Super Power Rail
1 3 秒看懂
Super Power Rail 並非物理鐵軌或單一元件，而是描述支撐大型模型時代 AI 能力連續躍遷的**“計算-硬體-生態”一體化超級流水線**。這一概念形象地比喻為驅動 AI 列車的“超級電力軌道”，核心由三環緊耦合構成：
- Chain（鏈）：底層算力基建與能源供給鏈，是軌道的路基與供電網。
- Chip（芯）：中層的 AI 晶片及硬體叢集，是在軌道上行駛的列車本體。
- Core（核）：上層的模型、演算法、架構與資料生態，是軌道上運輸的“智慧貨物”，最終產生應用價值。
三環之間並非單向支撐，而是雙向強牽引關係：沒有強大的“鏈”和“芯”，頂尖“核”無從訓練與部署；反之，繁榮的“核”生態通過需求爆發強力倒逼“鏈”與“芯”迭代。這一概念的核心敘事是：AI 時代的技術主權競爭，早已從單一晶片效能比拼，升級為涵蓋能源、製造、晶片、架構、模型的系統性能力競賽。
2 3 分鐘產業解釋
Super Power Rail 描述的是一條從能源到智慧的完整價值鏈，可理解為 AI 基礎設施的“三層金字塔”：
第一層：基建（Chain——鏈） 指支撐大規模 AI 計算的物理與資源底座。這不僅僅是傳統意義上的資料中心機櫃，而是涵蓋：超大規模算力叢集（單個訓練叢集已突破萬卡規模）、高頻寬低延遲網際網路絡（InfiniBand 或超乙太網路）、以及日益成為瓶頸的電力供給與散熱系統。據國際能源署（IEA，2024 年 1 月報告），全球資料中心用電量在 2022 年約為 460TWh，到 2026 年可能在 AI 需求驅動下翻倍至 1000TWh 以上。軌道的“路基”是否堅實，正成為產業發展的前置約束。
第二層：硬體（Chip——芯） 指軌道上執行的“列車”本體及編組。不僅指 GPU/NPU/ASIC 等 AI 加速晶片本身，更關鍵的是圍繞其建置的整機伺服器、高頻寬記憶體（HBM）、Chiplet 封裝、以及晶片間高速互聯（如 NVLink、PCIe 6.0/7.0）。這層解決的核心問題是：如何在物理極限逼近摩爾定律天花板的情況下，將單位功耗下的有效算力吞吐量持續推高。
第三層：核心（Core——核） 指在軌道上執行的“智慧貨物”，即大語言模型（LLM）、多模態模型、科學計算模型，以及其背後的訓練架構（PyTorch、JAX、昇思 MindSpore）、推論引擎（TensorRT、vLLM）和高質量資料集。NVIDIA 創始人黃仁勳在 2024 年 3 月 GTC 主題演講中反覆強調的一個核心判斷是：“未來的資料中心就是一臺計算機”，這臺計算機的“作業系統”正是大型模型本身及其軟體棧。
三者的迴圈增強邏輯：
- 先進晶片（Chip）需要更大規模、更高效的資料中心（Chain）來承載——單顆 H100 GPU 的峰值功耗約 700W，一臺 8 卡伺服器散熱需求遠超傳統伺服器，倒逼液冷和資料中心電氣架構革命。
- 大型模型（Core）的架構創新方向（如 Mixture-of-Experts, MoE）直接受晶片互聯頻寬的約束——OpenAI 在 2024 年關於 GPT-4 的技術報告中公開討論了 MoE 架構選擇與硬體頻寬的權衡。據公開資訊，OpenAI GPT-4 採用 MoE 架構，由 8×220B 引數的專家子模型組成（來源：Semianalysis 2023 年 6 月分析報告）。
- 應用側的算力需求爆發（Core 拉動）是支撐數百億美元級 AI 晶片資本支出的根本商業邏輯。
一句話總結產業格局： 美國目前在 Chip 和 Core 環節擁有顯著領先優勢（特別是 NVIDIA CUDA 生態和前沿模型能力），中國在 Chain 環節擁有規模優勢和新能源基礎設施紅利，正在 Chip 環節全力追趕，歐洲與日本則聚焦特定細分領域（如光刻裝置、材料、HBM 儲存）尋求全球不可或缺的技術主權。
3 技術原理
3.1 為何是“鐵路”而不是“高速公路”？
傳統通用計算如公路交通——靈活但單點效率有限，處理器與儲存間的資料搬運成為瓶頸（即“馮·諾依曼瓶頸”）。Super Power Rail 模式借鑑鐵路與電力網路的設計原理，追求確定性高吞吐與系統性協同：
- 專用化與規模效應：專門為 AI 計算（特別是千億/萬億引數級大型模型訓練）建設專用、超大規模的基礎設施（專用鐵路網），通過高密度板間/機架間互聯（軌距統一化）和定製化硬體（專用列車），實現前所未有的算力吞吐效率。
- 系統性聯合最佳化：不再是“買晶片→裝伺服器→通上電”的簡單堆疊，而是在底層硬體、系統軟體、模型演算法的聯合設計空間中尋求全域性最優解。
3.2 三環協同的技術縱深
Chain 最佳化方向：
- 散熱技術路線躍遷：傳統風冷單機架功率密度極限約為 20-30kW，而搭載 8 卡 H100 的 DGX 伺服器機架功率密度可達 40kW 以上。冷板式液冷可將單機架功耗提升至 60-100kW 範圍，浸沒式液冷更可支撐 100kW+。據 Uptime Institute（2023 年全球資料中心調查），約 33% 的受訪者已在新建資料中心中部署某種形式的液冷方案，該比例預計在 2025 年將顯著提升。
- 供電架構演進：傳統資料中心多采用集中式 UPS + 12V 直流母線架構。AI 叢集對 48V 直流供電、甚至機架級鋰電池備用電源（取代鉛酸蓄電池佔地和重量）的需求催促著供電架構升級。Google 在 2023 年公開的 TPU v4 超算設計中，已廣泛採用機架級 48V 供電。
- PUE 追求：PUE（電源使用效率）= 資料中心總能耗 / IT 裝置能耗，理想值為 1.0。典型傳統資料中心 PUE 約 1.5-1.8，頭部超大規模雲端服務商（Hyperscaler）可將 PUE 降至 1.1-1.2 區間。中國“東數西算”工程要求新建大型、超大型資料中心 PUE 低於 1.25。
Chip 迭代方向：
- 從通用到專用：AI 計算主要依賴矩陣乘法與卷積運算，GPU 相較於 CPU 天然更適合。進一步，專為 Transformer 架構最佳化的 ASIC（如 Google 的 TPU 系列、AWS 的 Trainium 系列）通過犧牲部分通用性換取更高的能效比。
- Chiplet 先進封裝：將大尺寸單晶片拆分為多個小晶片（Chiplet）並通過高速矽中介層（Interposer）或橋接進行互聯。這是突破光罩極限（約 858mm² per reticle）、提升良率並實現異構整合（邏輯晶片+HBM 儲存器+IO 晶片）的關鍵路徑。AMD MI300 系列（2023 年 12 月釋出）即採用 3D 堆疊與 Chiplet 設計，整合 8 個 5nm 計算芯粒加 4 個 6nm IO 芯粒。
- 計算與儲存一體化：HBM（高頻寬記憶體）已成為 AI 晶片的標配。HBM3E 規格（2023 年 JEDEC 標準凍結）的單堆疊頻寬可達 1.2TB/s 以上。NVIDIA H200（2023 年 11 月釋出）較 H100 的主要升級點正是由 HBM3 升級為 HBM3E，記憶體頻寬由 3.35TB/s 提升至 4.8TB/s，容量由 80GB 提升至 141GB。
- 能效比競賽：算力密度（TOPS/W，每瓦萬億次運算）取代絕對算力（TOPS）成為更核心的評價指標。據 NVIDIA 官方揭露，H100 SXM（700W）的 FP8 稠密算力為 1979 TFLOPS（合 1.979 PFLOPS），對應約 2.8 TFLOPS/W；Blackwell B200（2024 年 3 月釋出，1000W）的 FP4 稠密算力為 20 PFLOPS，對應約 20 TFLOPS/W（注：數值精度不同，不可直接橫向對比）。
Core 適配方向：
- 軟硬體協同設計（Co-design）：模型架構的選擇深度依賴硬體特性。MoE（混合專家）架構的流行，一個重要原因是：在相同總引數規模下，MoE 每次推論僅啟用部分專家，可顯著降低計算量和視訊記憶體需求，但該架構對晶片間的通訊頻寬要求極高（All-to-All 通訊模式），因此適合在具備高速互聯（如 NVLink）的叢集上部署。
- 長上下文視窗帶來的視訊記憶體挑戰：將上下文視窗從 8K 擴充套件至 128K、乃至 1M Token，KV Cache 的記憶體需求呈近似線性增長，這直接對推論晶片的 HBM 容量提出更苛刻的要求。
- 量化與稀疏化：模型量化（將 FP32/BF16 精度降至 INT8/FP8/FP4）可大幅降低儲存和計算開銷。Blackwell 架構引入 FP4 精度支援，對應 Core 側，就是要開發出能在 FP4 精度下保持模型效能的訓練和推論演算法，這需要深度學習架構與晶片編譯器（如 NVIDIA TensorRT-LLM）協同完成。
4 關鍵引數
理解 Super Power Rail 各環節競爭力的量化指標如下：
| 層級 | 關鍵引數 | 說明 | 2023-2024 年標杆資料參考（來源標於括號） |
|---|---|---|---|
| Chain（鏈） | PUE | 電能使用效率，理想值 1.0 | 全球領先 Hyperscaler PUE≈1.10-1.15（Google 2023 環境報告）；中國東數西算要求≤1.25（國家發改委檔案，2022 年） |
| Chain（鏈） | 單機架功率密度 | 單位機架可支撐的功耗（kW/rack） | 傳統企業級約 5-10kW；搭載 8×H100 的 AI 機架可達 40-60kW；NVIDIA GB200 NVL72 整機櫃可達 ~120kW+/櫃（NVIDIA 2024 年 GTC 材料） |
| Chain（鏈） | 叢集互聯頻寬 | 單節點 GPU 間的通訊頻寬 | 單卡互聯：NVLink 4.0 雙向 900GB/s（H100）；跨節點：InfiniBand NDR 400Gbps 單埠，Quantum-2 交換器建置萬卡叢集（NVIDIA 官方產品頁） |
| Chip（芯） | 半精度/整型算力 | FP16/BF16 或 INT8 稠密算力（TFLOPS） | H100 SXM：1979 TFLOPS（FP8）；華為昇騰 910B：公開資料未見官方 FP8/FP16 稠密算力精確值，據第三方估算約 300-400 TFLOPS（FP16，來源：各行業研究報告推斷彙總） |
| Chip（芯） | HBM 容量與頻寬 | 高頻寬記憶體容量（GB）與頻寬（TB/s） | H100：80GB HBM3，3.35TB/s；H200：141GB HBM3E，4.8TB/s；AMD MI300X：192GB HBM3，5.3TB/s（MAD 官方產品規格書，2023 年 12 月） |
| Chip（芯） | 能效比 | 單位功耗的算力（TFLOPS/W） | H100 約 2.8 TFLOPS/W（FP8，700W）；Apple M3 Max（40 核 GPU）約 ~16.4 TFLOPS FP32 / ~50W≈0.33 TFLOPS/W，但執行 AI 推論能效極高（Apple 未公佈精確 TOPS，公開資料根據 Geekbench OpenCL 分數推算） |
| Chip（芯） | 製程工藝節點 | 晶片製造工藝（nm 或等效節點） | H100：台積電 4N（5nm 家族）；昇騰 910B：據公開報道為 SMIC 7nm（N+1/N+2）；Blackwell B200：台積電 4NP（NVIDIA 官方技術文件） |
| Core（核） | 模型引數規模 | 常見為引數量（Bn/Trn Params）與訓練 Token 數 | GPT-4 為 MoE 架構，總引數約 1.76 萬億，活躍引數約 2800 億（Semianalysis 2023 年估算）；Llama 3 釋出 8B 與 70B 版本（Meta 2024 年 4 月官方部落格） |
| Core（核） | 上下文視窗長度 | 模型可處理的單次輸入 Token 上限 | GPT-4 Turbo：128K token；Claude 3：200K token；Google Gemini 1.5 Pro 實驗性支援 1M token（各公司官方公佈） |
注：以上涉及第三方的引數資料來自公開渠道整理，部分產品（尤其華為昇騰 910B）的詳細效能規格因企業未全面揭露，標註為“公開資料未見”或“估算”。
5 技術路線
5.1 晶片架構路線分化
| 路線 | 代表廠商/產品 | 核心特徵 | 商業化階段（截至 2024 年中） |
|---|---|---|---|
| 通用 GPU 增強 | NVIDIA H100/H200/B200 ， AMD MI300X | 保留 GPU 通用可程式設計性，持續增加 Tensor Core 等 AI 專用單元，深度整合 CUDA/ROCm 生態 | 量產成熟期（H100/H200）；2024 年 Blackwell B200 已開始發貨 |
| 雲端端專用 ASIC | Google TPU v5p， AWS Trainium2， 騰訊滄海 | 專為自家雲端服務的大規模訓練/推論裁剪架構，能效比高，與自身架構深度繫結 | TPU Google多代迭代成熟；AWS Trainium2 2023 年 re:Invent 釋出，預計 2024 年規模部署 |
| 端雲端協同 NPU | Apple Neural Engine，高通 Hexagon NPU，華為異騰 | 專注推論能效，用於終端側大型模型推論（如 Apple Intelligence）或在雲端/邊端提供推論服務 | 終端 NPU 已大規模出貨（Apple A17 Pro 的 35 TOPS NPU）；華為異騰在雲端/邊側持續擴充套件 |
| 存算一體/近存計算 | 公開資料顯示處於早期，未見大規模商用 | 減少資料搬移，突破馮諾依曼瓶頸，理論能效比極高 | 學術界和部分初創公司（如國內千芯科技、Eta Compute）探索，距大規模商用仍遠 |
| 光學互連/光學計算 | Ayar Labs， Lightmatter， 曦智科技 | 用光替代電進行晶片間/核心間資料傳輸，解決頻寬密度和功耗瓶頸 | 早期試產階段。NVIDIA 與其他廠商均在進行光學 I/O 戰略投資 |
5.2 算力叢集規模擴充套件路線
- Scale-Up（縱向擴充套件）：在一臺伺服器或一個機櫃內儘可能加強晶片間互聯頻寬。代表：NVIDIA GB200 NVL72（2024 年 GTC 釋出），通過 NVLink Switch 將 72 塊 Blackwell GPU 連線為一個巨型 GPU，總視訊記憶體最高 13.5TB（HBM3E 的總視訊記憶體位數複合計算）。
- Scale-Out（橫向擴充套件）：通過網路將成千上萬個節點連線為叢集。代表：Meta 在 2024 年 3 月公佈的兩個 24576 片 H100 GPU 叢集，使用 InfiniBand 和 RoCE 兩種架構用於 Llama 3 訓練。
5.3 中國技術路線的特殊約束與選擇
由於先進製程和高階晶片出口管制（美國 BIS 2022 年 10 月 7 日及 2023 年 10 月 17 日更新規則），中國 AI 晶片路線面臨獨特挑戰：
- 多芯粒組合與先進封裝：因單晶片製程受限，通過 Chiplet 封裝提高整合度和算力密度成為主要應對策略。華為公開的專利檔案顯示其在晶片堆疊、多芯粒互連領域的研發版面配置。
- 架構創新彌補製程差距：通過改進微架構設計、引入更高效的稀疏計算引擎、最佳化記憶體子系統等方式，在同代製程下榨取更多有效算力。
- 強化國產軟體生態：華為昇思 MindSpore、百度飛槳 PaddlePaddle 等國產架構正加速與昇騰等國產硬體的適配最佳化，試圖建置脫離 CUDA 依賴的軟體棧。生態建置進展是觀察中國 AI 晶片實際可用性的關鍵。
6 上游
Super Power Rail 的上游涵蓋支撐“鏈-芯-核”三環所需的原材料、能源、製造裝置及關鍵零部件。產業鏈自主可控的風險集中於本層。
6.1 半導體制造裝置與材料
| 子環節 | 核心要素 | 2023-2024 年全球格局與資料 |
|---|---|---|
| 光刻裝置 | EUV（極紫外）光刻機， ArF 浸潤式 DUV | ASML（荷蘭）壟斷 EUV。ASML 2023 年全年淨銷售額 275.6 億歐元，其中 EUV 系統佔約 45%。出口管制下，EUV 向中國出口 0 臺；2024 年 Q1 起部分先進 DUV（NXT:2000i 及以上）出口也需許可證（荷蘭政府 2024 年 1 月新規）。 |
| 高純度矽片 | 300mm（12 英寸）大矽片 | 信越化學、SUMCO（日資）合計全球份額超 55%（據 SUMCO 2023 年報綜合測算）。國內滬矽產業、立昂微等快速擴產，但在 12 英寸正片出貨量上差距明顯。2023 年 SUMCO 12 英寸矽片出貨量約 700 萬片/月（公開可得），滬矽產業旗下上海新昇 2023 年上半年 300mm 矽片出貨量約 150 萬片（滬矽產業 2023 年半年報）。 |
| 光刻膠與高純試劑 | ArF/EUV 光刻膠，高純度電子化學品 | 東京應化、JSR（日本）合計約 70% 份額（據富士經濟 2023 年市場報告）。中國徐州博康、南大光電等有零星產線，但在高階（EUV， ArF 浸潤式）領域量產能力公開認證有限。 |
| EDA 工具 | 晶片設計自動化軟體 | Synopsys、Cadence（美國）合計約全球 70%+ 份額（據天風證券 2024 年研究報告測算）。國產 EDA 龍頭華大九天 2023 年全年營業營收約 6.6 億元人民幣（華大九天 2023 年業績快報），體量與全球龍頭差距超 50 倍。 |
6.2 電力與能源基礎設施
- 穩定電力供應：單個萬卡級 H100 叢集總功耗可達 10MW 量級。100MW 級別的超大規模資料中心已不鮮見。這要求電網提供穩定、清潔、可用的大工業用電。
- 關鍵電力裝置：大容量變壓器、高低壓配電櫃、不間斷電源（UPS，備用鋰電）、柴油/燃氣備用發電機。據公開採購公告，阿里巴巴、字節跳動等 2023 年以來的資料中心電力裝置招標量年增率增速在兩位數。
- 綠色能源與儲能：為滿足 PUE 與 ESG 要求，風電、光伏基地直供+儲能成為資料中心規劃標配。據中金公司 2024 年研究報告，國內網際網路公司在烏蘭察布、張北、貴州等地的資料中心叢集已大規模簽訂綠電直購協議。寧德時代（2023 年年報）2023 年儲能電池系統營收約 599 億元，年增率增長約 78%，下游包括資料中心備用電源和企業儲能方案。
6.3 高速光模組與交換器
- 800G/1.6T 光模組：AI 訓練叢集內部和叢集間互聯的物理層核心。2023 年，800G 光模組開始規模部署於 NVIDIA Quantum-2/InfiniBand 和Google TPU v4 OCS 光交換器。中際旭創（2023 年年報）2023 年實現營收約 117 億元，歸母淨利約 21.7 億元，年增率增長超 60%，公司明確說明受益於海外 800G 光模組需求爆發。Coherent、Lumentum 為北美主要供應商。
- 高速交換器晶片：NVIDIA（通過收購 Mellanox）在 InfiniBand 交換晶片近乎壟斷。在超乙太網路（Ultra Ethernet）標準陣營，博通、Marvell、思科等推開放的 400G/800G 乙太網路方案。華為自研的 CloudEngine 系列交換器晶片具備 400G 能力，依託自用資料中心大量部署。
7 下游
下游是“Super Power Rail”上最終承載的“智慧貨物”及其應用場景，是商業閉環和需求拉動的源頭。
7.1 大型模型研發與基礎平台
| 層級 | 全球代表 / 說明 | 中國代表 / 說明 |
|---|---|---|
| 前沿通用模型 | OpenAI GPT-4o，Google Gemini 1.5 Pro，Anthropic Claude 3.5 Sonnet（均在 2024 年上半年釋出了效能重新整理 SOTA 的模型）。Llama 3 開源（405B 引數於 2024 年 7 月釋出），開源生態逐步接近閉源水平。 | 百度文心大型模型（ERNIE 4.0）、阿里通義千問（Qwen 2.0）、位元組豆包大型模型、月之暗面 Kimi（擅長長上下文，已開放 200 萬字輸入）、智譜 AI GLM-4。據 SuperCLUE 中文通用大型模型測評基準（2024 年 7 月排行榜），部分國產模型中文能力已進入全球第一梯隊。 |
| 開源模型生態 | Meta Llama 系列為最具影響力的開源基座模型。Hugging Face 託管了 40 萬+ 模型庫（截至 2024 年 6 月）。 | 阿里 Qwen 2 系列開源以來在 HuggingFace 下載量居前列；DeepSeek-V2（2024 年 5 月開源）以極低推論成本引發全球關注，其 API 價格顯著低於同期 GPT-4 Turbo。 |
| 開發架構與編譯器 | PyTorch（Meta 主導）實質上成為 AI 研究者首選架構；JAX（Google）在高效能 TPU 場景獲採納。NVIDIA CUDA 是全棧生態事實標準（截至 2024 年，CUDA 開發者超 500 萬）。 | 昇思 MindSpore 和 飛槳 PaddlePaddle 是華為和百度的主力國產架構，主要適配國產晶片與百度/華為雲端生態。生態廣度與 PyTorch 差距仍大。據華為 2023 年全聯接大會公佈，MindSpore 開發者超 550 萬（含高校使用者），但第三方模型/工具庫豐富度與全球主流有明顯差距。 |
7.2 雲端服務與模型即服務（MaaS）
北美三大雲端廠商（AWS、Microsoft Azure、Google Cloud）全部深度繫結前沿模型：Azure 是 OpenAI 的獨家雲端提供商；Google Cloud 深度整合 Gemini；AWS 通過 Bedrock 平台託管多個第三方模型並自研 Titan 系列（但亞馬遜在 2024 年通過投資 Anthropic 強化大型模型能力，投資金額約 40 億美元，據公司公告）。MaaS 成為雲端運算新增的最大增長極，客戶按 Token/按小時呼叫模型 API，無需自建算力。
中國同樣出現“百模大戰 MaaS 化”趨勢：阿里雲端“靈積”模型服務平台接入通義系列及第三方模型；百度智慧雲端“千帆”平台、字節跳動“火山方舟”平台均在爭奪企業大型模型 API 呼叫市場。據 IDC（2024 年 1 月中國 AI 公有雲端服務市場份額追蹤報告），2023 年上半年中國 AI 公有雲端服務市場規模約 78 億元，其中百度智慧雲端、阿里雲端、華為雲端位居前三，合計份額超 50%（公開資料，具體數值見 IDC 付費報告）。
7.3 行業應用與垂直場景
當前可見的商業化落地方向（本描述基於公開案例，不構成對行業前景的判斷）：
- AI 程式設計助手：GitHub Copilot（微軟）2024 年 2 月公佈的付費使用者超 130 萬，估計年訂閱營收超 3 億美元（Bloomberg 引述知情人士推測）。國內，通義靈碼、百度 Comate 等已在開發者社群逐漸鋪開，具體付費使用者資料公開資料未見。
- AI 搜尋與知識管理：Perplexity AI（初創公司）估值 2024 年已超 10 億美元。Google 在 2024 年 I/O 上全面推出 AI Overviews 搜尋體驗變革。
- 文生圖/影片：OpenAI Sora（2024 年 2 月釋出，文生影片，尚未公眾開放），但已顯示 AI 影片進入高畫質晰度競爭階段。Midjourney 估值為獨角獸級別，年營收據 The Information（2023 年底）報道超 2 億美元。國內快手可靈 AI 影片模型在 2024 年 6-7 月開放測試，引起全球關注。
- 自動駕駛：特斯拉 FSD（北美）V12 採用端到端大型模型架構，2024 年 3 月廣泛推送。國內華為 ADS 3.0、小鵬 XNGP 已明確採用端到端大型模型驅動決策規劃，並開啟全國無圖城區輔助駕駛商用。
- 醫療與科學：AlphaFold 3（2024 年 5 月發表於 Nature）預測蛋白質與所有生命分子的結構和相互作用，標誌 AI for Science 新里程碑。AI 製藥公司（如晶泰科技，2024 年 6 月港股上市）、AI 輔助診斷開始進入臨床審批/商業落地期。
8 受益公司
注意：以下梳理是基於公開業務關聯的客觀呈現，不代表未來業績確定性，不構成任何投資參考。
第一梯隊：全球算力與模型主線標的（2023/2024 年，以美國為主）
| 公司名稱 | 與 Super Power Rail 關鍵關聯 | 2023 財年財務資料參考（來源：公司年報） |
|---|---|---|
| NVIDIA | 全球 AI 訓練/推論晶片市場約 80-90% 份額（據 Omdia/Mercury Research 2024 年 Q1 估計）；CUDA 生態壁壘；InfiniBand 網路壟斷 | FY2024（截至 2024 年 1 月 28 日）營收 609 億美元，年增率+126%；資料中心業務營收 475 億美元，年增率+217% |
| 台積電（TSMC） | 全球 AI 晶片先進製程（4nm/3nm）獨家/主供代工廠；CoWoS 先進封裝最大瓶頸（2023 年產能不足是 H100 短缺主因之一） | 2023 年全年營收 693 億美元（新臺幣 2.16 萬億元）。先進封裝 CoWoS 產能 2024 年預計年增率翻倍至超 3 萬片/月（台積電 2024Q1 法說會展望） |
| Microsoft | OpenAI 獨家雲端合作伙伴；最積極將 AI（Copilot）嵌入全線企業產品 | FY2023（截至 2023 年 6 月）營收 2119 億美元；智慧雲端業務（Azure）年增率+17%（AI 相關在 FY2024Q2 加速至 Azure 營收增長 +6 個百分點貢獻，據公司季報） |
| Google（Alphabet） | 自研 TPU v5p；Gemini 大型模型；Google Cloud AI 服務 | 2023 全年營收 3074 億美元；廣告/雲端/訂閱是主要構成。2024Q1 資本支出 120 億美元，主要用於 AI 基礎設施（公司財報） |
| Amazon | AWS Trainium/Inferentia 晶片，AWS Bedrock 模型平台，投資 Anthropic | 2023 全年營收 5748 億美元；AWS 營收 908 億美元，貢獻絕大部分運營獲利。2024 年預計資本支出顯著增加至約 600 億美元（公司 CFO 2024Q1 電話會公開宣告），AI 為最大投入方向 |
| Meta（Facebook） | 開源大型模型 Llama 領導者，自研 MTIA 推論晶片 | 2023 年營收 1349 億美元；2024 年資本支出展望上調至 350-400 億美元區間（2024Q1 電話會），大規模採購 H100/B200 GPU |
中國算力與模型主線標的（基於公開資訊客觀描述）
| 公司名稱 | 在 Super Power Rail 中角色 | 可查證的公開資訊/資料 |
|---|---|---|
| 華為（未上市） | 唯一具備“鏈-芯-核”三環完整能力者。昇騰 AI 晶片/Atlas 伺服器、華為雲端盤古大型模型、光交換/資料中心全棧 | 2023 年全年銷售營收 7042 億元人民幣，年增率+9.6%（華為 2023 年年報）；ICT 基礎設施與雲端業務為增長主動力。昇騰晶片的出貨量和實際市場份額因非公開，無法獲取 |
| 寒武紀 | 國產 AI 訓練/推論晶片設計標杆 | 2023 年全年營收約 7.09 億元，年增率降 2.7%（寒武紀 2023 年年報）。主要營收來自智慧計算集群系統專案，雲端端晶片銷售營收不及營收三分之一（據年報分類口徑大致推算） |
| 海光資訊 | x86 架構 CPU+DCU（深度計算處理器），相容 CUDA 生態是其差異化賣點 | 2023 年全年營收 60.12 億元，年增率+17.3%；歸母淨利 12.63 億元（海光資訊 2023 年年報）。DCU 深算一號在 AI 訓練/推論場景有應用 |
| 中際旭創 | 全球 800G 光模組主供之一，受益北美 AI 叢集建設 | 2023 年營收 117 億元，年增率+36.5%（中際旭創 2023 年年報）。第一大客戶（市場推測為 NVIDIA 及北美雲端廠商）佔比約 40% |
| 寧德時代 | 資料中心儲能/備用電源解決方案供應商 | 2023 年儲能電池出貨量全球第一，儲能業務營收約 599 億元，年增率+78%（寧德時代 2023 年年報）。資料中心 UPS 用鋰電池為細分增長點 |
| 萬國資料/世紀互聯 | 中國主要第三方超大規模資料中心運營商 | 萬國資料 FY2023 淨營收 99.6 億元，年增率+7.2%（萬國資料 2023 年報）；世紀互聯 2023 年淨營收 74.1 億元，年增率+4.9%（世紀互聯 2023 年報）。客戶以頭部網際網路/雲端廠商為主，AI 需求正逐步貢獻增量訂單 |
9 市場規模
注：以下資料均引用自國際權威第三方機構公開報告摘要或引用，具體測算模型口徑不同可能導致結果差異。所有數字僅作宏觀結構參照。
9.1 AI 晶片市場
據 Gartner（2024 年 5 月報告） ，2023 年全球 AI 晶片（定義含 GPU、ASIC、FPGA 等用於 AI 加速的半導體）市場規模約為 536 億美元，預測 2024 年市場規模將達 671 億美元，年增率增長約 25%；到 2027 年預計將突破 1194 億美元。
按細分（來源：Omdia 2024 年 Q1 全球 AI 處理器出貨量追蹤估算）：
- GPU 佔據最大份額（約 65-70%），NVIDIA 佔據絕對優勢；
- ASIC（含 Google TPU、AWS Trainium、以及邊緣 NPU）增速預期最高，預計 2024 年佔比約 20%；
- 中國晶片廠商（含華為昇騰、寒武紀、海光）在全球晶片市場中的合計銷售金額份額，據 Omdia 估算在 2023 年低於 5%（但中國本地下游自用、非公開渠道出貨等可能未完全統計）。
9.2 資料中心與算力基建市場
據 Synergy Research Group（2024 年 1 月） ，2023 年全球資料中心硬體和軟體市場（含伺服器、網路、儲存、DCIM 軟體等）總規模約 2450 億美元。超大規模資料中心運營商（Hyperscalers）的資本支出合計在 2023 年約 1460 億美元（以微軟、Google、亞馬遜、Meta 四家為主力），預計 2024 年將增至約 1700 億美元+，增量主要投入 AI 伺服器和配套基礎設施。
中國市場，據 科智諮詢（中國信通院下屬，2024 年 3 月報告） ，2023 年中國資料中心市場總規模約為 2400 億元人民幣（約合 330 億美元），年增率增速約 9-10%。其中 AI 資料中心（指新建專案中大量採用 GPU 伺服器，以支撐大型模型訓練/推論為主要用途）的佔比從 2022 年的約 15% 提升至 2023 年的約 25%，預計 2025 年將接近 40%。
9.3 AI 軟體與雲端服務（MaaS）市場
據 IDC（2024 年《全球人工智慧支出指南》） ，2023 年全球 AI 軟體（含應用、平台、AI 系統基礎設施軟體等）支出約為 1300 億美元，2024 年預計突破 1700 億美元；年複合增長率（CAGR 2023-2027）約為 25-30%。MaaS（模型即服務）屬於該分類的高增長子版塊，IDC 也將其稱為“AI 平台”中的“基礎模型 API 和微調市場”，當前在整個 AI 軟體支出佔比約 3-5%，但增速超 50%(IDC 2024 年 1 月新聞稿估算)。
中國市場，艾瑞諮詢（2024 年 1 月《中國大型模型市場研究報告》）估算 2023 年中國大型模型基礎層（含訓練推論服務及 API 呼叫）市場規模約 80 億元人民幣，預測 2025 年達到約 200-250 億元。此資料為增量新興市場，未包含傳統 AI 軟體。
10 玩家對比
10.1 全球範圍核心競爭集團
A. 垂直整合“全能”玩家：僅華為
華為是全球唯一在“鏈”（數字能源、資料中心交換器、光模組）、“芯”（昇騰系列 AI 處理器、鯤鵬 CPU）、“核”（盤古大型模型、昇思架構）三環均有強版面配置的企業。其垂直整合深度可與美國Apple公司在其生態內的控制力類比。但短板在於：
- 晶片製造完全依賴外部代工，當前受制程限制（參照第 6 節說明）；
- 昇騰軟體生態相比 CUDA 的成熟度和開發者覆蓋面有代差（2024 年華為開發者大會未更新精確開發者營收貢獻資料）。
B. 晶片+網路生態控制者：NVIDIA
優勢在於“Chip+Cluster”層面的系統能力和 CUDA 的不可替代性。其正加速向上遊（與雲端廠商和 Dell/超微等推行 DGX 整機櫃，主導向 Core 軟體生態延伸（NVIDIA AI Enterprise、NeMo），但其自身不直接與客戶爭奪終端使用者（雲端服務、SaaS、大型模型 API 市場暫非其主要營收來源）。這是其“平台賦能”而非“垂直壟斷”的差異化路徑。
C. 雲端廠商自研晶片+模型集團：Google、Amazon、微軟
這三家超大規模雲端廠商選擇“自研晶片+自用/外售+前沿模型”的垂直閉環：
- Google 擁有最長的 TPU 自研歷史（v5p 是第 5 代），模型與晶片深協同能力最強；
- Amazon 在推論自研晶片（Inferentia）更積極，Trainium2 顯示其加強訓練側野望；
- 微軟主要通過投資繫結 OpenAI，並自研 Azur Maia AI 加速器（2023 年 11 月釋出，100% 內部使用）。
D. 開源模型演算法公司：Meta
Meta 走差異化路線：強於 Core（開源 Llama 系列），積極囤積 Chip（向 NVIDIA 大規模採購），但不自研資料中心級 AI 晶片（其 MTIA 主要用於推論）。這一策略高度依賴 NVIDIA 供應，但通過開源構築了龐大的第三方生態護城河。
10.2 中國廠商對比維度
技術完整度光譜：
- 最完整：華為（鏈-芯-核全覆蓋）
- 芯端實力較強：海光資訊（相容 x86+類 CUDA）、寒武紀（自研 MLU 架構）
- 芯端新銳待驗證：壁仞科技、摩爾線程（2023-2024 年均尋求公版 Arch 調整與自主 IP 平衡；受制於先進製程與下游適配生態，公開財務資料未上市無法獲取）
- 核端領先+自建 Chain：百度（崑崙晶片+飛槳+文心）、阿里（平頭哥含光/倚天+通義）、字節跳動（零自研晶片公開資訊，但大規模自建/定製資料中心+豆包大型模型 API 低價優先）
關鍵制約因素一致：製造與生態。 可查證資料表明，設計出指標對標 A100 的晶片的設計公司已有多家，但：
- 能否在可控先進製程（7nm 級）下穩定量產是最大約束。截至 2024 年中，華為是唯一有可驗證的 7nm 級 AI 晶片批量出貨的國產廠商（部件編號和效能引數未全部公開）。
- 軟體生態成熟度和頭部客戶採購規模遠遜於 NVIDIA。據上市 AI 晶片企業在財報中顯示的晶片業務營收體量（參照第 8 節），可大致推斷其實際商用落地規模仍較小。
11 風險
以下風險因素基於行業普遍分析與公開報告整理，非指向具體公司，亦不代表必然發生：
11.1 供應鏈斷裂風險（地緣政治風險）
- 先進晶片禁運擴大：2022 年 10 月 7 日與 2023 年 10 月 17 日的美國 BIS 出口管制規則，已將關鍵效能密度和互聯頻寬設定閾值，阻止高階 GPU 及下一代 AI 晶片流向中國。2024 年若政策進一步收緊至“算力上限按算力叢集總規模”審查，將對中國 AI 基建產生深遠約束。
- 製造裝置“卡脖子”：EUV 光刻機中國進口臺數為零；部分最先進的 DUV 則已於 2024 年初受限。如果未來晶圓代工產能繫結審查（裝置+EDA+材料），中國 7nm 及以下自主產能擴充套件將受極大約束，直接影響下一代國產 AI 晶片的競爭力。
- 儲存器瓶頸：HBM 主要為韓國 SK 海力士（市佔率超 50%，據 Omdia 2024Q1 報告）和三星電子生產。至 2024 年中，國產 HBM 量產能力公開資料未見。HBM 自主化進度是中國 AI 晶片升級的重大變數。
11.2 能源與環境硬約束
- 電力供給極限：據 IEA 預測（2024 年 1 月），到 2026 年，AI 相關電力需求可能佔全球資料中心用電的 40%+。在部分熱門區域（美國維吉尼亞州北部、新加坡、愛爾蘭），2023 年已出現因電力瓶頸暫緩資料中心審批的訊息（資料來源：Data Center Dynamics 多篇 2023 年報道）。電力已成為 AI 擴張的物理天花板。
- 碳中和與 ESG 壓力：萬卡級 H100 叢集年耗電 50GWh+，若電力來源非清潔能源，碳排放巨大。全球及中國對大型資料中心的 PUE 和可再生能源比例要求日益嚴格。企業 ESG 合規成本將增加。
- 散熱水資源消耗：液冷資料中心（尤其蒸發冷卻）仍可能消耗大量水資源。在水資源匱乏地區，專案審批遭遇地方社群阻力。
11.3 技術路徑鎖定與生態分化
- CUDA 生態鎖定效應：全球數百萬 AI 開發者習慣 CUDA，幾乎所有核心 AI 庫（cuBLAS， cuDNN， NCCL）深度繫結 NVIDIA 硬體。使用其他硬體（如 AMD ROCm、國產 NPU）的遷移和調優成本極高，現實中形成“軟體定義硬體”的強化鎖定。
- 兩套生態分化：如果地緣壓力持續，全球可能出現“以美國主導的 NVIDIA+CUDA+前沿大型模型”與“以中國為中心的自主晶片+自主架構+本地大型模型”兩大相對獨立的生態圈。這將增加全球 AI 成本、降低複用效率，減慢全球創新擴散速度。
11.4 算力需求泡沫與資本錯配風險
- 訓練需求可能階段性飽和：如果前沿模型效能提升邊際效用遞減（即 Scaling Laws 達到瓶頸），或大型模型廠商從預訓練轉向被更省算力的微調/推論，資本市場上對訓練晶片的過度超前投資可能導致產能過剩。
- “百模大戰”同質化競爭：中國數百個大型模型團隊中，很多依賴有限的幾類開源基座模型做輕微微調（SFT），技術差異小。若應用層無法產生持續營收，上游晶片和伺服器採購需求將低於當前過度樂觀的預期。2024 年 H1 已有部分初創模型公司融資