《电子行业专题报告：边缘AI浪潮已至AISoC赋能终端奋楫争流-231119（42页）.pdf》由会员分享，可在线阅读，更多相关《电子行业专题报告：边缘AI浪潮已至AISoC赋能终端奋楫争流-231119（42页）.pdf（42页珍藏版）》请在三个皮匠报告上搜索。

1、行 业 研 究 2023.11.19 1 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 电 子 行 业 专 题 报 告 边缘 AI 浪潮已至，AI SoC 赋能终端奋楫争流 分析师 郑震湘 登记编号：S04 佘凌星 登记编号：S05 行 业 评 级:推 荐 公 司 信 息 上市公司总家数 495 总股本(亿股)4,975.55 销售收入(亿元)45,290.82 利润总额(亿元)3,466.42 行业平均 PE 70.27 平均股价(元)34.36 行 业 相 对 指 数 表 现 数据来源：wind 方正证券研究所 相 关 研 究 先进

2、封装专题三：代工、IDM 厂商先进封装布局各显神通2023.11.18 vivo 首款端侧 AI 手机强势发布，拥抱 AI手机新机遇2023.11.14 先进封装专题二：HBM 需求井喷，国产供应链新机遇2023.11.14 华为智能汽车专题四：阿维塔 12 大超预期，智能驾驶全面升级2023.11.13 科技巨头相继发力，边缘科技巨头相继发力，边缘 AIAI 方兴未艾方兴未艾。随着终端应用场景的扩展带来数据即时处理需求的不断增长，云计算在数据传输、即时处理、隐私能耗等方面的不足开始显现，因此更加侧重局部和小规模处理的边缘计算应运而生。我们看到，科技巨头对于边缘计算的关注度正在日益提升：1）高

3、通转型“智能边缘计算”，押注 C 端边缘 AI。在 2023.5.30 召开的COMPUTEX 2023 上，高通宣布自身正在从一家通信公司转型为一家“智能边缘计算”公司。此后在 2023.7.18 宣布和 Meta 达成合作，计划从 2024 年起，在搭载骁龙平台的智能手机等终端上支持基于 Llama 2 的 AI 部署，赋能开发者使用高通 AI 软件栈面向终端侧 AI 进行应用优化，从而推出全新的生成式 AI 应用。我们认为，高通在智能手机 SoC 领域积淀深厚，有利于推动终端 AI 芯片继续向其他 C 端设备延伸。2）英伟达 Jetson 平台不断迭代，发力 B 端边缘 AI。英伟达在

4、2014 年推出第一代 Jetson 平台 TK1，截至目前已迭代至第七代 AGX Orin，该平台使用英伟达自主研发的 GPU 加速技术，支持深度学习框架，能够加速模型的训练和推理，同时还支持各种图像、视频、通信和存储接口，适用于各种嵌入式应用和边缘计算需求，如机器人、自动驾驶等。我们认为，英伟达作为GPU 传统云端 AI 芯片霸主，更加合适布局 B 端大算力场景。A AI I SoCSoC 算力承载算力承载，赋能终端百花齐放，赋能终端百花齐放。我们看到，相比云端 AI 芯片需要兼具训练和推理性能，边缘 AI 芯片则更多承担推理任务，其主要存在形式是作为 AI SoC 嵌入终端设备，因此性能

5、上更加追求在算力、功耗和成本等多方面的综合表现。伴随人工智能在消费电子、智能家居、智能安防、智能驾驶等 IoT 领域的快速渗透，全球边缘 AI 芯片市场规模有望从 2022 年的不足 400 亿美元突破至 2025 年的 600 亿美元。1 1）消费电子：）消费电子：手机市场主要由高通和联发科主导，但在可穿戴设备（TWS 耳机、智能手表、VR/AR 等）SoC 市场，我们认为受益于较多长尾客户的存在，以及更加追求性能和功耗的平衡，国内以恒玄科技、中科蓝讯为代表的厂商仍存在一定的发展机遇。2 2）智能家居：）智能家居：在众多细分品类中，我们判断具备语音/视频交互能力的智能音箱有望成为智能家居全屋

6、互联场景下的 AI 控制入口。百度、小米、天猫精灵等国内智能音箱巨头历经多年的布局，各自的产品生态圈建设已趋于完善，叠加大模型落地驱动产品交互式体验持续升级，我们认为以全志科技、晶晨股份为代表的上游处理器厂商有望步入新的发展阶段。3 3）智能智能驾驶驾驶：自动驾驶方面自动驾驶方面，ADAS SoC（适用于 L1-L2）和的 AD SoC（适用于 L3-L5）的总体市场规模有望在 2030 年达到 300 亿美元，海外龙头Mobileye 主打视觉方案以稳固 ADAS SoC 龙头地位，英伟达则聚焦高端 AD SoC 追求极致性能；智能座舱方面智能座舱方面，高通领跑市场的同时，我们也看到国内消费

7、级芯片厂商（华为、全志科技、瑞芯微等）、汽车 AI 芯片厂商（地平线、黑芝麻等）、汽车芯片初创企业（杰发科技、芯擎科技、芯驰科技等）三大阵营正在加速追赶，我们持续看好国产供应商的未来发展。风险提示：风险提示：研发进展不及预期；产业进度不及预期；中美贸易摩擦加剧。方 正 证 券 研 究 所 证 券 研 究 报 告-10%-5%0%5%10%15%22/11/19 23/1/31 23/4/14 23/6/2623/9/7 23/11/19电子沪深300电子 行业专题报告 2 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 正文目录 1 智能物联新时代，边缘 AI 蓬勃发展.5 1

8、.1 算力需求日益增长，边缘计算应运而生.5 1.2 科技巨头相继发力，边缘 AI 方兴未艾.6 1.3 突破算力及功耗瓶颈，加速边缘 AI 落地.12 2 智能终端 SoC，端侧 AI 算力承载.15 2.1 AI SoC 多模块异构集成，重视性能与功耗平衡.15 2.2 边缘 AI 芯片规模稳健成长，海内外厂商加速布局.16 2.3 自研 IP 积累及先进代工保障，彰显核心竞争力.18 3 AI SoC 赋能下游，终端应用百花齐放.19 3.1 消费电子.20 3.2 智能家居.22 3.3 智能安防.24 3.4 自动驾驶.26 3.5 智能座舱.31 4 相关标的.35 4.1 芯原股

9、份：IP 授权业务短期承压，在手订单保障未来成长.35 4.2 韦尔股份：库存去化大超预期，新品放量加速业绩改善.35 4.3 乐鑫科技：业绩稳健增长，软硬件双轮驱动.36 4.4 恒玄科技：季度营收创历史新高，可穿戴需求复苏启动.37 4.5 中科蓝讯：业绩端表现亮眼，客户端持续渗透.37 4.6 炬芯科技：打造 AIoT 音频芯生态，端侧 AI 赋能长期发展.38 4.7 晶晨股份：海外市场稳步推进，产品矩阵不断拓宽.38 4.8 全志科技：多元化产品布局，拥抱 AI 创新浪潮.39 4.9 泰凌微：无线物联网 SoC 领军者，纵深产品线把握行业红利.39 4.10 瑞芯微：行业回暖带动业

10、绩回升，智能座舱芯片放量在即.40 5 风险提示.41 5VcVpZfWpX5WjWvW9P8QbRmOnNtRpMfQrQpOfQmOoPbRmNnOxNmOmPwMrRuN电子 行业专题报告 3 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表目录 图表 1:云-边-端视角下的边缘计算.5 图表 2:AI 处理重心向边缘侧转移.6 图表 3:高通边缘 AI 技术路线图.6 图表 4:终端侧 AI 的四大关键优势.7 图表 5:Llama 2 模型特点.7 图表 6:Llama-2-chat 模型的训练过程.8 图表 7:Llama 2（70 亿参数版本）与其他闭源大语言

11、模型的性能对比.8 图表 8:英伟达 Jetson 平台产品迭代路线图.9 图表 9:英伟达 Jetson 平台支持的边缘计算应用场景.9 图表 10:Jetson AGX Orin 工业级模块强化环境性能.10 图表 11:边缘计算 VS.云计算.11 图表 12:云边协同.11 图表 13:混合式 AI.11 图表 14:大模型小型化.13 图表 15:算力 VS.存储性能提升.13 图表 16:存算一体芯片架构.14 图表 17:存算一体存储介质对比.14 图表 18:AI 芯片分类.15 图表 19:华为麒麟 990 5G SoC 芯片架构.16 图表 20:AI 算法的运行原理.16

12、 图表 21:全球及中国边缘 AI 芯片市场规模（亿美元）.17 图表 22:全球不同功能边缘 AI 芯片出货量（十亿颗）.17 图表 23:AI SoC 厂商布局.17 图表 24:SoC 芯片制造流程.18 图表 25:台积电 VS 三星代工芯片参数对比.18 图表 26:高通 AI 引擎.19 图表 27:高通传感器中枢.19 图表 28:AI SoC 终端应用.19 图表 29:苹果 AirPods Pro 第二代搭载的 H2 芯片.20 图表 30:高通骁龙全新可穿戴平台 W5/W5+.21 图表 31:恒玄科技 VS.中科蓝讯 TWS 蓝牙耳机芯片出货量.21 图表 32:恒玄科技

13、 VS.中科蓝讯营收及毛利率.21 图表 33:苹果 Vision Pro 产品效果.21 图表 34:苹果 Vision Pro 搭载 M2 及 R1 芯片.21 图表 35:中国智能家居品类 AI 技术应用渗透率预测.22 图表 36:中国智能家居市场规模及增速.22 图表 37:中国智能音箱市场竞争格局.22 图表 38:中国智能音箱头部企业分析.22 图表 39:中国智能音箱市场销量（万台）.23 图表 40:2020 年全球智能音箱处理器出货量份额.23 图表 41:中国智能音箱处理器厂商客户布局.23 图表 42:安防芯片分类.24 图表 43:边缘 AI 在安防领域的应用.25

14、图表 44:2021 年全球 IPC SoC 市场份额.25 图表 45:2021 年全球 NVR SoC 市场份额.25 电子 行业专题报告 4 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表 46:全球 IPC/NVR SoC 市场规模（亿美元）.25 图表 47:自动驾驶域控制器硬件架构.26 图表 48:华为 MDC 计算平台硬件方案.27 图表 49:全球及中国自动驾驶乘用车销量及渗透率.27 图表 50:不同级别自动驾驶 SoC 市场规模预测.28 图表 51:Mobileye 自动驾驶 SoC 产品线.28 图表 52:英伟达历代车载计算平台参数对比.29

15、图表 53:高通 8155 座舱芯片架构.31 图表 54:高通座舱芯片迭代历程.31 图表 55:海外座舱芯片主要厂商产品参数对比.32 图表 56:国内座舱芯片主要厂商产品参数对比.34 电子 行业专题报告 5 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 1 1 智能物联新时代，边缘智能物联新时代，边缘 A AI I 蓬勃发展蓬勃发展 1.11.1 算力需求日益增长，边缘计算应运而生算力需求日益增长，边缘计算应运而生 云计算作为一种提供强大计算资源的网络服务，主要分为 IaaS（提供云服务器）、PaaS（提供云数据库）和 SaaS（直接帮助用户在云上运行软件）。但我们看

16、到，随着终端应用场景的扩展带来数据即时处理需求的不断增长，云计算的不足开始显现，主要表现在：1）数据传输的限制性：随着越来越多的设备连接到互联网并生成数据，以中心服务器为节点的云计算在数据传输方面开始遇到带宽瓶颈；2）数据处理的即时性：海量物联网设备的接入使得云计算在数据处理的即时响应方面开始有所延迟；3）隐私及能耗问题：下游医疗、工业等设备采集的隐私数据传输到云端数据中心的路径较长，容易导致数据丢失或者信息泄露等风险，此外数据中心的高负载带来的高能耗也是管理规划的核心问题。边缘计算是云计算向边缘侧分布式拓展的新触角。边缘计算是云计算向边缘侧分布式拓展的新触角。因此，边缘计算应运而生。根据边缘

17、计算产业联盟的定义，边缘计算是指在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求，总结下来就是“在更靠近终端的网络边缘上提供服务在更靠近终端的网络边缘上提供服务”。可以看到，边缘计算是云计算在面向物联网、大流量等场景下，为了满足更广连接、更低时延、更好控制等需求，向终端和用户侧延伸形成的新解决方案。图表1:云-边-端视角下的边缘计算 资料来源：艾瑞咨询，方正证券研究所 “云“云-边边-端端”形态不断变化，边缘计算重要性日益凸显。形态不断变化，边缘计算重要性日

18、益凸显。我们看到，在早期的电信网时代，“云-边-端”的形态体现为“程控交换中心程控交换机电话”；到了互联网时代，这种形态变成了“数据中心CDN移动电话/PC”；而在现如今的云计算+物联网时代，“云计算中心小数据中心/网关传感器”则构成了新的“云-边-端”形态。时代的发展体现在终端上就是海量设备的接入，从而带来数据处理需求的激增，如果仅依赖云端服务器，过大的工作负载不仅会导致处理效率变得低下，也无法适应终端更加多元化的处理需求。因此，更加侧重局部和小规模处理的边缘计算适用于现场级、实时、短周期的智能分析和快速决策，在物联网时代的背景下，其重要性日益凸显。电子 行业专题报告 6 敬 请 关 注 文

19、 后 特 别 声 明 与 免 责 条 款 s 1.21.2 科技巨头相继发力，边缘科技巨头相继发力，边缘 AI 方兴未艾方兴未艾 我们看到，科技巨头对于边缘计算的关注度正在日益提升。在 2022.12.14 召开的 MEET2023 智能未来大会上，高通产品管理高级副总裁 Ziad Asghar 指出，数据会不断从边缘侧产生，因此 AIAI 处理的重心正在持续向边缘转移处理的重心正在持续向边缘转移。因为消费者希望拥有更好的数据隐私、更可靠的数据来源和即时的处理结果，因此边缘侧是进行 AI 处理的最佳选择，而高通一直在推动这场变革。图表2:AI 处理重心向边缘侧转移 资料来源：高通，方正证券研究

20、所 高通转型“智能边缘计算”，押注高通转型“智能边缘计算”，押注 C C 端边缘端边缘 A AI I。目前，高通已经将 AI 算法应用到了智能手机的影像、图形处理等功能中，未来，高通将基于涵盖了边缘 AI、影像技术、图形技术、多媒体效果、极快处理速度，以及 5G 连接能力等特性的“统一的技术路线图”，将这些 AI 技术从耳机等较低复杂度的产品，规模化扩展到汽车等高复杂度的产品，最终实现智能网联边缘的全面覆盖。我们看到，在 2023.5.30召开的 COMPUTEX 2023 上，高通高级副总裁 Alex Katouzian 表示，高通正在从一家通信公司转型为一家“智能边缘计算”公司。我们认为，

21、此举进一步彰显了高通对于发展边缘 AI 的决心，未来将基于自身在智能手机领域积累的优势，不断研发迭代带有更丰富 AI 技术的芯片，充分赋能可穿戴设备、智能家居、智能汽车等更为广泛的消费者终端。图表3:高通边缘 AI 技术路线图 资料来源：高通，方正证券研究所 高高复杂度复杂度低复杂度低复杂度电子 行业专题报告 7 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 借力借力 MetaMeta Llama 2Llama 2 大语言模型大语言模型，高通终端侧，高通终端侧 A AI I 部署有望更进一步。部署有望更进一步。高通的最新动态显示，其在 2023 年 7 月 18 日宣布和 M

22、eta 正在合作优化 Meta Llama 2 大语言模型在智能手机、PC、VR/AR 和智能汽车等终端上的直接运行。我们看到，与仅仅使用云端 AI 部署和服务相比，终端侧 AI 部署能够显著降低开发云成本，同时提升用户隐私保护、满足用户安全偏好、增强应用可靠性，并带来更加个性化的使用体验。高通计划从 2024 年起，在搭载骁龙平台的智能手机等终端上支持基于 Llama 2 的 AI 部署，赋能开发者使用高通 AI 软件栈面向终端侧 AI 进行应用优化，从而推出全新的生成式 AI 应用。图表4:终端侧 AI 的四大关键优势 资料来源：高通中国公众号，方正证券研究所 MetaMeta Llama

23、 2Llama 2 免费商用且开源，免费商用且开源，性能较初代版本显著提升。性能较初代版本显著提升。具体来看 Meta 在2023 年 7 月 18 日正式发布的大语言模型 Llama 2，这是 Meta Llama 模型的最新版本，也是 Meta 首个免费商用的开源 AI 模型。该模型包括 Llama 2 和 Llama 2-chat 两种版本，后者针对双向对话进行了微调，是针对类似于 ChatGPT 的聊天应用程序而开发，两者均细分为支持 70 亿、130 亿、700 亿等多种不同参数规模的版本。我们看到，相比于今年 2 月发布的 Llama 1，Llama 2 的 tokens 训练量提

24、升了 40%达到 2 万亿个，对上下文训练的长度是 Llama 1 的两倍，达到 4096，此外 Llama 2-chat 微调模型还接受了超过 100 万个人工标注数据的训练。图表5:Llama 2 模型特点 资料来源：Meta AI，方正证券研究所 40%100%电子 行业专题报告 8 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表6:Llama-2-chat 模型的训练过程 资料来源：Meta AI，方正证券研究所 Llama 2Llama 2 目前仍目前仍难以难以媲美媲美 G GPTPT-4 4，但，但有望利用开源生态实现弯道超车。有望利用开源生态实现弯道超车。此

25、外，Meta还选择了 70 亿参数版本的 Llama 2 和其他闭源的大语言模型进行比较，可以发现其在大规模多任务语言理解（MMLU）和高质量小学数学问题（GSM8K）上的表现接近 GPT-3.5，但在编码基准(HumanEval)上与 GPT-3.5 及 GPT-4 仍存在显著差距；相比谷歌 PaLM（540B），Llama 2（70B）的所有结果几乎持平，有些甚至表现更好，但与 GPT-4 和 PaLM-2-L 相比仍有较大差距。可以看到，目前 Llama 2 的性能表现还难以撼动 OpenAI 的市场地位，但我们看到，开源路线的 Llama 2 可以使得用户可以低成本地在本地服务器上部署

26、开源大模型，以构建适用于自身业务的专用大模型，从而不需要将数据放到 OpenAI 等闭源大模型提供商的服务器中；与此同时，开源社区中大量用户产生的创意也将提升大模型的迭代速度。图表7:Llama 2（70 亿参数版本）与其他闭源大语言模型的性能对比 资料来源：Llama 2:Open Foundation and Fine-Tuned Chat Models，方正证券研究所 投资投资 OpenAIOpenAI 押注闭源路线，押注闭源路线，携手携手 MetaMeta 探索开源方案，微软探索开源方案，微软两头布局驱动两头布局驱动 L LLMLM 竞竞争日趋激烈，未来发展机遇与挑战并存争日趋激烈，未

27、来发展机遇与挑战并存。我们看到，Meta 此次选择微软作为 Llama 2 的首选合作伙伴，微软 Azure 客户将能够在 Azure 上轻松安全地微调和部署Llama 2 模型，并利用其云原生工具进行内容过滤和安全保护。此外，Llama 2 经过优化后可以在 Windows 上本地运行，为开发人员提供无缝的工作流程，为跨不同平台的客户带来生成式 AI 体验。可以看到，微软一方面通过 OpenAI 押注闭源路线，另一方面又与 Meta 合作探索开源方案，我们认为此举表明 LLM 领域的技术路线和竞争格局尚未定型，未来在不同技术路径上的开发将会产生源源不断的创新，交互式推动 AI 的发展。预训练

28、数据预训练数据自我监督学习自我监督学习监督微调监督微调拒绝采样拒绝采样近端策略优化近端策略优化人类标注数据人类标注数据有用性奖赏模型有用性奖赏模型安全安全性奖赏模型性奖赏模型人类反馈人类反馈微调微调预训练预训练电子 行业专题报告 9 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 英伟达英伟达 JetsonJetson 平台不断迭代，发力平台不断迭代，发力 B B 端边缘端边缘 A AI I。此外，我们同样注意到英伟达在边缘 AI 领域也有长足的积累。英伟达在 2014 年推出第一代 Jetson 平台 TK1，截至目前已迭代至第七代 AGX Orin，作为一套嵌入式系统开发板

29、，主要包括Jetson 硬件模组（小型高性能计算机）、用于加速软件的 JetPack SDK（软件开发工具包），以及包含传感器、SDK、服务和产品的生态系统。该平台使用英伟达自主研发的 GPU 加速技术，支持深度学习框架，能够加速模型的训练和推理，同时还支持各种图像、视频、通信和存储接口，适用于各种嵌入式应用和边缘计算场景，如机器人、自动驾驶、智能监控、医疗影像处理等。图表8:英伟达 Jetson 平台产品迭代路线图 资料来源：英伟达，方正证券研究所 图表9:英伟达 Jetson 平台支持的边缘计算应用场景 资料来源：英伟达，方正证券研究所 Jetson AGX OrinJetson AGX

30、Orin 工业级模块工业级模块全新发布，持续强化全新发布，持续强化 B B 端环境适应性能。端环境适应性能。我们看到，在 COMPUTEX 2023 上，英伟达发布了全新的 Jetson AGX Orin 工业级模块，该模块扩展了上一代 Xavier 工业级模块和商用 Orin 模块的功能，在恶劣环境下可以电子 行业专题报告 10 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 提供更高级别的计算能力。具体来看，Jetson AGX Orin 工业级模块可以在 15-75W 功率范围内提供高达 248TOPS 的 AI 性能，通过 Ampere 架构 GPU、新一代深度学习和视

31、觉加速器、高速 I/O 以及超快的内存带宽，可支持多个并行 AI 应用流程，而且可适应更加极端的温度范围，具有更长的工作寿命、更强的耐冲击和振动能力，整体性能相比 AGX Xavier 工业级模块提升了 8 倍以上。图表10:Jetson AGX Orin 工业级模块强化环境性能 资料来源：英伟达，方正证券研究所 “高通向左，英伟达向右”，“高通向左，英伟达向右”，B B、C C 端共同发力边缘端共同发力边缘 A AI I。综上可以看出，高通和英伟达在边缘 AI 领域的发展路线有所差异，高通更加关注 C 端消费者应用，英伟达则侧重于 B 端应用场景，我们认为这是两家公司基于自身优势而做出的正确

32、战略决策。高通在智能手机 SoC 领域积淀深厚，有利于推动终端 AI 芯片继续向其他 C 端设备延伸；而英伟达是 GPU 传统云端 AI 芯片霸主，更加合适布局 B 端大算力场景。我们看到，边缘计算的快速发展主要受益于其在以下四方面的优势：低时延：低时延：由于消除了将数据从端点转移到云端再返回的需要，大量复杂的数据可以在边缘端进行初筛、分析和计算，从而更快地做出决策，避免了因海量数据涌向云端，带来线路阻塞或响应缓慢等问题。高效率：高效率：因为数据处理的多数任务在靠近数据源的地方完成，分析及反馈的速度得以提升，增强了实时决策能力，同时由于减少了从云端来回传输的数据量，也能够更好地实现降本增效。安

33、全性：安全性：边缘端服务器广泛就近分布，且单个设备存储的数据量较为有限，既降低了因传输距离过长导致数据丢失的风险，也减小了信息窃取的可能性。智能化：智能化：边缘计算系统的可扩展性使得用户可以自由地部署和管理计算资源，其背后拥有的大量自我适应、表达、修复等机制，充分赋予了边缘节点设备的智能化属性，可以在不依赖云端决策的情况下做出响应，单个设备的故障也不会影响生态系统中其他设备的性能，从而提高了整个连接环境的可靠性。Jetson AGX Orin工业级模块工业级模块Jetson AGX Orin 64GB248 TOPS275 TOPSAI性能性能2048核NVIDIA Ampere架构GPU带有

34、64颗Tensor Core12核Arm Cortex A78AE CPU 64-GB LPDDR5带有内联ECC 64-GB eMMC2048核NVIDIA Ampere架构GPU带有64颗Tensor Core12 核Arm Cortex A78AE CPU 64-GB LPDDR5 64-GB eMMC模块模块TTP下-40C-85CTTP下-25C-80C工作温度工作温度15-75W15-60W模块功率模块功率10 年年(85C下下为为87,000小时小时)5年工作寿命工作寿命非运行状态：140G，2ms 运行状态：50G，11ms非运行状态：140G，2ms冲击冲击非运行状态：3G

35、运行状态：5G非运行状态：3G振动振动85C/85%RH，1000 小时，开机状态偏置湿度，85C，85%RH，168 小时湿度湿度-40C下下72小时；小时；85C下下1000小时小时(运行状态运行状态)-20C下24小时；45C下168小时(运行状态)耐温性能耐温性能100 mm x 87 mm100 mm x 87 mm物理尺寸物理尺寸SoC角落粘接和元件底部填充-底部填充底部填充10年年(到到2033年年)7年(到2030年)生产生产生命周期生命周期电子 行业专题报告 11 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表11:边缘计算 VS.云计算 资料来源：51

36、CTO，方正证券研究所 “云“云-边边-端端”紧密协同，混合式紧密协同，混合式 A AI I 时代来临。时代来临。虽然边缘计算相比云计算存在一定优势，但这并不意味着二者处于对立面，而更多是一种相互依存的关系。一方面，边缘计算通过负责自身范围内的数据计算和存储工作，可以分担云端的计算压力；另一方面，大部分经过边缘设备处理的数据仍需要从边缘节点汇聚到中心云，云端再通过分析完成对算法模型的训练和升级，并将升级后的算法推送到前端，帮助前端设备实现更新和升级，从而达成自主学习的闭环。此外，这些数据也需要上传到云端进行备份，当边缘计算过程中出现意外情况，存储在云端的数据也不会丢失。这与高通在 COMPUT

37、EX 2023 上提出的“混合式 AI”概念一脉相承，即未来云端和边缘/终端需要共同承担日益增长的算力需求。我们认为，云计算与边缘计算需要通过紧密协同才能更好地满足各种需求场景的匹配，从而最大化体现云计算与边缘计算的应用价值。图表12:云边协同 图表13:混合式 AI 资料来源：CB Insights China，方正证券研究所 资料来源：高通，方正证券研究所 云计算云计算边缘计算边缘计算一般互联网应用物联网或移动应用目标应用目标应用数据中心边缘网格（网关、WiFi接入点和蜂窝基站等)服务器节点位置服务器节点位置广域网无线局域网、4G/5G等客户端与服务器的客户端与服务器的通信网络通信网络数百

38、万计数十亿计可服务的可服务的设备（用户）数量设备（用户）数量基于全局信息的服务基于本地信息的服务提供的服务类型提供的服务类型集中式分布式地理位置分布地理位置分布2s左右可达0.5ms访问时延访问时延移动性较差支持高速移动性服务移动性支持移动性支持非常高很低网络带宽网络带宽电子 行业专题报告 12 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 1.31.3 突破算力及功耗瓶颈，加速边缘突破算力及功耗瓶颈，加速边缘 AI 落地落地 解决算力和功耗限制，赋能边缘解决算力和功耗限制，赋能边缘 A AI I 落地。落地。我们看到，随着 ChatGPT 的横空出世，生成式人工智能迅猛发展

39、。但以 GPT-4 为代表基于 Transformer 架构的生成式预训练大模型由于具备较大规模的参数，其训练与推理仍然需要在云端借助算力强大的 GPU 等 AI 芯片完成。但我们同样看到，随着机器学习、神经网络训练等网络架构和工具不断适配、兼容到嵌入式系统上，越来越多的 AI 应用也可以直接在边缘设备上运行，因此“边缘 AI”悄然而生。我们认为，在“云-边-端”的架构下，边缘 AI 的主要存在形式仍为以智能手机为代表的终端嵌入式设备。但由于终端设备的算力和功耗有限，因此如何解决这两大问题便成为了边缘 AI 落地的关键所在。目前在算力方面，主要是通过压缩模型并采用联网方式来降低算力需求，而功耗

40、方面则是采用存算一体的方式来突破功耗瓶颈。一、一、降低算力需求降低算力需求压缩模型压缩模型+联网联网 一般而言，神经网络模型包含的网络层数和参数越多，其结构就越复杂，但实际运行的效果也会越好。所谓模型压缩，是指通过算法将一个复杂的预训练大模型转化成精简的小模型。按照压缩过程对网络结构的破坏程度，模型压缩技术可以分为“前端压缩”和“后端压缩”，前端压缩几乎不改变原有的网络结构，仅仅是在原模型的基础上减少了网络的层数，但后端压缩会对网络结构造成不可逆的改变，后续的维护成本也会很高。因此，业内一般采用前端压缩，主要包含以下三种细分方法：1 1）知识蒸馏）知识蒸馏 属于迁移学习的一种，主要思想是将学习

41、能力强的复杂教师模型中的“知识”迁移到简单的学生模型中，本质是让小模型去拟合大模型，从而让小模型学到与大模型相似的函数映射，使小模型保持其快速计算速度的前提下，同时拥有复杂模型的性能，达到模型压缩的目的。2 2）模型剪枝）模型剪枝 大模型虽然参数很多，但也存在着大量冗余的参数，将这些不太重要的训练参数剔除，可以减少计算资源的消耗并提高实时性，这就是模型剪枝算法。训练步骤为“正常训练模型模型剪枝重新训练模型”，三个步骤反复迭代进行，直到模型精度达到目标，则停止训练。3 3）模型量化）模型量化 是指将神经网络的浮点运算（FP32、FP16）转换为定点运算（INT8），从而减少内存占用并提高计算效率

42、。目前的低精度模型一般采用的数值格式为 INT8，但也有一些混合精度模型中会使用FP16的数值格式来保证某些参数和操作符的准确度。可以看到，以上三种压缩算法可以降低模型对计算能力的要求，使得 AI 模型在终端设备上的运行成为可能。此外我们也注意到，模型压缩不可避免会造成性能损失，有可能导致小模型在某些应用场景下的使用出现困难，因此终端设备可通过联网访问云端的大模型，可进一步保障设备 AI 性能的落地。电子 行业专题报告 13 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表14:大模型小型化 资料来源：WAVE SUMMIT，方正证券研究所 二、突破功耗限制二、突破功耗限制

43、存算一体存算一体 A AI I 时代算力需求猛增，“存储墙”亟待解决。时代算力需求猛增，“存储墙”亟待解决。我们知道，在传统的冯诺依曼架构下，芯片的计算单元在计算之前需要先从存储器中读取数据，但数据的搬运时间往往是计算时间的成百上千倍，这背后是处理器和存储长久以来性能发展不均衡的结果。在过去二十年，处理器性能大概每年以 55%的速度提升，但内存性能每年的提升速度只有 10%左右。而内存性能的落后直接导致的问题就是数据搬运的功耗过高，由此带来的无用功耗能占到整个 AI 计算功耗的 60-90%，造成非常低的能效比，这就是我们熟知的“存储墙”问题。现如今随着 AI 的快速发展，算力需求大幅提升，“

44、存储墙”带来的计算效率和功耗问题日益突出。图表15:算力 VS.存储性能提升 资料来源：51CTO，方正证券研究所 存算一体突破“存储墙”限制，大幅提升计算效率并降低功耗。存算一体突破“存储墙”限制，大幅提升计算效率并降低功耗。在此背景下，存算一体技术（Computing in Memory，CIM）应运而生，该技术是在存储器中嵌入了计算能力，直接利用存储器进行数据处理，从而把数据存储与计算融合在芯片的同一片区，从本质上消除了不必要的数据搬运，因此可以大幅提升计算效率并降低功耗，适用于深度学习、人工智能等大规模并行计算的应用场景，是在冯诺依曼架构之外的一种全新芯片计算架构。发发展展差差距距电子

45、 行业专题报告 14 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表16:存算一体芯片架构 资料来源：知乎陈巍谈芯，方正证券研究所 在计算方式上，存算一体芯片分为数字计算和模拟计算，其中数字计算更偏向于数字计算更偏向于“算”“算”，采用的是先进逻辑工艺，拥有高性能、高精度的优势，且具备很好的抗噪声能力和可靠性，适用于大算力、高能效的商用场景；而模拟计算更偏向于“存”模拟计算更偏向于“存”，具有更高的存储密度，但对环境噪声和温度非常敏感，适用于小算力、不需要太强可靠性的民用场景。在存储介质上，主要可分为成熟工艺存储器（成熟工艺存储器（DRAMDRAM、FlashFlash

46、和和 SRAMSRAM）和新型存储新型存储器（器（MRAMMRAM、RRAMRRAM 和和 FRAMFRAM 等等）。细分来看，DRAM 成本低、速度快，但容量小；Flash属于非易失性存储介质，具有低成本、高可靠性的优势，但在工艺制程上有明显瓶颈，一般适用于小算力场景；SRAM 在速度和能效比方面具有很大优势，但容量密度略小，一般适用于云计算等大算力场景；新型存储器中，RRAM 在神经网络计算中具有特别的优势，是下一代存算一体介质的主流研究方向，但目前工艺良率还在爬坡，而且还需要解决非易失存储器固有的可靠性问题，因此目前仍主要用于边缘 AI 计算和端侧小算力场景。图表17:存算一体存储介质对

47、比 资料来源：电子发烧友，方正证券研究所 适合场景适合场景不足不足优势优势存储器类型存储器类型适合现有冯氏架构向存算过渡只能做近存计算,速度略低,工艺迭代慢高存储密度,整合方案成熟DRAMDRAM小算力、端侧、低成本、待机时间长的场景对PVT变化敏感,精度不高,工艺迭代时间长高密度低成本,非易失,低漏电FlashFlash大算力、云计算、边缘计算，也适合训练存储密度略低能效比高,高速高精度,对噪声不敏感,工艺成熟先进,适合IP化SRAMSRAM（数字模式）（数字模式）小算力、端侧、不要求待机功耗对PVT变化敏感,对信噪比敏感,存储密度略低能效比高,工艺成熟先进SRAMSRAM（模拟模式）（模拟

48、模式）小 算 力、端 侧/边 缘Inference、待机时间长的场景对PVT变化敏感,有限写次数,相对低速,工艺良率尚在爬坡中能效比高,高密度,非易失,低漏电各类各类NVRAMNVRAM（包括包括RRAMRRAM/MRAM/MRAM等）等）电子 行业专题报告 15 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 2 2 智能终端智能终端 S So oC C，端侧端侧 A AI I 算力承载算力承载 2.12.1 AI SoC 多模块异构集成，重视性能与功耗平衡多模块异构集成，重视性能与功耗平衡 边缘边缘 A AI I 算力承载者算力承载者智能终端智能终端 S So oC C。所

49、谓 AI 芯片，其实是在 CPU 等传统芯片的基础上，针对 AI 算法（以深度学习为代表的机器学习算法）做了特殊加速设计的芯片，换言之，是牺牲了一定的通用性，换取了芯片在海量数据并行计算方面的效率提升。在类型上，AI 芯片主要分为 GPU、FPGA、ASIC 和类脑芯片；在应用场景上，主要分为云端（训练+推理）和边缘端（边缘计算+终端），其中应用在云端和边缘计算服务器上的 AI 芯片是以 GPU 为代表的强通用性芯片，而终端 AI芯片更多是将 AI 功能模块结合 CPU、GPU、ISP 等模块融合进 SoC 中，并针对语音识别、人脸识别等不同的应用场景完成定制化设计，同时需要做好性能与功耗的平

50、衡。因此我们认为，海量的物联网终端设备是边缘我们认为，海量的物联网终端设备是边缘 A AI I 的主要落地场景，而的主要落地场景，而A AI SI So oC C 作为边缘算力的承载体，有望跟随作为边缘算力的承载体，有望跟随 IoIoT T 设备的智能化浪潮实现快速成长设备的智能化浪潮实现快速成长。图表18:AI 芯片分类 资料来源：艾瑞咨询，方正证券研究所 SoCSoC（System on a ChipSystem on a Chip，系统级芯片）是在，系统级芯片）是在 CPUCPU 的基础上扩展的基础上扩展了了音视频功能和音视频功能和专用接口的超大规模集成电路专用接口的超大规模集成电路，一

51、般集成了 CPU、GPU、NPU、ISP、存储、WiFi、蓝牙、总线、接口等 IP 模块，具体来看其中重要模块的功能：1）CPU(Central Processing Unit，中央处理器)：主要执行通用计算，用来解释计算机指令、处理计算机软件中的数据。训练芯片训练芯片推理推理芯片芯片需要极高的计算性能和较高的精度极高的计算性能和较高的精度，可处理海量数据，同时也需要一定的通用通用性性，以便完成各类学习任务相对训练而言对性能的要求并不高对性能的要求并不高，对精度要求也要更低，但更注重综合指标注重综合指标，要考虑单位能耗算力单位能耗算力、延迟延迟、成本成本云端训练芯片云端训练芯片边缘边缘/端训练

52、芯片端训练芯片云端推理芯片云端推理芯片边缘边缘/端推理芯片端推理芯片训练主要在云端进行，GPU在云端训练场景可充分发挥自身并行计算并行计算与通用性优势与通用性优势，应用比例过九成，未来随着互联网自用训练场景的专用化，ASIC-DSA产品将替代一部产品将替代一部分分GPU市场市场目前GPU产品仍然占据大头，但但ASIC-DSA专用产品带来的效率优化在推理专用产品带来的效率优化在推理侧展现明显替代优势侧展现明显替代优势，呈“百家争鸣”态势。在专用芯片发展成熟之前，FPGA可成为过渡产品，众多科技巨头尝试布局云计算+FPGA的平台在云端训练基础上，边缘侧逐步衍生训练场景，承担更多云端训练任承担更多云

53、端训练任务来转移云端训练压力务来转移云端训练压力，同时及时同时及时响应边缘响应边缘/端侧的推理任务需求端侧的推理任务需求边缘/端推理芯片可加载于边缘服务器，也可作为也可作为SoC嵌入终端设备嵌入终端设备，以满足以满足特定场景需求特定场景需求，端侧需求差异大。随着数据传输带宽压力、数据因素安全、实时响应的需求，愈多云端推理任务愈多云端推理任务下放到边缘及端侧推理场景下放到边缘及端侧推理场景云云边缘边缘/端侧端侧数据中心，智算中心数据中心，智算中心支持云端大量运算，灵活适配图片、语音、视频等不同AI应用面向机器人机器人/无人机无人机、自动驾驶自动驾驶、智慧安防智慧安防、工业互联网工业互联网、移动互

54、联移动互联网网、物联网物联网等丰富场景产品分类产品分类应用场景应用场景相较于传统ASIC产品，DSA架构支持了部分软件架构支持了部分软件可编程可编程，扩大了扩大了ASIC芯片的覆盖场景与领域范围芯片的覆盖场景与领域范围，但DSA仅加速某些特定领域的应用程序DSA架构(Domain Specific Architecture)领域专用架构GPUFPGA类脑芯片类脑芯片ASICCPU+X异构计算异构计算电子 行业专题报告 16 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 2）GPU（Graphics Processing Unit，图形处理器）：主要完成高清视频加速解码、游戏图

55、形处理、图像处理和辅助运算等功能。3）ISP（Image Signal Process，图像处理器）：主要用来处理前端图像信号，能够将光信号变成电信号，其性能会直接影响到拍照和摄像性能。4）N NPUPU（NeuralNeural-network Pnetwork Processingrocessing U Unitnit，神经网络处理器）：，神经网络处理器）：专为物联网人专为物联网人工智能而设计，用于加速神经网络的运算，解决传统芯片在神经网络运算时效率工智能而设计，用于加速神经网络的运算，解决传统芯片在神经网络运算时效率低下的问题，是目前主流的低下的问题，是目前主流的 A AI I 算力载体

56、算力载体。例如麒麟 990 5G SoC 采用华为自研架构 NPU，创新设计 NPU 双大核+NPU 微核架构，其中 NPU 大核针对大算力场景（人像虚化/超级夜景等复杂 AI 任务），NPU 微核赋能超低功耗 AI 应用（隔空手势/AI信息保护等轻量任务），充分发挥全新 NPU 架构的智慧算力。图表19:华为麒麟 990 5G SoC 芯片架构 资料来源：华为官网，方正证券研究所 图表20:AI 算法的运行原理 资料来源：艾瑞咨询，方正证券研究所 2.22.2 边缘边缘 AI 芯片规模稳健成长，海内外厂商加速布局芯片规模稳健成长，海内外厂商加速布局 A AI Io oT T 智能化浪潮来临，

57、边缘智能化浪潮来临，边缘 A AI I 芯片赋能下游迎来蓬勃发展。芯片赋能下游迎来蓬勃发展。我们看到，相比云端 AI 芯片需要兼具训练和推理性能，边缘 AI 芯片则更多承担推理任务，其主要存在形式是作为 AI SoC 嵌入终端设备，因此性能上更加追求在算力、功耗和成本等多方面的综合表现。伴随人工智能在消费电子、智能家居、智能安防、智能驾驶等 IoT 领域的快速渗透，边缘 AI 芯片也将迎来蓬勃发展。NPU电子 行业专题报告 17 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 根据 Gartner 数据，全球边缘 AI 芯片市场规模在 2022 年不到 400 亿美元，但有望在

58、 2025 年突破 600 亿美元，其中国内市场空间将从 2022 年的 50 亿美元增长至 2025 年的 110 亿美元，CAGR 达 30%。就出货量而言，ABI Research 发布的数据显示，2023 年全球边缘 AI 芯片出货预计达 13.12 亿颗（其中语音处理 1.93 亿颗，机器视觉 9.01 亿颗，传感器数据分析 1.40 亿颗，其他种类 0.78 亿颗），并预计出货量到 2028 年将提升至 22.86 亿颗，其中语音处理芯片、机器视觉芯片、传感器数据分析芯片出货量 CAGR 分别达到 9%、12%、8%。图表21:全球及中国边缘 AI 芯片市场规模（亿美元）图表22:

59、全球不同功能边缘 AI 芯片出货量（十亿颗）资料来源：半导体行业观察，方正证券研究所 资料来源：半导体行业观察，方正证券研究所 回顾 AI SoC 领域的竞争格局，由于下游应用场景较多，每一细分领域的竞争情况也有所差异，主要可分为消费电子（智能手机、可穿戴设备）、智能家居、智能安防、智能驾驶（自动驾驶、智能座舱）四大下游市场，其中智能手机、智能驾智能手机、智能驾驶和智能安防市场的进入门槛较高，但可穿戴设备和智能家居长尾市场的存在仍驶和智能安防市场的进入门槛较高，但可穿戴设备和智能家居长尾市场的存在仍为国内厂商提供了切入契机为国内厂商提供了切入契机。图表23:AI SoC 厂商布局 资料来源：各

60、公司官网，方正证券研究所整理 005006007002020202242025中国边缘AI芯片市场规模全球边缘AI芯片市场规模0.000.501.001.502.00202242025202620272028audio and sound processingmachine visionsensor data analysisothers海外厂商海外厂商国内厂商国内厂商下游应用下游应用智能手机智能手机可穿戴设备可穿戴设备智能家居智能家居智能安防智能安防自动驾驶自动驾驶智能座舱智能座舱电子 行业专题报告 18 敬 请 关 注 文

61、后 特 别 声 明 与 免 责 条 款 s 2.32.3 自研自研 IP 积累及先进代工保障，彰显核心竞争力积累及先进代工保障，彰显核心竞争力 设计环节自研设计环节自研 I IP P，追求差异化竞争。，追求差异化竞争。具体来看 SoC 芯片的制造流程，从最初借助EDA 软件，利用 IP 核复用等技术进行芯片设计，到后续的晶圆制造和封装测试，每一环节都面临着不同的技术挑战。在设计环节，IP 复用性虽然帮助设计厂商提高了设计效率，但是如果完全依赖第三方的 IP 授权就不能做到差异化的竞争，因此自研 IP 便成为了头部厂商的战略选择。我们认为，自研 IP 不仅可以帮助节省授权费用，更重要的是能深入地

62、学习理解底层技术，从而精简不同 IP 核之间的电路设计，提高产品质量和迭代速度，切实增强自身竞争力。图表24:SoC 芯片制造流程 资料来源：亿欧智库，各公司官网，方正证券研究所 制造环节绑定先进制程代工产能，高端路线徐图进取。制造环节绑定先进制程代工产能，高端路线徐图进取。再来看制造环节，我们认为拥有稳定的代工产能是 SoC 设计厂商保障芯片落地和迭代的重要基础，尤其是与台积电、三星世界上唯二两家拥有10nm以下先进制程量产能力代工厂的合作，更是设计厂高端路线的坚实依靠。2020 年发布的麒麟 9000 卓越性能的背后，虽然离不开海思数十年设计能力的积累，但台积电 5nm FinFET 工艺

63、的保驾护航同样发挥了关键作用。相比之下，三星的功耗控制能力仍有待提高。图表25:台积电 VS 三星代工芯片参数对比 资料来源：搜狐，电子工程专辑，安兔兔，新浪科技，方正证券研究所 软硬件协同设计 芯片硬件设计：包括功能设计阶段、设计描述和行为级验证、逻辑综合、布局与布线 核心挑战：IP复用复用 与芯片制造流程相同，包含晶圆制造、光刻、掺杂等流程 核心挑战：克服不同电路区块克服不同电路区块之间制程相容性问题之间制程相容性问题，即迁就微缩进展较慢的功能区块或在成本上找到平衡 打线为主的传统封装己无法满足需要，晶片级封装晶片级封装及I/O高脚高脚位 锡 球 封位 锡 球 封、CSP(Chip Sca

64、lePackaging)等将是未来SoC封装技术的主流 核心挑战：更多的端口数目更多的端口数目 SoC趋势下，测试机台走向多功多功能单一机型能单一机型，测试各种逻辑、模拟与存储电路 核心挑战：SoC设计中的多样性多样性使得验证更加困难流程流程设计设计制造制造封装封装测试测试技术技术&挑战挑战产业产业链链厂商厂商A15麒麟麒麟9000骁龙骁龙865台积电台积电5nm台积电台积电5nm台积电台积电7nm骁龙骁龙8Gen1骁龙骁龙888三星三星4nm三星三星5nm电子 行业专题报告 19 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 3 3 AI SAI So oC C 赋能下游，

65、终端应用百花齐放赋能下游，终端应用百花齐放 A AI I 技术加速渗透技术加速渗透 SoSoC C，大幅革新终端设备智能化体验。，大幅革新终端设备智能化体验。如前所述，我们认为海量的物联网终端设备是边缘 AI 的主要落地场景，而融合了不同 AI 功能模块的 SoC作为终端推理算力的承担者，将为不同应用的嵌入式设备带来更加智能化的体验。例如高通将模仿神经网络模型的 Hexagon 处理器融合进 SoC 中，打造专属的 AI引擎并持续进行迭代，搭载最新一代 AI 引擎的骁龙 8 Gen2 芯片在自然语言处理、目标检测等方面的性能均实现了大幅提升。此外，高通还在 SoC 中开发了一个称之为“高通传感

66、器中枢（Sensing Hub）”的芯片子系统，能同时处理多路数据流，实现关键词识别、异常检测、图像分类等 AI 性能。可以看到，高通在 AI领域的全面进军预示着终端 IoT 设备的智能化时代已经来临。图表26:高通 AI 引擎 图表27:高通传感器中枢 资料来源：高通，方正证券研究所 资料来源：新浪，方正证券研究所 图表28:AI SoC 终端应用 资料来源：亿欧智库，方正证券研究所 功能需求功能需求算力要求算力要求功耗要求功耗要求可靠性需求可靠性需求成本敏感性成本敏感性消费电子消费电子图像/场景识别拍照美化语音助手等1-8TOPS高高高智能家居智能家居图像识别语义识别与理解语音助手等1TO

67、PS较高较高较高智能安防智能安防图像/视频识别图像/视频检测等4-20TOPS较高较高较高图像识别数据融合路径规划等20-4000TOPS中等高较低智能驾驶智能驾驶电子 行业专题报告 20 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 3.13.1 消费电子消费电子 在消费电子产品中，在消费电子产品中，SoSoC C 中的中的 A AI I 模块主要用于实现语音识别和拍照美化等功能模块主要用于实现语音识别和拍照美化等功能，例如苹果手机的 Siri 语音助手，近些年流行的计算摄影，都是 AI 技术的体现。就智能手机 SoC 而言，除了苹果使用自家的 A 系列芯片，安卓高端市场基

68、本被高通垄断，中低端市场则由联发科主导。不管是资金实力、研发能力，还是产业链配套的先进代工、终端迭代等因素，高耸的行业进入壁垒都让新兴厂商望而却步。但在可穿戴设备（TWS 耳机、智能手表、VR/AR 等）SoC 市场，虽然高通和苹果也有着领先优势，但由于存在着较多的长尾客户，叠加此类由于存在着较多的长尾客户，叠加此类 SoSoC C 对性能要求并不是对性能要求并不是很高，更多追求的是低功耗带来的续航时间很高，更多追求的是低功耗带来的续航时间，因此给到了国内的恒玄科技、中科蓝讯等公司一定的生存空间。先看国外厂商的布局。苹果方面，其在 2022 年 9 月发布的 AirPods Pro 第二代搭载

69、全新的 H2 芯片，运用计算音频算法，带来更智能的降噪表现（主动降噪效果相较上一代最高提升至 2 倍）、卓越的三维空间音效（全新自适应算法更快速地处理声音）和更高效的电池续航（单次充电最长能听 6 小时）。可以看到，此类TWS 耳机的智能蓝牙音频 SoC 芯片更多追求的是降噪和音质表现。图表29:苹果 AirPods Pro 第二代搭载的 H2 芯片 资料来源：苹果，方正证券研究所 高通方面，其在 2022 年 7 月发布了全新的骁龙可穿戴平台 W5/W5+，回顾过去，高通分别于 2016、2018、2020 年发布了骁龙 2100、3100、4100+可穿戴设备平台。命名方式的变化彰显着新一

70、代平台相比前一代 4100+有着全面提升，其中整体功耗降低超 50%，性能提升达两倍以上，芯片尺寸缩小 30%以上，同时从蓝牙 4.2 升级为蓝牙 5.3，并新增集成式扬声器功率放大器等特性。再来看国内厂商的布局。自从苹果在 2016 年发布第一代 AirPods 推动了 TWS 耳机的热潮，国内 TWS 芯片企业迅速跟进，也在这个市场中分得了一杯羹。国内的TWS 芯片厂商主要分为两类，一类是以恒玄科技为代表的品牌芯片厂商，产品供货给华为、小米、OPPO 等终端耳机厂商；另一类是以中科蓝讯为代表的白牌芯片厂商，产品供货给品牌知名度较低的众多第三方商家，主要通过低价走量取胜。电子 行业专题报告

71、21 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表30:高通骁龙全新可穿戴平台 W5/W5+资料来源：cnBeta，方正证券研究所 图表31:恒玄科技 VS.中科蓝讯 TWS 蓝牙耳机芯片出货量 图表32:恒玄科技 VS.中科蓝讯营收及毛利率 资料来源：公司公告，方正证券研究所 资料来源：公司公告，方正证券研究所 A Applepple VisionVision P Proro 正式发布，开启新一轮革命性创新。正式发布，开启新一轮革命性创新。长期来看，智能手机、TWS 耳机、智能手表等消费电子产品的成长空间已接近天花板，我们认为 AR/VR将是下一代现象级单品。苹果最新

72、发布的 Vision Pro 已经为我们探明了该类产品的初步形态，全新的交互体验也对内置的 SoC 芯片提出了更高要求。图表33:苹果 Vision Pro 产品效果 图表34:苹果 Vision Pro 搭载 M2 及 R1 芯片 资料来源：苹果，方正证券研究所 资料来源：苹果，方正证券研究所 000212022恒玄科技（亿颗）中科蓝讯（亿颗）0%10%20%30%40%50%0500212022恒玄科技营收（亿元）中科蓝讯营收（亿元）恒玄科技毛利率（右轴）中科蓝讯毛利率（右轴）电子 行业专题报告 22

73、敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 3.23.2 智能家居智能家居 A AI I 技术持续渗透，智能家居市场蓬勃发展。技术持续渗透，智能家居市场蓬勃发展。我们看到，在智能家居领域，AI 技术的渗透主要是通过智能语音/视觉模组的方式应用于智能扫地机、家庭安防摄像机、智能音箱、智能门锁等各类智能家居产品中。根据艾瑞咨询的数据，2022年 AI 技术在智能家居行业的整体渗透率约为 25%，预测到 2025 年将提升至 50%左右，其中智能清洁（95%）、家庭安防（75%）、智能影音娱乐（60%）、智能照明（25%）、智能白电（15%）是 AI 渗透率排名前五的细分品类。伴

74、随设备智能化体验的提升和消费者对居家舒适度的追求，艾瑞咨询预测中国的智能家居市场规模将从 2022 年的 4517 亿元增长至 2025 年的 9523 亿元，CAGR 达 28%。图表35:中国智能家居品类 AI 技术应用渗透率预测 图表36:中国智能家居市场规模及增速 资料来源：艾瑞咨询，方正证券研究所 资料来源：艾瑞咨询，方正证券研究所 在众多细分品类中，我们判断具备语音在众多细分品类中，我们判断具备语音/视频交互能力的智能音箱有望成为智能视频交互能力的智能音箱有望成为智能家居全屋互联场景下的家居全屋互联场景下的 A AI I 控制入口。控制入口。智能音箱集成了人工智能处理能力，能够通过

75、语音识别、语音合成、语义理解等技术完成语音交互功能，同时还可以提供智能家居控制、音乐内容服务、互联网服务等功能，目前主要分为无屏和带屏两大类，其中无屏音箱只具备最基础的语音交互功能，价格主要分布在 50-200 元；带屏音箱则在语音交互的基础上进一步增加了视觉交互体验，可通过屏幕进行文字/图片展示和视频通话，价格主要分布在 200-1500 元。图表37:中国智能音箱市场竞争格局 图表38:中国智能音箱头部企业分析 资料来源：洛图科技，方正证券研究所 资料来源：头豹研究院，方正证券研究所 70%47%40%15%5%95%75%60%25%15%0%20%40%60%80%100%智能清洁智能

76、安防智能影音娱乐智能照明智能白电2025年AI技术渗透率2022年AI技术渗透率-10%-5%0%5%10%15%20%25%30%35%02,0004,0006,0008,00010,00012,00014,000200222023e 2024e 2025e智能家居市场规模（亿元）增长率（右轴）品牌优势品牌优势品牌名称品牌名称百度智能音响的特色为人工智能技术、自身的对话式人工自身的对话式人工智能系统智能系统DuerOS和良好的人机交互体验，在产品战略方面更倾向于C端消费群体。通过大量的优质内容资源来吸引用户，再通过用户的使用数据来完善智能音响技术小米的智能家居生态链智能

77、家居生态链带动了小米智能音响的销量。小米智能音响的性价比高性价比高，智能家居产品通过智能音响连接，升级为AloT，实现了生态闭环阿里巴巴为旗下的智能音响产品提供高质量的销售渠道，同时依靠阿里云阿里云的强数据处理，提高人工智能技术。阿里巴巴在产品战略方面是B端和端和C端消费群体兼顾端消费群体兼顾，不断拓展产品的应用场景，也积极寻找内容供应商，努力打造良好的生态链华为进入智能音响行业的时间较短，华为主打的是高端无高端无屏智能音响屏智能音响，和鸿蒙系统鸿蒙系统进行配合以及提供良好的音频体验，打造系统生态圈电子 行业专题报告 23 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表3

78、9:中国智能音箱市场销量（万台）资料来源：洛图科技，方正证券研究所 A AI I 赋能叠加生态完善，智能音箱有望重拾增长。赋能叠加生态完善，智能音箱有望重拾增长。我们看到，智能音箱销量的爆发主要集中在 2018 和 2019 年，但在完成初轮的用户普及之后便陷入了增长瓶颈。究其原因，一是由于智能化升级缓慢，各大品牌推出的新品创新力度不够甚至没有创新，导致同质化现象严重；二是产品生态建立不完善，智能音箱与其它家居设备的互联互通能力受到限制，消费者体验不佳。但现如今随着ChatGPT的推出，生成式 AI 加速发展，我们认为以 GPT4 为代表的大模型所具备的多模态能力将大幅提升终端应用的智能化体验

79、，智能音箱的语音/视频交互能力有望得到充分升级。此外，百度、小米、天猫精灵等国内智能音箱巨头历经多年的布局，各自的产品生态圈建设已趋于完善。因此，站在当前视角，阻碍智能音箱增长的两大关键因素均得到较大程度的缓解，我们看好该品类在未来的 AI 浪潮中重拾增长。图表40:2020 年全球智能音箱处理器出货量份额 图表41:中国智能音箱处理器厂商客户布局 资料来源：Strategy Analytics，方正证券研究所 资料来源：各公司年报，方正证券研究所 行业贝塔向上，头部行业贝塔向上，头部SoSoC C厂商有望充分受益。厂商有望充分受益。具体到智能音箱上游的SoC处理器，目前以全志、晶晨、瑞芯微为

80、代表的国内厂商已经在该领域占据了较大份额，产品广泛应用于小米、小度、天猫精灵等下游终端品牌。我们认为，在 ChatGPT 引领的 AI 浪潮下，交互式体验升级的智能音箱有望突破销量增长瓶颈，实现渗透率的进一步提升，从而拉动上游处理器厂商的出货。此外，智能化升级也对芯片性能提出了更高要求，例如需要提升 SoC 中的 CPU 算力、附加专属的 AI 内核和DSP、提供更加丰富的音视频扩展接口，以及降低功耗增加续航时间。因此，我们看好头部 SoC 厂商在行业正贝塔的环境下，通过提供性能更优的产品实现自身的阿尔法提升，巩固并扩大领先优势。05001,0001,5002,0002,5003,0003,5

81、004,0002002020212022中国智能音箱市场销量（万台）联发科Synaptics全志科技晶晨股份苹果高通其他客户布局客户布局厂商名称厂商名称天猫精灵、小米、小度等小米、阿里巴巴、Google、Amazon等阿里巴巴、百度、创维、安克创新、小米等阿里巴巴、百度、安克创新等创维、天猫精灵等电子 行业专题报告 24 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 3.33.3 智能安防智能安防 安防芯片主要分为两类四种芯片。安防芯片主要分为两类四种芯片。安防视频监控系统主要分为前端和后端两类设备，前端设备负责采集和处理原始的图像视频信号，将其转化为模

82、拟/数字信号后再传输至后端设备进行分析、显示和存储等。回顾摄像机的发展历程：1）模拟监控时代：最初为模拟摄像机，其前端设备搭载的 ISP 芯片将电信号转换为模拟信号后，再通过后端的 DVR（Digital Video Recorder，数字视频录像机）转换为数字信号进行编码压缩和存储。2）网络监控时代：网络摄像机开始普及，其前端设备搭载的 I IPC SPC So oC C 包含包含 ISP ISP 模块和视频编码模块模块和视频编码模块，原始的视频信号经过 ISP 模块处理后，需要通过视频编码模块进行压缩，而后端 NVR(Network Video Recorder，网络视频录像机)可以通过网

83、络接收 IPC(网络摄像机)传输的数字视频码流，并进行存储和管理。前端走向前端走向主动识别主动识别，后端，后端强化计算分析强化计算分析。我们看到，AI 技术对安防的赋能也是体现在前端和后端两方面：1）前端：通过在前端摄像机嵌入 AI 芯片，摄像机可以实现对视频数据的结构化处理，促使视频监控设备从被动监控走向主动识别。2）后端：通过在后端图像存储设备添加人工智能加速芯片和应用处理软件，智能网络视频录像机可以实现图像识别，强化后端设备的计算分析功能。图表42:安防芯片分类 资料来源：头豹研究院，方正证券研究所 算力前移趋势明显，前后端共同推动智能安防落地。算力前移趋势明显，前后端共同推动智能安防落

84、地。我们注意到，在安防发展的早期，前端的摄像机作为数据采集设备，其面临的数据量较少，对数据精度的要求也不高，因此用于图像或视频处理的算力主要部署在后端。但是随着物联网的不断发展，前端设备采集的数据量激增，数据精度也从 1080P 提高到 4K/8K，使得网络传输带宽与后端的分析处理面临很大的压力。因此：1）一方面，通过在前端设备芯片中嵌入 AI 功能，使其可以对视频图像进行预处理，将过滤冗余信息后的关键性信息再上传至边缘侧或中心侧，由此分摊后端的计算和存储压力并提高视频分析的速度。目前适用于前端设备的 AI 芯片主要为低功耗、低成本的 ASIC芯片，在指定的识别场景下具备高效的性能表现；2）另

85、一方面，后端设备芯片也需要对应进行 AI 功能的升级，前后端协同发展共同推动智能安防的落地。前端前端后后端端模拟模拟摄像机摄像机网络网络摄像机摄像机智能化智能化摄像机摄像机ISP SoC芯片芯片：处理CMOS传感器原始图像信号的降噪和曝光调整DVR SoC芯片芯片：将CPU处理器、内存、ASIC芯片、外设接口等进行整合，集合录像机等，其核心功能是模拟音频信号数字化、编码压缩与存储IPC SoC芯片芯片：集成ISP技术和视频编解码技术，同时集成视频分析功能NVR SoC芯片芯片：基于网络的全IP视频监控解决方案，其接收IPC的数字码流，进行集中录像存储、管理和转发IPC SoC+AI-IP/独立

86、独立AI芯片芯片：在现有IPC上集成算法实现识别任务；在SoC中集成协处理或增加独立AI芯片进行结构化分析GPU/ASIC智能服务器智能服务器：将推理功能集成在边缘的服务器产品中，实现大规模的人工智能应用，如GPU或ASIC服务器方案电子 行业专题报告 25 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表43:边缘 AI 在安防领域的应用 资料来源：头豹研究院，方正证券研究所 海思高端市场根基深厚，期待未来王者归来。海思高端市场根基深厚，期待未来王者归来。回顾安防芯片市场的竞争格局，我们看到在 2020 年以前的绝大部分时间里，海思一直占据着主导地位，其 IPC/NVR

87、SoC 的市场份额一度高达七成以上，这得益于海思在高清成像和音视频编解码算法上的大力投入，成功与海康、大华等头部终端客户绑定共同实现高速成长。但在海思逐渐退出后，台企联咏科技和背靠联发科的星宸科技承接了一部分中高端市场，而国内厂商富瀚微也成功抓住机遇拿下了中低端市场的大多数份额。我们认为，海思在高端安防芯片领域积累的技术和客户优势仍然有着很强的根基，未来如果回归有望延续其王者地位。图表44:2021 年全球 IPC SoC 市场份额 图表45:2021 年全球 NVR SoC 市场份额 资料来源：中商产业研究院，方正证券研究所 资料来源：中商产业研究院，方正证券研究所 图表46:全球 IPC/

88、NVR SoC 市场规模（亿美元）资料来源：中商产业研究院，方正证券研究所 网络摄像机网络摄像机云端数据中心的云端数据中心的网络视频录像机网络视频录像机完成人脸识别完成人脸识别传输视频数据进行数据处理数字化数字化摄像机摄像机嵌入AI功能传输视频流传输AI预分析结果分析未处理的数据边缘设备边缘设备中心云平台中心云平台完成人脸识别完成人脸识别传统安防传统安防智能智能安防安防37%22%13%8%6%4%11%星宸科技富瀚微北京君正联咏科技安霸华为海思其他39%28%15%7%2%星宸科技富瀚微华为海思联咏科技其他024682002020212022E2023EIPC SoCN

89、VR SoC电子 行业专题报告 26 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 3.43.4 自动驾驶自动驾驶 汽车智能化浪潮迭起，电子电气架构从分布式向汽车智能化浪潮迭起，电子电气架构从分布式向域集中式域集中式演变。演变。我们看到，在汽车智能化的发展趋势下，传统的 ECU 分布式 EEA（Electrical/Electronic Architecture，电子电气架构）已无法满足日益丰富的功能需求，因此很多功能相似但却分离的 ECU 被集成整合到一个性能更强的处理器硬件平台上，这便是汽车域控制器（Domain Control Unit，DCU）的诞生。在域集中式 EE

90、 架构之下，主机厂会根据自身设计理念的差异对功能域做出具体的划分，其中博世的五域集中式 EEA 便被分为动力域、底盘域、车身域、座舱域和自动驾驶域，而大众的 MEB平台以及华为的 CC 架构则在此基础上把原本的动力域、底盘域和车身域融合为整车控制域，从而形成了三域集中式 EEA，即车控域控制器、自动驾驶域控制器和智能座舱域控制器。自动驾驶自动驾驶 SoSoC C 负责决策环节，异构集成主导多种数据处理。负责决策环节，异构集成主导多种数据处理。域控制器作为每个功能域运算和决策的中心，其功能的实现依赖于主控 SoC 芯片、操作系统和应用算法等多层次软硬件的结合。在三大功能域中，驾驶域和座舱域是实现

91、智能驾驶的技术核心，其中驾驶域负责集成传感器、定位、通讯和控制等功能，通过外接车载摄像头、激光雷达等多种传感器感知外部信息，再输入到域控制器中进行运算处理，最后输出执行命令。我们看到，在自动驾驶域控制器中的运算决策环节，核心在于主控 SoC 芯片的数据处理能力，其异构集成结构主要分为：1）逻辑处理：由 CPU 完成通用计算；2）AI 处理：由 GPU/FPGA/ASIC 等 AI 芯片完成加速计算；3）图像处理：由 ISP 完成图片、视频等数据的处理；4）存储处理：由 DRAM、NAND 完成缓存并存储数据。图表47:自动驾驶域控制器硬件架构 资料来源：Vehicle 公众号，方正证券研究所

92、我们看到，华为推出的 MDC（Mobile Data Center，移动数据中心）计算平台即为自动驾驶域控制器，以 MDC 300 为例，其主控 SoC 中的 CPU 处理器为 1 颗自研的鲲鹏 920 芯片，采用 7nm 工艺，支持 12 个内核，主频 2.0GHz，算力达到 150K DMIPS；而 AI 处理器为 4 颗自研的昇腾 310 芯片，采用 12nm 工艺，基于自研的达芬奇架构，总算力达到 64 TOPS。存储方面，内存为 24GB，硬盘空间为 128GB。同时外接 15 个摄像头接口，4 个前向摄像头支持 4K 视频分辨率。硬件架构硬件架构自动驾驶自动驾驶域控制器域控制器自动

93、自动驾驶驾驶SoC电子 行业专题报告 27 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表48:华为 MDC 计算平台硬件方案 资料来源：Vehicle 公众号，方正证券研究所 ADAS/AD SoCADAS/AD SoC市场市场规模或在规模或在20302030年达到年达到300300亿美元。亿美元。根据Frost&Sullivan数据，2022 年全球及中国的自动驾驶乘用车（L2 及以上）销量分别达到 1770、740 万辆，渗透率分别为 25.8%、31.5%；预计到 2030 年销量将分别增长至 6060、2470万辆，渗透率分别提升至 78.3%、92.7%。我们

94、看到，终端销量的增长也带动了上游 SoC 芯片的需求。一般而言，自动驾驶 SoC 主要分为适用于 L1-L2 的 ADAS SoC和适用于 L3-L5 的 AD SoC，ADAS SoC 的技术门槛较低，算力要求基本在 100TOPS以下，但 AD SoC 的技术门槛更高，L5 级别的算力要求高达 1000TOPS 以上。市场规模方面，Counterpoint 预计全球 ADAS/AD SoC 市场空间将在 2030 年达到 300亿美元，2022-2027 年的 CAGR 为 26.3%。此外，在 2025 年之前，适用于 L2 的ADAS SoC 仍将占据主要份额，但此后受益于自动驾驶技术

95、的不断成熟，适用于 L3及以上的 AD SoC 将主导市场。图表49:全球及中国自动驾驶乘用车销量及渗透率 资料来源：Frost&Sullivan，方正证券研究所；注：自动驾驶乘用车指具有 L2-L5级自动化功能的车辆 MDC 600MDC 3001个SoC内置2个AI加速器DL加速器加速器40 TFLOPS(FP16)80 TFLOPS(FP16)80 TOPS(INT8)160 TOPS(INT8)16核核ARM v8.2 64位 CPU16MB L38核核ARM v8.2 64位 CPU3MB L3CPU24GB 384位 LPDDR4x内存内存2133MHz-204GB/s128GB

96、UFS存储空间存储空间提供15个个LVDS摄像头接口，其中前向前向4个个Camera支持4kFP30，其他Camera支持2kFP30摄像头摄像头D-PHY(60Gbps)D-PHY(60Gbps)0%20%40%60%80%100%0070中国自动驾驶乘用车销量（百万）全球自动驾驶乘用车销量（百万）中国渗透率（右轴）全球渗透率（右轴）电子 行业专题报告 28 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 图表50:不同级别自动驾驶 SoC 市场规模预测 资料来源：Counterpoint，方正证券研究所 MobileyeMobileye 主打视觉方案，

97、主打视觉方案，A ADAS SDAS So oC C 龙头地位稳固。龙头地位稳固。回顾汽车芯片市场的竞争格局，我们看到，以前负责整车控制域的 MCU 芯片市场主要由瑞萨、恩智浦等传统厂商占据主导地位，但随着汽车电动化、智能化的发展，汽车架构中新涌现出的智能座舱域和智能驾驶域需要更高算力的 SoC 芯片来支持其功能的实现，这也给后来者提供了弯道超车的机遇。就自动驾驶而言，在早期 L1、L2 的 ADAS 发展阶段，ADAS SoC 市场基本由主打视觉方案的 Mobileye 主导，其于 1999 年成立，2004 年发布了第一代基于 180nm 工艺的芯片 EyeQ1，2007 年开始量产上车，

98、随后分别于 2010、2014、2015 年推出了 EyeQ2、EyeQ3、EyeQ4，其中 EyeQ4 芯片于2018 年量产，陆续被蔚小理、大众、宝马等厂商采用，成为公司出货量最高的一款芯片。2017 年 3 月，Mobileye 被英特尔以 153 亿美元的价格收入麾下；到 2021年末，公司芯片出货量突破 1 亿颗；2022 年 10 月，Mobileye 正式登陆纳斯达克市场，最新市值已超 300 亿美元。截至目前，Mobileye 的芯片已迭代至 EyeQ6 Light、EyeQ6 High 和 EyeQ Ultra，其中 EyeQ Ultra 将于 2025 年量产，采用 5nm

99、工艺，算力提升至 176TOPS，主打 L4/L5 高阶自动驾驶应用场景。图表51:Mobileye 自动驾驶 SoC 产品线 资料来源：高工智能汽车研究院，方正证券研究所 高级辅助驾驶高级辅助驾驶ADAS自动驾驶自动驾驶ADL3、L4、L5L1、L2算力要求算力要求(TOPS)-120dB）的同时，能够有效的降低 50%以上的动态功耗。4.54.5 中科蓝讯中科蓝讯：业绩端表现亮眼，客户端持续渗透业绩端表现亮眼，客户端持续渗透 需求稳步增加叠加传统旺季需求稳步增加叠加传统旺季，Q3Q3 单季利润同比超预期。单季利润同比超预期。2023Q1-Q3，公司实现营业收入10.50亿元，同比增长35.

100、19%;实现归母净利润1.97亿元，同比增加66.97%；毛利率 22.98%，净利率达 18.79%。23Q3 单季度，受益于讯龙系列占比提升、现有产品更新迭代、产品种类日益丰富、供应商保障供给等因素，实现营业收入 3.96亿元，同比增长 69.11%；实现归母净利润 0.85 亿元，同比增长 242.42%；实现扣非归母净利润 0.55 亿元，同比增长 245.29%；单季度毛利率达 24.43%，环比上升 0.09pct；Q3 净利率达 21.41%，环比上升 3.22pcts。电子 行业专题报告 38 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 中科蓝讯是无线音频中

101、科蓝讯是无线音频 SoCSoC 芯片主要供应商。芯片主要供应商。公司主要产品包括 TWS 蓝牙耳机芯片、非 TWS 蓝牙耳机芯片、蓝牙音箱芯片、智能穿戴芯片、无线麦克风芯片、数字音频芯片等，产品可广泛运用于 TWS 蓝牙耳机、颈挂式耳机、头戴式耳机、商务单边蓝牙耳机、蓝牙音箱、车载蓝牙音响、电视音响、智能可穿戴设备、物联网设备等无线互联终端。原有产品保持迭代，研发创新拓宽应用场景。原有产品保持迭代，研发创新拓宽应用场景。一方面，公司针对原有的无线音频SoC 芯片保持快速迭代，前期已成功推出“蓝讯讯龙”系列高端蓝牙芯片，凭借出色的性能表现和性价比优势，目前已进入 TCL、传音、魅蓝、联想、铁三角

102、、天猫精灵、魔声 Monster、Sudio 等终端品牌供应体系；另一方面，公司在深耕无线音频芯片领域的基础上，持续推动技术升级以优化产品结构。目前已经完成了高集成低功耗 22nm 工艺蓝牙耳机 SoC 芯片工程样片、高性能 TWS 蓝牙耳机 SoC芯片工程样片、第一代语音控制 SoC 芯片工程样片、第一代蓝牙控制 SoC 芯片工程样片的设计工作并进入流片阶段。公司部分芯片产品已应用至智能可穿戴设备、智能家居等物联网终端产品中，进一步丰富了公司产品的应用场景。4.64.6 炬炬芯科技芯科技：打造打造 AIoT 音频芯生态，端侧音频芯生态，端侧 AI 赋能长期发展赋能长期发展 Q3Q3 业绩环比

103、改善，业务有望逐季向好。业绩环比改善，业务有望逐季向好。公司 Q3 单季度实现营收 1.57 亿元，同比增长 64.92%；归母净利润 0.22 亿元，同比增长 76.22%。Q3 毛利率为 45.48%，同比增加 5.49%；净利率为 14.16%，同比增加 0.90%。伴随消费电子下游市场呈现向好态势，公司在索尼、哈曼等头部品牌客户的渗透率持续提升，订单量逐渐增加，带来第三季度业绩快速度增长。深耕高品质音质产品，水平业界领先。深耕高品质音质产品，水平业界领先。公司产品布局主要为蓝牙音频 SoC 芯片、便携式音视频 SoC 芯片和端侧 AI处理器芯片等，公司头部品牌渗透率不断提升。公司自主掌

104、握低延迟的 2.4G 无线通信私有协议设计，全链路 48K 24bit 高清音频处理，音质指标 SNR 高达 120dB，底噪低于 2uV，处于业界先进水平，端到端 延迟最低低至 10ms 以下，高保真低延迟降噪技术延迟小于 3ms，产品技术处于业界领先水平。产品性能优异，已进入众多知名终端品牌供应链。产品性能优异，已进入众多知名终端品牌供应链。公司历经多年已积累众多知名客户资源，已进入众多终端品牌的供应链，此外，还进入三诺、奋达、通力等业界知名的 ODM、OEM 厂商的供应链体系。首批品牌客户西伯利亚、倍思、猛玛等多款产品已上市规模销售，将持续推出多款终端产品。4.74.7 晶晨股份晶晨股份

105、：海外市场海外市场稳步推进稳步推进，产品矩阵产品矩阵不断不断拓宽拓宽 积极推进海外市场拓展，三季度盈利能力回升。积极推进海外市场拓展，三季度盈利能力回升。2023Q1-Q3，公司实现营收 38.58亿元，同比下降 12.32%；归母净利润为 3.14 亿元，同比下降 53.88%；扣非归母净利润为 2.67 亿元，同比下降 58.37%；毛利率 35.36%，同比-2.10pcts。单季度来看，受益于公司各产品线在海外市场均取得积极进展，营收实现15.07亿元，同比增长 16.60%；归母净利润为 1.29 亿元，同比增长 35.23%；扣非归母净利润为 1.09 亿元，同比增长 37.70%

106、；实现毛利率 35.98%，同比+3.33pcts。晶晨晶晨主要从事主要从事系统级系统级 SoCSoC 芯片及周边芯片的研发、设计与销售芯片及周边芯片的研发、设计与销售。目前主要产品包括多媒体智能终端 SoC 芯片、无线连接芯片、汽车电子芯片等，为众多消费类电电子 行业专题报告 39 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 子领域提供 SoC 主控芯片和系统级解决方案。公司拥有丰富的 SoC 全流程设计经验，致力于超高清多媒体编解码和显示处理、内容安全保护、系统 IP 等核心软硬件技术开发，整合业界领先的 CPU/GPU 技术和先进制程工艺，实现成本、性能和功耗优化。手

107、握多系列芯片，客户基础牢固。手握多系列芯片，客户基础牢固。1）S 系列：主要包括全高清系列芯片和超高清系列芯片，广泛应用于中兴通讯、创维、小米、阿里巴巴、Google、Amazon 等客户的机顶盒中；2）T 系列：智能显示终端核心关键部件，成功斩获小米、海尔、TCL、海信、长虹、Seewo（希沃）等客户；3）A 系列：内置最高算力为 5TOPS 的NPU，支持最高1600万像素高动态范围影像输入和超高清编码，广泛应用于小米、TCL、阿里巴巴、Harman Kardon、Zoom 等客户的智能终端产品；4）W 系列：作为公司自主研发的高速数传Wi-Fi蓝牙二合一集成芯片，可应用于高吞吐视频传输，

108、第二代产品已于 2022 年 12 月预量产，即将进入商业化阶段，将进一步驱动公司无线连接芯片业务进入新的增长通道。4.84.8 全志科技全志科技：多元化产品布局，多元化产品布局，拥抱拥抱 AI 创新浪潮创新浪潮 伴随下游需求复苏，公司伴随下游需求复苏，公司 Q Q3 3 业绩回暖。业绩回暖。2023Q1-Q3，公司实现收入 1.21 亿元，同比-4.29%；归母净利润-0.21 亿元，同比-109.26%；毛利率 32.29%，同比-6.75pcts。单季度看，23Q3 公司实现收入 4.45 亿元，同比增长 31.32%，环比+1.89%；实现归母净利润-0.04亿元，同比-118.78%

109、，环比-114.58%；毛利率33.46%，同比-0.74pct。我们认为，伴随终端客户库存逐步去化，行业陆续回暖叠加低价晶圆成本逐步体现，公司业绩有望企稳回升。全志主要从事全志主要从事智能应用处理器智能应用处理器 SoCSoC、高性能模拟器件和无线互联芯片的研发与设、高性能模拟器件和无线互联芯片的研发与设计计。公司通过以 SoC、PMU、WIFI、ADC 等芯片产品组成的套片组合为基础，结合智能技术服务平台的支持，为客户提供优质低成本的智能芯片及解决方案。2022年实现营收 15.14 亿元，同比减少 26.69%，主要产品包括智能终端应用处理器芯片（79%）、智能电源管理芯片（10%）、无

110、线通信产品（9%）等。多元化产品布局，全面多元化产品布局，全面 A AI I 赋能落地。赋能落地。公司通过 AI 全面赋能，聚焦 AI 语音、AI视觉应用的完整链条，实现智能音箱、智能家电、智能安防、智能座舱、智能工控等细分 AI 产品量产落地：1）智能音箱市场，公司与行业头部一线标杆客户保持产业深度合作，R 系列芯片产品已实现带屏、无屏音箱全面量产；2）智能清洁机器人市场，面向扫地机产品呈现的无感清洁/功能复合/智能升级/体验升级/场景多元等趋势，公司推出了面向中高端扫地机的 MR 系列芯片新品；3）智能视觉市场，公司已成功在多家行业头部客户中完成新一代视觉芯片 V853 的全面落地量产；4

111、）智能汽车电子市场，公司针对智能车载人机交互需求，发布 T113 芯片产品及解决方案，已在车载人机交互和仪表类应用落地：5）智能显示市场，推出智慧屏芯片 TV303，后续将逐步在智能电视、智能投影、智能商显领域投入量产。4.94.9 泰凌微泰凌微：无线物联网无线物联网 SoC 领军领军者者，纵深产品线把握行业红利，纵深产品线把握行业红利 Q3Q3 营收大幅增长，景气度向上拐点已显现。营收大幅增长，景气度向上拐点已显现。受益于持续开拓市场，公司实现出货量、销售收入的大幅增长，于前三季度实现营业收入 4.76 亿元，同比增长 9.29%；归母净利润同比大幅增长 72.85%至 3758.44 万元

112、，第三季度公司的营业收入大幅电子 行业专题报告 40 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 增长 44.67%。同时由于产品结构改善以及成本优化，前三季度毛利率 43.78%，同比增长 3.17%，整体来看，出货数量与盈利水平均呈现良好弹性。重视自主创新，低功耗蓝牙连接芯片类产品性能国际领先。重视自主创新，低功耗蓝牙连接芯片类产品性能国际领先。凭借在蓝牙领域的突出贡献及行业地位，公司 2019 年 7 月获选为国际蓝牙技术联盟（SIG）董事会成员公司，与同为成员公司的国际知名科技公司苹果、爱立信、英特尔、微软、摩托罗拉移动、诺基亚和东芝一起负责蓝牙技术联盟的管理和运营

113、决策；公司副总经理、核心技术人员金海鹏博士被聘请为 SIG 董事会联盟成员董事，深度参与国际蓝牙标准的制定与规范，积极推动蓝牙技术的发展。终端客户资源丰富，与大品牌深度绑定。终端客户资源丰富，与大品牌深度绑定。公司与多家行业领先的手机及周边、电脑及周边、遥控器、家居照明等厂商或其代工厂商形成了稳定的合作关系，产品广泛应用于汉朔、小米、罗技、欧之、涂鸦智能、朗德万、瑞萨、科大讯飞、创维、夏普、松下、英伟达、哈曼等多家主流终端知名品牌。4.104.10 瑞芯微瑞芯微：行业回暖带动业绩回升，行业回暖带动业绩回升，智能座舱芯片放量在即智能座舱芯片放量在即 三季度行业边际回暖，公司收入利润同环比双增。三

114、季度行业边际回暖，公司收入利润同环比双增。2023 年以来全球电子行业需求萎靡，整体呈现负增长态势，2023Q1-Q3 公司实现收入 14.55 亿元，同比-7.37%；实现归母净利润 0.77 亿元，同比-71.99%；实现毛利率 34.81%，同比-3.66pcts；净利率为 5.32%，同比-12.26pcts。三季度以来行业边际回暖，公司长期布局的AIoT 业务迎来高增长；同时，汽车电子智能座舱进入量产阶段，导致三季度业绩有所改善，Q3 单季度实现营收 6.02 亿元，同比增加 83.26%，环比增加 15.0%；毛利率为 36.08%，同比-0.96pct，环比+1.86pcts；公

115、司净利率为 8.73%，同比+7.60pcts，环比+0.47pcts。瑞芯微瑞芯微是是领先的物联网（领先的物联网（IoTIoT）及人工智能物联网（）及人工智能物联网（AIoTAIoT）处理器芯片企业）处理器芯片企业。公司主要产品为智能应用处理器芯片，按功能侧重方向可以分为通用处理器、机器视觉处理器、车载处理器、工业控制处理器等。公司以不同算力层次的智能应用处理器芯片和不同性能层次的传统通用芯片，充分契合不同终端产品的市场定位，提供更具针对性和性价比的芯片产品和解决方案，广泛应用于日益增长的 AIoT市场。此外，公司产品还包括数模混合芯片、接口转换芯片、无线连接芯片及与自研芯片相关的模组产品等

116、。公司围绕 RK3588 软硬件方案持续进行优化，此外还成功推出了 AIoT 通用算力平台 RK3562、流媒体处理器 RK3528、机器视觉处理器 RV1106/RV1103 等三个新一代 SoC：1）RK3588：公司最新一代高制程、高性能、通用性的旗舰 SoC 芯片，是公司技术的集大成者，也是目前国内市场同类产品的最高水平之一，目标应用场景涵盖智能座舱、大屏设备、边缘计算、多目摄像头、NVR（网络视频录像机）、高性能平板、ARM PC 及 AR/VR 等领域，目前已经在智能座舱领域成功实现量产，从产品发布到上车量产仅用了一年半时间；2）RK3562：搭载了最新一代 NPU，神经网络计算效

117、率大幅提升，尤其是对Transformer的支持，主要应用于平板电脑、智能家居、教育电子、工业应用等领域，契合客户对中等神经网络算力、高性价比 AIoT 芯片的需求；3）RK3528：针对智能 IPTV/OTT 和中高端多媒体应用研发的新一代流媒体处理器，重点优化了视频编解码器、图像显示、图像后处理等关键技术；4）RV1106/RV1103：针对轻量级智能需求推出的机器视觉处理器，适用于 IPC、智能家居、汽车电子、会议设备等领域的应用。电子 行业专题报告 41 敬 请 关 注 文 后 特 别 声 明 与 免 责 条 款 s 5 5 风险提示风险提示 1 1）研发进展不及预期。）研发进展不及预

118、期。边缘 AI 的发展对终端 AI SoC 的性能提出了更高要求，相关厂商也在加大新品的研发力度，但如果研发进展不及预期，可能会影响企业的产业布局和业绩增长。2 2）产业进度不及预期。）产业进度不及预期。当前生成式 AI 快速发展，国内大厂纷纷推出各自的大模型，但就现阶段而言，每家大模型的应用效果大同小异，都是基于已有的开源模型进行训练，后续如果无法得到更深层次的迭代优化，将会影响下游的产业应用进度，进一步抑制 AI SoC 的需求增长。3 3）中美贸易摩擦加剧：中美贸易摩擦加剧：若中美关系趋于紧张，相关制裁风险将不利于行业内公司的发展。电子 行业专题报告 42 敬 请 关 注 文 后 特 别

119、 声 明 与 免 责 条 款s分析师声明分析师声明 作者具有中国证券业协会授予的证券投资咨询执业资格，保证报告所采用的数据和信息均来自公开合规渠道，分析逻辑基于作者的职业理解，本报告清晰准确地反映了作者的研究观点，力求独立、客观和公正，结论不受任何第三方的授意或影响。研究报告对所涉及的证券或发行人的评价是分析师本人通过财务分析预测、数量化方法、或行业比较分析所得出的结论，但使用以上信息和分析方法存在局限性。特此声明。免责声明免责声明 本研究报告由方正证券制作及在中国（香港和澳门特别行政区、台湾省除外）发布。根据证券期货投资者适当性管理办法，本报告内容仅供我公司适当性评级为 C3 及以上等级的投

120、资者使用，本公司不会因接收人收到本报告而视其为本公司的当然客户。若您并非前述等级的投资者，为保证服务质量、控制风险，请勿订阅本报告中的信息，本资料难以设置访问权限，若给您造成不便，敬请谅解。在任何情况下，本报告的内容不构成对任何人的投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需求，方正证券不对任何人因使用本报告所载任何内容所引致的任何损失负任何责任，投资者需自行承担风险。本报告版权仅为方正证券所有，本公司对本报告保留一切法律权利。未经本公司事先书面授权，任何机构或个人不得以任何形式复制、转发或公开传播本报告的全部或部分内容，不得将报告内容作为诉讼、仲裁、传媒所引用之证明或依据，不得

121、用于营利或用于未经允许的其它用途。如需引用、刊发或转载本报告，需注明出处且不得进行任何有悖原意的引用、删节和修改。评级说明：评级说明：类别类别 评级评级 说明说明 公司评级 强烈推荐 分析师预测未来12个月内相对同期基准指数有20%以上的涨幅。推荐 分析师预测未来12个月内相对同期基准指数有10%以上的涨幅。中性 分析师预测未来12个月内相对同期基准指数在-10%和10%之间波动。减持 分析师预测未来12个月内相对同期基准指数有10%以上的跌幅。行业评级 推荐 分析师预测未来12个月内行业表现强于同期基准指数。中性 分析师预测未来12个月内行业表现与同期基准指数持平。减持 分析师预测未来12个月内行业表现弱于同期基准指数。基准指数说明 A股市场以沪深300 指数为基准；香港市场以恒生指数为基准，美股市场以标普500指数为基准。方正证券研究所联系方式：方正证券研究所联系方式：北京：西城区展览馆路 48 号新联写字楼 6 层 上海：静安区延平路71号延平大厦2楼 深圳：福田区竹子林紫竹七道光大银行大厦31层 广州：天河区兴盛路12号楼隽峰苑2期3层方正证券 长沙：天心区湘江中路二段36号华远国际中心37层 E-mail：