模型深度

3 秒看懂

模型深度（Model Depth）指将单体超大模型拆解为多个模块，分布式部署在终端设备、边缘节点、云端数据中心上协同完成推理计算，形成“链-云”协同的深度计算范式。其核心逻辑是“不同层级的计算任务，在最适合的算力层级上完成”。

用户感知到的体验是：手机上的智能助手响应更快、自动驾驶汽车能在断网时依然做出紧急避让、工厂的质检摄像头无需把每一帧画面都传回云端——这些背后，是模型深度技术在调度算力、分配任务、压缩通信。

3 分钟产业解释

当大模型参数量突破千亿甚至万亿级别，单个设备根本无法容纳，传统“一切上云”的方案也面临延迟过高、带宽成本飙升、隐私合规趋严三重压力。模型深度技术解决的正是在“终端—边缘—云端”三级计算体系之间，把一个大模型切成若干段，让每一段跑在最合理的硬件上。

产业逻辑：大模型时代，算力供给从“集中式”走向“分布式协同”。终端负责低延迟感知与隐私脱敏（如人脸关键点提取而非原始图像上传），边缘负责局部聚合与实时决策（如产线缺陷初筛），云端负责全局推理与复杂长尾任务（如跨区域交通调度优化）。整条链路的性能瓶颈不在单一节点的算力，而在节点间的通信带宽、延迟抖动和调度策略。

商业价值：对云厂商而言，模型深度意味着可以售卖“端边云一体化”的解决方案而非单纯的计算实例；对芯片厂商而言，倒逼其设计从云端训练芯片延伸到边缘推理芯片、终端NPU的全场景产品线；对应用方而言，有望将大模型推理成本降低30%–60%（来源：英伟达2023年GTC公开演讲中引述的行业估算，具体数值因场景差异较大），同时满足数据不出本地的合规要求。

与相近概念的区分：模型深度常与“分布式推理”“联邦学习”“边缘计算”混用。关键区别在于——分布式推理侧重同一层级多卡并行；联邦学习侧重数据不出本地、模型聚合；边缘计算侧重将计算下沉。模型深度则强调跨层级的模型按结构切分与流水线协同，是上述技术理念在超大模型场景下的融合升级。

技术原理

分层卸载与流水线并行

将一个Transformer架构的大模型按层（Layer）或按模块（Attention、FFN等）切分，前若干层部署在终端，中间层部署在边缘服务器，后端复杂层部署在云端。推理时，数据依次流经三级节点，形成一条计算流水线。

以一个96层的GPT风格模型为例：第0–11层在终端执行（利用手机NPU），第12–47层在边缘服务器（利用边缘AI加速卡），第48–95层在云端GPU集群完成。终端只将第11层的输出特征（而非原始数据）传给边缘，边缘再将第47层输出传给云端。这种设计使得终端侧数据不发生原始外泄，同时将传输数据量从“原始输入”压缩为“中间层特征”，理论上可减少90%以上的上行带宽消耗（具体压缩率取决于中间层维度设计，来源：MLSys 2022会议中多篇分布式推理论文的公开实验结果区间）。

模型分割与自适应压缩

不是所有层都适合切分。注意力层涉及全局依赖，切分后跨节点通信开销较大；前馈网络层（FFN）相对独立，切分更自然。产业实践中通常采用“混合切分策略”：在注意力层保持较小跨节点通信，在FFN层做大粒度卸载，并配合量化（INT8/INT4）、剪枝、知识蒸馏等手段，为不同硬件定制轻量子模型。

自动化搜索最优切分方案是一个关键技术方向。学术界与产业界探索用神经网络架构搜索（NAS）或强化学习，在“精度损失—通信量—延迟”三维空间中找到帕累托最优解。谷歌在2023年发表的论文中披露，针对PaLM模型的切分搜索可在数千个候选中自动收敛到近似最优方案（来源：arXiv预印本，2023年），但该技术尚未形成标准化工具链。

协同调度与运行时系统

切分方案确定后，运行时系统需要在毫秒级完成“这条推理请求现在该在哪儿算”的决策。调度算法需综合考虑：当前各节点的计算负载、网络延迟与抖动、任务实时性要求、能耗约束。

主流技术路径包括：基于规则的启发式调度（工程化成熟，灵活性有限）、基于代价模型的动态规划（需要精确建模，建模本身是难点）、基于学习的自适应调度（泛化能力待验证）。产业实践中，华为昇思MindSpore的分布式推理框架采用了“静态切分图+动态调度策略”的混合方案；英伟达Triton推理服务器则通过模型并发执行与动态批处理优化跨节点吞吐。

通信原语与异步机制

跨节点通信是模型深度的核心工程瓶颈。以传输4K视频的中间层特征为例，若特征维度为4096，每秒30帧，则带宽需求约为4096 × 4字节（FP32）× 30 ≈ 480 MB/s，对边缘到云的链路形成持续压力。优化手段包括：使用RDMA（远程直接内存访问）绕过内核协议栈降低延迟；采用梯度压缩/稀疏化技术减少通信量；设计异步推理流水线，在等待远程结果时不阻塞本地计算。

值得关注的是，2023年以来，基于RDMA over Converged Ethernet（RoCE）的高速网络方案开始在部分云厂商的分布式推理集群中部署，据公开技术博客披露，可将其节点间通信延迟降至微秒级（具体数值因网络拓扑差异较大，未形成行业统一基准）。

关键参数

评估模型深度方案优劣，需综合以下维度：

此外，总拥有成本（TCO） 是产业决策的核心考量：模型深度是否真的比“升级单台服务器”更经济？这取决于模型规模、推理负载、网络成本三者的动态关系，目前缺乏第三方权威测算。英伟达在2023年公开材料中给出了部分场景的TCO对比案例，但其假设条件（自研NVLink互联、GPU高利用率）不一定适用于通用场景。

技术路线

当前产业界在模型深度方向存在三条主要技术路线，它们在切分粒度、调度策略、生态开放性上有明显分野。

路线一：芯片—互联—框架全栈垂直整合

代表：英伟达（GPU + NVLink/NVSwitch + Triton/TensorRT）、华为（昇腾 + HCCS互联 + CANN/MindSpore）。该路线的优势是硬件—通信—软件高度协同优化，在极致性能场景（超大模型、低延迟）中优势明显。代价是技术栈封闭或半封闭，客户被深度绑定。英伟达2023年发布的GH200超级芯片将CPU与GPU通过NVLink-C2C互联，片间带宽达900 GB/s，本质上是将模型深度中的“跨节点通信”优化提前到芯片级设计。

路线二：开放框架+多云适配

代表：PyTorch（分布式推理API）+ 通用云基础设施（AWS、Azure、阿里云等）。该路线强调框架层的通用性，模型切分与调度策略由开发者自行定义，底层硬件可以是各类GPU/NPU。优势是灵活、不被单一供应商绑定；劣势是性能优化需要大量人工调参，难以达到垂直整合方案的极致效率。Meta在2023年开源的Llama 2推理代码中展示了基于PyTorch FSDP的分布式推理参考实现，可供行业参考。

路线三：模型即服务（MaaS）封装

代表：OpenAI（GPT-4 API）、百度（文心大模型API）、阿里云（通义千问API）。该路线将模型深度的底层复杂性完全封装在API背后，用户无需关心模型如何切分、调度、通信，只需调用接口。这是商业化落地最快的方式，但用户丧失了对推理延迟、数据流向、成本结构的透明度与控制力。

三条路线并非互斥。产业实践中，大型企业可能自建路线一或路线二；中小企业更多采用路线三。未来趋势是MaaS层向下兼容多芯多云，垂直整合方案向上提供标准化API，路线边界逐渐模糊。

上游

模型深度产业链上游的核心供给包括算力芯片与高速互连两大类。

算力芯片

芯片是模型深度的物理底座，按部署位置分为三个层级：

• 云端AI芯片：用于执行大模型后端复杂层推理。主要供应商为英伟达（A100/H100，2023年占据全球数据中心AI芯片出货量约80%–90%的份额，来源：IDC 2023年估算报告）、AMD（MI300X系列）、英特尔（Gaudi系列）。国内供应商包括华为昇腾910B（2023年量产，公开性能指标对标A100）、寒武纪思元系列、壁仞科技BR100系列。2024年以来，受出口管制影响，国产云端AI芯片的采购需求快速上升，但产能爬坡与软件生态适配仍是瓶颈，公开数据未见国产芯片在模型深度场景下的大规模商用评测。

• 边缘AI芯片：用于边缘服务器或网关设备，执行模型中间层推理。要求兼顾算力与功耗（典型TDP 10–75W）。主要供应商包括英伟达Jetson Orin系列、高通Cloud AI系列、华为昇腾310/710系列、寒武纪边缘MLU系列、地平线征程系列。据IDC 2023年边缘AI芯片市场报告，英伟达与华为合计占据中国市场约50%的份额（具体份额因季度波动）。

• 终端NPU：嵌入手机、汽车、摄像头等终端设备，执行模型前端浅层推理。主要供应商为高通（骁龙移动平台AI Engine）、联发科（天玑APU）、苹果（A/M系列Neural Engine）、华为（麒麟NPU）。2023年，全球智能手机NPU渗透率已接近100%（中高端机型标配），单芯片AI算力从2019年的1–5 TOPS提升至2023年的20–50 TOPS（来源：各厂商产品公开参数）。

高速互连

跨节点通信依赖高速网络设备与互连技术，是模型深度的关键使能技术。

• 芯片间互连：英伟达NVLink/NVSwitch（H100单GPU支持900 GB/s的NVLink带宽）、华为HCCS（昇腾集群互连）、AMD Infinity Fabric。这些技术决定了同一节点内多卡通信的上限。

• 节点间网络：数据中心内节点间互连主要采用InfiniBand（英伟达Mellanox产品线）或高速以太网（RoCE）。光模块是网络物理层核心器件，速率从100G向400G/800G演进。中际旭创、光迅科技、新易盛等国内厂商在400G/800G光模块市场占据全球重要份额（据LightCounting 2023年报告，中际旭创在2022年全球光模块市场份额约10%，排名前列）。

• 边缘—云长距网络：依赖运营商5G/专线网络。5G网络的理论时延可低至1ms（URLLC场景），但实际商用网络中边缘至云的端到端延迟通常在10–50ms量级，是模型深度在低延迟场景（如自动驾驶）中的关键约束。

下游

模型深度的下游应用场景正在快速分化，从“能用”走向“好用”。

自动驾驶与智能座舱

这是对模型深度技术要求最苛刻的场景。车辆需要在毫秒级完成感知—决策—控制的闭环，云端大模型无法保证实时性，终端芯片算力又无法承载完整模型。典型的模型深度方案：车载芯片（英伟达Orin/Thor、高通Snapdragon Ride、地平线征程）执行感知模型前端特征提取与紧急避险决策；路侧边缘服务器负责局部交通态势聚合；云端负责高精地图更新、全局路径规划与罕见场景（Corner Case）训练。特斯拉在2023年AI Day公开了其Dojo超算与车载FSD芯片的协同架构思路；百度Apollo在2023年公开资料中披露了“车路云”三级协同方案在示范区的落地进展。

智能制造与工业质检

产线视觉质检是模型深度的典型应用：端侧摄像头运行轻量检测模型做实时初筛（“这件产品大概率有缺陷”），边缘服务器运行中等规模模型做二次确认（“缺陷类型是划痕还是气泡”），云端大模型处理复杂疑难样本并持续更新模型。据中国信通院2023年发布的工业智能白皮书引述，部分电子制造企业应用此方案后将质检误报率降低20%–40%，云端算力成本降低30%以上（具体企业名称和精确数据未公开披露）。

智慧医疗

终端可穿戴设备采集心电、血氧等信号并运行轻量异常检测模型；边缘网关在院内或社区汇聚多患者数据做初步诊断辅助；云端大模型提供复杂病例的鉴别诊断与治疗方案建议。该场景对数据隐私要求极高，模型深度与联邦学习、可信执行环境（TEE）技术结合紧密。2023年，国家卫健委发布的智慧医疗相关政策文件中鼓励探索“云边端协同”的AI辅助诊断模式，但大规模商用仍需解决医疗器械认证、数据确权等法规问题。

智慧城市与安防

城市级视频监控网络中，每路摄像头端侧完成人/车/物基础检测与特征编码；边缘节点（通常部署在派出所或区域机房）完成多路视频汇聚、轨迹关联；云端完成跨区域搜索、行为分析与预测。海康威视、大华股份等安防龙头在2022–2023年财报中均提及“云边融合”“物信融合”等战略方向，其前端摄像头已普遍内置NPU模块，可在本地运行深度学习模型。

消费电子与智能助手

手机语音助手、PC端AI助手是模型深度最贴近大众的应用。苹果在2023年WWDC上展示了设备端大语言模型的初步能力；高通在2023年骁龙峰会上演示了在手机上运行百亿参数模型（通过INT4量化与终端NPU加速），未联网状态下可完成文本摘要、图片生成等推理。这一方向被认为将驱动2024–2025年终端AI芯片需求的显著增长（来源：Counterpoint 2023年预测报告，具体增速预测见下文市场规模部分）。

受益公司

以下梳理基于公开产业链信息，仅客观呈现各公司在模型深度技术栈中的角色与公开进展，不构成任何形式的评价或建议。

上述信息均来自各公司财报、产品发布、公开技术博客及行业会议，部分进展的具体技术参数和商业数据以公司最新披露为准。

市场规模

模型深度直接拉动AI芯片、高速互连、分布式推理软件三类市场，并间接推动云服务和边缘基础设施增长。

• 全球AI芯片市场：据Gartner 2023年报告（2023年Q4发布），2023年全球AI芯片市场（含云端、边缘、终端）规模约为540亿美元，预计到2027年将增长至约1200亿美元，年复合增长率约22%。其中，边缘与终端AI芯片增速高于云端，2023–2027年复合增速预计在25%–30%。

• 中国AI芯片市场：据IDC中国2023年测算，2023年中国AI芯片市场规模约120亿美元（约合人民币850亿元），其中云端约60亿美元、边缘约25亿美元、终端约35亿美元。国产芯片在云端市场占比约10%–15%（受出口管制影响，2023年后该比例有望提升，但精确数据公开资料未见）。

• 高速光模块市场：据LightCounting 2023年报告，2023年全球光模块市场规模约120亿美元，其中800G及以上速率光模块约10亿美元，预计2027年整体市场达200亿美元，高速光模块占比快速提升，核心驱动力是AI数据中心互连需求。

• 边缘AI基础设施市场：据Frost & Sullivan 2023年预测，2023年全球边缘AI服务器与网关市场约80亿美元，2027年预计达200亿美元。中国市场因“东数西算”与工业智能化政策推动，增速预计高于全球均值（公开资料未见精确区域增速对比）。

• 模型推理服务（MaaS）市场：这是模型深度的直接变现层。据Fortune Business Insights 2023年估算，全球AI推理即服务市场2023年约200亿美元，2030年将达1000亿美元以上，年复合增速约25%–30%。需要指出，该数据口径宽泛，包含传统AI推理，并不专指大模型分布式推理，实际可归属于模型深度的细分市场尚未有权威第三方测算。

对中国市场的综合判断：2023年，与模型深度直接相关的芯片、网络硬件、推理平台市场合计约人民币1200–1500亿元（综合IDC、中国信通院公开数据估算，口径包含云端/边缘/终端AI芯片、高速光模块/交换机、AI推理云服务费用）。预计2026年可达3000–4000亿元。增长取决于国产AI芯片产能释放、5G-A/6G网络商用节奏、以及端侧大模型应用的渗透速度三个核心变量。

玩家对比

将模型深度产业链上的主要竞争者按其战略模式分为四类，横向对比其优劣势。

*注：中国云端AI芯片市场份额数据中，英伟达占比因出口管制存在统计口径差异，华为国产芯片占比指“国产替代”市场中的份额。上述数据来源于IDC 2023年半年度跟踪报告及公开市场估算，具体精确值以IDC付费报告为准。

除上述四家全栈玩家外，微软/OpenAI组合以强大的大模型能力+Azure云服务向下游渗透，但在芯片和框架层依赖英伟达和PyTorch，是“模型深度”能力不完整但商业化最成功的玩家。AWS与阿里云定位类似，走“自研芯片+开源框架+开放生态”路径，灵活性高但全栈协同深度不如英伟达与华为。创业公司层面，寒武纪/壁仞科技在芯片端、第四范式在AI平台端各自寻求在细分环节的突破，公开资料未见其在模型深度全栈能力上的布局。

风险

技术风险

通信瓶颈难解：模型深度对带宽和延迟敏感。在自动驾驶、远程手术等超低延迟场景，边缘到云的通信延迟即便在最优条件下也受物理距离约束（光速限制）。5G理论延迟1ms，但实际端到端延迟受基站、核心网、互联网交换等多跳影响，公网中10–50ms是常态（来源：中国信通院2023年5G网络质量监测报告）。这对需要毫秒级响应的场景构成硬约束。

调试与可观测性困境：当模型被切成十几段跑在不同厂商的硬件上，问题定位变得极其困难。到底是终端特征提取出错，还是边缘的中间层计算溢出，还是云端模型本身hallucination？目前没有统一的跨层级追踪工具链，各厂商日志格式、接口标准不一，运维成本被严重低估。

标准化缺位：模型切分格式、跨节点通信协议、性能基准测试均无行业统一标准。这导致A厂商的终端模型无法跑在B厂商的边缘服务器上，客户面临多供应商绑定风险，生态碎片化制约规模效应。

商业风险

TCO优势未经验证：模型深度是否比“买更高算力的服务器集中部署”更省钱，缺乏独立第三方的大规模实测。英伟达等厂商的优化案例基于自有硬件和网络，推广至混合厂商的现实环境后，通信开销、调优成本可能远超预期。

商业模式仍在验证：模型深度带来的价值（低延迟、隐私合规、离线可用）目前主要在特定场景有刚性需求（车、医疗、军工），在更广泛的企业市场，客户是否愿意为“端边云协同”支付溢价，仍需时间检验。2023年以来，部分云厂商推出“边缘+云端”推理套餐，但公开资料未见大规模付费采纳的数据披露。

出口管制与供应链风险：高端GPU对中国市场的供应受限（2023年10月美国商务部进一步收紧出口规则），直接冲击依赖英伟达芯片构建的模型深度系统的可持续性。国产替代存在性能差距（公开基准测试中，2023年国产GPU在单卡算力上接近A100，但大规模集群互联效率差距显著，软件生态迁移成本高），短期内将制约中国市场的部署规模。

伦理与法律风险

责任归属模糊：当模型深度系统在终端、边缘、云端三级协同下做出错误判断并导致损害——例如，自动驾驶事故发生在“云端模型建议变道但边缘执行模块未及时响应”的情况下——责任在整车厂、边缘设备商还是云服务商，法律层面尚无明确界定。2023年国内外均出现了相关法律讨论，但尚无成文法或指导性判例。

隐私攻击面扩大：模型深度虽然减少了原始数据上传，但中间层特征仍包含可被逆向工程还原的信息。研究表明，利用模型反演攻击可从中间层特征中重建部分原始输入（来源：IEEE S&P 2022、Usenix Security 2023公开论文）。在金融、医疗等高度敏感场景，这构成实质性隐私风险，需要联邦学习、差分隐私、可信执行环境等技术叠加防护。

误读纠偏

误读一：“模型深度等于边缘计算”

纠正：边缘计算泛指将计算下沉到网络边缘，模型深度特指大模型按结构跨层级的分布式协同。边缘计算可以在终端完成整个小模型的推理，这与模型深度的“流水线切分”逻辑不同。模型深度必须包含跨层级的模型分割与通信调度。

误读二：“切得越细越好”

纠正：过度切分会引入过多通信节点，反而增加延迟和出错概率。最优切分点取决于模型结构、通信带宽、各节点算力的匹配关系。产业实践中，切分为3–5段的方案（端-边-云各1–2段）最为常见，极少见到超过10段的商用部署（来源：公开技术博客与产品文档的不完全统计，学术研究中存在更细粒度的实验）。

误读三：“模型深度可以完全替代云端推理”

纠正：模型深度是云边端的协同，云端仍然承担最复杂层和大模型版本更新的关键角色。它不是“去云端化”，而是“云端能力向下延伸”。在某些弱网或离线场景，边缘或终端可以降级运行简化模型，但这被视为兜底策略而非常态。

误读四：“有了模型深度，终端硬件要求就低了”

纠正：恰好相反。模型深度要求终端至少能运行大模型的前若干层，这对终端NPU的算力、内存提出了比传统“终端跑小模型”更高的要求。2023年，高通、联发科、苹果发布的新一代移动芯片均大幅强化了AI算力和内存带宽，正是为端侧大模型推理做准备。

误读五：“国产AI芯片足以支撑模型深度”

纠正：国产AI芯片在单卡算力上进步显著，但在大规模集群互连效率（卡间通信带宽与延迟）、软件生态完备度（框架适配、算子库覆盖）方面，与英伟达仍有显著差距。模型深度对互连效率尤其敏感，国产方案在中小规模部署中可用，但在千卡/万卡级超大模型场景下的验证公开资料几乎空白。

最新事件

• 2024年2月：英伟达发布2024财年Q4财报，数据中心收入同比增长超400%，明确将分布式推理列为未来增长引擎之一。同步宣布了 Blackwell架构GPU，进一步升级NVLink互连。
• 2024年1月：工信部等九部门联合印发《原材料工业数字化转型工作方案（2024—2026年）》，多次提及“云边端协同”，为模型深度在工业场景的落地提供了政策信号。
• 2023年12月：华为在全联接大会2023后续活动上披露，昇腾AI已在超过20个城市建成或正在建设AI计算中心，支持大模型的分布式训练和推理，部分节点已支持端边云协同推理测试。
• 2023年11月：微软Ignite大会发布Azure AI Studio的分布式推理编排新功能，支持用户通过可视化界面定义模型在Azure云与Azure Stack Edge设备间的切分与部署策略。
• 2023年10月：美国商务部工业与安全局（BIS）更新出口管制规则，进一步限制高端GPU对华出口，直接影响了中国市场模型深度方案中云端芯片的供应链。国内AI芯片厂商（华为、寒武纪、壁仞等）当月均出现订单咨询量骤增。
• 2023年9月：高通骁龙8 Gen 3发布，支持在终端侧运行100亿参数的大语言模型（量化后），宣布与小米、OPPO等厂商合作将端侧大模型落地至2024年旗舰手机。
• 2023年8月：谷歌在Cloud Next大会上宣布，Vertex AI平台已支持跨Google Cloud Region和GKE边缘节点的分布式推理部署（公开Beta版）。
• 2023年Q3–Q4：国内多家头部券商（中信、中金等）发布AIGC与AI算力行业深度研报，集中梳理了“模型深度/端边云协同”产业链，将其定性为大模型落地的关键技术路径之一。相关研究报告可在各券商研究平台查阅。

跟踪指标

技术指标

• 英伟达、华为、AMD等厂商新一代AI芯片的显存/内存带宽与片间互连带宽（反映物理层对模型深度的支撑上限）
• MLPerf Inference基准测试中分布式推理赛道的新增提交与成绩（反映行业性能竞赛动态）
• ArXiv、MLSys、OSDI等学术会议中模型分布式推理/协同调度相关论文数量与方向趋势

产业指标

• IDC/Gartner的季度AI芯片出货量数据，重点关注边缘和终端AI芯片增速与云端芯片增速的差值（差值扩大说明端边需求快于云端）
• 头部云厂商（阿里云、华为云、AWS、Azure）的“边缘推理”“分布式推理”相关产品发布频率和定价变化
• 中国AI芯片国产化率跟踪（行业估算数据，以中国信通院、IDC季度报告为准）

政策与资本指标

• 美国对华AI芯片出口管制政策的最新动向（BIS公告、工业安全局实体清单更新）
• 中国“东数西算”工程数据中心建设进度与上架率（国家发改委、国家数据局定期公布）
• 中国大模型备案清单中明确提及“端边云协同”或“分布式部署”的模型数量（网信办公告）

应用落地指标

• 搭载端侧大模型（≥10亿参数）的智能手机出货量（以Counterpoint、IDC季度手机追踪报告为准）
• 自动驾驶L3/L4路测里程中“车路云协同”模式占比（交通运输部、地方政府公示信息）
• 主要安防/工业AI公司财报中“边缘”“云边协同”相关收入增速（海康威视、大华股份、商汤等）

信源

• 英伟达：2023年GTC、2024年Q4财报电话会议材料；NVIDIA DGX Cloud、GH200产品技术白皮书（来源：nvidia.com）
• 华为：华为全联接大会2023公开演讲；昇腾AI开源社区技术文档（来源：hiascend.com）；华为2023年报（来源：huawei.com）
• 谷歌：Cloud Next 2023大会材料；Vertex AI产品文档；谷歌AI博客（来源：cloud.google.com、ai.googleblog.com）
• 微软：Ignite 2023大会材料；Azure AI Studio产品文档（来源：azure.microsoft.com）
• 高通：骁龙8 Gen 3产品发布资料（来源：qualcomm.com）
• 百度：飞桨开源社区技术文档（来源：paddlepaddle.org）；2023百度世界大会公开资料
• IDC：全球及中国AI芯片市场跟踪报告（2023年Q4）；中国公有云服务市场跟踪（2023年H2）（来源：idc.com，具体数字以付费报告为准）
• Gartner：全球AI芯片市场预测（2023年Q4发布）（来源：gartner.com）
• LightCounting：全球光模块市场报告（2023年版）（来源：lightcounting.com）
• Counterpoint：全球智能手机出货量及AI芯片预测（2023年）（来源：counterpointresearch.com）
• Fortune Business Insights：AI推理即服务市场预测（2023年）（来源：fortunebusinessinsights.com）
• Frost & Sullivan：全球边缘AI基础设施市场预测（2023年）（来源：frostchina.com）
• 中国信通院：《工业智能白皮书》（2023年）；5G网络质量监测报告（2023年）；《人工智能发展报告》（2023年）（来源：caict.ac.cn）
• MLSys、IEEE S&P、Usenix Security等学术会议公开论文（来源：arxiv.org、各会议官网）
• 国家发改委、工信部、国家卫健委、网信办等政府部门公开政策文件（来源：各部门官网）
• 海康威视（2023年半年报）、商汤科技（2023年中期报告）、寒武纪（2023年半年报）、中际旭创（2023年年报）等上市公司公开披露信息（来源：各公司公告）

重要提示：本文所有涉及市场份额、公司收入、出货量、技术性能对比的数据，均基于公开发布的信息来源，已标注时间与口径。因技术发展迅速且企业披露标准不一，数据可能存在滞后或统计口径差异。部分行业预测数据来自第三方研究机构，其假设条件和方法论将影响预测结果，请自行判断参考价值。本文不构成任何形式的投资建议、买卖建议或技术选型建议。在对特定公司、产品或技术方案进行评估时，建议查阅最新的一手信息。