一、算力芯片：GPU vs ASIC
- GPU与ASIC是算力解决方案的两大支柱。GPU并行计算能力强，适用于AI训练和推理；ASIC针对特定任务进行硬件优化，在AI推理等任务中表现出色。
- GPU：专为AI计算优化设计。其核心优势在于高度并行性、高内存带宽和多级缓存，广泛应用于AI计算、深度学习训练等领域。英伟达作为GPU的代表企业，其架构经历了Volta、Ampere、Hopper、Blackwell的迭代，新一代Rubin架构将于26年下半年推出。
- ASIC：专业的AI定制芯片。相较于GPU，ASIC在功耗、能效比和成本方面具有优势，适用于推理等任务。谷歌TPU、亚马逊Trainium等是ASIC代表产品，其架构演进核心在于算力、内存和集群规模的不断升级。
- GPU和ASIC对比。GPU通用性强，生态成熟；ASIC针对性强，性价比高。两者将长期共存，随AI大模型发展和算力需求增长的行业β共同增长。
二、国产趋势一：算力自主可控是确定方向
- GPGPU中国市场远期超万亿。中国AI智算GPU市场规模将持续高速增长，预计到2029年将达到10,333.40亿元。
- 打破英伟达垄断，国产替代释放巨大弹性。受美国出口管制及国内政策推动，国产AI芯片公司迎来黄金发展期。
- 自主可控趋势明确，国产算力产业链有望深度受益。本土AI算力需求高增，但供给严重滞后，存在较大供需缺口。
- 多批AI数据中心招标项目涌现。地方政府及国有企业支持的数据中心将占据国内AI资本支出的近25%。
- 国产与海外厂商芯片性能对比。目前国产厂商与海外龙头厂商英伟达在芯片性能上存在代际差距，但部分国产芯片性能已达到英伟达A100水平。
- 国产厂商主流AI算力芯片参数对比。国产芯片在算力、功耗、成本等方面与国外产品存在差距，但发展迅速。
三、国产趋势二：大厂自研芯片是必经之路
- ASIC供应链产业图谱。ASIC厂商可分为互联网云厂和定制服务商，芯片设计制造涉及前道和后道两个部分。
- 基于“降本+推理需求+减少供应链依赖”CSP自研ASIC。云商自研ASIC相较向英伟达等商业公司外采可以有效降本同时减少供应链依赖。
- ASIC当前份额约10%，博通、Marvell为核心厂商。全球ASIC市场相对集中，主要设计厂商为博通和Marvell。
- 博通、Marvell AI业务收入均呈现高速增长。博通AI相关业务收入连续十一个季度快速增长，MarvellAI业务拉动数据中心收入高增。
- MTK、GUC等其他ASIC厂商业务情况。除博通和Marvell外，MTK、GUC等也为美国CSPs提供定制服务。
四、国产趋势三：芯片逐渐由单卡走向系统集成
- 超节点将成为AI时代的核心计算单元。超节点部署已成为AI时代的大势所趋，在当前工作负载（尤其是推理）上实现最高投资回报率ROI。
- 海外超节点部署：英伟达NVL和谷歌TPU。英伟达通过NvSwitch技术推出NVL和SuperPod超节点产品，谷歌通过ICI网络+OCS协同架构，突破传统互连瓶颈，TPU集群规模不断扩大。
- 国内超节点部署：华为昇腾384和海光+曙光640。华为通过自研的高速互联技术灵衢部署超节点，海光+曙光推出scaleX640卡单机柜超节点。
- 总结：行业由“单卡算力”转向“系统能力”，超节点发展提速。部署超节点的核心目标及发展方向：实现交互速度与Token成本的帕累托最优。
投资建议
- 国产算力链。芯片厂商：寒武纪、海光信息等；ASIC供应链：芯原股份、灿芯股份、翱捷科技等；代工及产业链：中芯国际、华虹半导体、长电科技、通富微电、甬矽电子等。
风险提示
- 行业需求不及预期的风险
- 大陆厂商技术进步不及预期、中美贸易摩擦加剧
- 研报使用的信息更新不及时
- 报告中各行业相关业绩增速测算未剔除负值影响，计算结果存在与实际情况偏差的风险
- 行业数据或因存在主观筛选导致与行业实际情况存在偏差风险
