JDM

3 秒看懂

JDM = 品牌客户与代工厂”共同设计、共同定义”产品的制造模式。 在 AI 服务器领域，云厂商出架构与关键规格，代工厂出工程能力与供应链管理，双方共同完成从设计到量产的全流程。它是 ODM 模式的”升级版”——从”你画图我照做”变成了”我们一起画图”。

3 分钟产业解释

为什么 JDM 在 AI 时代爆发？

传统的服务器供应链有三种模式：

AI 服务器的复杂性彻底改变了游戏规则：

1. 单台服务器功耗从 kW 级跳到数十 kW 级，电源拓扑、液冷管路需要从系统层面重新设计，品牌客户（如 Google、Meta）对自己数据中心的电力和散热架构最了解；
2. GPU/AI 加速卡的异构集成涉及高速互联（NVLink、Infinity Fabric、UALink）、HBM 封装（CoWoS 等先进封装方案）、信号完整性等专业壁垒，代工厂多年积累的 PCB layout、SI/PI 工程能力不可替代；
3. 定制化程度极高——每个超大规模客户（hyperscaler）对机架结构、网络拓扑（ToR/Leaf/Spine）、存储层级、甚至机柜螺孔间距都有自己的规范，标准化 ODM 产品根本无法满足。

结果就是：双方谁也离不开谁，只能坐下来联合设计。这就是 JDM 模式诞生的根本逻辑。

谁在做 JDM？

台系四大代工是当前 AI 服务器 JDM 的核心玩家：

• 广达（Quanta）：Google TPU 系统长期代工伙伴
• 纬创（Wistron）：NVIDIA DGX 系列及多款 AI 服务器的关键供应商
• 英业达（Inventec）：深耕服务器代工多年，与多家超大规模客户有 JDM 合作
• 鸿海/富士康（Foxconn）：体量最大，覆盖从消费电子到服务器的全产业链

此外，和硕（Pegatron）、仁宝（Compal）等也在服务器 JDM 领域有所布局。

中国大陆的 ODM/JDM 力量（如超聚变/FusionServer、宝德等）在国内信创与 AI 建设中逐步壮大，但在全球超大规模客户 JDM 体系中的份额目前相对有限[行业共识，未有精确占比数据]。

15 分钟专家深入

JDM 的协作流程拆解

一个典型的 AI 服务器 JDM 项目，从概念到量产大约经历以下阶段：

┌─────────────────────────────────────────────────────────────┐
│                    JDM 全流程协作模型                         │
│                                                             │
│  品牌客户侧              联合区域              代工厂侧       │
│                                                             │
│  ┌──────────┐     ┌──────────────┐     ┌──────────────┐    │
│  │ 系统架构  │────▶│  规格联合定义  │◀────│  工程可行性   │    │
│  │ 定义      │     │  (Spec Sync) │     │  评估         │    │
│  └──────────┘     └──────┬───────┘     └──────────────┘    │
│                          │                                   │
│  ┌──────────┐     ┌──────▼───────┐     ┌──────────────┐    │
│  │ 关键器件  │────▶│  BOM 联合优化  │◀────│  供应链管理   │    │
│  │ 选型主导  │     │  (成本/交期)  │     │  替代料评估   │    │
│  └──────────┘     └──────┬───────┘     └──────────────┘    │
│                          │                                   │
│  ┌──────────┐     ┌──────▼───────┐     ┌──────────────┐    │
│  │ 软件/固件 │────▶│  系统集成验证  │◀────│  硬件设计/    │    │
│  │ 适配      │     │  (SI/PI/热)  │     │  样机制作     │    │
│  └──────────┘     └──────┬───────┘     └──────────────┘    │
│                          │                                   │
│  ┌──────────┐     ┌──────▼───────┐     ┌──────────────┐    │
│  │ 数据中心  │────▶│  量产导入/    │◀────│  产线规划/    │    │
│  │ 上架标准  │     │  良率爬坡     │     │  测试治具     │    │
│  └──────────┘     └──────────────┘     └──────────────┘    │
│                                                             │
└─────────────────────────────────────────────────────────────┘

核心要点：

1. 系统架构定义：品牌客户（hyperscaler）主导。包括 GPU/加速卡数量与互联拓扑、CPU 选型（x86 vs ARM vs RISC-V）、内存容量与代际、网络接口（400G/800G NIC）、存储方案等。客户通常有专门的硬件团队（如 Google 的 Platforms 团队、Meta 的 Infrastructure 团队）负责此部分。

2. BOM 联合优化：这是 JDM 区别于纯代工的核心环节。代工厂凭借其与上游供应商（如 PCB 板厂、连接器厂商、被动元件供应商）的深厚关系，能在 BOM 成本、交期、替代料方案上提供关键输入。对于一台搭载多颗 AI 加速卡的服务器，仅 PCB 的层数、材料（如 Megtron 6/7 等低损耗材料）、钻孔工艺等就直接影响信号完整性和成本。

3. 信号/电源/热联合仿真：AI 服务器对信号完整性（SI）、电源完整性（PI）和热管理的要求远超传统服务器。高速信号（如 PCIe Gen5/Gen6、GPU 间的 NVLink/Infinity Fabric）的眼图余量极小，需要品牌客户的系统架构团队和代工厂的 layout/SI 团队密切配合。

4. 量产导入：AI 服务器的组装复杂度显著高于传统服务器——液冷管路连接、高密度线束管理、多颗 GPU 的散热器安装力矩控制等，都需要定制化产线和测试方案。

JDM 的”定价模型”

JDM 模式下的商业结构通常为：

• 代工厂报价 = 物料成本（Cost + 管理费/运费）+ 制造利润（NRE 摊销 + 加工费）
• NRE（Non-Recurring Engineering）费用通常由品牌客户承担，或摊入首批量产订单
• 利润率方面：传统服务器 ODM 代工毛利率通常在个位数（约 3%~8% 为行业常见区间[供应链估算]）；JDM 由于定制化程度高、议价门槛高，部分项目可能获得略好的利润水平，但整体仍处于低毛利率区间

技术原理

JDM 的技术协作深度

JDM 不是一个标准化的”协议”，而是品牌客户与代工厂之间在多个技术层级上深度嵌套的协作关系。以下按技术栈从底层到顶层逐层说明：

┌─────────────────────────────────────────────────────┐
│                    技术协作层级                       │
│                                                     │
│  Layer 5  │ 数据中心级    │ 机架布局/布线/供电架构    │
│           │  品牌客户主导 │ 代工厂提供机柜物理实现    │
│───────────┼──────────────┼──────────────────────────│
│  Layer 4  │ 系统级       │ 服务器外形/散热/液冷方案  │
│           │  联合设计    │ PCB stack-up / 阻抗控制   │
│───────────┼──────────────┼──────────────────────────│
│  Layer 3  │ 子系统级     │ 电源模块拓扑/PDN 设计     │
│           │  联合设计    │ GPU 模组热解决方案        │
│───────────┼──────────────┼──────────────────────────│
│  Layer 2  │ 板级         │ PCB layout/SI-PI 仿真    │
│           │  代工厂主导  │ 连接器选型/走线优化       │
│───────────┼──────────────┼──────────────────────────│
│  Layer 1  │ 制造工艺     │ SMT 工艺/组装流程/测试    │
│           │  代工厂主导  │ 良率管控/产线自动化       │
└─────────────────────────────────────────────────────┘

关键技术细节举例：

• PDN（Power Delivery Network）设计：一颗高端 AI 加速卡（如 NVIDIA H100/H200/B100 系列 SXM 模组），其峰值功耗可达数百瓦。系统级 PDN 需要从 PSU 到板级 VRM 到器件封装 PIN 脚逐级设计，阻抗、纹波、瞬态响应指标极为严苛。这部分通常是品牌客户定义 spec，代工厂的 SI/PI 团队执行仿真和 PCB 实现。

• 液冷方案集成：当前主流 AI 训练服务器普遍采用液冷（直接液冷或浸没式液冷）。冷板设计、管路走向、快接头选型、泄漏检测方案等，需要品牌客户的数据中心团队（定义 CDU 接口和冷却液参数）与代工厂的机械/热工程团队联合完成。

• 高速互联走线：GPU 之间的 NVLink/Infinity Fabric、CPU-GPU 之间的 PCIe Gen5/Gen6，以及 800G 网卡接口等高速信号，对 PCB 走线长度匹配、阻抗控制、串扰抑制的要求极高。这部分代工厂的技术积累是其核心壁垒之一。

技术演进史

关键转折点：

• 2016 年 NVIDIA 推出 DGX-1（8× Tesla P100），开创了”AI 训练专用服务器”品类，此后每一代 DGX 系统的复杂度持续攀升
• 2022 年 ChatGPT 引爆大模型训练热潮，全球算力需求急剧膨胀，JDM 代工厂订单量暴增，产能成为瓶颈

技术路线对比

供应链模式对比（量化维度）

上下游

JDM 模式下的供应链全景

上游                    中游（JDM 代工厂）              下游
─────                   ─────────────────             ─────

GPU/AI 加速卡           ┌──────────────┐
NVIDIA (H100/B100/      │              │              超大规模云厂商
  B200/GB200系列)       │  广达 Quanta  │              ── Google
AMD (MI300X)            │  纬创 Wistron │              ── AWS
Google (TPU)            │  英业达       │              ── Meta
自研芯片厂商             │  鸿海 Foxconn │              ── Microsoft
                        │              │              ── Oracle Cloud
CPU                     │  定义规格     │
Intel (Xeon)            │  采购BOM      │              电信/运营商
AMD (EPYC)              │  PCB设计制造  │
ARM (Ampere/Graviton)   │  系统组装测试  │              AI 公司
                        │  交付运维     │              ── OpenAI 等
存储/NAND               │              │
Samsung/SK Hynix/       └──────────────┘
  Micron/Kioxia

网络芯片/网卡
Broadcom/Marvell/NVIDIA
  (Mellanox)

PCB/基板
臻鼎/欣兴/南电等

被动元件/连接器
TE/Amphenol/台达等

电源模块
台达/光宝/Artesyn等

关键上下游关系：

1. GPU 是”锚定件”：一台 AI 服务器的 BOM 中，GPU/加速卡通常占到成本的 60%80%[行业估算]。NVIDIA 的供货节奏直接决定了代工厂的出货节奏。当 GPU 供应紧张时（如 20232024 年的 H100 产能瓶颈），代工厂即使产线就绪也只能等待。

2. 先进封装产能是间接瓶颈：GPU 的 HBM 封装依赖 CoWoS 等先进封装产能（主要集中在台积电），封装产能不足 → GPU 供应不足 → 代工厂出货受限。

3. 液冷供应链正在快速成熟：冷板、快速接头、CDU（Coolant Distribution Unit）、冷却液等供应商（如 CoolIT、Vertiv、双鸿、奇鋐等）正成为 JDM 供应链的重要新成员。

关键指标

评估 JDM 代工厂竞争力的核心指标：

供需与市场数据

AI 服务器市场规模

• 全球 AI 服务器（含训练与推理）市场规模：据 TrendForce 等行业研究机构估算，2023 年约 400500 亿美元（含 GPU 成本），2024 年预计进一步增长，20252027 年受大模型训练和推理需求双重驱动，有望持续扩张[行业估算，各机构口径有差异]。
• AI 服务器占整体服务器市场的比例从 2022 年的不足 20% 快速上升，部分季度已超过 30%~40%[行业估算]。

JDM 代工厂竞争格局

注：各家具体客户关系通常未完全公开披露，以上为供应链与行业报道中的常见信息，具体份额数据以各公司财报为准。

中国大陆市场

• 在信创（国产替代）和 AI 算力建设的双重驱动下，国内服务器 JDM/ODM 需求快速增长
• 超聚变（原华为服务器业务独立）、宝德、浪潮等厂商在国内市场占据重要份额
• 2024~2025 年受美国对华芯片出口管制影响，国内 AI 服务器供应链面临高端 GPU 获取受限的挑战，部分厂商转向国产 AI 芯片（如华为昇腾、寒武纪等）的适配与 JDM 合作

代表公司与资本映射

A 股/港股/台股相关标的

投资逻辑

核心逻辑链

AI 模型训练/推理需求爆发
        │
        ▼
超大规模云厂商加大 AI 基础设施资本开支
        │
        ▼
AI 服务器采购量激增（单台价值量远高于传统服务器）
        │
        ▼
JDM 代工厂订单量大幅增长，收入/利润弹性显著
        │
        ▼
同时拉动上游：GPU、HBM、先进封装、PCB、电源、液冷、网络

关键投资变量

1. 云厂商 CapEx 节奏：这是 JDM 订单的”水龙头”。微软、Google、Meta、AWS 的季度资本开支是核心前瞻指标。2024 年四大云厂商合计资本开支预计超过 2000 亿美元[各公司财报/分析师估算]，其中 AI 相关占比持续提升。

2. GPU 供应节奏：JDM 代工厂的出货量受 GPU 供应约束。NVIDIA 每一代新架构（Hopper → Blackwell → Rubin）的产能爬坡节奏，直接决定代工厂的营收确认节奏。

3. 液冷渗透率：液冷服务器的单位价值量高于风冷（冷板、CDU 等新增组件），且液冷方案的工程复杂度更高，有利于具备液冷集成能力的 JDM 代工厂提升附加值和毛利率。

4. 地缘政治与供应链安全：中美科技博弈下，全球 AI 服务器供应链可能出现区域化趋势——北美市场、中国市场各自形成相对独立的供应体系，这对在两个市场都有布局的代工厂构成挑战也构成机会。

风险提示

• 毛利率天花板：JDM 模式下代工厂本质上仍是”高级代工”，毛利率上限受限于行业结构
• 大客户集中风险：依赖少数 hyperscaler 订单，客户战略调整可能导致订单波动
• 技术迭代风险：若 AI 加速架构发生根本性变化（如从 GPU 阵列转向存算一体等新范式），现有设计积累可能被削弱
• 地缘政治不确定性：芯片出口管制、关税政策等可能影响供应链格局

常见误读纠偏

❌ 误读一：“JDM 和 ODM 没有本质区别，只是换了个名字”

纠偏：ODM 模式下，代工厂拥有设计主导权，品牌客户只是”选品”和”贴牌”；JDM 模式下，品牌客户深度参与系统架构定义、关键器件选型、仿真验证等环节，代工厂承担的是工程实现和制造落地。最核心的区别是”谁在定义产品的技术规格”——JDM 中是双方共同定义。 在 AI 服务器领域，hyperscaler 的硬件团队对系统级设计（GPU 互联拓扑、液冷方案、机架电源架构）拥有实质主导权，代工厂无法独立完成设计。

❌ 误读二：“JDM 代工厂的利润率会随 AI 服务器放量而大幅改善”

纠偏：AI 服务器确实带来了更高的绝对利润额（因为单台价值量远高于传统服务器），但毛利率改善幅度有限。原因包括：① 品牌客户（hyperscaler）议价能力极强，会持续压低代工利润；② AI 服务器的 BOM 成本中 GPU 占大头，代工厂对这部分几乎没有利润空间；③ 定制化带来的 NRE 成本和产线切换成本也不容忽视。真正受益于毛利率提升的更多是上游关键零部件供应商（如液冷、电源模块），而非纯代工环节。

❌ 误读三：“JDM 模式下代工厂没有核心技术壁垒”

纠偏：JDM 代工厂的核心壁垒在于系统级工程能力的多年积累：高速 PCB 设计与信号完整性仿真（处理 112G PAM4 及更高速率信号的能力）、电源完整性与 PDN 设计、液冷系统集成、大规模定制化产线管理等。这些能力需要长年累月的项目经验和人才积累，不是短期可以复制的。此外，代工厂与上游供应链（连接器、PCB 板材、被动元件等）的深度合作关系也是重要壁垒。

❌ 误读四：“AI 服务器 = 只有 GPU 服务器”

纠偏：AI 服务器包含训练服务器和推理服务器，且架构多样。除了基于 NVIDIA GPU 的方案外，还有基于 AMD MI300X、Google TPU、AWS Trainium/Inferentia、自研 ASIC 等不同加速器的方案。JDM 代工厂需要适配多种不同的加速卡规格和互联方案，这种多平台适配能力本身就是壁垒。

学习路径

入门（1~2 周）

1. 了解 OEM/ODM/JDM/EMS 基本概念——推荐阅读 OCP（Open Compute Project）相关材料，理解云厂商为何要定制硬件
2. 阅读一家台系代工厂（如广达或纬创）的年度报告，关注其产品线划分和客户结构

进阶（1~2 月）

3. 学习 AI 服务器基本架构——GPU 互联（NVLink/NVSwitch）、CPU-GPU 互联（PCIe/CXL）、网络拓扑（InfiniBand/RoCE）、存储层级
4. 了解液冷技术方案（直接液冷 vs 浸没式液冷）——关注行业白皮书和行业媒体深度报道
5. 追踪 NVIDIA GTC 等行业大会的新品发布，理解每一代新架构对服务器设计的影响

专家（持续）

6. 关注超大规模云厂商的资本开支季度数据，建立对 AI 服务器出货量的前瞻判断框架
7. 研究供应链各环节（GPU、HBM、先进封装、PCB、电源、液冷、网络）的产能和竞争格局
8. 关注地缘政治动态对全球 AI 服务器供应链的影响

一句话总结

JDM 是 AI 时代服务器制造的核心范式——云厂商出”脑”、代工厂出”手”，双方联合设计才能驾驭单台价值数十万美元、功耗数十千瓦的 AI 训练系统；理解 JDM，就是理解 AI 算力如何从图纸变成数据中心里嗡嗡运转的机器。

延伸阅读与来源

1. Open Compute Project (OCP)：opencompute.org——理解开放硬件设计标准化如何推动了 ODM/JDM 模式的兴起
2. 各代工厂年报/季度财报：广达、纬创、鸿海、英业达等公司的投资者关系页面，获取营收结构、客户集中度等关键数据
3. TrendForce / IDC / Gartner：关于 AI 服务器市场规模和出货量的行业研究报告（部分需付费订阅）
4. NVIDIA GTC 演讲与技术文档：了解每一代 GPU 架构对服务器系统设计的具体要求变化
5. 行业媒体：The Next Platform、SemiAnalysis、AnandTech（已停更但历史文章仍具参考价值）等
6. 供应链研究：关注中国台湾地区券商对台系代工厂的深度研究报告（如 Macquarie、Morgan Stanley Taiwan 等机构的科技硬件覆盖）

本文档基于公开信息与行业共识整理，具体财务数据以各公司官方财报为准。技术细节标注 [行业估算] 或 [供应链信息] 的部分为基于行业通行认知的定性判断，非精确引用。