片市场，英伟达份额占比超过80%。依托产品性能、芯片组合、网络技术、软件产品等层面的综合优势，我们判断英伟达有望在A!训练、推理（云端）环节持续保持主导性地位。I英伟达业绩弹性量化测算：ChatGPT作为典型的LLM模型，对于当下以大模型为主的A产业，本身亦具有较好的代表和参考意义，我们聚焦于ChatGPT、生成式A,并相应测算训练、推理环节的算力需求。以英伟达HGX服务器（含8张A100卡)为算力载体并假定服务器成本为8美元/小时，我们测算结果及说明如下：1)ChatGPT:a)训练环节，假设参数量为175B、训练数据500 B Tokens的情况下，我们使用256个英伟达HGXA100服务器，并假设模型FLOPsUtilization(MFU)为Megatron-LM的51.04%，推测单次训练时长约为30.7天，对应服务器端成本约为151万美元；b)推理环节，我们假定模型使用了96层、12288 Hidden Dimension、FP16和INT8混合精度并使用最大4096的Sequence Length,并假设每次用户请求生成的长度平均为200个tokens,问题长度小于500 tokens,我们推算每次生成耗费算力成本约为2.7美分，当然2.7美分是理论情况下最高成本，我们估算实际成本视优化手段可能在理论最高成本10%-60%之间浮动。我们假设用户访问ChatGPT的单次成本为理论最高成本(2.7美分/次)的30%(0,8美分/次)，服务器实际使用率为70%，则我们估算每天算力成本为160万美元，对应英伟达A100卡需求9.5万张，假定每张A100卡售价1.5万美元，对应英伟达潜在收入14.3亿美元，加上训练端成本，约为14.6亿美元。2)生成式A:我们假设所有的生成式A1大模型算力成本遵从类似于LM的逻辑，且模型训练成本、推理环节单次用户请求成本和ChatGPT完全一致(理想化假设)。)训练环节，假设大模型的构建、维护将主要由少数科技巨头&科研机构主导，考虑到底层大模型在A!领域的重要性，我们相信每个具有相关技术&资金能力的国家地区、企业机构基本都倾向于构建一套自己的大模型，我们保守估算全球范围内同时维护的大模型数量为50个，则对应英伟达A100卡需求为1024万张，对应收入15.4亿美元；b)推理环节，为简化讨论，我们主要聚焦于文字生成&归纳、代码编写、商用搜索、聊天机器人等几种主要应用场景，我们静态测算上述场景合计收入为1742亿美元；c)市场份额，目前英伟达数据中心GPU收入中，我们判断训练环节占比90%，推理环节占比10%左右，我们假定英伟达能够在训练、云端推理环节分别获得80%、60%市场份额，静态估算ChatGPT及相关生成式A1对英伟达潜在业绩贡献为：训练端12.3亿美元、推理端104.5亿美元。3)补充说明：我们的测算，更多出于实际可操作性考虑，并在前置条件做了较多简化处理，且更多基于当前芯片算力、模型参数、应用场景等静态情形，但全球A产业是一个快速变化的领域。动态的视角，模型参数规模、训练数据集规模、模型架构&工程实践优化，以及芯片、软件等层面的进步，都可能导致模型对算力需求的急剧增长，以及单次调用成本的大幅降低等。【风险因素：公司核心产品、技术演进速度不及预期风险；地缘政治冲突导致公司产品难以在全球市场自由流动风险；下游A!应用场景扩展不及预期风险；全球宏观经济波动导致企业、个人用户T支出不及预期风险；公司核心技术人员流失风险：全球游戏市场创新不及预期风险：全球自动驾驶进度不及预期风险：地缘政治冲突导致公司产品全球流通受阻风险等。】投资建议：考虑到短期量化测算准确性相对有限，启发性思考、方向性判断可能更为重要，我们暂不计入ChatGPT及A!相关算力消耗给公司中期带来的新请务必阅读正文之后的免责条款和声明2