《計算機行業算力租賃深度研究報告：大模型發展的關鍵引擎看好AI算力高景氣持續-231010（37頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業算力租賃深度研究報告：大模型發展的關鍵引擎看好AI算力高景氣持續-231010（37頁）.pdf（37頁珍藏版）》請在三個皮匠報告上搜索。

1、大模型發展的關鍵引擎大模型發展的關鍵引擎，看好看好AIAI算力高景氣持續算力高景氣持續算力租賃深度研究報告算力租賃深度研究報告分析師|邢開允S0800519070001 13072123839西部證券研發中心2023年10月10日證券研究報告請仔細閱讀尾部的免責聲明核心結論核心結論2行業評級行業評級超配超配前次評級前次評級超配評級變動評級變動維持相對表現相對表現1個月個月3個月個月12個月個月計算機計算機-1.93-8.7632.89滬深滬深300-1.48-4.15-0.97近一年行業走勢近一年行業走勢-6%5%16%27%38%49%60%2022-102023-022023-06計算機滬

2、深300GPU為驅動為驅動AI技術發展以及應用落地的關鍵引擎技術發展以及應用落地的關鍵引擎，大模型訓練大模型訓練、微調微調、推理催生大量推理催生大量AI算力需求算力需求，英偉達英偉達A100與與H100供不應求供不應求，在此背景下在此背景下，AI算力租賃需求爆發算力租賃需求爆發。我們認為由于下游大模型無論是技術側還是我們認為由于下游大模型無論是技術側還是應用側均呈百花齊放發展趨勢應用側均呈百花齊放發展趨勢，而上游而上游AI算力資源作為重要支撐算力資源作為重要支撐，稀缺性凸顯稀缺性凸顯，算力租賃市場需求將持續算力租賃市場需求將持續旺盛旺盛，未來成長空間廣闊未來成長空間廣闊。1）根據英偉達與微軟聯

3、合發布的論文，理論情況下用1個月訓練出1750億參數大模型需要1024張A100，而訓練萬億參數GPT-4所需的A100卡可能達到萬張量級；2）ChatGPT迎重大更新，微軟Copilot即將全面開放，大模型應用進一步走向實處。我們測算，大模型推理側GPU需求具備更大的增長空間，未來每家龍頭大模型廠商推理側A100需求有望達到十萬張量級。大模型訓練中的故障與中斷問題對大模型訓練中的故障與中斷問題對GPU集群的質與量提出了更高要求集群的質與量提出了更高要求，云廠商的核心競爭力體現在資金云廠商的核心競爭力體現在資金、軟硬件軟硬件、下游客戶等多個層面下游客戶等多個層面。根據Meta團隊訓練實踐，雖然

4、英偉達GPU具有優異的計算性能，但軟、硬件等故障時常發生，各類任務頻繁重啟，訓練經常中斷，持續時間較短，理論上1個月能完成的訓練實際用了3個月。所以云廠商不僅需要打造大規模算力集群以滿足客戶需求，還需具備強算力運維能力以幫助客戶最大化利用已有的算力資源。我們認為現階段云廠商的核心競爭力在于我們認為現階段云廠商的核心競爭力在于AI算力規模算力規模，而在未來而在未來，云服云服務能力將成為各大廠商搶占市場與客戶的關鍵務能力將成為各大廠商搶占市場與客戶的關鍵。建議關注：建議關注：1.鴻博股份：深度綁定英偉達，AI算力穩步落地；2.青云科技：云服務技術背景+大集群運維經驗，輕資產模式優勢盡顯；3.中貝通

5、信：智算中心建設加速推進，計劃年內落地AI算力5000P；4.恒潤股份：在手算力2500P，攜手運營商建設蕪湖智算中心；5.云賽智聯：國資背景加持，打造一線AI算力正規軍；6.潤建股份：擬投入2億元布局算力租賃業務。風險提示：大模型發展不及預期；下游需求不及預期；行業競爭加??；芯片價格波動；測算存在主觀假設風風險提示：大模型發展不及預期；下游需求不及預期；行業競爭加??；芯片價格波動；測算存在主觀假設風險；關鍵假設存在誤差風險險；關鍵假設存在誤差風險。2WiXnXkZdYlXtPqMtO6MaOaQmOnNoMpMlOmNqQjMoPmNbRmNqQuOrMqRNZsQqRCONTENTS目錄C

6、ONTENTS目目錄錄發展趨勢競爭格局和要素重點公司算力布局情況02030401AIAI算力需求空間測算算力需求空間測算風險提示05請仔細閱讀尾部的免責聲明資料來源：迎接大模型時代：大模型發展簡史及攻略、云布道師公眾號，西部證券研發中心4AIGC浪潮洶涌浪潮洶涌，大模型開啟新一輪大模型開啟新一輪AI技術革命技術革命2023.4阿里云通義千問發布面向企業用戶開放阿里全系業務將接入連續對話能力主動承認錯誤理解上下文捕捉用戶意圖ChatGPT人類人類意圖意圖算法算法屏蔽屏蔽連續連續對話對話GPT4InstructGPT/GPT3.5/ChatGPTGPT3Transfor-merPyTorch微軟云

7、Azure算力資源算力資源OpenAI的獨家云提供商深度學習框架深度學習框架易使用、API迭代更穩定模型框架模型框架Attention機制參數少、速度快、效果好大模型大模型Transformer的Decoder分支1750億個參數、小樣本學習能力模型調優模型調優人類反饋強化學習RLHF 202320222021202020192018201720152011谷歌大腦部門成立谷歌大腦推出Transformer，深度學習模型參數突破1億億OpenAI成立谷歌推出3億參數的BERTOpenAI推出1.17億參數的GPT-1OpenAI推出15億參數的GPT-2OpenAI推出1750億參數的GPT-

8、3微軟和英偉達發布5300億參數的MT-NLG谷歌推出1.6萬億參數的Switch TransformerOpenAI推出InstructGPT與ChatGPTStability AI推出Stable DiffusionOpenAI推出GPT-4谷歌推出PaLM2請仔細閱讀尾部的免責聲明資料來源：Emergent Abilities of Large Language Models、Large Language Models:A New Moores Law?、云布道師公眾號、西部證券研發中心訓練規模突破臨界值訓練規模突破臨界值，大模型大模型“智慧涌現智慧涌現”5圖：近年來超大規模預訓練模型參

9、數增長趨勢圖：近年來超大規模預訓練模型參數增長趨勢圖：訓練規模超過閾值時效果顯著提升圖：訓練規模超過閾值時效果顯著提升大模型訓練規模與參數量、數據量及訓練輪數等緊密相關。當模型規模突破闕值，即出現“智慧涌現”。大模型訓練規模與參數量、數據量及訓練輪數等緊密相關。當模型規模突破闕值，即出現“智慧涌現”。左圖橫坐標為模型訓練的預訓練規模，用FLOPs綜合表示；縱軸為精確性等評判模型效果的指標。當模型規模在一定范圍內時，模型能力并未隨著規模提升而提高；當規模超過此臨界值時，模型效果顯著提升，出現“智慧涌現”。1212層層參數：參數：1.21.2億億數據：數據：5GB5GB4848層層參數：參數：15

10、15億億數據：數據：40GB40GB9696層層參數：參數：2.7B/6.7B/13B/175B2.7B/6.7B/13B/175B數據數據 45TB45TB9696層層參數參數 1.3B/6B/175B1.3B/6B/175B參數量可能突破參數量可能突破萬億萬億GPT-1(2018.6)GPT-2(2019.2)GPT-3(2020.5)ChatGPT/GPT3.5(2022)GPT-4(2023)請仔細閱讀尾部的免責聲明資料來源：云布道師公眾號、西部證券研發中心邁入邁入AI智能時代智能時代，計算芯片依賴已從計算芯片依賴已從CPU轉向轉向GPU62003201020172019應用應用互聯網

11、時代互聯網時代（信息獲?。┮苿踊ヂ摼W移動互聯網（信息交換）大數據大數據/短視頻短視頻（信息感知/交互）AI智能時代智能時代（認知/決策）端端PC(Windows)手機手機/IoT設備手機/汽車/機器人智能硬件.服務器服務器應用應用應用應用OS/平臺平臺UNIX/SolarisLinux/OpenStackK8S/SparkTensorFlow/Caffe/Torch芯片芯片PowerPC/SparkIntel/AMDIntel/AMDNVIDIA-GPU網絡網絡ADSL/2GPCIE 1.0100M網絡3GPCIE3.0(8GT/S)10G網絡4GPCIE4.0(16GT/S)25G網絡5GP

12、CIE5.0(32GT/S)100G網絡新聞/媒體/搜索社交/出行服務廣告推薦/短視頻/在線教育NLP:ChatGPTAIGC單一服務器單一服務器但服務器性能單核CPU依賴主頻提升性能云數據中心云數據中心大規模服務器集群整體性能，多核CPU，核數+虛擬化，vCPU/云網絡/分布式存儲邊緣計算邊緣計算異構融合計算CDN加速網絡：云-管-端協同AI服務器服務器AI/ML，大規模并行計算，多重向量/張量計算網絡：東西向流量為主 AI時代離不開機器學習，而神經網絡訓練及推理需要進行大量的矩陣運算和卷積運算，具有強并行運算與浮點計算能力的時代離不開機器學習，而神經網絡訓練及推理需要進行大量的矩陣運算和卷

13、積運算，具有強并行運算與浮點計算能力的GPU逐漸成為計算主力軍。逐漸成為計算主力軍。請仔細閱讀尾部的免責聲明資料來源：云布道師公眾號、西部證券研發中心大模型訓練大模型訓練、微調微調、推理催生大量推理催生大量AI算力需求算力需求7算法架構算法架構/訓練訓練方法設計方法設計數據及制作標注數據及制作標注模型訓練模型訓練算法測試算法測試應用測試應用測試算力需求算力需求訓練階段訓練階段小樣本學習小樣本學習微調階段微調階段SFT監督學習、監督學習、RM獎勵模型、遷移學習獎勵模型、遷移學習推理階段推理階段參數加載、推理計算、信息交互參數加載、推理計算、信息交互單次單次GPT-3.5 Small(1.25億億

14、)計算量計算量 2.6 PFLOPS*天天單次單次GPT-3 XL 計算量計算量 27.5 PFLOPS*天天單次單次GPT-3（175B）計算量）計算量 3640 PFLOPS*天天PalM計算量（計算量（5400億）億）29600 PFLOPS*天天 預計算力預計算力 1350.4 PFLOPS*天天ChatGPT 2023年年1月官網總訪問量月官網總訪問量6.16億次億次單月運營算力約單月運營算力約 4874.4 PFlopsGPT3（175B)3640 PFLOPS35000張張 A100跑一天跑一天 或或 1024張張A100跑一個月跑一個月13000張張A100跑一天跑一天 或或

15、433張張A100跑一個月跑一個月通過模型剪枝通過模型剪枝/量化優化到量化優化到INT4/8，13B 50B模型模型,可采用可采用A10或或V100設備設備 以阿里云以阿里云 GPU實例目錄價計算實例目錄價計算1024/8*17萬萬￥2200萬月萬月￥920萬萬/月月￥4000萬萬/月月分階分階段段計算計算量量芯片芯片需求需求成本成本請仔細閱讀尾部的免責聲明資料來源：Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM、西部證券研發中心大模型大模型訓練側訓練側 GPU 需求測算需求測算82

16、022年，英偉達、斯坦福聯合微軟研究院共同訓練出了萬億級參數的GPT，比1746億參數的GPT-3還高出了一個量級；論文中的測試基于DGX A100-80GB集群完成。對于最大的 1T 規模的模型，一共使用了384臺8卡DGX-A100服務器，服務器內部各GPU間使用超高速NVLink和NVSwitch互聯，每臺機器裝有 8個200Gbps的 InfiniBand網卡；GPU利用率利用率=單張單張GPU訓練時吞吐量訓練時吞吐量/單張單張GPU峰值吞吐量峰值吞吐量，論文使用了數據并行、流水線模型并行、張量模型并行、服務器通信優化等加速技術提高GPU利用率。訓練過程中，英偉達A100卡使用數量的變

17、化范圍為32,3072，GPU利用率隨參數量增加而增長，變化范圍為44%,52%。圖：圖：GPU利用率隨著模型變大利用率隨著模型變大(更大的矩陣乘法更大的矩陣乘法)而提高而提高請仔細閱讀尾部的免責聲明這篇論文給出了使用并行策略后訓練時間的經驗公式：端到端訓練時間端到端訓練時間 其中，T 表示訓練集的Token數量，P 表示模型參數數量，n 表示A100卡數量，X 表示訓練時每張GPU的吞吐量。X 值由GPU峰值吞吐量與GPU利用率相乘得出。論文中進行訓練時采用混合精度即混合精度即FP16。在此精度下，每張A100的峰值吞吐量（非稀疏）為 312 TFLOPS。論文以GPT-3為例做了估計：當

18、T=3000億，P=1750億，A100卡數量 n=1024張，批處理大小為 1536時，假設GPU利用率為45%，即每張A100訓練時吞吐量為 312 45%=140 TFLOPS。估計估計GPT-3端到端訓練時間端到端訓練時間=.=.（s）（天）（天）據推測，GPT-4的參數量達到萬億級別。SemiAnalysis報道稱GPT-4參數量為1.8萬億，且采用更大的訓練集，GPT-4訓練過程中A100卡數量達到萬張量級達到萬張量級。GPT-4具體參數量目前暫無官方數據，半導體咨詢研究公司SemiAnalysis稱：OpenAI訓練GPT-4的FLOPS約為2.15 1025，在大約25000個

19、A100上訓練了90-100天，由于延遲和故障重啟問題，GPU利用率約為32%-36%。資料來源：SemiAnalysis、Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM、西部證券研發中心大模型大模型訓練側訓練側 GPU 需求測算需求測算9請仔細閱讀尾部的免責聲明資料來源：Similarweb、英偉達官網、西部證券研發中心測算大模型大模型推理側推理側 GPU 需求測算需求測算推理側具備更大的成長空間推理側具備更大的成長空間10圖：圖：2023年年8月月OpenAI月度訪問量月度訪問量

20、 根據Similarweb數據，2023年8月ChatGPT的月度訪問量為14億（包括直接訪問、外鏈等），平均訪問時長為7分鐘。假設假設1：ChatGPT訪客平均每次訪問提問數為10個，每個問題加上其回答的Token數量平均為1000；假設假設2：ChatGPT訪客來自全球各地，假設在每日24小時內平均分配訪問量和計算量；假設假設3：在推理側，大模型運算更為簡單，我們仍保守假設GPU利用率為45%。推理過程中，每個參數只需執行1次乘法運算和1次加法運算，以GPT-3的參數量1750億帶入以下測算。推理前一般采用量化等技術將模型優化到Int8精度，在此精度下，每張A100的峰值吞吐量（非稀疏）為

21、 624 TOPS。圖：英偉達圖：英偉達A100卡規格卡規格請仔細閱讀尾部的免責聲明首先計算每月推理的算力需求：每月推理側Token數=月度訪問量 平均提問數 問題加回答數=1.4 109 10 1000=.每月推理側算力需求=參數量 每月推理側數量 單個計算量=1.75 1011 1.4 1013 2=.再計算每秒推理側的算力需求：每秒推理側算力需求=每月推理側算力需求30 24 60 60.(TOPS)最后計算A100 需求：A100需求=每秒推理側算力需求A100單張推理算力 GPU利用率=1.9 10186.24 1014 45%(張)實際應用中，推理前可能會采用剪枝、蒸餾等技術來進行

22、模型壓縮。壓縮一定程度上會降低模型性能，此處暫不考慮這些因素。資料來源：Similarweb、西部證券研發中心測算大模型大模型推理側推理側 GPU 需求測算需求測算 ChatGPT11請仔細閱讀尾部的免責聲明2023年9月25日，ChatGPT進行重大更新GPT-4和GPT-3.5都具有了基于圖像進行分析和對話的能力。我們認為，當模型參數增長至萬億級萬億級且具有多模態多模態能力，能承擔更多生成、分析等任務時，將吸引更多用戶，ChatGPT月度訪問量將高增（2023年8月，谷歌月度訪問量為860億，約為ChatGPT的70倍）。在以下三點假設下，長期來看，我們推測未來ChatGPT推理側A100

23、需求將超過70萬張萬張。假設1：我們采用外媒SemiAnalysis給出的數據，即使用GPT-4時每次推理只需使用2800億個參數；假設2：多模態能力與更強大的分析能力將使得用戶更加依賴大模型，推理側每日問答的Token平均數量達到30000甚至更多；假設3：隨著大模型技術發展，假設未來ChatGPT的月度訪問量翻20倍，達到300億。資料來源：emiAnalysis、機器之心、Similarweb、西部證券研發中心測算未來每家龍頭大模型廠商推理側未來每家龍頭大模型廠商推理側A100需求有望達到十萬張量級需求有望達到十萬張量級12圖：圖：ChatGPTChatGPT重大更新重大更新請仔細閱讀尾

24、部的免責聲明 2023年年9月月21日日，微軟宣布基于微軟宣布基于GPT-4的的Copilot將全面開放：將全面開放：微軟全球版Copilot于2023年9月26日隨更新的Windows 11以初期版本形式推出，融入到畫圖、照片、Clipchamp 等應用程序中；全球版Microsoft 365 Copilot將于2023年11月1日起面向企業用戶提供服務，融入Teams、Outlook、Word、Excel、Loop、OneNote 和OneDrive等應用程序中，同時微軟將推出AI助手 Microsoft 365 Chat。資料來源：微軟科技公眾號、西部證券研發中心大模型大模型推理側推理側

25、 GPU 需求測算需求測算 微軟微軟Copilot13圖：圖：Word+CopilotWord+Copilot示意圖示意圖圖：圖：Outlook+Copilot Outlook+Copilot 以及以及 Teams+Copilot Teams+Copilot 示意圖示意圖請仔細閱讀尾部的免責聲明 2023年年5月月，微軟宣布微軟宣布Windows用戶突破用戶突破 10 億億。假設Windows中Copilot使用率為15%-80%，用戶每天使用Copilot時輸入和輸出的平均Token數量為500-5000。A100需求=每秒推理側算力需求A100單張推理算力 GPU利用率=日活 Copilo

26、t使用率每日Token人均輸入輸出數量推理參數量224 60 60 6.24 1014 45%如下表所示如下表所示，當使用率為當使用率為30%，每日人均輸入輸出每日人均輸入輸出Token數量為數量為2000時時，Windows Copilot的的A100需求量超過需求量超過1萬張萬張.樂觀估計樂觀估計，當使用率為當使用率為80%，每日人均輸入輸出每日人均輸入輸出Token數量為數量為5000時時，A100需求量超過需求量超過9萬張萬張。資料來源：微軟官網、西部證券研發中心測算大模型大模型推理側推理側 GPU 需求測算需求測算 Copilot+Windows14A100需求量（塊）需求量（塊）C

27、opilot使用率使用率15%30%50%80%Token數量數量5001731 3462 5771 9233 10003462 6925 11541 18466 20006925 13849 23082 36932 500017312 34623 57705 92329 圖：微軟圖：微軟Windows CopilotWindows Copilot的的A100A100需求量測算需求量測算請仔細閱讀尾部的免責聲明 微軟曾在微軟曾在FY20Q1電話會議上披露電話會議上披露，Office 365（現已更名為現已更名為 Microsoft 365）商業版的月度活躍用戶突破商業版的月度活躍用戶突破 2

28、億億，而根據微軟的季而根據微軟的季報及年報數據報及年報數據，商業版用戶數量年增速保持在商業版用戶數量年增速保持在15%左右左右，我們推測我們推測Microsoft 365 企業用戶數目前已突破企業用戶數目前已突破 3 億億。假設Microsoft 365中Copilot使用率為15%-80%，企業用戶使用Copilot時，輸入和輸出的平均Token數量為2000-30000。如下表所示如下表所示，當使用率為當使用率為30%，每日人均輸入輸出每日人均輸入輸出Token數量為數量為10000時時，Microsoft 365 Copilot的的A100需求量超過需求量超過2萬張萬張；樂觀估計樂觀估計

29、，當使用率為當使用率為80%，每日人均輸入輸出每日人均輸入輸出Token數量為數量為30000時時，A100需求量超過需求量超過15萬張萬張。資料來源：微軟官網、西部證券研發中心測算大模型大模型推理側推理側 GPU 需求測算需求測算 Copilot+Microsoft 36515圖：圖：Microsoft 365 CopilotMicrosoft 365 Copilot的的A100A100需求量測算需求量測算A100需求量（塊）需求量（塊）Copilot使用率使用率15%30%50%80%Token數量數量20002077 4155 6925 11079 50005193 10387 1731

30、2 27699 1000010387 20774 34623 55397 3000031161 62322 103870 166192 請仔細閱讀尾部的免責聲明資料來源：智東西、西部證券研發中心測算16驅動驅動AI發展的關鍵引擎發展的關鍵引擎，英偉達英偉達A100&H100 供不應求供不應求自年初以來自年初以來，英偉達英偉達A100一直處于供不應求的狀態一直處于供不應求的狀態，而其他加速卡由于性能而其他加速卡由于性能、生態等方面與英偉達存在較大差距生態等方面與英偉達存在較大差距，大部分場景無法實現替代大部分場景無法實現替代，尤其在訓練側尤其在訓練側，A100與與H100具有極大的優勢與較高的技

31、術壁壘具有極大的優勢與較高的技術壁壘?，F階段，大模型技術突破遭遇瓶頸，算力資源短缺為重要原因之一。OpenAI表示GPU供應不足阻礙了其研發計劃的推進，例如模型微調和劃撥專用容量等受到影響。OpenAI聯合創始人Andrej Karpathy曾轉發了一篇博客文章。這篇文章認為訓練大語言模型的初創企業、云服務供應商及其他大公司需要擁有超過1000張H100或A100。A100方面方面：GPT-4可能在可能在10000-25000張張A100上進行了訓練上進行了訓練，Meta擁有約21000張A100，特斯拉擁有約7000張A100，Stability AI擁有約5000張A100，Falcon-

32、40B在384張A100上進行了訓練。H100方面：方面：a)OpenAI可能需要可能需要50000張張，Inflection可能需要可能需要22000張張，Meta可能需要可能需要25000張張。大型云廠商可能每家都需要30000張（Azure、谷歌、AWS、Oracle）。Lambda和CoreWeave以及其他私有云廠商可能總共需要10萬張，CoreWeave預訂的H100數量約為35000-40000張，而Anthropic、Helsing、Mistral、Character等每家可能需要10000張。b)Inflection在其GPT-3.5等效模型中使用了3500張H100。GCP

33、擁有大約25000張H100。微軟Azure和Oracle可能有10000-40000張H100。預訓練預訓練企業數企業數50大模型類型大模型類型所需所需A800張數張數總計（張）總計（張）GPT31,000 50,000 GPT43,000 150,000 推理推理企業數企業數10（2C）日活1億大模型類型大模型類型所需所需A800張數張數總計（張）總計（張）2C100,000 1,000,000 圖：國內圖：國內A800需求量簡單測算需求量簡單測算精調精調500所需所需A800張數張數總計（張）總計（張）400 200,000 CONTENTS目錄CONTENTS目目錄錄發展趨勢發展趨勢競

34、爭格局和要素重點公司算力布局情況02030401AI算力需求空間測算風險提示05請仔細閱讀尾部的免責聲明資料來源：新智元、西部證券研發中心18大模型訓練中的故障與中斷問題對大模型訓練中的故障與中斷問題對GPU集群的質與量提出了更高要求集群的質與量提出了更高要求大模型訓練過程：理想情況任務一鍵提交，半個月持續高效訓練，模型正常收斂大模型訓練過程：現實情境在各種硬件問題和配置問題中頻繁重啟任務，持續訓練時間基本都不超過持續訓練時間基本都不超過1 1天天大模型開發大模型開發全景概覽全景概覽大模型架構復雜，訓練周期較長。硬件、系統、軟件、驅動等等需要穩定運轉才能最大化加速卡并行運算的能力，保障模型訓練

35、的效率，縮短訓練的時間和成本。雖然加速卡具有優異的計算性能，但軟、硬件等故障時常發生，各類任務頻繁重啟，訓練經常中斷、持續時間較短。如果訓練中斷后不能及時恢復，不僅會影響訓練成功率，還會使得訓練成本居高不下。請仔細閱讀尾部的免責聲明資料來源：新智元、CSDN、西部證券研發中心19大模型訓練中的故障與中斷問題對大模型訓練中的故障與中斷問題對GPU集群集群的質與量提出了更高要求的質與量提出了更高要求Meta員工曾在訓練OPT-175B模型的日志中提到，幾乎整個訓練過程都要面對不停地重啟和中斷。在某兩周內，由于硬件、算法或實驗穩定性問題，訓練重啟了40多次。其中，絕大多數重啟都是由于硬件故障以及缺乏

36、提供足夠數量的“緩沖”節點來替換壞節點的能力。通過云接口更換一臺機器可能需要幾個小時。最后兩周，解決基礎設施問題占據了團隊大部分時間，因為這些硬件問題可能會在一天中的任何時間導致訓練中斷幾個小時。后續團隊雖然提出了各種加速重啟的方案并安排了更多的人24小時輪值維護，但依然要面對硬件層面的各種問題。內部訓練進度的圖表顯示，接下來的兩周之內，最長的3次連續訓練時間長度只有2.8天、2天、1.5天。2021年9月開始，歷時3個月；5位工程師；1750億參數，1024張英偉達80GA100；除了云服務器客服，沒有專門的設備運維團隊；使用實驗室當時能找到的所有數據，很明顯很多時候模型是訓練不足的；由于超

37、參數與業內其他幾家FAIR NLPgroups(Microsoft/NVIDIA/OpenAI)所 公 開的超參數有所不同，所以不太清楚最優設置是什么。以Meta團隊的資源和效率，使用992張張A100卡，需要大約33天天的連續訓練(假設0次失敗或重新啟動)才能完成3000億Token的模型訓練。團隊發現BF16是最適合的格式也是里程碑。請仔細閱讀尾部的免責聲明資料來源：云布道師公眾號，西部證券研發中心20案例：阿里云面向案例：阿里云面向AIAI大模型的解決方案大模型的解決方案訓訓練練推推理理GPU服務器，云網絡，負載均衡訓練數據訓練數據LLMLLM語言類大模型語言類大模型訓練訓練-選型推薦選

38、型推薦推理推理-選型推薦選型推薦AIGCAIGC非語言模型非語言模型訓練訓練-選型推薦選型推薦推理推理-選型推薦選型推薦應用場景：應用場景：聊天機器人 文案生成 劇本生成 摘要生成 情緒分析全訓全訓練：練：1024/512片A100(SCCGN7ex)模型微模型微調：調：4片A10(GN7i)參數規模參數規模3030-65B65B：8*A10(GN7i)8*V100(GN6e,32GB)8*A100(GN7e,80GB)參數規模參數規模30B30B以下：以下：4*A10(GN7i)8*V100(GN6V,16GB)參數規模參數規模3 3-10B10B：多片A10(GN7i)參數規模參數規模3B

39、3B以下：以下：單片A10(GN7i)應用場應用場景：景：文生圖，圖生圖 文生視頻，圖生視頻 圖生3D 文生音樂全訓練：全訓練：4片A100(GN7e)模型微調：模型微調：256/128片A100(SCCGN7ex)除了提供多樣化的除了提供多樣化的GPUGPU產品選型產品選型，阿里云面向阿里云面向AIAI大模型的解決方案還包括：大模型的解決方案還包括：1 1）SCCSCC高性能彈性計算機群以保證算力規模；高性能彈性計算機群以保證算力規模；2 2）靈活的算力切割及調度靈活的算力切割及調度能力以滿足更細粒度的計算需求；能力以滿足更細粒度的計算需求；3 3）加速套件以提高效率加速套件以提高效率。請仔

40、細閱讀尾部的免責聲明資料來源：云布道師公眾號，西部證券研發中心21案例：阿里云面向案例：阿里云面向AIAI大模型的解決方案大模型的解決方案SCC高性能彈性計算集群高性能彈性計算集群靈活的算力切割和調度能力：虛擬化靈活的算力切割和調度能力：虛擬化池化池化云原生云原生SCCSCC高性能彈性計算集群高性能彈性計算集群：為提升并行運算的效率，集群中GPU之間使用了最高效的NVSwitch互聯。節點之間使用了非阻塞式的RDMA網絡，同時節點間還有VPC網絡互聯。此外，集群還用了高性能的集群存儲CPFS和塊存儲。算力切割算力切割&調度：調度：提供更小的 GPU 計算粒度，通過池化的方式提升資源使用效率。例

41、如，通過 cGPU 技術實現GPU的資源切割和跨主機資源池，以解決 GPU 資源的使用不充分、或者更加夸張的計算資源配比需求等等，幫助用戶獲得更有效率和更有性價比的 GPU 計算資源。請仔細閱讀尾部的免責聲明資料來源：云布道師公眾號、西部證券研發中心22案例：阿里云面向案例：阿里云面向AIAI大模型的解決方案大模型的解決方案阿里云基于自身IaaS資源推出AI加速套件AIACC，用于優化基于AI主流計算框架搭建的模型，顯著提升訓練和推理性能。當前AIACC推理引擎包含AIACC-Torch（Pytorch推理加速引擎）、AIACC-MLIR（MLIR推理加速引擎）、AIACC-HRT（AIACC

42、算子深度加速引擎）幾個組件。AIACC-Torch（Pytorch推理加速引擎）主要用于業界主流的PyTorch 模型的推理加速引擎；AIACC-MLIR（MLIR推理加速引擎）是基于MLIR用于優化Tensorflow的加速引擎；AIACC-HRT（AIACC算子深度加速引擎）是阿里云底層高性能的限制加速庫。50%50%LLMLLM大模型分布式訓練大模型分布式訓練40%40%AIGC FinetuneAIGC Finetune訓練訓練40%40%圖像識別分布式訓練圖像識別分布式訓練50%50%LLMLLM大模型推理性能大模型推理性能80%80%AIGCAIGC推理性能推理性能AI加速套件（加

43、速套件（AIACC）分布式通信優化AIACC-ACSpeed訓練編譯優化AIACC-AGSpeed算子深度優化AIACC-HRT推理編譯優化AIACC-MLIRAI 訓練加速引擎AIACC-TrainingAI 推理加速引擎AIACC-Inference圖：圖：SCC高性能彈性計算集群高性能彈性計算集群CONTENTS目錄CONTENTS目目錄錄發展趨勢競爭格局和要素競爭格局和要素重點公司算力布局情況02030401AI算力需求空間測算風險提示05請仔細閱讀尾部的免責聲明資料來源：阿里云官網、青云科技官網、英博數科官網、財聯社、西部證券研發中心整理繪制24AIAI算力租賃的四大類商業模式算力租

44、賃的四大類商業模式1互聯網大廠的云計算業務、公有云廠商互聯網大廠的云計算業務、公有云廠商過往公有云業務的延申，從CPU到GPU；提供軟件、硬件、運維等一站式服務。GPU算力池調度算力池調度不投資硬件，調度第三方算力并提供運維服務32GPU算力池租賃算力池租賃相對單一地提供GPU集群訊飛訊飛-昇騰訓推一體機模式昇騰訓推一體機模式待定4算力調用服務算力硬件IDC等基礎設施大模型開發算力調用服務算力硬件IDC等基礎設施算力調用服務原公有云、互聯網大廠GPU算力池租賃GPU算力池調度互聯網大廠在資源、技術等方面實力最為雄厚，但在大模型業務上互聯網大廠在資源、技術等方面實力最為雄厚，但在大模型業務上易與

45、客戶形成競爭關系。易與客戶形成競爭關系。算力硬件IDC等基礎設施請仔細閱讀尾部的免責聲明資料來源：海外獨角獸公眾號、西部證券研發中心云廠商的核心競爭力體現在資金云廠商的核心競爭力體現在資金、軟硬件軟硬件、下游客戶等多個層面下游客戶等多個層面25算力需求貫穿大模型訓練算力需求貫穿大模型訓練、微調微調、推理整個周期推理整個周期，無論是無論是國內還是國外國內還是國外，目前目前AIAI算力需求都具有較強的確定性算力需求都具有較強的確定性，我我們認為們認為AIAI算力需求未來還將維持高增算力需求未來還將維持高增。各個云廠商在硬件、軟件和商業化上的布局不同，所匹配到的客戶特征、用戶決策偏好以及在 LLM

46、發展的客戶需求等方面也存在差異。硬件：GPU、通信、裸機實例；從NVIDIA拿貨的實力尤為重要：提貨優先級目前所擁有的絕對數量。NVIDIA 不僅會考慮云廠商服務的大模型客戶的實力，還會考慮LLM生態均衡性、自研芯片的競爭態勢和客戶體量等因素；裸機實例在訓練環節更占優勢，因為客戶需要最大化利用算力資源；而在微調與推理環節，由于業務復雜度、成本等考量，傳統進行虛擬化后的云服務大概才能滿足各類客戶的多樣化需求。軟件：Kubernetes、ML/AI Ops；商業化：硬件和運維成本、定價策略、目標客群、用戶體驗等。圖：國外云廠商評分表圖：國外云廠商評分表打分標準：如果在某一方面，AWS Azure

47、GCP Oracle Coreweave Lambda，那么評分會分別是 6、4.5、4.5、3、2、1，并未考慮各個模塊之間的重要性權重。請仔細閱讀尾部的免責聲明資料來源：中貝通信公告、西部證券研發中心測算26AIAI算力租賃的收入和成本結構算力租賃的收入和成本結構算力租賃成本拆分算力租賃成本拆分A800整機單機含配套采購價格（萬元）150.0按照按照5-7年折舊（萬元）年折舊（萬元）21.4單機含配套功耗（kWh）6平均負載率75%一年功耗（萬kwh）3.9上海平均工業電價（元/kWh）0.5一年電費（萬元）一年電費（萬元）2.0機柜租金價格（元/月）單服務器租金（2個機架）5800一年租

48、金（萬元）一年租金（萬元）10.4150606060404030290050100150200250300350價格（萬元）采購端，目前A800服務器整機含配套采購價格約為120-150萬元/臺，我們按照5-7年折舊；收入端，按照中貝通信與青海聯通簽訂的算力服務框架協議，租金按照含稅￥12萬元萬元/P/年年計算，單臺8卡A800服務器租金約為60萬元萬元/年年。采取FP16（稀疏）精度下的算力。單張A800卡算力為624 TFLOPS，則一臺8卡A800服務器算力約為5P；單張H800卡算力為1979 TFLOPS，則一臺8卡H800服務器算力約為16P。CONTENTS目錄CONTENTS目

49、目錄錄發展趨勢競爭格局和要素重點公司算力布局情況重點公司算力布局情況02030401AI算力需求空間測算風險提示05請仔細閱讀尾部的免責聲明資料來源：英博數科官網，西部證券研發中心28鴻博股份：深度綁定英偉達鴻博股份：深度綁定英偉達，AIAI算力穩步落地算力穩步落地 鴻博股份2022年8月切入AI算力領域，與中關村中恒文化、英偉達、英博數科簽訂四方合作協議，合作成立北京北京AI 創新賦能中心創新賦能中心。主要業務為：算力出租、云資源采購一站式服務、人工智能教育培訓、產業實驗室。2023年7月，完成共計共計1000P由英偉達A&H系列智算服務器組成的AI算力集群部署調優并交付。9月，已向客戶交付

50、1300P算力。計劃于2023年在京落成3000P以上智算中心。搏博云平臺：跨平臺GPU算力管理、統籌、調度及整合。截至2023年6月，已完成5120P訂單簽約?？蛻簦憾嗄B大模型訓練、云渲染、無人駕駛、量化交易模型訓練等。和百川智能簽署1280P算力訂單算力訂單（256臺服務器臺服務器）;簽約深言科技，提供1280P/年；年；與360集團達成框架合作：640P；宣亞國際Orange-GPT：640P；圖：圖：全資子公司英博數科全資子公司英博數科發展歷程發展歷程請仔細閱讀尾部的免責聲明資料來源：wind、青云科技官網，西部證券研發中心29青云科技：云服務技術背景青云科技：云服務技術背景+大集群

51、運維經驗大集群運維經驗，輕資產模式優勢盡顯輕資產模式優勢盡顯圖：圖：青云科技青云科技AI算力合作生態算力合作生態圖：圖：青云科技青云科技算力租賃優勢算力租賃優勢公司提供公司提供NVIDIANVIDIA A A800800和和H H800800云服務器的算力租賃業務云服務器的算力租賃業務，打造第二成長曲線：打造第二成長曲線：20232023H H1 1，公司實現公司實現AIAI算力服務收入算力服務收入26512651萬萬元元。公司超級智算平臺適用于生命科學、CAE 仿真、海洋氣象、影視渲染、石油勘探、深度學習、測繪地理、模型訓練、場景推理等計算場景?！按ù?輕資產輕資產”模式優勢盡顯：模式優

52、勢盡顯：在三大國家千億萬次超算中心之一的國家超算濟南中心項目上國家超算濟南中心項目上，公司交付了一整套完整的多元算力服務管理平臺，包括了HPC算力、GPU算力、云計算算力、高性能存儲以及海量非結構化數據存儲。AI算力調度平臺優勢：提供多元算力統一調度、實現智能化算力調度與管理、芯片國產替代、智簡運營運維、建設智能生態打造豐富應用請仔細閱讀尾部的免責聲明資料來源：中貝通信公告、中貝通信官網、西部證券研發中心30中貝通信：智算中心建設加速推進中貝通信：智算中心建設加速推進，計劃年內落地計劃年內落地AIAI算力算力50005000P P圖：圖：合肥智算中心項目規劃效果圖合肥智算中心項目規劃效果圖中貝

53、通信確定發展AI大模型業將智算算力服務作為新基建業務發展重點，目前已部署合肥與長三角兩個算力中心，計劃 2023 年實現50005000P P算力服務能力，未來三年達成萬P算力+萬卡集群的“雙萬”戰略目標：收購容博達云計算70%股權，合肥算力中心首期投資約10億元，已完成土建與園區配套，機房配套已啟動，一期項目將實現算力3000P，計劃在2023Q4具備服務能力，總體建成后最大可提供算力10000P的能力；長三角算力中心計劃投資2億元，提供800-1000P算力能力，機房選址已初步確定，正在與當地政府洽談投資協議；前期采購的A800卡與服務器已陸續到位，H800服務器采購訂單已經陸續下達，在9

54、-10月份陸續到貨，已提供樣機給部分客戶進行測試。供應端，與浪潮與浪潮、新華三等簽訂戰略合作協議新華三等簽訂戰略合作協議，在服務器采購供應、資源共享、用戶開發與維護、商業推廣等領域開展合作達成行動方案。需求端需求端，2023年年9月月，中貝通信與青海聯通簽訂算力服務框架中貝通信與青海聯通簽訂算力服務框架協議：協議：合作內容：合作內容：以H800設備為基礎搭建算力服務平臺，提供960P算力服務，服務費按照含稅12萬元萬元/P/年年計算；合作模式合作模式：青海聯通負責提供算力服務平臺所需的存儲設備與基礎網絡設備、外網通道、機房環境、機柜、日常維護及客戶引入。中貝通信負責提供算力服務器、以及相應的I

55、B網絡交換機和配套光模張、線纜與管理平臺、設備在租賃期內的維保；合同金額合同金額：約3.456億元人民幣（含稅）；服務期服務期：自2023年11月1日起運行，服務期為3年。請仔細閱讀尾部的免責聲明資料來源：wind、蕪湖日報、中安在線，同花順、西部證券研發中心31恒潤股份：在手算力恒潤股份：在手算力25002500P P，攜手運營商建設蕪湖智算中心攜手運營商建設蕪湖智算中心 2023年7月，恒潤股份與上海六尺科技集團有限公司共同出資設立上海潤六尺科技有限公司，計劃于上海、福州經開區、安徽蕪湖、山東濟寧等地合作建立算力中心，并打造長三角GPU算力中心集群。上海六尺核心團隊深耕上海六尺核心團隊深耕

56、GPUGPU算力多年算力多年，具有豐富的具有豐富的AIAI智算中心智算中心(GPU(GPU算力算力)建設建設、運營經驗和算力市場資源運營經驗和算力市場資源。與上游與上游GPUGPU供應廠商英偉達供應廠商英偉達、新華三等有深度合作新華三等有深度合作關系關系。公司與運營商合作提供高端算力租賃高端算力租賃，基于豐富的經驗，公司能提供針對性的算力租賃服務，幫助運營商優化現有的算網服務，為客戶提供AIDC一站式服務：8月3日，上海六尺、中國移動蕪湖分公司、新華三在蕪湖簽署戰略合作協議，三方將攜手建設東數西算蕪湖集群首個大規模智算中心,項目總投資規模超2020億元億元。8月29日，上海潤六尺與安徽聯通在合

57、肥簽訂戰略合作協議，攜手推動蕪湖集群大規模智算中心項目建設，共享智算中心建設能力、運營經驗和算力市場資源。此次中國聯通長三角（蕪湖）智算中心和六尺科技長三角智算中心項目總投資規模超8080億元億元。9月14日，恒潤股份稱：截止目前公司已到貨算力25002500P P，正在組網調試中，其余算力將陸續到貨。9月26日，子公司上海潤六尺承建的“東數西算”蕪湖集群(潤六尺)智算中心完成首期10001000P P算力交付。請仔細閱讀尾部的免責聲明資料來源：云賽智聯公告、云賽智聯官網、西部證券研發中心32云賽智聯：國資背景加持云賽智聯：國資背景加持，打造一線打造一線AIAI算力正規軍算力正規軍圖：圖：上海

58、智能算力科技有限公司股權結構（增資后）上海智能算力科技有限公司股權結構（增資后）云賽智聯是上海市大數據中心資源平臺總集成商和運維商、數據運營平臺總運營商。迄今為止，云賽智聯已在閔行、崇明等十個區分別實施了大數據建設和運營及“兩網建設”項目，為國資委等多個委辦提供派駐式服務。云賽智聯下屬上?？萍季W絡通信有限公司定位于中立第三方高端數據中心運營商，現有徐匯數據中心、寶山云計算中心、寶山大數據中心、松江大數據中心共計超過7000個機柜資源。2023年6月，云賽智聯與儀電集團、數據集團、信投股份其他非關聯股東方以向上海智能算力科技有限公司上海智能算力科技有限公司非同比例增資的方式，共同出資20億建立算

59、力設施公司。合資公司將逐步搭建城市級算力調度平臺，為人工智能模型訓練及應用推演提供算力支撐，滿足大模型集群訓練的需求，有望為公司帶來優質客戶，擴大市場影響力，并加速機柜上架進程。圖：圖：松江大數據計算中心（二期）建成后，將標志著上?？萍妓山髷祿嬎阒行模ǘ冢┙ǔ珊?，將標志著上?？萍季W邁入網邁入1萬組標準機架規模萬組標準機架規模請仔細閱讀尾部的免責聲明資料來源：潤建股份公告、西部證券研發中心33潤建股份：擬投入潤建股份：擬投入2 2億元布局算力租賃業務億元布局算力租賃業務圖：圖：潤建股份智算中心潤建股份智算中心服務器選型服務器選型 潤建股份算力相關服務有算力租賃和算力中心管維兩類。公司已公開

60、發行A股可轉債券，募集資金10.8億，計劃投入10.9億元打造五象云谷云計算中心。在云計算中心基礎上，公司進一步升級算力服務能力，擬投入資金2 2億億元打造智能算力中心，為客戶提供P級的算力節點服務。智算中心計劃由“五象云谷云計算中心”進行基礎承載：第一階段投入資金2億元采購行業內頂級算力服務器，打造智算中心，提供25332533PopsPops（IntInt8 8）或或4343 PflopsPflops(FP(FP3232)算力；后續根據市場需求持續投入。建成后主要提供AI大模型訓練、推理算力、圖形渲染算力服務，服務于人工智能大模型、行業模型等。智算中心總投資預算為2億元：算力設備投資1.9

61、2億元，配套通信設施投資0.03億元，工程建設投資0.03億元，預備費0.02億元。根據潤建股份智算中心可行性分析報告，公司第一階段擬采購80臺八卡H800服務器，或其它可替代AI服務器，該部分服務器落地后算力有望達到12801280P P。類別類別選型選型單臺算力單臺算力峰值算力總和峰值算力總和AI訓練/推理服務英偉達H800或其他可替代的AI服務器31664Tops（Int8)2533120Tops（Int8)圖形渲染服務器英偉達H800或其他可替代的AI服務器536TFlops（FP32)42880TFlops（FP32)云存儲服務器324 TB42772 TB項目名稱項目名稱參考型號參

62、考型號成本（萬成本（萬元元/臺）臺）備注備注AI服務器（8卡）英偉達H800230相關服務器存在無法購買的可能性，公司將根據實際情況購買可替代服務器英偉達Tesla T410云存儲服務器（324TB）75圖：圖：潤建股份服務器采購成本預測潤建股份服務器采購成本預測CONTENTS目錄CONTENTS目目錄錄發展趨勢競爭格局和要素重點公司算力布局情況02030401AI算力需求空間測算風險提示風險提示05請仔細閱讀尾部的免責聲明35風險提示風險提示 大模型發展不及預期：大模型發展不及預期：大模型公司技術突破進程不及預期，模型落地應用效果不及預期。下游需求不及預期：下游需求不及預期：下游大模型廠商

63、訓練、微調、推理需求可能不及預期。行業競爭加??；行業競爭加??；算力租賃行業具有較大的發展空間和利潤空間，未來可能會有更多市場參與者。芯片價格波動；芯片價格波動；GPU短缺加劇，英偉達A800與H800供不應求，價格可能上漲。測算存在主觀假設風險；測算存在主觀假設風險；本報告對于GPU需求量測算存在主觀假設。關鍵假設存在誤差風險：關鍵假設存在誤差風險：本報告的假設多基于論文、上市公司公告等公開資料，可能存在一定誤差。投資評級說明投資評級說明36西部證券西部證券投資評級說明投資評級說明行業評級行業評級超配：行業預期未來6-12個月內的漲幅超過市場基準指數10%以上中配：行業預期未來6-12個月內的

64、波動幅度介于市場基準指數-10%到10%之間低配：行業預期未來6-12個月內的跌幅超過市場基準指數10%以上公司評級公司評級買入：公司未來 6-12個月的投資收益率領先市場基準指數20%以上增持：公司未來 6-12個月的投資收益率領先市場基準指數5%到20%之間中性：公司未來 6-12個月的投資收益率與市場基準指數變動幅度相差-5%到5%賣出：公司未來 6-12個月的投資收益率落后市場基準指數大于5%報告中所涉及的投資評級采用相對評級體系報告中所涉及的投資評級采用相對評級體系，基于報告發布日后基于報告發布日后6-12個月內公司股價個月內公司股價（或行業指數或行業指數）相對同期當地市場基準指數的

65、市場表現預期相對同期當地市場基準指數的市場表現預期。其中其中，A股市場以滬深股市場以滬深300指數為基準；香港市場以恒生指數為基準；美國市場以標普指數為基準；香港市場以恒生指數為基準；美國市場以標普500指數為基準指數為基準。分析師聲明分析師聲明本人具有中國證券業協會授予的證券投資咨詢執業資格并注冊為證券分析師，以勤勉的職業態度、專業審慎的研究方法，使用合法合規的信息，獨立、客觀地出具本報告。本報告清晰準確地反映了本人的研究觀點。本人不曾因，不因，也將不會因本報告中的具體推薦意見或觀點而直接或間接收到任何形式的補償。聯系地址聯系地址聯系地址：聯系地址：上海市浦東新區耀體路276號12層北京市西

66、城區月壇南街59號新華大廈303深圳市福田區深南大道6008號深圳特區報業大廈10C聯系電話：聯系電話：021-38584209免責聲明免責聲明37本報告由西部證券股份有限公司（已具備中國證監會批復的證券投資咨詢業務資格）制作。本報告在未經本公司公開披露或者同意披露前，系本公司機密材料，如非收件人（或收到的電子郵件含錯誤信息），請立即通知發件人，及時刪除該郵件及所附報告并予以保密。發送本報告的電子郵件可能含有保密信息、版權專有信息或私人信息，未經授權者請勿針對郵件內容進行任何更改或以任何方式傳播、復制、轉發或以其他任何形式使用，發件人保留與該郵件相關的一切權利。同時本公司無法保證互聯網傳送本報

67、告的及時、安全、無遺漏、無錯誤或無病毒，敬請諒解。本報告基于已公開的信息編制，但本公司對該等信息的真實性、準確性及完整性不作任何保證。本報告所載的意見、評估及預測僅為本報告出具日的觀點和判斷，該等意見、評估及預測在出具日外無需通知即可隨時更改。在不同時期，本公司可能會發出與本報告所載意見、評估及預測不一致的研究報告。同時，本報告所指的證券或投資標的的價格、價值及投資收入可能會波動。本公司不保證本報告所含信息保持在最新狀態。對于本公司其他專業人士（包括但不限于銷售人員、交易人員）根據不同假設、研究方法、即時動態信息及市場表現，發表的與本報告不一致的分析評論或交易觀點，本公司沒有義務向本報告所有接

68、收者進行更新。本公司對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。本公司力求報告內容客觀、公正，但本報告所載的觀點、結論和建議僅供投資者參考之用，并非作為購買或出售證券或其他投資標的的邀請或保證?？蛻舨粦员緢蟾嫒〈洫毩⑴袛嗷蚋鶕緢蟾孀龀鰶Q策。該等觀點、建議并未考慮到獲取本報告人員的具體投資目的、財務狀況以及特定需求，在任何時候均不構成對客戶私人投資建議。投資者應當充分考慮自身特定狀況，并完整理解和使用本報告內容，不應視本報告為做出投資決策的唯一因素，必要時應就法律、商業、財務、稅收等方面咨詢專業財務顧問的意見。本公司以往相關研究報告預測與分析的準確，

69、不預示與擔保本報告及本公司今后相關研究報告的表現。對依據或者使用本報告及本公司其他相關研究報告所造成的一切后果，本公司及作者不承擔任何法律責任。在法律許可的情況下，本公司可能與本報告中提及公司正在建立或爭取建立業務關系或服務關系。因此，投資者應當考慮到本公司及/或其相關人員可能存在影響本報告觀點客觀性的潛在利益沖突。對于本報告可能附帶的其它網站地址或超級鏈接，本公司不對其內容負責，鏈接內容不構成本報告的任何部分，僅為方便客戶查閱所用，瀏覽這些網站可能產生的費用和風險由使用者自行承擔。本公司關于本報告的提示（包括但不限于本公司工作人員通過電話、短信、郵件、微信、微博、博客、QQ、視頻網站、百度官

70、方貼吧、論壇、BBS）僅為研究觀點的簡要溝通，投資者對本報告的參考使用須以本報告的完整版本為準。本報告版權僅為本公司所有。未經本公司書面許可，任何機構或個人不得以翻版、復制、發表、引用或再次分發他人等任何形式侵犯本公司版權。如征得本公司同意進行引用、刊發的，需在允許的范圍內使用，并注明出處為“西部證券研究發展中心”，且不得對本報告進行任何有悖原意的引用、刪節和修改。如未經西部證券授權，私自轉載或者轉發本報告，所引起的一切后果及法律責任由私自轉載或轉發者承擔。本公司保留追究相關責任的權力。所有本報告中使用的商標、服務標記及標記均為本公司的商標、服務標記及標記。本公司具有中國證監會核準的“證券投資咨詢”業務資格，經營許可證編號為：91610000719782242D。