电子行业深度报告：AR低谷已过，生态系统日益成熟
有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 HeaderTable_TypeTitle 电子深度报告 AR低谷已过，生态系统日益成熟 2 目 录 1 苹果、谷歌相继发布 AR 产品 . 4 2 AI芯片提升 AR 计算能力 . 4 3 ARKit、 ARCore促进 AR 生态系统成熟 . 6 4 AR加速深度摄像头的渗透 . 10 5 投资建议 . 13 6 风险提示 . 15 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 HeaderTable_TypeTitle 电子深度报告 AR低谷已过，生态系统日益成熟 3 图表目录 图 1： AR 原理示意图 . 4 图 2： Pokemon Go将虚拟精灵融合在真实外部环境中 . 4 图 3： CPU 和 GPU均不适合 AR 应用 . 4 图 4：用于云端和终端的 AI 芯片有不同的侧重点 . 5 图 5：手机 SOC新增 NPU 单元专门用于处理 AI 任务 . 5 图 6：华为麒麟 970和苹果 A11 的 AI 处理能力均大幅提升 . 6 图 7： Tango 需要包括深度摄像头在内的额外硬件 . 7 图 8：联想 Phab 2 Pro 拆解图和外观图 . 7 图 9： ARKit 完整工作流程 . 7 图 10： ARKit对软硬件的要求较低 . 8 图 11： 2020 年支持 ARKit的 iPhone 数量将达到 8.5亿台 . 8 图 12： ARCore的三个核心功能 . 8 图 13： ARKit和 ARCore 的比较 . 9 图 14：游戏 Star Wars 即将支持谷歌 AR . 10 图 15： ARKit存在一些缺陷 . 10 图 16：三种深度摄像头技术对比 . 11 图 17：结构光原理图 . 12 图 18：双目视觉原理图 . 12 图 19： TOF 飞行时间法原理图 . 12 图 20： AR推动硬件创新 . 13 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 HeaderTable_TypeTitle 电子深度报告 AR低谷已过，生态系统日益成熟 4 1 苹果、谷歌相继发布 AR 产品 苹果在 6 月的 WWDC 大会上 推出 了 应用程序开发工具包 ARKit， 并在 9 月中旬 iPhone 8 和 iPhone X 新品会上发布 iOS 11 操作 系统 ， AR 是其重要的新功能。 谷歌在 8 月 底发布类似 ARKit 的安卓开发工具包 ARCore，并在 10 月 4 日发布的 Pixel 2 手机中正式实现 AR 功能。 我们认为，这是 AR 发展的重要里程碑， A11 芯片的神经网络模块具有高效的 AR 计算能力， iOS 11即 将带来 5 亿的 潜在 苹果 AR 用户 。谷歌 ARCore 及相关安卓手机也将带来 1 亿潜在 AR 用户， 巨大的用户基数将促进 AR 软件和内容的高速增 长， AR 生态系统将不断完善。 2 AI 芯片提升 AR 计算能力 AR 的实现涉及一系列的计算：探测真实物体 计算物体的空间位置和方向 计算虚拟 物体 叠加的位置 渲染虚拟物体等，为避免眩晕和实现实时显示，整个过程要求在极短的时间内完成（不超过 20 ms，而鼠标移动到屏幕光标更新一般是 50 ms 左右）。 图 1： AR 原理示意图 图 2： Pokemon Go将虚拟精灵融合在真实外部环境中 数据来源： Techweb、 东方证券研究所 数据来源： 互联网、 东方证券研究所 芯片需要满足的功能排序是： CV/AI 算法 > 显示 > 通讯 （ CV 即 Computer Vision， AI 即 Artificial Intelligence） ， 且实现 CV/AI 算法的过程 要求 时间短、功耗低， 具有 AI 功能的 芯片 能够高效实现AR 计算 。 传统 CPU 芯片 通用性强， 无法放入大量的计算核心以实现大规模的并行计算，因此 CPU 的性能不足以支持 AR 操作的流畅执行 ； GPU 芯片在 AI 领域的处理能力远大于 CPU， 如在 “谷歌大脑 ”中 ， 12 个 GPU 相当于 2000 个 CPU 的性能，但 GPU 功耗太大且基于 batch 算法模式导致延时过大，不适用于 AR 应用。 图 3： CPU 和 GPU均不适合 AR 应用 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 HeaderTable_TypeTitle 电子深度报告 AR低谷已过，生态系统日益成熟 5 芯片类型 不适用于 AR 的原因 CPU 通用性强，用于计算的 ALU 数量不多，不能实现大规模并行计算 GPU 功耗太大，基于 batch 运算模式使得延迟过大 数据来源： 半导体行业观察、新华社、 东方证券研究所 AR 应用需要专用 AI 芯片。 根据应用 端 的不同， AI 芯片可分为应用于云端（服务器端）和应用于终端（移动端）两大类。用于云端的 AI 芯片要求保障正确率和泛化能力，且要求 支持 高 精度浮点数运算 ， 运算量级为 每秒执行 次运算，芯片功耗大，为了提升性能 还 要求支持多块芯片组成一个计算阵列的结构。用于终端的 AI 芯片注重低功耗， 要求 保证高计算能效，允许一些计算精度的损失，可采用定点数运算和网络压缩的方法实现运算速度的加速。 图 4： 用于云端和终端的 AI 芯片有不同的侧重点 AI 芯片类型 侧重点 存在的问题 用于云端 正确率、泛化能力、高精度 浮点数运算 功耗大 ， 要求支持阵列式结构 以提升性能 ，难度大 用于终端 控制功耗（高计算能效） 计算精度有所损失 数据来源： 互联网 、 东方证券研究所 随着华为麒麟 970 和苹果 A11 的发布， 应用于终端的 AI 芯片的处理能力进一步提升， 为 AR 在终端的应用奠定了基础 。 华为 麒麟 970 和苹果 A11 均搭载了神经网络
