人工智能系列报告_华为全球首款AI移动芯片_AI芯片产业链迎来投资大机遇_29页_2mb
报告摘要
华为全球首款AI移动芯片与AI芯片产业链投资机遇分析
核心内容
华为于2017年9月2日发布全球首款智能手机AI芯片——麒麟NPU，集成于麒麟970 SoC中，标志着AI芯片发展的重要里程碑。该芯片采用寒武纪的ASIC IP，旨在解决端侧AI的挑战，如智能感知、精准认知、安全系统和动力系统。
AI芯片因深度学习对海量数据并行计算的需求而崛起。传统CPU在AI计算中成本高、效率低，而GPU、FPGA和ASIC作为主流技术路径，各有其优势。其中，GPU在云端应用中占据主流，FPGA具备二次开发能力，ASIC则在性能和功耗方面表现最佳。
AI芯片在云端和终端应用中分别发挥不同作用。云端主要处理模型训练和推断，而终端则更注重低功耗和便携性。NVIDIA、AMD、Google、Intel、Xilinx等国际巨头在AI芯片领域布局广泛，寒武纪作为国内领先企业，其ASIC技术在华为等企业中得到应用。
主要观点
- AI芯片的必要性：AI芯片是解决深度学习计算需求的必然选择，尤其在处理大规模并行计算任务时，其效率和性能远超传统CPU。
- 技术路径选择：GPU适用于云端大规模计算，FPGA适用于需要灵活性的终端应用，ASIC则在性能和功耗方面表现最优，适合特定应用场景。
- 华为的里程碑意义：华为麒麟970的发布不仅推动了AI芯片在移动设备的应用，也带动了AI芯片在安防、智能驾驶、消费电子等领域的广泛应用。
- 投资机会：AI芯片产业链蕴含巨大投资机遇，包括上游芯片制造、中游算法开发、下游应用场景等。重点推荐A股中的中科曙光、浪潮信息、中科创达等企业。
关键信息
AI芯片技术路径
| 类型 | 特点 | 应用场景 |
|---|---|---|
| GPU | 大规模并行计算能力强 | 云端AI训练和推断 |
| FPGA | 可编程性强，灵活性高 | 终端AI、机器学习 |
| ASIC | 针对AI需求专门设计 | 高性能、低功耗AI应用 |
AI芯片应用场景
- 云端：模型训练和推断，主要依赖GPU，但FPGA和ASIC也存在应用机会。
- 终端：低功耗AI应用，如智能摄像头、无人机、手机等，ASIC和FPGA均有布局。
- 其他领域：包括安防、智能驾驶、消费电子、智能零售、物联网等。
AI芯片企业布局
| 公司 | 主要产品 | 布局特点 |
|---|---|---|
| NVIDIA | Tesla系列GPU、Jetson系列芯片 | 全面覆盖云端和终端，CUDA平台优势明显 |
| AMD | Radeon Instinct系列 | 通过ROCm平台追赶NVIDIA，布局深度学习 |
| TPU系列 | 云端TPU支持训练和推断，降低功耗 | |
| Intel | Xeon Phi、Movidius、Mobileye | 内生+并购，构建AI产品组合 |
| Xilinx | FPGA芯片 | 用于云端和终端，支持深度学习 |
| 寒武纪 | DianNao系列ASIC | 国内领先，与华为合作推出麒麟NPU |
投资建议
- 重点推荐：中科曙光、浪潮信息、中科创达、四维图新、汉王科技、佳都科技、景嘉微、科大讯飞、海康威视、大华股份、同花顺、东方网力、思创医惠。
- 重点关注：拓尔思、浙大网新、工大高新、北部湾旅、神思电子、和而泰、富瀚微。
风险提示
- AI芯片技术及应用进展不及预期。
- 竞争加剧可能导致毛利率下滑。
- 市场对AI芯片的需求可能受技术发展和行业应用进度影响。
图表与数据
- 图表1：余承东宣布华为推出全球首款搭载AI芯片的SoC麒麟970
- 图表2：华为提出“On-Device AI + Cloud AI = Mobile AI”
- 图表3：华为端侧AI面临并解决四大挑战
- 图表4：深度学习是人工智能的实现方式之一
- 图表5：人工智能进入“深度学习”时代
- 图表6：神经网络模型的训练和推断图例
- 图表7：2016年ITRS预测晶体管5年内将停止缩小
- 图表8：摩尔定律曾经带来半导体产业快速发展
- 图表9：CPU处理深度学习任务成本高、效率低
- 图表10：CPU+AI芯片的异构计算是AI计算的主要架构
- 图表11：GPU在高性能运算方面的性能远超CPU
- 图表12：数据中心业务为NVIDIA贡献的营收快速上升
- 图表13：NVIDIA股价从2016年开始持续上涨
- 图表14：微软采用FPGA对维基百科进行机器翻译
- 图表15：大疆无人机采用Movidius的VPU
- 图表16：特斯拉曾采用Mobileye芯片用于智能驾驶
- 图表17：不同芯片在人工智能计算方面各所强
- 图表18：人工智能计算场景分类
- 图表19：NVIDIA自动驾驶合作伙伴
- 图表20：降低计算精度可以更快地处理模型推断
- 图表21：视觉终端应用人工智能的场景
- 图表22：布局终端的低功耗人工智能芯片
- 图表23：不同芯片在人工智能计算方面各所强
- 图表24：深度学习开发环境的层次结构
- 图表25：AMD推出Radeon Instinct用于深度学习应用
- 图表26：不同芯片在人工智能计算方面各所强
- 图表27：2016年Google公布第一代TPU
- 图表28：第一代TPU在性能和功耗方面优于CPU和GPU
- 图表29：TPU核心部分及相关说明
- 图表30：CPU与TPU数据计算流程对比
- 图表31：TPU用于GCE（云端计算引擎）
- 图表32：Intel深度学习芯片产品组合
- 图表33：Intel Altera的FPGA可解决机器学习面临的海量数据问题
- 图表34：采用Xilinx FPGA进行深度学习应用的厂商案例
- 图表35：寒武纪科技推出人工智能ASIC
- 图表36：寒武纪1号DianNao结构图
- 图表37：其他IT巨头和知名初创企业AI芯片布局
投资评级说明
- 行业评级：推荐、中性、回避
- 公司评级：强烈推荐、推荐、中性、回避
市场基准指数为沪深300指数。
展开完整摘要
试读结束，高清完整版pdf/doc/ppt,请点下载
