2023AI芯片行業發展機會及國內相關公司分析報告.pdf

《2023AI芯片行業發展機會及國內相關公司分析報告.pdf》由會員分享，可在線閱讀，更多相關《2023AI芯片行業發展機會及國內相關公司分析報告.pdf（28頁珍藏版）》請在三個皮匠報告上搜索。

1、2023 年深度行業分析研究報告 PZ9YrZgVmUpNnPmRbRcM7NmOqQmOnOkPoOrMiNmOsM9PqQuNuOsOnRvPmNnP 目目 錄錄 一、一、ChatGPT 揭開揭開 AI 發展大幕，算力芯片逐浪前行發展大幕，算力芯片逐浪前行.6（一）ChatGPT 橫空出世，AIGC 商業化蓄勢待發.6（二）多模態催生高算力需求，AI 芯片迎來黃金發展期.8（三）海外大廠深度布局，開啟 AI 算力新時代.14 二、二、AI 芯片奠定算力時代基石，國產芯片廠商加速布局芯片奠定算力時代基石，國產芯片廠商加速布局.17（一）人工智能發展浪潮興起，AI 芯片市場規模持續擴張.17（

2、二）“云+邊+端”多維度協同發力，帶動上游硬件行業發展.18 1、云計算：大模型時代算力需求激增，AI 芯片迎來產業機遇.19 2、邊緣計算：萬物智聯帶來海量數據，促進 AI 芯片需求提升.20（三）海外龍頭主導 AI 芯片市場，本土廠商充分受益國產替代浪潮.22 三、三、相關公司相關公司.24（一）海光信息：本土 CPU 領軍企業，開拓 DCU 打開成長空間.24（二）龍芯中科：國內 CPU 龍頭廠商，全面打造自主生態.25（三）寒武紀：全面深耕 AI 芯片領域，算力時代迎來快速成長機遇.26（四）晶晨股份：智能多媒體 SoC 龍頭，WiFi-6/汽車芯片打造第二成長曲線.26（五）兆易創新

3、：國內存儲設計龍頭，合作長鑫存儲打開 DRAM 成長天花板.27（六）北京君正：車載算力/存力持續提升，車規存儲龍頭持續發力.28（七）深科技：國產存儲封測龍頭，布局先進工藝決勝 AI 時代.28（八）江波龍：深耕存儲芯片領域，積極擁抱 AI 發展浪潮.29 四、四、風險提示風險提示.29 圖表目錄圖表目錄 圖表 1 ChatGPT 用戶數量增速驚人.6 圖表 2 各代 GPT 對比.6 圖表 3 GPT-4 在不同年齡段不同類別考試中名列前茅.7 圖表 4 多模態模型與單模態模型對比.7 圖表 5 Copilot 在 Excel 中的應用.7 圖表 6 Copilot 在 PPT 中的應用.

4、7 圖表 7 AIGC 賦予 AI 人類生產“內容”的特權.8 圖表 8 中國智能算力規模及預測（2019-2026E）.8 圖表 9 華為 Ascend 910 AI 訓練芯片構架圖.9 圖表 10 德州儀器 TIDEP-01004 機器學習推理設計.9 圖表 11 “云-邊-端”泛在算力架構.9 圖表 12 云、邊、端對于芯片的要求不同.10 圖表 13 各類 AI 芯片特征對比.10 圖表 14 CPU 基本架構圖.11 圖表 15 英偉達 Turing TU102 GPU 構架圖.12 圖表 16 AMD RDNA3 圖形架構.12 圖表 17 FPGA 基本架構圖.12 圖表 18

5、通過使用 FPGA 構建的智能嵌入式視覺系統.12 圖表 19 ASIC 在性能、能效、成本等方面優于標準芯片.13 圖表 20 深度學習時，四類 AI 芯片表現有所差異.13 圖表 21 “內存墻”問題愈演愈烈.14 圖表 22 HBM 結構示意圖.14 圖表 23 英偉達 GPU 微結構演變歷程.15 圖表 24 英偉達 CUDA 生態.16 圖表 25 AMD INFINITY 架構.16 圖表 26 AMD ROCm 平臺.16 圖表 27 英特爾至強處理器路線圖.17 圖表 28 2019-2025E 全球 AI 芯片市場規模.17 圖表 29 2018-2023E 中國 AI 芯片

6、市場規模.17 圖表 30 2018-2023E 中國 AI 芯片云端/終端占比情況.18 圖表 31 2019-2025E AI 服務器推理和訓練工作負載.18 圖表 32 2021 年中國 AI 芯片占比情況（按芯片種類劃分）.18 圖表 33 云端與邊緣側人工智能應用場景對于 AI 芯片的需求.19 圖表 34 不同模型所需的算力.19 圖表 35 部分國外大模型訓練參數量.19 圖表 36 根據英偉達 paper 進行訓練用 AI 芯片數量的交叉驗證.20 圖表 37 2017-2025E 全球云計算市場規模.20 圖表 38 2018-2027E 中國公有云市場規模.20 圖表 39

7、 2020-2030E 中國邊緣云市場規模預測.21 圖表 40 2020-2030E 邊緣云市場結構.21 圖表 41 不同邊緣計算場景對 AI 芯片算力的需求.21 圖表 42 2020-2026E 自動駕駛汽車出貨量（萬輛）.22 圖表 43 自動駕駛升級對算力的需求不斷提高.22 圖表 44 2019-2025 年全球與中國物聯網連接數規模及預測（億個）.22 圖表 45 2022Q4 全球獨顯 GPU 市場份額.23 圖表 46 不同應用市場中 AI 芯片的競爭格局.23 圖表 47 服務器成本構成情況.24 圖表 48 英偉達向中國出口 H100 和 A100 芯片受限.24 一、

8、一、ChatGPT 揭開揭開 AI 發展大幕，算力芯片逐浪前行發展大幕，算力芯片逐浪前行（一）（一）ChatGPT 橫空出世，橫空出世，AIGC 商業化蓄勢待發商業化蓄勢待發 ChatGPT 是由是由 OpenAI 開發的自然語言生成模型，主要應用之一是聊天機器人。開發的自然語言生成模型，主要應用之一是聊天機器人。ChatGPT于 2022 年 11 月正式推出，基于 GPT-3.5 架構語言模型利用對話形式，通過大量語料庫和人工反饋的強化學習（RLHF）進行模型訓練，最終模型可以理解并針對各類主題生成類似于人類的響應。得益于強大的性能和舒適的用戶體驗，ChatGPT 問世以來便得到了廣泛關注

9、，用戶規模迅速擴張，上線不到一周就突破 100 萬用戶，2023 年一月末用戶數突破 1 億，成為史上用戶數增長最快的消費者應用。圖表圖表 1 ChatGPT 用戶數量增速驚人用戶數量增速驚人 資料來源：甲子光年，華創證券 GPT-4 多模態模型強化明顯，代際版本升級效果顯著。多模態模型強化明顯，代際版本升級效果顯著。2023 年 3 月 14 日 OpenAI 推出了GPT-4 多模態大模型，進一步提升了數據處理能力和安全性等。與 GPT-3.5 相比，GPT-4的表現有較大的提升，GPT-4 擁有更可靠、更有創意的表現，同時處理細微指令的能力更強。此外，GPT-4 能夠接收來自圖像的信息，

10、可以利用文本和圖像的綜合信息生成穩步輸出。實驗表明，GPT-4 在各種專業測試和學術基準上的表現與人類水平相當。圖表圖表 2 各代各代 GPT 對比對比 發布時間發布時間 2018 年年 6 月月 2019 年年 2 月月 2020 年年 5 月月 2022 年年 1 月月 2023 年年 3 月月 參數量 1.17 億 15 億 1750 億 約 1750 億 估計 10 萬億100 萬億 訓練數據量 5GB 40GB 45TB 解碼器層數 12 48 96 序列長度 512 1024 2048 4096 8192/32768 特點 有一定泛化能力，可接受下游任務微調 生成能力突出，包括聊天

11、、續寫、摘要 上下文小樣本學習能力強大，可完成大多數 NLP 任務 基于人類反饋對話數據，對齊人類喜好，強大意圖理解能力 能力升級：更可靠、更有創意、處理更細微的指令；強大的識圖能力；增加訓練后處理和行為預測；幻覺、安全問題改善 資料來源：OpenAI官網，大師兄知乎號，騰訊云開發者，華創證券 0102030405060708090ChatGPTTikTokInstagramPinterestSpotifyTelegramUberGoogleTransalte1億用戶達成時長(月)圖表圖表 3 GPT-4 在不同年齡段不同類別考試中名列前茅在不同年齡段不同類別考試中名列前茅 圖表圖表 4 多模

12、態模型與單模態模型對比多模態模型與單模態模型對比 資料來源：OpenAI官網 資料來源：Nitish Srivastava&Ruslan SalakhutdinovMultimodal learning with deep boltzmann machines，華創證券 新一代新一代 Microsoft 365 Copilot 驚艷驚艷亮相，亮相，AI 商業化熱潮蓄勢待發商業化熱潮蓄勢待發。隨著 GPT 系列模型在商業 AI 中的廣泛應用和迭代升級，有望帶動越來越多的應用場景實現效率提升。以與OpenAI 合作緊密的微軟為例，北京時間 2023 年 3 月 17 日，微軟重磅宣布由 GPT-4

13、 驅動的 Microsoft 365 Copilot，將大模型（LLM）與 Microsoft Graph 和 Microsoft 365 應用中的數據相結合，打破了傳統辦公軟件的方式，能自動生成文檔、電子郵件、PPT，讓Word、Excel、PowerPoint、Outlook、Teams 等辦公軟件的效率得以提升。國內外科技巨頭紛紛下場進行 AI 模型商業化嘗試，除微軟、谷歌外，另一互聯網龍頭企業 Meta 在 AI 領域也有持續性投入。2023 年 2 月，Meta 發布其大語言模型 LLaMA，4 月又推出針對機器視覺領域的通用圖像分割模型 SAM。而國內巨頭如百度、華為、阿里、商湯等

14、企業亦于近期紛紛發布 AI 大模型，AI 商業化進程提速，將為更多行業和應用領域賦能。圖表圖表 5 Copilot 在在 Excel 中的應用中的應用 圖表圖表 6 Copilot 在在 PPT 中的應用中的應用 資料來源：微軟官網 資料來源：智東西 GPT 系列屬于生成式人工智能系列屬于生成式人工智能(AIGC)的范疇。的范疇。傳統 AI 大多屬于分析式 AI，通過對輸入數據進行分析和推理，實現感知、認知及決策。而生成式 AI 使用各種機器學習算法，從數據中提取和理解要素，使機器能夠創建全新的數字視頻、圖像、文本、音頻或代碼等內容。它創建出的內容與訓練數據保持相似，而非復制。對抗生成網絡 G

15、AN(Generative adversarial networks)是 AIGC 領域早期使用最多的算法模型之一，其核心是 AI 內部的兩個程序互相對比，從而生成最接近人類心目中的正確形象，因此被廣泛應用于生成圖像 和音視頻領域，隨后不斷涌現的包括 Transformer、Diffusion 等在內的諸多模型在 AIGC 技術路線上進行了演進及迭代，使得學習的分布變得更加全面和接近現實，從而呈現出更真實和高質量的內容，大型模型在 AIGC 中變得越來越重要。圖表圖表 7 AIGC 賦予賦予 AI 人類生產“內容”的特權人類生產“內容”的特權 資料來源：甲子光年（二）（二）多模態催生多模態催生

16、高高算力需求，算力需求，AI 芯片迎來黃金發展期芯片迎來黃金發展期 多模態多模態 AI 驅動新一輪算力需求爆發。驅動新一輪算力需求爆發。隨著 AI 從單模態演變為多模態，所需要處理、訓練的數據從單純的文本數據轉為圖像、文字、語音、視頻在內的多媒體數據，所需要的算力也呈指數級增長。根據 OpenAI 發布的報告AI and Compute，自 2012 年以來，AI訓練應用的算力需求每 3-4 個月就會翻倍，至今 AI 算力增長超過了 30 萬倍。而隨著多模態 AI 的逐步落地，邊緣端需求上升將會導致算力需求進一步爆發。另一方面，谷歌、百度、阿里巴巴等科技行業紛紛計劃推出類 ChatGPT 的情

17、況下，將會加劇算力供需的不平衡。根據 IDC 與浪潮信息聯合發布2022-2023 中國人工智能計算力發展評估報告，2022 年我國智能算力規模已達 268 百億億次/秒(EFLOPS)，超過通用算力規模，預計到2026 年中國智能算力規模將達到 1271.4EFLOPS，未來五年復合增長率達 52.3%，同期通用算力規模的復合增長率為 18.5%。圖表圖表 8 中國智能算力規模及預測（中國智能算力規模及預測（2019-2026E）資料來源：IDC，華創證券 算力、模型、數據是算力、模型、數據是 AI 發展的三大要素，芯片是發展的三大要素，芯片是 AI 算力的源泉。算力的源泉。根據承擔任務的不

18、同，AI 芯片可以分為訓練和推理芯片。訓練，即通過輸入大量數據來構建神經網絡模型，使31.775155.2268427640.7922.81271.4020040060080010001200140020192020202120222023E2024E2025E2026E百億億次浮點運算/秒（EFLOPS）之可以適應特定的功能。訓練芯片對算力、精度、通用性有較為苛刻的需求，需要能夠處理海量數據以及適應各種不同的學習任務；推理，即借助現有神經網絡進行運算，通過新輸入的數據來獲得推理結論。推理芯片對性能和精度的要求相對較低，更注重對成本、功耗、時延等指標的綜合考量。圖表圖表 9 華為華為 Asce

19、nd 910 AI 訓練芯片構架圖訓練芯片構架圖 圖表圖表 10 德州儀器德州儀器 TIDEP-01004 機器學習推理設計機器學習推理設計 資料來源：STH官網 資料來源：德州儀器官網“云云-邊邊-端端”泛在算力架構泛在算力架構趨勢已定。趨勢已定。在算力未來需求持續增加的情況下，網絡帶寬和時延限制（性能）和網絡帶寬成本限制（成本）導致的算力需求錯配需要通過在邊緣端部署算力進行支撐，構成“云-邊-端”泛在算力部署方案。云端，即數據中心，依靠強大算力利用海量數據進行模型訓練，云端 AI 芯片具有性能高、算力強的特點，能夠對深度學習算法模型進行訓練與推理，云端的算力是由 GPU 或 NPU 等芯片

20、產生的，通過在虛擬平臺調度服務器上處理復雜的數據來實現合理使用；邊端的算力由 CPU、FPGA 等芯片產生，通過邊端服務平臺的實時數據過濾和響應，可以保證網絡的穩定性且降低延遲；終端，即手機、汽車、智能家居設備、各種 IoT 設備等執行邊緣計算的智能設備，通常使用訓練好的模型進行推理，終端 AI 芯片具有體積小、耗電少的特點，算力是由 CPU、GPUDSP 或帶有 AI 核的 SoC 等芯片產生的。圖表圖表 11 “云“云-邊邊-端”端”泛在算力架構泛在算力架構 資料來源：華為泛在算力：智能社會的基石，華創證券 人工智能技術在云端（云）、邊緣端（邊）和終端（端）設備中均有廣泛應用，三種場景對于

21、芯片的運算能力和功耗等特性有著不同要求。云端主要部署訓練芯片和推理芯片，進行智能數據分析和模型訓練，以及處理部分對傳輸帶寬要求比高的推理任務；邊緣和終端主要部署推理芯片，需要獨立完成數據收集、環境感知、人機交互及部分推理決策控制任務。圖表圖表 12 云、邊、端對于芯片的要求不同云、邊、端對于芯片的要求不同 應用場景應用場景 芯片需求芯片需求 典型計算能力典型計算能力 典型功耗典型功耗 典型應用領域典型應用領域 終端 低功耗、高能效、推理任務為主、成本敏感、硬件產品形態眾多 8TOPS 30TOPS 50 瓦 云計算數據中心、企業私有云等 邊緣端 對功耗、性能、尺寸的要求常介于終端與云端之間、推

22、理任務為主、多用于插電設備、硬件產品形態相對較少 5TOPS 至 30TOPS 4 瓦至 15 瓦 智能制造、智能家居、智能零售、智慧交通、智慧金融、智慧醫療、智能駕駛等眾多應用領域 資料來源：寒武紀招股說明書，華創證券 作為用于加速人工智能訓練和推理任務的專用硬件，AI 算力芯片既包括 CPU、GPU、FPGA 等傳統芯片，也包括以 TPU、VPU 為代表的專門針對人工智能領域設計的 ASIC芯片，此類芯片通常擁有高度并行計算能力和優異的低功耗高效計算性能。IDC 研究發現，2021 年上半年中國 AI 芯片中，GPU 占有 90%以上的市場份額，穩居第一，而 ASIC、FPGA、NPU 等

23、其他非 GPU 芯片也在各個行業和領域被越來越多地采用，整體市場份額接近 10%，預計到 2025 年其占比將超過 20%。圖表圖表 13 各類各類 AI 芯片特征對比芯片特征對比 技術架構種類技術架構種類 定制化程度定制化程度 可編輯性可編輯性 算力算力 優點優點 缺點缺點 應用場景應用場景 CPU 通用型 不可編輯 低 技術成熟，通用性最強，可執行各種類型的計算機應用程序；人工智能應用開發生態成熟 核數少，處理并行任務較為困難 適用于各種具體的行業，在人工智能芯片市場滲透率相對較低 GPU 通用型 不可編輯 中 通用性較強且適合大規模并行運算：設計和制造工藝成熟 并行運算能力在推理端無法完

24、全發揮 高級復雜算法和通用性人工智能平臺 FPGA 半定制化 容易編輯 高 可通過編程靈活配置芯片架構適應算法迭代，平均性能較高：功耗較低：開發時間較短（6 個月）量產單價高：峰值計算能力較低：硬件編程困難 適用于各種具體的行業 ASIC 全定制化 難以編輯 高 通過算法固化實現極致的性能和能效、平均性很強；功耗很低：體積??；量產后成本最低 前期投入成本高；研發時間長（1 年）；技術風險大 當客戶處在某個特殊場景，可以為其獨立設計一套專業智能算法軟件 資料來源：億歐智庫，寒武紀招股說明書，華創證券 CPU 為為 AI 提供算力和提供算力和數據管理功能，幫助實現復雜的模型訓練、預測和決策過程。數

25、據管理功能，幫助實現復雜的模型訓練、預測和決策過程。CPU是一種通用處理器，適用于大多數計算任務。CPU 的核心數較少，因此其更適用于單線程或少量線程的任務，例如文本處理、網頁瀏覽、編程等，對于高性能計算任務，如機器學習、深度學習等，則表現稍顯乏力。算力方面，算力方面，CPU 可以通過指令實現并行計算提升可以通過指令實現并行計算提升 AI 系統的計算性能。系統的計算性能。無論是機器學習還是深度學習模型，大多數計算任務在 AI 算法中主要基于向量和矩陣運算，而 CPU 通 過高效的向量化指令集，可以實現對大規模矩陣乘法、卷積等高性能的計算，能夠在單位時間內完成多個數值運算，從而有效地提高運算效率

26、。由于很多計算任務如卷積神經網絡（CNN）的卷積運算都具有較強的并行性，CPU 可以通過 SIMD 指令（單指令流多數據流結構）以及多線程技術來加速 AI 工作負載。圖表圖表 14 CPU 基本架構圖基本架構圖 資料來源：Computer Science GCSE GURU GPU 具有并行計算能力和高速存儲器，具有并行計算能力和高速存儲器，可以對需要同時執行多個計算和內存密集型任務的應用進行加速，在 AI 中主要用于加速訓練和推斷過程。具體看，GPU 常被應用于：1）神經網絡；2）通過大量并行數據輸入加速 AI 和深度學習操作；3）傳統的 AI 推理和訓練算法。GPU 已經成為了當今主流的已

27、經成為了當今主流的 AI 推理計算不可或缺的一部分，這也要求推理計算不可或缺的一部分，這也要求 GPU 需需要集成更多的核心和更密集的算力。要集成更多的核心和更密集的算力。為此，GPU 供應商一直在改進其架構，以更好地適應新的 AI 需求。具體看，為了加速深度學習計算，NVIDIA 專門開發了能夠在半精度浮點運算中實現高度并行的深度學習計算硬件Tensor Core，從而大幅提高了深度學習計算的速度，顯著降低了能耗。此外，AMD Radeon VII 在設計上也加入了深度學習領域的優化代碼，使該處理器在 AI 和深度學習領域的表現得到了提升。算力方面，算力方面，GPU 可以通過并行處理能力顯著

28、提升可以通過并行處理能力顯著提升 AI 應用的處理速度。應用的處理速度。由于 AI 計算中涉有大量如矩陣乘法、卷積和張量運算等線性代數計算，GPU 內大量的乘加器能夠滿足算法的需求，且其上百個核心可以同時執行許多線性代數計算，從而進一步縮短計算時間。此外，GPU 的并行處理能力在神經網絡的訓練和推斷中尤為重要，因為神經網絡的運算過程中通常需要處理大量數據，需要同時使用許多小型核心來進行計算，而 GPU 的多核屬性恰好滿足了神經網絡對于計算的需求。同時，GPU 可以在訓練期間對神經網絡進行優化，使其更加有效地利用硬件資源。圖表圖表 15 英偉達英偉達 Turing TU102 GPU 構架圖構架

29、圖 圖表圖表 16 AMD RDNA3 圖形架構圖形架構 資料來源：英偉達官網，華創證券 資料來源：HotHardware，華創證券 作為作為 AI 計算平臺使用最為廣泛的加速芯片之一，計算平臺使用最為廣泛的加速芯片之一，FPGA 具有功耗低、延遲短、靈活性具有功耗低、延遲短、靈活性強的特點強的特點，被廣泛應用于機器學習、網絡安全、超大規模圖像處理、基因檢測等領域。隨著 AI 的發展對算力及定制化愈發嚴苛的要求，FPGA 也將圍繞可編程的特性作進一步拓展，通過優化其硬件構架、集成 AI 構架與硬件加速器等方面進一步發展。與此同時，CPU+FPGA 或將成為全新的異構加速模式，在未來被更多的 A

30、I 應用領域所采納。低功耗與自適應性：低功耗與自適應性：對于移動設備和嵌入式系統等具有限制性能的場景來說，FPGA 具有得天獨厚的優勢，即可實現低功耗和自適應性能的特點。由于其可編程的特性，FPGA可以通過微調內部的電子元件實現自適應算法，以滿足不同環境下的計算需求。同時，其節能的特點意味著可以將 AI 應用帶到更多的場景中，比如移動機器人、基于車載裝置的駕駛輔助系統等。高速處理與優化高速處理與優化：由于 FPGA 具有高度靈活、高速的特點，其并行處理能力可以極大地提高 AI 算法的計算性能，從而實現高效的推理和訓練等任務。同時，FPGA 還可以根據不同的 AI 算法需求自由編程，以最大程度地

31、優化其運行效率和性能。由于其純硬件的實現方式，FPGA 比傳統的 CPU 和 GPU 更加靈活，因此越來越多的 AI 開始采用 FPGA 進行計算處理。圖表圖表 17 FPGA 基本架構圖基本架構圖 圖表圖表 18 通過使用通過使用 FPGA 構建的智能嵌入式視覺系統構建的智能嵌入式視覺系統 資料來源：安路科技招股說明書 資料來源：Digikey ASIC 是面向特定的、具體的、相對單一的人工智能應用設計的專用芯片。是面向特定的、具體的、相對單一的人工智能應用設計的專用芯片。ASIC 從性能、能效、成本均極大的超越了標準芯片，非常適合 AI 計算場景。優點：1）定制功能與更小的尺寸：由于器件是

32、根據設計的規格進行生產的；2）更低的器件成本：實現大批量設計與生產，批量越大，成本越低；3）高性能、低功耗：ASIC 芯片相當于將 AI 算法“硬件化”，特定算法下能效更高；4）可形成 IP 校復用：模塊化的設計方法，可根據設計需要進行 IP 選取。ASIC 一次性成本遠遠高于 FPGA，但由于其量產成本低，目前主要應用于終端，主要形態為行業專用 SoC，較多集中于語音處理領域。圖表圖表 19 ASIC 在性能、能效、成本等方面優于標準芯片在性能、能效、成本等方面優于標準芯片 資料來源：eSilion、轉引自快科技 在用于深度學習時，四類芯片各有不同：在用于深度學習時，四類芯片各有不同：1）通

33、用性：CPUGPUFPGAASIC，通用性越低，代表其適合支持的算法類型越少；2）性能功耗比：CPUGPUFPGAASIC，性能功耗比越高越好，意味著相同功耗下運算次數越多，訓練相同算法所需要的時間越短。圖表圖表 20 深度學習時，四類深度學習時，四類 AI 芯片表現有所差異芯片表現有所差異 資料來源：快科技，華創證券 處理器和存儲器間鴻溝日益拉大，“內存墻”問題亟待解決。處理器和存儲器間鴻溝日益拉大，“內存墻”問題亟待解決。主流算力芯片外，芯片存取能力亦是決定 AI 運算效果的重要一環。根據 UC Berkeley RISELab 數據，大型 Transformer 模型中的參數數量呈指數級

34、增長，每兩年增長 240 倍，而單個 GPU 內存僅以每 2 年 2 倍的速度增長，內存延遲和帶寬正在限制系統性能，持續（流式）內存帶寬繼續落后于峰值 FLOP 速率，內存不再能夠跟上原始計算能力的步伐，此外，網絡延遲和帶寬也繼續以驚人的速度落后于處理器性能，這種不平衡導致半導體行業出現了“內存墻”問題。AI 高算力需求刺激存儲芯片新發展。高算力需求刺激存儲芯片新發展。人工智能應用的快速發展正在顯著改變信息的消費、移動和處理方式。在強調能效的同時增加內存帶寬對于進一步支持云、邊緣和端點的廣泛行為分析和神經網絡訓練至關重要。隨著深度學習等 AI 算法的發展，AI 服務器對計算能力和內存帶寬的要求

35、越來越高。GDDR 逐漸達到極限，每秒每增加 1GB 的帶寬所需要的電量劇增，NVIDIA 和 AMD 等廠商逐漸開始使用 HBM（高帶寬存儲）。HBM 是DRAM 的一種新技術，它通過 3D 堆疊技術將多個 DDR 垂直堆疊在一起，形成一個高度集成的內存模組，同時與 CPU/GPU 合封，使得 HBM 內存芯片具有更大的密度和更短的電路路徑，能夠提供更高的內存帶寬和更低的延遲，可以顯著提高深度學習等 AI 算法的計算性能和效率。此外，與 GDDR5 相比，在相同數量顯存下，HBM 產品大小僅僅是GDDR5 的 6%，并且每瓦帶寬是其 3 倍以上。圖表圖表 21 “內存墻”問題愈演愈烈“內存墻

36、”問題愈演愈烈 圖表圖表 22 HBM 結構示意圖結構示意圖 資料來源：Amir GholamiAI and Memory Wall、轉引自OneFlow社區 資料來源：AMD（三）（三）海外大廠深度布局，開啟海外大廠深度布局，開啟 AI 算力新時代算力新時代 英偉達先發優勢顯著，英偉達先發優勢顯著，AI 時代時代 GPU 大顯神威。大顯神威。英偉達在 1999 年推出首款 GeForce 256產品，定義了 GPU 作為圖形渲染芯片的功能。2010 年開始英偉達開始專注于 AI 領域的研發，其 Tesla GPU 為全球最快的超級計算機提供算力支持，同時推出了首個 GPU 計算架構“Ferm

37、i”。此后，英偉達保持每半年推出一款新產品，每兩年迭代一次新的芯片架構。從 Fermi 架構到如今最新的 Hopper 架構，產品的制程由 40nm 迭代至 4nm，晶體管數量從 30億增長至 800 億，FP32 算力從1.5TFLOPS提升到 60TFLOPS，內存帶寬從 192.4 GB/s 提升到 3TB/s。圖表圖表 23 英偉達英偉達 GPU 微結構演變歷程微結構演變歷程 架構代號架構代號 推出時間推出時間 核心參數核心參數 特點特點 制程制程 晶體管數量晶體管數量 代表型號代表型號 Fermi 2010 16 個 SM，每個包括 32 CUDA Cores，共計 512 CUDA

38、 Core 首個完整 GPU 計算架構，支持與共享存儲結合純 Cache層次的 GPU架構，支持 ECC 的 GPU 架構 40/28nm 30 億 Quadro 7000 Kepler 2012 15 個 SM，每個包括 192個單精度+64 個雙精度的CUDA Core 游戲性能大幅提升；首次支持 GPU Direct 技術 28nm 71 億 K80 K40M Maxwell 2014 16 個 SM，每個包括 4 個處理模塊，每個處理模塊包括 32 個 CUDA 內核+8個 LD/ST Unit+8 個 SFU SM 單元減少至 128 個，但是每個SMM 單元擁有更多的邏輯控制電路

39、28nm 80 億 M5000 M4000 Pascal 2016 GP102 有 60 個 SM，每個包括 64 個 CUDA cores 和32 個 DP core NVLink 一代，雙向互聯帶寬160GB/s 16nm 153 億 P100 GTX 1080 P6000 Volta 2017 80 個 SM，每個包括 32 個FP64+64 個 INT32+64 個FPT32+8 個 Tensor core NVLink2.0 Tensor Core 1.0 滿足深度學習和 AI 運算 12nm 211 億 V100 Titan V Turing 2018 72 個 SM，每個包括 6

40、4 個INT32+8 個 Tensor core Tensor Core 2.0 RT Core 1.0 12nm 186 億 T4 2080TI RTX 5000 Ampere 2020 A100 有 108 個 SM，每個包括 64 個 FP32+64 個INT32+32 個 FP64+4 個Tensor core Tensor Core 3.0 RT Core 2.0 NVLink 3.0 結構稀疏性 MIG1.0 7nm 283 億 A100 A30 3090 Hopper 2022 132 個 SM，每個包括 128個 FP32+64 個 INT32+64個 FP64+4 個 Ten

41、sor core Tensor Core 4.0 NVLink 4.0 結構稀疏性矩陣 MIG 2.0 4nm 800 億 H100 資料來源：CSDN，華創證券整理 GPU+CUDA 生態，構建高效并行計算平臺。生態，構建高效并行計算平臺。2006 年英偉達推出通用的并行計算平臺和編程模型 CUDA，能夠兼容 C+、FORTRAN、DirectCompute、OpenACC 等編程語言環境。過往雖然 GPU 的“指令復雜度”提高可以帶來性能提升，但是會喪失通用靈活性，而英偉達 CUDA 生態允許開發者使用不同維度的語言進行開發。作為一個有選擇范圍的生態系統，開發者能夠按照自身的應用需求來使用

42、 CUDA 生態。CUDA 經過多年迭代已經成為了軟硬件配合的獨特生態系統，英偉達也以此為基礎構建了 GPU、系統、軟件和服務的全方位人工智能產品框架。而在收購 ARM 后也將于今年推出自研的 Grace CPU進一步完善產品矩陣。圖表圖表 24 英偉達英偉達 CUDA 生態生態 資料來源：英偉達官網 AMD 強化強化 CPU 優勢，以優勢，以 INFINITY 架構和架構和 ROCm 軟件平臺構筑高性能算力平臺。軟件平臺構筑高性能算力平臺。INFINITY架構是AMD推出的用來解決異構數據一致性的互聯方案，能夠提高互聯帶寬、降低異構通信延遲以及編程難度。通過不斷迭代，第三代 INFINITY

43、 架構能夠支持 8 通道 GPU 的連接、CPU 與 GPU 之間的一致性內存以及百萬兆級運算。ROCm 是 AMD 于2015 年所推出的一個軟件開發平臺，類似于英偉達的 CUDA，目前已經迭代到第五代。ROCm 為開發者提供了一個開放的、標準的、低摩擦的生態系統，可以實現高性能、高生產力和可移植性的異構計算。目前 AMD 使用 INFINITY 架構和 ROCm 平臺的最新產品 MI250X 峰值性能可以達到 FP32 單精度 47.9TFLOPS，內存帶寬達到 3276.8GB/s。圖表圖表 25 AMD INFINITY 架構架構 圖表圖表 26 AMD ROCm 平臺平臺 資料來源：

44、AMD官網、轉引自電子發燒友 資料來源：AMD官網、轉引自infoQ 英特爾錯失先手，奮起直追正當時。英特爾錯失先手，奮起直追正當時。由于重視不足，英特爾幾乎錯過了 ARM 架構主導的移動計算市場，如今 AI 浪潮再起，英特爾內生外延等方式加強對于 AI 領域的布局。計劃從 2023 到 2025 年，英特爾至強處理器系列將推出包括 CPU、GPU、Dedicated AI、FPGA 在內的多款產品，并通過優化主流的開源框架、庫和工具來實現出色的硬件性能，同時消除復雜性，在生成式 AI 領域持續發力。圖表圖表 27 英特爾至強處理器路線圖英特爾至強處理器路線圖 資料來源：英特爾、轉引自STH

45、二、二、AI 芯片奠定算力時代基石，國產芯片奠定算力時代基石，國產芯片芯片廠商廠商加速加速布局布局（一）（一）人工智能發展浪潮興起，人工智能發展浪潮興起，AI 芯片市場規模持續擴張芯片市場規模持續擴張 AI 時代算力需求高增，帶動時代算力需求高增，帶動 AI 芯片市場持續芯片市場持續擴容擴容。信息“爆炸”時代全世界的數據量激增，根據 IDC 預測，全球數據圈將由 2018 年的 33ZB 增長至 2025 年的 175ZB。海量的數據，需要使用多種具有高速運算能力的人工智能芯片來完成過濾、分析，進而驅動AI 芯片市場持續增長。根據 WSTS 數據，2019 年全球 AI 芯片市場規模僅 110

46、 億美元，2025 年預計將增長至 726 億美元，CAGR 達到 37%；根據甲子光年數據，中國 AI 芯片市場規模將從 2018 年的 61 億元增長至 2023 年的 556 億元，CAGR 高達 56%。圖表圖表 28 2019-2025E 全球全球 AI 芯片市場規模芯片市場規模 圖表圖表 29 2018-2023E 中國中國 AI 芯片市場規模芯片市場規模 資料來源：WSTS、轉引自觀研天下，華創證券 資料來源：甲子光年，華創證券 云計算為云計算為 AI 提供基礎架構，終端應用落地持續進行中。提供基礎架構，終端應用落地持續進行中。在人工智能剛起步的階段，算法就已經通過云端數據中心在

47、大數據分析、商業決策等方面廣泛應用，目前云端仍為 AI芯片的主要應用場景。而未來隨著智能化的逐步滲透，人工智能將進一步下沉到攝像頭、0%10%20%30%40%50%60%70%01002003004005006007008002019202020212022E2023E2024E2025E全球AI芯片市場規模（億美元）yoy（%）50%52%54%56%58%60%01002003004005006002018201920202021E2022E2023E中國AI芯片市場規模（億元）yoy（%）交通工具、移動設備等終端中，與云端形成協同作用。根據甲子光年統計，我國 AI 芯片在云端/終端的比

48、例將從 2018 年的 75.45%/24.55%變化為 2023 年的 68.97%/31.03%。與此同時，隨著大模型逐漸投放至市場中，AI 芯片所需承擔的推理工作占比也將不斷上升。圖表圖表 30 2018-2023E 中國中國 AI 芯片云端芯片云端/終端占比情況終端占比情況 圖表圖表 31 2019-2025E AI 服務器推理和訓練工作負載服務器推理和訓練工作負載 資料來源：甲子光年，華創證券 資料來源：IDC，華創證券 GPU 占據占據 AI 芯片市場最大份額，芯片市場最大份額，非非 GPU 比重有望比重有望進一步進一步提升。提升。由于 GPU 具有通用性強、速度快、效率高等特點，

49、在訓練和推理階段均適用，因此目前仍為 AI 芯片中的首選。根據 IDC 統計，2021 年 GPU 在我國 AI 芯片市場占比為 91.9%，NPU、ASIC 和 FPGA的市場份額尚不足 10%，未來隨著非 GPU 芯片技術提升以及成本降低，將被越來越多地采用，預計到 2025 年非 GPU 芯片在 AI 芯片中的比重將增長至 20%。除此之外，類腦芯片的產業化和商業化也在持續演進中，機器學習的發展將為其提供進一步突破的可能性。圖表圖表 32 2021 年中國年中國 AI 芯片占比情況（按芯片種類劃分）芯片占比情況（按芯片種類劃分）資料來源：IDC，轉引自觀研天下，華創證券（二）（二）“云云

50、+邊邊+端端”多維度多維度協同協同發力，發力，帶動上游硬件帶動上游硬件行業發展行業發展 在 AI 應用方面，ChatGPT 的爆火，意味著大語言模型已發展至新的階段，由于大模型的構建及應用需要大量的云端算力支持，因此承接算力需求的 AI 芯片迎來了發展新浪潮。同時，由于邊緣計算可以完成數據收集和部分數據處理工作，在工業互聯網、車聯網/自動駕駛、移動互聯網等場景中能夠與云端協同完成計算任務，邊緣計算也將迎來新一輪的成長機遇。展望未來，云、邊、端的協同發力，將共同驅動上游 AI 芯片市場的發展。0%20%40%60%80%100%2018201920202021E2022E2023E云端AI芯片終

51、端AI芯片0%10%20%30%40%50%60%70%80%90%100%2019202020212022E2023E2024E2025E訓練推理GPU,91.9%NPU,6.3%ASIC,1.5%FPGA,0.3%圖表圖表 33 云端與邊緣側人工智能應用場景對于云端與邊緣側人工智能應用場景對于 AI 芯片的需求芯片的需求 資料來源：艾瑞咨詢 1、云計算：大模型時代算力需求激增，云計算：大模型時代算力需求激增，AI 芯片迎來產業機遇芯片迎來產業機遇 ChatGPT 數據量數據量激增激增，帶動底層帶動底層算力需求算力需求大幅提升大幅提升。根據 OpenAI 報告，自 2012 年以來，AI 訓

52、練應用的算力需求以每 3-4 個月翻倍的速度遞增，2012 年至今 AI 算力增長超過了30 萬倍。目前，在訓練端 ChatGPT 模型的總算力消耗約已達到 3640PF-days，而 GPT-4又會在 ChatGPT 的基礎上增加了圖像、視頻等信息類型，所需算力支持較單純的文字交互又會有大幅提升；在推理端，隨著用戶數量及應用范圍的不斷擴大，產生的數據量將進一步增加，也會對算力提出更多需求。圖表圖表 34 不同模型所需的算力不同模型所需的算力 圖表圖表 35 部分國外大模型訓練參數量部分國外大模型訓練參數量 資料來源：A.Mehonic&A.J.KenyonBrain-inspired com

53、puting needs a master plan 資料來源：騰訊研究院AIGC發展趨勢報告 2023，華創證券 單個大模型訓練用單個大模型訓練用 GPU 需求需求約約 3000-5000 顆，推理用芯片數量有望不斷增加顆，推理用芯片數量有望不斷增加。在訓練用AI 芯片方面，參考陳巍博士及其團隊的測算結果，若一次訓練耗時兩周，標準的ChatGPT-175B 大致需要 375-625 臺 8 卡 A100 服務器進行訓練，對應 A100 GPU 資源需求量約 3000-5000 塊，按照 A100 芯片單價為 1 萬美金計算，單個大模型帶來的訓練用GPU 市場規模增量約 3000 萬-5000

54、 萬美元。與此同時，推理用 AI 芯片也將隨著用戶數 量增多和用戶對短時間內文本輸出需求的增大而不斷提升。圖表圖表 36 根據英偉達根據英偉達 paper 進行訓練用進行訓練用 AI 芯片數量的交叉驗證芯片數量的交叉驗證 資料來源：陳巍談芯 大模型大模型開發浪潮助推開發浪潮助推云計算云計算步入步入新階段，帶動上游硬件市場需求。新階段，帶動上游硬件市場需求。在 AI 開發中，由于深度學習模型開發及部署都需要強大的算力支持，開發者如選擇自購 AI 服務器成本過高，而通過云服務模式能夠顯著降低 AI 開發成本，因此云服務模式成為 AI 開發者的首選。大模型開發浪潮的開啟及投放市場，意味著云計算進入了

55、新的階段。根據 Gartner 和中國信通院統計，2021 年全球云計算市場規模為 3307 億美元，預計 2025 年將超過 6000 億美元；我國公有云市場規模有望從 2022 年的 4033 億元增長至 2027 年的 18764 億元，CAGR 為 36%。隨著云計算的不斷發展，承載算力的硬件市場也將實現新一輪的增長。圖表圖表 37 2017-2025E 全球云計算市場規模全球云計算市場規模 圖表圖表 38 2018-2027E 中國公有云市場規模中國公有云市場規模 資料來源：Gartner、轉引自中國信息通信研究院，華創證券 資料來源：中國信息通信研究院，華創證券 2、邊緣計算：萬物

56、智聯帶來邊緣計算：萬物智聯帶來海量數據，促進海量數據，促進 AI 芯片需求提升芯片需求提升 海量數據涌現，中心云計算捉襟見肘，邊緣云規模顯著海量數據涌現，中心云計算捉襟見肘，邊緣云規模顯著增加增加。隨著物聯網的不斷發展，智慧城市、自動駕駛、工業物聯網等應用逐步落地，大量終端設備產生的數據量快速增加，中心云計算在算帶寬負載、網絡延時等方面越來越緊張，邊緣計算的價值進一步凸顯。根據艾瑞咨詢預測，2020 年我國邊緣云市場規模為 91 億元，其中 IoT/現場/區域邊緣云的規模分別為 16/38/37 億元，預計 2025 年我國邊緣云市場規模將達到 550 億元，其0100020003000400

57、0500060007000201720182019202020212025E全球云計算市場規模（億美元）0500010000150002000020182019202020212022E2027E中國公有云市場規模（億元）CAGR=36%CAGR=16%中區域邊緣云將會在互動直播、vCDN、車聯網等較早成熟的場景下實現增速領跑。圖表圖表 39 2020-2030E 中國邊緣云市場規模預測中國邊緣云市場規模預測 圖表圖表 40 2020-2030E 邊緣云市場結構邊緣云市場結構 資料來源：艾瑞咨詢，華創證券 資料來源：艾瑞咨詢，華創證券 邊緣計算應用場景豐富，促進多種邊緣計算應用場景豐富，促進多

58、種 AI 芯片需求提升。芯片需求提升。與中心云相比，邊緣云更加接近用戶和數據源，在降低網絡延遲和傳輸成本方面具有顯著優勢，能夠有效緩解中心云的計算負載和帶寬壓力。在邊緣計算中，AI 芯片會利用傳聲器陣列、攝像頭等傳感器采集到的數據按照已構建的模型進行推理并輸出相應的結果。由于邊緣計算的應用場景眾多，對于硬件的算力、能耗等性能要求也不盡相同，因此催生出對 AI 芯片更加廣泛的需求。圖表圖表 41 不同邊緣計算場景對不同邊緣計算場景對 AI 芯片算力的需求芯片算力的需求 物聯網場景物聯網場景 移動互聯網移動互聯網 智能安防智能安防 自動駕駛自動駕駛 任務描述：機器視覺、語音識別/自然語義處理 1、

59、圖像檢測 2、視頻檢測 3、語音識別 4、語義理解 1、照相-場景識別 2、照相-美化 3、AR 應用 4、語音助手 1、圖像檢測 2、視頻檢測 1、圖像語義分割 2、數據融合 3、Slam 定位 4、路徑規劃 性能要求 算力 1TOPs 18TOPs 420TOPs 204000TOPs（L3L5）能耗 接入設備部署現場電源 消費級聚合物鋰電池 2,0005,000mAh 接入設備部署現場電源 動力級硬殼鋰電池（組）200,000500,000mAh 面積 高（SoC）極高（SoC）高低（SoC、Server）中（PCIE contains multiple SoC Chips）成本控制 高

60、 極高 高低（IPC，NVR）中 可靠性 高（工業）/中（家用）中 高 極高 代表廠商 谷歌、英偉達、云知聲、思必馳 蘋果、三星、ARM、cadence、寒武紀 北京君正、安霸科技、云天勵飛 英偉達、英特爾、恩智浦 資料來源：艾瑞咨詢，華創證券 汽車智能化升級持續進行，推動汽車智能化升級持續進行，推動 AI 芯片量價齊升。芯片量價齊升。自動駕駛發展如火如荼，根據 ICV發布的報告 Global intelligent driving forecast-2022，2021 年全球自動駕駛取得了飛速進步，L1及以上級別自動駕駛汽車滲透率首次超過2/3，預計到2026年該比重將提升至94%。根據地平

61、線數據，自動駕駛等級每增加一級，所需芯片算力就會帶來數十倍的上升。其中 L2 級自動駕駛的算力需求僅為 2-2.5TOPS，而 L5 級別的算力需求將超過 2000TOPS。05001000150020002500300020202025E2030E邊緣云市場規模（億元）0%10%20%30%40%50%60%70%80%90%100%20202025E2030EIoT邊緣云現場邊緣云區域邊緣云 從技術路線的發展趨勢來看，未來 ASIC 芯片將會逐步取代高功耗的 GPU 成為市場主流。圖表圖表 42 2020-2026E 自動駕駛汽車出貨量（萬輛）自動駕駛汽車出貨量（萬輛）圖表圖表 43 自動

62、駕駛升級對算力的需求不斷提高自動駕駛升級對算力的需求不斷提高 資料來源：ICVGlobal intelligent driving forecast-2022，華創證券 資料來源：地平線，華創證券 技術升級助力萬物智聯發展，催生技術升級助力萬物智聯發展，催生出出廣闊廣闊 AI 芯片市場空間。芯片市場空間。隨著 AI 和 IoT 技術的不斷發展，各大產業向數字化升級方向演進。根據 GSMA 發布的報告The mobile economy 2020（2020 年移動經濟），2020 年全球物聯網連接數量已達到 137 億個，預計到 2025年將突破 245 億個，CAGR 為 12.4%；而我國物

63、聯網連接數量也將從 2020 年的 45.3 億個增長至 2025 年的 80.1 億個，2020-2025 年 CAGR 為 12.1%。在萬物智聯時代，物聯網廣闊的應用場景將產生龐大的數據，需要更多的 AI 芯片來提供底層算力支持。圖表圖表 44 2019-2025 年全球與中國物聯網連接數規模及預測（億個）年全球與中國物聯網連接數規模及預測（億個）資料來源：IoT Analytics GSMA世界物聯網大會、轉引自前瞻產業研究院，華創證券（三）（三）海外龍頭主導海外龍頭主導 AI 芯片市場，本土廠商充分受益國產替代浪潮芯片市場，本土廠商充分受益國產替代浪潮 海外龍頭壟斷高端海外龍頭壟斷高

64、端 AI 芯片市場，國內廠商加速布局追趕。芯片市場，國內廠商加速布局追趕。英偉達、Intel 等老牌海外廠商產品布局廣泛，既有云端訓練+推理芯片，又有終端應用的產品，根據 JPR 統計，2022Q4英偉達在全球獨顯 GPU 市場中的份額高達 82%，Intel 和 AMD 的市占率均為 9%，海外龍頭幾乎壟斷了高端 AI 芯片市場。近年來，國內也出現了寒武紀、比特大陸、百度、地平線等優質本土廠商發力布局相關產品，展望未來，國內 AI 芯片公司仍有廣闊成長空間。010002000300040005000600070008000900010000202020212022E2023E2024E202

65、5E2026EL0L1L2L3L4-52-2.520-30200+2000+05001000150020002500L2L3L4L5算力需求（TOPS）050100150200250300201920202025E全球中國 圖表圖表 45 2022Q4 全球獨顯全球獨顯 GPU 市場份額市場份額 資料來源：JPR，華創證券 圖表圖表 46 不同應用市場中不同應用市場中 AI 芯片的競爭格局芯片的競爭格局 資料來源：中國信通院，華創證券 AI 芯片是人工智能發展的基礎，把握芯片是人工智能發展的基礎，把握芯片才能芯片才能擁抱擁抱算力時代算力時代。根據 IDC 統計，CPU、GPU、存儲等芯片在各類

66、服務器成本中的占比約 75-90%，其中在機器學習型服務器中GPU 的成本占比超七成，可見 AI 時代離不開芯片的支撐。隨著模型的多模態發展，參數規模和訓練數據都呈現出指數級增長，消化、處理這些數據所需的算力對模型發展起到了關鍵的制約作用。在滿足算力的最終訴求下，除大量增加服務器的臺數外，提升算力芯片性能同樣必不可少。因此若想把握住算力時代，必須先實現 AI 芯片的自主可控。NVIDIA,82%AMD,9%INTEL,9%圖表圖表 47 服務器成本構成情況服務器成本構成情況 資料來源：IDC，轉引自智研咨詢，華創證券 高端高端 AI 芯片進口受限，芯片進口受限，自主可控背景下國內廠商有望持續受

67、益自主可控背景下國內廠商有望持續受益。英偉達的 A100、H100芯片被認為在人工智能、數據分析、科學計算以及云計算等領域有著廣闊的應用前景，2022 年 8 月 31 日，受國際貿易形勢變化影響，英偉達向中國及俄羅斯出口 A100 和 H100芯片受到限制。長期來看，國內高端 AI 芯片進口受阻，為本土公司提供了新機遇，國產廠商有望在自主可控背景下持續受益。圖表圖表 48 英偉達向中國出口英偉達向中國出口 H100 和和 A100 芯片芯片受限受限 資料來源：英偉達公告 國產國產 AI 芯片公司持續涌現，訓練芯片公司持續涌現，訓練/推理推理新新品陸續推向市場。品陸續推向市場。盡管目前 AI

68、芯片市場仍由海外大廠主導，但國內已涌現出一批優質的 AI 芯片公司，陸續發布產品推向市場。例如：寒武紀的 AI 芯片思元 290 主要用于云端訓練，而思元 370 可用于云端+訓推，且思元 370是公司推出的首款采用Chiplet技術的AI芯片，最大算力高達256TOPS；海光信息的DCU 芯片“深算一號”擁有豐富的軟硬件生態，且能夠兼容“CUDA”架構。而騰訊、百度、阿里巴巴等互聯網大廠也通過投資、孵化等方式在 AI 芯片領域大力布局。其中，騰訊為燧原科技注資、百度為昆侖芯投資、阿里巴巴孵化了平頭哥。三、三、相關公司相關公司（一）（一）海光信息：本土海光信息：本土 CPU 領軍企業，開拓領軍

69、企業，開拓 DCU 打開成長空間打開成長空間 國產高端處理器領導者，國產高端處理器領導者，CPU+DCU 雙輪驅動成長。雙輪驅動成長。海光信息成立于 2014 年，2022 年 8 0%10%20%30%40%50%60%70%80%90%100%基礎型高性能型推理型機器學習型CPUGPU內存、存儲等其他 月于科創板上市，主營業務包括高端通用處理器（CPU）和高端協處理器（DCU）兩大產品線。公司以中科院計算所為基礎，通過與 AMD 合作，切入 X86 處理器設計領域，采取合作吸收創新的方式成功構筑生態壁壘。公司持續迭代升級+完善產品布局，目前在 CPU 領域，已形成了海光 7000、5000

70、 和 3000 三大產品系列，可覆蓋從中高端到中低端場景的需求，同時公司積極拓展 DCU 產品，2021 年推出首款 DCU 深算 1 號，產品性能優異，可被廣泛應用于人工智能、商業計算等領域。近年來受益于國產替代帶來的龐大市場需求，疊加公司產品性能的提升以及新產品的陸續推出，業績實現快速增長。服務器服務器 CPU 市場空間廣闊市場空間廣闊，國產替代未來可期。，國產替代未來可期。受益于 5G、人工智能、AIoT 等新興產業的發展，服務器市場規模持續擴張。按照技術路線分，x86 架構作為 CPU 復雜指令集的代表，性能和生態優勢顯著，占據服務器市場的主要份額。根據 IDC 數據，2021 年我國

71、服務器市場出貨量為 391.1 萬臺，市場規模為 250.9 億美元，按照 CPU 在基礎型服務器中的成本占比約為 30%-35%測算，對應服務器 CPU 行業規模約 82 億美元，市場空間廣闊。從競爭格局方面看，由于指令集與生態兩大壁壘高企，CPU 行業龍頭集中效應顯著。IDC 數據顯示，Intel 和 AMD 占據全球 x86 服務器 CPU 市場中 95%以上的份額，海光作為國內 CPU 龍頭，具備生態壁壘和技術優勢。AI 時代拉升算力需求，時代拉升算力需求，GPGPU 行業行業景氣度持續上升景氣度持續上升。ChatGPT 引爆新一輪 AI 浪潮來襲，全球數據量激增，帶動底層訓練+推理算

72、力芯片需求持續增長。根據 WSTS 數據，2019 年全球人工智能芯片市場規模僅 110 億美元，預計到 2025 年將增長至 726 億美元，CAGR 達到 37%。GPGPU 作為國內 AI 領域運算加速主要解決方案，將充分受益本輪AI 產業上行周期。目前全球 GPGPU 市場仍由英偉達、Intel 等海外大廠主導，國產替代尚有廣闊空間。2021 年，海光信息面向加速計算市場推出第一代 DCU 產品深算 1號，該款產品擁有強大的計算能力和高速并行處理能力，同時能夠兼容“類 CUDA”架構，產品性能優異，當年貢獻的營收占比超過 10%。目前第二代 DCU 產品深算 2號已在加緊研發過程中。（

73、二）（二）龍芯中科：國內龍芯中科：國內 CPU 龍頭廠商，全面打造自主生態龍頭廠商，全面打造自主生態 本土本土 CPU 領軍企業領軍企業，獨立研發構建自主生態獨立研發構建自主生態。龍芯中科源于 2001 年中科院成立的龍芯項目小組，自 2008 年開始市場化獨立運營。公司于 2021 年開啟自主生態建設的新征程，目前已推出 LoongISA 與 LoongArch 指令集，Loongnix 與 LoongOS 操作系統，和龍芯 1、2、3 號處理器及其周圍的配套芯片，可被廣泛應用于工業控制和信息化等領域。公司董事長胡偉武博士是“龍芯”處理器的主要設計人員，核心技術團隊成員均具有中科院計算所工作

74、經歷和成熟的處理器及芯片相關研發經驗，為公司未來發展奠定堅實基礎。2018-2021 年受益于產品持續迭代升級以及新客戶群的順利拓展，公司業績實現快速增長。2022 年電子政務市場停滯導致公司營業收入有所下降。AI+信創推動信創推動 CPU 市場市場擴容擴容，國產替代勢在必行。國產替代勢在必行。AI+信創產業騰飛，促進全球算力需求快速增長，帶動 CPU 需求大幅提升。當前全球 CPU 市場呈 Intel 和 AMD 雙寡頭格局。其中，Intel 憑借自研 x86 指令系統架構掌握的先發優勢，結合與 Windows 形成 Wintel聯盟構筑生態壁壘，多年保持霸主地位。目前國內 CPU 廠商仍處

75、于成長階段，國產 CPU發展主要包括兩條路線，一是通過獲取 x86/AMD 等主要架構授權，加入主流生態體系；二是通過自主研發指令集及操作系統構建新生態。在中美科技戰持續加碼的背景下，CPU作為大數據、AI 能等高科技發展的基石，實現底層技術全自研勢在必行。技術積累深厚技術積累深厚，產品已獲得下游客戶的廣泛應用產品已獲得下游客戶的廣泛應用。公司基于 LoongArch 遷移或研發了操作系統的核心模塊，同時龍芯堅持自主研發 IP 核，形成了包括系列化 CPU IP 核、GPU IP 核、內存控制器及 PHY、高速總線控制器及 PHY 等上百種 IP 核，目前已實現 CPU 自主研發和軟件生態建設

76、核心技術的積累。在信息化領域，國內數十家整機品牌推出了基于龍芯 CPU 的臺式機、筆記本、一體機與服務器設備，公司產品已經被廣泛應用于電子政務辦公信息化系統中。在工控領域，國內上百家主要工控和網絡安全設備廠商推出了基于龍芯 CPU 的工控和網安產品，設備已經在發電、輸變電、軌道交通、高速公路 ETC系統等領域規?；瘧没蝌炞C。（三）（三）寒武紀：全面深耕寒武紀：全面深耕 AI 芯片領域，算力時代迎來快速成長機遇芯片領域，算力時代迎來快速成長機遇 國內國內 AI 芯片領域先行者，全面芯片領域先行者，全面布局布局云邊端應用場景。云邊端應用場景。寒武紀自 2016 年成立以來就專注于人工智能芯片的研

77、發與技術創新，公司主營產品包括云端智能芯片及加速卡、訓練整機、邊緣智能芯片及加速卡、終端智能處理器 IP 及相應的配套軟件開發平臺，目前已陸續推出了思元、玄思系列產品，可被廣泛應用于安防監控、自動駕駛、移動終端、智能家居領域。公司創始人&董事長陳天石博士曾任中科院計算所研究員，在 AI 及處理器芯片領域深耕十余年，具備扎實的理論基礎和豐富的研發經驗，其他核心研發人員多畢業于著名高?；蚩蒲性核?，擁有微電子等相關專業的學歷背景和中科院計算所工作經歷。云邊端加速協同發展，共同驅動云邊端加速協同發展，共同驅動 AI 芯片芯片行業行業成長。成長。以 ChatGPT 為代表的大模型已擁有通用 AI 的部分

78、特征，代表著 AI 已發展至新的階段，因此對算力提出了更高的要求，AI芯片作為承載行業發展的硬件基礎迎來新一輪成長周期。根據 IDC 統計，2022 年中國的云端智能芯片市場超過 35 億美金，預計 2025 年將超過 70 億美元。與此同時，受益于工業互聯網、車聯網/自動駕駛、移動互聯網等產業的蓬勃發展，邊緣計算的數據量和算力需求也在不斷擴大，未來將協同云計算共同驅動 AI 芯片行業成長。目前全球 AI 芯片市場幾乎由英偉達、Intel 等海外大廠壟斷，同時英偉達 H100 和 A100 產品進口已受限，在行業加速發展疊加自主可控需求的背景下，國內頭部廠商迎來了新的發展機遇。自主自主研發能力

79、不斷提升，持續迭代完研發能力不斷提升，持續迭代完善產品布局。善產品布局。隨著研發能力的提升，公司產品持續迭代升級，布局逐漸完善，目前可以提供云邊端一體、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。在云端產品方面，公司推出了思元 290 和思元 370 系列芯片，目前已成功導入至阿里云等多家頭部客戶，同時新產品也在快速迭代中；在邊緣產品方面，公司已擁有思元 220 系列芯片，自發布以來銷售量超過百萬片。同時，公司在 IP 授權及軟件方面也有相應的產品推出。（四）（四）晶晨股份：晶晨股份：智能多媒體智能多媒體 SoC 龍頭龍頭，WiFi-6/汽車芯片汽車芯片打造

80、第二成長曲線打造第二成長曲線 全球布局全球布局/國內領先的多媒體國內領先的多媒體 SoC 芯片設計商，業務規模持續增長。芯片設計商，業務規模持續增長。公司于 2003 年在美國硅谷成立，在音視頻解碼、模擬電路和數字電路設計、生產工藝開發等方面擁有深厚的技術積累。公司目前擁有 S/T/A/W/V 五大 SoC 系列芯片，分別對應智能機頂盒、智能顯示終端、AI 音視頻系統終端、無線連接及車載領域，業務已覆蓋中國大陸、香港、北美、歐洲、拉丁美洲、亞太、非洲等全球主要經濟區域。依托長期技術沉淀、持續對新技術、新應用領域的研究開發，以及全球布局的區位優勢和市場資源，公司在全球范圍內積累了穩定優質的客戶群

81、，業務規模持續增長。AI 賦能智能機頂盒曙光初現，主控賦能智能機頂盒曙光初現，主控 SoC 深度受益價值量顯著提升。深度受益價值量顯著提升。隨著用戶需求的不斷提升，機頂盒開始由單一功能向集成化、智能化方向發展，目前高端的智能盒子已成為智慧家庭的重要控制器之一。此外，智能盒子已開始嵌入 ChatGPT 語音入口模塊具備普及率提升、CPU 及視頻、與圖像處理能力強、獨立聯網、獨立運算、邊緣計算在增強、節約云資源等優勢，并有助于互聯網廠商實現 ChatGPT 類產品應用的快速推廣，智能機 頂盒有望實現手機從功能機向智能機時代升級的“iPhone”時刻。傳統機頂盒一部售價約 200 元，智能盒子售價達

82、 1288 元（以騰訊極光 pro 為例），智能化趨勢下 ASP 提升顯著，作為核心零部件的主控SoC價值量亦迎來明顯抬升，行業天花板料將重塑。根據Grand View Research 的數據，2021 年全球約出貨 3.3 億臺機頂盒，高端智能盒子目前滲透率較低，隨著 AI 技術的持續賦能，滲透率有望迎來快速上升期，公司與谷歌/亞馬遜等海外大廠，以及國內阿里/騰訊等互聯巨頭保持合作，作為全球機頂盒 SoC 龍頭，公司有望深度受益行業升級。WiFi 產品產品預量產預量產/汽車芯片持續研發投入，第二成長賽道明確。汽車芯片持續研發投入，第二成長賽道明確。公司第二代 Wi-Fi 藍牙芯片（Wi-F

83、i6 22，BT5.3）預量產。Wi-Fi6 產品性能較 Wi-Fi5 實現躍升，具有更加廣闊的應用場景，且可與公司主控 SoC 平臺廣泛適配并配套銷售（電視、機頂盒、IOT 等），未來有望逐步成長為公司銷量最大的單品之一。公司 Wi-Fi 芯片亦同時面向公開市場，獨立銷售，ASP 較 Wi-Fi5 產品顯著提升，無線連接芯片業務有望快速增長。汽車芯片方面，目前主要有車載信息娛樂系統芯片和智能座艙芯片，已進入多個國內外知名車企，并成功量產、商用（包括但不限于寶馬、林肯、Jeep、極氪、創維等）。汽車電子是公司的長期戰略，公司將持續投入研發，充分發揮既有優勢（系統級平臺優勢、智能化 SoC優勢）

84、，不斷擴充新技術、推出新產品。（五）（五）兆易創新：兆易創新：國內存儲設計國內存儲設計龍頭龍頭，合作合作長鑫存儲長鑫存儲打開打開 DRAM 成長天花板成長天花板 國內國內存儲器設計存儲器設計龍頭龍頭，深度布局深度布局 AI 與汽車藍海賽道與汽車藍海賽道。兆易創新于 2012 年成立，主營業務為存儲器、微控制器和傳感器的研發、技術支持和銷售。近年來，智能汽車與智慧工廠的布局正在提速，AI、物聯網等消費性電子產品蓬勃發展，以及新興應用層出不窮，這些都在驅動市場對 DDR 需求的提升。公司依托深耕閃存市場多年所積累的技術經驗，2021 年推出自有品牌 DRAM 產品，切入消費、工控等利基型 DRAM

85、 市場，2022 年又重磅推出首款自研 DDR3L 系列產品，采用長鑫存儲先進工藝制程，符合 JEDEC 標準，讀寫速率為 2133/1866Mbps，提供 2Gb/4Gb 不同容量選擇，在滿足消費類市場強勁需求的同時，兼顧工業及汽車市場應用，可為生態圈的發展構建提供強有力的支撐。公司規劃中的 DRAM 產品包括 DDR4、LPDDR3、LPDDR4，制程在 1Xnm 級（19nm、17nm），容量在 1Gb8Gb。在 NOR Flash 領域，公司市占率中國大陸第一、全球第三，已實現 512Kb 到 2Gb 大容量 SPI NOR Flash 全系列產品的完善布局，截至 2023 年 4 月

86、，旗下車規級GD25/55 SPI NOR Flash和GD5F SPI NAND Flash系列產品全球累計出貨量已達1億顆，廣泛運用在如智能座艙、智能駕駛、智能網聯、新能源電動車大小三電系統等。重視研發投入，重視研發投入，保持技術創新和技術領先保持技術創新和技術領先。公司現任主要管理技術團隊具備在國際先進產業地區的豐富任職經驗和先進經營管理理念，其中董事長朱一明為清華大學本科及碩士畢業，美國紐約州立大學石溪分校碩士，曾任 iPolicy Networks Inc.資深工程師并入選國家“千人計劃”。公司核心骨干源于海外留學歸國青年與經驗豐富創業團隊，具備較好的國際化視野。公司歷來重視研發投入

87、，2022 年，公司研發投入達到 10.29 億元，約占營業收入 12.7%，同比增長 9.5%。公司在建立技術優勢并取得良好業績回報的同時，高度關注知識產權保護。截止 2022 年末，公司擁有 929 項授權專利，其中 2022 年新增 98 項授權專利。與長鑫存儲與長鑫存儲緊密合作，緊密合作，DRAM 業務天花板快速打開業務天花板快速打開。股權層面，公司參股長鑫存儲母公司睿力集成；管理層面，公司實控人朱一明先生為長鑫存儲董事長，牽頭 DRAM 研發工作；經營層面，公司自研的利基型 DRAM 由長鑫代工，同時代銷長鑫部分標準型 DRAM產品，在利基市場公司 DRAM 產品在工藝制程上保持代差

88、優勢，有利于降低產品成本。公司與長鑫存儲的緊密合作關系，為公司 DRAM 產品提供穩定產能保障。隨著長鑫存儲持續擴產和其在資本市場上的進一步發力，公司有望充分享受產能紅利，DRAM 業務天花板快速打開。（六）（六）北京君正北京君正：車車載載算力算力/存力持續提升存力持續提升，車規存儲車規存儲龍頭龍頭持續發力持續發力 國內國內車規存儲龍頭，車規存儲龍頭，產品矩陣豐富產品矩陣豐富&客戶資源優質客戶資源優質。北京君正成立于 2005 年，起家于MPU 和智能視頻芯片，2020 年公司通過收購 ISSI 成功進入車載存儲行業，打開公司第二成長曲線。公司旗下存儲主體北京矽成（ISSI）深耕車載存儲二十余

89、載，產品矩陣豐富，料號充沛，廣泛應用于包括電子儀表盤、智能駕駛 ADAS、本地地圖、車載娛樂、通信系統在內的眾多車內場景。公司已是全球車用 SRAM、DRAM、NOR Flash 芯片領域第一、第二、第五大供應商（2021 年度），目前在汽車領域的終端客戶覆蓋了大陸集團、法雷奧、Delphi、博世等全球知名汽車一級供應商。ADAS 驅動驅動車內算力車內算力/存力持續提升，存力持續提升，老牌龍頭老牌龍頭持續發力持續發力再攀高峰再攀高峰。地平線測算自動駕駛等級每增加一級，所需要的芯片算力就會呈現十數倍的上升，L2 級自動駕駛的算力需求 2.0-2.5 TOPS，L3 級自動駕駛算力就需要 20-3

90、0 TOPS，實現 L4-L5 級自動駕駛的算力需求就超過 2000 TOPS，高級別自動駕駛車型滲透率不斷提升勢必推動車載芯片市場增長，預計至 2025 年該市場有望以 24%的復合增速提升至約 82 億美元。AI 驅動智能視頻芯片持續增長，驅動智能視頻芯片持續增長，IOT 助力微處理器業務穩步向好。助力微處理器業務穩步向好。公司智能視頻芯片主要面向智能物聯網和智能安防類市場，視頻領域作為 AI 技術與 5G 物聯網技術融合發展形成的應用場景之一，已成為助力傳統產業轉型升級的重要手段。隨著在智能視頻領域的技術不斷豐富和成熟，公司產品線不斷拓展，目前已形成面向安防監控市場 IPC/后端NVR/

91、泛視頻類市場的多系列芯片，隨著各產品陸續放量，智能視頻芯片業務有望持續增長。公司微處理器芯片主要面向 IOT 市場的各類智能硬件產品，物聯網終端應用需求的快速增長促進嵌入式 MPU 芯片產業市場規模不斷增大。根據 IC Insights 數據，2020 年全球嵌入式 MPU 芯片市場規模為 175 億美元，至 2024 年市場規模將達到 237 億美元。公司的微處理器產品應用下游廣泛，覆蓋的領域包括圖像識別、智能音頻、智能家電、智能家居、智能辦公等，業務趨勢穩步向好。（七）（七）深科技深科技：國產國產存儲封測龍頭存儲封測龍頭，布局先進工藝決勝，布局先進工藝決勝 AI 時代時代 美美光審查事件推

92、動國產替代加速，存儲封測龍頭深度受益。光審查事件推動國產替代加速，存儲封測龍頭深度受益。公司是全球領先的專業電子制造企業，連續多年在全球電子制造服務行業（EMS）排名前列，并構建了以存儲半導體、高端制造、計量智能終端為三大主營業務的發展戰略。公司存儲運營主體沛頓科技前身為金士頓中國封裝廠，技術水準領先，公司配備sDBG生產線，可將晶圓減薄至30um，同時掌握 8D/16D 芯片堆疊技術能力；產能充沛，以深圳、合肥半導體封測雙基地的模式運營，產能產量達到歷史最高水平，未來隨著下游客戶產能開出/先進封裝滲透率提升，公司存儲業務天花板打開。周期周期&成長成長&國產替代共振，存儲器市場迎來新一輪增長。

93、國產替代共振，存儲器市場迎來新一輪增長。存儲原廠積極減產帶動行情預期升溫，存儲行情正在加速筑底。由于三星、SK 海力士和美光三大 DRAM 原廠的減產步調更為統一，近期渠道部分 DDR 價格和內存條開始嘗試漲價，存儲市場目前處于一輪下行周期的尾聲，存儲市場 Q1 至暗時期已過。目前存儲芯片市場需求仍偏淡，但消費終端庫存有明顯改善，23Q2 市場或處于供需博弈階段的小幅調整磨底行情，跌價幅度有望進一步收斂。下半年傳統備貨旺季，疊加大廠 23Q1 減產生效，復蘇預期強烈。AI 時代時代 HBM 需求大漲，布局先進技術未來可期。需求大漲，布局先進技術未來可期。長期來看，以 AIGC 為代表的高算力應

94、用場景驅動存儲器容量顯著提升，同時亦催生了更高性能的新型存儲器的海量需求。HBM（高帶寬內存）突破了內存容量與帶寬瓶頸（SK 海力士第四代 HBM 產品接口傳輸速率達到 6.4Gbps，帶寬接近 1TB/s 節點），被視為新一代 DRAM 解決方案，成為 AI 時代不可或缺的關鍵技術。海外巨頭領銜，未來國內晶圓廠有望積極跟進，產業鏈配套全面升級。HBM 技術壁壘高，涉及硅通孔（TSV）、系統級封裝（SiP）等多項核心先進工藝，公司持續推進先進封裝技術的研發量產，包括 bumping 技術，FCBGA 技術，SSD 32D堆疊技術等目，未來有望在國產先進存儲封測產業發展中發揮重要作用。（八）（八

95、）江波龍江波龍：深耕存儲芯片領域，深耕存儲芯片領域，積極擁抱積極擁抱 AI 發展浪潮發展浪潮 國內存儲芯片領域先行者，國內存儲芯片領域先行者，布局完善布局完善。江波龍自 1999 年成立以來一直專注存儲產品業務，已形成嵌入式存儲、固態硬盤（SSD）、移動存儲及內存條四大產品線，能夠提供消費級、工規級、車規級存儲器以及業存儲軟硬件應用解決方案。目前公司擁有行業類存儲品牌 FORESEE 和國際高端消費類存儲品牌 Lexar(雷克沙)，旗下存儲器產品被廣泛應用于智能終端、物聯網、安防、工控、汽車以及個人移動存儲等領域。此外，公司也在持續推出行業領先的產品體系，公司 UFS 存儲器為高端智能手機提供

96、更高的傳輸速率，車規級 eMMC 已符合汽車電子行業核心標準體系 AEC-Q100，可實現-40-105的寬溫域作業。數據中心蓬勃發展，驅動存儲細分市場欣欣向數據中心蓬勃發展，驅動存儲細分市場欣欣向榮。榮。各大互聯網公司計劃自建數據中心以滿足未來海量數據存儲的需求。傳統企業上云進程的加快同樣推動了服務器和數據存儲市場的快速增長。據 TrendForce 數據，2023 年全球服務器出貨量預計達 1443 萬臺，AI服務器 20222026 年復合增長率有望達 10.8%，而 AI 服務器市場的增長將進一步擴大對于存儲器的需求，公司主營業務有望在未來幾年持續增長。由于構建一個由超級計算機組成的現

97、代 AI 工廠需要連接成大量帶有存儲芯片的小型機，企業級 SSD 市場規模將快速擴張，公司目前已發布了企業級規格的 SSD，分別為支持 PCIe 4.0 的 Longsys ORCA 4836 系列 NVMe SSD 與 Longsys UNCIA 3836 系列 SATA 3.2 SSD。自主研發能力不斷提升，持續迭代自主研發能力不斷提升，持續迭代夯實夯實技術儲備。技術儲備。公司目前已經具備全面自主可控固件的開發及持續創新能力，能夠自主完成 SiP 集成封裝設計，并通過自主研發、與第三方合作開發等多種方式研發了多項存儲芯片測試算法，形成行業領先的測試解決方案。與此同時，公司憑借長期的科技創新與技術積累，不斷開發并推出創新產品，持續改進存儲晶圓產品化過程中各個工藝環節的技術實現手段，縮短產品導入周期，提升產品性能和穩定性，確保先進半導體存儲器的供應安全，為下游各個電子信息細分產業提供可靠的存儲解決方案，躋身國內頂尖供應商行列。公司旗下 Lexar 品牌 SSD 出貨量位 列全球第七名。根據 Omdia(IHS Markit)數據，2020 年 Lexar 存儲卡全球市場份額位列第三名、Lexar 閃存盤全球市場份額位列第四名。展望未來，隨著公司研發實力的進一步提升，新產品加速落地/新客戶加速突破或可期待，公司有望步入業績增長快車道。