整个人工智能的产业链包括算力、w66数据、算法乃至下游应用。 算力与网络：英伟达的研究表示，GPT-3 模型需要使用 512 颗 V100 显卡训练 7 个 月时间，或者使用 1024 颗 A100 芯片训练长达一个月的时间。随着各大科技厂商投入对 大模型的研发，势必增加芯片、服务器等算力需求。同时，庞大的 AI 算力集群，又需要 高带宽支撑数据传输。 数据：数据采集、数据标注和数据质检是较为重要的三个环节。从自然数据源简单 收集取得的原料数据并不能直接用于有效监督的深度学习算法训练，经过专业化采集、 加工形成的训练数据集才能供深度学习算法等训练使用，由此带来数据服务需求。 算法：相比传统 AI 模型，大模型的优势体现在：1）解决 AI 过于碎片化和多样化 的问题；2） 具备自监督学习功能，降低训练研发成本；3）摆脱结构变革桎梏，打开 模型精度上限。对于大模型算法的研发、优化，亦是投入的重点。 下游应用：产业界一直以来都在寻求人工智能的应用领域、商业模式突破。随着大 模型使用、人工智能算法精度提升，下游应用的扩展可期。数字经济快速发展，数据要素成为重要战略资源。《“十四五”数字经济发展规划》 中指出，数字经济是继农业经济、工业经济之后的主要经济形态。
《规划》设定了到 2025 年实现数字经济核心产业增加值占 GDP 比重达到 10%的目标，涵盖数据要素市场、产 业数字化、数字产业化、数字化公共服务、数字经济治理体系五个方面。从 2015 年至 今，数字经济平均增速持续高于 GDP 增速，2021 年数字经济占 GDP 比重已经由 2015 年的 27%提升至 40%。联网设备高增之下，流量增长不可避免。根据思科的《年度互联网报告》，到 2023 年，地球上的连网设备数量将是全球人口的大约三倍，从 2017 年的人均 2.4 台提升至 3.6 台。由于 IP 地址即网络地址+主机地址，网络站点所连接的 IP 数量也处于爆发的阶 段。根据 IDC 的《中国物联网连接规模预测，2020-2025》，仅我国物联网 IP 连接量已 在 2020 年达 45.3 亿，有望在 2025 年达到 102.7 亿，CAGR 为 17.8%。由于 IP 地址 联网后即产生数据流量， IP 地址的数量增长即代表全网数据也将继续大增，对于现有 的网络企业的承载能力提出了考验。根据思科的《年度互联网报告》，2022 年全球网络 数据流量将达 799EB（1EB=十亿 GB），同比增长 21%。我们认为，数据流量的增长， 有望直接带动大数据产业的发展，而其中稳定优质响应快的数据库性价比更高。
