1、AIAI大模型浪潮风起，大模型浪潮风起，GPUGPU芯片再立潮头芯片再立潮头证券研究报告证券研究报告 GPUGPU行业深度研究行业深度研究发布日期：2023年3月26日分析师：于芳博分析师：于芳博SAC编号：S01分析师：金戈分析师：金戈SAC编号：S01SFC 中央编号：BPD352分析师：分析师：阎贵成阎贵成SAC编号：S02SFC 中央编号：BNS315本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港

2、提供。同时请参阅最后一页的重要声明。核心观点核心观点：核心观点：GPU具备图形渲染和并行计算两大核心功能，其应用场景主要包括个人电脑、服务器、自动驾驶、移动端。全球GPU市场保持良好成长性，AI服务器成为市场增长的核心支撑，随着生成式AI大模型进入到辅助生产力阶段，服务器GPU市场需求更为旺盛。英伟达凭借其数据中心GPU的核心技术优势，成为全球人工智能芯片的引领者。AMD作为全球领先的芯片设计厂商，在GPU市场中与英伟达互相角逐。国内GPU市场空间广阔，涌现出一批优秀的GPU设计和制造厂商。GPU具备图形渲染和并行计算两大核心功能具备图形渲染和并行计算两大核心功能。GPU具有数量众多的运算单元

3、，适合计算密集、易于并行的程序，一般作为协处理器负责图形渲染和并行计算。GPU微架构由流处理器、纹理映射单元、光栅化处理单元、光线追踪核心、张量核心、缓存等部件共同组成，微架构的设计对GPU性能的提升发挥着至关重要的作用，也是GPU研发过程中最关键的技术壁垒。GPU应用程序接口（API）帮助GPU高效实现渲染功能，在并行计算方面，CUDA（统一计算设备架构）的诞生大幅降低GPGPU并行计算的编程难度，实现GPU的通用化，“个人计算机”变成可以实现并行运算的“超级计算机”。全球全球GPU市场保持良好成长性市场保持良好成长性，AI服务器成为市场增长的核心支撑服务器成为市场增长的核心支撑。2023年

4、GPU全球市场规模预计为595亿美元，行业保持高速增长，CAGR为32.9%。GPU的市场主体可以分为个人电脑GPU、服务器GPU、自动驾驶GPU、移动端GPU。过去的几个季度里，个人电脑GPU市场遭受巨大冲击，出货量显著下滑。核心原因有三点：一、个人电脑市场处于下行周期；二、虚拟货币挖矿退潮对独立GPU出货造成巨大冲击；三、下游板卡厂商开启降库存周期。近期，各类不利因素正在逐渐消融，个人电脑GPU市场迎来曙光。服务器GPU主要用于AI和高性能计算，人工智能行业的高速发展带来了旺盛的AI算力需求，AI服务器成为GPU市场增长的核心支撑。以ChatGPT为代表的自然语言大模型展现出高度智能，生成

5、式AI能力不断突破进入到辅助生产力阶段，AI模型算力需求迈上新台阶，对服务器GPU市场带来显著拉动效应。自动驾驶GPU在高等级自动驾驶中具备显著技术优势，随着高等级自动驾驶渗透率逐步提升，自动驾驶GPU市场也进入高速成长阶段。英伟达凭借其数据中心英伟达凭借其数据中心GPU的核心技术优势的核心技术优势，成为全球成为全球人工智能芯片的领导者人工智能芯片的领导者。英伟达过去专注于GPU芯片设计，目前已经转型成为计算平台企业，成为人工智能芯片的领导者。其主营业务包含游戏&娱乐、数据中心、专业可视化、汽车业务。过去的两个季度中，伴随着个人电脑GPU整体市场需求疲软，英伟达游戏&娱乐业务营收大幅下滑。随着

6、虚拟货币挖矿退潮对GPU独立显卡带来的冲击逐渐下降，公司22Q4游戏&oOnM2YeXfVbZuY9YxU9PaO9PoMpPoMsRjMmMtQlOoMpQaQqRnNMYmQpPwMtQqP核心观点娱乐业务再次环比提升，我们认为公司个人电脑GPU业务正逐步恢复到正常成长阶段。2022年英伟达数据中心业务营收超过游戏&娱乐业务，成为第一大收入来源，公司GPGPU具备核心技术优势，在AI芯片市场中占据主导地位，其数据中心业务将为公司的高质量成长贡献长期动力。在自动驾驶业务方面，英伟达提供全栈式的自动驾驶解决方案，硬件层面上，其Orin和Thor自动驾驶芯片提供大幅算力，同时DLA模块和PVA模

7、块实现AI算法加速；在软件层面上提供完整的开发者套件，其自动驾驶业务的平台化优势保证了英伟达在高等级自动驾驶中的领先地位。AMDAMD作为全球领先的芯片设计厂商作为全球领先的芯片设计厂商，在在GPUGPU市场中与英伟达互相角逐市场中与英伟达互相角逐。AMD的数据中心业务和嵌入式业务展现良好的增长趋势，公司同时提供个人电脑GPU和数据中心GPU。公司的集成GPU主要被运用在台式机和笔记本的APU产品，相比独立GPU更具性价比优势。Radeon系列独立GPU构建于RDNA 3架构之上，采用5nm工艺和chiplet设计，实现了性能的整体提升。AMD推出用于数据中心的Radeon Instinct

8、GPU加速芯片，Instinct系列基于CDNA架构。最新的CDNA 2架构实现计算能力和互联能力的显著提升，采用CDNA 2架构的计算芯片MI250X与英伟达的先进计算芯片性能指标不分伯仲。AMD ROCm对标英伟达CUDA，其计算生态也在不断的丰富过程当中。移动端的主要玩家包括高通移动端的主要玩家包括高通、ARMARM、ImaginationImagination。移动端GPU在设计过程中受到能耗和体积方面的限制，都是以集成的SOC芯片的形式出现在移动端。高通在旗舰Android智能手机SoC市场中保持领先地位，ARM是领先的GPU IP公司，Imagination的PowerVR架构在移

9、动芯片领域得到市场的广泛认可，随后陆续提出PowerVR的升级版本IMG系列架构。国内国内GPUGPU市场空间广阔市场空间广阔，涌现出一批优秀的涌现出一批优秀的GPUGPU设计和制造厂商设计和制造厂商。根据Verified Market Research数据，2020年中国大陆GPU市场规模为47.39亿美元，预计2023年中国GPU市场规模将达到111亿美元。伴随着近期宏观经济回暖以及国内互联网企业纷纷加大AI算力布局，PC和服务器的需求上升有望为国内GPU市场带来整体拉动效应。国内涌现出一批优秀的GPU设计和制造厂商，诸如海光信息和景嘉微。海光信息DCU的产品性能均达到了国际上同类型主流高

10、端处理器水平，在国内处于领先地位，同时海光信息DCU协处理器全面兼容ROCm GPU计算生态。景嘉微GPU研发历史悠久，技术积淀深厚，其GPU性能优越，芯片业务整体展现良好增长势头。风险提示：个人电脑出货不及预期风险提示：个人电脑出货不及预期、AIAI技术进展不及预期技术进展不及预期、互联网厂商资本开支不及预期互联网厂商资本开支不及预期、自动驾驶进展不及预期自动驾驶进展不及预期、国产替代进程不及预期国产替代进程不及预期、参与厂商众多导致竞争格局恶化参与厂商众多导致竞争格局恶化。第一章第一章GPUGPU芯片概述芯片概述0505第三章第三章人工智能芯片的引领者人工智能芯片的引领者英伟达英伟达333

11、3第四章第四章全球第二大全球第二大GPUGPU厂商厂商AMDAMD5555第六章第六章国内国内GPUGPU厂商发展情况厂商发展情况7171第七章第七章风险提示风险提示8383第五章第五章移动移动GPUGPU厂商厂商6363第二章第二章GPUGPU市场概述市场概述1818目目 录录 第一章第一章GPUGPU芯片概述芯片概述0505 1.1 GPU定义和主要组成 GPUGPU（GraphicsGraphics ProcessingProcessing UnitUnit）：一般称为图形处理器：一般称为图形处理器，被广泛用于个人电脑被广泛用于个人电脑、工作站工作站、移动设备移动设备、游戏机游戏机、嵌入

12、式嵌入式系统中做图像和图形相关运算工作系统中做图像和图形相关运算工作。GPUGPU结构结构：GPU是一个异构的多核处理器芯片，针对图形图像处理优化。通常包括运算单元、L0/L1/L2缓存、Warp调度器、存取单元、分配单元、寄存器堆、PCIe总线接口、显卡互联单元等组件。GPUGPU工作方式工作方式：GPU并不是一个独立运行的计算平台，需要通过PCIe总线与CPU连接在一起来协同工作，可以看作CPU的协处理器。资料来源：英伟达，CSDN，中信建投图：英伟达图：英伟达A100A100 GPUGPU图：图：CPUCPU-GPUGPU异构架构异构架构 1.2 GPU相较于CPU并行计算能力更强（一）

13、CPUCPU当中运算单元占据面积相对较小当中运算单元占据面积相对较小。CPU硬件设计过程中为了实现低延迟增加了存储单元和控制单元的复杂度，运算单元在GPU中占据面积相对较小，以Intel Core i7 3960X为例，其运算单元面积（6*21.4 mm2）大致占总芯片面积（435 mm2）的30%。CPUCPU的并行计算能力相对较弱的并行计算能力相对较弱。CPU通过指令级并行、数据级并行也可以提升其并行计算能力，但是带来的提升也是有限的。单核单核CPUCPU性能逐步逼近物理极限性能逐步逼近物理极限。由于CPU受到“能耗墙”的限制，CPU主频难以持续提升，单核单核CPUCPU性能逐步逼近物理极

14、限性能逐步逼近物理极限，采用多核CPU的策略一定程度缓解了CPU性能提升的制约，当前大数据和人工智能带来了海量的数据，CPU已经无法跟上多源异构数据的爆炸性增长。资料来源：Intel，Wikipedia，中信建投共享L3缓存107.5 mm2接口功能区域107.5 mm2运算单元21.4 mm2存储器控制66.7 mm2Intel Core i7 3960X22.7亿晶体管 面积435mm2图：图：CPUCPU的功能区域分布的功能区域分布图：图：CPUCPU的主频受到“能耗墙”限制的主频受到“能耗墙”限制CPU主频 1.2 GPU相较于CPU并行计算能力更强（二）GPUGPU具有数量众多的运算

15、单元具有数量众多的运算单元，采用极简的流水线进行设计采用极简的流水线进行设计，适合计算密集适合计算密集、易于并行的程序易于并行的程序。CPUCPU的运算单元数目相对较的运算单元数目相对较少少，单一运算核心的运算能力更强单一运算核心的运算能力更强，采用分支预测采用分支预测、寄存器重命名寄存器重命名、乱序执行等复杂的处理器设计乱序执行等复杂的处理器设计，适合相对复杂的串行适合相对复杂的串行运算运算。GPUGPU设计过程中侧重吞吐优化设计过程中侧重吞吐优化，具备强大的内存访问带宽具备强大的内存访问带宽。CPUCPU设计过程中侧重时延优化设计过程中侧重时延优化，包含复杂的多级缓存包含复杂的多级缓存（L

16、 L1 1/L/L2 2/L/L3 3）和逻辑控制单元和逻辑控制单元。CPU承担运算核心和控制中心的地位，GPU一般作为协处理器负责图形渲染和并行计算。资料来源：英伟达，中信建投维度维度GPUGPUCPUCPU核心数量数千个加速核心几十个核心产品特点简单的逻辑控制复杂的逻辑控制单元多线程以到达超大并行吞吐量通过多级缓存降低延迟高效众多的运算单元（ALU）少量强大的运算单元（ALU）适用场景计算密集、易于并行的程序逻辑控制、串行运算的程序图：图：CPUCPU和和GPUGPU的架构比对的架构比对图表：图表：GPUGPU和和CPUCPU的区别的区别 1.3 GPU的核心功能一：图形渲染资料来源：Op

17、enGenus，Vmware，中信建投图：渲染流程操作图：渲染流程操作图：图：GPUGPU硬件架构下的渲染流程硬件架构下的渲染流程 GPU凭借其较强的并行计算能力，已经成为个人电脑中图像渲染的专用处理器。图形渲染具体实现要通过五阶段：顶点着色、形状装配、光栅化、纹理填充着色、测试与混合。GPUGPU渲染流程：渲染流程：三维图像信息输入GPU后，读取3D图形外观的顶点数据后，1 1）在流处理器流处理器中构建3D图形的的整体骨架，即顶点处理；2）由光栅化处理单元光栅化处理单元把矢量图形转化为一系列像素点，即光栅化操作；3）在纹理映射单元纹理映射单元实现纹理填充；4）在流处理器流处理器中完成对像素的

18、计算和处理，即着色处理；5）在光栅化处理单元光栅化处理单元中实现测试与混合任务。至此，实现一个完整的GPU渲染流程。顶点数据1）顶点着色2）形状装配3）光栅化4）纹理填充、着色5）测试与混合纹理数据顶点数据顶点处理像素处理显存光栅化流处理器流处理器光栅化处理单元器纹理映射单元中完成纹理填充 1.4 GPU的核心功能二：通用计算资料来源：CSDN，英伟达官网，中信建投 2003年，GPGPU(GeneralGPGPU(General PurposePurpose computingcomputing onon GPU,GPU,基于基于GPUGPU的通用计算的通用计算)的概念首次被提出，意指利用G

19、PU的计算能力在非图形处理领域进行更通用、更广泛的科学计算。GPGPU概念的提出，为GPU更为广泛的应用开拓了思路，GPGPU在传统GPU的基础上进行了优化设计，部分GPGPU会去除GPU中负责图形处理加速的硬件组成，使之更适合高性能并行计算。GPGPUGPGPU在数据中心被广泛地应用在人工智能和高性能计算在数据中心被广泛地应用在人工智能和高性能计算、数据分析等领域数据分析等领域。GPGPU的并行处理结构非常适合人工智能计算，人工智能计算精度需求往往不高，INT8、FP16、FP32往往可以满足大部分人工智能计算。GPGPU同时可以提供FP64的高精度计算，使得GPGPU适合信号处理、三维医学

20、成像、雷达成像等高性能计算场景。图：图：GPUGPU与与GPGPUGPGPU的差异的差异图：图：GPGPUGPGPU在数据中心中承担的工作任务在数据中心中承担的工作任务图形渲染通用计算GPUGPGPU人工智能计算高性能计算 1.5 微架构设计是GPU性能提升的关键所在资料来源：英伟达官网，中信建投 GPUGPU微架构微架构（MicroMicro ArchitectureArchitecture）是兼容特定指令集的物理电路构成是兼容特定指令集的物理电路构成，由流处理器由流处理器、纹理映射单元纹理映射单元、光栅化处理单元光栅化处理单元、光线追踪核心光线追踪核心、张量核心张量核心、缓存等部件共同组成

21、缓存等部件共同组成。图形渲染过程中的图形函数主要用于绘制各种图形及像素、实现光影处理、3D坐标变换等过程，期间涉及大量同类型数据（如图像矩阵）的密集、独立的数值计算，而GPU结构中众多重复的计算单元就是为适应于此类特点的数据运算而设计的。微架构的设计对微架构的设计对GPUGPU性能的提升发挥着至关重要的作用性能的提升发挥着至关重要的作用，也是也是GPUGPU研发过程中最关键的技术壁垒研发过程中最关键的技术壁垒。微架构设计影响到芯片的最高频率、一定频率下的运算能力、一定工艺下的能耗水平，是芯片设计的灵魂所在。英伟达H100相比于A100，1.2倍的性能提升来自于核心数目的提升，5.2倍的性能提升

22、来自于微架构的设计。图：图：英伟达英伟达AdaAda AD102AD102 GPUGPU架构架构图：英伟达图：英伟达H100H100相比于相比于A100A100的性能提升的性能提升微架构单元微架构单元 1.6 GPU微架构的硬件构成（一）流处理器流处理器（StreamStream ProcessorProcessor）：是GPU内基本运算单元,通常由整点运算部分和浮点运算部分共同组成，称为SP单元，从编程角度出发,也将其称为CUDA核心。流处理器是DirectX10后引入的一种统一渲染架构，综合了顶点处理（Vertex Pipelines）和像素处理（Pixel Pipelines）的渲染任务

23、，流处理器的数量和显卡性能密切相关。纹理映射单元纹理映射单元（TextureTexture MappingMapping Unit,Unit,TMU)TMU)：作为GPU中的独立部件，能够旋转、调整和扭曲位图图像（执行纹理采样），将纹理信息填充在给定3D模型上。光栅化处理单元光栅化处理单元（RasterRaster OperationsOperations UnitsUnits，ROPsROPs）：依照透视关系，将整个可视空间从三维立体形态压到二维平面内。流处理器和纹理映射单元分别把渲染好的像素信息和剪裁好的纹理材质递交给处于GPU后端的光栅化处理单元，将二者混合填充为最终画面输出，此外游戏中

24、雾化、景深、动态模糊和抗锯齿等后处理特效也是由光栅化处理单元完成的。纹理映射单元纹理映射单元资料来源：英伟达官网，中信建投流处理器流处理器张量核心张量核心光线追踪核心光线追踪核心图：图：英伟达英伟达TuringTuring的微架构单元的微架构单元 光线追踪核心光线追踪核心1.6 GPU微架构的硬件构成（二）资料来源：英伟达官网，中信建投图：英伟达图灵光线追踪核心图：英伟达图灵光线追踪核心图：图：Tensor CoreTensor Core通过混合精度运算实现通过混合精度运算实现AIAI运算加速运算加速 光线追踪核心光线追踪核心（RTRT CoreCore）：是一种补充性的渲染技术，主要通过计算

25、光和渲染物体之间的反应得到正确的反射、折射、阴影即全局照明等结果，渲染出逼真的模拟场景和场景内对象的光照情况。通过采样BVH算法，用来计算射线（光线、声波）与物体三角形求交，与传统硬件相比，RT Core可以实现几何数量级的BVH计算效率提升，让实时光线追踪成为可能。张量核心张量核心（TensorTensor CoreCore）：张量核心可以提升：张量核心可以提升GPUGPU的渲染效果同时增强的渲染效果同时增强AIAI计算能力计算能力。张量核心通过深度学习超级采样（DLSS）提高渲染的清晰度、分辨率和游戏帧速率，同时对渲染画面进行降噪处理以实时清理和校正光线追踪核心渲染的画面，提升整体渲染效果

26、。同时张量核心通过低精度混合运算，极大加速了AI运算速度，让计算机视觉、自然语言处理、语言识别和文字转化、个性化推荐等过去CPU难以实现的功能也得以高速完成。1.7 GPU中常见的数据格式和应用场景资料来源：英伟达，中信建投图：图：不同的浮点表示不同的浮点表示图：不同应用场景的常见数据格式图：不同应用场景的常见数据格式图表：不同数据格式的构成和用途图表：不同数据格式的构成和用途 计算机中常用的数据格式包括定点表示和浮点表示计算机中常用的数据格式包括定点表示和浮点表示。定点表示中小数点位置固定不变定点表示中小数点位置固定不变，数值范围相对有限数值范围相对有限，GPUGPU中常用的定点表示有中常用

27、的定点表示有INTINT8 8和和INTINT1616，多用于深度学习的推理过程多用于深度学习的推理过程。浮点表示中包括符号位浮点表示中包括符号位、阶码部分阶码部分、尾数部分尾数部分。符号位决定数值正负，阶码部分决定数值表示范围，尾数部分决定数值表示精度。FP64（双精度）、FP32（单精度）、FP16（半精度）的数值表示范围和表示精度依次下降，运算效率依次提升。除此以外还有TF32、BF16等其他浮点表示，保留了阶码部分但是截断了尾数部分，牺牲数值精度换取较大的数值表示范围，同时获得运算效率的提升，在深度学习中得到广泛应用。数据格式数据格式构成构成用途用途FP641位符号、11位指数、52位

28、尾数常用于对精度要求高的科学计算FP321位符号、8位指数、23位尾数深度学习模型训练的常见格式TF321位符号、8位指数、10位尾数替代FP32数据格式实现深度学习和HPC计算加速FP161位符号、5位指数、10位尾数深度学习越来越偏向使用FP16BF161位符号、8位指数、7位尾数提升AI模型的推理速度和部署灵活性INT88个bit表示一个数字INT8精度相对较低，常用于AI模型的端侧推理科学计算：FP64、FP32AI训练：FP32TF32FP16AI推理：FP16FP8INT8数值精度逐渐提升数值精度逐渐提升运算效率逐渐提升运算效率逐渐提升 GPUGPU应用程序接口应用程序接口（App

29、licationApplication ProgrammingProgramming InterfaceInterface，APIAPI）：APIAPI是连接是连接GPUGPU硬件与应用程序的编程接口硬件与应用程序的编程接口，有利于高有利于高效执行图形的顶点处理效执行图形的顶点处理、像素着色等渲染功能像素着色等渲染功能。早期由于缺乏通用接口标准，只能针对特定平台的特定硬件编程，工作量极大。随着API的诞生以及系统优化的深入，GPU的API可以直接统筹管理高级语言、显卡驱动及底层的汇编语言，提高开发过程的效率和灵活性。GPUPU应用程序接口主要涵盖两大阵营应用程序接口主要涵盖两大阵营，分别是分别

30、是MicrosoftMicrosoft DirectXDirectX和和KhronosKhronos GroupGroup技术标准技术标准。DirectX提供一整套多媒体解决方案，3D渲染表现突出，但是只能用于windows系统。OpenGL的硬件匹配范围更广，同时在CAD、游戏开发、虚拟现实等高端绘图领域得到广泛应用。此外还包括苹果的Metal API等。1.8 应用程序接口是GPU和应用软件的连接桥梁资料来源：CSDN，中信建投图形图形API平台特征平台特征Direct3DWindowsOpenGL系列OpenGLWindows、类Unix、Linux、MacOSVulkanWindows

31、、Android、LinuxOpenGL ESIOS、AndroidWebGL跨平台MetalAPPLE图：应用程序接口连接图：应用程序接口连接GPUGPU硬件与应用程序硬件与应用程序图表：图表：GPUGPU应用程序接口主要标准应用程序接口主要标准GPU硬件显卡驱动应用程序接口API操作系统OS应用程序 1.9 CUDA架构实现了GPU并行计算的通用化（一）资料来源：CSDN，中信建投 GPGPU相比于CPU，其并行计算能力更强，但是通用灵活性相对较差，编程难度相对较高。在CUDA出现之前，需要将并行计算映射到图形API中从而在GPU中完成计算。CUDACUDA大幅降低大幅降低GPGPUGPG

32、PU并行计算的编程难度并行计算的编程难度，实现实现GPUGPU的通用化的通用化。CUDA是英伟达2007年推出的适用于并行计算的统一计算设备统一计算设备架构架构，该架构可以利用GPU来解决商业、工业以及科学方面的复杂计算问题。CUDA架构的里程碑意义在于，GPU的功能不止局限于图形渲染，实现了GPU并行计算的通用化，把“个人计算机”变成可以并行运算的“超级计算机”。英伟达在推出了CUDA以后，相当于把复杂的显卡编程包装成了一个简单的接口，可以利用CUDA直观地编写GPU核心程序，使得编程效率大幅提升。现在主流的深度学习框架基本都是基于CUDA加速GPU并行计算。图：图：GPUGPU中并行计算过

33、程中并行计算过程图：图：CUDACUDA连接连接GPUGPU与深度学习框架与深度学习框架CUDA兼容各类深度学习框架CUDA仅支持英伟达GPU 资料来源：CSDN，中信建投 CUDACUDA：CUDA采用了一种全新的计算体系结构来调动GPU提供的硬件资源，本质上是应用程序和GPU硬件资源之间的接口。CUDA程序组成包括CUDA库、应用程序编程接口（API）及运行库(Runtime)、高级别的通用数学库。CUDACUDA经过多年优化经过多年优化，形成了独特软硬件配合的生态系统形成了独特软硬件配合的生态系统。其中包括诸多编程语言的开发环境，各种API的第三方工具链，自带的应用于代数运算和图形处理的

34、CUDA库、庞大的应用程序库，从而实现轻松高效的编写、调试优化过程。CUDA提供了对其它编程语言的支持，如C/C+，Python，Fortran等语言。CUDA支持Windows、Linux、Mac各类操作系统。CUDA驱动APICUDA运行期环境CUDA开发库CUDA应用程序GPUCPU函数函数功能功能cuFFT利用CUDA进行快速傅里叶变换的函数库cuBLAS线性代数方面的CUDA库cuDNN利用CUDA进行深度卷积神经网络计算Thrust实现众多并行算法的C+模板库cuSolver线性代数方面的CUDA库。cuRAND随机数生成有关的库图：图：CUDACUDA程序结构程序结构图表：图表：

35、CUDACUDA部分内置函数部分内置函数1.9 CUDA架构实现了GPU并行计算的通用化（二）开发者利用开发者利用开发库快速开发库快速构建自己的构建自己的应用应用应用开发接应用开发接口和运行期口和运行期组件，包括组件，包括数据类型等数据类型等基本函数基本函数硬件设备硬件设备的抽象访的抽象访问接口问接口 第二章第二章GPUGPU市场概述市场概述1818 160亿美元 CAGR:49%GPU市场增长的核心支撑受云厂商资本开支影响短期增速下滑市场规模：51亿美元CAGR：8%GPU市场空间测算GPU市场个人电脑数据中心自动驾驶集成GPU独立GPU22年出货2.83亿台，同比下滑29.8%个人电脑处于

36、下行周期下游板卡厂商去库存虚拟货币显卡挖矿需求锐减2023年下半年或迎来PC市场转折GPU厂商成品库存或以已达顶峰虚拟货币挖矿影响逐步减弱22年出货3808万张，同比下滑22.5%。原因预期AI服务器高性能计算595亿美元 CAGR:32.9%自动驾驶渗透率提升GPU渗透率提升单车价值量提升25亿美元CAGR:44%2.1 GPU市场规模与细分资料来源：Verified Market Research，中信建投 根据根据VerifiedVerified MarketMarket ResearchResearch的预测的预测，20202020年年GPUGPU全球市场规模为全球市场规模为25425

37、4亿美金亿美金，预计到预计到20282028年将达到年将达到24652465亿美金亿美金，行业保行业保持高速增长持高速增长，CAGRCAGR为为3232.9 9%，20232023年年GPUGPU全球市场规模预计为全球市场规模预计为595595亿美元亿美元。GPUGPU按应用端划分为按应用端划分为PCPC GPUGPU、服务器服务器GPUGPU、智能驾驶智能驾驶GPUGPU、移动端移动端GPUGPU。PC GPU可以进一步划分为独立显卡和集成显卡。独立显卡主要用作图形设计和游戏，对性能的要求比较高，主要的厂商包括英伟达和AMD；集成显卡通常用在对图形处理性能需求不高的办公领域，主要产商包括In

38、tel和AMD。服务器GPU通常应用在深度学习、科学计算、视频编解码等多种场景，主要的厂商包括英伟达和AMD，英伟达占主导地位。在自动驾驶领域，GPU通常用于自动驾驶算法的车端AI推理，英伟达占据主导地位。图：图：GPUGPU整体市场规模（亿美金）整体市场规模（亿美金）图表：图表：GPUGPU的构成分类和生产厂商的构成分类和生产厂商类别类别主要领域主要领域主要厂商主要厂商PCGPU独立显卡图形设计/游戏NVIDIA、AMD集成显卡办公Intel、AMD服务器GPUAI训练/AI推理/HPC计算NVIDIA、AMD智能驾驶GPUAI推理NVIDIA移动端GPU图形显示Imagination、高通

39、、ARM25424650500025003000 2.2 PC显卡市场迎来至暗时刻后的光明图：图：PCPC端不同类型显卡出货量情况端不同类型显卡出货量情况(百万台百万台)图：图：PCPC显卡市场市场份额变动（按出货量）显卡市场市场份额变动（按出货量）图：独立显卡厂商的出货量情况（百万台）图：独立显卡厂商的出货量情况（百万台）资料来源：Jon Peddie Research，中信建投 独立显卡市场开始逐渐回暖独立显卡市场开始逐渐回暖。根据Jon Peddie Research的数据，2022年独立GPU出货量下降至3808万台，同比下降22.5%，22Q3单季度出货690万

40、台，同比下降45.7%，是十年以来最大的一次下滑，独立显卡出货情况22Q4开始逐渐转暖。集成显卡出货情况仍然不容乐观集成显卡出货情况仍然不容乐观。2022年集成GPU出货量为2.83亿台，同比下滑29.8%。疫情期间的居家办公需求带动了笔记本电脑的消费增长，集成显卡的购买激增一定程度上过早消耗了市场需求，后疫情时代，笔记本电脑端需求减弱叠加供应商的过剩库存导致集成显卡出货不断走低。我们认为我们认为20222022年独立显卡出货遭遇巨大下滑的原因有三点：一年独立显卡出货遭遇巨大下滑的原因有三点：一、受宏观经济影响受宏观经济影响，个人电脑市场处于下行周期；二个人电脑市场处于下行周期；二、部分部分独

41、立独立GPUGPU参与虚拟货币挖矿参与虚拟货币挖矿，以太坊合并对独立以太坊合并对独立GPUGPU出货造成巨大冲击；三出货造成巨大冲击；三、下游板卡厂商开启降库存周期下游板卡厂商开启降库存周期。107.23111.5388.2896.8182.6273.6368.658.5711.7711.4712.7213.1913.3810.376.97.4302468406080100120140集成显卡出货独立显卡出货6.99.011.610.110.58.27.87.16.95.07.78.16.67.48.99.09.49.210.010.210.08.26.06.22.73.

42、74.55.25.64.62.71.72.02.42.83.62.92.12.62.02.42.32.73.03.22.10.70.80.40.02.04.06.08.010.012.014.02017Q12017Q22017Q32017Q42018Q12018Q22018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q4英伟达AMDIntel71%12%17%0%10%20%30%40%50%60%70%80%Q2 2009Q1 201

43、0Q4 2010Q3 2011Q2 2012Q1 2013Q4 2013Q3 2014Q2 2015Q2 2016Q1 2017Q4 2017Q3 2018Q2 2019Q1 2020Q4 2020Q3 2021Q2 2022IntelAMDNvidia 2.3 因素一：个人电脑市场依旧处于下行周期 个人电脑市场保持疲软状态个人电脑市场保持疲软状态。根据IDC数据，2022年全年PC出货量为2.92亿台，同比下降15.5%，2022Q4全球PC出货量仅为6720万台，同比下降28.1%。IDC预测2023年个人电脑市场全年出货2.608亿台，全年同比下降10.7%。按照2023年的整体出货量情

44、况，我们对四个季度的出货情况做了进一步预测，预计2023Q2-2023Q3后个人电脑出货将迎来逐季度好转。下游下游PCPC厂商库存情况得到改善厂商库存情况得到改善。当前个人电脑市场正处在PC厂商去库存周期，根据PC厂商的财报披露，华硕和联想的库存天数已经开始减少，其余三家（惠普、戴尔、宏碁）的库存天数并未显著降低，由于所有厂商都在积极采取行动减少产量，预计下游PC厂商库存情况会进一步改善，2023Q3可能恢复到正常库存情况。图：个人电脑图：个人电脑出货情况及预期出货情况及预期图：图：PCPC厂商存货周转天数厂商存货周转天数资料来源：IDC，wind，中信建投备注：2023年分季度PC出货量为中

45、信建投预测8483.686.792.780.571.374.267.262.261.265.273.30070809010021Q1 21Q2 21Q3 21Q4 22Q1 22Q2 22Q3 22Q4 23Q1 23Q2 23Q3 23Q4PC出货量出货量预测0204060800180华硕惠普联想宏碁戴尔 2.4 因素二：显卡挖矿市场出现转折，以太坊转向权益证明 以太坊以太坊ETHETH占据显卡挖矿主要市场占据显卡挖矿主要市场。根据MESSARI数据，在采用GPU挖矿的前7名虚拟货币中，以太坊ETH挖矿收入占GPU矿工总收入的97%。比特币、莱特币

46、等虚拟货币多采用功耗更低的ASIC矿机。20222022年年9 9月月1515日日，以太坊运行机制全面升级以太坊运行机制全面升级，从以太坊从以太坊1 1.0 0的工作量证明机制的工作量证明机制(PoWPoW)转向以太坊转向以太坊2 2.0 0的权益证明机制的权益证明机制(PoSPoS)，在工作量证明机制中，需要通过累积显卡提升计算能力，计算能力越强获得记账收益的概率越大；在权益证明机制中，只需通过质押虚拟货币获得收益，质押的虚拟货币数量越大获得记账收益的概率越高。以太坊全面合并后不再需要购入大量显卡、投入计算资源用于挖矿，是显卡挖矿市场的重要转折点。图：图：以太坊占据以太坊占据97%97%的的

47、GPUGPU挖矿市场收益挖矿市场收益图：以太坊由工作量证明机制转向权益证明机制图：以太坊由工作量证明机制转向权益证明机制资料来源：MESSARI，以太坊，中信建投2022.9.15 2.5 因素二：以太坊合并预计约500万张二手显卡流入市场 挖矿用显卡平均哈希率为挖矿用显卡平均哈希率为4646Mh/sMh/s。根据Hive OS矿池数据，通过不同型号显卡的哈希率和占比情况统计，估算得到衡量显卡挖矿能力的平均哈希率为46Mh/s。以太坊合并后显卡需求降至零以太坊合并后显卡需求降至零。根据以太坊全网算力，测算得到用于以太坊挖矿的GPU数量在2022年5月达到巅峰，大概为2573万张，2022年9月

48、降至2008万张，在以太坊合并之后，显卡需求降至零。如果按照如果按照2020%回收比例测算回收比例测算，约约500500万张存量显卡将流入二手市场万张存量显卡将流入二手市场，预计带来的不利影响在预计带来的不利影响在20222022Q Q4 4-20232023Q Q1 1之间结束之间结束。图表：图表：虚拟货币挖矿用显卡统计虚拟货币挖矿用显卡统计图：用于以太坊挖矿的显卡数量测算（万张）图：用于以太坊挖矿的显卡数量测算（万张）资料来源：Hive OS，etherscan，中信建投型号型号哈希率哈希率Mh/s占比占比Radeon RX 580 3010.1%NVIDIA RTX 307062.00

49、9.4%NVIDIA GTX 1660 SUPER32.00 7.9%NVIDIA RTX 3060 Ti LHR 60.00 5.8%NVIDIA RTX 2060 SUPER43.00 4.3%NVIDIA RTX 3060 Ti62.00 4.3%Radeon RX 570 303.9%NVIDIA RTX 3080100.00 3.6%Radeon RX 5700 XT523.5%Radeon RX 6600302.3%其他45 44.8%平均462573 2008 05000250030--042017-072

50、-----------01 050400600800002017Q12017Q22017Q32017Q42018Q12018Q22018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q4202

51、1Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q4台湾板卡厂商原材料库存（亿台币）英伟达成品库存（亿美元）2.6 因素三：GPU厂商库存迎来好转，高端显卡价格企稳回升 GPUGPU厂商库存情况即将迎来好转厂商库存情况即将迎来好转。根据Bloomberg数据，GPU下游四家台湾板卡厂商（华硕、技嘉、微星、华擎）自2022年一季度原材料库存达到历史高位以后，连续两个季度库存环比降低，当前原材料库存相比最高峰下降28%。复盘历史可见，GPU厂商成本库存高峰多于台湾板卡厂商原材料库存2-3季度后到来，我们预计我们预计GPUGPU厂商的成品库存将于厂商的成品库存将

52、于20222022Q Q4 4到达顶峰到达顶峰。高端显卡价格开始企稳回升高端显卡价格开始企稳回升。根据Amazon上的显卡价格跟踪，英伟达和AMD的高端显卡在2022年10月以后均实现了不同程度的价格回升，例如RTX 3080价格上涨30%，RTX 3090价格上涨28%，显卡价格的回升意味着渠道商库存正逐步回归到正常水平，高端显卡受挖矿市场冲击更为剧烈，高端显卡价格上涨从侧面也能观察到挖矿市场带来的不利影响正在逐渐消失。图：台湾板卡厂商原材料库存与图：台湾板卡厂商原材料库存与GPUGPU厂商成品库存情况厂商成品库存情况图：图：AmazonAmazon显卡价格跟踪（美元）显卡价格跟踪（美元）资

53、料来源：Bloomberg，Amazon，中信建投05000250030003500RTX 3060RTX 3080RTX 3080 TiRTX 3090GTX 1650GTX 2060RX 6900 在数据中心在数据中心，GPUGPU被广泛应用于人工智能的训练被广泛应用于人工智能的训练、推理推理、高性能计算高性能计算（HPCHPC）等领域等领域。预训练大模型带来的算力需求驱动人工智能服务器市场快速增长预训练大模型带来的算力需求驱动人工智能服务器市场快速增长。巨量化是人工智能近年来发展的重要趋势，巨量化的核心特点是模型参数多，训练数据量大。Transformer模型的提出

54、开启了预训练大模型的时代，大模型的算力需求提升速度显著高于其他AI模型，为人工智能服务器的市场增长注入了强劲的驱动力。根据Omdia数据，人工智能服务器是服务器行业中增速最快的细分市场，CAGR为49%。战略需求推动战略需求推动GPUGPU在高性能计算领域稳定增长在高性能计算领域稳定增长。高性能计算（HPC）提供了强大的超高浮点计算能力，可满足计算密集型、海量数据处理等业务的计算需求，如科学研究、气象预报、计算模拟、军事研究、生物制药、基因测序等，极大缩短了海量计算所用的时间，高性能计算已成为促进科技创新和经济发展的重要手段。图：大模型时代人工智能算力需求显著提升图：大模型时代人工智能算力需求

55、显著提升图：图：Top500Top500超级计算机算力总和保持指数级上升超级计算机算力总和保持指数级上升图：中国各类服务器的市场份额（亿）图：中国各类服务器的市场份额（亿）资料来源：英伟达，Top500.org，Frost&Sullivan，中信建投2.7 GPU在数据中心的应用蕴藏巨大潜力005002001920202021 2022E 2023E 2024E 2025EAI服务器业务服务器通用服务器HPC服务器 自然语言大模型参数巨量化是行业发展趋势所向自然语言大模型参数巨量化是行业发展趋势所向。以ChatGPT为代表的人工智能模型表现出高度的智

56、能化和拟人化，背后的因素在于自然语言大模型表现出来的涌现能力和泛化能力，模型参数到达千亿量级后，可能呈现性能的跨越式提升，称之为涌现能力；在零样本或者少样品学习情景下，模型仍表现较强的迁移学习能力，称之为泛化能力。两种能力都与模型参数量密切相关，人工智能模型参数巨量化是重要的行业发展趋势。预训练大模型进入千亿参数时代预训练大模型进入千亿参数时代，模型训练算力需求迈上新台阶模型训练算力需求迈上新台阶。自GPT-3模型之后，大规模的自然语言模型进入了千亿参数时代，2021年之后涌现出诸多千亿规模的自然语言模型，模型的训练算力显著增加。ChatGPT模型参数量为1750亿，训练算力需求为3.14*1

57、023flops，当前各种预训练语言模型还在快速的更新迭代，不断刷新自然语言处理任务的表现记录，单一模型的训练算力需求也不断突破新高。图：超大规模自然语言模型的发展历程图：超大规模自然语言模型的发展历程图：预训练自然语言大模型的算力需求图：预训练自然语言大模型的算力需求资料来源：stateof AI 2022，Language Models are Few-Shot Learners，中信建投2.8 大模型带来人工智能算力的旺盛需求ChatGPTGPGPT T-3 3(1(17 75 5B B)PaPan n-GuGu (2 20 00 0B B)HyHyp pe erCrCL LO OV V

58、A A (2 20 04 4B B)JuJur ra as ss si i c c-1 1 J Ju um m b bo o (204B204B)FLFLA AN N (1 13 37 7B B)J une 2020M ay 2021M eM eg ga at tr ro on n TuTur ri i n ng g-NLNLG G (1 13 37 7B B)YuYua an n 1.1.0 0(246B246B)Sep 2021GoGop ph he er r (2 28 80 0B B)ErErn ni i e e 3 3.0 0 T Ti i t ta an n (2 26 60 0B

59、 B)L La aM DM DA A (2 28 80 0B B)J an 2022GPGPT T-j j (6 6B B)GPGPT T-NeNeo oX X (2 20 0B B)Aug 2021P Pa aL LM M (5 54 40 0B B)OPOPT T (1 17 75 5B B)B BL LO OO OM M (1 17 76 6B B)G GL LM M (1 13 30 0B B)M ay 2022Aug 2022ChChi i n nc ch hi i l l l la a (7(70 0B B)chcha at tG GP PT TNov 2022 大模型的算力需求主

60、要来自大模型的算力需求主要来自于三个环节：于三个环节：预训练得到大模型的训练环节预训练得到大模型的训练环节。该环节中，算力呈现海量需求且集中训练的特点，大模型通常在数天到数周内在云端完成训练。模型的训练算力与模型参数量、训练数据量有关，以ChatGPT的训练为例，单次模型训练需要2000张英伟达A100显卡不间断训练27天。适应下游领域时进一步适应下游领域时进一步fine-tune环节环节。算力需求取决于模型的泛化能力以及下游任务的难度情况。大模型日常运行时的推理环节大模型日常运行时的推理环节。大模型的日常运行中每一次用户调用都需要一定的算力和带宽作为支撑，单次推理的计算量为2N（N为模型参数

61、量），例如1750亿参数的ChatGPT模型1k tokens的推理运算量为2*1750*108*103=3.5*1014flops=350 Tflops。近期ChatGPT官网吸引的每日访客数量接近5000万，每小时平均访问人数约210万人，假定高峰时期同时在线人数450万人，一小时内每人问8个问题，每个问题回答200字，测算需要14000块英伟达A100芯片做日常的算力支撑。大模型在融入搜索引擎或以app形式提供其他商业化服务过程中，其AI芯片需求将得到进一步的显著拉动。资料来源：similarweb，中信建投2.9 大模型带来AI芯片需求的显著拉动图：大模型的算力需求图：大模型的算力需求

62、图：图：OpenAIOpenAI官网每日访问量（百万人）官网每日访问量（百万人）图：图：bingbing搜索每日访问量（百万搜索每日访问量（百万人）人）3032343638404244464802/1/221/1/232/1/23桌面端移动端ChatGPTChatGPT加入加入bingbingChatGPTChatGPT开放开放 根据根据OmdiaOmdia数据数据，20192019年全球人工智能服务器市场规模为年全球人工智能服务器市场规模为2323亿美金亿美金，20262026年将达到年将达到376376亿美金亿美金，CAGRCAGR为为4949%。根据IDC数据，20

63、20年中国数据中心用于AI推理的芯片的市场份额已经超过50%，预计到2025年，用于AI推理的工作负载的芯片将达到60.8%。人工智能服务器通常选用CPU与加速芯片组合来满足高算力要求，常用的加速芯片有GPU、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、神经拟态芯片（NPU）等。GPUGPU凭借其强大的并行运算能力凭借其强大的并行运算能力、深度学习能力深度学习能力、极强的通用性和成熟的极强的通用性和成熟的软件生态软件生态，成为数据中心加速的首选成为数据中心加速的首选，9090%左右的左右的AIAI服务器采用服务器采用GPUGPU作为加速芯片作为加速芯片。图：全球人工智能芯片市场规模

64、（亿美金）图：全球人工智能芯片市场规模（亿美金）图：图：人工智能服务器工作负载预测人工智能服务器工作负载预测图：人工智能服务器加速芯片类型图：人工智能服务器加速芯片类型资料来源：Omdia，IDC，中信建投2.10 AI服务器是GPU市场规模增长的重要支撑59.1%48.5%44.5%43.5%41.5%39.3%39.2%40.9%51.5%55.5%56.5%58.5%60.7%60.8%0%10%20%30%40%50%60%70%80%90%100%201920202021E 2022E 2023E 2024E 2025EAI训练AI推理0%10%20%30%40%50%60%70%8

65、0%90%100%201920202021GPU其他加速芯片2300350400201920202021E2022E2023E2024E2025E2026EAI服务器市场规模 北美云厂商资本开支有所放缓北美云厂商资本开支有所放缓。人工智能服务器多采取公有云、私有云加本地部署的混合架构，我们以北美四家云厂商资本开支情况来跟踪人工智能服务器市场需求变动，2022年四家云厂商资本开支合计1511亿美元，同比增长18.5%。Meta预计2023年资本开支的指引为300-330亿美元之前，与2022年基本持平，低于此前22Q3预计的340亿到390亿美元；谷歌

66、预计2023年资本开支将于2022年基本持平，但是会加大AI及云服务的建设投资。信骅科技短期营收下滑有所缓解信骅科技短期营收下滑有所缓解。作为全球最大的BMC芯片企业，信骅科技（Aspeed）的营收变化情况一般领先云厂商资本开支一个季度，其月度营收数据可以作为云厂商资本开支的前瞻指标，信骅科技近期营收下滑有所缓解。图：北美四家云厂商资本开支情况（百万美元）图：北美四家云厂商资本开支情况（百万美元）图：图：ASPEEDASPEED营收及增速情况营收及增速情况资料来源：Bloomberg，ASPEED，中信建投2.11 受云厂商资本开支影响AI服务器市场或将短期增速放缓-50%0%50%100%1

67、50%200%250%05000000025000300003500040000450002017Q12017Q22017Q32017Q42018Q12018Q22018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q4亚马逊微软谷歌Meta亚马逊YoY微软YoY谷歌YoYMeta YoY-60%-40%-20%0%20%40%60%80%100%0.001.002.003.004.005.006.002020-01

68、---------01营收（亿TWD）YoY GPGPUGPGPU在高性能计算领域渗透率不断提升在高性能计算领域渗透率不断提升。在高性能计算领域，CPU+GPU异构协同计算架构得到越来越多的应用，全球算力前500的超级计算机中，有170套系统采用了异构协同计算架构，其中超过90%以上的加速芯片选择了英伟达的GPGPU芯片。GPUGPU在超算服务器中的市场规模保持稳定增

69、长在超算服务器中的市场规模保持稳定增长。根据Hyperion Research数据，全球超算服务器的市场规模将从2020年的135亿美金上升到2025年的199亿美金，按照GPU在超算服务器中成本占比为27.3%核算，GPU在超算服务器中的市场规模将从2020年的37亿上升至2025年的54亿美金，CAGR为8%。图：图：Top500Top500超算服务器中加速芯片使用情况超算服务器中加速芯片使用情况图：不同类型服务器的成本占比图：不同类型服务器的成本占比图：图：GPUGPU在超算中的市场规模（亿美元）在超算中的市场规模（亿美元）资料来源：top500.org，IDC，中信建投2.12 GPU

70、在超算服务器中的市场规模保持稳定增长32.0%23.3%25.0%9.8%27.3%25.0%72.8%26.8%25.6%15.0%8.7%18.0%2.9%10.0%23.3%20.9%25.0%8.7%0%10%20%30%40%50%60%70%80%90%100%基础服务器 高性能服务器AI推理机器学习型CPUGPU内存辅存其他135.2145.5169.5185.7199.5199.036.939.746.350.754.554.30.050.0100.0150.0200.0250.020202021E2022E2023E2024E2025E超算服务器市场规模GPU在超算服务器中的

71、市场规模 2.13 自动驾驶领域GPU市场保持高成长性 在自动驾驶领域在自动驾驶领域，各类自动驾驶芯片得到广泛的应用各类自动驾驶芯片得到广泛的应用。根据Yole数据，全球自动驾驶市场2025年将达到780亿美金，其中用于自动驾驶的AI芯片超过100亿美元。自动驾驶自动驾驶GPUGPU市场保持较高高成长性市场保持较高高成长性。我们根据ICV Tank的自动驾驶渗透数据，假设GPU在L2中渗透率15%，在L3-L5中渗透率50%，估算得到GPU在自动驾驶领域的市场规模，整体规模将从2020年的7.1亿美元上升至2025年的44亿美金，CAGR为44%。资料来源：ICVTank，Yole，中信建投图

72、：自动驾驶图：自动驾驶渗透率逐步提升渗透率逐步提升图：图：GPUGPU在自动驾驶领域的市场规模（亿美元）在自动驾驶领域的市场规模（亿美元）23309743598535734623485329825334360803000400050006000700080009000212022E2023E2024E2025E2026EL0L1L2L3L4-L524.5336.3847.3259.5575.41104.567.0713.4119.3025.0

73、733.9743.89020406080021E2022E2023E2024E2025E自动驾驶AI芯片GPU在自动驾驶市场规模 第三章第三章人工智能芯片人工智能芯片的引领者的引领者英伟达英伟达3333 英伟达英伟达（NVIDIANVIDIA）创立于创立于19931993年年，是一家专注于智能芯片设计和图形处理技术的半导体公司是一家专注于智能芯片设计和图形处理技术的半导体公司。公司产品应用领域包括游戏、数据中心、专业可视化、自动驾驶等，针对具体场景特点，英伟达推出了一系列特定优化的芯片和服务器，同时积极打造相应的软件生态，成为GPU领域的龙头企业。公司当前不仅满足于芯片设

74、计厂商的定位，在芯片、服务器等硬件设施之上，开发CUDA、DOCA等基础软件架构，不断丰富其软件生态，形成了软件业务的全栈式解决方案，最终在应用层面上提供AI计算、高性能计算、自动驾驶、云游戏、元宇宙等众多计算服务，公司已从一家公司已从一家GPUGPU公司成功转型计算平台企业公司成功转型计算平台企业。3.1 GPU领域龙头英伟达发展史资料来源：CSDN，中信建投200018Tesla第一个统一着色器微架构引入CUDA90/65/55 nmFermi支持ECC流式多处理器支持GDDR5显存40/28 nmKepler支持PCIe3.0动态并行计算28

75、nmMaxwellSMM流处理器动态高分辨率技术28 nmPascalHBM2的CoWoS技术GPU动态超频3.016 nmVolta引入Tensor Core改进MPS12 nmTuring配备专用的RT Core深度学习超采样(DLSS)GDDR6显存12 nm2020Ampere二代RT CorePCIe4.08/7 nm2022Hopper四代 Tensor Core FP8 浮点格式Transformer 引擎四代NVLink 互连技术4nm图：图：英伟达英伟达GPUGPU微架构演进历程微架构演进历程 3.2 英伟达四大业务下的主要产品体系资料来源：英伟达官网，中信建投图：英伟达主要

76、产品体系图：英伟达主要产品体系游戏游戏&娱乐娱乐占FY2023营收33.6%数据中心数据中心占FY2023营收55.6%专业可视化专业可视化占FY2023营收5.7%汽车业务汽车业务占FY2023营收3.4%GeForce系列Quadro系列Tesla系列RTX studio驱动MAX-Q技术GeForce Now云游戏平台硬件产品软件技术开发平台云端处理器NGC软件优化中心HPC软件开发包SDKCUDA架构虚拟GPU平台云XR平台AI增强会议软件Sudio平台MAXINE视频增强自动驾驶芯片DRIVEDRIVE OSOSDRIVEDRIVE WorksWorksDRIVEDRIVE AVAV

77、DRIVEDRIVE ChauffeurChauffeurDRIVEDRIVE IXIXDRIVEDRIVE ConciergeConciergeDRIVEDRIVE MapMapDRIVEDRIVE HyperionHyperion开发平台DRIVEDRIVE SDKSDK模块式开放平台DRIVEDRIVE SimSim模拟仿真平台DRIVEDRIVE DGXDGXDNN训练平台Omniverse 设计平台 3.3 公司盈利能力历史表现优异 公司FY2023年实现营业收入269.74亿美元，与FY2022年同比基本持平。数据中心业务保持快速增长趋势，游戏业务、专业可视化业务营收相对下滑。FY

78、23Q4营业收入为60.5亿美元，同比下降21%，但是环比提升2%,收入业绩的恢复性增长主要得益于游戏业务的快速复苏。公司FY24Q1营收指引为65亿，整体业务重回环比正增长阶段。FY2023年GAAP净利润43.68亿美元，同比下降55.21%。第四季度GAAP净利润6.8亿美元，同比下降72%。FY2023财年游戏显卡以及数据中心计算芯片的需求相对疲软，供大于求带来了较高的库存水平，导致了大额的资产减值损失，净利润水平有所下滑。图：图：英伟达营业收入及增速英伟达营业收入及增速（亿美元）（亿美元）图：图：英伟达净利润及增速英伟达净利润及增速（亿美元）（亿美元）269.74650.22%-20

79、%-10%0%10%20%30%40%50%60%70%0500300营业收入营收指引YoY43.68-55.21%(100%)(50%)0%50%100%150%200%020406080100120净利润YoY资料来源：英伟达年报，中信建投备注：英伟达财年为上年1月31日至当年1月30日 46.30%39.43%33.60%55.63%3.4 2022年公司营收结构发生较大变化资料来源：英伟达年报，中信建投 公司FY2023营收结构发生较大变化，数据中心业务成为主要收入来源，占比55.63%，游戏业务占比下滑。FY2023数据中心业务营收达150亿美金，同比增长55.

80、6%，该业务是公司的未来成长引擎，得益于人工智能算力的需求高增，业务保持中长期良好增长态势，FY23Q4受云厂商资本开支影响，以及中国市场需求相对疲软，营收略有下滑。FY2023游戏业务营收为90.6亿美金，同比下滑27.3%，营收占比为33.6%。FY23Q2后，受显卡市场冲击，游戏业务营收连续两个季度下滑，FY23Q4得到恢复性增长。FY2023专业可视化业务营收达15.44亿美金，同比下滑26.7%。FY2023汽车业务营收达到9.03亿美元，同比增长59.5%，主要受益于自动驾驶解决方案的销售增长，营收占比从2021年的2.1%上升到3.35%。FY2022（里圈）FY2023（外圈）

81、13.3916.5422.7124.9527.630.6132.2134.236.220.4215.718.311.4117.521919.0320.4823.6629.3632.6337.538.0638.336.265 00708090游戏&娱乐数据中心专业可视化汽车业务其他业务营收指引图：图：英伟达主营业务收入构成（亿美元）英伟达主营业务收入构成（亿美元）图：图：英伟达主营业务营收占比情况英伟达主营业务营收占比情况 3.5 公司盈利能力水平恢复 近期公司整体毛利率近期公司整体毛利率、净利率总体恢复到良好水平净利率总体恢复到良好水平。英伟达成立之初，公司的毛利率只有3

82、0%+，规模效应促使毛利率在2011年达到50%以上。随着数据中心业务占比不断提升，单价近万美元的Tesla系列加速卡的规模化出货又进一步提升毛利率。FY2022年毛利率提升至64.93%。FY23Q1-Q3公司毛利率水平有所下降，Q3毛利率为43.48%，主要原因是库存和相关储备导致较大的资产减值损失。得益于RTX 40系列显卡的推出，FY23Q4重回63.34%的良好水平。公司研发支出不断增长公司研发支出不断增长，研发费用率基本保持在研发费用率基本保持在1818%以上以上，以提高在以提高在AIAI领域中的竞争优势领域中的竞争优势。公司研发投入处于行业较高水平，FY2023年研发费用率为25

83、.75%，保持较高研发投入。资料来源：Bloomberg，中信建投43.48%63.34%23.37%0%10%20%30%40%50%60%70%FY18Q1FY18Q2FY18Q3FY18Q4FY19Q1FY19Q2FY19Q3FY19Q4FY20Q1FY20Q2FY20Q3FY20Q4FY21Q1FY21Q2FY21Q3FY21Q4FY22Q1FY22Q2FY22Q3FY22Q4FY23Q1FY23Q2FY23Q3FY23Q4毛利率净利率32.2%0%5%10%15%20%25%30%35%05101520FY18Q1FY18Q2FY18Q3FY18Q4FY19Q1FY19Q2FY19Q

84、3FY19Q4FY20Q1FY20Q2FY20Q3FY20Q4FY21Q1FY21Q2FY21Q3FY21Q4FY22Q1FY22Q2FY22Q3FY22Q4FY23Q1FY23Q2FY23Q3FY23Q4研发费用研发费用率图：图：公司毛利率、净利率公司毛利率、净利率图：图：英伟达研发投入情况（亿美元）英伟达研发投入情况（亿美元）3.6 公司游戏业务简介 公司在游戏领域的产品主要包括：公司在游戏领域的产品主要包括：GPUGPU芯片和硬件产品芯片和硬件产品、GeForceGeForce NowNow云游戏平台等云游戏平台等。GPUGPU硬件产品主要包括硬件产品主要包括GeForceGeForce

85、 RTXRTX系列显卡和系列显卡和GeForceGeForce GTXGTX系列显卡系列显卡。GeForce RTX公司2019年推出的新一代具备先进的光线追踪和AI技术的游戏显卡，采用深度学习采样DLSS及NVIDIA Broadcast等全新前沿AI技术。GeForce GTX系列最早在2007年推出，不含DLSS和光线追踪技术，性价比相对较高，在市场上仍占有相当重要的地位。市场寒冬过后市场寒冬过后，英伟达游戏业务开始逐步回暖英伟达游戏业务开始逐步回暖。受显卡市场影响，FY23Q2以来，英伟达游戏业务收入大幅下滑，FY23Q3单季度同比下滑51.2%，FY23Q4游戏业务开始回暖。图：英伟

86、达游戏业务单季度营图：英伟达游戏业务单季度营收（亿美元）收（亿美元）图：独立图：独立GPUGPU市场份额占比市场份额占比资料来源：英伟达年报，中信建投84%11%5%0%10%20%30%40%50%60%70%80%90%100%Q4 2002Q3 2003Q2 2004Q1 2005Q4 2005Q3 2006Q2 2007Q1 2008Q4 2008Q3 2009Q2 2010Q1 2011Q4 2011Q3 2012Q2 2013Q1 2014Q4 2014Q3 2015Q2 2016Q1 2017Q4 2017Q3 2018Q2 2019Q1 2020Q4 2020Q3 2021Q2

87、 2022NVIDIAAMDINTEL13.3916.5422.7124.9527.630.6132.2134.236.220.4215.718.305540FY21Q1FY21Q2FY21Q3FY21Q4FY22Q1FY22Q2FY22Q3FY22Q4FY23Q1FY23Q2FY23Q3FY23Q4 3.7 GPU性能增强带动ASP持续提升产品型号产品型号单价（元）单价（元）CUDA Core核心数核心数显存容量显存容量GeForce RTX40904GBGeForce RTX40809499972816GBGeForce RTX 30901199

88、91049624 GBGeForce RTX 3080 Ti89991024012 GBGeForce RTX 308054998960/870412 GB/10 GBGeForce RTX 3070 Ti449961448 GBGeForce RTX 3070389958888 GBGeForce RTX 3060 Ti299948648 GBGeForce RTX 30602499358412 GBGeForce RTX 3050189925608 GB 英伟达不断推出性能更高的新产品英伟达不断推出性能更高的新产品。英伟达每年都会发布多款GPU产品，新产品的晶体管数目、制程、CUDA核心数

89、、显存容量、渲染和运算能力等方面均有提升。单个单个GPUGPU的的ASPASP不断提升不断提升。GeForce RTX价值量提升明显，RTX 4090显卡比2020年3090首发时贵了8%，而4080比3080Ti贵了6%。图表：英伟达图表：英伟达RTXRTX系列产品单价及性能系列产品单价及性能图：英伟达产品图：英伟达产品ASPASP持续上升（美元）持续上升（美元）资料来源：英伟达官网，bloomberg，中信建投0204060800180200英伟达ASPAMD ASP 3.8 公司游戏GPU具有显著的技术优势图：图：AdaAda架构实现性能的显著提升架构实现性能的显著

90、提升图：显卡天梯图图：显卡天梯图图：图：steamsteam用户显卡统计用户显卡统计 GeForceGeForce RTXRTX 4040系列显卡实现游戏性能的大幅提升系列显卡实现游戏性能的大幅提升。GeForce RTX 40系列显卡采用英伟达Ada Lovelace架构，采用第三代RT Core技术实现全景光追性能提升至4倍，DLSS 3技术让渲染帧率成倍增加，配合着色器执行重排序技术、NvidiaReflex等技术使其性能相较于Ampere架构提升至两倍以上。资料来源：英伟达，中信建投 3.9 云游戏业务有望成为未来游戏业务支柱 全球云游戏市场增长迅速全球云游戏市场增长迅速。根据IDC的

91、数据，2020年全球云游戏市场规模为49亿元，2025年全球云游戏市场规模将达到742.1亿元，预期年均复合增速72%。谷歌、微软、索尼、Facebook、NVIDIA、Valve、腾讯，以及各大游戏厂商纷纷布局云游戏业务。英伟达英伟达GeForceGeForce NowNow云游戏有望成为未来游戏业务支柱云游戏有望成为未来游戏业务支柱。GeForce Now目前已支持1500余款游戏，支持Steam、Epic Games、GOG.com等游戏启动器，覆盖75个国家和地区。2023年CES大会上，英伟达宣布GeForce NOW云游戏服务登陆汽车平台，首批支持汽车品牌包括比亚迪、现代、起亚、捷

92、尼赛思以及Polestar极星。图：全球云游戏市场规模图：全球云游戏市场规模(亿元亿元)图：图：GeForce NowGeForce Now云游戏登录汽车平台云游戏登录汽车平台资料来源：IDC，英伟达，中信建投49114.1203.2348.8539.4742.40050060070080020202021E2022E2023E2024E2025E 3.10 公司逐步成为全球AI芯片领域的主导者图：公司数据中心主要产品图：公司数据中心主要产品图：公司数据中心业务单季度营收（亿美元）图：公司数据中心业务单季度营收（亿美元）英伟达的通用计算芯片具备优秀的硬件设计英伟达的通用计

93、算芯片具备优秀的硬件设计，通过通过CUDACUDA架构等全栈式软件布局架构等全栈式软件布局，深度挖掘芯片硬件的性能极限深度挖掘芯片硬件的性能极限，在各类下在各类下游应用领域中游应用领域中，均推出了高性能的软硬件组合均推出了高性能的软硬件组合，逐步成为全球逐步成为全球AIAI芯片领域的主导者芯片领域的主导者。早期英伟达在数据中心的产品布局主要为GPU加速服务器。通过不同型号的GPU加速器与CPU、DPU等其他硬件产品组合以及软件的开发，英伟达还推出了面向高性能计算(HPC)、人工智能(DGX)、边缘计算(EGX)等领域中的硬件产品。资料来源：英伟达官网，中信建投11.4117.521919.03

94、20.4823.6629.3632.6337.538.0638.336.20554045数据中心GPGPUDGX服务器通用计算适用AI计算HGX服务器适用HPC、AI计算EGX服务器适用边缘计算NGC加速软件HPC、AI加速虚拟GPU调用云端GPU 3.11 数据中心业务核心优势一：AI计算能力不断提升图表：英伟达图表：英伟达GPGPUGPGPU性能指标性能指标图图:不同型号不同型号GPGPUGPGPU的性能比对的性能比对图图:英伟达英伟达GPUGPU实现实现TransformerTransformer模型加速模型加速资料来源：英伟达官网，中信建投型号型号H100H100

95、A100A100A800A800V100V100FP64(TFlops)349.79.77.8FP32(TFlops)6719.519.515.7FP16(TFlops)133.87878-INT8 Tensor(Tops)395812481248-GPU显存（GB）80808032显存带宽（GB/s）335020392039900互连（GB/s）900600400300功耗（W）700400400300发布时间2022.032020.032022.112017.5 从英伟达从英伟达GPGPUGPGPU芯片发展历程来看芯片发展历程来看，通过不断提升计算单元数量和引入张量核心通过不断提升计算单元

96、数量和引入张量核心，实现了计算能力的提升实现了计算能力的提升。每一代新型架构下的GPGPU均实现了各种数据格式下计算能力的提升，同时通过张量核心的引入，大幅提升高性能计算和AI计算能力。在人工智能领域在人工智能领域，公司公司TransformerTransformer引擎技术实现引擎技术实现TransformerTransformer模型的加速运行模型的加速运行。Transformer模型是当前自然语言处理的主流模型，并且越来越多应用在计算机视觉等其他深度学习领域。公司Transformer引擎是一种定制Tensor Core技术，针对Transformer模型的每一层参数进行分析，灵活使用混

97、合精度从而显著提升模型运行速度。公司与云服务供应商加强合作公司与云服务供应商加强合作，实现实现AIAI算力云化算力云化。2023春季GTC大会上，英伟达宣布与谷歌云、微软Azure、甲骨文云联手推出DGX云服务，为中小型企业提供了更加便捷的AI算力获取方式。00.20.40.60.81FP64(TFlops)FP32(TFlops)FP16(TFlops)INT8(Tops)GPU显存（GB）显存带宽（GB/s）互连（GB/s）功耗（W）H100A100A800V100 3.12 数据中心业务核心优势二：芯片互联能力不断提升 人工智能领域进入千亿参数的大模型时代人工智能领域进入千亿参数的大模型

98、时代，AIAI算力需求不断增长算力需求不断增长，在这种趋势下在这种趋势下，对数据中心的协同计算能力要求越来越对数据中心的协同计算能力要求越来越高高，对于能够在对于能够在GPUGPU之间实现无缝高速通信的多节点之间实现无缝高速通信的多节点、多多GPUGPU系统的需求也在与日俱增系统的需求也在与日俱增。NVIDIANVIDIA NVLinkNVLink技术最大化地提升技术最大化地提升GPUGPU吞吐量吞吐量。借助NVIDIA NVLink技术，单个NVIDIA H100 GPU通过18路NVLink连接实现900 GB/s总带宽，是PCIe 5.0带宽的7倍。NVIDIANVIDIA NVSwit

99、chNVSwitch芯片可为计算密集型工作负载提供更高带宽和更低延迟芯片可为计算密集型工作负载提供更高带宽和更低延迟。每个NVSwitch包含64个NVLink端口，实现8 GPU的高速互联，可以提供无缝、高带宽的多节点GPU集群。双层双层NVSwitchNVSwitch最多实现最多实现256256个个GPUGPU的高速互联的高速互联。通过在服务器外部添加第二层NVSwitch，NVLink网络可以连接多达256个GPU，并提供57.6TB/s的多对多带宽，从而快速完成大型AI作业。图表：图表：NVLinkNVLink互联互联图表图表:NVSwitchNVSwitch互联互联图表图表:服务器互

100、联服务器互联图图:互联技术示例互联技术示例资料来源：英伟达官网，中信建投NVLink第二代第二代第三代第三代第四代第四代总带宽300GB/s600GB/s900GB/s单GPU最大链路数61218架构支持VoltaAmpereHopperNVSwitch第二代第二代第三代第三代第四代第四代直连或节点中GPU数量最多8个最多8个最多8个NVSwitch GPU之间带宽300GB/s600GB/s900GB/s聚合总带宽2.4TB/s4.8TB/s7.2TB/s架构支持VoltaAmpereHopper服务器互联服务器互联直连GPU数量多达256个NVSwitch GPU之间带宽900GB/s聚合

101、总带宽57.6TB/s架构支持HopperNVLinkNVSwitch服务器互联服务器互联 3.13 数据中心业务核心优势三：软硬件深度绑定 2006年，英伟达看到了人工智能的兴起及GPU在并行计算方面的优势后，开始斥巨资研发CUDA指令集架构和GPU内部的并行计算引擎。2007年英伟达正式推出CUDA 1.0版本，并使旗下所有GPU芯片都适应CUDA架构，如今“英伟达英伟达GPU+CUDAGPU+CUDA系统系统”已成为极具行业壁垒的软硬件生态系统已成为极具行业壁垒的软硬件生态系统。CUDA已经迭代至CUDA 11版本，得到开发者的广泛青睐，用户数量不断提升。英伟达开发了用于深度学习的英伟达

102、开发了用于深度学习的TensorRTTensorRT推理引擎推理引擎。TensorRT基于CUDA并行编程模型，是一个高性能的深度学习计算平台，TensorRT针对深度学习推理提供INT8和FP16优化，深度神经网络的执行速度可比CPU平台快40倍。TensorRT支持Tensorflow、Pytorch、Caffe等深度学习主流框架。图：英伟达构建的图：英伟达构建的CUDACUDA生态生态图：图：TensorRTTensorRT实现深度学习推理加速实现深度学习推理加速资料来源：英伟达官网，中信建投 3.14 数据中心业务核心优势四：产品组合不断丰富 公司数据中心芯片产品组合已扩展至公司数据中

103、心芯片产品组合已扩展至GPUGPU、CPUCPU、DPUDPU等等。20192019年年，英伟达以英伟达以6969亿美元并购了亿美元并购了MellanoxMellanox，推出推出BlueFieldBlueField系列系列DPUDPU。DPU的智能网卡将成为云数据中心设备中的核心网络部件，逐渐承担原先需要CPU来执行的网络数据处理、分发的重任，从而从根本上实现软件定义网络(SDN)和网络功能虚拟化(NFV)的诸多优势，有效降低云计算的性能损失，释放CPU算力，降低功耗的同时大大减少云数据中心的运营成本。最新的BlueField-3芯片能够以400Gbps的速率对网络流量进行保护、卸载和加速。

104、英伟达推出自研英伟达推出自研CPUCPU GraceGrace，产品组合不断丰富产品组合不断丰富。在2021GTC大会上，英伟达推出了Grace CPU并计划在2023年量产,这款CPU是英伟达第一次推出的CPU产品，采用了ARM v9指令集，该指令集主要是增强面向矢量、机器学习和数字信号处理器的相关内容，这款CPU的主要应用场景将是在数据中心领域。资料来源：英伟达官网，中信建投图：英伟达不断丰富数据中心产品组合图：英伟达不断丰富数据中心产品组合图图:数据中心芯片发展路线图数据中心芯片发展路线图 3.15 英伟达在AI芯片市场中占据主导地位 英伟达凭借优异的硬件性能英伟达凭借优异的硬件性能、不

105、断提升的网络互联能力不断提升的网络互联能力、CUDACUDA的软硬件协同的软硬件协同、以及产品组合的全自研以及产品组合的全自研，在在AIAI数据中心和数据中心和HPCHPC超算中心占据领导者地位超算中心占据领导者地位。在学术界在学术界，英伟达英伟达GPUGPU作为作为AIAI芯片的出现频率远超其他类型芯片芯片的出现频率远超其他类型芯片。根据stateof.AI 2022报告，英伟达芯片在AI学术论文中的出现频次远超其他类型的AI芯片，是学术界最常用的人工智能加速芯片。在数据中心中在数据中心中，英伟达英伟达GPUGPU占据主导地位占据主导地位。根据LIFTR INSIGHTS数据，在大型数据中心

106、的AI加速芯片中，英伟达的GPU占据了超过80%的AI加速芯片市场份额，在Oracle以及腾讯云中，几乎全部采用英伟达的GPU作为计算加速芯片。在整体数据中心加速芯片市场中，英伟达市场份额为82%，占据主导地位。图：英伟达芯片在图：英伟达芯片在AIAI学术论文中的出现频次学术论文中的出现频次图：图：20222022年人工智能加速芯片在云上部署情况年人工智能加速芯片在云上部署情况图图:2022:2022年人工智能加速芯片市场份额年人工智能加速芯片市场份额资料来源：stateof AI2022，LIFTR INSIGHTS，中信建投23x23xlog scale89%72%83%89%100%99

107、%15%5%6%3%7%14%11%6%1%0%20%40%60%80%100%阿里云AWSAzureGCPOracle腾讯NVIDIAAWSXilinxAMDGoogleIntel82%8%4%2%2%2%1%NVIDIAAWSXilinxAMDGoogleIntel其他 3.16 实时协作模拟平台Omniverse OmniverseOmniverse是一个计算机图形与仿真模拟平台是一个计算机图形与仿真模拟平台，主要用处是让企业在实际建设工厂主要用处是让企业在实际建设工厂、生产产品前生产产品前，通过数字化模拟通过数字化模拟“预览预览”实际的成品实际的成品。Omniverse可以应用于媒体娱

108、乐、建筑工程、制造业、自动驾驶等多个领域,利用Omniverse能够将全局照明、实时光线追踪、AI、计算和工程 Simulation 等技术整合到日常工作流程中,提高行业工作流程的灵活性和可扩展性。在汽车制造行业中，沃尔沃和通用汽车使用Omniverse统一产品设计流程，丰田汽车则用来创建数字孪生工厂，奔驰使用这款软件建立和优化新车的生产线，宝马计划在2025年投产的新电动车工厂已经在软件中成功运作。OmniverseOmniverse平台支持元宇宙的应用程序开发平台支持元宇宙的应用程序开发，面向用户提供生成式面向用户提供生成式AIAI扩展工具扩展工具。创作者可使用Audio2Face，基于音

109、频文件生成面部表情；使用Audio2Emotion，生成从快乐和兴奋到悲伤和遗憾的逼真情绪；使用 Audio2Gesture，实现逼真的上半身动作。图：图：OmniverseOmniverse关键模块和功能关键模块和功能图：基于图：基于OmniverseOmniverse打造的宝马数字工厂打造的宝马数字工厂资料来源：英伟达官网，中信建投 3.17 英伟达提供全栈式的自动驾驶产品解决方案 在自动驾驶领域在自动驾驶领域，英伟达提供平台化芯片以及算法开发工具链英伟达提供平台化芯片以及算法开发工具链，已经形成了全栈式的自动驾驶产品解决方案已经形成了全栈式的自动驾驶产品解决方案。在硬件层面，公司推出Xa

110、vier、Orin、Thor的高等级自动驾驶芯片。在软件层面，公司推出了自动驾驶配套的底层开发平台Drive OS、模块化定制软件DriveWorks、自动驾驶软件栈Drive AV和AI辅助驾驶平台Drive IX等自动驾驶汽车软件，实现感知、定位和地图绘制、规划和控制、驾驶员监控和自然语言处理等主要功能。通过“硬件+软件”的一体化解决方案，实现L2-L5的自动驾驶应用场景全覆盖，助力下游客户进行自动驾驶技术的测试与开发。图：公司自动驾驶产品提供“硬件图：公司自动驾驶产品提供“硬件+软件”的整体解决方案软件”的整体解决方案图：公司汽车业务单季度营收（亿美元）图：公司汽车业务单季度营收（亿美元

111、）资料来源：英伟达官网，中信建投1.551.111.251.451.54 1.521.351.251.382.22.512.9400.511.522.533.5DriveDrive OSOS基础软件堆栈，包 含 CUDA、TensorRT等组件DriveDrive HyperionHyperion自动驾驶汽车参考架构DriveWorksDriveWorks提供各类针对自动驾驶的中间功能件DriveDrive IXIX为 AI 驾舱创新解决方案提供舱内感知DriveDrive AVAV实现感知、定位和地图绘制、规划和控制 3.18 自动驾驶Orin芯片 2021年12月，英伟达正式推出采用Ori

112、n芯片，相比前一代Xavier的算力提升7倍，从30 TOPS提升到了254 TOPS。Orin硬件架构可以简单分为5部分，存储、外围、CPU、GPU和加速器，集成了采用12核的ARM Cortex-A78 CPU，新一代Ampere架构GPU以及全新深度学习加速器DLA和计算机视觉加速器PVA。Orin可以覆盖L2-L5的自动驾驶计算需求。单个Orin芯片最高提供6个CSI摄像头接口，通过虚拟通道增加到16个，可以承载4个800万摄像头。NVIDIA DRIVE L2+解决方案由两个NVIDIA Orin系统级芯片提供支持，一个用于主动安全、自动驾驶和停车应用，另一个用于AI座舱功能。双Or

113、in芯片可以承载8个800万像素摄像头，5个激光雷达，12个超声波雷达，实现360度场景感知。图：图：OrinOrin硬件架构硬件架构图：双图：双OrinOrin架构的自动驾驶解决方案架构的自动驾驶解决方案资料来源：英伟达官网，中信建投 3.19 Thor芯片：算力大幅提升，提供全栈式解决方案图：图：ThorThor芯片实现计算能力的显著提升芯片实现计算能力的显著提升图：单一图：单一ThorThor芯片提供全栈式智能汽车解决方案芯片提供全栈式智能汽车解决方案资料来源：英伟达官网，中信建投 ThorThor芯片芯片AIAI算力大幅提升算力大幅提升。2022年9月，英伟达正式推出采用Thor芯片，

114、单颗芯片算力达到2000 TOPS，性能约是目前主流的英伟达Orin芯片的8倍，单颗FSD芯片的28倍，预计于2025年量产。Thor采用了面向高性能计算HPC的Grace CPU，GPU部分采用RTX 40系列的Ada Lovelace架构和针对Transformer深度神经网络模型优化的Hopper架构，同时采用NVLink互联技术。Hopper架构兼容的FP8精度格式，从而实现神经网络的模型加速。ThorThor芯片提供全栈式智能汽车解决方案芯片提供全栈式智能汽车解决方案。Thor芯片提供的极高算力可以同时将包括自动驾驶和辅助驾驶、泊车、驾乘人员监控、数字仪表板、车载信息娱乐等智能功能，

115、统一整合到单个架构中，提供一套包括车身控制、娱乐等在内的全栈式解决方案，降低系统的运行能耗、提升效率，同时降低智能汽车的研发难度。3.20 DRIVE Hyperion自动驾驶平台 英伟达英伟达DRIVEDRIVE HyperionHyperion是自动驾驶汽车开发平台和参考架构是自动驾驶汽车开发平台和参考架构，用于开发高等级的自动驾驶解决方案用于开发高等级的自动驾驶解决方案。DRIVE Hyperion构建于Orin芯片基础之上，还包含适用于自动驾驶的开发者软件套件与完整传感器套件（12个外部摄像头、3个内部摄像头、9个雷达、12个超声波、1个前置激光雷达）。通过准确的传感器校正、精确的时间

116、同步、集成的实用程序实现了算法的开发加速。DRIVE Hyperion同时支持无线更新，能够在车辆的完整生命周期内添加新的特性和功能，实现跨代兼容。DRIVEDRIVE HyperionHyperion得到新能源汽车制造商的广泛青睐得到新能源汽车制造商的广泛青睐。智己汽车、理想汽车、蔚来汽车、飞凡汽车和小鹏汽车等许多新能源汽车制造商采用DRIVE Hyperion作为平台来开发智能的车型。英伟达在GTC 2023表示，从2023年上半年起，比亚迪将在部分新车上搭载英伟达DRIVE Hyperion平台，实现车辆智能驾驶和智能泊车。图：图：DRIVE HyperionDRIVE Hyperion

117、示例示例图：图：Hyperion 8.1Hyperion 8.1传感器规格传感器规格资料来源：英伟达官网，中信建投传感器传感器功能功能8个外部摄像头广域和远距视野4个外部摄像头鱼眼近距视野6个雷达角落和侧面感知3个雷达前后感知1个激光雷达前面冗余感知3个内部摄像头驾驶域乘客监控其他传感器（IMU、GPS、GNSS等）其他信息采集 3.21 公司自动驾驶芯片技术领先，同时具备平台化优势软硬件解耦可独立升级研发捆绑软件层面开放程度较高硬件优势明显完善的官方开发套件可在模块化定制软件层开放API，也可在辅助驾驶平台和智能助手层开放 API。支持硬件升级路线和软件升级路线其深度学习算法加速基于英伟达C

118、UDA和TensorRT，使其软件研发体系不可脱离硬件平台。生态生态优势优势 公司自动驾驶芯片通过公司自动驾驶芯片通过DLADLA模块和模块和PVAPVA模块实现模块实现AIAI算法加速算法加速。DLA（Deep Learning Accelerator）是一种专用于AI推理的深度学习加速器，英伟达DLA模块由MAC（乘积累加运算）阵列组成，能够有效地执行深度学习的固定推理操作。可编程视觉加速器（PVA)，专注于视觉相关的处理，能够比GPU或者DLA模块更快、更好地处理对象检测等视觉处理中的基本任务。公司自动驾驶架构具备灵活公司自动驾驶架构具备灵活、可快速迭代的优势可快速迭代的优势。公司布局了

119、完整的软件堆栈，围绕着车端、桌面端、云端构建了开发者平台，其上包含各类中间件和成熟的算法模块，形成完整的工具链和丰富的软件生态。客户可以在任何一层买入英伟达的服务，搭建自己的算法或者应用。配合英伟达的高算力自动驾驶芯片，实现自动驾驶算法的开发加速。图：自动驾驶芯片中的图：自动驾驶芯片中的DLADLA模块实现模块实现AIAI加速加速图：公司图：公司自动驾驶业务优势自动驾驶业务优势资料来源：英伟达官网，中信建投 第四章第四章全球第二大全球第二大GPUGPU厂商厂商AMDAMD5555 4.1 AMD简介 美国超威半导体公司(Advanced Micro Devices，AMD)创立于1969年，专

120、门为计算机、通信和消费电子行业提供各类微微处理器以及提供闪存和低功率处理器方案处理器以及提供闪存和低功率处理器方案，公司是全球领先的全球领先的CPUCPU、GPUGPU、APUAPU和和FPGAFPGA设计厂商设计厂商，掌握中央处理器、图形处理器、闪存、芯片组以及其他半导体技术，具体业务包括数据中心、客户端、游戏、嵌入式四大部分。公司采用Fabless研发模式，聚焦于芯片设计环节，制造和封测环节则委托给全球专业的代工厂处理。目前全球CPU市场呈Intel和AMD寡头垄断格局,Intel占主导地位。在独立GPU市场中，主要是英伟达（NVIDIA）、AMD进行角逐,Intel目前凭借其锐炬Xe M

121、AX产品也逐步进入独立GPU市场。19691969公司在硅谷成公司在硅谷成立立，专注于微处理器及相关技术设计。20062006收购收购ATIATI，获得图形处理技术，成为当时全球唯一同时具备高性能 CPU/GPU 研 发能力的厂商。20072007发布发布TeraScaleTeraScale架架构构，是 来 自AMD/ATI的最后一个以纯图形为中心的GPU 架构。20122012发布发布GCNGCN架构架构，其 中Polaris是第四代，瞄准中 低 端 市 场；Vega 为第五代，瞄准高端市场。20192019发布发布RDNARDNA架构架构，Radeon 5000 系列显卡率先采用RDNA架

122、构。20222022发 布发 布 RDNARDNA3 3 架架构的构的Radeon RX7900 XT显卡，全球首款采用ChipletChiplet设计设计的游戏GPU。图：图：AMDAMD GPUGPU业务发展史业务发展史资料来源：AMD官网，中信建投 4.2 AMD保持良好的增长态势 得益于公司数据中心得益于公司数据中心、嵌入式业务的快速增长嵌入式业务的快速增长，公司营收和净利润实现规模提升公司营收和净利润实现规模提升。2022年公司营业收入236亿美元，同比增长43.6%；2022Q4公司营收55.99亿美元，同比增长16%。2022年公司净利润13.2亿美元，同比下降58.25%；20

123、22Q4净利润0.21亿美元，同比下降98%，主要原因系收购赛灵思的无形资产摊销导致净利润下滑。公司预期2023Q1营收53亿美元，同比下滑10%。客户和游戏的细分市场预计会同比下降，部分被嵌入式和数据中心细分市场增长所抵消。图：图：AMDAMD营收及增速营收及增速图：公司净利润及增速图：公司净利润及增速资料来源：AMD，中信建投23643.6%-40%-20%0%20%40%60%80%05002000212022营业收入(亿美元)YoY-6.6-4.970.433.373.4124.931.6213.2-58.25%-100

124、%0%100%200%300%400%500%600%700%800%-10-50552000212022净利润(亿美元)YoY 4.3 AMD分业务营收情况 公司营收主要包括四部分公司营收主要包括四部分。数据中心业务主要包括用于数据中心服务器的各类芯片产品；客户端业务主要包括用于PC的各类处理器芯片；游戏业务主要包括独立GPU及其他游戏产品开发服务；嵌入式业务主要包括适用于边缘计算的各类嵌入式计算芯片。公司数据中心公司数据中心、嵌入式业务的营收增长较快嵌入式业务的营收增长较快。2022年，公司数据中心业务收入60.43亿美元，

125、营收占比25.60%；客户端业务收入62.01亿美元，营收占比26.27%；游戏业务收入68.05亿美元，营收占比28.83%；嵌入式业务收入45.52亿美元，营收占比19.29%。图：图：分业务营收情况分业务营收情况图：图：20222022年分业务营收占比情况年分业务营收占比情况资料来源：AMD，中信建投25.60%26.27%28.83%19.29%数据中心客户端游戏嵌入式8.1311.0811.6312.9314.8616.0916.5517.2816.9218.2921.2421.5210.229.0312.5514.3417.6318.7516.5516.3116.440.540.7

126、90.715.9512.5713.0313.97007021Q221Q321Q422Q122Q222Q322Q4数据中心客户端游戏嵌入式 4.4 AMD盈利情况 公司2022年毛利率为45.55%，同比下降2.7pt；净利率为5.59%，同比下降13.65pt，主要由于赛灵思收购相关的无形资产摊销以及研发投入的增加。近年来公司不断增加研发投入，2022年研发费用50.05亿美元，同比上升75.9%；研发费用率为21.21%,上升3.9pt，2022年实现了研发费用的大幅提升。截止2022年底，AMD全球员工总数达25000人，相比2021年年底的15500人显著提升。图：

127、图：公司毛利率和净利率公司毛利率和净利率图：公司研发费用率图：公司研发费用率资料来源：AMD，中信建投-16.54%-11.63%0.81%5.20%5.07%25.50%19.24%5.59%27.06%23.36%34.21%37.79%42.61%44.53%48.25%45.55%-20%-10%0%10%20%30%40%50%60%2000212022净利率毛利率50.0521.21%0%5%10%15%20%25%002000212022研发费用研发费用率 4.5 AMD

128、提供集成GPU和独立GPU AMDAMD可以提供集成可以提供集成GPUGPU和独立和独立GPUGPU两类两类PCPC GPUGPU。集成GPU主要被运用在台式机和笔记本的APU产品、嵌入式等产品中,主要用于游戏、移动设备、服务器等应用。APU带有集成的板载GPU，CPU和GPU的高度融合在一起协同计算、彼此加速，相比于独立GPU更具性价比优势。独立独立GPUGPU为为RadeonRadeon系列系列。AMD的Radeon系列独立GPU按推出时间先后顺序可以分为RX500系列、Radeon 7、RX5000系列、RX6000系列、RX7000系列。Radeon系列显卡具备一定的性价比优势，市场份

129、额有进一步上升的空间。RDNARDNA 3 3架构采用架构采用5 5nmnm工艺和工艺和chipletchiplet设计设计，比RDNA 2架构有54%每瓦性能提升，包括2.7倍AI吞吐量、1.8倍第二代光线追踪技术，5.3 TB/s的峰值带宽、4K 480Hz和8K 165HZ的刷新率等。AMD预计2024年推出RDNA 4架构，将采用更为先进的工艺制造。图：图：AMDAMD游戏游戏GPUGPU产品硬件架构产品硬件架构图：图：AMDAMD不同领域的架构选择不同领域的架构选择资料来源：AMD官网，中信建投 4.6 CDNA 2架构带来计算性能的大幅提升 20182018年年，AMDAMD推出用

130、于数据中心的推出用于数据中心的RadeonRadeon InstinctInstinct GPUGPU加速芯片加速芯片，InstinctInstinct系列基于系列基于CDNACDNA架构架构。在通用计算领域，最新的CDNA 2架构相比CDNA 1架构，实现计算能力和互联能力的显著提升，MI250X采用CDNA 2架构。在向量计算方面，CDNA 2对向量流水线进行了优化，FP64的工作频率与FP32相同，具备同样的向量计算能力。在矩阵计算方面，CDNA 2引入了新的矩阵乘指令级，特别适用于FP64精度，此外Mattrix Core还支持FP32、FP16（BF16）和INT8的计算精度。在互联

131、方面，通过AMD infinity fabric接口实现加速器之间的P2P或者I/O通信，提供800GB/s的总理论带宽，相比上一代提升了235%。图：图：AMDAMD数据中心数据中心GPUGPU产品架构产品架构图表：图表：AMDAMD和英伟达数据中心和英伟达数据中心GPUGPU产品性能比对产品性能比对资料来源：AMD官网，中信建投型号型号AMD MI250X英伟达英伟达H100英伟达英伟达A100FP64(TFlops)47.9349.7FP32(TFlops)47.96719.5FP16(TFlops)3831979624INT8(Tops)38339581248GPU显存(GB)1288

132、080显存带宽(GB/s)327733502039互连(GB/s)800900600功耗(W)560700400发布时间2021.112022.032020.03 4.7 AMD ROCm计算生态 AMDAMD ROCmROCm是是RadeonRadeon OpenOpen ComputeCompute(platform)(platform)的缩写的缩写，是是20152015年年AMDAMD公司为了对标公司为了对标CUDACUDA生态而开发的一套用于生态而开发的一套用于HPCHPC和超和超大规模大规模GPUGPU计算提供的开源软件开发平台计算提供的开源软件开发平台。ROCmROCm之于之于AM

133、DAMD GPUGPU相当于相当于CUDACUDA之于英伟达之于英伟达GPUGPU。ROCmROCm是一个完整的是一个完整的GPGPUGPGPU生态系统生态系统，在源码级别上实现在源码级别上实现CUDACUDA程序支持程序支持。ROCm在整体架构上与CUDA类似，实现了主要模块的对齐，封装层次较CUDA更为复杂。ROCm由以下组件组成：HIP程序、ROC运行库、ROCm库、ROCm核心驱动，ROCm支持各类主流的深度学习框架，例如Tensorflow、PyTorch、Caffe等。图：图：NVIDIANVIDIA的的CUDACUDA架构架构图：图：AMDAMD的的ROCmROCm架构架构图：图

134、：AMDAMD的的ROCmROCm生态组成生态组成资料来源：CSDN，AMD，中信建投 第五章第五章移动移动GPUGPU厂商厂商6363 5.1 移动端GPU采用不同的架构设计 移动端移动端GPUGPU在设计过程中受到能耗和体积方面的限制在设计过程中受到能耗和体积方面的限制，都是以集成的都是以集成的SOCSOC芯片形式出现在移动端芯片形式出现在移动端，被广泛应用在手机被广泛应用在手机、平板电脑平板电脑、VRVR、ARAR设备设备、物联网设备当中物联网设备当中。SOC芯片中，CPU、GPU共享有限的内存带宽，频繁使用内存带宽会造成较大的能耗，通过采用分块渲染架构（Tile-Based Rende

135、ring，TBR）可以有效减少带宽消耗，其核心思想是：将帧缓冲分割为一小块一小块，然后在片上高速内存逐块进行渲染，与PC端采用的及时渲染架构（IMR）相比，极大的减少了DRAM的访问次数，从而降低了整体能耗。分块延迟渲染架构（TBDR）采用影藏面消除（HSR），不会渲染被遮挡的物体表面片，渲染效率进一步提升。图：图：分块架构架构分块架构架构图：即时渲染架构（图：即时渲染架构（IMRIMR）和分块渲染架构（）和分块渲染架构（TBRTBR）的差异）的差异资料来源：TechPowerUp，CSDN，中信建投PC端的IMR架构移动端的TBR架构 5.2 高通在旗舰Android智能手机SoC市场中保持

136、领先 高通自研GPU源自2009年收购于AMD的移动GPU Imageon系列，后改名为Adreno，并集成到自家骁龙SoC中，发展至今已到“Adreno-7”系列，在全球旗舰Android智能手机SoC市场中保持领先。据IDC报告显示，2022Q3全球手机市场出货量下滑8%，高通手机业务营收仍实现40%增长；Counterpoint Research研究显示公司在AP/SoC芯片市场的份额从过往的25%左右提升至30%左右，稳占高端安卓市场。采用骁龙8+的OEM厂商和品牌包括华硕ROG、黑鲨、荣耀、联想、Motorola、努比亚、一加、OPPO、OSOM、realme、红魔、Redmi、vi

137、vo、小米和中兴等。图：图：全球手机全球手机AP/SoCAP/SoC芯片份额芯片份额图：图：高通高通Adreno GPUAdreno GPU发展历史发展历史资料来源：counterpoint，高通，中信建投2009年以年以前前 Adreno 1x Series GPUs 固定功能GPU加速硬件，A110&A120自研，A130来自ATI/AMD2009-2011 Adreno 2x Series GPUs 收购收购AMD Imageon 完全可编程的 openGL ES 2.0 GPU，A205共同研发，A220/225自研2012-2018 Adreno 3x/4x/5x Series GP

138、Us 首款通用首款通用GPGPU，完全自研完全自研。性能飞速发展，逐步支持OpenGL ES、OpenCL、OpenGL、Direct3D、Vulkan 等。2018-2021 Adreno 6x Series GPUs A650首次支持HDR快速混合快速混合技术、A660引入可变分辨率可变分辨率渲染渲染(VRS)技术、技术、图像运动图像运动技术，大大提升游戏性能。2021至今至今 Adreno 7x Series GPUs 采用4nm工艺工艺，用于高端安卓设备，支持光光线追踪技术。线追踪技术。39%42%40%35%36%39%28%26%27%29%33%29%15%14%15%20%14

139、%14%7%9%10%11%11%11%6%5%5%4%5%6%5%3%2%1%1%0%0%5%10%15%20%25%30%35%40%45%2021Q12021Q22021Q32021Q42022Q12022Q2联发科高通苹果紫光展锐三星海思 5.3 高通移动GPU性能不断提升迭代 2018年骁龙855携Adreno 640进入5G时代，2019年高通发布搭载Adreno 660的骁龙888，该GPU是高性能和低功耗的代表产品。Adreno 660采用5nm制程，首次引入可变速率着色(VRS)，为移动设备带来全新桌面级功能，游戏性能提升明显；桌面正向渲染技术以超逼真的细节提升画面从电影景深

140、、运动模糊到动态灯光、阴影多个场景的质感；使用HDR FastBlend，运行HDR游戏的速度最高可提高2倍，可加速多层的混合。2022年11月，公司发布全新4nm级GPU Adreno 740，将搭载于骁龙8 Gen2，是首个和唯一支持全部HDR格式的移动GPU，支持光线追踪技术和游戏后处理加速器技术。在Notebookcheck的GFXBench 3.0 1080p曼哈顿离屏测试中，分数优于苹果A15。图表：图表：部分高端移动部分高端移动GPUGPU（智能手机和笔记本电脑）测试分数（智能手机和笔记本电脑）测试分数GPU型号型号像素着色器个数像素着色器个数制程制程(nm)性能性能评分评分GF

141、XBench 3.0 1080p曼哈顿离屏（曼哈顿离屏（fps）Apple M2（PC）85100483.7Apple M1（PC）8570.7345Adreno 740454.6253Apple A165457.3290.5Apple A155549.6233Adreno 730 444206ARM Mali-G71010449.25238Apple A14 Bionic2536.8172.85Adreno 660728.8134.27资料来源：Notebookcheck，中信建投 5.4 ARM全球领先的半导体IP公司 ARM是全球领先的半导体IP公司，成立于1990年。公司主要产品有CP

142、U、GPU和NPU等处理器IP、安全性IP、系统性IP和相关软件及开发工具。公司通过IP授权向下游厂商收取许可费用和使用费用，客户包含芯片设计、芯片生产等电子行业所有重要公司。公司GPU产品为Mali系列，使用场景有智能手机、平板电脑、笔记本电脑、可穿戴设备、VR/AR、自动驾驶汽车芯片等。据Strategy Analytics报告，ARM智能手机和平板电脑的GPU份额在2016年达到顶峰，2017年开始受苹果iPhone和iPad的GPU出货量增长等因素影响，ARM的GPU市场份额逐步下降到2020年的39%。据ARM官网，截止2022年6月，Mali GPU累计出货量超80亿颗，为全球出货

143、量最高的移动GPU。图：图：ARMARM整体计算解决方案包含的产品及服务整体计算解决方案包含的产品及服务图：图：ARM ARM malimali GPUGPU路线图路线图资料来源：Arm，中信建投 5.5 ARM GPU领跑安卓阵营 公司GPU架构为第四代Vallhall，Mali-G7系列定位高端市场，其中Mali-G710在FPS/W峰值和持续工作负载方面表现出色；新出的Mali-G6系列采取G7系列相同架构但使用更少的核心，Mali-G5和Mali-G3定位中端市场。旗舰款Immortails-G715 GPU采用10个及以上内核，支持硬件级光线追踪技术，效能提升15%，机器学习能力强化

144、两倍。Immortails-G715 GPU已搭配Cortex-X3 CPU搭载于联发科新款4nm级旗舰芯片天玑9200。在安兔兔的跑分中，天玑9200相比天玑9000性能提升25%，GPU性能提升32%，功耗降低41%，刷新安卓阵营历史新高；在更侧重GPU的GFX Bench测试中，Immortails-G715比苹果A16帧数高出26fps。图：图：ARMARM整体整体SoCSoC设计方法设计方法图：图：ImmortailsImmortails-G715 GPUG715 GPU的架构的架构资料来源：Arm，中信建投 5.6 Imagination提供优秀的移动GPU芯片设计方案 Imagi

145、nation是移动GPU芯片设计的领军企业，成立于1985年。近些年，公司不断扩展产品领域，在CPU、人工智能芯片、以太网数据包处理器领域持续发力，产品覆盖汽车电子、AIot、桌面级应用、移动设备、机顶盒、服务器等诸多领域。公司的PowerVR架构在移动芯片领域得到市场的广泛认可，为Intel、LG、德州仪器、三星、索尼、苹果、紫光展锐、海思等诸多公司提供授权服务。面向移动设备，2019年开始公司陆续提出PowerVR的升级版本IMG A系列、IMG B系列、具备光线追踪能力的IMG CXT多层次产品。图：图：ImaginationImagination产品路线图产品路线图图：图：201920

146、19年手机年手机GPUGPU IPIP市场占有率市场占有率资料来源：Imagination，TSR，中信建投35.5%34.5%30.0%ImaginationARMQualcomm 5.7 IMG B系列采取去中心化的多核架构 2020年10月，公司发布IMG B系列高性能GPU IP，这款多核架构GPU IP包括BXE、BXM、BXT、BXS 4个系列33种配置，IMG BXE面向高清显示应用，IMG BXM主打图形处理体验，IMG BXT面向高性能应用，IMG BXS面向汽车应用。IMGIMG B B系列采用去中心化的多核架构系列采用去中心化的多核架构。在一组内核中，采用主核、次核的拓展

147、模式，其中一个作为主GPU带有一个控制固件处理器用来分割任务（渲染帧），并将这些渲染帧分割成不同的模块，其他的GPU就将这些分割的任务在自己的硬件上执行。可以利用其HyperLane（超线程）技术，进行多任务并行处理。2021年11月，Imagination推出最新GPU产品IMG CXT实现了4级RTLS硬件光线追踪，首次在移动端实现了桌面级质量的光线追踪效果。图：图：IMGIMG B B系列产品系列产品图：图：BXTBXT的多核架构的多核架构资料来源：Imagination，中信建投 第六章第六章国内国内GPUGPU厂商发展情况厂商发展情况7171 6.1 国内GPU市场空间广阔 国内市场

148、空间广阔国内市场空间广阔，PCPC、服务器拉动服务器拉动GPUGPU需求需求。根据Verified Market Research数据，2020年中国GPU市场规模为47.39亿美元，预计2023年中国GPU市场规模将达到111亿美元。中国数字化经济转型持续推进，催生大量对GPU的市场需求，给GPU带来广阔的市场空间。伴随着近期宏观经济回暖以及国内互联网企业纷纷加大AI算力布局，PC和服务器的需求上升有望为国内GPU市场带来整体拉动效应。GPUGPU的国产替代过程中也需要克服诸多困难的国产替代过程中也需要克服诸多困难，例如：软件生态以及例如：软件生态以及IPIP、先进工艺的生产不可控先进工艺的

149、生产不可控，缺乏人才储备缺乏人才储备，人力人力、时间时间、资金投入成本较高等资金投入成本较高等。图：图：中国中国GPUGPU市场规模（亿美元）市场规模（亿美元）图：图：GPUGPU国产替代过程中需要克服的困难国产替代过程中需要克服的困难资料来源：Verified Market Research，中信建投缺乏人才缺乏人才储备储备先进工艺先进工艺生产不可生产不可控控人力、时人力、时间、资金间、资金投入成本投入成本高高软件生态软件生态以及以及IPIP47.3962.983.6111147.5195.9260.2345.605003003504002020202120222023

150、E 2024E 2025E 2026E 2027E 6.2 海光信息提供服务器、工作站中的高端处理器芯片 海光信息成立于2014年，主营业务是研发、设计和销售应用于服务器、工作站等计算、存储设备中的高端处理器。产品包括海光通用处理器(CPU)和海光协处理器(DCU)，目前已经研发出多款新能达到国际同类主流产品的高端CPU和DCU产品。2018年10月，公司启动深算一号DCU产品设计，目前海光DCU系列深算一号已经实现商业化应用，2020年1月，公司启动了第二代DCU深算二号的产品研发工作。图：图：公司产品矩阵公司产品矩阵图：公司营收细分图：公司营收细分资料来源：海光信息招股说明书，中信建投海光

151、3200CPU海光5200CPU海光7200CPU海光8100DCU0.491.072.750.051.291.923.257.8615.022.390.002.004.006.008.0010.0012.0014.0016.0020000系列5000系列7000系列8000系列 6.3 海光DCU详解 海光海光DCUDCU属于属于GPGPUGPGPU的一种的一种，海光海光DCUDCU的构成与的构成与CPUCPU类似类似，其结构逻辑相其结构逻辑相CPUCPU简单简单，但计算单元数量较多但计算单元数量较多。海光DCU的主要功能模块包括计算单元(CU)、片上网络、高速缓存、各

152、类接口控制器等。深度计算处理器深度计算处理器(Deep(Deep-learninglearning ComputingComputing UnitUnit，DCU)DCU)。公司基于通用的GPGPU架构，设计、发布的适合计算密集型和运算加速领域的一类协处理器，定义为深度计算处理器DCU。兼容通用的“类 CUDA”环境以及国际主流商业计算软件和人工智能软件，软硬件生态丰富，可广泛应用于大数据处理、人工智能、商业计算等应用领域。图：图：DCUDCU架构示意图架构示意图图表：海光图表：海光DCUDCU 81008100性能指标性能指标海光海光81008100典型功耗260-350W典型运算类型双精度

153、、单精度、半精度浮点数据和各种常见整型数据计算60-64个计算单元(最多4096个计算核心)支持FP64、FP32、FP16、INT8、INT4内存4个HBM2内存通道、最高内存带宽为1TB/s、最大内存容量为32GBI/O16 Lane PCIe Gen4、DCU芯片之间高速互连资料来源：海光信息招股说明书，中信建投 6.4 海光信息DCU提供高性能算力 海光8100采用先进的FinFET工艺，典型应用场景下性能指标可以达到国际同类型高端产品的同期水平，在国内处于领先地位。2021年下半年DCU正式实现商业化应用，当年贡献2.38亿营收，该业务毛利率为34.84%，产品平均单价为19285元

154、。图表：图表：深算一号与主流深算一号与主流GPGPUGPGPU性能比对性能比对项目项目海光信息海光信息NVIDIANVIDIAAMDAMD品牌品牌深算一号Ampere 100MI100生产工艺生产工艺7nm FinFET7nm FinFET7nm FinFET核心数量核心数量4096(64 CUs)2560 CUDA processors640 Tensor processors120 CUs内核频率内核频率Up to 1.5GHz(FP64)Up to 1.7Ghz(FP32)Up to 1.53GhzUp to 1.5GHz(FP64)Up to 1.7Ghz(FP32)显存容量显存容量3

155、2GB HBM280GB HBM2e32GB HBM2显存位宽显存位宽4096 bit5120 bit4096 bit显存频率显存频率2.0 GHz3.2 GHz2.4 GHz显存带宽显存带宽1024 GB/s2039 GB/s1228 GB/sTDPTDP350 W400 W300 WCPU to GPUCPU to GPU互联互联PCIe Gen4 x 16PCIe Gen4 x 16PCIe Gen4 x 16GPU to GPUGPU to GPU互联互联xGMI x 2,Up to 184 GB/sNVLink up to 600 GB/sInfinity Fabric x3,up

156、to 276 GB/s资料来源：海光信息招股说明书，中信建投 海光信息海光信息DCUDCU协处理器全面兼容协处理器全面兼容ROCmROCm GPUGPU计算生态计算生态，由于由于ROCmROCm和和CUDACUDA在生态在生态、编程环境等方面具有高度的相似性编程环境等方面具有高度的相似性，CUDACUDA用户可以以较低代价快速迁移至用户可以以较低代价快速迁移至ROCmROCm平台平台，因此因此ROCmROCm也被称为也被称为“类类CUDA”CUDA”。因此，海光DCU协处理器能够较好地适配、适应国际主流商业计算软件和人工智能软件，软硬件生态丰富，可广泛应用于大数据处理、人工智能、商业计算等计算

157、密集类应用领域，主要部署在服务器集群或数据中心，为应用程序提供高性能、高能效比的算力，支撑高复杂度和高吞吐量的数据处理任务。图：图：ROCmROCm GPUGPU计算生态计算生态6.5 ROCm GPU计算生态资料来源：海光信息招股说明书，公司官网，中信建投 6.6 景嘉微简介 长沙景嘉微电子股份有限公司成立于长沙景嘉微电子股份有限公司成立于20062006年年，20152015年推出首款国产年推出首款国产GPUGPU，是国内首家成功研制具有完全自主知识产权的是国内首家成功研制具有完全自主知识产权的GPUGPU芯片并实现工程应用的企业芯片并实现工程应用的企业，2016年在深交创业板成功上市。公

158、司业务布局图形显示、图形处理芯片和小型专用化雷达领域，产品涵盖集成电路设计、图形图像处理、计算与存储产品、小型雷达系统等方向。公司公司GPUGPU研发历史悠久研发历史悠久，技术积淀深厚技术积淀深厚。公司成立之初承接神舟八号图形加速任务，为图形处理器设计打下坚实基础；公司2007年自主研发成功VxWorks嵌入式操作系统下M9芯片驱动程序，并解决了该系统下的3D图形处理难题和汉字显示瓶颈，具备了从底层上驾驭图形显控产品的能力。2015年具有完全自主知识产权的GPU芯片JM5400问世，具备高性能、低功耗的特点；此后公司不断缩短研发周期，JM7200在设计和性能上有较大进步，由专用市场走向通用市场

159、；JM9系列定位中高端市场，是一款能满足高端显示和计算需求的的通用型芯片。图：图：景嘉微发展历史景嘉微发展历史资料来源：景嘉微招股说明书，wind，中信建投20062006成功研发成功研发VxWorksVxWorks嵌入嵌入式操作系统下及式操作系统下及GPUGPU芯芯片驱动程序片驱动程序，初步完成GPU技术积累。20122012几款主要小型专用化雷达产品定型。20152015推出首款国产高性能推出首款国产高性能、低低功耗图形处理芯片功耗图形处理芯片JMJM54005400，具有完全自主知识产权。20182018年年1111月月成功研发第二代图形成功研发第二代图形处理芯片处理芯片JMJM7200

160、7200。20212021年年9 9月月成功研发第三代图成功研发第三代图形处理芯片形处理芯片JMJM9 9系系列列。20222022年年5 5月月JM9系列第二款芯片已完成流片、封装阶段工作及初步测试工作。6.7 公司芯片业务展现良好增长势头 2022Q1-Q3，公司实现营收7.29亿元，同比下滑10.35%；归母净利润1.73亿元，同比下滑30.60%。近年来，公司收入保持高速增长，受行业景气度旺盛和国产替代加速影响，分别在JM5400和JM9231研发成功时，公司营收增速均实现较大增长。分领域来看，图形显控领域产品销售收入为公司核心收入，2021年芯片业务的快速发展，芯片收入占比提升到38

161、%。2022H1，图形显控领域产品销售收入2.63亿元，芯片业务收入2.09亿元。图：图：公司营业收入、净利润及增速公司营业收入、净利润及增速图：公司营收占比情况图：公司营收占比情况74%73%72%71%48%48%16%20%18%16%10%12%6%5%8%11%41%38%4%2%2%2%1%1%0%20%40%60%80%100%2002020212022H1图形显控小型雷达芯片其他收入资料来源：wind，中信建投3.063.975.316.5410.937.291.191.421.762.082.931.7310%30%34%23%67%-0.1013%20

162、%24%18%41%-0.31-40%-20%0%20%40%60%80%0.002.004.006.008.0010.0012.002002020212022Q1-Q3营业收入（亿元）归母净利润（亿元）营业收入YoY归母净利润YoY 6.8 芯片业务盈利能力不断提升 公司芯片领域产品公司芯片领域产品20222022H H1 1毛利率毛利率4848.0404%，实现快速增长实现快速增长。由于公司采购芯片原材料的规模化效应、工艺控制水平的提高降低了芯片产品成本，导致毛利率上升。公司坚持自主研发公司坚持自主研发，研发投入不断加大研发投入不断加大。2022Q3公司整体营收有所下

163、滑的背景下，研发费用为8027万元，同比增长51.50%，前三季度合计研发费用2.15亿，研发费用率为29.45%。公司研发人员占比不断提高，2022H1公司有研发人员865名，占比达69.26%。公司管理费用、销售费用和财务费用相对平稳，2022年前三季度分别为11.56%、4.77%和-1.36%。图：图：分业务毛利率水平分业务毛利率水平图：公司期间费用率情况图：公司期间费用率情况资料来源：wind，中信建投18.6%33.7%44.5%48.0%0.0%10.0%20.0%30.0%40.0%50.0%60.0%70.0%80.0%90.0%20022H1图形显控小

164、型雷达芯片其他5.38%5.65%4.20%4.36%4.77%12.84%11.76%11.92%10.36%11.56%20.32%22.07%27.14%23.16%29.45%-1.22%-6.82%-3.94%-1.57%-1.36%-10%-5%0%5%10%15%20%25%30%35%200212022Q1-Q3销售费用率管理费用率研发费用率财务费用率 6.9 公司GPU性能优越 JM7200采用28nm CMOS工艺，内核时钟频率最大1300MHz，存储器内存为4GB，支持OpenGL1.5/2.0，能够高效完成2D、3D图形加速功能，支持PCIe2.0

165、主机接口，适配国产CPU和国产操作系统平台，可应用于个人办公电脑显示系统以及高可靠性嵌入式显示系统。JM9系列面向中高端通用市场，可以满足地理信息系统、媒体处理、CAD辅助设计、游戏、虚拟化等高性能显示需求和人工智能计算需求。2022年5月，JM9系列第二款芯片已完成初步测试工作。图表：图表：景嘉微景嘉微9 9系产品与英伟达系产品与英伟达GTXGTX系列性能对比系列性能对比JM9系列型号一系列型号一JM9系列型号二系列型号二GTX 1050GTX 1080内核性能1 GHz（支持动态调频）1.5GHz（支持动态调频）1.455GHz1.6GHz显存带宽25.6GB/S128GB/S112GB/

166、S320GB/S显存容量8GB8GB2GB8GB视频解码H.265/4KH.265/4KH.265/4KH.265/4K总线接口PCIe 4.0 X8PCIe 4.0 X8PCIe 3.0 PCIe 3.0 X16像素填充率8 GPixels/s32 GPixels/s46.56GPixel/s128GPixel/sFP32运算性能512 GFIops1.5 TFIops1.862 TFIops9 TFIops输出接口HDMI 2.0HDMI 2.0HDMI 2.0，DisplayPort1.3HDMI 2.0，DisplayPort1.4支持平台：支持X86、ARM、MIPS处理器和Linu

167、x、中标麒麟、银河麒麟、统信软件等操作系统资料来源：wind，中信建投 图表：图表：国产厂商渲染国产厂商渲染GPUGPU典型产品性能比对典型产品性能比对资料来源：各公司官网，中信建投6.10 国产GPU性能横向比较厂商厂商英伟达英伟达英伟达英伟达景嘉微景嘉微芯动科技芯动科技芯动科技芯动科技摩尔线程摩尔线程型号型号GeForce RTX 4090GTX1080JM9系列风华一号风华一号风华二号风华二号MTT S80制程制程4nm16nmNA12nmNANA核心数目核心数目163842560NANANA4096个MUSA时钟频率时钟频率2.23-2.52GHz1.61-1.73GHz1.5GHzN

168、ANA1.8GHz显存容量显存容量24GB8GB8GB4GB/8GB/16GB2/4/8GB16GB显存类型显存类型GDDR6XGDDR5XNAGDDR6/GDDR6XNAGDDR6FP32 运算性能运算性能82.58 TFLOPS8.873 TFLOPS1.5 TFIops5 TFLOPS/10 TFlops1.5 TFLOPS14.4 TFLOPS总线接口总线接口PCIe 4.0 x16PCIE 3.0 X16PCIE 4.0 X8PCIe 4.0 x16PCIe 3.0 x8PCIe Gen5 x16 国产国产GPUGPU的典型厂商包括景嘉微的典型厂商包括景嘉微、芯动科技芯动科技、摩尔线

169、程等摩尔线程等。资料来源：各公司官网，中信建投6.11 国产GPGPU性能横向比较厂商厂商英伟达英伟达海光信息海光信息摩尔线程摩尔线程壁仞科技壁仞科技天数智芯天数智芯型号型号A100深算一号MTT S3000壁砺100P天垓100制程制程7nm7nm FinFETNA7nm7nm核心数目核心数目691240964096NANA时钟频率时钟频率0.77-1.41GHz1.5-1.7GHz1.9GHzNANA显存容量显存容量40GB/80GB32GB32GB64GB32GB 显存类型显存类型HBM2eHBM2GDDR6HBM2EDRAM HBM2FP32 运算性能运算性能19.5 TFLOPSNA

170、15.2 TFLOPS240 TFLOPS（峰值）37 TFLOPS总线接口总线接口PCIe 4.0 x16PCIe Gen4 x 16PCIe Gen5 x16PCIe 5.0 X16PCIe Gen4.0 x 16TDP250W350W35W450-550W250W图表：图表：国产厂商国产厂商GPGPUGPGPU典型产品性能比对典型产品性能比对 国产国产GPGPUGPGPU的典型厂商包括海光信息的典型厂商包括海光信息、摩尔线程摩尔线程、壁仞科技壁仞科技、天数智芯等天数智芯等。第七章第七章风险提示风险提示8383 个人电脑出货不及预期个人电脑出货不及预期。个人电脑出货受宏观经济影响比较大，个

171、人电脑出货不及预期可能对PC端显卡出货造成影响。AIAI技术进展不及预期技术进展不及预期。当前AI技术的快速进步带动了巨大的AI算力需求，如果AI技术进展不及预期，可能对GPU市场的整体需求产生不利影响。互联网厂商资本开支不及预期互联网厂商资本开支不及预期。互联网厂商是AI算力和GPGPU的重要采购方和使用方，如果互联网厂商资本开支不及预期，可能会对GPGPU的需求情况产生不利影响。自动驾驶进展不及预期自动驾驶进展不及预期。GPU在高等级的自动驾驶中渗透率相对较高，如果自动驾驶技术进步不及预期，可能会对GPU在自动驾驶中的应用产生不利影响。国产替代进程不及预期国产替代进程不及预期。GPU的国产

172、替代过程中面临诸多困难，国产替代进程可能不及预期。参与厂商众多导致竞争格局恶化参与厂商众多导致竞争格局恶化。在GPU需求旺盛的背景下，国内外涌现出诸多GPU行业的新兴玩家，众多参与厂商可能导致整体竞争格局恶化。感谢樊文辉、庞佳军对本报告的贡献。风险提示 分析师介绍分析师介绍阎贵成：阎贵成：中信建投证券通信&计算机行业首席分析师，北京大学学士、硕士，专注于云计算、物联网、信息安全、信创与5G等领域研究。近8年中国移动工作经验，6年多证券研究经验。系2019-2021年新财富、水晶球通信行业最佳分析师第一名，2017-2018年新财富、水晶球通信行业最佳分析师第一名团队核心成员。金戈：金戈：中信建

173、投证券研究发展部计算机行业联席首席分析师，帝国理工学院工科硕士，擅长云计算、金融科技、人工智能等领域。于芳博于芳博：中信建投人工智能组首席分析师，北京大学空间物理学学士、硕士，2019年7月加入中信建投，主要覆盖人工智能等方向，下游重点包括智能汽车、CPU/GPU/FPGA/ASIC、EDA和工业软件等方向。评级说明评级说明投资评级标准评级说明报告中投资建议涉及的评级标准为报告发布日后6个月内的相对市场表现，也即报告发布日后的6个月内公司股价（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。A股市场以沪深300指数作为基准；新三板市场以三板成指为基准；香港市场以恒生指数作为基准；美

174、国市场以标普500 指数为基准。股票评级买入相对涨幅15以上增持相对涨幅5%15中性相对涨幅-5%5之间减持相对跌幅5%15卖出相对跌幅15以上行业评级强于大市相对涨幅10%以上中性相对涨幅-10-10%之间弱于大市相对跌幅10%以上 分析师声明分析师声明本报告署名分析师在此声明：（i）以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告,结论不受任何第三方的授意或影响。（ii）本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。法律主体说明法律主体说明本报告由中信建投证券股份有限公司及/或其附属机构（以下合称“中信建投”）制作，

175、由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格，本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告上海品茶。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。本报告作者所持香港证监会牌照的中央编号已披露在报告上海品茶。一般性声明一般性声明本报告由中信建投制作。发送本报告不构成任何合同或承诺的基础，不因接收者收到本报告而视其为中信建投客户。本报告的信息均来源于中信建投认为可靠的公开资料，但中信建投对这些信息的准确性及完整性不作任何保证。本报

176、告所载观点、评估和预测仅反映本报告出具日该分析师的判断，该等观点、评估和预测可能在不发出通知的情况下有所变更，亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门、人员口头或书面表达的意见不同或相反。本报告所引证券或其他金融工具的过往业绩不代表其未来表现。报告中所含任何具有预测性质的内容皆基于相应的假设条件，而任何假设条件都可能随时发生变化并影响实际投资收益。中信建投不承诺、不保证本报告所含具有预测性质的内容必然得以实现。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况，报告接收者应当独立评估本报告

177、所含信息，基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。中信建投建议所有投资者应就任何潜在投资向其税务、会计或法律顾问咨询。不论报告接收者是否根据本报告做出投资决策，中信建投都不对该等投资决策提供任何形式的担保，亦不以任何形式分享投资收益或者分担投资损失。中信建投不对使用本报告所产生的任何直接或间接损失承担责任。在法律法规及监管规定允许的范围内，中信建投可能持有并交易本报告中所提公司的股份或其他财产权益，也可能在过去12个月、目前或者将来为本报告中所提公司提供或者争取为其提供投资银行、做市交易、财务顾问或其他金融服务。本报告内容真实、准确、完整地反映了署名分析

178、师的观点，分析师的薪酬无论过去、现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系，分析师亦不会因撰写本报告而获取不当利益。本报告为中信建投所有。未经中信建投事先书面许可，任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本报告全部或部分内容，亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本报告全部或部分内容。版权所有，违者必究。中信建投证券研究发展部中信建投证券研究发展部中信建投（国际）中信建投（国际）北京东城区朝内大街2号凯恒中心B座12层电话：(8610)8513-0588联系人：李祉瑶邮箱：上海浦东新区浦东南路528号南塔2106室电话：(8621)6882-1612联系人：翁起帆邮箱：深圳福田区益田路6003号荣超商务中心B座22层电话：（86755）8252-1369联系人：曹莹邮箱：香港中环交易广场2期18楼电话：（852）3465-5600联系人：刘泓麟邮箱：charleneliucsci.hk86