电子设备行业专题研究：全球AI大模型浪潮澎湃算力芯片有望迎来爆发式需求

行业研究行业研究/电子设备/证券研究报告2023年03月22日【投资要点】IOpenAI表现出超过绝大多数人解、多模态生成等五个场景使用。AI理过程，其中数据主要由发严重，摩尔定律已日趋AI与摩尔定律出现不匹配现象，这势必将推动对算力基础设施需求的快速提升。AI但其架构、性能与能AI智能芯片专门针对统机器学习等智角色，国内产业链【配置建议】挖掘价值投资成长东方财富证券研究所析师：邹杰：夏嘉鑫相对指数表现0%7%4%2%相关研究《商业航天，星辰大海启航正当时》3.09《关注无稀土电机发展的潜在路径》3.07用》3.06视背光源升级迸发的产业机会》2.15产替代在即，先进封装注入新活力》2023.02.03敬请阅读本报告正文后各项声明2【风险提示】◆受消费市场影响，下游需求不及预期；◆国内外芯片厂商差距较大，市场竞争加剧；破难度大，产品研发进度不及预期敬请阅读本报告正文后各项声明3 GPT式提升 4 摩尔定律不匹配，算力基础设施需求快速增长 82.2.智能芯片针对人工智能领域特性量身打造 9U 3.投资建议 174.风险提示 18 比较 5 图表7：文心一言展示自然语言处理能力 7图表8：大模型时代算力需求快速增长 8图表9：摩尔定律逐步放缓 9图表10：传统芯片和智能芯片特点及异同点 10 图表19：传统中央云解决方案 16图表20：边缘计算原理示意图 17 敬请阅读本报告正文后各项声明4多样化。TGPT已表现出强大能力。虽然在许多现实世界力不如人类，GPT-4在各种专业测试和学术基准上的表现与人类水T加强。GPTGPT复杂性任务中显著体现。为了比较GPT-4与，结果显示简单情况下两者之间的区别很微妙，但当任务的复加可靠与有创意，并且能够处理更细微的指令。敬请阅读本报告正文后各项声明5PT似局限性，它仍然不是完全可靠的，会出现“幻觉”事实并犯推理，但与之前的模型相比已显著减少了幻觉。在OpenAI内部对抗性事实评均取得了重大进展。敬请阅读本报告正文后各项声明6d出相应图表。敬请阅读本报告正文后各项声明7，从而成为第一家加入该赛道竞争的中国企业。在发布会现文案创作、数理推算、中文理解、多模态生成等五个使用备中文领域最先进的自然语言处理能力，在百度发布会现场阳纸贵”的含义、“洛阳纸贵”对应的页数据，百亿级的语音日均调用数据，数十亿的搜索数据和能够独一无二。言处理能力敬请阅读本报告正文后各项声明8由于汉语的特殊性，国内企业在研发大模型时将面临更高难2.1.算力需求增长与摩尔定律不匹配，算力基础设施需求快速增长人工智能大模型的实现需要海量数据和强大的算力来支撑训练和推理过程，其中数据主要由服务器和光模块存储、运输，算力支撑则依赖各类芯片。I，每年头部训练模型所需算力增长幅度高达10倍。但与此同时，摩尔的摩尔定律已经日趋放缓，甚至接近失效，因此AI模型训练算力速增长。增长敬请阅读本报告正文后各项声明9ZZ智能芯片针对人工智能领域特性量身打造AI片可以分为传统芯片和智能芯片两大类。传统芯AAI领域，但可通过灵活通用的指令集或可重构芯片是专门针对人工智能领域设计的芯片，包括芯片与专用型智能芯片两种类型。AI领域中各类算法和应用作了专门优化，、视觉、自然语言处理和传统机器学习等智能处理任务，其性计算任务、无法像9dU一样支持图形渲染任务、无法像」d9A一等传统芯片。敬请阅读本报告正文后各项声明10芯片特点及异同点领域片上存储等部件CPU统的控制密集型工智能快速增长的计算能力需求广泛应用于个人电脑、移动Intel、AMD和ARM计算等传统任务提供了耗较高广泛应用于个人电脑、游戏机、工作站等领域；在人工智能领域，GPU多用于服务器与数据中心，在终端应用较少；GPU在云端具备成熟的应用开发生态，但在终端熟ARM通信和音视频信号处理，常采用VLIW指令较高在云端应用较少，但在手机等终端设备中有一定生态基础Cadence等FPGA包含充裕的可重构逻辑单元阵列，可通过硬件重构方式灵活实现适合于人工智能应在IC原型验证与仿真中有用代表厂商为赛针对人工智能领域内多样化的应用设计的处统机器学习技术等各类人工智能技术具备较像CPU一样支持控制密集型计算任务，或者像GPU一样兼顾图形处理所需的基本运算操作；在指及基础系统软件等方面具性能功耗比较传统芯片优难度构灵活通用，可支撑其在云端、边缘端和消费类电子终用代表厂商为寒武纪和Google 耗、成术门槛相对较低面向特定的、具体的、相对敬请阅读本报告正文后各项声明11一代产品提升高达20倍，并可划分为七个GPU实例，以根据变将GPU显存增加了一倍，并提供超快速的显存带宽(每秒超过2万亿字节A可将推理吞吐量提升到高达CPU的249倍，2048个A100GPU可在一分钟内成规模地处理BERT之类的训练工作负载。微软的Azure云服务为通过英伟达H100TensorCoreGPU，可在每个工作负载中实现出色性能、可扩展性和安全性。亿亿级(Exascale)工作负载，另外可通过专用的Transformer引擎来处理与上一代产品相比，H100的综合技术创新可以将大型语30倍，从而提供业界领先的对话式AI。H100进一步扩展了英伟达在推理领域的市场领先地位，其多项先进技术可将推理速度提高30并提供超低的延迟。敬请阅读本报告正文后各项声明12大模型的研发和部署是必然趋势，而每个大模型训练和PU包括壁仞科技、沐曦、摩尔线程、天数智芯、燧原、瀚博、后摩智能、芯瞳、图表14：部分国内GPU产业链情况公司核心技术/具体情况国内首家实现自主研发本土等敬请阅读本报告正文后各项声明13海光DCU属于GPGPU(通用图形能训练等MLUX8能训练等ArcturusGC800、GCGC200、GCGPUNano能等PUMXCMXG线程MTTSMTTS00Chiplet制程工艺依赖。Chiplet技术路线兼具灵、降低成本和加快产品上市周期等优势，是公认的后摩尔时针对大算力芯片的最优解之一。Chiplet基于异构计算，能显著先进工艺的依赖，实现与先进工艺接近的性能，重构芯片研势、国内先进制程受限、以及国内高性能计算市场需求的推t敬请阅读本报告正文后各项声明14Chiplet封装技术，需从设计开始就考虑芯粒之间的兼性爆发，产业界迫切需要全新的技术解决算力瓶颈。存算一体(ComputinginMemory新的计算架构，被认为是具有潜力的革命性技术。其核心是破AI算力瓶颈和大数据的关键技术，预期将在大算力芯片领域敬请阅读本报告正文后各项声明15AI知芯片与磁存算芯片的封装，从而最大限度提高芯片效能，降低使得大量的用户信息由本地迁移到网络服务器当中。步步形成了云计算形态。但是在传统中央云计算解决方案敬请阅读本报告正文后各项声明16规模实时计算和数据请求。即便对于实时性要求不高的传统地区能源消耗的最大来源。络接入端的直接延迟可以降到个位数毫秒级。在云计因此，计算资源从云中心下降到靠近用户的网络边缘设备(如移动无线基站、家用路由等)，则成为实现大规模实时计算的必然要求。相对于云计算，边缘到了保障；同时因为边缘侧的设备很多，流量负载也会更加均衡。，它让计算和数据存储到更接近终端的地方。与数据中心，而边缘设备可能在100英里之外，这时边缘计算的优势就发挥出算的另一个用例是最小化云端的网络流量，或者称为云移动蜂窝网络的通信基站可作为边缘计算敬请阅读本报告正文后各项声明17不断发展与完善，将有更多的行业和场景应用到边缘计算中。例如，物联网、一步提高处理效率。由于边缘计算设备在物理位置上比较分着技术的不断成熟，边缘计算设备的安全性将会得到更加完充分受益。敬请阅读本报告正文后各项声明18EPS/股)022E023E024E022E023E024E7.SH35.17621.SH389.811.SH3.501.SZ626.SH48.31.86.89.085.924.6447.397.SH2757.285.SH66.848.84649.SZ.934.77881.SH12.603056.SZ34.SH73.19.SZ609.024.SZ2546.SH1.205.8797.SH35.1762.SZ6.283.363.SH5.4399.SH4.88748.SH4.10(1)受消费市场影响，下游需求不及预期；(2)国内外芯片厂商差距较大，市场竞争加剧；敬请