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_ReportDate]
2023 年 2 月 7 日
证券研究报告
行业研究
[Table_ReportType]
行业专题研究(普通)
[Table_StockAndRank]
半导体
投资评级
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:mowenyu@cindasc.com
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号院1号楼
邮编:100031
[Table_Title]
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_ReportDate]
本期内容提要:
[Table_Summary]
[Table_Summary]
➢ AIGC 是什么:与传统 AI 应用最大的区别在于其可以“创作”全新的内容。AIGC
2023 年 02 月 07 日
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。
➢ AIGC 赋予人工智能大规模落地场景,国内芯片有望切入 MaaS 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+智能化浪潮推动 AI 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,AI 芯片根据其技术架构,可以分为 GPU、FPGA、ASIC 和类脑芯片,
同时 CPU 也可用以执行通用 AI 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: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: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://www.cindasc.com 2
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 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://www.cindasc.com 3
从分析到生成,AI 产业化应用迈入新阶段
AIGC 与传统 AI 应用最大的区别在于其可以“创作”全新的内容。AIGC (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 1:ChatGPT 回答 AIGC 与传统 AI 应用有什么区别
资料来源:ChatGPT,信达证券研发中心
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。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 2:内容创作的四个阶段,未来以 AI 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://www.cindasc.com 4
AIGC 应用的强劲增长得益于生成型神经网络的快速发展。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,奠定了 AIGC 的发展基础。
图 3:AI 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://www.cindasc.com 5
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 4:MaaS 生态下,中间层才是 AI 芯片最大的客户
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。
请阅读最后一页免责声明及信息披露 http://www.cindasc.com 6
内容创作者芯片采购方
AI 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。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 5:全球 AI 芯片市场规模
图 6:中国 AI 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:AI 芯片根据其技术架构,可以分为 GPU(图形处理器)、FPGA(现场可编程
门阵列)、ASIC(专用集成电路)和类脑芯片,同时 CPU 也可用以执行通用 AI 计算。
表 1:AI 芯片根据技术架构分类
技术架构种类 定制化程度 可编辑性
算力 价格
优点
缺点
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
并行运算能力在推理端无
高级复杂算法和通用性人
算;设计和制造工艺成熟
法完全发挥
工智能平台
FPGA
半定制化 容易编辑
高
中
应算法迭代,平均性能较高;功
可通过编程灵活配置芯片架构适
耗较低;开发时间较短(6 个月)
通过算法固化实现极致的性能和
ASIC
全定制化 难以编辑
高
低
能效、平均性很强;功耗很低;
类脑芯片 模拟人脑 不可编辑
高
-
资料来源:亿欧智库,信达证券研发中心
体积小;量产后成本最低
最低功耗;通信效率高;认知能
力强
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
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
目前仍处于探索阶段 适用于各种具体的行业
➢ GPU:从图形处理器到通用型 AI 芯片
GPU 最初是专门用于图像处理的芯片,可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 ALU,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。
请阅读最后一页免责声明及信息披露 http://www.cindasc.com 7
0%5%10%15%20%25%30%35%020406080100120140160202020212022E2023E2024E2025E2026E2027E2028E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)
图 7:CPU 与 GPU 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 GPU 和 AI 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 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 8:英伟达 A100 Tensor Core GPU
图 9: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://www.cindasc.com 8