AI算力行业深度：AI模型乘风起，GPU掌舵算力大时代-20230417-财通证券-54页_3mb
报告摘要
AI算力行业深度分析总结
核心内容
GPU作为AI算力的核心硬件，凭借其强大的并行计算能力，在人工智能、自动驾驶、游戏等关键领域发挥着重要作用。全球GPU市场预计以25.9%的CAGR持续增长，至2030年将达到4000亿美元规模。大语言模型的持续发展和参数量的增加，将显著推动GPU在训练端和推理端的需求增长，预计2023-2025年，训练端和推理端GPU市场将分别贡献69.88亿美元、164.20亿美元和205.88亿美元的增量。
主要观点
-
GPU的并行计算能力
GPU专为大规模并行计算设计，相比CPU，其在处理大量重复运算时更具优势，例如图像渲染和AI训练等场景。通过GPGPU技术，GPU已能实现通用计算能力，满足更多非图形显示领域的高性能需求。 -
“AI+汽车+游戏”三驾马车驱动行业发展
- AI领域：大语言模型的参数量持续增长，推动GPU在训练和推理端的需求。以NVIDIA A100为例，其算力性能在AI领域表现突出。
- 汽车领域：自动驾驶技术的升级对算力提出更高要求，NVIDIA的Orin和Thor系统级芯片是当前市场领先的解决方案。
- 游戏领域：游戏画质升级和光线追踪算法的应用，推动GPU显卡性能持续提升。
-
微架构与平台生态是竞争壁垒
GPU厂商通过不断更新微架构（如NVIDIA的Ampere和Hopper架构，AMD的CDNA2架构）提升性能和能效。同时，成熟的平台生态（如NVIDIA的CUDA、AMD的ROCm）是构建开发者生态和保持长期竞争力的关键。 -
国产GPU厂商持续发力
国内厂商在图形渲染和高性能计算领域推出成熟产品，部分在特定领域达到国际一流水平。同时，兼容CUDA等主流生态，推动国产替代进程。
关键信息
- 市场增长：全球GPU市场预计以25.9%的CAGR增长，至2030年达4000亿美元。
- 技术发展：NVIDIA和AMD在微架构和制程技术上的持续迭代，是提升GPU性能的关键。
- 平台生态：CUDA和ROCm是当前主流的GPU计算平台，提供丰富的开发支持和生态兼容性。
- 国产替代：国内厂商在高性能计算和图形渲染领域取得进展，有望借助政策支持加速发展。
建议关注的公司
已上市标的
- 寒武纪-U：总市值781.58亿元，2023年预测EPS为-1.04元，PE为-187.09倍，投资评级未覆盖。
- 海光信息：总市值1,790.67亿元，2023年预测EPS为0.79元，PE为52.60倍，投资评级为增持。
- 景嘉微：总市值480.70亿元，2023年预测EPS为1.30元，PE为81.41倍，投资评级未覆盖。
- 芯原股份：总市值474.80亿元，2023年预测EPS为0.54元，PE为177.45倍，投资评级为增持。
- 龙芯中科：总市值635.91亿元，2023年预测EPS为1.09元，PE为145.94倍，投资评级未覆盖。
未上市标的
- 壁仞科技：专注于通用GPU芯片，预计在高性能计算和AI领域有显著表现。
- 摩尔线程：在图形渲染和高性能计算领域有较强的技术积累。
- 芯动科技：提供定制化GPU解决方案，涵盖多个应用场景。
- 兆芯：在CPU和GPU领域均有布局，具有较强的国产替代潜力。
- 天数智芯：专注于AI芯片研发，具备一定的市场竞争力。
- 沐曦：致力于GPU研发，具备良好的发展潜力。
风险提示
- 技术迭代风险：GPU技术更新迅速，技术落后可能影响竞争力。
- 宏观经济风险：全球经济波动可能影响GPU需求。
- 国产替代风险：虽然政策支持，但国产GPU在整体市场中仍面临挑战。
- 行业竞争风险：市场竞争激烈，需持续投入研发以保持优势。
表格摘要
| 项目 | 2023E | 2024E | 2025E | 2026E | 2027E |
|---|---|---|---|---|---|
| 全球新增大模型个数 | 5 | 10 | 15 | 20 | 25 |
| 大模型平均参数数量(亿个) | 2000 | 2400 | 2880 | 3456 | 4147 |
| 单Token训练所需运算次数(TFLOPS-s) | 1.20 | 1.44 | 1.73 | 2.07 | 2.49 |
| 训练Tokens数量(亿个) | 3000 | 3600 | 4320 | 5184 | 6221 |
| 单模型所需算力(PFLOPs-Days) | 4167 | 6000 | 8640 | 12442 | 17916 |
| 训练端峰值算力需求(PFLOPs) | 2315 | 6250 | 12706 | 23040 | 39289 |
| 英伟达A100单价(美元) | 10000 | 10000 | 10000 | 10000 | 10000 |
| 训练端GPU需求价值量(亿美元) | 0.74 | 2.00 | 4.07 | 7.38 | 12.59 |
| 项目 | 2023E | 2024E | 2025E | 2026E | 2027E |
|---|---|---|---|---|---|
| 全球大模型日活用户人数(亿人) | 2 | 6 | 10 | 15 | 20 |
| 每人平均每天查询次数 | 20 | 20 | 20 | 20 | 20 |
| 每人平均每次查询Tokens数量(个) | 1000 | 1000 | 1000 | 1000 | 1000 |
| 单Tokens所需计算次数(TFLOPS-s) | 0.40 | 0.48 | 0.58 | 0.69 | 0.83 |
| 全天计算次数合计(EFLOPs-s) | 1600000 | 5760000 | 11520000 | 20736000 | 33177600 |
| 算力效率 | 30.00% | 32.00% | 34.00% | 36.00% | 38.00% |
| 最大并发峰值算力(EFLOPs) | 617.28 | 2083.33 | 3921.57 | 6666.67 | 10105.26 |
| 英伟达A10 FP16算力(TFLOPs) | 250 | 250 | 250 | 250 | 250 |
| 推理端GPU需求价值量(亿美元) | 69.14 | 164.20 | 205.88 | 307.45 | 385.12 |
结论
GPU作为AI算力的核心，将在AI、自动驾驶和游戏市场持续发挥关键作用。随着技术的不断进步和市场的发展，NVIDIA和AMD等国际巨头仍占据主导地位，而国内厂商也在不断追赶，有望在未来几年实现更大的突破。投资者应关注具备技术实力和市场潜力的公司，同时注意相关行业风险。
展开完整摘要
试读结束，高清完整版pdf/doc/ppt,请点下载