边缘AI行业深度：边缘AI硬件，引领硬件创新时代

请务必阅读最后一页股票评级说明和免责声明1 行业研究/行业深度分析 2024年4月18日 领先大市-A(维持) 边缘AI行业深度 边缘AI硬件，引领硬件创新时代 电子 电子板块近一年市场表现 资料来源：最闻 相关报告： 【山证半导体】存储行业深度报告：把握行业周期反转机会，存储产业链国产替代空间大2024.4.17 【山证电子】山西证券电子行业周跟踪：AI市场竞争加剧，AIPC加速落地，关注联想4月18日科技创新大会2024.4.15 分析师：高宇洋 执业登记编码：S0760523050002邮箱：gaoyuyang@sxzq.com 投资要点： 边缘AI是云端算力的有效补充，也是AI应用落地的必要工具，长期成长空间巨大，当前已处于爆发前期。伴随AI应用范围扩大，整体算力需求日益增长，同时对于算力及时性、安全性等个性化需求凸显，边缘端算力增长已经成为趋势，以PC、手机、汽车等终端作为载体的边缘算力将对硬件产业链产生新一轮革新。 主流厂商核心SoC算力大幅度升级，边缘AI技术基础已具备，新一轮硬件升级趋势已形成。主流芯片大厂英特尔、AMD、高通、苹果等陆续推出边缘端高算力性能的旗舰芯片产品，目前边缘端已具备运行大模型能力，预计未来3-5年PC、手机、汽车、IoT等终端将陆续搭载更大算力，终端产品形态与市场格局将产生明显变化。芯片升级带来整机产品结构与功能优化，新一轮硬件升级趋势已形成。 边缘终端革新将带来下一轮硬件创新周期，边缘AI对于国内市场及供应链带来新的成长动力。当前消费终端技术革新放缓，硬件换机周期拉长，AI将有力拉动新一轮周期。AI硬件对终端整机代工、芯片、结构件、存储等众多环节有更高技术需求，价值量的提升及终端换机周期将带动国内供应链享受创新溢价。 重点公司关注：PC及消费电子产业链公司，华勤技术、春秋电子、思泉新材；边缘端芯片设计公司，晶晨股份、瑞芯微、全志科技。 风险提示：AI产业发展进度不及预期；下游消费电子景气度修复不及预期；供应链受贸易摩擦影响不及预期。 目录 1.边缘AI：AI普及的硬件基础6 1.1边缘AI是什么6 1.2边缘AI的相对优势7 1.3边缘AI的应用场景8 2.边缘AI：AI普及的硬件基础11 2.1AIPC芯片：主流大厂路线推出新品，相对传统PC大幅提升算力11 2.1.1高通：基于ARM架构的新一代PC芯片，算力领先同行14 2.1.2苹果：M系列芯片算力大幅提升15 2.1.3英特尔：PC芯片龙头，AIPC时代引领行业发展16 2.1.4AMD：AI芯片不断迭代，算力能力持续提升16 2.2主流AI手机芯片厂商17 2.2.1高通：手机领域芯片龙头，新款旗舰芯片算力提升明显18 2.2.2联发科：旗舰芯片全大核设计，AI模型搭载能力大幅提升19 2.3AI大模型端侧落地推动终端存储容量提升20 3.边缘AI硬件产业链生态与展望21 3.1AIPC或为PC产业提供重要发展动力21 3.2边缘AI在不同终端的应用25 3.3边缘AI产业链中的国产化机会28 4.重点公司梳理29 4.1PC消费电子产业链：华勤技术29 4.2PC消费电子产业链：春秋电子30 4.3PC消费电子产业链：思泉新材31 4.4边缘端芯片产业链：晶晨股份32 4.5边缘端芯片产业链：瑞芯微33 4.6边缘端芯片产业链：全志科技34 5.风险提示35 图表目录 图1：AI处理的重心正在向边缘转移6 图2：边缘AI的模型架构种类7 图3：高通全栈式优化StableDiffusion模型9 图4：高通在安卓手机上运行StableDiffusion9 图5：微软介绍Copilot对工作效率的提升9 图6：高通发布面向主动式车载辅助的人工智能10 图7：主要厂商产品发布时间11 图8：高通PC芯片骁龙XElite宣传图14 图9：英特尔Ultra芯片与竞品AI性能对比测试16 图10：AMD最新产品数据表17 图11：高通骁龙8Gen3配置19 图12：联发科最新手机旗舰天玑930019 图13：运算速度与硬件的限制关系20 图14：美国GDP物量指数：计算机最终销售（单位：以2017年为100）21 图15：全球PC出货量（年，百万台）22 图16：全球PC出货量（季度，百万台）22 图17：联想AIPC推介展示23 图18：联想与英伟达合作混合人工智能计划23 图19：联想ThinkPadX1CarbonAI23 图20：联想小新Pro16AI酷睿版23 图21：2023年10月Android手机性能排行26 图22：小米14Ultra大模型影像技术展示26 图23：基于蓝心大模型的AI产品蓝心小V27 图24：AIPIN产品介绍27 图25：AI为PC产业链带来的发展机会28 图26：华勤技术营业收入（亿元）30 图27：华勤技术归母净利润（亿元）30 图28：春秋电子营业收入（亿元）31 图29：春秋电子归母净利润（亿元）31 图30：思泉新材营业收入（亿元）32 图31：思泉新材归母净利润（亿元）32 图32：晶晨芯片应用终端Nexplayground33 图33：晶晨芯片应用终端Telly33 图34：晶晨股份营业收入（亿元）33 图35：晶晨股份归母净利润（亿元）33 图36：瑞芯微营业收入（亿元）34 图37：瑞芯微归母净利润（亿元）34 图38：全志科技营业收入（亿元）34 图39：全志科技归母净利润（亿元）34 表1：IntelAIPC芯片与非AI芯片数据对比12 表2：AMDAIPC芯片与非AI芯片数据对比13 表3：主要AIPC芯片参数对比13 表4：苹果M系列芯片性能对比15 表5：主要AI手机芯片参数对比18 表6：各大厂商PC上市节奏24 表7：全球个人电脑设备市场预测（出货量：百万台）25 1.边缘AI：AI普及的硬件基础 1.1边缘AI是什么 边缘AI，也称为边缘人工智能，指在物理世界设备中部署AI应用。这项技术之所以被称为“边缘AI”，是一种在物理设备上本地处理的AI算法。具体来说，边缘AI的计算发生在靠近用户和数据的网络边缘，而不是集中在云计算设施或私人数据中心。这种技术在全球范围内的网络边缘都可以应用，例如零售店、工厂、医院，甚至我们身边的交通信号灯、自动化机器和电话等设备都可以做为边缘AI的终端。 边缘AI本质是将边缘计算与AI进行一种结合，在分布式的物理架构下去进行AI计算，相对于传统的云AI，边缘AI在算力的性价比和效率上有明显优化，因此也扩大了AI计算的适用范围。传统AI的使用场景有一定局限性，难以面对实际应用场景的多样化，云AI大模型对特定场景的适配性较差，易出现算力的不足或者冗余，算力使用的性价比偏低。同时云计算在边缘端对于数据的传输通信有较高要求，网络安全及传输速率的劣势使得计算效率略显不足。而边缘AI针对不同应用场景，在芯片、模型、感知等层面进行专有设计，使得数据在终端进行采集、计算，不仅提升了AI运算效率，同时降低了对云算力的消耗，而人工智能技术作为一种高性能计算，应用于边缘端，也极大扩展了AI技术的使用场景。 图1：AI处理的重心正在向边缘转移 资料来源：英伟达、山西证券研究所 1.2边缘AI的相对优势 边缘AI相对传统云AI的四大优势，分别为算力节省、低延时、隐私定制、交互简洁，是边缘AI扩大自身应用场景的核心优势。算力成本是AI运算的主要成本，传统云端模型参数在千亿以上，单次计算调用的算力和存力成本巨大，而边缘AI模型针对具体应用对模型进行优化，降低了参数和训练数据的规模，另外直接将运算在边缘端进行，减少了数据在云端和边缘端的传输，同样也是对成本的节约。其次边缘AI的优势还体现在低延时和离线状态的使用，传统云端模型需要将数据传输至数据中心，网络的稳定性，以及传输过程中的延时，将明显降低AI应用使用的可靠性和及时性，而边缘AI则可以在无连接状态使用模型，规避了传统云端模型的劣势。另外边缘终端直接计算，可以避免数据上传云端造成的信息泄露等问题，更有利于信息安全，同时由于本地信息的个性化，边缘模型能够根据用户的个性化需求，针对用户的爱好、性格给出更有价值的输出结果，提供差异化的AI服务。 边缘AI与传统AI互有优势，实际应用过程中，根据使用场景的差异，边缘AI的模型架构又可分为终端为中心的混合AI、基于终端感知的混合AI、终端与云端协同处理混合AI。之所以要对AI计算进行分工，是由于在不同的场景下，根据云端和边缘端的计算、存储能力，需要将AI计算和存储分配到云和终端共同完成，使得整体AI计算效率最大化。 图2：边缘AI的模型架构种类 资料来源：《EdgeIntelligence:PavingtheLastMileofArtificialIntelligencewithEdgeComputing》、山西证券研究所 终端为中心的混合AI，即是将所有的计算过程均在边缘端进行。当边缘终端的计算性能较高，且运行的模型复杂度不高的时候，直接将模型搭载在终端上，依靠终端进行数据处理和存储，一般适用于计算能力较强的终端，例如PC等。这种模型的优势是更快速的响应用户请求，且降低对云端的计算负载，同时在离线状态下也能实现模型运行，是一种完全不依赖云端数据中心的边缘模式。 终端感知的混合AI，终端负责的数据采集和存储，然后将数据传输到云端进行AI计算，最终通过终端进行数据输出。这是一种结合终端数据处理能力，与云端计算能力的边缘AI模式，一般适用于数据输入输出能力强，但计算能力有限的终端，例如手机、智能音箱等。利用边缘终端对数据进行预处理标准化，对于用户来说，既能保证数据输入的有效性，也保障了传输数据的隐私性，而对于云端数据中心，则有效降低了数据负载。 终端与云端协同处理混合AI，这是一种结合终端数据处理能力与云端计算能力的边缘AI运行模式。在这种模式下，模型自主判断AI计算在云端和边缘端的分配，当计算需求较为简单时，则在终端进行简易模型的计算，而当终端计算结果准确性下降后，则再通过云端的大模型进行修正。协同处理的模式对使用场景有更强的适应力，适配不同的AI使用需求，其难点在于对算力的分配算法，如何判定在云端或终端进行计算。潜在方案是先在终端进行初步计算，然后将计算结果发送到云端进行验证，由验证的正确率来判断是否要在云端进行重新计算，从而实现云端算力的动态调整。 1.3边缘AI的应用场景 边缘AI模型的研发加速边缘AI的应用场景扩展，当前已有众多边缘模型发布，其模型参数在10亿至100亿之间。受边缘终端的计算性能限制，边缘端搭载的AI模型较传统模型更加轻量级，其参数范围取决于模型的预期功能和搭载的终端。根据高通预测，未来在边缘端搭载的模型参数范围在10-100亿之间，且100-150亿参数级别的模型可以覆盖大部分的边缘AI应用。 边缘AI推广的基础是边缘模型的推出，高通在手机上演示使用StableDiffusion来生成图像，标志着AI大模型首次在安卓手机终端上得到应用。StableDiffusion过去依靠云端运行， 参数超过10亿，高通通过全栈AI优化，使用降低浮点数、减少存储溢出、升级算力性能等方式，使得模型可以在骁龙8Gen2平台上运行。 图3：高通全栈式优化StableDiffusion模型图4：高通在安卓手机上运行StableDiffusion 资料来源：高通官网、山西证券研究所资料来源：高通官网、山西证券研究所 边缘AI由于其算力节省性、低延时、隐私定制、交互等优势，在各行各业都有广阔应用前景，例如消费电子、PC办公、智能汽车等领域。根据英特尔高级副总裁SachinKatti预测，2023年全球边缘市场规模将达到4450亿美元，边缘AI的广泛应用将会各行业带来巨大的发展机会。 智能手机及智能家居等消费电子类产品，使用边缘AI主要集中在视觉识别及语音感知功能上。视觉识别领域，通过边缘AI算法，实现对人以及物体的识别从从2D到3D，适用范围大范围扩展，例如在智能家居领域，生物识别可