定制报告-个性化定制-按需专项定制研究报告
行业报告、薪酬报告
联系：400-6363-638
《科技周期探索之七：2016-2030年：通用人工智能时代的到来-241209（53页）.pdf》由会员分享，可在线阅读，更多相关《科技周期探索之七：2016-2030年：通用人工智能时代的到来-241209（53页）.pdf（53页珍藏版）》请在薪酬报告网上搜索。
1、请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告|20242024年年1212月月0909日日中性中性科技周期探索之七科技周期探索之七2016-20302016-2030 年：通用人工智能时代的到来年：通用人工智能时代的到来核心观点核心观点行业研究行业研究海外市场专题海外市场专题美股美股中性中性维持维持证券分析师：王学恒证券分析师：王学恒010-S0980514030002市场走势资料来源：Wind、国信证券经济研究所整理相关研究报告美股市场速览-科技巨头带领大盘上涨 2024-12-08美元债双周报（24 年第 49 周）-美债利率高位回落，12 月降息预期升温 2024
2、-12-03美股市场速览-大盘延续涨势，消费板块领先 2024-12-01美股市场速览-大盘反弹，传统行业风格延续 2024-11-24美元债2025年展望：非典型降息周期下的美元债投资策略2024-11-24路线的转变：从路线的转变：从CPUCPU 到到GPUGPU 的切换的切换2016 年全球的移动互联网渗透率已经超过了 50%，这代表的其高速增长的时间已经过去；此时英特尔公司放弃了引以为傲的“Tick-tock”战略，CPU 在终于在算力提升的路上严重受阻。这这样的背景下，科技界都在寻找新方向，即能够接过 CPU 接力棒的技术。凭借早年显卡的积累，以及 CUDA 架构的提出，英伟达 GP
3、U 逐渐成为通用计算芯片，它替代 CPU成为引领算力进步的新宠儿。尽管英伟达在人工智能芯片上的单芯片算力从 2012 年开始用了 10 年的时间翻了 1000 倍，但是以提升功率与价格的方式实现的，我们测算最近 10 年全球每 GFLOPS 的复合成本降幅大约在 25-35%之间，这一降幅略低于摩尔定律的要求。三大算力应用：比特币、云计算、新能源车三大算力应用：比特币、云计算、新能源车比特币的出现大大拉动了全网算力的提升，在 14 年的时间里，全网算力增加了 3 万亿倍（3.2*1012），相当于每年复合增速 6.8 倍。目前比特币挖矿的耗电量相当于全球排名第 20 名左右的国家用电量。单 C
4、PU 算力提升受阻，云计算成了继 GPU 之外的又一解决方案。到了 2016年，几乎所有的大公司在云计算的部署都已完成。2024 年，云计算市场规模达到了 6760 亿美元，2016-2024 年复合增速达到了 25.2%。从算力角度，新能源汽车的第一特征可能不再是汽车，而是一台“大号的、行走的计算机”，从 Model-S 开始，新能源车的发展进入到了快车道。中国在新能源车的普及上遥遥领先全球，2023 年新能源车占总销量比重高达 38%，欧洲为 21%，美国仅为 9.5%。单车载芯片算力目前达到500-1000T，预计 2030 年将达到 5000T。大模型的出现：大模型的出现：AIAI 翻
5、开了崭新的一页翻开了崭新的一页2017 年，有关 Transformer 架构的论文发布，随后谷歌的 BERT 模型与OPENAI 的 GPT 模型发布，但初期并未受到广泛关注。2022 年 GPT3.5 成为分界点，它让科技界看到了“大力出奇迹”的千亿参数级别的大模型效果可以如此强大。随后万亿参数级别的 GPT 4、以及多模态 SORA 模型的出现，为大模型的发展打开了更广阔的空间。如果将模型参数与人类的神经突触对标，那么大约到 100 万亿参数的模型可以实现 AGI（通用人工智能），马斯克、黄仁勋、OPENAI 前员工大约预测了这个时间在 2027-2029 年。鉴于 AI Agent 的
6、开发门槛越来越低，LLM 能力越来越强，它或将成为下一个风口。就如同移动互联网时代的 APP，互联网时代的网站，计算机时代的应用软件，AI Agent 或将走出下一批大公司。风险提示：风险提示：地缘政治的不确定性，美联储降息幅度的不确定性，部分行业竞争格局的不确定性。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告2内容目录内容目录路线的转变：从路线的转变：从 CPUCPU 到到 GPUGPU 的切换的切换.6 62016 年后移动互联网增速开始放缓.62016 年英特尔放弃“Tick-Tock”.8AlphaGo 横空出世.10算力指数级进步：GPU 接过接力棒.11应用
7、的助力：比特币、云计算、新能源汽车应用的助力：比特币、云计算、新能源汽车.1919加密币的诞生.19云计算的蓬勃发展.27新能源汽车.30大模型的出现：大模型的出现：AIAI 翻开了崭新的一页翻开了崭新的一页.3737Transformer 架构的出现.37GPT 与 BERT：让 Transformer 架构一举成名.38文生图与文生视频：从文字走向多模态.392027 年 AGI 诞生？.43AGI 的五步走.45AI AGENT：下一个风口？.47小结小结.5050附录：本时期重大事件附录：本时期重大事件.5151风险提示风险提示.5151请务必阅读正文之后的免责声明及其项下所有内容证券
8、研究报告证券研究报告3图表图表目录目录图1：产量与渗透率.6图2：互联网/移动互联网两段渗透率曲线对比.7图3：处理器性能提升速度放缓.9图4：英伟达对 GPU 速度预测（2017）.12图5：英伟达 GPU 在 10 年的时间里，AI 推理速度提升了 1000 倍.13图6：3DFX 公司的 Voodoo 显卡（1995 年）.14图7：英伟达公司的 Geforce256（1999 年）.14图8：CPU 与 GPU 的架构区别.14图9：不同计算设备提供的每 GFLOPS 成本.17图10：比特币的价格与市值.19图11：比特币的全网平均算力.20图12：比特币挖矿的耗电量.21图13：全
9、球市值排名前 5 的区块链网络.23图14：NFT 交易规模.23图15：每一天：最初的 5000 天（Everydays:The First 5,000 Days）.24图16：CryptoKitties.25图17：Axie Infinity.25图18：云计算市场规模，十亿美元.28图19：亚马逊的市值.29图20：亚马逊 AWS 收入、增速及占收比.29图21：微软智能云收入、增速及占收比.29图22：谷歌云服务收入、增速及占收比.30图23：阿里巴巴云计算收入、增速及占收比.30图24：2024 年第一季度，全球云计算市场份额.30图25：通用 EV1（1996 年）.32图26：特
10、斯拉 Roadster（2008 年）.32图27：1992-2016 年锂电池成本变化，美元/千瓦时.33图28：2008-2023 年锂电池成本变化，美元/千瓦时.34图29：中国新能源车销量占比.35图30：全球新能源车销量占比.35图31：新能源车季度销量：比亚迪 VS 特斯拉（万辆）.36图32：哈利波特的超现实形象，在不同时间 Midjourney 的输出.40图33：OPENAI 的 SORA 模型（咖啡杯里的海盗船）.40图34：OPENAI 的 SORA 模型（东京街头的女子）.40图35：扩散模型的去噪过程.41图36：OPENAI 的 DALLE 3 模型（希腊小屋）.4
11、2图37：OPENAI 的 DALLE 3 模型（纱线质感的海滩）.42请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告4图38：OPENAI 的 SORA 模型（反向的跑步机）.43图39：OPENAI 的 SORA 模型（吹不灭的生日蜡烛）.43图40：AI 已经在多种任务上达到人类水平.45图41：“斯坦福小镇”实验.46图42：“斯坦福小镇”实验.46图43：“斯坦福小镇”智能体架构图.47图44：AI Agent 架构图.48图45：全球自主 AI/AI Agent 市场规模（十亿美元）.48表1：英特尔的“Tick-tock”模式.8表2：早期的 AlphaGo
12、 配置.11表3：AlphaGo 的演进.11表4：部分英伟达 GPU 的 CUDA 核心数.15表5：英伟达通用 GPU 的架构.16表6：每 GFLOPS 成本变化.16表7：不同时间周期下每 GFLOPS 的复合成本降幅.17表8：全球主要国家/地区的用电量.22表9：元宇宙的多种应用领域.26表10：全球主要公司开展云计算的时间.27表11：英伟达车载芯片家族.36表12：历史上典型的聊天机器人.37表13：GPT 几个主要版本.39表14：不同动物/与人的神经元、神经突触数量比较.44表15：OpenAI 对 AGI 路径展望.46表16：AI AGENT 类比历史不同科技时代的地位
13、.49表17：2016-2024 大事记.51请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告5在本篇报告中，我们梳理 2016 年以来的后移动互联网时代的发展，以承接上两篇报告2002-2016 年：移动互联网的大时代、案例篇：移动互联网时代的十倍股与百倍股。我们将 2016 年至 2030 年称之为“人工智能时代”。但这里会有疑问：“人工智能”这个概念，如果用于区别“移动互联网”，读者都觉得不难理解。但对于未来，我们能说人工智能在 2030 年之后就不发展了吗？如果到那个时候 AI 还会进步与发展，应叫什么时代呢？实际上从某种意义上说，用“人工智能”这个词去展望未来几十
14、年似乎都不为过，那么仅用它来称谓短短的 14-15 年的一个科技周期，合不合适呢？所以，报告写到当代，我们也遇到了一个回避不了的难题：回顾过去，慷慨激昂；展望未来，如履薄冰。从 2016 年以来，我们都经历了什么？2016 年谷歌的 Alpha Go 问世，这是 AI 的一个里程碑式的事件。2016 年前后，正是亚马逊云计算扭亏为盈后的一年，随后几年迎来了高速的发展。同时，微软、谷歌、阿里巴巴、腾讯等巨头们也都大力发展云计算，云计算似乎是过去一些年的主线，但又不尽然；在并行运算领域，英伟达不停地更新架构，从 2016 年的 Pascal、到 2017 年的Volta、到 2018 年的 Tur
15、ing、到 2019 年的 Ampere、到 2022 年的 Hopper.这样来看，除了英伟达，还有 AMD、谷歌、ARM 以及中国诸多科技企业也都在加码GPU，这也是一条主线；2019 年开始，特斯拉、中国的造车新势力、比亚迪等诸多企业，开始推出物美价优的新能源汽车，尤其在中国，新能源汽车在汽车销量占比迅速提高，目前已经突破了 40%。随着新能源汽车的普及，汽车智能化、无人驾驶也变得越来越普及。2023 年华为无人驾驶发布，2024 年百度在武汉大规模试商用 Robotaxi，这样看，新能源汽车、无人驾驶也是一条主线；2022 年底，ChatGPT 的诞生，大语言模型横空出世。人类第一次不
16、同于历史，见证了如此流畅的语意表达。图灵测试瞬间从“可能遥远的将来”变成了“就是现在”。这让人类欢呼雀跃，以大模型为代表的 AI 技术革命又进入到了崭新的时代，除了聊天，大模型绽放出了更强大的能力：图像处理，文生视频，行业应用.让我们不知道它的边际在哪里。这样看，主线又回到了 AI。因此，我们决定依然将现在所处的时代称之为“人工智能”时代。尽管，未来或许 AI 还会有新的变化，但或许到那时再来修正今天的这个称谓也是可行的因为无论怎么看，唯有人工智能才能最广泛地、最恰当地匹配当代的所有主线。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告6路线的转变：从路线的转变：从 CPU
17、CPU 到到 GPUGPU 的切换的切换20162016 年后移动互联网增速开始放缓年后移动互联网增速开始放缓在一个新的浪潮里，产量曲线（或者销量）会有如下特征：1、它总体呈现的是一种高斯分布；2、在早期，随着时间的推移，产量开始陡峭增加，行业进入加速期；随后的几年里，该行业呈现非常景气的局面，收入、业绩、估值均在快速提升；3、走过了最快增速的几年，行业增速开始放缓直到增速为零；此时行业渗透率达到了 50%，即一般的目标价人群已经使用了该产品/服务；此时行业的竞争变得激烈，行业中绝大部分公司都面临着增长乏力的问题，估值早在一两年以前就开始回落了；4、行业渗透率超过 50%以后，由于产量下滑，诸
18、多平庸的企业日子不好过，收缩业务，几家龙头公司的份额逐渐扩大，它们成了“剩者为王”（即是剩者，也是胜者）。尽管渗透率还在稳步提升，但是估值已经没法给到几年前那种上百倍、几十倍的水平了。我们来思考一个问题。如果站在划分周期的角度，我们能否在渗透率曲线上寻找一个位置（虽不一定特别严格），来作为时代与时代之间的分水岭呢？例如 1844 年电报就发明了，在随后的一百多年里，它一直存在。在中国，1871年上海开始了电报业务，一直到 2021 年上海最后电报系统退网。150 年的时间里，电报业务成了“永不消逝的电波”，那我们能说，过去的 150 年里是“电报时代”么？问题在哪里？你会说：明明过去的 150
19、 年里出现了那么多技术，为什么只说电报时代呢？还有电话，BP 机，大哥大，手机，电脑啊.图1：产量与渗透率资料来源：Wind，国信证券经济研究所整理是的，没有一个时代仅包含一种产品或技术，它一定是多个产品、多种技术的结合。技术周期是我们抽象出来的，是试图发现推动人类科技进步那个最大的浪潮或者最主要的科技驱动力，而大浪潮下一定有诸多小波浪，且有的在先，有的在后，我们期望要抓住主要矛盾以认清这些规律。回头看，每个时代的大浪潮只有一个，但不容易的是，身处浪潮之中的我们，经常会被小波浪所困（尤其是在浪请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告7潮的早期，哪种技术会成为大一统并
20、不是显而易见的，就像我们提到的过去几年的科技主线似乎有很多条一样）。回顾互联网与移动互联网，我们发现，50%，大约可以是一个浪潮阶段性终结的标志。例如，美国互联网渗透率到 2002 年首次超过了 50%（达到了 59%），而 2002年也是我们划分的互联网时代的终点。同样，全球移动互联网的渗透率并不统一，但我们倾向于用“移动宽带”（ITU 口径）这个“短木板”来替代移动互联网渗透率，它于 2016 年首次超过了 50%（达到了 52%），因此我们可以也将 2016 年作为移动互联网时代的终点。需要说明的是：1、这种终点：只是我们在划分科技周期中的思考，因为我们划分周期的目的是指导投资。在经济周
21、期随笔系列，“如何划分基钦周期”中，我们也提到过这种思想，我们划分周期的目的是什么？指导投资？指导企业？还是指导宏观调控？不同的立场与出发点，会使得我们划分周期的结果是有差异的；比如，当你说，互联网时代哪里结束了啊？我们至今还在用啊。那请你回顾一下思科、美国在线、雅虎、世通公司.这些科网泡沫的例子，看看这些公司是否还在创新高？或者看看它们有多少家公司从高点跌去多少幅度，甚至大面积退市。所以我们在划分科技周期的考虑是期望解释与指导投资，这是前提，不同的讨论前提必然有不同的结果；2、50%这个分水岭，是实业中“成长到成熟”的标志，也是资本市场中“盛极而衰”的标志。大量的案例表明，成熟期的企业并不能
22、用成长期的高估值去衡量。但这并不意味着行业的衰败或者消失，就像电报的例子，它还可以存在很多年；3、一个旧时代的终点，也必然伴随一个新时代的起点。例如，2002 年，互联网大时代的结束，但也意味着移动互联网时代的开始；2016 年，移动互联网时代的结束，但也意味着人工智能时代的开始；4、并非每个时代都有一条清晰的渗透率曲线。现实不见得是完美的。例如，有的时候渗透率曲线可能会时间更长（PC 时代），有的时候可能会突然加速（互联网时代）。以及，过程中会存在不同产品的渗透率曲线混淆视听。比如本时代你一定能够找到新能源车的渗透率曲线，但这个时代是新能源车时代吗？用新能源车来概括人工智能，明显是有些以偏概
23、全了。这是个问题，我们先放在一边，等到我们在后续的报告中集中讨论。图2：互联网/移动互联网两段渗透率曲线对比资料来源：世界银行、ITU，国信证券经济研究所整理回到 2016 年，移动互联网时代告一段落，新时代大幕徐徐拉开。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告820162016 年英特尔放弃年英特尔放弃“Tick-TockTick-Tock”英特尔在移动互联网时代中未能像苹果、谷歌那样成为主角，但它依然在推动 CPU的技术进步。早在 2000 年，高端 CPU 需求增长放缓，AMD 凭借新产品在低端和中端处理器蚕食了英特尔的市场份额，英特尔在其核心市场的主导地位大
24、大削弱。2004 年和 2005年，AMD 又对英特尔提起了与不正当竞争有关的诉讼索赔，这段时间是英特尔的低谷期。2006 年，英特尔发布酷睿架构（Core），该产品系列被认为是处理器性能的一次飞跃，一举夺回了英特尔在 CPU 领域的领导地位。为了保持领导者地位，2007 年，英特尔提出了 Tick-tock 模式（Tick-tock model）。所谓“Tick-tock”，就是锁定摩尔定律，期望每 2 年就将 CPU 的制程升级一次：像钟摆一样，“Tick”1年，提升 CPU 的制程工艺；“Tock”1 年，不提升制程工艺的前提下，通过改善设计来优化性能。所以，“Tick-tock”相当于
25、是是制程工艺“tick”1 年，设计优化“tock”1 年，“Tick-tock”就是一个完整的周期，合计 2 年。“Tick-tock”在初期运行的很好，如 2007 年 11 月 45nm 制程工艺下“Tick”1年，紧接着 2008 年 11 月“Tock”1 年；2010 年 1 月 32nm 制程工艺下“Tick”1年，紧接着 2011 年 1 月“Tock”1 年；2012 年 4 月 22nm 制程工艺下“Tick”1年，紧接着 2013 年 6 月“Tock”1 年；2014 年 9 月 14nm 制程工艺下“Tick”1年，紧接着 2015 年 8 月“Tock”1 年。按照
26、这个节奏，到了 2016 年，应该是在 10nm 制程工艺下的“Tick”，但不幸的是，2016 年英特尔卡壳了。而且这一卡壳，不是 1 年，不是 2 年，而是漫长的 7年。因此，2016 年 3 月，当英特尔意识到自己无法交出答卷之时，它宣布放弃“Tick-tock”生产周期，转而采用一种可在更长时间里使用相同尺寸晶体管的工艺。表1：英特尔的“Tick-tock”模式模式模式制程工艺制程工艺架构名称架构名称时间时间TICK45nmPenryn2007/11/11TOCK45nmNehalem2008/11/17TICK32nmWestmere2010/1/4TOCK32nmSandy Bri
27、dge2011/1/9TICK22nmIvy Bridge2012/4/29TOCK22nmHaswell2013/06/02TICK14nmBroadwell2014/9/5TOCK14nmSkylake2015/8/5Optimization14nmKaby Lake2017/1/314nmCoffee Lake2017/10/514nmWhiskey Lake2018/8/2814nmSkylake2018/10/814nmCoffee Lake2018/10/814nmCascade Lake2019/4/214nmComet Lake2019/8/2114nmCascade Lake
28、2020/2/2414nmCooper Lake2020/6/18资料来源：维基百科，国信证券经济研究所整理“Tick-Tock”的跳票，也是摩尔定律悄然变化的一个缩影。1965 年，摩尔提出了摩尔定律，当时的预测是单位面积晶体管数量将以“每年大请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告9约两倍的速度”增长（后来又被摩尔的同事修正到 18 个月）。但到了 21 世纪，有一些端倪显示，这个周期开始变得不稳定，摩尔定律开始遭受挑战：挑战一是硅物理极限正在被触及，随着晶体管变得越来越小，量子效应和制造挑战变得更加明显。例如登纳德缩放定律（Dennard Scaling）该比
29、例假定功耗将与晶体管的面积成比例减少（电压和电流都与长度成比例）。根据登纳德缩放比例，晶体管尺寸每代技术将缩小 30%（0.7 倍），从而将其面积减少 50%。这将减少 30%的延迟，从而将工作频率提高约 40%（1.4 倍）。为了保持电场恒定，电压将降低 30%，能量减少 65%，功率减少 50%。因此，在每一代技术中，晶体管密度都会翻一番，芯片速度提高 40%，而功耗保持不变。但由于在小尺寸下，电流泄漏会带来更大的挑战，也会导致芯片发热，从而造成热失控的威胁。挑战二是制造成本的增加。随着工艺节点越来越小，每一步微缩都要求更昂贵的制造设备，如极紫外光刻（EUV）技术，这使得新晶圆厂的建设成本
30、飙升。良品率也是巨大的挑战，英特尔在 10nm 制程上良品率就花了很长时间来改善。挑战三是功耗增加。除了登纳德缩放定律提到的电流泄露问题，晶体管数量的增加必然导致功耗增加，而电池技术的发展这些年来始终慢于摩尔定律的增加（例如智能手机待机时间大约只有 1 天，笔记本只有几小时），这反过来影响芯片的稳定性和寿命，以及设备的整体体验。挑战四是设计的复杂度。更小的制程意味着芯片设计的复杂度呈指数级增长，需要更复杂的电路设计和验证工具，以及更多的研发时间和成本。图3：处理器性能提升速度放缓资料来源：eetchina，国信证券经济研究所整理以下是一些典型事件：1、单核 CPU 的性能提升速度已显著放缓：单
31、核性能在 1986 年至 2003 年期间每年提高 52%，在 2003 年至 2011 年期间每年提高 23%，但在 2011 年至 2018 年期间放缓至每年仅 7%。尽管延缓登纳德缩放定律的办法显而易见是多核心方案，但这对请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告10控制功耗的帮助有限。2、经通胀调整的 IT 设备在 1995-1999 年间，价格下降速度加快至每年 23%，随后 2010-2013 年间，价格放缓至每年 2%。3、20 世纪 90 年代末，CPU 价格下降达到每年 60%（每 9 个月减半），而之前和之后的几年里，改善速度通常为 30%（每两年
32、减半），尤其是笔记本电脑 CPU，2004-2010 年间每年改善 25-35%，2010-2013 年间则放缓至每年 15-25%。面对这些挑战，半导体行业正在探索多种途径以延续摩尔定律，包括多核心技术、新材料、新架构、以及优化设计流程等。其中多核心是一个显而易见的可操作方案。英特尔于 2005 年 4 月发布了全球首款双核心处理器 Pentium Extreme Edition 840。此后又将核心数又扩展到了 4 核心、8 核心.到了 2024 年 6 月，至强 6700E 处理器已经达到了 144 核心。但尽管如此，CPU 的核心数量的增加，依然非常有限。于是技术路线在不同的应用场景下
33、，开始选择 CPU 的替代方案GPU。AlphaGoAlphaGo 横空出世横空出世1997 年，IBM“深蓝”击败国际象棋世界冠军加里卡斯帕罗夫。但近 20 年里，使用人工智能技术的最强围棋程序也只达到业余五段水平，并且仍然无法在不让子的情况下击败专业围棋选手。2012 年，运行在四台 PC 集群上的日本围棋软件Zen（中文翻译：禅）在五子和四子让子比赛中（人类选手让子）两次击败竹宫正树。2013 年，法国围棋软件 Crazy Stone 在四子让子比赛中击败了石田芳雄。在AlphaGo 及其开发团队 DeepMind 出现之前，几乎所有研究者都认为在十年内人工智能战胜围棋大师的机会是渺茫的
34、。伦敦的 DeepMind 公司在 2010 年成立，2014 年被谷歌收购。AlphaGo 研究项目于2014 年左右启动，旨在测试使用深度学习的神经网络在围棋方面的表现。它比之前的围棋程序有了显著的进步：在与其他可用围棋程序（包括 Zen 和 Crazy Stone）的 500 场比赛中，在单台计算机上运行的 AlphaGo 赢了 499 场比赛。在类似的对决中，在多台计算机上运行的 AlphaGo 赢得了与其他围棋程序进行的全部 500 场比赛，在与在单台计算机上运行的 AlphaGo 进行的比赛中，赢了 77%的比赛。2015 年 10 月，分布式版本的 AlphaGo 以 5 比 0
35、 击败了欧洲围棋冠军二段职业棋手樊麾。这是计算机围棋程序首次在全尺寸棋盘上击败人类职业棋手。该版本使用了 1202 个 CPU 和 176 个 GPU。2016 年 3 月，AlphaGo 在首尔与韩国九段职业围棋选手李世石进行了五场比赛，AlphaGo 赢了四场，李世石赢了第四场。AlphaGo 在谷歌的云计算上运行，其服务器位于美国。据经济学人报道，它使用了 1920 个 CPU 和 280 个 GPU。从下表可以清晰的看出，GPU 的数量越多，ELO 得分也就越高。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告11表2：早期的 AlphaGo 配置配置配置线程数线程
36、数CPUCPU 数量数量GPUGPU 数量数量EloElo 评级评级单机单机404812,181单机单机404822,738单机单机404842,850单机单机404882,890分布式分布式12428642,937分布式分布式247641123,079分布式分布式401,2021763,140分布式分布式641,9202803,168资料来源：维基百科，国信证券经济研究所整理2016 年 5 月，谷歌推出了自己的专有硬件 TPU（张量处理单元，Tensor ProcessingUnit），TPU 是谷歌为神经网络机器学习开发的专用集成电路，使用了谷歌自己的 TensorFlow 软件。与 G
37、PU 相比，TPU 专为大量低精度计算而设计，每焦耳的输入/输出操作更多，而无需用于光栅化/纹理映射的硬件。不同类型的处理器适用于不同类型的机器学习模型。TPU 非常适合 CNN（卷积神经网络），而 GPU 对一些全连接神经网络有优势，CPU 对 RNN（循环神经网络）有优势。下表可以看到，采用了TPU的 AlphaGo Master，只用了2 块TPU（单块功耗为 280W），其 ELO 得分就达到了 4858 分，且在未来围棋峰会上以 60：0 的成绩战胜了职业选手。AlphaGo Zero 则是用了 3 块 TPU，对战 AlphaGo（李世石版）成绩达到了惊人的 100:0！而 201
38、7 年 12 月的 AlphaZero 版本，由 4 块 TPU 组成，其 ELO 得分不如 AlphaGo Zero，但成绩却略胜一筹（60:40）。表3：AlphaGo 的演进版本版本硬件硬件EloElo 评级评级日期日期结果结果AlphaGoAlphaGo（对战范晖）（对战范晖）176 个 GPU，分布式3,1442015 年 10 月5:0 战胜范晖AlphaGoAlphaGo（对战李世石（对战李世石）48 个 TPU，分布式3,7392016 年 3 月4:1 战胜李世石AlphaGoAlphaGo MasterMaster2 个 TPU，单机4,8582017 年 5 月60:0
39、战胜职业选手，未来围棋峰会AlphaGoAlphaGo ZeroZero3 个 TPU，单机5,1852017 年 10 月100:0 战胜 AlphaGo（李世石），对阵AlphaGo Master 89:11AlphaZeroAlphaZero4 个 TPU，单机5,0182017 年 12 月60:40 击败 AlphaGo Zero资料来源：维基百科，国信证券经济研究所整理在 2018 年之后，Deepmind 就没有再公布在围棋方向上的消息。但 AlphaGo 如同旋风般的出场，给了人工智能在围棋方向上的启发却是深远的：1、首先，在经历了长时间的沉寂，神经网络终于担负起让机器学习更进
40、一步的担子；2、并行运算是 AI 的未来：AlphaGo 各种版本进化的历史，也是 GPU 或者 TPU 的贡献较 CPU 更大，并行运算为机器学习更深次探索提供了更为有利的条件；3、硬件优化的可行性：GPU 是通用型处理器，虽然早期的 AlphaGo 版本使用了多个 GPU 后很快实现了强大的算力，但其功耗也是巨大的。按照单块 CPU 100W，GPU200W 的功耗计算，2016 年版本的 AlphaGo 使用了 1920 个 CPU 和 280 个 GPU，每下一盘棋，成本就会超过 3000 美元（主要是电费）！而通过在设计，仅 2-4 块TPU 就能完成类似的，甚至更好的成绩。算力指数
41、级进步：算力指数级进步：GPUGPU 接过接力棒接过接力棒英伟达创始人兼 CEO 黄仁勋也多次提及摩尔定律已死，并提出黄氏定律（Huangs请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告12law）：GPU 的性能每两年将翻一番以上。他的证据是，2006 年，英伟达 GPU 性能比其他 CPU 高出 4 倍，到了 2018 年英伟达 GPU 比同类 CPU 快 20 倍：即 GPU 每年快 1.7 倍。实际上，黄仁勋的预测也经常改变。下图是 2017 年黄仁勋提及的未来英伟达 GPU的速度是每年提升 50%（1.5X）。也有人根据英伟达 AI 性能 10 年提升 1000
42、 倍，认为黄氏定律应该是每年翻倍，即 10 年正好翻 210即 1000 倍左右。图4：英伟达对 GPU 速度预测（2017）资料来源：英伟达，国信证券经济研究所整理2023 年 9 月，英伟达首席科学家比尔戴利(Bill Dally)提及，英伟达单个 GPU在 AI 推理方面的性能大幅提升了 1000 倍，戴利还将这 1000 倍分成了 4 部分（1000=1612.52.52），其中：1、算法优化 16 倍（finding simpler ways to represent the numbers computersuse to make their calculations）；2、指令优
43、化 12.5 倍（crafting advanced instructions that tell the GPU howto organize its work）；3、结构优化 2 倍（structural sparsity）；4、制程进步 2.5 倍（从 28nm 迁移到 5nm）。可见，从这个案例来看，英伟达的性能提升，主体并非制程进步，而是算法与指令的优化。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告13图5：英伟达 GPU 在 10 年的时间里，AI 推理速度提升了 1000 倍资料来源：英伟达，国信证券经济研究所整理记者乔尔赫鲁斯卡于 2020 年撰文称，“
44、黄氏定律根本不存在”，称其为一种建立在摩尔定律带来的收益之上的“幻觉”，现在断定该定律是否存在还为时过早。非营利性研究机构 Epoch 发现，2006 年至 2021 年间，GPU 性价比（以 FLOPS/$为单位）每 2.5 年翻一番，比黄氏定律预测的要慢得多。一个简单的现象是，尽管我们讨论英伟达的单个 GPU 性能提升是不假，但是其价格确实水涨船高，例如大模型出现之后，2023 年的英伟达的 H100 最高炒到 3-4 万美元一块，这显然比曾经的价格要高出很多。但无论是每年 2 倍，1.5 倍，还是每两年 1 倍，GPU 的确接过了 CPU 的接力棒，更有效率地推高了计算能力，这一点是毋庸
45、置疑的。早期的 GPU 是图像处理设备，或者叫显卡。1995 年 11 月，3DFX 公司的 Voodoo显卡问世，Voodoo 是当时市场占有率最高的 3D 显卡，市场份额高达 85%。相较而言，英伟达在当时诸多显卡公司中不算显眼，但得益于当时英伟达快速追随了微软，发布了适配微软公司的 Direct3D 7 标准的 Geforce256 显卡，使得英伟达迅速成为显卡市场的佼佼者。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告14图6：3DFX 公司的 Voodoo 显卡（1995 年）图7：英伟达公司的 Geforce256（1999 年）资料来源：百度百科，国信证券经
46、济研究所整理资料来源：百度百科，国信证券经济研究所整理2000 年，英伟达收购了 3DFX；而 2006 年，AMD 收购了 ATI。似乎行业就这样趋于平静，但很快技术上的变化打破了这种平静。2003 年，人们发现了基于 GPU 来解决一般线性代数问题，其运行速度比在 CPU 上更快。这些早期将 GPU 用作通用处理器的工作，需要根据图形重新表述计算问题，正如图形处理器的两个主要 API，OpenGL 和 DirectX 所支持的那样。于是人们思考，是否能够建立一种通用编程语言和 API 来减少其中的繁琐与转换。这就出现了 GPGPU 概念（General-purpose GPU）。GPGPU
47、 的通用计算是使用图形处理单元(GPU)来执行传统上由中央处理器(CPU)处理的应用程序中的计算，而图形处理单元(GPU)通常仅作计算机图形处理。在一台计算机中使用多个视频卡或大量图形芯片，使图形处理本来就并行的特性进一步并行化。本质上，GPGPU 是一个或多个 GPU 与 CPU 之间的一种并行处理，可将数据视为图像或其他图形形式进行分析。虽然 GPU 以较低的频率运行，但它们的核心数量通常要多很多倍。因此，GPU 每秒可以处理的图片和图形数据比传统 CPU 多得多。将数据迁移到图形形式，然后使用 GPU 对其进行扫描和分析可以大大提高速度。图8：CPU 与 GPU 的架构区别资料来源：知乎
48、，国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告15英伟达认为，GPGPU 对于显卡公司来说，是个非常有前景的发展方向。在 2006 年，英伟达发布了 CUDA 架构（Compute Unified Device Architecture，统一计算设备架构）。CUDA 是一个专有的并行计算平台和应用程序编程接口(API)，允许软件使用某些类型的图形处理单元(GPU)进行加速通用处理。CUDA API 是 C 语言的扩展，它增加了在 C 中指定线程级并行性的能力，以及指定 GPU 设备特定的操作。CUDA 是一个软件层，它可直接访问 GPU 的虚拟指令
49、集和并行计算元素，以执行计算内核。除了驱动程序和运行时内核之外，CUDA 平台还包括编译器、库和开发人员工具，以帮助程序员加速他们的应用程序。CUDA旨在与C、C+、Fortran和Python等编程语言配合使用。这种可访问性使并行编程专家可以更轻松地使用 GPU 资源，而之前的 Direct3D 和 OpenGL 等 API 则需要高级图形编程技能。基于 CUDA 的 GPU还支持 OpenMP、OpenACC 和 OpenCL 等编程框架。最初的 CUDA SDK 于 2007 年 2 月面向 Microsoft Windows 和 Linux 公开。后来在2.0 版中添加了 Mac OS
50、 X 支持。CUDA 适用于 G8x 系列及以后的所有英伟达 GPU，包括 GeForce、Quadro 和 Tesla 系列。此后，英伟达显卡中都包含了支持 CUDA 运算的核心。而这个核心数量，要比 CPU的核心数量多得多。换句话说，在 CPU 无法通过先进制程去提速，而通过核心的扩展来实现提速这条路走的不顺畅时，GPU 通过扩展核心来提速却容易得多。下表列示了英伟达部分 GPU 与 CUDA 核心数，可以看出，从 2008 年以来，其核心数从 240 个增加到了 2022 年的 18432 个。表4：部分英伟达 GPU 的 CUDA 核心数GPUGPU 型号型号发布时间发布时间制程工艺（
51、纳米）制程工艺（纳米）CUDACUDA 核心数核心数GeForceGeForce 88008800 GTXGTX2006 年 11 月90不适用GeForceGeForce GTXGTX 2802802008 年 6 月65240GeForceGeForce GTXGTX 4804802010 年 4 月40480GeForceGeForce GTXGTX 5805802010 年 11 月40512GeForceGeForce GTXGTX 6806802012 年 3 月281536GeForceGeForce GTXGTX 7807802013 年 5 月282304GeForceGeF
52、orce GTXGTX 9809802014 年 9 月282048GeForceGeForce GTXGTX 108010802016 年 5 月162560GeForceGeForce RTXRTX 20802080 TiTi2018 年 9 月124352GeForceGeForce RTXRTX 309030902020 年 9 月810496H100H1002022 年 3 月418432资料来源：英伟达，国信证券经济研究所整理另外一个角度，英伟达 GPU 经历了多年的演进，已经先后经历了 10 个主要架构（micro architectures），从 2006 年的 Tesla 架
53、构，到 2024 年的 Blackwell架构，即大约每 2 年就会有一个新的架构诞生。每一次架构的迭代，大都伴随制程工艺的进步，速度的提升，以及功能的改善（例如 Volta 架构引入 Tensor 核心、Turing 架构引入 RT 核心）。但值得注意的是，我们列举了重点型号 GPU 的功率，发现其并非保持不变的，而是大约在 18 年的时间里提升了 4-5 倍。例如，Telsa 架构下的 GeForce 8800 GTX功率仅为 175W；到了 Volta 架构的 Tesla V100，功率到了 300W；而在 Hopper 架构下的 H100，功率达到了 700W。这也说明，英伟达比英特尔
54、在扩展核心上技高一筹这并不假，或者说，GPU 接替 CPU，担负起推动人类算力革命的使命。但此间也有个问题，即英伟达并未在算力扩张的情况下保持功率不变，这与我们理解的“摩尔定律”是不相符的：这好比摩尔定律定义的是一块 CPU 每 18 个月速度翻倍，而英伟达实现过程更像是把多块芯片做到一起（因为 GPU 核心可以很多）请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告16而宣称是一块芯片。从这个角度说，“黄氏定律”不宜称之为一个定律，只能代表英伟达追求速度的一种标榜。表5：英伟达通用 GPU 的架构架构名称架构名称发布时间发布时间制程工艺制程工艺代表型号代表型号功率范围功率范
55、围说明说明TeslaTesla2006 年90nmGeForce 8800 GTX175W引入统一着色器架构TeslaTesla2008 年65nm/55nmGeForce GTX 280236W增强了 CUDA 核心FermiFermi2010 年40nmGeForce GTX 480250W第一个支持 DirectX 11 的架构KeplerKepler2012 年28nmGeForce GTX 680195W提升了能效比MaxwellMaxwell2014 年28nmGeForce GTX 980 Ti250W优化内存带宽PascalPascal2016 年16nmGeForce GTX
56、 1080 Ti250W高性能与能效VoltaVolta2017 年12nmTesla V100300W面向数据中心，首次引入 Tensor Core，专注于深度学习和 AI 应用TuringTuring2018 年12nmGeForce RTX 2080 Ti250W引入了 RT Core，支持实时光线追踪AmpereAmpere2020 年8nmGeForce RTX 3090350W支持 RTX IOHopperHopper2022 年4nmH100700W专为 AI 和数据中心设计BlackwellBlackwell2024 年 3 月3nmGB2001000W专为 AI 和 HPC
57、设计，支持 HBM3E 显存，具有高带宽和低功耗特性。资料来源：英伟达，国信证券经济研究所整理观察近百年来计算机发展的历史，可以得到计算机性能（FLOPS）与成本的关系。下表列示了提供最低每 GFLOPS 成本的平台，对应的成本（换算成 2022 年的美元计价）。可以看出，为了推动成本的下降，从 2010 年之后，表中开始频繁的出现了 GPU 以替代 CPU，尤其是 2020 年之后，表中的方案都是以 GPU 实现的。例如索尼 PlayStation 4 采用的是 AMD 美洲豹 CPU 但集成了 GPU，PlayStation 5采用了定制版 RDNA 2 架构的 AMD GPU，Xbox
58、Series X 包含了一个具备 12TFLOPS算力的 GPU，RTX 4090、镭龙 RX 7600 都是 GPU。表6：每 GFLOPS 成本变化日期日期每每 GFLOPSGFLOPS 成本（成本（美元美元）提供最低每提供最低每 GFLOPSGFLOPS 成本的平台成本的平台原始成本 调整成本（2022）1945 年130 万亿美元2E+15ENIAC1961 年200 亿美元1.96E+11IBM 70301984 年$20,000,000$100,000,000Cray X-MP/481997 年$30,000$55,000两个 16 位 Beowulf 集群（奔腾 pro）2000
59、 年 4 月$1,000$2,000Bunyip Beowulf 集群2000 年 5 月$640$1,000KLAT22003 年 8 月$90$100KASY02007 年 8 月$50$70Microwulf2011 年 3 月$1.80$2HPU4Science2012 年 8 月$0.75$1Quad AMD Radeon 7970 系统2013 年 6 月$0.22$0.30索尼 PlayStation 42013 年 11 月$0.16$0.20AMD 锐龙 145&GeForce GTX 760 系统2013 年 12 月$0.12$0.15奔腾 G550&镭龙 R9 290
60、系统2015 年 1 月$0.08$0.10赛扬 G1830&镭龙 R9 295X2 系统2017 年 6 月$0.06$0.07AMD 锐龙 7 1700&AMD 镭龙 Vega 系统2017 年 10 月$0.03$0.04英特尔赛扬 G3930&AMD RX Vega 64 系统2020 年 11 月$0.03$0.03AMD 锐龙 3600&3 英伟达 RTX 3080 系统2020 年 11 月$0.04$0.04PlayStation 52020 年 11 月$0.04$0.04Xbox Series X2022 年 9 月$0.02$0.02RTX 40902023 年 5 月$
61、0.01$0.01镭龙 RX 7600资料来源：维基百科，国信证券经济研究所整理我们将调整后的成本（2022）与时间线绘制成图，可以清晰地观察出，它呈现的是一个指数曲线（图中为对数坐标系）。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告17图9：不同计算设备提供的每 GFLOPS 成本资料来源：维基百科，国信证券经济研究所整理我们将调整后的成本（2022 年）与时间线绘制成图，可以清晰地观察出，它呈现的是一个指数曲线（图中为对数坐标系）。为了观察每 GFLOPS 成本的变化速度，我们再将时间分阶段来观察：1、从 1945 年以来（拥有数据的最长历史），77 年的时间里，单
62、位算力（GFLOPS）的年复合成本下降幅度为 40.24%；2、1961 年以来的 61 年里，1984 年以来的 38 年里，1997 年以来的 25 年里，2007年以来的 16 年里，年复合成本下降幅度介于 39%-45%之间；说明技术推动相对顺利；3、从 2011 年以来的 12 年里，年复合成本下降幅度为 35.28%，以及 2015 年以来的 8.3 年里，年复合成本下降幅度仅为 24.14%，这说明随着摩尔定律遇到极限挑战之后，技术推动效果也在明显放缓。表7：不同时间周期下每 GFLOPS 的复合成本降幅时间（年）时间（年）年复合成本下降年复合成本下降幅度幅度19451945 年
63、以来年以来77.4(40.24%)19611961 年以来年以来61.4(39.27%)19841984 年以来年以来38.4(45.14%)19971997 年以来年以来25.3(45.79%)20072007 年以来年以来15.8(42.98%)20112011 年以来年以来12.2(35.28%)20152015 年以来年以来8.3(24.14%)资料来源：维基百科，国信证券经济研究所整理这带来了一些深远的影响：1、更大的资本投入：想要获得更大的算力，如果采用“时不我待”的态度，则需请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告18支付更高的成本；2、体积不能更小，
64、但能更大：由于 GPU 单卡功率变大，因此体积无法更小，例如在 5 年之内，目前似乎尚无法看到一个手持设备的算力可以赶上主流 GPU 的水平，则应用的方向朝着体积更大去演进，如云计算可以忽略设备的占地，如汽车也拥有相对较大的空间，如台式机相对可以配置较好的 GPU 显卡，而笔记本、手机、智能穿戴等设备，则短期较难享受到 GPU 算力革命的巨大成果；3、有利于中国的追赶：由于年复合成本下降速度放缓，换句话说，先发者对于后来者的比较优势也在缩小，这给中国芯片业迎来宝贵的时间窗；4、等待着新技术的突破：在技术瓶颈期，往往新技术才能冲破。例如硅半导体的可能替代品：碳化硅、石墨烯、金刚石、其他 III-
65、V 族化合物（如砷化镓 GaAs）、II-VI 族化合物（如硫化镉 CdS）等，或者量子计算等更前沿的技术。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告19应用的助力：比特币、云计算、新能源汽车应用的助力：比特币、云计算、新能源汽车有三大应用场景对 GPU 的发展起到了重要的推动作用。它们分别是加密货币、云计算、新能源汽车。加密币的诞生加密币的诞生1 1、比特币拉动了全网算力的提升、比特币拉动了全网算力的提升2008 年 10 月，中本聪撰写的白皮书比特币：一种点对点电子现金系统（APeer-to-Peer Electronic Cash System）问世了。比特币软
66、件作为开源代码则是在 2009 年 1 月发布。2009 年 1 月 3 日，中本聪挖出了比特币链的起始区块（即创世区块），比特币网络由此诞生。2010 年 5 月 22 日，已知的第一笔比特币商业交易发生在程序员拉斯洛汉耶茨以 10,000 比特币购买了两个帕帕约翰披萨时，这一天后来被称为“比特币披萨日”。比特币从诞生之日起，就伴随着旷日持久的争论与非议。欧洲央行认为，比特币提供的货币去中心化理论根源于奥地利经济学派，尤其是哈耶克的货币非国家化（The Denationalization of Money）一书，他在书中主张在货币的生产、分配和管理方面建立完全的自由市场，以结束中央银行的垄断
67、。比特币独立宣言认为比特币意识形态的本质是将货币从社会和政府控制中解放出来。经济学人将比特币描述为“一个技术无政府主义项目，旨在创建现金的在线版本，让人们可以进行交易而不受恶意政府或银行干扰”。这些哲学思想最初吸引了自由主义者和无政府主义者。经济学家保罗克鲁格曼认为，只有银行怀疑论者和犯罪分子才会使用比特币等加密货币。不少经济学家、投资者都将比特币描述为潜在的庞氏骗局。巴菲特也持有类似的观点，他多次在公开场合表达对比特币的批评，他认为比特币没有生产能力，其价值完全依赖于市场投机和需求，而不是基于任何实际的生产或服务。他曾经比喻比特币为“老鼠药”，并指出比特币的价值波动巨大，缺乏稳定的现金流，这
68、使得比特币难以被视为一种真正的资产。但法律学者埃里克波斯纳(EricPosner)不同意这种观点，因为“真正的庞氏骗局需要欺诈；相比之下，比特币看起来更像是一种集体妄想”。2014 年世界银行的一份报告也得出结论，比特币不是故意的庞氏骗局。图10：比特币的价格与市值资料来源：，国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告20由于比特币的产生机制是：1、工作量证明：使用工作量证明（PoW,Proof of Work）机制来确定哪些节点有权将新的交易记录添加到区块链上。节点通过解决一个极其复杂的数学难题来达成这一目标，这个难题涉及到对新区块的头信息进行
69、哈希运算，整个过程需要大量的计算尝试，因此需要消耗大量的计算资源；2、网络难度：比特币网络通过调整挖矿难度来维持平均每 10 分钟产生一个新区块的速度。如果这段时间内区块生成速度过快，则难度会上升；如果过慢，则难度会下降。这样可以确保即使计算能力发生变化，区块生成速率也能保持相对稳定；3、四年减半：成功挖出新区块的矿工将获得一定数量的比特币作为奖励，大约每四年减半一次。这三个机制导致了先投入先得利，高算力高回报的竞争结果。因此它不可避免的粗发了显卡（GPU）的抢购潮与军备竞赛。例如，2010 年 7 月，比特币的全网平均算力为 172M h/s，2024 年的 12 月（14年以后）比特币的全
70、网平均算力为 751E h/s（E=1000P，P=1000T，T=1000G，G=1000M），也就是说，14 年全网算力增加了 4 万亿倍（4.4*1012），每年复合增速 6.4 倍！或者说每 4.1 个月全网算力翻番。当然，由于早期的全网算力小的可怜，既没有人关注，也多用电脑（CPU）来挖矿，等到后期关注度较高且开始大量使用 GPU 之后，算力的上涨速度就降下来了。图11：比特币的全网平均算力资料来源：，国信证券经济研究所整理比特币全网平均算力，即全网 BTC 矿工平均每秒可以完成的哈希计算的数量比特币价格几次大涨：2011 年：比特币的价格首次突破了 10 美元的大关，并在 6 月份
71、迅速上涨至 30 美元左右，之后迅速回落。这是比特币早期的一次显著增长；2013 年：从 2012 年年底 10 元左右上涨到在 2013 年 12 月，比特币价格从 10 美元飙升至每枚 1200 美元左右。这次增长主要是由于市场对比特币作为一种新兴金融资产的兴趣增加；2017 年：比特币在 2017 年经历了非常显著的增长，价格从年初的约 1000 美元左右一路上涨，到了年底达到了近 20000 美元的历史高点。这次大涨的原因包括市请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告21场兴趣激增、更多的机构投资者进入市场以及全球经济不确定性的增加；2020-2021 年：
72、受到新冠疫情的影响，美联储大放水，比特币被视为一种避险资产，吸引了大量投资。一些大型机构投资者和上市公司开始持有比特币作为资产储备，进一步推高了价格。2021 年初，比特币价格突破了 5 万美元，并在接下来几个月内继续攀升，最高达到 6 万美元以上；2023-2024 年：全球央行开始增持黄金，比特币作为另类资产，也开始受到追捧。随着比特币基金的成立以及美国宣布要将比特币作为战略储备，价格从 2022 年底的 14000 美元来到了 2024 年底的 10 万美元。比特币在每次大涨中，都会极大刺激对显卡（GPU）的需求。例如以 17 年矿潮为例，2 个月挖矿（并除去电费）就可回本，年化收益率高
73、达 600%。随着算力猛涨，到了 2022 年，全球比特币的矿机高峰耗电量达到了 204TWh。图12：比特币挖矿的耗电量资料来源：，国信证券经济研究所整理而 2022 年，全球总用电量为 24398Twh。也就是说，巅峰期矿机用电量接近全球用电量的 0.8%，这大约是全球用电量排名第 20 名左右国家的水平，也有研究表明，矿机的平均用电量（而非峰值）占全球用电量的 0.4-0.6%。2017 年 12 月，芝加哥商品交易所(CME)推出了首个比特币期货；2021 年 10 月，ProShares 的首只比特币 ETF，BITO 在芝加哥商品交易所上市；2024 年 1 月，11只美国现货比特
74、币 ETF 开始交易，首次在美国证券交易所提供对比特币的直接投资。其中规模最大的 ETF 是贝莱德管理的 iShares 比特币信托（IBIT），2024 年上半年流入约 200 亿美元。截至 2023 年 6 月，River Financial 估计比特币拥有 8170 万用户，约占全球人口的 1%，但在现货 ETF 发行之后，比特币流动性将明显改善，成为不可忽视的另类投资品种。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告22表8：全球主要国家/地区的用电量20222022 年年国家国家/地区地区用电量（用电量（TWhTWh）人口，百万人口，百万人均用电量（兆瓦时）人
75、均用电量（兆瓦时）世界24,3987,9603.11 1中国7,2141,4435.02 2美国4,27233612.73 3印度1,4031,4011.04 4日本1,1321269.05 5俄罗斯9341466.46 6加拿大59538.115.67 7韩国55351.210.88 8巴西5502152.69 9德国53982.26.61010法国46367.76.81111沙特阿拉伯317368.81212英国31268.44.61313印度尼西亚3082761.21414意大利300605.01515墨西哥2961272.31616伊朗28083.33.41717火鸡264843.11
76、818中国台湾25723.810.81919西班牙24646.85.32020南非233603.9资料来源：维基百科，国信证券经济研究所整理2 2、非非 PoWPoW 机制提高了记账效率机制提高了记账效率比特币是去中心化的产物，那么去中心化也带来的效率上的妥协。一个中心化的网络交易速度可以很快（试想阿里巴巴在 2020 年双十一的交易量可达每秒 58.3万笔）。而在比特币的网络里每秒可以处理的交易量非常有限，通常在每秒 3-7笔交易左右。这是因为每个区块只能容纳有限的交易，并且区块的生成时间固定为 10 分钟。为了达到较高的安全性，通常建议等待 6 个区块的确认时间，即大约1 小时。于是，比特
77、币如果与黄金类比，可以免去实物搬运的麻烦；但和现代货币的快捷支付相比，这又成了它最大的掣肘。以太坊的诞生主要是弥补比特币在交易功能上的不足。以太坊白皮书于 2013 年发布，公链于 2015 年 7 月启动。先以与比特币共同的工作量证明（PoW）的算法来增加可信度，再逐步转换成权益证明（PoS）以增加效率。经历了 2015 年的“边境”、2016 年的“家园”、2017 年的“都会”三个版本后，以太坊迎来了 2020年的“宁静”版本。2022 年 9 月，以太坊合并完成，主网与 PoS 共识层信标链（Beacon链）结合、将此前 PoW 工作量证明机制转变为 PoS 权益证明机制，宣布以太坊正
78、式进入 2.0 时代。以太坊最重要的技术贡献是智能合约。智能合约是存储在区块链上的程序，可以协助和验证合约的谈判和执行。纽约时报称以太坊平台是一台公共电脑，由众多用户构成的网络来运转，通过以太币来分配和支付这台电脑的使用权。经济学人则说明智能合约可以让众多组织的数据库得以用低廉的成本交互，并且让用户写下精密的合约，功能之一是产生去中心化自治组织，也就是一间只是由以太坊合约构成的虚拟公司。以太坊 2.0 通过采用 PoS 共识机制、引入分片技术和优化技术等手段，使得网络能够处理更多的交易，并且以更快的速度完成这些交易。这些改进对于提高以太坊网络的整体性能至关重要，尤其是在面对日益增长的去中心化应
79、用需求时。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告23甚至在 NFT 应用场景中，以太坊的记账速度还显得不够高效。例如 Solana 的出现就是希望自己成为更快的记账网络，Solana 由前高通、英特尔及 Dropbox 的工程师团队于 2017 年末创立，2020 年 3 月网络上线。它采用了历史证明(PoH)与权益证明（PoS）混合共识机制，理论上的交易处理速度可以达到每秒数十万笔交易（TPS），目前市值排名第六。目前全球市值前五大区块链网络分别比特币、以太坊、泰达币（稳定币）、币安币、XRB（瑞波币）。除了比特币与早期的以太坊，其他网络都没有以工作量证明（Po
80、W）为共识机制。图13：全球市值排名前 5 的区块链网络资料来源：coincap.io，国信证券经济研究所整理3 3、NFTNFT 与区跨链游戏丰富了加密币的使用场景与区跨链游戏丰富了加密币的使用场景随着以太坊、Solana、Polygon 等高效记账区块链的发展，诸多应用的支付开始转移到它们上。比较典型的两大场景是 NFT 区块链游戏。非同质化代币(NFT，Non-fungible token)是一种记录在区块链上的唯一数字标识符，用于证明所有权和真实性。它不能被复制、替换或细分。NFT 的所有权记录在区块链中，所有者可以转让，从而允许 NFT 出售和交易。图14：NFT 交易规模资料来源：
81、theblock.co，国信证券经济研究所整理NFT 交易额从 2020 年的 8200 万美元增至 2021 年的 170 亿美元，在 2021 年 8 月21 日的一周内，NFT 单周交易额高达 32.4 亿美元。但在 2022 年，NFT 市场崩溃，交易量大幅下行，目前 NFT 交易额每周不到 1 亿美元，交易主要集中在以太坊、请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告24Solana、比特币、Polygon 网络上。美国数字艺术家温克尔曼，艺名 Beeple，耗时 14 年，自 2007 年起每天创作一幅画作并上传到网络上，最终把 5000 张作品图拼接成一个
82、 316MB 的 JPG 文件，命名为每一天：最初的 5000 天。这件拍品以 100 美元起拍，在互联网上历经长达15 天的竞标，2021 年 3 月在佳士得拍卖行以 6930 万美元落槌。买家是新加坡程序员 Sundaresan，他是一名加密货币投资者，也是 Metapurse NFT项目的创始人。由于买家和卖家都有既得利益，希望推高作品的价格，以引起人们对与其他 20 件 Beeple 作品相关的投机资产的关注并推动其销售，他们称之为“B20 代币”。这些代币的价格在媒体报道 Everydays 拍卖期间达到顶峰，随后暴跌，Sundaresan 持有 59%的权益，Beeple 持有 2
83、%的权益。正因为如此，一些观察人士将这次拍卖描述为一场宣传噱头和骗局。图15：每一天：最初的 5000 天（Everydays:The First 5,000 Days）资料来源：百家号，国信证券经济研究所整理批评者将 NFT 市场的结构比作金字塔或庞氏骗局，早期投资者以牺牲后来者为代价去获利。2022 年 6 月，比尔盖茨表示，NFT 是“100%基于更大傻瓜理论”。乐观者则将 NFT 市场比作 17 世纪的郁金香狂热，称任何投机泡沫都需要技术进步才能让人们“兴奋”，而这种热情的一部分来自对产品的极端预测（即泡沫可以持续很长时间）。除了 NFT，区块链游戏也在相似的时间大火。最早使用区块链技
84、术的最著名游戏请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告25之一是 CryptoKitties，由 Axiom Zen 于 2017 年 11 月为个人电脑推出。玩家可以使用以太坊加密货币购买宠物，玩家可以将其与其他宠物繁殖，创造出具有综合特征的后代作为新的宠物。这款游戏在 2017 年 12 月成为头条新闻，当时一只虚拟宠物的售价超过 100,000 美元。当时大约 30%的以太坊交易都是为游戏而做的，拥堵延迟了玩家的交易，也有了后来的以太网的升级。Sky Mavis 于 2018 年发布的 Axie Infinity 是一款“边玩边赚”（Play to earn）
85、的游戏，游戏通过活动激励玩家购买并改进 NFT，然后由发行商转售给其他玩家，玩家会因其劳动获得报酬。在游戏最受欢迎的菲律宾，一些玩家通过玩游戏赚到了足够的钱来支付生活费用。在 2022 年初的一次黑客攻击之后，Axie Infinity发行商被盗 6 亿多美元，游戏玩家数量大幅下降，游戏经济受到影响。由于代币价值暴跌，Sky Mavis 在其网站和营销中删除了对“边玩边赚”的提及。图16：CryptoKitties图17：Axie Infinity资料来源：百度百科，国信证券经济研究所整理资料来源：，国信证券经济研究所整理部分评论家将区块链“边玩边赚”模式描述为金字塔骗局。“边走边赚”游戏（一
86、种以步行为奖励加密货币的健身游戏）的竞争对手开发商争相指责对方是庞氏骗局，同时努力寻找“解决庞氏经济学问题”的方法。不可否认的是，在区块链游戏火热之时，无一例外是比特币/以太坊价格上涨之时，上涨促使游戏经济繁荣，会带来更多的玩家，因此即便亏钱的运营模式也会因为玩家的陡然增加而变得健康。玩家们大都不会因为游戏的内容而被吸引，而是流连于加密币的上涨所带来的财富增加。NFT 与游戏并非没有创新，DAO（去中心化自治组织，Decentralized autonomousorganization）是其独特的组织形式。发起者可以是个人，可以是公司，但他们在项目中，都成为了 DAO 的一部分。DAO 的组织
87、形式探索类似于人类社会早期在数千年中尝试的多种不同治理方式，因此它绝对不是一件简单的工作，也绝不会有个标准答案，与 DAO 对立的是已经成熟了几百年的公司制。所以这类 DAO 商业组织的确切法律地位通常不明确，并且可能因司法管辖区而异。2021 年 7 月，怀俄明州成为美国第一个承认 DAO 为法人实体的州，关于 DAO 的法律法规完善还有很长一段路要走。4 4、元宇宙概念的火热元宇宙概念的火热2021 年称为元宇宙元年。3 月沙盒游戏平台 Roblox 在纽交所成功上市，事件经过各大媒体报道后引发了各界关注，形成“元宇宙”现象。4 月与 10 月元宇宙在YouTube 上的搜索量达到了两次峰
88、值，在谷歌上于 2021 年 10 月 24 日达到了峰值。2021 年 10 月 28 日，Facebook 创始人扎克伯格宣布公司旗下部分产业更改全新的名字为 Meta，名字来源为元宇宙 MetaVerse 的前缀。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告26如果回顾时间线，无论是 AR 还是 VR，在这一年里并未有重大的技术突破。而加密币与 NFT 的火热确实发生在 2021 年，尤其是 NFT 的成交量在 2021 年达到峰值。因此说，元宇宙的火热与区跨链、NFT 的相关度显然更高。1992 年，元宇宙一词诞生于科幻小说雪崩。小说中“元宇宙”世界是一个平行于
89、现实世界的虚拟共享世界。在元宇宙中，用户可以通过佩戴便携式终端、眼镜和其他体感设备保持与元宇宙的持续连接。诸多文艺作品诠释的元宇宙可能更丰满，除了雪崩之外，这些作品还包括：黑客帝国、玩家 1 号、神经唤术士、刀剑神域、加速世界、夏日大作战、龙与雀斑公主、西部世界等。维基百科对元宇宙的描述是：元宇宙主要探讨一个持久化和去中心化的线上三维虚拟环境。此虚拟环境将可以通过 VR、AR、电话、个人电脑和电子游戏机进入人造的虚拟世界。此虚拟世界需要各种科技如区块链、人工智能、扩增实境、机器视觉。Roblox 给出的元宇宙中共包含八大要素，分别为：身份、朋友、沉浸感、低延迟、多元化、随时随地、经济系统和文明
90、。因此，元宇宙就像一个“大箩筐”，它包含许多应用的可能性。理想的元宇宙容许用户进行任何体验或活动，或者解决他们几乎所有的需求，所以在理想状态下，元宇宙可应用于任何事物。表9：元宇宙的多种应用领域领域领域应用示例应用示例示例详情示例详情商业领域商业领域Meta 的 Horizon Workrooms 微软的 Mesh为员工提供虚拟办公环境，支持远程协作。减少居住在城市的必要性。虚拟会议与活动平台如 Hopin 和 Remo 等平台支持大规模在线会议和活动。教育领域教育领域英伟达的 Omniverse Together Labs 的逼真化身技术香港科技大学的 MetaHKUST 项目支持全球开发者
91、实时合作，创作元宇宙内容。利用 AI 技术模拟历史人物。提供沉浸式互动学习环境。虚拟实验室与实验环境学生可以在安全的虚拟环境中进行化学、物理等实验。房地产领域房地产领域拟真的虚拟房屋参观 NFT 虚拟房地产允许购房者在线参观房产。如Mars House以 50 万美元售出的 NFT 房屋。虚拟建筑设计与规划建筑师和设计师可以在虚拟环境中进行设计和规划。音乐领域音乐领域在我的世界、机器砖块、堡垒之夜等游戏中举办的元宇宙演唱会饶舌歌手崔维斯史考特 2020 年的堡垒之夜演唱会收入 2000 万美元。虚拟音乐会平台Wave 和 TheWaveVR 等平台支持艺术家举办虚拟音乐会。游戏领域游戏领域Ro
92、blox、Fortnite、Minecraft、The SandboxRoblox：用户可以创建自己的游戏和体验，形成一个庞大的游戏社区。Fortnite：举办虚拟音乐会和电影放映。Minecraft：玩家可以在虚拟世界建造和探索。The Sandbox：玩家可以创建、拥有和货币化自己的游戏体验。虚拟体育竞技如虚拟足球联赛或赛车锦标赛。电子竞技平台支持玩家参与和观看电子竞技比赛。虚拟角色扮演玩家可以扮演不同的角色，在虚拟世界中完成任务和探险。整合领域整合领域HTC VIVE 推出的 VIVERSE 元宇宙生态系统包括 5G 产品、VR 设备以及 ENGAGE 和 VRChat 等合作伙伴。元宇
93、宙社交平台Decentraland 和 Sandbox 等平台支持用户创建和探索虚拟世界。企业零售领域企业零售领域虚拟版的实体设施提供逼真的网上购物体验顾客可以参观虚拟购物商场，试穿真实尺寸的虚拟商品。虚拟品牌体验店品牌可以在元宇宙中开设虚拟商店，提供沉浸式的购物体验。旅游领域旅游领域虚拟旅游景点旅行者可以在家中游览世界各地的著名景点。交互式历史文化体验通过虚拟现实重现历史事件，提供互动体验。医疗健康领域医疗健康领域虚拟治疗室心理健康专家可以提供远程心理治疗。虚拟康复训练患者可以在家中进行物理治疗和康复训练。资料来源：国信证券经济研究所整理可以肯定的是，由于元宇宙的概念没有边界感，因此它的扩展
94、性、延伸性很强，未来还将持续不断地扩展新场景，融合新技术，整合新功能，丰富新体验。大型公司都希望在元宇宙上有所建树，Meta 就是个典型的例子。一方面他们可以投入很多在 VR/AR 硬件预算上，或者在软件算法上，或者像以前应用市场那样整合很多的资源，但有一个槛目前似乎还迈不过去：即如果他们承认区块链和 DAO组织是本轮元宇宙最革命的要素之一，那么这些企业作为参与者的身份应该如何请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告27定位？意思是：区块链如果像一新平台，这些大公司更像是这个新平台的一个 APP而已。虽然他们不想放弃原有在互联网下的平台身份，但它们自身又缺乏颠覆性创
95、新的要素。因此尽管这些大公司也在口口声声说自己要拥抱元宇宙，或者将元宇宙战略作为公司发展的最重要战略之一，但他们口中的元宇宙约等于一款新游戏，一个新办公软件，最多是一个新的应用商店，只不过多了一些 VR/AR 元素而已。这就是互联网或者新技术最有魅力的地方曾经的变革者通过 70、80 年代互联网浪潮逐步成了今天的垄断者，而新的变革又在挑战今天的垄断者，元宇宙这种颠覆式创新力量已经显现。云计算的蓬勃发展云计算的蓬勃发展1 1、20162016 年，全球主要互联网公司云计算业务均已上线年，全球主要互联网公司云计算业务均已上线如果摩尔定律代表一种科技底层的驱动力量，那么伴随着 CPU 线程遇阻，云计
96、算的发展成为了另一种自然的选择。前期的报告提及过，亚马逊作为云计算最早的布局者，2006 年就推出了 EC2（Elastic Compute Cloud，弹性云）。随后谷歌在 2008 年推出了 App Engine，也开始云计算服务的试水。阿里巴巴则是中国最早开始布局云计算的公司，2009年阿里云成立，并一直保持中国云计算市场份额第一的位置，微软 2010 年发布了Azure 平台，苹果则在 2011 年推出了 iCloud。国内巨头百度、中国电信、腾讯分别在 2012-2013 年发布了各自的云计算服务，IBM则是通过收购在 2013 年推出了IBM Cloud，甲骨文在 2016年发布了