300065 海兰信 指标依旧
技术面: 指标方向不改,在推荐基本面:之前推荐帖子链接
http://bbs.macd.cn/thread-2826743-1-1.html
参考以下补充资料
战略级政策频吹春风,中国“芯”有望借AI芯片弯道超车。我国传统芯片产业长期落后美日韩等发达国家,尽管占有9成以上PC和智能手机的制造量,但芯片自给率仅10%左右。而产业向AI芯片的升级带来了绝佳机会,寒武纪、海思等优势企业有望推动中国“芯”实现弯道超车。近年国家战略级政策对AI芯片相关产业频吹春风,国内终端市场大,国产AI芯片有望借国产化趋势与智能手机、安防摄像头等终端率先形成放量。
深度学习要求极高的并行计算能力,大数据、算力、训练方法等领域的突破使AI芯片作为上游产业率先爆发。人工神经网络通过训练与预测的过程实现应用,对并行计算能力要求高,训练偏好高性能,应用对简单指令重复计算和及时性要求高。随着大数据存取、算力以及深度学习训练方法等方面的瓶颈被突破,芯片作为AI领域的上游成为了率先爆发的产业。
CPU难以满足并行计算要求,AI芯片站上舞台。CPU的串行结构难以应对AI计算在简单指令下的并行算力要求,AI芯片应运而生。其中,GPU因其易编程性和良好的并行计算能力最早最广泛被应用于AI计算。
AI芯片各有千秋,非冯架构下的非类脑芯片占据上风,GPU仍是主流,FPGA和ASIC增速较快。按照是否为冯诺依曼架构及是否为类脑芯片可对市场中用于AI计算的芯片进行分类:冯诺依曼架构下均是非类脑芯片,主要包括传统的CPU和GPU;非冯架构下包括类脑与非类脑芯片,其中非类脑芯片包含ASIC(寒武纪、谷歌TPU等)、FPGA和部分新GPU(Nvidia的Tesla系列等),类脑芯片包括IBM的TrueNorth等。在主要的AI芯片中,GPU峰值性能高、通用性好,但功耗大,适用于数据中心和训练过程;FPGA效率高、灵活性好,但峰值性能弱、成本高,适用虚拟化云平台和预测过程;ASIC效率高、功耗比佳,但量产前成本高,适用智能终端和AI平台;类脑芯片能耗低、感知力强,但缺乏训练、精度低。
英伟达新推Volta架构,GPU有望保持领导地位,Intel加码CPU+FPGA,而以寒武纪为代表的ASIC厂商在终端的落地前景更为广阔。英伟达Volta架构提升了GPU预测效率,Intel不断推进CPU+FPGA架构,未来或呈现GPU发展高端复杂算法、高性能计算和数据中心;ASIC发展智能终端、AI平台与算法IP化;FPGA应用于变化较快的行业应用和虚拟化云平台这样的格局,其中注重终端寒武纪等ASIC的落地前景更为广阔。
预祝成功 欢迎参赛，预祝成功！
页:
[1]