全球AI军备竞赛通信行业蓬勃发展.pdf

1行业评级：上次评级：行业报告|通信通信强于大市强于大市维持（评级）全球全球AI军备竞赛，通信行业蓬勃发展军备竞赛，通信行业蓬勃发展行业投资策略回顾总结与未来展望回顾总结与未来展望3请务必阅读正文之后的信息披露和免责申明通信产业链全景图：通信产业链全景图：通信产业链最下游两大条线，围绕运营商，以及围绕B端/G端等行业客户应用。运营商产业链：以5G、10GPON等网络建设，以及流量增长带来的网络持续升级扩容，驱动整个硬件/软件/工程维护等产业链的成长；2B/2G等应用：以算力（及配套的IDC、光模块、网络设备）、云视频、物联网等为主的丰富的产业应用，受益5G等新技术的变革，产业链持续发展。4资料来源：Wind、天风证券研究所请务必阅读正文之后的信息披露和免责申明5G通信网络建设上游零部件厂商射频器件世嘉科技武汉凡谷大富科技国人通信天线/阵子通宇通讯世嘉科技飞荣达科创新源硕贝德散热壳体银宝山新科创新源飞荣达光模块中际旭创光迅科技华工科技新易盛剑桥科技PCB/CCL深南电路沪电股份生益科技华正新材建滔连接器中航光电意华股份金信诺立讯精密主设备商宏基站中兴通讯华为爱立信诺基亚供电/防雷俊知集团中恒电气科士达新雷能中光防雷铁塔中国铁塔华体科技中嘉博创制冷英维克依米康佳力图应用上量基础设施物联网终端模组移远通信广和通日海智能高新兴移为通信乐鑫科技博通集成5G流量应用视频会议亿联网络苏州科达淳中科技云通信梦网集团中嘉博创IDC机房宝信软件光环新网奥飞数据数据港万国数据流量监控及内容分发网宿科技中新赛克恒为科技光通信设备烽火通信中兴通讯诺基亚华为中兴通讯烽火通信紫光股份星网锐捷华为思科增长逻辑：5G基站上量，从预期到兑现流量增长的网络扩容上游零部件主设备商SDN/NFV设备光模块中际旭创光迅科技华工科技新易盛剑桥科技海信宽带LumentumFinisar光器件太辰光天孚通信博创科技LumentumFinisarSemtech增长逻辑：5G用户渗透，流量快速增长，网络扩容服务器/交换机浪潮信息中科曙光星网锐捷紫光股份增长逻辑：ISP厂商基于新应用和新内容增长，加大云计算基础设施投入网优网维三维通信超讯通信宜通世纪国脉科技海格通信中富通华星创业世纪鼎利创意信息中国移动运营商中国联通中国电信鹏博士中国广电BOSS系统天源迪科思特奇亚信科技东方国信网络优化/运维行情回顾行情回顾板块行情回顾板块行情回顾回顾2022年初至2022年12月31日行情，通信指数跌幅15.60%，排名第14名（总计31个行业）。从产业角度来看，我们认为通信指数2022年初至2022年年底表现排名市场整体中游水平的主要原因包括：1）运营商资本开支增速放缓；2）外部宏观环境影响等。从整体持仓比例来看，2022年，通信板块基金持仓处于历史较低水平。21Q4-22Q3机构通信持仓比例有所提升，但22Q4 的机构持仓比例进一步下降至1.17%，显著低于同期通信行业A股总市值占比的3.59%，处于明显低配状态，且也处于历史较低水平。5资料来源：Wind、天风证券研究所请务必阅读正文之后的信息披露和免责申明行情回顾行情回顾板块估值有望逐步修复，重点关注低估值高成长方向板块估值有望逐步修复，重点关注低估值高成长方向从通信整体估值水平比看，板块估值水平自2019年以来持续低于创业板平均估值，并且差距逐步扩大，纵向比较也处于通信板块历史估值底部区间。展望未来，通信行业部分细分产业链有望充分受益全球AI大趋势以及国内数字经济，行业景气度有望持续得到印证。6资料来源：Wind、天风证券研究所请务必阅读正文之后的信息披露和免责申明展望未来展望未来#1 全球科技巨头加速布局，全球科技巨头加速布局，AIGC产业高速发展产业高速发展2022年12月，Open AI的大型语言生成模型ChatGPT火热。随后，全球各大科技企业都在积极拥抱AIGC，不断推出相关技术、平台和应用。生成算法、预训练模式、多模态等AI技术累计融合，催生了AIGC的高速发展。GPT模型对比BERT模型、T5模型的参数量有明显提升。GPT-3是目前最大的知名语言模型之一，包含了1750亿（175B）个参数。在GPT-3发布之前，最大的语言模型是微软的Turing NLG模型，大小为170亿（17B）个参数。GPT-3 的paper 也很长，ELMO 有 15 页，BERT 有 16 页，GPT-2 有 24 页，T5 有 53 页，而 GPT-3 有 72 页。7资料来源：数字金融网微信公众号、Language Models are Few-Shot LearnersTom B.Brown等、天风证券研究所请务必阅读正文之后的信息披露和免责申明展望未来展望未来#2 网络先行，辅以终端普及，催生内容与应用网络先行，辅以终端普及，催生内容与应用从时间逻辑上讲，新一代网络科技浪潮，将又是一个先网络建设，辅以终端普及，而后推动内容与应用渗透的过程。因此网络是先行的；近年来，新兴应用的涌现，亦是依托于新一代基础基建的逐步完善。5G网络时代，终端的丰富性预计将会强很多（从5G手机到VRAR设备到可穿戴设备到无人驾驶汽车等但爆款仍有待观察），内容和应用目前雏形：VRAR游戏云计算人工智能无人驾驶工业互联网等等。5G应用：1）万物互联，快速打开物联网/车联网市场空间，汽车智能化大趋势下大量细分领域迎来发展新机遇；2）RCS、视频应用、MCN等5G应用迎来机会；3）计算需求提升，边缘计算也将逐步上量；8资料来源：IMT5G推进组官网、创维数字官网、天风证券研究所请务必阅读正文之后的信息披露和免责申明5G服务工业教育家居交通农业AIGC引导产业变革引导产业变革Part#19请务必阅读正文之后的信息披露和免责申明10请务必阅读正文之后的信息披露和免责申明资料来源：中国信息通信研究院和京东探索研究院，天风证券研究所3.13.1.AIGCAIGC：孕育数字经济新业态的关键技术：孕育数字经济新业态的关键技术AIGC(Artificial Intelligence Generated Content，人工智能生成内容，人工智能生成内容)是通过人工智能算法对数据或媒体进行生产、操控和修改的统称，是通过人工智能算法对数据或媒体进行生产、操控和修改的统称，是继专业生成内容是继专业生成内容(PGC)和用户生成内容和用户生成内容(UGC)之后自动生成内容的新型生产方式之后自动生成内容的新型生产方式。AIGC的兴起源于深度学习技术的突破和日益增长的数字内容供给需求。的兴起源于深度学习技术的突破和日益增长的数字内容供给需求。一方面，深度学习技术驱动AIGC可用性不断增强；另一方面，海量需求牵引AIGC应用落地。AIGC有望成为数字内容创新的新引擎，为数字经济发展注入全新动能。有望成为数字内容创新的新引擎，为数字经济发展注入全新动能。AIGC 不仅能以低边际成本、高效率的方式进行信息挖掘、复刻编辑等基础性机械劳动，还能创新内容生产的流程和范式，提升内容生产的创造力。同时，AIGC 能够通过支持数字内容与其他产业的多维互动、融合渗透从而孕育数字经济的新业态新模式，打造经济发展新增长点。图：图：AIGCAIGC发展历程发展历程11请务必阅读正文之后的信息披露和免责申明资料来源：中国信息通信研究院和京东探索研究院，天风证券研究所3.13.1.AIGCAIGC：孕育数字经济新业态的关键技术：孕育数字经济新业态的关键技术AIGC根据面向对象、实现功能的不同分为智能数字内容孪生、智能数字内容根据面向对象、实现功能的不同分为智能数字内容孪生、智能数字内容编辑和智能数字内容创作三个层次。编辑和智能数字内容创作三个层次。智能数字内容孪生主要目标是建立现实世界到数字世界的映射；智能数字内容编辑主要目的是建立数字世界与现实世界的双向交互。在数字内容孪生的基础上，从现实世界实现对虚拟数字世界中内容的控制和修改，同时利用数字世界高效率仿真和低成本试错的优势，为现实世界的应用提供快速迭代能力；智能数字内容创作主要目标是让AI算法具备内容创作和自我演化的能力，使得 AIGC 产品具备类似甚至超越人的创作能力。以上三个层次的能力共同构成 AIGC 的能力闭环。图：图：AIGCAIGC的技术能力层次的技术能力层次12请务必阅读正文之后的信息披露和免责申明资料来源：中国信息通信研究院和京东探索研究院，天风证券研究所3.13.1.AIGCAIGC：孕育数字经济新业态的关键技术：孕育数字经济新业态的关键技术深度学习的发展带来了神经网络在大模型和多模态两个方向的不断突破，为深度学习的发展带来了神经网络在大模型和多模态两个方向的不断突破，为AIGC技术能力的升级提供强力支撑。技术能力的升级提供强力支撑。当前AIGC技术从追求生成内容的真实性这一基本需求，发展到满足生成内容多样性、可控性的进阶需求，并开始追求生成内容的组合性。在应用上，在应用上，AIGC以其真实性、多样性、可控性和组合性的特征，有望帮助各行业提高内容生产效率，并为其提供更为丰富多元、动以其真实性、多样性、可控性和组合性的特征，有望帮助各行业提高内容生产效率，并为其提供更为丰富多元、动态且可交互的内容态且可交互的内容。以传媒行业为例，AIGC+传媒可以实现人机协同生产，推动媒体融合。在采编环节，采访语音转写、智能新闻写作加视频剪辑，可以提升新闻资讯的时效性。在传播环节，AIGC应用集中于以AI合成主播为核心的新闻播报领域，并呈现应用范围不断拓展、应用场景不断升级和应用形态日趋完善的特点。图：图：AIGCAIGC多模态大模型生成结果图多模态大模型生成结果图图：图：AIGCAIGC应用视图应用视图13请务必阅读正文之后的信息披露和免责申明资料来源：ACM，IEEE Xplore，NIPS，天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界近年，随着机器学习研究的不断深入，大规模并行化计算和迁移学习理论逐步形成，结合硬件层面算力和适配性的提升，大模型应运而近年，随着机器学习研究的不断深入，大规模并行化计算和迁移学习理论逐步形成，结合硬件层面算力和适配性的提升，大模型应运而生。较过往的场景化生。较过往的场景化AI应用，大模型性能明显增强，实现了可执行任务的多样性，极大拓展了应用，大模型性能明显增强，实现了可执行任务的多样性，极大拓展了AI应用可能边界。应用可能边界。前期理论研究和算法突破奠定大模型基础。前期理论研究和算法突破奠定大模型基础。Thrun等人证明AI模型可以实现迁移学习迁移学习(transfer learning)，即将从特定任务的模式识别能力用于另一项任务1。此外，异步优化算法异步优化算法(asynchronous algorithm)的完善，大幅提高了系统利用率，使得实证中模型优化速度明显提升。Transformer模型开启大模型时代。模型开启大模型时代。2017年提出的Transformer模型完全基于多注意力机制3，该结构更易并行化和进行多任务学习，模型训练时间也明显更少。该模型迅速成为深度学习主流模型框架，衍生的自回归系列架构、自编码系列架构等在生成性任务和自然语言理解上大放异彩。图：并行同步和异步算法比较图：并行同步和异步算法比较22图：图：TransformerTransformer和多注意力机制结构和多注意力机制结构3314请务必阅读正文之后的信息披露和免责申明资料来源：Github，openAI官网，天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界openAI等团队不断改进模型结构，并通过轻量化方法对模型进行“瘦身”，让大模型实现效率、成本和性能的综合性提升。等团队不断改进模型结构，并通过轻量化方法对模型进行“瘦身”，让大模型实现效率、成本和性能的综合性提升。GPT-1和和GPT-2模型结构基于模型结构基于Transformer的解码器的解码器(decoder)而来而来。GPT-1模型使用12层的Transformer解码器结构和掩码自注意力机制，以探索该模型架构在多任务学习上的表现。GPT-2模型在GPT-1模型基础上，调整和添加了层标准化，并调整残差层权重以应对残差路径上的累积问题。GPT-3模型在模型在GPT-2模型上进行了改进和模型大小扩充，以追求小样本学习情境下的泛化能力。模型上进行了改进和模型大小扩充，以追求小样本学习情境下的泛化能力。GPT-3模型使用和GPT-2模型基本相同的结构，但其中也借鉴了Sparse Transformer中的Dense层和Locally Banded Sparse Attension层设置。考虑到之前GPT-2模型在无微调情况下的多任务表现欠佳，GPT-3模型扩充了其模型层数和维度，使得参数最大可以达到1750亿个。InstructGPT和和ChatGPT在在GPT-3模型研究基础上，进一步改进其模型结构。模型研究基础上，进一步改进其模型结构。根据openAI官网公布，作为作为ChatGPT姊妹模型的姊妹模型的InstructGPT参数数量为参数数量为13亿个亿个，模型明显小于GPT-3模型，但在性能上并不逊于后者，且更少出现伪造信息等问题。图：图：InstructGPTInstructGPT模型大小及性能描述模型大小及性能描述图：图：GPTGPT-1 1模型结构模型结构44图：图：GPTGPT-2 2模型大小模型大小55图：图：GPTGPT-3 3模型大小模型大小6615请务必阅读正文之后的信息披露和免责申明资料来源：Github，openAI官网，天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界除了模型结构的演化，训练方法和训练集的改进也让除了模型结构的演化，训练方法和训练集的改进也让大模型输出更加贴近用户需求大模型输出更加贴近用户需求，进一步提升大模型的实用性。，进一步提升大模型的实用性。GPT系列模型不断强化多任务学习能力及泛化能力。系列模型不断强化多任务学习能力及泛化能力。GPT-1模型中，openAI团队采用无监督学习预训练无监督学习预训练+有监督微调模式有监督微调模式，测试发现针对特定任务区分性微调后的GPT-1表现较传统任务特化模型更佳。考虑到任务相关数据集的可获得性及成本和微调过程中过拟合任务相关数据集等问题，GPT-2仅对模型进行了无监督学习预训练，并测试其在多任务中的表现。考虑GPT-2模型表现的不足，GPT-3模型引入了无监督学习预训练了无监督学习预训练+少样本学习模式少样本学习模式，相较于之前的有监督微调，少样本学习仅需要不到100个样本数据（zero-shot：不提供样本，one-shot：提供1个样本，few-shot：提供10-100个样本），对任务相关数据集的需求量大幅下降，同时模型依旧在各项任务测试中取得较好表现。GPT系列模型训练集生成方式在不断改进，训练集大小快速上升。系列模型训练集生成方式在不断改进，训练集大小快速上升。GPT-2模型所用的训练数据集规模超过40GB，而为了满足超大模型对训练数据的需求，GPT-3模型使用了超过45TB数据进行训练。图：图：GPTGPT-3 3模型少样本学习后的表现模型少样本学习后的表现66图：图：GPTGPT-1 1模型结构及有监督微调训练方式（橙色部分）模型结构及有监督微调训练方式（橙色部分）4416请务必阅读正文之后的信息披露和免责申明资料来源：openAI官网，天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界除了模型结构的演化，训练方法的改进也让除了模型结构的演化，训练方法的改进也让大模型输出更加贴近用户需求大模型输出更加贴近用户需求，进一步提升大模型的实用性。，进一步提升大模型的实用性。InstructGPT和和ChatGPT模型进一步更新训练模式，提升其对人类思维的理解能力模型进一步更新训练模式，提升其对人类思维的理解能力。基于前述模型的研究结果，InstructGPT和ChatGPT模型的训练方式更新为RLHF(基于人类反馈的强化学习方法)：对模型进行监督微调对模型进行监督微调(fine-tuning)训练奖励模型训练奖励模型(RM)基于奖励模型进行近端策略优化基于奖励模型进行近端策略优化(PPO)。在这一过程中，基于人类排序标注的训练集训练得到的奖励模型能够有效反映人类的表基于人类排序标注的训练集训练得到的奖励模型能够有效反映人类的表达和思维习惯，这使得模型相较过去的大模型能够更好遵循达和思维习惯，这使得模型相较过去的大模型能够更好遵循用户的意图。用户的意图。图：图：InstructGPTInstructGPT和和ChatGPTChatGPT训练方式训练方式77图：图：InstructGPTInstructGPT多维度综合表现评估多维度综合表现评估17请务必阅读正文之后的信息披露和免责申明资料来源：ArXiv，天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界ChatGPT等大模型的成功，意味着等大模型的成功，意味着AI模型的通用性实现了突破，显著降低了研发成本，满足了当前日益碎片化、多样化的模型的通用性实现了突破，显著降低了研发成本，满足了当前日益碎片化、多样化的AI解决方案解决方案需求需求。大模型具有以下几点主要优势：1.大模型可以提供具有通用性的预训练方案；大模型可以提供具有通用性的预训练方案；2.大模型具备自监督学习功能，降低了模型训练成大模型具备自监督学习功能，降低了模型训练成本；本；3.大模型有望进一步突破大模型有望进一步突破AI模型结构精度局限。模型结构精度局限。大模型为应用端提供了“预训练大模型大模型为应用端提供了“预训练大模型+下游任务微调下游任务微调/少样本学习”的低成本解决方案，自监督学习让模型训练不再依赖昂贵的少样本学习”的低成本解决方案，自监督学习让模型训练不再依赖昂贵的人工标注数据集，人工标注数据集，AI应用有望从“手工厂”模式走向“流水线”模型。图：图：大模型，既是单一模型，也是多模型大模型，既是单一模型，也是多模型88图：大模型能够实现多模态学习图：大模型能够实现多模态学习 8 8 18请务必阅读正文之后的信息披露和免责申明资料来源：ArXiv，Google Research，天风证券研究所3.33.3.多模态学习时代已至，技术突破推动应用落地多模态学习时代已至，技术突破推动应用落地展望未来，展望未来，我们认为，我们认为，多模态模型将成为通用人工智能实现的关键，并推动多模态模型将成为通用人工智能实现的关键，并推动AIGC应用加速渗透和算力、通信及存储需求的进一步提升。应用加速渗透和算力、通信及存储需求的进一步提升。多模态学习让多模态学习让AI模型能够和人类一样基于多方面信息了解事物和强化认知。模型能够和人类一样基于多方面信息了解事物和强化认知。模态指的是信息的特定接受方式，是相较媒体更为细粒度的划分。多模态指具有不同结构特征和表现形式的数据，例如同一对象的不同媒体数据或者不同类型传感器获取的同一类媒体数据等。大模型让多模态信号输入和输出成为可能，这将赋予AI应用与人类相似的信息流处理方式，让通用人工智能成为现实。多模态模型应用时代已经到来，将极大推动多模态模型应用时代已经到来，将极大推动AI在各行业的渗透与普及。在各行业的渗透与普及。2023年3月1日，微软推出多模态大语言模型KOSMOS-1，实现了多模态的输入输出。3月6日，谷歌发布PaLM-E模型，参数量最高可达5620亿个，能够基于文本和图像输入完成文本交互、推理、路径规划和过程控制等多重任务。两种模型的应用场景多样性将加速AI相关产品的普及应用。图：图：PaLMPaLM-E E模型介绍图模型介绍图1010图：图：KOSMOSKOSMOS-1 1实现了对图像和文本数据的嵌入实现了对图像和文本数据的嵌入9919请务必阅读正文之后的信息披露和免责申明资料来源：ArXiv，NVIDIA官网，openAI官网，天风证券研究所3.33.3.多模态学习时代已至，技术突破推动应用落地多模态学习时代已至，技术突破推动应用落地3月15日，openAI发布GPT-4模型，模型接受文本和图像输入信息，并进行文本输出，经过微软雷蒙德研究院和独立研究机构ARC测试，GPT-4模型已经具备基于常识概念的理解和推理能力，实现了向通用人工智能模型已经具备基于常识概念的理解和推理能力，实现了向通用人工智能(AGI)迈进的一大步，或将成为迈进的一大步，或将成为AGI的一种早的一种早期版本。期版本。从简单多模态走向复杂多模态应用，需要集成各类模型实现对信息流的嵌入处理。从简单多模态走向复杂多模态应用，需要集成各类模型实现对信息流的嵌入处理。以PaLM-E为例，其由ViT模型和PaLM模型融合而成，图像信息通过ViT模型进行嵌入处理后，和文本信息的嵌入序列一同交由PaLM模型处理并输出，以实现对多模态数据的信息融合和有效处理。随着所用数据模态的多样化，不仅数据输入输出带来更高的通信和数据存储需求，而且应用中也将需要集成更多模型以完成数据的嵌入处理，这将使得模型整体更为庞大，对算力资源的需求进一步提升。图：图：对数据进行嵌入处理实现多模态学习对数据进行嵌入处理实现多模态学习图：图：GPTGPT-4 4能力展示能力展示20请务必阅读正文之后的信息披露和免责申明参考文献：参考文献：1 F.Zhuang et al.A Comprehensive Survey on Transfer LearningJ.Proceedings of the IEEE,vol.109,no.1,pp.43-76,Jan.2021.链接：A Comprehensive Survey on Transfer Learning|IEEE Journals&Magazine|IEEE Xplore2 J.Zhang and K.You,AsySPA:An Exact Asynchronous Algorithm for Convex Optimization Over DigraphsJ.IEEE Transactions on Automatic Control,vol.65,no.6,pp.2494-2509,June 2020.链接：AsySPA:An Exact Asynchronous Algorithm for Convex Optimization Over Digraphs|IEEE Journals&Magazine|IEEE Xplore3 Vaswani A,Shazeer N,Parmar N,et al.Attention is all you needJ.Advances in neural information processing systems,2017,30.链接：Attention is All you Need(neurips.cc)4 Radford A,Narasimhan K,Salimans T,et al.Improving language understanding by generative pre-trainingJ.2018.链接：radford2018improving.pdf(ubc.ca)5 Radford A,Wu J,Child R,et al.Language models are unsupervised multitask learnersJ.OpenAI blog,2019,1(8):9.链接：Language Models are Unsupervised Multitask Learners(life-extension.github.io)6 Brown T,Mann B,Ryder N,et al.Language models are few-shot learnersJ.Advances in neural information processing systems,2020,33:1877-1901.链接：GPT3_Brown_2020.pdf(ailab-ua.github.io)7 Ouyang L,Wu J,Jiang X,et al.Training language models to follow instructions with human feedbackJ.arXiv preprint arXiv:2203.02155,2022.链接：2203.02155.pdf(arxiv.org)8 Bommasani R,Hudson D A,Adeli E,et al.On the opportunities and risks of foundation modelsJ.arXiv preprint arXiv:2108.07258,2021.链接：2108.07258.pdf(arxiv.org)9 Huang S,Dong L,Wang W,et al.Language Is Not All You Need:Aligning Perception with Language ModelsJ.arXiv preprint arXiv:2302.14045,2023.链接：2302.14045.pdf(arxiv.org)10 Driess D,Xia F,Sajjadi M S M,et al.PaLM-E:An Embodied Multimodal Language ModelJ.arXiv preprint arXiv:2303.03378,2023.链接：2303.03378.pdf(arxiv.org)光模块：光模块：去伪存真，中国厂商份额持续提升去伪存真，中国厂商份额持续提升Part#1.121请务必阅读正文之后的信息披露和免责申明22资料来源：中际旭创年报、Lightcounting、天风证券研究所请务必阅读正文之后的信息披露和免责申明以 ChatGPT 为代表的生成式 AI 工具正引领新一轮科技革命，英伟达也接连发布新款产品为下一波 AI 提供技术助力。前沿科技产业化的落地需要云厂商庞大的算力支持，而光通信网络是算力网络的重要基础和坚实底座，预计这将进一步推动海外云巨头对于数据中心硬件设备的需求增长与技术升级。Lightcounting 预测，全球光模块的市场规模在未来 5 年将以 CAGR11%保持增长，2027 年将突破 200 亿美元。AIGC光模块：光模块：新一轮科技革命到来，光模块成为最闪亮的“星”新一轮科技革命到来，光模块成为最闪亮的“星”23根据Lightcounting以及Omedia数据，过去10年中国光模块企业全球市场份额持续拓展，全球光模块出货量前十名的公司，从2010年的仅有WTD一家中国企业，发展到2022年中际旭创已经位列全球市场并列第一。光模块行业的持续成长叠加国内厂商全球份额持续提升，优质头部公司成长有望超越行业平均水平。AIGC光模块：光模块：中国光模块厂商全球份额稳步提升中国光模块厂商全球份额稳步提升光通信模块行业的下游主要是通信设备制造商和大型互联网企业，光通信模块产品的运用领域涵盖 了云计算数据中心、宽带接入及长距离传输等行业。高速光通信模块是光通讯设备中的核心组件，作为信息化和互连通信系统中必需的核心器件，光通信模块的发展对 5G 通信、电子、大数据、互联网行业 的影响至关重要。同时，也只有不断提高光通信转换模块产品的速率、积极研发出更高规格的模块，才能满足下游产业迅速发展的要求资料来源：中际旭创年报、中国产业经济信息网、Lightcounting、天风证券研究所请务必阅读正文之后的信息披露和免责申明光芯片：光芯片：去伪存真，中国厂商份额持续提升去伪存真，中国厂商份额持续提升Part#1.224请务必阅读正文之后的信息披露和免责申明25请务必阅读正文之后的信息披露和免责申明资料来源：北京通美公告，天风证券研究所半导体材料包括三大类：半导体材料包括三大类：1、单元素半导体材料，即以单一元素构成的半导体材料，主要包括硅（Si）、锗（Ge），其中硅基半导体材料是目前产量最大、成本最低、应用最广的半导体材料；2、III-V 族化合物半导体材料，即以 III-V 族元素的化合物构成的半导体材料，主要包括砷化镓（GaAs）、磷化铟（InP），具有电子迁移率高、光电性能好等特点，是当前仅次于硅之外最成熟的半导体材料，在 5G 通信、数据中心、光纤通信、新一代显示、人工智能、无人驾驶、可穿戴设备、航天方面有广阔的应用前景；3、宽禁带半导体，以氮化镓（GaN）和碳化硅（SiC）等为代表，具有高禁带宽度、耐高压和大功率等特点，在通信、新能源汽车等领域前景广阔，但目前成本较高。图：图：不同半导体材料的主要特点、应用领域不同半导体材料的主要特点、应用领域项目项目单元素半导体材料单元素半导体材料IIIIII-V V族化合物半导体材料族化合物半导体材料宽禁带半导体材料宽禁带半导体材料硅锗砷化镓磷化铟氮化镓碳化硅分子式SiGeGaAslnPGaNSiC特点储量大、价格便宜电子迁移率、空穴迁移率高光电性能好、耐热、抗辐射导热性好、光电转换效率高、光纤传输效率高高频、耐高温、大功率应用领域先进制程芯片空间卫星LED 器、射频模组光通信充电器、高铁电动汽车部分主要应用场景CPU、内存空间卫星太阳能电池面板大功率半导体激光器；手机、电脑射频器件；新一代显示；面部识别；激光雷达5G基站光模块；数据中心光模块；激光雷达；可穿戴设备快速充电芯片；高铁芯片新能源汽车；充电桩AIGC光芯片：光芯片：不同类型半导体材料的应用领域不同类型半导体材料的应用领域26请务必阅读正文之后的信息披露和免责申明资料来源：源杰科技公告，天风证券研究所光芯片按功能可以分为激光器芯片和探测器芯片，其中激光器芯片主要用于发射信号，将电信号转化为光信号，探测器芯片主要用于接光芯片按功能可以分为激光器芯片和探测器芯片，其中激光器芯片主要用于发射信号，将电信号转化为光信号，探测器芯片主要用于接收信号，将光信号转化为电信号。收信号，将光信号转化为电信号。激光器芯片按出光结构可进一步分为面发射芯片和边发射芯片，面发射芯片包括激光器芯片按出光结构可进一步分为面发射芯片和边发射芯片，面发射芯片包括 VCSEL 芯片，边发射芯片，边发射EEL芯片包括芯片包括 FP、DFB 和和 EML 芯片；芯片；探测器芯片，主要有探测器芯片，主要有 PIN 和和 APD 两类。两类。激光器芯片按照材料体系划分，可以分为砷化镓激光器芯片按照材料体系划分，可以分为砷化镓GaAs和磷化铟和磷化铟Inp两套材料体系。两套材料体系。图：图：光芯片在光通信系统中应用光芯片在光通信系统中应用图：激光器芯片和探测器芯片特点图：激光器芯片和探测器芯片特点AIGC光芯片：光芯片：光通信用光芯片分类光通信用光芯片分类27请务必阅读正文之后的信息披露和免责申明资料来源：Yole，华经产业研究院公众号，半导体照明网，天风证券研究所按导电性能，按导电性能，InP衬底主要分为半导电和半绝缘衬底衬底主要分为半导电和半绝缘衬底半导体衬底分为N型和P型半导电衬底：1）N 型掺Sn InP 主要用于激光二极管。2）N 型掺S的InP 不仅用于激光二极管，而且还用于光探测器。3）P 型掺Zn InP 主要用于高功率激光二极管。半绝缘衬底按照是否掺杂分为掺杂半绝缘衬底和非掺杂半绝缘衬底，半绝缘衬底主要用于制作射频器件。从全球磷化铟衬底应用情况来看，据从全球磷化铟衬底应用情况来看，据Yole数据显示，数据显示，2020年光模块器件、传感器件、高端射频器件三者销量占比分别为年光模块器件、传感器件、高端射频器件三者销量占比分别为83%、4%和和14%。光模块器件和高端射频器件是磷化铟下游主要的应用。光模块器件和高端射频器件是磷化铟下游主要的应用。图：图：磷化铟衬底的分类及用途磷化铟衬底的分类及用途图：图：20202020年全球磷化铟衬底下游市场销量结构情况年全球磷化铟衬底下游市场销量结构情况磷化铟衬底半导电衬底N型半导电衬底掺Sn激光二极管掺S激光二极管和光探测器P型半导电衬底掺Zn高功率激光二极管半绝缘衬底掺杂半绝缘衬底掺Fe2P非掺杂半绝缘衬底高纯单晶衬底通过高温退火射频器件83%14%4%光模块器件高频射频器件传感器件AIGC光芯片：光芯片：磷化铟光芯片分类及下游应用磷化铟光芯片分类及下游应用28请务必阅读正文之后的信息披露和免责申明资料来源：源杰科技公告，天风证券研究所光通信是以光信号为信息载体，以光纤作为传输介质，通过电光转换，以光信号进行传输信息的系统。光通信系统传输信号过程中，发光通信是以光信号为信息载体，以光纤作为传输介质，通过电光转换，以光信号进行传输信息的系统。光通信系统传输信号过程中，发射端通过激光器芯片进行电光转换，将电信号转换为光信号，经过光纤传输至接收端，接收端通过探测器芯片进行光电转换，将光信号射端通过激光器芯片进行电光转换，将电信号转换为光信号，经过光纤传输至接收端，接收端通过探测器芯片进行光电转换，将光信号转换为电信号转换为电信号。光芯片加工封装为光发射组件光芯片加工封装为光发射组件（TOSA）及光接收组件及光接收组件（ROSA），再将光收发组件再将光收发组件、电芯片电芯片、结构件等进一步加工成光模块结构件等进一步加工成光模块。光芯片的光芯片的性能直接决定光模块的传输速率性能直接决定光模块的传输速率，是光通信产业链的核心之一是光通信产业链的核心之一。图：图：光芯片在光通信系统中应用光芯片在光通信系统中应用图：图：光模块结构示意图（光模块结构示意图（SFP+SFP+封装）封装）AIGC光芯片：光芯片：光通信系统中的光芯片位置及应用结构图光通信系统中的光芯片位置及应用结构图29请务必阅读正文之后的信息披露和免责申明资料来源：中际旭创公告，天风证券研究所根据中际旭创披露的根据中际旭创披露的2016年年1-8月光模块成本构成，芯片成本占月光模块成本构成，芯片成本占60-70%（光芯片及组件占（光芯片及组件占50%，比重最大；电芯片成本占，比重最大；电芯片成本占15%），人工和），人工和其他成本占其他成本占23%；光模块中的芯片包含：光芯片（激光器芯片和探测器芯片）、电芯片（光模块中的芯片包含：光芯片（激光器芯片和探测器芯片）、电芯片（LD驱动芯片、驱动芯片、TIA跨阻放大芯片、跨阻放大芯片、CDR时钟和数据电路、时钟和数据电路、DSP、MUX&DeMUX等）。等）。图：图：中际旭创2016年1-8月光模块成本构成光芯片及组件50%集成电路芯片15%结构件11%电力1%人力及其他成本23%AIGC光芯片：光芯片：光芯片及组件，光模块中最大的成本项光芯片及组件，光模块中最大的成本项30请务必阅读正文之后的信息披露和免责申明资料来源：中芯晶研官网，Yole，天风证券研究所根据根据Yole预测，磷化铟器件应用领域正从传统的数据通信和电信市场向预测，磷化铟器件应用领域正从传统的数据通信和电信市场向C端消费市场扩展，预计到端消费市场扩展，预计到2026年下游应用规模将达到约年下游应用规模将达到约52亿美亿美元，元，2020-2026年年均复合增长率为年年均复合增长率为16%。数据通讯和电信仍然将是磷化铟最大应用领域，骨干网全光化和数据中心内的数据通讯和电信仍然将是磷化铟最大应用领域，骨干网全光化和数据中心内的400G/800G光模块等对磷化铟激光器件带来持续需求，而光模块等对磷化铟激光器件带来持续需求，而消费电子领域应用增速更快，如消费电子领域应用增速更快，如3D传感、可穿戴设备、无开孔屏幕传感等。传感、可穿戴设备、无开孔屏幕传感等。图：图：2022020 0-20262026年全球磷化铟裸芯片光学应用市场预测年全球磷化铟裸芯片光学应用市场预测AIGC光芯片：光芯片：全球磷化铟芯片市场规模全球磷化铟芯片市场规模31请务必阅读正文之后的信息披露和免责申明资料来源：讯石光通讯网，源杰科技公告，天风证券研究所超大规模数据中心运营商对超大规模数据中心运营商对400G的部署反映了用户对云服务需求的不断增长，以