云計算正進入算力時代

供給端：數據存量增長與計算成本下降推動算力需求增長

? 信息技術快速發展與傳統產業數據化轉型帶來大量數據存量。隨著云計 算、大數據、物聯網、人工智能等信息技術的快速發展和傳統產業數字 化的轉型，數據量呈現幾何級增長，據IDC預測，全球數據總量預計2020 年達到 47 個 ZB，2025 年達到 163 個 ZB，其中預計 2020 年我國數據 量將達到 8060 個 EB，占全球數據總量的 18%。據智研咨詢統計，2015 年全球物聯網連接數約 60 億個，預計 2025 年全球物聯網連接數將增長 至 270 億個，物聯網設備數量將達到 1000 億臺。連接數的急速增長， 一方面意味著海量數據的產生，另一方面，連接設備往往還需要進行智 能計算，即產生相應的算力需求。

? 數據是 AI 學習的基礎，算力是必備條件，計算成本下降推動算力需求 增長。人工智能是指通過計算機來模擬人 的某些思維過程和智能行為（如學習、推理、思考、規劃等），主要應用 在訓練(training)和推理(inference)兩個環節。訓練需要通過大量的樣本 數據訓練建立輸入輸出的映射關系，以此進行推理。在 2010 年后，人 工智能在計算機視覺、語音識別領域取得重大突破，開始步入人工智能 爆發期。據 Tractica 的預測，2025 年人工智能市場規模將達 368 億美 元。$/GFLOPS 可以衡量計算成本（1GFLOPS=109FLOPS， FLPOS=Floating Point Operations Per Second，每秒十億次浮點運算 價格），根據 Wikipedia 的數據，$/GFLOPS 的 CAGR 約-37%，2017 年 6 月 AMD Ryzen 結合 AMD VEGA Frontier Edition 將$/GFLOPS 降 至 0.06 美元。海量數據為 AI 訓練提供的基礎，算力是 AI 推理的必備條 件，快速下降的計算成本為人工智能時代的爆發提供了技術基礎，推動 下游應用推廣，促使算力需求增長。

算力，即為計算能力。算力于我們而言，并不陌生，小至 PC 電腦， 大至超級計算機，算力其實一直存在我們的生活中，只是過去我們的日 常生活對算力的要求并不高，我們忽略了它。高算力的普及有兩個必要 因素，一個是數據，數據是算力的基礎，有了海量數據才可更好地進行 推理與學習，另一個是價格，唯有平常百姓負擔得起高算力的價格，算 力才有望走進千家萬戶。

因此，從供給端看，云計算、大數據、物聯網、人工智能等信息技 術的快速發展和傳統產業的數字化轉型，數據量呈現幾何級增長，帶來 了大量數據存量，同時，快速下降的計算成本也為算力普及做好了經濟 鋪墊，兩者共同推動算力需求的增長。

需求端：業務發展大大提升算力需求

? PC 互聯網—移動互聯網—物聯網的業務發展路徑。隨著人們需求的逐 漸增多，技術的逐步發展，ICT 行業各類業務接踵而出，遵循著 PC 互 聯網—移動互聯網—物聯網的業務發展路徑。在 PC 互聯網時代，出現 了以 Yahoo 為代表的搜索引擎，以 QQ 為代表的在線社交軟件，以阿里 巴巴為代表的電子商務，網絡游戲亦進入大型網游時代；隨著智能手機 的普及，3G/4G 網絡技術的發展，逐漸由 PC 互聯網發展至移動互聯網， 在移動互聯網時代，社交軟件由 QQ 逐漸變成微信，游戲由網游逐漸變 成手游，還有新浪微博、滴滴打車、支付寶、美團團購、映客、抖音等 多種應用軟件噴井而出，人們的生活在移動互聯網時代更為快速便捷； 當下，我們正面臨著一個新的轉折點，5G 技術的發展，芯片計算能力 的提升，為萬物互聯做好了技術鋪墊，在物聯網時代，我們的生活將實 現智能駕駛、智能家居、智能安防、智慧醫療等等多種大轉變。

? 未來業務對數據中心的計算要求大幅提升。數據中心是為客戶提供帶寬、 存儲、計算能力等需求的網絡基礎設施。對各個業務的三大需求進行分 析，我們發現，未來業務對于計算能力的要求正在大幅提升。從帶寬的 角度看，搜索引擎僅需要 320kbps 的帶寬，在線社交帶寬需求約 2mbps， 電子商務帶寬需求約 27mbps，而智能駕駛帶寬需求約 20gbps，帶寬要 求將提升上千倍。從存儲的角度看，在線地圖存儲需求約 28M，在線社 交存儲需求約 100M，網絡游戲存儲需求約 8G，而區塊鏈存儲需求將達 到 14G，存儲要求翻倍增長；從計算能力的角度看，基因測序工作就是 要通過大規模的計算分析從海量的數據信息中辨識載有的基因及其序列， 最終獲取遺傳信息，算力要求極高，區塊鏈方面，根據 BTC.com 的數 據，2018 年比特幣全網算力將達到 23EB，相比 2010 年，提升超過 20 倍。我們可以看到，對于帶寬、存儲、計算能力三種需求，有些業務要 求高帶寬低存儲，比如智能駕駛，有些業務要求低帶寬高存儲，比如智 慧醫療，但是無論什么類型的業務，未來業務對于數據中心計算能力的 要求均顯著提升。

從需求端看，ICT 行業遵循著 PC 互聯網—移動互聯網—物聯網的業務發展路徑，業務類型從傳統的視頻、社交、門戶等逐步過渡到以 AI、 區塊鏈、智能駕駛、醫療基因等業務類型，算力需求成為大化差異， 傳統業務一般對存儲和訪問帶寬需求要求較高，但對專業算力需求較低， 未來算力需求將成為重點。

算力的安迪-比爾定律

? 算力能力的提升與應用能力的提升互為促進，驅動云計算進入算力時代。云計算、大數據、物聯網、人工智能等信息技術的快速發展，存量數 據大量增長、算力成本大幅下降，推動了算力能力的提升，與此同時， 業務種類的增多，應用軟件的爆發，算力需求大幅增長。算力能力的提 升為應用軟件的發展提供了空間，應用能力的提升又對算力能力提出新 要求，算力能力與應用能力互為促進，促使云計算進入算力時代。

? 算力的提升與普及，Flops 成本的下降，使相關應用具備了發展基礎。 安迪-比爾定律是對 IT 產業中軟件和硬件升級換代關系的概括。存量數 據大量增長、算力成本大幅下降，推動了算力能力的提升，與此同時，業務 種類的增多，應用軟件的爆發，使得算力需求大幅增長。算力能力的提升為 應用軟件的發展提供了空間，而應用能力的提升又對算力能力提出新要求， 算力能力與應用能力互為促進，促使云計算進入算力時代。

算力投資將成為云中心資本開支重點

云算力需求可分為云計算需求和超級計算機需求，其中云計算需求 可分為公有云需求、私有云需求與傳統 IT 需求。

? 云計算需求是指用戶對信息技術方面的需求，具體包括公有云、私 有云以及傳統 IT，隨著業務發展，計算需求的提升，對 IT 的算力要 求也不斷提高；

? 超級計算機需求是能夠執行一般個人電腦無法處理的大資料量與高 速運算的電腦，多用于國家高科技領域和尖端技術研究，是一個國 家科研實力的體現，它對國家安全，經濟和社會發展具有舉足輕重 的意義。

全球服務器市場量價齊升，云廠商資本開支加速

? 服務器出貨量與收入是云計算的先驗數據，全球服務器市場量價齊升。云計算領域的先驗性指標，可以通過分析服務器市場數據發現 和預判云計算市場趨勢。據 IDC 全球服務器季度追蹤報告顯示，2017 年全球服務器出貨量達 1018 萬臺，同比增長 6.6%，全球服務器收入達 668.9 億美元，同比增長 13.7%，全球服務器市場的高度景氣，收入增 速均超過出貨量增速，服務器平均單價在提升，高價值（人工智能）服 務器正在逐步出貨。

? 服務器下游市場主要是公有云廠商，政務需求占比第二。由于公有云業 務發展快，對中低端用戶需求有明顯的替代作用，故對服務器市場結構 產生了影響——由互聯網運營商集中采購代替了中小企業低端用戶的分 散采購。根據 IDC 數據顯示，服務器出貨至大型云廠商（超過 1000 個 服務器）占比高，達 50%，政務需求次之，占比約 20%。

? 云廠商資本開支加速，巨頭持續加碼。數據存量的增長與業務需求的擴 張促使云廠商加速投資，擴大云計算規模以爭搶更多的市場份額。

服務器出貨量與收入是云計算的先驗數據。因為在云平臺建設前期 需要投入服務器等基礎設施，所以可以通過分析服務器市場數據發現和 預判云計算市場趨勢。根據 IDC 數據，我們發現全球服務器市場呈現高 景氣，量價齊升，下游市場主要是公有云廠商。同時，通過分析大型公 有云廠商資本開支情況，我們發現公有云廠商加速算力投資趨勢明顯。

高性能計算場景普及，云巨頭爭先布局超算云

? 高性能計算場景普及，走進尋常百姓家。高性能計算（High Performance Computing，簡稱 HPC）多被用于氣象、天文、航空、能源等領域的科 學研究中。在云計算大規模推廣之前，高性能計算只有國家科研機構和 大型企業才有精力和財力去建設和使用，原因是其初期投資成本高、建 設周期慢。隨著科技的進步，中小企業也有高性能計算的需求，但是苦 于各種資源限制，難以獲得與需求匹配的計算能力。直到云計算興起， 通過按需租用、彈性資源等優勢能力，幫助用戶能夠以極低的價格，獲 得媲美超級計算機的計算能力。

? 云巨頭先后布局超算云，搶占新市場。對企業而言，獲取高性能計算能 力一般有三種形式：一是自建超算集群，二是租用超算中心的計算資源， 三是購買超算云服務。目前，包括亞馬遜 AWS、IBM、阿里云、華為云、 騰訊云等多家云廠商已逐步推出各自的超算云服務。以騰訊超算云為例， 其提供了集合黑石物理服務器、云服務器（CVM）、存儲、網絡、批量 計算（Batch）、深度學習 DI-X 平臺等優勢產品的云端高性能計算解決方 案。用戶可通過 HPC PaaS 平臺按小時購買，也可按月、季、年租用專 屬 HPC 集群，減少了集群的建設周期，也不用一次性巨額資金投入， 同時可以根據應用需求創建各種配置的 HPC 群集，比如減少 GPU 服 務器配比，增加 FPGA 服務器等，而且還能在技術革新后，即時使用到 換代機型，用戶不用再受限于 HPC 資源，加快研發速度，節約研發成 本。

隨著互聯網、大數據、人工智能等新興技術的興起，企業中越來越 多的計算密集型場景。實際上，在云計算推廣前，受制于長建設周期與 高成本，只有科研企業和大型企業才可使用高性能計算。直至云計算的 興起，按需租用、彈性資源與極低價格使得高性能計算走進尋常百姓家。

各大云廠商也先后推出超算云服務，搶占新市場，高算力服務趨勢明顯。

2020 年全球公有云算力投資比例將超過 10%

? 市場分類：與云算力需求分類一致，將市場分為兩大類——云計算與超 級計算。其中，根據云計算需求的客戶進行分類，可分為公有云、私有 云與傳統 IT。

我們認為，過去超級計算中對算力的投資多，未來云計算的算力投 資將逐步增多，其中公有云算力投資比例增長快，傳統 IT 次之。具 體假設比例見圖表 27 與圖表 28。

據我們測算，至 2020 年，全球云算力投資總規模約 62.32 億美元。 其中，至 2020 年，云計算算力投資約 39.11 億美元，超級計算算力 投資約 23.21 億美元。云計算算力投資中，至 2020 年，公有云算力 投資約 18.33 億美元，私有云算力投資約 8.01 億美元，傳統 IT 算力 投資約 12.77 億美元。

2） 全球服務器銷售收入：

隨著移動互聯網紅利見頂，近年來服務器銷售收入增速放緩，我們 預計 2018-2020 年全球服務器銷售收入增速小于 10%。預計至 2020 年，全球服務器銷售收入約 771.14 億美元。其中，至 2020 年，云計算服務器銷售收入約 706.14 億美 元，超級計算服務器銷售收入約 65 億美元。云計算服務器銷售中， 至 2020 年，面向公有云的服務器銷售收入約 155.97 億美元，面向 私有云服務器銷售收入約 128.12 億美元，傳統 IT 服務器銷售收入 約 422.05 億美元。

……

云產業鏈將迎來算力時代新機會

移動紅利見頂，算力時代由 0 到 1

? 云算力投資是云計算領域需求的最新變量，呈現高速增長。云計算可提 供的服務分為存儲和計算兩大類，在過去的業務中，云計算大多提供存 儲服務，隨著下游業務類型的不斷豐富，未來云廠商的計算服務將愈發 重要。根據我們的測算，至 2020 年全球算力投資總規模有望達到 62.32 億美元，年復合增長率達 44%，呈現高速增長。同時，云計算算力投資 呈現結構性變化，公有云算力投資比例大幅提升，由 2014 年的 0.01% 提升至 2020 年的 11.75%，公有云廠商大幅增加算力投資，主要原因是 云廠商迎來算力時代，除提供傳統的存儲服務外，各云廠商逐漸配置其 計算服務能力，增加算力投資。

? 云計算產業鏈已形成較完整的生態系統，上游芯片與下游應用成為算力 時代新空間。云計算產業鏈主要由上游芯片，中游服務器等設備供應商、 以及下游云平臺提供商、應用開發商等組成。經過 10 年的發展，目前 已經形成了較為完整的生態系統，構建了從芯片到終端用戶的全產業鏈 條。算力時代，上游芯片與下游應用開發商將帶來新的市場空間。具體 而言，相比通用芯片，專用芯片可提供更加高效的運算能力，其中 ASIC 運算效率高，但通用性較差，GPU 運算效率相對較弱，但通用性好， 我們認為，未來具有較大細分領域需求的 ASIC 芯片有很強的發展前景。 此外，下游應用場景格局也在逐步清晰，智能駕駛與基因測序具有良好 的市場成長性，成為投資熱點，技術也更加成熟，有望成為算力時代最 先普及的應用場景，同時受益于比特幣的熱度，區塊鏈產業逐漸步入人 們視野，相應的技術正蓬勃發展。

從 Facebook、微信每月新增活躍用戶數量上，我們可以看到移動 互聯網紅利已見頂，未來移動互聯網發展增速將趨緩，而云算力投資是 云計算領域的最新變量，將不受云計算周期波動，從云算力投資規模上 看，云算力投資年復合增長率可達 44%，至 2020 年有望達到 62 億美 元，同時，算力投資結構出現變化，公有云算力投資比例大幅提升，至 2020 年將超過 10%。算力時代由 0 至 1 產生增量需求，從產業鏈的角 度看，上游芯片與下游應用有望打開市場新空間。

加速器芯片打開市場新空間，應用場景廣泛

（一） GPU：應用場景廣泛，具有較完整的技術生態

GPU 一般指圖形處理器（Graphics Processing Unit），用途是將計 算機系統所需要的顯示信息進行轉換驅動，并向顯示器提供行掃描信號， 控制顯示器的正確顯示，是連接顯示器和個人電腦主板的重要元件，也 是“人機對話”的重要設備之一。GPU 擅長大規模、獨立的浮點和并行 計算，使顯卡削減了對 CPU 的依賴，并實行部分原本 CPU 的工作。

? 獨立 GPU 呈寡頭壟斷市場格局，英偉達為行業龍頭。GPU 分為集成 GPU和獨立GPU，集成GPU是指是集成在CPU或芯片組內部的GPU， 沒有獨立的顯存，共享系統內存作為顯存，比如，英特爾的 GPU 基本 為集成顯卡芯片，用于英特爾的主板和英特爾的 CPU，隨著英特爾主板 及 CPU 而發售，集成 GPU 市場的主要生產廠商有英特爾、英偉達、AMD 等，據 EEFOCUS統計，2016年英特爾集成GPU市場份額達到68.1%； 獨立 GPU 是以獨立板卡形式存在，可在具備顯卡接口的主板上自由插 拔的顯卡，具備單獨的顯存，不占用系統內存，且在技術上于集成 顯卡，能夠提供更好的顯示效果和運行性能，主要生產廠商有英偉達和 AMD，英特爾宣布將于 2020 年進軍獨立 GPU 市場。

?空間大，全球 GPU 開發者數量已達 80 萬人。GPU 計算定義了一種全新的超負荷定律。它始于高度專業化的并行處理器， 通過系統設計、系統軟件、算法以及優化應用程序的方式持續發展。30 年來，CPU 性能的變化從未脫離摩爾定律，但是 CPU 性能的提升已經 放緩，而 GPU 正以每年 1.1 倍的速度蓬勃發展，如今，全球 GPU 開發 者數量已達 80 萬人。隨著人工智能的快速發展，應用場景不斷拓展， GPU 最先引入深度學習，且具有較為完整的技術生態，開發者可以迅速 獲取到深度學習加速算力，降低了深度學習模型從研發到訓練加速的整 體開發周期，目前，英偉達保持著地位，隨著包括谷歌、臉書、微 軟、亞馬遜以及百度在內的巨頭相繼加入決戰，未來 GPU 市場發展空 間大。

? GPU 應用領域廣泛。大致包括游戲、高性能計算、AI 與區塊鏈等領域。

? 在游戲領域，GPU 可憑借其專為圖形加速而設計的架構和計算能力，提 供一種更加高效的渲染解決方案，當下諸多好萊塢制作水準的熱門游戲 都采用了 GPU，將日常 PC 轉變成強大的游戲機；

? 在高性能計算領域，利用 GPU 讓通用型計算擁有了 GPU 并行處理的能 力，助力超級計算機和云超算中心，使用 GPU 能夠使得應用程序獲得 超快的運算能力，成為天氣預報、材料科學、風洞模擬和基因組學等的 核心；

? 在 AI 領域，GPU 計算可以助力深度神經網絡所需的運算，使其能夠從 龐大的數據中學會識別各種圖案，具體而言，在構建自動駕駛汽車時， GPU 服務器能夠模擬環境以及汽車的各種傳感器探測四周，同時處理模 擬監測數據，在醫療影像分析方面，GPU 提升圖像處理速度，加速醫療 影像分析，在制造業方面，使用 GPU 可以構建與訓練自主機器人，使 其具有感知、定位、導航和操作等功能，在物流業方面，GPU 的超快浮 點計算性能，能夠支持無人機探索危險地帶，以及讓機器人每天投遞數 百萬的包裹；

? 在區塊鏈領域，使用 GPU 礦機可以提高算力，例如，以太坊、比特幣 鉆石等加密貨幣用的是圖形算法，所以用顯卡計算的速度會高。

（二） FPGA：技術密集型行業，美國壟斷全球市場

FPGA（Field-Programmable Gate Array，即現場可編程門陣列）， 是指一切通過軟件手段更改、配置器件內部連接結構和邏輯單元，完成 既定設計功能的數字集成電路。FPGA 可隨意定制內部邏輯的陣列，并 且可以在用戶現場進行即時編程，以修改內部的硬件邏輯，從而實現任 意邏輯功能，具有可編程靈活性高、開發周期短、并行計算效率高等優 點。未來，如果 FPGA 價格到低一定程度，將替代大多數的 ASIC 芯片。 但是，目前制約 FPGA 發展的三大因素主要有：成本、功耗和編程設計。

? 技術密集型行業，美國壟斷全球市場，國產 FPGA 在中國市場占有率僅 2%，中國基本依賴進口。FPGA 是一個技術密集型的行業，沒有堅實的 技術功底，很難形成有競爭力的產品。全球曾經有 60 多家公司先后斥 資數十億美元研發 FPGA，包括英特爾、IBM、德州儀器、摩托羅拉等 行業巨鱷，但是最終只有位于美國硅谷的四家公司擁有 FPGA 相關技術 ——Xilinx（賽靈思）、Altera（阿爾特拉）、Lattice（萊迪思）、Microsemi(美 高森美)，其中，Xilinx 始終保持著全球 FPGA 的霸主地位。近些年國內 陸續誕生了一些 FPGA 設計公司，且有蒸蒸日上的趨勢，但在市場份額 及技術方面和國際巨頭差距非常大，還遠未達到挑戰巨頭的實力。 國產 FPGA 在中國市場的占有率僅 2%，中國基本依賴進口。

? Xilinx 與 Altera 占據近 90%全球市場份額，至 2020 年全球 FPGA 市 場規模達 84 億美元。在 FPGA 領域，Xilinx 和 Altera 長期穩坐第一第 二的位置，兩家公司共占有近 90%的市場份額，專利達 6000 多項，根 據 2017 年財報數據顯示，Xilinx 和 Altera 分別占有 48%和 41%的市場 份額，剩余市場份額被 Lattice 占據多數。據 Gartner 數據顯示，2014 年全球 FPGA 市場總規模達到 50 億美元，其中中國市場份額有 15 億美 元，中國市場占全球市場的三分之一，據 Gartner 預測，2015 年至 2020 年全球 FPGA 市場的年復合增長率為 9%，至 2020 年全球 FPGA 市場 規模將達到 84 億美元。

? 主要運用于軍事領域，國內發展依靠自主可控，民用市場發展空間大。

（三）ASIC：開發周期長，量產成本低，對下游細分領域需求要求高

? 量產成本低，2020 年全球 ASIC 市場規模有望達 46 億美元。ASIC （Application SrIecific Intergrated Circuits)即專用集成電路，是指應特 定用戶要求和特定電子系統的需要而設計、制造的集成電路。具有功耗 低、性能高、開發周期長、量產成本低的特點。根據 Frost & Suliivan 統計，2012 年全球 ASIC 市場規模僅 0.4 億美元，至 2020 年，有望達 到 46 億美元。

? 開發周期長，大廠參與競爭。目前市場上主流 ASIC 有 TPU 芯片、NPU 芯片、VPU 芯片以及 BPU 芯片，它們分別是由 Google、寒武紀、Intel以及地平線設計生產。由于 ASIC 開發周期長，僅有大廠有資金與實力 進行研發。同時，ASIC 是全定制芯片，在某些特定場景下運行效率最 高，故某些場景下游市場空間足夠大時，量產 ASIC 芯片可以實現豐厚 的利潤，比如比特大陸，它的 ASIC 芯片是專為礦機挖礦所設計，在區 塊鏈領域具有很強的應用性，據分析公司 Bernstein 的保守估計，2017 年比特大陸經營利潤達 30-40 億美元，這與美國半導體巨頭英偉達去年 的經營利潤 30 億美元相當。

加速器芯片使算力時代的高算力需求得以實現，目前，發展較為成 熟的加速器芯片類型有 GPU、FPGA 與 ASIC。

GPU 方面，英偉達是龍頭，它通過構建生態增加客戶粘性，打造商 業閉環，未來具有很好的發展前景。此外，市占率達 30%的 AMD 也值 得關注，作為唯一同時具備 CPU 和 GPU 生產設計能力的廠商，AMD 選擇了低端客戶群進行覆蓋，產品定位清晰。不僅如此，芯片巨頭 Intel 也明確指出將于 2020 年進軍 GPU 市場?？梢?，未來 GPU 的發展前景 廣闊。

FPGA 方面，FPGA 芯片的特點在于可編程性，具有較好的靈活性。 因此，從技術上來看，FPGA 的技術壁壘高，多用于軍事領域，目前 市場格局較穩定，CR2 的市場份額大于 90%，美國壟斷了全球市場。國 內近年來陸續有公司從低端市場突破，實現了國產替代，如紫光同創、 復旦微電子、華微電子、中電科 58 所、航天 772 所所、京微雅格、高 云半導體、上海安路、西安智多晶、上海遨格芯等，國內廠商雖然積累 了一定的技術與產業基礎，但仍未能進入主流市場。

ASIC 方面，ASIC 芯片的特點在于高效率、定制化。因為其定制程 度高，所以在特定場景下運行效率高?；诖?，ASIC 對下游細分領 域需求有較高要求，因為只有下游市場空間足夠大，才可分攤 ASIC 芯 片高昂的設計開發成本，量產 ASIC 芯片才能實現豐厚的利潤。比如比 特大陸的礦機 ASIC 芯片，受益于 2017 年比特幣的高熱度，比特大陸收 入頗豐。國內方面，在 ASIC 芯片領域有較大的發展機會，比如寒武紀 的 NPU、地平線的 BPU、以及比特大陸的 BM1680 等，均有機會在技 術上實現彎道超車。

下游場景：出行智能化與基因測序有望最先實現規?；?/strong>

（一）出行智能化：千億市場規模，硬件成本下降加速量產落地

出行智能化是指用 AI 人工智能技術綜合徹底替代人的雙腿，可分為 步行、短距離出行和長距離出行，具體應用包括代步平衡車、服務機器 人和無人駕駛等。無人駕駛一直是市場上的熱門話題，但離其完全實現 仍需要一定時日，在此之前步行、短距離出行同樣是需要大量算力去模 擬、判斷實時路況。

? 2025 年無人駕駛領域可達千億市場規模。據前瞻研究院統計，無人駕駛 汽車到 2025年可以催生出一個2000 億至 1.9 萬億美元的市場。至 2035 年全球無人駕駛汽車銷量將達到 1180 萬輛，2025-2035 年間年復合增 長率為 48.35%，屆時中國將占據全球市場 24%的份額。

? 無人駕駛 VC 投資正在逐步增多，各領域技術蓬勃發展。無人駕駛汽車 的工作原理簡單地講就是以高精度地圖為基礎，輔以車載傳感設備所收 集的到數據，通過具有深度學習能力的智能算法的識別、運算從而做出 相應決策，并控制車輛達到自行駕駛。從無人駕駛汽車工作原理可以看 出，無人駕駛技術集合了人工智能、環境識別以及車輛制動等多個科技 領域的技術成果，將為汽車、智能芯片、傳感器以及地圖導航等多個市 場帶來全新的產業機遇。根據整理 2017 年無人駕駛領域公司的融資情 況，可見，從投資方來看，已有超過 70 家資本參與到自動駕駛的混戰 中。其中，超過 75%為風投機構，剩下 25%左右的參與者是產業基金。 在產業基金中，主機廠、汽車零部件企業、科技公司、互聯網公司和出 行企業分食整個市場。無人駕駛的產業進程呈現明顯加速狀態，競爭逐 漸趨于白熱化。

? 硬件成本大幅下降，加速無人駕駛量產落地。除了技術門檻需要攻克， 高昂的制造成本也是自動駕駛汽車量產的一大瓶頸。隨著技術的不斷演 進，硬件成本大幅下降，以激光雷達為例，激光雷達是傳感器的一種， 它作為檢測裝置可以掃描一定范圍內的環境，識別人行道和障礙物等， 幫助確定車身與障礙物距離，曾經一個激光雷達的價格高達 8 萬美元， 近日 Velodyne 推出 16 線激光雷達，售價僅 8000 美元，價格大幅下降， 技術上，新加坡南洋理工大學的研究團隊制造出一種固態激光雷達，成本只有 50 新加坡元（約合 36.7 美元），未來自動駕駛核心部件的成本可能將降低到現有成本的 1/200。制造成本的下降有望加速無人駕駛量產落地。

（二）基因測序：算力要求高，中游低技術壁壘與高市場成長性成為投資熱點

基因測序是通過測序設備對脫氧核糖核酸(DNA)的堿基排列順序進 行測定，從而解讀 DNA 的遺傳密碼，為生命科學研究、臨床診斷和治 療等提供指導的過程。

? 產業鏈上游壁壘高，中游增速最快。基因測序產業鏈主要由上游基因 測序設備制造廠商、中游測序服務機構及生物信息分析機構和下游醫院、 制藥企業、高校研究所等構成。從產業鏈整體上看，產業鏈上游的基因 測序儀及配套試劑是整個產業鏈壁壘高的部分，對技術與資金均要求 密集；中游是技術壁壘較低，且對資金投入要求較低，是目前基因測序 產業鏈中增速

新聞名稱：云計算科技生態變革深度研究
文章起源：http://m.newbst.com/news18/102318.html

成都網站建設公司_創新互聯，為您提供定制網站、網站制作、網站維護、網站導航、網站設計公司、網站設計

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯