GPU：算力的核心硬件，海外绝对垄断。根据Verified Market Research 数据，2021年全球GPU 市场规模为334.7 亿美金，预计到2030 年将达到4473.7 亿美金，期间CAGR 33.3%。全球GPU 市场目前被海外企业垄断，根据Jon Peddie Research 数据，2022年四季度PC GPU中，英特尔/英伟达/AMD份额分别为71%/17%/12%；2022Q4独立GPU 中，英特尔/英伟达/AMD 份额分别为6%/85%/9%，全球范围内GPU 市场呈现出海外三巨头垄断局面。

LLM 模型带动算力需求。LLM 模型的训练需要大量的计算资源和海量的文本数据，因此需要使用分布式计算和大规模数据处理技术。例如，GPT-3 模型拥有约1750 亿参考量，这使得GPT-3 拥有其他较少参考量模型来说更高的准确性：仅需少量的样本训练就能够接近于BETR 模型使用大量样本训练后的效果。但同时，如果以英伟达旗舰级GPU 产品A100 对GPT-3 进行训练，1024 块A100 卡需要耗费超过1个月（大于30 天），则我们可以按比例计算出，如果需要单日完成训练，需要的A100 数量将超过30000 块。我们认为，LLM 模型无论在性能还是在学习能力上，相较于其他模型都具备明显优势，未来或将成为行业趋势，同时大规模的训练模型与之对应的便是庞大的算力需求。

服务器：GPU 市场的重要增长动力。服务器中GPU 由于其具有最强的计算能力同时具备深度学习等能力，目前成为服务器中加速芯片的首选。AI 服务器中GPU 单品类硬件价值量占比较高：我们以Nvidia DGX A100 为例，通过计算我们发现其GPU 价值量占比约为48.24%。根据TrendForce 数据，截止2022 年全球搭载GPGPU 的AI 服务器出货量占整体服务器比重约1%，同时TrendForce 预测2023年伴随AI 相关应用加持，年出货量增速达到8%，2022~2026 年CAGR 为10.8%。

我们假设训练AI 服务器和推理AI 服务器的比例为1:4，计算得到2023/2026 年训练服务器的数量大约为3.60/5.00 万台。同时假设推理AI 服务器和训练AI 服务器使用的GPU 数量分别为4 张和8 张，算出2023 年和2026 年全球AI 服务器领域所需GPU 数量约为86.4 万张和120 万张，以A100 约1.20w 美金的价格作为参考计算出2023 年和2026 年AI 服务器所需GPU 的价值分别为103.7 亿美元和144.0 亿美元。

硬件国产化迫在眉睫！2022 年8 月，美国政府通知英伟达，其需要获得许可才能够向中国和俄罗斯出口任何基于最新架构的A100 GPU 或DGX/HGX 等系统，同时该项规定也同时适用于最新发布的H100 GPU 或者实现类似功能的产品。国内公司百度旗下大模型ERNIE 3.0 Titan 参数量达到2600 亿，高于GPT-3 的1750 亿，其所需的同规格GPU 数量将远大于GPT-3，根据比例我们可以计算出在相同时间下（超过一个月）ERNIE 3.0 Titan 所需A100 数量约为1522 块。同时我们认为，未来AI 倘若进入大模型时代，相关算力需求将快速增加，届时对于国产高算力GPU需求将进一步提升，所以说GPU 国产化进程迫在眉睫。

优秀国产GPU 公司不断涌现。目前包括景嘉微、沐曦集成电路、壁仞科技、摩尔线程在内一批优秀的国产GPU 公司不断涌现，通过对比我们发现：在单精度浮点运算性能（FP32）算力中，国内外厂商均处于TFLOPS 量级，海外龙头英伟达和AMD旗舰信号H100 SXM 和MI250x 分别实现FP32 算力67 TFLOPS 和47.9TFLOPS。国内摩尔线程最高FP32 算力产品MTT S3000，算力为15.2 TFLOPS；壁仞科技壁砺100P 产品最高实现240 TFLOPS 的FP32 算力；芯动科技“风华1 号”产品实现FP32 算力5 TFLOPS。通过对比我们发现在大部分情况下国产GPGPU 相较于海外旗舰款仍存在差距。

标的推荐：景嘉微、寒武纪、芯原股份、海光信息。

风险提示：下游需求不及预期，国产化进程不及预期，测算误差风险。