人工智能自监督学习带动预训练算力需求，市场规模增长空间有多大？
自监督学习是当前大模型预训练的核心机制，其“海量数据+超大参数量”的训练模式，直接拉动AI芯片、服务器及算力服务的需求，为算力市场打开了可观的增长空间。 以 BERT 和 GPT 为代表的语言大模型，通过在大规模无标注数据上进行预训练，逐步掌握上下文语境，这一过程对算力的消耗呈指数级增长，构成了算力市场扩张的核心驱动力。
自监督学习如何驱动算力需求
自监督学习的核心逻辑，是让模型在海量语料中“自我学习”。以 NLP 大模型为例，训练时透过事先遮住一些文本片段，让 AI 模型通过自监督学习，借助海量语料库的预训练，把这些被遮住的片段以合乎逻辑的方式填上。这种训练范式彻底改变了以往依赖人工标注数据的模式，使得模型可以利用近乎无限的无标注数据。
模型参数量与训练数据量的同步增长，是算力需求攀升的根本原因。 从 2019 年的谷歌 T5 到 OpenAI GPT 系列，参数量爆炸的大模型不断涌现。模型越大，需要“阅读”的语料就越多，每一次前向传播和反向传播所需的计算量也越大，这直接转化为对 AI 训练芯片、服务器集群以及云端算力服务的强劲需求。
算力市场的增长驱动与结构
算力市场的增长，主要由两大因素叠加驱动：一是模型规模的持续扩大，二是应用端的快速普及。 自 ChatGPT 出现后，大模型引起了社会各界的广泛关注，国内百度、阿里等公司也陆续发布了自己的大模型，大模型从技术探索走向产业落地，训练和推理的算力需求被同步放大。
从市场结构看，算力需求贯穿大模型全产业链。除了上游的 AI 芯片和光模块（CPO）等硬件设施，中游的模型训练与调优同样需要巨额算力投入。对于国内企业而言，虽然大多数企业的产品还是以小模型为主，但头部厂商在大模型领域的布局，正带动整个 AI 算力基础设施的升级与扩容。
常见问题
自监督学习为什么比传统方法更“吃”算力？
因为自监督学习利用的是海量无标注数据，模型需要自行从数据中学习特征和规则，而非依赖人工标注的“标准答案”。这意味着模型必须在更大的数据集上进行更长时间的训练，计算量远超传统小模型，对算力的需求自然更高。
大模型算力需求的增长有天花板吗？
短期来看，增长天花板尚远。一方面，NLP 仍是主要发展方向，模型参数仍在膨胀；另一方面，CV 和多模态大模型受数据、算法限制，短期还难出现大的爆发，但长期看会开辟新的算力需求场景。算力需求的持续增长，主要取决于模型能力的迭代速度与应用落地的广度。
国产大模型的竞争对算力市场有何影响？
国内大模型领域的领先厂商，如百度的文心一言、腾讯的混元和华为的盘古，技术储备丰富、进展靠前。随着这些厂商在 NLP、CV、多模态及行业大模型上的持续投入，将直接带动国产 AI 芯片和算力服务市场的扩容，为整个算力产业链带来增长机遇。