搜索
爱集微APP下载
登录
1.机构：2023年Q4智能手机SoC出货量，联发科占比36%居首
2.英伟达最强AI芯片带动被动元件需求激增，多家厂商受惠
3.蔚来将Q1汽车交付目标下调至3万辆
4.北京获批筹建全国首个汽车自动驾驶领域国家计量数据建设应用基地
5.联发科携手阿里，天玑芯片成功部署通义千问大模型
6.V-Tech | 为旌星图工具链部署SwinT模型，降低视觉Transformer计算成本
7.传苹果新款iPad Air/Pro将于5月初推出，目前正加紧生产
8.中兴通讯：今年年中将发布首款AI旗舰手机
9.日本厂商集体涨价，电子特气行业触底反弹了吗？
1.机构：2023年Q4智能手机SoC出货量，联发科占比36%居首
集微网消息，研究机构Counterpoint统计，2023年第四季度联发科占据智能手机SoC市场36%的出货量份额，表现强劲，5G、4G移动SoC需求的增长，以及天玑9300旗舰芯片的量产，都促进了联发科的增长。
按照出货量统计，该季度高通份额23%位居第二，同样受惠于智能手机新品的出货增加；苹果占比20%位居第三，受惠于iPhone 15系列新品的发布；紫光展锐占比13%位居第四；三星占比5%位居第五。
按照芯片营收统计，2023年第四季度苹果智能手机SoC市场份额居首，占比39%；高通紧随其后，份额34%，得益于骁龙8 Gen 3旗舰芯片的推出以及中国厂商搭载骁龙8 Gen 2手机的出货；联发科营收占比15%位居第三，同样实现了同比增长。其它厂商方面，三星SoC营收占比仅为5%，华为约为3%，其余为紫光展锐、谷歌、JLQ瓴盛。
2.英伟达最强AI芯片带动被动元件需求激增，多家厂商受惠
集微网消息，英伟达日前推出当今最强人工智能（AI）芯片Blackwell系列新品，含B200、GB200等。业界表示，AI服务器功率上升，带动被动元件如电感用量大增2~3倍，多家台厂有望因此受惠。目前，被动元件厂商华容、华新科、信昌电、国巨等股价上涨。
英伟达AI服务器带动电感，尤其是高端电感需求激增，这类产品单价是一般产品的5~8倍。此外，AI手机、AI PC等终端应用也将推动被动元件市场增长，尤其是MLCC（多层陶瓷电容）最为显著，光是AI PC的MLCC用量就比传统PC增加80%。
全球MLCC巨头村田看好这类产品市场状况回暖，预计产能利用率会明显提升。业界看好AI手机、AI PC新品陆续问世，将带来新一波换机潮，周边零部件也有望跟随复苏，厂商收益最大。
3.蔚来将Q1汽车交付目标下调至3万辆
集微网消息，3月27日，蔚来汽车发布公告称，根据最近的业务进展，本公司预期于2024年第一季度交付约 30,000辆汽车，此前预期交付31,000辆至33,000辆。
本月初，蔚来汽车发布2023年度业绩报告显示，年度销售额为492.573亿元(69.377亿美元)，较上一年度增长8.2%；收入总额为556.179亿元(78.336亿美元)，较上一年度增长12.9%；毛利为30.518亿元(4.298亿美元)，较上一年度下降40.7%；全年的毛利率为5.5%。
2023年蔚来净亏损为207.198亿元(29.183亿美元)，较上一年度增长43.5%。扣除股权激励费用，2023年全年的经调整净亏损(非公认会计准则)为183.507亿元(25.846亿美元)，较上一年度增长51.1%。
此前其同时预期第一季度营收为105亿元至110.9亿元，按目前销量推进进度，蔚来Q1营收预计也会同比下调。
近日，蔚来创始人、董事长李斌在中国电动汽车百人会论坛（2024）上表示，十年后，全球智能电动汽车产业的前十名里，将有五家是中国公司。在他看来，目前比亚迪和包括沃尔沃在内的吉利控股都已经预留了席位。
4.北京获批筹建全国首个汽车自动驾驶领域国家计量数据建设应用基地
集微网消息 近日，市场监管总局批准北京市基于高级别自动驾驶示范区应用场景筹建国家计量数据建设应用基地（汽车自动驾驶）。
截至目前，北京市高级别自动驾驶示范区累计为29家测试车企超800台车辆发放道路测试资质，自动驾驶测试里程超过2500万公里，实现智能网联乘用车、智能网联巴士、无人接驳、无人配送、干线物流等八大类城市应用场景全面开放协同发展，累计提供常态化出行与生活服务超1160万人次，积累了车端感知、路侧感知、信号控制、出行服务等海量数据。
基地立足计量数据赋能产业发展、城市治理和民生服务，将以视频设备、传感器设备等提供的路侧数据和自动驾驶车辆通过传感器和摄像头等测量设备获取的车端数据为基础，通过对数据的分析和处理，为自动驾驶算法模型的训练、验证提供准确可靠的数据支持，推动自动驾驶技术不断优化和提升，形成基于区块链技术的自动驾驶领域新型量值传递溯源体系。同时通过数据分析挖掘建立典型标准场景库，构建车、路、云一体的汽车自动驾驶信息计量数据体系和安全主动防护体系，建立自动驾驶数据集和仿真场景数据库，推进汽车自动驾驶数据体系建设与应用，保障更加安全、高效、智能的自动驾驶。
5.联发科携手阿里，天玑芯片成功部署通义千问大模型
集微网获悉，全球最大的智能手机芯片厂商MediaTek联发科，已成功在天玑9300等旗舰芯片上部署通义千问大模型，首次实现大模型在手机芯片端深度适配。通义千问在离线情况下依然可以流畅运行多轮AI对话。阿里云方面表示，将和联发科深度合作，向全球手机厂商提供端侧大模型解决方案。
据悉，双方在天玑 9300 移动平台上完成通义千问大模型小尺寸版本的端侧部署，该部署可适配天玑 8300 移动平台，可实现离线状态下即时且精准的多轮人机对话问答。未来，双方将携手打造面向应用开发者和终端设备厂商的生成式 AI 软硬件生态，基于 MediaTek 天玑移动平台适配更多参数版本的通义大模型，共同探索面向大众的 AI 智能体（AI Agent）服务场景新机遇。
6.V-Tech | 为旌星图工具链部署SwinT模型，降低视觉Transformer计算成本
从Transformer到SwinT
Transformer算法最初是为自然语言处理任务设计的，因其注意力机制的独特设计，使得模型能够捕捉到全局和局部之间的复杂关系，因而计算机视觉领域一直尝试将其引入。
2020年，DETR算法成功将CNN与Transformer相结合，构建了一个端到端的目标检测模型。同年提出的ViT算法，创新性地将图像划分成一个个patch，并将每个patch展平为一个向量，使得图像数据转化为序列化数据，之后输入到Transformer模型中，实现了Transformer在图像分类任务中的应用。ViT算法相比于DETR算法，摒弃了以CNN网络为backbone的做法，从输入图像下手，将其转变为序列数据，基本无需改动Transformer便可实现图像分类网络。这种处理方式，也给后续许多算法提供了新思路。
但ViT依旧存在局限性,由于计算量与像素数量的平方成正比，对于高清图像，计算量陡然上升。
为解决上述问题，诞生了SwinT(Shifted Windows Transformer)。该算法的主要设计思路围绕以下两点展开：
模仿CNN算法的卷积操作，提出一种滑动窗口机制，通过不重叠的local-window和重叠的cross-window，将Transformer的全局注意力计算限制在一个大小固定的窗口之中。
加入下采样的层级设计，从而逐层扩大感受野范围，使得被限制在窗口范围内的注意力计算也能获取全局的特征信息。
由于引入了类似CNN卷积的操作，再加上多层级的下采样结构，SwinT既具备了较强的局部信息聚合能力，又保留了Transformer无需过多操作便能捕获远距离特征信息的特点，因此，算法表现极为出色，既能够作为Transformer类型算法在计算机视觉领域的通用backbone，又能在一定程度上能代替CNN。
SwinT算法原理
网络主体结构
SwinT网络结构，由Patch Partition和4个Stage组成。Patch Partition将输入图像转换成patch size为4的众多patch。每个Stage包含一个Linear Embdding或Patch Merging，以及若干STB模块(Swin Transformer Block)。在Stage1中先通过Linear Embedding将众多patch嵌入到高维向量中，即把通道数调整为C，之后送入STB。Stage2-3，均为先由Patch Merging进行下采样，缩小特征图的分辨率，扩大感受野范围，然后送入STB。
SwinT架构
Patch Merging
在CNN中，通常会使用卷积层或池化层进行下采样操作，而SwinT的下采样操作相对复杂，每次下采样均为两倍，因此在H/W方向上，均是间隔2选取元素，得到四个宽高为(H/2，W/2)的tensor，通过将这四个tensor在c通道方向堆叠，形成一个新的tensor后，经过Linear层，最终获得下采样输出。
Patch Merging流程
tensor维度变化
STB模块
STB模块是SwinT中最核心的部分，其在标准的Transformer自注意力基础上改进为窗口自注意力(W-MSA：window multi-head self-attention)和移动窗口自注意力(SW-MSA：shifted window multi-head self-attention)两种结构。这两种结构是成对使用的，其中：
W-MSA将每一个window范围当作独立的全局进行自注意力计算，从而降低计算量；
SW-MSA则把window偏移一半边长后计算window范围内的注意力，使得相邻window内的元素产生交互，进而实现特征信息融合。
这种通过window移位实现不相交window内数据聚合的方法，有效提升了各类计算机视觉任务中的计算效果。
STB结构
需要说明的是，SW-MSA部分由于对window进行了移位操作，使得计算量增加。以下图为例，左边进行的是W-MSA操作，此时只有4个window需要进行内部的注意力计算。在SW-MSA操作中（右图），window偏移了一定距离后，出现了9个大小不统一的window需要进行注意力计算，这势必会带来额外的计算开销。
对于移位引起的计算量增加，SwinT采用了cyclic shift和attention mask的方案来解决。
cyclic shift通过按照一定规律移动feature map，将window移位后产生的9个计算区域，重新拼接成4个区域，使得计算量和W-MSA保持一致。首先，将顶部数据（序号1-4）移动到底部，再把最左侧数据（序号5、9、13、1）移动到最右侧，得到result feature map。
result feature map中的4个区域，除左上角区域没有变化，其他区域都由原本相距很远的数据拼接而成，这部分数据本不应参与所处区域的注意力计算，故要对其进行屏蔽，即使用attention mask来掩盖住不属于本区域的数据，得到注意力结果之后再把移位区域平移回去。
cyclic shift+attention mask解决移位计算量增加问题
SwinT模型导出Onnx及量化
为旌天权TMNPU是一款专为深度学习算法优化加速而设计的硬件单元，其广泛兼容并支持当前主流公开的神经网络以及各类常见算子，涵盖了深度学习卷积神经网络和Transformer网络。为旌星图TM工具链针对为旌全自研天权NPU硬件平台开发，充分利用为旌天权TMNPU所特有的高集成度自定义指令集，从而确保深度学习网络模型能够得到高性能执行。
在模型部署过程中，为旌星图TM工具链要求待部署的模型格式为Onnx，即非Onnx格式的原模型需要先进行转换，下文以pytorch模型为例。
Onnx模型导出
pytorch模型一般以源码+参数文件的形式保存。作为示例，本文一同使用的torchvision中的模型也是以上述形式保存。
环境准备
首先是确保pytorch和torchvision已安装且torchvision的版本在0.13以上。请注意python、torchvison和pytorch之间的版本存在约束关系，具体请参考https://github.com/pytorch/vision。本文在python3.8和cuda11.7的环境中安装pytorch2.0.0和torchvison0.15.1，使用如下命令：
pip install torch==2.0.0 torchvision==0.15.1
如软硬件环境不同，请参考https://pytorch.org/get-started/previous-versions/选择命令安装。
torch模型准备
使用torchvision中的SwinT模型，注意需要加载预训练参数。命令如下：
import torch
import torchvision
weigths = torchvision.models.Swin_T_Weights
model = torchvision.models.swin_t(weights=weigths)
model.eval()
转换Onnx
从torchvision官网的介绍中我们可以看到该模型是一个基于imagenet数据集的分类模型，该模型只有一个输入和一个输出。
设置输入名称为"x"，输出名称为“y”，输入的shape为[1,3,224,224]；设置模型的存储文件名为swin_t.onnx，opset_verion为13。综上，使用如下命令即可导出Onnx模型：
shape = [1,3,224,224]
x = torch.randn(size=shape)
save_path = 'swin_t.onnx'
input_names = ['x']
output_names = ['y']
opset_version=13
torch.onnx.export(
model, x, save_path, input_names=input_names, output_names=output_names, opset_version=opset_version
)
上述代码运行之后，得到swin_t.onnx。该文件可用netron工具打开。
更多具体转换教程可以查看此网址：https://pytorch.org/docs/2.0/onnx.html。
模型量化
模型清洗
我们把开发环境切换为旌星图TM工具链的开发环境。
此前转换出的Onnx模型中并不能直接使用，因为工具链不支持动态算子（比如shape）、分支和循环，另外本身模型中还有很多待优化的地方。使用onnxsim可以进行常量折叠、算子融合、死代码消除等操作。onnxsim的命令如下：
onnxsim swin_t.onnx swin_t_new.onnx
得到swin_t_new.onnx之后，推荐再使用OnnxConvertTool命令进行模型清洗，该命令可以将Onnx模型中一些不支持的结构（比如不对称pad的卷积和池化算子）转为支持的结构，也会将模型的一些算子和参数替换为等效的算子和参数。该命令如下：
OnnxConvertTool --input_model swin_t_new.onnx --output_model swin_t_washed.onnx
使用该命令，我们最终得到swin_t_washed.onnx，作为量化用的模型。
PTQ
在运行ptq之前，我们需要准备数据集。下文仅作演示，我们从imagenet数据集中随机抽取了20张图片作为校准数据集，并放在名为imagenet_demo的文件夹下。
在imagenet_demo的同级目录下，新建config_ptq.yml，内容如下：
model:
onnx_model: ./swin_t_washed.onnx
work_mode: PTQ
quant:
activation:
observer: MinMaxObserver
dtype: int8
symmetry: True
weight:
observer: MinMaxObserver
dtype: int8
symmetry: True
per_channel: True
dataset:
calibrate:
root: ./imagenet_demo/
calibrate_num_sampler: 20
batch_size: 1
transform:
resize: [256, 256]
crop: [224, 224]
out_dir: ./swint_quant_out
运行如下命令启动ptq量化：
StatlasQuant --quant_cfg config_ptq.yml
量化完成之后，在当前目录下找到swint_quant_out文件夹，可以看到该文件夹产生了一个deploy的Onnx模型以及量化参数表，这两个文件可供后续的编译器使用。
$ tree swint_quant_out/
swint_quant_out/
├── swin_t_washed_deploy_model.onnx
└── swin_t_washed_quant_param.yaml
经过以上步骤，原模型转Onnx并量化的工作完成。转换得到的量化参数表和Onnx模型会继续进入编译器，通过编译生成megrez文件，该文件可以通过runtime工具在芯片上运行该模型。
关于编译器与runtime工具我们将在后续的文章中详细介绍。
小结
SwinT在机器视觉领域中表现出了出色的性能，通过将输入图片分割成小块，并进行自注意力计算，实现了高效的图像特征提取。
除本文重点介绍的SwinT外，为旌全自研天权NPU广泛支持已公开的主流神经网络模型以及各类常见算子。配套的为旌星图TM工具链旨在帮助用户将神经网络模型高效、快速地部署到为旌天权TMNPU上进行加速处理，有效缩短客户的开发周期。通过整合端到端的解决方案，企业可以更加专注于业务逻辑与模型创新，而无需过多关注底层基础设施和运维难题，从而加速AI技术驱动的业务转型和升级。
7.传苹果新款iPad Air/Pro将于5月初推出，目前正加紧生产
集微网消息，据业界知情人士透露，苹果公司的海外供应商目前正加紧生产新款iPad平板电脑，已经提高了产量，并计划于今年5月推出。
苹果在2023年没有更新任何一款iPad，因此预计将于今年发布的iPad Air和iPad Pro备受期待，知情人士也确认了即将发布的新品为这两个系列。全新iPad Air将首次配备12.9英寸显示屏，而全新iPad Pro将首次搭载OLED显示屏。
截至目前苹果iPad系列已经连续18个月没有更新，创造了苹果历史上最长记录，这也导致iPad销量季度数据出现同比下滑。
消息公布后，苹果公司拒绝对此发表评论。
爆料称苹果新款iPad Pro代号将包括 J717、J718、J720和J721，将搭载最新的M3芯片；同时苹果会推出全新的妙控键盘和Apple Pencil手写笔。
早些时候消息称苹果计划在4月发布新品，但业界认为由于全新的OLED屏需要更复杂的技术，因此发布日期延迟。
苹果计划于6月10日召开WWDC全球开发者大会，届时苹果有望公布其在人工智能（AI）领域的最新成果，以及多款产品的软件更新。
8.中兴通讯：今年年中将发布首款AI旗舰手机
集微网消息 3月28日，中兴通讯高管在2023业绩说明会上表示，公司将紧跟AI浪潮，加大AI手机布局。预计今年4月将发布多款努比亚AI手机新品，年中将发布首款AI旗舰手机。
未来，中兴通讯将基于中兴星云OS系统，实现各类业务接入统一的AI平台，整合大模型、大数据和3D技术，在影像、性能、安全等方面进行全栈赋能。
今年2月，中兴通讯发布nubia Flip 5G 折叠屏手机、nubia Pad 3D Ⅱ 平板、nubia Focus 5G / Pro 5G、nubia Music、nubia Neo 2 5G 、Z60 Ultra 手机等多款产品。
2023 年，中兴通讯实现营业收入 1242.509 亿元，同比增长 1.05%；净利润 93.25 亿元，同比增长 15.41%。2023 年，该集团毛利率为 41.53%，同比上升 4.34 个百分点，主要由于运营商网络、政企和消费者业务三大业务的毛利率均有提升。
9.日本厂商集体涨价，电子特气行业触底反弹了吗？
集微网报道，近期，一则日本气体厂商集体调涨产品价格的消息引起了业内关注。受外部经济环境及行业周期波动影响，2022下半年以来半导体晶圆厂、液晶面板厂稼动率持续下滑，导致电子特气市场需求较为疲软，国内电子特气企业2023年业绩纷纷下滑。
此时，日本气体厂商纷纷宣布将于2024年4月起涨价，是否意味着电子特气行业已经触底反弹？
日本修订《劳动基准法》，气体厂商纷纷涨价
据笔者不完全统计，包括大阳日酸、岩谷、Resonac（前身是昭和电工）、日本液化空气、AirWater在内的气体厂商纷纷发布涨价通知。
2024年2月8日，AirWater宣布将包括氧气、氮气、氩气在内的空气分离气体涨价10%以上，将二氧化碳气体、干冰、氦气、稀有气体、氢气等，涨价20~30%以上。
AirWater表示，为应对工业和医用气体生产和运输相关的各种成本上涨，我们已从2023年2月1日起将各种气体产品的价格上调10~30%或更多。
然而，从那时起，由于日元贬值和地缘政治风险加剧导致汇率趋势，能源成本和电价一直不稳定，预计运输成本将因定于2024年4月1日修订的《劳动基准法》而增加（所谓的“2024年物流问题”）。此外，为了在日本继续稳定供应，预计二氧化碳和氦气等气体产品的制造、采购和运输成本将大幅增加，因为需要国内运输系统、从海外进口和多个供应商。
2024年2月29日，岩谷株式会社宣布将于2024年4月修改工业气体出货价格，包括空气分离气体、二氧化碳气体、干冰、氦气、标准气体、激光气体等产品价格将上涨15~25%左右。
岩谷表示：2024年4月1日修订的《劳动基准法》导致采购成本上升和物流成本上升，因此决定要求修改价格。
2024年3月1日，日本液化空气有限责任公司宣布将修改各种工业气体和医用气体的销售价格。过去，由于能源和原材料价格飙升，以及司机劳动力和运输成本上升，液化气生产和交付成本不断上升，我们一直在要求客户修改价格。
此后，由于日元贬值和国际形势的持续不稳定，能源和原材料价格持续上涨，物流成本进一步上升，原因是从2024年4月起实施与工作方式改革相关的法律，对运输司机长时间工作的规定收紧。因此，我们决定从2024年4月1日起再次要求价格调整。
与上述原因相同，Resonac宣布从2024年4月起，所有气体产品的销售价格都将上调。包括二氧化碳、干冰、氢气、氦气、制冷气体、乙烯、氧气、氮气、氩气、消毒气体和各种混合气体，每种气体的涨价幅度从10%到30%不等，甚至更多。
由上述公告可知，日本气体厂商集体涨价主要是因为日本2024年4月1日实施的《劳动基准法》，导致采购成本上升和物流成本上升，而非市场需求变化引发。
内卷不停，本土厂商或难跟涨
至于日本厂商为何会在此时涨价，某国内晶圆厂人士对集微网表示，去年就有涨价，尽管市场需求低迷，但国际气体厂商调升产品价格也属于正常现象。
以大阳日酸为例，集微网查阅资料发现，自2021年底以来，大阳日酸已经连续三年发布涨价通知，其中2022年2月起普通气体涨价20%，特殊气体涨价10%~35%；2022年8月起再次涨价15%；2023年2月起对包括氧气、氮气、混合气体、氢气、氨气在内的各种工业气体再次涨价20%；2024年4月起对包括氧气、氮气、氩气等在内的普通气体涨价10%以上，对特殊气体、氢气涨价15%以上。而涨价原因均为能源价格暴涨导致电力费用上升和钢材价格上升。
大阳日酸表示，为应对能源价格、钢铁价格和各种原材料成本飙升导致电价上涨，自2022财年起，我们一直在调整各种工业气体和医用气体的价格。
目前，能源市场状况和电力成本稳定，但除了物流“2024问题”导致物流成本上升外，劳动力成本飙升和各种材料也在重叠。特别是作为高压气体供应链下游、最小单元的钢瓶气体，在物流和人工成本中占比很大，成本上升正在成为严重局面。此外，在氢气方面，由于原料气短缺导致供需紧张，制造基地减少，为保持稳定供应而投资制造和物流基础设施的成本和长途运输的物流成本大幅上升。
那么，电子特气行业是否已经触底反弹，本土气体厂商能否跟涨？
笔者就此事致电多家A股电子特气上市公司证券部及销售人员处获悉，目前国内电子特气厂商的产品价格趋于稳定。“事实上，国内电子特气价格很难有大幅波动的情况，由于国内大型化工企业非常多，当前原料供应较为稳定，所以价格基本处于稳定状态。”
笔者从业内了解到，受2022年稀有气体价格大幅上涨影响，2023年稀有气体价格持续下滑，同时叠加下游需求低迷，部分国内电子特气厂商为扩大市场份额采取了以价换量的销售策略。也就是说，在2023年日本气体厂商宣布涨价期间，本土厂商却陷入了价格内卷。
从市场需求来看，中国大陆晶圆代工龙头中芯国际在2024年2月举办的业绩说明会上预测，由于市场需求复苏的强度尚不足以支撑半导体行业的全面强劲反弹，晶圆代工业产能利用率在短时间内很难回到前几年的高位。显然，晶圆厂对上游材料领域的需求量也很难回到高位。
某国内领先电子特气厂商人员也表示，目前市场需求情况和去年差不多，订单量未见明显好转，并没有看到触底反弹的趋势。
不过，另一家A股上市电子特气厂商却有不同看法称，从公司的角度来看，市场需求的情况相对去年有所好转，因为去年尚处于去库存阶段，而存储比逻辑需求更好。但由于各大晶圆厂对上游气体厂商的采购需求不同，可能是增加一家供应商的采购量，而降低另一家供应商的采购量。另外，公司与下游晶圆厂签署的是框架协议，然后每个月根据自身情况下订单，而非一次性下足全年订单。因此单靠某一家企业的数据无法推导出整体下游和长期需求情况。
整体来看，国内电子特气厂商的产品价格趋于稳定，甚至部分产品正处于价格“内卷”状态，或难以跟随日本气体厂商的涨价步伐。
