电子行业深度报告：AI新范式，云厂商引领与内需为王.docx
目录
ScalingLaw2.0，CSP的私域数据成为关键 3
关于ScalingLaw的争议，从数据规模到数据精度 3
CSP的三大利器：私域数据、推理需求、从云到端 5
CSP异军突起，百舸争流的算力竞争时代开启 9
从外采到自研，CSP的算力升级之路 9
CSP算力供应链新变革 16
端侧：豆包出圈，互联网巨头入局AI终端 28
字节豆包先行，加速端侧落地 28
AI终端空间广阔，SoC是影响体验的核心硬件 32
投资建议 36
行业投资建议 36
相关公司梳理 36
风险提示 40
插图目录 41
表格目录 41
ScalingLaw2.0，CSP的私域数据成为关键
关于ScalingLaw的争议，从数据规模到数据精度
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，
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。
图2：ScalingLaw的三要素：算力、数据量、参数规模
资料来源：EliasZ.Wang《ScalingLawsforNeuralLanguageModels》，
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ScalingLaw发挥作用。
放缓 图3：2018-2028年全球数据量 图4：大模型ScalingLaw将在2028
放缓
资料来源：IDC， 资料来源：《Willwerunoutofdata?LimitsofLLMscalingbasedonhuman-generateddata》PabloVillalobos等，
ScalingLaw2.0，高精度私域数据的强化学习
当下传统的ScalingLaw受限于数据量，私域高精度数据或成为ScalingLaw2.0的核心要素。12月15日，在NeurIPS大会上，OpenAI前首席科学家Ilya在公开演讲中提到，由于目前“我们已经达到了数据的峰值，未来不会再有更多的数据”，当前AI模型的预训练方式可能走向终结。Ilya的发言认为当前传统的ScalingLaw即将失效，新的ScalingLaw，即在特定领域的强化学习将发挥更
重要的作用。想要在特定领域训练出垂直化的“专家大模型”，数据的数量不再成为衡量数据好坏的唯一标准，数据的精度、准确度等指标更为重要，私域数据、人工标注的数据可能成为下一阶段大模型发展过程中的核心竞争力。
图5：低精度的训练数据增多可能反而对模型性能造成
损害
图6：使用更高精度的数据将减小因数据质量不佳而对
模型性能造成的损害
资料来源：《ScalingLawsforPrecision》， 资料来源：《ScalingLawsforPrecision》，
CSP的三大利器：私域数据、推理需求、从云到端
CSP：掌握私域数据，延续ScalingLaw
私域数据成为延续ScalingL