OPC 模型
1 3 秒看懂
OPC 模型是將 AI 產業鏈從上至下拆解為三個決定性環節的結構性分析架構：
- 鏈（Chain）：承載 AI 應用的智慧硬體終端與軟體平台。是 AI 能力觸達使用者的最後一公里。
- 芯（Chip）：提供物理算力的AI 計算晶片與計算基礎設施。決定模型能否高效執行。
- 核（Core）：驅動智慧的核心演算法與基礎模型。定義 AI 系統的能力上限。
三者遵循“平台承載—算力驅動—演算法賦能”的產業傳導邏輯，缺一不可。
2 3 分鐘產業解釋
OPC 模型的作用在於將複雜 AI 產業鏈簡化為三層價值單元，幫助理解產業波動背後的結構力量。
三層價值定位
| 層級 | 典型環節 | 核心價值 | 關鍵產品/服務形態 |
|---|---|---|---|
| 核 (Core) | 演算法研究、基礎模型訓練 | 定義能力邊界，是價值源頭和智力制高點 | 大語言模型（LLM）、多模態模型、AI 架構 |
| 芯 (Chip) | 計算晶片、伺服器、智算叢集 | 提供物理算力基礎，是產業不可繞開的基石 | GPU、NPU、AI 專用加速器、智算中心 |
| 鏈 (Chain) | 智慧硬體、雲端平台、行業方案 | 連線使用者與場景，實現價值的最終落地與貨幣化 | AI 手機、智慧汽車、機器人、AI SaaS |
產業傳導機制
- 下游需求（鏈）驅動上游研發：智慧汽車對低延遲感知的需求，直接拉動端側 AI 晶片和高精度小模型/大型模型蒸餾技術的迭代。
- 上游突破（核/芯）賦能下游創新：更強的多模態大型模型和更高能效比的晶片，使終端裝置解鎖即時翻譯、視覺理解、具身智慧等全新場景。
- 核心瓶頸（2024—2025 年觀測）：產業最緊張的環節集中在“芯”層的高階製造與供給，以及“核”層的高質量資料與頂級人才。“鏈”層的大規模商業爆發高度依賴前兩者的成本下降與穩定供給。
3 技術原理
OPC 模型每一層都有獨立的技術演進邏輯，同時相互施加物理約束和工藝要求。
核（Core）的技術演進
從“專用小模型”到“通用大型模型”的躍遷，技術核心建立在深度神經網路與 Transformer 自注意力機制之上。關鍵路徑包括：
- 預訓練—微調範式：在超大規模網際網路資料上預訓練（自監督學習），再針對下游任務進行微調或人類反饋強化學習（RLHF）。
- 能力湧現：當引數規模、資料量和算力跨過某個閾值後，模型表現出未經專門訓練的新能力，如複雜推論、程式碼生成。
- 多模態融合：2024 年以來的主流趨勢是將文本、影像、音訊、影片統一在同一模型架構下進行聯合訓練，催生更強的世界理解能力。
- 模型壓縮技術：為將大型模型部署到“鏈”層終端，需大量使用知識蒸餾、量化（int8/int4）、剪枝等技術。這是連線“核”與“鏈”的關鍵工程環節。
芯（Chip）的技術路徑
AI 晶片的目標是以最低功耗、最低成本完成矩陣乘加運算的極致並行處理。核心技術演進方向：
- 架構專用化：從通用 CPU 到 GPU（如 NVIDIA CUDA 核心），再到更專用的 NPU/TPU 架構。架構越專用，相同製程下有效算力越高，但靈活性越低。
- 存內計算/近存計算：突破傳統馮·諾依曼架構的“儲存牆”瓶頸，將計算單元靠近或置於儲存單元內，顯著降低資料搬運功耗。公開資料顯示，多家中國 AI 晶片企業在 2023—2024 年已進入流片或小規模量產驗證階段（具體良率與客戶規模未公開）。
- 先進封裝與 Chiplet：通過將不同功能模組（如計算芯粒、儲存芯粒、I/O 芯粒）用中介層互聯，提高大晶片的製造良率並突破光罩尺寸限制。這是 2023 年以來中國晶片產業應對先進製程受限的重要技術路線。
- 軟體生態壁壘：NVIDIA CUDA 生態憑藉近二十年的積累，擁有數百萬開發者、海量底層庫與最佳化工具，形成了極高的遷移成本。多數替代方案需通過相容層或自研編譯棧來實現平滑過渡，難度極大。
- 製程依賴：訓練用 AI 晶片通常需 7nm 及以下先進製程。2023 年起美國對華出口管制規則多次升級，影響高階 GPU 對華供給。中國企業在 7nm 節點已有個別產品面世（公開資訊，如華為昇騰系列部分產品），但晶圓製造產能、良率和成本與台積電等領先代工廠仍有差距，具體數字未見可靠公開資料。
鏈（Chain）的整合挑戰
將“核”和“芯”整合到終端，本質是在功耗、散熱、時延、成本、可靠性等多重約束下完成系統設計。關鍵技術包括：
- 異構計算排程：終端 SoC 需要 CPU、GPU、NPU、ISP 等不同計算單元協同工作，作業系統及編譯器需即時判斷任務特性並分配給最合適的計算單元。
- 端側模型部署：受限於記憶體頻寬和容量，終端可執行的模型引數量有限（當前主流約 7B 引數以內，經重度量化可至更小）。模型在端側的推論效能直接決定使用者體驗。
- 軟硬協同設計：Apple、華為等具備終端晶片自研能力的公司，能夠從模型結構設計時便針對自家 NPU 進行聯合最佳化，獲得顯著的效能與功耗優勢。不具備該能力的整機廠商只能依賴高通、聯發科等平台廠商的通用方案。
4 關鍵引數
OPC 模型的核心效能需通過一系列可量化指標衡量。以下給出行業普遍關注的引數型別與數值範圍（資料均標明年份、口徑及來源，不確定處明確說明）。
核（Core）層關鍵引數
- 模型引數量：衡量模型容量與潛在能力。以公開資料為準，GPT-4 據第三方估算約 1.76 萬億引數（2023 年，推測口徑，OpenAI 未官方確認）；Llama 3 最大版本 4050 億引數（2024 年 7 月官方公佈）；中國百度文心一言 4.0 引數規模未官方公開，市場第三方估算存在較大分歧，公開資料無確切數字。
- 上下文視窗：2024 年主流旗艦大型模型已普遍支援 128K—1M tokens，如 Google Gemini 1.5 Pro 支援百萬 token（2024 年公告）；Claude 3 支援 200K（2024 年公告，Anthropic）。
- 評測基準得分：以 MMLU（Massive Multitask Language Understanding）為例，GPT-4 得分約 86.4%（OpenAI 2023 年技術報告）；Claude 3 Opus 約 86.8%（Anthropic 2024 年公佈）；中國 Alibaba 通義千問 Max 在部分中文排行榜上接近持平，具體英文 MMLU 得分因口徑差異，公開可比資料有限。
- 訓練算力消耗：據 Epoch AI 估算，2023 年訓練一個前沿大型模型的算力消耗約 1e24—1e25 FLOPs 量級，成本達數千萬至數億美元，且呈持續增長趨勢。
- 推論時延：端到端首 token 時延與 token 生成速率是影響使用者體驗的核心。各廠商對具體技術指標揭露不充分，公開資料未見統一對比基準。
芯（Chip）層關鍵引數
- 製程節點：NVIDIA H100 使用台積電 4nm 工藝（NVIDIA 官方公開）；華為昇騰 910B 工藝節點官方未公開，行業分析估計在 7nm 級（第三方推測口徑，2023 年）。
- 峰值算力：以 FP16（半精度浮點）為單位，H100 SXM 版本峰值算力約 1979 TFLOPS，其中約 989 TFLOPS 為稀疏算力（NVIDIA 2022 年規格表）；昇騰 910B FP16 峰值算力官方公佈為 256 TFLOPS（華為昇騰社群公開規格，2023 年）。
- 視訊記憶體頻寬與容量：H100 配備 80GB HBM3，頻寬約 3.35 TB/s（NVIDIA 官方規格）；昇騰 910B 配備 HBM2e，頻寬 1.6 TB/s（公開規格）。
- 能效比：衡量每瓦算力產出，是資料中心 TCO（總擁有成本）的關鍵指標。由於不同廠商測試條件與板卡設計差異，直接對比存在困難，行業普遍參考 SPEC 等標準化基準，但 AI 專項能效排名尚無權威統一標準。
- 軟體生態：CUDA 開發者數量超 400 萬（NVIDIA 2023 年 GTC 揭露）；華為 CANN（昇騰異構計算架構）生態開發者數量官方未在 2024 年定期公佈，第三方估算存在差異，公開資料未見確數。
鏈（Chain）層關鍵引數
- 終端出貨量與滲透率：AI PC 出貨量 2024 年第一季度全球約數千萬臺量級（據 Canalys 2024 年 5 月報告，定義為“具備專門 AI 加速硬體的桌面和筆記本”），該口徑仍在演化中；中國 AI 手機滲透率 2023 年約個位數（IDC 中國，2024 年初估計，精確數字未見公開）。
- 搭載模型引數量：端側大型模型通常在 1B—7B 引數量級；Apple Apple Intelligence 據分析採用約 3B 引數的端側模型（2024 年分析機構報告，Apple官方未確認），高通驍龍 8 Gen 3 平台宣稱可執行 10B 以上模型（Qualcomm 2023 年 Snapdragon Summit），但具體實測效能受記憶體瓶頸約束。
- 日活使用者/呼叫量：百度文心一言 APP 日活使用者數及 API 呼叫量在 2024 年公開資料中，百度 2023 年 Q4 財報揭露文心大型模型日均呼叫量超 5000 萬次（該資料為 API 呼叫；2024 年更新資料未找到官方公告，部分媒體提及“日均呼叫量超 10 億次”，口徑需核實，存在分歧）。
- 單車 AI 算力：智慧汽車智慧駕駛域控制器 AI 算力快速提升。2024 年，高階車型普遍搭載 254 TOPS（NVIDIA Orin X）或更高規格晶片；部分新車型聲稱綜合算力超 1000 TOPS（釋出會上的引數，實際可用算力需扣除冗餘）。具體滲透率資料按價位段分佈存在差異，公開資料未見統一統計。
5 技術路線
OPC 模型三層各自存在多條技術路徑的競爭與分化，其走向將決定未來 5—10 年產業格局。
核（Core）的技術路線之爭
- 閉源巨頭路線：以 OpenAI GPT 系列、Google Gemini 系列為代表，投入鉅額資本追求 AGI 上限，同時建置立方商業生態。優勢在於安全建置可控、變現模型清晰；風險在於訓練成本指數級上升，需持續領先以維持定價權。
- 開源路線：以 Meta Llama 系列、Mistral、中國 Qwen（阿里通義）等為代表，元件生態迅速壯大。優勢在於開發者社群快速擴散、企業可自行微調和私有部署，降低對單一供應商依賴；風險在於商業模式可持續性存疑，且對安全濫用控制力弱。
- 混合路線：部分廠商如百度、科大訊飛同時提供閉源 API 和部分開源小模型，試圖覆蓋不同需求層次。這將是 2025 年前後的主流策略。
芯（Chip）的技術路線分歧
- 通用 GPU 延續：NVIDIA 和 AMD 堅持通用性，每年更新架構和製程。其核心壁壘在於 CUDA 生態的粘性，使客戶幾乎無法跨平台遷移。
- ASIC/專用晶片爆發：Google TPU、Amazon Trainium/Inferentia、中國多家初創企業自研晶片均走專用路由。在特定負載（如 Transformer 推論）下，ASIC 可獲得遠高於 GPU 的能效比和價效比，但靈活性不足，一旦演算法結構重大變化，晶片可能提前失效。
- 存算一體新架構：作為後摩爾時代潛在顛覆路線。2023—2024 年，中國知存科技、九天睿芯等初創企業完成多輪融資並推出量產級存算一體 SoC 或 IP，主要用於端側低功耗語音/視覺場景。大規模雲端端存算一體晶片仍處於研發或早期流片階段，尚無可靠量產資料。
- Chiplet 生態路線：信驊、Intel、AMD 等推動 UCIe（通用小晶片互連標準）聯盟，建置可混合使用不同廠商芯粒的開放生態。中國大陸企業如華為、壁仞科技等也加入 UCIe 聯盟，但在先進封裝供給端仍受制於製造能力和裝置。
鏈（Chain）的部署模式路線
- 雲端端優先：大部分複雜生成任務仍交雲端端大型模型處理，終端僅做輕量推論或請求轉發。優勢在於能力最強、更新及時；代價是延遲高、隱私保障弱、運營成本高。
- 端側優先：Apple、高通等廠商強調資料本地處理，平衡隱私、延遲和成本。劣勢在於模型能力受限，需雲端端補充。
- 混合 AI（Hybrid AI）：2024 年產業共識。根據任務複雜度、網路狀況、電池電量等動態決定在端側、邊緣或雲端端處理。該模式要求作業系統和架構層進行深度異構排程，是“鏈”層技術競爭的聚焦點。
6 上游
OPC 模型的上游，是支撐“核、芯、鏈”三層的底層資源與基礎工業體系。可劃分為：
1. 基礎算力基礎設施（為芯和核提供物理載體）
- 晶圓製造：先進製程（7nm 及以下）目前全球僅有台積電、三星實際大規模量產。2023 年，台積電佔全球晶圓代工市場營收份額約 60%（TrendForce 2023 年 Q4 資料），在 5nm/4nm 及 3nm 節點幾乎壟斷。中國大陸廠商中芯國際（SMIC）在 7nm 節點技術已實現突破（TechInsights 2022 年分析報告），但產能、良率和經濟性資料未公開揭露，無法評估其支撐大規模 AI 晶片需求的潛力。
- 先進封裝：台積電 CoWoS 封裝產能在 2023—2024 年持續緊缺，供不應求（台積電 2023 年 Q2 法說會表述）。中國大陸的長電科技、通富微電等已具備先進封裝能力，但面向 AI 晶片的頂級封裝產能規模與台積電尚有明顯差距，具體產能數字未系統公開。
- EDA 與 IP 核：Synopsys、Cadence 和 Siemens EDA（原 Mentor）三家佔全球 EDA 市場超 70% 份額（多家諮詢機構 2022—2023 年估算）。中國大陸 EDA 企業（華大九天、概倫電子等）在部分點上取得了替代，但全流程覆蓋度與先進製程支援能力仍在追趕。AI 晶片設計常用的介面 IP、儲存控制器 IP 等，同樣由 ARM、Synopsys 等高度集中供應。
2. 資料要素（為核提供訓練來源和價值來源）
- 公開網際網路資料：主要來源，但 2023 年以來，內容平台（如 Reddit、X/Twitter、新聞機構）開始對 AI 訓練設定資料抓取壁壘並尋求商業化合作。高價值資料的獲取成本持續攀升。
- 合成數據：為解決高質量資料不足而生成的人工資料，2024 年幾乎已成所有大型模型訓練的標配。但其是否會放大型模型偏差或傷害分佈，仍存在技術爭論。
- 資料標註與治理：中國資料標註市場規模 2023 年約 60—70 億元人民幣（華經產業研究院估計，口徑含 AI 基礎資料服務）。隨著多模態和行業大型模型興起，專業標註（如醫療影像、晶片版面配置）的稀缺性和單價遠高於通用標註。資料要素的合規流通（資料交易所模式）仍處於早期摸索階段，市場交易額相對於產業需求微不足道。
3. 關鍵材料與裝置（卡脖子風險集中點）
- 半導體裝置：ASML 的 EUV 光刻機是 7nm 及以下必需裝置；DUV 光刻機受荷蘭出口管制規則限制（2023 年 9 月生效），中國大陸晶片擴產受到明顯制約。
- 關鍵材料：大矽片、光刻膠、高純度電子特氣及靶材等，日本企業佔據高純度市場重要份額（如信越化學、SUMCO 的矽片）。中國大陸部分企業如滬矽產業、南大光電等實現國產化起步，但自給率尤其在高階產品線仍有待提升。具體產能缺口資料公開來源有限。
7 下游
OPC 的下游即“鏈”層穿透的具體應用場景與終端市場，直接承載 AI 的商業變現。
1. 消費電子
- AI 手機：2024 年稱為“AI 手機元年”。高通驍龍 8 Gen 3、聯發科天璣 9300 均強調終端生成式 AI 效能，Apple在 WWDC 2024 釋出 Apple Intelligence。IDC 預計 2024 年全球 AI 手機出貨量約 1.7 億部，佔比約 15%；2027 年有望超過 50%（2024 年 2 月 IDC 報告）。但使用者願為 AI 功能額外付費的意願仍待市場檢驗。
- AI PC：2024 年中，搭載 NPU 的 Windows AI PC 集中上市（如 Surface Pro 10、聯想 Yoga 系列）。Canalys 預計 2024 年 AI PC 出貨量約 4800 萬臺，2025 年將超 1 億臺（2024 年 3 月報告）。換機潮能否兌現，取決於殺手級本地 AI 應用的出現。
2. 智慧汽車
- 智慧駕駛：高階輔助駕駛（NOA）逐漸成為 20 萬以上新能源車型標配。2023 年中國搭載 L2 及以上輔助駕駛的新車滲透率約 40%（工信部裝備中心、中國智慧網聯汽車產業創新聯盟資料），L3 級別仍受法規和責任界定限制，商用量產剛剛開始試點。
- 智慧座艙：車內大型模型語音助手、AI 場景生成、多模態感知成為差異化競爭點。產業鏈價值從傳統 Tier 1 向演算法供應商和晶片商遷移。
3. 機器人（具身智慧）
- 人形機器人：特斯拉 Optimus 已進入工廠嘗試簡單操作（2024 年初官方演示）。中國有宇樹科技、傅利葉智慧等企業推出具備雙足行走能力的人形機器人。核心瓶頸仍在“核”——高層級任務規劃與物理世界操作的紮實能力遠未成熟，以及“芯”——高能效比、低成本、多感測器融合處理的計算晶片尚未標準化。
- 工業與服務機器人：物流分揀、搬運、清潔等場景較成熟，但 AI 滲透主要體現在視覺檢測和路徑規劃，與“鏈—芯—核”整體架構的深度結合仍在早期。2023 年中國工業機器人市場規模約為 70 億美元，其中靠 AI 能力實現明顯增值的比例暫無公開統計。
4. 企業服務與行業應用
- AI SaaS：Microsoft 365 Copilot 已全面商用，Office 全家桶整合 GPT-4（微軟 2023 年公開揭露），Salesforce 推出 Einstein GPT。中國釘釘、飛書、企業微信均接入大型模型。企業為 AI 辦公付費正處於啟動期，2024 年各廠商未揭露付費滲透率資料，仍屬前期市場培養階段。
- 金融、醫療、教育、政務等垂直場景：金融領域的智慧風控、投研究報告告生成相對成熟；醫療領域的 AI 輔助診斷仍在審批和臨床驗證擴充套件中；教育個性化輔導受政策監管和適應性考驗。多數垂直場景的 AI 支出佔比難以獨立拆解。
5. 內容與娛樂
- AI 生成內容（AIGC）：Midjourney、Stable Diffusion、Runway 等推動創意生產力平民化。2023 年全球 AIGC 市場營收規模估計約數十億美元（公開資料未見權威精確統計，多家諮詢機構測算口徑不同）。版權和創作者的博弈仍在持續，紐約時報訴 OpenAI 案為標誌性事件。
8 受益公司
以下梳理 OPC 模型各層及相關產業鏈中已明確版面配置的上市公司，僅作產業角色說明，不構成任何投資建議。所有公司及資料均來自公開財報或公告。
核（Core）層——模型與演算法廠商
- OpenAI（非上市）：全球大型模型領跑者，營收 2023 年已達約 16 億美元（The Information 2024 年初報道口徑），2024 年預計翻倍，但獲利因算力成本高企仍是挑戰。
- 微軟（Microsoft, MSFT）：通過深度繫結 OpenAI 獲得模型獨佔使用權，並整合到 Azure 雲端和 Copilot。FY2024 Q3 財報顯示 Azure 和其他雲端服務營收增長了 31%，其中 AI 貢獻約 7 個百分點（官方管理層討論，2024 年 4 月）。
- Meta（META）：堅定開源路線，接連發布 Llama 系列，通過開源生態期望削弱封閉對手的鎖定效應，同時將其內部大規模應用於推薦系統，提升廣告效率。2024 年 Q1 財報顯示廣告營收年增率增長 27%，部分受益於 AI 推薦改進。
- 百度（BIDU, 09888.HK）：文心大型模型國內市場佔有率靠前，2023 年 Q4 財報稱文心大型模型 API 呼叫量顯著增長。AI 雲端營收 2023 年 Q4 為約 57 億元人民幣，年增率增長 11%（百度官方財報，GAAP 口徑）。
- 阿里巴巴（BABA, 09988.HK）：通義大型模型系列，開源 Qwen 系列在 Hugging Face 社群下載量和評測均排名前列（2024 年社群資料）。阿里雲端作為底座提供 MaaS（模型即服務）。
- 科大訊飛（002230.SZ）：星火大型模型持續迭代，面向教育、辦公等場景，2023 年報揭露 AI 開放平台開發者數量及營收增長，具體大型模型對營收的貢獻比例未單獨揭露。
- 智譜 AI（非上市）、月之暗面（非上市）、百川智慧（非上市）：頭部初創大型模型公司，估值和融資額快速膨脹。AI 產品化與商業化仍處於早期“燒錢”階段，財務資料大多不公開。
芯（Chip）層——AI 晶片及相關硬體
- NVIDIA（NVDA）：全球資料中心 AI 計算 GPU 市場主導者。FY2025 Q1（截至 2024 年 4 月）資料中心營收達 226 億美元，年增率增長 427%（NVIDIA 官方財報，GAAP 口徑），H100 和 H200 供不應求。
- AMD（AMD）：Instinct MI300 系列加速器於 2023 年底交付，宣稱 2024 年 AI GPU 營收約 40 億美元（AMD 2024 年 Q1 財報管理層展望）。追趕勢頭積極，但在軟體生態成熟度上與 NVIDIA 仍有明顯差距。
- 英特爾（INTC）：推出 Gaudi 3 AI 加速器，並試圖通過代工服務切入晶片製造生態。2024 年 Q1 財報顯示資料中心及 AI 營收年增率增速遠低於 NVIDIA，規模差距巨大。
- 海光資訊（688041.SH）：國內 x86 相容 CPU 及 DCU（協處理器）供應商，2023 年報營收約 60 億元人民幣，年增率增長約 17%。DCU 產品已支援主流 AI 架構，但在叢集規模部署能力和軟體易用性上仍處追趕期，具體市場份額無權威統計。
- 寒武紀（688256.SH）：思元系列 AI 加速卡供應商。2023 年報營收約 7.1 億元人民幣（寒武紀 2023 年年度報告，中國會計準則），仍處於虧損狀態。其產品在國內部分智算中心有部署案例，但整體體量較小。
- 華為海思（非上市）：昇騰系列是國產算力代名詞，與國內多家頭部智算中心合作，是國產替代中出貨量和技術領先的板塊。由於非上市，無公開財務資料，按公開專案資訊看，份額正在擴大。
- 中芯國際（688981.SH, 00981.HK）：中國大陸最大晶圓代工廠，先進製程產能受限。2023 年營收約 63 億美元，年增率下降 13%（中芯國際 2023 年度報告），受行業週期影響。其先進製程（N+1/N+2）的產能與良率資訊未公開。
- 伺服器製造商：浪潮資訊（000977.SZ）、工業富聯（601138.SH）、中科曙光（603019.SH）等。AI 伺服器營收快速增長，但多數 AI 伺服器需搭載 NVIDIA GPU，核心價值仍在晶片端，伺服器製造商議價能力相對有限，獲利率普遍較薄。
鏈（Chain）層——終端與平台
- Apple（AAPL）：Apple Intelligence 全面嵌入 iOS 18、macOS Sequoia，利用自研晶片和端側模型，強調了隱私。2024 Q2 財報未單獨揭露 AI 帶來的營收，但未發現明顯負面影響。
- 特斯拉（TSLA）：FSD v12 採用端到端大型模型，智慧駕駛位元率使用者化大幅簡化。2024 年 Q1 財報顯示自動駕駛相關業務營收仍然有限，貢獻度不顯著。
- 聯想集團（0992.HK）：AI PC 策略明確，2023/24 財年（截至 2024 年 3 月）個人電腦和平板業務營收下降，但市場認為 AI PC 將帶來換機刺激（聯想 2024 年 5 月全年業績公告）。
- 小米集團（1810.HK）：汽車、手機、AIoT 多終端版面配置，並自研澎湃 OS 融合 AI。2024 年 Q1 營收 755 億元，年增率增長 27.0%，汽車業務貢獻初步營收，AI 手機和汽車的長期協同仍待觀察。
- 商湯科技（0020.HK）：生成式 AI 營收增長迅速，2023 年該板塊營收 11.8 億元，年增率增長 199.9%（商湯 2023 年報）。但其整體營收體量仍然較小，能否持續降低虧損是關鍵。
- 雲端服務廠商：AWS、Azure、Google Cloud（國際）；阿里雲端、華為雲端、騰訊雲端（國內）。雲端廠商作為“鏈”的核心平台，通過 MaaS 將大型模型封裝提供給廣大客戶。2023 年全球雲端基礎設施服務支出約 2900 億美元，其中 AI 相關比例仍在爬升（Synergy Research Group 2024 年 Q1 資料）。
9 市場規模
本部分彙總 OPC 模型相關市場的規模估算，所有資料均標明年份、口徑和來源。
整體 AI 市場規模
- 全球人工智慧市場規模 2023 年約 5000 億美元（Precedence Research 2024 年報告，廣義口徑，含硬體、軟體與服務），預計 2024 年超過 6000 億美元。其中生成式 AI 仍佔較小比例，2023 年約 450 億美元（Bloomberg Intelligence 2023 年估計），但增速極高，預計 2024—2030 年 CAGR 超 40%。
核（Core）—模型與 AI 軟體市場
- 全球大型模型及相關企業軟體市場 2023 年規模約 100—150 億美元（多家機構估計交集，精確值無統一來源）。2024 年維持高增，但因產品迭代快，準確預測困難。
- 中國市場 2023 年大型模型相關營收（含模型訓練與 MaaS）估計低於 50 億元人民幣（公開資料未見精確統計），多處於早期投入和獲得標杆客戶階段，近 2024 年下半年起開始有部分收益顯現，但整體體量仍然很小。
芯（Chip）—AI 晶片及伺服器市場
- 全球 AI 晶片市場 2023 年約 530 億美元（Counterpoint Research 2024 年初統計，含 GPU、AI 專用晶片和其他）。NVIDIA 佔據資料中心 AI GPU 約 80%以上的份額（第三方估計，2023 年）。2024 年市場預計將達到 700—800 億美元。
- 全球 AI 伺服器市場 2023 年出貨量約 140 萬臺，佔整體伺服器出貨量的近 20%（TrendForce 2024 年 1 月資料），但價值量佔比遠超數倍，單臺 AI 伺服器價格可達普通伺服器的 10 倍以上。
- 中國 AI 晶片市場受出口管制影響，替代需求顯著。2023 年中國 AI 晶片市場規模約 700—800 億元人民幣（IDC 中國 2024 年初報告，口徑含 GPU、FPGA、ASIC 等），華為昇騰等國產份額提升。公開資料缺乏精準市場份額資料。
鏈（Chain）—AI 終端與應用市場
- 全球 AI 終端裝置（手機、PC、穿戴）總出貨量在 2024 年預計約 1.5—2 億臺（IDC、Canalys 綜合口徑），尚不足總體消費電子出貨量的 20%。
- 全球 AI SaaS 及行業應用市場規模 2023 年約 280 億美元（Gartner 2023 年 6 月報告），預計 2024 年達 350 億美元以上。
- 中國區智慧汽車與車載 AI 晶片市場 2023 年約 80—100 億元人民幣（含車載 SoC 和智駕晶片，中國汽車工業協會等機構口徑，具體精確值有差異）。
需注意
所有市場規模資料均基於不同機構的定義、統計口徑和方法存在差異，AI 行業分類仍在形成中，以上數字僅供參考量級，不可作為精確投資依據。
10 玩家對比
選取“核—芯—鏈”每層的典型玩家進行定性對比，聚焦戰略差異而非排名。一切資訊來自公開資料。
核層：大型模型玩家對比
| 維度 | OpenAI | Meta（Llama） | 百度（文心） | 阿里（通義） |
|---|---|---|---|---|
| 核心模式 | 閉源，API 訂閱 | 開源，社群驅動 | 閉源為主，部分開源 | 開源+雲端商業 |
| 核心壁壘 | 先發優勢，模型效能頂尖 | 開源生態巨大，可私有部署 | 中文場景深耕，搜尋資料 | 雲端運算生態，電商場景 |
| 營收體量 | ~16 億美元(2023) | 間接，廣告提升 | 未獨立揭露 | 未獨立揭露 |
| 風險點 | 運營成本奇高，閉源價效比受挑戰 | 難以直接變現，安全可控挑戰 | 研發速度需持續跟進 | 開發者忠誠度取決於雲端生態 |
說明：營收體量因揭露程度不同，直接可比性弱。Meta 通過自用改善推薦效率而驅動廣告營收，無法直接剝離為“模型營收”。百度和阿里的模型直接營收雖未揭露，但雲端服務營收中有相關資料。
芯層：AI 晶片玩家對比
| 維度 | NVIDIA | AMD | 華為昇騰 | 寒武紀 |
|---|---|---|---|---|
| 製程/算力 | 最先進，以 Hopper 為例 | 追至 MI300 系列 | 昇騰 910B，7nm 級 | 思元 590，7nm |
| 軟體生態 | CUDA，難以逾越 | ROCm，相容性較差 | CANN，華為自研 | 推論較多，工具鏈補齊中 |
| 市場份額 | 2023 年資料中心 GPU >80% | <10%（少量） | 中國境內替代需求受益 | 極小，多專案仍處早期 |
| 核心瓶頸 | 受限於禁令，無法自由銷售至中國 | 依賴台積電產能，客戶習慣遷移慢 | 先進封裝產能，良率成本 | 規模起量，盈利能力 |
鏈層：終端平台玩家對比
| 維度 | Apple | 華為 | 小米 | 特斯拉 |
|---|---|---|---|---|
| AI 策略 | 端側為主，強隱私 | 端/雲端協同，鴻蒙+盤古 | 澎湃 OS 融入大型模型 | 端到端自動駕駛 |
| 硬體自研 | A/M 系列全自研 NPU | 麒麟/昇騰自研 | 依賴高通/聯發科 | FSD 晶片自研 |
| 應用場景 | 個人助理、影像 | 全場景智慧生活 | 手機—汽車—家居 | 自動駕駛+機器人 |
| 規模優勢 | 年出貨 2 億+終端 | 手機迴歸，汽車增長 | 手機第三，汽車入場 | 數百萬輛車 + DOJO |
說明：玩家對比不能靜態看，各企業戰略在不斷調整。以上僅反映截至 2024 年中期的競爭態勢。
11 風險
OPC 產業鏈在三層均面臨顯著風險，這些風險相互傳導，有必要結構化審視。
技術風險
- 核心架構瓶頸：“核”層的 Transformer 架構效率瓶頸逐漸顯現，若 Scaling Law 失效，而新架構未及時接力，整個行業對算力的無上限投入邏輯面臨重構。
- 先進製程“卡脖子”：中國“芯”層在先進製造和 EUV 光刻機方面短期無可替代方案（公開資料未見明確時限），可能導致 2 代以上製程差距固化，從而拖累全棧發展。
- 大型模型幻覺與可靠性：“核”層模型仍會產生看似合理但事實錯誤的輸出，在金融、醫療、法律等高風險領域難以被完全信任，阻礙商業縱深應用。
地緣政治與供應鏈風險
- 美國對華出口管制規則 2022 年 10 月、2023 年 10 月、2024 年仍有更新，核心限制先進 AI 晶片、半導體裝置和技術。“小院高牆”可能進一步放大化，波及更多環節（如雲端運算服務、先進封裝合作等），構成中國 OPC 全鏈系統性風險。
- 全球半導體供應鏈過度依賴台積電和東亞區域，地緣衝突若影響產能，全球“芯”層均將遭受衝擊。
商業與市場風險
- 投資過熱與泡沫：2023—2024 年公開資料顯示，AI 領域私募融資和二級市場估值屢創新高，但多數初創企業營收體量極小。資本寒冬若到來，一大批“核”層和“芯”層企業會面臨生存危機。
- 營收變現困難：“鏈”層終端消費者和企業的付費意願存在不確定性。2024 年多份調查顯示，企業使用者願意為 AI 助手支付的價格遠低於當前提供成本（第三方諮詢報告，如紅杉資本部落格、a16z 調研）。
- 巨頭擠壓風險：雲端廠商和終端平台商可能通過縱向整合蠶食上下游獨立廠商獲利空間，例如自研晶片替代 NVIDIA，或捆綁自家大型模型，排擠第三方模型供應商。
法律、倫理與社會風險
- 版權訴訟浪潮：《紐約時報》訴 OpenAI、藝術家訴 Stability AI 等案件一旦形成不利判例，可能要求模型廠商公開訓練資料或付出鉅額賠償，根本改變“核”層的成本結構。
- 監管不確定性：歐盟 AI 法案（2024 年 5 月獲通過，逐步生效）、中國生成式 AI 服務管理辦法、美國潛在監管政策，均可能大幅增加合規成本或限制某些應用場景。
- 深度偽造與安全：生成式 AI 極大降低了製造虛假音影片的門檻，對民主程序、金融安全和社會信任構成實質威脅。
12 誤讀糾偏
OPC 模型及相關熱門概念在傳播中常見以下幾種誤解，需要進行糾偏。
誤解1：OPC 是三個獨立割裂的環節。
糾偏：恰恰相反，OPC 三層深度耦合，任何一層的瓶頸都會擴散至整個體系。例如，“芯”層製程受限，會限制“核”層的模型規模化訓練，“鏈”層終端的智慧化也隨之遲滯。理解 OPC 必須從互動與約束的角度出發。
誤解2：擁有大型模型就等於擁有了人工智慧核心競爭力。
糾偏：“核”只是源頭，但沒有高效的“芯”和能夠觸達海量使用者的“鏈”，模型無法轉化為可持續的商業回報。許多企業釋出大型模型，卻缺少算力基礎和使用者場景，最終只能依賴外供模型和雲端服務，難以形成閉環。
誤解3：AI 晶片的效能完全取決於製程。
糾偏：製程重要，但架構創新（如存算一體、資料流最佳化）、頻寬設計、軟體棧成熟度和實際叢集效率同樣關鍵。一些國產晶片在製程節點明顯落後的情況下，通過架構和軟體協同在特定推論場景下依然能獲得了可觀的效率。不能僅以製程節點論勝負。
誤解4：中國的 AI 產業整體落後美國 1—2 代。
糾偏：這種“代際說法”過於籠統。在頂級基礎模型的原創能力和高階製造上確實存在差距，但在應用落地、場景豐富度和部分工程化手段上，中國公司並不落後甚至更敏捷。不宜以一個簡單標籤籠統比較。
誤解5：端側 AI 意味著所有任務都在本地完成。
糾偏：產業共識是“混合 AI”。大部分常規和隱私敏感任務在本地處理，複雜任務分拆或解除安裝至雲端端。純端側無法應對所有需求，尤其是在模型更新和複雜推論層面。
誤解6：OPC 模型只適用於當下，很快會過時。
糾偏：鏈—芯—核三層劃分是對 AI 產業價值分工的抽象，只要 AI 產業存在分工和分層，這種架構就具有解釋力。具體技術主體可能更替（如神經擬態晶片、新模型架構），但這種三層結構架構可適配變體。
13 最新事件
（本部分依據 2024 年 1 月—2024 年 8 月公開資訊整理，僅作為時間軸參考，不作趨勢判斷）
2024 年 Q1
- 1 月：OpenAI 推出 GPT Store，計劃實現 GPT 應用商店生態變現。
- 2 月：Sora 文生影片模型釋出，大幅提升業界對多模態能力的預期。
- 3 月：歐盟 AI 法案在歐洲議會投票通過，成為全球首部全面 AI 監管法律。
- 3 月：NVIDIA GTC 2024 上釋出 Blackwell 架構 B200 GPU，宣稱訓練效能是 H100 的 4 倍（NVIDIA 官方公開）。
2024 年 Q2
- 4 月：Meta 釋出 Llama 3 系列，包括 8B 和 70B 兩個開放權重版本，進一步加劇開源生態爭奪。
- 5 月：微軟 Build 大會上推出 Copilot+PC 標準，要求 AI 算力至少 40 TOPS，宣佈多款 NPU 加持 AI PC 上市。
- 5 月：百度 Apollo Day 公佈文心大型模型在自動駕駛中的應用進展。
- 6 月：Apple WWDC 2024 釋出 Apple Intelligence，強調裝置端語義索引和私有雲端運算。
- 6 月：台積電 2024 年第二季度法說會揭露先進封裝產能仍供不應求，預計 2024 年 CoWoS 產能較 2023 年倍增，2025 年繼續擴產。
2024 年 7—8 月
- 7 月：OpenAI 推出 SearchGPT 原型，正式進入搜尋領域。
- 8 月：中國多個地方政府（如上海、深圳）釋出推動 AI 晶片本地化發展的扶持政策，對國產 AI 晶片採購給與補貼和應用場景開放。
- 8 月：若干國內大型模型企業完成了新一輪融資（公開資訊），估值繼續非理性膨脹，產業界對變現和存活能力的探討增多。
最新事件表明，“核”層的競爭焦點已從單純引數量轉向多模態、場景落地和生態建置，“芯”層仍處於供給決定需求的狀態，“鏈”層則在等待定義性應用的真正出現。
14 追蹤指標
為持續追蹤 OPC 模型各層發展狀況，建議關注以下量化與質性指標。
核（Core）層追蹤指標
- 全球主流模型排行榜名次及變動：LMSYS Chatbot Arena、Open LLM Leaderboard、C-Eval 中文評測等。
- 大型模型 API 呼叫量公開資料：如百度、OpenAI 等定期公佈，需自行區分“日均呼叫量”與“token 數”。
- 開源社群活躍度：Hugging Face 上模型下載量、點贊數（Stars）、生態貢獻者數量。
- 頂級 AI 會議（NeurIPS、ICML、ICLR、CVPR）論文機構分佈：反映“核”層研究實力和人才流動方向。
- 模型訓練成本變化：以公開資訊為準，注意不同機構估算差異。
芯（Chip）層追蹤指標
- NVIDIA 季度資料中心營收及展望：該指標具有全球 AI 算力投入的“溫度計”意義。
- 台積電 CoWoS 產能及擴張計劃：直接制約高階 AI 晶片供給。
- 華為昇騰等國產晶片在各地智算中心中標份額：通過公開招標資訊和產業追蹤機構資料獲取，部分可查清。
- 美國對華出口管制政策的更新：實質性影響中國國產替代緊迫度和市場格局。
- DRAM/HBM 記憶體價格與供貨情況：HBM 是 AI 晶片的必備元件，產能被三家韓美廠商高度壟斷。
鏈（Chain）層追蹤指標
- 季度 AI 手機/AI PC 出貨量及滲透率：IDC、Canalys、Counterpoint 等機構報告。
- 代表性應用月活使用者數：如 ChatGPT MAU、國內文心一言/豆包/通義千問等 APP 活躍度資料（需關注第三方資料平台，如 Sensor Tower 估測）。
- 新能源車高階智駕方案滲透率：按車型價位段可分析晶片和演算法捆綁態勢。
- AI 在企業中的採用率調查：如麥肯錫全球 AI 調研究報告告、Gartner CIO 調研，年度頻率。
- 智慧財產權訴訟與大案進展：影響“鏈”層應用的內容生成合法性基礎。
以上指標大多數可逐季度追蹤，部分僅在年度報告中有客觀資料，且各家機構統計口徑不同需橫向參考。
15 信源
以下為本頁用到的公開資訊來源，供交叉驗證和深度研究。
國際機構與研究組織
- IDC（International Data Corporation）：智慧終端出貨預測、AI 伺服器市場追蹤
- Canalys：PC 和智慧手機市場分析
- Gartner：AI SaaS 和企業 IT 支出
- TrendForce：記憶體、代工、伺服器市場趨勢
- Bloomberg Intelligence：生成式 AI 市場規模估算
- Counterpoint Research：AI 晶片與裝置出貨量預估
- Synergy Research Group：全球雲端基礎設施服務支出
- Epoch AI：大型模型訓練算力消耗估算
- LMS