华为、高通均推出边缘AI产品，有望推动AI大模型在边缘端落地，并验证了通过模型压缩+联网智能实现高性能边缘AI的可能性。此外存算一体+新型存储有望将边缘端功耗成数量级降低，有利于边缘AI发展。建议关注智能物联网模组厂商中科创达、移远通信、广和通、美格智能，以及存算一体芯片厂商恒烁股份。
　　▍华为、高通发力边缘AI，模型压缩+联网查询打破算力约束。据上海证券报，3月23日举行的华为春季旗舰新品发布会上，华为带来智慧搜图功能，基于多模态大模型技术，在手机端侧对模型进行小型化处理，实现了自然语言手机图库搜索体验。据华为常务董事余承东介绍，用户可使用自然语言在手机图库中搜索出匹配的照片。此外高通中国于3月2日发布全球首个运行在Android手机上的Stable Diffusion终端侧演示。华为与高通一定程度上验证了高性能边缘AI的可行性，并且表明通过模型压缩+联网智能的方式有望在边缘端实现AI大模型的体验。在华为与高通的示范效应下，我国智能物联网模组相关企业有望获得发展。移远通信、广和通、美格智能均有带有15TOPS以上AI算力的无线物联网模组，中科创达则有望直接受益于高通智能物联网业务发展。
　　▍存算一体解决功耗问题，新型存储有望发展。功耗问题是边缘AI发展的一大约束条件，而根据智芯科微电子等公司统计，90%以上能量消耗来自数据搬运。为解决功耗问题，存算一体方案应运而生，免去了频繁的数据读写，直接在存储单元内完成数据计算，实现能效的数量级提升。特斯拉FSD芯片是边缘端存算一体芯片的典型代表。而新型存储如RRAM、MRAM、PCRAM等同时结合了高速随机读写、非易失、小面积等特性，更加适配存算一体需求。恒烁股份是A股稀缺的存算一体芯片供应商，具备一定的发展前景。
　　▍风险因素：模型压缩效果不及预期；存算一体技术发展不及预期；新型存储器产业化进度不及预期。
　　▍投资建议。华为、高通等企业推出边缘AI产品，验证边缘AI逻辑。为让大模型应用在边缘计算领域，算力与功耗两大瓶颈均需突破。算力不足的问题可通过模型压缩+联网方案进行解决，此领域主要建议关注智能物联网模组相关企业，如中科创达、移远通信、广和通、美格智能。高功耗低能效问题可以通过存算一体方案得以解决，新型存储在存算一体芯片领域具备优势，建议关注存算一体芯片企业恒烁股份。

研究报告全文：边缘AI崛起看好智能物联存算一体计算机行业智能网联系列报告272023324中信证券研究部核心观点华为高通均推出边缘AI产品有望推动AI大模型在边缘端落地并验证了通过模型压缩联网智能实现高性能边缘AI的可能性此外存算一体新型存储有望将边缘端功耗成数量级降低有利于边缘AI发展建议关注智能物联网模组厂商中科创达移远通信广和通美格智能以及存算一体芯片厂商恒烁股份华为高通发力边缘AI模型压缩联网查询打破算力约束据上海证券报3杨泽原月日举行的华为春季旗舰新品发布会上华为带来智慧搜图功能基于多模计算机行业首席23分析师态大模型技术在手机端侧对模型进行小型化处理实现了自然语言手机图库搜S1010517080002索体验据华为常务董事余承东介绍用户可使用自然语言在手机图库中搜索出匹配的照片此外高通中国于3月2日发布全球首个运行在Android手机上的StableDiffusion终端侧演示华为与高通一定程度上验证了高性能边缘AI的可行性并且表明通过模型压缩联网智能的方式有望在边缘端实现AI大模型的体验在华为与高通的示范效应下我国智能物联网模组相关企业有望获得发展移远通信广和通美格智能均有带有15TOPS以上AI算力的无线物联网模组中科创达则有望直接受益于高通智能物联网业务发展黄亚元存算一体解决功耗问题新型存储有望发展功耗问题是边缘AI发展的一大约通信行业首席束条件而根据智芯科微电子等公司统计90以上能量消耗来自数据搬运为分析师解决功耗问题存算一体方案应运而生免去了频繁的数据读写直接在存储单S1010520040001元内完成数据计算实现能效的数量级提升特斯拉FSD芯片是边缘端存算一体芯片的典型代表而新型存储如RRAMMRAMPCRAM等同时结合了高速随机读写非易失小面积等特性更加适配存算一体需求恒烁股份是A股稀缺的存算一体芯片供应商具备一定的发展前景风险因素模型压缩效果不及预期存算一体技术发展不及预期新型存储器产业化进度不及预期丁奇投资建议华为高通等企业推出边缘AI产品验证边缘AI逻辑为让大模型云基础设施行业应用在边缘计算领域算力与功耗两大瓶颈均需突破算力不足的问题可通过模首席分析师型压缩联网方案进行解决此领域主要建议关注智能物联网模组相关企业如S1010519120003中科创达移远通信广和通美格智能高功耗低能效问题可以通过存算一体方案得以解决新型存储在存算一体芯片领域具备优势建议关注存算一体芯片企业恒烁股份计算机行业评级强于大市维持重点公司盈利预测估值及投资评级收盘价EPS元PE简称代码评级元21A22E23E24E21A22E23E24E中科创达300496SZ1152014116822128182695241买入移远通信603236SH1173718932144261262372719买入广和通300638SZ229009709012116024251914买入美格智能002881SZ325606407211316767462920-恒烁股份688416SH5500238031114191-1474829-资料来源Wind中信证券研究部预测注股价为2023年3月23日收盘价元美格智能恒烁股份为wind一致预期证券研究报告请务必阅读正文之后第11页起的免责条款和声明计算机行业智能网联系列报告272023324算力与功耗两大约束限制边缘AI应用当前公众对AI大模型的能力以及潜力已经具备一定认知诸多大企业也纷纷进行AI大模型相关开发然而随之而来的是巨大的算力消耗以及大量耗电模型使用的GPGPU动辄数百瓦功耗上万GPU组成集群后功耗可达兆瓦级别图1高算力往往伴随高功耗资料来源苹芯科技CTO章尧君智东西公开课AI大模型对算力以及功耗的高要求导致其往往只能运行在云端而对于边缘端场景则难以实际应用在此情况下如能降低AI算力需求和功耗需求则有助于AI进入边缘端市场打开广阔的市场空间算力需求方面主要靠压缩模型规模降低算力需求或采用联网方式降低本地算力需求而功耗方面则可以从硬件入手采用存算一体的方式打破功耗瓶颈其中新型存储器也有望发挥作用大模型压缩解决边缘AI算力不足问题以GPT-3GPT-4为代表的以Transformer架构为基础的生成式预训练大模型通常具备较多的参数以GPT-3为例其具备1750亿参数我们假设推理端采用FP16数据格式每FP16数据占2字节空间则1750亿参数需要约326GB的显存根据腾讯太极机器学习平台知乎官方账号的介绍万亿级模型的训练仅参数和优化器便需要17TB以上的存储空间至少需要425张40G显存的A100所以在推理部署上尤其是边端智能模型需要通过剪枝蒸馏量化等方法进行压缩模型压缩主要有量化剪枝蒸馏等方法其中量化指采用低精度数据格式比如FP32降低到FP16INT8等来降低存储空间剪枝指对神经网络结构进行调整通过移除重要性较低的参数和网络结构来降低网络的大小蒸馏则指通过类似上课的方式将大模型作为教师模型用其输出来训练更小的学生模型从而达到体积降低性能接近的效果请务必阅读正文之后的免责条款和声明2计算机行业智能网联系列报告272023324图2模型知识蒸馏原理资料来源PrakharGaneshTowardsDataScience中信证券研究部GPT量化上较为常用的方法为ISTA和ETHZurich共同发表的GPTQOPTQ能将FP16位宽减少到3-4位同时保证精度基本保持稳定图中红线较为接近黑线OPTQ用于GPT-3能使得模型在A100上的推理速度比FP16位宽为16位加速约325倍图3OPT-175B1750亿参数在四位宽的OPTQ量化后能保证精度基本稳定资料来源EliasFrantarSalehAshkboosTorstenHoeflerDanAlistarhOPTQACCURATEPOST-TRAININGQUANTIZATIONFORGENERATIVEPRE-TRAINEDTRANSFORMERS目前针对GPT模型的剪枝算法走的较为靠前的研究为2023年1月ISTA提出的SparseGPT其可以将目前开源的GPT-175B模型剪枝到50-60的稀疏度而不需要重新训练消耗大量算力且同时保持不错的精度如将SparseGPT与4位宽OPTQGPTQ结合就可以在同时降低参数近千亿和大幅降低位宽的情况下保持性能相近请务必阅读正文之后的免责条款和声明3计算机行业智能网联系列报告272023324图4SparseGPT实现50稀疏度与原模型性能近似图550稀疏度SparseGPT剪枝与4bit量化结合能降低千亿参数资料来源EliasFrantarDanAlistarhMassiveLanguageModels资料来源EliasFrantarDanAlistarhMassiveLanguageModelsCanBeAccuratelyPrunedinOne-ShotCanBeAccuratelyPrunedinOne-Shot中信证券研究部知识蒸馏则是对大模型向细分领域拓展的有力武器通过专注于单一领域大模型可以作为教师模型教导细分领域的学生模型将自身的能力赋能给小模型实现对模型的压缩对ChatGPT的尝试目前仍处于早期较为前沿的研究有SODAMillion-scaleDialogueDistillationwithSocialCommonsenseContextualizationHyunwooKimJackHesselLiweiJiangetc其通过对InstructGPTChatGPT的基础模型的知识蒸馏以110亿参数实现了在日常对话中与InstructGPT近似的能力图6基于InstructGPT知识蒸馏形成的学生模型相比其他小模型体现了对背景的理解能力资料来源HyunwooKimJackHesselLiweiJiangetcSODAMillion-scaleDialogueDistillationwithSocialCommonsenseContextualization中信证券研究部请务必阅读正文之后的免责条款和声明4计算机行业智能网联系列报告272023324但在模型压缩的同时通常也会有一定的性能损失尤其是大模型的一些涌现能力需要一定的参数量才能出现因此在部分场景下压缩小模型可能出现能力不足在终端设备具备联网能力的前提下也可以通过网络端获取大模型支持图7大模型的涌现能力资料来源JasonWeiYiTayRishiBommasanietcEmergentAbilitiesofLargeLanguageModels在模型压缩等技术的帮助下边缘端智能目前已经取得长足发展未来有望进一步打开市场空间据上海证券报报道在3月23日举行的华为春季旗舰新品发布会上华为带来全新智慧搜图功能基于多模态大模型技术在手机端侧对模型进行小型化处理在业界实现了首创的精准的自然语言手机图库搜索体验据华为常务董事余承东介绍借助智慧搜图功能用户可以像与人对话一样通过语音使用自然语言在手机图库中搜索出匹配的照片智慧搜图功能将于2023年5月陆续上线此外高通中国于3月2日发布全球首个运行在Android手机上的StableDiffusion终端侧演示将AI绘图功能推向边缘端我们估计华为发布的智慧搜图功能以及高通的手机AI绘图功能可能综合利用多种模型压缩技术在尽量保持模型性能的前提下使得模型尽可能小从而能够运行在边缘端设备上同时在对AI性能需求较高的场景下也可能利用联网来获取大模型支持综上所述小模型联网智能是当前一类主流方案国内各家物联网模组厂商已经在此方向推出产品有望在边缘AI领域获得市场地位例如移远通信智能模块在常见的各类无线连接以及ARM核心基础上额外包含了DSPVPUISPNPU等模块在具备联网功能的同时又具备AI算力其NPU能够进行15TOPS的AI运算支持边缘AI运行请务必阅读正文之后的免责条款和声明5计算机行业智能网联系列报告272023324广和通也推出AI模组其SCA825模组也兼具联网功能和AI算力其算力支持也达到15TOPS图8移远通信智能模块SG865W-WF带有15TOPSAI算力图9广和通AI模组SCA825-W带有15TOPSAI算力资料来源移远通信官网资料来源广和通官网美格智能SNM960系列AI模组中的CPU采用4nm制程集成AdrenoDPU和VPU最高支持8K30fps视频编码或8K60fps视频解码集成AdrenoGPU730支持OpenGLES32Vulkan12OpenCL20集成高通神经网络处理单元QualcommHexagonTensorProcessorAI算力超过27Tops产品可广泛应用于视频会议系统VRCamera智能机器人视频监控安防监控智能信息采集设备直播终端等产品图10美格智能高算力AI模组SNM960支持27TOPSAI算力资料来源美格智能官网此外中科创达也有望在边缘智能发展过程中受益中科创达与高通在2016年共同出资设立创通联达该子公司在边缘智能领域基于多款自研边缘计算盒子IoTHarbor设备管理平台和ModelFarm低代码AI开发平台为行业客户提供端边云一体解决方案请务必阅读正文之后的免责条款和声明6计算机行业智能网联系列报告272023324存算一体解决边缘AI功耗问题模型压缩与联网能够在一定程度上解决算力问题但边缘AI面临的功耗问题仍未得到解决而功耗问题是通常的冯诺依曼架构难以解决的其关键就在于冯诺依曼架构需要大量的存储器读写根据杭州智芯科微电子公司的统计冯诺依曼架构的芯片中90的功耗发生在数据传输与读写的过程中而如果采用存内计算理论上能够有2-3个数量级的能效提升图11算力高功耗关键在于存储器读写资料来源杭州智芯科微电子创始人兼CEO张钟宣智东西公开课存算一体节约功耗的核心原因在于其大幅减少了数据搬运无需经过多层级的存储对于数字存算一体架构来说数据只需在相邻计算单元间流动例如谷歌TPU的脉动阵列部分或特斯拉FSD芯片的NPU部分对于模拟存算一体架构来说例如恒烁股份存算一体芯片原理更简单只需将神经网络的权值映射到FLASH阵列然后将输入转化为电压输入到FLASH阵列进行模拟计算采集到的输出电流即为计算结果图12冯诺依曼架构与存算一体架构区别图13特斯拉FSD芯片Dieshot资料来源恒烁股份基于NORFlash的存算一体AI推理芯片资料来源CleanTechnica请务必阅读正文之后的免责条款和声明7计算机行业智能网联系列报告272023324目前存算一体架构在AI计算领域的优势已经得到显现国内涌现出一批深耕存算一体片的公司云端边端均有恒烁股份是其中一个典型代表也是A股稀缺的存算一体芯片厂商其基于NORFLASH存算一体架构做到两点第一FLASH单元同时是存储单元又是计算单元消除了神经网络权重的内存移动极大降低了功耗提高了能效比第二每个flash相当于一个乘法器执行矩阵运算时有几万个乘法累加并行进行大大提高了吞吐量图14存算一体芯片赛道企业一览资料来源陈巍知乎中信证券研究部当前的存算一体技术路径中既有使用DRAMSRAMNOR等传统存储器的方案也有使用RRAMPCMMRAM等新型存储器的方案新型存储能够极大加强存算一体芯片的优势图15目前主流存储技术与新型存储技术对比资料来源李晨光半导体行业观察谈谈新型存储传统存储中SRAM和DRAM是易失性存储器需要持续供电来保存数据仍存在功耗和可靠性的问题且SRAM消耗晶体管数量多面积过大导致成本高DRAM则因为有电容的存在导致速度缓慢而传统非易失存储则需要电子注入浮栅等高电压操作导致写入速度过慢功耗过高请务必阅读正文之后的免责条款和声明8计算机行业智能网联系列报告272023324新型存储器融合了高速随机读写小面积与非易失性完美适配存算一体芯片的需求模拟存算一体芯片是通过阻值变化来存储数据而存储器加载的电压等于电阻和电流的乘积相当于每个单元可以实现一个乘法运算再汇总相加便可以实现矩阵乘法所以新型存储器天然具备存储和计算的属性在这种情况下同一单元就可以完成数据存储和计算消除了数据访存带来的延迟和功耗是真正意义上的存算一体数字存算一体芯片也可以利用新型存储的高速非易失面积小的特性实现明显的功耗降低和生产成本降低风险因素1模型压缩效果不及预期2存算一体技术发展不及预期3新型存储器产业化进度不及预期投资策略为让大模型应用在边缘计算领域算力与功耗两大瓶颈均需突破算力不足的问题可通过模型压缩联网方案进行解决此领域主要建议关注智能物联网模组相关企业如移远通信广和通美格智能以及高通边缘智能核心合作伙伴中科创达高功耗低能效问题可以通过存算一体方案得以解决新型存储在存算一体芯片领域具备优势建议关注存算一体芯片企业恒烁股份表1边缘AI领域部分相关公司盈利预测收盘价EPS元PE简称代码评级元21A22E23E24E21A22E23E24E中科创达300496SZ1152014116822128182695241买入移远通信603236SH1173718932144261262372719买入广和通300638SZ229009709012116024251914买入美格智能002881SZ325606407211316767462920-恒烁股份688416SH5500238-114191-1474829-资料来源Wind中信证券研究部预测注股价为2023年3月23日收盘价元美格智能与恒烁股份为wind一致预期请务必阅读正文之后的免责条款和声明9计算机行业智能网联系列报告272023324相关研究计算机行业核心云系列专题12从微软GPT看金山办公等国产软件潜力2023-03-21计算机行业核心云系列专题11华为METAERP催化国产ERP实施受益2023-03-19计算机行业核心云系列专题10龙头厂商稳筑ERP生态2023-03-14计算机行业智能网联系列报告26GPT大模型多模态应用展望2023-03-12计算机行业重大事项点评组建国家数据局数字中国步入快车道2023-03-08计算机行业智能网联系列报告25AIGC给APM领域带来的投资机遇2023-03-05计算机行业投资策略大安全投资机遇展望2023-02-28计算机行业智能网联系列报告24华为昇腾AI超算领军大模型核心受益2023-02-16计算机行业构筑中国科技基石系列报告25GPU研究框架100页2023-02-13计算机行业智能网联系列报告23ChatGPT引领创成式AI新变革2023-02-06计算机行业产业互联网系列-金融篇4全面注册制改革启动证券资管IT景气加速2023-02-02计算机行业2022Q4基金重仓分析专题创新起点配置拐点2023-01-30计算机行业信息安全专题6数据安全信息安全新增长极2023-01-16计算机行业2023年投资策略站在创新周期起点2023-01-10计算机行业智能网联系列专题22从2022广州车展看汽车智能化发展趋势2023-01-03计算机行业重大事项点评数据二十条里程碑落地2022-12-20策略会论坛材料激光雷达产业的投资机遇PPT2022-12-08计算机行业产业互联网专题-医疗篇10多地优化防控措施把握板块预期改善机遇2022-12-05计算机行业产业互联网能源篇2电力现货市场推进关注电力IT投资机遇2022-11-27产业互联网专题-医疗篇9医疗信息化建设有望提级提速2022-11-10计算机行业重大事项点评矿山安全信息化建设有望提速2022-11-03计算机行业重大事项点评关注政务大数据投资机遇2022-11-02计算机行业重大事项点评虚拟现实与行业应用融合迎来加速发展2022-11-02计算机行业2022Q3基金重仓分析专题云与信创获增持板块拐点渐至2022-10-28计算机行业构筑中国科技基石系列报告24战略布局大安全2022-10-27计算机行业构筑中国科技基石系列报告23数据库关键三问深度解读2022-10-18计算机行业构筑中国科技基石系列报告22信创产业继续看好战略机遇2022-10-14请务必阅读正文之后的免责条款和声明10分析师声明主要负责撰写本研究报告全部或部分内容的分析师在此声明i本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法ii该分析师所得报酬的任何组成部分无论是在过去现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系一般性声明本研究报告由中信证券股份有限公司或其附属机构制作中信证券股份有限公司及其全球的附属机构分支机构及联营机构仅就本研究报告免责条款而言不含CLSAgroupofcompanies统称为中信证券本研究报告对于收件人而言属高度机密只有收件人才能使用本研究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该研究报告的人员本研究报告仅为参考之用在任何地区均不应被视为买卖任何证券金融工具的要约或要约邀请中信证券并不因收件人收到本报告而视其为中信证券的客户本报告所包含的观点及建议并未考虑个别客户的特殊状况目标或需要不应被视为对特定客户关于特定证券或金融工具的建议或策略对于本报告中提及的任何证券或金融工具本报告的收件人须保持自身的独立判断并自行承担投资风险本报告所载资料的来源被认为是可靠的但中信证券不保证其准确性或完整性中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任本报告提及的任何证券或金融工具均可能含有重大的风险可能不易变卖以及不适合所有投资者本报告所提及的证券或金融工具的价格价值及收益可跌可升过往的业绩并不能代表未来的表现本报告所载的资料观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断可以在不发出通知的情况下做出更改亦可因使用不同假设和标准采用不同观点和分析方法而与中信证券其它业务部门单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反中信证券并不承担提示本报告的收件人注意该等材料的责任中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域单位集团及其他附属机构的流动负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定分析师的薪酬不是基于中信证券投资银行收入而定但是分析师的薪酬可能与投行整体收入有关其中包括投资银行销售与交易业务若中信证券以外的金融机构发送本报告则由该金融机构为此发送行为承担全部责任该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议中信证券以及中信证券的各个高级职员董事和员工亦不为前述金融机构之客户因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任评级说明投资建议的评级标准评级说明报告中投资建议所涉及的评级分为股票评级和行业评级买入相对同期相关证券市场代表性指数涨幅20以上另有说明的除外评级标准为报告发布日后6到12个增持相对同期相关证券市场代表性指数涨幅介于520之间月内的相对市场表现也即以报告发布日后的6到12个股票评级月内的公司股价或行业指数相对同期相关证券市场代持有相对同期相关证券市场代表性指数涨幅介于-105之间表性指数的涨跌幅作为基准其中A股市场以沪深300卖出相对同期相关证券市场代表性指数跌幅10以上指数为基准新三板市场以三板成指针对协议转让标的或三板做市指数针对做市转让标的为基准香港市场强于大市相对同期相关证券市场代表性指数涨幅10以上以摩根士丹利中国指数为基准美国市场以纳斯达克综合行业评级中性相对同期相关证券市场代表性指数涨幅介于-1010之间指数或标普500指数为基准韩国市场以科斯达克指数或韩国综合股价指数为基准弱于大市相对同期相关证券市场代表性指数跌幅10以上11特别声明在法律许可的情况下中信证券可能1与本研究报告所提到的公司建立或保持顾问投资银行或证券服务关系2参与或投资本报告所提到的公司的金融交易及或持有其证券或其衍生品或进行证券或其衍生品交易因此投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险本研究报告涉及具体公司的披露信息请访问httpsresearchciticsinfocomdisclosure法律主体声明本研究报告在中华人民共和国香港澳门台湾除外由中信证券股份有限公司受中国证券监督管理委员会监管经营证券业务许可证编号Z20374000分发本研究报告由下列机构代表中信证券在相应地区分发在中国香港由CLSALimited于中国香港注册成立的有限公司分发在中国台湾由CLSecuritiesTaiwanCoLtd分发在澳大利亚由CLSAAustraliaPtyLtd商业编号53139992331金融服务牌照编号350159分发在美国由CLSACLSAAmericasLLC除外分发在新加坡由CLSASingaporePteLtd公司注册编号198703750W分发在欧洲经济区由CLSAEuropeBV分发在英国由CLSAUK分发在印度由CLSAIndiaPrivateLimited分发地址8FDalamalHouseNarimanPointMumbai400021电话91-22-66505050传真91-22-22840271公司识别号U67120MH1994PLC083118在印度尼西亚由PTCLSASekuritasIndonesia分发在日本由CLSASecuritiesJapanCoLtd分发在韩国由CLSASecuritiesKoreaLtd分发在马来西亚由CLSASecuritiesMalaysiaSdnBhd分发在菲律宾由CLSAPhilippinesInc菲律宾证券交易所及证券投资者保护基金会员分发在泰国由CLSASecuritiesThailandLimited分发针对不同司法管辖区的声明中国大陆根据中国证券监督管理委员会核发的经营证券业务许可中信证券股份有限公司的经营范围包括证券投资咨询业务中国香港本研究报告由CLSALimited分发本研究报告在香港仅分发给专业投资者证券及期货条例香港法例第571章及其下颁布的任何规则界定的不得分发给零售投资者就分析或报告引起的或与分析或报告有关的任何事宜CLSA客户应联系CLSALimited的罗鼎电话85226007233美国本研究报告由中信证券制作本研究报告在美国由CLSACLSAAmericasLLC除外仅向符合美国1934年证券交易法下15a-6规则界定且CLSAAmericasLLC提供服务的主要美国机构投资者分发对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSAAmericasLLC在美国证券交易委员会注册的经纪交易商以及CLSA的附属公司新加坡本研究报告在新加坡由CLSASingaporePteLtd仅向新加坡财务顾问规例界定的机构投资者认可投资者及专业投资者分发就分析或报告引起的或与分析或报告有关的任何事宜新加坡的报告收件人应联系CLSASingaporePteLtd地址80RafflesPlace18-01UOBPlaza1Singapore048624电话6564167888因您作为机构投资者认可投资者或专业投资者的身份就CLSASingaporePteLtd可能向您提供的任何财务顾问服务CLSASingaporePteLtd豁免遵守财务顾问法第110章财务顾问规例以及其下的相关通知和指引CLSA业务条款的新加坡附件中证券交易服务C部分所披露的某些要求MCIP085112021加拿大本研究报告由中信证券制作对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书英国本研究报告归属于营销文件其不是按照旨在提升研究报告独立性的法律要件而撰写亦不受任何禁止在投资研究报告发布前进行交易的限制本研究报告在英国由CLSAUK分发且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士涉及到的任何投资活动仅针对此类人士若您不具备投资的专业经验请勿依赖本研究报告欧洲经济区本研究报告由荷兰金融市场管理局授权并管理的CLSAEuropeBV分发澳大利亚CLSAAustraliaPtyLtdCAPL商业编号53139992331金融服务牌照编号350159受澳大利亚证券与投资委员会监管且为澳大利亚证券交易所及CHI-X的市场参与主体本研究报告在澳大利亚由CAPL仅向批发客户发布及分发本研究报告未考虑收件人的具体投资目标财务状况或特定需求未经CAPL事先书面同意本研究报告的收件人不得将其分发给任何第三方本段所称的批发客户适用于公司法2001第761G条的规定CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASXAllOrdinaries指数成分股离岸市场上市证券未上市发行人及投资产品CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司印度CLSAIndiaPrivateLimited成立于1994年11月为全球机构投资者养老基金和企业提供股票经纪服务印度证券交易委员会注册编号INZ000001735研究服务印度证券交易委员会注册编号INH000001113和商人银行服务印度证券交易委员会注册编号INM000010619CLSA及其关联方可能持有标的公司的债务此外CLSA及其关联方在过去12个月内可能已从标的公司收取了非投资银行服务和或非证券相关服务的报酬如需了解CLSAIndia关联方的更多详情请联系Compliance-Indiaclsacom未经中信证券事先书面授权任何人不得以任何目的复制发送或销售本报告中信证券2023版权所有保留一切权利12