电子行业深度研究报告

人工智能风起云涌，算力芯片需求升温

□ ChatGPT揭开AI发展大幕，算力芯片迎来黄金发展期。ChatGPT一经问世便得到了广泛关注，成为史上用户数增长最快的消费者应用。国内外巨头纷纷推出生成式AI产品加入大模型竞赛，微软发布 Microsoft365Copilot，打破了传统办公软件的方式。Meta 相继发布其大语言模型 LLaMA，和针对机器视觉领域的通用图像分割模型 SAM，AI视觉有望飞跃式提升。而国内巨头如百度、华为、阿里、商汤等企业亦于近期纷纷发布 AI大模型，AI商业化进程提速，将为更多行业和应用领域赋能，一场席卷全球科技领域的 AI变革时代正在悄悄拉开序幕。而随着GPT-4 的发布，AI大跨步进入多模态发展时代，所需要处理、训练的数据从单纯的文本数据转为图像、文字、语音、视频在内的多媒体数据，所需要算力也呈指数级增长。根据OpenAI发布的报告《AIandCompute》，自2012年以来，AI训练应用的算力需求每3-4个月就会翻倍，至今AI算力增长超过了30万倍，算力芯片作为硬件基础，迎来黄金发展期。

GPU领衔追求卓越算力性能，HBM突破存力瓶颈为AI保驾护航。作为用于加速人工智能训练和推理任务的专用硬件，AI算力芯片既包括CPU、GPU、FPGA 等传统芯片，也包括以TPU、VPU为代表的专门针对人工智能领域设计的 ASIC芯片，GPU擅长并行计算且具有大量核心和高速内存，能够极大缓解计算层面的瓶颈，已经成为了当今主流的AI推理计算不可或缺的一部分，约占国内 AI芯片市场份额的 90%（IDC，2021H1数据），其他非GPU芯片亦扮演越来越重要的角色，预计到 2025 年合计占比将超过 20%。主流算力芯片外，芯片存取能力亦是决定AI运算效果的重要一环，处理器和存储器间鸿沟日益拉大，“内存墙"问题亟待解决。HBM 突破了内存容量与带宽瓶颈，被视为新一代DRAM解决方案，成为 AI时代不可或缺的关键技术。

AI浪潮带动算力芯片市场持续扩容，国产替代势在必行，本土厂商加速成长。市场空间方面：“云+边+端”应用场景协同发力，共同驱动上游 AI芯片行业成长。根据 WSTS 数据，全球 AI芯片市场规模将从2019 年的110亿美元增长至 2025 年的 726亿美元，CAGR为37%。未来随着“AI+”应用场景的逐步落地，AI芯片需求有望持续提升。竞争格局方面：目前全球AI芯片市场几乎由英伟达等海外大厂垄断，国内陆续涌现出寒武纪、燧原科技、壁仞等优质AI芯片公司，其中寒武纪作为国内AI芯片领域的先行者，目前产品可全面覆盖云边端应用场景，其中公司在云端方面推出的思元290/370系列芯片，已成功导入至阿里云等多家头部互联网客户中。英伟达H100和 A100 型号芯片进口受限，将倒逼高端 AI芯片国产替代进程加速，展望未来，在行业加速发展叠加自主可控需求背景下，国内 AI芯片龙头厂商有望持续受益。

□ 投资建议：AI行业蓬勃发展带动算力芯片需求激增，国际贸易形势变换推动国产替代加速，国内优质算力/存力芯片公司将迎来发展机遇，建议关注：海光信息、寒武纪、龙芯中科、晶晨股份、兆易创新、北京君正、深科技、江波龙等。

风险提示：国际贸易形势变换；下游需求不及预期；代工产能不及预期；行业技术迭代不及预期；产品迭代不及预期。

华创证券研究所

证券分析师：耿琛

电话：0755-82755859

邮箱：gengchen@hcyjs.com

执业编号：S0360517100004

证券分析师：岳阳

邮箱：yueyang@hcyjs.com

执业编号：S0360521120002

行业基本数据

		占比%
股票家数(只)	430	0.06
总市值(亿元)	71,056.10	7.60
流通市值(亿元)	50.002.21	7.05

相对指数表现

%	1M	6M	12M
绝对表现	-7.6%	2.1%	-0.7%
相对表现	-4.7%	-1.6%	2.8%

投资主题

报告亮点

本报告从产业链角度阐述了AI芯片行业的发展机会，以 ChatGPT 问世掀起的算力潮为背景，分析人工智能技术创新对底层算力/存力芯片需求的影响。报告主体主要分为三个章节，第一章节介绍了本轮由 ChatGPT 爆火带来的AI产业变革，梳理 AI发展所需的底层算力/存力芯片产业链，并复盘英伟达等海外大厂在AI芯片方面的产品布局情况;第二章节从行业规模及驱动力和市场竞争格局两个维度对当前AI芯片行业进行分析，指出在“云-边-端”下游多维度协同发力叠加国产替代的背景下，国内 AI芯片产业链公司迎来了新的发展机遇，后续有望持续受益；第三章节主要阐述产业链重点公司情况。

投资逻辑

ChatGPT问世引爆新一轮AI浪潮，云端计算/存储数据量激增，带动上游 AI算力/存力芯片快速增长承接新增需求；同时受益于工业互联网、车联网/自动驾驶、移动互联网等产业的蓬勃发展，边缘计算的数据量和算力需求也在不断扩大，未来将协同云计算共同驱动 AI芯片行业成长。目前全球AI芯片市场仍由英伟达、Intel等海外大厂主导，而英伟达H100 和 A100 型号芯片进口受限，在行业加速扩容叠加国产替代的背景下，国内 AI芯片厂商迎来新的发展机遇，未来成长空间广阔。建议关注国内优质算力/存力芯片公司海光信息、寒武纪、龙芯中科、晶晨股份、兆易创新、北京君正、深科技、江波龙等。

一、ChatGPT揭开AI发展大幕，算力芯片逐浪前行. 6
（一）ChatGPT横空出世，AIGC 商业化蓄势待发. .6
（二）多模态催生高算力需求，AI芯片迎来黄金发展期 .8
（三）海外大厂深度布局，开启AI算力新时代. .14
二、AI芯片奠定算力时代基石，国产芯片厂商加速布局. ...............·.....。 .17
（一）人工智能发展浪潮兴起，AI芯片市场规模持续扩张 17
（二）“云+边+端"多维度协同发力，带动上游硬件行业发展， ..18
1、云计算：大模型时代算力需求激增，AI芯片迎来产业机遇 .19
2、边缘计算：万物智联带来海量数据，促进AI芯片需求提升 ..20
（三）海外龙头主导AI芯片市场，本土厂商充分受益国产替代浪潮 .22
三、相关公司.. .24
（一）海光信息：本土CPU领军企业，开拓DCU打开成长空间 ..24
（二）龙芯中科：国内CPU龙头厂商，全面打造自主生态. .25
（三）寒武纪：全面深耕AI芯片领域，算力时代迎来快速成长机遇 .26
（四）晶晨股份：智能多媒体 SoC 龙头，WiFi-6 /汽车芯片打造第二成长曲线...26
（五）兆易创新：国内存储设计龙头，合作长鑫存储打开DRAM成长天花板....27
（六）北京君正：车载算力/存力持续提升，车规存储龙头持续发力， .28
（七）深科技：国产存储封测龙头，布局先进工艺决胜AI时代. ..28
（八）江波龙：深耕存储芯片领域，积极拥抱AI发展浪潮 .29
四、风险提示.. .29

图表目录

图表1ChatGPT用户数量增速惊人. .6
图表2 各代GPT对比... .6
图表3GPT-4 在不同年龄段不同类别考试中名列前茅， .7
图表 4多模态模型与单模态模型对比. .7
图表5Copilot 在 Excel中的应用. .7
图表6 Copilot 在PPT中的应用 ..7
图表 7 AIGC 赋予AI人类生产"内容"的特权. ..8
图表8中国智能算力规模及预测（2019-2026E） .8
图表9华为 Ascend 910AI训练芯片构架图 ..9
图表 10　德州仪器 TIDEP-01004 机器学习推理设计. ..9
图表11“云-边-端”泛在算力架构， ...9
图表 12　云、边、端对于芯片的要求不同！ ..10
图表 13各类AI芯片特征对比.. ..10
图表 14 CPU基本架构图 .11
图表15英伟达 Turing TU102 GPU 构架图 .12
图表16 AMDRDNA3 图形架构！ .12
图表 17 FPGA 基本架构图. ..12
图表 18 通过使用 FPGA 构建的智能嵌入式视觉系统 .12
图表 19ASIC 在性能、能效、成本等方面优于标准芯片 .13
图表 20深度学习时，四类AI芯片表现有所差异. .13
图表 21“内存墙"问题愈演愈烈. .14
图表 22 HBM结构示意图. ..14
图表 23　英伟达GPU 微结构演变历程 ..15
图表 24 英伟达 CUDA生态.. .16
图表 25AMD INFINITY 架构 .16
图表 26 AMD ROCm平台 .16
图表 27　英特尔至强处理器路线图 ..17
图表 28 2019-2025E全球AI芯片市场规模.
图表 29 2018-2023E 中国AI芯片市场规模. .17
图表 302018-2023E中国 AI芯片云端/终端占比情况 .18
图表 31 2019-2025EAI服务器推理和训练工作负载.. ..18
图表 322021年中国AI芯片占比情况（按芯片种类划分） ..18
图表 33云端与边缘侧人工智能应用场景对于AI芯片的需求， ...19
图表 34　不同模型所需的算力 19
图表 35部分国外大模型训练参数量， 19
图表36 根据英伟达paper进行训练用AI芯片数量的交叉验证， .20
图表37 2017-2025E全球云计算市场规模 20
图表38 2018-2027E中国公有云市场规模 .20
图表39 2020-2030E中国边缘云市场规模预测 .21
图表40 2020-2030E 边缘云市场结构 .21
图表41 不同边缘计算场景对AI芯片算力的需求 .21
图表42 2020-2026E自动驾驶汽车出货量（万辆） 22
图表43 自动驾驶升级对算力的需求不断提高！ .22
图表44 2019-2025年全球与中国物联网连接数规模及预测（亿个） .22
图表45 2022Q4全球独显GPU 市场份额 .23
图表46 不同应用市场中AI芯片的竞争格局 .23
图表 47服务器成本构成情况. .24
图表 48 英伟达向中国出口H100 和A100 芯片受限 .24

一、ChatGPT揭开AI发展大幕，算力芯片逐浪前行

（一）ChatGPT横空出世，AIGC 商业化蓄势待发

ChatGPT是由OpenAI开发的自然语言生成模型,主要应用之一是聊天机器人。ChatGPT于 2022年11月正式推出，基于GPT-3.5架构语言模型利用对话形式，通过大量语料库和人工反馈的强化学习（RLHF）进行模型训练，最终模型可以理解并针对各类主题生成类似于人类的响应。得益于强大的性能和舒适的用户体验，ChatGPT 问世以来便得到了广泛关注，用户规模迅速扩张，上线不到一周就突破100 万用户，2023年一月末用户数突破1亿，成为史上用户数增长最快的消费者应用。

图表1 ChatGPT用户数量增速惊人

资料来源：甲子光年，华创证券

GPT-4多模态模型强化明显，代际版本升级效果显著。2023年3月14日OpenAI推出了GPT-4 多模态大模型，进一步提升了数据处理能力和安全性等。与GPT-3.5相比，GPT-4的表现有较大的提升，GPT-4 拥有更可靠、更有创意的表现，同时处理细微指令的能力更强。此外，GPT-4 能够接收来自图像的信息，可以利用文本和图像的综合信息生成稳步输出。实验表明，GPT-4 在各种专业测试和学术基准上的表现与人类水平相当。

图表2各代GPT对比

发布时间	2018年6月	2019年2月	2020年5月	2022年1月	2023年3月
参数量	1.17亿	15亿	1750亿	约1750亿	估计 10万亿~100
训练数据量	5GB	40GB	45TB
解码器层数	12	48	96
序列长度	512	1024	2048	4096	8192/32768
特点	有一定泛化能力，可接受下游任务微调	生成能力突出，包括聊天、续写、摘要	上下文小样本学习能力强大，可完成大多数 NLP任务	基于人类反馈对话数据，对齐人类喜好，强大意图理解能力	能力升级：更可靠处理更细微的指令图能力;增加训练为预测；幻觉、安

资料来源：OpenAI官网，大师兄知乎号，腾讯云开发者，华创证券

图表3GPT-4在不同年龄段不同类别考试中名列前茅

资料来源：OpenAI官网

图表 4多模态模型与单模态模型对比

资料来源：Nitish Srivastava&Ruslan Salakhutdinov 《Multimocwith deep boltzmann machines》，华创证券

新一代Microsoft365Copilot惊艳亮相，AI商业化热潮蓄势待发。随着GPT系列模型在商业 AI中的广泛应用和迭代升级，有望带动越来越多的应用场景实现效率提升。以与OpenAI合作紧密的微软为例，北京时间2023年3月17日，微软重磅宣布由GPT-4驱动的 Microsoft 365 Copilot，将大模型（LLM）与 Microsoft Graph 和 Microsoft 365 应用中的数据相结合，打破了传统办公软件的方式，能自动生成文档、电子邮件、PPT，让Word、Excel、PowerPoint、Outlook、Teams等办公软件的效率得以提升。国内外科技巨头纷纷下场进行AI模型商业化尝试，除微软、谷歌外，另一互联网龙头企业 Meta 在 AI领域也有持续性投入。2023年2月，Meta 发布其大语言模型LLaMA，4月又推出针对机器视觉领域的通用图像分割模型SAM。而国内巨头如百度、华为、阿里、商汤等企业亦于近期纷纷发布AI大模型，AI商业化进程提速，将为更多行业和应用领域赋能。

图表5 Copilot 在Excel中的应用

资料来源：微软官网

图表6Copilot在PPT中的应用

资料来源：智东西

GPT系列属于生成式人工智能（AIGC)的范畴。传统AI大多属于分析式AI，通过对输入数据进行分析和推理，实现感知、认知及决策。而生成式AI使用各种机器学习算法,从数据中提取和理解要素，使机器能够创建全新的数字视频、图像、文本、音频或代码等内容。它创建出的内容与训练数据保持相似,而非复制。对抗生成网络GAN(Generativeadversarial networks)是AIGC 领域早期使用最多的算法模型之一，其核心是AI内部的两个程序互相对比，从而生成最接近人类心目中的正确形象，因此被广泛应用于生成图像和音视频领域，随后不断涌现的包括 Transformer、Diffusion 等在内的诸多模型在AIGC技术路线上进行了演进及迭代，使得学习的分布变得更加全面和接近现实，从而呈现出更真实和高质量的内容，大型模型在 AIGC 中变得越来越重要。

图表7AIGC赋予AI人类生产“内容”的特权

资料来源：甲子光年

（二）多模态催生高算力需求，AI芯片迎来黄金发展期

多模态AI驱动新一轮算力需求爆发。随着AI从单模态演变为多模态，所需要处理、训练的数据从单纯的文本数据转为图像、文字、语音、视频在内的多媒体数据，所需要的算力也呈指数级增长。根据OpenAI发布的报告《AIand Compute》，自 2012年以来，AI训练应用的算力需求每3-4个月就会翻倍，至今AI算力增长超过了30 万倍。而随着多模态 AI的逐步落地，边缘端需求上升将会导致算力需求进一步爆发。另一方面，谷歌、百度、阿里巴巴等科技行业纷纷计划推出类ChatGPT的情况下，将会加剧算力供需的不平衡。根据 IDC 与浪潮信息联合发布《2022-2023 中国人工智能计算力发展评估报告》,2022 年我国智能算力规模已达 268 百亿亿次/秒(EFLOPS)，超过通用算力规模，预计到2026年中国智能算力规模将达到1271.4EFLOPS，未来五年复合增长率达52.3%，同期通用算力规模的复合增长率为18.5%。

图表8中国智能算力规模及预测（2019-2026E）

资料来源：IDC，华创证券

算力、模型、数据是AI发展的三大要素，芯片是AI算力的源泉。根据承担任务的不同，AI芯片可以分为训练和推理芯片。训练，即通过输入大量数据来构建神经网络模型，使之可以适应特定的功能。训练芯片对算力、精度、通用性有较为苛刻的需求，需要能够处理海量数据以及适应各种不同的学习任务；推理，即借助现有神经网络进行运算，通过新输入的数据来获得推理结论。推理芯片对性能和精度的要求相对较低，更注重对成本、功耗、时延等指标的综合考量。

图表9 华为 Ascend910AI训练芯片构架图

资料来源：STH官网

图表10 德州仪器 TIDEP-01004机器学习推理设计

资料来源：德州仪器官网

“云-边-端”泛在算力架构趋势已定。在算力未来需求持续增加的情况下，网络带宽和时延限制（性能）和网络带宽成本限制（成本）导致的算力需求错配需要通过在边缘端部署算力进行支撑，构成“云-边-端"泛在算力部署方案。云端，即数据中心，依靠强大算力利用海量数据进行模型训练，云端 AI芯片具有性能高、算力强的特点，能够对深度学习算法模型进行训练与推理，云端的算力是由 GPU或 NPU 等芯片产生的，通过在虚拟平台调度服务器上处理复杂的数据来实现合理使用；边端的算力由 CPU、FPGA 等芯片产生，通过边端服务平台的实时数据过滤和响应，可以保证网络的稳定性且降低延迟;终端，即手机、汽车、智能家居设备、各种IoT设备等执行边缘计算的智能设备，通常使用训练好的模型进行推理，终端 AI芯片具有体积小、耗电少的特点，算力是由 CPU、GPU\DSP 或带有AI核的 SoC等芯片产生的。

图表11 “云-边-端”泛在算力架构

资料来源：华为《泛在算力：智能社会的基石》，华创证券

人工智能技术在云端（云）、边缘端（边）和终端（端）设备中均有广泛应用，三种场景对于芯片的运算能力和功耗等特性有着不同要求。云端主要部署训练芯片和推理芯片，进行智能数据分析和模型训练，以及处理部分对传输带宽要求比高的推理任务；边缘和终端主要部署推理芯片，需要独立完成数据收集、环境感知、人机交互及部分推理决策控制任务。

图表12云、边、端对于芯片的要求不同

应用场景	芯片需求	典型计算能力	典型功耗	典型应用领域
终端	低功耗、高能效、推理任务为主、成本敏感、硬件产品形态众多	<8TOPS	<5瓦	各类消费类电子、物联网产品等
云端	高性能、高计算密度、兼有推理和训练任务、单价高、硬件产品形态少	>30TOPS	>50瓦	云计算数据中心、企业私有云等
边缘端	对功耗、性能、尺寸的要求常介于终端与云端之间、推理任务为主、多用于插电设备、硬件产品形态相对较少	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、智慧医疗、智能驾驶等众多应用领域

资料来源：寒武纪招股说明书，华创证券

作为用于加速人工智能训练和推理任务的专用硬件，AI 算力芯片既包括 CPU、GPU、FPGA 等传统芯片，也包括以 TPU、VPU为代表的专门针对人工智能领域设计的 ASIC芯片，此类芯片通常拥有高度并行计算能力和优异的低功耗高效计算性能。IDC 研究发现,2021 年上半年中国 AI芯片中,GPU 占有 90% 以上的市场份额,稳居第一,而 ASIC、FPGA、NPU 等其他非GPU 芯片也在各个行业和领域被越来越多地采用，整体市场份额接近10%，预计到 2025 年其占比将超过 20%。

图表13各类AI芯片特征对比

技术架构种类	定制化程度	可编辑性	算力	优点	缺点	应用场景
CPU	通用型	不可编辑	低	技术成熟，通用性最强，可执行各种类型的计算机应用程序；人工智能应用开发生态成熟	核数少，处理并行任务较为困难	适用于各种具体的行业,在人工智能芯片市场渗透率相对较低
GPU	通用型	不可编辑	中	通用性较强且适合大规模并行运算：设计和制造工艺成熟	并行运算能力在推理端无法完全发挥	高级复杂算法和通用性人工智能平台
FPGA	半定制化	容易编辑	高	可通过编程灵活配置芯片架构适应算法迭代，平均性能较高：功耗较低：开发时间较短（6个月）	量产单价高：峰值计算能力较低：硬件编程困难	适用于各种具体的行业
ASIC	全定制化	难以编辑	高	通过算法固化实现极致的性能和能效、平均性很强；功耗很低：体积小；量产后成本最低	前期投入成本高；研发时间长（1年）；技术风险大	当客户处在某个特殊场景，可以为其独立设计一套专业智能算法软件

资料来源：亿欧智库，寒武纪招股说明书，华创证券

CPU为AI提供算力和数据管理功能，帮助实现复杂的模型训练、预测和决策过程。CPU是一种通用处理器，适用于大多数计算任务。CPU的核心数较少，因此其更适用于单线程或少量线程的任务，例如文本处理、网页浏览、编程等，对于高性能计算任务，如机器学习、深度学习等，则表现稍显乏力。

算力方面，CPU可以通过指令实现并行计算提升AI系统的计算性能。无论是机器学习还是深度学习模型，大多数计算任务在AI算法中主要基于向量和矩阵运算，而CPU通过高效的向量化指令集，可以实现对大规模矩阵乘法、卷积等高性能的计算，能够在单位时间内完成多个数值运算，从而有效地提高运算效率。由于很多计算任务如卷积神经网络（CNN）的卷积运算都具有较强的并行性，CPU可以通过SIMD指令（单指令流多数据流结构）以及多线程技术来加速AI工作负载。

图表14 CPU基本架构图

资料来源：Computer Science GCSE GURU

GPU具有并行计算能力和高速存储器，可以对需要同时执行多个计算和内存密集型任务的应用进行加速，在AI中主要用于加速训练和推断过程。具体看，GPU常被应用于：1)神经网络；2）通过大量并行数据输入加速 AI 和深度学习操作；3）传统的 AI推理和训练算法。GPU已经成为了当今主流的AI推理计算不可或缺的一部分，这也要求GPU需要集成更多的核心和更密集的算力。为此，GPU供应商一直在改进其架构，以更好地适应新的AI需求。具体看，为了加速深度学习计算，NVIDIA专门开发了能够在半精度浮点运算中实现高度并行的深度学习计算硬件一一TensorCore，从而大幅提高了深度学习计算的速度，显著降低了能耗。此外，AMDRadeon VI在设计上也加入了深度学习领域的优化代码，使该处理器在AI和深度学习领域的表现得到了提升。

算力方面，GPU可以通过并行处理能力显著提升AI应用的处理速度。由于AI计算中涉有大量如矩阵乘法、卷积和张量运算等线性代数计算，GPU内大量的乘加器能够满足算法的需求，且其上百个核心可以同时执行许多线性代数计算，从而进一步缩短计算时间。此外，GPU的并行处理能力在神经网络的训练和推断中尤为重要，因为神经网络的运算过程中通常需要处理大量数据，需要同时使用许多小型核心来进行计算，而GPU的多核属性恰好满足了神经网络对于计算的需求。同时，GPU可以在训练期间对神经网络进行优化，使其更加有效地利用硬件资源。

图表15 英伟达 TuringTU102 GPU 构架图

资料来源：英伟达官网，华创证券

图表16 AMDRDNA3图形架构

资料来源：HotHardware，华创证券

作为 AI计算平台使用最为广泛的加速芯片之一，FPGA具有功耗低、延迟短、灵活性强的特点，被广泛应用于机器学习、网络安全、超大规模图像处理、基因检测等领域。随着AI的发展对算力及定制化愈发严苛的要求，FPGA也将围绕可编程的特性作进一步拓展，通过优化其硬件构架、集成 AI构架与硬件加速器等方面进一步发展。与此同时，CPU+FPGA或将成为全新的异构加速模式，在未来被更多的AI应用领域所采纳。

低功耗与自适应性：对于移动设备和嵌入式系统等具有限制性能的场景来说，FPGA 具有得天独厚的优势，即可实现低功耗和自适应性能的特点。由于其可编程的特性，FPGA可以通过微调内部的电子元件实现自适应算法，以满足不同环境下的计算需求。同时，其节能的特点意味着可以将AI应用带到更多的场景中，比如移动机器人、基于车载装置的驾驶辅助系统等。

高速处理与优化：由于FPGA具有高度灵活、高速的特点，其并行处理能力可以极大地提高AI算法的计算性能，从而实现高效的推理和训练等任务。同时，FPGA还可以根据不同的 AI算法需求自由编程，以最大程度地优化其运行效率和性能。由于其纯硬件的实现方式，FPGA比传统的CPU和GPU更加灵活，因此越来越多的AI开始采用 FPGA进行计算处理。

图表17 FPGA基本架构图

资料来源：安路科技招股说明书

图表18 通过使用FPGA构建的智能嵌入式视觉系统

资料来源：Digikey

ASIC是面向特定的、具体的、相对单一的人工智能应用设计的专用芯片。ASIC从性能、能效、成本均极大的超越了标准芯片，非常适合AI计算场景。优点：1）定制功能与更小的尺寸：由于器件是根据设计的规格进行生产的；2）更低的器件成本：实现大批量设计与生产，批量越大，成本越低；3）高性能、低功耗：ASIC 芯片相当于将AI算法“硬件化”，特定算法下能效更高；4）可形成IP校复用：模块化的设计方法，可根据设计需要进行 IP 选取。ASIC一次性成本远远高于FPGA，但由于其量产成本低，目前主要应用于终端，主要形态为行业专用 SoC，较多集中于语音处理领域。

图表19ASIC在性能、能效、成本等方面优于标准芯片

资料来源：eSilion、转引自快科技

在用于深度学习时，四类芯片各有不同：1）通用性：CPU>GPU>FPGA>ASIC，通用性越低，代表其适合支持的算法类型越少；2）性能功耗比：CPU

图表 20深度学习时，四类AI芯片表现有所差异

资料来源：快科技，华创证券

处理器和存储器间鸿沟日益拉大，“内存墙”问题亟待解决。主流算力芯片外，芯片存取能力亦是决定 AI 运算效果的重要一环。根据 UC Berkeley RISELab 数据，大型Transformer 模型中的参数数量呈指数级增长，每两年增长 240 倍，而单个GPU 内存仅以每 2年2 倍的速度增长，内存延迟和带宽正在限制系统性能，持续（流式）内存带宽继续落后于峰值FLOP 速率，内存不再能够跟上原始计算能力的步伐，此外，网络延迟和带宽也继续以惊人的速度落后于处理器性能，这种不平衡导致半导体行业出现了“内存墙”问题。

AI 高算力需求刺激存储芯片新发展。人工智能应用的快速发展正在显着改变信息的消费、移动和处理方式。在强调能效的同时增加内存带宽对于进一步支持云、边缘和端点的广泛行为分析和神经网络训练至关重要。随着深度学习等 AI算法的发展，AI服务器对计算能力和内存带宽的要求越来越高。GDDR逐渐达到极限，每秒每增加1GB 的带宽所需要的电量剧增，NVIDIA 和 AMD 等厂商逐渐开始使用 HBM（高带宽存储）。HBM 是DRAM的一种新技术，它通过3D 堆叠技术将多个DDR垂直堆叠在一起，形成一个高度集成的内存模组，同时与CPU/GPU合封，使得HBM内存芯片具有更大的密度和更短的电路路径，能够提供更高的内存带宽和更低的延迟，可以显著提高深度学习等AI算法的计算性能和效率。此外，与GDDR5 相比，在相同数量显存下，HBM产品大小仅仅是GDDR5的6%，并且每瓦带宽是其3倍以上。

图表21 “内存墙”问题愈演愈烈

资料来源：Amir Gholami 《AI and Memory Wall》、转引自 OneFlow社区

图表22 HBM结构示意图

资料来源：AMD

（三）海外大厂深度布局，开启AI算力新时代

英伟达先发优势显著，AI时代GPU大显神威。英伟达在1999年推出首款GeForce 256产品，定义了GPU作为图形渲染芯片的功能。2010年开始英伟达开始专注于AI领域的研发，其TeslaGPU为全球最快的超级计算机提供算力支持，同时推出了首个GPU计算架构“Fermi”。此后，英伟达保持每半年推出一款新产品，每两年迭代一次新的芯片架构。从Fermi 架构到如今最新的Hopper架构，产品的制程由 40nm 迭代至4nm，晶体管数量从30亿增长至800亿,FP32算力从1.5TFLOPS 提升到60TFLOPS,内存带宽从192.4GB/s 提升到 3TB/s。

图表 23 英伟达GPU 微结构演变历程

架构代号	推出时间	核心参数	特点	制程	晶体管数量	代表型号
Fermi	2010	16个 SM，每个包括32CUDA Cores，共计 512CUDA Core	首个完整GPU计算架构，支持与共享存储结合纯Cache 层次的GPU架构，支持 ECC的GPU 架构	40/28nm	30亿	Quadro 7000
Kepler	2012	15个 SM，每个包括192个单精度+64个双精度的CUDA Core	游戏性能大幅提升；首次支持GPUDirect 技术	28nm	71亿	K80K40M
Maxwell	2014	16个SM，每个包括4个处理模块，每个处理模块包括32个 CUDA 内核+8个 LD/ST Unit+8 个 SFU	SM 单元减少至128个，但是每个SMM单元拥有更多的逻辑控制电路	28nm	80亿	M5000M4000
Pascal	2016	GP102有60个SM，每个包括 64个 CUDA cores 和32个 DP core	NVLink一代，双向互联带宽160GB/s	16nm	153亿	P100GTX 1080P6000
Volta	2017	80个 SM，每个包括32个NVLinkFP64+64 个 INT32+64 个FPT32+8 个 Tensor core	2.0Tensor Core 1.0满足深度学习和AI运算	12nm	211亿	V100Titan V
Turing	2018	72个 SM，每个包括64个INT32+8 个 Tensor core	Tensor Core 2.0RT Core 1.0	12nm	186亿	T42080TIRTX 5000
Ampere	2020	A100有108个SM，每个包括64个 FP32+64个INT32+32 个 FP64+4 个Tensor core	Tensor Core 3.0RT Core 2.0NVLink 3.0结构稀疏性MIG1.0	7nm	283亿	A100A303090
Hopper	2022	132 个 SM，每个包括128个 FP32+64 个 INT32+64个 FP64+4 个 Tensor core	Tensor Core 4.0NVLink 4.0结构稀疏性矩阵MIG 2.0	4nm	800亿	H100

资料来源：CSDN，华创证券整理

GPU+CUDA生态，构建高效并行计算平台。2006年英伟达推出通用的并行计算平台和编程模型CUDA，能够兼容C++、FORTRAN、DirectCompute、OpenACC 等编程语言环境。过往虽然GPU的“指令复杂度”提高可以带来性能提升，但是会丧失通用灵活性，而英伟达CUDA生态允许开发者使用不同维度的语言进行开发。作为一个有选择范围的生态系统，开发者能够按照自身的应用需求来使用CUDA生态。CUDA经过多年迭代已经成为了软硬件配合的独特生态系统，英伟达也以此为基础构建了GPU、系统、软件和服务的全方位人工智能产品框架。而在收购 ARM 后也将于今年推出自研的Grace CPU进一步完善产品矩阵。

图表24 英伟达CUDA生态

资料来源：英伟达官网

AMD 强化CPU 优势，以 INFINITY 架构和ROCm 软件平台构筑高性能算力平台。INFINITY架构是AMD推出的用来解决异构数据一致性的互联方案,能够提高互联带宽、降低异构通信延迟以及编程难度。通过不断迭代，第三代INFINITY架构能够支持8 通道 GPU 的连接、CPU与GPU之间的一致性内存以及百万兆级运算。ROCm 是AMD于2015 年所推出的一个软件开发平台，类似于英伟达的CUDA，目前已经迭代到第五代。ROCm 为开发者提供了一个开放的、标准的、低摩擦的生态系统，可以实现高性能、高生产力和可移植性的异构计算。目前 AMD使用INFINITY架构和ROCm平台的最新产品MI250X峰值性能可以达到FP32单精度47.9TFLOPS，内存带宽达到3276.8GB/s。

图表25 AMD INFINITY架构

资料来源：AMD官网、转引自电子发烧友

图表26 AMDROCm平台

资料来源：AMD官网、转引自infoQ

英特尔错失先手，奋起直追正当时。由于重视不足，英特尔几乎错过了ARM 架构主导的移动计算市场，如今AI浪潮再起，英特尔内生外延等方式加强对于AI领域的布局。计划从2023到2025年，英特尔至强处理器系列将推出包括CPU、GPU、Dedicated AI、FPGA在内的多款产品，并通过优化主流的开源框架、库和工具来实现出色的硬件性能，同时消除复杂性，在生成式AI领域持续发力。

图表 27英特尔至强处理器路线图

资料来源：英特尔、转引自STH

二、AI芯片奠定算力时代基石，国产芯片厂商加速布局

（一）人工智能发展浪潮兴起，AI芯片市场规模持续扩张

AI时代算力需求高增，带动AI芯片市场持续扩容。信息“爆炸”时代全世界的数据量激增，根据 IDC预测，全球数据圈将由 2018 年的33ZB 增长至2025年的175ZB。海量的数据，需要使用多种具有高速运算能力的人工智能芯片来完成过滤、分析，进而驱动AI芯片市场持续增长。根据WSTS 数据，2019 年全球 AI芯片市场规模仅110 亿美元,2025 年预计将增长至726亿美元，CAGR达到37%；根据甲子光年数据，中国 AI芯片市场规模将从2018年的61亿元增长至2023年的 556亿元，CAGR 高达56%。

图表 28 2019-2025E全球AI芯片市场规模

资料来源：WSTS、转引自观研天下，华创证券

图表29 2018-2023E中国AI芯片市场规模

资料来源：甲子光年，华创证券

云计算为AI提供基础架构，终端应用落地持续进行中。在人工智能刚起步的阶段，算法就已经通过云端数据中心在大数据分析、商业决策等方面广泛应用，目前云端仍为 AI芯片的主要应用场景。而未来随着智能化的逐步渗透，人工智能将进一步下沉到摄像头、交通工具、移动设备等终端中，与云端形成协同作用。根据甲子光年统计，我国AI芯片在云端/终端的比例将从2018年的 75.45%/24.55%变化为 2023年的 68.97%/31.03%。与此同时，随着大模型逐渐投放至市场中，AI芯片所需承担的推理工作占比也将不断上升。

图表30 2018-2023E中国AI芯片云端/终端占比情况

资料来源：甲子光年，华创证券

图表31 2019-2025EAI服务器推理和训练工作负载

资料来源：IDC，华创证券

GPU占据AI芯片市场最大份额，非GPU比重有望进一步提升。由于GPU具有通用性强、速度快、效率高等特点，在训练和推理阶段均适用，因此目前仍为AI芯片中的首选。根据IDC 统计，2021年GPU在我国 AI芯片市场占比为91.9%，NPU、ASIC 和 FPGA的市场份额尚不足10%，未来随着非GPU芯片技术提升以及成本降低，将被越来越多地采用，预计到 2025 年非GPU芯片在AI芯片中的比重将增长至20%。除此之外，类脑芯片的产业化和商业化也在持续演进中，机器学习的发展将为其提供进一步突破的可能性。

图表322021年中国AI芯片占比情况（按芯片种类划分）

资料来源：IDC，转引自观研天下，华创证券

（二）“云+边+端”多维度协同发力，带动上游硬件行业发展

在 AI应用方面，ChatGPT的爆火，意味着大语言模型已发展至新的阶段，由于大模型的构建及应用需要大量的云端算力支持，因此承接算力需求的 AI芯片迎来了发展新浪潮。同时，由于边缘计算可以完成数据收集和部分数据处理工作，在工业互联网、车联网/自动驾驶、移动互联网等场景中能够与云端协同完成计算任务，边缘计算也将迎来新一轮的成长机遇。展望未来，云、边、端的协同发力，将共同驱动上游AI芯片市场的发展。

图表 33云端与边缘侧人工智能应用场景对于AI芯片的需求

资料来源：艾瑞咨询

1、云计算：大模型时代算力需求激增，AI芯片迎来产业机遇

ChatGPT数据量激增，带动底层算力需求大幅提升。根据OpenAI报告，自2012年以来，AI训练应用的算力需求以每3-4个月翻倍的速度递增，2012年至今AI算力增长超过了30 万倍。目前，在训练端 ChatGPT 模型的总算力消耗约已达到 3640PF-days，而GPT-4又会在ChatGPT的基础上增加了图像、视频等信息类型，所需算力支持较单纯的文字交互又会有大幅提升；在推理端，随着用户数量及应用范围的不断扩大，产生的数据量将进一步增加，也会对算力提出更多需求。

图表 34不同模型所需的算力

资料来源:A. Mehonic &A. J. Kenyon 《Brain-inspired computing needs a master plan "

图表 35 部分国外大模型训练参数量

	预训练模型	应用	参数量（亿）	领域
谷歌	BERT	语言理解与生产	4810	NLP
	LaMDA	对话系统		NLP
	PaLM	语言理解与生产、推理、代码生成	5400	NLP
	Imagen	语言理解与图像生成	110	多模态
	Parti	语言理解与图像生成	200	多模态
微软	Florence	视觉识别	6.4	cv
微软	Turing-NLG	语言理解、生成	170	NLP
OFacebook	PT-175B	语言模型	1750	NLP
OFacebook	M2M-100	100种语言互译	150	NLP
Deep Mind	Gato	多面手的智能体	12	多模态
	Gopher	语言理解与生成	2800	NLP
	AlphaCode	代码生成	414	NLP
OpenAI	GPT3	语言理解与生成、推理等	1750	NLP
	ChatGPT	语言理解与生成、推理等		NLP
	GPT4		1750-2800	多模态
Nvidia	Megatron-Turing NLG	语言理解与生成、推理等	5300	NLP

资料来源：腾讯研究院《AIGC发展趋势报告2023》，华创证券

单个大模型训练用GPU需求约3000-5000颗，推理用芯片数量有望不断增加。在训练用AI 芯片方面，参考陈巍博士及其团队的测算结果，若一次训练耗时两周，标准的ChatGPT-175B大致需要375-625台8卡A100 服务器进行训练，对应A100 GPU资源需求量约 3000-5000 块，按照 A100 芯片单价为1万美金计算，单个大模型带来的训练用GPU 市场规模增量约 3000 万-5000 万美元。与此同时，推理用 AI芯片也将随着用户数量增多和用户对短时间内文本输出需求的增大而不断提升。

图表36 根据英伟达paper进行训练用AI芯片数量的交叉验证

资料来源：陈巍谈芯

大模型开发浪潮助推云计算步入新阶段，带动上游硬件市场需求。在AI开发中，由于深度学习模型开发及部署都需要强大的算力支持，开发者如选择自购 AI服务器成本过高，而通过云服务模式能够显著降低AI开发成本，因此云服务模式成为AI开发者的首选。大模型开发浪潮的开启及投放市场，意味着云计算进入了新的阶段。根据Gartner和中国信通院统计，2021年全球云计算市场规模为 3307亿美元，预计2025年将超过6000 亿美元；我国公有云市场规模有望从 2022 年的 4033亿元增长至 2027年的 18764亿元，CAGR为36%。随着云计算的不断发展，承载算力的硬件市场也将实现新一轮的增长。

图表 37 2017-2025E全球云计算市场规模

资料来源：Gartner、转引自中国信息通信研究院，华创证券

图表382018-2027E中国公有云市场规模

资料来源：中国信息通信研究院，华创证券

2、边缘计算：万物智联带来海量数据，促进AI芯片需求提升

海量数据涌现，中心云计算捉襟见肘，边缘云规模显著增加。随着物联网的不断发展，智慧城市、自动驾驶、工业物联网等应用逐步落地，大量终端设备产生的数据量快速增加，中心云计算在算带宽负载、网络延时等方面越来越紧张，边缘计算的价值进一步凸显。根据艾瑞咨询预测，2020 年我国边缘云市场规模为91亿元，其中IoT/现场/区域边缘云的规模分别为16/38/37亿元，预计2025年我国边缘云市场规模将达到550亿元，其中区域边缘云将会在互动直播、vCDN、车联网等较早成熟的场景下实现增速领跑。

图表39 2020-2030E中国边缘云市场规模预测

资料来源：艾瑞咨询，华创证券

图表 40 2020-2030E 边缘云市场结构

资料来源：艾瑞咨询，华创证券

边缘计算应用场景丰富，促进多种AI芯片需求提升。与中心云相比，边缘云更加接近用户和数据源，在降低网络延迟和传输成本方面具有显著优势，能够有效缓解中心云的计算负载和带宽压力。在边缘计算中，AI芯片会利用传声器阵列、摄像头等传感器采集到的数据按照已构建的模型进行推理并输出相应的结果。由于边缘计算的应用场景众多，对于硬件的算力、能耗等性能要求也不尽相同，因此催生出对 AI芯片更加广泛的需求。

图表 41 不同边缘计算场景对AI芯片算力的需求

		物联网场景	移动互联网	智能安防	自动驾驶
任务描述:机器视觉、语音识别/自然语义处理		1、图像检测2、视频检测3、语音识别4、语义理解	1、照相-场景识别2、照相-美化3、AR应用4、语音助手	1、图像检测2、视频检测	1、图像语义分割2、数据融合3、Slam定位4、路径规划
性能要求	算力	<1TOPs	1~8TOPs	4~20TOPs	20~4000TOPs（L3~L5）
	能耗	接入设备部署现场电源	消费级聚合物锂电池2,000~5,000mAh	接入设备部署现场电源	动力级硬壳锂电池（组）200,000~500,000mAh
	面积	高（SoC）	极高（SoC）	高~低（SoC、Server）	中（PCIE contains multipleSoC Chips）
	成本控制	高	极高	高~低（IPC，NVR）	中
	可靠性	高（工业）/中（家用）	中	高	极高
	代表厂商	谷歌、英伟达、云知声、思必驰	苹果、三星、ARM、cadence、寒武纪	北京君正、安霸科技、云天励飞	英伟达、英特尔、恩智浦

资料来源：艾瑞咨询，华创证券

汽车智能化升级持续进行，推动 AI芯片量价齐升。自动驾驶发展如火如茶，根据ICV发布的报告《Global intelligent driving forecast-2022》，2021年全球自动驾驶取得了飞速进步,L1及以上级别自动驾驶汽车渗透率首次超过2/3,预计到2026年该比重将提升至94%。根据地平线数据，自动驾驶等级每增加一级，所需芯片算力就会带来数十倍的上升。其中L2 级自动驾驶的算力需求仅为2-2.5TOPS，而L5级别的算力需求将超过2000TOPS。

从技术路线的发展趋势来看，未来ASIC芯片将会逐步取代高功耗的GPU成为市场主流。

图表422020-2026E自动驾驶汽车出货量（万辆）

资料来源：ICV 《Global intelligent driving forecast-2022》，华创证券

图表 43自动驾驶升级对算力的需求不断提高

资料来源：地平线，华创证券

技术升级助力万物智联发展，催生出广阔AI芯片市场空间。随着AI和IoT技术的不断发展，各大产业向数字化升级方向演进。根据GSMA发布的报告《The mobile economy2020（2020 年移动经济)》，2020 年全球物联网连接数量已达到137亿个，预计到 2025年将突破 245亿个，CAGR为12.4%；而我国物联网连接数量也将从2020 年的 45.3 亿个增长至 2025 年的 80.1亿个，2020-2025年CAGR为12.1%。在万物智联时代，物联网广阔的应用场景将产生庞大的数据，需要更多的AI芯片来提供底层算力支持。

图表 442019-2025年全球与中国物联网连接数规模及预测（亿个）

资料来源：IoTAnalyticsGSMA世界物联网大会、转引自前瞻产业研究院，华创证券

（三）海外龙头主导AI芯片市场，本土厂商充分受益国产替代浪潮

海外龙头垄断高端 AI芯片市场，国内厂商加速布局追赶。英伟达、Intel等老牌海外厂商产品布局广泛,既有云端训练+推理芯片，又有终端应用的产品,根据JPR统计,2022Q4英伟达在全球独显GPU市场中的份额高达82%，Intel和AMD 的市占率均为 9%，海外龙头几乎垄断了高端 AI芯片市场。近年来，国内也出现了寒武纪、比特大陆、百度、地平线等优质本土厂商发力布局相关产品,展望未来，国内AI芯片公司仍有广阔成长空间。

图表45 2022Q4全球独显GPU市场份额

资料来源：JPR，华创证券

图表 46不同应用市场中AI芯片的竞争格局

资料来源：中国信通院，华创证券

AI 芯片是人工智能发展的基础，把握芯片才能拥抱算力时代。根据 IDC 统计，CPU、GPU、存储等芯片在各类服务器成本中的占比约75-90%，其中在机器学习型服务器中GPU 的成本占比超七成，可见AI时代离不开芯片的支撑。随着模型的多模态发展，参数规模和训练数据都呈现出指数级增长，消化、处理这些数据所需的算力对模型发展起到了关键的制约作用。在满足算力的最终诉求下，除大量增加服务器的台数外，提升算力芯片性能同样必不可少。因此若想把握住算力时代，必须先实现AI芯片的自主可控。

图表47服务器成本构成情况

资料来源：IDC，转引自智研咨询，华创证券

高端AI芯片进口受限，自主可控背景下国内厂商有望持续受益。英伟达的A100、H100芯片被认为在人工智能、数据分析、科学计算以及云计算等领域有着广阔的应用前景,2022年8月31日，受国际贸易形势变化影响，英伟达向中国及俄罗斯出口A100和H100芯片受到限制。长期来看，国内高端 AI芯片进口受阻，为本土公司提供了新机遇，国产厂商有望在自主可控背景下持续受益。

图表 48 英伟达向中国出口H100和A100芯片受限

Item 8.01 Other Events

The U.S. government has authorized exports，reexports，and incountry transfers needed to continue NVIDlA Corporation's,or the Company's，development of H1oo integrated circuits after the Company filed its Current Report on Form 8-K with the U.S. Securities and Exchange Commission on August 31，2022.The authorization also allows the Company to perform exports needed to provide support for U.S.customers of A100 through March 1,2023. Additionally, the U.S. government authorized A1oo and H1oo order fulfllment and logistics through the Company's Hong Kong facility through September 1,2023.

资料来源：英伟达公告

国产AI芯片公司持续涌现，训练/推理新品陆续推向市场。尽管目前AI芯片市场仍由海外大厂主导，但国内已涌现出一批优质的 AI芯片公司，陆续发布产品推向市场。例如:寒武纪的AI 芯片思元290主要用于云端训练,而思元370可用于云端+训推,且思元 370是公司推出的首款采用Chiplet技术的AI芯片，最大算力高达256TOPS;海光信息的DCU芯片“深算一号”拥有丰富的软硬件生态，且能够兼容“CUDA”架构。而腾讯、百度、阿里巴巴等互联网大厂也通过投资、孵化等方式在AI芯片领域大力布局。其中，腾讯为燧原科技注资、百度为昆仑芯投资、阿里巴巴孵化了平头哥。

三、相关公司

（一）海光信息：本土CPU领军企业，开拓DCU打开成长空间

国产高端处理器领导者，CPU+DCU双轮驱动成长。海光信息成立于2014年，2022年8月于科创板上市，主营业务包括高端通用处理器（CPU）和高端协处理器（DCU）两大产品线。公司以中科院计算所为基础，通过与 AMD合作，切入X86处理器设计领域，采取合作一吸收一创新的方式成功构筑生态壁垒。公司持续迭代升级+完善产品布局，目前在CPU领域，已形成了海光7000、5000和3000三大产品系列，可覆盖从中高端到中低端场景的需求，同时公司积极拓展DCU产品，2021年推出首款DCU深算1号，产品性能优异，可被广泛应用于人工智能、商业计算等领域。近年来受益于国产替代带来的庞大市场需求，叠加公司产品性能的提升以及新产品的陆续推出，业绩实现快速增长。

服务器CPU市场空间广阔，国产替代未来可期。受益于5G、人工智能、AIoT等新兴产业的发展，服务器市场规模持续扩张。按照技术路线分，x86架构作为CPU复杂指令集的代表，性能和生态优势显著，占据服务器市场的主要份额。根据IDC数据，2021年我国服务器市场出货量为 391.1万台，市场规模为 250.9亿美元，按照CPU在基础型服务器中的成本占比约为30%-35%测算，对应服务器CPU行业规模约82亿美元，市场空间广阔。从竞争格局方面看，由于指令集与生态两大壁垒高企，CPU行业龙头集中效应显著。IDC 数据显示，Intel和AMD占据全球 x86 服务器CPU市场中95%以上的份额，海光作为国内CPU龙头，具备生态壁垒和技术优势。

AI时代拉升算力需求，GPGPU行业景气度持续上升。ChatGPT引爆新一轮AI浪潮来袭，全球数据量激增，带动底层训练+推理算力芯片需求持续增长。根据 WSTS 数据,2019 年全球人工智能芯片市场规模仅110亿美元，预计到2025年将增长至726亿美元，CAGR 达到 37%。GPGPU 作为国内 AI 领域运算加速主要解决方案，将充分受益本轮AI产业上行周期。目前全球GPGPU市场仍由英伟达、Intel等海外大厂主导，国产替代尚有广阔空间。2021年，海光信息面向加速计算市场推出第一代DCU 产品一一深算1号，该款产品拥有强大的计算能力和高速并行处理能力，同时能够兼容“类CUDA”架构，产品性能优异，当年贡献的营收占比超过10%。目前第二代 DCU 产品一一深算 2号已在加紧研发过程中。

（二）龙芯中科：国内CPU龙头厂商，全面打造自主生态

本土CPU领军企业，独立研发构建自主生态。龙芯中科源于2001年中科院成立的龙芯项目小组，自 2008年开始市场化独立运营。公司于2021年开启自主生态建设的新征程,目前已推出LoongISA与LoongArch 指令集,Loongnix与LoongOS 操作系统,和龙芯1、2、3号处理器及其周围的配套芯片，可被广泛应用于工业控制和信息化等领域。公司董事长胡伟武博士是“龙芯”处理器的主要设计人员，核心技术团队成员均具有中科院计算所工作经历和成熟的处理器及芯片相关研发经验，为公司未来发展奠定坚实基础。2018-2021年受益于产品持续迭代升级以及新客户群的顺利拓展，公司业绩实现快速增长。2022 年电子政务市场停滞导致公司营业收入有所下降。

AI+信创推动CPU市场扩容，国产替代势在必行。AI+信创产业腾飞，促进全球算力需求快速增长，带动CPU需求大幅提升。当前全球CPU市场呈Intel和 AMD 双寡头格局。其中，Intel 凭借自研 x86 指令系统架构掌握的先发优势，结合与Windows 形成Wintel联盟构筑生态壁垒，多年保持霸主地位。目前国内CPU厂商仍处于成长阶段，国产CPU发展主要包括两条路线，一是通过获取x86/AMD等主要架构授权，加入主流生态体系；二是通过自主研发指令集及操作系统构建新生态。在中美科技战持续加码的背景下，CPU作为大数据、AI能等高科技发展的基石，实现底层技术全自研势在必行。

技术积累深厚，产品已获得下游客户的广泛应用。公司基于LoongArch迁移或研发了操作系统的核心模块，同时龙芯坚持自主研发IP核，形成了包括系列化CPUIP核、GPUIP核、内存控制器及PHY、高速总线控制器及PHY等上百种IP核，目前已实现CPU自主研发和软件生态建设核心技术的积累。在信息化领域，国内数十家整机品牌推出了基于龙芯CPU的台式机、笔记本、一体机与服务器设备，公司产品已经被广泛应用于电子政务办公信息化系统中。在工控领域，国内上百家主要工控和网络安全设备厂商推出了基于龙芯CPU 的工控和网安产品，设备已经在发电、输变电、轨道交通、高速公路 ETC系统等领域规模化应用或验证。

（三）寒武纪：全面深耕AI芯片领域，算力时代迎来快速成长机遇

国内AI芯片领域先行者，全面布局云边端应用场景。寒武纪自2016年成立以来就专注于人工智能芯片的研发与技术创新，公司主营产品包括云端智能芯片及加速卡、训练整机、边缘智能芯片及加速卡、终端智能处理器IP及相应的配套软件开发平台，目前已陆续推出了思元、玄思系列产品，可被广泛应用于安防监控、自动驾驶、移动终端、智能家居领域。公司创始人&董事长陈天石博士曾任中科院计算所研究员，在AI及处理器芯片领域深耕十余年，具备扎实的理论基础和丰富的研发经验，其他核心研发人员多毕业于著名高校或科研院所，拥有微电子等相关专业的学历背景和中科院计算所工作经历。

云边端加速协同发展，共同驱动AI芯片行业成长。以ChatGPT为代表的大模型已拥有通用AI的部分特征，代表着AI已发展至新的阶段，因此对算力提出了更高的要求，AI芯片作为承载行业发展的硬件基础迎来新一轮成长周期。根据IDC统计，2022年中国的云端智能芯片市场超过35亿美金，预计2025年将超过70亿美元。与此同时，受益于工业互联网、车联网/自动驾驶、移动互联网等产业的蓬勃发展，边缘计算的数据量和算力需求也在不断扩大，未来将协同云计算共同驱动 AI芯片行业成长。目前全球AI芯片市场几乎由英伟达、Intel等海外大厂垄断，同时英伟达H100和A100 产品进口已受限，在行业加速发展叠加自主可控需求的背景下，国内头部厂商迎来了新的发展机遇。

自主研发能力不断提升，持续迭代完善产品布局。随着研发能力的提升，公司产品持续迭代升级，布局逐渐完善，目前可以提供云边端一体、软硬件协同、训练推理融合、具备统一生态的系列化智能芯片产品和平台化基础系统软件。在云端产品方面，公司推出了思元290和思元370 系列芯片，目前已成功导入至阿里云等多家头部客户，同时新产品也在快速迭代中；在边缘产品方面，公司已拥有思元 220 系列芯片，自发布以来销售量超过百万片。同时，公司在IP授权及软件方面也有相应的产品推出。

（四）晶晨股份：智能多媒体 SoC龙头，WiFi-6/汽车芯片打造第二成长曲线

全球布局/国内领先的多媒体SoC芯片设计商，业务规模持续增长。公司于2003年在美国硅谷成立，在音视频解码、模拟电路和数字电路设计、生产工艺开发等方面拥有深厚的技术积累。公司目前拥有 S/T/A/W/V 五大 SoC 系列芯片，分别对应智能机顶盒、智能显示终端、AI音视频系统终端、无线连接及车载领域，业务已覆盖中国大陆、香港、北美、欧洲、拉丁美洲、亚太、非洲等全球主要经济区域。依托长期技术沉淀、持续对新技术、新应用领域的研究开发，以及全球布局的区位优势和市场资源，公司在全球范围内积累了稳定优质的客户群，业务规模持续增长。

AI赋能智能机顶盒曙光初现，主控SoC 深度受益价值量显著提升。随着用户需求的不断提升，机顶盒开始由单一功能向集成化、智能化方向发展，目前高端的智能盒子已成为智慧家庭的重要控制器之一。此外，智能盒子已开始嵌入ChatGPT语音入口模块具备普及率提升、CPU及视频、与图像处理能力强、独立联网、独立运算、边缘计算在增强、节约云资源等优势，并有助于互联网厂商实现ChatGPT类产品应用的快速推广，智能机顶盒有望实现手机从功能机向智能机时代升级的“iPhone”时刻。传统机顶盒一部售价约 200元，智能盒子售价达1288元（以腾讯极光pro 为例），智能化趋势下ASP提升显著,作为核心零部件的主控SoC价值量亦迎来明显抬升,行业天花板料将重塑。根据GrandViewResearch的数据，2021年全球约出货3.3亿台机顶盒，高端智能盒子目前渗透率较低，随着 AI技术的持续赋能，渗透率有望迎来快速上升期，公司与谷歌/亚马逊等海外大厂，以及国内阿里/腾讯等互联巨头保持合作，作为全球机顶盒 SoC龙头，公司有望深度受益行业升级。

WiFi产品预量产/汽车芯片持续研发投入，第二成长赛道明确。公司第二代Wi-Fi蓝牙芯片（Wi-Fi62×2，BT5.3）预量产。Wi-Fi6产品性能较Wi-Fi5实现跃升，具有更加广阔的应用场景，且可与公司主控 SoC平台广泛适配并配套销售（电视、机顶盒、IOT等）,未来有望逐步成长为公司销量最大的单品之一。公司 Wi-Fi 芯片亦同时面向公开市场,独立销售，ASP较Wi-Fi5产品显著提升，无线连接芯片业务有望快速增长。汽车芯片方面，目前主要有车载信息娱乐系统芯片和智能座舱芯片，已进入多个国内外知名车企，并成功量产、商用（包括但不限于宝马、林肯、Jeep、极氪、创维等）。汽车电子是公司的长期战略，公司将持续投入研发，充分发挥既有优势（系统级平台优势、智能化 SoC优势)，不断扩充新技术、推出新产品。

（五）兆易创新：国内存储设计龙头，合作长鑫存储打开DRAM成长天花板

国内存储器设计龙头，深度布局AI与汽车蓝海赛道。兆易创新于2012年成立，主营业务为存储器、微控制器和传感器的研发、技术支持和销售。近年来，智能汽车与智慧工厂的布局正在提速，AI、物联网等消费性电子产品蓬勃发展，以及新兴应用层出不穷，这些都在驱动市场对DDR需求的提升。公司依托深耕闪存市场多年所积累的技术经验，2021年推出自有品牌 DRAM 产品，切入消费、工控等利基型 DRAM 市场，2022年又重磅推出首款自研DDR3L系列产品，采用长鑫存储先进工艺制程，符合JEDEC 标准,读写速率为 2133/1866Mbps，提供 2Gb/4Gb 不同容量选择，在满足消费类市场强劲需求的同时，兼顾工业及汽车市场应用，可为生态圈的发展构建提供强有力的支撑。公司规划中的 DRAM 产品包括 DDR4、LPDDR3、LPDDR4,制程在 1Xnm 级（19nm、17nm）,容量在 1Gb\~8Gb。在 NOR Flash 领域，公司市占率中国大陆第一、全球第三，已实现512Kb 到 2Gb 大容量 SPINORFlash 全系列产品的完善布局，截至2023 年4月，旗下车规级GD25/55SPINORFlash和GD5FSPINANDFlash系列产品全球累计出货量已达1亿颗，广泛运用在如智能座舱、智能驾驶、智能网联、新能源电动车大小三电系统等。

重视研发投入，保持技术创新和技术领先。公司现任主要管理技术团队具备在国际先进产业地区的丰富任职经验和先进经营管理理念，其中董事长朱一明为清华大学本科及硕士毕业，美国纽约州立大学石溪分校硕士，曾任iPolicy Networks Inc.资深工程师并入选国家“千人计划”。公司核心骨干源于海外留学归国青年与经验丰富创业团队，具备较好的国际化视野。公司历来重视研发投入，2022年，公司研发投入达到 10.29 亿元，约占营业收入12.7%，同比增长9.5%。公司在建立技术优势并取得良好业绩回报的同时，高度关注知识产权保护。截止 2022 年末，公司拥有 929 项授权专利，其中 2022 年新增 98 项授权专利。

与长鑫存储紧密合作，DRAM业务天花板快速打开。股权层面，公司参股长鑫存储母公司睿力集成；管理层面，公司实控人朱一明先生为长鑫存储董事长，牵头DRAM研发工作；经营层面，公司自研的利基型DRAM由长鑫代工，同时代销长鑫部分标准型DRAM产品，在利基市场公司 DRAM 产品在工艺制程上保持代差优势，有利于降低产品成本。

公司与长鑫存储的紧密合作关系，为公司 DRAM 产品提供稳定产能保障。随着长鑫存储持续扩产和其在资本市场上的进一步发力，公司有望充分享受产能红利，DRAM业务天花板快速打开。

（六）北京君正：车载算力/存力持续提升，车规存储龙头持续发力

国内车规存储龙头，产品矩阵丰富&客户资源优质。北京君正成立于 2005年，起家于MPU 和智能视频芯片，2020 年公司通过收购 ISSI成功进入车载存储行业，打开公司第二成长曲线。公司旗下存储主体北京矽成（ISSI）深耕车载存储二十余载，产品矩阵丰富，料号充沛，广泛应用于包括电子仪表盘、智能驾驶 ADAS、本地地图、车载娱乐、通信系统在内的众多车内场景。公司已是全球车用 SRAM、DRAM、NORFlash芯片领域第一、第二、第五大供应商（2021年度），目前在汽车领域的终端客户覆盖了大陆集团、法雷奥、Delphi、博世等全球知名汽车一级供应商。

ADAS驱动车内算力/存力持续提升，老牌龙头持续发力再攀高峰。地平线测算自动驾驶等级每增加一级，所需要的芯片算力就会呈现十数倍的上升，L2 级自动驾驶的算力需求 2.0-2.5 TOPS，L3 级自动驾驶算力就需要 20-30 TOPS，实现L4-L5 级自动驾驶的算力需求就超过 2000TOPS，高级别自动驾驶车型渗透率不断提升势必推动车载芯片市场增长，预计至2025年该市场有望以24%的复合增速提升至约82亿美元。

AI驱动智能视频芯片持续增长，IOT助力微处理器业务稳步向好。公司智能视频芯片主要面向智能物联网和智能安防类市场，视频领域作为AI技术与5G物联网技术融合发展形成的应用场景之一，已成为助力传统产业转型升级的重要手段。随着在智能视频领域的技术不断丰富和成熟，公司产品线不断拓展，目前已形成面向安防监控市场IPC/后端NVR/泛视频类市场的多系列芯片，随着各产品陆续放量，智能视频芯片业务有望持续增长。公司微处理器芯片主要面向IOT市场的各类智能硬件产品，物联网终端应用需求的快速增长促进嵌入式MPU 芯片产业市场规模不断增大。根据IC Insights 数据，2020 年全球嵌入式MPU芯片市场规模为175亿美元，至2024年市场规模将达到237亿美元。公司的微处理器产品应用下游广泛，覆盖的领域包括图像识别、智能音频、智能家电、智能家居、智能办公等，业务趋势稳步向好。

（七）深科技：国产存储封测龙头，布局先进工艺决胜AI时代

美光审查事件推动国产替代加速，存储封测龙头深度受益。公司是全球领先的专业电子制造企业，连续多年在全球电子制造服务行业（EMS）排名前列，并构建了以存储半导体、高端制造、计量智能终端为三大主营业务的发展战略。公司存储运营主体沛顿科技前身为金士顿中国封装厂,技术水准领先,公司配备sDBG生产线,可将晶圆减薄至30um,同时掌握 8D/16D 芯片堆叠技术能力；产能充沛，以深圳、合肥半导体封测双基地的模式运营，产能产量达到历史最高水平，未来随着下游客户产能开出/先进封装渗透率提升，公司存储业务天花板打开。

周期&成长&国产替代共振，存储器市场迎来新一轮增长。存储原厂积极减产带动行情预期升温，存储行情正在加速筑底。由于三星、SK海力士和美光三大DRAM原厂的减产步调更为统一，近期渠道部分DDR价格和内存条开始尝试涨价，存储市场目前处于一轮下行周期的尾声，存储市场 Q1 至暗时期已过。目前存储芯片市场需求仍偏淡，但消费终端库存有明显改善，23Q2市场或处于供需博弈阶段的小幅调整磨底行情，跌价幅度有望进一步收敛。下半年传统备货旺季，叠加大厂23Q1减产生效，复苏预期强烈。

AI时代HBM需求大涨，布局先进技术未来可期。长期来看，以AIGC为代表的高算力应用场景驱动存储器容量显著提升，同时亦催生了更高性能的新型存储器的海量需求。HBM（高带宽内存）突破了内存容量与带宽瓶颈（SK海力士第四代HBM产品接口传输速率达到6.4Gbps，带宽接近1TB/s节点），被视为新一代DRAM解决方案，成为AI时代不可或缺的关键技术。海外巨头领衔，未来国内晶圆厂有望积极跟进，产业链配套全面升级。HBM技术壁垒高，涉及硅通孔（TSV）、系统级封装（SiP）等多项核心先进工艺，公司持续推进先进封装技术的研发量产，包括bumping 技术,FCBGA技术，SSD32D堆叠技术等目，未来有望在国产先进存储封测产业发展中发挥重要作用。

（八）江波龙：深耕存储芯片领域，积极拥抱AI发展浪潮

国内存储芯片领域先行者,布局完善。江波龙自1999 年成立以来一直专注存储产品业务，已形成嵌入式存储、固态硬盘（SSD）移动存储及内存条四大产品线，能够提供消费级、工规级、车规级存储器以及业存储软硬件应用解决方案。目前公司拥有行业类存储品牌FORESEE 和国际高端消费类存储品牌 Lexar(雷克沙)，旗下存储器产品被广泛应用于智能终端、物联网、安防、工控、汽车以及个人移动存储等领域。此外，公司也在持续推出行业领先的产品体系，公司UFS 存储器为高端智能手机提供更高的传输速率，车规级eMMC 已符合汽车电子行业核心标准体系AEC-Q100，可实现-40℃-105℃的宽温域作业。

数据中心蓬勃发展，驱动存储细分市场欣欣向荣。各大互联网公司计划自建数据中心以满足未来海量数据存储的需求。传统企业上云进程的加快同样推动了服务器和数据存储市场的快速增长。据 TrendForce 数据，2023年全球服务器出货量预计达1443 万台，AI服务器 2022\~2026年复合增长率有望达10.8%，而 AI服务器市场的增长将进一步扩大对于存储器的需求，公司主营业务有望在未来几年持续增长。由于构建一个由超级计算机组成的现代 AI工厂需要连接成大量带有存储芯片的小型机，企业级 SSD 市场规模将快速扩张，公司目前已发布了企业级规格的 SSD，分别为支持 PCIe 4.0的Longsys ORCA4836 系列 NVMe SSD 与Longsys UNCIA 3836 系列 SATA 3.2 SSD。

自主研发能力不断提升，持续迭代夯实技术储备。公司目前已经具备全面自主可控固件的开发及持续创新能力，能够自主完成SiP集成封装设计，并通过自主研发、与第三方合作开发等多种方式研发了多项存储芯片测试算法，形成行业领先的测试解决方案。与此同时，公司凭借长期的科技创新与技术积累，不断开发并推出创新产品，持续改进存储晶圆产品化过程中各个工艺环节的技术实现手段，缩短产品导入周期，提升产品性能和稳定性，确保先进半导体存储器的供应安全，为下游各个电子信息细分产业提供可靠的存储解决方案，跻身国内顶尖供应商行列。公司旗下Lexar 品牌 SSD 出货量位列全球第七名。根据 Omdia (IHS Markit)数据，2020 年 Lexar 存储卡全球市场份额位列第三名、Lexar闪存盘全球市场份额位列第四名。展望未来，随着公司研发实力的进一步提升，新产品加速落地/新客户加速突破或可期待，公司有望步入业绩增长快车道。

四、风险提示

1、下游需求恢复不及预期

2、各公司新品研发进度不及预期

3、行业竞争加剧

电子组团队介绍

所长助理、前沿科技研究中心负责人：耿琛

美国新墨西哥大学计算机硕士。曾任新加坡国立大计算机学院研究员，中投证券、中泰证券研究所电子分析师。2019年带领团队获得新财富电子行业第五名，2016年新财富电子行业第五名团队核心成员，2017年加入华创证券研究所。

高级分析师：熊翊宇

复旦大学金融学硕士，3年买方研究经验，曾任西南证券电子行业研究员，2020年加入华创证券研究所。

联席首席研究员：岳阳

上海交通大学硕士。2019年加入华创证券研究所。

研究员：王帅

西南财经大学硕士。2021年加入华创证券研究所。

研究员：姚德昌

同济大学硕士。2021年加入华创证券研究所。

研究员：吴鑫

复旦大学资产评估硕士，1年买方研究经验。2022年加入华创证券研究所。

研究员：高远

西南财经大学硕士。2022年加入华创证券研究所。

高级研究员：马振国

河北工业大学硕士，7年半导体晶圆厂和9年半导体设备工作经验，2022年加入华创证券研究所。

华创证券机构销售通讯录

地区	姓名	职务	办公电话	企业邮箱
北京机构销售部	张昱洁	副总经理、北京机构销售总监	010-63214682	zhangyujie @hcyjs.com
	张菲菲	北京机构副总监	010-63214682	zhangfeifei @hcyjs.com
	刘懿	副总监	010-63214682	liuyi@hcyjs.com
	侯春钰	资深销售经理	010-63214682	houchunyu @hcyjs.com
	侯斌	资深销售经理	010-63214682	houbin @hcyjs.com
	过云龙	高级销售经理	010-63214682	guoyunlong @hcyjs.com
	蔡依林	高级销售经理	010-66500808	caiyilin @hcyjs.com
	刘颖	高级销售经理	010-66500821	liuying5 @hcyjs.com
	顾翎蓝	高级销售经理	010-63214682	gulinglan @ hcyjs.com
	车一哲	销售经理		cheyizhe @hcyjs.com
深圳机构销售部	张娟	副总经理、深圳机构销售总监	0755-82828570	zhangjuan @hcyjs.com
	汪丽燕	高级销售经理	0755-83715428	wangliyan @hcyjs.com
	张嘉慧	高级销售经理	0755-82756804	zhangjiahui1 @hcyjs.com
	董妹彤	销售经理	0755-82871425	dongshutong@hcyjs.com
	巢莫雯	销售经理	0755-83024576	chaomowen @hcyjs.com
	王春丽	销售经理	0755-82871425	wangchunli @hcyjs.com
上海机构销售部	许彩霞	总经理助理、上海机构销售总监 0	21-20572536	xucaixia@hcyjs.com
	官逸超	上海机构销售副总监	021-20572555	guanyichao @hcyjs.com
	黄畅	上海机构销售副总监	021-20572257-2552	huangchang @hcyjs.com
	吴俊	资深销售经理	021-20572506	wujun1 @hcyjs.com
	张佳妮	高级销售经理	021-20572585	zhangjiani @hcyjs.com
	邵婧	高级销售经理	021-20572560	shaojing@hcyjs.com
	蒋瑜	高级销售经理	021-20572509	jiangyu @hcyjs.com
	施嘉玮	高级销售经理	021-20572548	shijiawei@hcyjs.com
	朱涨雨	销售助理	021-20572573	zhuzhangyu@hcyjs.com
	李凯月	销售助理		likaiyue @hcyjs.com
	张玉恒	销售助理		zhangyuheng @hcyjs.com
广州机构销售部	段佳音	广州机构销售总监	0755-82756805	duanjiayin @hcyjs.com
	周玮	销售经理		zhouwei@hcyjs.com
	王世韬	销售经理		wangshitao1 @hcyjs.com
私募销售组	潘亚琪	总监	021-20572559	panyaqi @hcyjs.com
	汪子阳	副总监	021-20572559	wangziyang @hcyjs.com
	江赛专	资深销售经理	0755-82756805	jiangsaizhuan @hcyjs.com
	汪戈	高级销售经理	021-20572559	wangge @hcyjs.com
	宋丹玛	销售经理	021-25072549	songdanyu@hcyjs.com

华创行业公司投资评级体系(基准指数沪深300)

公司投资评级说明：

强推：预期未来6个月内超越基准指数20%以上;

推荐：预期未来6个月内超越基准指数10%－20%;

中性：预期未来6个月内相对基准指数变动幅度在-10%-10%之间;

回避：预期未来6个月内相对基准指数跌幅在10%-20%之间。

行业投资评级说明：

推荐：预期未来3-6个月内该行业指数涨幅超过基准指数 5%以上;

中性：预期未来3-6个月内该行业指数变动幅度相对基准指数-5%-5%;

回避：预期未来3-6个月内该行业指数跌幅超过基准指数5%以上。

分析师声明

每位负责撰写本研究报告全部或部分内容的分析师在此作以下声明:

分析师在本报告中对所提及的证券或发行人发表的任何建议和观点均准确地反映了其个人对该证券或发行人的看法和判断；分析师对任何其他券商发布的所有可能存在雷同的研究报告不负有任何直接或者间接的可能责任。

免责声明

本报告仅供华创证券有限责任公司（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为客户。

本报告所载资料的来源被认为是可靠的，但本公司不保证其准确性或完整性。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司在知晓范围内履行披露义务。

报告中的内容和意见仅供参考，并不构成本公司对具体证券买卖的出价或询价。本报告所载信息不构成对所涉及证券的个人投资建议，也未考虑到个别客户特殊的投资目标、财务状况或需求。客户应考虑本报告中的任何意见或建议是否符合其特定状况，自主作出投资决策并自行承担投资风险，任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。本报告中提及的投资价格和价值以及这些投资带来的预期收入可能会波动。

本报告版权仅为本公司所有，本公司对本报告保留一切权利。未经本公司事先书面许可，任何机构和个人不得以任何形式翻版、复制、发表、转发或引用本报告的任何部分。如征得本公司许可进行引用、刊发的，需在允许的范围内使用，并注明出处为“华创证券研究”且不得对本报告进行任何有悖原意的引用、删节和修改。

证券市场是一个风险无时不在的市场，请您务必对盈亏风险有清醒的认识，认真考虑是否进行证券交易。市场有风险，投资需谨慎。

华创证券研究所

北京总部	广深分部	上海分部
地址：北京市西城区锦什坊街 26 号恒奥中心C座3A	地址：深圳市福田区香梅路 1061 号中投国际商务中心A座19 楼	地址：上海市浦东新区花园石桥路 33 号花旗大厦12 层
邮编：100033 传真：010-66500801	邮编：518034	邮编：200120
会议室：010-66500900	传真：0755-82027731 会议室：0755-82828562	传真：021-20572500 会议室：021-20572522

人工智能风起云涌，算力芯片需求升温

华创证券研究所

行业基本数据

相对指数表现

相关研究报告

投资主题

报告亮点

投资逻辑

目录

图表目录

一、ChatGPT揭开AI发展大幕，算力芯片逐浪前行

（一）ChatGPT横空出世，AIGC 商业化蓄势待发

（二）多模态催生高算力需求，AI芯片迎来黄金发展期

（三）海外大厂深度布局，开启AI算力新时代

二、AI芯片奠定算力时代基石，国产芯片厂商加速布局

（一）人工智能发展浪潮兴起，AI芯片市场规模持续扩张

（二）“云+边+端”多维度协同发力，带动上游硬件行业发展

1、云计算：大模型时代算力需求激增，AI芯片迎来产业机遇

2、边缘计算：万物智联带来海量数据，促进AI芯片需求提升

（三）海外龙头主导AI芯片市场，本土厂商充分受益国产替代浪潮

Item 8.01 Other Events

三、相关公司

（一）海光信息：本土CPU领军企业，开拓DCU打开成长空间

（二）龙芯中科：国内CPU龙头厂商，全面打造自主生态

（三）寒武纪：全面深耕AI芯片领域，算力时代迎来快速成长机遇

（四）晶晨股份：智能多媒体 SoC龙头，WiFi-6/汽车芯片打造第二成长曲线

（五）兆易创新：国内存储设计龙头，合作长鑫存储打开DRAM成长天花板

（六）北京君正：车载算力/存力持续提升，车规存储龙头持续发力

（七）深科技：国产存储封测龙头，布局先进工艺决胜AI时代

（八）江波龙：深耕存储芯片领域，积极拥抱AI发展浪潮

四、风险提示

电子组团队介绍

所长助理、前沿科技研究中心负责人：耿琛

高级分析师：熊翊宇

联席首席研究员：岳阳

研究员：姚德昌

研究员：吴鑫

研究员：高远

高级研究员：马振国

华创证券机构销售通讯录

华创行业公司投资评级体系(基准指数沪深300)

公司投资评级说明：

行业投资评级说明：

分析师声明

免责声明

华创证券研究所

华创证券-电子行业深度研究报告：人工智能风起云涌，算力芯片需求升温-230525.pdf