国产 AI 芯片的百倍算力需求！——AIGC 系列全产业链上市公司梳理
AI 芯片是大模型的基础。AI 芯片主要分为训练和推理两类芯片，云和端对训练和推理芯片要求不同，目前主流架构包括 GPU、FPGA 和 ASIC 三类，通用性 GPU>FPGA>ASIC，性能功耗比 GPU<FPGA<ASIC。
四大 AI 芯片技术路线，均围绕打破英伟达 CUDA 生态垄断展开。英伟达凭借 CUDA、 cuDNN 和 TensorRT 等软件工具链以及和 Tensorflow 的深度绑定构筑了极高的生态壁垒，2021 年 GPU 市占率超 80%，高性能 AI 芯片 A100、H100 被禁止向中国出口后，快速推出 800 系列合法出口中国；寒武纪复制英伟达成长之路。
GPT-4 参数量高达 100 万亿，是 GPT-3 的 500 倍以上！即使考虑到 AI 芯片能力的提升（从当前主流的 A100 升级至 H100），仍然需要巨量的额外增量投资。
AI 芯片+AI 服务器，受益于 AIGC+类 GPT 等应用的“鲶鱼效应”。原有英伟达等供给有限，所以国产 AI 芯片有理论上的爆发弹性，AI 服务器有成长空间。由于 AIGC、类 GPT 有“鲶鱼效应”，带来约百倍算力需求。而英伟达等供给解决需求有瓶颈（根据 IDC 咨询，预测 2025 年 AI 服务器市场空间仅仅 318 亿美元，21-25 年预计 CAGR 仅仅 19.5%），因此国产 AI 芯片在逻辑上有爆发弹性，此外 AI 服务器也有成长空间。
寒武纪思元 590 将是最早实现商业应用的接近英伟达 A100 性能的国产 AI 训练芯片。目前华为昇腾 910 性能超越英伟达 V100，但未达到 A100 水平，壁仞科技 7nm 通用 GPU 芯片 BR100 称其可与被禁售的英伟达 H100 一较高下，但尚未量产上市。寒武纪思源 590 芯片面积 800mm^2，和 A100 一样。内存带宽 2.7T，是 A100 1.8T 的 1.5 倍。HBM2 使用海力士，功耗达 350W-550W，FP32 算力到 80TFLops，目前已经客户送样测试阶段，在高性能国产 AI 芯片中进程最快，最有机会承接国内 AI 算法商对英伟达 A100、H100 的需求。
产业链公司：1）直接受益 AI 芯片需求崛起的寒武纪（思元 590 将是最早实现商业应用的接近英伟达 A100 性能的国产 AI 训练芯片）、海光信息（预计 2023 年底量产的 DCU3 性能与 NVDIA H100 性能持平）。2）AI 服务器供应商：浪潮信息、中科曙光、中兴通讯（通讯）、工业富联（电子）。
TMT 领域算力基建逻辑，也建议关注通信、电子相关公司。
通信——天孚通信、中际旭创、紫光股份、锐捷网络、新易盛等。此外也持续关注流量基 建主线的数据中心等环节供需变化，包括奥飞数据、润泽科技等，以及伴随算力增长的温 控散热环节，英维克等。
电子——GPU：景嘉微、好利科技；视觉芯片及 IP：思特威、富瀚微、芯原股份；服务器 存储及接口芯片：澜起科技、聚辰股份；CPU：海光信息、龙芯中科；FPGA 芯片：复旦 微、安路科技；数通/服务器 PCB：沪电股份、深南电路、生益科技、胜宏科技；光通信 芯片：源杰科技。
结论和投资分析意见
预计中国互联网大厂即将进入大模型“军备竞赛”期，国产 AI 芯片需求进入爆发 期，带动 AI 服务器进入快速成长期。
原因及逻辑
AI 芯片+AI 服务器，受益于 AIGC+类 GPT 等应用的鲶鱼效应。原有英伟达等供给 有限，所以国产 AI 芯片有理论上的爆发弹性，AI 服务器有成长空间。由于 AIGC、类 GPT 有鲶鱼效应，带来约百倍算力需求。而英伟达等供给解决需求有瓶颈（根据 IDC 咨询，预测 2025 年 AI 服务器市场空间仅仅 318 亿美元，预计 21-25 年 CAGR 仅仅 19.5%），因此国产 AI 芯片在逻辑上有爆发弹性，此外 AI 服务器也有成长空间。
有别于大众的认识
市场认为，英伟达 GPU 生态难以突破，我们认为，国产 AI AISC 性能在主流大模 型算法中已能毕竟英伟达主流 GPU 计算能力水平。
市场认为，国产 AI ASIC 水平竞争格局较差，我们认为，当前 AI ASIC 芯片供应商 较多，但主要互联网产商 AI 芯片采购较为集中。
AI 芯片：大模型的基础
人工智能芯片主要分为“训练（Training）”芯片和“推理（Inference）”芯片。“训练芯片”主要用于人工智能算法训练，即在云端将一系列经过标记的数据输入算法模 型进行计算，不断调整优化算法参数，直至算法识别准确率达到较高水平。“推理芯片” 主要用于人工智能算法推理，即将在云端训练好的算法模型进行裁剪优化变“轻”之后， 进入“实战”阶段，输入数据直接得出准确的识别结果。
不同用途（训练 or 推理）、不同应用场景（端-边-云）对 AI 芯片有着不同的要求。首先，训练芯片追求的是高计算性能（高吞吐率）、低功耗，但是推理芯片主要追求的是 低延时（完成推理过程所需要的时间尽可能短）、低功耗。其次，“端-边-云”三个环节 对 AI 芯片的不同要求见下表——其中端和边上进行的大部分是 AI“推理”，因此用于端 和边的 AI 芯片性能要求和上述推理芯片一致；大部分的训练过程是在云和数据中心进行， 训练过程对时延没有什么要求，因此需要保证 AI 芯片在尽可能保证较高算力的情况下，功 耗尽可能低，另外许多推理过程也是在云端进行。
目前用于人工智能深度/机器学习的芯片主要有 GPU、FPGA、ASIC 三类芯片。三类芯片用于深度学习时各有优缺点：（1）通用性：GPU>FPGA>ASIC，通用性越低，代表其适合支持的算法类型约少。（2）性能功耗比：GPU<FPGA<ASIC，性能功耗比越高越好，意味着相同功耗下运算次数越多，训练相同算法所需要的时间越短。
在不同的应用场景之下，已经形成了不同的 AI 芯片竞争格局。
1. 在云和数据中心 AI 芯片市场，“训练”和“推理”两个环节都是英伟达 GPU 一 家独大，几乎占据 90%以上份额，包括 AWS、微软 Azure、谷歌云、阿里云、 华为云、腾讯云在内的大部分公有云厂商上线的 AI 加速计算公有云服务绝大部分 都是基于英伟达 Tesla 系列 GPU。
（1）云端训练用的几乎全部是英伟达 GPU，公有云厂商中仅谷歌云一家除了提 供以英伟达 GPU 为主的云计算加速服务之外，还推出了基于自研 AI 芯片 TPU 的 深度学习训练服务；
（2）云端推理目前出现了基于 GPU、FPGA、ASIC 三种不同芯片云计算服务， 但是市场份额仍然以英伟达 GPU 为主，其中 AWS、阿里云、腾讯云、华为云等 公有云厂商均推出了 FPGA 加速计算云服务，另外 AWS 推出了基于自研 AI 芯片 Inferentia 的 ASIC 加速计算服务，华为云推出了基于自研 AI 芯片昇腾 310 的 ASIC 加速计算服务。
2. 在设备端和边缘计算“推理”市场，各类型芯片各自为阵，尚无绝对优势地位的 芯片厂商出现——手机市场以高通、华为、苹果原主控芯片厂商为主，自动驾驶、 安防 IPC 领域英伟达暂时领先。
（1） 手机：高通从骁龙820 开始，就已经具备第一代人工智能引擎 AI Engine； 高通从第三代 AI Engine 开始引入异构计算 CPU、GPU 和 DSP 的异构并 行计算；目前高通已经迭代至第四代，骁龙 855 是第一个搭载第四代 AI Engine 的 SoC。华为麒麟 970、980 分别引入寒武纪 IP（1A/1H），使 得手机 SoC 开始具备 AI 能力，在 2019 年 6 月华为发布麒麟 810，华为 与寒武纪合作终止，华为采用了自研 AI 芯片达芬奇架构（华为在 2018 年 推 出 了 达 芬 奇 架 构 ， 对 标 寒 武 纪 智 能 处 理 器 IP — — Cambricon-1A/1H/1M）。苹果 2017 年发布的 A11 芯片也具备了 AI 能力，附带 Neural Engine 和开发平台 Core ML 用于机器学习。
（2） 安防 IPC：仍然以采用英伟达 Jetson 系列 GPU 为主。例如海康采用了英 伟达 JetsonTX1，大华睿智系列人脸网络摄像机采用的是英伟达 Tesla P4 GPU。另外国内三大安防厂商也在陆续采用 ASIC 芯片，例如海康、大华、 宇视在前端智能化摄像机中采用 Movidious 的 Myriad 系列芯片，大华 自研 AI 芯片用于新款睿智人脸摄像机。
（3） 智能驾驶： L3 级别以上自动驾驶芯片以英伟达 Drive 平台为主（包括 Xavier 和 Orin 两款 SoC）；华为将昇腾 310 用于自动驾驶域控制器 MDC 上，2020 年已经通过车规级认证；英特尔 Mobileye 的 EyeQ4-5 被用在 L3-5 智能驾驶。但是目前整车厂和 Tier1 实际采用得最多仍然是以英伟 达 GPU 为主。（在低级别的 L1-L2 辅助驾驶上，采用的是 NXP、瑞萨等 厂商的 MCU 芯片，不涉及深度学习。）
（4） 智能音箱：目前智能音箱的语音语义识别均在云端完成推理计算，终端上 没有 AI 专用处理单元。