（報告出品方/作者：中泰證券，王芳，李雪峰，楊旭，游凡）
一、ChatGPT激起AI浪潮，多場景創新產業鏈空間廣闊
1.1、AI創新浪潮興起，多模態賦能下遊行業
ChatGPT快速滲透，AI產業迎發展新機
ChatGPT是由OpenAI公司開發的人工智慧聊天機器人程序，於2022年11月發布，推出不久便在全球範圍內爆火。根據 World of Engineering數據顯示，ChatGPT達到1億用戶量用時僅2個月，成為史上用戶增長速度最快的消費級應用程式。與之 相比，TikTok達到1億用戶用了9個月，Instagram則花了2年半的時間。從用戶體驗來看，ChatGPT不僅能實現流暢的文字聊 天，還可以勝任翻譯、作詩、寫新聞、做報表、編代碼等相對複雜的語言工作。
ChatGPT爆火的背後是人工智慧算法的疊代升級。ChatGPT是基於GPT-3.5微調得到的新版本模型，能夠藉助人類反饋的強 化學習（RLHF）技術來指導模型訓練，實現模型輸出與人類預期的需求，使對話內容更加人性化和富有邏輯性。從2008年 第一代生成式預訓練模型GPT-1誕生以來，GPT系列模型幾乎按照每年一代的速度進行疊代升級，未來隨著大語言模型 （LLM）技術的不斷突破，AI相關應用有望加速落地，AI產業或將迎來新一輪發展機遇。
ChatGPT激起AI浪潮，大算力晶片迎來產業機遇
ChatGPT是生成式人工智慧技術（AIGC）的一種，與傳統的決策/分析式AI相比，生成式AI並非通過簡單分析已有數據來進 行分析與決策，而是在學習歸納已有數據後進行演技創造，基於歷史進行模仿式、縫合式創作，生成全新的內容。AIGC的應 用非常廣泛，包括自然語言生成、圖像生成、視頻生成、音樂生成、藝術創作等領域。 AIGC產業鏈主要分為上游算力硬體層、中游數據/算法軟體層和下遊行業應用層。硬體層依靠高性能AI晶片、伺服器和數據 中心為AIGC模型的訓練提供算力支持，是承載行業發展的基礎設施；數據/算法層軟體層主要負責AI數據的採集、清洗、標註 及模型的開發與訓練，多方廠商入局自然語言處理、計算機視覺、多模態模型等領域；行業應用層目前主要涉及搜索、對話、 推薦等場景，未來有望在多個行業呈現井噴式革新。
多模態賦能下遊行業智慧化升級
多模態大模型有望成為AI主流，賦能下遊行業智能升級。生成式AI主要依賴於人工智慧大模型，如Transformer、BERT、 GPT系列等。這些模型通常包含數十億至數萬億個參數，需要龐大的數據集進行訓練，致使AI算力的需求也呈現出指數級的 增長。多模態是一種全新的交互、生成模式，集合了圖像、語音、文本等方式，因其可以結合多種數據類型和模態的學習， 將有望徹底改變我們與機器互動的方式，快速占據人工智慧主導地位。我們認為多模態大模型長期來看不僅可以從成本端 降本增效，需求端也將通過快速滲透推廣為下遊行業帶來持續增長需求，從而快速推動下遊行業智慧化應用升級。
GPT-4性能提升顯著，AIGC應用市場空間廣闊
多模態模型是實現人工智慧應用的關鍵。3月14日OpenAI發布GPT-4多模態大模型，擁有1）強大的識圖能力；2）文字輸 入限制提升至2.5萬字；3）回答準確性顯著提高；4）能夠生成歌詞、創意文本、實現風格變化。在各種專業和學術基準上， GPT-4已具備與人類水平相當表現。如在模擬律師考試中，其分數在應試者前10%，相比下GPT-3.5在倒數10%左右。多模態 大模型在整體複雜度及交互性上已有較大提升，模型升級有望加速細分垂直應用成熟，賦能下游智慧化升級，帶動需求快 速增長。
1.2、算力晶片迎來產業機遇
AI晶片是人工智慧的底層基石
AI人工智慧的發展主要依賴兩個領域的創新和演進：一是模仿人腦建立起來的數學模型和算法，其次是半導體集成電路AI 晶片。AI的發展一直伴隨著半導體晶片的演進過程，20世紀90年代，貝爾實驗室的楊立昆（Yann LeCun）等人一起開發了 可以通過訓練來識別手寫郵政編碼的神經網絡，但在那個時期，訓練一個深度學習卷積神經網絡（Convolutional Neural Network，CNN）需要3天的時間，因此無法實際使用，而硬體計算能力的不足，也導致了當時AI科技泡沫的破滅。
ChatGPT激起AI浪潮，大算力晶片迎來產業機遇
算力硬體層是構成AIGC產業的核心底座，主要包括AI晶片、AI伺服器和數據中心。 AI晶片是算力硬體層的基石。AI晶片主要分為CPU、GPU、FPGA和ASIC四類，CPU是AI計算的基礎，GPU、FPGA、ASIC 作為加速晶片協助CPU進行大規模計算。目前AI晶片主要被國際廠商壟斷，根據Counterpoint、IDC數據，Intel和AMD共計 占2022年全球數據中心 CPU 市場收入的92.45%，Nvidia占2021年中國加速卡市場份額的80%以上。
AI 伺服器是AI晶片的系統集成。AI伺服器採用CPU+加速晶片的架構形式，在進行模型的訓練和推斷時會更具有效率優勢。 與國外AI晶片廠商的壟斷局面不同，中國AI伺服器水平位於世界前列。據IDC數據，在2021H1全球 AI 伺服器市場競爭格局 中，浪潮信息以20.2%的份額排名第一，聯想和華為分別以6.1%和4.8%的份額位列第四、五名。數據中心的計算服務是承接AI算力需求的直接形式。AIGC的模型訓練是通常是通過雲計算服務完成的，其本質是AIGC模型 廠商藉助IDC的算力資源，在雲端實現模型的訓練。目前國內的數據中心廠商主要包括三大運營商、華為、聯想、中科曙光 等，提供雲計算的廠商主要有阿里、騰訊等網際網路企業。
二、晶片是ChatGPT底層土壤
2.1、AI晶片有望率先受益，CPU+XPU異構形式成為主流
AI晶片根據下游應用可分為訓練、推斷兩類
機器學習主要包括訓練（training）和推斷（inference）兩個步驟，通常需要不同類型的AI晶片來執行。訓練是指通過大數 據訓練出一個複雜的神經網絡模型，通過大量標記過的數據來訓練相應的系統，使其能夠適應特定的功能；推理是指利用 訓練好的模型，使用新數據推理出各種結論。 訓練晶片：通過大量的數據輸入，構建複雜的深度神經網絡模型的一種AI晶片。需要較高的計算性能、能夠處理海量的數 據、具有一定的通用性，以便完成各種各樣的學習任務，注重絕對的計算能力。 推斷晶片：推斷晶片主要是指利用訓練出來的模型加載數據，計算「推理」出各種結論的一種AI晶片，注重綜合指標，側 重考慮單位能耗算力、時延、成本等性能。
全球AI晶片有望達到726億美元規模
AI晶片是AI算力的核心，需求有望率先擴張。AI晶片是用於加速人工智慧訓練和推理任務的專用硬體，主要包括GPU、 FPGA、ASIC等，具有高度並行性和能夠實現低功耗高效計算的特點。 隨著AI應用的普及和算力需求的不斷擴大，AI晶片需求有望率先擴張。根據IDC預測，中國AI算力規模將保持高速增長，預 計到2026年將達1271.4EFLOPS，CAGRA（2022-2026年）達52.3%。在此背景下，IDC預測異構計算將成為主流趨勢，未來 18個月全球人工智慧伺服器GPU、ASIC和FPGA的搭載率均會上升，2025年人工智慧晶片市場規模將達726億美元。
雲端/邊緣端晶片同步發展
深度學習的應用開發可分成雲端與邊緣側兩大部分。雲端指的是數據中心或超級計算機，具有強大的計算能力，利用海量 數據進行模型訓練，也可以進行推理。邊緣側指的是數據中心外的設備，如自動駕駛汽車、機器人、智慧型手機、無人機或 IoT設備，用訓練好的模型進行推理。根據場景不同，形成了兩種不同要求的AI晶片： 雲端晶片：具有最大的計算能力和最高的性能，主要對深度學習算法模型進行訓練，有時也進行推斷。目前雲端主要以 CPU+GPU異構計算為主，根據wind數據，在機器學習伺服器和高性能伺服器中，CPU+GPU的成本占比分別為83%與51%。
邊緣端晶片：計算性能有限，主要使用從雲端傳來的訓練好的模型和數據進行推斷。在邊緣側或手機等端側設備中，很少 有獨立的晶片，AI加速通常由 SoC上的一個IP實現。例如，蘋果智慧型手機里最大的應用處理器（Application Processor，AP） 晶片就是一塊帶有AI核的SoC，這類SoC的性能一般可以達到5～10 TOPS。
AI晶片有望率先受益，CPU+XPU異構形式成為主流
雲端訓練和推斷計算主要由 Al 伺服器完成，底層算力晶片包括 CPU、GPU、FPGA、ASIC 等。 CPU是AI計算的基礎，負責控制和協調所有的計算操作。在AI計算過程中，CPU用於讀取和準備數據，並將數據來傳輸到 GPU等協處理器進行計算，最後輸出計算結果，是整個計算過程的控制核心。根據IDC數據，CPU在基礎型、高性能型、推 理型、訓練型伺服器中成本占比分別為32%、23.3%、25%、9.8%，是各類伺服器處理計算任務的基礎硬體。
GPU、FPGA、ASIC是AI計算的核心，作為加速晶片處理大規模並行計算。具體來看，GPU通用性較強，適合大規模並行計 算，且設計及製造工藝較成熟，目前占據AI晶片市場的主要份額；FPGA具有開發周期短、上市速度快、可配置性等特點， 目前被大量應用於線上數據處理中心和軍工單位；ASIC根據特定需求進行設計，在性能、能效、成本均極大的超越了標準 晶片，非常適合 AI 計算場景，是當前大部分AI初創公司開發的目標產品。
CPU：底層核心算力晶片
CPU（Central Processing Unit）中央處理器：是計算機的運算和控制核心（Control Unit)，是信息處理、程序運行的最終執 行單元，主要功能是完成計算機的數據運算以及系統控制功能。 CPU擅長邏輯控制，在深度學習中可用於推理/預測。在深度學習中,模型的訓練和推理是兩個不同的過程: 在訓練過程中，模型需要進行大量的矩陣運算，因此通常使用GPU等擅長並行計算的晶片進行處理； 在推理過程中，需要對大量的已經訓練好的模型進行實時的推理/預測操作，而這種操作通常需要高效的邏輯控制能力和低 延遲的響應速度，這正是CPU所擅長的。
GPU：AI高性能計算王者
GPU（Graphics Processing Unit）圖形處理器：GPU最初是為了滿足計算機遊戲等圖形處理需求而被開發出來的，但憑藉 高並行計算和大規模數據處理能力，逐漸開始用於通用計算。根據應用場景和處理任務的不同，GPU形成兩條分支： 傳統GPU：用於圖形圖像處理，因此內置了一系列專用運算模塊，如視頻編解碼加速引擎、2D加速引擎、圖像渲染等。 GPGPU：通用計算圖形處理器（general-purpose GPU）。為了更好地支持通用計算，GPGPU減弱了GPU圖形顯示部分的能 力，將其餘部分全部投入到通用計算中，同時增加了專用向量、張量、矩陣運算指令，提升了浮點運算的精度和性能，以 實現人工智慧、專業計算等加速應用。
FPGA：可編程晶片加速替代
FPGA（Field Programmable Gate Array）現場可編程門陣列：FPGA最大的特點在於其現場可編程的特性，無論是CPU、 GPU還是ASIC，在晶片製造完成後功能會被固定，用戶無法對硬體功能做出更改，而FPGA在製造完成後仍可使用配套軟體 對晶片進行功能配置，將晶片上空白的模塊轉化為自身所需的具備特定功能的模塊。 可編程性、高並行性、低延遲、低功耗等特點，使得FPGA在AI推斷領域潛力巨大。FPGA可以在運行時根據需要進行動態 配置和優化功耗，同時擁有流水線並行和數據並行能力，既可以使用數據並行來處理大量數據，也能夠憑藉流水線並行來 提高計算的吞吐量和降低延遲。根據與非網數據，FPGA（Stratix 10）在計算密集型任務的吞吐量約為CPU的10倍，延遲與 功耗均為GPU的1/10。
ASIC：雲計算專用高端晶片
ASIC（Application Specific Integrated Circuit）專用集成電路：是一種為專門應特定用戶要求和特定電子系統的需要而設 計、製造的集成電路。ASIC具有較高的能效比和算力水平，但通用性和靈活性較差。能效方面：由於ASIC是為特定應用程式設計的，其電路可以被高度優化，以最大程度地減少功耗。根據Bob Broderson數據， FPGA的能效比集中在1-10 MOPS/mW之間。ASIC的能效比處於專用硬體水平，超過100MOPS/mW，是FPGA的10倍以上。算力方面：由於ASIC晶片的設計目標非常明確，專門為特定的應用場景進行優化，因此其性能通常比通用晶片更高。根據 頭豹研究院數據，按照CPU、GPU、FPGA、ASIC順序，晶片算力水平逐漸增加，其中ASIC算力水平最高，在1萬-1000萬 Mhash/s之間。
2.2、國產晶片廠商加速布局
國產CPU多點開花加速追趕
全球伺服器CPU市場目前被Intel和AMD所壟斷，國產 CPU 在性能方面與國際領先水平仍有差距。根據Counterpoint數據， 在2022年全球數據中心CPU市場中，Intel以70.77%的市場份額排名第一，AMD以19.84%的份額緊隨其後，剩餘廠商僅占據 9.39%的市場份額，整體上處於壟斷局面；目前國內CPU廠商主有海光、海思、飛騰、龍芯、申威等。通過產品對比發現， 目前國產伺服器CPU性能已接近Intel中端產品水平，但整體上國內CPU廠商仍在工藝製程、運算速度（主頻）、多任務處理 （核心與線程數）方面落後於國際先進水平。
生態體系逐步完善，國產GPU多領域追趕
全球GPU晶片市場主要由海外廠商占據壟斷地位，國產廠商加速布局。全球GPU市場被英偉達、英特爾和AMD三強壟斷， 英偉達憑藉其自身CUDA生態在AI及高性能計算占據絕對主導地位；國內市場中，景嘉微在圖形渲染GPU領域持續深耕，另 外天數智芯、壁仞科技、登臨科技等一批主打AI及高性能計算的GPGPU初創企業正加速湧入。 圖形渲染GPU：目前國內廠商在圖形渲染GPU方面與國外龍頭廠商差距不斷縮小。芯動科技的「風華2號」GPU採用5nm工 藝製程，與Nvidia最新一代產品RTX40系列持平，實現國產圖形渲染GPU破局。景嘉微在工藝製程、核心頻率、浮點性能等 方面雖落後於Nvidia同代產品，但差距正逐漸縮小。
FPGA/ASIC國產替代正當時
FPGA全球市場呈現「兩大兩小」格局，Altera與XILINX市占率共計超80%，Lattice和Microsemi市占率共計超10%；整體來 看，安路科技、紫光同創等廠商處於國際中端水平，仍需進一步突破。工藝製程方面，當前國產廠商先進位程集中在28nm， 落後於國際16nm水平；在等效LUT數量上，國產廠商旗艦產品處於200K水平，僅為XILINX高端產品的25%左右。 ASIC不同於CPU、GPU、FPGA，目前全球ASIC市場並未形成明顯的頭部廠商，國產廠商快速發展；通過產品對比發現， 目前國產廠商集中採用7nm工藝製程，與國外ASIC廠商相同；算力方面，海思的昇騰910在BF16浮點算力和INT8定點算力方 面超越Googel最新一代產品TPUv4，遂原科技和寒武紀的產品在整體性能上也與Googel比肩。未來國產廠商有望在ASIC領 域繼續保持技術優勢，突破國外廠商在AI晶片的壟斷格局。
2.3、AI算力需求，存儲晶片受益
AI算力需求，存儲晶片受益
ChatGPT帶動AI伺服器需求，存儲晶片受益。 ChatGPT的數據獲取、數據整理、訓練、推理除大算力晶片外，還需存儲晶片支持。 伺服器成本構成：伺服器成本包括算力晶片、存儲器等，根據IDC 2018年伺服器成本構成，在高性能伺服器/推理型伺服器/機 器學習型伺服器中存儲占比29%/25%/16%。AI伺服器，除了內存需要128GB或更大容量的高性能HBM和高容量伺服器DRAM， 還需硬碟去存儲大量數據。 存儲下游市場：智慧型手機+伺服器+PC是主要下游。智慧型手機端出貨量增速有限，單機容量提升是主要推動力；伺服器端，受 益人工智慧、物聯網和雲計算等應用興起，伺服器出貨量及單機容量提升推動增長。
AI高算力對高帶寬內存的需求
AI大算力需要的內存：大容量服務 器DRAM和高帶寬內存HBM。 按照應用場景，DRAM分成標準 DDR、LPDDR、GDDR三類。 JEDEC定義並開發了以下三類 SDRAM 標準，以幫助設計人員滿足 其目標應用的功率、性能和尺寸要求。 1）標準型DDR：針對伺服器、雲計 算、網絡、筆記本電腦、台式機和消 費類應用程式，與CPU配套使用 。2）LPDDR：Low Power DDR，針對 尺寸和功率非常敏感的移動和汽車領 域，有低功耗的特點。3）GDDR：Graphics DDR，針對高 帶寬(例如顯卡和 AI)的兩種不同的存 儲器架構是 GDDR 和 HBM。
AI助力企業級SSD市場擴容
AI助力企業級SSD市場擴容。 SSD為固態硬碟，由NAND顆粒、主控晶片等構成，其中NAND顆粒占成本的70%。SSD按照用途分為消費級、企業級 及其他行業級產品。近年來隨著雲計算、大數據發展，網際網路服務加速普及，企業加快數位化轉型，數據呈現井噴狀 態，企業級SSD市場需求與規模不斷攀升。 IDC 數據顯示，企業級 SSD 全球出貨量將從 2020 年的約 4750萬塊增長到 2021 年的 5264 萬塊左右，年均增長率為 10.7%，預計到 2025 年，將增加到 7436 萬塊左右。
三、晶片需求增長拉動產業鏈機會
3.1、封測：Chiplet是AI晶片大勢所趨
AI產業機會-封測：Chiplet是AI晶片大勢所趨
當前AI晶片呈現幾大趨勢： 1）製程越來越先進。從2017年英偉達發布Tesla V100 AI晶片的12nm製程開始，業界一直在推進先進位程在AI晶片上的應用。 英偉達、英特爾、AMD一路將AI晶片製程從16nm推進至4/5nm。 2）Chiplet封裝初露頭角。2022年英偉達發布H100 AI晶片，其晶片主體為單晶片架構，但其GPU與HBM3存儲晶片的連接， 採用Chiplet封裝。在此之前，英偉達憑藉NVlink-C2C實現內部晶片之間的高速連接，且Nvlink晶片的連接標準可與Chiplet業 界的統一標準Ucle共通。而AMD2023年發布的Instinct MI300是業界首次在AI晶片上採用更底層的Chiplet架構，實現CPU和 GPU這類核心之間的連接。
3）2020年以來頭部廠商加速在AI晶片的布局。AI晶片先行者是英偉達，其在2017年即發布Tesla V100晶片，此後2020以來 英特爾、AMD紛紛跟進發布AI晶片，並在2022、2023年接連發布新款AI晶片，發布節奏明顯加快。
AI產業機會-封測：Chiplet是AI晶片大勢所趨
製程越先進、晶片組面積越大、小晶片（Chips）數量越多，Chiplet封裝較SoC單晶片封裝，成本上越有優勢： Chiplet主要封裝形式有MCM/InFO/2.5D這三種。 14nm製程下，當晶片面積超過700mm²時，Chiplet封裝中的MCM成本開始較SoC低，當面積達900mm²時，MCM較SoC成本 低近10%（2顆chips）、或低20%（3顆chips）、或低25%（5顆chips）； 7nm製程下，晶片面積超過400mm²時，MCM成本開始低於SoC，面積超過600mm²時，InFO成本開始低於SoC，當面積達 900mm²時，5顆chips情況下，MCM較SoC成本低40%、InFO較SoC成本低20%； 5nm製程下，晶片面積超過300mm²時，MCM成本開始低於SoC，成本超過500mm²時，InFO成本開始低於SoC，當面積達 900mm²時，5顆chips情況下，MCM較SoC成本低50%、InFO較SoC成本低40%、2.5D較SoC成本低28%。
鑑於當前AI晶片朝高算力、高集成方向演進，製程越來越先進，Chiplet在更先進位程、更複雜集成中降本優勢愈發明顯， 未來有望成為AI晶片封裝的主要形式。
3.2、PCB：AI伺服器基石
AI產業機會-PCB：AI伺服器基石
ChatGPT數據運算量增長快速，帶動伺服器/交換機/顯卡等用量提升，布局相應領域PCB公司顯著受益。 ChatGPT帶來了算力需求的激增，與之對應亦帶來相應伺服器/交換機等作為算力核心載體和傳輸的硬體，帶來PCB需求大幅 增長，同時隨著對算力的要求越來越高，對於大容量、高速、高性能的雲計算伺服器的需求將不斷增長，對PCB的設計要求 也將不斷升級，提升對於高層數、大尺寸、高速材料等的應用。
以23年發布的新伺服器平台為例，Pcie 5.0伺服器用PCB層數、材料、設計工藝均有升級，PCB價格提升顯著，其層數從4.0 的12-16層升級至16-20層，根據 Prismark 的數據，2021 年 8-16 層板的價格為 456 美元/平米，而18 層以上板的價格為 1538 美元/平米，PCB 價值量增幅明顯；另外配套新伺服器，交換機、傳輸網產品都需要同步升級，預計400G、800G交換機對 PCB板子拉動巨大，進一步帶動數通板景氣度提升。
ChatGPT帶動伺服器用量增長及平台升級，預計2025年伺服器PCB市場超160億美元，2021-2025CAGR達21%。 隨著ChatGPT對伺服器用量增長及平台升級，對應PCB的板材、層數、工藝複雜的均顯著提升，預計2025年全球伺服器PCB 市場規模超160億美元，2021-2025年CAGR達21%，成為PCB增長最快的下游之一。
報告節選：
（本文僅供參考，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）
精選報告來源：【未來智庫】「連結」