OPC 模型

1 3 秒看懂

OPC 模型是将 AI 产业链从上至下拆解为三个决定性环节的结构性分析框架：

• 链（Chain）：承载 AI 应用的智能硬件终端与软件平台。是 AI 能力触达用户的最后一公里。
• 芯（Chip）：提供物理算力的AI 计算芯片与计算基础设施。决定模型能否高效运行。
• 核（Core）：驱动智能的核心算法与基础模型。定义 AI 系统的能力上限。

三者遵循“平台承载—算力驱动—算法赋能”的产业传导逻辑，缺一不可。

2 3 分钟产业解释

OPC 模型的作用在于将复杂 AI 产业链简化为三层价值单元，帮助理解产业波动背后的结构力量。

三层价值定位

产业传导机制

• 下游需求（链）驱动上游研发：智能汽车对低延迟感知的需求，直接拉动端侧 AI 芯片和高精度小模型/大模型蒸馏技术的迭代。
• 上游突破（核/芯）赋能下游创新：更强的多模态大模型和更高能效比的芯片，使终端设备解锁实时翻译、视觉理解、具身智能等全新场景。
• 核心瓶颈（2024—2025 年观测）：产业最紧张的环节集中在“芯”层的高端制造与供给，以及“核”层的高质量数据与顶级人才。“链”层的大规模商业爆发高度依赖前两者的成本下降与稳定供给。

3 技术原理

OPC 模型每一层都有独立的技术演进逻辑，同时相互施加物理约束和工艺要求。

核（Core）的技术演进

从“专用小模型”到“通用大模型”的跃迁，技术核心建立在深度神经网络与 Transformer 自注意力机制之上。关键路径包括：

• 预训练—微调范式：在超大规模互联网数据上预训练（自监督学习），再针对下游任务进行微调或人类反馈强化学习（RLHF）。
• 能力涌现：当参数规模、数据量和算力跨过某个阈值后，模型表现出未经专门训练的新能力，如复杂推理、代码生成。
• 多模态融合：2024 年以来的主流趋势是将文本、图像、音频、视频统一在同一模型架构下进行联合训练，催生更强的世界理解能力。
• 模型压缩技术：为将大模型部署到“链”层终端，需大量使用知识蒸馏、量化（int8/int4）、剪枝等技术。这是连接“核”与“链”的关键工程环节。

芯（Chip）的技术路径

AI 芯片的目标是以最低功耗、最低成本完成矩阵乘加运算的极致并行处理。核心技术演进方向：

• 架构专用化：从通用 CPU 到 GPU（如 NVIDIA CUDA 核心），再到更专用的 NPU/TPU 架构。架构越专用，相同制程下有效算力越高，但灵活性越低。
• 存内计算/近存计算：突破传统冯·诺依曼架构的“存储墙”瓶颈，将计算单元靠近或置于存储单元内，显著降低数据搬运功耗。公开资料显示，多家中国 AI 芯片企业在 2023—2024 年已进入流片或小规模量产验证阶段（具体良率与客户规模未公开）。
• 先进封装与 Chiplet：通过将不同功能模块（如计算芯粒、存储芯粒、I/O 芯粒）用中介层互联，提高大芯片的制造良率并突破光罩尺寸限制。这是 2023 年以来中国芯片产业应对先进制程受限的重要技术路线。
• 软件生态壁垒：NVIDIA CUDA 生态凭借近二十年的积累，拥有数百万开发者、海量底层库与优化工具，形成了极高的迁移成本。多数替代方案需通过兼容层或自研编译栈来实现平滑过渡，难度极大。
• 制程依赖：训练用 AI 芯片通常需 7nm 及以下先进制程。2023 年起美国对华出口管制规则多次升级，影响高端 GPU 对华供给。中国企业在 7nm 节点已有个别产品面世（公开信息，如华为昇腾系列部分产品），但晶圆制造产能、良率和成本与台积电等领先代工厂仍有差距，具体数字未见可靠公开数据。

链（Chain）的集成挑战

将“核”和“芯”集成到终端，本质是在功耗、散热、时延、成本、可靠性等多重约束下完成系统设计。关键技术包括：

• 异构计算调度：终端 SoC 需要 CPU、GPU、NPU、ISP 等不同计算单元协同工作，操作系统及编译器需实时判断任务特性并分配给最合适的计算单元。
• 端侧模型部署：受限于内存带宽和容量，终端可运行的模型参数量有限（当前主流约 7B 参数以内，经重度量化可至更小）。模型在端侧的推理性能直接决定用户体验。
• 软硬协同设计：苹果、华为等具备终端芯片自研能力的公司，能够从模型结构设计时便针对自家 NPU 进行联合优化，获得显著的性能与功耗优势。不具备该能力的整机厂商只能依赖高通、联发科等平台厂商的通用方案。

4 关键参数

OPC 模型的核心性能需通过一系列可量化指标衡量。以下给出行业普遍关注的参数类型与数值范围（数据均标明年份、口径及来源，不确定处明确说明）。

核（Core）层关键参数

• 模型参数量：衡量模型容量与潜在能力。以公开资料为准，GPT-4 据第三方估算约 1.76 万亿参数（2023 年，推测口径，OpenAI 未官方确认）；Llama 3 最大版本 4050 亿参数（2024 年 7 月官方公布）；中国百度文心一言 4.0 参数规模未官方公开，市场第三方估算存在较大分歧，公开资料无确切数字。
• 上下文窗口：2024 年主流旗舰大模型已普遍支持 128K—1M tokens，如 Google Gemini 1.5 Pro 支持百万 token（2024 年公告）；Claude 3 支持 200K（2024 年公告，Anthropic）。
• 评测基准得分：以 MMLU（Massive Multitask Language Understanding）为例，GPT-4 得分约 86.4%（OpenAI 2023 年技术报告）；Claude 3 Opus 约 86.8%（Anthropic 2024 年公布）；中国 Alibaba 通义千问 Max 在部分中文榜单上接近持平，具体英文 MMLU 得分因口径差异，公开可比数据有限。
• 训练算力消耗：据 Epoch AI 估算，2023 年训练一个前沿大模型的算力消耗约 1e24—1e25 FLOPs 量级，成本达数千万至数亿美元，且呈持续增长趋势。
• 推理时延：端到端首 token 时延与 token 生成速率是影响用户体验的核心。各厂商对具体技术指标披露不充分，公开资料未见统一对比基准。

芯（Chip）层关键参数

• 制程节点：NVIDIA H100 使用台积电 4nm 工艺（NVIDIA 官方公开）；华为昇腾 910B 工艺节点官方未公开，行业分析估计在 7nm 级（第三方推测口径，2023 年）。
• 峰值算力：以 FP16（半精度浮点）为单位，H100 SXM 版本峰值算力约 1979 TFLOPS，其中约 989 TFLOPS 为稀疏算力（NVIDIA 2022 年规格表）；昇腾 910B FP16 峰值算力官方公布为 256 TFLOPS（华为昇腾社区公开规格，2023 年）。
• 显存带宽与容量：H100 配备 80GB HBM3，带宽约 3.35 TB/s（NVIDIA 官方规格）；昇腾 910B 配备 HBM2e，带宽 1.6 TB/s（公开规格）。
• 能效比：衡量每瓦算力产出，是数据中心 TCO（总拥有成本）的关键指标。由于不同厂商测试条件与板卡设计差异，直接对比存在困难，行业普遍参考 SPEC 等标准化基准，但 AI 专项能效排名尚无权威统一标准。
• 软件生态：CUDA 开发者数量超 400 万（NVIDIA 2023 年 GTC 披露）；华为 CANN（昇腾异构计算架构）生态开发者数量官方未在 2024 年定期公布，第三方估算存在差异，公开资料未见确数。

链（Chain）层关键参数

• 终端出货量与渗透率：AI PC 出货量 2024 年第一季度全球约数千万台量级（据 Canalys 2024 年 5 月报告，定义为“具备专门 AI 加速硬件的桌面和笔记本”），该口径仍在演化中；中国 AI 手机渗透率 2023 年约个位数（IDC 中国，2024 年初估计，精确数字未见公开）。
• 搭载模型参数量：端侧大模型通常在 1B—7B 参数量级；苹果 Apple Intelligence 据分析采用约 3B 参数的端侧模型（2024 年分析机构报告，苹果官方未确认），高通骁龙 8 Gen 3 平台宣称可运行 10B 以上模型（Qualcomm 2023 年 Snapdragon Summit），但具体实测性能受内存瓶颈约束。
• 日活用户/调用量：百度文心一言 APP 日活用户数及 API 调用量在 2024 年公开数据中，百度 2023 年 Q4 财报披露文心大模型日均调用量超 5000 万次（该数据为 API 调用；2024 年更新数据未找到官方公告，部分媒体提及“日均调用量超 10 亿次”，口径需核实，存在分歧）。
• 单车 AI 算力：智能汽车智能驾驶域控制器 AI 算力快速提升。2024 年，高端车型普遍搭载 254 TOPS（NVIDIA Orin X）或更高规格芯片；部分新车型声称综合算力超 1000 TOPS（发布会上的参数，实际可用算力需扣除冗余）。具体渗透率数据按价位段分布存在差异，公开资料未见统一统计。

5 技术路线

OPC 模型三层各自存在多条技术路径的竞争与分化，其走向将决定未来 5—10 年产业格局。

核（Core）的技术路线之争

1. 闭源巨头路线：以 OpenAI GPT 系列、Google Gemini 系列为代表，投入巨额资本追求 AGI 上限，同时构建立方商业生态。优势在于安全构建可控、变现模型清晰；风险在于训练成本指数级上升，需持续领先以维持定价权。
2. 开源路线：以 Meta Llama 系列、Mistral、中国 Qwen（阿里通义）等为代表，组件生态迅速壮大。优势在于开发者社区快速扩散、企业可自行微调和私有部署，降低对单一供应商依赖；风险在于商业模式可持续性存疑，且对安全滥用控制力弱。
3. 混合路线：部分厂商如百度、科大讯飞同时提供闭源 API 和部分开源小模型，试图覆盖不同需求层次。这将是 2025 年前后的主流策略。

芯（Chip）的技术路线分歧

1. 通用 GPU 延续：NVIDIA 和 AMD 坚持通用性，每年更新架构和制程。其核心壁垒在于 CUDA 生态的粘性，使客户几乎无法跨平台迁移。
2. ASIC/专用芯片爆发：Google TPU、Amazon Trainium/Inferentia、中国多家初创企业自研芯片均走专用路由。在特定负载（如 Transformer 推理）下，ASIC 可获得远高于 GPU 的能效比和性价比，但灵活性不足，一旦算法结构重大变化，芯片可能提前失效。
3. 存算一体新架构：作为后摩尔时代潜在颠覆路线。2023—2024 年，中国知存科技、九天睿芯等初创企业完成多轮融资并推出量产级存算一体 SoC 或 IP，主要用于端侧低功耗语音/视觉场景。大规模云端存算一体芯片仍处于研发或早期流片阶段，尚无可靠量产数据。
4. Chiplet 生态路线：信骅、Intel、AMD 等推动 UCIe（通用小芯片互连标准）联盟，构建可混合使用不同厂商芯粒的开放生态。中国大陆企业如华为、壁仞科技等也加入 UCIe 联盟，但在先进封装供给端仍受制于制造能力和设备。

链（Chain）的部署模式路线

• 云端优先：大部分复杂生成任务仍交云端大模型处理，终端仅做轻量推理或请求转发。优势在于能力最强、更新及时；代价是延迟高、隐私保障弱、运营成本高。
• 端侧优先：苹果、高通等厂商强调数据本地处理，平衡隐私、延迟和成本。劣势在于模型能力受限，需云端补充。
• 混合 AI（Hybrid AI）：2024 年产业共识。根据任务复杂度、网络状况、电池电量等动态决定在端侧、边缘或云端处理。该模式要求操作系统和架构层进行深度异构调度，是“链”层技术竞争的聚焦点。

6 上游

OPC 模型的上游，是支撑“核、芯、链”三层的底层资源与基础工业体系。可划分为：

1. 基础算力基础设施（为芯和核提供物理载体）

• 晶圆制造：先进制程（7nm 及以下）目前全球仅有台积电、三星实际大规模量产。2023 年，台积电占全球晶圆代工市场营收份额约 60%（TrendForce 2023 年 Q4 数据），在 5nm/4nm 及 3nm 节点几乎垄断。中国大陆厂商中芯国际（SMIC）在 7nm 节点技术已实现突破（TechInsights 2022 年分析报告），但产能、良率和经济性数据未公开披露，无法评估其支撑大规模 AI 芯片需求的潜力。
• 先进封装：台积电 CoWoS 封装产能在 2023—2024 年持续紧缺，供不应求（台积电 2023 年 Q2 法说会表述）。中国大陆的长电科技、通富微电等已具备先进封装能力，但面向 AI 芯片的顶级封装产能规模与台积电尚有明显差距，具体产能数字未系统公开。
• EDA 与 IP 核：Synopsys、Cadence 和 Siemens EDA（原 Mentor）三家占全球 EDA 市场超 70% 份额（多家咨询机构 2022—2023 年估算）。中国大陆 EDA 企业（华大九天、概伦电子等）在部分点上取得了替代，但全流程覆盖度与先进制程支持能力仍在追赶。AI 芯片设计常用的接口 IP、存储控制器 IP 等，同样由 ARM、Synopsys 等高度集中供应。

2. 数据要素（为核提供训练来源和价值来源）

• 公开互联网数据：主要来源，但 2023 年以来，内容平台（如 Reddit、X/Twitter、新闻机构）开始对 AI 训练设置数据抓取壁垒并寻求商业化合作。高价值数据的获取成本持续攀升。
• 合成数据：为解决高质量数据不足而生成的人工数据，2024 年几乎已成所有大模型训练的标配。但其是否会放大模型偏差或伤害分布，仍存在技术争论。
• 数据标注与治理：中国数据标注市场规模 2023 年约 60—70 亿元人民币（华经产业研究院估计，口径含 AI 基础数据服务）。随着多模态和行业大模型兴起，专业标注（如医疗影像、芯片布局）的稀缺性和单价远高于通用标注。数据要素的合规流通（数据交易所模式）仍处于早期摸索阶段，市场交易额相对于产业需求微不足道。

3. 关键材料与设备（卡脖子风险集中点）

• 半导体设备：ASML 的 EUV 光刻机是 7nm 及以下必需设备；DUV 光刻机受荷兰出口管制规则限制（2023 年 9 月生效），中国大陆芯片扩产受到明显制约。
• 关键材料：大硅片、光刻胶、高纯度电子特气及靶材等，日本企业占据高纯度市场重要份额（如信越化学、SUMCO 的硅片）。中国大陆部分企业如沪硅产业、南大光电等实现国产化起步，但自给率尤其在高端产品线仍有待提升。具体产能缺口数据公开来源有限。

7 下游

OPC 的下游即“链”层穿透的具体应用场景与终端市场，直接承载 AI 的商业变现。

1. 消费电子

• AI 手机：2024 年称为“AI 手机元年”。高通骁龙 8 Gen 3、联发科天玑 9300 均强调终端生成式 AI 性能，苹果在 WWDC 2024 发布 Apple Intelligence。IDC 预计 2024 年全球 AI 手机出货量约 1.7 亿部，占比约 15%；2027 年有望超过 50%（2024 年 2 月 IDC 报告）。但用户愿为 AI 功能额外付费的意愿仍待市场检验。
• AI PC：2024 年中，搭载 NPU 的 Windows AI PC 集中上市（如 Surface Pro 10、联想 Yoga 系列）。Canalys 预计 2024 年 AI PC 出货量约 4800 万台，2025 年将超 1 亿台（2024 年 3 月报告）。换机潮能否兑现，取决于杀手级本地 AI 应用的出现。

2. 智能汽车

• 智能驾驶：高阶辅助驾驶（NOA）逐渐成为 20 万以上新能源车型标配。2023 年中国搭载 L2 及以上辅助驾驶的新车渗透率约 40%（工信部装备中心、中国智能网联汽车产业创新联盟数据），L3 级别仍受法规和责任界定限制，商用量产刚刚开始试点。
• 智能座舱：车内大模型语音助手、AI 场景生成、多模态感知成为差异化竞争点。产业链价值从传统 Tier 1 向算法供应商和芯片商迁移。

3. 机器人（具身智能）

• 人形机器人：特斯拉 Optimus 已进入工厂尝试简单操作（2024 年初官方演示）。中国有宇树科技、傅利叶智能等企业推出具备双足行走能力的人形机器人。核心瓶颈仍在“核”——高层级任务规划与物理世界操作的扎实能力远未成熟，以及“芯”——高能效比、低成本、多传感器融合处理的计算芯片尚未标准化。
• 工业与服务机器人：物流分拣、搬运、清洁等场景较成熟，但 AI 渗透主要体现在视觉检测和路径规划，与“链—芯—核”整体框架的深度结合仍在早期。2023 年中国工业机器人市场规模约为 70 亿美元，其中靠 AI 能力实现明显增值的比例暂无公开统计。

4. 企业服务与行业应用

• AI SaaS：Microsoft 365 Copilot 已全面商用，Office 全家桶集成 GPT-4（微软 2023 年公开披露），Salesforce 推出 Einstein GPT。中国钉钉、飞书、企业微信均接入大模型。企业为 AI 办公付费正处于启动期，2024 年各厂商未披露付费渗透率数据，仍属前期市场培养阶段。
• 金融、医疗、教育、政务等垂直场景：金融领域的智能风控、投研报告生成相对成熟；医疗领域的 AI 辅助诊断仍在审批和临床验证扩展中；教育个性化辅导受政策监管和适应性考验。多数垂直场景的 AI 支出占比难以独立拆解。

5. 内容与娱乐

• AI 生成内容（AIGC）：Midjourney、Stable Diffusion、Runway 等推动创意生产力平民化。2023 年全球 AIGC 市场营收规模估计约数十亿美元（公开资料未见权威精确统计，多家咨询机构测算口径不同）。版权和创作者的博弈仍在持续，纽约时报诉 OpenAI 案为标志性事件。

8 受益公司

以下梳理 OPC 模型各层及相关产业链中已明确布局的上市公司，仅作产业角色说明，不构成任何投资建议。所有公司及数据均来自公开财报或公告。

核（Core）层——模型与算法厂商

• OpenAI（非上市）：全球大模型领跑者，收入 2023 年已达约 16 亿美元（The Information 2024 年初报道口径），2024 年预计翻倍，但利润因算力成本高企仍是挑战。
• 微软（Microsoft, MSFT）：通过深度绑定 OpenAI 获得模型独占使用权，并集成到 Azure 云和 Copilot。FY2024 Q3 财报显示 Azure 和其他云服务收入增长了 31%，其中 AI 贡献约 7 个百分点（官方管理层讨论，2024 年 4 月）。
• Meta（META）：坚定开源路线，接连发布 Llama 系列，通过开源生态期望削弱封闭对手的锁定效应，同时将其内部大规模应用于推荐系统，提升广告效率。2024 年 Q1 财报显示广告收入同比增长 27%，部分受益于 AI 推荐改进。
• 百度（BIDU, 09888.HK）：文心大模型国内市场占有率靠前，2023 年 Q4 财报称文心大模型 API 调用量显著增长。AI 云收入 2023 年 Q4 为约 57 亿元人民币，同比增长 11%（百度官方财报，GAAP 口径）。
• 阿里巴巴（BABA, 09988.HK）：通义大模型系列，开源 Qwen 系列在 Hugging Face 社区下载量和评测均排名前列（2024 年社区数据）。阿里云作为底座提供 MaaS（模型即服务）。
• 科大讯飞（002230.SZ）：星火大模型持续迭代，面向教育、办公等场景，2023 年报披露 AI 开放平台开发者数量及营收增长，具体大模型对收入的贡献比例未单独披露。
• 智谱 AI（非上市）、月之暗面（非上市）、百川智能（非上市）：头部初创大模型公司，估值和融资额快速膨胀。AI 产品化与商业化仍处于早期“烧钱”阶段，财务数据大多不公开。

芯（Chip）层——AI 芯片及相关硬件

• NVIDIA（NVDA）：全球数据中心 AI 计算 GPU 市场主导者。FY2025 Q1（截至 2024 年 4 月）数据中心收入达 226 亿美元，同比增长 427%（NVIDIA 官方财报，GAAP 口径），H100 和 H200 供不应求。
• AMD（AMD）：Instinct MI300 系列加速器于 2023 年底交付，宣称 2024 年 AI GPU 营收约 40 亿美元（AMD 2024 年 Q1 财报管理层指引）。追赶势头积极，但在软件生态成熟度上与 NVIDIA 仍有明显差距。
• 英特尔（INTC）：推出 Gaudi 3 AI 加速器，并试图通过代工服务切入芯片制造生态。2024 年 Q1 财报显示数据中心及 AI 收入同比增速远低于 NVIDIA，规模差距巨大。
• 海光信息（688041.SH）：国内 x86 兼容 CPU 及 DCU（协处理器）供应商，2023 年报收入约 60 亿元人民币，同比增长约 17%。DCU 产品已支持主流 AI 框架，但在集群规模部署能力和软件易用性上仍处追赶期，具体市场份额无权威统计。
• 寒武纪（688256.SH）：思元系列 AI 加速卡供应商。2023 年报收入约 7.1 亿元人民币（寒武纪 2023 年年度报告，中国会计准则），仍处于亏损状态。其产品在国内部分智算中心有部署案例，但整体体量较小。
• 华为海思（非上市）：昇腾系列是国产算力代名词，与国内多家头部智算中心合作，是国产替代中出货量和技术领先的板块。由于非上市，无公开财务数据，按公开项目信息看，份额正在扩大。
• 中芯国际（688981.SH, 00981.HK）：中国大陆最大晶圆代工厂，先进制程产能受限。2023 年营收约 63 亿美元，同比下降 13%（中芯国际 2023 年度报告），受行业周期影响。其先进制程（N+1/N+2）的产能与良率信息未公开。
• 服务器制造商：浪潮信息（000977.SZ）、工业富联（601138.SH）、中科曙光（603019.SH）等。AI 服务器收入快速增长，但多数 AI 服务器需搭载 NVIDIA GPU，核心价值仍在芯片端，服务器制造商议价能力相对有限，利润率普遍较薄。

链（Chain）层——终端与平台

• 苹果（AAPL）：Apple Intelligence 全面嵌入 iOS 18、macOS Sequoia，利用自研芯片和端侧模型，强调了隐私。2024 Q2 财报未单独披露 AI 带来的收入，但未发现明显负面影响。
• 特斯拉（TSLA）：FSD v12 采用端到端大模型，智能驾驶比特率用户化大幅简化。2024 年 Q1 财报显示自动驾驶相关业务收入仍然有限，贡献度不显著。
• 联想集团（0992.HK）：AI PC 策略明确，2023/24 财年（截至 2024 年 3 月）个人电脑和平板业务收入下降，但市场认为 AI PC 将带来换机刺激（联想 2024 年 5 月全年业绩公告）。
• 小米集团（1810.HK）：汽车、手机、AIoT 多终端布局，并自研澎湃 OS 融合 AI。2024 年 Q1 营收 755 亿元，同比增长 27.0%，汽车业务贡献初步收入，AI 手机和汽车的长期协同仍待观察。
• 商汤科技（0020.HK）：生成式 AI 收入增长迅速，2023 年该板块收入 11.8 亿元，同比增长 199.9%（商汤 2023 年报）。但其整体营收体量仍然较小，能否持续降低亏损是关键。
• 云服务厂商：AWS、Azure、Google Cloud（国际）；阿里云、华为云、腾讯云（国内）。云厂商作为“链”的核心平台，通过 MaaS 将大模型封装提供给广大客户。2023 年全球云基础设施服务支出约 2900 亿美元，其中 AI 相关比例仍在爬升（Synergy Research Group 2024 年 Q1 数据）。

9 市场规模

本部分汇总 OPC 模型相关市场的规模估算，所有数据均标明年份、口径和来源。

整体 AI 市场规模

• 全球人工智能市场规模 2023 年约 5000 亿美元（Precedence Research 2024 年报告，广义口径，含硬件、软件与服务），预计 2024 年超过 6000 亿美元。其中生成式 AI 仍占较小比例，2023 年约 450 亿美元（Bloomberg Intelligence 2023 年估计），但增速极高，预计 2024—2030 年 CAGR 超 40%。

核（Core）—模型与 AI 软件市场

• 全球大模型及相关企业软件市场 2023 年规模约 100—150 亿美元（多家机构估计交集，精确值无统一来源）。2024 年维持高增，但因产品迭代快，准确预测困难。
• 中国市场 2023 年大模型相关收入（含模型训练与 MaaS）估计低于 50 亿元人民币（公开资料未见精确统计），多处于早期投入和获得标杆客户阶段，近 2024 年下半年起开始有部分收益显现，但整体体量仍然很小。

芯（Chip）—AI 芯片及服务器市场

• 全球 AI 芯片市场 2023 年约 530 亿美元（Counterpoint Research 2024 年初统计，含 GPU、AI 专用芯片和其他）。NVIDIA 占据数据中心 AI GPU 约 80%以上的份额（第三方估计，2023 年）。2024 年市场预计将达到 700—800 亿美元。
• 全球 AI 服务器市场 2023 年出货量约 140 万台，占整体服务器出货量的近 20%（TrendForce 2024 年 1 月数据），但价值量占比远超数倍，单台 AI 服务器价格可达普通服务器的 10 倍以上。
• 中国 AI 芯片市场受出口管制影响，替代需求显著。2023 年中国 AI 芯片市场规模约 700—800 亿元人民币（IDC 中国 2024 年初报告，口径含 GPU、FPGA、ASIC 等），华为昇腾等国产份额提升。公开资料缺乏精准市场份额数据。

链（Chain）—AI 终端与应用市场

• 全球 AI 终端设备（手机、PC、穿戴）总出货量在 2024 年预计约 1.5—2 亿台（IDC、Canalys 综合口径），尚不足总体消费电子出货量的 20%。
• 全球 AI SaaS 及行业应用市场规模 2023 年约 280 亿美元（Gartner 2023 年 6 月报告），预计 2024 年达 350 亿美元以上。
• 中国区智能汽车与车载 AI 芯片市场 2023 年约 80—100 亿元人民币（含车载 SoC 和智驾芯片，中国汽车工业协会等机构口径，具体精确值有差异）。

需注意

所有市场规模数据均基于不同机构的定义、统计口径和方法存在差异，AI 行业分类仍在形成中，以上数字仅供参考量级，不可作为精确投资依据。

10 玩家对比

选取“核—芯—链”每层的典型玩家进行定性对比，聚焦战略差异而非排名。一切信息来自公开资料。

核层：大模型玩家对比

说明：收入体量因披露程度不同，直接可比性弱。Meta 通过自用改善推荐效率而驱动广告收入，无法直接剥离为“模型收入”。百度和阿里的模型直接收入虽未披露，但云服务收入中有相关数据。

芯层：AI 芯片玩家对比

链层：终端平台玩家对比

说明：玩家对比不能静态看，各企业战略在不断调整。以上仅反映截至 2024 年中期的竞争态势。

11 风险

OPC 产业链在三层均面临显著风险，这些风险相互传导，有必要结构化审视。

技术风险

1. 核心架构瓶颈：“核”层的 Transformer 架构效率瓶颈逐渐显现，若 Scaling Law 失效，而新架构未及时接力，整个行业对算力的无上限投入逻辑面临重构。
2. 先进制程“卡脖子”：中国“芯”层在先进制造和 EUV 光刻机方面短期无可替代方案（公开资料未见明确时限），可能导致 2 代以上制程差距固化，从而拖累全栈发展。
3. 大模型幻觉与可靠性：“核”层模型仍会产生看似合理但事实错误的输出，在金融、医疗、法律等高风险领域难以被完全信任，阻碍商业纵深应用。

地缘政治与供应链风险

• 美国对华出口管制规则 2022 年 10 月、2023 年 10 月、2024 年仍有更新，核心限制先进 AI 芯片、半导体设备和技术。“小院高墙”可能进一步放大化，波及更多环节（如云计算服务、先进封装合作等），构成中国 OPC 全链系统性风险。
• 全球半导体供应链过度依赖台积电和东亚区域，地缘冲突若影响产能，全球“芯”层均将遭受冲击。

商业与市场风险

1. 投资过热与泡沫：2023—2024 年公开数据显示，AI 领域私募融资和二级市场估值屡创新高，但多数初创企业收入体量极小。资本寒冬若到来，一大批“核”层和“芯”层企业会面临生存危机。
2. 收入变现困难：“链”层终端消费者和企业的付费意愿存在不确定性。2024 年多份调查显示，企业用户愿意为 AI 助手支付的价格远低于当前提供成本（第三方咨询报告，如红杉资本博客、a16z 调研）。
3. 巨头挤压风险：云厂商和终端平台商可能通过纵向整合蚕食上下游独立厂商利润空间，例如自研芯片替代 NVIDIA，或捆绑自家大模型，排挤第三方模型供应商。

法律、伦理与社会风险

• 版权诉讼浪潮：《纽约时报》诉 OpenAI、艺术家诉 Stability AI 等案件一旦形成不利判例，可能要求模型厂商公开训练数据或付出巨额赔偿，根本改变“核”层的成本结构。
• 监管不确定性：欧盟 AI 法案（2024 年 5 月获通过，逐步生效）、中国生成式 AI 服务管理办法、美国潜在监管政策，均可能大幅增加合规成本或限制某些应用场景。
• 深度伪造与安全：生成式 AI 极大降低了制造虚假音视频的门槛，对民主进程、金融安全和社会信任构成实质威胁。

12 误读纠偏

OPC 模型及相关热门概念在传播中常见以下几种误解，需要进行纠偏。

误解1：OPC 是三个独立割裂的环节。

纠偏：恰恰相反，OPC 三层深度耦合，任何一层的瓶颈都会扩散至整个体系。例如，“芯”层制程受限，会限制“核”层的模型规模化训练，“链”层终端的智能化也随之迟滞。理解 OPC 必须从互动与约束的角度出发。

误解2：拥有大模型就等于拥有了人工智能核心竞争力。

纠偏：“核”只是源头，但没有高效的“芯”和能够触达海量用户的“链”，模型无法转化为可持续的商业回报。许多企业发布大模型，却缺少算力基础和用户场景，最终只能依赖外供模型和云服务，难以形成闭环。

误解3：AI 芯片的性能完全取决于制程。

纠偏：制程重要，但架构创新（如存算一体、数据流优化）、带宽设计、软件栈成熟度和实际集群效率同样关键。一些国产芯片在制程节点明显落后的情况下，通过架构和软件协同在特定推理场景下依然能获得了可观的效率。不能仅以制程节点论胜负。

误解4：中国的 AI 产业整体落后美国 1—2 代。

纠偏：这种“代际说法”过于笼统。在顶级基础模型的原创能力和高端制造上确实存在差距，但在应用落地、场景丰富度和部分工程化手段上，中国公司并不落后甚至更敏捷。不宜以一个简单标签笼统比较。

误解5：端侧 AI 意味着所有任务都在本地完成。

纠偏：产业共识是“混合 AI”。大部分常规和隐私敏感任务在本地处理，复杂任务分拆或卸载至云端。纯端侧无法应对所有需求，尤其是在模型更新和复杂推理层面。

误解6：OPC 模型只适用于当下，很快会过时。

纠偏：链—芯—核三层划分是对 AI 产业价值分工的抽象，只要 AI 产业存在分工和分层，这种框架就具有解释力。具体技术主体可能更替（如神经拟态芯片、新模型架构），但这种三层结构框架可适配变体。

13 最新事件

（本部分依据 2024 年 1 月—2024 年 8 月公开资讯整理，仅作为时间轴参考，不作趋势判断）

2024 年 Q1

• 1 月：OpenAI 推出 GPT Store，计划实现 GPT 应用商店生态变现。
• 2 月：Sora 文生视频模型发布，大幅提升业界对多模态能力的预期。
• 3 月：欧盟 AI 法案在欧洲议会投票通过，成为全球首部全面 AI 监管法律。
• 3 月：NVIDIA GTC 2024 上发布 Blackwell 架构 B200 GPU，宣称训练性能是 H100 的 4 倍（NVIDIA 官方公开）。

2024 年 Q2

• 4 月：Meta 发布 Llama 3 系列，包括 8B 和 70B 两个开放权重版本，进一步加剧开源生态争夺。
• 5 月：微软 Build 大会上推出 Copilot+PC 标准，要求 AI 算力至少 40 TOPS，宣布多款 NPU 加持 AI PC 上市。
• 5 月：百度 Apollo Day 公布文心大模型在自动驾驶中的应用进展。
• 6 月：苹果 WWDC 2024 发布 Apple Intelligence，强调设备端语义索引和私有云计算。
• 6 月：台积电 2024 年第二季度法说会披露先进封装产能仍供不应求，预计 2024 年 CoWoS 产能较 2023 年倍增，2025 年继续扩产。

2024 年 7—8 月

• 7 月：OpenAI 推出 SearchGPT 原型，正式进入搜索领域。
• 8 月：中国多个地方政府（如上海、深圳）发布推动 AI 芯片本地化发展的扶持政策，对国产 AI 芯片采购给与补贴和应用场景开放。
• 8 月：若干国内大模型企业完成了新一轮融资（公开信息），估值继续非理性膨胀，产业界对变现和存活能力的探讨增多。

最新事件表明，“核”层的竞争焦点已从单纯参数量转向多模态、场景落地和生态构建，“芯”层仍处于供给决定需求的状态，“链”层则在等待定义性应用的真正出现。

14 跟踪指标

为持续跟踪 OPC 模型各层发展状况，建议关注以下量化与质性指标。

核（Core）层跟踪指标

1. 全球主流模型排行榜名次及变动：LMSYS Chatbot Arena、Open LLM Leaderboard、C-Eval 中文评测等。
2. 大模型 API 调用量公开数据：如百度、OpenAI 等定期公布，需自行区分“日均调用量”与“token 数”。
3. 开源社区活跃度：Hugging Face 上模型下载量、点赞数（Stars）、生态贡献者数量。
4. 顶级 AI 会议（NeurIPS、ICML、ICLR、CVPR）论文机构分布：反映“核”层研究实力和人才流动方向。
5. 模型训练成本变化：以公开信息为准，注意不同机构估算差异。

芯（Chip）层跟踪指标

1. NVIDIA 季度数据中心收入及指引：该指标具有全球 AI 算力投入的“温度计”意义。
2. 台积电 CoWoS 产能及扩张计划：直接制约高端 AI 芯片供给。
3. 华为昇腾等国产芯片在各地智算中心中标份额：通过公开招标信息和产业跟踪机构数据获取，部分可查清。
4. 美国对华出口管制政策的更新：实质性影响中国国产替代紧迫度和市场格局。
5. DRAM/HBM 内存价格与供货情况：HBM 是 AI 芯片的必备元件，产能被三家韩美厂商高度垄断。

链（Chain）层跟踪指标

1. 季度 AI 手机/AI PC 出货量及渗透率：IDC、Canalys、Counterpoint 等机构报告。
2. 代表性应用月活用户数：如 ChatGPT MAU、国内文心一言/豆包/通义千问等 APP 活跃度数据（需关注第三方数据平台，如 Sensor Tower 估测）。
3. 新能源车高阶智驾方案渗透率：按车型价位段可分析芯片和算法捆绑态势。
4. AI 在企业中的采用率调查：如麦肯锡全球 AI 调研报告、Gartner CIO 调研，年度频率。
5. 知识产权诉讼与大案进展：影响“链”层应用的内容生成合法性基础。

以上指标大多数可逐季度跟踪，部分仅在年度报告中有客观数据，且各家机构统计口径不同需横向参考。

15 信源

以下为本页用到的公开信息来源，供交叉验证和深度研究。

国际机构与研究组织

• IDC（International Data Corporation）：智能终端出货预测、AI 服务器市场跟踪
• Canalys：PC 和智能手机市场分析
• Gartner：AI SaaS 和企业 IT 支出
• TrendForce：内存、代工、服务器市场趋势
• Bloomberg Intelligence：生成式 AI 市场规模估算
• Counterpoint Research：AI 芯片与设备出货量预估
• Synergy Research Group：全球云基础设施服务支出
• Epoch AI：大模型训练算力消耗估算
• LMS