電子行業深度報告：AI商業模式逐步落地算力產業鏈迎接星辰大海-230327（48頁）.pdf

《電子行業深度報告：AI商業模式逐步落地算力產業鏈迎接星辰大海-230327（48頁）.pdf》由會員分享，可在線閱讀，更多相關《電子行業深度報告：AI商業模式逐步落地算力產業鏈迎接星辰大海-230327（48頁）.pdf（48頁珍藏版）》請在三個皮匠報告上搜索。

1、 證券研究報告 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明 行業深度報告行業深度報告 Table_IndustryName 電子行業電子行業 Table_ReportDate 2023 年年 03 月月 27 日日 Table_Title A AI I 商業模式逐步落地，算力產業鏈商業模式逐步落地，算力產業鏈迎接星辰大海迎接星辰大海 電子行業電子行業 推薦推薦(維持維持)核心觀點核心觀點:Table_SummaryTable_Summary AI 帶動萬億藍海市場，帶動萬億藍海市場，“模型模型+數據數據+算力算力”為產業核心壁壘為產業核心壁壘。AI歷史發展余 70年，當前正處于新一輪

2、產業變革制高點。從規模上看，全球 AI 產業規模預計 2030 年將達到 1500 億，未來 8 年復合增速約 40%。從市場來看，美國領先，中國和歐盟并駕齊驅，三地企業合計份額為 70.01%。2022年中國人工智能產業規模達 1958億元，年增長率 7.8%，整體穩健增長。模型、數據和算力為人工智能發展三駕馬車，Transformer模型的引入標志著自然語言處理模型能夠大規模地生成類似人類的語言，并且進入可大規模、可復制的大工業落地階段。算法模型發展的同時，對于數據規模和質量的要求也在不斷提高。其中 ChatGPT 參數量達到 1750 億次，數據規模達到45TB，從 1956-2020

3、年，計算機處理能力的 FLOPS 增加了一萬億倍。同時海外和國內互聯網行業巨頭積極布局 AI，競賽壓力逐步提升。AI 產業迎來產業迎來“iPhone”時刻時刻，英偉達英偉達召開召開 GTC2023，關注高性能計，關注高性能計算相關領域壁壘算相關領域壁壘。英偉達在 GTC2023推出 AI Foundations 云服務，從 NEMO、PICASSO、BIONEMO 三方面，賦能不同 AI 場景。同時發布 H100 NVL服務器，相比 A100 DGX提供 10倍的計算速度。在大算力背景下，存算性能呈現剪刀差，存儲器件性能遠弱于算力性能提升，AI訓練未來的瓶頸不是算力，而是 GPU的“內存墻”。

4、因此，未來存算一體化趨勢確定，HBM與 Chiplet有望實現降本增效，全球半導體廠商已提出多種解決方案，存內計算電路可基于SRAM和 NOR Flash實現。HBM的高帶寬技術，基于 TSV 和芯片堆疊技術的堆疊可實現高于 256GBp/s 帶寬遠超過 DDR4 和 GDDR6。Chiplet技術無需中介層、芯片直接通過 TSV直接進行高密度互連,性能可以得到很大的提升，算力水平也會提高。AI 商業落地曙光出現，商業落地曙光出現，ChatGPT引爆大算力需求引爆大算力需求。ChatGPT 是使用海量語料庫進行訓練的語言生成器，在 2022 年 11月 ChatGPT推出后，迅速引爆市場，2

5、個月內月活躍用戶數便達一億，成為了歷史上用戶增長最快的消費應用。ChatGPT 參數量 2018 年OpenAI發布的 ChatGPT 1.0 的模型參數為 1.17億，2019 年的第二代模型參數為 15 億，ChatGPT 3.0 的參數相比于 ChatGPT2.0增長了近百倍，達到了 1750億。強大的算力水平是 AI 大 模型必備的技術支撐,ChatGPT 3.0 模型需要使用 1024 顆英偉達A100 芯片訓練長達一個月的時間,AIGC 商業落地蓄勢待發，未來對算力的需求更將超乎想象。Table_Authors 分析師分析師 高峰：010-80927671：gaofeng_ 分析師

6、登記編碼：S0130522040001 王子路：010-80927632：wangzilu_ 分析師登記編碼：S0130522050001 行業相對滬深行業相對滬深 300 表現圖表現圖 資料來源：Wind，中國銀河證券研究院 相關研究相關研究 Table_Research【銀河電子】行業月報_功率半導體高景氣有望延續，集成電路靜待周期回暖【銀河電子】電子行業年度策略報告_以自主可控為基，以創新成就未來 221213【銀河電子】行業深度報告_電子行業三季報總結_三季度業績承壓，行業底部信號初現 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。1

7、 我們認為，在我們認為，在 ChatGPT等應用商業化出現落地方式，等應用商業化出現落地方式，AIGC創作內容不斷增創作內容不斷增長的條件下，芯片作為長的條件下，芯片作為 AI行業的基礎設計，為行業的基礎設計，為 AI訓練和數據計算提供支持，訓練和數據計算提供支持，未來未來 AI 應用落地應用落地層面對龐大算力的需求更為重要，因此，相關算力產業鏈層面對龐大算力的需求更為重要，因此，相關算力產業鏈未來發展值得期待。未來發展值得期待。我們看好國內相關算力產業鏈公司的未來發展，建議關注：GPU、加速卡、AI 芯片：寒武紀（688256.SH）、景嘉微（300474.SZ）、海光信息（688041.S

8、H）;先進封裝：通富微電（002156.SZ）、長電科技（600584.SH）、深科技（000021.SZ）;服務器及加速卡 PCB：滬電股份（002463.SZ）、勝宏科技（300476.SZ）;AIoT產業鏈：瑞芯微（603893.SH）、全志科技（300458.SZ）、晶晨股份（688099.SH）、富瀚微（300613.SZ）;芯片 IP：芯原股份（688521.SH）、華大九天（301269.SZ）;存儲芯片/模組/PCIe：兆易創新（603986.SH）、江波龍（301308.SZ）、北京君正（300223.SZ）、聚辰股份（688123.SH）、瀾起科技（688008.SH）;散

9、熱材料：中石科技（300684.SZ）、飛榮達（300602.SZ）。建議關注建議關注 股票名稱股票名稱 股票代碼股票代碼 當前價格當前價格 EPS(元元)PE（X）2022E 2023E 2024E 2022E 2023E 2024E 寒武紀-U 688256.SH 183.00-1.89-1.09-景嘉微 300474.SZ 113.05 0.63 0.93 1.27 178.12 121.55 89.10 海光信息 688041.SH 66.25 0.61 0.91-107.88 72.49-通富微電 002156.SZ 24.79 0.39 0.74 1.06 63.08 33.40

10、23.45 長電科技 600584.SH 33.40 1.85 2.04 2.37 18.10 16.40 14.07 深科技 000021.SZ 15.34 0.53 0.66 0.74 28.81 23.17 20.81 滬電股份 002463.SZ 21.60 0.88 1.12 1.42 24.50 19.34 15.21 勝宏科技 300476.SZ 19.50 0.99 1.22 1.54 19.76 15.94 12.62 瑞芯微 603893.SH 95.85 0.93 1.46 2.07 103.48 65.67 46.41 全志科技 300458.SZ 28.90 0.54

11、 0.69-53.47 42.10-晶晨股份 688099.SH 88.38 2.78 3.81-31.77 23.20-富瀚微 300613.SZ 74.31 1.85 2.40 3.12 40.24 30.90 23.81 華大九天 301269.SZ 122.34 0.34 0.47 0.64 355.33 259.25 190.92 兆易創新 603986.SH 117.90 3.72 4.03 4.98 31.68 29.22 23.67 江波龍 301308.SZ 83.77 0.96 1.38 1.89 87.31 60.70 44.44 北京君正 300223.SZ 85.43

12、 1.94 2.44 3.16 44.15 35.05 27.07 聚辰股份 688123.SH 103.93 4.70 6.17-22.12 16.84-瀾起科技 688008.SH 70.17 1.64 2.37-42.75 29.65-中石科技 300684.SZ 18.97 0.69 0.97 1.35 27.52 19.56 14.07 飛榮達 300602.SZ 17.35 0.07 0.40 0.80 250.00 43.09 21.75 資料來源：Wind，中國銀河證券研究院 nNnMWW9YbZaYuY8ZzW6McM8OoMpPmOnOlOrRmPeRtRzQaQoPoOu

13、OoNsQwMtRnR 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。2 目目 錄錄 一、一、AIAI 帶動萬億藍海市場，“模型帶動萬億藍海市場，“模型+數據數據+算力”為產業核心壁壘算力”為產業核心壁壘 .3 3 （一）（一）AIAI 產業歷經產業歷經 7070 年發展，終將迎來第四次工業革命年發展，終將迎來第四次工業革命 .3 3 （二）產業規模擴容廠商競入新藍海，國家政策（二）產業規模擴容廠商競入新藍海，國家政策 AIAI 發展發展 .5 5 （三）人工智能發展三駕馬車（三）人工智能發展三駕馬車模型、數據和算力模型、數據和算力 .9 9

14、 1、模型.10 2、數據.12 3、算力.12（四）互聯網行業巨頭積極布局，（四）互聯網行業巨頭積極布局，AIAI 競賽壓力不減競賽壓力不減.1414 1、微軟投資 OpenAI，探索 AI 在在多場景落地.14 2、谷歌引領人工智能驅動商業化創新.16 3、百度All in AI，十年布局長跑.17 二、英偉達舉辦二、英偉達舉辦 GTC2023GTC2023，關注高性能計算相關領域壁壘，關注高性能計算相關領域壁壘.2020 （二）大算力場景下，多項技術瓶頸期待突破（二）大算力場景下，多項技術瓶頸期待突破 .2323 （三）存算一體化趨勢確定，（三）存算一體化趨勢確定，HBMHBM 與與 C

15、hipletChiplet 實現降本增效實現降本增效 .2525 三、三、AIAI 商業落地曙光出現，商業落地曙光出現，ChatGPTChatGPT 引爆大算力需求引爆大算力需求 .2929 （一）（一）AIAI 芯片：算力水平是核心競爭力芯片：算力水平是核心競爭力 .3131 （二）先進封裝：“后摩爾時代”先進封裝突破極限（二）先進封裝：“后摩爾時代”先進封裝突破極限 .3434 （三）服務器（三）服務器 PCBPCB：AIAI 服務器催動服務器催動 PCBPCB 技術升級技術升級 .3535 （四）散熱：功耗與算力同步提升，散熱技術面臨挑戰（四）散熱：功耗與算力同步提升，散熱技術面臨挑戰

16、.3838 （五）（五）AIoTAIoT：從“萬物互聯”到“萬物智聯”：從“萬物互聯”到“萬物智聯”.4040 四、投資建議四、投資建議 .4242 五、風險提示五、風險提示 .4343 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。3 一、一、AIAI 帶動萬億藍海市場，“模型帶動萬億藍海市場，“模型+數據數據+算力”為產業算力”為產業核心壁壘核心壁壘 （一）AI 產業歷經 70 年發展，終將迎來第四次工業革命 AI 歷史發展余歷史發展余 70 年，經歷多發展階段，最早可追溯至上世紀初期。年，經歷多發展階段，最早可追溯至上世紀初期。AI 目

17、前已滲透至日常生活方方面面，在醫療保健、汽車、金融、游戲、環境監測、農業、體育、能源管理、安全等各個領域的大量應用正在改變人類的生活、工作和娛樂方式。這些技術的進一步發展將迎來第四次工業革命。，造成這一現象的原因包括計算機技術的進步（高性能計算、網格和云計算）、代碼共享度提高（GitHub、GitLab、BitBucket 等服務）以及大量開源軟件。AI 將為企業和國家經濟系統提供革命改變，商業領域，人工智能帶來的優勢包括：快速揭示大數據中的模式、快速進行可視化和分析、改進產品設計等等，并進一步有望提升服務水平、增加利潤、擴大業務、提高效率和成本結構。表表 1：人工智能發展歷程人工智能發展歷程

18、 發展階段發展階段 年份年份 發展歷程發展歷程 萌芽 1900-1956 1900 年，希爾伯特在數學家大會上宣布了 23 個未解決的問題，其中第二和第十個問題與人工智能密切相關，最終促進了計算機的發明。1954 年，馮-諾依曼完成了早期計算機 EDVAC 的設計，并提出了 馮-諾依曼架構。圖靈、哥德爾、馮-諾依曼、維納、克勞德-香農和其他的先驅者奠定了人工智能和計算機技術的基礎。黃金時代 1956-1974 1965 年，麥卡錫、明斯基等科學家召開 達特茅斯會議，首次提出 人工智能（AI）的概念，標志著人工智能學科的誕生。隨后，人工智能研究進入了 20 年的黃金時代，取得了一批令人矚目的研究

19、成果，如機器定理證明和跳棋程序，掀起了人工智能發展的第一個高潮。在這個黃金時代，約翰-麥卡錫開發了 LISP 語音，成為此后幾十年人工智能領域最主要的編程語言；馬文-明斯基對神經網絡有了更深入的研究，也發現了簡單神經網絡的缺點；接著開始出現多層神經網絡和反向傳播算法。第一次寒冬 1974-1980 人工智能發展的最初突破極大地提高了人們的期望，使人們高估了科技發展的速度。然而，連續的失敗和預期目標的落空使人工智能的發展進入低谷。1973 年，賴特-希爾關于人工智能的報告，拉開了人工智能冬天的序幕。此后，科學界對人工智能進行了一輪深入的拷問，使人工智能受到了嚴厲的批評和對其實用價值的質疑。隨后，

20、政府和機構也停止或減少了資助，人工智能在 20 世紀 70 年代陷入了它的第一個冬天。有限的計算能力和大量常識性數據的缺乏使發展陷入瓶頸，尤其是過度依賴計算能力和經驗數據量的神經網絡技術，在很長一段時間內沒有取得實質性的進展。應用發展 1980-1987 專家系統模擬人類專家的知識和經驗來解決特定領域的問題，實現了人工智能從理論研究到實際應用的重大突破。專家系統在醫學、化學、地質學等領域的成功，將人工智能推向了應用發展的新高潮，1980 年 XCON 在卡內基梅隆大學（CMU）正式啟動，成為專家系統開始在特定領域發揮作用的里程碑，推動了整個人工智能技術進入繁榮階段。經過十年的沉寂，神經網絡有了

21、新的研究進展，并發現了具有學習能力的神經網絡算法，這使得神經網絡的發展在 20 世紀 90年代后期一路走向商業化，被應用于文字圖像識別和語音識別。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。4 第二次寒冬 1987-1993 隨著人工智能應用規模的不斷擴大，應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一、缺乏分布式功能、與現有專家系統數據庫難以兼容等問題逐漸暴露出來。當時的人工智能領域主要使用約翰-麥卡錫的 LISP 編程語言。LISP 機的逐步發展被蓬勃發展的個人電腦打敗了，專用 LISP 機的硬件銷售市場嚴重崩潰，人工智能領域

22、再次進入寒冬。硬件市場的崩潰和理論研究的混亂，再加上政府和機構紛紛停止對人工智能研究領域的資金投入，導致人工智能領域幾年來一直處于低迷狀態。但另一方面在理論方法的研究上也取得了一些成果。1988 年，美國科學家朱迪亞-皮爾將概率統計方法引入人工智能的推理過程；IBM 的沃森研究中心將概率統計方法引入到人工智能的語言處理中；1992 年，李開復利用統計方法設計開發了世界上第一個獨立于揚聲器的連續語音識別程序；1989 年，AT&T 貝爾實驗室的亞恩-萊坤和團隊將卷積神經網絡技術應用在了人工智能的手寫數字圖像識別中。穩步發展 1993-2011 人工智能的創新研究因網絡技術的發展而加速，尤其是互聯

23、網的發展，使人工智能技術進一步實用化。1995 年，理查德-華萊士開發了新的聊天機器人程序 Alice，它能夠利用互聯網不斷增加自己的數據集并優化內容。1997 年，IMB 的計算機 Deep blue 深藍擊敗了世界象棋冠軍卡斯帕羅夫。德國科學家霍克賴特和施米德赫伯提出了 LSTM 遞歸神經網絡，至今仍被用于手寫識別和語音識別，對后來的人工智能研究產生了深遠影響。2004 年，美國神經科學家杰夫霍金斯出版了人工智能的未來，2006 年，杰弗里辛頓出版了學習多層表征，為神經網絡奠定了一個新的架構，對未來人工智能中的深度學習的研究產生了深刻影響。深化階段 2012-至今 隨著移動互聯網技術和云計

24、算技術的爆發，積累了難以想象的數據量，為人工智能的后續發展提供了足夠的素材和動力，以深度神經網絡為代表的人工智能技術的快速發展，大大跨越了科學與應用之間的 技術鴻溝，迎來了爆發式增長。2012 年，多倫多大學在 ImageNet 視覺識別挑戰賽上設計的深度卷積神經網絡算法，被認為是深度學習革命的開始。2014 年，Ian Goodfellow 提出了 GANs 生成式對抗網絡算法，這是一種用于無監督學習的人工網絡。這是一種用于無監督學習的人工智能算法，由生成網絡和評估網絡組成，這種方法很快被人工智能的許多技術領域所采用。2016 年和 2017 年，谷歌推出的人工智能程序 AlphaGo 連續

25、擊敗了前圍棋世界冠軍韓國的李世石，以及現任圍棋世界冠軍中國的柯潔，引起了巨大轟動。同時語音識別、圖像識別、無人駕駛等技術不斷進步。2022 年 11 月，OpenAI 推出其開發的一個人工智慧聊天機器人程序 ChatGPT。該程序使用基于 GPT-3.5 架構的大型語言模型并通過強化學習進行訓練，成為 AIGC 現象級應用。資料來源：人工智能導論人工智能的發展歷史、現狀及發展趨勢，銀河證券研究院 當前正處于第四次工業革命的風口浪尖，正處于新一輪產業變革制高點。當前正處于第四次工業革命的風口浪尖，正處于新一輪產業變革制高點。當下全球正在發生的第四次工業革命是人工智能、智慧網聯時代，以超大數據、超

26、強算力、超強算法的人工智能為核心技術，以智能家居、智能音箱、智慧城市、智能汽車和手機為數據入口的智能終端產品正加速 AI時代的進化。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。5 圖圖 1：全球人工智能產業浪潮：全球人工智能產業浪潮 資料來源：中國信通院，中國銀河證券研究院（二）產業規模擴容廠商競入新藍海，國家政策 AI 發展 全球全球 AI產業規模預計產業規模預計 2030年將達到年將達到 1500億，未來億，未來 8年復合增速約年復合增速約 40%。目前全球人工智能企業的數量迅速增長，2022年，全球人工智能（AI）市場規模估計為 19

27、7.8億美元，預計到 2030年將達到 1591.03億美元，從 2022年到 2030年，復合年增長率為 38.1%。從地區上來看，美中歐暫時領先，格局仍未確定。從地區上來看，美中歐暫時領先，格局仍未確定。其中 AI市場美國領先，中國和歐盟并駕齊驅。截至 2017年，全球人工智能企業主要集中在美國（2905 家）、中國（670 家）和歐盟（657 家），如圖所示，合計份額為 70.01%。目前，美國仍是人工智能的核心發源地之一，其他國家也在迅速跟進人工智能的研發。國內北京人工智能發展領跑全國，上海、廣東、江蘇、浙江等地發展逐漸加快。圖圖 2：人工智能全球市場規模預測人工智能全球市場規模預測

28、圖圖 3：2017年人工智能全球產業格局年人工智能全球產業格局 資料來源：Precedence Research，中國銀河證券研究院 資料來源：人工智能產業化的歷史、現狀與發展趨勢，中國銀河證券研究院 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。6 圖圖 4：人工智能全球產業分布：人工智能全球產業分布 資料來源：中國信通院，中國銀河證券研究院 2022 年中國人工智能產業規模達年中國人工智能產業規模達 1958 億元，年增長率億元，年增長率 7.8%，整體穩健增長。，整體穩健增長。而從應用格局來看，機器視覺、智能語音和自然語言處理是中國人工

29、智能市場規模最大的三個應用方向。根據清華大學數據顯示，三者占比分別為 34.9%、24.8%和 21%。一方面，政策推動下國內應用場景不斷開放，各行業積累的大量數據為技術落地和優化提供了基礎條件。另一方面，以百度、阿里、騰訊和華為為代表的頭部互聯網和科技企業加快在三大核心技術領域布局，同時一系列創新型獨角獸企業在垂直領域快速發展，龐大的商業化潛力推動核心技術創新。圖圖 5：中國人工智能產業規模：中國人工智能產業規模 圖圖 6：人工智能應用方向：人工智能應用方向 資料來源：艾瑞咨詢，中國銀河證券研究院 AI 場景豐富，多垂直細分領域均有應用。場景豐富，多垂直細分領域均有應用?？萍伎萍嫉牡某掷m研究

30、和創新正在推動持續研究和創新正在推動人工智能人工智能技術在行業垂直領域的技術在行業垂直領域的應用應用，如汽車、醫療、零，如汽車、醫療、零售、金融和制造業。售、金融和制造業。例如，2020年 11 月，英特爾公司收購了 Cnvrg.io，為數據科學家建立和運行機器學習模型開發和運營平臺，以促進其人工智能業務。深度學習和 ANN（人工神經網絡）的進步也推動了人工智能在航空航天、醫療保健、制造和汽車等多個行業的應用，Google一直在采用 ANN 來改善路線，并處理使用 ANN 收到的反饋。計算機視覺技術的最新進步，如 GAN（Generative Adversarial Networks）和 SS

31、D（Single Shot MultiBox Detector），已經促成了數字圖像處理技術的誕生，這些技術可以使在低光或低分辨率下拍攝的圖像和視頻轉換為高清質量，計算機視覺的持續研究為安全與監控、醫療保健和運輸等部門的數字圖像處理奠定了基礎。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。7 在人工智能不同的垂直應用領域中，廣告和媒體部門引領市場在 2022 年占全球收入份額的 19.5%以上，這一高份額歸因于人工智能營銷應用程序不斷地增長。預計到 2030 年，醫療保健部門將獲得最大份額?；跈C器人輔助手術、減少劑量錯誤、虛擬護理助理、臨床

32、試驗參與者標識符、醫院工作流程管理、初步診斷和自動圖像診斷等用例，醫療保健部門已獨樹一幟。圖圖 7：人工智能應用市場細分人工智能應用市場細分 資料來源：Grand View Research，中國銀河證券研究院 在國內，機器視覺領域是人工智能應用最多最廣的板塊。在國內，機器視覺領域是人工智能應用最多最廣的板塊。2022 年機器視覺相關投融資浪潮高企，工業、泛安防、能源賽道熱度高漲，持續受到資本青睞。近兩年來是 AI產業上市最火爆的細分賽道，涌現了商湯科技、格靈深瞳、云從科技、奧比中光等 IPO企業，2022年我國機器視覺產品的市場規模達到 830億元。同時，龐大的市場牽引科技研發，我國在全球機

33、器視覺技術創新上已位居世界前列。截至 2021 年 8 月，中國機器視覺專利申請量占全球機器視覺專利總申請量的 78.7%；其次是美國，占比為 14.2%。圖圖 8：中國機器視覺產業規模：中國機器視覺產業規模 圖圖 9：截至：截至 2021年年 8月機器視覺專利申請數月機器視覺專利申請數 資料來源：艾瑞咨詢，中國銀河證券研究院 資料來源：艾瑞咨詢，中國銀河證券研究院 國家政策不斷發力，助力中國國家政策不斷發力，助力中國 AI成長。成長。近年來，人工智能產業發展受到國家層面的重視，相關政策頻出。2017年，國務院出臺新一代人工智能發展規劃，成為中國人工智能發展的指導性文件；國家發改委、中央網信辦

34、、工信部等部門陸續發布人工智能相關細則，部署人工 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。8 智能發展計劃。近五年來，中國政府憑借在人工智能產業發展中強有力的領導地位，發揮資源聚集的制度優勢。國家堅持“市場導向”，秉持開源開放原則，在推動產學研用多主體共享成果的同時還加強軍民深度融合，實現創新資源共享和科技成果雙向轉化，不斷通過政策更好地引導人工智能產業全方位快速發展。表表 2：近五年中國人工智能政策：近五年中國人工智能政策 政策政策 時間時間 部門部門 政策內容政策內容 2018 年政府工作報告 2018.03 國務院“人工智能再次被

35、寫入政府工作報告，強調要加強新一代人工智能研發應用，在醫療、養老、教育、文化、體育等多領域推進“互聯網+”高等學校人工智能創新行動計劃 2018.04 教育部 聚焦并加強新一代人工智能基礎理論和核心關鍵技術研究，加快建設人工智能科技創新基地，加快建設一流人才隊伍和高水平創新團隊 機器人產業發展規劃（20162020 年）2018.04 工信部、發改委、財政部 開展人工智能、機器人深度學習等基礎前沿技術研究，圍繞人工智能、感知與識別、機構與驅動，控制與交互等方面開展基礎和共性關鍵技術研究 關于發展數字經濟穩定并擴大就業的指導意見 2018.09 發改委 加快形成適應數字經濟發展的就業政策體系，大

36、力提升數字化、網絡化、智能化就業創業服務能力，大力培育互聯網，物聯網、大數據、云計算、人工智能等領域的就業機會 新一代人工智能產業創新點任務揭榜工作方案 2018.11 國務院 征集并遴選一批掌握人工智能核心關鍵技術，創新能力強、發展潛力大的企業、科研機構等，調動產學研用各方積極性 2019 年政府工作報告 2019.03 國務院 促進新興產業加快發展。深化大數據，人工智能等研發應用，培育新一代信息技術，高端裝備、生物醫藥，新能源汽車、新材料等新興產業集群，壯大數字經濟。加快在各行業各領域推進“互聯網+”關于促進人工智能和實體經濟深度融合的指導意見 2019.03 中央深改委 提出促進人工智能

37、和實體經濟深度融合，堅持以市場需求為導向，以產業應用為目標，深化改革創新，優化制度環境，激發企業創新活力和內生動力，結合不同行業、不同區域特點，探索創新成果應用轉化的路徑和方法，構建數據驅動，人機協同、跨界融合，共創分享的智能經濟形態 新一代人工智能治理原則 2019.06 科技部 突出了發展負責任的人工智能這一主題，強調了和諧友好、公平公正、包容共享、尊重隱私。安全可控、共擔責任、開放協作、敏捷治理等八條原則 國家新一代人工智能創新發展試驗區建設工作指引 2019.08 科技部 提出開展人工智能技術應用示范、人工智能政策試驗、人工智能社會實驗，積極推進人工智能基礎設施建設，到 2023 年，

38、布局建設 20 個左右試驗區 中共中央、國務院關于構建更加完善的要素市場化配臵體制機制的意見 2020.04 中共中央、國務院 培育數字經濟新產業、新業態和新模式，支持構建農業、工業、交通、教育、安防、城市管理、公共資源交易等領域規范化數據開發利用的場景。發揮行業協會商會作用，推動人工智能、可穿戴設備、車聯網、物聯網等領域數據采集標準化。2020 政府工作報告 2022.05 國務院 推動制造業升級和新興產業發展。大幅增加制造業中長期貸款。發展工業互聯網，推進智能制造。電商網購、在線服務等新業態在抗疫中發揮 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公

39、司免責聲明。9 了重要作用，要繼續出臺支持政策，全面推進“互聯網+”打造數字經濟新優勢。國家新一代人工智能標準體系建設指南 2022.08 工信部等五部委 為加強人工智能領域標準化頂層設計，推動人工智能產業技術研發和標準制定，促進產業健康可持續發展，國家標準化管理委員會、中央網信辦、國家發展改革委、科技部及工業和信息化部印發國家新一代人工智能標準體系建設指南，Al 產業迎來頂層設計。國家新一代人工智能創新發展試驗區建設工作指引 2022.09 客人基本 鼓勵直轄市、副省級城市、地級市等地方申請建設國家新一代人工智能創新發展試驗區，科技部將從政策、資源等方面對試驗區建設給予支持。十四五規劃和 2

40、035 年遠景目標 2021.03 中共中央 圍繞總體目標，規劃綱要在三個方面布局人工智能發展。突破核心技術，打造數字經濟新優勢，營造良好數字環境。新一代人工智能倫理規范 2021.09 科技部 提出了增進人類福祉、促進公平公正、保護隱私安全、確?？煽乜尚?、強化責任擔當、提升倫理素養等 6 項基本倫理要求。同時，提出人工智能管理、研發、供應、使用等特定活動的 18 項具體倫理要求。關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見 2022.07 科技部等六部門 以促進人工智能與實體經濟深度融合為主線，以推動場景資源開放、提升場景創新能力為方向，強化主體培育、加大應用示范、創新體

41、制機制、完善場景生態，加速人工智能技術攻關、產品開發和產業培育，探索人工智能發展新模式新路徑，以人工智能高水平應用促進經濟高質量發展。關于支持建設新一代人工智能示范應用場景的通知 2022.08 科技部 堅持面向世界科技前沿、面向經濟主戰場、面向國家重大需求、面向人民生命健康，充分發揮人工智能賦能經濟社會發展的作用，圍繞構建全鏈條、過程的人工智能行業應用生態，支持一批基礎較好的人工智能應用場景，強研發上下游配合與新技術集成，打造形成一批可復制、可推廣的標桿型示范應用場景。首批支持建設十個示范應用場景。質量強國建設綱要 2023.02 中共中央、國務院 加快大數據、網絡、人工智能等新技術的深度應

42、用，促進現代服務業與先進制造業、現代農業融合發展。資料來源：政府信息網，中國銀河證券研究院（三）人工智能發展三駕馬車模型、數據和算力 人工智能產業鏈按照上下游可以分為人工智能基礎層、人工智能技術層、人工智能應用層。其中，上游人工智能基礎層將 AI 分為模型、算力和數據三大要素。AI 模型生產工具包括 AI算法框架、AI 開放平臺、AI 開發平臺和預訓練模型；AI 算力基礎領域包括 AI 芯片、智能服務器和云服務；AI數據資源包括 AI基礎數據服務和數據治理。人工智能技術層包括計算機視覺、智能語音、自然語言處理、知識圖譜、機器學習。人工智能應用層則很廣泛，涵蓋“AI+泛安防”、“AI+泛互聯網”

43、、人機交互、自主無人系統、“AI+媒體”、“AI+金融”、“AI+醫療”、“AI+工業”、“AI+零售”、“AI+政務”等應用，涉及經濟社會運行的方方面面。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。10 圖圖 10：中國人工智能產業圖譜中國人工智能產業圖譜 資料來源：艾瑞咨詢，中國銀河證券研究院 1、模型、模型 人工智能框架一直在蓬勃發展，各種框架在開發者的不斷開發和自然選擇的基礎上不斷迭代。經過激烈的競爭，最終出現了雙雄并立的 TensorFlow和 PyTorch的兩大陣營。隨后，遷移學習（Transfer learning）成為開發

44、大規模人工智能模型的流行技術，使研究人員能夠利用預先訓練的模型來提高新任務的性能。在此期間，注意力機制（Attention mechanisms）也出現了，允許模型有選擇地關注輸入數據的某些部分。2017 年，Transformer 模型的引入標志著自然語言處理的重大突破，使模型能夠大規模地生成類似人類的語言。預訓練大模型的基本原理是充分利用大規模的數據，以挖掘數據中的知識和規律，類似接受人類的通識教育。再針對特定的任務，進行參數微調，可以達到智能對話、智能問答、智能創作、人臉識別等功能，并且進入可大規模、可復制的大工業落地階段。在算法模型層面，超大規模模型成為近幾年來最熱門的發展之一。行業深

45、度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。11 圖圖 11：預訓練大模型基本原理預訓練大模型基本原理 資料來源：AI 大模型公眾號，中國銀河證券研究院 2018 年 OpenAI 推出了非常強大的預訓練語言模型 Generative Pre-trained Transformer（GPT），結果表明這一模型可以在非常復雜的 NLP任務中取得非常驚艷的效果，而且并不需要有監督學習進行模型微調。同年，谷歌的雅各布德夫林和同事創建并發布了 BERT（Bidirectional Encoder Representations from Transfor

46、mers）。BERT是一個雙向transformer模型，用于對大量未標記的文本數據進行預訓練，以學習一種語言表示形式，這種語言表示形式可用于對特定機器學習任務進行微調。雖然 BERT 在幾項任務中的表現都優于 NLP 領域沿用過的最先進的技術，但其性能的提高還是歸功于雙向 transformer、掩蔽語言模型對任務的訓練以及結構預測功能，還包括大量的數據和谷歌的計算能力。此后，基于 BERT 的改進模型包括DistillBERT、XLNet、RoBERTa、T5 等大量新式預訓練語言模型不斷涌現。2019 年，OpenAI 繼續推出了帶有 15 億參數的 GPT-2，這一改進后的模型能夠生成

47、連貫的文本段落，做到初步的閱讀理解、機器翻譯等。接著，英偉達推出了具有 83 億參數的 Megatron-LM，谷歌繼續推出了具有 110 億參數的 T5 模型，微軟推出了 170 億參數的圖靈 Turing-NLG。2020 年，OpenAI 又推出了超大規模的語言訓練模型 GPT-3，參數量達到了 1750 億之高，實現了模型參數從億級到上千億的跨越。此后，谷歌、華為、阿里巴巴和北京智源等企業和研究機構紛紛推出超大規模的預訓練模型，包括 MT-NLG、Switch Transformer、盤古和悟道 2.0等。預訓練的模型參數數量和訓練數據量正以每年 300倍的趨勢增長，通過增加模型參數和

48、訓練數據仍是短期內的發展方向。2022 年 11 月，OpenAI 推出建立在 GPT-3 系列大型語言模型之上的 ChatGPT，并使用監督和強化學習技術進行微調。ChatGPT 在技術路徑上采用“大數據+大算力+強算法=大模型”的戰略，又在“基礎大模型+指令微調”方向探索出新道路，基礎大模型類似人類的大腦，通過指令微調進行交互訓練，結合實現近似人類的語言智能。ChatGPT 的問世不僅是新一代聊天機器人的突破，還將為人工智能和整個信息產業帶來一場革命。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。12 圖圖 12：超大規模模型參數：超大規

49、模模型參數和數據規模變化和數據規模變化 資料來源：中國信通院，中國銀河證券研究院 2、數據、數據 在算法模型發展的同時，對于數據規模和質量的要求也在不斷提高。以 GPT 的發展歷程來看，用以訓練模型的數據集的廣度和深度都在不斷加強，使得模型的回答具有更高的準確性和質量，實現模型的不斷優化。GPT 使用 BooksCorpus 數據集來訓練語言模型。BooksCorpus 有大約 7000 本未出版的書籍，有助于在未見過的數據上訓練語言模型。另外，這個語料庫有大量的連續文本，有助于模型大范圍地學習依賴關系。GPT-2使用的訓練數據集名為 WebText，具有來自 800多萬份文件的文本數據，總規

50、模為 40GB，與用于訓練 GPT-1 模型的圖書語料庫數據集相比是巨大的。GPT-3是在五個不同的語料庫中混合訓練的，每個語料庫都有一定的權重。其中高質量的數據集被更頻繁地取樣，并且不止被訓練過一個 epoch。使用的五個數據集是 Common Crawl,WebText2,Books1,Books2 和 Wikipedia。用于訓練 ChatGPT 的具體數據集沒有公開披露，但仍然是幾個大型語料庫的組合，并且數據規模比 GPT-3進一步增大。表表 3：GPT 訓練數據規模持續增大訓練數據規模持續增大 模型模型 參數量參數量 數據規模數據規模 Tokens 數據來源數據來源 GPT 1.17

51、 億 5GB 117 百萬 網頁、書籍和文章,BooksCorpus 數據集 GPT-2 15 億 40GB 15 億 網頁、書籍和文章,WebText 數據集 GPT-3 1750 億 45TB 1750 億 Common Crawl,WebText2,Books1,Books2,Wikipedia 數據集 ChatGPT 1750 億 45TB 7740 億 多樣化的文本來源，多個大型語料庫的組合 資料來源：ChatGPT，中國銀河證券研究院 3、算力、算力 自從進入互聯網時代，人類所能獲取和利用的數據呈現爆發式地增長，各行業、各場景的 行業深度報告行業深度報告/電子行業電子行業 請務必閱

52、讀正文最后的中國銀河證券股份有限公司免責聲明。13 海量數據為人工智能的自主學習和模型訓練提供了數據基礎。而自人工智能的概念興起，算法模型一直在不斷優化，從決策樹到神經網絡，從機器學習到深度學習，并且已在不同的領域中得到應用。算力是基于芯片的人工智能發展的硬件基礎和平臺，隨著海量數據的產生和算法模型的不斷優化和發展，算力的發展成為了人工智能系統快速發展的核心要素。從 1956-2020年，計算機處理能力的 FLOPS增加了一萬億倍。圖圖 13：1956-2015年算力實現萬億倍增長年算力實現萬億倍增長 資料來源：Experts-Exchange，中國銀河證券研究院 近幾年，大量復雜的數據的收集

53、和處理都需要硬件能力的相應增長，以應對人工智能發展的需求?；旧?，計算能力是計算機以速度和準確性執行某種任務的能力。正如 OpenAI的研究表明，訓練最大的人工智能模型所需的計算能力，自 2012 年以來平均以每 3.4 個月翻一倍的速度增長。而在 2012 年之前的情況并非如此，當時計算能力平均以 2 年的速度翻倍。這意味著，今天使用的資源正以比以前快七倍的速度翻倍。從另一個角度而言，在線性尺度上，計算用量在 2019年之前就增加了 30萬倍，表明對人工智能特定硬件的需求呈指數級增長。圖圖 14：AlexNet到到 AlphaGo Zero：計算量增加：計算量增加 300,000倍倍 行業深

54、度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。14 資料來源：OpenAI（一個 petaflop/s-day 包括在一天內每秒執行 1015 次神經網絡操作），中國銀河證券研究院（四）互聯網行業巨頭積極布局，AI 競賽壓力不減 1、微軟、微軟投資投資 OpenAI，探索，探索 AI 在在多場景落地在在多場景落地 14 年起推動年起推動 AI領域布局，逐步探索領域布局，逐步探索 AI商業模式落地。商業模式落地。作為互聯網行業的領先者，微軟過去專注于繼續開發 Windows和 Office應用程序。2014年，隨著首席執行官 Satya Nadall

55、a的任命，微軟開始向人工智能戰略轉變，推動微軟在人工智能創新方面的發展。2016年，微軟成立了人工智能實驗室，致力于推廣和開發基于人工智能的應用程序。2017 年，微軟宣布收購于以深度學習為研究重點的初創公司 Maluuba，并將人工智能的運用延伸到空中。同年，微軟和亞馬遜宣布建立合作伙伴關系，意味著微軟人工智能開發的工具和服務，如 Cortana，Office 365 將與 Alexa 等亞馬遜服務交互。2018 年，微軟又相繼收購多個 AI 公司，探索深度學習的商業化模式。圖圖 15：微軟微軟 AI 的基因組學小組在癌癥治療中的作用的基因組學小組在癌癥治療中的作用 資料來源：Algorit

56、hm-Xlab，中國銀河證券研究院 多次投資多次投資 OpenAI，在人工智能領域探索更進一步。，在人工智能領域探索更進一步。2019 年，在微軟于首次向 OpenAI 注資后，兩家公司開始在微軟的 Azure 云計算服務上合作開發 AI 超級計算技術，同時，OpenAI 也逐步將其云服務從谷歌云遷移到 Azure。有了微軟的算力支持，OpenAI 在 2020 年推出了突破性的成果 GPT-3。同樣在 2020 年，微軟買斷了GPT-3 基礎技術的授權，在 Office、搜索引擎 Bing 和設計應用 Microsoft design 等產品中使用GPT-3，以優化現有產品。2021 年，微

57、軟再次投資，雙方合作正式進入第二階段。一方面，作為 OpenAI 的云服務商，微軟在 Azure 中集中部署 GPT、DALLE、Codex 等 OpenAI 開發的各類工具。這也形成了OpenAI 最早的收入來源，即通過 Azure 向企業提供付費 API 和 AI 工具。同時，在獲得 OpenAI新技術商業化許可的情況下，微軟開始將 OpenAI 工具與自己的產品深度整合，并推出相應的產品。2021 年 6 月，微軟與 OpenAI 和 GitHub 合作，推出了基于 Codex 的 AI 代碼補充工具GitHub Copilot，于次年 6 月上線。2023 年，微軟向 OpenAI 追

58、加投資數十億美元，徹底拉開 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。15 了人工智能軍備競賽的帷幕，同時微軟將 ChatGPT 整合到其搜索引擎中，標志著 OpenAI 新技術的商業化進入新階段。圖圖 16：微軟人工智能方面突破的時間軸：微軟人工智能方面突破的時間軸 資料來源：微軟官網，中國銀河證券研究院 在在 2023 年年 3月，月，OpenAI又推出了又推出了 ChatGPT的升級版的升級版GPT-4，迭代速度極快。，迭代速度極快。其包含的重大升級是支持圖像和文本的輸入，并且在 GPT-3 原來欠缺的專業和學術能力上得到重大突破，

59、它通過了美國律師法律考試，并且打敗了 90%的應試者。在各種類型考試中，GPT-4的表現都優于 GPT-3。圖圖 17：GPT-4與與 GPT-3在各類考試中的結果對比在各類考試中的結果對比 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。16 資料來源：OpenAI，中國銀河證券研究院 2、谷歌、谷歌引領人工智能驅動商業化創新引領人工智能驅動商業化創新 谷歌是人工智能發展中最重要的公司之一。谷歌是人工智能發展中最重要的公司之一。2010 年谷歌推出其第一個人工智能驅動的搜索引擎算法，稱為 Google Instant。2012 年，谷歌推出知

60、識圖譜，首次使用人工智能來理解不同實體之間的關系。2015年，谷歌推出了 TensorFlow，用于機器學習的開源軟件庫。2016年，谷歌 DeepMind 的 AlphaGo 程序在圍棋比賽中擊敗了世界冠軍李世石。2017 年，谷歌推出了谷歌助理，一個可用于智能手機和智能家居設備的對話式人工智能助理。自 2017年，谷歌發布 Transformer以來，NLP領域的技術發展得到了質的飛躍，基于谷歌的成果，OpenAI 在 2018 年發布了 GPT 生成式預訓練模型，也就是基于 Transformer Decoder的 GPT-1，帶有 1.1億參數，通過大規模、無監督的預訓練+有監督的微調

61、，在大型數據集上進行訓練而建立的模型。與此同時，在 2018年 10月，谷歌推出了具有開創性的 BERT 模型，具有 3.4億個參數，比 GPT大四倍并幾乎在所有性能方面都超越 GPT。圖圖 18：谷歌：谷歌 LLM領域的發展時間軸領域的發展時間軸 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。17 資料來源：智源社區，中國銀河證券研究院 3、百度、百度All in AI，十年布局長跑，十年布局長跑 All in AI，十年布局長跑。，十年布局長跑。百度在 AI領域的布局早在 2010年前就開始了。百度早在 2010年代初就開始投資于人工智能

62、技術。2014 年，百度成立了深度學習研究院（IDL），專注于開發深度學習算法和其他 AI 技術。2015 年，百度的語音識別軟件實現了 5.5%的最低單詞錯誤率（WER）記錄。這是語音識別技術發展的一個重要里程碑，確立了百度在該領域的領先地位。在 2016 年 9 月的百度世界大會上，整合了視覺、語音、自然語言處理、知識圖譜、深度學習等技術的百度大腦正式對外開放。2017 年，百度推出了阿波羅自動駕駛汽車平臺。該平臺為開發者提供一系列工具和資源，以建立自動駕駛系統。2018 年，百度推出了名為百度健康的醫療部門。該部門專注于使用人工智能來改善醫療診斷、藥物開發和醫療保健的其他方面。2018

63、年，百度發布了其 AI 芯片“昆侖芯”，該芯片旨在用于人工智能應用，如自動駕駛和語音識別。圖圖 19：百度深度學習發展歷程：百度深度學習發展歷程 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。18 資料來源：百度百科，中國銀河證券研究院 百度在百度在 AGCI中的全棧布局：算法、算力、數據、應用。中的全棧布局：算法、算力、數據、應用。百度官方宣布：文心一言云服務于 2022年 3 月 27 舉行新品發布會。官方展示了文心一言在文學創作、商業文案創作、數理推算、中文理解、多模態生成五個使用場景中的綜合能力。在文心一言的背后，是經過四年迭代的文心

64、大模型。文心 ERNIE 自 2019年誕生至今，在語言理解、文本生成、跨模態語義理解等領域取得多項技術突破，在公開權威語義評測中斬獲了十余項世界冠軍。文心模型的訓練是基于百度飛漿的框架，在飛漿技術不斷迭代的基礎上，文新大模型一次性發布了 11個大模型，涵蓋了基礎大模型、任務大模型和行業大模型三個層次的體系，充分滿足了行業的應用需求。例如用于語言生成的 ERNIE 3.0 Titan，用于文本和圖像生成的 ERNIE-ViLG 模型。目前，百度飛槳凝聚了 265萬開發者、服務了 10萬家企業、創建了超過 34萬個模型。圖圖 20：文心發展歷程：文心發展歷程 資料來源：百度飛漿官網，中國銀河證券

65、研究院 百度自行研發的百度自行研發的 AI 芯片，單卡算力達到芯片，單卡算力達到 128TFLOPS。昆侖芯是基于百度在人工智能領域多年的產業實踐，自主研發的一款人工智能通用處理器芯片。新發布的 R200人工智能加速卡基于第二代昆侖芯，采用領先的 7nm 工藝，基于先進的芯片架構，專為深度學習和機器學習算法的云端和邊緣計算設計。與上一代產品相比，R200 全面提升了計算機視覺、自然語言處理、大規模語音識別、大規模推薦等應用的人工智能負載的運行效率。表表 4：兩代產品參數對比：兩代產品參數對比 型號型號 K100 加速卡加速卡 R200 加速卡加速卡 行業深度報告行業深度報告/電子行業電子行業

66、請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。19 精度精度 INT4/8/16 XFP16/32 INT8/16/32 FP16/32 算力算力 INT8：128 TOPS FP16：32 TOPs FP32：8 TOPS INT8:256TOPS FP16:128TOPS FP32:32TOPS 顯存顯存 8GB 16GB 訪存寬帶訪存寬帶 256 GB/s 512 GB/s 系統互聯系統互聯 PCI-E Gen4 x 8，兼容 3.0/2.0/1.0 PCI-E Gen4 x 8，兼容 3.0/2.0/1.0 功能功能 75W 150W 資料來源：百度智能云 在數據層面，百度基于

67、其搜索引擎業務，積累了大量的真實用戶數據。這些大規模的數據，使文心一言形成自身優勢，為文心大模型的訓練提供數據基礎。產品中文心一格和文心百中已成功落地。文心一格是一個 AI 藝術和創意輔助平臺，文心百中是大模型驅動的產業級搜索系統。圖圖 21：文心大模型全景圖：文心大模型全景圖 資料來源：百度飛漿公眾號，中國銀河證券研究院 AIGC 的全球巨頭爭奪戰已經開始，深耕 AI 和搜索領域多年的百度正站在一個新的歷史舞臺上,將于 2019年 3月推出的文心一言模型，是中國科技力量參與全球 AIGC競賽的主要代表。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免

68、責聲明。20 二、英偉達舉辦 GTC2023，關注高性能計算相關領域壁壘 Navida召開召開 GTC發布會，展示算力芯片在多領域的突破進展。發布會，展示算力芯片在多領域的突破進展。2023年 3 月 21 日，英偉達召開 GTC，CEO 黃仁勛進行了主題演講，展示英偉達算力芯片咋 AI 應用、加速卡領域取得進展，目前已成為自然科學、化學制藥、視覺解析、數據處理、機器學習和大模型領域成為不可或缺的一環。圖圖 22：英偉達：英偉達 GTC2023會議會議 資料來源：GTC2023，中國銀河證券研究院 AI 產業迎來產業迎來“iPhone”時刻時刻,英偉達英偉達 DGX 計算機已成計算機已成 AI

69、 核心處理器。核心處理器。目前英偉達已向OpenAI 交付首臺 DGX AI 超級計算機，用于加速深度學習、人工智能應用，財富100 強企業中已有一半以上企業開始使用 DGX，例如：BMW 應用 DGX被用于加速 BMW 汽車自動駕駛系統的開發和訓練；Tencent 應用 DGX被用于加速騰訊云的人工智能服務的開發和運營；美國國家航空航天局利用 DGX被用于加速 NASA進行氣象和環境數據的分析和預測。從參數上來看，從參數上來看，DGX具備滿足高性能計算和具備滿足高性能計算和 AI學習的需求。學習的需求。GPU采用 8片英偉達 A100 Tensor Core GPU，共有 6912 個 CU

70、DA 核心和 432 個 Tensor Core,單精度計算性能為320TFlops.CPU 采用兩顆英特爾 Xeon Platinum 8280L 處理器，共有 56 個核心；每個 DGX 系統配備 1.5TB 的 DDR4 內存；每個 DGX 系統配備 15TB 的 NVMe 存儲器，同時支持 100Gb Ethernet 和 Infiniband HDR網絡。DGX具有強大的計算性能、高效的數據傳輸速度、大容量的存儲空間和穩定的供電系統，能夠滿足各種深度學習和人工智能應用的需求 圖圖 23：上萬臺：上萬臺 DGX 連接組成連接組成 AI 超級計算機超級計算機 圖圖 24：DGX A100

71、系統與系統與 AI數據中心參數比較數據中心參數比較 資料來源：GTC2023，中國銀河證券研究院 資料來源：智東西，中國銀河證券研究院 英偉達推出英偉達推出 AI Foundations 云服務，云服務，從從 NEMO、PICASSO、BIONEMO 三方面滲透三方面滲透 AI 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。21 場景。場景。AI Foundations 一站式云服務，從模型的構建到生成應用上線，協助客戶快速構建、優化和運營大模型，把制造大模型的能力傳遞到每一個用戶。圖圖 25：AI Foundations 一站式云服務一站式

72、云服務 資料來源：GTC2023，中國銀河證券研究院 NVIDIA NeMo 是一個基于是一個基于 PyTorch 的開源工具包，的開源工具包，用于自然語言文本的生成式模型用于自然語言文本的生成式模型。提供 80 億、430 億、5300 億參數的 GPT 模型，客戶也可以引入自己想要的模型。Nemo 會定期更新額外的訓練數據，可以幫助企業為客服、企業搜索、文檔處理、市場分析等場景定制生產生成式 AI 模型。圖圖 26：NeMo 的應用棧的應用棧 圖圖 27：NEMO服務流程服務流程 資料來源：英偉達，中國銀河證券研究院 資料來源：英偉達，中國銀河證券研究院 PICASSO(Parallel-

73、n-Core Architecture Simulator for Scalable Oltp)是一個用于模擬大是一個用于模擬大規模多核處理器架構的開源模擬器，規模多核處理器架構的開源模擬器，用于訓練能夠生成圖像、視頻和用于訓練能夠生成圖像、視頻和 3D素材的模型。素材的模型。NVIDIA與 Adobe宣布擴展雙方的長期研究和開發合作關系，共同推動下一代生成式 AI 模型，為加快優秀創作者和營銷人員的工作流程，其中一些模型將采取聯合開發的方式，并 NVIDIA Picasso進入市場。同時，NVIDIA正與 Getty Images聯合訓練負責任授權的生成式文本轉圖像以及文本轉視頻基礎模型，這

74、些模型將使用簡單的文本提示創建圖像和視頻，并將在 Getty Images完全授權的資產上進行訓練。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。22 圖圖 28：Picasso動態化原理動態化原理 圖圖 29：Picasso高性能渲染高性能渲染 資料來源：英偉達，中國銀河證券研究院 資料來源：英偉達，中國銀河證券研究院 BioNeMo服務提供用于化學和生物學的服務提供用于化學和生物學的 LLM。NVIDIA BioNeMo框架用于訓練和部署超算規模的大型生物分子語言模型，幫助科學家更好地了解疾病，并為患者找到治療方法。該大型語言模型（LLM

75、）框架將支持化學、蛋白質、DNA和 RNA數據格式。圖圖 30：BIONEMO 提供多種生物制藥領域模型提供多種生物制藥領域模型 圖圖 31：BIONEMO 支持云端運行支持云端運行 資料來源：英偉達，中國銀河證券研究院 資料來源：英偉達，中國銀河證券研究院 發布發布 H100 NVL服務器，相比服務器，相比 A100 DGX提供提供 10倍的計算速度。倍的計算速度。GTC2023同時發布 H100 NVLINK，這款 H100 GPU啟用了基本完全的 94GB HBM顯存堆棧。最大區別在于，雙 GPU結構，頂部使用 3 個 NV Link 連接器進行互聯，因此可以提供多達 188GB顯存，顯

76、存帶寬也不止翻倍，每個 GPU帶寬提供 3.9TB/s，而 H100 SXM為 3.35TB/s，H100 PCIe為 2TB/s。H100 NVL 綜合性能可以達到綜合性能可以達到 H100 SXM的兩倍的兩倍。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。23 圖圖 32：Nvidia 不同顯卡類型不同顯卡類型規格對比規格對比 資料來源：英偉達，中國銀河證券研究院（二）大算力場景下，多項技術瓶頸期待突破 大算力背景下，存算性能呈現剪刀差，存儲器件性能遠弱于算力性能提升。大算力背景下，存算性能呈現剪刀差，存儲器件性能遠弱于算力性能提升。隨著

77、 AI 算力需求的不斷提升，傳統存儲器件也到達了尺寸的極限。依靠先進制程工藝不斷縮小器件面積、同時提升算力的方式似乎已經走入死路。我們突破 AI 算力困境的方式，有著兩條清晰的路線：架構創新與存儲器件創新?！按妗薄八恪敝g性能失配，從而導致了訪存和成本優化，帶寬低、時延長、功耗高等問題，即通常所說的“存儲墻”和“功耗墻訪存愈密集，“墻”的問題愈嚴重算力提升愈困難。隨著以人工智能為代表的訪存密集型應用快速崛起訪存時延和功耗開銷無法忽視，計算架構的變革顯得尤為迫切。圖圖 33：存儲計算存儲計算“剪刀差剪刀差”資料來源：AL and Memory Wall，中國銀河證券研究院 行業深度報告行業深度報

78、告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。24 馮諾依曼架構，導致數據傳輸的馮諾依曼架構，導致數據傳輸的 90%功率消耗都在數據傳輸上，功率消耗都在數據傳輸上，99%的時間都消耗在的時間都消耗在存存儲器讀寫過程中儲器讀寫過程中，導致，導致“存儲墻存儲墻”和和“功耗墻功耗墻”問題。問題。馮諾依曼架構的芯片在工作時，計算單元要先從內存中讀取數據，計算完成后再存回內存，才能最終輸出。在過去，存儲器與處理器的發展嚴重失衡，自上世紀八十年代以來，存儲器讀取速率的提升遠遠跟不上處理器性能的增長。這導致了計算畸形的漏斗結構：無論處理器所在的漏斗“入口”一端處理了多少數據，也

79、只能通過存儲器狹窄的“出口”輸出，嚴重影響了數據處理的效率。圖圖 34：基于憶阻器的存算一體技術：基于憶阻器的存算一體技術 資料來源：中國銀河證券研究院 圖圖 35：馮諾依曼計算架構：馮諾依曼計算架構 圖圖 36：存儲器類型：存儲器類型 資料來源：存算一體白皮書，中國銀河證券研究院 資料來源：中國銀河證券研究院 AI 訓練未來的瓶頸不是算力，而是訓練未來的瓶頸不是算力，而是 GPU的“內存墻”。的“內存墻”。無論是芯片內部、芯片間，還是AI加速器之間的通信，都已成為 AI訓練的瓶頸。其中，Transformer模型中的參數數量（紅色）呈現出 2年 240 倍的超指數增長，而單個 GPU 內存（

80、綠色）僅以每 2年 2 倍的速度擴大。盡管在日常 GPU使用中，對“內存墻”的存在并不敏感，但是 AI模型的內存需求，通常是參數數量的幾倍。因為訓練需要存儲中間激活，通常會比參數（不含嵌入）數量增加 3-4倍的內存。于是，AI訓練不可避免地撞上了內存容量以及內存傳輸帶寬的墻。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。25 圖圖 37：AI模型和模型和 GPU內存增長剪刀差內存增長剪刀差 圖圖 38：非：非 AI訓練訓練傳輸容傳輸容量和速度沒有觸摸到內存墻量和速度沒有觸摸到內存墻 資料來源：量子位公眾號，中國銀河證券研究院 資料來源：量子位

81、公眾號，中國銀河證券研究院（三）存算一體化趨勢確定，HBM 與 Chiplet 實現降本增效 全球半導體廠商已提出多種解決方案，存內計算電路可基于全球半導體廠商已提出多種解決方案，存內計算電路可基于 SRAM 和和 NOR Flash 實現。實現。AI 對數據的訪問和不斷調取需要數據需要在存儲單元和計算單元之間頻繁移動，訪存帶寬和功耗成為算法的重要瓶頸之一。存算一體將存儲單元與計算單元直接結合在一起，繞過數據在存儲和計算之間的搬運環節。當前 NOR Flash、SRAM等傳統器件相對成熟可率先開展存內計算產品化落地推動，從方案落地情況來看，英特爾選擇基于 SRAM 的可配置存儲器，三星選擇在

82、DRAM的 DRISA架構上進行存算一體解決方案。表表 5：存內計算器件對比分析：存內計算器件對比分析 器件器件 SRAMSRAM NOR FlashNOR Flash RRAMRRAM MRAMMRAM PCMPCM 易失特性 易失 非易失 非易失 非易失 非易失 多值存儲 否 是 是 否 是 現有工藝節點 5nm 28nm 28nm 16nm 28nm 理論工藝極限 2nm 14nm 5nm 5nm 5nm 單比特存儲面積 (F/bit)300 7.5 2040 30 24 讀寫次數 無限 106 108 1015 108 應用場景 云側和邊側的 推理和訓練 邊側和端側的 推理 云側、邊側

83、和端側的推理 云側和邊測的推理和運算 云側、邊側和端側的推理 資料來源：存算一體白皮書，中國銀河證券研究院 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。26 表表 6：全球廠商的存算一體解決方案全球廠商的存算一體解決方案 廠商廠商 存算一體解決方案存算一體解決方案 英特爾 基于 SRAM 的可配置存儲器 三星 基于 DRAM 的 DRISA 架構 IBM 基于相變存儲(PCM)的芯片設計方案 惠普 基于憶阻器實現邏輯存儲融合 臺積電 基于 ReRAM 的存算一體 知存科技 基于 NOR Flash 閃存的存算一體 資料來源：Intel，三星

84、，IBM，HP，臺積電，知存科技，中國銀河證券研究院 存算一體架構可突破馮諾依曼瓶頸，提高存算一體架構可突破馮諾依曼瓶頸，提高 AI芯片能效。芯片能效。存算一體架構消除了計算與存儲的界限，直接在存儲器內完成計算，被認為是突破馮諾依曼瓶頸的極具潛力的高能效 AI 芯片架構。目前主流的存算一體 AI芯片基于模擬計算架構設計。模擬存算一體架構通?；?SRAM或非易失存儲器，模型權重保持在存儲器中，輸入數據流入存儲器內部基于電流或電壓實現模擬乘加計算，并由外設電路對輸出數據實現模數轉換。由于模擬存算一體架構能夠實現低功耗低位寬的整數乘加計算，非常適合邊緣端 AI場景。圖圖 39：四種存算一體架構：四

85、種存算一體架構 資料來源：ISSCC22 奇妙之旅，中國銀河證券研究院 HBM 的高帶寬技術，從硬件上實現高速傳輸。的高帶寬技術，從硬件上實現高速傳輸。高帶寬存儲器（HBM）可支持更高速率的帶寬，基于 TSV 和芯片堆疊 技術的堆疊 DRAM 架構，可實現高于 256GBps 的突破性帶寬，單顆粒的帶寬遠超過 DDR4 和 GDDR6。其中 DDR4 是 CPU 和硬件處理單元的常用外掛存儲設備，8顆 DDR4顆粒帶寬能夠達到 25.6 GB/s，是 HBM的 1/10，而 GDDR6它單顆粒的帶寬只有 64 GB/s，為 HBM的 1/4。行業深度報告行業深度報告/電子行業電子行業 請務必閱

86、讀正文最后的中國銀河證券股份有限公司免責聲明。27 圖圖 40：HBM 設計結構設計結構 資料來源：AMD，中國銀河證券研究院 先進工藝是芯片算力提升的關鍵推動力，“后摩爾時代”先進封裝不斷發力。先進工藝是芯片算力提升的關鍵推動力，“后摩爾時代”先進封裝不斷發力。目前通過工藝提升芯片算力，主要有兩種方式。1）先進制程：單位面積芯片算力會隨著工藝節點的進步而提升，從 65nm 到 90nm 制程下的 GPU，先進工藝節點晶體管密度和工作頻率均顯著提高，從而帶來芯片整體算力的提升。根據摩爾定律經驗，集成電路上可以容納的晶體管數目每 18個月便會提升 1 倍，然而隨著先進制程進入 3nm 時代，摩爾

87、定律已經受到了物理極限和工藝成本的雙重挑戰。2）先進封裝：先進封裝可以優化連接方式、實現異構集成、提高芯片的功能密度，從而提升芯片算力，因而是超越摩爾定律方向中的重要賽道。21世紀初，以 MEMS、TSV、FC 等為代表的先進封裝技術引領封測行業發展，目前平面封裝正在向 2.5D/3D chiplet堆疊異構集成封裝技術升級躍遷，為芯片算力提升帶來了新思路。圖圖 41：英偉達：英偉達 GPU算力和工藝節點的關系算力和工藝節點的關系 圖圖 42：異構堆疊芯片圖示：異構堆疊芯片圖示 資料來源：前瞻科技，中國銀河證券研究院 資料來源：世界半導體論壇，中國銀河證券研究院 Chiplet解決方案是底層基

88、礎，解決方案是底層基礎，2.5D和和 3D封裝蓄勢待發。封裝蓄勢待發。Chiplet 技術是將大型單元芯片劃分為多個相同或者不同的小芯片，這些小芯片可以使用相同或者不同的材質、工藝節點制造，再通過先進的集成技術封裝在一起形成一個系統級芯片，降低成本的同時獲得更高的集成度。目前寒武紀思元 370 系列產品就是在封裝層面上，采用 Chiplet 技術，將兩顆 370 芯片拼湊成算力更強、帶寬更大的處理器模塊。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。28 2.5D 封裝技術是將芯片并排放置在中介層頂部，通過芯片的微凸塊和中介層中的布線聯系起來

89、；3D 封裝技術則無需中介層、芯片直接通過 TSV 直接進行高密度互連。通過 2.5D/3D技術封裝技術，可以在單位體積內集成更多的功能單元，并且這些功能單元之間互聯很短，密度很高，因此性能可以得到很大的提升，算力水平也會提高。目前已有多家公司陸續布局2.5D/3D封裝技術，封裝領域將迎來又一次技術革命。圖圖 43：各：各 Chiplet可采用不同工藝尺寸可采用不同工藝尺寸 圖圖 44：各：各 Chiplet可采用不同材質可采用不同材質 資料來源：芯榜科技，中國銀河證券研究院 資料來源：龍芯中科官網，中國銀河證券研究院 圖圖 45：2.5D/3D封裝結構示意圖封裝結構示意圖 資料來源：芯榜科技

90、，中國銀河證券研究院 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。29 三三、A AI I 商業落地曙光出現，商業落地曙光出現，C ChathatGPTGPT 引爆大算力需求引爆大算力需求 ChatGPT 是美國是美國 OpenAI 公司開發的一款可實現精確問答的聊天機器人。公司開發的一款可實現精確問答的聊天機器人。ChatGPT 是由GPT（Generative Pretrained Transformer）技術驅動，使用海量語料庫進行訓練的語言生成器。與其他語言生成器相比，GPT技術采取了預訓練生成器的方式，能夠更好的理解人類語言的描述

91、和數據中的知識，自動生成匹配內容且自然流暢的語言，并具有實現翻譯、撰寫郵件等各類語言相關任務的能力，大大提高了用戶體驗。因此，在 2022 年 11 月 ChatGPT 推出后，迅速引爆市場，2個月內月活躍用戶數便達一億，成為了歷史上用戶增長最快的消費應用。圖圖 46：ChatGPT海量數據的來源占比海量數據的來源占比 圖圖 47：部分應用程序月活達到一億所用時間：部分應用程序月活達到一億所用時間 資料來源：Open Al Language Models are Few-Shot Learners，瑞銀集團，中國銀河證券研究院 資料來源：瑞銀集團，中國銀河證券研究院 圖圖 48：ChatGPT

92、的應用界面的應用界面 資料來源：OpenAI，中國銀河證券研究院 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。30 ChatGPT 參數量的提升代表了參數量的提升代表了 AI 大模型的最新進展。大模型的最新進展。AI 大模型（人工智能預訓練大模型）指的是兼具“大規模（億級參數）”和“預訓練”兩種功能屬性的模型。從參數規模來看，AI 大模型的發展可以分為預訓練模型、大規模預訓練模型、超大規模預訓練模型三個階段。ChatGPT 的發展也反應了 AI 大模型的發展趨勢，2018 年 OpenAI 發布的 ChatGPT 1.0 的模型參數為 1.

93、17億，2019年的第二代模型參數為 15億，ChatGPT 3.0的參數相比于 ChatGPT2.0增長了近百倍，達到了 1750億。ChatGPT 的 AI 文本生成技術也是 AI 音視頻、游戲等領域的底層技術，因此 ChatGPT3.0的突破也將為 ChatGPT4.0 和 AIGC 領域提供更多的可能性，比如生成視頻等。根據微軟德國公司 CTO Andreas Braun 對 ChatGPT4.0 的預告，其參數量將為 3.0 的數倍，并擁有多模態模型。圖圖 49：不同的語言模型訓練所用的總：不同的語言模型訓練所用的總算力、參數（算力、參數（Params）、訓練數據量等（）、訓練數據量

94、等（Token）資料來源：Language Model are Few-Shot Learners（2020），OPENAI，中國銀河證券研究院 AI 大模型突破傳統大模型突破傳統 AI適用性弱的局限，但是依舊面臨商業化難的問題。適用性弱的局限，但是依舊面臨商業化難的問題。傳統的 AI模型通常只針對性的針對一個或者一類任務，而 AI 大模型中大規模的參數量可以提升模型的表達能力，更好的建模海量訓練數據中包含的通用知識，再通過“微調”使大模型在特定化的場景中依舊得到優越的表現。通過“預訓練+微調”，AI 大模型已經具有強大的通用性，ChatGPT3.0通過 prompt-tuning 免去微調步

95、驟實現了更強的通用性。但是由于 AI 大模型的技術成本高昂并且決策過程難以解釋，如何真正的商業化落地始終是 AI 產業中的難題。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。31 圖圖 50：大模型具有較強的通用性，賦能：大模型具有較強的通用性，賦能 AI到到千行百業千行百業 資料來源：智源研究院，中國銀河證券研究院 ChatGPT率先在率先在 C端實現商業化，為端實現商業化，為 AIGC產業落地帶來曙光。產業落地帶來曙光。2019年 OpenAI與微軟合作，從非盈利性組織轉為有限盈利公司，目前 ChatGPT主要通過三種方式產生商業化收入。

96、1）API許可費：將 GPT-3等模型開放給其他商業公司使用，根據用量收取費用。2）與微軟深度合作：集成于微軟云計算服務平臺 Azure 和搜索引擎 Bing 上。3）訂閱：推出付費訂閱版ChatGPT Plus，每月收費 20美元。從 ChatGPT的商業模式中，也可以看出生成式 AI的 to C端商業模式已經逐漸浮出水面，為 AIGC產業實現商業化落地帶來了新的希望。圖圖 51：ChatGPT官宣開放官宣開放 API授權授權 圖圖 52：ChatGPT推出付費訂閱版推出付費訂閱版 ChatGPT Plus 資料來源：OpenAI，中國銀河證券研究院 資料來源：公司招股說明書，中國銀河證券研

97、究院（一）AI 芯片：算力水平是核心競爭力 強大的算力水平是強大的算力水平是AI 大模型必備的技術支撐。大模型必備的技術支撐。算力水平是數據處理能力強弱的決定性因素，AI 大模型的參數和語料庫能夠不斷擴容離不開強大的算力支撐，根據英偉達的數據，ChatGPT 3.0 模型需要使用 1024 顆英偉達 A100 芯片訓練長達一個月的時間。2012-2018 年，最大的 AI 訓練算力消耗已增長 30 萬倍，平均每 3 個多月便翻倍，速度遠遠超過摩爾定律。IDC 數據顯示，2022 年中智能算力規模達到 268 百億億次/秒（EFLOPS），已經超過通用算力規模，AIGC商業落地蓄勢待發，未來對算

98、力的需求更將超乎想象。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。32 圖圖 53：1985-2025年間算力需求的增長年間算力需求的增長 資料來源：Brain-inspired computing needs a master plan（2022），中國銀河證券研究院 GPU/ASIC/FPGA 三種計算架構并行。三種計算架構并行。AI 芯片計算架構的好壞影響芯片能提供的算力水平，是決定芯片算力的本質因素。計算架構也需要在通用性和高效性之間進行平衡，目前 AI芯片有 3 種主流計算架構，其中 GPU 計算架構在算力加速芯片中達到 90%。

99、1）GPGPU：負責非圖形相關程序的運算，具有高度可編程性，是最通用、最靈活的芯片，但是算力水平受限。2）ASIC：高定制化專用計算芯片，針對具體的應場景和算法，性能較高，但是通用性差 3）FPGA：基于現場可編程邏輯陣列的計算芯片，開發成本低、周期短，通用性和高效性介于GPGPU和 ASIC之間。圖圖 54：GPU/ASIC/FPGA三種計算架構特點三種計算架構特點 資料來源：電子發燒友，中國銀河證券研究院 英偉達主導市場，國內廠商百花待放。英偉達主導市場，國內廠商百花待放。目前算力芯片市場主要被歐美和日本廠商主導，其中英偉達是全球 GPU 領域的絕對龍頭。英偉達 2020 年推出的 A10

100、0 芯片支持 FP16、FP32 和FP64浮點運算，峰值算力高達 624TOPS，預計在今年發布的 H100芯片在 FP16、FP32和 FP64浮點計算方面將比 A100 快 3 倍，是當之無愧的 AI 芯片性能天花板。中國算力芯片領域起步較晚，但是在國家政策的大力扶持和企業持續的研發投入下，不少國內企業也在這方面取得了進展。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。33 圖圖 55：英偉達：英偉達 A100芯片規格參數芯片規格參數 圖圖 56：英：英偉達偉達 A100和和英偉達其他芯片性能對比英偉達其他芯片性能對比 資料來源：RFI

101、D 信息，中國銀河證券研究院 資料來源：儀器小助手，中國銀河證券研究院 寒武紀：中國寒武紀：中國 AI 芯片領導者。芯片領導者。寒武紀成立于 2016 年，技術積累深厚，能提供云邊端一體、軟硬件協同、訓練推理融合、具備統一生態的系列化智能芯片產品和平臺化基礎系統軟件。近年來，公司持續加大研發投入，陸續推出了多款 AI芯片，其中 2021年推出的思元 370采用了 chiplet 的新技術，整體集成了 390 億個晶體管，最大算力達到 256TOPS（INT8），也是商用客戶里出貨量最大、推廣最成功的一款產品。公司即將推出的新產品思遠 590，性能可對標英偉達 A100，在美國芯片法案禁令影響下

102、，該款芯片有望成為國內市場中替代 A100的主力產品。表表 7：寒武紀比主要產品目錄：寒武紀比主要產品目錄 產品線產品線 產品類型產品類型 寒武紀主要產品寒武紀主要產品 推出時間推出時間 云端產品線 云端智能芯片及加速卡 思元 100(MLU100)芯片及云端智能加速卡 2018 年 思元 270(MLU270)芯片及云端智能加速卡 2019 年 思元 290(MLU290)芯片及云端智能加速卡 2020 年 思元 370(MLU370)芯片及云端智能加速卡 2021 年 訓練整機 玄思 1000 智能加速器 2020 年 邊緣產品線 邊緣智能芯片及加速卡 思元 220(MLU220）芯片及邊

103、緣智能加速卡 2019 年 IP 授權及軟件 終端智能處理器 IP 寒武紀 IA 處理器 2016 年 寒武紀 IH 處理器 2017 年 寒武紀 1M 處理器 2018 年 基礎系統軟件平臺 寒武紀基礎軟件開發平臺（適用于公司所有芯片與處理器產品）持續研發和升級，以適配新的芯片 資料來源：寒武紀官網，中國銀河證券研究院 海光信息：基于海光信息：基于 GPGPU架構的架構的 DCU產品商業落地。產品商業落地。海光信息成立于 2014年，并于 2019年切入到 DCU產品領域，其 DCU 系列產品以 GPGPU 架構為基礎，兼容通用的“類 CUDA”環境以及國際主流商業計算軟件和人工智能軟件，軟

104、硬件生態豐富，可廣泛應用于大數據處理、人工智能、商業計算等應用領域。DCU 系列產品中的深算一號性能指標堪比國際上同類型高端產品，并在 2021 年實現商業化應用，深海二號正在研發中，也將成為算力芯片市場強有力的競爭者之一。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。34 圖圖 57：海光：海光 DCU產品深算一號和其他產品的對比產品深算一號和其他產品的對比 圖圖 58：海光：海光 DCU產品形態產品形態 資料來源：海光信息招股說明書，與非網，中國銀河證券研究院 資料來源：海光信息招股說明書，中國銀河證券研究院 龍芯中科：龍芯中科：GPGP

105、U預計預計 23年流片。年流片。龍芯中科成立于 2010年，主營業務為處理器及配套芯片的研制、銷售及服務，主要產品與服務包括處理器及配套芯片產品與基礎軟硬件解決方案業務。上市之初，公司就有 GPGPU設計技術的儲備，并募集資金 10.5億投向高性能通用圖形處理器芯片及系統研發項目，主要針對圖形加速、科學計算尤其是人工智能應用的需求。2022年 9 月 5 日，龍芯中科在業績說明會上表示，公司 GPGPU 研發項目進展順利，將于 2023 年流片，公司有望成為 AI算力芯片領域新星。圖圖 59：龍芯中科募投資金使用明細：龍芯中科募投資金使用明細 圖圖 60：龍芯中科擁有：龍芯中科擁有 GPGPU

106、技術儲備技術儲備 資料來源：龍芯中科年報，中國銀河證券研究院 資料來源：龍芯中科官網，中國銀河證券研究院（二）先進封裝：“后摩爾時代”先進封裝突破極限 通富微電：持續突破先進封裝技術。通富微電：持續突破先進封裝技術。通富微電深耕于集成電路封裝測試一體化服務，產品覆蓋面廣且技術全面。近年來，公司積極布局 Chiplet、2.5D/3D、扇出型、圓片級、倒裝焊等封裝技術，可為客戶提供多樣化的 Chiplet 封裝解決方案，并且已為 AMD 大規模量產 Chiplet 產品。在高性能計算機領域，公司已建成國內頂級 2.5D/3D 封裝平臺（VISionS）及超大尺寸FCBGA 研發平臺，并且完成高層

107、數再布線技術開發，同時可以為客戶提供晶圓級和基板級Chiplet 封測解決方案。2022年上半年，公司在 2.5D/3D 先進封裝平臺方面，再度取得突破性進展，BVR 技術實現通線并完成客戶首批產品驗證，2 層芯片堆疊的 CoW 技術完成技術驗證。依托于豐富的國際市場開發經驗和堅實的技術基礎，公司有望抓住先進封測市場機遇，穩 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。35 固其行業龍頭的地位。圖圖 61：使用使用 FCBGA技術生產的產品技術生產的產品 資料來源：通富微電官網，中國銀河證券研究院 長電科技：半導體封裝行業龍頭。長電科技：半

108、導體封裝行業龍頭。長電科技是全球領先的集成電路制造和技術服務提供商，可以提供全方位的芯片成品制造一站式服務，擁有行業領先的半導體先進封裝技術（如 SiP、WL-CSP、FC、eWLB、PiP、PoP 及 XDFOITM系列等）。2021年公司推出的面向 3D 封裝的 XDFOITM系列產品，為高性能計算領域提供了業界領先的超高密度異構集成解決方案。子公司星科金朋與客戶共同開發了基于高密度 Fan out 封裝技術的 2.5D fcBGA 產品，同時認證通過 TSV 異質鍵合 3D SoC 的 fcBGA，提升了集成芯片的數量和性能，為進一步全面開發 Chiplet 所需高密度高性能封裝技術奠定

109、了堅實的基礎。2022 年，公司推動實施技術開發 5 年規劃，包括對 2.5D/3D chiplet，高密度多疊加存儲技術等八大類逾三十項先進技術開展前瞻性研發，將進一步推動技術和產品價值進一步提升，持續增強市場競爭力。圖圖 62：長電科技長電科技 2.5D/3D集成技術解決方案集成技術解決方案 資料來源：長電科技官網，中國銀河證券研究院（三）服務器 PCB：AI 服務器催動 PCB 技術升級 服務器面向數據處理需求迭代，大算力時代引爆服務器面向數據處理需求迭代，大算力時代引爆 AI 服務器需求。服務器需求。服務器是算力的載體，普通的服務器主要為智能手機、PC等提供基礎的算力和數據存儲支持，多

110、以 CPU為算力的提供者、采用串行架構，無法滿足大算力時代不斷攀升的數據量引發的數據處理需求。AI 服務器多采用 CPU+GPU/TPU/其他加速卡的異構形式，一般配置四塊以上 GPU卡，可以滿足高吞吐量互聯的需求，提供強大的算力支持。由 ChatGPT 引爆的 AIGC 場景增多驅動智能算力的規模不斷增長，因此人工智能服務器的需求量也將不斷攀升。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。36 圖圖 63：華為華為 Atlas 800 訓練服務器內部結構圖訓練服務器內部結構圖 資料來源：CNDS，中國銀河證券研究院 PCB是是服務器的重要

111、組成部分，技術升級勢在必行。服務器的重要組成部分，技術升級勢在必行。服務器算力的提升除依靠 CPU、加速芯片組外，PCLe總線標準的提升也是必不可少的環節。根據 Intel規劃，服務器平臺方案正由 Purely 轉為 Whitley，而 Whitley 中的 Ice Lake 方案也將首次支持 PCLe4.0 總線設計，下一代 Eagle Stream 平臺將同步支持 PCLe5.0。PCB 是 PCle 總線中的關鍵組件，高等級的總線標準需要 PCB 層數和基材的支持，其中 PCB 層數需求將從 3.0 的 8-12 層提升至 5.0 的 16 層以上；CCL 材料的 Df 值也需要同步降低

112、。AI 服務器需求量的提升和 PCB 技術的升級必將帶來PCB產品的量價齊升。圖圖 64：PCB四層板結構示意圖四層板結構示意圖 資料來源：深圳無雙信息技術有限公司，中國銀河證券研究院 滬電股份：高端滬電股份：高端 PCB 行業龍頭。行業龍頭。滬電股份深耕 PCB 行業 20 年，在技術、質量、成本、品牌、規模等方面形成相對競爭優勢，居行業領先地位。公司堅持差異化競爭戰略，重點生產技術含量高、應用領域相對高端的差異化產品。在高性能計算領域，應用于 AI加速、Graphics的產品，應用于 GPU、OAM、FPGA 等加速模塊類的產品以及應用于 UBB、BaseBoard 的產品已批量出貨，目前

113、正在預研應用于 UBB2.0、OAM2.0 的產品。公司持續加大在高端產品領域的研發投入，正在進行的高速 HDI長期可靠性研究也將強化公司在 AI加速核心產品市場的競爭力。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。37 表表 8：滬電股份研發項目進度：滬電股份研發項目進度 主要研發項目主要研發項目名稱名稱 項目目的項目目的 項目進展項目進展 擬達到的目標擬達到的目標 預計對公司未來發展的影預計對公司未來發展的影響響 低粗糙度高速氧化工藝技術研發 提升高速信號完整性技術能力 己完成 匹配 112Gpbs 電性能技術需求，滿足產品可靠性需求，

114、實現技術產品化 提升高速產品的技術優勢 高縱橫比深微孔技術能力開發 提升高密、Power 通流技術能力 匹配路由器、交換機對高密度、大電流高通流的 PCB 技術要求，實現量產 提升路由、交換產品的技術優勢 企業網大尺寸交換網板產品開發 提升企業網市場產品技術能力 實現 48超大尺寸網板加工技術量產 提升該領域技術領先優勢 EGS 等級服務器產品開發 提升數據中心服務器市場竟爭力 實現使用 IntelAMD 等新一代服務器產品規?；慨a 提高公司在服務器產品市場的竟爭力 高速 Low loss國產替代材料開發 材料選自主可控，提升市場競爭力 進行中 對應不同等級材料均有國產替代材料 提升材料自主

115、選擇權 高速 HDI 長期可靠性研究 重算力加速模塊及 102.4T Switch/Router 產品可靠性技術預研 深度參與行業客戶對產品技術的預研，儲各關鍵核心技術 強化公司企業通訊市場及Al 加速核心產品市場的競爭優勢，提高客戶黏著度。資料來源：滬電股份年報，中國銀河證券研究院 勝宏科技：服務器領域應用實現從勝宏科技：服務器領域應用實現從 0 到到 1。勝宏科技成立于 2006 年，主要從事高密度印制線路板的研發、生產和銷售，主要產品包括雙面板、多層板（HDI）等。2021年，在消費電子市場疲軟的環境下，公司及時調整客戶結構和產品結構，并順利導入通訊、服務器、芯片等多家國內外優質客戶。公

116、司堅持優質客戶與高端產品的戰略布局，建立起了高速 SI能力系統，支持通訊、服務器高端客戶的開發，也開展了“平臺服務器主板研發”、“服務器硬盤用高頻主板研發”等研發項目，為企業的持續增長注入了活力。圖圖 65：勝宏科技服務器用勝宏科技服務器用 PCB板結構圖板結構圖 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。38 資料來源：勝宏科技官方，中國銀河證券研究院（四）散熱：功耗與算力同步提升，散熱技術面臨挑戰 芯片工作溫度顯著影響性能。芯片工作溫度顯著影響性能。芯片算力不斷提升的背后是計算效率的提升和功耗的增加。芯片功耗的增加會使得芯片溫度升高，

117、而分子熱運動也會隨著溫度升高而增大，影響到載流子的定向遷移，使芯片的漏電流及電流增益加大，從而增大芯片的功耗，形成惡性循環。AI 服務器尤為注重純算力的運算，因此溫度升高，AI 服務器降頻運行現象尤為明顯，散熱技術的升級勢在必行。圖圖 66：芯片的功率密度近年來不斷提升芯片的功率密度近年來不斷提升 資料來源：Intel，中國銀河證券研究院 散熱技術向液冷和芯片級演進。散熱技術向液冷和芯片級演進。在功耗提升的同時，芯片整體尺寸也越來越小，電子芯片工作過程中所呈現出的熱流密度大幅提升，傳統的風冷散熱已經很難滿足當下電子芯片的散熱需求，因此，以導熱性能是空氣 15-25倍的液體作為冷卻介質將成為未來

118、散熱技術的主要發展方向之一。除冷卻介質外，散熱部分和核心發熱源距離的不同也會影響散熱效果。隨著散熱技術的升級，目前散熱方案正在從房間級、機柜級、服務器級向著芯片級演進。在芯片級液冷 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。39 技術、相變儲熱散熱技術、蒸發冷卻技術這三種芯片級散熱方案中，芯片級液冷技術散熱性能好、散熱效率高、能耗小、占地空間小、可靠性強，因此將逐漸成為 AI服務器主流散熱方案。圖圖 67：協同設計的微流體冷卻電子設備結構圖及各角度試圖協同設計的微流體冷卻電子設備結構圖及各角度試圖 資料來源：Nature，中國銀河證券研究

119、院 中石科技：熱管理解決方案產品可應用于服務器中石科技：熱管理解決方案產品可應用于服務器/數據中心。數據中心。中石科技成立于 1997年，公司基于為全球龍頭通信設備供應商提供熱管理解決方案二十余年的經驗，不斷豐富產品矩陣，拓寬下游應用場景。在服務器/數據中心領域，公司提供的主要產品：熱模組（尤其是液冷散熱模組）、導熱墊片、導熱硅脂、導熱凝膠、導熱相變材料、導熱碳纖維墊等；公司目前已向國內外多家上述終端應用企業批量供貨。公司宜興募投項目的水冷和液冷散熱模組等產品已逐步落地，有望今年交付，將進一步提升公司在服務器/數據中心應用領域的競爭力。表表 9：中石科技熱解決方案產品：中石科技熱解決方案產品

120、產品名稱產品名稱 細分產品細分產品 特點及行業地位特點及行業地位 應用場景應用場景 高導熱石墨產品 人工合成石墨、天然石墨、石墨烯高導熱膜、單體厚石墨導熱膜、多層復合石墨導熱膜等。根據日本富士經濟出版的報告，公司是人工合成高導熱石墨膜全龍頭公司，品類齊全，技術領先。手機、平板電腦、充電模組、VR/AR、智能家居設備、汽車電子、新能源逆變器、新型顯示裝置、高功率電力電了等。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。40 導熱界面材料 TIM 導熱填隙墊片、導熱凝膠、導熱硅脂、相變材料、儲熱材料、高回彈石墨材料、界面石墨產品等。在導熱界面材料

121、領域，公司深耕行業 16 年，是全球通信行業、消費類電子主流導熱界面材料供應商，公司多項產品屬于業內首創。通信基站、手機、平板電腦、智能家居設備、汽車電子（三電系統）、電裝設備等。熱管 標準熱管、薄型熱管、超薄熱管、大功率薄型熱管 HPS 等。用于熱遠點傳播，特點是高效導熱、靈活應用，用于大功率芯片及散熱空間小的產品。筆記本、服務器、游戲機、VR/AR、通信設備等。均熱板 標準均熱板、薄型均熱板、超薄均熱板等。用于熱面傳播，特點是超?。ㄗ畋】蛇_0.25mm)、低熱阻、高散熱、多向散熱。手機、平板、新能源等。熱模組 風冷散熱模組-服務器散熱模組、筆電散熱模組、清潔能源散熱模組、其他定制化散熱模組

122、等；液冷散熱模組-管式液冷板、埋管式液冷板、一體式液冷板等。風冷散熱模組-散熱功率高；液冷散熱模組-防水防塵設計、比風冷更節能、熱流密度好、可靠好、可以進行靈活的流體通道設計，適應更高散熱功率場景。服務器/數據中心、筆記本、PC、一體式電腦、游戲機、投影儀、醫療、電子、電力等。資料來源：中石科技，中國銀河證券研究院（五）AIoT：從“萬物互聯”到“萬物智聯”AI 技術可以賦予技術可以賦予 LoT“人工智能大腦”?！叭斯ぶ悄艽竽X”。人工 ALoT 即“AI+IoT”，指的是人工智能技術與物聯網在實際應用中的落地融合。物聯網可以將人與物、物與物連接成為一個整體，通過LoT 智能設備生成海量數據；A

123、I 技術可以對海量數據進行深度學習、判斷用戶的習慣，提升用戶體驗，兩者相輔相成，推動“萬物互聯”向“萬物智聯”進化。ChatGPT的出現使得人工智能技術在語言交互方面的應用更為廣泛，近日推出的插件功能，將進一步促進 AI技術和其他產業的融合，AloT產業也將在 AI技術升級的推動下不斷發展。圖圖 68：AloT技術架構圖技術架構圖 資料來源：億歐智庫，中國銀河證券研究院 瑞芯微：中國領先的瑞芯微：中國領先的 AloT 芯片設計公司。芯片設計公司。瑞芯微成立于 2001 年，專注于集成電路設計和研發。近幾年，公司跟隨市場趨勢變化，大力研發 AIoT 產品、開拓相關市場，積極打造 AIoT 生態，

124、已經成為國內領先的 AIoT 芯片供應商。公司 AIoT 旗艦芯片 RK3588 系列是目前國內 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。41 頂配高端 AIoT 芯片，可以應用于 ARM PC、平板、高端攝像頭、NVR、8K 和大屏設備、汽車智能座艙、云服務設備及邊緣計算、AR/VR 等八大方向市場。RK3588 的成功量產，也意味著瑞芯微 AIoT 大廈的基本成型，AIoT業務將成為未來營收增長的主力軍。表表 10：瑞芯微部分：瑞芯微部分 AloT 產品及其應用領域產品及其應用領域 類別類別 子類子類 主要特點主要特點 主要產品系列

125、主要產品系列 主要應用領域主要應用領域 智能應用處理器芯片 高性能應用處理器 采用高性能 CPU 和 GPU 內核，新一代芯片還增加了 NPU,具有強大的多媒體處理能力，以及眾多外設接口，可以適應眾多復雜場景應用的需求，可以運行 Android、Linux等操作系統，是公司的代表性旗艦產品 RK3588 系列 ARM PC、平板、高端攝像頭、NVR、8K 和大屏設備、汽車智能座艙、云服務設備及邊緣計算、AR/VR 等 RK3399 系列 刷臉識別及支付、ARM 服務器、視頻會議系統、商業顯示、行業平板和電子白板、自助設備、開發板及工控等 RK3288 系列 商業顯示、收銀機、刷臉識別及測溫、行

126、業平板、開發板及工控、自助設備、云終端、電紙書、汽車電子、視頻會議系統等 RK3568/RK3566 系列 平板電腦、NVR、NAS、電紙書、云終端、網關等 通用應用處理器 具有適當的處理能力，性價比高 RK3368 系列 教育電子、收銀機、智能家電、智能門禁等 資料來源：瑞芯微，中國銀河證券研究院 全志科技：中國領先的全志科技：中國領先的 AloT 芯片設計公司。芯片設計公司。全志科技成立于 2007 年，是卓越的智能應用處理器 SoC、高性能模擬器件和無線互聯芯片設計廠商。在 AIoT領域，公司與行業頭部一線智能音箱標桿客戶保持產業深度合作，R 系列芯片產品已實現帶屏、無屏音箱全面量產?；?/p>

127、于智能語音的技術積累及生態布局，公司也與智能家電、掃地機器人、陪伴機器人、AI 教育（學習機、詞典筆）等領域重要客戶深度合作，推出了 MR 系列、V853 芯片等多款產品，豐富了在 AIoT領域的產品矩陣。圖圖 69：全志科技全志科技 R系列產品圖譜系列產品圖譜 資料來源：全志科技官網，中國銀河證券研究院 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。42 四、投資建議 我們認為，在 ChatGPT 等應用商業化出現落地方式，AIGC 創作內容不斷增長的條件下，芯片作為 AI行業的基礎設計，為 AI訓練和數據計算提供支持，未來 AI應用落地層

128、面對龐大算力的需求更為重要，因此，相關算力產業鏈未來發展值得期待。我們看好國內相關算力產業鏈公司的未來發展，建議關注：GPU、加速卡、加速卡、AI芯片：芯片：寒武紀（688256.SH）、景嘉微（300474.SZ）、海光信息（688041.SH）先進封裝：先進封裝：通富微電（002156.SZ）、長電科技（600584.SH）、深科技（000021.SZ）服務器及加速卡服務器及加速卡 PCB：滬電股份（002463.SZ）、勝宏科技（300476.SZ）AIoT 產業鏈：產業鏈：瑞芯微（603893.SH）、全志科技（300458.SZ）、晶晨股份（688099.SH）、富瀚微（300613

129、.SZ）芯片芯片 IP：芯原股份（688521.SH）、華大九天（301269.SZ）存儲存儲芯片芯片/模組模組/PCIe：兆易創新（603986.SH）、江波龍（301308.SZ）、北京君正（300223.SZ）、聚辰股份（688123.SH）、瀾起科技（688008.SH）散熱材料：散熱材料：中石科技（300684.SZ）、飛榮達（300602.SZ）建議關注建議關注 股票名稱股票名稱 股票代碼股票代碼 當前價格當前價格 EPS(元元)PE（X）2011E 2012E 2013E 2011E 2012E 2013E 寒武紀-U 688256.SH 183.00-1.89-1.09-景嘉微

130、 300474.SZ 113.05 0.63 0.93 1.27 178.12 121.55 89.10 海光信息 688041.SH 66.25 0.61 0.91-107.88 72.49-通富微電 002156.SZ 24.79 0.39 0.74 1.06 63.08 33.40 23.45 長電科技 600584.SH 33.40 1.85 2.04 2.37 18.10 16.40 14.07 深科技 000021.SZ 15.34 0.53 0.66 0.74 28.81 23.17 20.81 滬電股份 002463.SZ 21.60 0.88 1.12 1.42 24.50

131、19.34 15.21 勝宏科技 300476.SZ 19.50 0.99 1.22 1.54 19.76 15.94 12.62 瑞芯微 603893.SH 95.85 0.93 1.46 2.07 103.48 65.67 46.41 全志科技 300458.SZ 28.90 0.54 0.69-53.47 42.10-晶晨股份 688099.SH 88.38 2.78 3.81-31.77 23.20-富瀚微 300613.SZ 74.31 1.85 2.40 3.12 40.24 30.90 23.81 華大九天 301269.SZ 122.34 0.34 0.47 0.64 355.

132、33 259.25 190.92 兆易創新 603986.SH 117.90 3.72 4.03 4.98 31.68 29.22 23.67 江波龍 301308.SZ 83.77 0.96 1.38 1.89 87.31 60.70 44.44 北京君正 300223.SZ 85.43 1.94 2.44 3.16 44.15 35.05 27.07 聚辰股份 688123.SH 103.93 4.70 6.17-22.12 16.84-瀾起科技 688008.SH 70.17 1.64 2.37-42.75 29.65-中石科技 300684.SZ 18.97 0.69 0.97 1.3

133、5 27.52 19.56 14.07 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。43 飛榮達 300602.SZ 17.35 0.07 0.40 0.80 250.00 43.09 21.75 資料來源：Wind,中國銀河證券研究院 五、風險提示 1.行業需求不及預期的風險：行業需求不及預期的風險：市場需求的變化和市場份額的變化可能會影響 AI 行業的需求變化，若相關企業對行業的需求波動反應不敏感，可能會造成企業盈利不及預期的情況。2.應用落地不及預期的風險應用落地不及預期的風險：AI行業更關注行業最后英應用落地的場景，相關企業的山歌優

134、化進程推動不及預期，可能會造成公司的產品或技術不符合市場需求，導致行業內公司收入無法創造回報的風險。3.政策風險政策風險:目前國內 AI 企業與海外 GPU 芯片合作存在障礙，未來政策趨勢尚未確定，可能會對 AI 企業相關基礎設計的供應存在不穩定性和價格波動的影響，對公司未來研發進度和產品進度造成影響，進而對公司造成不確定性的風險。4.下游技術迭代不及預期：下游技術迭代不及預期：存在行業技術迭代速度不及預期從而對需求造成影響的風險。行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。44 插插 圖圖 目目 錄錄 圖 1：全球人工智能產業浪潮.5 圖

135、 2：人工智能全球市場規模預測.5 圖 3：2017 年人工智能全球產業格局.5 圖 4：人工智能全球產業分布.6 圖 5：中國人工智能產業規模.6 圖 6：人工智能應用方向.6 圖 7：人工智能應用市場細分.7 圖 8：中國機器視覺產業規模.7 圖 9：截至 2021 年 8 月機器視覺專利申請數.7 圖 10：中國人工智能產業圖譜.10 圖 11：預訓練大模型基本原理.11 圖 12：超大規模模型參數和數據規模變化.12 圖 13：1956-2015 年算力實現萬億倍增長.13 圖 14：AlexNet 到 AlphaGo Zero：計算量增加 300,000 倍.13 圖 15：微軟 A

136、I 的基因組學小組在癌癥治療中的作用.14 圖 16：微軟人工智能方面突破的時間軸.15 圖 17：GPT-4 與 GPT-3 在各類考試中的結果對比.15 圖 18：谷歌 LLM 領域的發展時間軸.16 圖 19：百度深度學習發展歷程.17 圖 20：文心發展歷程.18 圖 21：文心大模型全景圖.19 圖 22：英偉達 GTC2023 會議.20 圖 23：上萬臺 DGX 連接組成 AI 超級計算機.20 圖 24：DGX A100 系統與 AI 數據中心參數比較.20 圖 25：AI Foundations 一站式云服務.21 圖 26：NeMo 的應用棧.21 圖 27：NEMO 服務

137、流程.21 圖 28：Picasso 動態化原理.22 圖 29：Picasso 高性能渲染.22 圖 30：BIONEMO 提供多種生物制藥領域模型.22 圖 31：BIONEMO 支持云端運行.22 圖 32：Nvidia 不同顯卡類型規格對比.23 圖 33：存儲計算“剪刀差”.23 圖 34：基于憶阻器的存算一體技術.24 圖 35：馮諾依曼計算架構.24 圖 36：存儲器類型.24 圖 37：AI 模型和 GPU 內存增長剪刀差.25 圖 38：非 AI 訓練傳輸容量和速度沒有觸摸到內存墻.25 圖 39：四種存算一體架構.26 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀

138、正文最后的中國銀河證券股份有限公司免責聲明。45 圖 40：HBM 設計結構.27 圖 41：英偉達 GPU 算力和工藝節點的關系.27 圖 42：異構堆疊芯片圖示.27 圖 43：各 Chiplet 可采用不同工藝尺寸.28 圖 44：各 Chiplet 可采用不同材質.28 圖 45：2.5D/3D 封裝結構示意圖.28 圖 46：ChatGPT 海量數據的來源占比.29 圖 47：部分應用程序月活達到一億所用時間.29 圖 48：ChatGPT 的應用界面.29 圖 49：不同的語言模型訓練所用的總算力、參數（Params）、訓練數據量等（Token）.30 圖 50：大模型具有較強的通

139、用性，賦能 AI 到千行百業.31 圖 51：ChatGPT 官宣開放 API 授權.31 圖 52：ChatGPT 推出付費訂閱版 ChatGPT Plus.31 圖 53：1985-2025 年間算力需求的增長.32 圖 54：GPU/ASIC/FPGA 三種計算架構特點.32 圖 55：英偉達 A100 芯片規格參數.33 圖 56：英偉達 A100 和英偉達其他芯片性能對比.33 圖 57：海光 DCU 產品深算一號和其他產品的對比.34 圖 58：海光 DCU 產品形態.34 圖 59：龍芯中科募投資金使用明細.34 圖 60：龍芯中科擁有 GPGPU 技術儲備.34 圖 61：使用

140、 FCBGA 技術生產的產品.35 圖 62：長電科技 2.5D/3D 集成技術解決方案.35 圖 63：華為 Atlas 800 訓練服務器內部結構圖.36 圖 64：PCB 四層板結構示意圖.36 圖 65：勝宏科技服務器用 PCB 板結構圖.37 圖 66：芯片的功率密度近年來不斷提升.38 圖 67：協同設計的微流體冷卻電子設備結構圖及各角度試圖.39 圖 68：AloT 技術架構圖.40 圖 69：全志科技 R 系列產品圖譜.41 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。46 表表 格格 目目 錄錄 表 1：人工智能發展歷程.

141、3 表 2：近五年中國人工智能政策.8 表 3：GPT 訓練數據規模持續增大.12 表 4：兩代產品參數對比.18 表 5：存內計算器件對比分析.25 表 6：全球廠商的存算一體解決方案.26 表 7：寒武紀比主要產品目錄.33 表 8：滬電股份研發項目進度.37 表 9：中石科技熱解決方案產品.39 表 10：瑞芯微部分 AloT 產品及其應用領域.41 行業深度報告行業深度報告/電子行業電子行業 請務必閱讀正文最后的中國銀河證券股份有限公司免責聲明。47 分析師簡介及承諾分析師簡介及承諾 Table_Resume 高峰高峰,北京郵電大學電子與通信工程碩士，吉林大學工學學士。2 年電子實業工

142、作經驗，6 年證券從業經驗，曾就職于渤海證券、國信證券、北京信托證券部。2022 年加入中國銀河證券研究院，擔任電子團隊組長，主要從事硬科技方向研究。王子路，王子路，英國布里斯托大學金融與投資碩士，山東大學經濟學學士，2 年科技產業研究經驗，2020 年加入中國銀河證券研究院，從事電子行業研究。本人承諾以勤勉的執業態度，獨立、客觀地出具本報告，本報告清晰準確地反映本人的研究觀點。本人薪酬的任何部分過去不曾與、現在不與、未來也將不會與本報告的具體推薦或觀點直接或間接相關。評級標準評級標準 行業評級體系行業評級體系 未來 6-12 個月，行業指數（或分析師團隊所覆蓋公司組成的行業指數）相對于基準指

143、數（交易所指數或市場中主要的指數）推薦：行業指數超越基準指數平均回報 20%及以上。謹慎推薦：行業指數超越基準指數平均回報。中性：行業指數與基準指數平均回報相當?；乇埽盒袠I指數低于基準指數平均回報 10%及以上。公司評級體系公司評級體系 推薦：指未來 6-12 個月，公司股價超越分析師（或分析師團隊）所覆蓋股票平均回報 20%及以上。謹慎推薦：指未來 6-12 個月，公司股價超越分析師（或分析師團隊）所覆蓋股票平均回報 10%20%。中性：指未來 6-12 個月，公司股價與分析師（或分析師團隊）所覆蓋股票平均回報相當?；乇埽褐肝磥?6-12 個月，公司股價低于分析師（或分析師團隊）所覆蓋股票平

144、均回報 10%及以上。免責聲明免責聲明 table_avow 本報告由中國銀河證券股份有限公司（以下簡稱銀河證券）向其客戶提供。銀河證券無需因接收人收到本報告而視其為客戶。若您并非銀河證券客戶中的專業投資者，為保證服務質量、控制投資風險、應首先聯系銀河證券機構銷售部門或客戶經理，完成投資者適當性匹配，并充分了解該項服務的性質、特點、使用的注意事項以及若不當使用可能帶來的風險或損失。本報告所載的全部內容只提供給客戶做參考之用，并不構成對客戶的投資咨詢建議，并非作為買賣、認購證券或其它金融工具的邀請或保證?？蛻舨粦獑渭円揽勘緢蟾娑〈晕要毩⑴袛?。銀河證券認為本報告資料來源是可靠的，所載內容及觀點

145、客觀公正，但不擔保其準確性或完整性。本報告所載內容反映的是銀河證券在最初發表本報告日期當日的判斷，銀河證券可發出其它與本報告所載內容不一致或有不同結論的報告，但銀河證券沒有義務和責任去及時更新本報告涉及的內容并通知客戶。銀河證券不對因客戶使用本報告而導致的損失負任何責任。本報告可能附帶其它網站的地址或超級鏈接，對于可能涉及的銀河證券網站以外的地址或超級鏈接，銀河證券不對其內容負責。鏈接網站的內容不構成本報告的任何部分，客戶需自行承擔瀏覽這些網站的費用或風險。銀河證券在法律允許的情況下可參與、投資或持有本報告涉及的證券或進行證券交易，或向本報告涉及的公司提供或爭取提供包括投資銀行業務在內的服務或

146、業務支持。銀河證券可能與本報告涉及的公司之間存在業務關系，并無需事先或在獲得業務關系后通知客戶。銀河證券已具備中國證監會批復的證券投資咨詢業務資格。除非另有說明，所有本報告的版權屬于銀河證券。未經銀河證券書面授權許可，任何機構或個人不得以任何形式轉發、轉載、翻版或傳播本報告。特提醒公眾投資者慎重使用未經授權刊載或者轉發的本公司證券研究報告。本報告版權歸銀河證券所有并保留最終解釋權。聯系聯系 中國銀河證券股份有限公司中國銀河證券股份有限公司 研究院研究院 機構請致電：機構請致電：深圳市福田區金田路 3088 號中洲大廈 20 層 深廣地區：蘇一耘 0755-83479312 suyiyun_ 程 曦 0755-83471683 chengxi_ 上海浦東新區富城路 99 號震旦大廈 31 層 上海地區：何婷婷 021-20252612 陸韻如 021-60387901 luyunru_ 北京市豐臺區西營街 8 號院 1 號樓青海金融大廈 北京地區：唐嫚羚 010-80927722 tangmanling_ 公司網址：