AIGC 推动AI 产业化由软件向硬件切换半导体+AI 生态逐渐清晰-21页.pdf

《AIGC 推动AI 产业化由软件向硬件切换半导体+AI 生态逐渐清晰-21页.pdf》由会员分享，可在线阅读，更多相关《AIGC 推动AI 产业化由软件向硬件切换半导体+AI 生态逐渐清晰-21页.pdf（22页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 AIGC 推动 AI 产业化由软件向硬件切换，半导体+AI 生态逐渐清晰 Table_Industry 半导体 Table_ReportDate2023 年 2 月 7 日 请阅读最后一页免责声明及信息披露 http:/ 2 证券研究报告 行业研究 行业专题研究（普通）半导体半导体 投资评级投资评级 看好看好 上次评级上次评级 看好看好 Table_Author 莫文宇 电子行业首席分析师 执业编号：S1500522090001 联系电话：13437172818 邮 箱： 信达证券股份有限公司 CINDA SECURITIES CO.,LTD 北 京 市 西 城 区 闹 市 口 大 街9号

2、院1号 楼 邮编：100031 Table_Title AIGC 推动推动 AI 产业化由软件向硬件切换，半导体产业化由软件向硬件切换，半导体+AI 生态逐渐清晰生态逐渐清晰 Table_ReportDate 2023 年 02 月 07 日 本期内容提要本期内容提要:Table_Summary Table_Summary AIGC 是什么：与传统是什么：与传统 AI 应用最大的区别在于其可以应用最大的区别在于其可以“创作创作”全新的内容。全新的内容。AIGC指的是人工智能系统生成的内容，通常是文字、图像、音频或视频。这类内容可以通过自然语言处理，机器学习和计算机视觉等技术生成。AIGC 的主

3、要目的是帮助人们快速生成大量内容，从而节省时间和资源。具体而言，AIGC 系统通常采用神经网络技术，包括语言模型和图像生成模型等。语言模型通过学习大量文本数据，了解人类语言的语法和词汇，并使用这些知识生成文本内容。图像生成模型则通过学习大量图像数据，了解图像的结构和特征，并使用这些知识生成新的图像。AIGC 赋予人工智能大规模落地场景，赋予人工智能大规模落地场景，国内芯片有望切入国内芯片有望切入 MaaS 产业生态产业生态。当前时间节点，我们看好人工智能芯片及人工智能相关的半导体产业链，核心观点在于：AIGC 的出现真正赋予了人工智能大规模落地的场景，AI 芯片也将从过去面向厂商的训练场景为主

4、转变为面向消费者的推理场景为主，GPU 的高并行计算能力和高通用性的协调统一在消费者时代的统治力或许难以为继，ASIC 芯片、国产GPGPU 芯片有望切入 MaaS 产业生态。数字化数字化+智能化浪潮推动智能化浪潮推动 AI 芯片市场迅速成长。芯片市场迅速成长。AI 芯片是针对人工智能算法做了特殊加速设计的芯片。算力是人工智能发展的关键因素之一，随着深度学习算法的普及和应用，人工智能对算力提出了更高的要求，传统的 CPU 架构难以满足人工智能算法对算力的要求，因此具有海量数据并行计算能力、能加速计算处理的AI 芯片应运而生。在全球数字化、智能化的浪潮下，智能手机、自动驾驶、数据中心、图像识别等

5、应用推动 AI 芯片市场迅速成长。根据亿欧智库数据，预计国内市场规模将于 2025 年达到 1780 亿元，2022-2025 年 CAGR 将达到 27.9。技术层面，技术层面，AI 芯片根据其技术架构，可以分为芯片根据其技术架构，可以分为 GPU、FPGA、ASIC 和类脑芯片，和类脑芯片，同时同时 CPU 也可用以执行通用也可用以执行通用 AI 计算。计算。当前 GPU 为 AI 生态主体，被广泛用于高性能计算、深度学习等领域；FPGA 和 ASIC 等非 GPU AI 芯片则在快速迭代实现替代。投资建议投资建议：我们认为，AIGC 推动 AI 产业化由软件向硬件切换，半导体+AI 生态

6、逐渐清晰，AI 芯片产品将实现大规模落地。硬件端核心包括 AI 芯片/GPU/CPU/FPGA/AI SoC 等，而在 AI 芯片中，算力及信息传输速率成为关键技术，芯片性能及成本的平衡也带动周边生态，包括 Chiplet/先进封装/IP 等产业链受益。建议关注寒武纪/景嘉微/龙芯中科/海光信息/紫光国微/复旦微电/安路科技.瑞芯微/晶晨股份/芯原股份/澜起科技/长电科技/通富微电等。风险因素：风险因素：产品技术研发进度不及预期；AI 产业化进度不及预期。请阅读最后一页免责声明及信息披露 http:/ 3 目 录 从分析到生成，AI 产业化应用迈入新阶段.4 AI 芯片：算力的硬件基石.7 投

7、资建议.13 风险因素.19 表 目 录 表 1：AI 芯片根据技术架构分类.7 表 2：AI 芯片根据应用场景分类.10 表 3：国产边缘端 AI 芯片.12 表 4：寒武纪 AI 芯片主要产品类型.13 表 5：寒武纪新款训练加速卡主要情况.14 表 6：瑞芯微及晶晨股份 AI SoC 情况.14 表 7：景嘉微 JM9 系列图形处理芯片主要技术指标.15 表 8：市场主流 CPU 厂商典型产品参数情况.16 表 9：国内主流 FPGA 厂商产品进展.16 表 10：主流 Chiplet 设计方案.17 表 11：全球部分先进封装解决方案（2D/2.5D/3D）.18 表 12：全球主要提

8、供 Chiplet 封装厂商解决方案汇总.18 图 目 录 图 1：ChatGPT 回答 AIGC 与传统 AI 应用有什么区别.4 图 2：内容创作的四个阶段，未来以 AI 创作为主.4 图 3：AI 算法发展历史.5 图 4：MaaS 生态下，中间层才是 AI 芯片最大的客户.6 图 5：全球 AI 芯片市场规模.7 图 6：中国 AI 芯片市场规模.7 图 7：CPU 与 GPU 的架构差异对比.8 图 8：英伟达 A100 Tensor Core GPU.8 图 9：英伟达编程框架 CUDA.8 图 10：FPGA 内部结构.9 图 11：ASIC 与 FPGA 计算性能对比.9 图

9、12：ASIC 与 FPGA 成本对比.9 图 13：高通 AI Engine 架构.10 图 14：全球智能驾驶渗透率.11 图 15：智能驾驶算力需求（单位：TOPS）.11 图 16：全球 AI 服务器市场规模及预测.11 图 17：2021 年中国 AI 服务器芯片份额.11 图 18：边缘计算在数据处理中的位置.12 图 19：半导体行业 AIGC 相关标的情况.13 请阅读最后一页免责声明及信息披露 http:/ 4 从分析到生成，AI 产业化应用迈入新阶段 AIGC 与传统与传统 AI 应用最大的区别在于其可以应用最大的区别在于其可以“创作创作”全新的内容。全新的内容。AIGC(

10、Artificial Intelligence Generated Content)指的是人工智能系统生成的内容，通常是文字、图像、音频或视频。这类内容可以通过自然语言处理，机器学习和计算机视觉等技术生成。AIGC 的主要目的是帮助人们快速生成大量内容，从而节省时间和资源。具体而言，AIGC 系统通常采用神经网络技术，包括语言模型和图像生成模型等。语言模型通过学习大量文本数据，了解人类语言的语法和词汇，并使用这些知识生成文本内容。图像生成模型则通过学习大量图像数据，了解图像的结构和特征，并使用这些知识生成新的图像。图图 1：ChatGPT 回答回答 AIGC 与传统与传统 AI 应用有什么区别

11、应用有什么区别 资料来源：ChatGPT，信达证券研发中心 现阶段现阶段 AIGC 已经在多个领域开花结果，有望在更高层次辅助甚至代替人类工作。已经在多个领域开花结果，有望在更高层次辅助甚至代替人类工作。2022年可以说是 AIGC 走入公众视野的元年。2022 年，Stability AI 发布的开源模型 Stable Diffusion 可以根据用户的文字描述生成图像，引爆了 AI 作画话题；同年 12 月，OpenAI的大型语言生成模型 ChatGPT 更是快速获得关注，其不仅能够胜任高情商的复杂对话，还可以撰写代码、文章、小说等高难度文体，将人机对话的层次推向新的高度。图图 2：内容创

12、作的四个阶段，未来以：内容创作的四个阶段，未来以 AI 创作为主创作为主 资料来源：腾讯研究院，信达证券研发中心 请阅读最后一页免责声明及信息披露 http:/ 5 AIGC 应用的应用的强劲增长强劲增长得益于生成型神经网络得益于生成型神经网络的快速发展。的快速发展。生成型神经网络（Generative Neural Networks）通过学习训练数据中的模式来生成新的数据，而不是仅仅对输入数据进行分类或回归预测；自 2014 年以来，变分自编码器（VAE）、生成对抗网络（GAN）、基于流的生成模型、扩散模型、Transformer 模型、神经辐射场、CLIP 模型等多种生成模型相继出现，奠定

13、了 AIGC 的发展基础。图图 3：AI 算法发展历史算法发展历史 资料来源：上海交通大学苏州人工智能研究院，信达证券研发中心 请阅读最后一页免责声明及信息披露 http:/ 6 模型即服务（Model-as-a-Service，MaaS）未来或将是 AIGC 主流的商业模式。MaaS 产业生态的上游是基础层，也就是由预训练模型为基础搭建的 AIGC 技术基础设施层。由于预训练模型的高成本和技术投入，因此具有较高的进入门槛。中间层，即垂直化、场景化、个性化的模型和应用工具的提供方，需要对预训练的模型进行二次开发。应用层，即面向 C 端用户的文字、图片、音视频等内容生成服务及相关的创作者。我们认

14、为，中间层未来是 MaaS toB/toG 业务的芯片主力采购方，这也将为成国内半导体发展的基石。图图 4：MaaS 生态下，中间层才是生态下，中间层才是 AI 芯片芯片最大的客户最大的客户 资料来源：腾讯研究院，信达证券研发中心整理 当前时间节点，我们看好人工智能芯片及人工智能相关的半导体产业链，核心观点在于：AIGC 的出现真正赋予了人工智能大规模落地的场景，AI 芯片也将从过去面向厂商的训练场景为主转变为面向消费者的推理场景为主，GPU 的高并行计算能力和高通用性的协调统一在消费者时代的统治力或许难以为继，ASIC 芯片、国产 GPGPU 芯片有望切入 MaaS产业生态。内容创作者芯片采

15、购方 请阅读最后一页免责声明及信息披露 http:/ 7 AI 芯片：算力的硬件基石芯片：算力的硬件基石 AI 芯片是针对人工智能算法做了特殊加速设计的芯片。芯片是针对人工智能算法做了特殊加速设计的芯片。算力是人工智能发展的关键因素之一，随着深度学习算法的普及和应用，人工智能对算力提出了更高的要求，传统的 CPU 架构难以满足人工智能算法对算力的要求，因此具有海量数据并行计算能力、能加速计算处理的 AI 芯片应运而生。近年来，在全球数字化、智能化的浪潮下，智能手机、自动驾驶、数据中心、图像识别等应用推动 AI 芯片市场迅速成长。根据 TrendForce 预测，2022 年全球AI 芯片市场规

16、模将达到 390 亿美元，到 2025 年有望达到 740 亿美元，2022-2025 年 CAGR为 23.8。我国 AI 芯片市场也将持续增长，根据亿欧智库数据，预计国内市场规模将于2025 年达到 1780 亿元，2022-2025 年 CAGR 将达到 27.9。图图 5：全球：全球 AI 芯片市场规模芯片市场规模 图图 6：中国中国 AI 芯片市场规模芯片市场规模 资料来源：TrendForce，信达证券研发中心 资料来源：亿欧智库，信达证券研发中心 技术层面上：技术层面上：AI 芯片根据其技术架构，可以分为芯片根据其技术架构，可以分为 GPU（图形处理器）、（图形处理器）、FPGA

17、（现场可编程（现场可编程门阵列）、门阵列）、ASIC（专用集成电路）和类脑芯片，同时（专用集成电路）和类脑芯片，同时 CPU 也可用以执行通用也可用以执行通用 AI 计算。计算。表表 1：AI 芯片根据技术架构分类芯片根据技术架构分类 技术架构种类技术架构种类 定制化程度定制化程度 可编辑性可编辑性 算力算力 价格价格 优点优点 缺点缺点 应用场景应用场景 GPU 通用型 不可编辑 中 高 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 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能

18、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 低 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 类脑芯片类脑芯片 模拟人脑 不可编辑 高-最低功耗；通信效率高；认知能力强 目前仍处于探索阶段 适用于各种具体的行业 资料来源：亿欧智库，信达证券研发中心 GPU：从图形处理器到通用型：从图形处理器到通用型 AI 芯片芯片 GPU 最初是专门用于图像处理的芯片，可

19、以使计算机显卡减少对 CPU 的依赖，并且分担部分原本是 CPU 所承担的工作。从物理结构上看，GPU 和 CPU 相似，包括控制单元、存储单元和运算单元三个部分，CPU 的控制单元占比较大，负责进行逻辑控制和串行计算，而运算单元（ALU）较小；GPU 拥有较多的拥有较多的 ALU，适合于类型高度统一的、相互无依赖的大，适合于类型高度统一的、相互无依赖的大规模数据以及不被打断的纯净计算环境，因而被广泛用于高性能计算、深度学习等领域。规模数据以及不被打断的纯净计算环境，因而被广泛用于高性能计算、深度学习等领域。0%5%10%15%20%25%30%35%020406080100120140160

20、20202021 2022E 2023E 2024E 2025E 2026E 2027E 2028E市场规模（十亿美元）YoY（右轴）0%20%40%60%80%100%120%140%05001,0001,5002,0002019202020212022E2023E2024E2025E市场规模（亿元）YoY（右轴）请阅读最后一页免责声明及信息披露 http:/ 8 图图 7：CPU 与与 GPU 的架构差异对比的架构差异对比 资料来源：英伟达官网，信达证券研发中心 英伟达是全球英伟达是全球 GPU 和和 AI 计算平台的领军者。计算平台的领军者。1999 年，英伟达首次提出可从真正意义上替代

21、 CPU 渲染的 GPU 概念，把显卡带入了全硬件处理时代，并在之后持续深耕于 GPU 产品。2006 年之后，英伟达为解决 GPU 编程的复杂度问题推出通用并行计算平台 CUDA，大幅降低了用 GPU 做通用计算的难度，为后续 AI 算力的支撑打下基础。图图 8：英伟达：英伟达 A100 Tensor Core GPU 图图 9：英伟达编程框架英伟达编程框架 CUDA 资料来源：英伟达官网，信达证券研发中心 资料来源：英伟达官网，信达证券研发中心 请阅读最后一页免责声明及信息披露 http:/ 9 FPGA：灵活可编程，持续创新满足：灵活可编程，持续创新满足 AI 计算需求计算需求 FPGA

22、 是一种半定制、可编程的集成电路，具有模块化和规则化的架构，主要由三部分组成，分别为 CLB（可编程逻辑块）、I/O（输入输出单元）和内部连接线，用户可以通过更新 FPGA配置文件来定义这些门电路及存储器之间的连线，以达到重构的目的。相较于相较于 CPU 和和 GPU，FPGA 在灵活性、功耗和时延等方面具备优势，能够在较低的功耗下达到在灵活性、功耗和时延等方面具备优势，能够在较低的功耗下达到 GFLOPS 数量级数量级的算力，在人工智能算法不断迭代的情况下，的算力，在人工智能算法不断迭代的情况下，FPGA 的特性能较好地满足的特性能较好地满足 AI 的运算需求。的运算需求。图图 10：FPG

23、A 内部结构内部结构 资料来源：Circuit Digest，信达证券研发中心 ASIC：针对特定需求设计，具备性能优势：针对特定需求设计，具备性能优势 ASIC 是指针对特定用户要求和特定电子系统的需要而设计的集成电路，相较于通用型芯片在性能、功耗上具备优势。与 FPGA 相比，ASIC 专用度较高、计算效率更好，在开发流程中，ASIC 的非重复成本较高，但随着规模化量产的实现，单个芯片的成本会随着产量的增加而降低，具备批量生产的成本优势。因此，在技术、算法尚未成熟阶段，在技术、算法尚未成熟阶段，FPGA 架构灵活架构灵活改变芯片功能，有利于降低成本和风险；而随着技术、算法的普及，改变芯片功

24、能，有利于降低成本和风险；而随着技术、算法的普及，ASIC 更具备竞争优势。更具备竞争优势。图图 11：ASIC 与与 FPGA 计算性能对比计算性能对比 图图 12：ASIC 与与 FPGA 成本对比成本对比 资料来源：头豹研究院，信达证券研发中心 资料来源：头豹研究院，信达证券研发中心 请阅读最后一页免责声明及信息披露 http:/ 10 应用层面上：根据应用层面上：根据 AI 芯片的应用场景，又可分为云端（云）、边缘端（边）和终端（端）和芯片的应用场景，又可分为云端（云）、边缘端（边）和终端（端）和三种，云、边、端三种场景对芯片的算力和功耗有着不同的要求，单一芯片难以满足实际应三种，云、

25、边、端三种场景对芯片的算力和功耗有着不同的要求，单一芯片难以满足实际应用的需求。用的需求。表表 2：AI 芯片根据应用场景分类芯片根据应用场景分类 应用场景应用场景 芯片需求芯片需求 典型计算能力典型计算能力 典型功耗典型功耗 典型应用领域典型应用领域 终端终端 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 30TOPS 50 瓦 云计算数据中心、企业私有云等 边缘端边缘端 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、

26、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，信达证券研发中心 终端：产品多样化催生大量需求终端：产品多样化催生大量需求 终端 AI 芯片主要应用在消费电子、智能驾驶、智能家居和智慧安防等领域，随着终端产品类型增加和出货量的增长，催生了大量芯片需求。与此同时，终端 AI 芯片直接面向下游产品，往往以实际需求为导向，对芯片的性能与成本有更高的要求。在手机应用上，AI 芯片通常集成于手机 SoC 中，已实现图像/场景识别、拍照美化、语音交互、游戏优化等功能，追求高算力和低功耗。图图 13：高通：高通 AI Engine 架构架构 资料来源：高通官网，信达证券研发中心 请阅读最后一页

27、免责声明及信息披露 http:/ 11 随着汽车智能化水平不断提升，车用随着汽车智能化水平不断提升，车用 AI 芯片对算力提出更高的要求。芯片对算力提出更高的要求。近年来，全球汽车智能化不断渗透，根据 ICV 统计 2021 年全球 L1 及 L1 以上的智能汽车渗透率超过 2/3，ICV预计到 2026 年，全球 L1 及 L1 以上智能驾驶汽车市场渗透率将达到 92.2%。汽车智能化水平的提升对计算能力提出更高的要求，L2 需要的算力4 ASIC EyeQ5 24 7nm 2.4 ASIC 地平线 征程 3 5 16nm 2 AISC 探境 音旋风 Unknown 28nm 4 ASIC

28、Blaize 1600 系列 16 Unknown 2.29 ASIC 海思昇腾 310 16 12nm 2 ASIC Intel VPU 2 16nm 1.05 ASIC 思元 220 8 16nm 0.97 AISC 资料来源：各公司官网等，信达证券研发中心整理 请阅读最后一页免责声明及信息披露 http:/ 13 投资建议 我们认为，AIGC 推动 AI 产业化由软件向硬件切换，半导体+AI 生态逐渐清晰，AI 芯片产品将实现大规模落地。硬件端核心包括 AI 芯片/GPU/CPU/FPGA/AI SoC 等，而在 AI 芯片中，算力及信息传输速率成为关键技术，芯片性能及成本的平衡也带动周

29、边生态，包括Chiplet/先进封装/IP 等产业链受益。图图 19：半导体行业：半导体行业 AIGC 相关标的情况相关标的情况 资料来源：Wind，信达证券研发中心（数据截至2023年2月6日）AI 芯片芯片/AI SoC（1）寒武纪寒武纪 公司专注于 AI 芯片产品的研发与技术创新，致力于打造人工智能领域核心处理器芯片，主营业务包括各类云服务器、边缘计算设备、终端设备中人工智能核心芯片，主要产品为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 以及上述产品的配套软件开发平台。表表 4：寒武纪：寒武纪 AI 芯片主要产品类型芯片主要产品类型 产品线产品线 产品类型

30、产品类型 寒武纪主要产品寒武纪主要产品 推出时间推出时间 云端产品线 云端智能芯片及加速卡 思元 100(MLU100)芯片及云端智能加速卡 2018 年 思元 270(MLU270)芯片及云端智能加速卡 2019 年 思元 290(MLU290)芯片及云端智能加速卡 2020 年 思元 370(MLU370)芯片及云端智能加速卡 2021 年 训练整机 玄思 1000 智能加速器 2020 年 边缘产品线 边缘智能芯片及加速卡 思元 220(MLU220)芯片及边缘智能加速卡 2019 年 IP 授权及软件 终端智能处理器 IP 寒武纪 1A 处理器 2016 年 寒武纪 1H 处理器 20

31、17 年 寒武纪 1M 处理器 2018 年 基础系统软件平台 寒武纪基础软件开发平台(适用于公司所有芯片与处理器产品)持续研发和升级，以适配新的芯片 资料来源：寒武纪公告，信达证券研发中心 2022 年 3 月 21 日，公司正式发布新款训练加速卡 MLU370-X8。MLU370-X8 搭载双芯片四芯粒思元 370，集成寒武纪 MLU-Link 多芯互联技术，主要面向训练任务，在业界应用广泛的 YOLOv3、Transformer 等训练任务中，8 卡计算系统的并行性能平均达到350WRTXGPU 的 155%。加速卡基于思元 370 智能芯片的技术，通过 Chiplet 技术，灵 请阅读

32、最后一页免责声明及信息披露 http:/ 14 活组合产品的特性，在同样的研发费用之下，满足了更多市场需求。截止截止 2022H1，公司，公司持续加大产品研发力度，发布了基于思元持续加大产品研发力度，发布了基于思元 370 智能芯片的新款智能训练卡智能芯片的新款智能训练卡 MLU370-X8。同时，新一代智能芯片产品持续保持高效的研发。同时，新一代智能芯片产品持续保持高效的研发。表表 5：寒武纪新款训练加速卡主要情况：寒武纪新款训练加速卡主要情况 MLU370-S4 MLU370-X4 MLU370-X8 面向市场面向市场 机器视觉/推理任务 互联网行业等推理任务，或训推一体场景 训练任务 市

33、场特点市场特点 整机计算密度较高,单卡算力需求适中 单卡算力需求较高 单卡算力需求较高，互联带宽需求高 算力算力 192 TOPS(INT8)256 TOPS(INT8)256 TOPS(INT8)96 TOPS(INT16)128 TOPS(INT16)128 TOPS(INT16)72 TFLOPS(FP16)96 TFLOPS(FP16)96 TFLOPS(FP16)72 TFLOPS(BF16)96 TFLOPS(BF16)96 TFLOPS(BF16)18 TFLOPS(FP32)24 TFLOPS(FP32)24 TFLOPS(FP32)互联带宽互联带宽 307.2 GB/s 30

34、7.2 GB/s 614.4 GB/s 资料来源：寒武纪公告，信达证券研发中心 （2）澜起科技）澜起科技 截止截止 22H1，公司持续推进，公司持续推进 AI 芯片的软硬件协同及性能优化，同时积极推进第一代芯片的软硬件协同及性能优化，同时积极推进第一代 AI 芯芯片工程样片流片前的准备工作。片工程样片流片前的准备工作。在 AI 芯片解决方案的研发过程中，澜起科技自主研发及系统整合了一系列关键的核心技术，攻克了在大数据高性能计算场景下存在的内存墙的技术难点，支持异构多核、高速稳定的互连互通以及与 x86 软硬件生态的无缝兼容，提升了 AI 推理计算和大数据吞吐应用场景下的运算效率。公司 AI 芯

35、片整体架构采用“基于 CXL 协议的近内存计算”这一创新的架构，旨在解决数据中心的 AI 推理计算和大数据融合的业务场景下多方面用户痛点和技术难点；AI 计算引擎模块为交互计算的异构计算系统，同时融合高速 SRAM 及自主研发硬件加速器，并兼备灵活的可编程多核异构设计思路，可同时进行处理命令和数据的高速交互，提高了运算效率。（2）AI SoC：瑞芯微：瑞芯微/晶晨股份晶晨股份 表表 6：瑞芯微及晶晨股份：瑞芯微及晶晨股份 AI SoC 情况情况 相关产品类型相关产品类型 概述概述 进展进展 瑞芯微瑞芯微 高性能应用处理器高性能应用处理器 采用 ARM 旗舰级别 CPU、高性能 GPU，以及公司

36、自研的高算力 NPU，形成可处理复杂任务的核心，结合强大的多媒体能力以及丰富的外设接口，可实现不同场景下的应用。与常见的手机移动处理器相比，公司的高性能处理器在同样具有高性能计算内核、低功耗特性外，还添加了丰富的外设接口，不仅可应用于平板类型的移动计算设备，还适用于如电脑、商业显示设备、金融支付机具、人工智能设备、云服务等产品。2021 年，公司新的高性能旗舰处理器 RK3588 面世，其强大的通用计算能力和 AI 运算能力进一步促进各个行业的发展。瑞芯微 RK3588 芯片，该芯片采用 ARM 架构，采用先进的 8nm 制程工艺，集成了四核 Cortex-A76和四核 Cortex-A55（

37、共 8 核），以及单独的 NEON协处理器，支持 8K 视频编解码，提供了许多功能强大的嵌入式硬件引擎，为高端应用提供了极致的性能，同时提供了丰富的功能接口，可满足不同行 请阅读最后一页免责声明及信息披露 http:/ 15 机器视觉处理器机器视觉处理器 公司于 2020 年推出新一代智能视觉处理器 RV1109/RV1126；于 2021 年推出高端智能视觉处理器 RK3588，两款产品已经得到行业头部客户的肯定；于 2022 年 3 月推出新一代普惠级智能视觉处理器 RV1103/RV1106，公司智能视觉产品线形成了高中低组合，进一步完善了公司视觉处理器的路线图。RV1103/1106

38、在智能编码、图像效果、低功耗以及 NPU 上表现优异，为客户提供更有竞争力的产品方案。公司已逐步形成完整的 AIoT 软硬件整体方案，除了人工智能运算核心外，公司同样重视相关的配套技术和解决方案的研发，包括 4K 高动态图像处理、低码流高清视频编码、多麦克风阵列处理、人工智能开发调试套件等技术，实现高清感知、高清认知的完整技术路线，逐步形成了完整的 AIoT 产品及方案体系。业的产品定制需求。目前，搭载 RK3588 芯片的合作伙伴产品及项目均顺利开展，覆盖应用领域包括：边缘计算、电动车类、电力及工业、机器视觉、智慧医疗、智慧办公教育、智慧商业、消费电子、机器人、Arm PC、VR/AR、机器

39、人、智慧商显等。晶晨股份晶晨股份 AI 系列系列 SoC 芯片芯片 基于在多媒体音视频领域的长期积累和技术优势，公司致力于叠加神经网络处理器、专用 DSP、数字麦克风、物体识别、人脸识别、手势识别、远场语音识别、超高清图像传感器、动态图像处理、多种超高清输入输出接口、多种数字音频输入输出接口等技术，通过深度机器学习和高速的逻辑推理/系统处理，并结合行业先进的 12 纳米制造工艺，形成了多样化应用场景的人工智能系列芯片。公司此系列芯片采用业内领先的 12 纳米制程工艺，支持远场语音升级版和 RTOS 系统，内置神经网络处理器，支持最高 5Tops 神经网络处理器，支持最高 1600 万像素高动态

40、范围影像输入和超高清编码、支持超低功耗毫秒级拍摄、高分辨率屏显以及丰富的外围接口。公司 AI 系列 SoC 芯片的应用场景丰富多元，已广泛应用于众多境内外知名企业的终端产品，包括但不限于小米、TCL、阿里巴巴、极飞、爱奇艺、Google、Amazon、Sonos、JBL、Harman Kardon、Keep、Zoom、Fiture、Marshall 等。资料来源：瑞芯微、晶晨股份公告，天天IC，信达证券研发中心 GPU：景嘉微：景嘉微 2022 年年 6 月，公司发布产品进展公告，月，公司发布产品进展公告，JM9 系列第二款图形处理芯片经阶段性测试，主系列第二款图形处理芯片经阶段性测试，主要技

41、术指标如下：要技术指标如下：表表 7：景嘉微：景嘉微 JM9 系列图形处理芯片主要技术指标系列图形处理芯片主要技术指标 产品名称产品名称 主要技术指标主要技术指标 JM9 系列图形处理芯片系列图形处理芯片(1)视频解码:支持 H.265/H.264/VP9/AVS2/AVS/JPEG/MPEG4 等主流格式；(2)2D 图形生成功能:支持 DirectFB 1.7.7；支持 OpenVG 1.1 矢量图形加速；(3)3D 图形生成功能:支持 OpenGL4.0、OpenCL3.0、Vulkan1.1、OpenGLES3.2；像素填充率 8G Pixels/s;32 位单精度浮点性能 512GF

42、lops；(4)内核性能：内核时钟频率 1GHZ(支持动态调频)；(5)总线接口：PCIE 4.0 X8；(6)显存带宽：25.6GB/s；(7)显存突量：8GB：(8)显示接口：支持 2 路独立的图形显示控制器，支持 2 路 HDMI2.0、1 路 eDP1.2、1 路 VGA 输出；(9)支持平台：支持 X86、ARM、MIPS 处理器和 Linux、中标麒麟、银河麒麟、统信软件、翼辉、天脉等操作系统；(10)功耗：15W。资料来源：景嘉微公告，信达证券研发中心 请阅读最后一页免责声明及信息披露 http:/ 16 截止截止 2022 年年 6 月，公司月，公司 JM9 系列第二款图形处理

43、芯片已完成流片、封装阶段工作及初系列第二款图形处理芯片已完成流片、封装阶段工作及初步测试工作步测试工作，可以满足地理信息系统、媒体处理、CAD 辅助设计、游戏、虚拟化等高性能显示需求和人工智能计算需求，可广泛应用于用于台式机、笔记本、一体机、服务器、工控机、自助终端等设备。经过公司长期的适配与推广，目前公司 JM9 系列图形处理芯片已逐步实现在政务、电信、电力、能源、金融、轨交等多领域的试点应用。CPU：龙芯中科：龙芯中科/海光信息海光信息 以英特尔至强可扩展处理器为例，其内置了人工智能计算和高级安全功能，依靠其强大算力可以极大提高 AI 推理效率，并兼顾成本与安全性。国内 CPU 主流上市公

44、司主要包括龙芯中科/海光信息，其近年来投入研发设计取得一定进展。表表 8：市场主流：市场主流 CPU 厂商典型产品参数情况厂商典型产品参数情况 Intel AMD 海光海光 兆芯兆芯 海思海思 飞腾飞腾 龙芯龙芯 申威申威 Xeon6354 EPYC7542 海光 7285 开胜 KH-30000 鲲鹏 920-7260 S2500 企业级 3C5000L 申威 1621 x86 x86 x86 x86 ARM ARM LoongArch SW_64 18 32 32 8 64 64 16 16 36 64 64 不支持 不支持 不支持 不支持 不支持 3.0GHz 2.9GHz 2.0GHz

45、 3.0GHz 2.6GHz 2.2GHz 2.2GHz 2.0GHz DDR4 DDR4 DDR4 DDR4 DDR4 DDR4 DDR4 DDR3 8 8 8 2 8 8 4 8 3200MHz 3200MHz 2666MHz 2666MHz 2933MHz 3200MHz 3200MHz 2133MHz 64 128 128 16 40 17 32 16 服务器 CPU 服务器 CPU 服务器 CPU 服务器 CPU 服务器 CPU 服务器 CPU 服务器 CPU 服务器 CPU 资料来源：海光信息公告，信达证券研发中心 FPGA：紫光国微：紫光国微/复旦微电复旦微电/安路科技安路科技

46、表表 9：国内主流：国内主流 FPGA 厂商产品进展厂商产品进展 公司公司 产品进展（截止产品进展（截止 22H1）复旦微复旦微 公司 FPGA 产品线拥有系列化超大规模异构融合可编程逻辑器件系列产品，率先研制成功了亿门级 FPGA 和异构融合可编程片上系统（PSoC）芯片，以及面向人工智能应用的融合现场可编程（FPGA）和人工智能（AI）的可重构芯片（FPAI）。22H1，FPGA 产品线实现销售收入约产品线实现销售收入约 3.78 亿元。公司在国内亿元。公司在国内 FPGA 芯片设计领域处于领先地位，是国内最早芯片设计领域处于领先地位，是国内最早推出亿门级推出亿门级 FPGA 产品的厂商。

47、产品的厂商。公司累计向超过 500 家客户销售相关 FPGA 产品，在通信领域、工业控制领域等得到广泛应用。公司开发的致力于完整可编程器件开发流程的工具软件 Procise，可支持公司全系列可编程器件，突破了 FPGA 配套 EDA 软件的多项核心关键技术。新一代十亿门级 FPGA 产品研发工作正在开展中，其各方面性能对比上一代产品将有大幅提升。公司 PSoC 产品也已成功量产，正在多个客户处开展小批量试用，同时新一代配置有 APU、GPU、VPU、eFPGA、AI 引擎的异构智能 PSoC 产品也取得了阶段性的研发成果，将进一步丰富公司的可编程产品系列谱系，不断满足各应用领域客户的需求。紫光

48、国微紫光国微 22H1，公司联营企业紫光同创实现营业收入，公司联营企业紫光同创实现营业收入 7.23 亿元，同比亿元，同比+207.91%，净利润实现，净利润实现 3.16 亿元，同比大幅增长亿元，同比大幅增长达达 255.17%，通用，通用 FPGA 业务未来有望持续放量。业务未来有望持续放量。请阅读最后一页免责声明及信息披露 http:/ 17 安路科技安路科技 公司的 FPGA 芯片产品形成了由 SALPHOENIX 高性能产品系列、SALEAGLE 高效率产品系列、SALELF 低功耗产品系列（以下简称 PHOENIX、EAGLE、ELF）组成的产品矩阵，FPSoC 产品包括面向工业和

49、视频接口的低功耗 SALSWIFT 系列，实现了多种规格芯片和配套 EDA 软件的产品线覆盖，并持续致力于高容量高性能 FPGA 和高集成度 FPSoC 芯片的研发与拓展。公司持续开展芯片架构、基础电路模块、制造工艺适配等领域的研究和创新，在逻辑单元、信号互联、时钟网络、高速接口等方面取得了技术突破，研发了混合型可编程单元结构、层次化互联技术和通道连通度增强技术、局部时钟区域阵列网络、DDR 存储接口、SerDes 传输接口等关键技术，有效地提升了公司 FPGA 芯片的市场竞争力。资料来源：紫光国微、复旦微电、安路科技公告，信达证券研发中心 Chiplet Chiplet 技术能够平衡技术能够

50、平衡 AI 芯片性能和良率之间的矛盾问题，实现芯片设计复杂度及设计成芯片性能和良率之间的矛盾问题，实现芯片设计复杂度及设计成本降低。本降低。算力为 AI 芯片的重要指标之一，充足的算力为应对指数级增长计算需求的必要条件，Chiplet 技术在 IC 设计阶段将 SoC 按照不同功能模块分解为多个芯粒，部分芯粒实现模块化设计并在不同芯片中重复使用，能够实现设计难度降低，且有利于后续产品迭代，加速产品上市周期。表表 10：主流：主流 Chiplet 设计方案设计方案 类型类型 典型典型代表代表 方案方案概述概述 图示图示 基于功能划分到多个 Chiplets，单个Chiplet不包含完整功能集合，