《AI算力行業深度研究報告：智算供給格局分化國產化進程有望加速-231204（24頁）.pdf》由會員分享，可在線閱讀，更多相關《AI算力行業深度研究報告：智算供給格局分化國產化進程有望加速-231204（24頁）.pdf（24頁珍藏版）》請在三個皮匠報告上搜索。

1、 y 計算機行業計算機行業 報告日期：報告日期：20232023 年年 1212 月月 0 04 4 日日 摘要：摘要：國產大模型發展方興未艾。大模型規模、數據量和數量的全面國產大模型發展方興未艾。大模型規模、數據量和數量的全面增長將持續拉動增長將持續拉動 AIAI 算力需求。算力需求。國內千億級參數規模大模型持續落地。2023 年 10 月，百度發布萬億參數級大模型文心一言 4.0，正式宣布對標 GPT-4。近兩年國產大模型數量呈爆發式增長態勢，僅 2023 年 1 到 7 月，國內大模型就新增 64 個，短期內增速有望維持。美國再收緊對華高端芯片出口標準，美國再收緊對華高端芯片出口標準，A

2、IAI 芯片國產化替代成為趨芯片國產化替代成為趨勢。勢。近年來，受國際局勢影響，國內廠商加快自研芯片速度。華為昇騰 AI 算力已經為至少 30 個國產大模型訓練提供算力支持，具備大規模商用能力。短期關注華為昇騰和昇思 MindSpore 產業鏈，長期關注國產芯片研發的突破性進展。算力租賃業務模式逐漸清晰，預期強需求下定價將大幅上漲。算力租賃業務模式逐漸清晰，預期強需求下定價將大幅上漲。隨著美國對華高端芯片禁令進一步收緊，較早布局 AI 算力租賃的廠商容易形成資源優勢，估算行業成本回收周期約為 17 個月。算力租賃業務的商業化路徑逐漸明晰，加之近期行業頻釋放提價信號，算力租賃利潤空間將進一步增長

3、。長期關注芯片性能和算力資源調配效率提升。長期關注芯片性能和算力資源調配效率提升。一方面，Chiplet技術有望打破芯片的物理極限，延續、甚至提高摩爾定律中提出的芯片性能增長速度。另一方面，AI 算力資源上云有望從資源配置靈活性方面提升算力供給效率。建議關注：建議關注：1 1）開展算力服務的廠商：）開展算力服務的廠商：中貝通信、蓮花健康、恒潤股份、匯納科技、鴻博股份；2 2）具備國產芯片）具備國產芯片 IPIP 設計能力設計能力的廠商：的廠商：寒武紀、海光信息、芯原股份；3 3）具備云服務能力的）具備云服務能力的廠商：廠商：中科曙光、浪潮信息、紫光股份、神州數碼；4 4）芯片封）芯片封測廠商：

4、測廠商：長電科技、通富微電、華天科技。風險提示：風險提示：國際緊張局勢加??；國產大模型發展不及預期；國產芯片技術突破速度不及預期；臺積電產能恢復不及預期；數據估算風險。華龍證券研究所華龍證券研究所 投資投資評級：評級：推薦推薦（首次覆蓋）（首次覆蓋）最近一年走勢最近一年走勢 研究員：孫伯文 執業證書編號：S0230523080004 郵箱： 相關閱讀相關閱讀 請認真閱讀文后免責條款請認真閱讀文后免責條款-20%0%20%40%60%80%100%2022-12-022023-02-172023-04-282023-07-072023-09-152023-12-01滬深300AI算力指數證券研究

5、報告證券研究報告 智算供給格局分化，國產化進程有望加速智算供給格局分化，國產化進程有望加速 AIAI 算力行業深度研究報告算力行業深度研究報告 行業行業研究報告研究報告 內容目內容目錄錄 1 1 大模型浪潮推動作用下，算力需求缺口將持續擴大大模型浪潮推動作用下，算力需求缺口將持續擴大 .1 1 1.1 大模型發展對算力需求的推動作用.1 1.1.1 國外大模型的發展.1 1.1.2 國內大模型的發展.3 1.2 國產大模型 AI 算力需求測算.5 1.2.1 通用大模型 AI 算力需求測算.6 1.2.2 行業大模型 AI 算力需求測算.7 1.3 AI 算力供給方面：高端芯片進口受限，國產替

6、代為大勢所趨.10 1.3.1 國際形勢：美國進一步收緊芯片對華出口標準.10 1.3.2 AI 芯片國產化替代.11 1.3.3 AI 芯片產能：臺積電產能復蘇伴隨訂單激增，供不應求情況仍將持續.12 2 AI2 AI 算力租賃行業的內在價值算力租賃行業的內在價值 .1212 2.1 AI 算力租賃對下游公司：帶來成本和時間優勢.12 2.2 對具備算力資源的公司：算力租賃可為公司帶來第二業務增長線.13 2.2.1 AI 算力租賃成本回收周期測算.13 3 AI3 AI 算力未來發展方向算力未來發展方向增質提效增質提效 .1414 3.1 以云網融合為前提，算力調度成為提高資源配置效率的核

7、心.14 3.2 芯片數據傳輸效率:關注 Chiplet 技術和芯片互聯技術.15 3.2.1 Chiplet 技術.15 3.2.2 芯片互聯技術.16 4 4 重點關注公司重點關注公司 .1616 4.1 寒武紀-U（688256.SH）.16 4.2 中貝通信（603220.SH）.17 5 5 風險提示風險提示 .1919 uZkYaXqUgXpW8VuWpZkX7NcMaQtRrRoMtQeRoPpNkPmMoQbRmNsQwMqRuMvPsOmP行業行業研究報告研究報告 圖目錄圖目錄 圖 1：2018 年海外大模型發布數量.1 圖 2：2017-2023 年海外大模型參數量演進情況

8、.2 圖 3：國內大模型發布數量.3 圖 4：國產通用大模型與行業大模型分布.4 圖 5：國內部分垂類大模型應用.4 圖 6：國內通用與垂類大模型比例.4 圖 7：華為盤古大模型層級分布.5 圖 8：基于華為昇思 MindSpore 的醫藥垂類大模型-鵬程神農.8 圖 9：Megatron 框架下大模型訓練規模和算力利用率.9 圖 10：美國 2023 年 10 月 18 日高端芯片出口禁令標準.10 圖 11：寒武紀思元 370 芯片.16 圖 12：2020-2025 年寒武紀營業收入及增長率.17 圖 13：2020-2025 年寒武紀歸母凈利潤及增長率.17 圖 14：2020-202

9、5 年寒武紀 ROE(攤薄).17 圖 15：2020-2025 年中貝通信營業收入及增長率.19 圖 16：2020-2025 年中貝通信營業歸母凈利潤及增長率.19 圖 17：2020-2025 年中貝通信 ROE(攤薄).19 圖 18：2020-2025 年中貝通信 PE.19 表目錄表目錄 表 1：部分國內外公開數據的通用大模型訓練計算量和規模對比.6 表 2：2023 年國產通用大模型訓練側算力需求測算.7 表 3：2023 年國產通用大模型推理側算力需求測算.7 表 4：2023 年國產垂類大模型算力需求測算.9 表 5：國內主流 AI 芯片性能參數對比.11 表 6：算力租賃行

10、業成本回收周期測算（以 H800 服務器為租賃產品）.14 表 7：中貝通信算力租賃業務的成本回收期估算.18 請認真閱讀文后免責條款 1 1 1 大模型浪潮推動作用下，算力需求缺口將持續大模型浪潮推動作用下，算力需求缺口將持續擴大擴大 1.11.1 大模型發展對算力需求的推動作用大模型發展對算力需求的推動作用 大模型的訓練效果、成本和時間與算力資源有密切的關系。大模型發展浪潮有望進一步增加 AI 行業對智算算力的需求規模。1.1.11.1.1 國外大模型的發展國外大模型的發展 大模型數量加速增長，算力成為模型競賽底座。大模型數量加速增長，算力成為模型競賽底座。自2018 年以來，海外云廠商巨

11、頭接連發布 NLP 大模型。據賽迪顧問 2023 年 7 月發布的數據顯示，海外大模型發布數量逐年上升，年發布數量在五年中由 2 個增長至48 個。且僅 2023 年 1-7 月就發布了 31 個大模型。自 2021 年起，海外大模型數量呈現加速增長的趨勢，結合 2023 年 1-7 月的情況，該趨勢有望延續。圖圖 1 1：20182018 年海外大模型發布數量年海外大模型發布數量 資料資料來源：賽迪顧問，華龍證券研究所來源：賽迪顧問，華龍證券研究所 2017-2023 年，從各公司發布的公開信息來看，大年，從各公司發布的公開信息來看，大模型在模型在7年的時間里實現參數量從千萬到萬億級的指數年

12、的時間里實現參數量從千萬到萬億級的指數型增長。型增長。2017 年，谷歌團隊提出 Transformer 架構，奠定251438483101020304050602018年2019年2020年2021年2022年2023年1-7月大模型數量（個）行業行業研究報告研究報告 請認真閱讀文后免責條款 2 了當前大模型領域主流的算法架構基礎。2018 年 6 月，OpenAI 發布了 Transformer 模型GPT-1，訓練參數量 1.2 億。同年 10 月，谷歌發布了大規模預訓練語言模型 BERT，參數量超過 3 億。2019 年，OpenAI 推出 15 億參數的 GPT-2。2019年 9

13、月，英偉達推出了 83 億參數的 Megatron-LM。同年，谷歌推出了 110 億參數的 T5，微軟推出了 170 億參數的圖靈 Turing-NLG。2020 年，OpenAI推出了大語言訓練模型 GPT-3，參數達到 1750 億。微軟和英偉達在同年 10 月聯合發布了 5300 億參數的 Megatron-Turing 大模型。2021 年 1 月，谷歌推出 Switch Transformer 模型，參數量達到 1.6 萬億，大模型參數量首次突破萬億。2022 年，OpenAI 推出基于 GPT-3.5 大模型的ChatGPT，宣告了 GPT-3.5 版本的存在。2023 年，Op

14、enAI 推出 GPT-4，估計參數規模達到1.8 萬億。圖圖 2 2：20172017-20232023 年海外大模型參數量演進情況年海外大模型參數量演進情況 資料資料來源：來源：Attention Is All You Attention Is All You NeedNeed等論文，中國信通院，華龍證券研究所等論文，中國信通院，華龍證券研究所 GPU 數量與不同量級大模型所需的算力之間的線數量與不同量級大模型所需的算力之間的線性關系。性關系。根據 2021 年 8 月 Deepak Narayanan 等人發布的論文，隨著模型參數增加，大模型訓練需要的總浮點數與 GPU 數量呈現正相關的

15、線性關系。175B 參數量級的大模型所需的 A100 級別芯片數量為 1024 片（Token數為 300B,訓練 34 天情況下）。當參數增長到 1T 時，大模型訓練所需的 A100 芯片數量為 3072 片（Token 數為 450B，訓練 84 天情況下）。加大成本投入，海外大模型訓練周期有望進一步縮加大成本投入，海外大模型訓練周期有望進一步縮0.12 0.34 1.5 8.3 11 17 175 530 600 1,600 1,800 05001,0001,5002,000GPT-1BERTGPT-2Megatron-LMT5T-LNGGPT-3Megatron-TuringGshar

16、dSwitch-TransformerGPT-4模型參數量（十億）行業行業研究報告研究報告 請認真閱讀文后免責條款 3 短。短。從 2020 年 6 月 OpenAI 發布首個千億參數量級大模型 GPT-3 到 2021 年 1 月谷歌推出首個萬億參數量級的Switch Transformer 模型，大模型實現參數量級從千億到萬億的跨越只用了不到一年。隨著海外大廠商加大對大模型訓練的成本投入，預計大模型發布周期將進一步縮短。在商業邏輯上，大模型發布數量指數型增長，意味著市場競爭越來越激烈。廠商更愿意通過使用高性能的芯片縮短大模型訓練時間，使大模型更早投入應用為公司帶來業務增長。因此，芯片性能的

17、提高并不會削弱廠商對芯片數量的需求意愿。1.1.21.1.2 國內大模型的發展國內大模型的發展 數量增長情況與海外類似，短期內呈現密集發布的數量增長情況與海外類似，短期內呈現密集發布的特點。特點。自 2019 年至 2023 年 7 月底，國內累計發布 130個大模型，2023 年 1-7 月國內共有 64 個大模型發布，大模型發布數量呈現加速增長趨勢。數量增長趨勢與海外情況一致，我國大模型研發起步較晚，隨著在大模型領域布局的廠商數量快速增加，大模型發布周期逐步縮短，預期未來兩到三年內國產大模型數量將呈現爆發式增長局面。圖圖 3 3：國內大模型發布數量：國內大模型發布數量 資料資料來源：賽迪顧

18、問，華龍證券研究所來源：賽迪顧問，華龍證券研究所 巨頭引領，千億級參數規模大模型陸續落地。巨頭引領，千億級參數規模大模型陸續落地。2023年 3 月，百度發布文心一言 1.0；同年 4 月，阿里發布通義千問大模型、商湯科技發布日日新大模型體系；同年 5 月，科大訊飛發布星火大模型；同年 7 月，華為發布面向行業的盤古大模型 3.0，千億級參數規模大模型密集發布。2023 年 10 月，隨著百度發布萬億級參數大模型文心一言 4.0，國產大模型或將具備對標 GPT-4 性能的能力。按類型劃分，大模型分為行業大模型和通用大模型。按類型劃分，大模型分為行業大模型和通用大模型。1231326401020

19、30405060702019年2020年2021年2022年2023年1-7月大模型數量（個）行業行業研究報告研究報告 請認真閱讀文后免責條款 4 據賽迪顧問于據賽迪顧問于 2023 年年 7 月統計的數據顯示，我國通用月統計的數據顯示，我國通用大模型和行業大模型占比分別為大模型和行業大模型占比分別為 40%和和 60%。行業大模型分布較多的領域為商業（14 個）、金融（13 個）、醫療（10 個）、工業（7 個）、教育（6 個）和科研（6個）。研究顯示，通用大模型在行業領域及行業細分場景的表現一般。但行業模型可以在通用模型的基礎上通過行業數據庫進一步訓練出來。圖圖 4 4：國產通用大模型與行

20、業大模型分布：國產通用大模型與行業大模型分布 資料資料來源：賽迪顧問，華龍證券研究所來源：賽迪顧問，華龍證券研究所 圖圖 5 5：國內部分垂類大模型應用：國內部分垂類大模型應用 圖圖 6 6：國內通用與垂類大模型比例：國內通用與垂類大模型比例 資料資料來源：中國日報，京報網，中國網科技，來源：中國日報，京報網，中國網科技，各公司官網，華龍證券研究所各公司官網，華龍證券研究所 資料資料來源：賽迪顧問，華龍證券研究所來源：賽迪顧問，華龍證券研究所 大模型應用向細分場景下沉大模型應用向細分場景下沉。華為發布的盤古大模型實際分為 L0（基礎大模型）L1（行業大模型）L2（場景模型）三個層級。采取 5+

21、N+X 模式，即 5 個基礎大模型、N 個行業大模型和 X 個細分場景應用模型。目前行業模型主要應用于礦山、政務、氣象、汽車、醫學、數字人和研發共七大領域，覆蓋 14 個細分場景。這種這種211171613644611442211031405101520253035404550發布數量（個）60%40%通用大模型垂類大模型 行業行業研究報告研究報告 請認真閱讀文后免責條款 5 通過基礎大模型通過基礎大模型+行業大模型實現大模型商業化落地的行業大模型實現大模型商業化落地的模式已經逐漸得到驗證，未來行業大模型有望帶動大模模式已經逐漸得到驗證，未來行業大模型有望帶動大模型本地化部署熱潮，在解決行業長

22、尾問題上將發揮更大型本地化部署熱潮，在解決行業長尾問題上將發揮更大優勢并成為打通大模型“最后一公里”的橋梁。優勢并成為打通大模型“最后一公里”的橋梁。圖圖 7 7：華為盤古大模型層級分布：華為盤古大模型層級分布 資料資料來源：華為官網，華龍證券研究所來源：華為官網，華龍證券研究所 1.21.2 國產大模型國產大模型 AIAI 算力需求測算算力需求測算 大模型算力需求測算方法：大模型算力需求測算方法：根據 2023 年 8 月騰訊公布的大模型算力評估通用方法，在大模型訓練過程中，訓練側算力需求可量化表達為：訓練所需浮點運算量（FLOPs）=6參數量Training Tokens 若訓練中使用激活

23、重計算技術，則對應算力需求可量化表達為：訓練所需浮點運算量（FLOPs）=8參數量Training Tokens 同時，在大模型推理過程中的算力需求可量化表達為：推理側所需浮點運算量（FLOPs）=2參數量Prompt Tokens 由于激活重計算技術是可選的，因此假設在訓練中沒有選擇使用激活重計算技術，按照以上計算方法可得：訓 練 GPT-3 量 級 的大 模 型 算 力 需 求 估算 為3.15E+23 FLOPs；訓練 GPT-4 量級的大模型算力估算為 2.15E+25 FLOPs，由于 GPT-4 采用了混合專家（MoE）模型，實際訓練調用參數量按約 2770 億計算。行業行業研究報

24、告研究報告 請認真閱讀文后免責條款 6 表表 1 1：部分國內外公開數據的通用大模型訓練計算量和規模對比：部分國內外公開數據的通用大模型訓練計算量和規模對比 名稱名稱 發布時間發布時間 發布方發布方 模型規模模型規模 （參數量）（參數量）估計訓練數估計訓練數據量據量(TOKENS)(TOKENS)估計訓練計算量估計訓練計算量（FLOPs)FLOPs)Baichuan2 2023 年 10 月 百川智能 7B、13B 2600B 1.092E+23、2.028E+23 Llama 2 2023 年 7 月 Meta 7B、13B、34B、70B 2000B 8.4E+22-8.4E+23 書生浦

25、語 2023 年 6 月 商湯等 104B 1600B 9.98E+23 GPT-4 2023 年 3 月 OpenAI 1800B 1300B 2.15E+25 GLM-130B 2022 年 10 月 清華大學、智譜 AI 130B 400B 3.12E+23 GPT-3 2020 年 6 月 OpenAI 175B 300B 3.15E+23 資料資料來源：來源：Llama 2:Open Foundation and Fine-Tuned Chat Models等論文，等論文，商湯科商湯科技技，中國信通院，中國信通院，華龍證券研究所，華龍證券研究所 1.2.11.2.1 通用大模型通用大

26、模型 AIAI 算力需求測算算力需求測算 訓練側：訓練側：2023 年 10 月，百度發布文心一言 4.0 大模型。據百度公開的信息，該大模型在綜合水平上可以對標GPT-4。樂觀預期下，2023 年內，國內頭部互聯網廠商中，百度能夠訓練出 GPT-4 量級的大模型。且假設阿里、騰訊、字節跳動、商湯、科大訊飛、浪潮、華為這 7 家廠商能夠訓練出 GPT-3 量級的大模型。參考 2023 年上半年國產大模型發布數量情況，預估到 2023 年年底，國內大模型發布數量可達約 200 個，年內新增約 134 個，其中通用大模型新增約 80 個。除頭部大廠商外，其他廠商和科研機構發布的通用大模型數量估計為

27、 72 個，參數在百億至千億之間，保守估計平均參數量級為 500 億。由此計算，由此計算，2023 年年內國產通用大模型訓練側算力年年內國產通用大模型訓練側算力需求為需求為 3.03E+25 FLOPs。行業行業研究報告研究報告 請認真閱讀文后免責條款 7 表表 2 2：20232023 年國產通用大模型訓練側算力需求測算年國產通用大模型訓練側算力需求測算 大模型量級大模型量級 單模型所需單模型所需算力（算力（FLOPsFLOPs）數量（個）數量（個）各量級大模型總算力需求各量級大模型總算力需求（FLOPsFLOPs）其他量級 9E+22 72 6.48E+24 GPT-3 量級 3.15E+

28、23 7 2.2E+24 GPT-4 量級 2.16E+25 1 2.16E+25 訓練側總算力需求訓練側總算力需求（FLOPs)FLOPs)3.03E+25 資料資料來源：華龍證券研究所來源：華龍證券研究所 推理側：推理側：推理側的算力需求需要在用戶的訪問峰值情境下計算。通常情況下，訪問時間中，80%的訪問量都集中在 20%的訪問時間里。以 GPT-4 為基準，按日訪問量 2 億（次），每個用戶占用 Tokens 數 80 計算，單模型推理算力需求為4.10E+17 FLOPs。以 GPT-3 為基準，按日訪問量 1 億（次），每個用戶占用 Tokens 數 80 計算，單模型推理算力需求為

29、1.30E+17 FLOPs。以 500 億參數大模型為基準，按日訪問量 5000 萬（次），每個用戶占用 Tokens 數 80 計算，單模型推理算力需求為 1.85E+16 FLOPs。結合各參數基準下的大模型數量，結合各參數基準下的大模型數量，2023 年國產通用年國產通用大模型推理側算力需求預估為大模型推理側算力需求預估為 2.65E+18 FLOPs。表表 3 3：20232023 年國產通用大模型推理側算力需求測算年國產通用大模型推理側算力需求測算 大模型量級大模型量級 單模算力需單模算力需求（求（FLOPsFLOPs）數量（個）數量（個）各量級大模型算力需求各量級大模型算力需求（

30、FLOPsFLOPs）GPT-4 量級 4.10E+17 1 4.10E+17 GPT-3 量級 1.30E+17 7 9.07E+17 其他量級 1.85E+16 72 1.33E+18 推理側總算力需求推理側總算力需求（FLOPsFLOPs）2.65E+18 資料資料來源：華龍證券研究所來源：華龍證券研究所 由此，由此，2023 年國產通用大模型訓練和推理側的算力年國產通用大模型訓練和推理側的算力需求總和為需求總和為 3.03E+25 FLOPs。1.2.21.2.2 行業大模型行業大模型 AIAI 算力需求測算算力需求測算 行業行業研究報告研究報告 請認真閱讀文后免責條款 8 我國垂類大

31、模型主要分布在遙感、生物制藥、氣象、軌道交通、代碼生成/編輯、金融等領域。未來垂類大模型數量有望隨著其在各行業細分場景的滲透上升而加速增長。華為已經在算力和軟硬件方面，為多個國產垂類大模型的訓練提供支持。在醫療方面，華為和醫渡科技于 2023 年 9 月在華為全聯接大會上聯合發布醫療垂類領域大模型訓推一體機。該一體機由昇騰 AI 提供算力支持，內置醫渡科技研發的醫療垂類大模型，目標是幫助醫院、機構等醫療場所實現大模型私有化。在遙感方面，2022 年 8 月，中科院推出了“空天靈眸”遙感預訓練大模型。該大模型基于華為昇騰 AI 澎湃算力和MindSpore 訓練而成，有望在中科星圖的線下業務中，

32、通過 AI 賦能公司的數字化產品?？偨Y近年來國內大模型商業化落地的過程和效果總結近年來國內大模型商業化落地的過程和效果可以得出，商業化的一般路徑為：廠商基于通用大模型可以得出，商業化的一般路徑為：廠商基于通用大模型訓練行業垂類大模型，再通過定制化服務為企業提供所訓練行業垂類大模型，再通過定制化服務為企業提供所處行業的細分場景處行業的細分場景 AI 解決方案。解決方案。從垂類大模型數量上看，截至從垂類大模型數量上看，截至 2023 年上半年，垂年上半年，垂類大模型占國產大模型的類大模型占國產大模型的 40%，預計，預計 2023 年新增量為年新增量為54 個。個。圖圖 8 8：基于華為昇思基于華

33、為昇思 MindSporeMindSpore 的醫藥垂類大模型的醫藥垂類大模型-鵬程神農鵬程神農 資料資料來源：來源：MindSpore 官網，華龍證券研究所官網，華龍證券研究所 垂類大模型訓練側算力需求測算：垂類大模型訓練側算力需求測算：2023 年國內發布的垂類大模型參數量在百億-千億量級范圍內，按平均 500 億參數和5,000 億Tokens 估算，訓練側總算力需求為 8.1E+24 FLOPs。垂類大模型推理側算力需求測算：垂類大模型推理側算力需求測算：按日訪問量 3000 萬（次），每個用戶占用 Tokens數 80 計算，2023 年國產垂類大模型推理側算力需求為6E+17 FL

34、OPs。行業行業研究報告研究報告 請認真閱讀文后免責條款 9 由此，由此，2023 年國內發布的垂類大模型訓練側和推理年國內發布的垂類大模型訓練側和推理側總算力需求為側總算力需求為 8.1E+24 FLOPs。表表 4 4：20232023 年國產垂類大模型算力需求測算年國產垂類大模型算力需求測算 訓練側算力需求（訓練側算力需求（FLOPsFLOPs）推理側算力需求（推理側算力需求（FLOPsFLOPs）單模算力需求 1.5E+23 單模算力需求 1.11E+16 數量 54 數量 54 訓練總算力需求 8.1E+24 推理總算力需求 6E+17 垂類大模型總算力需求（垂類大模型總算力需求（F

35、LOPsFLOPs）8.1E+24 資料資料來源：華龍證券研究所來源：華龍證券研究所 綜上，根據我們對國產通用大模型和垂類大模型的綜上，根據我們對國產通用大模型和垂類大模型的算力需求測算，預計算力需求測算，預計 2023 年國產大模型總算力需求為年國產大模型總算力需求為3.84E+25 FLOPs。AI 芯片需求芯片需求大模型算力需求具象表現。大模型算力需求具象表現。據英偉達 2023 年 5 月的研究數據所示，訓練 GPT-3 的 GPU數量隨著模型規模的增長而增加，同時 GPU 的利用效率從 44%提升到了 52%，說明 GPU 的利用率存在較大的限制。因此在大模型算力需求細化到 GPU

36、數量需求上時，需考慮 GPU 在模型訓練時的實際每秒浮點吞吐量。按 44.8%的 GPU 利用率來計算（GPT-3 訓練用 A100的實際利用率），A100 在 FP16 精度下的算力約為140TFLOPS。圖圖 9 9：MegatronMegatron 框架下大模型訓練規模和算力利用率框架下大模型訓練規模和算力利用率 資料資料來源：來源：NVIDIANVIDIA，華龍證券研究所，華龍證券研究所 隨著模型參數量增加，GPU 實際利用率會相應有所提升，因此以大模型訓練周期 60-90 天、GPU 效率 50%計算，2023 年國內大模型訓練和推理一共約需要31,648-47,472 塊 A100

37、 級別芯片。根據以上結論，結合芯片性能和深度學習時代的算根據以上結論，結合芯片性能和深度學習時代的算32641282565121024153619022520307244%44%46%43%44%45%47%50%52%52%0%10%20%30%40%50%60%05001000150020002500300035001.7B3.6B7.5B18.4B39.1B76.1B145.6B310.1B529.6B1008B模型參數量（B:十億）GPU數量（個）實際每秒浮點吞吐量占理論峰值的百分比 行業行業研究報告研究報告 請認真閱讀文后免責條款 10 力需求增速情況，力需求增速情況，2025 年大

38、模型帶來的算力需求估算如年大模型帶來的算力需求估算如下：下：芯片性能方面，按摩爾定律所述，芯片算力每 18個月性能會提升一倍。根據 OpenAI 的測算，在深度學習快速發展的 2012年之后，訓練大模型的算力需求約每 3.4 個月翻一倍。近年來，從2020年6月GPT-3發布到2023年3月GPT-4發布，大模型計算量增長約 7 倍。未來大模型計算量增速可能受限于成本和硬件效率，因此估計未來兩年，即到 2025 年，訓練大模型所需的算力需求增速范圍約為 5倍到 133 倍。對比摩爾定律中芯片算力的增速，訓練訓練大大模型帶來的算力需求增長速度預估遠大于算力性能的模型帶來的算力需求增長速度預估遠大

39、于算力性能的增長速度。增長速度。1.3 AI1.3 AI 算力供給方面：高端芯片進口受限，國產替代算力供給方面：高端芯片進口受限，國產替代為大勢所趨為大勢所趨 1.3.11.3.1 國際形勢：美國進一步收緊芯片對華出口標準國際形勢：美國進一步收緊芯片對華出口標準 2023 年 10 月 18 日，美國發布新禁令提出對高端芯片出口限制標準，從原來對單芯片算力(TTP)的關注向“性能密度閾值”(PD)轉移，首次提出對小型高性能芯片的出口限制。意在防范 Chiplet 技術對芯片性能利用率的提升效果。圖圖 1010：美國美國 20232023 年年 1010 月月 1818 日高端芯片出口禁令標準日

40、高端芯片出口禁令標準 資料資料來源：來源：BISBIS 官網，華龍證券研究所官網，華龍證券研究所 行業行業研究報告研究報告 請認真閱讀文后免責條款 11 1.3.2 AI1.3.2 AI 芯片國產化替代芯片國產化替代 智算規模計劃穩步提升，以長足發展為目標。智算規模計劃穩步提升，以長足發展為目標。根據10 月 8 日，工業和信息化部等六部門聯合印發的算力基礎設施高質量發展行動計劃，我國算力發展的主要目標是：到 2023 年，智算規模達到 5.5 E+19 FLOPS。到 2025 年，算力規模超過 300 EFLOPS，智能算力占比達到 35%，將超過 1.05 E+20 FLOPS。按照計劃

41、指標，按照計劃指標，國內智算供給與實際需求差距較大。國內智算供給與實際需求差距較大。國產國產 AI 芯片短期看好華為，長期關注各廠商研發芯片短期看好華為，長期關注各廠商研發進度。進度。按本次美國禁售芯片的性能標準，市面上主流國產芯片中只有少數能夠對標美國禁售的 A100/A800 等芯片。國產芯片替代化道路還處于起步階段，距離在大國產芯片替代化道路還處于起步階段，距離在大模型訓練中大規模使用仍有一段距離。模型訓練中大規模使用仍有一段距離。一方面，在芯片IP 設計之后，廠商需要根據芯片在大規模生態中應用的實際效果對算子做出調整，不斷做出優化以使芯片達到實際應用級別。另一方面，在芯片量產的過程中還

42、需考慮芯片代工廠商的制造工藝、交貨周期和定價等等。目前華為發布的昇騰910與英偉達A100/A800性能較為接近，且經過大模型自用和調整，已經具備了大規模商業化應用的條件。截至 2023 年 5 月，基于昇騰算力的華為昇騰 AI基礎軟硬件平臺已孵化和適配了 30 多個主流大模型。隨著更多國內廠商宣布進入芯片自研領域和發隨著更多國內廠商宣布進入芯片自研領域和發布自研芯片，如百度、騰訊等，未來將持續看好國產芯布自研芯片，如百度、騰訊等，未來將持續看好國產芯片領域。片領域。表表 5 5：國內主流：國內主流 AIAI 芯片性能參數對比芯片性能參數對比 公司公司 產品型號產品型號 精度精度 算力算力 制

43、程制程 生產商生產商 理論對標英理論對標英偉達產品偉達產品 華為 昇騰 910-英偉達A100/A800 昇騰 310 FP16 8TOPS 12nm-壁仞 BR-100 FP16 1000TFLOPS 7nm 臺積電 寒武紀 思元 590-英偉達A100/A800 思元 370 INT8 256TOPS 7nm-百度 昆侖芯 2 代 FP16 128TFLOPS 7nm-昆侖芯 3 代-4nm(計劃)-阿里 含光 800 INT8 825TOPS 12nm 臺積電 海光 深算二號-資料資料來源：來源：各公司官網各公司官網、財聯社、中國財聯社、中國網、華龍證券研究所網、華龍證券研究所 行業行業

44、研究報告研究報告 請認真閱讀文后免責條款 12 1.3.3 AI1.3.3 AI 芯片產能：臺積電產能復蘇伴隨訂單激增，芯片產能：臺積電產能復蘇伴隨訂單激增，供不應求情況仍將持續供不應求情況仍將持續 短期內臺積電的芯片制造工藝難有替代。短期內臺積電的芯片制造工藝難有替代。目前臺積電依靠 2.5D、3D 等適用于高端芯片的先進封裝技術，在芯片制造行業仍然處于壟斷地位。其他代工廠商，如三星、格芯等，所占市場份額較少。為提高良率、降低成本、提高芯片制造的精度，目前各芯片 IP 廠商在芯片量產環節廣泛依賴臺積電。臺積電產能復蘇，同時英偉達等大客戶訂單激增。臺積電產能復蘇，同時英偉達等大客戶訂單激增。2

45、023 年 10 月，臺積電的產能利用率釋放回暖信號，目前 7/6nm 產線利用率從 40%恢復到 60%，到年底預估可以達到 70%。另外，5/4nm 產線利用率為 75-80%。預計臺積電明年的 CoWoS（即 2.5D、3D 封裝技術）月產能將同比增長 120%。與此同時，國外大廠商也在大量追加訂單。在英偉達 10 月份確定擴大下單后，蘋果、超威、博通、邁威爾等重量級客戶近期也開始向臺積電追單。加上國內四大廠商到 2024 年共計 50 億美元的芯片訂單，臺積電大客戶訂單量全面激增。雖然在臺積電在明年計劃將 7nm以下芯片代工定價提高 3-6%，但英偉達、微軟等大客戶對定價接受度比較高，

46、側面表現出大廠商對臺積電代工的依賴程度比較大。因此短期內訂單量仍有保持增速的趨勢，且考慮到臺積電出貨周期拉長以及產能恢復周期的情況，短期內可能出現大量訂單積壓的現象。2 2 AIAI 算力租賃行業的內在價值算力租賃行業的內在價值 具有大模型訓練需求的廠商，按算力付費方式，可分為自建算力的重資產模式和租賃算力的輕資產模式。2.1 AI2.1 AI 算力租賃對下游公司：帶來成本和時間優勢算力租賃對下游公司：帶來成本和時間優勢 對下游公司來說，在大模型訓練方面，自建算力成本過高，且自建算力對設備的運維能力要求很高。這就意味著自建算力的公司除了支付購買硬件設備的高額成本之外還需要支付運維成本，組建運維

47、團隊以及付出額外的時間成本。目前市場上購買硬件設備及安裝調試的時間過長（1-2 年），過長的設備等待時間會導致大模型訓練速度和數量落后于行業整體水平。另一方面，行業行業研究報告研究報告 請認真閱讀文后免責條款 13 能夠通過自建算力形成規模效應的大廠商較少，小型廠商既有算力需求又難以通過自建算力的方式形成規模效應。這類小型廠商的算力需求使擁有算力資源的公司從業務中分化出算力租賃這一新的業務模式。2.22.2 對具備算力資源的公司：算力租賃可為公司帶來第對具備算力資源的公司：算力租賃可為公司帶來第二業務增長線二業務增長線 2.2.1 AI2.2.1 AI 算力租賃成本回收周期測算算力租賃成本回收

48、周期測算 算力租賃業務模式近年來在國外頭部云廠商中已算力租賃業務模式近年來在國外頭部云廠商中已經得到驗證。經得到驗證。國內具備 AI 算力資源的公司可以分為三類。一類是傳統云計算服務提供商，如三大運營商、阿里、騰訊等。一類是具備 IDC 建設運營能力的企業，如云賽智能、中科曙光（海光信息）、中貝通信等。以及跨界廠商，如恒潤股份、蓮花健康等。國內算力租賃目前的定價方式分為兩種，一種按單臺設備定價、一種按每 P 算力定價。國 內 市 場 上 用 于 算 力 租 賃 的 服 務 器 主 要 有A100/A800/H800 等型號。本報告中以英偉達 H800 服務器（8 卡）為例測算短期算力租賃成本回

49、收周期。按恒潤股份披露的采購公告，英偉達 H800 服務器的采購價格為228萬元每臺。每臺服務器搭載8塊GPU，算力約為 16P。按鴻博股份 2023 年披露數據顯示，該公司 H 系列服務器刊例價格為 29.9 萬/月/臺，與其他同行業同類型服務的租金基本持平，或價差浮動不超過 5%。參考阿里云年租定價折扣（年租約 5 折），同時考慮到租金浮動因素，因此市場面上的租賃均價按因此市場面上的租賃均價按 12 萬元萬元/P/年計算。年計算。國內廠商平均算力租賃成本回收周期按以下公式計算（以 H800 為主要租賃服務器）：年租賃收入（萬元）=服務器算力（P）年租金（萬元/P）年費用支出(萬元)=人工/

50、管理/銷售費用(萬元)+修理費用(萬元)+機柜租賃費用(萬元)+寬帶費用(萬元)總設備投入成本（萬元）=服務器購買合同價格（萬元）行業行業研究報告研究報告 請認真閱讀文后免責條款 14 算力租賃成本回收周期算力租賃成本回收周期(月月)=總設備投入成本（萬元）總設備投入成本（萬元）年租賃收入年租賃收入(萬元萬元)年費用支出年費用支出(萬元萬元)假設廠商出租 H800 服務器的算力租賃利用率為100%，未來市場上租金價格較為穩定且 H800 服務器的折舊年限為 5 年（無殘值）。則當前以則當前以 H800 服務器作為租賃產品的廠商成本回服務器作為租賃產品的廠商成本回收周期約為收周期約為 17 個月

51、。個月。實際上，中貝通信算力租賃價格已有上漲趨勢。2023 年 11 月，匯納科技也釋放出大幅提價信號，擬將 A100 服務器的算力服務價格提高 100%。預期國內廠商未來的算力租賃定價受強需求影響將有普遍上漲的趨勢，整體算力租賃成本回收周期將進一步縮短。表表 6 6：算力租賃行業成本回收周期測算（以：算力租賃行業成本回收周期測算（以 H800H800 服務器為租賃產品）服務器為租賃產品）租賃現金流入租賃現金流入/流出項流出項 H800H800 市場價（萬元/臺）228 租賃設備投資額（萬元）228 算力（P）16 租賃價格（萬/p/年）12 租賃收入（萬元）192 人工/管理/銷售費用（萬元

52、）22.80 機柜租賃費用（萬元）2.98 寬帶費用（萬元）1.20 修理費用（萬元）1.1 總費用（萬元）38.38 成本回收周期（月）16.70 注：1.人工/管理/銷售費用：按 10%的投資額計算 2.機柜租賃費用：按一個機柜（平均 6KW）功率，月租費用為 9，545 元 3.寬帶費用：按約 1000 臺服務器所用費用均攤計算 4.修理費用：按 0.5%的投資額計算 資料資料來源：華龍證券研究所來源：華龍證券研究所 3 3 AIAI 算力未來發展方向算力未來發展方向增質提效增質提效 3.13.1 以云網融合為前提，算力調度成為提高資源配置效以云網融合為前提，算力調度成為提高資源配置效率

53、的核心率的核心 行業行業研究報告研究報告 請認真閱讀文后免責條款 15 算力資源緊缺使算力供給加速進入到共享時代。算力資源緊缺使算力供給加速進入到共享時代。對有算力需求的公司，租用云端算力可以大幅度降低硬件成本，提高對成本的控制能力。另一方面，算力上云也為算力調度奠定了基礎。有效的算力調度能夠使算力資源能夠得到精準管理，分時復用，從而解決算力閑置問題。近兩年，我國已著力在算力資源調度方面布局。2022年 2 月，我國“東數西算”工程正式啟動，旨在通過構建數據中心、云計算、大數據一體化的新型算力網絡體系，解決東西部算力供需不匹配的問題。2023 年 6 月，全國一體化算力算網調度平臺發布，該平臺

54、是我國首個實現多元異構算力調度的全國性平臺，有望成為“東數西算”項目的有力助益。國內多家上市公司，如中興通信、浪潮信息、中科曙光、商湯科技、思特奇等以不同的形式參與了該平臺的建設。3.23.2 芯片數據傳輸效率芯片數據傳輸效率:關注關注 ChipletChiplet 技術和芯片互聯技術和芯片互聯技術技術 3.2.1 Chiplet3.2.1 Chiplet 技術技術 芯片性能提升存在物理極限，摩爾定律或將失效。芯片性能提升存在物理極限，摩爾定律或將失效。摩爾定律的核心內容為：集成電路上可以容納的晶體管數目在大約每經過 18 個月到 24 個月便會增加一倍。換言之，處理器的性能大約每兩年翻一倍，

55、同時價格下降為之前的一半。但單集成電路的面積存在物理極限，不能無限容納晶體管。近年來，摩爾定律中所預言的增速已經明顯減慢。隨著單芯片面積的縮小，芯片制造的難隨著單芯片面積的縮小，芯片制造的難度和成本也大大提高。度和成本也大大提高。根據 AMD 在 IEDM 會議上的資料，若將生產 250 平方毫米的 45nm 芯片的生產成本定為基準 1，14/16nm 芯片的成本將達到 2，而生產7nm 芯片的成本更將翻倍達到 4。在此情況下，在此情況下，Chiplet 技術有望降低芯片成本增速，技術有望降低芯片成本增速，也能夠在突破單芯物理極限方面持續發揮作用。也能夠在突破單芯物理極限方面持續發揮作用。Ch

56、iplet 技術是指通過把不同芯片的能力模塊化，利用新的設計、互連接口、封裝等技術，在一個封裝的產品中使用來自不同技術、不同制程甚至不同工廠的芯片。其優勢在于通過縮小單個計算芯粒的面積，提高良率、降低成本、提高算力性能，也可滿足定制化需求。Chiplet 技術在國內已有顯著發展成果。技術在國內已有顯著發展成果。下游應用方面，寒武紀在 2021 年就已推出公司首款采用 Chiplet技術的芯片思元 370。芯片封測廠商中，長電科技、行業行業研究報告研究報告 請認真閱讀文后免責條款 16 通富微電等已宣布掌握 Chiplet 技術。圖圖 1111：寒武紀思元寒武紀思元 370370 芯片芯片 資料

57、資料來源：寒武紀官網，華龍證券研究所來源：寒武紀官網，華龍證券研究所 3.2.23.2.2 芯片互聯技術芯片互聯技術 芯片互聯技術是芯片互聯技術是 Chiplet 技術得以存續和發展的底技術得以存續和發展的底層技術之層技術之一。一。2022 年 3 月 3 日，英特爾、AMD、Arm、高通、臺積電、三星、日月光、Google 云、Meta、微軟等十大行業巨頭聯合成立了 Chiplet 標準聯盟，正式推出了通用 Chiplet 高速互聯標準“Universal Chiplet Interconnect Express”（通用芯?；ミB，簡稱“UCIe”），UCIe 是 PCIe 的擴展，不但支持

58、PCIe、CXL，還支持用戶定制的 Raw Mode。國內廠商中，芯片 IP 廠商芯原股份、封測廠商長電科技也加入了 UCIe 產業聯盟?？傮w來說，建立廣泛兼容的芯片互聯標準，有利于總體來說，建立廣泛兼容的芯片互聯標準，有利于形成良好的上下游生態，提高形成良好的上下游生態，提高 Chiplet 的應用范圍和技的應用范圍和技術提升的底層基礎。術提升的底層基礎。國內芯片互聯標準發展進程國內芯片互聯標準發展進程構建自有構建自有 Chiplet標準。標準。2023 年 1 月 13 日，中國計算機互連技術聯盟（CCITA）發布小芯片接口總線技術要求。國內構建符合國內行業狀況的自有芯片互聯標準有利于加快

59、芯片國產替代化速度，能夠有效預防國際技術封鎖，也為國產芯片行業從 IP 設計到封測的全產業鏈提供了價值增長點。4 4 重點關注公司重點關注公司 4.14.1 寒武紀寒武紀-U U（688256.SH688256.SH）行業行業研究報告研究報告 請認真閱讀文后免責條款 17 公司推出自研芯片思元系列，有望搭乘公司推出自研芯片思元系列，有望搭乘 AI 芯片國芯片國產替代化的東風。產替代化的東風。寒武紀現已推出基于思元 290、思元 270 和思元 370 芯片的智能加速卡系列產品，Cambricon-1M和Cambricon-1H終端智能處理器IP以及基于思元 220 芯片的智能邊緣計算模組。目前

60、產品體系已覆蓋云端、邊緣端的智能芯片及其加速卡、終端智能處理器 IP，實現云、邊、端三大場景的布局。在公司推出的中高端 AI 芯片思元系列中，思元 590 芯片已在百度文心一言大模型中投入使用，在一定程度上對標英偉達 A100 芯片，有望成為除華為昇騰 910/920 芯片外的 A100 國產替代芯片。圖圖 1212：20202020-20252025 年寒武紀營業收入及增長率年寒武紀營業收入及增長率 資料資料來源：來源：WindWind 一致預測，華龍證券研究所一致預測，華龍證券研究所 圖圖 1313：20202020-20252025 年寒武紀歸母凈利潤及增年寒武紀歸母凈利潤及增長率長率

61、圖圖 1414：20202020-20252025 年寒武紀年寒武紀 ROE(ROE(攤薄攤薄)資料資料來源：來源：WindWind 一致預測，華龍證券研究所一致預測，華龍證券研究所 資料資料來源：來源：WindWind 一致預測，華龍證券研究所一致預測，華龍證券研究所 4.24.2 中貝通信（中貝通信（603220.SH603220.SH）算力租賃業務為公司帶來第二業務增量，業務利潤算力租賃業務為公司帶來第二業務增量，業務利潤率有望持續提升。率有望持續提升。中貝通信在 2023 年8 月份發布公告，458.93721.05729.03913.631,736.472,676.970204060

62、801000500100015002000250030002020A2021A2022A2023E2024E2025E營業收入(百萬)增長率(%)-434.51-824.95-1,256.56-623.77-459.87-112.14-100-50050100-1400-1200-1000-800-600-400-2000歸母凈利潤(百萬)增長率(%)-6.76-14-25.88-15.27-13.43-6.26-30-25-20-15-10-502020A 2021A 2022A 2023E 2024E 2025EROE(攤薄)(%)行業行業研究報告研究報告 請認真閱讀文后免責條款 18 擬

63、投資建設中貝通信合肥智算中心項目，計劃總投資金額約 8.5 億元。中貝通信合肥智算中心建成后擬提供算力租賃服務，為 AI 企業提供人工智能模型訓練和推理等服務。截至 2023 年 11 月 15 日，公司已公告簽訂的算力服務合同金額總計約合人民幣 67,160 萬元。中貝通信在算力租賃業務上布局較早，有比較大的先發優勢。2023 年 11 月，中貝通信在關于簽訂算力服務框架合同的公告中披露，12 個月租期下算力租賃定價為 18萬元/P/年，租賃容量為 1920P，共計提供 128 套高性能算力一體機柜，單機柜提供算力不低于 15P。合同涉及金額共計 34,560 萬元。H800 服務器（8 卡

64、 GPU）單臺約提供 16P 算力，因此按租賃用算力設備為 H800 服務器測算租賃回收周期。參考 H800 服務器市場價約 228萬元/臺，該合同涉及的設備投入總額約為29,184萬元。若折舊年限按五年計算，參照前文公式，中貝通信中貝通信在該合同中的算力租賃業務成本回收周期約為在該合同中的算力租賃業務成本回收周期約為11個月，個月，低于按市場定價測算的成本回收周期。且中貝通信的算低于按市場定價測算的成本回收周期。且中貝通信的算力租賃業務有漲價趨勢，業務利潤有進一步增長空間。力租賃業務有漲價趨勢，業務利潤有進一步增長空間。表表 7 7：中貝通信算力租賃業務的成本回收期估算：中貝通信算力租賃業務

65、的成本回收期估算 現金流入流出項現金流入流出項 租賃設備：租賃設備：H800H800 服務器服務器 總出租算力（P）1920 年租金（萬元/P/年)18 年收入（萬元/P/年)34560 成本（萬元）29184 人工/管理/銷售費用（萬元/年）2918 修理費用（萬元/年）146 機柜租賃費用（萬元/年）122.18 寬帶費用（萬元/年）154 總費用（萬元/年）3340.10 折舊年限（年）5 回收周期（月）11.22 資料資料來源：來源：WindWind，中貝通信公司公告，華龍證券研究，中貝通信公司公告，華龍證券研究所所 行業行業研究報告研究報告 請認真閱讀文后免責條款 19 圖圖 151

66、5：20202020-20252025 年中貝通信營業收入及增長率年中貝通信營業收入及增長率 圖圖 1616：20202020-20252025 年中貝通信營業歸母凈利潤及年中貝通信營業歸母凈利潤及增長率增長率 資料資料來源：來源：WindWind 一致預測，華龍證券研究所一致預測，華龍證券研究所 資料資料來源：來源：WindWind 一致預測，華龍證券研究所一致預測，華龍證券研究所 圖圖 1717：20202020-20252025 年中貝通信年中貝通信 ROE(ROE(攤薄攤薄)圖圖 1818：20202020-20252025 年中貝通信年中貝通信 PEPE 資料資料來源：來源：Wind

67、Wind 一致預測，華龍證券研究所一致預測，華龍證券研究所 資料資料來源：來源：WindWind 一致預測，華龍證券研究所一致預測，華龍證券研究所 建議關注：建議關注：1）開展算力服務的廠商：）開展算力服務的廠商：中貝通信、蓮花健康、恒潤股份、匯納科技、鴻博股份；2）具備）具備國產芯片國產芯片 IP 設計能力的廠商：設計能力的廠商：寒武紀、海光信息、芯原股份；3）具備云服務能力的廠商：）具備云服務能力的廠商：中科曙光、浪潮信息、紫光股份、神州數碼；4）芯片封測廠商：）芯片封測廠商：長電科技、通富微電、華天科技。5 5 風險提示風險提示 國際緊張局勢加劇國際緊張局勢加?。绹赡苓M一步限制高端芯

68、片對華出口）；國產大模型發展不及預期國產大模型發展不及預期(大模型數量和參數規模增長上可能因為技術問題而出現瓶頸期)；國產芯片技術突破速度不及預期國產芯片技術突破速度不及預期（從芯片 IP 設計2,066.532,641.462,643.133,326.173,966.834,653.500510152025300.001,000.002,000.003,000.004,000.005,000.002020A 2021A 2022A 2023E 2024E 2025E營業收入(百萬)增長率(%)56.93181.65108.79193.17242.33295.83-100-5005010015

69、02002500501001502002503003502020A 2021A 2022A 2023E 2024E 2025E歸母凈利潤(百萬)增長率(%)3.5410.626.110.0311.4612.4024681012142020A2021A2022A2023E2024E2025EROE(攤薄)(%)85.8529.3631.6676.8561.2550.180204060801002020A2021A2022A2023E2024E2025EPE 行業行業研究報告研究報告 請認真閱讀文后免責條款 20 到封測階段，各項技術突破都需要較長時間）；臺積電產能恢復不及預期臺積電產能恢復不及預

70、期（臺積電產能有限，芯片供給可能出現空窗期）；數據估算風險數據估算風險（預測數據可能存在誤差的風險）。免責及評級說明部分免責及評級說明部分 分析師聲明分析師聲明：本人具有中國證券業協會授予的證券投資咨詢執業資格并注冊為證券分析師，以勤勉盡責的職業態度，獨立、客觀、公正地出具本報告。不受本公司相關業務部門、證券發行人士、上市公司、基金管理公司、資產管理公司等利益相關者的干涉和影響。本報告清晰準確地反映了本人的研究觀點。本人不會因本報告中的具體推薦意見或觀點而直接或間接收到任何形式的補償。據此入市，風險自擔。投資評級說明投資評級說明：投資建議的評級標準投資建議的評級標準 類別類別 評級評級 說明說

71、明 報告中投資建議所涉及的評級分為股票評級和行業評級（另有說明的除外）。評級標準為報告發布日后的 6-12 個月內公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅。其中：A 股市場以滬深 300 指數為基準。股票評級 買入 股票價格變動相對滬深 300 指數漲幅在 10%以上 增持 股票價格變動相對滬深 300 指數漲幅在 5%至 10%之間 中性 股票價格變動相對滬深 300 指數漲跌幅在-5%至 5%之間 減持 股票價格變動相對滬深 300 指數跌幅在-10%至-5%之間 賣出 股票價格變動相對滬深 300 指數跌幅在-10%以上 行業評級 推薦 基本面向好，行業指數領先滬深

72、300 指數 中性 基本面穩定，行業指數跟隨滬深 300 指數 回避 基本面向淡，行業指數落后滬深 300 指數 免責聲明：免責聲明：本報告僅供華龍證券股份有限公司（以下簡稱“本公司”）的客戶使用。本公司不會因為任何機構或個人接收到報告而視其為當然客戶。本報告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證。編制及撰寫本報告的所有分析師或研究人員在此保證，本研究報告中任何關于宏觀經濟、產業行業、上市公司投資價值等研究對象的觀點均如實反映研究分析人員的個人觀點。報告中的內容和意見僅供參考，并不構成對所述證券買賣的價格的建議或詢價。本公司及分析研究人員對使用本報告及其內容所引發的

73、任何直接或間接損失及其他影響概不負責。在法律許可的情況下，本公司及所屬關聯機構可能會持有報告中提及的公司所發行的證券并進行證券交易，也可能為這些公司提供或正在爭取提供投資銀行、財務顧問或金融產品等相關服務，投資者應充分考慮本公司及所屬關聯機構就報告內容可能存在的利益沖突。版權聲明：版權聲明：本報告版權歸華龍證券股份有限公司所有，未經書面許可任何機構和個人不得以任何形式翻版、復制、刊登。任何人使用本報告，視為同意以上聲明。引用本報告必須注明出處“華龍證券”，且不能對本報告作出有悖本意的刪除或修改。華龍證券研究所華龍證券研究所 北京北京 蘭州蘭州 上海上海 地址：北京市東城區安定門外大街189號天鴻寶景大廈F1層華龍證券 郵編：100033 地址：蘭州市城關區東崗西路 638號甘肅文化大廈 21 樓 郵編：730030 電話：0931-4635761 地址：上海市浦東新區浦東大道720 號 11 樓 郵編：200000