边际资本成本表(边际资本成本表突破点)

1.大模型训练需要极强算力支持、成本高昂，仅少数头部机构布局，且需要底层技术投入降低成本来支持。

2.在算法框架的自主性和先进性支撑下，自研框架能为大量企业提效赋能。

3.持续底层投入才能铸就技术成本、效率的护城河，国内目前底层技术自研能力较为稀缺。

4.在筹资突破点范围内筹资，原来的资本成本不会改变；一旦筹资额超过筹资突破点，即便维持现有的资本结构，其资本成本也会增加。过去的人工智能公司倾向于选择人效高的场景先落地人工智能。

5.认为筹集新资金后，仍应保持目前的资本结构，即长期借款占15%，长期债券占25%，普通股占60%，并测算出了随筹资的增加各种资本成本的变化，自主底层框架能力、算法效率及成本是实现大模型关键大模型训练过程面临大量的技术挑战。底层基础设施可复用，降低边际成本。算法层则借力大算力下通用模型带来的海量场景模型发挥规模效应，降低边际成本。

1.通过对大模型进行量化、剪枝、知识蒸馏等模型压缩方法把大模型变小，高效的进行模型生产，能够覆盖各种长尾场景，且大大降低了复制成本。在确定最佳资本预算时我们需要先了解两个概念：投资机会表和边际成本表。

2.深度学习模型平台一般分成四层：图表：深度学习模型平台资料来源：华为官网，商汤科技官网，中金公司研究部训练框架目前美国巨头在训练框架领域遥遥领先，国内仅有少数企业自研框架。边际资本成本就是取得1元新资本的成本，筹措的资金增加时边际资金成本会上升。深度学习人才稀缺导致整体项目实现难度、成本高，未来解决方案落地推广的核心方向在于降低边际成本。

3.例如目前平均人工成本为每人10元；如果增加10个人，人工的边际成本可能是每人15元；如果增加100人，人工的边际成本是每人20元。平均法计算的，是追加筹资时所使用的加权平均成本。

1.由于底层基础设施中算力和算法的新摩尔定律，率先投入基础设施企业能在技术迭代中与竞争对手迅速形成代差，底层基础设施投资的时间窗口期短。

2.未来解决方案落地的方向在于降低边际成本。算法模型规模效应很强，大模型压缩出海量小模型，结合小模型的模块化组装，大大降低算法的边际成本。以商汤科技为例，目前该公司已沉淀训练过的超过20万个模型和10万个不同的网络结构，支持11种硬件，当面对新的网络结构时，可以通过查询该数据库高效地进行硬件和框架的适配，大大加速了进入新场景时模型的开发速度。

3.需求端：数字化意味着大量模型需求，低边际成本是关键全社会的数字化是人工智能的重要目标，也意味着巨量的建模需求。基于预训练大模型的时代到来，模型生产的效率提高、边际成本降低。随算法和算力的持续迭代，行业有望形成类似半导体行业龙头独大的格局，边际成本领先的龙头如商汤等将持续领跑。