2021半导体投资策略：矛盾与破局.pdf

行业 报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 1 半导体 证券 研究报告 2021 年 01 月 05 日 投资 评级 行业 评级 强于大市 (维持 评级 ) 上次评级 强于大市 作者 潘暕 分析师 SAC 执业证书编号： S1110517070005 陈俊杰 分析师 SAC 执业证书编号： S1110517070009 资料 来源： 贝格数据 相关报告 1 半导体 -行业研究周报 :封测端资本 开支上升 上游设备材料端受益 2020-12-28 2 半导体 -行业研究周报 :半导体供应 链供需新矛盾 /国产替代有望加速 2020-12-20 3 半导体 -行业研究周报 :行业顺周期 下 主 线 投 资 逻 辑 持 续 强 化 2020-12-13 行业走势图 2021 半导体投资策略：矛盾与破局 我们前瞻提炼判断半导体行业的需求与供给之间的三大关键矛盾，供需间 的不平衡将打破行业既有格局，破局是最重要的抓手。在行业格局变化之 际，高敏感度的资本将率先赋能行业，我们认为这是投资最主要关键的主 线。 1 核心矛盾一：数据需求的指数式发展超过了线性发展的摩尔定律 破局：技术和架构的创新 投资线索：第一阶段的“供应链的国产替代”进入第二阶段“供应链的国 产创新”；计算型芯片架构走向落地元年，国内公司开始有产品得到应用， 技术迭代指数型增长，单点突破开始， S 型曲线的斜率增长最快部分。 建议关注：寒武纪，富瀚微，全志 科技 ，北京君正 等 2 核心矛盾二：成熟制程产品的碎片化需求量增同产能供给受限间的矛盾 破局：紧张的产能环节对应的是迭代相对缓慢的成熟制程产品，国内是成 熟制程环节扩产最显著的，叠加配套的设计和封测，判断全球产能有机会 向国内进行转移。 投资线索：体现在 8 寸晶圆上下游的产品上， 5G 手机 /基站 /快充 /新能源车， 带动量的增长，同时结合半导体周期属性，涨价往往是资本市场最喜闻乐 见的议题。重点抓量价齐升的产品公司。 建议关注：圣邦股份，晶丰明源， 卓胜微， 中芯国际（港），华虹半导体（港）， 闻泰科技，三安光电，思瑞浦 3 核心矛盾三：半导体供应链全球化格局和大国博弈下科技封锁间的矛盾 破局：国产替代 投资线索：“国产替代”从 19 年开始，最典型的戴维斯双击品种是在设计 领域。对于设计公司而言，抓斜率提估值的类比逻辑明年兑现在新上市公 司上。材料公司“国产替代”正当时，材料行业类比于芯片中的模拟赛道， 小样多量化，品类突破从 0 到 1 是开始是边际是 EPS，后续持续放量和品 类扩张是从 1 到 N，是长期是高壁垒是高 PE，明年品类突破的材料公司戴 维斯双击。 建议关注：雅克科技，鼎龙股份，华特气体，南大光电 风险 提示 ： 中美贸易战摩擦， 宏观经济下行 ，疫情持续发展带来的不确定性， 行业竞争愈趋激烈 -15% -1% 13% 27% 41% 55% 69% 2020-01 2020-05 2020-09 半导体 沪深 300 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 2 内容目录 1. 技术驱动： AI+HPC 推动，先进制程推进 +计算芯片落地元年，步入 S 型曲线快速成长 阶段 . 5 1.1. 关键矛盾之一：数据需求的指数式发展超过了线性发展的摩尔定律 . 5 1.1.1. 需求端快速增长：云端 +边缘端同步推进 . 7 1.1.2. 供给：头部厂商提前布局， HPC 收入占比持续提升，产业链趋势正在形成 . 9 1.2. 破局：先进创新永不眠 . 10 1.2.1. 制程创新 CMOS 缩 放与超越 CMOS 架构 . 10 1.2.2. 架构创新：云端的异构计算与端侧的存算一体 . 13 1.3. 创新驱动产业增长： S 型曲线模型下行业增长动力分析 . 18 1.4. 相关标的 . 21 2. 核心矛盾 2：成熟制程产品的碎片化需求量增同 产能供给受限间的矛盾 . 22 2.1. 8 英寸线的产业链结构 . 22 2.2. 上游供给侧有限 8 英寸无扩产计划 . 22 2.3. IDM 和 Foundry 间的动态平衡被打破 . 23 2.3.1. 8 英寸晶圆厂产能并无显著增量 . 23 2.3.2. 制造端（ IDM,Foundry）的供给产能分析 . 25 2.4. 碎片化需求的快速增长 下游应用产品景气 . 28 2.4.1. 汽车电子的发展方向 内部零部件电子化 . 28 2.4.2. 云计算及工业 4.0 的高速增长 . 31 2.5. 破局：紧张的产能环节对应的是迭代相对缓慢的成熟制程产品，国内是成熟制程 环节扩产最显著的，叠加配套的设计和封测，判断全球产能有机会向国内进行转移。 . 32 2.5.1. 成熟制程产品迭代缓慢 . 33 2.5.2. 国内成熟制程扩产显著 . 34 2.5.3. IC 设计与封测产业高速发展，带动晶圆产能转移 . 34 2.5.4. 大陆地区 未来晶圆扩产可期 . 36 3. 核心矛盾 3：半导体供应链全球化格局和大国博弈下科技封锁间的矛盾，破局：供应链 国产替代 . 37 3.1. 复盘：科技封锁下设计公司受益国产替代 . 37 3.1.1. 华为供应链对国产替代诉求 . 38 3.2. 材料环节类比推演， 迎戴维斯双击机遇 . 42 3.3. 破局：供应链国产替代，材料有望重现设计公司股价戴维斯双击 . 43 3.4. 相关标的 . 46 4. 风险提示 : . 46 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 3 图表目录 图 1：科技快速发展使半导体需求旺盛 . 5 图 2：国家高性能计算环境 . 5 图 3： HPC 处理数据的要求发展与处理器性能发 展出现缺口 . 6 图 4： 20162021 数据中心负载任务量变化（单位：万个） . 7 图 5： 2016 年 -2021 年超级数据中心数量变化 . 7 图 6： 20152024 年全球 HPC 服务器市场收入（单位：十亿美元） . 8 图 7：全球边缘计算市场规模 . 8 图 8：寒武纪股权激励披露的收入增长增速 . 9 图 9： 19712019 年晶 体管数量遵循摩尔定律不断上升 . 10 图 10：传统 MOSFET 缩放与性能演进 . 11 图 11： Intel 采用 CMOS 微缩实现前 6 代制程演进 . 11 图 12：应变硅晶体管：（ a） NMOS；（ b） PMOS . 12 图 13：晶体管结构比较：（ a）平面晶体管；（ b） FinFET 晶体管 . 12 图 14：晶体管结构比较：（ a） FinFET 晶体管；（ b）纳米堆积晶体管 . 13 图 15： GPU 在高性能运算方面的性能远超 CPU . 14 图 16： 2020 年人工智能应用领域 . 16 图 17：未来 AIoT 场景示意图 . 16 图 18：端侧 AI 芯片市场规模 . 17 图 19：存算一体芯片适合端侧应用 . 17 图 20：边缘端侧智能应用场景的需求特征，以及云端与端侧智能芯片不同的性能需求 . 18 图 21：半导体产业螺旋上升周期 . 19 图 22： S 曲线 产品的生命线 . 19 图 23： HPC 芯片的 S 曲线 . 20 图 24：摩尔定律下推动下的 Intel 股价上扬（美元 /股） . 21 图 25：重点跟踪公司估值表（截至 12.30） . 21 图 26：晶圆产业链图 . 22 图 27： 8 英寸晶圆需求趋势（千片 /月） . 23 图 28：全球前十大晶圆加工厂市占率（ %） . 23 图 29： 8 英寸晶圆产线数量预测（个） . 25 图 30： 2018 年按产品分类 的 200mm 晶圆需求 (%) . 25 图 31：部分晶圆代工厂产能利用率（ %） . 26 图 32：中国台湾地区主要晶圆代工厂年产能（百万片） . 27 图 33： 2012-2018 年中国模拟芯片市场规模与增长（亿元， %） . 28 图 34：内燃机到混合动力汽车发展中半导体的价值（美元） . 28 图 35：新能源汽车驱动功率半导体市场规模增大（辆，亿美元） . 29 图 36： 2018 年分立器件按下游应用分类（ %） . 29 图 37：分立器件行业整体规模及增速（亿美元， %） . 29 图 38： 2019 年全球新能源车企销量占比（ %） . 30 图 39：我国新能源乘用车销量及渗透率（万辆， %） . 31 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 4 图 40：全球新能源乘用车销量及渗透率（万辆， %） . 31 图 41： 2017-2021 年 IC 细分市场增速（ %） . 31 图 42： IDC 全 球市场规模及增速（亿美元， %) . 32 图 43：重点跟踪公司估值表（截至 12.30） . 32 图 44：英飞凌 IGBT 技术发展 . 33 图 45：英飞凌各代 IGBT 产品进入市场后收入变化情况 . 33 图 46： 2010-2020 年中国芯片设计企业数量增长情况 . 35 图 47： 1999-2020 年中国 IC 设计业销售规模增长情况 . 35 图 48：全球封测重要厂商营收占比变化（单位：十亿人民币 ,%） . 36 图 49： 8 英寸（ 200mm）晶圆的产能展望 . 37 图 50：华为销售收入（亿元） . 38 图 51： 2019 年全球 IC 需求总量 . 38 图 52：华为重要供应商的全球分布 . 39 图 53：华为 92 家核心供应商分布区域占比（ %） . 40 图 54：圣邦股份 2018Q2-2020Q3 营收（亿元， %） . 41 图 55：圣邦股份 2018Q2-2020Q3 归母净利润（亿元， %） . 41 图 56：圣邦公司股价走势 . 42 图 57：国内主要晶圆厂季度平均月产能（片） . 43 图 58：半导体材料成本占比（ %） . 44 图 59：半导体材料企业股价波动情况（元 /股） . 44 图 60：半导体产业链 . 44 图 61：重点跟踪公司估值表（截至 12.30） . 46 表 1：异构计算领域三大芯片 . 14 表 2： 2020 年端侧芯片分类介绍 . 18 表 3：寒武纪 HPC 芯片梳理 . 20 表 4： 国际主要分离器件（周， MOSFET） . 24 表 5：国际主要分立器件供应商交货周期（周， IGBT） . 25 表 6： 2020 年第三季度大中华区主要晶圆厂家 8 英寸产能（片 /月） . 26 表 7： 2017 年主要 IDM 厂家 8 英寸及以下产能（片 /月） . 27 表 8：国内在建成熟制程晶圆产能（千片 /月） . 34 表 9：我国与全球封测厂商技术基本一致 . 35 表 10： 2017 中国大陆 8 英 寸晶圆代工产能及 2021 年目标产能（单位：千片 /月） . 37 表 11：供应链国产替代空间 . 40 表 12：国内半导体材料现状 . 45 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 5 1. 技术驱动： AI+HPC 推动，先进制程推进 +计算芯片落地元年， 步入 S 型曲线快速成长阶段 1.1. 关键矛盾之一：数据需求的指数式发展超过了线性发展的摩尔定律 研究人类的科技发展史，发现科技的进步速度呈现指数型加速态势。尤其在 1950 年以后 进入芯片时代，摩尔定律推动下的每 18 个月“芯片晶体管同比例缩小一半”带来的性能 提升以倍数计。每一次加速的过程推动，都引发了产业的深层次变革，带动从底层到系统 的阶跃。 然而时至今日 ，人类精密制造领域（半导体制造是目前为止人类制造领域的最巅峰）遇到 硅基极限的挑战，摩尔定律的放缓似乎预示着底层架构上的芯片性能的再提升已经出现瓶 颈，而每年人类产生的数据量却呈指数级增长 ，两者之间的不匹配将会带来技术和产业上 的变革升 过去以个人计算机及智能型手机为成长驱动力的半导体产业，目前迎来新的成长动能，即 由人工智能（ AI）、大数据（ Big Data）、云端运算（ Cloud Computing）相互融合而产生 的半导体新趋势 。 随着 AI 技术及应用的加速发展，需要更强大的高效能运算（ HPC）芯 片支持，半 导体业者自然在 AI 世代扮演重要角色。 图 1：科技快速发展使半导体需求旺盛 资料来源： Ferrotec，天风证券研究所 HPC（ High-Performance Computing )即 高性能计算 ， 是指高速处理数据并执行复杂计算 的能力。 最知名的 HPC 解决方案之一是超级计算机。一台超级计算机包含数千个计算节 点，这些节点协同工作来完成一项或多项任务 这又被称为并行处理。它类似于将数千 台 PC 联网在一起，将计算能力相结合，以更快地完成任务。 具体来说， 比如， 采用 3 GHz 处理器的笔记本电脑或台式机每秒可执行大约 30 亿次计 算。虽然这比任何人都快得多，但与每秒可执行数达数象限的 HPC 解决方案相比，简直 微不足道。 图 2：国家高性能计算环境 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 6 资料来源： GRID 中国国家网络 ，天风证券研究所 目前，随着云计算、大数据、物联网等技术产业的快速发展，数据流量增长速率正在不断 加快 正是通过数据，我们才得以实现开创性的科学发现，推动改变游戏规则的创新，并提高全 球数十亿人的生活质量 。由于 HPC 在海量资料整合与大规模数据处理上所具有的无可比拟 的优势，可以广泛应用于大型科学计算、科学数值仿真、金融机构大数据处理、搜索引擎 等领域。 关键矛盾之一：数据需求的指数式发展超过了线性发展的摩尔定律，解决矛盾的推手在于 技术和架构的创新 HPC 的核心即处理器， HPC 的快速发展也为半导体行业创造了繁荣的需求。而现有处理器 性能仍受制于“摩尔定律”，其发展速度与 HPC 时代对海量数据进行处理需求的发展并不 同步，出现缺口。 图 3： HPC 处理数据的要求发展与处理器性能发展出现缺口 资料来源： 半导体行业观察， AMD，天风证券研究所 以 X86 为代表的传统计算架构， 50 多年来都没有发生过本质上的变化，请注意计算架构 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 7 的决定是资源的组织形式。而传统的冯诺伊曼是采取控制流架构，采用的是线性的记忆体 和布尔函数作为基线计算操作 。处理器的架构基于流水线串行处理的机制建立，存储器和 处理器分离，流水线的计算过程可以分解为取指令，执行，取数据，数据存储，依次循环。 依靠整个串行的过程，逻辑清晰，但性能的提升通过两种方式， 一是摩尔定律下推动下晶 体管数量的增多实现性能倍增；二是通过并行多个芯片核来实现。无论何种方式，本质上 都是线性的性能扩张。 因此， 以 X86 为代表的传统计算架构，将会在新的架构下迎来冲击，以 HPC 为代表的新 架构迎来 S 曲线的快速渗透阶段。我们重点从需求和技术两方面阐述 。 1.1.1. 需求端快速增长：云端 +边缘端同步推进 HPC 近年来迅速发展，根据 HPC 研究机构 Interest360 Research 对全球 20192024 高性能 计算市场的分析， 2019 年，全球高性能计算市场规模为 390 亿美元，因为疫情影响， 2020 年预计下降 3.7%，约为 376 亿美金。预计到将达到 550 亿美元。它将以可观的高复合增长 率增长， 2020 年至 2024 年间的 CAGR 为 7.1。 HPC 的存储与运算可以有两种选择，其 一在云侧（ on cloud），其二在边缘侧（ on premises）。 从云端溢出到边缘端，或下沉到终端，都离不开芯片对于“训练”与“推理”任务的高效 支撑，且越来越强调云、边、端的多方协同 。同时人工智能应用迅速发展，对于芯片厂商 而言，仅仅提供某一类应用场景的芯片是难以满足用户的需求。根据研究机构 Allied Market Research 的研究报告， 人工智能芯片的市场规模将由 2018 年的 66 亿美元增长到 2025 年 的 912 亿美元，年均复合增长率将达到 45.4%。 云侧：云数据中 心负载重，建设加速，带动硬件需求 近年来，集成电路行业迎来了数据中心引领发展的阶段，对于海量数据进行计算和处理将 成为带动集成电路行业发展的新动能。 大规模张量运算、矩阵运算，高并行度的深度学习 算法的广泛应用使得计算能力需求呈现指数型增长趋势。根据 Cisco 的预计， 2016 年至 2021 年全球数据中心负载任务量将成长近三倍，从 2016 年的不到 250 万个负载任务量增 长到 2021 年的近 570 万个负载任务量。 图 4： 20162021 数据中心负载任务量变化（单位：万个） 资料来源： Cisco Global Cloud Index，寒武纪招股说明书，天风证券研究所 同时，随着云计算的不断发展，全球范围内云数据中心、超级数据中心的建设速度不断加 快， Cisco 预计到 2021 年，计算能力更强的超级数据中心将达到 628 座，占总数据中心比 例达到 53%。 图 5： 2016 年 -2021 年超级数据中心数量变化 CAGR=18.6% 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 8 资料来源： Cisco Global Cloud Index，寒武纪招股说明书，天风证券研究所 图 6： 20152024 年全球 HPC 服务器市场收入（单位：十亿美元） 资料来源： Statista，天风证券研究所 在云端，服务器及数据中心需要对大量原始数据进行运算处理，对于芯片等基础硬件的计 算能力、计算进度、数据存储和带宽等都有较高要求，高性能计算能力的需求增长导致全 球范围内数据中心对于计算加速硬件的需求不断上升。根据 AMD Next Horizon 发布 会 预测， 2021 年数据中心处理器规模将高达 290 亿美元， CPU 市场为 170 亿美元， GPU 市场为 120 亿美元。 边缘侧：应用场景广泛，多点开花 云端受限于延时性和安全性，不能满足部分对数据安全性和系统及时性要求较高的用户需 求。这些用户的需求推动大量数据存储向边缘端转 移。边缘计算是 5G 网络架构中的核心 环节，在运营商边缘机房智能化改造的大背景下，能够解决 5G 网络对于低时延、高带宽、 海量物联的部分要求，是运营商智能化战略的重要组成部分。边缘计算可以大幅提升生产 效率，是智能制造的重要技术基础。 根据 Gartner 预测，未来物联网将约有 10%的数据需要在网络边缘进行存储和分析，按照 这一比例进行推测， 2020 年全球边缘计算的市场需求将达到 411.40 亿美元。边缘计算将 在未来 3-5 年创造巨量硬件价值，为大量行业创造新的机遇。 图 7：全球边缘计算市场规模 3.2 4.1 4.7 5.6 5.7 6.2 7.1 8.2 9.3 101.9 2.3 1.6 1.9 1.9 2.1 2.2 2.7 2.7 2.8 3.8 3.1 3.8 4.3 4.2 4.3 4.4 5.4 5.7 5.9 1.8 1.7 1.7 1.9 1.8 1.9 1.9 2.1 2.2 2.2 0 5 10 15 20 25 2015 2016 2017 2018 2019 2020* 2021* 2022* 2023* 2024* Supercomputer Divisional Departmental Workgroup 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 9 资料来源： Gartner，寒武纪招股说明书，天风证券研究所 与云端 HPC 芯片相比，边缘 HPC 芯片的使用场景更加丰富，同时单芯片售价并不昂贵。 在边缘场景下，运算量依然很大、多样化场景要求具备多种算法的兼容性，边缘智能芯片 的通用性和计算能力要求与云端相差不大，但对成本控制和功耗则提出了更高的要求。 1.1.2. 供给：头部厂商提前布局， HPC 收入占比持续提升，产业链趋势正在形成 在未来， HPC 芯片将取代智能手机芯片，成为 IC 设计和圆晶制造厂商主要收入来源。以 台积电为例，从 20Q3 营收状况来看，三季度智能手机业务营收增长了 12%， HPC 营收增 长 25%，物联网业务营收增长了 24%。新机发布周期到来，促进了智能手机业务的反弹， 新冠疫情刺激了远程办公等需求，云计算相关的 HPC 连续三季度保持增长。 此外，台积电预测除存储外的半导体行业整体将在 2020 年全年实现中位个位数的增长， 晶圆代工行业整体增长率将会接近 30%。而 台积电将继续受 5G 和 HPC 驱动， 2020 业绩 总体将增长 30%。 Intel 作为传统 CPU 芯片厂商，较早地实现了 HPC 数据中心产品的大规模销售，收入由 2015 年的 159.8 亿美元增长到 2019 年的 234.8 亿美元，年均复合增长率为 10.10%。 作为 GPU 领域的代表性企业， Nvidia 数据中心业务收入在 2015 年仅为 3.4 亿美元，自 2016 年起， Nvidia 数据中心业务增长迅速，以 72.23%的年均复合增长率实现了 2019 年 29.8 亿 美元的收入，其增速远远超过了 Nvidia 其他板块业务的收入。 Intel 和 Nvidia 数据中心业 务收入的快速增长体现了下游数据中心市场对于泛人工智能类芯片的旺盛需求。 同时，国内的头部厂商寒武纪，以异构计算架构为突破，同步行业变局下的自身变化也将 实现收入端的高增长，我们参考公司最新披露的股权激励实现目标，预计未来 3 年公司在 HPC 方面有望迎来收入的高速增长。 图 8：寒武纪股权激励披露的收入增长增速 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 10 资料来源： 寒武纪 公告 ，天风证券研究所 1.2. 破局：先进创新永不眠 1.2.1. 制程创新 CMOS 缩放与超越 CMOS 架构 戈登摩尔（ Gordon Moore）在 1965 年的论文中曾著名地预测过，每个芯片的组件数量 每年将继续增加两倍。 1975 年， Moore 通过预测每个芯片的组件每两年增加 2 倍来更新 他的早期预测，而这将是缩放组件尺寸和增加芯片面积的结合。 从早期 IBM 集成电路设计的电脑计算单元、到以 Intel 为代表的的 IDM 半导体公司成立， 再到以台积电为代表的 Foundary 厂商崛起，最终建立以“圆晶制造”为核心的全产业链 服务平台，摩尔定律贯穿其中 。 图 9： 19712019 年晶体管数量遵循摩尔定律不断上升 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 11 资料来源： IC Insight，天风证券研究所 毫无疑问， CMOS 微缩 已成为推动过去几十年大进步的 “ 燃料 ” 。 过去几十年中，集成电 路产业一直通过 CMOS 微缩 以提高性能、效率和降低集成电路和系统的成本，从而实现新 的应用。 这种 “经典”或“传统”的缩放 MOSFET 晶体管的方法，直到 2000 年代初 130nm 时代 仍十分有效。在过去的 20 年中，半导体公司以两年的节奏开发新一代的处理技术，并且 每一代都将最小特征尺寸缩小了大约 0.7 倍，从而将面积缩放比例提高了约 0.5 倍。因此 晶体管密度每两年提高一倍。 图 10：传统 MOSFET 缩放与性能演进 资料来源： Mark T. Bohr， Ian A. Young， CMOS Scaling Trends and Beyond，天风证券研究所 图 11： Intel 采用 CMOS 微缩实现前 6 代制程演进 资料来源： Mark T. Bohr， Ian A. Young， CMOS Scaling Trends and Beyond，天风证券研究所 2000 年代初晶体管尺寸缩小至 130nm 时，我们已经达到了使用传统方法缩小晶体管的极 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 12 限，并需要开始引入晶体管材料和结构方面的创新以继续实现小型化。最早的重大创新之 一是英特尔于 2003 年在 90nm 技术上引入了应变硅晶体管。 图 12：应变硅晶体管：（ a） NMOS；（ b） PMOS 资料来源： Mark T. Bohr， Ian A. Young， CMOS Scaling Trends and Beyond，天风证券研究所 英特尔的下一个重大创新是在 2011 年采用 22nm 技术的 FinFET（三栅极）晶体管。在 14nm 制程上，英特尔采用第二代 FinFET 技术，使用了两年时间，达到逻辑区域缩小至 0.37 倍 的成果。 图 13：晶体管结构比较：（ a）平面晶体管；（ b） FinFET 晶体管 资料来源： Mark T. Bohr， Ian A. Young， CMOS Scaling Trends and Beyond，天风证券研究所 MOSFET 晶体管研究人员正在探索器件结构和沟道材料的变化，以实现更新一代的 MOSFET 缩放。 结构上，用多个水平纳米线堆叠实现的 MOSFET 是一种选择，它可以实现 进一步的栅极长度缩放，优于 FinFET 结构；材料方面，具有半导体沟道材料的 MOSFET 是实现比硅更高迁移率的沟道的有前途的选择。 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 13 图 14：晶体管结构比较：（ a） FinFET 晶体管；（ b）纳米堆积晶体管 资料来源： Mark T. Bohr， Ian A. Young， CMOS Scaling Trends and Beyond，天风证券研究所 此外，超越 CMOS 的研究工作已经进行了 10 年，得到了美国公司 SRC 的资助。 10 年前， 这个行业 -大学研究联盟的期望是，该领域将产生比 CMOS 更好的计算技术。但事实表明， 在许多令人印象深刻的提议和模拟中，没有一个比 CMOS 更好。但是，它们确实具有许多 有价值的功能，例如低功耗操作和非易失性。因此，当前的愿景是，在某些至关重要的计 算或信息处理应用中，超越 CMOS 的电路将取代 CMOS。它们将与 CMOS 单片集成在同 一芯片上，或者一起封装在多芯片模块中。 晶体管缩放，尤其是 MOSFET 缩放，通过提供新一代的集成电路技术，已经为半导体行业 服务了 50 多年，该技术同时提供了更高的密度，更高的性能，更低的功耗以及更低的每 只晶体管成本。有时，通过使用简单的演进技术就可以实现晶体管缩放，但是在其他时候， 则需要进行更具革命性的技术变革，例如从双极型 切换到 MOSFET，最近还需要实现高 k 金属栅极和 FinFET 晶体管。 总体来讲，在先进制程中， CMOS 微缩带来的进步已经有限，因此，对于芯片改变的需求 更加迫切。 值得欣慰的是，材料、设备概念和图案的创新已经为当前的 10nm 以下技术扫 清了道路。 而在先进制程进入到 5nm 以后，摩尔定律的实现已经有所放缓，但微观层面芯 片设计依旧将持续朝着更高的计算密度，更大的存储密度和更紧的连接密度三个方向持续 推进，同时行业新的理念和技术方法仍将为摩尔定律注入新的血液，比如采用非经典结构， 从结构的设计及布局来实现芯片面积的微缩，从而促使摩尔定律在“另类”层面得以实现， 为集成电路产业继续赋力。 1.2.2. 架构创新：云端的异构计算与端侧的存算一体 观点：在云侧和端侧可能发生的变化，重视华为海思得不到最新制程支持相带来的变化。 重视消费电子侧可能发生变化，由于华为拿不到麒麟先进制程的 SoC，手机端的创新会下 沉到端侧，在子模块中加入端侧带 AI 功能的芯片会使得分担主芯片计算的任务，存算芯片 可能在端侧得到快速中渗透的应用 / 架构创新在云端以异构计算为推动，针对 ToB 市场，解决大规模计算的处理器性能瓶颈， 国内企业 寒武纪 异军突起，。 人工智能算法将持续推进，智能芯片架构需要与时俱进。 当前人工智能发展正处于第三波 浪潮上，这波浪潮最大的特点就是与业务紧密结合的人工智能应用场景逐渐落地，拥有先 进算法和强大计算能力的企业成为了最主要的推动者。伴随并行度提高，同构系统处理器 核间的并行冗余越来越大，不可并行任务协调工作越来越多，导 致系统性能增幅随冗余增 大接近饱和。异构多核芯片的创新涉及软硬件等深层次创新融合与突破，是普适计算领域 新热点，也是信息产业发展重要新拐点。 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 14 异构计算崭露头角，云化进程持续深入。 当前人工智能的持续火热，在算力层面，采用异 构计算模式可基本满足对处理器更快速、更高效、更方便的使用要求，异构计算是指采用 不同架构的处理器协同计算，人工智能芯片用来处理人工智能应用中的大量计算任务， AI 芯片被称为 AI 加速器或计算卡，寒武纪、地平线机器人、中星微、华为等国内企业均在上 述领域展开核心基础技术研发。 HPC 中需要的计算远多于其他逻 辑指令，而 GPU 比 CPU 更加擅长大规模浮点计算，因此 GPU 被用来代替 CPU 进行通用计算。 图 15： GPU 在高性能运算方面的性能远超 CPU 资料来源： 中关村在线， NVIDIA，天风证券研究所 异构计算系统有两种实现方式：一是将多个不同类型处理器芯片通过片间集成的方式实现 节点级异构计算（称之为片间异构）；二是基于单（硅）片内集成多个不同处理器内核的 异构计算芯片实现，即异构计算在芯片级实现（称之为片内异构）。第二种异构计算芯片 技术是当前最新技术。 异构计算芯片是将不同架构的中央处理器 CPU（ Central Processing Unit）、图形处理器 GPU （ Graphics Processing Unit）、数字信号处理器 DSP（ Digital Signal Processor）和 FPGA（ Field Programmable Gate Array）等特定硬件加速单元依据相关技术标准和规范有机内在融合在 一颗芯片上，任务由最合适的工作单元来承担，不同异构内核之间实现协同计算。 异构计算的硬件成本及搭建部署成本较大，使用门槛较高。 云化将异构资源变成一种普适 的计算能力，通过将异构算力池化，做到弹性供给，即业务高峰期召之即来，业务低谷时 挥之即去，轻松应对大量的业务挑战，便捷的服务于更多的人工智能从业者，进而推动产 业升级。 异构计划将呈现三分天下的局面。 未来针对不同的人工智能应用类型和场景，将会有深度 学 习之外的新型算法脱颖而出，这就要求智能芯片的架构不能仅仅针对深度学习设计，也 要适应不同类型的算法，同时兼顾能效和灵活性。目前异构计算云化进程中， GPU 云主机 占据主流地位，随着 FPGA 云主机生态的建设和逐步完善以及 ASIC 芯片的逐步成熟，未来 异构计算领域将会呈现三分天下的局面。 表 1： 异构计算领域三大芯片 技术原理 技术发展 情况与技 技术优势 与技术局 市场需求 情况 未来发展、 演化或融合 云边端普遍使用的处理 芯片类型与代际 在云边端 训练与推 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 15 术特点 限性 的趋势 理场景的 市场渗透 率 GPU （ 1） GPU 的基本原 理为：通过简化控制 单元并集成大规模 的并行运算单元，实 现对图形渲染等并 行任务的良好支持 （ 2）具体对于智能 训练和推理应用，通 过 GPU 的向量等指 令组合出训练或推 理需要的运算操作， 从而实现对智能算 法的支持 技术成熟， 通用性较 好，擅长数 据级并行 处理，为图 形处理、科 学计算等 传统任务 提供了良 好的硬件 支持 峰值运算 性能高，但 整体能耗 较高；在云 端具备成 熟的应用 开发生态， 但在终端 生态尚不 成熟 图形渲染 和科学计 算市场需 求大且稳 定，但在人 工智能领 域面临通 用型智能 芯片的挑 战 GPU 的演 化趋势为持 续保持其在 图形渲染和 科学计算领 域的技术优 势，加强对 人工智能领 域的支持 （ 1）云端主流产品为 AMD 和 Nvidia 产品， 主流工艺为 7/12/16nm （ 2）边缘端或终端主流 产品为 SoC 集成的 GPUIP，主流厂商包括 ARM、 Imagination 等 在人工智 能领域， GPU 多用 于服务器 与数据中 心，是目前 渗透率最 高且最主 流的 芯片 类型，在终 端应用较 少 FPGA （ 1） FPGA 的基本原 理是：通过集成大量 的可重构逻辑单元 阵列，可支持硬件架 构的重构，从而灵活 支持不同的人工智 能模型 （ 2） FPGA 一般仅用 于智能推理，其技术 原理通常是将对应 的智能算法通过硬 件编程的方式实现 在 FPGA 上，从而支 持推理任务 技术成熟， 包含充裕 的可重构 逻辑单元 阵列，硬件 编程开发 和调试门 槛较高 可通过硬 件重构方 式灵活实 现适合于 人工智能 应用的架 构，但成本 和能效与 主流技术 路径仍有 差距 芯片原型 验证市场 需求大且 稳定 FPGA 将与 CPU、 DSP 等传统类型 处理器融合 到同一颗 SoC 芯片 中，实现多 样化功能 主流厂商包括 Xilinx 和 Intel 等。其中， XilinxFPGA 产品包括 Virtex、 Kintex 等系列； Intel FPGA 产品包括 Agilex、 Stratix 等系列 在芯片原 型验证与 仿真中有 着广泛应 用，在人工 智能芯片 市场渗透 率相对较 低 ASIC 专用型智能芯片的 原理是：针对面向特 定的、具体的、相对 单一的人工智能应 用专门设计的芯片， 具体实现方法为在 架构层面对特定智 能算法作硬化支持， 多用于推理任务 相关技术 持续发展 中，在架构 层面对特 定智能算 法作硬化 支持，指令 集简单或 指令完全 固化 成本相对 较低，软件 栈相对简 单，设计和 生产周期 短，但通用 性较差 应用细分 市场需求 大且分散， 成本敏感 专用型智能 芯片逐渐融 入各类行业 专用 SoC 芯片（如智 能音箱芯 片）中 目前主要应用于终端， 主要形态为行业专用 SoC，较多集中于语音处 理领域 常用于在 低功耗、成 本敏感 的终端上 支撑特定 的智能应 用，在云 端、边缘端 等场景 渗透率相 对较低 资料来源：寒武纪招股说明书，天风证券研究所 AI 推断需求的指数级增长，需要特定架构 (DSA)以达到最大效率 。然而，与 AI 创新的速度 相比，固定硬件的 DSA 开发周期太过漫长。 FPGA 提供灵活应变的平台，支持可随时根据 最新 AI 技术定制的 DSA，而且无需坐等漫长硅片研发周期。据研调机构 Global Market Insights 的报告称 ， 2022 年 FPGA 规模有望超过 99.8 亿美元。 架构创新在端侧低功耗高性能计算芯片为推动，针对 ToC 市场，应用加速下沉 商业落地迅 行业报告 | 行业投资策略 请务必阅读正文之后的信息披露和免责申明 16 猛，以视觉、机器人、语音当前为主方向 ，重视新型计算方向存算一体。国内企业代表： 全志科技，瑞芯微，兆易创新，恒玄科技等 商业落地迅猛，以视觉、机器人、语音当前为主方向。 自第四次信息革命以来，现代电子 设备朝着智能化、轻量化、便携化快速发展。近年来，随着以深度学习神经网络为代表的 人工智能算法的深入研究与普及，智能电子设备与相关应用场景已随处可见，例如人脸识 别、语音识别、智能家居、安防监控、无人驾驶等。 图 16： 2020 年 人工智能应用领域 资料来源：三纳米商业计划书，天风证券研究所 人工智能