大模型驱动算力变革，国产算力迎增量机遇
核心观点：当前算力需求正从前期的“模型训练”加速向规模化落地的“应用推理”侧外溢。随着摩尔定律边际效应减弱，算力竞争的核心已从传统的“单芯片峰值性能提升”全面转向“芯片、软件生态与系统级集群的综合效率优化”。在海外高端芯片销售受限的背景下，国内信创需求与大模型迭代共振，推动本土AI芯片厂商加速适配并放量，国产算力全栈生态迎来增量机遇。
大模型发展趋势：
- 更智能、更快捷、更便宜：海外大模型（如OpenAI、Google等）保持每半年一代的高频迭代，追求智能化升级；国产大模型自2025年起迭代显著提速，中美成为全球大模型供给的两大核心。
- 算力需求从训练侧外溢至推理侧：针对推理基础设施的投资规模2024年开始超越训练侧，推理侧更强调高吞吐、大并发以及成本性能的平衡。推理收入2024-2028年CAGR=14.3%，训练收入2024-2028年CAGR=13.8%。
- 全球算力建设资本开支持续加大：根据Marvell指引，2025-2028年全球AI算力资本开支仍将保持20%的年均增速成长。云服务商加快自身的AI基础设施投资，谷歌、亚马逊资本开支总额领先。
AI大模型驱动的产业链升级需求：
- 训练侧：更大规模、更高吞吐、更强互联将模型训练出来。
- 推理侧：更低延迟、更高并发、更低成本将模型持续服务出去。
AI五层蛋糕：能源→芯片→基础设施→模型→应用。
算力芯片：更大存储、更稠密算力、更大带宽。
算力发展趋势——互联端：CPO技术和PCB材料的升级成为重要方向。
AI应用带动算力从通用算力到智能算力演进：
- 通用算力：以CPU为算力核心。
- 智算算力：采用芯片异构计算架构，结合CPU、GPU、NPU、TPU等多种芯片形成高并发分布式计算系统。
- AI系统本质是异构计算体系：CPU负责调度，GPU承担灵活的大规模加速，TPU/NPU在特定模型、推理和边缘场景中发挥效率优势。最终格局更可能是CPU、GPU、TPU、NPU及各类AI ASIC长期共存，构成百花齐放的异构算力生态。
算力芯片竞争已经从“单芯片跑分”转向“系统交付能力”：
- 英伟达：从GPU供给扩张，走向AI数据中心整体效率提升，依托GPU、CUDA、NVLink和整柜系统构建通用AI算力平台。
- 谷歌：从内部推理ASIC，演进为训练与推理兼顾的云端TPU平台，以TPU为核心，服务自有模型和谷歌云客户。
- AWS：把云端AI成本拆成训练与推理两条ASIC产品线，通过Inferentia和Trainium将云端AI成本拆解，降低单位训练与推理成本。
国产大模型发展迅速：
- 中美成为全球大模型供给的两大核心：美国在知名人工智能模型数量上仍领先。
- 国产大模型加速追赶：2025年，全球前三大模型贡献方为OpenAI（20个）、谷歌（14个）和阿里巴巴（11个），字节跳动、DeepSeek和腾讯也上榜。
- 从国产大模型看算力硬件适配需求：国内大模型进入“Agent化、长上下文、多模态、低成本推理”阶段，国产算力适配重点将从单卡峰值算力竞争，转向模型-芯片-框架-集群协同优化。
AI加速芯片位于算力中心产业链上游：
- 产业链中游是算力中心服务商：包含电信运营商、云服务商、第三方算力中心服务商。
- 下游应用于互联网、AI、金融等领域。
- 华为是国内AI算力产业链布局最完整的厂商之一，已形成从昇腾AI芯片、Atlas加速卡/模块、AI服务器、AI集群，到CANN软件栈、MindSpore/MindIE推理训练工具链及华为云ModelArts平台的全栈布局。
中国与海外AI基础设施客户结构不同：
- 中国通信服务商占比高于全球。
- 资本开支结构上从传统网络投资转向云、算力和AI基础设施。
- 数字服务提供商、非服务商客户相较海外占比较大。
信创行业注重AI算力基础设施安全可控：
- 大模型加速在各类信创新核心行业落地：政务、金融、电信、能源、教育已经成为大模型落地的重点领域。
- 信创行业正从传统通用算力基础设施建设，逐步转向智能算力基础设施升级。
- 加速计算服务器作为智能算力的重要载体，正在支撑本土大模型研发、行业模型训练以及AI原生应用运行。
国内本土芯片厂商份额持续扩大：
- 英伟达高端AI芯片销售受限，国内本土AI芯片厂商份额持续扩大。
- 国产算力的焦点不只是单卡峰值，而是“芯片+ HBM +互联+服务器+编译器/算子库+推理引擎+模型适配”的全栈效率。
风险提示：
- 国产替代进程不及预期。
- 下游需求不及预期。
- 行业竞争加剧的风险。
- 国际关系发生不利变化的风险。
