AIGC发展投资机遇分析：AI服务器拆解，产业链核心受益梳理

（报告出品方/作者：中泰证券，王芳，李雪峰，杨旭）

服务器按CPU体系架构分类：可分成x86架构和非x86架构。x86架构服务器又称CISC（复杂指令集）架构服务器，是采用 Intel或其他兼容x86指令集的CPU和Windows操作系统的服务器。非x86服务器使用RISC（精简指令集）或EPIC（并行指令 代码），主要采用UNIX或其他操作系统。相比x86架构，非x86架构价格昂贵、体系封闭，但整体运行稳定性更好。 按处理器数量分类：可分成单路、双路、四路以及多路服务器。 按应用场景分类：可分成存储服务器、云服务器、AI服务器和边缘服务器等。

服务器按应用场景可分成存储服务器、云服务器、AI服务器和边缘服务器等。近年来，随着全球物联网、数据中心的快速 发展，服务器需求量不断增长。据IDC数据显示，2021年全球服务器出货量达到1354万台，yoy+11%；2021年全球服务器市 场规模达到992亿美元，yoy+9%。其中，大陆服务器出货量由229万台增长至391万台，CAGR+11%；市场规模由93亿美元 增长至251亿美元，CAGR+22%，两项增速远超全球。 政策支持将推动国内AI服务器进入快速增长期。2023年中共中央、国务院印发《数字中国建设整体布局规划》，明确指出 “夯实数字中国建设基础”，我们认为“数字基础设施”将拉动大数据中心、超算中心等基建建设，国内AI服务器规模有 望迎来快速增长。

AI服务器和通用型区别主要在于： 1）硬件架构：AI 服务器是采用异构形式的服务器，根据应用的范围采用不同的组合方式，如 CPU+GPU、CPU+TPU、 CPU+其他的加速卡等。与普通的服务器的差别主要在大数据及云计算、人工智能等方面需要更大的内外存。2）卡的数量：普通的 GPU 服务器一般是单卡或者双卡，AI 服务器需要承担大量的计算，一般配置四块 GPU 卡以上，甚至 要搭建 AI 服务器集群。 3）独特设计：AI 服务器由于有了多个 GPU 卡，需要针对性的对于系统结构、散热、拓扑等做专门的设计，才能满足 AI 服 务器长期稳定运行的要求。

随着国内数字基础建设数据负载量的需求量不断上升，我国AI服务器市场保持较快增速。根据IDC数据，2022年大陆AI服 务器出货量达28.4万台，预计到2027年达到65万台，CAGR为17.9%，按金额计算，2022年大陆AI服务器销售额为72.55亿美 元，预计到2027年销售额将达到163.99亿美元， CAGR为17.7%。

中国在AI服务器水平位于世界前列。AI服务器采用CPU+加速芯片的架构形式，在进行模型的训练和推断时会更具有效率优 势。与国外AI芯片厂商的垄断局面不同，中国AI服务器水平位于世界前列。据IDC数据，2022年中国AI服务器市场（按销售 额），浪潮以46.6%份额占据首位，新华三、宁畅分别以11%和9%占据第二、第三名。

技术升级推动行业进步：服务器的升级迭代依赖于CPU、GPU、存储介质和网络接口等上游核心组件在性能上的提升。近 年来，部分企业正积极提高自身服务器的性能，如浪潮服务器在设计上实现了多项技术创新和升级，可支持3组或4组 CPUXGMI灵活互联配置；戴尔新一代DellPowerEdge服务器，提供了比PERC11高2倍、比PERC10高4倍的性能。 随大数据需求增长，4卡和8卡的AI加速服务器成为大客户的主流。云计算带动AI训练推理需求增长，22H1, A100的出货量 表现突出，占据GPU服务器市场的44%，随大模型推出后下游需求火热，8卡高端GPU服务器份额有望持续增长。

目前CPU+XPU异构形式成为AI服务器主流架构。传统的CPU单元对于AI计算任务的处理能力有限，而XPU（包括GPU、FPGA、 ASIC等）则可以提供更强大的计算能力，因此将CPU和XPU结合起来使用可以实现计算任务的高效处理和资源的最优利用。一 般来说，CPU负责整个系统的管理和控制，而加速芯片则负责AI计算任务的加速，两者相互协作，共同提升整个系统的性能。

ChatGPT火热拉动AI芯片需求快速增长，英伟达GPU供需紧张。ChatGPT推出不久即在全球范围火爆，成为史上用户增长速度 最快的消费级应用程序，用户访问数量不断增长拉动算力需求激增。据OpenAI数据，1月ChatGPT重大停机（Major outage）时 长为5小时30分钟，部分停机（Partial outage）16小时21分钟，运营算力不足已经开始影响ChatGPT的稳定性和响应速度，4月因 访问需求量过大，ChatGPT更是短暂停止Plus销售服务。微软与OpenAI正在消耗大量GPU用于AI推理，英伟达GPU产品供应紧 缺，我们认为大模型的火热将带来巨大算力需求，算力芯片将作为底层土壤核心受益。

云端训练和推断计算主要由 Al 服务器完成，底层算力芯片包括 CPU、GPU、FPGA、ASIC 等。 CPU是AI计算的基础，负责控制和协调所有的计算操作。在AI计算过程中，CPU用于读取和准备数据，并将数据来传输到 GPU等协处理器进行计算，最后输出计算结果，是整个计算过程的控制核心。根据IDC数据，CPU在基础型、高性能型、推 理型、训练型服务器中成本占比分别为32%、23.3%、25%、9.8%，是各类服务器处理计算任务的基础硬件。

GPU、FPGA、ASIC是AI计算的核心，作为加速芯片处理大规模并行计算。具体来看，GPU通用性较强，适合大规模并行计 算，且设计及制造工艺较成熟，目前占据AI芯片市场的主要份额；FPGA具有开发周期短、上市速度快、可配置性等特点， 目前被大量应用于线上数据处理中心和军工单位；ASIC根据特定需求进行设计，在性能、能效、成本均极大的超越了标准 芯片，非常适合 AI 计算场景，是当前大部分AI初创公司开发的目标产品。

根据IDC数据，CPU在推断型服务器中的成本占比为25%，在训练型服务器中的成本占比为9.8%。此外据IDC对于人工智能 服务器推理和训练工作负载的预测，2021用于推断和训练的占比分别为40.9%和59.1%，2025年推断和训练的占比调整为 60.8%和39.2%，我们测算出2021年和2025年CPU在AI服务器中的成本占比分别为16.02%和19.04%。根据观研报告网数据，2021年全球AI服务器市场规模为156亿美元，预计于2025年增长至318亿美元。2021年中国AI服务器 市场规模为350.3亿元，预计2025年将增长至701.8亿元。因此我们合理推算2021年，全球AI服务器CPU市场规模约为25亿美 元，中国市场约为56亿元，到2025年全球AI服务器CPU市场规模约为61亿美元，中国市场规模为134亿元。

GPU在AI模型构建中具有较高的适配性。GPU的高并行性可以更好地支持AI模型训练和推理过程中大量的矩阵或向量计算， 以NVIDIA GPU系列旗舰产品A100为例：根据NVIDIA公布的规格参数，A100的深度学习运算性能可达312Tflops。在AI训练 过程中，2048个A100 GPU可在一分钟内成规模地处理BERT的训练工作负载；在AI推理过程中，A100可将推理吞吐量提升 到高达CPU的249倍。 AI模型与应用的加速发展推动GPU芯片放量增长。根据Verified Market Research数据，2021年全球GPU市场规模为334.7亿美 元，预计2030年将达到4773.7亿美元，CAGR（2021-2030）为34.35%。从国内市场来看，2020年中国大陆的独立GPU市场规 模为47.39亿美元，预计2027年市场规模将达345.57亿美元，CAGR（2021-2027）为32.8%。

FPGA是AI时代下解决暗硅效应的有效途径。暗硅效应（Dark Silicon）指由于芯片工艺和尺寸的限制，芯片上只有一小部 分区域可以同时运行，其余的区域被闲置或关闭，这些闲置或关闭的区域被称为“暗硅”。在AI计算领域，由于摩尔定律 的限制和散热问题，先进高效的硬件设计会更容易导致暗硅效应，限制了芯片的计算能力和应用范围。据相关论文，在 22nm制程下，暗硅面积将达21%。在8nm制程下，暗硅面积将提升至50%以上。由于暗硅效应，预计到2024年平均只能实现 7.9倍的加速比，与每代性能翻倍的目标相比差距将近24倍。

FPGA的可编程性和可重构性使其能够灵活地部署和优化计算任务，从而在一定程度上缓解了暗硅效应的影响。简单来说FPGA减少暗硅效应的方法有两个方向，一是通过优化电路结构，尽可能减少不活跃区域的数量；二是通过动态重构电路，使得不活跃区域可以被重用。

ASIC主要应用在推断场景，在终端推断市场份额最大，在云端推断市场增速较快。训练：AI模型在训练过程中需要对模型参数进行不断调整，ASIC由于专用性强、灵活性低，因此不适用于云端训练。根据 赛迪顾问数据，2019年GPU、FPGA、ASIC在云端训练市场占比分别为63.9%、22.6%、13.5%，云端训练仍以GPU为主。推断：与训练场景不同，推断场景模型参数较为固化，ASIC在推断市场场景中的应用前景较为广阔。在早期，ASIC的下游 应用场景主要为各领域智慧终端设备，因此在终端推断市场规模较大。目前，随着云端算力需求的不断增加，ASIC凭借出 色的算力水平开始在云端推断领域快速渗透。根据赛迪顾问数据，2019年ASIC在终端推断的市场份额为41%，远超GPU与 FPGA。2019-2021年在云端推断的市场年均增速均保持在60%以上，高于CPU与FPGA。

全球GPU芯片市场主要由海外厂商占据垄断地位，国产厂商加速布局。全球GPU市场被英伟达、英特尔和AMD三强垄断， 英伟达凭借其自身CUDA生态在AI及高性能计算占据绝对主导地位；国内市场中，景嘉微在图形渲染GPU领域持续深耕，另 外天数智芯、壁仞科技、登临科技等一批主打AI及高性能计算的GPGPU初创企业正加速涌入。 ASIC不同于CPU、GPU、FPGA，目前全球ASIC市场并未形成明显的头部厂商，国产厂商快速发展；通过产品对比发现， 目前国产厂商集中采用7nm工艺制程，与国外ASIC厂商相同；算力方面，海思的昇腾910在BF16浮点算力和INT8定点算力方 面超越Googel最新一代产品TPUv4，寒武纪的产品在整体性能上也逐步缩小与海外厂商差距。未来国产厂商有望在ASIC领 域继续保持技术优势，突破国外厂商在AI芯片的垄断格局。

ChatGPT带动AI服务器需求，存储芯片受益。ChatGPT的数据获取、数据整理、训练、推理除大算力芯片外，还需存储芯片支持。服务器成本构成：服务器成本包括算力芯片、存储器等，根据IDC 2018年服务器成本构成，在高性能服务器/推理型服务器/机 器学习型服务器中存储占比29%/25%/16%。AI服务器，除了内存需要128GB或更大容量的高性能HBM和高容量服务器 DRAM，还需硬盘去存储大量数据。 存储下游市场：智能手机+服务器+PC是主要下游。智能手机端出货量增速有限，单机容量提升是主要推动力；服务器端，受 益人工智能、物联网和云计算等应用兴起，服务器出货量及单机容量提升推动增长。

AI大算力需要的内存：大容量服务 器DRAM和高带宽内存HBM。按照应用场景，DRAM分成标准 DDR、LPDDR、GDDR三类。 JEDEC定义并开发了以下三类 SDRAM 标准，以帮助设计人员满足 其目标应用的功率、性能和尺寸要 求。 1）标准型DDR：针对服务器、云计 算、网络、笔记本电脑、台式机和消 费类应用程序，与CPU配套使用。2）LPDDR：Low Power DDR，针对 尺寸和功率非常敏感的移动和汽车领 域，有低功耗的特点。3）GDDR：Graphics DDR，针对高 带宽(例如显卡和 AI)的两种不同的存 储器架构是 GDDR 和 HBM。

GDDR DRAM 是专为GPU 和加速器设计的，HBM是GDDR的替代品，也适用于GPU与加速器，与主芯片配套，可以提高 机器学习和计算性能，如英伟达“A100”就最高配备了80GB HBM2内存。  HBM（High Bandwidth Memory）是将多个DDR芯片3D堆叠在一起后和主芯片封装在一起，有高带宽、低功耗等特点。

1）HBM与主芯片合封在一起：DRAM颗粒和和GPU/CPU合封，缩短了DRAM和主芯片之间的通信距离，同时跨越封装对 芯片引脚数目的限制，几十倍提高传输线数量，降低传输损耗，提高传输带宽。 2）HBM采用3D堆叠技术，中间层连接内存与主芯片：不同于DRAM颗粒与算力芯片平铺，HBM将DRAM颗粒堆叠在一 起，一方面增加了DRAM容量，另一方面直接增加带宽，DRAM颗粒通过“硅透”(TSV)的微型导线相互连接，主芯片和 DRAM通过中间层连通，HBM 具备的特性几乎和芯片集成的 RAM一样，具有更高速、更高带宽的特点。

DRAM全球三大家垄断，HBM市场由三星、海力士主导，目前已迭代至HBM3。2021年全球DRAM市场三星、海力士、美光三巨头合计市占率高达94%。HBM市场，以SK海力士、三星为主，SK海力士 HBM技术起步早，占据较大市场。 SK 海力士：AMD意识到DDR的局限性并产生开发堆叠内存的想法，与SK海力士联手研发HBM；2013年，SK海力士将 TSV技术应用于DRAM，在业界首次成功研发出HBM；2015年，AMD在Fury系列显卡上首次商用第一代HBM技术。2018 年发布HBM2，2021年发布全球首款HBM3，目前在研HBM4。三星：三星从HBM2开始布局，2016年量产HBM2，2021年2月，三星电子推出了HBM-PIM（存算一体），将内存半导体和 AI处理器合二为一，2022年HBM3已量产。

ChatGPT数据运算量增长快速，带动服务器/交换机等用量提升，布局相应领域PCB公司显著受益。 ChatGPT带来了算力需求的激增，与之对应亦带来相应服务器/交换机等作为算力核心载体和传输的硬件，带来PCB需求大幅 增长，同时随着对算力的要求越来越高，对于大容量、高速、高性能的云计算服务器的需求将不断增长，对PCB的设计要求 也将不断升级，提升对于高层数、大尺寸、高速材料等的应用。

以23年发布的新服务器平台为例，Pcie 5.0服务器用PCB层数、材料、设计工艺均有升级，PCB价格提升显著，其层数从4.0 的12-16层升级至16-20层，根据 Prismark 的数据，2021 年 8-16 层板的价格为 456 美元/平米，而18 层以上板的价格为 1538 美元/平米，PCB 价值量增幅明显；另外配套新服务器，交换机、传输网产品都需要同步升级，预计400G、800G交换机对 PCB板子拉动巨大，进一步带动数通板景气度提升。

2022年预计搭载 GPGPU（General Purpose GPU）的 AI 服务器年出货量占整体服务器比重近 1%；2023 年预计在 ChatBot 相关应用加持下，预估出货量同比增长可达 8%；2022-2026 年复合增长率将达10.8%。2022 年 AI 服务器采购中，北美四大云端厂商谷歌、亚马逊 AWS、Meta、微软合计占比 66.2%。国内市场方面，字节跳动 采购力道最为显著，年采购占比达 6.2%，紧随其后的是腾讯（2.3%）、阿里巴巴（1.5%）、百度（1.5%）。

服务器升级也带动交换机同步升级。随着服务器的升级，交换机作为数据传输的载体，也将迎来同步升级，从100G交换机到 400G，再到800G交换机，交换机端口速率的提升对PCB板的材料、层数及加工工艺要求更高，对高速PCB的需求更大，单 个交换机PCB板价值量大增。400G交换机的单通道速率通常为56Gbps或112Gbps，是100G交换机的2.24倍或4.48倍，因 此对PCB板材的要求从Ultra-low Loss升级为Super Ultra-low Loss，同时PCB板层数要求更高层，相应的技术壁垒也更高。 我们预计全球以太网交换机建设在2025年PCB空间为18.43亿美元，对应的交换机PCB产值2022-2025CAGR约为5%。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）