1、请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 x xTable_Info1Table_Info1电子电子 Table_Date发布时间：发布时间：2023-04-17 Table_Invest优于大势优于大势 上次评级:优于大势 Table_PicQuote历史收益率曲线 Table_Trend涨跌幅（%）1M 3M 12M 绝对收益11%17%14%相对收益 8%17%17%Table_Market行业数据 成分股数量（只）309 总市值（亿）48652 流通市值（亿）25464 市盈率（倍）39.51 市净率（倍）3.08 成分股总营收（亿）26641 成分股总净利润（亿）14

2、98 成分股资产负债率（%）50.43 Table_Report相关报告 华为产业链深度报告：浴火经磨难，涅槃起创新-20230105 正确认识大陆半导体各环节差距，逐个击破 -20221108 Table_Author 证券分析师：李玖证券分析师：李玖 执业证书编号：S0550522030001 证券分析师：王浩然证券分析师：王浩然 执业证书编号：S0550522030002 证券分析师：武证券分析师：武芃芃睿睿 执业证书编号：S0550522110001 Table_Title证券研究报告/行业深度报告AI 不止，

3、关注“华为不止，关注“华为+算力算力+存力”产业链机遇存力”产业链机遇 报报告摘要：告摘要：Table_SummaryChatGPT 访问量访问量持续升温持续升温带动带动 AI 算力芯片需求激增。算力芯片需求激增。华为预计到 2030年，全球数据年新增 1YB；通用算力增长 10 倍到 3.3ZFLOPS，AI 算力增长 500 倍超过 100ZFLOPS。芯片是大模型进行训练与推理应用的成本大头。基于大模型的应用在用户侧铺开后，推理芯片的潜力有望释放。预计行业将会形成“预计行业将会形成“上游通用大模型垄断上游通用大模型垄断+中游行业大模型中游行业大模型细分细分，赋能下，赋能下游应用端千行百业

4、游应用端千行百业”的格局”的格局。我们认为未来 AI 产业链将形成此种分工方式：上游少量大公司垄断通用的 CV、NLP、科学计算等大模型；部分有高质量行业数据和 Know-how 的企业与掌握微调能力的 IT 企业结合，训练得到特定行业/应用场景的专属大模型，并进行持续微调和维护；下游千行百业通过 API 接入云端使用大模型或者购买定制化的私有模型。依据来自：1）上游：大模型的进化原理决定该行业具有明显的马太效应，具有先发优势的玩家将会优则更优；大模型训练成本极高，头部玩家可以通过大规模推理应用摊薄成本；使用他人预训练好的模型可以避免“重复造轮子”。2）中等数量的专有行业大模型组成细分市场，推

5、动各行业智能化升级，因为 SAM 模型的出现预示着强泛化性的通用大模型已经渐行渐近，将迅速统一各类基础任务；且华为云盘古气象/矿山等大模型的推出已经为行业大模型赋能千行百业提供了范例。3）下游大模型赋能百花齐放的应用企业，主要动力在于 AI 可极大促进企业降本增效。投资机会：投资机会：我们建议沿 3 条主线布局：1）华为线条：Chiplet 先进封装是突破先进制程封锁的良药，我们推荐受益先进封装技术突破+华为复苏逻辑的兴森科技、德邦科技、长川科技、伟测科技、方邦股份、华正新材。2）算力线条：芯片是训练和部署大模型的底座，国产替代必不可缺。我们推荐寒武纪、龙芯中科、乐鑫科技、瑞芯微、恒玄科技、炬

6、芯科技。3）存力线条：存储是高性能 GPU 的瓶颈，我们推荐深科技、江波龙、普冉股份、兆易创新。风险提示：风险提示：大模型大模型开发开发进度不及预期；宏观进度不及预期；宏观经济与政策经济与政策风险；风险；Table_CompanyFinance重点公司主要财务数据重点公司主要财务数据 重点公司重点公司 现价现价 EPS PE 评级评级 2021A 2022A 2023E 2024E 2021A 2022A 2023E 2024E 兴森科技 13.86 0.42 0.33 0.45 0.66 33.3 29.3 30.8 21.0 买入 德邦科技 69.88 0.72 1.06 1.81 2.7

7、6-48.5 38.6 25.3 买入 长川科技 59.27 0.37-1.40 2.11 155.4-42.3 28.2 增持 伟测科技 139.23 2.09-3.93 6.02-35.4 23.5 买入 方邦股份 64.43 0.44-0.77 2.13 207.2-83.7 30.2 买入 华正新材 32.97 1.68 0.25 0.82 1.57 24.9 90.5 40.2 21.1 买入 深科技 19.40 0.51-0.65 0.72 31.3-29.8 26.9 增持 江波龙 104.89 2.73 0.19 1.61 2.40-310.4 65.1 43.7 买入-20%

8、-10%0%10%20%30%2022/42022/72022/102023/1电子沪深300 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 2/32 电子电子/行业深度行业深度 目目 录录 1.类类 ChatGPT 的对话式交互推动的对话式交互推动 AI 算力芯片需求激增算力芯片需求激增.4 1.1.在线式搜索应用潜力更优，芯片为成本大头.4 1.2.AI 产业链有望形成“上游寡头垄断+中游行业专有模型+下游应用百花齐放”的分工形式.5 2.需求：需求：AI 有望在医有望在医/食食/住住/行行/城城/自然等场景全方位改善人类生活自然等场景全方位改善人类生活.11 2.1.医食住行

9、：从感知智能到认知智能，从物理+数字世界到虚实融合.11 2.2.前沿探索：AI 助力天气精准预报/地震预测/生物结构模拟等.15 3.趋势：从计算智能到感知智能，从趋势：从计算智能到感知智能，从“云端训练、边缘推理云端训练、边缘推理”到端边云协同到端边云协同 18 3.1.高算力带来高能耗，低 PUE 政策带动液冷服务器、液冷芯片需求.18 3.2.大算力需求下，新架构新技术开启新道路.19 4.投资机会投资机会&相关标的相关标的.25 4.1.华为线条：Chiplet 先进封装破局，受益华为复苏回归.25 4.2.算力线条：云端与边缘端齐发力，大小算力全面替代.26 4.3.存力线条：高性

10、能 GPU 瓶颈.28 5.风险提示风险提示.30 图表目录图表目录 图图 1：OpenAI CEO 估计估计 ChatGPT 每次聊天的成本每次聊天的成本.5 图图 2：GPU 折旧成本在大模型推理成本中占比最高，为折旧成本在大模型推理成本中占比最高，为 65%.5 图图 3：ChatGPT 的微调方法总体可分成的微调方法总体可分成 3 个步骤个步骤.6 图图 4：微调出：微调出 ChatGPT 的训练集（包含大量的训练集（包含大量 Prompt）.6 图图 5：训练：训练 175B 的的 GPT-3 需要的算力需要的算力.7 图图 6：SAM 模型采用模型采用 prompt 范式范式“分割

11、一切分割一切”.8 图图 7：SAM 可实现基于视线焦点的目标检测，在可实现基于视线焦点的目标检测，在 AR/VR 场景极具应用潜力场景极具应用潜力.8 图图 8：行业大模型，赋能千行百业智能升级：行业大模型，赋能千行百业智能升级.8 图图 9：盘古气象大模型成为全球首个预测精度超过传统预报方式的：盘古气象大模型成为全球首个预测精度超过传统预报方式的 AI 模型模型.8 图图 10：阿里云的通义千问大模型申请试用界面，模型预设的主流用途包括：阿里云的通义千问大模型申请试用界面，模型预设的主流用途包括“文本创作、编程文本创作、编程”.9 图图 11：算力相关：算力相关宏观趋势及预测宏观趋势及预测

12、.11 图图 12：到：到 2030 年，年，10 万辆车每天需传输万辆车每天需传输 720TB 数据数据.12 图图 13：AI 助力人类实现对自然社会更纵深地感知助力人类实现对自然社会更纵深地感知.13 图图 14：AI 助力人类获得超越现实世界的体验助力人类获得超越现实世界的体验.14 图图 15：云端算力配合边缘端算力实现虚实融合体验：云端算力配合边缘端算力实现虚实融合体验.14 图图 16：AI 助力人类更精确地探索未知世界助力人类更精确地探索未知世界.15 图图 17：AI 助力软件更准确地模拟现实物质结构助力软件更准确地模拟现实物质结构.16 图图 18：AI 助力企业实现更高效

13、的运营效率助力企业实现更高效的运营效率.17 图图 19：实现多模态学习需要解决数据异构性等多重挑战：实现多模态学习需要解决数据异构性等多重挑战.18 图图 20：NVIDIA 于于 2022 年年中发布液冷版年年中发布液冷版 A100、H100.19 BVdYlYkWeYkXqZqZtW6McM7NsQoOmOmPiNpPqMfQrQwOaQoPrRwMqRmMxNmRtQ 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 3/32 电子电子/行业深度行业深度 图图 21：液冷版：液冷版 A100 PCIe 比风冷版降低比风冷版降低 28%能耗、能耗、66%机架数量机架数量.19 图

14、图 22：采用先进封装技术的芯片示意：采用先进封装技术的芯片示意.20 图图 23：隐私计算重建数字信任体系：隐私计算重建数字信任体系.20 图图 24：端边云协同计算：端边云协同计算.22 图图 25：多维感知与数字建：多维感知与数字建模技术模技术.22 图图 26：量子计算处理器与经典计算机协同工作：量子计算处理器与经典计算机协同工作.23 图图 27：量子处理器工作原理：量子处理器工作原理.23 图图 28：各种存储介质的性能比较：各种存储介质的性能比较.24 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 4/32 电子电子/行业深度行业深度 1.类类 ChatGPT 的对话

15、式的对话式交互交互推动推动 AI 算力芯片需求激增算力芯片需求激增 1.1.在线式搜索应用潜力更优，芯片为成本大头 ChatGPT 访问量激增带来算力需求成倍增长。访问量激增带来算力需求成倍增长。根据 Similarweb 最新统计数据，2023年 3 月 ChatGPT 全球用户访问次数是 16 亿次，环增近六成，是 1 月访问量（5.9 亿次）的近 3 倍。访问量激增带来的是算力需求的成倍增长。可以猜想的是，下一代搜索引擎的形态也许已经形成。我们按 2023 年 3 月 ChatGPT 月活 16 亿次，用户每轮咨询提问 6 个问题（微软 New bing 平均提问轮次约为 3 次，而 C

16、hatGPT 不限轮次）测算，则 ChatGPT 单月咨询量达到 80 亿次，折合年 960 亿次，对话式搜索已经逐步向主流搜索方式渗透。根据华为的预测，到2030年，全球数据年新增1YB；通用算力增长 10 倍到 3.3ZFLOPS，AI 算力增长 500 倍超过 100ZFLOPS。在线式搜索的单次搜索成本约为离线式搜索的在线式搜索的单次搜索成本约为离线式搜索的 6 倍倍，其中芯片成本占比，其中芯片成本占比 65%。根据 OneFlow，假设 OpenAI 云服务的毛利率 75%的情况下，分别采用 ChatGPT Equivalent（离线式：直接使用大模型推理，使用时无法访问外部知识）和

17、 2-Stage Search（在线式：可在推理时访问 Google 等传统搜索引擎）方法所估算的单次搜索成本是0.01和0.066美元，数量级与OpenAI CEO Altman所言的“single-digits cents”相符。我们认为未来在线式搜索具备更大应用潜力，但该方法相当于每次用大模型查询 K 次，返回最优结果，会增加算力成本。考虑技术降本趋势，中性估计未来单次搜索的成本约 0.04 美元。此外，根据沐曦光启智能研究院科学家李兆石的推测，将英伟达 A100 按 5 年寿命线性折旧，单次查询的推理成本中有 65%来自购买 GPU的折旧成本。考虑性能追求下的芯片更新换代需求，GPU

18、实际使用寿命可能短于 5年，因此实际的芯片成本占比可能更高。训练卡价值量显著高于推理卡，推理卡增长潜力有待边缘训练卡价值量显著高于推理卡，推理卡增长潜力有待边缘应用应用场景场景需求升级需求升级。大模型训练需要使用专业的 AI 服务器，其中的训练芯片当前以英伟达的 A100、H100 为主。而当基于大模型的应用规模化推广到用户侧时，应用场景对推理芯片的需求同步扩张，增速可能超过训练卡。未来推理卡的需求数量可能和训练卡相等，但推理卡的单卡性能低于训练卡，价值量也相对低。比较英伟达的 T4 和 A100，前者 FP32下理论峰值计算能力为 8.1TFLOPS，是后者（19.5TFLOPS）的 42%

19、。根据 ZOL 中关村在线，英伟达 T4 推理卡参考报价 10999 元，折合为 0.16 万美元，明显低于 A100（1.25 万美元）。目前无论是在 PC 还是智能音箱这类交互入口中，大模型类应用主要还是通过调用云端 API 完成，因此边缘侧算力卡的潜力尚未释放（至少要达到英伟达 T4 的性能）。参考华为的预测，到 2030 年，将有 80%的数据在边缘处理，全球边缘计算市场规模将从 100 亿美元增长至数千亿美元。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 5/32 电子电子/行业深度行业深度 图图 1：OpenAI CEO 估计估计 ChatGPT 每次聊天的成本每次聊天

20、的成本 数据来源：twitter，东北证券 图图 2：GPU 折旧成本在大模型推理成本中占比最高，为折旧成本在大模型推理成本中占比最高，为 65%数据来源：沐曦，东北证券 1.2.AI 产业链有望形成“上游寡头垄断+中游行业专有模型+下游应用百花齐放”的分工形式 未来的未来的 AI 产业链可能形成此种分工方式：产业链可能形成此种分工方式：少量大公司掌握通用的 CV、NLP、科学计算等大模型；部分有高质量行业数据和 Know-how 的企业与掌握微调能力的 IT 企业结合，训练得到特定行业/应用场景的专属大模型，并进行持续微调和维护；下游千行百业通过 API 接入云端使用大模型或者购买定制化的私

21、有模型。上游：少数几家大模型公司上游：少数几家大模型公司寡头垄断寡头垄断。类似当前的微信、windows 操作系统。理由 1：大模型的进化原理决定该行业具有明显的马太效应，具有先发优势的玩家将会优则更优。原始的 GPT-3 使用大量基于互联网的文本数据进行训练，一开始只能仿写人类提供的 prompt。在 openai 大量开展指令微调（Instruction Fine-tuning）之后，其逐渐表现出了对特定任务的理解能力，但其产生的回答表现出对性别、种族、意识形态的强烈偏见。因为 masked-language-modeling 方法是通过统计概率生成可能的词序列，但在实际应用中，语言模型的

22、目的是产生符合人类价值观的认知工作。OpenAI 提出的 RLHF（Reinforcement Learning from Human Feedback）就是创造出 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 6/32 电子电子/行业深度行业深度 ChatGPT 的关键技术。该技术让模型可以从人类的反馈中进行强化学习，过程可分成 3 步，其中第一步的监督调优是令该行业具有马太效应的关键。监督调优首先需要收集 prompt，ChatGPT 除了使用标注员提供的 prompt 外，还使用了通过 API 从InstructGPT 用户获取的 prompt。这意味着未来使用某一个大模型的

23、用户规模越大，模型所属的公司就能通过大规模的数据训练出更好的模型，更好的模型带来更多的用户，循环往复，优则更优。图图 3：ChatGPT 的的微调微调方法方法总体可分成总体可分成 3 个步骤个步骤 数据来源：OpenAI，东北证券 图图 4：微调出：微调出 ChatGPT 的训练集（包含大量的训练集（包含大量 Prompt）数据来源：Training language models to follow instructions with human feedback，OpenAI，东北证券 理由 2：大模型训练成本极高，头部玩家可以通过大规模推理应用摊薄成本。根据国际欧亚科学院院士&华为云人工

24、智能领域首席科学家田奇在人工智能大模型技术高峰论坛的分享，大模型开发和训练一次需要 1200 万美元。根据 2020 年发布的GPT-3（不包括上述基于 RLHF 的微调）的论文，预训练有 175B 参数量的 GPT-3 需要 3.14E11 TFLOPS 的算力，成本极高，更遑论推理算力、服务器、电费等。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 7/32 电子电子/行业深度行业深度 图图 5：训练：训练 175B 的的 GPT-3 需要的算力需要的算力 数据来源：Language Models are Few-Shot Learners，OpenAI，东北证券 理由 3：时间

25、性价比，使用他人预训练好的模型可以避免“重复造轮子”。上述种种原因导致 B 端无法形成自己训练大模型的行业共识与能力。中游：中游：中等数量的专有中等数量的专有行业大行业大模型模型组成细分市场组成细分市场，推动各行业智能化升级，推动各行业智能化升级。当专有模型的需求逐渐明晰且固化，为实现高性价比，可能带动 ASIC 芯片、FPGA 芯片的需求增长。实例 1：SAM 模型的出现预示着强泛化性的通用大模型已经渐行渐近，将迅速统一各类基础任务。类似 ChatGPT 做到的“回答一切”，近日 Meta 所开源的 CV 大模型SAM（Segment Anything Model）已经能够在分割任务（CV

26、的典型任务之一）做到了“分割一切”，说明 NLP 的 prompt 范式已经开始延展到 CV。英伟达的人工智能科学家 Jim Fan 认为 Meta 的这项研究是 CV 领域的 GPT-3 时刻之一，而这也将启发其余领域在通用大模型的爆发。该类模型的出现为统一各种深度学习的主要任务带来可能，比如目标检测、语音识别、科学计算等。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 8/32 电子电子/行业深度行业深度 图图 6：SAM 模型采用模型采用 prompt 范式“分割一切”范式“分割一切”图图 7：SAM 可实现基于视线焦点的目标检测，在可实现基于视线焦点的目标检测，在AR/VR

27、场景极具应用潜力场景极具应用潜力 数据来源：Segment Anything，Meta AI Research，东北证券 数据来源：Meta AI，东北证券 实例 2：华为已经为行业大模型赋能千行百业提供了范例。在大模型出现前，医学领域已经有了使用深度学习赋能行业前沿研究的案例。比如 DeepMind 开发的AlphaFold2 已经预测出了 98.5%的人类蛋白质结构，而此前科学家们数十年的努力，只覆盖了人类蛋白质序列中 17%的氨基酸残基。华为在 2021 年发布盘古大模型之后，就陆续发布了药物分子、矿山等行业大模型。其中，华为云盘古气象大模型成为全球首个精度超过传统预报方式的 AI 模型

28、，1 小时至 7 天预测精度均超欧洲气象局实时预报，预测速度比传统天气预报提升 10000 倍；台风硅基预测准确度世界第一，比欧洲气象局提升约 20%。可以预见的是，当通用大模型成熟&模型部署、微调成本下降，各行业或者各细分需求场景的大模型就有望涌现。图图 8：行业大模型，赋能千行百业智能升级：行业大模型，赋能千行百业智能升级 图图 9：盘古气象大模型成为全球首个预测盘古气象大模型成为全球首个预测精度超过精度超过传统预报方式的传统预报方式的 AI 模型模型 数据来源：华为，人工智能大模型技术高峰论坛，东北证券 数据来源：华为，人工智能大模型技术高峰论坛，东北证券 下游：下游：大模型赋能大模型赋

29、能百花齐放的应用百花齐放的应用企业企业，落地领域，落地领域扩散范围扩散范围可能与现有行业数据集可能与现有行业数据集规模强相关规模强相关。从目前第一时间通过 API 接入 ChatGPT 的主流应用（比如知识管理应用 Notion AI、内容写作工具 Jasper AI、编程工具 PyCharm）可推知，目前“文本创 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 9/32 电子电子/行业深度行业深度 作”和“编程”是大语言模型的两大主流应用方式。当前 C 端的商业模式主要是由已有的应用打通 OpenAI 的 API 渠道，用户自己填入自己的 API Key，从而获得更优的用户体验。在

30、此过程中，应用软件并未获得直接收入。未来 1-2 年随 AI 底层基座的成熟，相关应用可能迎来爆发。考虑到行业数据的瓶颈，我们认为大模型可能会沿已有高质量数据集的方向落地。图图 10：阿里云的通义千问大模型申请试用界面，模型预设的主流用途包括“文本创作、编程”：阿里云的通义千问大模型申请试用界面，模型预设的主流用途包括“文本创作、编程”数据来源：阿里云通义千问大模型官网，东北证券 实例：AI 可极大促进企业降本增效，已有游戏公司 3 成原画师被裁。通用图片和文本是网络上最方便获取的公开数据，也是目前在 AIGC 领域广泛受到认可的ChatGPT 和 stable diffusion、midjo

31、urney 所基于的公开数据形式。目前 AI 绘画已经能用远快于人类的速度（从 2 周到 3 天）帮助画师完成前期 50%的工作，AI 模特能用远低于真人的成本（从 5 万元到 5 元）完成一次拍摄。去年 AI 绘画爆火之后，国内各游戏公司开始陆续使用 AI 降本增效。根据 36 氪对某游戏公司特效总监的采访，该公司从 2023 年初开始已陆续裁掉了 30%的原画师，基本为初级和中级原画师。目前 AI 已经可以帮助画师完成前期 50%的工作，达到了中级原画师的水平。除原画师首当其冲，根据现有可获取训练集大小，未来建模、UI 设计、动作、地编和特效也可能依次逐步被 AI 渗透。阿里云宣布开放大模

32、型能力，率先提供大模型阿里云宣布开放大模型能力，率先提供大模型 B2B 合作范例。合作范例。此外，阿里云智能CTO 已经于 4 月 11 日在北京云峰会宣布，阿里云将提供算力及大模型基础设施，助力企业打造自己的专属大模型。让未来的企业既可以调用通义千问模型，也可结合企业自己的行业 Know-How 和应用场景，训练自己的企业大模型。阿里云也将与OPPO 联合打造 OPPO 大模型基础设施；与吉利汽车、毫末智行、波司登等展开相关合作。大语言模型的接入有可能率先对此前基于关键词的搜索交互场景产生冲击，比如电商场景下，未来可能通过详细描述衣物/物品的方式进行线上购物，对企业传统业务赋能。随着随着大模

33、型大模型通过通过增大训练参数增大训练参数而获得更优性能而获得更优性能的的方法的方法的边际效益递减，高质量数据边际效益递减，高质量数据集重要性将愈发凸显。集重要性将愈发凸显。在质量较高的数据集上进行训练，那么小到可以在本地运行 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 10/32 电子电子/行业深度行业深度 的模型也可以获得类似大模型的优秀性能。随着各公司密集发布大模型，模型的稀缺性降低，高质量数据的价值逐渐凸显。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 11/32 电子电子/行业深度行业深度 2.需求需求：AI 有望在有望在医医/食食/住住/行行/城城/自然等场

34、景自然等场景全方位改善人类全方位改善人类生活生活 未来，AI 有望在衣食住行城等场景全方位改善人类生活。科学探索边界不断拓展，带来算力需求提升，计算有望迎来创新的黄金 10 年。2.1.医食住行：从感知智能到认知智能，从物理+数字世界到虚实融合 智慧交通：智慧交通：智能交通从“运力”时代进入“算力”时代智能交通从“运力”时代进入“算力”时代。通过传感器采集生成全息数据，实现实时、历史路况的全息呈现，最后经云端计算形成不同的交通指令，出行将变得更加高效、低碳。国际能源署（IEA）预计，到 2030 年，在道路上的电动汽车、公共汽车、面包车和重型卡车的数量将达到 1.45 亿辆。若按照每辆车平均每

35、天行驶 2 小时，行驶中每秒上传的压缩数据从当前的 10KB 升至 1MB 测算，则 10万辆车智能网联汽车需要传输的数据量大约为 720TB/天。车辆行驶过程中产生的海量数据交给 AI，其以计算为核心，持续支撑交通的数字化升级和智慧化管理。“算力”的解放带来了交通安全、效率、体验的提升。有 AI 相助，城市日均通勤时间将缩短 15-30 分钟；交通治理方面，拥堵会缓解，事故将会减少，“停车难”问题也可能得到解决。更加高效、低碳的出行会释放出新生产力，推动社会经济的发展。图图 11：算力相关宏观趋势算力相关宏观趋势及预测及预测 数据来源：华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正

36、文后的声明及说明 12/32 电子电子/行业深度行业深度 无人驾驶：无人驾驶：AI 应对应对边缘案例边缘案例能力能力有望有望超越人类，超越人类，促进促进 L5 级无人驾驶落地级无人驾驶落地。随着边缘案例（Corner Case）的产生积累，以及对自动化无监督的视频级 AI 机器学习训练的实现需求，智能驾驶算力需求大幅增长，摩尔定律逐渐失效。到 2030 年，L4+自动驾驶汽车单车算力将达到 5000T，催生端云协同的计算需求，预计未来单个车厂的云端至少需 10EFLOPS 以上的算力。L4 级的自动驾驶商用后，AI 会不断在实例中学习训练，愈发“聪明”，最终于应对能力超越人类，得以实现 L5

37、级完全自动驾驶。智慧城市：智慧城市：通过数据实现城市能源高效调度通过数据实现城市能源高效调度，将带来，将带来 100 倍的社会数据聚集倍的社会数据聚集。据联合国人居署的统计，城市只占地球表面不到 2%的面积，却居住地球超 50%的人口，消耗全世界 78%的能源，排放超过 60%的温室气体。城市智慧化治理是实现城市可持续发展的必然方案。借由物理传感器，城市数字孪生得以建立，将带来 100 倍的社会数据聚集，能源调度效率将会提升，将居民高峰用电平均需求减少 15%以上。精准医疗：精准医疗：AI 参与病情推理，提高效率，缓解卫生工作者短期难题。参与病情推理，提高效率，缓解卫生工作者短期难题。在医疗领

38、域，人工智能已经可以自动识别出微小的肺结节，与以往肉眼识别、手工标识相比诊断效率更高，可以节省医生大量时间。未来人工智能将在复杂的问诊中与医生“讨论病情”，为医生提供诊断依据和预期疗效分析，逐渐形成人工智能出方案、医生审核成为普遍的诊疗模式。据世界卫生组织，到 2030 年，预计出现 1800 万卫生工作者的短缺，AI 可成为应对这一挑战的解决方案。药物筛选：药物筛选：通过将通过将 AI 的推理过程透明化的推理过程透明化，帮助人类完成药物筛选，帮助人类完成药物筛选等复杂任务等复杂任务。以前，AI 是一个黑盒，而当人类仅得到结果，很难做出决策，所以发挥作用有限。未来，AI 不仅告知结论，同时也能

39、展现思考过程，和人类建立彼此的互信，帮助人类完成复杂的任务，如药物筛选。待大模型应用进入深水区，可能形成待大模型应用进入深水区，可能形成 AI 问诊的诊疗新问诊的诊疗新模式。模式。出于跨学科知识的鸿沟，医疗人员难以直观感受大模型在其工作场景的应用潜力，而大模型的研究员对医疗业务场景的理解又难以深入，因此大模型短期可能难以进入交叉学科应用的“深水区”。但目前在国家医保局成立后，医疗信息化建设趋势渐起，医保数据要素有望成为数据市场化和资产化的首批放开方向。随着大模型应用逐步落地，AI 问诊前景可期，甚至可能冲击当前分诊室看病的诊疗模式。比如向大模型输入病情、过往病例及诊疗结果，模型反馈初步的病情诊

40、断结果，再配合人类医生的进一步判断，可大幅提升诊疗效率。图图 12：到到 2030 年，年，10 万辆车每天需传输万辆车每天需传输 720TB 数据数据 数据来源：国际能源署，华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 13/32 电子电子/行业深度行业深度 个性化教育：个性化教育：人工智能可帮助人类重新认识教育、改革教育。人工智能可帮助人类重新认识教育、改革教育。人类训练人工智能模型的过程，也是了解人类自身认知、推理能力形成机理的过程（比如强化学习、RLHF技术的出现与人类认知行为密切相关）。未来可能出现 AI 教员，其通过精细化地分析学生的行为习惯、能力等，为

41、学生制定个性化的教学内容，将人工时代所稀缺的教育资源变得更为普惠。华为预计到 2030 年，全球连接总数将达到两千亿，传感器的数量达到百万亿级，数据量、时延等原因决定了产生感知的计算在边缘完成，未来能处理大约 80%的数据。通过 AI，更多的行业可获得感知自我的能力，并进一步驱动企业数字化创新。智慧农业：智慧农业：农业将迎来全方位全过程的数字化、网络化、智能化改造。农业将迎来全方位全过程的数字化、网络化、智能化改造。未来，现代信息技术与农业深度融合，为实现具备农业信息感知、定量决策等功能地全新农业生产方式，也将产生广泛的对边缘 AI 计算的需求。智能化农业信息遥感网络也将加快发展农业电子商务、

42、食品溯源防伪、农业休闲旅游、农业信息服务水平。智能控制设备：智能控制设备：AI 技术将提升关键生产环节的生产质量与与成本收益。技术将提升关键生产环节的生产质量与与成本收益。AI 可帮助企业实现智慧化运营、贯通层海量数据分析挖掘以及感知层更低时延诊断预警，若在生产系统普及，则将带来工厂作业模式、人员配置、部门区域协同等一系列的升级，如中国制造 2025所提出的，制造业重点领域全面实现智能化，试点示范项目运营成本将降低 50%，产品生产周期缩短 50%，不良品率降低 50%。制造业机器人升级：制造业机器人升级：人工智能将驱动企业业务重塑。人工智能将驱动企业业务重塑。未来，人工智能将参与企业更多的非

43、操作性任务，人与机器形成无缝的协作关系。华为预计到 2030 年，每万名制造业员工将与 390 个机器人共同工作。人与机器的协同将改变产品设计、生产、销售，到企业架构、员工的雇用和培训等各个环节的业务，最终让人类告别重复枯燥的任务、让人类远离危险的工作，并在越来越多的任务领域中赋能人类，帮助人图图 13：AI 助力人类实现对自然社会更纵深地感知助力人类实现对自然社会更纵深地感知 数据来源：华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 14/32 电子电子/行业深度行业深度 类获得超越自我的能力。智慧交互：智慧交互：未来未来 AI 可辅助人类完成更多创造力工作，实现从

44、感知到认知、从弱人可辅助人类完成更多创造力工作，实现从感知到认知、从弱人工智能到强人工智能的转变工智能到强人工智能的转变。现今，人工智能已参与完成一些过去难以胜任的任务，如通过图像辨别植物，帮助完成家务劳动等。2030 年，家用智能机器人使用率有望超过 18%。未来，AI 将实现从感知到认知、从弱人工智能到强人工智能的跨越。当今，AI 在作画、写诗、文学创作进行了初级的尝试，而在未来，AI 可完成更为复杂的创造性工作。比如，通过多种插件的配合，实现从自然语言到自主搭建网站的过程；通过多个传感器配合，实现更智能的家居。AR/VR：虚拟世界将重新定义人类生活、工作和学习的方式。虚拟世界将重新定义人

45、类生活、工作和学习的方式。未来，通过丰富的传感器硬件，数字空间将与物理世界共同组成虚实融合的世界，人与人、人与社会、人与自然、人与机器的交流方式将发生革命性的改变。华为预计 2030 年，超过 30%的企业在数字世界中运营与创新，各种虚实结合的 AR/VR 用户数达到 10 亿。元宇宙：元宇宙：通过数字体验驱动计算走向边缘端通过数字体验驱动计算走向边缘端，人与设备之间实现实时交互。，人与设备之间实现实时交互。云端将实现物理世界的建模、镜像，经过计算、加入虚拟元素形成数字世界，准确感知和还原物理世界。边缘设备将具备听觉、视觉、触觉、嗅觉和味觉能力，多维协同的计算将用户所处的环境整体变成一台超级计

46、算机，在虚实结合的世界中识别用户意图，并通过全息、AR/VR、数字嗅觉和数字触觉等技术进行用户呈现。图图 14：AI 助力人类获得超越现实世界的体验助力人类获得超越现实世界的体验 数据来源：华为，东北证券 图图 15：云端算力配合边缘端算力实现虚实融合体验：云端算力配合边缘端算力实现虚实融合体验 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 15/32 电子电子/行业深度行业深度 2.2.前沿探索：AI 助力天气精准预报/地震预测/生物结构模拟等 数字世界算力的规模决定了物理世界探索的广度和深度。未来，随着人类认知边界的不断扩展，科研用算力将爆炸性增长。比如，2027 年底欧洲核子

47、研究组织（CERN）将投入使用高光度大型强子对撞机，每秒发生约 10 亿次粒子碰撞，数据计算量将增加 50-100 倍，存储需求达到 ZB 级。生态监测：生态监测：AI 帮助人类得出更好治理模式，有效解决环境挑战。帮助人类得出更好治理模式，有效解决环境挑战。以大数据为基础，利用模型预测不同管理措施效果，并不断优化，AI 可为人类提供优良的环境保护方案，如确定位污染源，预测污染扩散等。气象：气象：气候模拟和天气预报精度更高，人类能够更加从容气候模拟和天气预报精度更高，人类能够更加从容地地应对极端天气。应对极端天气。受限于海量数据和巨大算力需求，目前很难对天气实现准确预测。据华为数据，天气预报将从

48、当前的 10 公里的精度，提升到公里、次公里，数据规模和算力需求提升1001000 倍。2030 年 100EFLOPS 级超级计算机的实现，可突破算力极限，大幅提升预报能力，使人类在极端天气面前不再被动。自然灾害预测：自然灾害预测：地震预报准确性、可靠地震预报准确性、可靠性将极大提高。性将极大提高。人工智能方法可突破震源机 数据来源：东北证券 图图 16：AI 助力人类更精确地探索未知世界助力人类更精确地探索未知世界 数据来源：华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 16/32 电子电子/行业深度行业深度 制参数的计算难题；应用地震大数据训练人工智能神经网络

49、，可完善预报系统的准确性和可靠性，实现地震预报领域的突破。宇宙结构探测：宇宙结构探测：人工智能将助力加速研究宇宙大规模结构。人工智能将助力加速研究宇宙大规模结构。传统研究办法需要对数十万到百万个宇宙论模型进行精确的计算，已有全部计算资源都不难以完成。风洞仿真风洞仿真：有望实现更大级别子系统，甚至整机的高精度仿真测试。有望实现更大级别子系统，甚至整机的高精度仿真测试。计算机风洞仿真是飞机、高铁等高速运动产品的重要测试手段。高精度仿真结果要求更大计算量，需分解测试系统为更多子系统。在 AI 辅助下，未来计算能力将提升 23 个数量级，高精度仿真测试成为可能。新药探索：新药探索：人工智能将为解决“维

50、度灾难”开辟新办法，加速人类认知的扩展。人工智能将为解决“维度灾难”开辟新办法，加速人类认知的扩展。现如今，在生物、材料、化学、宇宙等研究方向上，传统的计算方法面临“维度灾难”，算力需求指数级增长，比如对于更复杂的人脑思维、记忆和行为研究。如模拟人脑在特定刺激下的反应，每一小时模拟 Summit 需要计算 1024年。人工智能有可能突破“维度灾难”，为科学研究打开新的探索之道。2020 年戈登贝尔奖的研究工作就利用人工智能实现了 1 亿原子规模模拟，比过去的同类工作计算空间尺度至少增大100 倍，同时计算速度提高至少 1000 倍，实现了传统方法无法模拟的大尺度计算。算力挖掘数据价值：算力挖掘

51、数据价值：优化生产关系，更好地匹配生产力和客户需求。优化生产关系，更好地匹配生产力和客户需求。以云计算、大数据为基石，AI 可驱动行业数字化，提升管理效率，比如如 O2O 服务、电商等。实现全面应用上云，构筑实现全面应用上云，构筑 10X 的性能、效率、成本优势。的性能、效率、成本优势。端边云全栈 Serverless 化是企业数字化、智能化转型现代化改造的主流技术。其基于云原生计算模式的编程语言、语言 runtime、应用调度、运行、运维，构成了现代化软件及全栈 Serverless化的基础。图图 17：AI 助力助力软件更准确地模拟现实物质结构软件更准确地模拟现实物质结构 数据来源：华为，

52、东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 17/32 电子电子/行业深度行业深度 精细化资源使用：精细化资源使用：新计算技术使得资源应用更加便捷，大幅减少企业计算资源浪费。新计算技术使得资源应用更加便捷，大幅减少企业计算资源浪费。在非云化时代，处理器仅有 10%的利用率，容器技术则将这一比例提升到 40%以上，未来新的资源管理技术的广泛采用将进一步减少 50%以上的资源浪费。软件定义运营：软件定义运营：工业制造等传统企业将在更加复杂的产业链上下游环境中实现由软工业制造等传统企业将在更加复杂的产业链上下游环境中实现由软件定义的高效企业运营。件定义的高效企业运营。工业物联

53、网将驱动全球的供应、制造、维护、交付和客户服务等业务流程实现广泛联接，未来企业将通过软件处理跨组织复杂协同，通过软件快速定义业务的运营。低碳低碳 DC：企业将获得更加绿色的计算资源，能源效率更能得到指数级提升。企业将获得更加绿色的计算资源，能源效率更能得到指数级提升。随着创新计算架构的引入，计算能效将极大的提升。传统计算过程中超过 60%能耗集中在数据迁移，而未来以数据为中心的计算将使得能效提升数十倍。模拟计算（如量子计算、模拟光计算）成为重要算力来源，能源效率得以指数级大幅提升。未来数据中心受能源分布、算力需求分布的双重影响，计算架构发生更大空间维度的变化，通过算力网络更好匹配绿电、时延、成

54、本的差异，从而实现最优能源利用效率与碳排放。图图 18：AI 助力企业实现更高效的运营效率助力企业实现更高效的运营效率 数据来源：华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 18/32 电子电子/行业深度行业深度 3.趋势趋势：从计算智能到感知智能，从“云端训练、边缘推理”从计算智能到感知智能，从“云端训练、边缘推理”到到端边云协同端边云协同 AI 正从正从智能感知走向智能认知，多模态学习智能感知走向智能认知，多模态学习成为成为 AI 发展趋势发展趋势。AI 从早期的计算智能，升级到如今的感知智能，现在正逐步向认知智能发展，在这一发展过程中，多模态学习是获得信息融

55、合和协同、构建多模态大规模基础模型的重要手段。构建大规模基础模型可以提高 AI 对复杂环境的认知能力，丰富 AI 的应用场景。以ChatGPT 的发展为例，ChatGPT 的输入端只接受文字信息，而 GPT-4 已经发展到能够接受图片、表格等多样的输入方式，具有多模态的数据处理能力。在该趋势下，多模态学习还需要解决以下问题：1）利用跨模态数据的互补性及冗余性做好表征学习；2）处理表征学习后的向量关系映射；3）处理训练场景下某个或某类模态数据缺失后模型自适应的学习及迁移能力，保障模型精度维持在可接受范围内；4）处理推理场景下，某个或某些模态数据缺失后的模型拓扑路由，提高推理增益等。图图 19：实

56、现多模态学习需要解决数据：实现多模态学习需要解决数据异异构性等多重挑战构性等多重挑战 数据来源：华为，东北证券 生成式生成式 AI（AI generated content,AIGC）是最佳的自动化生产要素，其应用场景指是最佳的自动化生产要素，其应用场景指向金融银行、游戏、影视等需求侧。向金融银行、游戏、影视等需求侧。通过 AIGC 技术，AI 从理解内容走向自动生成内容，并将人类创意融入内容生成过程，可进行文本续写、文字转图像、视频创作，甚至生成 AI 主持人、游戏中的智能 NPC 等。AIGC 也在助力金融银行发展，在智能客服、数字员工、数字营业厅、内容营销、智能投研中具有广泛的应用场景。

57、尽管 AIGC 已得到广泛应用，其仍面临以下问题：1）某些生成模型不稳定且难以控制其行为，如生成的图片精确性不足但无法判别原因；2）可能被用于欺诈目的。如 AI主持人、智能 NPC 等都可能被远程攻击、篡改，从而被用于诈骗行为。3.1.高算力带来高能耗，低 PUE 政策带动液冷服务器、液冷芯片需求 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 19/32 电子电子/行业深度行业深度 高算力带来高能耗，高算力带来高能耗，低低 PUE 政策政策带动带动液冷服务器、原生液冷芯片需求。液冷服务器、原生液冷芯片需求。全球数据中心总能耗占电力需求的 1%，通用计算的总能耗每 3 年增长 1 倍

58、，AIGC&碳中和目标将驱动算力提升百倍的同时提升能源利用效率。根据工信部 2021 年发布的 新型数据中心发展三年行动计划，到 2023 年底，全国数据中心总算力超过 200 EFLOPS，高性能算力占比达到 10%，新建大型及以上数据中心 PUE（即数据中心总设备能耗/IT 设备能耗，理想水平为 1，表示只有 IT 设备在耗能）降低至 1.3 以下，严寒和寒冷地区力争降低至 1.25 以下。根据腾讯云，一个典型的 Google 数据中心在投产初期的 PUE1.25。而 AI 服务器在执行复杂任务时，需要更高的能耗，PUE通常大于1.5。因此需要通过液冷、去冷机、去空调等技术优化数据中心的P

59、UE。2022 年 5 月，英伟达发布了首款采用原生液冷芯片（Direct-to-Chip）技术的 PCIe GPU，就是基于 A100 和 H100 芯片，该类 GPU 在主流服务器的 GPU 中尚属首例。根据英伟达估计，液冷数据中心的 PUE 可能达到 1.15，远低于风冷的 1.6。根据英伟达报告，切换至液冷后，2k 台服务器（4k 张 A100）的总电力需求降低了 28%。图图 20：NVIDIA 于于 2022 年年中发布液冷版年年中发布液冷版 A100、H100 图图 21：液冷版：液冷版 A100 PCIe 比风冷版降低比风冷版降低28%能耗、能耗、66%机架数量机架数量 数据来

60、源：NVIDIA，东北证券 数据来源：NVIDIA，东北证券 3.2.大算力需求下，新架构新技术开启新道路 2.5D、3D、Chiplet 等先进封装等先进封装工艺工艺成为延续摩尔定律良药。成为延续摩尔定律良药。在未来算力需求大幅增长，而“微缩化”逐渐逼近摩尔定律极限（硅原子直径是 0.2nm，台积电已经达到 2nm）的情况下，2.5D/3D 封装技术成为权衡该状况的极佳选择。2.5D Silicon/FO Interposer+Chiplet 技术可以降低能耗、集成更优性能。根据华为的数据，2.5D 封装对传统封装板级互连方案单 bit 能耗降低至约 1/2，预计 2025 年 2.5D 封

61、装的硅中介层尺寸将超过 4xReticle(1 Reticle=25mm*32mm)，未来封装基板大小可能会超过110mm*110mm。由于 3D 封装需要采用小于 10m甚至更小 pitch 的超高密 Bonding技术，其相对 2.5D 封装具有显著的带宽、功耗优势，单 bit 功耗有望降低至 1/10。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 20/32 电子电子/行业深度行业深度 图图 22：采用采用先进封装先进封装技术的技术的芯片示意芯片示意 数据来源：wikipedia，东北证券 云计算云计算打破了传统安全边界，数据加密成为应对新型攻击的方式打破了传统安全边界，数据

62、加密成为应对新型攻击的方式。云计算将巨大的数据处理分解为若干小程序，通过多部服务器计算出结果后返回给用户，巨大的数据传输量使传统的外挂式安全防护方案无法应对新型攻击，因此在网络的任何位置通信都应加密。具体做法为在每一个服务器中融入加密通信的高性能硬件卸载能力，并支持后量子加密算法。图图 23：隐私计算重建数字信任体系隐私计算重建数字信任体系 数据来源：华为，东北证券 未来的计算可在最合适的地方以最合适的算力进行，呈现多样化计算趋势未来的计算可在最合适的地方以最合适的算力进行，呈现多样化计算趋势。不仅DPU（Data Processing Unit,数据处理单元）、NPU（Neural Proc

63、essing Unit,嵌入式神经网络处理器）等内设可以进行数据处理，硬盘、网卡、内存等外设也将逐步开始拥有数据分析和处理能力。多样化计算可以减少数据搬移，提高整体系统的性能。近内存计算近内存计算：可使内部数据传输不受可使内部数据传输不受外部外部总线总线带宽制约，使带宽制约，使 DRAM 内内有效带宽有效带宽实实现现倍数级提升。倍数级提升。总线作为各种机能部件之间传送信息的公共通信干线，其带宽大小会对各处数据搬移产生制约，这成为如今数据传输、计算的瓶颈。未来通过在 DRAM（Dynamic Random Access Memory，动态随机存取存储器）的控制电路上增加并发的可编程计算单元，同时

64、优化 DRAM 阵列结构，可提升内部数据传输的并发度，使内部运算不受外部总线带宽的约束，可实现数据运算有效带宽的倍数级提升。英特尔提出的 PCI-Express(peripheral component interconnect express,一种高速串行计算机扩展总线标准)所连接的设备分配独享通道带宽，不共享总线带宽，可支持主动电 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 21/32 电子电子/行业深度行业深度 源管理、错误报告、端对端的可靠性传输、热插拔及服务质量等功能。英伟达开发出的 NVlink 采用点对点结构、串列传输，用于中央处理器与图形处理器之间的连接，也可用于

65、图形处理器之间的连接，具有高带宽、低延迟、低功耗和高密度的特点。存算一体存算一体能能打破算力和存储的边界，预计能效比冯诺依曼架构打破算力和存储的边界，预计能效比冯诺依曼架构提升提升 10 倍倍以上以上。存算一体即存储介质既能做存储单元又能做计算单元，目前已有成熟的存储器可实现存算一体，很多新型的存储器也在探索存算一体。基于 SRAM（Static Random-Access Memory，静态随机存取存储器）和 NOR Flash（非易失闪存）的存储器将有望在2-3 年内实现规模商用，在端侧、边缘侧的人工智能推理运算中展现出 10 倍的能效优势；基于 ReRAM（Resistive rando

66、m-access memory，可变电阻式内存）、PCM（Phase Change Memory,相变存储器）、MRAM（Magnetoresistive Random-Access Memory，磁性随机存储器）等新型非易失存储器具有高性能、低功耗的特点，虽还未实现存算一体，但已在积极探索中，一旦实现存算一体，未来十年有望在数据中心侧实现突破。存算一体要实现规模应用，还需突破以下难点：1）计算精度比数字计算低。器件在兼顾存储和计算时的一致性、稳定性相比数字计算低，因此会产生更多误差，同时计算过程中存在噪声，进一步降低其计算精度。需要结合电路特征优化算法，使得计算结果满足应用需求；2）对数据映

67、射工具的要求更高。存算一体需要将神经网络模型部署在合适的存储单元上，并通过数据流调度来控制整个运算过程，因此需要更高效智能的数据映射工具；3）基于向量乘矩阵的运算方式使其目前只能运用于特定的机器学习，难以实现通用。需要在存储器件、编程模型、系统架构和应用上实现突破，使存算一体扩展至更多应用场景。边缘计算开始在边缘计算开始在 ICT 行业广泛应用，行业广泛应用，2030 年全球市场规模年全球市场规模有望有望达数千亿美元。达数千亿美元。边缘计算可在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，提供最近端服务，随 5G 技术、物联网技术的发展，边缘计算开始在 ICT 行

68、业广泛应用，预期 2030 年全球市场规模将从 100 亿美元增长到数千亿美元。边缘计算要实现规模应用，需要针对以下方面进行突破：1）智能化升级与改造。若边缘计算能够实现在制造、电力、城市、交通、金融等垂直行业的智能化升级与改造，形成完备的 SDK（Software Development Kit，软件开发工具包），解决跨行业的共性问题和智能制造的共性问题，其将实现爆发式增长；2）算力网络能力的提升。未来应用边缘计算的业务将越来越多元化，对算力的要求也将越来越高，其中全息及多维感知类业务要求算力至少提高 100 倍，存储业务要求算力提高 100 倍乃至1000 倍，网络带宽业务要求算力达到 1

69、0Tbit/s 级别；3）数据安全的保障。由于边缘计算距离物更近，因此更易受到攻击。预计 2030 年 80%的数据都将在边缘计算，一旦安全得不到保障，用户就会遭到重大损失。因此需要加强数据采集、传输等过程中的保护，同时又要避免对数据过度保护造成 AI 在在医疗、金融、工业等领域的潜在价值无法充分发挥。端边云计算正在从“云端训练、边缘推理”的模式走向“合作式”的训练和推理。端边云计算正在从“云端训练、边缘推理”的模式走向“合作式”的训练和推理。与以往云计算的云端与边缘“分工运行”不同，在如今的端边云计算中，负责全面感知的终端、负责局部数据分析和推理的边缘、负责汇集数据及感知分析的云端可同时协作

70、，可应用于智能制造、智能城市、智能交通等。2023 年 3 月，鹏城实验室牵头制订的数字视网膜系统国际标准在 IEEE 标准协会正式发布，该标准是全球首个端边云技术的国际标准。正走向“合作式”的端边云技术还需解决以下问题：1）请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 22/32 电子电子/行业深度行业深度 协同训练的精度和收敛速度问题；2）决协同推理时延和准确率问题；3）数据类问题：数据孤岛问题、小样本问题、数据异构问题；4）其他诸如安全隐私、通信成本、端/边设备的资源受限等问题。图图 24：端边云协同计算：端边云协同计算 数据来源：华为，东北证券 数字孪生：数字孪生：未来的物

71、理世界将会有一个孪生的数学世界对应，形成未来的物理世界将会有一个孪生的数学世界对应，形成该类该类数学世界需数学世界需要增加要增加 100 倍的算力进行三维建模。倍的算力进行三维建模。与物理世界一一对应的数学世界可实现“双系统”协同运行，卡奥斯 COSMOPlat 发布的 D3OS 数字孪生产品正助力企业打造虚拟工厂，优化生产经营流程，实现降本增效。利用信息化技术促进产业变革的工业4.0 时代以及着眼于建设制造强国的中国制造 2025战略，都在积极推进数字孪生。实现数字孪生需要先对物理世界里影像、视频、声音、温度、湿度、力学等各种数据进行多维感知和采集后，再通过三维建模构建数学世界。这样的三维建

72、模需要使用 100+路摄像机阵列采集的高精度数据的数据量，比 2D 图像数据量增加 100倍以上，分辨率提升至 8K，单路算力提高 4 倍，因此所需的算力也需增加 100 倍以上，并且需要高效的三维建模软硬件系统。图图 25：多维感知与数字建模技术：多维感知与数字建模技术 数据来源：华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 23/32 电子电子/行业深度行业深度 量子计算目前正处于高速工程化的阶段，未来十年重点为量子计算目前正处于高速工程化的阶段，未来十年重点为实现实现基于基于 NISQ 的专用量的专用量子计算机。子计算机。量子计算目前处于 NISQ（Noisy

73、 Intermediate Scale Quantum,中等规模带噪声量子器件）时代，并处于高速工程化阶段。目前量子化学模拟、量子组合优化算法及量子机器学习是最具商业价值的落地场景。而未来十年重点是实现基于NISQ的专用量子计算机，这样的量子计算机可以有效模拟自然界发生的任何过程，在物流管理、供应链管理、机器学习、电子制造等方面的应用上具有巨大潜力。图图 26：量子计算处理器：量子计算处理器与经典计算机协同工作与经典计算机协同工作 图图 27：量子处理器：量子处理器工作原理工作原理 数据来源：华为、东北证券 数据来源：华为、东北证券 未来全闪存将成为未来全闪存将成为新型存储的新型存储的主流。主

74、流。全闪存可同时应用于主存储和辅助存储，预计未来有 72%的企业存储数据基于全闪存；企业的所有数据中，有 82%的业务数据存在备份需求。根据数据存储的热温冷差异，未来存储介质将向高速高性能和海量低成本方向演进。新型内存型介质将成为热数据存储的主流介质。目前存储热数据的 SSD 和 DRAM都无法满足热数据存储的要求，诸如 PCM、MRAM、ReRAM、FeRAM（Ferroelectric Random-Access Memory，铁电式随机存取内存）等新型内存型介质技术将成为热数据存储的主流介质，但仍需面临以下挑战：1）容量挑战。预计到 2030 年，热数据总量将相当于目前 SSD 存储的数

75、据总量，因此热数据介质的容量密度至少需要达到目前 SSD 的 1Tb/die，扩大 10 倍左右；2）能耗挑战。PCM、ReRAM 等基于电阻，能耗较大。ReRAM 和 MRAM 的单位 bit 功耗是 FeRAM 的 10 倍，PCM 高达其 100倍，因此 FeRAM 类低工作电压介质潜力更大。高密 NAND Flash 介质将成为温数据存储的主流介质。温数据介质需要兼顾性能、容量和低成本，需要面临以下挑战：1）Cell 多值的性能和寿命挑战。目前 Cell 存储容量多 1 个比特，电压级数都将增加 1 倍，读写性能和寿命下降数倍；2）3D 堆叠的工艺挑战。华为预计 2030 年堆叠层数将

76、达到千层量级，介质硅通孔宽深比将达到120：1，加工难度大大上升。光存储将成为冷数据存储的主流介质。未来冷数据长期存储规模将从 1.2ZB 增长至26.5ZB，同时存储寿命需要提升 510 倍。就中国国家档案馆而言，关键档案数据的存储寿命要从 100 年提升到 500 年，数据规模将从 100PB 增长到 450PB。传统的存储材料无法满足这一需求，光存储将成为冷数据的主流存储介质，其需面临以下挑战：1）介质寿命需提升 10 倍，且具有应对各种复杂环境的能力；2）容量达到蓝光的 10 倍，成本下降 5 倍，性能提升 10 倍。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 24/32

77、 电子电子/行业深度行业深度 图图 28：各种存储介质的：各种存储介质的性能性能比较比较 数据来源：华为，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 25/32 电子电子/行业深度行业深度 4.投资机会投资机会&相关标的相关标的 4.1.华为线条：Chiplet 先进封装破局，受益华为复苏回归 兴森科技兴森科技：行业需求下行致业绩承压，扩张产品产能待厚积薄发行业需求下行致业绩承压，扩张产品产能待厚积薄发。成立于 1999 年。主营业务包括 PCB（2022 年营收占比 75%）、半导体测试板（9%）、IC 载板（13%）。公司是国内最大的印制电路样板小批量板快件制造商，

78、产品广泛应用于通信、工控、计算机、军工等。2022 年海外营收占比 50%。目前公司已具备 3.5 万平米/月的 BT载板产能。公司正在持续推进 FCBGA 载板业务，其中珠海项目预计于 23Q2 开始客户认证，23Q3 小批量试生产。广州项目目前正在进行厂房装修，预计 23Q4 进入试产，公司有望成为国内首家实现 FCBGA 封装基板量产的企业。预计公司2023/2024 年 EPS 分别为 0.45/0.66 元。德邦科技德邦科技：业绩高速增长，加快高端电子封装材料国产替代。：业绩高速增长，加快高端电子封装材料国产替代。成立于 2003 年。公司是国家集成电路产业基金重点布局的电子封装材料

79、生产企业，主营业务包括集成电路封装材料（2021 年营收占比 14%）、智能终端封装材料（31%）、新能源应用材料（46%）、高端装备应用材料（9%）四类，产品广泛应用于晶圆加工、芯片级封装、板级封装等封装工艺环节。公司的芯片固晶材料产品、晶圆 UV 膜产品已通过华天、长电等认证并批量出货；芯片级底部填充胶、Lid 框粘接材料、芯片级导热界面材料等产品目前正在配合国内领先芯片半导体企业进行验证测试，后续有望率先实现国产化。智能终端材料：公司已进入苹果、华为等供应链并实现大批量供货，仍有份额提升空间；动力电池封装材料：公司已陆续通过宁德时代、比亚迪、中航锂电等头部企业验测，并起量。公司拟募集 6

80、.44 亿元用于高端电子专用材料生产项目、年产 35 吨半导体电子封装材料建设项目、新建研发中心建设项目，伴随着产能的陆续释放，公司有望成长为高端电子封装材料巨头。预计公司 2023/2024 年 EPS 分别为 1.81/2.76 元。长川科技长川科技：测试机出货持续增长，国产替代先进封装之关键。测试机出货持续增长，国产替代先进封装之关键。成立于 2008 年，主要为 IC 封测企业、晶圆制造企业、IC 设计企业等提供测试设备。公司主营产品为测试机（2021 年营收占比 32%）、分选机（62%）等。公司测试机和分选机的核心性能参数接近国外先进水平，同时服务本土客户响应迅速，合作开发快速进步

81、。公司测试机分选机、探针台不断迭代提高，持续兼并扩张，有望充分受益于国产替代进程。预计公司 2023/2024 年营收分别为 37.66/50.59 亿元，归母净利润 8.49/12.75 亿元。伟测科技伟测科技：兼兼 CP 与与 FT 测试之长，引领国内第三方测试测试之长，引领国内第三方测试，2022 年盈利超预期年盈利超预期。成立于 2016 年，公司聚焦第三方集成电路测试领域，主营业务包括晶圆测试（2021年营收占比 58%）、芯片成品测试（42%）。公司的技术实力、服务品质以及产能规模在行业内具备较高认可度，同时积累了广泛的客户资源。公司客户涵盖芯片设计、制造、封装、IDM 等类型的企

82、业，其中不乏紫光展锐、比特大陆、晶晨股份等行业高端客户。高端客户的产品不断创新，带来具有较高确定性的测试需求，进而有效抵消行业需求下行的负面影响。与此同时，公司高端机台数不断扩充，测试产能充足，将满足高端客户的测试需求。中国大陆地区第三方测试市场集中度较低，各家规模较小，伟测科技营收规模与技术水平均处于国内领先地位。预计公司 2023-2024年实现营收 11.33/15.37 亿元，归母净利润 3.43/5.16 亿元。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 26/32 电子电子/行业深度行业深度 方邦股份方邦股份：业绩暂时承压，可剥离铜箔成国产先进封装载板破局之光。：业绩

83、暂时承压，可剥离铜箔成国产先进封装载板破局之光。成立于 2010年，公司专注于提供高端电子材料及应用解决方案，主营电磁屏蔽膜（2021 年营收占比 83%）、铜箔（15%）等。公司可剥铜产品作为基础复合电子材料，在芯片封装、超细线路制备等领域具有重要作用。据 Prismark 数据显示，2021 年全球 IC 载板的市场规模为 144 亿美元，超过硅片的 126.2 亿美元。作为 IC 载板领域的新产品，可剥铜具有不弱于 ABF 载板的最小线宽线距，以及同等面积下显著的成本优势。当前ABF 载板市场几乎被日本味之素所垄断，国内多家厂商尚处于产品验证导入阶段，可剥铜有望成为实现 IC 载板自主化

84、的另一大关键技术，在大力推进半导体国产替代的背景下具有重要意义。当前可剥铜仅日本三井可提供，公司可剥铜产品今年有望实现出货，进一步打开业绩增长空间。此外，公司 PET 铜箔稳步推进，四大核心技术奠定公司技术优势，通过现有屏蔽膜产线可快速实现 PET 铜箔量产。若产品顺利认证，工艺+产能的优势将助力公司快速抢占市场，实现第二业绩增长曲线。预计公司 2023-2024 年实现营收 6.36/8.89 亿元，归母净利润 0.62/1.71 亿元。华正新材华正新材：CBF 积层绝缘膜突破，先进封装打开上涨空间。积层绝缘膜突破，先进封装打开上涨空间。成立于 2003 年，是国内最早从事研发生产环氧树脂覆

85、铜板的企业之一。公司主营产品为覆铜板（2022 年营收占比77%）、导热材料（6%）、功能性复合材料（6%）、交通物流用复合材料（10%）。作为先进封装领域中 FCBGA 高密度封装基板、芯片再布线介质层、芯片塑封、芯片粘结、芯片凸点底部填充等重要应用场景的关键封装材料，CBF 积层绝缘膜长期被日本企业垄断，市占率达到 95%以上。公司与中科院深圳先进院、电子材料院合作研发 CBF 绝缘膜，目前成功开发多款 CBF 绝缘膜，将对海外厂商垄断的现状实现有效突破。公司已经布局覆铜板、复合材料和锂电池软包用铝塑膜等产品，并且广泛用于 5G 通讯、数据 交换、新能源汽车、智慧家电、医疗设备、绿色物流等

86、领域。公司加强 CBF 积层绝缘膜的研发，将进一步丰富公司 IC 载板业务产品线，提升技术能力，以此拓展客户群体并且稳固行业地位。预计公司 2023-2024 年实现营收 42.05/52 亿元，归母净利润 1.16/2.22 亿元。4.2.算力线条：云端与边缘端齐发力，大小算力全面替代 寒武纪寒武纪：国产：国产 AI 算力芯片行军者。算力芯片行军者。成立于 2016 年，专注于人工智能芯片的产品研发与技术创新。根据 TrendForce 报告，若以英伟达 A100 显卡的处理性能计算，训练 ChatGPT 将需要使用 3 万枚 A100（单价 1 万美元以上）。从各代 GPT 参数规模看，G

87、PT-1/2/3 分别有 1.2/15/1750 亿个训练参数。GPT-4 虽然并未公布具体参数量，但 OpenAI CEO 对“GPT-4 是人类迄今所实现的最复杂的软件”持肯定态度，并表示“GPT-4 会比 GPT-3 使用更多的计算资源”，而这将进一步推升模型对于高算力芯片的需求。目前进行 AIGC 业务所需的 AI 算力芯片格局主要由英伟达主导，而其 A100 和 H100（CUDA 核心数较低的 PCIe 版单价都高达 24 万元）系列在 2022年 8 月被美国限制对华出口。因此，AI 高性能算力芯片的国产替代势在必行。除公司的思元 590 外，目前国内 AI 算力芯片的主要玩家还

88、有海光（深算 1 号）、沐曦（C100）等。在 2022 年世界人工智能大会上，公司董事长透露了寒武纪最新一代云端智能训练芯片思元 590，该芯片采用 MLUarch05 全新架构，实测训练性能较在售旗舰产品思元 290 系列有大幅提升，有望成为国产先进 AI 算力芯片。该芯片目前尚未发布，但该芯片面积为 800mm2，已经接近 A100 的 826mm2。我们预计在AIGC 类业务对算力的需求上，思元 590 有望在一定程度上替代 A100。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 27/32 电子电子/行业深度行业深度 龙芯中科：龙芯中科：3D5000 高性能高性能 CPU

89、 发布，发布，Chiplet 助力助力国产大芯片突围。国产大芯片突围。4 月 8 日上午，在鹤壁举行的信息技术自主创新高峰论坛上，龙芯中科正式发布了新款高性能服务器处理器龙芯 3D5000。公司已经发布的 3A5000 和 3C5000，分别面向桌面和服务器，本次 3D5000 的发布丰富了公司的产品线，助力公司迈入国内服务器 CPU领先行列。龙芯 3D5000 的 SPEC 2006 分数超过 425，浮点部分采用了双 256bit 向量单元，双精度浮点性能可达 1TFLOPS，是典型 Arm 核心性能的 4 倍。搭配自研的龙芯 7A2000 桥片可支持 2 路/4 路 CPU，单台服务器可

90、以做到 128 核。龙芯此次还推出自研的 BMC（服务器远程管理控制）芯片 2K0500，采用 LA264 架构，频率500MHz，支持 1920 x1080 60hz 输出，支持多种管理协议。结合 LoongArch 架构，公司有望实现服务器从软件到硬件的 100%国产化。此外，龙芯 3D5000 采用 Chiplet技术将两颗 3C5000 封装在一起，在 LGA-4129 封装工艺下，整体芯片尺寸达到75.4mm*58.5mm*7.1mm。在我国大算力芯片面临美国技术封锁，先进制程制造能力和代工渠道遭受限制的背景下，采用 Chiplet 技术的龙芯 3D5000 有望为国产大芯片供给端破

91、局打开思路。预计公司 2023-2024 年营收 17.51/25.84 亿元，归母净利润2.36/4.6 亿元 乐鑫科技：软硬件双轮驱动，乐鑫科技：软硬件双轮驱动，AI 助力终端硬件智能交互。助力终端硬件智能交互。2022 年公司营收整体略有下滑，其中全球消费类市场需求惨淡，公司产品在非消费类领域进一步增长，对消费领域的下行具有一定缓冲作用。公司归母净利润下滑的主要原因为营收减少，研发费用同比增加 0.65 亿元，同时计提存货减值损失 0.05 亿元。2022 年公司毛利率为 39.98%，同比增加 0.38pcts，毛利率整体保持稳定，价格策略没有显著变化。随着库存水平得到控制，同时公司新

92、产品节奏发布加快，产品矩阵不断完善，公司未来经营业绩有望逐步向好。公司围绕 AIoT 的核心，软硬件双轮驱动，致力于实现 AIoT 软硬件一体化解决方案。2022 年公司推出 ESP32-S3-BOX 开发套件的迭代版本，搭载 AI 语音开发平台，提供全面的硬件和软件框架，适用于智能音箱等物联网设备。公司芯片产品线不断扩充，随着离线语音识别、图像识别等 AI 功能的强化，有望充分受益于智能化终端的渗透率提升。预计公司 2023-2025 年营收分别为17.20/22.42/25.87 亿元，归母净利润分别为 1.67/2.31/2.91 亿元，对应 PE 分别为68/49/39 倍。瑞芯微瑞芯

93、微：业绩触底回升，业绩触底回升，AI 应用落地打开成长空间应用落地打开成长空间。公司拥有 20 年历史，通过长期积累 AIoT 和音视频技术经验，开发拳头智能应用处理器，全面覆盖智能商显、智慧视觉、智能音箱、扫地机器人等各类终端产品的需求，不断冲向更高端的芯片市场。近期 AIGC 取得革命性突破，相关大模型与各种应用层数不穷，覆盖文字、音频、视频等多个细分领域。公司拓展“大音频”、“大视频”、“大软件”、“大感知”等相关技术及应用，并且持续积累迭代，在边缘端与终端助力 AI 落地，未来将充分受益于 AI 产业链发展。预计公司 2023-2025 年营收分别为 28.24/35.08/40.47

94、 亿元，归母净利润分别为 4.98/7.44/9.93 亿元。恒玄科技恒玄科技：国内智能音频：国内智能音频 SoC 芯片领导者，关注消费复苏及芯片领导者，关注消费复苏及 AIoT 长期发展。长期发展。在解决方案上，公司拥有自主知识产权的 IBRT 技术，该技术解决了传统转发方案功耗高、时延长及稳定性差的缺点，从而实现更好的用户体验。在产品性能上，公司产品拥有功耗低、集成度高、信噪比高等优势。目前公司已成为 TWS 蓝牙芯片业内客户覆盖面最广的供应商之一。随着 TWS 耳机渗透率的提升，可穿戴设备市场的恢复，以及以 ChatGPT 为代表的智能家居交互方式的升级，看好公司作为国内音频请务必阅读正

95、文后的声明及说明请务必阅读正文后的声明及说明 28/32 电子电子/行业深度行业深度 Soc 领域龙头公司中长期的发展。我们预计公司 2023-2025 年收入分别为18.77/24.75/32.37 亿元，同比增速分别为 26.45%/31.84%/30.77%，归母净利润分别为 2.76/4.52/6.01 亿元，同比增速分别为 125.44%/63.87%/32.84%。炬芯科技炬芯科技：借助：借助 ChatGPT 东风，打造东风，打造 AIoT 音频芯生态。音频芯生态。公司成立于 2014 年，主营蓝牙音频 SoC 芯片（2021 年营收占比 70%）、便携式音视频 SoC 芯片（23

96、%）、智能语音交互 SoC（7%）。公司五名核心技术人员在 AIOT 音频领域均有多年技术研发经验，其多项核心专利技术都为自主创新，研发常年投入占营收比例在 25%以上，产品矩阵全面，大客户持续突破，同时持续通过股权授予方式加大核心员工的激励，保持研发队伍的持续积极性。ChatGPT 已打开潘多拉的盒子，IoT 向 AIoT 演进，ChatGPT 大模型对数据集中训练后应用落地点将是具有边缘计算能力的 AIoT终端。公司的 AIoT 音频芯进入多家大客户终端产品，其产品形态丰富全面，产品迭代能力较高，SoC/DSP 的双芯架构将会灵活在 ChatGPT 的演进中，特别是在未来的多模态通用模型下

97、，AIOT 芯成为关键钥匙。4.3.存力线条：高性能 GPU 瓶颈 深科技深科技：高端存储封测积极布局，定制化优势明显。高端存储封测积极布局，定制化优势明显。成立于 1985 年，主营业务包括存储半导体（2021 年营收占比 18%）、计量智能终端（8%）、高端制造（74%）。在半导体封测业务，公司主要从事高端存储芯片的封装与测试，采用深圳、合肥半导体封测双基地的运营模式，配合上游客户需求，提升存储芯片配套封测产能。合肥沛顿存储目前已完成多项体系认证，通过现有客户封装产品的大规模量产审核，并积极导入新客户。在高端存储芯片封装和测试领域，公司掌握多种产品的封装方案设计和分析能力，能够提供定制化的

98、测试程序开发和芯片特性分析服务。公司布局多地的先进检测分析及研发实验室，持续进行研发投入，提升高阶封测量产能力。公司拥有多个产业基地，在日本设有研发基地，在美国设有新产品导入基地，同时在十多个国家设有分支机构或研发团队。凭借深厚的技术实力以及定制化设计制造能力，积累了丰富的全球优质客户资源。预计公司 2023-2024 年营收分别为209.19/221.98 亿元，归母净利润分别为 10.17/11.17 亿元。江波龙江波龙：行业寒冬有望终结，企业级：行业寒冬有望终结，企业级+车规级存储前景广阔。车规级存储前景广阔。成立于 1999 年，主营业务包括嵌入式存储（52%）、移动存储（24%）、固

99、态硬盘（18%）、内存条（5%）。2022 年公司车规级存储保持快速增长，服务器内存条（RDIMM）量产出货，企业级 SSD 样品发布并送样，显示公司技术能力的提升，产品结构的优化。2022 年公司收入规模占同期全球市场规模约 1%，全球市场占有率很低，仍有较大的成长空间。预计公司2023-2025年实现营收97.7/117.6/142.9亿元，归母净利润4.65/6.63/9.91亿元。普冉股份普冉股份：营收稳步增长，战略布局“存储：营收稳步增长，战略布局“存储+”赛道。”赛道。成立于 2016 年，主营业务包括存储芯片（2022 年营收占比 94%）、微控制器及其他（6%）。在存储芯片领域

100、，公司采用 SONOS 工艺结构 40nm 工艺节点以下的 NOR Flash 全系列产品已经成为量产交付主力，完成了 50nm ETOX NOR Flash 产品中大容量系列的研发并成功量产；车载 EEPROM 产品完成了 AEC-Q100 标准的全面考核，2Mb 大容量 SPI 及 I2C EEPROM 产品顺利量产出货。“存储+”赛道，基于 ARM 内核的 32 位 M0+MCU产品完成研发并顺利量产出货并全面推广，基于 ARM 内核的 M4 MCU 产品完成请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 29/32 电子电子/行业深度行业深度 设计；同时支持高通新一代平台的

101、1.2V 应用 VCM Driver 产品完成研发并进入客户送样和认证阶段。预计公司 2023/2024 年 EPS 分别为 8.97/12.90 元。兆易创新兆易创新：国内半导体存储国内半导体存储+MCU 龙头，有望受益存储景气度触底回升龙头，有望受益存储景气度触底回升。成立于2005 年，主营业务包括存储芯片（2021 年营收占比 64%）、微控制器（29%）、传感器（6%）、技术服务及其他（1%）。存储：NOR FLASH：提供 512Kb 至 2Gb 大容量的全系列产品，55nm 工艺制程出货量占比已接近 70%；车规 NOR Flash 在行业头部客户业务收入高速增长，国际头部 Ti

102、er1客户导入工作进展顺利。NAND FLASH：38nm、24nm 工艺节点实现量产，完成 1Gb8Gb 主流容量全覆盖，GD25/55、GD5F全系列产品通过 AEC-Q100 车规级认证；DRAM：自有品牌的 DRAM 产品（19nm，4Gb）已于 2021 年 6 月量产，17nm DDR3产品预计2022年9月即将量产。MCU：工规级 MCU 已在汽车后装市场应用；公司即将推出的 40nm 车规级 MCU 产品，以车身电子、座舱和安全域作为切入点，覆盖 ADAS、汽车照明、HVAC、DCDC 车载充电、T-BOX、EDR、导航等应用；40nm 车规级产品已面向多个 Alpha 客户进

103、行推广，与一线 Tier1 和 ODM 全面开展合作。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 30/32 电子电子/行业深度行业深度 5.风险提示风险提示1）大模型开发进展不及预期2）市场推广不及预期3）宏观经济与政策影响请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 31/32 电子电子/行业深度行业深度 研究研究团队团队简介：简介：Table_Introduction李玖：北京大学光学博士，北京大学国家发展研究院经济学学士（双学位），电子科技大学本科，曾任华为海思高级工程师、光峰科技博士后研究员，具有三年产业经验，2019 年加入东北证券，现任电子行业首席分析师

104、。王浩然：上海财经大学金融硕士、信息与计算科学本科，曾任新财富前三团队及新财富最具潜力团队核心成员，2022 年加入东北证券，任电子行业资深分析师。武芃睿：英国南安普顿大学光电研究中心硕士，华中科技大学光电信息本科，武汉大学工商管理学士（双学位）。曾任华为和上海微电子光电工程师，具有三年产业经验，2020 年加入东北证券，现任电子行业高级分析师。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，并在中国证券业协会注册登记为证券分析师。本报告遵循合规、客观、专业、审慎的制作原则，所采用数据、资料的来源合法合规，文字阐述反映了作者的真实观点，报告结论未受任何第三方的授意或影响

105、，特此声明。投资投资评级说明评级说明 股票 投资 评级 说明 买入 未来 6 个月内，股价涨幅超越市场基准 15%以上。投资评级中所涉及的市场基准：A 股市场以沪深 300 指数为市场基准，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）为市场基准；香港市场以摩根士丹利中国指数为市场基准；美国市场以纳斯达克综合指数或标普 500 指数为市场基准。增持 未来 6 个月内，股价涨幅超越市场基准 5%至 15%之间。中性 未来 6 个月内，股价涨幅介于市场基准-5%至 5%之间。减持 未来 6 个月内，股价涨幅落后市场基准 5%至 15%之间。卖出 未来 6 个月内，股价涨

106、幅落后市场基准 15%以上。行业 投资 评级 说明 优于大势 未来 6 个月内，行业指数的收益超越市场基准。同步大势 未来 6 个月内，行业指数的收益与市场基准持平。落后大势 未来 6 个月内，行业指数的收益落后于市场基准。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 32/32 电子电子/行业深度行业深度 重要声明重要声明 本报告由东北证券股份有限公司（以下称“本公司”）制作并仅向本公司客户发布，本公司不会因任何机构或个人接收到本报告而视其为本公司的当然客户。本公司具有中国证监会核准的证券投资咨询业务资格。本报告中的信息均来源于公开资料，本公司对这些信息的准确性和完整性不作任何保

107、证。报告中的内容和意见仅反映本公司于发布本报告当日的判断，不保证所包含的内容和意见不发生变化。本报告仅供参考，并不构成对所述证券买卖的出价或征价。在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的证券买卖建议。本公司及其雇员不承诺投资者一定获利，不与投资者分享投资收益，在任何情况下，我公司及其雇员对任何人使用本报告及其内容所引发的任何直接或间接损失概不负责。本公司或其关联机构可能会持有本报告中涉及到的公司所发行的证券头寸并进行交易，并在法律许可的情况下不进行披露；可能为这些公司提供或争取提供投资银行业务、财务顾问等相关服务。本报告版权归本公司所有。未经本公司书面许可，任何机构和个人不

108、得以任何形式翻版、复制、发表或引用。如征得本公司同意进行引用、刊发的，须在本公司允许的范围内使用，并注明本报告的发布人和发布日期，提示使用本报告的风险。若本公司客户（以下称“该客户”）向第三方发送本报告，则由该客户独自为此发送行为负责。提醒通过此途径获得本报告的投资者注意，本公司不对通过此种途径获得本报告所引起的任何损失承担任何责任。Table_Sales地址地址 邮编邮编 中国吉林省长春市生态大街 6666 号 130119 中国北京市西城区锦什坊街 28 号恒奥中心 D 座 100033 中国上海市浦东新区杨高南路 799 号陆家嘴世纪金融广场 3 号楼 10 层 200127 中国深圳市福田区福中三路 1006 号诺德中心 34D 518038 中国广东省广州市天河区冼村街道黄埔大道西 122 号之二星辉中心 15 楼 510630