電子行業：AI不止關注“華為+算力+存力”產業鏈機遇-230417（32頁）.pdf

《電子行業：AI不止關注“華為+算力+存力”產業鏈機遇-230417（32頁）.pdf》由會員分享，可在線閱讀，更多相關《電子行業：AI不止關注“華為+算力+存力”產業鏈機遇-230417（32頁）.pdf（32頁珍藏版）》請在三個皮匠報告上搜索。

1、請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 x xTable_Info1Table_Info1電子電子 Table_Date發布時間：發布時間：2023-04-17 Table_Invest優于大勢優于大勢 上次評級:優于大勢 Table_PicQuote歷史收益率曲線 Table_Trend漲跌幅（%）1M 3M 12M 絕對收益11%17%14%相對收益 8%17%17%Table_Market行業數據 成分股數量（只）309 總市值（億）48652 流通市值（億）25464 市盈率（倍）39.51 市凈率（倍）3.08 成分股總營收（億）26641 成分股總凈利潤（億）14

2、98 成分股資產負債率（%）50.43 Table_Report相關報告 華為產業鏈深度報告：浴火經磨難，涅槃起創新-20230105 正確認識大陸半導體各環節差距，逐個擊破 -20221108 Table_Author 證券分析師：李玖證券分析師：李玖 執業證書編號：S0550522030001 17796350403 證券分析師：王浩然證券分析師：王浩然 執業證書編號：S0550522030002 021-20361133 證券分析師：武證券分析師：武芃芃睿睿 執業證書編號：S0550522110001 021-61002910 Table_Title證券研究報告/行業深度報告AI 不止，

3、關注“華為不止，關注“華為+算力算力+存力”產業鏈機遇存力”產業鏈機遇 報報告摘要：告摘要：Table_SummaryChatGPT 訪問量訪問量持續升溫持續升溫帶動帶動 AI 算力芯片需求激增。算力芯片需求激增。華為預計到 2030年，全球數據年新增 1YB；通用算力增長 10 倍到 3.3ZFLOPS，AI 算力增長 500 倍超過 100ZFLOPS。芯片是大模型進行訓練與推理應用的成本大頭?；诖竽Ｐ偷膽迷谟脩魝蠕侀_后，推理芯片的潛力有望釋放。預計行業將會形成“預計行業將會形成“上游通用大模型壟斷上游通用大模型壟斷+中游行業大模型中游行業大模型細分細分，賦能下，賦能下游應用端千行百業

4、游應用端千行百業”的格局”的格局。我們認為未來 AI 產業鏈將形成此種分工方式：上游少量大公司壟斷通用的 CV、NLP、科學計算等大模型；部分有高質量行業數據和 Know-how 的企業與掌握微調能力的 IT 企業結合，訓練得到特定行業/應用場景的專屬大模型，并進行持續微調和維護；下游千行百業通過 API 接入云端使用大模型或者購買定制化的私有模型。依據來自：1）上游：大模型的進化原理決定該行業具有明顯的馬太效應，具有先發優勢的玩家將會優則更優；大模型訓練成本極高，頭部玩家可以通過大規模推理應用攤薄成本；使用他人預訓練好的模型可以避免“重復造輪子”。2）中等數量的專有行業大模型組成細分市場，推

5、動各行業智能化升級，因為 SAM 模型的出現預示著強泛化性的通用大模型已經漸行漸近，將迅速統一各類基礎任務；且華為云盤古氣象/礦山等大模型的推出已經為行業大模型賦能千行百業提供了范例。3）下游大模型賦能百花齊放的應用企業，主要動力在于 AI 可極大促進企業降本增效。投資機會：投資機會：我們建議沿 3 條主線布局：1）華為線條：Chiplet 先進封裝是突破先進制程封鎖的良藥，我們推薦受益先進封裝技術突破+華為復蘇邏輯的興森科技、德邦科技、長川科技、偉測科技、方邦股份、華正新材。2）算力線條：芯片是訓練和部署大模型的底座，國產替代必不可缺。我們推薦寒武紀、龍芯中科、樂鑫科技、瑞芯微、恒玄科技、炬

6、芯科技。3）存力線條：存儲是高性能 GPU 的瓶頸，我們推薦深科技、江波龍、普冉股份、兆易創新。風險提示：風險提示：大模型大模型開發開發進度不及預期；宏觀進度不及預期；宏觀經濟與政策經濟與政策風險；風險；Table_CompanyFinance重點公司主要財務數據重點公司主要財務數據 重點公司重點公司 現價現價 EPS PE 評級評級 2021A 2022A 2023E 2024E 2021A 2022A 2023E 2024E 興森科技 13.86 0.42 0.33 0.45 0.66 33.3 29.3 30.8 21.0 買入 德邦科技 69.88 0.72 1.06 1.81 2.7

7、6-48.5 38.6 25.3 買入 長川科技 59.27 0.37-1.40 2.11 155.4-42.3 28.2 增持 偉測科技 139.23 2.09-3.93 6.02-35.4 23.5 買入 方邦股份 64.43 0.44-0.77 2.13 207.2-83.7 30.2 買入 華正新材 32.97 1.68 0.25 0.82 1.57 24.9 90.5 40.2 21.1 買入 深科技 19.40 0.51-0.65 0.72 31.3-29.8 26.9 增持 江波龍 104.89 2.73 0.19 1.61 2.40-310.4 65.1 43.7 買入-20%

8、-10%0%10%20%30%2022/42022/72022/102023/1電子滬深300 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 2/32 電子電子/行業深度行業深度 目目 錄錄 1.類類 ChatGPT 的對話式交互推動的對話式交互推動 AI 算力芯片需求激增算力芯片需求激增.4 1.1.在線式搜索應用潛力更優，芯片為成本大頭.4 1.2.AI 產業鏈有望形成“上游寡頭壟斷+中游行業專有模型+下游應用百花齊放”的分工形式.5 2.需求：需求：AI 有望在醫有望在醫/食食/住住/行行/城城/自然等場景全方位改善人類生活自然等場景全方位改善人類生活.11 2.1.醫食住行

9、：從感知智能到認知智能，從物理+數字世界到虛實融合.11 2.2.前沿探索：AI 助力天氣精準預報/地震預測/生物結構模擬等.15 3.趨勢：從計算智能到感知智能，從趨勢：從計算智能到感知智能，從“云端訓練、邊緣推理云端訓練、邊緣推理”到端邊云協同到端邊云協同 18 3.1.高算力帶來高能耗，低 PUE 政策帶動液冷服務器、液冷芯片需求.18 3.2.大算力需求下，新架構新技術開啟新道路.19 4.投資機會投資機會&相關標的相關標的.25 4.1.華為線條：Chiplet 先進封裝破局，受益華為復蘇回歸.25 4.2.算力線條：云端與邊緣端齊發力，大小算力全面替代.26 4.3.存力線條：高性

10、能 GPU 瓶頸.28 5.風險提示風險提示.30 圖表目錄圖表目錄 圖圖 1：OpenAI CEO 估計估計 ChatGPT 每次聊天的成本每次聊天的成本.5 圖圖 2：GPU 折舊成本在大模型推理成本中占比最高，為折舊成本在大模型推理成本中占比最高，為 65%.5 圖圖 3：ChatGPT 的微調方法總體可分成的微調方法總體可分成 3 個步驟個步驟.6 圖圖 4：微調出：微調出 ChatGPT 的訓練集（包含大量的訓練集（包含大量 Prompt）.6 圖圖 5：訓練：訓練 175B 的的 GPT-3 需要的算力需要的算力.7 圖圖 6：SAM 模型采用模型采用 prompt 范式范式“分割

11、一切分割一切”.8 圖圖 7：SAM 可實現基于視線焦點的目標檢測，在可實現基于視線焦點的目標檢測，在 AR/VR 場景極具應用潛力場景極具應用潛力.8 圖圖 8：行業大模型，賦能千行百業智能升級：行業大模型，賦能千行百業智能升級.8 圖圖 9：盤古氣象大模型成為全球首個預測精度超過傳統預報方式的：盤古氣象大模型成為全球首個預測精度超過傳統預報方式的 AI 模型模型.8 圖圖 10：阿里云的通義千問大模型申請試用界面，模型預設的主流用途包括：阿里云的通義千問大模型申請試用界面，模型預設的主流用途包括“文本創作、編程文本創作、編程”.9 圖圖 11：算力相關：算力相關宏觀趨勢及預測宏觀趨勢及預測

12、.11 圖圖 12：到：到 2030 年，年，10 萬輛車每天需傳輸萬輛車每天需傳輸 720TB 數據數據.12 圖圖 13：AI 助力人類實現對自然社會更縱深地感知助力人類實現對自然社會更縱深地感知.13 圖圖 14：AI 助力人類獲得超越現實世界的體驗助力人類獲得超越現實世界的體驗.14 圖圖 15：云端算力配合邊緣端算力實現虛實融合體驗：云端算力配合邊緣端算力實現虛實融合體驗.14 圖圖 16：AI 助力人類更精確地探索未知世界助力人類更精確地探索未知世界.15 圖圖 17：AI 助力軟件更準確地模擬現實物質結構助力軟件更準確地模擬現實物質結構.16 圖圖 18：AI 助力企業實現更高效

13、的運營效率助力企業實現更高效的運營效率.17 圖圖 19：實現多模態學習需要解決數據異構性等多重挑戰：實現多模態學習需要解決數據異構性等多重挑戰.18 圖圖 20：NVIDIA 于于 2022 年年中發布液冷版年年中發布液冷版 A100、H100.19 BVdYlYkWeYkXqZqZtW6McM7NsQoOmOmPiNpPqMfQrQwOaQoPrRwMqRmMxNmRtQ 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 3/32 電子電子/行業深度行業深度 圖圖 21：液冷版：液冷版 A100 PCIe 比風冷版降低比風冷版降低 28%能耗、能耗、66%機架數量機架數量.19 圖

14、圖 22：采用先進封裝技術的芯片示意：采用先進封裝技術的芯片示意.20 圖圖 23：隱私計算重建數字信任體系：隱私計算重建數字信任體系.20 圖圖 24：端邊云協同計算：端邊云協同計算.22 圖圖 25：多維感知與數字建：多維感知與數字建模技術模技術.22 圖圖 26：量子計算處理器與經典計算機協同工作：量子計算處理器與經典計算機協同工作.23 圖圖 27：量子處理器工作原理：量子處理器工作原理.23 圖圖 28：各種存儲介質的性能比較：各種存儲介質的性能比較.24 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 4/32 電子電子/行業深度行業深度 1.類類 ChatGPT 的對話

15、式的對話式交互交互推動推動 AI 算力芯片需求激增算力芯片需求激增 1.1.在線式搜索應用潛力更優，芯片為成本大頭 ChatGPT 訪問量激增帶來算力需求成倍增長。訪問量激增帶來算力需求成倍增長。根據 Similarweb 最新統計數據，2023年 3 月 ChatGPT 全球用戶訪問次數是 16 億次，環增近六成，是 1 月訪問量（5.9 億次）的近 3 倍。訪問量激增帶來的是算力需求的成倍增長?？梢圆孪氲氖?，下一代搜索引擎的形態也許已經形成。我們按 2023 年 3 月 ChatGPT 月活 16 億次，用戶每輪咨詢提問 6 個問題（微軟 New bing 平均提問輪次約為 3 次，而 C

16、hatGPT 不限輪次）測算，則 ChatGPT 單月咨詢量達到 80 億次，折合年 960 億次，對話式搜索已經逐步向主流搜索方式滲透。根據華為的預測，到2030年，全球數據年新增1YB；通用算力增長 10 倍到 3.3ZFLOPS，AI 算力增長 500 倍超過 100ZFLOPS。在線式搜索的單次搜索成本約為離線式搜索的在線式搜索的單次搜索成本約為離線式搜索的 6 倍倍，其中芯片成本占比，其中芯片成本占比 65%。根據 OneFlow，假設 OpenAI 云服務的毛利率 75%的情況下，分別采用 ChatGPT Equivalent（離線式：直接使用大模型推理，使用時無法訪問外部知識）和

17、 2-Stage Search（在線式：可在推理時訪問 Google 等傳統搜索引擎）方法所估算的單次搜索成本是0.01和0.066美元，數量級與OpenAI CEO Altman所言的“single-digits cents”相符。我們認為未來在線式搜索具備更大應用潛力，但該方法相當于每次用大模型查詢 K 次，返回最優結果，會增加算力成本?？紤]技術降本趨勢，中性估計未來單次搜索的成本約 0.04 美元。此外，根據沐曦光啟智能研究院科學家李兆石的推測，將英偉達 A100 按 5 年壽命線性折舊，單次查詢的推理成本中有 65%來自購買 GPU的折舊成本?？紤]性能追求下的芯片更新換代需求，GPU

18、實際使用壽命可能短于 5年，因此實際的芯片成本占比可能更高。訓練卡價值量顯著高于推理卡，推理卡增長潛力有待邊緣訓練卡價值量顯著高于推理卡，推理卡增長潛力有待邊緣應用應用場景場景需求升級需求升級。大模型訓練需要使用專業的 AI 服務器，其中的訓練芯片當前以英偉達的 A100、H100 為主。而當基于大模型的應用規?；茝V到用戶側時，應用場景對推理芯片的需求同步擴張，增速可能超過訓練卡。未來推理卡的需求數量可能和訓練卡相等，但推理卡的單卡性能低于訓練卡，價值量也相對低。比較英偉達的 T4 和 A100，前者 FP32下理論峰值計算能力為 8.1TFLOPS，是后者（19.5TFLOPS）的 42%

19、。根據 ZOL 中關村在線，英偉達 T4 推理卡參考報價 10999 元，折合為 0.16 萬美元，明顯低于 A100（1.25 萬美元）。目前無論是在 PC 還是智能音箱這類交互入口中，大模型類應用主要還是通過調用云端 API 完成，因此邊緣側算力卡的潛力尚未釋放（至少要達到英偉達 T4 的性能）。參考華為的預測，到 2030 年，將有 80%的數據在邊緣處理，全球邊緣計算市場規模將從 100 億美元增長至數千億美元。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 5/32 電子電子/行業深度行業深度 圖圖 1：OpenAI CEO 估計估計 ChatGPT 每次聊天的成本每次聊天

20、的成本 數據來源：twitter，東北證券 圖圖 2：GPU 折舊成本在大模型推理成本中占比最高，為折舊成本在大模型推理成本中占比最高，為 65%數據來源：沐曦，東北證券 1.2.AI 產業鏈有望形成“上游寡頭壟斷+中游行業專有模型+下游應用百花齊放”的分工形式 未來的未來的 AI 產業鏈可能形成此種分工方式：產業鏈可能形成此種分工方式：少量大公司掌握通用的 CV、NLP、科學計算等大模型；部分有高質量行業數據和 Know-how 的企業與掌握微調能力的 IT 企業結合，訓練得到特定行業/應用場景的專屬大模型，并進行持續微調和維護；下游千行百業通過 API 接入云端使用大模型或者購買定制化的私

21、有模型。上游：少數幾家大模型公司上游：少數幾家大模型公司寡頭壟斷寡頭壟斷。類似當前的微信、windows 操作系統。理由 1：大模型的進化原理決定該行業具有明顯的馬太效應，具有先發優勢的玩家將會優則更優。原始的 GPT-3 使用大量基于互聯網的文本數據進行訓練，一開始只能仿寫人類提供的 prompt。在 openai 大量開展指令微調（Instruction Fine-tuning）之后，其逐漸表現出了對特定任務的理解能力，但其產生的回答表現出對性別、種族、意識形態的強烈偏見。因為 masked-language-modeling 方法是通過統計概率生成可能的詞序列，但在實際應用中，語言模型的

22、目的是產生符合人類價值觀的認知工作。OpenAI 提出的 RLHF（Reinforcement Learning from Human Feedback）就是創造出 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 6/32 電子電子/行業深度行業深度 ChatGPT 的關鍵技術。該技術讓模型可以從人類的反饋中進行強化學習，過程可分成 3 步，其中第一步的監督調優是令該行業具有馬太效應的關鍵。監督調優首先需要收集 prompt，ChatGPT 除了使用標注員提供的 prompt 外，還使用了通過 API 從InstructGPT 用戶獲取的 prompt。這意味著未來使用某一個大模型的

23、用戶規模越大，模型所屬的公司就能通過大規模的數據訓練出更好的模型，更好的模型帶來更多的用戶，循環往復，優則更優。圖圖 3：ChatGPT 的的微調微調方法方法總體可分成總體可分成 3 個步驟個步驟 數據來源：OpenAI，東北證券 圖圖 4：微調出：微調出 ChatGPT 的訓練集（包含大量的訓練集（包含大量 Prompt）數據來源：Training language models to follow instructions with human feedback，OpenAI，東北證券 理由 2：大模型訓練成本極高，頭部玩家可以通過大規模推理應用攤薄成本。根據國際歐亞科學院院士&華為云人工

24、智能領域首席科學家田奇在人工智能大模型技術高峰論壇的分享，大模型開發和訓練一次需要 1200 萬美元。根據 2020 年發布的GPT-3（不包括上述基于 RLHF 的微調）的論文，預訓練有 175B 參數量的 GPT-3 需要 3.14E11 TFLOPS 的算力，成本極高，更遑論推理算力、服務器、電費等。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 7/32 電子電子/行業深度行業深度 圖圖 5：訓練：訓練 175B 的的 GPT-3 需要的算力需要的算力 數據來源：Language Models are Few-Shot Learners，OpenAI，東北證券 理由 3：時間

25、性價比，使用他人預訓練好的模型可以避免“重復造輪子”。上述種種原因導致 B 端無法形成自己訓練大模型的行業共識與能力。中游：中游：中等數量的專有中等數量的專有行業大行業大模型模型組成細分市場組成細分市場，推動各行業智能化升級，推動各行業智能化升級。當專有模型的需求逐漸明晰且固化，為實現高性價比，可能帶動 ASIC 芯片、FPGA 芯片的需求增長。實例 1：SAM 模型的出現預示著強泛化性的通用大模型已經漸行漸近，將迅速統一各類基礎任務。類似 ChatGPT 做到的“回答一切”，近日 Meta 所開源的 CV 大模型SAM（Segment Anything Model）已經能夠在分割任務（CV

26、的典型任務之一）做到了“分割一切”，說明 NLP 的 prompt 范式已經開始延展到 CV。英偉達的人工智能科學家 Jim Fan 認為 Meta 的這項研究是 CV 領域的 GPT-3 時刻之一，而這也將啟發其余領域在通用大模型的爆發。該類模型的出現為統一各種深度學習的主要任務帶來可能，比如目標檢測、語音識別、科學計算等。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 8/32 電子電子/行業深度行業深度 圖圖 6：SAM 模型采用模型采用 prompt 范式“分割一切”范式“分割一切”圖圖 7：SAM 可實現基于視線焦點的目標檢測，在可實現基于視線焦點的目標檢測，在AR/VR

27、場景極具應用潛力場景極具應用潛力 數據來源：Segment Anything，Meta AI Research，東北證券 數據來源：Meta AI，東北證券 實例 2：華為已經為行業大模型賦能千行百業提供了范例。在大模型出現前，醫學領域已經有了使用深度學習賦能行業前沿研究的案例。比如 DeepMind 開發的AlphaFold2 已經預測出了 98.5%的人類蛋白質結構，而此前科學家們數十年的努力，只覆蓋了人類蛋白質序列中 17%的氨基酸殘基。華為在 2021 年發布盤古大模型之后，就陸續發布了藥物分子、礦山等行業大模型。其中，華為云盤古氣象大模型成為全球首個精度超過傳統預報方式的 AI 模型

28、，1 小時至 7 天預測精度均超歐洲氣象局實時預報，預測速度比傳統天氣預報提升 10000 倍；臺風硅基預測準確度世界第一，比歐洲氣象局提升約 20%?？梢灶A見的是，當通用大模型成熟&模型部署、微調成本下降，各行業或者各細分需求場景的大模型就有望涌現。圖圖 8：行業大模型，賦能千行百業智能升級：行業大模型，賦能千行百業智能升級 圖圖 9：盤古氣象大模型成為全球首個預測盤古氣象大模型成為全球首個預測精度超過精度超過傳統預報方式的傳統預報方式的 AI 模型模型 數據來源：華為，人工智能大模型技術高峰論壇，東北證券 數據來源：華為，人工智能大模型技術高峰論壇，東北證券 下游：下游：大模型賦能大模型賦

29、能百花齊放的應用百花齊放的應用企業企業，落地領域，落地領域擴散范圍擴散范圍可能與現有行業數據集可能與現有行業數據集規模強相關規模強相關。從目前第一時間通過 API 接入 ChatGPT 的主流應用（比如知識管理應用 Notion AI、內容寫作工具 Jasper AI、編程工具 PyCharm）可推知，目前“文本創 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 9/32 電子電子/行業深度行業深度 作”和“編程”是大語言模型的兩大主流應用方式。當前 C 端的商業模式主要是由已有的應用打通 OpenAI 的 API 渠道，用戶自己填入自己的 API Key，從而獲得更優的用戶體驗。在

30、此過程中，應用軟件并未獲得直接收入。未來 1-2 年隨 AI 底層基座的成熟，相關應用可能迎來爆發?？紤]到行業數據的瓶頸，我們認為大模型可能會沿已有高質量數據集的方向落地。圖圖 10：阿里云的通義千問大模型申請試用界面，模型預設的主流用途包括“文本創作、編程”：阿里云的通義千問大模型申請試用界面，模型預設的主流用途包括“文本創作、編程”數據來源：阿里云通義千問大模型官網，東北證券 實例：AI 可極大促進企業降本增效，已有游戲公司 3 成原畫師被裁。通用圖片和文本是網絡上最方便獲取的公開數據，也是目前在 AIGC 領域廣泛受到認可的ChatGPT 和 stable diffusion、midjo

31、urney 所基于的公開數據形式。目前 AI 繪畫已經能用遠快于人類的速度（從 2 周到 3 天）幫助畫師完成前期 50%的工作，AI 模特能用遠低于真人的成本（從 5 萬元到 5 元）完成一次拍攝。去年 AI 繪畫爆火之后，國內各游戲公司開始陸續使用 AI 降本增效。根據 36 氪對某游戲公司特效總監的采訪，該公司從 2023 年初開始已陸續裁掉了 30%的原畫師，基本為初級和中級原畫師。目前 AI 已經可以幫助畫師完成前期 50%的工作，達到了中級原畫師的水平。除原畫師首當其沖，根據現有可獲取訓練集大小，未來建模、UI 設計、動作、地編和特效也可能依次逐步被 AI 滲透。阿里云宣布開放大模

32、型能力，率先提供大模型阿里云宣布開放大模型能力，率先提供大模型 B2B 合作范例。合作范例。此外，阿里云智能CTO 已經于 4 月 11 日在北京云峰會宣布，阿里云將提供算力及大模型基礎設施，助力企業打造自己的專屬大模型。讓未來的企業既可以調用通義千問模型，也可結合企業自己的行業 Know-How 和應用場景，訓練自己的企業大模型。阿里云也將與OPPO 聯合打造 OPPO 大模型基礎設施；與吉利汽車、毫末智行、波司登等展開相關合作。大語言模型的接入有可能率先對此前基于關鍵詞的搜索交互場景產生沖擊，比如電商場景下，未來可能通過詳細描述衣物/物品的方式進行線上購物，對企業傳統業務賦能。隨著隨著大模

33、型大模型通過通過增大訓練參數增大訓練參數而獲得更優性能而獲得更優性能的的方法的方法的邊際效益遞減，高質量數據邊際效益遞減，高質量數據集重要性將愈發凸顯。集重要性將愈發凸顯。在質量較高的數據集上進行訓練，那么小到可以在本地運行 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 10/32 電子電子/行業深度行業深度 的模型也可以獲得類似大模型的優秀性能。隨著各公司密集發布大模型，模型的稀缺性降低，高質量數據的價值逐漸凸顯。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 11/32 電子電子/行業深度行業深度 2.需求需求：AI 有望在有望在醫醫/食食/住住/行行/城城/自然等場

34、景自然等場景全方位改善人類全方位改善人類生活生活 未來，AI 有望在衣食住行城等場景全方位改善人類生活?？茖W探索邊界不斷拓展，帶來算力需求提升，計算有望迎來創新的黃金 10 年。2.1.醫食住行：從感知智能到認知智能，從物理+數字世界到虛實融合 智慧交通：智慧交通：智能交通從“運力”時代進入“算力”時代智能交通從“運力”時代進入“算力”時代。通過傳感器采集生成全息數據，實現實時、歷史路況的全息呈現，最后經云端計算形成不同的交通指令，出行將變得更加高效、低碳。國際能源署（IEA）預計，到 2030 年，在道路上的電動汽車、公共汽車、面包車和重型卡車的數量將達到 1.45 億輛。若按照每輛車平均每

35、天行駛 2 小時，行駛中每秒上傳的壓縮數據從當前的 10KB 升至 1MB 測算，則 10萬輛車智能網聯汽車需要傳輸的數據量大約為 720TB/天。車輛行駛過程中產生的海量數據交給 AI，其以計算為核心，持續支撐交通的數字化升級和智慧化管理?！八懔Α钡慕夥艓砹私煌ò踩?、效率、體驗的提升。有 AI 相助，城市日均通勤時間將縮短 15-30 分鐘；交通治理方面，擁堵會緩解，事故將會減少，“停車難”問題也可能得到解決。更加高效、低碳的出行會釋放出新生產力，推動社會經濟的發展。圖圖 11：算力相關宏觀趨勢算力相關宏觀趨勢及預測及預測 數據來源：華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正

36、文后的聲明及說明 12/32 電子電子/行業深度行業深度 無人駕駛：無人駕駛：AI 應對應對邊緣案例邊緣案例能力能力有望有望超越人類，超越人類，促進促進 L5 級無人駕駛落地級無人駕駛落地。隨著邊緣案例（Corner Case）的產生積累，以及對自動化無監督的視頻級 AI 機器學習訓練的實現需求，智能駕駛算力需求大幅增長，摩爾定律逐漸失效。到 2030 年，L4+自動駕駛汽車單車算力將達到 5000T，催生端云協同的計算需求，預計未來單個車廠的云端至少需 10EFLOPS 以上的算力。L4 級的自動駕駛商用后，AI 會不斷在實例中學習訓練，愈發“聰明”，最終于應對能力超越人類，得以實現 L5

37、級完全自動駕駛。智慧城市：智慧城市：通過數據實現城市能源高效調度通過數據實現城市能源高效調度，將帶來，將帶來 100 倍的社會數據聚集倍的社會數據聚集。據聯合國人居署的統計，城市只占地球表面不到 2%的面積，卻居住地球超 50%的人口，消耗全世界 78%的能源，排放超過 60%的溫室氣體。城市智慧化治理是實現城市可持續發展的必然方案。借由物理傳感器，城市數字孿生得以建立，將帶來 100 倍的社會數據聚集，能源調度效率將會提升，將居民高峰用電平均需求減少 15%以上。精準醫療：精準醫療：AI 參與病情推理，提高效率，緩解衛生工作者短期難題。參與病情推理，提高效率，緩解衛生工作者短期難題。在醫療領

38、域，人工智能已經可以自動識別出微小的肺結節，與以往肉眼識別、手工標識相比診斷效率更高，可以節省醫生大量時間。未來人工智能將在復雜的問診中與醫生“討論病情”，為醫生提供診斷依據和預期療效分析，逐漸形成人工智能出方案、醫生審核成為普遍的診療模式。據世界衛生組織，到 2030 年，預計出現 1800 萬衛生工作者的短缺，AI 可成為應對這一挑戰的解決方案。藥物篩選：藥物篩選：通過將通過將 AI 的推理過程透明化的推理過程透明化，幫助人類完成藥物篩選，幫助人類完成藥物篩選等復雜任務等復雜任務。以前，AI 是一個黑盒，而當人類僅得到結果，很難做出決策，所以發揮作用有限。未來，AI 不僅告知結論，同時也能

39、展現思考過程，和人類建立彼此的互信，幫助人類完成復雜的任務，如藥物篩選。待大模型應用進入深水區，可能形成待大模型應用進入深水區，可能形成 AI 問診的診療新問診的診療新模式。模式。出于跨學科知識的鴻溝，醫療人員難以直觀感受大模型在其工作場景的應用潛力，而大模型的研究員對醫療業務場景的理解又難以深入，因此大模型短期可能難以進入交叉學科應用的“深水區”。但目前在國家醫保局成立后，醫療信息化建設趨勢漸起，醫保數據要素有望成為數據市場化和資產化的首批放開方向。隨著大模型應用逐步落地，AI 問診前景可期，甚至可能沖擊當前分診室看病的診療模式。比如向大模型輸入病情、過往病例及診療結果，模型反饋初步的病情診

40、斷結果，再配合人類醫生的進一步判斷，可大幅提升診療效率。圖圖 12：到到 2030 年，年，10 萬輛車每天需傳輸萬輛車每天需傳輸 720TB 數據數據 數據來源：國際能源署，華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 13/32 電子電子/行業深度行業深度 個性化教育：個性化教育：人工智能可幫助人類重新認識教育、改革教育。人工智能可幫助人類重新認識教育、改革教育。人類訓練人工智能模型的過程，也是了解人類自身認知、推理能力形成機理的過程（比如強化學習、RLHF技術的出現與人類認知行為密切相關）。未來可能出現 AI 教員，其通過精細化地分析學生的行為習慣、能力等，為

41、學生制定個性化的教學內容，將人工時代所稀缺的教育資源變得更為普惠。華為預計到 2030 年，全球連接總數將達到兩千億，傳感器的數量達到百萬億級，數據量、時延等原因決定了產生感知的計算在邊緣完成，未來能處理大約 80%的數據。通過 AI，更多的行業可獲得感知自我的能力，并進一步驅動企業數字化創新。智慧農業：智慧農業：農業將迎來全方位全過程的數字化、網絡化、智能化改造。農業將迎來全方位全過程的數字化、網絡化、智能化改造。未來，現代信息技術與農業深度融合，為實現具備農業信息感知、定量決策等功能地全新農業生產方式，也將產生廣泛的對邊緣 AI 計算的需求。智能化農業信息遙感網絡也將加快發展農業電子商務、

42、食品溯源防偽、農業休閑旅游、農業信息服務水平。智能控制設備：智能控制設備：AI 技術將提升關鍵生產環節的生產質量與與成本收益。技術將提升關鍵生產環節的生產質量與與成本收益。AI 可幫助企業實現智慧化運營、貫通層海量數據分析挖掘以及感知層更低時延診斷預警，若在生產系統普及，則將帶來工廠作業模式、人員配置、部門區域協同等一系列的升級，如中國制造 2025所提出的，制造業重點領域全面實現智能化，試點示范項目運營成本將降低 50%，產品生產周期縮短 50%，不良品率降低 50%。制造業機器人升級：制造業機器人升級：人工智能將驅動企業業務重塑。人工智能將驅動企業業務重塑。未來，人工智能將參與企業更多的非

43、操作性任務，人與機器形成無縫的協作關系。華為預計到 2030 年，每萬名制造業員工將與 390 個機器人共同工作。人與機器的協同將改變產品設計、生產、銷售，到企業架構、員工的雇用和培訓等各個環節的業務，最終讓人類告別重復枯燥的任務、讓人類遠離危險的工作，并在越來越多的任務領域中賦能人類，幫助人圖圖 13：AI 助力人類實現對自然社會更縱深地感知助力人類實現對自然社會更縱深地感知 數據來源：華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 14/32 電子電子/行業深度行業深度 類獲得超越自我的能力。智慧交互：智慧交互：未來未來 AI 可輔助人類完成更多創造力工作，實現從

44、感知到認知、從弱人可輔助人類完成更多創造力工作，實現從感知到認知、從弱人工智能到強人工智能的轉變工智能到強人工智能的轉變?，F今，人工智能已參與完成一些過去難以勝任的任務，如通過圖像辨別植物，幫助完成家務勞動等。2030 年，家用智能機器人使用率有望超過 18%。未來，AI 將實現從感知到認知、從弱人工智能到強人工智能的跨越。當今，AI 在作畫、寫詩、文學創作進行了初級的嘗試，而在未來，AI 可完成更為復雜的創造性工作。比如，通過多種插件的配合，實現從自然語言到自主搭建網站的過程；通過多個傳感器配合，實現更智能的家居。AR/VR：虛擬世界將重新定義人類生活、工作和學習的方式。虛擬世界將重新定義人

45、類生活、工作和學習的方式。未來，通過豐富的傳感器硬件，數字空間將與物理世界共同組成虛實融合的世界，人與人、人與社會、人與自然、人與機器的交流方式將發生革命性的改變。華為預計 2030 年，超過 30%的企業在數字世界中運營與創新，各種虛實結合的 AR/VR 用戶數達到 10 億。元宇宙：元宇宙：通過數字體驗驅動計算走向邊緣端通過數字體驗驅動計算走向邊緣端，人與設備之間實現實時交互。，人與設備之間實現實時交互。云端將實現物理世界的建模、鏡像，經過計算、加入虛擬元素形成數字世界，準確感知和還原物理世界。邊緣設備將具備聽覺、視覺、觸覺、嗅覺和味覺能力，多維協同的計算將用戶所處的環境整體變成一臺超級計

46、算機，在虛實結合的世界中識別用戶意圖，并通過全息、AR/VR、數字嗅覺和數字觸覺等技術進行用戶呈現。圖圖 14：AI 助力人類獲得超越現實世界的體驗助力人類獲得超越現實世界的體驗 數據來源：華為，東北證券 圖圖 15：云端算力配合邊緣端算力實現虛實融合體驗：云端算力配合邊緣端算力實現虛實融合體驗 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 15/32 電子電子/行業深度行業深度 2.2.前沿探索：AI 助力天氣精準預報/地震預測/生物結構模擬等 數字世界算力的規模決定了物理世界探索的廣度和深度。未來，隨著人類認知邊界的不斷擴展，科研用算力將爆炸性增長。比如，2027 年底歐洲核子

47、研究組織（CERN）將投入使用高光度大型強子對撞機，每秒發生約 10 億次粒子碰撞，數據計算量將增加 50-100 倍，存儲需求達到 ZB 級。生態監測：生態監測：AI 幫助人類得出更好治理模式，有效解決環境挑戰。幫助人類得出更好治理模式，有效解決環境挑戰。以大數據為基礎，利用模型預測不同管理措施效果，并不斷優化，AI 可為人類提供優良的環境保護方案，如確定位污染源，預測污染擴散等。氣象：氣象：氣候模擬和天氣預報精度更高，人類能夠更加從容氣候模擬和天氣預報精度更高，人類能夠更加從容地地應對極端天氣。應對極端天氣。受限于海量數據和巨大算力需求，目前很難對天氣實現準確預測。據華為數據，天氣預報將從

48、當前的 10 公里的精度，提升到公里、次公里，數據規模和算力需求提升1001000 倍。2030 年 100EFLOPS 級超級計算機的實現，可突破算力極限，大幅提升預報能力，使人類在極端天氣面前不再被動。自然災害預測：自然災害預測：地震預報準確性、可靠地震預報準確性、可靠性將極大提高。性將極大提高。人工智能方法可突破震源機 數據來源：東北證券 圖圖 16：AI 助力人類更精確地探索未知世界助力人類更精確地探索未知世界 數據來源：華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 16/32 電子電子/行業深度行業深度 制參數的計算難題；應用地震大數據訓練人工智能神經網絡

49、，可完善預報系統的準確性和可靠性，實現地震預報領域的突破。宇宙結構探測：宇宙結構探測：人工智能將助力加速研究宇宙大規模結構。人工智能將助力加速研究宇宙大規模結構。傳統研究辦法需要對數十萬到百萬個宇宙論模型進行精確的計算，已有全部計算資源都不難以完成。風洞仿真風洞仿真：有望實現更大級別子系統，甚至整機的高精度仿真測試。有望實現更大級別子系統，甚至整機的高精度仿真測試。計算機風洞仿真是飛機、高鐵等高速運動產品的重要測試手段。高精度仿真結果要求更大計算量，需分解測試系統為更多子系統。在 AI 輔助下，未來計算能力將提升 23 個數量級，高精度仿真測試成為可能。新藥探索：新藥探索：人工智能將為解決“維

50、度災難”開辟新辦法，加速人類認知的擴展。人工智能將為解決“維度災難”開辟新辦法，加速人類認知的擴展?，F如今，在生物、材料、化學、宇宙等研究方向上，傳統的計算方法面臨“維度災難”，算力需求指數級增長，比如對于更復雜的人腦思維、記憶和行為研究。如模擬人腦在特定刺激下的反應，每一小時模擬 Summit 需要計算 1024年。人工智能有可能突破“維度災難”，為科學研究打開新的探索之道。2020 年戈登貝爾獎的研究工作就利用人工智能實現了 1 億原子規模模擬，比過去的同類工作計算空間尺度至少增大100 倍，同時計算速度提高至少 1000 倍，實現了傳統方法無法模擬的大尺度計算。算力挖掘數據價值：算力挖掘

51、數據價值：優化生產關系，更好地匹配生產力和客戶需求。優化生產關系，更好地匹配生產力和客戶需求。以云計算、大數據為基石，AI 可驅動行業數字化，提升管理效率，比如如 O2O 服務、電商等。實現全面應用上云，構筑實現全面應用上云，構筑 10X 的性能、效率、成本優勢。的性能、效率、成本優勢。端邊云全棧 Serverless 化是企業數字化、智能化轉型現代化改造的主流技術。其基于云原生計算模式的編程語言、語言 runtime、應用調度、運行、運維，構成了現代化軟件及全棧 Serverless化的基礎。圖圖 17：AI 助力助力軟件更準確地模擬現實物質結構軟件更準確地模擬現實物質結構 數據來源：華為，

52、東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 17/32 電子電子/行業深度行業深度 精細化資源使用：精細化資源使用：新計算技術使得資源應用更加便捷，大幅減少企業計算資源浪費。新計算技術使得資源應用更加便捷，大幅減少企業計算資源浪費。在非云化時代，處理器僅有 10%的利用率，容器技術則將這一比例提升到 40%以上，未來新的資源管理技術的廣泛采用將進一步減少 50%以上的資源浪費。軟件定義運營：軟件定義運營：工業制造等傳統企業將在更加復雜的產業鏈上下游環境中實現由軟工業制造等傳統企業將在更加復雜的產業鏈上下游環境中實現由軟件定義的高效企業運營。件定義的高效企業運營。工業物聯

53、網將驅動全球的供應、制造、維護、交付和客戶服務等業務流程實現廣泛聯接，未來企業將通過軟件處理跨組織復雜協同，通過軟件快速定義業務的運營。低碳低碳 DC：企業將獲得更加綠色的計算資源，能源效率更能得到指數級提升。企業將獲得更加綠色的計算資源，能源效率更能得到指數級提升。隨著創新計算架構的引入，計算能效將極大的提升。傳統計算過程中超過 60%能耗集中在數據遷移，而未來以數據為中心的計算將使得能效提升數十倍。模擬計算（如量子計算、模擬光計算）成為重要算力來源，能源效率得以指數級大幅提升。未來數據中心受能源分布、算力需求分布的雙重影響，計算架構發生更大空間維度的變化，通過算力網絡更好匹配綠電、時延、成

54、本的差異，從而實現最優能源利用效率與碳排放。圖圖 18：AI 助力企業實現更高效的運營效率助力企業實現更高效的運營效率 數據來源：華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 18/32 電子電子/行業深度行業深度 3.趨勢趨勢：從計算智能到感知智能，從“云端訓練、邊緣推理”從計算智能到感知智能，從“云端訓練、邊緣推理”到到端邊云協同端邊云協同 AI 正從正從智能感知走向智能認知，多模態學習智能感知走向智能認知，多模態學習成為成為 AI 發展趨勢發展趨勢。AI 從早期的計算智能，升級到如今的感知智能，現在正逐步向認知智能發展，在這一發展過程中，多模態學習是獲得信息融

55、合和協同、構建多模態大規?；A模型的重要手段。構建大規?；A模型可以提高 AI 對復雜環境的認知能力，豐富 AI 的應用場景。以ChatGPT 的發展為例，ChatGPT 的輸入端只接受文字信息，而 GPT-4 已經發展到能夠接受圖片、表格等多樣的輸入方式，具有多模態的數據處理能力。在該趨勢下，多模態學習還需要解決以下問題：1）利用跨模態數據的互補性及冗余性做好表征學習；2）處理表征學習后的向量關系映射；3）處理訓練場景下某個或某類模態數據缺失后模型自適應的學習及遷移能力，保障模型精度維持在可接受范圍內；4）處理推理場景下，某個或某些模態數據缺失后的模型拓撲路由，提高推理增益等。圖圖 19：實

56、現多模態學習需要解決數據：實現多模態學習需要解決數據異異構性等多重挑戰構性等多重挑戰 數據來源：華為，東北證券 生成式生成式 AI（AI generated content,AIGC）是最佳的自動化生產要素，其應用場景指是最佳的自動化生產要素，其應用場景指向金融銀行、游戲、影視等需求側。向金融銀行、游戲、影視等需求側。通過 AIGC 技術，AI 從理解內容走向自動生成內容，并將人類創意融入內容生成過程，可進行文本續寫、文字轉圖像、視頻創作，甚至生成 AI 主持人、游戲中的智能 NPC 等。AIGC 也在助力金融銀行發展，在智能客服、數字員工、數字營業廳、內容營銷、智能投研中具有廣泛的應用場景。

57、盡管 AIGC 已得到廣泛應用，其仍面臨以下問題：1）某些生成模型不穩定且難以控制其行為，如生成的圖片精確性不足但無法判別原因；2）可能被用于欺詐目的。如 AI主持人、智能 NPC 等都可能被遠程攻擊、篡改，從而被用于詐騙行為。3.1.高算力帶來高能耗，低 PUE 政策帶動液冷服務器、液冷芯片需求 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 19/32 電子電子/行業深度行業深度 高算力帶來高能耗，高算力帶來高能耗，低低 PUE 政策政策帶動帶動液冷服務器、原生液冷芯片需求。液冷服務器、原生液冷芯片需求。全球數據中心總能耗占電力需求的 1%，通用計算的總能耗每 3 年增長 1 倍

58、，AIGC&碳中和目標將驅動算力提升百倍的同時提升能源利用效率。根據工信部 2021 年發布的 新型數據中心發展三年行動計劃，到 2023 年底，全國數據中心總算力超過 200 EFLOPS，高性能算力占比達到 10%，新建大型及以上數據中心 PUE（即數據中心總設備能耗/IT 設備能耗，理想水平為 1，表示只有 IT 設備在耗能）降低至 1.3 以下，嚴寒和寒冷地區力爭降低至 1.25 以下。根據騰訊云，一個典型的 Google 數據中心在投產初期的 PUE1.25。而 AI 服務器在執行復雜任務時，需要更高的能耗，PUE通常大于1.5。因此需要通過液冷、去冷機、去空調等技術優化數據中心的P

59、UE。2022 年 5 月，英偉達發布了首款采用原生液冷芯片（Direct-to-Chip）技術的 PCIe GPU，就是基于 A100 和 H100 芯片，該類 GPU 在主流服務器的 GPU 中尚屬首例。根據英偉達估計，液冷數據中心的 PUE 可能達到 1.15，遠低于風冷的 1.6。根據英偉達報告，切換至液冷后，2k 臺服務器（4k 張 A100）的總電力需求降低了 28%。圖圖 20：NVIDIA 于于 2022 年年中發布液冷版年年中發布液冷版 A100、H100 圖圖 21：液冷版：液冷版 A100 PCIe 比風冷版降低比風冷版降低28%能耗、能耗、66%機架數量機架數量 數據來

60、源：NVIDIA，東北證券 數據來源：NVIDIA，東北證券 3.2.大算力需求下，新架構新技術開啟新道路 2.5D、3D、Chiplet 等先進封裝等先進封裝工藝工藝成為延續摩爾定律良藥。成為延續摩爾定律良藥。在未來算力需求大幅增長，而“微縮化”逐漸逼近摩爾定律極限（硅原子直徑是 0.2nm，臺積電已經達到 2nm）的情況下，2.5D/3D 封裝技術成為權衡該狀況的極佳選擇。2.5D Silicon/FO Interposer+Chiplet 技術可以降低能耗、集成更優性能。根據華為的數據，2.5D 封裝對傳統封裝板級互連方案單 bit 能耗降低至約 1/2，預計 2025 年 2.5D 封

61、裝的硅中介層尺寸將超過 4xReticle(1 Reticle=25mm*32mm)，未來封裝基板大小可能會超過110mm*110mm。由于 3D 封裝需要采用小于 10m甚至更小 pitch 的超高密 Bonding技術，其相對 2.5D 封裝具有顯著的帶寬、功耗優勢，單 bit 功耗有望降低至 1/10。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 20/32 電子電子/行業深度行業深度 圖圖 22：采用采用先進封裝先進封裝技術的技術的芯片示意芯片示意 數據來源：wikipedia，東北證券 云計算云計算打破了傳統安全邊界，數據加密成為應對新型攻擊的方式打破了傳統安全邊界，數據

62、加密成為應對新型攻擊的方式。云計算將巨大的數據處理分解為若干小程序，通過多部服務器計算出結果后返回給用戶，巨大的數據傳輸量使傳統的外掛式安全防護方案無法應對新型攻擊，因此在網絡的任何位置通信都應加密。具體做法為在每一個服務器中融入加密通信的高性能硬件卸載能力，并支持后量子加密算法。圖圖 23：隱私計算重建數字信任體系隱私計算重建數字信任體系 數據來源：華為，東北證券 未來的計算可在最合適的地方以最合適的算力進行，呈現多樣化計算趨勢未來的計算可在最合適的地方以最合適的算力進行，呈現多樣化計算趨勢。不僅DPU（Data Processing Unit,數據處理單元）、NPU（Neural Proc

63、essing Unit,嵌入式神經網絡處理器）等內設可以進行數據處理，硬盤、網卡、內存等外設也將逐步開始擁有數據分析和處理能力。多樣化計算可以減少數據搬移，提高整體系統的性能。近內存計算近內存計算：可使內部數據傳輸不受可使內部數據傳輸不受外部外部總線總線帶寬制約，使帶寬制約，使 DRAM 內內有效帶寬有效帶寬實實現現倍數級提升。倍數級提升?？偩€作為各種機能部件之間傳送信息的公共通信干線，其帶寬大小會對各處數據搬移產生制約，這成為如今數據傳輸、計算的瓶頸。未來通過在 DRAM（Dynamic Random Access Memory，動態隨機存取存儲器）的控制電路上增加并發的可編程計算單元，同時

64、優化 DRAM 陣列結構，可提升內部數據傳輸的并發度，使內部運算不受外部總線帶寬的約束，可實現數據運算有效帶寬的倍數級提升。英特爾提出的 PCI-Express(peripheral component interconnect express,一種高速串行計算機擴展總線標準)所連接的設備分配獨享通道帶寬，不共享總線帶寬，可支持主動電 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 21/32 電子電子/行業深度行業深度 源管理、錯誤報告、端對端的可靠性傳輸、熱插拔及服務質量等功能。英偉達開發出的 NVlink 采用點對點結構、串列傳輸，用于中央處理器與圖形處理器之間的連接，也可用于

65、圖形處理器之間的連接，具有高帶寬、低延遲、低功耗和高密度的特點。存算一體存算一體能能打破算力和存儲的邊界，預計能效比馮諾依曼架構打破算力和存儲的邊界，預計能效比馮諾依曼架構提升提升 10 倍倍以上以上。存算一體即存儲介質既能做存儲單元又能做計算單元，目前已有成熟的存儲器可實現存算一體，很多新型的存儲器也在探索存算一體?；?SRAM（Static Random-Access Memory，靜態隨機存取存儲器）和 NOR Flash（非易失閃存）的存儲器將有望在2-3 年內實現規模商用，在端側、邊緣側的人工智能推理運算中展現出 10 倍的能效優勢；基于 ReRAM（Resistive rando

66、m-access memory，可變電阻式內存）、PCM（Phase Change Memory,相變存儲器）、MRAM（Magnetoresistive Random-Access Memory，磁性隨機存儲器）等新型非易失存儲器具有高性能、低功耗的特點，雖還未實現存算一體，但已在積極探索中，一旦實現存算一體，未來十年有望在數據中心側實現突破。存算一體要實現規模應用，還需突破以下難點：1）計算精度比數字計算低。器件在兼顧存儲和計算時的一致性、穩定性相比數字計算低，因此會產生更多誤差，同時計算過程中存在噪聲，進一步降低其計算精度。需要結合電路特征優化算法，使得計算結果滿足應用需求；2）對數據映

67、射工具的要求更高。存算一體需要將神經網絡模型部署在合適的存儲單元上，并通過數據流調度來控制整個運算過程，因此需要更高效智能的數據映射工具；3）基于向量乘矩陣的運算方式使其目前只能運用于特定的機器學習，難以實現通用。需要在存儲器件、編程模型、系統架構和應用上實現突破，使存算一體擴展至更多應用場景。邊緣計算開始在邊緣計算開始在 ICT 行業廣泛應用，行業廣泛應用，2030 年全球市場規模年全球市場規模有望有望達數千億美元。達數千億美元。邊緣計算可在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，提供最近端服務，隨 5G 技術、物聯網技術的發展，邊緣計算開始在 ICT 行

68、業廣泛應用，預期 2030 年全球市場規模將從 100 億美元增長到數千億美元。邊緣計算要實現規模應用，需要針對以下方面進行突破：1）智能化升級與改造。若邊緣計算能夠實現在制造、電力、城市、交通、金融等垂直行業的智能化升級與改造，形成完備的 SDK（Software Development Kit，軟件開發工具包），解決跨行業的共性問題和智能制造的共性問題，其將實現爆發式增長；2）算力網絡能力的提升。未來應用邊緣計算的業務將越來越多元化，對算力的要求也將越來越高，其中全息及多維感知類業務要求算力至少提高 100 倍，存儲業務要求算力提高 100 倍乃至1000 倍，網絡帶寬業務要求算力達到 1

69、0Tbit/s 級別；3）數據安全的保障。由于邊緣計算距離物更近，因此更易受到攻擊。預計 2030 年 80%的數據都將在邊緣計算，一旦安全得不到保障，用戶就會遭到重大損失。因此需要加強數據采集、傳輸等過程中的保護，同時又要避免對數據過度保護造成 AI 在在醫療、金融、工業等領域的潛在價值無法充分發揮。端邊云計算正在從“云端訓練、邊緣推理”的模式走向“合作式”的訓練和推理。端邊云計算正在從“云端訓練、邊緣推理”的模式走向“合作式”的訓練和推理。與以往云計算的云端與邊緣“分工運行”不同，在如今的端邊云計算中，負責全面感知的終端、負責局部數據分析和推理的邊緣、負責匯集數據及感知分析的云端可同時協作

70、，可應用于智能制造、智能城市、智能交通等。2023 年 3 月，鵬城實驗室牽頭制訂的數字視網膜系統國際標準在 IEEE 標準協會正式發布，該標準是全球首個端邊云技術的國際標準。正走向“合作式”的端邊云技術還需解決以下問題：1）請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 22/32 電子電子/行業深度行業深度 協同訓練的精度和收斂速度問題；2）決協同推理時延和準確率問題；3）數據類問題：數據孤島問題、小樣本問題、數據異構問題；4）其他諸如安全隱私、通信成本、端/邊設備的資源受限等問題。圖圖 24：端邊云協同計算：端邊云協同計算 數據來源：華為，東北證券 數字孿生：數字孿生：未來的物

71、理世界將會有一個孿生的數學世界對應，形成未來的物理世界將會有一個孿生的數學世界對應，形成該類該類數學世界需數學世界需要增加要增加 100 倍的算力進行三維建模。倍的算力進行三維建模。與物理世界一一對應的數學世界可實現“雙系統”協同運行，卡奧斯 COSMOPlat 發布的 D3OS 數字孿生產品正助力企業打造虛擬工廠，優化生產經營流程，實現降本增效。利用信息化技術促進產業變革的工業4.0 時代以及著眼于建設制造強國的中國制造 2025戰略，都在積極推進數字孿生。實現數字孿生需要先對物理世界里影像、視頻、聲音、溫度、濕度、力學等各種數據進行多維感知和采集后，再通過三維建模構建數學世界。這樣的三維建

72、模需要使用 100+路攝像機陣列采集的高精度數據的數據量，比 2D 圖像數據量增加 100倍以上，分辨率提升至 8K，單路算力提高 4 倍，因此所需的算力也需增加 100 倍以上，并且需要高效的三維建模軟硬件系統。圖圖 25：多維感知與數字建模技術：多維感知與數字建模技術 數據來源：華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 23/32 電子電子/行業深度行業深度 量子計算目前正處于高速工程化的階段，未來十年重點為量子計算目前正處于高速工程化的階段，未來十年重點為實現實現基于基于 NISQ 的專用量的專用量子計算機。子計算機。量子計算目前處于 NISQ（Noisy

73、 Intermediate Scale Quantum,中等規模帶噪聲量子器件）時代，并處于高速工程化階段。目前量子化學模擬、量子組合優化算法及量子機器學習是最具商業價值的落地場景。而未來十年重點是實現基于NISQ的專用量子計算機，這樣的量子計算機可以有效模擬自然界發生的任何過程，在物流管理、供應鏈管理、機器學習、電子制造等方面的應用上具有巨大潛力。圖圖 26：量子計算處理器：量子計算處理器與經典計算機協同工作與經典計算機協同工作 圖圖 27：量子處理器：量子處理器工作原理工作原理 數據來源：華為、東北證券 數據來源：華為、東北證券 未來全閃存將成為未來全閃存將成為新型存儲的新型存儲的主流。主

74、流。全閃存可同時應用于主存儲和輔助存儲，預計未來有 72%的企業存儲數據基于全閃存；企業的所有數據中，有 82%的業務數據存在備份需求。根據數據存儲的熱溫冷差異，未來存儲介質將向高速高性能和海量低成本方向演進。新型內存型介質將成為熱數據存儲的主流介質。目前存儲熱數據的 SSD 和 DRAM都無法滿足熱數據存儲的要求，諸如 PCM、MRAM、ReRAM、FeRAM（Ferroelectric Random-Access Memory，鐵電式隨機存取內存）等新型內存型介質技術將成為熱數據存儲的主流介質，但仍需面臨以下挑戰：1）容量挑戰。預計到 2030 年，熱數據總量將相當于目前 SSD 存儲的數

75、據總量，因此熱數據介質的容量密度至少需要達到目前 SSD 的 1Tb/die，擴大 10 倍左右；2）能耗挑戰。PCM、ReRAM 等基于電阻，能耗較大。ReRAM 和 MRAM 的單位 bit 功耗是 FeRAM 的 10 倍，PCM 高達其 100倍，因此 FeRAM 類低工作電壓介質潛力更大。高密 NAND Flash 介質將成為溫數據存儲的主流介質。溫數據介質需要兼顧性能、容量和低成本，需要面臨以下挑戰：1）Cell 多值的性能和壽命挑戰。目前 Cell 存儲容量多 1 個比特，電壓級數都將增加 1 倍，讀寫性能和壽命下降數倍；2）3D 堆疊的工藝挑戰。華為預計 2030 年堆疊層數將

76、達到千層量級，介質硅通孔寬深比將達到120：1，加工難度大大上升。光存儲將成為冷數據存儲的主流介質。未來冷數據長期存儲規模將從 1.2ZB 增長至26.5ZB，同時存儲壽命需要提升 510 倍。就中國國家檔案館而言，關鍵檔案數據的存儲壽命要從 100 年提升到 500 年，數據規模將從 100PB 增長到 450PB。傳統的存儲材料無法滿足這一需求，光存儲將成為冷數據的主流存儲介質，其需面臨以下挑戰：1）介質壽命需提升 10 倍，且具有應對各種復雜環境的能力；2）容量達到藍光的 10 倍，成本下降 5 倍，性能提升 10 倍。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 24/32

77、 電子電子/行業深度行業深度 圖圖 28：各種存儲介質的：各種存儲介質的性能性能比較比較 數據來源：華為，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 25/32 電子電子/行業深度行業深度 4.投資機會投資機會&相關標的相關標的 4.1.華為線條：Chiplet 先進封裝破局，受益華為復蘇回歸 興森科技興森科技：行業需求下行致業績承壓，擴張產品產能待厚積薄發行業需求下行致業績承壓，擴張產品產能待厚積薄發。成立于 1999 年。主營業務包括 PCB（2022 年營收占比 75%）、半導體測試板（9%）、IC 載板（13%）。公司是國內最大的印制電路樣板小批量板快件制造商，

78、產品廣泛應用于通信、工控、計算機、軍工等。2022 年海外營收占比 50%。目前公司已具備 3.5 萬平米/月的 BT載板產能。公司正在持續推進 FCBGA 載板業務，其中珠海項目預計于 23Q2 開始客戶認證，23Q3 小批量試生產。廣州項目目前正在進行廠房裝修，預計 23Q4 進入試產，公司有望成為國內首家實現 FCBGA 封裝基板量產的企業。預計公司2023/2024 年 EPS 分別為 0.45/0.66 元。德邦科技德邦科技：業績高速增長，加快高端電子封裝材料國產替代。：業績高速增長，加快高端電子封裝材料國產替代。成立于 2003 年。公司是國家集成電路產業基金重點布局的電子封裝材料

79、生產企業，主營業務包括集成電路封裝材料（2021 年營收占比 14%）、智能終端封裝材料（31%）、新能源應用材料（46%）、高端裝備應用材料（9%）四類，產品廣泛應用于晶圓加工、芯片級封裝、板級封裝等封裝工藝環節。公司的芯片固晶材料產品、晶圓 UV 膜產品已通過華天、長電等認證并批量出貨；芯片級底部填充膠、Lid 框粘接材料、芯片級導熱界面材料等產品目前正在配合國內領先芯片半導體企業進行驗證測試，后續有望率先實現國產化。智能終端材料：公司已進入蘋果、華為等供應鏈并實現大批量供貨，仍有份額提升空間；動力電池封裝材料：公司已陸續通過寧德時代、比亞迪、中航鋰電等頭部企業驗測，并起量。公司擬募集 6

80、.44 億元用于高端電子專用材料生產項目、年產 35 噸半導體電子封裝材料建設項目、新建研發中心建設項目，伴隨著產能的陸續釋放，公司有望成長為高端電子封裝材料巨頭。預計公司 2023/2024 年 EPS 分別為 1.81/2.76 元。長川科技長川科技：測試機出貨持續增長，國產替代先進封裝之關鍵。測試機出貨持續增長，國產替代先進封裝之關鍵。成立于 2008 年，主要為 IC 封測企業、晶圓制造企業、IC 設計企業等提供測試設備。公司主營產品為測試機（2021 年營收占比 32%）、分選機（62%）等。公司測試機和分選機的核心性能參數接近國外先進水平，同時服務本土客戶響應迅速，合作開發快速進步

81、。公司測試機分選機、探針臺不斷迭代提高，持續兼并擴張，有望充分受益于國產替代進程。預計公司 2023/2024 年營收分別為 37.66/50.59 億元，歸母凈利潤 8.49/12.75 億元。偉測科技偉測科技：兼兼 CP 與與 FT 測試之長，引領國內第三方測試測試之長，引領國內第三方測試，2022 年盈利超預期年盈利超預期。成立于 2016 年，公司聚焦第三方集成電路測試領域，主營業務包括晶圓測試（2021年營收占比 58%）、芯片成品測試（42%）。公司的技術實力、服務品質以及產能規模在行業內具備較高認可度，同時積累了廣泛的客戶資源。公司客戶涵蓋芯片設計、制造、封裝、IDM 等類型的企

82、業，其中不乏紫光展銳、比特大陸、晶晨股份等行業高端客戶。高端客戶的產品不斷創新，帶來具有較高確定性的測試需求，進而有效抵消行業需求下行的負面影響。與此同時，公司高端機臺數不斷擴充，測試產能充足，將滿足高端客戶的測試需求。中國大陸地區第三方測試市場集中度較低，各家規模較小，偉測科技營收規模與技術水平均處于國內領先地位。預計公司 2023-2024年實現營收 11.33/15.37 億元，歸母凈利潤 3.43/5.16 億元。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 26/32 電子電子/行業深度行業深度 方邦股份方邦股份：業績暫時承壓，可剝離銅箔成國產先進封裝載板破局之光。：業績

83、暫時承壓，可剝離銅箔成國產先進封裝載板破局之光。成立于 2010年，公司專注于提供高端電子材料及應用解決方案，主營電磁屏蔽膜（2021 年營收占比 83%）、銅箔（15%）等。公司可剝銅產品作為基礎復合電子材料，在芯片封裝、超細線路制備等領域具有重要作用。據 Prismark 數據顯示，2021 年全球 IC 載板的市場規模為 144 億美元，超過硅片的 126.2 億美元。作為 IC 載板領域的新產品，可剝銅具有不弱于 ABF 載板的最小線寬線距，以及同等面積下顯著的成本優勢。當前ABF 載板市場幾乎被日本味之素所壟斷，國內多家廠商尚處于產品驗證導入階段，可剝銅有望成為實現 IC 載板自主化

84、的另一大關鍵技術，在大力推進半導體國產替代的背景下具有重要意義。當前可剝銅僅日本三井可提供，公司可剝銅產品今年有望實現出貨，進一步打開業績增長空間。此外，公司 PET 銅箔穩步推進，四大核心技術奠定公司技術優勢，通過現有屏蔽膜產線可快速實現 PET 銅箔量產。若產品順利認證，工藝+產能的優勢將助力公司快速搶占市場，實現第二業績增長曲線。預計公司 2023-2024 年實現營收 6.36/8.89 億元，歸母凈利潤 0.62/1.71 億元。華正新材華正新材：CBF 積層絕緣膜突破，先進封裝打開上漲空間。積層絕緣膜突破，先進封裝打開上漲空間。成立于 2003 年，是國內最早從事研發生產環氧樹脂覆

85、銅板的企業之一。公司主營產品為覆銅板（2022 年營收占比77%）、導熱材料（6%）、功能性復合材料（6%）、交通物流用復合材料（10%）。作為先進封裝領域中 FCBGA 高密度封裝基板、芯片再布線介質層、芯片塑封、芯片粘結、芯片凸點底部填充等重要應用場景的關鍵封裝材料，CBF 積層絕緣膜長期被日本企業壟斷，市占率達到 95%以上。公司與中科院深圳先進院、電子材料院合作研發 CBF 絕緣膜，目前成功開發多款 CBF 絕緣膜，將對海外廠商壟斷的現狀實現有效突破。公司已經布局覆銅板、復合材料和鋰電池軟包用鋁塑膜等產品，并且廣泛用于 5G 通訊、數據 交換、新能源汽車、智慧家電、醫療設備、綠色物流等

86、領域。公司加強 CBF 積層絕緣膜的研發，將進一步豐富公司 IC 載板業務產品線，提升技術能力，以此拓展客戶群體并且穩固行業地位。預計公司 2023-2024 年實現營收 42.05/52 億元，歸母凈利潤 1.16/2.22 億元。4.2.算力線條：云端與邊緣端齊發力，大小算力全面替代 寒武紀寒武紀：國產：國產 AI 算力芯片行軍者。算力芯片行軍者。成立于 2016 年，專注于人工智能芯片的產品研發與技術創新。根據 TrendForce 報告，若以英偉達 A100 顯卡的處理性能計算，訓練 ChatGPT 將需要使用 3 萬枚 A100（單價 1 萬美元以上）。從各代 GPT 參數規?？?，G

87、PT-1/2/3 分別有 1.2/15/1750 億個訓練參數。GPT-4 雖然并未公布具體參數量，但 OpenAI CEO 對“GPT-4 是人類迄今所實現的最復雜的軟件”持肯定態度，并表示“GPT-4 會比 GPT-3 使用更多的計算資源”，而這將進一步推升模型對于高算力芯片的需求。目前進行 AIGC 業務所需的 AI 算力芯片格局主要由英偉達主導，而其 A100 和 H100（CUDA 核心數較低的 PCIe 版單價都高達 24 萬元）系列在 2022年 8 月被美國限制對華出口。因此，AI 高性能算力芯片的國產替代勢在必行。除公司的思元 590 外，目前國內 AI 算力芯片的主要玩家還

88、有海光（深算 1 號）、沐曦（C100）等。在 2022 年世界人工智能大會上，公司董事長透露了寒武紀最新一代云端智能訓練芯片思元 590，該芯片采用 MLUarch05 全新架構，實測訓練性能較在售旗艦產品思元 290 系列有大幅提升，有望成為國產先進 AI 算力芯片。該芯片目前尚未發布，但該芯片面積為 800mm2，已經接近 A100 的 826mm2。我們預計在AIGC 類業務對算力的需求上，思元 590 有望在一定程度上替代 A100。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 27/32 電子電子/行業深度行業深度 龍芯中科：龍芯中科：3D5000 高性能高性能 CPU

89、 發布，發布，Chiplet 助力助力國產大芯片突圍。國產大芯片突圍。4 月 8 日上午，在鶴壁舉行的信息技術自主創新高峰論壇上，龍芯中科正式發布了新款高性能服務器處理器龍芯 3D5000。公司已經發布的 3A5000 和 3C5000，分別面向桌面和服務器，本次 3D5000 的發布豐富了公司的產品線，助力公司邁入國內服務器 CPU領先行列。龍芯 3D5000 的 SPEC 2006 分數超過 425，浮點部分采用了雙 256bit 向量單元，雙精度浮點性能可達 1TFLOPS，是典型 Arm 核心性能的 4 倍。搭配自研的龍芯 7A2000 橋片可支持 2 路/4 路 CPU，單臺服務器可

90、以做到 128 核。龍芯此次還推出自研的 BMC（服務器遠程管理控制）芯片 2K0500，采用 LA264 架構，頻率500MHz，支持 1920 x1080 60hz 輸出，支持多種管理協議。結合 LoongArch 架構，公司有望實現服務器從軟件到硬件的 100%國產化。此外，龍芯 3D5000 采用 Chiplet技術將兩顆 3C5000 封裝在一起，在 LGA-4129 封裝工藝下，整體芯片尺寸達到75.4mm*58.5mm*7.1mm。在我國大算力芯片面臨美國技術封鎖，先進制程制造能力和代工渠道遭受限制的背景下，采用 Chiplet 技術的龍芯 3D5000 有望為國產大芯片供給端破

91、局打開思路。預計公司 2023-2024 年營收 17.51/25.84 億元，歸母凈利潤2.36/4.6 億元 樂鑫科技：軟硬件雙輪驅動，樂鑫科技：軟硬件雙輪驅動，AI 助力終端硬件智能交互。助力終端硬件智能交互。2022 年公司營收整體略有下滑，其中全球消費類市場需求慘淡，公司產品在非消費類領域進一步增長，對消費領域的下行具有一定緩沖作用。公司歸母凈利潤下滑的主要原因為營收減少，研發費用同比增加 0.65 億元，同時計提存貨減值損失 0.05 億元。2022 年公司毛利率為 39.98%，同比增加 0.38pcts，毛利率整體保持穩定，價格策略沒有顯著變化。隨著庫存水平得到控制，同時公司新

92、產品節奏發布加快，產品矩陣不斷完善，公司未來經營業績有望逐步向好。公司圍繞 AIoT 的核心，軟硬件雙輪驅動，致力于實現 AIoT 軟硬件一體化解決方案。2022 年公司推出 ESP32-S3-BOX 開發套件的迭代版本，搭載 AI 語音開發平臺，提供全面的硬件和軟件框架，適用于智能音箱等物聯網設備。公司芯片產品線不斷擴充，隨著離線語音識別、圖像識別等 AI 功能的強化，有望充分受益于智能化終端的滲透率提升。預計公司 2023-2025 年營收分別為17.20/22.42/25.87 億元，歸母凈利潤分別為 1.67/2.31/2.91 億元，對應 PE 分別為68/49/39 倍。瑞芯微瑞芯

93、微：業績觸底回升，業績觸底回升，AI 應用落地打開成長空間應用落地打開成長空間。公司擁有 20 年歷史，通過長期積累 AIoT 和音視頻技術經驗，開發拳頭智能應用處理器，全面覆蓋智能商顯、智慧視覺、智能音箱、掃地機器人等各類終端產品的需求，不斷沖向更高端的芯片市場。近期 AIGC 取得革命性突破，相關大模型與各種應用層數不窮，覆蓋文字、音頻、視頻等多個細分領域。公司拓展“大音頻”、“大視頻”、“大軟件”、“大感知”等相關技術及應用，并且持續積累迭代，在邊緣端與終端助力 AI 落地，未來將充分受益于 AI 產業鏈發展。預計公司 2023-2025 年營收分別為 28.24/35.08/40.47

94、 億元，歸母凈利潤分別為 4.98/7.44/9.93 億元。恒玄科技恒玄科技：國內智能音頻：國內智能音頻 SoC 芯片領導者，關注消費復蘇及芯片領導者，關注消費復蘇及 AIoT 長期發展。長期發展。在解決方案上，公司擁有自主知識產權的 IBRT 技術，該技術解決了傳統轉發方案功耗高、時延長及穩定性差的缺點，從而實現更好的用戶體驗。在產品性能上，公司產品擁有功耗低、集成度高、信噪比高等優勢。目前公司已成為 TWS 藍牙芯片業內客戶覆蓋面最廣的供應商之一。隨著 TWS 耳機滲透率的提升，可穿戴設備市場的恢復，以及以 ChatGPT 為代表的智能家居交互方式的升級，看好公司作為國內音頻請務必閱讀正

95、文后的聲明及說明請務必閱讀正文后的聲明及說明 28/32 電子電子/行業深度行業深度 Soc 領域龍頭公司中長期的發展。我們預計公司 2023-2025 年收入分別為18.77/24.75/32.37 億元，同比增速分別為 26.45%/31.84%/30.77%，歸母凈利潤分別為 2.76/4.52/6.01 億元，同比增速分別為 125.44%/63.87%/32.84%。炬芯科技炬芯科技：借助：借助 ChatGPT 東風，打造東風，打造 AIoT 音頻芯生態。音頻芯生態。公司成立于 2014 年，主營藍牙音頻 SoC 芯片（2021 年營收占比 70%）、便攜式音視頻 SoC 芯片（23

96、%）、智能語音交互 SoC（7%）。公司五名核心技術人員在 AIOT 音頻領域均有多年技術研發經驗，其多項核心專利技術都為自主創新，研發常年投入占營收比例在 25%以上，產品矩陣全面，大客戶持續突破，同時持續通過股權授予方式加大核心員工的激勵，保持研發隊伍的持續積極性。ChatGPT 已打開潘多拉的盒子，IoT 向 AIoT 演進，ChatGPT 大模型對數據集中訓練后應用落地點將是具有邊緣計算能力的 AIoT終端。公司的 AIoT 音頻芯進入多家大客戶終端產品，其產品形態豐富全面，產品迭代能力較高，SoC/DSP 的雙芯架構將會靈活在 ChatGPT 的演進中，特別是在未來的多模態通用模型下

97、，AIOT 芯成為關鍵鑰匙。4.3.存力線條：高性能 GPU 瓶頸 深科技深科技：高端存儲封測積極布局，定制化優勢明顯。高端存儲封測積極布局，定制化優勢明顯。成立于 1985 年，主營業務包括存儲半導體（2021 年營收占比 18%）、計量智能終端（8%）、高端制造（74%）。在半導體封測業務，公司主要從事高端存儲芯片的封裝與測試，采用深圳、合肥半導體封測雙基地的運營模式，配合上游客戶需求，提升存儲芯片配套封測產能。合肥沛頓存儲目前已完成多項體系認證，通過現有客戶封裝產品的大規模量產審核，并積極導入新客戶。在高端存儲芯片封裝和測試領域，公司掌握多種產品的封裝方案設計和分析能力，能夠提供定制化的

98、測試程序開發和芯片特性分析服務。公司布局多地的先進檢測分析及研發實驗室，持續進行研發投入，提升高階封測量產能力。公司擁有多個產業基地，在日本設有研發基地，在美國設有新產品導入基地，同時在十多個國家設有分支機構或研發團隊。憑借深厚的技術實力以及定制化設計制造能力，積累了豐富的全球優質客戶資源。預計公司 2023-2024 年營收分別為209.19/221.98 億元，歸母凈利潤分別為 10.17/11.17 億元。江波龍江波龍：行業寒冬有望終結，企業級：行業寒冬有望終結，企業級+車規級存儲前景廣闊。車規級存儲前景廣闊。成立于 1999 年，主營業務包括嵌入式存儲（52%）、移動存儲（24%）、固

99、態硬盤（18%）、內存條（5%）。2022 年公司車規級存儲保持快速增長，服務器內存條（RDIMM）量產出貨，企業級 SSD 樣品發布并送樣，顯示公司技術能力的提升，產品結構的優化。2022 年公司收入規模占同期全球市場規模約 1%，全球市場占有率很低，仍有較大的成長空間。預計公司2023-2025年實現營收97.7/117.6/142.9億元，歸母凈利潤4.65/6.63/9.91億元。普冉股份普冉股份：營收穩步增長，戰略布局“存儲：營收穩步增長，戰略布局“存儲+”賽道?！辟惖?。成立于 2016 年，主營業務包括存儲芯片（2022 年營收占比 94%）、微控制器及其他（6%）。在存儲芯片領域

100、，公司采用 SONOS 工藝結構 40nm 工藝節點以下的 NOR Flash 全系列產品已經成為量產交付主力，完成了 50nm ETOX NOR Flash 產品中大容量系列的研發并成功量產；車載 EEPROM 產品完成了 AEC-Q100 標準的全面考核，2Mb 大容量 SPI 及 I2C EEPROM 產品順利量產出貨?！按鎯?”賽道，基于 ARM 內核的 32 位 M0+MCU產品完成研發并順利量產出貨并全面推廣，基于 ARM 內核的 M4 MCU 產品完成請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 29/32 電子電子/行業深度行業深度 設計；同時支持高通新一代平臺的

101、1.2V 應用 VCM Driver 產品完成研發并進入客戶送樣和認證階段。預計公司 2023/2024 年 EPS 分別為 8.97/12.90 元。兆易創新兆易創新：國內半導體存儲國內半導體存儲+MCU 龍頭，有望受益存儲景氣度觸底回升龍頭，有望受益存儲景氣度觸底回升。成立于2005 年，主營業務包括存儲芯片（2021 年營收占比 64%）、微控制器（29%）、傳感器（6%）、技術服務及其他（1%）。存儲：NOR FLASH：提供 512Kb 至 2Gb 大容量的全系列產品，55nm 工藝制程出貨量占比已接近 70%；車規 NOR Flash 在行業頭部客戶業務收入高速增長，國際頭部 Ti

102、er1客戶導入工作進展順利。NAND FLASH：38nm、24nm 工藝節點實現量產，完成 1Gb8Gb 主流容量全覆蓋，GD25/55、GD5F全系列產品通過 AEC-Q100 車規級認證；DRAM：自有品牌的 DRAM 產品（19nm，4Gb）已于 2021 年 6 月量產，17nm DDR3產品預計2022年9月即將量產。MCU：工規級 MCU 已在汽車后裝市場應用；公司即將推出的 40nm 車規級 MCU 產品，以車身電子、座艙和安全域作為切入點，覆蓋 ADAS、汽車照明、HVAC、DCDC 車載充電、T-BOX、EDR、導航等應用；40nm 車規級產品已面向多個 Alpha 客戶進

103、行推廣，與一線 Tier1 和 ODM 全面開展合作。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 30/32 電子電子/行業深度行業深度 5.風險提示風險提示1）大模型開發進展不及預期2）市場推廣不及預期3）宏觀經濟與政策影響請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 31/32 電子電子/行業深度行業深度 研究研究團隊團隊簡介：簡介：Table_Introduction李玖：北京大學光學博士，北京大學國家發展研究院經濟學學士（雙學位），電子科技大學本科，曾任華為海思高級工程師、光峰科技博士后研究員，具有三年產業經驗，2019 年加入東北證券，現任電子行業首席分析師

104、。王浩然：上海財經大學金融碩士、信息與計算科學本科，曾任新財富前三團隊及新財富最具潛力團隊核心成員，2022 年加入東北證券，任電子行業資深分析師。武芃睿：英國南安普頓大學光電研究中心碩士，華中科技大學光電信息本科，武漢大學工商管理學士（雙學位）。曾任華為和上海微電子光電工程師，具有三年產業經驗，2020 年加入東北證券，現任電子行業高級分析師。分析師聲明分析師聲明 作者具有中國證券業協會授予的證券投資咨詢執業資格，并在中國證券業協會注冊登記為證券分析師。本報告遵循合規、客觀、專業、審慎的制作原則，所采用數據、資料的來源合法合規，文字闡述反映了作者的真實觀點，報告結論未受任何第三方的授意或影響

105、，特此聲明。投資投資評級說明評級說明 股票 投資 評級 說明 買入 未來 6 個月內，股價漲幅超越市場基準 15%以上。投資評級中所涉及的市場基準：A 股市場以滬深 300 指數為市場基準，新三板市場以三板成指（針對協議轉讓標的）或三板做市指數（針對做市轉讓標的）為市場基準；香港市場以摩根士丹利中國指數為市場基準；美國市場以納斯達克綜合指數或標普 500 指數為市場基準。增持 未來 6 個月內，股價漲幅超越市場基準 5%至 15%之間。中性 未來 6 個月內，股價漲幅介于市場基準-5%至 5%之間。減持 未來 6 個月內，股價漲幅落后市場基準 5%至 15%之間。賣出 未來 6 個月內，股價漲

106、幅落后市場基準 15%以上。行業 投資 評級 說明 優于大勢 未來 6 個月內，行業指數的收益超越市場基準。同步大勢 未來 6 個月內，行業指數的收益與市場基準持平。落后大勢 未來 6 個月內，行業指數的收益落后于市場基準。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 32/32 電子電子/行業深度行業深度 重要聲明重要聲明 本報告由東北證券股份有限公司（以下稱“本公司”）制作并僅向本公司客戶發布，本公司不會因任何機構或個人接收到本報告而視其為本公司的當然客戶。本公司具有中國證監會核準的證券投資咨詢業務資格。本報告中的信息均來源于公開資料，本公司對這些信息的準確性和完整性不作任何保

107、證。報告中的內容和意見僅反映本公司于發布本報告當日的判斷，不保證所包含的內容和意見不發生變化。本報告僅供參考，并不構成對所述證券買賣的出價或征價。在任何情況下，本報告中的信息或所表述的意見均不構成對任何人的證券買賣建議。本公司及其雇員不承諾投資者一定獲利，不與投資者分享投資收益，在任何情況下，我公司及其雇員對任何人使用本報告及其內容所引發的任何直接或間接損失概不負責。本公司或其關聯機構可能會持有本報告中涉及到的公司所發行的證券頭寸并進行交易，并在法律許可的情況下不進行披露；可能為這些公司提供或爭取提供投資銀行業務、財務顧問等相關服務。本報告版權歸本公司所有。未經本公司書面許可，任何機構和個人不

108、得以任何形式翻版、復制、發表或引用。如征得本公司同意進行引用、刊發的，須在本公司允許的范圍內使用，并注明本報告的發布人和發布日期，提示使用本報告的風險。若本公司客戶（以下稱“該客戶”）向第三方發送本報告，則由該客戶獨自為此發送行為負責。提醒通過此途徑獲得本報告的投資者注意，本公司不對通過此種途徑獲得本報告所引起的任何損失承擔任何責任。Table_Sales地址地址 郵編郵編 中國吉林省長春市生態大街 6666 號 130119 中國北京市西城區錦什坊街 28 號恒奧中心 D 座 100033 中國上海市浦東新區楊高南路 799 號陸家嘴世紀金融廣場 3 號樓 10 層 200127 中國深圳市福田區福中三路 1006 號諾德中心 34D 518038 中國廣東省廣州市天河區冼村街道黃埔大道西 122 號之二星輝中心 15 樓 510630