【公司研究】寒武纪-“端~边~云”全布局的AI芯片明星公司-20200708[21页].pdf

《【公司研究】寒武纪-“端~边~云”全布局的AI芯片明星公司-20200708[21页].pdf》由会员分享，可在线阅读，更多相关《【公司研究】寒武纪-“端~边~云”全布局的AI芯片明星公司-20200708[21页].pdf（21页珍藏版）》请在三个皮匠报告上搜索。

1、1 1 上 市 公 司 公 司 研 究 / 新 股 分 析 证 券 研 究 报 告 电子 2020 年 07 月 08 日 寒武纪 (688256) “端-边-云”全布局的 AI 芯片明星公司 发行上市资料： 发行价格（元） 64.4 发行股数（万股） 4010 发行日期 2020-07-08 发行方式 战略配售,网下询价,上网 定价 主承销商 中信证券股份有限公司, 中国国际金融股份有限公 司,国泰君安证券股份有 限公司,安信证券股份有 限公司 上市日期 2020-07-15 *首日上市股数-万股 投资要点： 寒武纪是中国人工智能 ASIC 芯片设计公司，产品线按照应用场景可以分为“端-边-

2、云” 三大类，其中“端”主要以 IP 授权为主要盈利模式， “边”和“云”以芯片销售和 IDC 系 统集成为主要盈利模式。 （1）端：目前寒武纪已经共计推出三代 IP（1A/1H/1M） ，主要 客户有华为海思、展讯、星宸等公司；IP 授权收入为 6877 万元，占 2019 年总营收 15%， 其中来自华为的收入占全部 IP 授权收入的 93%， 华为麒麟 970/麒麟 980 手机处理器分别 应用了寒武纪 1A 和 1H 两款 IP；IP 收费分为“固定费用”和“计件费用”两部分，其中 计件费用 IP 单价大约为 0.641.09 元/个。 （2）边：目前推出的边缘计算 AI 加速卡为思

3、元 220，主要客户群体为互联网企业、IOT 企业、智能交通企业等，预计 2020 年开始产 生收入。 （3）云：目前寒武纪已经推出用于云端数据中心“推理”场景的智能加速卡思元 100 和思元 270，预计 2021 年寒武纪可以推出用于“训练”场景的产品思元 290，单价 大约 1.7 万元/个；寒武纪主要有两种盈利模式，向服务器厂商等直接销售芯片+承建政府 部门 AI 智能计算中心（IDC 系统集成） ，两种模式分别占 2019 年总营收的 18%和 67%。 人工智能芯片主要分为“训练（Training） ”芯片和“推理（Inference） ”芯片。目前用 于人工智能深度/机器学习的芯

4、片主要有 GPU、FPGA、ASIC 三类芯片。在不同的应用场 景之下，已经形成了不同的 AI 芯片竞争格局： （1）在云和数据中心 AI 芯片市场， “训练” 和“推理”两个环节都是英伟达 GPU 一家独大，几乎占据 90%以上份额。 （2）在设备端 和边缘计算“推理”市场，各类型芯片各自为阵，尚无绝对优势地位的芯片厂商出现：手 机以高通、华为、苹果原主控芯片厂商为主，自动驾驶、安防 IPC 领域英伟达暂时领先。 我们认为寒武纪的中短期机会主要在于“端-边”推理芯片市场，英伟达在云和数据中心训 练市场已经通过完整的深度学习软件 SDK 建立起强大的生态，形成坚固的护城河暂时难 以撼动；寒武纪

5、破局的关键在于其后续的技术升级能否使得 ASIC 芯片的性价比大幅领先 GPU 以及同行业 ASIC 竞争对手。 运用 PS 估值法，2020 年合理市值 301 亿元。可比公司当前 PS（TTM）均值 45 倍，我 们预计寒武纪 2020-2022 年收营业总收入为 6.7/9.4/13.4 亿元，因此我们认为寒武纪今 年合理市值为 301 亿元，对应股价为 75.3 元。 新股溢价：根据历史数据统计，上市前 30 日新股具有明显溢价特征，按照可比行业/公司 统计：溢价率在 53%71%，因此公司上市初期有可能价格波动区间为 115.2-128.8 元。 风险提示：人员扩张过快、端和边 AI

6、 应用场景需求不旺、新进入者参与竞争风险。 特别提示：本报告所预测合理股价区间不是上市初期价格表现，而是现有市场环境基本保 持不变情况下的合理价格区间。 基础数据（发行前）: 2020 年 03 月 31 日 每股净资产（元） 12.1 总股本/流通 A 股(百万) 360/- 流通 B 股/H 股（百万） -/- 证券分析师 骆思远 A0230517100006 MarkL 刘洋 A0230513050006 蒲梦洁 A0230519110002 研究支持 蒲梦洁 A0230519110002 联系人 蒲梦洁 (8621)23297818转 盈利预测 2019 2020Q1 2020E 20

7、21E 2022E 营业总收入（百万元） 444 12 670 935 1,344 同比增长率（%） 279.4 -18.9 50.8 39.7 43.7 归母净利润（百万元） -1,179 -108 -120 -76 97 同比增长率（%） - - - - - 每股收益（元/股） -3.28 -0.30 -0.30 -0.19 0.24 毛利率（%） 68.2 69.3 64.4 63.8 63.1 ROE（%） -27.1 -2.5 -1.8 -1.1 1.4 市盈率 - - - - 财务指标 2017 2018 2019 流动比率 1.1 1.2 18.7 资产负债率 94.4 83.2

8、 6.7 应收账款周转率 2.1 6.3 9.1 存货周转率 0.1 0.1 5.0 请务必仔细阅读正文之后的各项信息披露与声明 2 2 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 2 页 共 21 页 简单金融 成就梦想 1、“端-边-云”全布局的 AI 芯片明星公司 . 4 2、芯片性价比是寒武纪“破局”的关键 . 6 2.1、云上 AI 芯片英伟达一家独大，边端推理芯片格局未定 . 6 2.2、基于 CUDA 和深度学习 SDK 的生态是英伟达最关键的护城河 . 12 2.3、寒武纪破局的关键是芯片本身性价比 . 13 3、智能计算中心或可帮助寒武纪获得规模并建立生态 .

9、14 4、盈利预测和估值 . 16 目录 oPpQtNuMmMtMmMsNrPoQtQ8ObPaQnPrRpNpPkPoOtMiNqRoO9PpPvMvPoMnQuOtQnP 3 3 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 3 页 共 21 页 简单金融 成就梦想 图表目录 图 1：云端训练、云端推理、设备端推理三个细分市场的 AI 芯片竞争格局 . 7 图 2：吞吐量测试：在 batch size 为 1024 的情况下，双方的吞吐量旗鼓相当，TPU 略领 先 2% . 11 图 3：性价比：TPU 每美元每秒处理图像的表现稍高于英伟达 V100 GPU . 11 图 4：

10、90 次训练之后 Top-1 精确值，TPU 比 GPU 精确值略高 0.7% . 11 图 5：达到 75.1%Top-1 准确率所需成本，GPU 成本为 88 美元，TPU 为 55 美元 11 图 6：GPU 和 TPU 训练成本和速度对比 . 11 图 7：英伟达推出的各类用于 AI 推理和训练的 GPU . 11 图 8：英伟达推出的各种深度学习软件 SDK . 12 图 9：寒武纪 Neuware 软件栈结构图，对标英伟达 CUDA . 14 表 1：寒武纪产品线主要分为“智能终端处理器 IP（端）”和“智能加速卡（云+边）”两 大类 . 4 表 2：目前搭载寒武纪 AI 推理芯片

11、“思元 100/270”的服务器 . 4 表 3：寒武纪三大业务占比及毛利率情况 . 5 表 4：寒武纪终端智能处理器 IP 授权业务收入情况（单位：万元） . 5 表 5：“端-边-云”对 AI 芯片的算力和功耗、延时性有不同的要求 . 6 表 6：AWS 和华为推出的基于自研 ASIC 芯片的云端 AI 推理加速计算公有云服务8 表 7：AWS、华为云、阿里云推出的基于 FPGA 的深度学习推理加速计算公有云服务 . 8 表 8：目前已经推出的自动驾驶域控制器芯片平台以及主流 ADAS 控制器芯片 . 9 表 9：谷歌 TPU、寒武纪思元芯片、华为昇腾芯片、英伟达 GPU 主要参数对比 1

12、3 表 10：寒武纪历年前五大客户收入情况 . 14 表 11：国内智能计算集群市场未来 1-2 年的总体市场空间估算. 16 表 12：寒武纪收入拆分及预测（单位：百万元） . 17 表 13：寒武纪可比芯片设计公司历年 PS 及当前 PS（TTM） . 18 合并损益表 . 19 合并现金流量表 . 19 合并资产负债表 . 19 重要财务指标 . 错误!未定义书签。 4 4 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 4 页 共 21 页 简单金融 成就梦想 1、“端-边-云”全布局的 AI 芯片明星公司 寒武纪产品线按应用场景分类可以划分为“端-边-云”三大类。（1）面向

13、各类型智能 终端（智能手机、智能摄像机等），寒武纪采取 IP 授权的模式，将智能芯片 IP 提供给下游 SoC芯片公司， 由下游芯片公司基于IP二次设计人工智能ASIC芯片并将其集成到SoC中， 进而再由芯片公司将 SoC 提供给各类型智能终端厂商，主要客户有华为海思、紫光展锐、 星宸科技(SigmaStar)。（2）面向云和数据中心，提供智能加速卡，已经上市的相关产品 有思元 100/思元 270，现已上市的这两款芯片主要用于云端推理，寒武纪目前正在开发用 于人工智能算法训练的智能加速卡思元 290，暂未上市，主要客户有联想、浪潮、H3C 等 服务器厂商， 其中思元 100 已经在滴滴云 （

14、弹性推理服务 EIS） 、 金山云 （云物理机 CMLU1） 等公有云厂商所提供的云服务中得到应用。（3）面向边缘计算，寒武纪目前已经推出思元 220 专门用于人工智能边缘计算推理场景（例如智能机器人、无人机等）。 表 1：寒武纪产品线主要分为“智能终端处理器 IP（端） ”和“智能加速卡（云+边） ”两大类 分类 产品名称 简介 在 1GHz 主频下，定点神经网络运算 的峰值速度 客户 8 位 16 位 32 位 寒武纪 1H （寒武纪第二 代 IP 架构） Cambricon-1H16 1H 系列高性能版本 1Tops 0.5Tops 华为海思、紫光展锐、晨星 (MStar)、星宸科技(S

15、igmaStar) Cambricon-1H8 1H 系列中量级版本 1Tops Cambricon-1H8mini 1H 系列轻量级版本 0.5Tops 寒武纪 1M （寒武纪第三 代 IP 架构） Cambricon-1M-4K 1M 系列高性能版本 8Tops 4Tops 1Tops Cambricon-1M-2K 1M 系列中量级版本 4Tops 2Tops 0.5Tops Cambricon-1M-1K 1M 系列轻量级版本 2Tops 1Tops 0.5Tops 分类 产品名称 简介 产品 AI 算力 客户 INT8 INT4 INT16 思元 100 思元 100-C 数据中心（

16、推理） 32 联想、浪潮、华三、五舟、宝德 思元 100-D 个人电脑、 工作站 （桌 面环境） 思元 270 思元 270-S4 数据中心（推理） 128 256 64 思元 270-F4 个人电脑、 工作站 （桌 面环境） 128 256 64 浪潮 思元 220 思元 220 M.2 边缘端 8 智慧工厂、无人机、智慧零售、智 能机器人 资料来源：寒武纪官网，申万宏源研究 表 2：目前搭载寒武纪 AI 推理芯片“思元 100/270”的服务器 厂商 型号 MLU 最大支持 数量 MLU270-S4 MLU100-D3 MLU100-C3 Lenovo HG680X 8 SR650 4 I

17、nspur NF5468M5 8 NF5280M5-GPU SA5212M5 4 NF5280M5 3 5 5 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 5 页 共 21 页 简单金融 成就梦想 厂商 型号 MLU 最大支持 数量 MLU270-S4 MLU100-D3 MLU100-C3 H3C R4900 G3 4 五舟 S120M3 1 宝德 PR2906P 6 PR4908P 8 PR4904P 4 资料来源：寒武纪官网，申万宏源研究 寒武纪盈利模式有“IP 授权”、“芯片销售”、“IDC 系统集成”三种。（1）IP 授 权： 寒武纪面对各类智能终端的AI处理器IPCa

18、mbricon-1H/1M采取 “IP授权模式” ， 即在授权给 SoC 厂商时会先收取一次性固定费用， 等到搭载 SoC 的智能终端出货之后， 寒 武纪会再根据终端出货量数据收取计件费用，计件费用的计算方式一般为“出货量*每个终 端收取的版税费”或者“出货量*智能终端单价*版税费比例”。（2）芯片销售：寒武纪面 向“云和数据中心”以及“边缘计算”一般采取直接向服务器厂商销售 AI 芯片（智能加速 卡）的销售模式。（3）IDC 系统集成（兼售 AI 芯片）：类似政府采购项目制商业模式， 寒武纪现有案例有珠海市横琴先进智能计算中心。2019 年 IP 授权模式占整体收入比重为 15%，芯片销售模

19、式占整体收入 18%，IDC 系统集成占总体收入比重为 67%。其中 2019 年 IDC 系统集成收入主要来自珠海横琴智能计算平台项目，确认收入约 2.07 亿元，由于寒 武纪在其中核心价值来自于其思元系列推理芯片，因此寒武纪该业务毛利率较一般 IDC 厂 商高（寒武纪毛利率为 58%，而其他 IDC 公司毛利率为 20%40%）。 表 3：寒武纪三大业务占比及毛利率情况 项目 2017 年 2018 年 2019 年 单位：万元 收入 占比 收入 占比 收入 占比 终端智能处理器 IP 771 98.33% 11,666 99.69% 6,877 15.49% 毛利率 100.00% 99

20、.92% 99.77% 云端智能芯片及加速卡 7,888 17.77% 毛利率 78.23% 智能计算集群系统 29,618 66.72% 毛利率 58.23% 其他 8 1.05% 36 0.31% 7 0.02% 其他业务收入 5 0.62% 3 0.01% 合计 784 100.00% 11,703 100.00% 44,394 100.00% 毛利率 99.96% 99.90% 68.19% 资料来源：公司招股说明书，申万宏源研究 表 4：寒武纪终端智能处理器 IP 授权业务收入情况（单位：万元） 年度 固定费用模式授权收入 计件模式授权收入 合计 2019 年 2,199.72 4,

21、677.40 6,877.12 2018 年 7,394.83 4,271.38 11,666.21 2017 年 285.56 485.71 771.27 合 计 9,880.11 9,434.49 19,314.61 资料来源：公司公告，申万宏源研究 6 6 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 6 页 共 21 页 简单金融 成就梦想 2、芯片性价比是寒武纪“破局”的关键 2.1、云上 AI 芯片英伟达一家独大，边端推理芯片格局未定 人工智能芯片主要分为“训练（Training）”芯片和“推理（Inference）”芯片。 “训练芯片”主要用于人工智能算法训练，即在云

22、端将一系列经过标记的数据输入算法模 型进行计算，不断调整优化算法参数，直至算法识别准确率达到较高水平。“推理芯片” 主要用于人工智能算法推理，即将在云端训练好的算法模型进行裁剪优化变“轻”之后， 进入“实战”阶段，输入数据直接得出准确的识别结果。 不同用途（训练 or 推理）、不同应用场景（端-边-云）对 AI 芯片有着不同的要求。 首先，训练芯片追求的是高计算性能（高吞吐率）、低功耗，但是推理芯片主要追求的是 低延时（完成推理过程所需要的时间尽可能短）、低功耗。其次，“端-边-云”三个环节 对 AI 芯片的不同要求见下表其中端和边上进行的大部分是 AI“推理”，因此用于端 和边的 AI 芯片

23、性能要求和上述推理芯片一致；大部分的训练过程是在云和数据中心进行， 训练过程对时延没有什么要求，因此需要保证 AI 芯片在尽可能保证较高算力的情况下，功 耗尽可能低，另外许多推理过程也是在云端进行。 表 5： “端-边-云”对 AI 芯片的算力和功耗、延时性有不同的要求 端 边 云 耳机电话 智能手机 个人电脑 网络摄像机 IPC 边缘服务器 数据中心 算力 20MOPS 100GOPS 1-10TOPS 10-20TOPS 10-20TOPS 10-500TOPS 200+TOPS 功耗 1 mW 10 mW 1-2W 3-10W 3-10W 10-300W 200+W 模型大小 10KB

24、100KB 10MB 10-100MB 10-100MB 100+MB 300+MB 延时 FPGAASIC，通用性越低，代表 其适合支持的算法类型约少。（2）性能功耗比：GPUFPGAASIC，性能功耗比越高越 好，意味着相同功耗下运算次数越多，训练相同算法所需要的时间越短。 在不同的应用场景之下，已经形成了不同的 AI 芯片竞争格局。 1. 在云和数据中心 AI 芯片市场，“训练”和“推理”两个环节都是英伟达 GPU 一 家独大，几乎占据 90%以上份额，包括 AWS、微软 Azure、谷歌云、阿里云、 7 7 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 7 页 共 21 页

25、 简单金融 成就梦想 华为云、 腾讯云在内的大部分公有云厂商上线的 AI 加速计算公有云服务绝大部分 都是基于英伟达 Tesla 系列 GPU。 （1）云端训练用的几乎全部是英伟达 GPU，公有云厂商中仅谷歌云一家除了提 供以英伟达 GPU 为主的云计算加速服务之外， 还推出了基于自研 AI 芯片 TPU 的 深度学习训练服务； （2）云端推理目前出现了基于 GPU、FPGA、ASIC 三种不同芯片云计算服务， 但是市场份额仍然以英伟达 GPU 为主，其中 AWS、阿里云、腾讯云、华为云等 公有云厂商均推出了 FPGA 加速计算云服务，另外 AWS 推出了基于自研 AI 芯片 Inferent

26、ia 的 ASIC 加速计算服务，华为云推出了基于自研 AI 芯片昇腾 310 的 ASIC 加速计算服务。 2. 在设备端和边缘计算“推理”市场，各类型芯片各自为阵，尚无绝对优势地位的 芯片厂商出现手机市场以高通、 华为、 苹果原主控芯片厂商为主， 自动驾驶、 安防 IPC 领域英伟达暂时领先。 （1） 手机： 高通从骁龙820开始， 就已经具备第一代人工智能引擎AI Engine； 高通从第三代 AI Engine 开始引入异构计算 CPU、 GPU 和 DSP 的异构并 行计算；目前高通已经迭代至第四代，骁龙 855 是第一个搭载第四代 AI Engine 的 SoC。华为麒麟 970、

27、980 分别引入寒武纪 IP（1A/1H），使 得手机 SoC 开始具备 AI 能力，在 2019 年 6 月华为发布麒麟 810，华为 与寒武纪合作终止，华为采用了自研 AI 芯片达芬奇架构（华为在 2018 年 推 出 了 达 芬 奇 架 构 ， 对 标 寒 武 纪 智 能 处 理 器IP Cambricon-1A/1H/1M）。苹果 2017 年发布的 A11 芯片也具备了 AI 能力，附带 Neural Engine 和开发平台 Core ML 用于机器学习。 （2） 安防 IPC： 仍然以采用英伟达 Jetson 系列 GPU 为主。例如海康采用了英 伟达 JetsonTX1， 大华

28、睿智系列人脸网络摄像机采用的是英伟达 Tesla P4 GPU。 另外国内三大安防厂商也在陆续采用 ASIC 芯片， 例如海康、 大华、 宇视在前端智能化摄像机中采用 Movidious 的 Myriad 系列芯片，大华 自研 AI 芯片用于新款睿智人脸摄像机。 （3） 智能驾驶： L3 级别以上自动驾驶芯片以英伟达 Drive 平台为主（包括 Xavier 和 Orin 两款 SoC） ； 华为将昇腾 310 用于自动驾驶域控制器 MDC 上， 2020 年已经通过车规级认证； 英特尔 Mobileye 的 EyeQ4-5 被用在 L3-5 智能驾驶。但是目前整车厂和 Tier1 实际采用得

29、最多仍然是以英伟 达 GPU 为主。（在低级别的 L1-L2 辅助驾驶上，采用的是 NXP、瑞萨等 厂商的 MCU 芯片，不涉及深度学习。） （4） 智能音箱：目前智能音箱的语音语义识别均在云端完成推理计算，终端上 没有 AI 专用处理单元。 图 1：云端训练、云端推理、设备端推理三个细分市场的 AI 芯片竞争格局 8 8 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 8 页 共 21 页 简单金融 成就梦想 资料来源：雷锋网，申万宏源研究 表 6：AWS 和华为推出的基于自研 ASIC 芯片的云端 AI 推理加速计算公有云服务 系列 实例大小 vCPU 内存 (GiB) 存储 I

30、nferentia 芯片 网络带宽 规格参考价 亚马逊 AWS Inf1 系列 inf1.xlarge 4 8 仅限 EBS 1 最高 25 Gbps 0.368 USD/小时 inf1.2xlarge 8 16 仅限 EBS 1 最高 25 Gbps 0.584 USD/小时 inf1.6xlarge 24 48 仅限 EBS 4 25Gbps 1.905 USD/小时 inf1.24xlarge 96 192 仅限 EBS 16 100Gbps 7.619 USD/小时 系列 规格名称 vCPUs | 内存 CPU 基准 / 最大 带宽 内网收发包 特性 规格参考价 华为 AI 推理加 速

31、型 Ai1 ai1.large.4 2vCPUs | 8GB Intel SkyLake 6151 3.0GHz 1.3/4 Gbit/s 200,000 1 * HUAWEI Ascend 310/1 * 8G 1.10/小时 ai1.xlarge.4 4vCPUs | 16GB Intel SkyLake 6151 3.0GHz 2/6 Gbit/s 350,000 2 * HUAWEI Ascend 310/2 * 8G 2.20/小时 ai1.2xlarge.4 8vCPUs | 32GB Intel SkyLake 6151 3.0GHz 4/10 Gbit/s 500,000 4

32、* HUAWEI Ascend 310/4 * 8G 4.39/小时 ai1.4xlarge.4 16vCPUs | 64GB Intel SkyLake 6151 3.0GHz 8/15 Gbit/s 1,000,000 8 * HUAWEI Ascend 310/8 * 8G 8.79/小时 ai1.8xlarge.4 32vCPUs | 128GB Intel SkyLake 6151 3.0GHz 15/25 Gbit/s 2,000,000 16 * HUAWEI Ascend 310/16 * 8G 17.57/小时 资料来源：AWS 官网，华为云官网，申万宏源研究 表 7：AWS

33、、华为云、阿里云推出的基于 FPGA 的深度学习推理加速计算公有云服务 系列 实例 FPGA vCPU 内存 (GiB) 按需价格/小时* 亚 马 逊 AWS F1 系列 f1.2xlarge 1 8 122 1.65 USD f1.4xlarge 2 16 244 3.30 USD f1.16xlarge 8 64 976 13.20 USD 系列 规格名称 vCPUs | 内存 CPU 特性 规格参考价 华为 fp1.2xlarge.11 8vCPUs | 88GB Intel E5-2697V4 FPGA: 1 * Xilinx VU9P / DPDK 10.77/小时 9 9 新股分析

34、 请务必仔细阅读正文之后的各项信息披露与声明 第 9 页 共 21 页 简单金融 成就梦想 FPGA 加 速型 Fp1 2.3GHz fp1.8xlarge.8 32vCPUs | 224GB Intel E5-2697V4 2.3GHz FPGA: 1 * Xilinx VU9P / DPDK 19.69/小时 fp1.8xlarge.11 32vCPUs | 352GB Intel E5-2697V4 2.3GHz FPGA: 4 * Xilinx VU9P / DPDK 43.08/小时 fp1.16xlarge.8 64vCPUs | 448GB Intel E5-2697V4 2.3

35、GHz FPGA: 2 * Xilinx VU9P / DPDK 36.71/小时 fp1.16xlarge.11 64vCPUs | 704GB Intel E5-2697V4 2.3GHz FPGA: 8 * Xilinx VU9P / DPDK 86.15/小时 fp1c.2xlarge.11 8vCPUs | 88GB Intel E5-2697V4 2.3GHz FPGA: 1 * Xilinx VU9P / OpenCL 10.77/小时 fp1c.8xlarge.8 32vCPUs | 224GB Intel E5-2697V4 2.3GHz FPGA: 1 * Xilinx V

36、U9P / OpenCL 19.69/小时 fp1c.8xlarge.11 32vCPUs | 352GB Intel E5-2697V4 2.3GHz FPGA: 4 * Xilinx VU9P / OpenCL 43.08/小时 fp1c.16xlarge.8 64vCPUs | 448GB Intel E5-2697V4 2.3GHz FPGA: 2 * Xilinx VU9P / OpenCL 36.71/小时 fp1c.16xlarge.11 64vCPUs | 704GB Intel E5-2697V4 2.3GHz FPGA: 8 * Xilinx VU9P / OpenCL 8

37、6.15/小时 系列 实例规格 vCPU 内存（GiB） FPGA 网络收发包能力 （万 PPS） 阿里云 FI 系列 ecs.f1-c8f1.2xlarge 8 60 Intel ARRIA 10 GX 1150 40 ecs.f1-c8f1.4xlarge 16 120 2 * Intel ARRIA 10 GX 1150 100 ecs.f1-c28f1.7xlarg e 28 112 Intel ARRIA 10 GX 1150 200 ecs.f1-c28f1.14xlar ge 56 224 2 * Intel ARRIA 10 GX 1150 200 阿里云 F3 系列 ecs.

38、f3-c4f1.xlarge 4 16 1 * Xilinx VU9P 30 ecs.f3-c8f1.2xlarge 8 32 1 * Xilinx VU9P 50 ecs.f3-c16f1.4xlarg e 16 64 1 * Xilinx VU9P 100 ecs.f3-c16f1.8xlarg e 32 128 2 * Xilinx VU9P 200 ecs.f3-c16f1.16xlar ge 64 256 4 * Xilinx VU9P 250 资料来源：AWS 官网，华为云官网，阿里云官网，申万宏源研究 表 8：目前已经推出的自动驾驶域控制器芯片平台以及主流 ADAS 控制器芯片

39、领域 供应商 自动驾驶芯片平台 浮点计算性能 TOPS 功耗 性能功耗比 设计 适用场景 自动驾驶域 控制器 （L2.5/L3-5) 英伟达 NVIDIA DRIVE AGX Xavier 30 万亿次/秒 30W 1.00 1 个 Xavier SoC+结合 6 种不同 类型的处理器 L2+/L3 NVIDIA DRIVE AGX Pegasus 320 万亿次/秒 460W 0.70 2 个 Xavier SoC+2 个 Turing GPU L4/L5 NVIDIA DRIVE AGX Orin（1） 26 万亿次/秒 15W 1.73 OrinS（1Cam） L2-L5 NVIDIA

40、DRIVE AGX Orin（2） 100 万亿次/秒 40W 2.50 Orin（4Cam） L2 1010 新股分析 请务必仔细阅读正文之后的各项信息披露与声明 第 10 页 共 21 页 简单金融 成就梦想 NVIDIA DRIVE AGX Orin（3） 400 万亿次/秒 130W 3.08 2 个 Orin L3 NVIDIA DRIVE AGX Orin（4） 2000 万亿次/秒 750W 2.67 2 个 Orin+2 个下一代 GPU L4/L5 高通 Snapdragon Ride（2） 不详 （30700 万亿次 之间） 不详 不详 不详 L2-L3 Snapdrago

41、n Ride（3） 700 万亿次/秒 130W 5.38 不详 L4-L5 英特尔 Mobileye EyeQ4 2.5 万亿次/秒 3W 0.83 4 个 CPU 内核+6 个矢量微码处 理器(VMP） L3 Mobileye EyeQ5 24 万亿次/秒 10W 2.40 8 枚多线程 CPU 内核+18 枚 Mobileye 的下一代视觉处理器 L4/5 特斯拉 FSD 600 万亿次/秒 200W 3.00 3 个 CPU+1 个 GPU+2 个 NPU L3-L5 华为 昇腾 352 万亿次/秒 352W 1.00 华为自研 Host CPU 芯片+AI 芯 片+ISP 芯片+SS

42、D 控制芯片 L4 ADAS 控制 器 （L1-L2） NXP S32V234 不详 不详 不详 不详 L1-2 TI TDA2X 不详 不详 不详 不详 L1-2 瑞萨 R-Car V2H 不详 不详 不详 不详 L1-2 英特尔 Mobileye EyeQ1 0.0044 万亿次/秒 2.5W 不详 不详 L1-2 Mobileye EyeQ2 0.026 万亿次/秒 2.5W 不详 不详 L1-2 Mobileye EyeQ3 0.256 万亿次/秒 2.5W 不详 不详 L2 高通 Snapdragon Ride（1） 30 万亿次/秒 不详 不详 不详 L1/L2 资料来源：英伟达官

43、网，高通官网，华为官网，NXP 官网，瑞萨官网，申万宏源研究 在深度学习训练芯片市场，FPGA 和 ASIC 芯片暂时难以撼动英伟达 GPU 在深度学习 中的地位，因为英伟达的 Cuda 以及 cuDNN、TensorRT 等一系列专为深度学习打造的 软件工具链已经形成十分强大的护城河。 FPGA 和 GPU 对比，虽然 FPGA 吞吐率、性能功耗比优于 GPU，但是 FPGA 存在两 个天然缺陷，决定了 FPGA 无法在 AI 训练芯片市场发展：其一，FPGA 只适合用于推理而 不适用于训练，因为算法训练一般是浮点运算（通常是 FP16），算法推理一般是定点运算 （通常是 INT8），可以简单把浮点运算理解成小数，特点是精度要求高，所以计算量大， 功耗大，但是 FPGA 只适合做定点运算，不适