#AI 產業
AI巨獸吞電,兆電網大戰打響!這些公司股價已翻倍
AI算力需求爆發,驅動全球電網投資升級。特高壓作為能源主動脈,產業鏈迎來高景氣。AI算力需求的爆發式增長對全球能源基礎設施提出前所未有的挑戰。據國際能源署資料,全球資料中心耗電量以每年12%的速度遞增,預計2030年將達到945太瓦時,大型AI資料中心年耗電量可達2吉瓦時,相當於數萬戶家庭用電總和。為保障資料中心對能源的需求,進一步加大電網建設已成為國內外共識,這其中就包括能長距離輸送電力的特高壓。在預期明確的背景下,多家特高壓概念類股公司在國家電網和南方電網招標活動中中標。全球電網投資力度持續提升當前,全球算力產業正處於高速增長階段。據中國信通院測算,到2030年,全球算力有望超過16ZFLOPS。以AI訓練推理負載為主的智能算力已成為關鍵增長引擎,佔總算力規模的比重達到30%以上。另據Fortune Business Insights,全球資料中心市場規模將由2024年2427.2億美元,增長到2032年5848.6億美元,年均複合增長率達11.62%。支撐資料中心市場規模快速增長的背後是海量電能消耗。公開資料顯示,一個典型AI資料中心的年耗電量可達1.5–2吉瓦時(GWh),相當於數萬戶家庭用電總和;而超大規模項目則動輒以“吉瓦(GW)”級功率計——1吉瓦約等於一座大型核電站的持續輸出能力。據國際能源署發佈的《能源與人工智慧》報告披露,在過去5年,全球資料中心佔全球電力消耗量的比例以每年12%的速度遞增。按照現有速度,到2030年,全球資料中心的電力需求將增加一倍以上,達到每年約945 TWh。資料中心對電力需求的急增,推動全球電網建設的加速。其中,資料中心數量龐大的美國在2025年5月啟動了“核能復興計畫”,計畫到2030年前新建10座大型反應堆。歐盟在今年12月10日也宣佈電網升級一攬子計畫,預計到2040年投資1.2兆歐元用於電網建設,其中7300億歐元用於配電網建設,2400億歐元用於氫能網路建設。相較於歐美的動作,中國在電網建設上一直走在前列,投資金額長期保持在5000億元以上。公開資料顯示,2024年國家電網與南方電網合計投資超過6000億元,2025年合計投入有望超過8250億元。華泰證券在新近研報中指出,預計“十五五”期間電網投資有望達到4兆元以上,相比於“十四五”期間電網投資2.8兆元顯著提升。中國特高壓建設進入加速期多家公司公告中標值得一提的是,中國的資料中心用電量以年均20%的速度增長,遠超全社會用電量增速。據中國信通院預測,到2030年中國資料中心耗電量將達到4000億千瓦時,佔全社會用電量的比重將從當前的不足2%攀升至6%。在此背景下,大力提升特高壓電網建設的重要性凸顯。公開資料顯示,2025年以來,國家電網相繼建成投運隴東到山東、哈密到重慶、寧夏到湖南、金上到湖北4條特高壓直流工程,進一步織密了全國“西電東送、北電南供”的能源輸送網路。截至目前,國家電網已累計建成投運“22交20直”42項特高壓工程,跨區跨省輸電能力達到3.7億千瓦。在國內電網建設明顯加速下,國家電網和南方電網在年內進行了多輪招標活動,有多家特高壓公司在電網招標活動中預中標或中標。以通光線纜為例,其在11月3日發佈的預中標公告中透露,公司近日參與了“國家電網有限公司2025年第六十五批採購(輸變電項目第五次線路裝置性材料招標採購)”,預中標金額達13780萬元。公司稱,“此次中標金額約佔2024年經審計營業收入總額的5.31%。本次中標對公司未來經營業績存在積極影響。”事實上,通光線纜今年以來已經多次發佈類似公告,分別於1月13日、3月6日、3月11日、4月30日、5月28日、7月14日、8月29日發佈了預中標提示性公告。而除了通光線纜,中國西電、平高電氣、許繼電氣、漢纜股份等公司在年內也多次公告在國家電網和南方電網招標活動中預中標或中標。比如中國西電在年內1月22日、3月12日、7月16日、9月24日、11月29日、12月17日就發佈了中標公告,中標總金額超過29億元。在12月17日中標公告中,中國西電稱下屬4家子公司在藏東南至粵港澳大灣區±800千伏特高壓直流輸電工程受端換流站直流主裝置和材料專項招標項目中標,中標換流閥、變壓器、套管、電容器等產品,總中標金額為10.0505億元。公司2024年度營業收入為221.7478億元。平高電氣則是在1月22日、3月12日、5月9日、7月17日、9月24日、11月8日、11月29日發佈中標公告的。其在11月29日發佈的中標公告中稱,在國家電網有限公司2025年第六十四批採購(特高壓項目第四次裝置招標採購)活動中,公司及其子公司中標金額合計約為7.73億元,佔2024年營業收入的6.24%。“相關項目簽約後,其合同的履行將對公司未來經營發展產生積極的影響。”除了上述公司,思源電氣、宏發股份、保變電氣等公司在投資者活動記錄表、財報中也有披露中標情況。比如思源電氣在8月20日投資者關係活動中透露,“2025年中標國家電網750kV項目,部分裝置已於6月底前完成交付,我們力爭以優異的交付回報客戶。”宏發股份則在11月3日發佈的投資者活動記錄表中透露,“公司旗下廈門宏發電氣成功中標中能建2025年度中低壓開關櫃集中採購項目框架標,包括0.4kV開關櫃、6kV/10kV/12kV開關櫃。此外,公司與冀南鋼鐵集團開展戰略合作,成功簽署‘冀南鋼鐵120萬噸球團低壓配電系統項目’合同,實現了在鋼鐵行業配電系統領域的重要突破。”特高壓公司業績持續改善正因國內特高壓外送通道與區域主網架建設持續推進,很多特高壓公司的基本面在年內得到了明顯改善。據Wind資料,特高壓類股35家標的公司今年前三季度合計實現營收4160.46億元、歸母淨利潤245.68億元,相比去年同期的營收合計3944.62億元、歸母淨利潤合計239.26億元,分別同比增長了5.47%和2.68%。單家公司方面,前三季度實現營收增長的公司多達25家,實現歸母淨利潤增長公司多達23家。在實現營收增長的公司中,保變電氣、通達股份、思源電氣、智光電氣的前三季度營收增速均超過30%,分別達到41.90%、40.78%、32.86%、32.03%。而實現歸母淨利潤增長公司中,遠東股份、國電南自的業績增速居前,分別達到268.86%和100.86%。此外,通達股份、保變電氣、中元股份、智光電氣、國網英大的業績增速也均超過50%。作為特高壓類股營收增速較快的公司,保變電氣(600550.SH)今年前三季度業績同樣表現不錯,同比增長了72.91%。對於前三季度營收和業績表現,公司在三季報中指出,營收增長主要是“由於公司中標的產品訂單增加,本期陸續實現銷售所致。”而業績增長則“主要是由於本期營業收入同比大幅增加帶動利潤增長及轉讓保變股份-阿特蘭塔變壓器印度有限公司股權收益所致。”在三季報發佈後,保變電氣股價有明顯表現,在10月28日(三季報發佈日)至11月13日期間,股價上漲了46.57%,一度領漲特高壓類股。就在近日,保變電氣召開第八屆董事會第四十一次會議,審議通過了《關於使用公積金彌補虧損的議案》。公司擬使用母公司盈餘公積金和資本公積金用於彌補母公司累計年度虧損。根據北京國富會計師事務所(特殊普通合夥)出具的審計報告,截至2024年12月31日,母公司財務報表累計未分配利潤為-5449668770.31元。以公積金彌補虧損後,2024年12月31日母公司未分配利潤將變為-1149370994.76元。保變電氣在公告中指出,公司通過實施本次公積金彌補虧損方案,將有效改善公司權益結構,減輕歷史虧損負擔,進一步推動公司符合法律法規和《公司章程》規定的利潤分配條件,提升投資者回報能力和水平,實現公司的高品質發展。也就在公告發佈後第三日(12月12日),公司股價實現漲停。今年四季度,金盤科技、四方股份、通光線纜是特高壓公司中市場表現很好的三家公司。截至12月22日,三家公司分別上漲了69.58%、49.98%、48.63%。若觀察這三家公司全年表現,則分別上漲了120%、86%、66%。據上市公司三季報資料,金盤科技、四方股份今年前三季度歸母淨利潤分別同比增長20.27%和15.57%,而通光線纜同比下滑了38.19%。值得注意的是,雖然通光線纜(300265.SZ)前三季度業績出現下滑,但若從公司單季業績表現看,其第三季度仍實現歸母淨利潤同比增長73.7%、環比增長19.31%。在第三季度業績說明會上,金盤科技(688676.SH)除了說明自己的業績情況,還對公司的電源模組業務目前國內和北美的進展,以及明年的展望進行了說明:“公司緊抓市場機遇,全力拓展在AI算力中心(AIDC)領域的業務佈局。2025年1-9 月,公司在AIDC及IDC等資料中心領域實現銷售收入9.74億元,同比增長337.47%。隨著人工智慧技術的迅猛發展,算力需求呈現爆發式增長,隨之而來的是對電力與能源基礎設施的更高要求。”就機構提出的“公司是否有能力給AIDC業務下遊客戶提供全套的供電解決方案”問題,金盤科技表示,“在資料中心領域,公司緊扣AIDC對電力裝置‘高可靠、高能效’的核心需求:一方面鞏固現有優勢變壓器系列產品的基礎上,加大智能型一體式電源成套裝置、智能化柔性連接電力模組等現有資料中心電源模組產品的拓展;另一方面前瞻性佈局新型供電架構研發,已成功開發適用於HVDC800V供電架構的10kV/2.4MW固態變壓器(SST)樣機,佈局研發迭代電力轉換裝置(高壓 HVDC)及供電架構,初步形成了較完整的產品序列和較強的綜合解決方案提供能力。隨著全球AIDC加速建設,公司有望在AIDC領域獲得更多市場份額。”四方股份(601126.SH)是國內電力自動化裝置的老牌龍頭,其固態變壓器(SST)技術領先,是國內少有的能夠提供資料中心交直流配電系統一二次關鍵裝置、技術及全套解決方案的廠家。據機構研報資料,在今年國網前四批主網保護類裝置招標中,四方股份實現中標約6.81億元,同比增長約50%。四方股份在近期的機構調研中提到了當前訂單執行情況,“截至第三季度,公司新簽訂單保持不錯的增速,全年新簽訂單按照年度目標穩步推進中。”加速“出海”助力業績增長在國內外加強電網建設的大背景下,除了挖掘國內市場潛力,積極拓展海外市場同樣成為很多特高壓公司的收入增長的重要保障。據Wind資料,在35家特高壓公司中,有21家公司在半年報中披露了自己海外收入佔比情況,其中,天合光能、思源電氣、宏發股份、中國西電、大連電瓷的境外收入佔比達到47.55%、33.68%、28.39%、19.16%、15.80%。與2024年年末資料相比,有13家公司海外收入佔比得到提升,其中思源電氣、保變電氣、中國西電的海外收入佔比提升較多,分別提升了13.48個百分點、6.89個百分點、6.48個百分點。值得一提的是,在海外收入佔比增長的13家公司中,有7家公司實現了營收或歸母淨利潤的同比增長。思源電氣(002028.SH)是國內少數幾家具備電力系統一次裝置、二次裝置、電力電子裝置等全鏈條產品研發製造能力的企業之一,年內漲幅達108%。據公司財報,今年前三季度,公司實現營收同比增長32.86%,歸母淨利潤同比增長46.94%。在今年10月20日舉行的第三季度業績說明會中,思源電氣指出,“海外訂單的增速高於平均增速。國內訂單中,系統內訂單、新能源和儲能相關訂單的增長符合預期,國內工業企業的訂單增幅較為平穩。”“海外EPC項目主要集中在東南亞和非洲地區,基於當地能源建設的需求,今年訂單量有所增長。”金盤科技的海外收入佔比也不少,其半年報雖然未披露自己海外收入情況,但在第三季度業績說明會上進行了透露:“2025年1-9月,公司實現主營業務收入515519.39萬元,其中外銷業務實現收入159040.14萬元。”外銷業務收入佔主營業務收入的比例達30.85%。其表示,隨著公司海外佈局的不斷深化,馬來西亞工廠已正式投產,進一步增強了公司在海外市場的交付能力和客戶服務水平,同時公司正積極推進海外客戶和訂單的拓展。相比上述公司,四方股份今年中期披露的海外收入佔比雖然僅有2.54%,但公司在近期機構調研活動中表示,“公司始終將推進國際化發展戰略作為重要發展方向,持續加大研發及海外市場投入,區域佈局主要以‘一帶一路’沿線國家為主,並持續深耕東南亞、中亞、非洲等市場,積極開拓中東、拉美等市場,高度關注歐美市場機會。公司國際業務取得顯著進展,實現了新市場、新國別的快速突破,為一次裝置出海奠定堅實基礎。”(證券市場周刊)
美國研究員:用H200這種過時晶片來討好中國,根本無法動搖中國發展自主技術的決心
01 前沿導讀美國企業研究所研究員、《chip war》作者克里斯·米勒在演講時表示,中國已經多次表明晶片自主化是國家經濟安全的核心目標,並願意在這個領域投入大量的資源以實現目標。美國的政策轉變,根本無法影響中國設定的遠大目標。雖然中國在先進的自主裝置上存在明顯不足,但任何出口管制都是暫時性的,並非永久有效,中國最終會在本土製造裝置上取得巨大技術進展。02 嵌入式技術米勒在2022年10月份,出版了個人書籍《chip war》。該書籍以晶片產業為基礎,對晶片技術以及中美之間的科技戰進行了階段性的總結梳理。在該書籍出版三天後,美國商務部便開始針對中國晶片實施全產業鏈的制裁限制,米勒也因此在國際層面成為了備受關注的專家學者。Deep Seek出現之後,由於其以較低成本實現了比肩GPT的大模型效果,在全球科技領域受到了重點關注。米勒對此評價稱,西方企業對Deep Seek的看法存在誤區,只看到了Deep Seek低成本高效率的大模型推理,卻忽略了Deep Seek開源模式的影響力。中國ai產業的思路與美國存在根本上的差別,美國掌控著最尖端的算力晶片,所以GPT以閉源模式運行。而Deep Seek以開源模式運行,這就導致全球範圍內的很多企業為了效率和成本,會主動選擇中國的開源模型。在這種情況下,中國企業就有機會將其技術嵌入到全球各地的應用當中,先美國一步將技術擴散到全球範圍內佔領市場。中美兩國在晶片產業上面走出了兩條完全不一樣的路線,美國掌控著先進晶片的供應,並且在晶片領域對中國實行斷供以及出口管制。在硬體上面,美國企業擁有明顯優勢,並且該優勢還在持續擴大。而中國擁有資源優勢以及完善的產業鏈和內需市場,在規模化應用層面有著明顯優勢。大模型技術的市場佔有率極其重要,過高的市場佔比將會讓使用者依賴於特定企業提供的大模型,並且在此之上發展應用層技術。這是一個零和博弈的競爭,如果不用這家的大模型技術,那麼只能選擇其他家的技術。在國際市場上搶佔更多的市場份額,是當下ai技術的核心發展模式。並且中國大模型的訓練推理晶片,也正在從輝達晶片逐步過渡到國產晶片上。昇騰910B的綜合算力已經達到了輝達A100的水平,但輝達A100是5年前發佈的產品,在單卡算力上中國晶片與美國晶片的差距較大,這也催生出了中國企業採用計算叢集的策略來彌補單卡性能的差距。華為推出了Cloud Matrix384服務架構,採用384顆昇騰算力晶片組成超節點算力叢集。通過對CPU、GPU等技術的最佳化,實現了點對點直連通訊,將384顆算力晶片整合成為一個整體,以此提高大模型的推理效率。在硬體晶片落後的情況下,走計算技術的路線是非常正確的選擇。03 裝置自主化針對美國發起的出口管制,米勒表示晶片自主化是中國未來持續推動的核心目標,這關乎於國家的經濟安全。沒有先進的製造裝置,中國晶片在製程技術上落後明顯。美國也借此機會開始逐步放鬆對先進晶片的出口管制,在收取輝達、AMD在華收入15%的前提下,允許這兩家企業向中國出口特定的晶片產品。儘管美國允許H20、H200晶片對華出口,但中國對此並不感興趣。中國自主晶片已經足夠出色,就算達不到輝達最先進的水平,也並不比輝達閹割版的晶片差。據新華社發佈的專欄報告指出,美國的此次舉動引起了國際法界和商界人士的熱議,這種做法不但沒有先例,而且極不尋常,甚至構成違反憲法的行為。韓禮士基金會貿易政策負責人德博拉·埃爾姆斯表示稱,該政策的先河一開,美國政府以後便可針對特定的企業實施組合管制方案,相當於直接宣稱“其他人不得進行貿易,但如果向我們付錢,你就可以獲得貿易的權力”。晶片產業依然是美國製約中國發展的核心要素,這也是中國現在以及未來要解決的問題。中國晶片在設計與製造環節均具備了不錯的市場規模和本土產能,也正在積極解決先進製造裝置上面的技術短板。將自主裝置開發完成並過渡到量產商用階段,該目標是未來十五五規劃的重點推進項目。 (逍遙漠)
付鵬:決定2026全球資產漲跌的關鍵—AI“高速路”上,真有車跑嗎?
12月20日,在華爾街見聞和中歐國際工商學院聯合主辦的「Alpha峰會」上,知名經濟學家付鵬發表了題為《AI時代下--秩序的重構》的演講。付鵬表示,當前AI產業的核心矛盾在於“路修好了,等待車跑”。上游算力基建投入已基本完成,2026年將進入下游企業級應用能否落地並兌現盈利的“證偽之年”。他還表示,2026年投資者應重點關注特斯拉。它將在明年面臨類似當年輝達的“身份驗證”時刻:究竟只是一一家汽車公司,還是真正的企業級“重AI應用”載體。付鵬指出,這正如檢驗“高速公路修好後有沒有車跑”,如果特斯拉能證明其作為AI應用的價值,市值空間將巨大;否則以當前作為汽車股的邏輯看,其估值並不具備吸引力。付鵬還強調,如果AI被證偽,全球股市都將面臨劇烈波動。當前美股(特別是AI類股)是全球“生產力”的核心,全球主要資產的波動率都與其高度繫結。如果AI最終被證實為泡沫,那不僅是美股,包括日本、歐洲在內的全球股市都會崩盤,“這是一根繩上的螞蚱”。他認為,目前加息或降息已不重要,核心在於資產端(AI)能否產生真實回報率,若資產端出問題,負債端的調整無濟於事。以下為演講實錄:生產力、生產關係與制度秩序的聯動這個話題的底層邏輯,在《見證逆潮》章節中有所探討,也對應2024年諾獎得主阿西莫格魯的AJR模型——聚焦生產力與生產關係的互動,尤其落腳於“制度與秩序”這種特殊生產關係。“秩序”多用於國與國之間(如基辛格《世界秩序》所指的貿易、金融、安全維度),“制度”則常見於企業內部的規則(如打卡考勤)。二者本質上都是特殊形式的生產關係。今天我們討論的,是生產力、生產關係與制度秩序三者的聯動。很多人誤以為宏觀經濟指標是股市的“晴雨表”。但在我看來,股市真正反映的是全要素生產率(TFP)——經濟系統將生產要素轉化為產出的效率。這個過程就像一套齒輪:生產力拉動生產關係,生產關係重塑制度秩序,制度秩序反過來推動生產力。齒輪轉動的效率,就是TFP。大量研究(包括聯準會論文)證實,多數國家股市的長期走勢都與TFP的變化趨勢高度匹配。以美股為例,1929年至今,推動其長期向上的核心動力,始終是經濟效率的提升,而非短期經濟波動。這種提升可來自齒輪的任一環節:科技突破、生產關係最佳化、或制度調整(如上市公司治理改革)。在我常用的“分子分母乘以G”股市模型中,G就代表制度與秩序這一維度。美國資本市場的發展也印證了:從薩班斯法案到股東積極主義,制度最佳化始終是市場長期健康的關鍵。需強調的是,沒有任何環節是完美的。科技是雙刃劍,生產力、生產關係、制度秩序都有兩面性。真正的“完美”,是形成良幣驅逐劣幣的進化機制:好的制度能淘汰壞的制度,系統在糾錯中向前。產業生命周期視角:從廣撒網到去偽存真回到AI話題。2015、2016年是關鍵節點:不僅是美股打破十幾年寬幅震盪、開啟趨勢性行情的起點,也是市場意識到美國經濟效率將躍升的轉折點。此時,木頭姐離開機構自立門戶。她常被稱為“女版巴菲特”,但邏輯完全不同——她是在二級市場運行一套一級市場的成長股投資策略。這涉及佩雷斯的“產業生命周期”理論:真正的產業投資往往從一級市場開始,二級市場看到的是一級市場未來的表現。產業早期,無人能預判那條技術路徑會勝出。因此最優策略是廣泛佈局——如木頭姐的操作,把所有技術路徑納入組合。這是風險投資的核心邏輯:投100個項目,死90個,活10個就是成功。該策略在產業早期估值擴張階段非常有效,能享受所有賽道紅利。但當產業進入成熟期,市場必然去偽存真:資金從90個被淘汰項目,集中到10個真正跑出來的贏家。此時仍分散投資,回報必然落後。2022年的市場殺估值,正是這一“去偽存真”過程。輝達跌70%,比特幣從8萬跌至2萬,所有估值型資產深度調整。這一輪調整的核心,是逼產業交出答卷:例如輝達,必須證明自己不是遊戲顯示卡公司,而是AI算力基礎設施提供商。而2022年底、2023年初ChatGPT的出現,標誌著市場從眾多技術路徑中,明確了少數能跑通的賽道。輝達用後續財報給出了答案,確立了AI時代的核心地位——“想富先修路,修路先買鏟子”,輝達的鏟子成了確定性標的。波動率與市場風險:確定性越高,風險越大分析市場,波動率是核心指標。它是確定性的反面:不確定性越高,波動率越大;確定性越強,波動率越小。2022年輝達跌70%後,市場逐漸確認AI將帶來巨大資本開支,其業績也逐步兌現。從那時到2023、2024年,波動率持續下降——說明市場共識越來越強,確定性極高。但問題恰恰出在“確定性太高”上:高確定性催生貪婪,場外槓桿、民間配資、押房押車all in的現象日益普遍。2024年6月14日,付鵬在華爾街見聞《付鵬說》專欄第20期中提醒:輝達應該考慮買入保險。8月市場波動上升後,付鵬隨即分享了應對方法。可以這樣理解:《付鵬說》專欄中的很多內容,是專門面向普通投資者朋友的。大家並非金融機構,無法通過券商管道每季度參與線下交流。付鵬的專業性內容主要集中於該專欄,而非短影片平台——短影片僅為閒談,深度分析與觀點輸出都在這裡。果不其然,2024年輝達“閃崩”印證了這一邏輯。當時許多分析歸因於“日元套息交易拆倉”,但在我看來,核心原因只有一個:全球資產都綁在了AI這一“生產力資產”上,當資產端的確定性被過度透支,負債端的任何變化都只是導火索。這也是我一直強調的:別盯負債端,要看資產端。如果AI被證明是泡沫,全球市場都會崩,屆時加息降息都無濟於事;如果AI能兌現生產力價值,市場的上漲才具備堅實基礎。AI的“修路”與“通車”——生產力到生產關係的傳導輝達閃崩後,市場一直在問:AI是不是泡沫?這個問題的本質,和2002、2003年謝國忠關於中國基建的爭論如出一轍。當年有人認為修高速公路是浪費、是債務;但事實證明,“要想富先修路”,基建拉動了城鎮化和經濟增長。現在的AI行業,正處在“路修完了,有沒有車跑”的關鍵節點。過去幾年,幾兆美元的AI上游基建已投下,算力、電力等“高速公路”基本成型,但真正的企業級AI應用——“車”——尚未大規模跑起來。目前的ChatGPT、圖生文、文生圖等只是表層應用,遠非能拉動生產力變革的核心應用。市場的疑慮和等待,本質上是在等一個答案:這些AI基建,究竟是能拉動經濟增長的資產,還是無法產生回報的債務?答案將決定全球資產的未來走向。從利率曲線結構,也能看到聯準會的“預防性操作”:輝達閃崩後,美國國債“三個月減十年期”利差迅速倒掛,每一次倒掛都對應波動率的下降。這背後是聯準會通過短端流動性調節,避免系統性風險擴散,為AI應用落地爭取時間。但這種操作也是雙刃劍:好處是延緩市場快速崩盤,壞處是讓估值變得更貴。到了今年年底、明年年初,這個問題已壓不住了。明年將是AI從生產力到生產關係傳導的證明或證偽之年。特斯拉就是這個證明過程的關鍵標的。就像2021、2022年的輝達需要證明自己是算力提供商而非顯示卡公司,特斯拉明年需要證明:它到底是一家汽車公司,還是一個企業級重AI應用平台?答案不同,估值天差地別。如果只是汽車公司,兆市值已透支;如果是AI應用平台,兆市值只是起點。當前美股(特別是AI類股)是全球“生產力”的核心,全球主要資產的波動率都與其高度繫結。如果AI最終被證實為泡沫,那不僅是美股,包括日本、歐洲在內的全球股市都會崩盤,“這是一根繩上的螞蚱”。目前加息或降息已不重要,核心在於資產端(AI)能否產生真實回報率,若資產端出問題,負債端的調整無濟於事。兩條路徑與時代機遇回到最初的問題:AI是不是泡沫?明年的利率曲線走勢,只有兩條路徑:第一條是證偽路徑:如果AI上游基建無法轉化為下游應用的生產力,過去幾年的投資都會變成債務,全球市場將崩盤,無一資產能獨善其身。第二條是證實路徑:如果AI完成從“修路”到“通車”的傳導,生產力真正拉動生產關係變革,我們將迎來第二波浪潮——不僅是生產力創造的財富,更是生產關係最佳化和制度秩序革新的系統性機會。每一輪長周期裡,都有三次大機遇:生產力提升、生產關係改變、制度秩序重構。人這一輩子,能趕上一個齒輪的周期,就已經很好了。輝達已證明自己是確定性的生產力標的,未來會成為成熟的成長股;而接下來的機會,就在生產關係的變革裡——也就是AI應用的落地和普及。 (華爾街見聞)
一文讀懂:全球AI人工智慧產業鏈全景圖譜
01 產業鏈全景圖譜人工智慧產業鏈可簡化為“三橫兩縱”:上游(基礎層):算力(GPU/ASIC/伺服器/IDC)、資料(採集、標註、儲存)、基礎軟體(框架、晶片工具鏈)。中游(技術層):模型與演算法(大模型、CV/NLP/多模態)、開發平台(MaaS、微調、推理最佳化)、中介軟體(向量庫、資料管道)。下游(應用層):消費端(搜尋、內容、AI硬體)、行業端(醫療、金融、製造、零售、教育)、政企端(城市大腦、政務雲)。“兩縱”是貫穿三層的循環:需求反饋:下游場景→中游技術迭代→上游算力/資料升級;價值分配:上游重資產、中游高溢價、下游高彈性,利潤隨瓶頸移動。02 AI人工智慧行業概況1 市場規模:人工智慧(AI)正以驚人速度重塑全球產業格局,成為推動科技革命和經濟增長的核心驅動力。根據國際資料公司(IDC)最新市場研究資料顯示,全球人工智慧產業規模預計將於2025年達到2.3兆元人民幣(約合3500億美元)的市場規模。從區域發展格局來看,北美地區與中國市場將共同構成全球人工智慧產業發展的核心區域,展現出強勁的市場增長潛力。北美AI市場發展現狀北美(以美國為主)憑藉成熟的科創生態和雄厚資本,引領全球AI發展。Google、微軟、亞馬遜等美企主導AI基礎研發和產業應用,在自動駕駛(Waymo)、語音互動(Alexa)、自然語言處理(GPT)等領域優勢顯著。中國AI市場發展態勢中國AI市場發展迅猛,IDC預測2025年規模將超6900億元,佔全球30%-35%份額。這得益於政策支援、豐富場景及本土企業在CV、語音等領域的突破,正推動全球AI產業形成中美雙極格局。歐洲AI市場發展概況儘管在人工智慧領域的發展節奏相對滯後,但得益於歐盟《人工智慧法案》等政策引導和專項資金支援,歐洲AI產業已實現穩定增長,正逐步縮小與全球領先市場的差距。2 發展歷程:全球人工智慧產業萌芽於20世紀中葉,其產業化處理程序在21世紀初迎來爆發式增長。理論奠基階段(1950-2000):1956年達特茅斯會議正式確立人工智慧作為獨立學科早期研究者奠定了機器學習理論基礎技術突破階段(2000-2010):2006年Geoffrey Hinton團隊開創深度神經網路架構2009年Google Voice成為首個商用級語音識別產品計算能力提升推動AI從實驗室走向實際應用人工智慧產業化騰飛期(2010-2025):2010年代,AI實現從實驗室到產業化的跨越,依託巨量資料、雲端運算和5G三大技術支柱。2016年成為分水嶺:電腦視覺、語音識別和自然語言處理取得突破。2020年後進入大模型時代,呈現規模躍遷、行業滲透和應用深化三大特徵。當前AI產業已形成研發-落地-變現閉環,重塑全球格局。03 上游產業鏈全球AI產業鏈上游主要由晶片(如GPU/TPU)、算力設施、資料資源和演算法研發四大核心要素構成。當前該領域面臨三大關鍵挑戰:晶片製程突破等技術瓶頸、算力資料資源壟斷的產業格局,以及各國政策法規的差異化約束,這些因素既形成發展壁壘,也孕育著創新機遇。1 硬體技術壁壘高性能計算晶片是AI發展的核心驅動力。隨著AI算力需求激增,GPU已成為關鍵硬體,目前該市場由輝達和AMD主導,形成較高技術壁壘。輝達主導市場:輝達憑藉A100/H100等高性能GPU主導AI計算市場,其CUDA平台和深度學習軟體庫進一步推動了AI技術普及。國產替代加速:國內晶片企業加速替代處理程序,寒武紀"思元"系列已應用於AI訓練推理,但在深度學習算力方面與國際巨頭仍存差距。2 資料資源壟斷:資料是AI發展的核心資源,掌握海量資料的Google、亞馬遜、阿里等科技巨頭憑藉資料優勢推動AI進步,形成行業壟斷格局。AI訓練資料高度集中於Google、Facebook(使用者行為資料)和亞馬遜(消費交易資料)等網際網路巨頭,而中小企業因資料資源匱乏在AI研發和市場競爭中處於弱勢。04 中游產業鏈人工智慧產業鏈中游,涵蓋了演算法創新、技術競爭和平台生態三大核心環節,是推動AI從理論到應用的重要推動力。1 演算法創新:大模型(如GPT-4、百度文心)通過海量資料訓練,顯著提升了生成式AI的自然語言處理能力,推動文字生成、機器翻譯等應用快速發展。GPT-4訓練成本達數百萬美元,GPT-5更需10兆次計算(TFLOPS)。DeepSeek等平台推出分散式運算方案,降低大模型訓練成本。2 技術競爭:全球AI領域呈現開源(如Llama、Qwen)與閉源(如GPT、文心一言)兩大陣營競爭格局。開源模型憑藉低成本、高定製性助力中小企業;閉源模型依託強大算力資料保持性能優勢。雖然開源模型顯著降低了AI應用門檻,但閉源模型憑藉其深厚的技術積累和成熟的商業生態,仍在核心技術突破和高端應用場景中保持領先優勢。3 平台生態:隨著人工智慧技術加速商業化處理程序,AI平台憑藉其作為核心基礎設施的關鍵作用,正在產業鏈中游形成戰略支點,為各行業智能化轉型提供標準化、模組化的解決方案支撐。隨著人工智慧產業化處理程序加速,MaaS(Model-as-a-Service)模式正成為AI商業化的重要範式。以阿里雲、百度智能雲為代表的頭部雲服務商紛紛佈局AI模型服務市場,通過整合算力資源、預訓練模型和開發工具鏈,為企業客戶提供從模型訓練到部署應用的全生命周期服務解決方案,顯著降低了AI技術的應用門檻。一站式AI服務解決方案:領先的雲平台整合了算力資源、開發工具和預訓練模型,使企業能夠跳過複雜的基礎設施建設環節,直接實現從模型訓練到生產部署的全流程快速落地,將AI開發周期縮短60%以上,顯著提升企業智能化轉型效率。標準化API服務生態:通過RESTful API和SDK等標準化介面,開發者可以像呼叫基礎雲服務一樣便捷地整合AI能力,實現開箱即用的模型呼叫和功能擴展,使AI技術應用的門檻降低至普通開發人員也能輕鬆掌握的水平。05 下游產業鏈AI應用主要覆蓋三大領域:消費電子(C端)、企業服務(B端)和行業解決方案。隨著技術進步,AI正在全球範圍內加速產業升級,從智能製造到智慧醫療,深刻改變著各行業的營運方式。1 消費趨勢:智能家居與AI助手:智能音響、家居裝置以及AI助手(如Siri、Alexa)日漸普及。預計到2025年,全球智能家居市場將超過900億美元,AI助手則成為個人生活和工作的常見工具。企業市場(B端):AI正在幫助企業降低營運成本並提升效率。例如,AI客服逐步替代傳統人工客服,節省人力資源,提高客戶響應速度。2 管道分化:AI部署架構演進:雲端運算(如Azure OpenAI)與終端裝置(手機/眼鏡/機器人)正形成協同生態,推動AI應用向"雲邊端"一體化發展。技術趨勢:5G+邊緣計算加速AI Agent本地化部署,預計2025年終端裝置AI滲透率將達65%,實現即時智能響應。3 行業滲透率:中國AI應用滲透率領先領域:網際網路(89%)、電信、黨政、金融(均超60%)。網際網路‌:AI驅動廣告精準投放(CTR提升35%)、搜尋最佳化及社交推薦,滲透率達89%電信‌:5G+AI實現網路自最佳化,智能客服替代率達60%,維運效率提升200%金融‌:智能風控降低壞帳率40%,AI投顧管理規模突破兆,反欺詐精準率超99%AI正加速變革醫療與教育行業:醫療領域AI影像診斷精準率超95%,新藥研發效率提升40%;教育領域智能教學覆蓋超30%中小學,線上教育AI滲透率年增35%。預計兩大行業AI市場規模將迎來指數級增長。06 面臨的風險AI產業高速發展伴隨三大核心風險:技術落地瓶頸、市場商業化不確定性、政策倫理合規挑戰。1 技術風險:大模型邊際收益遞減隨著AI模型規模擴張面臨成本收益失衡,訓練部署成本呈指數級增長,而模型性能的邊際收益卻逐步遞減,最終導致投資回報率(ROI)持續走低。演算法可解釋性不足在醫療診斷、金融風控等高價值決策場景中,AI模型的可解釋性已成為關鍵性技術指標。但現階段主流深度學習架構普遍存在"演算法黑箱"問題,其內部決策邏輯缺乏可視化呈現和邏輯追溯能力。這種技術侷限性不僅制約了AI在關鍵領域的深度應用,更可能引發監管合規風險與使用者信任缺失的系統性挑戰。2 市場風險:科技巨頭掀起價格戰AI行業正面臨巨頭擠壓效應:頭部企業通過價格戰和技術軍備競賽形成市場壟斷態勢,使資金鏈脆弱的中小企業陷入"創新難-盈利難"的雙重困境,嚴重威脅其市場生存空間。盈利模式模糊AI行業普遍採用免費/低價策略,致使盈利模式模糊。典型如OpenAI等企業仍處虧損階段,商業可持續性存疑。3 其他挑戰:資料隱私與安全AI依賴海量資料,但隱私與安全問題可能引發信任危機,制約技術發展。演算法偏見與公平性AI演算法偏見可能放大社會不公,如招聘系統中的歷史資料歧視問題。AI產業競爭力核心在技術自主、生態協同與場景深耕。企業須平衡技術創新與商業化,方能贏得全球競爭。附:2025年全球人工智慧展望報告2025 年,人工智慧正站在從弱智能(ANI)邁向通用人工智慧(AGI)的臨界點:行業共識把 AGI 落地窗口鎖定在 2026–2045 年,其核心標誌是跨領域複雜問題解決能力,技術路線圍繞“世界模型+具身智能”展開。產業已成型“基礎設施(AI 晶片/伺服器/叢集)—模型(多模態、推理、開源)—應用硬體(智能體、AI 終端、垂直場景)”三層架構,算力升級、強化學習迭代、開源生態與推理能力躍遷四者協同,為 AGI 提供底座。AI Agent 成為年度變革引擎,憑藉“感知-認知-執行”閉環和 MCP/A2A 協議驅動的多 Agent 協作,全面滲透通用、行業與企業場景。全球科技巨頭(NVIDIA、Google、OpenAI、Anthropic、阿里雲、DeepSeek 等)在晶片、模型、智能體工具與開源生態上展開差異化競速。未來 AGI 將沿世界模型、多模態、持續強化學習、非 Transformer 架構和具身智能五大方向演進,2025 年因此被視為“量變到質變”的關鍵年份,技術協同、場景落地與生態共建共同決定 AGI 處理程序。以下為報告原文節選,文末附2025年全球人工智慧展望報告全文:(TOP行業報告)
「Ai」2025全球最賺錢賽道:衝在前十公司是誰?
2025年,全球AI硬體市場正經歷一場前所未有的爆發式增長。根據IDC最新資料,今年全球AI晶片市場規模預計將達到驚人的1280億美元,同比增長42%。在這場決定未來十年科技格局的競賽中,一批公司正以驚人的速度衝刺在前列。究竟那些企業已經在這場軍備競賽中搶佔了制高點?1. 輝達:AI硬體世界的“絕對統治者”市值:4.2兆美元 | AI硬體營收佔比:87%2025年,輝達的霸主地位不僅未被撼動,反而更加穩固。9月發佈的Blackwell Ultra架構晶片,單卡FP8精度算力達到15PetaFLOPs,是其前代產品H100的4.2倍。更關鍵的是,輝達已經建構了從晶片到系統的完整生態。殺手鐧:DGX GH3000超算系統,單個機櫃即可提供1ExaFLOPs的AI算力,已被微軟、Google、Meta等巨頭預訂超過500套,每套價格高達3000萬美元。2. AMD:最強挑戰者的逆襲市值:9200億美元 | AI硬體營收佔比:62%AMD在2025年打出了一記重拳。Instinct MI400X加速卡採用業界首款3nm Chiplet設計,在LLM訓練任務中性能達到H200的1.8倍,而功耗僅增加15%。更令人印象深刻的是,AMD成功拿下了亞馬遜AWS和甲骨文的超大訂單。關鍵突破:與台積電合作開發的CoWoS-L封裝技術,使晶片間通訊延遲降低40%,這讓AMD在超大規模AI叢集競爭中擁有了與輝達掰手腕的資本。3. Google:TPU v6的降維打擊AI硬體投入:340億美元 | 自研晶片部署量:250萬顆Google的TPU v6在2025年實現了質的飛躍。這款專為Transformer最佳化的晶片,在PaLM 2訓練中展現出驚人的效率,能耗比達到輝達H200的2.3倍。目前Google所有AI服務已100%運行在TPU上。戰略優勢:TPU v6與Google的TensorFlow框架深度整合,形成了軟硬一體的閉環生態,這是其他公司難以複製的護城河。4. 微軟:從軟體王者到硬體黑馬AI硬體投資:280億美元 | Maia晶片出貨量:120萬顆2025年是微軟硬體戰略的豐收年。自研的Maia 200晶片在GPT-5訓練中表現搶眼,支撐了微軟全球60%的AI工作負載。更值得關注的是,微軟與OpenAI聯合開發的Atlas超級電腦,整合了超過5萬顆Maia晶片,成為全球最大的單一AI訓練系統。生態佈局:通過Azure AI雲服務,微軟向企業客戶提供基於Maia晶片的算力租賃,這種“晶片即服務”模式正在改變行業遊戲規則。5. 華為:突破封鎖的“昇騰”力量昇騰晶片出貨量:85萬顆 | 國內市場份額:72%在美國製裁進入第六年之際,華為交出了一份令人震驚的答卷。昇騰910B晶片採用中芯國際N+2工藝,性能達到A100的92%,而2025年最新發佈的昇騰920,性能指標已接近H200的80%。生態突破:華為的CANN軟體棧已完成對Llama、GLM等主流大模型的深度最佳化,MindSpore框架的開發者數量突破150萬,國內AI算力市場“去輝達化”趨勢加速。6. 寒武紀:專精特新的“中國方案”市值:3200億元 | 雲端晶片出貨量:38萬顆2025年,寒武紀的思元590晶片實現量產,在視覺大模型訓練任務中表現出色,已獲得字節跳動、阿里巴巴等頭部客戶的訂單。更值得關注的是,寒武紀在邊緣AI晶片市場佔有率突破45%,在智能駕駛、工業質檢等領域建立了優勢。技術特色:採用自主研發的MLUarch03架構,針對中國市場需求進行了專門最佳化,在中文NLP任務中能耗比比同類產品低30%。7. Groq:推理晶片的顛覆者LPU出貨量:52萬顆 | 推理晶片市場份額:28%當大家都在追逐訓練晶片時,Groq選擇了一條差異化的道路。其LPU推理晶片在2025年大放異彩,在處理Llama 3-70B模型時,單晶片吞吐量達到輝達H200的7倍,延遲降低90%。這種驚人的表現讓Groq獲得了JPMorgan、Salesforce等對即時性要求極高的企業客戶。商業模式創新:Groq通過其雲服務提供“按Token計費”的推理服務,這種模式特別適合中小企業的間歇性AI需求。8. Cerebras:巨無霸晶片的堅守者WSE-3晶片出貨量:9500片 | 單客戶最大訂單:美國能源部Cerebras繼續在其獨特的道路上狂奔。2025年推出的WSE-3晶片面積達到46225平方毫米,整合了4.6兆個電晶體,是傳統晶片的56倍大。在科學計算領域,Cerebras已經建立了近乎壟斷的地位。應用突破:與美國阿貢國家實驗室合作的“Cerebras-1”超級電腦,在氣候模擬、蛋白質摺疊等任務中,效率比傳統GPU叢集高出一個數量級。9. Tenstorrent:RISC-V架構的AI先鋒市值:185億美元 | 授權客戶:12家晶片廠商由晶片傳奇人物Jim Keller領導的Tenstorrent,在2025年完成了從晶片設計公司到IP授權商的轉型。其基於RISC-V架構的AI加速器IP,已授權給三星、英飛凌等公司,預計2026年搭載其IP的晶片出貨量將突破5000萬片。開放戰略:通過開源部分硬體設計,Tenstorrent正在建構RISC-V AI生態,這可能從根本上改變AI晶片的產業格局。10. EnCharge AI:能效比的新標竿能效比:50TOPS/W | 最新融資:2.8億美元這家初創公司正在用顛覆性的技術挑戰行業巨頭。EnCharge AI的模擬計算晶片,在8位精度推理任務中,能效比達到傳統數字晶片的20倍。2025年,其首批產品已交付給國防和物聯網客戶。技術革命:通過在儲存器內部進行計算,徹底消除了資料搬運的能耗,這種“存算一體”架構可能代表了AI晶片的終極方向。2025年AI硬體市場的五大趨勢趨勢一:從通用到專用各家公司都在針對特定場景最佳化晶片,大模型的訓練、推理、邊緣部署等不同任務催生了多樣化的晶片架構。趨勢二:軟硬體深度協同單純的硬體性能競賽已經結束,晶片與框架、演算法的協同最佳化成為競爭關鍵。輝達的CUDA、華為的CANN、Google的TensorFlow都形成了各自的生態壁壘。趨勢三:能效比成為新戰場隨著AI算力需求爆發式增長,電力消耗已成為不可忽視的成本。2025年,每瓦性能指標的重要性首次超過絕對性能指標。趨勢四:地緣政治影響供應鏈美國對華晶片出口限制加速了中國自主供應鏈建設,而全球其他地區也在尋求供應鏈多元化,這催生了新的區域市場格局。趨勢五:新架構層出不窮從Chiplet、存算一體到光計算、量子計算,各種新架構不斷湧現,為後摩爾定律時代的AI硬體發展提供了多種可能路徑。2025年的AI硬體競賽,看似是十家公司的領先,實則是多條技術路線的平行探索。輝達的全端優勢、AMD的封裝突破、Google的垂直整合、華為的生態突圍、Groq的細分創新、EnCharge的架構革命……每家公司都在用自己的方式定義AI硬體的未來。一個值得深思的資料是:雖然頭部企業佔據了80%的市場份額,但仍有超過200家初創公司活躍在這個領域,它們正在邊緣計算、神經擬態晶片、光子計算等前沿方向進行探索。隨著2026年臨近,下一代AI硬體的新戰役已經悄然打響。可以確定的是,這場競賽的勝出者,不僅將獲得兆美元的市場,更將掌握定義人工智慧時代的基礎設施權力。而對於整個行業來說,真正的贏家或許是技術的多元化發展,因為在這個指數級變化的時代,沒有任何單一架構能夠滿足所有需求,多樣性才是進化的最好保障。 (正商研究院)
AI眼鏡未來趨勢與市場需求可行性分析報告
報告摘要本報告旨在全面分析AI眼鏡在未來3-5年的技術發展趨勢與市場應用可行性。報告聚焦於音訊、影像(拍照/攝影)、顯示、核心應用技術及落地場景五大維度,評估其技術成熟度、市場需求驅動因素與商業化潛力。核心結論表明,AI眼鏡正從概念性產品向特定垂直領域的實用工具過渡,其成功關鍵在於光學顯示與電池技術的突破、殺手級應用場景的挖掘,以及隱私與舒適度問題的解決。一、 音訊技術:從基礎傳聲到情境智能技術趨勢分析:空間音訊與主動降噪:通過多麥克風陣列和演算法,實現聲音的定向增強與背景噪音消除,在嘈雜環境中(如工廠、展會)確保清晰的語音指令接收和內容收聽。骨傳導與開放耳道:為保障戶外使用安全,骨傳導或氣導技術將成為主流,使使用者在收聽音訊資訊的同時,能保持對環境音的感知,避免安全隱患。上下文感知音訊:AI演算法將根據環境(會議室、街道、家中)自動調整音訊模式、通話音量,甚至即時翻譯或轉錄對話。市場可行性評估:需求明確:音訊互動是AI眼鏡最基礎、最剛需的功能之一,尤其在生產力(會議轉錄、遠端協助)和輔助生活(即時翻譯、聽力增強)場景。技術成熟度高:相關聲學技術已在高端耳機中普及,移植和 miniaturization(小型化)難度相對較低。挑戰:如何在眼鏡腿的有限空間內整合高性能音訊模組並解決散熱和功耗問題,是工程實現的關鍵。二、 影像技術(拍照/攝影):從記錄工具到視覺感知中心技術趨勢分析:第一視角沉浸式記錄:解放雙手,以使用者視角進行無縫的生活日誌、工作流程記錄或教學指導,適用於培訓、巡檢、內容創作。電腦視覺增強:整合先進的CV演算法,實現即時物體識別(商品、文件、人臉)、場景理解(閱讀、導航)、尺寸測量和AR資訊疊加。低光與防抖性能:由於使用場景動態複雜,對感測器的小型化、低光成像能力和電子防抖提出極高要求。市場可行性評估:專業與工業場景先行:在安防、遠端維運、醫療診斷、物流分揀等領域,第一視角的視覺輔助和記錄需求強烈,能直接提升工作效率和精準性,付費意願強。消費級市場受制於隱私與社交接受度:隱秘拍照引發的隱私爭議是消費普及的最大障礙。市場教育、明確的錄製指示燈、嚴格的隱私保護設計及法律法規完善是前提。可行性路徑:預計將率先在B2B2C(企業採購用於員工)和明確的工具型消費場景(如旅行翻譯、運動記錄)中取得突破。三、 顯示技術:決定體驗的核心瓶頸技術趨勢分析:光波導(Waveguide)主流化:因其較薄的形態和較大的Eyebox(眼動框),成為平衡顯示效果與眼鏡形態的關鍵技術。衍射光波導(表面浮雕光柵)與陣列光波導是主要方向。Micro-LED微顯示突破:Micro-LED在亮度、功耗、響應速度和使用壽命上遠超當前主流的Micro-OLED,是實現戶外清晰顯示和更小模組體積的終極解決方案,但目前成本極高且量產難度大。可變焦顯示(Vergence-Accommodation Conflict解決):通過液晶透鏡、偏振光柵等技術實現動態變焦,緩解視覺疲勞,是走向全天候佩戴的必需技術。市場可行性評估:當前痛點:顯示效果(視場角FOV、亮度、解析度、色彩)、功耗與外觀形態(厚重與否)之間存在難以調和的矛盾。市場驅動力:供應鏈的成熟與成本下降是核心。隨著Google、蘋果、Meta等巨頭推動標準化平台和規模採購,光波導和Micro-LED成本有望在未來3-5年顯著下降。分階段發展:短期內,以資訊提示和簡單AR疊加為主的“智能音訊眼鏡附帶顯示”形態將更普及。長期來看,沉浸式AR顯示裝置將作為通用計算平台出現。四、 核心應用技術與平台技術趨勢分析:端側AI與感測器融合:在眼鏡本地運行輕量化AI模型(如語音助手、視覺識別),結合IMU(慣性測量單元)、攝影機、環境光感測器等實現低延遲、高隱私的互動。跨裝置協同(手機、PC、雲):AI眼鏡將成為“個人AI”的視覺和聽覺介面,與手機算力、雲端大腦協同工作。標準化作業系統與開發者生態:GoogleAndroid XR、可能的蘋果xrOS等平台將降低開發門檻,催生豐富的應用。市場可行性評估:生態決定天花板:單一硬體成功機率低。Google、蘋果等巨頭通過作業系統建構開放或半封閉生態,是產業規模化發展的最關鍵變數。應用開發者是靈魂:能否吸引開發者為其開發獨特的、不可替代的應用,決定了產品的使用者粘性和價值。初期需要巨頭補貼和引導。中國供應鏈優勢:報告原文提及的10家公司代表了中國在光學、精密製造、整機整合、關鍵元器件領域的深厚積累,使中國在全球AI眼鏡產業鏈中佔據不可或缺的製造與快速迭代優勢。五、 應用場景與市場需求預測按市場成熟度排序的可行性場景:1. 企業級/工業級市場(高可行性):場景:遠端專家指導、裝置巡檢與維修、倉儲物流(揀貨導航)、醫療(手術導航、病歷調閱)、技能培訓。驅動力:能直接降本增效、減少差錯、提升安全,投資回報率(ROI)清晰,對價格和外觀敏感度較低。2. 垂直消費工具市場(中等可行性):場景:戶外運動(即時資料疊加導航)、翻譯導覽(旅遊、展會)、輔助功能(為視障、聽障人士提供環境感知輔助)。驅動力:解決特定場景下的剛性痛點,產品功能聚焦,使用者需求明確。3. 大眾消費/泛娛樂市場(長期潛力,短期挑戰大):場景:社交媒體的第一視角直播、沉浸式影音娛樂、AR遊戲、日常資訊提示與導航。驅動力:依賴技術成熟(顯示、電池)、成本降低、殺手級應用出現,以及社會文化對“長期面部佩戴攝像裝置”的接受。預計是最後爆發的市場。六、 綜合結論與建議發展路徑判斷:AI眼鏡將遵循“由B到C,由工具到玩具,由聽到看”的路徑發展。企業級應用和特定消費工具將率先實現商業化成功,最終走向大眾消費。關鍵技術窗口:未來2-3年是光波導量產工藝和Micro-LED微顯示技術突破的關鍵期,將決定下一代產品的體驗天花板。市場需求核心:市場需求非憑空創造,而是對現有解決方案(手機、對講機、紙質手冊、平板電腦)的體驗升級或效率革命。產品定義必須聚焦於“在何種場景下,比現有工具好10倍?”風險與挑戰:技術風險:電池續航(全天佩戴需達8小時以上)、熱管理、顯示效果與成本的平衡。非技術風險:使用者隱私安全、資料所有權、社會接受度、監管政策。結語:AI眼鏡並非手機的替代品,而是旨在成為與手機協同、更無縫融入物理世界的“情境感知智能層”。儘管面臨多重挑戰,但其在提升人類感知能力與工作效率方面的潛力巨大。產業鏈(如報告所列中國公司)的緊密協作與持續創新,加上巨頭生態的推動,正加速其從科幻走入現實的處理程序。投資者與從業者應重點關注在核心元器件、垂直行業解決方案及平台生態中具備卡位優勢的企業。 (譚大帥Milton)
輝達 Rubin :計算密度的躍遷與資料中心架構的重構
Rubin 是多少張 GPU 互聯?比現在最強的資料中心性能強多少?——本報告的分析結論如下:互聯規模的代際跨越:Rubin 架構引入了 Vera Rubin NVL144 平台,在一個機架內實現了 144 個 GPU 計算核心(Die) 的全互聯 1。這不僅在物理數量上是前代 Blackwell NVL72(72 個 GPU)的兩倍,更重要的是,通過第六代 NVLink(NVLink 6)技術,這 144 個核心建構了一個單一的、記憶體一致的邏輯計算域。這意味著模型可以像在一個巨大的 GPU 上運行一樣,在 144 個核心之間無縫共用記憶體和資料,徹底消除了節點間通訊的延遲瓶頸。性能增益的多維躍遷:相比當前最強的資料中心基準——Blackwell GB200 NVL72,Rubin 展現了多維度的性能提升:AI 推理性能(FP4):提升幅度約為 3.3 倍,達到 3.6 Exaflops 1。海量上下文處理(CPX):針對百萬級 token 的長上下文任務,Rubin CPX 平台的性能是 Blackwell 的 7.5 倍2。記憶體頻寬:整機架聚合頻寬從 NVL72 的 576 TB/s 激增至 1.7 PB/s,約為 3 倍 的提升 2。本報告將深入探討驅動這些數字背後的技術邏輯,包括 3nm 工藝製程、HBM4 記憶體革命、銅纜互聯物理學以及 600kW 功率密度帶來的熱力學挑戰。2. 宏觀背景:計算通膨與推理時代的黎明要理解 Rubin 架構的設計初衷,必須首先審視當前 AI 產業面臨的根本性矛盾:計算通膨(Computation Inflation) 與 記憶牆(Memory Wall) 的雙重擠壓 4。隨著大語言模型(LLM)從單純的文字生成轉向具備多步邏輯推理能力的“Agentic AI”(代理智能),計算範式正在發生深刻的轉移。2.1 從訓練原生到推理原生在 Hopper(H100)時代,資料中心的主要任務是模型訓練,這要求極高的浮點運算能力。然而,隨著模型部署的普及,推理(Inference)——尤其是長上下文、高並行的推理——成為了算力消耗的主體。Blackwell 架構通過引入 FP4 精度初步應對了這一挑戰,但 Rubin 則是為**“推理原生”**時代徹底設計的 2。Rubin 的出現不僅僅是為了更快的訓練,更是為瞭解決“百萬 Token 級”上下文的即時處理問題。在這一場景下,瓶頸不再是計算核心的速度,而是資料搬運的速度。因此,Rubin 架構的核心哲學可以概括為:以頻寬換算力,以互聯換延遲。2.2 摩爾定律的終結與系統級擴展隨著電晶體微縮逼近物理極限,單晶片性能的提升日益艱難。輝達 CEO 黃仁勳明確指出,未來的性能提升將不再依賴單一晶片,而是依賴“資料中心即晶片”的系統級設計 4。Rubin 架構正是這一理念的極致體現:它不再試圖製造一個超強的 GPU,而是試圖製造一個超強的機架(Rack),並讓這個機架在軟體層面表現為一個單一的邏輯單元。3. 矽基架構:Vera Rubin 超級晶片的技術解構Rubin 平台的核心建構模組是 Vera Rubin Superchip。這一異構計算模組整合了定製化的 Vera CPU 和下一代 Rubin GPU,通過 NVLink-C2C 實現晶片級的高速互聯。3.1 Rubin GPU 微架構:3nm 與雙芯封裝Rubin GPU 將採用台積電(TSMC)的 3nm 工藝(預計為 N3P 或後續最佳化版本)製造 6。相比 Blackwell 使用的 4NP 工藝,3nm 節點提供了顯著的電晶體密度提升和能效最佳化,這是在有限的功耗預算下實現性能翻倍的物理基礎。3.1.1 封裝策略:Die 與 GPU 的定義重構在分析 Rubin 的規格時,必須澄清輝達術語體系的變化。在 Blackwell B200 中,一個封裝(Package)包含兩個計算裸片(Compute Die)。在 Rubin 這一代,這種設計得到了延續並擴展:標準 Rubin GPU:包含 2 個全光罩尺寸(Reticle-sized)的計算裸片7。Rubin Ultra(2027年):預計將包含 4 個計算裸片1。因此,當我們討論 NVL144 時,我們指的是 72 個物理封裝,每個封裝內含 2 個裸片,總計 144 個計算核心1。這種設計使得輝達能夠在不突破光刻機掩膜版尺寸限制(Reticle Limit)的前提下,持續擴大單晶片的有效面積。3.1.2 記憶體革命:HBM4 的引入Rubin 架構最關鍵的技術躍遷在於首發搭載 HBM4(High Bandwidth Memory 4) 記憶體 6。相比 Blackwell 使用的 HBM3e,HBM4 帶來了質的飛躍:位寬翻倍:HBM4 將記憶體介面位寬從 1024-bit 擴展至 2048-bit8。這使得在同等時脈頻率下,頻寬直接翻倍。堆疊工藝:HBM4 採用了邏輯裸片與記憶體裸片的混合鍵合(Hybrid Bonding)技術,甚至可能直接堆疊在 GPU 邏輯晶片之上(3D 堆疊),從而大幅降低訊號傳輸的功耗(pJ/bit)。容量與頻寬:每個 Rubin GPU 封裝配備了 288GB HBM4 記憶體,頻寬高達 13 TB/s7。作為對比,Blackwell B200 的頻寬僅為 8 TB/s。這額外增加的 5 TB/s 頻寬,是 Rubin 能夠在推理任務中大幅領先 Blackwell 的核心物理原因。3.2 Vera CPU:徹底的架構自主與 Grace CPU 採用 ARM 標準 Neoverse 核心不同,Vera CPU 採用了輝達完全自訂的 ARM 架構核心 9。核心規格:單顆 Vera CPU 擁有 88 個物理核心,支援 176 個線程(SMT)11。戰略意義:Vera 的出現標誌著輝達在計算全端上的進一步收束。通過自訂核心,輝達可以針對 AI 資料預處理、CUDA 核心調度以及網路協議棧進行指令集等級的最佳化,進一步降低 CPU-GPU 之間的通訊延遲。Vera 與 Rubin 之間通過 1.8 TB/s 的 NVLink-C2C 互聯 1,確保了 CPU 記憶體與 GPU 視訊記憶體處於統一的定址空間。3.3 Rubin CPX:為“百萬上下文”而生在標準版 Rubin 之外,輝達還規劃了 Rubin CPX 變體。這是一個專為處理極長上下文(Massive Context)設計的 SKU 2。技術痛點:在處理長文件或生成長視訊時,Transformer 模型的 KV-Cache(鍵值快取)會佔用海量視訊記憶體,且注意力機制(Attention Mechanism)的計算複雜度隨序列長度呈二次方增長。CPX 解決方案:Rubin CPX 並沒有單純堆砌 FP4 算力,而是整合了專用的硬體單元來加速注意力計算,並最佳化了視訊記憶體管理機制。據官方資料,CPX 在百萬 token 級任務上的表現是 Blackwell 系統的 7.5 倍3。這表明 CPX 可能採用了類似於“Ring Attention”的硬體加速技術,利用 NVLink 6 的高頻寬在多個 GPU 間高效流轉 KV 塊。4. 互聯拓撲:NVLink 6 與 144 芯互聯架構(回答“是多少張GPU互聯”)回答使用者“是多少張GPU互聯”的核心在於解析 NVLink 6 互聯技術與 NVL144 機架架構。這是 Rubin 區別於所有競爭對手的護城河。4.1 NVL144:單一機架內的超級電腦Rubin 架構的旗艦形態是 Vera Rubin NVL144。這是一個液冷機架系統,其互聯規模達到了前所未有的高度:互聯數量:144 個 GPU 計算核心(Die)1。物理形態:72 個 Rubin GPU 封裝(每個含 2 個 Die) + 36 個 Vera CPU 1。互聯性質:全互聯、無阻塞(Non-blocking)、記憶體一致性域。在 NVL144 中,任意一個 GPU 都可以通過 NVLink Switch 直接訪問機架內其他 143 個 GPU 的 HBM4 記憶體,且訪問速度高達 3.6 TB/s。這與傳統的乙太網路或 InfiniBand 互聯有著本質區別:在軟體看來,這 144 個 GPU 就是一個擁有 ~41 TB 統一視訊記憶體(288GB x 144)的巨型 GPU。4.2 NVLink 6:銅纜的物理極限支撐這一互聯規模的是第六代 NVLink 技術。頻寬翻倍:NVLink 6 的雙向頻寬提升至 3.6 TB/s,是 Blackwell 所用 NVLink 5(1.8 TB/s)的 2 倍8。機架總頻寬:NVL144 機架背板的交換容量高達 260 TB/s1。物理介質:為了在機架內實現如此高的密度和極低的延遲,輝達繼續採用了**銅纜背板(Copper Backplane)**設計 13。儘管業界對光學互聯(Silicon Photonics)呼聲甚高,但在機架內部(<2米距離),銅纜依然具有功耗低、無需光電轉換延遲的優勢。NVL144 的背板是一個工程奇蹟,它整合了超過 5000 根高速銅纜,構成了一個類似脊椎的通訊骨幹。4.3 與 Blackwell NVL72 的對比通過對比可見,Rubin 並非簡單的數量堆砌,而是通過互聯頻寬的翻倍來支撐節點數量的翻倍,從而保證了**網路直徑(Network Diameter)**不隨節點增加而惡化,維持了極低的通訊延遲。5. 性能基準:超越最強資料中心(回答“強多少”)使用者關注的第二個核心問題是:“比現在最強的資料中心性能強多少?” 目前的基準是 Blackwell GB200 NVL72。Rubin 的性能提升並非單一數值,而是根據工作負載的不同呈現出分層差異。5.1 AI 推理性能(Inference):3.3 倍的躍升在 FP4(4-bit 浮點)精度下,Vera Rubin NVL144 的理論峰值性能達到 3.6 Exaflops(每秒 360 億億次運算)1。對比基準:Blackwell NVL72 的 FP4 性能約為 1.44 Exaflops。提升幅度:約 2.5 倍至 3.3 倍1。技術歸因:這一提升不僅源於 GPU 數量的翻倍(從 72 到 144),更源於 Rubin 架構 Tensor Core 的效率提升以及 HBM4 提供的 13 TB/s 頻寬,使得計算單元能夠滿負荷運轉,避免了“記憶體牆”導致的閒置。5.2 複雜推理與長上下文(CPX):7.5 倍的質變對於生成式 AI 的未來——即涉及數百萬 Token 上下文、視訊生成或複雜程式碼分析的任務——Rubin CPX 展現了驚人的統治力。性能資料:輝達宣稱 Rubin CPX 系統在“海量上下文推理”任務中比 GB200 NVL72 強 7.5 倍2。技術歸因:這 7.5 倍的差異遠超算力本身的提升,主要歸功於 CPX 針對 Attention 算子的硬體最佳化和 NVLink 6 的極低延遲。在長文字推理中,資料在 GPU 間的搬運是最大瓶頸,Rubin 的超高頻寬讓跨 GPU 的 KV-Cache 訪問如同訪問本地視訊記憶體一樣快。5.3 訓練性能(FP8):穩健增長在傳統的模型訓練(FP8 精度)方面,Rubin 的提升相對溫和但依然顯著。性能資料:NVL144 提供 1.2 Exaflops 的 FP8 算力 1。對比基準:Blackwell NVL72 約為 720 Petaflops。提升幅度:約 1.6 倍。解讀:訓練任務對計算密度的依賴高於記憶體頻寬,因此提升幅度更接近於電晶體規模的線性增長。但考慮到 Rubin 支援更大的單節點模型,其實際訓練效率(收斂速度)可能高於理論算力的提升。5.4 性能資料彙總表以下表格總結了 Rubin NVL144 與 Blackwell NVL72 的關鍵性能對比:6. 熱力學與基礎設施:600kW 的工程挑戰Rubin 架構的性能飛躍並非沒有代價。為了在單一機架內壓縮 144 個高性能 GPU 和 36 個 CPU,其對資料中心的基礎設施提出了極其嚴苛的要求。6.1 功率密度的爆炸:邁向 600kW雖然標準的 NVL144 機架功耗預計在 120kW - 140kW 左右(與 NVL72 相似),但 Rubin 架構的終極形態——Rubin Ultra NVL576——預計將單機架功耗推向 600kW 的恐怖量級 10。對比:傳統企業級機架功耗僅為 10kW 左右;即使是當前的高密度 AI 機架通常也在 40-50kW。Rubin Ultra 的 600kW 相當於將一個小區的用電量壓縮到了一個衣櫃大小的空間內。6.2 800V 高壓直流供電(HVDC)為了應對如此巨大的電流,傳統的 48V 配電架構已徹底失效(電流過大會導致銅排熔化)。Rubin 平台推動了 800V 直流配電 標準的落地 17。原理:根據 $P=UI$,在功率 $P$ 極大的情況下,提高電壓 $U$ 是降低電流 $I$ 的唯一途徑。800V 架構允許使用更細的母線(Busbar),減少傳輸損耗,並提高電源轉換效率。6.3 液冷成為唯一選項對於 Rubin NVL144,風冷已在物理上不可行。該系統採用了 100% 全液冷設計14。Kyber 機架:輝達為 Rubin 重新設計了名為“Kyber”的機架架構(接替 Blackwell 的 Oberon 機架)。Kyber 專為高密度液冷最佳化,冷卻液直接流經 GPU、CPU 和 NVSwitch 晶片表面的冷板(Cold Plate),並通過機架內的 CDU(冷卻分配單元)進行熱交換。這意味著部署 Rubin 的資料中心必須具備完善的液體回路基礎設施。7. 軟體生態與經濟學模型硬體的堆砌只是基礎,Rubin 的真正威力在於其軟體棧和經濟效益。7.1 CUDA 與 NIM 的進化為了駕馭 144 晶片的互聯域,輝達的 CUDA 軟體棧將進一步演進。Rubin 將深度整合 NVIDIA NIM (NVIDIA Inference Microservices),這是一套預最佳化的微服務容器,能夠自動識別底層的 NVL144 拓撲,並將模型層(Layer)智能切分到不同的 GPU Die 上,以確保儲存和計算的負載平衡 4。7.2 代幣經濟學(Tokenomics)雖然 Rubin NVL144 機架的單價將極其昂貴(預計數百萬美元),但其 TCO(總體擁有成本) 在大規模推理場景下可能反而更優。推理成本降低:由於 Rubin CPX 在長上下文任務上擁有 7.5 倍的性能優勢,這意味著單位 Token 的生成能耗和時間成本大幅下降。對於像 OpenAI、Anthropic 這樣每天處理數十億 Token 的服務商而言,Rubin 是降低營運成本的必要工具。8. 結論與展望輝達的 Rubin 架構不僅僅是一次產品的迭代,它是對“摩爾定律已死”這一論斷的有力回擊。通過將 144 個 3nm GPU 封裝在一個通過 NVLink 6 互聯的單一機架中,輝達成功地將計算的邊界從微米級的晶片擴展到了米級的機架。回答使用者的核心疑問:互聯規模:Rubin 實現了 144 張 GPU(裸片) 的全互聯,建構了當前世界上密度最大的單一記憶體計算域。性能對比:相比當前最強的 Blackwell NVL72,Rubin 在 AI 推理上強 3.3 倍,在處理長上下文任務時強 7.5 倍,在記憶體頻寬上強 3 倍。Rubin 的出現標誌著 AI 基礎設施正式進入了“巨型機”時代。在這個時代,資料中心的衡量單位不再是伺服器的數量,而是機架(NVL144)的數量。對於追求極致算力的科研機構和科技巨頭而言,Rubin 不僅是下一代工具,更是通往通用人工智慧(AGI)的物理基石。 (成癮大腦神經重塑)
AI變BI?廣達、緯創、鴻海全破線!外資壓低→只為結算?波若威跌停→要砍光嗎?
12/16(二)AI變BI?廣達、緯創、鴻海全破線!外資壓低→只為結算?波若威跌停→要砍光嗎?大家好我是江江今天超精彩+超重要能幫你賺大錢的解盤→來囉送2次買點=暴賺3360點上周四公開減碼股票單純指標過熱→需回檔修正今天見證江江的專業+愛今天解盤教學重點:1.過高後的洗盤完成惹嗎?二種落底的模式現場技術教學給全國江江粉→最務實的引領2.波若威賺翻天後今天大修正→跌停!江江直球對決→給你最新獨家的產業訊息超重要務必多看幾次3.APP為何總是能夠事先幫用戶抓到飆股?今天又抓到一檔公開教學https://youtu.be/gZ_-_VmBCy8記得看到最後+按讚+分享給好友哦👍🈵️🚩4971 IET-KY※11月營收1.07億、年增31.1%,再創歷史新高※策略結盟光聖,晉升AI光通訊供應鏈大廠※2026年基板供應完全解套,營運動能大爆發🚩3081聯亞※800G需求強勁+1.6T接棒,成長動能持續強勁升溫※矽光產品第四季出貨量將較去年同期成長超過10倍※輝達與CSP 兩大陣營市場規模放大,明年EPS挑戰10元🚩3491昇達科※低軌衛星爆發,在手訂單破10億、能見度達兩季※Q4 營收季增上看+60%,毛利率目標>60%,確立拐點※TTC、ISL 等高毛利新品放量,2026年成長曲線進入「倍速放大」期🚩6127九豪※全球第二大晶片電阻陶瓷基板廠,營運穩健向上※昆山新廠產能擴充到3,000萬片,需求回溫即刻放量※光通訊高價基板送樣,基板單價高10倍可望爆發🚩5381合正※AI伺服器推升重電需求,北美市場大門開啟訂單爆發※三江電機獲UL/cUL雙認證,北美15-25kV變壓器銷售資格到手※斥資12.04億元購置觀音新廠,廠房大3.5倍,產能躍升♦️光聖:+381%♦️聯亞:2波+185%♦️IET:2波暴賺254%♦️華電網:+94%♦️昇達科:2次+398元重點重點重點⭕️JPP五月江江幫會員掌握到EPS十倍速成長會員+用戶→暴賺107%之後⭕️江江幫你找到JPP第2惹想跟上只有3天報名時間🔴年終感謝回饋5折+送會期+APP留言888https://lin.ee/mua8YUP複製IET 254%複製JPP 107%開心的暴賺模式🚀🈵或來電☎ 0800-66-8085********************************************************有持股問題或想要飆股→請加入Line:https://lin.ee/mua8YUP江江的Youtube【點股成金】解盤:https://reurl.cc/02drMk*********************************************************