三箭齐发，电子崛起

我们认为AI、国产化超预期、产业拐点三大驱动共振，电子迎战略性黄金机遇。 行业利好层出不穷，自主可控势在必行。4月16日出版第8期《求是》杂志发表中共中央总书记、国家主席、中央军委主席习近平的重要文章《加快构建新发展格局把握未来发展主动权》。文章提到“加快科技自立自强步伐，解决外国‘卡脖子’问题”。国家层面坚定强调集成电路产业重要性，产业链自主可控必要性，并从政策和市场两方面推动行业发展。 “AI革命”带动算力需求，服务器芯片量价齐升。（1）算力：核心硬件GPU，大模型带动需求激增。据我们测算，2023年、2026年全球AI服务器领域所需GPU数量约为86.4万张、120万张；对应市场规模分别为103.7亿美元、144.0亿美元。（2）存储：AI提振需求，有望加速困境修复。据美光，人工智能服务器中DRAM内容是普通服务器的8倍，NAND内容将是普通服务器的3倍。（3）模拟：多相电源配套增长，接口升级。 核心处理器需要更多相数、多路输出电源管理芯片供电。A100的NVLink3代和NVSwitch2代升级到了H100的NVLink4代和NVSwitch3代。内存接口芯片向DDR5升级，量价齐升。 国产化持续推进，国产供应商崭露头角。美国将部分公司列入实体清单，以及拉拢日荷等国进一步限制对华半导体设备材料出口已基本落地，制裁均围绕先进制程。海外围堵背景下，自主化国产化势在必行。国产化从0到1的过程基本完成，当前晶圆厂与国产设备材料零部件供应商全面加速紧密合作，下一阶段供应商将横向不断迭代产品，完善补全品类，纵向进一步打造自身安全供应链。我国拥有庞大的芯片消费市场和丰富的应用场景，这是市场经济下最宝贵的资源，供应链中长期必将受益份额大幅提升。 边际改善，拐点已至。（1）存储：供需改善，价格触底。美光财报提示未来几个季度加速修复、同时被我国实施网络安全审查凸显国产化重要性；从DGX A100 BOM拆分来看，HBM显存+DRAM+NAND Flash三大件亦是仅次于GPU的成本项，服务器BOM占比在22-25%，AI拉动需求暴增；国产化方面，长存、长鑫战略地位进一步提升，从设备材料到封装继续向国内迁移，看好存储三重共振。（2）模拟：库存修复，价格止跌。 模拟行业边际改善。模拟料号整体3月跌幅收窄，部分料号价格回暖。预计Q2价格进一步趋于稳定。行业库存持续去化，国内产品在原厂及经销商库存基本修复至正常水位。大空间+高增速+低波动优质赛道。IC insights预测2021~2026F模拟IC CAGR为半导体各品类中最高，达11.8%。WSTS数据显示，2012-2020年模拟电路需求同比增速波动相较数字电路更小，成长更具稳定性。 投资建议见尾页。 风险提示：下游需求不及预期、中美科技摩擦。 一、“AI革命”，服务器芯片量价齐升 1.1算力：核心硬件GPU，大模型带动需求激增 GPU用途由图形处理拓展至计算。GPU是图形处理器的简称，它是一种专门用于处理图形、视频、游戏等高性能计算的硬件设备。GPU相对于传统的中央处理器（CPU）而言，其拥有更多的计算核心和更快的内存带宽，能够大幅度提高计算效率和图形渲染速度。 现阶段，随着例如英伟达A100、H100等型号产品的发布，GPU在算力方面的优势相较于其他硬件具有较大优势，GPU的工作也从一开始的图形处理逐步转化为计算。 根据用途和性能表现，GPU可以分为专业卡和消费级卡两类：专业卡通常用于工程、科学、医学等领域的高性能计算和大规模数据处理，主要厂商包括英伟达、AMD等；消费级卡则主要用于普通家庭和游戏玩家，主要厂商包括英伟达、AMD、英特尔等。 图表1：英伟达专业GPU：A100（ForHGX） 图表2：英伟达消费级GPU：GeForceRTX 4090 目前GPU在硬件中拥有最高的算力，成为最适合支撑人工智能训练和学习的硬件，我们认为其原因主要在于： 更多处理单元：GPU相比于CPU等其他硬件有更多的处理单元（核心数更多），因此可以并行处理更多的数据。主要系GPU最初是为了图形渲染而设计的，而图形渲染涉及的计算是高度并行化的。这种并行化的特性使GPU非常适合进行机器学习和深度学习这样的大规模数据并行计算。 具有更高的内存带宽和更大的内存容量：在进行深度学习等计算时，需要大量的内存和高速的内存带宽来存储和处理海量数据。GPU相比于其他硬件（如CPU），具有更高的内存带宽和更大的内存容量，可以更有效地存储和处理数据，从而提高计算速度。 具有专门的计算单元：相较于其他硬件，GPU具有例如张量核心和矩阵乘法等计算单元，可以更快地执行常见的机器学习和深度学习操作：如卷积和矩阵乘法。这些计算单元与通用计算单元相比，具有更高的效率和更快的速度。 图表4：GPU在训练速度上具有绝对优势（注：CPU选择英特尔至强Gold 图表3：GPU具有更多处理单元 GPGPU——为计算而生。GPGPU全称是“general-purpose computing on graphics processing units”，简称“通用图形处理单元”，其主要利用GPU的功能来执行CPU的任务，虽然在设计初期是为了更好地图形处理，但是多内核多通道的设计使其非常适合科学计算，发展至今GPGPU也成为了专为计算而设计的硬件。 图表5：GPGPU架构 多领域驱动，GPU千亿美金市场拉开序幕。GPU市场规模的大小取决于多种因素：其中游戏和娱乐市场一直是GPU市场的主要驱动力，因为这些领域需要高性能的GPU来支持更高质量的游戏画面和娱乐内容。同时人工智能和机器学习的发展对GPU市场也有着巨大的影响，因为这些技术需要大量的计算能力，而GPU可以提供比CPU更高的效率。 此外，科学和研究领域的需求以及新兴市场（如游戏机和数据中心）也对GPU市场的规模产生了影响。根据VerifiedMarketResearch数据，2021年全球GPU市场规模为334.7亿美金，预计到2030年将达到4473.7亿美金，期间CAGR33.3%。 图表6：GPU全球市场规模及复合增速（亿美金，%） LLM模型带动算力需求： 算力是指计算机系统能够完成的计算任务量，通常用来描述计算机的处理能力。算力的单位通常采用FLOPS（Floating Point Operations Per Second）表示每秒钟能够完成的浮点运算或指令数，例如一台计算机每秒钟可以完成10亿次浮点运算，那么它的FLOPS值就是10 GFLOPS（10 Giga FLOPS）。目前我们以全球龙头英伟达在2020年发布的A100产品为例，根据英伟达官方介绍，A100的理论浮点运算性能可以达到19.5 TFLOPS（19.5 Tera FLOPS），即每秒195万亿次浮点运算。 图表7：算力数量级前缀及说明 图表8：世界范围内最快的超级计算机算力演变过程（GFLOPS） 大型语言模型（Large Language Model，简称LLM）是一种使用深度学习算法处理、理解自然语言的基础学习模型。LLM基于数亿到数千亿个参数的神经网络，通过训练数据学习自然语言的规律和模式，并能够生成高质量的自然语言文本。这些模型的训练需要大量的计算资源和海量的文本数据，因此需要使用分布式计算和大规模数据处理技术。 目前，LLM模型能够在例如语音识别、文本摘要、智能翻译等领域中实际应用，但是LLM模型大规模应用目前仍然存在一些挑战和限制：需要大量的训练数据和计算资源，很难处理语言的多样性和不确定性。 图表9：全球范围内LLM模型爆炸增长 GPT-3开启大模型时代。GPT-3是由OpenAI研发的一种基于深度学习的自然语言处理模型，其使用了大量的语料库进行预训练，使其能够理解语言的规则和模式，并生成与输入文本相关的自然语言文本，GPT-3的主要特点是它具有大规模的预训练模型，而同时大规模的训练模型与之对应的便是庞大的算力需求，根据OpenAI团队成员2020年发表的论文《Language Models are Few-Shot Learners》，GPT-3模型拥有约1750亿参考量，这使得GPT-3拥有其他较少参考量模型来说更高的准确性。同时基于1750亿参数的模型仅需少量的样本训练，就能够接近于BETR模型使用大量样本训练后的效果。 我们认为，大模型无论在性能还是在学习能力上，相较于其他模型都具备明显优势，未来或将成为行业趋势。 图表10：参数提升对于模型整体改善显著 图表11：GPT-3仅需32条样本即可达到其他模型相同训练效果 伴随大模型的明显优势，与之而来的则是对于算力要求的显著提升。以GPT-3为例，其1750亿的参数，如果以英伟达旗舰级GPU产品A100对GPT-3进行训练，1024块A100卡需要耗费超过1个月（大于30天），则我们可以按比例计算出，如果需要单日完成训练，需要的A100数量将超过30000块。 图表12：GPU数量和总算力的关系（GPU为英伟达A100） 目前AI服务器通常选用CPU和加速芯片组来满足其庞大算力需求，其中加速芯片包括GPU、FPGA、ASIC等逻辑芯片，其中GPU由于其具有最强的计算能力同时具备深度学习等能力，目前成为服务器中加速芯片的首选。 图表13：浪潮AI服务器：N F5688M6 根据中商产业研究院数据，2021年全球服务器出货量达1315万台，同比增长7.8%，对应全球市场规模达995亿美元。根据Counterpoint预计，2022年全球服务器市场规模有望达到1117亿美元，同比增长17.0%。预计云服务提供商数据中心扩张增长驱动力主要来自于汽车、5G、云游戏和高性能计算。 图表14：全球服务器出货量（万台）及增速（%） 图表15：全球服务器市场规模预测（亿美元）同比（%） AI服务器渗透率依旧较低，增长空间巨大。根据TrendForce数据，截止2022年全球搭载GPGPU的AI服务器（推理）出货量占整体服务器比重约1%，同时TrendForce预测2023年伴随AI相关应用加持，年出货量增速达到8%，2022~2026年CAGR为10.8%。 根据TrendForce数据，2022年全球AI服务器采购中，Microsoft、Google、Meta、AWS为前四大采购商，合计占比66.2%。中国地区ByteDance（字节跳动）采购比例最高，达到6.2%。 图表16：AI服务器（推理）出货量预测及复合增速（千台，%） 图表17：2022年采购AI服务器占比（%） GPU在AI服务器中价值量占比接近50%。我们以NvidiaDGX A100为例，其搭载了8张NvidiaA100 TensorGPU，根据新浪科技数据，NvidiaDGX A100售价约为19.9w美金；NvidiaA100 Tensor价格为1.00~1.20w美金。我们按照1.20w美金售价计算可得出GPU在NvidiaDGX A100价值量占比约为48.24%。 图表18：GPU在AI服务器中的价值量占比（%） 我们从服务器的数量角度出发进行GPU数量推算：根据上文TrendForce预计2023年预计全球AI服务器（推理）出货大约在14.4万台，到2026年预计实现出货量20.0w台。 我们假设训练AI服务器和推理AI服务器的比例为1:4，则我们可以得到2023/2026年训练服务器的数量大约为3.60/5.00万台。由于两种AI服务器对应的模型训练阶段不同，我们假设推理AI服务器和训练AI服务器使用的GPU数量分别为4张和8张，则可以计算出2023年和2026年全球AI服务器领域所需GPU数量约为86.4万张和120万张，我们以A100约1.20w美金的价格作为参考计算出2023年和2026年AI服务器所需GPU的价值分别为103.7亿美元和144.0亿美元。 图表19：从AI服务器数量角度测算所需GPU数量和对应价值 1.2存储：AI提振需求，有望加速困境