请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 | 2023年05月31日 超 配 电子 AI+系列专题报告 边缘 AI：大语言模型的终端部署，推动新一轮终端需求 核心观点 行业研究·行业专题 电子 超配·维持评级 证券分析师：胡剑 证券分析师：胡慧 021-60893306 021-60871321 hujian1@guosen.com.cn huhui2@guosen 前手机芯片的局限 性。根据 IDC 数据，1Q23 全球手机销量中主处理器频率超过 2.8GHz 的占比 36%，价格在 1000 美金以上的占比 13%，即旗舰机型占比较低，随着 AI 大模 型在边缘端落地，有望推动新一轮换机潮。 以大语言模型为核心，以语言为接口，控制多 AI 模型系统，构建“贾维斯” 式智能管家。我们认为大语言模型不仅可以实现对话、创意，未来也有望作 为众多复杂 AI 模型 等均有望成为这一时代的交互入口。 产业链相关公司：半导体：晶晨股份、瑞芯微、全志科技、北京君正、兆易 创新；消费电子：传音控股、歌尔股份、福立旺、闻泰科技、创维数字。 风险提示：AI 技术发展不及预期；边缘端芯片发展不及预期。 重点公司盈利预测及投资评级 公司 公司 投资 昨收盘 总市值 EPS PE 代码 名称 评级 （元） （亿元） 2023E 2024E 2023E 2024E 688099

个小任务，然后把这些小任务分配给地理、网络层级或逻辑上相互独 立的多个节点。这些计算节点可涵盖数据中心、边缘设备（如基站、 物联网网关）、终端设备甚至个人闲置设备等，通过网络连接形成协 同体系，实现算力资源的分布式协同与高效利用。分布式算力并非单 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备 全面、实时、精准地获取分布式网络中各个计算节点资源状态的能力。 具体而言，感知过程涵盖多维度：首先，系统需自动发现并注册新计 络拥塞时，能够智能地选择其他通信路径，避免性能瓶颈。 这种动态适应能力是保障系统稳定性和可靠性的关键。  跨域协同与互操作性：理想的分布式算力池往往跨越不同管 理域（多个公有云、私有云、边缘站点、终端设备）。实现 高效的感知与调度，必须解决跨域资源发现、认证授权、状 态信息交换、任务协同执行等挑战。这依赖于开放的 API 标 准、通用的资源描述语言、安全的跨域通信机制以及可能的

XR 交 互体验和内容生态繁荣，XR 产业有望迎来新发展阶段。2、手机需求放 缓，AIGC 赋能智能手机或将成为刺激换机的重要动力。3、AIoT 融合 在未来数年内不断突破数据处理和智能学习的界限，通过边缘 AI 赋能， 智能机顶盒、智能音响、智能耳机等智能终端产品有望形成软硬件一体 的智能语音交互助理载体。 ◼ AI+提升生产效率， B 端应用场景发展潜力逐渐释放。随着技术和应用 的发展，AI 发展改革生产力，已具备多领域应用能力 ................................................................... 6 1.3. AI 向实际场景落地，边缘算力重要性加速凸显.................................................................... 7 2. C 端：AI+拓宽应用场景，推动创新需求 助力传统安防，智能化转型成必然趋势................................................................ 22 3.1.2. 安防解决方案正在向云+边缘的方案演进 .................................................................. 23 3.2. 机器视觉检测：AI+提升检测精度，替代传统人眼检测

中心架构加速普及 ................................................................................... 51 5.2.3 边缘计算与微电网从独立部署走向深度耦合，构建区域性 能电自平衡单元 .................................................................. 图 2-1 算电协同功能架构图 第九届未来网络发展大会白皮书 算电协同技术白皮书 12 （1）基础设施层 基础设施层是算电协同系统的物理承载基础，包括计算基础设施 （如边缘节点、云平台、高性能计算集群）、网络基础设施（如确定 性以太网、广域传输链路）以及能源基础设施（如光伏阵列、储能设 备、电力监测终端）。本层负责算电任务的运行支撑与能量供给，要 求具备高可用性、可扩展性与绿色化能力。 础作用，具体包括感知模块、建模模块与数据服务模块。具体功能有： 实现对算力、电力、网络等多源异构资源状态的实时感知与数据采集、 构建任务行为与资源状态的多维建模体系，支持预测评估与能效优化 以及提供边缘与中心的数据缓存、分发与分析能力，为调度控制策略 提供数据支撑[1]。该层实现算电资源的全域感知、精准建模与高效数 据支撑，助力智能调度与协同优化。 （3）智能决策层 智能决策层是实现算电资源全局优化与任务智能调度的核心层

立组网和 5G-Advanced 已成为推动智能联接新时 代的核心技术。 联接作为数智化转型的技术基础，通过满足时延、 速度和网络能力的要求，支持云智融合、大规模物 联网和边缘计算，将联接能力延伸至终端设备或网 络边缘，实现本地智能。 联接在数智化中发挥以下两大关键作用。首先，在 企业层面，85% 的企业认为 5G 对其数智化转型具 有“非常重要”或“极其重要”的推动作用。联接 将促 提高效率，还应创造新的商业价值。人工智能已广 泛应用于招聘、供应链优化、研发环节的生成式 设计及超个性化营销，正深刻改变企业的运营方 式。同时，人工智能也正从客服机器人和生成式 人工智能内容创作等边缘应用场景，逐步向企业资 源规划、产品生命周期管理和制造执行系统等企业 核心系统拓展。咨询、法律和科研等服务行业正在 开创“服务即产品”模式，提供人工智能支持的大 规模专家服务。在其他行业，人工智能正在推动工 在联接构成。然而，随着原始数据量、种类及生 成速度的不断增长，实现持续、可靠的大规模数据 生成将需要依托更具韧性和可持续性的数智基础设 施，特别是在边缘计算层面。 数据传输 驱动因素 ：高速光纤网络、边缘计算节点和骨干系统 相关性 ：在数智系统中，数据必须从终端快速流向 云端、边缘和核心系统，完成处理、训练和推理。 具备高吞吐量、低时延和冗余数据通道的传输能力 对于支持依赖设备、数据中心和云平台实时协同的

102 5.2 云算分离模式..............................................................................104 5.3 边缘共享模式..............................................................................106 六、商业价值与前景展望. 算网协同工程实践。深入分析“东数西算” 工程中的总分调度、分 总调度、混合调度的总体调度架构，东数西算、数据快递、东数西存、 协同推理、协同训练和西训东推等核心应用场景，以及边云一体、云 3 算分离和边缘共享等新型生态模式。同时，通过对典型应用场景的详 细的业务流程分析，力求为产业参与者提供可操作、可复制的交付参 考与决策依据，加速“东数西算”从战略规划向工程落地的转化进程。 二、整体架构 ●系统整体架构 实现经济效益最大化。对于实时性要求较高的请求，在边缘云上使用 GPU 的成本问题尤为突出。 现有公有云通过 Serverless 容器的方式为 AI 推理提供弹性能力， 但由于 AI 镜像和模型文件较大，导致冷启动问题严重，这极大地影 响了用户体验。此外，公有云通常无法提供城域级的边缘云服务，难 以满足部分对实时性和本地化要求较高的应用场景。因此，协同全网 边缘云上的 GPU 资源成为解决问题的关键，既能满足实时性请求，

重点在各省打造（N 个）城市智算基础设施服务当地用户，满足数字 政务、城市大脑等城市数字化转型场景；通过（M 个）行业智算集群 服务教育、电力、金融、互联网等重点行业；并基于地市边缘节点（X） 按需将推理算力向边缘覆盖。 中国电信云化 IP 城域网(简称为新型城域网)具备原生算力业务 高效承载的能力，基于云网 POP 灵活架构以及城域 Spine-Leaf 的 Full-Mesh 组网优 算力城域网（COMAN）总体架构 算力城域网基于算力 POD、云网 POP、出口功能区模块化组件 搭建。算力 POD 实现 ToC/ToB/ToH 场景的算力用户统一接入和广泛 覆盖，以及深/浅边缘算力池的快速接入；云网 POP 通过算力网关联 接城域网络与算力资源池，实现二者在参数面、样本面、业务面网络 间的标准化快速对接；出口功能区作为 AIDC 与算力 POD 之间的枢 纽，实现用户数据高效入算，以及多 架构，实现固、移、云、算业务的统一接入与融合承载，同时保证了 区域内各类业务流量的无阻塞快速转发。算力 POD 可为用户提供无 损的算力通道，实现算力服务的广覆盖和高效输送；并结合云网 POP 快速接入深/浅边缘推理池，实现边缘算力的池化利用和灵活调度， 为用户提供低时延、高体验的算力服务。 4.4 云网 POP 云网 POP 内部署 COMAN-AR 与算力网关对接，通过城域网络 与算力资源池的标准化、快速对接，实现“小时级”算网架构互联、

究社，36氪，新浪财经，SemiAnalysis，华西证券研究所  英伟达的商业愿景是成为AI平台类公司，任何与AI加速相关的领域都会使用英伟达的硬件和软件。为了实现这一目标，机器人、自动驾驶等边缘 计算场景是兵家必争之地。具体来说，英伟达人形机器人体系包括：用于训练基础模型的DGX系统+用于开发部署的Isaac软件堆栈+用于控制的 Jetson Thor芯片+通用人形机器人基础模型GR00T ，华西证券研究所 全球边缘AI市场规模（十亿美元） • 云天励飞为智能机器人公司提供基于自研神经网络处理器架构采用和自主可控国产工艺开发的AI芯片及大模型领域技术。芯片是控制器的核心硬 件。随着AI技术的发展，AI芯片的应用越来越广泛，成为实现具身智能的关键，可以极大提升机器人的人机交互能力和智能水平。公司新一代AI 芯片DeepEdge10用于包括机器人在内的边缘AI（类似于Tegra处理 GPU），可用于机器人大模型运算，已适配多种百亿参数大模型（如SAMCV和Llama2）。二者均采用自主可控的国产工艺，可在 美国加大对中国半导体的出口限制时提供替代方案。据Precedence Search统计，未来10年边缘AI市场规模复合年均增长率超过20%；据Omedia统 计，英伟达H100 GPU对中国前4大客户的销量总计达12.5万张，按21万/张的价格计算，销售额达262.5亿元，国产替代的市场十分广阔。

...................94 一、 光电融合网络背景 1.1 光电融合网络概念和特征 当前网络容量需求以超过 35%的年复合增长率（CAGR）持续增 长，AI、边缘计算等应用推动相干技术向网络边缘延伸。当前网络架 构普遍采用“电处理+光传输”的分层方式，这一架构正面临功耗高、 转发复杂、跨层协同效率低等核心瓶颈。IP 流量主导的容量激增对新 一代节能技术提出更高的要求。行业正推动 在“双碳”战略驱动下，构建绿色、高效的网络基础设施成为行业 共识。传统“电+光”分层架构下，多级转发、重复 OEO（光电光）转 换导致整体链路能效低下。光电融合网络的发展目标之一，正是通过 将高能耗的 IP 处理前移至光层边缘，利用低功耗相干模块（如 400G/800G ZR+）实现 IP 业务直接出彩光进入波分系统，减少两级 OEO 过程，大幅减少中间设备和机房能耗。在架构层面，通过 CPO （共封装光学）、硅光 框式商用路由 器等形态。该层直接承载业务转发与光信号调制解调，是支撑 IP 业 务直接入光、光层传输、降低中继损耗、实现大带宽低功耗传输的物 理基础。其形态灵活、接口丰富，可按需部署于算力集群边缘、骨干 传输节点或广域边界侧。 协议层：该层为设备的操作系统与功能编排系统，负责统一管理 设备板卡、端口、链路等资源，支撑算力感知、自适应路径、彩光驱 动、SR/SRv6、VPN、安全防护等网络服务能力。同时，封装各类硬

程师的工作效率。通过AI编程助手，减少了重复劳动，提 升了代码质量 编码助手 4.3 企业大模型的部署方式 本地/内网部署 云端部署 通过云厂商实现弹性扩展和成 本优化 通过本地数据中心实现数据完 全掌控 边缘部署 通过边缘节点实现低延迟和实 时处理 容器化/微服务部署 混合部署 通过本地和云端结合实现灵活 性和灾备需求 通过容器技术和微服务架构实 现敏捷开发和资源隔离 联邦部署 通过联邦协议和分布式架构实 本地/内网部署 4.3 企业大模型的部署方式 将DeepSeek大模型部署在靠近数据源的边缘节点， 减少数据传输延迟。适用场景： n 低延迟需求：如物联网、实时监控等需要快速响 应的场景 n 带宽有限：数据传输成本高或带宽有限时，边缘 计算可减少数据上传 n 离线运行：需要在网络不稳定或离线时仍能正常 运行 边缘部署 结合云端和本地部署，DeepSeek大模型部分系统在云 端，部分在本地。适用场景： 其在特定场景下的表现效果与可靠性 模型优化 最后，企业需要将AI大模型无缝集成到现有 的业务系统中，实现自动化决策或增强用户 体验 应用集成 优化后的模型需要被部署到合适的环境中， 如云端、边缘计算或本地服务器等。这要求 企业具备强大的技术实力和丰富的运维经验 模型部署 4.7 企业级应用集成AI大模型的技术架构设计 企业级应用集成AI大模型的技术架构设计，需要综合考虑业务需求、数据安全、模型性能等多方面因素。以下是