................ 35 5.4 工程项目智慧成本测算.................................................................................................................. 37 5.4.1 智慧成本测算概述............................... .................. 37 5.4.2 智慧成本测算实现................................................................................................................ 37 5.5 工程图纸测算工程量................................ ................................................................................... 38 5.5.1 工程量测算概述.................................................................................................

因此，大模型 参数在十亿级以上发展并受限于优质数据集的增速是 AI 发展的必然趋势。 大模型增长挑战芯片算力和内存，无法实现完整端侧部署。大模型训练和推 理的三大瓶颈是算力、显存和通信，根据我们的测算，算力方面 GPT-3 训练 所需算力为 121528 TFLOPS，若 30 天内完成，需要 1558 颗 A100。内存角度， GPT-3 训练至少需要 3.2T 内存，至少 44 张 A100，推理任务则主要受显存限 8 表2： 大语言模型的计算 .................................................................... 9 表3： 大预言模型算力测算 ................................................................. 10 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 图12：算力计算公式 图13：近年推出的大预言模型有效算力比率 资料来源：NVIDIA，国信证券经济研究所整理 资料来源：NVIDIA，国信证券经济研究所整理 表3：大预言模型算力测算 A100 PCle H100 PCle 训练阶段算力需求测算 Tensor Float 32(TF32) 156TFLOPS 756TFLOPS 有效算力 78TFLOPS 378TFLOPS GPT-3 训练所需运算次数

（6）普惠金融贷款数据报送是否存在虚构小微企业主体套取政策红利的行 为？（比对工商登记信息与授信客户清单，结合企业经营与纳税数据等综合判 断， 比对清单和建立识别机制等） （7）绿色信贷项目环境效益测算是否取得第三方认证，资金使用是否与环 评报告保持一致？（审查绿色债券发行文件，追踪专项资金划付凭证） （8）集团客户授信集中度是否穿透至实际控制人关联企业，隐性担保是否 纳入风险敞口计算？ 不匹配的金融产品？（可通过调取销售录音录像、抽查宣传材料、检查客 户风险 评估报告及回访记录进行验证，重点关注高风险产品（如结构性存款、 私募类产 品）的销售话术，确认是否存在隐瞒关键信息或过度营销行为。） （15）结构性产品收益测算模型是否包含压力情景，销售人员是否混淆预 期 收益与保底承诺？（复核产品说明书精算参数，暗访抽查销售话术合规性） （16）代销保险产品犹豫期电话回访是否由非销售团队执行，客户放弃声 明 是否强 准列 支或疑似虚假报销行为） 4 、如何基于历史数据和当前市场环境预测流动性风险缺口？（基于历史 现 金流数据训练机器学习模型，模拟未来 30 天存款流失、贷款提前还款等场 景， 动态测算流动性覆盖率（LCR）的临界触发点） 5 、如何识别资产负债期限错配的隐蔽风险？（利用时序分析技术，可视 化 资产端（如贷款）与负债端（如同业存单）的剩余期限分布，预警超过监管 19 阈值

CUDA 文档，国信证券经济研究所整 理 资料来源：英伟达 CUDA 文档，国信证券经济研究所整 理 资料来源： CSDN ，国信证券经济研究所整 理 l 《 AI 大语言模型的原理、演进及算力测算》 l 训练阶段：考虑采用精度为 32 位的单精度浮点数数据进行训练和推理。 以 A100 PC le 芯片为例（ H100 PC le 芯片同理）， GPT-3 训练所需 运算次 数为：样本 105.95 亿美元 53.2 亿美元 AI 服务器相关 DGX A100 H100 单个服务器对应 GPU 数量 8 8 所需服务器数量 8.8 万台 1.8 万台 表：训练阶段算力需求测算过程及结论 GPU 相关 A100 PCl H100 PCl Tensor Float 32(TF32) 156TFLOPS 756TFLOPS 有效算力 78TFLOPS 378TFLOPS H100 单个服务器对应 GPU 数量 8 8 所需服务器数量 195 台 40 台 请务必阅读正文之后的免责声明及其项下所有内容 AI 大语言模型对于 GPU 算力需求测算（以 GPT-3 为 例） 表：推理阶段算力需求测算过程及结论 资料来源：英伟达官网，国信证券经济研究所整理及预测 资料来源：英伟达官网，国信证券经济研究所整理及预测 请务必阅读正文之后的免责声明及其项下所有内容 二、英伟达的

表态积极。而国产 终端如雷鸟、闪极等品牌亦积极推出相关产品，渗透率有望快速提升。 据Wellsenn XR预测，2029年销量有望达到5,500万副，渗透率约3.48%。 若按照一副1,500元进行测算，2029年AI眼镜市场规模约为825亿元。  算力需求仍将加大。近期微软、亚马逊、谷歌、Meta披露最新业绩，四 大科技巨头Q4资本开支合计同比大幅增长77%，主要支持云计算、AI等 基础设施 眼镜提供了较大的发展空间，据 Wellsenn XR 预测，AI 眼镜从 2025 年开始将会向传统眼镜快速渗透，预计 2029 年销量有望达到 5,500 万副，渗透率约 3.48%。若按照一副 1,500 元进行测算，2029 年 AI 眼镜市场规模约为 825 亿元。 图 35：全球近视眼镜、太阳眼镜销售量 电子行业深度报告 18 请务必阅读末页声明。 数据来源：《AI智能眼镜白皮书》，东莞证券研究所

“机械臂+操作优化模型”在各类生产操作场景中起到辅助移动 的作用，应用占比约为 33%。晶圆价格昂贵且易碎，所以各类生产设 备都须要搭载柔性夹爪或机械手来辅助操作，比如增广智能电动夹爪 基于模型预测算法，结合高刚性力传感器，控制处理频率高达 10,000Hz，可实现最高达±0.01N（1‰）的力控精度（图 7）；ABB 机器人的高精度和可靠性使工艺过程中的振动值小于 0.35G，减少了 硅 界面，用户快速创建深度学习应 用系统。满足视觉检测、分类、定位等应用需求。系统包含了四大项 26 目板块，分别为项目管理、样本标注、构建&训练&检测模型以及评估 模型。另外包含图像分割算法、图像分类算法、目标检测算法、单样 本检测、OCR 字符识别目标测量识别六大子功能板块，通过对图片、 字符进行训练建模准确的分割目标。 MasterpieceAI 系统运用最前沿的深度学习算法，在检测准确率 及精度上

分析后的结果。传统安防产业在产品、 技术与应用等多维度实现了更深层次的进化与变革。2、人工智能亦将 更加广泛地应用到智能制造行业中，机器视觉检测是 AI 技术在智能制 造中最好的落脚点之一，AI 图像增强技术、AI 缺陷检测算法等技术的 发展有望提升机器检测效率，从而逐步代替人工目检。 ◼ 投资建议： AI 产业链条长，各环节机遇频现，AI 应用的发展将是推动 产业链上下游共同繁荣的动力，相关标的梳理如下：1、终端品牌：传音 ： AI 图像增强技术等技术可以通过人工智能机器学习算法预处理图片，提升工业相 机拍摄照片或扫描出图像的对比度，降低图像噪点，增强图像边缘等，提升后续进一步 检测的准确度。 AI 缺陷检测算法则可针对消费电子类产品常见的压伤、凹凸、异物等各种缺陷完 成大量模型预训练。在具体项目中调用视觉检测平台时则可通过小样本训练检测技术， 使用 50-100 张图像数据构建适配项目需求的检测参数，具有灵活性的特点，可以快速部

括：时间维度 上，利用 AI 训练、大数据分析等可中断负荷参与需求响应；空间维 度上，通过“算力漫游”实现跨区域资源调配；能效维度上，采用液 冷、余热回收等技术提升能源利用效率。国网能源研究院测算，全国 数据中心可调节潜力相当于当前电网灵活调节资源的 15%。 市场协同层面，构建电算融合的交易机制。包括绿电直供（如腾 讯与华能合作的分布式风电项目）、容量补偿（对参与调度的算力企 业 20%；此外应用该模式通过动态算力调度与电力供应 的精准匹配，将算力系统的平均故障间隔时间提升 40%，关键业务连 续性保障能力显著增强；依托智能负荷预测算法，电力资源利用率从 68%提升至 85%，有效降低电网峰谷差；在绿电消纳方面，实现年度 绿电占比达 75%，超额完成区域碳减排目标，经测算每年可减少二氧 化碳排放超 12 万吨；同时，通过错峰用电策略与电力市场交易优化， 企业综合用电成本同比下降 18%，实现经济效益与环境效益的双重

端）在城市中 快速移动时，会从一个波束覆盖区域进入另一个波束覆盖区域。 基于信号噪声比的切换算法会实时监测移动终端接收到的信号噪 声比，当该值低于某个阈值时，触发切换流程。同时，结合位置 预测算法，根据移动终端的历史移动轨迹和当前速度、方向等信 息，预测其即将进入的波束区域，提前做好切换准备，从而在毫 秒级时间内完成波束间切换，确保用户的通话、视频播放等业务 不中断。​  卫星间切换：由 现出以下几个重要 的发展方向：  基于机器学习的信道状态预测：非平稳信道是卫星互联网网络面 临的主要挑战之一，传统的测量方法难以实时准确地反映信道的 33 变化。基于机器学习的信道状态预测算法，通过对历史测量数据 的学习和分析，建立信道状态的预测模型，能够提前预判链路质 量的变化。这为路由调整、资源分配等网络优化操作提供了前瞻 性的支持，有助于提高网络的性能和可靠性。  分布 测量数据的价值不仅体现在实时监控上，更重要的是为网络优化 提供支持。通过对大量测量数据的大数据分析，能够构建网络性能预 测模型，实现对网络拥塞等问题的预警，并提前进行资源预分配。同 时，异常检测算法能够快速识别网络中的异常情况，为故障定位和排 除提供量化依据，推动卫星互联网网络从“被动运维”向“主动管理” 转型。 4.7 仿真与验证技术 卫星互联网承载网的部署成本高昂，且一旦部署后修改难度极大，

础大模型。  人形机器人产业目前尚处于产业化初期，面临着生产成本高昂等诸多制约因素，但正在快速改善。据高盛测算，单台人形机器人的制造成本已从去年50000 -250000美元降至30000-150000美元之间，降幅达40%。 中国人形机器人市场规模预测（亿元） 人形机器人成本测算（千美元） 27.6 104.71 750 3000 0 500 1000 1500 2000