国产（AI,算力芯片全景图）

评价 AI 芯片的指标主要包括算力、功耗、面积、精度、可扩展性等，其中算力、功耗、面积（PPA）是评价 AI 芯片性能的核心指标：

---

浪潮集团被列入“实体清单“，AI 芯片国产化进程有望加速。当地时间 3 月2 日，美国商务部将浪潮集团、龙芯中科等 37 个实体列入“实体清单“，扩大对浪潮等中国企业的出口禁令。浪潮集团等公司被列入“实体清单”，再度敲响了中国 AI 产业发展的警钟，我们不但要加大数字基础设施建设，AI 算力芯片的自主可控推进也势在必行。

以上内容仅供学习交流，不构成投资建议。详情参阅原报告。

根据芯片的类别，AI 算力芯片主要包括 GPU、FPGA，以及以 TPU、VPU 为代表的 ASIC 芯片，其中以 GPU 用量最大，据 IDC 数据，预计到 2025 年 GPU 仍将占据 AI 芯片 8 成市场份额。

国务院组建国家数据局、重组科技部，结合前期数字中国建设规划落地、浪潮集团被美国商务部列入”实体清单“等事件，我们认为，国产 AI 算力芯片迎来发展“芯“机遇，自主可控亟待加速。

（1）算力：衡量 AI 芯片算力大小的常用单位为 TOPS 或者 TFLOS，两者分别代表芯片每秒能进行多少万亿次定点运算和浮点运算，运算数据的类型通常有整型 8 比特（INT8）、单精度 32 比特（FP32）等。AI 芯片的算力越高，代表它的运算速度越快、性能越强。

数字中国建设对 AI 芯片国产化提出新要求。中央印发了《数字中国建设整体布局规划》。《规划》提出要夯实数字基础设施和数据资源体系“两大基础”，我们认为，数字中国基础设施的建设有望拉动以数据中心、超算中心、智能计算中心为代表的算力基础设施建设，从而带动服务器与 AI 算力芯片的需求快速增长。同时，《规划》提出要构筑自立自强的数字技术创新体系，上游 AI 芯片作为算力基础，自主可控需求凸显，数字中国建设对 AI 芯片国产化提出新要求。

全球 AI 芯片市场被英伟达垄断，然而国产 AI 算力芯片正起星星之火。目前，国内已涌现出了如寒武纪、海光信息等优质的 AI 算力芯片上市公司，非上市 AI 算力芯片公司如沐曦、天数智芯、壁仞科技等亦在产品端有持续突破。

由于英伟达 GPU 产品线丰富、产品性能顶尖、开发生态成熟，目前全球 AI 算力芯片市场仍由英伟达垄断。根据中国信通院的数据，2021 年 Q4 英伟达占据了全球 95.7%的 GPU 算力芯片市场份额，因此，英伟达数据中心业务营收增速可以较好地反应全球 AI 芯片市场增速。2023 财年，英伟达数据中心营收达到 150 亿美元，同比增长 41%，FY2017-FY2023 复合增速达 63%，表明全球 AI 芯片市场规模保持高速增长。

（2）功耗：功耗即芯片运行所需的功率，除了功耗本身，性能功耗比是综合衡量芯片算力和功耗的关键指标，它代表每瓦功耗对应输出算力的大小。

自主可控受高度重视，高水平科技亟需自立自强。国务院在“两会“期间组建国家数据局，负责统筹推进数字经济发展、推进数据基础设施布局建设等任务，有望加速推进数字中国建设落地；国务院重组科技部，并组建中央科技委员会，亦有望加速推动国内高水平科技实现自立自强。AI 算力芯片作为数字中国的算力基础，国产突破势在必行，国产 AI 算力芯片迎来发展”芯“机遇。

除 GPU 硬件之外，与之配套的软件开发体系亦是生态的重要组成部分。GPU的生态包括底层硬件、指令集架构、编译器、API、基础库、顶层算法框架和模型等，英伟达于 2006 年发布的 CUDA 平台是当今全球应用最为广泛的 AI 开发生态系统。通用 GPU 与 CUDA 组成的软硬件底座构成了英伟达引领 AI 计算的根基，当前全球主流深度学习框架均使用 CUDA 平台。

英伟达的 GPGPU 是全球应用最为广泛的 AI 芯片，决定其性能的硬件参数主要包括：微架构、制程、CUDA 核数、Tensor 核数、频率、显存容量、显存带宽等。其中，微架构即 GPU 的硬件电路设计构造的方式，不同的微架构决定了 GPU的不同性能，作为英伟达 GPU 的典型代表，V100、A100、H100 GPU 分别采用Volta、Ampere、Hopper 架构；CUDA 核是 GPU 内部主要的计算单元；Tensor核是进行张量核加速、卷积和递归神经网络加速的计算单元；显存容量和带宽是决定 GPU 与存储器数据交互速度的重要指标。

（报告作者：民生证券研究所分析师 方竞）

（3）面积：芯片的面积是成本的决定性因素之一，通常来讲相同工艺制程之下，芯片面积越小良率越高，则芯片成本越低。此外，单位芯片面积能提供的算力大小亦是衡量 AI 芯片成本的关键指标之一。

生态构建计算壁垒，国产 GPU 厂商初期兼容 CUDA，长期仍需构筑自身软硬件生态。由于当前全球主流深度学习框架均使用 CUDA 平台进行开发，国产 GPU可以通过兼容 CUDA 的部分功能，快速打开市场，减少开发难度和用户移植成本。然而，CUDA 本身涵盖功能非常广泛，且许多功能与英伟达 GPU 硬件深度耦合，包含了许多英伟达 GPU 的专有特性，这些特性并不能在国产 AI 芯片上全部体现。因此，长期来看国产 GPU 厂商仍需通过提升自身的软硬件实力，构筑属于自己的软硬件生态。

除 PPA 之外，运行在 AI 芯片上的算法输出精度、AI 应用部署的可扩展性与灵活性，均为衡量 AI 芯片性能的指标。

根据在网络中的位置，AI 芯片可以分为云端 AI 芯片 、边缘和终端 AI 芯片；根据其在实践中的目标，可分为训练（ training ）芯片和推理（ inference ）芯片。云端主要部署高算力的 AI 训练芯片和推理芯片，承担训练和推理任务，具体有智能数据分析、模型训练任务和部分对传输带宽要求比高的推理任务；边缘和终端主要部署推理芯片，承担推理任务，需要独立完成数据收集、环境感知、人机交互及部分推理决策控制任务。

AI 芯片赋能算力基石，英伟达垄断全球市场。AI 算力芯片主要包括 GPU、FPGA，以及以 VPU、TPU 为代表的 ASIC 芯片。其中以 GPU 用量最大，据 IDC 数据，预计到 2025 年 GPU 仍将占据 AI 芯片 8 成市场份额。然而，相较传统图形 GPU，通用型算力 GPU 在芯片架构上缩减了图形图像显示、渲染等功能实现，具有更优的计算能效比，因而被广泛应用于人工智能模型训练、推理领域。