,2018年09月,2018-2019中美AI行业发展分析报告,中美AI布局全面看,Section 00, 人工智能立夏已至，得以普及的原因有三：1）计算能力的提升；2）并行计算的出现；3）海量数据的存在。我们将人工智能产业从上中下游切分成基础层、技术层和应用层，我们看好上游AI芯片在深度学习所提供的强大算力，中游语音识别算法驱动互联网生态圈跟生活的无缝衔接，和下游无人驾驶应用对于交通运输和汽车产业的革新。我们正在经历人工智能在金融、医疗、广告、安防、教育、能源等方面所带来的颠覆性改变。 从产业布局和技术积累的角度来看，美国企业主要针对于基础层和技术层，而中国企业目前则利用丰富的场景数据优势搭建用户生态圈，在应用层更胜一筹。中美巨头角力的过程中，以BAT为代表的中国AI体系，和以FANGMA为代表的美国AI体系，纷纷在云计算下的芯片架构、算法架构和生态圈里布局，并将应用重心放在语音交互和识别、无人驾驶，以及机器视觉三大领域。 AI芯片在AI运算中提供加速功能。目前，在人工智能普及化的驱动下，蛋糕正越来越大，并已进入“百家争鸣”的非零和博弈阶段。在深度学习上游训练端（主要用在云计算数据中心当中），GPU是当仁不让的第一选择，而ASIC包括谷歌的TPU和寒武纪的NPU等，也如雨后春笋般涌现。下游推理端更接近终端应用，需求更加细分，GPU为主流芯片之外，包括CPU/FPGA/ASIC也可以在该领域发挥各自的优势特点。 语音识别是当下最为成熟的人工智能算法之一。中美科技巨头们均选择以智能音箱作为载体，从高中低端不同角度切入市场。目前智能音箱的竞争已经从单品演化为产品生态。竞争对手必须抓住各自用户的不同场景需求，力求实现交互体验的差异化。 我们认为2020年将开启无人驾驶的黄金十年，而无人驾驶的成功，将有赖于“车企+供应商+芯片巨头+打车软件+物流公司”的紧密合作。我们认为在共享经济下的租车打车、商业货运物流，以及低速半封闭场景领域，将会最快落地。而L4对比ADAS，在单车系统零部件的支出将会增长470%，从545美元到3100美元/车。中美科技巨头和车企巨头们都纷纷布局，包括芯片、硬件传感器、激光雷达、机器视觉、地图、电动车，以及整体的无人驾驶解决方案。2,中美AI布局全面看,Section 00,Section 1 中美AI版图对比1.1 AI产业布局：基础层、技术层和应用层1.2.1 中美巨头的投资与连横1.2.2 百度All in AI1.2.3 阿里“产业AI”待落地1.2.4 后来者腾讯Section 2 AI芯片迎蓝海，GPU当仁不让2.1.1 AI芯片，下一片蓝海2.1.2 英伟达：GPU王者风范，自上而下扩张版图；TP $2802.1.3 AMD：多方位回归CPU+GPU双剑合璧的唯一；TP $302.1.4 Google TPU：软硬兼施，第二代冲入云端2.1.5 可编程的FPGA，推理端伸展拳脚2.1.6 英特尔：老巨头，MAN(Mobileye+Altera+Nervana) up!2.1.7 BAT的芯片布局与寒武纪2.1.8 比特大陆虚拟货币的主导者2.1.9 地平线AI视觉芯片独角兽2.1.10 深鉴科技被Xilinx收购的FPGA独角兽3,中美AI布局全面看,Section 00,Section 2 AI两大场景落地2.2.1 人机交互的下一个风口：语音识别接口2.2.2 智能音箱“虚实之战”2.2.3 小米的智能家居生态之路2.3.1 无人驾驶黄金十年2.3.2 车企+供应商+芯片巨头+打车软件+物流公司新格局2.3.3 无人驾驶将在商业用车上最快落地2.3.4 无人驾驶两大技术阵营 Diversity and Redundancy 2.3.5 高精度地图应该仍是巨头游戏2.3.6 Waymo做对了什么2.3.7 百度Apollo：无人驾驶的Android野心2.3.8 Mobileye的计算机视觉驾驶征途2.3.9 特斯拉的“创新者窘境”2.3.10 通用和Cruise Automation何以占据第一2.3.11 英伟达无人驾驶“超级电脑”先行军2.3.12 群雄逐鹿无人驾驶2.3.13 无人驾驶的中国蓝海4,2018十大新兴科技趋势,Section 015,2017十大新兴科技趋势,Section 016,7,中国 14,中国 273,中国 304,美国 33,美国 586,美国 488,1000,200,600500400300,700,基础层,技术层,应用层,中美各AI层级企业数量分布, 基础层：计算硬件及基础设施，核心为处理器、AI芯片和底层系统、数据 技术层：算法理论、开发平台和应用技术，包括开源框架、自然语言处理、计算机视觉与图像 应用层：AI向各传统行业的渗透，包括机器学习应用、智能无人机、智能机器人、自动驾驶辅助驾驶、语音识别美国基础层和技术层企业数量约为中国的2倍，而应用层两国公司数量差距较小，符合中美AI技术积累在底层理论技术和硬件开发方面存在较大差距，但中国利用丰富的场景数据优势，搭建用户生态，进行应用层的“弯道超车”。在美国AI创业公司中排名前三的领域为：自然语言处理252家，机器学习应用242家，以及计算机视觉与图像190家。而中国AI创业公司中排名前三的领域为：计算机视觉与图像146家，智能机器人125家以及自然语言处理92家。,中美各AI板块企业数量分布,61513136,92,35,14,241,9191,4124,252,190,144,33,机器学习应用智能无人机智能机器人 125自动驾驶/辅助驾驶语音识别,自然语言处理,计算机视觉与图像 146技术平台,处理器/芯片,中国,美国,中美AI版图对比：上中下游的企业分布,1.1,/,/,/,/,视 台,觉,与,13,8, 融资金额方面，中国在应用层获得的融资较多，而美国投资者更侧重基础层。其中中国在“自动驾驶/辅助驾驶”领域的31家企业获得了107亿元融资，美国在“处理器/芯片”领域的33家公司获得了308亿元融资。 融资事件方面，美国的总量为中国的1.96倍。按领域划分可见，美国的投资热点兼顾应用层和基础层，主要集中在自动驾驶/辅助驾驶、处理器/芯片以及无人机领域。中国的投资事件数量分布较平均，热点为智能无人机及自动驾驶，也出现了以大疆、亿航、图森未来、驭势科技、景驰科技等一批独角兽。基础层虽然有寒武纪、地平线、深鉴科技为代表的AI芯片新势力，但整体基础层与美国仍有较大差距。,中美各 AI 板块企业融资事件数量分布（件数）,中美各AI 板块企业融资金额分布（亿元）,5004003002001000,中 69美 15机器学习应用,414115自动驾驶辅助驾驶,40 47语音识别,5016自然语言处理,34368 115 114计 技 处算 术 理机 平 器芯片,应用层311171 17642智 智能 能无 机人 器机 人,技术层 基础层13238图像,4003002001000,美 206中 100机器学习应用,31智能无人机,10773自动驾驶辅助驾驶,31 19语音识别,135122自然语言处理,8626技术平台,应用层57 65智能机器人,技术层15873计算机视觉与图像,基础层30813处理器芯片,中美AI版图对比：融资数量和金额概览,1.1,9, 巨头角力的过程中，以BAT为代表的中国AI体系，有行业影响的人工智能开发平台和产业生态尚未形成，也没有产,生世界知名的人工智能重大产品，缺乏支持行业发展的试验平台、数据集。, 从巨头布局来看，FAMGA拥有领先的基础层积累，技术层面注重基于云计算下的算法架构和开发生态，应用层面,中美各有侧重，美国将应用重心放在语音交互、无人驾驶，中国侧重语音识别和图像视觉领域。,1.2.1中美巨头的AI上中下产品布局,10,1.2.1美国巨头的投资版图,11, 百度 “All in AI”的口号之下，作为国内最积极置身AI研发的巨头，已经形成了“端上的DuerOSApollo平台、中间层的百度大脑、以及最终云端的智能云”组成的AI生态战略。同时内生和外延并进，一方面搭建基于智能云的深度学习研发队伍，另一方面形成了百度风投、百度资本和百度投资并购部的“三叉戟”体系。, 百度AI不仅为现有业务AI赋能，在传统搜索、手机百度、爱奇艺等应用中不断提升AI驱动力；也积极打造基于Apollo的自动驾驶生态圈和基于DuerOS系统的智能语音交互平台。无论是Apollo生态的上百位合作伙伴，还是被投资收购的声学公司声智科技、自然语言处理公司KITT.AI，都在这两个平台的辐射范围之内。其投资版图也以这两个开放式平台“汽车工业和语音领域的安卓”为中心，向外延伸。,1.2.2中国巨头BAT的投资版图：百度All in AI,12,DuerOS,收购渡鸦科技智能音箱,百度Apollo拥有国内最广泛的合作伙伴联盟,收购KITT.AI自然语言处理169元,599元,1699元百度通过三款智能音箱囊括了低中高三个智能音箱市场,百度与阿波龙合作的国内首款支持L4级别自动驾驶的电动巴士正式下线，首批100辆,1.2.2百度：“汽车工业和语音领域的安卓”低功耗麦克风阵列芯片A轮声智科技,13,2014成立数据科学与技术研究院(iDST),2016成立阿里巴巴人工智能实验室AI Labs,2017.10成立达摩院,2017.12整合为统一平台：阿里云ET大脑,1.2.3中国巨头BAT的投资版图：阿里“产业AI”待落地 阿里依托云计算平台阿里云，打造云计算、大数据、AI的垂直领域行业整合。 为促进“智慧城市”的建成，阿里需要提供更加高效稳定的云服务，也把AI布局落实到城市、工业、零售、金融、汽车、家庭六大产业场景中。 阿里投资了一系列AI芯片公司，包括计算机视觉方面的商汤科技、旷世科技，NPU公司耐能，芯片企业的投资也是巨头中最为积极的，布局了包括AI芯片独角兽寒武纪、深鉴以及耐能、翱捷科技、中天微、Barefoot Networks等一系列芯片公司。最近阿里达摩院也宣布将自主研发AI芯片，预计用于图像视频分析、机器学习等AI推理计算。,14,ET工业大脑,智能零售,智能出行,智能家庭,电池片A品率提升7%,石化生产煤炭消耗率降低3% 以上,用于杭州，全球最大人工智能公共系统,机器人客服“阿里小蜜”,智能出行解决方案,天猫精灵,ET医疗大脑,病例智能质检，门诊智能监控，医疗影像等,ET环境大脑环境综合管理及智能检测,对贷款、征信、保险等业务进行智能决策及风控监管ET城市大脑阿里产业AI,1.2.3阿里“产业AI”待落地 阿里巴巴在人工智能上的布局遵循“产业AI”的理念，基于阿里云，衍生出了家居、零售、出行、金融、智能城市、智能工业六个方面的商业场景。在这其中阿里的优势场景包括智能金融、智能零售环境下在风控、营销和客服层面的效率提升；其次是以阿里云为背后驱动力的智能城市、智能出行、智能工业的资源管理深度整合。ET金融大脑,15, 腾讯在BAT中布局人工智能较晚，但微信的10亿用户群的数据优势，是腾讯用于AI算法训练的宝贵资源。从投资布,局来看，目前腾讯主要将AI技术应用于两大传统领域：医疗及机器人。, 医疗方面，腾讯2017年推出医疗AI实验室“腾讯觅影”，使用AI技术协助医疗机构进行癌症诊断。腾讯的合作伙伴有英国公司BabylonHealth和Medopad，微信用户可访问Babylon的app得到医疗建议，而Medopad将AI引入远程患者监护。截至2017年12月，腾讯在医疗领域投资逾30家企业，总额超过200亿元，其中包括医疗保健AI独角兽iCarbonX和AI制药企业Atomwise，Xtalpi等。, 机器人公司是腾讯最为热衷的硬件投资领域，腾讯领投优必选并成立机器人实验室Robotics X，以机器人打造人工,智能时代的互联载体。,1.2.4中国巨头BAT的投资版图：后来者腾讯布局医疗/机器人,AI芯片迎蓝海，GPU当仁不让,16,后摩尔定律时代，AI芯片市场百花齐放，深度学习计算中的芯片部署并不是零和博弈。在人工智能立夏将至的大趋势下，芯片市场蛋糕越做越大，足以让拥有不同功能和定位的芯片和平共存，百花齐放。后摩尔定律时代，我们强调AI芯片市场不是零和博弈。我们认为在3-5年内深度学习对GPU的需求是当仁不让的市场主流。行业由上至下传导形成明显的价值扩张，英伟达和AMD最为受益。在深度学习上游训练端(主要用在云计算数据中心里)，GPU是当仁不让的第一选择，但以ASIC为底芯片的包括谷歌的TPU、寒武纪的MLU等，也如雨后春笋。而下游推理端更接近终端应用，需求更加细分，我们认为除了GPU为主流芯片之外，包括CPU/FPGA/ASIC等也会在这个领域发挥各自的优势特点。深度学习下游推理端，FPGA依靠电路级别的通用性，加上可编程性，适用于开发周期较短的IoT产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等。以TPU为代表的ASIC定制化芯片，针对特定算法深度优化和加速，将在确定性执行模型(deterministic executionmodel)的应用需求中发挥作用。我们认为深度学习ASIC芯片，包括英特尔的Nervana Engine、Wave Computing的数据流处理单元、以及英伟达的DLA等逐步面市，将依靠特定优化和效能优势，未来在细分市场领域发挥所长。,类别,特点,GPU1.可多达上千个简单核心，上千个并行硬件线程2.并行运算能力、浮点运算能力强大3.最大化浮点运算数据吞吐量,ASIC1. 需求确定后可进行专门优化设计2. 优秀的功耗控制3. 性能稳定、可靠性高,ASIC：TPU1.与TensorFlow深度结合，更接近DSA(Domain-Specific-Architecture)2.已能同时用于高性能计算和浮点计算,3.结合谷歌云提供云计算服,务,CPU1.通用性强2.核心复杂程度高3.串行运算能力强，单线程性能优化4.晶体管空间用于复杂并行性指令(Complex ILP),FPGA1.电路级别的通用性2.可编程性3.适用于开发周期较短的IoT产品、传感器数据预处理工作以及小型开发试错升级迭代阶段,主要厂商,英伟达、AMD、Imagination等,英特尔、德州仪器、三星、高通等,谷歌,英特尔、AMD、高通等,Xilinx、Altera（已被Intel收购）、Lattice、Microsemi,Section 02,17,GPU：以英伟达为主，AMD为辅。依靠通用及灵活的强大并行运算能力，广泛契合当前人工智能监督深度学习以及生成式对抗网络(GAN)/强化学习所需要的密集数据和多维并算处理需求，在3-5年内GPU仍然是深度学习市场的第一选择。深度学习上游训练端由GPU主导并基本为英伟达所垄断。下游推理端虽可容纳CPU/FPGA/ASIC等芯片，但竞争态势中英伟达依然占大头。以2016年为例，全年服务器市场出货量约在1110万台，在只有7%用于人工智能workload，其中约3.4%配置GPU，总量仅2.6万台。所以全球新增服务器中GPU的渗透率仅为0.24%，我们预计在2020年前全球服务器GPU渗透率将达4倍以上增长。ASIC（Application Specific Integrated Circuit，专用集成电路）：细分市场需求确定后，以TPU为代表的ASIC定制化芯片（或者说针对特定算法深度优化和加速的DSA, Domain-Specific-Architecture），将在确定性执行模型(deterministic execution model)的应用需求中发挥作用。我们认为深度学习ASIC包括英特尔的Nervana Engine，Wave Computing的数据流处理单元，英伟达的DLA，寒武纪的NPU等逐步面市，将依靠特定优化和效能优势，未来在深度学习领域分一杯羹。FPGA（Field Programmable Gate Array，现场可编程门阵列）：依靠电路级别的通用性，加上可编程性，适用于开发周期较短的IoT产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等。但一般较成熟的量产设备大多采用ASIC。FPGA厂商包括Xilinx、Altera（英特尔）、Lattice及Microsemi。,2.1.1AI芯片，下一片蓝海,18,本质上，摩尔定律的突破和并行计算以及云计算的发展，让人工智能开始得以普及。或者一言以蔽之，就是GPU的加入。没有GPU，人们就无法快速的处理海量数据，而数据训练的匮乏，会让深度学习的效率还不如人类工程算法(human engineering algorithm)。所以很长的一段时间，人们认为深度学习很有趣，但效率不高，直到GPU和CUDA的部署加入，深度学习/神经网络才获得惊人发展。这其实是个“chicken and egg”的问题，大数据、深度学习、GPU的一同出现造就了当前的人工智能繁景，这也是为什么人们把英伟达比作深度学习的三大建立者之一。,2.1.1GPU巨头的引领AI盛夏,19,英伟达：人工智能行业由上至下传导过程中目前在上游芯片厂中形成明显价值扩张，我们重申英伟达三大投资亮点：1）AI起锚，数据中心业务2020年前有望相对2016年翻5倍；2）无人驾驶业务有望跟Mobileye平分秋色；3）以游戏业务为现金马，三驾马车齐发力。数据中心业务2020年前5倍增长空间：我们一直强调数据中心市场巨大空间。深度学习上游训练端由GPU主导并基本为英伟达所垄断。下游推理端虽可容纳CPU/FPGA/ASIC等芯片，但竞争态势中英伟达依然占主导。我们预计英伟达的数据中心业务将会由2016年的8.3亿美元增长5倍至2019年的48亿美元，全球服务器GPU渗透率也将达4倍以上增长。Google依靠TPU自下而上冲入云端，将TPU部署在云计算中以云服务形式进行销售共享，可进一步激活中小企业的云计算需求市场，另辟AWS、Azure之外蹊径。我们看好Google长期随着人工智能技术的部署落地以及Other Bets创新实现，基于公司AI First战略规划打造AI软硬件一体化生态圈帝国。AMD在无论是GPU还是CPU市场，都屈居行业老二的位置，在人工智能芯片布局上也看起来慢英伟达一步。但是我们重申AMD作为CPU+GPU双剑合璧的唯一，去年为产品布局，今年业务进入拐点，而随着所有产品，包括GPU、CPU（PC+服务器）都会在今年下半年和明年推出7nm新产品，实现量价齐升。今年成立50周年的Intel陷入芯片安全漏洞、CEO离任、10nm芯片继续难产的漩涡之中，我们认为，AMD若能以7nm稳扎稳打，积极利用GPU+CPU入局云计算和AI，应该获得更高的估值弹性。迎来“十年翻身仗”的最佳时机。另外我们建议关注传统巨头英特尔依靠大举收购，全面布局AI底层生态；以及赛灵思、博通等芯片厂在市场扩张形势下的增长前景。,公司英伟达谷歌AMD,股票代码NVDA.USGOOGL.USAMD.US,当前股价（美元）280.681,231.8025.17,市值（十亿美元）170.653851.85524.538,评级买入增持买入,目标价格（美元）280134030,上涨空间-+ 9%+ 19%,估值35x P/E28x P/E4.2x P/S,2.1.1行业首推：英伟达GPU王者风范，AMD制程突破回归市场,Q1FY15,Q2FY15,Q3FY15,Q4FY15,Q1FY16,Q2FY16,Q3FY16,Q4FY16,Q1FY17,Q2FY17,Q3FY17,Q4FY17,Q1FY18,Q2FY18,Q3FY18,Q4FY18,Q1FY19,Q2FY19,63%,20,游戏业务作为现金马稳固增长，未来2-3年数据中心市场持续高增长以及自动驾驶市场则会在3-5年期长期驱动，三驾马车将长期拉动公司成长。全新Turing架构主要针对游戏和专业视觉市场，通过实时光线追踪功能推动游戏开发、电影视频内容创作等视效提升。游戏业务长期仍依靠高端PC游戏（RTX、4K、VR给游戏带来电影艺术的视觉体验）、电子竞技和社交热情（PUBG及堡垒之夜的社交加成）以及用户基数升级周期（Pascal的安装率仍只有30%）带来稳固增长。挖矿业务受币价影响加速消弭但也降低公司整体业务不确定性。本季度在OEM中仅1800万美元，低于公司预期的1亿美元，公司表示往前看区块链影响甚微，我们也重申挖矿业务的一次性无实质影响，长期“小但不是零”。,英伟达各项业务营收比较（百万美元）,英伟达游戏、数据中心、汽车三块业务同比增速,英伟达R&D投入以及R&D/营收,2.1.2英伟达：GPU王者风范，自上而下扩张版图；TP $280 FY19Q2营收同比增长40%至31.2亿美元与市场预期持平，Non-GAAP EPS同比涨91%至1.94美元，高于预期的1.85美元。游戏业务收入同比增长52%达18.05亿美元，高于预期的17.4亿美元；数据中心业务同比涨83%至7.6亿美元，高于预期的7.5亿美元；汽车业务营收1.61亿美元，同比涨13%，好于预期的1.45亿美元。OEM&IP业务受数字货币价格滑坡而大幅下滑至1.16亿美元，其中区块链仅贡献1800万美元，但我们重申挖矿业务的附加性和一次性。FY19Q3指引营收32.5亿美元弱于市场预期的33.4亿美元，鉴于公司考虑挖矿贡献为零，以及公司预计Q4发布新游戏显卡，而使玩家购买需求滞后影响。,1,428163119151214781,2,0041861272402071,244,2,1731761282962251348,1,9371561404092051027,2,2302511424162351,186,2,6361911445012391,561,2,9111801326062541739,3,2073871457012511,723,3,1231161617602811805,0,350030002500200015001000500,Q1FY17 Q2FY17 Q3FY17 Q4FY17 Q1FY18 Q2FY18 Q3FY18 Q4FY18 Q1FY19 Q2FY19,游戏,专业视觉效果,数据中心,汽车,代工和IP,总营收1,305173113143189687,63%47%17%,110%68%18%,193% 205%66%61%38%,186%49%24%,175%52%19%,109%25%13%,105%29%3%,71%68%4%,83%52%13%,-40%,210%160%110%60%10%,Q1FY17 Q2FY17 Q3FY17 Q4FY17 Q1FY18 Q2FY18 Q3FY18 Q4FY18 Q1FY19 Q2FY19,游戏,数据中心,汽车,33%31%29%27%25%23%21%19%17%15%,600550500450400350300,R&D（单位：百万美元）,R&D/营收,21,我们此前已多次强调，在深度学习上游训练端(主要用在云计算数据中心里)，GPU是当仁不让的第一选择；深度学习下游推理端包括云侧和端侧两部分，需求更加细分，我们认为除了GPU为主流芯片之外，包括CPU/FPGA/ASIC等也会在这个领域发挥各自的优势特点。,全球数据中心支出分拆（单位：十亿美元）,（十亿美元）,2016,2019基本假设,2019高渗透率假设,全球服务器销售收入,54,66,66,x86服务器份额x86服务器收入制造商利润x86服务器组件成本,86%4610%42,90%5910%53,90%5910%53,组件成本分拆x86 CPU,13.6,16.0,13.4,加速器市场其他组件,0.826.6,5.332.1,10.729.4,组件成本分拆比例%x86 CPU加速器市场其他组件,33%2%65%,30%10%60%,25%20%55%,$46x86服务器,$41组件成本,$26.6其他组件成本,$8非x86服务器,$5制造商利润,$0.8,英伟达GPU仅占2%,$13.6英特尔CPU,0,2010,504030,60,全球服务器收入,x86服务器成本组成,服务器组件成本,2013,2014,2015,2016,2017E,2018E,2019E,2020E,9,887,10,0912%,11,09110%,全球服务器出货量（千）增长率%服务器中使用AI的占比%服务器中使用AI的数量（千台）当中使用GPU的占比%,11,1030%7.0%7773.4%,11,4513%10.0%1,1455.5%,12,59610%12.0%1,5127.5%,13,3526%14.5%1,9369.2%,13,8864%16.5%2,29110.5%,使用GPU的数量（千台）未使用GPU的数量（千台）AI服务器中GPU在全球服务器的渗透率%,777*3.4%=2675126/11,103=0.24%,631,0820.55%,1131,3980.90%,1781,7581.33%,2412,0511.73%,GPU服务器中使用AI的占比%,59%,64%,68%,70%,72%,全球GPU服务器的数量（千台）,26/59%=44.6,98.6,166.7,254.5,334.1,全球GPU服务器的占比%,44.6/11,103=0.40%,0.86%,1.32%,1.91%,2.41%,英伟达市场份额%数据中心英伟达GPU使用量（千台）每台英伟达GPU服务器ASP（千美元）英伟达数据中心收入（百万美元）,98%44.6*99%=44.219830,98%96.6201,932,97%161.7203,234,95%241.7204,835,92%307.4206,148,增长率%,133%,67%,49%,27%,AMD市场份额%数据中心AMD GPU使用量（千台）,1%.4,1%1.0,3%5.0,5%12.7,8%26.7,每台AMD GPU服务器ASP（千美元）,12,12,12,12,12,AMD数据中心GPU收入（百万美元）增长率%GPU数据中心市场空间（百万美元）,5835,12146%1,943,60154%3,294,153154%4,987,321110%6,469,增长率%,133%,68%,51%,30%,2.1.2英伟达：数据中心业务未来2-3年持续高增长；TP $280 数据中心业务2020年前有望翻5倍：AI芯片高需求景气度中，英伟达仍进一步依靠推理端渗透扩大可及市场。我们预计该业务到2020年仍有CAGR 50%的增速。英伟达通过高性能计算服务器DGX打开顶尖HPC市场（Top500超算市场渗透率达56%），通过针对推理计算的Tensor RT 4加速器扩大使用场景（从只能做图像视频推理扩展至语音识别、语句合成、翻译和推荐系统等），并推广低端AI计算芯片P4降低使用门槛。英伟达数据中心的AI计算需求由三波客户驱动：Hyperscale巨头作为第一波客户在训练端的复购高渗透率正在向推理端延伸，第二波则是其他云计算大公司开始放量，第三波基于云计算互联网企业的海量数据和AI应用计算需求。,从2015年发布车载超级计算平台DrivePX到去年底发布面向完全自动驾驶L5级别的Pegasus，英伟达在硬件层面算力和研发节奏上成为当仁不让的“先行军”。2017年，英伟达在汽车相关业务上的贡献不多，同比仅增长15%。不过自动驾驶业务当前还处在合作布局阶段，市场仍在等待放量临界点。而随着以奥迪A8为首的高端车型从今年开始逐步配置L3基本半自动驾驶并向下延伸渗透，市场放量会对英伟达的汽车业务营收带来明显贡献，成为继数据中心之后的业绩“接力棒”。,22,Drive PX 2搭载Pascal GPU,下一代,Xavier搭载Volta GPU,下一代,Pegasus搭载2块Xavier SoC和2片下一代GPU,目前已搭载在Model S/X/3中,ZF ProAI自动驾驶系统，基于Drive PX 2平台，将应用于商用卡车,英伟达计划3年内为丰田量产基于Xavier的定制平台,计划在2020年上路基于Xavier的车型,下一代,Orin从Pegasus的4芯片进一步集成为2芯片,英伟达不断提升算力极限，强调无人驾驶的实,现，不仅需要系统冗余(redundancy in thesystem)，还需要多种冗余提供多样性，后备方案应采用原理上不一样的方法,(fundamentally different approach)，也就是Diversity and Redundancy，才能达到L4级别及以上。,2.1.2英伟达：从Autocruise & Xavier到Pegasus 自动驾驶广泛布局，3-5年期长期驱动：我们一直认为，以2020年为界，全球将开启无人驾驶的“黄金十年”。而L3半自动驾驶水平以上的行业发展，需要整个汽车行业供应商关系的重组和整合。“车企+供应商+芯片巨头+打车软件+物流公司”的合纵连横，会为汽车产业带来全面的市场机会。而这之中，英伟达作为无人驾驶上游系统解决方案的领导者之一，在不断完善自动驾驶环境生态圈来争夺杆位的同时，也在自动驾驶系统的核心策略算法层面，通过积累和研发提高壁垒。英伟达提出完整的自动驾驶策略方案包括：AI驱动的自动驾驶系统+英伟达从L2至L5统一的底层计算平台+端到端软件系统（数据收集、模型训练、驾驶模拟）+超过370个合作伙伴的开源生态平台。我们认为随无人驾驶产业普及，硬件成本较高、功耗较大等问题会迎刃而解，完整算法解决方案也会随之落地。,预计2019年进行基于Pegasus的高级别无人驾驶路测,May-17,Jan-17,Oct-17,Jan-18,Nov-17,Dec-17,Apr-17,Jul-17,Apr-18,Jun-17,Feb-17,Aug-17,Sep-17,Feb-18,Mar-17,Mar-18,在备受市场关注的虚拟货币挖矿业务方面。很多人误认为GPU挖矿业务与比特币价格有很紧密的关系，甚至会影响到英伟达的业绩结构。但实际上，GPU本身并不是为了挖比特币而设计的，而且虚拟货币的挖矿生态是一个在新币替代旧币的内部循环中又逐渐递减的过程。英伟达也表示市场将GPU与虚拟货币紧密相连，是因为GPU拥有世界上最大的分布式超级电脑的安装基础，而区块链技术恰好需要这种去中心化和加密算法的功能，所以GPU正是区块链技术的完美计算平台。其次，挖矿选择AMD的GPU拥有更好的经济效益，2017全年挖矿业务给AMD贡献了约5-6%的营业收入，而对英伟达的影响我们预计只有4%。今年Q1区块链给英伟达贡献2.9亿美元，公司预计Q2会环比减少2/3至1亿美元，但Q2实际仅有约1800万美元。英伟达表示此前虽然预估年内挖矿业务会有实质意义，但随着整体数字货币一路走低，英伟达往前看区块链影响甚微，我们也重申挖矿业务的一次性无实质影响，鉴于币价波动长期“小但不是零”，并降低公司整体业务不确定性。,