半导体周报(国科龙晖整理)-0409

1、行业新闻及动态

（1）半导体设计

三星宣布与AMD延长IP授权方面的战略合作，未来多年，将会有更多代AMD高性能、低功耗的Radeon图形解决方案降临到三星自研的Exynos系列芯片上，根据业界消息人士透露，三星正以美国德州和圣荷西为中心，扩大招募GPU开发人员，自今年初以来，三星美国子公司已持续刊登征才广告，职缺包含GPU架构工程师。

（2）半导体制造及封测

据西安日报报道，位于西安高新区，由陕西电子信息集团有限公司牵头推进的8英寸高性能特色工艺半导体生产线项目目前正在加紧建设中，力争2024年建成投产。据相关负责人介绍，“十四五”期间，陕西电子信息集团有限公司将在现有基础上布局建设高性能特色工艺半导体芯片生产线，月产能达到5万片，同时，建设1条6英寸宽禁带半导体器件生产线，实现年产能3万片。

据印度经济时报报导，恩智浦半导体（NXP）正与台积电和格芯（Globalfoundries）等代工合作伙伴讨论在印度建立晶片制造厂的事宜，恩智浦正扩大在印度的研发和晶片设计，在诺伊达、班加罗尔、海得拉巴和普那设有工厂，共有约4000名工程师，印度汽车、工业和医疗保健领域强大的产品制造能力，预计可以推动晶片制造进入该国。

据韩联社报道，三星显示公司宣布到2026年投资4.1万亿韩元以升级生产线，该产线产品用于平板电脑、笔记本电脑和其他IT设备的发光二极管OLED面板。计划通过开展联合技术开发、生产创新和提前支付订单的计划来提高韩国国内显示材料、零部件和设备制造商的竞争力，三星将投资约300万亿韩元（2300亿美元）在韩国建成五座半导体制造基地，以打造全球最大的半导体制造基地，并且吸引多达150家材料、零部件和设备制造商、IC设计厂和半导体研发机构进驻。

（3）半导体设备及材料

近日，有消息传英国厂商IQE将取代台企联亚，成为苹果iPhone15系列的近距离传感器的外延晶圆独家供应商。IQE和联亚都是生产以砷化镓与磷化铟为基板的Ⅲ-Ⅴ族材料化合物的磊芯片的公司，IQE是英国的外延晶圆大厂，而联亚是中国台湾地区的光通信模块台厂。

（4）其它

路透社4月5日消息称，三星电子第一季度利润预计将暴跌92%至14年来的最低水平，原因是芯片过剩情况恶化，以及全球经济放缓导致数据中心和计算机制造商等买家放缓采购。根据三星电子数据，这是自2009年第一季度5900亿韩元利润以来的最低水平，而去年的营业利润为14.12万亿韩元。

从Gartner公布的中国大陆市场的数据来看，2022年中国公司半导体收入达到458亿美元，同比小幅下滑0.5%，在全球全球市场份额从2021年的7.7%降至了7.6%，超过一半的追踪到的中国半导体公司在2022年出现了负增长，通用半导体供应商比专用芯片供应商营收规模更高。

DIGITIMESResearch预估2023年全球智能手机应用处理器(AP)出货将减少11.8%，仅11.14亿颗，主因智能手机出货衰退与AP库存去化，包括联发科，高通(Qualcomm)与苹果(Apple)等前三大AP供应商出货皆将减少，联发科市占将蝉连第一，高通次之，预估2023年联发科仍位居全球智能手机AP市占率第一，高通居市占率第二，高通市占率上升1个百分点，主因旗舰与中高端5GAP转以台积电为主要投片晶圆厂，竞争力增强，且三星旗舰机Galaxy23将全数采用高通骁龙8Gen2。

1. 本周话题：半导体设计—AI芯片

在人工智能数十年的发展历程中，传统芯片曾长期为其提供底层计算能力。这些传统芯片包括CPU、GPU、DSP、FPGA等，它们在设计之初并非面向人工智能领域，但可通过灵活通用的指令集或可重构的硬件单元覆盖人工智能程序底层所需的基本运算操作，从功能上可以满足人工智能应用的需求，但在芯片架构、性能、能效等方面并不能适应人工智能技术与应用的快速发展。而智能芯片是专门针对人工智能领域设计的芯片，包括通用型智能芯片与专用型智能芯片两种类型。

 

 

CPU、GPU等传统型芯片最初设计的目的不是用来执行人工智能算法及应用。CPU主要应用于电脑设备中，作为计算机系统的运算和控制核心，其功能主要是支持计算机的操作系统，并作为通用硬件平台运行广泛而多样化的应用程序。GPU是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。随着人工智能行业的发展，CPU、GPU等传统型芯片也开始向科学计算和人工智能领域拓展。智能芯片是面向人工智能领域而专门设计的芯片，其架构和指令集针对人工智能领域中的各类算法和应用作了专门优化，可高效支持视觉、语音、自然语言处理和传统机器学习等智能处理任务。智能芯片的性能和能效优势主要集中于智能应用，但不适用于人工智能之外的其他领域。与传统芯片相比，由于智能芯片不支持双精度浮点运算、图形渲染类运算、无线通信类信号处理运算，且未包含可重构逻辑单元阵列，从而无法像CPU和GPU一样支持科学计算任务、无法像GPU一样支持图形渲染任务、无法像DSP一样支持通信调制解调任务、无法像FPGA一样可对硬件架构进行重构。因此，在通用计算和图形渲染等人工智能以外的其他领域，智能芯片无法替代CPU、GPU等传统芯片，存在局限性；在人工智能领域，智能芯片的优势明显，可以替代CPU、GPU等传统芯片。由于人工智能芯片行业处于发展初期，属于较为前沿的技术领域，存在不同的技术路径和分类标准，目前尚无统一的标准划分。在一些咨询机构出具的研究报告中，通常将人工智能芯片区分为CPU、GPU、DSP、FPGA、ASIC（智能芯片）等类型；在行业内专业技术领域中，对于智能芯片可进行细分，一类为可以支持不同类型、种类智能算法的通用型智能芯片，这类芯片的特点是和CPU、GPU类似，具有指令集；另一类是针对特定场景乃至特定智能算法的加速芯片，这类芯片往往是针对某个算法实施的硬件化开发，一般不具备指令集或指令集较简单。

 

AI芯片应用场景及规模

随着技术成熟化，Al芯片的应用场景除了在云端及大数据中心，也会随着算力逐渐向边缘端移动，部署于智能家居、智能制造、智慧金融等领域；同时还将随着智能产品种类日渐丰富，部署于智能手机、安防摄像头、及自动驾驶汽车等智能终端，智能产品种类也日趋丰富。未来，Al计算将无处不在。

 

图：AI芯片应用场景

 

资料来源：2022中国人工智能芯片行业研究报告

随着人工智能算法的推广应用，云端服务器越来越多地被用于模型“训练”和“推理”任务，导致了对于大量云端训练芯片和推理芯片的市场需求。同时，随着终端向便携化、

智能化、网络化方向发展，以及人工智能、云计算、智能家居、可穿戴设备、物联网等为代表的新兴产业崛起，边缘计算的需求逐步提升，催生大量边缘智能芯片的需求。根据Tractica的研究报告，全球人工智能芯片的市场规模将由2018年的51亿美元增长到2025年的726亿美元，年均复合增长率将达到46.14%。同时，中国人工智能芯片市场也得到了进一步的发展，根据前瞻产业研究院的预测数据显示，未来几年内，中国人工智能芯片市场规模将保持40%-50%的增长速度，到2024年，市场规模将达到785亿元。未来国内人工智能芯片市场或将达到千亿体量。

 

2018年-2025年全球人工智能芯片市场规模

 

资料来源：Tractica、中泰证券研究所

 

2019-2024年中国人工智能芯片市场规模及预测

 

资料来源：前瞻产业研究院、中泰证券研究所

云端：当前，大多数Al训练和推理工作负载都发生在公共云和私有云中，云仍是Al的中心。在对隐私、网络安全和低延迟的需求推动下，云端出现了在网关、设备和传感器上执行All练和推理工作负载的现象，更高性能的计算芯片及新的Al学习架构将是解决这些问题的关键。互联网是云端算力需求较旺盛产业，因此除传统芯片企业、芯片设计企业等参与者外，互联网公司纷纷入局AI芯片产业，投资或自研云端Al芯片。

 

云端AI芯片

 

资料来源：2022中国人工智能芯片行业研究报告

数据中心对AI芯片需求较大。集成电路行业在经历了手机及消费电子驱动的周期后，迎来了数据中心引领发展的阶段，全球范围内云数据中心、超级数据中心的建设速度不断加快，Cisco预计到2021年，计算能力更强的超级数据中心将达到628座，占总数据中心比例达到53%，全球范围内数据中心对于计算加速硬件的需求上升带来人工智能算法的普及和应用。根据IDC预测，云端推理和训练所产生的云端智能芯片市场需求，预计将从2017年的26亿美元增长到2022年的136亿美元，年均复合增长率39.22%。

 

2016年-2021年超级数据中心数量变化

 

资料来源：CiscoGlobalCloudIndex、中泰证券研究所

 

2017年-2022年云端智能芯片市场规模及预测

 

资料来源：IDC、中泰证券研究所

根据IDC的数据，2019年中国市场的服务器出货量为319万台，其中AI服务器出货量为7.9万台，渗透率为2.5%，较2018年提升0.9pct。未来，随着AI模型训练和应用的兴起，需要支持AI功能的服务器将持续增加。IDC预计，中国AI服务器2021年的市场规模为57亿美元，同比增长61.6%；2025年市场规模将增长到109亿美元，2021-2025年的CAGR为17.5%。

 

2020年-2025年中国智能服务器市场规模

 

数据来源：《2021-2022中国人工智能计算力发展评估报告》，广发证券发展研究中心

边缘侧：

5G与物联网的发展以及各行业的智能化转型升级，带来了爆发式的数据增长。海量的数据将在边缘侧积累，建立在边缘的数据分析与处理将大幅度的提高效率、降低成本。随着大量的数据向边缘下沉，边缘计算将有更大的发展，IDC预测，未来，超过50%的数据需要在边缘侧进行储存、分析和计算，这就对边缘侧的算力提出了更高的要求。在人工智能算法的驱动下，边缘Al芯不但可以自主进行逻辑分析与计算，而且可以动态实时地自我优化，调整策略，典型的应用如黑灯工厂等。在整个边缘计算市场的带动下，边缘智能芯片逐渐受到国内外芯片厂商的关注，根据Gartner预测，未来物联网将约有10%的数据需要在网络边缘进行存储和分析。根据ABIResearch预计，边缘智能芯片市场规模将从2019年的26亿美元增长到2024年的76亿美元，年复合增速为24%。

 

边缘侧AI芯片

 

资料来源：2022中国人工智能芯片行业研究报告

终端设备：根据亿欧数据测算，中国自动驾驶行业规模增速在2022年将达到24%；智能摄像头产品出货量增速超15%；手机、平板、VR/AR眼镜等智能产品出货量也均有较大增速，催生出大量的智能芯片需求。同时，智能终端产品种类也逐渐多样，智能音响、服务/商用机器人等消费硬件、工业/数控设备等工业产品以及通信产品等日渐丰富，不同产品类型也对芯片性能与成本提出更多的要求。

图：终端AI芯片

 

资料来源：2022中国人工智能芯片行业研究报告

现阶段专门的人工智能处理器终端场景包含智能驾驶以及手机、平板电脑、音箱、AR/VR眼镜、机器人等对散热、能耗敏感的消费类电子终端。据市场调研机构iiMediaResearch估计，2016年全球智能驾驶汽车市场规模为40.0亿美元，预计至2021年增长至70.3亿美元，复合增长率11.94%。智能驾驶系统的核心是芯片，未来人工智能芯片在车载领域具备广阔的市场空间。根据Gartner预测，2020年人工智能芯片在消费电子终端市场的销售规模将超过25亿美元。除了智能手机之外，AR/VR、智能音箱、无人机、机器人等领域也是各厂商关注的重点，根据Gartner的预测，2020年人工智能芯片在消费电子终端市场的销售规模将超过25亿美元。

 

2016年-2021年全球智能驾驶汽车市场规模预测

 

资料来源：iiMediaResearch、中泰证券研究所

 

2016年-2021年全球智能驾驶汽车市场规模预测

 

来源：Gartner、IHS、中泰证券研究所

行业格局

从技术架构上，AI芯片主要有两条发展路径：1.延续传统计算架构，加速AI计算能力，以GPU、FPGA和ASIC为主，是当前可大规模商用的主流技术路线，也是AI芯片的主战场。2.颠覆经典的冯•诺依曼计算架构，采用类脑神经结构开发的类脑芯片，目前处于技术探索阶段。

从部署位置上，AI芯片主要部署在两个位置：云端：即云数据中心。云端拥有大量高性能、稳定和可扩展的算力，可以灵活支持视频、图片、语音、文本等不同的AI应用。云端既可以用于AI训练，也可以用于AI推理。终端：即安防摄像头、智能手机、智能家居等各种IoT设备。终端设备数量庞大，不同应用场景的终端对AI算法的需求也不一样。由于算力较弱，终端只能用于AI推理。

目前，泛人工智能类芯片领域中的主要企业分为两类：第一类是国际集成电路设计龙头企业，包括Nvidia、Intel、AMD、Qualcomm、NXP、Broadcom、Xilinx、联发科、华为海思等，还包括主要以进行IP授权模式经营业务的ARM、Cadence和Synopsys等公司；第二类是以寒武纪、地平线机器人、Graphcore等为代表的专业人工智能芯片设计公司。近两年，国内外多家集成电路龙头企业与初创公司陆续发布了多款智能芯片产品。例如，Nvidia在云端推理领域的代表性产品为TeslaT4，在云端训练领域的代表性产品为TeslaV100，且均已实现大规模应用；Intel收购的HabanaLabs发布了面向推理的Goya加速卡和面向训练的Gaudi加速卡，这两款产品尚处于推广阶段；华为海思的代表性产品为适用于边缘端和云端推理的Ascend310以及云端训练的Ascend910，这两款产品尚处于推广阶段；其他代表性产品包括地平线机器人的征程和旭日系列芯片、Graphcore推出的面向云端市场的IPU产品等。

第一类国际集成电路设计龙头企业一般都经过了多年的技术沉淀和研发积累，在综合技术实力、销售规模、资金实力、人才团队等方面仍占据优势。第二类专业人工智能芯片设计公司普遍成立时间相对较晚，在营收规模、综合技术积累等方面难以与国际集成电路设计龙头企业相提并论，但在人工智能算法和针对人工智能应用场景的专用芯片设计方面有着自身独到的技术优势和一定的研发实力。

根据2018年CompassIntelligence的数据，全球人工智能芯片榜单中前三名依序为英伟达(Nvidia)、英特尔(Intel)以及恩智浦(NXP)，中国大陆地区华为海思位列第12名，寒武纪位列第23名，地平线位列第24名

 

2018年全球AI芯片公司榜单

 

资料来源：CompassIntelligence、中泰证券研究所

 

AI芯片分类与竞争赛道

 

资料来源：网络公开资料整理

由于具有得天独厚的技术和应用优势，英伟达几乎独占了云端AI芯片市场，其他厂商，如英特尔、特斯拉、AMD、英特尔以及Xilinx等，也在人工智能处理器领域的云端占有一席之地。随着近年来越来越多的AI应用场景落地，国内厂商也开始大量涌入AI芯片行业，由于云端AI芯片对芯片性能拥有极高要求，超高的准入门槛阻挡了大部分的国内企业，目前主要竞争对手为寒武纪，壁仞科技，燧原科技，华为海思等等，由于华为海思当前受美国贸易现在，目前不能顺利在海外流片，故当前海思在云端AI芯片领域正逐渐失去竞争力。

 

当前AI芯片行业相关企业的竞争态势

 

资料来源：中投研究院

（1）英伟达

目前在AI领域，英伟达的对应业务主要包括数据中心、自动驾驶两个领域，自动驾驶属于针对特定应用场景的边缘推理范畴，暂不做讨论，主要聚焦于英伟达的数据中心业务。而在数据中心的业务布局，英伟达基本遵从：端到端、训练推理一体、软件全栈的业务布局思路，相关产品从底层向上，主要包括AI芯片（训练、推理）、网络（芯片互联、设备互联）、基础软件框架&应用软件等。在完成了行业层面的分析之后，在本部分内容中，主要对英伟达在AI芯片领域的综合竞争力进行系统分析和探讨。

目前AI模型对算力的需求增速远远高于摩尔定律，以及芯片自身的性能提升速度，芯片的设计，是一个系统性工程，需要算法模型、软件和硬件层面的共同协同，以实现系统效率的最大化。目前英伟达GPU产品，从2018年的图灵、到2020年的安培，以及2022年的霍普，芯片架构保持每两年一次的更新迭代节奏，并通过制程、DSA、新的数据精度引入等系列手段提升芯片的计算性能。以英伟达Hopper架构为例：1）工艺提升带来计算频率提升，以及同等Die面积下计算单元数增加；2）领域专用架构（DSA）设计带来性能提升，Hopper架构引入Transformer计算单元；3）引入新数据精度类型，用低精度来代替高精度单元,比如Hopper引入FP8等。系列的举措亦使得英伟达GPU芯片，无论是在训练，抑或是推理环节，均在若干主流的基准测试中，性能参数持续领先主要竞争对手。

 

英伟达数据中心产品布局

 

资料来源：英伟达官网

 

部分GPU厂商产品参数对比

 

资料来源：AMD、英伟达官网，中信证券研究部

网络技术：NVLink、InfiniBand。面向复杂AI模型的训练、推理，需要更多依赖于GPU卡、硬件集群，因此，低延时&高速的芯片互联、设备互联显得尤为重要，在芯片互联环节，英伟达具有引以为傲的NVlink技术，目前该技术已经进化到第四代，芯片间能够实现超过800GB/S的数据吞吐。设备间互联部分，英伟达2020年完成对网络芯片&技术提供商Mellanox的收购，Mellanox作为全球InfiniBand网络的领导者，相较于以太网，IB网络能够在数据中心内部实现设备间的高速、低延时互联，是HPC的最理想承载者。

 

图：数据中心内部主要网络结构类型

 

资料来源：中信证券研究部整理

软件堆栈：从底层框架到应用场景、训练推理一体。目前英伟达在软件领域中的产品布局相对较广，涵盖了从最底层的驱动程序，到最上层的行业应用程序、算法库等。可简单分类为：底层套件、应用工具&应用框架两大部分。1）底层套件，主要用于帮助用户降低芯片&硬件使用门槛，提升易用性、通用性等，主要产品包括：面向GPU领域的CUDA、面向DPU领域的DOCA等，本身旨在提升芯片本身的通用性、易用性，同时在推理环节，英伟达亦具有tensorRT等框架，实现训练、推理的端到端部署。2）应用工具，为英伟达面向各细分领域、应用场景推出的应用解决方案，包括Omniverse（元宇宙）、AIEnterprise（企业AI框架）、Drive（自动驾驶）等。CUDA等构建的生态优势，以及从训练到推理的端到端软件产品解决方案，预计中短期仍将持续构成英伟达最为主要的护城河之一。

英伟达有望在AI训练、推理（云端）环节持续保持主导性地位。依托产品性能、芯片组合、网络技术、软件产品等层面的综合优势，以及由此形成的端到端、训练推理一体、全栈式的解决方案，使得英伟达持续引领全球AI市场。据LiftrInsights数据，目前在AI技术进展最为前沿的北美数据中心AI芯片市场，英伟达份额占比超过80%，且在训练、推理环节均保持持续领先。英伟达在训练环节的综合优势，市场本身没有太多分歧，市场当前分歧主要在于推理环节，主要理由在于：1）推理环节相较于训练环节更低的门槛，主要体现在计算精度、算力消耗量等方面；2）英伟达GPU本身在功耗、延时等层面并不占优。AI推理主要包括云端推理、边缘推理（边缘节点或终端）两种情形，英伟达在边缘推理环节的确不具备压倒性优势，但在云端推理环节，从基本的认知逻辑出发，英伟达大概率仍将是最具有竞争力的参与者。在商业操作上，英伟达亦在采用更为务实的策略，即通过和云计算厂商的合作，为企业客户提供AI算力服务，该种合作模式类似于数据仓库领域的Snowflake和AWS等云计算平台的合作。

（2）寒武纪

公司成立于2016年，创始人陈天石是前中科院计算机所研究员。2010-2015年，陈天石在中科院工作期间的主要研究方向是计算机体系结构和计算智能，并就相关研究发表论文40余篇。2016年，公司创立之初即推出了全球首款商用智能终端IP-寒武纪1A。截止2020年底，公司的智能IP产品已搭载于超过1亿台智能手机和智能终端设备中。2018年，公司在云端AI芯片领域取得突破，推出了中国首款高峰值云端智能芯片-思元100芯片。之后，公司陆续推出思元270、290和370，架构持续升级，性能持续提升，与头部厂商的技术差距持续缩小。公司不断拓展业务边界，在边缘计算场景推出思元220芯片，并布局智能驾驶场景。

 

寒武纪历代产品推出时间及应用场景

 

资料来源：寒武纪招股说明书，寒武纪官网，广发证券发展研究中心

公司针对于计算集群、自动驾驶、边缘计算和AIoT设备等AI算力需求旺盛的领域开发了完整的AI算力芯片矩阵。公司在研发上持续大量投入，新产品陆续推出，在各场景广泛应用。2020年公司三大核心产品分别为云端智能芯片及加速卡、边缘端智能加速卡和终端智能处理器IP。此外，公司为云边端全系列智能芯片与处理器产品提供统一的平台级基础系统软件CambriconNeuware，打破了不同场景之间的软件开发壁垒，兼具高性能、灵活性和可扩展性的优势。

 

寒武纪业务分类

 

资料来源:国信证券经济研究所整理

寒武纪以通用智能芯片为主，通用型智能芯片具备灵活的指令集和精巧的处理器架构，技术壁垒高但应用面广，可覆盖人工智能领域高度多样化的应用场景（如视觉、语音、自然语言理解、传统机器学习等）。寒武纪面向云端、边缘端、终端推出了三个系列不同品类的通用型智能芯片与处理器产品，共用相同的自研指令集与处理器架构，共用相同的基础系统软件平台，实现了从通用型智能芯片到云、边、端通用生态的跨越。

寒武纪智能芯片与GoogleTPU均为通用型智能芯片的代表性产品。从技术原理上看，二者相同。都是通过对人工智能领域的计算特征和访存特征进行分析和抽象，设计出的通用型智能芯片，其指令集、运算器架构和存储层次都非常适合智能算法，从而在智能应用上的能效超过了传统CPU、GPU。从技术特点来看，都具有专用的片上SRAM，且这些片上SRAM和传统CPU中的Cache不同，对于软件和程序员是可见的。

 

寒武纪架构与GoogleTPU架构

 

资料来源:雷锋网，ssdfans

免责声明：本文章不涉及投资建议，仅供分享观点所用。

参考资料：

中泰证券：寒武纪-688256-国内AI芯片领先者

英伟达：人工智能行业：在各行业部署AI解决方案

中信证券：英伟达-NVDA.US-深度跟踪报告：从ChatGPT看英伟达AI业务的短期弹性、中期空间

方正证券：寒武纪-688256-公司深度报告：AI芯片国产先锋

东北证券：寒武纪-688256-AI芯片先行者，迎接智能化时代变革