NPU（神经网络芯片）行业观点（附NPU概念股）

摘要：计算步骤NPU 芯片进行神经网络计算时，一般先进行初始化，加载神经网络模型等；然后将输入数据转换为所需格式并预处理；接着执行前向计算和反向传播操作，前向计算通过矩阵乘法、加法和激活函数等将输入数据转换为输出数据，反向传播根据损失函数计算各层权重的梯度并传递回网

NPU 芯片（Neural Processing Unit）即神经网络处理器芯片，是一种专门用于加速人工神经网络计算的硬件芯片。

计算步骤NPU 芯片进行神经网络计算时，一般先进行初始化，加载神经网络模型等；然后将输入数据转换为所需格式并预处理；接着执行前向计算和反向传播操作，前向计算通过矩阵乘法、加法和激活函数等将输入数据转换为输出数据，反向传播根据损失函数计算各层权重的梯度并传递回网络；计算完成后读取结果并进行后续处理，最后释放资源。分类根据设计和用途可分为专用 NPU 芯片，用于加速特定设备中的 AI 任务，如手机、智能摄像头中的芯片；通用 NPU 芯片，既能执行神经网络计算，也能执行其他计算任务，如数据中心服务器中的 AI 加速卡；嵌入式 NPU 芯片，集成在嵌入式设备中，用于加速本地神经网络计算，如智能家居、智能汽车中的芯片。功能定位CPU 是通用计算核心，擅长多任务调度与逻辑控制，但 AI 计算效率低；GPU 侧重并行图形计算，可用于 AI 任务，但功耗较高；NPU 专为神经网络设计，专注 AI 计算，能效比远超前两者。架构设计CPU、GPU 基于冯・诺伊曼架构，存储与计算分离，数据传输耗时；NPU 采用 “数据驱动并行计算” 架构，通过突触权重实现存储和计算一体化，大幅提升 AI 任务处理速度。应用场景CPU 适用于日常办公、系统控制等通用场景；GPU 常用于游戏、图形渲染及 AI 训练辅助；NPU 则主导端侧 AI 推理（如手机影像处理）、云端高效推理（如大模型部署）等场景。

NPU行业观点1、AI端侧终端定义与发展趋势

AI端侧定义与核心特征: AI端侧指在移动设备上直接运行AI大模型，无需依赖云端交互。相较于传统通过云端与大模型交互的方式，端侧AI能保证个人数据隐私，降低交互延迟。其未来真正载体是能在端侧进行大模型推理的智能终端。AI手机发展趋势: AI手机作为个人助手，将利用大模型或预训练生成式AI模型实现多模态内容生成（含情感交互）。其必要特征有：支持大模型本地部署（手机自身具强大AI算力，无需依赖云端服务器）、具备多模态内容处理能力（可处理文本、图像、语言等输入并生成多种形式输出）、确保流畅无缝的用户交互（快速响应与大模型交互的推理要求）。硬件规格需基于领先工艺和先进架构平台，NPU及大容量高带宽内存可保障稳定高速连接与安全防御。当前各手机厂商将AI手机作为重点战略方向。出货量上，预计2028年全球AI手机出货量占比达54%，2027年中国AI手机出货量有望达1.5亿部。因需部署NPU致硬件成本提升，AI手机将先落地高端手机（高端手机利润高，厂商对成本增加接受度高，且是高净值客户核心产品），未来向中端手机渗透。AI PC与智能汽车趋势: AI PC是C端AI平权的核心载体，作为AI与PC的结合体，未来将形成算力平台、个人大模型与AI应用的新型混合体，具备保护个人数据隐私的属性。未来几年其在PC市场的渗透率将持续提升，并带动PC ASP提升。集成NPU的PC因硬件成本增加，未来有望享受10%-15%的产品溢价，这是PC厂商重点发力方向（如联想正推进独立NPU方案）。智能汽车座舱域未来需部署离线小模型，NPU及定制化存储的消耗量将持续增长。智能汽车作为大模型落地场景，需标配独立NPU或搭建端侧大模型，以应对无信号场景（如过隧道）的离线交互需求，确保端侧推理支持离线状态下的大模型交互。

2、NPU的作用、应用与出货量预测

NPU的核心作用与架构: NPU作为端侧AI核心载体，架构随新AI算法及模型参数发展而持续提升。端侧推理中，异构计算整合CPU、GPU、NPU等处理单元，实现最佳性能、能效、续航，提升生成式AI体验。其中，CPU擅长顺序控制与及时性处理，GPU适合并行数据流处理，NPU专注标量、向量和张量计算，承担核心AI负载。NPU的应用场景与形态: NPU已广泛应用于手机、PC和汽车。其主要为集成式，作为单元模块集成于处理器或手机SOC。分立式NPU方案成行业探索方向，高通、联发科、瑞芯微、小米、荣耀、晶晨股份等厂商发力。该方案可提升算力，且因大模型交互非实时，仅交互时调用NPU芯片，优化待机与续航。NPU出货量预测: 预测未来NPU出货量，假设第三方高端智能手机（排除苹果、华为等自有方案厂商）远期搭载量1亿台；PC市场高端产品NPU渗透率达10%，需求约2千万颗。手机与PC市场潜在出货量约1.2亿颗。汽车市场中长期NPU渗透潜力值得期待。

3、定制化存储技术与市场分析

定制化存储技术特点: 定制化存储适配端侧AI SOC，可类比HBM适配GPU。HBM经3D堆叠形成高带宽、高速存储形态，适配GPU数据并行处理，伴随GPU发展，其市场近年快速增长，2025年全球HBM市场规模约350亿美金。定制化存储产品形态与HBM类似，通过堆叠提升单位面积存储容量，与NPU或SOC进行3D封装，增加数据传输通道，解决端侧NPU高带宽痛点。相比传统DDR或low power DDR，定制化存储数据带宽有数量级提升，且功耗低于HBM和传统存储，适配端侧载体低功耗需求。产品性能上，华邦Qube对标HBM2，兆易定制化存储方案对标HBM2E，叠层数量增加可逐步对标HBM3。定制化存储市场空间: 终端需求上，汽车和手机NPU初始配置需5GB定制化存储，PC需10GB。两到三年维度，定制化存储潜在市场规模达20 - 30亿美金。若分立NPU方案在PC、手机市场进一步渗透，市场规模将进一步扩容。

4、NPU与定制化存储标的推荐

NPU相关标的: 当前国内及海外知名厂商均在重点布局NPU环节。国内方面，小米、荣耀、联想等终端手机或PC厂商，以及晶晨、瑞芯微等厂商，均发力端侧为未来ALT所用的NPU方案；海外方面，高通、联发科也在进一步研发分离式NPU方案。从各厂商的发力方向来看，分离式NPU的产业趋势明确。在国内上市公司中，重点推荐瑞芯微与晶晨股份。

定制化存储标的: 定制化存储的市场竞争格局相较于NPU更优，其核心在于基于DRAM的技术壁垒，要求厂商本身具备DRAM资质。当前DRAM厂商中，除三星、美光、海力士等原厂重点布局标准DRAM及HBM市场外，兆易创新、台湾华邦等传统DRAM厂商在定制化存储领域处于核心卡位。其中，兆易创新依托长鑫先进的代工制程节点，产品性能优于华邦，具备领先友商两到三年的先发优势。其定制化存储方案与国内重点厂商、高通、联发科等海外厂商，以及国内原厂自研AC均有深度合作，覆盖端侧及云端场景，市场空间包括智算中心、矿机显卡等领域。基于上述优势，定制化存储作为兆易创新的第三成长曲线，有望随AI端侧、云端场景落地实现收入和利润持续释放，因此优选兆易创新作为重点推荐标的。