2023年，大模型竞争下的IDC市场(2021模型展)

无论是ChatGPT-4还是文新，本质都是算法大模型带来的AI军备竞赛，而除了这些大公司，大模型的出现有望带动AI服务器需求的爆发。CPU、内储、外储作为服务器的核心部件，受益于大型号的井喷发展，板块也将得到进一步的关注。本文重点介绍AI大模型服务器。

所谓的“大模型”通常是在无标签的大数据集上通过自监督学习来训练的。后来在其他场景的应用中，开发者只需要对模型进行微调或者使用少量数据进行二次训练，就可以满足新的应用场景的需求。

ChatGPT-4服务器试用版:

一、大模型的基础:计算场景升级为AI，CPU+GPU为核心。

服务器经过通用服务器-云服务器-边缘服务器-AI服务器四种模式，AI服务器使用GPU增强并行计算能力。

AI大模型服务器根据应用场景可以分为训练和推理。训练需要更高的芯片计算能力。据IDC预测，随着大模型的应用，2025年推理计算能力需求占比有望提升至60.8%。

AI大模型服务器按芯片类型可分为CPU+GPU、CPU+FPGA、CPU+ASIC等组合形式，目前国内主要选择CPU+GPU(占比91.9%)。

AI大型模型服务器的成本主要来自CPU、GPU等芯片，占比25%-70%，训练服务器80%以上的成本来自CPU和GPU。

大模型是人工智能发展的必然趋势，是辅助人工智能向通用人工智能转变的坚实基础，可以大大提高生产力。通过学习一种特征和规则，可以建立一个高效的通用模型，并在此基础上进行微调，可以应用于不同的场景。

以前大家都是自己开发模型，单个AI应用场景需要多个模型支撑。每个模型都需要算法开发、数据处理、模型训练等过程，消耗大量资源。在AI时代，这样低效的开发显然不是谷歌、微软、百度等公司所希望的。

现在，大模型已经实现了标准化的AI R&D范式，可以用简单的方式进行规模化生产，不仅可以降低自身AI开发的门槛，实现“低成本”、“高效率”，还可以将这种模型应用到有定制需求的企业。

所以基于这个基础，大模型的开发就成了互联网发展的必然结果。这个结果的底层技术支持是计算能力。计算能力是构建大规模模型生态的必要基础。其中，服务器作为计算能力的载体，无疑是大模型开发的重要支撑。而这些都将在文新和ChatGPT中起到决定性的作用，帮助这些大模型实现从输入到输出。

二是ChatGPT等大模型训练推理需求激增，带动AI服务器市场快速增长。

据预测，ChatGPT-4的参数数量最大为1.5万亿。因为参数与计算能力需求成正比，所以可以估算出GPT-4的计算能力需求高达31271 p flop/s-day。随着国内外厂商加速布局数千亿参数的大模型，培训需求有望进一步增长。叠加大模型的应用将带动推理需求的快速增长，共同驱动计算革命，助推AI服务器市场和出货量的快速增长。

服务器比普通电脑速度更快，负载更大，价格更高，但内部结构和普通电脑差别不大。当然，服务器的架构会随着负载的扩大而不断优化。当前的服务器体系结构已经从传统的单一模式转变为集群模式，进而发展成为具有广阔应用前景的分布式体系结构。

在分布式架构中，将整个系统按照不同的功能划分为多个功能单一的子模块，每个模块放入不同的服务器中相互配合，形成一个服务器网络，服务器也是区块链应用的底层技术支撑。

随着应用需求的不断扩大，不同架构的服务器正在遍地开花。人工智能应用场景中的加速计算服务器，因其强大的计算能力，成为服务器中的核心驱动力。从最近文新到ChatGPT-4的话来看，AI场景下的加速计算服务器已经成为每个家庭计算能力和模型的基础，AI服务器的价值也在逐渐凸显。

AI服务器不同于通用服务器。作为计算力载体，更擅长海量数据处理和计算，可为人工智能、深度学习、神经网络、大模型等场景提供广阔的动力源，广泛应用于医药、材料、金融、科技等行业。未来，AI服务器必将为数字经济时代的发展提供强大的驱动力。

如果将当前的ChatGPT部署到谷歌进行的每一次搜索中，将需要512，820.51个A100 HGX服务器和总共4，102，568个A100GPUs，仅资本支出一项，这些服务器和网络的总成本就将超过1000亿美元。在生成式AI模式的广阔应用背景下，预计中长期内对高计算能力服务器的需求仍将保持旺盛，支撑它们的交换机、服务器等数据中心计算基础设施也将迎来新一轮的快速增长。