前言

电子信息产业作为当前全球研发投入最集中、创新最活跃、应用最广泛、辐射带动作用最强的科技创新领域，不仅是全球科技创新的竞争高地，更是世界各科技大国推动经济发展、谋求国家竞争优势的重要战略方向。近些年，我国在电子信息产业方面大力实施创新驱动战略，正推动着产业由大变强。

一、科技红利

1.1科技立国之道——研发投入与科技红利

我们强调中国要从科技制造大国演进到科技制造强国、科技创新强国发展阶段。梳理过往历史，金准产业研究团队认为中国科技产业经历三个阶段，大致可分为：

08年以前产业趋势引导的人口红利；

08年至14年以全球资源再分配的资本红利时代：中国本土企业弯道超车，通过产能扩张切入全球产业链，成为苹果等巨头核心供应商；

14年开始，以华为等为代表的科技龙头公司推动科技红利全面爆发，持续的研发投入及高效的转换率是保证科技创新核心效率所在。

持续高效率的研发投入是科技企业成长的真正内在动力。华为历经三十年厚积薄发，成为全球通信行业龙头厂商，核心在于享受完第一波工程师红利浪潮成长之后、在迈入科技红利时代前夕的关键时期大力提升研发投入。

华为拥抱科技红利的标志是“2012实验室”的正式成立，2011年华为的研发投入占比超过两位数达11.6%，这一年华为整合成立了2012实验室，作为华为创新、研究和平台开发的主体，以构筑面向未来技术和研发能力。

华为的研发主要分为面向未来的研究创新和支撑产品的开发投资。根据2017年年报发布，华为超过15%的研发费用投入在面向未来的基础研究上，主要载体为华为2012实验室。“2012实验室”下设中央研究院、中央软件院、中央硬件院、海思半导体等二级部门，也包括了分布在各地研发中心的2012下属实验室。另外近85%的研发费用投入在产品开发上，主要载体是华为产品及解决方案部及各业务部门——对应运营商、企业、消费者和Cloud四大事业群。

华为研发投入十年八倍提升，是A股电子板块前三季度总和的1.86倍!根据《2018年欧盟工业研发投资排名》，华为以113亿欧元的研发投入排名中国第一、全球范围内仅次于三星、谷歌、大众和微软，但是14.7%的研发投入强度比这四家都要高。2018年华为的研发投入较2008年的104.7亿人民币提升超8倍，同时这也是华为历史上首次超越Intel。

作为参考，金准产业研究团队认为A股电子板块研发投入仍有极大提升空间。根据wind统计，A股电子板块2018年前三季度研发投入为464.8亿元，仅约为华为18年全年研发的53%。其中研发费用营收占比为3.42%，落后于计算机及通信板块。

科技红利时代重点关注研发投入有效性，持续的有效研发投入是企业获得创新溢价的关键。科技红利不等同于工程师红利，科技创新带来公司有效产值的提升是关键。研发投入及转换效率是科技红利突破的前瞻性关键指标，重点参数包括研发投入、研发强度、研发人员单位产值/利润、产品品类扩张情况、专利储备及转化情况。

仍然以华为为例，2018年华为卫冕全球专利申请数量第一。根据世界知识产权组织(WIPO)，华为在2018年向WIPO提交了5405项专利申请，较2017年得4024项增长34%，专利申请中约3成与5G相关。

除专利数之外，华为的研发转换效率还体现在自身产品品类及市占率的持续扩张，基站、Cloud、手机终端的版图扩张不必多说，我们以最为关心的芯片领域为例，除了安防和终端麒麟系列芯片的持续更新迭代，“2012实验室”前十年的持续投入从去年开始陆续转化落地，18年12月至今华为陆续公布多款人工智能、5G基带、服务器、数据中心等领域拳头产品。

通过海思芯片与华为手机的绑定战略，不难看到，IC厂商要发展，必须有核心产品打开市场空间，不仅是通过下游的成长，在收入上取得更充裕的研发资金，更是通过充分的下游应用，发现实际应用中的问题与不足，向上游芯片研发形成正向反馈，达到“研发-应用-收入/反馈-投入再研发”的良性循环。

1.2科技创新强国必由之路，科创板应运而生

随着去年中美贸易摩擦、中兴华为事件持续发酵，国家逐步梳理科技立国的思路，不断加大科技红利提升力度、提高有效研发投入产值，这一大背景下科创板应用而生。

国家通过产业政策对科技创新的扶持，本质在于提升R&D/GDP，高水平的R&D投入强度是一个国家具有较高创新能力的重要保障。我国R&D/GDP在2001年突破1%、2013年突破2%、2016年突破2.1%。根据科技部最新公布数据，2018年全社会研究与试验发展(R&D)支出占GDP比重预计为2.15%，与美国、韩国、中国台湾省、德国等国家及地区仍有较大差异。

而参考美国、日本、韩国的新兴产业政策崛起，国家R&D/GDP达到2.5%从历史经验来看往往是科技创新“量变到质变的临界点”。美国1995年达到2.51%——克林顿政府的新兴产业革命带动互联网革命，出现了亚马逊、谷歌等一批互联网龙头；而往前看，日本1987年达到2.53%——索尼、三菱等一批公司开始称霸全球电子产业。

稳定持续的资本和研发投入是维持半导体等“硬科技”行业的核心驱动。根据WSTS统计，美国半导体公司1996年至2016年期间，复合年增长率约为5.3%。2017年研发和资本开支总额超过600亿美金，投资水平在销售额中所占比例未受市场周期性波动的影响。

为了在半导体行业保持竞争力，企业必须不断地在研发和引进新设备上投入大量资金。半导体行业的技术变革步伐要求企业开发更复杂的工艺技术，并引进能够制造较小尺寸器件的生产设备。生产最先进的半导体元件的能力只能同通过持续投资来维持，力争与整个行业的投资率（约占销售额的30%）保持一致。

1.3科创板加速推进，半导体迎来科技红利黄金年代

2018年11月5日，习总书记宣布将在上海证券交易所设立科创板并试点注册制。各大部门积极响应，科创板市资本市场的重大制度创新，经中国证监会批准后，正式向市场发布实施。至今4个多月过去，科创板正处于紧锣密鼓加速推进中，截至3月22日，已经有首批科创板9家手里公司正式发布，其中三家公司为半导体领域公司，分别是晶晨半导体、和舰科技以及睿创维纳。

科创板为电子领域企业尤其是集成电路带来了充分的机遇。科创板主要针对的企业来自五大行业领域，分别为：

第一类：新一代信息技术，包括集成电路、人工智能、云计算、大数据、互联网、软件、物联网等；

第二类：高端装备制造和新材料，主要包括船舶、高端轨道交通、海洋工程、高端数控机床，机器人及新材料；

第三类：新能源及节能环保，主要包括新能源、新能源汽车、现金节能环保；

第四类：生物医药，主要包括生物医药和医疗器械；

第五类：技术服务领域，主要为半导体集成电路、新能源、高端装备制造和生物医药提供技术服务的企业。

自2018年11月5日以来，上海证监局披露接受上市辅导的有十余家，具有登录科创板潜力，其中半导体领域的企业占比较大。根据2018年11月5日以来证监会上海局网站的IPO辅导备案公告、科创板的上市条件以及上海证券报的报道，我们筛选了几家具有代表性的有望登陆科创板的半导体公司：

后续应该关注哪些半导体公司？

金准产业研究团队认为在后续覆盖、跟踪、投资登陆科创板的半导体标的，应当重点沿循“两条主线”，给予三类公司估值溢价：

1)两条主线——“第四次硅含量提升”与“自主产业链”

我们持续强调，以人工智能、5G、物联网与汽车为代表的创新驱动第四次硅含量提升，这一浪潮下数据量将呈现指数级增长，存储、处理、传输、感知各个环节将同步受益，涉及这几个环节的领域包括存储芯片、处理器芯片(包括AP/MCU/异构ASIC)、传感器芯片、模拟芯片和功率半导体；

第二条主线是产业链的自主供应与安全可靠，沿着这条主线我们主要建议挖掘三类机会下的受益标的：1)建厂潮资本开支持续提升周期下优质半导体设备/材料公司的国产化机会；2)国内消费电子/通信设备/工控/汽车龙头厂商对于国产化芯片的导入机会；3)党政军电子设备/芯片的安全可靠机遇。

2)三类公司值得给予估值溢价

公司具有成熟的研发体系、优质的研发团队以及体现核心壁垒的专利/技术；

已经呈现或者有望体现出高研发转换效率的公司，主要关注公司研发投入的成果转换，重点关注研发投入-营收/产品品类扩张速度的匹配情况；

具备可见、可触及的下游广阔空间，或者能通过品类扩张切入更大的市场空间。在估值上需要注意什么？

金准产业研究团队认为主要需要根据企业所处生命周期的阶段来对企业进行估值，这也是我们一直以来对成长股研究的重要看法：

1)萌芽期企业：该阶段偏主题投资，重点在于下游空间测算及预计份额，重点关注企业的研发突破/产能扩张；

2)成长期企业：该阶段由于企业技术趋于成熟、产品定型逐步大规模量产，营收、业绩通常同步提升，我们认为成长期企业通常又分为两个阶段——营收爆发期和利润爆发期，由于研发投入、折旧、摊销的存在，通常营收爆发早于利润爆发，营收爆发期建议通过P/S(甚至PS/营收增速)、EV/收入来进行估值，利润爆发初期建议通过EV/EBITDA(尤其适合重资产)、PEG来进行估值。

二、Fabless：近年来高速成长，百花齐放

垂直分工模式下，Fabless厂商负担轻，弹性大，叠加国内需求广阔，且中芯国际、华虹半导体等国内代工厂的不断成长，中国IC设计产业保持高速增长。

模式：垂直分工成趋势，Fabless模式下，弹性更大；

企业：质、量齐升，设计业内总体企业数量和规模企业数量同时增长；

技术：快速成长，不断突破，集成电路相关专利中，IC设计领域专利数量居首；

产品：完整布局覆盖所有细分领域，CPU、GPU、模拟IC、SoC等产品均已取得突破。

Fabless盈利弹性更大，孕育高通、英伟达等众多大厂。全球半导体分为IDM(Integrated Device Manufacture，集成电路制造)模式和垂直分工模式两种商业模式，老牌大厂由于历史原因，多为IDM模式。随着集成电路技术演进，摩尔定律逼近极限，各环节技术、资金壁垒日渐提高，传统IDM模式弊端凸显，新锐厂商多选择Fabless(无晶圆厂)模式，轻装追赶。同时英飞凌、TI、AMD等老牌大厂也逐渐将全部或部分制造、封测环节外包，转向Fab-Lite(轻晶圆厂)甚至Fabless模式。

中国IC设计产业保持高速增长，2018年增速超30%。虽然目前自给化率仍然偏低，但随着半导体产业转移，下游需求指数级成长，叠加国家大力支持，我国设计产业在近年来也得到了迅猛的发展。设计产业销售规模从1999年的3亿元增长到2018年的2576亿元，复合增速达到42%，稳居世界前沿，随着5G到来，下游需求将持续推动大陆IC设计业发展。

IC设计企业质、量齐升。IC设计业的企业在2018年为1698家，相比2017年的1380家，增长了23%，销售过亿设计企业2018年为208家，相较2017年增长9%。业内总体企业数量和规模企业数量同时增长，反映出大陆IC设计市场规模增长要快于供给增长，IC设计天花板尚早。我们判断，在接下来几年，IC设计市场将继续保持一个良好的发展态势。

Fabless模式专注于设计，设计企业快速追赶IDM。Fabless厂商由于无自建晶圆厂，固定资产规模较轻，折旧压力较小，相对风险较小；同时由于专注于IC设计，对市场需求响应速率相对较快。从销售规模来看，2000年，设计公司收入不足IDM公司收入的十分之一，2017年，设计公司收入已超过IDM收入的三分之一；从收入增速来看，过去17年的大部分时间，设计公司收入增速均高于IDM公司，仅在2009-2010、2017年出现例外，主要是由于当时存储器处于景气周期，对IDM企业收入拉动较大。综合考量下游驱动力契合度、技术进展情况、上下游供需关系。

从区位分布来开，除开北上广深等城市外，无锡、成都、合肥等城市的设计企业也都超过了100家，武汉、长沙、天津等城市设计企业数量未满100家，但也有较大增长。设计企业区位布局由点及面，开始从北上广深向全国渗透，各省份都开始布局IC设计，设计版块将在全国掀起一股增长浪潮。

近些年国内电子行业的迅猛发展从很大程度上得益于下游消费电子和通信业海量的需求推动，IC设计产业的增长也是深度受益于此。从下游分类来看，国内IC设计业市场主要集中于通信和消费领域。5G的深度影响行业也是通信和消费类，我们判断对应的IC设计企业在接下来将会有一个良好的发展机会。

中国IC专利数量快速增长，设计领域居首。美国集成电路相关专利数量增长自2002年达到顶峰，互联网泡沫破裂之后逐渐下滑，而中国相关专利自200哦年以来长期保持快速增长，2017年有加速增长的趋势。 从专利结构来看，设计相关专利数量在爱我国集成电路专利总量中排名第一，而设计领域中，模拟电路专利数量位居首位，之后依次是处理器、逻辑电路、存储器。

Fabless模式专注于设计，设计企业快速追赶IDM。Fabless厂商因无自建晶圆厂，固定资产规模较轻，折旧压力较小；同时由于专注于IC设计， 对市场需求相应速率相对较快。从销售规模来看，2000年，设计公司收入不足IDM公司收入的十分之一，2017年，设计公司收入已超过IDM收入的三分之一；从收入增速来看，过去17奶奶的大部分时间，设计公司收入增速均高于IDM公司，仅在2009-2010、2017年出现例外，主要是由于当时存储器处于景气周期，对IDM企业收入拉动较大。综合考量下游驱动力契合度、技术进展情况、上下游供需关系。

从趣味分布来开，除开北上广深等城市外，无锡、成都、合肥等城市的设计企业也都超过了100家，武汉、长沙、天津等城市设计企业数量未满100家，但也有较大增长。设计企业区位布局由点及面，开始从北上广深向全国渗透，各省份都开始布局IC设计，涉及板块将在全国掀起一股增长浪潮。

三、人工智能：数据产业链的核心驱动

3.1人工智能关键技术

算法、数据和硬件算力组成了人工智能高速发展的三要素。人工智能实现所需要具备的基础，第一个是优秀的人工智能算法，深度学习算法就是AI领域中最大的突破之一，为人工智能的商业化奠定基础。第二是大量数据，数据是驱动人工智能取得更好的识别率和精准度的核心因素。第三是大量高性能硬件组成的计算能力，以前的硬件算力无法满足人工智能的需求，当GPU等高性能芯片和人工智能结合后，人工智能才能迎来真正的高速发展。

3.2人工智能的参与者

人工智能产业链可以分为基础资源层、技术架构层以及应用层。基础资源层分为计数据、计算力和传感系统，以GPU、FPGA、ASIC和类脑芯片为代表的计算芯片位于计算能力层。此外还包括传感器、存储器、大数据和云计算进行基础支撑。技术架构层有通用技术、算法模型和框架/操作系统。

在这条产业链中，以硬件和数据为代表的基础层是构建生态的基础，价值最高，需要长期大量投入进行战略布局；通用技术层是构建技术壁垒的基础，投入适中，需要在中长期进行布局；而应用层直戳行业痛点，相对来说具有低投入变现快的特点。

3.3人工智能芯片架构创新是关键

3.3.1主流人工智能芯片

按技术架构来看，智能芯片可以分为通用类芯片(CPU、GPU、FPGA)、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片(IBM True North)。对于绝大多数智能需求来说，基于通用处理器的传统计算机成本高、功耗高、体积大、速度慢，难以接受。因此以GPU、TPU、FPGA、ASIC和类脑芯片为代表的计算芯片以高性能计算能力被引入深度学习。以下从CPU说起，对目前主流的AI芯片加以介绍。

大规模数据量下，传统CPU运算性能受限。遵循的是冯诺依曼架构，其核心就是：存储程序，顺序执行。随着摩尔定律的推进以及对更大规模与更快处理速度的需求的增加，CPU执行任务的速度受到限制。

GPU在计算方面具有高效的并行性。用于图像处理的GPU芯片因海量数据并行运算能力，被最先引入深度学习。CPU中的大部分晶体管主要用于构建控制电路(如分支预测等)和Cache，只有少部分的晶体管来完成实际的运算工作。GPU与CPU的设计目标不同，其控制电路相对简单，而且对Cache的需求较小，所以大部分晶体管可以组成各类专用电路和多条流水线，使GPU的计算速度有了突破性的飞跃，拥有惊人的处理浮点运算的能力。

FPGA(可编程门阵列，Field Programmable Gate Array)是一种集成大量基本门电路及存储器的芯片，最大特点为可编程。可通过烧录FPGA配置文件来来定义这些门电路及存储器间的连线，从而实现特定的功能。此外可以通过即时编程烧入修改内部逻辑结构，从而实现不同逻辑功能。

FPGA具有能耗优势明显、低延时和高吞吐的特性。不同于采用冯诺依曼架构的CPU与GPU，FPGA主要由可编程逻辑单元、可编程内部连接和输入输出模块构成。FPGA每个逻辑单元的功能和逻辑单元之间的连接在写入程序后就已经确定，因此在进行运算时无需取指令、指令译码，逻辑单元之间也无需通过共享内存来通信。因此，尽管FPGA主频远低于CPU，但完成相同运算所需时钟周期要少于CPU，能耗优势明显，并具有低延时、高吞吐的特性。

ASIC芯片是专用定制芯片，为实现特定要求而定制的芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。谷歌的TPU、寒武纪的GPU，地平线的BPU都属于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，与CPU和GPU相比，TPU把控制缩小了，因此减少了芯片的面积，降低了功耗。其缺点在于开发周期长、投入成本大，一般公司难以承担。

张量处理器(tensor processing unit，TPU)是Google为机器学习定制的专用芯片(ASIC)，专为Google的深度学习框架Tensor Flow而设计。与GPU相比，TPU采用低精度(8位)计算，以降低每步操作使用的晶体管数量。降低精度对于深度学习的准确度影响很小，但却可以大幅降低功耗、加快运算速度。Google在2016年首次公布了TPU。2017年公布第二代TPU，并将其部署在Google云平台之上，第二代TPU的浮点运算能力高达每秒180万亿次。

3.3.2主流AI芯片架构

架构创新市解决成本不断上涨的关键。随着市场对芯片计算能力的需求提高，芯片制造工艺也在不断提高，与之而来的是芯片制造成本不断涨高，解决这个问题的关键则是架构创新。目前AI芯片主要架构有CPU+GPU、CPU+FPGS、CPU+ASIC等。

3.3.3不同环节不同需求，催生专用计算芯片

此前我们已经介绍过，深度学习主要分为训练和推断两个环节：在数据训练(training)阶段，大量的标记或者未标记的数据被输入深度神经网络中进行训练，随着深度神经网络模型层数的增多，与之相对应的权重参数成倍的增长，从而对硬件的计算能力有着越来越高的需求，此阶段的设计目标是高并发高吞吐量。

推断(inference)则分为两大类——云侧推断与端侧推断，云侧推断推断不仅要求硬件有着高性能计算，更重要的是对于多指令数据的处理能力。就比如Bing搜索引擎同时要对数以万计的图片搜索要求进行识别推断从而给出搜索结果；端侧推断更强调在高性能计算和低功耗中寻找一个平衡点，设计目标是低延时低功耗。

因此从目前市场需求来看，人工智能芯片可以分为三个类别：

1)用于训练(training)的芯片：主要面向各大AI企业及实验室的训练环节市场。目前被业内广泛接受的是“CPU+GPU”的异构模式，由于AMD在通用计算以及生态圈构建方面的长期缺位，导致了在深度学习GPU加速市场NVIDIA一家独大。面临这一局面，谷歌今年发布TPU2.0能高效支持训练环节的深度网络加速。我们在此后进行具体分析；

2)用于云侧推断(inferenceon cloud)的芯片：在云端推断环节，GPU不再是最优的选择，取而代之的是，目前3A(阿里云、Amazon、微软Azure)都纷纷探索“云服务器+FPGA”模式替代传统CPU以支撑推断环节在云端的技术密集型任务。但是以谷歌TPU为代表的ASIC也对云端推断的市场份额有所希冀；