1、 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。1 證券研究報告 計算機計算機 云廠云廠 AI 算力自用需求或超預期算力自用需求或超預期 華泰研究華泰研究 計算機計算機 增持增持 (維持維持)研究員 謝春生謝春生 SAC No.S0570519080006 SFC No.BQZ938 +(86)21 2987 2036 聯系人 岳鉑雄岳鉑雄 SAC No.S0570122080138 +(86)21 2897 2228 聯系人 林海亮林海亮 SAC No.S0570122060076 +(86)21 2897 2228 行業走勢圖行業走勢圖 資料來源：Wind，華泰研究 2024

2、 年 5 月 23 日中國內地 深度研究深度研究 云廠對云廠對 AI 算力自我算力自我消化能力超市場預期消化能力超市場預期 得益于 AI 大模型推動，海外云廠商的基礎設施進入新一輪建設周期。本文從“復盤”與“展望”兩個角度，對海外云廠商 CapEx（資本開支）支出進行了深度梳理。2005-2023 年，Amazon（亞馬遜）、Microsoft（微軟）、Google（谷歌）、Meta（臉書）的資本開支呈總體持續擴大趨勢。其中，1）2005-2022 年云計算（IaaS+PaaS+SaaS）貢獻主要增長動力，2）2023 年起生成式 AI 成為新增長引擎。云廠商 CapEx 主要服務自用和外供兩

3、大場景。自用場景下的推理需求，存在較大市場預期差，大模型在推薦/搜索等場景落地，或帶來持續 AI 算力需求。歷史復盤：剔除結構性因素影響，資本開支極少向下波動歷史復盤：剔除結構性因素影響，資本開支極少向下波動 云資本開支整體保持擴大趨勢，但仍存在少量同比下降的年份，我們針對波動原因進行回溯，發現 CapEx 支出同比下降主要受結構性調整、經營性平衡兩類因素影響。1）結構性調整：包括用于房產購置、物流運輸等方向的支出減少以及未考慮用于數據中心建設的融資租賃兩類情況；2）經營性平衡：即公司為保證經營質量，在公司業績承壓的年份，有意控制資本開支規模。通過整理 Amazon、Microsoft、Goo

4、gle、Meta 的情況，我們發現結構性調整在四家公司的占比較高（分別為 3/3、1/3、5/7、1/1），說明過去近 20 年時間，云廠商用于數據中心建設的資本開支并未出現明顯縮減。需求展望之外供：需求展望之外供：MaaSMaaS 服務帶動云收入提速，云廠商競爭加劇服務帶動云收入提速，云廠商競爭加劇 23H2 海外云廠商加快針對 AI 大模型的云端算力建設，資本開支環比增長提速，24Q1 Microsoft、Google、Amazon 的資本開支 yoy 分別為 66%、91%、7%，均超越彭博一致預期；同時對于 24 年全年 CapEx 各家公司均給出積極指引，擴大資本開支成為企業共識。從

5、外供需求角度看，得益于MaaS 服務帶動，Microsoft、Google、Amazon 云收入增速自 23Q3 逐步企穩，24Q1 三家公司云收入同比增速分別為 31%、28%、17%，分別環比提升 1、2、4pct，外部算力需求旺盛。同時，云廠商正加速完善 MaaS服務布局，工具層軟件能力正逐步趨同，算力、模型或是日后競爭關鍵。需求展望之自用需求展望之自用：大模型有望替代傳統算法，推理需求或加速釋放大模型有望替代傳統算法，推理需求或加速釋放 云廠商自用推理需求值得高度關注。相較于訓練需求，大模型的應用落地帶來更大規模、更具持續性的推理需求。除 Copilot 等生成式 AI 應用外，大模型

6、正加速向推薦/搜索/廣告等傳統互聯網業務滲透。我們認為，若大模型實現在傳統業務場景的算法替代，云廠商自用的 AI 推理需求將加速釋放。以 Meta 為例，24 年公司開創性提出生成式推薦大模型，并計劃實現在 Reels、Feed、Groups 等推薦場景的跨產品線覆蓋，用統一大模型代替原有的獨立推薦模型。我們認為，后續自用推理算力仍有較大成長空間。相關產業公司相關產業公司梳理梳理 我們認為，AI 有望拉動全球算力繼續向上，首選關注海外算力產業鏈，其次關注國產算力產業鏈，最后關注 AI 應用的潛在變化。1）海外算力產業鏈：包括光模塊（中際旭創、天孚通信、新易盛）、AI 服務器（工業富聯、浪潮信息

7、）等公司；2）國產算力產業鏈：包括海光信息、寒武紀、神州數碼等公司；3）AI 應用：包括金山辦公、福昕軟件、泛微網絡等公司。風險提示：模型迭代不及預期；AI 商業化進展不及預期；本研報中涉及到未上市公司或未覆蓋個股內容，均系對其客觀公開信息的整理，并不代表本研究團隊對該公司、該股票的推薦或覆蓋。(40)(26)(12)216May-23Sep-23Jan-24May-24(%)計算機滬深300 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。2 計算機計算機 正文目錄正文目錄 核心觀點核心觀點.4 2005-2023 年復盤：云資本開支持續擴大，年復盤：云資本開支持續擴大，AI 貢

8、獻新動能貢獻新動能.5 波動溯源：結構性調整與經營性平衡是重要影響因素.7 傳統驅動：IaaS+PaaS+SaaS 服務貢獻早期動能.12 新興驅動：擴大資本開支成為共識，AI 算力成為新一輪建設重點.13 AI 需求需求 1：云廠商加速：云廠商加速 MaaS 布局，滿足外供訓練布局，滿足外供訓練&推理推理.16 Amazon：云計算先發者，23 年加速 AI 追趕.17 Microsoft：MaaS 轉型順利，商業化逐步落地.18 Google：MaaS 布局日趨完善，初創 AI 企業熱門選擇.19 AI 需求需求 2：大模型滲透基礎業務，大廠自用需求或放量：大模型滲透基礎業務，大廠自用需求

9、或放量.21 理論：大模型落地推薦系統，具備技術可行性.22 傳統架構：大模型與 CRM 的單點/多點整合，效能優化是重點.23 新興架構：重塑范式，打造基于 Transformer 的第三代推薦系統.28 實踐：Meta、Google 加速探索大模型的推薦場景落地.29 Meta：“三步走”戰略明確，統一推薦系統或將 26 年落地.29 Google：生成式大模型迭代搜索算法，SGE 進展順利.32 影響：模型變化影響算力要求，自用 GPU 需求或將放量.34 相關產業公司梳理相關產業公司梳理.36 風險提示.36 圖表目錄圖表目錄 圖表 1：云 CapEx 復盤與展望：AI 推動算力建設進

10、入新周期.4 圖表 2：海外云廠商資本開支情況復盤及展望（2005-2026E）.5 圖表 3：2005-2009 年海外云廠商資本開支變化情況.6 圖表 4：2010-2015 年海外云廠商資本開支變化情況.6 圖表 5：2016-2019 年海外云廠商資本開支變化情況.6 圖表 6：2020-2023 年海外云廠商資本開支變化情況.6 圖表 7：2006-2023 年海外云廠商資本開支同比增速情況及波動（同比減少）歸因.7 圖表 8：Amazon 資本開支波動原因詳解.8 圖表 9：2015-2023 年 AWS 數據中心占地面積變化.8 圖表 10：Microsoft 資本開支波動原因詳

11、解.9 圖表 11：Google 資本開支波動原因詳解.11 圖表 12：Meta 資本開支波動原因詳解.12 圖表 13：2008-2023 年海外云廠商資本開支與全球云計算市場規模同頻共振.12 圖表 14：2020Q1-2024Q1 云業務收入同比增速變化.13 圖表 15：公有云（IaaS+PaaS）市場規模預測（按工作負載分類）.13 圖表 16：22Q2-24Q1 Microsoft 季度資本開支及環比變化.14 圖表 17：22Q2-24Q1 Google 季度資本開支及環比變化.14 圖表 18：22Q2-24Q1 Amazon 季度資本開支及環比變化.14 圖表 19：22Q

12、2-24Q1 Meta 季度資本開支及環比變化.14 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。3 計算機計算機 圖表 20：23Q4 及 24Q1 年海外云廠商資本開支指引對比.15 圖表 21：主流云廠商 MaaS 服務差異化對比.16 圖表 22：云托管仍是海外企業模型服務的重要來源.17 圖表 23：Amazon MaaS 服務布局.17 圖表 24：Microsoft MaaS 服務布局.18 圖表 25：微軟 AI 業務推進情況梳理.19 圖表 26：Google MaaS 服務布局.19 圖表 27：Google AI+應用布局.20 圖表 28：Google

13、MaaS 合作客戶案例.20 圖表 29：搜索/廣告/推薦相關業務在大廠中的收入占比.21 圖表 30：搜索/廣告/推薦技術流程示意及潛在大模型融合方向.22 圖表 31：大模型+推薦系統研究發展趨勢及代表論文.22 圖表 32：大模型與傳統推薦模型可實現優勢互補.23 圖表 33：基于深度學習的推薦系統架構及 LLM 可應用場景.23 圖表 34：LLM 在傳統推薦系統各環節的典型研究成果.24 圖表 35：LLM 在特征工程階段的應用場景及研究成果概覽.24 圖表 36：LLM 在特征編碼階段可強化文本信息的理解.25 圖表 37：LLM 在打分排序階段的應用場景舉例.25 圖表 38：L

14、LM 在用戶交互階段的應用場景范例.26 圖表 39：LLM 在流程控制階段的應用范例.26 圖表 40：傳統推薦架構下大模型與推薦系統融合的演進趨勢.27 圖表 41：生成式推薦架構采用文本序列統一用戶及項目表征.28 圖表 42：生成式推薦模型有望成為第三代推薦系統.28 圖表 43：Meta 推薦系統迭代已進入第三階段.29 圖表 44：Meta 提出首個生成式推薦系統模型.29 圖表 45：Meta GRs 實現三大技術突破.30 圖表 46：長序列處理速度較傳統深度學習模型顯著提升.30 圖表 47：以 1.5 倍吞吐量服務 285 倍復雜的模型（相同推理成本）.30 圖表 48：E

15、val Hit Rate100 與訓練量呈冪律 scaling 趨勢.30 圖表 49：Eval Hit Rate500 與訓練量呈冪律 scaling 趨勢.30 圖表 50：Meta 搭建 4K GPU 集群服務傳統推薦模型.31 圖表 51：Meta 的生成式推薦模型在召回/排序任務中超越傳統推薦模型.31 圖表 52：Google 搜索算法加速迭代，SGE 引入大模型能力.32 圖表 53：SGE 提供更精準、更個性、更智能的搜索體驗.32 圖表 54：Google SGE 界面概覽.33 圖表 55：千億模型推理的 A100 等效 GPU 需求量約為 2.4 萬張.34 圖表 56：

16、大模型推理算力需求測算（以 10 億月活為測算基準）.34 圖表 57：NVIDIA 出貨量與 Meta 需求量對比示意圖.35 圖表 58：提及公司列表.36 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。4 計算機計算機 核心觀點核心觀點 大模型時代，大模型時代，AI 需求有望拉動需求有望拉動云廠商資本開支持續擴大，全球算力需求將持續向上。云廠商資本開支持續擴大，全球算力需求將持續向上。復盤歷史：復盤歷史：2005-2023 年云資本開支整體保持擴大趨勢，2009、2015、2023 年 Amazon、Microsoft、Google、Meta 合計支出規模出現小幅波動，剔除

17、結構性調整因素影響，我們發現除 2009 年 Google、Microsoft 受經營壓力影響有意縮小 CapEx 支出之外，過去近 20年時間，云廠商用于數據中心建設的資本開支并未出現明顯縮減。從歷史復盤的視角看，CapEx 支出擴大得益于自用/外供兩方面因素影響。自用視角下云廠商核心業務完成 SaaS轉型，伴隨用戶規模擴大，自用算力需求穩定增長；外供視角下海外企業加速業務上云、數據上云，伴隨云化比例提升，云托管需求帶動外供算力需求穩步抬升。需求展望需求展望：大模型成為新一代技術變革關鍵，正全面重塑 IT 產業結構，同樣從自用/外供兩個維度展望，我們發現擴大 AI 算力建設已成為海外云廠商公

18、司共識，新一輪云基礎設施建設周期全面開啟。對于外供視角下的需求增長，目前市場共識較高，受益于 MaaS 需求拉動，Microsoft、Google、Amazon 的云收入增速自 23Q3 開始逐步企穩，各家 MaaS 布局競爭日趨激烈，算力規模和模型能力是后續的競爭關鍵。對于自用視角下的需求增長，或仍存在較大的市場預期差，大模型正加速向推薦/搜索/廣告等傳統互聯網業務滲透，我們認為，若大模型實現在傳統業務場景的算法替代，云廠商自用的 AI 推理需求將加速釋放。以 Meta 10 億月活用戶數應用為測算基準，若生成式推薦模型全面替換傳統算法，對應A100 等效 GPU 需求超 52 萬張，遠高于

19、目前推薦場景的 4,000 張 GPU 算力規模。圖表圖表1：云云 CapEx 復盤與展望：復盤與展望：AI 推動算力建設進入新周期推動算力建設進入新周期 資料來源：Amazon 官網、Microsoft 官網、Google 官網、Meta 官網、云計算白皮書，中國信通院（2023）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。5 計算機計算機 2005-2023 年年復盤：云資本開支持續擴大，復盤：云資本開支持續擴大，AI 貢獻新動能貢獻新動能 資本開支資本開支總體呈擴大趨勢，總體呈擴大趨勢，AI 成為新一輪云基礎設施建設助推劑。成為新一輪云基礎設施建設助推劑?；仡?/p>

20、 2005-2023 年Amazon（亞馬遜）、Microsoft（微軟）、Google（谷歌）、Meta（臉書）的資本開支變化，海 外 云 廠 商 資 本 開 支 呈 現 總 體 擴 大 趨 勢。四 家 企 業 合 計 資 本 開 支 在 2010 年（yoy+113.02%）、2016 年（yoy+29.46%）、2020 年（yoy+38.76%）等年份明顯提速，主要得益于云計算業務在當年出現重要增長驅動。我們認為，2005-2022 年海外云廠商資本開支的增長驅動是云計算業務的持續成長，進入 2023 年云計算+AI 成為新的雙輪引擎，頭部云廠商資本開支有望持續擴大，進而帶動全球算力需

21、求持續增長。根據 Visible Alpha一致預測，2026 年四家合計資本支出將達 2,399 億美元，2023-2026 年 CAGR 為 18.86%。圖表圖表2：海外云廠商資本開支情況復盤海外云廠商資本開支情況復盤及展望（及展望（2005-2026E）資料來源：Amazon 官網、Microsoft 官網、Google 官網、Meta 官網、云計算白皮書，中國信通院（2023）、Visible Alpha、華泰研究 1）萌芽萌芽期（期（2005-2009 年年）：此階段以 IaaS（Infrastructure as a service，基礎設施即服務）建設為主。2006 年，Ama

22、zon 率先推出 Simple Storage Service（S3）與 Elastic Compute Cloud（EC2），正式布局云計算服務，存算分離的核心理念確立。2005-2008 年合計資本開支保持上漲，CAGR 為 45.63%。2009 年合計資本開支同比下降 44.46%，主要受 Microsoft（平衡經營壓力）、Google（2008 年收購 Double Click，快速擴大自用服務器建設）資本開支下降影響，2009 年 Amazon 資本開支仍然維持上漲，同比增長 11.68%。2）發展期（）發展期（2010-2015 年）：年）：此階段 Microsoft、Goog

23、le 正式入局云計算市場，云服務建設開始從 IaaS 向 PaaS（Platform as a Service，平臺即服務）層逐步拓展，算力需求進一步增長。2009 年 Heroku 推出第一款公有云 PaaS，2010 年微軟推出 Windows Azure平臺，2012 年 Google 推出 Google Compute Engine 預覽版，云計算正式進入穩步發展期。2010-2015 年合計資本開支持續上漲，CAGR 為 25.71%。云計算在此階段逐步實現技術沉淀與客戶積累，海外企業逐步推進數據上云，軟件公司開始嘗試 SaaS 訂閱轉型。免責聲明和披露以及分析師聲明是報告的一部分，

24、請務必一起閱讀。6 計算機計算機 圖表圖表3：2005-2009 年海外云廠商資本開支變化情況年海外云廠商資本開支變化情況 圖表圖表4：2010-2015 年海外云廠商資本開支變化情況年海外云廠商資本開支變化情況 資料來源：Amazon 官網、Microsoft 官網、Google 官網、Meta 官網、華泰研究 資料來源：Amazon 官網、Microsoft 官網、Google 官網、Meta 官網、華泰研究 3）成熟期（）成熟期（2016-2022 年）：年）：此階段云計算技術基本成熟，SaaS（Software as a Service，軟件即服務）應用加速發展，各家云業務實現快速增長

25、，據 Gartner 統計，全球公有云市場規模從 2018 年的 1,824 億美元增長至 2022 年的 4,910 億美元，CAGR 為 28%。2018-2022 年 Microsoft Azure、Google Cloud、Amazon AWS 業務收入的同比增速分別保持在31%、37%、28%以上，高于行業平均水平。伴隨云收入快速增長，企業資本開支規模持續擴大，2016 到 2019 年期間合計資本開支 CAGR 為 28.58%，19 年合計資本支出達 649億美元；受益于線上辦公需求增長及云廠商自研/投資的大模型訓練需求，2020-2022 年云廠商資本開支繼續擴大，CAGR 為

26、 27.34%，22 年合計支出達 1,460 億美元。4）升級期（）升級期（2023 年至今）：年至今）：此階段生成式 AI 成為重要增量需求，以 AI 為核心 MaaS（Model as a service，模型即服務）服務成為新一輪算力建設重要推動。2023 年（自然年）Microsoft 資本支出為 352 億美元，同比增長 42.13%；Google 資本支出為 323 億美元，同比增長 2.43%；Amazon 資本支出為 481 億美元，同比減少 17.47%（主要由于倉儲物流、履約支出相關支出減少）；Meta 資本支出為 273 億美元，同比減少 13.25%（主要由于非 AI

27、 服務器支出減少）。根據 Visible Alpha 一致預測數據顯示，2024-2026 年四家合計資本開支將分別達到 1,993、2,211、2,399 億美元，2024-2026 年 CAGR 為 18.86%。圖表圖表5：2016-2019 年海外云廠商資本開支變化情況年海外云廠商資本開支變化情況 圖表圖表6：2020-2023 年海外云廠商資本開支變化情況年海外云廠商資本開支變化情況 資料來源：Amazon 官網、Microsoft 官網、Google 官網、Meta 官網、華泰研究 資料來源：Amazon 官網、Microsoft 官網、Google 官網、Meta 官網、華泰研究

28、 20.3641.4951.1262.8935.26103.75%23.21%23.04%-44.46%-60%-40%-20%0%20%40%60%80%100%120%01020304050607020052006200720082009（億美元）MicrosoftgoogleAmazonMetaYoY75.1180.88111.96178.50229.76235.78113.02%7.68%38.43%59.43%28.72%2.62%0%20%40%60%80%100%120%140%050100150200250300201020112012201320142015（億美元）Micr

29、osoftgoogleAmazonMetaYoY305.24386.69646.64648.8629.46%26.68%67.22%0.34%0%10%20%30%40%50%60%70%80%01002003004005006007008002016201720182019（億美元）MicrosoftgoogleAmazonMetaYoY900.341218.191460.051428.5238.76%35.30%19.85%-2.16%-5%0%5%10%15%20%25%30%35%40%45%02004006008001,0001,2001,4001,6001,800202020212

30、0222023（億美元）MicrosoftgoogleAmazonMetaYoY 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。7 計算機計算機 波動波動溯源溯源：結構性調整與經營性平衡是：結構性調整與經營性平衡是重要影響重要影響因素因素 資本開支資本開支擴大擴大趨勢持續，趨勢持續，增速波動主要受結構性調整、經營性平衡兩類因素影響。增速波動主要受結構性調整、經營性平衡兩類因素影響?；仡欃Y本開支的同比增速變化，我們對 2005-2023 年同比下降的年份進行了回溯歸因，歷史增速波動主要受資本開支結構性調整與公司經營性平衡兩類因素影響。1）結構性調整：）結構性調整：資本開支主要包括購

31、買新的機器、設備、房屋等長期資產，為了剔除購置房產等其他資本開支影響，我們整理了云廠商資產和設備科目下計算設備的資產凈增值與同比增速，可以看到計算設備的資產凈增值同比增長但總資本開支同比減少的年份，多受到資本開支結構性調整的影響；同時還包括未考慮用于數據中心的融資租賃成本的年份；2）經營性平衡：）經營性平衡：為保證公司經營質量，維持良好的現金流水平，在公司經營承壓的年份，公司多采取減少資本開支的經營舉措，可以看到在總體營收增速放緩或同比減少的年份，總資本開支同比減少多受到公司經營性平衡的影響。圖表圖表7：2006-2023 年海外云廠商資本開支同比增速情況及波動（同比減少）歸因年海外云廠商資本

32、開支同比增速情況及波動（同比減少）歸因 注：圖中底色標注含義詳見圖例，主要標注同比增長較快及同比減少的年份 資料來源：Amazon Investor 官網、Microsoft Investor 官網、Google Investor 官網、Meta Investor 官網、華泰研究 Amazon：資本開支三次波動向下，結構性調整：資本開支三次波動向下，結構性調整三三次次?；仡?Amazon 的資本開支同比增速，2013 年、2015 年、2023 年分別同比減少 9%、6%、17%。1）2013 年年主要主要由于結構性調整由于結構性調整：2013 年資本開支為 34.4 億美元（yoy-9%），

33、13Q1-Q4資本開支分別為 6.70、8.55、10.38、8.80 億美元（yoy+73.58%/+30.14%/+44.97%/-56.54%）；13Q4 資本開支同比大幅減少，主要由于 12Q4 公司以 14 億美元購買了企業辦公大樓，剔除相關影響，2013 年資本支出同比增長 43%；2）2015 年年主要主要由于由于未考慮未考慮 AWS 的融資租賃成本的融資租賃成本：2015 年資本開支為 45.9 億美元（yoy-6%），15Q1-Q4 資本開支分別為 8.71、12.13、11.95、13.09 億美元（yoy-19.35%/-5.97%/-13.28%/+14.42%）；20

34、15 年統計口徑下資本開支不包含融資租賃（大部分用于支持 AWS），實際上 2015 年 Amazon 增加 AWS 數據中心租賃；綜合來看，2015 年資本開支（含融資租賃）超 90 億美元，相較于 2014 年的 89 億美元略有增長。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。8 計算機計算機 3）2023 年主要由于結構性調整：年主要由于結構性調整：2023 年資本開支為 481.3 億美元（yoy-17%），23Q1-Q4 資本開支分別為 130.70、104.12、112.98、133.53 億美元（yoy-4.89%/-26.15%/-24.89%/-13.52%

35、）；2023 年資本開支同比減少主要由于公司的倉儲物流及履約開支減少。圖表圖表8：Amazon 資本開支波動原因詳解資本開支波動原因詳解 時間時間 官方電話會官方電話會 官方解釋官方解釋 2013 2012Q4 業績說明會（2013-01-29）Trailing 12 months capital expenditures were$3.79 billion.This amount includes$1.4 billion in purchases of our previously leased corporate office space as well as property for d

36、evelopment of additional corporate office space located in Seattle,Washington which we purchased in the fourth quarter.The increase in capital expenditures reflects additional investments in support of continued business growth consisting of investing in technology infrastructure including Amazon We

37、b Services and additional capacity to support our fulfillment operations.譯文：過去 12 個月資本開支為 37.9 億美元，其中 14 億美元用于購買之前租用的企業辦公空間以及位于華盛頓州西雅圖的新增公司辦公空間，這些購買都發生在 2012Q4。資本開支的增加反映了公司為支持持續業務增長而進行的額外投資，包括對技術基礎設施（例如 Amazon Web Services）的投入，以及增加支持履行運營的容量。2015 2015Q4 業績說明會（2016-01-28）Capital expenditures does not

38、include the impact of property and equipment acquired under capital and finance lease obligations.These capital expenditures and capital leases reflect additional investments in support of continued business growth,due to investments in technology infrastructure,the majority of which is to support A

39、WS,and additional capacity to support our fulfillment operations.譯文：資本支出不包括通過資本和融資租賃義務獲得的不動產和設備的影響。這些資本支出和資本租賃反映了支持持續業務增長的額外投資，其中大部分用于支持 AWS 以及增加履行運營所需的容量。Keep in mind that we did have a-although the year-over-year increase in capital expenditures and capital leases was not as great as we saw in 201

40、3 to 2014,we did spend over$9 billion on those.We grew from in the$5 billion range in 2013 to$8.9 billion in 2014 and now over$9 billion in 2015.譯文：雖然包括融資租賃在內的資本支出同比增長沒有 2013 年至 2014 年那么顯著，但 2015年含融資租賃在內的資本支出仍超過 90 億美元（2013 年 50 億美元，2014 年 89 億美元）。2023 2023Q4 業績說明會（2024-01-29）In 2023,full year CapEx

41、 was$48.4 billion,which was down$10.2 billion year-over-year,primarily driven by lower spend on fulfillment and transportation.As we look forward to 2024,we anticipate CapEx to increase year-over-year,primarily driven by increased infrastructure CapEx,support growth of our AWS business,including add

42、itional investments in generative AI and large language models.譯文：2023 年全年資本開支為 484 億美元，同比減少 102 億美元，主要是由于履約和運輸開支的減少。展望 2024 年，我們預計資本開支將同比增加，主要是由于基礎設施資本開支的增加，支持 AWS 業務的增長，包括在生成式人工智能和大語言模型上的額外投資。資料來源：Amazon Investor 官網、華泰研究 圖表圖表9：2015-2023 年年 AWS 數據中心占地面積變化數據中心占地面積變化 資料來源：Amazon 年報、華泰研究 6,7078,12110,

43、22114,14416,43518,06426,11233,48038,20405,00010,00015,00020,00025,00030,00035,00040,000CY2015CY2016CY2017CY2018CY2019CY2020CY2021CY2022CY2023（千平方英尺）租賃面積自有面積 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。9 計算機計算機 Microsoft：資本開支：資本開支三三次波動向下，經營性平衡次波動向下，經營性平衡兩兩次，結構性調整次，結構性調整一一次次。由于財年劃分不同，我們以 Microsoft 財年為時間維度對其資本開支進行分析

44、（FY2006 對應 CY05Q3、CY05Q4、CY06Q1、CY06Q2 四個季度）?；仡?Microsoft 的資本開支同比增速，FY2009財年、FY2010 財年、FY2012 財年分別同比減少 2%、37%、2%。1）FY2009 財財年年主要主要由于經營性平衡由于經營性平衡：FY2009 資本開支為 31.19 億美元（yoy-2%），FY09Q1-Q4 資本開支分別為 7.78、8.42、6.32、8.67 億美元（yoy+52.55%/+21.15%/-16.73%/-28.82%）；2009 年資本開支同比減少，主要由于公司經營業績承壓，FY09Q3-Q4 營收分別同比下降

45、 5.58%、17.29%，FY2009 財年全年營收同比下降 3.28%。2）FY2010 財財年年主要主要由于由于未考慮融資租賃成本未考慮融資租賃成本：FY2010 年資本開支為 19.77 億美元（yoy-37%），FY10Q1-Q4 資本開支分別為 4.35、3.76、4.08、7.58 億美元（yoy-44.09%/-55.34%/-35.44%/-12.57%）；FY2010 財年資本開支同比大幅下降，主要由于未考慮云服務相關的融資租賃成本，FY2010 財年包括融資租賃在內的資本開支為 58 億美元，同比增長 8%，主要用于支持云服務的使用和需求增長。3）FY2012 財年主要由

46、于財年主要由于經營性平衡經營性平衡：FY2012 財年資本開支為 23.05 億美元（yoy-2%），FY12Q1-Q4 資本開支分別為 4.36、4.98、7.49、6.22 億美元（yoy-22.70%/+1.43%/+13.83%/-3.12%）；FY2012 財年資本開支同比略有下降主要出于提升經營質量考量，FY2012 財年公司營收 737 億美元，同比增長 5.40%，相較于 FY2011 增速放緩。圖表圖表10：Microsoft 資本開支波動原因詳解資本開支波動原因詳解 Amazon 官方電話會官方電話會 華泰研究華泰研究 FY 2009 FY2009Q4 業績說明會（2009

47、-07-24）We expect fiscal 2010 CapEx to be about$2 billion,down from the$3.1 billion in fiscal 2009,and to stay at or below that level for fiscal 2011 as we continue to focus on cash flow.In fiscal 2010,CapEx spend will be below depreciation expense for the first time in years,helping continue the rec

48、ent trend of free cash flow being greater than net income.譯文：預計 FY2010 資本開支將為 20 億美元，低于 2009 財年的 31 億美元，預計 FY2011 將保持這個水平或更低，因為我們將加強對于現金流的關注。FY2010 資本開支將首次低于折舊費用，有助于延續近期自由現金流超過凈利潤的趨勢。FY 2010 FY2010Q4 業績說明會（2010-07-22）Now back to total Company results.In line with expectations,capital expenditures in

49、cluding finance leases were$5.8 billion,up 8%year-over-year to support growing usage and demand for cloud services.Cash paid for PP&E was$4.7 billion.Cash flow from operations was$18.7 billion and increased 16%year-over-year driven by healthy cloud billings and collections.And free cash flow was$13.

50、9 billion,up 16%.譯文：包括融資租賃在內的資本開支為 58 億美元，同比增長 8%，以支持云服務的使用和需求增長。不含融資租賃的資本開支為 47 億美元，經營活動現金流為 187 億美元，主要得益于健康的云計費和收款推動，同比增長 16%，自由現金流為 139 億美元，同比增長 16%。FY 2012 FY2011Q4 業績說明會（2012-07-21）We expect our effective tax rate to be 19%to 21%for the first quarter and full fiscal year,and we still expect cap

51、ital expenditures for the full fiscal year to be about$2.5 billion.譯文：我們預計 FY2012Q1 和 FY2012 的有效稅率將為 19%至 21%，并且我們預計 FY2012資本支出約為 25 億美元。資料來源：Microsoft Investor 官網、華泰研究 Google：資本開支七次波動向下，經營性平衡：資本開支七次波動向下，經營性平衡兩兩次，結構性調整次，結構性調整五五次次?；仡?Google 的資本開支同比增速，2008 年、2009 年、2011 年、2012 年、2015 年、2019 年、2020 年分別

52、同比減少 2%、66%、14%、5%、10%、6%、5%。1）2008 年主要由于年主要由于結構性調整結構性調整：2008 年資本開支為 23.6 億美元（yoy-2%），08Q1-Q4資本開支分別為 8.42、6.98、4.52、3.68 億美元（yoy+41.00%/+21.29%/-18.30%/-45.76%）；2008 年資本開支同比減少 2%，云計算相關資產（Information technology assets）凈增值同比增長 8%，標志用于數據中心建設的資本開支并無明顯縮減；免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。10 計算機計算機 2）2009 年主要

53、由于年主要由于經營性平衡：經營性平衡：2009 年資本開支為 8.1 億美元（yoy-66%），09Q1-Q4資 本 開 支 分別 為 2.63、1.39、1.86、2.21 億 美 元（yoy-68.78%/-80.01%/-58.73%/-39.82%）；2009 年資本開支同比大幅減少，主要由于公司重視經營質量，謹慎選擇資本開支的投入時機，2009 年公司營收 237 億美元，同比增長 8.51%，相較于 2008 年增速明顯放緩（2008 年 yoy+31.35%）。3）2011 年年主要由于主要由于結構性調整結構性調整：2011 資本開支為 34.4 億美元（yoy-14%），11Q

54、1-Q4資本開支分別為 8.90、9.17、6.80、9.51 億美元（yoy+272.38%/+92.65%/-10.29%/-62.63%）；2011Q4 資本開支同比下降明顯，主要由于 2010Q4 資本開支中包含購買紐約辦公大樓的開支；同時從云計算相關資產凈增值角度來看，2011 年云計算相關資產凈增值同比增長 73%，標志用于數據中心建設的資本開支并無明顯縮減。4）2012 年主要由于年主要由于結構性調整結構性調整：2012 資本開支為 32.7 億美元（yoy-5%），12Q1-Q4 資本 開 支 分 別 為 6.07、7.74、8.72、10.20 億 美 元（yoy-31.80

55、%/-15.59%/+28.24%/+7.26%）；2012 年資本開支同比小幅下降，2012 年云計算相關資產凈增值同比增長 19%，標志用于數據中心建設的資本開支并無明顯縮減。5）2015 年年主要由于結構性調整：主要由于結構性調整：2015 資本開支為 99.2 億美元（yoy-10%），15Q1-Q4資本開支分別為 29.27、25.15、23.73、21.00 億美元（yoy+24.82%/-4.95%/-1.82%/-40.86%）；2015Q4 資本開支同比大幅下降，主要由于 14Q4 資本開支中包含房地產購買，同時從云計算相關資產凈增值角度來看，2015 年云計算相關資產凈增值

56、同比增長 50%，標志用于數據中心建設的資本開支并無明顯縮減。6）2019 年年主要由于主要由于經營性平衡經營性平衡：2019 資本開支為 235.5 億美元（yoy-6%），19Q1-Q4資本開支分別為 46.38、61.26、67.32、60.52 億美元（yoy-36.46%/+11.85%/+27.45%/-14.53%）；2019 年資本開支略有下降，一方面由于 18Q1 購買位于紐約的辦公大樓，另一方面由于公司整體業務增速放緩，2019 年公司營收 1619 億美元，同比增長 18.30%，相較于 2018 年增速有所放緩（2018 年 yoy+23.42%）。7）2020 年年主

57、要由于主要由于結構性調整結構性調整：2020 資本開支為 222.8 億美元（yoy-5%），20Q1-Q4資本開支分別為 60.05、53.91、54.06、54.79 億美元（yoy+29.47%/-12.00%/-19.70%/-9.47%）；2020 年資本開支略有下降，云計算相關資產凈增值同比增長 35%，標志用于數據中心建設的資本開支并無明顯縮減。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。11 計算機計算機 圖表圖表11：Google 資本開支波動原因詳解資本開支波動原因詳解 Amazon 官方電話會官方電話會 華泰研究華泰研究 2008 2008Q4 業績說明會

58、（2009-01-22）Our CapEx for the quarter was$368 million.As in previous quarters,the majority of this CapEx is related to our IT infrastructure investments,including datacenters,production of servers,and networking equipment.譯文：2008Q4 資本開支為 3.68 億美元，與前幾個季度一樣，大部分資本開支都與我們的 IT基礎設施投資有關，包括數據中心、服務器生產和網絡設備。20

59、09 2009Q1 業績說明會（2009-04-17）Capex for the quarter was$263.0 million and related primarily to our data center operation.This is down significantly from prior period.Google will continue to make significant investments to support our core business and please keep in mind that capex can be lumpy from qu

60、arter to quarter.譯文：2009Q1 資本開支為 2.63 億美元，主要與我們的數據中心運營有關，同比顯著下降。谷歌將繼續進行重大投資以支持我們的核心業務，資本開支可能存在季度性差異。There is no doubt though that because of the economies of scale that we have now with the size of the company and our better efficiencies,working at Mores law,doing more with less,we obviously see a p

61、ositive trend that are actually demonstrated in the last few quarters but I just want to reiterate that this thing is lumpy.譯文：毫無疑問，由于公司規模擴大帶來的規模經濟和更高的效率，公司在摩爾定律的驅動下以更少的投入實現了更多的產出，這種積極的趨勢在過去幾個季度中得到了明顯體現。然而，我想重申的是，這種情況可能會有波動性。2011 2010Q4 業績說明會（2011-01-21）Our operating cash flow was very strong at$3.5

62、 billion for the quarter.CapEx for the fourth quarter was$2.5 billion,I mean,obviously significantly above the last quarter,but remember that the majority of this increase was from the purchase of the New York building.譯文：2010Q4 的經營現金流非常強勁，達到 35 億美元，資本開支為 25 億美元，同比顯著增加，主要由于本季度購買了紐約的一棟大樓。2012 2012Q1

63、業績說明會（2012-04-12）Look,its lumpy because theres just timing decisions,right.We would-theres probably a few areas where we would have like to actually make investments in Q1 and for a bunch of logistics reasons or otherwise,we couldnt.譯文：確實會有波動，這是因為存在時間安排上的決策?？赡苡幸恍╊I域我們原本希望在第一季度進行投資，但由于各種物流原因或其他原因，我們未能

64、如愿。2015 2014Q4 業績說明會（2015-01-29）Lastly,if you go through the CapEx line,you will note that weve made real estate purchases in Q4,which helped us relieve both pressure on our work space for current employees but also to accommodate our future growth.And this also resulted in a large sequential increa

65、se in our real estate capital expenditures this quarter.譯文：最后，如果你查看資本支出明細，你會注意到我們在第四季度（2014Q4）進行了房地產購買，這不僅幫助我們緩解了當前員工的辦公空間壓力，也為未來的增長提供了空間。這也導致了本季度房地產資本支出的顯著環比增加。2019 2019Q1 業績說明會（2019-04-29）With respect to CapEx,the year-on-year decline reflects the purchase of a building in New York in the first qu

66、arter of 2018.As discussed on our call last quarter,while we anticipate that our full year CapEx investments will exceed those in 2018,the growth in investments should be at a meaningfully lower rate than in 2018.We continue to expect a sizable investment in both compute requirements to support long

67、-term growth,as well as in office facilities.譯文：2019 年資本支出同比下降明顯，主要由于 2018Q1 公司在紐約購買了一棟大樓。正如上季度電話會議上討論的那樣，我們預計 2019 年全年的資本支出投資將超過 2018 年，但投資增長的速度應顯著低于 2018 年。我們仍然預期在計算需求和辦公設施方面會有大量投資。2020 2019Q4 業績說明會（2020-02-03）In terms of CapEx in 2020,we intend to increase our investment in both technical infrast

68、ructure and office facilities versus 2019.Within technical infrastructure,the investments in particular support ongoing demand for machine learning across our business,as well as for Cloud,Search,Ads,and YouTube.譯文：對于 2020 年的資本支出，我們計劃增加在技術基礎設施和辦公設施方面的投資。在技術基礎設施方面，主要支持我們業務中對機器學習的持續需求，以及對云計算、搜索、廣告和You

69、Tube 的需求。資料來源：Google Investor 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。12 計算機計算機 Meta：資本開支一次波動向下，主要：資本開支一次波動向下，主要由于由于結構性調整結構性調整?；仡?Meta 的資本開支同比增速，2023 年資本支出為 272.7 億美元，同比減少 13.25%，23Q1-Q4 資本開支分別為 68.42、62.16、65.43、76.65 億美元（yoy+25.75%/-17.91%/-30.21%/-15.24%）。2023 年含融資租賃資本開支為 281 億美元，主要是由于對服務器、數據中心和網絡基

70、礎設施的投資。從云計算相關資產凈增值角度來看，2023 年云計算相關資產（Servers and network assets）凈增值同比增長 43%，標志用于數據中心建設的資本開支并無明顯縮減。圖表圖表12：Meta 資本開支波動原因詳解資本開支波動原因詳解 Amazon 官方電話會官方電話會 華泰研究華泰研究 2023 2023Q4 業績說明會（2024-02-01）Capital expenditures,including principal payments on finance leases,were$7.9 billion,driven by investments in ser

71、vers,data centers and network infrastructure.譯文：2023Q4 包括對融資租賃的本金支付在內的資本開支為 79 億美元，主要是由于對服務器、數據中心和網絡基礎設施的投資。資料來源：Meta Investor 官網、華泰研究 傳統驅動：傳統驅動：IaaS+PaaS+SaaS 服務貢獻早期動能服務貢獻早期動能 早期云廠商資本開支以云業務（早期云廠商資本開支以云業務（IaaS+PaaS+SaaS）為核心驅動，資本開支顯著擴大的）為核心驅動，資本開支顯著擴大的年份與云業務增速較快的年份基本對應。年份與云業務增速較快的年份基本對應?；仡?2008-2023

72、年全球云計算市場發展歷程，全球公有云服務市場規模增長在 2010 年、2016 年、2020 年出現顯著提速，分別同比增長73.73%、32.21%、45.31%，為應對云服務需求的持續釋放，公有云廠商強化算力基礎設施建設，資本開支規模在對應年份顯著擴大。2022 年，在宏觀經濟下行和通脹壓力的雙重影響下，全球公有云服務市場增速明顯下降。以 Amazon、Microsoft、Google 云業務為例，三家企業的云業務增速明顯下滑，CY 2022Q4 Amazon、Microsoft、Google 云業務同比增速分別為 20%、31%、33%，增速同比下降 20pct、15pct、12pct。伴

73、隨大語言模型開啟生成式 AI 新周期，大模型訓練、推理需求成為云資本開支增長的新興動力。圖表圖表13：2008-2023 年海外云廠商年海外云廠商資本開支與全球云計算市場規模同頻共振資本開支與全球云計算市場規模同頻共振 資料來源：Gartner、Amazon Investor 官網、Microsoft Investor 官網、Google Investor 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。13 計算機計算機 圖表圖表14：2020Q1-2024Q1 云業務收入同比增速變化云業務收入同比增速變化 注：各家公司均為自然年口徑 資料來源：Amazon In

74、vestor 官網、Microsoft Investor 官網、Google Investor 官網、華泰研究 新興驅動新興驅動：擴大資本開支成為共識，：擴大資本開支成為共識，AI 算力算力成為新一輪成為新一輪建設建設重點重點 云廠商積極布局云廠商積極布局 MaaS 服務服務，擴大資本開支成為企業共識。，擴大資本開支成為企業共識。進入大模型時代，云服務增長呈現傳統服務與大模型服務雙輪驅動的新局面。1）傳統云服務穩步傳統云服務穩步提升：提升：根據 Gartner預測，2025 年在應用軟件、基礎設施軟件、業務流程服務、系統基礎設施等市場中將有51%的 IT 支出從傳統解決方案轉向公有云（2022

75、 年為 41%），據 IDC 預測，2027 年全球公有云 IaaS+PaaS 市場規模有望達 6,198 億美元，2023-2027 年 CAGR 為 24.7%；2）模型服務快速增長：模型服務快速增長：2023 年云廠商加快針對 AI 大模型訓練、推理的云端算力建設，23Q3開始 Google、Amazon、Meta 資本開支環比增長，微軟 23Q4 資本開支環比下降主要受第三方合同交付影響，部分資本開支遞延至 24Q1，擴大資本開支成為企業共識。圖表圖表15：公有云公有云（IaaS+PaaS）市場）市場規模預測（按工作負載分類）規模預測（按工作負載分類）資料來源：IDC、華泰研究 2,0

76、52 2,592 3,277 4,099 5,072 6,198 01,0002,0003,0004,0005,0006,0007,00020222023E2024E2025E2026E2027E（億美元）開發工具與應用商業應用數據管理數字設備協作應用基礎設施技術應用 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。14 計算機計算機 圖表圖表16：22Q2-24Q1 Microsoft 季度季度資本開支資本開支及環比變化及環比變化 圖表圖表17：22Q2-24Q1 Google 季度資本開支及環比變化季度資本開支及環比變化 資料來源：Microsoft 官網、華泰研究 資料來源：

77、Google 官網、華泰研究 圖表圖表18：22Q2-24Q1 Amazon 季度資本開支及環比變化季度資本開支及環比變化 圖表圖表19：22Q2-24Q1 Meta 季度資本開支及環比變化季度資本開支及環比變化 資料來源：Amazon 官網、華泰研究 資料來源：Meta 官網、華泰研究 24 年資本開支規模有望快速增長，看好全球算力需求持續上漲。年資本開支規模有望快速增長，看好全球算力需求持續上漲。根據 CY23Q4 財報后的公開業績說明會指引（具體表述詳見圖表 20），Microsoft、Google、Meta、Amazon 均明確表示 24 年將擴大資本開支規模。根據 CY24Q1 財報

78、后的公開業績說明會指引，各家公司態度更加明確，Microsoft 表示預計 2025 財年資本開支將高于 2024 財年；Google 表示24 年季度資本開支將保持或超過 24Q1 水平（120 億美元），全年 CapEx 或超 480 億美元（對應 yoy+49%）；Amazon 表示 24Q1（140 億美元）或為 24 年資本開支最低季度，全年 CapEx 支出或超 560 億美元（對應 yoy+16%）；Meta 再次上調全年 CapEx 指引至350-400 億美元（高于此前的 300-370 億美元），按指引中值計算，預計同比增長 37%。29%-9%0%5%35%11%-2%1

79、3%-20%-10%0%10%20%30%40%02040608010012022Q222Q322Q423Q123Q223Q323Q424Q1（億美元）Microsoft資本開支qoq-30%7%4%-17%10%17%37%9%-40%-20%0%20%40%60%02040608010012014022Q222Q322Q423Q123Q223Q323Q424Q1（億美元）Google資本開支qoq3%7%3%-15%-20%9%18%4%-40%-20%0%20%40%02040608010012014016018022Q222Q322Q423Q123Q223Q323Q424Q1（億美元）

80、Amazon資本開支qoq39%24%-4%-24%-9%5%17%-17%-40%-20%0%20%40%60%010203040506070809010022Q222Q322Q423Q123Q223Q323Q424Q1（億美元）Meta資本開支qoq 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。15 計算機計算機 圖表圖表20：23Q4 及及 24Q1 年海外云廠商資本開支指引對比年海外云廠商資本開支指引對比 公司公司 23Q4 電話會指引電話會指引 24Q1 電話會指引電話會指引 Microsoft We expect capital expenditures to in

81、crease materially on a sequential basis,driven by investments in our cloud and AI infrastructure and the flip of a delivery date from Q2 to Q3 from a third-party provider noted earlier.譯文：我們預計 FY24Q3（即 CY24Q1）資本開支將在歷史基礎上顯著增顯著增加加，主要由于在云計算和人工智能基礎設施方面的投資、以及第三方供應商交付日期從 FY24 Q2 調整到 FY24 Q3 所驅動。We expect

82、capital expenditures to increase materially on a sequential basis driven by cloud and AI infrastructure investments.譯文：我們預計由于云計算和人工智能基礎設施的投資，資本支出將在歷史基礎上顯著增加顯著增加。In FY2025,that focus on execution should again lead to double-digit revenue and operating income growth to scale to meet the growing demand

83、 signal for our cloud and AI products,we expect FY2025 capital expenditures to be higher than FY2024.譯文：在 2025 財年，在公司經營策略下，收入和營業利潤將再次實現兩位數增長，我們將擴大規模以滿足云計算和人工智能產品日益增長的市場需求。因此，預計預計 2025 財年的資本支出將高于財年的資本支出將高于 2024 財年財年。Google The step-up in CapEx in Q4 reflects our outlook for the extraordinary applicat

84、ions of AI to deliver for users,advertisers,developers,cloud enterprise customers and governments globally and the long-term growth opportunities that offers.In 2024,we expect investment in CapEx will be notably larger than in 2023.譯文：第四季度資本開支的增加反映了我們對人工智能應用前景的看法，這些應用將為全球用戶、廣告商、開發者、云企業客戶、政府提供服務，并將帶來

85、長期的增長機會。2024 年我們預在資本開支將顯著超過顯著超過 2023 年。With respect to CapEx,our reported CapEx in the first quarter was$12 billion,once again driven overwhelmingly by investment in our technical infrastructure with the largest component for servers followed by data centers.The significant year-on-year growth in Ca

86、pEx in recent quarters reflects our confidence in the opportunities offered by AI across our business.Looking ahead,we expect quarterly CapEx throughout the year to be roughly at or above the Q1 level.譯文：關于資本支出，24Q1 資本支出為 120 億美元，再次由基礎設施投資所推動，其中最大的部分是服務器，其次是數據中心。最近幾個季度資本支出同比大幅增長，反映了我們對 AI 業務的信心。展望未來

87、，我們預展望未來，我們預計全年每個季度資本支出大致會在第一季度的水平或以上計全年每個季度資本支出大致會在第一季度的水平或以上。Amazon As we look forward to 2024,we anticipate CapEx to increase year-over-year,primarily driven by increased infrastructure CapEx,support growth of our AWS business,including additional investments in generative AI and large language m

88、odels.譯文：展望 2024 年，我們預計資本開支將同比增加同比增加，主要是由于基礎設施資本開支的增加，以支持我們 AWS 業務的增長，包括在生成式 AI 和大型語言模型上的額外投資。We anticipate our overall capital expenditures to meaningfully increase year-over-year in 2024,primarily driven by higher infrastructure CapEx to support growth in AWS,including generative AI.譯文：我們預計 2024 年

89、的整體資本支出將同比顯著增加顯著增加，主要由更高的基礎設施資本支出驅動，以支持 AWS 的增長，包括生成式人工智能。Right now,in Q1,we had$14 billion of CapEx.We expect that to be the low quarter for the year.譯文：24Q1 資本支出為 140 億美元，預計這是預計這是 24 年最低的季度支出。年最低的季度支出。Meta We dont have a clear expectation for exactly how much this will be yet,but the trend has bee

90、n that state-of-the-art large language models have been trained on roughly 10 x the amount of compute each year.譯文：我們還沒有一個明確的預期，到底需要多少計算能力，但是趨勢是，最先進的大型語言模型每年的計算量大約增加每年的計算量大約增加 10 倍。倍。We anticipate our full year 2024 capital expenditures will be in the range of$30 billion to$37 billion,a$2 billion in

91、crease of the high end of our prior range.We expect growth will be driven by investments in servers,including both AI and non-AI hardware,and data centers as we ramp up construction on sites with our previously announced new data center architecture.譯文：我們預計 2024 年資本開支將在 300-370 億美元，較公司之前預測的公司之前預測的最高

92、值增加了最高值增加了 20 億美元億美元。我們預期資本開支增長將由服務器投資推動，包括 AI、非 AI 硬件以及我們將加快建設先前宣布的新數據中心站點。We anticipate our full year 2024 capital expenditures will be in the range of$35 billion to$40 billion,increased from our prior range of$30 billion to$37 billion as we continue to accelerate our infrastructure investments to

93、 support our AI roadmap.While we are not providing guidance for years beyond 2024,we expect CapEx will continue to increase next year as we invest aggressively to support our ambitious AI research and product development efforts.譯文：我們預計，2024 年年資本支出將在資本支出將在 350 億到億到 400 億美元億美元，高于此前300 億到 370 億美元的預期范圍

94、，我們將繼續加快基礎設施投資，以支持公司的人工智能路線圖。雖然我們沒有提供 2024 年以后的指導，但我們我們預計預計 25 年的資本支出將繼續增加年的資本支出將繼續增加，因為我們將積極投資以支持我們雄心勃勃的人工智能研究和產品開發工作。資料來源：Amazon Investor 官網、Microsoft Investor 官網、Google Investor 官網、Meta Investor 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。16 計算機計算機 AI 需求需求 1：云廠商云廠商加速加速 MaaS 布局，滿足布局，滿足外供外供訓練訓練&推理推理 外供視角

95、看，云廠商的外供視角看，云廠商的 AI 算力建設算力建設主要通過滿足企業的大模型訓練及推理需求。主要通過滿足企業的大模型訓練及推理需求。23 年開始，云廠商加速 MaaS（Model as a Service，模型即服務）服務布局，構建大模型端到端服務體系。目前 MaaS 服務架構主要包括算力層、模型層、工具層、應用層。1）算力層：）算力層：包括外購算力（英偉達、AMD 等）與自研芯片（Microsoft Maia 100 芯片、Google TPU芯片、Amazon Trainium 芯片）兩類方案；2）模型層：）模型層：主要包括獨家模型/自研模型、第三方模型兩類方案，云廠商可提供百余種模型

96、選擇；3）工具層：工具層：主要提供模型微調、數據接地、安全監測、Agent 定制等模型訓練、應用開發工具；4）應用層：）應用層：主要提供代碼助手、云助手、辦公助手等云廠商 AI 服務，同時支持企業級的定制應用部署。成熟大模型運營有望帶來成熟大模型運營有望帶來 3,169 億美元的服務器增量市場，云托管仍是海外企業的主流選億美元的服務器增量市場，云托管仍是海外企業的主流選擇方案。擇方案。對比各家公司 MaaS 的最新進展，1）工具層：軟件能力正逐步趨同，數據質量與數據規模的重要性日益凸顯；2）應用層：主要與各家公司原有產品布局相關；3）模型層：獨家供應的優質模型與自研小模型成為重要發力點；4）算

97、力層：重點在可用算力規模及算力使用效率?？偨Y來看，我們認為，算力規模與模型能力是后續的競爭重點。根據華泰研究預測，全球成熟大模型運營有望帶來 3,169 億美元的服務器增量市場，較 2023年 211 億美元的 AI 服務器市場而言，仍有較大成長空間（具體測算參考華泰計算機團隊2024 年 4 月 12 日專題報告全球 AI 算力需求繼續向上）。根據 a16z調查，海外企業的大模型部署中 72%的企業選擇使用模型 API 服務，其中 52%來自云廠商托管。圖表圖表21：主流云廠商主流云廠商 MaaS 服務差異化對比服務差異化對比 資料來源：Amazon 官網、Microsoft 官網、Goog

98、le 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。17 計算機計算機 圖表圖表22：云托管仍是海外企業模型服務的重要來源云托管仍是海外企業模型服務的重要來源 資料來源：16 Changes to the Way Enterprises Are Building and Buying Generative AI，a16z（2024）、華泰研究 Amazon：云：云計算先發者計算先發者，23 年加速年加速 AI 追趕追趕 Amazon re:Invent 2023 大會展示大會展示 AI 布局。布局。Amazon 作為云計算服務的先發布局者，2017-2023 年公

99、有云服務市占率始終保持行業第一。2023 年 11 月 28 日 Amazon re:Invent 2023 大會召開，針對 Amazon MaaS 服務布局展開全面介紹。1）算力層：）算力層：發布自研 AI 芯片 Trainium 2，提到 Anthropic 計劃用 Trainium 2 芯片構建模型；宣布 Amazon成為在云端配備英偉達 GH200 Grace Hopper 芯片的首家云大廠；2）模型層：）模型層：宣布擴大與 Anthropic（投資 40 億美元）的合作；3）工具層：）工具層：通過 Amazon Bedrock 提供模型微調、RAG、持續預訓練、Agents 開發、安

100、全防護等能力；4）應用層：）應用層：推出 Amazon Q 問答助手，定價 20 美元/人/月，可應用在企業云服務、代碼開發、數據分析等場景，并支持Salesforce、Microsoft、Google、Slack 等 40 多家公司的商業應用程序開箱即用。圖表圖表23：Amazon MaaS 服務布局服務布局 資料來源：Amazon 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。18 計算機計算機 立足云業務客戶優勢，立足云業務客戶優勢，B 端業務拓展順利。端業務拓展順利。得益于云計算客戶的多年合作積累，Amazon的 MaaS 服務盡管推出時間相對較晚，但仍然

101、取得了較好的實質進展。根據公司 2023 年股東信內容，Amazon 的 MaaS 服務已實現在 Amgen（安進公司）、Merck（默克）、Salesforce（賽富時）、Accor（雅高酒店集團）、MUFG（三菱日聯金融集團）、Axiata Group Berhad（亞通集團）等多行業企業客戶的合作落地。根據 Amazon re:Invent 2023大會介紹，Amazon MaaS 服務已合作超 10,000 家成熟企業。2024 年，Amazon 的 AI 布局進一步推進，24Q1 發布 Rufus（AI 購物助理）、Fit Insights Tool（個性化尺碼推薦）等AI 工具；2

102、024 年 4 月宣布吳恩達博士加入 Amazon 董事會，負責生成式 AI 相關技術落地。Microsoft：MaaS 轉型順利，轉型順利，商業化逐步落地商業化逐步落地 戰略投資戰略投資 OpenAI 掌握商業化先機，掌握商業化先機，MaaS 服務布局完善。服務布局完善。微軟成為生成式 AI 商業落地的先行者，原因有二：一是，憑借對 OpenAl 的投資，微軟天然掌握先進模型的接觸與應用機會，早在 2021 年微軟就發布了初代版本的 Github Copilot 助手，開展了產品化試點；二是，作為以企業客戶為核心客群的軟件廠商，微軟的 SaaS 應用全面覆蓋了企業的業務管理流程，具備廣泛的

103、Al+產品整合觸點，實現了商業化落地內部驗證。2023 年 11 月 16日微軟 Ignite 大會介紹了 MaaS 服務整體布局。1）算力層：）算力層：發布自研 AI 芯片 Maia 100；2）模型層：）模型層：提供 OpenAI 模型的獨家供應；3）工具層：）工具層：提供完善的端到端工具，推出Copilot Studio 允許客戶自定義 A I 助手；4）應用層：）應用層：進一步明確 Copilot 商業版圖，分為Copilot（免費版）、Copilot Pro（個人版，20 美元/人/月）、Copilot for Microsoft 365（企業版，30 美元/人/月）、Copilot

104、 for Sales/Service（升級版，50 美元/人/月）四類訂閱方案。圖表圖表24：Microsoft MaaS 服務布局服務布局 資料來源：Microsoft 官網、華泰研究 商業化進展順利，商業化進展順利，24Q1 AI 貢獻的貢獻的 Azure 收入占比達收入占比達 7%。根據公司業績說明會，AI 業務已在云收入中初步體現，FY23Q4（23Q2）AI 占 Azure 收入比重為 1%，FY24Q1（23Q3）提升至 3%，FY24Q2（23Q4）提升至 6%，FY24Q3（24Q1）提升至 7%。根據 23Q4 業績說明會，Azure AI 客戶數已從 23Q3 的 18,0

105、00 家提升至 23Q4 的 53,000 家。不同于 Amazon、Google，Microsoft 具有良好的 B 端 SaaS 應用產品基礎，自有應用的AI 整合觸點更加豐富。目前 Microsoft 365 全線產品基本實現 Copilot 升級。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。19 計算機計算機 圖表圖表25：微軟微軟 AI 業務推進情況梳理業務推進情況梳理 資料來源：Microsoft 官網、華泰研究 Google：MaaS 布局日趨完善布局日趨完善，初創，初創 AI 企業熱門選擇企業熱門選擇 應用應用+工具服務全面升級，工具服務全面升級，Google

106、MaaS 能力提升。能力提升。2024 年 4 月 9 日，Google Cloud Next 2024 大會舉辦“The new way to cloud”開幕演講，對于 Google MaaS 服務布局進行更新。1）算力層：）算力層：發布新一代 AI 芯片 TPU v5p，計算能力相較上一代提升 4 倍，Character.AI 開始使用 TPU 實現大模型的訓練、推理；推出搭載 NVIDIA H100 芯片的全新 A3 Mega VM 虛擬機，預計將于 24 年 5 月上市；2）模型層：）模型層：發布 Gemini 1.5 Pro，上下文窗口從 128K tokens 提升到 1M to

107、kens（約等于 70 萬個單詞或 3 萬行代碼），是目前已發布的上下文窗口最大的閉源模型；3）工具層：）工具層：強化工具層功能布局，推出 Google Search Grounding（通過 Google 搜索實現聯網數據接地）、AutoSxS（模型能力對比）、Prompt Management（提示此優化）、Agent Builder（智能體創建）等功能；4）應用層：）應用層：全面升級 Gemini for Google Cloud，實現 AI 助手與 Workspace、Bigquery、數據庫、云安全、代碼開發等云服務的全面整合。圖表圖表26：Google MaaS 服務布局服務布局

108、資料來源：Google 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。20 計算機計算機 圖表圖表27：Google AI+應用布局應用布局 資料來源：Google 官網、華泰研究 成為初創成為初創 AI 企業的熱門選擇，加速成熟企業的熱門選擇，加速成熟 B 端客戶拓展。端客戶拓展。根據 Google Cloud Next 2024 大會介紹，超多 60%的 Generative AI 初創企業以及接近 90%的 GenAI 獨角獸企業都是 Google Cloud 客戶。同時，Google MaaS 服務已經在 Bayer（拜耳）、Best Buy（百思買）、D

109、iscover Financial（發現金融服務公司）、IHG Hotels&Resorts（洲際酒店集團）、Mercedes-Benz（梅賽德斯-奔馳）、Covered California（加州全保）等各行業客戶落地。圖表圖表28：Google MaaS 合作客戶案例合作客戶案例 資料來源：Google 官網、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。21 計算機計算機 AI 需求需求 2：大模型大模型滲透滲透基礎業務，基礎業務，大廠大廠自用需求自用需求或或放量放量 從自用視角看，從自用視角看，大模型大模型向搜索向搜索/推薦推薦/廣告等互聯網傳統業務廣告等互聯網

110、傳統業務滲透，滲透，或帶動自用或帶動自用 AI 算力需求算力需求加速釋放加速釋放。除提供 MaaS 服務外，海外科技廠商積極探索大模型在搜索/廣告/推薦場景的技術落地，自用算力需求旺盛。從收入結構上看，搜索/廣告/推薦相關業務在 Meta、Google、Amazon 收入占比均超過 50%，算法效果提升對于企業經營來說意義重大；從技術迭代上看，相較于傳統推薦模型，大模型具備更好的外部知識與泛化能力，可實現跨域個性化推薦，優化算法效果；從業務進展上看，23 年 5 月 Microsoft 開放 Bing Chat 功能，23 年 10 月 Google 推出生成搜索體驗（Search Gener

111、ative Experience，SGE），24 年 2月 Amazon 推出 Rufus AI 購物助手，24 年 3 月 Meta 在電話會（Morgan Stanley 2024 Technology,Media&Telecom Conference）中介紹公司正在打造跨產品的 AI 推薦模型。圖表圖表29：搜索搜索/廣告廣告/推薦推薦相關業務在大廠中的收入占比相關業務在大廠中的收入占比 注：圖中 Meta、Google、Amazon 收入為 2023 年收入，Microsoft 為 FY2023 收入，單位均為億美元 資料來源：Amazon 官網、Microsoft 官網、Google

112、 官網、Meta 官網、華泰研究 大模型發揮大模型發揮增強增強數據特征、數據特征、強化語義理解、強化語義理解、優化交互范式優化交互范式等等作用作用，有助于有助于算法效果提升算法效果提升。搜索/廣告/推薦算法存在需求共性（匹配用戶的興趣和需求）與技術共性（分為過濾候選、排序候選、個性化輸出），大模型與搜索/廣告/推薦等業務融合，具備較強的技術可行性。1）增強數據特征增強數據特征：大模型相較于傳統推薦模型，具有更強的外部通用知識和邏輯推理能力，可以對用戶畫像、項目內容進行有效的特征補充；2）強化語義理解：）強化語義理解：在過濾候選階段，大模型可發揮自然語言理解能力，可以更好地理解用戶的查詢/行為意

113、圖，實現更精準的內容篩選；3）優化交互范式優化交互范式：大模型可同時發揮多輪對話、情緒感知等能力，通過生成式方式，將傳統的列表式輸出轉變為對話式輸出，提供更具個性化、交互感的反饋結果。本章節以推薦系統為例，針對大模型+推薦系統的理論、實踐、潛在影響進行了深度分析。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。22 計算機計算機 圖表圖表30：搜索搜索/廣告廣告/推薦推薦技術技術流程示意流程示意及潛在大模型融合方向及潛在大模型融合方向 資料來源：推薦系統三十六式，CSDN、華泰研究 理論：大模型理論：大模型落地落地推薦推薦系統，具備技術可行性系統，具備技術可行性 大模型大模型落地推

114、薦系統具備技術可行性，擁有落地推薦系統具備技術可行性，擁有豐富的理論研究基礎豐富的理論研究基礎。為了深入解答大模型如何實現在搜索/廣告/推薦場景的技術落地，我們以推薦系統為例，詳細總結了大模型在傳統推薦系統的落地方向與研究進展。方向一：方向一：不改變推薦系統的分層推薦架構，實現 LLM與傳統 CRM 的單點/多點融合，強化推薦系統某項步驟的效果，2021-2023 年期間的論文研究多為此類研究方向；方向二：方向二：從數據建模、模型結構等方向全面重塑推薦系統，打造生成式推薦系統，2024 年多篇論文轉向此類研究方向?？偨Y來看，傳統架構下 LLM 的融合作用仍存在局限性，新技術架構有望更好地釋放大

115、模型的技術潛能。圖表圖表31：大模型大模型+推薦系統研究發展趨勢及代表論文推薦系統研究發展趨勢及代表論文 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。23 計算機計算機 傳統架構傳統架構：大模型與大模型與 CRM 的單點的單點/多點整合多點整合，效能優化是重點，效能優化是重點 傳統架構下，傳統架構下，大模型大模型可實現可實現與傳統推薦與傳統推薦模型模型的的優勢互補。優勢互補。參考論文How Can Rec

116、ommender Systems Benefit from Large Language Models:A Survey（JIANGHAO LIN，2024-02），傳統推薦模型（Conventional Recommendation Model，CRM），只能利用數據集內的知識，缺乏對于語義信息及深度意圖的推理能力，同時跨域推薦能力較弱；大語言模型通過大規模預訓練語料和自監督訓練，引入了外部世界知識，具備較強語義理解與泛化能力，可有效補充傳統推薦模型的不足，有望提升推薦性能，優化用戶體驗。圖表圖表32：大模型與傳統推薦模型可實現優勢互補大模型與傳統推薦模型可實現優勢互補 資料來源：How C

117、an Recommender Systems Benefit from Large Language Models:A Survey（2024）、華泰研究 傳統推薦架構下，傳統推薦架構下，LLM 可實現單點或多點整合?？蓪崿F單點或多點整合?；谏疃葘W習的推薦系統包括六個階段。1）數據采集：）數據采集：主要通過線上收集用戶行為和記錄，得到原始數據（Raw data）；2）特征）特征工程：工程：主要對原始數據進行篩選加工，將原始數據進一步處理為結構化數據（Structured data）；3）特 征 編 碼：）特 征 編 碼：對 結 構 化 數 據 進 行 編 碼，得 到 對 應 的 向 量 表

118、示（Neural embeddings）；4）打分排序：）打分排序：對候選物品進行打分排序，得到要呈現給用戶的排序列表（Ranked items list）；5）用戶交互：）用戶交互：向目標用戶展示推薦項目的方式及用戶向推薦系統提供反饋的方式；6）流程控制：）流程控制：作為中央控制器，把控推薦系統的整體流程。根據已有研究，LLM 可實現以上階段的單點或多點整合。伴隨基礎模型的能力提升，大模型+推薦系統呈現出從單點到多點、從輔助環節到核心環節、從淺層融合到深度應用的轉變。圖表圖表33：基于深度學習的推薦系統架構及基于深度學習的推薦系統架構及 LLM 可應用場景可應用場景 注：標星的為常見的大模型

119、應用環節 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。24 計算機計算機 圖表圖表34：LLM 在傳統推薦系統各環節的典型研究成果在傳統推薦系統各環節的典型研究成果 注：圖中英文展示了各環節的典型研究項目名稱及對應的論文發表年份，以 U-BERT 21 為例，該項目旨在實現文本編碼增強，論文于 2021 年發表 資料來源：How Can Recommender Systems Benefit from L

120、arge Language Models:A Survey（2024）、華泰研究 特征工程：利用特征工程：利用 LLM 外部知識實現原始數據補充。外部知識實現原始數據補充。在特征工程階段，LLM 可以將原始特征（如項目描述、用戶畫像、用戶行為等）作為輸入，生成輔助的文本特征，實現原始數據的特征增強，豐富模型的訓練數據。此部分研究工作主要分為兩類：1）用戶）用戶（user）級和項目級和項目（item）級特征級特征增強：增強：利用 LLM 的外部知識完善用戶畫像、項目畫像，更好地進行用戶偏好建模及項目內容理解；2）實例級訓練樣本生成：）實例級訓練樣本生成：利用 LLM 的推理能力直接生成項目樣本，

121、豐富訓練數據集。圖表圖表35：LLM 在特征工程階段的應用場景在特征工程階段的應用場景及研究成果概覽及研究成果概覽 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。25 計算機計算機 特征編碼：利用特征編碼：利用 LLM 作為文本編碼器，為文本信息提供更好的語義理解。作為文本編碼器，為文本信息提供更好的語義理解。在特征編碼階段，LLM 發揮強大的語義理解能力，實現用戶表征、物品表征的文本特征增強。除此之外，L

122、LM 還可以以自然語言為橋梁，對齊不同領域的異構信息，實現模型的跨域推薦。傳統的推薦模型多基于 ID 進行 item 的表征學習和推薦，大語言模型轉而使用自然語言描述 item，解決過去依賴 ID 的問題，可以更好地實現模型的跨域推薦，基于 Item Sequence（將item 所有相關內容，如標題、品牌、價格等屬性拼接成句子）推薦即為典型代表。圖表圖表36：LLM 在特征編碼階段可強化文本信息的理解在特征編碼階段可強化文本信息的理解 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey（20

123、24）、華泰研究 打分排序：使用打分排序：使用 LLM 作為打分作為打分/排序工具，得到相關性更好的輸出列表。排序工具，得到相關性更好的輸出列表。打分排序是推薦系統中較為關鍵的部分，LLM 可作為項目的打分/排序工具，目前多通過在 LLM 訓練中引入打分/排序等任務來實現。1）項目評分：）項目評分：利用 LLM 對候選項目進行逐一評分，最后根據分數排序得到最終的項目列表；2）項目生成：）項目生成：通過生成式的方式直接生成排序列表；3）混合任務：混合任務：LLM 天然適合多任務場景（包括評分任務、生成任務等），可以規范不同推薦場景的輸入輸出，并在跨域樣本上進行預訓練，使用者后續可通過 Promp

124、t 執行對應任務。圖表圖表37：LLM 在打分排序階段的應用場景在打分排序階段的應用場景舉例舉例 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。26 計算機計算機 用戶交互用戶交互：使用：使用 LLM 提供多輪對話的交互體驗，實現用戶需求的深度挖掘。提供多輪對話的交互體驗，實現用戶需求的深度挖掘。傳統的推薦模式下，推薦多為單回合交互，僅對推薦后的單次用戶行為（是否點擊、是否購買）進行監控?；?LLM 的推

125、薦交互多以多輪對話的形式呈現，可以通過整合對話中的上下文并應用廣泛的開放世界知識，豐富對于用戶偏好、項目建議、定制化需求等內容的理解。根據用戶交互模型不同，可分為任務導向型用戶交互、開放式用戶交互。1）任務導向型：）任務導向型：假設用戶具有明確的意圖，而推薦系統需要支持用戶的決策過程或協助用戶找到相關的項目，LLM 被集成為推薦系統的一個組件，專門用于分析用戶的意圖；2）開放式：）開放式：假設用戶的意圖不明確，系統需要逐漸獲取用戶的興趣或通過交互（包括主題對話、閑聊、問答等）引導用戶最終實現推薦目標，LLM 不局限于對話生成功能，而是兼具意圖引導與獲取功能。圖表圖表38：LLM 在在用戶交互用

126、戶交互階段的應用場景階段的應用場景范例范例 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey（2024）、華泰研究 流程控制：流程控制：LLM 不再僅應用于推薦系統中的某一部分，而是參與到推薦流程的整體控制。不再僅應用于推薦系統中的某一部分，而是參與到推薦流程的整體控制。隨著基礎模型的參數量擴大，LLM 開始表現出上下文學習、指令遵循、逐步推理、工具使用等能力，因此使用 LLM 作為推薦系統的流程控制器（可以看作是推薦場景下的 Agent），可以使推薦過程更具交互性與可解釋性。以 Googl

127、e 發布的 RecLLM 為例，LLM 實現在推薦系統的多點落地，并成為整體流程運行的決策單元，LLM 能夠管理對話、理解用戶偏好、實現項目排名，甚至提供可控的基于 LLM 的用戶模擬器生成合成對話。圖表圖表39：LLM 在流程控制階段的應用在流程控制階段的應用范例范例 資料來源：Is Chatgpt fair for recommendation?evaluating fairness in large language model recommendation（2023）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。27 計算機計算機 LLM 落地呈現出從落地呈現

128、出從單點到多點單點到多點、從、從輔助環節輔助環節到到核心環節核心環節的的演進演進趨勢。趨勢。從工程實踐的角度來看，LLM+RS 落地存在兩類變量因素，一是大模型是否需要微調（Tune or Not tune LLM），二是推理階段是否需要引入傳統推薦模型（With or w/o CRM）?；仡檶W術研究發展趨勢（從第一象限到第三象限到第二、四象限再到第一象限），我們得到兩大結論，一是一是 LLM與與推薦系統推薦系統協同至關重要協同至關重要，二是二是 LLM 基礎能力決定基礎能力決定其在推薦系統中的其在推薦系統中的應用深度應用深度。1）LLM 與推薦系統協同至關重要與推薦系統協同至關重要：伴隨基礎

129、模型參數量擴大與通用能力提升，LLM+RS研究從“微調 LLM+CRM 參與”（第一象限）向“不微調 LLM+CRM 不參與”（第三象限）演進，但從實踐結果看，第三象限模型效果普遍落后于其他象限結果，證明盡管大模型具備通用知識，但推薦系統域內專有知識仍然具有重要作用。因此后續延續研究向“不微調LLM+CRM 參與”（第二象限，引入 CRM 進行協同），“微調 LLM+CRM 不參與”（第四象限，引入 CRM 數據進行協同）演進，通用能力+垂直數據的技術路徑成為主流共識。2）LLM 基礎能力決定基礎能力決定其其應用深度應用深度：伴隨基礎模型的能力提升，LLM 在推薦系統中的應用深度愈發深入；以第

130、一象限為例（相同象限內對應相似的工程方案），早期使用規模較小的 LLM 時，LLM 主要用在特征編碼等輔助環節場景；后續隨基礎模型參數量及泛化能力變化，LLM 開始應用于打分排序等核心環節，并逐步實現特征工程、特征編碼、打分排序等多點融合，后續演進出將 LLM 作為流程控制器的全環節部署架構。圖表圖表40：傳統推薦架構下大模型與推薦系統融合的演進趨勢傳統推薦架構下大模型與推薦系統融合的演進趨勢 資料來源：How Can Recommender Systems Benefit from Large Language Models:A Survey，JIANGHAO LIN（2024）、華泰研究

131、免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。28 計算機計算機 新興架構新興架構：重塑范式，打造基于重塑范式，打造基于 Transformer 的的第三代第三代推薦系統推薦系統 新新興興架構架構有助于充分釋放有助于充分釋放 LLM 的的跨域推薦能力跨域推薦能力。傳統架構下，LLM 被視為基于深度學習的推薦系統的賦能工具，核心在于發揮 LLM 的文本理解與生成能力，通過文本特征增強以提升推薦內容的相關性，本質上是在特定環節使用 LLM 替代傳統深度學習模型。新興架構下，生成式推薦模型全面參考大語言模型的訓練方法與應用范式，用文本統一表示，用Prompt 統一任務，構建全新的統一生

132、成式推薦范式。1）用文本統一表示：）用文本統一表示：將項目信息構造成序列（Sequence）形式，形成模型的訓練語料，同時解決了傳統推薦模型下數據異構問題，可以更好地實現跨域推薦；2）用）用 Prompt 統一任務：統一任務：Prompt learning 思想非常簡單，即對每一個任務使用一個 Prompt 去進行描述，推薦模型經過大量語料訓練同樣具有較好的泛化能力，用戶可以通過構造不同的 Prompt 描述，引導模型完成特定的工作。圖表圖表41：生成式推薦架構采用文本序列統一用戶及項目表征生成式推薦架構采用文本序列統一用戶及項目表征 資料來源：Text Is All You Need:Lea

133、rning Language Representations for Sequential Recommendation（2023）、華泰研究 生成式生成式推薦模型有望成為基于深度學習推薦系統之后的第三代推薦系統。推薦模型有望成為基于深度學習推薦系統之后的第三代推薦系統。推薦系統的技術迭代受到數據體量、個性化需求、泛化能力要求等因素變化驅動。第一代推薦系統（以1992 年提出協同過濾概念為重要標志）主要解決信息過載問題；第二代推薦系統（以2016 年 Google 推出 Wide&Deep 推薦框架為重要標志）主要解決推薦的個性化問題；第三代推薦系統（以 Meta 提出 Generative

134、Recommendations 為重要標志）旨在構建具備泛化能力的統一推薦模型，同時提升用戶意圖理解與項目推薦效果。圖表圖表42：生成式推薦模型有望成為第三代推薦系統生成式推薦模型有望成為第三代推薦系統 資料來源：A Brief History of Recommender Systems（2022）、Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。29

135、 計算機計算機 實踐：實踐：Meta、Google 加速探索大模型的推薦場景落地加速探索大模型的推薦場景落地 Meta：“三步走”戰略明確，統一推薦系統或將“三步走”戰略明確，統一推薦系統或將 26 年落地年落地 Meta 重視推薦系統重視推薦系統 AI 升級，戰略布局升級，戰略布局進入第三階段進入第三階段。根據 Meta 在 Morgan Stanley 2024 Technology,Media&Telecom Conference 的公開采訪紀要，Meta 正改變過去將為每個產品單獨設計推薦模型的做法，轉而構建跨產品線（Reels、Feed、Groups 等）的統一 AI 推薦模型。全新

136、的 AI 推薦系統已成為 Meta 2026 年技術路線圖的重要組成部分，預計分為三個階段逐步落地。階段一：階段一：將現有推薦系統由 CPU 推理轉向 GPU 推理，優化推薦系統性能與體驗；階段二：階段二：完成 AI 推薦模型在 Facebook Reels 的功能測試與技術驗證，相較于傳統推薦模型（同樣運行在 GPU 上），新推薦模型下用戶在 Reels 的觀看時長增加約 8-10%；階段三：階段三：為 AI 推薦模型提供更多的學習數據，并將 AI 推薦系統推廣至更多產品，正式完成生成式推薦大模型的跨產品線落地，用統一大模型代替原有的獨立模型。圖表圖表43：Meta 推薦系統迭代推薦系統迭代

137、已進已進入第三階段入第三階段 資料來源：Morgan Stanley 2024 Technology,Media&Telecom Conference、華泰研究 首個生成式推薦系統大模型有望帶來新一輪技術革新。首個生成式推薦系統大模型有望帶來新一輪技術革新。2024 年 4 月，Meta 發布首個生成式推薦系統論文Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations，開創性提出了基于 Transformer 的生成式推薦（Generativ

138、e Recommenders,GRs）架構，并驗證了 Scaling Law 同樣適用。我們認為，Meta 在推薦系統上的技術創新有望帶動推薦系統向更通用、更個性、更安全的方向演進。1）更通用：）更通用：GRs 將異構特征統一編碼為單一的時間序列，從特征建模的源頭解決不同推薦場景下的特征異構問題，奠定了跨域推薦能力基礎；2）更個性：）更個性：GRs 將用戶的長期行為序列作為新的生成建模模式，相較于傳統序列推薦系統（僅考慮用戶交互）可以更好地捕捉用戶的興趣和行為；3）更安全：）更安全：通過減少對大量異構特征的依賴，GRs可以更好地保護用戶隱私，同時有助于降低平臺與用戶價值觀不一致的問題。圖表圖表

139、44：Meta 提出首個生成式提出首個生成式推薦系統推薦系統模型模型 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。30 計算機計算機 Meta 生成式推薦系統生成式推薦系統突破突破三大三大技術問題，技術問題，Scaling Law 同樣適用。同樣適用。1）特征簡化：特征簡化：GRs 將異構特征（用戶 ID、歷史行為、關注列表、地理位置等多類

140、特征）統一編碼為時間序列，相較于傳統序列推薦，Meta 構建的長序列具備更強的特征交叉能力，有效降低了信息損失，同時將后續的召回和排序統一定義為序列建模任務；2）計算效率）計算效率：Meta 提出新的HSTU（Hierarchical Sequential Transduction Units）模型架構與 M-FALCON 算法；采用 HSTU 結構，GRs 處理長序列（8192 長度）的速度相較傳統深度學習模型提高 5.3-15.2倍；采用 M-FALCON 算法，GRs 能夠在相同的推理成本下，服務于 285 倍復雜的模型，并將吞吐量提升 1.5 倍；3）模型擴展性：）模型擴展性：驗證了

141、Scaling Law 同樣適用于大規模推薦模型，通過序列長度、embedding 維數的擴大，能夠有效實現 GRs 模型的 Scaling。圖表圖表45：Meta GRs 實現三大技術突破實現三大技術突破 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 圖表圖表46：長序列處理速度較傳統深度學習模型顯著提升長序列處理速度較傳統深度學習模型顯著提升 圖表圖表47：以以 1.5 倍吞吐量服務倍吞吐量服務

142、285 倍復雜的模型（相同推理成本）倍復雜的模型（相同推理成本）資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 圖表圖表48：Eval Hit Rate100 與與

143、訓練訓練量呈冪律量呈冪律 scaling 趨勢趨勢 圖表圖表49：Eval Hit Rate500 與訓練量呈與訓練量呈冪律冪律 scaling 趨勢趨勢 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recomme

144、ndations（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。31 計算機計算機 生成式推薦系統實踐生成式推薦系統實踐面臨面臨計算計算+數據數據挑戰，挑戰，Meta 算力建設有望持續擴大算力建設有望持續擴大。1）計算計算能力能力：推薦系統的應用場景是十億級用戶與十億級內容的計算與匹配，以 Meta 為例，截至 23 年僅 Facebook 月活用戶接近 30 億，僅 Instagram 探索頁面每秒需要完成 9,000 萬次推理，推薦大模型單日的 Token 推理量大于普通語言模型 1-2 月的推理量，計算能力拓展是實踐落地的重點；2）訓練數據訓練數據：傳

145、統推薦系統詞匯表體量達數十億級，如何構建更多、更長的序列是提升模型推薦效果的關鍵，同時根據 Scaling Law 定律，需要同步增加序列長度和計算資源，以此確保模型在更大規模數據下的性能和質量。綜合來看，在計算與數據的雙重挑戰下，自用推理算力有望成為又一建設重點。根據 Meta 的電話會中表述，Meta 正積極配置新數據中心以支持新的推薦模型，我們認為，自用 AI 算力規模有望加速擴大。圖表圖表50：Meta 搭建搭建 4K GPU 集群服務傳統推薦模型集群服務傳統推薦模型 資料來源：Metas evolution of network for AI，Meta（2023）、華泰研究 技術革新

146、落地，技術革新落地，AI 推薦系統未來可期。推薦系統未來可期。根據論文可知，Meta 已經實現生成式推薦大模型在自有產品（擁有數十億用戶的大型互聯網平臺）的技術落地，根據試驗結果可知，相較于傳統推薦模型，在線 A/B 測試中，GRs 用戶參與度（E-Task）提升 12.4%，消費事件（C-Task）參與度提升 4.4%。我們認為，GRs 后續有望朝兩大方向加速推進。1）更強）更強的用戶理解：的用戶理解：通過增加序列長度、引入多模態信號，生成式推薦系統有望更加深入地挖掘和建模用戶的行為模式，進一步強化推薦系統的個性化程度與用戶滿意度；2）更廣泛的）更廣泛的應用場景：應用場景：統一的推薦模型可以

147、有效提升跨產品線用戶的使用體驗，同時可以將所有項目納入統一排名系統，實現推薦內容的快速擴充。Meta 已布局 AI 視頻推薦系統，成長可期。圖表圖表51：Meta 的生成式推薦模型在召回的生成式推薦模型在召回/排序任務中超越傳統推薦模型排序任務中超越傳統推薦模型 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。32 計算機計算機 Google：

148、生成式大模型迭代生成式大模型迭代搜索算法，搜索算法，SGE 進展順利進展順利 生成式大模型迭代生成式大模型迭代 Google 搜索算法搜索算法，SGE 塑造全新搜索體驗。塑造全新搜索體驗?；仡?Google 搜索算法迭代歷程，可以看到搜索場景是 AI 應用的重要領域。2001 年起，AI 模型開始逐步滲透搜索場景。2001 年 Google 使用機器學習技術為網絡搜索提供拼寫建議；2015 年 Google 推出搜索領域首個深度學習系統 RankBrian，實現用戶意圖的深入理解；2018 年 Google 將神經網絡技術引入搜索場景，幫助理解用戶查詢和頁面概念的模糊表示并完成相關性匹配；20

149、19 年 Google 將 Bert 模型應用于搜索的檢索與排序；2022 年 Google 發布搜索領域多任務統一模型 MUM，MUM 使用 T5 text-to-text 框架，擁有 75 種語言理解能力，可完成多模態信息理解；2023 年 Google 發布生成式搜索體驗（Search Generative Experience，SGE），旨在通過大模型重塑搜索體驗，為用戶提供更精準、更個性、更智能的搜索結果。圖表圖表52：Google 搜索算法搜索算法加速加速迭代迭代，SGE 引入大模型能力引入大模型能力 資料來源：Googles Algorithm Updates:A Compreh

150、ensive Guide to Ranking Factors and Timeline（2024）、Supercharging Search with generative AI（2023）、華泰研究 SGE 以大模型為技術底座，提供更精準、更個性、更以大模型為技術底座，提供更精準、更個性、更智能智能的搜索體驗。的搜索體驗。根據 Google I/O 2024 大會介紹，SGE 底層模型為定制版本 Gemini 模型，不同于 Google Bard 等對話工具，SGE 將 LLM 與搜索的核心排名系統結合，提供更加可靠檢索結果。SGE 具備精準、個性、智能等三大特征。1）更精準：）更精準：S

151、GE 既實現了用戶意圖的深度理解，又提供搜索結果的總結式回答（AI Overviews）與參考鏈接，實現搜索結果的精準展示；2）更個性：）更個性：SGE 基于用戶搜索的語義深度理解，提供“提問跟進”選項，同時提供個性化廣告推薦；3）更）更智能智能：除檢索任務外，SGE 提供計劃生成、圖像生成等生成式功能，同時支持拍攝視頻搜索等多模態檢索能力。我們認為，伴隨基礎模型能力升級，SGE 體驗有望持續優化。圖表圖表53：SGE 提供提供更精準、更個性、更智能的搜索體驗更精準、更個性、更智能的搜索體驗 資料來源：Generative AI in Search:Let Google do the sear

152、ching for you（2024）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。33 計算機計算機 SGE 測試范圍逐步擴大，可靠性、安全性仍是產品的關注重點。測試范圍逐步擴大，可靠性、安全性仍是產品的關注重點。2023 年 5 月，Google 在I/O 大會上正式推出 SGE，并通過搜索實驗室項目（Search Labs）開啟產品測試。一年時間里 SGE 的測試范圍逐步擴大，產品功能得到同步優化。1）地理地理范圍范圍拓展拓展：SGE 最早在美國、印度、日本等地測試，后續拓展至拉丁美洲、南美洲、撒哈拉以南非洲、亞太地區等 120 多個國家和地區，目前 AI Ov

153、erviews 功能已開放美國地區公測版本，據Google 預計 24 年底 SGE 將覆蓋超 10 億人；2）語言拓展：）語言拓展：最早提供英語、印度語、日語支持，后續增加西班牙語、葡萄牙語、韓語、印尼語等 4 種新語言；3）功能拓展：）功能拓展：實現跟進問題、翻譯功能、購物查詢等功能的持續優化，同時 Google 在試驗 SGE 的原生廣告格式，出現在 AI 概述上方/下方的廣告內容，具備較強的搜索相關性，用戶反饋良好。面向未來，平衡響應流暢性與信息質量、確保中立客觀、防止幻覺偏見仍是后續關注重點。圖表圖表54：Google SGE 界面概覽界面概覽 資料來源：A new way to s

154、earch with generative AI,An overview of SGE，Google（2023）、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。34 計算機計算機 影響：影響：模型變化影響算力模型變化影響算力要求，自用要求，自用 GPU 需求需求或將或將放量放量 大模型大模型對于傳統算法的替代，帶來更強的算力對于傳統算法的替代，帶來更強的算力推理推理需求。需求?；?Transformer 的大模型通常有解碼器模塊堆疊形成，解碼模塊通過計算 Token 化的文本數據，實現大模型推理。推理過程實質上就是對大模型參數的再次遍歷，輸入向量經過注意力機制的計算轉

155、化為輸出結果。推理過程所需要的算力可以由公式 C2NBS 來刻畫（詳細分析可參照華泰計算機團隊 2024 年 4 月 12 日專題報告全球 AI 算力需求繼續向上），即計算量=2 x 模型參數量 x 訓練集大小。據我們測算，在 ChatGPT 同等訪問量下，千億參數模型推理所需算力需求超 5000 PFlop/s，對應 GPU 需求 2.4 萬張。根據 Meta 論文，推薦系統每天需要處理的Token 數量比語言模型在 1-2 個月內處理的 Token 數量多幾個數量級。綜合來看，我們認為，大模型在推薦系統的深度落地有望帶來更大的推理算力需求。圖表圖表55：千億模型推理的千億模型推理的 A10

156、0 等效等效 GPU 需求量需求量約約為為 2.4 萬張萬張 模型模型 1 模型模型 2 模型模型 3 模型模型 4 模型模型 5 模型模型 6 模型參數（億）模型參數（億）500 1,000 3,000 5,000 10,000 20,000 總算力需求（總算力需求（PFlop/s-day）86,914 180,772 625,648 1,181,636 3,057,716 8,893,209 預訓練算力需求（預訓練算力需求（PFlop/s-day）3,472 13,889 125,000 347,222 1,388,889 5,555,556 30 天推理算力需求（天推理算力需求（PFlo

157、p/s-day）83,333 166,667 500,000 833,333 1,666,667 3,333,333 30 次調優算力需求（次調優算力需求（PFlop/s-day）108 216 648 1,080 2,160 4,320 總總 GPU 需求（需求（A100，張）張）12,891 27,760 107,022 217,940 633,727 2,058,844 預訓練預訓練 GPU 需求（張）需求（張）989 3,957 35,613 98,924 395,695 1,582,779 推理推理 GPU 需求（張）需求（張）11,871 23,74223,742 71,225 1

158、18,708 237,417 474,834 調優調優 GPU 需求（張）需求（張）31 62 185 308 615 1,231 總服務器需求（總服務器需求（8 卡，卡，臺）臺）1,611 3,470 13,378 27,242 79,216 257,355 預訓練預訓練 GPU 需求（臺）需求（臺）124 495 4,452 12,365 49,462 197,847 推理推理 GPU 需求（臺）需求（臺）1,484 2,968 8,903 14,839 29,677 59,354 30 次調優次調優 GPU 需求（臺）需求（臺）4 8 23 38 77 154 資料來源：NVIDIA 官

159、網、華泰研究預測 若全面替換大模型推理，若全面替換大模型推理，10 億月活應用的億月活應用的 A100 等效等效 GPU 需求超需求超 52 萬張萬張，遠高于，遠高于 Meta目前推薦場景下目前推薦場景下 4,000 張張 GPU 的算力規模的算力規模。以 Meta 論文介紹的 GRs 為例，目前測試的生成式推薦模型參數量與 GPT-3 相近，估算模型參數量為 2,000 億，訓練數據量為 1,000億 Token。按照 10 億月活測算，假設每次用戶訪問會進行 80 次推薦（平均使用時長約40 分鐘，按每分鐘推薦 2 次估算），每次推薦消耗的 Token 數量為 2,000 個（序列長度為1

160、,024，單次推薦涉及召回、排序兩次預測）?？紤]到算力基礎設施建設是按照峰值需求確定，因此我們進一步假設峰值 Token 需求為均值的 5 倍，則計算得每月消耗的 Token 數量峰值為 3.1 億，對應推理算力需求 123,457 PFlop/s，對應 A100 等效 GPU 需超 52 萬張。根據 Meta 在 2023 OCP Global Summit 介紹，Meta 目前排名推薦場景/模型訓練場景 AI算力規模分別為 4,000/32,000 個 GPU，推理:訓練約為 1:8。若完成大模型對于底層算法（2023 年 Facebook family 月活用戶 39.8 億億）的全部替

161、換，推薦場景下推理算力需求仍有較大的釋放空間，預計需要 200 萬張萬張 A100 等效等效 GPU。圖表圖表56：大模型推理算力需求測算大模型推理算力需求測算（以（以 10 億月活為測算基準）億月活為測算基準）參數假設參數假設 1 參數假設參數假設 2 參數假設參數假設 3 參數假設參數假設 4 參數假設參數假設 5 參數假設參數假設 6 推理算力需求（推理算力需求（PFlop/s）61,728 123,457 185,185 308,642 617,284 925,926 推理 Token 峰值消耗數量（億個）3.1 3.1 3.1 3.1 3.1 3.1 秒均 Token 消耗量（億個）

162、0.62 0.62 0.62 0.62 0.62 0.62 月活用戶數（億）10 10 10 10 10 10 每次訪問推薦次數（次）80 80 80 80 80 80 每次推薦 Token 數量（個）2,000 2,000 2,000 2,000 2,000 2,000 峰值倍數 5 5 5 5 5 5 模型參數量（億個）1,000 2,000 3,000 5,000 10,000 15,000 30 天推理算力需求（天推理算力需求（PFlop/s-day）1,851,852 3,703,704 5,555,556 9,259,259 18,518,519 27,777,778 推理推理 G

163、PU 需求（張）需求（張）263,797 527,593 791,390 1,318,983 2,637,966 3,956,948 資料來源：Meta 官網、Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（2024）、華泰研究預測 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。35 計算機計算機 自用推理算力需求或超預期自用推理算力需求或超預期。FY2024 NVIDIA（英偉達）數據中心業務營收為 475 億美元，剔

164、除 Mellanox 業務收入后，數據中心業務約為 389 億美元，按照 A100 單價 2 萬美元估算，FY2024 等效 A100 出貨量約為 200 萬張。根據英偉達電話會，當前推理需求約占數據中心的 40%。根據上文測算，僅 Meta 的全部社交 APP（按 Facebook family 月活用戶39.8 億測算）全面替換大模型作為底層算法，有望帶來 200 萬張等效 A100 增量需求，基本與 NVIDIA FY24 全年出貨量相當。我們認為，云廠自用算力需求有望超預期釋放。圖表圖表57：NVIDIA出貨量與出貨量與 Meta 需求量對比示意圖需求量對比示意圖 資料來源：NVIDI

165、A 官網、Meta 官網、華泰研究測算 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。36 計算機計算機 相關產業公司相關產業公司梳理梳理 綜合來看，云廠商新一輪基礎設施建設周期已全面開啟，得益于外供、自用需求的雙重拉動，云廠商 CapEx 支出有望持續擴大。我們認為，AI 有望拉動全球算力繼續向上，首選關注海外算力產業鏈，其次關注國產算力產業鏈，最后關注 AI 應用的潛在變化。1）海外算力產業鏈：）海外算力產業鏈：包括光模塊（中際旭創、天孚通信、新易盛）、AI 服務器（工業富聯、浪潮信息）；2）國產算力產業鏈：）國產算力產業鏈：包括海光信息、寒武紀、神州數碼等；3）AI 應用：

166、應用：包括金山辦公、福昕軟件、泛微網絡等。風險提示風險提示 模型迭代不及預期。模型迭代不及預期。若基礎模型能力迭代不及預期，AI 應用功能迭代速度或將放緩，會對大模型訓練算力需求造成不利影響。AI 商業化進展不及預期。商業化進展不及預期。目前大部分 AI 應用尚處于產品化階段，若商業化進展不及預期，會對大模型推理算力需求造成不利影響。本研報中涉及到未上市公司或未覆蓋個股內容，均系對其客觀公開信息的整理，并不代表本研報中涉及到未上市公司或未覆蓋個股內容，均系對其客觀公開信息的整理，并不代表本研究團隊對該公司、該股票的推薦或覆蓋本研究團隊對該公司、該股票的推薦或覆蓋。圖表圖表58：提及公司列表提及

167、公司列表 公司代碼公司代碼 公司簡稱公司簡稱 MSFT US Microsoft（微軟）GOOGL US Google（谷歌）AMZN US Amazon（亞馬遜）META US Meta（臉書）NVDA US NVIDIA（英偉達）未上市 OpenAI 300308 CH 中際旭創 300394 CH 天孚通信 300502 CH 新易盛 000977 CH 浪潮信息 601138 CH 工業富聯 688041 CH 海光信息 000034 CH 神州數碼 688256 CH 寒武紀-U 688111 CH 金山辦公 688095 CH 福昕軟件 603039 CH 泛微網絡 資料來源：Bl

168、oomberg、華泰研究 免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。37 計算機計算機 免責免責聲明聲明 分析師聲明分析師聲明 本人，謝春生，茲證明本報告所表達的觀點準確地反映了分析師對標的證券或發行人的個人意見；彼以往、現在或未來并無就其研究報告所提供的具體建議或所表迖的意見直接或間接收取任何報酬。一般聲明及披露一般聲明及披露 本報告由華泰證券股份有限公司（已具備中國證監會批準的證券投資咨詢業務資格，以下簡稱“本公司”）制作。本報告所載資料是僅供接收人的嚴格保密資料。本報告僅供本公司及其客戶和其關聯機構使用。本公司不因接收人收到本報告而視其為客戶。本報告基于本公司認為可靠的

169、、已公開的信息編制，但本公司及其關聯機構(以下統稱為“華泰”)對該等信息的準確性及完整性不作任何保證。本報告所載的意見、評估及預測僅反映報告發布當日的觀點和判斷。在不同時期，華泰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。以往表現并不能指引未來，未來回報并不能得到保證，并存在損失本金的可能。華泰不保證本報告所含信息保持在最新狀態。華泰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。本公司不是 FINRA 的注冊會員，其研究分析師亦沒有注冊為 FINRA 的研究分析師/不具有 FIN

170、RA 分析師的注冊資格。華泰力求報告內容客觀、公正，但本報告所載的觀點、結論和建議僅供參考，不構成購買或出售所述證券的要約或招攬。該等觀點、建議并未考慮到個別投資者的具體投資目的、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。對依據或者使用本報告所造成的一切后果，華泰及作者均不承擔任何法律責任。任何形式的分享證券投資收益或者分擔證券投資損失的書面或口頭承諾均為無效。除非另行說明，本報告中所引用的關于業績的數據代表過往表現，過往的業績表現不應作為日后回報的預示。華泰不承諾也不保證任何預

171、示的回報會得以實現，分析中所做的預測可能是基于相應的假設，任何假設的變化可能會顯著影響所預測的回報。華泰及作者在自身所知情的范圍內，與本報告所指的證券或投資標的不存在法律禁止的利害關系。在法律許可的情況下，華泰可能會持有報告中提到的公司所發行的證券頭寸并進行交易，為該公司提供投資銀行、財務顧問或者金融產品等相關服務或向該公司招攬業務。華泰的銷售人員、交易人員或其他專業人士可能會依據不同假設和標準、采用不同的分析方法而口頭或書面發表與本報告意見及建議不一致的市場評論和/或交易觀點。華泰沒有將此意見及建議向報告所有接收者進行更新的義務。華泰的資產管理部門、自營部門以及其他投資業務部門可能獨立做出與

172、本報告中的意見或建議不一致的投資決策。投資者應當考慮到華泰及/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。投資者請勿將本報告視為投資或其他決定的唯一信賴依據。有關該方面的具體披露請參照本報告尾部。本報告并非意圖發送、發布給在當地法律或監管規則下不允許向其發送、發布的機構或人員，也并非意圖發送、發布給因可得到、使用本報告的行為而使華泰違反或受制于當地法律或監管規則的機構或人員。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(無論整份或部分)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，并需在使

173、用前獲取獨立的法律意見，以確定該引用、刊發符合當地適用法規的要求，同時注明出處為“華泰證券研究所”，且不得對本報告進行任何有悖原意的引用、刪節和修改。本公司保留追究相關責任的權利。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。中國香港中國香港 本報告由華泰證券股份有限公司制作,在香港由華泰金融控股（香港）有限公司向符合證券及期貨條例及其附屬法律規定的機構投資者和專業投資者的客戶進行分發。華泰金融控股（香港）有限公司受香港證券及期貨事務監察委員會監管，是華泰國際金融控股有限公司的全資子公司，后者為華泰證券股份有限公司的全資子公司。在香港獲得本報告的人員若有任何有關本報告

174、的問題,請與華泰金融控股（香港）有限公司聯系。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。38 計算機計算機 香港香港-重重要監管披露要監管披露 華泰金融控股（香港）有限公司的雇員或其關聯人士沒有擔任本報告中提及的公司或發行人的高級人員。中際旭創（300308 CH）、天孚通信（300394 CH）、新易盛（300502 CH）：華泰金融控股（香港）有限公司、其子公司和/或其關聯公司實益持有標的公司的市場資本值的 1%或以上。金山辦公（688111 CH）、寒武紀（688256 CH）、海光信息（688041 CH）：華泰金融控股（香港）有限公司、其子公司和/或其關聯公司在本報

175、告發布日擔任標的公司證券做市商或者證券流動性提供者。有關重要的披露信息，請參華泰金融控股（香港）有限公司的網頁 https:/.hk/stock_disclosure 其他信息請參見下方“美國“美國-重要監管披露”重要監管披露”。美國美國 在美國本報告由華泰證券（美國）有限公司向符合美國監管規定的機構投資者進行發表與分發。華泰證券（美國）有限公司是美國注冊經紀商和美國金融業監管局（FINRA）的注冊會員。對于其在美國分發的研究報告，華泰證券（美國）有限公司根據1934 年證券交易法（修訂版）第 15a-6 條規定以及美國證券交易委員會人員解釋，對本研究報告內容負責。華泰證券（美國）有限公司聯營

176、公司的分析師不具有美國金融監管（FINRA）分析師的注冊資格，可能不屬于華泰證券（美國）有限公司的關聯人員，因此可能不受 FINRA 關于分析師與標的公司溝通、公開露面和所持交易證券的限制。華泰證券（美國）有限公司是華泰國際金融控股有限公司的全資子公司，后者為華泰證券股份有限公司的全資子公司。任何直接從華泰證券（美國）有限公司收到此報告并希望就本報告所述任何證券進行交易的人士，應通過華泰證券（美國）有限公司進行交易。美美國國-重要監管披露重要監管披露 分析師謝春生本人及相關人士并不擔任本報告所提及的標的證券或發行人的高級人員、董事或顧問。分析師及相關人士與本報告所提及的標的證券或發行人并無任何

177、相關財務利益。本披露中所提及的“相關人士”包括 FINRA定義下分析師的家庭成員。分析師根據華泰證券的整體收入和盈利能力獲得薪酬，包括源自公司投資銀行業務的收入。神州數碼（000034 CH）：華泰證券股份有限公司、其子公司和/或其聯營公司在本報告發布日之前的 12 個月內擔任了標的證券公開發行或 144A 條款發行的經辦人或聯席經辦人。神州數碼（000034 CH）：華泰證券股份有限公司、其子公司和/或其聯營公司在本報告發布日之前 12 個月內曾向標的公司提供投資銀行服務并收取報酬。中際旭創（300308 CH）、天孚通信（300394 CH）、新易盛（300502 CH）：華泰證券股份有限

178、公司、其子公司和/或其聯營公司實益持有標的公司某一類普通股證券的比例達 1%或以上。金山辦公（688111 CH）、寒武紀（688256 CH）、海光信息（688041 CH）：華泰證券股份有限公司、其子公司和/或其聯營公司在本報告發布日擔任標的公司證券做市商或者證券流動性提供者。華泰證券股份有限公司、其子公司和/或其聯營公司,及/或不時會以自身或代理形式向客戶出售及購買華泰證券研究所覆蓋公司的證券/衍生工具，包括股票及債券（包括衍生品）華泰證券研究所覆蓋公司的證券/衍生工具，包括股票及債券（包括衍生品）。華泰證券股份有限公司、其子公司和/或其聯營公司,及/或其高級管理層、董事和雇員可能會持有

179、本報告中所提到的任何證券（或任何相關投資）頭寸，并可能不時進行增持或減持該證券（或投資）。因此，投資者應該意識到可能存在利益沖突。新加坡新加坡 華泰證券（新加坡）有限公司持有新加坡金融管理局頒發的資本市場服務許可證，可從事資本市場產品交易，包括證券、集體投資計劃中的單位、交易所交易的衍生品合約和場外衍生品合約，并且是財務顧問法規定的豁免財務顧問，就投資產品向他人提供建議，包括發布或公布研究分析或研究報告。華泰證券（新加坡）有限公司可能會根據財務顧問條例第 32C 條的規定分發其在華泰內的外國附屬公司各自制作的信息/研究。本報告僅供認可投資者、專家投資者或機構投資者使用，華泰證券（新加坡）有限公

180、司不對本報告內容承擔法律責任。如果您是非預期接收者，請您立即通知并直接將本報告返回給華泰證券（新加坡）有限公司。本報告的新加坡接收者應聯系您的華泰證券（新加坡）有限公司關系經理或客戶主管，了解來自或與所分發的信息相關的事宜。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。39 計算機計算機 評級說明評級說明 投資評級基于分析師對報告發布日后 6 至 12 個月內行業或公司回報潛力（含此期間的股息回報）相對基準表現的預期（A 股市場基準為滬深 300 指數，香港市場基準為恒生指數，美國市場基準為標普 500 指數，臺灣市場基準為臺灣加權指數，日本市場基準為日經 225 指數），具體如

181、下：行業評級行業評級 增持：增持：預計行業股票指數超越基準 中性：中性：預計行業股票指數基本與基準持平 減持：減持：預計行業股票指數明顯弱于基準 公司評級公司評級 買入：買入：預計股價超越基準 15%以上 增持：增持：預計股價超越基準 5%15%持有：持有：預計股價相對基準波動在-15%5%之間 賣出：賣出：預計股價弱于基準 15%以上 暫停評級：暫停評級：已暫停評級、目標價及預測，以遵守適用法規及/或公司政策 無評級：無評級：股票不在常規研究覆蓋范圍內。投資者不應期待華泰提供該等證券及/或公司相關的持續或補充信息 法律實體法律實體披露披露 中國中國：華泰證券股份有限公司具有中國證監會核準的“

182、證券投資咨詢”業務資格，經營許可證編號為：91320000704041011J 香港香港：華泰金融控股（香港）有限公司具有香港證監會核準的“就證券提供意見”業務資格，經營許可證編號為：AOK809 美國美國：華泰證券（美國）有限公司為美國金融業監管局（FINRA）成員，具有在美國開展經紀交易商業務的資格，經營業務許可編號為：CRD#:298809/SEC#:8-70231 新加坡：新加坡：華泰證券（新加坡）有限公司具有新加坡金融管理局頒發的資本市場服務許可證，并且是豁免財務顧問。公司注冊號：202233398E 華泰證券股份有限公司華泰證券股份有限公司 南京南京 北京北京 南京市建鄴區江東中路

183、 228號華泰證券廣場 1號樓/郵政編碼：210019 北京市西城區太平橋大街豐盛胡同 28號太平洋保險大廈 A座 18層/郵政編碼：100032 電話：86 25 83389999/傳真：86 25 83387521 電話：86 10 63211166/傳真：86 10 63211275 電子郵件：ht- 電子郵件：ht- 深圳深圳 上海上海 深圳市福田區益田路 5999號基金大廈 10樓/郵政編碼：518017 上海市浦東新區東方路 18號保利廣場 E棟 23樓/郵政編碼：200120 電話：86 755 82493932/傳真：86 755 82492062 電話：86 21 28972

184、098/傳真：86 21 28972068 電子郵件：ht- 電子郵件：ht- 華泰金融控股（香港）有限公司華泰金融控股（香港）有限公司 香港中環皇后大道中 99 號中環中心 53 樓 電話：+852-3658-6000/傳真：+852-2567-6123 電子郵件： http:/.hk 華泰證券華泰證券（美國美國）有限公司有限公司 美國紐約公園大道 280 號 21 樓東（紐約 10017）電話：+212-763-8160/傳真：+917-725-9702 電子郵件:Huataihtsc- http:/www.htsc- 華泰證券（新加坡）有限公司華泰證券（新加坡）有限公司 濱海灣金融中心 1 號大廈,#08-02,新加坡 018981 電話：+65 68603600 傳真：+65 65091183 版權所有2024年華泰證券股份有限公司