生成式人工智能：半導體行業的下一個S曲線？

隨著ChatGPT和Sora等生成式人工智能（gen AI）應用席卷全球，對計算能力的需求正在飆升。半導體行業發現自己正接近一個新的S曲線——對于高管來說，一個迫切的問題是該行業是否能跟得上。

領導者們正在通過承諾大量的資本支出來擴大數據中心和半導體制造工廠（晶圓廠），同時探索芯片設計、材料和架構的創新，以滿足不斷發展的gen AI驅動的商業格局的需求。

為了指導半導體行業領導者度過這一轉型階段，我們制定了幾種gen AI對B2B和B2C市場影響的情景。每個情景都涉及對計算和因此晶圓的巨大需求增長。這些情景聚焦于數據中心，同時承認智能手機等邊緣設備的影響，但規模要小得多。

需求情景，來自麥肯錫的AI分析，是根據半導體行業可能提供的晶圓產量進行的，考慮到資本和設備等約束因素。即使更加雄心勃勃的情景也是有可能的，但是對數據中心所需的晶圓數量以及數據中心所需的能源供應的影響將使它們不太可能出現。

本文將討論高性能組件的預計晶圓需求，包括邏輯、內存、數據存儲芯片，以及為它們提供支持所需的晶圓廠的數量。擁有這些信息，行業利益相關者可以戰略性地規劃和分配資源，以滿足不斷增長的計算能力需求，確保未來幾年其運營的可伸縮性和可持續性。

生成式人工智能計算需求的組成部分對于人工智能和生成式人工智能應用需求的激增伴隨著與之成比例的計算需求增長至關重要。然而，對于半導體行業領導者來說，理解這種需求的起源以及生成式人工智能將如何應用是至關重要的。我們預計將會看到兩種不同類型的生成式人工智能應用：B2C和B2B用例。在B2C和B2B市場上，對于生成式人工智能的需求可以分為兩個主要階段：訓練和推斷。訓練通常需要大量的數據和計算資源。相比之下，推斷通常對于每個用例的運行需要更低的計算資源。

為了使半導體行業領導者能夠更好地應對這些市場的復雜性和需求，我們概述了B2B計算需求的六種用例原型及其相應的計算成本和同時生成的gen AI價值創造。

麥肯錫的分析估計，B2C應用將占大約70%的生成式人工智能計算需求，因為它們包括基本消費者互動（例如起草電子郵件）和高級用戶互動（例如從文本創建可視化內容）的工作量。預計B2B用例將占大約30%的需求。這些包括業務的高級內容創建（例如，生成市場材料）、解決客戶查詢或生成標準財務報告等用例。

跨行業垂直領域和功能的B2B應用可分為六種用例原型：

編碼和軟件開發應用程序，解釋和生成代碼 創意內容生成應用程序，編寫文檔和通信（例如生成營銷材料） 客戶互動應用程序，涵蓋自動化客戶服務的外展、查詢和數據收集（例如通過聊天機器人處理客戶查詢） 創新應用程序，為研發過程生成產品和材料（例如設計候選藥物分子） 簡化的摘要應用程序，使用結構化數據集總結和提取見解（例如生成標準財務報告） 復雜的摘要應用程序，使用非結構化或大型數據集總結和提取見解（例如在臨床圖像中合成MRI或CT掃描結果）

麥肯錫根據其價值創造和服務成本來定義這六個不同和復雜的B2B用例原型。通過定義服務成本和價值創造，決策者可以更熟練地了解B2B用例的具體情況，并在采用它們時做出明智的選擇。在核心，服務成本的分析包括訓練、微調和推斷成本。該分析還包括超大規模的基礎設施即服務（IaaS）邊際成本，其中包括計算硬件、服務器組件、IT基礎設施、能源消耗和估計的人才成本。通過諸如生產率改進和勞動力成本節約等指標，對生成式人工智能價值創造的評估。

生成式人工智能需求情景隨著組織應對采用生成式人工智能的復雜性，這些原型的戰略利用變得至關重要。gen AI采用的經濟模型、算法效率以及組件和系統級別的持續硬件進步等因素進一步影響了gen AI的采用和技術進步。三種需求情景——基礎、保守和加速——代表了對B2B和B2C應用的生成式人工智能需求可能的結果?；A情景是根據一系列必要假設進行的，例如持續的技術進步和快速采用，由能夠覆蓋gen AI訓練和推斷的資本和運營成本的商業模式支持。保守和加速采用情景代表了采用的上升和下降余地，分別。

麥肯錫的分析估計，到2030年，在基礎情景下，生成式人工智能的總計算需求可能達到25x1030 FLOPs（浮點運算），其中大約70%來自B2C應用，30%來自B2B應用。

B2C計算需求情景B2C計算需求受到與gen AI互動的消費者數量、他們的互動水平以及其計算含義的影響。具體來說，B2C推斷工作負載取決于每個用戶的gen AI互動次數、gen AI用戶的數量以及每個基本和高級用戶互動的FLOP。訓練工作負載取決于每年的訓練次數、gen AI模型提供者的數量以及不同gen AI模型的每次訓練運行的FLOP（例如2023年的最新模型，例如GPT-4，以及較小或較早的模型）。對于所有情景，公司能夠開發可持續的商業模型至關重要。

對于所有情景，公司能夠開發可持續的商業模型至關重要。

基礎采用。到2030年，預期的每日智能手機用戶的平均每天互動次數（每次互動是一系列提示）為基本消費者應用，例如起草電子郵件。另一個預期的平均數是高級消費者應用，例如創建更長的文本或綜合復雜的輸入文檔。通過使用當前的在線和基于應用程序的搜索查詢的數字，麥肯錫的分析估計互動次數約為預計的每日在線搜索查詢次數的兩倍（約280億）2030年。支持基本B2C情景的基本假設是穩定的技術進步、有利的監管發展以及不斷增長的用戶接受程度。

保守采用。此情景可能涉及消費者對數據隱私、監管發展的持續關注以及技術僅有漸進性改進，導致基本情況的互動次數減少一半。

加速采用。此情景表明對技術的高度信任和廣泛的用戶接受度。此情景的驅動因素可能是具有吸引力的新商業模式、快速的技術進步或有利的監管。例如，顛覆性的硬件架構將大大降低服務成本。此外，對軟件驗證過程的改進可能會顯著提高生成式人工智能解決方案的效率。諸如此類的因素可能會加速采用曲線，并導致2030年之前半導體行業中生成式人工智能實施的顯著增長。

生成式人工智能B2B需求情景生成式人工智能用例在B2B部門的采用受到半導體芯片供應的充分性和成本的顯著影響。企業必須能夠合理化其對計算基礎設施的投資，確保服務成本低于公司的支付意愿。對于這些B2B需求情景，麥肯錫的分析假設支付意愿對應于總價值創造的約20%。

在B2B用例的背景下，麥肯錫的分析表明，六種用例原型中只有五種對廣泛采用是經濟可行的。第六個原型，復雜摘要，預計由于與其成本相比的有限價值創造以及在分析復雜和非結構化數據輸入方面消耗大量計算資源，不會被廣泛采用。