上下遊的“冰與火”：AI拐點在哪？

2023-07-11 18:40:17 編輯： robot

導讀近期，年內持續火爆的AI行情短期熄火，截至7月5日，軟件开發板塊10個交易日遭資金淨流出超過240億元，文化傳媒、遊戲、計算機設備等行業板塊淨流出資金也均超過百億元。除了二級市場，AI上下遊產業鏈...

近期，年內持續火爆的AI行情短期熄火，截至7月5日，軟件开發板塊10個交易日遭資金淨流出超過240億元，文化傳媒、遊戲、計算機設備等行業板塊淨流出資金也均超過百億元。

除了二級市場，AI上下遊產業鏈也出現了微妙的偏差，上遊硬件持續火爆，光模塊、HBM等依舊有大批企業“搶灘”，而遊戲等AIGC應用端卻有走冷趨勢。目前一個整體判斷的是，人工智能行業正在渡過一個關鍵的發展瓶頸——即技術實力何時能夠全面轉化爲商業紅利？

上遊火熱：企業搶灘算力、存力、運力

AI的快速發展一直受限於算力(信息計算能力)，但是擁有先進芯片並不意味着擁有更高的算力，單個AI服務器的算力有限，亟需通過高性能網絡連接多個AI服務器和存儲系統，構建大規模計算集群。

存力(數據存儲能力)、運力(網絡運載能力)兩大概念也應運而生。

中國工程院院士倪光南提出了廣義算力和存算比兩個概念：廣義算力=存力+算力+運力，存算比=存力/算力。經測算，我國的存算比爲0.42TB/GFLOPS，表明存力相對不足，存在重算力、輕存力的傾向。

爲了在AI浪潮中佔據一席之地，算力裏的CPO、存力裏的HBM成了企業“搶灘”重點。

首先是算力方向。

AI算力的需求對光模塊的需求帶來較大增長，據悉，AI服務器所用的A100、H100等GPU，需用200G以上的高速率光模塊8—10個/片。AI算力建設與雲計算需求共振，800G光模塊开啓規模量產新周期，800G 大客戶需求指引有望持續超預期，光模塊龍頭廠商持續產能擴張以應對高漲需求。

自3月以來，北美廠商已經多次追加800G光模塊訂單，追加頻率及數量超市場預期。根據國金證券研報，目前英偉達等海外幾大巨頭給到800G光模塊供應商的預期2024年已上升至1000萬只，光模塊廠商正在大力擴產，以應對爆發時需求增長。中際旭創近日也在互動平台回復稱，公司用於AI場景的800G光模塊正在持續出貨和取得收入。

其次是存力方向。

高帶寬存儲器(HBM)正成爲AI時代的“新寵”。HBM是一種基於3D堆疊工藝的DRAM內存芯片，具有更高帶寬、更低功耗、更小尺寸等優點。它突破了內存內容與寬帶瓶頸，能爲GPU提供更快的並行數據處理速度，被視爲GPU存儲單元的理想解決方案。

近來，繼英偉達之後，全球多個科技巨頭都在競購SK海力士的第五代高帶寬存儲器HBM3E。據證券日報消息，半導體行業內部人士稱，各大科技巨頭已經在向SK海力士請求獲取HBM3E樣本，包括AMD、微軟和亞馬遜等。申請樣本是下單前的必要程序，目的是釐清存儲器與客戶的GPU、IC或雲端系統是否兼容。此舉意味着，HBM3E良率已經很穩定、能夠大量生產，已來到交貨前的最後階段。

對於AI上遊硬件的後續發展，天風證券認爲，AI硬件投入將繼續保持強勁的發展勢頭。服務器部署反映算力需求，大部分公司有服務器擴張計劃。不同公司在計算資源的使用量、成本和供應商選擇上存在差異，反映出它們在AI技術發展上的投入和战略規劃。

下遊冰冷：AIGC遭應用端抵制？

與上遊正相反，AI下遊應用端似乎有“結冰”趨勢。

首先是此輪AI行情的導火索——ChatGPT，其訪問量正在下滑。

據證券日報消息，網絡分析公司Similarweb統計數據顯示，2023年前5個月，ChatGPT全球訪問量環比增幅分別爲131.6%、62.5%、55.8%、12.6%、2.8%，增長幅度明顯下降；6月份ChatGPT的訪問量環比下滑9.7%，爲其推出以來首次。市場認爲，(通用AI大模型)產業泡沫化風險在一定程度上已經出現。

其次是被視爲AI將最先落地的應用端——遊戲領域，出現了抵制AI的事件。

據南方都市報消息，遊戲平台Steam的母公司valve在審核遊戲時，拒絕了一部使用AI生成內容的遊戲。valve表示，由於AI生成內容的版權歸屬不清楚，他們無法發布這些遊戲，除非开發者能證明他們擁有用於訓練AI的數據的權利。

目前，AI技術在遊戲开發中已經廣泛應用，比如用來生成地形、角色、音效等。一些大型遊戲公司，如育碧、EA等，也都在積極探索AI技術在遊戲中的可能性。然而，AI技術也帶來了一些版權和倫理上的挑战和爭議——AI生成，是否是創新的，是否是真實的？

事實上，上述兩件事，恰恰證明了AI在應用端的同質化問題，短時間內可以引發使用者的興趣，但缺乏能留存用戶的實用性和創新性，這也是近期AI大模型熱議的要重視“垂直化”和“行業驗證”。

從當前產業發展情況來看，AI應用層依舊處於初級階段。簡單來說，就是廣度夠了，類似當年的互聯網，AI可以在各行各業都沾點邊，但缺少深度，主要局限於文字、圖片或視頻的生成，信息的真實性也難以保證。這主要受制於四方面：

一是技術問題，AI技術需要涉及到機器學習、深度學習、自然語言處理等多個領域，技術成熟度尚未達到預期，很多應用場景仍然需要更多的研究和开發。

二是數據問題，AI落地是一個知易行難的過程，AI模型想實現應用，需要大量、統一、標准、高質量的數據來進行訓練，數據的廣度、深度、安全性等問題都需要重視。

三是硬件問題，更智能的AI需要更高的計算能力，正如前文所屬，當前AI上遊硬件端還處於發展階段，算力、存力、運力都亟待提升，否則難以支撐商業落地。

四是交流問題，在大部分的場景下，都是工程師、科學家講一套語言，而業務負責人講另外一套語言，AI產業鏈上下遊战线過長，供應端與應用端尚未形成良性交流，這種狀態進一步導致了AI的落地難。

AI商業化拐點何時到來？

往後看，AI上下遊的“錯配”還會持續多久？商業化拐點何時能夠出現？

其一，要看從技術能力到場景應用的轉化，何時實現通用化、適配化、量產化、規模化。如果服務的每一個客戶，都需要爲其單獨定制解決方案，就意味着商業模式沒跑通，不能實現邊際成本的持續走低。

其二，單位成本和效率能否持續優化？AI對於各個行業最直接的意義，當然是“降本增效”，市場認爲，AI對遊戲、傳媒等領域的效率提升有望達10倍。但如今AI硬件和軟件成本依舊高昂，在上遊產業化有實質進展前，“降本增效”仍然只是空談。

其三，相關法律法規的落地。歸根結底，人工智能技術其實取決於兩大變量，一是算法，二是數據。而市場對數據安全的擔憂，正是制約AI進化的原因之一。隨着AI相關法規進一步完善，商業化落地才有了基礎。

當然，AI的紅利是清晰可見的，它可以與各行各業相結合，但到底是“AI產業化”還是“產業AI化”還待定論。總體而言，AI發展的方向是有的——自動駕駛技術就是AI在汽車領域的一種極致演繹，但走向成熟的道路必然艱難。在未來商業化的求解上，各大企業也勢必要經歷一番波折。歸根結底，AI已是時代風向，與時代爲友，就需要給予更大的耐心，才有機會享受時代的紅利。

二級市場的AI熱度到頭了？

從二級市場來看，今年以來，AI概念股走出一波大行情，幾只大牛股被炒出“天價”。股價炒得過高的一個基礎也在於，新模式、新技術的估值方式還沒有共識。新的題材，尤其是尚未能落到商業化、收入層面的技術突破，它的估值不適用傳統的市盈率、市淨率等方式，如何給這些概念股估值，市場還在摸索中，形成共識需要時間。

事實上，每種新技術都有一個成熟度曲线，其發展可以分爲5個階段，即技術萌芽期、期望膨脹期、泡沫破裂低谷期、穩定成長期和成熟期。

在不同發展階段，市場具有不同的期望，例如“技術萌芽期”的期望值隨時間逐步提升，在“期望膨脹期”達到階段性頂峰，在“泡沫破裂低谷期”期望值持續下行，直至產業化來臨，迎來“穩定成長期”，最終在滲透率大幅提升之後，進入“成熟期”。

目前而言，AI技術還在期望膨脹期，二級市場行情則處於概念炒作階段(後續還有技術炒作階段、業績炒作階段)。接下來市場將上演大浪淘沙——二級市場的信息披露更加完善，上市公司是真的具備AI硬實力，還是單純蹭概念，不久就會真相大白，投資者要做的是密切關注。