	技术领域	上市地区	临床管线临床管线数量治疗领域		2022年营收（亿美元）
AbCellcraBiologies	2020年12月	抗体药物发现、药物筛选	美国	AI-CRO		4.85
AbsciCorp	2021年7月	分子生成与优化（SoluPro）	美国	AI-CRO		0.06
Benevolent Al	2022年4月	靶点发现、分子生成与优化(Benevolent Platform)	荷兰	1	特异性皮炎（已宣布失败）	0.21
C4X Discovery	2007年1月	基于基因组的靶点发现（Taxonomy3）、分子生成与优化（Conformetrix）	英国	1	神经系统疾病	0.04
Exscientia	2021年10月	靶点发现、分子生成与优化、ADMET性质预测、临床预测(CentaurAl)	美国	5	肿瘤神经系统疾病炎症	0.27
Erasca	2021年7月	药物发现（OPRA）	美国	4	肿瘤（临床管线为引进）	0.09
Evaxion Biotech	2021年2月	癌症个性化治疗靶点发现（ObsERV)	美国	2	肿瘤	-
Icosavax	2021年7月	蛋白质分子设计	美国	3	疫苗	0.01
Landos Biopharma	2021年2月	靶点发现、精准医疗（LANCE）	美国	1	克罗思病	-
RecursionPharmaccuticals	2021年4月	靶点发现、表型筛选（RecursionOperating System)	美国	4	肿瘤微生物感染	0.40
RelayTherapeutics	2020年7月	分子动力学模拟、药物筛选(ZebiAI)	美国	3	肿瘤	0.01
Roivant Sciences	2021年10月	分子动力学模拟、蛋白质降解深度学习模型	美国	1	炎症	0.55
Schrodlinger	2020年2月	分子动力学模拟、分子生成与优化、性质预测	美国	1	肿瘤	1.81
ValoHealth	2021年6月	靶点（生物标记物）发现、药物筛选、分子优化、临床预测（OpalPlatform)	美国	3	肿瘤、心血管疾病	-

资料来源：药融云，中国银河证券研究院

AI制药行业目前商业模式主要分为：

1）AI制药相关软件销售/技术平台授权：该模式毛利率极高，但技术门槛高且集聚效应强，少数头部企业几乎实现垄断，通过该模式实现盈利企业数量较少，如 Schrodinger;

2）AICRO模式：转移研发风险，提供医药研发外包服务，收取授权费。相较于创新药物研发,变现难度相对低，回款周期较短，是多数企业的选择，如 AbCellera Biologics;

3）AIBiotech 模式：AI 制药公司开发自己的药物管线，类似于传统的生物技术公司，利用AI技术进行药物的自主研发，并通过临床试验推进药物的上市进程;

4）专利/项目转让：通常采取里程碑式付款，目前首付款比例有下降的趋势；

目前市场中大部分的AI制药初创企业的商业模式介于AIBiotech和AICRO之间，即拥有自研管线且提供CRO服务的“复合型”商业模式。近年来，越来越多在AI制药领域有所布局的传统药企和CRO企业选择与头部AI制药初创企业合作，旨在最大程度节省研发成本，利用双方优势提升新药研发效率。2023年以来，中国AI制药企业跨国管线授权增多，合作和出海或为新的发展机遇。可重点关注已经有药品进入临床二期实验的公司以及与全球大型药企合作的公司，如天演药业、英矽智能、百图生科、晶泰科技、锐格医药、红云生物和湃隆生物等。

图59：国内AI制药初创企业与全球大型药企合作

企业名称	合作企业名称	交易/合作时间	交易合作内容	潜在交易金额	预付款
赛诺菲	天演药业	2022年3月	利用 AI技术设计并开发4种单抗/双抗药物	25亿美元	1750万美元
	英矽智能	2022年11月	达成战略研发合作	12亿美元	2150万美元
	百图生科	2023年10月	基于百图生科生命科学大模型，合作开发生物药物发现新模型	10亿+美元	1000万美元
礼来	晶泰科技	2023年5月	晶泰科技利用其特有的小分子药物发现平台研发首创新药，填补未满足的临床用药需求	2.5亿美元	一
Exelixis	英矽智能	2023年9月	USP1 抑制剂 ISM3091全球独家许可协议	一	8000万美元

资料来源：药融云，中国银河证券研究院

2.国内外AI医学影像行业发展现状及主要参与者

在经历约10年的发展后，AI医学影像行业已经进入到产品优化阶段。与AI制药相比，AI影像行业发展更成熟，增速更快。人口老龄化给医学影像资源带来很大压力，根据数据统计，目前我国医学影像数据年增速30%，而影像科医生年增速仅为4%。因此，政策支持国产医学影像设备和 AI产品的落地应用，当前已有70个AI医学影像产品获得了三类证。在经历约10年的发展后，AI医学影像行业已经进入到产品优化阶段，根据亿欧智库发布的数据，有45.9%的影像科医生认为当前AI医学影像产品中实际可应用的较少，并有43.1%的影像科医生认为当前AI医学影像产品不能很好地嵌入现有医学影像诊断流程，因此，AI医学影像产品在功能拓展和优化上仍有较大提升空间。

2023年AI医学影像市场规模为24亿元,2030年将达到137.4亿元,年复合增长率为33.8%。

现阶段，AI医学影像在医院内、医院外以及出海等渠道均有商业落地产品，随着生态路线的逐渐建立，未来 AI医学影像市场规模将迎来高速增长。根据亿欧智库发布的数据，2023年 AI医学影像市场规模为24亿元，2030年将达到137.4亿元，年复合增长率为33.8%。2024年AI医学影像渗透率预计为30%-40%，目前我国医学影像设备人均保有量（台/百万人）与美国、日本仍相差4-5倍，未来随着人均医学影像设备保有量的提升，AI医学影像产品的渗透率将有更大的发展空间。

图60：中国AI影像行业发展阶段

资料来源：亿欧智库，中国银河证券研究院

图61：2022-2030 年中国 AI影像市场规模及增速 (单位：亿元)

资料来源：亿欧智库，中国银河证券研究院

AI医学影像的辅助诊断广度不断拓展，同时应用场景已向治疗延伸。器械三类证是AI医学影像的转入门槛。截至2023年7月5日，NMPA共批准了70个三类证，从诊疗流程上涵盖了辅助诊断以及辅助治疗两大类，其中辅助诊断包含了冠脉、肺结节、骨折/骨龄以及眼底等部位；辅助治疗主要包含了放射治疗的相关产品。由于AI技术在识别复杂的血管环境上具有一定优势，因此其在头颈、冠脉部位拥有广泛的应用场景，根据数据显示，截至2023年7月，共有13个AI+冠脉产品和6个AI+颅内/头颈产品获得了三类证，近两年获证速度高于其他部位。2022-2023年，AI+放射治疗产品集中获证，AI医学影像应用场景向治疗延伸。2022-2023年，共有4款AI+内窥镜产品密集拿证。AI医学影像辅助诊断广度有所拓展。

图62：2020-2023年7月AI医学影像三类证的类型

资料来源：亿欧智库，中国银河证券研究院

政策推动AI医学影像云服务落地，AI医学影像商业模式多样化，产业链多方合作构建解决方案，促进行业良性循环。当前已有多个省份提供了数字影像服务，患者可选择在影像云上储存自己的影像结果并支付20元左右的金额。影像云服务的应用落地，为远程阅片提供了良好的基础，同时在阅片终端使用AI医学影像产品能够有效降低漏诊率，帮助影像科医生减负。AI医学影像产品的落地场景包括三甲医院、体检中心、社区医疗中心、康复医疗机构、远程医疗等等，目前主要盈利模式是医学影像设备厂商或代理商与AI医学影像企业结算，或者AI医学影像企业直接与医院进行结算，少部分是医院按照使用次数与AI医学影像企业进行结算。

在AI医学影像行业初期阶段，医疗机构和科技公司主要关注开发和推出针对特定医学影像任务的人工智能产品。然而，随着 AI技术的不断发展和医学影像数据的不断积累，需求已经不局限于单一产品，而是解决方案。AI医学影像企业、医学影像设备厂商、医疗机构多方合作，形成多个生态圈，共同构建解决方案，促进行业良性循环。比如，鹰瞳科技选择的是消费者端AI医学影像生态圈，目标是基层医疗机构和院外消费市场，因此合作伙伴数量较多。鹰瞳科技的产品已经被广泛应用于400多家医疗机构、28个省份的保险公司、140多家体育场馆和950多家眼科诊所，为广大消费者提供优质的服务。

图63：AI影像产业链图谱

资料来源：亿欧智库，中国银河证券研究院

图64：多种产业链合作模式构建解决方案

资料来源：亿欧智库，中国银河证券研究院

AI医学影像行业产品落地相对容易，并且商业模式多样化，下游需求较好，预计行业未来仍将保持高速发展。我们建议关注其中拿到三类证数量top6的企业：数坤科技、深睿医疗、联影智能、推想医疗、腾讯医疗健康、博动医疗。

图65：国内获得AI医学影像三类证数量 top6的企业

企业名称	国内三类证数量/海外拿证数量	涵盖类型
树坤科技	8/2个美国FDA 认证和4个欧盟 MDR CE认证	肺结节、肺炎、骨折、冠脉、颅内、头颈
深睿	8	肺结节、肺炎、骨折、骨龄、冠脉、乳腺
联影智能	5/1个美国FDA认证和1个欧盟CE认证	放射治疗、肺结节、肺炎骨折、颅内
推想医疗	4/1个美国FDA 认证和2个欧盟CE认证和1个日本 PMDA认证	肺结节、肺炎、骨折、颅内
腾讯医疗健康	3	肺炎、结肠、眼底
博动医疗	3/4款产品获得欧盟CE认证	冠脉

资料来源：亿欧智库，中国银河证券研究院

（二）AI+教育：AI对教育生态颠覆效应刚刚开始

ChatGPT 带来的大模型时代，将深入影响学校生态、教育教学改革、教学评价、教师发展等各个层面。随着大模型发展和落地，可以实现“因材施教”、“个性化学习”等教育最为核心的

需求，从而给教育行业带来“质变”。

人工智能技术在教育领域的应用场景广阔，可大致分为四个层面：1）知识内容检索。AI 可以帮助学生快速检索相关知识内容，满足对知识点查询的需求。这一应用场景知识密度要求较高，但对学生思维引导性较弱；2）语言学习。AI可以评估和纠正学生的口语、写作等语言表达能力。这一应用在通用智能达到一定阈值后即可实现，知识密度要求不高，但对学生思维起到部分引导作用。3）内容生成。AI可以根据教材和课程设置自动生成相关学习内容，如生成习题、案例分析等。这一应用知识密度需求不高，但对思维引导性要求增加。4）灵感索引。灵感索引是“因材施教”的关键，也是传统教育中老师较难被替代的环节，例如，在学生若干结题步骤中精准定位出错点，判断思维误区，进行正确引导。

图66：AI在教育领域应用场景

资料来源：艾瑞咨询，中国银河证券研究院

图67：2003 年至 2022年国家教育公共财政支出（亿元)

资料来源：Wind，中国银河证券研究院

教育投入长期以来是公共财政第一大支出。2018年一2022年，国家财政性教育经费累计投入21.4万亿元，年均增长7%，占国内生产总值的比例连续11年保持在4%以上。

（三）AI+金融：场景数据质量高，货币化能力强

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。BloombergGPTLLM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16：Bloomberg 在金融权益类测试中较大模型表现更优

	BloombergGPT	GPT-NeoX	OPT66B	Blooml76B
EquityNews	79.63	14.17	20.98	19.96
EquitySocialMedia	72.4	66.48	71.36	68.04
EquityTranscript	65.06	25.08	37.58	34.82
ESNews	46.12	26.99	31.44	28.07
CountryNews	49.14	13.45	17.41	16.06
AllTas(avg)	62.47	29.23	35.76	33.39
AllTasks(WR)	1.00	0.00	0.67	0.33

资料来源：Bloomberg，中国银河证券研究院

国内，2023年9月18日，首个金融行业大模型标准发布。信通院牵头，联合腾讯云、奇富科技、科大讯飞等四十多家企业共同编制的《面向行业的大规模预训练模型技术和应用评估方法第1部分：金融大模型》正式发布。该标准主要涵盖了金融大模型的关键能力要求，包括场景适配度、能力支持度和应用成熟度三大方面，覆盖了投资研究、投资顾问、风险管理、市场营销、客户服务等多个金融应用场景，并详细规定了金融大模型在数据合规性、可追溯性、私有化部署、风险控制等方面的要求。为大模型在金融领域的应用提供了一定的指导，在金融行业的合规可信方面提供保障，有望加速行业应用落地。

5月25日，蚂蚁集团宣布开源多智能体框架agentUniverse，作为行业首个开源的金融领域多智能体技术框架，可助开发者加快大模型落地。agentUniverse可通过在金融科技等领域，快速、高效地调用任何一种大模型的能力，帮助开发者以构建最终的应用产品。该技术框架首次引入专家知识框架机制，可以更好适配更多复杂应用场景、多个智能体之间的合作，以实现智能化，并能自主进行迭代优化。对于金融行业，往往需多层次的分析拆解与分步执行以深度分析场景，例如事件解读、宏观分析、可行性分析等，需要智能体联动协作执行。“PEER”通过计划（Planning）、执行（Executing）、表达（Expressing）、评价（Reviewing）四个不同职责的智能体，可实现对于复杂问题的多步拆解、分步执行，并基于评价反馈进行自主迭代，最终提升推理分析类任务表现，是agentUniverse最具特色的多智能体协作模式组件。

国内各厂商陆续发布并迭代金融大模型，应用加速落地。

同花顺：1月2 日，同花顺宣布推出问财 HithinkGPT金融大模型，采用 Transformer 的Decoder-only架构，提供7B、13B、30B、70B和130B五种版本选择，允许最大32k文本输入，且支持API接口调用、网页嵌入、共建、私有化部署等能力，为用户提供一站式标注和评测服务。目前，问财HithinkGPT大模型的内测申请已经启动。此外，同花顺投顾对话机器人一同花顺问财现基于HithinkGPT成功升级，是国内金融领域首个应用大模型技术的智能投顾产品。通用领域，HithinkGPT 大模型在 C-Eval、GSM8K、MMLU、MATH等10多个主流Benchmark 测评集上的表现全面超越Llama-2。金融领域中，同花顺自建HithinkFinEval数据集，涵盖证券从业考试、基金从业考试、会计师资格考试、CPA、CFA 等17个金融行业考试，问财HithinkGPT-70B大模型以平均75.9分的优异成绩通过考试,并且HithinkGPT在所有考试科目中都比开源模型更加优秀。除问答机器人外，同花顺还以iFinD为载体，提供飞研创作、灵动看板、绘图、纪要、文档智读、AI识图洞见数据、翻译等服务。

东方财富：1月11日，东方财富公司旗下自主研发的妙想金融大模型开启内测。妙想金融大模型使用 Transformer的Decoder-only 架构，支持32K上下文长度，可满足各类金融场景下的需求。公司自建数据治理和数据实验流程，结合效果预估算法、高效预训练框架、SFT、RLHF训练等技术，具自主研发的技术壁垒。妙想金融大模型已覆盖7B、13B、34B、66B及104B，可分别适配不同的应用场景，提升模型应用的效费比。妙想大模型储备的高质量可用数据超4万亿，其中金融语料1.2万亿，涵盖行情、财务、资金、百科、资讯、公告、研报、问董秘等数十个维度、上万种数据品类，每月高质量数据以几千亿token 稳定增长。妙想大模型布局投研、投顾、投教、投资等核心金融场景，针对资讯、数据、研究、交易、交流等用户场景痛点，提供数据查询、信息搜索、事件解读、等数百种场景解决方案，并对智能问答和智能投研场景进行了个性化的功能设计。

图68：秒想大模型对比ChatGPT综合能力

资料来源：OpenFinData测评数据集，中国银河证券研究院

图69：秒想大模型对比ChatGPT细分场景能力

资料来源：OpenFinData测评数据集，中国银河证券研究院

恒生电子：2023年6月，恒生电子发布金融行业大模型LightGPT以及金融智能助手光子、基于大模型技术升级的投研平台WarrenQ。目前公司已发布基于LightGPT打造的四款光子产品:面向投顾创作的光子·文曲、面向合规管理的光子·方圆、面向投顾咨询的光子·善策和面向运营管理的光子·慧营。2024年4月，恒生LightGPT金融领域文本生成类算法已通过国家互联网信息办公室发布第五批境内深度合成服务算法备案信息。同时，恒生旗下子公司恒生聚源的 Gil-GPT 大模型算法也同批次通过备案，该算法主要应用于金融资讯信息对话生成场景。

华为：2023年9月，华为全联接大会“智领睿变，共建数智金融未来”金融峰会成功举办。会上，华为发布金融大模型解决方案，包括场景层、模型层、底座层三层。以高质量的数据为基础，通过三层方案加速创新生产力、跃升智力、澎湃算力三力协同，逐步实现场景的价值落地、体系构建、能力固化。

百度：3月11日，度小满宣布“轩辕”系列金融大模型新增开源6B、13B、70B三种参数12款金融大模型，覆盖了从小规模应用到需要深度分析和复杂处理的场景。更重要的是，这些模型完全开源，开发者可以在GitHub、HuggingFace、ModelScope等平台轻松获取并使用这些模型。“轩辕”系列的模型在用户信息分析、业务数据洞察等金融实际任务评测中显示出优异的性能，能达到自身2倍甚至5倍参数量的模型水平，意味着即使是较小参数的模型也能实现高性能，这对于资源有限的场景尤为重要。70B及以上的模型适用于需要深度分析和复杂指令执行的场景，而更小的6B、13B模型则适合对响应速度有高要求的小规模场景和单任务应用。这种设计的灵活性使得“轩辕”模型可以广泛应用于金融行业的各种需求。“轩辕”6B-4-bit量化Chat模型具有低推理部署成本，这进一步降低了大模型的应用门槛，使得中小企业也能够利用这些先进技术来提升服务质量和效率。在FinanceIQ大模型金融自动评测集中，“轩辕”模型在多项金融领域考试中展示了金融领域专家的水平，这证明了其在金融领域的专业性和实用性。

科大讯飞：2023年10月，科大讯飞于1024开发者节智慧金融论坛上发布星火金融行业大模型V1.0及场景应用最新成果此次星火金融大模型V1.0具备金融知识问答、金融文本理解、金融内容生成、金融会话分析、金融数据分析、金融数学计算、金融逻辑推理七大核心能力。该大模型已与知识运营、客户服务、人机协同、APP交互、营销展业、软件研发等行业细分场景深度融合，并已孵化出星火智能客服、大模型坐席助手、大模型知识库、金融 APP助手、金融展业助手、智能编程助手等产品应用。

宇信科技：2023年10月，公司推出大模型应用产品和解决方案，包括4个应用级产品和一个开发平台一开发助手 CodePal、金融数据安全分级分类助手DataSherpa、AI+信贷助手、AI+营销助手以及大模型应用开发平台。本次发布的了5个产品及解决方案：（1）开发助手CodePal基于开源编程大模型，为金融软件开发人员提供代码补全、自动化bug 检测等功能，能够有效加速软件开发流程。（2）金融数据全分级分类助手DataSherpa主要面向数据资产管理人员，能够快读理解监管指南要求，输出标准化的定级结果。目前该产品分类准确率超过95%，效率较人工提升10倍。（3)AI+尽调助手是面向信贷客户经理的客户尽调辅助工具，能够辅助了解对公信贷客户，提供客户资料收集、智能核验、风险分析、尽调报告生成等功能。目前该产品的财报数据准确率达95%以上，报告生成可接受率达85%以上，能帮助客户经理提升60%以上的效能，降低处理成本。（4）AI+营销助手是面向零售客户的营销精细化运营工具，具有外呼、呼入、人机协同、虚拟坐席等功能，适用于客户拉新、产品推荐、促活回访等营销场景。相较纯人工服务，该产品可节约80%的时间，同时转化率也提高了10+倍，产能提高3倍以上。（5）大模型应用开发平台预置了知识库问答、报告生成、会议纪要等应用场景，支持以 Agent为中心的应用开发新范式，能够帮助企业用户以较佳的体验快速实现大模型应用场景落地，提高开发效率，降低开发成本。除了目前已经发布的5个产品之外，公司未来还规划发布信贷助手、监管合规助手、经营分析助手等产品。其中信贷助手预计覆盖资产保全、信贷申请手里、审查审批、贷后管理及催收等。

金证股份：5月31日，金证股份与循环智能就“大模型在金融行业垂直领域应用”举行深度合作签约仪式。循环智能是Kimi智能助手所属公司MoonshotAI(“月之暗面”)的创始股东，专注于行业大模型和会话智能解决方案，具备强大的技术实力和在金融行业实践的案例经验。合作重点关注证券公司、基金公司、信托公司、银行理财子公司等金融机构，针对这些机构的特殊需求提供服务。合作将围绕投资银行、风险管理、投资顾问、客户运营、投资研究、IT运维等多个业务场景展开，旨在通过大模型和技术的应用，提升这些场景的业务效能和创新能力。

表17：国内金融大模型进展

厂商	AI应用方向及进展
	2023年6月,恒生电子发布金融行业大模型LightGPT 以及金融智能助手光子、基于大模型技术升级的投研平台WarrenQ。
	目前公司已发布基于LightGPT打造的四款光子产品:面向投顾创作的光子·文曲、面向合规管理的光子·方圆、面向投顾咨询
恒生电子	的光子·善策和面向运营管理的光子·慧营。2024年4月，恒生LightGPT金融领域文本生成类算法已通过国家互联网信息办
	公室发布第五批境内深度合成服务算法备案信息。同时，恒生旗下子公司恒生聚源的Gil-GPT大模型算法也同批次通过备案，该算法主要应用于金融资讯信息对话生成场景。
同花顺	1月2日，同花顺宣布推出问财 HithinkGPT 金融大模型，采用Transformer的Decoder-only 架构，提供7B、13B、30B、70B和130B五种版本选择，允许最大32k 文本输入，且支持 API 接口调用、网页嵌入、共建、私有化部署等能力,为用户提供一站式标注和评测服务。通用领域，HithinkGPT 大模型在C-Eval、GSM8K、MMLU、MATH等10多个主流Benchmark 测评集上的表现全面超越Llama-2。金融领域中，同花顺自建HithinkFinEval数据集，涵盖证券从业考试、基金从业考试、会计师资格考试、CPA、CFA 等17个金融行业考试，问财HithinkGPT-70B大模型以平均75.9分的优异成绩通过考试。
东方财富	1月11日，东方财富公司旗下自主研发的妙想金融大模型开启内测。妙想金融大模型使用 Transformer的Decoder-only架构，支持32K上下文长度，可满足各类金融场景下的需求。公司自建数据治理和数据实验流程，结合效果预估算法、高效预训练框架、SFT、RLHF 训练等技术，具自主研发的技术壁垒。妙想金融大模型已覆盖7B、13B、34B、66B及104B,可分别适配不同的应用场景，提升模型应用的效费比。布局投研、投顾、投教、投资等核心金融场景，针对资讯、数据、研究、交易、交流等用户场景痛点，提供数据查询、信息搜索、事件解读、等数百种场景解决方案。
华为	2023年9月，华为全联接大会“智领睿变，共建数智金融未来”金融峰会成功举办。会上，华为发布金融大模型解决方案,包括场景层、模型层、底座层三层。以高质量的数据为基础，通过三层方案加速创新生产力、跃升智力、澎湃算力三力协同,逐步实现场景的价值落地、体系构建、能力固化。
百度	3月11日，度小满宣布“轩辕”系列金融大模型新增开源6B、13B、70B三种参数12款金融大模型，覆盖了从小规模应用到需要深度分析和复杂处理的场景。更重要的是，这些模型完全开源,开发者可以在GitHub、HuggingFace、Model Scope等平台轻松获取并使用这些模型。“轩辕”系列的模型在用户信息分析、业务数据洞察等金融实际任务评测中显示出优异的性能，能达到自身2倍甚至5倍参数量的模型水平。“轩辕”6B-4-bit 量化Chat 模型具有低推理部署成本；在 FinanceIQ大模型金融自动评测集中，“轩辕”模型在多项金融领域考试中展示了金融领域专家的水平。
科大讯飞	2023 年10月，科大讯飞于1024开发者节智慧金融论坛上发布星火金融行业大模型V1.0及场景应用最新成果此次星火金融大模型V1.0具备金融知识问答、金融文本理解、金融内容生成、金融会话分析、金融数据分析、金融数学计算、金融逻辑推理七大核心能力。该大模型已与知识运营、客户服务、人机协同、APP交互、营销展业、软件研发等行业细分场景深度融合，并已孵化出星火智能客服、大模型坐席助手、大模型知识库、金融 APP 助手、金融展业助手、智能编程助手等产品应用。
宇信科技	2023 年10月，公司推出大模型应用产品和解决方案，包括4个应用级产品和一个开发平台一开发助手CodePal、金融数据安全分级分类助手 DataSherpa、AI+信贷助手、AI+营销助手以及大模型应用开发平台。
金证股份	5月31日，金证股份与循环智能就“大模型在金融行业垂直领域应用”举行深度合作签约仪式。合作将围绕投资银行、风险管理、投资顾问、客户运营、投资研究、IT运维等多个业务场景展开，旨在通过大模型和技术的应用，提升这些场景的业务效能和创新能力。

资料来源：各公司官网，中国银河证券研究院

表18：国内金融大模型主要应用场景

	智能客服/问答/投顾	运营辅助/管理	数据分析	智能营销	内容创作	合规与风险管理
恒生电子	√	√			√	√
同花顺	√	√			√
东方财富	√		√	√	√
科大讯飞	√		√	√	√
宇信科技	√	√		√	√
华为	√	√	√		√	√
百度	√	√	√		√	√
金证股份	√	√				√

资料来源：Bloomberg，中国银河证券研究院

（四）AI+工业：各领域大模型相继发布，AI赋能工业未来可期

AI大模型在工业领域的应用仍处于探索阶段，主要有以下原因：

第一，工业领域对安全生产的要求极高。目前生成式AI技术通过预训练学习后推理出“合理”的答案，这个答案可能存在逻辑上的漏洞或者歪曲事实，对工业生产来说，这种小概率的错误可能引发宕机等生产事故。第二，目前的模型训练数据主要来源与文本、图像与视频，工业生产中的数据是非标准化的，并且各领域的生产流程、工业、产线、原材料等差异较大。

根据中关村智用人工智能研究院《产业大模型应用白皮书》，产业大模型主要有五项指标：（1)可控性：大模型需要实现预测、分类与检测的准确性，在应用过程中，需要保证其决策的透明度和可解释性，输出需要与社会的道德与法律标准保持一致与可控。（2）能力增强：产业大模型需要对工作流程拥有逻辑理解，包括对工厂数据、文本、图像的理解能力与输出能力，突出决策辅助的准确性。（3）安全性：需要保障工厂数据的安全与不可泄漏，具备抵挡外部黑客攻击的能力。（4）部署的可实施性：大模型与原有的软硬件系统需要兼容，并且能够低成本的进行维护。（5）算力的性价比：大模型所需的算力成本和投入需要与其产出相匹配。

图70：图解 AI产业大模型的五项指标

资料来源：中关村智用人工智能研究院《产业大模型应用白皮书》，中国银河证券研究院

生成式AI在工业领域主要通过大模型与行业小模型赋能。主要有几类赋能方式：可直接基于通用的大模型底座对行业进行赋能，例如通用型模型文心一言直接运用在工业企业运营流程中；此外,可将通用模型进行特定行业的调优，在原本的工业软件中台或者工业互联网平台以API接口的方式接入；或者在细分的特定生产场景进行针对性的模型开发。模型的表现形式主要有：通用的大语言模型的应用领域主要有工业通用知识的问答交互、或者协助开发人员进行一些文生文、视频、代码，提升工作效率；多模态大模型可以通过视觉等识别对现场设备进行分析诊断；具体任务型大模型在具体的功能方面有所侧重，比如图纸的设计与产品的规划研发。

图71：大模型赋能工业的核心方式与产品形态

资料来源：中国信通院，工业互联网产业联盟，中国银河证券研究院

各工业软件公司相继在大模型领域进行了探索，应用场景主要体现在：第一，在产品开发阶段，生成式AI可以在设计的图像与文本上进行辅助，能够压缩设计和迭代的过程。第二，AI大模型的代码能力可以协助软件工程师提升编程的效率，或者直接替代部分较为低端的代码环节。第三，AI 大模型可以辅助工厂的决策人员进行数据的追踪与分析。第四，大模型有望改变操作人员与现场机器的交互方式，通过自然语言的方式与机器进行“沟通”，降低操作的学习成本与门槛。

中控技术：中控技术于近期宣布将推出首个面向流程工业运行优化与设计的AI大模型，运用海量的生产运行、工艺、设备及质量数据，自主研发生成式AI算法架构（AIGC），基于工业多源数据进行融合训练，建立流程工业高泛化、高可靠的大模型，为客户提供 AI+安全、AI+质量、AI+效益、AI+低碳的智能化解决方案，或有望在流程工业的效率上实现革命性的突破。

鼎捷软件：鼎捷行业大模型平台为不同行业提供专业、个性化的AI服务和场景化、定制化解决方案，主要功能有创意写作、知识问答、智能客服、报告生成、推理预测和总结。此外，鼎捷开发了雅典娜ChatFile机器人，是一款基于鼎捷知识中台和GPT技术构建的企业级知识机器人，主要针对PDF，WORD，PPT，TXT，EXCEL 等非结构化文档做知识交互，实现快速、低成本构建企业知识问答系统。企业用户可通过ChatFile实现自然语言与知识间的交互，准确合规安全的获取及使用企业知识，提升员工工作效率及学习能力。

赛意信息：赛意信息与华为深度合作，携手华为盘古打造制造业大模型/AIGC中台。赛意 AIGC中台(善谋GPT)则是深度融合赛意信息在财税、人力、营销、供应链、研发与生产制造等领域知识的最佳实践。善谋GPT为企业提供了多种应用场景，包括数字员工（智能引导）、智能单据（智能辅助）、企业知识库（智能问答）、AI自动报价（智能报价）等。通过与企业现有的系统和数据集成，善谋GPT能够为企业提供更加个性化和智能化的服务，提高企业生产与经营管理效率。

索辰科技：索辰在AI的布局主要体现在它原有的仿真能力与机器人相结合。在工程设计、建模与仿真的领域中，生成式人工智能技术能够用于改进数据输入、创造场景、优化流程以及合成数据的生成。公司立足于精确的物理原理，在已有的CAE软件和新增的人型机器人等业务方向中利用生成式模型的最新进展，将生成式人工智能的使用作为开发和实施数字孪生技术的关键组成部分，并取得了一定的阶段性成果。目前，通过大语言模型进行仿真数据输入和仿真场景创建，结合生成式流程，能够实现从文本到仿真结果及最后的视频渲染。

汉得信息：发布汉得 AIGC 中台与燕千云 SaaS 服务，燕千云SaaS 服务平台基于汉得 HZERO原生态AIGC能力，对企业内部的IT服务、员工服务、客户服务进行场景重铸，并以低成本、短周期、低门槛部署解决方案，为企业提供更高效率、更好体验的“强IT”服务体系。

表19：工业软件厂商在AI的布局

工业软件厂商	相关AI布局
中控技术	中控技术于近期宣布将推出首个面向流程工业运行优化与设计的AI大模型，运用海量的生产运行、工艺、设备及质量数据，自主研发生成式AI算法架构（AIGC），基于工业多源数据进行融合训练，建立流程工业高泛化、高可靠的大模型，为客户提供AI+安全、AI+质量、AI+效益、AI+低碳的智能化解决方案，或有望在流程工业的效率上实现革命性的突破。
索辰科技	索辰在AI的布局主要体现在它原有的仿真能力与机器人相结合。在工程设计、建模与仿真的领域中，生成式人工智能技术能够用于改进数据输入、创造场景、优化流程以及合成数据的生成。公司立足于精确的物理原理，在已有的CAE软件和新增的人型机器人等业务方向中利用生成式模型的最新进展,将生成式人工智能的使用作为开发和实施数字孪生技术的关键组成部分。目前，通过大语言模型进行仿真数据输入和仿真场景创建，结合生成式流程，能够实现从文本到仿真结果及最后的视频渲染。
赛意信息	赛意信息与华为深度合作，携手华为盘古打造制造业大模型/AIGC 中台。赛意 AIGC 中台(善谋GPT)则是深度融合赛意信息在财税、人力、营销、供应链、研发与生产制造等领域知识的最佳实践。善谋GPT为企业提供了多种应用场景，包括数字员工（智能引导）、智能单据（智能辅助）、企业知识库（智能问答）、AI自动报价（智能报价）等。通过与企业现有的系统和数据集成，善谋GPT能够为企业提供更加个性化和智能化的服务，提高企业生产与经营管理效率。
鼎捷软件	鼎捷行业大模型平台为不同行业提供专业、个性化的AI服务和场景化、定制化解决方案，主要功能有创意写作、知识问答、智能客服、报告生成、推理预测和总结。此外，鼎捷开发了雅典娜ChatFile 机器人，是一款基于鼎捷知识中台和GPT技术构建的企业级知识机器人，主要针对 PDF，WORD，PPT，TXT，EXCEL 等非结构化文档做知识交互，实现快速、低成本构建企业知识问答系统。企业用户可通过ChatFile 实现自然语言与知识间的交互,准确合规安全的获取及使用企业知识，提升员工工作效率及学习能力。
汉得信息	发布汉得 AIGC 中台与燕千云 SaaS 服务，燕千云SaaS 服务平台基于汉得HZERO 原生态AIGC 能力，对企业内部的 IT 服务、员工服务、客户服务进行场景重铸，并以低成本、短周期、低门槛部署解决方案，为企业提供更高效率、更好体验的“强IT”服务体系。
赛意信息	赛意信息与华为深度合作，携手华为盘古打造制造业大模型/AIGC中台。赛意 AIGC 中台(善谋GPT)则是深度融合赛意信息在财税、人力、营销、供应链、研发与生产制造等领域知识的最佳实践。善谋GPT为企业提供了多种应用场景，包括数字员工（智能引导）、智能单据（智能辅助）、企业知识库（智能问答）、AI自动报价（智能报价）等。通过与企业现有的系统和数据集成，善谋GPT能够为企业提供更加个性化和智能化的服务，提高企业生产与经营管理效率。

资料来源：中控技术，索辰科技，赛意信息，鼎捷软件，汉得信息，中国银河证券研究院

七、投资建议与盈利预测

我们认为，在新“国九条”政策引领下，资本市场将迎来改革深化，下半年政策预期较强，推动科技股“乘势而上”，AI催化数字基建开启新周期，把握从云到端大机遇。建议布局兼具高成长性和确定性的投资机会，包括如技术出海、AI服务器、视频显控算法龙头、优质顺周期工业软件、边缘算力等龙头企业。具体如：1）算力基础设施厂商：工业富联、中科曙光、曙光数创、软通动力、拓维信息、神州数码、烽火通信；2）大模型及多模态厂商：科大讯飞、海康威视、拓尔思、大华股份、中科创达；3）数据资源持有商及运营商：易华录、超图软件、上海钢联、深桑达A、中科星图；4）AIPC：中科创达、华勤技术；5）智能驾驶：锐明技术；6）AI+金融：恒生电子、同花顺、财富趋势；7）AI+教育：科大讯飞；8）AI+医疗：嘉和美康、卫宁健康；9）AI+办公：金山办公、彩讯股份；10）AI+工业：中控技术、柏楚电子；11）AI+能源：国能日新等；12）边缘算力及出海：网宿科技等；13）其他低估值优质标的，如视频显控算法龙头诺瓦星云等。

表20：重点推荐公司及盈利预测

证券代码	证券简称	股价	EPS				PE				投资建议
证券代码	证券简称	6月20日	2023A	2024E	2025E	2026E	2023A	2024E	2025E	2026E
000032.SZ	深桑达A	15.34	0.29	0.40	0.50	0.63	73.12	38.27	30.71	24.21	推荐
000034.SZ	神州数码	23.00	1.79	1.64	2.00	2.37	17.09	14.00	11.50	9.70	推荐
002230.SZ	科大讯飞	42.10	0.28	0.38	0.52	0.65	163.40	110.39	81.69	64.69	推荐
002236.SZ	大华股份	15.80	2.31	1.17	1.39	1.60	8.26	13.48	11.37	9.88	推荐
002415.SZ	海康威视	31.65	1.52	1.70	1.97	2.27	22.96	18.57	16.03	13.95	推荐
002970.SZ	锐明技术	38.89	0.59	1.19	1.70	2.29	51.92	32.74	22.82	17.00	推荐
300017.SZ	网宿科技	8.38	0.25	0.27	0.32	0.38	31.21	31.41	26.14	21.85	推荐
300033.SZ	同花顺	110.69	2.61	3.05	3.54	4.04	60.13	36.29	31.27	27.41	推荐
300036.SZ	超图软件	14.50	0.31	0.60	0.79	0.98	67.71	24.24	18.27	14.85	推荐
300226.SZ	上海钢联	17.07	0.75	0.87	1.07	1.28	38.15	19.60	15.91	13.35	推荐
300229.SZ	拓尔思	13.62	0.05	0.31	0.42	0.51	367.70	43.83	32.14	26.52	推荐
300253.SZ	卫宁健康	6.02	0.17	0.25	0.34	0.42	43.23	23.64	17.94	14.21	推荐
300496.SZ	中科创达	50.19	1.02	1.31	1.70	2.09	78.98	38.39	29.57	24.04	推荐
300634.SZ	彩讯股份	17.43	0.73	0.86	1.07	1.32	28.23	20.30	16.34	13.19	推荐
301162.SZ	国能日新	44.04	0.85	1.10	1.45	1.81	61.12	40.08	30.41	24.28	推荐
301236.SZ	软通动力	40.84	0.56	0.82	1.10	1.28	82.46	49.67	37.00	31.87	推荐
301589.SZ	诺瓦星云	209.77	15.76	9.47	13.60	19.01	-	22.14	15.43	11.04	推荐
600570.SH	恒生电子	18.14	0.75	0.84	0.99	1.13	38.37	21.71	18.29	16.10	推荐
601138.SH	工业富联	28.61	1.06	1.40	1.67	1.89	14.28	20.49	17.15	15.15	推荐
603019.SH	中科曙光	40.97	1.26	1.58	1.92	2.27	31.48	25.99	21.31	18.08	推荐
603296.SH	华勤技术	57.19	3.97	2.85	3.33	3.81	21.38	20.05	17.17	15.02	推荐
688111.SH	金山办公	247.25	2.86	3.36	4.41	5.73	110.79	73.69	56.01	43.15	推荐
688188.SH	柏楚电子	192.82	4.99	4.73	6.30	8.43	50.81	40.78	30.63	22.86	推荐
688246.SH	嘉和美康	21.93	0.31	0.73	1.01	1.29	108.86	29.84	21.80	16.96	推荐
688318.SH	财富趋势	86.52	2.38	2.16	2.75	2.93	53.12	40.13	31.47	29.51	推荐
688475.SH	萤石网络	36.52	1.00	0.84	1.05	1.28	44.86	43.38	34.90	28.44	推荐
688568.SH	中科星图	48.93	0.94	1.31	1.80	2.46	52.48	37.29	27.13	19.93	推荐
688777.SH	中控技术	39.30	1.44	1.49	1.85	2.28	32.35	26.34	21.30	17.27	推荐
872808.BJ	曙光数创	39.52	0.52	0.71	0.92	1.16	72.84	55.72	43.14	34.04	推荐

资料来源：Wind，中国银河证券研究院

八、风险提示

技术研发进度不及预期风险；

供应链风险；

政策推进不及预期风险;

消费需求不及预期风险;

行业竞争加剧风险。

图表目录

图2: 年初至今计算机子行业涨跌幅（%) .············································································· ...4
图3:
图4: 计算机行业指数近10 年 PS(TTM)情况...
图5：计算机板块营业收入 (2020-2024Q1) ...5
图6: 计算机子行业年初至今营业收入(亿元)
图7: 计算机板块归母净利润（2020-2024Q1）
图8: 计算机子行业年初至今归母净利润 (亿元)
图9: 年初至今美股科技板块跑赢标普 500！ ...6
图10: 港股中概股科技板块波动较大.. ...6.
图11: 国内外大模型综合测评分排名（截至24年4月）
图12: 国内外领军大模型的文理能力对比.. ..10
图13: 国内大模型综合测评分排名（截至24年4月） .. 10
图14: 过去10个月国内大模型排名变化...
图15: 算力分类...
图16: 模型性能与计算量、模型参数、数据量呈幂指关系.. ....13
图17: 国产大模型应用领域分布（截至2023年7月）
图18: 国产大模型发布数量及预测（个) ..... .....15
图19: 中国智能算力规模及预测 (2021-2035)
图20: 中国算力产业结构及预测 (2021-2035) ....1.6
图21: 算力需求平均每3.43个月翻一倍，远超摩尔定律！ ..16
图22: GB200 NVL72采用纯铜连..
图23: GB200 NVL72相较 HGX H100 提升30倍推理速度（1.8T参数 GPT-MoE)
图24: GB200 NVL72相较HGXH100 提升4倍训练速度（1.8T参数GPT-MoE) ..19
图25: 中国 AI服务器市场规模及预....
图26: 中国AI服务器出货量及预测.. .·.··········································.············ ....21
图27: 中国AI服务器下游应用场景分布情况. .. 22
图28: 北美四大云厂商资本开支按季度 (单位：亿美元)
图29: 全球OEM服务器厂商营收增长率 (季度同比)
图30: 全球OEM 服务器厂商净利润增长率 (季度同比) .…. 23
图31: 全球OEM服务器厂商毛利率 (按季度)
图32: 全球OEM服务器厂商净利率 (按季度)
图 33：风冷与液冷散热能力对比.. .·.·························································· ....24
图34：制冷技术PUE对比 .26
图35：冷板式液冷服务器散热原理..
图36: 单相浸没式液冷服务器散热原理，
图37：2022年-2027年中国液冷服务器市场规模预测
图38: 数据要素政策制定脉络..
图39: 数据要素顶层管理机构的职能划分， .29
图40: “数据要素X”三年行动整体目标.
图41: MTIA v2和MTIAvl的技术规格对比图
图42: 面向中国的两款芯片技术规格...
图43: GPT-4o 文本指标对比..
图44: GPT-4o 语音识别技术对比..
图45: 三星Galaxy S24系列优化笔记功能，
图46: 三星Galaxy S24系列通话实时翻译功能.
图47: 智能手机出货量及ASP预测（2022-2028)
图48: 苹果 OS+AI...
图49：全球前五大 PC厂商出货量及市场份额 (2023Q1/2024Q1) ….36
图50: 全球前五大 PC厂商出货量及增长率 (2023Q1-2024Q1) ..36
图51: 苹果 Vision Pro 全球发售.. .37
图52: 苹果与腾讯视频、咪咕视频等合作... .:0.................................................................. ...37
图53: 2021-2023年中国AI医疗不同赛道融资情况（单位：件） ..38
图54: 智能医疗行业阶段年复合增长率. ..38
图55: AI技术在药品全周期中的主要应用
图56: 国内外AI制药技术发展历程.
图57: 2018-2023年国内外AI制药融资情况...
图58: 全球 AI制药上市公司营收情况...
图59: 国内AI制药初创企业与全球大型药企合作. ...41
图60: 中国AI影像行业发展阶段. ….42
图61: 2022-2030年中国AI影像市场规模及增速（单位：亿元）
图62: 2020-2023年7月AI医学影像三类证的类型.
图63: AI 影像产业链图谱..
图64: 多种产业链合作模式构建解决方案... ....43
图65:
图66: AI 在教育领域应用场景... **4
图67: 2003 年至2022年国家教育公共财政支出（亿元)
图68：秒想大模型对比 ChatGPT综合能力..
图69: 秒想大模型对比 ChatGPT细分场景能力....
图70: 图解 AI产业大模型的五项指标.. .49
图 71：大模型赋能工业的核心方式与产品形态.. ..50
表：重点公司盈利预测与估值 .2
表1：谷歌Gemini模型概.....
表2：国内外代表性大模型参数规模、数据集对比..
表3：不同大模型架构对比. .. 13
表4：不同模型训练一轮所需算力需求. .. 14
表5：AI主流芯片分类及特点. .. 17
表6：英伟达主流GPU性能参数对比！ .. 17
表7：英伟达GB200 NVL72与GB200主要参数对比 ...17
表8：近两年算力政策汇总. . 19
表9：国产主流AI芯片性能参数对比... .·.···············································································
表10：昇腾910B单卡部分参数优于英伟达H20.. .21
表11：全球OEM服务器厂商营收账款周转率（按季度） .23
表12：全球OEM 服务器厂商存货周转率 (按季度) .23
表13: 全国主要数据中心PUE要求.. .24
表14: 数据要素各地方政府相关政策 .29
表15: 苹果、高通芯片对比.... . 3
表16: Bloomberg在金融权益类测试中较大模型表现更优. 45
表17: 国内金融大模型进展.. .47
表18: 国内金融大模型主要应用场景 .48
表19：工业软件厂商在AI的布局. .51
表 20：重点推荐公司及盈利预测. 52

分析师承诺及简介

本人承诺以勤勉的执业态度，独立、客观地出具本报告，本报告清晰准确地反映本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与、未来也将不会与本报告的具体推荐或观点直接或间接相关。

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/科创板团队分析师，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。

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。

本报告版权归银河证券所有并保留最终解释权。

评级标准

评级标准		评级	说明
评级标准为报告发布日后的6到12个月行业指数（或公司股价）相对市场表现，其中：A股市场以沪深300指数为基准，新三板市场以三板成指	行业评级	推荐：	相对基准指数涨幅10%以上
		中性：	相对基准指数涨幅在-5%～10%之间
		回避：	相对基准指数跌幅5%以上
（针对协议转让标的）或三板做市指数（针对做市转让标的）为基准，北交所市场以北证50指数为基准，香港市场以恒生指数为基准。	公司评级	推荐：	相对基准指数涨幅20%以上
		谨慎推荐：	相对基准指数涨幅在5%～20%之间
		中性：	相对基准指数涨幅在-5%～5%之间
		回避：	相对基准指数跌幅5%以上

联系

中国银河证券股份有限公司研究院

深圳市福田区金田路3088号中洲大厦20层

上海浦东新区富城路99号震旦大厦31层

北京市丰台区西营街8号院1号楼青海金融大厦

公司网址：www.chinastock.com.cn

机构请致电：

深广地区：程曦0755-83471683 chengxi_yj@chinastock.com.cn

苏一耘0755-83479312 suyiyun_yj@chinastock.com.cn

上海地区: 陆韵如 021-60387901 luyunru_yj@chinastock.com.cn

李洋洋021-20252671 liyangyang_yj@chinastock.com.cn

北京地区：田薇010-80927721 tianwei@chinastock.com.cn

褚颖010-80927755 chuying-yj@chinastock.com.cn

AI催化数字基建新周期，把握云到端机遇—— 2024年计算机行业中期策略报告

AI催化数字基建新周期，把握从云到端机遇—2024年计算机行业中期策略报告

计算机行业

分析师

吴砚靖

邹文倩

李璐昕

相关研究

目录

一、行情回顾

二、全球大模型持续进化，第一轮价格战拉开帷幕

（一）全球主流大模型进化、对比分析

（二）基础大模型第一轮价格战拉开帷幕，利好应用侧加速落地

1.PC 革命（Personal Computer Revolution）:

2．智能手机革命（Smartphone Revolution）：

3．云计算（Cloud Computing）：

1．火山引擎（字节跳动旗下）：

2．阿里云：

3．百度智能云：

4.DeepSeek（深度求索）：

5．智谱AI:

三、智能算力需求爆发，AI催化数字基建新周期

（一）大模型驱动智能算力指数增长，供需缺口或将进一步扩大

（二）AI催化数字基建新周期，上游AI芯片核心受益

（三）北美云服务厂商资本开支指引向好，产业掀起新一轮军备竞赛

（四）全球OEM服务器厂商财务一览

（五）液冷未来机会明确，数据中心液冷从“可选”向“必选”演变

四、数据要素产业政策深化，行业加速发展

（一）国家数据局成立后，政策有的放矢

数据要素相关政策制定的脉络与重要性：

数据要素与数字经济的顶层政策制定机构与相关职能：

各个地方将围绕顶层设计进行一些具体实施层面政策的设计与执行。

（二）最新数据要素政策与相关投资机会解读

《数字中国建设2024年工作要点清单》

五、积极拥抱AI从“云”走向“端”的大机遇

（一）AI芯片再升级，各厂商角逐战如火如茶

（二）通用大模型趋于收敛，端侧部署预计加速

（三）端侧应用孵化中，下游需求有望复苏

I.AI手机

II. AI PC

III.XR设备

IV.AI汽车

六、AI+应用投资机会

（一）AI+医疗：AI药物研发和AI医学影像占比最高

1.国内外AI制药行业发展现状及主要参与者

AI制药行业目前商业模式主要分为：

2.国内外AI医学影像行业发展现状及主要参与者

（二）AI+教育：AI对教育生态颠覆效应刚刚开始

（三）AI+金融：场景数据质量高，货币化能力强

国内各厂商陆续发布并迭代金融大模型，应用加速落地。

（四）AI+工业：各领域大模型相继发布，AI赋能工业未来可期

七、投资建议与盈利预测

八、风险提示

图表目录

分析师承诺及简介

免责声明

评级标准

联系

2024年计算机行业中期策略报告：AI催化数字基建新周期，把握从云到端机遇-中国银河 听光Vic

2024年计算机行业中期策略报告：AI催化数字基建新周期，把握从云到端机遇-中国银河听光Vic