《通信行业:边缘计算始于AI赋能应用-230521(29页).pdf》由会员分享,可在线阅读,更多相关《通信行业:边缘计算始于AI赋能应用-230521(29页).pdf(29页珍藏版)》请在三个皮匠报告上搜索。
1、请仔细阅读本报告末页声明请仔细阅读本报告末页声明 证券研究报告|行业深度 2023 年 05 月 21 日 通信通信 边缘计算边缘计算始于始于 AI,赋能应用,赋能应用 边缘侧是边缘侧是 AI生态中最重要的组成部分之一。生态中最重要的组成部分之一。AI 飞轮发展滚滚向前,从今年初 GPT-3.5 惊艳世界,到 5 月 14 日 OpenAI 正式开启插件功能,我们见证了云端大模型的快速迭代与演化。当前时点,AI 大模型已经站在了从“玩具”向“工具”快速演化的关键迭代期。如何让大模型渗透进入各类垂直场景,如何更低成本的使用大模型,如何让更多场景与用户接触 AI,成为了发展的下一个重点。在 AI
2、向实际场景落地时,边缘算力的重要性加速凸显,边缘算力在成本、时延、隐私上具有天然优势,也可以作为桥梁,预处理海量复杂需求,并将其导向大模型。边缘算力作为 AI 触及万千场景的血管地位加速明晰。之前,边缘侧设备以部署通信能力为主,当下,在以高通为代表的边缘巨头推动下,算力、AI 能力等边缘基建正在加速推动,同时三大运营商的算力网络与边缘资源池体系,也为我国算力梯度分布奠定了雏形。展望未来,边缘算力将始于 AI 带来的需求提升,同时也将赋能应用,连接更多用户,加速 AI 发展与迭代。边缘算力的三大优势。边缘算力的三大优势。边缘算力,通常指部署在设备本地的算力或者离用户距离较近的数据中心中的算力。边
3、缘算力相较于云端算力,拥有低成本、低时延、高隐私三大特性。(1)低成本:当前主流的边缘算力平台主要采用高通主导下的 ARM架构,相比于英伟达的复杂架构,ARM 架构在小算力时拥有极低的单位成本,是降低开发与用户成本的必然选择。(2)低时延:边缘算力一般搭载在本地,无需将数据发送至云端并等待回传的时间,可以满足如自动驾驶,快速对话等对时延要求高的场景。(3)高隐私:边缘算力依靠设备本身搭载的算力或在用户自有服务器上的算力进行推理,可以实现数据不出用户管辖范围,对隐私的保护更好。边缘算力的存在形式。边缘算力的存在形式。当下边缘算力主要有两种存在模式,一种是设备本身搭载的算力,这类算力通常依托边缘处
4、理芯片存在,边缘处理芯片包括了手机终端上的骁龙与苹果 M 平台,面向 IOT 设备的如高通 8155 芯片或者专为 AI 优化的QCM8550 芯片。通常,大单品采用直采芯片+定制 PCB 的形式进行开发,而中小厂商与细分垂直领域往往采购模组来满足算力需求。第二种算力存在形式是边缘资源池,通常由离用户较近的核心城市内的数据中心构成,或者由厂区,道路旁的小机柜、算力盒子提供算力。边缘算力赋能万千应用。边缘算力赋能万千应用。在生成式 AI 爆发前,边缘算力已经逐渐渗透进了部分商用场景,如手机云游戏、无人设备驾驶、自动视频识别等。如今随着 MLC-LLM,谷歌模型体系等软件基建加速,特斯拉机器人为具
5、身智能完成物理基建,在终端设备上推理生成式模型,甚至让智能设备同物理世界自主交互的条件已经具备,未来,随着应用加速渗透、预处理模型需求爆发,以及边缘小模型推理,智能设备物理交互需求爆发。“云“云边”一体边”一体,共筑共筑 AI 飞轮模型。飞轮模型。“云边”一体指云计算和边缘计算的有机结合。此前市场担心小模型对算力需求下降,但我们却认为这正是 AI 应用闭环的必由之路。类似于交通网络,光有干线是不够的,还需要无数省道、乡村小路通往千家万户,汇聚而来的流量才能驱动干线不断升级。边缘侧需求的释放将开启“真 AIOT”时代,或许这才能开启 5G 当初所提万物互联、算网一体的黄金时代。投资建议:抓住边缘
6、算力芯片与边缘算力承载平台两条主线投资建议:抓住边缘算力芯片与边缘算力承载平台两条主线。边缘算力芯边缘算力芯片:片:瑞芯微瑞芯微/全志科技全志科技/晶晨股份晶晨股份/翱翱捷捷科技科技/乐鑫科技乐鑫科技。边缘算力承载平台边缘算力承载平台:美格智能美格智能/广和通广和通/超讯通信超讯通信/龙宇股份龙宇股份/移远通信移远通信/网宿科技网宿科技。边缘算力运营商:中国移动边缘算力运营商:中国移动/中国电信中国电信/中国联通中国联通。风险提示风险提示:小模型推进不及预期,边缘算力发展不及预期小模型推进不及预期,边缘算力发展不及预期。增持增持(维持维持)行业行业走势走势 作者作者分析师分析师 宋嘉吉宋嘉吉
7、执业证书编号:S0680519010002 邮箱: 分析师分析师 黄瀚黄瀚 执业证书编号:S0680519050002 邮箱: 分析师分析师 邵帅邵帅 执业证书编号:S0680522120003 邮箱: 相关研究相关研究 1、通信:具身智能下一波人工智能浪潮2023-05-192、通信:800G LPO:AI 时代最具潜力的技术路线2023-05-16 3、通信:算力AI 从玩具向工具的使能者2023-05-14-32%-16%0%16%32%48%64%--05通信沪深3002023 年 05 月 21 日 P.2 请仔细阅读本报告末页声明请仔
8、细阅读本报告末页声明 内容目录内容目录 1.投资要件.4 2.模型由大到小,AI 走向应用的快速路.5 3.梯度分布,算力的终极呈现形式.9 4.边缘算力,连接 AI 与用户的纽带.16 5.应用曙光已现,期待 AI 飞轮下的百花齐放.21 6.投资建议.26 7.风险提示.28 图表目录图表目录 图表 2:DeepSpeed 训练花费.5 图表 2:MLC 项目概览.6 图表 3:Lora 模型.6 图表 4:高通在手机上运行 StableDiffusion.7 图表 5:高通全栈 AI 优化.7 图表 6:谷歌基于 PaLM2 的模型体系.8 图表 7:中科创达 Rubik 大模型.8 图
9、表 8:不同制程手机芯片成本(单位:美元).9 图表 9:核心数与算力关系曲线.10 图表 10:算力与网络的供需错配.11 图表 11:算力发展的驱动原因.12 图表 12:四类关键技术对算力的具体要求.12 图表 13:东数西算.14 图表 14:东数西算布局图.14 图表 15:中国移动算力网络.15 图表 16:英伟达自动驾驶平台.16 图表 17:苹果 M2 芯片.16 图表 18:高通 8550 物联网芯片性能.17 图表 19:高通 8550 物联网芯片架构.17 图表 20:瑞芯微边缘芯片产品.17 图表 21:翱捷科技蜂窝基带芯片.17 图表 22:石头扫地机器人搭载全志科技
10、芯片.18 图表 23:MAXHUB 视频会议采用瑞芯微芯片.18 图表 24:智能模组的发展历程.18 图表 25:美格智能 SNM970 模组.19 图表 26:兰州 110 千伏砂坪变多站融合数据中心.20 图表 27:自动驾驶芯片每秒识别帧率对比.21 图表 28:美格车规模组.21 图表 29:美格智能模组赋能“虎鲸”无人机.22 图表 30:美格智能智能零售解决方案.22 图表 31:启朔科技产品细节.23 图表 32:启朔科技合作伙伴.23 图表 33:斑马智行接入通义千问.24 图表 34:问界 M9 接入大模型.24 VXfWtXjWnVsQtRmR6M8Q8OoMrRmOm
11、PfQpPnQjMmOoM8OpOnNwMmRoQNZrMnM2023 年 05 月 21 日 P.3 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 图表 35:手机上的“ChatGPT”.24 图表 36:Rewind 应用.25 图表 37:特斯拉机器人最新进展.26 图表 38:边缘计算投资标的(Wind 一致预期,除高通为亿美元外,其他总市值、净利润单位均为亿人民币).27 2023 年 05 月 21 日 P.4 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 1.投资要件投资要件 当前市场普遍聚焦于云端算力发展,忽视了边缘算力在 AI 乃至社会数字化发展中的重要地位。随着 A
12、I 大模型应用逐渐渗透进入千行百业和各类垂直细分场景,单纯的大规模计算中心提供的算力将不能满足多样化的 AI 运算需求。基于几点判断,我们认为边缘算力具备不可或缺性:第一,未来随着计算芯片加速发展,单位算力成本中,电费与土地费用占比将愈发提升,算力成本将取决于智算中心的地理位置,以我国举例,未来算力成本较低的西部将是云端算力主要部署地。因此,大算力与低时延需求将出现错配。第二,AI 模型推理 Token 费用较贵,如果需要成熟商用,边缘预处理将是必须选项。通过边缘部署的算力,将用户的多样化需求进行本地的预处理,简单的需求直接利用本地模型和算力推理,复杂需求通过边缘算力预处理后,精简成最少的 T
13、OKEN 发送至云端,从而能够最低成本的实现应用功能,加速商业化。同时,面向小算力时,ARM 架构由于其架构简单,比英伟达复杂架构计算卡更具成本优势,也将加速边缘小算力的渗透速度。最后,无论是对用户个人敏感数据进行推理,还是推理设计商业敏感数据,完全与云端隔绝的边缘算力,能为用户提供最好的数据安全保护。因此,从时延、成本、隐私三大方面来看,边缘算力未来算力体系的重要构成部分,也是 AI 需求连接万物的毛细血管。当前市场普遍聚焦于边缘场景中的大单品逻辑,忽视了边缘生态的多样性。当前市场聚焦于智能音响,智能耳机等大单品及其部件,主要是其作为 AI 入口的逻辑更具备直接性。但我们认为,随着 AI 加
14、速向边缘渗透,应用的形式将愈发多样,越来越多的中小厂商将参与到不同场景,不同细分领域的 AI 智能硬件开发中来。随着应用形式愈发多样,如何在海量不同设备上部署标准化的 AI 边缘算力将成为一个重要问题。我们判断,物联网模组将成为承载这类算力的重要形式。物联网模组集成了通信芯片与全球大厂的算力芯片,能为海量场景和中小厂商提供稳定的边缘通信能力和边缘算力,大大降低了中小开发者部署边缘算力的门槛和难度。AI 时代,是万众创新的年代,海量的开发将来自中小开发者,而模组提供的算力,将成为边缘算力中的重要部分。行业催化因素:1.边缘小模型以及解决方案加速推进,模型蒸馏加速简化。2.搭载边缘模型与边缘算力的
15、智能设备快速放量。投资建议:抓住边缘算力芯片与边缘算力承载平台两条主线。边缘算力芯片:高通/瑞芯微/全志科技/晶晨股份/翱捷科技。边缘算力承载平台:美格智能/广和通/龙宇股份/网宿科技。边缘算力运营商:中国移动/中国电信/中国联通。风险提示:1.小模型推进不及预期。2.边缘计算不及预期。2023 年 05 月 21 日 P.5 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 2.模型由大到小模型由大到小,AI 走上走上应用的快速路应用的快速路 今年年初,随着Chatgpt的发布,以LLM模型为主导的生成式大模型高速发展。在Chatgpt之前,AI 发展通常以面向细分行业的小模型为主,追求较小
16、运行成本下的较快商业化。Chatgpt 问世之后,证明了“野蛮”堆砌参数与算力的生成式模型之路是可以走通的,因此,短期内全球 AI 模型开发的风向转向了堆砌参数与算力的模式。随着 GPT-4 的发布,标志大语言模型正式迈入了多模态时代,参数量近一步膨胀。4 月份,OPENAI 创始人 SAM Altman 在一场 MIT 举办的活动上表示,“未来的“未来的 AI 进展不会进展不会来自于让模型变得更大”来自于让模型变得更大”,我们认为,这代表着 OPENAI 之后的努力将会更多的转向如何让现有的大模型更好用,渗透进更多的场景。从北美的趋势来看,当下,在大模型基础上,快速建立小模型生态,正是许多大
17、模型龙头正在高速推进的发展方向。如何推动模型实现“人人可训,人人可用”“人人可训,人人可用”已经成了海外大厂争相布局的方向。4 月 12 日,微软正式开源 DeepSpeedchat 训练模型,这个训练方式拥有三大核心优势,第一,简化 ChatGPT 类型模型的训练和强化推理体验,第二,DeepSpeed-RLHF 模块,第三,DeepSpeed-RLHF 系统。基于这三大特性,DeepSpeed-HE 比现有系统快 15 倍以上,使 RLHF 训练快速且经济实惠。例如,DeepSpeed-HE 在 Azure 云上只需 9 小时即可训练一个 OPT-13B 模型,只需18 小时即可训练一个
18、OPT-30B 模型。这两种训练分别花费不到 300 美元和 600 美元。此外,该系统可以支持超千亿参数的模型训练,并且增强了对于单张显卡的训练支持,仅凭单个 GPU,DeepSpeed-HE 就能支持训练超过 130 亿参数的模型。图表 1:DeepSpeed 训练花费 GPUs OPT-67B OPT-13B OPT-30B OPT-66B 8x A100-40GB 5.7 hours 10.8 hours 1.85 days NA 8x A100-80GB 4.1 hours 9 hours($290)18 hours($580)2.1 days($1620)资料来源:微软,国盛证券研
19、究所 如果说如果说 DeepSpeedchat 是模型界迈向应用与生态建设的第一步,那么在五月初的是模型界迈向应用与生态建设的第一步,那么在五月初的几几大大变化,让我们更加坚信了,万物搭载模型,模型赋能万物的时代正在加速到来。变化,让我们更加坚信了,万物搭载模型,模型赋能万物的时代正在加速到来。首先,便是知名华人 AI 研究者陈天奇牵头开发的 MLC-LLM 解决方案,MLC LLM 为用户在各类硬件上原生部署任意大型语言模型提供了解决方案,可将大模型应用于移动端(例如 iPhone)、消费级电脑端(例如 Mac)和 Web 浏览器。MLC 的主要功能包括了:(1)支持不同型号的 CPU、GP
20、U 以及其他可能的协处理器和加速器。(2)部署在用户设备的本地环境中,这些环境可能没有 python 或其他可用的必要依赖项;通过仔细规划分配和积极压缩模型参数来解决内存限制。(3)MLC LLM 提供可重复、系统化和可定制的工作流,使开发人员和 AI 系统研究人员能够以 Python 优先的方法实现模型并进行优化。MLC LLM 可以让研究人员们快速试验新模型、新想法和新的编译器 pass,并进行本地部署。2023 年 05 月 21 日 P.6 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 图表 2:MLC 项目概览 资料来源:机器之心,国盛证券研究所 其次,我们看到了随着 Meta
21、开源 LLaMA,整个北美 AI 开发者中,正在快速兴起基于LLaMA 的训练风潮,同时随着 Lora 等训练方法的加速渗透,我们判断,中小开发者蒸馏,训练,部署自由模型的成本正在快速降低,整个开源生态下,模型梯度分布的格局正在加速建立。Lora 训练法通过冻结预训练的模型权重,并将可训练的秩分解成矩阵注入到Transformaer 架构的每一层,极大的减少了下游任务的可训练参数的数量,有效提升了预训练模型在下游任务的 finetune 效率。图表 3:Lora 模型 资料来源:arXiv,微软,国盛证券研究所 上述的三种模型或解决方案,DeepspeedChat,MLC-LLM,Lora 模
22、型,其中 Deepspeed与 Lora 模型给中小开发者提供了低成本,快速训练专属于自己的小模型的完整工具,而MLC-LLM 则为中小开发者在算力较低的环境或者边缘进行模型的推理搭建了基础,三大工具,我们认为已经形成了我们认为已经形成了 AI 走向边缘的“基建雏形”走向边缘的“基建雏形”。上文阐述了来自开源社区或者中小开发者参与的模型应用变化,在 Chatgpt 面世以来,大厂也在加速边缘推理能力,小模型的开发。2023 年 05 月 21 日 P.7 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 2 月,全球手机与 IOT 芯片龙头高通,展示了其在搭载 8Gen2 的手机平台生利用St
23、ableDiffusion 生成了图片,耗时小于 15 秒。在 5 月,高通通过持续优化,将生成图片的时间缩短至 12 秒。图表 4:高通在手机上运行 StableDiffusion 资料来源:高通,国盛证券研究所 高通通过与其芯片配套的全栈AI优化方案,将stable diffusion模型从FP32压缩至INT8,显著的降低了运行时延和能耗,从而实现了模型在手机算力上的安全高效推理。高通发布的全栈 AI 工具,包括了 INT8 转化,最小化内存溢出,适配 Hexagon 处理器的 AI 加速等功能,能够让 OEM 厂商快速在高通的算力环境中部署其 AI 应用。图表 5:高通全栈 AI 优化
24、 资料来源:高通,国盛证券研究所 在 5 月,谷歌也发布了其全新的语言大模型 PaLM2,并作为发布会中大部分 AI 功能的基础模型,值得注意的是,PaLM2 是一个拥有众多版本和参数量的模型体系,其包含了4 个不同参数的模型,包括壁虎(Gecko)、水獭(Otter)、野牛(Bison)和独角兽(Unicorn),并在特定领域的数据上进行了微调,为企业客户执行某些任务。其中 PaLM 2 的最轻版本 Gecko 足够小,可以在手机上运行,每秒处理 20 个 tokens,大约相当于 16 或 17 个英文单词,谷歌在模型梯度分布上的重视程度,也进一步验证了小模型作为 AI 渗透进入万千场景的
25、必要性。2023 年 05 月 21 日 P.8 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 图表 6:谷歌基于 PaLM2 的模型体系 资料来源:谷歌,国盛证券研究所 将视角拉回国内,国内厂商在边缘小模型上也正在加速布局,5 月,中科创达发布 Rubik魔方大模型,根据公司官网介绍,中科创达基于在机器人领域的深厚积累,中科创达将智能音箱与机器人进行融合,并通过中科创达魔方 Rubik 大模型的不断训练,已经实现了能够自由对话的智能销售机器人,可以自主回答客户关于企业及产品的各种问题,为企业营销及客户拓展提供了新的助力。图表 7:中科创达 Rubik 大模型 资料来源:中科创达官方公众号
26、,国盛证券研究所 可以看出,除了开源社区和前沿学者正在不断加速模型的可用性,以及边缘推理的探索,可以看出,除了开源社区和前沿学者正在不断加速模型的可用性,以及边缘推理的探索,越来越多的大厂也加入到了越来越多的大厂也加入到了布局边缘模型的新一轮“军备竞赛”中来,我们认为,随着布局边缘模型的新一轮“军备竞赛”中来,我们认为,随着两方的共同努力,一个由“基础模型”,“低成本定制工具”,“模型优化工具”三者共同两方的共同努力,一个由“基础模型”,“低成本定制工具”,“模型优化工具”三者共同构建的边缘模型生产与利用体系将会飞速发展。构建的边缘模型生产与利用体系将会飞速发展。2023 年 05 月 21
27、日 P.9 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 3.梯度分布,算力的终极呈现形式梯度分布,算力的终极呈现形式 当前市场主要聚焦于云端算力,但往往忽略了云端之外的算力同样重要,未来随着摩尔制成达到极限,数据传输成本,时延,隐私等等因素的影响,我们早在 2022 年发布的报告算力革命:泛在、绿色与生态中就强调了由运算算力,边缘算力,本地算力共同构成的“泛在”算力,是算力的终极存在形式。算力当前的供需格局决定了,“泛在”或者是“梯度分布”将会是算力最终的呈现方式,云计算和边缘计算的有机结合:“云边”一体有望流行。下面我们将从算力的供需角度,来阐述“泛在”的必要性。供给端供给端 1:受到
28、量子隧穿效应影响和商业化成本影响,硅基单核芯片制程将在受到量子隧穿效应影响和商业化成本影响,硅基单核芯片制程将在 3nm 达达到极限。到极限。硅基芯片晶体管的栅长在低于 3 纳米时极易发生量子隧穿效应(其原理为,当栅长缩小到一定程度的时候,即使没有加电压,源极和漏极都接近互通,晶体管便失去了开关的作用,因而无法实现逻辑电路)。因此,通过更加先进的纳米制程工艺提升单核芯片性能将面临技术上的严峻挑战。由于量子隧穿效应的存在,3 纳米后,单芯片成本将会急剧上升,华为与罗兰贝格数据显示,3 纳米制程手机端旗舰级 SoC 单芯片(以高通骁龙 855 为例)成本较 7 纳米显著增加约 200 美元,高昂的
29、成本将会极大程度制约终端客户需求,最终降低算力供给的增加。图表 8:不同制程手机芯片成本(单位:美元)资料来源:华为,IBS,罗兰贝格,国盛证券研究所 即使在能够接受较高成本的大型数据中心等用户中,处理器性能的提升依旧受到制约,受存储、系统、软件限制(性能)和单位算力功耗显著上升(功耗)两大因素影响,芯受存储、系统、软件限制(性能)和单位算力功耗显著上升(功耗)两大因素影响,芯片核心数量将在片核心数量将在 128 核达到上限核达到上限。根据罗兰贝格数据,现有的冯诺依曼架构下,通过拟合不同核心数量的芯片计算能力样本数据,我们发现多核处理器随核数增长,算力增长的倍数快速下滑:从 2 核增至 4 核
30、时,总算力可提升 1.74 倍,而当核数由 128 核增至 256 核时,总算力水平仅能提升已跌破 1.2 倍(1.16X),已显著丧失经济性。3343640016nm10nm7nm5nm3nm2023 年 05 月 21 日 P.10 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 图表 9:核心数与算力关系曲线 资料来源:华为,罗兰贝格,国盛证券研究所 在单核性能以及多核提升带来的双重压制下,大型数据中心带来的增量算力边际增量将在单核性能以及多核提升带来的双重压制下,大型数据中心带来的增量算力边际增量将会迅速递减,而兴建大型数据中心需要的土地,
31、人力,时间成本将在海量算力时代制约会迅速递减,而兴建大型数据中心需要的土地,人力,时间成本将在海量算力时代制约“集中式”的算力发展。“集中式”的算力发展。供给端供给端 2:算力:算力爆发爆发的背景下,网络性能限制和成本将会导致数据中心的算力难以满足的背景下,网络性能限制和成本将会导致数据中心的算力难以满足复杂场景下的需求。复杂场景下的需求。网络带宽及网络时延共同决定了网络信道的传输质量,影响到网络算力的发挥。具体而言,“网络化”算力的使用需要经历终端与云端的数据双向传输过程,这段过程是通过网关、基站、数据中心等不同网节点之间的信道所实现的,其中信道的容量决定了传输的速率(带宽),信道的长度与材
32、质决定了数据传输的时延,两者共同影响了数据传输的效率。2023 年 05 月 21 日 P.11 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 图表 10:算力与网络的供需错配 资料来源:华为,国盛证券研究所 即使随着当今 5G 网络加速完善,无论从时延以及容量都相较于 4G 网络出现了较大程度提升,但相对于未来社会的海量数据需求来看,完全依靠但相对于未来社会的海量数据需求来看,完全依靠 IDC 提供算力支撑仍是效率较提供算力支撑仍是效率较低的选择,无论是智能驾驶对于时延的要求,亦或是传输高清视频图像等带来的大额带低的选择,无论是智能驾驶对于时延的要求,亦或是传输高清视频图像等带来的大额带
33、宽成本,都将进一步加剧“集中式”算力与“分布式”需求的错配。宽成本,都将进一步加剧“集中式”算力与“分布式”需求的错配。供给端供给端 3:算力高能耗与全球双碳目标之间的矛盾:算力高能耗与全球双碳目标之间的矛盾。随着芯片制成逐渐接近量子隧穿效应发生的制程,当前主流芯片的能效比正在逐渐接近极限。单位算力功耗在过去 10 多年间经历了显著下降,但随着硅基芯片工艺制程提升的难度凸显,其进一步下探幅度有限,这意味着,等量算力的提升,即将对应等量能耗需求的提升。面对未来百倍的算力需求,高能耗问题将成为人类算力发展过程中的重要瓶颈。同时,随着我国双碳目标的提出,对于数据中心的耗电量,PUE 值都提出了更严格
34、的要求,截至 2020 年底,中国数据中心耗电量已经突破 2000 亿千瓦时,能耗占全国总用电量的 2.7%,随着数据中心进一步扩容,算力需求进一步提升,解决数据中心能耗问题的需求也愈发迫切。在可见的未来,具备低时延特性的核心城市在可见的未来,具备低时延特性的核心城市 IDC 供给将进一步被压供给将进一步被压缩,如何通过有效的边缘侧处理手段,使得有限的核心城市算力资源得到充分利用,也缩,如何通过有效的边缘侧处理手段,使得有限的核心城市算力资源得到充分利用,也是本轮“算力革命”急需解决的难题。是本轮“算力革命”急需解决的难题。需求端:智能化社会大潮下,对应百倍流量增长需求。需求端:智能化社会大潮
35、下,对应百倍流量增长需求。随着以人工智能、物联网、区块链、AR/VR 等关键信息技术逐渐成熟,社会中大量智能化场景将得到实现。根据罗兰贝格报告,人工智能技术将推动无人驾驶、智能办公、智慧医疗等场景的有效落地,物联网技术将推动智能消防、智慧工厂、智慧农场、智能家居等场景落地,区块链技术将推动应用于数字证书、信息加密等场景落地,AR/VR 技术则可推动智慧商场、游戏、智慧课堂等场景落地。这些场景未来将在产业领域实现跨越式发展、助力各产业创新、增强产业数字化程度并增强市场活力,在政务领域帮助政府提升运行效率、提高城市管理水2023 年 05 月 21 日 P.12 请仔细阅读本报告末页声明请仔细阅读
36、本报告末页声明 平、加强居民生活幸福度,在民生领域推动社会民生保障、创造宜居空间、实现可持续化发展,共同推动社会向智能社会发展。图表 11:算力发展的驱动原因 资料来源:华为,罗兰贝格,国盛证券研究所 根据华为泛在算力报告,在人工智能、物联网、区块链、AR/VR 四大领域,到 2030年,相比 2018 年,都将出现百倍到千倍的算力需求增长,同时对于网络的延迟也提出了更高的要求。图表 12:四类关键技术对算力的具体要求 人工智能:人工智能:以无人驾驶为例 物联网:物联网:以智慧工厂为例 区块链:区块链:以数字货币为例 AR/VR:以 VR 游戏为例 随时随时 速响应:速响应:提供低时延且不间断
37、的算力支持 无人驾驶级别越高对网络要求越高,L4 需带宽100Mbps,时延 5-10ms 物联网设备精准生产要修连续性算力支撑,带宽1Gbps,时延 5-10ms 区块链对于带宽和时延要求较低 为达到舒适用户体验,带宽需180Mbps,时延100 Mbps,时延 5-10ms。具身智能未来也有望进化成结构复杂、体型庞大或者多点分布的产品,各子模块之间需要信息融合、多维感知、协同运行,本身也会需要稳定高速的无线连接。我们认为,未来具身智能将会越来越强调边缘通信能力与边缘算力的匹配和耦合,而两者结合的最好形式,算力模组,将有望成为具身智能的“大脑”。站在当前时点,我们认为,除了已经日趋成熟的基于
38、传统分析式人工智能的边缘算力应用场景,我们更应该关注到生成式 AI 在边缘渗透的“曙光”已经出现。未来,越来越多像智能助理、具身智能一样拥有广阔空间的新应用将会涌现,带动边缘算力实现跨越式发展。6.投资建议投资建议 我们认为,对于边缘算力的布局与投资,主要围绕边缘算力如何产生,如何承载这三条主线进行布局。边缘芯片:边缘算力与通信能力的生产者。边缘芯片:边缘算力与通信能力的生产者。瑞芯微:瑞芯微:在处理器和数模混合芯片设计、多媒体处理、影像算法、系统软件开发上具有丰富的经验和技术储备。主要产品包括处理器芯片、电源管理芯片、数模混合芯片、光电产品及开发板产品。全志科技:全志科技:卓越的智能应用处理
39、器 SoC、高性能模拟器件和无线互联芯片设计厂商。产品广泛适用于工业控制、智能家电、消费电子、汽车电子、机器人、虚拟现实、网络机2023 年 05 月 21 日 P.27 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 顶盒以及电源模拟器件、无线通信模组、物联网等多个产品领域。晶晨股份:晶晨股份:公司是是全球布局、国内领先的无晶圆半导体系统设计厂商。为智能机顶盒、智能电视、音视频系统终端、无线连接及车载信息娱乐系统等多个产品领域提供多媒体SoC 芯片和系统级解决方案。翱捷科技:翱捷科技:主要产品包括无线通信、超大规模芯片等,是国内极少数同时拥有全制式蜂窝基带芯片及多协议非蜂窝物联网芯片研发设
40、计实力,且具备提供超大规模高速 SoC 芯片定制及半导体 IP 授权服务能力的平台型芯片设计企业。乐鑫科技:乐鑫科技:主要产品为 Wi-Fi MCU,是智能家居、智能照明、智能支付终端、智能可穿戴设备、传感设备及工业控制等物联网领域的核心通信芯片,具有较强的进口替代实力和国际市场竞争力。模组与边缘模组与边缘 IDC:边缘算力的最好承载方式:边缘算力的最好承载方式。美格智能:美格智能:公司主营业务为无线通信模组(涵盖智能模组、算力模组、数传模组等)、物联网解决方案产品等。公司产品主要面向中高端市场,以 4G 制式起步,覆盖了 NB-loT、Cat-M、4GLTE、4GLTE-A、5GSub-6G
41、、5G 毫米波、Wif6 等各类型无线通信制式。广和通:广和通:公司专注于无线通信模块及其应用,主要产品包括 2G、3G、4G、NBIOT 技术的无线通信模块,产品应用于移动支付、移动互联网、车联网、智能电网、安防监控等领域。龙宇股份:龙宇股份:公司是国内领先的大宗商品贸易服务提供商和互联网基础设施服务商。主要业务包括油品供应业务、有色金属贸易业务、数据中心、云服务及边缘计算等。运营商运营商:边缘算力的:边缘算力的国家队国家队。从宏观角度看,中移动、中电信、中联通在“东数西算”、“泛在算力”上积极布局,基于算力的调度网络也在建设中,是未来边缘算力不容忽视的国家队。图表 38:边缘计算投资标的(
42、Wind 一致预期,除高通为亿美元外,其他总市值、净利润单位均为亿人民币)证券简称证券简称 公司名称公司名称 总市值总市值 净利润净利润(2022)净利润净利润(2023E)PE(2022)PE(2023E)603893.SH 瑞芯微 353.5 3.0 4.2 118.8 84.1 300458.SZ 全志科技 201.1 2.1 3.5 95.3 58.3 688099.SH 晶晨股份 356.1 7.3 9.3 49.0 38.3 688220.SH 翱捷科技-U 297.3-2.5-2.1 688018.SH 乐鑫科技 109.4 1.0 1.6 112.4 68.2 QCOM.O 高
43、通(QUALCOMM)1191.5 129.4 9.2 002881.SZ 美格智能 83.9 1.3 2.0 65.6 41.2 300638.SZ 广和通 164.3 3.6 5.9 45.1 27.9 603003.SH 龙宇股份 37.0 0.3 114.2 资料来源:Wind,国盛证券研究所 2023 年 05 月 21 日 P.28 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 7.风险提示风险提示 1.小模型推进不及预期。小模型发展目前主要以海外大厂和开源社区开发者引领,同所有 AI 模型开发一样,其进度具有不确定性。2.边缘算力发展不及预期。边缘算力发展目前仍然处于起步阶段
44、,未来发展路径和投入力度仍然具有较高的不确定性。2023 年 05 月 21 日 P.29 请仔细阅读本报告末页声明请仔细阅读本报告末页声明 免责声明免责声明 国盛证券有限责任公司(以下简称“本公司”)具有中国证监会许可的证券投资咨询业务资格。本报告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。在任何情况下,本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。本报告的信息均来源于本公司认为可信的公开资料,但本公司及其研究人员对该等信息的准确性及完整性不作任何保证。本报告中的资料、意见及预测仅反映本公司于发布本报告当日的判断,可能会随时调整。在不同时期,本公司可
45、发出与本报告所载资料、意见及推测不一致的报告。本公司不保证本报告所含信息及资料保持在最新状态,对本报告所含信息可在不发出通知的情形下做出修改,投资者应当自行关注相应的更新或修改。本公司力求报告内容客观、公正,但本报告所载的资料、工具、意见、信息及推测只提供给客户作参考之用,不构成任何投资、法律、会计或税务的最终操作建议,本公司不就报告中的内容对最终操作建议做出任何担保。本报告中所指的投资及服务可能不适合个别客户,不构成客户私人咨询建议。投资者应当充分考虑自身特定状况,并完整理解和使用本报告内容,不应视本报告为做出投资决策的唯一因素。投资者应注意,在法律许可的情况下,本公司及其本公司的关联机构可
46、能会持有本报告中涉及的公司所发行的证券并进行交易,也可能为这些公司正在提供或争取提供投资银行、财务顾问和金融产品等各种金融服务。本报告版权归“国盛证券有限责任公司”所有。未经事先本公司书面授权,任何机构或个人不得对本报告进行任何形式的发布、复制。任何机构或个人如引用、刊发本报告,需注明出处为“国盛证券研究所”,且不得对本报告进行有悖原意的删节或修改。分析师声明分析师声明 本报告署名分析师在此声明:我们具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力,本报告所表述的任何观点均精准地反映了我们对标的证券和发行人的个人看法,结论不受任何第三方的授意或影响。我们所得报酬的任何部分无论是
47、在过去、现在及将来均不会与本报告中的具体投资建议或观点有直接或间接联系。投资评级说明投资评级说明 投资建议的评级标准投资建议的评级标准 评级评级 说明说明 评级标准为报告发布日后的 6 个月内公司股价(或行业指数)相对同期基准指数的相对市场表现。其中 A 股市场以沪深 300 指数为基准;新三板市场以三板成指(针对协议转让标的)或三板做市指数(针对做市转让标的)为基准;香港市场以摩根士丹利中国指数为基准,美股市场以标普 500 指数或纳斯达克综合指数为基准。股票评级 买入 相对同期基准指数涨幅在 15%以上 增持 相对同期基准指数涨幅在 5%15%之间 持有 相对同期基准指数涨幅在-5%+5%
48、之间 减持 相对同期基准指数跌幅在 5%以上 行业评级 增持 相对同期基准指数涨幅在 10%以上 中性 相对同期基准指数涨幅在-10%+10%之间 减持 相对同期基准指数跌幅在 10%以上 国盛证券研究所国盛证券研究所 北京北京 上海上海 地址:北京市西城区平安里西大街 26 号楼 3 层 邮编:100032 传真: 邮箱: 地址:上海市浦明路 868 号保利 One56 1 号楼 10 层 邮编:200120 电话: 邮箱: 南昌南昌 深圳深圳 地址:南昌市红谷滩新区凤凰中大道 1115 号北京银行大厦 邮编:330038 传真: 邮箱: 地址:深圳市福田区福华三路 100 号鼎和大厦 24 楼 邮编:518033 邮箱: