浙商：
ChatGPT的背后：芯片
▲芯片需求=量↑x价↑
1）量：AIGC带来的全新场景+原场景流量大幅提高
① 技术原理角度：ChatGPT是基于GPT3.5架构开发的对话AI模型，历经 GPT-1/2/3迭代，在GPT3.5模型后，开始引入代码训练和指令微调，加入RLHF技术（人类反馈强化学习），从而实现能力进化。GPT作为知名的NLP模型，基于Transformer技术，随着模型不断迭代，层数也越来越多，对算力的需求也就越来越大。
② 运行条件角度：ChatGPT完美运行的三个条件：训练数据+模型算法+算力。其中训练数据市场广阔，技术壁垒较低，投入足够的人力物力及财力后即可获得；基础模型及模型调优对算力的需求较低，但获得ChatGPT功能需要在基础模型上进行大规模预训练，存储知识的能力来源于1750亿参数，需要大量算力。所以，算力是ChatGPT运行的关键所在。
2）价：对高端芯片的需求将拉动芯片均价
采购一片英伟达顶级GPU成本为8万元，GPU服务器成本通常超过40万元。对于ChatGPT而言，支撑其算力基础设施至少需要上万颗英伟达GPU A100，一次模型训练成本超过1200万美元。
从芯片市场角度出发，芯片需求的快速增加会进一步拉高芯片均价。目前OpenAI已推出20美元/月订阅模式，初步构建了优质的订阅商业模型，未来继续扩容的能力将会大幅提升。
“背后英雄”系GPU或CPU+FPGA等算力支撑
1）GPU可支撑强大算力需求。具体来说，从AI模型构建的角度：第一阶段是用超大算力和数据构建预训练模型；第二阶段是在预训练模型上进行针对性训练。而GPU由于具备并行计算能力，可兼容训练和推理，所以目前被广泛应用，ChatGPT训练模型中就已导入至少1万颗英伟达GPU（曾经风靡一时的AlphaGO也只需要8块GPU），推理部分使用微软的azure云服务，也需要GPU进行运作。所以，ChatGPT的火热兴起对GPU的需求可见一斑。
2）CPU+FPGA拭目以待。从深度学习的角度来看，虽然GPU是最适合深度学习应用的芯片，但CPU和FPGA也不可忽略。FPGA芯片作为可编程芯片，可以针对特定功能进行扩展，在AI模型构建第二阶段具有一定的发挥空间。而FPGA想要实现深度学习功能，需要与CPU结合，共同应用于深度学习模型，同样可以实现庞大的算力需求。
3）云计算依靠光模块实现设备互联。AI模型向以ChatGPT为首的大规模语言模型发展，驱动数据传输量和算力提升。伴随数据传输量的增长，光模块作为数据中心内设备互联的载体，需求量随之增长。此外，伴随算力提升能耗增长，厂商寻求降低能耗方案，推动低能耗的光模块发展。
结论：ChatGPT作为一种新兴的超智能对话AI产品，无论是从技术原理角度还是运行条件角度，ChatGPT都需要强大算力作为支撑，从而带动场景流量大幅增加，此外，ChatGPT对于高端芯片的需求增加也会拉动芯片均价，量价齐升导致芯片需求暴涨；面对指数级增长的算力和数据传输需求，可以进行提供的GPU或CPU+FPGA芯片厂商、光模块厂商即将迎来蓝海市场。