全球数字财富领导者
旧版
|
北美站
|
FX168 全球视野 中文财经
首页
资讯
速递
行情
日历
数据
社区
视频
直播
点评旗舰店
商品
财富汇
登录 / 注册
搜 索
综合
行情
速递
日历
话题
168人气号
文章
吉视传媒(601929)今日开盘跌停,主力净流出7667万元
go
lg
...
化传媒、吉林板块、广电、影视概念、国产
芯
片
等。 消息面上,2023年11月27日涨停的吉视传媒,全天换手率达24.68%,振幅达10.09%。龙虎榜数据显示,营业部席位合计净买入1.34亿元。其中,中国中金财富证券有限公司南昌红谷中大道证券营业部、沪股通专用分别买入7072.28万元、6347.69万元;沪股通专用、方新侠(中信证券西安朱雀大街证券营业部)分别卖出3732.77万元、3486.20万元。 本条资讯来源界面有连云,内容与数据仅供参考,不构成投资建议。AI技术战略提供为有连云。
lg
...
有连云
2023-11-28
万联证券:关注AI算力、AI应用、数据要素三大领域
go
lg
...
域。AI算力方面,关注AI服务器、AI
芯
片
领域相关公司;AI应用方面,办公、教育、金融是落地进度相对较快的场景,关注海外AI典型应用在国内的映射;数据要素方面,关注地方数据运营的参与厂商,以及各垂直场景的IT龙头。
lg
...
金融界
2023-11-28
异动快报:吉视传媒(601929)11月28日9点30分触及跌停板
go
lg
...
目前下跌。领涨股为贵广网络。该股为国产
芯
片
,超高清视频,传媒概念热股,当日国产
芯
片
概念上涨0.28%,超高清视频概念上涨0.06%。 11月27日的资金流向数据方面,主力资金净流入2.32亿元,占总成交额11.57%,游资资金净流出1.44亿元,占总成交额7.2%,散户资金净流出8740.29万元,占总成交额4.37%。 近5日资金流向一览见下表: 吉视传媒主要指标及行业内排名如下: 以上内容由证券之星根据公开信息整理,由算法生成,与本站立场无关。证券之星力求但不保证该信息(包括但不限于文字、视频、音频、数据及图表)全部或者部分内容的的准确性、完整性、有效性、及时性等,如存在问题请联系我们。本文为数据整理,不对您构成任何投资建议,投资有风险,请谨慎决策。
lg
...
证券之星
2023-11-28
【ETF盘前早报】科创
芯
片
ETF基金(588290)昨日强势收涨2.34%,收盘成交额达1.24亿元
go
lg
...
收盘,华安基金旗下涨幅居前的产品为科创
芯
片
ETF基金(588290)、科创信息ETF(588260)、黄金ETF(518880)、数字经济ETF(159658)、电子50ETF(515320),涨幅分别为2.34%、1.45%、1.04%、0.30%、0.30%。其中,科创
芯
片
ETF基金(588290)上涨2.34%,报价1.14元。收盘成交额已达1.24亿元,换手率9.49%。 拉长时间看,近10个交易日内,合计“吸金”2988.28万元。 数据显示,杠杆资金持续布局中。科创
芯
片
ETF基金前一交易日融资净买额达215.03万元,最新融资余额达2622.56万元。 科创
芯
片
ETF基金紧密跟踪上证科创板
芯
片
指数,上证科创板
芯
片
指数从科创板上市公司中选取业务涉及半导体材料和设备、
芯
片
设计、
芯
片
制造、
芯
片
封装和测试相关的证券作为指数样本,以反映科创板代表性
芯
片
产业上市公司证券的整体表现。 数据显示,截至2023年10月31日,上证科创板
芯
片
指数(000685)前十大权重股分别为中微公司(688012)、中芯国际(688981)、澜起科技(688008)、华润微(688396)、沪硅产业(688126)、寒武纪(688256)、晶晨股份(688099)、睿创微纳(688002)、芯源微(688037)、海光信息(688041),前十大权重股合计占比56.09%。 山西证券表示:23Q3电子行业基本面持续改善,结合Q4和明年Q1指引,消费电子景气度有望持续。展望明年,AI相关
芯
片
需求强劲,对CoWoS、HBM等先进封装拉动较大,台积电等厂商也在积极布局。中长期看,国内半导体产业链自主可控进程加速。上游设备、材料、零部件的国产替代,AI新技术驱动的高性能
芯
片
和先进封装需求,以及消费电子复苏带来的板块修复和华为产业链投资机会。 科创
芯
片
ETF基金(588290),场外联接(A类:017559;C类:017560)。 本条资讯来源界面有连云,内容与数据仅供参考,不构成投资建议。AI技术战略提供为有连云。
lg
...
有连云
2023-11-28
重塑计算界限:去中心化算力的现状与展望
go
lg
...
期。行业对算力的真实需求,也极大推动了
芯
片
厂商的发展。矿机
芯
片
经历了CPU、GPU、FPGA、ASIC等发展阶段。目前,比特币矿机通常是基于ASIC(Application Specific Ingrated Circuit)技术的
芯
片
能高效地执行特定的算法,如SHA-256。比特币带来的巨大经济效益,也拉动着相关挖矿的算力需求一并走高,但过于专用化的设备和集群效应,使得本身参与者发生虹吸效应,无论是矿工或矿机制造商,都呈现资本密集型的集中发展趋势。 而随着以太坊的智能合约问世,随着它的可编程性、可组合性等特点,形成了广泛的应用,特别是在 DeFi 领域的运用,使得ETH的价格一路看涨,而还处于 PoW 共识阶段的以太坊其挖矿难度也一路走高。矿工对以太坊矿机的算力要求也与日俱增,但以太坊与比特币使用ASIC
芯
片
不同,则需要使用图形处理器(GPU)来进行挖矿计算,如Nvidia RTX系列等。这样它更适合通用计算硬件来参与,这甚至一度引发了,市场对于GPU的争抢而导致市面上高端的显卡一度断货的局面。 而当时间来到2022年11月30日,由 OpenAI 研发的 ChatGPT 同样是展示了 AI 领域划时代的意义,用户惊叹于 ChatGPT 带来的全新体验,能如同真人一般,基于上下文完成用户提出的各种要求。而在今年9月推出的新版本中,加入了语音、图像等多模态特征的生成式AI又将用户体验带到了更新的阶段。 但与之对应的是GPT4有超过万亿级的参数参与模型预训练以及后续微调。这是 AI 领域对算力需求最大的两个部分。在预训练阶段,通过学习大量的文本来掌握语言模式、语法和关联上下文。使其能够理解语言规律,从而根据输入生成连贯且上下文相关的文本。预训练之后,再对GPT4进行微调,以便于更好地适应特定类型的内容或风格,提升特定需求场景的性能和专业化。 由于 GPT 采用的 Transformer 架构,引入自注意力机制(Self-attention),这种机制使得模型能在处理输入的序列时,同时关注序列中不同部分之间的关系,因而对算力需求急剧增长,特别是在处理长序列是需要大量并行计算和存储大量注意力分数,因而也需要大量的内存和高速的数据传输能力。目前主流的同架构LLM对于高性能GPU的需求巨大,这也表明AI大模型领域投入成本巨大。根据相关 SemiAnalysis 的推测估计GPT4一次模型训练成本高达6300万美金。而为实现良好的交互体验,GPT4 在日常运营中亦需要投入大量的算力来维持其日常运营。 算力硬件分类 这里我们要来理解一下目前主要的算力硬件类型,CPU、GPU、FPGA、ASIC 分别能处理怎样算力需求场景。 • 从CPU和GPU的架构示意图上,GPU包含更多核心,它们使得GPU可同时处理多个计算任务,并行计算的处理能力更强,适用于处理大量计算任务,因此在机器学习和深度学习领域得到了广泛的应用。而CPU的核心数量较少,适合处理更集中地处理单个复杂计算或序列任务,但在处理并行计算任务时不如GPU高效。在渲染任务和神经网络计算任务中,通常需要处理大量重复计算和并行计算,因此GPU比CPU在这个方面会更高效且适用。 • FPGA(Field Programmable Gate Array)现场可编程逻辑门阵列,是作为专用集成电路(ASIC)领域中的一种半定制电路。由大量小型处理单元组成的阵列,FPGA可以理解为可编程的数字逻辑电路集成
芯
片
。目前的运用主要集中在硬件加速,其他任务仍然在CPU上完成,让FPGA和CPU协同工作。 • ASIC(Application Specific Integrated Circuit)专用集成电路,是指应特定用户要求和特定电子系统的需要而设计的集成电路。ASIC在批量生产时与通用集成电路相比具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。因而在比特币挖矿的固有场景下,只需要执行特定的计算任务,ASIC则是最契合的。Google 也推出了针对机器学习专门设计的 TPU(Tensor Processing Unit)作为ASIC的一种,但目前主要通过Google Cloud提供算力租用服务。 • ASIC 和 FPGA 相比,ASIC 是专用集成电路,一旦设计完成后集成电路即固定。而FPGA是在阵列内集成大量数字电路基本门电路和存储器,开发人员可以通过烧写FPGA配置来定义电路,并且这种烧写是可更换的。但就当下的AI领域的更新速度,定制化或半定制化的
芯
片
,无法及时通过调整重新配置来执行不同的任务或适应新算法。因而,GPU 的普遍的适应性和灵活性,使其在 AI 领域大放异彩。各大 GPU 厂商就 AI 领域也对 GPU 在 AI 领域的适配做了相关优化。以 Nvidia 为例,推出了专为深度学习设计的 Tesla 系列和 Ampere 架构 GPU,这些硬件包含针对机器学习和深度学习计算优化的硬件单元(Tensor Cores),这使得GPU能够以更高的效率和更低的能耗执行神经网络的前向和反向传播。此外也提供了广泛的工具和库来支持AI开发,如 CUDA(Compute Unified Device Architecture)来帮助开发人员利用GPU进行通用并行计算。 去中心化算力 去中心化算力是指通过分布式计算资源提供处理能力的方式。这种去中心化的方法通常结合区块链技术或类似的分布式账本技术,将闲置的计算资源汇集并分发给需要的用户,以实现资源共享、交易和管理。 产生背景 • 强劲的算力硬件需求。创作者经济的繁荣,使得数字媒体处理方向进入全民创作的时代,激增的视效渲染需求,出现专门渲染外包工作室、云渲染平台等形式,但这样方式也需要本身投入大量的资金用于前期算力硬件采购。 • 算力硬件来源单一。AI 领域发展更加剧了算力硬件的需求,全球以 Nvidia 为龙头的 GPU 制造企业在这场AI算力竞赛中,赚得盆满钵满。其供货能力甚至成为能掣肘某一行业发展的关键要素,Nvidia的市值也于今年首次突破一万亿美元。 • 算力提供仍主要依赖中心化云平台。而目前真正受益于高性能计算需求激增的是以 AWS 为代表的中心化云厂商,它们推出了 GPU 云算力服务,以目前AWS p4d.24xlarge 为例,租用一台这样的专精于 ML 方向的 HPC 服务器,包含8块 Nvidia A100 40GB GPUs,每小时花费在 32.8 美元,其毛利率据估计可达61%。这也使得其他云巨头纷纷竞相参与,囤积硬件以其在行业发展初期尽可能占据有利。 • 政治、人为干预等因素导致行业发展不平衡。不平衡我们不难看出GPU的所有权和集中度更向资金和技术充裕组织和国家倾斜,且与高性能计算集群呈现依仗关系。这使得以美国为代表的
芯
片
半导体制造强国,也在对AI
芯
片
出口方面实施更为严苛的限制, 以削弱其他国家在通用人工智能领域的研究能力。 • 算力资源分配过于集中。 AI 领域的发展主动权掌握在少数巨型公司手中,目前以 OpenAI 为代表的巨头,有微软的加持,背后是微软Azure 提供的丰富算力资源,这使得 OpenAI 每次新产品的发布,都是对当下 AI 行业的重塑和整合,让其余团队在大模型领域难以望其项背。 那么在面对高昂的硬件成本、地域限制、产业发展不均衡的情况,是否有其他解决方案? 去中心化算力平台则应运而生,平台的目的是创建一个开放、透明且自我调节的市场来更有效地利用全球计算资源。 适应性分析 1. 去中心化算力供给侧 目前高昂的硬件价格和供给侧的人为控制,都给去中心化算力网络的建设提供了土壤。 • 从去中心化算力的组成方式来看,多样的算力提供方小到个人PC、小型物联网设备大到数据中心、IDC等,大量累积的算力可提供更灵活和可扩展的计算解决方案,从而帮助更多的AI开发者和组织更有效地利用有限的资源。都可以通过个人或组织的闲置算力,来实现去中心化算力共享,但这些的算力的可用性、稳定性,受本身用户的使用限制或分享上限的限制。 • 有可能的潜在优质算力来源,则是以太坊转 PoS 后,直接由相关矿场转型提供的算力资源。以美国领先的 GPU 集成式算力提供商 Coreweave 为例,前身是北美以太坊最大的矿场,基于已构建的完备基础设施。此外,退役的以太坊矿机,其中也包含了大量的闲置 GPU,据悉此前以太坊挖矿时代巅峰在网工作的 GPU 约2700万张,盘活这些 GPU 也能进一步成为去中心化算力网络重要的算力来源。 2. 去中心化算力需求侧 • 从技术实现来看,去中心化算力资源在图形渲染类,视频转码类,这种计算复杂程度不高的任务,结合区块链技术和web3的经济体系能在确保信息数据安全传递情况下,为网络参与者带来了切实的收益激励,积累了有效的商业模式和客群。而 AI 领域则涉及大量的并行计算,节点间的通信、同步等环节,对网络环境等方面有非常高的要求,因而目前应用也都集中于微调、推理、AIGC 等更偏应用层。 • 从商业逻辑来看,单纯算力买卖的市场是缺乏想象力的,行业只能卷供应链、定价策略,但这些又恰好是中心化云服务的优势。因而,市场上限较低也缺乏更多想象空间,所以也能看到原本做单纯图形渲染的网络在寻求 AI 转型,如 Render Network 与2023 Q1 也推出了原生集成Stability AI 工具集,用户可以的该项功能引入Stable Diffusion作业,业务也不再局限于渲染作业而向 AI 领域扩展。 • 从主要客群来看,很显然大B端客户会更倾向于中心化集成式云服务,他们通常有充足的预算,他们通常是从事底层大模型的开发,需要更高效的算力聚合形式;因而,去中心化算力更多的是服务于中小型开发团队或个人,从事多是模型微调,或应用层开发,对算力的提供形式没有太高的要求。他们对价格更敏感,去中心化算力的能从根本上减轻初始成本的投入,因而整体的使用成本也更低,以 Gensyn 此前测算的成本来看,将算力换算成V100 提供的等值算力,Gensyn 价格仅为0.4美元每小时,相比AWS 同类型的算力需要2美元每小时,能下降80%。虽然这部分生意并不在目前行业中占开销大头,但伴随 AI 类应用的使用场景持续延展,未来的市场规模不容小觑。 • 从提供的服务来看,可以发现目前的项目更像是去中心化云平台的概念,提供的是一整套从开发、部署、上线、分发、交易全流程的管理,这样的好处在于吸引开发者,可以利用相关工具组件来简化开发部署,提升效率;同时能吸引用户来平台使用这些完整的应用产品,形成基于自身算力网络的生态护城河。但这同时也对项目运营提出了更高的要求。如何吸引优秀开发者和用户并实现留存显得尤为重要。 不同领域的应用 1. 数字媒体处理 Render Network 一个基于区块链的全球渲染平台,其目标是为创作者数字创意提供帮助。它允许创作者按需将 GPU 渲染工作扩展到全球 GPU 节点,提供了以一种更为高速且便宜的渲染工作能力,在创作者确认过渲染结果后,再由区块链网络向节点发送代币奖励。相比传统的视觉效果实现方法,在本地建立渲染基础设施或在购置的云服务中增加相应的GPU开支,这都需要高昂的前期投入。 自2017年创立以来,Render Network 用户在网络上渲染了超过1600万帧和近50万个场景。从Render Network 2023 Q2 发布数据也能表明,渲染帧数作业和活跃节点数都呈增长的趋势。此外,Render Network 与2023 Q1 也推出了原生集成Stability AI 工具集,用户可以的该项功能引入Stable Diffusion作业,业务也不再局限于渲染作业而向AI领域扩展。 Livepeer 则是通过网络参与者贡献自己的GPU算力和带宽,为创作者提供实时视频转码服务。广播者可以通过将视频发送至Livepeer,完成各类视频转码,并向各类端侧用户分发,进而实现视频内容的传播。同时,可以便捷地通过法币形式支付,获得视频转码、传输、存储等服务。 在Livepeer 网络中,任何人都允许贡献个人计算机资源(CPU、GPU 和带宽)以进行转码和分发视频来赚取费用。 原生代币(LPT)则代表了网络参与者在网络中的权益,通过质押代币的数量,决定节点在网络中的权重,从而影响其获得转码任务的机会。同时,LPT也起到了引导节点安全、可靠、快速地完成分派的任务。 2. AI领域的扩展 在目前AI领域的生态系统中,主要参与者大致可以划分成: 从需求方入手,在产业的不同阶段,对算力的诉求是有明显区别的。以底层模型开发为例,在预训练环节为确保训练结果的有效对并行计算、存储、通信等方面要求都非常高,这就需要通过大型的算力集群来完成相关的任务。当下主要算力供给主要还是依赖自建机房、中心化的云服务平台来集中提供。而在后续模型微调、实时推理和应用开发等环节则对并行计算、节点间通信的要求没有那么高,这恰恰是去中心化算力能一展拳脚的部分。 纵观此前已颇具的声量的项目, Akash Nework 在去中心化算力方向做了一些尝试: Akash Network 结合不同的技术组件,让用户可以在去中心化的云环境中高效、灵活地部署和管理应用程序。用户可以利用 Docker 容器技术打包应用,然后通过 Kubernetes 在 Akash 提供的云资源上通过 CloudMOS 进行部署和扩展。Akash 采用“反向拍卖”的方式,这使得价格比传统云服务更低。 Akash Network 在今年8月也发布将推出了主网第6次升级,将对 GPU 的支持纳入其云服务中,未来向更多 AI 团队提供算力供给。 Gensyn.ai,今年颇受行业瞩目的项目由 a16z 领投完成了4300万美元A轮融资,就目前公布项目公布的文档来看, 该项目是一个主网基于波卡网络的 L1 PoS 协议,聚焦于深度学习,它旨在通过创建一个全球性的超级计算集群网络来推动机器学习的边界。这个网络连接了从拥有算力富余的数据中心到潜在可贡献个人 GPU 的 PC,定制的 ASIC 和 SoC 等多种设备。 为解决的目前去中心化算力中存在的一些问题,Gensyn 借鉴了学术界的一些理论研究新成果: 1. 采用概率学习证明,即使用基于梯度的优化过程的元数据来构建相关任务执行的证明,来加快验证过程; 2. 图形基准协议(Graph-based Pinpoint Protocol),GPP作为一个桥梁,连接了DNN(Deep Neural Network)的离线执行与区块链上的智能合约框架,解决了跨硬件设备间容易发生的不一致性,并确保了验证的一贯性。 3. 与 Truebit 类似的激励方式,通过质押和惩罚相结合的方式,建立一个能让经济理性参与者能诚实地执行分派的任务。该机制采用了密码学和博弈论方法。这个验证系统对于维持大型模型训练计算的完整性和可靠性。 但值得注意的是以上内容更多的是解决任务完成验证层面,而非在项目文档中作为主要亮点讲述的关于去中心化算力来实现模型训练方面的功能,特别是关于并行计算和分布式硬件间通信、同步等问题的优化。当前受网络延迟(Latency)和带宽(Bandwidth)的影响,频繁的节点间通信会使得迭代时间和通信成本都发生增长,这不仅不会带来实际的优化,相反会降低训练效率。Gensyn 在模型训练中处理节点通信和并行计算的方法可能涉及复杂的协调协议,以管理计算的分布式性质。然而,如果没有更详细的技术信息或对他们具体方法的更深入了解,Gensyn通过其网络实现大型模型训练的确切机制需要等项目上线才能真正揭晓。 我们还关注到 Edge Matrix Computing (EMC) protocol 它通过区块链技术将算力运用至 AI、渲染、科研、AI电商接入等类型的场景,通过弹性计算把任务分发到不同的算力节点。这种方法不仅提高了算力的使用效率,还确保了数据传输的安全性。同时,它提供了一个算力市场,用户可以访问和交换计算资源。方便开发者部署,更快地触达用户。结合 Web3 的经济形式,也能使算力提供方在根据用户的实际使用情况获取真实收益和协议方补贴,AI开发者也获得更低的推理和渲染成本。以下是其主要组成部分和功能的概述: 预期还将推出了基于 GPU 的 RWA 类产品,此项的关键在于将原本在机房固定住的硬件盘活,以 RWA 的形式分割流通,获得额外的资金流动性,高质量 GPU 能作为 RWA 底层资产的原因在于,算力可以算得上 AI 领域的硬通货,目前有明显的供需矛盾,且该矛盾并不能在短期内解决,因而 GPU 的价格相对比较稳定。 此外,通过部署 IDC 机房实现算力集群也是 EMC protocol 会重点布局的部分,这不仅能让 GPU 在统一环境下的运转,更高效地处理相关大型算力消耗的任务,如模型的预训练,由此来匹配专业用户的需求。同时,IDC 机房也能集中托管和运行大量的 GPU,确保同类型高质量硬件的技术规格,方便将其打包作为 RWA 产品推向市场,开启DeFi 新思路。 近年学界在边缘计算领域也有新的技术理论发展和应用实践。边缘计算作为云计算的一种补充和优化,一部分的人工智能正在加快速度从云端走向边缘,进入到越来越小的物联网设备中。而这些物联网设备往往体积很小,为此轻量机器学习受到青睐,以满足功耗、延时以及精度等问题。 Network3 是通过构建了一个专门的AI Layer2,通过AI 模型算法优化和压缩,联邦学习,边缘计算和隐私计算,为全球范围内的AI开发者提供服务,帮助他们快速、便捷、高效地训练或者验证模型。它通过利用大量智能物联网硬件设备,可聚焦小模型,来做相应的算力供给,且通过构建TEE(Trusted Execution Environment)能让用户仅通过上传模型梯度,来完成相关训练,确保用户相关数据隐私安全。 综上 • 伴随 AI 等领域的发展,许多行业会从底层逻辑上实现巨大变革,算力会上升到更重要的地位,与之关联的各个方面也都会引起行业的广泛探索,去中心化算力网络有其自身优势,可答复降低中心化风险,同时也能作为中心化算力的一种补足。 • 且本身 AI 领域的团队也处于一个分岔口上,是否利用已训练好的大模型构建自身产品,还是参与到训练各自地域内的大模型,这样的选择也多是辩证的。因而去中心化算力能满足不同的业务需求,这样的发展趋势是喜闻乐见的,且伴随技术的更新和算法的迭代,势必在关键领域也会有所突破。 • 至不惧,而徐徐图之。 来源:金色财经
lg
...
金色财经
2023-11-28
【ETF观察】11月27日股票ETF净流出69.1亿元
go
lg
...
车、中证800汽车与零部件、上证科创板
芯
片
等指数为跟踪标的的ETF基金领涨,其中广发中证全指汽车ETF、国泰中证800汽车与零部件ETF、华安上证科创板
芯
片
ETF分别以4.73%、2.8%、2.34%的涨幅居前三。以中证线上消费主题、中证光伏龙头30、中证传媒等指数为跟踪标的的ETF基金领跌,其中工银瑞信中证线上消费ETF、鹏华中证内地低碳经济主题ETF、国泰中证影视主题ETF分别以-2.88%、-2.56%、-2.32%的跌幅居前三。 当日股票型ETF基金合计资金净流出69.1亿元,近5个交易日累计净流出321.38亿元,5个交易日中出现日合计资金净流出的有4天(ETF资金流向是当日ETF资产规模计算值减去前一交易日ETF资产规模计算值的结果,当日ETF资产规模计算值=当日ETF净值 * 当日份额,计算结果仅供参考)。 当日有191只股票型ETF基金出现资金净流入,其中净流入排首位的是华夏上证科创板50成份ETF(588000),份额增加了1.94亿份,净流入额为5.69亿元。净流入排行TOP10如下: 当日有532只股票型ETF基金出现资金净流出,其中净流出排首位的是华夏上证50ETF(510050),份额减少了3150.0万份,净流出额为15.82亿元。净流出排行TOP10如下: 以上内容由证券之星根据公开信息整理,由算法生成,与本站立场无关。证券之星力求但不保证该信息(包括但不限于文字、视频、音频、数据及图表)全部或者部分内容的的准确性、完整性、有效性、及时性等,如存在问题请联系我们。本文为数据整理,不对您构成任何投资建议,投资有风险,请谨慎决策。
lg
...
证券之星
2023-11-28
加入国际标准 北斗系统今后可全球民航通用
go
lg
...
持较高增速,在北斗导航产业链中北斗导航
芯
片
、北斗导航终端需求增速较高。在卫星互联网领域,中国卫星网络集团有望成为国内卫星互联网的主力军,目前虽然国内卫星互联网还在发展初期,但卫星互联网仍将成为6G移动通信的重要发展方向。建议关注:【航天电器】、【国博电子】、【新雷能】、【广东宏大】【盟升电子】等。
lg
...
金融界
2023-11-28
临港打造集成电路产业新引擎 相关设备发展受青睐
go
lg
...
,汇聚了230家集成电路重点企业,涉及
芯
片
设计、制造、装备、材料、封测、核心零配件等多个领域,构建了全链布局自主可控的产业生态。截至今年前三季度,临港集成电路产业规模已达到140亿元。中信证券认为,半导体设备是
芯
片
制造的核心,应用于集成电路领域的设备通常可分为前道工艺设备(晶圆制造) 和后道工艺设备 (封装测试) 。三大核心主设备 (光刻机、刻蚀设备、薄膜沉积设备) 占据晶圆制造产线设备总投资额超70%。光刻机作为核心设备,正迎来快速发展。 光大证券指出,尽管2023年半导体设备行业面临下游客户资本开支调整的变化,短期内行业承压,但半导体设备行业将最终周期上行,且中长期阶梯式上升趋势不变,强烈看好半导体设备板块。从国产化率角度来看,目前国产化率仍较低的细分设备类别包括CVD、ICP刻蚀、离子注入、量测、电镀、涂胶显影等设备,因此建议关注拓荆科技、中微公司、北方华创、万业企业、精测电子、华海清科、盛美上海、芯源微、华峰测控、长川科技等。从工艺进步角度来看,薄膜沉积和刻蚀设备的需求量会随着制程进步、结构三维立体化而有所增加,推荐ALD设备龙头微导纳米,建议关注薄膜沉积设备龙头拓荆科技、刻蚀设备龙头中微公司。
lg
...
金融界
2023-11-28
荷兰政府批准安世半导体收购
芯
片
公司Nowi的交易
go
lg
...
,经过评估,不会阻止安世半导体收购荷兰
芯
片
初创公司Nowi的交易。安世半导体于2022年收购Nowi,金额未公开。2023年5月,荷兰政府以“涉国家安全”为由对该交易展开追溯审查。
lg
...
金融界
2023-11-28
日本将向本土生产电动汽车和
芯
片
提供税收减免优惠
go
lg
...
日本将向本土生产电动汽车和
芯
片
提供税收减免优惠。
lg
...
金融界
2023-11-28
上一页
1
•••
957
958
959
960
961
•••
1000
下一页
24小时热点
华尔街开始对美联储大幅降息感到后悔
lg
...
一周展望:亚太市场重返舞台,美联储发声、CPI通胀、财报季揭幕能否重塑全球走势?
lg
...
【周评】经济数据与地缘危机博弈:非农数据与中东冲突如何搅动全球市场?
lg
...
特朗普重返宾州枪击现场 马斯克首次出席力挺
lg
...
下周这个日子很关键!与特斯拉未来走势息息相关……
lg
...
最新话题
更多
#海外华人投资#
lg
...
21讨论
#链上风云#
lg
...
22讨论
#美国大选#
lg
...
848讨论
#VIP会员尊享#
lg
...
1299讨论
#比特币最新消息#
lg
...
365讨论