《亚马逊-美股公司深度跟踪报告:生成式AI时代亚马逊云AWS落后了吗?-230718(31页).pdf》由会员分享,可在线阅读,更多相关《亚马逊-美股公司深度跟踪报告:生成式AI时代亚马逊云AWS落后了吗?-230718(31页).pdf(31页珍藏版)》请在三个皮匠报告上搜索。
1、 证券研究报告证券研究报告 请务必阅读正文之后第请务必阅读正文之后第 30 页起的免责条款和声明页起的免责条款和声明 生成式生成式 AI 时代,时代,亚马逊云亚马逊云 AWS 落后了吗落后了吗?亚马逊(AMZN.OQ)深度跟踪报告2023.7.18 中信证券研究部中信证券研究部 核心观点核心观点 陈俊云陈俊云 前瞻研究首席 分析师 S01 许英博许英博 科技产业首席 分析师 S41 贾凯方贾凯方 前瞻研究分析师 S01 年初至今亚马逊股价上涨近年初至今亚马逊股价上涨近 50%,显著好于市场基准,主要反映公司在降本增,显著好于市场
2、基准,主要反映公司在降本增效等层面的积极努力效等层面的积极努力。但相较微软、谷歌、但相较微软、谷歌、Meta 等公司,亚马逊目前在大语等公司,亚马逊目前在大语言模型领域的进展并无太多亮点,市场对其言模型领域的进展并无太多亮点,市场对其 AI 能力存在质疑,并担忧后续对能力存在质疑,并担忧后续对AWS 的可能拖累。我们认为,从早期的智能音箱到当前的的可能拖累。我们认为,从早期的智能音箱到当前的 Titan 模型,亚马逊模型,亚马逊在在 AI 领域具有长期积累,同时在软硬件堆栈自研能力方面亦领先全球,并与领域具有长期积累,同时在软硬件堆栈自研能力方面亦领先全球,并与Hugging Face 等开源
3、平台建立深度合作,致力于更为开放的等开源平台建立深度合作,致力于更为开放的 AI 生态构建。随生态构建。随着企业客户持续加大对着企业客户持续加大对 AI 的投入,的投入,AWS 完善的基础能力、相对开放的生态有完善的基础能力、相对开放的生态有望持续受益,望持续受益,AWS 当前的全球领先地位亦有望延续。当前亚马逊当前的全球领先地位亦有望延续。当前亚马逊 16x 的的EV/EBITDA(2023E)显著低于历史中枢()显著低于历史中枢(20 x),短期风险收益比较为理想。),短期风险收益比较为理想。我们持续看好公司在生成式我们持续看好公司在生成式 AI 浪潮下云计算业务的成长机遇。浪潮下云计算业
4、务的成长机遇。报告缘起:报告缘起:大语言模型时代,市场质疑亚马逊大语言模型时代,市场质疑亚马逊 AI 能力,以及对能力,以及对 AWS 的可能拖的可能拖累累。此前亚马逊发布多项生成式 AI 以及 AIGC 相关产品,入局全球大模型竞赛当中。我们认为,公司作为北美最大的电商与云计算巨头,在应用场景、算力储备等方面具备深厚积累。虽然公司计划将 AI 产品逐步导入到商品内容生产、搜索推荐等领域,并有望为公司带来降本增效、增厚公司云计算收入等方面的正向影响,但市场对公司本身模型能力、商业化能力以及云计算后续的市场竞争仍存在一定担忧,具体体现在:1)亚马逊在算法层面是否与微软、谷歌等闭源模型厂商存在显著
5、差距;2)在算力层面,AWS 能否支撑自身 AI 业务的需求以及是否具备支撑外部企业的 AI 能力;3)与 AI 相关的软硬件堆栈,AWS 自身的优势与竞争力。市场需求:企业市场需求:企业 AI 需求较需求较 2C 市场存在显著差异,并体现在应用场景、差异化市场存在显著差异,并体现在应用场景、差异化数据等层面数据等层面。对企业而言,开源、闭源模型的选择将聚焦在模型自身能力以及使用成本的平衡上,同时开源与闭源模型之间的差距在企业需求中的体现大概率将持续收窄,因此后续来看,AI 的需求对云厂商提出了更高的要求。一方面,云厂商必须要提供性能靠前的多种类模型,以满足企业多样的业务需求;另一方面,在 A
6、I 产品搭建过程中,需要完整的硬件体系支撑模型的训练、微调、部署,以及完整的软件栈进行相应处理。在这一趋势下,预计软硬件堆栈能力将逐步成为云厂商在生成式 AI 时代最为核心的能力。模型能力模型能力:AWS 具备大语言模型的研发能力,并致力于构建更为开放的具备大语言模型的研发能力,并致力于构建更为开放的 AI 生生态态。虽然亚马逊对自研模型 Titan 的披露相对较少,但我们可以从亚马逊在语音以及其他领域大模型的研发情况进行相应参考。以亚马逊在 2022 年发布的AlexaTM 为例,虽然该模型并没有完全采用其他大型语言模型使用的“仅解码器架构”(GPT 思路),但 AlexaTM 20B 模型
7、是序列到序列(seq2seq)编码器-解码器架构,同时结合了“师生模型”的思路进行训练。虽然模型的体积、架构与当前主流的 GPT 式模型存在一定不同,但在小规模数据下,AlexaTM 20B在多种语言任务上优于拥有数千亿参数的大型模型。在数据能力维度,亚马逊提供开源了语言数据集 Mintaka、多模态数据集 Alexa Arena 等。生态层面,AWS与 Hugging Face 合作,推出多种开源模型,对自身模型能力提供补充。硬件堆栈硬件堆栈:自研自研芯片芯片&硬件,覆盖训练、推理等关键环节硬件,覆盖训练、推理等关键环节。经过早期探索,AWS底层采用了自研的 Nitro 系统架构,将虚拟化功
8、能从服务器卸载到 Amazon Nitro专用芯片上,大大降低了物理性能的损耗,并提升了安全机制,优化了网络与输入输出机制。AI 计算层面,AWS 推出人工智能业务的推理芯片 Inferentia 与训练芯片 Trainium。AWS 通过在关键计算要素的自研&定制化,实现系统效率的最优。软件层面,亚马逊提供 Neuron 框架,包括深度学习编译器、编译工具,这些工具与 TensorFlow 和 PyTorch 等流行框架原生集成。上述硬件为 AWS 进 亚马逊亚马逊 AMZN.OQ 当前价 115.01 美元 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必
9、阅读正文之后的免责条款和声明 2 行模型的训练、部署提供完备的硬件堆栈。软件堆栈软件堆栈:整体实力处在行业头部,覆盖数据准备、模型构建与训练、部署推整体实力处在行业头部,覆盖数据准备、模型构建与训练、部署推理等环节理等环节。对 AI 的研发,一般要经历数据整理、模型训练、验证部署三个阶段,而这三个阶段需要平台提供足够且高性能的软件栈才能进行支撑,包括数据管理、训练与部署环境等,而上述阶段亦是 AWS 全力布局的领域。数据管理维度,根据 Gartner 数据,2022 年亚马逊位居全球 DBMS(数据管理软件)份额第一,同时在关系型、非关系型数据库领域,亚马逊亦处在前列。训练与部署领域,AWS
10、依托 Amazon SageMaker,覆盖 AI 开发全流程,根据 Gartner 数据,亚马逊 AWS 在 2023 年的云 AI 开发者服务魔力象限中位居领导者象限。因此整体来看,AWS 在软件层面亦处在前列。后续展望:关注算法生态后续展望:关注算法生态、企业企业 AI 需求需求增长增长等。等。亚马逊在算法储备、算力基础设施、软件堆栈等方面的储备,体现了自身的 AI 能力依旧较强,落地到后续 AI对 AWS 的赋能,我们认为开源模型的持续增长、用户量增加带来的推理需求等,均是 AWS 后续增长的驱动力。目前 Hugging Face 的日访问量在千万次以上,AWS 作为其首选云平台,显示
11、出开源生态的巨大潜力。同时我们看到,AWS传统企业客户的比例在持续提升,传统企业对于算力需求的增长亦有望带来对AWS 云业务需求的增长。风险因素:风险因素:高通胀带来的宏观经济波动导致用户消费能力下降的风险,反垄断及数字监管带来的监管风险;北美云市场竞争持续加剧风险,实体零售渠道发展的不确定因素,收入增长放慢同时资本开支加速导致利润受压,数字内容上线进度放缓的风险等。投资建议投资建议:我们认为 AWS 依靠前期的模型储备、完整的软硬件堆栈能力,有望持续受益于生成式 AI 浪潮的增长。中短期维度,公司零售业务正进入逐季改善通道,AWS 营收增速亦有望在 2023Q2 触底。成本端方面,前期降本增
12、效的成果已经开始显现,前期压制公司利润的物流、能源等因素预计将逐步缓和。我们维持公司盈利预测,当前公司股价已经充分反映了当前的宏观扰动,建议关注通胀缓解、公司业绩逐季度改善、AI 赋能等带来的投资机遇。项目项目/年度年度 2021 2022 2023E 2024E 2025E 营业收入(百万美元)469,822 513,983 562,755 624,595 692,642 营业收入增长率 YoY 21.7%9.4%9.5%11.0%10.9%毛利率 42.0%43.8%44.5%45.3%46.1%净利润(百万美元)33,364-2,722 20,743 34,944 44,436 增长率
13、YoY 56.4%-108.2%NA 68.5%27.2%Adj EBITDA(百万美元)71,994 75,053 88,417 109,665 130,443 增长率 YoY 25.7%4.2%17.8%24.0%18.9%PE(GAAP)41 -508 67 40 31 EV/EBITDA 19 19 16 13 11 资料来源:Wind,中信证券研究部预测 注:股价为 2023 年 7 月 14 日收盘价 BViZ8XmZbWaUwV9YqNbRbP9PpNnNsQoNiNrRqPkPpNqR6MqQvMuOnQsPwMmRsQ 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告
14、2023.7.18 请务必阅读正文之后的免责条款和声明 3 目录目录 报告缘起报告缘起.6 市场需求:企业对市场需求:企业对 AI 需求较需求较 2C 市场存在显著差异市场存在显著差异.7 模型能力:具备基础算法能力,致力于构筑模型能力:具备基础算法能力,致力于构筑 AI 生态生态.11 硬件堆栈硬件堆栈:自研芯片:自研芯片&硬件,覆盖训练、推理等关键环节硬件,覆盖训练、推理等关键环节.15 软件堆栈:整体实力处在行业头部,覆盖数据准备、模型构建与训练、部署推理等环节软件堆栈:整体实力处在行业头部,覆盖数据准备、模型构建与训练、部署推理等环节.20 后续展望:关注算法生态、企业后续展望:关注算
15、法生态、企业 AI 需求的增长需求的增长.25 风险因素风险因素.27 投资建议投资建议.27 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 4 插图目录插图目录 图 1:亚马逊生成式 AI 领域布局.6 图 2:AWS 在 AI 领域的布局.7 图 3:对于大型企业客户,OpenAI 根据规模(Scale)收费.8 图 4:Meta 开源的 LLaMA 模型效果好于 GPT-3,但与更大参数量的 PaLM 差距明显.8 图 5:AWS 提供的 Claude 模型在 Elo rating system 的得分.9 图 6:Hug
16、ging Face 宣布将 AWS 作为首选云基础设施平台.10 图 7:亚马逊 AWS 在 AI 领域的软硬件堆栈布局.10 图 8:AlexaTM 模型结构以及训练过程.11 图 9:亚马逊 AlexaTM 模型在小样本数据下的翻译性能表现.12 图 10:亚马逊 Alexa Arena 数据集.12 图 11:对话数据集 Mintaka 形式.13 图 12:亚马逊 Titan 模型.13 图 13:亚马逊和 Hugging Face 的合作领域.14 图 14:Hugging Face 在 AWS 上的部署.14 图 15:AWS 自研芯片线.16 图 16:AWS Inferenti
17、a2 芯片参数.16 图 17:AWS Inferentia2 芯片架构.17 图 18:AWS Inferentia2 语言模型推理能力.17 图 19:AWS Inferentia2 视觉模型推理能力.17 图 20:AWS Trainium 芯片参数.18 图 21:AWS Trainium 芯片架构.18 图 22:AWS Trainium 芯片训练能力提升.19 图 23:AWS Trainium 芯片在 BERT 模型中的表现.19 图 24:AI 完整开发流程.20 图 25:AWS 在 2022、2023 两次云 AI 开发者服务魔力象限的位置.21 图 26:Amazon S
18、ageMaker 覆盖的 AI 部署领域.21 图 27:全球全球 DBMS(数据管理软件)市场份额.22 图 28:2022 年 RDBMS 市场规模.22 图 29:2022 年 NEDBMS 市场规模.22 图 30:AWS 与 snowflake 的集成.23 图 31:2023 年 DevOps 魔力象限.23 图 32:2021 年全球软件开发市场份额.23 图 33:AWS 中完整的模型开发路线.25 图 34:亚马逊 CodeWhisperer 效率提升.25 图 35:Hugging Face 访问量.26 图 36:AWS 客户结构.26 图 37:微软 Azure 客户结
19、构.26 图 38:亚马逊 EV/EBITDA 倍数(未来 12 个月).28 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 5 表格目录表格目录 表 1:根据企业自有数据量的不同灵活选择需要的硬件数量.8 表 2:BloomBerg GPT 基于 AWS 的训练参数.9 表 3:亚马逊开放的部分模型接口.15 表 4:AWS Trn1n 计算实例价格.19 表 5:AWS Inf2 计算实例价格.19 表 6:AWS 提供全面的 DevOps 工具.24 表 7:DevOps 工具在 AI 部署中的应用.24 表 8:公司盈利
20、预测表.27 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 6 报告缘起报告缘起 此前亚马逊发布多项生成式 AI 以及 AIGC 相关产品,入局全球大模型竞赛当中。我们认为,公司作为北美最大的电商与云计算巨头,在应用场景、算力储备等方面具备深厚积累。虽然公司计划将 AI 产品逐步导入到商品内容生产、搜索推荐等领域,并有望为公司带来降本增效、增厚公司云计算收入等方面的正向影响,但市场对公司本身模型能力、商业化能力以及云计算后续的市场竞争仍存在一定担忧,具体体现在:1、亚马逊在算法层面是否与微软、谷歌等闭源模型厂商存在显著差距。2、
21、在算力层面,AWS 能否支撑自身 AI 业务的需求以及是否具备支撑外部企业的 AI能力。3、与 AI 相关的软硬件堆栈,AWS 自身的优势体现在哪里,是否具备竞争力。图 1:亚马逊生成式 AI 领域布局 资料来源:AWS 官网 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 7 图 2:AWS 在 AI 领域的布局 资料来源:AWS 官网 市场需求:市场需求:企业对企业对 AI 需求较需求较 2C 市场存在显著差异市场存在显著差异 客户需求的展望:客户需求的展望:面对当下情形,面对当下情形,软件服务商需在与闭源头部厂商合作或选择免
22、费开软件服务商需在与闭源头部厂商合作或选择免费开源方案之间做出抉择源方案之间做出抉择。具体来看:与开源方案相比,闭源大厂技术更为领先与开源方案相比,闭源大厂技术更为领先。目前开源项目的准确度仍不及 2021 年发布的前代模型 GPT-3.5 与 PaLM。闭源大厂为软件服务商封装中间技术细节,简化训练、部署等环节,降低软件厂商技术难度,并提升接入、开发效率。闭源模型会直接提供一步到位的 API 端口,软件服务商直接将 API 接入到软件中就可以使用。与闭源大厂合作的潜在顾虑:昂贵的成本、用户隐私&数据安全等。而基于开源而基于开源方案自建大语言模型使资金投入更加灵活与可控方案自建大语言模型使资金
23、投入更加灵活与可控。开源方案可将数据留在本地,最大限度地保护用户隐私和数据安全。目前开源社区中基于 LLaMA、Alpaca、Bloom 等的开源项目都是免费提供。根据自身的数据规模以及相关业务对于准确度的要求,企业可以灵活控制对硬件采购的投入以及相关训练成本的支出。与此同时,市场也出现了诸如 Colossal-AI等开源解决方案,致力于优化底层推理和训练的效率。但开源方案亦存在潜在问题,如社区不成熟、模型迭代速度慢,与闭源模型技术能力存在明显差距。亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 8 图 3:对于大型企业客户,Op
24、enAI 根据规模(Scale)收费 资料来源:OpenAI 官网 图 4:Meta 开源的 LLaMA 模型效果好于 GPT-3,但与更大参数量的 PaLM 差距明显 资料来源:Meta 公布的 LLaMA 论文LLaMA:Open and Efficient Foundation Language Models,Touvron,Hugo,et al.表 1:根据企业自有数据量的不同灵活选择需要的硬件数量 参数数量参数数量(亿)(亿)注意头注意头 隐藏层隐藏层 层数层数 张量模型张量模型-并行大并行大小小 管道模型管道模型-并行大小并行大小 GPU数量数量 批量批量大小大小 Achieved
25、 teraFlOP/s per GPU 理论峰值理论峰值FLOP/s 的的百分比百分比 实现聚合实现聚合petaFLOP/s 1.7 24 2304 24 1 1 32 512 137 44%4.4 3.6 32 3072 30 2 1 64 512 138 44%8.8 7.5 32 4096 36 4 1 128 512 142 46%18.2 18.4 48 6144 40 8 1 256 1024 135 43%34.6 39.1 16364 8192 48 8 2 512 1536 138 44%70.8 76.1 80 10240 60 8 4 1024 1792 140 45%1
26、43.8 145.6 96 12288 80 8 8 1536 2304 148 47%227.1 310.1 128 16384 96 8 16 1920 2160 155 50%297.4 529.6 128 20480 105 8 35 2520 2520 163 52%410.2 1008.0 160 25600 128 8 64 3072 3072 163 52%502 资料来源:英伟达,中信证券研究部 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 9 企业需求企业需求:已开始:已开始基于开源模型进行基于开源模型进行训
27、练训练,更多关注云厂商软硬件堆栈能力,更多关注云厂商软硬件堆栈能力。正如我们上文提到的,企业对开源模型亦存在需求,以 AWS 为代表,虽然不直接提供大语言模型,但依靠完备的软硬件堆栈以及开源模型体系,结合企业自身数据亦开始进行模型的训练部署,例如彭博,结合自身在金融领域的数据优势,利用开源模型 Bloom 进行语言模型的训练,实现了自身功能的升级。而 Hugging Face 作为开源 AI 模型社区,在选择云厂商时,将 AWS 视作首选云服务商,其背后主要的考虑除中立性之外,亦参考了大量的软硬件堆栈的能力。图 5:AWS 提供的 Claude 模型在 Elo rating system 的得
28、分 资料来源:Elo rating system 表 2:BloomBerg GPT 基于 AWS 的训练参数 主要参数主要参数 数据数据 Compute 1.00 x Tokens 569B 硬件 64*8A 100 40GB 吞吐量 32.5 sec/step 平均 TFLOPs 102 总 TFLOPs 2.36e23 GPU 数量 256 每个 GPU 的显存 32GB Epoch 100 时间/epoch 4 天 资料来源:彭博,中信证券研究部 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 10 图 6:Hugging
29、 Face 宣布将 AWS 作为首选云基础设施平台 资料来源:Hugging Face 总结而言,我们认为生成式 AI 时代,云厂商若要受益产业趋势,必须具备:1)AI 模型的研究储备,能够对外提供一流的闭源与开源模型能力。2)硬件堆栈能力。随着模型体积的增长、推理需求的提升,云厂商必须能够为用户提供效率与成本兼具的硬件能力。3)软件堆栈能力。除提供硬件之外,与 AI 关联的数据处理、训练微调、部署推理等环节,均需要专业高效的软件能力。因此我们也将从上述三个方面,对 AWS的 AI能力进行分析。图 7:亚马逊 AWS 在 AI 领域的软硬件堆栈布局 资料来源:AWS 官网 亚马逊(亚马逊(AM
30、ZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 11 模型能力:模型能力:具备基础算法能力,致力于构筑具备基础算法能力,致力于构筑 AI 生态生态 AWS 作为老牌云厂商,在此次生成式 AI 浪潮中,并未推出类似 GPT-4、PaLM 等通用语言模型,而是通过接入外部模型的形式提供模型服务,虽然部分模型性能处在行业前列,但市场对 AWS 自身的 AI 能力存在一定的担忧,因此我们从 AWS 的 AI 研究出发,分析 AWS 自身的 AI 算法能力。算法能力算法能力:具备研发具备研发百百亿参数模型亿参数模型的能力的能力。虽然亚马逊对自研模型 Titan
31、 的披露相对较少,但我们可以从亚马逊在语音以及其他领域大模型的研发情况进行相应参考。例如亚马逊在 2022 年发布的 AlexaTM 为例,虽然该模型并没有完全采用其他大型语言模型使用的“仅解码器架构”(GPT 思路),但 AlexaTM 20B 模型是序列到序列(seq2seq)编码器-解码器架构,同时结合了“师生模型”的思路进行训练。虽然模型的体积、架构与当前主流的 GPT 式模型存在一定不同,但在小规模数据下,AlexaTM 20B 在多种语言任务上优于拥有数千亿参数的大型模型。图 8:AlexaTM 模型结构以及训练过程 资料来源:亚马逊科学研究(https:/www.amazon.s
32、cience/),亚马逊 AWS 官网 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 12 图 9:亚马逊 AlexaTM 模型在小样本数据下的翻译性能表现 资料来源:亚马逊科学研究(https:/www.amazon.science/)数据数据储备储备:提供语言、多模态等多个领域提供语言、多模态等多个领域。目前亚马逊已经开源了两个大规模的数据集,Alexa Arena 与 Mintaka,是亚马逊在 AI 数据领域长期以来的积累。多模态数据集多模态数据集 Alexa Arena:Arena 是一个亚马逊人工智能框架,旨在突破人
33、机交互的界限。它提供了一个交互式、以用户为中心的框架,用于创建机器人任务,用于创建机器人任务,包括导航多包括导航多房间模拟环境和房间模拟环境和实时操作实时操作所有类型的对象所有类型的对象。在类似游戏的环境中,用户可以通过自然语言对话与虚拟机器人进行交互,帮助机器人完成任务。该框架目前包括大量用于家庭、仓库和实验室的多房间布局。而在框架之外,Arena 提供多元的数据集,包括:1)指令跟踪数据集,包含 46,000 条人工注释的对话指令,以及地面真实动作轨迹和机器人视图图像;2)视觉数据集,包含来自 Arena 场景的 660,000 个图像涵盖 160 多个语义对象组,通过将机器人导航到各个虚
34、拟位置并从不同角度和距离捕获那里对象的图像来收集。这些数据集不仅能够支撑亚马逊自身机器人、物流等领域的研发,亦能够为后续多模态模型的研发提供一定基础。图 10:亚马逊 Alexa Arena 数据集 资料来源:亚马逊科学研究(https:/www.amazon.science/)亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 13 对话数据集 Mintaka:Mintaka 是一个大型、复杂、自然的多语言问答数据集,根据亚马逊的介绍,该数据集收集了 20,000 个英语问题,并专业翻译成八种语言:阿拉伯语、法语、德语、印地语、意大
35、利语、日语、葡萄牙语和西班牙语。亚马逊通过将问题文本和答案文本中的实体链接到维基数据 ID,将 Mintaka 纳入维基数据知识图谱中。问答仅限于八个类别:电影、音乐、体育、书籍、地理、政治、电子游戏和历史。图 11:对话数据集 Mintaka 形式 资料来源:亚马逊科学研究(https:/www.amazon.science/)亚马逊亚马逊 Titan:更多聚焦细分场景下的内容生产,赋能高精度搜索与推荐:更多聚焦细分场景下的内容生产,赋能高精度搜索与推荐。与 GPT-4等大模型不同,亚马逊此次推出的 Amazon Titan 模型并没有覆盖广义上的内容生产,而是更多聚焦两个方面的细分场景:1
36、)在 NLP 领域,聚焦归纳和部分简单博客的生成,并非广义内容;2)在其他方面,通过 Embedding 的方法,将生成内容用在电商等在内的搜索和个性化推荐任务。图 12:亚马逊 Titan 模型 资料来源:上海人工智能大会产业趋势分论坛亚马逊演讲 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 14 生态生态储备储备:联合:联合 Hugging Face 等机构等机构,覆盖大量优质第三方模型,覆盖大量优质第三方模型。虽然亚马逊没有过多强调自研闭源模型的研发,但在合作伙伴关系方面,AWS 将成为 Hugging Face 的首选云
37、提供商,这意味着 Hugging Face 的开发人员可以访问 Amazon SageMaker、AWS Trainium 到 AWS Inferentia 的工具,并以更低的成本针对特定用例优化其模型的性能。根据亚马逊披露,Hugging Face 已经覆盖了大约 1 万个以上的预训练模型,范围较为广泛。除开源生态外,亚马逊亦提供部分头部领先的模型,提升模型性能。图 13:亚马逊和 Hugging Face 的合作领域 资料来源:亚马逊官网 图 14:Hugging Face 在 AWS 上的部署 资料来源:上海人工智能大会亚马逊分论坛演讲 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟
38、踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 15 表 3:亚马逊开放的部分模型接口 任务任务 型号名称型号名称 公有或专有公有或专有 文本生成 Jurassic J2(Large、Grande、Jumbo)专有 文本生成 Jurassic J2 Instruct(Grande、Instruct、Jumbo Instruct)专有 文本生成 Cohere 命令生成 专有 文本生成 Lyra-Fr(法语)专有 文本生成 FLAN UL2、T5 XXL 公开发布 文本生成 GPT-J、GPT Neo 公开发布 文本生成 AlexaTM 公开发布 图像生成 Stable Diffus
39、ion 2.1 公开发布 图像生成 稳定扩散升级 公开发布 资料来源:亚马逊科学研究(https:/www.amazon.science/),中信证券研究部 硬件堆栈硬件堆栈:自研自研芯片芯片&硬件硬件,覆盖训练、推理等关键覆盖训练、推理等关键环节环节 AWS:从云底座架构进行自研,专注效率的提升:从云底座架构进行自研,专注效率的提升。经过早期探索,AWS 底层采用了自研的 Nitro 系统架构,将虚拟化功能从服务器卸载到 Amazon Nitro 专用芯片上,大大降低了物理性能的损耗,并提升了安全机制,优化了网络与输入输出机制,使得 AWS 的能力迅速提升。芯片层面,AWS 针对不同的业务需
40、求,推出了不同类型的自研芯片,如针对底层系统的 Nitro 芯片、针对服务器高性能计算的 Graviton 以及人工智能业务的推理芯片 Inferentia 与训练芯片 Trainium。AWS 通过在关键计算要素的自研&定制化,实现系统效率的最优。AWS Trainium 是 AWS 专门为深度学习训练打造的第二代机器学习(ML)加速器。根据 AWS 官网,与同类 Amazon EC2 实例相比,可节省高达 50%的训练成本。Trainium 已针对训练自然语言处理、计算机视觉和推荐器模型进行了优化,这些模型用于语音识别、推荐、欺诈检测、图像识别和预测等各种应用程序。AWS Inferent
41、ia2 以最低的成本为深度学习(DL)推理应用程序提供高性能。加速器在性能和功能方面实现了重大飞跃。根据 AWS 官网,与 Inferentia 相比,Inferentia2 的吞吐量提高了 4 倍,延迟低至前者的 1/10。同时,为满足不同模型之间的通用性,AWS 提供 AWS Neuron SDK支持 PyTorch 和 TensorFlow 原生集成。亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 16 图 15:AWS 自研芯片线 资料来源:AWS 官网,中信证券研究部 AWS Inferentia2:为大型模型推理提供技
42、术保障:为大型模型推理提供技术保障。2023 年 4 月亚马逊云科技发布了Inferentia2 芯片和 Inf2 实例,强化 AWS 在推理层面的能力。根据公司在发布会上的介绍,从整体性能看,可提供每秒高达 2.3 千万亿次浮点运算(BF16/FP16),高达 4 倍的吞吐量,并将延迟降低到 1/10。为了容纳较大深度学习模型,Inf2 实例提供高达 384GB 的共享加速器内存,总内存带宽为 9.8Tb/s(比第一代 Inferentia 快 10 倍),单卡计算性能超出英伟达 T4 显卡。在硬件架构上,每个设备包含两个 NeuronCores-v2。每个NeuronCore-v2 都是一
43、个独立的异构计算单元,具有四个主要引擎:张量(Tensor)、向量(Vector)、标量(Scalar)和 GPSIMD 引擎。张量引擎针对矩阵运算进行了优化。标量引擎针对 ReLU(整流线性单元)函数等元素运算进行了优化。软件层面,亚马逊提供Neuron 框架,包括深度学习编译器、运行时和工具,这些工具与 TensorFlow 和 PyTorch等流行框架原生集成。图 16:AWS Inferentia2 芯片参数 资料来源:AWS 官网 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 17 图 17:AWS Inferenti
44、a2 芯片架构 资料来源:AWS 官网 图 18:AWS Inferentia2 语言模型推理能力 图 19:AWS Inferentia2 视觉模型推理能力 资料来源:AWS 中国峰会 资料来源:AWS 中国峰会 AWS Trainium:高性能训练芯片:高性能训练芯片。AWS Trainium 是 AWS 专门为超过 1000 亿个参数模型的深度学习训练打造的第二代机器学习(ML)加速器。每个 Trainium 加速器都包含两个专为深度学习算法而构建的第二代 NeuronCore。Trainium 提供高达 190 TFLOPS 的 FP16/BF16 计算能力(单卡理论性能超过英伟达 H
45、100),并采用 NeuronLink 进行互连。软件层面,Trainium 原生支持多种数据类型(FP32、TF32、BF16、FP16、UINT8 和可配置的 FP8),AWS Neuron SDK 与 PyTorch 和 TensorFlow 原生集成,可以继续在这些热门的框架中使用现有的工作流程,并且只需更改几行代码即可开始使用 Trainium。亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 18 图 20:AWS Trainium 芯片参数 资料来源:AWS 官网 图 21:AWS Trainium 芯片架构 资料来源
46、:AWS 官网 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 19 图 22:AWS Trainium 芯片训练能力提升 图 23:AWS Trainium 芯片在 BERT 模型中的表现 资料来源:AWS 中国峰会 资料来源:AWS 中国峰会 总结而言,亚马逊持续加大在自研芯片方面的投入,支持模型的训练与推理。根据 AWS自身的测试,由 Trainium 支持的 Trn1n 计算实例与其他任何 EC2 实例相比,可以节省高达 50%的训练成本。由 Amazon Inferentia2 提供支持的 Inf2 实例,针对运行数千亿
47、个参数模型的大规模生成式 AI 应用程序进行了优化。根据 AWS 自身的测试,与上一代相比,Inf2 实例不仅吞吐量提高了 4 倍,延迟降低了 10 倍,还可实现加速器之间的超高速连接以支持大规模分布式推理。在自研芯片之外,AWS 亦提供 GPU 架构的计算实例,满足了不同用户的硬件堆栈需求。表 4:AWS Trn1n 计算实例价格 实例大小实例大小 Trainium 加速器加速器内存内存(GB)vCPU 实例内实例内存(存(GB)本地本地NVM 存存储(储(TB)网络带宽网络带宽(Gbps)EFA 和和RDMA支持支持 EBS 带宽带宽(Gbps)每小每小时价时价格格 预付预付1 年年价格价
48、格 预付预付 3 年价格年价格 trn1.2xlarge 1 32 8 32 0.5 最高 12.5 否 最高 20 1.34 USD 0.79 USD 0.4744 USD trn1.32xlarge 16 512 128 512 8 800 是 80 21.50 USD 12.60 USD 7.59 USD trn1n.32xlarge 16 512 128 512 8 1600 是 80 24.78 USD 14.52 USD 8.59 USD 资料来源:AWS 官网,中信证券研究部 表 5:AWS Inf2 计算实例价格 实例大小实例大小 vCPU 内存内存(GiB)实例存实例存储储
49、Inferentia 芯片芯片 Inferentia 芯片间互联芯片间互联 网络带宽网络带宽(Gbps)EBS 带带宽宽(Gbps)按需价按需价格格 1 年年标准标准预留预留实例实例 3 年年标准标准预留预留实例实例 inf1.xlarge 4 8 仅限 EBS 1 不适用 最高 25 最高 4.75 0.228 USD/小时 0.137 USD/小时 0.101 USD/小时 inf1.2xlarge 8 16 仅限 EBS 1 不适用 最高 25 最高 4.75 0.362 USD/小时 0.217 USD/小时 0.161 USD/小时 inf1.6xlarge 24 48 仅限 EBS
50、 4 是 25 4.75 1.180 USD/小时 0.709 USD/小时 0.525 USD/小时 inf1.24xlarge 96 192 仅限 EBS 16 是 100 19 4.721 USD/小时 2.835 USD/小时 2.099 USD/小时 资料来源:AWS 官网,中信证券研究部 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 20 软件堆栈软件堆栈:整体实力处在行业头部,覆盖数据准备、整体实力处在行业头部,覆盖数据准备、模型构建与模型构建与训练、部署训练、部署推理等推理等环节环节 对于 AI 开发人员而言,除
51、直接接入闭源模型的 API 系统外,基于开源模型进行二次开发已经成为非闭源模型的主流趋势。而对于开源模型的开发,一般要经历数据整理、模型训练、验证部署三个阶段,而这三个阶段需要平台提供足够且高性能的软件栈才能进行支撑,包括数据管理、训练与部署环境等,而上述阶段亦是云厂商全力布局的领域。图 24:AI 完整开发流程 资料来源:AWS 官网 AWS 开发套件:开发套件:依托依托 Amazon SageMaker,覆盖,覆盖 AI 开发全流程开发全流程。根据 Gartner 数据,亚马逊 AWS 在 2023 年的云 AI 开发者服务魔力象限中位居领导者象限。根据 Gartner的数据,在 Auto
52、ML、语言处理和计算机视觉三个关键领域都拥有强大的产品/服务、所提供的 AI 开发者服务可以通过 API 访问,不需要开发者具备数据科学专业知识、提供支持能力以增强其核心服务,包括自动偏差检测和缓解、特征工程、语言处理、图像标记、MLOps、可解释的 Al 等是 AWS 能够领先的主要原因。而亚马逊的 Amazon SageMaker 则实现了全面覆盖,从数据准备、数据处理、算法构建、模型训练、超参调优、模型部署与监控等环节,SageMaker 都提供了相应的功能帮助算法工程师们专注于业务和模型本身,提高开发效率。亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务
53、必阅读正文之后的免责条款和声明 21 图 25:AWS 在 2022、2023 两次云 AI 开发者服务魔力象限的位置 资料来源:Gartner 图 26:Amazon SageMaker 覆盖的 AI 部署领域 资料来源:AWS 官网,中信证券研究部 数据数据管理软件管理软件能力:能力:AWS 处于全球数据管理软件前列,处于全球数据管理软件前列,并并位居位居主流数据软件主流数据软件行列行列。作为全球云计算规模最大的厂商,AWS 数据管理能力亦在全球保持领先,而 AI 对数据管理软件的需求主要集中在模型预训练阶段需要大规模、多类别、高质量的训练数据,在模型调优阶段,垂类小数据集、提示词工程同样
54、重要。过去由于存储技术、资源和数据库技术的限制,非结构化的数据无法有效保存和调用。但随着存储技术和云计算的不断发展,企业可以拥有充足的、可扩展的存储资源和存储方法。对于拥有大量基础设施的 AWS 而言,其软件能力亦持续增长,根据 Gartner 数据,2022 年亚马逊位居全球 DBMS(数据管理软件)份额第一,同时在关系型、非关系型数据库领域,亚马逊亦处在前列,这使得亚马逊 AWS 能够在 AI 服务的同时,可以为客户提供较好的数据管理能力。此外,AWS提供外部数据软件的接口,例如 snowflake 等软件,亦可以通过 API 进行调用,能够对亚马逊自有数据软件形成补充。亚马逊(亚马逊(A
55、MZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 22 图 27:全球 DBMS(数据管理软件)市场份额 资料来源:Gartner 图 28:2022 年 RDBMS 市场规模 图 29:2022 年 NEDBMS 市场规模 资料来源:IDC,中信证券研究部 资料来源:IDC,中信证券研究部 29.08%23.82%21.40%5.07%5.86%4.97%MiscrosoftOracleAmazonSAPIBMGoogleAlibabaSnowflakeTeradataOther0.0%5.0%10.0%15.0%20.0%25.0%30.0%35
56、.0%40.0%45.0%AmazonGoogleMongoDBAlibaba GroupClouderaHuaweiMicrosoftDatabricksMarkLogicTencentDataStaxRedisHPECouchbaseNeo4jRocket SoftwareIBMAerospikeTigerGraphOracleSAPSoftware AG 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 23 图 30:AWS 与 snowflake 的集成 资料来源:AWS 官网 DevOps:亚马逊具备技术积累,亚马逊具备
57、技术积累,Amazon CodeWhisperer 补全代码能力补全代码能力。对于 AI开发者而言,AI 的设计和开发是具有价值的,但编写完成的代码由存储库转移到实时生产环境中仍需要经历集成、测试、发布、运维等多个流程,这些流程对于客户而言并没有直接的附加价值。因此,企业开发者团队需要借助 Devops 工具自动化低价值的流程,以更快实现新 AI 功能的发布。正是由于软件开发流程有价值的环节体现在项目管理&协作和代码编写&托管两个节点,因此这两个节点上的头部参与者具备整合软件开发全链条的较大潜力。对亚马逊而言,本身虽然目前没有很高的份额,但其技术能力仍有一定基础。同时大语言模型普及之后,代码能
58、力的强化大幅提升了开发效率,而亚马逊自身亦发布代码补写工具 Amazon CodeWhisperer,根据 AWS 公布的对比数据,参与者在任务的完成率上,要比不使用 Amazon CodeWhisperer 的高了 27%,而平均速度更是快了 57%。图 31:2023 年 DevOps 魔力象限 图 32:2021 年全球软件开发市场份额 资料来源:Gartner 资料来源:IDC,中信证券研究部 AtlassianMicrosoftIBMBroadcomGitLabPerforce SoftwareJFrogMicro FocusFlexera其他 亚马逊(亚马逊(AMZN.OQ)深度跟
59、踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 24 表 6:AWS 提供全面的 DevOps 工具 产品分类产品分类 产品名称产品名称 产品描述产品描述 持续集成和持续交付 AWS CodePipeline 是一种持续集成与持续交付服务,可以实现快速而可靠的应用程序和基础设施更新 AWS CodeBuild 是一项完全托管的生成服务,可编译源代码、运行测试以及生成可供部署的软件包 AWS CodeDeploy 可将代码自动部署至任何实例,包括 Amazon EC2 实例和本地服务器 AWS CodeStar 可以让用户在 AWS 上快速开发、构建和部署应用程序,建立
60、完整的持续交付工具链 微服务 Amazon Elastic Container Service 是一项高度可扩展的高性能容器管理服务,支持 Docker 容器 AWS Lambda 无需配置或管理服务器即可运行代码,用户几乎可以为任何类型的应用程序或后端服务运行代码 基础设施即代码 AWS CloudFormation 向开发人员和系统管理员提供了一种用于创建和管理一批相关 AWS 资源的简便方法 AWS OpsWorks 是一项配置管理服务,其使用的 Chef 自动化平台可以将服务器配置作为代码来处理 AWS Systems Manager 可以帮助用户自动收集软件清单、应用操作系统补丁、创
61、建系统映像以及配置 Windows 和 Linux AWS Config 可为用户提供 AWS 资源库存、配置历史记录和配置更改通知,以确保安全性和方便管理 监控和日志记录 Amazon CloudWatch 一项针对 AWS 云资源和在 AWS 上运行的应用程序的监控服务 AWS X-Ray 可以帮助开发人员分析与调试分布式生产应用程序,例如使用微服务架构构建的应用程序 AWS CloudTrail A web 服务,为用户的帐户记录 AWS API 调用并交付日志文件 Amazon DevOps Guru 一种采用机器学习(ML)技术的服务,有助于检测异常应用程序行为 平台即服务 AWS
62、Elastic Beanstalk 用于在熟悉的服务器(例如 Apache、Nginx、Passenger 和 IIS)上部署和扩展使用 Java、.NET、PHP、Node.js、Python、Ruby、GO 和 Docker 开发的 Web 应用程序和服务 版本控制 AWS CodeCommit 使公司能够轻松地托管安全且高度可扩展的私有 Git 存储库 资料来源:AWS 官网,中信证券研究部 表 7:DevOps 工具在 AI 部署中的应用 场景场景 描述描述 云原生 训练和推理任务在 Amazon SageMaker 上运行。支持多种模型 包括 Stable-diffusion、Con
63、trolNet、Lora、VAE 等多种模型。支持多种模型微调方法 可以使用 embedding、hypernetwork、Dreambooth 等方法微调任务、对象、风格等。GPU 支持 训练和推理任务可以在 NVIDIA T4/A10G/V100/A100 GPUs 上运行。动态切换模型 支持基于 5 和 SD2.1 Checkpoint 模型的动态切换。动态加载预训练模型 在创建训练任务时,可以动态加载某些预训练模型,并将训练结果上传到 Amazon S3 上。动态加载推理模型 在创建推理任务时,可以指定来自 Hugging Face、HTTP 站点、Amazon S3 的模型,并在推理
64、节点后动态加载 Amazon S3 上的模型。基 于 Amazon SageMaker Endpoint 的动态伸缩 使用 Amazon SageMaker Endpoint 节点的动态伸缩功能,可以根据某个指标的变化进行动态响应。资料来源:AWS 官网,中信证券研究部 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 25 图 33:AWS 中完整的模型开发路线 资料来源:AWS 官网 图 34:亚马逊 CodeWhisperer 效率提升 资料来源:亚马逊中国峰会 后续展望:关注算法生态后续展望:关注算法生态、企业企业 AI 需
65、求的增长需求的增长 前文我们详细分析了亚马逊在算法储备、算力基础设施、软件堆栈等方面的 AI 能力,不难看出虽然亚马逊没有推出类似微软、谷歌形式的独立大语言模型,但毫无疑问亚马逊自身的 AI 能力依旧较强,落地到后续 AI 对 AWS 的赋能,我们认为开源模型的持续增长、用户量增加带来的推理需求等,均是 AWS 后续增长的驱动力。亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 26 图 35:Hugging Face 访问量 资料来源:similarweb 因此对 AWS 而言,我们判断其后续大概率仍将延续增长趋势,原因在于:1)
66、在 AWS客户的行业属性中,传统企业的占比在提升,我们参考彭博等公司的经验,认为中大型企业大概率仍将以 AWS 作为核心云计算供应商。2)对科技企业而言,AWS 提供的产品较为全面,因此若科技企业选择开源模型,AWS 仍将受益。3)从模型自身的对比来看,虽然 AWS 暂未追赶上 GPT-4 等,但亚马逊具备自研大模型的能力,后续来看,开源与闭源模型在边际的差距大概率将收窄,且 AWS 的中立性亦相对较强。因此对 AWS 而言,具备技术储备的前提下,大概率不会被微软等拉开档次间的差距。图 36:AWS 客户结构 图 37:微软 Azure 客户结构 资料来源:AWS 财报,中信证券研究部 资料来
67、源:微软财报,中信证券研究部 0%20%40%60%80%100%1Q 222Q 223Q 224Q 221Q 23FinancialsTechnologyConsumerIndustrialsHealthcareCommunicationsEnergy&UtilitiesOther0%20%40%60%80%100%1Q 222Q 223Q 224Q 221Q 23TechnologyFinancialsConsumerIndustrialsCommunicationsHealthcareEnergy&UtilitiesOther 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告20
68、23.7.18 请务必阅读正文之后的免责条款和声明 27 风险因素风险因素 高通胀带来的宏观经济波动导致用户消费能力下降的风险:通胀会导致高物价,削弱消费需求。反垄断及数字监管带来的监管风险:如果海外市场对大型科技企业启动反垄断调查,可能提高企业的营业成本,极端情况下导致分拆。北美云市场竞争持续加剧风险:如果云市场竞争加剧,将可能诱发价格战,进而导致收入降速,利润下降。实体零售渠道发展的不确定因素:公司拥有实体零售渠道,可能面临竞争、品类不足等不确定性,以及线下履约成本过高等因素。收入增长放慢同时资本开支加速导致利润受压:此前公司进行大量资本开支投入物流等领域,折旧摊销导致利润回落。数字内容上
69、线进度放缓的风险:若因制作团队不足、开发经费不足公司新的数字内容无法上线,可能导致订阅用户订阅流失,新用户增长放缓,使得订阅费难以高增长等。投资投资建议建议 我们认为 AWS 依靠前期的模型储备、完整的软硬件堆栈能力,有望持续受益于生成式 AI 浪潮的增长。中短期维度,公司零售业务正进入逐季改善通道,AWS 营收增速亦有望在 Q2 触底。成本端方面,前期降本增效的成果已经开始显现,前期压制公司利润的物流、能源等因素将逐步缓和。我们维持公司盈利预测,当前公司股价已经充分反映了当前的宏观扰动,建议关注通胀缓解、公司业绩逐季度改善、AI 赋能等带来的投资机遇。表 8:公司盈利预测表 项目项目/年度年
70、度 2021 2022 2023E 2024E 2025E 营业收入(百万美元)469,822 513,983 562,755 624,595 692,642 营业收入增长率 YoY 21.7%9.4%9.5%11.0%10.9%毛利率 42.0%43.8%44.5%45.3%46.1%净利润(百万美元)33,364-2,722 20,743 34,944 44,436 增长率 YoY 56.4%-108.2%NA 68.5%27.2%Adj EBITDA(百万美元)71,994 75,053 88,417 109,665 130,443 增长率 YoY 25.7%4.2%17.8%24.0%
71、18.9%PE(GAAP)41 -508 67 40 31 EV/EBITDA 19 19 16 13 11 资料来源:Wind,中信证券研究部预测 注:股价为 2023 年 7 月 14 日收盘价 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 28 图 38:亚马逊 EV/EBITDA 倍数(未来 12 个月)资料来源:Thomson reuters 亚马逊(亚马逊(AMZN.OQ)深度跟踪报告深度跟踪报告2023.7.18 请务必阅读正文之后的免责条款和声明 29 利润表(百万美元)指标名称指标名称 2021 2022 20
72、23E 2024E 2025E 营业收入 469,822 513,983 562,755 624,595 692,642 营业成本 272,344 288,831 312,471 341,665 373,257 毛利率 42.0%43.8%44.5%45.3%46.1%物流费用 75,111 84,299 89,074 99,935 110,823 物流费用率 16.0%16.4%15.8%16.0%16.0%销售费用 32,551 42,238 42,957 43,722 48,485 营业费用率 6.9%8.2%7.6%7.0%7.0%研发费用 56,052 73,213 80,162 8
73、4,772 93,507 研发费用率 11.9%14.2%14.2%13.6%13.5%管理费用 8,823 11,891 11,751 12,325 13,692 管理费用率 1.9%2.3%2.1%2.0%2.0%其他经营损益 62 1,263 283 80 80 营业利润 24,879 12,248 26,056 42,096 52,799 营业利润率 5.3%2.4%4.6%6.7%7.6%财务费用-1,361-1,378-1,220-896-309 财务费用率 0.3%0.3%0.2%0.1%0.0%其他收益净额 14,633-16,806-143 400 410 利润总额 38,1
74、51-5,936 24,692 41,600 52,900 所得税-4,791 3,217-3,951-6,656-8,464 所得税率 12.6%54.2%16.0%16.0%16.0%权益法调整 4-3 1-归母净利润 33,364-2,722 20,743 34,944 44,436 71,994 75,053 88,417 109,665 130,443 资产负债表(百万美元)指标名称指标名称 2021 2022 2023E 2024E 2025E 货币资金 36,220 53,888 40,875 89,844 158,464 存货 32,640 34,405 34,372 37,5
75、83 41,058 应收账款 32,891 42,360 33,765 37,476 41,559 其他流动资产 59,829 16,138 45,000 45,001 45,002 流动资产 161,580 146,791 154,012 209,904 286,083 固定资产 160,281 186,715 204,724 211,950 210,954 无形资产 27,235 42,758 42,776 40,627 38,478 其他长期资产 71,453 86,411 60,017 60,017 60,017 非流动资产 258,969 315,884 307,517 312,59
76、4 309,448 资产总计 420,549 462,675 461,529 522,497 595,531 短期借款 0 0 0 0 0 应付账款 78,664 79,600 93,741 102,499 111,977 其他流动负债 63,602 75,793 54,800 54,800 54,800 流动负债 142,266 155,393 148,541 157,299 166,777 长期借款 48,744 67,150 50,000 50,001 50,002 其他长期负债 91,294 94,089 80,000 80,000 80,000 非流动性负债 140,038 161,
77、239 130,000 130,001 130,002 负债合计 282,304 316,632 278,541 287,300 296,779 股本 106 108 5 5 5 资本公积及其他 138,139 145,935 182,982 235,192 298,747 少数股东权益 0 0 0 0 0 股东权益合计 138,245 146,043 182,987 235,197 298,752 负债股东权益总计 420,549 462,675 461,529 522,497 595,531 现金流量表(百万美元)指标名称指标名称 2021 2022 2023E 2024E 2025E 净
78、利润 33,364-2,722 20,743 34,944 44,436 营运资本变动-19,611-20,886 22,899 1,836 1,920 折旧摊销 34,296 41,921 45,473 49,923 58,145 其他非现金项目-1,722 28,439 16,605 17,566 19,419 经营现金流 46,327 46,752 105,720 104,269 123,920 资本开支-55,396-58,321-63,500-55,000-55,000 其他-2,758 20,720-41,559-1-1 投资现金流-58,154-37,601-105,059-55
79、,001-55,001 发行与回购股票 101-6,000-103-债务变化 6,291 15,718-17,150 1 1 其他-3,379-500-500 融资现金流 6,392 9,718-13,874-499-499 汇率变动-364-1,093 200 200 200 现金净变化-5,799 17,776-13,013 48,969 68,620 主要财务指标 指标名称指标名称 2021 2022 2023E 2024E 2025E 增长率(%)营业收入 21.70%9.40%9.49%10.99%10.89%营业利润 8.65%-50.77%112.74%61.56%25.42%净
80、利润 56.41%-108.16%NA 68.46%27.16%利润率(%)毛利率 42.03%43.81%44.47%45.30%46.11%EBITDA Margin 15.32%14.60%15.71%17.56%18.83%净利率 7.10%-0.53%3.69%5.59%6.42%回报率(%)净资产收益率 24.13%-1.86%11.34%14.86%14.87%总资产收益率 7.93%-0.59%4.49%6.69%7.46%其他(%)资产负债率 67.13%68.44%60.35%54.99%49.83%所得税率 12.56%54.19%16.00%16.00%16.00%股利
81、支付率 0.00%0.00%0.00%0.00%0.00%资料来源:公司公告,中信证券研究部预测 30 分析师声明分析师声明 主要负责撰写本研究报告全部或部分内容的分析师在此声明:(i)本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法;(ii)该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系。一般性声明一般性声明 本研究报告由中信证券股份有限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构(仅就本研究报告免责条款而言,不含 CLSA group of companie
82、s),统称为“中信证券”。本研究报告对于收件人而言属高度机密,只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用,在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要,不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具,本报告的收件人须保持自身的独立判断并自行承担投资风险。本报告所载资料的来源被认为是可靠的,但中信证券不保证其准确性或完整性。中信证
83、券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险,可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可跌可升。过往的业绩并不能代表未来的表现。本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断,可以在不发出通知的情况下做出更改,亦可因使用不同假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。中信证券并不承担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中
84、信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定,但是,分析师的薪酬可能与投行整体收入有关,其中包括投资银行、销售与交易业务。若中信证券以外的金融机构发送本报告,则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议,中信证券以及中信证券的各个高级职员、董事和员工亦不为(前述金融机构之客户)因使用本报告或报告载明的内容产生的直接或
85、间接损失承担任何责任。评级说明评级说明 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 报告中投资建议所涉及的评级分为股票评级和行业评级(另有说明的除外)。评级标准为报告发布日后 6 到 12 个月内的相对市场表现,也即:以报告发布日后的 6 到 12 个月内的公司股价(或行业指数)相对同期相关证券市场代表性指数的涨跌幅作为基准。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;美国市场以纳斯达克综合指数或标普 500 指数为基准;韩国市场以科斯达克指数或韩国综合股价指数为基
86、准。股票评级股票评级 买入 相对同期相关证券市场代表性指数涨幅 20%以上 增持 相对同期相关证券市场代表性指数涨幅介于 5%20%之间 持有 相对同期相关证券市场代表性指数涨幅介于-10%5%之间 卖出 相对同期相关证券市场代表性指数跌幅 10%以上 行业评级行业评级 强于大市 相对同期相关证券市场代表性指数涨幅 10%以上 中性 相对同期相关证券市场代表性指数涨幅介于-10%10%之间 弱于大市 相对同期相关证券市场代表性指数跌幅 10%以上 31 特别声明特别声明 在法律许可的情况下,中信证券可能(1)与本研究报告所提到的公司建立或保持顾问、投资银行或证券服务关系,(2)参与或投资本报告
87、所提到的公司的金融交易,及/或持有其证券或其衍生品或进行证券或其衍生品交易,因此,投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险。本研究报告涉及具体公司的披露信息,请访问 https:/ 本研究报告在中华人民共和国(香港、澳门、台湾除外)由中信证券股份有限公司(受中国证券监督管理委员会监管,经营证券业务许可证编号:Z20374000)分发。本研究报告由下列机构代表中信证券在相应地区分发:在中国香港由 CLSA Limited(于中国香港注册成立的有限公司)分发;在中国台湾由 CL Securities Taiwan Co.,Ltd.分发;在澳大利亚由 CLSA Australi
88、a Pty Ltd.(商业编号:53 139 992 331/金融服务牌照编号:350159)分发;在美国由 CLSA(CLSA Americas,LLC 除外)分发;在新加坡由 CLSA Singapore Pte Ltd.(公司注册编号:198703750W)分发;在欧洲经济区由 CLSA Europe BV 分发;在英国由 CLSA(UK)分发;在印度由 CLSA India Private Limited 分发(地址:8/F,Dalamal House,Nariman Point,Mumbai 400021;电话:+91-22-66505050;传真:+91-22-22840271;公
89、司识别号:U67120MH1994PLC083118);在印度尼西亚由 PT CLSA Sekuritas Indonesia分发;在日本由 CLSA Securities Japan Co.,Ltd.分发;在韩国由 CLSA Securities Korea Ltd.分发;在马来西亚由 CLSA Securities Malaysia Sdn Bhd分发;在菲律宾由 CLSA Philippines Inc.(菲律宾证券交易所及证券投资者保护基金会员)分发;在泰国由 CLSA Securities(Thailand)Limited 分发。针对不同司法管辖区的声明针对不同司法管辖区的声明 中国
90、大陆:中国大陆:根据中国证券监督管理委员会核发的经营证券业务许可,中信证券股份有限公司的经营范围包括证券投资咨询业务。中国香港:中国香港:本研究报告由 CLSA Limited 分发。本研究报告在香港仅分发给专业投资者(证券及期货条例(香港法例第 571 章)及其下颁布的任何规则界定的),不得分发给零售投资者。就分析或报告引起的或与分析或报告有关的任何事宜,CLSA 客户应联系 CLSA Limited 的罗鼎,电话:+852 2600 7233。美国:美国:本研究报告由中信证券制作。本研究报告在美国由 CLSA(CLSA Americas,LLC 除外)仅向符合美国1934 年证券交易法下
91、15a-6 规则界定且 CLSA Americas,LLC 提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书。任何从中信证券与 CLSA 获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSA Americas,LLC(在美国证券交易委员会注册的经纪交易商),以及 CLSA 的附属公司。新加坡:新加坡:本研究报告在新加坡由 CLSA Singapore Pte Ltd.,仅向(新加坡财务顾问规例界定的)“机构投资者、认可投资者及专业投资者”分发。就分析或报告引起的或与分析
92、或报告有关的任何事宜,新加坡的报告收件人应联系 CLSA Singapore Pte Ltd,地址:80 Raffles Place,#18-01,UOB Plaza 1,Singapore 048624,电话:+65 6416 7888。因您作为机构投资者、认可投资者或专业投资者的身份,就 CLSA Singapore Pte Ltd.可能向您提供的任何财务顾问服务,CLSA Singapore Pte Ltd 豁免遵守财务顾问法(第 110 章)、财务顾问规例以及其下的相关通知和指引(CLSA 业务条款的新加坡附件中证券交易服务 C 部分所披露)的某些要求。MCI(P)085/11/202
93、1。加拿大:加拿大:本研究报告由中信证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。英国:英国:本研究报告归属于营销文件,其不是按照旨在提升研究报告独立性的法律要件而撰写,亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在英国由 CLSA(UK)分发,且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士。涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业经验,请勿依赖本研究报告。对于英国分析员编纂的研究资料,其由 CLSA(UK)制作并发布。就英国的金融行业准则,该资料被制作并意图作为实质性研
94、究资料。CLSA(UK)由(英国)金融行为管理局授权并接受其管理。欧洲经济区:欧洲经济区:本研究报告由荷兰金融市场管理局授权并管理的 CLSA Europe BV 分发。澳大利亚:澳大利亚:CLSA Australia Pty Ltd(“CAPL”)(商业编号:53 139 992 331/金融服务牌照编号:350159)受澳大利亚证券与投资委员会监管,且为澳大利亚证券交易所及 CHI-X 的市场参与主体。本研究报告在澳大利亚由 CAPL 仅向“批发客户”发布及分发。本研究报告未考虑收件人的具体投资目标、财务状况或特定需求。未经 CAPL 事先书面同意,本研究报告的收件人不得将其分发给任何第三
95、方。本段所称的“批发客户”适用于 公司法(2001)第 761G 条的规定。CAPL 研究覆盖范围包括研究部门管理层不时认为与投资者相关的 ASX All Ordinaries 指数成分股、离岸市场上市证券、未上市发行人及投资产品。CAPL 寻求覆盖各个行业中与其国内及国际投资者相关的公司。印度:印度:CLSA India Private Limited,成立于 1994 年 11 月,为全球机构投资者、养老基金和企业提供股票经纪服务(印度证券交易委员会注册编号:INZ000001735)、研究服务(印度证券交易委员会注册编号:INH000001113)和商人银行服务(印度证券交易委员会注册编号:INM000010619)。CLSA 及其关联方可能持有标的公司的债务。此外,CLSA 及其关联方在过去 12 个月内可能已从标的公司收取了非投资银行服务和/或非证券相关服务的报酬。如需了解 CLSA India“关联方”的更多详情,请联系 Compliance-I。未经中信证券事先书面授权,任何人不得以任何目的复制、发送或销售本报告。未经中信证券事先书面授权,任何人不得以任何目的复制、发送或销售本报告。中信证券中信证券 2023 版权所有。保留一切权利。版权所有。保留一切权利。