OpenAI發布ChatGPT模型引起了AIGC應用的爆紅，AI領域的應用和創業再次迎來了資本的追捧，AIGC的創業項目紛紛獲得巨額融資。AIGC可應用于各行各業，比如聊天、寫作、視頻、音頻、制圖、設計等，甚至可以生成游戲策略和代碼。AIGC時代序幕已拉起，各大廠商紛紛布局。但是，AIGC的應用，離不開底層芯片與算力的支撐，在這一背景下，我們如何理解、發掘算力芯片產業，顯得尤為重要。

(資料圖)

中國的算力芯片領域有哪些機遇呢？近期，鈦資本邀請到旭源資本創始人彭數學進行分享，主題是：AIGC爆紅之下，我國芯片與算力的發展趨勢與投資機會。他是資深工業互聯網投資家，曾任職盈峰資本、啟賦資本，已主導投資50+項目，其中5家IPO上市，3家項目回報百倍，最快回報項目一年半DPI為10倍，曾獲得2016中國活躍風險投資人、金鷗獎2021年度最佳投資人等多項榮譽。彭先生于2021年創立旭源資本（廣東旭源私募股權投資基金管理有限公司，基金管理人編號P1072011），旭源資本系我國新銳精品投資機構，獲得了金鷗獎2021年度新銳投資機構等榮譽。主要投資方向為：新能源、芯片半導體與高端裝備制造領域，已經投資了麒麟軟件（國產操作系統）、創芯人科技（FA零部件數字供應鏈）、象帝先（GPU芯片）、盛合晶微（2.5D/3D封裝）、博康化學（光刻膠）等優質項目。本次分享主持人是鈦資本葉燦斌，以下為分享實錄：

AIGC時代的到來

AIGC的概念早在50年代就被提出。直到90年代到2011年，我們才將科研成果轉變為實用性產品。當然，過去我們也面臨算法瓶頸，但在2010年以及2014年開始出現了幾個關鍵點。2014年生成式對抗網絡的出現，以及2022年OpenAI發布ChatGPT模型，這一系列事件引爆了人工智能的發展，它的歷程也因此而逐步完善。

從WEB1.0的PGC，到WEB2.0的UGC，再到WEB3.0的AIGC，這一連串的發展得益于深度學習模型的技術創新。在2014年，我們看到大量的AI輔助項目都沒有取得成功，但現在AIGC已經可以完全替代人工，幾乎百分之百地實現自主生產，這樣的爆發才得以形成。

AIGC的發展

現在主流的大模型是3.5版本，在國內，百度和阿里的工作做得相當不錯，而智譜則致力于打造通用模型，構建雙語千億的超大模型。這些初創公司的發展，在某種程度上已經與BAT獨立開來。

值得注意的是，在萬物皆可AI生產的時代，一些插畫師、設計師在線平臺很可能會被AI取代。阿里巴巴曾推出一個數據庫，直接用AI替代人工進行圖片生成，AIGC實際上只是更完善地實現了這種內容生成。AIGC還能進行策略生成，替代人工編寫游戲代碼，甚至直接為程序員編寫代碼。

現在，AIGC規模非常龐大，到2023年已經達到了170億，預計到2030年將達到1萬億。我們目前正處于培育蓬勃和整體加速的階段。行業擁有巨大的成長性和爆發性，值得高度關注。

舉幾個案例。來畫是我們曾經投資的一個項目，由創始人魏博主導。最初，來畫專注于手繪短視頻制作，以替代Flash技術和昂貴的拍攝制作。由于Flash技術在后期網頁兼容性方面存在問題，而拍攝制作成本較高，所以這一創意應運而生。項目采用Windows的Surface電腦作為主要工具。經過幾年的發展，現在轉變成了AIGC，底層技術形成了動畫和數字人智能生產平臺。其中的數字人包括會議系統等，這些系統都非常完善，且國外用戶已達到100多萬。

另外，萬興科技是全球領先的新生代數字創意賦能者，2003年成立，推出的第一款數字創意產品（Photo to VCD）便風靡海外，目前用戶覆蓋全球200多個國家和地區。萬興科技的工具與AIGC的數字創意應用工具吻合，涵蓋了創意應用、繪圖、文檔使用工具以及智能轉換視頻等方面。

還有叮咚課堂，其軟件使用了AIGC的功能，用人工智能來替代老師，一對一的授課價格居然只要幾十元，非常低。在ChatGPT還沒有出現之前，我們已經通過推理推測到AIGC這個應用，可以實現千人千面的一對一個性化服務。

ChatGPT的演變

ChatGPT未來的產業化主要涵蓋歸納、代碼生成、圖像處理、智能客服等領域。最初是基于Transformer模型的GPT，于2018年6月首次出現。接著，發展出GPT-2，這是一個多任務的通用模型。到了2020年，GPT-3是一個超大規模的語言模型，標志著一個里程碑。在2022年3月，人類反饋強化學習的引入進一步提升了AIGC的能力，因為通過人類反饋，它可以不斷地進行訓練和迭代，不斷螺旋式地上升。到了2022年11月，強化學習進一步優化了AIGC的性能，持續出現了更多思維邏輯的推理。

未來，針對聊天機器人和智能客服的發展會更加完善。GPT-4將是一個多模態模型，國內公司如百度、阿里，甚至京東等也會參與其中的發展。然而，國內面臨的困境在于硬件和訓練成本較高，且數據資料庫并不完美。因此，我們需要探討如何提高訓練數據庫的質量，降低訓練成本。特別是在自然語言理解方面會面臨一定的困難。

AIGC的底層基石：算力

AI的發展，一方面依賴于模型和算法，另一方面則依賴于芯片的算力。在電腦上，CPU擅長數值計算，能夠推理出復雜的邏輯，缺點是計算速度較慢，不能并行處理任務。如果把CPU比作一個人的大腦 ，那么GPU和FPGA就相當于四肢，可以幫助它執行任務。

在訓練單位方面，以ChatGPT為代表的人工智能大模型訓練和推理需要強大的計算支持。ChatGPT單次訓練所需算力約27.5PFlop/s-day，單顆NVIDIA V100芯片深度學習算力為125TFlops，則ChatGPT模型的訓練至少需要1顆V100芯片計算220天（27.5*1000/125=220）才能完成。

在訓練成本方面。GPT-3的數據訓練需要45TB。訓練該模型所需的算力是3640PF，總成本高達1200萬美元。2021年，全球計算設備算力總規模達到615EFlop/s，而到2023年，全球大模型訓練所需全部算力相當于超過200萬張A100顯卡。預計到2030年，全球算力規模將達到56ZFlps，年均增長率約為65%。我國計算設備算力總規模達到202EFlops，占全球約33%。

AI芯片特點及具體參數對比

1、CPU：底層核心算力芯片

AI芯片分為幾類。首先是CPU，其邏輯單元占60%，計算單元占40%。CPU在復雜的邏輯運算能力方面較強，主要用于邏輯控制，但計算單元較少，不擅長處理并行計算任務。

針對這一弱點，可以通過增加核數來提高能力。包括AMD，因為它們都是復雜指令的架構。從單核發展到多核，AMD推出了96核，Intel推出了56核。所以，對于CPU指令集來說，復雜指令主要是Intel和AMD，而簡化指令則有許多其他公司推出，比如ARM架構、阿爾法等。

在國產芯片領域，國內有六大CPU廠商。第一個是擁有最核心的內部IP內核授權，即X86架構。包括上海兆芯和海光，后者已經上市。然而，海光的自主程度相對較低，安全基礎不夠牢靠，但其特點是發展速度最快，因為其現有架構和生態系統最成熟。這也是海光能夠達到2000億市值的原因。第二個是指令架構授權，比如ARM架構的華為鯤鵬和天津飛騰，處于自主研發和生態構建之間。第三個是最極端的，既有指令架構授權，又進行自主研制指令集，比如龍芯中科和申威科技。這兩者的自主程度高，但生態構建極其困難。從長遠來看，自主研發是最好的選擇，但從短期來看，則可能選擇全部授權。

2、CPU+XPU：異構形式成為大算力場景配置主流

未來AIGC將以CPU+XPU的異構形式成為主流。與CPU相比，XPU具有更強大的計算能力。目前最流行的異構計算系統是CPU+GPU，其中CPU負責對計算機的硬件資源進行控制和調配，并負責操作系統的運行，而GPU、FPGA等芯片則作為CPU的加速器存在。

3、GPU：AI高性能計算王者

我們現在重點關注的是GPU，作為AI高性能計算的王者，有兩個主要功能：圖形渲染和通用計算。而英偉達之所以如此受歡迎，因其具備通用計算功能，即GPGPU。這種模式將圖形渲染功能削弱，增加通用計算功能。GPU微架構設計是提升GPU性能的關鍵，它是兼容特定指令集的物理電路構成，包括流處理器、紋理映射單元、光柵化處理單元、光線追蹤核心、張量核心、緩存等組件。英偉達H100相比A100，性能提升了1.2倍來自于核心數目的提升，性能提升了5.2倍則來自于微架構的設計。

然而，在通用技術方面，國產廠商與國外仍存在巨大差距。目前我國使用的GPU芯片全部來自英偉達和AMD這兩家公司，雖然圖形渲染上的差距不斷縮小，但在通用計算方面仍然存在較大差距。首先，在制程方面，英偉達采用4納米制程，而國內廠商目前仍在7納米制程上。其次，在算力方面，國內廠商大多不支持雙精度（FP64）計算，而在單精度（FP32）和定點計算（INT8）方面與國外中端產品持平，天數智芯、壁仞科技的AI芯片產品在單精度性能上超過NVIDIA A100。最后，在生態方面，國內企業多采用OpenCL進行自主生態建設，相比Nvidia CUDA的成熟生態，差距較為明顯。

4、FPGA：國產替代空間巨大

至于FPGA，國產替代的潛力還是很大。吞吐量是CPU的十倍，功耗卻只有GPU的十分之一。全球FPGA市場呈現“兩大兩小”格局，Altera與Xilinx市占率共計超過80%，Lattice和Microsemi市占率共計超過10%。根據Frost&Sullivan的數據，國內FPGA廠商的國產化率不到5%，未來國產化的空間非常廣闊。在工藝制程方面，當前國產廠商的先進制程集中在28nm，落后于國際16nm水平。而在等效LUT數量上，國產廠商旗艦產品只有約Xilinx高端產品的25%。

同時，我們正在考慮投資MPGA（Massively Parallel Genetic Algorithms）芯片企業，MPGA是替代和補充FPGA的。重點考慮的是結構優化，結構優化可以讓MPGA超越FPGA在速度、容量、融合性、算力和功耗成本等方面都非常強。采用90納米工藝相對于FPGA的14到16納米工藝，從而減輕對光刻機的依賴。MPGA的基本訣竅是采用多層結構特殊工藝，簡化了結構，使指令執行速度更快，功耗更小。它實現了邏輯和配線分離，避免了馮諾依曼構架中運算單元和存儲單元分置的情況，實現了“存算一體”的功能。

5、ASIC：國產替代正當時

ASIC芯片因其定制化和分散化的特點而成為最成熟的解決方案。定制化的特點使得ASIC芯片能夠根據客戶需求進行定制設計，因此其市場壁壘相對較小。目前國內廠商在7nm工藝上已經與國外廠商持平，并且算力方面也逐漸趕上。國內廠商有望突破國外AI芯片的壟斷地位。

AI芯片的生態建設和產業規劃

對于AI芯片來說，最重要的護城河之一是生態體系，就像操作系統對于芯片的重要性一樣。生態體系對用戶體驗至關重要，比如英偉達的CUDA架構大幅降低了GPGPU并行計算的編程難度，實現了GPU并行計算的通用化。作為完整的GPU解決方案，CUDA提供了硬件的直接訪問接口，降低了開發門檻。

對于國內廠商，建設生態系統有兩條路線。一是兼容英偉達的CUDA，可以減輕開發和遷移難度，快速實現客戶端導入；二是自建生態系統，借鑒AMD和Google的做法，擺脫對英偉達的依賴，打造自己的生態圈核心壁壘。預計硬件性能高效且能構建符合下游需求的生態體系的國產廠商有望脫穎而出。

未來算力升級路徑

1、Chiplet是AI芯片大勢所趨

如何打破算力和制程工藝方面的瓶頸限制尤為重要，特別是在14納米以下的制程無法生產且無法做出來的情況下。解決這個問題，我們需要依靠先進封裝技術。系統異質整合是提升系統性能、降低成本的關鍵技術之一。AI芯片中，Chiplet技術正在興起，類似于搭積木的方式，通過先進的集成技術將一些預先生產的實現特定功能的裸片（Chip）封裝在一起，形成一個系統級芯片（SoC）。封測產業在國內芯片行業的產業鏈中處于最成熟的階段，通富微電和長電科技已經是全球第三大封裝企業，華天科技也處于市場戰略很高的地位。

2、存算一體：打破“存儲墻”限制

存算一體是一種新型的算力架構。在傳統處理器設計中，主要關注提升計算速度，而存儲方面更注重容量提升和成本優化，這導致了“存”和“算”之間性能失配的問題，即馮諾依曼架構中的“存儲墻”和“功耗墻”。從處理單元外的存儲器提取數據的時間往往是運算時間的成百上千倍，整個過程的能耗大約在60%到90%之間，能效非常低，成為了計算的瓶頸。在我國，存算一體的市場空間很大，預計到2025年將達到125億元，到2030年有望達到1136億元，增速也非常驚人。

最后，分享一個投資體會，當我們進行投資時，不僅僅應該專注于技術本身，更重要的是要跳出技術的視角，綜合考慮多方面因素。單純專注于技術而忽略其他方面可能導致投資效果不佳。

問答

Q1: AIGC對于國內的中大型企業來講，應用的障礙在于數據安全、流動共享等問題。目前我們有什么破局的手段和辦法？

A:主要有兩個層面，從國家立法層面，要持謹慎的態度。另外要做數據脫敏分析，不能直接進行盈利，如果直接把白名單泄露出去或者進行買賣盈利是不可行的。

Q2:按發展趨勢，就其他云計算廠商跟英偉達包括在這個芯片廠家之間的競爭格局是什么樣子的？

A：這個情況有些類似于手機操作系統的蘋果iOS和安卓系統。誰開放，誰采用開源策略，并沒有一個確定的結論。核心問題不在于技術本身，而在于生態系統的構建。除非大家聯合起來，實現全部開源并統一標準。但根據當前趨勢來看，各家都在建立自己獨立的生態體系，自行研發芯片以降低成本。然而，要達到像英偉達那樣通用的水平，仍然具有挑戰性。

Q3:國內AIGC的各類芯片成功的關鍵要素是什么？你是怎樣去選擇標的？

A：判斷標的標準首先要看大方向，我們必須考慮賽道的擁擠程度和競爭度。為什么GPU現在如此熱門，而國內卻沒有GPU呢？這是因為大家都站在同一條起跑線上。如果現在進入這個領域，是否還來得及取得優勢？拿CPU和GPU作比較，為什么GPU能做到而CPU做不到呢？對于投資來說，不能對技術有過多限制，否則容易產生一葉障目的局限性。邏輯很簡單，這類公司的應用領域是國產替代。目前國產替代最廣泛應用的是信創領域。另外，還需要看公司背景，CEO首席科學家的背書能力超過了團隊中百分之六七十的力量。

Q4：GPGPU公司在國內五年之后的發展格局會是什么樣？

A：目前我國國內的GPU和GPGPU初創公司，都是出于剛起步階段，就像萬米長跑，只不過是誰跑了500米，誰跑了1000米而已，先發優勢不是那么重要，誰能跑到萬米終點，目前來看，還沒有定論。但有一點，不論是先做圖形渲染功能的GPU公司，還是先做通用計算/并行計算的GPGPU公司，最后都會速途同歸，肯定都有野心做兩個功能兼備的GPU公司，只不過是結合各自企業的技術優勢和情況，切入點不同而已，因此未來3-5年肯定會有一番混戰。從綜合因素考慮，如果這家企業出身根正苗紅，擁有強大的創新能力，那么其先發優勢將更為突出，因此大家起步的市場，都有賴于信創產業。

Q5：請問我國目前大模型創業還有機會嗎？

A:目前來看，AI機器學習的大模型的主導地位還主要由大型企業占據。對于一些小公司來說，創業的難度可能較高。有些行業可能并不適合初創公司去涉足。在大模型創業領域，難度不僅僅在于算法，還在于后續的資源和資金投入，需要大量的數據庫和硬件成本來進行堆積、計算和迭代，你看GPT-3的訓練成本就高達1200萬美元，所以資金才是最大的門檻。

關鍵詞：