《軟件與服務行業：蘋果發布Apple Intelligence智能助手異構芯片或成AI算力新方向-240813（15頁）.pdf》由會員分享，可在線閱讀，更多相關《軟件與服務行業：蘋果發布Apple Intelligence智能助手異構芯片或成AI算力新方向-240813（15頁）.pdf（15頁珍藏版）》請在三個皮匠報告上搜索。

1、 請閱讀最后評級說明和重要聲明 丨證券研究報告丨 行業研究丨專題報告丨軟件與服務 Table_Title 蘋果發布 Apple Intelligence 智能助手，異構芯片或成 AI 算力新方向 報告要點 Table_Summary在 2024 年的全球開發者大會上，蘋果推出了個人智能助理 Apple Intelligence。Apple Intelligence 由 AFM 基礎模型賦能。AFM 基礎模型主要包含了端側模型和云端模型兩個部分。AFM 云端模型性能追及 GPT-3.5，略遜于 GPT-4。AFM 端側模型性能接近市場主流端側模型。在算力層面，AFM 模型由谷歌 TPU 算力芯片

2、提供支持。分析師及聯系人 Table_Author 宗建樹 SAC：S0490520030004 SFC：BUX668%1請閱讀最后評級說明和重要聲明丨證券研究報告丨軟件與服務 Table_Title2蘋果發布 Apple Intelligence 智能助手，異構芯片或成 AI 算力新方向 行業研究丨專題報告Table_Rank 投資評級 看好丨維持Table_Summary2 蘋果發布 Apple Intelligence 智能助手蘋果發布了基礎模型蘋果發布了基礎模型 AFM，為底層操作系統賦能。，為底層操作系統賦能。在 2024 年的全球開發者大會上，蘋果推出了個人智能助理 Apple I

3、ntelligence。Apple Intelligence 包含了多個功能強大的生成模型，可以快速、高效地處理用戶日常任務，并能即時適應用戶當前的活動。Apple Intelligence 可以實現撰寫和潤色文本、優先處理和總結通知、為與家人朋友的對話創建有趣的圖片等功能，以及采取應用內操作以簡化跨應用交互。Apple Intelligence 將被搭載于 IOS18、IOS18 ipad 以及MacOS18 操作系統上。目前 Apple Intelligence 搭載于 iOS 18.1 Beta 版上，僅限注冊開發者試用，訂閱價格為 99 美金一年；普通用戶仍需要排隊等待。Apple I

4、ntelligence 由 AFM 基礎模型賦能AFM 基礎模型主要包含了端側模型和云端模型兩個部分?；A模型主要包含了端側模型和云端模型兩個部分。其中端側模型專為端側應用的特定場景所設計，只能處理語言相關的單模態任務，可以本地化搭載于 iphone、ipad、Mac 等設備上，模型包含 30 億參數量。云端模型為私有云應用場景所設計，具備多模態能力，有更高的泛化能力，可應對更加通用的任務。這兩個基礎模型是蘋果創建的生成式模型家族中的一部分，除了上述兩個模型，Apple Intelligence 還包含了一個編碼模型和一個擴散模型。編碼模型基于AFM 語言模型，用于為 Xcode 注入智能功能

5、；擴散模型幫助用戶以視覺方式表達自己，比如在 Messages 應用中使用。AFM 云端模型性能追及云端模型性能追及 GPT-3.5，略遜于，略遜于 GPT-4。在模型性能評估階段，蘋果設計了 1393 個任務，將 AFM 模型與其他主流模型的性能進行了對比。對比結果顯示，AFM 云端模型性能超越 Mixtral-8x22 混合專家模型、GPT-3.5 等模型，略遜于 GPT-4 和 LLaMA-3-70B 模型；在端側模型方面，在端側模型方面，AFM 端側模型性能接近市場主流端側模型。端側模型性能接近市場主流端側模型。人類測評結果顯示，AFM 端側模型性能超越 Gemma-7B、Phi-3-

6、mini、Mistral-7B、Gemma-2B 等主流模型，略遜于 LLaMA-3-8B模型；結果證明了 AFM 端側模型的優異性能，有望在 iPhone、iPad 等設備上發揮較高實用性。異構芯片或成 AI 算力發展新方向在算力層面，在算力層面，AFM 模型由谷歌模型由谷歌 TPU 算力芯片提供支持。算力芯片提供支持。谷歌為本次訓練提供了算力支持，云端的 AFM-server 模型由 8192 個 TPU V4 算力芯片訓練得到，在訓練階段，蘋果把 8192 芯片分成 8 組，每組 1024 個芯片相互串聯形成一個基本單位，各組之間保持平行關系，訓練數據與迭代僅在組內完成；端側的 AFM-

7、on-device 模型由 2048 個 TPU V5p 算力芯片訓練得到。谷歌谷歌 TPU 性能追及英偉達旗艦算力芯片。性能追及英偉達旗艦算力芯片。TPU（Tensor Processing Unit），是一種專為處理張量運算而設計的 ASIC 芯片。TPU 通過脈動陣列機制實現高效運算。與 GPU 相比，TPU 不需要再頻繁地訪問內存，減少了與存儲器的交互次數，從而大幅度提高了計算效率。因此，TPU的有效算力利用率相比于 GPU 更高；GPU 的算力利用率通常為 20%-40%，而 TPU 的算力利用率往往超過 50%。風險提示1、AI 技術推進不及預期；2、下游應用需求不及預期。市場表現

8、對比圖市場表現對比圖(近近 12 個月個月)資料來源：Wind 相關研究相關研究 關鍵詞：科技自立 2024 年第 32 周計算機行業周報2024-08-11“千帆星座”首批組網星成功發射，衛星互聯網正式啟航2024-08-11算力產業跟蹤：海外大廠 CapEx 加速增長，投入預期高漲提振算力需求2024-08-11-42%-28%-14%0%2023/82023/122024/42024/8軟件與服務滬深300指數2024-08-13%28X9WfVaY9W9WaYaY8OdN6MsQoOmOrNlOpPwOiNrQrNbRnNyRxNrNoOMYmMzR 請閱讀最后評級說明和重要聲明 3/

9、15 行業研究|專題報告 目錄 蘋果發布 Apple Intelligence 智能助手.4 Apple Intelligence 由 AFM 基礎模型賦能.6 異構芯片或成 AI 算力發展新方向.9 風險提示.13 圖表目錄 圖 1：蘋果 Apple Intelligence 的個人智能化系統，可搭載于 iPhone、ipad 和 Mac 上.4 圖 2：Apple Intelligence 語言總結功能.4 圖 3：Apple Intelligence 智能寫作功能.4 圖 4：AI 圖片消除功能.5 圖 5：通過描述場景尋找相冊中的圖片.5 圖 6：Siri 可以將復雜問題拆解為多步驟.

10、5 圖 7：Siri 可以理解屏幕正在顯示的內容.5 圖 8：蘋果 AFM 端側和云端系統架構.6 圖 9：蘋果 AFM 基礎模型訓練流程.6 圖 10：蘋果 AFM 模型性能評估(human evaluation).8 圖 11：AFM 端側模型性能超越市場主流模型水平.8 圖 12：AFM 云端模型在不同任務測評中與 GPT-4 互有勝負.9 圖 13：云端模型 AFM-Server 訓練芯片架構.9 圖 14：TPU 芯片中包含一個或多個 TensorCore（TPU V5e）.10 圖 15：TPU 無需像 GPU 一樣頻繁訪問外部內存.11 圖 16：智算中心結構.12 表 1：AF

11、M 訓練數據集來源.7 表 2：AFM 模型訓練形式.7 表 3：TPU 與英偉達 GPU 參數對比.9%3 請閱讀最后評級說明和重要聲明 4/15 行業研究|專題報告 蘋果發布 Apple Intelligence 智能助手 蘋蘋果果發發布布了了基基礎礎模模型型 AFM，為為底底層層操操作作系系統統賦賦能能。在 2024 年的全球開發者大會上，蘋果推出了個人智能助理 Apple Intelligence。Apple Intelligence 包含了多個功能強大的生成模型，可以快速、高效地處理用戶日常任務，并能即時適應用戶當前的活動。Apple Intelligence 可以實現撰寫和潤色文本

12、、優先處理和總結通知、為與家人朋友的對話創建有趣的圖片等功能，以及采取應用內操作以簡化跨應用交互。Apple Intelligence 將被搭載于 IOS18、IOS18 ipad 以及 MacOS18 操作系統上。目前 Apple Intelligence 搭載于iOS 18.1 Beta 版上，僅限注冊開發者試用，訂閱價格為 99 美金一年；普通用戶仍需要排隊等待。圖 1：蘋果 Apple Intelligence 的個人智能化系統，可搭載于 iPhone、ipad 和 Mac 上 資料來源：蘋果官網，長江證券研究所 Apple Intelligence 智智能能助助手手提提升升了了辦辦公

13、公應應用用效效率率。借助增強的語言功能，用戶可以在幾秒鐘內總結整個講座，獲取長流程的簡短版本，并通過優先級通知最大限度地減少不必要的干擾。智能寫作工具還可以校對用戶的文本，重寫不同的版本來調整語氣和措辭，并通過點擊來總結所選文本。智能寫作工具不僅可以用于系統應用，也支持第三方應用程序。此外，在郵件應用場景中，Apple Intelligence 可以快速起草包含準確的詳細信息的電子郵件回復。Apple Intelligence 可以識別在電子郵件中被問到的問題，并提供相關回復選項。圖 2：Apple Intelligence 語言總結功能 圖 3：Apple Intelligence 智能寫作

14、功能 資料來源：蘋果官網，長江證券研究所 資料來源：蘋果官網，長江證券研究所%4 請閱讀最后評級說明和重要聲明 5/15 行業研究|專題報告 Apple Intelligence 具具備備較較強強多多模模態態理理解解能能力力。Apple Intelligence 可識別照片中的背景對象，因此只需輕點一下即可移除消除照片中的干擾，同時保持原始圖像的真實性。此外，Apple Intelligence 支持以文字搜索相冊的功能，用戶只需描述要查找的內容，即可在“照片”應用中搜索照片和視頻。Apple Intelligence 甚至可以在視頻剪輯中找到符合搜索描述的特定時刻，并直接帶用戶來到該時刻。除

15、除了了多多模模態態理理解解能能力力，Apple Intelligence 也也具具備備多多模模態態生生成成能能力力。用戶只要輸入描述，Apple Intelligence 就會找到匹配的最佳照片和視頻。然后，它會根據它確定的主題制作具有獨特章節的故事情節，并將用戶的照片排列成具有自己敘事線的電影。圖 4：AI 圖片消除功能 圖 5：通過描述場景尋找相冊中的圖片 資料來源：蘋果官網，長江證券研究所 資料來源：蘋果官網，長江證券研究所 Apple Intelligence 賦賦能能 Siri 成成為為 AI agent。過往的 Siri 作為智能語音助手，具備初步的語言交互能力，但還不足以理解復雜

16、的任務。而得到 Apple Intelligence 賦能的 Siri 智能性大幅度提升，可以作為用戶的 AI agent。升級后的 Siri 具備了對個人背景的了解、在 app 內和跨 app 執行操作的能力。Siri 具備了屏幕感知能力，使其能夠理解屏幕上的內容并采取行動。用用戶戶可可以以利利用用 Siri 調調整整設設備備功功能能和和設設置置，降降低低設設備備使使用用門門檻檻。當用戶在 iPhone、iPad和 Mac 上學習如何做一些新的事情時，可以提出問題，Siri 可以快速提供分步說明。更豐富的語言理解和增強的語音使與 Siri 的交流更加自然。圖 6：Siri 可以將復雜問題拆解

17、為多步驟 圖 7：Siri 可以理解屏幕正在顯示的內容 資料來源：蘋果官網，長江證券研究所 資料來源：蘋果官網，長江證券研究所%5 請閱讀最后評級說明和重要聲明 6/15 行業研究|專題報告 Apple Intelligence 由 AFM 基礎模型賦能 AFM 基基礎礎模模型型主主要要包包含含了了端端側側模模型型和和云云端端模模型型兩兩個個部部分分。其中端側模型專為端側應用的特定場景所設計，只能處理語言相關的單模態任務，可以本地化搭載于 iphone、ipad、Mac 等設備上，模型包含 30 億參數量。云端模型為私有云應用場景所設計，具備多模態能力，有更高的泛化能力，可應對更加通用的任務。

18、這兩個基礎模型是蘋果創建的生成式模型家族中的一部分，除了上述兩個模型，Apple Intelligence 還包含了一個編碼模型和一個擴散模型。編碼模型基于 AFM 語言模型，用于為 Xcode 注入智能功能；擴散模型幫助用戶以視覺方式表達自己，比如在 Messages 應用中使用。圖 8：蘋果 AFM 端側和云端系統架構 資料來源：Apple Intelligence Foundation Language Models，Apple，長江證券研究所 AFM 模模型型的的訓訓練練包包含含了了數數據據收收集集、預預處處理理、預預訓訓練練、調調參參、優優化化等等多多個個步步驟驟。AFM 模型本身采

19、用了 Transformer 架構，并且通過共享的輸入/輸出嵌入矩陣、預歸一化、分組查詢注意力機制、RoPE 位置嵌入等形式來提高訓練效率，提高模型穩定性以及優化訓練結果。圖 9：蘋果 AFM 基礎模型訓練流程 資料來源：Apple Intelligence Foundation Language Models，Apple，長江證券研究所 AFM 預預訓訓練練數數據據集集包包含含多多樣樣化化和和高高質質量量的的數數據據混混合合。AFM 訓練數據包含網頁數據、授權數據集、代碼數據集、數學數據集、公開數據集等多種高質量的數據類型。蘋果通過%6 請閱讀最后評級說明和重要聲明 7/15 行業研究|專題

20、報告 許多常見的評估基準對數據進行了嚴格的去污染處理，從公開可用的數據中排除不符合倫理道德、不安全材料以及較為敏感的可識別個人身份的信息。由于訓練數據較為多樣化，AFM 模型的泛化能力在實測階段也得到了較好的表現。表 1：AFM 訓練數據集來源 數數據據集集 內內容容 網頁數據 通過 Applebot 爬取，使用技術手段將數據脫敏并排除倫理道德風險 授權數據集 從書籍出版商處獲得 代碼數據集 從 Github 處獲得數據授權，數據集包含 14 種編程語言 數學數據集 從網頁上獲得，共計 170 億 tokens 公開數據集 訓練大模型的公開常用數據集 資料來源：Apple Intelligen

21、ce Foundation Language Models，Apple，長江證券研究所 蘋蘋果果將將 AFM 預預訓訓練練分分為為三三個個不不同同的的階階段段：1.核心階段，這一階段占據了大部分的計算預算；2.繼續訓練階段，在這個階段中，蘋果降低了低質量的大規模網頁抓取數據的權重，提高了代碼數據、數學數據以及出版商授權數據集的權重；3.文本延長階段，這一階段與另一個繼續預訓練階段相似，但使用的文本序列長度更長，并且使用了合成長文本數據。文本延長階段旨在提升模型的長文本能力。表 2：AFM 模型訓練形式 訓訓練練階階段段 模模型型 訓訓練練形形式式 核心階段 云端模型 通過6.3萬億tokens

22、文本量訓練，算力芯片為8192個 TPU V4 端側模型 由云端模型剪枝得到初步狀態，再通過模型蒸餾后得到端側模型，算力芯片為 2048 個 TPU V5p 繼續訓練階段 云端模型 訓練花費 1 萬億 tokens 數據；降低低質量的大規模網頁抓取數據的權重，提高了代碼數據、數學數據以及出版商授權數據集的權重 端側模型 文本延長階段 云端模型 訓練花費 1000 億 tokens 數據；使用更長的文本序列，使用了合成長文本數據 端側模型 資料來源：Apple Intelligence Foundation Language Models，Apple，長江證券研究所 AFM 模型的調參包含了監督

23、式微調（SFT）和基于人類反饋的強化學習（RLHF）兩個部分。在基礎調參之后，蘋果使用 LoRA 適配器對基礎模型進行微調，以便針對特定任務進行優化，例如電子郵件、消息和通知的摘要。AFM 模型的適配器參數使用 16 位表示，可以動態加載和切換，從而實現模型的動態特化。AFM 云云端端模模型型性性能能追追及及 GPT-3.5，略略遜遜于于 GPT-4。在模型性能評估階段，蘋果設計了1393 個任務，將 AFM 模型與其他主流模型的性能進行了對比。對比結果顯示，AFM 云端模型性能超越 Mixtral-8x22 混合專家模型、GPT-3.5 等模型，略遜于 GPT-4 和LLaMA-3-70B

24、模型；其中 29.3%的人類評估者認為 AFM 云端模型性能優于 GPT-4，38.8%的評估者認為 GPT-4 性能優于 AFM 云端模型，31.9%的評估者認為難分高下，證明 AFM云端模型性能已經接近 GPT-4。%7 請閱讀最后評級說明和重要聲明 8/15 行業研究|專題報告 在在端端側側模模型型方方面面，AFM 端端側側模模型型性性能能接接近近市市場場主主流流端端側側模模型型。人類測評結果顯示，AFM端側模型性能超越 Gemma-7B、Phi-3-mini、Mistral-7B、Gemma-2B 等主流模型，略遜于 LLaMA-3-8B 模型；結果證明了 AFM 端側模型的優異性能，

25、有望在 iPhone、iPad等設備上發揮較高實用性。圖 10：蘋果 AFM 模型性能評估(human evaluation)資料來源：Apple Intelligence Foundation Language Models，Apple，長江證券研究所 圖 11：AFM 端側模型性能超越市場主流模型水平 資料來源：Apple Intelligence Foundation Language Models，Apple，長江證券研究所%8 請閱讀最后評級說明和重要聲明 9/15 行業研究|專題報告 圖 12：AFM 云端模型在不同任務測評中與 GPT-4 互有勝負 資料來源：Apple Inte

26、lligence Foundation Language Models，Apple，長江證券研究所 異構芯片或成 AI 算力發展新方向 在在算算力力層層面面，AFM 模模型型由由谷谷歌歌 TPU 算算力力芯芯片片提提供供支支持持。谷歌為本次訓練提供了算力支持，云端的 AFM-server 模型由 8192 個 TPU V4 算力芯片訓練得到，在訓練階段，蘋果把 8192 芯片分成 8 組，每組 1024 個芯片相互串聯形成一個基本單位，各組之間保持平行關系，訓練數據與迭代僅在組內完成；端側的 AFM-on-device 模型由 2048 個TPU V5p 算力芯片訓練得到。圖 13：云端模型

27、AFM-Server 訓練芯片架構 資料來源：Apple Intelligence Foundation Language Models，Apple，長江證券研究所 谷谷歌歌 TPU 芯芯片片具具備備深深厚厚技技術術積積累累。早在 2014 年，Google 就開始推進 TPU 研發。2015年，谷歌發布了第一款 TPU 算力芯片 V1，用于深度學習模型的推理計算。截至目前，谷歌一共發布了六款 TPU 算力芯片，分別是 V1-V4，以及 V5e 和 V5p。最新推出的 V5p芯片性能優越，算力達到了 459TflopsBF16。表 3：TPU 與英偉達 GPU 參數對比 芯芯片片 制制程程 算

28、算力力 TFLOPS BF16 算算力力 TOPS int8 功功耗耗（w）顯顯存存帶帶寬寬 互互聯聯帶帶寬寬 發發布布時時間間 集集群群 Pod 芯芯片片數數 英偉達 A100 7nm 312 624 400 2039GB/s 600GB/s 2020-.1024.1024.81024.%9 請閱讀最后評級說明和重要聲明 10/15 行業研究|專題報告 英偉達 H100 4nm 1979 3958 700 3300GB/s 900GB/s 2022-TPU V1 28nm-92 75 300GB/s-2015-TPU V2 16nm 46-280 700GB/s-2017 512 TPU V

29、3 16nm 123-220 900GB/s-2018 1024 T TP PU U V4V4 7nm 275 275 170 1228GB/s 2400GB/s 2021 4096 T TP PU U V5eV5e 5nm 197 394-820GB/s 1600GB/s 2023 256 T TP PU U V5pV5p 5nm 459 918-2765GB/s 4800GB/s 2023 8960 資料來源：谷歌官網，英偉達官網，nextplatform，長江證券研究所 谷谷歌歌 TPU 作作為為異異化化算算力力芯芯片片，性性能能追追及及英英偉偉達達旗旗艦艦算算力力芯芯片片。TPU（Te

30、nsor Processing Unit），是一種專為處理張量運算而設計的 ASIC 芯片。作為專用 ASIC 異構芯片，TPU的計算單元設計針對深度學習進行了優化，可以較好地匹配 Attention 機制中大量的矩陣運算項目。其張量計算方式（Tensor Core），使得它在同樣的芯片面積和能耗下，比GPU 有 3.5 倍的性能提升。圖 14：TPU 芯片中包含一個或多個 TensorCore（TPU V5e）資料來源：谷歌官網，長江證券研究所 TPU 通通過過脈脈動動陣陣列列機機制制實實現現高高效效運運算算。脈動陣列是一種特殊的計算架構，它規避了傳統計算中的“馮諾依曼瓶頸”。在傳統的 GP

31、U 計算方式中，處理器需要頻繁地從存儲器中存儲和讀取數據，這一行為限制了系統的處理速度。而脈動陣列盡量在處理單元內部完成計算，TPU 不需要再頻繁地訪問內存，減少了與存儲器的交互次數，從而大幅度提高了計算效率。因此，TPU 的有效算力利用率相比于 GPU 更高；GPU 的算力利用率通常為 20%-40%，而 TPU 的算力利用率往往超越 50%。%10 請閱讀最后評級說明和重要聲明 11/15 行業研究|專題報告 圖 15：TPU 無需像 GPU 一樣頻繁訪問外部內存 資料來源：microcontrollertips，長江證券研究所 在在生生態態層層面面，TPU 也也能能較較好好兼兼容容 GP

32、U 形形勢勢下下的的算算法法庫庫。TPU 的軟件棧設計更簡單，優化更精細，支持 TensorFlow、PyTorch 等深度學習框架。谷歌和其他開發者社區也在努力開發工具和庫，以便在 TPU 上更高效地運行現有的 GPU 算法。對于大模型算法開發者來說，從 GPU 遷移到 TPU 只需修改小部分代碼即可完成。異異構構芯芯片片或或成成 AI 算算力力發發展展新新方方向向。由于 ASIC 芯片展現出了較高的運算效率，越來越多的 AI 模型公司選擇 ASIC 芯片作為推理算力基礎設施，異構芯片的滲透率逐漸提高。在另一方面，單種 GPU 芯片無法滿足不同大模型任務的計算需求，構建高效的異構智能計算軟、

33、硬件平臺，研發協調多種異構芯片運行體系的需求也日益提高，異構芯片或成 AI 算力發展新方向。為為了了管管理理調調度度混混合合算算力力基基礎礎設設施施，相相關關公公司司通通常常會會對對算算力力分分配配采采取取多多種種策策略略：1）需需求求分分析析：首先，算力提供商會對用戶提交的模型訓練或推理任務進行需求分析，包括所需的計算資源類型（CPU、GPU、TPU）、內存需求、存儲需求以及預期的運行時間等。2）資資源源池池管管理理：云平臺維護著一個資源池，其中包含了多種類型的計算資源。這些資源可以是物理服務器上的專用硬件，也可以是虛擬化的資源。3）負負載載均均衡衡：云端算力分配系統會使用負載均衡技術來確保

34、所有資源得到有效利用，避免某些節點過載而其他節點空閑。4）任任務務調調度度：調度算法會根據任務的優先級、資源需求和時間敏感性來分配算力。調度器可能會采用以下策略之一：靜態調度：在任務開始前分配固定數量的資源；動態調度：根據任務運行時的實際需求動態調整資源分配；彈性伸縮：云服務支持彈性計算，可以根據任務的需求自動增加或減少分配的資源，有助于應對流量高峰或需求波動。%11 請閱讀最后評級說明和重要聲明 12/15 行業研究|專題報告 5）優優化化算算法法：為了提高效率，云平臺可能會使用各種優化算法，如遺傳算法、模擬退火或機器學習模型來預測和優化資源分配。通過這些策略，算力提供商可以有效地進行算力分

35、配，以滿足不同用戶和任務的需求，同時確保資源的最高效利用。圖 16：智算中心結構 資料來源：星羅智算，長江證券研究所%12 請閱讀最后評級說明和重要聲明 13/15 行業研究|專題報告 風險提示 1、AI 技術推進不及預期；本次大模型性能天花板尚未達到，模型效果本身仍存瓶頸及問題，倘若 AI 技術發展不及預期，投入廠商仍然存在失敗風險。2、下游應用需求不及預期。人工智能本質是通過供給創新催生需求擴容，目前大模型仍處于商業模式摸索期，倘若本輪技術變革無法真實帶動下游需求，投入廠商將受到影響。%13 請閱讀最后評級說明和重要聲明 14/15 行業研究|專題報告 投資評級說明 行業評級 報告發布日后

36、的 12 個月內行業股票指數的漲跌幅相對同期相關證券市場代表性指數的漲跌幅為基準，投資建議的評級標準為：看 好：相對表現優于同期相關證券市場代表性指數 中 性：相對表現與同期相關證券市場代表性指數持平 看 淡：相對表現弱于同期相關證券市場代表性指數 公司評級 報告發布日后的 12 個月內公司的漲跌幅相對同期相關證券市場代表性指數的漲跌幅為基準，投資建議的評級標準為：買 入：相對同期相關證券市場代表性指數漲幅大于 10%增 持：相對同期相關證券市場代表性指數漲幅在 5%10%之間 中 性：相對同期相關證券市場代表性指數漲幅在-5%5%之間 減 持：相對同期相關證券市場代表性指數漲幅小于-5%無投

37、資評級：由于我們無法獲取必要的資料，或者公司面臨無法預見結果的重大不確定性事件，或者其他原因，致使我們無法給出明確的投資評級。相相關關證證券券市市場場代代表表性性指指數數說說明明：A 股市場以滬深 300 指數為基準；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）為基準；香港市場以恒生指數為基準。辦公地址 Table_Contact上海 武漢 Add/虹口區新建路 200 號國華金融中心 B 棟 22、23 層 P.C/（200080）Add/武漢市江漢區淮海路 88 號長江證券大廈 37 樓 P.C/（430015）北京 深圳 Add/西城區金融街 33 號通泰大

38、廈 15 層 P.C/（100032）Add/深圳市福田區中心四路 1 號嘉里建設廣場 3 期 36 樓 P.C/（518048）%14 請閱讀最后評級說明和重要聲明 15/15 行業研究|專題報告 分析師聲明 本報告署名分析師以勤勉的職業態度，獨立、客觀地出具本報告。分析邏輯基于作者的職業理解，本報告清晰準確地反映了作者的研究觀點。作者所得報酬的任何部分不曾與，不與，也不將與本報告中的具體推薦意見或觀點而有直接或間接聯系，特此聲明。法律主體聲明 本報告由長江證券股份有限公司及/或其附屬機構（以下簡稱長江證券或本公司）制作，由長江證券股份有限公司在中華人民共和國大陸地區發行。長江證券股份有限公

39、司具有中國證監會許可的投資咨詢業務資格，經營證券業務許可證編號為：10060000。本報告署名分析師所持中國證券業協會授予的證券投資咨詢執業資格書編號已披露在報告首頁的作者姓名旁。在遵守適用的法律法規情況下，本報告亦可能由長江證券經紀（香港）有限公司在香港地區發行。長江證券經紀（香港）有限公司具有香港證券及期貨事務監察委員會核準的“就證券提供意見”業務資格（第四類牌照的受監管活動），中央編號為：AXY608。本報告作者所持香港證監會牌照的中央編號已披露在報告首頁的作者姓名旁。其他聲明 本報告并非針對或意圖發送、發布給在當地法律或監管規則下不允許該報告發送、發布的人員。本公司不會因接收人收到本報

40、告而視其為客戶。本報告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證，也不保證所包含信息和建議不發生任何變更。本報告內容的全部或部分均不構成投資建議。本報告所包含的觀點、建議并未考慮報告接收人在財務狀況、投資目的、風險偏好等方面的具體情況，報告接收者應當獨立評估本報告所含信息，基于自身投資目標、需求、市場機會、風險及其他因素自主做出決策并自行承擔投資風險。本公司已力求報告內容的客觀、公正，但文中的觀點、結論和建議僅供參考，不包含作者對證券價格漲跌或市場走勢的確定性判斷。報告中的信息或意見并不構成所述證券的買賣出價或征價，投資者據此做出的任何投資決策與本公司和作者無關。本研究報告并不構成本公司對購入、購買或認購證券的邀請或要約。本公司有可能會與本報告涉及的公司進行投資銀行業務或投資服務等其他