【研報】計算機行業：全行業AI賦能系列深度之一AI產業化2021高景氣主線-20201231.pdf

1、1 1 行 業 及 產 業 行 業 研 究 / 行 業 深 度 證 券 研 究 報 告 計算機 2020 年 12 月 31 日 AI 產業化：2021 高景氣主線 看好全行業 AI 賦能系列深度之一 相關研究 AI 技術 “平民化” 后的應用紅利期 2020 下半年 AI 行業投資策略 2020 年 7 月 1 日 ?？低暎?02415）深度：統一軟件 架構，軟化里程碑！ （ “智”造 TMT 系列 深度之九） 2020 年 2 月 18 日 本期投資提示： 本篇報告核心判斷是：2021 為 AI 產業化/資本化大年，同時 AI 將成為計算機 2021 年高 景氣投資主線，看好 AI 領軍

2、。給出 5 個維度的理由：1）AI 技術底座足以支撐應用爆發， AI 芯片大量成熟量產且性能逐年翻倍、AI 算法效率每 16 個月翻倍；2）AI 新三要素“產 品/方案/工程化”是競爭焦點，行業 Know-How 為何成為關鍵變量；3）AI 領軍的工程 化能力是護城河，項目的成本、效率、質量均占優，中臺化后優勢擴大；4）借助智能化 轉型提效降費成為剛需，智能方案采購的 ROI 達到 50%-150%；5）AI 產業生態“合- 分-合”三階段推演，當前分散，但行業領軍通過 AI 平臺，未來實現整合。2016-2017 市場對 AI 預期高但實際經歷調整，此輪熱潮與之相比，關鍵提升也在上述 5 個

3、維度。 首先，對 AI 技術底座系統梳理。分析了 2020 版 AI 芯片選型目錄中的 37 款成熟量產 AI 芯片方案，結合 AI 芯片性能逐年翻倍的“黃氏定律” 、AI 算法效率每 16 個月提高一倍的 規律，以及云廠商開放大量云化 AI 能力，推斷當前 AI 技術積累足以支撐行業應用爆發。 其次，提出 AI 新三要素“產品/方案/工程化”是當前競爭焦點。AI 產業從早期“技術驅 動”向“商業驅動”階段發展。AI 商業化落地需要算法/產品/系統/解決方案的整體交付， 過程中，不同 AI 廠商的行業 Know-How 形成明顯分化。詳述各細分領域痛點和智能化應 用場景，并根據電力行業智能化、

4、零售行業貨架分析兩個案例給出具體解釋。 第三，工程化能力是 AI 領軍的優勢和護城河。結合客戶對智能系統的期待值曲線，證明 領軍公司借助強工程化能力，用更低的成本、更高的效率落地更優質的智能化方案。且 AI 領軍中臺化后，成本和效率的優勢進一步提升，?？?EBG 大量落地 AI 賦能項目即是證明。 第四，需求端借助智能化轉型提效降費，已經成為剛需。宏觀環境轉向高質量發展、存量 市場競爭壓力放大、 政策導向突出科技應用三重因素均推動 AI 產業化加速； 我們計算客戶 采購智能化方案后的 ROI，大多為 50%-150%，證明客戶持續智能化升級的內生動力。 最后，AI 產業生態“合-分-合”三階段

5、推演。目前正處在需求快速擴大、技術供應商數量 大量涌現的 2.0 階段，在一些平臺復制難度較高的垂直賽道仍然存在機會窗口。但 Al 開放 平臺的模式，逐步成為行業領軍的共識。隨著這些 AI 平臺成熟度和影響力不斷提升，未來 行業將走向整合，AI 產業鏈條從上下游關系演化為平臺型關系。推測最終產業格局以橫向 擴張的平臺型 AI 為主導，垂直型 AI 公司在一些細分領域提供補充。 結合上述對行業的判斷，我們認為 AI 領軍在 2021 年較有機會。催化因素包括：a）享受 AI 行業需求爆發帶來的高景氣，獲得業績增長的持續動力；b）具備顯著工程化優勢、人 員成本優勢、中臺化的效率優勢，在競爭中將擴大

6、市占率；c）領軍公司通常已建成 AI 開 放平臺，借助生態圈建設整合產業生態，或成為 AI 產業走向 3.0 階段的最大贏家；d）AI 獨角獸紛紛開啟 IPO 進程，預計帶來板塊更高關注度。重點關注 AI 領軍：?？低?、虹 軟科技、科大訊飛、金山辦公。建議關注 AI 基礎設施受益的浪潮信息、中科曙光、寒武 紀；擬 IPO 的 AI 公司云從科技、依圖科技、曠視科技、云天勵飛、云知聲等。 風險提示：由于應用場景碎片化，下游落地慢于預期；部分 AI 芯片可能面臨制造方面的瓶 頸；部分 AI 新秀企業的自我造血能力較弱，長期生存能力有待證明。 請務必仔細閱讀正文之后的各項信息披露與聲明 2 2 行

7、業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 2 頁 共 29 頁 簡單金融 成就夢想 投資案件 結論和投資建議 結合我們對行業的判斷，AI 領軍在 2021 年較有機會。催化因素包括：a）享 受 AI 行業需求爆發帶來的高景氣，獲得業績增長的持續動力；b）具備顯著工程化 優勢、人員成本優勢、中臺化的效率優勢，在競爭中將擴大市占率；c）領軍公司 通常已建成 AI 開放平臺，借助生態圈建設整合產業生態，或成為 AI 產業走向 3.0 階段的最大贏家；d）AI 獨角獸紛紛開啟 IPO 進程，預計帶來板塊更高關注度。重 點關注 AI 領軍：?？低?、虹軟科技、科大訊飛、金山辦公。建議關注

8、AI 基礎設 施受益的浪潮信息、中科曙光、寒武紀；擬 IPO 的 AI 公司云從科技、依圖科技、 曠視科技、云天勵飛、云知聲等。 原因及邏輯 總結本文， 我們判斷 2021 為 AI 產業化/資本化大年， 同時 AI 將成為計算機 2021 年高景氣投資主線。具體而言有以下核心結論： 1）AI 技術底座系統梳理。分析了 2020 版 AI 芯片選型目錄中的 37 款成熟量產 AI 芯片方案，結合 AI 芯片的性能逐年翻倍的“黃氏定律” ，以及 AI 算法效率每 16 個 月提高一倍的規律，推斷當前 AI 技術積累足以支撐行業應用爆發。 2）提出 AI 新三要素“產品/方案/工程化”是當前競爭焦

9、點，AI 產業從早期“技 術驅動”向“商業驅動”階段發展。過程中，行業 Know-How 形成明顯分化，詳述各 細分領域痛點和智能化應用場景，典型案例：零售行業貨架分析。 3）工程化能力是 AI 領軍護城河。結合客戶對智能系統的期待值曲線，證明領軍公 司借助強工程化能力，可以用更低成本、更高效率落地更優質的智能化方案。且 AI 領 軍中臺化后， 成本和效率的優勢進一步提升， ?？?EBG 大量落地 AI 賦能項目即是證明。 4）需求端：借助智能化轉型提效降費已經成為剛需，宏觀環境、競爭壓力、政策 導向三重因素均推動 AI 產業化加速；計算客戶采購智能化方案后的 ROI，大多為 50%-150%

10、，證明客戶持續智能化升級的內生動力。 5）供給端：AI 產業生態“合-分-合”三階段推演，目前正處在需求快速擴大、技 術供應商數量快速增長的 2.0 階段， 在一些平臺復制難度較高的垂直賽道仍然存在機會 窗口，但隨著領軍公司的 AI 平臺成熟度和影響力不斷提升，未來行業將走向整合。 有別于大眾的認識 2016-2017市場對AI預期高但實際經歷調整， 市場好奇當前這一輪熱潮有何不同。 我們對比后認為，當前由于 AI 技術底座（算力的性價比/算法的效率）大幅提升、領軍 公司的產品/方案/工程化經過了大量實例驗證，積累足夠行業 Know-How，且需求端 提效降費迫切，此輪熱潮預計能夠大量兌現業績

11、、并持續更長時間。 市場可能擔心 GDPR等隱私數據保護政策會限制 AI 產業。 實際上，包括 GDPR在 內的各國政策，保護的僅是“個人數據” 。對于在 B 端/G 端，尤其是工業互聯網產生的 海量數據，仍然能夠自由地應用而不受限制。這也是 AI 領軍重點的發展方向。 qRoRpPtOxOmNrOqRtOqNpR7N8QaQnPmMpNrRkPoPpNfQmPoPaQrQoQwMmOwOxNrQtM 3 3 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 3 頁 共 29 頁 簡單金融 成就夢想 1. 2021：AI產業化/資本化大年. 6 2. AI 三要素“算力/算法/數據”：

12、進階與挑戰并存 . 8 2.1 算力/算法：AI 技術底座今非昔比.8 2.2 數據：GDPR 嚴管個人數據，C 端 AI 應用承壓. 11 3. AI 新三要素“產品/方案/工程化”：競爭焦點 . 13 3.1 產品/方案：行業 Know-How 形成明顯分化 . 14 3.2 工程化能力：AI 領軍的護城河 . 17 4. 需求端：提效降費成剛需，ROI 促使智能化普及 . 20 4.1 進入高質量發展階段，產業數字化加速追趕海外 . 20 4.2 智能化轉型高 ROI，驅動其快速普及 . 22 5. 供給端：開放平臺/生態強力助推 AI 落地 . 25 5.1 AI 產業生態三階段推演：

13、合-分-合 . 25 5.2 領軍搭建的 AI 平臺成為核心基礎設施 . 26 6. 投資建議 . 27 目錄 4 4 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 4 頁 共 29 頁 簡單金融 成就夢想 圖表目錄 圖 1：申萬宏源計算機歷年策略報告對 AI 發展階段的判斷 . 6 圖 2：國內新創 AI 公司數在 2015-2016 達到峰值 . 7 圖 3：AI 領域一級市場融資數在 2017 年達到峰值 . 7 圖 4：2021 為 AI 產業化/資本化大年，預計 AI 成為投資主線. 8 圖 5：昇騰 310 大幅降低 AI 單位功耗與成本 . 10 圖 6：黃氏定律：預

14、測 AI 芯片性能逐年翻倍 . 10 圖 7：公有云廠商開放了大量云化 AI 能力 . 10 圖 8：2019-2024 全球 AI 服務器收入 CAGR 達 19.4% . 10 圖 9：隨著算法能力提升，訓練特定任務所需的 AI 計算量快速下降 . 11 圖 10：聯邦學習可實現在不共享數據的前提下，完成聯合建模. 12 圖 11：政府和金融仍是 AI 最大的應用領域 . 13 圖 12：數據潛力的進一步挖掘，將釋放 AI 應用空間 . 13 圖 13：下一階段需重點關注智能制造、智能零售、智能醫療等領域的應用場景14 圖 14：商業驅動階段，算法遠非解決問題的完整答案 . 15 圖 15

15、：以電力行業 AI 應用為例，區分算法/產品/系統/解決方案 . 15 圖 16：看似相同的貨架分析場景，實際的方案路徑完全不同 . 17 圖 17：智能系統落地是一項系統工程 . 17 圖 18：智能應用系統研發的期望曲線 . 18 圖 19：?？低曇呀⑼暾慕y一研發體系（中臺）支撐 AI 工程化 . 19 圖 20：?？倒俜桨l布的賦能應用案例數量匯總 . 19 圖 21：宏觀、競爭、政策三重驅動下，AI 產業化的需求旺盛 . 20 圖 22：我國經濟進入增速換擋期 . 20 圖 23：資本投入產出效率已經見頂回落 . 21 圖 24：制造業平均工資上漲壓縮了勞動力紅利 . 21 圖 2

16、5：我國數字經濟規模占比與發達國家差距較大 . 21 圖 26：我國工業領域的數字經濟滲透率明顯落后. 21 圖 27：全球主要國家加速出臺政策，引導 AI 技術支持實體經濟 . 22 圖 28：我國數字化轉型投入增速將超過美國 . 22 5 5 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 5 頁 共 29 頁 簡單金融 成就夢想 圖 29：AI 應用可以在多個維度為企業創造價值 . 23 圖 30：AI 產業生態的三階段推演 . 25 圖 31：?？低?AI 開放平臺極大地降低了 AI 開發門檻 . 26 圖 32：生態平臺將成為 AI 產業運行的關鍵一環，重塑 AI 產業鏈

17、條 . 27 表 1：申萬宏源計算機歷年 AI 策略報告核心觀點逐步驗證 . 6 表 2：A 股近期上市/擬上市 AI 公司情況. 7 表 3：邊緣和端側應用的成熟 AI 芯片方案已經大量涌現 . 8 表 4：2020 年部分 AI 芯片量產落地情況 . 9 表 5：歐美和中國在近年均加速了個人隱私保護相關立法工作 . 11 表 6：機器視覺四小龍已將重心轉向 AI 商業化落地 . 13 表 7：工業領域各細分行業的特點、痛點和應用場景均有明顯差異 . 16 表 8：客戶采購 AI 軟件統一平臺等應用后績效 ROI 模擬測算，以及?？低?LTV 增加 測算. 23 表 9：制造業各細分領域

18、AI 平臺復制難度分析 . 26 表 10：相關公司估值表 . 28 6 6 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 6 頁 共 29 頁 簡單金融 成就夢想 1. 2021：AI 產業化/資本化大年 兩輪 AI 熱潮比較（2016-2017 vs. 2020-2021）：2017 年 AI 行業進入泡沫期后的 整合階段，經過 3 年蓄力，目前正處于第二輪加速成長期。申萬宏源計算機每年策略報告 均給出國內 AI 行業所處景氣周期位置，2016-2017 年為行業爆發的泡沫期，隨后進入整 合階段， 經過 3 年蓄力后， 2020-2021 再次加速成長。 我們認為， 2021

19、為 AI 產業化大年， 在新老“AI 三要素”以及行業供需兩端的共同助推下，AI 加速在下游各領域應用落地并兌 現紅利；同時，2021 為 AI 資本化大年，AI 獨角獸有望集中登陸二級市場，助推板塊性熱 度。我們在最新年度策略明確判斷：AI 將是計算機 2021 年高景氣投資主線之一。 圖 1：申萬宏源計算機歷年策略報告對 AI 發展階段的判斷 資料來源：申萬宏源研究 回顧歷年 AI 策略，核心觀點逐步驗證。如下表所示，我們 2016.11 即前瞻性指出“人 工智能發展正處于 Know-How 時代，并在 2018.11 進一步明確行業 Know-How 成為 AI 場景核心壁壘；2017.

20、7 從核心技術成熟度推導下游主要行業應用成熟節奏，并在每篇策略 報告中更新 AI 在各個領域應用情況； 2017.11 聚焦 AI 芯片， 明確 ASIC 為最佳方案； 2020.7 指出新一輪 AI 紅利期即將開啟。以上核心觀點正在獲得產業的逐步驗證。 表 1：申萬宏源計算機歷年 AI 策略報告核心觀點逐步驗證 時間 報告名稱 核心觀點 2016.11 人工智能的“KNOW-HOW”時代如何 理解非主題地投資人工智能（2017 AI 策略） 前瞻性指出“人工智能發展正處于 Know-How 時代，即基礎算法已 成熟，行業應用型算法及各類應用、商業模式快速豐富的時代” 2017.7 “技術沖擊

21、”AI 細分行業的演進猜想人 工智能投資展望（2017H2 AI 策略） 回顧 AI 發展史歷次寒冬期，并從算力、算法、數據技術三要素決定沖 擊層次。一線為安防、工業，特征為收入、利潤將快速兌現。二線為 教育、醫療，特征為技術確定性高、空間較大、具有規?；瘍瀯荻M 展較慢。三線為金融、智能駕駛，特征為技術未證明絕對可行，產業 處于快速嘗試期 7 7 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 7 頁 共 29 頁 簡單金融 成就夢想 2017.11 AI 國芯破局，行業切入成長期2018 人 工智能行業投資策略 聚焦 AI 的基礎算力， 三種 AI 芯片方案優劣比較， 明確 AS

22、IC 為最佳方 案。指出 AI 行業從導入期切入成長期，手機、安防場景將馬上步入商 業化，教育、醫療正孕育商業模式 2018.6 新 AI 算力，新“安迪-比爾”成長！ 人 工智能行業 2018 年下半年投資策略 人工智能 AI 也遵循“安迪-比爾”定律，即從芯片、硬件、到軟件、 應用、平臺；由于“安迪-比爾”定律傳導，出現 AIaaS，出現 Docker 技術，這是機會的藍海 2018.11 新算力下的 2019AI 全行業智能深化 2019 年 AI 行業投資策略 AI 基礎設施處于爆發前夜；行業 Know-How 成為 AI 場景核心壁壘， BAT 加速入股 B 端龍頭搶占 AI 場景入

23、口 2020.7 AI 技術“平民化”后的應用紅利期2020 下半年 AI 行業投資策略 預計 2020H2 將有大量 AI 芯片成熟并批量出貨，算力成本大幅下降； 算法優化，效率提升類似“摩爾定律”；開放平臺和生態助推 AI 應用 普及；AI 賦能在制造、零售、教育等領域潛力巨大 資料來源：申萬宏源研究 資本化大年的證據：對國內 AI 初創企業而言，2016-2017 為一級市場融資高峰， 2020-2021開啟二級市場 IPO高峰。 據億歐智庫統計， 國內 AI公司新創數量在2015/2016 年達到高點，均超過 200 家；AI 領域一級市場融資數量隨后達到峰值，2017 年完成 455

24、 起。2017 年之后，新創 AI 企業數量和投融資數量迅速下降，AI 一級市場降溫。時至 2020 年底， 依圖、 云從、 云天勵飛、 云知聲等 AI 獨角獸公司集中披露招股書， 有望陸續完成 IPO， 開啟新一輪資本熱度，同時佐證行業應用走向成熟。 圖 2：國內新創 AI 公司數在 2015-2016 達到峰值 圖 3：AI 領域一級市場融資數在 2017 年達到峰值 資料來源：億歐，申萬宏源研究 資料來源：億歐，申萬宏源研究 表 2：A 股近期上市/擬上市 AI 公司情況 AI 公司 成立年份 主要方向 上市進程 云天勵飛 2014 機器視覺 2020.12 首次披露招股書（科創板） 云

25、從科技 2015 機器視覺 2020.12 首次披露招股書（科創板） 依圖科技 2013 機器視覺 2020.11 首次披露招股書（科創板） 云知聲 2012 智能語音 2020.11 首次披露招股書（科創板） 曠視科技 2013 機器視覺 2019.8 首次披露招股書（港股） 寒武紀 2016 AI 芯片 2020.7 科創板上市 石頭科技 2014 智能家居 2020.2 科創板上市 虹軟科技 2003 機器視覺 2019.7 科創板上市 資料來源：wind，申萬宏源研究 63 70 138 215 228 120 53 32 0 50 100 150 200 250 2012A2013A

26、2014A2015A2016A2017A2018A2019A 中國歷年新創立的AI公司數量 32 82 172 267 371 455 368 116 0 100 200 300 400 500 2012A2013A2014A2015A2016A2017A2018A2019A 中國AI領域一級市場投融資數量 8 8 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 8 頁 共 29 頁 簡單金融 成就夢想 2021 同時也是 AI 產業化大年，蘊藏重要投資機會。這是本文的重點，我們在后續章 節詳述理由。 圖 4：2021 為 AI 產業化/資本化大年，預計 AI 成為投資主線 資料來源

27、：申萬宏源研究 2. AI 三要素“算力/算法/數據”：進階與挑戰并存 2.1 算力/算法：AI 技術底座今非昔比 AI 技術底座提升之一：AI 芯片選擇面大幅拓寬。2019 為國產 AI 芯片發布大年，科技 巨頭和 AI 初創公司均有顯著進展。國產替代加速的背景下，疊加國產 AI 芯片更好的性價 比，預計下游應用廠商導入更為迅速，我們認為 2021 年國產 AI 芯片將大量成熟并批量出 貨。在中國人工智能產業發展聯盟發布的AI 芯片技術選型目錄（2020）中，已經收錄 了 3 款云端訓練芯片、6 款云端推斷芯片、6 款邊緣計算芯片、22 款終端芯片，均為成熟 可用的 AI 芯片方案。且目前已

28、有多款國產 AI 芯片實現了十萬級以上的出貨量驗證。對下 游應用廠商而言，選擇面極大豐富。 表 3：邊緣和端側應用的成熟 AI 芯片方案已經大量涌現 應用領域 公司名稱 芯片名稱 上市時間 功耗 深度學習計算能力 INT8 FP16 通用 NVIDIA Jetson Nano 2019 年 3 月 5W | 10W 0.5 TFLOPS Jetson TX2 2017 年 3 月 7.5W | 15W 1.3TFLOPS Jetson Xavier NX 2019年11月 10W |15W 14|21TOPS Jetson AGX Xavier 2018年12月 10W |15W |30W 3

29、2TOPS 16TFLOPS Jetson AGX Xavier 2019 年 10W |20W 19.3TOPS 9.6TFLOPS 華為 昇騰 310AI 處理器 2019 年 8Tops4W 16 Tops8W 16TOPS 8T 瑞芯微 RK1808 2019 年 6 月 3W 3TOPS 100GFLOPS RK3399Pro 2018 年 1 月 10W 3TOPS 0.3T 天數智芯 Iluvatar CoreX I 2019年10月 峰值 5W NA 4.8T 安防、機器 人、車載 云天勵飛 DeepEye1000 2019 年 9 月 典型功耗 2W 支持 支持 紫光展銳 虎

30、賁 T710 2019 年 8 月 2.3W 3.2TOPS 0.5TOPS 9 9 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 9 頁 共 29 頁 簡單金融 成就夢想 海思 Hi3516D V300 2018年10月 典型 1.0W 1TOPS Hi3519A V100 2018 年 7 月 典型 1.9W 2TOPS Hi3559A V100 2018 年 1 月 典型 3W 4TOPS Hi3562 V100 2020 年 3 月 典型 0.6W 0.5TOPS Hi3566 V100 2020 年 3 月 典型 1W 1TOPS Hi3568 V100 2020 年 6

31、 月 典型 1.9W 1.5TOPS Hi3569 V100 2020 年 6 月 典型 3W 4TOPS 語音 啟英泰倫 CI1103 2019 年 9 月 工作功耗：100mW 深聰半導體 TH1520 2019 年 1 月 200mW 16GOPS 2GOPS 清微智能 TX210 2019 年 6 月 工作模式 450uW 12.8GOPS 資料來源：AI 芯片技術選型目錄（2020），申萬宏源研究 表 4：2020 年部分 AI 芯片量產落地情況 芯片廠商 芯片型號 芯片類型 量產落地情況 百度 昆侖 1 云端 AI 芯片 2020 年底已經量產 2 萬片，性能相比 T4 GPU 提

32、 升1.5-3倍。 百度昆侖2預計在2021年上半年量產， 性能將比昆侖 1 提升 3 倍 地平線 征程 2 自動駕駛 AI 芯片 2020 年 12 月出貨量已超 10 萬，搭載此款芯片的 汽車實現了 L2+級自動駕駛，預計 2022 年前裝裝 車量將超百萬 SigmaStar 星宸科技 降龍系列 AI 視覺芯片 在安防領域，為?？低?、大華、宇視等企業提供 全系列 IPC 處理芯片；希望成為全球最大的 AI Camera 系統芯片供應商 比特大陸 算豐系列 云端/終端 AI 芯片 基于最新款自研 AI 芯片 BM1684，比特大陸 AI 超 算中心助力北京、福州、安徽等地的智慧城市項目 鯤

33、云科技 CAISA 數據流 AI 芯片 2020 年 6 月完成量產， 相較于英偉達邊緣端旗艦產 品 Xavier，鯤云的星空加速卡 X3 可實現 1.48-4.12 倍的實測性能提升 億智電子 SV/SA/SH 系列 端側視覺 AI 芯片 2020 年底已有超百萬顆芯片量產落地，落地的場景 以人臉設備為主 資料來源：電子發燒友，申萬宏源研究 AI 技術底座提升之二：AI 芯片的性能逐年翻倍（黃氏定律）?！包S氏定律(Huangs Law)”由英偉達創始人黃仁勛名字命名，對 AI 性能的提升作出預測：預測 GPU 將推動 AI 性能實現逐年翻倍。英偉達首席科學家 Dally 稱：“在摩爾定律逐漸

34、失效的當下，如果想 提高計算機性能，黃氏定律就是一項重要指標，且在可預見的未來都將一直適用?！?事實上除了 GPU 外，其他廠商推出的 AI 芯片性價比提升更加明顯。如 2019 年 4 月 華為宣布基于昇騰 310 的 Atlas 平臺上市。昇騰 310 已經具備了 64TOP INT8 整數計算能 力、功耗僅為 67W，即 1.05W/TOP；Atlas 300 AI 加速卡的上市價格為 13699 元，即 214 元/TOP。而當時主流 GPU 的算力單位功耗約為 2W/TOP，算力單位成本約為 681 元 /TOP。 1010 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第

35、10 頁 共 29 頁 簡單金融 成就夢想 圖 5：昇騰 310 大幅降低 AI 單位功耗與成本 圖 6：黃氏定律：預測 AI 芯片性能逐年翻倍 資料來源：華為，申萬宏源研究 資料來源：NVIDIA，申萬宏源研究 AI 技術底座提升之三：云廠商提供強大的云化 AI 能力。據 IDC，2019 年全球 AI 服 務器銷售額達到 99 億美金，并將在 2024 年達到 239 億美金，復合增速 19.4%。其中部 署在云端 AI 服務器銷售額占比逐年提升，并將在 2021 年超過 50%，證明 AI 云服務成長 潛力大。其中我國 AI 服務器增長尤其強勁：2019 年中國 AI 服務器出貨量為 7

36、.9 萬臺，同 比增長 46.7%；預計中國 AI 服務器市場在 2018-2023 年的年復合增長率為 37.9%。 與此同時，國內的公有云廠商開放了大量云化 AI 能力（如人臉識別、智能語音、NLP 等），為 AI 普及應用提供了堅實的算力基礎。且自 2018 年以來，多家云計算廠商（或其 母公司）發布用于訓練或推理的云端 AI 芯片，強化了底層支撐能力。 圖 7：公有云廠商開放了大量云化 AI 能力 圖 8：2019-2024 全球 AI 服務器收入 CAGR 達 19.4% 注：圓圈大小代表當前開放 AI 能力的數量 資料來源：IDC，申萬宏源研究 資料來源：IDC，申萬宏源研究 AI

37、 技術底座提升之四：AI 算法優化，效率每 16 個月提高一倍?；跈嗤芯繖C構 OpenAI 對 2012 年以來的算法效率跟蹤，在 ImageNet 分類上訓練具有相同性能的神經 網絡，所需要的計算量，每 16 個月降低一倍。在 WMT-14 的翻譯任務上，算法效率翻倍 所需的時間僅為 6 個月。這些結果表明，對于 AI 任務，算法上的進步相比硬件的進步（服 從摩爾定律或黃氏定律），產生的效益接近甚至更高。 0 100 200 300 400 500 600 700 800 0 0.5 1 1.5 2 2.5 主流GPU昇騰310 AI算力單位功耗（W） AI算力單位成本（元，右軸） 2.

38、8 4.3 4.7 6.9 9.8 11.9 13.2 4.0 4.43.7 4.7 6.0 6.5 6.6 0.9 1.2 1.3 1.9 2.7 3.5 4.1 0 5 10 15 20 25 2018A 2019A 2020E 2021E 2022E 2023E 2024E 全球AI服務器收入規模（十億美元） CloudOn premisesEdge 1111 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 11 頁 共 29 頁 簡單金融 成就夢想 圖 9：隨著算法能力提升，訓練特定任務所需的 AI 計算量快速下降 注：此處衡量算法效率的指標是在特定任務上（如 ImageNe

39、t）達到相同性能所需的計算量（FLOPs） 注 2：Original 列指改進前的神經網絡模型，Improved 列指改進后的模型，Doubling Time 列指的 是效率翻倍所需時間。 如第三行可以解讀為： 在 WMT 14 的翻譯任務上， Transformer 相比seq2seq， 訓練的效率提升了 61 倍，所用時間約為 3 年，也即翻倍時間為 6 個月 資料來源：OpenAI，申萬宏源研究 2.2 數據：GDPR 嚴管個人數據，C 端 AI 應用承壓 GDPR 及國內個人數據保護政策陸續出臺。歐盟通用數據保護條例（GDPR）自 2018 年 5 月正式出臺至今已兩年有余。該條例是迄

40、今為止全球覆蓋范圍最廣、最嚴格的數 據安全隱私保護法規，代表著全球對數據保護領域探索的前沿。多個國家緊跟 GDPR 實施 步伐制定數據保護法，進一步完善本國數據保護制度，強化數據保護。如 2018 年 6 月， 美國加州頒布了 2018 年加州消費者隱私法案 （CCPA） ， 印度在 2018 年 7 月發布 2018 年個人數據保護法案（草案），巴西總統在 2018 年 8 月批準了通用數據保護法。 我國也正在加快推動個人信息保護法和數據安全法等信息保護立法工作。 表 5：歐美和中國在近年均加速了個人隱私保護相關立法工作 法案名稱 地區 生效時間 核心內容 通用數據保護條例（GDPR） 歐盟

41、 2018 年 5 月 GDPR 被稱為有史以來數據保護的最高標準， GDPR 保護的 僅是“個人數據”（personal data），條例對數據使用的 透明度、 身份數據的保存期限、 企業和組織在對個人數據的 操作流程均有限制， 以及規定生物信息屬于其所有者。 違反 GDPR 的企業，可能面臨巨額罰款。 加州消費者隱私法案（CCPA） 美國加州 2020 年 1 月 CCPA 被認為是美國國內最嚴格的隱私立法， 規定了新的消 費者權利，涉及企業收集的個人信息的訪問、刪除和共享， 旨在加強消費者隱私權和數據安全保護。 企業負有保護個人 信息的責任，消費者控制并擁有其個人信息。 個人信息保護法（

42、草案） 中國 2020 年 10 月 公開征求意見 草案確立了個人信息處理應遵循的原則， 強調處理個人信息 應當采用合法、正當的方式，具有明確、合理的目的，限于 實現處理目的最小范圍；除法律規定的情形外，收集、使用 個人信息應當向個人告知并取得同意， 并要求個人信息處理 者采取必要的安全保護措施，保護個人信息安全。 資料來源：全國人大，騰訊研究院，申萬宏源研究 1212 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 12 頁 共 29 頁 簡單金融 成就夢想 個人數據保護法案主要影響 C 端數據采集和 AI 應用。 由于收集數據的一方經常不是使 用數據的一方，如 A 方收集數據，轉

43、移到 B 方清洗，再轉移到 C 方建模，最后將模型賣給 D 方使用。這種數據在實體間轉移，交換和交易的形式違反了 GDPR，并可能遭到法案嚴 厲的懲罰。 聯邦學習是理想的破局方案。聯邦學習是指在進行機器學習的過程中，各參與方可借 助其他方數據進行聯合建模。各方無需共享數據資源，即數據不出本地的情況下，進行數 據聯合訓練，建立共享的機器學習模型。聯邦學習使多個參與方在保護數據隱私、滿足合 法合規要求的前提下繼續進行機器學習，解決數據孤島問題。聯邦學習目前已經在消費金 融、醫療、廣告等領域的 AI 應用中發揮作用。 圖 10：聯邦學習可實現在不共享數據的前提下，完成聯合建模 資料來源： 聯邦學習白

44、皮書 ，申萬宏源研究 B 端/G 端的 AI 應用則繼續享受數據紅利。GDPR 等法規保護的僅是“個人數據”， 主要限制 C 端；而由工業互聯網、5G 普及等帶來源源不斷的增量數據將繼續推動 B/G 端 的 AI 落地應用。據 IDC 統計，當前國內人工智能落地最大的兩個領域分別是政府和金融， 與其數據量優勢相對應（見圖 11、12）。預計隨著制造業、零售業等下游領域數字化轉型 深入，數據潛力釋放，AI 賦能應用將進入快速增長期。所以在當前時點，我們更加關注 AI 在 B/G 端落地帶來的投資機會。 智能制造意味著數據、互聯等新生產資料與生產關系的革命性變化。石油、煤炭等礦 藏實際是數十億年太

45、陽能量的積累與轉化，并在自然界循環，工業數據也類似。來自工藝 環節的數據在網絡空間匯集、處理、沉淀，最終又在工藝環節體現價值。與蒸汽時代、電 力時代的技術革命相仿，數據將成為工業企業的重要生產資料，TMT將成為重要的生產工 具。 1313 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 13 頁 共 29 頁 簡單金融 成就夢想 圖 11：政府和金融仍是 AI 最大的應用領域 圖 12：數據潛力的進一步挖掘，將釋放 AI 應用空間 資料來源：IDC，申萬宏源研究 資料來源： 2019 年人工智能發展白皮書 ，申萬宏源研究 3. AI 新三要素“產品/方案/工程化”：競爭焦點 人工智能

46、企業已經逐步從早期“技術驅動”向“商業驅動”階段發展。AI 新三要素“產 品/方案/工程化”是人工智能從實驗室走向大規模商業化的必備能力，也是當前階段 AI 公 司的競爭焦點。與實驗室研究不同，商業化是企業如何利用 AI 技術來解決實際的問題，并 通過市場進行規?；儸F的商業行為，它關系到人工智能的技術能力、易用性、可用性、 成本、可復制性以及所產生的客戶價值。當前 AI 商業化仍存在“實驗室-商業社會鴻溝”， 要從早期普遍強調技術優勢，過渡到更加注重產品化、更加融合生態、更加解決實際問題 的商業化發展階段。 表 6：機器視覺四小龍已將重心轉向 AI 商業化落地 場景 商湯科技 曠視科技 云從

47、科技 依圖科技 安防 方舟城市級開放視覺平臺、 人臉動態比對服務器等產品 城市管理、樓宇園區管理數 字化解決方案 AI+人像大數據、智慧社區 實有人口。智慧園區安防解 決方案 城市安全、智慧園區解決方 案 金融 線上金融（文字識別等）、 線下金融（智慧網點、會員 識別等） 卡證信息錄入、身份認證 智慧網點、智慧識人、風控 解決方案 智能網點、刷臉取款解決方 案 零售 智慧商業解決方案 零售行業數字化解決方案 智慧門店綜合、 智慧 4S 專營 店、房地產智慧案場人臉識 別解決方案 顧客識別、軌跡熱區、4S 店 標準化解決方案 汽車 高級輔助駕駛系統、智能車 艙 車主身份驗證、司機駕駛狀 態分析

48、/ / 交通 人群分析系統 / 民航旅客出港服務、航站樓 管理服務、民航大數據服務 解決方案 / 醫療 智慧診療平臺 / / care.ai醫療智能全棧式產品 解決方案 1414 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 14 頁 共 29 頁 簡單金融 成就夢想 教育 AI 基礎教育、智慧校園解決 方案 數字行業數字化解決方案 / / 物流 / 倉儲物流數字化解決方案 / / 制造 / 工廠制造數字化解決方案 / / 手機 人臉 3D 重建方案、手機圖 像處理解決方案、手機人臉 解鎖方案等產品 手機安全、影像解決方案 / / 資料來源：公司官網、公司招股書、申萬宏源研究 尋找

49、合適的落地場景，是 AI 廠商走向商業化的關鍵一步。根據 IDC 最新發布的中國人 工智能應用場景發展報告，結合機器視覺四小龍當前的產業布局，我們對 AI 商業化落地場 景有如下判斷：1）生物識別、智慧城市、智慧金融等領域已經實現廣泛應用，當然，智慧 城市和智慧金融領域的應用成熟度、市場空間仍然有較大的上行潛力；2）預計下一階段重 點發力的領域是智能零售和智能制造；3）智能醫療和智能教育的長期增長潛力大，但需要 較長時間培育和積累，預計需要 5 年左右時間迎來應用高峰。 圖 13：下一階段需重點關注智能制造、智能零售、智能醫療等領域的應用場景 資料來源：IDC，申萬宏源研究 3.1 產品/方案

50、：行業 Know-How 形成明顯分化 AI 商業化落地需要算法/產品/系統/解決方案的整體交付。四個層級具體定義見下圖。 我們發現，在先前的技術驅動階段被過分強調的 AI 算法，實際上很難直接解決現實中的問 題。部分簡單業務應用中，方案或系統的重要性或降低，算法+產品即可滿足需求；但越復 雜的應用，系統平臺和整體解決方案對最終效果的影響越大。且相比于標準化和數量有限 的算法，越到上層，定制化和復雜程度就越高，也越需要 AI 廠商具備更深入的行業 1515 行業深度 請務必仔細閱讀正文之后的各項信息披露與聲明 第 15 頁 共 29 頁 簡單金融 成就夢想 Know-How、更豐富的系統設計開