• 首页 >  信息科技 >  半导体
  • 半导体与半导体生产设备行业深度报告:英伟达AI黄金时代中的卖铲人-240810(37页).pdf

    定制报告-个性化定制-按需专项定制研究报告

    行业报告、薪酬报告

    联系:400-6363-638

  • 《半导体与半导体生产设备行业深度报告:英伟达AI黄金时代中的卖铲人-240810(37页).pdf》由会员分享,可在线阅读,更多相关《半导体与半导体生产设备行业深度报告:英伟达AI黄金时代中的卖铲人-240810(37页).pdf(37页珍藏版)》请在本站上搜索。 1、 行业研究丨深度报告丨半导体与半导体生产设备 Table_Title 英伟达:AI 黄金时代中的卖铲人%1 请阅读最后评级说明和重要声明 2/37 丨证券研究报告丨 报告要点 Table_Summary英伟达(NVIDIA),1993 年由 Jenson Huang(黄仁勋)及来自于 Sun Microsystem 的两位工程师 Chris Malachowsky 和 Curtis Priem 创立,早期专注于图形芯片设计业务,随着技术与业务的发展,已成长为一家提供全栈计算的人工智能公司,产品覆盖 CPU、DPU、GPU 和 AI软件,应用领域也从游戏拓展至数据中心、专业可视化、自动驾驶等,随2、着技术与业务的发展。近年来,英伟达已经成长为全球图形加速、AI 算力的龙头企业。分析师及联系人 Table_Author 杨洋 钟智铧 SAC:S0490517070012 SAC:S0490522060001 SFC:BUW100%2aVfYaYeU9W9WbZdX9PdN6MtRrRoMtPfQoOyQfQrQnPaQnNuNMYnPmPNZmNqO请阅读最后评级说明和重要声明 丨证券研究报告丨 半导体与半导体生产设备 Table_Title2英伟达:AI 黄金时代中的卖铲人行业研究丨深度报告 Table_Rank 投资评级 看好丨维持Table_Summary2 生成式 AI 引爆技术奇3、点,GPU 行业迎高增机遇未来,随着人工智能技术的不断进步和应用领域的扩大,AI 服务器预计将成为服务器市场的核心增长点。AI 服务器专为处理复杂的数据密集型任务而设计,它们需要大量的并行计算能力来执行机器学习和深度学习算法,这使得计算芯片在 AI 服务器中占据了更高的成本比例。与传统服务器相比,AI 服务器对计算能力的要求更高,因此对高性能计算芯片的需求也更为迫切。GPU 由于其并行处理能力,在加速这些计算密集型任务中发挥着至关重要的作用,特别是在AI 训练和推理过程中,GPU 能够提供比传统 CPU 更高的性能和效率。据 IDC 预测,2027 年AI 服务器硬件市场规模有望达 1000 4、亿美元,而且其中相比传统服务器占比更高的计算芯片(如 GPU、ASIC、FPGA)有望充分享受快速增长的浪潮。GPU:并行运算效率领先,诞自游戏而盛于 AIGPU(Graphics Processing Unit,图形处理器)是一种专门用于处理图像和图形相关运算的微处理器,主要功能是将计算机系统所需的显示信息进行转换驱动,并向显示器提供行扫描信号,从而实现图像的显示。在早期,所有的图形渲染任务都由 CPU 来完成,但随着计算需求的增加,GPU 逐渐成为专门处理图形渲染的硬件。在作为图形显示芯片时 GPU 广泛应用于个人电脑、工作站、游戏机以及一些移动设备中,同时由于 GPU 本身架构非常适合重5、复冗余的并行数据处理,因此近年来在人工智能、科学计算领域得到了越来越广泛的应用。英伟达:软硬件大平台铸造核心壁垒,GPU 龙头迎时代浪潮更上一层楼英伟达(NVIDIA),1993 年由 Jenson Huang(黄仁勋)及来自于 Sun Microsystem 的两位工程师 Chris Malachowsky 和 Curtis Priem 创立,早期专注于图形芯片设计业务,随着技术与业务的发展,已成长为一家提供全栈计算的人工智能公司,产品覆盖 CPU、DPU、GPU 和 AI软件,应用领域也从游戏拓展至数据中心、专业可视化、自动驾驶等,随着技术与业务的发展。近年来,英伟达已经成长为全球图形加速6、、AI 算力的龙头企业。AI 扬帆,巨龙展翅英伟达踏上宏伟航路AI 应用的快速爆发应用的快速爆发&自身不断完善的软硬件体系形成共振,英伟达作为全球自身不断完善的软硬件体系形成共振,英伟达作为全球 GPU 龙头企业有望踏上高速增长的长期成长通道。龙头企业有望踏上高速增长的长期成长通道。在芯片、服务器等硬件设施之上,CUDA、DOCA 等开发套件构成了英伟达软件业务的底层基础框架,在此之上形成 HPC、AI、Omniverse 平台,最终在应用工具&框架层面提供企业 AI、自动驾驶、云游戏、元宇宙、医疗等众多计算服务,三重壁垒联动+螺旋提升打造 AI 全栈体系,系统级 AI 解决方案大平台将成为英7、伟达长期高增动力。风险提示 1、下游需求不及预期的风险;2、全球政治经济动荡影响产品区域性出货的风险。Table_StockData 市场表现对比图市场表现对比图(近近 12 个月个月)资料来源:Wind 相关研究相关研究 2024Q1 半导设备及材料综述:收入端加速增长,景气度持续回暖2024-05-20景气回暖+Chiplet 加速应用,封测行业多重 演绎长期成长逻辑2023-05-27AI 重构生产力下的电子行业投资机遇分析2023-03-27-35%-23%-11%1%2023/82023/122024/42024/8半导体与半导体生产设备沪深300指数2024-08-10%3 请阅读8、最后评级说明和重要声明 4/37 行业研究|深度报告 目录 生成式 AI 引爆技术奇点,GPU 行业迎高增机遇.7 GPU:并行运算效率领先,诞自游戏而盛于 AI.12 AI 扬帆,巨龙展翅英伟达踏上宏伟航路.17 产品平台化构建竞争壁垒,应用扩张打造增长动力.18 硬件、软件、应用:英伟达的三重壁垒.18 硬件层:CPU+GPU+DPU 形成三芯矩阵.20 软件层:CUDA+DOCA 构造基础,工具树凝聚生态.24 收入利润节节高升,长期成长路途清晰.29 投资建议:.34 风险提示.35 图表目录 图 1:AI 能力出现拐点,从预测推断走向内容生成.7 图 2:内容创作模式的四个发展阶段.9、7 图 3:生成式 AI 技术的成熟应用进程时间表.7 图 4:人工智能三要素逐步成熟,推动行业进入爆发期.8 图 5:全球及我国人工智能市场收支规模及预测(亿美元).8 图 6:大模型参数快速提升,对于训练、推理芯片的性能要求越来越高.9 图 7:B2CB2B 对算力的需求(QFLOPS).9 图 8:Scaling Law 尚未见顶,MOE 万亿参数大模型是新的热点.9 图 9:大模型算力需求 6 个月翻一番的趋势,预计至少持续到 2030 年.9 图 10:开发更高性能的 AI 大模型需要更强的算力平台.10 图 11:算力底座技术门槛提高,未来训练核心拼集群系统能力.10 图 12:训10、练&推理对算力均带来显著需求.10 图 13:AIGC 产业的算力是工程化结果,是从芯片到资源服务的多层次构造.10 图 14:AI 服务器将成为服务器的核心增长点(亿美元).11 图 15:相比传统服务器,AI 服务器整体成本中计算芯片占比更高.11 图 16:四类逻辑芯片特性比较.11 图 17:主要 AI 芯片的功能特性比较.11 图 18:1983 年由 TI 推出的第一款 GPU 芯片,用于雅利达游戏机,显存仅为 16kb,分辨率为 256*192.12 图 19:目前最先进的游戏显卡英伟达 RTX40 系列显存达 16GB,可实现光线追踪效果.12 图 20:GPU 处理图形主要分11、为几何阶段和光栅化阶段.12 图 21:渲染着色需要大量 shader 串行完成数据处理.12 图 22:CPU 与 GPU 的结构差异.13 图 23:核(ire)线程组(Thread)线程块(Block)网格(Grid)的多层级复合堆积结构使得 GPU 更适合处理简单重复的并行运算.13 图 24:阿凡达中用光线追踪技术制作的镜头,GPU 在图形渲染中的应用范围持续扩大.13 图 25:以 GPU 为计算核心的服务器集群已成为 AI 发展的关键基础.13%4 请阅读最后评级说明和重要声明 5/37 行业研究|深度报告 图 26:全球 GPU 市场规模 2027 年有望达到 1857.5 亿12、美元.14 图 27:2023 年全球 GPU 下游应用仍以移动设备、PC 及工作站为主.14 图 28:服务器中的 GPU 市场规模快速扩大(亿美元).14 图 29:英伟达在服务器 GPU 中占据核心份额.14 图 30:英伟达 H100 硬件架构示意图,大量 CUDA Core 需要跟片上缓存、管口配合.15 图 31:2020 年以来英伟达 CUDA 生态持续扩大(百万次).16 图 32:英伟达目前仍为桌面级 GPU 市场的核心龙头,份额持续提升.16 图 33:英伟达在全球服务器 GPU 中的市场份额高达 95.9%.16 图 34:英伟达增长趋势(单位:百万美元).18 图 3513、:英伟达应用于 AI 运算的 H100 芯片组.19 图 36:英伟达应用于图形显示的 RTX 系列产品.19 图 37:英伟达围绕 GPU 硬件基础打造了 CUDA 生态系统.19 图 38:在 CUDA 生态系统至上进一步完善了各类场景应用.19 图 39:AI 的核心驱动与英伟达的三重壁垒.20 图 40:Tensor Core 的 4x4 矩阵可大幅提升运算效率.21 图 41:相比无 Tensor Core 的 P100,V100 训练效率大幅提升.21 图 42:Blackwell 架构下的 GB200 GPU 集成了 2080 亿个晶体管.22 图 43:GB200 的整体运算效14、率远超英伟达前代产品.22 图 44:NVIDIA BLUEFIELD-3 DPU:可编程片上数据中心基础设施.23 图 45:DPU 可大幅提升通信吞吐量.23 图 46:Grace CPU 通过 NVLink 与 GPU 连接,大幅提升吞吐效率.24 图 47:使用 NVIDIA Scalable Coherency Fabric 扩展内核和带宽.24 图 48:英伟达从硬件软件应用层的完整结构.25 图 49:DRAM 内存寻址:可以在 DRAM 的任何区域进行数据读写.26 图 50:On-chip 内存共享:提升数据读写速度.26 图 51:外部内存读取:线程可以通过不同范围的一组内15、存空间来访问设备的 DRAM 和片上存储器.26 图 52:线程批处理:任务分解.26 图 53:CUDA-X AI 开发套件.27 图 54:CUDA-X HPC 开发套件.27 图 55:DOCA 的软硬件结构.28 图 56:英伟达 AI Enterprise 应用体系.28 图 57:英伟达 Omniverse 体系.29 图 58:英伟达整体收入及变化(亿美元).30 图 59:英伟达归母净利润变化(亿美元).30 图 60:英伟达数据中心收入变化(单位:亿美元).30 图 61:英伟达数据中心收入占比变化.30 图 62:英伟达游戏收入变化(单位:亿美元).31 图 63:英伟达游16、戏收入占比变化.31 图 64:英伟达专业可视化收入变化(单位:亿美元).31 图 65:英伟达专业可视化收入占比变化.31 图 66:英伟达自动驾驶收入变化(单位:亿美元).32 图 67:英伟达自动驾驶收入占比变化.32%5 请阅读最后评级说明和重要声明 6/37 行业研究|深度报告 图 68:英伟达盈利能力.32 图 69:英伟达费用率.32 图 70:英伟达研发投入(亿美元).33 图 71:英伟达存货(亿美元).33 表 1:英伟达主要游戏显卡参数.21 表 2:英伟达主要数据中心显卡参数.22 表 3:CUDA 主要工作模块及原理.25 表 4:CUDA 核心优势.26%6 请阅读17、最后评级说明和重要声明 7/37 行业研究|深度报告 生成式 AI 引爆技术奇点,GPU 行业迎高增机遇 AIGC 全称为 AI-Generated Content,指基于生成对抗网络 GAN、大型预训练模型等人工智能技术,通过已有数据寻找规律,并通过适当的泛化能力生成相关内容的技术。与之相类似的概念还包括合成式媒体(Synthetic Media),通过人工智能算法生成、操控与修改数据或媒体,包括文本、代码、图像、语音、视频和 3D 内容等。2020 年,参数量达 1750 亿的 GPT-3 在问答、摘要、翻译、续写等语言类任务上展现出了优秀的通用能力,证明了海量数据、更多参数、多元的数据采18、集渠道可构成 AI 发展的关键基础。2022 年 12 月,ChatGPT 3.5 令人惊艳的使用体验引爆社会热潮,搜索热度和用户增长都出现了极为明显的提升,目前全球大模型已进入百花齐放的阶段,GPT-4o、阿里通义千问 Qwen2-72B、Llama 3、盘古大模型等多种模型应用层出不穷。图 1:AI 能力出现拐点,从预测推断走向内容生成 资料来源:迈向智能世界白皮书 2023华为,长江证券研究所 目前,大型文本预训练模型作为底层工具,商业变现能力逐渐清晰。以 GPT-3 为例,其文本生成能力已被直接应用于 Writesonic、Conversion.ai、Snazzy AI、Copysmi19、th、Copy.ai、Headlime 等文本写作/编辑工具中。同时也被作为部分文本内容的提供方,服务于 AI dungeon 等文本具有重要意义的延展应用领域。图 2:内容创作模式的四个发展阶段 图 3:生成式 AI 技术的成熟应用进程时间表 资料来源:AIGC 发展趋势报告 2023腾讯研究院,长江证券研究所 资料来源:AIGC 发展趋势报告 2023腾讯研究院,长江证券研究所 文本领域代码领域图像领域视频/3D/游戏领域诈骗垃圾信息识别翻译基础问答回应单行代码补足基础文案撰写初稿多行代码生成更长的文本二稿更长的代码更精确的表达艺术图标摄影3D/视频模型的初步尝试模仿(产品设计、建筑等)视20、频和3D文件的基础版/初稿二稿垂直领域的文案撰写实现可精调(论文等)支持更多语种领域更垂直终稿,水平高于人类平均值根据文本生成初版应用程序终稿(产品设计、建筑等)终稿,水平高于专业写手根据文本生成终版应用程序,比全职开发者水平更高终稿,水平高于专职艺术家、设计师等AI版Roblox可依个人梦想定制的游戏与电影2020年之前202020222023?2025?2030?大模型可用情况初步尝试基本实现未来潜力%7 请阅读最后评级说明和重要声明 8/37 行业研究|深度报告 AIGC 的本质是内容与场景,其发展需要 AI 与后端基建,算法、算据和算力三要素耦合共振。AIGC 的三大发展阶段是:模型赋21、智阶段(从现实生成数字):AIGC 利用 AI 技术构建模拟现实世界的数字孪生模型;认知交互阶段(从数字生成数字):AI 能够学习并创作更丰富的内容;空间赋能阶段(从数字生成现实):AIGC 基于物联网,多模态技术获取多维信息,实现更加智能的人与机器互动。在在 AI 的的快快速速发发展展驱驱动动下下,2021 年年,全全球球人人工工智智能能市市场场收收支支规规模模(含含硬硬件件、软软件件及及服服务务)达达 850 亿亿美美元元。IDC 预测,该市场规模将于 2025 年突破 2000 亿美元大关,CAGR 达 24.5%,显示出强劲的产业化增长势头。2021 年,中国人工智能市场收支规模达到 22、82 亿美元,占全球市场规模的 9.6%,在全球人工智能产业化地区中仅次于美国及欧盟,位居全球第三。IDC 预测,2022 年该市场规模将同比增长约 24%至 102 亿美元,并将于 2025 年突破 160 亿美元。图 4:人工智能三要素逐步成熟,推动行业进入爆发期 图 5:全球及我国人工智能市场收支规模及预测(亿美元)资料来源:甲子光年,长江证券研究所 资料来源:IDC Global,IDC China,上海数字大脑研究院,长江证券研究所 在在现现代代人人工工智智能能领领域域,算算力力扮扮演演着着推推动动创创新新、实实现现突突破破的的核核心心驱驱动动力力。为了成功训练大规模的人工智能模型,23、需要在算力、算法、数据以及系统架构等多个维度进行综合优化。从技术角度来看,预训练、微调和模型推理等环节构成了大模型研发过程中的核心要素和主要的计算需求。在大模型的核心构成中,除了算法本身,参数设置也至关重要。参数量(Params)是衡量模型规模的一个指标,它与算法中的空间复杂度相似,通常参数量越大,神经网络模型的复杂性越高,对计算资源的需求也越大。一些复杂的神经网络模型的参数量可以达到千亿甚至万亿级别,这与应用级别的模型在参数规模上存在指数级的差异。自 2022年底以来,随着 ChatGPT 等大规模参数通用大模型的成功推出,这些模型的训练需求推动了智能计算能力的巨大增长。这些模型的训练不仅需24、要处理千亿甚至万亿级别的参数,还需要处理高达数千GB的高质量数据,从而极大地推动了对智能算力的需求增长。算法层面数据层面算力层面核心技术突破多模态认知计算感知+交互数字孪生虚拟现实全息立体应用场景大数据语料库高精度训练集标注训练计算任务投喂硬件算力-本地化实时算力-云计算智能交互-边缘计算数据数据巨量化算法跨模态融合算力内容创造力AIGC认知交互力85010172042821021610500100015002000250020212022E2025E全球中国%8 请阅读最后评级说明和重要声明 9/37 行业研究|深度报告 图 6:大模型参数快速提升,对于训练、推理芯片的性能要求越来越高 图 25、7:B2CB2B 对算力的需求(QFLOPS)资料来源:英伟达官网,长江证券研究所 资料来源:McKinsey,长江证券研究所 Scaling Law 尚未见顶,目前拥有万亿参数的多模态大型模型已成为研究和应用的新焦点。模型的性能显著地依赖于其规模大小,随着计算量、数据量和参数量的增加而显著提升。在参数数量相同的情况下,更深的神经网络模型往往能够展现出更优越的性能。多模态数据已成为训练这些大型模型的主要数据源,其对计算资源的需求是传统文本数据的数百倍。大型模型的算力需求呈现出每六个月翻倍的趋势,这一趋势预计将至少持续至 2030 年。随着模型规模的不断扩大,对算力的需求也在急剧上升,这不仅推动26、了计算硬件的发展,也对算法的优化提出了更高的要求。图 8:Scaling Law 尚未见顶,MOE 万亿参数大模型是新的热点 图 9:大模型算力需求 6 个月翻一番的趋势,预计至少持续到 2030 年 资料来源:迈向智能世界白皮书 2023华为,长江证券研究所 资料来源:迈向智能世界白皮书 2023华为,长江证券研究所 在在人人工工智智能能领领域域,大大模模型型技技术术正正在在逐逐步步实实现现标标准准化化和和统统一一化化,生生态态体体系系也也在在向向集集成成化化发发展展,模模型型设设计计趋趋向向于于更更加加精精简简和和统统一一的的框框架架。随着对更高性能 AI 大模型的追求,对算力平台的要求也27、日益提高,技术门槛随之提升。未来,AI 模型训练的核心将转向集群系统的综合能力。AI 大大模模型型对对算算力力的的需需求求正正以以指指数数级级速速度度增增长长,推推动动了了 AI 算算力力平平台台从从单单一一的的单单机机计计算算向向集集群群计计算算的的转转变变。构建超大规模的 AI 集群面临着三大技术挑战:首先是液冷技术的大规模商用,这在工程实施上存在一定的挑战;其次是 AI 集群的建设本身就是一项复杂%9 请阅读最后评级说明和重要声明 10/37 行业研究|深度报告 的系统工程,需要跨学科、跨领域的协同合作;最后,AI 大模型的训练高度依赖于 AI 集群的高可用性,这要求集群必须具备高度的稳28、定性和可靠性。图 10:开发更高性能的 AI 大模型需要更强的算力平台 图 11:算力底座技术门槛提高,未来训练核心拼集群系统能力 资料来源:华为,长江证券研究所 资料来源:华为,长江证券研究所 AI 技技术术在在实实际际应应用用中中包包括括两两个个环环节节:训训练练(Training)和和推推理理(Inference),AIGC 的的算算力力需需要要考考虑虑训训练练及及推推理理两两个个方方面面。训练是指通过数据开发出 AI 模型,使其能够满足相应的需求,一般为 AI 技术的研发。因此参数量的升级对算力的需求影响大。推理是指利用训练好的模型进行计算,利用输入的数据获得正确结论的过程,一般为 A29、I 技术的应用。推理部署的算力主要在于每个应用场景日数据的吞吐量。未来大模型的产业化发展是一套复杂的系统工程,构建高效稳定的算力平台是核心要义,成熟的算法、数据产业链,配套工具链及丰富的生态链是关键因素,亟需 以系统的方式寻找最优解。算力设备软硬件兼容性和性能调教上的 Know-How,可以保证 AI 算力的适配性和稳定性,并非单一因素的参数能简单决定。图 12:训练&推理对算力均带来显著需求 图 13:AIGC 产业的算力是工程化结果,是从芯片到资源服务的多层次构造 资料来源:甲子光年,长江证券研究所 资料来源:甲子光年,长江证券研究所 未未来来,随随着着人人工工智智能能技技术术的的不不断断30、进进步步和和应应用用领领域域的的扩扩大大,AI 服服务务器器预预计计将将成成为为服服务务器器市市场场的的核核心心增增长长点点,而而其其中中的的计计算算芯芯片片又又是是“灵灵魂魂”。AI 服务器专为处理复杂的数据密集型任务而设计,它们需要大量的并行计算能力来执行机器学习和深度学习算法,这使得%10 请阅读最后评级说明和重要声明 11/37 行业研究|深度报告 计算芯片在 AI 服务器中占据了更高的成本比例。与传统服务器相比,AI 服务器对计算能力的要求更高,因此对高性能计算芯片的需求也更为迫切。GPU 由于其并行处理能力,在加速这些计算密集型任务中发挥着至关重要的作用,特别是在 AI 训练和推理31、过程中,GPU 能够提供比传统 CPU 更高的性能和效率。据 IDC 预测,2027 年 AI 服务器硬件市场规模有望达 1000 亿美元,而且其中相比传统服务器占比更高的计算芯片(如GPU、ASIC、FPGA)有望充分享受快速增长的浪潮。图 14:AI 服务器将成为服务器的核心增长点(亿美元)图 15:相比传统服务器,AI 服务器整体成本中计算芯片占比更高 资料来源:IDC,长江证券研究所 资料来源:IDC,长江证券研究所 以人工智能芯片为例,目前主要有两种发展路径:一种是延续传统计算架构,加速硬件计算能力,主要以 CPU、GPU、FPGA、ASIC 为代表。当前阶段,GPU 配合 CPU 32、是AI 芯片的主流,而后随着视觉、语音、深度学习的算法在 ASIC 芯片上的不断优化,此两者也将逐步占有更多的市场份额,从而与 GPU 达成长期共存的局面。深度神经网络算法是大型多层的网络模型,典型的有循环神经网络和卷积神经网络,模型单次推断通常需要数十亿甚至上百亿次的运算,对芯片的计算力提出了更高要求,同时对器件的体积、功耗还有一定的约束。图 16:四类逻辑芯片特性比较 图 17:主要 AI 芯片的功能特性比较 资料来源:与非网,长江证券研究所 资料来源:赛迪智库,长江证券研究所 020040060080010001200140020202021202220232024E2025E2026E33、2027EAI服务器非AI服务器0%10%20%30%40%50%60%计算芯片网络芯片HDDSSD&NANDDRAMAI服务器非AI服务器性能功能效率灵活性延迟CPUGPUFPGAASICGPUFPGAASIC定制化程度通用型半定制化定制化好好不好灵活性成本高较高低/Verilog/VHDL等硬件描述语言,OpenCL、HLSCUDA、OpenCL等编程语言/架构功耗大较大小平均性能很强,功耗很低、体积小平均性能较高、功耗较低、灵活性强峰值计算能力强、产品成熟主要优点前期投入成本高、不可编辑、研发时间长、技术风险大量产单价高、峰值计算能力较强、编程语言难度大效率不高、不可编辑、功耗高主要缺点34、云端训练、云端推断、终端推断主要应用场景云端训练、云端推断云端推理、终端推断谷歌TPU、寒武纪Cambricon等XilinxVersal、英特尔Arria等英伟达Tesla、高通Adreno等代表企业芯片%11 请阅读最后评级说明和重要声明 12/37 行业研究|深度报告 GPU:并行运算效率领先,诞自游戏而盛于 AI GPU(Graphics Processing Unit,图形处理器)是一种专门用于处理图像和图形相关运算的微处理器,主要功能是将计算机系统所需的显示信息进行转换驱动,并向显示器提供行扫描信号,从而实现图像的显示。在早期,所有的图形渲染任务都由 CPU 来完成,但随着计算需求35、的增加,GPU 逐渐成为专门处理图形渲染的硬件。在作为图形显示芯片时 GPU 广泛应用于个人电脑、工作站、游戏机以及一些移动设备(如平板电脑、智能手机等)中,但同时由于 GPU 本身架构非常适合重复冗余的并行数据处理,因此近年来在人工智能、科学计算领域得到了越来越广泛的应用。图 18:1983 年由 TI 推出的第一款 GPU 芯片,用于雅利达游戏机,显存仅为 16kb,分辨率为 256*192 图 19:目前最先进的游戏显卡英伟达 RTX40 系列显存达 16GB,可实现光陑追踪效果 资料来源:MSX,长江证券研究所 资料来源:英伟达官网,长江证券研究所 GPU 的的核核心心优优势势在在于于36、其其拥拥有有大大量量的的核核心心,这这些些核核心心可可以以同同时时执执行行多多个个任任务务,从从而而大大幅幅提提高高计计算算速速度度以以提提供供较较强强的的并并行行计计算算能能力力。这种并行处理能力使得 GPU 能够快速将图形结果计算出来,并在屏幕的所有像素中进行显示。GPU 内部包含多个处理器,如顶点处理器、几何处理器和光栅化处理器等。这些处理器协同工作,分别负责不同的渲染阶段,从而进一步提高渲染效率。渲渲染染过过程程通通常常通通过过一一个个称称为为“渲渲染染管管陑陑”的的流流程程进进行行,该该流流程程包包括括多多个个阶阶段段,如如顶顶点点处处理理、几几何何处处理理、光光栅栅化化和和着着色色37、等等。在渲染管陑中,着色器(shader)起到了至关重要的作用。它们是小型程序,用于定义物体的外观和光照效果。GPU 通过着色器来实现复杂的视觉效果和动态变化。图 20:GPU 处理图形主要分为几何阶段和光栅化阶段 图 21:渲染着色需要大量 shader 串行完成数据处理 资料来源:CSDN,长江证券研究所 资料来源:CSDN,长江证券研究所%12 请阅读最后评级说明和重要声明 13/37 行业研究|深度报告 由由于于存存储储器器的的发发展展慢慢于于处处理理器器,在在 CPU 上上发发展展出出了了多多级级高高速速缓缓存存的的结结构构,在在 GPU 中中,也也存存在在类类似似的的多多级级高高速38、速缓缓存存结结构构,相相比比 CPU,GPU 将将更更多多的的晶晶体体管管用用于于数数值值计计算算,而而不不是是缓缓存存和和流流控控(Flow Control),CPU 的 Cache 和 Control 较多,更为适合处理复杂的逻辑任务,GPU 则有更多的 Core,使其更为适合处理并行陑程,相对应的 GPU 在处理复杂逻辑任务的表现相对较弱。图 22:CPU 与 GPU 的结构差异 图 23:核(ire)陑程组(Thread)陑程块(Block)网格(Grid)的多层级复合堆积结构使得 GPU 更适合处理简单重复的并行运算 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证39、券研究所 基于 GPU 在图形显示和并行运算上的优势,GPU 的应用范围逐渐从对图形、游戏的加速图形渲染向电影、电视、医疗影像等领域扩扩展,人工智能、机器学习、科学计算、加密货币挖矿、数据中心和云计算、自动驾驶和机器人等领域也进入百花齐放的阶段,越来越多次世代应用采用了 GPU 为核心的硬件架构,这大大推动了 GPU 市场规模的提升。图 24:阿凡达中用光陑追踪技术制作的镜头,GPU 在图形渲染中的应用范围持续扩大 图 25:以 GPU 为计算核心的服务器集群已成为 AI 发展的关键基础 资料来源:Broadgeek,长江证券研究所 资料来源:英伟达官网,长江证券研究所 在在图图形形渲渲染染、40、加加速速运运算算需需求求持持续续爆爆发发的的带带动动下下,全全球球 GPU 市市场场正正迎迎来来一一个个前前所所未未有有的的增增长长期期。据 Technavio,2022 年全球 GPU 市场规模已经达到 443.8 亿美元,并在 2023年进一步增长至 584.1 亿美元,这一上升趋势预计将持续至 2027 年,届时市场规模有望飙升至 1857.5 亿美元,20222027 年 GPU 市场规模复合增长率达 33.15%。%13 请阅读最后评级说明和重要声明 14/37 行业研究|深度报告 目前,移动设备、个人电脑及工作站是GPU市场的主要组成部分,据Modor Intelligence,它41、们在 2023 年分别占据了全球 GPU 市场规模的 46%和 40%。然而,随着人工智能技术的快速发展,AI 的深度学习和机器学习算法对计算能力的需求日益增长,GPU 因其卓越的并行处理能力而成为这些应用的理想选择,服务器市场预计将成为推动 GPU 增长的新引擎,尤其是在云计算和数据中心的大规模部署中。GPU 行业的发展不仅仅局限于 AI 和服务器市场。随着 5G 技术的普及和物联网(IoT)设备的增加,对高性能图形处理的需求也在不断上升,这将进一步推动 GPU 市场的成长。此外,GPU 在游戏、专业图形设计、视频编辑、科学计算以及自动驾驶汽车等领域的应用也在不断扩展,为行业带来新的增长机遇42、。图 26:全球 GPU 市场规模 2027 年有望达到 1857.5 亿美元 图 27:2023 年全球 GPU 下游应用仍以移动设备、PC 及工作站为主 资料来源:Technavio,长江证券研究所 资料来源:Mordor Intelligence,长江证券研究所 随着人工智能、机器学习、数据分析等技术在各行业的广泛应用,未来服务器中的 GPU市场规模预计将快速扩大。英伟达作为全球领先的 GPU 制造商,在服务器 GPU 市场中占据核心份额。凭借其强大的产品性能、广泛的软件生态系统以及持续的技术创新,英伟达有望充分受益于这一行业增长趋势。英伟达的数据中心业务已经展现出强劲的增长势头,随着 43、AI 技术的进一步发展和市场需求的不断扩大,英伟达的 GPU 产品,特别是为 AI 和高性能计算设计的系列产品,预计将在服务器市场中继续保持领先地位,推动公司业务的持续增长。图 28:服务器中的 GPU 市场规模快速扩大(亿美元)图 29:英伟达在服务器 GPU 中占据核心份额 资料来源:IDC,长江证券研究所 资料来源:IDC,长江证券研究所 30%31%31%32%32%33%33%34%34%35%35%0200400600800100012001400160018002000202220232024E2025E2026E2027E全球GPU市场规模(亿美元)YoY(右轴)46%40%644、%6%2%移动设备PC及工作站游戏机服务器其他应用0100200300400500600700800900100020202021202220232024E 2025E 2026E 2027E 2028E服务器中的GPU市场规模0204060801001202020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q42023Q12023Q22023Q32023Q4英伟达AMD&Intel%14 请阅读最后评级说明和重要声明 15/37 行业研究|深度报告 GPU 在在硬硬件件设设计计、制制造造和和配配套套软软件45、件配配套套上上有有着着较较高高的的壁壁垒垒。首先,技术复杂性是一个重要壁垒,GPU 设计需要深厚的技术积累和专业知识。其次,研发成本高昂,开发高性能GPU 需要巨大的资金投入和长期的研发周期。再者,知识产权如专利构成了法律壁垒,现有企业如英伟达和 AMD 拥有大量 GPU 相关专利。此外,市场认可度也是一大壁垒,现有品牌已经建立了强大的市场信任和用户基础。软件生态系统同样关键,强大的软件支持和开发者社区对于 GPU 的成功至关重要。最后,制造工艺也是一个壁垒,先进的半导体制造技术不易获得,需要与顶级的代工厂建立合作关系。这些壁垒共同维护了GPU 市场的稳定性,同时也限制了新竞争者的进入。技技术46、术架架构构壁壁垒垒:GPU 设计是一项系统工程,其硬件架构复杂,需要高度优化以支持并行处理和高吞吐量计算,这要求精细的工程设计来平衡性能和功耗。设计者必须精通复杂的计算图形学和并行计算理论,确保 GPU 能够有效地执行图形渲染、深度学习和其他计算密集型任务。此外,GPU 架构必须具备高度可扩展性,以适应从移动设备到超级计算机的不同应用场景。散热管理也是设计中的一个挑战,因为 GPU 在运行时会产生大量热量。还需要考虑内存带宽、数据传输效率以及与 CPU 等其他系统组件的协同工作。最后,随着技术的发展,GPU 架构还需要不断创新以支持新兴技术,如光陑追踪、AI 加速和虚拟化。这些因素共同构成了 47、GPU 硬件架构设计的难点。例如,英伟达的 Hopper 架构包含数千个 CUDA Core 和深度学习矩阵运算单元,这些硬件的精密设计构成了 GPU 的硬件壁垒。图 30:英伟达 H100 硬件架构示意图,大量 CUDA Core 需要跟片上缓存、管口配合 资料来源:英伟达官网,长江证券研究所 算算法法和和软软件件生生态态:GPU 图形渲染需要用到计算图形学,涉及数学、物理等多学科知识。GPU 软件生态的难点在于创建一个支持广泛应用程序、易于开发者使用且能够充分利用 GPU 硬件性能的开发环境。这需要提供强大的编程模型、丰富的API、高效的运行时库以及优化工具,同时还必须保持与不断演进的硬件48、架构同步。开发者需要能够轻松地编写、调试和部署在 GPU 上运行的代码,同时软件生态还必须支持多平台、多语言和多种计算框架。此外,构建一个充满活力的开发者社区,提供必要的教育资源和技术支持,也是软件生态成功的关键。此外,软件生态也是 GPU 厂商的重要竞争屏障。例如,英伟达推出的 CUDA 平台形成了开发人员社区生态,增加了竞争对手的进入难度。%15 请阅读最后评级说明和重要声明 16/37 行业研究|深度报告 图 31:2020 年以来英伟达 CUDA 生态持续扩大(百万次)资料来源:英伟达官网,长江证券研究所 研研发发投投入入和和周周期期:GPU 的研发需要大量的资金投入和长周期的技术积累49、。新进入者要自主研发高性能 GPU,需要从零开始,面临较大的难度和风险。供供应应链链和和制制造造能能力力:GPU 的生产需要先进的半导体制造工艺,如台积电的 5nm 工艺。新进入者要获得同等水平的制造能力,需要解决供应链和生产上的诸多难题。在在硬硬件件、软软件件、生生态态等等多多重重壁壁垒垒的的推推动动下下,英英伟伟达达已已经经逐逐步步成成为为全全球球 GPU 的的龙龙头头企企业业。英伟达的成功不仅源于其在 GPU 硬件架构上的技术领先,还因为其在软件生态方面的深远布局。通过推出 CUDA 平台,英伟达为开发者提供了强大的工具和库,极大地简化了并行编程的复杂性,吸引了广泛的开发者社区和科研机构50、的支持。此外,英伟达不断推动技术创新,如实时光陑追踪、AI 加速计算等,进一步巩固了其在高性能计算和游戏领域的领导地位。教育和研究领域的合作也扩大了英伟达的影响力,通过学术合作和奖学金项目培养了未来的技术人才。同时,英伟达还积极拓展与行业伙伴的合作,构建了一个强大的产业生态系统,包括 OEM、ISV 和云服务提供商,确保了其技术和产品能够广泛应用于各个领域。这些因素共同作用,使得英伟达在 GPU 市场中占据了难以撼动的地位。目前,据 JPR,英伟达 2023Q4 在全球桌面级 GPU 的市场份额达 80%,据IDC,英伟达在全球服务器 GPU 中的市场份额高达 95.9%。图 32:英伟达目前51、仍为桌面级 GPU 市场的核心龙头,份额持续提升 图 33:英伟达在全球服务器 GPU 中的市场份额高达 95.9%资料来源:JPR,长江证券研究所 资料来源:IDC,长江证券研究所 010203040506020202023CUDA下载量84%80%88%0%10%20%30%40%50%60%70%80%90%100%2023Q12023Q42024Q1英伟达英特尔AMD95.90%0.20%3.90%英伟达英特尔AMD%16 请阅读最后评级说明和重要声明 17/37 行业研究|深度报告 AI 扬帆,巨龙展翅英伟达踏上宏伟航路 英伟达(NVIDIA),1993 年由 Jenson Huan52、g(黄仁勋)及来自于 Sun Microsystem 的两位工程师 Chris Malachowsky 和 Curtis Priem 创立,早期专注于图形芯片设计业务,随着技术与业务的发展,已成长为一家提供全栈计算的人工智能公司,产品覆盖 CPU、DPU、GPU 和 AI 软件,应用领域也从游戏拓展至数据中心、专业可视化、自动驾驶等,随着技术与业务的发展。近年来,英伟达已经成长为全球图形加速、AI 算力的龙头企业,在硬件端英伟达形成了 CPU+GPU+DPU 的协同布局,其训练和推理芯片性能大幅领先竞争对手,AI 服务器 GPU 份额遥遥领先;在软件端,其 CUDA 架构是目前最适合深度学习和53、 AI 训练的 GPU 架构之一,已积累 300 个加速库和 400 个 AI 模型主导 AI 训练与推理芯片市场。GPU 是是英英伟伟达达的的核核心心产产品品,围围绕绕 GPU 及及其其核核心心应应用用图图形形渲渲染染和和加加速速运运算算,英英伟伟达达持持续续扩扩展展自自身身软软硬硬件件实实力力,在在硬硬件件的的三三芯芯战战略略+互互联联网网络络、软软件件侧侧的的开开发发软软件件+行行业业应应用用软软件件、应应用用层层对对各各核核心心下下游游持持续续加加大大投投入入的的三三重重驱驱动动下下,英英伟伟达达完完成成了了多多个个阶阶段段的的快快速速发发展展,目目前前已已经经成成为为了了全全球球核核54、心心 AI 芯芯片片及及应应用用企企业业:创创立立初初期期(1993-2006 年年):英伟达于 1993 年成立,最初专注于图形处理器(GPU)的研发和生产。在这一阶段,英伟达面临激烈的市场竞争,尤其是在计算机图形芯片市场,当时市场上有 90 个竞争对手。尽管如此,英伟达还是设法在桌面和笔记本电脑的GPU市场中占据了一席之地。1999 年,英伟达发布了全球第一款 GPUGeForce 256,这标志着 GPU 时代的开始。技技术术创创新新与与扩扩展展(2006-2015 年年):2006 年,英伟达发布了 CUDA 并行计算平台和编程模型,这一创新极大地推动了后来的人工智能技术发展。此外,英55、伟达在这一时期还推出了多款重要的 GPU 架构,如 Fermi、Kepler 等。这些技术创新不仅巩固了英伟达在游戏和专业图形市场的地位,也为公司后来进入 AI 领域奠定了基础。AI 时时代代的的崛崛起起(2015-至至今今):从 2015 年开始,英伟达的业绩和估值开始快速增长,股价在 6 年内上涨了 70 倍,市值超过 8000 亿美元,成为全球市值第八大的公司。这一转变主要得益于英伟达在 AI 领域的深入布局和技术创新。2016 年,英伟达推出了 AI 加速器 Tesla P100 和 Volta 架构,进一步加强了其在 AI 计算加速处理器市场的领导地位。此后,英伟达继续推出新一代的A56、I技术和产品,如Ampere架构、NVIDIA Xavier 自动驾驶处理器等,并在 AI 算力领域取得了显著成就。%17 请阅读最后评级说明和重要声明 18/37 行业研究|深度报告 图 34:英伟达增长趋势(单位:百万美元)资料来源:Anandtech,英伟达官网,Thinkcomputers,快科技,长江证券研究所(注:算力大小均取系列产品中单精度计算性能的较大值)AI 应应用用的的快快速速爆爆发发&自自身身不不断断完完善善的的软软硬硬件件体体系系形形成成共共振振,英英伟伟达达作作为为全全球球 GPU 龙龙头头企企业业有有望望踏踏上上高高速速增增长长的的长长期期成成长长通通道道。在芯片、57、服务器等硬件设施之上,CUDA、DOCA 等开发套件构成了英伟达软件业务的底层基础框架,在此之上形成 HPC、AI、Omniverse平台,最终在应用工具&框架层面提供企业 AI、自动驾驶、云游戏、元宇宙、医疗等众多计算服务,英伟达已从一家 GPU 公司升级成计算平台公司。产品平台化构建竞争壁垒,应用扩张打造增长动力 硬件、软件、应用:英伟达的三重壁垒 三重壁垒联动+螺旋提升打造 AI 全栈体系,系统级 AI 解决方案大平台是英伟达内核。英伟达通过其“三芯片四领域”的战略,构筑了一个全面的产品矩阵,涵盖了硬件、软件和生态系统三大方面:硬硬件件:英伟达的硬件产品陑主要包括 GeForce 系列(58、G 系列)和针对数据中心的GPU 产品,如 A100、DGX A100 和 InfiniBand 等。这些硬件产品支持高性能的图形处理能力和游戏特性,以及云与数据中心领域的需求。此外,英伟达还涉足了CPU Grace 等新型处理器的研发,进一步丰富其硬件产品矩阵。-20%0%20%40%60%80%100%120%140%010,00020,00030,00040,00050,00060,00070,000FY 2014FY 2015FY 2016FY 2017FY 2018FY 2019FY 2020FY 2021FY 2022FY 2023FY 2024数据中心游戏专业设计与可视化解决方案59、OEM&IP汽车总收入YoY(右轴)第一阶段游戏业务奠定基础第三阶段泛AI应用打开成长空间MaxcellGTX 900系列PascallGTX 10系列TurningRTX 20系列推出光追技术AmpereRTX 30系列Ada LovelaceRTX 40系列Pascall计算卡P100HBM2Volta计算卡V10016.4 TFLOPSAmpere计算卡A10019.5 TFLOPSHopper计算卡H10060 TFLOPSGrace CPUBlueField 2 DPUBlueField 3 DPU汽车芯片Tegra X1汽车芯片Parker汽车芯片VoltaXavier30 TOP60、S汽车芯片Orin254 TOPS汽车芯片Thor2000 TOPS28nm16nm12nm7nm4nm3/2nm数据中心自动驾驶元宇宙数字孪生均以AI为内核第二阶段数据中心积蓄潜力Blackwell计算卡B100/B200%18 请阅读最后评级说明和重要声明 19/37 行业研究|深度报告 图 35:英伟达应用于 AI 运算的 H100 芯片组 图 36:英伟达应用于图形显示的 RTX 系列产品 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所 软软件件:在软件方面,英伟达提供了 CUDA 工具包,这是一个免费、强大的并行计算平台和编程模型,支持开发者创建 GPU 61、加速的高性能应用。CUDA 工具包包含多个库、多种调试和优化工具、一个编译器以及一个用于部署应用的运行环境库。此外,NVIDIA App 为 PC 游戏玩家和创作者提供了必备的辅助工具,包括驱动程序更新、游戏和应用优化等功能。生生态态系系统统:英伟达构建了一个广泛的生态系统,包括 Omniverse 生态系统、DRIVE Hyperion 自动驾驶汽车平台、量子计算生态系统等。Omniverse 生态系统为开发者、企业和创作者提供了各种新功能和新服务,支持 AR、VR、多 GPU 渲染等功能,并与 Bentley 和 Esri 等公司建立了连接。DRIVE Hyperion 平台开放了访问权限62、,以推动自动驾驶汽车的发展。量子计算生态系统则与多家合作伙伴建立了合作关系,整合量子云技术到产品中。图 37:英伟达围绕 GPU 硬件基础打造了 CUDA 生态系统 图 38:在 CUDA 生态系统至上进一步完善了各类场景应用 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所 英伟达通过其硬件产品陑、CUDA 等软件工具以及 Omniverse、DRIVE Hyperion 等生态系统,构建了一个全面的产品矩阵,覆盖了从消费级到企业级的不同需求,同时也推动了人工智能、自动驾驶汽车、量子计算等多个领域的技术进步和发展。%19 请阅读最后评级说明和重要声明 20/37 行63、业研究|深度报告 图 39:AI 的核心驱动与英伟达的三重壁垒 资料来源:长江证券研究所 硬件层:CPU+GPU+DPU 形成三芯矩阵 GPU:GPU 解解决决 AI 大大规规模模并并行行运运算算痛痛点点:英伟达以 GPU 起家,垄断游戏显卡市场,随后设计 CUDA 平台发挥 GPU 并行运算优势、打造校企研深度绑定的硬件算法生态,目前 90%以上的训练算法依赖 GPU+CUDA,英伟达实际上成为了近十年 AI 发展的底层引擎,最新发布的 Hopper 架构 H100 GPU 在大型 NLP 模型上可提供相比上代 A100高达 9 倍的 AI 训练速度和 30 倍的 AI 推理速度。由于高性能64、和良好的通用性,GPU 是AI 服务器的首选加速方案。超算中心的市场份额超过 70%,AI 加速卡的市场份额超过90%,且有别于 CPU,GPU 当当前前全全球球并并无无具具备备挑挑战战力力的的 GPU IP 核核授授权权供供应应商商,后后发发玩玩家家难难以以快快速速跟跟上上技技术术迭迭代代趋趋势势。自 1999 年发布第一代 GPU 架构 GeForce 226 以来,英伟达持续推进自身架构的持续升级与发展,其中:1)Tesla 架构首次支持 C 语言编程,开启了 GPU 用于通用计算的新时代;2)Fermi 架构引入了多项技术创新,如 ECC 支持和显著提升的单精度浮点性能;3)Keple65、r 架构通过动态并行技术和 Hyper-Q 技术显著提升了 GPU 的计算能力和效率;4)Maxwell 架构优化了能效比,通过改进的 SM 设计实现了更高的性能和更低的功耗;5)Pascal 架构引入了 NVLink 技术,增强了多 GPU 系统的互联和扩展性;6)Volta 架构首次引入 Tensor Core,专为深度学习而设计,极大提升了 AI 计算效率;7)Turing 架构进一步推动了光陑追踪技术的发展,并引入了第二代 Tensor Core 和 RT Core,为实时渲染和 AI 计算带来革命性进步;8)Ampere 架构作为最新架构,在性能、能效和可扩展性方面都有显著提升,支持66、更高的显存带宽和计算能力。AI数据算力算法硬件层软件层应用层三芯战略互联网络芯片应用软件行业应用软件数据中心自动驾驶GPUDPUCPUNVlinkConnectXCUDADOCAOmniverseAI Enterprise游戏专业视觉CIS、激光雷达、5G视频流、社交媒体数据持续高增,算力需求远超现存算法经历超半世纪发展主流模型逐步成熟AI发展关键瓶颈算力、功耗、体积与成本以及如何发挥多芯配合算力迭代突破硬件摩尔定律限制多芯互联瓶颈打开算力上限软硬件强耦合充分发挥硬件优势下沉应用层提供更完整解决方案从消费到数据基建再到AI完整领域数字孪生元宇宙生产力社会效益%20 请阅读最后评级说明和重要声明67、 21/37 行业研究|深度报告 表 1:英伟达主要游戏显卡参数 RTX 40 系系列列 RTX 30 系系列列 RTX 20 系系列列 GTX 16 系系列列 GTX 10 系系列列 GTX 900 系系列列 推出时间 2022 2020 2018 2019 2017 2015 架构名称 Ada Lovelace Ampere Turing Turing Pascal Maxwell 制程 5nm 8nm 12nm 12nm 16nm 28nm 流多处理器 2x FP32 2x FP32 1x FP32 1x FP32 1x FP32 1x FP32 RT Core 第 3 代 第 2 代 68、第 1 代-Tensor Core(AI)第 4 代 第 3 代 第 2 代-NVIDIA DLSS DLSS 3.5 超分辨率DLAA 光陑重建帧生成 DLSS 2 超分辨率DLAA 光陑重建 DLSS 2 超分辨率DLAA 光陑重建-PCIe 第 4 代 第 4 代 第 3 代 第 3 代 第 3 代 第 3 代 CUDA 能力 8.9 8.6 7.5 7.5 6.1 5.2 系列旗舰 GeForce RTX 4090 D GeForce RTX 3090 Ti GeForce RTX 2080 Ti GeForce GTX 1660 Ti GTX 1080 Ti GTX 980 Ti N69、VIDIA CUDA 核核心心数数量量 14592 10752 4352 1536 3584 2816 加加速速频频率率(GHz)2.52 1.86 1.64 1.77-1.076 基础频率(GHz)2.28 1.56 1.35 1.5 1.58 1 标准显存配置 24 GB GDDR6X 24 GB GDDR6X 11 GB GDDR6 6GB GDDR6 11 GB GDDR5X 6 GB GDDR5 显存位宽 384 位 384 位 352 位 192 位 352 384 显显存存带带宽宽 1.15 TB/s 1.01 TB/s 616.0 GB/s 288.0 GB/s 484.4 G70、B/s 336.6 GB/s 最高 GPU 温度()90 92 89 95 91 显卡总功耗(W)425 450 260 120 250 250 要求的系统功率(W)(8)850 850 650 450 600 600 资料来源:英伟达官网,Techhpowerup,长江证券研究所 图 40:Tensor Core 的 4x4 矩阵可大幅提升运算效率 图 41:相比无 Tensor Core 的 P100,V100 训练效率大幅提升 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所%21 请阅读最后评级说明和重要声明 22/37 行业研究|深度报告 2022 年,英伟71、达推出 Hopper 架构,其代表了 NVIDIA 在图形处理和 AI 计算领域的重大进步。Hopper 架构引入了多项先进技术,包括第四代 Tensor Core,这些核心专为 AI运算而设计,能够显著提升深度学习训练和推理的性能;Hopper 架构还实现了与NVIDIA Grace CPU 的超级芯片互连,为异构计算提供了强大支持。表 2:英伟达主要数据中心显卡参数 P100 V100(SXM2)A100(80GB SXM)H100(SXM)推出时间 2016 2017 2020 2022 制程 16nm 12nm 7nm 4nm 架构 Pascal Volta Ampere Hopper72、 双精度(TFLOPS)5.3 7.8 9.7 30 单精度(TFLOPS)10.6 15.7 19.5 60 显存 16 GB HBM2 32 GB 或 16 GB HBM2 80 GB HBM2e 80 GB 显存带宽(GB/s)732 900 2039 3000 互联方式 NVLink/PCIe 3.0 NVLink NVLink/PCIe 4.0 NVLink/PCIe 5.0 互联带宽 300 NVLink 600/PCIe 4.0 64 NVLink 900/PCIe 5.0 128 最大功耗 300W 300 400 700 资料来源:英伟达官网,长江证券研究所 目前,英伟达最新73、的 GPU 架构为 Blackwell,采用 Blackwell 架构的核心产品是 GB200 GPU,它集成了 2080 亿个晶体管,数量是前代 H100 GPU 的两倍多,在 1750 亿参数的 GPT-3 大型语言模型(LLM)基准测试中展现出的性能是 H100 的 7 倍,训练速度则是 H100 的 4 倍。此外,Blackwell 架构的 GPU 支持高达 1.8TB/s 的双向带宽,能够实现多达 576 个 GPU 间的无缝高速通信,显著提升了大规模 AI 系统的性能和效率。Blackwell 架构的优势在于其强大的并行处理能力、超高的内存带宽和容量,以及对 AI工作负载的优化,使74、其成为 AI 数据中心和高性能计算领域的理想选择。图 42:Blackwell 架构下的 GB200 GPU 集成了 2080 亿个晶体管 图 43:GB200 的整体运算效率远超英伟达前代产品 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所 DPU:DPU 解解决决 AI 训训练练推推理理中中设设备备网网络络通通信信与与 CPU 负负荷荷问问题题:英伟达于 2019 年收购 Mellanox,率先推出针对 AI 加速计算的 DPU 数据处理器,构造三芯一体的数据中心新计算架构,BlueField DPU 利用 InfiniBand 技术解决同一系统中不同设备的通信75、问%22 请阅读最后评级说明和重要声明 23/37 行业研究|深度报告 题,可共享 CPU 的网络、存储和安全任务,实际上减轻 CPU 工作负荷。多年配合下游生态构建,对人工智能的算法体系具备深厚理解是 DPU 设计的根本基础,DPU+DOCA的的定定义义权权与与生生态态圈圈构构建建或或将将复复刻刻 GPU+CODA 的的成成就就。多多年年配配合合下下游游生生态态构构建建,对对人人工工智智能能的的算算法法体体系系具具备备深深厚厚理理解解是是 DPU 设设计计的的根根本本基基础础。英伟达的 DPU 能够承担网络、存储和安全等基础设施任务,从而释放 CPU 和 GPU 资源以专注于更复杂的计算任务76、。DPU 可以显著提升数据中心的效率,降低能耗,并减少成本。通过集成高性能的多核 CPU、高速网络接口和灵活可编程的加速引擎,实现了对数据中心中网络、存储和安全等基础设施任务的高效处理。此外,DPU 支持先进的RDMA 技术,提供低延迟和高吞吐量的网络性能,并通过集成的 AI 和机器学习加速器进一步提升数据处理能力。英伟达的 DPU 还具备向后兼容性,支持 DOCA 软件开发平台,使得开发者能够在 DPU 上构建和优化数据中心基础设施应用。这些性能优势共同使得英伟达的 DPU 成为提升数据中心效率、降低运营成本并增强安全性的关键技术。图 44:NVIDIA BLUEFIELD-3 DPU:可编77、程片上数据中心基础设施 图 45:DPU 可大幅提升通信吞吐量 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所 CPU:CPU 填填上上三三芯芯战战略略最最后后一一块块拼拼图图,GPU 强强耦耦合合设设计计构构造造完完整整 AI 解解决决方方案案 英伟达在2020年宣布计划从软银集团手中收购ARM,交易价值高达400亿美元。ARM 是全球领先的半导体知识产权(IP)提供商,其架构广泛应用于移动设备、物联网(IoT)设备和各种嵌入式系统中。英伟达收购 ARM 的目的在于结合 ARM在能效和设计灵活性方面的优势,以及英伟达在 GPU 和 AI 技术上的领先地位,共同开发78、新一代计算平台。然而,这笔交易面临了全球反垄断监管机构的严格审查,主要担忧是收购后可能限制 ARM 的中立性,影响整个半导体行业的竞争。最终,在 2022 年,英伟达宣布终止收购 ARM 的交易,原因是监管障碍和市场环境的变化。尽管收购未能实现,但但英英伟伟达达与与 ARM 继继续续在在技技术术和和产产品品上上保保持持合合作作关关系系。英伟达于 2021 年推出基于 ARM 架构的自研 Grace CPU,面向大型 AI 和 HPC 的高度专业化定制设计主要用于解决 GPU 读取内存数据的带宽瓶颈问题。搭载 Grace CPU的系统速度相比英伟达前代 DGXM系统快 10 倍,英伟达 AI 算79、力提供能力再上大平台。这款 CPU 采用了先进的制程技术和专为数据中心优化的微架构,提供了高吞吐量和低延迟的计算性能。Grace CPU 与英伟达的 Hopper GPU 系列相结合,可以构成CPU+GPU 的产品形态,通过 NVLink-C2C 互联技术连接,带宽高达 900GB/s,确保了CPU 和 GPU 之间的高速数据传输,如 GH200 和 GB200,这种结合提供了一致的内存%23 请阅读最后评级说明和重要声明 24/37 行业研究|深度报告 模型,特别适合于需要处理大量并行任务的高性能计算和 AI 应用,如科学模拟、数据分析和机器学习等,同时 Grace CPU 也是英伟达自动驾80、驶 SoC 产品陑的一部分,集成在 Atlan 和 Orin 芯片中,为智能驾驶和高度互联的汽车提供支持。图 46:Grace CPU 通过 NVLink 与 GPU 连接,大幅提升吞吐效率 图 47:使用 NVIDIA Scalable Coherency Fabric 扩展内核和带宽 资料来源:CSDN,长江证券研究所 资料来源:CSDN,长江证券研究所 软件层:CUDA+DOCA 构造基础,工具树凝聚生态 英英伟伟达达的的软软件件体体系系可可以以分分为为基基础础架架构构层层和和应应用用工工具具层层,其其中中基基础础架架构构层层主主要要是是 CUDA和和 DOCA,RTX 和和 Magnu81、m IO 等等为为辅辅助助 CUDA:内内存存共共享享的的 GPU 硬硬件件调调用用工工具具 DOCA:统统一一部部署署的的 DPU 硬硬件件调调用用工工具具 RTX:光陑追踪和 DLSS 采样插帧 Magnum IO:存储、网络 IO 配置 应应用用工工具具层层:两两大大主主体体:AI+Omniverse Modulus:偏微分物理高保真参数模型 MonAI:开源医学影像 AI Maxine:音视频重编译加速 AI NeMo:对话式自然语言模型 Avatar:AI 虚拟影像 Drive:自动驾驶 ISAAC:机器人 AI 训练推理一体开发套件 Metropolis:视频+传感器融合的开发套件82、 Holoscan:医疗设备 AI 开发平台 集集群群管管理理层层:Kubernetes 云云集集群群管管理理,以以及及虚虚拟拟 GPU 套套件件(虚虚拟拟服服务务器器、工工作作站站、PC 等等)%24 请阅读最后评级说明和重要声明 25/37 行业研究|深度报告 图 48:英伟达从硬件软件应用层的完整结构 资料来源:英伟达官网,长江证券研究所 CUDA:统统一一计计算算设设备备架架构构(Compute Unified Device Architecture,CUDA),是是由由英英伟伟达达基基于于 GPU 并并行行运运算算特特点点推推出出的的通通用用并并行行计计算算架架构构和和开开发发平平台83、台。开发者可以将英伟达的 GPU 用于通用的计算处理,而非仅限于图形处理,这使得 GPU 可以直接提供硬件的直接访问接口,而不必像传统方式一样必须依赖图形API接口来实现GPU的访问,解决的是用更加廉价的设备资源,实现更高效的并行计算。英伟达于 2006 年发布 CUDA生态系统,投入巨资开发 CUDA 这一软件工具链,让人工智能行业的研究者免费使用该软件来调用 GPU 的计算资源,这使得英伟达成为人工智能中深度学习的训练和推理领域的重要推动者。CUDA 主要由开发库+运行环境+驱动组成,其中 CUDA 开发库可大幅降低开发者的开发难度;CUDA 运行环境提供了各项开发接口和运行期组件方便开发84、者调用各类资源接口,进而匹配各种类型计算;CUDA 驱动可理解为 CUDA-Enable 的 GPU 设备抽象层。表 3:CUDA 主要工作模块及原理 模模块块 工工作作原原理理 编程模型 CUDA 允许开发者使用 C 语言(也可支持 C+和 FORTRAN)编写程序,这些程序可以在支持 CUDA 的处理器上以超高性能运行。并行处理 CUDA 通过陑程并行、数据并行等机制,在 GPU 上实现高效的并行计算。内存管理 CUDA 提供了灵活的内存管理机制,以优化数据传输和存储。资料来源:CSDN,长江证券研究所 从 CUDA 可扩展的编程模型构成来看,CUDA 通过“陑程组层次结构+共享内存+屏障85、同步”,可帮助程序员将计算问题划分为可以由陑程块并行独立解决的粗略子问题,并将每个子问题划分为可以由块内所有陑程并行协作解决的更精细的部分。这种分解问题的方法允许陑程在解决每个子问题时进行协作来保留语言表达能力,同时实现自动可扩展性。%25 请阅读最后评级说明和重要声明 26/37 行业研究|深度报告 表 4:CUDA 核心优势 优优势势 描描述述 高性能计算 CUDA 能够显著提升计算性能,特别适用于需要大量数值计算和科学计算的任务。易用性 CUDA 提供了类似于 C 语言的编程接口,使得开发者能够更容易地上手并进行高效的 GPU 编程。广泛的应用支持 CUDA 已应用于多个 NVIDIA 86、的 GPU 系列,并在多个领域得到了广泛的应用。完整的工具链 CUDA 提供了包括性能分析工具、调试器以及样例代码和教程在内的完整工具链,为开发者提供了全面的支持环境。资料来源:CSDN,长江证券研究所 图 49:DRAM 内存寻址:可以在 DRAM 的任何区域进行数据读写 图 50:On-chip 内存共享:提升数据读写速度 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所 图 51:外部内存读取:陑程可以通过不同范围的一组内存空间来访问设备的 DRAM 和片上存储器 图 52:陑程批处理:任务分解 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证87、券研究所 依托 CUDA 开发套件向上提炼 CUDA-X AI/CUDA-X HPC 开发套件积极构建 CUDA软件生态。在 CUDA 软件栈基础上,公司向上抽象和扩展了 CUDA-X,对接不同的行业应用需求。主要包括面向 A 计算的 CUDA-X AI 和面向 HPC 计算的 CUDA-X HPC。此外依托于 CUDA 软件栈进行第三方应用及工具的扩展,形成了广义的 CUDA 生态。从 CUDA 满足易部署(用户开箱即用)、层次灵活的开发接口(OpenCL、OpenGL 类似的一种 API)、满足不同领域开发者编程语言(Fortran,C/C+,Python)、品类齐全的工具%26 请阅读最88、后评级说明和重要声明 27/37 行业研究|深度报告 集(GDB、Nsight.Memcheck 等)、第三方工具和软件库(和用户及厂商并肩,构筑软件生态城)。图 53:CUDA-X AI 开发套件 图 54:CUDA-X HPC 开发套件 资料来源:英伟达官网,长江证券研究所 资料来源:英伟达官网,长江证券研究所 DOCA:BlueField DPU 是是 NVIDIA 推推出出的的一一种种新新型型可可编编程程处处理理器器,专专注注于于数数据据处处理理,能能够够满满足足企企业业对对性性能能、安安全全性性、可可管管理理等等越越来来越越高高的的需需求求,英英伟伟达达 DOCA 是是专专为为 Bl89、ueField DPU 而而设设计计的的软软件件开开发发套套件件和和加加速速框框架架,具具备备多多重重优优势势:统一访问所有 DPU 功能 为开发者节约学习及使用多种不同工具的成本。在 DPU 的底层 API 上提供一个抽象层给上层的库 开发者可以更快速、更轻松地进行开发,实现和上层业务的集成,并经优化后提供出色的性能,或者和底层接口合作达到更精细的控制。向前/向后兼容 使用 DOCA 开发的应用可在未来版本的 BlueField DPU 上无缝运行,并得到更高的性能和可扩展性。基于容器化服务的 DPU 调配和部署 DOCA 包含用于简化 DPU 设置、配置和服务编排的工具。%27 请阅读最后90、评级说明和重要声明 28/37 行业研究|深度报告 图 55:DOCA 的软硬件结构 资料来源:英伟达官网,长江证券研究所 NVIDIA AI Enterprise 加速 AI 模型开发,未来或有望助力实现以 AI 开发 AI:NVIDIA AI Enterprise 是一套端到端的云原生 AI 和数据分析软件套件,使客户能够将 AI 模型的开发时间从 80 周缩短到仅 8 周,并允许客户在 VMware vSphere 上部署和管理高级 AI 应用程序,订阅许可的收费模式进一步拓宽英伟达 SaaS 业务发展空间。图 56:英伟达 AI Enterprise 应用体系 资料来源:英伟达官网,长91、江证券研究所 Omniverse 初试工业共享虚拟空间,从硬件软件云上社区,在强劲软硬件基础上打造系统级 AI 生态圈:Omniverse 由 Nucleus、Connect、Kit、RTX Render、Simulation等五大核心部件组成,本质上是一个为设计师、工程师等创造共享虚拟空间,以进行实时协作的云原生技术平台,可以解决数据协同、团队协作、大数据、信息安全等多种痛点。已应用在海内外传媒娱乐,建筑、产品设计、科学运动和仿真、自动驾驶、工业机器人等六大领域。%28 请阅读最后评级说明和重要声明 29/37 行业研究|深度报告 图 57:英伟达 Omniverse 体系 资料来源:英伟达92、官网,长江证券研究所 收入利润节节高升,长期成长路途清晰 英英伟伟达达在在游游戏戏、数数据据中中心心、专专业业可可视视化化、自自动动驾驾驶驶等等领领域域的的业业务务发发展展情情况况表表现现出出色色,最最新新的的财财报报数数据据显显示示了了其其强强劲劲的的增增长长势势头头。得益于数据中心业务的强劲表现和 AI 芯片需求的增加,尤其是 A100 和 H100 两款 AI 芯片在下游需求爆发下快速增长的销售规模,英伟达 2025 财年第一季度实现了显著的增长,期间单季度收入达到了 260.44 亿美元,同比增长了 73.8%,其中数据中心营收达到了 225.63 亿美元,环比增长 22.6%,同比增93、长 426.7%。以年度计,在强劲的数据中心收入增长驱动下,英伟达 FY24 收入达 609 亿美元,同比+126%。一方面是高速增长的收入规模,另一方面由于 AI 应用需求的爆发以及 GPU 行业格局的高度集中,英伟达 FY24 的净利润实现了更为惊人的增长,公司 FY24Q4 净利润达 123 亿美元,同比增长了约 7 倍,整个 2024 财年净利润接近 300 亿美元。%29 请阅读最后评级说明和重要声明 30/37 行业研究|深度报告 图 58:英伟达整体收入及变化(亿美元)图 59:英伟达归母净利润变化(亿美元)资料来源:Bloomberg,长江证券研究所 资料来源:Bloomber94、g,长江证券研究所 随随着着 AI 应应用用的的快快速速发发展展,数数据据中中心心逐逐步步成成为为英英伟伟达达增增长长的的主主要要动动力力源源泉泉。在数据中心领域,英伟达的业务收入在 2024 财年达到了 475.25 亿美元,占营业总收入的 78%,同比增长 22.38pct,这一增长主要得益于 AI 的发展及全球云服务提供商的推动。到了2025 财年第一季度,数据中心营收更是达到了 225.63 亿美元,环比增长 22.6%,同比增长 426.7%,显示出英伟达在数据中心领域的强劲动力和广阔前景。图 60:英伟达数据中心收入变化(单位:亿美元)图 61:英伟达数据中心收入占比变化 资料来源95、:Bloomberg,长江证券研究所 资料来源:Bloomberg,长江证券研究所 在在游游戏戏领领域域,尽尽管管面面临临疫疫情情后后的的复复苏苏挑挑战战,英英伟伟达达的的游游戏戏业业务务仍仍然然实实现现了了积积极极的的增增长长。2025 财年第一季度,游戏相关收入达到 26.47 亿美元,同比+18%,显示出游戏行业逐步回暖的趋势,同时随着 AI 神经渲染能力的新 Ada 架构 GPU 的推出,游戏玩家对高性能 GPU 的需求持续增长。-50%0%50%100%150%200%250%300%050100150200250300Q4 2015Q2 2016Q4 2016Q2 2017Q4 296、017Q2 2018Q4 2018Q2 2019Q4 2019Q2 2020Q4 2020Q2 2021Q4 2021Q2 2022Q4 2022Q2 2023Q4 2023Q2 2024Q4 2024主营业务收入YoY(右轴)QoQ(右轴)-400%-200%0%200%400%600%800%1000%1200%1400%020406080100120140160Q1 2016Q3 2016Q1 2017Q3 2017Q1 2018Q3 2018Q1 2019Q3 2019Q1 2020Q3 2020Q1 2021Q3 2021Q1 2022Q3 2022Q1 2023Q3 2023Q1 97、2024Q3 2024Q1 2025GAAP净利润YoY(右轴)QoQ(右轴)-50%0%50%100%150%200%250%300%350%400%450%0501001502002501Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q243Q241Q25数据中心YoY(右轴)0%10%20%30%40%50%60%70%80%90%100%1Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q24398、Q241Q25%30 请阅读最后评级说明和重要声明 31/37 行业研究|深度报告 图 62:英伟达游戏收入变化(单位:亿美元)图 63:英伟达游戏收入占比变化 资料来源:Bloomberg,长江证券研究所 资料来源:Bloomberg,长江证券研究所 专专业业可可视视化化方方面面,英英伟伟达达正正将将其其发发展展成成为为第第三三支支柱柱业业务务。公司不断在软件和硬件解决方案上进行改进,以支持设计和制造领域的需求。虽然专业可视化业务的增长率相对较低,但英伟达仍在积极推动该领域的发展,以期在未来实现更大的增长。图 64:英伟达专业可视化收入变化(单位:亿美元)图 65:英伟达专业可视化收入占比变99、化 资料来源:Bloomberg,长江证券研究所 资料来源:Bloomberg,长江证券研究所 在在自自动动驾驾驶驶领领域域,英英伟伟达达提提供供了了全全套套系系统统和和软软件件,涵涵盖盖数数据据获获取取、创创建建标标记记、AI 训训练练等等方方面面,显显示示出出公公司司在在自自动动驾驾驶驶技技术术方方面面的的深深度度布布局局和和创创新新能能力力。英伟达的自动驾驶平台,如 NVIDIA DRIVE,集成了深度学习、传感器融合和环绕视觉等技术,支持从 L2 到 L5级别的自动驾驶功能。此外,英伟达的 SoC 产品,例如 Orin 和 Thor,为自动驾驶车辆提供了强大的计算能力。根据英伟达 20100、25 财年第一季度的财务报告,汽车业务在该季度的收入达到 3.29 亿美元,环比增长 17%,同比也实现了 11%的增长。-60%-40%-20%0%20%40%60%80%100%120%05101520253035401Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q243Q241Q25游戏YoY(右轴)0%10%20%30%40%50%60%70%1Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231101、Q243Q241Q25-100%-50%0%50%100%150%200%012345671Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q243Q241Q25专业可视化YoY(右轴)0%2%4%6%8%10%12%14%16%18%20%1Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q243Q241Q25%31 请阅读最后评级说明和重要声明 32/37 行业研究|深度报告 图 66:英伟达自动驾驶102、收入变化(单位:亿美元)图 67:英伟达自动驾驶收入占比变化 资料来源:Bloomberg,长江证券研究所 资料来源:Bloomberg,长江证券研究所 高高速速增增长长的的 AI 需需求求+紧紧缺缺的的供供给给端端带带来来了了较较高高的的单单品品价价值值,这这为为英英伟伟达达的的盈盈利利能能力力提提升升提提供供的的坚坚实实的的基基础础。毛利率方面,英伟达 FY25Q1 的毛利率达到了 78.35%,净利率方面在高毛利率的带动下,英伟达 FY25Q1 净利率达到了 57.23%,同比增长 26.94pct,季度环比增长 1.99pct,这一显著的增长反映了公司在高利润的数据中心业务放量叠加费用103、率降低的双重影响下利润端的加速回暖。图 68:英伟达盈利能力 图 69:英伟达费用率 资料来源:Bloomberg,长江证券研究所 资料来源:Bloomberg,长江证券研究所 英英伟伟达达的的研研发发投投入入和和研研发发效效率率是是其其成成为为半半导导体体行行业业龙龙头头企企业业的的重重要要因因素素之之一一。英伟达自成立以来便以较高的研发投入和研发效率著称,从 1990 年的 GPU Geforce 256 到如今的 Blackwell 架构,英伟达芯片性能持续提升。2015 年以来其研发投入保持较大规模投入,FY25Q1 研发费用已经超过 27 亿美元。通过技术进步降低成本和产品价格,英伟104、达的持续不断推出新的产品吸引更多消费者。例如,CUDA 平台的推出大大降低了利用 GPU 训练神经网络等高算力模型的难度,将GPU 的应用从 3D 游戏和图像处理拓展到科学计算、大数据处理、机器学习等领域。此外,英伟达还推出了 AI Workbench,旨在为开发大型人工智能项目的公司减少开发时间和成本。在医疗保健领域,英伟达推出的 BioNeMo 平台能够提高研发效率并降低企业运营成本。-100%-50%0%50%100%150%00.511.522.533.51Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q105、233Q231Q243Q241Q25自动驾驶YoY(右轴)0%1%2%3%4%5%6%7%8%9%10%1Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q243Q241Q250.0%10.0%20.0%30.0%40.0%50.0%60.0%70.0%80.0%1Q153Q151Q163Q161Q173Q171Q183Q181Q193Q191Q203Q201Q213Q211Q223Q221Q233Q231Q243Q24毛利率EBITDA利润率0%5%10%15%20%25%30%35%3Q204Q106、201Q212Q213Q214Q211Q222Q223Q224Q221Q232Q233Q234Q231Q242Q243Q244Q241Q25研发费用率销售、行政及一般费用率%32 请阅读最后评级说明和重要声明 33/37 行业研究|深度报告 伴随着持续不断优化升级的新品体系的完善和半导体需求尤其是 AI 领域的需求回暖,英伟达的存货在近 3 个季度实现同比连续负增长。图 70:英伟达研发投入(亿美元)图 71:英伟达存货(亿美元)资料来源:Bloomberg,长江证券研究所 资料来源:Bloomberg,长江证券研究所 -10%0%10%20%30%40%50%60%70%0510152025107、303Q204Q201Q212Q213Q214Q211Q222Q223Q224Q221Q232Q233Q234Q231Q242Q243Q244Q241Q25研发费用QoQYoQ-20%0%20%40%60%80%100%120%0.0010.0020.0030.0040.0050.0060.0070.003Q204Q201Q212Q213Q214Q211Q222Q223Q224Q221Q232Q233Q234Q231Q242Q243Q244Q241Q25存货QoQYoQ%33 请阅读最后评级说明和重要声明 34/37 行业研究|深度报告 投资建议:三三重重壁壁垒垒联联动动+螺螺旋旋提提升升打打108、造造 AI 全全栈栈体体系系,系系统统级级 AI 解解决决方方案案大大平平台台将将成成为为英英伟伟达达长长期期增增长长的的关关键键动动力力:1、第第一一层层壁壁垒垒:硬硬件件层层。GPU 奠奠定定图图形形渲渲染染和和 AI 算算力力基基础础,英英伟伟达达硬硬件件层层的的三三芯芯战战略略已已逐逐步步成成型型。GPU 解解决决 AI 大大规规模模并并行行运运算算痛痛点点,且且 GPU 当当前前全全球球并并无无具具备备挑挑战战力力的的 GPU IP核核授授权权供供应应商商,后后发发玩玩家家难难以以快快速速跟跟上上技技术术迭迭代代趋趋势势。DPU 解解决决 AI 训训练练推推理理中中设设备备网网络络通109、通信信与与 CPU 负负荷荷问问题题,DPU+DOCA 的的定定义义权权与与生生态态圈圈构构建建或或将将复复刻刻 GPU+CODA 的的成成就就。CPU 填填上上三三芯芯战战略略最最后后一一块块拼拼图图,GPU 强强耦耦合合设设计计构构造造完完整整 AI 解解决决方方案案。NVlink+NVSwitch+ConnectX 突突破破芯芯片片直直连连和和设设备备网网络络连连接接限限制制。2、第第二二层层壁壁垒垒:软软件件层层。CUDA 释释放放 GPU 潜潜力力引引航航 AI 发发展展,DOCA、Omniverse等等软软件件层层进进一一步步填填充充生生态态,增增强强 AI 行行业业对对英英伟伟达110、达的的粘粘性性。CUDA 从从底底层层代代码码出出发发发发挥挥 GPU 并并行行运运算算优优势势,奠奠定定近近十十年年人人工工智智能能发发展展基基础础。DOCA 为为 BlueField DPU 量量身身定定做做软软件件开开发发平平台台,复复刻刻 GPU+CUDA 的的强强耦耦合合成成功功路路径径。Omniverse 初初试试工工业业共共享享虚虚拟拟空空间间,从从硬硬件件软软件件云云上上社社区区,在在强强劲劲软软硬硬件件基基础础上上打打造造系系统统级级 AI 生生态态圈圈。NVIDIA AI Enterprise 加加速速 AI 模模型型开开发发,未未来来或或有有望望助助力力实实现现以以 AI111、 开开发发 AI。3、第第三三层层壁壁垒垒:应应用用层层。游游戏戏显显卡卡、数数据据中中心心、自自动动驾驾驶驶、元元宇宇宙宙先先后后接接力力,十十年年成成长长曲曲陑陑浪浪潮潮叠叠加加。PC/NB 游游戏戏显显卡卡性性能能稳稳定定提提升升,AI 图图形形生生成成或或将将成成为为元元宇宇宙宙关关键键底底层层技技术术,打打开开新新的的成成长长空空间间。数数据据中中心心将将超超越越游游戏戏业业务务成成为为公公司司支支柱柱业业务务,Blackwell 架架构构 GPU 套套片片进进一一步步拉拉开开竞竞争争差差距距。GPU 完完美美适适配配自自动动驾驾驶驶视视觉觉方方案案,英英伟伟达达新新成成长长曲曲陑陑112、逐逐步步进进入入释释放放期期。专专业业设设计计业业务务完完成成迈迈向向元元宇宇宙宙的的 Ominiverse 平平台台基基建建。机机器器人人软软硬硬件件平平台台前前瞻瞻布布局局未未来来社社会会生生产产力力构构成成。%34 请阅读最后评级说明和重要声明 35/37 行业研究|深度报告 风险提示 1、下游需求不及预期的风险。当前英伟达主要下游领域为 AI、游戏、工业可视化、自动驾驶,整体需求覆盖较为广泛,但近年来主要增长动力来自 AI 应用,若 AI 行业增长不及预期可能会对公司相应业务增速造成负面影响。2、全球政治经济动荡影响产品区域性出货的风险。当前全球政治经济形势持续动荡,对公司产品制造、销113、售均可能带来区域性的限制影响。%35 请阅读最后评级说明和重要声明 36/37 行业研究|深度报告 投资评级说明 行业评级 报告发布日后的 12 个月内行业股票指数的涨跌幅相对同期相关证券市场代表性指数的涨跌幅为基准,投资建议的评级标准为:看 好:相对表现优于同期相关证券市场代表性指数 中 性:相对表现与同期相关证券市场代表性指数持平 看 淡:相对表现弱于同期相关证券市场代表性指数 公司评级 报告发布日后的 12 个月内公司的涨跌幅相对同期相关证券市场代表性指数的涨跌幅为基准,投资建议的评级标准为:买 入:相对同期相关证券市场代表性指数涨幅大于 10%增 持:相对同期相关证券市场代表性指数涨幅114、在 5%10%之间 中 性:相对同期相关证券市场代表性指数涨幅在-5%5%之间 减 持:相对同期相关证券市场代表性指数涨幅小于-5%无投资评级:由于我们无法获取必要的资料,或者公司面临无法预见结果的重大不确定性事件,或者其他原因,致使我们无法给出明确的投资评级。相相关关证证券券市市场场代代表表性性指指数数说说明明:A 股市场以沪深 300 指数为基准;新三板市场以三板成指(针对协议转让标的)或三板做市指数(针对做市转让标的)为基准;香港市场以恒生指数为基准。办公地址 Table_Contact上海 武汉 Add/虹口区新建路 200 号国华金融中心 B 栋 22、23 层 P.C/(20008115、0)Add/武汉市江汉区淮海路 88 号长江证券大厦 37 楼 P.C/(430015)北京 深圳 Add/西城区金融街 33 号通泰大厦 15 层 P.C/(100032)Add/深圳市福田区中心四路 1 号嘉里建设广场 3 期 36 楼 P.C/(518048)%36 请阅读最后评级说明和重要声明 37/37 行业研究|深度报告 分析师声明 本报告署名分析师以勤勉的职业态度,独立、客观地出具本报告。分析逻辑基于作者的职业理解,本报告清晰准确地反映了作者的研究观点。作者所得报酬的任何部分不曾与,不与,也不将与本报告中的具体推荐意见或观点而有直接或间接联系,特此声明。法律主体声明 本报告由长江116、证券股份有限公司及/或其附属机构(以下简称长江证券或本公司)制作,由长江证券股份有限公司在中华人民共和国大陆地区发行。长江证券股份有限公司具有中国证监会许可的投资咨询业务资格,经营证券业务许可证编号为:10060000。本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格书编号已披露在报告首页的作者姓名旁。在遵守适用的法律法规情况下,本报告亦可能由长江证券经纪(香港)有限公司在香港地区发行。长江证券经纪(香港)有限公司具有香港证券及期货事务监察委员会核准的“就证券提供意见”业务资格(第四类牌照的受监管活动),中央编号为:AXY608。本报告作者所持香港证监会牌照的中央编号已披露在报告首117、页的作者姓名旁。其他声明 本报告并非针对或意图发送、发布给在当地法律或监管规则下不允许该报告发送、发布的人员。本公司不会因接收人收到本报告而视其为客户。本报告的信息均来源于公开资料,本公司对这些信息的准确性和完整性不作任何保证,也不保证所包含信息和建议不发生任何变更。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况,报告接收者应当独立评估本报告所含信息,基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。本公司已力求报告内容的客观、公正,但文中的观点、结论和建议仅供参考,不包含作者对证券118、价格涨跌或市场走势的确定性判断。报告中的信息或意见并不构成所述证券的买卖出价或征价,投资者据此做出的任何投资决策与本公司和作者无关。本研究报告并不构成本公司对购入、购买或认购证券的邀请或要约。本公司有可能会与本报告涉及的公司进行投资银行业务或投资服务等其他业务(例如:配售代理、牵头经办人、保荐人、承销商或自营投资)。本报告所包含的观点及建议不适用于所有投资者,且并未考虑个别客户的特殊情况、目标或需要,不应被视为对特定客户关于特定证券或金融工具的建议或策略。投资者不应以本报告取代其独立判断或仅依据本报告做出决策,并在需要时咨询专业意见。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判119、断,本报告所指的证券或投资标的的价格、价值及投资收入可升可跌,过往表现不应作为日后的表现依据;在不同时期,本公司可以发出其他与本报告所载信息不一致及有不同结论的报告;本报告所反映研究人员的不同观点、见解及分析方法,并不代表本公司或其他附属机构的立场;本公司不保证本报告所含信息保持在最新状态。同时,本公司对本报告所含信息可在不发出通知的情形下做出修改,投资者应当自行关注相应的更新或修改。本公司及作者在自身所知情范围内,与本报告中所评价或推荐的证券不存在法律法规要求披露或采取限制、静默措施的利益冲突。本报告版权仅为本公司所有,本报告仅供意向收件人使用。未经书面许可,任何机构和个人不得以任何形式翻版、复制和发布给其他机构及/或人士(无论整份和部分)。如引用须注明出处为本公司研究所,且不得对本报告进行有悖原意的引用、删节和修改。刊载或者转发本证券研究报告或者摘要的,应当注明本报告的发布人和发布日期,提示使用证券研究报告的风险。本公司不为转发人及/或其客户因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。未经授权刊载或者转发本报告的,本公司将保留向其追究法律责任的权利。本公司保留一切权利。%37

    版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 举报,一经查实,本站将立刻删除。如若转载,请注明出处:http://www.51hangyebaogao.com/____huan_/6557.html

    加载中~

    相关推荐

    加载中~