人工智能助力， 国产芯有望“换”道超车 安信证券研究中心 电子团队 孙远峰 SAC执业证书编号：S1450517020001 联系人：张大印/马良/张磊/王海维 2018年5月27日 证券研究报告 安信证券电子团队，走进“芯”时代系列之十二 行业趋势热点前瞻解析系列之十五 主要内容 1 •GPU应用领域广阔 2 •AI带来GPU发展新契机，FPGA、ASIC各有优势 3 •智能处理器行业格局 4 •我国市场发展空间巨大，AI助力中国“芯” 5 •相兰标的 风险提示：宏观经济下行，行业发展不及预期 GPU应用领域广阔 GPU •GPU（Graphic Processing Unit），即图形处理器。GPU计算就是利用GPU来进行通用科学与工程计算。GPU优势在于解决数据并行计算问题。在大量数据元素并行程序方面具有极高的计算密度（数学运算与存储器运算的比率）。目前，GPU芯片可根据与CPU的关系分为独立GPU和集成GPU。 •GPU已经发展到相对成熟阶段，可轻松执行实际应用程序并且其运行速度已远远超过了使用多核系统串行运行速度。 我们认为，未来计算架构将是并行核心GPU与多核CPU串联运行混合系统。 资料来源：NVIDIA，Qualcomm NVIDIA独立GPU 高通集成GPU GPU与CPU比较 GPU与CPU相比拥有更多处理单元 GPU与CPU技术比较 资料来源：安信证券研究中心 特点 GPU CPU 架构区别 为庞大的计算阵列（包括ALU和Shader填充） 70%晶体管用来构建Cache,还有一部分控制单元，负责逻辑算数的部分不多 依赖Cache 依赖Cache 逻辑核心简单 逻辑核心复杂 计算目的 适合大规模并行计算 适合串行计算 运行复杂度低 运行复杂度高 GPU应用领域广阔 GPU发展历程 GPU发展历程 •GPU技术进步主要体现在下列方面： 产品功能的扩展，反映了GPU技术的创新与突破； 晶体管数量，反映芯片的复杂程度和处理能力； 总线标准,，CPU-GPU之间的传输速度制约着芯片性能的发挥； 应用程序接口（application programming interface， API）和渲染模型（shader model），从开发者和应用角度反映了技术的进步 •综合这些方面, 将GPU技术发展的历程分为： 固定功能架构时代(fixed function architecture)； 分离渲染架构时代(separated shader architecture)； 统一渲染架构时代(unified shader architecture)。 固定功能架构时代 分离渲染时代 统一渲染架构时代 2001-2005 1995-2000 2006-至今 资料来源：安信证券研究中心 GPU应用领域广阔 PC GPU PC GPU •GPU的概念最早来自于图形工作站，从90年代个人电脑的普及开始，GPU迎来大发展时代。90年代中期，桌面GPU经历了从2D到3D的跨越，从此3D图形渲染技术取代2D成为PC游戏的主流。 •经过国际厂商间的激烈竞争后，PC GPU形成了NVIDIA、AMD与 Intel三足鼎立的局面。 资料来源：JPR PC显卡代表 GeForce GTX TITAN X 搭载GM200 GPU 资料来源：NVIDIA •Intel在整体PC GPU市场占据较大优势；而在独立显卡市场，NVIDIA具有绝对优势，AMD占据了剩下的独显市场份额，JPR报告显示，2017Q3独显市场中，NVIDIA占据72.8%的市场份额， AMD瓜分了剩下的27.2%份额。 PC GPU市场份额 GPU应用领域广阔 移动GPU 移动GPU •随着智能手机大潮的兴起，GPU在移动设备领域又迎来了一次高速发展。相对于PC GPU，移动GPU受限于芯片的面积，能耗以及成本，所以牺牲了部分性能和带宽获得性价比和电池续航力的平衡。 •目前在移动GPU领域市场份额前5的厂商分别是ARM，Imagination，Qualcomm，Vivante和NVIDIA。ARM是移动端GPU巨头，据Digitimes统计，2015年ARM全球移动GPU市占率达38.6%，中国市场市占率接近70%。 资料来源：ARM 移动GPU代表 ARM mali-T880 资料来源：ARM ARM Mali GPU发展线路图 GPU应用领域广阔 GPU应用前景广阔 AI带来GPU发展新契机 资料来源：安信证券研究中心 •随着电子信息技术和互联网技术的不断进步，GPU在人工智能（图像语音识别、无人驾驶等）、视频处理、VR/AR、生命化学、金融证券数据等领域具有广阔的应用前景。 GPU应用前景广阔 VR/AR 金融证券数据 视频处理 无人驾驶 图像语音识别 生命化学 •GPU在人工智能计算方面优势明显。GPU/FPGA /ASIC等均适用于深度学习训练。较之于其他方案，GPU产业链、技术成熟，其并行运算优势适用于人工智能，具有明显优势并已在现有早期项目中广泛使用。谷歌在图像识别项目、特斯拉与沃尔沃在其辅助驾驶和自动驾驶项目中均使用GPU加速人工智能算法。 •GPU强大的数据并行运算能力解决了人工智能的发展瓶颈问题，成为驱动人工智能发展的利器。在2011年，GPU运用于人工智能，开启了人工智能大爆炸时代。 资料来源：艾瑞咨询 GPU应用领域广阔 VR支撑高端GPU市场发展 VR支撑高端GPU市场发展 •VR行业快速增长。据SuperData统计，2020年预计全球VR市场规模达400亿美元，年均复合增长率达61.3%。 资料来源：SuperData •VR持续驱动高端GPU行业发展。VR对于GPU提出更高技术要求，高端GPU将成为VR市场增长直接受益者。我们认为VR市场将为高端GPU市场持续注入强大动力。 •ARM支持VR设计，AMD、NVIDIA等国内外各大GPU厂商、Facebook、Google、索尼等开始进驻VR行业。NVIDIA 推出 Gameworks VR 开发平台，AMD推出LiquidVR。 全球VR市场规模预测 Gameworks VR 的图形渲染技术 资料来源：NVIDIA GPU应用领域广阔 物联网支撑低功耗GPU增长 汽车电子支撑GPU增长 •物联网（Internet of Things, IoT）是信息化时代的重要发展阶段，正成为世界各国竞相聚焦的战略性新兴产业。 行业实现快速成长。根据前瞻产业研究院分析，2017年全球物联网市场规模达9000亿美元，CAGR达20%，实现高速发展。 推动新型低功耗GPU行业发展。物联网应用（可穿戴设备、智能家居、车联网等）小尺寸、低功耗、高性能与高效率等性能需求将支撑未来低功耗GPU的快速增长。 资料来源：前瞻产业研究院 •汽车电子行业快速成长。随着智能硬件技术进一步渗透，汽车技术升级（功能车智能车车联网）已成为行业趋势，汽车电子从中高端向中低端车型普及。 IHS 预计， 2020 年全球汽车电子市场规模将接近3000 亿美元，2020 年全球使用车联网的汽车将增至 2.5亿台，汽车电子迎来高速发展。 •GPU特性适应汽车多任务处理应用场景。汽车多任务并行的应用场景对汽车电子芯片在可编程通用任务处理、多媒体任务处理性能、显示性能以及多任务并行处理及控制等方面提出较高要求。GPU技术并行计算能力突出的优势恰好能够满足相关技术要求，在汽车智能主控芯片方面具有独特优势。 •智能化趋势提供车用GPU充沛发展动力。技术优势+下游需求持续增长将持续推动车用GPU行业发展。我们认为随着汽车智能化趋势的进一步推进，车用GPU有望迎来爆发式增长。 2017-2022年全球物联网整体市场规模变化趋势及预测 主要内容 1 •GPU应用领域广阔 2 •AI带来GPU发展新契机，FPGA、ASIC各有优势 3 •智能处理器行业格局 4 •我国市场发展空间巨大，AI助力中国“芯” 5 •相兰标的 人工智能 •人工智能（Artificial Intelligence, AI)，广义的人工智能是指通过计算机实现人的头脑思维所产生的效果，是对能够从环境中获取感知并执行行动的智能体的描述和构建；狭义的人工智能包括人工智能产业、人工智能技术。 •人工智能历经兴衰，在2010年后，人工智能在计算机视觉、语音识别领域取得重大突破，开始步入人工智能爆发期。 资料来源：艾瑞咨询 AI带来GPU发展新契机，FPGA、ASIC各有优势 人工智能渗透多领域 资料来源：Tractica •人工智能正逐渐渗透医疗、汽车、金融、公共安全、零售、家居、工业等多领域。 人工智能企业的主要应用领域 资料来源：《乌镇指数：全球人工智能发展报告2016》 •人工智能已进入爆发期，将高速增长。根据Tractica的预测，2025年，人工智能市场规模将达368亿美元。 人工智能产业高速增长 人工智能市场规模 AI带来GPU发展新契机，FPGA、ASIC各有优势 深度学习需要大量数据 深度学习需要大规模数据并行计算 •机器学习是实现人工智能的有效方法。深度学习是机器学习的一个子集，也是目前最有效的机器学习方法。深度学习又叫深度神经网络(Deep Neural Networks)，从人工神经网络(Artificial Neural Networks)发展而来。 •深度学习算法分训练和推理两个过程，训练需要通过大量的样本数据训练建立输入输出的映射关系，以此进行推理。大数据满足了深度学习算法对于海量数据的需求。 •深度学习的大规模数据训练是通过将训练切割成许多时间上并行的工作实现的，需要极强的数据并行计算能力。 •CPU对大量数据的处理能力有限，GPU擅长于大规模数据并行运算，适用于深度学习，成为了AI芯片的主流。 •除 GPU外，主要用于AI的芯片还包括ASIC、FPGA。 资料来源：安信证券研究中心 资料来源：艾瑞咨询 AI芯片 GPU ASIC TPU NPU ... FPGA 三种主要AI芯片 AI带来GPU发展新契机，FPGA、ASIC各有优势 GPU、ASIC与FPGA •GPU最先被引入深度学习，从2011年首次被应用到AI以来，通用性越来越强，但功耗高。目前仍是人工智能硬件的首选。 •ASIC （Application Specific Integrated Circuit）即专用集成电路，以Google的TPU与寒武纪的NPU为代表, 专为特定目的而设计，不能重复编程，功耗低性能高，但价格昂贵。 •FPGA（Field Programmable Gate Array）即现场可编程门阵列，用户可以根据自身需求重复编程，功耗低于GPU，成本低于ASIC，是一种折中的方案。 GPU FPGA ASIC 通用性 效率 通用性与效率的平衡 资料来源：安信证券研究中心 主要特征 GPU FPGA ASIC 通用性 通用 半定制化 定制化 应用场景 深度学习训练 深度学习推理 AI平台和智能终端 代表性厂商 NVIDIA Xilinx、Altera Google；TPU 寒武纪：NPU 优点 技术成熟，生态系统完善 开发周期短，成本较低 体积小，功耗最低 缺点 功耗高，并非专为AI设计 量产成本高，效率低于ASIC 算法固定，开发周期长 资料来源：安信证券研究中心 三种AI芯片的对比 AI带来GPU发展新契机，FPGA、ASIC各有优势 GPU仍将是AI芯片主流 •得益于强大的数据并行运算能力，GPU在深度学习算法的训练阶段应用广泛。GPU具有先发优势，在三类AI芯片中成熟度最高，目前由NVIDIA主导，且生态系统完善，在未来数年内应仍是深度学习算法的主流芯片。 •在推理阶段的各细分市场，GPU、FPGA、ASIC都有机会在分一杯羹。人工智能在推理端的应用起步较晚，存在许多细分需求，GPU、FPGA、ASIC适用于不同的场景。 •AI芯片市场容量巨大，GPU、FPGA、ASIC等AI芯片有望实现百花齐放的