从ChatGPT看芯片产业机遇：AI芯片产业链有望率先受益

（报告出品方/作者：中泰证券，王芳，李雪峰，杨旭，游凡）

一、ChatGPT激起AI浪潮，多场景创新产业链空间广阔

1.1、AI创新浪潮兴起，多模态赋能下游行业

ChatGPT快速渗透，AI产业迎发展新机

ChatGPT是由OpenAI公司开发的人工智能聊天机器人程序，于2022年11月发布，推出不久便在全球范围内爆火。根据 World of Engineering数据显示，ChatGPT达到1亿用户量用时仅2个月，成为史上用户增长速度最快的消费级应用程序。与之 相比，TikTok达到1亿用户用了9个月，Instagram则花了2年半的时间。从用户体验来看，ChatGPT不仅能实现流畅的文字聊 天，还可以胜任翻译、作诗、写新闻、做报表、编代码等相对复杂的语言工作。

ChatGPT爆火的背后是人工智能算法的迭代升级。ChatGPT是基于GPT-3.5微调得到的新版本模型，能够借助人类反馈的强 化学习（RLHF）技术来指导模型训练，实现模型输出与人类预期的需求，使对话内容更加人性化和富有逻辑性。从2008年 第一代生成式预训练模型GPT-1诞生以来，GPT系列模型几乎按照每年一代的速度进行迭代升级，未来随着大语言模型 （LLM）技术的不断突破，AI相关应用有望加速落地，AI产业或将迎来新一轮发展机遇。

ChatGPT激起AI浪潮，大算力芯片迎来产业机遇

ChatGPT是生成式人工智能技术（AIGC）的一种，与传统的决策/分析式AI相比，生成式AI并非通过简单分析已有数据来进 行分析与决策，而是在学习归纳已有数据后进行演技创造，基于历史进行模仿式、缝合式创作，生成全新的内容。AIGC的应 用非常广泛，包括自然语言生成、图像生成、视频生成、音乐生成、艺术创作等领域。 AIGC产业链主要分为上游算力硬件层、中游数据/算法软件层和下游行业应用层。硬件层依靠高性能AI芯片、服务器和数据 中心为AIGC模型的训练提供算力支持，是承载行业发展的基础设施；数据/算法层软件层主要负责AI数据的采集、清洗、标注 及模型的开发与训练，多方厂商入局自然语言处理、计算机视觉、多模态模型等领域；行业应用层目前主要涉及搜索、对话、 推荐等场景，未来有望在多个行业呈现井喷式革新。

多模态赋能下游行业智慧化升级

多模态大模型有望成为AI主流，赋能下游行业智能升级。生成式AI主要依赖于人工智能大模型，如Transformer、BERT、 GPT系列等。这些模型通常包含数十亿至数万亿个参数，需要庞大的数据集进行训练，致使AI算力的需求也呈现出指数级的 增长。多模态是一种全新的交互、生成模式，集合了图像、语音、文本等方式，因其可以结合多种数据类型和模态的学习， 将有望彻底改变我们与机器互动的方式，快速占据人工智能主导地位。我们认为多模态大模型长期来看不仅可以从成本端 降本增效，需求端也将通过快速渗透推广为下游行业带来持续增长需求，从而快速推动下游行业智慧化应用升级。

GPT-4性能提升显著，AIGC应用市场空间广阔

多模态模型是实现人工智能应用的关键。3月14日OpenAI发布GPT-4多模态大模型，拥有1）强大的识图能力；2）文字输 入限制提升至2.5万字；3）回答准确性显著提高；4）能够生成歌词、创意文本、实现风格变化。在各种专业和学术基准上， GPT-4已具备与人类水平相当表现。如在模拟律师考试中，其分数在应试者前10%，相比下GPT-3.5在倒数10%左右。多模态 大模型在整体复杂度及交互性上已有较大提升，模型升级有望加速细分垂直应用成熟，赋能下游智慧化升级，带动需求快 速增长。

1.2、算力芯片迎来产业机遇

AI芯片是人工智能的底层基石

AI人工智能的发展主要依赖两个领域的创新和演进：一是模仿人脑建立起来的数学模型和算法，其次是半导体集成电路AI 芯片。AI的发展一直伴随着半导体芯片的演进过程，20世纪90年代，贝尔实验室的杨立昆（Yann LeCun）等人一起开发了 可以通过训练来识别手写邮政编码的神经网络，但在那个时期，训练一个深度学习卷积神经网络（Convolutional Neural Network，CNN）需要3天的时间，因此无法实际使用，而硬件计算能力的不足，也导致了当时AI科技泡沫的破灭。

ChatGPT激起AI浪潮，大算力芯片迎来产业机遇

算力硬件层是构成AIGC产业的核心底座，主要包括AI芯片、AI服务器和数据中心。 AI芯片是算力硬件层的基石。AI芯片主要分为CPU、GPU、FPGA和ASIC四类，CPU是AI计算的基础，GPU、FPGA、ASIC 作为加速芯片协助CPU进行大规模计算。目前AI芯片主要被国际厂商垄断，根据Counterpoint、IDC数据，Intel和AMD共计 占2022年全球数据中心 CPU 市场收入的92.45%，Nvidia占2021年中国加速卡市场份额的80%以上。

AI 服务器是AI芯片的系统集成。AI服务器采用CPU+加速芯片的架构形式，在进行模型的训练和推断时会更具有效率优势。 与国外AI芯片厂商的垄断局面不同，中国AI服务器水平位于世界前列。据IDC数据，在2021H1全球 AI 服务器市场竞争格局 中，浪潮信息以20.2%的份额排名第一，联想和华为分别以6.1%和4.8%的份额位列第四、五名。数据中心的计算服务是承接AI算力需求的直接形式。AIGC的模型训练是通常是通过云计算服务完成的，其本质是AIGC模型 厂商借助IDC的算力资源，在云端实现模型的训练。目前国内的数据中心厂商主要包括三大运营商、华为、联想、中科曙光 等，提供云计算的厂商主要有阿里、腾讯等互联网企业。

二、芯片是ChatGPT底层土壤

2.1、AI芯片有望率先受益，CPU+XPU异构形式成为主流

AI芯片根据下游应用可分为训练、推断两类

机器学习主要包括训练（training）和推断（inference）两个步骤，通常需要不同类型的AI芯片来执行。训练是指通过大数 据训练出一个复杂的神经网络模型，通过大量标记过的数据来训练相应的系统，使其能够适应特定的功能；推理是指利用 训练好的模型，使用新数据推理出各种结论。 训练芯片：通过大量的数据输入，构建复杂的深度神经网络模型的一种AI芯片。需要较高的计算性能、能够处理海量的数 据、具有一定的通用性，以便完成各种各样的学习任务，注重绝对的计算能力。 推断芯片：推断芯片主要是指利用训练出来的模型加载数据，计算“推理”出各种结论的一种AI芯片，注重综合指标，侧 重考虑单位能耗算力、时延、成本等性能。

全球AI芯片有望达到726亿美元规模

AI芯片是AI算力的核心，需求有望率先扩张。AI芯片是用于加速人工智能训练和推理任务的专用硬件，主要包括GPU、 FPGA、ASIC等，具有高度并行性和能够实现低功耗高效计算的特点。 随着AI应用的普及和算力需求的不断扩大，AI芯片需求有望率先扩张。根据IDC预测，中国AI算力规模将保持高速增长，预 计到2026年将达1271.4EFLOPS，CAGRA（2022-2026年）达52.3%。在此背景下，IDC预测异构计算将成为主流趋势，未来 18个月全球人工智能服务器GPU、ASIC和FPGA的搭载率均会上升，2025年人工智能芯片市场规模将达726亿美元。

云端/边缘端芯片同步发展

深度学习的应用开发可分成云端与边缘侧两大部分。云端指的是数据中心或超级计算机，具有强大的计算能力，利用海量 数据进行模型训练，也可以进行推理。边缘侧指的是数据中心外的设备，如自动驾驶汽车、机器人、智能手机、无人机或 IoT设备，用训练好的模型进行推理。根据场景不同，形成了两种不同要求的AI芯片： 云端芯片：具有最大的计算能力和最高的性能，主要对深度学习算法模型进行训练，有时也进行推断。目前云端主要以 CPU+GPU异构计算为主，根据wind数据，在机器学习服务器和高性能服务器中，CPU+GPU的成本占比分别为83%与51%。

边缘端芯片：计算性能有限，主要使用从云端传来的训练好的模型和数据进行推断。在边缘侧或手机等端侧设备中，很少 有独立的芯片，AI加速通常由 SoC上的一个IP实现。例如，苹果智能手机里最大的应用处理器（Application Processor，AP） 芯片就是一块带有AI核的SoC，这类SoC的性能一般可以达到5～10 TOPS。

AI芯片有望率先受益，CPU+XPU异构形式成为主流

云端训练和推断计算主要由 Al 服务器完成，底层算力芯片包括 CPU、GPU、FPGA、ASIC 等。 CPU是AI计算的基础，负责控制和协调所有的计算操作。在AI计算过程中，CPU用于读取和准备数据，并将数据来传输到 GPU等协处理器进行计算，最后输出计算结果，是整个计算过程的控制核心。根据IDC数据，CPU在基础型、高性能型、推 理型、训练型服务器中成本占比分别为32%、23.3%、25%、9.8%，是各类服务器处理计算任务的基础硬件。

GPU、FPGA、ASIC是AI计算的核心，作为加速芯片处理大规模并行计算。具体来看，GPU通用性较强，适合大规模并行计 算，且设计及制造工艺较成熟，目前占据AI芯片市场的主要份额；FPGA具有开发周期短、上市速度快、可配置性等特点， 目前被大量应用于线上数据处理中心和军工单位；ASIC根据特定需求进行设计，在性能、能效、成本均极大的超越了标准 芯片，非常适合 AI 计算场景，是当前大部分AI初创公司开发的目标产品。

CPU：底层核心算力芯片

CPU（Central Processing Unit）中央处理器：是计算机的运算和控制核心（Control Unit)，是信息处理、程序运行的最终执 行单元，主要功能是完成计算机的数据运算以及系统控制功能。 CPU擅长逻辑控制，在深度学习中可用于推理/预测。在深度学习中,模型的训练和推理是两个不同的过程: 在训练过程中，模型需要进行大量的矩阵运算，因此通常使用GPU等擅长并行计算的芯片进行处理； 在推理过程中，需要对大量的已经训练好的模型进行实时的推理/预测操作，而这种操作通常需要高效的逻辑控制能力和低 延迟的响应速度，这正是CPU所擅长的。

GPU：AI高性能计算王者

GPU（Graphics Processing Unit）图形处理器：GPU最初是为了满足计算机游戏等图形处理需求而被开发出来的，但凭借 高并行计算和大规模数据处理能力，逐渐开始用于通用计算。根据应用场景和处理任务的不同，GPU形成两条分支： 传统GPU：用于图形图像处理，因此内置了一系列专用运算模块，如视频编解码加速引擎、2D加速引擎、图像渲染等。 GPGPU：通用计算图形处理器（general-purpose GPU）。为了更好地支持通用计算，GPGPU减弱了GPU图形显示部分的能 力，将其余部分全部投入到通用计算中，同时增加了专用向量、张量、矩阵运算指令，提升了浮点运算的精度和性能，以 实现人工智能、专业计算等加速应用。

FPGA：可编程芯片加速替代

FPGA（Field Programmable Gate Array）现场可编程门阵列：FPGA最大的特点在于其现场可编程的特性，无论是CPU、 GPU还是ASIC，在芯片制造完成后功能会被固定，用户无法对硬件功能做出更改，而FPGA在制造完成后仍可使用配套软件 对芯片进行功能配置，将芯片上空白的模块转化为自身所需的具备特定功能的模块。 可编程性、高并行性、低延迟、低功耗等特点，使得FPGA在AI推断领域潜力巨大。FPGA可以在运行时根据需要进行动态 配置和优化功耗，同时拥有流水线并行和数据并行能力，既可以使用数据并行来处理大量数据，也能够凭借流水线并行来 提高计算的吞吐量和降低延迟。根据与非网数据，FPGA（Stratix 10）在计算密集型任务的吞吐量约为CPU的10倍，延迟与 功耗均为GPU的1/10。

ASIC：云计算专用高端芯片

ASIC（Application Specific Integrated Circuit）专用集成电路：是一种为专门应特定用户要求和特定电子系统的需要而设 计、制造的集成电路。ASIC具有较高的能效比和算力水平，但通用性和灵活性较差。能效方面：由于ASIC是为特定应用程序设计的，其电路可以被高度优化，以最大程度地减少功耗。根据Bob Broderson数据， FPGA的能效比集中在1-10 MOPS/mW之间。ASIC的能效比处于专用硬件水平，超过100MOPS/mW，是FPGA的10倍以上。算力方面：由于ASIC芯片的设计目标非常明确，专门为特定的应用场景进行优化，因此其性能通常比通用芯片更高。根据 头豹研究院数据，按照CPU、GPU、FPGA、ASIC顺序，芯片算力水平逐渐增加，其中ASIC算力水平最高，在1万-1000万 Mhash/s之间。

2.2、国产芯片厂商加速布局

国产CPU多点开花加速追赶

全球服务器CPU市场目前被Intel和AMD所垄断，国产 CPU 在性能方面与国际领先水平仍有差距。根据Counterpoint数据， 在2022年全球数据中心CPU市场中，Intel以70.77%的市场份额排名第一，AMD以19.84%的份额紧随其后，剩余厂商仅占据 9.39%的市场份额，整体上处于垄断局面；目前国内CPU厂商主有海光、海思、飞腾、龙芯、申威等。通过产品对比发现， 目前国产服务器CPU性能已接近Intel中端产品水平，但整体上国内CPU厂商仍在工艺制程、运算速度（主频）、多任务处理 （核心与线程数）方面落后于国际先进水平。

生态体系逐步完善，国产GPU多领域追赶

全球GPU芯片市场主要由海外厂商占据垄断地位，国产厂商加速布局。全球GPU市场被英伟达、英特尔和AMD三强垄断， 英伟达凭借其自身CUDA生态在AI及高性能计算占据绝对主导地位；国内市场中，景嘉微在图形渲染GPU领域持续深耕，另 外天数智芯、壁仞科技、登临科技等一批主打AI及高性能计算的GPGPU初创企业正加速涌入。 图形渲染GPU：目前国内厂商在图形渲染GPU方面与国外龙头厂商差距不断缩小。芯动科技的“风华2号”GPU采用5nm工 艺制程，与Nvidia最新一代产品RTX40系列持平，实现国产图形渲染GPU破局。景嘉微在工艺制程、核心频率、浮点性能等 方面虽落后于Nvidia同代产品，但差距正逐渐缩小。

FPGA/ASIC国产替代正当时

FPGA全球市场呈现“两大两小”格局，Altera与Xilinx市占率共计超80%，Lattice和Microsemi市占率共计超10%；整体来 看，安路科技、紫光同创等厂商处于国际中端水平，仍需进一步突破。工艺制程方面，当前国产厂商先进制程集中在28nm， 落后于国际16nm水平；在等效LUT数量上，国产厂商旗舰产品处于200K水平，仅为XILINX高端产品的25%左右。 ASIC不同于CPU、GPU、FPGA，目前全球ASIC市场并未形成明显的头部厂商，国产厂商快速发展；通过产品对比发现， 目前国产厂商集中采用7nm工艺制程，与国外ASIC厂商相同；算力方面，海思的昇腾910在BF16浮点算力和INT8定点算力方 面超越Googel最新一代产品TPUv4，遂原科技和寒武纪的产品在整体性能上也与Googel比肩。未来国产厂商有望在ASIC领 域继续保持技术优势，突破国外厂商在AI芯片的垄断格局。

2.3、AI算力需求，存储芯片受益

AI算力需求，存储芯片受益

ChatGPT带动AI服务器需求，存储芯片受益。 ChatGPT的数据获取、数据整理、训练、推理除大算力芯片外，还需存储芯片支持。 服务器成本构成：服务器成本包括算力芯片、存储器等，根据IDC 2018年服务器成本构成，在高性能服务器/推理型服务器/机 器学习型服务器中存储占比29%/25%/16%。AI服务器，除了内存需要128GB或更大容量的高性能HBM和高容量服务器DRAM， 还需硬盘去存储大量数据。 存储下游市场：智能手机+服务器+PC是主要下游。智能手机端出货量增速有限，单机容量提升是主要推动力；服务器端，受 益人工智能、物联网和云计算等应用兴起，服务器出货量及单机容量提升推动增长。

AI高算力对高带宽内存的需求

AI大算力需要的内存：大容量服务 器DRAM和高带宽内存HBM。 按照应用场景，DRAM分成标准 DDR、LPDDR、GDDR三类。 JEDEC定义并开发了以下三类 SDRAM 标准，以帮助设计人员满足 其目标应用的功率、性能和尺寸要求。 1）标准型DDR：针对服务器、云计 算、网络、笔记本电脑、台式机和消 费类应用程序，与CPU配套使用 。2）LPDDR：Low Power DDR，针对 尺寸和功率非常敏感的移动和汽车领 域，有低功耗的特点。3）GDDR：Graphics DDR，针对高 带宽(例如显卡和 AI)的两种不同的存 储器架构是 GDDR 和 HBM。

AI助力企业级SSD市场扩容

AI助力企业级SSD市场扩容。 SSD为固态硬盘，由NAND颗粒、主控芯片等构成，其中NAND颗粒占成本的70%。SSD按照用途分为消费级、企业级 及其他行业级产品。近年来随着云计算、大数据发展，互联网服务加速普及，企业加快数字化转型，数据呈现井喷状 态，企业级SSD市场需求与规模不断攀升。 IDC 数据显示，企业级 SSD 全球出货量将从 2020 年的约 4750万块增长到 2021 年的 5264 万块左右，年均增长率为 10.7%，预计到 2025 年，将增加到 7436 万块左右。

三、芯片需求增长拉动产业链机会

3.1、封测：Chiplet是AI芯片大势所趋

AI产业机会-封测：Chiplet是AI芯片大势所趋

当前AI芯片呈现几大趋势： 1）制程越来越先进。从2017年英伟达发布Tesla V100 AI芯片的12nm制程开始，业界一直在推进先进制程在AI芯片上的应用。 英伟达、英特尔、AMD一路将AI芯片制程从16nm推进至4/5nm。 2）Chiplet封装初露头角。2022年英伟达发布H100 AI芯片，其芯片主体为单芯片架构，但其GPU与HBM3存储芯片的连接， 采用Chiplet封装。在此之前，英伟达凭借NVlink-C2C实现内部芯片之间的高速连接，且Nvlink芯片的连接标准可与Chiplet业 界的统一标准Ucle共通。而AMD2023年发布的Instinct MI300是业界首次在AI芯片上采用更底层的Chiplet架构，实现CPU和 GPU这类核心之间的连接。

3）2020年以来头部厂商加速在AI芯片的布局。AI芯片先行者是英伟达，其在2017年即发布Tesla V100芯片，此后2020以来 英特尔、AMD纷纷跟进发布AI芯片，并在2022、2023年接连发布新款AI芯片，发布节奏明显加快。

AI产业机会-封测：Chiplet是AI芯片大势所趋

制程越先进、芯片组面积越大、小芯片（Chips）数量越多，Chiplet封装较SoC单芯片封装，成本上越有优势： Chiplet主要封装形式有MCM/InFO/2.5D这三种。 14nm制程下，当芯片面积超过700mm²时，Chiplet封装中的MCM成本开始较SoC低，当面积达900mm²时，MCM较SoC成本 低近10%（2颗chips）、或低20%（3颗chips）、或低25%（5颗chips）； 7nm制程下，芯片面积超过400mm²时，MCM成本开始低于SoC，面积超过600mm²时，InFO成本开始低于SoC，当面积达 900mm²时，5颗chips情况下，MCM较SoC成本低40%、InFO较SoC成本低20%； 5nm制程下，芯片面积超过300mm²时，MCM成本开始低于SoC，成本超过500mm²时，InFO成本开始低于SoC，当面积达 900mm²时，5颗chips情况下，MCM较SoC成本低50%、InFO较SoC成本低40%、2.5D较SoC成本低28%。

鉴于当前AI芯片朝高算力、高集成方向演进，制程越来越先进，Chiplet在更先进制程、更复杂集成中降本优势愈发明显， 未来有望成为AI芯片封装的主要形式。

3.2、PCB：AI服务器基石

AI产业机会-PCB：AI服务器基石

ChatGPT数据运算量增长快速，带动服务器/交换机/显卡等用量提升，布局相应领域PCB公司显著受益。 ChatGPT带来了算力需求的激增，与之对应亦带来相应服务器/交换机等作为算力核心载体和传输的硬件，带来PCB需求大幅 增长，同时随着对算力的要求越来越高，对于大容量、高速、高性能的云计算服务器的需求将不断增长，对PCB的设计要求 也将不断升级，提升对于高层数、大尺寸、高速材料等的应用。

以23年发布的新服务器平台为例，Pcie 5.0服务器用PCB层数、材料、设计工艺均有升级，PCB价格提升显著，其层数从4.0 的12-16层升级至16-20层，根据 Prismark 的数据，2021 年 8-16 层板的价格为 456 美元/平米，而18 层以上板的价格为 1538 美元/平米，PCB 价值量增幅明显；另外配套新服务器，交换机、传输网产品都需要同步升级，预计400G、800G交换机对 PCB板子拉动巨大，进一步带动数通板景气度提升。

ChatGPT带动服务器用量增长及平台升级，预计2025年服务器PCB市场超160亿美元，2021-2025CAGR达21%。 随着ChatGPT对服务器用量增长及平台升级，对应PCB的板材、层数、工艺复杂的均显著提升，预计2025年全球服务器PCB 市场规模超160亿美元，2021-2025年CAGR达21%，成为PCB增长最快的下游之一。

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

精选报告来源：【未来智库】