半導體行業專題研究：ChatGPT推動AI芯應用算力提升終端多點開花-230323（17頁）.pdf

《半導體行業專題研究：ChatGPT推動AI芯應用算力提升終端多點開花-230323（17頁）.pdf》由會員分享，可在線閱讀，更多相關《半導體行業專題研究：ChatGPT推動AI芯應用算力提升終端多點開花-230323（17頁）.pdf（17頁珍藏版）》請在三個皮匠報告上搜索。

1、 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 1 半導體半導體 證券證券研究報告研究報告 2023 年年 03 月月 23 日日 投資投資評級評級 行業行業評級評級 強于大市(維持評級)上次評級上次評級 強于大市 作者作者 潘暕潘暕 分析師 SAC 執業證書編號：S1110517070005 程如瑩程如瑩 分析師 SAC 執業證書編號：S1110521110002 資料來源：聚源數據 相關報告相關報告 1 半導體-行業研究周報:2 月國產設備招標同比+58.00%，重點關注ChatGPT及 Chiplet 領域機遇 2023-03-20 2 半導體-行業

2、專題研究:Chiplet：設計引領、封裝賦能，助推產業鏈價值重構和國產芯破局 2023-03-15 3 半導體-行業研究周報:荷蘭對光刻機出口進一步限制，國產化亟待加速 2023-03-14 行業走勢圖行業走勢圖 ChatGPT 推動推動 AI 芯應用，算力提升終端多點開花芯應用，算力提升終端多點開花 ChatGPT 有望帶動數據快速增長有望帶動數據快速增長，AI 運算貫穿云運算貫穿云-邊邊-端端。根據 IDC 預計，全球數據總量預期 2026 年將超過 221,000 exabyte，2021-2026 年年復合增長率達到 21.2%，其中非結構化數據占每年創建數據超過 90%；透過云、邊、

3、終端架構，以數據為中心將算力資源前置，在更靠近數據源的地方為用戶提供低時延服務。云端芯片：云端芯片：AI 模型訓練核心，計算參數指數級增長重點受益。模型訓練核心，計算參數指數級增長重點受益。人工智能的模型自 2012 年 AlexNet 問世以來，模型的深度和廣度一直在逐級擴升；大規模預訓練模型成了一個新的技術發展趨勢。根據 TrendForce 數據，截至2022 年統計 AI 服務器年出貨量占整體服務器比重近 1%，隨著大型云端業者開始大量投入 AI 相關的設備建設，AI 服務器 20222026 年復合成長率有望達到 10.8%。邊端芯片：云端與終端的中繼站，滿足邊端芯片：云端與終端的中

4、繼站，滿足 AI 輕量化部署需求輕量化部署需求。根據 IDC 預測，2025 年 64%的數據將在傳統數據中心之外創建，意味著更智能的處理將在設備上完成，邊緣服務器具有體積較小、環境適應性更優、支持多種安裝方式、快速前維護和統一管理接口等技術特點。全球邊緣 AI 處理器市場規模近 30 億美元，快速響應需求增加有望帶動市場規?？焖僭鲩L。終端芯片：終端芯片：AIGC 應用多點開花，終應用多點開花，終端端 AI SoC 迎來升級變革迎來升級變革。AIGC 生成的內容種類越來越豐富，而且內容質量也在顯著提升，隨著 AIGC 模型通用化水平和工業化能力提升，有望降低內容生產和交互的門檻和成本。SoC

5、涵蓋聲音、影像、AI 處理，為智能化場景提供完整解決方案，隨著終端朝向 AI應用發展，SoC 成為為智能終端的算力主控。存儲芯片：大數據同步算力提升，存儲芯片：大數據同步算力提升，AI 需求推動市場增長需求推動市場增長。DRAM 方面 AI 運算需足夠的內存帶寬，智能化有望帶動內存需求提升；NAND 方面發展垂直方向堆棧 3D NAND 層數，新技術注入成長動力。建議關注：建議關注：云端云端 AI 相關企業：相關企業：寒武紀、海光信息（天風計算機覆蓋）、龍芯中科、紫光國微、復旦微電、安路科技等。邊邊/終端終端 AI 相關企業：相關企業：瑞芯微、晶晨股份、恒玄科技、全志科技、樂鑫科技、富瀚微、中

6、科藍訊、炬芯科技、兆易創新、中穎電子、芯?？萍嫉?。存儲相關企業：存儲相關企業：江波龍（天風計算機聯合覆蓋）、瀾起科技、聚辰股份、北京君正、普冉股份、東芯股份、佰維存儲等。AI 應用端相關企業：應用端相關企業：工業富聯、大華股份、?？低暤?。風險風險提示提示：下游需求不如預期、庫存去化不如預期、研發與技術升級不如預期、宏觀環境變動帶來的風險 -32%-27%-22%-17%-12%-7%-2%3%2022-032022-072022-11半導體滬深300 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 2 內容目錄內容目錄 1.ChatGPT 有望帶動數據快速

7、增長，有望帶動數據快速增長，AI 運算貫穿云運算貫穿云-邊邊-端端.4 1.1.云端芯片：大模型訓練投入提升，算力指數級增長.6 1.2.邊端芯片：云端與終端的中繼站，滿足 AI 輕量化部署需求.9 1.3.終端芯片：AIGC 應用多點開花，終端 AI SoC 迎來升級變革.11 1.4.存儲芯片：大數據同步算力提升，AI 需求推動市場增長.14 2.建議關注建議關注.15 3.相關風險相關風險.16 圖表目錄圖表目錄 圖 1：全球數據總量預期（單位：Exabytes）.4 圖 2：云-邊-終端架構（以數據為中心就近部署算力）.4 圖 3：高通預計運算需求下沉，有望帶動公司潛在市場空間增加 7

8、 倍.5 圖 4：全球 AI 芯片市場規模（億美元）.5 圖 5：中國 AI 芯片市場規模（億人民幣）.5 圖 6：近十年主流模型計算量與參數量.6 圖 7：NLP 模型參數呈指數級增長.6 圖 8：技嘉科技 G190-G30 高效能服務器.7 圖 9：AI 模型訓練與推理示意圖.9 圖 10：邊緣 AI 應用流程示意圖.10 圖 11：全球邊緣 AI 處理器市場規模（億美元）.10 圖 12：浪潮邊緣服務器部署架構（以智能質檢解決方案為例）.11 圖 13：AIGC 基礎模型和應用發展預測.12 圖 14：2019-2025 年全球物聯網設備連接量（十億臺）.12 圖 15：終端人工智能應用

9、.12 圖 16：聯發科 Genio 700.13 圖 17：各應用突破 100 萬用戶花費的時間.13 圖 18：AI 應用中常見的內存類型.14 圖 19：NAND Flash 技術路徑與各廠商進展.14 圖 20：全球存儲芯片行業市場規模（億美金）與同比增速.15 圖 21：2021 年存儲芯片產品結構.15 圖 22：聯發科天璣 9200 處理器.15 圖 23：AMD 發布 EPYC 9004 處理器.15 表 1：CPU GPU ASIC FPGA 性能與應用.6 表 2：云、邊、終端算力與應用場景（1 TOPS 代表每秒處理一萬億次人工智能基本運算）.6 表 3：浪潮服務器產品配

10、置.7 nNoP2YcVaYdXvZcVyX6MdN8OsQoOoMnOjMmMpMfQpNtPbRqQxOwMmNuMNZsPnN 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 3 表 4：云端 AI 芯片公司與產品參數（不完全統計）.8 表 5：邊端 AI 芯片公司與產品參數（不完全統計）.11 表 6：重點關注公司（Wind 一致預期，數據截至 2023 年 3 月 23 日）.16 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 4 1.ChatGPT 有望帶動數據快速增長有望帶動數據快速增長，AI 運算貫穿云運

11、算貫穿云-邊邊-端端 全球全球數據數據總量總量 2021-2026 年年 CAGR達到達到 21.2%，其中以非結構化數據為主，其中以非結構化數據為主。根據IDC預計，全球數據總量預期2026年將超過221,000 exabyte，2021-2026年年復合增長率達到21.2%。數據包括結構化和非結構化數據，但非結構化數據占每年創建數據超過 90%。非結構化數據包括視頻、照片和圖像、語音以及文檔等，應用場景包含流媒體、游戲、物聯網等應用，其中娛樂和非娛樂圖像數據生成占非結構化數據超過 56%以上；而處理這種非結構化數據需要更強的計算基礎設施。圖圖 1：全球數據總量預期（單位：全球數據總量預期（

12、單位：Exabytes）資料來源：IDC，天風證券研究所 云、邊、終端云、邊、終端混合部署混合部署，運算效率有望提升，運算效率有望提升。隨著海量數據與運算需求大幅提升，計算能力和連接設備積累了大量數據，透過云、邊、終端架構，以數據為中心將算力資源前置，在更靠近數據源的地方為用戶提供低時延服務。整體產業鏈分為上、中、下游：1）上游包括由云服務商和硬件設備廠商，如谷歌、亞馬遜、微軟、阿里、騰訊等；2）中游主要包括運營商、邊緣計算運營和管理的服務提供商；3）下游主要為智能終端和應用。邊緣計算產業聯盟認為邊緣計算是在靠近物或數據源頭的網絡邊緣側，滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、

13、安全與隱私保護等方面的關鍵需求。圖圖 2：云云-邊邊-終端架構（以數據為中心就近部署算力）終端架構（以數據為中心就近部署算力）資料來源：ByteTech、InfoQ，天風證券研究所 邊、終端數據創建占比邊、終端數據創建占比預計預計 25 年達到年達到 60%以上以上，AI 需求下沉擴大市場空間需求下沉擴大市場空間。根據 IDC 預測，2025年64%的數據將在傳統數據中心之外創建，意味著更智能的處理將在設備上完成，而 5G 將使來自邊緣豐富的數據實時地與其他設備和云共享?；ヂ撝悄苓吘壍某霈F正在加速應用創新的需求，高通預計未來十年內公司潛在的市場擴大七倍多，達到 7000 億美元。云計算與邊緣計

14、算需要通過緊密協同才能更好地滿足各種需求場景的匹配，從而最大化體現云計算與邊緣計算的應用價值。84,447 101,349 122,819 149,023 181,869 221,178 -50,000 100,000 150,000 200,000 250,00020212022E2023E2024E2025E2026E 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 5 圖圖 3：高通預計運算需求下沉，有望帶動公司潛在市場空間增加：高通預計運算需求下沉，有望帶動公司潛在市場空間增加 7 倍倍 資料來源：高通官網，天風證券研究所 2022 年全球年全球 A

15、I 芯片市場規模芯片市場規模 169 億美元，預計未來年復合增長率近億美元，預計未來年復合增長率近 30%。根據 Precedence Research 數據，2022 年全球人工智能 AI 芯片市場規模估計為 168.6 億美元，預計 2030 年達到 1351.8 億美元，2022 年至 2030 年的復合年增長率為 29.7%；按照類型可以分為 GPU、ASIC、FPGA、CPU 等，每種芯片類型皆有不同功能；基于處理類型，邊緣處理類型細分市場主導 AI 芯片市場，并在 2022 年產生超過 75%的收入份額，由于邊緣處理在接近數據實際位置的地方進行計算，最大限度地提高了運算效率。圖圖

16、4：全球全球 AI 芯片市場規模（億美元）芯片市場規模（億美元）資料來源：Precedence Research，天風證券研究所 2025 年中國年中國 AI 芯片市場規模預計芯片市場規模預計超過超過 250 億美金。億美金。隨著大算力中心的增加以及終端應用的逐步落地，中國 AI 芯片需求也持續增加。根據億歐智庫預測，2021 年中國 AI 芯片預計達到 427 億人民幣（按 6.9 匯率測算，約 61.8 億美金），預計市場規模將于 2025 年達到1780 億元（按 6.9 匯率測算，約 258 億美金）。圖圖 5：中國中國 AI 芯片市場規模（億人民幣）芯片市場規模（億人民幣）資料來源：

17、億歐智庫、icspec，天風證券研究所 168.6218.7283.7368.0477.4619.3803.41042.11351.8020040060080010001200140016002022E2023E2024E2025E2026E2027E2028E2029E2030E426.8850.21038.81405.91780020040060080010001200140016001800200020212022E2023E2024E2025E 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 6 AI 芯片中以芯片中以 GPU 為主，為主，ASIC、

18、FPGA 同步同步持續增加。持續增加。根據 IDC 數據，2021 年上半年中國人工智能芯片中，GPU 占有 90%以上的市場份額，而 ASIC、FPGA、NPU 等其他非 GPU 芯片也在各個行業和領域被越來越多地采用，預計到 2025 年加總的占比有望超過 20%。CPU處理復雜的邏輯運算，主要應用于傳統的數據中心服務器；GPU 具有優秀的圖形處理能力，主要應用于圖像分類、平安城市、自動駕駛等領域；FPGA 可以根據算法邏輯實現特定場景下的計算。因此，FPGA 主要應用于深度學習、大數據分析等場景；ASIC 主要用于數據推理、輔助駕駛等。表表 1：CPU GPU ASIC FPGA 性能與

19、應用性能與應用 芯片種類芯片種類 計算性能計算性能 特性特性 AI 應用應用 CPU 低 通用性強，運算單元占芯片面積比例小等 人工智能處理性能和能效較低等 GPU 中 通用性好，運算單元占芯片面積比例大等 數據級并行處理，多用于服務器與數據中心等 FPGA 高 可通過硬件重構方式實現等 IC 原型驗證與仿真，通過硬件重構實現 AI 應用等 ASIC 高 特定、單一專用 IC，指令集完全固化等 架構層面對特定智能算法作硬化支持等 資料來源：寒武紀招股說明書、華為官網，天風證券研究所 云、邊、終端云、邊、終端 AI 芯片，滿足不同算力的應用場芯片，滿足不同算力的應用場。人工智能技術在云端、邊緣端

20、和終端設備中均有廣泛應用，但都需要由核心芯片提供計算能力支撐。云、邊、端三種場景對于芯片的運算能力和功耗等特性有著不同要求，由于云、邊、端應用場景尚無標準劃分界限，我們以寒武紀招股說明書中自主研發技術體系的數據為例，云端主要需求為高計算密度，因此主流算力大于 30 TOPS；終端應用于 AIoT 場景，主要需求為高效率與低功耗，因此主流算力小于 8 TOPS；邊緣端應用場景與主流算力介于云端與終端之間。表表 2：云、邊、終端算力與應用場景（：云、邊、終端算力與應用場景（1 TOPS 代表每秒處理一萬億次人工智能基本運算代表每秒處理一萬億次人工智能基本運算）應用場景應用場景 主流算力主流算力 主

21、流功耗主流功耗 應用場景應用場景 主要需求主要需求 云端 大于 30 TOPS 大于 50 瓦 數據中心、私有云等 高效能、高計算密度、推理+訓練 邊緣端 5 TOPS-30 TOPS 4 瓦-15 瓦 介于云端與終端之間 多用于插電設備、推理任務為主 終端 小于 8 TOPS 小于 5 瓦 消費電子、AIoT 低功耗、高效率、推理任務為主 資料來源：寒武紀招股說明書，天風證券研究所 1.1.云端芯片：大模型訓練投入提升，算力指數級增長云端芯片：大模型訓練投入提升，算力指數級增長 預訓練模型預訓練模型與參數的提升，與參數的提升，帶動服務器基礎設施需求大幅增加。帶動服務器基礎設施需求大幅增加。人

22、工智能的模型自 2012年 AlexNet 問世以來，模型的深度和廣度一直在逐級擴升，以 2018 年的時候 BERT-Large（基于 BERT 和 transformer 結構的模型）產生之后，興起了一波模型規模和參數激增的熱潮。從 BERT 模型出現到 GPT-3 1750 億參數規模的千億級大模型，大規模預訓練模型成了一個新的技術發展趨勢。根據CNBC報道，以微軟Bing為例，基于OpenAI的 ChatGPT模型或需要 8 個 GPU 才能在不到一秒的時間內響應問題，按照這個速度測算需要超 2 萬臺 8-GPU 服務器，按照 Nvidia DGX A100（八個 A100 GPU 協

23、同工作的系統）建議售價近 2 萬美元測算，需要 40 億美元的基礎設施支出。圖圖 6：近十年主流模型計算量與參數量近十年主流模型計算量與參數量 圖圖 7：NLP 模型模型參數參數呈指數級增長呈指數級增長 資料來源：杏霖云、OpenAI，天風證券研究所 資料來源：Nvidia 官網，天風證券研究所 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 7 浮點與大量數據并行計算需求，加速卡成為云端浮點與大量數據并行計算需求，加速卡成為云端 AI 處理基礎配置。處理基礎配置。隨著智能化程度日益提高，所需的數據處理量正在呈指數級增長；CPU 的核心是將其較少數量的核心集

24、中在單個任務上快速完成，擅長邏輯控制、串行的運算；而 GPU 提供了多核并行計算的基礎結構，擁有更高的浮點運算能力且可支撐大量數據的并行計算；因此 GPU 主要是作為加速某些CPU執行起來效率較低的數據處理任務。以技嘉科技服務器G190-G30為例，除了Intel Xeon E5-2600 v3/v4 系列處理器外，另搭載 4 張支持 NVLink 內聯架構的 NVIDIA Tesla P100 或 V100 加速卡。圖圖 8：技嘉科技技嘉科技 G190-G30 高效能服務器高效能服務器 資料來源：技嘉科技官網，天風證券研究所研究所 AI 服務器服務器需求量有望快速增長，預計需求量有望快速增長

25、，預計 2022-2026 年年 CAGR 10.8%。根據 TrendForce 數據，截至 2022 年統計 AI 服務器年出貨量占整體服務器比重近 1%，隨著大型云端業者開始大量投入AI相關的設備建設，AI服務器20222026年復合成長率有望達到10.8%；2023年全球服務器出貨量預計 1443 萬臺，同比增長 1.31%，AI 服務器出貨量增速有望高于全球總服務器出貨量。我們以浪潮服務器配置為例，通用服務器 NF5280M6 是基于全新一代英特爾至強第三代可擴展處理器打造，單 CPU 最高擁有 40 個內核及 80 線程，最大支持TDP 270W CPU 最高主頻 3.6 GHz；

26、AI 服務器 NF5688M6 是浪潮為超大規模數據中心研發，同時擁有高性能，高兼容，強擴展的新一代 NVLink 的 AI 服務器。AI 優化服務器NF5280M5 是專為全新 AI 應用優化的 2U 雙路機架高端產品，支持第二代智能英特爾至強可擴展處理器，在 2U 機箱內支持 4 片 GPU 加速卡，其高品質、高可靠的表現，適用于一系列高要求的 AI 應用。表表 3：浪潮服務器產品配置：浪潮服務器產品配置 功能功能 通用服務器通用服務器 AI 服務器服務器 AI 優化服務器優化服務器 型號 NF5280M6 NF5688M6 NF5280M5 處理器 1 到 2 個英特爾至強系列第三代可擴

27、展處理器 2顆第三代Intel Xeon可擴展處理器(Ice Lake)2 顆第二代 Intel Xeon Scalable 系列處理器 計算模塊 無 8 顆 NVIDIA A800 GPU 4 片 NVIDIA GPU 卡；2 片 Xilinx Alveo U200 FPGA 卡 內存 最大支持 32 條內存，最大速度可達3200MT/s.支 32 條DDR4 RDIMM/LRDIMM 內存，速率最高支持 3200MT/s 24 條 2933MT/s DDR4 ECC 內存 資料來源：浪潮官網，天風證券研究所 全場景的全場景的 AI 解決方案能使解決方案能使模型模型訓練高效化。訓練高效化。人

28、工智能訓練隨著模型的規模和復雜性不斷增加，訓練時間相應增加，導致生產力降低和成本增加，完整的解決方案可顯著加速 AI訓練，從而加快模型探索、顯著節省成本，因此除了算力以外，核心架構、功耗、內存等參數也是重要的配置指標。此外在運算能力方面，單位 TFLOPS(tera FLOPS)為每秒一萬億(=1012)次的浮點運算；TOPS 為處理器每秒鐘可進行一萬億次（1012）操作。行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 8 表表 4：云端：云端 AI 芯片公司與產品參數（不完全統計）芯片公司與產品參數（不完全統計）公司名稱公司名稱 主要產品主要產品 產品型號

29、產品型號 核心功能核心功能 核心架構核心架構 運算能力運算能力 內存大小內存大小 內存帶寬內存帶寬 功耗功耗 制程制程 Nvidia GPU、CPU Nvidia P100 訓練 NVIDIA Pascal 10.6 TFLOPSFP32 16GB 732 GB/s 300W 16nm Nvidia V100 訓練和推理 NVIDIA Volta 15.7 TFLOPSFP32 32 GB 1134 GB/s 250W 12nm Nvidia A100 訓練和推理 NVIDIA Ampere 1248 TOPSINT8 80GB 2039 GB/s 400W 7nm Nvidia H100 訓

30、練和推理 NVIDIA Ampere 3958 TOPSINT8 80GB 3.35 TB/s 700W TSMC 4N Nvidia T4 訓練和推理 NVIDIA Turing 130 TOPSINT8 16GB 300 GB/s 70W 12nm Intel CPU、GPU Intel Goya 推理 TPC 1.0 NA NA NA 100W 16nm Intel Greco 推理 NA NA 16GB NA 75W NA Intel Gaudi 訓練和推理 TPC 2.0 NA 32GB 2 TB/s 200W 16nm Intel Gaudi2 訓練和推理 異構 NA 96GB 2

31、.45 TB/s 600W 7nm Xilinx FPGA Xilinx Alveo 推理 Xilinx16nm UltraScale NA 8GB 201 GB/s 75W 16nm Google ASIC Google TPU v1 推理 多核 NA 8GB 34 GB/s NA 28nm Google TPU v2 訓練和推理 多核 46 TFLOPSBF16 16GB 700 GB/s NA 16nm Google TPU v3 訓練和推理 多核 123 TFLOPSBF16 32GB 900 GB/s 262W 16nm Google TPU v4 推理 多核 275 TFLOPSB

32、F16 32GB 1200 GB/s 192W 7nm 華為 海思 ASIC Ascend 310 推理 NPU 16 TOPSINT8 NA NA 8W 12nm Ascend 910 訓練和推理 NPU 640 TOPSINT8 NA NA 310W 7nm 阿里平頭哥 ASIC 阿里平頭哥 含 光800 推理 多核 825 TOPSINT8 NA NA 276W 12nm 燧原科技 GPU 燧原科技 云燧 i10 推理 多核 70.4 TOPSINT8 16GB 512 GB/s 150W 12nm 燧原科技 云燧 i20 推理 GCU-CARA 2.5 256 TOPSINT8 16G

33、B 819 GB/s 150W 12nm 燧原科技 云燧 T10 推理 GCU-CARA 1.0 20 TFLOPSFP32 16GB 512 GB/s 225W 12nm 燧原科技 云燧 T11 推理 GCU-CARA 1.0 22 TFLOPSFP32 16GB 560 GB/s 300W 12nm 燧原科技 云燧 T20 訓練 GCU-CARA 2.0 256 TOPSINT8 32GB 1.6 TB/s 300W 12nm 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 9 燧原科技 云燧 T21 訓練 GCU-CARA 2.0 256 TOPSIN

34、T8 32GB 1.6 TB/s 300W 12nm 寒武紀 ASIC 寒 武 紀 思元 100 訓練 MLUv01 32 TOPSINT8 8GB/16GB 102.4 GB/s 75W 16nm 寒 武 紀 思元 270 訓練和推理 MLUv02 128 TOPSINT8 16GB 102 GB/s 70W 16nm 寒 武 紀 思元 290 訓練和推理 MLUv02 512 TOPSINT8 32GB 1228 GB/s 350W 7nm 寒 武 紀 思元 370 訓練和推理 MLUv03 256 TOPSINT8 48GB 614.4 GB/s 250W 7nm 百度 ASIC 百度昆

35、侖芯 K 系列 推理 XPU-K 256 TOPSINT8 NA 512 GB/s 75W 14nm 百度昆侖芯 R 系列 訓練和推理 XPU-R 256 TOPSINT8 32GB 512 GB/s NA 7nm 資料來源：Nvidia、Intel、Xilinx、Google、華為海思、阿里平頭哥、燧原科技、寒武紀、百度昆侖芯等官網，天風證券研究所 1.2.邊端芯片：云端與終端的中繼站，滿足邊端芯片：云端與終端的中繼站，滿足 AI 輕量化部署需求輕量化部署需求 邊緣計算具備實時、靈活、降本等特性，數據采集量增加也會提升模型準確性。邊緣計算具備實時、靈活、降本等特性，數據采集量增加也會提升模型

36、準確性。AI 模型可分為兩個階段：1）訓練：需耗費大量的運算能力、內存、儲存空間等，通常只能放在服務器或是大型工作站進行多次的迭代運算，模型訓練完成后可以得到模型的最佳權重；2）推理：當邊、終端有新的數據被抓取進來，可以直接通過已訓練好的模型進行推論。邊緣AI 的優勢包含靈活性、實時洞察、降低成本、增加隱私、高可用性等特性，去中心化使得處理數據不需要互聯網訪問，這為關鍵任務、生產級 AI 應用程序帶來了更高的可用性和可靠性。此外 AI 模型在訓練更多數據時會變得越來越準確。當邊緣 AI 應用程序遇到它無法準確處理的數據時，它通常會上傳數據，以便 AI 可以重新訓練并從中學習，模型在邊緣生產的時

37、間越長，也會使得模型就越準確。AI 算法能夠理解語言、視覺、聲音、氣味、溫度、面部和其他非結構化信息的仿真形式，相較于結構化數據更能貼近現實世界，隨著神經網絡、計算基礎設施、物聯網設備逐步成熟，催生出邊緣 AI 相關需求。圖圖 9：AI 模型訓練與推理示意圖模型訓練與推理示意圖 資料來源：Intel（Distributed MLPerf ResNet50 Training on Intel Xeon Architectures with TensorFlow，Wei Wang,Niranjan Hasabnis），天風證券研究所 邊緣邊緣 AI 泛指靠近用戶部署輕量服務器，降低數據中心的網路流

38、量與延時。泛指靠近用戶部署輕量服務器，降低數據中心的網路流量與延時。深度學習的訓練過程通常在數據中心或云端運行，因為訓練準確的模型需要大量數據，而且需要數據科學家協作配置模型；訓練結束后，模型即成為推理引擎。在邊緣 AI 部署中，推理引擎在工廠、醫院、汽車、衛星和家庭等地區的某種計算器或設備上運行。當 AI 遇到問題時，數據會上傳到云端，以進一步訓練原始 AI 模型，這個反饋回路在提高模型性能方面起著重要作用。邊緣有很多定義，但一般來說邊緣可以定義為本地系統或在邊緣云中預先部署的服務器，而這些服務器與用戶的接近程度減輕了遍歷數據中心所需的網絡流量和延遲。行業行業報告報告|行業專題研究行業專題研

39、究 請務必閱讀正文之后的信息披露和免責申明 10 圖圖 10：邊緣邊緣 AI 應用流程示意圖應用流程示意圖 資料來源：Nvidia 官網，天風證券研究所 全球邊緣全球邊緣AI處理器市場規模近處理器市場規模近30億美元，億美元，快速響應快速響應需求增加有望帶動市場規?？焖僭鲩L。需求增加有望帶動市場規?？焖僭鲩L。由于機器學習創建的數據在設備上處理的需求增加，有望帶動邊緣人工智能處理器市場快速增長；2022 年全球邊緣 AI 處理器市場規模達到 29.1 億美元，根據 Research Dive 數據，預計 2025 年將達到 46 億美元，3 年年復合增長率達到 16%，預計 2030 年有望突破

40、 90 億美元的規模。邊緣 AI 運算需要實時評估信息的應用程序提供海量數據處理、訓練和預測等實時活動進而達到最小的延遲與實時自動決策。以自動駕駛為例，在檢測到可能發生的碰撞和改變轉向或制動之間是不允許有延遲，設備上的 AI 減少數據共享可以加快回復速度；以 IoT 為例，設備將大量數據發送到執行機器學習算法并將結果返回給設備的云，導致延遲響應；這些案例都是推動全球邊緣 AI 處理器市場增長的動力。圖圖 11：全球邊緣全球邊緣 AI 處理器市場規模（億美元）處理器市場規模（億美元）資料來源：Research Dive，天風證券研究所 邊緣服務器就近部署，邊緣服務器就近部署，輕量化輕量化實現實現

41、智能處理智能處理增加實時性。增加實時性。邊緣服務器具有體積較小、環境適應性更優、支持多種安裝方式、快速前維護和統一管理接口等技術特點。邊緣計算是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的開放平臺，就近提供邊緣智能服務，以降低對遠端數據中心的流量沖擊，有利于計算框架在終端和數據中心間的延展。以浪潮輕量化邊緣服務器 NE3160M5 為例，最大支持 16 核/2.2GHz，最大熱設計功率為 105W；相比于全場景適配的服務器 NF5280M6，最多支持 40 核/2.3GHz（最高頻率 3.6GHz（4 核），最大熱設計功率 270W；具備較強的環境適應性，較適用于AIO

42、T 和其他智能邊緣應用。隨著物聯網、5G 等新技術的發展，海量數據從邊緣端傳入邊緣計算平臺以驅動實時洞察和決策，給存儲和網絡帶寬帶來很大的成本和壓力。以浪潮邊緣微服務器 EIS200 為例，在不足 30W 的功耗下支持高達 21 TOPS AI 算力，最多支持 32路 1080 高清視頻解碼與 6 路編碼，支持有線網絡、WiFi、ZigBee、4G、5G 等多種網絡方式，主要面向智慧零售、智能制造、智慧城市和智慧物流等眾多邊緣 AI 應用場景。24.8429.1434.1039.5645.880.005.0010.0015.0020.0025.0030.0035.0040.0045.0050.

43、00202120222023E2024E2025E 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 11 圖圖 12：浪潮邊緣服務器部署架構（以浪潮邊緣服務器部署架構（以智能質檢解決方案智能質檢解決方案為例）為例）資料來源：浪潮官網，天風證券研究所 隨著物聯網設備增加，邊緣服務器需求有望快速增長。隨著物聯網設備增加，邊緣服務器需求有望快速增長。根據 ODCC 邊緣計算白皮書與Omdia 調研數據，2019 年全球發貨的 1190 萬臺 DC 服務器中，有 240 萬臺部署在邊緣，總收入達 147 億美元，同比增加 8。隨著物聯網連接設備數量的增長，低延遲、多

44、鏈接、高帶寬的新興業務以及數據本地化安全處理需求，驅動邊緣部署服務器的市場持續快速增長，預計 2024 年邊緣服務器的市場份額有望達到 28%。部署在邊緣環境的服務器形態百花齊放，目前部署在邊緣環境的服務器形態主要包括塔式、機架式、刀片式、HCI 和開放式計算服務器等。表表 5：邊：邊端端 AI 芯片公司與產品參數（不完全統計）芯片公司與產品參數（不完全統計）產品型號產品型號 芯片形態芯片形態 核心架構核心架構 運算能力運算能力 內存大小內存大小 內存帶寬內存帶寬 功耗功耗 制程制程 NVIDIA Jetson Nano GPU NVIDIA Maxwell 0.5 TFLOPSFP16 4G

45、B 25.6GB/s 5W 28nm NVIDIA Jetson TX2 GPU NVIDIA Pascal 1.33 TFLOPSFP16 4GB 59.7GB/s 7.5 W 16nm NVIDIA Xavier-NX GPU NVIDIA Volta 21 TOPSINT8 8GB 59.7GB/s 20W 12nm NVIDIA AGX-XAVIER GPU NVIDIA Volta 22 TOPSINT8 64GB 136.5GB/s 30W 12nm Nvidia T4 GPU NVIDIA Turing 130 TOPSINT8 16GB 300 GB/s 70W 12nm 寒武

46、紀 思元 220 ASIC MLUv02 8 TOPSINT8 4GB 29GB/s 8.25W 16nm 華為海思 Ascend 310 ASIC NPU 16 TOPSINT8 NA NA 8W 12nm 紫光展銳 虎賁 T710 ASIC 異構雙核 NPU 3.2 TOPSINT8 NA NA 2.3W 12nm 鯤云 星空 x3 ASIC CAISA 3.0 10.9 TOPSINT8 NA NA 23.8 W NA 鯤云 星空 x6A ASIC CAISA 3.0 4 TOPSINT8 8GB NA 30W NA 瑞芯微 RV1126 SoC 四核 ARM Cortex-A7 2.0

47、 TOPSINT8 NA NA NA NA 瑞芯微 RK3588 SoC 8 核 64 位架構 6TOPsINT8 NA NA NA 8nm 天數智芯 Iluvatar CoreX I GPU 通用 296 TOPSINT8 32GB 273GB/s 5W 16nm 資料來源：Nvidia、寒武紀、華為海思、紫光展銳、鯤云、瑞芯微、天數智芯官網，天風證券研究所 1.3.終端芯片：終端芯片：AIGC 應用多點開花，終端應用多點開花，終端 AI SoC 迎來升級變革迎來升級變革 AIGC 人工智能內容生成人工智能內容生成百花齊放百花齊放，終端交互需求快速增長，終端交互需求快速增長。AIGC 生成的

48、內容種類越來越豐富，而且內容質量也在顯著提升，隨著 AIGC 模型通用化水平和工業化能力提升，有望降低內容生產和交互的門檻和成本，在消費互聯網領域日趨主流化，實現寫作助手、AI 繪畫、對話機器人等應用。目前 AICG 在文本、語音、圖片生成等應用已初步形成交互場景，但在視頻、3D 等復雜度較高的領域仍處于探索階段，AIGC 在非結構化數據處理與應用仍有較大的發展空間。根據騰訊研究院與 Acumen Research and Consulting 預測，2030 年AIGC 市場規模有望達到 1100 億美元。行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 1

49、2 圖圖 13：AIGC 基礎模型和應用發展預測基礎模型和應用發展預測 資料來源：騰訊研究院、199IT，天風證券研究所 全球物聯網連接設備快速增長，各應用領域多點開花全球物聯網連接設備快速增長，各應用領域多點開花。根據 GSMA 公布的數據，2019年全球物聯網連接設備量達到 120 億臺，預計到 2025 年總連接數將會達到 246 億臺，年復合增長率達 13%；根據中國工信部發布的數據，中國物聯網連接數占全球的 30%，預計 2025 年將會達到 80 億臺。從未來 6 年增量的設備來看，主要增長來自智能家居，包含家電、網絡基礎設施、安全設備等；智慧建筑包含企業安全自動化、企業資產和設備

50、等。圖圖 14：2019-2025 年全球物聯網設備連接量（十億臺）年全球物聯網設備連接量（十億臺）資料來源：GSMA，天風證券研究所 終端終端朝向朝向 AI 應用應用發展，發展，SoC 成為成為為智能終端的算力主控為智能終端的算力主控。AI 應用提升產品智能化與用戶交互的體驗；終端運算包括實時性、數據隱私等優勢，且對設備制造商來說，不需要在產品銷售的每個區域都布署云基礎設施的支持，縮短產品上市的時間。其中底層硬件產品SoC 是在一塊芯片上集成一整個信息處理系統，擁有整個數字和模擬電路系統的完整功能，主要集成中央處理器、圖形處理器、視頻編解碼器、顯示控制器、總線控制器、內存子系統、音頻處理器、

51、輸入輸出子系統以及各類高速模擬接口等功能模塊。因此，SoC 的電路較為復雜，對研發設計、制造工藝以及軟硬件協同開發技術的要求較高，整體流程包含從基礎技術的研發到芯片應用的開發最終形成 SOC 產品。圖圖 15：終端人工智能應用終端人工智能應用 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 13 資料來源：聯發科、eet-china（https:/www.eet- SoC 涵蓋聲音、影像、涵蓋聲音、影像、AI 處理，為智能化場景提供完整解決方案。處理，為智能化場景提供完整解決方案。我們以聯發科智能物聯網平臺 Genio 700 為例，該 SoC 整合高性能八

52、核 CPU，適用于智能家居、互動零售、企業、商業、工業物聯網等場景；預計 2023 年第二季度開始商用。Genio 700 采用高能效6nm 制程，八核 CPU 包含 2 個主頻為 2.2GHz 的 Arm Cortex-A78 核心與 6 個主頻為 2.0GHz的 Cortex-A55 核心，整合的 AI 加速器可提供 4 TOPs 運算性能，可支持深度學習（DL）、神經網絡（NN）加速，以及計算器視覺（CV）應用；多媒體方面，擁有 4K 60Hz 和 FHD 60Hz的顯示，整合 ISP 影像訊號處理器，提供更出色的影像畫質。圖圖 16：聯發科聯發科 Genio 700 資料來源：聯發科，

53、勤業物聯官網，天風證券研究所 AI 用戶需求龐大，終端應用不斷落地用戶需求龐大，終端應用不斷落地。以 ChatGPT 為例，根據 Statista 與中國工信產業網數據，ChatGPT 發布五天用戶便超過 100 萬人，發布兩個月用戶突破 1 億，成為史上用戶數增長最快的消費者應用。ChatGPT 可以生成類人文本的對話式 AI 機器人已被用于各種用途，從編寫短篇小說、散文、音樂和學期論文到編寫基本代碼、解決數學問題和進行翻譯。2023 年 2 月微軟宣布在新版 Bing 搜索引擎及 Edge 瀏覽器整合 OpenAI 旗下人工智能技術，可以更容易理解使用者輸入的字詞，進一步搜尋完整的答案；2

54、023 年 3 月微軟宣布，正在透過 Microsoft 365 Copilot 將新一代 AI 強大功能導入生產力工具，也就是在使用 Office 工具，都有一個 AI 人工智能助手Copilot，幫助用戶可以透過對話的方式更有效率完成工作。圖圖 17：各應用突破各應用突破 100 萬用戶花費的時間萬用戶花費的時間 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 14 資料來源：Statista，天風證券研究所 1.4.存儲芯片：大數據同步算力提升存儲芯片：大數據同步算力提升，AI 需求推動市場增長需求推動市場增長 AI 運算需足夠的內存帶寬，智能化有望帶

55、動運算需足夠的內存帶寬，智能化有望帶動 DRAM 需求提升。需求提升。高性能 AI 應用中最常見的內存類型包含片上內存、HBM（高帶寬內存）和 Graphics DDR、SDRAM。SRAM 形式的片上存儲器是目前可用的最高帶寬和最節能的解決方案，但片上存儲器的容量低，適用于運行較小的神經網絡，或多個芯片之間拆分神經網絡協同工作；目前性能最高的兩種外部存儲器是 HBM 和 GDDR。HBM 是一種新型新型堆棧技術，每個 HBM 堆棧都有 1,024 條數據線但以低速運行傳輸數據；GDDR 數據線少于HBM，但以更高的數據速率運行。如果處理器沒有提供足夠的內存帶寬，那么架構可能會出現瓶頸，從而阻

56、止計算單元在等待來自內存系統的數據時以最佳性能運行。圖圖 18：AI 應用中常見的內存類型應用中常見的內存類型 資料來源：Rrambus 官網，天風證券研究所 NAND Flash 發展發展垂直方向堆棧垂直方向堆棧 3D NAND 層數層數。3D NAND 層數是目前 NAND 主要發展方向，主流廠商與現有技術分別為三星 176 層(V7)、鎧俠 162 層(BiCS6)、美光 176 層(2nd CTF)、海力士 176 層(V7)、長江存儲的 128 層 Xtacking TLC/QLC。3D NAND 的一些技術挑戰集中在越來越高的深寬比；2022 年三星憑借生產技術、價格和性能競爭力，

57、將 NAND Flash 堆棧層數從現有基礎上增加 60 層達到 236 層堆棧，I/O 速率達到了 2.4Gbps，相較于上一代產品提高 1.2 倍。國內長江存儲通過創新布局和縝密驗證，基于晶棧 Xtacking 研發制造的 3D NAND 將更具成本和創新優勢。圖圖 19：NAND Flash 技術路徑與各廠商進展技術路徑與各廠商進展 資料來源：TechInsights，EE Times，天風證券研究所 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 15 全球存儲芯片市場全球存儲芯片市場規模達規模達千億美千億美元但具備較強的周期性元但具備較強的周期性。

58、根據 WSTS、中商產業研究數據，2017-2021 年，全球存儲芯片市場規模分別為 1240、1580、1064、1175、1538 億美元；其中 2019 年受下游需求放緩影響導致存儲芯片價格下滑，整體市場規模下降；2020 年由于下游需求回暖疊加產能緊俏，存儲芯片行業恢復增長；2020 與 2021 年存儲芯片市場規模同比增速分別為 10%、31%；預計 2022 年存儲芯片的銷售額為 1555 億美元，同比增長1.1%；從中長期來看，根據 Yole 數據 2021-2027 年全球存儲芯片行業市場規模的復合年增長率為 8%，并有望在 2027 年增長到 2600 億美元以上，但產業會隨

59、庫存、需求、產能的變化而具有明顯的周期性。全球存儲類芯片市場中以 DRAM 和 NAND Flash 為主，2021 年市場規模占整體存儲芯片市場規模的比例分別為 56.4%和 40.1%，DRAM 和 NAND Flash 合計占比約為 96.5%。圖圖 20：全球存儲芯片行業市場規模（億美金）與同比增速全球存儲芯片行業市場規模（億美金）與同比增速 圖圖 21：2021 年存儲芯片產品結構年存儲芯片產品結構 資料來源：WSTS、中商產業研究院、深圳市電子商會，天風證券研究所 資料來源：Yole，天風證券研究所 隨著全新處理器相繼隨著全新處理器相繼推出有望推出有望帶動存儲需求帶動存儲需求持續向

60、上持續向上。手機方面聯發科天璣 9200旗艦移動平臺具有高性能、高能效、低功耗表現為旗艦市場打造新旗艦標桿，率先采用 Armv9 性能核，搭載 Cortex-X3 超大核（主頻高達 3.05GHz）及 Cortex-A715 大核（主頻高達 2.85GHz），存儲支持 LPDDR5x、UFS 4+MCQ；服務器市場，2022 年 11 月 AMD 發布 EPYC 9004 系列處理器 Genoa，支持 DDR5-4800 內存；英特爾 2023 年 1 月發布的第四代 Xeon Scalable 系列處理器 Sapphire Rapids，采用 10 納米 Enhanced SuperFin（

61、Intel 7）制程技術生產;新平臺還支持 PCIe Gen5、CXL 1.1（Compute Express Link）和 8 信道 DDR5 內存。圖圖 22：聯發科天璣聯發科天璣 9200 處理器處理器 圖圖 23：AMD 發布發布 EPYC 9004 處理器處理器 資料來源：聯發科官網，天風證券研究所 資料來源：AMD 官網，天風證券研究所 2.建議關注建議關注 云端云端 AI 相關企業：相關企業：寒武紀、海光信息（天風計算機覆蓋）、龍芯中科、紫光國微、復旦微電、安路科技等。邊邊/終端終端 AI 相關企業：相關企業：瑞芯微、恒玄科技、晶晨股份、全志科技、樂鑫科技、富瀚微、中科藍訊、炬芯

62、科技、兆易創新、中穎電子、芯?？萍嫉?。12401580106411751538 155527%-33%10%31%1%-40%-30%-20%-10%0%10%20%30%40%0200400600800100012001400160018002017 2018 2019 2020 2021 2022E市場規模yoy56.4%40.1%2.1%0.4%0.6%0.4%DRAMNANDNOREEPROM/其他SRAM/FRAM新型非易失性存儲 行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 16 存儲相關企業：存儲相關企業：瀾起科技、聚辰股份、北京君正、普冉股

63、份、東芯股份、江波龍（天風計算機聯合覆蓋）、佰維存儲等。AI 應用端相關企業：應用端相關企業：工業富聯、大華股份、?？低暤?。表表 6：重點關注公司（：重點關注公司（Wind 一致預期，數據截至一致預期，數據截至 2023 年年 3 月月 23 日）日）公司名稱 凈利潤（億元）PE 市值（億元）2022E 2023E 2022E 2023E 寒武紀-U-7.6-4.4 669 海光信息 14.2 21.2 108 72 1,539 龍芯中科 2.7 4.6 216 128 583 紫光國微 29.1 40.6 32 23 936 復旦微電 14.9 18.8 40 32 596 安路科技-U

64、0.9 1.9 326 152 295 瑞芯微 4.3 6.8 94 60 407 恒玄科技 3.1 4.9 59 37 180 晶晨股份 11.6 15.8 32 24 374 全志科技 3.4 4.3 53 42 180 樂鑫科技 2.0 2.9 55 39 111 富瀚微 4.2 5.5 41 31 172 中科藍訊 2.3 3.5 36 24 82 炬芯科技 49 兆易創新 24.8 26.9 31 29 778 中穎電子 3.9 4.5 36 32 142 芯?？萍?1.5 2.4 44 28 67 瀾起科技 18.6 26.9 42 29 784 聚辰股份 5.7 7.5 22 1

65、7 127 北京君正 9.3 11.7 44 35 411 普冉股份 84 東芯股份 4.6 5.9 31 24 143 江波龍 4.0 6.0 83 55 330 C 佰維 167 工業富聯 237.1 263.7 14 13 3,374 大華股份 24.0 34.2 27 19 655 ?？低?169.3 201.8 25 21 4,195 資料來源：Wind，天風證券研究所 3.相關風險相關風險 下游下游需求不如預期需求不如預期：下游市場需求如發生重大不利變化，或影響產品推廣使市場規模下滑。庫存去化不如預期庫存去化不如預期：如出現不可預測的市場需求的較大變化，導致市場需求出現下降，則可

66、能出現一定的存貨風險。研發與技術升級不如預期研發與技術升級不如預期：隨著產品換代、技術升級、用戶需求和市場競爭狀況不斷演變，AI 相關產品研發及技術更新換代不如預期或影響整體產業發展。宏觀環境變動帶來的風險宏觀環境變動帶來的風險：受貿易政策、宏觀經濟形勢等因素影響，全球經濟和半導體產業發展注入了新的不確定性和風險。行業行業報告報告|行業專題研究行業專題研究 請務必閱讀正文之后的信息披露和免責申明 17 分析師聲明分析師聲明 本報告署名分析師在此聲明：我們具有中國證券業協會授予的證券投資咨詢執業資格或相當的專業勝任能力，本報告所表述的所有觀點均準確地反映了我們對標的證券和發行人的個人看法。我們所

67、得報酬的任何部分不曾與，不與，也將不會與本報告中的具體投資建議或觀點有直接或間接聯系。一般聲明一般聲明 除非另有規定，本報告中的所有材料版權均屬天風證券股份有限公司（已獲中國證監會許可的證券投資咨詢業務資格）及其附屬機構（以下統稱“天風證券”）。未經天風證券事先書面授權，不得以任何方式修改、發送或者復制本報告及其所包含的材料、內容。所有本報告中使用的商標、服務標識及標記均為天風證券的商標、服務標識及標記。本報告是機密的，僅供我們的客戶使用，天風證券不因收件人收到本報告而視其為天風證券的客戶。本報告中的信息均來源于我們認為可靠的已公開資料，但天風證券對這些信息的準確性及完整性不作任何保證。本報告

68、中的信息、意見等均僅供客戶參考，不構成所述證券買賣的出價或征價邀請或要約。該等信息、意見并未考慮到獲取本報告人員的具體投資目的、財務狀況以及特定需求，在任何時候均不構成對任何人的個人推薦?？蛻魬攲Ρ緢蟾嬷械男畔⒑鸵庖娺M行獨立評估，并應同時考量各自的投資目的、財務狀況和特定需求，必要時就法律、商業、財務、稅收等方面咨詢專家的意見。對依據或者使用本報告所造成的一切后果，天風證券及/或其關聯人員均不承擔任何法律責任。本報告所載的意見、評估及預測僅為本報告出具日的觀點和判斷。該等意見、評估及預測無需通知即可隨時更改。過往的表現亦不應作為日后表現的預示和擔保。在不同時期，天風證券可能會發出與本報告所載

69、意見、評估及預測不一致的研究報告。天風證券的銷售人員、交易人員以及其他專業人士可能會依據不同假設和標準、采用不同的分析方法而口頭或書面發表與本報告意見及建議不一致的市場評論和/或交易觀點。天風證券沒有將此意見及建議向報告所有接收者進行更新的義務。天風證券的資產管理部門、自營部門以及其他投資業務部門可能獨立做出與本報告中的意見或建議不一致的投資決策。特別聲明特別聲明 在法律許可的情況下，天風證券可能會持有本報告中提及公司所發行的證券并進行交易，也可能為這些公司提供或爭取提供投資銀行、財務顧問和金融產品等各種金融服務。因此，投資者應當考慮到天風證券及/或其相關人員可能存在影響本報告觀點客觀性的潛在

70、利益沖突，投資者請勿將本報告視為投資或其他決定的唯一參考依據。投資評級聲明投資評級聲明 類別類別 說明說明 評級評級 體系體系 股票投資評級 自報告日后的 6 個月內，相對同期滬 深 300 指數的漲跌幅 行業投資評級 自報告日后的 6 個月內，相對同期滬 深 300 指數的漲跌幅 買入 預期股價相對收益 20%以上 增持 預期股價相對收益 10%-20%持有 預期股價相對收益-10%-10%賣出 預期股價相對收益-10%以下 強于大市 預期行業指數漲幅 5%以上 中性 預期行業指數漲幅-5%-5%弱于大市 預期行業指數漲幅-5%以下 天風天風證券研究證券研究 北京北京 ?？诤？?上海上海 深圳深圳 北京市西城區佟麟閣路 36 號 郵編：100031 郵箱： 海南省?？谑忻捞m區國興大道 3 號互聯網金融大廈 A 棟 23 層 2301 房 郵編：570102 電話：(0898)-65365390 郵箱： 上海市虹口區北外灘國際 客運中心 6 號樓 4 層 郵編：200086 電話：(8621)-65055515 傳真：(8621)-61069806 郵箱： 深圳市福田區益田路 5033 號 平安金融中心 71 樓 郵編：518000 電話：(86755)-23915663 傳真：(86755)-82571995 郵箱：