2024SORA模型算力空间测算、国产算力生态现状及AI算力受益厂商分析报告（42页）.pdf

1、2 0 2 3 年深度行业分析研究报告目录301 SORA横空出世，算力需求倍增02 全球算力架构升级战已打响03 国产算力生态崛起04 投资建议:梳理AI算力相关受益厂商01SORA横空出世，算力需求倍增41.1 大语言模型、文生图、文生视频加速演进大语言模型(LLM)：LLM是一种利用机器学习技术来理解和生成人类语言的人工智能模型。LLM 使用基于神经网络的模型，通常运用自然语言处理(NLP)技术来处理和计算其输出。我们判断GPT3、GPT3.5皆为大语言模型，GPT在此基础上引入了多模态。文生图：与大预言模型不同，多模态可以根据文字描述创建原创、逼真的图像和艺术作品。它可以组合概念、属性

2、和样式，我们认为文生图功能对于传统图型生成工具具有颠覆性。文生视频：多模态人工智能技术实现了从AI文生图到AI文生视频的跨越，实为解放生产力的双手，我们认为其功能颠覆 摄影、传媒、电影制作等行业，例如Gen2。SORA推开新世界的大门，文生视频加速演进：OpenAI 2月16日凌晨发布了文生视频大模型Sora，它能够仅仅根据提示词，生成60s的连贯视频，“碾压”了行业目前大概只有平均“4s”的视频生成长度。5资料来源：Open AI官网，Runway官网，华西证券研究所主流模型多模态加速演进(从左到右分别是GPT-4、DallE2、Gen2、Sora)1.1 大语言模型、文生图、文生视频加速演

3、进Transformer架构是AI向生成式跨越的重要一步：是一种采用自注意力机制的深度学习模型，这一机制可以按输入数据各部分重要性的不同而分配不同的权重。我们判断其广泛应用于大语言模型中(LLM)，例如ChatGPT系列中。Transformer模型旨在处理自然语言等顺序输入数据，可应用于翻译、文本摘要等任务。注意力机制可以为输入序列中的任意位置提供上下文。文生图的基础采用的是Stable Diffusion架构：Stable Diffusion架构是一种自回归模型，基于扩散模型，因此训练和推理代价都很高。它主要用于生成以文本描述为条件的详细图像，但它也可以应用于其他任务，例如修复、外绘以及在

4、文本提示引导下生成图像到图像的翻译。首先需要训练好一个自编码模型，然后利用编码器进行压缩，然后在潜在表示空间上做diffusion操作，最后再用解码器恢复到原始像素空间即可，整个流程类比物理学中的“扩散”。6 Transormer架构(左图Encoder，右图Decoder)Stable Diffusion原理图1.2 SORA震撼发布，彻底颠覆文生视频领域Stable Video Diffusion是文生图到文生视频的跨越：Stable Video Diffusion 的核心思想是将视频生成任务分解为两个阶段。首先，它使用扩散模型将随机噪声逐步转化为与输入图片相似的图像。这一阶段是通过逐步添

5、加细节来完成的，类似于将一张图片逐渐“放大”。然后，在第二个阶段，该方法使用一个条件变分自编码器（cVAE）将生成的图像序列转化为视频。cVAE 是一种生成模型，能够学习数据分布的特征，并根据特定条件生成新的数据样本。SORA震撼发布，彻底颠覆文生视频领域：而SORA模型根本区别在于，可以理解成是一种融合Transformer模型与Stable Diffusion的一种模型，通过Transformer原理的编码器-解码器架构处理含噪点的输入图像，并在每一步预测出更清晰的图像版本。GPT-4被训练于以处理一串 Token，并预测出下一个 Token。SORA 不是预测序列中的下一个文本，而是预测

6、序列中的下一个“Patch”。7 Stable Video Diffusion效果图SORA与其他主流模型比对1.2 SORA震撼发布，彻底颠覆文生视频领域SORA具有划时代文生视频的大模型：SORA将可视数据转换成数据包(patchs)，大语言模型通过token将各种形式的文本代码、数学和自然语言统一起来，而SORA则通过视觉包(patchs)实现了类似的效果。从宏观角度来看，首先将视频压缩到一个低维度的潜在空间：这是通过对视频进行时间和空间上的压缩实现的。这个潜在空间可以看作是一个“时空包”的集合，从而将原始视频转化为这些包。我们判断SORA模型的出现，算力需求有望呈现几何倍数的递增：我们