半导体行业市场分析1

半导体行业市场分析

1.类ChatGPT的对话式交互推动AI算力芯片需求激增

1.1.在线式搜索应用潜力更优，芯片为成本大头

ChatGPT访问量激增带来算力需求成倍增长。根据最新统计数据，

2023年3月ChatGPT全球用户访问次数是16亿次，环增近六成,

是1月访问量（5.9亿次）的近3倍。访问量激增带来的是算力需求

的成倍增长。可以猜想的是，下一代搜索引擎的形态也许已经形成。

我们按2023年3月ChatGPT月活16亿次，用户每轮咨询提问6

个问题（微软Newbing平均提问轮次约为3次，而ChatGPT不限

轮次）测算，则ChatGPT单月咨询量达到80亿次，折合年960亿

次，对话式搜索已经逐步向主流搜索方式渗透。根据华为的预测，到

2030年，全球数据年新增1YB；通用算力增长10倍到3.3ZFLOPS,

AI算力增长500倍超过100ZFLOPS。

在线式搜索的单次搜索成本约为离线式搜索的6倍，其中芯片成本占

比65%。根据OneFlow,假设OpenAI云服务的毛利率75%的情

况下，分别采用ChatGPTEquivalent（离线式：直接使用大模型推

理，使用时无法访问外部知识）和2-StageSearch（在线式：可在推

理时访问Google等传统搜索引擎）方法所估算的单次搜索成本是

0.01和0.066美元，数量级与OpenAlCEOAltman所言的

Single-digitscents"相符。我们认为未来在线式搜索具备更大应用潜

力，但该方法相当于每次用大模型查询K次，返回最优结果，会增

加算力成本。考虑技术降本趋势，中性估计未来单次搜索的成本约

0.04美元。此外，根据推测，将英伟达A100按5年寿命线性折旧，

单次查询的推理成本中有65%来自购买GPU的折旧成本。考虑性能

追求下的芯片更新换代需求，GPU实际使用寿命可能短于5年，因

此实际的芯片成本占比可能更高。

训练卡价值量显著高十推理卡，推理卡增长潜力有待边缘应用场景需

求升级。大模型训练需要使用专业的AI服务器，其中的训练芯片当

前以英伟达的A100、H100为主。而当基于大模型的应用规模化推

广到用户侧时，应用场景对推理芯片的需求同步扩张，增速可能超过

训练卡。未来推理卡的需求数量可能和训练卡相等，但推理卡的单卡

性能低于训练卡，价值量也相对低。比较英伟达的T4和A100,前

者FP32下理论峰值计算能力为8.1TFLOPS,是后者（19.5TFLOPS）

的42%。根据ZOL中关村在线，英伟达T4推理卡参考报价10999

元，折合为0.16万美元，明显低于A100（1.25万美元）。目前无

论是在PC还是智能音箱这类交互入口中，大模型类应用主要还是通

过调用云端API完成，因此边缘侧算力卡的潜力尚未释放（至少要达

到英伟达T4的性能）。参考华为的预测，到2030年，将有80%的

数据在边缘处理，全球边缘计算市场规模将从100亿美元增长至数

千亿美元。

困2:GPU折旧成本在大模型推理成本中占比最高，为65%

推理成本分解($/HOUR)

NvidiaAl(xmtg$12500

工作年限5years

硬件成本$0.285perhour

功就300W

电费($0.09/kWh)$0.027perhour

1.2.Al产业链有望形成“上游寡头垄断+中游行业专有模型+下游应用

百花齐放”的分工形式

未来的AI产业链可能形成此种分工方式：少量大公司掌握通用的CV、

NLP、科学计算等大模型；部分有高质量行业数据和Know-how的企

业与掌握微调能力的IT企业结合，训练得到特定行业/应用场景的专

属大模型，并进行持续微调和维护；下游千行百业通过API接入云端

使用大模型或者购买定制化的私有模型。上游：少数几家大模型公司

寡头垄断。类似当前的微信、windows操作系统。

理由1：大模型的进化原理决定该行业具有明显的马太效应，具有先

发优势的玩家将会优则更优。原始的GPT-3使用大量基于互联网的

文本数据进行训练，一开始只能仿写人类提供的prompt。在。penai

大量开展指令微调(InstructionFine-tuning)之后，其逐渐表现出了

对特定任务的理解能力，但其产生的回答表现出对性别、种族、意识

形态的强烈偏见。因为masked-language-modeling方法是通过统计

概率生成可能的词序列，但在实际应用中，语言模型的目的是产生符

合人类价值观的认知工作。OpenAI提出的RLHF(Reinforcement

95:训练I75B的GPT-3需要的算力

XIRKO(

IcultramTDUItramHop*1MHI**punuMacti«r

cwiip*IWMIMtoKct%pwpramMullfor*«»*«P«nforeach

Model(PF/yM<Aom)(M)(billicmipertoicntmdpazpertoLcn

T5Small工(ME40011.00033038

TSX，<->■-6“M>20MX1)3J

T5IJ»XC：.67E4OI2.)IE«2II.IXN)3JI0.35

TSWl.otBMD900ECIi.an3J

T5-IIB3J2E*O23ME♦门i.ono3303

髭

BtRTBay1WX)IME«X)25083

BIRTljtffc♦MMO533E.2O25063

盆

RoHIJlTaRMI.74F.Ol150li*2l2.0006)

RoBERTal^r-4.95E4OI4»fc*2lion6J*

GmSmall工MEdX)225E4»MI>63

GKT-3Medium7.42EMM)6.4IE*2OMM>63

累

GK-3LM*CI^ME4OII.37ECI30063

GPTJXI.27SE*OI2WE*2IW)63界

GFT-J2.7B55^*01477E♦外W>63

GPT367B1W-4021^22xx>63北

CiPTJIAB2.6KE*O2:UJL^工MX)6J

GPTJI75B264E®QUETZJI74.MM)MX>63

Table1>.1:Slanmj：fnwnthengmhandMJCandmmingleft,wehqjinwiththenumberoftnuningl<>kcn\l>uieach

modeltraineduiih.NeilwenoteOutwnceT$usesancocuder-decodermodel,onlyhalfoftheparamrterxMC

activeforeachtokendun”a(oc^ardcrpawWethennotethatechcoicnisimx4%rdmaungkaddilHin

andaanglemviliplyforeachactiveparametertntheformrdpaz(ignoringMEionKThenucaddAmulbplicrof

3%towoum(crthetwkwani%pax>(a%computin’both勺,・rand：：：uya^iimUramcMintofctwnputc4the

forward、pa%s.Combining(heprciomtwonumbm.wegetI,totalHop*perparametefperloixnWcmuluplyihi>

valuebytheloultramingk<cn\andihctuulpammetersloyieldihcnumber<<Soul小俨uydduringtrainingW：

reportbolhflcip*andpcUflo(V%sh)(cwhofwhichan?8.64c*19flopsi

理由3：时间性价比，使用他人预训练好的模型可以避免“重复造轮子”。

上述种种原因导致B端无法形成自己训练大模型的行业共识与能力。

中游：中等数量的专有行业大模型组成细分市场，推动各行业智能化

升级。当专有模型的需求逐渐明晰且固化，为实现高性价比，可能带

动ASIC芯片、FPGA芯片的需求增长。

实例1:SAM模型的出现预示着强泛化性的通用大模型已经渐行渐

近，将迅速统一各类基础任务。类似ChatGPT做至I」的“回答一切”，

近日Meta所开源的CV大模型SAM(SegmentAnythingModel)

已经能够在分割任务(CV的典型任务之一)做到了“分割一切”，说

明NLP的prompt范式已经开始延展到CV。英伟达的人工智能科学

家JimFan认为Meta的这项研究是CV领域的GPT-3时刻之一,而

这也将启发其余领域在通用大模型的爆发。该类模型的出现为统一各

种深度学习的主要任务带来可能，比如目标检测、语音识别、科学计

算等。

实例2：华为已经为行业大模型赋能千行百业提供了范例。在大模型

出现前，医学领域已经有了使用深度学习赋能行业前沿研究的案例。

比如DeepMind开发的AlphaFold2已经预测出了98.5%的人类蛋白

质结构，而此前科学家们数十年的努力，只覆盖了人类蛋白质序列中

17%的氨基酸残基。华为在2021年发布盘古大模型之后，就陆续发

布了药物分子、矿山等行业大模型。其中，华为云盘古气象大模型成

为全球首个精度超过传统预报方式的AI模型，1小时至7天预测精

度均超欧洲气象局实时预报，预测速度比传统天气预报提升10000

倍；台风硅基预测准确度世界第一，比欧洲气象局提升约20%。可

以预见的是，当通用大模型成熟&模型部署、微调成本下降，各行业

或者各细分需求场景的大模型就有望涌现。

图8:行业大模型，赋能千行百业智能升级

下游：大模型赋能百花齐放的应用企业，落地领域扩散范围可能与现

有行业数据集规模强相关。从目前第一时间通过API接入ChatGPT

的主流应用（比如知识管理应用NotionAl、内容写作工具JasperAL

编程工具PyCharm）可推知，目前“文本创作”和“编程”是大语言模型

的两大主流应用方式。当前C端的商业模式主要是由已有的应用打

通OpenAl的API渠道，用户自己填入自己的APIKey,从而获得更

优的用户体验。在比过程中，应用软件并未获得直接收入。未来1-2

年随AI底层基座的成熟，相关应用可能迎来爆发。考虑到行业数据

的瓶颈，我们认为大模型可能会沿已有高质量数据集的方向落地。

实例：AI可极大促进企业降本增效，已有游戏公司3成原画师被裁。

通用图片和文本是网络上最方便获取的公开数据，也是目前在AIGC

领域广泛受到认可的ChatGPT和stablediffusionmidjourney所

基于的公开数据形式。目前AI绘画已经能用远快于人类的速度【从

2周到3天）帮助面师完成前期50%的工作，AI模特能用远低于真

人的成本（从5万元到5元）完成一次拍摄。去年AI绘画爆火之后，

国内各游戏公司开始陆续使用AI降本增效。根据36氯对某游戏公司

特效总监的采访，该公司从2023年初开始已陆续裁掉了30%的原画

师，基木为初级和中级原画师。目前AI己经可以帮助画师完成前期

50%的工作，达到了中级原画师的水平。除原画师首当其冲，根据现

有可获取训练集大小，未来建模、UI设计、动作、地编和特效也可

能依次逐步被AI渗透。

阿里云宣布开放大模型能力，率先提供大模型B2B合作范例。此外，

阿里云智能CTO已经于4月11日在北京云峰会宣布，阿里云将提

供算力及大模型基础设施，助力企业打造自己的专属大模型。让未来

的企业既可以调用通义千间模型，也可结合企业自己的行业

Know-How和应用场景，训练自己的企业大模型。阿里云也将与

OPPO联合打造OPPO大模型基础设施；与吉利汽车、毫末智行、

波司登等展开相关合作。大语言模型的接入有可能率先对此前基于关

键词的搜索交互场景产生冲击，比如电商场景下，未来可能通过详细

描述衣物/物品的方式进行线上购物，对企业传统'业务赋能。随着大

模型通过增大训练参数而获得更优性能的方法的边际效益递减，高质

量数据集重要性将愈发凸显。在质量较高的数据集上进行训练，那么

小到可以在本地运行的模型也可以获得类似大模型的优秀性能。随着

各公司密集发布大模型，模型的稀缺性降低，高质量数据的价值逐渐

凸显。

2.需求：AI有望在医/食/住/行/城/自然等场景全方位改善人类生活

未来，AI有望在衣食住行城等场景全方位改善人类生活。科学探索

边界不断拓展，带来算力需求提升，计算有望迎来创新的黄金10年。

图II:算力相关宏观越势及谀测

政策

中■:栩片.人工mt■

wnDNAmivfr^flMt4>a

KB：75%mUKimjmMs

it*打造・台

■孑计II机

2.1.医食住行：从感知智能到认知智能，从物理+数字世界到虚实融

合

智慧交通：智能交通从“运力”时代进入“算力”时代。通过传感器采集

生成全息数据，实现实时、历史路况的全息呈现，最后经云端计算形

成不同的交通指令，出行将变得更加高效、低碳。国际能源署（IEA）

预计，到2030年，在道路上的电动汽车、公共汽车、面包车和重型

卡车的数量将达到1.45亿辆。若按照每辆车平均每天行驶2小时，

行驶中每秒上传的压缩数据从当前的10KB升至1MB测算，则10

万辆车智能网联汽车需要传输的数据量大约为720TB/天。车辆行驶

过程中产生的海量数据交给AI,其以计算为核心，持续支撑交通的

数字化升级和智慧化管理。“算力”的解放带来了交通安全、效率、体

验的提升。有AI相助，城市日均通勤时间将缩短15-30分钟；交通

治理方面，拥堵会缓解，事故将会减少，停车难”问题也可能得到解

决。更加高效、低碳的出行会释放出新生产力，推动社会经济的发展。

无人驾驶：Al应对边缘案例能力有望超越人类，促进L5级无人驾驶

落地。随着边缘案例(ComerCase)的产生积累，以及对自动化无

监督的视频级AI机器学习训练的实现需求，智能驾驶算力需求大幅

增长，摩尔定律逐渐失效。到2030年，L4+自动驾驶汽车单车算力

将达到5000T,催生端云协同的计算需求，预计未来单个车厂的云端

至少需10EFLOPS以上的算力。L4级的自动驾驶商用后，AI会不断

在实例中学习训练，愈发“聪明”，最终于应对能力超越人类，得以实

现L5级完全自动驾驶。智慧城市:通过数据实现城市能源高效调度，

将带来100倍的社会数据聚集。据联合国人居署的统计，城市只占

地球表面不到2%的面积，却居住地球超50%的人口，消耗全世界

78%的能源，排放超过60%的温室气体。城市智慧化治理是实现城

市可持续发展的必然方案。借由物理传感器，城市数字挛生得以建立,

将带来100倍的社会数据聚集，能源调度效率将会提升，将居民高

峰用电平均需求减少15%以上。

精准医疗：AI参与病情推理，提高效率，缓解卫生工作者短期难题。

在医疗领域，人工智能已经可以自动识别出微小的肺结节，与以往肉

眼识别、手工标识相比诊断效率更高，可以节省医生大量时间。未来

人工智能将在复杂的问诊中与医生“讨论病情”，为医生提供诊断依据

和预期疗效分析，逐渐形成人工智能出方案、医生审核成为普遍的诊

疗模式。据世界卫生组织，到2030年，预计出现1800万卫生工作

者的短缺，AI可成为应对这一挑战的解决方案。药物筛选：通过将

AI的推理过程透明化，帮助人类完成药物筛选等复杂任务。以前，

Al是一个黑盒，而当人类仅得到结果，很难做出决策，所以发挥作

用有限。未来，AI不仅告知结论，同时也能展现思考过程，和人类

建立彼此的互信，帮助人类完成复杂的任务，如药物筛选。

待大模型应用进入深水区，可能形成AI问诊的诊疗新模式。出于跨

学科知识的鸿沟，医疗人员难以直观感受大模型在其工作场景的应用

潜力，而大模型的研究员对医疗业务场景的理解又难以深入，因此大

模型短期可能难以进入交叉学科应用的“深水区”。但目前在国家医保

局成立后，医疗信息化建设趋势渐起，医保数据要素有望成为数据市

场化和资产化的首批放开方向。随着大模型应用逐步落地，AI问诊

前景可期，甚至可能冲击当前分诊室看病的诊疗模式。比如向大模型

输入病情、过往病例及诊疗结果，模型反馈初步的病情诊断结果，再

配合人类医生的进一步判断，可大幅提升诊疗效率。

个性化教育：人工智能可帮助人类重新认识教育、改革教育。人类训

练人工智能模型的过程，也是了解人类自身认知、推理能力形成机理

的过程（比如强化学习、RLHF技术的出现与人类认知行为密切相关）。

未来可能出现AI教员，其通过精细化地分析学生的行为习惯、能力

等，为学生制定个性化的教学内容，将人工时代所稀缺的教育资源变

得更为普惠。华为预计到2030年，全球连接总数将达到两千亿，传

感器的数量达到百万亿级，数据量、时延等原因决定了产生感知的计

算在边缘完成，未来能处理大约80%的数据。通过AL更多的行业

可获得感知自我的能力，并进一步驱动企业数字化创新。

图13:Al动力人美实现对自然社会更纵深地感知

预计到203眸,全球连接总数达到两千亿传感器数・达到百万亿；80%的数据通过边缘计首

［企业］

Qw农业智能控制设备生产机H人

ESfi»MKi50%每万名制造业员工与392机器人

产品生产周期缩短50%共同工作

不良屁率降低50%

建立智能衣业'口遥感发君网络人与机”

衣业数字化.网络化.智微化改造.卜G

智慧农业：农业将迎来全方位全过程的数字化、网络化、智能化改造。

未来，现代信息技术与农业深度融合，为实现具备农业信息感知、定

量决策等功能地全新农业生产方式，也将产生广泛的对边缘AI计算

的需求。智能化农业信息遥感网络也将加快发展农业电子商务、食品

溯源防伪、农业休闲旅游、农业信息服务水平。智能控制设备：AI

技术将提升关键生产环节的生产质量与与成本收益。AI可帮助企业

实现智慧化运营、贯通层海量数据分析挖掘以及感知层更低时延诊断

预警，若在生产系统普及，则将带来工厂作业模式、人员配置、部门

区域协同等一系列的升级，如《中国制造2025》所提出的，制迨业

重点领域全面实现智能化，试点示范项目运营成木将降低50%,产

品生产周期缩短50%,不良品率降低50%。

制造业机器人升级：人工智能将驱动企业业务重塑。未来，人工智能

将参与企业更多的非操作性任务，人与机器形成无缝的协作关系。华

为预计到2030年，每万名制造业员工将与390个机器人共同工作。

人与机器的协同将改变产品设计、生产、销售，到企业架构、员工的

雇用和培训等各个环节的业务，最终让人类告别重复枯燥的任务、让

人类远离危险的工作，并在越来越多的任务领域中赋能人类，帮助人

类获得超越自我的能力。

智慧交互：未来AI可辅助人类完成更多创造力工作，实现从感知到

认知、从弱人工智能到强人工智能的转变c现今，人工智能已参与完

成一些过去难以胜任的任务，如通过图像辨别植物，帮助完成家务劳

动等。2030年，家用智能机器人使用率有望超过18%。未来，AI将

实现从感知到认知、从弱人工智能到强人工智能的跨越。当今，AI

在作画、写诗、文学创作进行了初级的尝试，而在未来，AI可完成

更为复杂的创造性工作。比如，通过多种插件的配合，实现从自然语

言到自主搭建网站的过程；通过多个传感器配合，实现更智能的家居。

AR/VR：虚拟世界将重新定义人类生活、工作和学习的方式。未来,

通过丰富的传感器硬件，数字空间将与物理世界共同组成虚实融合的

世界，人与人、人与社会、人与自然、人与机器的交流方式将发生革

命性的改变。华为预计2030年，超过30%的企业在数字世界中运营

与创新，各种虚实结合的AR/VR用户数达到10亿。

元宇宙：通过数字体验驱动计算走向边缘端，人与设备之间实现实时

交互。云端将实现物理世界的建模、镜像，经过计算、加入虚拟元素

形成数字世界，准确感知和还原物理世界c边缘设备将具备听觉、视

觉、触觉、嗅觉和味觉能力，多维协同的计算将用户所处的环境整体

变成一台超级计算机，在虚实结合的世界中识别用户意图，并通过全

息、AR/VR、数字嗅觉和数字触觉等技术进行用户呈现。

2.2.前沿探索：AI助力天气精准预报/地震预测/生物结构模拟等

数字世界算力的规模决定了物理世界探索的广度和深度。未来，随着

人类认知边界的不断扩展，科研用算力将爆炸性增长。比如，2027

年底欧洲核子研究组织（CERN）将投入使用高光度大型强子对撞机，

每秒发生约10亿次粒子碰撞，数据计算量将增加50-100倍，存储

需求达到ZB级。

图16:AI动力人奥更精分是业拿来如世界

科研用II力坊炸塔长：2027年底CERN将投入使用高光度大型强子对撞机，每杪发生约132次粒子硬撞，数据计算

■将增加50・1001置存储需求达到ZB级

自然气欧地震/海洋RI浦自然宇宙结构探测

天气预报物g规梗和II力需要精确计算数十万到百万个

M♦■■凯切参数计M

需求提升lOOTOOOffi宇宙论般

有效解决环蛔战天气圈6博度大■曜升一

在得更好时台陋读更从容地应对救送天气

生态监测：AI帮助人类得出更好治理模式，有效解决环境挑战。以

大数据为基础，利用模型预测不同管理措施效果，并不断优化，AI

可为人类提供优良的环境保护方案，如确定位污染源，预测污染扩散

等。气象：气候模拟和天气预报精度更高，人类能够更加从容地应对

极端天气。受限于海量数据和巨大算力需求，目前很难对天气实现准

确预测。据华为数据，天气预报将从当前的10公里的精度，提升到

公里、次公里，数据规模和算力需求提升100〜1000倍。2030年

100EFLOPS级超级计算机的实现，可突破算力极限，大幅提升预报

能力，使人类在极端天气面前不再被动。

自然灾害预测：地震预报准确性、可靠性将极大提高。人工智能方法

可突破震源机制参数的计算难题；应用地震大数据训练人工智能神经

网络，可完善预报系统的准确性和可靠性，实现地震预报领域的突破。

宇宙结构探测：人工智能将助力加速研究宇宙大规模结构。传统研窕

办法需要对数十万到百万个宇宙论模型进行精确的计算，已有全部计

算资源都不难以完成。

风洞仿真：有望实现更大级别子系统，甚至整机的高精度仿真测试。

计算机风洞仿真是飞机、高铁等高速运动产品的重要测试手段。高精

度仿真结果要求更大计算量，需分解测试系统为更多子系统。在AI

辅助下，未来计算能力将提升2~3个数量级，高精度仿真测试成为

可能。新药探索：人工智能将为解决“维度灾难”开辟新办法，加速人

类认知的扩展。现如今，在生物、材料、化学、宇宙等研究方向上,

传统的计算方法面临“维度灾难”，算力需求指数级增长，比如对于更

复杂的人脑思维、记忆和行为研究。如模拟人脑在特定刺激下的反应,

每一小时模拟Summit需要计算1024年。人工智能有可能突破“维度

灾难”，为科学研究打开新的探索之道。2020年戈登贝尔奖的研究工

作就利用人工智能实现了1亿原子规模模拟，比过去的同类工作计算

空间尺度至少增大100倍，同时计算速度提高至少1000倍，实现了

传统方法无法模拟的大尺度计算。

算力挖掘数据价值：优化生产关系，更好地匹配生产力和客户需求。

以云计算、大数据为基石，AI可驱动行业数字化，提升管理效率，

比如如020服务、电商等。实现全面应用上云，构筑10X的性能、

效率、成本优势。端边云全栈Serve门ess化是企业数字化、智能化

转型现代化改造的主流技术。其基于云原生计算模式的编程厝言、诺

言runtime、应用诡度、运行、运维，构成了现代化软件及全栈Server

less化的基础。

图18：AI动力企业实现更高效的运营效率

企业精细化的资源使用软件定义运营企业低碳DC

新的资源管理技术的广泛应用将充传统计算有超60%能耗集中于数据

少50%以上资源浪费迁移，未来计算将使畿效提升数十倍

r------------------------------------------

!尊云例代-云技术-?收本m中心II力网维

更加便通地使用计M资源形成全方位的故据依族在得更曲色的计算筑源

大・必＞企业计・资源浪费通过软件处理的同，定义运置器源效率得到抠敷*，中

••

精细化资源使用：新计算技术使得资源应用更加便捷，大幅减少企业

计算资源浪费。在非云化时代，处理器仅有10%的利用率，容器技

术则将这一比例提升到40%以上，未来新的资源管理技术的广泛采

用将进一步减少50%以上的资源浪费。软件定义运营：工业制造等

传统企业将在更加复杂的产业链上下游环境中实现由软件定义的高

效企业运营。工业物联网将驱动全球的供应、制造、维护、交付和客

户服务等业务流程实现广泛联接，未来企业将通过软件处理跨组织复

杂协同，通过软件快速定义'业务的运营。

低碳DC：企业将获得更加绿色的计算资源，能源效率更能得到指数

级提升。随着创新计算架构的引入，计算能效将极大的提升。传统计

算过程中超过60%能耗集中在数据迁移，而未来以数据为中心的计

算将使得能效提升数十倍。模拟计算（如量子计算、模拟光计算）成

为重要算力来源，能源效率得以指数级大幅提升。未来数据中心受能

源分布、算力需求分布的双重影响，计算架构发生更大空间维度的变

化，通过算力网络更好匹配绿电、时延、成本的差异，从而实现最优

能源利用效率与碳排放。

3.趋势：从计算智能到感知智能，从“云端训练、边缘推理”到端边

云协同

AI正从智能感知走向智能认知，多模态学习成为AI发展趋势。A1从

早期的计算智能，升级到如今的感知智能，现在正逐步向认知智能发

展，在这一发展过程中，多模态学习是获得信息融合和协同、构建多

模态大规模基础模型的重要手段。构建大规模基础模型可以提高AI

对复杂环境的认知能力，丰富AI的应用场景。以ChatGPT的发展

为例，ChatGPT的输入端只接受文字信息，而GPT-4已经发展到能

够接受图片、表格等多样的输入方式，具有多模态的数据处理能力。

在该趋势下，多模态学习还需要解决以下问题：1）利用跨模态数据

的互补性及冗余性做好表征学习；2）处理表征学习后的向量关系映

射：3）处理训练场景下某个或某类模态数据缺失后模型自适应的学

习及迁移能力，保障模型精度维持在可接受范围内；4）处理推理场

景下，某个或某些模态数据缺失后的模型拓扑路由，提高推理增益等。

图19:实现多模态学习需要解决数据异枸性等多重挑战

■高效表征学习

•精准关系映射

・自适应学习（训练）

•模型拓扑路由（推理）

生成式Al（Algeneratedcontent,AIGC）是最佳的自动化生产要素，

其应用场景指向金融银行、游戏、影视等需求侧。通过AIGC技术，

AI从理解内容走向自动生成内容，并将人类创意融入内容生成过程，

可进行文本续写、文字转图像、视频创作，甚至生成AI主持人、游

戏中的智能NPC等。AIGC也在助力金融银行发展，在智能客服、

数字员工、数字营业厅、内容营销、智能投研中具有广泛的应用场景。

尽管AIGC已得到广泛应用，其仍面临以下问题：1）某些生成模型

不稳定且难以控制其行为，如生成的图片精确性不足但无法判别原因;

2）可能被用于欺诈目的。如AI主持人、智能NPC等都可能被远程

攻击、篡改，从而被用于诈骗行为。

3.1,高算力带来高能耗，低PUE政策带动液冷服务器、液冷芯片需

求

高算力带来高能耗，低PUE政策带动液冷服务器、原生液冷芯片需

求。全球数据中心总能耗占电力需求的1%,通用计算的总能耗每3

年增长1倍，AIGC&碳中和目标将驱动算力提升百倍的同时提升能

源利用效率。根据工信部2021年发布的《新型数据中心发展三年行

动计划》，至1J2023年底，全国数据中心总算力超过200EFLOPS,

高性能算力占比达到10%，新建大型及以上数据中心PUE（即数据

中心总设备能耗/IT设备能耗，理想水平为1,表示只有IT设备在耗

能）降低至1.3以下，严寒和寒冷地区力争降低至1.25以下。根据

腾讯云，一个典型的Google数据中心在投产初期的PUE~1.25。而

AI服务器在执行复杂任务时，需要更高的能耗，PUE通常大于1.5。

因此需要通过液冷、去冷机、去空调等技术优化数据中心的PUEo

2022年5月，英伟达发布了首款采用原生液冷芯片（Direct-to-Chip）

技术的PCIeGPU,就是基于A100和H100芯片，该类GPU在主

流服务器的GPU中尚属首例。根据英伟达估计，液冷数据中心的PUE

可能达到1.15,远低于风冷的1.6。根据英伟达报告，切换至液冷后，

2k台服务器（4k张A100）的总电力需求降低了28%。

3.2.大算力需求下，新架构新技术开启新道路

2.5D、3D、Chiplet等先进封装工艺成为延续摩尔定律良药。在未来

算力需求大幅增长，而“微缩化”逐渐逼近摩尔定律极限（硅原子直径

是0.2nm,台积电己经达到2nm）的情况下，2.5D/3D封装技术成为

权衡该状况的极佳选择。2.5DSilicon/FOInterposer+Chiplet技术可

以降低能耗、集成更优性能。根据华为的数据，2.5D封装对传统封

装板级互连方案单bit能耗降低至约1/2,预计2025年2.5D封装的

硅中介层尺寸将超过4xReticle（1Reticle=25mm*32mm）,未来封装

基板大小可能会超过110mm。由于3D封装需要采用小于

10pm甚至更小pitch的超高密Bonding技术，其相对2.5D封装具

有显著的带宽、功耗优势，单bit功耗有望降低至1/10。

云计算打破了传统安全边界，数据加密成为应对新型攻击的方式。云

计算将巨大的数据处理分解为若干小程序，通过多部服务器计算出结

果后返回给用户，巨大的数据传输量使传统的外挂式安全防护方案无

法应对新型攻击，因此在网络的任何位置通信都应加密。具体做法为

在每一个服务器中融入加密通信的高性能硬件卸载能力，并支持后量

子加密算法。

图23:隐私计算重走数字信任体系

00Md

r•■法-a——

o_t_田便全多力计一密态计一）o

未来的计算可在最合适的地方以最合适的算力进行，呈现多样化计算

趋势。不仅DPUCDataProcessingUnit,数据处理单元）、NPLKNeural

ProcessingUnit,嵌入式神经网络处理器）等内设可以进行数据处理，

硬盘、网卡、内存等外设也将逐步开始拥有数据分析和处理能力,多

样化计算可以减少数据搬移，提高整体系统的性能。近内存计算：可

使内部数据传输不受外部总线带宽制约，使DRAM内有效带宽实现

倍数级提升。总线作为各种机能部件之间传送信息的公共通信干线，

其带宽大小会对各处数据搬移产生制约，这成为如今数据传输、计算

的瓶颈。未来通过在DRAM（DynamicRandomAccessMemory,

动态随机存取存储器）的控制电路上增加并发的可编程计算单元，同

时优化DRAM阵列结构，可提升内部数据传输的并发度，使内部运

算不受外部总线带宽的约束，可实现数据运算有效带宽的倍数级提升。

英特尔提出的PCI-Express（peripheralcomponentinterconnect

express,一•种高速串行计算机扩展总线标准）所连接的设备分配独享

通道带宽，不共享总线带宽，可支持主动电源管理、错误报告、端对

端的可靠性传输、热插拔及服务质量等功能。英伟达开发出的NVlink

采用点对点结构、串列传输，用于中央处理器与图形处理器之间的连

接，也可用于图形处理器之间的连接，具有高带宽、低延迟、低功耗

和高密度的特点。

存算一体能打破算力和存储的边界，预计能效比冯诺依曼架构提升

10倍以上。存算--体即存储介质既能做存储单元又能做计算单元，

目前已有成熟的存储器可实现存算一体，很多新型的存储器也在探索

存算一体。基于SRAM（StaticRandom-AccessMemory,静态随机

存取存储器）和NORFlash（非易失闪存）的存储器将有望在2-3

年内实现规模商用，在端侧、边缘侧的人工智能推理运算中展现出

10倍的能效优势；基于ReRAM（Resistiverandom-accessmemory,

可变电阻式内存）、PCM（PhaseChangeMemory,相变存储器）、

MRAM（MagnetoresistiveRandom-AccessMemory,磁性随机存储

器）等新型非易失存储器具有高性能、低功耗的特点，虽还未实现存

算一体，但已在积极探索中，一旦实现存算一体，未来十年有望在数

据中心侧实现突破,存算一体要实现规模应用，还需突破以下难点：

1）计算精度比数字计算低。器件在兼顾存储和计算时的一致性、稳

定性相比数字计算低，因此会产生更多误差，同时计算过程中存在噪

声，进一步降低其计算精度。需要结合电路特征优化算法，使得计算

结果满足应用需求；2）对数据映射工具的要求更高。存算一体需要

将神经网络模型部署在合适的存储单元上，并通过数据流调度来控制

整个运算过程，因比需要更高效智能的数据映射工具；3）基于向量

乘矩阵的运算方式使其目前只能运用于特定的机器学习，难以实现通

用。需要在存储器件、编程模型、系统架构和应用上实现突破，使存

算一体扩展至更多应用场景。

边缘计算开始在ICT行业广泛应用，2030年全球市场规模有望达数

千亿美元。边缘计算可在靠近物或数据源头的一侧，采用网络、计算、

存储，应用核心能力为一体的开放平台，提供最近端服务，随5G技

术、物联网技术的发展，边缘计算开始在ICT行业广泛应用，预期

2030年全球市场规模将从100亿美元增长到数千亿美元。边缘计算

要实现规模应用，需要针对以下方面进行突破：1）智能化升级与改

造。若边缘计算能够实现在制造、电力、城市、交通、金融等垂直行

业的智能化升级与改造，形成完备的SDK（SoftwareDevelopment

Kit,软件开发工具包），解决跨行业的共性问题和智能制造的共性

问题，其将实现爆发式增长；2）算力网络能力的提升。未来应用边

缘计算的业务将越来越多元化，对算力的要求也将越来越高，其中全

息及多维感知类业务要求算力至少提高100倍，存储业务要求算力

提高100倍乃至1000倍，网络带宽业务要求算力达到10Tbit/s级别;

3）数据安全的保障。由于边缘计算距离物更近，因此更易受到攻击。

预计2030年80%的数据都将在边缘计算，一旦安全得不到保障，用

户就会遭到重大损失。因此需要加强数据采集、传输等过程中的保护,

同时又要避免对数据过度保护造成AI在在医疗、金融、工业等领域

的潜在价值无法充分发挥。

端边云计算正在从“云端训练、边缘推理'的模式走向“合作式”的训练

和推理。与以往云计算的云端与边缘“分工运行”不同，在如今的端边

云计算中，负责全面感知的终端、负责局部数据分析和推理的边缘、

负责汇集数据及感知分析的云端可同时协蚱，可应用于智能制造、智

能城市、智能交通等。2023年3月，鹏城实验室牵头制订的数字视

网膜系统国际标准在IEEE标准协会正式发布，该标准是全球首个端

边云技术的国际标准。正走向“合作式”的端边云技术还需解决以下问

题：1）协同训练的精度和收敛速度问题；2）决协同推理时延和准确

率问题；3）数据类问题：数据孤岛问题、小样本问题、数据异构问

题；4）其他诸如安全隐私、通信成本、端/边设备的资源受限等问题。

图24:端边云协同计算

端边云协同计算

⑥昌

边

*日由③X愿

I«MviauJEAH

数字挛生：未来的物理世界将会有一个挛生的数学世界对应，形成该

类数学世界需要增加100倍的算力进行三维建模。与物理世界一一

对应的数学世界可实现“双系统”协同运行，卡奥斯COSMOPlat发布

的D3OS数字季生产品正助力企业打造虚拟工厂，优化生产经营流

程，实现降本增效。利用信息化技术促进产业变革的工业4.0时代以

及着眼于建设制造强国的《中国制造2025》战略，都在积极推进数

字挛生。实现数字挛生需要先对物理世界里影像、视频、声音、温度、

湿度、力学等各种数据进行多维感知和采集后，再通过三维建模构建

数学世界。这样的三维建模需要使用100-路摄像机阵列采集的高精

度数据的数据量，比2D图像数据量增加100倍以上，分辨率提升至

8K,单路算力提高4倍，因此所需的算力也需增加100倍以上，并

且需要高效的三维建模软硬件系统。

量子计算目前正处于高速工程化的阶段，未来十年重点为实现基于

NISQ的专用量子计算机。量子计算目前处于NISQ（Noisy

IntermediateScaleQuantum,中等规模带噪声量子器件）时代，并处

于高速工程化阶段。目前量子化学模拟、量子组合优化算法及量子机

器学习是最具商业价值的落地场景。而未来十年重点是实现基于

NISQ的专用量子计算机，这样的量子计算机可以有效模拟自然界发

生的任何过程，在物流管理、供应链管理、机器学习、电子制造等方

面的应用上具有巨大潜力。

未来全闪存将成为新型存储的主流。全闪存可同时应用于主存储和辅

助存储，预计未来有72%的企业存储数据基于全闪存；企业的所有

数据中，有82%的业务数据存在备份需求。根据数据存储的热温冷

差异，未来存储介质将向高速高性能和海量低成本方向演进。新型内

存型介质将成为热数据存储的主流介质。目前存储热数据的SSD和

DRAM都无法满足热数据存储的要求，诸如PCM、MRAM、ReRAM、

FeRAM（FerroelectricRandom-AccessMemory,铁电式随机存取

内存）等新型内存型介质技术将成为热数据存储的主流介质，但仍需

面临以下挑战：1）容量挑战。预计到2030年，热数据总量将相当

于目前SSD存储的数据总量，因此热数据介质的容量密度至少需要

达到目前SSD的1Tb/die,扩大10倍左右；2）能耗挑战。PCM、

ReRAM等基于电阻，能耗较大。ReRAM和MRAM的单位bit功耗

是FeRAM的10倍，PCM高达其100倍，因此FeRAM类低工作电

压介质潜力更大。

高密NANDFlash介质将成为温数据存储的主流介质。温数据介质需

要兼顾性能、容量和低成本，需要面临以下挑战：1)Cell多值的性

能和寿命挑战。目前Cell存储容量多1个比特，电压级数都将增加1

倍，读写性能和寿命下降数倍；2)3D堆叠的工艺挑战。华为预计

2030年堆叠层数将达到千层量级，介质硅通孔宽深比将达到120：1,

加工难度大大上升。光存储将成为冷数据存储的主流介质。未来冷数

据长期存储规模将从1.2ZB增长至26.5ZB,同时存储寿命需要提升

5~10倍。就中国国家档案馆而言，关键档案数据的存储寿命要从100

年提升到500年，数据规模将从100PB增长至ij450PB。传统的存储

材料无法满足这一需求，光存储将成为冷数据的主流存储介质，其需

面临以下挑战：1)介质寿命需提升10倍，且具有应对各种复杂环

境的能力；2)容量达到蓝光的10倍，成本下降5倍，性能提升10

倍。

图28:各种存储介质的性能比较

4.投资分析

4.1,华为线条：Chiplet先进封装破局，受益华为复苏回归

兴森科技：行业需求下行致业绩承压，扩张产品产能待厚积薄发,成

立于1999年。主营业务包括PCB（2022年营收占比75%）、半导

体测试板（9%）、IC载板（13%）。公司是国内最大的印制电路样

板小批量板快件制造商，产品广泛应用于通信、工控、计算机、军工

等。2022年海外营收占比50%。目前公司已具备3.5万平米/月的

BT载板产能。公司正在持续推进FCBGA载板业务，其中珠海项目

预计于23Q2开始客户认证，23Q3小批量试生产。广州项目目前正

在进行厂房装修，预计23Q4进入试产，公司有望成为国内首家实现

FCBGA封装基板量产的企业。预计公司2023/2024年EPS分别为

0.45/0.66元。

德邦科技：业绩高速增长，加快高端电子封装材料国产替代。成立于

2003年。公司是国家集成电路产业基金重点布局的电子封装材料生

产企业，主营业务包括集成电路封装材料（2021年营收占比14%）、

智能终端封装材料（31%）、新能源应用材料（46%）、高端装备应

用材料（9%）四类，产品广泛应用于晶圆加工、芯片级封装、板级

封装等封装工艺环节。公司的芯片固晶材料产品、晶圆UV膜产品已

通过华天、长电等认证并批量出货；芯片级底部填充胶、Lid框粘接

材料、芯片级导热界面材料等产品目前正在配合国内领先芯片半导体

企业进行验证测试，后续有望率先实现国产化。智能终端材料•：公司

已进入苹果、华为等供应链并实现大批量供货，仍有份额提升空间；

动力电池封装材料：公司已陆续通过宁德时代、比亚迪、中航锂电等

头部企.业验测，并起量。公司拟募集6.44亿元用于高端电子专用材

料生产项目、年产35吨半导体电子封装材料建设项目、新建研发中

心建设项目，伴随着产能的陆续释放，公司有望成长为高端电子封装

材料巨头。预计公司2023/2024年EPS分别为1.81/2.76元。

长川科技：测试机出货持续增长，国产替代先进封装之关键。成立于

2008年，主要为IC封测企业、晶圆制造企业、IC设计企业等提供

测试设备。公司主营产品为测试机（2021年营收占比32%）、分选

机（62%）等。公司测试机和分选机的核心性能参数接近国外先进水

平，同时服务本土客户响应迅速，合作开发快速进步。公司测试机分

选机、探针台不断迭代提高，持续兼并扩张，有望充分受益于国产替

代进程。预计公司2023/2024年营收分别为37.66/50.59亿元，归母

净利润8.49/12.75亿元。

伟测科技：兼CP与FT测试之长，引领国内第三方测试，2022年盈

利超预期。成立于2016年，公司聚焦第三方集成电路测试领域，主

营业务包括晶圆测试（2021年营收占比58%）、芯片成品测试（42%）。

公司的技术实力、服务品质以及产能规模在行业内具备较高认可度,

同时积累了广泛的客户资源。公司客户涵盖芯片设计、制造、封装、

IDM等类型的企业，其中不乏紫光展锐、比特大陆、晶晨股份等行业

高端客户。高端客户的产品不断创新，带来具有较高确定性的测试需

求，进而有效抵消行业需求下行的负面影响。与此同时，公司高端机

台数不断扩充，测试产能充足，将满足高端客户的测试需求。中国大

陆地区第三方测试市场集中度较低，各家规模较小，伟测科技营收规

模与技术水平均处于国内领先地位。预计公司2023-2024年实现营

收11.33/15.37亿元，归母净利润3.43/5.16亿元。

方邦股份：业绩暂时承压，可剥离铜箔成国产先进封装载板破局之光。

成立于2010年，公司专注于提供高端电子材料及应用解决方案，主

营电磁屏蔽膜（2021年营收占比83%）、铜箔（15%）等。公司可

剥铜产品作为基础复合电子材料，在芯片封装、超细线路制备等领域

具有重要作用。据数据显示，2021年全球IC载板的市场规模为144

亿美元，超过硅片的126.2亿美元。作为IC载板领域的新产品，可

剥铜具有不弱于ABF载板的最小线宽线距，以及同等面积下显著的

成本优势。当前ABF载板市场几乎被日本味之素所垄断，国内多家

厂商尚处于产品验证导入阶段，可剥铜有望成为实现IC载板自主化

的另一大关键技术，在大力推进半导体国产替代的背景下具有重要意

义。当前可剥铜仅日本三井可提供，公司可剥铜产品今年有望实现出

货，进一步打开业绩增长空间。此外，公司PET铜箔稳步推进，四

大核心技术奠定公司技术优势，通过现有屏蔽膜产线可快速实现PET

铜箔量产。若产品顺利认证，工艺+产能的优势将助力公司快速抢占

市场，实现第二业绩增长曲线。预计公司2023-2024年实现营收

6.36/8.89亿元,归母净利润0.62/1.71亿元。

华正新材：CBF积层绝缘膜突破，先进封装打开上涨空间。成立于

2003年，是国内最早从事研发生产环氧树脂覆铜板的企业之一。公

司主营产品为覆铜板（2022年营收占比77%）、导热材料（6%）、

功能性复合材料（6%）、交通物流用复合材料（10%）。作为先进

封装领域中FCBGA高密度封装基板、芯片再布线介质层、芯片塑封、

芯片粘结、芯片凸点底部填充等重要应用场景的关键封装材料，CBF

积层绝缘膜长期被日本企业垄断，市占率达到95%以上。公司与中

科院深圳先进院、电子材料院合作研发CBF绝缘膜，目前成功开发

多款CBF绝缘膜，将对海外厂商垄断的现状实现有效突破。公司已

经布局覆铜板、复合材料和锂电池软包用铝塑膜等产品，并且广泛用

于5G通讯、数据交换、新能源汽车、智慧家电、医疗设备、绿色物

流等领域。公司加强CBF积层绝缘膜的萌发，将进一步丰富公司IC

载板业务产品线，提升技术能力，以此拓展客户群体并且稳固行业地

位。预计公司2023-2024年实现营收42.05/52亿元，归母净利润

1.16/2.22亿元。

4.2.算力线条：云端与边缘端齐发力，大小算力全面替代

寒武纪：国产AI算力芯片行军者。成立于2016年，专注于人工智

能芯片的产品研发与技术创新。根据报告，若以英伟达A100显卡的

处理性能计算，训练ChatGPT将需要使用3万枚A100（单价1万

美元以上）。从各代GPT参数规模看，GPT-1/2/3分别有1.2/15/1750

亿个训练参数。GPT-4虽然并未公布具体参数量，但OpenAlCEO

对“GPT-4是人类迄今所实现的最复杂的软件”持肯定态度，并表示

“GPT-4会比GPT-3使用更多的计算资源"，而这将进一步推升模型

对于高算力芯片的需求。目前进行AIGC业务所需的AI算力芯片格

局主要由英伟达主导，而其A100和H100（CUDA核心数较低的PCIe

版单价都高达24万元）系列在2022年8月被美国限制对华出口。

因此