如何看待外部因子對工業富聯的催化作用？

下面將從歷史發展、資本投資、算力供需關系三方面出發，探 討外部因子對富聯的催化作用。

1. 歷史視角：AI 所帶動的算力發展短期內難言見頂

數據中心迅速演進，產業周期性顯著。回顧歷史，自 2001 年 起，數據中心形態經歷計算中心、信息中心、云中心、智能中心 四個階段，以融合新技術推動數據中心整合、升級、云化為主要 特征，產業整體發展周期呈現“四中心三拐點”。

綜合歷史發展進程來看，數據中心演進目前顯露出兩大特征： 1）發展周期橫向擴展：計算中心階段、信息中心階段、云中心階 段周期分別為 5、6、7 年，23 年為 ChatGPT 所引發的 AI 大模型 元年，智能中心建設需求發生明顯改變，智算中心建設的時間跨 度有望獲得極大程度擴容；2）智能中心時代，算力復合增長率出 現逆周期性提升：相比于云服務時代 17%的增長率，智能中心 2019-2022 年復合增長率高達 20%。 寬時域+高增長或成為 AI 時代 IDC 市場擴容的主要催化劑。 我們認為，得益于產業擴展與金融投資的共振，2023 年開啟的智 能中心 2.0 建設階段將在發展周期 T 以及復合增長率 CAGR 兩個 維度完成相對于云計算時代、智能中心 1.0 的超越，實現更廣闊的 市場空間。

2.資本視角：大廠開支驟增，市場融資并購加劇

云廠商資本開支長期擴容，算力基礎設施建設利好。 2019 年 -2022 年各大云廠商資本開支規模迅速擴大，從 652.64 億美元擴 張至 1448.78 億美元， 3 年期間資本開支復合增長率高達 30.45%。 盡管在 23 年 Capex 有所放緩，24 年各大云廠商分別給出開支反 彈的指引：Meta 將 24 年資本支出擴大到 350-400 億美元的范圍 內；微軟資本開支將在每季度基礎上大幅增加；谷歌則預計資本 開支保持在 480 億美元左右。 華爾街日益青睞 AI 創業項目。融資方面，根據 Crunchbase 數據庫，2022 年美國在 AI 領域風投的項目數達 574 個，同時據融 資服務機構 Carta 數據顯示，2023 年第一季度 A 輪 AI 初創公司融 資環比增長 58.4%；并購方面，湯森路宣布以 6.5 億美元收購 AI 法律初創公司 Casetext， Databricks 宣布以 13 億美元收購生成式 AI 初創公司 MosaicML。 我們認為，未來云廠商資本開支的快速擴張疊加資本市場對 AI 公司的持續偏好，將有利于整體基礎設施規模的穩定增長。

3.產業視角：推理側建設提速，基礎設施建設穩步增長

3.1 需求側：推理側興起，Sora 再添新活力

產業規模加速推進，算力摩爾定律顯現。Open AI 于 2018 年 發布的《AI and Compute》顯示，2012 年后計算量的增長大大超 過了原有的宏觀發展趨勢：1959-2012 年間，計算量的倍增時間約 為 2 年；而這一趨勢從 2012 年開始變為 3~4 個月。

Sora 模型重磅推出，文生視頻再獲突破。Sora 模型的推出標 志著 AI 內容編輯和生成實現了從文本到視頻的本質跨越。

推理側計算量高增，或成為未來算力主要推動因子。根據 Factorial Funds 發布的《Under The Hood: How OpenAI's Sora Model Works》一文指出，我們可以根據現有的 DiT 模型計算量推 測 Sora 的算力需求，其低/高算力數據集估計值分別為： 1.1 × 1025?????、2.7 × 1025?????，預計需要 4211~10528張H100計 算 1 個月。 同時，根據對已有 DiT 模型的推演，假設 Sora 生成的每個視 頻都經歷250次擴散，推理側超過訓練側算力的視頻生成時間節點 將在 1530-3810 萬分鐘之間，而目前 Youtube 全天的上傳視頻時 長就達到 4300 萬分鐘。我們認為隨著 AI 模型的快速迭代，推理 側模型發展將成為帶動算力成長的關鍵因素，模型的商用化、通 用化將從供需關系方面直接催化 AI 基礎設施的建設。

3.2 供給側：英偉達發售新芯片，算力供應出現邊際新變化

芯 片 迭 代 速 度 加 劇 ， Blackwell 持續賦能。 在 英 偉 達 GTC2024 大會上， 黃仁勛重磅推出 Blackwell 架構系列芯片，另 一重磅產品 GB200 則是將 2 顆 Blackwell 算力芯片與 1 顆 ARM CPU 集成在一起，GPU 與 CPU 之間通過 NVLink C2C 實現高達 900GB/s 的快速互聯。

云服務助力上層開發，大模型部署周期縮短。英偉達推出的 NVIDIA NIM 是經過優化的云原生微服務，旨在縮短上市時間并簡 化在云端、數據中心和 GPU加速工作站上部署的生成式AI模型 。 企業運營難度驟減，降本增效同時進行。通過 NIM，企業可 以優化他們的 AI 基礎設施，實現最大效率和成本效益，而無需擔 心 AI 模型開發復雜性和容器化。除了加速 AI 基礎設施，NIM 還有 助于提高性能和可擴展性，同時降低硬件和運營成本。

數據中心的集群化效應以及 NIM 等云原生服務的搭建有望深 度減輕廠商大模型開發的負擔，從而反哺于模型層與應用層的創 新，實現硬件層與軟件層的協同促進，共同發展。