AI 模型復雜度快速提升，拉動算力需求快速增長。AI 模型從最早2012 年(AlexNet)問世以來，深度和廣度一直在逐級擴升。作為目前最大的語言模型之一，2020 年發布的GPT-3 使用了1750 億個參數，是其前代的100 多倍，微軟和英偉達共同開發的 Megatron-Turing-NLG 模型參數量則達5300 億。據中國信通院撰寫的《中國算力發展指數白皮書》，過去10 年用于AI 訓練模型的計算資源激增，AI 訓練的計算復雜度每年猛增10 倍，人工智能計算已成為主流的計算形態，全球智能算力規模(換算為FP32)將由2021 年232EFlops 快速增長至2030 年的52.5ZFlops，期間CAGR 超過80%。

TrendForce 預計2026 年全球AI 服務器出貨量約20 萬臺。TrendForce 表示，在AIGC、自動駕駛、AloT、邊緣計算等新興應用帶動下，諸多大型云廠商加大AI 相關基礎設施建設，預計搭載GPGPU(GeneraPurpose GPU)的AI 服務器2022 年出貨量僅占整體服務器市場的1%，并有望在2026 年增長至20 萬臺，2022-2026 年CAGR 為10.8%。據TrendForce 統計，2022 年AI 服務器采購占比以北美四大云廠商為主，微軟、Google、Meta、AWS 合計貢獻66.2%，國內則以字節跳動投入最為積極，占比6.2%。

不同類型的服務器成本結構存在差異，芯片成本占比隨服務器性能提升而升高。

服務器本質是計算機，核心硬件包括CPU、以GPU 為代表的加速卡、內存、硬盤、網卡、電源、主板等。其中以CPU 和GPU 為代表的算力芯片是服務器主要成本項，占比隨著服務器性能的提高而逐漸上升。綜合華經情報網和ARK數據，芯片成本在普通服務器中約占總成本的32%，而用于機器學習的服務器因通常搭載多卡高性能GPU 導致芯片成本占比迅速提升至83%。

AI 服務器和普通服務器之間的區別在于其硬件配置和使用方式。AI 服務器用于處理深度學習工作負載的海量數據，包括需要大內存容量、高帶寬和整體系統內緩存一致性的訓練和推斷。相較于普通服務器，AI 服務器新增多張高性能加速器(絕大部分為GPU)，擁有更高的計算能力、更快的處理速度和更大的存儲空間，以支持高負載和復雜的計算任務。

隨著GPU 向A100 向H100 升級迭代，AI 服務器有望迎來量價齊升。根據英偉達官網，相較于前代A100.H100 綜合計算性能提高6 倍，得益于：1)采用第四代 Tensor Core 和具有 FP8 精度的 Transformer 引擎，持續優化大模型訓練和推理表現;2)升級第四代NVLink，提供高達 900 GB/s 的 GPU 與 GPU之間互連;3)更高的顯存帶寬。我們認為，隨著價格更高的H100 在今年陸續出貨，AI 服務器市場將在今年迎來持續量價齊升?；诖?，我們看好在算力芯片、服務器代工、內存等關鍵領域具有卡位優勢、產品競爭力較強的公司，建議關注：

1.算力芯片

2.服務器代工

3.存儲：北京君正、兆易創新、瀾起科技等

永芯易小編也提醒大家目前AI大部分公司還在探索階段，如果是投資應該注意投資風險。