全球SoC芯片龙头，AI赋能智能终端应用有望多点开花

公司简介 公司是手机SoC全球龙头，下游覆盖智能终端、物联网、汽车市场，并积极拓展混合式AI应用。公司23财年（20221020239） 美元元成交金额百万元 前三季度实现营收27189亿美元，同比1712；归母净利润 5732亿美元，同比4294。2023财年前三季度，公司手机业务收入17114亿美元，同比1997，营收占比63，；QTL（技术授权）营收3865亿美元，同比1775；物联网业务营收4557亿美元，同比1473；汽车业务营收1337亿美元，同比2807。 投资逻辑： 混合式AI较纯云端部署更具优势，将带动端侧、边缘侧AI部署。公司积极布局软件生态与硬件开发，凭借市场地位与技术优势有望充分受益。全球手机市场下滑，导致公司手机及QTL业务下降明显。根据IDC，23年一、二季度全球手机出货量分别减少146、78，预计全年46，24年有望45。根据Counterpoint，公司23Q1智能手机SoC出货量占整体市场的28，在旗舰机型和中高端机型市占率第一。未来手机业务有望受益于手机端AI部署以及手机市场复苏。PC端公司与微软在WindowsonArm深度合作，有望受益Arm处理器在PC份额扩大。 公司有望受益混合式AI赋能AIoT。根据IoTAnalytics，全球企业级物联网市场23年达2380亿美元，27年将达4830亿美元。公司物联网SoC市占率40，今年新品性能较竞品领先。 根据ICV，22年全球智能座舱SoC芯片市场规模达35亿美元，公 14300 13500 12700119001110010300 220909 成交金额高通 4000 3500 3000 2500 2000 1500 1000 500 0 公司基本情况（美元） 盈利预测 2021A 2022A 2023E 2024E 2025E 营业收入百万元 33566 44200 35949 38151 41648 增长率（） 426 317 187 61 92 EBITDA 12332 16760 11928 13692 15942 归母净利润 9043 12936 7972 9634 11651 增长率（） 740 430 384 208 209 每股收益期末股本摊薄 804 1154 714 863 1044 每股净资产 884 1607 1697 2202 2789 市盈率（PE） 1666 1050 1486 1230 1017 市净率（PB） 1514 754 625 482 381 司市占率近30。公司产品较传统汽车芯片厂商产品更具优势，助公司在智能座舱市场快速发展。公司已推出下一代智能座舱芯片，有望巩固优势。同时公司自驾芯片算力600TOPS，有望24年量产。 盈利预测、估值和评级 预测202320242025财年实现归母净利润797亿963亿1165亿美元，同比384208209。公司作为手机SoC龙头厂商，全面拥抱AI发展，有望充分受益混合式AI趋势，参考可比公司2024财年16XPE估值，给予2024财年16XPE，目标价 13812美元，首次覆盖，给予“买入”评级。 风险提示 混合式AI发展不及预期；消费电子需求不及预期；美国制裁升级风险；库存减值风险。 来源：公司年报、国金证券研究所 内容目录 一、AI终端、边缘端部署大势所趋，手机、PC有望充分受益5 11混合式AI大有可为，公司软件生态布局充分5 12手机：用户基数大、使用时间长，凸显AI部署潜力，公司技术先发优势明显8 13PC：与微软深度合作，有望随WindowsonArm快速成长13 二、混合式AI赋能网联化向智能化发展，IoT业务未来可期15 21物联网覆盖各行各业，混合式AI有望加速智能化趋势15 22物联网SoC市占率优势明显，布局AI有望巩固龙头地位17 三、汽车智能化大势所趋，公司自动驾驶、智能座舱全面布局20 31智能驾驶与自动驾驶是汽车智能化直接体现，车端AI有望推动增长20 32立足智能座舱，切入自动驾驶，汽车智能化有望开启公司第二增长曲线21 四、盈利预测与投资建议25 41盈利预测25 42投资建议27 五、风险提示28 图表目录 图表1：主流AI模型所需训练量变化情况（红色为AI大模型，蓝色为AI常规模型）5 图表2：混合式AI部署示意图6 图表3：混合式AI相比完全云端部署更具优势6 图表4：70亿参数模型在经过微调后，回答ScienceQA问题集的正确率高于部分大模型7 图表5：公司全栈AI布局引领端侧AI高效解决方案发展7 图表6：公司AI软件栈可以帮助开发者一次编写、随处运行，实现规模化部署8 图表7：全球智能手机用户数2022年已超47亿人8 图表8：中国智能手机ASP不断提高9 图表9：2022年各国500美元以上手机市场占比9 图表10：23Q1手机SoC按出货量占比9 图表11：22Q2手机SoC按销售额占比9 图表12：2021年公司在中高端机型以及旗舰机型SoC出货占据明显优势10 图表13：采用INT4功耗和效率更佳10 图表14：Hexagon直连示意图10 图表15：Hexagon处理器包括各类运算加速器、硬件加速器、microtile推理部分等11 图表16：公司骁龙8gen2相较移动领域竞品具备领先的AI能效11 图表17：主流手机SoCAI运行效果评分对比12 图表18：公司针对StableDiffusion的全栈式优化12 图表19：采用搭载骁龙8Gen2的手机用AI生成的绘画12 图表20：公司手机产品营收短期承压13 图表21：公司QTL业务营收短期承压13 图表22：搭载高通骁龙SQ3的SurfacePro95G版13 图表23：2021年全球PCArm处理器销售额苹果占7913 图表24：公司骁龙8cxGen3处理器在AI推理的优势明显14 图表25：PC端Arm核处理器占比逐渐提高14 图表26：笔记本电脑有望24年回暖14 图表27：AIoT技术架构15 图表28：AIoT市场发展阶段16 图表29：AIoT在零售业可以帮助库存管理等16 图表30：多模态模型帮助摄像头功能更加智能化16 图表31：全球企业级IoT市场持续增长17 图表32：22年全球IoT硬件市场占企业级IoT市场4417 图表33：公司物联网业务短期承压17 图表34：公司物联网业务已有环比改善17 图表35：2022年公司物联网芯片出货量占比4018 图表36：公司8550处理器架构针对AI优化设计18 图表37：8550处理生态合作伙伴数量众多18 图表38：IoT模组自带算力，推动物联网智能化发展19 图表39：公司8550处理器在低功耗场景具备算力优势19 图表40：2021年全球智能座舱新车渗透率近五成20 图表41：全球汽车智能座舱市场21年已超400亿美元20 图表42：全球智能座舱SoC市场22年超34亿美元20 图表43：22年L2级别乘用车智能座舱SoC市场占46820 图表44：自驾等级提升同样将增加单车智能座舱SoC平均数量21 图表45：全球自动驾驶渗透率不断提升21 图表46：国内L2级别驾驶渗透率不断提升21 图表47：公司骁龙数字底盘包括自动驾驶、智能座舱、车对云连接与汽车智联平台的全面布局22 图表48：2022年公司智能座舱SoC销售额占比接近3022 图表49：2023年公司智能座舱销售额占比有望继续提升22 图表50：公司上一代智能座舱芯片8155相较传统汽车芯片厂商产品更具技术优势23 图表51：公司汽车业务营收增长迅速23 图表52：8195、8295有望形成产品矩阵，全面覆盖高中低不同方案24 图表53：公司SnapdragonRideFlex可以同时支持智能座舱、ADAS和AD功能24 图表54：公司自驾芯片产品路线图25 图表55：英伟达自驾芯片产品路线图25 图表56：公司主要业务2023财年各季度变化情况及预测26 图表57：公司2125财年分业务营收变化情况及预测27 图表58：公司2125财年费用率变化情况及预测27 图表59：可比公司估值比较（市盈率法）28 一、AI终端、边缘端部署大势所趋，手机、PC有望充分受益 11混合式AI大有可为，公司软件生态布局充分 人工智能AI顾名思义就是通过高性能计算机来模拟人脑的认知及推理过程，尤其是在收集大量原始数据后，再通过高性能计算机加上各类特殊的AI算法来训练和提高AI的认知能力，其中包括视觉（图像，视频），听觉（语言，声音）等各类能力。当AI的认知能力训练完成后，推理算法能够使用高性能计算机举一反三完成数据收集、推理和决策，形成对人类部分工作的代替。 2017年谷歌提出Transformer模型使得深度学习进入了大模型时代，2022年11月，OpenAI推出了ChatGPT人工智能聊天机器人，引发了大模型AI的热潮。大模型所需算力的增长幅度远超过摩尔定律提供的性能成长速度，大模型由于参数数量大幅增加，所需要的算力也相较常规模型大幅增长。目前ChatGPT的总算力消耗约为3640PFdays即假如每秒计算一千万亿次，需要计算3640天，需要78个投资规模30亿、算力500P的数据中心才能支撑运行。 大模型算力增加呈指数级变化，每9至10个月翻一番。2015年推出的AlphaGoLee大模型所需要的训练量算力超过1021FLOPs，而2021年推出的大模型MegatronTuringNLG530B的训练算力需求已经超过了1024FLOPs，算力提升了1000倍左右。 图表1：主流AI模型所需训练量变化情况（红色为AI大模型，蓝色为AI常规模型） 来源：《ComputeTrendsAcrossThreeErasofMachineLearning》国金证券研究所 当前大模型仍然主要在云端部署，用户发出请求后，会上传到云端，由数据中心当中的AI服务器进行推理，随后将结果再通过网络返回给客户。随着大模型用户数量提升，提交的请求数量不断增多，叠加未来除了纯文字内容外，也将增加图片、音频甚至视频内容的请求，对云端部署带来了成本、功耗、延时以及隐私方面的挑战。混合AI方式适用于几乎所有生成式AI应用和终端领域，包括手机、笔记本电脑、XR头显、汽车和物联网。这一方式对推动生成式AI规模化扩展，满足全球企业与消费者需求至关重要。 图表2：混合式AI部署示意图 来源：公司网站，国金证券研究所 与仅在云端进行处理不同，混合AI架构在云端和边缘终端之间分配并协调AI工作负载。云端和边缘终端如智能手机、汽车、个人电脑和物联网终端协同工作，能够实现更强大、更高效且高度优化的AI。 根据公司发布的《ThefutureofAIishybrid》白皮书，生成式AI搜索可以提供更加出色的用户体验和搜索结果，但每一次搜索查询（query）其成本是传统搜索方法的10 倍。目前每天有超过100亿次的搜索查询产生，即便基于大语言模型的搜索仅占其中一小部分，每年增量成本也可能达到数十亿美元。将一些处理从云端转移到边缘终端，可以减轻云基础设施的压力并减少开支。这使混合AI对生成式AI的持续规模化扩展变得至关重要。混合AI能够利用现已部署的、具备AI能力的数十亿边缘终端，以及未来还将具备更高处理能力的数十亿终端。另外在延时、能耗、隐私安全和个性化方面，混合AI相比单纯云端部署也更具优势。 图表3：混合式AI相比完全云端部署更具优势 纯云端AI 混合式AI 成本 依赖大规模数据中心基础设施建设，具有极高的维护费用，随着用户增加，投入规模不断扩大 在端侧进行部分工作与预处理工作，减轻云基础设施压力，减少开支 延时 在用户大量访问时，存在大量排队等待、高时延，甚至拒绝服务的情况 终端处理可以在即使无网络连接时候，仍然可以正常使用AI的应用 能耗 数据中心规模不断扩大，带来巨大能耗 端侧进行预处理，可以减少数据中心规模，减少总体能耗 隐私保护 用户访问和请求信息会通过网络传输到云端，存在隐私暴