|
|
社群帖子
勃勃的美股投资日报吹水群
查看新帖子
对话
美股投资快译
@BilingualReader
·
摩根士丹利：尽管有 ASIC，Nvidia 仍将继续保持主导市场份额。
ASIC 类别既不优于也不劣于商用 GPU——它只是实现相同结果的另一种手段。
在过去的六个月中，AI 领域的势头明显转向了定制芯片。Nvidia 一直停滞不前，而 AMD 的表现则非常糟糕。Nvidia 3 万亿美元的市值是由超过 320 亿美元的季度 AI 收入支撑的，而 AVGO 1.1 万亿美元的市值则是基于 32 亿美元的季度收入。显然，市场已经判断 ASIC 的增长潜力将是商用 GPU 的几倍。
从长远来看，ASIC 的表现会优于商用解决方案吗？虽然结果可能多种多样，但我们的观点是，除非情况发生变化，否则 Nvidia 将继续占据主导地位。
ASIC 类别既不优于也不劣于商用 GPU。它只是实现相同结果的替代方法。我们评估 ASIC 的方式与评估 AMD 芯片、英特尔芯片或任何初创公司芯片的方式相同 - 以硅片的性价比与现有厂商（主要是 Nvidia）可以提供的价值为背景。
ASIC 的开发预算通常不到 10 亿美元，在某些情况下甚至更低。这与我们的假设形成了鲜明对比，即 Nvidia 仅今年一年就会在研发上投资约 160 亿美元。有了这些资金，Nvidia 可以连续运行三个设计团队（每个团队的架构节奏为 18-24 个月），从而维持 4-5 年的开发周期，在五年内实现创新。此外，他们还投资数十亿美元用于互连技术，以提高机架规模和集群规模的性能，并且通过出现在全球每个云中（需经美国商务部批准），任何改善 Nvidia 生态系统的投资都会传播到全球生态系统中。
我们研究了几种关于 ASIC 是否能胜过商业解决方案的理论。定制芯片是否更适合更窄的应用范围，因此更胜一筹？有时是的，在这种情况下，它成为定制最引人注目的用例之一。最明显的例子是谷歌成功的 TPU 张量处理器。谷歌发明了现代 LLM 变压器技术，并指示博通开发针对该技术优化的芯片，而当时 Nvidia 正在开发使用卷积神经网络针对视觉模型优化的 GPU。迄今为止，TPU 是云客户通过定制解决方案获得明显优势的最突出例子，为 AVGO 带来了超过 80 亿美元的 TPU 收入。
然而，重要的一点是，Nvidia 将在 2025 年扩大其在 Google 支出中的份额。部分原因在于对云领域的投资，商业产品往往优于 ASIC。然而，TPU 的定制方面可能不像以前那么有价值。Nvidia 也在针对变压器模型进行优化，事实上，最大的训练和推理集群目前并没有高度定制。相反，未来定制的更大好处似乎更有可能体现在传统工作负载中。虽然 Nvidia 对训练多模态 AGI 模型的关注对于一些较旧的应用程序来说可能有些过度，但在提供高端培训能力方面，很难超越 Nvidia。特别是对于 Google 而言，虽然预计今年 Nvidia 产品的购买量将大约翻一番，但 TPU 的增长预计将更加温和——部分原因是 Google 对企业云的投资，也是因为 Nvidia 的 LLM 变压器性能即使在内部工作负载下也异常强劲。
ASIC 更便宜吗？这是最常听到的论点。是的，特定的 ASIC 可能要到推出三年后才能达到 H100 的性能水平，但它的成本只有 3,000 美元，而 H100 的售价为 20,000 美元，从而降低了总拥有成本。但这有道理吗？仅仅生产一款 3,000 美元的 AI 芯片真的那么容易与 Nvidia 竞争吗？我们已经看到无数初创公司，其定价仅为 Nvidia 的水平的一部分，未能在这个领域站稳脚跟。此外，英特尔在收购了已经出货的公司后，一直在努力定价低于成本，这已经持续了十多年。AMD 的前几代产品一直没有起步，直到去年他们凭借 MI300 取得突破。如果只需要 3,000 美元的芯片，为什么每个竞争对手不直接生产 3,000 美元的芯片呢？
与此同时，Nvidia 推出了几款针对传统推理应用的低价芯片。两年前，我们曾热情报道过 L4、L40 和其他公告。然而，Nvidia 也发现，最昂贵的显卡具有吸引力。
这是为什么呢？虽然处理器本身可能更便宜，但系统成本可能更高。ASIC 集群成本可能比 Nvidia 高得多——后者使用铜线构建了一个 72 GPU NVLINK 域——因为 ASIC 使用了更昂贵的光学技术。其他主要成本组成部分处于类似水平。高带宽内存成本相同——事实上，Nvidia 可能因其最新 HBM 版本的买方垄断购买力而受到青睐。CoWoS 也是如此；由于许多 ASIC 使用较小的芯片和较大的堆栈，CoWoS 的成本可能高于 Nvidia。当然，由于光罩限制的芯片，Nvidia 的晶圆成本可能更高，但总体而言，Nvidia 提供了卓越的价值。
此外，软件方面也给客户带来了负担，因为这是一项具有挑战性且耗时的任务。在管理软件更改和运行各种工作负载时，易用性至关重要，而最小化“软件开发人员的工作时间”通常是总拥有成本(TCO)计算中被忽视的一个因素。例如，Trainium 的客户 Databricks 预计需要“数周或数月才能启动并运行系统”（链接参考）。部署延迟可能会使客户进一步落后于配备了广泛使用的 CUDA（计算统一设备架构）SDK 的 Nvidia。
多年来，我们观察到 Nvidia 的产品有 20 到 25 种替代品。最初，人们对价格和潜在性能的热情推动了早期部署，但最终客户又回到了拥有最成熟生态系统的 Nvidia。因此，替代产品经常被搁置，有时甚至会完全从市场上消失。TPU 和 Trainium 以及 AMD 的 MI300 是明显的例外——但即使在这些情况下，今年对 Nvidia 生态系统的大力投资仍在继续。
这并不是说更便宜的处理器完全不重要；而是从历史上看，更便宜的处理器往往未能像最初预期的那样引起市场关注。
ASIC 关系能否为 ASIC 供应商提供商业产品所不具备的额外可见性？我们不同意。每个投资 ASIC 技术的超大规模企业都打算使用它。ASIC 开发需要大量成本，因为存在回报预期。因此，SAM 分析可能是正确的。但是，该技术最终必须比商业解决方案更具成本效益；如果不是，采购通常会转向一流的商业芯片。
一位恼火的云计算高管最近表示：“每两年，我们的 ASIC 团队都会推出比 Nvidia 落后 2-3 年的技术。从经济角度来看，这没什么用。”当然，这不是每个人的观点，也不是设计过程开始时的目标。然而，这是云计算供应商中一个相当普遍的抱怨，他们——即使将其视为对未来的投资——并不完全相信采用劣质 ASIC 会成为差异化长期战略的基础。
换句话说，为什么 AVGO 的 SAM 分析比 AMD 对 MI400 等产品的“每年数百亿美元的收入潜力”的预测更受关注？AMD 的预测也是基于与潜在客户的对话，但投资者的反应是，“与 Nvidia 的产品（Rubin）相比，我们如何对 AMD 的 2026 年产品（MI400）充满信心？”事实上，我们不能确定。不过，出于某种原因，我们预计 ASIC 将在 2026 年与 Rubin 竞争。
然而，AMD 的投资不容小觑。AMD 在整个生态系统中的投资规模往往远远超过 ASIC 供应商。今年，AMD 完成了两项 AI 软件资产收购。其中一项是收购 ZT Systems，涉及收购一家主要的服务器 ODM，剥离 ODM 业务，同时保留与机架和集群规模计算相关的关键工程人才。一旦拥有此类资产，AMD 就可以将它们部署在多个云环境中，从而推动第三方支持并加速生态系统发展。云端的 ASIC 设计人员可以复制这一点吗？ASIC 芯片供应商愿意复制它吗？这是可能的——他们的网络专业知识可能会有所帮助——但这绝不是理所当然的。AMD 通过这种迭代投资确保了服务器生态系统中的主导技术，从早期那不勒斯的挣扎发展到罗马和热那亚是一个成功的故事（尽管英特尔的挣扎显然也做出了贡献）。
那么，为什么我们推测 AMD 无法实现其延伸目标，而 ASIC 却能取得成功呢？我们认为，AMD 实现其 SAM 的潜力与 ASIC 竞争对手一样大，而买家认为这是一个“展示”的故事。那么，为什么 ASIC 还没有成为“展示”的故事呢？在我们看来，ASIC 也应该有望实现目标；这并不意味着这两种技术都能提供有保证的解决方案，而是不应轻视与 Nvidia 竞争的挑战。
很难说 ASIC 关系为供应商提供了更固定的市场份额，因为我们知道的几乎每种 ASIC 都面临直接竞争。例如，联发科（Charlie Chan 报道）有望在谷歌 TPU 生态系统中挑战博通，而 Alchip（Charlie Chan 也报道）有望在亚马逊（Brian Nowak 报道）Trainium 生态系统中挑战 Marvell。最近的报道表明，Meta（Brian Nowak 也报道）正在考虑收购韩国 ASIC 设计——表明其与博通的关系并非独家——而且 Meta 也在对 AMD 进行大量投资。字节跳动是博通的第三个 ASIC 客户，但由于出口管制问题，他们也有可能正在准备来自中国供应商的替代 ASIC 设计。事实上，对中国出口人工智能相关产品的出口管制已将技术门槛降低到最先进的 80%，从而创造了一个高度开放的竞争环境。OpenAI 可能成为主要的 ASIC 用户，但报道表明他们已经在与多家供应商合作。
尽管如此，Broadcom 和 Marvell 在该领域拥有令人羡慕的能力，这无疑将推动增长。成功带来成功，但 ASIC 领域也存在明显的挑战。
我们预计，到 2025 年，Nvidia 和 AMD 将超越 ASIC 竞争对手——尤其是在下半年。到 2024 年，Nvidia 的处理器收入预计约为 980 亿美元，AMD 约为 50 亿美元，AVGO 约为 80 亿美元，Alchip/MRVL 的总收入约为 20 亿美元。这意味着商用硅片约占市场份额的 90%，而 ASIC 约占 10%。我们预计今年商用产品的 90% 份额将略有增加。
ASIC 的两大用户可能会进一步增加对 Nvidia 的支出比例。AVGO 的最大客户是谷歌，它推动了其 2024 年的大部分收入，我们预计在 2025 财年，Nvidia 的增长将比 TPU 高出 50-100%。Marvell 的驱动力来自亚马逊，虽然亚马逊的 ASIC 采购量预计将从今年的约 20 亿美元翻一番至约 40 亿美元，但亚马逊对 Nvidia 产品的采购量也预计将超过这一水平的两倍。其他 ASIC 客户，如 Meta 和字节跳动，仍处于早期阶段。我们认为，Nvidia 在下半年的收入势头将明显强于 ASIC 或 AMD 的增长。
2026 年以后，ASIC 的增长速度可能会更快。然而，这在很大程度上取决于 ASIC 提供的价值与 Nvidia 或 AMD 提供的价值。根据 AVGO 的 SAM 分析，谷歌、Meta 和字节跳动在 2027 财年的收入可能分别达到 600 亿至 900 亿美元，集群数量达到数百万——这是完全有可能的，尽管这项技术尚未实现。
然而，由于市场低估了 ASIC 如此显著的市场份额增长（例如，Nvidia 本季度的 AI 收入是 AVGO 的 10 倍，而其市值仅为 AVGO 的三倍），ASIC 方面是否应该承担起证明自己能力的责任？如果我们将 2025 年下半年的 Blackwell 增长视为主要故事，那么过去六个月从 Nvidia 和 AMD 转移到 AVGO/MRVL 的市值难道不会回落吗？
这与我们之前对 ASIC 机会的研究相矛盾吗？在去年由 Charlie Chan 领导的有关 ASIC 机会的深入报告中（链接在此处），我们预测 AI ASIC 的总目标市场 (TAM) 将从 2024 年的 120 亿美元增长到 2027 年的 300 亿美元——这一数字远低于目前市场给出的折扣（例如，AVGO 的 2027 年 SAM 主要基于五分之三潜在客户的 ASIC，为 600-900 亿美元）。我们的观点保持不变，但市场预期发生了巨大变化。
尤其是，Charlie Chan 对 Alchip 和联发科等亚洲同行持悲观看法，因为他们正在以牺牲美国竞争对手为代价来获得项目。根据同一篇报告，Alchip（拥有 AWS 3nm 项目）和联发科（拥有谷歌的 3nm TPU v7 用于训练）等亚洲供应商预计将在 2026 年扩大其市场份额。
那么，我们应该如何看待美国人工智能半导体股票呢？简而言之，买入 Nvidia。该股仍是我们的首选，目前交易价格与 AVGO/MRVL 相比有大幅折价。我们认为这种折价不会持续太久。Nvidia 最大的短期风险是美国出口管制，这对 AVGO 来说同样成问题。从长远来看，最大的风险不是竞争，而是投资放缓——我们预计这将发生在 2026 年中期左右，但由于可见性仍然很强，我们将继续推迟这一时间范围。
与此同时，我们继续对 AVGO 保持看跌观点，同时密切关注预期。坦率地说，这份报告的反馈将在塑造投资者对 AVGO 相对于 2027 年 SAM 分析的预期方面发挥关键作用。今年，AVGO AI 仍处于过渡阶段——一个完全渗透的客户（谷歌）由于产品转型而放缓，还有两个新客户规模仍然很小。该公司的三年 SAM 分析部分是为了解释短期放缓和强劲的持续投资，但从每季度 32 亿美元到 12 个季度 180 亿美元的轨迹可能会进一步提高短期预期。
我们正在观望 AMD、MRVL、ALAB、MU 等。我们对任何与 AI 相关的股票都没有根本性的负面看法，但我们确实担心短期动能的转变——尤其是因为 MRVL 和 AVGO 的倍数溢价远远超过 Nvidia。虽然 AMD 的估值越来越有吸引力，但 MI350 似乎并不具有革命性，而 MI400 仍然有点未知。我们对 AMD 和 Nvidia 的表现都充满信心。ALAB 股票波动性很大，很难做出持续的估值判断，但在目前的水平上，我们保持建设性的看法。管理层表示，Nvidia 将成为 202X 年需求最强劲的推动力，但 Nvidia 的数据中心——其营业利润率是同行的两倍——在我们的分析中继续记录最低的 EV-AI 收入比率。
资料来源：摩根士丹利研究 |
|
IP卡
狗仔卡
发表于 
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
显身卡
楼主