通信行业深度：黎明已经到来—从技术演进看国产算力投资机会

通信 黎明已经到来—从技术演进看国产算力投资机会 证券研究报告|行业深度 2024年12月25日 国内算力需求的黎明已经到来。AI爆发两年以来，海外通过前期的算力积累和模型建设，开启了AI的商业循环之路，这对于国内的互联网巨头来说，意味着大规模部署AI业务的前提条件已经具备。今年以来，国内“豆包”、“可灵”等 优秀模型也开始商业化尝试，随着头部模型厂商开始走向放量与商业循环，我们认为，对于中国互联网行业蛋糕的再一轮切分即将到来，而在本轮竞争之中，算 增持（维持） 行业走势 力的建设，尤其是自主可控的算力建设，将是一切的先决条件。 GPGPU还是ASIC-先解决能用的问题。近期，博通在业绩电话会上描述了未来ASIC芯片的宏伟蓝图，但对于国产算力来说，我们判断，“能用与易用”的GPGPU将是未来几年的主旋律。相较于GPGPU，当下的AIASIC主流路线虽然纸面效率较高，但是在编译器，生态软件上与国内客户需求的适配度较低。从当 下来看，随着国内以“豆包”为代表的大模型应用加速放量，各厂商需要的是能够快速部署，抢占业务入口与用户的通用型算力，也就是GPGPU。同时对于以运营商，地方智算的建设者来说，通用算力代表着更好的用户接受度与投资回报 40% 28% 16% 4% -8% -20% 通信沪深300 率。长期来看，随着中国AI模型的竞争格局逐渐清晰，头部玩家的业务颗粒度逐渐变大，AIASIC也将在中国找到合适的渗透场景。 中国AI通信，路在何方？随着中国算力加速放量，自主可控的AI通信能力建设 也迫在眉睫，我们认为，建设中国AI通信，同海外一样，分为“Scale-Out”与“Scale-Up”两个部分。对于以交换机，以太网为主导的“Scale-Out”网络，核心是具备从芯片到整机自主可控的交换机体系。而对于过去更加封闭和专用的“Scale-Up”网络，我们不应走英伟达NV-Link体系的老路，而是应当学习海外以博通、AMD为主导的“UA-Link”联盟的经验，以及博通提倡的从封装开始的算核标准化互联服务，凭借过往中国电信巨头的网络经验和国产交换机芯片，封装技术的革新，组成适用于所有国产算力的自主版“UA-Link”和算核封装标准。 基建与制造：中国算力的底气！AI算力建设发展至今，已经跳脱了单芯片计算能 力的范畴，逐渐演变成从能源，通信到集群的系统性工程。如同航母一样，是对 于一个国家综合实力的考量。虽然在地缘政治下，中国的芯片制程和单芯片能力受到限制。但我们认为，在国产算力建设过程中，我们的基建与电子制造能力将是中国算力最重要的底牌之一。从两方面来看，首先是电子制造能力，中国的数 通光模块企业在多轮速率迭代周期中逐渐建立了竞争优势。同时随着连接方案多 样化，中国的铜模组，光纤光缆，长距离光模块等也将为AI建设添砖加瓦。第二方面，中国拥有全球最先进的电网设施和充足的电力供应，当下美国AI建设受困于电网容量，不得不寻求如DCI，天然气，小型核电等方式，但中国良好的电力基础，将使得国内在IDC扩容方面具有不可替代的优势。 投资建议：建议关注计算能力、通信能力、制造能力、基建能力的四大环节核心标的。 计算能力：寒武纪-U。 通信能力：中兴通讯、盛科通信-U、通富微电。 制造能力：新易盛、中际旭创、天孚通信、光迅科技、德科立、华工科技、锐捷网络、菲菱科思、紫光股份。 基建能力：润泽科技、光环新网、奥飞数据、英维克、麦格米特。 风险提示：AI建设不及预期，国内AI需求不及预期，海外制裁风险。 重点标的 2023-122024-042024-082024-12 作者 分析师宋嘉吉 执业证书编号：S0680519010002邮箱：songjiaji@gszq.com 分析师黄瀚 执业证书编号：S0680519050002邮箱：huanghan@gszq.com 分析师邵帅 执业证书编号：S0680522120003邮箱：shaoshuai@gszq.com 相关研究 1、《通信：进击的光通信——2025年通信行业投资策略》2024-12-22 2、《通信：字节领跑，国内算力投资加码》2024-12- 21 3、《通信：AI的新视角：从算力之战到能源之争——通信策略之AI基础设施篇》2024-12-19 股票代码 股票名称 投资评级 EPS（元） PE 2023A 2024E 2025E 2026E 2023A 2024E 2025E 2026E 688702.SH 盛科通信- U 买入 -0.08 0.04 0.10 -597.40 2,255.72 935.30 资料来源：Wind，国盛证券研究所 请仔细阅读本报告末页声明 内容目录 1.投资要件3 2.国产算力-能用与易用先行4 2.1GPGPU与ASIC的技术对比与优劣分析4 2.2我们的判断：GPGPU仍将是国内的主旋律7 3.中国AI通信路在何方？8 3.1中国AI通信之Scale-Out-以太网主导，交换机芯片是核心8 3.2中国AI通信之Scale-Up-“中国版NV-Link”迫在眉睫9 4.中国基建与中国制造：中国算力的底气12 4.1通信制造业：中国工业的明珠12 4.2IDC：再次成为核心资产12 5.投资建议13 6.风险提示13 图表目录 图表1：英伟达A100架构5 图表2：谷歌TPUV4架构5 图表3：TSPSuperlane位宽6 图表4：Groq的研发历程6 图表5：功能单元支持指令7 图表6：盛科通信交换机芯片9 图表7：UA-Link协议10 图表8：UA-Link有多家巨头加入10 图表9：博通3.5D封装11 1.投资要件 本篇报告将从一种路径（芯片路线选择）、两种道路（AI、通信发展道路）、三个板块 （芯片、通信、配套）、四种能力（计算、通信、制造、基建）梳理国产算力起量过程 中的投资框架与逻辑。 市场对于国内算力芯片的发展路径理解较浅。我们坚定认为，相较于ASIC芯片，GPGPU将是更适合中国当下几年算力市场的产品模式。首先，对于ASIC的定义，市场也较为模糊，我们认为，从国际主流来看，AIASIC是指没有DCU部分，只保留 TensorCore，且采用脉动阵列取数法为原理的芯片，即谷歌TPU、Groq、Tenstorrent等海外主流ASIC。其余保留了DCU部分的芯片，均应归类为GPGPU类型。虽然ASIC的芯片，在同等制程和面积下，拥有更高的理论性能，但ASIC芯片的开发，需要编译器和软件生态层面的配合。由于没有DCU部分的辅助，ASIC芯片的编译器开发难度远高于GPGPU芯片，同时新的生态软件也给客户带来了极高的切换成本。因此，在当下阶段，只有从模型训练到推理应用全自有的海外头部大厂，才能较好的运用自研ASIC。 对于国内来说，未来几年是算力部署的初始阶段，GPGPU算力的易用性将使其对客户更有吸引力，中国需要先用海量的，可用且易用的GPGPU算力堆砌出自己的模型与商业循环，在完全成熟以及业务颗粒度放大之后，ASIC在国内的市场才会慢慢显现。 当然在此过程中，对于GPGPU架构的优化也非常重要，例如可以同样通过对DCU中不同算力精度小核的取舍，来强化芯片的AI精度，也就是FP16精度的算力，实现更好的追赶，我们认为这才是对于中国算力来说当下更为合适的道路。 市场对于中国AI通信该如何发展理解较浅。随着AI集群规模的扩大，自主可控的AI 通信，将会变得更加重要。发展自主可控的AI通信，有两个领域，第一是Scale-Out 领域，这个领域主要涉及到交换机芯片到整机的自主可控，第二个则是Scale-Up领域，这个从英伟达经验来看，更加封闭且垄断，但我们认为，国内芯片厂商不应该走与英伟达类似的纯自研道路。从海外最新发展来看，从UA-Link联盟的成立，到12月5日博通3.5D封装方案的发布，芯片设计与通信公司的分工正在愈发明确，我们认为，行业应该学习这种趋势，让芯片公司专注于设计，同时集合国内电信巨头的网络经验、封装巨头的技术积累，交换芯片公司的自主产品，从而建立自主可控的由封装到专用芯片再到通信协议的“Scale-Up”网络联盟。 行业催化： 1.国内模型厂商业务推进加速。 2.国产算力产品能力不断提升。 投资建议： 建议关注计算能力、通信能力、制造能力、基建能力的四大环节核心标的。计算能力：寒武纪-U。 通信能力：中兴通讯、盛科通信-U、通富微电。 制造能力：新易盛、中际旭创、天孚通信、光迅科技、德科立、华工科技、锐捷网络、菲菱科思、紫光股份。 基建能力：润泽科技、光环新网、奥飞数据、英维克、麦格米特。 2.国产算力-能用与易用先行 近期，博通在财报电话会上给出指引，到2027财年，其AI业务的潜在市场规模约为600-900亿美元，我们认为，海外的ASIC的业务版图逐渐浮出水面，这也带动博通市值也一举突破万亿美金大关。 我们将视角拉回国内，许多投资者在这种背景下，认为ASIC作为AI专用芯片，其拥有更强的专用性，在同样的半导体制程下，将会拥有比英伟达为代表的通用GPU更强的 理论性能，是实现制程限制下算力“弯道超车”的理想之选。但从当下的客户需求与全球ASIC芯片开发进程来看，我们认为，在未来的2-3年内，GPGPU将依然凭借“能用”与“易用”，成为国产算力的主旋律。 2.1GPGPU与ASIC的技术对比与优劣分析 为了进一步解释为何我们做出“GPGPU”先行的判断，我们需要从两种芯片的底层技术出发，来理解在进行AI计算时，两种芯片的运算特点，与各自设计，使用场景的优劣。 随着大模型训练需求的跃升，Transformer算法快速风靡，Transformer算法通过大量且单一的“矩阵乘法”运算，使得模型的参数，能力快速跃升，带动了AI的高速发展。这种通过单一，大量的矩阵乘法运算来实现“大力出奇迹”的运算特点，也给当下的芯片演进，带去了不一样的土壤。 （由于技术部分过于复杂，不是此篇报告论证的重点，因此在本篇报告中只做大概论述并给出主要结论，更详细的两者技术对比以及演进路线可以参考我们之前发布的报告《AI算力的ASIC之路——从以太坊矿机说起》） 我们先来看以英伟达为代表的GPGPU是如何在芯片微架构层面完成一次矩阵运算的。GPGPU构型的芯片，最大的特点是其芯片由两大部分组成，专门负责矩阵运算的TensorCore（TU）与负责其他运算如向量运算，加减乘除的小核部分（DCU）。 在GPGPU构型的芯片上，进行一次矩阵乘法运算的大体过程如下，DCU中的每一个小核心先从HBM中取出一个单独的数字，将其传送给TU，连续多个cycle后，将TU填满，进行一次矩阵乘法，并得出结果。 图表1：英伟达A100架构 资料来源：英伟达官网，国盛证券研究所 在ASIC芯片上，以当下主流的TPU架构为例，其底层原理是“脉动阵列取数法”，从微架构层面看，其抛弃了DCU小核的部分，只保留TU大核来进行矩阵乘法运算。CPU与编译器直接从HBM中取出数字灌入TU来进行运算。 图表2：谷歌TPUV4架构 资料来源：googlecloud，国盛证券研究所 这么做有两个好处，第一，省去了在实际运算中不参与矩阵乘法的“DCU”部分，可以将多余的面积堆积更多的TU，从而实现更高的“AI算力密度”。第二，由于采用了“脉动阵列取数法”作为填满TU的底层原理，其将TU装满运算一次，并得出矩阵乘法结果的速度也更快。两者相互结合，相同面积与制程下，此种原理的芯片相较于英伟达的GPGPU，可以拥有更好的理论算力。 但与之对应的，ASIC的芯片相较于GPGPU也有不少缺陷和劣势。第一，在碰到稀疏数据，数据流中断时，脉动整列取数法的效率会降低，而GPGPU因为有DCU提前处理数据，因此不会有此类隐患。而在AI场景中，大部分数据是稀疏数据，同时受制于通信，显卡所获取的数据并不完全连续，这在一定程度上降低了ASIC芯片的理论效率。 第二，则是ASIC芯片的设计