贾凯方前瞻研究分析师S1010522080001

前瞻研究全球人工智能AI行业系列报告7|2023.6.6

中信证券研究部

陈俊云
前瞻研究首席
分析师
S1010517080001
许英博
科技产业首席
分析师
S1010510120041

刘锐前瞻研究分析师S1010522110001

核心观点

北美云计算巨头正在积极拥抱这一轮 AI浪潮，AI能力融入亦将大概率对云厂商的基础设施、模型优化、应用&基础软件等领域带来中长期的增长动力。短期维度，我们判断，欧美企业自去年下半年以来的云成本支出优化正在接近尾声，北美云厂商收入增速有望在下半年重拾向上动能，同时随着海外科技巨头、软件公司持续进行AI的导入与商业化，我们认为云厂商在算力租用、模型服务等层面有望显著受益。我们建议持续关注亚马逊、微软、谷歌三大云平台巨头，并持续看好其未来6\~12个月的投资机会。

报告缘起：北美云计算巨头全面拥抱AI。ChatGPT在全球市场获得成功，并引致了全球主要科技企业在AI领域进行军备竞赛，而云平台作为计算层面最为理想的承载者，有望持续受益全球AI产业的发展。目前，全球三大云计算巨头（亚马逊、谷歌、微软）均发布与LLM以及生成式AI相关的产品。但三大云厂商在布局思路、商业化路径等方面存在一定分叉，微软、谷歌依靠闭源模型，全力打造闭环的AI生态，而AWS 则以相对开放的心态，尝试从不同角度进行AI与云计算的融合。我们判断，三大云厂商在云基础设施、模型应用以及商业细分场景有望持续受益，并有望带来可观的业绩增量。

AI算法能力：技术储备决定路线选择。自2023年3月开始，微软&谷歌在各自的云产品中加入了大量以AI模型能力为底层的服务，并提供从硬件到模型再到上游应用的闭环AI服务。相比之下，亚马逊在产品结构的改变上以单点为主，提供了Amazon Bedrock（构建大语言模型过程中的便捷API服务）等产品，并将更多精力放在开源模型以及相关硬件开发中。从根本上来看，决定微软&谷歌与亚马逊&Meta在当前对待AI能力的不同路线的是当前各家厂商间的大语言模型技术能力差异。微软&谷歌依靠其相对优势的技术能力，从开源走向闭源，全力打造围绕底层模型能力的闭环AI生态。亚马逊等更倾向于培养开源社区共同迭代模型以缩小差距，重视底层硬件研发，多角度尝试AI与云融合的可能性。

底层基础设施：计算架构升级，不断追求系统效率最优。考虑到AI对算力的需求，GPU 成为 AI计算的理想载体，而对云厂商而言，此前大量的基础设施由CPU 架构贡献，其计算实例产品（虚拟机、弹性计算等）通常由CPU负载，并不适合当前生成式AI对计算的需求。因此我们看到，自ChatGPT兴起以来，北美三大云厂商加速了GPU等泛AI计算实例的升级速度，例如微软N系列虚拟机、谷歌新增H100 超算预览以及亚马逊对训练&推理芯片的自研等。此外，为了满足数据吞吐、并行计算的要求，三大云厂商亦同步进行编排和管理高性能计算（HPC）环境的配套软件环境与硬件链接。因此后续来看，我们认为云厂商会持续提升GPU以及自研芯片实例在其计算业务线的比例。

一商业模式：基于MaaS、插件、软件等维度进行商业化。我们看到以微软+OpenAI、谷歌等为代表的、具备封闭模型的厂商，可以通过直接出售模型API接口、模型调优的方式，提供最先进的闭源模型进行MaaS类服务，目前微软已经放开API的调用，谷歌、亚马逊仍在预览阶段。对于细分场景，云厂商亦可以提供插件进行细分领域的服务。在应用侧，微软Copilot、谷歌DuetAl等产品作为生产力工具进行赋能，提升办公人员等效率。根据两家公司公告，预计上述软件产品将在未来数月逐步开启商业化，我们判断软件渗透率的持续提升，将为云厂商带来可观的收入规模。

弹性测算：预计未来2-3年增厚云厂商超百亿美元量级的收入。从三大云厂商的计算产品来看，基于GPU的加速计算产品价格基本是CPU价格的3-6倍。考虑到后续H100产品的导入大概率将拉高整体单价。而在计算负载侧，根据各家公司财报、Trendforce 以及我们的测算，三大云厂商业务中 GPU 及其他 AI芯片在整个计算业务线的负载比例不足10%，基于上述我们对云厂商的收入、IT 负载结构的测算，我们预计，AI芯片负载每增长1%，将为AWS、Azure、GCP分别带来12亿、7亿、4亿美元的额外收入，若未来2-3年渗透率提升至10%，则每年有望为三大云厂商合计带来近200亿美元的额外收入。并且数据量的增长，亦有望带来存储、网络等领域需求的增长。此外，云厂商将AI产品导入到各个业务线，亦将带来广告、运维等领域成本的下降。

风险因素：AI核心技术发展不及预期风险；科技领域政策监管持续收紧风险；全球宏观经济复苏不及预期风险；宏观经济波动导致欧美企业IT支出不及预期风险；全球云计算市场发展不及预期风险；企业数据泄露、信息安全风险；行业竞争持续加剧风险等。

投资策略：AI的引入将对云厂商的基础设施、模型优化、应用&基础软件等领域带来中长期的增长动力。中短期维度，预计北美云厂商收入增速最为困难的时刻即将过去，下半年有望逐步企稳复苏，随着海外科技巨头、软件公司持续进行AI的导入与商业化，我们认为云厂商有望持续受益。我们建议持续关注亚马逊、微软、谷歌三大云平台巨头，并看好整个云平台在下半年复苏企稳带来的投资机遇。

重点公司盈利预测及估值

简称	代码	市值(亿美元）	估值方法	2022A	2023E	2024E	2025E
微软	MSFT	24,752	P/FCF	38.5	43.9	36.3	31.7
谷歌	GOOG	13,661	PE	22.8	21	17.8	15.2
亚马逊	AMZN	12.324	EV/EBITDA	14.5	13.9	10.6	8.1

资料来源：Wind，中信证券研究部预测
注：股价为2023年6月5日收盘价

报告缘起：北美云计算巨头全面拥抱AI.
AI算法能力：技术储备决定路线选择.
底层基础设施：计算架构升级，致力于系统效率最优！ 11
商业模式：API调用、模型定制、算力租用等..
效益测算：预计中短期增厚云厂商数百亿美元收入.. ..19
风险因素 .21
投资策.... .21

插图目录

图1：四大互联网与软件公司布局大模型 .5
图2：谷歌AI蓝图. .5
图3：亚马逊生成式AI布局.. .6
图4：微软AI全家桶.. .6
图5：Azure已经将从底层硬件支持到模型调用等一整套生态加入了其云服务中 .7
图6：谷歌+微软在2022年发布了约60%的大语言模型相关学术论文. .8
图7：以GPT-4为代表的大语言模型是今年来微软云新产品的核心底座 .9
图8：谷歌云围绕其AI模型提供了从硬件支持到实际模型部署的全套服务 .9
图9：Meta开源的LLaMA模型效果好于GPT-3但与更大参数量的PaLM差距明显...10
图10：亚马逊云产品较为发散，重心仍围绕基础设施尝试与AI融合. . 11
图11：谷歌TPU与英伟达A100 芯片的对比. .13
图12：AWS自研芯片线.. .14
图13：AWS Trainium 芯片参数.. .14
图14：AWS Inferentia2芯片参数. .14
图15：微软"脑电波计划"技术示意图. ..15
图16：亚马逊可调用的模型. .17
图17：谷歌VertexAI提供的部分API接口， .17
图18：Microsoft Copilot 概要. .18
图19：DuetAl在谷歌表格中的应用. .19
图20：2022年三大云厂商计算业务收入， .20
图21：2022年三大云厂商计算业务GPU及其他AI芯片负载占比 .20
图22：若GPU负载增加1%对三大云厂商计算业务的贡献. .20
图23：Meta 股权激励成本构成.. ..21
图24：亚马逊股权激励成本构成. .21

表格目录

表1：当前主流的开源大语言模型项目及其基础模型 ..10
表2：微软N系列虚拟机型号对比 .. 12
表3：谷歌TPU型号. ..12
表4：谷歌、微软超级计算机服务器参数。 ..15
表5：GPT系列模型价格. ..16
表6：谷歌VetrexAl计价模式 .. 17
表7：OpenAl模型微调价格. ..18
表8：Azure产品价格.. .19

报告缘起：北美云计算巨头全面拥抱AI

ChatGPT在全球市场获得成功，以及由此引致的全球主要科技企业在AI领域的军备竞赛，正在推进全球AI产业加速发展。目前，全球三大云计算巨头（亚马逊、谷歌、微软，下同）均已加入全球LLM以及生成式AI的竞争当中。这一投入使得三大云厂商的生态正在发生快速变化，微软、谷歌依靠闭源模型，全力打造闭环的AI生态，而AWS则以相对开放的心态，尝试从不同角度进行AI与云计算的融合。在本篇报告中，我们将着重探讨三大云厂商在云基础设施、模型应用以及商业细分场景的布局思路，并尝试分析生成式 AI对各大云厂商的后续的业绩贡献情况。

图1：四大互联网与软件公司布局大模型

资料来源：各公司官网、官方微信公众号等，中信证券研究部

图2：谷歌AI蓝图

资料来源：谷歌云官网

图3：亚马逊生成式AI布局

资料来源：AWS官网

图4：微软AI全家桶

资料来源：微软官网

AI算法能力：技术储备决定路线选择

头部云计算大厂间对于如何将云与AI相融合出现了分化的两种选择，而其背后是由厂商间的AI模型技术差距所决定。我们看到自2023年3月开始，微软&谷歌在各自的云产品中加入了大量以AI模型能力为底层的服务，并提供从硬件到模型再到上游应用的闭环AI服务。相比之下，亚马逊&Meta在产品结构的改变上较为缓慢，以单点为主。仅提供了AmazonBedrock（构建大语言模型过程中的便捷API服务）等产品，并将更多精力放在开源模型以及相关硬件开发中。从根本上来看，决定微软&谷歌与亚马逊&Meta在当前对待AI能力的不同路线的是当前各家厂商间的大语言模型技术能力差异。

图5：Azure已经将从底层硬件支持到模型调用等一整套生态加入了其云服务中

资料来源：Azure官网

微软&谷歌：依靠其相对优势的技术能力，从开源走向闭源，全力打造围绕底层模型能力的闭环AI生态。回顾本轮大语言模型的发展历史，从2017年谷歌Bert开始到2020年GPT-3再到2022年的ChatGPT，人工智能技术的发展潮流始终由OpenAI（微软）、Deepmind（谷歌）这两家巨头主导，其他厂商根据先行者的开源资料以及相关论文进行模仿并创新。根据NeurIPS的统计，谷歌&微软在2022年发布了约60%的大语言模型相关学术论文，占据了技术领域中的绝对话语权。ChatGPT的成功证明了OpenAI单向自回归的Transformer模型在商业化中的可行性，谷歌在这一技术分叉上虽然稍微落后于微软但也在2021年开始转向，仍大幅领先于其他云厂商。这两家头部AI厂商迫切希望将自身的技术优势构筑为商业化能力的核心壁垒，以延长后来者的追赶时间。从OpenAI发布GPT-3走向商业化盈利开始，谷歌也迅速效仿，不再公布T5模型及后续版本的细节。

图6：谷歌+微软在2022年发布了约60%的大语言模型相关学术论文

资料来源：NeurIPS，中信证券研究部

表3：从GPT-3开始，谷歌与OpenAI的主要模型都不再公开访问

	LaMDA	Sparrow	PaLM-E	GPT系列模型
组织	Google	DeepMind	谷歌	OpenAl
能否公开访问	否	否	否	有限
参数量	1370亿	700亿	5620亿	1700亿及以上
预训练语料库大小（词数）	2.81T	1.4T	7800亿 Token	GPT-3近 5000亿 Token
模态	文字	文字	多模态	GPT-4具备多模态
训练硬件	1024块 TPUv3	基于TPUv3/v4	6144块 TPUv4	我们预计 GPT-4 使用千余块英伟达A100
产品化进度	BARD机器人	NA	NA	Microsoft 365 Copilot Microsoft Azure Microsoft Bing

资料来源：谷歌、微软、OpenAI官方技术博客，中信证券研究部预计

以底层模型为核心，持续扩充产品线。底层模型能力是当前微软&谷歌的核心竞争优势，因此我们也看到今年来这两家厂商围绕底层AI模型来构建其云产品的尝试。微软以其在2023年3月最新发布的GPT-4模型为核心推出了Dynamics365Copilot等产品，将AI模型能力融入到云应用中直接提供给用户。在底层，微软与OpenAI持续尝试构建超算集群为GPT-4模型提供支持。谷歌在产品迭代中稍落后于微软，但也在4月与5月分别将其 Bard 模型融入到Workspace与Vertex Al等产品，以对标微软的云产品扩充。殊途同归，这两家云巨头都在围绕其在底层模型上的性能优势，通过直接将模型服务融入到ToC/ToB产品中的模式扩充自身云产品线，寻求差异化优势。

图7：以GPT-4为代表的大语言模型是今年来微软云新产品的核心底座

资料来源：微软云官网

图8：谷歌云围绕其AI模型提供了从硬件支持到实际模型部署的全套服务

资料来源：谷歌云官网

亚马逊等厂商：模型技术上落后于谷歌&微软，更倾向于培养开源社区共同迭代模型以缩小差距。从最新公布的相关论文来看，亚马逊与Meta发布的Titan与LLaMA等模型在技术指标上落后于GPT-4模型1-2年的时间，直接应用到云应用中会看到较为明显的差距。因此在后续的技术路线上亚马逊与Meta等厂商大概率会选择开源路线，寄希望通过社区的力量加速迭代。目前大语言模型开源社区的主要贡献者包括Meta、亚马逊、NVIDIA以及Huggingface等，通过分享部分模型与大语言模型相关的知识培训逐渐培养起了一批开源开发者。Meta于2023年3月发布了其新一代大语言模型LLaMA并将源代码开源给社区。社区用户及企业可以免费使用公开的模型以及数据源，但受证书限制不能用作商业用途。

表1：当前主流的开源大语言模型项目及其基础模型

名称	基础模型	训练方法/数据集
Alpaca	LIaMA	Alpaca
ChatMLG	GLM	自定义数据集（1T)
Dolly	GPT-J 6B	Alpaca
Belle	Bloom	Alpaca+自定义数据（2M)
OpenChatKit	GPT-NEO	OIG-43M
FastChat	LLaMA	shareGPT(70K)
gpt4all	LlaMA	GPT-3.5生成的 800k数据集

资料来源：Github，中信证券研究部

图9：Meta开源的LLaMA模型效果好于GPT-3但与更大参数量的PaLM差距明显

		Humanities	STEM	Social Sciences	Other	Average
GPT-NeoX GPT-3 Gopher	20B	29.8	34.9	33.7	37.7	33.6
	175B	40.8	36.7	50.4	48.8	43.9
	280B	56.2	47.4	71.9	66.1	60.0
	70B	63.6	54.9	79.3	73.9	67.5
PaLM	8B	25.6	23.8	24.1	27.8	25.4
	62B	59.5	41.9	62.7	55.8	53.7
	540B	77.0	55.6	81.0	69.6	69.3
LLaMA	7B	34.0	30.5	38.3	38.1	35.1
	13B	45.0	35.8	53.8	53.3	46.9
	33B	55.8	46.0	66.7	63.4	57.8
	65B	61.8	51.7	72.9	67.4	63.4

资料来源:《LLaMA: Open and Efficient Foundation Language Models》(Hugo Touvron*,Thibaut Lavril*,Gautierlzacard*等），Meta Al

后续产品思路：助力开源社区构建，重视底层硬件研发，多角度尝试AI与云融合的可能性。在目前表现出的产品思路上，因为本身模型能力的劣势，亚马逊&Meta都没有急于尝试应用端与模型间的融合。亚马逊于2023年4月推出了BedrockAI服务，主推面向开发者的大语言模型 API相关内容，赋能开源社区。此外，亚马逊将对于 EC2芯片的研发列为了下一阶段AI领域的重点。相较于微软&谷歌围绕底层模型能力扩充产品线，亚马逊倾向于多点发散、扬长避短，一方面助力开源社区缩小与微软&谷歌间的模型差距，另一方面积极尝试多种AI与云融合的可能性。

图10：亚马逊云产品较为发散，重心仍围绕基础设施尝试与AI融合

资料来源：AWS官网

底层基础设施：计算架构升级，致力于系统效率最优

云计算的基础设施主要是laaS层，包含了计算、存储、网络等基础的IT服务。随着AI时代的来临，我们会显著看到大型云计算公司在底层基础设施层面上正不断进行调整，一方面我们看到随着AI的引入，海外三大云厂商等加速英伟达等厂商高算力GPU产品的导入和更新；另一方面三大云厂商加速在自研AI芯片领域的投入。我们认为，这与AI本身高算力、大数据吞吐、低延迟推理等方面的要求相关。而云厂商上述领域的投入，亦将深刻影响云厂商计算业务。在本部分，我们将围绕云基础设施，详细分析云厂商的动机以及带来的新增量机会。

计算架构：从CPU向GPU进行系统迁移，加速云厂商计算实例的迭代。考虑到 AI对算力的需求，GPU成为AI计算的理想载体，而对云厂商而言，此前大量的基础设施由CPU架构贡献，其计算实例产品（虚拟机、弹性计算等）通常由CPU负载，并不适合当前生成式AI对计算的需求。因此我们看到，自ChatGPT兴起以来，北美三大云厂商加速了 GPU 计算实例的升级速度，以微软为例，我们看到公司围绕N系列虚拟机，针对 AI的不同场景，深度结合英伟达不同系列芯片场景的融合，产品线从A100覆盖至M系列及T系列。此外，为了满足数据吞吐、并行计算的要求，微软同步进行Azure Batch、AzureCycleCloud 等编排和管理高性能计算（HPC）环境的配套软件环境与硬件链接。因此后续来看，我们认为云厂商会持续提升GPU实例在其计算业务线的比例。

表2：微软N系列虚拟机型号对比

虚拟机型号	配置GPU型号	主要场景
NCv3	NVIDIA Tesla V100	基于CUDA和OpenCL的应用程序以及模拟、AI和深度学习，高性能计算和 AI 工作负载。
NC T4_v3	NVIDIA Tesla T4	计算密集型GPU 加速的应用程序，特别针对采用NVIDIA Tesla T4 GPU 和 AMD EPYC2 Rome 处理器的推理工作负荷。
ND A100 v4	8 个 NVIDIA A100 TensorCore GPU，每个 GPU 都配备 20o 千兆位 Mellanox InfiniBand HDR 连接和 40 GB GPU内存。	纵向扩展和横向扩展深度学习训练以及加速的 HPC 应用程序。
NV、NVv3	NVIDIA Tesla M60	针对使用框架（如 OpenGL 和 DirectX）的远程可视化、流式处理、游戏、编码和 VDI方案进行了优化和设计。
NVv4	AMD Radeon Instinct Ml25	VDI和远程可视化，特别针对需要较少GPU资源的工作负荷。
NDm A100 v4	八个 NVIDIA Ampere A100 80GB Tensor Core GPU	高端深度学习训练以及紧密耦合的纵向扩展和横向扩展 HPC 工作负荷。

资料来源：微软Azure产品官网，中信证券研究部

自研芯片：用于特定场景的加速和降本。除英伟达等厂商的GPU芯片绑定外，三大云厂商均有自身的芯片业务线，例如谷歌的TPU、微软的FPGA、AWS的训练和推理芯片等。毫无疑问，随着Al算法向 transformerdecoder-only 路线+LLM的持续收敛，自研芯片在性价比层面的确占据优势，但从各家的实际情况看，其自研芯片的成熟度、贡献度存在较大差异。

. 谷歌：TPU基于transformer框架，是天然匹配生成式AI的芯片。由于谷歌云基础设施的投入晚于微软及AWS，为满足AI的大量训练与计算需求，谷歌针对transformer的框架针对性开发了TPU加速芯片，从性能来看，TPUv4的计算能力已经能够支撑谷歌5000亿参数模型的训练（PaLM-E，训练使用了6144片TPUv4芯片)。根据谷歌云的对比，TPU系列芯片相较A100芯片，其性能、成本大幅优化，因此谷歌TPU在其加速卡中的占比显著高于其他云厂商。

表3：谷歌TPU型号

芯片名称	发布日期	性能	应用
TPU	2016	28nm 制程，主频 700MHz	深度学习推理
TPUv2	2017	180TFLOPs 浮点运算，64GB HBM	机器学习训练与推理，可以在Google computer engine 运行
TPUv3	2018	420TFLOPs浮点运算，128GB HBM	更广泛的深度学习训练和推理
Edge TPU	2018	高吞吐量串流资料	：企业级机器学习任务，主要为AI推理
TPUv2 Pod	2019	每秒11.5千万亿次浮点运算、4TB HBM、二维环面网状网络	深度学习推理
TPUv3 Pod	2019	超过100千万亿次浮点运算、32TB HBM	深度学习推理
TPUv4 Pod	2021	TPU v4 是谷歌的第四代定制AI芯片，其算力是上一版本v3的两倍	推理与训练均可兼顾

资料来源：谷歌云官网，中信证券研究部

图11：谷歌TPU与英伟达A100 芯片的对比

资料来源：谷歌云官网

. AWS：从云底座架构进行自研，专注效率的提升。经过早期探索，AWS底层采用了自研的Nitro系统架构，将虚拟化功能从服务器卸载到AmazonNitro专用芯片上，大大降低了物理性能的损耗，并提升了安全机制，优化了网络与输入输出机制，使得AWS的能力迅速提升。芯片层面，AWS针对不同的业务需求，推出了不同类型的自研芯片，如针对底层系统的Nitro芯片、针对服务器高性能计算的Graviton以及人工智能业务的推理芯片Inferentia与训练芯片Trainium。AWS通过在关键计算要素的自研&定制化，实现系统效率的最优。AWSTrainium是AWS 专门为深度学习训练打造的第二代机器学习（ML）加速器。与同类Amazon EC2 实例相比，可节省高达 50% 的训练成本。Trainium 已针对训练自然语言处理、计算机视觉和推荐器模型进行了优化，这些模型用于语音识别、推荐、欺诈检测、图像识别和预测等各种应用程序。AWS Inferentia2以最低的成本为您的深度学习(DL）推理应用程序提供高性能。加速器在性能和功能方面实现了重大飞跃。与Inferentia 相比，Inferentia2的吞吐量提高了4 倍，延迟低至前者的 1/10。同时，为满足不同模型之间的通用性，AWS 提供AWSNeuronSDK支持 PyTorch 和 TensorFlow 原生集成。

图12：AWS自研芯片线

资料来源：AWS官网，中信证券研究部

图13：AWSTrainium 芯片参数

资料来源：AWS官网

图14：AWS Inferentia2芯片参数

资料来源：AWS官网

微软：“脑电波计划”尝试进行FPGA替代。“脑电波计划”是一套利用现场可编程门阵列芯片(Field-Programmable Gate Array,FGPA)技术来高效、快速、经济地执行计算任务的系统的流程。微软试图依靠其庞大的软件与云生态，以实现FPGA 的铺开以及生态建设。但从实际情况来看，GPU 芯片本身在大计算场景下优于FPGA，ASIC芯片在固定场景下优于FPGA，由于芯片本身的固定特点，使得微软上述计划的推进并不顺利。后续来看，我们认为微软有可能将继续自研芯片的建设，并有望与其他芯片厂商合作。

图15：微软“脑电波计划”技术示意图

资料来源：微软官网

超算集群：匹配与满足大体量模型的训练与推理工作。由于模型体量的持续膨胀，单一计算实例已经不能满足超大型模型的训练，因此我们看到，微软、谷歌相继与英伟达合作，开发基于最新H100 芯片的超算集群。例如微软正在预览的NDH100v5VM谷歌正在预览的A3GPU 超级计算机，用于训练和推理 ML 模型。

表4：谷歌、微软超级计算机服务器参数。

参数	谷歌H100 A3 GPU	微软ND H100v5VM
GPU配置	8 个 H100 GPU，采用 NVIDIA的 Hopper 架构，提供3倍的计算吞吐量	8x NVIDIA H100 Tensor Core GPU 通过下一代 NVSwitch 和 NVLink 4.0 进行互连
GPU间带宽	通过 NVIDIA NVSwitch 和 NVLink 4.0，A3 的8个GPU之间有3.6TB/s的双向带宽	NVSwitch 和 NVLink 4.0 在每个虚拟机内的8 个本地GPU之间具有3.6TB/s的双向带宽
处理器	下一代第四代英特尔至强可扩展处理器	第四代英特尔至强可扩展处理器
主机内存	通过 4800 MHz DDR5 DIMMs 提供 2TB主机内存	16 通道 4800MHz DDR5 内存
网络带宽	通过硬件支持的IPU、专门的服务器间 GPU 通信栈和 NCCL优化，网络带宽提高10倍。	每个 GPU 有 400 Gb/s NVIDIA Quantum-2 CX7 InfiniBand，在无阻塞胖树网络中每个虚拟机为3.2Tb/s
主机到GPU 互连	未提供具体信息	PCIE 第5代主机到GPU互连，每个GPU带宽为 64GB/s

资料来源：谷歌、微软官网，中信证券研究部

综上所述，我们预计新硬件的更新、计算实例从CPU到GPU的迁移，都将带来云厂商业绩的改善。一方面，更具性价比的硬件升级，将使得云厂商的成本持续优化，并提升业务利润率。另一方面，计算架构从CPU向GPU的切换，将使得计算产品的单价得以提升，并拉动存储、网络等领域产品的销售。因此经过早期的投入后，AI将带动基础设施产品的利润与收入的同步提升。

一商业模式：API调用、模型定制、算力租用等

在上一部分，我们重点分析了AI在云基础设施上对云厂商业绩的拉动，但我们也看到在底层设施之外，与模型、应用相关的场景亦是后续增长的重要驱动力。模型层面，我们看到以微软+OpenAI、谷歌等为代表的，具备封闭模型的厂商，可以通过直接出售模型API接口、模型调优的方式，提供最先进的闭源模型进行商业化。对于细分场景，云厂商亦可以提供软件进行商业化。在本部分，我们将着重探讨云厂商在API调用、模型调优、细分场景应用三个方面的尝试与探索。

API调用：提供闭源模型的使用权限。在三大云厂商中，微软与谷歌选择模型闭源，以出售模型API的形式获取收益。目前微软以及OpenAI模型的商业化已经开启，根据路透社数据，OpenAl在2022年的收入预计只有约8000 万美元，根据研究机构 PitchBook的数据，OpenAl今年有望产生2亿美元的收入，且预计到2024年，OpenAl收入可能达到10亿美元。谷歌虽然亦以API的形式出售PaLM系列模型，但从目前看，产品仍处在预览阶段，并未全面开启商业化。但谷歌云亦提供了语音文字转换等场景的API能力，同时根据I/O大会的披露，公司预计未来数月内将提供模型的可用版本。对亚马逊而言，其推出了模型调用平Amazon Bedrock，提供第三方模型的调用。

表5：GPT系列模型价格

GPT-4
Model	Prompt	Comletion
8K context	$0.03/1K tokens	$0.06/1K tokens
32K context	$0.06/1K tokens	$0.12/1K tokens

Chat
Model	Usage
gpt-3.5-turbo	$0.002/1K tokens

InstructGPT
Ada(Fastest)	$0.0004/1K tokens
Babbage	$0.0005/1K tokens
Curie	$0.0020/1K tokens
Davinci(Most powerful)	$0.0200/1K tokens

资料来源：OpenAI官网，中信证券研究部

图16：亚马逊可调用的模型

资料来源：AWS官网

图17：谷歌VertexAI提供的部分API接口

·VertexAI中提供了三个新的基础模型，可以通过 API访问它们，通过生成AI Studio 中的简单UI进行调整，或部署到数据科学笔记本。

。Codey（我们的文本到代码基础模型）可以嵌入到SDK或应用程序中，以帮助提高开发人员的代码生成和代码完成速度，并提高代码质量。

。Imagen 是我们的文本到图像基础模型，使组织能够大规模生成和自定义工作室级图像，以满足任何业务需求。

。Chirp是我们的语音转文本基础模型，可帮助组织通过字幕和语音帮助以客户的母语更深入、更具包容性地与客户互动。

资料来源：谷歌云官网

部署和微调：根据模型训练时长或数据量进行商业化。一个模型完整的生命周期包括训练模型、将模型部署到端点、使用模型进行预测（推理)等。云厂商产品包括谷歌VetrexAI、OpenAI等。从商业模式看，谷歌提供按时长计价的模式，提供训练、部署、推理等功能，其中训练成本显著高于推理。而OpenAI选择按照数据量计价，但针对不同程度的训练，提供四档价位。我们认为，当前的定价，仍源自较高的计算成本，后续来看随着计算成本以及基础设施的完善，定价将更为具体。

表6：谷歌VetrexAl计价模式

图片数据
操作	每节点时价格（分类）	每节点时价格 (对象检测)
训练	$3.465	$3.465
训练（Edge设备端模型）	$18.00	$18.00
部署和在线预测	$1.375	$2.002
批量预测	$2.222	$2.222

视频数据
操作每节点时价格(分类、对象跟踪)		每节点时价格 (操作识别)
培训	$3.234	$3.300
训练（Edge设备端模型)	$10.78	$11.00
预测	$0.462	$0.550

资料来源：谷歌云官网，中信证券研究部

表7：OpenAl模型微调价格

Fine-tuning models
Model	Training	Usage
Ada	$0.0004/1K tokens	$0.0016/1K tokens
Babbage	$0.0006/1K tokens	$0.0024/1K tokens
Curie	$0.0030/1K tokens	$0.0120/1K tokens
Davinci	$0.0300/1K tokens	$0.1200/1K tokens

Embedding models
Model	Usage
Ada	$0.0004/1K tokens

资料来源：OpenAI官网，中信证券研究部

细分场景：微软Copilot、谷歌DuetAl等。Copilot是微软生成式的AI助手，此前已被应用在类似于Github 等代码开发场景。根据微软在其技术文档中的表示，Copilot采用了OpenAI推出的GPT-4模型，并且进一步优化了输出内容的可靠性以及使用数据的隐私问题，为企业级的应用做好了准备。Al功能被直接集成到Word、Excel、PowerPoint、Outlook 和Teams 等应用中，用户可以提出问题并提示AI撰写草稿、制作演示文稿、编辑电子邮件、制作演示文稿、总结会议等。Copilot将以两种方式与Microsoft365客户合作：1）嵌入到Word、Excel、PowerPoint、Outlook、Teams 等。2）提供聊天功能。商务聊天功能覆盖LLM、Microsoft365应用和客户的日历、电子邮件、聊天、文档、会议和联系人工作等，通过自然语言提示（如“告诉我的团队我们如何更新产品策略")，商务聊天将根据上午的会议、电子邮件和聊天线程生成状态更新。而谷歌亦依靠原有的Worksapce 业务，将生成式 Al 引入 Workspace 推出适用于 Google Workspace 的DuetAI让用户能够与 AI 协作，进行邮件撰写、图文生成 PPT、表格汇总等。

图18：Microsoft Copilot概要

资料来源：Microsoft Copilot发布会

图19：DuetAI在谷歌表格中的应用

资料来源：谷歌云官网

一效益测算：预计中短期增厚云厂商数百亿美元收入

在上文中，我们针对云基础设施、模型调用与细分场景等维度进行了产品与技术层面的探讨，但从具体业绩的增厚上来看，考虑到用户实际需求的复杂度、模型的多样性以及硬件层面的不同，很难给出极为精确的测算结果。但我们将基于已有的公开数据，从产品结构、产品单价等方面进行尝试性测算，以期给出大致的测算结果以及思路。

计算产品：预计1%的负载切换将为三大云厂带来合计20亿美元的额外收入。基于我们的分析，由于软件领域的产品尚未开启商业化，因此短期内软件类产品对公司业绩的增厚将相对有限。但对计算类产品来说，目前GPU架构已经基本升级完成，而且对于软件等产品的开发而言，前期主要需求来自底层基础设施，叠加基础设施产品的价格以及用量占比亦存在公开数据，因此对于计算类产品的测算是具备实际意义且可行的。我们的测算逻辑如下：

产品价格：GPU产品的计算价格是常规的5倍甚至更高。我们从三大云厂商的计算产品来看，基于GPU的加速计算产品价格基本是CPU价格的5倍甚至更高。我们参考了微软Azure 的价格，选取各类别的最高价格，GPU类产品的价格显著高于其他领域，最大幅度接近6倍。考虑到后续H100产品的导入大概率将拉高整体单价，因此我们假定，GPU类产品的价格是普通CPU产品的5倍。

表8：Azure 产品价格

计算属性该类别最高价 (美元/小时)

常规用途 10.979

计算优化 6.672

GPU 37.186

高性能计算 16.736

内存优化 31.814

计算属性	该类别最高价 (美元/小时）
存储优化	10.64

资料来源：Azure官网，中信证券研究部

产品结构：GPU负载占比不足10%。根据各家公司财报、Trendforce以及我们的测算，三大云厂商业务中GPU及其他AI芯片在整个计算业务线的负载比例不足10%，即便是考虑TPU较多的谷歌，其TPU+GPU的合计占比亦只有大约7%。我们认为，随着AI的持续渗透，GPU以及TPU等其他AI芯片的计算负载料将持续增长。

图20：2022年三大云厂商计算业务收入（亿美元）

资料来源：各家公司财报、trendforce，中信证券研究部测算

图21：2022年三大云厂商计算业务GPU及其他AI芯片负载占比

资料来源：各家公司财报、trendforce，中信证券研究部测算

测算结果：预计负载切换将为三大云厂带来合计可观收入。基于上述我们对云厂商的收入、IT负载结构的测算，我们预计，AI芯片负载每增长1%，将为AWS、Azure、GCP分别带来12亿、7亿、4亿美元的额外收入，若渗透率提升至10%，则每年有望为三大云厂商合计带来近200亿美元的额外收入；并且数据量的增长，亦有望带来存储、网络等领域需求的增长。

图22：若GPU负载增加1%对三大云厂商计算业务的贡献测算（亿美元）

资料来源：各家公司财报、trendforce，中信证券研究部测算

效率提升：通过优化代码开发、营销工具等降低研发以及其他层面运营成本。对互联网、云公司而言，大量的研发工程师、销售人员是主要的人力资源成本，而AI的赋能能够持续带来效率的提升。在代码开发领域，我们看到诸如微软旗下的Codex模型、Github提供的Copilot工具以及亚马逊推出的Amazon CodeWhisperer等，均为代码开发人员提供了工具。而在营销层面，Performance MAX、Advantage+等能够为广告主提供自动生成广告素材、自动投放等功能，大幅优化了广告平台在ADX、销售人员、客服等领域的成本。

图23：Meta股权激励成本构成（百万美元）

资料来源：Meta财报，中信证券研究部

图24：亚马逊股权激励成本构成(百万美元）

资料来源：亚马逊财报，中信证券研究部

风险因素

AI核心技术发展不及预期风险；科技领域政策监管持续收紧风险；全球宏观经济复苏不及预期风险；宏观经济波动导致欧美企业IT支出不及预期风险；全球云计算市场发展不及预期风险；企业数据泄露、信息安全风险；行业竞争持续加剧风险等。

投资策略

北美云计算巨头正在积极拥抱AI，AI能力融入亦将大概率对云厂商的基础设施、模型优化、应用&基础软件等领域带来中长期的增长动力。我们判断，欧美企业自去年下半年以来的云成本支出优化正在接近尾声，北美云厂商收入增速有望在下半年重拾向上动能，同时随着海外科技巨头、软件公司持续进行AI的导入与商业化，我们认为云厂商有望持续受益。我们建议持续关注亚马逊、微软、谷歌三大云平台巨头，并持续看好其未来6\~12个月的投资机会。

分析师声明

主要负责撰写本研究报告全部或部分内容的分析师在此声明：(i）本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法；（i）该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系。

一般性声明

本研究报告由中信证券股份有限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构（仅就本研究报告免责条款而言，不含 CLSA group of companies)，统称为“中信证券”。

本研究报告对于收件人而言属高度机密，只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用，在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具，本报告的收件人须保持自身的独立判断并自行承担投资风险。

本报告所载资料的来源被认为是可靠的，但中信证券不保证其准确性或完整性。中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险，可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可跌可升。过往的业绩并不能代表未来的表现。

本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断，可以在不发出通知的情况下做出更改，亦可因使用不同假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。中信证券并不承担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定，但是，分析师的薪酬可能与投行整体收入有关，其中包括投资银行、销售与交易业务。

若中信证券以外的金融机构发送本报告，则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议，中信证券以及中信证券的各个高级职员、董事和员工亦不为（前述金融机构之客户）因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。

评级说明

投资建议的评级标准		评级	说明
报告中投资建议所涉及的评级分为股票评级和行业评级(另有说明的除外)。评级标准为报告发布日后6到12个月内的相对市场表现，也即：以报告发布日后的6到12个月内的公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。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 (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；香港市场以摩根士丹利中国指数为基准；美国市场以纳斯达克综合指数或标普 500 指数为基准；韩国市场以科斯达克指数或韩国综合股价指数为基准。	股票评级	买入	相对同期相关证券市场代表性指数涨幅20%以上
		增持	相对同期相关证券市场代表性指数涨幅介于5%～20%之间
		持有	相对同期相关证券市场代表性指数涨幅介于-10%～5%之间
		卖出	相对同期相关证券市场代表性指数跌幅10%以上
	行业评级	强于大市	相对同期相关证券市场代表性指数涨幅10%以上
		中性	相对同期相关证券市场代表性指数涨幅介于-10%～10%之间
		弱于大市	相对同期相关证券市场代表性指数跌幅10%以上

特别声明

在法律许可的情况下，中信证券可能（1）与本研究报告所提到的公司建立或保持顾问、投资银行或证券服务关系，（2）参与或投资本报告所提到的公司的金融交易，及/或持有其证券或其衍生品或进行证券或其衍生品交易，因此，投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险。本研究报告涉及具体公司的披露信息，请访问 https:/research.citicsinfo.com/disclosure。

法律主体声明

本研究报告在中华人民共和国（香港、澳门、台湾除外）由中信证券股份有限公司（受中国证券监督管理委员会监管，经营证券业务许可证编号：Z20374000）分发。本研究报告由下列机构代表中信证券在相应地区分发：在中国香港由CLSALimited（于中国香港注册成立的有限公司）分发；在中国台湾由CLSecurities Taiwan Co.,Ltd.分发；在澳大利亚由CLSAAustraliaPtyLtd.（商业编号：53139 992331/金融服务牌照编号：350159）分发；在美国由CLSA（CLSAAmericas,LLC 除外）分发；在新加坡由CLSASingapore PteLtd.（公司注册编号：198703750W）分发；在欧洲经济区由CLSAEurope BV分发；在英国由 CLSA（UK)分发；在印度由 CLSA India Private Limited 分发（地址:8/F,Dalamal House,Nariman Point,Mumbai 400021;电话：+91-22-66505050；传真：+91-22-22840271；公司识别号：U67120MH1994PLC083118)；在印度尼西亚由PTCLSA Sekuritas Indonesia分发；在日本由 CLSA Securities Japan Co.,Ltd.分发；在韩国由 CLSA Securities Korea Ltd.分发；在马来西亚由 CLSA Securities Malaysia Sdn Bhd 分发；在菲律宾由CLSAPhilippines Inc.（菲律宾证券交易所及证券投资者保护基金会员）分发；在泰国由 CLSA Securities (Thailand)Limited 分发。

针对不同司法管辖区的声明

中国大陆：根据中国证券监督管理委员会核发的经营证券业务许可，中信证券股份有限公司的经营范围包括证券投资咨询业务。

中国香港：本研究报告由CLSALimited分发。本研究报告在香港仅分发给专业投资者（《证券及期货条例》（香港法例第571章）及其下颁布的任何规则界定的),不得分发给零售投资者。就分析或报告引起的或与分析或报告有关的任何事宜，CLSA客户应联系CLSALimited 的罗鼎，电话：+85226007233。

美国：本研究报告由中信证券制作。本研究报告在美国由CLSA（CLSAAmericas,LLC除外）仅向符合美国《1934年证券交易法》下15a-6规则界定且CLSAAmericas,LLC提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书。任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSAAmericas,LLC（在美国证券交易委员会注册的经纪交易商)，以及 CLSA 的附属公司。

新加坡：本研究报告在新加坡由CLSA Singapore Pte Ltd.，仅向（新加坡《财务顾问规例》界定的）“机构投资者、认可投资者及专业投资者”分发。就分析或报告引起的或与分析或报告有关的任何事宜，新加坡的报告收件人应联系CLSASingapore Pte Ltd,地址：80RafflesPlace,#18-01,UOBPlaza1,Singapore 048624，电话：+65 6416 7888。因您作为机构投资者、认可投资者或专业投资者的身份，就 CLSA Singapore Pte Ltd.可能向您提供的任何财务顾问服务，CLSA Singapore Pte Ltd豁免遵守《财务顾问法》（第110章)、《财务顾问规例》以及其下的相关通知和指引（CLSA业务条款的新加坡附件中证券交易服务C部分所披露）的某些要求。MCI（P）085/11/2021。

加拿大：本研究报告由中信证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。

英国：本研究报告归属于营销文件，其不是按照旨在提升研究报告独立性的法律要件而撰写，亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在英国由CLSA（UK）分发，且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士。涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业经验，请勿依赖本研究报告。对于英国分析员编纂的研究资料，其由CLSA（UK）制作并发布。就英国的金融行业准则，该资料被制作并意图作为实质性研究资料。CLSA（UK）由（英国）金融行为管理局授权并接受其管理。

欧洲经济区：本研究报告由荷兰金融市场管理局授权并管理的 CLSA Europe BV 分发。

澳大利亚：CLSAAustralia PtyLtd（“CAPL”）(商业编号：53139992331/金融服务牌照编号：350159)受澳大利亚证券与投资委员会监管，且为澳大利亚证券交易所及CHI-X的市场参与主体。本研究报告在澳大利亚由CAPL仅向“批发客户”发布及分发。本研究报告未考虑收件人的具体投资目标、财务状况或特定需求。未经CAPL事先书面同意，本研究报告的收件人不得将其分发给任何第三方。本段所称的“批发客户”适用于《公司法（2001)》第761G 条的规定。CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASXAII Ordinaries 指数成分股、离岸市场上市证券、未上市发行人及投资产品。CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司。

印度：CLSAIndiaPrivateLimited，成立于1994年11月，为全球机构投资者、养老基金和企业提供股票经纪服务（印度证券交易委员会注册编号：INZ000001735)、研究服务（印度证券交易委员会注册编号：INH000001113）和商人银行服务（印度证券交易委员会注册编号：INM000010619)。CLSA及其关联方可能持有标的公司的债务。此外，CLSA及其关联方在过去12个月内可能已从标的公司收取了非投资银行服务和/或非证券相关服务的报酬。如需了解CLSA India“关联方”的更多详情，请联系 Compliance-lndia@clsa.com。

未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。

中信证券-前瞻研究全球人工智能AI行业系列报告7：AI如何影响云计算产业？从北美云巨头说起-230606.pdf