计算机行业华为系列深度之十五：AI算力软件生态难以突破吗_31页_2mb

报告总结

结论与投资分析
2024年下半年，国内AI芯片厂商产品迭代加速，软件生态成为核心竞争要素之一。海光信息（兼容CUDA路线）和华为昇腾（自成体系路线）在国产厂商中进展最快，用户使用体验良好，新产品有望快速放量。

核心逻辑

1. AI开发框架：PyTorch和TensorFlow双寡头格局逐渐形成，二者已逐步与英伟达CUDA解耦，开始原生支持AMD、华为、寒武纪等厂商产品。
2. GPU编程平台：各厂商均拥有自有平台，但英伟达CUDA凭借先发优势形成生态壁垒。国产厂商突破CUDA主要通过两种方式：
   • 兼容CUDA：如AMD、海光信息，通过迁移工具（如HIPify）降低开发者学习成本，但存在性能损失与法律风险。
   • 自成体系：如华为昇腾、寒武纪，需投入大量资源完善工具链，但更新迭代速度较慢且兼容性不足。

与市场认知的差异
市场普遍认为CUDA生态难以突破，因其与框架的深度绑定及庞大的用户群体。但报告指出：

1. 开发框架与硬件的耦合正在弱化，原生支持非Nvidia平台的可能性增加，逐步削弱CUDA壁垒。
2. 国产厂商虽需时间积累人才、资金与用户习惯，但华为昇腾和海光信息已取得显著进展，用户迁移成本逐步降低。

风险提示

1. AI芯片产品迭代进展不及预期，设计-流片-修改周期长，存在技术或供应链风险。
2. 国产软件工具需长期培育用户习惯，迁移至新生态可能面临学习成本高、接受度不足的问题。
3. AI应用长期缺乏爆款产品，可能抑制算力需求增长，影响厂商市场拓展。

软件生态竞争分析

• 训练端：CUDA生态占据主导，但AMD、华为等厂商通过兼容或自研路径争夺市场。
• 推理端：ONNX作为中间格式推动生态多元化，各推理框架（如TensorRT、OpenVINO、NCNN）在跨平台、优化性能等方面各有优势。
• 生态构建关键点：
  • 工具链完备性（涵盖编译器、库、运行时等）。
  • 对主流AI框架（PyTorch、TensorFlow）的适配程度。
  • 算子丰富度及优化能力（如算子融合、量化等）。
  • 驱动性能（内存管理、核函数调用效率）。
  • 技术文档与社区活跃度。

主要厂商策略对比

AI推理生态现状

• ONNX的作用：作为模型转换中间格式，支持多框架（PyTorch、TensorFlow）与多硬件平台（如华为昇腾、寒武纪）。
• 主流框架与平台：
  • TensorRT（英伟达）：适配CUDA，工具链完善但封闭。
  • OpenVINO（Intel）：支持多硬件，但兼容性有限。
  • TVM（Apache项目）：跨平台优化能力强，但学习成本高。
  • NCNN（腾讯）：专注移动端，性能优势显著。

相关公司及市场布局

• 算力厂商：海光信息（DCU）、华为昇腾（Atlas系列）、寒武纪（MLU）、AMD、英伟达。
• 应用合作伙伴：金山办公、虹软科技、万兴科技、云从科技（办公及AI领域）。
• 算力调优服务：科大讯飞、软通动力、神州数码、首都在线等。

估值与市场预期
重点公司如海光信息、金山办公、虹软科技等，2024年盈利预测与市盈率显示其估值处于合理区间，但依赖生态发展与市场需求。

核心观点
CUDA生态壁垒虽强，但其封闭性与解耦趋势为国产厂商提供突破口。华为昇腾和寒武纪通过自研生态加速追赶，而兼容CUDA路线需平衡性能与法律风险。推理端因ONNX的普及呈现百花齐放格局，但生态成熟度仍需时间积累。整体来看，AI芯片竞争关键在于软件工具链的完善及用户习惯的培育，国产厂商在技术积累与生态构建上已初具规模，但长期挑战不可忽视。