算力芯片及AI服务器行业专题AI的iPhone时刻到来

　　（报告出品方：国信证券）大模型 AI 东风已至，AI 服务器芯片乘风启航
　　发布针对 AIGC 训练 GPU，英伟达掀起AI 服务器芯片市场争夺
　　围绕生成式人工智能，英伟达发布一系列加速模型训练和推理的软硬件新品。2023 年 3 月 22 日，英伟达在 GTC 大会上发布一款新的GPU——带有双GPUNVLink的 H100 NVL，以支持 ChatGPT 类大型语言模型推理。基于NVIDIA Hopper架构的H100 配有一个 Transformer 引擎，H100 NVL 拥有 188GB HBM3 内存（每张卡94GB），是目前英伟达发布的内存最大的显卡。与用于 GPT-3 处理的HGX A100 相比，配备四对 H100 与双 GPU NVLink 的标准服务器的速度最高可达10 倍。
　　ChatGPT引领全球AI浪潮，预训练大模型参数提升对数据中心算力提出更高要求。从 2018 年起，OpenAI 开始发布生成式预训练语言模型GPT，当时参数量只有1.17亿个。2020 年，OpenAI 发布 GPT-3 预训练模型，参数量为1750 亿个，使用1000亿个词汇的语料库进行训练，在文本分析、机器翻译、机器写作等自然语言处理应用领域表现出色。2022 年 12 月，OenAI 发布基于GPT-3.5 的聊天机器人模型ChatGPT，具有出色的文字聊天和复杂语言处理能力。从运算规格来看，ChatGPT主要以 NVIDIA A100 为主，独家使用 Microsoft Azure 云服务资源。
　　＂云-边-端＂高算力网络基本形成，通过构建泛在部署架构满足大算力需求。云端智能芯片及加速卡是云服务器、数据中心等进行人工智能处理的核心器件，算力由 GPU、NPU 等芯片产生，通过虚拟平台调度服务器设备进行复杂数据处理，支持高复杂度和数据吞吐量高速增长的人工智能处理任务。边缘计算在终端和云端之间的设备上配备适度的计算能力，算力由 CPU、FPGA 等芯片产生，可云计算场景下数据安全、隐私保护、带宽与时延等潜在问题，保障数据传输的稳定性和低延时性。终端智能处理器是终端设备中支持人工智能处理运算的核心器件，算力主要由 CPU、DSP 等芯片产生，使终端设备拥有更流畅的用户体验。
　　云计算为人工智能提供了基础架构，云端是承载海量数据处理和大规模计算的重要载体。目前，＂云、边、端＂应用场景尚无标准划分界，人工智能技术在云、边、端设备中均有广泛应用，不同应用场景对芯片算力和功耗要求亦不相同。其中，数据中心侧对芯片要求更高，一般要求具有高性能、高存储容量、高计算密度、兼有推理和训练任务的特点；其典型计算能力大于30TOPS，典型功耗大于50瓦，主要应用于云计算数据数据中心等领域。
　　AIGC 训练引入海量数据负载，AI 服务器市场规模有望大幅提升
　　全球数据总量及数据中心负载任务量大幅度上涨，服务器算力需求呈指数级增长。随着人工智能、数据挖掘等新技术发展，海量数据产生及对其计算和处理成为数据中心发展关键。据 IDC 数据，全球数据总量预计由2021 年的82.47ZB上升至 2026 年的 215.99 ZB，对应 CAGR 达 21.24%。其中，大规模张量运算、矩阵运算是人工智能在计算层面的突出需求，高并行度的深度学习算法在视觉、语音和自然语言处理等领域上的广泛应用使得算力需求呈现指数级增长。据Cisco数据，全球数据中心负载任务量预计由 2016 年的 241.5 万个上升至2021 年的566.7万个，对应 CAGR 达 18.60%；其中，云数据中心负载任务量CAGR 预计达22%。
　　随着云计算的不断发展，全球范围内云数据中心、超级数据中心的建设速度不断加快。据 Cisco 数据，全球超级数据中心数量预计由2016 年的338 座增长至2021年的 628 座，对应 CAGR 为 13.19%；占数据中心比例预计由2016 年的27%上升至2021 年的 53%。在云端，服务器及数据中心需要对大量原始数据进行运算处理，对于芯片等基础硬件的计算能力、计算进度、数据存储和带宽等都有较高要求。传统数据中心存在着能耗较高、计算效率较低等诸多发展瓶颈，因此数据中心中服务器的智能化将是未来发展趋势。
　　大算力 AI 加速芯片由海外垄断，制裁加强下国产替代空间大
　　AI 芯片又称 AI 加速器或计算卡，是专门用于处理人工智能应用中大量计算任务的模块。随着数据海量增长、算法模型趋向复杂、处理对象异构、计算性能要求高，AI 芯片能够在人工智能的算法和应用上做针对性设计，高效处理人工智能应用中日渐多样繁杂的计算任务。 当前主流的 AI 芯片主要包括图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、神经拟态芯片（NPU）等。其中，GPU、FPGA 均是前期较为成熟的芯片架构，属于通用型芯片。ASIC 属于为AI 特定场景定制的芯片。另外，中央处理器（CPU）是计算机的运算和控制核心，是信息处理、程序运行的最终执行单元，是计算机的核心组成部件。
　　当前 CPU 市场主要被国际厂商垄断，Intel、AMD 合计市场份额超九成。据Counterpoint 数据，2022 年全球数据中心 CPU 市场份额中，Intel 占比达70.8%，保持市场领先地位；AMD 占比达 19.8%，前两大巨头合计市场份额超过90%。GPU 在训练负载中具有绝对优势，未来 AI 芯片将更加细分和多元。据IDC数据，1H21 中国 AI 芯片市场份额中，GPU 占比高达 91.9%，依然是实现数据中心加速的首选；NPU、ASIC、FPGA 占比分别为 6.3%、1.5%、0.3%。随着非GPU 芯片在各个行业和领域中被越来越多采用，高算力、低能耗且适应各类复杂环境的芯片将更受关注，IDC 预计到 2025 年其他非 GPU 芯片整体市场份额占比将超过20%。
　　随着人工智能技术进步及应用场景多元化，全球及中国AI 芯片市场将得到进一步发展。据 Tractica 数据，全球 AI 芯片市场规模预计由2018 年的51 亿美元增长至 2025 年的 726 亿美元，对应 CAGR 达 46.14%。据前瞻产业研究院数据，中国AI 芯片市场规模预计由 2019 年的 122 亿元增长至2024 年的785 亿元，对应CAGR达 45.11%。
　　GPU 作为图像处理单元，其能够并行计算的性能优势满足深度学习需求。GPU最初承担图像计算任务，目标是提升计算机对图形、图像、视频等数据的处理性能，解决 CPU 在图形图像领域处理效率低的问题。由于GPU 能够进行并行计算，其架构本身较为适合深度学习算法。因此，通过对 GPU 的优化，能够进一步满足深度学习大量计算的需求。
　　FPGA 是一种硬件可重构的集成电路芯片，通过编程定义单元配置和链接架构进行计算。FPGA 具有较强的计算能力、较低的试错成本、足够的灵活性以及可编程能力，在 5G 通信、人工智能等具有较频繁的迭代升级周期、较大的技术不确定性的领域，是较为理想的解决方案。
　　ASIC 是一种根据产品的需求进行特定设计和制造的集成电路，能够更有针对性地进行硬件层次的优化。由于 ASIC 能够在特定功能上进行强化，因此具有更高的处理速度和更低的能耗。相比于其他 AI 芯片，ASIC 设计和制造需要大量的资金、较长的研发周期和工程周期，在深度学习算法仍在快速发展的背景下存在一旦定制则难以修改的风险。大算力遭遇后摩尔时代，异构集成引吭高歌
　　后摩尔时代，工艺制约先进芯片发展
　　后摩尔时代，集成电路的发展受＂存储墙＂、＂面积墙＂、＂功耗墙＂和＂功能墙＂制约。2015 年以后，集成电路制程的发展进入了瓶颈，7nm、5nm、3nm制程的量产进度均落后于预期。随着台积电宣布 2nm 制程工艺实现突破，集成电路制程工艺已接近物理尺寸的极限，集成电路行业进入了＂后摩尔时代＂。＂后摩尔时代＂制程技术突破难度较大，工艺制程受成本大幅增长和技术壁垒等因素上升改进速度放缓。 ＂存储墙＂：处理器算力超过存储芯片存取能力，导致综合算力被存储器制约。据行业预计，处理器的峰值算力每两年增长 3.1 倍，而动态存储器(DRAM)的带宽每两年增长 1.4 倍，存储器的发展速度远落后于处理器，相差1.7 倍。
　　＂面积墙＂：芯片制程相同时，通过增大芯片面积可以集成更多的晶体管数量，从而提升芯片的性能.然而，单颗芯片尺寸受限于光刻机的光罩极限，且芯片制造良率随尺寸增大二降低，从而增加成本。当前最先进的EUV 光刻机的最大光罩面积为 26 mm×33 mm。2020 年，英伟达 A100 GPU 芯片，采用台积电7nm 工艺，通过常规手段制造了接近 1 个光罩面积的芯片，面积达25.5 mm×32.4 mm。＂功耗墙＂：近年来单个 GPU 和 CPU 的热设计功耗（Thermal Design Power,TDP）逐年增大。预计 2024 年单个 GPU 的 TDP 将突破千瓦级，由多个GPU 芯片和高带宽存储器（High Bandwidth Memory, HBM）阵列组成的系统，TDP 可能突破万瓦级，热设计者将面临极大的挑战 ＂功能墙＂：单一衬底可实现的功能有限，芯片面积和数量大幅提升造成整系统集成度无法再提高。
　　异构集成突破制程瓶颈，Chiplet 成为关键技术
　　芯粒异构集将成为后摩尔时代集成电路发展的关键路径和突破口。芯粒(Chiplet)是指预先制造好、具有特定功能、可组合集成的晶片（Die），应用系统级封装技术(SiP)，通过有效的片间互联和封装架构，将不同功能、不同工艺节点的制造的芯片封装到一起，即成为一颗异构集成(Heterogeneous Integration)的芯片。通过芯片异构集成，将传感、存储、计算、通信等不同功能的元器件集成在一起，成为解决只靠先进制程迭代难以突破的平衡计算性能、功耗、成本的难点。
　　关键技术#1：硅通孔技术(TSV)
　　硅通孔技术（TSV，Through Silicon Via）为连接硅晶圆两面并与硅衬底和其他通孔绝缘的电互连结构，可以穿过硅基板实现硅片内部垂直电互联，这项技术是目前唯一的垂直电互联技术，是实现 2.5D、3D 先进封装的关键技术之一,主要用于硅转接板、芯片三维堆叠等方面。TSV 的尺寸多为10μm×100μm 和30μm×200μm，开口率介于 0.1%-1%。相比平面互连，TSV 可减小互连长度和信号延迟，降低寄生电容和电感，实现芯片间的低功耗和高速通信，增加宽带和实现封装小型化。
　　借助 TSV 技术，英伟达采用台积电第 4 代 CoWoS 技术封装了A100 GPU,实现一颗A100 GPU 和 6 个三星 HBM2 集成为一颗芯片。该技术将多颗芯片键合至硅基转接板晶圆上(Si Interposer)，形成逻辑 SoC 芯片和 HBM 阵列，通过RDL 和TSV形成互联并连接硅基转接板晶圆凸点。英特尔Foveros技术（3D Face to Face ChipStackfor heterogeneous integration）亦通过 3D TSV 实现3D 堆叠异构封装技术。HBM 亦 是 通 过 TSV 技 术 连 通 堆 叠 的 DRAM， 实现对＂存储墙＂突破。HBM（High-Bandwidth Memory ）高带宽内存，主要针对高端显卡市场。HBM使用了3D TSV 和 2.5D TSV 技术，通过 3D TSV 把多块内存芯片堆叠在一起，并使用2.5DTSV 技术把堆叠内存芯片和 GPU 在载板上实现互连。
　　关键技术#2：EMIB
　　嵌入式多芯片互连桥先进封装技术（EMIB，Embedded Multi-Die InterconnectBridge）是 X-Y 平面延伸的先进封装技术。EMIB 是由英特尔提出并积极应用的，EMIB 理念跟基于硅中介层的 2.5D 封装类似，是通过硅片进行局部高密度互连。与传统 2.5D 封装的相比，因为没有硅中介层和 TSV，EMIB 技术具有正常的封装良率、无需额外工艺和设计简单等优点，EMIB 硅片面积也更微小、更灵活、更经济。采用 EMIB 技术，CPU、GPU 对工艺要求高，可以使用10nm 工艺，IO 单元、通讯单元可以使用 14nm 工艺，内存部分则可以使用 22nm 工艺，采用EMIB 先进封装技术可以把三种不同工艺整合到一起成为一个处理器。通过整合 EMIB 和 Fovoros，CO-EMIB 实现更高集成度异构集成。利用利用高密度的互连技术，将 EMIB2D 封装和 Foveros 3D 封装技术结合在一起，实现高带宽、低功耗，以及相当有竞争力的 I/O 密度。Co-EMIB 能连接更高的计算性能和能力，让两个或多个 Foveros 元件互连从而基本达到SoC 性能，还能以非常高的带宽和非常低的功耗连接模拟器、内存和其他模块。
　　关键技术#3：超高密度扇出（UHD Fan-Out）
　　扇出型封装扇出（Fan-Out）相对于扇入（Fan-In）具备实现更多I/O 等能力，从而成为多芯粒异构集成重要技术。扇出和扇入型工艺相似，当芯片被加工切割完毕之后，会放置在基于环氧树脂模制化合物的晶圆上，这被称为重构晶圆。然后,在模制化合物上形成再分布层（RDL）。RDL 是金属铜连接走线，将封装各个部分进行电气连接，最后，重构晶圆上的单个封装就会被切割。两者最大的差异在于在扇入型封装中 RDL 向内布线，而在扇出型封装中RDL 既可向内又可向外布线。因此，扇入型封装最大只能容许约 200 个 I/O，而扇出型封装可以实现更多的 I/O。 2020 年，台积电发布集成扇出型晶圆上系统（InFO_SoW），通过超高密度扇出封装技术将多颗好的晶粒、供电、散热模块和连接器紧凑地集成在晶圆上，包含6层 RDL，前 3 层线宽/线距为 5/5 μm，用于细线路芯片间互连；后3 层线宽/线距为 15/20 μm，用于供电和连接器互连。相比印制电路板级多芯片模块，InFO_SoW具有高带宽、低延迟和低功耗的特点。
　　UCIe 联盟汇聚全球科技巨头，推动Chiplet 异构集成快速发展
　　UCIe 联盟成立并发布统一 Chiplet 互联互通标准，全球科技大厂纷纷加入推动Chiplet 异构集成进入发展快车道。2022 年 3 月 3 日，英特尔、AMD、ARM、高通、台积电、三星、日月光、GoogleCloud、Meta、微软等十大行业巨头联合成立了Chiplet 标准联盟，正式推出了通用 Chiplet 高速互联标准＂UniversalChipletInterconnect Express＂（通用芯粒互连，简称＂UCIe＂），旨在定义一个开放、可互操作的芯粒（Chiplet）生态系统标准。 UCIe 标准的确定有望转变目前异构芯片各家单打独斗的局面，拥有可靠的数据传输和链路管理。设计者和芯片制造商都可以利用现有的PCIe/CXL 软件，将芯片设计走向更加灵活的设计思路，满足多样化定制需求，最大化地将各晶圆厂和科技公司的优势相结合，在高效设计、封装、成本方面达到完美的平衡点。
　　Chiplet 异构集成的关键技术市场规模进入快速增长期，全球半导体制造巨头纷纷加大投入。根据 Yole 预计，至 2027 年，全球超高密度扇出、HBM、硅中介层、EMIB/Co-EMIB 等为代表的高性能封装方案市场规模将由2021 年的27.4 亿美元增长至 78.7 亿美元，复合增长率为 19%。根据 Yole 统计，2021 年全球头部半导体制造公司在高性能封装投资达到 119 亿美元，其中英特尔、台积电和日月光占据前三。长电科技和通富微电排名全球第 6 和第 7。
　　大算力驱动数据量激增，存储芯片迎新风口
　　大模型训练产生海量数据存储需求，3D NAND 需求提升
　　随着算力的不断进步，所需存储的数据量在以指数级的增长速度攀升。存储单元在水平方向上变得不易持续，尺寸微缩不再能够满足存储器的成本需求，垂直堆叠存储单元的3D NAND逐渐成为市场主流。2013年，三星推出首个商用NANDFlash，采用垂直堆叠的 3D V-NAND，V-NAND 结合 MLC 设计（Multi-Level Cell），有24层堆叠，大小 128Gb，面积为 133mm 2。 在 2013 年后，3D NAND 的堆叠层数出现了快速增长。2015 年推出了48 层NAND，2017 年推出 64 层，2019 年 96 层，2020 年 128 层，2021 年176 层，2022年长江存储推出 232 层。三星、英特尔/美光、长江存储、东芝、SK 海力士、西数等技术都超过了 100 层，三星、美光、SK 海力士、长江存储等均超过了200层。
　　数据激增刺激 NAND 需求逐年上升。据 IDC 统计，2022 年NAND 需求量约6千亿Gb，到 2027 年将达到 17.6 千亿 Gb，年复合增速 20.1%；供应量在21 约6 千亿Gb，预计 2023 年将增长至 7.5 千亿 Gb。随着 AI 的迅速发展，产生和需处理的数据量将会进一步攀升，对 NAND 存储器的需求也将持续扩大。3D NAND 市场被海外厂商占据，长江存储努力突围。截至2022 年，全球3DNAND市场主要被三星、SK 海力士、铠侠、西部数据、美光等海外大厂所垄断，占比高达 97%。国内优秀存储厂商长江存储厚积薄发，在全球NAND 市场中已占据一席之地，创新研发的 Xtacking 技术进一步提高了芯片的集成度，在堆叠层数上率先进入了 200 层以上的第一梯队。NAND 主要应用于存储端和手机端。据IDC统计，应用于存储器的 NAND 占比 57.1%，应用于手机端的NAND 占比30.6%。
　　大模型 AI 数据中心有望提振 DRAM 市场
　　云计算、大数据、AI 的快速兴起，需要更快的数据处理速度作为支撑。DRAM的内存密度和传输速率为核心参数。根据应用设备的性质，DRAM 可分为计算机（DDR）、移动（LPDDR）、图形存储器 DRAM（GDDR）以及HBM。按照应用类型，DDR 又可以划分为 PC 端、服务器端、以及消费端，其中LPDDR 主要应用于手机端，功耗指标至关重要；GDDR 主要应用于显卡等图像处理场景。目前 DRAM 性能的提升主要仍依靠尺寸微缩，以更高集成度的晶体管来提升存储密度，在制程进入 20nm 后工艺难度大幅提升。三星、美光、海力士等龙头厂商均已开发出 1znm 制程的 DRAM，美光于 2022 年宣布将在LPDDR5X 上采用1β制程的DRAM，1β为目前 DRAM 最先进制程，我国 DRAM 起步较晚，目前停留在1xnm制程，长鑫存储已实现 17/19nm 的 DRAM 量产。
　　DRAM 需求快速增长。据 IDC 统计，2022 年 DRAM 需求量约242 亿Gb，到2027年将达到 447 亿 Gb，年复合增速 10.5%；供应量在近4 年内增长了50%以上，2019约 162 亿 Gb，到 2023 年增长至约 249 亿 Gb。 DRAM 主要应用于手机端和服务器端的数据处理，服务器市场快速提升。据IDC统计，2022 年 DRAM 在服务器端需求快速提升，从 21 年62 亿Gb 需求提升至75亿Gb，同比提升 20%，逐渐逼近手机端的 DRAM 需求。预计2027 年将达到140亿Gb，2021-2027 年年均增速达到 14.5%，服务器端将超越手机端成为DRAM 的第一大市场。
　　我国在 DRAM 市场市占率低，长鑫存储是国内 DRAM 领军企业。在DRAM 供应端，三大巨头三星、海力士、美光技术领先优势显著。截至2022 年，三星、美光、SK海力士三大 DRAM 巨头占据了全球约 95%的市场份额，三巨头分别占比42.7%、24.2%、27.7%。国内 DRAM 领军企业是合肥长鑫存储，目前已实现17/19nm的DRAM量产。AIGC 或激发AIoT 升级，端侧芯片有望受益
　　智能物联网（AIoT）是 2018 年兴起的概念，指系统通过各种信息传感器实时采集各类信息（一般是在监控、互动、连接情境下的），在终端设备、边缘域或云中心通过机器学习对数据进行智能化分析，包括定位、比对、预测、调度等。在技术层面，人工智能使物联网获取感知与识别能力、物联网为人工智能提供训练算法的数据，在商业层面，二者共同作用于实体经济，促使产业升级、体验优化。从具体类型来看，主要有具备感知/交互能力的智能联网设备、通过机器学习手段进行设备资产管理、拥有联网设备和 AI 能力的系统性解决方案等三大类。从协同环节来看，主要解决感知智能化、分析智能化与控制/执行智能化的问题。
　　上一代人工智能程度较低拉低交互体验，阻碍 AIoT发展。2011 年Apple推出Siri，使语音助手成为当时人工智能竞赛热门赛道，引发Google(Google Assistant)、Amazon(Alexa)、微软(Cortana)等科技巨头纷纷加码跟进，抢占AIoT 控制流量入口。由于通过指挥控制系统进行工作，上一代语音助理仅可以理解有限的问题和请求列表(包含在数据库中的单词列表)，如果用户要求虚拟助手做一些代码中没有的事情，机器人会简单地说它无法提供帮助。由于智能化较低，全球语音助理、智能音箱及其他语音交互 AIoT 行业发展经过初期高速成长期后陷入沉寂。
　　AIGC 赋能语音助理，AIoT 交互体验升级有望激发 AIoT 升级。AIGC 在大语言模型和算力加速进步下，ChatGPT 等 AI 聊天机器人产品自然语言理解能力大幅进化，生成内容精准自然。目前，ChatGPT 等聊天机器人主流围绕自然语言能力通过文本交互驱动，通过和语音功能结合，融入语音会话式AI 系统，有望给传统Siri等语音助手大幅提升交互体验，扩充语音交互的能力空间，从而激发AIoT行业再次升级。除此智能音箱和语音交互功能终端之外，智慧视觉、工业自动化、智能交互平板、智能可穿戴、VRAR 等同样有望受益于 ChatGPT 等AI 大语言模型所推进的企业数字化趋势。
　　终端设备大幅智能化，推动各类 AIoT 芯片市场成长。AIoT SoC 作为AIoT设备集成了 NPU 的核心处理器，除了承担终端整系统控制、运行操作系统以外，肩负端侧、甚至部分边缘计算功能，随 AIoT 智能化升级将实现量价齐升。人工智能的迅速发展，交互方式多元且高频化将催生出大量物联网设备(服务器、边缘计算、路由器、终端）的网络接入需求，用户对企业、服务提供商和家庭网络的传输数据量呈几何倍增长，有线以太网通信芯片和无线链接芯片性能和数量需求也随之大幅提升。AI 服务器加速渗透，驱动硬件全面升级算力升级
　　催化 AI 服务器加速渗透
　　AI 服务器是采用异构形式的服务器，如 CPU+GPU、CPU+TPU、CPU+其他的加速卡等。而普通的服务器是以 CPU 为算力的提供者，采用的是串行架构。在大数据、云计算、人工智能及物联网等网络技术的应用，数据呈现几何倍数的增长，CPU的核心数已经接近极限，但数据还在持续增加，因此必须提升服务器的数据处理能力，AI 服务器应运而生。通常 AI 服务器需要承担大量的计算，一般配置四块以上的 GPU 卡。
　　随着数据及运算量提升，接口传输速度要求提升，对应PCB 层数将增加、介电损耗降低且单价提升，端口数量增加亦将拉动以太网物理层芯片（PHY）的用量提升，CPU,GPU 供电使用的多相电源需求量大幅增加。在此基础上，由于有多个GPU卡，需对系统结构、散热、拓扑等进行设计，才能满足AI 服务器长期稳定运行的要求。 根据英飞凌数据，AI 服务器系统功率将提升至原来的3 倍，散热及能量转换效率成为系统升级的重要部分。整机封装需进行升级，电能转换的核心器件功率半导体用量大幅增加且器件品类向超结 MOS、GaN 器件过渡。
　　22-27 年全球服务器市场复合增速近 8%。根据 IDC 数据，2022 年全球服务器出货量 1495 万台，同比增长 10.4%。2022 年全球服务器市场规模1230 亿美元，同比增长 20.0%，其中戴尔、惠普、浪潮、联想、超微分别以16.3%、10.6%、7.7%、6.5%、5.1%的市场份额位居全球服务器供应商前五位，同时27.9%的份额来自于ODM 厂商直接供应。IDC 预计 2027 年全球服务器出货量将达到1971 万台，对应22-27 年 CAGR 为 5.7%；预计 2027 年全球服务器市场规模将达到1780 亿美元，对应 22-27 年 CAGR 为 7.7%。
　　随数据量提升，AI 服务器加速渗透，22-26 年全球服务器市场复合增速近15%。根据 IDC 数据，2022 年全球 AI 相关支出 1193 亿美元，同比增长28.0%，其中AI硬件、AI 服务、AI 软件支出占比分别为 20.4%、24.5%、55.1%；AI 硬件支出中，服务器、存储器占比 83.2%、16.8%。根据 IDC 数据，2022 年全球AI 服务器市场规模 202 亿美元，同比增长 29.8%，占服务器市场规模的比例为16.4%，同比提升1.2pct。2022 年上半年全球 AI 服务器市场中，浪潮、戴尔、惠普、联想、新华三分别以 15.1%、14.1%、7.7%、5.6%、4.7%的市场份额位居前五位。IDC预计预计2026年全球AI服务器市场规模将达到355亿美元，对应22-26年CAGR为15.1%。
　　AI 服务器加速渗透，整机结构方案全面升级
　　1)更高效的散热系统：AI 服务器通常需要处理大量的数据和运算，同时产生大量的热量，因此 AI 服务器通常采用更高效的散热系统，例如液冷散热系统等。2)更大的尺寸：AI 服务器通常需要安装更多的 GPU、内存和存储设备等组件，因此需要更大的封装空间，更适合在在数据中心等空间宽敞的环境中使用。3)更高的扩展性：AI 服务器需要处理大规模的数据和模型，通常配备更多的PCIe插槽和其他扩展插槽，以便用户根据自身需要扩展系统。4)更高的可靠性：AI 服务器通常用于处理关键业务数据和任务，需要更高的可靠性和稳定性，因此 AI 服务器通常具有更为严格的硬件质量控制和测试流程。
　　作为数据中心的基础，RAID 控制器集成的服务器和存储设备同步渗透。RAID（独立磁盘冗余集合）是一种数据存储虚拟化技术，它将多个物理磁盘驱动器组件合并为一个，主要实现逻辑数据冗余、性能增强两个功能。RAID 提供了一种网关，可以将相同的数据存储在几块硬盘的不同位置，从而在同一系列的一张或多张磁盘上形成数据镜像，这样，如果其中一张磁盘发生故障，则数据可以从其他镜像中恢复。同时，通过将数据放在多张光盘上，输入/输出(I/O) 操作提供了同时读取或写入多张光盘的能力。目前，北美是 RAID 的领先地区，预计未来亚太地区是全球增速最快的市场。
　　人工智能的快速发展将带动以太网交换机需求增长。人工智能应用通常需要处理大量数据，这些数据需要通过网络传输到处理节点，需要高速、低延迟的网络传输，交换机可以提供高速、低延迟的数据传输，保证数据的快速传输和处理。此外，人工智能应用通常采用分布式架构，将任务分配到多个处理节点进行处理，而交换机能够提供高效的通信和同步服务，保证分布式架构的正常运行。因此，以太网交换机扮演着连接和转发网络流量的重要角色，对于人工智能应用中大规模数据处理、高速传输、低延迟通信和分布式架构等方面都具有重要的作用，人工智能的快速发展将会推动以太网交换机的需求增长。
　　22-27 年以太网交换机（端口）市场规模复合增速为4%。根据IDC 数据，2022年全球以太网交换机（端口）出货量 8.54 亿个，同比增长12.2%。2022 年全球以太网交换机市场规模 440 亿美元，同比增长 17.0%，其中思科、华为、Arista、新华三、惠普分别以 41.1%、10.0%、9.6%、5.4%、5.1%的市场份额位居以太网交换机（端口）供应商前五位，同时 5.1%的份额来自于ODM 厂商直接供应。IDC预计2027 年全球以太网交换机（端口）出货量将达到 8.84 亿个，对应22-27年CAGR为 0.7%；预计 2027 年全球以太网交换机市场规模将达到538 亿美元，对应22-27年 CAGR 为 4.1%。
　　AI 新基建与新平台发布共振，PCB 量价齐升
　　伴随 AI 的应用场景落地，图像、语音、机器视觉和游戏等领域的数据将呈现爆发式增长，数据洪流对端、边、云的冲击将推动网络、计算技术进入新一轮高速创新期。数据中心向高速数据传输标准发展，其配套的400Gbps800Gbps 交换机、相关路由器、数据存储、AI 加速计算服务器等将全面进入快速迭代期。英特尔新服务器平台发布，有望与 AI 新数字基建浪潮共振。服务器的数据运算和传输效率提升受单设备算力影响，算力提升则主要依靠CPU 厂商设计提供的服务器平台。服务器 CPU 厂商高度集中，英特尔长期占据服务器市场95%以上的市场份额，因此围绕 CPU 平台的升级是影响服务器硬件产业链周期性变化的关键因素。根据 IDC 数据，2013 年年底，英特尔推出 Grantley 平台，此后两年全球服务器出货量增速为 2.78%、4.97%。2017 年，英特尔和AMD 相继推出新的平台，2018年服务器出货量 15.82%。2021 年 4 月英特尔发布新一代Whitley 平台IceLake，此后三个季度出货量持续上涨。
　　2022 年年末，AMD 发布首款搭载 5nm 服务器 CPU 的Genoa 服务器平台。2023年二季度，英特尔预计推出 Eagle Stream 平台，同步支持DDR5 及PCIe5.0，运算能力和数据传输速度大幅提升。另外，考虑到英特尔上一代产品Purley（CascadeLake）整体性能提升不大，我们认为，此轮新产品密集发布将刺激服务器更新换代需求。 处理器平台升级意味着除了 CPU 外，总线标准和芯片组也得到升级。服务器主板上数据传输流依次为 CPU 、内存、硬盘和网卡，以及针对图形加速特殊场景的GPU。CPU 发挥＂大脑＂功能，负责数据的处理和运算，CPU 与GPU、内存、硬盘和网卡间并不能直接通信，需要通过内存控制芯片、PCIe 控制芯片和I/O 处理芯片等实现，这类通信协调芯片构成主板上的＂芯片组＂，芯片组通过各类不同总线（其中 PCIe 总线最为重要）与 CPU 相连。因此 CPU 结构和功能设计需要芯片组集成度和总线类型配合，CPU+芯片组+总线共同构成了 CPU 平台，平台的升级推动服务器主板和其他配件同步换代。
　　2022 年 1 月 12 日，PCI-SIG 宣布 PCIe6.0 规范标准v1.0 版本正式发布，PCIe6.0被认为是 PCIe 问世近 20 年以来变化最大的一次。PCIe6.0 带宽速度继续增倍，x16 下可达 128GB/s(单向)，由于 PCIe 技术允许数据全双工双向流动，因此双向总吞吐量就是 256GB/s。相比 PCIe4.0/5.0 对 3.0 的小修小改，比如依然采用基于 NRZ（Non-Return-to-Zero）的 128b/130b 编码，PCIe6.0 则改用PAM4脉冲调幅信令，1b/1b 编码，单个信号就有能四种编码（00/01/10/11）状态，比之前翻番，允许承载最高 30GHz 频率。我们认为，PCIe6.0 的发布有望刺激市场出现大量新的服务器升级需求。
　　服务器性能与 PCB 技术联系紧密，因此服务器平台的升级会要求PCB 板层数增加以及 CCL 介电损耗降低。PCB 在服务器中的应用主要包括主板、电源背板、硬盘背板、网卡、Riser 卡等，特点主要体现在高层数、高纵横比、高密度及高传输速率。随着服务器升级，高等级的总线标准对 PCB 的性能要求也不断提升：1)PCB 板层数增加：随着服务器平台的演进，服务器PCB 持续向更高层板发展，对应于 PCIe 3.0 的 Purely 服务器平台一般使用 8-12 层的PCB 主板；但Whitley搭载的 PCIe 4.0 总线则要求 12-16 层的 PCB 层数；而对于未来将要使用PCIe5.0的 Eagle Stream 平台而言，PCB 层数需要达到 16-18 层以上。根据Prismark数据，18 层以上 PCB 单价越是 12-16 层价格的 3 倍。
　　2)高速覆铜板（CCL）介电损耗降低：服务器主板 PCB 是由多层导电图形和低介电损耗（Df）的 CCL 材料压制而成，传输速率要求提高打开Low Loss 及以上等级的CCL 应用空间。行业内根据 CCL 的介电损耗 Df 将 CCL 划分为STD Loss 到UltraLowLoss 六个等级，越高等级损耗越小。PCIe3.0 的服务器主板材料以FR4 为主，为Mid Loss 等级；PCIe4.0 主板 PCB 需升级至 Low Loss 等级，对应松下M4、生益S7439、联茂 IT-958G 等材料。 新一代英特尔和 AMD 支持 PCIe5.0 的服务器平台，主板PCB 将继续升级至UltraLow Loss 等级，推动 PCB 单价进一步提高。根据 Prismark 的数据，截至2019年，8-16 层 PCB 板均价约 460 美元/平方米，18 层以上则达到1466 美元/平方米，价格增长 219%。2019 年全球服务器用 PCB 的产值为49.71 亿美元，预计2024年产值将达到 67.65 亿美元，复合年均增长率为 6.4%，增速远高于其他PCB品类。
　　服务器系统功率倍增，功率器件量价齐升
　　由于 AI 服务器采用异构架构，CPU、GPU 使用量大幅增加，电源功率倍增。随着处理器的性能不断提升，功耗和电流不断增加，与此同时，CPU 更多IO、更多内存插槽在不断压缩主板上的电源空间，同时为了降低PCB 损耗以及提高电源管理响应时间，电压轨要更靠近处理器。相应地，用于CPU、GPU 供电的智能功率级模块(Smart Power Stage，有名 DrMOS)用量增加，据MPS 的测算，CPU 和GPU服务器板级电源方案的可服务市场规模各约 10 亿美元。以MPS 的Intelli-Phase为例，相比传统 MOS 驱动，通过单芯片集成方式使得转换更快，而QSMOD 则是通过数字电源控制原理，使得转换更精准，从而达到整体性能更，拥有更小的尺寸和更高的工作频率。
　　随着数据中心及通信电源增加，电能转换的核心器件功率半导体单机用量及需求大幅提升。根据英飞凌数据，预计 25 年 AI-hyperscalers 服务器单机功率x3倍，hyperscalers 服务器功率 x1.5 倍；基站 MIMO 天线向阵列升级，功率器件用量x4倍；叠加服务器、通信电源本身用量增加，功率器件需求增速将高于行业增速。其中，主要功率器件为 GaN 器件、高压超结 MOS、中低压屏蔽栅MOS。
　　（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。）
　　精选报告来源：【未来智库】。「链接」