（报告出品方/作者：方正证券，郑震湘、佘凌星）

1 智能物联新时代，边缘 AI 蓬勃发展

1.1 算力需求日益增长，边缘计算应运而生

云计算作为一种提供强大计算资源的网络服务，主要分为 IaaS（提供云服务器）、 PaaS（提供云数据库）和 SaaS（直接帮助用户在云上运行软件）。但我们看到， 随着终端应用场景的扩展带来数据即时处理需求的不断增长，云计算的不足开始 显现，主要表现在：1）数据传输的限制性：随着越来越多的设备连接到互联网并 生成数据，以中心服务器为节点的云计算在数据传输方面开始遇到带宽瓶颈；2） 数据处理的即时性：海量物联网设备的接入使得云计算在数据处理的即时响应方 面开始有所延迟；3）隐私及能耗问题：下游医疗、工业等设备采集的隐私数据传 输到云端数据中心的路径较长，容易导致数据丢失或者信息泄露等风险，此外数 据中心的高负载带来的高能耗也是管理规划的核心问题。

边缘计算是云计算向边缘侧分布式拓展的新触角。因此，边缘计算应运而生。根 据边缘计算产业联盟的定义，边缘计算是指在靠近物或数据源头的网络边缘侧， 融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满 足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等 方面的关键需求，总结下来就是"在更靠近终端的网络边缘上提供服务"。可以 看到，边缘计算是云计算在面向物联网、大流量等场景下，为了满足更广连接、 更低时延、更好控制等需求，向终端和用户侧延伸形成的新解决方案。

"云-边-端"形态不断变化，边缘计算重要性日益凸显。我们看到，在早期的电 信网时代，"云-边-端"的形态体现为"程控交换中心——程控交换机——电话"；到 了互联网时代，这种形态变成了"数据中心——CDN——移动电话/PC"；而在现如 今的云计算+物联网时代，"云计算中心——小数据中心/网关——传感器"则构成 了新的"云-边-端"形态。时代的发展体现在终端上就是海量设备的接入，从而带 来数据处理需求的激增，如果仅依赖云端服务器，过大的工作负载不仅会导致处 理效率变得低下，也无法适应终端更加多元化的处理需求。因此，更加侧重局部 和小规模处理的边缘计算适用于现场级、实时、短周期的智能分析和快速决策， 在物联网时代的背景下，其重要性日益凸显。

1.2 科技巨头相继发力，边缘 AI 方兴未艾

我们看到，科技巨头对于边缘计算的关注度正在日益提升。在 2022.12.14 召开 的 MEET2023 智能未来大会上，高通产品管理高级副总裁 Ziad Asghar 指出，数 据会不断从边缘侧产生，因此 AI 处理的重心正在持续向边缘转移。因为消费者 希望拥有更好的数据隐私、更可靠的数据来源和即时的处理结果，因此边缘侧是 进行 AI 处理的最佳选择，而高通一直在推动这场变革。

高通转型"智能边缘计算"，押注 C 端边缘 AI。目前，高通已经将 AI 算法应用到 了智能手机的影像、图形处理等功能中，未来，高通将基于涵盖了边缘 AI、影像 技术、图形技术、多媒体效果、极快处理速度，以及 5G 连接能力等特性的"统一 的技术路线图"，将这些 AI 技术从耳机等较低复杂度的产品，规模化扩展到汽车 等高复杂度的产品，最终实现智能网联边缘的全面覆盖。我们看到，在 2023.5.30 召开的 COMPUTEX 2023 上，高通高级副总裁 Alex Katouzian 表示，高通正在从 一家通信公司转型为一家"智能边缘计算"公司。我们认为，此举进一步彰显了 高通对于发展边缘 AI 的决心，未来将基于自身在智能手机领域积累的优势，不 断研发迭代带有更丰富 AI 技术的芯片，充分赋能可穿戴设备、智能家居、智能 汽车等更为广泛的消费者终端。

借力 Meta Llama 2 大语言模型，高通终端侧 AI 部署有望更进一步。高通的最新 动态显示，其在 2023 年 7 月 18 日宣布和 Meta 正在合作优化 Meta Llama 2 大语 言模型在智能手机、PC、VR/AR 和智能汽车等终端上的直接运行。我们看到，与 仅仅使用云端 AI 部署和服务相比，终端侧 AI 部署能够显著降低开发云成本，同 时提升用户隐私保护、满足用户安全偏好、增强应用可靠性，并带来更加个性化 的使用体验。高通计划从 2024 年起，在搭载骁龙平台的智能手机等终端上支持 基于 Llama 2 的 AI 部署，赋能开发者使用高通 AI 软件栈面向终端侧 AI 进行应 用优化，从而推出全新的生成式 AI 应用。

Meta Llama 2 免费商用且开源，性能较初代版本显著提升。具体来看 Meta 在 2023 年 7 月 18 日正式发布的大语言模型 Llama 2，这是 Meta Llama 模型的最新 版本，也是 Meta 首个免费商用的开源 AI 模型。该模型包括 Llama 2 和 Llama 2-chat 两种版本，后者针对双向对话进行了微调，是针对类似于 ChatGPT 的聊天 应用程序而开发，两者均细分为支持 70 亿、130 亿、700 亿等多种不同参数规模 的版本。我们看到，相比于今年 2 月发布的 Llama 1，Llama 2 的 tokens 训练量 提升了 40%达到 2 万亿个，对上下文训练的长度是 Llama 1 的两倍，达到 4096， 此外 Llama 2-chat 微调模型还接受了超过 100 万个人工标注数据的训练。

Llama 2 目前仍难以媲美 GPT-4，但有望利用开源生态实现弯道超车。此外，Meta 还选择了 70 亿参数版本的 Llama 2 和其他闭源的大语言模型进行比较，可以发 现其在大规模多任务语言理解（MMLU）和高质量小学数学问题（GSM8K）上的表现 接近 GPT-3.5，但在编码基准（HumanEval）上与 GPT-3.5 及 GPT-4 仍存在显著差 距；相比谷歌 PaLM（540B），Llama 2（70B）的所有结果几乎持平，有些甚至表 现更好，但与 GPT-4 和 PaLM-2-L 相比仍有较大差距。可以看到，目前 Llama 2 的 性能表现还难以撼动 OpenAI 的市场地位，但我们看到，开源路线的 Llama 2 可 以使得用户可以低成本地在本地服务器上部署开源大模型，以构建适用于自身业 务的专用大模型，从而不需要将数据放到 OpenAI 等闭源大模型提供商的服务器 中；与此同时，开源社区中大量用户产生的创意也将提升大模型的迭代速度。

投资 OpenAI 押注闭源路线，携手 Meta 探索开源方案，微软两头布局驱动 LLM 竞 争日趋激烈，未来发展机遇与挑战并存。我们看到，Meta 此次选择微软作为 Llama 2 的首选合作伙伴，微软 Azure 客户将能够在 Azure 上轻松安全地微调和部署 Llama 2 模型，并利用其云原生工具进行内容过滤和安全保护。此外，Llama 2 经 过优化后可以在 Windows 上本地运行，为开发人员提供无缝的工作流程，为跨不 同平台的客户带来生成式 AI 体验。可以看到，微软一方面通过 OpenAI 押注闭源 路线，另一方面又与 Meta 合作探索开源方案，我们认为此举表明 LLM 领域的技 术路线和竞争格局尚未定型，未来在不同技术路径上的开发将会产生源源不断的 创新，交互式推动 AI 的发展。

英伟达 Jetson 平台不断迭代，发力 B 端边缘 AI。此外，我们同样注意到英伟达 在边缘 AI 领域也有长足的积累。英伟达在 2014 年推出第一代 Jetson 平台 TK1， 截至目前已迭代至第七代 AGX Orin，作为一套嵌入式系统开发板，主要包括 Jetson 硬件模组（小型高性能计算机）、用于加速软件的 JetPack SDK（软件开发 工具包），以及包含传感器、SDK、服务和产品的生态系统。该平台使用英伟达自 主研发的 GPU 加速技术，支持深度学习框架，能够加速模型的训练和推理，同时 还支持各种图像、视频、通信和存储接口，适用于各种嵌入式应用和边缘计算场 景，如机器人、自动驾驶、智能监控、医疗影像处理等。

Jetson AGX Orin 工业级模块全新发布，持续强化 B 端环境适应性能。我们看到， 在 COMPUTEX 2023 上，英伟达发布了全新的 Jetson AGX Orin 工业级模块，该模 块扩展了上一代 Xavier 工业级模块和商用 Orin 模块的功能，在恶劣环境下可以提供更高级别的计算能力。具体来看，Jetson AGX Orin 工业级模块可以在 15- 75W 功率范围内提供高达 248TOPS 的 AI 性能，通过 Ampere 架构 GPU、新一代深 度学习和视觉加速器、高速 I/O 以及超快的内存带宽，可支持多个并行 AI 应用 流程，而且可适应更加极端的温度范围，具有更长的工作寿命、更强的耐冲击和 振动能力，整体性能相比 AGX Xavier 工业级模块提升了 8 倍以上。

"高通向左，英伟达向右"，B、C 端共同发力边缘 AI。综上可以看出，高通和英 伟达在边缘 AI 领域的发展路线有所差异，高通更加关注 C 端消费者应用，英伟 达则侧重于 B 端应用场景，我们认为这是两家公司基于自身优势而做出的正确战 略决策。高通在智能手机 SoC 领域积淀深厚，有利于推动终端 AI 芯片继续向其 他 C 端设备延伸；而英伟达是 GPU 传统云端 AI 芯片霸主，更加合适布局 B 端大 算力场景。我们看到，边缘计算的快速发展主要受益于其在以下四方面的优势： 低时延：由于消除了将数据从端点转移到云端再返回的需要，大量复杂的数 据可以在边缘端进行初筛、分析和计算，从而更快地做出决策，避免了因海 量数据涌向云端，带来线路阻塞或响应缓慢等问题。 高效率：因为数据处理的多数任务在靠近数据源的地方完成，分析及反馈的 速度得以提升，增强了实时决策能力，同时由于减少了从云端来回传输的数 据量，也能够更好地实现降本增效。 安全性：边缘端服务器广泛就近分布，且单个设备存储的数据量较为有限， 既降低了因传输距离过长导致数据丢失的风险，也减小了信息窃取的可能性。 智能化：边缘计算系统的可扩展性使得用户可以自由地部署和管理计算资源， 其背后拥有的大量自我适应、表达、修复等机制，充分赋予了边缘节点设备 的智能化属性，可以在不依赖云端决策的情况下做出响应，单个设备的故障 也不会影响生态系统中其他设备的性能，从而提高了整个连接环境的可靠性。

"云-边-端"紧密协同，混合式 AI 时代来临。虽然边缘计算相比云计算存在一 定优势，但这并不意味着二者处于对立面，而更多是一种相互依存的关系。一方 面，边缘计算通过负责自身范围内的数据计算和存储工作，可以分担云端的计算 压力；另一方面，大部分经过边缘设备处理的数据仍需要从边缘节点汇聚到中心 云，云端再通过分析完成对算法模型的训练和升级，并将升级后的算法推送到前 端，帮助前端设备实现更新和升级，从而达成自主学习的闭环。此外，这些数据 也需要上传到云端进行备份，当边缘计算过程中出现意外情况，存储在云端的数 据也不会丢失。这与高通在 COMPUTEX 2023 上提出的"混合式 AI"概念一脉相 承，即未来云端和边缘/终端需要共同承担日益增长的算力需求。我们认为，云计 算与边缘计算需要通过紧密协同才能更好地满足各种需求场景的匹配，从而最大 化体现云计算与边缘计算的应用价值。

1.3 突破算力及功耗瓶颈，加速边缘 AI 落地

解决算力和功耗限制，赋能边缘 AI 落地。我们看到，随着 ChatGPT 的横空出世， 生成式人工智能迅猛发展。但以 GPT-4 为代表基于 Transformer 架构的生成式 预训练大模型由于具备较大规模的参数，其训练与推理仍然需要在云端借助算力 强大的 GPU 等 AI 芯片完成。但我们同样看到，随着机器学习、神经网络训练等 网络架构和工具不断适配、兼容到嵌入式系统上，越来越多的 AI 应用也可以直 接在边缘设备上运行，因此"边缘 AI"悄然而生。我们认为，在"云-边-端"的 架构下，边缘 AI 的主要存在形式仍为以智能手机为代表的终端嵌入式设备。但 由于终端设备的算力和功耗有限，因此如何解决这两大问题便成为了边缘 AI 落 地的关键所在。目前在算力方面，主要是通过压缩模型并采用联网方式来降低算 力需求，而功耗方面则是采用存算一体的方式来突破功耗瓶颈。

一、降低算力需求——压缩模型+联网

一般而言，神经网络模型包含的网络层数和参数越多，其结构就越复杂，但实际 运行的效果也会越好。所谓模型压缩，是指通过算法将一个复杂的预训练大模型 转化成精简的小模型。按照压缩过程对网络结构的破坏程度，模型压缩技术可以 分为"前端压缩"和"后端压缩"，前端压缩几乎不改变原有的网络结构，仅仅是 在原模型的基础上减少了网络的层数，但后端压缩会对网络结构造成不可逆的改 变，后续的维护成本也会很高。因此，业内一般采用前端压缩，主要包含以下三 种细分方法：

1）知识蒸馏

属于迁移学习的一种，主要思想是将学习能力强的复杂教师模型中的"知识"迁 移到简单的学生模型中，本质是让小模型去拟合大模型，从而让小模型学到与大 模型相似的函数映射，使小模型保持其快速计算速度的前提下，同时拥有复杂模 型的性能，达到模型压缩的目的。

2）模型剪枝

大模型虽然参数很多，但也存在着大量冗余的参数，将这些不太重要的训练参数 剔除，可以减少计算资源的消耗并提高实时性，这就是模型剪枝算法。训练步骤 为"正常训练模型——模型剪枝——重新训练模型"，三个步骤反复迭代进行，直 到模型精度达到目标，则停止训练。

3）模型量化

是指将神经网络的浮点运算（FP32、FP16）转换为定点运算（INT8），从而减少内 存占用并提高计算效率。目前的低精度模型一般采用的数值格式为 INT8，但也有 一些混合精度模型中会使用FP16的数值格式来保证某些参数和操作符的准确度。 可以看到，以上三种压缩算法可以降低模型对计算能力的要求，使得 AI 模型在 终端设备上的运行成为可能。此外我们也注意到，模型压缩不可避免会造成性能 损失，有可能导致小模型在某些应用场景下的使用出现困难，因此终端设备可通 过联网访问云端的大模型，可进一步保障设备 AI 性能的落地。

二、突破功耗限制——存算一体

AI 时代算力需求猛增，"存储墙"亟待解决。我们知道，在传统的冯诺依曼架构 下，芯片的计算单元在计算之前需要先从存储器中读取数据，但数据的搬运时间 往往是计算时间的成百上千倍，这背后是处理器和存储长久以来性能发展不均衡 的结果。在过去二十年，处理器性能大概每年以 55%的速度提升，但内存性能每 年的提升速度只有 10%左右。而内存性能的落后直接导致的问题就是数据搬运的 功耗过高，由此带来的无用功耗能占到整个 AI 计算功耗的 60-90%，造成非常低 的能效比，这就是我们熟知的"存储墙"问题。现如今随着 AI 的快速发展，算力 需求大幅提升，"存储墙"带来的计算效率和功耗问题日益突出。

存算一体突破"存储墙"限制，大幅提升计算效率并降低功耗。在此背景下，存 算一体技术（Computing in Memory，CIM）应运而生，该技术是在存储器中嵌入 了计算能力，直接利用存储器进行数据处理，从而把数据存储与计算融合在芯片 的同一片区，从本质上消除了不必要的数据搬运，因此可以大幅提升计算效率并 降低功耗，适用于深度学习、人工智能等大规模并行计算的应用场景，是在冯诺 依曼架构之外的一种全新芯片计算架构。

在计算方式上，存算一体芯片分为数字计算和模拟计算，其中数字计算更偏向于 "算"，采用的是先进逻辑工艺，拥有高性能、高精度的优势，且具备很好的抗噪 声能力和可靠性，适用于大算力、高能效的商用场景；而模拟计算更偏向于"存"， 具有更高的存储密度，但对环境噪声和温度非常敏感，适用于小算力、不需要太 强可靠性的民用场景。 在存储介质上，主要可分为成熟工艺存储器（DRAM、Flash 和 SRAM）和新型存储 器（MRAM、RRAM 和 FRAM 等）。细分来看，DRAM 成本低、速度快，但容量小；Flash 属于非易失性存储介质，具有低成本、高可靠性的优势，但在工艺制程上有明显 瓶颈，一般适用于小算力场景；SRAM 在速度和能效比方面具有很大优势，但容量 密度略小，一般适用于云计算等大算力场景；新型存储器中，RRAM 在神经网络计 算中具有特别的优势，是下一代存算一体介质的主流研究方向，但目前工艺良率 还在爬坡，而且还需要解决非易失存储器固有的可靠性问题，因此目前仍主要用 于边缘 AI 计算和端侧小算力场景。

2 智能终端 SoC，端侧 AI 算力承载

2.1 AI SoC 多模块异构集成，重视性能与功耗平衡

边缘 AI 算力承载者——智能终端 SoC。所谓 AI 芯片，其实是在 CPU 等传统芯片 的基础上，针对 AI 算法（以深度学习为代表的机器学习算法）做了特殊加速设 计的芯片，换言之，是牺牲了一定的通用性，换取了芯片在海量数据并行计算方 面的效率提升。在类型上，AI 芯片主要分为 GPU、FPGA、ASIC 和类脑芯片；在应 用场景上，主要分为云端（训练+推理）和边缘端（边缘计算+终端），其中应用在 云端和边缘计算服务器上的 AI 芯片是以 GPU 为代表的强通用性芯片，而终端 AI 芯片更多是将 AI 功能模块结合 CPU、GPU、ISP 等模块融合进 SoC 中，并针对语 音识别、人脸识别等不同的应用场景完成定制化设计，同时需要做好性能与功耗 的平衡。因此我们认为，海量的物联网终端设备是边缘 AI 的主要落地场景，而 AI SoC 作为边缘算力的承载体，有望跟随 IoT 设备的智能化浪潮实现快速成长。

SoC（System on a Chip，系统级芯片）是在 CPU 的基础上扩展了音视频功能和 专用接口的超大规模集成电路，一般集成了 CPU、GPU、NPU、ISP、存储、WiFi、 蓝牙、总线、接口等 IP 模块，具体来看其中重要模块的功能： 1）CPU（Central Processing Unit，中央处理器）：主要执行通用计算，用来解释 计算机指令、处理计算机软件中的数据。2）GPU（Graphics Processing Unit，图形处理器）：主要完成高清视频加速解 码、游戏图形处理、图像处理和辅助运算等功能。 3）ISP（Image Signal Process，图像处理器）：主要用来处理前端图像信号，能 够将光信号变成电信号，其性能会直接影响到拍照和摄像性能。 4）NPU（Neural-network Processing Unit，神经网络处理器）：专为物联网人 工智能而设计，用于加速神经网络的运算，解决传统芯片在神经网络运算时效率 低下的问题，是目前主流的 AI 算力载体。例如麒麟 990 5G SoC 采用华为自研架 构 NPU，创新设计 NPU 双大核+NPU 微核架构，其中 NPU 大核针对大算力场景（人 像虚化/超级夜景等复杂 AI 任务），NPU 微核赋能超低功耗 AI 应用（隔空手势/AI 信息保护等轻量任务），充分发挥全新 NPU 架构的智慧算力。

2.2 边缘 AI 芯片规模稳健成长，海内外厂商加速布局

AIoT 智能化浪潮来临，边缘 AI 芯片赋能下游迎来蓬勃发展。我们看到，相比云 端 AI 芯片需要兼具训练和推理性能，边缘 AI 芯片则更多承担推理任务，其主要 存在形式是作为 AI SoC 嵌入终端设备，因此性能上更加追求在算力、功耗和成 本等多方面的综合表现。伴随人工智能在消费电子、智能家居、智能安防、智能 驾驶等 IoT 领域的快速渗透，边缘 AI 芯片也将迎来蓬勃发展。

根据 Gartner 数据，全球边缘 AI 芯片市场规模在 2022 年不到 400 亿美元，但有 望在 2025 年突破 600 亿美元，其中国内市场空间将从 2022 年的 50 亿美元增长 至 2025 年的 110 亿美元，CAGR 达 30%。就出货量而言，ABI Research 发布的数 据显示，2023 年全球边缘 AI 芯片出货预计达 13.12 亿颗（其中语音处理 1.93 亿 颗，机器视觉 9.01 亿颗，传感器数据分析 1.40 亿颗，其他种类 0.78 亿颗），并 预计出货量到 2028 年将提升至 22.86 亿颗，其中语音处理芯片、机器视觉芯片、 传感器数据分析芯片出货量 CAGR 分别达到 9%、12%、8%。

回顾 AI SoC 领域的竞争格局，由于下游应用场景较多，每一细分领域的竞争情 况也有所差异，主要可分为消费电子（智能手机、可穿戴设备）、智能家居、智能 安防、智能驾驶（自动驾驶、智能座舱）四大下游市场，其中智能手机、智能驾 驶和智能安防市场的进入门槛较高，但可穿戴设备和智能家居长尾市场的存在仍 为国内厂商提供了切入契机。

2.3 自研 IP 积累及先进代工保障，彰显核心竞争力

设计环节自研 IP，追求差异化竞争。具体来看 SoC 芯片的制造流程，从最初借助 EDA 软件，利用 IP 核复用等技术进行芯片设计，到后续的晶圆制造和封装测试， 每一环节都面临着不同的技术挑战。在设计环节，IP 复用性虽然帮助设计厂商提 高了设计效率，但是如果完全依赖第三方的 IP 授权就不能做到差异化的竞争， 因此自研 IP 便成为了头部厂商的战略选择。我们认为，自研 IP 不仅可以帮助节 省授权费用，更重要的是能深入地学习理解底层技术，从而精简不同 IP 核之间 的电路设计，提高产品质量和迭代速度，切实增强自身竞争力。

制造环节绑定先进制程代工产能，高端路线徐图进取。再来看制造环节，我们认 为拥有稳定的代工产能是 SoC 设计厂商保障芯片落地和迭代的重要基础，尤其是 与台积电、三星世界上唯二两家拥有10nm以下先进制程量产能力代工厂的合作， 更是设计厂高端路线的坚实依靠。2020 年发布的麒麟 9000 卓越性能的背后，虽 然离不开海思数十年设计能力的积累，但台积电 5nm FinFET 工艺的保驾护航同 样发挥了关键作用。相比之下，三星的功耗控制能力仍有待提高。

3 AI SoC 赋能下游，终端应用百花齐放

AI 技术加速渗透 SoC，大幅革新终端设备智能化体验。如前所述，我们认为海量 的物联网终端设备是边缘 AI 的主要落地场景，而融合了不同 AI 功能模块的 SoC 作为终端推理算力的承担者，将为不同应用的嵌入式设备带来更加智能化的体验。 例如高通将模仿神经网络模型的 Hexagon 处理器融合进 SoC 中，打造专属的 AI 引擎并持续进行迭代，搭载最新一代 AI 引擎的骁龙 8 Gen2 芯片在自然语言处 理、目标检测等方面的性能均实现了大幅提升。此外，高通还在 SoC 中开发了一 个称之为"高通传感器中枢（Sensing Hub）"的芯片子系统，能同时处理多路数 据流，实现关键词识别、异常检测、图像分类等 AI 性能。可以看到，高通在 AI 领域的全面进军预示着终端 IoT 设备的智能化时代已经来临。

3.1 消费电子

在消费电子产品中，SoC 中的 AI 模块主要用于实现语音识别和拍照美化等功能， 例如苹果手机的 Siri 语音助手，近些年流行的计算摄影，都是 AI 技术的体现。 就智能手机 SoC 而言，除了苹果使用自家的 A 系列芯片，安卓高端市场基本被高 通垄断，中低端市场则由联发科主导。不管是资金实力、研发能力，还是产业链 配套的先进代工、终端迭代等因素，高耸的行业进入壁垒都让新兴厂商望而却步。 但在可穿戴设备（TWS 耳机、智能手表、VR/AR 等）SoC 市场，虽然高通和苹果也 有着领先优势，但由于存在着较多的长尾客户，叠加此类 SoC 对性能要求并不是 很高，更多追求的是低功耗带来的续航时间，因此给到了国内的恒玄科技、中科 蓝讯等公司一定的生存空间。 先看国外厂商的布局。苹果方面，其在 2022 年 9 月发布的 AirPods Pro 第二代 搭载全新的 H2 芯片，运用计算音频算法，带来更智能的降噪表现（主动降噪效 果相较上一代最高提升至 2 倍）、卓越的三维空间音效（全新自适应算法更快速 地处理声音）和更高效的电池续航（单次充电最长能听 6 小时）。可以看到，此类 TWS 耳机的智能蓝牙音频 SoC 芯片更多追求的是降噪和音质表现。

高通方面，其在 2022 年 7 月发布了全新的骁龙可穿戴平台 W5/W5+，回顾过去， 高通分别于 2016、2018、2020 年发布了骁龙 2100、3100、4100+可穿戴设备平台。 命名方式的变化彰显着新一代平台相比前一代 4100+有着全面提升，其中整体功 耗降低超 50%，性能提升达两倍以上，芯片尺寸缩小 30%以上，同时从蓝牙 4.2 升 级为蓝牙 5.3，并新增集成式扬声器功率放大器等特性。 再来看国内厂商的布局。自从苹果在 2016 年发布第一代 AirPods 推动了 TWS 耳 机的热潮，国内 TWS 芯片企业迅速跟进，也在这个市场中分得了一杯羹。国内的 TWS 芯片厂商主要分为两类，一类是以恒玄科技为代表的品牌芯片厂商，产品供 货给华为、小米、OPPO 等终端耳机厂商；另一类是以中科蓝讯为代表的白牌芯片 厂商，产品供货给品牌知名度较低的众多第三方商家，主要通过低价走量取胜。

Apple Vision Pro 正式发布，开启新一轮革命性创新。长期来看，智能手机、 TWS 耳机、智能手表等消费电子产品的成长空间已接近天花板，我们认为 AR/VR 将是下一代现象级单品。苹果最新发布的 Vision Pro 已经为我们探明了该类产 品的初步形态，全新的交互体验也对内置的 SoC 芯片提出了更高要求。

3.2 智能家居

AI 技术持续渗透，智能家居市场蓬勃发展。我们看到，在智能家居领域，AI 技 术的渗透主要是通过智能语音/视觉模组的方式应用于智能扫地机、家庭安防摄 像机、智能音箱、智能门锁等各类智能家居产品中。根据艾瑞咨询的数据，2022 年 AI 技术在智能家居行业的整体渗透率约为 25%，预测到 2025 年将提升至 50% 左右，其中智能清洁（95%）、家庭安防（75%）、智能影音娱乐（60%）、智能照明 （25%）、智能白电（15%）是 AI 渗透率排名前五的细分品类。伴随设备智能化体 验的提升和消费者对居家舒适度的追求，艾瑞咨询预测中国的智能家居市场规模 将从 2022 年的 4517 亿元增长至 2025 年的 9523 亿元，CAGR 达 28%。

在众多细分品类中，我们判断具备语音/视频交互能力的智能音箱有望成为智能 家居全屋互联场景下的 AI 控制入口。智能音箱集成了人工智能处理能力，能够 通过语音识别、语音合成、语义理解等技术完成语音交互功能，同时还可以提供 智能家居控制、音乐内容服务、互联网服务等功能，目前主要分为无屏和带屏两 大类，其中无屏音箱只具备最基础的语音交互功能，价格主要分布在 50-200 元； 带屏音箱则在语音交互的基础上进一步增加了视觉交互体验，可通过屏幕进行文 字/图片展示和视频通话，价格主要分布在 200-1500 元。

AI 赋能叠加生态完善，智能音箱有望重拾增长。我们看到，智能音箱销量的爆发 主要集中在 2018 和 2019 年，但在完成初轮的用户普及之后便陷入了增长瓶颈。 究其原因，一是由于智能化升级缓慢，各大品牌推出的新品创新力度不够甚至没 有创新，导致同质化现象严重；二是产品生态建立不完善，智能音箱与其它家居 设备的互联互通能力受到限制，消费者体验不佳。但现如今随着ChatGPT的推出， 生成式 AI 加速发展，我们认为以 GPT4 为代表的大模型所具备的多模态能力将大 幅提升终端应用的智能化体验，智能音箱的语音/视频交互能力有望得到充分升 级。此外，百度、小米、天猫精灵等国内智能音箱巨头历经多年的布局，各自的 产品生态圈建设已趋于完善。因此，站在当前视角，阻碍智能音箱增长的两大关 键因素均得到较大程度的缓解，我们看好该品类在未来的 AI 浪潮中重拾增长。

行业贝塔向上，头部 SoC 厂商有望充分受益。具体到智能音箱上游的 SoC 处理器， 目前以全志、晶晨、瑞芯微为代表的国内厂商已经在该领域占据了较大份额，产 品广泛应用于小米、小度、天猫精灵等下游终端品牌。我们认为，在 ChatGPT 引 领的 AI 浪潮下，交互式体验升级的智能音箱有望突破销量增长瓶颈，实现渗透 率的进一步提升，从而拉动上游处理器厂商的出货。此外，智能化升级也对芯片 性能提出了更高要求，例如需要提升 SoC 中的 CPU 算力、附加专属的 AI 内核和 DSP、提供更加丰富的音视频扩展接口，以及降低功耗增加续航时间。因此，我们 看好头部 SoC 厂商在行业正贝塔的环境下，通过提供性能更优的产品实现自身的 阿尔法提升，巩固并扩大领先优势。

3.3 智能安防

安防芯片主要分为两类四种芯片。安防视频监控系统主要分为前端和后端两类设 备，前端设备负责采集和处理原始的图像视频信号，将其转化为模拟/数字信号 后再传输至后端设备进行分析、显示和存储等。回顾摄像机的发展历程： 1）模拟监控时代：最初为模拟摄像机，其前端设备搭载的 ISP 芯片将电信号转 换为模拟信号后，再通过后端的 DVR（Digital Video Recorder，数字视频录像 机）转换为数字信号进行编码压缩和存储。 2）网络监控时代：网络摄像机开始普及，其前端设备搭载的 IPC SoC 包含 ISP 模块和视频编码模块，原始的视频信号经过 ISP 模块处理后，需要通过视频编码 模块进行压缩，而后端 NVR （Network Video Recorder，网络视频录像机）可以通 过网络接收 IPC（网络摄像机）传输的数字视频码流，并进行存储和管理。 前端走向主动识别，后端强化计算分析。我们看到，AI 技术对安防的赋能也是体 现在前端和后端两方面： 1）前端：通过在前端摄像机嵌入 AI 芯片，摄像机可以实现对视频数据的结构化 处理，促使视频监控设备从被动监控走向主动识别。 2）后端：通过在后端图像存储设备添加人工智能加速芯片和应用处理软件，智能 网络视频录像机可以实现图像识别，强化后端设备的计算分析功能。

算力前移趋势明显，前后端共同推动智能安防落地。我们注意到，在安防发展的 早期，前端的摄像机作为数据采集设备，其面临的数据量较少，对数据精度的要 求也不高，因此用于图像或视频处理的算力主要部署在后端。但是随着物联网的 不断发展，前端设备采集的数据量激增，数据精度也从 1080P 提高到 4K/8K，使 得网络传输带宽与后端的分析处理面临很大的压力。因此：1）一方面，通过在前 端设备芯片中嵌入 AI 功能，使其可以对视频图像进行预处理，将过滤冗余信息 后的关键性信息再上传至边缘侧或中心侧，由此分摊后端的计算和存储压力并提 高视频分析的速度。目前适用于前端设备的 AI 芯片主要为低功耗、低成本的 ASIC 芯片，在指定的识别场景下具备高效的性能表现；2）另一方面，后端设备芯片也 需要对应进行 AI 功能的升级，前后端协同发展共同推动智能安防的落地。

海思高端市场根基深厚，期待未来王者归来。回顾安防芯片市场的竞争格局，我 们看到在 2020年以前的绝大部分时间里，海思一直占据着主导地位，其 IPC/NVR SoC 的市场份额一度高达七成以上，这得益于海思在高清成像和音视频编解码算 法上的大力投入，成功与海康、大华等头部终端客户绑定共同实现高速成长。但 在海思逐渐退出后，台企联咏科技和背靠联发科的星宸科技承接了一部分中高端 市场，而国内厂商富瀚微也成功抓住机遇拿下了中低端市场的大多数份额。我们 认为，海思在高端安防芯片领域积累的技术和客户优势仍然有着很强的根基，未 来如果回归有望延续其王者地位。

3.4 自动驾驶

汽车智能化浪潮迭起，电子电气架构从分布式向域集中式演变。我们看到，在汽 车智能化的发展趋势下，传统的 ECU 分布式 EEA（Electrical/Electronic Architecture，电子电气架构）已无法满足日益丰富的功能需求，因此很多功能 相似但却分离的 ECU 被集成整合到一个性能更强的处理器硬件平台上，这便是汽 车域控制器（Domain Control Unit，DCU）的诞生。在域集中式 EE 架构之下，主 机厂会根据自身设计理念的差异对功能域做出具体的划分，其中博世的五域集中 式 EEA 便被分为动力域、底盘域、车身域、座舱域和自动驾驶域，而大众的 MEB 平台以及华为的 CC 架构则在此基础上把原本的动力域、底盘域和车身域融合为 整车控制域，从而形成了三域集中式 EEA，即车控域控制器、自动驾驶域控制器 和智能座舱域控制器。 自动驾驶 SoC 负责决策环节，异构集成主导多种数据处理。域控制器作为每个功 能域运算和决策的中心，其功能的实现依赖于主控 SoC 芯片、操作系统和应用算 法等多层次软硬件的结合。在三大功能域中，驾驶域和座舱域是实现智能驾驶的 技术核心，其中驾驶域负责集成传感器、定位、通讯和控制等功能，通过外接车 载摄像头、激光雷达等多种传感器感知外部信息，再输入到域控制器中进行运算 处理，最后输出执行命令。我们看到，在自动驾驶域控制器中的运算决策环节， 核心在于主控 SoC 芯片的数据处理能力，其异构集成结构主要分为：1）逻辑处 理：由 CPU 完成通用计算；2）AI 处理：由 GPU/FPGA/ASIC 等 AI 芯片完成加速计 算；3）图像处理：由 ISP 完成图片、视频等数据的处理；4）存储处理：由 DRAM、 NAND 完成缓存并存储数据。

我们看到，华为推出的 MDC（Mobile Data Center，移动数据中心）计算平台即 为自动驾驶域控制器，以 MDC 300 为例，其主控 SoC 中的 CPU 处理器为 1 颗自研 的鲲鹏 920 芯片，采用 7nm 工艺，支持 12 个内核，主频 2.0GHz，算力达到 150K DMIPS；而 AI 处理器为 4 颗自研的昇腾 310 芯片，采用 12nm 工艺，基于自研的 达芬奇架构，总算力达到 64 TOPS。存储方面，内存为 24GB，硬盘空间为 128GB。 同时外接 15 个摄像头接口，4 个前向摄像头支持 4K 视频分辨率。

ADAS/AD SoC 市场规模或在 2030 年达到 300 亿美元。根据 Frost&Sullivan 数据， 2022 年全球及中国的自动驾驶乘用车（L2 及以上）销量分别达到 1770、740 万 辆，渗透率分别为 25.8%、31.5%；预计到 2030 年销量将分别增长至 6060、2470 万辆，渗透率分别提升至 78.3%、92.7%。我们看到，终端销量的增长也带动了上 游 SoC 芯片的需求。一般而言，自动驾驶 SoC 主要分为适用于 L1-L2 的 ADAS SoC 和适用于 L3-L5 的 AD SoC，ADAS SoC 的技术门槛较低，算力要求基本在 100TOPS 以下，但 AD SoC 的技术门槛更高，L5 级别的算力要求高达 1000TOPS 以上。市场 规模方面，Counterpoint 预计全球 ADAS/AD SoC 市场空间将在 2030 年达到 300 亿美元，2022-2027 年的 CAGR 为 26.3%。此外，在 2025 年之前，适用于 L2 的 ADAS SoC 仍将占据主要份额，但此后受益于自动驾驶技术的不断成熟，适用于 L3 及以上的 AD SoC 将主导市场。

Mobileye 主打视觉方案，ADAS SoC 龙头地位稳固。回顾汽车芯片市场的竞争格 局，我们看到，以前负责整车控制域的 MCU 芯片市场主要由瑞萨、恩智浦等传统 厂商占据主导地位，但随着汽车电动化、智能化的发展，汽车架构中新涌现出的 智能座舱域和智能驾驶域需要更高算力的 SoC 芯片来支持其功能的实现，这也给 后来者提供了弯道超车的机遇。就自动驾驶而言，在早期 L1、L2 的 ADAS 发展阶 段，ADAS SoC 市场基本由主打视觉方案的 Mobileye 主导，其于 1999 年成立， 2004 年发布了第一代基于 180nm 工艺的芯片 EyeQ1，2007 年开始量产上车，随后 分别于 2010、2014、2015 年推出了 EyeQ2、EyeQ3、EyeQ4，其中 EyeQ4 芯片于 2018 年量产，陆续被蔚小理、大众、宝马等厂商采用，成为公司出货量最高的一 款芯片。2017 年 3 月，Mobileye 被英特尔以 153 亿美元的价格收入麾下；到 2021 年末，公司芯片出货量突破 1 亿颗；2022 年 10 月，Mobileye 正式登陆纳斯达克 市场，最新市值已超 300 亿美元。截至目前，Mobileye 的芯片已迭代至 EyeQ6 Light、EyeQ6 High 和 EyeQ Ultra，其中 EyeQ Ultra 将于 2025 年量产，采用 5nm 工艺，算力提升至 176TOPS，主打 L4/L5 高阶自动驾驶应用场景。

但我们同样看到，Mobileye 软硬件捆绑的销售模式虽然在早期能够帮助大量客户 实现 ADAS 功能的快速普及，但随着自动驾驶朝着 L2+发展，软硬件逐步解耦，整 车厂开始重视在硬件芯片和软件算法层面自研能力的开发，由于 Mobileye 捆绑 销售的方案导致客户既不能自行开发算法，也无法接触核心的行车数据，因此英 伟达等具备完整工具开发链且足够开放的芯片平台开始受到整车厂的青睐。此外， 由于 Mobileye 主打视觉方案，因此芯片算力并不高，但自动驾驶感知层面的多 传感器融合方案已渐成主流，这意味着芯片需要具备更强的算力才能支持多种数 据的运算处理工作，例如英伟达 2022 年量产的 Orin 芯片算力高达 254TOPS，但 Mobileye 2021 年上车的 EyeQ5 H 算力也仅有 16TOPS，仍存在较大差距。

虽然 Mobileye 在当下面临一些困难，但我们并不认为其已经失去了竞争力。首 先，公司针对自身软硬件捆绑销售的模式做出了一定的改变，于 2022 年 7 月发 布了首个面向 EyeQ 系统芯片的软件开发工具包（SDK）——EyeQ Kit，该工具包 将充分利用 EyeQ6 High 和 EyeQ Ultra 处理器强大的高能效架构，让车企在充分 利用 Mobileye 已被验证的核心技术的同时，也能在 EyeQ 平台上部署差异化的代 码和人机接口工具，这预示着公司在高阶的自动驾驶领域（L3+）也在尝试着走向 开放式道路。其次，在低阶的 ADAS 领域（L1/L2），Mobileye 有着深厚的技术积 累，非头部车企由于自身研发能力的不足且面临着成本压力，仍倾向于选择 Mobileye 的整套解决方案。因此我们认为，Mobileye 在中低端的 ADAS SoC 领域 已基本站稳脚跟，至于能否在高端的 AD SoC 领域继续分一杯羹仍取决于自身的 战略转变和研发跟进。

聚焦到英伟达在高端 AD SoC 领域的发展历程，我们发现其从 2015 年发布首代车 载计算平台 Drive PX，再到 2022 年最新推出的 Drive Thor 平台，英伟达一直在 追求着极致的性能表现，引领着自动驾驶高端芯片的发展，具体来看：

1）第一代 Drive PX

在 2015 年的 CES 消费电子展上发布，初代车载计算平台基于 Tegra X1 SoC 芯片 开发，单颗芯片拥有 8 核 CPU 和 256 核 Maxwell 架构的 GPU，采用 20nm 工艺，算 力在 1TFLOPS 左右，其中搭载 1 颗 Tegra X1 的 DRIVE CX 面向数字座舱，搭载 2 颗 Tegra X1 的 DRIVE PX 面向自动驾驶。此外，Tegra X1 其实是一颗移动处理 器，并不是专门为汽车而设计。

2）第二代 Drive PX2

在 2016 年的 CES 上发布，基于 2 颗 Parker SoC 芯片开发，单颗芯片拥有 6 核 CPU 和 256 核 Pascal 架构的 GPU，采用 16nm FinFET 工艺，算力达 4TOPS，成功 打动了和 Mobileye 分手的特斯拉，2016 年 HW2.0 即搭载了定制版 DRIVE PX2 AutoCruise 单芯片版本， 2017 年 HW2.5 升级为 AutoChauffeur 双芯片版本。

3）第三代 Drive PX Xavier/Pegasus

Xavier 平台在 2017 年的 CES 上发布，基于 1 颗 Xavier SoC 芯片开发，单颗芯片 拥有 8 核 CPU 和 512 核 Volta 架构的 GPU，采用 12nm 工艺，算力达 30TOPS。此 外，Xavier 芯片还搭载了深度学习加速模块 DLA 和向量处理单元 PVA 两个专用 ASIC，DLA 用于推理，PVA 用于加速传统视觉算法，这是英伟达首次采用 CPU+GPU+ASIC 的技术路线。可以看到，Xavier 平台相比于 PX2 平台，虽然算力 只有小幅提升，但面积缩小了一半，功耗仅为 PX2 的 1/8。同年，英伟达推出了 性能更强的 DRIVE PX Pegasus 平台，由 2 颗 Xavier 芯片和 2 颗单独的 Turing 架构的 GPU 组成，可以实现 320TOPS 的算力。

4）第四代 Drive AGX Orin

在 2019 年的 GTC 大会上发布，基于 2 颗 Orin SoC 芯片开发，单颗芯片拥有 8 核 CPU 和 2048 核 Ampere 架构的 GPU，采用 7nm 工艺，算力达 254TOPS，与 Xavier 芯片同为"CPU+GPU+DLA+PVA"的整体架构。此外，该平台也配备了 2 颗单独的 Ampere 架构的 GPU，平台最高算力可达 2000TOPS。

5）第五代 Drive Thor

原本英伟达的第五代车载计算平台为 2021 年推出的 Drive Atlan，单颗 SoC 的 算力能够达到 1000TOPS，相比上一代 Orin SoC 算力提升接近 4 倍，预计将在 2025 年量产上车。但 Atlan 还未量产便被淘汰，随后英伟达在 2022 年的秋季 GTC 大会上发布了新一代计算平台 Drive Thor，正式取代了 Atlan。我们看到，Thor 芯片已经不再局限于自动驾驶 SoC，而是可以在同一计算平台上实现全车自动驾 驶和智能座舱功能的新一代系统级芯片，采用基于 Grace 架构的 CPU、Ada Lovelace 架构的 GPU 和 Hopper 架构的处理 Transformer 模型的引擎，由两种不 同架构的 GPU 分摊 AI 运算与影像处理需求，相对 Atlan 性能翻倍，不需搭配额 外的 GPU 即可达到 2000TOPS 的算力性能，预计将在 2024 年量产。极氪已宣布成 为 Thor 芯片的首发搭载车企，并于 2025 年初开始生产。

回顾英伟达的产品迭代历程，我们认为 Thor 芯片的发布彰显出其在自动驾驶领 域战略规划的两大重要方向：1）使用集中式车载计算平台的单一 SoC 整合多个 功能域，因此 Thor 大幅领先市场已有芯片的算力水平凸显出其合理性，通过对 众多计算资源的整合，不仅可以降低功耗和成本，也能实现功能的飞跃；2）主推 FP8 格式标准以打通训练与推理之间的鸿沟，一般来说，AI 训练端的数据精度要 求比较高，通常采用 FP64 或 FP32 的浮点数运算，而推理端采用 INT8 的整数定 点运算，虽然精度有所下降，但成本和效率表现更好。我们看到，Thor 芯片在训 练和推理端均采用 FP8 格式的浮点运算，虽然训练端的精度略有下降，但这样可 以简化从训练到推理的过渡，可以在不牺牲精度的情况下进行数据传输，做到训 练和推理的无缝衔接，大幅提升整体的计算效率和准确度。更重要的是，此举会 打破专注训练或者推理单一领域的 AI 芯片厂商的竞争格局。

3.5 智能座舱

座舱主控 SoC 芯片作为座舱域的算力提供单元，主要负责座舱内海量数据的运算 处理工作，主要包括多个摄像头的视频接入、多个显示屏的图像渲染和输出（GPU、 DPU）、神经网络加速器 NPU、车内音频处理、蓝牙 WiFi 互联以及其他主要 ECU 的 以太网数据交互等。芯片架构方面，我们以高通第三代骁龙汽车数字座舱平台的 代表芯片 Qualcomm SA8155P 为例进行说明。高通 8155 芯片于 2019 年 1 月发布， 作为全球首款 7nm 制程的车机芯片，首发搭载于 2021 年 1 月推出的长城 WEY 摩 卡，此后便开启了上车潮，至今在国内新势力和传统车企的 30 余款新车型上都 能看到 8155 的身影，主要得益于 8155 先进的异构计算架构带来的强劲性能，有 力支撑了座舱的智能化演变。

消费级芯片厂商立足高算力移动芯片具备性能与成本优势。回顾座舱芯片的竞争 格局，在 2015 年以前，车载系统的运算和控制主要由 MCU 和低算力的 SoC 为主， 瑞萨、恩智浦、德州仪器等传统汽车芯片厂商凭借自身在车规领域的深厚积累， 一直在车机芯片市场占据主导地位。根据 Strategy Analytics 数据，瑞萨、恩 智浦、TI 在 2016 年全球汽车 MCU/SoC 芯片市场中的份额分别达到 31%、27%、 10%，CR3 高达 68%。然而在 2015 年之后，随着汽车电动化、智能化的持续推进， 以高通、三星为代表的消费级芯片厂商强势入局，其优势主要体现在两方面：1）已有消费级芯片的高算力基础足以支撑未来座舱芯片的算力需求。例如目前 主流的高通 8155 座舱芯片便脱胎于 2018 年发布的移动处理器骁龙 855； 2）在消费电子领域积累的资金和规模优势可帮助自身在汽车芯片领域实现低成 本开发。一般来说，高性能座舱芯片的开发成本动辄数亿美元，而手机等移动端 芯片数千万的生命周期销量足以帮助消费电子厂商轻易收回开发成本，但汽车芯 片的出货量最高也只能达到数百万片。因此，传统汽车芯片厂商在开发能力和开 发成本上均处于不利地位。

传统汽车芯片厂商主打安全与可靠，目前仍占据较高份额。不过我们同样看到， 安全性、可靠性和长效性是消费级芯片与汽车芯片的本质区别，因此传统汽车芯 片厂商倾向于使用成熟技术来保证安全与稳定性，这也是最终的芯片算力表现不 佳的原因。但凭借着安全可靠的性能，瑞萨、恩智浦和 TI 的产品仍在销量占比 较大的中低端车型中广泛应用，因此传统厂商在汽车芯片市场仍占有较高的份额。 不过在高端市场，高通的 8155 芯片已经占据了座舱芯片 80%以上的份额。我们认 为，虽然传统厂商凭借目前的汽车销售结构仍拥有较高的市占率，但在智能化趋 势下如果不能及时推出高性能产品，其与消费级芯片厂商的差距将会被逐渐拉开。

海外供应商实力强劲，高通、三星领跑市场。可以看到，海外座舱芯片供应商主 要分为两大阵营：

1）以高通、三星为代表的消费级芯片厂商

a）高通：2014 年开始布局，同年 1 月便推出了第一代智能座舱主控 SoC 602A， 但该款产品在当时并未掀起多大波澜；此后在 2016 年 1 月便推出了第二代产品 820A，凭借较大的技术进步和生态能力，从 2018 年开始陆续在小鹏、理想、蔚 来、奥迪等多款车型上量产装车；而 2019 年 1 月推出的第三代旗舰产品 8155 芯 片，作为全球首款 7nm 制程的座舱 SoC，几乎横扫了中高端市场；此外高通于 2021 年 1 月推出了全球首款 5nm 制程的 8295 芯片，将于 2023 年量产并首发搭载于集 度汽车。可以看到，目前高通在中高端智能座舱 SoC 市场已经牢牢占据了头把交 椅的地位。 b）三星：近几年才开始进入市场，不过其 Exynos Auto V910 芯片的整体性能已 经可以与高通 8155 相媲美，成功从高通手中抢下了奥迪的订单，并且规划在 2025 年前后量产 5nm 制程的 Exynos Auto V920 芯片，其 AI 算力与 8295 相当均为 30TOPS，对高通的攻势已愈演愈烈。 c）联发科：分别于 2018、2019 年推出 28nm/12nm 的 MT2712/MT8666，虽然性能 不及高通和三星的产品，但凭借性价比优势成功打入中低端市场，获得了大众、 吉利、长安等车企的认可。此外，联发科已于 2022 年推出 7nm 制程的 MT8675 芯 片，旨在进军高端市场。

"英特尔+宝马"&"英伟达+奔驰"深入绑定，AMD 成功切入特斯拉。其他消费级厂 商方面，一直以来，英伟达基本与奔驰绑定，英特尔与宝马绑定，但这两家目前 已基本不再迭代智能座舱芯片产品，而是主攻于自动驾驶芯片市场，后续不排除 宝马、奔驰更换供应商的可能。此外我们可以看到，特斯拉座舱芯片的供应商在 近十年内曾多次易主，其 2012 年推出的 Model S 的第一代智能座舱采用的是英 伟达 40nm 制程的 Tegra 3 芯片，这在当时可谓是特斯拉的最好选择；随着智能 座舱功能的日益增加，Tegra 3 的算力已经跟不上时代的脚步，2017 年特斯拉与 英伟达分道扬镳，选择投入英特尔的怀抱，其第二代智能座舱选用了英特尔 14nm 制程的 A3950 芯片；但英特尔在此后没有继续进行算力迭代，于是特斯拉的 2022 款新车便换装了 AMD 为其定制的 12nm Ryzen 芯片，主打车载游戏性能。此外， AMD 于 2022 年 8 月 5 日宣布与吉利旗下亿咖通科技战略合作，共同打造下一代 高性能智能座舱车载计算平台，将首发搭载于 Smart 品牌于 2024 年规划推出的 纯电量产车型之上。

2）以瑞萨、恩智浦、德州仪器为代表的传统汽车芯片厂商。瑞萨在 2016 年推出 的 R-CAR Gen3 系列是其经典的智能座舱产品，其中 16nm 制程的 R-CAR H3 芯片 专为高端汽车打造，收获了长城等客户，并在 2021 年又推出了新的 R-CAR Gen3e 系列（以 R-CAR H3e 为代表）；恩智浦目前的主流产品 i.MX 8QM 还是发布于 2013 年，量产于 2018 年，采用 28nm 制程，主要应用于一些入门级车型；德州仪器的 主打产品是其 2020 年推出的 Jacinto 7 芯片系列，同样基于 28nm 制程，主要客 户是日系车和德系车。整体来看，传统汽车芯片厂商的产品在芯片算力和迭代速 度上均落后于消费级厂商。

国产供应商加速追赶，竞争格局尚未定型。我们看到，国内座舱芯片供应商起步 较晚，目前仍处发展初期，参与厂商主要分为： 1）消费级芯片厂商（华为、全志科技、瑞芯微等）：华为的麒麟 990A 基于 7nm 制 程，已具备较高的算力表现，目前已经应用在北极狐阿尔法 S 和比亚迪的部分车 型中；瑞芯微的 8nm RK3588M 芯片可支持实现 360°环视和"一芯多屏"，目前已 经实现量产上车；全志科技的 T7 芯片早在 2017 年便完成开发，是国内第一颗通 过车规认证的自主平台型 SoC 芯片。 2）汽车 AI 芯片厂商（地平线、黑芝麻等）：产品可同时用于智能驾驶和智能座舱 领域，其中地平线的征程 5 已迭代至 16nm，AI 算力高达 128TOPS，已应用于理想 L8 Pro。 3）汽车芯片初创企业（杰发科技、芯擎科技、芯驰科技等）：杰发科技作为四维 图新旗下成员，成立于 2013 年，专注于车规级芯片设计，其首颗 AC8015 座舱芯 片已于 2021 年实现正式装车量产，高阶的 AC8025H 也即将推出；芯擎科技由吉 利旗下亿咖通科技和 ARM 中国等在 2018 年共同出资成立，2021 年 12 月发布了 国内首颗 7nm 智能座舱 SoC"龍鹰一号"，填补了国内 7nm 车规芯片的空白，并且 已经被吉利、一汽等车企采用。此外，芯擎科技在 2022 年 7 月完成了由红杉中 国领投的近十亿元的 A 轮融资，未来将继续致力于高算力汽车芯片的研发；芯驰 科技成立于 2018 年，自研 X9U 芯片的 CPU 算力高达 100K DMIPS，可支持多达 10 个独立全高清显示屏。展望未来，我们看好国产座舱芯片供应商在华为等巨头的 入局带领下，借助国内新能源汽车高速发展和产业链自主化的双重东风，不断增 强自身实力以实现对海外供应商的加速追赶乃至超越。

4 重点公司分析

4.1 芯原股份：IP 授权业务短期承压，在手订单保障未来成长

半导体行业景气下行渐进尾声，短期 IP 授权业务波动不改长期趋势。截止 2023Q3， 公司营收 17.65 亿元，同比降低 6.34%，实现毛利 7.66 亿元，同比上升 0.19%， 得益于公司一站式芯片定制业务毛利率同比提升，综合毛利率达 43.42%，同比提 升 2.83pcts。此外，公司实现归母净利润为-1.34 亿元，同比下降-509.53%。整 体而言，受知识产权授权业务收入波动等因素影响营业收入同比有所下降，随着 公司坚持研发投入，研发费用等期间费用增加，导致净利润有所波动。 芯原是一家依托自主半导体 IP，为客户提供平台化、全方位、一站式芯片定制服 务和半导体 IP 授权服务的企业。公司至今已拥有高清视频、高清音频及语音、 车载娱乐系统处理器、视频监控、物联网连接、智慧可穿戴、高端应用处理器、 视频转码加速等多种一站式芯片定制解决方案，以及自主可控的 GPU IP、NPU IP、 VPU IP、DSP IP、ISP IP 和 Display Processor IP 六类处理器 IP、1500 多个数 模混合 IP 和射频 IP。2022 年实现营收 26.79 亿元，同比增长 25.23%，下游应 用领域包括物联网（34%）、消费电子（22%）、工业（13%）、计算机及周边（12%）、 汽车电子（10%）和数据处理（9%），主要客户包括芯片设计公司、IDM、系统厂商、 大型互联网公司、云服务提供商等，截至 2022 年底累计半导体 IP 授权服务客户 总数量近 380 家，一站式芯片定制服务客户总数量超 300 家。

在先进半导体工艺节点方面，公司已拥有 14nm/10nm/7nm/5nm FinFET 和 28nm/22nm FD-SOI 工艺节点芯片的成功流片经验。此外，根据 IPnest 在 2022 年 的统计，从半导体 IP 销售收入角度，芯原是 2021 年中国大陆排名第一、全球排 名第七的半导体 IP 授权服务提供商，在全球排名前七的企业中，芯原的 IP 种类 排名前二。2020 和 2021 年，芯原的知识产权授权使用费收入均为全球第四。

4.2 韦尔股份：库存去化大超预期，新品放量加速业绩改善

三季度业绩环比显著改善，产品结构优化助推盈利提升。韦尔股份发布三季度业 绩公告，23Q1-Q3 实现营收 150.81 亿元（yoy-2.0%），归母净利 3.68 亿元（yoy82.9%），扣非归母净利 1.30 亿元（yoy-89.7%），其中 Q3 单季度实现营收 62.23 亿元（yoy+44.4%，qoq+37.6%），归母净利为 2.15 亿元 （yoy+279.6%，环比扭亏， qoq+467.4%），扣非归母净利 2.09 亿元（yoy+206.3%，环比扭亏，qoq+306.9%）。 此外，公司半导体设计业务在三季度实现营收 54.46 亿元，占比进一步提升至 87.5%，下游需求逐步回暖。 盈利能力方面，23Q1-Q3 毛利率为 21.28%，同比-11.4pcts，其中 Q3 单季度毛利 率为 21.78%，同比-6.7pcts，环比+4.5pcts，表明高成本老产品库存对利润的拖 累逐渐消除，以OV50H为代表的低成本高价新产品陆续放量，产品结构大幅改善。 23Q1-Q3 净利率为 2.39%，同比-11.5pcts，其中 Q3 单季度净利率同环比双双转 正达到 3.41%，同比+6.4pcts，环比+4.5pcts。

库存去化大超预期，利润拖累逐步消除。韦尔公告显示，截至 2023Q3 末，公司 库存水平已经下降至 75.52 亿元，较 2022 年末的 123.56 亿元减少了 38.9%，较 2023Q2 末的 98.28 亿元减少了 23.2%，库存去化进度大超预期。我们判断主因华为凭借 Mate 60 系列新品强势复出，叠加下半年其他安卓品牌新机频出，消费电 子产业链拉货动能充足，公司以 OV64B 为代表的老库存产品在副摄、长焦上的应 用具备较强的性价比优势，需求大幅回暖带动库存持续出清，后续库存规模有望 继续下降至 2023Q4 单季度营收水平。 OV50H 率先登陆小米 14 全系列主摄，光影猎人开辟移动光学新时代。我们看到， 韦尔在 2023 年 1 月发布的 OV50H 正式打响了公司在智能手机主摄 50MP 大像素产 品市场的第一枪，其拥有 1/1.28 英寸大底，单像素尺寸达到 1.2um，标示着公司 正式进军高端市场。此外，OV50H 已应用于 2023 年 10 月 26 日发布的小米 14 全 系列 50MP 主摄，同时采用全新的影像传感器品牌"光影猎人"，相比索尼 IMX989， 光影猎人 900 的原生低噪声降低了 50%，动态范围提升了 8 倍，相比同尺寸的其 他感光元件，功耗也降低了 42%，产品性能全方位升级，引领移动光学新时代。

高端新品陆续放量，汽车业务成长可期。我们认为，后续伴随以 OV50H 为代表， 包括年底即将发布的 OV50K 在内的高端新品陆续放量，公司手机 CIS 产品结构有 望大幅改善。此外，汽车 CIS 方面，公司凭借晶圆级封装具备较为明显的成本优 势，产品矩阵逐步拓宽，在华为问界等多款热销车型占据较高的供应份额，同时 公司积极开发海外市场，汽车业务成长动能不容忽视。我们认为，手机和汽车业 务的共振有望带动公司业绩步入新一轮上行周期。

4.3 乐鑫科技：业绩稳健增长，软硬件双轮驱动

拓展产品矩阵，营收稳定增长。2023Q1-Q3 公司实现营业收入 10.27 亿元，同比 增长 8.18%；实现归母净利润 0.87 亿元，同比增长 3.96%；实现扣非净利润 0.68 亿元，同比增长 6.57%。23Q3 单季度，公司实现营业收入 3.60 亿元，同比增长 7.29%；实现归母净利润 0.23 亿元，同比增长 9.85%；实现扣非净利润 0.14 亿 元，同比下降 0.86%。归母净利润增长主要受营收增长、毛利率稳定、研发费用 增长，且与研发费用加计扣除相关的所得税费用冲减金额增加。我们预计，随着 公司近年来不断拓展产品矩阵，次新类的高性价比产品线 ESP32-C3 和高性能产 品线 ESP32-S3 已于今年顺利进入了快速增长阶段，能够满足更广泛的客户应用 需求，助力公司拓展新的客户与业务，最终实现整体营收的持续性增长。 乐鑫是物联网领域的专业芯片设计企业及整体解决方案供应商。公司产品以"处 理+连接"为方向，"处理"以 MCU 为核心，包括 AI 计算；"连接"以无线通信为 核心，目前已包括 Wi-Fi、蓝牙和 Thread、Zigbee 技术，产品边界扩大至无线通 信 SoC 领域。公司以 AIoT 领域为核心，通过自研软件工具链和芯片硬件形成研 发闭环，致力于成为一家物联网平台型公司，向全球所有的企业和开发者们提供 一站式的 AIoT 产品和服务。

软硬件协同发展，产品矩阵逐步成型。硬件方面，ESP32-S3 芯片增加了用于加速 神经网络计算和信号处理等工作的向量指令，可以实现高性能的图像识别、语音 唤醒和识别等应用；ESP32-C5 是公司第一款 2.4&5GHz 双频 Wi-Fi6 产品线，是自 研高频 Wi-Fi 技术上的重大突破；ESP32-H2 芯片的发布，标志着公司在 Wi-Fi 和 蓝牙技术领域之外又新增了对 IEEE 802.15.4 技术的支持，进入 Thread/Zigbee 市场，进一步拓展了公司的无线通信 SoC 的产品线和技术边界。软件方面，云产 品 ESP RainMaker 已形成一个完整的 AIoT 平台，集成芯片硬件、第三方语音助手、手机 App 和云后台等一站式产品服务，可帮助客户快速实现产品智能化，缩 短开发周期。

4.4 恒玄科技：季度营收创历史新高，可穿戴需求复苏启动

Q3 营收超预期，去库存效果显著。2023Q1-Q3，公司实现营业收入 15.64 亿元， 同比增长 33.75%；实现归母净利润 1.18 亿元，同比下降 21.57%。23Q3 单季度来 看，受益于智能可穿戴和智能家居终端市场的恢复，Q3 单季度营收创历史新高， 实现营业收入 6.54 亿元，同比增长 35.67%，环比增长 24.21%；实现归母净利润 0.69 亿元，同比下降 0.79%，环比增长 37%，归母净利润增幅不及收入增幅，主 要为研发投入同比增长且毛利率同比下降双重因素所致。此外，毛利率方面，由 于上游成本有一定上涨，叠加芯片去库存压力，2023Q1-Q3 公司毛利率 34.84%， 同比下降 4.93 个 pcts；Q3 单季度毛利率 34.47%，同比下降 5.83 个 pcts，环比 下降 0.22 个 pct，环比 Q2 下降幅度收窄，已经进入相对稳定的状态。 恒玄科技主要从事智能音视频 SoC 芯片的研发、设计与销售。公司主要产品为蓝 牙音频芯片、智能手表芯片和智能家居主控芯片，并基于在无线连接领域的技术 积累，逐步延伸至 Wi-Fi/BT 连接芯片，产品广泛应用于智能蓝牙耳机、Wi-Fi 智 能音箱、智能手表等低功耗智能音视频终端产品。2022 年实现营收 14.85 亿元， 同比下降 15.89%，其中蓝牙音频类芯片营收 10.9 亿元，占比 74%；手表类芯片 营收 2.9 亿元，占比 19%，营收结构逐步多元化；Wi-Fi SoC 芯片已应用于多家 品牌客户的智能家电产品，Wi-Fi 4 连接芯片也开始量产落地，已应用于翻译笔、 智能家电等终端产品，近一步向 AIoT 平台型公司迈进。

高强度投入研发，核心竞争力稳步提升。公司 2023 年 Q1-Q3 研发费用达到 3.67 亿元，较上年同期增长 12.23%，研发费用率高达 20.21%。此外，根据 2022 年报 数据，研发人员总数 521 人，较上年同期增加 183 人，研发人员占比 85%。研发 成果方面，公司基于 12nm FinFET 工艺研发的新一代 BES2700 系列可穿戴主控芯 片成功实现量产上市，已应用于多家品牌客户的旗舰 TWS 耳机和智能手表产品； 同时在集成 NPU 领域进行拓展，带有图形 NPU 功能的芯片研发进展顺利，极大的 增强了低功耗下可穿戴设备的算力，以及对更大的神经网络算法的支持；此外， 公司实现了 Wi-Fi 4 连接芯片的量产出货，支持最新 WiFi 6 的连接芯片已经顺 利完成认证，已进入客户推广送样阶段；为了满足领先客户对于高品质音频和低 功耗平台的双重要求，公司研发了新一代的低功耗音频功放技术，在达到优异的 信噪比（SNR>120dB）的同时，能够有效的降低 50%以上的动态功耗。

4.5 中科蓝讯：业绩端表现亮眼，客户端持续渗透

需求稳步增加叠加传统旺季，Q3 单季利润同比超预期。2023Q1-Q3，公司实现营 业收入10.50亿元，同比增长35.19%；实现归母净利润1.97亿元，同比增加66.97%； 毛利率 22.98%，净利率达 18.79%。23Q3 单季度，受益于讯龙系列占比提升、现 有产品更新迭代、产品种类日益丰富、供应商保障供给等因素，实现营业收入 3.96 亿元，同比增长 69.11%；实现归母净利润 0.85 亿元，同比增长 242.42%；实现 扣非归母净利润 0.55 亿元，同比增长 245.29%；单季度毛利率达 24.43%，环比 上升 0.09pct；Q3 净利率达 21.41%，环比上升 3.22pcts。

中科蓝讯是无线音频 SoC 芯片主要供应商。公司主要产品包括 TWS 蓝牙耳机芯 片、非 TWS 蓝牙耳机芯片、蓝牙音箱芯片、智能穿戴芯片、无线麦克风芯片、数 字音频芯片等，产品可广泛运用于 TWS 蓝牙耳机、颈挂式耳机、头戴式耳机、商 务单边蓝牙耳机、蓝牙音箱、车载蓝牙音响、电视音响、智能可穿戴设备、物联 网设备等无线互联终端。 原有产品保持迭代，研发创新拓宽应用场景。一方面，公司针对原有的无线音频 SoC 芯片保持快速迭代，前期已成功推出"蓝讯讯龙"系列高端蓝牙芯片，凭借 出色的性能表现和性价比优势，目前已进入 TCL、传音、魅蓝、联想、铁三角、 天猫精灵、魔声 Monster、Sudio 等终端品牌供应体系；另一方面，公司在深耕无 线音频芯片领域的基础上，持续推动技术升级以优化产品结构。目前已经完成了 高集成低功耗 22nm 工艺蓝牙耳机 SoC 芯片工程样片、高性能 TWS 蓝牙耳机 SoC 芯片工程样片、第一代语音控制 SoC 芯片工程样片、第一代蓝牙控制 SoC 芯片工 程样片的设计工作并进入流片阶段。公司部分芯片产品已应用至智能可穿戴设备、 智能家居等物联网终端产品中，进一步丰富了公司产品的应用场景。

4.6 炬芯科技：打造 AIoT 音频芯生态，端侧 AI 赋能长期发展

Q3 业绩环比改善，业务有望逐季向好。公司 Q3 单季度实现营收 1.57 亿元，同比 增长 64.92%；归母净利润 0.22 亿元，同比增长 76.22%。Q3 毛利率为 45.48%， 同比增加 5.49%；净利率为 14.16%，同比增加 0.90%。伴随消费电子下游市场呈 现向好态势，公司在索尼、哈曼等头部品牌客户的渗透率持续提升，订单量逐渐 增加，带来第三季度业绩快速度增长。 深耕高品质音质产品，水平业界领先。公司产品布局主要为蓝牙音频 SoC 芯片、 便携式音视频 SoC 芯片和端侧 AI 处理器芯片等，公司头部品牌渗透率不断提升。 公司自主掌握低延迟的 2.4G 无线通信私有协议设计，全链路 48K 24bit 高清音 频处理，音质指标 SNR 高达 120dB，底噪低于 2uV，处于业界先进水平，端到端 延迟最低低至 10ms 以下，高保真低延迟降噪技术延迟小于 3ms，产品技术处于业 界领先水平。 产品性能优异，已进入众多知名终端品牌供应链。公司历经多年已积累众多知名 客户资源，已进入众多终端品牌的供应链，此外，还进入三诺、奋达、通力等业 界知名的 ODM、OEM 厂商的供应链体系。首批品牌客户西伯利亚、倍思、猛玛等 多款产品已上市规模销售，将持续推出多款终端产品。

4.7 晶晨股份：海外市场稳步推进，产品矩阵不断拓宽

积极推进海外市场拓展，三季度盈利能力回升。2023Q1-Q3，公司实现营收 38.58 亿元，同比下降 12.32%；归母净利润为 3.14 亿元，同比下降 53.88%；扣非归母 净利润为 2.67 亿元，同比下降 58.37%；毛利率 35.36%，同比-2.10pcts。单季 度来看，受益于公司各产品线在海外市场均取得积极进展，营收实现15.07亿元， 同比增长 16.60%；归母净利润为 1.29 亿元，同比增长 35.23%；扣非归母净利润 为 1.09 亿元，同比增长 37.70%；实现毛利率 35.98%，同比+3.33pcts。 晶晨主要从事系统级 SoC 芯片及周边芯片的研发、设计与销售。目前主要产品包 括多媒体智能终端 SoC 芯片、无线连接芯片、汽车电子芯片等，为众多消费类电子领域提供 SoC 主控芯片和系统级解决方案。公司拥有丰富的 SoC 全流程设计经 验，致力于超高清多媒体编解码和显示处理、内容安全保护、系统 IP 等核心软 硬件技术开发，整合业界领先的 CPU/GPU 技术和先进制程工艺，实现成本、性能 和功耗优化。

手握多系列芯片，客户基础牢固。1）S 系列：主要包括全高清系列芯片和超高清 系列芯片，广泛应用于中兴通讯、创维、小米、阿里巴巴、Google、Amazon 等客 户的机顶盒中；2）T 系列：智能显示终端核心关键部件，成功斩获小米、海尔、 TCL、海信、长虹、Seewo（希沃）等客户；3）A 系列：内置最高算力为 5TOPS 的 NPU，支持最高1600万像素高动态范围影像输入和超高清编码，广泛应用于小米、 TCL、阿里巴巴、Harman Kardon、Zoom 等客户的智能终端产品；4）W 系列：作为 公司自主研发的高速数传Wi-Fi蓝牙二合一集成芯片，可应用于高吞吐视频传输， 第二代产品已于 2022 年 12 月预量产，即将进入商业化阶段，将进一步驱动公司 无线连接芯片业务进入新的增长通道。

4.8 全志科技：多元化产品布局，拥抱 AI 创新浪潮

伴随下游需求复苏，公司 Q3 业绩回暖。2023Q1-Q3，公司实现收入 1.21 亿元， 同比-4.29%；归母净利润-0.21 亿元，同比-109.26%；毛利率 32.29%，同比6.75pcts。单季度看，23Q3 公司实现收入 4.45 亿元，同比增长 31.32%，环比 +1.89%；实现归母净利润-0.04亿元，同比-118.78%，环比-114.58%；毛利率33.46%， 同比-0.74pct。我们认为，伴随终端客户库存逐步去化，行业陆续回暖叠加低价 晶圆成本逐步体现，公司业绩有望企稳回升。 全志主要从事智能应用处理器 SoC、高性能模拟器件和无线互联芯片的研发与设 计。公司通过以 SoC、PMU、WIFI、ADC 等芯片产品组成的套片组合为基础，结合 智能技术服务平台的支持，为客户提供优质低成本的智能芯片及解决方案。2022 年实现营收 15.14 亿元，同比减少 26.69%，主要产品包括智能终端应用处理器芯 片（79%）、智能电源管理芯片（10%）、无线通信产品（9%）等。

多元化产品布局，全面 AI 赋能落地。公司通过 AI 全面赋能，聚焦 AI 语音、AI 视觉应用的完整链条，实现智能音箱、智能家电、智能安防、智能座舱、智能工 控等细分 AI 产品量产落地：1）智能音箱市场，公司与行业头部一线标杆客户保 持产业深度合作，R 系列芯片产品已实现带屏、无屏音箱全面量产；2）智能清洁 机器人市场，面向扫地机产品呈现的无感清洁/功能复合/智能升级/体验升级/场 景多元等趋势，公司推出了面向中高端扫地机的 MR 系列芯片新品；3）智能视觉 市场，公司已成功在多家行业头部客户中完成新一代视觉芯片 V853 的全面落地 量产；4）智能汽车电子市场，公司针对智能车载人机交互需求，发布 T113 芯片 产品及解决方案，已在车载人机交互和仪表类应用落地：5）智能显示市场，推出 智慧屏芯片 TV303，后续将逐步在智能电视、智能投影、智能商显领域投入量产。

4.9 泰凌微：无线物联网 SoC 领军者，纵深产品线把握行业红利

Q3 营收大幅增长，景气度向上拐点已显现。受益于持续开拓市场，公司实现出货 量、销售收入的大幅增长，于前三季度实现营业收入 4.76 亿元，同比增长 9.29%； 归母净利润同比大幅增长 72.85%至 3758.44 万元，第三季度公司的营业收入大幅增长 44.67%。同时由于产品结构改善以及成本优化，前三季度毛利率 43.78%， 同比增长 3.17%，整体来看，出货数量与盈利水平均呈现良好弹性。 重视自主创新，低功耗蓝牙连接芯片类产品性能国际领先。凭借在蓝牙领域的突 出贡献及行业地位，公司 2019 年 7 月获选为国际蓝牙技术联盟（SIG）董事会成 员公司，与同为成员公司的国际知名科技公司苹果、爱立信、英特尔、微软、摩 托罗拉移动、诺基亚和东芝一起负责蓝牙技术联盟的管理和运营决策；公司副总 经理、核心技术人员金海鹏博士被聘请为 SIG 董事会联盟成员董事，深度参与国 际蓝牙标准的制定与规范，积极推动蓝牙技术的发展。 终端客户资源丰富，与大品牌深度绑定。公司与多家行业领先的手机及周边、电 脑及周边、遥控器、家居照明等厂商或其代工厂商形成了稳定的合作关系，产品 广泛应用于汉朔、小米、罗技、欧之、涂鸦智能、朗德万、瑞萨、科大讯飞、创 维、夏普、松下、英伟达、哈曼等多家主流终端知名品牌。

4.10 瑞芯微：行业回暖带动业绩回升，智能座舱芯片放量在即

三季度行业边际回暖，公司收入利润同环比双增。2023 年以来全球电子行业需求 萎靡，整体呈现负增长态势，2023Q1-Q3 公司实现收入 14.55 亿元，同比-7.37%； 实现归母净利润 0.77 亿元，同比-71.99%；实现毛利率 34.81%，同比-3.66pcts； 净利率为 5.32%，同比-12.26pcts。三季度以来行业边际回暖，公司长期布局的 AIoT 业务迎来高增长；同时，汽车电子智能座舱进入量产阶段，导致三季度业绩 有所改善，Q3 单季度实现营收 6.02 亿元，同比增加 83.26%，环比增加 15.0%； 毛利率为 36.08%，同比-0.96pct，环比+1.86pcts；公司净利率为 8.73%，同比 +7.60pcts，环比+0.47pcts。 瑞芯微是领先的物联网（IoT）及人工智能物联网（AIoT）处理器芯片企业。公司 主要产品为智能应用处理器芯片，按功能侧重方向可以分为通用处理器、机器视 觉处理器、车载处理器、工业控制处理器等。公司以不同算力层次的智能应用处 理器芯片和不同性能层次的传统通用芯片，充分契合不同终端产品的市场定位， 提供更具针对性和性价比的芯片产品和解决方案，广泛应用于日益增长的 AIoT 市场。此外，公司产品还包括数模混合芯片、接口转换芯片、无线连接芯片及与 自研芯片相关的模组产品等。

公司围绕 RK3588 软硬件方案持续进行优化，此外还成功推出了 AIoT 通用算力平 台 RK3562、流媒体处理器 RK3528、机器视觉处理器 RV1106/RV1103 等三个新一 代 SoC：1）RK3588：公司最新一代高制程、高性能、通用性的旗舰 SoC 芯片，是 公司技术的集大成者，也是目前国内市场同类产品的最高水平之一，目标应用场 景涵盖智能座舱、大屏设备、边缘计算、多目摄像头、NVR（网络视频录像机）、 高性能平板、ARM PC 及 AR/VR 等领域，目前已经在智能座舱领域成功实现量产， 从产品发布到上车量产仅用了一年半时间；2）RK3562：搭载了最新一代 NPU，神 经网络计算效率大幅提升，尤其是对Transformer的支持，主要应用于平板电脑、 智能家居、教育电子、工业应用等领域，契合客户对中等神经网络算力、高性价 比 AIoT 芯片的需求；3）RK3528：针对智能 IPTV/OTT 和中高端多媒体应用研发 的新一代流媒体处理器，重点优化了视频编解码器、图像显示、图像后处理等关 键技术；4）RV1106/RV1103：针对轻量级智能需求推出的机器视觉处理器，适用 于 IPC、智能家居、汽车电子、会议设备等领域的应用。

相关标签：