發布時間：2018年10月24日
摘要：
華為AI全棧布局，是指深入到AI從設計到最終實現的每個環節，包括底層晶片的IP和晶片產品、計算架構、API等。也就是說，從底層晶片到中間算法、框架和應用平臺，華為均有解決方案。華為AI全場景布局，覆蓋雲端、邊緣計算、以及雲端。華為這一布局的目的在於：（1）加寬護城河，「有縱深才能有壁壘」。（2）自研的好處在於，統一架構，統一指令集，適應不同場景，擁有不同的功耗和計算能力，在安全、成本、統一管理方面具有較大的優勢。（3）方便AI開發者和應用者使用，建立華為自己的AI生態，我們看到Nvidia的GPU就是這樣做起來的。（4）由於完整技術的不可替代性，可以在整體生態上獲得較高的利潤。
正文：
1、華為AI：硬體or軟體？
回顧華為的發展歷程，從產品演化邏輯來看，華為的產品經歷了從硬體產品到軟體產品的演變。從最早期的交換機（從代購到自產：這是國內IT公司大部分的發展路徑，無論是硬體公司還是軟體公司）到路由器，從伺服器到存儲，從雲計算到大數據，從視頻監控到人工智慧等。
從業務領域來看，華為的產品從早期CT（通信技術）領域，逐步深入到IT（信息技術）領域，隨著IT和CT的融合發展，兩者在雲計算領域找到契合點，發展到目前的ICT。而IT領域新技術的迭代速度更加迅速，新技術的應用形態也日漸增加。針對IT硬體公司而言，對其軟體開發能力提出更高要求。近些年，我們也看到，華為在軟體領域技術實力以及產品布局的廣度和深度，已經做到所處領域領先位置。
圖表2：IT和CT的融合
來源：華為官網、中泰證券研究所
拋開華為公司本身，我們可以先討論下IT公司從硬體到軟體的業務演進邏輯。其實如果我們看海外IT巨頭的發展歷史，不乏很多從硬體產品到軟體產品布局的公司。我們可以通過幾個例子來理解其中的主要邏輯：
1）最早的IBM。IBM最早提供的IT產品，是政府和企業需要的小型計算機（以電晶體應用到計算機領域開始算起）。上世紀60年代隨著半導體集成電路應用到IT領域，IBM推出大型機。隨著1981年IBM推出全球第一臺PC電腦，整個IT產業打開了快速發展的大門。而在當時，軟體產品是同硬體一起進行搭售的，包括計算機的基礎軟體以及比較少的應用軟體（當時軟體並沒有形成一個獨立產業和產品，來進行單獨收費），而PC電腦終端的普及也推動了應用軟體的多樣化，以及加快了基礎軟體更新迭代的速度。當然IBM硬體和軟體的發展思路有其成長時代背景和約束。
2）比較成功的Apple。可以說蘋果已經把IT硬體產品做到了用戶體驗的極致，當然前提是，蘋果開發了自己封閉的作業系統和應用軟體開放平臺。而蘋果公司正在布局的業務方向，包括晶片、雲計算、人工智慧、無人駕駛等領域，其都需要強大的軟體開發能力作為支撐。目前從蘋果公司軟體業務發展來看，2017年軟體相關收入佔比13%，呈現逐年上升狀態，增速27%，也是其主營業務中增速最快的。依靠硬體產品開拓和粘住客戶，依靠軟體產品挖掘客戶潛力，提升單用戶ARPU值。
3）國內的海康威視。海康更加是一個典型的硬體產品公司。而硬體的技術升級，使得硬體本身不再是攝像頭的核心，硬體變成產品的技術外圍，晶片和算法成為產品的技術核心。因此，我們看到，最近兩年，海康研發投入的大部分是在軟體部分。而拉開海康與行業其他公司差距的也是在軟體算法環節。硬體產品發展到一定階段，需要提升軟體部分來推動功能升級，提高壁壘。
軟體到硬體：Oracle。當然，我們也看到有反方向布局的：即從軟體到硬體。典型的例子就是Oracle，當然現在Oracle不一定會強調這一點，但確實硬體的加入較大的增強了Oracle的全IT產業鏈布局。現在Oracle的雲之所以如此強悍，其中不可忽視的一個因素就是其在基礎硬體的布局。2009年4月，Oracle以74億美金收購當時的伺服器廠商Sun。Sun的強項在於伺服器、存儲等高端硬體設備以及Java技術，這些都是當時Oracle所需要的。後來Oracle結合Sun的軟硬體技術推出的Oracle Exadata資料庫雲伺服器和Oracle Exalogic中間件雲伺服器。
圖表3：硬體和軟體相互轉化邏輯
來源：中泰證券研究所
回到華為從硬體到軟體的業務邏輯。我們看華為的硬體產品系列：無論是早期的交換機、路由器、通信設備，還是伺服器、存儲、手機、攝像頭等。對於這些產品的演化方向和路徑，在當時管理層制定產品戰略時可能有其當時的產業背景和技術趨勢，也有可能有其客戶類型拓展的需求（涵蓋2G、2B、2C）。但事後來看，我們可以用「數據」把這條硬體產品線給串起來：從數據交換的設備和中介，到數據的傳輸、到數據的存儲和計算處理等。始終圍繞著「數據」來進行產品布局，包括我們後來看到的華為雲。雲從其產生的本質和初衷來看，就是對大規模數據的集中存儲和處理。一般粗略來看，硬體往往解決的是數據的採集和傳輸問題，軟體完成的是對數據的計算和處理，以及對數據的應用。
從華為硬體產品發展來看，我們不僅看到在單一領域，華為將自己的硬體產品做到了較高產品滲透率以及較高的市場佔有率；而且我們也看到隨著華為硬體產品種類的增加，其積累了大量的G端、B端和C端客戶。而且，這些不同的硬體產品都能夠做到其所處領域的前幾。這樣發展的結果就是：當我們提及數據時，我們會發現有一半的數據是跑在華為的硬體終端產品之上。因此華為去做數據的處理有其天然的優勢。而未來大規模的數據處理和計算，制約的環節主要在於晶片和軟體算法層面。
在AI領域，華為似乎走的也是這樣一條路徑，從AI硬體到AI晶片、軟體和算法。具體表現是：從伺服器、手機、攝像頭等智能終端硬體，逐步向智能硬體中的核心部件和軟體算法部分演進。一開始華為的智能終端核心部件是通過外採來獲得，比如伺服器、手機、攝像頭的晶片，採用的例如英特爾、高通和英偉達的晶片產品。在硬體產品不斷的升級迭代中，逐步應用自己研發的晶片產品。另外，在此次華為AI戰略當中，我們不僅看到了AI晶片，而且還包括圍繞AI晶片的IP、計算架構、算法工具、API以及集成方案等。
在這方面，我們看到英偉達類似的路徑：從最早期的GPU晶片加速器產品，到後面的與GPU相匹配的軟體算法、套件。從硬體和軟體層面同時來解決數據的計算速度問題。IT巨頭在某一產業的這種全鏈條的布局，一方面是為了讓自身的產品與周邊器件形成高度適配，更好的發揮其運行效果。另一方面，我們認為這也是巨頭布局一個產業時，他們所採取的一種做法：一旦認定一個產業方向，會全產業鏈進行無死角的布局。這既是一種進攻也是一種防守的做法，只有把握住了生態鏈上的每一個環節，把開發者和用戶的整個使用循環全部保留在自己的生態圈內，才能形成真正的壁壘。避免產業鏈中任何環節存在空白或弱項，否則容易被競爭對手或者新興企業進行單點突破。這種布局可以在整體生態上獲得較高的利潤——由於完整技術棧的不可替代性，從而可以收穫大量利潤。我們上面提到的英偉達就是一個很好的例子。
圖表4：華為AI的整體布局
來源：華為官網、中泰證券研究所
2、華為AI：縱深度
「全棧、全場景」的AI布局，是華為AI發布會強調的重點。華為之所以強調全棧、全場景，我們認為很大一部分是與AI的兩個特點有關：
1）產業鏈環節多：晶片、計算架構、算法、基礎套件、配套軟體、集成方案等。
2）應用場景較多：華為AI晶片同時布局雲端和終端。應用的終端類型包括了手機、伺服器、攝像頭、智能駕駛、物聯網等。AI技術的應用場景劃分也包括了語音、圖像、自然語言處理、情感分析、機器學習等。
我們通常看到的創業公司一般是從人工智慧領域的某個環節進行單點突破，從某一應用場景去切入。這樣成功的概率更大一些。對於華為這樣的巨頭，某一個產業環節或者某一場景的AI布局顯然與其長期規劃和產業地位不匹配。可以看出，華為是要做AI的產業生態，而不是AI的某幾個產品。
對於為什麼要做全棧全場景的AI，華為認為有兩點比較重要：第一，因為不同企業不同應用，可能部署不同環境，一定要考慮多場景支持。第二，當前，AI發展處於早期階段，這個時候全棧協同優化更能帶來價值，能為客戶創造價值。
下面，我們具體分析下，華為「全棧、全場景」AI的含義。
全棧，對於非IT專業人士來說，並不算一個特別常見的詞。我們先理解下「棧」的概念。對於計算機專業出身的人，最早接觸「棧」這個詞，應該是在大學本科《數據結構》這門課中。《數據結構》是計算機專業最基本的一門課程，是理解計算機學科最基礎的思維課程。
「棧」是計算機中經典的數據結構，簡單的說，棧就是限制在一端進行插入刪除操作的線性表。棧有兩種最重要的操作：POP（從棧頂彈出一個元素）和PUSH（將一個元素進棧）。"棧「的本義，是指存儲貨物或供旅客住宿的地方，可引申為倉庫、中轉站，所以引入到計算機領域裡，就是指數據暫時存儲的地方，所以才有進棧、出棧的說法。插入一般稱為「進棧（PUSH）」，刪除則稱為「退棧（POP）」。因此，棧也稱為後進先出表（計算機科學中，在底層數據計算時，有「棧」和「列」的區分，分別表示兩種不同的算法，「列」是「先進先出」算法，「棧」是「後進先出」算法）。
圖表5：棧的概念
來源：谷歌、中泰證券研究所
圖表6：棧被稱為「後進先出」算法
來源：谷歌、中泰證券研究所
說起「全棧」，在IT領域經常流傳全棧工程師的說法，這個詞最早來源於Facebook的工程師Calos Bueno在2010年底時寫的一篇文章：The Full Stack。作者認為全棧是一個通才，能夠自己創建不平凡的應用程式。在Facebook看來，能夠熟練地實現前端、後端代碼，還能夠精通運維的工程師，就是其所要的全棧工程師。後來被引申為：掌握多種技能，並能利用多種技能獨立完成產品的人。全棧=全能，需求分析、產品設計、UI設計、移動開發、前端開發、後端開發、運維等。
通過以上全棧意思，我們可以來理解華為對AI全棧的布局。華為AI全棧布局，是指深入到AI從設計到最終實現的每個環節。包括底層晶片的IP和晶片產品、計算架構、API等等。也就是說，從底層晶片到中間算法、框架和應用平臺，華為均有解決方案。
華為之所以對AI進行全棧的布局，其目的就是要建立一個屬於華為自己的、能夠產生閉環的AI生態。其實每個IT巨頭都要自己是生態夢。因為只有這樣，整個產業體系內，每個環節的利潤才能獲得最大。
我們看下華為對AI的全棧布局情況：
1）Ascend（IP和晶片）：包括基於可統一、可擴展架構的系列化AI IP和晶片：Ascend。包括Max，Mini，Lite，Tiny和Nano等五個系列。
2）CANN：晶片算子庫和高度自動化算子開發工具。可以理解成各類算法，包括主流的CNN等。
3）MindSpore：支持端、邊、雲獨立的和協同的統一訓練和推理框架。與業內的TensorFlow、Caffe、Keras、CNTK等類似。
4）ModelArts：提供全流程服務（ModelArts），分層API和預集成方案。方便開發者使用和集成。
圖表7：華為AI全棧布局
來源：華為官網、中泰證券研究所
華為的這一布局，其目的在於：
1）加寬護城河，「有縱深才能有壁壘」。
2）自研的好處是，統一架構，統一指令集，適應不同場景，擁有不同的功耗和計算能力，在安全、成本、統一管理方面具有極大的優勢。
3）方便AI開發者和應用者使用，建立華為自己的AI生態，我們看Nvidia的GPU就是這樣做起來的。
4）可以在整體生態上獲得較高的利潤——由於完整技術棧的不可替代性，從而可以獲得大量利潤。
AI全場景。相對於全棧而言，全場景更加容易理解一些。華為AI全場景布局，覆蓋雲端、邊緣計算、以及雲端。從智能終端種類來看，包括了智慧型手機、物聯網終端、工業計算機、邊緣伺服器、數據中心、便攜機、藍牙耳機等。全場景指的是，華為的晶片和軟體將覆蓋從最小的可穿戴設備，到智慧型手機、攝像頭、自動駕駛汽車，再到數據中心的所有場景。
為此，華為提供五類晶片。Nano、Tiny、Lite會用在智能穿戴、物聯網、智慧型手機等消費終端，主打低功耗。比如Nano主要針對藍牙耳機等設備，而Lite主要針對智慧型手機。Max系列類似於谷歌的TPU，用在數據中心，首款產品昇騰910將於2019年二季度上市。Mini系列的功耗和性能間於Max（用在數據中心）和Lite（用於智慧型手機）之間。
另外，值得關注的是，在華為之前的智慧型手機的兩款智能晶片：麒麟970和麒麟980中，採用的是寒武紀的架構，此次華為公布的Lite系列晶片主打智慧型手機市場，採用的是華為自己的達文西計算架構。
圖表8：華為AI全場景布局
來源：華為官網、中泰證券研究所
3、華為AI：晶片，新架構
（1）產品布局。我們先看下華為在AI晶片領域的布局。華為的AI晶片的布局可以說既有深度也有廣度，產品應用的領域覆蓋了終端（低功耗，中低算力），邊緣（中等功耗，中等算力）和雲（高功耗，高算力）。包括此次發布的兩款AI晶片新品：昇騰910和昇騰310。從功能來看，既有針對雲端訓練的晶片，也有針對邊緣終端推理的晶片。華為對Ascend系列AI晶片的規劃來看，包括Max，Mini，Lite，Tiny和Nano等。
圖表9：華為Ascend系列晶片
來源：華為官網、中泰證券研究所
（2）晶片架構。此次華為AI晶片採用了自己的全新架構。我們可以先看下華為此前的晶片的架構情況。華為的幾代麒麟系列晶片採用的是ARM架構，包括了CPU和GPU部分。
華為第一代AI新品：麒麟970。發布時間：2017年9月。說起華為的AI晶片，要從華為麒麟970開始說起，因為麒麟970首次集成 NPU（Neural Network Processing Unit）專用硬體處理單元，創新設計了HiAI移動計算架構，其 AI 性能密度大幅優於CPU和GPU。麒麟970也是全球第一款手機AI晶片。麒麟970與非AI晶片相比，加入嵌入式神經網絡處理器（NPU）之後，其功耗與性能得到極大提升。其中，功耗降低20%；圖形處理性能提升20%、能效提升50%。為高性能手機提供了強大的處理器支持。
圖表10：麒麟970晶片
來源：華為官網、中泰證券研究所
華為第二代AI晶片：麒麟980。發布時間：2018年8月。在麒麟980中，華為雖然使用的仍是ARM的核心（基於ARM Cortex-A76 CPU架構進行開發），但華為還是加入了自己對晶片的一些改進，設計了一套全新的Kirin CPU子系統，由2個超大核、2個大核和4個小核的三檔能效架構組成。三種CPU核心採用了三種不同的頻率。結合華為在麒麟980中新推出的Flex-Scheduling智能調度機制，可以使CPU在重載、中載、輕載等不同場景下進行靈活適配。例如，超大核主要用於遊戲，大核用於社交通信等，小核則在音樂等輕度應用中發揮作用
圖表11：麒麟980晶片核心架構
來源：華為官網、中泰證券研究所
圖表12：麒麟980晶片核心模塊
來源：華為官網、中泰證券研究所
華為第三代AI晶片：Ascend系列。此次華為發布的Ascend昇騰910和昇騰310晶片可以看作是華為的第三代AI晶片。相比應用在手機端的麒麟系列晶片，Ascend系列晶片在應用範圍上的定位更加廣泛，覆蓋了終端、邊緣計算和雲端，提供不同類型的智能計算，可以在不同的算力需求尺度上進行推廣。
在此次Ascend昇騰晶片中，核心不同部分來自於Da Vinci架構（達文西計算架構）。Ascend晶片的架構，大致可以理解為是「傳統的ARM核+AI加速器」的模式。而其中AI加速器就是達文西計算架構的核心。
Da Vinci架構，是華為針對AI運算特徵而設計的全新計算架構，以高性能的3D Cube計算引擎為基礎，實現算力和能效的大幅提升。其特點包括：
1）每個AI Core可以在1個時鐘周期內完成4096次MAC運算；
2）集成了張量、矢量、標量等多種計算單元；
3）支持多種混合精度計算，支撐訓練和推理兩種場景的數據精度要求；
4）統一的架構，可以支持從幾十毫瓦到幾百萬的晶片；
5）彈性Scale down/多核堆疊，優化的電源設計技術。
圖表13：達文西計算架構的3D Cube
來源：華為官網、中泰證券研究所
圖表14：Ascend晶片的核心架構
來源：半導體行業觀察、中泰證券研究所
Da Vinci架構的原理。從以上架構可以看出，達文西計算架構的重點在於其在短期時間內可以完成對大規模數據的快速計算。這種計算速度主要是依賴於將計算用的MAC（加乘器）按照不同的計算來組成不同的方式，並搭配標準的數據緩存。比如，當進行智能計算時，可以按照Cube模式來組織加乘器MAC計算群，來達到高效計算目的。當進行其他計算時，可以使用矢量、標量計算MAC（Da Vinci計算架構中，包括了張量、矢量、和標量計算單元）。對於不同規模的晶片，可以通過放置不同數量的達文西核心來滿足需求，因此，同一個達文西核心的設計可以靈活地滿足華為戰略橫向上不同應用的需求。
圖表15：華為麒麟晶片演化過程
來源：華為官網、中泰證券研究所
4、華為AI：產品or生態？
產品和生態在IT領域經常被提及，但真正能做到的卻非常少。即使對於單個產品而言，真正能把一個IT產品做的非常好的企業也不多，每個領域也就一兩家而已。對於IT企業而言，是選擇做產品還是做生態，除了與自身主觀的產業角色定位有關之外，更加與客觀的資源稟賦以及已具備產業地位相關。做產品還是做生態？選擇的不同，決定其技術的縱深度、產品布局的開合度有很大區別。
顯然，從目前華為所取得的全球IT產業地位而言，建立AI生態是與其產業地位相匹配的一個選擇。但在一個領域建立生態，形成自有閉環，需要企業在技術、產品、客戶等多個維度已經具備強大資源和基礎。下面我們就分析一下，目前華為在AI領域，從技術-產品-客戶三個角度來分析其已經具備的核心要素。
技術的縱深度。對於任何一個新產業領域而言，產業發展初期，技術是第一位（在IT產業某一細分領域發展的不同階段，技術的重要性和地位可能也會隨之變化）。對於目前的人工智慧產業而言，技術毫無疑問是重中之重。而AI技術，包括基礎性底層技術和上層的應用技術。底層技術大類包括晶片、算法等，應用層面技術包括圖像識別、語音識別、自然語音處理等等。而一家公司要建立屬於自己的AI生態，就需要紮根AI基礎技術研究，從底層架構開始培養和鍛造。華為在AI技術的布局體現了明顯的縱深度，包括晶片、計算架構、深度學習框架、開發案工具、開放開發平臺、硬體開發平臺等。
圖表16：華為AI技術生態
來源：華為官網、中泰證券研究所
其中，在華為AI技術縱深布局中值得一提的是，華為開發了自己的深度學習框架MindSpore。我們要特別強調一下MindSpore角色的重要性，MindSpore就類似於谷歌的深度學習框架TensorFlow，Facebook主導的PyTorch，以及百度推出的深度學習框架PaddlePaddle等。從這個角度來看，華為AI的技術縱深度就體現出來了。華為之所以突出自身的深度學習框架MindSpore，主要是因為目前主流的深度學習框架主要針對雲端，而MindSpore可以實現雲端和終端全場景的布局。
圖表17：不同深度學習框架的對比
來源：華為官網、中泰證券研究所
目前，谷歌的Tensorflow和Facebook的PyTorch已經得到比較廣泛的應用。但並不是每一種深度學習框架都能得到廣泛應用，即使百度PaddlePaddle目前還沒有形成像Tensorflow那麼大用戶群體。因此，對於華為MindSpore的應用，是否能夠培養龐大的用戶群體，需要我們後續進一步的觀察。
產品布局的廣度&用戶的維度：同樣是產品多，有的公司可以成為產品生態，有些公司只能是產品線。產品生態的跨度和深度更大。對於AI產品而言，我們可以從英偉達的布局中，看到一個領先的AI公司所搭建的AI產品體系。華為AI的全場景布局，也就決定了其產品布局的廣度。在用戶的維度方面，不只體現為最終用戶的多領域多行業多樣化，而且表現為圍繞自身技術和產品生態，培養AI應用開發者的多層級化。
圖表18：華為AI的產品和客戶生態
來源：華為官網、中泰證券研究所
全文總結
1、硬體企業軟體化。硬體企業逐步向軟體方向延伸，在IT領域我們經常看到這樣的例子。這也是硬體企業發展到一定階段的必然選擇。而在這個演化方向上，往往只有行業的領導者才有可能取得一定成功。至於從硬體到軟體轉化的原因，我們的理解：
（1）硬體發展到一定階段，技術和架構逐步成熟，不同企業的硬體產品逐步趨同。對於IT產品而言，只有差異化（有價值的差異化）才能獲取高額利潤。趨同帶來的利潤降低迫使行業領導者不斷加快新技術的應用，即通過軟體來增加硬體的功能或者提升硬體的性能。即硬體發展到一定階段，可能決定硬體競爭力的倒不是硬體本身，而是軟體。
（2）從技術角度來看，硬體產品的迭代速度較慢，迭代慢帶來的結果是，客戶採購新產品的動力和需求降低。通過軟體的應用來加快硬體產品的迭代速度，縮短客戶的採購周期。
（3）在原來IT產業分工下，硬體和軟體可以由不同的公司來提供，彼此發揮相對比較優勢。但在現有的IT階段下，硬體和軟體的適配要求明顯提高；在某些領域，硬體與軟體只有做到相互定製、相互融合，其整體性能才能得到最大化釋放。
（4）硬體產品市佔率的提升，為硬體企業帶來大量的終端用戶。可以為已有客戶，提供與硬體相關的軟體產品或者軟體服務，提升單客戶的ARPU值。有時候也可以理解為，利用硬體產品獲得客戶，利用軟體產品和服務來粘住客戶。
2、雲和AI的關係。從技術發展來看，雲和AI似乎是兩個不同領域的技術。我們經常說，新技術包括「雲計算、大數據、人工智慧」，似乎表達的意思是，雲計算的發展是在人工智慧之前，雖然人工智慧發展的歷史要比雲計算長很多。在這裡，我們想說的是：（1）雲是人工智慧的基礎。雲技術使得業務環節形成流動的數據，而AI的要素之一就是數據。（2）雲進一步加大對AI的需求。雲本身是對大規模數據的集中存儲和計算，對大規模數據的計算處理，需要AI提供更多的智能計算。雲計算是AI應用的一個重要場景。比如我們經常把需要大規模算力的訓練（Training）環節放在雲端。（3）人工智慧通過雲服務來實現。目前已經有不少AI功能是通過雲服務的形式來提供。例如，華為的雲EI（企業智能），就是通過雲服務為企業提供智能化服務。華為雲EI包括基礎平臺服務、通用AI服務、場景解決方案等。
3、晶片與算法的適配。晶片和算法的匹配在AI領域體現的更為明顯。我們看到谷歌、Facebook、英特爾不斷在晶片和算法方面尋找最佳的適配方案。在AI智能計算發展階段，晶片和算法或將逐步走向相互定製，相互融合，只有這樣才能最大發揮兩者的算力。華為針對AI晶片，提出了自己的計算架構Da Vinci，與之相匹配的是華為自己開發的深度學習框架CANN，以及自己的開發工具MindSpore。這些都是最大化匹配晶片和算法的協同機制。
4、IT巨頭的生態閉環。每個IT巨頭都有一個「生態夢」。我們經常說「只有縱深才有壁壘」，這種縱深我們可以理解為技術或者產品的縱深。這種「縱深」的極致就是「閉環」，或者是打造自有技術體系。包括我們看到的英偉達、英特爾，都是在依靠自有技術，打造自有產品體系，其主要目的在於：（1）加寬護城河。（2）統一架構，統一指令集，適應不同場景，擁有不同的功耗和計算能力，在安全、成本、統一管理方面具有較大優勢。（3）由於完整技術棧的不可替代性，可以在整體生態上獲得較高的利潤。
5、技術到產品的轉化。最後，關於華為的AI生態能否建立起來？我們認為，這可能需要其在AI的技術方面，不斷尋求差異化的改進、升級。特別是華為自身開發的計算架構、深度學習框架、開發工具等，能否在廣大開發者當中得到廣泛應用。而將AI技術向產品的轉化，也是一大難關。在技術逐步成熟過程中，技術的角色地位可能下降，產品化能力要求或將上升。這也許也是大部分AI企業在技術變現過程中，需要面對和解決的問題。
風險提示
AI技術發展低於預期風險，AI技術產品化低於預期風險