电子周观点：关注LPU——AI推理的下半场投资机遇

周观点：关注LPU——AI推理的下半场投资机遇 LPU：关注AI推理的下半场投资机遇。英伟达与AI芯片初创公司Groq达成协议，斥资200亿美金获取其技术非独家许可并吸纳其核心团队。Groq专门设计了LPU，LPU运行大型语言模型（LLMs）及其他主流模型的速度显著更快，在架构层面，从能源效率上比GPU高出多达10倍。LPU集成了数百兆片上SRAM作为主权重存储器（而非缓存），显著降低了访问延迟。我们认为，LPU的应用有望带动SRAM的需求提升。从供电技术来看，背面供电网络（BPDN）直接从晶圆下方向前沿晶体管供电，这种架构变革能够提升处理器性能、大幅降低功率损耗并提高电源效率，嵌埋PCB不仅让结构更小，更重要的是提供了寄生稳定、可预测的电气环境，这对于超大电流瞬间负载的稳定性至关重要，AI将带动嵌埋PCB需求，此外，我们认为LPU PCB层数有望显著提升，建议关注PCB厂商及上游材料。 增持（维持） 作者 英伟达指引超预期，重视AI硬件板块投资机会。公司FY26Q4营收681亿美元，同比+73%，其中数据中心623亿，同比+75%，环比+22%。GAAP毛利率为75%，非GAAP毛利率为75.2%，随着Blackwell继续扩大产能，毛利率实现环比增长。公司指引FY27Q1营收将达到780亿美元，上下浮动2%，不包括来自中国的任何数据中心计算营收，全年的GAAP和非GAAP毛利率预计分别为74.9%和75%，上下浮动50个基点。从产品进展来看，Grace Blackwell系统约占FY26Q4数据中心营收的三分之二，目前主要云服务商、超大规模企业、AI模型厂商及部分主权客户，已合计部署并消耗接近9吉瓦的Blackwell基础设施。 分析师佘凌星执业证书编号：S0680525010004邮箱：shelingxing1@gszq.com 分析师钟琳执业证书编号：S0680525010003邮箱：zhonglin1@gszq.com 相关研究 1、《电子：周观点：阿里字节模型密集发布，AI算力需求扩容》2026-02-142、《电子：周观点：电子板块预告总览》2026-02-073、《电子：周观点：AI闭环逐步形成，海外业绩印证存力景气周期》2026-02-01 高速HBF标准发布，产业化进程逐步推进。高带宽闪存(HBF：HighBandwidth Flash)的出现，旨在解决人工智能的内存瓶颈问题。其理念是将NAND闪存像HBM一样堆叠起来，从而在提供HBM级别带宽的同时，实现16倍的容量提升。SK海力士和闪迪正在联合开发这项技术，目标是在2026年底推出样品SK海力士与闪迪举行了HBF规范标准化联盟启动活动，宣布了面向AI推理时代的下一代存储解决方案HBF（（高带宽闪存）的全球标准化战略。SK海力士表示通过与闪迪合作将HBF打造为行业标准，将为整个AI生态系统的共同成长奠定基础，SK海力士与闪迪将在开放计算项目（OCP）下与闪迪共同设立专门工作组，启动标准化工作。 周观点：见相关标的。 风险提示：下游需求不及预期、研发进展不及预期、地缘政治风险。 内容目录 一、LPU：关注AI推理的下半场投资机遇.................................................................................................41.1 LPU：基于SRAM架构创新，驱动AI推理新机遇............................................................................41.2背面供电技术有望带动嵌埋PCB需求...........................................................................................5二、英伟达指引超预期，重视AI硬件板块投资机会....................................................................................9三、高速HBF标准发布，产业化进程逐步推进..........................................................................................11四、相关标的........................................................................................................................................13风险提示..............................................................................................................................................13 图表目录 图表1：GPU工作原理...........................................................................................................................4图表2：LPU工作原理...........................................................................................................................5图表3：英特尔工艺流程........................................................................................................................6图表4：PCB演进过程与优势.................................................................................................................6图表5：Schweizer前视模块PCB嵌入方案..............................................................................................7图表6：VPD中PCB的应用...................................................................................................................7图表7：Schweizer新型雷达技术研发方案...............................................................................................8图表8：Schweizer Smart p²Pack方案....................................................................................................8图表9：英伟达FY26Q4主要财务指标.....................................................................................................9图表10：HBF结构...............................................................................................................................11图表11：HBM与HBF对比（1）...........................................................................................................12图表12：HBM与HBF对比（2）...........................................................................................................12图表13：HBF各家时间线.....................................................................................................................12 一、LPU：关注AI推理的下半场投资机遇 1.1 LPU：基于SRAM架构创新，驱动AI推理新机遇 英伟达与AI芯片初创公司Groq达成协议，斥资200亿美金获取其技术非独家许可并吸纳其核心团队。Groq独创LPU——软件定义硬件的可重构数据流架构，消除了内存带宽瓶颈，在大语言模型推理过程中可实现每秒数百Token的瞬时输出，达到TPU和传统GPU无法企及的物理极限。LPU专为顺序处理的计算密集型任务而设计，相较于传统处理器，对顺序处理进行优化，用于处理语言的复杂性和顺序性，帮助训练能够理解上下文、生成连贯响应和识别模式的模型，LLM正是顺序任务的典型代表。Groq的LPU推理引擎基于专有LPU构建，作为新型处理系统，专门用于解决LLM面临的计算与内存带宽瓶颈问题。在具备与GPU相当甚至更高计算能力的同时，其不受外部内存带宽限制，可在训练与推理过程中实现较传统处理系统数量级提升的性能表现，并在大规模部署下保持高精度运行，同时支持超大参数模型的编译与执行。 LPU通过将数据存储于片上SRAM并构建本地化数据流处理机制，减少对外部HBM的依赖，从而显著降低数据传输能耗并提升系统效率。在此基础上，其通过LPU间直接通信与确定性执行机制，实现类似“流水线”的高效计算模式，在降低系统复杂度的同时提升整体吞吐能力，因此LPU运行大型语言模型（LLMs）及其他主流模型的速度显著更快，从能源效率上比GPU高出多达10倍。 资料来源：Groq，国盛证券研究所 资料来源：Groq，国盛证券研究所 LPU集成了数百兆片上SRAM作为主权重存储器（而非缓存），大幅降低了数据访问延迟，可让计算单元全速加载权重，并通过将单层拆分到多个芯片实现张量并行；据Groq官方数据，其芯片将SRAM集成在处理器内部，访问延迟仅为HBM的几分之一，其片上带宽高达80TB/s。SRAM（Static Random Access Memory，静态随机存取存储器）常用于CPU、GPU及AI晶片内部，属于易失性存储器，即在通电状态下可持续保存数据、断电后数据即消失。相较于DRAM，SRAM采用基于双稳态触发器的存储结构，读写过程为非破坏性操作，且无需像DRAM一样进行周期性刷新或读后重写，从而减少额外时序开销并提升访问速度。同时，SRAM支持地址同时传输且通常作为片上缓存使用，避免复杂的行列寻址与跨芯片访问过程，使其访问延迟达到纳秒级水平，显著快于DRAM。 1.2背面供电技术有望带动嵌埋PCB需求 背面供电网络（BSPDN）是一种颠覆性的芯片供电架构。其核心特征是将电源网络从传统的晶圆正面重新定位至晶圆背面，直接从晶圆下方向前沿晶体管供电，彻底改变了传统正面供电的电流传输路径。这种架构变革能够提升处理