国产半导体行业如何突围？（附国产厂家名录）

01

美国

众所周知，一块芯片的诞生需要几十亿个晶体管，因此必须依赖EDA（电子设计自动化）软件来排布芯片里的各种电路结构和区块。

EDA领域，美国的Synopsys、Cadence、Siemens EDA三家合起来占了全球78%的市场。

设计方面，全球10大芯片设计公司，美国6家上榜，如高通、英伟达等市场份额共占比高达78%。

制造方面，美国大约拥有46%前端半导体晶圆产能的份额，同时在研发、设计、IP及半导体设备等方面都保持着领先地位。美国应用材料、泛林、科垒依次名列全球半导体设备商前五强，全球市场占有率达45%以上。

02

日本

在半导体材料市场上，日本企业主要活跃在硅片、光刻胶领域。

如信越化学和SUMCO两家企业占了近50%的市场份额，而中国大陆所有相关企业加起来不到5%。

如日本JSR、信越化学、东京应化、住友化学四家企业共占比达到82%的份额，而世界前五大光刻胶厂商总共仅拿下87%的市场份额。

半导体设备，日本企业10种设备所占的市场份额超过50%，在涂布/显影设备、清洗设备等前端半导体设备几乎垄断市场。在后端半导体设备，日本的划片机和成型器也是世界第一，此外日本还是三款重要后端检测设备的霸主。

总体而言，目前日本仍为全球提供超过50%的重要半导体材料和40%以上的半导体制造设备的国家。

03

荷兰

目前，光刻机领域由荷兰的ASML、日本的佳能及尼康，控制着全球九成以上的市场份额，其中荷兰ASML占据大约60%的市场份额。它凭尖端的光刻机技术，也是唯一一家能提供EUV高端光刻机技术的设备商。

04 

中国半导体行业如何应对挑战？

半导体材料 ：本土企业下游晶圆产线加速扩产

据前瞻产业研究院数据统计，2021年中国半导体晶圆制造材料的整体国产化率为20%-30%，其中电子特气、靶材国产化率约为30-40%；硅片、湿电子化学品、CMP耗材总体国产化率约在20-30%。随着产能利用率不断提高，国产半导体材料开始逐步放量。

硅片领域：沪硅产业率先打破僵局

沪硅产业，产品涵盖300mm抛光片及外延片、200mm及以下抛光片、外延片以及200mm及以下的SOI硅片；

立昂微，目前12英寸硅片月产6万片/月，预计年底实现满产15万片/月。技术能力已覆盖14nm以上技术节点逻辑电路；

中晶科技，主要产能集中在3~6英寸硅片，8英寸抛光片项目已投产。

电子气体：低端向高端逐步迈进

华特气体，光刻气（Ar/Ne/Xe、Kr/Ne、F2/Kr/Ne、F2/Ar/Ne）通过了ASML和GIGAPHOTON的认证，部分产品已批量供应14nm、7nm等产线，并且部分氟碳类产品已进入到5nm工艺中使用；

中巨芯，目前已实现6N纯度的高纯氯气和高纯氯化氢量产，产品已在中芯国际、华润微电子等多家主流客户通过认证并批量供货，打破国际垄断；

凯美特气，公司正在积极推进激光混配气在ASML认证的进度，目前已建成并投入12套电子特种气体生产及辅助装置。

光刻胶：由中低端逐步突破

飞凯材料，i-line光刻胶于今年形成销售，KrF光刻胶已有一定的技术储备，正在开发过程中；

彤程新材，第一款国产化KrF负性光刻胶2021年在中芯国际、合肥长鑫等用户形成销售；

南大光电，目前公司产品已在下游客户存储芯片50nm和逻辑芯片55nm技术节点的产品上通过认证，同时多款产品正在多家客户进行认证。

掩膜版：国产替代加速突围

路维光电，公司已掌握180nm/150nm IC掩膜版制造核心技术，已实现250nm IC掩膜版量产；

清溢光电，清溢光电 250nm 半导体芯片用掩膜版技术的 CD 精度为 50nm，位置精度为 70nm，达到国际主流水平，目前已量产 250nm 工艺节点的 6 英寸和 8 英寸半导体芯片用掩膜版；

石英股份，目前已推出从 G4 代到 G8 代的系列产品，打破国外公司的技术垄断。

具体厂家名录：（排名不分先后）

半导体设备：国产产线设备用量从“1”到“N”

美国、日本和荷兰，均为半导体技术强国，在先进半导体设备领域处领先地位。

但随着国产技术的发展趋势来看，2022年上半年国产化率高于30%的有去胶、清洗、刻蚀、CMP等设备；国产化率在10%—30%的有涂胶显影、薄膜沉积、热处理、量测等设备。未来中国半导体设备厂商有望在国内多条产线实现从“1”到“N”，实现设备品类的拓展和份额的提升。

刻蚀设备环节，国内主要参与者包括中微公司、北方华创和屹唐股份等。其中，中微公司的刻蚀设备包含CCP与ICP，目前CCP已突破7-5nm，在5nm以下也进展顺利。

光刻环节，上海微电子在90nm、110nm、280nm等制程上已全面实现国产化。2022年2月，上海微电子交付了首台2.5D\3D先进封装光刻机。按照之前的计划，28nm的光刻机将在近两年内完成交付。

CMP设备领域，华海清科是国内唯一一家实现12英寸CMP设备量产的企业，公司12英寸系列CMP设备产品已经完成批量化应用，制程上也开始向14nm推进，目前已进入验证阶段。

具体厂家名录：（排名不分先后）

EDA:多以美厂商为主，国内追赶步伐迅速

据ESD Alliance统计 ，美国的Synopsys、Cadence、Siemens EDA三家合起来占了全球78%的市场。

虽然国内的EDA设计软件行业市场集中度较低，占比不足15%。但是在部分单点仿真工具或者综合工具方面本土厂商已经具备一定竞争力，后续伴随着技术和产品的延伸布局，预计国内会在不久的将来涌现一批具备全球竞争实力的EDA软件厂商。

华大九天，目前已实现商业化产品20余种，占主流EDA工具一半以上，服务全球近400家客户；

芯愿景，EDA软件目前已在超40,000多个实际集成电路项目中得到应用，全球客户数量超过1500家；

芯华章，目前已发布了4款极具技术门槛的验证EDA产品，以及统一底层构架的智V验证平台。

具体厂家名录：（排名不分先后）

IP（专利）：高速连接未来

芯动科技，从0.13um、65nm、55nm、40nm、28nm到先进Finfet 14/12/8/7/5纳米等工艺不断跨越，提供了覆盖面和成熟度领先的一站式高速接口IP，量产芯片数量高达数十亿颗；

芯来科技，相继推出了N100、N200、N300、N/NX/UX600、N/NX/UX900等系列产品覆盖了从低功耗到高性能的各种场景需求；

锐成芯微，近年来锐成芯微在40nm等工艺节点推出蓝牙IP解决方案，并已进入量产，目前宣布在22nm工艺上推出双模蓝牙射频IP。

IC制造代工：产业转移深入显现

中芯国际，从2015年的28nm开始，14nm、N+1、N+2、到如今的7nm工艺，6年时间跨越了5个时代；

华虹半导体，华虹12英寸生产线建成投片，正式完成“8英寸+12英寸”工艺产线布局，已将制程能力提升到55nm；

华润微，12月29日，华润微电子重庆12英寸晶圆制造生产线以及先进功率封测基地实现通线。

封装测试：逐渐缩小技术差距

近年来，国内封测龙头企业通过自主研发和并购重组，在先进封装领域正逐渐缩小同国际先进企业的技术差距，同时在国际市场分工中已有了较强的市场竞争力。目前全球营收前十大封测厂商，长电科技、通富微电和华天科技三家约市占率达到20.1%。

长电科技，2022年7 月公告在进封测技术领域取得新的突破，实现 4nm 工艺制程手机芯片的封装，以及 CPU、GPU 和射频芯片的集成封装。4nm 芯片作为先进硅节点技术，也是导入 Chiplet 封装的一部分；

通富微电，已覆盖功率模块封装、高密度FCBGA封装、FOPoS/VISionS (2.5D/3D）、12”超细间距Gold Bump及AMOLED COP封装、超薄芯片多层堆叠封装。2021年，在先进封装方面公司已大规模生产Chiplet产品，7nm产品已大规模量产，5nm产品已完成研发即将量产；

华天科技，已具备2.5D Interpose FCBGA、FO FCBGA、3D FO SiP 等先进封装技术，以及基于TCB工艺的3D Memory封装技术，Double Side molding射频封装技术、车载激光雷达及车规级12吋晶圆级封装等技术和产品的研发。

具体厂家名录：（排名不分先后）

光刻机：正在被国产逐步替代

在当前光刻机几乎被完全垄断的局势下，实现光刻机的国产替代势在必行。

去年11月，华为公布消息已突破EUV先进光刻机的相关专利；

据国内媒体报道，我国哈工大近日成功突破关键技术，研发出了高速超精密激光干涉仪，目前可用于350nm到28nm工艺的光刻机样机集成研制和性能测试；

中芯国际等企业就已经获得28nm芯片自研技术的突破，大力投建工厂，扩大产能，成功补足840亿颗进口芯片缺口；

上海微电子，官方公布的消息是已经实现90nm前道光刻机的量产，并持续研发中。

综合来看，随着国产科技企业加快在半导体芯片领域的发展以后，国内对光刻机的需求也开始逐渐变大，现如今中国也已逐渐成为全球最大的光刻机市场。

具体厂家名录：（排名不分先后）

光刻胶国产替代

2023年1月，美国与荷兰和日本达成协议，限制向中国出口一些先进的芯片制造设备；

3月8日，业内传出消息称，日本某光刻胶大厂已经执行美国“实体清单”的限制要求，对中国大陆某存储晶圆厂断供了KrF光刻胶；

3月9日，受传闻影响，A股光刻胶板块继续维持强势。其中上海新阳表示，公司光刻胶业务目前整体没有形成太多规模化的销售；南大光电表示，公司光刻胶已通过了2家公司验证，其中ArF光刻胶验证通常需要18个月甚至更长的时间；容大感光连续两个交易日“20CM”涨停；

3月13日，国产半导体材料供应商晶瑞电材表示，公司KrF高端光刻胶部分品种已量产！

01 

光刻胶定义

光刻胶（photoresist），又被称为光阻或光阻剂，是指通过紫外光、深紫外光、电子束、离子束、X射线等光照或辐射，溶解度会发生变化的耐蚀刻薄膜材料，是光刻工艺中的关键材料。

众所周知，光刻胶是半导体芯片制造过程中所必须的关键材料。按照曝光波长分类；光刻胶可分为紫外光刻胶（300~450nm）、深紫外光刻胶（160~280nm）、极紫外光刻胶（EUV，13.5nm）、电子束光刻胶、离子束光刻胶、X射线光刻胶等。

02 

日本称霸，寡头垄断

在半导体光刻胶细分领域，日本厂商在高端市场具有非常强的话语权。

据 TOK 和 Fujifilm 数据显示，2021年东京应化、JSR、住友化学、富士胶片分别占据27%、13%、12%、8%的市场份额，陶氏化学占据17%的市场份额，韩国东进占据11%的市场份额。

①g/i线光刻胶市场：日本的东京应化、JSR、住友化学和富士胶片分别占据26%、15%、15%、8%的份额，在全球市场占据64%份额。

②KrF光刻胶市场：日本龙头企业东京应化、信越化学和JSR在全球KrF光刻胶细分市场分别占据34%、22%和18%份额，合计占比达到74%。

③ArF光刻胶市场：日本龙头企业JSR、信越化学、东京应化和住友化学，分别占据全球ArF光刻胶细分市场25%、23%、20%和15%市场份额，合计市场份额达到83%。

④EUV光刻胶市场：日本JSR、东京应化、信越化学成为EUV光刻胶市场可实现量产的厂商。

光刻胶在日、美、韩等国际大厂占比份额超过85%，针对各大厂在光刻胶领域的发展概况整理如下：

JSR：产品从g线到EUV多种品类，公司在EUV光刻胶领域主攻10nm及以下制程工艺。目前JSR正在研发和销售适用于5nm及以下制程的EUV光刻胶，以维持和扩大公司在先进光刻材料的市场份额。

东京应化：产品覆盖橡胶型负性光刻胶、g线光刻胶、i线光刻胶、KrF光刻胶、ArF光刻胶、EUV光刻胶、电子光束光刻胶等。其中KrF光刻胶占比32%；ArF光刻胶占比22%，g/i线光刻胶占比13%；EUV光刻胶占比达11%。

杜邦：全球领先的半导体材料供应商，已推出大量荣获认可、多种波长的光刻产品，其中包括 193nm（ArF）、248nm（KrF）和 i/g-line 光刻胶，以及碳膜涂层（SOC）、抗反射涂层（BARV）、先进表面涂层和光刻胶配套试剂。

信越化学：主营产品有I/g线光刻胶、Krf光刻胶、ArF（干式和湿式）、EUV光刻胶。2020年10月，将半导体厂重要材料光刻胶的产能调高20%；信越化学台湾云林厂将在2021年正式量产，提高50%针对台湾客户的产能；信越化学直江津工厂的新设备在2022年2月开始运作，将提高20％的产能。

住友化学：主要包含i线、KrF、ArF、EUV光刻胶等。2021年8月31日，住友化学宣布，决定扩大半导体光刻胶的产能。新增ArF（浸入式）和EUV（极端紫外线）光刻胶生产线将于2023上半年开始运营，大阪工厂将于2024上半年投产。

富士胶片：产品覆盖负胶、i线、KrF、ArF、电子束胶等。《日刊工业新闻》透露，富士胶片已正式启动EUV光刻胶业务，目标在2024年之前获得全球10%市占率。

Tok:是全球最大的 G 线/I 线、KrF 光刻胶供应商。在KrF光刻胶和ArF光刻胶产品中实现的销售额较大。

陶氏化学：可以批量生产市面上全线光刻胶产品。

东进世美肯：韩国内首家开发PVC以及橡胶发泡剂，2021年5月25日，在京畿道华城巴兰的工厂举行了新光刻胶制造大楼的竣工仪式和产品交付仪式，并计划在这里生产EUV光刻胶。

03 

国产化进程加快，光刻胶发展快速提升

目前，中国本土厂商主要以技术壁垒相对较低的PCB光刻胶为主，高端光刻胶是集成电路28nm、14nm乃至10nm以下制程的关键，而大部分都被国外大厂垄断，在中高端光刻胶市场仍是相对较弱。具体来说：

产能方面，国内企业的产品，仅g/i线光刻胶实现批量应用，KrF仅少数研发进度领先企业实现小批量应用，高端主要依赖进口，国内光刻胶行业与国际先进水平还是有一定的差距。

低端g/i线光刻胶自给率约为20%，KrF光刻胶自给率不足5%；

高端ArF光刻胶则主要依赖于进口，是国内半导体的卡脖子技术之一；

EUV光刻胶，由于美国限制，国内无法进口EUV光刻机，国产EUV光刻胶更无从谈起。

专利方面，日美企业在光刻胶领域的专利积累优势巨大。据智慧芽专利数据显示，光刻胶第一大技术来源为日本，专利申请量占全球光刻胶专利总申请量的46%；美国则以25%的申请量位列第二；中国则以7%的申请量排在韩国之后。从趋势上看，2020年中国光刻胶专利申请量为1.29万项，日本光刻胶专利申请量下降至8982项。

近年来，随着光刻胶的需求攀升，光刻胶出现供不应求的局面，部分中小晶圆厂甚至出现了“断供”现象。随着中美关系摩擦持续，部分国产厂家已开始加速布局。

g/i 线光刻胶方面，主要有晶瑞电材（苏州瑞红）、彤程新材（北京科华）。

KrF光刻胶方面，国内的彤程新材（北京科华）、上海新阳、晶瑞电材（苏州瑞红）、徐州博康（华懋科技）等都有布局，但实现量产供货的却不多。

ArF光刻胶方面，国内的南大光电、晶瑞电材（苏州瑞红）、彤程新材（北京科华）、上海新阳、徐州博康等也都有布局，但没有实现大批量量产供货。

EUV光刻胶，北京科华已通过02专项验收。

具体厂家及部分国产企业近三年营业收入如下：

总  结

随着国外大厂断供造成国内光刻胶供需短缺持续紧张，以及半导体供应链安全问题日益严重，光刻胶的国产替代的窗口逐步打开。国产光刻胶有望从0到1实现技术突破，逐步导入供应链，国内大厂有望抓住国产替代窗口进入上升的拐点。

未来，国内光刻胶业界则应充分利用国产化这一优势，砥砺加速高端光刻胶的技术攻坚和产业升级，进而推动国内前沿半导体生态的发展建设

AI+半导体概念双龙头，引国家基金再度出手，未来有望5倍以上的涨幅？

人工智能是人类历史上第四次里程碑式的科技革命。科技革命爆发的标志就是新一代科技成果开始广泛应用生产生活，解放生产力、发展生产力，提高全要素生产率。人工智能的发展将极大地替代人类重复的脑力劳动。ChatGPT的诞生让人们看到了，人工智能技术即将广泛地应用于生产生活。

然而所有科技的发展都是少不了一个核心那就是半导体芯片，半导体芯片是当今科技领域中最重要的基础设施之一。它们在我们生活的方方面面都有所应用，从智能手机到汽车控制系统，从医疗器械到人工智能。

市场从去年年底到现在，最火热的主线无疑是数字经济，人工智能、信创等等，全部都轮动炒作了一遍，即使已经涨高了，回调一下，又接着火热！真是好热闹。

如果大家没有抓住以上的主线机会的话，那么半导体其实今天已经提示你了。如今随着ChatGPT等人工智能产品的大火，人工智能必定会刺激半导体产业的再度崛起。这一方向将势不可挡！

半导体一直被称为渣男，它的走势往往是涨了一天，后面就连续调整好几天。但是这次我们可以看到回踩20日线而不破，今日大阳线放量反弹。这已经是很明显的信号，半导体有接替人工智能成为下一个主线的潜质。

当然后续关注的资金会越来越多的，博主并不一定会认为人工智能后面就将沦为配角，反而有可能的是人工智能和半导体轮动炒作，一起发力，撑起今年科技市场的一片天空。

整理出人工智能叠加半导体双重概念的几家潜力公司，尤其是最后一家，未来有望5倍以上的涨幅，建议收藏。

第一家，北京君正：公司已形成独特的AI算法引擎，并已有大量的成熟算法走向市场。AI-Engine算力引擎已应用于公司多款芯片中，部分芯片已经量产出货；已经有一系列客户基于Magik算法开发平台开发了多种AI算法，并运行与公司多款芯片中，实现量产出货。

第二家，寒武纪：公司一直专注于人工智能芯片产品的研发与技术创新，致力于打造人工智能领域的核心处理器芯片。是全球智能芯片领域的先行者，全球少数全面掌握通用型智能芯片及基础系统软件核心技术的企业。

第三家，海光信息：海光 DCU 协处理器主要部署在服务器集群或数据中心，为应用程序提供高性能、高能效比的算力，支撑高复杂度和高吞吐量的数据处理任务，应用于大数据处理、人工智能、商业计算等计算密集类应用领域。是国内唯一一家生产x86芯片的企业。

第四家，最看好的一家：公司在人机交互触控领域完成初步业务布局，目前已完成自演触摸控制芯片投片。公司总市值不足60亿，更易拉升。目前主力资金持续流入，控盘度极高，即将启动主升浪，今年有望五倍以上的涨幅。

人工智能是人类历史上第四次里程碑式的科技革命。科技革命爆发的标志就是新一代科技成果开始广泛应用生产生活，解放生产力、发展生产力，提高全要素生产率。人工智能的发展将极大地替代人类重复的脑力劳动。ChatGPT的诞生让人们看到了，人工智能技术即将广泛地应用于生产生活。

然而所有科技的发展都是少不了一个核心那就是半导体芯片，半导体芯片是当今科技领域中最重要的基础设施之一。它们在我们生活的方方面面都有所应用，从智能手机到汽车控制系统，从医疗器械到人工智能。

AI+爆发，26只AI+细分领域核心概念股

随着chatGPT的应用拓展，Ai+虚拟数字人、办公、医疗、5G消息、视频、电商等细分领域将逐步兴起，本文将就A股26只Ai+这些细分领域的核心概念股进行简析：#人工智能#

A）8股2023市值已经翻番，即2023股价涨幅超100%，分别是昆仑万维、光云科技、万兴科技、拓尔思、汤姆猫、当虹科技、彩讯股份、福昕软件

B）4股市值超400亿【蓝筹，金山办公、大华股份、三七互娱、昆仑万维】

C）14股本周交易异常活跃，近五日换手率均值超10%，青木股份、易点天下、初灵信息、汤姆猫、天娱数科、拓尔思、万兴科技、蓝色光标8股近五日换手率均值超15%

D）三股Ai+了两种细分领域，分别是天娱数科、蓝色光标、财讯股份

第一，Ai+虚拟数字人

（1）拓尔思，市值228.5亿，2023股价大涨145.14%，软件开发

（2）捷成股份，市值166.3亿，2023股价大涨42.06%，影视院线

（3）蓝色光标，市值242.6亿，2023股价大涨92.87%，广告营销

（4）天娱数科，市值108.7亿，2023股价大涨68.03%，游戏

第二，Ai+电商

（1）联络互动，市值95.1亿，2023股价大涨57.19%，互联网电商Ⅲ

（2）青木股份，市值45.9亿，2023股价大涨82.04%，互联网电商Ⅲ

（3）光云科技，市值88.3亿，2023股价大涨162.53%，IT服务

第三，Ai+游戏

（1）昆仑万维，市值481.8亿，2023股价大涨181.4%，游戏

（2）三七互娱，市值622.6亿，2023股价大涨55.08%，游戏

（3）汤姆猫，市值267.6亿，2023股价大涨141.59%，游戏

（4）天娱数科，市值108.7亿，2023股价大涨68.03%，游戏

第四，Ai+医疗

（1）思创医惠，市值50.6亿，2023股价大涨27.39%，IT服务

（2）朗玛信息，市值50.0亿，2023股价大涨33.45%，IT服务

（3）创业慧康，市值158.3亿，2023股价大涨29.2%，软件开发

（4）润达医疗，市值91.6亿，2023股价大涨56.28%，医药商业Ⅲ

第五，Ai+营销

（1）易点天下，市值138.2亿，2023股价大涨56.49%，广告营销

（2）蓝色光标，市值242.6亿，2023股价大涨92.87%，广告营销

第六，Ai+办公

（1）金山办公，市值1808.2亿，2023股价大涨48.21%，软件开发

（2）福昕软件，市值85.2亿，2023股价大涨106.98%，软件开发

（3）致远互联，市值74.2亿，2023股价大涨39.42%，软件开发

（4）彩讯股份，市值140.2亿，2023股价大涨107.08%，IT服务

第七，Ai+5G消息

（1）初灵信息，市值46.4亿，2023股价大涨97.01%，IT服务

（2）梦网科技，市值119.2亿，2023股价大涨32.32%，通信服务Ⅲ

（3）彩讯股份，市值140.2亿，2023股价大涨107.08%，IT服务

第八，Ai+绘画

（1）万兴科技，市值100.0亿，2023股价大涨162.33%，软件开发

第九，Ai+视频

（1）大华股份，市值681.9亿，2023股价大涨98.76%，计算机设备Ⅲ

（2）当虹科技，市值67.4亿，2023股价大涨122.94%，IT服务

（3）数码视讯，市值99.9亿，2023股价大涨45.93%，IT服务#chat GPT##头条股票#

EDA：半导体“卡脖子”关键环节，产业格局梳理

EDA行业具有“芯片之母”的地位，贯穿半导体产业链各个环节。

EDA是芯片生产环节中的第一环，一旦EDA产业链基础出现问题，整个集成电路产业都会受到重大影响。

同时，EDA是高研发投入的产业，技术壁垒明显容易形成封锁，是最容易被外国“卡脖子”的关键领域。

早在2020年5月，美国政府在升级对华为的制裁时就禁售了含美国技术的软件，其中，EDA的禁售影响最大，直接限制了华为海思高端芯片的设计能力。

随着近年来国内自主可控相关政策相继出台，国产EDA市场空间在渗透率和国产化率双重提升驱动市场快速扩容，行业高速增长且国产替代空间广阔。

根据SEMI预测数据，2026年中国EDA市场规模将达到197.67亿元，2021-2026年CAGR预计为20.4%，整体增速高于全球平均。

01

EDA行业概览

EDA是电子设计自动化的简称，是半导体产业链的上游支撑层。指利用计算机辅助设计软件，完成超大规模集成电路芯片的功能设计、综合、验证、物理设计等流程的设计方式。

除了芯片生产的最初设计阶段，EDA软件还广泛应用于集成电路设计与制造链条的中游封装、测试等环节，对行业发展产生重要影响，是IC产业发展的基石。

EDA软件是算法密集型的大型工业软件系统，其开发需要涉及到计算机、物理、数学等多方面知识。

由于芯片设计更迭速度不断加快，EDA软件公司需要不断加大研发投入，确保技术领先。同时，EDA巨头们正是凭借大量的知识产权保持领先地位。

EDA身处产业链的最前端，终端大厂面临的下行压力需要经过渠道供应商、Fabless设计厂商和晶圆厂再传导到EDA公司。因此，EDA的波动幅度明显与整个半导体的下行周期存在一定的滞后效应，相应经过一层层传导后，EDA厂商受下行压力冲击的程度也相应减弱。

EDA赛道的整体成长性和投资回报优于行业整体，且整体周期性波动小于行业整体。

资料来源：行行查

02

EDA产业链

EDA不仅是软件，更是芯片设计和制造流程的支撑，同时，EDA工具升级换代、新型算法开发均需要产业链上下游的合力支持。

芯片设计的先进工艺是由晶圆厂、设计公司和EDA软件厂商共同推进的成果，因此产业链协同是EDA发展的保障。

芯片设计厂商运用EDA厂商提供的EDA工具完成设计，将得出的版图GDS-II文件发送至制造厂商。芯片制造厂商负责生产芯片并向设计厂商提供反馈数据，EDA厂商协助制造厂商开发工艺并生成PDK。芯片制造厂商促进EDA工具工艺库完善，EDA技术升级驱动集成电路制造效率提升，两者形成双向正循环。

EDA产业链包括上游基础软硬件开发商、中游EDA软件开发商及下游集成电路产业链。

上游硬件设备与软件工具已发展成熟；基础软件市场处于寡头垄断竞争状态，国内市场份额多由外资企业主导，相比于硬件市场，EDA企业对此的议价能力较弱；下游为集成电路设计、制造、封测，中国在封测环节技术水平已达到发达国家水平，其它环节与国外先进技术差距较大。

EDA产业链：

资料来源：亿渡数据、行行查

03

EDA市场格局

全球EDA市场集中度较高，头部企业可以较低的成本从芯片公司获取测试数据，从而不断巩固优势以实现飞轮效应。

当前EDA软件的竞争格局清晰，国际三巨头Synopsys（新思科技）、Cadence（楷登电子）和SiemensEDA占据绝对主导地位，市场占有率合计高达近70%。

美国在上游设计工具、核心IP以及制造设备等领域有着强大的影响力，尤其是在EDA领域。

三巨头中前两家都是美国公司，且新思半导体、楷登电子竞争力较强，能够覆盖电子设计全部流程。

全球EDA主要竞争格局：

2008年以来，国内EDA领域也涌现了华大九天、概伦电子、广立微等公司。

国产EDA厂商距第一梯队还有一定差距，华大九天与其他几家企业，在部分领域拥有全流程工具或具有领先优势，在部分细分领域具有优势，个别点工具功能强大。

华大九天是世界唯一提供全流程FPD设计解决方案的供应商，拥有模拟电路、平板显示电路全流程EDA工具系统，部分工具已能够支持最先进制程；概伦电子在SPICE建模工具及噪声测试系统方面技术处于领先地位；广立微在良率分析和工艺检测的测试机方面具有明显优势。

国内EDA产业链布局厂商中还包括芯华章、芯行纪、行芯、立创EDA、超逸达、全芯智造、芯瑞微等。芯华章发布了四款拥有自主知识产权的数字验证EDA产品，以及统一底层框架的智V验证平台，在实现多工具协同、降低EDA使用门槛的同时，提高芯片整体验证效率；芯行纪着力于自主研发符合3S理念的数字实现EDA平台，包含新一代布局布线技术，同时提供高端数字芯片设计解决方案；

国产EDA厂商布局：

资料来源：亿渡数据

EDA行业重要性高、基础性强，但市场规模只有百亿美元左右，仅相当于整个芯片行业销售额的2.5%。行业规模小但能量大，支撑的是超过3万亿美元的IT大产业，是整个半导体产业链皇冠上的明珠。

从EDA行业本身来看，结合目前IT技术的发展，当前主要有两大趋势：一是通过云计算提升软件本身的计算能力，并利用云端海量存储资源实现全过程数据整合分析；二是基于海量数据通过人工智能、机器学习等技术对原始设计进行优化，提高性能，降低功耗。对计算性能持续更高的要求以及芯片生产工艺的不断升级均驱动EDA行业持续快速成长

华为“盘古”首个多模态千亿AI大模型上线在即，产业链上市公司一览

作者：科创联盟在线

财联社4月1日讯（编辑 笠晨）华为于3月31日正式发布了其2022年年度报告，收入增长0.9%，达到6423亿元。其中，2022年数字能源收入为508亿元，云计算业务为453亿元，ICT基础设施业务3540亿元，终端业务2145亿元。

华为近日宣布即将推出其最新的盘古大模型4，将是超过任何其他类似应用的最先进、最强大的自然语言处理应用。根据华为云官网显示，华为即将上线的“盘古系列AI大模型”分别为：NLP大模型、CV大模型、以及科学计算大模型。其中，盘古“NLP大模型”是被认为最接近人类中文理解能力的AI大模型，而盘古“CV大模型”首次兼顾了图像判别与生成能力。

国盛证券刘高畅等人在3月26日发布的研报中表示，盘古NLP大模型是业界首个千亿参数的中文预训练大模型；盘古CV大模型业界最大CV大模型、首次实现兼顾判别与生成能力、在ImageNet上小样本学习能力上的业界第一；盘古气象大模型提供秒级天气预报；紫东.太初是全球首个图、文、音三模态大模型。

上海证券陈宇哲在3月25日发布的研报中表示，在早前的华为开发者大会上，华为曾宣布盘古大模型是业界首个千亿级生成与理解中文的NLP大模型，分析师认为未来有望成为国内最强的Chat GPT应用。华为将围绕“鲲鹏”与“昇腾”打造的两个基础芯片族，构筑异构的计算架构。

东吴证券王紫敬等人在3月27日发布的研报中表示，华为盘古大模型的优势在于人才储备和算力自主可控，有望成为国内领先的大模型，其生态产业链标的有望迎来加速发展。相关标的方面，整机：拓息，四川长虹，神州数码，同方股份，广电运通，紫光股份。固件：卓易信息。操作系统：麒麟软件（中国软件），统信软件（诚迈科技），麒麟信安。数据库：海量数据。

中间件：东方通，宝兰德。应用落地。金融行业：软通动力，润和软件，常山北明，中科软；智慧城市：云从科技；交通：千方科技，中远海科；ERP：用友网络，汉得信息，赛意信息；工业软件：能科科技，中望软件；办公软件：金山办公。

国盛证券认为，华为盘古为首个多模态千亿级大模型，有望赋能百业。在华为AI领域，推荐大模型端侧应用落地：润和软件、常山北明、软通动力、云鼎科技、中科星图。推荐昇腾硬件伙伴：神州数码、拓息、广电运通、四川长虹。

具体来看，润和软件基于昇腾AI基础软硬件平台，打造危化品存储室智能安全管控解决方案，帮助危化品存储操作实现智慧安全分析。常山北明为昇腾应用软件伙伴，共同推进人工智能产业繁荣发展，明确在金融、互联网、电力等领域的全方位合作意向。软通动力深耕数字创新服务+AI赛道，打造了完整的技术创新体系及创新的AI技术能力和团队，并成立了专注于AI领域的人工智能研究与创新中心(AIC)，基于昇腾AI推出的AI端云一体化产品也已发布。

云鼎科技联合华为公司煤矿军团、华为云、2012实验室，就AI在煤矿领域的应用展开合作，依托华为在AI算法方面的技术优势，结合云鼎科技在能源生产领域的业务实践，共同研究AI算法模型在能源生产领域的应用。

神州数码子公司神州鲲泰，依托自主创新和生态体系，为客户提供端到端的信创全产业链解决方案。拓息子公司湘江鲲鹏依托自主创新的研发基地、先进智能的制造基地和开放共享的应用实验室，在智慧城市等重点行业进行全面应用，联合华为在湖南打造首个“硬件+软件”的鲲鹏生态基地。

广电运通子公司广电五舟，提供国内高性能计算产品及解决方案、云服务器全系列产品、边缘计算和软硬一体化产品、智能计算产品、自主研发的存储产品和行业解决方案，产品广泛应用于政府等行业及领域，业务遍及全国。四川长虹子公司华鲲振宇，聚焦“新计算新存储”基础设施应用，打造基于“鲲鹏+昇腾”处理器的自主品牌“天宫”系列计算产品。

值得注意的是，由于盘古大模型拥有超大规模的参数，需要消耗大量的计算资源和存储资源进行训练，因此训练成本较高。业内人士表示，尽管盘古大模型在中文语言的处理方面具有很高的准确度和质量，但是在语义理解方面仍存在一定的局限性，尤其是在处理复杂的语言结构和语义推理方面。

目前，国内外许多企业都在研发超大规模的AI模型，盘古大模型在这个领域面临着激烈的竞争压力，需要不断优化和提高模型的性能和质量，才能以保持在市场中的领先地位

GPT的硬件引擎：AI算力芯片那些事儿

Q：GPGPU和ASIC芯片在AI算力中分别承担什么样的角色？

A：早期开放框架基于GPGPU架构实现，因此软件生态更为成熟，对于初级客户来说，上手使用更加方便。GPGPU的通用性也更好，架构更加适合AI中针对模型的训练以及针对通用模型的部署。对于ASIC芯片来说，如果客户对于模型有深度的研究，也有能力对模型进行特殊的定制化处理，那么ASIC芯片的产品和解决方案有更高的性价比。ASIC芯片由于模型中特殊算子、特殊结构已经完成了硬件的固化，因此对于一些较大的改动，或是一些与硬件架构强相关的计算来说，可能会存在一定的限制。

总体来说，如果模型已经比较成熟，改动都在有限的范围内，那么IC芯片具有更高的性价比，但如果是一个初步的模型，未来需要不断地演进和完善，那么GPGPU是更合适的。

Q：市场上主要关注的AI算力芯片，尤其是海外厂商，如英伟达，都是GPGPU吗？

A：对，市场上主流的AI加速设备，GPGPU大约占了90%的市场份额，剩下的10%是一些FPGA、ASIC类的产品。

Q：如果换一个角度理解的话，我们现在所处的阶段还不成熟，所以更适合通用性强的GPGPU，如果发展成熟之后，才会需要更多的ASIC芯片。

A：这分为两部分解释。

第一，传统的AI相对于目前的大模型来说，可以称之为是小模型的AI，比如早期的CV算法（人脸识别、语音识别、自动应答），这些模型的体量很小。而这个时期的模型很多都是基于英伟达的CUDA生态开发的，使用的框架（如PyTorch、Tensorflow）只是利用了一部分，还有一部分是直接调用CUDA的，这个阶段GPGPU是最合适的。如果现在客户的主营业务还是在这个层面上，那么GPGPU会更加适用。

第二，如果客户模型已经基本固化，不会发生大的变化，那么在这种情况下可以采用ASIC，ASIC芯片可以针对它原有的模型做深度的定制化。但是大模型有一定的区别，大模型更加依赖框架，比如Tensorflow和PyTorch，而对于CUDA生态的依赖非常小，在这种情况下，GPGPU和ASIC的重要性的差距就变得很小。这个时候，用户更加关注芯片对于框架的支持和性价比，不存在CUDA产生的影响。 

Q：国内的大模型主要使用GPGPU还是ASIC？

A：目前能运行大模型训练的只有GPGPU，如英伟达的A100、A800、H100、H800，效率也是最高的。目前ASIC没有大规模的部署，很多ASIC的厂家集中在国内，这些厂商处于早期的阶段，产品不够成熟。但是在一些场景中，我们经过测试发现，ASIC支持大模型的效率高于GPGPU。 

Q：国内的厂商，寒武纪、景嘉微、海光信息和昇腾，性能达到了海外什么层级的水平？

A：第一，景嘉微。我们认为景嘉微不是做AI芯片的厂商，景嘉微的产品目前只能用于图形处理、图像渲染，未来可能能实现光线追踪。目前景嘉微最好的JM9系列产品，大概达到英伟达GTX 1050的水平，只能算入门级GPU。

第二，寒武纪。寒武纪最好的产品是思元590，这款产品在文心一言中有小规模的部署，大概几百件，并且也只是文心一言中众多业务场景的一小部分，没有实现大规模部署。我们认为寒武纪的产品只能用于大规模推理中的一小部分场景，还不能做大模型训练，还有许多需要弥补的地方。

第三，华为昇腾。华为昇腾只能用于华为自身生态中的大模型业务，通用性差。比如昇腾不能做GPT-3，因为昇腾910不支持32位浮点，而目前大模型训练几乎都要使用32位的浮点，所以华为昇腾芯片只能利用华为开发的框架（如MindSpore），在加上优化好的大模型，比如盘古CV。任何公开模型都必须经过华为的深度优化才能在华为的平台上运行，而这部分优化工作华为还没有开始，所以我们现在认为华为只能运行自己闭环的大模型产品。

第四，海光信息。海光的深算1号可以运行大模型，目前正在开发深算2号。深算1号相当于英伟达的P100的水平，但是性价比低，即便在openai最早训练GPT-3的时候，也采用了V100芯片。此外，海光信息还存在迭代问题，因为海光信息只拿到了AMD第一代GPGPU的授权。

Q：P100相当于那一年的产品？

A：大概是2014-2015年的产品。

Q：目前海光信息是可以排在第一梯队吗？

A：对，海光的芯片可以运行通用的大模型，只是效率比较差。第二位应该是华为的昇腾910，但是只能运行华为自己优化后的大模型。寒武纪只能运行大模型的推理。景嘉微不属于这个市场。 

Q：其他AI芯片厂商有什么比较重要的吗？

A：沐曦，今年6月会发布第一款AI训练产品C100，但是还需要经过一些内部的调试、软件适配等，预计在今年年底会对外发布。目前来说，从公布的性能指标来说，C100接近于英伟达的H100的水平。壁仞，最早的一代产品BR100，本身指标是对标H100的，但是由于美国商务部的禁止条款，壁仞必须把互联带宽降低一半，因此产品要重新设计，影响产品进度，并且性能也受到了影响。目前BR100还在内幕测试过程中，距离真正的批量使用大约还需要半年的时间。天数智芯的芯片只能勉强做大模型推理。百度的昆仑芯只能勉强用于大模型推理，并且是基于Paddle平台的，通用性差。 

Q：是不是目前最值得期待的就是沐曦的产品？

A：对，从团队背景来讲，沐曦的团队背景经验是最丰富的，沐曦的一些核心人员，是参与AMD的MI100、MI200产品开发的，这都是AMD目前最主流的GPGPU产品。从产品规划来看，沐曦产品对标H100，未来实现量产大概与英伟达只有一代左右的差距，因此目前来看是与英伟达最接近的。壁仞还需要再观察BR100的应用情况，因为受到美国商务部禁止，目前还没有看到具体的性能表现。 

Q：如果景嘉微和沐曦合作，是否能获得长足的进步？

A：应该可以。首先，这两款产品的底层架构是GPU，景嘉微是传统GPU，沐曦是GPGPU，存在互相借鉴的可能性。如果景嘉微采用了沐曦的产品和技术，那么就能从传统GPU市场一下跃升到AI市场。 

Q：AI芯片的门槛应该是非常高的，为什么会有这么多初创型的企业涉足这个领域？

A：首先，AI芯片设计的门槛不是很高，比如GPGPU架构上没有什么高深的要求，而且很多核心部件、核心功能模块都有现成的IP，比如总线接口PCIE、内存以及内存控制器的HBM、DDR、GDDR。很多加速的组件都有现成的内容，可以用成熟的产品代替。所以唯一要做的就是把内部的逻辑加速单元整合起来，发挥对AI计算的优势，所以硬件上门槛不是很高，但是软件门槛很高。因为在小模型的时代，软件必须解决兼容扩大的问题，还要发挥硬件本身的设计性能。在大模型时代，就要做好对于一些框架的支持，所以我们认为设计AI芯片，从技术角度上来说难度不高，主要在于是否拥有整个软硬件的整体设计能力。根据市场上现有模型以及前景模型的内部架构需求，设计硬件的底层，这样才能实现效率提升。否则如果硬件完成，用软件弥补硬件设计的失误，那么就需要消耗很多的软件资源，硬件的效率也不能充分发挥。这些初创企业都是从硬件着手的，门槛并不是非常高。 

Q：那这些企业是自主可控的吗？

A：不是纯粹的自主可控，因为一些核心IP都是国外的产品，并且企业依赖台积电。

Q：如果抛开流片不谈，只看设计方面，会不会受到美国限制？

A：会，因为这里面存在几个核心的专利，比如PCIE，目前掌握在cadence和Synopsis这样的公司手里，都是美国公司。HBM基本上只来自于三星、海力士和镁光，如果美国商务部有禁令，这些企业都不能向中国企业提供产品。纯国产化在这方面的确没有相应的积累，所以会被美国卡脖子。 

Q：海光是否能做到不受影响？

A：第一个问题是海光在美国禁运产品名单中，所以海光投片只能通过第三方代理公司，导致投片价格会偏高、产能会不足。第二个问题是海光拿不到新一代架构的授权，限制了海光产品迭代，可能会与海外主流产品代差越来越大，这是海光最大的问题。

Q：海光当前的架构是买断的吗？

A：对，这一代架构不会侵权，唯一要解决的是产能供应链的问题。 

Q：昇腾、寒武纪、沐曦这三家企业会不会涉及到海外侵权的可能性？

A：昇腾不涉及，因为昇腾涉及的IP都是买断的，但是昇腾面临下一代产品更迭的问题，新一代IP没法拿到海外厂家的支持，所以昇腾全部的IP都需要国内的替代，但是国内目前还非常不成熟。目前昇腾920和昇腾910差距不大，只是生产工艺使用了中芯国际的14纳米工艺。沐曦目前不在美国商务部的黑名单中，用的很多核心是国外的厂家的，所以如果沐曦严格遵守美国高端芯片的条款，短时间内不存在风险，还是可以用国外的IP和台积电。 

Q：中国的算力芯片对于美国的英伟达巨头来说，是否还有追赶的可能性？差距是否在缩小？

A：差距在一点点缩小，但是缩小的难度会越来越大。如果英伟达仍然保持每十个月发布一代产品，对于中国厂商来讲，可能差距会慢慢增大。因为硬件的迭代投入是巨大的，风险也很高，中国厂商没有雄厚的资金投入，所以追赶有一定的难度。所以如果英伟达产品发布节奏不变，那么这个差距可能会越来越大，尤其是在美国商务部存在很多禁令的约束情况下。 

Q：英伟达的CUDA在未来AI算力芯片中是越来越重要还是不重要？

A：在小模型上CUDA仍然很重要，但在大模型上它的地位越来越轻了。如果未来中国市场以小模型为主，那CUDA还是有很大的影响力，而如果是以大模型为主，对于CUDA的依赖就越来越小了。 

Q：能否简单介绍一下为什么大模型对于CUDA的依赖小？

A：大模型底层基于transformer的架构，增加参数和层数。而transformer是完全基于框架实现的架构，并没有使用CUDA的特殊算子，所以不需要必须兼容CUDA。而小模型早期都调用了CUDA的算子，所以是绕不开CUDA的。

Q：国内大厂的大模型底层算力是什么？

A：他们的底层算力都是英伟达的，比如V100和A100。

Q：V100、A100的存量还有多少？

A：目前腾讯、字节、百度的存量都不超过2000片，只有阿里大约能够过万。

Q：那华为情况呢？

A：华为只有自己的昇腾910，围绕盘古。目前比较流行的GPT-2、GPT-3都无法运行。 

Q：这是不是说明华为的算法是自研的？

A：对，华为基于开源的算法，针对昇腾910的特性做了很大程度的优化。

Q：GPT的训练和推理需要多少算力？

A：以GPT-3为例，openai训练使用了一万张A100，训练了14.8天左右。使用A100类似的产品，如果以512张卡来训练，大约需要3个月；如果用1024张卡，大约需要1个月；如果用2000张卡，大约需要18天左右。GPT-3或者说ChatGPT，对于每个用户的请求大约需要5张类似A100的卡进行推理，随着并行客户增加，硬件需求线性增加。 

Q：如果GPT-4大概量级有多大增长？

A：目前没有公开宣传，我们估计大约需要2万-3万张A100，训练一个月左右的时间。 

Q：这些比例都是线性的吗？

A：对，GPT-4和ChatGPT训练的数据集没有太大变化，最大的变化是参数发生变化，算力增加完全依据模型参数增加的比例，数据量大概还是四十多T，没有太大变化。 

Q：在中国的算力需求怎么样进行量化？

A：目前国内最大的模型是阿里达摩院的M6，拥有十万亿个参数，体量是最大的。对于大模型训练的场景，国内厂家只能用很短的时间做一次大模型训练，没有专门的训练场景，对于推理来说资源更加紧张，所以目前百度不能广泛地、免费地提供服务。目前国内的模型比国外差，但是参数、体量对算力的消耗不相上下。所以目前国内模型品质差，数据集不足，并且算力与海外相差甚远。 

Q：假设十个大厂要做大模型，可能每家需要2000片A100，换算到国内芯片再乘上一个参数，比如1.5-2，大概是3000-4000片，那么十家就是3万-4万片，可以这样理解吗？

A：2000片A100训练GPT-3（不是ChatGPT），大约需要一个月，存在时间代价。目前国内芯片的整体性能只有A100的一半左右，那么大概需要4000片，十个厂商是4万片，这个是正确的。

Q：这需要花多长时间？

A：一般这种训练都是十几天。一个很重要的前提是，国内的产品稳定性都必须绝对高，如果在大模型训练过程中，中间出现一两个节点的宕机，以及一两个节点计算失效，那么这个大模型就要推翻重来一次。一般训练过程中都需要checkpoint保存结果，如果稳定性不好，第一次checkpoint都做不到，就没法实行了。如果产品不稳定，那么大模型训练的时间就会很长。国内某家大模型，最早做训练的时候使用了2400片左右的A100，大概训练了8天左右。后来他们觉得资源耗费大，就去海光平台做训练。海光提供了6万片，用了一个月没训练完成，主要原因就是海光芯片出现掉线的问题。产品稳定性是需要时间打磨的。 

Q：这个稳定性、可靠性不是算力本身，更取决与生态和软件？

A：取决于软件和工程能力。在运行过程中，需要解决很多BUG，还有软硬件结合，中间会不会有很多冗余的机制。这些都需要时间和成本作为代价，但是商业客户一般不会给这个机会。我们认为，如果中国想要发展大模型，那政府的介入是不可或缺的，政府介入可以给企业带来资金支持，从而使企业生产更多的产品，或者是让一些企业有意愿部署大规模的算力。其次，政府需要补贴帮助第三方做大模型开发的企业，让他们有意愿在新平台尝试。 

Q：AI算力芯片折旧一般是多久？

A：一般2-3年，最长不超过5年。

Q：国内的高端算力芯片是不是很快就报废了？

A：是的，从2019年开始，算力需求每10个月会翻一番，对于企业来讲，他们更愿意追求高算力的硬件产品，对于老产品就会慢慢从业务中剥离。

Q：所以在一两年后，高端算力芯片会面临非常短缺的状态？

A：即使目前AI的算力芯片对于很多大厂来说也是非常短缺的。 

Q：AI算力芯片未来是否会演变成寡头垄断？

A：对，不会做到百花齐放。因为在不同应用场景下一家独大，对于整个生态的影响和标杆作用非常明显。如果一家企业有意愿选择替代解决方案，往往要求产品比主流厂家有1.5-2倍的性价比优势，这个对于初创型企业是一个非常大的门槛。 

Q：国内的AI算力芯片市场，您看好哪些企业？

A：华为，拥有完整的解决方案，在某些应用场景下是能做的。沐曦、壁仞，他们从硬件架构到软件方面，相对来说在国内厂商中脱颖而出。互联网厂商的投入，比如阿里达摩院投入了一款GPGPU产品，宣传指标大概是A100的两倍，互联网企业有应用场景，也有雄厚的资金支持。 

Q：央国企有可能吗？

A：央国企比较难。第一，AI芯片需要较大的人员投入，组建团队的成本比较高。第二，央国企面临没有积累的问题，从无到有的跨越难度是很大的饿。如果国家拿出资金专门组建团队研发，未来2-3年可能会打磨出一款比较合适的产品。如果政府没有扶持的话，央国企不会做这种投入。 

Q：6万片海光GPU出现宕机的情况，是因为运行问题吗？

A：对。第一，海光这代产品时AMD第一代产品，本身没有经过大规模部署和验证，所以存在硬件上的不稳定因素。第二，配合产品需要一个非常稳定软件架构，但是目前运营方开发能力不足。随着集群规模增大，出现错误的风险也增大，而企业很少遇到大规模一次性使用的场景，所以产品不够成熟。 

Q：硬件上什么量级的芯片会导致中断？

A：如果单片发生单点故障，那么在检查点和出现故障之间的这部分业务就失效了，需要重新计算。 

Q：说明断电数目很多？

A：对，断电数很多并且不定时随机出现，产品之间的稳定性不一致。

Q：下一代海光的硬件和软件更新后的效果是什么？

A：深算2号首先要解决生产问题，有一些提升，但是没有解决硬件稳定、可靠性问题。此外，由于修改制程，还可能存在一些新问题。并且，如何解决大规模并行环境下的可靠性问题，海光没有太多的试验场景。 

Q：对比英伟达的2400片A100，断点大概有多少？

A：总共宕机3次。

Q：所以二者的差距还是很大的。

A：对，并且宕机3次，8天左右的时间计算完成了。海光的产品中间宕机不断，一个月都没有完成。 

Q：芯片宕机是不可预知的吗？所以也没有很好的规避方法？

A：对。硬件规避有一定的难度，因为需要纯粹地提高硬件设计，比如信号质量和出现问题后的快速恢复。所以更需要软硬件结合，比如软件要随时检查硬件是否正常运行，如果出现宕机能否及时保护现场。 

Q：软件是海光自己设计吗？

A：不是，应该是由平台使用方来设计，海光只提供硬件的驱动和接口。

Q：寒武纪会面临随机宕机的问题吗？

A：寒武纪的产品目前不能用于大模型下，所以没法判断。主要是应用在推理场景，如果出现宕机，只是会导致推理失效，那么可以重新加载，用户端反馈只是一定的延迟，影响不明显。

Q：寒武纪的思元590参数指标比海光的Z100要好，为什么不能进行大模型训练呢？

A：大模型训练需要几个前提。第一，需要有充足的算力，这方面问题不大。第二，需要有较大的内存放置大模型，寒武纪的卡相对内存容量较小，但是这不是主要问题。第三，片间互联的解决方案，寒武纪要比海光差。最重要的，寒武纪对于Tensorflow和PyTorch框架支持不好，不稳定，如果要运行大模型，需要额外的开发工作量。

Q：华为昇腾会面临随机宕机的问题吗？

A：会。但是华为的全套都是自己做的，比如管理平台和框架，所以有一套完整的闭环的解决方案。 

Q：如果海光向阿里、百度等厂商，也会存在这样的问题吗？

A：会有所改善，因为百度和阿里在大规模集群调度和部署上具有经验。但是由于海光的产品性能较差，性价比也比较低，因此百度、阿里不会考虑海光的产品。

Q：如果A100的库存用完了，他们宁愿买H100被阉割的芯片，也不会买国产芯片吗？

A：不一定。如果国产算力芯片整体性价比能够达到英伟达60%-70%，就有购买的意愿，但是目前还达不到。

Q：目前国产芯片能达到多少？

A：如果和英伟达比，大约是30%。对于寒武纪，硬件指标大概接近A100，价格比A100低，但是寒武纪的供应链很紧张，没法提供大规模的部署，并且开发需要大量人力配合客户开发，寒武纪不一定有意愿投入。 

Q：所以目前来看，国内要做大模型，还是要买英伟达的阉割版芯片吗？

A：对。国内几家头部互联网厂家都向英伟达下了1.5万-1.6万的A800和H800订单，每家的金额在十几亿美金左右。大概保证在2024年能有足够的产能。留给国内厂商的时间不多，既要解决性能问题，也要解决软件兼容问题，难度很大。国内厂家更多关注大模型的推理场景。 

Q：推理方面一个用户需要5张A100，那么一亿个用户呢？

A：以chatGPT来讲，需要5张A100才能满足一个客户的一次性。线性叠加指的是并行，以谷歌为例，并行量每秒钟大概是20万次，未来GPT大概在4-5万次。

Q：如果按照十万次算，那就需要五十万张A100吗？

A：对，但是平时可能没有这么多的人。即便是峰值，不一定必须给客户实时响应，延迟几秒钟是没问题的。 

Q：推理卡必须要用A100吗，还是性能低一点的也可以？

A：如果算力接近A100，1秒钟大约生成15-20次，可以满足需求，可以多片集成到一起，所以低端卡可以做到。

Q：所以国内厂商在训练卡上基本上放弃，集中在推理卡上？

A：对。目前大家没有计划做训练，专注在推理上，因为推理的难度较小。昆仑芯大概每秒钟产生3-4个词，那可能延迟在十几秒，对于用户来说不是完全不能接受。

Q：推理卡您觉得国内哪个厂商做的最好？

A：目前还没有大规模部署，所以暂时没法评价，目前大家都在尝试。

Q：国产FPGA企业能否进入AI产业？

A：对于小模型来说，体量小，占用内存小，是可以进入的。FPGA支持浮点，但是需要消耗额外的资源，并且算力也受限。此外，FPGA如果需要门阵列存储，也非常消耗资源。但是对于大模型来说，完全不可以，因为数据类型不符合，内存空间太小，也不支持片间并行。

Q：中国能否通过数据差异化建立比较优势？

A：国内企业在大模型上正探索两条路。第一，能否用大模型裁剪出小模型，应用到特殊场景，就可以解决算力的需求问题。第二，做一些数据方面的工作，但是目前中文数据有先天不足，找不到对中文逻辑深入分析和预判的语义库。其次，国内数据存在孤岛问题，对数据集的体量造成了影响。此外，国内的数据存在很多政治因素，有些东西是不能查询、不能回答的，就导致整个数据的质量下降。如果这些问题不能解决，用数据方面弥补是不现实的，想达到国外大模型在中文方面的水平都很困难。 

Q：中国的大模型数据集与国外是不同的吗？

A：对。国外的大模型针对中文数据做了一部分训练，但是比例很小，不到1%。此外，国内的数据集都是针对各家自己的数据进行训练，不是通用的。还有就是国内目前依赖翻译，将内容翻译成英文，再借助英文语义进行推理，文心一言就是这样，最后反过来进行中文输出。 

Q：百度的数据质量在大厂里面已经算好的了。

A：百度相对来说，做的更多是通用的数据训练，而其他厂商都是针对特定场景做了训练，比如阿里的M6就是针对淘宝、支付宝客服，没有通用型的

2023年A股各行业龙头股

数字经济核心龙头股

芯片产业链

1、

EDA软件

概伦电子、华大九天、广立微

2、

FPGA

安路科技、复旦微电、紫光国微

3、

CPU/GPU和AI芯片

海光信息、龙芯中科、寒武纪

4、

设备

（1）光刻机：上海微电子（未上市，张江高科持股）

（2）刻蚀机：中微公司、北方华创

（3）薄膜沉积设备：北方华创、拓荆科技

（4）原子层沉积设备：拓荆科技

（5）化学机械抛光设备：华海清科

（6）清洗设备：盛美上海、北方华创、芯源微

（7）离子注入机：万业企业

（8）涂胶显影设备：芯源微

（9）去胶设备：屹唐股份（拟上市）、北方华创

（10）热处理设备：屹唐股份

（11）前道量测设备：精测电子、赛腾股份（收购Optima）

（12）测试设备：长川科技、华峰测控、金海通

（13）探针台：和林微纳、长川科技

（14）零部件：新莱应材、华亚智能、富创精密

（15）固晶机：新益昌

补充：至纯科技（清洗设备，拓展炉管、涂胶显影设备等）、亚翔集成和圣晖集成（洁净室工程）

5、

材料

（1）硅片：沪硅产业、神工股份、立昂微

（2）电子特气：华特气体、南大光电、金宏气体、雅克科技、昊华科技、巨化股份

（3）掩模版：路维光电、清溢光电。上游材料供应商有菲利华和石英股份

（4）抛光垫：鼎龙股份

（5）抛光液：安集科技

（6）光刻胶：晶瑞电材、南大光电、彤程新材、上海新阳、容大感光、华懋科技

（7）湿电子化学品：江化微、格林达

（8）溅射靶材：江丰电子、阿石创

（9）第三代半导体材料：三安光电、天岳先进、露笑科技、东尼电子

6、

芯片设计

韦尔股份、汇顶科技、澜起科技、兆易创新、卓胜微、紫光国微、圣邦股份、北京君正、乐鑫科技、博通集成、全志科技、上海贝岭、国科微、富瀚微、中颖电子、景嘉微、富满电子、晶丰明源、华胜天成、纳思达

7、

晶圆代工

中芯国际、华虹半导体、华润微

8、

封测

长电科技、通富微电、华天科技、晶方科技

9、

存储

兆易创新、北京君正、东芯股份、佰维存储、聚辰股份、江波龙、德明利

10、

功率半导体

斯达半导、士兰微、新洁能、宏微科技、时代电气、东微半导、扬杰科技、闻泰科技、捷捷微电、华微电子、华润微

芯片国产替代

新能源

上游——原材料生产与加工

1、锂：赣锋锂业，天齐锂业，盛新锂能，融捷股份；

2、钴：华友钴业，寒锐钴业，海南矿业，天奇股份；

3、镍：兴业矿业，科力远，格林美；

4、碳（石墨）：永东股份，黑猫股份，碳元科技；

5、氢：卫星石化，金宏气体，金能科技；

6、稀：北方稀土，盛和资源，五矿稀土；

7、磁材：金力永磁，横店东磁，正海磁材，三环集团；

8、正极：德方纳米，丰元股份，容百科技，当升科技；

9、负极：杉杉股份，璞泰来，博迁新材，中科电气；

10、电解液：天赐材料，石大胜华，新宙邦，多氟多；

11、隔膜：恩捷股份，璞泰来，星源材质，中材科技；

12、导电剂：斯迪克，天奈科技；

中游——零部件生产与回收

1，电池：宁德时代，比亚迪，亿纬锂能，德赛电池；

2，电机：江特电机，宏发股份，国轩高科，潍柴动力；

3，电控：八方股份，利元亨，德赛西威，菱电电控；

4，电子：均胜电子，法拉电子，得润电子，通达动力；

5，车饰：拓普集团，宁波华翔，光启技术，常熟汽饰；

6，拆解：骆驼股份，华宏科技，格林美，天奇股份；

下游——汽车整车

整车： 比亚迪，长安汽车，北汽蓝谷，长城汽车；

充电桩：特锐德，易事特，英杰电气，中能电气。

绿色电力8个领域概念股

1、电力股：

长江电力、华银电力、长源电力、黔源电力、华能水电、华能国际、内蒙华电、华电国际、川投能源等

2、新能源运营商：

三峡能源、太阳能、节能风电、林洋能源、福能股份、中闽能源、林洋能源

3、能源互联网：

国电南瑞、国网信通、亿嘉和、南网能源、涪陵电力、宏力达、威胜信息、金智科技、正泰电器、良信股份

4、特高压：

平高电气、许继电气、国电南瑞、思源电气、特变电工、长缆科技、川润股份

5、光伏：

组件：天合光能、晶澳科技、隆基股份

胶膜：福斯特、海优新材

逆变器：锦浪科技、固德威、阳光电源、正泰电器

跟踪支架：中信博、意华股份

HJT：捷佳伟创、金辰股份、迈为股份

银浆：苏州固锝、帝科股份

靶材：隆华科技

6、风电：

金风科技、天顺风能、明阳智能、新强联、日月股份、金雷股份、运达股份、大金重工、东方电缆、中材科技、广大特材

7、储能：

派能科技、宁德时代、锦浪科技、固德威、阳光电源、德业股份、盛弘股份、永福股份、科士达

8、抽水蓄能：

中国电建、粤水电、豫能控股、桂东电力、浙江新能、新天绿能、湖北能源、国电南自、国电南瑞、中国电研、东方电气、永福股份、皖能电力、宁波能源、浙富控股

医药医疗各种细分龙头

医药行业“卖铲人”CXO企业

1.药明康德：临床前CRO/CDMO企业龙头。

2.康龙化成：临床前CRO企业龙二。

3.昭衍新药：临床前CRO企业，细分龙头。

4.药石科技：临床前CRO企业，细分龙头。

5.美迪西：临床前CRO/CMO企业。

6.泰格医药：国内临床试验CRO企业龙头，细分龙头。

7.博济医药：临床CRO企业。

8.药明生物：港股CDMO/CMO企业。

9.睿智医药：CDMO/CMO企业。

10.博腾股份：CMO企业。

11.九洲药业：CDMO企业。

12.凯莱英：CMO企业。

医药各类细分龙头

1.民族品牌药龙头 云南白药、片仔癀、东阿阿胶、同仁堂、九芝堂、江中药业、广誉远、贵州百灵（苗药）、寿仙谷（灵芝）、步长制药（心血管）、以岭药业（心血管）、沃华医药（心血管）、天士力。

2.全产业链龙头 复星医药、上海医药、白云山、华东医药、国药一致、中国医药。

3.创新药龙头 恒瑞医药（肿瘤）、贝达药业（抗癌）。

4.疫苗龙头 长春高新（生长素）、智飞生物（癌）、沃森生物（肺炎）、康泰生物（肺炎）、天坛生物（综合）、金赛药业（生长素、泡素）。

5.抗生素龙头 鲁抗医药、广生堂（乙肝病毒）、海思科、仟源医药。

6.输液制品龙头 科伦药业、莱美药业（注射）。

7.OTC龙头 华润三九、益佰制药（抗肿瘤）、葵花药业（儿童药）、华森制药。

8.原料药、辅料龙头 华海药业（原料）、山河药辅（辅料）、九典制药（综合）、黄山胶囊（胶囊）、美诺华（特色原料药）、山东药玻（药用玻璃）。

9.血液制品龙头 华兰生物、博雅生物。

10.独门药龙头 甘李药业（胰岛素）、通化东宝（胰岛素）、我武生物（舌下脱敏）、莎普爱思（滴眼液）、莱茵生物(植物提取液)、永安药业（牛磺酸）、千金药业（妇科）、海特生物（鼠神经生长因子）、恩华药业（中枢神经用药）、人福医药（麻药、避孕套）、中新药业（心脏、肠胃）、西藏药业(虫草)。

11.维生素龙头 新和成、浙江医药、兄弟科技、广济药业、亿帆医药、冠福股份。

12.保健养生药龙头 金达威(辅酶Q10)、启迪古汉(养生)、睿智医药(营养、带CXO)。

13.医药连锁龙头 益丰药房、老百姓、大参林、一心堂

人工智能：AI+产业投资机会梳理

AI+电子：

AI催生HPC硬件支持需求，加速电子全产业链高端化迭代。

CPU/GPU/FGPA：大算力芯片是AI发展的核心硬件要素，具备高国产替代紧迫性，建议关注：龙芯中科、海光信息、景嘉微、寒武纪、安路科技、复旦微电。

先进封装：目前制程提升性价比日益降低，先进封装成我国“弯道超车”关键路径，建议关注：长电科技、通富微电、华天科技。

PCB：更高的算力要求高性能高速的数据传输能力，PCB行业需求大幅增加，建议关注：沪电股份、鹏鼎控股。

存储芯片：数据处理量的提升同步带动数据存储量的指数型增长，并有望加速存算一体化趋势的发展，建议关注：兆易创新、聚辰股份、江波龙、恒烁股份、润欣科技。

XR：AIGC重要载体，进一步拓宽交互性，建议关注：赛腾股份，兆威机电、智立方。

IoT：受益AIGC持续发酵，边缘端芯片量价齐升，建议关注：恒玄科技、乐鑫科技、瑞芯微、全志科技、炬芯科技。

AI+计算机：

AI赋能千行百业降本增效，行业主要细分应用领域数智化变革提速。

对标海外，办公软件是大模型生产力赋能最直接的版块，建议关注：金山办公、福昕软件、万兴科技。

大模型加持企业服务软件成为每个人的商旅助手，建议关注：用友网络、金蝶国际、石基信息、赛意信息、汉得信息、能科科技。

工业软件从工具软件转变为降本增效的智能助手，建议关注：中望软件、品茗科技、广联达、广立微、华大九天、概伦电子。

资讯/应用入口类厂商除了受益大模型带来的降本增效效应，有望迎来被集成机遇，建议关注：同花顺、东方财富、卓创资讯、税友股份、通达海、金桥信息。

品牌手机/PC、社交软件、搜索引擎、电商平台仍是最主要的流量入口，平台型大厂生态可能扩容，建议关注：软通动力、润和软件、常山北明、神州数码、拓息、博思软件、三六零。

Aiot是多模态大模型下游的核心应用场景，视觉物联建议关注：海康威视、大华股份、萤石网络，家居机器人/可穿戴设备建议关注：中科创达、瑞芯微、闻泰科技、歌尔股份；

人形机器人建议关注：远大智能、京山轻机、绿的谐波。

反生成式AI及网络安全可能是另一条潜在主线，建议关注：深信服、启明星辰、安恒信息、信安世纪、奇安信、博汇科技。

AI赋能座舱人机交互体验优化、助力智能驾驶痛点问题解决，建议关注：中科创达、德赛西威、四维图新、经纬恒润、光庭信息、均胜电子。

AI+传媒互联网海外：

坚定拥抱AI大模型带来的产业革新，积极布局AI+应用标的。

百度文心大模型拥有先发优势，文心千帆推动大模型落地产业，下游的广泛应用或带来飞轮效应；腾讯混元大模型依托C端数据的丰富积累，广告类应用表现出色；阿里通义大模型凭借多模态能力，实现下游应用的降本增效；AI应用探索领先者包括：昆仑万维，汤姆猫，万兴科技，美图公司，中文在线等。从大模型竞争到“AI+应用”落地，数据版权场景用户等是护城河，建议寻找启动标的，布局安全标的，把握领先标的。

AI+医药/医疗：

开启智能加速提效时代。

多组学研究AI：以基因组/蛋白组/代谢组/宏基因组/转录组等为代表的基础大数据是疾病研究/新药研发/基因编辑/合成生物学等开发的价值量最大的数据宝库，AI的加持，有望加速我们对生命本源的认识，发现更多疾病发生发展的底层原因并提出解决方案，更快更好的改变工业用微生物/植物/动物以服务产业，建议关注：华大基因、华大智造、诺禾致源、贝瑞基因等。

新药研发AI：计算机辅助设计，蛋白结构预测，模拟分子筛选以及与真实世界与临床试验研究等已在新药研发有所应用，AI的加持下，有望加速新药的研发，满足未被满足的需求，建议关注：泓博医药，药明康德，成都先导等。

AI+辅助诊断（影像/病理/检验）：指运用人工智能技术识别及分析医疗影像/病理/检验，帮助医生定位病症分析病情/分析病理原因/快速形成诊断报告等，建议关注：影像-联影医疗/万东医疗等，病理-金域医学/安必平/麦克奥迪等。

AI+底层医疗数据基建：AI构建HIS和电子病例，整合医疗大数据解决方案，建议关注：嘉和美康、创业慧康，卫宁健康和健麾信息等。

AI+家电：

提升使用体验，重要C端落地应用场景。

家电板块是AI技术最重要的C端应用场景之一，其中扫地机为智能化程度最高、最有望率先显著受益的板块，投影、电视等智能显示产品亦可通过AI交互提高智能化及用户体验，推荐关注扫地机龙头科沃斯、石头科技、智能家居标的萤石网络、智能显示龙头极米科技、海信视像。

扫地机板块，AI模型快速迭代有望解决重要使用痛点，带来更好用的产品，建议关注科沃斯、石头科技。智能家居板块，AI加强交互能力，助力提升算法精确度，建议关注萤石网络。智能显示板块，AI助力智能化，全息影像有望落地，建议关注极米科技、海信视像。

AI+建筑：

提质增效开启新时代。

传统建筑行业作业流程一般为设计-施工-安装-装修，其中施工、安装属于劳动密集型环节，AI带来的影响相对较小；而设计端是集数据、技术及人才为一体的脑力劳动密集型环节，随着AI+的发展或给行业带来新的变革。对于有丰富项目经验、历史数据积累的头部设计企业，在数字化竞争阶段会更有优势，AI+的赋能有利于打破管理边界，带来市占率的进一步提升；AI+的普及应用会节约人工成本，提升管理效率，整体增厚企业利润。

从相关标的看，与AI相关的建筑公司主要集中在基建设计和房建设计领域；目前国内建筑设计龙头主要有华设集团、华阳国际、设计总院等。

报告节选：

产业链

1、

EDA软件

概伦电子、华大九天、广立微

2、

FPGA

安路科技、复旦微电、紫光国微

3、

CPU/GPU和AI

海光信息、龙芯中科、寒武纪

4、

设备

（1）：上海微电子（未上市，张江高科持股）

（2）刻蚀机：中微公司、北方华创

（3）薄膜沉积设备：北方华创、拓荆科技

（4）原子层沉积设备：拓荆科技

（5）化学机械抛光设备：华海清科

（6）清洗设备：盛美上海、北方华创、芯源微

（7）离子注入机：万业企业

（8）涂胶显影设备：芯源微

（9）去胶设备：屹唐股份（拟上市）、北方华创

（10）热处理设备：屹唐股份

（11）前道量测设备：精测电子、赛腾股份（收购Optima）

（12）测试设备：长川科技、华峰测控、金海通

（13）探针台：和林微纳、长川科技

（14）零部件：新莱应材、华亚智能、富创精密

（15）固晶机：新益昌

补充：至纯科技（清洗设备，拓展炉管、涂胶显影设备等）、亚翔集成和圣晖集成（洁净室工程）

5、

材料

（1）硅片：沪硅产业、神工股份、立昂微

（2）电子特气：华特气体、南大光电、金宏气体、雅克科技、昊华科技、巨化股份

（3）掩模版：路维光电、清溢光电。上游材料供应商有菲利华和石英股份

（4）抛光垫：鼎龙股份

（5）抛光液：安集科技

（6）：晶瑞电材、南大光电、彤程新材、上海新阳、容大感光、华懋科技

（7）湿电子化学品：江化微、格林达

（8）溅射靶材：江丰电子、阿石创

（9）第三代材料：三安光电、天岳先进、露笑科技、东尼电子

6、

设计

韦尔股份、汇顶科技、澜起科技、兆易创新、卓胜微、紫光国微、圣邦股份、北京君正、乐鑫科技、博通集成、全志科技、上海贝岭、国科微、富瀚微、中颖电子、景嘉微、富满电子、晶丰明源、华胜天成、纳思达

7、

晶圆代工

中芯国际、华虹、华润微

8、

封测

长电科技、通富微电、华天科技、晶方科技

9、

存储

兆易创新、北京君正、东芯股份、佰维存储、聚辰股份、江波龙、德明利

10、

功率

斯达半导、士兰微、新洁能、宏微科技、时代电气、东微半导、扬杰科技、闻泰科技、捷捷微电、华微电子、华润微

AI算力产业链

（1）GPU/AI ：寒武纪、海光信息、景嘉微、澜起科技

（2）英伟达产业链配套：胜宏科技、和林微纳

（3）CPU：海光信息、龙芯中科、澜起科技

（4）FPGA：紫光国微、复旦微电、安路科技

（5） IP：芯原股份、华大九天

（6）服务器：浪潮信息、工业富联、中科曙光

（7）Chiplet 等先进相关：通富微电、长电科技、兴森科技、深南电路、生益科技、华正新材

（8）光模块：剑桥科技、天孚通信、新易盛、中际旭创

（9）AIoT:乐鑫科技、恒玄科技、炬芯科技

（10）SoC：富瀚微、晶晨股份、瑞芯微、全志科技、恒玄股份

（11）Risk-V：兆易创新、芯原股份、国芯科技、北京君正

（12）存算一体：兆易创新、恒烁股份

（13）存储/模组：兆易创新、佰维存储、江波龙、北京君正、聚辰股份

（14）CPU/GPU 等供电：杰华特、晶丰明源

（15）多模态下游应用：海康威视、大华股份、萤石网络、漫步者等

第一层：

算力

一、算力调度：

中国电信，中国联通，中国移动

二、算力供给：

1.基础算力（奥飞数据，数据港，光环新网等）

2.智能算力（三大运营商，华为，中兴通讯，鸿博股份）

3.超算算力（中科曙光，华为）

三、算力设备：

1.算力。目前顶级的基本都是外国的（英伟达，超威）。国产虽然效能低，但是无可奈何的情况下只能国产替代（海光信息，景嘉微，龙芯中科，寒武纪-U）

2.服务器（浪潮信息，拓息，海光信息，紫光股份）

3.交换机（锐捷网络，紫光股份，星网锐捷）

4.光模块（剑桥科技，中际旭创，新易盛，天孚通信）

5.机房设备

（UPS电池：科士达、科华数据、铂科新材、英威腾。

变压器：云路股份、望变电气、金盘科技、华明装备。

控温设备：英维克、依米康、英威腾、同飞股份、申菱环境。

第二层：

算法模型

百度，三六零、商汤-W，科大讯飞，拓尔思，汉王科技，云从科技-UW，同方股份、海天瑞声，昆仑万维等

第三层:

数据要素

同方股份、易华录、昆仑万维、中文在线、百度、三六零等

第四层：

应用端口

百度，汤姆猫、昆仑万维，视觉中国，中文在线，天娱数科，风语筑，三七互娱，吉比特，完美世界

ChatGPT概念股

作者：大道研报888

第一梯队算力：

A股最好的AI寒武纪；

GPU+CPU的海光信息；

叠加信创+军工的景嘉微，GPU IP市占率全球第三的芯原股份，CPU龙芯中科，技术给AMD做封测的通富微电，和华为合作的长电科技；

算力落地方案鸿博股份；

用英伟达的服务器浪潮信息，用海光信息和寒武纪的中科曙光，用华为的拓息，工业富联；

CPO的中际旭创，天孚通信，新易盛。

第二梯队算法+大模型：

国内第二大搜索三六零，AI语音龙头科大讯飞，AI数据龙头海天瑞声，AI解决方案提供商海天瑞声，NPL开拓者拓尔思，数据存储佰维存储，江波龙；

运营商中国移动，中国电信，中国联通。

第三梯队卡脖子环节龙头：

中芯国际，华大九天，北方华创，中微公司，张江高科，彤程新材，晶瑞电材。

第四梯队应用+其他：

应用的万兴科技，当虹科技，科大国创，同花顺，金山办公，汤姆猫，中文在线，金桥信息；

FPGA：安路科技，紫光国微，复旦微电，澜起科技；

IDC的光环新网，奥飞数据，英维克。

逻辑：人工智能的时代已经正式开启，成为了市场的共识，生成式人工智能需求起飞，对AI运算相关需求同步增长，算力荒可能即将来临。

英伟达CEO、OpenAI首席科学家访谈纪要：AI的今天与未来

中文字幕视频：黄仁勋对话OpenAI首席科学家，谈GPT-4及未来大模型

【背景】本次谈话发生在GPT-4推出的第二天。过去一段时间内，OpenAI推出的ChatGPT以及其他的GPT产品在全世界范围内造成了非常深远的影响，也将AI 这个已经是热点的话题再次推向了风口浪尖。在此背景下，本次交流聚焦在AI在今天的应用以及未来的发展。

【Q&A】

Q：我想我想回到最开始问你深度学习的问题。你对深度学习的直觉是什么?为什么你知道它会起作用?你心中就一定认为深度学习会取得如此成就吗?

A：深度学习的惊人力量改变了世界。我觉得我个人的出发点在于对AI巨大影响力的直觉。我也很好奇什么是意识什么是人类经验，我觉得AI的进步会帮助我理解这些。

从2000年到2003年时候，学习似乎只是人类能做的事情，而计算机根本做不到。在2003年和2002年，计算机什么也学不到。甚至不清楚这在理论上是否可行。所以我在想如果能在智能学习或者机器学习方面作出一些成果将很有可能成为AI领域最大的进步。然后我开始四处寻找，一开始不够乐观。

幸运的是，Jeff Hinton是当时所在大学的教授，我找到了他，他研究的是神经网络正好是我认为有意义的，因为神经网络特性就在于能够学习，可以自动编程的并行计算机。那时候并行计算机规模还很小，但当人们弄清楚学习神经网络是如何工作的，你可以为小型并行计算机编程。它和大脑也很相似，所以就有了理由继续走下去。但还不清楚如何让它起作用，不过根据现有的事情，可以知道他前景是光明的。

Q：当你第一次开始在你第一次开始研究深度学习神经网络的时候，这个网络的规模有多大?当时的计算规模是多少?

A：当时没有人认识到规模的重要性。所以人们训练的神经网络只有50个，或者100个，几百个神经元。一百万个参数被认为是非常大的。我们会在没有优化的CPU代码上运行我们的模型。我们研究人员不知道BLAS，我们使用Matlab。Jeff Hinton对训练神经网络在小数字上很感兴趣，一方面是分类任务，另一方面是如何生成那些数字。所以生成模型的源头从那里开始。但问题是，那些东西还很零散，什么才能真正推动技术进步？当时看起来并不是正确的问题，但现在被认为是正确的。

Q：AlexNet是在2012年创立，当时你和亚历克斯在AlexNet工作过一段时间。你什么时候确定想要建立一个面向计算机视觉的神经网络，Imagenet才是那个合适的数据集，应该做些事儿来参加计算机视觉的竞赛?

A：我可以谈谈这里的背景。大概在那之前两年，我就清楚地意识到监督式学习才是我们前进的方向。我可以准确地解释为什么。这不仅仅是直觉，也是无可辩驳的。如果你的神经网络又深又大，那么它就可以被配置来解决这个困难的任务。这就是关键词“深而大”。

那时候人们关注的不是大型神经网络而是神经网络的一些深度。但大多数机器学习领域根本没有研究神经网络。他们研究各种贝叶斯模型和内核方法，这些理论上都是很好的方法，但并不表示是一个好的解决方案。而大型的神经网络在面对问题求解时能给出一个好的答案，这需要大的数据集以及大量的计算。

我们也在优化方面做了一些工作，优化是一个瓶颈。研究生James Martens取得了突破，他提出了一种优化方法用二阶函数来实现。但重点是它证明了我们可以训练这些神经元。如果你能训练神经网络，你就把他变大一些，然后去找一些数据，你就会成功那么接下来的问题是，找什么样的数据？答案是ImageNet。当时ImageNet是一个难度很高的数据集，但若想训练一个大型卷积神经网络，在数据集上它必须成功。

Q：你怎么能发现GPU在解决这方面的问题上是可用的？是从哪天开始的？

A：一开始Jeff将GPU带到了实验室里，但我们不清楚到底要用它们来做什么。但接下来发现，随着ImageNet数据集的出现，卷积神经网络是非常适合GPU 的模型，可以把它变得非常快，因此就能做规模远超以前的训练。Alex Krizhevsky喜欢使用GPU进行编程，Alex他开发了非常快的卷积核函数，然后去训练神经网络最终取得了结果。这是非常显著的突破，打破了当时许多记录。这并不是之前方法的延续，而是一种全新思路。

Q：快进到你来了硅谷，和朋友创办了OpenAI。关于OpenAI工作的最初想法是什么？最早的源动力是什么？怎样达到了现在的成就？

A：是的。所以很明显，当我们开始的时候，并不是100%清楚该如何继续。这个领域和现在的情况也有很大不同。在2015年-2016年，早在2016年初，我们开始的时候，整件事看起来很疯狂，当时的研究人员少得多可能比现在人数少了100到1000倍。当时我们有大约100个人，他们中的大多数为谷歌/DeepMind工作，人员非常稀缺。

我们有两个大的最初想法。第一个是通过压缩进行无监督学习。今天，我们理所当然地认为监督学习是一件简单的事情。在2016年，无监督学习在机器学习领域是一个未解决的问题，我一直认为好的数据压缩将产生无监督学习。虽然压缩并不是人们常常提起的一个词，但是人们最近突然理解了这些GPT实际上压缩了训练数据。从数学意义上讲，训练这些自回归模型可以压缩数据的。如果压缩的好，你就必须能够提取其中存在的所有隐藏信息。这是关键。

我们真正感兴趣的第一件事是OpenAI中对情绪神经元的一些工作。在机器学习领域，可能没有很多人关注，但实际上它影响很大，这项工作的结果是神经网络，但它并不是Transformer，而是Transformer之前的模型，那就是小型循环神经网络LSTM，我们使用LSTM预测Amazon评论的下一个字符，我们发现如果预测下一个字符足够好，就会有一个神经元在LSTM内对应它的情绪。这展现了无监督学习的一些效果，并验证了良好的下一个字符预测的这种想法，压缩具有发现数据中的秘密的特性。这就是我们现在在GPT模型中看到的。

Q：那我们从哪里可以获得无监督学习的数据？

A：我想说在无监督学习中，困难的部分不在于你从哪里得到数据，虽然现在这仍然是个问题；但更多的是关于为什么要这么做?困难的是要意识到训练这些神经网络来预测下一个token是一个有价值的目标。在GPT-1之前有关情绪神经元的工作对我们有很大的影响。然后Transformer出来了，我们立即想到就是它了，并在此基础上训练了GPT-1

Q：你对于模型和数据大小的扩展规律的直觉，相对于GPT-1、2、3，哪个先出现？你有看到GPT的发展路径吗，还是现有扩展规律的直觉？

A：直觉。我有一个非常强烈的信念，更大是更好。在OpenAI，我们的目标之一就是弄清楚规模扩展的正确途径。问题是如何准确使用它。还有一点很重要，那就是强化学习。在OpenAI中完成的第一个真正的大项目是我们努力解决一个实时策略游戏--Dota 2。所以我们训练一个强化学习agent来对抗自己，目标是达到一定水平，这样它就可以和世界上最好的玩家竞争。这也是一项重大任务，是一种非常不同的工作方向。现在有一种趋同的趋势，GPT产出了技术基座，从Dota的强化学习转变为人类反馈的强化学习，这种组合给了我们ChatGPT。

Q：现在有一种误解，认为ChaGPT本身只是一个巨大的大型语言模型，但事实上围绕它有一个相当复杂的系统，你能为观众简单解释一下吗？

A：我们可以这样想，当我们训练一个大的神经系统来准确地预测下一个单词时，我们所做的是在学习一个世界模型。表面上看，我们只是在学习统计相关性。但事实证明，只要学习统计相关性就可以很好地压缩这些知识。

神经网络所学习的，是产生文本的过程的一些表述。这些文本实际上是这个世界的一个映射，所以神经网络正在学习从世界越来越多的方面看待这个世界，看待人类和社会。神经网络学习一个压缩的、抽象的、可用的表述。这就是从准确预测下一个词的任务中学到的东西。此外，你对下一个词的预测越准确，还原度越高，在这个过程中你得到世界的分辨率就越高，这就是预训练阶段的作用，但这并不能让神经网络表现出我们希望它能够表现出的行为。

一个语言模型，它真正要做的是回答以下问题，如网上有一些随机的文本，以一些前缀开始，一些提示，它将如何完成?如果只是随机寻找一些片段填充，这和我想拥有一个助手是不同的，我想要的助手要诚实，要有帮助，要遵守一定的指导规则，这就是微调，这就是对来自于人类教师强化学习和其他形式的人工智能协助可以发挥作用的对方，不仅仅是向人类学习，也是人类和AI合作的强化学习。在这里我们不是在教授它，我们是在与它交流，希望它成为什么样。而这个过程，也就是第二阶段也是非常重要的。第二阶段做得越好，这个神经网络就越有用，越可靠。所以第二阶段是非常重要的，第一阶段，尽可能多地从世界的映射中学习，也就是文字。

Q：你可以对它进行微调，你可以指示它执行一些特定任务，能不能指示它不做一些事情？这样会给它设置一些安全护栏，去避免某一类型的行为

A：是的。所以训练的第二阶段是我们向神经网络传达我们想要的任何东西，我们训练得越好，我们传达的边界的保真度就越高。所以通过不断的研究和创新来提高保真度，从而使它在遵循预期指令的方式上变得越来越可靠和精确。

Q：ChatGPT在几个月前就出来了，是历史上增长最快的应用程序；现在是GPT-4发布的第一天，它在许多领域的表现令人震惊，包括SAT，GRE等，都能获得很高的分数。什么是ChatGPT和GPT-4之间的主要区别？以及GPT-4在这项领域中的改进有哪些？

A：GPT-4相比ChatGPT的基础上，在很多方面都有了实质性的改进。GPT是第一个主要的区别，这也许是最重要的区别。在GPT-4的基础上构建预测下一个单词具有更高的准确度。这很重要，因为它预测的越好，那么它理解得越多。随着对课文的理解不断加深，GPT-4预测下一个单词的能力也变得更好

Q：人们说，深度学习不会逻辑推理，那么GPT-4是如何能够学会推理的？如果它学会了推理，我将要问的就是做了哪些测试？它在预测下一个单词的时候，是否在学习推理？局限性是什么?

A：推理并不是一个很好定义的概念，但我们可以试着定义它。也就是说，当你走得更远的时候，你如果能以某种方式稍微思考一下，并且因为你的推理得到一个更好的答案。我们的神经网络也许有某种限制，基本的神经网络能走多远，也许还有待观察。我认为我们还没有充分挖掘它的潜力。在某种程度上，推理还没有达到那个水平。

Q：在我看来，当我们使用ChatGPT的时候，它展现了某种程度上的推理水平，所以我认为ChatGPT天然具备这种内在能力

A：某种程度上，用一种方式去理解现状，这些神经网络有很多这样的能力。他们只是不太可靠。

可靠性是让这些模型有用目前最大的障碍。有时候，这些神经网络还会产生幻想，或者可能会犯意想不到的错误，而人类不会犯这些错误。正是这种不可靠性让它们用处大大降低。但我认为，通过更多的研究，或者一些远大的研究计划，我们一定能实现更高的可靠性这样模型才会真的有用，并且能让我们设定精确的护栏，也就是模型学会问清楚它不确定的地方或者压根不知道的知识。

当模型学会后，它不知道的问题不会回答，回答的答案也会非常可信。这是当前模型的一种瓶颈。这不仅仅是模型是否具备特定的能力。

Q：我之前看过一个视频，展现了GPT-4利用维基百科做检索的能力。那么GPT-4是否真的包含检索能力？它是否能够从事实中检索信息以加强对你的响应？

A：当前GPT-4发布时，并没有内置的检索功能，它真的只是一个很好的预测下一个词的工具，另外它也可以处理图像。但是它完全具备这个能力，它也将通过检索变得更好

Q：多模态GPT-4能够从图像和文本中学习并对文本和图像作为输入的请求做出响应的能力。从基础来看，多模态为什么如此重要，重大突破是什么，以及由此产生的特征差异是什么？

A：有两个原因让它如此有趣。

第一个原因是多模态对神经网络而言是有用的，尤其是视觉，因为世界是非常视觉化的。我认为如果没有视觉，神经网络的用处虽然相当大，但它并没有达到应有的规模。所以GPT-4可以“看”得更好；

第二个原因，那就是我们除了可以通过文字学习世界，也可以通过从图像中学习来更多地了解世界。人类可以从视觉中学到很多东西，对神经网络而言同样如此，除了神经网络可以从相当多的词中学习。因此，（如果有“视觉”功能）从文本中的几十亿文字认识世界或许会变得更容易，甚至可以从数万亿的词语中学习。当我们加入视觉信息的时候，并从视觉中学习知识，你就会学到额外的知识。我不想说这是二进制文件，我认为更多的是交换频率问题。如果有更多的信息输入，比如图像，学习的过程将会快许多。

Q：你说到从图像中学习，是否有一种感觉表明利用音频对于模型学习也会有帮助吗？我们会好好利用它吗？

A：我认为这是肯定的。音频是一个额外的信息来源，可能没有图片或视频多，但是音频仍然是有必要的，无论是在识别方面还是生产方面。

Q：在你们公布的测试结果数据中，哪个测试在GPT-3中表现更好？那个测试在GPT-4中表现更好？你认为多模态在这些测试中起了多少作用？

A：在一个有很多图表的问题中，比如美国的AMC12数学竞赛，GPT-3.5在测试中表现的相当差，只有文字模态的GPT-4有大概2%到20%的准确率。当你添加视觉模态时，它会提升至40%的成功率。所以这个版本真的做了很多工作。我认为能够在视觉层面进行推理和在视觉上进行沟通是非常棒的，情况从我们对世界中仅仅几个事物的了解发展到你可以了解整个世界。然后你可以把这个世界视觉化，做到视觉化沟通，以后或许当你询问问题的时候，神经网络可以给你提供图表进行回答

Q：之前你提到过关于AI生成另外一个AI的事情。有研究指出世界上可以被用来进行模型训练的数据是有限的，你是否认为这些可以进行训练的素材会慢慢耗尽？另外AI 是否会用自己生成的数据来训练自己？您如何看待数据生成领域？

A：我认为我不会低估现有的数据。我认为可能有比人们意识到的更多的数据。对于第二个问题这种可能性还有待观察。

Q：你认为语言模型领域会去向何处？哪个领域是最能使你兴奋的？

A：预测是很难的，尤其对于太具体的事情。

我认为可以肯定的是，进步将继续，我们将继续看到AI系统在它的能力边界继续震惊人类。

AI的可靠性是由是否可以被信任决定的，未来肯定可以达到完全信赖的地步。如果它不明白，也会通过提问来问清楚，它会告诉你它不知道，但同时会向你询问更多的知识。我认为这是AI可用性影响最大的领域，未来会有最大的进步。

我们现在就面临一个挑战，比如让神经网络总结长的文档，获取摘要，挑战就是能确定重要的细节没被忽略吗？当他的总结可以达到所有人都认同的时候，我们就可以说它的内容是可靠的。对于内容护栏也一样，它是否清楚的遵循用户的意图也会成为衡量的标准。

Q：最后一个问题。所以从ChatGPT到GPT-4，你是什么时候第一次开始使用它的？它表现出来什么样的技能连你都为之惊讶？

A：简而言之，就是它的可靠性令人惊讶。之前的神经网络，如果你问他们一个问题，有时他们可能会用一种愚蠢的方式误解。而GPT-4不会让这种事情发生。