Super Power Rail
1 3 秒看懂
Super Power Rail 并非物理铁轨或单一元件，而是描述支撑大模型时代 AI 能力连续跃迁的**“计算-硬件-生态”一体化超级流水线**。这一概念形象地比喻为驱动 AI 列车的“超级电力轨道”，核心由三环紧耦合构成：
- Chain（链）：底层算力基建与能源供给链，是轨道的路基与供电网。
- Chip（芯）：中层的 AI 芯片及硬件集群，是在轨道上行驶的列车本体。
- Core（核）：上层的模型、算法、框架与数据生态，是轨道上运输的“智能货物”，最终产生应用价值。
三环之间并非单向支撑，而是双向强牵引关系：没有强大的“链”和“芯”，顶尖“核”无从训练与部署；反之，繁荣的“核”生态通过需求爆发强力倒逼“链”与“芯”迭代。这一概念的核心叙事是：AI 时代的技术主权竞争，早已从单一芯片性能比拼，升级为涵盖能源、制造、芯片、框架、模型的系统性能力竞赛。
2 3 分钟产业解释
Super Power Rail 描述的是一条从能源到智能的完整价值链，可理解为 AI 基础设施的“三层金字塔”：
第一层：基建（Chain——链） 指支撑大规模 AI 计算的物理与资源底座。这不仅仅是传统意义上的数据中心机柜，而是涵盖：超大规模算力集群（单个训练集群已突破万卡规模）、高带宽低延迟互联网络（InfiniBand 或超以太网）、以及日益成为瓶颈的电力供给与散热系统。据国际能源署（IEA，2024 年 1 月报告），全球数据中心用电量在 2022 年约为 460TWh，到 2026 年可能在 AI 需求驱动下翻倍至 1000TWh 以上。轨道的“路基”是否坚实，正成为产业发展的前置约束。
第二层：硬件（Chip——芯） 指轨道上运行的“列车”本体及编组。不仅指 GPU/NPU/ASIC 等 AI 加速芯片本身，更关键的是围绕其构建的整机服务器、高带宽内存（HBM）、Chiplet 封装、以及芯片间高速互联（如 NVLink、PCIe 6.0/7.0）。这层解决的核心问题是：如何在物理极限逼近摩尔定律天花板的情况下，将单位功耗下的有效算力吞吐量持续推高。
第三层：核心（Core——核） 指在轨道上运行的“智能货物”，即大语言模型（LLM）、多模态模型、科学计算模型，以及其背后的训练框架（PyTorch、JAX、昇思 MindSpore）、推理引擎（TensorRT、vLLM）和高质量数据集。NVIDIA 创始人黄仁勋在 2024 年 3 月 GTC 主题演讲中反复强调的一个核心判断是：“未来的数据中心就是一台计算机”，这台计算机的“操作系统”正是大模型本身及其软件栈。
三者的循环增强逻辑：
- 先进芯片（Chip）需要更大规模、更高效的数据中心（Chain）来承载——单颗 H100 GPU 的峰值功耗约 700W，一台 8 卡服务器散热需求远超传统服务器，倒逼液冷和数据中心电气架构革命。
- 大模型（Core）的架构创新方向（如 Mixture-of-Experts, MoE）直接受芯片互联带宽的约束——OpenAI 在 2024 年关于 GPT-4 的技术报告中公开讨论了 MoE 架构选择与硬件带宽的权衡。据公开信息，OpenAI GPT-4 采用 MoE 架构，由 8×220B 参数的专家子模型组成（来源：Semianalysis 2023 年 6 月分析报告）。
- 应用侧的算力需求爆发（Core 拉动）是支撑数百亿美元级 AI 芯片资本开支的根本商业逻辑。
一句话总结产业格局： 美国目前在 Chip 和 Core 环节拥有显著领先优势（特别是 NVIDIA CUDA 生态和前沿模型能力），中国在 Chain 环节拥有规模优势和新能源基础设施红利，正在 Chip 环节全力追赶，欧洲与日本则聚焦特定细分领域（如光刻设备、材料、HBM 存储）寻求全球不可或缺的技术主权。
3 技术原理
3.1 为何是“铁路”而不是“高速公路”？
传统通用计算如公路交通——灵活但单点效率有限，处理器与存储间的数据搬运成为瓶颈（即“冯·诺依曼瓶颈”）。Super Power Rail 模式借鉴铁路与电力网络的设计原理，追求确定性高吞吐与系统性协同：
- 专用化与规模效应：专门为 AI 计算（特别是千亿/万亿参数级大模型训练）建设专用、超大规模的基础设施（专用铁路网），通过高密度板间/机架间互联（轨距统一化）和定制化硬件（专用列车），实现前所未有的算力吞吐效率。
- 系统性联合优化：不再是“买芯片→装服务器→通上电”的简单堆叠，而是在底层硬件、系统软件、模型算法的联合设计空间中寻求全局最优解。
3.2 三环协同的技术纵深
Chain 优化方向：
- 散热技术路线跃迁：传统风冷单机架功率密度极限约为 20-30kW，而搭载 8 卡 H100 的 DGX 服务器机架功率密度可达 40kW 以上。冷板式液冷可将单机架功耗提升至 60-100kW 范围，浸没式液冷更可支撑 100kW+。据 Uptime Institute（2023 年全球数据中心调查），约 33% 的受访者已在新建数据中心中部署某种形式的液冷方案，该比例预计在 2025 年将显著提升。
- 供电架构演进：传统数据中心多采用集中式 UPS + 12V 直流母线架构。AI 集群对 48V 直流供电、甚至机架级锂电池备用电源（取代铅酸蓄电池占地和重量）的需求催促着供电架构升级。Google 在 2023 年公开的 TPU v4 超算设计中，已广泛采用机架级 48V 供电。
- PUE 追求：PUE（电源使用效率）= 数据中心总能耗 / IT 设备能耗，理想值为 1.0。典型传统数据中心 PUE 约 1.5-1.8，头部超大规模云服务商（Hyperscaler）可将 PUE 降至 1.1-1.2 区间。中国“东数西算”工程要求新建大型、超大型数据中心 PUE 低于 1.25。
Chip 迭代方向：
- 从通用到专用：AI 计算主要依赖矩阵乘法与卷积运算，GPU 相较于 CPU 天然更适合。进一步，专为 Transformer 架构优化的 ASIC（如 Google 的 TPU 系列、AWS 的 Trainium 系列）通过牺牲部分通用性换取更高的能效比。
- Chiplet 先进封装：将大尺寸单芯片拆分为多个小芯片（Chiplet）并通过高速硅中介层（Interposer）或桥接进行互联。这是突破光罩极限（约 858mm² per reticle）、提升良率并实现异构集成（逻辑芯片+HBM 存储器+IO 芯片）的关键路径。AMD MI300 系列（2023 年 12 月发布）即采用 3D 堆叠与 Chiplet 设计，集成 8 个 5nm 计算芯粒加 4 个 6nm IO 芯粒。
- 计算与存储一体化：HBM（高带宽内存）已成为 AI 芯片的标配。HBM3E 规格（2023 年 JEDEC 标准冻结）的单堆栈带宽可达 1.2TB/s 以上。NVIDIA H200（2023 年 11 月发布）较 H100 的主要升级点正是由 HBM3 升级为 HBM3E，内存带宽由 3.35TB/s 提升至 4.8TB/s，容量由 80GB 提升至 141GB。
- 能效比竞赛：算力密度（TOPS/W，每瓦万亿次运算）取代绝对算力（TOPS）成为更核心的评价指标。据 NVIDIA 官方披露，H100 SXM（700W）的 FP8 稠密算力为 1979 TFLOPS（合 1.979 PFLOPS），对应约 2.8 TFLOPS/W；Blackwell B200（2024 年 3 月发布，1000W）的 FP4 稠密算力为 20 PFLOPS，对应约 20 TFLOPS/W（注：数值精度不同，不可直接横向对比）。
Core 适配方向：
- 软硬件协同设计（Co-design）：模型架构的选择深度依赖硬件特性。MoE（混合专家）架构的流行，一个重要原因是：在相同总参数规模下，MoE 每次推理仅激活部分专家，可显著降低计算量和显存需求，但该架构对芯片间的通信带宽要求极高（All-to-All 通信模式），因此适合在具备高速互联（如 NVLink）的集群上部署。
- 长上下文窗口带来的显存挑战：将上下文窗口从 8K 扩展至 128K、乃至 1M Token，KV Cache 的内存需求呈近似线性增长，这直接对推理芯片的 HBM 容量提出更苛刻的要求。
- 量化与稀疏化：模型量化（将 FP32/BF16 精度降至 INT8/FP8/FP4）可大幅降低存储和计算开销。Blackwell 架构引入 FP4 精度支持，对应 Core 侧，就是要开发出能在 FP4 精度下保持模型性能的训练和推理算法，这需要深度学习框架与芯片编译器（如 NVIDIA TensorRT-LLM）协同完成。
4 关键参数
理解 Super Power Rail 各环节竞争力的量化指标如下：
| 层级 | 关键参数 | 说明 | 2023-2024 年标杆数据参考（来源标于括号） |
|---|---|---|---|
| Chain（链） | PUE | 电能使用效率，理想值 1.0 | 全球领先 Hyperscaler PUE≈1.10-1.15（Google 2023 环境报告）；中国东数西算要求≤1.25（国家发改委文件，2022 年） |
| Chain（链） | 单机架功率密度 | 单位机架可支撑的功耗（kW/rack） | 传统企业级约 5-10kW；搭载 8×H100 的 AI 机架可达 40-60kW；NVIDIA GB200 NVL72 整机柜可达 ~120kW+/柜（NVIDIA 2024 年 GTC 材料） |
| Chain（链） | 集群互联带宽 | 单节点 GPU 间的通信带宽 | 单卡互联：NVLink 4.0 双向 900GB/s（H100）；跨节点：InfiniBand NDR 400Gbps 单端口，Quantum-2 交换机构建万卡集群（NVIDIA 官方产品页） |
| Chip（芯） | 半精度/整型算力 | FP16/BF16 或 INT8 稠密算力（TFLOPS） | H100 SXM：1979 TFLOPS（FP8）；华为昇腾 910B：公开资料未见官方 FP8/FP16 稠密算力精确值，据第三方估算约 300-400 TFLOPS（FP16，来源：各行业研报推断汇总） |
| Chip（芯） | HBM 容量与带宽 | 高带宽内存容量（GB）与带宽（TB/s） | H100：80GB HBM3，3.35TB/s；H200：141GB HBM3E，4.8TB/s；AMD MI300X：192GB HBM3，5.3TB/s（MAD 官方产品规格书，2023 年 12 月） |
| Chip（芯） | 能效比 | 单位功耗的算力（TFLOPS/W） | H100 约 2.8 TFLOPS/W（FP8，700W）；Apple M3 Max（40 核 GPU）约 ~16.4 TFLOPS FP32 / ~50W≈0.33 TFLOPS/W，但运行 AI 推理能效极高（Apple 未公布精确 TOPS，公开资料根据 Geekbench OpenCL 分数推算） |
| Chip（芯） | 制程工艺节点 | 芯片制造工艺（nm 或等效节点） | H100：台积电 4N（5nm 家族）；昇腾 910B：据公开报道为 SMIC 7nm（N+1/N+2）；Blackwell B200：台积电 4NP（NVIDIA 官方技术文档） |
| Core（核） | 模型参数规模 | 常见为参数量（Bn/Trn Params）与训练 Token 数 | GPT-4 为 MoE 架构，总参数约 1.76 万亿，活跃参数约 2800 亿（Semianalysis 2023 年估算）；Llama 3 发布 8B 与 70B 版本（Meta 2024 年 4 月官方博客） |
| Core（核） | 上下文窗口长度 | 模型可处理的单次输入 Token 上限 | GPT-4 Turbo：128K token；Claude 3：200K token；Google Gemini 1.5 Pro 实验性支持 1M token（各公司官方公布） |
注：以上涉及第三方的参数数据来自公开渠道整理，部分产品（尤其华为昇腾 910B）的详细性能规格因企业未全面披露，标注为“公开资料未见”或“估算”。
5 技术路线
5.1 芯片架构路线分化
| 路线 | 代表厂商/产品 | 核心特征 | 商业化阶段（截至 2024 年中） |
|---|---|---|---|
| 通用 GPU 增强 | NVIDIA H100/H200/B200 ， AMD MI300X | 保留 GPU 通用可编程性，持续增加 Tensor Core 等 AI 专用单元，深度整合 CUDA/ROCm 生态 | 量产成熟期（H100/H200）；2024 年 Blackwell B200 已开始发货 |
| 云端专用 ASIC | Google TPU v5p， AWS Trainium2， 腾讯沧海 | 专为自家云服务的大规模训练/推理裁剪架构，能效比高，与自身框架深度绑定 | TPU 谷歌多代迭代成熟；AWS Trainium2 2023 年 re:Invent 发布，预计 2024 年规模部署 |
| 端云协同 NPU | 苹果 Neural Engine，高通 Hexagon NPU，华为异腾 | 专注推理能效，用于终端侧大模型推理（如 Apple Intelligence）或在云/边端提供推理服务 | 终端 NPU 已大规模出货（苹果 A17 Pro 的 35 TOPS NPU）；华为异腾在云/边侧持续扩展 |
| 存算一体/近存计算 | 公开资料显示处于早期，未见大规模商用 | 减少数据搬移，突破冯诺依曼瓶颈，理论能效比极高 | 学术界和部分初创公司（如国内千芯科技、Eta Compute）探索，距大规模商用仍远 |
| 光学互连/光学计算 | Ayar Labs， Lightmatter， 曦智科技 | 用光替代电进行芯片间/内核间数据传输，解决带宽密度和功耗瓶颈 | 早期试产阶段。NVIDIA 与其他厂商均在进行光学 I/O 战略投资 |
5.2 算力集群规模扩展路线
- Scale-Up（纵向扩展）：在一台服务器或一个机柜内尽可能加强芯片间互联带宽。代表：NVIDIA GB200 NVL72（2024 年 GTC 发布），通过 NVLink Switch 将 72 块 Blackwell GPU 连接为一个巨型 GPU，总显存最高 13.5TB（HBM3E 的总显存位数复合计算）。
- Scale-Out（横向扩展）：通过网络将成千上万个节点连接为集群。代表：Meta 在 2024 年 3 月公布的两个 24576 片 H100 GPU 集群，使用 InfiniBand 和 RoCE 两种架构用于 Llama 3 训练。
5.3 中国技术路线的特殊约束与选择
由于先进制程和高端芯片出口管制（美国 BIS 2022 年 10 月 7 日及 2023 年 10 月 17 日更新规则），中国 AI 芯片路线面临独特挑战：
- 多芯粒组合与先进封装：因单芯片制程受限，通过 Chiplet 封装提高集成度和算力密度成为主要应对策略。华为公开的专利文件显示其在芯片堆叠、多芯粒互连领域的研发布局。
- 架构创新弥补制程差距：通过改进微架构设计、引入更高效的稀疏计算引擎、优化内存子系统等方式，在同代制程下榨取更多有效算力。
- 强化国产软件生态：华为昇思 MindSpore、百度飞桨 PaddlePaddle 等国产框架正加速与昇腾等国产硬件的适配优化，试图构建脱离 CUDA 依赖的软件栈。生态构建进展是观察中国 AI 芯片实际可用性的关键。
6 上游
Super Power Rail 的上游涵盖支撑“链-芯-核”三环所需的原材料、能源、制造设备及关键零部件。产业链自主可控的风险集中于本层。
6.1 半导体制造设备与材料
| 子环节 | 核心要素 | 2023-2024 年全球格局与数据 |
|---|---|---|
| 光刻设备 | EUV（极紫外）光刻机， ArF 浸润式 DUV | ASML（荷兰）垄断 EUV。ASML 2023 年全年净销售额 275.6 亿欧元，其中 EUV 系统占约 45%。出口管制下，EUV 向中国出口 0 台；2024 年 Q1 起部分先进 DUV（NXT:2000i 及以上）出口也需许可证（荷兰政府 2024 年 1 月新规）。 |
| 高纯度硅片 | 300mm（12 英寸）大硅片 | 信越化学、SUMCO（日资）合计全球份额超 55%（据 SUMCO 2023 年报综合测算）。国内沪硅产业、立昂微等快速扩产，但在 12 英寸正片出货量上差距明显。2023 年 SUMCO 12 英寸硅片出货量约 700 万片/月（公开可得），沪硅产业旗下上海新昇 2023 年上半年 300mm 硅片出货量约 150 万片（沪硅产业 2023 年半年报）。 |
| 光刻胶与高纯试剂 | ArF/EUV 光刻胶，高纯度电子化学品 | 东京应化、JSR（日本）合计约 70% 份额（据富士经济 2023 年市场报告）。中国徐州博康、南大光电等有零星产线，但在高端（EUV， ArF 浸润式）领域量产能力公开认证有限。 |
| EDA 工具 | 芯片设计自动化软件 | Synopsys、Cadence（美国）合计约全球 70%+ 份额（据天风证券 2024 年研究报告测算）。国产 EDA 龙头华大九天 2023 年全年营业收入约 6.6 亿元人民币（华大九天 2023 年业绩快报），体量与全球龙头差距超 50 倍。 |
6.2 电力与能源基础设施
- 稳定电力供应：单个万卡级 H100 集群总功耗可达 10MW 量级。100MW 级别的超大规模数据中心已不鲜见。这要求电网提供稳定、清洁、可用的大工业用电。
- 关键电力设备：大容量变压器、高低压配电柜、不间断电源（UPS，备用锂电）、柴油/燃气备用发电机。据公开采购公告，阿里巴巴、字节跳动等 2023 年以来的数据中心电力设备招标量同比增速在两位数。
- 绿色能源与储能：为满足 PUE 与 ESG 要求，风电、光伏基地直供+储能成为数据中心规划标配。据中金公司 2024 年研报，国内互联网公司在乌兰察布、张北、贵州等地的数据中心集群已大规模签订绿电直购协议。宁德时代（2023 年年报）2023 年储能电池系统营收约 599 亿元，同比增长约 78%，下游包括数据中心备用电源和企业储能方案。
6.3 高速光模块与交换机
- 800G/1.6T 光模块：AI 训练集群内部和集群间互联的物理层核心。2023 年，800G 光模块开始规模部署于 NVIDIA Quantum-2/InfiniBand 和谷歌 TPU v4 OCS 光交换机。中际旭创（2023 年年报）2023 年实现营收约 117 亿元，归母净利润约 21.7 亿元，同比增长超 60%，公司明确说明受益于海外 800G 光模块需求爆发。Coherent、Lumentum 为北美主要供应商。
- 高速交换机芯片：NVIDIA（通过收购 Mellanox）在 InfiniBand 交换芯片近乎垄断。在超以太网（Ultra Ethernet）标准阵营，博通、Marvell、思科等推开放的 400G/800G 以太网方案。华为自研的 CloudEngine 系列交换机芯片具备 400G 能力，依托自用数据中心大量部署。
7 下游
下游是“Super Power Rail”上最终承载的“智能货物”及其应用场景，是商业闭环和需求拉动的源头。
7.1 大模型研发与基础平台
| 层级 | 全球代表 / 说明 | 中国代表 / 说明 |
|---|---|---|
| 前沿通用模型 | OpenAI GPT-4o，Google Gemini 1.5 Pro，Anthropic Claude 3.5 Sonnet（均在 2024 年上半年发布了性能刷新 SOTA 的模型）。Llama 3 开源（405B 参数于 2024 年 7 月发布），开源生态逐步接近闭源水平。 | 百度文心大模型（ERNIE 4.0）、阿里通义千问（Qwen 2.0）、字节豆包大模型、月之暗面 Kimi（擅长长上下文，已开放 200 万字输入）、智谱 AI GLM-4。据 SuperCLUE 中文通用大模型测评基准（2024 年 7 月榜单），部分国产模型中文能力已进入全球第一梯队。 |
| 开源模型生态 | Meta Llama 系列为最具影响力的开源基座模型。Hugging Face 托管了 40 万+ 模型库（截至 2024 年 6 月）。 | 阿里 Qwen 2 系列开源以来在 HuggingFace 下载量居前列；DeepSeek-V2（2024 年 5 月开源）以极低推理成本引发全球关注，其 API 价格显著低于同期 GPT-4 Turbo。 |
| 开发框架与编译器 | PyTorch（Meta 主导）实质上成为 AI 研究者首选框架；JAX（Google）在高性能 TPU 场景获采纳。NVIDIA CUDA 是全栈生态事实标准（截至 2024 年，CUDA 开发者超 500 万）。 | 昇思 MindSpore 和 飞桨 PaddlePaddle 是华为和百度的主力国产框架，主要适配国产芯片与百度/华为云生态。生态广度与 PyTorch 差距仍大。据华为 2023 年全联接大会公布，MindSpore 开发者超 550 万（含高校用户），但第三方模型/工具库丰富度与全球主流有明显差距。 |
7.2 云服务与模型即服务（MaaS）
北美三大云厂商（AWS、Microsoft Azure、Google Cloud）全部深度绑定前沿模型：Azure 是 OpenAI 的独家云提供商；Google Cloud 深度集成 Gemini；AWS 通过 Bedrock 平台托管多个第三方模型并自研 Titan 系列（但亚马逊在 2024 年通过投资 Anthropic 强化大模型能力，投资金额约 40 亿美元，据公司公告）。MaaS 成为云计算新增的最大增长极，客户按 Token/按小时调用模型 API，无需自建算力。
中国同样出现“百模大战 MaaS 化”趋势：阿里云“灵积”模型服务平台接入通义系列及第三方模型；百度智能云“千帆”平台、字节跳动“火山方舟”平台均在争夺企业大模型 API 调用市场。据 IDC（2024 年 1 月中国 AI 公有云服务市场份额跟踪报告），2023 年上半年中国 AI 公有云服务市场规模约 78 亿元，其中百度智能云、阿里云、华为云位居前三，合计份额超 50%（公开资料，具体数值见 IDC 付费报告）。
7.3 行业应用与垂直场景
当前可见的商业化落地方向（本描述基于公开案例，不构成对行业前景的判断）：
- AI 编程助手：GitHub Copilot（微软）2024 年 2 月公布的付费用户超 130 万，估计年订阅收入超 3 亿美元（Bloomberg 引述知情人士推测）。国内，通义灵码、百度 Comate 等已在开发者社区逐渐铺开，具体付费用户数据公开资料未见。
- AI 搜索与知识管理：Perplexity AI（初创公司）估值 2024 年已超 10 亿美元。Google 在 2024 年 I/O 上全面推出 AI Overviews 搜索体验变革。
- 文生图/视频：OpenAI Sora（2024 年 2 月发布，文生视频，尚未公众开放），但已显示 AI 视频进入高清晰度竞争阶段。Midjourney 估值为独角兽级别，年收入据 The Information（2023 年底）报道超 2 亿美元。国内快手可灵 AI 视频模型在 2024 年 6-7 月开放测试，引起全球关注。
- 自动驾驶：特斯拉 FSD（北美）V12 采用端到端大模型架构，2024 年 3 月广泛推送。国内华为 ADS 3.0、小鹏 XNGP 已明确采用端到端大模型驱动决策规划，并开启全国无图城区辅助驾驶商用。
- 医疗与科学：AlphaFold 3（2024 年 5 月发表于 Nature）预测蛋白质与所有生命分子的结构和相互作用，标志 AI for Science 新里程碑。AI 制药公司（如晶泰科技，2024 年 6 月港股上市）、AI 辅助诊断开始进入临床审批/商业落地期。
8 受益公司
注意：以下梳理是基于公开业务关联的客观呈现，不代表未来业绩确定性，不构成任何投资参考。
第一梯队：全球算力与模型主线标的（2023/2024 年，以美国为主）
| 公司名称 | 与 Super Power Rail 关键关联 | 2023 财年财务数据参考（来源：公司年报） |
|---|---|---|
| NVIDIA | 全球 AI 训练/推理芯片市场约 80-90% 份额（据 Omdia/Mercury Research 2024 年 Q1 估计）；CUDA 生态壁垒；InfiniBand 网络垄断 | FY2024（截至 2024 年 1 月 28 日）营收 609 亿美元，同比+126%；数据中心业务营收 475 亿美元，同比+217% |
| 台积电（TSMC） | 全球 AI 芯片先进制程（4nm/3nm）独家/主供代工厂；CoWoS 先进封装最大瓶颈（2023 年产能不足是 H100 短缺主因之一） | 2023 年全年营收 693 亿美元（新台币 2.16 万亿元）。先进封装 CoWoS 产能 2024 年预计同比翻倍至超 3 万片/月（台积电 2024Q1 法说会指引） |
| Microsoft | OpenAI 独家云合作伙伴；最积极将 AI（Copilot）嵌入全线企业产品 | FY2023（截至 2023 年 6 月）营收 2119 亿美元；智能云业务（Azure）同比+17%（AI 相关在 FY2024Q2 加速至 Azure 收入增长 +6 个百分点贡献，据公司季报） |
| Google（Alphabet） | 自研 TPU v5p；Gemini 大模型；Google Cloud AI 服务 | 2023 全年营收 3074 亿美元；广告/云/订阅是主要构成。2024Q1 资本支出 120 亿美元，主要用于 AI 基础设施（公司财报） |
| Amazon | AWS Trainium/Inferentia 芯片，AWS Bedrock 模型平台，投资 Anthropic | 2023 全年营收 5748 亿美元；AWS 营收 908 亿美元，贡献绝大部分运营利润。2024 年预计资本支出显著增加至约 600 亿美元（公司 CFO 2024Q1 电话会公开声明），AI 为最大投入方向 |
| Meta（Facebook） | 开源大模型 Llama 领导者，自研 MTIA 推理芯片 | 2023 年营收 1349 亿美元；2024 年资本支出指引上调至 350-400 亿美元区间（2024Q1 电话会），大规模采购 H100/B200 GPU |
中国算力与模型主线标的（基于公开信息客观描述）
| 公司名称 | 在 Super Power Rail 中角色 | 可查证的公开信息/数据 |
|---|---|---|
| 华为（未上市） | 唯一具备“链-芯-核”三环完整能力者。昇腾 AI 芯片/Atlas 服务器、华为云盘古大模型、光交换/数据中心全栈 | 2023 年全年销售收入 7042 亿元人民币，同比+9.6%（华为 2023 年年报）；ICT 基础设施与云业务为增长主动力。昇腾芯片的出货量和实际市场份额因非公开，无法获取 |
| 寒武纪 | 国产 AI 训练/推理芯片设计标杆 | 2023 年全年营收约 7.09 亿元，同比降 2.7%（寒武纪 2023 年年报）。主要营收来自智能计算集群系统项目，云端芯片销售收入不及营收三分之一（据年报分类口径大致推算） |
| 海光信息 | x86 架构 CPU+DCU（深度计算处理器），兼容 CUDA 生态是其差异化卖点 | 2023 年全年营收 60.12 亿元，同比+17.3%；归母净利润 12.63 亿元（海光信息 2023 年年报）。DCU 深算一号在 AI 训练/推理场景有应用 |
| 中际旭创 | 全球 800G 光模块主供之一，受益北美 AI 集群建设 | 2023 年营收 117 亿元，同比+36.5%（中际旭创 2023 年年报）。第一大客户（市场推测为 NVIDIA 及北美云厂商）占比约 40% |
| 宁德时代 | 数据中心储能/备用电源解决方案供应商 | 2023 年储能电池出货量全球第一，储能业务营收约 599 亿元，同比+78%（宁德时代 2023 年年报）。数据中心 UPS 用锂电池为细分增长点 |
| 万国数据/世纪互联 | 中国主要第三方超大规模数据中心运营商 | 万国数据 FY2023 净营收 99.6 亿元，同比+7.2%（万国数据 2023 年报）；世纪互联 2023 年净营收 74.1 亿元，同比+4.9%（世纪互联 2023 年报）。客户以头部互联网/云厂商为主，AI 需求正逐步贡献增量订单 |
9 市场规模
注：以下数据均引用自国际权威第三方机构公开报告摘要或引用，具体测算模型口径不同可能导致结果差异。所有数字仅作宏观结构参照。
9.1 AI 芯片市场
据 Gartner（2024 年 5 月报告） ，2023 年全球 AI 芯片（定义含 GPU、ASIC、FPGA 等用于 AI 加速的半导体）市场规模约为 536 亿美元，预测 2024 年市场规模将达 671 亿美元，同比增长约 25%；到 2027 年预计将突破 1194 亿美元。
按细分（来源：Omdia 2024 年 Q1 全球 AI 处理器出货量追踪估算）：
- GPU 占据最大份额（约 65-70%），NVIDIA 占据绝对优势；
- ASIC（含 Google TPU、AWS Trainium、以及边缘 NPU）增速预期最高，预计 2024 年占比约 20%；
- 中国芯片厂商（含华为昇腾、寒武纪、海光）在全球芯片市场中的合计销售金额份额，据 Omdia 估算在 2023 年低于 5%（但中国本地下游自用、非公开渠道出货等可能未完全统计）。
9.2 数据中心与算力基建市场
据 Synergy Research Group（2024 年 1 月） ，2023 年全球数据中心硬件和软件市场（含服务器、网络、存储、DCIM 软件等）总规模约 2450 亿美元。超大规模数据中心运营商（Hyperscalers）的资本支出合计在 2023 年约 1460 亿美元（以微软、谷歌、亚马逊、Meta 四家为主力），预计 2024 年将增至约 1700 亿美元+，增量主要投入 AI 服务器和配套基础设施。
中国市场，据 科智咨询（中国信通院下属，2024 年 3 月报告） ，2023 年中国数据中心市场总规模约为 2400 亿元人民币（约合 330 亿美元），同比增速约 9-10%。其中 AI 数据中心（指新建项目中大量采用 GPU 服务器，以支撑大模型训练/推理为主要用途）的占比从 2022 年的约 15% 提升至 2023 年的约 25%，预计 2025 年将接近 40%。
9.3 AI 软件与云服务（MaaS）市场
据 IDC（2024 年《全球人工智能支出指南》） ，2023 年全球 AI 软件（含应用、平台、AI 系统基础设施软件等）支出约为 1300 亿美元，2024 年预计突破 1700 亿美元；年复合增长率（CAGR 2023-2027）约为 25-30%。MaaS（模型即服务）属于该分类的高增长子版块，IDC 也将其称为“AI 平台”中的“基础模型 API 和微调市场”，当前在整个 AI 软件支出占比约 3-5%，但增速超 50%(IDC 2024 年 1 月新闻稿估算)。
中国市场，艾瑞咨询（2024 年 1 月《中国大模型市场研究报告》）估算 2023 年中国大模型基础层（含训练推理服务及 API 调用）市场规模约 80 亿元人民币，预测 2025 年达到约 200-250 亿元。此数据为增量新兴市场，未包含传统 AI 软件。
10 玩家对比
10.1 全球范围核心竞争集团
A. 垂直整合“全能”玩家：仅华为
华为是全球唯一在“链”（数字能源、数据中心交换机、光模块）、“芯”（昇腾系列 AI 处理器、鲲鹏 CPU）、“核”（盘古大模型、昇思框架）三环均有强布局的企业。其垂直整合深度可与美国苹果公司在其生态内的控制力类比。但短板在于：
- 芯片制造完全依赖外部代工，当前受制程限制（参照第 6 节说明）；
- 昇腾软件生态相比 CUDA 的成熟度和开发者覆盖面有代差（2024 年华为开发者大会未更新精确开发者营收贡献数据）。
B. 芯片+网络生态控制者：NVIDIA
优势在于“Chip+Cluster”层面的系统能力和 CUDA 的不可替代性。其正加速向上游（与云厂商和 Dell/超微等推行 DGX 整机柜，主导向 Core 软件生态延伸（NVIDIA AI Enterprise、NeMo），但其自身不直接与客户争夺最终用户（云服务、SaaS、大模型 API 市场暂非其主要营收来源）。这是其“平台赋能”而非“垂直垄断”的差异化路径。
C. 云厂商自研芯片+模型集团：Google、Amazon、微软
这三家超大规模云厂商选择“自研芯片+自用/外售+前沿模型”的垂直闭环：
- Google 拥有最长的 TPU 自研历史（v5p 是第 5 代），模型与芯片深协同能力最强；
- Amazon 在推理自研芯片（Inferentia）更积极，Trainium2 显示其加强训练侧野望；
- 微软主要通过投资绑定 OpenAI，并自研 Azur Maia AI 加速器（2023 年 11 月发布，100% 内部使用）。
D. 开源模型算法公司：Meta
Meta 走差异化路线：强于 Core（开源 Llama 系列），积极囤积 Chip（向 NVIDIA 大规模采购），但不自研数据中心级 AI 芯片（其 MTIA 主要用于推理）。这一策略高度依赖 NVIDIA 供应，但通过开源构筑了庞大的第三方生态护城河。
10.2 中国厂商对比维度
技术完整度光谱：
- 最完整：华为（链-芯-核全覆盖）
- 芯端实力较强：海光信息（兼容 x86+类 CUDA）、寒武纪（自研 MLU 架构）
- 芯端新锐待验证：壁仞科技、摩尔线程（2023-2024 年均寻求公版 Arch 调整与自主 IP 平衡；受制于先进制程与下游适配生态，公开财务数据未上市无法获取）
- 核端领先+自建 Chain：百度（昆仑芯片+飞桨+文心）、阿里（平头哥含光/倚天+通义）、字节跳动（零自研芯片公开信息，但大规模自建/定制数据中心+豆包大模型 API 低价优先）
关键制约因素一致：制造与生态。 可查证数据表明，设计出指标对标 A100 的芯片的设计公司已有多家，但：
- 能否在可控先进制程（7nm 级）下稳定量产是最大约束。截至 2024 年中，华为是唯一有可验证的 7nm 级 AI 芯片批量出货的国产厂商（部件编号和性能参数未全部公开）。
- 软件生态成熟度和头部客户采购规模远逊于 NVIDIA。据上市 AI 芯片企业在财报中显示的芯片业务收入体量（参照第 8 节），可大致推断其实际商用落地规模仍较小。
11 风险
以下风险因素基于行业普遍分析与公开报告整理，非指向具体公司，亦不代表必然发生：
11.1 供应链断裂风险（地缘政治风险）
- 先进芯片禁运扩大：2022 年 10 月 7 日与 2023 年 10 月 17 日的美国 BIS 出口管制规则，已将关键性能密度和互联带宽设定阈值，阻止高端 GPU 及下一代 AI 芯片流向中国。2024 年若政策进一步收紧至“算力上限按算力集群总规模”审查，将对中国 AI 基建产生深远约束。
- 制造设备“卡脖子”：EUV 光刻机中国进口台数为零；部分最先进的 DUV 则已于 2024 年初受限。如果未来晶圆代工产能绑定审查（设备+EDA+材料），中国 7nm 及以下自主产能扩展将受极大约束，直接影响下一代国产 AI 芯片的竞争力。
- 存储器瓶颈：HBM 主要为韩国 SK 海力士（市占率超 50%，据 Omdia 2024Q1 报告）和三星电子生产。至 2024 年中，国产 HBM 量产能力公开资料未见。HBM 自主化进度是中国 AI 芯片升级的重大变量。
11.2 能源与环境硬约束
- 电力供给极限：据 IEA 预测（2024 年 1 月），到 2026 年，AI 相关电力需求可能占全球数据中心用电的 40%+。在部分热门区域（美国弗吉尼亚州北部、新加坡、爱尔兰），2023 年已出现因电力瓶颈暂缓数据中心审批的消息（资料来源：Data Center Dynamics 多篇 2023 年报道）。电力已成为 AI 扩张的物理天花板。
- 碳中和与 ESG 压力：万卡级 H100 集群年耗电 50GWh+，若电力来源非清洁能源，碳排放巨大。全球及中国对大型数据中心的 PUE 和可再生能源比例要求日益严格。企业 ESG 合规成本将增加。
- 散热水资源消耗：液冷数据中心（尤其蒸发冷却）仍可能消耗大量水资源。在水资源匮乏地区，项目审批遭遇地方社区阻力。
11.3 技术路径锁定与生态分化
- CUDA 生态锁定效应：全球数百万 AI 开发者习惯 CUDA，几乎所有核心 AI 库（cuBLAS， cuDNN， NCCL）深度绑定 NVIDIA 硬件。使用其他硬件（如 AMD ROCm、国产 NPU）的迁移和调优成本极高，现实中形成“软件定义硬件”的强化锁定。
- 两套生态分化：如果地缘压力持续，全球可能出现“以美国主导的 NVIDIA+CUDA+前沿大模型”与“以中国为中心的自主芯片+自主框架+本地大模型”两大相对独立的生态圈。这将增加全球 AI 成本、降低复用效率，减慢全球创新扩散速度。
11.4 算力需求泡沫与资本错配风险
- 训练需求可能阶段性饱和：如果前沿模型性能提升边际效用递减（即 Scaling Laws 达到瓶颈），或大模型厂商从预训练转向被更省算力的微调/推理，资本市场上对训练芯片的过度超前投资可能导致产能过剩。
- “百模大战”同质化竞争：中国数百个大模型团队中，很多依赖有限的几类开源基座模型做轻微微调（SFT），技术差异小。若应用层无法产生持续收入，上游芯片和服务器采购需求将低于当前过度乐观的预期。2024 年 H1 已有部分初创模型公司融资