大模型训练热潮下，算力基础设施有望迎来产业机遇
　　ChatGPT发布之后，引发了全球范围的关注和讨论，国内各大厂商相继宣布GPT模型开发计划。我们认为，以GPT模型为代表的AI大模型训练，需要消耗大量算力资源，随着国产大模型开发陆续进入预训练阶段，算力需求持续释放或将带动算力基础设施产业迎来增长新周期。产业链相关公司包括：1、算力芯片厂商：景嘉微、寒武纪、海光信息、龙芯中科、中国长城等；2、服务器厂商：浪潮信息、中科曙光等；3、IDC服务商：宝信软件等。
　　ChatGPT：大模型训练带来高算力需求
　　训练ChatGPT需要使用大量算力资源。据微软官网，微软Azure为OpenAI开发的超级计算机是一个单一系统，具有超过28.5万个CPU核心、1万个GPU和400 GB/s的GPU服务器网络传输带宽。据英伟达，使用单个Tesla架构的V100 GPU对1746亿参数的GPT-3模型进行一次训练，需要用288年时间。此外，算力资源的大量消耗，必然伴随着算力成本的上升，据Lambda，使用训练一次1746亿参数的GPT-3模型所需花费的算力成本超过460万美元。我们认为，未来拥有更丰富算力资源的模型开发者，或将能够训练出更优秀的AI模型，算力霸权时代或将开启。
　　需求场景：预训练+日常运营+Finetune
　　具体来看，AI大模型对于算力资源的需求主要体现在以下三类场景：1）模型预训练：ChatGPT采用预训练语言模型，核心思想是在利用标注数据之前，先利用无标注的数据训练模型。据我们测算，训练一次ChatGPT模型（13亿参数）需要的算力约27.5PFlop/s-day；2）日常运营：用户交互带来的数据处理需求同样也是一笔不小的算力开支，我们测算得ChatGPT单月运营需要算力约4874.4PFlop/s-day，对应成本约616万美元；3）Finetune：ChatGPT模型需要不断进行Finetune模型调优，对模型进行大规模或小规模的迭代训练，产生相应算力需求。
　　算力芯片+服务器+数据中心，核心环节有望率先受益
　　我们认为，随着国内厂商相继布局ChatGPT类似模型，算力需求或将持续释放，供给端核心环节或将率先受益：1）算力芯片：GPU采用了数量众多的计算单元和超长的流水线，架构更适合进行大吞吐量的AI并行计算；2）服务器：ChatGPT模型训练涉及大量向量及张量运算，AI服务器具备运算效率优势，大模型训练有望带动AI服务器采购需求放量；3）数据中心：IDC算力服务是承接AI计算需求的直接形式，随着百度、京东等互联网厂商相继布局ChatGPT类似产品，核心城市IDC算力缺口或将加大。
　　关注AI景气周期下，算力基础设施产业机遇
　　我们认为，国产厂商未来或将训练出自己的GPT模型，带动算力设施产业迎来景气周期。相关公司包括：1、算力芯片厂商：景嘉微、寒武纪、海光信息、龙芯中科、中国长城等；2、服务器厂商：浪潮信息、中科曙光等；3、IDC服务商：宝信软件等。
　　风险提示：宏观经济波动；下游需求不及预期。本研报中涉及到的公司、个股内容系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。
　　

研究报告全文：证券研究报告计算机从ChatGPT看算力产业机遇华泰研究计算机增持维持2023年2月13日中国内地专题研究研究员谢春生大模型训练热潮下算力基础设施有望迎来产业机遇SACNoS0570519080006xiechunshenghtsccomSFCNoBQZ938862129872036ChatGPT发布之后引发了全球范围的关注和讨论国内各大厂商相继宣布GPT模型开发计划我们认为以GPT模型为代表的AI大模型训练联系人林海亮需要消耗大量算力资源随着国产大模型开发陆续进入预训练阶段算力需SACNoS0570122060076linhailianghtsccom求持续释放或将带动算力基础设施产业迎来增长新周期产业链相关公司包862128972228括1算力芯片厂商景嘉微寒武纪海光信息龙芯中科中国长城等2服务器厂商浪潮信息中科曙光等3IDC服务商宝信软件等行业走势图ChatGPT大模型训练带来高算力需求计算机沪深300训练ChatGPT需要使用大量算力资源据微软官网微软Azure为OpenAI6开发的超级计算机是一个单一系统具有超过285万个CPU核心1万个3GPU和400GBs的GPU服务器网络传输带宽据英伟达使用单个Tesla架构的V100GPU对1746亿参数的GPT-3模型进行一次训练需要用28812年时间此外算力资源的大量消耗必然伴随着算力成本的上升据21Lambda使用训练一次1746亿参数的GPT-3模型所需花费的算力成本超30过460万美元我们认为未来拥有更丰富算力资源的模型开发者或将能Feb-22Jun-22Oct-22Feb-23够训练出更优秀的模型算力霸权时代或将开启AI资料来源Wind华泰研究需求场景预训练日常运营Finetune具体来看AI大模型对于算力资源的需求主要体现在以下三类场景1模型预训练ChatGPT采用预训练语言模型核心思想是在利用标注数据之前先利用无标注的数据训练模型据我们测算训练一次ChatGPT模型13亿参数需要的算力约275PFlops-day2日常运营用户交互带来的数据处理需求同样也是一笔不小的算力开支我们测算得ChatGPT单月运营需要算力约48744PFlops-day对应成本约616万美元3FinetuneChatGPT模型需要不断进行Finetune模型调优对模型进行大规模或小规模的迭代训练产生相应算力需求算力芯片服务器数据中心核心环节有望率先受益我们认为随着国内厂商相继布局ChatGPT类似模型算力需求或将持续释放供给端核心环节或将率先受益1算力芯片GPU采用了数量众多的计算单元和超长的流水线架构更适合进行大吞吐量的AI并行计算2服务器ChatGPT模型训练涉及大量向量及张量运算AI服务器具备运算效率优势大模型训练有望带动AI服务器采购需求放量3数据中心IDC算力服务是承接AI计算需求的直接形式随着百度京东等互联网厂商相继布局ChatGPT类似产品核心城市IDC算力缺口或将加大关注AI景气周期下算力基础设施产业机遇我们认为国产厂商未来或将训练出自己的GPT模型带动算力设施产业迎来景气周期相关公司包括1算力芯片厂商景嘉微寒武纪海光信息龙芯中科中国长城等2服务器厂商浪潮信息中科曙光等3IDC服务商宝信软件等风险提示宏观经济波动下游需求不及预期本研报中涉及到的公司个股内容系对其客观公开信息的整理并不代表本研究团队对该公司该股票的推荐或覆盖免责声明和披露以及分析师声明是报告的一部分请务必一起阅读1计算机ChatGPT有望带动算力需求需求端大模型训练带来高算力需求大算力消耗带来训练成本上升训练ChatGPT需要使用大量算力资源据微软官网微软Azure为OpenAI开发的超级计算机是一个单一系统具有超过285万个CPU核心1万个GPU和400GBs的GPU服务器网络传输带宽据英伟达使用单个Tesla架构的V100GPU对1746亿参数的GPT-3模型进行一次训练需要用288年时间此外算力资源的大量消耗必然伴随着算力成本的上升据Lambda使用训练一次1746亿参数的GPT-3模型所需花费的算力成本超过460万美元虽然GPT-35在模型参数量上有了明显下降但考虑到GPT-3GPT-35均为OpenAI独家拥有其他厂商复刻难度较高巨量参数或仍将是模型开发过程的必经之路我们预计未来大模型开发的算力成本仍将较高模型算力需求增速超越芯片性能增速算力霸权时代或将到来据OpenAI测算自2012年以来全球头部AI模型训练算力需求3-4个月翻一番每年头部训练模型所需算力增长幅度高达10倍而摩尔定律认为芯片计算性能大约每18-24个月翻一番因此AI训练模型算力需求增长与芯片计算性能增长之间的不匹配或将带来对算力基础设施供给需求的快速增长我们认为考虑到算力对于AI模型训练效果的关键性作用拥有更丰富算力资源的模型开发者或将能够训练出更优秀的AI模型算力霸权时代或将开启图表1大模型时代算力需求快速增长资料来源COMPUTETRENDSACROSSTHREEERASOFMACHINELEARNINGJaime等2022华泰研究具体来看AI大模型对于算力资源的需求主要体现在以下三类场景1模型预训练带来的算力需求模型预训练过程是消耗算力的最主要场景ChatGPT采用预训练语言模型核心思想是在利用标注数据之前先利用无标注的数据即纯文本数据训练模型从而使模型能够学到一些潜在的跟标注无关的知识最终在具体的任务上预训练模型就可以利用大量的无标注数据知识在Transformer的模型架构下语言预训练过程可以根据上下文一次处理所有输入实现大规模并行计算通过堆叠多个解码模块模型的层数规模也会随着提升可承载的参数量同步增长与之相对应的模型训练所需要消耗的算力也就越大免责声明和披露以及分析师声明是报告的一部分请务必一起阅读2计算机我们预计训练一次ChatGPT模型需要的算力约275PFlops-day据OpenAI团队发表于2020年的论文LanguageModelsareFew-ShotLearners训练一次13亿参数的GPT-3XL模型需要的全部算力约为275PFlops-day训练一次1746亿参数的GPT-3模型需要的算力约为3640PFlops-day考虑到ChatGPT训练所用的模型是基于13亿参数的GPT-35模型微调而来参数量与GPT-3XL模型接近因此我们预计训练所需算力约275PFlops-day即以1万亿次每秒的速度进行计算需要耗时275天图表2不同NLP模型训练需要的算力PFlops-day100001000100101T5-3BT5-11BT5-BaseT5-SmallT5-LargeGPT-3XLGPT-313BBERT-BaseGPT-327BGPT-367BBERT-LargeGPT-3175BGPT-3SmallGPT-3LargeGPT-3MediumROBERTa-BaseROBERTa-LargeBERT模型T5模型GPT模型资料来源LanguageModelsareFew-ShotLearnersOpenAI2020华泰研究图表3不同NLP模型参数量及训练算力对比模型总计算量PFlops-day总计算量Flops参数量百万个令牌数量十亿T5模型T5-Small208E00180E20601000T5-Base764E00660E202201000T5-Large267E01231E217701000T5-3B104E02900E2130001000T5-11B382E02330E22110001000BERT模型BERT-Base189E00164E20109250BERT-Large616E00533E20355250ROBERTa-Base174E00150E211252000ROBERTa-Large493E01426E213552000GPT模型GPT-3Small260E00225E20125300GPT-3Medium742E00641E20356300GPT-3Large158E01137E21760300GPT-3XL275E01238E211320300GPT-327B552E01477E212650300GPT-367B139E02120E226660300GPT-313B268E02231E2212850300GPT-3175B364E03314E23174600300资料来源LanguageModelsareFew-ShotLearnersOpenAI2020华泰研究免责声明和披露以及分析师声明是报告的一部分请务必一起阅读3计算机此外预训练过程还存在几个可能的算力需求点1模型开发过程很难一次取得成功整个开发阶段可能需要进行多次预训练过程2随着国内外厂商相继入局研发类似模型参与者数量增加同样带来训练算力需求3从基础大模型向特定场景迁移的过程如基于ChatGPT构建医疗AI大模型需要使用特定领域数据进行模型二次训练图表4国内外厂商相继布局类似ChatGPT的模型应用名称简介推出时间开发者备注JasperAIAI内容写作工具内置超50个模板可应用于广告电商播客等不同场景2021JasperAIOpenAI是一种基于Web的工具可以轻松测试并熟悉API的工作原理无需编写任2021OpenAI继2019年和2021年之后2023年2Playground何代码只需提供简单的英语文本输入即可开始使用GPT-3月再次获得Microsoft数十亿美元的投资盘古业界首个2000亿超大参数中文预训练模型基于鹏城云脑和MindSpore2021华为框架的自动混合并行模式Sparrow基于DeepmindChinchilla语言模型的AI聊天机器人其设计目的是与人类交2022DeepMind2014年谷歌以超5亿美元的价格收购谈并回答问题同时实时使用谷歌搜索或有关信息来支持它的答案DeepMindChatsonic是AI文本生成器Writesonic的一项新功能与ChatGPT相比的优势在于提供2022Writersonic了访问当前谷歌数据的选项PerplexityAI是一种由大型语言模型和搜索引擎提供支持的聊天工具在答案中以脚注数字的2022Perplexity形式引用了来源AIYouChatAI聊天机器人是第一个将聊天助手集成到其搜索结果中的搜索引擎2022Youcom2021年获得来自SalesforceCEOMarcBenioff的投资Bard是一款由LaMDA提供支持的对话式AI聊天机器人利用来自网络的信息提供2023谷歌最新高质量的回复答案中包含搜索索引StabilityDiffusion是一个文字转图片的生成模型可以只用几秒钟时间就生成高分辨率高清晰度2022StabilityAI具有真实性及艺术性的图片结果ClaudeAI聊天机器人基于前沿NLP和AI安全技术打造目标是成为一个安全接近2023Anthropic2021年获包括Facebook联合创始人人类价值观且合乎道德规范的AI系统目前仍处于实验阶段尚未作为商业产品DustinMoskovitz谷歌前CEO现技正式发布术顾问EricSchmidt在内124亿美元投资文心一言是百度基于文心大模型技术推出的生成式对话产品将于2023年3月完成内测2023百度面向公众开放资料来源各公司官网华泰研究免责声明和披露以及分析师声明是报告的一部分请务必一起阅读4计算机2日常运营带来的算力需求预计ChatGPT单月运营需要算力约48744PFlops-day对应成本约616万美元在完成模型预训练之后ChatGPT对于底层算力的需求并未结束日常运营过程中用户交互带来的数据处理需求同样也是一笔不小的算力开支据SimilarWeb数据2023年1月ChatGPT官网总访问量为616亿次据Fortune杂志每次用户与ChatGPT互动产生的算力云服务成本约001美元基于此我们测算得2023年1月OpenAI为ChatGPT支付的运营算力成本约616万美元据上文我们已知训练一次1746亿参数的GPT-3模型需要3640PFlops-day的算力及460万美元的成本假设单位算力成本固定测算得ChatGPT单月运营所需算力约48744PFlops-day图表5ChatGPT单月运营算力成本测算资料来源SimilarWebFortune华泰研究预测3Finetune带来的算力需求模型调优带来迭代算力需求从模型迭代的角度来看ChatGPT模型并不是静态的而是需要不断进行Finetune模型调优以确保模型处于最佳应用状态这一过程中一方面是需要开发者对模型参数进行调整确保输出内容不是有害和失真的另一方面需要基于用户反馈和PPO策略对模型进行大规模或小规模的迭代训练因此模型调优同样会为OpenAI带来算力成本具体算力需求和成本金额取决于模型的迭代速度免责声明和披露以及分析师声明是报告的一部分请务必一起阅读5计算机供给端核心环节有望率先受益算力芯片AI算力基石需求有望大规模扩张GPU架构更适合进行大规模AI并行计算需求有望大规模扩张从ChatGPT模型计算方式来看主要特征是采用了并行计算对比上一代深度学习模型RNN来看Transformer架构下AI模型可以为输入序列中的任何字符提供上下文因此可以一次处理所有输入而不是一次只处理一个词从而使得更大规模的参数计算成为可能而从GPU的计算方式来看由于GPU采用了数量众多的计算单元和超长的流水线因此其架构设计较CPU而言更适合进行大吞吐量的AI并行计算基于此我们认为随着大模型训练需求逐步增长下游厂商对于GPU先进算力及芯片数量的需求均有望提升图表6GPU内部结构更适合进行大规模并行计算资料来源CSDN华泰研究单一英伟达V100芯片进行一次ChatGPT模型训练大约需要220天我们以AI训练的常用的GPU产品NVIDIAV100为例V100在设计之初就定位于服务数据中心超大规模服务器据英伟达官网V100拥有640个Tensor内核对比基于单路英特尔金牌6240的CPU服务器可以实现24倍的性能提升考虑到不同版本的V100芯片在深度学习场景下计算性能存在差异因此我们折中选择NVLink版本V100深度学习算力125TFlops来计算大模型训练需求据前文我们已知训练一次ChatGPT模型13亿参数需要的算力约275PFlops-day计算得若由单个V100GPU进行计算需220天若将计算需求平均分摊至1万片GPU一次训练所用时长则缩短至约32分钟图表7英伟达V100算力参数双精度TFlops单精度TFlops深度学习TFlopsNVLink版本V100781571250PCIe版本V100701401120PCIe版本V100S821641300资料来源英伟达官网华泰研究免责声明和披露以及分析师声明是报告的一部分请务必一起阅读6计算机全球中国GPU市场规模有望保持快速增长据VMR数据2021年全球GPU行业市场规模为3347亿美元预计2030年将达到47737亿美元预计22-30年CAGR将达3442020年中国GPU市场规模4739亿美元预计2027年市场规模将达34557亿美元预计21-27年CAGR为328图表8全球GPU市场规模图表9中国GPU市场规模全球GPU市场规模亿美元中国GPU市场规模亿美元60004003455735050004773730040002503000200150200010010004739334750002021203020202027资料来源VerifiedMarketResearch华泰研究资料来源VerifiedMarketResearch华泰研究服务器AI服务器有望持续放量ChatGPT主要进行矩阵向量计算AI服务器处理效率更高从ChatGPT模型结构来看基于Transformer架构ChatGPT模型采用注意力机制进行文本单词权重赋值并向前馈神经网络输出数值结果这一过程需要进行大量向量及张量运算而AI服务器中往往集成多个AIGPUAIGPU通常支持多重矩阵运算例如卷积池化和激活函数以加速深度学习算法的运算因此在人工智能场景下AI服务器往往较GPU服务器计算效率更高具备一定应用优势图表10GPU服务器与AI服务器的区别GPU服务器AI服务器主要用途主要用于图形处理如游戏渲染视频编辑等主要用于人工智能和机器学习任务计算特征配备大量的浮点运算单元和高度并行的架构配备更多的矩阵运算单元针对深度学习算法进行了优化处理对象能够高效地处理大量的图形数据能够高效地处理大量的数学运算应用场景适用于大量图形处理的应用程序适用于需要高效机器学习的应用程序资料来源ChatGPT华泰研究单台服务器进行一次ChatGPT模型训练所需时间约为55天我们以浪潮信息目前算力最强的服务器产品之一浪潮NF5688M6为例NF5688M6是浪潮为超大规模数据中心研发的NVLinkAI服务器支持2颗Intel最新的IceLakeCPU和8颗NVIDIA最新的NVSwitch全互联A800GPU单机可提供5PFlops的AI计算性能据前文我们已知训练一次ChatGPT模型13亿参数需要的算力约275PFlops-day计算得若由单台NF5688M6服务器进行计算需55天免责声明和披露以及分析师声明是报告的一部分请务必一起阅读7计算机大模型训练需求有望带动AI服务器放量随着大数据及云计算的增长带来数据量的增加对于AI智能服务器的需求明显提高据IDC数据2021年全球AI服务器市场规模为156亿美元预计到2025年全球AI服务器市场将达到318亿美元预计22-25年CAGR将达1952021年中国AI服务器行业市场规模为3503亿元同比增长686预计22-25年CAGR将达190我们认为随着ChatGPT持续火热国内厂商陆续布局ChatGPT类似产品AI服务器采购需求有望持续增长市场规模或将进一步扩张图表11全球AI服务器市场规模图表12中国AI服务器市场规模全球服务器市场规模亿美元AI中国AI服务器市场规模亿元3503188007018300700600250500200156400350315030010020050100002021202520212025资料来源IDC华泰研究资料来源IDC华泰研究数据中心核心城市集中算力缺口或将加剧IDC算力服务是承接AI计算需求的直接形式ChatGPT的模型计算主要基于微软的Azure云服务进行本质上是借助微软自有的IDC资源在云端完成计算过程后再将结果返回给OpenAI可见IDC是承接人工智能计算任务的重要算力基础设施之一但并不是所有企业都需要自行搭建算力设施从国内数据中心的业务形态来看按照机房产权归属及建设方式的角度可分为自建机房租赁机房承接大客户定制化需求以及轻资产衍生模式四种若使用商汤智算中心全部算力可在11分钟完成一次ChatGPT模型训练我们以亚洲最大的人工智能计算中心之一商汤智算中心为例据商汤科技官网商汤智算中心于2022年1月启动运营峰值算力高达3740Petaflops据前文我们已知训练一次ChatGPT模型13亿参数需要的算力约275PFlops-day考虑到计算用时较短我们使用峰值算力进行测算计算得仅需11分钟即可完成计算AI训练需求有望带动IDC市场规模快速增长据中国信通院2021年国内IDC市场规模15002亿元同比增长285据信通院预计随着我国各地区各行业数字化转型深入推进AI训练需求持续增长智能终端实时计算需求增长2022年国内市场规模将达19007亿元同增267免责声明和披露以及分析师声明是报告的一部分请务必一起阅读8计算机图表13中国IDC市场规模市场规模亿元同比增速右轴2000326329351800291285267301600140025120016420100015800600104005200002016201720182019202020212022E资料来源中国信通院华泰研究互联网厂商布局ChatGPT类似产品或将加大核心城市IDC算力供给缺口据艾瑞咨询2021年国内IDC行业下游客户占比中互联网厂商居首位占比为60其次为金融业占比为20政府机关占比10位列第三而目前国内布局ChatGPT类似模型的企业同样以互联网厂商为主如百度宣布旗下大模型产品文心一言将于2022年3月内测京东于2023年2月10日宣布推出产业版ChatGPTChatJD另一方面国内互联网厂商大多聚集在北京上海深圳杭州等国内核心城市在可靠性安全性及网络延迟等性能要求下或将加大对本地IDC算力需求国内核心城市IDC算力供给缺口或将加大图表142021年中国IDC市场下游客户结构其他制造业73政府机关10金融业互联网厂商2060资料来源艾瑞咨询华泰研究免责声明和披露以及分析师声明是报告的一部分请务必一起阅读9计算机产业链相关公司梳理1算力芯片厂商景嘉微寒武纪海光信息龙芯中科中国长城等2服务器厂商浪潮信息中科曙光等3IDC服务商宝信软件等图表15提及公司表代码公司简称代码公司简称000066CH中国长城688256CH寒武纪000977CH浪潮信息BIDUUS百度0020HK商汤-WGOOGLUS谷歌300474CH景嘉微JDUS京东600845CH宝信软件NVDAUS英伟达603019CH中科曙光未上市OpenAI688041CH海光信息未上市华为688047CH龙芯中科资料来源Bloomberg华泰研究风险提示宏观经济波动若宏观经济波动产业变革及新技术的落地节奏或将受到影响宏观经济波动还可能对IT投资产生负面影响从而导致整体行业增长不及预期下游需求不及预期若下游数字化需求不及预期相关的数字化投入增长或慢于预期致使行业增长不及预期本研报中涉及到的公司个股内容系对其客观公开信息的整理并不代表本研究团队对该公司该股票的推荐或覆盖免责声明和披露以及分析师声明是报告的一部分请务必一起阅读10计算机免责声明分析师声明本人谢春生兹证明本报告所表达的观点准确地反映了分析师对标的证券或发行人的个人意见彼以往现在或未来并无就其研究报告所提供的具体建议或所表迖的意见直接或间接收取任何报酬一般声明及披露本报告由华泰证券股份有限公司已具备中国证监会批准的证券投资咨询业务资格以下简称本公司制作本报告所载资料是仅供接收人的严格保密资料本报告仅供本公司及其客户和其关联机构使用本公司不因接收人收到本报告而视其为客户本报告基于本公司认为可靠的已公开的信息编制但本公司及其关联机构以下统称为华泰对该等信息的准确性及完整性不作任何保证本报告所载的意见评估及预测仅反映报告发布当日的观点和判断在不同时期华泰可能会发出与本报告所载意见评估及预测不一致的研究报告同时本报告所指的证券或投资标的的价格价值及投资收入可能会波动以往表现并不能指引未来未来回报并不能得到保证并存在损失本金的可能华泰不保证本报告所含信息保持在最新状态华泰对本报告所含信息可在不发出通知的情形下做出修改投资者应当自行关注相应的更新或修改本公司不是FINRA的注册会员其研究分析师亦没有注册为FINRA的研究分析师不具有FINRA分析师的注册资格华泰力求报告内容客观公正但本报告所载的观点结论和建议仅供参考不构成购买或出售所述证券的要约或招揽该等观点建议并未考虑到个别投资者的具体投资目的财务状况以及特定需求在任何时候均不构成对客户私人投资建议投资者应当充分考虑自身特定状况并完整理解和使用本报告内容不应视本报告为做出投资决策的唯一因素对依据或者使用本报告所造成的一切后果华泰及作者均不承担任何法律责任任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效除非另行说明本报告中所引用的关于业绩的数据代表过往表现过往的业绩表现不应作为日后回报的预示华泰不承诺也不保证任何预示的回报会得以实现分析中所做的预测可能是基于相应的假设任何假设的变化可能会显著影响所预测的回报华泰及作者在自身所知情的范围内与本报告所指的证券或投资标的不存在法律禁止的利害关系在法律许可的情况下华泰可能会持有报告中提到的公司所发行的证券头寸并进行交易为该公司提供投资银行财务顾问或者金融产品等相关服务或向该公司招揽业务华泰的销售人员交易人员或其他专业人士可能会依据不同假设和标准采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和或交易观点华泰没有将此意见及建议向报告所有接收者进行更新的义务华泰的资产管理部门自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策投资者应当考虑到华泰及或其相关人员可能存在影响本报告观点客观性的潜在利益冲突投资者请勿将本报告视为投资或其他决定的唯一信赖依据有关该方面的具体披露请参照本报告尾部本报告并非意图发送发布给在当地法律或监管规则下不允许向其发送发布的机构或人员也并非意图发送发布给因可得到使用本报告的行为而使华泰违反或受制于当地法律或监管规则的机构或人员本报告版权仅为本公司所有未经本公司书面许可任何机构或个人不得以翻版复制发表引用或再次分发他人无论整份或部分等任何形式侵犯本公司版权如征得本公司同意进行引用刊发的需在允许的范围内使用并需在使用前获取独立的法律意见以确定该引用刊发符合当地适用法规的要求同时注明出处为华泰证券研究所且不得对本报告进行任何有悖原意的引用删节和修改本公司保留追究相关责任的权利所有本报告中使用的商标服务标记及标记均为本公司的商标服务标记及标记中国香港本报告由华泰证券股份有限公司制作在香港由华泰金融控股香港有限公司向符合证券及期货条例及其附属法律规定的机构投资者和专业投资者的客户进行分发华泰金融控股香港有限公司受香港证券及期货事务监察委员会监管是华泰国际金融控股有限公司的全资子公司后者为华泰证券股份有限公司的全资子公司在香港获得本报告的人员若有任何有关本报告的问题请与华泰金融控股香港有限公司联系免责声明和披露以及分析师声明是报告的一部分请务必一起阅读11计算机香港-重要监管披露华泰金融控股香港有限公司的雇员或其关联人士没有担任本报告中提及的公司或发行人的高级人员有关重要的披露信息请参华泰金融控股香港有限公司的网页httpswwwhtsccomhkstockdisclosure其他信息请参见下方美国-重要监管披露美国在美国本报告由华泰证券美国有限公司向符合美国监管规定的机构投资者进行发表与分发华泰证券美国有限公司是美国注册经纪商和美国金融业监管局FINRA的注册会员对于其在美国分发的研究报告华泰证券美国有限公司根据1934年证券交易法修订版第15a-6条规定以及美国证券交易委员会人员解释对本研究报告内容负责华泰证券美国有限公司联营公司的分析师不具有美国金融监管FINRA分析师的注册资格可能不属于华泰证券美国有限公司的关联人员因此可能不受FINRA关于分析师与标的公司沟通公开露面和所持交易证券的限制华泰证券美国有限公司是华泰国际金融控股有限公司的全资子公司后者为华泰证券股份有限公司的全资子公司任何直接从华泰证券美国有限公司收到此报告并希望就本报告所述任何证券进行交易的人士应通过华泰证券美国有限公司进行交易美国-重要监管披露分析师谢春生本人及相关人士并不担任本报告所提及的标的证券或发行人的高级人员董事或顾问分析师及相关人士与本报告所提及的标的证券或发行人并无任何相关财务利益本披露中所提及的相关人士包括FINRA定义下分析师的家庭成员分析师根据华泰证券的整体收入和盈利能力获得薪酬包括源自公司投资银行业务的收入华泰证券股份有限公司其子公司和或其联营公司及或不时会以自身或代理形式向客户出售及购买华泰证券研究所覆盖公司的证券衍生工具包括股票及债券包括衍生品华泰证券研究所覆盖公司的证券衍生工具包括股票及债券包括衍生品华泰证券股份有限公司其子公司和或其联营公司及或其高级管理层董事和雇员可能会持有本报告中所提到的任何证券或任何相关投资头寸并可能不时进行增持或减持该证券或投资因此投资者应该意识到可能存在利益冲突本报告所载的观点结论和建议仅供参考不构成购买或出售所述证券的要约或招揽亦不试图促进购买或销售该等证券如任何投资者为美国公民取得美国永久居留权的外国人根据美国法律所设立的实体包括外国实体在美国的分支机构任何位于美国的个人该等投资者应当充分考虑自身特定状况不以任何形式直接或间接地投资本报告涉及的投资者所在国相关适用的法律法规所限制的企业的公开交易的证券其衍生证券及用于为该等证券提供投资机会的证券的任何交易该等投资者对依据或者使用本报告内容所造成的一切后果华泰证券股份有限公司华泰金融控股香港有限公司华泰证券美国有限公司及作者均不承担任何法律责任评级说明投资评级基于分析师对报告发布日后6至12个月内行业或公司回报潜力含此期间的股息回报相对基准表现的预期A股市场基准为沪深300指数香港市场基准为恒生指数美国市场基准为标普500指数具体如下行业评级增持预计行业股票指数超越基准中性预计行业股票指数基本与基准持平减持预计行业股票指数明显弱于基准公司评级买入预计股价超越基准15以上增持预计股价超越基准515持有预计股价相对基准波动在-155之间卖出预计股价弱于基准15以上暂停评级已暂停评级目标价及预测以遵守适用法规及或公司政策无评级股票不在常规研究覆盖范围内投资者不应期待华泰提供该等证券及或公司相关的持续或补充信息免责声明和披露以及分析师声明是报告的一部分请务必一起阅读12计算机法律实体披露中国华泰证券股份有限公司具有中国证监会核准的证券投资咨询业务资格经营许可证编号为91320000704041011J香港华泰金融控股香港有限公司具有香港证监会核准的就证券提供意见业务资格经营许可证编号为AOK809美国华泰证券美国有限公司为美国金融业监管局FINRA成员具有在美国开展经纪交易商业务的资格经营业务许可编号为CRD298809SEC8-70231华泰证券股份有限公司南京北京南京市建邺区江东中路228号华泰证券广场1号楼邮政编码210019北京市西城区太平桥大街丰盛胡同28号太平洋保险大厦A座18层邮政编码100032电话862583389999传真862583387521电话861063211166传真861063211275电子邮件ht-rdhtsccom电子邮件ht-rdhtsccom深圳上海深圳市福田区益田路5999号基金大厦10楼邮政编码518017上海市浦东新区东方路18号保利广场E栋23楼邮政编码200120电话8675582493932传真8675582492062电话862128972098传真862128972068电子邮件ht-rdhtsccom电子邮件ht-rdhtsccom华泰金融控股香港有限公司香港中环皇后大道中99号中环中心58楼5808-12室电话852-3658-6000传真852-2169-0770电子邮件researchhtsccomhttpwwwhtsccomhk华泰证券美国有限公司美国纽约公园大道280号21楼东纽约10017电话212-763-8160传真917-725-9702电子邮件Huataihtsc-uscomhttpwwwhtsc-uscom版权所有2023年华泰证券股份有限公司免责声明和披露以及分析师声明是报告的一部分请务必一起阅读13