高速以太网交换机龙头，有望充分受益 AI以太网组网趋势

投资逻辑 公司是高速以太网交换机龙头厂商，自研EOS操作系统，提供交换机白盒方案。公司凭借生态优势导入数据中心客户实现快速增长。我们认为公司有望充分受益AI趋势。以太网有望在AI获得广泛应用。以太网端口速度、线缆带宽更高，在大规模集群较 美元(元)成交金额(百万元) Infiniband有优势。以太网是公开协议，有望受益大规模训练集 群的部署、非英伟达AI芯片训练组网及推理。根据博通24年6月业绩会，网络通信硬件在GPU集群成本占比已从20%提升至约1/3，在年底有望升至40%，博通认为25年所有的超大规模集群都将采用以太网。根据Semianalysis，10万H100集群需要超3000个搭载Tomahawk5的交换机。根据公司，24年全球数据中心以太网交换机市场约160亿美元，28年将超210亿美元。 凭借高速交换机市场市占率提升及市场增长，公司营收22、23年同比+48.6%、+33.8%。公司高速交换机市场已有较高份额，未来提升空间有限，叠加产品换代周期，公司指引24年营收增长 12%~14%，24Q1公司营收15.7亿美元，同比+16.3%。根据博通24年6月业绩会，博通预计24年51.2T交换芯片Tomahawk5、用于GPU互联的Jericho3出货量将翻倍，交换机迭代有望带动公司增长。公司指引分下游看长期营收中60~65%来自数据中心，分客户看40~45%来自超大型云厂商。在EOS系统带来的生态优势下，公司相比竞争对手思科营收增长迅速，19~23年，公司营收由24.11 亿美元提升至58.60亿美元，思科营业收入由515.50亿美元提升至572.33亿美元。在100G及以上速率数据中心以太网交换机市场，公司逐渐成为行业龙头，23年公司按端口数市场份额达到45%， 391.00 351.00 311.00 271.00 231.00 191.00 151.00 230724 231024 240124 240424 成交金额AristaNetworks,Inc. 3,500 3,000 2,500 2,000 1,500 1,000 500 0 公司基本情况（美元） 项目 2022 2023 2024E 2025E 2026E 营业收入(百万元) 4,381 5,860 6,958 8,345 9,051 增长率（%） 48.6% 33.8% 18.7% 19.9% 8.4% EBITDA 1,657 2,459 2,796 3,275 3,665 归母净利润 1,352 2,087 2,476 2,884 3,237 增长率（%） 60.8% 54.3% 18.6% 16.5% 12.2% 每股收益-期末股本摊薄 4.41 6.68 7.90 9.20 10.33 每股净资产 15.92 23.12 28.94 36.14 46.38 市盈率（P/E） 82.54 54.41 46.04 39.53 35.21 市净率（P/B） 22.85 15.73 12.57 10.07 7.84 是思科的两倍之多。我们认为公司凭借软件生态优势，以及采用商用芯片具备更快迭代速度，公司有望保持对思科在高速交换机市场竞争优势。同时公司凭借软件+硬件形式出货，相比纯硬件出货的白牌交换机厂商具备更强盈利能力。 盈利预测、估值和评级 我们预计公司24~26年净利润分别为24.76、28.84、32.37亿美元，参考可比公司估值，我们给予公司2025年50XPE，对应目标价460美元，首次覆盖，予以“买入”评级。 风险提示 以太网AI组网进展不及预期；行业竞争加剧；下游需求不及预期。 来源：公司年报、国金证券研究所 内容目录 一、以太网在AI领域与Infiniband具备差异化优势，看好大规模集群、推理以太网组网4 1.1以太网是数据中心主流通信协议，传输速率不断提升4 1.2AI模型高复杂度催生大规模集群需求，应用出现催生推理需求，有望拉动AI以太网组网5 二、立足EOS操作系统，有望保持高速以太网交换机龙头地位8 2.1EOS操作系统有效实现软硬件解耦，助推公司高速交换机市占率提升82.2EOS生态优势+商用交换芯片，助力公司高速交换机保持优势12 2.3白牌交换机市占率仍然较低，公司软件+硬件方案盈利能力更高15 三、盈利预测与投资建议16 3.1盈利预测163.2投资建议17 四、风险提示18 图表目录 图表1：以太网是当前最普遍的局域网技术4图表2：公司与AMD、博通等厂商成立超以太网联盟，致力实现以太网在AI组网的部署4图表3：全球数据量快速增长，24年有望超153ZB4图表4：主流以太网速率已经达到400G4图表5：模型参数量提升明显，目前已经有万亿参数级别模型5图表6：GPT-4、Gemini1.0Ultra、MistralLarge等模型训练所需要算力超过10^25FLOP6图表7：以太网除延时较Infiniband高外，其余性能具备差异化优势7图表8：以太网可以在同样网络层数下构建更大规模集群7图表9：MarvellASIC客户拓展计划8图表10：博通XPU开发计划8图表11：7:1收敛比的10万卡H100集群需要使用3168个搭载Tomahawk5交换芯片的交换机8图表12：白盒交换机解耦上层应用与底层硬件9图表13：开放与解耦是数据中心网络发展方向9图表14：公司EOS系统具备丰富可编程性，生态系统丰富9图表15：公司营收增速较思科更高（单位：%）10图表16：公司净利润增速较思科更高（单位：%）10图表17：公司与思科毛利率维持在60%以上（单位：%）10图表18：公司营业利润率较思科更高（单位：%）10图表19：公司指引长期来看营收当中60~65%来自数据中心与云端10图表20：公司销售费用率较思科更低（单位：%）10 图表21：公司数据中心交换机按营收市占率接近思科11 图表22：公司数据中心交换机按端口数市占率已超思科11 图表23：公司数据中心高速以太网（100G/200G/400G）端口出货量已超思科两倍11 图表24：数据中心以太网交换机市场24年增速下滑，800G交换机预计25年起量（单位：十亿美元）12 图表25：23年公司数据中心高速交换机按端口数市占率已达到45%12 图表26：主要云厂商资本开支24Q1同比增长30%（单位：百万美元）12 图表27：公司更开放的生态可以方便部署、降低失效13 图表28：EOS可满足任意云网络的搭建需求13 图表29：交换机主要芯片为交换芯片13 图表30：交换机当中芯片成本占比达32%13 图表31：博通StrataXGS以太网交换机芯片迭代历程14 图表32：思科以太网交换机芯片迭代历程14 图表33：目前可以提供Spectrum-X平台的厂商包括戴尔、HPE、联想、超微电脑14 图表34：公司指引长期来看营收当中40%~45%来自超大型云厂商15 图表35：交换机市场仍然以品牌厂为主，23年白牌（ODMDirect）按销售额市占率约14%15 图表36：白牌交换机厂商网络相关业务营收增速与公司基本相当（单位：%）16 图表37：公司毛利率显著高于白牌交换机厂商（单位：%）16 图表38：公司营业利润率高于白牌交换机厂商（单位：%）16 图表39：公司分业务收入、毛利率与费用率预测17 图表40：可比公司估值比较（市盈率法）18 一、以太网在AI领域与Infiniband具备差异化优势，看好大规模集群、推理以太网组网 1.1以太网是数据中心主流通信协议，传输速率不断提升 以太网是IEEE电气电子工程师协会制订的一种有线局域网通讯协议，应用于不同设备之间的通信传输，具备技术成熟、高度标准化、网络带宽高以及低成本等诸多优势，是当今世界应用最普遍的局域网技术。在数据中心当中，以太网一般用于云计算领域。 目前AI网络主要基于Infiniband协议，但Infiniband相较以太网价格更高，对于英伟达的依赖度较高，同时以太网具备长期在大型数据中心以及远距离传输的部署经验，为了成本以及供应链安全考虑，目前英伟达以外的厂商也在探索以太网AI网络。 23年7月UEC（超以太网联盟）成立，除了公司以外，创始厂商包括芯片厂商英特尔、AMD、博通，设备厂商思科，以及云厂商微软、Meta等。UEC的目标是超越现有的以太网功能，例如远程直接内存访问(RDMA)和融合以太网RDMA(RoCE)，提供针对高性能计算和人工智能进行优化的高性能、分布式和无损传输层，将在AI领域与InfiniBand展开竞争。 图表1：以太网是当前最普遍的局域网技术 图表2：公司与AMD、博通等厂商成立超以太网联盟，致力实现以太网在AI组网的部署 来源：裕太微招股说明书，国金证券研究所 来源：UEC网站，国金证券研究所 公司作为高速以太网交换机龙头厂商，在数据中心速率升级大背景下，有望充分受益。随着8K、5G、IoT、大数据、AI等系列技术的发展，数据量迎来了爆发式增长。根据IDC的数据，2022年全球数据量已经达到103.66ZB，预计2024年有望达到153.52ZB，而2027年预计达到284.30ZB。 为了应对快速增长的数据量，云厂商数据中心传输速率不断升级。随着生成式AI发展，对于低延时、高速率的数据传输有了更高要求，因此当下北美主要云厂商的AI数据中心速率也向800G、1.6T开始迭代 图表3：全球数据量快速增长，24年有望超153ZB图表4：主流以太网速率已经达到400G 数据量（ZB）YoY 300 250 200 150 100 50 0 20222023E2024E2025E2026E2027E 24% 24% 23% 23% 22% 22% 21% 21% 来源：IDC，国金证券研究所来源：裕太微招股说明书，国金证券研究所 1.2AI模型高复杂度催生大规模集群需求，应用出现催生推理需求，有望拉动AI以太网组网 ScalingLaw是指模型的性能与计算量、模型参数量和数据大小三者之间存在的关系。具体来说，当不受其他因素制约时，模型的性能与这三者呈现幂律关系。这意味着，增加计算量、模型参数量或数据大小都可能会提升模型的性能。根据OpenAI的论文《ScalingLawsforNeuralLanguageModels》，更大的模型将具备更强的性能，同时具备更高的效率。今年以来，已经有上万亿参数的模型推出。 图表5：模型参数量提升明显，目前已经有万亿参数级别模型 来源：《AIIndexReport2024》，国金证券研究所 随着模型参数量的提升，训练模型所需要的算力也不断增加。根据EpochAI，2017年只有两个AI模型的训练所需要算力超过了10^23FLOP，在截至2020年，模型数量提升至4个，截至22年，模型数量提升至31个，在24年1~6月份，训练所需要算力超过了10^23FLOP的新增的模型数量达到了25个。另外，部分模型训练所需要的算力已经超过了10^25FLOP，如GPT-4、Gemini1.0Ultra、MistralLarge等。 图表6：GPT-4、Gemini1.0Ultra、MistralLarge等模型训练所需要算力超过10^25FLOP 来源：EpochAI，国金证券研究所 更大参数的模型带动更大的训练算力需求，带动GPU集群规模的不断提升。大规模集群对于网络通信的性能要求有明显增加，网络通信硬件的成本快速提升。根据博通24年6月举行的FY24Q2业绩会，网络通信硬件在GPU集群的成本占比已经从20%提升至接近1/3，并且在年底有望提升至40%。 目前GPU集群组网通常采用Infiniband或以太网，InfiniBand通常比以太网提供更低的延迟，从而实现更快、更高效的数据传输。但对于超大规模GPU集群，由于以太网具备更高兼容性、更高的线缆带宽、更高的端口速率，采用以太网的比例明显更高。根据博通24年6月举行的FY24Q2业绩会，目前八个