国产化景嘉微分析报告：信创基石，从图形计算到通用计算

财务情况：营收与归母净利润创新高，芯片成为核心增长点

2022 年公司营收创历史新高，同比增长 5.56%达到 11.54 亿元。2022 年，由于信创 三期验收影响，来自党政信创的订单有所下降，公司利润有所回调，但我们预计随着行业 信创进一步扩展，公司业务有望重回增长轨道。

从具体业务来看，公司自 2016 年上市以来，随着收入规模上升，显控、雷达业务收 入逐渐基本保持平稳增长，但 2022 年增速出现较为明显的上升。2021 年公司图形显控和 雷达领域营业收入同比增长分别为12.35%和8.52%，2022年增速则分别大幅增加到25.01% 和 101.30%。2022 年公司芯片类业务（GPU 业务）实现营收 2.60 亿元，增速有所回调， 主要是受信创进度影响。但公司芯片业务已经具备了一定的实力，JM7 系列 GPU 具备支 撑民用信创市场的性能水平，进而在民用信创市场迅速普及，GPU 业务仍有望成为公司未 来业绩增长的主要驱动力之一。

毛利率方面，近年来公司整体毛利率始终保持在 60%以上，其中图形显控和雷达产品 毛利率可达 70%以上，而 GPU 则处于 50%以下。因此随着 GPU 产品的放量，近年来公 司综合毛利率出现了一定下降，但同时随着研发成本摊薄，GPU 毛利率从 2019 年的 18.57% 上升到2022的47.28%，带动公司整体毛利率再度回升，2022年公司毛利率达到65.01%。

费用率方面，公司销售和管理费用率相对稳定，研发费用率有所提高，2022 年研发 费用率达到 27.07%。近年来公司销售费用率和管理费用率呈现下降趋势，2022 年管理费 用率降至 9.90%，销售费用率降至 4.17%。公司大力投入研发带来技术水平和专利数量的 提升。截至 2022 年底，公司专利申请数达到 238，同比增长 16.10%，其中 193 项为发明 专利，87 项发明专利已授权，且有 119 项软件著作权。

人员方面，公司研发人员占比高，数量稳步提升。公司总人数从 2015 年的 370 人提 高到 2022 的 1308 人。从职能来看，研发人员数从 204 人增加 896 人，规模变为 2015 年的 4 倍以上，研发人员占比从 55.14%提升到 68.50%。从学历来看，硕士及以上学历人 员从 2015 年的 92 人增长到 2022 的 443 人，占比从 24.86%提升到 33.87%。人员规模 与结构的变化有望增强公司研发实力，加快迭代速度。

GPU：并行计算加速硬件，算力与软件支持是关键

GPU的源头：CPU图形算力捉襟见肘，GPU适应图形学并行计算需求

CPU：通用性与效率存在矛盾，为通用性牺牲单一场景性能。 提及 GPU，则自然会关联到 CPU，因为 GPU 可以看作 CPU 的变种。CPU 历史悠久， 核心的 CPU 设计理念，其实早在 1960s 就已经出现了，甚至早于 Intel 和 AMD 两家公司 的诞生，更早于各种图形化操作系统。例如现有 CPU 中必备的流水线、指令动态调度等 核心技术，在 60 年代就已经应用在 IBM 大型机当中。而与之对比，“GPU”这 个名词则是在 1999 年 NVIDIA 发布 GeForce 256 时首次提出的。由此可见，GPU 是 CPU 的后辈，同时 GPU 也是在 CPU 基础上进行针对性改进而生的产品。

因此，要了解 GPU，就有必要对 CPU 进行回顾，从而我们可以了解 GPU 在 CPU 的 基础上进行了哪些改变，以及为什么要进行这些改变。以下是计算机系统的简要框图，其 中 CPU 居于核心地位，CPU 与内存共同构成计算机，CPU 从内存中读数据，进行运算之 后再写回内存，显示在输出设备中。

CPU作为计算机的核心，就要求其必须能够处理人类世界种种纷繁复杂的任务，注 定其将通用性摆在首要位置。那么为了通用性，CPU势必采用最通用的架构设计。这种讲 求通用性的架构设计有何特点？我们不妨从典型的CPU架构中略窥一二。 以下是 Intel 十分经典的 Skylake 桌面处理器单核心架构。从图中左侧我们可以看到， 每个核心可以分成前端（淡黄色底纹部分）、后端（也称执行引擎，淡绿色底纹部分）、缓 存子系统（淡紫色底纹部分）。 前端主要用来进行指令解码、分支预测等，用以应付多种多样、变幻莫测的程序； 缓存用来存储程序所需的指令和数据；后端则是真正将前端处理过后的指令进行执行的部分。

而其实在后端中，真正执行指令的部分占比也不高，因为程序种类繁多，其中的指令 耗费的时间和数据也各不相同，因此后端中相当大一部分芯片面积用于对指令执行顺序进 行动态调度。而真正用于指令执行的，其实只有执行单元（EU，图中深绿色部分）。再进 一步看，EU 部分的 8 个小分组中，有 4 个用于与内存沟通，例如生成内存地址、读写数 据，只有 4 个剩余的 EU 组可以用来真正进行数据计算（图中红色虚线框部分）。而这 4 组 EU 当中，包含 4 个整数加减单元，1 个整数乘法、1 个整数除法、1 个浮点除法单元， 2 个浮点乘加单元，以及 5 个向量运算单元。

可见，如果有大批量的某种单一运算任务（例如数百万次浮点乘除法），那么 CPU 真 正能够利用的计算面积可谓小之又小，效率很低。正如同人体，为了追求通用性，具备各 式各样的结构，但每一种功能都只用到一小部分结构，那么我们在特定任务上的表现往往 不会那么出色，我们对温度的感知能力甚至不如一个简单的体温计。 从 CPU 的架构，我们可以看到，“通用性”和“单一任务效率”始终存在矛盾。CPU 极端倾向通用性，而 GPU 则是牺牲一定程度的通用性来换取单一任务效率提升。

GPU：摩尔定律带来图形化时代，牺牲通用性换取并行计算能力

正如 NPU、DPU 等新类型的处理器，GPU 的诞生也伴随着时代的变迁和现实的需求。 随着摩尔定律持续生效，CPU 能够支撑的运算量越来越大，从而诞生了愈发复杂的程序。 20 世纪 70 年代-90 年代，图形化人机界面（GUI）的操作系统、2D 游戏、3D 游戏先后 出现，对 CPU 的性能提出了越来越高的需求。软件的开发比硬件更为便捷，发展速度超越硬件，导致最先进的 CPU 在应对图形程 序时也会卡顿。因此，开发较 CPU 更高效的硬件势在必行，GPU 应运而生。而其中，最 能够对 CPU 构成挑战的当属 3D 游戏，现代意义上的 GPU/显卡也是在 3D 游戏时代诞生发展的，其典型代表包括 3DFX、NVIDIA、ATI、AMD 等。此外还有 2D 显卡时代的两大 巨头 S3 Graphics、Trident 等公司也在 3D 时代进行尝试，但最终未能取得明显战果。

计算机图形渲染：从三角网格的变形运动到像素填充，存在大量并行性

GPU 为何能够在 3D 时代拯救 CPU 的算力不足？其原因在于计算机图形学算法有其 固定流程和特征，而 GPU 就是针对计算机图形学算法设计而来，从而可以采用与 CPU 不 同的架构，舍弃部分通用性，而增强了并行计算能力。 当代 GPU 的工作主要包括视频编码解码、3D 渲染等工作。其中视频编解码工作往往 可以用专用的电路进行解决，而 3D 渲染相关工作较为复杂。

所谓 3D 渲染，也就是将 3D 模型和场景显示到图像上的过程，该流程通常有比较固 定的几个阶段。首先，大多数 3D 模型的轮廓都是由一个个小三角形拼接而成的（3D mesh）， 我们首先需要计算出所有小三角形的顶点坐标，才能确定模型的动作姿态。在确定三角形 坐标后，模型表面还没有图案，我们需要进行“贴图”，让模型表面的颜色、纹理、反光 率等情况得到显示。此后为了将图像显示在屏幕上，还需要将模型中各个小三角的位置以 及内部颜色与屏幕上的像素进行一一对应（光栅化）。

具体来说，模型的运动通过诸多小三角形的运动来实现。小三角形通常会有旋转、剪 切、缩放等线性变换，以及平移变换，统称“仿射变换”。这些仿射变换都可以通过矩阵 的方式进行表达，三维空间中的坐标点通过乘以仿射变换矩阵，就完成了变换。由此可见， 模型顶点的变换，其实是通过大量并行进行的乘加运算实现的。而后续的贴图环节，就是将设计好的纹理图“texture”按照对应的坐标关系，一一映 射到“没有皮肤”的模型表面，其本质同样是大量可并行的运算。将模型转化为像素点的 光栅化过程，主要是对像素点对应位置的空间坐标点进行颜色采样，同样是大量的并行运 算。

GPU架构：适应图形需求，一批核心共用控制部分，同时执行同样指令

如前所述，图形渲染需要处理的是大量独立并行的运算任务，GPU 的设计与此相合。 以较为简单的 Fermi 架构为例（该架构于 2010 年推出），可以看到其中计算核心占比 非常高（图中绿色部分）。如果我们进一步拆开来看，打开一个 SM（Stream Multi-processor， 红框中部分），其中包含了 2*16 个计算核心（深绿），16 个读写单元（LD/ST，黄绿），4 个用来计算超越函数的特殊功能单元 SFU（浅绿），数量较多；同时还包含 22 线程束调度 器（Warp Scheduler，橙色），每个线程束调度器可以同时控制 16 个计算核心，让这些核 心同时执行相同的指令。

对比 CPU 架构来看，可以发现 CPU 中 EU 只占很小一部分，而 GPU 中计算核心占 据大多数面积。由于无需考虑指令之间的相互依赖关系，只需对大量数据执行同样的操作， 因此 GPU 无需 CPU 中那么复杂的控制单元（前端以及指令调度部分）。可以说，是图形 应用的特殊性给了 GPU 改进的空间，使其可以舍弃部分通用性设计，专注并行计算效率。