AIGC芯片产业发展报告.pptxVIP

AIGC芯片产业发展报告01算力规模未来高速增长，AIGC拉动算力需求AIGC以大模型、大数据为基础。大模型是指通过在大规模宽泛的数据上进行训练后能适应下游任务的模型，大模型出现后：?模型参数量级式提升：ChatGPT是OpenAI对其2020年发布的GPT-3模型微调后开发出的对话机器人，GPT-3模型参数量1750亿，2018年6月推 出的GPT-1、2019年2月推出的GPT2模型参数量仅1.17亿、15亿，2021年1月Google推出的SwitchTransformer模型参数量进一步提升到1.6万亿。?需求多元化加速算力多样化升级：算力按照需求匹配，可分为基础算力、智能算力及超算算力。未来，全球扩增的数据中80%以上都是非结构 化数据（文本、图片、语音、视频等）。AIGC中的生成式模型/多模态，主要为对智能算力的需求。图：2018年来大规模语言模型参数增长趋势图：AIGC对智能算力具备强需求6资料来源：研究所资料来源：澎湃，研究所01算力规模未来高速增长，AIGC拉动算力需求?全球算力高速发展态势：2021年，全球计算设备算力总规模达到615EFlops，增速44%。2030年，有望增至56ZFlops，CAGR达到65%，其中智能 算力由232EFlops增至52.5ZFlops，CAGR超过80%；?算力翻倍时间明显缩短：大模型出现后，带来了新的算力增长趋势，平均算力翻倍时间为9.9个月。图：全球算力规模及增速 资料来源：中国信通院，研究所图：不同机器学习时代的算力增长趋势资料来源：ComputeTrendsAcrossThreeErasofMachineLearning，研究所7022.1算力提升，散热需求升级算力提升的背后，芯片必须具备更高计算效率，在更短时间内完成更多运算，因而必然伴随芯片能耗的加大：ODCC《冷板式液冷服务器可靠性白皮书》信息，2022年Intel第四代服务器处理器单CPU功耗已突破350瓦，英伟达单GPU芯片功耗突破700瓦，AI集群算力密度普遍达到50kW/柜。 图：高算力带来高性能 95% 添加标题 资料来源：紫光集团，研究所 9022.1算力提升，散热需求升级芯片工作温度会显著影响性能，功率密度的增加使芯片的热流密度显著升高使芯片温度升高。传统芯片中，用于冷却的体积占98%，只有2%用于计算运行，但是依然很难解决现在存在的散热问题，随着芯片性能的持续快速提升，散热问题将愈加突出。 图：工作温度会显著影响芯片性能 添加标题 资料来源：《基于大功率密度热源的芯片级微流道散热技术研究》，研究所 10022.2散热向芯片级演进趋势散热设备越来越贴近芯片等核心发热源是重要趋势，未来散热预计将从房间级、机柜级、服务器级向芯片级演进，通过散热部件与芯片表面直接接触实现更好的芯片散热。95%添加标题图：散热设备越来越贴近发热源资料来源：阿里巴巴，研究所11022.3采用更加高效的冷却介质而在冷却介质的选择上，也进一步趋于选择冷却效率更好的冷却介质。CDCC数据，液体的导热性能是空气的15～25倍，随着热密度的提升，液冷有望替代风冷实现更高效散热。英特尔《绿色数据中心创新实践--冷板液冷系统设计参考》白皮书信息，采用风冷的数据中心通常可以解决12kW以内的机柜制冷，机柜功率超过15kW，相对于现有的风冷数据中心，已经到了空气对流散热能力的天花板，液冷技术作为一种散热能力更强的技术，可以支持更高的功率密度。表：液体冷却介质表：空气和液体导热能力对比液体冷却介质两相（在吸热和放热过程中会 发生气液两相转换的液体）单相（在整个运行过程中保持单一液态的冷却工质） 水基非水基 配方液：以纯水为溶剂，添加缓通过液体的气化潜热吸收热量，纯水液：以纯水为溶剂，不添蚀剂、杀生剂等，并依据耐零下一般为沸点不低于水的氢氟醚、在循环中形成携带热量的两相加任何其他材料或只依据耐零温度需求添加一定比例全氟碳等介电液体或矿物油，流。两相冷却工质通常是介电 下温度需求添加一定比例（0%~60%）防冻剂构成，使用使用时需在浸润材料兼容性上液体或冷媒 （0%~60%）防冻剂构成；时需要定期取样检测添加剂状况应进行严格审查和测试 需要配合工质纯化模块使用资料来源：CDCC，研究所资料来源：腾讯，蓝色大脑，研究所12022.4PUE趋严，进一步要求散热效率温控系统能耗占数据中心非IT能耗的80%，温控系统的能耗是PUE是否能降低到合理水平的关键因素之一。双碳背景下，PUE要求持续趋严。东数西算数据中心集群起步区建设目标：京津冀、长三角、粤港澳大湾区、成渝节点的起步区数据中心电能利用效率指标控制在1.25以下，内蒙古、贵州、甘肃、宁夏节点的数据中心电能利用指标控制在1.2以下。表：各地PUE政策图：数据