GPU：算力的核心硬件，海外绝对垄断。根据Verified Market Research数据，2021年全球GPU市场规模为334.7亿美金，预计到2030年将达到4473.7亿美金，期间CAGR 33.3%。全球GPU市场目前被海外企业垄断，根据Jon Peddie Research数据，2022年四季度PCGPU中，英特尔/英伟达/AMD份额分别为71%/17%/12%；2022Q4独立GPU中，英特尔/英伟达/AMD份额分别为6%/85%/9%，全球范围内GPU市场呈现出海外三巨头垄断局面。
　　LLM模型带动算力需求。LLM模型的训练需要大量的计算资源和海量的文本数据，因此需要使用分布式计算和大规模数据处理技术。例如，GPT-3模型拥有约1750亿参考量，这使得GPT-3拥有其他较少参考量模型来说更高的准确性：仅需少量的样本训练就能够接近于BETR模型使用大量样本训练后的效果。但同时，如果以英伟达旗舰级GPU产品A100对GPT-3进行训练，1024块A100卡需要耗费超过1个月（大于30天），则我们可以按比例计算出，如果需要单日完成训练，需要的A100数量将超过30000块。我们认为，LLM模型无论在性能还是在学习能力上，相较于其他模型都具备明显优势，未来或将成为行业趋势，同时大规模的训练模型与之对应的便是庞大的算力需求。
　　服务器：GPU市场的重要增长动力。服务器中GPU由于其具有最强的计算能力同时具备深度学习等能力，目前成为服务器中加速芯片的首选。AI服务器中GPU单品类硬件价值量占比较高：我们以Nvidia DGXA100为例，通过计算我们发现其GPU价值量占比约为48.24%。根据TrendForce数据，截止2022年全球搭载GPGPU的AI服务器出货量占整体服务器比重约1%，同时TrendForce预测2023年伴随AI相关应用加持，年出货量增速达到8%，2022~2026年CAGR为10.8%。我们假设训练AI服务器和推理AI服务器的比例为1:4，计算得到2023/2026年训练服务器的数量大约为3.60/5.00万台。同时假设推理AI服务器和训练AI服务器使用的GPU数量分别为4张和8张，算出2023年和2026年全球AI服务器领域所需GPU数量约为86.4万张和120万张，以A100约1.20w美金的价格作为参考计算出2023年和2026年AI服务器所需GPU的价值分别为103.7亿美元和144.0亿美元。
　　硬件国产化迫在眉睫！2022年8月，美国政府通知英伟达，其需要获得许可才能够向中国和俄罗斯出口任何基于最新架构的A100 GPU或DGX/HGX等系统，同时该项规定也同时适用于最新发布的H100 GPU或者实现类似功能的产品。国内公司百度旗下大模型ERNIE 3.0 Titan参数量达到2600亿，高于GPT-3的1750亿，其所需的同规格GPU数量将远大于GPT-3，根据比例我们可以计算出在相同时间下（超过一个月）ERNIE 3.0 Titan所需A100数量约为1522块。同时我们认为，未来AI倘若进入大模型时代，相关算力需求将快速增加，届时对于国产高算力GPU需求将进一步提升，所以说GPU国产化进程迫在眉睫。
　　优秀国产GPU公司不断涌现。目前包括景嘉微、沐曦集成电路、壁仞科技、摩尔线程在内一批优秀的国产GPU公司不断涌现，通过对比我们发现：在单精度浮点运算性能（FP32）算力中，国内外厂商均处于TFLOPS量级，海外龙头英伟达和AMD旗舰信号H100 SXM和MI250x分别实现FP32算力67 TFLOPS和47.9TFLOPS。国内摩尔线程最高FP32算力产品MTTS3000，算力为15.2 TFLOPS；壁仞科技壁砺？100P产品最高实现240 TFLOPS的FP32算力；芯动科技“风华1号”产品实现FP32算力5 TFLOPS。通过对比我们发现在大部分情况下国产GPGPU相较于海外旗舰款仍存在差距。
　　标的推荐：景嘉微、寒武纪、芯原股份、海光信息。
　　风险提示：下游需求不及预期，国产化进程不及预期，测算误差风险。