源達研究報告：加快發展新質生產力，數據要素商業生態逐步成熟

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

　　來源：源達

　　投資要點

　　數據要素指的是根據特定生產需求匯聚、整理、加工而成的計算機數據及其衍生形態，是基于數字經濟及新質生產力產業發展而出現的概念。數據要素的一次價值體現在在企業數字化轉型過程中，數據經由各個業務系統的設計而產生，用以支撐業務系統的正常運轉。數據要素的二次價值體現在數據可通過數據分析、AI大模型等手段，揭示內在運行規律，用于支持生產、經營和治理等環節的戰略決策。數據要素的三次價值體現在數據作為商品，可交易至更多需要的場景實現價值利用。數字化和智能化趨勢下，各組織需要更多數據用于分析決策，產生數據流通需求，因此數據可作為商品進行價值流通。

　　數據基礎設施是發展數據要素產業的基礎，人工智能技術將實現對數據要素的更好利用。因此需發展以數字經濟、人工智能行業為代表的新質生產力產業，才能加快發揮數據要素行業的各項作用。《2024年國務院政府工作報告》中提到：要深化大數據、人工智能等研發應用，開展“人工智能+”行動，打造具有國際競爭力的數字產業集群；健全數據基礎制度，大力推動數據開發開放和流通使用；適度超前建設數字基礎設施，加快形成全國一體化算力體系，培育算力產業生態。

　　數據流通端是數據要素流通的中介與核心，溝通各類市場主體，是數據作為生產要素進行交互、整合、交換、交易的平臺。目前國內數據要素交易場內機構以形成“國家級+省市級+行業級+企業級”的格局。其中國家級和省市級交易機構是市場內主流，集中于華東與華南地區，以國資主導公司制為主，通常為通用型數據交易平臺。而行業級和企業級交易機構往往專耕單個或數個細分行業和領域，如：鋼鐵行業、醫藥行業、金融行業和電信行業等。

　　數據要素是國家基于數字經濟和新質生產力產業發展的又一重要政策導向方向。伴隨國內新質生產力產業發展壯大，數據要素市場商業化有望加快成熟。建議關注數據基礎設施、人工智能和數據要素交易平臺等環節的投資機會。

　　政策導向不及預期的風險，市場競爭加劇的風險，技術發展不及預期的。

　　一、數字化和智能化趨勢下，數字要素市場生態逐漸完善

　　“數據要素”是數字經濟中，討論生產力和生產關系時對“數據”的指代，是對數據促進生產價值的強調，即數據要素指的是根據特定生產需求匯聚、整理、加工而成的計算機數據及其衍生形態，投入于生產的原始數據集、標準化數據集、各類數據產品及以數據為基礎產生的系統、信息和知識均可納入數據要素討論的范疇。

　　圖1：數據要素主要表現形態

　　資料來源：《數據要素白皮書》，源達信息證券研究所

　　數據要素的一次價值體現在支撐企業、政府的業務系統運轉實現業務間的貫通。在企業數字化轉型過程中，數據經由各個業務系統的設計而產生，用以支撐業務系統的正常運轉。

　　數據要素的二次價值體現在數據可揭示內在運行規律，用于支持生產、經營和治理等環節的戰略決策。在數據分析、人工智能等技術支持下，數據可用于構建出理解預測乃至控制事物運行的模型體系，從而支撐未來決策。

　　數據要素的三次價值體現在數據作為商品，可交易至更多需要的場景實現價值利用。數字化和智能化趨勢下，各組織需要更多數據用于分析決策，產生數據流通需求，因此數據可作為商品進行價值流通。

　　圖2：數據要素產生價值的三種方式

　　資料來源：《數據要素白皮書》，源達信息證券研究所

　　根據數據要素的三次價值，數據要素市場可分為數據采集、數據存儲、數據加工、數據流通、數據分析、數據應用、生態保障七大模塊。其中為實現數據要素的一次價值需推動政府及企業數字化轉型，發力服務器及云計算中心等數據基礎設施建設；實現數據要素的二次價值需發展人工智能行業，通過大模型等智能終端輔助決策；實現數據要素的三次價值需構建數字要素交易流通市場，方便數據要素的市場化流通。

　　圖3：數據要素市場構成

　　資料來源：國家工業信息安全發展研究中心，源達信息證券研究所

　　通過數據分級分類可將數據分為四類數據：公開數據、低敏感度數據、中敏感度數據、高度機密數據四種，提出針對不同數據類型，應用不同的數據流通技術和服務模式。

　　圖4：數據流通金字塔模型

　　資料來源：國家工業信息安全發展研究中心，源達信息證券研究所

　　中國數據交易市場規模保持高速增長趨勢，預計2023年中國數據交易行業市場規模達1199億元，同比增長36.72%。預計2030年中國數據交易行業市場有望增長至5156億元。

　　圖5：2021-2030年中國數據交易行業市場規模及預測

　　資料來源：《2023年中國數據交易市場研究分析報告》，源達信息證券研究所

　　二、加快新質生產力建設，為數據要素生態保駕護航

　　人工智能大模型對數據要素有巨大需求。AIGC行業進入高速發展期，AI大模型性能持續提升的背后是千億級以上的參數訓練，帶來對算力的高額需求，有望推動新一輪AI基礎設施建設。根據OpenAI官網，AI模型訓練計算量自2012年起每3.4個月就增長一倍。以GPT-3模型為例，根據lambdalabs數據，該模型參數規模達1750億，完整訓練運算量達3640PFlop/s-days（以3640PFlop/s速度進行運算，需要3640天）。模型完成單次訓練約需要355個CPU年并耗費460萬美元（假設采用Nvidia Tesla V100芯片）。

　　表1：人工智能大模型的參數規模呈指數級增長趨勢

Models

Release time

Developers

Parameter size/10-8

Sample size/10-9

GPT-1

2018

OpenAI

1.17

10

BERT

2018

Google

3.40

34

GPT-2

2019

OpenAI

15.00

100

Fairseq

2020

Meta

130.00

—

GPT-3

2020

OpenAI

1750.00

4990

GLaM

2021

Google

1200.00

16000

LaMDA

2022

Google

1370.00

15600

GPT-4

2023

OpenAI

—

—

Ernie Bot

2023

Baidu

—

—

SparkDesk

2023

iFLYTEK

1700.00

—

PanguLM

2023

HUAWEI

>30000

　　資料來源：《大語言模型研究現狀及趨勢》，源達信息證券研究所

　　更多大模型類應用的推出是對數據要素有效利用的基礎。AI Agent是一種以AI大模型驅動的人工智能工具，可根據具體場景實現高度個性化和智能化的智能服務，有望將大模型的潛力最大化，推動AI技術應用化，加速人工智能產業商業化。

　　表2：國內廠商加大對AI Agent等大模型驅動下的人工智能應用的投入

公司名稱

大模型產品

阿里云

百煉大模型服務平臺

AWS

Amazon bedrock 以及partyrock.aws等工具

百度智能云

TiAppBuilder、AgentBuilder

京東云

Al Agent開發管理平臺

螞蟻集團/螞蟻數科

螞蚊Al Studio+Max

昆侖萬維

SkyAgents

商湯科技

MaaS平臺-應用智能體

深信服科技

AI算力平臺

神州數碼

神州問學-AI應用及Agent管理

騰訊云

騰訊元器

月之暗面

Kimi Plus

中國電信（天翼AI）

智能體開發運營平臺

字節跳動

扣子/Coze，火山引擎Al Agent開發管理平臺

360

360智腦、360智匯云

　　資料來源：IDC，源達信息證券研究所

　　服務器等數據基礎設施是數據要素價值得到有效利用的基礎。自OpenAI發布ChatGPT后，AI大模型有望成為助力千行萬業智能化轉型的底層支撐。AI大模型的訓練和運行過程對對算力需求極大，預計將推動一輪算力中心的建設。以Nvidia A100服務器為例（由8個A100 GPU構成），單臺服務器算力約為5Pflop/s，則訓練一個具有1750億個模型參數的大模型需要約2917臺A100服務器。

　　表3：具有1750億個模型參數的大模型訓練一天需要約2917臺Nvidia A100服務器

模型參數（億個）

350

700

1050

1400

1750

所需算力（E+8PFlop/s）

0.63

1.26

1.89

2.52

3.15

有效算力比率（%）

25%

25%

25%

25%

25%

實際算力需求（E+8PFlop/s）

2.52

5.04

7.56

10.08

12.6

服務器算力（PFlop/s）

5

5

5

5

5

每日工作時間（s）

86400

86400

86400

86400

86400

服務器需求數（臺）

583

1167

1750

2333

2917

　　資料來源：Nvidia官網，OpenAI，源達信息證券研究所

　　用于構建算力中心的AI服務器出貨量高速增長。2023年全球普通AI服務器/高端AI服務器出貨量分別為47.0和27.0萬臺，較2022年分別同比增長36.6%和490.5%，并預計2024年全球普通AI服務器和高端AI服務器出貨量分別為72.5和54.3萬臺，分別同比增長54.2%和172.0%。

　　圖6：AI服務器出貨量高速增長

　　資料來源：華勤技術投資者關系公眾號，源達信息證券研究所

　　華為加大算力基礎設施研發力度。目前華為算力基礎設施布局中：鯤鵬系列以通用算力為主，昇騰系列以智能算力為主，均采用國產芯片打造。華為憑借自身強大的研發能力，已實現從算力、存力、互聯技術和計算架構等方面為世界提供第二選擇，打造算力堅實底座。從產業鏈布局看，目前華為主要負責服務器或其中核心器件的研發和生產，并由下游服務器廠商代理銷售，主要的華為系服務器廠商有高新發展（對華鯤振宇持股70%）、四川長虹、神州數碼、拓維信息和烽火通信等。此外2023年3月中興通訊宣布自身服務器將為百度“文心一言”提供算力支撐。

圖7：搭載鯤鵬920處理器的鯤鵬服務器主板

圖8：華為推出昇騰系列AI算力基礎設施

資料來源：華為官網，源達信息證券研究所

資料來源：華為官網，源達信息證券研究所

　　三、構建數據要素交易平臺市場，商業模式加快成熟

　　數據流通端是數據要素流通的中介與核心，溝通各類市場主體，是數據作為生產要素進行交互、整合、交換、交易的平臺，是推動數據交易市場建設的基礎。數據流通端按類型可分為數據交易所、企業主導型數據服務平臺及開放數據平臺。未來數據交易所有望成為數據要素市場交易的主流平臺。

　　圖9：中國數據要素流通行業產業鏈

　　資料來源：《2023年中國數據交易市場研究分析報告》，源達信息證券研究所

　　數據交易按類型可分為場內交易和場外交易，場內交易由數據交易所制定數據交易流程及規章，在交易前負責質量評估、合規評估和資產評估等；在數據交易環節做好風險控制；在交易后提供交易核驗、仲裁糾紛等服務。

　　圖10：數據要素交易模式

　　資料來源：《2023年中國數據交易市場研究分析報告》，源達信息證券研究所

　　圖11：場內外數據交易流程

　　資料來源：《2023年中國數據交易市場研究分析報告》，源達信息證券研究所

　　目前國內數據交易平臺的規模仍有待壯大。數據交易平臺注冊資本數額大多在5000萬元-1億元，有23家；而注冊資本數額超過1億元的有4家，其中上海數據交易所注冊資本達8億元，北京國際大數據交易所和鄭州數據交易中心注冊資本達2億元。

　　數據交易平臺分布以華東、華南和華中為主。受企業數字化水平及數據資源分布情況影響，目前數據交易平臺分布仍以華東、華南和華中為主，其中華東地區有14家，占比達35%，華南和華中地區各7家，占比為17.5%，三個地區合計占比達70%。

圖12：數據交易平臺注冊資本數額情況

圖13：數據交易平臺區域分布情況

?

?

資料來源：《數據交易平臺發展白皮書》，源達信息證券研究所

資料來源：《數據交易平臺發展白皮書》，源達信息證券研究所

　　目前國內數據交易機構的產品以數據集、API和數據應用服務為主。少數機構還提供許可（金麒麟分析師）證、數據處理服務、數據分析工具服務和行業研究報告等產品。

　　圖14：主流數據交易機構的產品上架情況

　　資料來源：《數據流通市場中數據產品的特性及其交易模式》，源達信息證券研究所

　　目前數據交易平臺的盈利模式主要有三種：傭金模式、會員制和增值式交易服務三種。其中交易傭金模式的優勢是簡單易行、門檻低，但傭金費率過高會抑制平臺交易需求；會員制模式可利于促進長期合作及交易安全性，但交易規模的擴大具有一定難度；增值式交易服務模式交易所需提供數據處理等更多服務，對平臺的能力提出更高要求。

　　圖15：數據交易平臺的盈利模式

　　資料來源：《數據交易平臺發展白皮書》，源達信息證券研究所

　　中國數據要素交易場內機構可分為國家級、省市級、行業級和企業級。其中國家級和省市級交易機構是市場內主流，集中于華東與華南地區，以國資主導公司制為主，通常為通用型數據交易平臺。而行業級和企業級交易機構往往專耕單個或數個細分行業和領域，如：鋼鐵行業、醫藥行業、金融行業和電信行業都有較好應用前景。

　　圖16：中國數據要素交易場內市場競爭格局

　　資料來源：《2023年中國數據交易市場研究分析報告》，源達信息證券研究所

　　目前國內數據要素交易市場存在的問題有：數據產權不清、數據交易活躍度低、同質化競爭和新技術應用不成熟等。目前各機構收集的個人數據權屬仍存在爭議，導致交易風險較高，需要進一步完善相關制度體系及讓交易所發揮好做市商功能；而數據交易機構的建設需根據區域、產業和經濟情況做好統籌布局，避免同質化競爭和資源浪費。

　　圖17：目前數據要素交易行業仍存在的問題

　　資料來源：《數據交易平臺發展白皮書》，源達信息證券研究所

　　四、投資建議

　　數據要素是國家基于數字經濟和新質生產力產業發展的又一重要政策導向方向。國家數據局等17個部門聯合引發《“數據要素×”三年行動計劃（2024—2026年）》：將工業制造、交通運輸、金融服務、科技創新、醫療健康、氣象服務、城市治理等12個行業作為數據要素高水平應用的重點行業。數據交易層面國內已建成多個大型數據交易所，形成“國家級+省市級+行業級”的發展局面，為數據要素市場發展打牢基礎。伴隨國內新質生產力產業進一步發展壯大，數據要素市場有望加快成熟。

　　五、風險提示

　　政策導向不及預期的風險；

　　市場競爭加劇的風險；

　　技術發展不及預期的風險；