2022年半导体行业专题研究.docx

2022年半导体行业专题研究报告缘起市场需求：AI、高性能计算、图形渲染等推动GPU等并行计算芯片需求需求场景：AI训练&推理、复杂科学计算、大规模图形渲染等，持续推动并行计算芯片需求。由于GPU（GraphicsProcessingUni，图形处理器）是由成百上千个阵列排布的运算单元ALU组成，使得GPU更适用于大规模并发运算，其在图形处理、计算加速等领域有着广泛的运用。2）由于GPU加速器强大的并行处理能力，超算中心工作人员可以更好地设计深度网络结构，使得其在超算领域&数据中心领域更具经济效益，导致GPU在AI训练&推理、科学计算等领域有着广泛的应用。GPU用于AI训练&AI推理领域。在典型AI模型卷积网络中，大量数据以图片形式导入，在进行运算过程中，数据均为矩阵形式，而矩阵运算通常适合并行，因此AI算法的特性，使得GPU的运算速度明显大于CPU，使得GPU得以大量应用在AI的训练与推理当中。GPU可用于复杂科学计算中。科学计算将物理、化学、生物、航空航天等领域的问题转化为数学模型，通过计算和求解模型用于实际产业。从计算数据来看，由于科学计算中所用数据多数以矩阵为形式，同时由于科学计算对误差有强制要求，因此在运算中需要在并行运算基础上保证一定的精度。而现代GPU在并行&矩阵运算的基础上，已经能够满足科学计算所需的精度要求。近些年来，随着人工智能软件算法的发展，复杂科学计算的进步，以及图形渲染功能的增加，带动底层芯片并行计算能力需求的快速提升。以全球AI芯片领军者英伟达的发展状况来看，公司AI芯片算力由2012年的4Tops提升至2021年的1248Tops，9年时间提升了约315倍。AI框架、并行计算框架等引入&丰富，不断推动针对并行计算芯片软件开发门槛降低。1）从人工智能软件算法框架的发展历史来看，2015年谷歌宣布开源TensorFlow，2019年PFN宣布将研究方向由Chainer转向PyTorch。目前AI框架形成了TensorFlow和PyTorch双寡头垄断的竞争格局。其中，谷歌开源TensorFlow项目，在很大程度上降低了人工智能的开发门槛和难度。2）TensorFlow主要用于处理机器学习中的计算机视觉、推荐系统和自然语言处理（NLP）的模型训练和推理，涉及模型隐藏层相对较多，模型量相对较大，基本上均需要CUDA的加速处理。随着TensorFlow的开源，涉及到的开发开发者快速增加，CUDA软件下载量也呈现陡增趋势。据英伟达在2021GTC大会上宣布，截至2020年底，CUDA累计下载量超过2000万次，其中2020年下载量超过600万次。涉及到的开发人员约230万人（2020年新增超过60万人）。算法丰富、算法复杂度提升等，亦成为市场需求的重要驱动力。1）如前所述，过去9年，AI芯片的算力大幅提升，也带动AI算法模型参数的大幅增加。从Alexnet、ResNet开始，到BERT网络模型，参数量已超过3亿规模，随后GPT-3模型超过百亿，SwitchTransformer的问世还一举突破万亿规模。2）英伟达2020年发布的Megatron-LM模型，参数量达到了83亿，相比于在2018年以参数量震惊世界的BERT模型又提升了5倍。模型体积几何倍数的增长也带了更多数据中心侧的需求，只有依靠上千块GPU并行运算才能在以天为单位的训练时长中完成对Transformer模型的训练。2021年，全球数据中心逻辑计算芯片市场规模高达436亿美元。1）在过去数年，全球数据中心芯片市场保持高速增长，由2012的122亿美元增长至2021的436亿美元，符合增长率约15%。2）从市占率来看，早期英特尔和Altera几乎垄断数据中心约市场份额，伴随着AMD和英伟达产品矩阵的增加，AMD和英伟达在数据中心领域中的的市占率不断提升。截至2022Q2，英特尔全球数据中心芯片市占率约41.5%、英伟达市占率为34.0%、AMD市占率为24.5%。英伟达历史借鉴：产品技术、软件生态等构筑GPU核心壁垒近期，英伟达最新两则公告，导致市场对国产GPU的关注度提升。1）8月31日，英伟达发布公告称：（a）8月26日，美国政府对英伟达未来出口到中国(包括香港)和俄罗斯的A100和即将推出的H100芯片实施了新的许可证要求，该许可立即生效。新的许可证要求将解决涉及的产品可能用于或转移到中国和俄罗斯的“军事最终用途”或“军事最终用户”的风险。（b）该许可涉及到的芯片主要包括：英伟达A100和即将出货的H100两款芯片、基于A100/H100打造的DGX产品、以及未来实现峰值性能和芯片对芯片I/O性能均等于或大于大致相当于A100的阈值的任何NVIDIA芯片。目前来看，美国政府对中国以及俄罗斯出口限制的主要是针对数据中心的高端独立GPU芯片及相关