📖 ZKIZ Archives

人工智能——風起於青萍之末

從3月份智能機器人AlphaGo戰勝李世石，到近期谷歌的最新用於人工智能深度學習的芯片TPU曝光，一個千億級的市場應用逐漸從水底浮向了水面。我們將深度剖析，在人工智能領域，有可能爆發的芯片——GPU、FPGA、ASIC及相關的市場和公司。

1.1.人工智能——下一個千億級市場

人工智能會成為未來的趨勢嗎？答案是會。人工智能，簡單地說，就是用機器去實現目前必須借助人類智慧才能實現的任務。人工智能包括三個要素：算法，計算和數據。

對人工智能的實現來說，算法是核心，計算、數據是基礎。在算法上來說，主要分為工程學法和模擬法。工程學方法是采用傳統的編程技術，利用大量數據處理經驗改進提升算法性能；模擬法則是模仿人類或其他生物所用的方法或者技能，提升算法性能，例如遺傳算法和神經網絡。而在計算能力來說，目前主要是使用GPU並行計算神經網絡，同時，FPGA和ASIC也將是未來異軍突起的力量。

隨著百度，Google，Facebook，Microsoft等企業開始切入人工智能，人工智能可應用的領域非常廣泛。2013年100多家組織開始研發深度學習與人工智能，到2015年，短短2年間，研發機構已經迅速激增到3409家。可以看到，未來人工智能的應用將呈幾何級數的倍增。應用領域包括互聯網，金融，娛樂，政府機關，制造業，汽車，遊戲等。從產業結構來講，人工智能生態分為基礎、技術、應用三層。應用層包括人工智能+各行業（領域），技術層包括算法、模型及應用開發，基礎層包括數據資源和計算能力。

人工智能將在很多領域得到廣泛的應用。目前重點部署的應用有：語音識別，人臉識別，無人機，機器人，無人駕駛等。

人工智能市場將保持高速增長，根據艾瑞咨詢的數據，2020年全球人工智能市場規模約1190億人民幣。而未來10年，人工智能將會是一個2000億美元的市場。空間非常巨大。其中在硬件市場方面，將會有30%的市場份額。

1.2.深度學習

人工智能的核心是算法，深度學習是目前最主流的人工智能算法。深度學習在1958年就被提出，但直到最近，才真正火起來，主要原因在於：數據量的激增和計算機能力/成本。

深度學習是機器學習領域中對模式（聲音、圖像等等）進行建模的一種方法，它也是一種基於統計的概率模型。在對各種模式進行建模之後，便可以對各種模式進行識別了，例如待建模的模式是聲音的話，那麽這種識別便可以理解為語音識別。而類比來理解，如果說將機器學習算法類比為排序算法，那麽深度學習算法便是眾多排序算法當中的一種，這種算法在某些應用場景中，會具有一定的優勢。

深度學習的學名又叫深層神經網絡（DeepNeuralNetworks），是從很久以前的人工神經網絡（ArtificialNeuralNetworks）模型發展而來。這種模型一般采用計算機科學中的圖模型來直觀的表達，而深度學習的“深度”便指的是圖模型的層數以及每一層的節點數量，相對於之前的神經網絡而言，有了很大程度的提升。

從單一的神經元，再到簡單的神經網絡，到一個用於語音識別的深層神經網絡。層次間的複雜度呈幾何倍數的遞增。

以圖像識別為例，圖像的原始輸入是像素，相鄰像素組成線條，多個線條組成紋理，進一步形成圖案，圖案構成了物體的局部，直至整個物體的樣子。不難發現，可以找到原始輸入和淺層特征之間的聯系，再通過中層特征，一步一步獲得和高層特征的聯系。想要從原始輸入直接跨越到高層特征，無疑是困難的。而整個識別過程，所需要的數據量和運算量是十分巨大的。2012年，由人工智能和機器學習頂級學者AndrewNg和分布式系統頂級專家JeffDean，用包含16000個CPU核的並行計算平臺訓練超過10億個神經元的深度神經網絡，在語音識別和圖像識別等領域取得了突破性的進展。該系統通過分析YouTube上選取的視頻，采用無監督的方式訓練深度神經網絡，可將圖像自動聚類。在系統中輸入“cat”後，結果在沒有外界幹涉的條件下，識別出了貓臉。可以看到，深度學習之所以能夠在今天得到重要的突破，原因在於：1海量的數據訓練2高性能的計算能力（CPU，GPU，FPGA，ASIC））。兩者缺一不可。

1.3.算力

衡量芯片計算性能的重要指標稱為算力。通常而言，將每秒所執行的浮點運算次數（亦稱每秒峰值速度）作為指標來衡量算力，簡稱為FLOPS。現有的主流芯片運算能力達到了TFLOPS級別。一個TFLOPS（teraFLOPS）等於每秒萬億（=10^12）次的浮點運算。

增加深度學習算力需要多個維度的齊頭並進的提升：1系統並行程度2時鐘的速度3內存的大小（包括register，cache，memory）；4內存帶寬（memorybandwidth）5計算芯片同CPU之間的帶寬6還有各種微妙的硬件里的算法改進。

我們這篇報告將主要關註人工智能的芯片領域，著重討論GPU，FPGA，ASIC等幾種類型的芯片在人工智能領域的應用和未來的發展。

GPU——厚積薄發正當時

2.1.GPU簡介

GPU，又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、遊戲機和一些移動設備（如平板電腦、智能手機等）上圖像運算工作的微處理器，與CPU類似，只不過GPU是專為執行複雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。隨著人工智能的發展，如今的GPU已經不再局限於3D圖形處理了，GPU通用計算技術發展已經引起業界不少的關註，事實也證明在浮點運算、並行計算等部分計算方面，GPU可以提供數十倍乃至於上百倍於CPU的性能。

GPU的特點是有大量的核（多達幾千個核）和大量的高速內存，最初被設計用於遊戲，計算機圖像處理等。GPU主要擅長做類似圖像處理的並行計算，所謂的“粗粒度並行（coarse-grainparallelism）”。這個對於圖像處理很適用，因為像素與像素之間相對獨立，GPU提供大量的核，可以同時對很多像素進行並行處理。但這並不能帶來延遲的提升（而僅僅是處理吞吐量的提升）。比如，當一個消息到達時，雖然GPU有很多的核，但只能有其中一個核被用來處理當前這個消息，而且GPU核通常被設計為支持與圖像處理相關的運算，不如CPU通用。GPU主要適用於在數據層呈現很高的並行特性（data-parallelism）的應用，比如GPU比較適合用於類似蒙特卡羅模擬這樣的並行運算。

CPU和GPU本身架構方式和運算目的不同導致了CPU和GPU之間的不同，主要不同點列舉如下

正是因為GPU的特點特別適合於大規模並行運算，GPU在“深度學習”領域發揮著巨大的作用，因為GPU可以平行處理大量瑣碎信息。深度學習所依賴的是神經系統網絡——與人類大腦神經高度相似的網絡——而這種網絡出現的目的，就是要在高速的狀態下分析海量的數據。例如，如果你想要教會這種網絡如何識別出貓的模樣，你就要給它提供無數多的貓的圖片。而這種工作，正是GPU芯片所擅長的事情。而且相比於CPU，GPU的另一大優勢，就是它對能源的需求遠遠低於CPU。GPU擅長的是海量數據的快速處理。

工業與學術界的數據科學家已將GPU用於機器學習以便在各種應用上實現開創性的改進，這些應用包括圖像分類、視頻分析、語音識別以及自然語言處理等等。尤其是深度學習，人們在這一領域中一直進行大力投資和研究。深度學習是利用複雜的多級「深度」神經網絡來打造一些系統，這些系統能夠從海量的未標記訓練數據中進行特征檢測。

雖然機器學習已經有數十年的歷史，但是兩個較為新近的趨勢促進了機器學習的廣泛應用：海量訓練數據的出現以及GPU計算所提供的強大而高效的並行計算。人們利用GPU來訓練這些深度神經網絡，所使用的訓練集大得多，所耗費的時間大幅縮短，占用的數據中心基礎設施也少得多。GPU還被用於運行這些機器學習訓練模型，以便在雲端進行分類和預測，從而在耗費功率更低、占用基礎設施更少的情況下能夠支持遠比從前更大的數據量和吞吐量。

將GPU加速器用於機器學習的早期用戶包括諸多規模的網絡和社交媒體公司，另外還有數據科學和機器學習領域中一流的研究機構。與單純使用CPU的做法相比，GPU具有數以千計的計算核心、可實現10-100倍應用吞吐量，因此GPU已經成為數據科學家處理大數據的處理器。

綜上而言，我們認為人工智能時代的GPU已經不再是傳統意義上的圖形處理器，而更多的應該賦予專用處理器的頭銜，具備強大的並行計算能力。

2.2.王者歸來的NVIDIA

NVIDIA是一家以設計GPU芯片為主業的半導體公司。其主要產品包括遊戲顯卡GeForceGPU，工作站Quadro，可用於深度學習計算的TeslaGPU，為移動以及汽車處理設計TegraGPU。NVIDIA的產品在應用領域來劃分，主要包括圖形處理器（GPU），Tegra處理器（用於車載），以及其他。各塊業務所占比重如圖所示。

NVIDIA在最近12日發布的財報顯示，2016年第一財報季度內，公司整體利潤激增46%，至1.96億美元，營收同比增長13%至13.05億美元。財報公布後，NVIDIA股價一度大漲7.7%，盤中最高觸及38.81美元。

NVIDIA2011-2015年的營收和凈利潤如圖所示。從2013年起，業績明顯呈現出上升的勢頭。這個時間點其實也契合人工智能在深度學習領域開始使用GPU來進行大規模並行計算。2016年NVIDIA的一季報更是呈現出爆發的跡象，整體利潤激增46%，我們認為財報的數據是最有力的證明，GPU正在受益於人工智能深度學習的需求，而廣泛地得到應用。

NVIDIA的產品毛利率從2011年開始，保持了連續上升的勢頭。NVIDIA的核心產品是GPU，從毛利率水平不斷提升來看，NVIDIA的GPU產品始終保持了核心競爭力和更新換代的能力。產品的結構也在不斷優化，從獨立專顯到服務器再到大規模並行計算，隨著應用的不斷升級，產品的結構也越來越優化。從毛利率水平看，NVIDIA的產品保持了不斷更新和競爭力。隨著並行計算在深度學習中的廣泛應用，NVIDIA的產品毛利率還將進一步提升。

在高性能計算機、深度學習、人工智能等領域，NVIDIA的Tesla芯片有十分關鍵的作用。NVIDIA的CUBA技術，大幅度提高了純CPU構成的超級計算機的性能。人工智能和深度學習需要大量的浮點計算，在高性能計算領域，GPU需求在不斷增強。目前NVIDIA的高性能顯卡已經占有84%的市場份額。亞馬遜的AWS，Facebook，Google等世界一級數據中心都需要用NVIDIA的Tesla芯片，隨著雲計算和人工智能的不斷發展，我們認為NVIDIA的高性能GPU也能在未來5年保持20%以上的增長速度。

2.3.GPU國內行業現狀及公司

國內在GPU芯片設計方面，還處於起步階段，與國際主流產品尚有一定的差距。不過星星之火，可以燎原。有一些企業，逐漸開始擁有自主研發的能力，比如國內企業景嘉微。景嘉微擁有國內首款自主研發的GPU芯片JM5400，專用於公司的圖形顯控領域。JM5400為代表的圖形芯片打破外國芯片在我國軍用GPU領域的壟斷，率先實現軍用GPU國產化。

公司的GPUJM5400主要替代AMD的GPUM9，兩者在性能上的比較如下。相比而言，公司的JM5400具有功耗低，性能優的優勢。

雖然景嘉微的GPU芯片主要用於軍用顯示，尚無法達到人工智能深度學習的算力要求，但隨著研發和支持的投入，參照NVIDIA當年的發展歷史，景嘉微也會有潛力成長起來。

分析景嘉微的主營構成，主要分為圖形顯控領域產品、小型專用化雷達領域產品，以及其他。其中圖形顯控領域產品占公司收入的85%多。公司的主要下遊客戶是軍用飛機，目前我國大多數軍用飛機都使用公司的圖形顯空產品

公司從2012-2015年的營收和凈利潤都保持穩定的成長，呈現出向上的趨勢。隨著公司國產GPU的量產和替代，我們預計後續產品的營收和凈利潤將會得到進一步的提升。

我們認為，國內的GPU發展尚處於起步階段，目前的產品還是主要用於於GPU原先的圖形顯控領域，雖然還不能跟現在人工智能深度學習所需要的GPU所媲美，但走在正確方向的道路上，未來也有可能得到突破。

FPGA——“萬能芯片”在人工智能時代複蘇

FPGA（Field－ProgrammableGateArray），即現場可編程門陣列，它是在PAL、GAL、CPLD等可編程器件的基礎上進一步發展的產物。FPGA芯片主要由6部分完成，分別為：可編程輸入輸出單元、基本可編程邏輯單元、完整的時鐘管理、嵌入塊式RAM、豐富的布線資源、內嵌的底層功能單元和內嵌專用硬件模塊。

FPGA還具有靜態可重複編程和動態在系統重構的特性，使得硬件的功能可以像軟件一樣通過編程來修改。FPGA能完成任何數字器件的功能，甚至是高性能CPU都可以用FPGA來實現。

Intel在在2015年以161億美元收購了FPGA龍頭Altera，其目的之一也是看中FPGA的專用計算能力在未來人工智能領域的發展。

3.1.FPGA——高性能、低功耗的可編程芯片

FPGA之所以能有潛力成為人工智能深度學習方面的計算工具，主要原因就在於其本身特性：可編程專用性，高性能，低功耗。

先來看一下FPGA的內部架構。FPGA擁有大量的可編程邏輯單元，可以根據客戶定制來做針對性的算法設計。除此以外，在處理海量數據的時候，FPGA相比於CPU和GPU，獨到的優勢在於：FPGA更接近IO。換句話說，FPGA是硬件底層的架構。比如，數據采用GPU計算，它先要進入內存，並在CPU指令下拷入GPU內存，在那邊執行結束後再拷到內存被CPU繼續處理，這過程並沒有時間優勢；而使用FPGA的話，數據I/O接口進入FPGA，在里面解幀後進行數據處理或預處理，然後通過PCIE接口送入內存讓CPU處理，一些很底層的工作已經被FPGA處理完畢了（FPGA扮演協處理器的角色），且積累到一定數量後以DMA形式傳輸到內存，以中斷通知CPU來處理，這樣效率就高得多。

專用計算領域強過CPU

雖然FPGA的頻率一般比CPU低，但CPU是通用處理器，做某個特定運算(如信號處理，圖像處理)可能需要很多個時鐘周期，而FPGA可以通過編程重組電路，直接生成專用電路，加上電路並行性，可能做這個特定運算只需要一個時鐘周期。比如一般CPU每次只能處理4到8個指令，在FPGA上使用數據並行的方法可以每次處理256個或者更多的指令，讓FPGA可以處理比CPU多很多的數據量。舉個例子，CPU主頻3GHz，FPGA主頻200MHz，若做某個特定運算CPU需要30個時鐘周期，FPGA只需一個，則耗時情況：CPU：30/3GHz＝10ns；FPGA：1/200MHz＝5ns。可以看到，FPGA做這個特定運算速度比CPU塊，能幫助加速。

北京大學與加州大學的一個關於FPGA加速深度學習算法的合作研究。展示了FPGA與CPU在執行深度學習算法時的耗時對比。在運行一次叠代時，使用CPU耗時375毫秒，而使用FPGA只耗時21毫秒，取得了18倍左右的加速比

能耗顯著降低

FPGA相對於CPU與GPU有明顯的能耗優勢，主要有兩個原因。首先，在FPGA中沒有取指令與指令譯碼操作，在Intel的CPU里面，由於使用的是CISC架構，僅僅譯碼就占整個芯片能耗的50%；在GPU里面，取指令與譯碼也消耗了10%～20%的能耗。其次，FPGA的主頻比CPU與GPU低很多，通常CPU與GPU都在1GHz到3GHz之間，而FPGA的主頻一般在500MHz以下。如此大的頻率差使得FPGA消耗的能耗遠低於CPU與GPU。

FPGA與CPU在執行深度學習算法時的耗能對比。在執行一次深度學習運算，使用CPU耗能36焦，而使用FPGA只耗能10焦，取得了3.5倍左右的節能比。通過用FPGA加速與節能，讓深度學習實時計算更容易在移動端運行。

相比CPU和GPU，FPGA憑借比特級細粒度定制的結構、流水線並行計算的能力和高效的能耗，在深度學習應用中展現出獨特的優勢，在大規模服務器部署或資源受限的嵌入式應用方面有巨大潛力。此外，FPGA架構靈活，使得研究者能夠在諸如GPU的固定架構之外進行模型優化探究。

3.2.Intel收購Altera分析

眾所周知，在深度神經網絡計算中運用CPU、GPU已不是什麽新鮮事。雖然Xilinx公司早在1985年就推出了第一款FPGA產品XC2064，但該技術真正應用於深度神經網絡還是近幾年的事。英特爾167億美元收購Altera，IBM與Xilinx的合作，都昭示著FPGA領域的變革，未來也將很快看到FPGA與個人應用和數據中心應用的整合。

目前而言，FPGA的應用領域以當前的通信、圖像處理、IC原型驗證、汽車電子、工業等為主。整個FPGA市場由Xilinx和Altera主導，兩者共同占有85％的市場份額。FPGA市場規模預計在2016年將達到60億美元，並保持年複合增速9%。

根據Altera內部文件顯示，Altera很早就在研發使用FPGA針對深度學習算法的應用，並在2015年Intel的論壇上展示了產品的性能。結論是在功耗和性能上相對同等級的CPU，有較大的優勢。

我們認為，Intel之所以收購Altera，主要原因就在於看中人工智能的發展，但CPU在計算能力上的先天不足，讓其需要尋找一個合作夥伴。Altera的的FPGA正好彌補了CPU在這方面的缺陷，我們認為，CPU+FPGA在人工智能深度學習領域，將會是未來的一個重要發展方向。

3.3.FPGA國內行業與公司

FPGA整個市場被國外的兩大巨頭所寡占，Xilinx和Altera占了85%的份額。國內目前也有一些公司在FPGA領域有所建樹，其中比較優秀的有同方國芯。

同方國芯的主營業務包括晶體業務，特種集成電路，智能芯片這幾塊。各業務所占比重如下：

同方國芯的FPGA歸屬於特種集成電路業務，我們統計上市以來這塊業務的營收狀況，保持著非常迅速的增長，年複合增速在20%左右。

同時，特種集成電路的毛利率也一直維持在很高的水準，並持續往上升。我們預計隨著FPGA在人工智能深度學習領域的應用增長，還會給公司帶來持續性的利好增長。

ASIC——後起之秀，不可估量

4.1.性能與功耗完美結合的ASIC

ASIC(ApplicationSpecificIntegratedCircuits，專用集成電路)，是指應特定用戶要求或特定電子系統的需要而設計、制造的集成電路。嚴格意義上來講，ASIC是一種專用芯片，與傳統的通用芯片有一定的差異。是為了某種特定的需求而專門定制的芯片。

ASIC作為集成電路技術與特定用戶的整機或系統技術緊密結合的產物，與通用集成電路相比，具有以下幾個方面的優越性：體積更小、功耗更低、可靠性提高、性能提高、保密性增強、成本降低。

回到深度學習最重要的指標：算力和功耗。我們對比NVIDIA的GK210和某ASIC芯片規劃的指標，如下所示

從算力上來說，ASIC產品的計算能力是GK210的2.5倍。第二個指標是功耗，功耗做到了GK210的1/15。第三個指標是內部存儲容量的大小及帶寬。這個內部MEMORY相當於CPU上的CACHE。深度雪地的模型比較大，通常能夠到幾百MB到1GB左右，會被頻繁的讀出來，如果模型放在片外的DDR里邊，對DDR造成的帶寬壓力通常會到TB/S級別。

因為全定制芯片ASIC綜合考慮了工藝和性能方面的權衡，隨著工藝的進步，性能和價格的進展如下：

全定制設計的ASIC，因為其自身的特性，相較於非定制芯片，擁有以下幾個優勢：

●同樣工藝，同樣功能，第一次采用全定制設計性能提高7.6倍

●普通設計，全定制和非全定制的差別可能有1～2個數量級的差異

●采用全定制方法可以超越非全定制4個工藝節點（采用28nm做的全定制設計，可能比5nm做的非全定制設計還要好）

我們認為，ASIC的優勢，在人工智能深度學習領域，具有很大的潛力。

4.2.從“比特幣挖礦機ASIC發展”推導“ASIC在人工智能領域大有可為”

ASIC在人工智能深度學習方面的應用還不多，但是我們可以拿比特幣礦機芯片的發展做類似的推理。比特幣挖礦和人工智能深度學習有類似之處，都是依賴於底層的芯片進行大規模的並行計算。而ASIC在比特幣挖礦領域，展現出了得天獨厚的優勢。

比特幣礦機的芯片經歷了四個階段：CPU、GPU、FPGA和ASIC。其中2009年1月比特幣創始人中本聰利用電腦CPU挖出了第一個創世塊，其後大約一年時間BTC網絡主要依靠CPU挖礦，CPU設計中需要大量的邏輯判斷和很強的通用性來處理不同類型的數據，而GPU處理簡單的SHA-256算法速度更具優勢；GPU由於采用了大量並行處理的核心架構，對於簡單的SHA256算法處理速度較快，2010年9月挖礦進入了GPU時代，但是GPU也存在功耗高、搭建部署困難的缺陷，不適合大規模部署；2011年12月出現了基於FPGA芯片的挖礦設備，其功耗為同類型的GPU的1/40，但是FPGA芯片價格昂貴、部署也很複雜，主要被少數具備專業背景的礦工所使用，這個階段FPGA和GPU成為挖礦的主力軍；2013年首臺基於ASIC芯片的Avalon礦機面世，挖礦進入了ASIC時代。ASIC芯片是專為挖礦量身定制的芯片，它將FPGA芯片中在挖礦時不會使用的功能去掉，與同等工藝的FPGA芯片相比執行速度塊，大規模生產後的成本也要低於FPGA芯片。

在CPU、GPU時代，挖礦門檻較低，家庭的普通臺式機或者帶有獨立顯卡的筆記本都可以用來挖礦，2012年以前挖礦還是大眾可以參與的相對公平對等階段；隨著FPGA、ASIC芯片的出現，挖礦逐漸開始向一些專業人士聚集。ASIC芯片是為挖礦量身定制的，與同等工藝的FPGA芯片相比ASIC芯片的執行速度更快，大規模生產後成本也會比FPGA芯片低。目前ASIC芯片已成為主流的礦機芯片，挖礦速度基本都達到了GH/S的級別，比如BITMAIN的第四代芯片BM1385，單顆芯片算力可達32.5GH/S，在0.66V的核心電壓下功耗僅為0.216W/GH/S。ASIC芯片隨著矽片加工精度的提升，其性能更好，功耗更低。目前矽片加工精度已經130nm提升至14nm，基本接近現有半導體技術的極限。

以上，從ASIC在比特幣挖礦機時代的發展歷史，可以看出ASIC在專用並行計算領域所具有的得天獨厚的優勢：算力高，功耗低，價格低，專用性強。的谷歌最近曝光的專用於人工智能深度學習計算的TPU，其實也是一款ASIC。

4.3.ASIC國內行業與公司

我們認為，國內的比特幣芯片生產廠商，都有可能在人工智能時代華麗轉身，成為擁抱深度學習的定制芯片供應商。在這塊領域有所深耕建樹的公司有，國內的深圳烤貓、迦南耘智、比特大陸和龍礦科技。擁有自產芯片的礦機生產商的盈利能力強，普遍的毛利率達到50%以上。

總結

綜上，我們的觀點：人工智能時代逐步臨近，GPU，FPGA，ASIC這幾塊傳統領域的芯片，將在人工智能時代迎來新的爆發。風起於青萍之末，一起關註人工智能時代芯片的大機會！

（完）

一個看似50%的'套利'機會
 
這個套利機會起源於2年前，在2015年10月27號，藥店連鎖業界老二WBA以每股9美金的價格對老三RAD提出收購邀約，RAD管理層的反應非常積極，雙方結合意願十分強烈。

收購邀約發布之前RAD股價大概在6美元，在雙方合作意願很強烈的前提下，邀約發布之後RAD股價當天上漲了40%至8.7美元每股。在此後的很長一段時間內，RAD的股價都穩定在8美元上下。 

原本這兩個公司的收購會與2017年1月份結束。如果事情完美結束，那麽就不會有今天這個'套利'機會了。如今，RAD的股價又從8美元跳水到了4.5美元。
 

過去幾個月發生了什麽？

老二收購老三這樣的強強聯合勢必會引起美國監管當局的反壟斷調查。 WBA的銷售額在行業里排老二，銷售額僅次於CVS，就店鋪數量而言位居全美第一。RAD的銷售額在全美排第三。在收購邀約發出之後，WBA和RAD進入反壟斷調查程序。在進行了一年多的反壟斷審查流程後，並購雙方在去年年底得知獲批幾率不大，除非WBA能提出相應的整改方案以保證收購之後依然存在足夠的市場競爭，以保障美國消費者利益。

冗長的反壟斷審查流程未獲通過使得原先9美元每股的收購方案無法完成，顧問們開始重新設計並購方案，以最大可能的滿足FTC的審核要求。據此，WBA計劃將收購RAD所獲得的4600家零售藥店中的1000-1200家以及部分核心資產剝離給同行競爭者Fred's，以打消監管方FTC所擔心的一家獨大的反壟斷顧慮（尤其是避免合並後的新公司在部分區域成為市場上的唯一參與者）。同時，a.不斷惡化的市場環境和b.遲滯的並購流程(並購長期拖延使得RAD管理層沒有精力也沒有法律權利做出重大管理決策）使得RAD的營收能力不斷下滑。
 
於是乎，收購方WBA根據以上理由順勢對先前並購要約進行修改，將收購價從9美元每股降至6.5-7美元每股(取決於最終將剝離多少家店鋪)。
 
在反壟斷審查未獲通過且收購方大幅降低收購報價的壓力下，RAD股價暴跌。再加上WBA於月初要求監管方FTC在30天內給出審查結果，擔心第二次反壟斷審查繼續失敗的投資人開始瘋狂拋售。時至今日，RAD不到5美元的股價不僅遠低於最新收購底價的6.5美元每股，甚至還遠低於15年原始收購要約之前的價格。

但如果收購完成，按照7月31日截止的並購日期以及RAD目前4.5美金的股價來算，未來4個月的‘套利’空間是40%-50%。

明確了收購目標價，所需時間以及套利空間之後，我們對此次並購進一步梳理。
 

關於當事雙方
 
被收購方：Rite Aid (紐交所代碼：RAD，以下簡稱RAD)成立於1962年，美國第三大連鎖藥店，在美國31個州運營4600家零售藥店，銷售1.處方藥 及 2.‘前端產品’ （櫃臺非處方藥、保健品、美容品、護理品、食品飲料、日常雜貨 )

收購方：Walgreens Boots Allicance (納斯達克代碼：WBA， 以下簡稱WBA)，第一家全球性的以醫藥為主導的健康及保健企業。WBA成立於1901年的家老牌連鎖藥店，在此後的近百年間它通過不斷地並購發展壯大，有著豐富的並購史。2014年，它收購了瑞士的Alliance Boots，合並後成為美國銷售額第二大的藥店連鎖公司，就藥店數量而言位居全美第一。截至目前，WBA在美國有13200多家藥店，2016年銷售額達1174億美元。連同其投資的關聯企業，WBA在11個國家雇傭40萬員工，運營超過13200家店鋪。其分銷網絡涵蓋390個分銷中心，為23萬藥店、醫生、健康中心、醫院服務。很多上市公司乍一看不認識，但一提到它的下屬品牌就不陌生了，比如英國天天見到的Boots就是WBA旗下品牌。

一旦收購RAD成功，WBA將坐穩美國最大的藥店連鎖商，遠超同行CVS。

WBA收購RAD的目的主要在於尋求行業整合，以規模效應提升運營效率。WBA是僅次於CVS的美國第二大全國性連鎖藥房；Rite Aid是全美第三大連鎖藥房，不過規模比Walgreens和CVS要小不少。從WBA過去的發展看，它有著豐富的依靠“收購”成長壯大的歷史，收購RAD在情理之中。

從下圖可見，兩者的店鋪分布在某些地區有重合，但總體來說存在明顯的優勢互補（見下圖）。財務狀況良好的WBA可借此機會擴大版圖，彌補市場空隙，增大市場份額；利用完善的分銷渠道和增加的規模優勢，降低運營成本，趕超當前市場老大CVS。

對WBA而言，這場收購完能帶來的益處讓它有足夠的動力去完成收購項目，所以這也是為何在一開始WBA願意給出9美金的價格，以高溢價對RAD進行收購。而RAD管理層在收購邀約發布之前就予以配合態度，也表明了RAD有較強的心願完成合作。
 
但由於一系列外部原因，該並購交易遲遲未能完成。相關方重新進行談判，WBA根據監管方FTC(美國聯邦貿易委員會)要求(主要是反壟斷考慮)並利用惡化的市場環境，對原有收購協議進行了大幅調整(砍價)：
 
1.將收購價格降至6.5-7美元每股（取決於根據監管要求剝離的店面數量，如果剝離的店鋪數量少於1000家，那麽WBA會以7美金的價格收購。如果FTC最終要求賣掉1200家店鋪，那麽WBA會給出的價格就是6.5美金。如果在1000-1200家之間，具體收購價格會按照相應比重在6.5-7美金的區間內進行調整。即在超過1000家之後，每一家額外剝離的店面將降低收購價格0.0025美元每股，但最低收購價格不得低於6.5美元每股） 

2.WBA將轉讓RAD商標及知識產權(包括網站域名)，但WBA方面擁有在一段時間內無償回租RAD的相關知識產權的獨家權利 

3.若交易未能在規定日期內完成或未獲得監管方的反壟斷審核，WBA將支付3.25億美元給RAD（占此次並購交易總額的4.6%，對於RAD是一筆挺大的數字）。另外，即使RAD未能滿足規定的財務要求(主要是EBITDA)，WBA扔需向RAD支付1.625億美元的'打折''分手費' 

4.將RAD需滿足的EBITDA要求從10.75億美元降至10億美元
 

流水賬
(如果不想了解細節的朋友可跳過此部分，但若有空還是推薦看一看，挺有意思的)
 
這個並購案我跟進了快一年，關註它的目的並非有意投資，而是發現其進程波折且具有較強的代表性，於是把它當做一則案例來研究學習。以下是我對此次並購案做的私人筆記，整理自公開披露文件，由於跨越時間太長且事件太多，因此我僅節選部分重要內容。同時由於此案涉及到研習社某位成員的任職單位，在次聲明以下筆記所有涉及信息皆來自公開渠道。由於不是專業的並購專家，以下內容僅供學習參考。
 
從2012年開始，RAD就已經主動尋求潛在的並購可能性，不斷的並購傳言也促使RAD股價在該階段跑贏大市，也使得RAD股價持續偏離其盈利基本面。
 
雖然沒有證據，但我個人通讀材料下來的臆想是：這一屆RAD管理層似乎打一開始就把公司經營放做工作核心，許多業務的開展甚至是收購其他企業的部分動機都是出於是否有利於今後自己被收購 。
 
2015年1月-2月，在RAD的主動示好下，WAB開始與RAD非正式商討並購可能。
 
2015年3月-6月，WBA表達收購意向。雙方簽署保密協議並開始盡職調查，同時分析並購後所能帶來的協同效應。
 
2015年5月8日，RAD收到來自WBA的首次無約束力收購要約，報價為9美元每股（較當時的RAD股價溢價14.5%）
 
註：在與WBA接觸的同時，RAD一直在腳踏幾只船尋求競爭報價，而WBA則一直在努力爭取排他性協議（RAD就像一位到處相親的女神，花旗銀行就是她的媒婆）
 
在接下來的半年，雙方討價還價，互作讓步，敲定並購細節，與此同時RAD的其他追求者陸續退出。RAD董事會支持與WBA的並購交易，理由是：WBA的報價是最高的之一，同時是以全現金形式收購，執行風險和流動性風險較低；更重要的是，當前的美國藥品零售業正面臨競爭加劇、急需行業整合，RAD 繼續以一家獨立公司存在的經營壓力越來越大。

2015年10月27日，RAD與WBA聯席新聞發布會公布並購消息，在此之後RAD將無權與其他收購方主動接觸（除非支付高昂的分手費）。
 
2015年11月10日，根據《哈特 - 斯科特 - 羅迪諾反壟斷改進法案》(簡稱HSR Act)的要求，雙方通知並購案反壟斷審核的監管方美國貿易委員會(FTC)，並進入為期一個月的等待期。
 
2015年12月10日，收到美國貿易委員會(FTC)問詢。雙方及其顧問開始與FTC雇員商討如何滿足監管要求。
 
2016年2月4日，RAD特別股東大會以高票通過WBA的收購方案（此時的報價為每股9美元）。
 
2016年3月，WBA任命美銀美林(BAML)作為其金融顧問(之後再進一步成為其融資行)。RAD方面至少在2012年起就開始聘請花旗銀行作為其金融顧問尋求並購事宜。
 
2016年4月起，FTC官員開始分析並購雙方業務的地理分布區位。與此同時，並購雙方聘請經濟學家回答FTC官員的相應質疑。在接下來的數月，並購雙方開始搭建資產處置流程以滿足FTC可能的反壟斷要求，並與18個潛在資產收購方達成了保密協議。（中文不是很好解釋'divest'這個詞，在此語境下是指將容易在一定地理範圍內形成壟斷地位的店面剝離出售給第三方同行）。
 
FTC 的核心目標是保證此次並購案不會違反《克萊頓反托拉斯法》第七部分(Section 7 of the Clayton Act)。若發現並購交易有壟斷嫌疑，則FTC將調查結果告知利益相關方並要求其提出相應的解決方案以恢複兩強合並之後被削弱的市場競爭環境。因此FTC要求作為第三方的資產收購方具有1.足夠的財務支持和經濟動機來收購及運營兩強合並後所剝離出來的資產；2.有足夠的運營能力和規模來恢複兩強合並後的市場競爭。
 
2016年9月8日，WBA的金融顧問美銀美林開始組織潛在的18個潛在資產收購方進行盡職調查，並要求其在2016年9月26日前提交報價(Bid Process)，評估結果取決於收購方：1.所提出的報價及其支付形式；2.對剝離資產的經濟動機和財務能力；3.對所剝離資產的運營能力和市場競爭力。根據以上標準初步篩選出3家潛在收購方，為最大可能的滿足FTC的要求，雙方的法律顧問建議將並購後的處置資產完整轉讓給一家單位而非多家，以增強該收購人的市場競爭力，滿足FTC對保障市場充分競爭的法定要求。
 
2016年9月22日，RAD最新財務披露顯示其藥品零售毛利和數量皆低於預期，使得EBITDA下滑（EBITDA是並購協議里WBA對RAD的主要財務要求）。
 
2016年10月，由於預計FTC不會在並購要約的原定截止日期(10月27日)前批準，根據協議的延期條款，雙方決定聯名將截止日期延長至2017年1月27日（原並購協議規定任意一方有權將截止日期延長至2017年1月27日，但雙方為向市場表現出誠意，決定聯名聲明延期），以給予FTC更長時間做出決策。但由於RAD的銷售毛利和數量皆下滑，RAD管理層開始出現擔心惡化的EBITDA是否能在1月27日前滿足並購協議里WBA對RAD提出的財務要求。
 
2016年11月，RAD董事會認為惡化的運營環境將使得EBITDA在下個季度繼續下跌，管理層擔心若並購繼續拖延或增大不確定性，甚至將無法滿足WBA對RAD的財務要求。

同時，WBA通知RAD，先前篩選出的3家收購單位分別與FTC官員進行了會談並做了陳述。根據三方的能力和意願，FTC認為位於美國東南部的藥店連鎖Fred's將是最合適的剝離資產收購方。同時，由於並購雙方的法律顧問認為FTC更加傾向於將所有剝離資產處理給一家強有力的競爭對手（而非分別剝離給多家），雙方認同將Fred's作為首要談判對象。
 
2016年12月，各方開始同FTC官員商討如何剝離RAD被WBA並購後的店面資產以最大可能的保障市場充分競爭。WBA作為資產剝離進程的領導方，正式攜手Fred's共同爭取FTC盡快批準雙方制定的資產剝離計劃。RAD，WBA，Fred’s簽署三方協議，同意Fred's以9.5億美元收購865家原先屬於RAD的店鋪及部分資產（該協議的有效性取決於FTC批準，但之後FTC並未批準該計劃）。
 
2017年1月，在不斷要求更多資料以及長時間的評估後，FTC暗示目前的資產剝離計劃（核心是如何在兩強合並之後恢複充分競爭的市場環境）不足以獲得監管批準。與此同時，不斷惡化的財務狀況（體現在不斷下滑的EBITDA，EBITDA是並購協議里WBA對RAD提出的最主要的財務要求）讓RAD董事會持續擔心若繼續延長並購期限，RAD或將無法滿足先前並購協議所規定的EBITDA要求（連續幾頁都在談RAD管理層對於營收下滑的擔憂）。同時，由於原先的並購協議對RAD的經營權利做出限制，使得RAD管理層無法對經營狀況做出重大調整（比如說修改或簽訂與合作夥伴的合同）。
 
a.FTC的否定態度使得該並購明顯無法在原定的1月27日前完成；
b.且FTC暗示要求WBA剝離更多的RAD店鋪（而WBA收購RAD就是為了擴大規模, 降低的並購規模使得該交易對WBA的吸引力降低，但卻使得‘引狼入室’的Fred's‘坐收漁利’）；
c.同時，RAD惡化的經營狀況使得它有較高概率無法滿足原並購協議所規定的EBITDA指標（根據原並購協議，若是因RAD的財務原因使得並購無法完成，WBA可減除對RAD的分手費）；
d. 管理層感到RAD作為獨立公司進行經營的壓力持續增大。

根據以上幾點，WBA開始借機殺價。
 
2017年1月29日，經過漫長的談判（這一段的披露文件非常長，在此就不詳細列出了，若想知道談判細節的讀者，請在倫敦交易員微信公眾號後臺回複關鍵字：‘談判’，獲得帶有我標記筆記的披露文件），各方進行妥協，將交易截止日期進一步延至2017年7月31日，RAD方面接受更低的收購價格（從9美元每股降至6.5-7美元），WBA方面將對RAD的EBITDA要求降至10億美元，並同意最大剝離1200家RAD店鋪給Fred's以增加或審批通過的可能性.
 
2017年1月30日，RAD與WBA舉行聯席新聞發布會宣布下調報價後的新交易。
 
根據新的交易計劃，RAD管理層和董事會認為將由較大的機會成功完成。

同時需要註意的是，根據妥協過後的最新協議，若交易未能在規定日期內完成或未獲得監管方的反壟斷審核，WBA依然將支付3.25億美元給RAD（占此次並購交易總額的4.6%，對於RAD是一筆挺大的數字）。另外，即使RAD未能滿足已經降低的EBITDA要求，WBA也將依然支付1.625億美元分手費。
 

我的看法
 
a.若沒有WBA的求偶（其實我看到的文件似乎是RAD方面主動去聯系的WBA），RAD本身並不值得投資，我翻了接近1000頁的檔案，感覺這家公司的現任管理層這麽多年來就沒打算打造一家基業長青的公司，他們近5年的工作重心似乎就是如何能把自己高價賣出去（但最終並未賣成高價）。相比之下WBA的管理層要更有進取心一些，管理也更加到位。這一點從兩家公司的運營毛利率的差距就能看出（見下圖）。簡單來說，考慮到RAD本身的經營情況，如果並購再一次失敗的話，RAD的投資者選擇止損走人似乎是上策。
 

b.並購的參與方皆認為該交易有較大可能成功完成。同時，傾向於'去監管化'的特朗普上臺後對美國貿易委員會(FTC)的領導層做出了重大人事調整。特朗普新任命的美國貿易委員會主席 Ohlhausen 在上月任命Lipsky為主管反壟斷調查的競爭局局長(Competition Bureau)並稱其將依據'合理的自由市場理念'促進競爭與創新(help the agency to promote competition and foster innovation, “based on sound free-market principles.”)。

新上任的Lipsky曾任職於里根政府，有40年的反壟斷法務經驗，同行認為他‘在反壟斷分析中充分尊重其經濟邏輯’(has great respect for use of economics in antitrust analysis)。他在特朗普當選美國總統後曾表示：‘反壟斷的目的不是阻止企業成功，即使他們在業內已具有主導地位’("The purpose of antitrust is not necessarily to prevent firms from succeeding, even when they become very dominant in their industry.") 

c.關於收購方的經濟動機和財務能力。由於RAD和WBA在地理區位上有較大互補性，在增加市場覆蓋的同時還能提升規模效應，RAD的資產對於WBA的確是個寶。根據新的收購報價（每股6.5-7美元），WBA需要總共為此項收購支付140-146億美金，比原收購報價（每股9美元）省了20億美元，顯著降低了WBA的財務負擔。

另外，相對於財務壓力不斷增大的RAD，WBA的財務狀況要好的多，其自由現金流在過去5年快速增長，去年的自由現金流超過65億美元（見下圖）。與此同時，WBA的金融顧問美銀美林(BoAML)已明確表示將為WBA並購RAD提供財務支持。

相對來說，更需要註意的是剝離資產的接收方Fred's。主要經營美國東南地區的Fred's與RAD同樣具有很大的互補性，有較強的購買店鋪意願。但相較之下，Fred's的財務狀況不如WBA，9.5億的資產收購費用或將帶來較大財務負擔。不過從Fred's的股價來看，在傳聞Fred's將有望收購更多WBA剝離出的RAD店面之後，Fred's的股價大漲，市場似乎將其是做一個利好關系（當並購可能性降低時，其股價隨RAD一同下跌），認為其或利用FTC的反對態度坐收漁翁之利。

d.這起並購的參與方一共有四家單位：收購方WBA，被收購方RAD，剝離資產接收方FRED，看得見的手FTC(美國貿易委員會)。四方共贏平衡點在於 WBA支付RAD股東多少溢價獲得RAD的數千家店鋪以提升規模優勢和市場覆蓋範圍，以及WBA將剝離哪些店鋪給Fred's以打消FTC對局部地區形成壟斷的顧慮。

通過四方的利益博弈，理想狀況下或將形成一個'帕累托優化'，在四方皆達到其目的的同時提高社會總效益。WBA與RAD互補性合並可提升行業的運營效率。而依法保障市場充分競爭環境的FTC努力避免新成立的巨頭在部分區域一家獨大，扶持Fred's對WBA進行制衡，將WBA通過並購所獲得的規模優勢限定在效率提升而非壟斷地位，在優化供給側效率的同時保證消費者權益。
 
e.目前期權市場對該並購交易給予的成功率在50%以下，但我傾向於認為其成功率理應高於此。若交易成功，投資人可獲得40%-50%的收益，若交易失敗，或將面臨20%-30%的損失。從期望值來說，這個風險機遇對於某些進取風格的投資人是個不錯的機會。
 
或許正是出於雙方管理層認為新的並購方案獲批的概率較大，WBA發起'最後一搏'，認為它已提供所有所需信息，要求FTC在30天內做出決策。這是一個風險性較高的'賭博'，在過去數月已受到不少驚嚇的投資人擔心逼迫監管單位倉促做出決策的潛在高風險，RAD股價進一步走低（同時走低的還有Fred's的股價）。

(完)