电子行业深度报告：AI新范式，云厂商引领与内需为王.pdf
行业深度研究/电子
目录
1ScalingLaw2.0，CSP的私域数据成为关键3
1.1关于ScalingLaw的争议，从数据规模到数据精度3
1.2CSP的三大利器：私域数据、推理需求、从云到端5
2CSP异军突起，百舸争流的算力竞争时代开启9
2.1从外采到自研，CSP的算力升级之路9
2.2CSP算力供应链新变革16
3端侧：豆包出圈，互联网巨头入局AI终端28
3.1字节豆包先行，加速端侧落地28
3.2AI终端空间广阔，SoC是影响体验的核心硬件32
4投资建议36
4.1行业投资建议36
4.2相关公司梳理36
5风险提示40
插图目录41
表格目录41
本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明证券研究报告2
行业深度研究/电子
1ScalingLaw2.0，CSP的私域数据成为关键
1.1关于ScalingLaw的争议，从数据规模到数据精度
1.1.1大模型的摩尔定律，算力需求指数级增长
ScalingLaw是AI产业发展的通用规律，在ScalingLaw下，大模型对算
力的需求以每年10倍左右的速度增长，甚至超过了摩尔定律下半导体晶体管密度
的增长速度。AI大模型的算力需求在过去几年呈现快速增长的态势，Transformer
算力需求在2年内增长750倍，平均每年以接近10倍的速度增长。以OpenAI
的GPT为例，GPT1在2018年推出，参数量级为1亿个，OpenAI下一代推出
的GPT5参数量级预计达到10万亿。
图1：AI大模型对算力的需求超过摩尔定律
资料来源：CSDN，民生证券研究院
1.1.2数据成为瓶颈，ScalingLaw放缓
大模型的ScalingLaw表明，计算量、数据量、参数规模三个因素的增长能
够不断提升大模型的性能。在任意其他两个指标不受限制的情况下，大模型的性能
和另一个因素都呈现幂律关系，在大模型过去的发展过程中，算力、数据量、参数
规模三个指标均没有达到上限，ScalingLaw仍然在发挥作用，大模型的性能也在
持续改善。
本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明证券研究报告3
行业深度研究/电子
图2：ScalingLaw的三要素：算力、数据量、参数规模
资料来源：EliasZ.Wang《ScalingLawsforNeuralLanguageModels》，民生证券研究院
然而公开数据量的有限性制约了ScalingLaw进一步发挥作用。据IDC，
2018年全球数据总量为39.9ZB，预计到2028年，全球数据总量将达到393.8ZB，
CAGR增速为25.7%，该增速远远低于ScalingLaw下大模型参数和算力需求每
年10倍左右的增长速度。PabloVillalobos等人的研究表明，在2028年左右，
大模型能够获得的数据量级将达到上限，受限于数据量，ScalingLaw将会放缓。
实际上，由于大模型自2022年底以来的加速发展，数据量可能在2028年以前就
会达到天花板，从而限制Scali