美股2024中期策略：计算加速芯片行业

艾德研究部 · 公众号 · · 2024-06-28 09:07

正文

戳上方蓝色字体“艾德研究部”了解最新资讯

摘要：全球半导体行业遭受冲击，终端需求预计驱动增长持续。全球半导体行业在过去十年中经历了显著增长，但在疫情期间的需求高峰退去后，消费电子市场需求显著下降，带动全球半导体销量在2023年明显下滑。但长期来看，受新兴技术需求驱动，半导体领域的投资和研发将持续推进，市场预计继续增长。全球半导体行业2024年的增长预计有望回升至10%。 5G、人工智能、物联网、汽车电子和消费电子产品等领域的需求预计是主要驱动因素，其中人工智能的发展有望成为关键驱动力。

▍ 全球半导体行业遭受冲击，终端需求预计驱动增长持续

过去十年，在科技进步、消费电子需求增加以及各行业数字化转型的推动下，全球半导体产业经历了显著增长。不过全球经济在2023年经历了包括高通胀、利率上升、地缘政治紧张，供应链中断等多重不确定因素影响，导致消费者和企业减少支出，影响了对电子产品和相关半导体的需求。在疫情期间的需求高峰逐渐消退的情况下，消费电子市场，如智能手机和个人电脑，需求显著下降。最直观的体现在全球半导体销量的明显下滑。据Wind数据，2013年至2019年，全球半导体市场销量从7,055亿颗增长到2019年的9,320亿颗。而2019年底左右开始的疫情进一步刺激电子设备的需求，催化全球半导体市场销量增长至2022年的10,961亿颗。2023年，全球半导体市场销量大幅下降至9,146亿颗，退回至2017年左右的水平。

全球半导体产业中，美国具有重要地位，有近半成以上的市场份额被美国企业占据。据全球半导体贸易统计组织（WSTS）和美国半导体行业协会（SIA）的数据，美国半导体公司在全球半导体市场中占有约50.2%的市场份额。从订单量看，以地区划分，亚太地区在去年的订单量达2899.9亿美元，占全球订单量的55%。其次则为美洲地区，达1343.8亿美元，占全球订单量的25.5%。

从终端需求来看，全球半导体的终端需求主要集中在消费电子、工业、汽车电子等领域。其中，智能手机是消费电子领域是目前半导体最大的终端消费市场。现代智能手机包含多种半导体组件，这当中包括处理器（CPU）、图形处理器（GPU）、存储器（RAM和ROM）、传感器和通信芯片（如5G芯片）等。其次为个人电脑和平板电脑，包含的半导体组件包括处理器、存储器、图形卡和各种控制芯片。其他消费电子如电视机和家用电器等，会使用到包括显示控制芯片、处理器和传感器等半导体组件。不过整体而言，以移动设备和电脑为主的消费电子领域对半导体的终端需求增长有显著影响，从数据上看，单是电脑与智能手机的消费需求就占消费者最终购买产品的半成以上。据全球半导体贸易统计组织（WSTS）数据，2022年全球半导体市场消费总额达5740 亿美元，其中电脑消费占比30%，通讯领域占比30%，汽车、其他消费类电子产品、工业领域的需求占比为14%，最次为政府部门的2%。

尽管2023年全球半导体销量出现大幅下降，但长期来看，在新兴技术发展的需求驱动下，半导体领域的投资和研发持续推进，半导体市场预计将继续增长。根据9家不同机构的预测，全球半导体行业在2024年的增长在5%至20%之间，多数机构预测值超过10%。按照每年10%以上的年化增长率，半导体行业的市场规模有望在2030年达到超过1万亿美元。而这一增长预计由5G、人工智能、物联网、汽车电子和消费电子产品等领域的需求驱动。在这当中人工智能技术的发展有机会作为关键驱动因素，驱动以电脑类半导体消费为首的半导体终端需求继续增长。

▍ 美国半导体行业处关键转折，模型训练持续催化需求

美国半导体行业处于世界领先地位，正处于一个关键的转折点。美国半导体行业在过去几年一直保持着稳定的年增长率，并且在技术创新方面具有竞争优势。尽管在历史上美国的领导地位曾受到包括日本、韩国、中国等海外竞争对手的挑战，但在头部企业的技术创新下，美国地区仍保持半导体技术的领先水平。人工智能技术的发展和应用对计算能力提出了极高的要求，尤其是深度学习模型的训练和推理过程需要大量的计算资源，这些模型的计算训练需求直接推动了高性能计算芯片的市场需求。例如，深度学习模型通常包含大量的神经网络层和参数来学习数据的特征和模式。这需要大量并行计算以提高模型的效率和准确性。

目前主流可使用的模型训练半导体硬件可大致分为GPGPU（General-purpose computing on graphics processing units，通用图形处理器）、FPGA(Field-programmable gate array,现场可编程逻辑门阵列)和ASIC(Application Specific Integrated Circuit,特殊应用集成电路)。

GPGPU在模型训练市场中使用最为广泛。GPGPU，也叫通用GPU，是GPU的一种。常见的GPU主要用于图形渲染，而通用GPU采用统一渲染架构，有很强的计算通用性，可用于多种前沿算法的训练。受益于CUDA（Compute Unified Device Architecture）架构，英伟达（NVIDIA）的GPU在模型训练中被大量使用。CUDA架构允许开发者利用英伟达GPU的强大并行计算能力。CUDA不仅仅是一个硬件架构，它还包括一整套的软件工具和库，比如cuDNN（CUDA Deep Neural Network library）、Modulus、Aerial RAN、Parabricks、cuQUANTUM、cuDF、和TensorRT等。这些优化库极大地简化了深度学习模型的开发和部署过程，并广泛应用于物理模拟、通信、基因序列分析以及量子计算模拟等多个领域。再加上CUDA有着广泛的开发者社区和丰富的文档支持，许多深度学习框架如TensorFlow、PyTorch等都对CUDA进行了优化，使得开发者可以方便地在英伟达GPU上进行AI训练。CUDA架构的一系列特点使英伟达的GPU在模型训练方面具有明显的性能优势，可以显著缩短训练时间，在加上全面的软件支持和优化库，使得开发者可以更高效地开发和部署AI应用。

FPGA和ASIC作为两种不同类型的硬件，之间有一定联系。FPGA的特点是可编程性，可以在制造后通过硬件描述语言进行重新配置。适用于快速原型设计、验证和频繁更新的场景。而ASIC特点在于专用性。ASIC 是为特定应用设计的集成电路，优化了特定任务的性能和能效。适用于执行特定任务。根据指定任务进行优化的ASIC在其设计的应用中通常具有极高的性能。对FPGA进行编程可以将FPGA电路变成ASIC。

在AI模型训练领域，ASIC和FPGA各有优劣，不过ASIC作为专用硬件，非常适合用于加速模型训练。TPU（Tensor Processing Unit，张量处理单元）和NPU(Neural Processing Unit，网络处理器)作为ASIC的一种，代表了一种新的专注于优化特定的AI计算任务的技术路线。TPU由谷歌设计，专门用于加速TensorFlow框架中的深度学习任务。TPU在大型数据中心中广泛使用，提供高效的计算能力和能效。TPU主要针对张量运算进行了优化，特别适合深度学习中的矩阵乘法和卷积操作，具有高效能和低功耗的特点。谷歌的TPU在其云服务中提供高性能的AI计算能力，用于大规模深度学习模型的训练。NPU为另一种ASIC,主要用于加速神经网络的训练和推理，通常用于数据中心、云计算、物联网和其他需要高性能计算的领域。NPU由多家公司设计，包括华为的Ascend NPU和其他专门用于AI计算的芯片。以上是目前较为常用的模型训练硬件。集成电路领域的技术迭代非常快，还有其他XPU可用于模型训练，如DPU、BPU、APU等等。不过电脑中最为常见的CPU并不适合用于模型训练。CPU遵循的是冯·诺依曼架构（5 个硬件组成：运算器、控制器、存储器、输入设备和输出设备。），它的核心是存储程序和数据，并且按照顺序依次执行。CPU的设计中存储单元和控制单元占据了大部分空间，而计算单元只占很小的一部分。因此，CPU在大规模并行计算方面受到限制，更适合处理逻辑控制任务。一般来说，CPU主要用于通用计算任务，控制系统资源，执行传统计算任务。它的优势在于通用性强，适用于各种计算任务。现代CPU具有多核、多线程能力，但在并行处理性能方面不如GPU和专用硬件。因此，在模型训练方面并没有明显的优势。

高性能计算需求有望维持半导体行业维持增长势头，更多的资金投入也有机会加速技术突破。受益于以人工智能为首的技术进步、政策支持和应用领域市场的多重驱动，预计全球市场对高性能计算芯片的需求大幅增加，而拥有超过全球半成以上市场份额的美国半导体企业有望首先受益。GPGPU在模型训练市场中使用最广泛，ASIC和FPGA也在发挥着重要作用，AI行业的模型训练有机会持续催化需求。

▍ 半导体行业配置

美国半导体企业在AI芯片领域中具有明显技术优势。这些技术优势涵盖高性能计算芯片、专用集成电路（ASIC）、先进制程技术、研发和创新能力、半导体设备和材料。半导体被视为国家安全和经济竞争力的关键要素。美国政府和企业都深刻意识到维持和增强半导体制造和研发能力对于确保技术领先和供应链安全的重要性。为维持半导体行业的领先地位，美国政府也提供了一系列的补贴和税收激励措施，以鼓励半导体研发和制造。这些措施旨在增加半导体产业的竞争力，促进技术创新和提高市场份额。在研发和制造投资方面，美国政府与各州合作，通过提供补贴和税收优惠，鼓励公司在半导体研发和制造方面进行大规模投资。在完善的专利和知识产权保护下，美国有很好的半导体发展土壤。人工智能技术的发展直接依赖于高性能计算硬件，而这些硬件的核心是各种类型的半导体芯片。半导体技术是AI计算的核心，因此随着AI技术的广泛应用和发展，半导体行业有望成为首先受益的领域之一。美股市场半导体板块上市公司众多，值得关注的上市公司主要有：英伟达(NVDA.US)、台积电(TSM.US)、超微半导体(AMD.US)。

英伟达： 英伟达是一家全球领先的半导体科技公司，早期以其图形处理单元 (GPU) 技术闻名。公司最初专注于图形计算领域，但现已发展成为人工智能 (AI) 和高性能计算 (HPC) 领域的技术开拓者。英伟达的核心收入来源有5块，分别是：数据中心、游戏显卡、专业视觉、汽车以及OEM（OEM版显卡）和其他。其中，游戏显卡业务在过去是英伟达传统主要营收来源。不过随着人工智能技术的发展，高性能计算（HPC）和加速计算解决的需求爆发开始加速英伟达在数据中心业务的增速。先今，数据中心业务经过过去两年的爆发式增长，已经成为英伟达最主要的营收来源。此外，英伟达联合创始人兼首席执行官黄仁勋已宣布宣布Blackwell芯片现已开始投产，并将在2025年推出Blackwell Ultra AI芯片。Blackwell 是英伟达最新一代的 GPU 架构，专为高性能计算（HPC）和人工智能（AI）工作负载设计。它主要用于数据中心、云计算、大数据分析和深度学习等领域。Blackwell芯片预计将被广泛应用于数据中心内的各种计算任务，包括 AI 训练和推理、高性能数据分析、科学计算等。该芯片采用了台积电最先进的4纳米工艺制造，采用了双芯片设计。性能相较于早前的Hopper架构平台，有了大幅的提升。该技术突破预计将与其他技术形成护城河，继续保持英伟达在AI领域的市场占有率和技术领先地位。

台积电： 台积电是全球最大的独立半导体代工厂也是英伟达最重要的代工合作伙伴之一。台积电拥有一个综合的制造厂（晶圆厂）和先进研发中心网络，部署了288种不同的工艺技术，可为528家客户制造超过11,895种产品。2023年，台积电生产了全球半导体产值的28%（不包括内存）。台积电的收入主要来自其半导体代工服务，其中成熟制程的收入占总收入的半成以上。不过在过去一年，先进制程（7纳米及以下）的占比有所提升。台积电在半导体技术方面的技术突破使其在领域中保持领先地位。目前，台积电在2纳米技术的研发进展顺利，公司计划在2025年实现大规模量产。预计在2024年下半年进行风险试产，计划在2025年第二季度开始小规模量产。

超微半导体（AMD）： AMD是一家全球性半导体公司，专门从事高性能计算、图形和可视化技术的开发和设备制造。AMD提供的服务包括数据中心、个人计算、游戏、嵌入式系统等。AMD在微架构、高性能GPU、集成APU和全面的软件生态系统等方面具有技术优势。除了英伟达的GPU芯片外，AMD的加速芯片和软件生态是AI行业中最相似的解决方案。生成式人工智能基础设施的需求有机会继续驱动AMD业绩增长。

iShares半导体ETF（SOXX.US）： 该ETF在NASDAQ交易所交易，其主要投资地区为美国，投资标的为由美国股票组成的行业指数。追踪行业指数为ICE Semiconductor Index (TR)，投资目标旨在追踪由半导体行业的美国股票组成的ICE半导体指数的投资结果。

▍ 风险提示

技术迭代、行业下行、库存压力、宏观经济导致的需求下降、地缘冲突等

投资评级说明：

买入：预期未来6－12个月内上涨幅度在15%以上；

增持：预期未来6－12个月内上涨幅度在5%－15%；

中性：预期未来6－12个月内变动幅度在-5%－5%；

减持：预期未来6－12个月内下跌幅度在5%以上。

艾德证券期货研究部

陈政深（HKSFC CE No.:BIY455）

Tel：852-38966397

E-mail:[email protected]

陈刚（HKSFC CE No.:BOX500）

美股2024中期策略：计算加速芯片行业

正文

请到「今天看啥」查看全文