通信行业深度研究报告（通信行业专题报告）

（报告出品方/作者：民生证券，马天诣、谢致远）

1 应用：ChatGPT 引入插件 Plugin，AI 生态伊始

1.1 看海外：ChatGPT 插件或开启苹果 App Store 模式

插件支持功能促进 ChatGPT 更好接入第三方应用。北京时间 3 月 24 日，人 工智能公司 OpenAI 宣布为 ChatGPT 添加插件支持，未来可访问第三方应用程 序。目前 OpenAI 针对开发人员及 ChatGPT 用户，将插件集成至其使用产品的 API 中，通过“开发—使用”闭环增加用户访问量，从而打造人机交互范式社区。 目前已有多家巨头接入使用插件。 ChatGPT 通过插件功能已实现类似 Python 的效果，赋能百业。根据 OpenAI 官方演示，ChatGPT 接入数学知识引擎 Wolfram Alpha 后，数值计算 精确度得到较大提升。

联网打开 ChatGPT 更多想象空间。在 ChatGPT 联网前，用户仅能查询到 2021 年 9 月之前的消息，但随着 OpenAI 开放网络浏览器和代码解释器，用户 不仅能够查询到最新新闻，同时能够将自己的私人数据如个人文档、笔记、邮件 等输入 ChatGPT 供其训练。从这一点看，我们认为 ChatGPT 未来最大的进步在于从“有监督式”学习转向“无监督式学习”。在联网前，ChatGPT 都是从已有 固话训练集中获取学习素材，需要人为调整训练参数才能提升学习精度；联网后， ChatGPT 能够根据实时更新数据素材进行“自我迭代”，搜索精准度、理解准确 度都将迎来新的提升。

打造类 App Store 商业模式，多家知名品牌已经接入，AI 生态圈正处于起 步阶段。目前 OpenAI 邀请的第一批开发伙伴主要包含 Shopify、Slack 以及旅 游平台 Expedia、生鲜电商 Instacart、旅游搜索引擎服务商 Kayak、在线餐厅预 订 服 务 平 台 OpenTable 、 自 动 化 平 台 Zapier 等 。 如 用 户 可 通 过 Instacart ChatGPT 插件，发送预定商品指令，ChatGPT 处理指令后电商平台 Instacart 可直接下单并将货品送至客户地址。 我们认为 ChatGPT 已经成为 OpenAI 的生态平台底座，开发人员可在 OpenAI 平台上创建并分享自己基于 ChatGPT 底层开发的插件。类似于苹果的 App Store 允许第三方应用程序在其设备上广泛接入。

1.2 析国内：各家大厂纷纷发布大模型

供需两侧增长较快，国内环境给予大模型良好生长土壤。从需求端看，我国 AI 软件及应用市场增长较快。根据 IDC 统计，2021 年中国人工智能软件及应用 市场规模为 51 亿美元，预计 2026 年达 211 亿美元。我们认为当前人工智能已 进入大规模应用的关键时期，但过去受高开发门槛、复杂多样应用场景、数据标 注等问题桎梏，AI 应用并未形成规模化效应。从供给侧看，信息化的发展使得数 据量井喷式增长，带来数据“宝藏”的同时也对技术提出更多挑战，但不可否认 的是，数据既是 AI 发展的驱动力，同样也可成为其发展的瓶颈，数据的井喷式增长也带来了算力复杂度提升。根据 IDC 统计，我国数据规模有望从 2021 年的 18.51ZB 增长至 2026 年的 56.16ZB，CAGR 24.9%，增速居于全球第一。 “大模型”是打通人工智能技术通用性“任督二脉”的关键。过去在分散化 的模型研发模式下，单一的 AI 应用场景下多个任务需要由多个模型共同支撑完成， 每一个模型建设都需要算法开发、数据处理、模型训练与调优过程。预训练大模 型增强了人工智能的通用性、泛化性，基于大模型通过零样本或小样本精调，就 可实现在多种任务上的较好效果。大模型“预训练 精调”等模式带来了新的标 准化 AI 研发范式，实现 AI 模型在更统一、简单的方式下规模化生产。

百度：文心大模型已拥有模型 平台 产品构成的全套体系。百度文心已经 构建了文心大模型层、工具平台层、产品与社区三层体系。在产品能力上，文心 大模型通过与百度飞桨 Paddle-Paddle 深度学习平台组合，可以满足市场大规模 落地需求；在应用能力方面，百度已在金融、能源、制造、城市、传媒、互联网 等行业拥有实际落地的标杆案例；在生态能力方面，以社区用户为基础，文心大 模型可以实现与开发者、行业用户、上下游产业的正向互动。 百度文心大模型参数量达到 2600 亿，在市场格局中处于第一梯队。文心大 模型构建了“基础 任务 行业”的三级模型体系，基础大模型作为整体的底座 来支撑任务与行业大模型的建设，任务和行业大模型则通过结合真实场景与数据 反哺基础大模型优化。基础大模型旨在技术挑战、通用性、泛化性探索；任务大 模型由对话、搜索、信息抽取、生物计算等多个典型任务构成；最后所得出的行 业大模型已经形成了包含了与来自 8 个行业的头部企业或机构共建的 11 个行业 大模型。

行业大模型是百度文心大模型深入产业落地的重要措施与载体。百度与行业 头部企业、机构联合研发的融合行业数据、知识以及专家经验的大模型，在各行 业的技术效果突破、产品创新、生产流程变革、降本增效等维度产生价值。如国 家电网与百度联合发布知识增强的电力行业大模型；浦发银行与百度在行业数据、 大算力和 AI 算法上优势互补，联合研发面向金融行业的大模型；百度与人民网合作，引入舆情数据中心沉淀的行业知识来更好训练知识增强的传媒行业大模型实 现更少的标注数据下大幅提升传媒行业自然语言处理任务效果等。

百度文心围绕大模型产业应用的不同研发环节，面向不同开发者或用户，打 造系列工具平台与场景化产品。对于开发者拥有面向 NLP 工程师的大模型套件 ERNIEKit;对于下游应用，文心开放了 API 接口供其使用；对于用户则推出了基于 大模型驱动的新一代产业级搜索系统文心百中，以及 AI 艺术与创意辅助平台文心 一格。 华为：盘古大模型已深耕行业，发掘应用。华为的盘古 AI 大模型项目于 2020 年立项，并于 2021 年 4 月发布“盘古大模型”。依托华为自身的全栈式 AI 解决方案，将大模型与 ModelArts 平台深度结合。当前盘古大模型已经发展出包 括基础大模型（L0）、行业大模型（L1）、行业细分场景模型（L2）三大阶段的成 熟体系。

盘古大模型首个落地应用“矿山 AI 大模型”。在智能矿山领域，华为旨在将 AI 应用门槛降低，将应用场景串联，将 IT、CT、OT 系统相互联系。为此，华为 拥有以“矿山 AI 大模型”为代表的 IT 技术；以 5G、F5G 为代表的 CT 技术；以 “矿鸿”操作系统为代表 OT 技术。“IT CT OT”的“3T 融合”将矿山内部众 多的工作“微场景”联接成为“中场景”，将“中场景”联接成为“巨场景”，再 将“巨场景”联接成为“智能矿山”。进而推动集团型能源企业的数字化转型。 华为 ModelArts 一站式 AI 平台为开发者提供平台支持。ModelArts 平台拥 有为机器学习与深度学习提供海量数据据预处理及交互式智能标注、大规模分布 式训练、自动化模型生成，及端-边-云模型按需部署的能力，并具有数据处理、算法开发、模型训练、AI 应用管理和部署等功能，可以帮助用户快速创建和部署 模型，管理全周期 AI 工作流。

腾讯：混元大模型已成为深入产业落地的重要措施。腾讯在 2022 年 4 月首 次对外披露了混元大模型，该大模型作为协同了腾讯预训练研发力量的成果，完 整的覆盖了 NLP 大模型、CV 大模型、多模态大模型以及众多行业领域的任务模 型。 腾讯太极机器学习平台为混元大模型提供底层支持。腾讯自主研发的一站式 机器学习生态服务平台——太极机器学习平台，为 AI 工程师提供了从数据预处 理、模型训练、模型评估到模型服务的全流程高效开发工具，已成为大模型训练 的有效保障。

混元 AI 大模型已在腾讯多个业务场景中落地。 混元大模型先后支持了包括 微信、QQ、游戏、腾讯广告、腾讯云等多项产品和业务，通过 NLP、CV、跨模 态等 AI 大模型，在创造了增量价值的同时降低使用成本。其中在广告内容理解、 行业特征挖掘、文案创意生成等方面的应用，在为腾讯广告带来大幅 GMV 提升的同时，也初步验证了大模型的商业化潜力。

阿里巴巴：通义大模型于 2022 年 9 月发布并宣布相关核心模型开源开放。 在 2022 年 9 月 2 日，阿里发布 " 通义 " 大模型系列，核心模型通过 " 魔搭 " 社 区向全球开发者开源开放。" 通义 " 系列大模型以统一学习范式和模块化设计理 念统一架构、模态、训练、应用等方面，使用开源社区 " 魔搭 " 进行模型服务共 享，推出 " 飞天智算平台 " 提升 AI 训练效率。目前阿里 " 通义 " 大模型已广泛用 于电商、设计、医疗等领域，助力其降本增效。

2022 年 11 月，阿里推出 AI 开源社区 " 魔搭 "（ModelScope）。自 2021 年起，阿里达摩院先后发布多个版本的多模态及语言大模型，在超大模型、低碳 训练技术、平台化服务、落地应用等方面实现突破，引领了中文大模型的发展。"魔搭"旨在打造下一代开源的模型即服务共享平台，致力降低 AI 应用门槛。 2023 年 3 月，阿里在"魔搭"上线了"文本到视频生成扩散模型"，实现视频生成功 能。

2 硬件：算力仍是重中之重，带动产业链成长

2.1 超越摩尔定律，未来 AI 算力有望几何式增长

ChatGPT如火如荼，开启大算力时代。我们认为ChatGPT体现了当前AI训 练速度、训练精度的提升，背后的根本逻辑在于庞大训练数据集的支撑，而对于 硬件层面来说，计算与传输是保证ChatGPT平稳运行的核心。根据贝壳财经咨 询，北京时间2月9日，由于训练量超负荷，ChatGPT官网无法登录，页面显示 “超负荷”，侧面印证了当前的网络资源/计算能力无法保证未来大量涌入的算力 需求。ChatGPT的总算力消耗约为3640PF-days，从摩尔定律角度看，以 ChatGPT为代表的AI发展速度呈指数级上涨，约每隔3～4个月翻倍（摩尔定律翻 倍周期约18个月）。 ChatGPT大模型需要海量算力给予支持。根据OpenAI团队发表于2020年的 论文《Language Models are Few-Shot Learners》，训练1次1746亿参数的 GPT-3模型需要的算力约为3640 Petaflop/s-day（假设模型1PetaFLOP/s效率 运行，需要训练3640天）。根据TrendForce统计，GPT-3训练时大概用到了 20000个英伟达A100 GPU芯片。

从OpenAI官网访问量看，根据Similarweb数据统计，2月ChatGPT应用PC 端 手机端平均日活1939万人，假设每人平均提1000字（假设均为英文单词） 左右的问题，则合计产生约194亿单词，根据OpenAI，平均每4个字母对应1个 token，我们假设每个单词包含5个字母，则共需要消耗242.5亿个token。假设 24小时平均分配任务，平均每天需要的总算力=242.5亿*1000亿/(24小时*3600 秒)*100=280.67 Petaflop/s，考虑OpenAI访问存在峰值，假定访问峰值是一天 均值的2倍。目前英伟达A100芯片峰值算力约19.5TFLOP/s，则需要A100 GPU 芯片约280.67*2/19.5*1000=28786片。

AI 大模型运算律超越摩尔定律。根据 GitHub 社区文章《AI and Memory Wall》，CV，NLP 和语义模型的模型运算量平均每 2 年翻 15 倍；Transformer 模型的运算量平均每 2 年翻 750 倍。而摩尔定律下内存硬件大小的增长平均每 2 年仅翻 2 倍。 GPU 成为 AI 模型训练基石。GPT-3.5 训练过程中使用了微软专门建设的 AI 计算系统，其为 1 万个英伟达 V100 GPU 组成的高性能网络算力群。总算力消耗 约 3640 Petaflop/s-day。 对于人工智能计算架构来说，CPU 配合加速芯片的模式是典型的 AI 部署方 案：CPU 提供算力，加速芯片提升算力并助推算法的产生。常见的 AI 加速芯片 按照技术路线可以分为 GPU、FPGA、ASIC 三类。其中，应用于图形、图像处理 领域的 GPU 可以并行处理大量数据，非常适合深度学习的高并行、高本地化数据 场景，是目前主流的人工智能计算架构。

2.2 从 CPU 到 GPU，AI 模型推动行业结构性变化

偶然中的必然，AI与GPU的不解之缘。2011年，Dan等研究人员研究深度 学习时，曾利用英伟达GTX 480和GTX 580的GPU与英特尔Core i7-920的CPU 分别对神经网络模型进行计算。结果显示GPU计算加速效果为远超CPU：针对网 络规模小的模型加速效果GPU为CPU的10倍；而针对大规模网络模型GPU效果更 是高于CPU的60倍。2016年AlphaGo战胜李世石标致着AI浪潮的兴起，更带动 了全球AI产业发展，GPU也逐渐成为AI计算的“标准配置”。 CPU与GPU相互辅助，GPU负责更为复杂计算。不同于CPU核心，GPU专 注于某些特定计算任务，可以将GPU比作“大学教授”，CPU比作“学生”，虽 然教授（GPU）知识结构/计算能力强于学生（CPU），但学生（CPU）数量庞 大，在处理简单重复计算时效率高于GPU。

从CPU于GPU结构出发，CPU主要从主存中读写数据，并通过总线与GPU交 互。GPU不仅拥有较多的计算核心，更有独立存储功能。单台服务器上可以安装多块GPU卡，但GPU卡的发热量较大，普通的空调系统难以给大量GPU卡降温， 所以大型数据中心通常使用水冷散热，并且选址在温度较低处。 GPU计算特性同AI服务器较为匹配。训练AI模型的过程需要同时对所有数据 样本执行几乎相同的操作，而GPU的架构设计具有快速同时处理多个任务所需的 并行处理能力，因为针对AI模型的AI服务器大多采用GPU芯片架构。

AI 服 务 器 全 球 出 货 量 迅 速 增 长 ， 侧 面 印 证 GPU 需 求 紧 俏 度 。 根 据 TrendForce统计预测，2022年搭载GPCPU（General Purpose GPU）的AI服务 器年出货量占整体服务器比重近1%，2023年出货量同比增长约8%，2022-2026 年复合增长率将达 10.8%。2022 年 AI 服务器采购中，北美四大云端厂商谷歌、 亚马逊 AWS、Meta、微软合计占比 66.2%。国内市场方面，字节跳动采购力 道最为显著，年采购占比达 6.2%，紧随其后的是腾讯（2.3%）、阿里巴巴 （1.5%）、百度（1.5%）。 根据AI服务器及GPU搭载比例，模型训练阶段约需要使用近三千台AI服务器。 根据JPR统计，截至4Q22，英特尔GPU市场份额达71%，英伟达以17%位居第 二，AMD份额保持在12%左右。

从算力需求计算上来看，我们认为总算力同未来用户访问次数相关。根据我 们上一节对 GPT 算力需求测算，仅 OpenAI 预训练阶段就需要近 3 万颗英伟达 A100 芯片；按 1 台 AI 服务器搭载 8 颗 AI 芯片比例测算，大约需要 3598 台 AI 服务器。我们以 Midjourney（文字生成 AI 图片应用）访问量为例，2023 年 3 月平均访问次数133万次，2月PC端 手机端平均日活1440万人，接近OpenAI 访问量。

从国内大模型视角出发，考虑我国繁多的应用，算力需求将进一步拉大。虽 然我们认为国内 AI 大模型同海外相比仍待发展，但正因为国内模型较海外存在差 距，更需要算力及数据训练支撑提升模型精度，GPU、服务器需求有望快速增长。 我们认为国内在 AI 模型上会逐渐延伸为：个别大模型 若干小模型的情况。即几 家互联网巨头分别推出自家 AI 大模型，二线互联网厂商基于自己应用场景推出垂 直“小模型”，接入大模型训练。我们认为国内大模型也将类似于 OpenAI 开放 API 接口，垂直小模型将通过 API 接口调用大模型运算能力/训练准确度。百度推 出文心一言 API 飞桨接口也同样印证了我们上述想法。从上述维度看，国内 AI 模型也将走出 MaaS（Model as a service），百度、腾讯、阿里等云厂商将大模 型接入云后，为垂直行业提供数据训练服务。

2.3 数据中心走出新生态，打造算力池

全球维度看，以 EQIX、DLR、IRM 等 IDC 龙头公司收入均呈稳步增长， 3FQ22 三家公司收入分别同比增长 9.9%/5.2%/13.9%。我们认为海外 IDC 企业 收入稳步增长主要受益于下游客户加大对数字化转型投入正相关。此外，海外区 域分布式混合云也加大了流量算力需求。回顾国内，自 3Q21 电价市场改革以来， IDC 公司总成本承压。结合 REITs、ESG 等新兴投融资方式，我们认为“绿色化 能力较差”的 IDC 公司将面临融资成本上升，PUE 改造升级等内外部压力，预计 未来行业竞争格局出现改善。

AI 数字经济拉动 IDC 需求稳定增长；需求拉动，数据中心加速向大型化转 型。根据中国信通院统计，2021 年我国数据中心行业市场收入达到 1,500 亿元 左右，近三年年均复合增长率达到 30.7%。AI 数字经济加速云产业发展，国内 互联网行业受人口红利减弱及反垄断政策的影响，互联网厂商近年来资本开支呈 现疲软态势。我们认为，AI 的激增算力将加大对算力提升的需求，加之数字经济 政策进一步推动企业上云，云计算产业有望加速发展。 我国数据中心机架规模稳步增长。按照标准机架 2.5kW 统计， 2021 年，我 国在用数据中心机架规模达到 520 万架，近 5 年 CAGR 超过 30%。其中，大型 以上数据中心机架规模增长更为迅速，按照标准机架 2.5kW 统计，机架规模 420 万架，占比达到 80%。

IDC 基础设施有明显的地域性特征。IDC 的地域集中性和中国网络拓扑结构 及客户需求密切相关，因为 IDC 需要保障客户数据对外的网络连接顺畅。用户选 择 IDC 资源时，网络时延是重要的考虑因素；对时延要求敏感的应用如远程服务、 在线娱乐、在线支付等需求快速增长，且向头部城市靠拢，导致一线城市 IDC 需 求强劲增长。国内网络结构中，核心节点为北京、上海、广州、沈阳、南京、武 汉、成都和西安八个城市，其中北京、上海、广州为三个中心，与其他核心节点 互联并负责与国际 Internet 互联。 复盘IDC，社交媒介改变/数据井喷有望带来需求高增。我们认为上海数字经 济发展位于全国前列，沪上 IDC 市场空间增长一定程度代表了数字经济背景下国 内 IDC 行业的发展。根据科智咨询统计，2021 上海地区传统 IDC 业务市场规模 达到 159 亿元，实现平稳增长。供给侧和需求侧的双重影响，上海地区潜在有效 供给持续增加，需求平稳增长，以公有云为代表的泛互联网行业仍是上海新增需 求的主要驱动力。未来几年，基于上海本地互联网企业云化进程加速、全国互联 网企业在华东区域的规模化布局的这一大背景下，5G、AI 等技术有望带动消费互联网进一步创新，同时随着传统产业持续数字化转型，上海市数据中心产业仍 有望保持快速增长。

2021 年北京地区数据中心增长同样印证了前文逻辑。2021 年，北京及周边 地区 IDC 市场最主要的需求来源为视频、电商、游戏等互联网行业，互联网行业 IDC 需求占比达到 65.2%。我们认为北京地区需求侧的增长同样来自于社交媒介 的改变。2020-2021 年短视频的广泛传播一方面加大了用户流量；另一方面短视 频的数据格式相较文字更为复杂，多维度计算同样加大了算力需求。

模型训练成本趋呈上升趋势。过去计算机行业假设为“数字处理会变得越来 越便宜”，但考虑到不断上升的研究复杂性和竞争性，斯坦福人工智能研究所副 所长克里斯托弗曼宁表示：最前沿模型的训练成本还在不断上升。 训练计算环境成本与模型大小成正比。根据马萨诸塞大学阿默斯特校区研究 人员公布的研究论文显示，大模型底座以神经网络为主。而在调整神经网络体系 结构以尽可能完成详尽的试验，并优化模型的过程，相关成本较高。单 BERT 模 型的碳足迹约为 1400 磅二氧化碳。 我们认为，AI 计算系统正在面临计算平台优化设计、复杂异构环境下计算效 率、计算框架的高度并行与扩展、AI 应用计算性能等挑战。算力的发展对整个计 算需求所造成的挑战会变得更大，提高整个 AI 计算系统的效率迫在眉睫。

智算中心大势所趋。根据 IDC 发布《2022-2023 中国人工智能计算力发展评 估报告》，中国人工智能计算力继续保持快速增长，2022 年智能算力规模达到 268 百亿亿次/秒(EFLOPS)，已超过通用算力规模。 智算中心建设对软硬件均有一定要求。目前我国的智算中心基本采用了高标 准建设，100P 算力是起步目标，该算力大约相当于 5 万台高性能电脑。我们认 为如果说过去传统的数据中心是“快捷酒店”，那么智算中心可以理解为“高端型酒店”，主要针对拥有 AI 模型计算的“高净值客户”提供数据训练支撑。而对 于第三方数据中心厂家而言，智算中心的投资模式也不同于传统 IDC 机柜。对于 传统 IDC 机柜，内部服务器、CPU 等大多有下游客户自行购买，且应用场景也主 要为云计算、简易推荐算法等。而智算中心主要针对 AI 大模型训练，对于 BAT 等大型互联网厂商而言，自行采购 GPU、AI 服务器带来的成本足以被模型带来的 收益所覆盖；而对于二三线互联网厂商而言，要想训练出自己的大模型不可避免 需要投资如英伟达 A100/A800 等高性能芯片，高昂的成本或使上述小厂“望而 却步”，但如通过第三方数据中心公司采购，则成本可被“嫁接”至数据中心厂 商的资本开支，会随逐年折旧摊薄，二三线互联网“小模型”接入训练后同时能 够带动第三方数据中心上架率的提升。

超算中心涉及多个核心 GPU 芯片，有望拉动板块整体投资。以中科大瀚海 20 超级计算系统为例，该系统共计 752 个节点，含 30640 颗 CPU 核心、20 块 Nvidia Tesla V100GPU 卡、16 块 NVIDIA A100 Tensor Core GPU 卡及 60 块 华为 Atlas AI 卡，理论峰值双精度浮点计算能力达 2.69Petaflop/s。 根据我们测算，但超算中心有望拉动投资额近 500 亿元。中科大瀚海 20 超 级计算系统总功率约 39kw，相较普通机柜功率高 2~4 倍，属高密度机柜。假设 当前第三方 IDC 公司所建高功率机柜以 10kw 功率为主，则投资额约为 227 亿 元。

智算中心有望拉动投资额百亿元，高功率机柜 10 万余个。单智算中心算力 约 2.69Petaflop/s，根据我们上文测算，单大模型训练算力需求约 280.67 Petaflop/s。我们认为未来“大模型带小模型”将成为趋势，假设算力需求放大 50 倍（多家二三线互联网小厂接入大模型 API 训练），则总算力需求扩至 14033.5 Petaflop/s，此时需要智算中心约 5217 个（合 52170 个机柜）。但由于 上述计算以 39kw 功率为基础计算，密度通常为普通高功率机柜 2~4 倍，取放大 系数为 2，则需要机柜 10.4 万个。

从 ChatGPT 所需要 GPU 数量测算，未来所需要高功率机柜近 7.5 万个。根 据钛媒体，GPT 3.5 完全训练需要 A100 芯片近 3 万颗，对应英伟达 DGX A100 服务器近 3750 台。考虑到英伟达 DGX A100 服务器单台最大功率为 6.5kw，假 设平均功率为 4kw/台，则 10kw 功率机柜可搭载 2.5 台 AI 服务器。为满足 3750台 AI 服务器，需要建设机柜 1500 个，假设算力需求扩至 50 倍，共需要高功率 机柜约 7.5 万个。

3 温控：解决高功率算力池下的“阿喀琉斯之踵”

AI 大趋势下，数据中心耗电成为“阿喀琉斯之踵”。以电量=功率*时间计算， 智算中心的运行取决于 IT 设备提供服务的重要程度。大中型数据中心大多配有双 路市电 后备柴发作为保障，IT 设备的运行时不间断。根据英伟达，其 DGX-1 服 务器功率约 3.5kw，全年功耗=3.5*360*24=30240kwh（1kWh=1 度电）。根据 国家能源局统计，2022 年城乡居民生活用电量约 13366 亿 kwh，年末全国总人 口约 14.1 亿人，平均每人每年用电 948kwh，换算每台 AI 服务器每年接近 32 个 居民全年耗电量。根据我们前文测算，大模型训练需要近 3750 台 AI 服务器，而 数据中心的总能耗不单单来自于 IT 设备，为 IT 设备提供支撑的电力、制冷等也 会消耗电力。

短期维度看，数据中心耗电量快速增长同 PUE 指标是主要矛盾。根据国家能 源局统计预测，2022 年我国数据中心总耗电量约 2700 亿千瓦时，同比增长约 24.7%，占全社会用电量比重近 3.1%（较 2022 年提升 0.5pct）。在能耗变高的 同时，在用大型数据中心 PUE 也存在较大提升空间。根据《东数西算下新型算力 基础设施发展白皮书》统计预测，2022 年我国在建超大型数据中心平均 PUE 需 <1.4，23 年需<1.3。

“10℃法则”—数据中心温度与平均无故障运行时间（MTBF）的关系。对 于现代电子元器件而言，环境温度每提高 10℃，元器件寿命就会降低 30%～ 50%，影响小的也基本都在 10%以上。数据中心的计算机服务器、交换机、存储 器等 IT 设备的集成度越来越高，精密性也越来越高，使数据中心机房的空调负荷 特点更加显著，表现为热负荷大、湿负荷小、单位体积发热量越来越大。 根据《新基建：数据中心创新之路》1，数据中心计算设备热负荷可根据公式 = × 123()计算，其中1为同时使用系数，可按主机1 = 1.0；2为利用 系数，通常取值 0.8~1.0；3为负荷工作均匀系数，取值 0.8~1.0。根据上文测算，训练大模型生态远期所需机柜约 10.4 万个，合计 A100 GPU 约 83.2 万个， 计算设备热负荷1 = 83.2 × 4kw/台 = 332.8 × 104kw，约等于总制冷量需求。

数据中心制冷主要采取风冷 液冷，液冷有望成为大数据中心主流方案。根 据 IDC 圈，液冷的冷却能力较风冷而言高 1000~3000 倍，且液冷对环境要求更 低，适应性更强。根据 Dell 'Oro 统计预测，2022 年-2027 年数据中心基础设施 （DCPI）收入 CAGR 有望保持 8%，超 350 亿美元。且随着英特尔、英伟达、 AMD 等处理器与加速器性能的提升，数据中心机架功率密度会再度提升。根据 Dell 'Oro 预测，直接液冷和浸入式冷却(单相和两相)预计将大幅增长，到 2027 年将达到 17 亿美元，占热管理收入的 24%。

4 重点公司分析

4.1 奥飞数据

下游服务客户覆盖广，提供全方位数据中心解决方案。公司已经成为国内较 有影响力的专业 IDC 服务商，通过多年的精细化运营和稳步发展，现已接入中国 电信、中国联通、中国移动、教育网等全国性骨干网络，搭建了一个安全、稳定、 高效的智能网络平台，服务客户覆盖短视频、网络游戏、直播、门户网站等多个 行业，积累了良好的商业信誉，获得了市场的广泛认可。公司拥有较为完善的基 础网络设施，服务种类齐全，涵盖 IDC 服务以及网络接入、数据同步、网络数据 分析、网络入侵检测、网络安全防护、智能 DNS、数据存储和备份等增值服务， 能够为客户提供全方位的互联网数据中心解决方案。

国内核心区域已有规模优势，抓紧海外市场资源布局。截至 2022 年 6 月末， 公司在北京、广州、深圳、海口、南宁、廊坊拥有 12 个自建自营的数据中心， 可用机柜约为 22,000 个，同时还有多个数据中心项目正在扩容和建设中,在核心 区域已经具有一定的规模优势；同时公司数据中心布局主要在一线城市和一线周 边城市，以及部分战略节点城市，对于优质客户有较强的吸引力，同时利用公司 原有的网络资源和组网能力，更可满足客户全国布点需求。同时公司继续抓紧海 外市场资源布局，成效显著。奥飞国际网络以香港为核心，通过搭建海缆资源网 络，互联了公司在东南亚、欧洲和美洲节点，与全球各互联网热点区域主流运营 商实现 IP 互联和资源覆盖，用户国际业务提供稳定可靠安全的 IDC 服务，业务范 围也进一步扩大。

4.2 光环新网

行业深耕二十载，品牌知名度高。公司在北京、上海等一线城市及周边拥有 丰富的高品质数据中心资源，凭借领先的技术水平、优质的产品服务和市场影响 力，为客户提供安全高效、标准规范、绿色可持续发展的互联网基础设施服务。 同时大力发展云计算业务，利用亚马逊云科技国际领先的云服务技术，依托光环 有云、无双科技等子公司，实现为用户提供从 IAAS 到 PAAS、SAAS 多层级的多 云生态服务。 持续优化技术方案，节能减排降本增效。公司继续践行建设绿色数据中心理 念，持续优化节能减排工作。公司数据中心已陆续完成与政府能耗在线监测平台 对接，积极配合相关部门进行碳排放情况核查，同时根据掌握的碳排放数据，设 定科学的减排目标、配额履约、管理碳资源。另一方面，公司持续部署新能源设 施，挖掘节能潜力，从数据中心运营角度设计减排方案，对机房制冷系统进行升 级，采用高效节能设备提高制冷效率，降低 PUE。酒仙桥机房、亦庄中金云网机 房通过改造制冷系统、更换冷却塔、冷机变频改造等方式降低 PUE 水平。公司积极与上下游合作伙伴共同研究探讨安全、可靠的储能技术方案应用，寻求在波峰 波谷电价差较大的地区施行储能运营方案降低电价成本，未来在满足自身数据中 心的储能需求外，实现向工业园区内的其他企业进行供能的可行性方案。

4.3 数据港

手握核心资源，聚焦算力高需求地区。分业务看，2022 年 IDC 服务业、IDC 解决方案、云销售分别实现收入 14.5 亿元/281 万元/27 万元。分地区看，长三 角、大湾区、京津冀收入占比 35.5%/21.3%/40.0% ，毛利率分别为 11.1%/37.7%/38.1%。目前公司已建成 35 座数据中心，运营 IT 兆瓦数达 371MW，按 5KW 标准机柜折算合计约 7.42 万个标准柜。根据中国信通院联合 发布的《中国第三方数据中心运营商分析报告（2022 年）》，数据港总体规模已 跃升至行业第二。公司紧跟国家“东数西算”政策，在东西部国家枢纽节点均有 布局，我们认为随着公司未来廊坊、闵行等项目建设完成，整体规模将得到进一 步提升，客户群体更趋于多元化。

泛在算力互联需有望增多，算力网络创新加速。金融、交通、教育、工业等 行业对泛在算力场景的需求不断增长，用户需要随时随地可接入的更优惠、更高 质的算力服务，基于算力泛在使用和交易需求衍生的算力网络成为下一代算力基 础设施发展的重点。中国联通在全国多地开展算力网络建设试点，通过算力网络 业务链、网络切片、资源感知实现算力资源调度和感知，形成云网安一体服务。 中国电信在算力网络建设过程中重点强调“云”为核心，侧重网络、算力和存储 三大资源相互融合，推进天翼云持续升级，实现天翼云节点和天翼边缘节点统一管理调度，云网融合、云边协同是电信云的优势。中国移动重点改造底层算力基 础设施，基于 X86 和 ARM 架构打造通用算力网络，同时基于 GPU、ASIC 不断 丰富智能算力。我们认为，我国正处于各行业数字化转型的加速期，以数据中心 为代表的数字基础设施应用场景仍将进一步扩大，数据中心产业将迎来更大机遇， 发展前景将更为广阔。

4.4 英维克

司发布 2022 年度业绩。2023 年 4 月 10 日，公司发布 2022 年度业绩报 告，全年实现收入 29.2 亿元，同比增长 31.2%，归母净利润 2.8 亿元，同比增长 36.7%。单季度看，4Q22 公司实现收入 14.4 亿元，同比增长 98.5%，归母净利 润 1.6 亿元，同比增长 204.7%。

液冷技术进展顺利。2022 年公司机房温控节能、机柜温控产品分别实现收 入 14.4/11.0 亿元，同比分别增长。公司的机房温控节能产品主要针对数据中心、 算力设备、通信机房、高精度实验室等领域的房间级专用温控节能。在算力设备 以及数据中心机房的高热密度趋势和高能效散热要求的双重推动下，液冷技术加 速导入。公司对冷板、浸没等液冷技术平台长期投入。公司已推出针对算力设备 和数据中心的 Coolinside 液冷机柜及全链条液冷解决方案。我们认为 AI 等新的 应用场景出现，对算力设备和承载算力的数据中心均提出更高的要求，未来算力 设备、数据中心机柜的热密度都将显著提高。公司 2022 年已部署冷板式液冷， 22 年来自数据中心机房及算力设备的液冷技术相关营业收入在报告期内约为上一 年度的 5 倍左右。

4.5 申菱环境

服务行业主流客户，数据中心业务快速增长。公司产品已广泛服务于中国移 动、电信、联通、华为、腾讯、阿里巴巴、百度、美团、字节跳动、快手、京东、 秦淮数据、世纪互联、万国数据、曙光、国防科大、浪潮等众多知名客户的数据 中心。截至 1H22 公司数据服务空调营收同比增长 42.44%，同时在该业务领域 的工程服务及材料等其他产品增长约 386.22%，整体数据服务领域业务增长约 72.61%，主要是由于 H 公司和其他数据服务客户的业务都实现了较好的增长。 间接蒸发冷却产品营收同比增长 63.62%，液冷温控系统营收同比增长 110.56%， 并实现了海外大型液冷项目规模化的交付。

持续研发创新，构筑产品壁垒。公司的整体技术水平先进，尤其在水电领域 （高效节能水电空调）、轨道交通领域（隧道嵌装式全工况高效能空调系统）、信 息通信领域（数据中心液/气双通道精准高效制冷系统关键技术及应用）、核电领 域（三代核电站宽环境温度风冷冷水机组）的技术达到了国际领先或国际先进水 平。公司中国移动南方基地液/气双通道制冷项目有效解决了高热高湿的南方地区 数据中心制冷效能瓶颈问题，全年平均 PUE＜1.2，数据中心性能良好，运营平 稳可靠。

4.6 依米康

数字基础设施全生命周期解决方案服务商。公司专注精密环境可靠、高效、 节能热管理技术和应用，为数据中心和精密环境提供关键制冷设备。作为边缘计算市场的主流增量产品，公司推进模块化数据中心产品方案的快速演进，上半年 智能一体柜及微模块产品均顺利完成产品升级换代，进一步提升了产品的客户体 验及市场竞争力。公司积极开拓非数据中心市场应用领域，开发第二曲线：战略 性切入轨道交通温控行业，完成了针对地铁冷源产品的设计交付及样机验收；针 对快速上行的国内外储能市场，进一步扩充丰富了储能空调产品家族，积极推进 完成多系列产品的 CE/UL 认证；依托液冷技术平台衍生的创新型储能液冷产品， 也处于快速开发推进状态。

入选国家绿色数据中心名单，发展水冷技术。在低碳绿色制冷方面，依米康 制定了面向大型 IDC 的空调节能演进方案，从工程应用成熟的传统房间冷冻水方 案，到延续主流暖通方案的风墙方案，再到工程预制化、充分利用自然冷源的间 接蒸发冷方案、整体式氟泵方案，以及创造极致能效的液冷方案，依米康持续攻 坚高效制冷方案升级，推动制冷系统能耗逐步降低，成就数据中心理想 PUE 值。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

精选报告来源：【未来智库】。「链接」

,