美國芯片製造商AMD近期在人工智能領域動作頻頻，展現出強勁的戰略擴張態勢。公司即將於11月12日舉行的財務分析師日上，預計將人工智能加速器市場規模預期從5000億美元大幅上調至7500-8500億美元，反映出行業對AI算力需求的爆發式增長。技術佈局方面，AMD已完成對AI推理技術團隊MK1的收購。該團隊研發的Flywheel系統日均處理Token數量已突破1萬億，其專爲AMD Instinct GPU優化的理解引擎技術，將顯著提升公司在高效推理與企業級AI軟件堆棧領域的競爭力。產品路線圖上，AMD正積極推進MI400"Helios"機架級AI系統的研發。該系統基於開放標準設計，整合了下一代MI450 GPU、EPYC CPU及高性能網卡，預計2026年下半年面市。值得關注的是，AMD已與OpenAI達成數百億美元合作協議，承諾自2026年起提供6吉瓦AI算力支持，首批將部署1吉瓦基於MI450 GPU的算力設施。市場分析指出，隨着新一代EPYC處理器和Instinct加速卡的廣泛採用，AMD在數據中心市場的份額持續擴大。公司第三季度財報顯示，數據中心部門收入達43億美元，同比增長22%。通過與OpenAI等頭部企業的深度合作，AMD正加速縮小與行業領導者在AI硬件市場的差距。

小紅書主動出擊，又縱身跳入一個兆“大坑”（第三方預測，2025 年中國本地生活市場規模或達 35.3 兆元）。9 月 26 日至 10 月 12 日，小紅書馬路生活節期間，“小紅卡”在上海、杭州、廣州同步推出，低調進行線下滲透——作為一款到店會員產品，其年費 168 元，使用者可在數千家精選本地門店享受全年全店 9 折優惠，同時還能獲得“精選門店推薦”、“專屬活動參與權”等附加權益。這並非小紅書第一次覬覦本地生活，卻是最堅決的一次。據虎嗅瞭解，“小紅卡”首批選擇上海、杭州、廣州試點，核心原因在於三城“消費活躍度高+小紅書范特色門店多+使用者匹配度高”；下一步，業務暫不考慮多城同開擴規模。值得一提的是，“小紅卡精選門店”有套“雙保險”篩選邏輯：先靠 AI 整合社區筆記、評論裡的 “口味”、“環境”口碑，再由人工逐店實地驗證，確保選出來的是真“小紅書范”好店——這些門店會在小紅書 APP 的門店首頁、地圖頁面及筆記門店連結統一打上“小紅卡”精選標識，讓使用者刷 APP 時隨時發現、種草、消費“值得去的店”。不過，當虎嗅向“小紅卡”相關業務負責人問及業務節奏、產品規劃、短期目標、營運策略及本地業務協同等細節時，對方表示這些維度暫未明確，當前可溝通的仍集中在初心、態度與戰略層面。從回應來看，“小紅卡”頗像一個“投石問路”的項目，向市場試水溫可能是業務最直接的訴求。從行業背景來看，隨著移動網際網路的蓬勃發展，繫結會員模式的平台層出不窮，這背後是年輕一代消費理念的重塑——00 後、05 後自出生便處於會員經濟時代，早已習慣通過會員完成線下消費與精神消費，甚至將付費服務視為一種生活方式。從入局時機來看，高德“掃街榜”剛把市場預期捂熱，小紅書順勢力推“小紅卡”確實搭了注意力“便車”。對此，小紅書副總裁許磊有不同看法，他認為，“歷史上小紅書整個業務的發展路徑和脈絡，基本上都是找到差異化的定位、找到自己和世界的連接方式，而不是去追風口追上了。”即便如此，“小紅卡”在上海、杭州、廣州三城同步試水釋放了一個明確訊號：小紅書本地業務已從暗線轉明線，並進入全面提速階段。“小紅卡”伏擊本地據虎嗅瞭解，小紅書對“小紅卡”的規劃始於 2025 年 6 月，當時團隊圍繞本地生活業務啟動產品討論；7 月，小紅書聯合有贊啟動招商，有贊主要負責商戶後台搭建、交易結算技術支援及商戶培訓服務；9 月 15 日，“小紅卡”正式發售，產品定位為“精選吃喝玩樂一卡通”。小紅書交易產品負責人、本地產品負責人萊昂，復盤了“小紅卡”從無到有的立項邏輯，核心可概括為兩點。首先，是立項初心。小紅書馬路生活節自 2023 年起已舉辦三屆：首屆於 2023 年 8 月開啟，涵蓋音樂會、藝術展、攝影展、潮流運動、納涼集市、逛吃之旅等活動，合作商家超百家；第二屆於 2024 年 8 月登陸上海街頭，推出“鴨馬路”專屬標識，吹吹風市集、落日音樂會、小馬路逛吃玩之旅等活動持續 10 天，合作商家同比翻番，吸引約 60 萬人參與；到了第三屆籌備階段，商家對流量轉化的訴求日益明顯，為實現“從帶人氣到帶交易”的升級，“小紅卡”應運而生。“今年 6 月籌備第三屆馬路生活節時，商家一些反饋很具體。” 萊昂回憶，有店舖老闆吐槽活動期間人擠人，可算帳流水沒漲多少，這時候我們才發現——光帶人氣不夠，得有產品幫商家把“熱鬧”變成“生意”。其次是業務協同。當“小紅卡”出現在部分商家前台時，外界多關注其“消費 9 折”的權益，但實際上“精選”才是其核心。萊昂表示，“一直以來，小紅書作為生活社區，為使用者提供了大量基於真實體驗的生活指南；這些指南來自普通使用者的分享，可信度高——因此，社區的核心價值是‘使用者幫使用者推薦好選擇’，而把上海的好店篩選出來，正是‘種草到拔草’的完美過渡。”“小紅卡的推出，一方面是為使用者推薦好店並打包優質權益——此前這些資訊散落在各類筆記中，現在平台將其整合呈現；另一方面，也希望通過這種方式為商家帶來更多生意增長。”萊昂解釋道。事實上，內容社區推出年卡並非新鮮事，B 站、知乎均有針對精品內容的年卡機制，本質是搭建會員經濟生態，核心是 “賣特權、賣服務”——比如，騰訊視訊、愛奇藝、優酷會員的“去貼片廣告”、“看獨家花絮”、“超前點映”等，都是方便會員可以比其他人更早看到內容、跳過廣告直接看內容、有權限看更多獨家/優質內容。然而，內容社區推出“消費年卡”卻較為少見——為此，“小紅卡”保留了小紅書“興趣驅動”的去中心化特點，同時針對本地生活最佳化了“地域分發”（優先推送 5-10 公里內門店）與“場景分發”（如 21:00-22:00 推送夜宵店、清吧）。不過，內容向消費轉化本就存在門檻，疊加“消費到會員制”的轉化，進一步提高了使用者決策成本。若非山姆、胖東來這類擁有拳頭自營產品與強大供應鏈的平台，使用者很難心甘情願付費，甚至可能引發情緒反撲。對此，接近小紅書的人士向虎嗅分析，平台推出“小紅卡”的核心目標是“聚集最懂本地吃喝玩樂的使用者，激發更多高品質本地生活內容創作”——基於這一目標，小紅書為開卡使用者設定了三大核心權益：開卡即贈周邊禮盒；可參與上百場專屬活動，包括城市探店日、節假日主題派對、會員專屬試吃會等；在千家合作門店享受全年 9 折優惠，涵蓋（網紅餐廳、本地特色館子等）餐飲類、（咖啡館、桌游館等）休閒娛樂類、（美甲店、書店等）生活服務類，基本覆蓋使用者日常吃喝玩樂場景。“從廣受歡迎的熱門好店，到只有本地人知道的寶藏小館，再到街頭巷尾的新門面，我們會持續篩選使用者推薦的好去處，讓‘小紅卡’成為使用者發現城市新玩法、探索生活新方式的鑰匙，同時讓線上種草到線下體驗的連接更高效。”上述人士補充道。萊昂則進一步明確了“小紅卡”的戰略考量，“無論是電商還是如今的本地生活，交易的複雜性在於，服務使用者的全過程無法僅靠平台單方面完成，需要聯合多方力量；而小紅書的文化與使命是‘inspire lives’（啟發生活），因此做本地生活是必然選擇——因為小紅書本質是一本‘生活方式指南’，而生活方式的核心正是吃喝玩樂。”這番話有其合理性，小紅書成立 12 年，從 “海外購物指南”升級為“生活方式平台”，本地生活本就是繞不開的領域；但有時候理想很豐滿，現實卻很骨感——所謂“不得不做”的業務，有時只是平台對使用者需求的一廂情願，若把握不當，反而會透支使用者對產品的耐心。值得關注的是，與小紅書前幾次本地業務試水不同，此次“小紅卡”支援在 APP 內直接結算——至於為何從“資訊推薦”跨越到“交易通道”？虎嗅與小紅書業務團隊溝通後瞭解到，吃喝玩樂需先“走到線下”，而消費、支付是線下體驗的關鍵環節，只有聯合商家提供一站式服務，才能完成體驗閉環。順著這一邏輯，“小紅卡”以“線下最小消費場景”為切入點，連接“社區口碑”與“線下消費”，讓使用者從“看內容”到“去體驗”的路徑更順暢。“小紅卡”含金量幾何？誠然，小紅書的“精選”機制能以平台信譽為使用者交易決策背書，而對商家而言，其核心競爭力本就應是“提供優質服務”，而非“以訂單換流量”。具體到落地層面，美團靠“全品類 + 免費代金券”佔了半壁江山，抖音靠“短影片種草 + 即時團購” 搶流量，“小紅卡”反而把“精選”當成了王牌。與美團、大眾點評的“口味、環境、服務”結構化評分不同，“小紅卡”的精選邏輯更側重場景化體驗 ——依託小紅書 UGC 內容池的獨特性，篩選“適合拍照打卡”、“寵物友好”、“深夜營業”等個性化標籤的門店，更契合年輕使用者對小眾特色店的需求。與此同時，“地域分發”與“場景分發”已初步落地：小紅書會根據使用者定位優先推送 5-10 公里內的“小紅卡”門店；晚間 21:00-22:00 使用者活躍度高峰時段，首頁資訊流會增加“夜宵店”、“清吧”等場景的門店推薦。即便如此，使用者選擇同一家門店時，仍會將“小紅卡”與美團、抖音的折扣進行對比，且美團、抖音的代金券、套餐多為免費領取，“小紅卡”在價格吸引力與供給豐富度上均無明顯優勢——畢竟，對商家而言，線上化營運投入雖愈發重要，但有限的行銷預算需兼顧“精準轉化”，多管道營運會增加維運成本與管理成本，而小紅書尚未形成“替代美團”的場景心智。對此，萊昂在媒體交流會上坦言，“小紅卡”落地前，團隊的核心思路是“篩選上海好店”，而非“靠低價團購拉轉化”。“要為使用者提供‘好店精選’的價值，首先需要讓社區內的使用者資訊充分流通——此前這些資訊缺乏統一的組織方式。如今我們做的，一是將社區內使用者熱議的好口碑店整合起來，二是將近期優質的生活方式內容集中推送給使用者，讓使用者不僅能到店點餐，還能在一整天的吃喝玩樂中都享受到權益。”萊昂說道。其實小紅書曾多次試水本地生活，2021 年先加了“門店POI”（即地圖興趣點，指地圖上標註的門店位置資訊），還能訂酒店民宿；2023 年又上線咖啡、茶飲團購；這次 “小紅卡”奇襲，已經是第三次發力了——一系列試錯與迭代，本質是業務在進行差異化卡位。正如小紅書副總裁許磊所說，平台從不追風口，而是依託“生活社區”基因尋找獨特的連接方式——在當前本地生活“低價內卷”的格局中，市場恰好缺乏一款聚焦“品質到店”的產品，“小紅卡”的“精選門店 + 會員權益”模式，正是對這一空白的填補。此外，也有聲音認為，“小紅卡”是為了拉動本地業務 GMV 增長，緩解管理層對商業化的焦慮。對此，萊昂明確表示，當前“小紅卡”處於模式探索與使用者價值驗證期，“業務第一目標不是追求 GMV，而是聚焦使用者認可度指標，包括買卡率、到店消費率、體驗評價分數，以及使用者對不同生活場景（如餐飲、休閒）的付費意願，核心是驗證‘使用者需求’與‘商家價值’的匹配度。”不過，小紅書試圖通過社區共識篩選好店聯盟、建構“線上種草-線下消費-分享體驗”本地閉環的目標，並非一張會員卡就能迅速實現。“小紅卡”若想在本地生活站穩腳跟，面前正擺著三道繞不開的坎：第一道是“巨頭壓境”——在流量引領潮水走向的敘事慣性中，本地生活賽道正處於抖音、快手等新貴與美團、阿里等老玩家短兵相接的“集火期”，小紅書雖能憑藉流量在巨頭夾縫中佔據一席之地，但美團有百萬商家，抖音有十億月活，小紅卡目前僅在三城試點，門店也就千家，可挖掘的市場份額十分有限。第二道是“生態反噬”——小紅書的根是“真實種草”，但近年來因“濾鏡過重”、“虛假種草”引發過不少口誅筆伐。雖說一人種草的主觀體驗與千百人拔草的實際感受難免存在“眾口難調”的問題，但小紅卡做“精選門店”，怎麼避免“種草時誇上天，拔草後罵街”？尤其平台意志推動本地業務會加深社區的商業氣息，若使用者分享過度混入變現訴求，難免破壞“真實種草”的社區根基。第三道是“營運太重”——本地生活不是“搭個平台就完了”，要一家家稽核門店、跟商家談權益，還要做使用者營運，前期投入大，回報周期又長；但商家要的是 “馬上能看到的收益”，要是小紅卡帶不來轉化，合作很難長久——所以，對小紅書而言，怎麼控製成本、提高效率是個非常棘手的難題。這三道檻將直接決定“小紅卡”是一場奇襲還是又跳入了一個“大坑”。 (虎嗅APP)

核心結論：2025 年全球 AI 算力市場規模突破 1.2 兆美元，2030 年將達 5.8 兆美元，年複合增長率 37.6%；中國以 38% 的市場佔比成為全球最大 AI 算力需求國，智能駕駛、工業 AI、醫療影像三大場景貢獻 62% 的算力消耗。一、引言：算力革命重構全球科技產業權力圖譜--深度文章，全文月1萬字，閱讀完成預計需要20分鐘！2025 年，全球 AI 算力競賽已從 “技術比拚” 升級為 “基礎設施霸權爭奪”。從阿里巴巴在雲棲大會拋出 3800 億元 AI 基建計畫（涵蓋 12 個超大型智算中心、50 萬公里全光網路），到輝達與 OpenAI 達成 1000 億美元戰略合作（建設 10 吉瓦級 AI 資料中心，可同時支撐 10 個兆參數模型訓練），再到微軟 Azure 宣佈 2025-2027 年投入 1800 億美元擴建算力網路（新增 20 個區域級智算叢集），科技巨頭的每一步佈局都在改寫全球算力資源分配格局。1.1 全球 AI 算力市場規模與增速根據 IDC《2025 年全球 AI 算力發展白皮書》，2025 年全球 AI 算力市場規模（含硬體、軟體、服務）達 1.21 兆美元，較 2024 年的 8900 億美元增長 35.9%。其中：硬體市場（晶片、伺服器、光模組等）佔比 63%，規模 7623 億美元。軟體市場（算力調度平台、模型訓練框架）佔比 22%，規模 2662 億美元。服務市場（算力租賃、維運支援）佔比 15%，規模 1815 億美元。從區域分佈看：中國以 4598 億美元（38%）位居全球第一。美國以 3630 億美元（30%）緊隨其後。歐洲（1815 億美元，15%）。亞太其他地區（1210 億美元，10%）。拉美及非洲（968 億美元，8%）構成剩餘市場。中國市場的高增速主要源於 “人工智慧 +” 政策驅動（2025 年 8 月國務院印發《關於深入實施 “人工智慧 +” 行動的意見》），以及大模型商業化落地加速（通義千問、文心一言等模型企業客戶超 10 萬家）。1.2 算力成為全球科技競爭核心指標當前，“算力規模 × 算力效率 × 生態覆蓋” 已成為衡量國家科技實力的新公式：美國通過 “晶片與科學法案”（2025 年追加 500 億美元補貼 AI 晶片研發）和 “AI 安全倡議”（聯合 27 國建立算力資源共享機制），掌控全球 72% 的高端 AI 晶片產能（輝達、英特爾、AMD 合計市場份額）；中國依託 “東數西算” 工程（已建成 8 個國家算力樞紐、10 個國家資料中心叢集，算力總規模達 300EFLOPS）和國產晶片替代（華為升騰、海光資訊、阿里玄鐵晶片合計市場份額提升至 28%），實現算力自主可控突破；歐盟通過 “AI Continent 計畫”（2025-2030 年投入 2000 億歐元建設 13 個 AI 工廠），聚焦綠色算力（要求 2030 年智算中心 PUE≤1.1）和倫理治理（出台《AI 算力資源分配規範》），形成差異化競爭力。二、算力需求爆發的底層邏輯：技術迭代與場景滲透雙輪驅動2.1 技術演進：從 “參數競賽” 到 “算力效率革命”2.1.1 大模型技術瓶頸倒逼算力升級早期大模型（2020-2023 年）通過參數規模擴張實現性能突破：GPT-3（1750 億參數）、文心一言 1.0（2600 億參數）的訓練分別消耗 3.6PFlops・天、5.2PFlops・天算力。但 2024 年後，參數擴張的邊際效益急劇遞減 —— 模型參數從 1 兆增至 2 兆，性能提升僅 12%，而算力消耗增加 95%（據史丹佛大學《AI 模型效率報告 2025》）。為突破瓶頸，行業轉向 “算力效率最佳化”：晶片架構革新：輝達 Blackwell Ultra（GB300）採用 “GPU+DPU + 光引擎” 三芯整合架構，Token 生成速度達 1000 tokens / 秒，較前代 H100 提升 10 倍，單位算力能耗從 1.2W/TOPS 降至 0.8W/TOPS。演算法最佳化：OpenAI 採用 “稀疏啟動技術”，在保持模型性能不變的前提下，減少 40% 的計算量；阿里通義千問 3.0 通過 “動態參數修剪”，訓練算力消耗降低 35%。訓練範式創新：Google DeepMind 推出 “分佈式混合訓練”，將模型拆分至 1000 個邊緣節點同步訓練，訓練周期從 30 天縮短至 7 天，算力利用率從 65% 提升至 92%。2.1.2 後訓練階段算力需求激增2025 年，大模型發展重心從 “預訓練” 轉向 “後訓練”（強化學習、思維鏈微調、多模態融合），算力需求呈現 “爆發式增長”：強化學習（RLHF）：訓練一個千億參數模型的 RLHF 階段，需消耗 1.2PFlops・天算力（相當於 1000 塊 H100 晶片連續工作 30 天），是預訓練階段的 2.5 倍。多模態融合：GPT-5 多模態版本（支援文字、圖像、視訊生成）的訓練算力需求達 8.6PFlops・天，較純文字模型提升 4 倍。即時推理：智能駕駛場景中，L4 級自動駕駛系統需每秒處理 10TB 資料（含雷射雷達、攝影機、毫米波雷達資料），單台車的即時推理算力需求達 200TOPS，是 2023 年 L2 級系統的 5 倍。2.1.3 國產晶片技術突破與應用中國企業在 AI 晶片領域加速替代：華為升騰 910B：採用 7nm 工藝，FP16 算力達 640 TFLOPS，支援 8 路 GPU 互聯，在工業質檢場景下，推理效率較輝達 A100 提升 23%，單價僅為 A100 的 60%。阿里玄鐵 910：專為大模型訓練設計，支援 “混合精度計算”，在通義千問 3.0 訓練中，算力成本較輝達 H100 降低 40%，已實現規模化應用（部署超 5000 片）。海光 DCU 920：聚焦推理場景，在金融風控模型推理中，延遲從 50ms 降至 28ms，單卡支援 10 萬並行請求，較同類產品提升 50%。2.2 市場需求：千行百業 AI 滲透催生算力缺口2.2.1 核心場景算力消耗測算根據中國信通院《2025 年 AI 算力需求白皮書》，全球主要場景的算力消耗如下：2.2.2 典型行業案例深度解析案例 1：智能駕駛 —— 小鵬汽車 X9 算力叢集小鵬 X9 搭載的 XNGP 4.0 系統，採用 “車端 + 雲端” 雙算力架構：車端：配備 2 顆 Orin-X 晶片（總算力 508TOPS），支援雷射雷達、8 顆攝影機、5 顆毫米波雷達資料即時處理，實現城市無圖自動駕駛。雲端：依託小鵬肇慶智算中心（總算力 100PFlops，採用輝達 Blackwell 叢集），進行模型訓練和路測資料處理，每天處理超 100PB 路測資料，訓練周期從 14 天縮短至 5 天。算力消耗：單台車年均雲端算力消耗 1.2PFlops・天，全球 10 萬輛 X9 年消耗算力 12000PFlops・天，相當於 1 個中型智算中心的全年算力輸出。案例 2：工業 AI—— 三一重工長沙智能工廠三一重工長沙工廠通過 AI 改造，實現 “黑燈生產”：算力需求：部署 500 台工業 AI 伺服器（搭載華為升騰 910B 晶片），總算力達 20PFlops，用於銲接質量檢測、裝置故障預警、生產調度最佳化。應用效果：銲接缺陷率從 0.8% 降至 0.1%，裝置故障率降低 40%，生產效率提升 30%，年均節省成本超 3 億元。算力增長：隨著工廠擴建（2025 年新增 3 條生產線），預計 2026 年算力需求將增至 35PFlops，年增速 75%。案例 3：醫療影像 —— 中山大學腫瘤防治中心 AI 系統該中心研發的腦轉移瘤 AI 輔助檢測系統，算力支撐體系如下：訓練階段：採用阿里雲智算中心（800 塊 H100 晶片，算力 64PFlops），基於 50 萬例腦轉移瘤影像資料訓練，耗時 12 天，算力消耗 8.6PFlops・天。推理階段：在全國 500 家基層醫院部署輕量化模型（推理算力需求 0.5TOPS / 台），漏診率降低 60%，診斷時間從 30 分鐘縮短至 5 分鐘。算力擴張：2025 年計畫覆蓋 1000 家醫院，需新增 500 台推理伺服器，推理算力需求增至 250TOPS，年增長 100%。三、算力基礎設施技術重構：從 “硬體堆砌” 到 “算網融合”3.1 全光運力：AI 算力調度的 “高速公路”3.1.1 全光網路技術原理與優勢全光網路通過 “光纖傳輸 + 光交換” 實現資料無電轉換，核心優勢體現在三方面：超大頻寬：採用波分復用（WDM）技術，單纖容量達 10Tbps（相當於每秒傳輸 1.25 萬部 4K 電影），支援 800G/1.6T 光模組規模化應用。確定性低時延：端到端時延 < 1ms（北京至上海全光傳輸時延僅 8ms），較傳統 IP 網路降低 80%，滿足智能駕駛、金融交易等低時延場景需求。高可靠性：通過光層保護機制（如 OLP 光線路保護），可用性達 99.999%（年均故障時間 < 5 分鐘），遠高於傳統網路的 99.9%（年均故障時間 8.76 小時）。3.1.2 全球全光網路建設案例中國：“東數西算” 全光骨幹網中國已建成全球規模最大的全光算力傳輸網路，覆蓋 8 個國家算力樞紐：技術方案：採用華為 “全光交叉（OXC）+400G/800G 光模組”，建構 “骨幹網 - 都會網路 - 園區網” 三級架構，實現算力資源跨區域調度。應用效果：貴州樞紐（西部）向廣東樞紐（東部）輸送算力的時延 < 20ms，算力成本較東部本地降低 40%，2025 年上半年跨區域算力調度量達 1200PFlops・天。未來規劃：2026 年將光模組升級至 1.6T，單纖容量提升至 20Tbps，跨區域時延進一步降至 15ms 以內。美國：Cisco AI Fabric 全光方案Cisco 為微軟 Azure 設計的 AI Fabric 全光方案，支撐全球 20 個區域智算中心互聯：核心技術：採用 Cisco 8000 系列路由器（支援 1.6T 光介面）和 Nexus 9800 交換機，實現算力動態調度。應用效果：Azure 全球智算中心之間的算力調度效率提升 60%，模型訓練資料傳輸時間從 24 小時縮短至 8 小時。市場反饋：2025 年已覆蓋微軟 80% 的智算中心，計畫 2026 年擴展至亞馬遜 AWS 和Google雲。歐洲：華為 - 沃達豐全光合作項目華為與沃達豐合作建設歐洲全光算力網路，聚焦綠色算力傳輸：技術特色：採用 “全光 + 液冷” 一體化方案，網路裝置能耗降低 30%，PUE（能源使用效率）降至 1.05。覆蓋範圍：連接德國、法國、西班牙等 10 國的 15 個智算中心，2025 年下半年算力傳輸量達 500PFlops・天。政策契合：符合歐盟 “綠色新政” 要求（2030 年數字基礎設施碳減排 50%），計畫 2027 年覆蓋全歐洲。3.2 算力架構：從 “集中式” 到 “分佈式邊緣計算”3.2.1 算力架構演進趨勢2025 年，全球 AI 算力架構呈現 “集中式訓練 + 分佈式推理” 的二分格局：集中式訓練：依託超大型智算中心（算力≥100PFlops），進行大模型預訓練和大規模資料處理，代表案例包括阿里雲張北智算中心（500PFlops）、輝達 DGX SuperPOD（200PFlops）；分佈式推理：將推理任務下沉至邊緣節點（如基站、邊緣資料中心、終端裝置），降低時延和頻寬消耗，代表案例包括特斯拉邊緣算力節點（單節點算力 100TOPS）、華為 MEC 邊緣雲（覆蓋全國 300 個城市）。3.2.2 邊緣算力典型應用案例 1：特斯拉 Autopilot 邊緣算力網路特斯拉在全球部署 1200 個邊緣算力節點，支撐自動駕駛即時推理：節點配置：每個節點配備 8 顆特斯拉 D1 晶片（總算力 1.6PFlops），採用液冷散熱，PUE=1.08；工作機制：車輛行駛中產生的路測資料（每秒 10GB）即時傳輸至就近邊緣節點，進行本地化推理（如障礙物識別、路徑規劃），僅將關鍵資料（如異常場景）上傳至雲端；算力規模：2025 年邊緣節點總算力達 1920PFlops，佔特斯拉全球算力總規模的 45%，較 2024 年增長 80%。案例 2：華為 MEC 邊緣雲在工業網際網路的應用華為 MEC 邊緣雲已覆蓋中國 300 個城市，為工業企業提供低時延算力服務：典型客戶：海爾青島空調工廠，部署 10 個 MEC 邊緣節點（總算力 500TOPS），用於空調組裝質量檢測。應用效果：檢測時延從 50ms 降至 15ms，檢測準確率達 99.8%，生產線效率提升 25%。市場規模：2025 年華為 MEC 邊緣雲服務收入達 120 億元，服務工業企業超 5000 家，年增速 65%。3.2.3 算力調度平台技術創新為實現 “算力像水電一樣隨取隨用”，行業推出多款算力調度平台：阿里雲算力調度平台 “飛天”：支援跨地域、跨架構（CPU/GPU/TPU）算力調度，2025 年上半年調度算力達 8000PFlops・天，算力利用率從 65% 提升至 90%。輝達 AI Enterprise：整合算力調度、模型管理、安全防護功能，全球超 2 萬家企業採用，幫助企業降低 30% 的算力成本。華為雲 Stack AI：面向政企客戶提供私有化算力調度方案，已應用於國家電網、中國鐵路等客戶，實現算力資源統一管理和動態分配。四、產業鏈競爭格局：從 “單點競爭” 到 “生態博弈”4.1 上游核心環節：晶片與光模組的技術壁壘4.1.1 AI 晶片市場競爭格局2025 年全球 AI 晶片市場規模達 876 億美元，競爭呈現 “一超多強” 格局：輝達競爭優勢：生態壁壘：CUDA 平台擁有超 400 萬開發者，支援 90% 以上的 AI 框架（TensorFlow、PyTorch 等）。技術領先：Blackwell Ultra 晶片採用 3nm 工藝，整合 2880 億電晶體，FP8 算力達 32PFlops，較前代提升 5 倍。產能保障：與台積電合作建設 3nm 專屬產線，2025 年產能達 100 萬片 / 年，滿足全球 70% 的高端 AI 晶片需求。國產晶片突破方向：生態建設：華為推出升騰 AI 產業聯盟，吸引超 5000 家合作夥伴，開發超 10 萬個 AI 應用。成本優勢：阿里玄鐵晶片單價僅為輝達 H100 的 50%，在邊緣推理場景性價比突出。政策支援：國家積體電路產業投資基金二期注資 200 億元，支援國產 AI 晶片研發和產能建設。4.1.2 光模組市場爆發式增長光模組作為算力網路的 “資料傳輸管道”，2025 年全球市場規模達 386 億美元，同比增長 42%，其中 800G 光模組佔比超 50%，成為主流產品。頭部企業業績表現：中際旭創（中國）：2025 年上半年營收 147.89 億元（+36.95%），淨利潤 39.95 億元（+69.40%），800G 光模組出貨量達 120 萬隻，佔全球市場份額 28%。新易盛（中國）：2025 年上半年營收 104 億元（+282.64%），淨利潤 39.42 億元（+355.68%），1.6T 光模組樣品已送樣微軟、Google，預計 2026 年量產。Coherent（美國）：2025 年上半年 800G 光模組出貨量 80 萬隻，營收 62 億美元（+38%），聚焦歐美雲廠商客戶。天孚通訊（中國）：光器件業務營收 28 億元（+52%），為中際旭創、新易盛提供核心元件，毛利率達 45%。技術趨勢：速率升級：2026 年 1.6T 光模組將進入規模化應用，2027 年 400G 光模組佔比將降至 20% 以下。矽光技術：通過矽基晶片實現光訊號處理，成本降低 30%，能耗降低 40%，中際旭創、Intel 已實現矽光模組量產。整合度提升：COBO（共封裝光學）技術將光引擎與交換機晶片封裝整合，時延降低 50%，華為、Cisco 計畫 2026 年商用。4.2 中游關鍵環節：智算中心與算力租賃服務4.2.1 全球智算中心建設熱潮2025 年全球超大型智算中心（算力≥100PFlops）達 85 個，較 2024 年增加 32 個，主要分佈在中國（32 個）、美國（28 個）、歐洲（15 個）、亞太其他地區（10 個）。代表性智算中心：阿里雲張北智算中心（中國）：總算力 500PFlops，採用液冷技術（PUE=1.08），部署 12000 顆輝達 Blackwell 晶片，為通義千問、菜鳥物流等提供算力支援，年耗電量 12 億度（可再生能源佔比 60%）。微軟 Azure 東海岸智算中心（美國）：總算力 400PFlops，採用 “全光 + 邊緣節點” 架構，覆蓋美國東北部 10 個州，為 OpenAI、微軟 365 AI 提供算力服務，2025 年算力利用率達 92%。Google DeepMind 倫敦智算中心（英國）：總算力 300PFlops，聚焦 AI 安全與科學計算，用於蛋白質結構預測、氣候模擬等場景，採用 100% 可再生能源（風能 + 太陽能），PUE=1.05。4.2.2 算力租賃市場崛起隨著 AI 企業算力需求激增，算力租賃成為 “輕資產” 模式的最優解，2025 年全球算力租賃市場規模達 1815 億美元，同比增長 68%。頭部租賃平台：算力蜂（中國）：2025 年上半年租賃算力達 800PFlops・天，服務客戶超 2000 家，採用 “按 Token 計費” 模式（0.001 美元 / 1000 tokens），較自建算力成本降低 50%。CoreWeave（美國）：輝達投資的算力租賃公司，2025 年營收達 85 億美元（+250%），專注 AI 訓練場景，客戶包括 OpenAI、Anthropic。亞馬遜 AWS Outposts：為企業提供本地化算力租賃服務，2025 年部署超 5000 個邊緣節點，覆蓋全球 30 個國家，算力租賃收入達 120 億美元。商業模式創新：長期合約：算力蜂與字節跳動簽訂 3 年算力租賃合約（100PFlops・天 / 年），合同金額 15 億元，保障穩定現金流。彈性租賃：CoreWeave 推出 “按需擴展” 服務，客戶可即時調整算力需求（最小粒度 1PFlops），按小時計費。算力質押：部分平台允許客戶用加密貨幣質押算力，降低前期投入成本，吸引中小 AI 企業。4.3 下游應用環節：大模型與行業場景融合4.3.1 大模型企業算力消耗排行2025 年全球 Top10 大模型企業的年度算力消耗達 12000PFlops・天，佔全球總算力需求的 11%：4.3.2 行業場景與算力服務融合案例案例 1：金融科技 —— 招商銀行 AI 風控平台招商銀行建構 AI 風控平台，算力支撐體系如下：算力需求：部署 200 台 AI 伺服器（搭載海光 DCU 920 晶片），總算力達 10PFlops，用於即時風控模型推理（每秒處理 50 萬筆交易資料）。應用效果：欺詐交易識別率提升至 99.2%，誤判率降低 30%，年減少損失超 20 億元。算力合作：與華為雲簽訂算力租賃合約（5PFlops・天 / 年），應對雙 11、春節等業務高峰期，算力成本較自建降低 40%。案例 2：教育科技 —— 好未來 AI 個性化學習平台好未來推出 AI 個性化學習平台，算力架構如下：訓練階段：租用阿里雲智算中心（20PFlops 算力），基於 1 億學生學習資料訓練個性化推薦模型，訓練周期 15 天，算力消耗 300PFlops・天。推理階段：在全國 200 個城市部署邊緣節點（總算力 500TOPS），為學生提供即時學習建議，單使用者日均算力消耗 0.01TOPS・天。應用效果：學生學習效率提升 40%，續課率提升 25%，2025 年平台使用者達 5000 萬，年算力消耗達 18250PFlops・天。五、政策與倫理：平衡發展與安全的全球實踐5.1 主要國家政策支援與監管措施5.1.1 中國：“人工智慧 +” 行動驅動算力發展2025 年 8 月國務院印發《關於深入實施 “人工智慧 +” 行動的意見》，提出算力發展三大目標：規模目標：2027 年智能算力規模達 2782EFLOPS，較 2025 年增長 168%。效率目標：2027 年智算中心 PUE≤1.1，算力利用率≥90%。自主目標：2027 年國產 AI 晶片市場份額提升至 40%，全光網路覆蓋率達 95%。配套政策：財政補貼：對超大型智算中心給予 20% 的建設補貼（單項目最高 5 億元），對國產 AI 晶片研發企業給予稅收減免（研發費用加計扣除比例 175%）。標準制定：中國信通院發佈《AI 算力網路技術要求》《綠色智算中心評價規範》等 12 項標準，規範行業發展。區域協同：推進 “東數西算” 工程二期建設，新增內蒙古、廣西 2 個國家算力樞紐，實現全國算力資源均衡佈局。5.1.2 美國：“晶片法案 + AI 倡議” 雙輪驅動美國通過《晶片與科學法案》（2025 年追加 500 億美元補貼）和《國家 AI 戰略》，聚焦算力安全與技術領先：晶片補貼：對輝達、英特爾等企業的 AI 晶片研發給予 30% 的稅收抵免，對在美國建設智算中心的企業給予 25% 的投資補貼。算力聯盟：聯合 27 國建立 “AI 算力資源共享機制”，限制向中國出口高端 AI 晶片（如 Blackwell Ultra）和算力服務。安全審查：對外國企業參與美國智算中心建設進行國家安全審查，2025 年否決華為、中芯國際等企業的 12 個合作項目。5.1.3 歐盟：“綠色算力 + 倫理治理” 差異化發展歐盟通過《AI 法案》《綠色數字基礎設施戰略》，建構可持續的算力發展體系：綠色要求：2030 年智算中心 100% 使用可再生能源，PUE≤1.1，碳排放量較 2025 年降低 50%。倫理規範：禁止 “高風險 AI 應用”（如社會評分、自主武器），要求 AI 算力資源分配遵循 “公平性原則”（中小企業與大企業享有同等接入權）。資金支援：設立 “歐洲算力基金”（規模 500 億歐元），支援 13 個 AI 工廠和 5 個 AI 千兆工廠建設，2025 年已投入 180 億歐元。5.2 倫理與安全挑戰：解決方案與行業實踐5.2.1 資料隱私保護：技術與制度雙管齊下技術方案：聯邦學習：百度文心一言採用聯邦學習技術，在不獲取原始資料的前提下進行模型訓練，已應用於金融、醫療等敏感領域。差分隱私：OpenAI 在 GPT-5 訓練中加入差分隱私機制（ε=1.5），保護使用者資料隱私，同時保證模型性能損失 < 5%。資料脫敏：阿里雲推出 “資料安全中台”，對訓練資料進行脫敏處理（如身份證號、銀行卡號加密），2025 年服務超 1 萬家企業。制度規範：中國《生成式人工智慧服務管理暫行辦法》要求 AI 企業對訓練資料進行合規審查，建立資料來源追溯機制。歐盟《通用資料保護條例》（GDPR）規定，AI 企業使用使用者資料訓練模型需獲得明確授權，使用者有權要求刪除相關資料。美國《AI 資料隱私法案》禁止 AI 企業使用非法獲取的個人資料（如爬蟲抓取的隱私資訊），違者最高罰款 1 億美元。5.2.2 演算法偏見治理：公平性評估與最佳化公平性評估：Google推出 “AI 公平性工具包”（AI Fairness 360），可檢測模型在性別、種族、年齡等維度的偏見，2025 年全球超 5000 家企業採用；中國信通院發佈《AI 演算法公平性評估指南》，建立 12 項評估指標（如性別公平性、地域公平性），已對 100 余個 AI 產品進行評估。最佳化案例：亞馬遜 AI 招聘工具：2024 年因性別偏見（對女性求職者評分偏低）下架，2025 年最佳化演算法後，採用 “性別中立特徵提取” 技術，女性求職者通過率提升 23%。螞蟻集團智能風控模型：2025 年最佳化地域偏見演算法，中西部地區小微企業貸款審批通過率提升 18%，同時保持壞帳率穩定（<1.2%）。5.2.3 算力安全防護：抵禦網路攻擊與惡意利用攻擊類型：算力劫持：駭客通過植入惡意程式碼，劫持 AI 伺服器算力用於挖礦或 DDOS 攻擊，2025 年全球已發生 1200 起此類事件，造成損失超 50 億美元。模型投毒：攻擊者在訓練資料中植入惡意樣本，導致模型輸出錯誤結果，2025 年某醫療 AI 企業因模型投毒，導致 10 例誤診事件。算力壟斷：部分大企業通過囤積算力資源，擠壓中小企業生存空間，2025 年輝達 Blackwell 晶片全球庫存中，前 5 大 AI 企業佔比達 65%。防護措施：技術防護：華為雲推出 “AI 算力安全中台”，即時監測算力異常消耗（如突然增長 200%），2025 年攔截攻擊超 10 萬次。制度監管：中國《AI 算力資源管理辦法》要求超大型智算中心建立 “算力資源登記制度”，禁止囤積和惡意競爭。行業自律：全球 AI 算力聯盟（由微軟、阿里、Google等 20 家企業發起）發佈《算力安全自律公約》，承諾不利用算力進行惡意活動，2025 年已有 80 家企業加入。六、未來展望：2030 年全球 AI 算力發展趨勢6.1 技術趨勢：量子算力、綠色算力、智能算力融合量子算力商業化突破：IBM 計畫 2029 年推出 1000 量子位元的量子電腦，可用於大模型訓練的 “量子加速”，使千億參數模型訓練時間從 30 天縮短至 1 天；中國量子計算原型機 “九章三號” 已實現 255 個光子操縱，在特定任務上算力超越傳統超級電腦。綠色算力普及：2030 年全球智算中心可再生能源佔比將達 80%，液冷技術普及率超 90%（PUE≤1.05），氫能源供電在大型智算中心的應用佔比達 30%；中國計畫 2030 年實現 AI 算力全生命周期碳減排 60%。算網智融深化：全光網路將實現 “算力 - 資料 - 場景” 無縫銜接，1.6T/3.2T 光模組成為主流，端到端時延降至 5ms 以內；AI 將全面賦能算力調度（如動態負載平衡、故障自癒），算力利用率提升至 95% 以上。6.2 市場趨勢：區域分化與場景細分區域格局變化：2030 年中國 AI 算力市場規模將達 3.2 兆美元（全球佔比 55%），繼續保持全球第一；印度、東南亞等新興市場增速超 50%，成為新的增長引擎；歐美市場增速放緩至 25%-30%，但在高端算力（如量子算力、科學計算）領域仍保持領先。場景細分深化：智能駕駛（L5 級）、腦機介面、AI 藥物研發等新興場景將成為算力需求新增長點，2030 年合計佔比達 35%；工業 AI、醫療影像等成熟場景將向 “算力 + 演算法 + 資料” 一體化解決方案轉型，行業集中度提升。6.3 競爭趨勢：生態主導權爭奪加劇晶片生態博弈：輝達 CUDA 生態將面臨華為升騰（中國）、Google TPU（美國）的挑戰，2030 年國產 AI 晶片生態將覆蓋 60% 的國內企業；開源晶片（如 RISC-V 架構）在邊緣場景的應用佔比將達 40%。算力服務模式創新：“算力銀行”“算力期貨” 等新模式將興起，企業可通過 “預購算力” 鎖定成本；邊緣算力租賃市場規模將達 8000 億美元，佔整體租賃市場的 45%。國際合作與競爭：全球算力資源分配不均問題將加劇，開發中國家可能面臨 “算力鴻溝”；中國將通過 “數字絲綢之路” 向東南亞、非洲輸出算力技術和服務，2030 年海外算力服務收入佔比將達 20%。七、結論與建議7.1 核心結論全球 AI 算力需求正處於 “井噴期”，2025-2030 年市場規模將從 1.2 兆美元增至 5.8 兆美元，年複合增長率 37.6%，中國以 38% 的市場佔比成為核心增長極；技術層面，全光網路、邊緣計算、綠色算力成為關鍵突破點，800G/1.6T 光模組、液冷技術、聯邦學習將實現規模化應用；產業鏈競爭聚焦 “生態壁壘”，輝達憑藉 CUDA 生態掌控高端晶片市場，中國企業在國產替代、算力租賃等領域實現差異化突破；政策與倫理是算力發展的 “雙刃劍”，各國需在技術創新、資料隱私、公平競爭之間找到平衡，避免 “算力霸權” 和 “技術脫鉤”。7.2 企業建議技術佈局：AI 企業應優先採用 “集中訓練 + 邊緣推理” 架構，降低算力成本；傳統行業企業需加快 AI 與業務融合，明確算力需求場景（如工業質檢、智能調度），避免盲目投入。成本控制：中小 AI 企業可通過算力租賃（如算力蜂、CoreWeave）降低前期投入，採用 “按需擴展” 模式匹配算力需求；大型企業可通過長期合約鎖定算力價格，同時佈局國產晶片替代（如華為升騰、阿里玄鐵）。合規經營：加強資料隱私保護（如聯邦學習、差分隱私），建立演算法公平性評估機制，避免因倫理問題導致業務風險；關注各國政策變化（如美國晶片出口限制、歐盟綠色算力要求），提前做好合規準備。7.3 政策建議加大技術研發支援：設立 AI 算力專項基金，支援國產晶片、全光網路、量子算力等核心技術研發；建立 “算力技術創新平台”，推動產學研協同（如高校、企業、科研機構聯合攻關）。最佳化算力資源佈局：繼續推進 “東數西算” 工程，加強中西部算力樞紐建設；建立 “全國算力調度平台”，實現算力資源跨區域、跨行業共享，提高利用率。建構開放合作生態：推動建立全球 AI 算力治理機制，參與國際標準制定（如 ISO/IEC AI 算力安全標準）；加強與開發中國家的算力技術合作，縮小 “算力鴻溝”。強化倫理與安全監管：完善 AI 算力相關法律法規（如資料隱私、演算法公平性），建立 “算力安全監測平台”；引導行業自律（如發佈算力安全公約），避免惡意競爭和算力壟斷。 (AI雲原生智能算力架構)

8月1日，摩根士丹利"新經濟" 類股熱點前瞻線上直播：《從馬力驅動到算力驅動 - 人工智慧接管方向盤》。摘要如下：1智駕市場預測預計2030年，L2+車型全球銷量2,600萬輛，規模相當於目前美國、歐洲輕型車總體銷量；L2+車型佔全球乘用車新車銷量28%。2024年約佔8%，2025年約佔11%。預計2030年，智能駕駛軟硬體市場規模2,000億美元；2035年3,000-4,000億美元。其中70%來自硬體。筆者分析：若2030年智能駕駛軟硬體市場規模2,000億美元，其中70%來自硬體，則30%來自軟體訂閱等，粗略按照增值稅稅率13%估算，2030年智能駕駛可全球貢獻超78億美元稅收；2035年貢獻超156億美元稅收。2影響智能駕駛普及的3個因素1、生成式AI以及大模型技術的突破2、全球主要經濟體的競合關係。技術普及速度取決於全球車企競合關係。技術普及速度影響技術降本的能力。——中國優勢：龐大使用者基數、產業鏈成本。以上2點讓中國搶得電動化、智能化先機。——矽谷優勢：AI算力及資料領域統治力——日韓德等：技術品牌優勢3、產業標準及監管的完善。在過去二十多年，新技術問世初期都會遇到監管難題。消費者需求和政府監管通常存在衝突。一旦法規標準完善，會給智駕奠定堅實基礎。——標準制定可以篩選出行業領軍者筆者分析：對於新技術，監管須優先解決組織問題、動機問題、技術問題，若無法徹底解決，監管往往呈現出 “要麼放任不管，一旦出現問題便採取全面禁止的嚴苛管控” 的極端化傾向。3不止是汽車重塑交通體系。如隨著自動駕駛技術拓展，出現人形機器人、電動垂直起降飛行器等技術，讓整個生態系統升級。增加商業機會。將消費者日常時間及產品使用轉化為商業機會。在中國市場，開車時間佔一天時間8%。不認為一旦到了L4，車內時間會大幅度增加，但是使用場景會更加豐富。人工智慧是汽車行業未來5-10年最大創新點，也是兵家必爭之地。4小米智駕小米汽車智駕處於追趕過程，但是追趕速度很快。去年3月份才發行第一款車，發車後高速、城市NOA技術逐漸拓展，1000萬clips輔助駕駛系統已經落地。第一是創始人對智駕重視。2021年，小米成立汽車業務類股，車尚未落地，直接收購了Deepmotion，並從事智駕研究。第二是銷量支撐。今年小米汽車收入1000億，明年將是2000億，後年會是3000億，每年1000億的速度增長。研發費用是銷售收入的百分比，這個百分比多少由管理層決策，如果收入規模提升不大，是不可能無限制提升研發費用比例的。5智駕供應鏈及一些概念德賽西威：智能駕駛域控製器。和輝達合作緊密，擁有行業大部分基於輝達方案的智駕方案；轉為代工會可能導致毛利率下降，車企自研晶片導致輝達方案需求降低。如果智駕競爭加劇，行業同質化明顯，最後拼的是成本。伯特利：線控制動國產線控制動供應商出貨量最大、量產經驗最豐富的。但是短期而言，車企壓價利潤承壓。其他：汽車供應鏈已經外延至機器人領域等，如關節總成、感測器外殼等。靈巧手佔機器人總成本的30-40%，機會包括總成、微電機、微型四缸等。網際網路+ VS 人工智慧+網際網路+：主要是網際網路與傳統行業的融合，包括電子商務、移動支付等。技術門檻不高，很多中小企業可以快速接入。人工智慧+：聚焦於AI或者大模型作為底層技術的驅動。技術壁壘高。如自動駕駛的演算法、算力、資料。頭部企業主導技術突破可能性更高。 (政不知冷)

2025 年上半年，加密貨幣世界一個相對低調的賽道 —— 真實世界資產（RWA）代幣化 —— 迎來了令人矚目的爆發式增長。截至 6 月 6 日，全球 RWA 市場總市值已飆升至 233.9 億美元（不包含穩定幣），較年初的 157 億美元大幅躍升 48.9%。這一增長背後，私人信貸（佔比約 58%）和美國國債（佔比約 31.2%）構成了市場的絕對雙核，兩者合計佔據了近九成的份額。然而，這份亮眼成績單的背後，卻隱藏著資產類別高度集中、流通性受限、透明度存疑以及與加密原生生態關聯度不高等深層次問題，RWA 距離成為真正的 “主流賽道” 仍有長路要走。私人信貸+美國國債佔九成市場私人信貸成為 RWA 市場當中最熱門的資產類型，總計規模達到了 135 億美元，佔比約為 57.7%其中 Figure 以 101.9 億美元的活躍貸款額位居榜首。Figure 是一家區塊鏈金融技術服務平台，目前主營的業務內容為房屋淨值信貸額度（HELOC），最高允許使用者獲得房屋價值 85% 的信用額度貸款。據其官方的資料表示，目前 HELOC 已成為全美第一的非銀行房屋淨值信用額度，總計提供了超過 150 億美元的信用額度貸款。不過，與其他 RWA 普遍發行在廣義的公鏈上不同，Figure 採用的 Provenance 區塊鏈是一個公共但有權限的 L1 區塊鏈。這種類似於聯盟鏈的設計一方面讓 Figure 的 RWA 資產可以更好管理，另一方面也阻斷了這類資產在市場上廣泛流通的可能。因此，Figure 的 RWA 發行資產雖然達到了 100 億美元以上，但實際上與加密市場的關聯度並不高，這些資產主要是以抵押票據的形式上鏈而已，截至目前這部分市場份額並不具備交易流通的屬性。以常規對 RWA 資產的定義來看，Figure 的 RWA 資產屬於一種非典型的 RWA。美國國債是 RWA 市場份額第二高的資產類別，這類 RWA 的運行邏輯是將傳統的美國國債、現金和回購協議等美元計價資產，通過區塊鏈技術轉化為數字代幣。在美國國債領域，發行量最大的是貝萊德發行的 BUIDL，目前的發行總量約為 29 億美元。BUIDL 基金最初在以太坊區塊鏈上推出，目前已擴展到包括 Solana、Aptos、Arbitrum、Avalanche、Optimism 和 Polygon 在內的多個區塊鏈網路 。其中，BUIDL 基金的絕大部分資產（約 93%）仍發行在以太坊上 。這種 RWA 相比傳統直接購買美國國債的方式具有更好的靈活性，提供 7*24 小時的流動性。而傳統的國債交易可能要在數天才能完成。不過 BUIDL 目前開放的對象為合格投資者，最低的投資門檻為 500 萬美元，目前的持有人數為 75 名。此外，BUIDL 還推出了 DeFi 相容版本 sBUIDL，它是一個 ERC-20 代幣，代表對 BUIDL 基金的 1:1 債權。sBUIDL 可以與 Euler 等 DeFi 協議進行互動。除了私人信貸和美國國債之外，商品是排名第三的 RWA 資產類別，這類當中主要是以 Paxos 和 Tether 等機構發行的代幣化黃金為主，目前的總市值約為 15.1 億。ZKsync、Stellar 成 RWA 市場公鏈黑馬在公鏈的對比當中，以太坊仍是 RWA 資產最青睞的區塊鏈網路。目前億 74 億美元的市值佔比 55%（這裡需要說明一下，這個佔比是相對於所有在公鏈上發行的資產約為 125.5 億美元，像 Figure 發行在自有公鏈的資產並未統計入內）。其中，BUIDL 發行的 27 億美元資產構成以太坊的 36.48%，另外則是 PAXG 和 XAUT 等代幣化黃金。而在公鏈對比當中，較為出人意料的是 ZKsync 以 22.5 億美元的資產發行量成為排名第二高的 RWA 公鏈。ZKsync 之所以能夠取得這麼多的 RWA 資產發行量，主要歸功於 Tradable，這是一家引入 web3 技術的資產管理公司。Tradable 允許機構在其應用上發起投資機會，並說明具體的投資用途和交易資訊等內容。投資人根據這些投資機會選擇自己所感興趣的進行投資，例如金融科技高級擔保貸款，融資 1.1 億美元，回報率 15%。或是向一流律師事務所提供的定期貸款，回報率為 15.5%，融資金額為 5700 萬美元。據 Tradable 官方資料顯示，目前已上線的資產有 34 個，平均 APY 達到 10%。但該公司顯然在對外宣傳和營運方面缺少動力，目前在推特上僅轉發了 2 條新聞，沒有主動發佈過任何原創內容，官方的新聞頁面也停留在 2023 年的新聞。另外，查看 Tradable 的合約資訊，PANews 發現這些合約均為未開放原始碼的合約，也沒有用加密資產進行互動，所有的合約均顯示代幣為零。因此，從這個角度來看，Tradable 的 RWA 資產上鏈實際金額存在一定疑問。此外，Stellar 是 RWA 市場排名第三的網路，也算是一個出乎意料的結果。目前該網路的 RWA 資產發行量約為 4.98 億美元，其中 Franklin Templeton 發行的 BENJI 約為 4.89 億成為了絕對主力。BENJI 也是一個基於美國國債的貨幣化基金，總發行量約為 7.7 億美元，其中 63% 發行在 Stellar 鏈上。Stellar 作為一個建立於 2014 年的老牌公鏈在近些年逐漸淡出主流公鏈市場。2024 年啟動了 Soroban 智能合約平台，並推出 1 億美元的採納基金，推動開發、建構項目。此外也在近一年來促進與 Franklin Templeton、Paxos、Circle 等多個合約機構的合作，這也使得 Stellar 在 RWA 領域超過 Solana 等熱門公鏈成為排名第三的 RWA 發行公鏈。不過，從構成上來看，Stellar 的 RWA 資產發行過渡依賴 Franklin 的發行量，相對較為單一。Solana 網路的 RWA 發行量排在第四，約為 3.49 億美元。雖然數量級並不大，但從增長速度來看，從 2025 年 1 月以來，已經增長了 101%，增速較快。在分佈類別上，也是以美國國債為主資料亮眼背後，RWA 市場暗藏挑戰從資料上來看，RWA 市場的增長呈現出可觀的狀態。但似乎這種可觀的背後也存在一些潛在挑戰。第一，是資產類別主要還是集中在私募信貸和美國國債方面。而私募信貸的頭部項目 Figure 和 Tradable 的資料並不透明。且 Figure 的 RWA 資產本質上僅以上鏈的形式存在，大部分並不具備交易屬性。從這個角度來說，這類的資產在流通性和透明度上並未真正發揮出區塊鏈技術給傳統資產實現加持的效果。第二，在國債領域，不少產品和穩定幣的發行方式有類似之處。實際上，以美國國債為抵押的生息穩定幣本質上也提供了類似的收益效果，以國債類為核心的 RWA 產品，面臨來自穩定幣的競爭壓力。第三，資產類別過於集中化，雖然 RWA 距今已經經過數年的沉澱。但目前的主力仍集中在國債類和私人信貸兩者資產類型的發行方式（佔比接近 9 成）。像商品類、股票類、基金類的產品佔比仍舊很低。而這類資產的發展受限，則主要是因為面臨實物儲存、法律合規、成本等多方面挑戰。截至目前，RWA 市場總規模僅為 233 億美元，相比穩定幣市場的規模（2360 億美元）相差甚遠，甚至不及一些新發行的公鏈代幣市值。這種規模與市場上對於 RWA 所謂兆規模的想像相差甚遠。從資產的營運方式來看，現在的 RWA 幾乎是機構和大玩家的專場，且與傳統的加密市場營運方式有較遠的距離。對於普通投資者來說，參與 RWA 賽道似乎還有一定的難度，RWA 成為散戶的新風口還有較遠的路要走。 總體來看，2025 年上半年的 RWA 市場確實交出了一份市值激增近 50% 的答卷，私人信貸與美國國債的雙頭格局也日益清晰。RWA 的潛力毋庸置疑，但如何突破當前的瓶頸，在透明度、流動性和生態融合等方面實現質變，將是決定其是曇花一現還是開啟金融新篇章的關鍵。 (橙子區塊鏈)

全球機器狗銷量迅猛增長近年來全球機器狗迅猛迅猛增長。根據GGII發佈的資料，2019-2023年，全球機器狗銷量爆發式增長，從2019年的0.2萬台增長至2023年的3.4萬台，年複合增長率達到102.3%。全球機器狗市場規模不斷擴大近年來，全球機器狗市場規模快速增長，據GGII資料，2023年全球機器狗市場規模達10.74億元，同比增長42.6%，2019-2023年CAGR高達50.6%。結合歷年統計資料及市場變動情況，初步統計，2024年全球機器狗市場規模約16.24億元。消費級機器狗逐漸佔據主導地位機器狗早期主要應用在軍事領域，近年來，隨著新材料、機器人智能控制、感知導航等技術不斷突破，機器狗逐漸應用於工業領域，如海上變電站、鑽井平台、建築工地、智慧工廠、應急消防等各種場景。此外，隨著技術成熟和成本降低，消費級機器狗的推出進一步拓寬了市場邊界。據GGII資料，2019-2023年，消費級機器狗產品市場佔比不斷提升，從2019年的27.8%提升至2023年的52%，逐漸佔據主導地位。內資廠商主導全球機器狗市場從整體競爭格局來看，2023年全球機器狗市場主要由內資廠商主導，宇樹科技、蔚藍智能、雲深處科技等內資廠商在消費級和行業級市場展現活力，特別是在技術創新、成本控制和本土市場適應性方面表現出色，這些公司通過不斷推出新產品和服務，積極拓展市場份額。據GGII資料，2023年宇樹科技憑藉其在技術創新和市場開拓等方面的優勢，佔據全球機器狗市場69.75%的銷量份額。另一方面，國際企業如美國的波士頓動力(Boston Dynamics)、瑞士的ANYbotics等，在高端行業級應用領域保持著領先地位，尤其是在技術先進性、產品可靠性和國際市場管道方面具有顯著優勢，被廣泛應用於複雜環境的巡檢、搜救、科研等多個領域。2023年，二者以不足1%的銷量佔比實現了全球15.8%的銷售額。更多本行業研究分析詳見前瞻產業研究院《中國機器人行業市場前瞻與投資戰略規劃分析報告》。同時前瞻產業研究院還提供產業新賽道研究、投資可行性研究、產業規劃、園區規劃、產業招商、產業圖譜、產業巨量資料、智慧招商系統、行業地位證明、IPO諮詢/募投可研、專精特新小巨人申報等解決方案。在招股說明書、公司年度報告等任何公開資訊披露中引用本篇文章內容，需要獲取前瞻產業研究院的正規授權。 (前瞻經濟學人)

市場規模預測根據德勤報告，2025年全球AI晶片市場規模預計超過1500億美元，2027年將增至4000億美元。而其他機構（如搜狐相關分析）則預測2025年市場規模約為919.6億美元，年均增長率25.6%-33%。差異可能源於統計口徑（如是否包含邊緣裝置晶片等）。1. 技術路線與市場定位GPU代表廠商：輝達、AMD、壁仞科技特點：通用性強，生態成熟。ASIC代表廠商：GoogleTPU、寒武紀特點：專用場景效率高。類腦晶片代表廠商：IBM TrueNorth特點：低功耗，但生態待完善。邊緣AI代表廠商：地平線、Hailo特點：低功耗、高能效比。2. 美國企業NVIDIA（輝達）A100/H100 GPU：基於Ampere/Hopper架構，支援大規模AI訓練與推理，適用於資料中心和超算。Jetson系列（如Jetson AGX Orin）：面向邊緣計算和機器人場景的低功耗AI晶片。技術特點：CUDA生態優勢，相容性強，廣泛用於深度學習。AMD代表產品：Instinct MI300系列：首款CPU+GPU異構晶片，專為生成式AI和高性能計算最佳化。定位：挑戰輝達在資料中心市場的主導地位。Intel（英特爾）Habana Gaudi/Gaudi2：針對AI訓練的ASIC晶片，對標輝達A100。Movidius VPU：面向邊緣端的視覺處理晶片（如無人機、安防攝影機）。Google代表產品：TPU v4：專用ASIC晶片，支撐Google Cloud AI服務，擅長大規模矩陣運算。Cerebras Systems代表產品：Wafer Scale Engine（WSE-3）：基於整片晶圓的超大晶片，專攻大模型訓練，算力達百億億次等級。Groq代表產品：LPU（Language Processing Unit）：低延遲推理晶片，專為生成式AI（如LLM）最佳化。3. 中國企業華為（海思）代表產品：昇騰（Ascend）910/310：基於達文西架構，支援全場景AI（雲邊端），算力達256 TFLOPS。寒武紀（Cambricon）代表產品：思元（MLU）590：7nm製程，支援千卡叢集訓練，對標輝達A100。地平線（Horizon Robotics）代表產品：征程（Journey）系列（如J5）：面向自動駕駛的BPU架構，算力達128 TOPS。壁仞科技（Biren）代表產品：BR100系列：7nm通用GPU，算力超越輝達A100，主攻資料中心市場。天數智芯（Iluvatar）代表產品：智鎧（Big Island）系列：通用GPU，相容CUDA生態，支援AI訓練與圖形渲染。摩爾執行緒（Moore Threads）代表產品：MTT S系列：國產全功能GPU，支援AI加速和圖形渲染。沐曦曦思® N系列：AI推理曦雲® C系列：大模型訓練曦彩® G系列：圖形渲染燧原科技雲燧 T1x/T2x：訓練雲燧 i1x/i2x：推理架構：自研GCU-CARA架構其他動態：DeepSeek：據透露正加速自研AI晶片佈局，招募晶片設計人才。4. 其他新興玩家特斯拉（Tesla）代表產品：Dojo D1晶片：支援自動駕駛視訊資料訓練。Meta（Facebook）研發方向：MTIA（Meta Training & Inference Accelerator）：最佳化推薦系統。Amazon代表產品：Inferentia/Trainium：通過AWS部署自研晶片，降低雲服務成本。 (漫談大千世界)

摩根士丹利於 2025 年 2 月發佈一份報告，圍繞人形機器人展開多方面分析。報告建構 “人形機器人 100 指數” 涵蓋相關上市公司，剖析產業價值鏈、技術構成、市場規模與發展前景，為投資者提供全面參考。 我摘錄了其中涉及中國的公司，作為今後關注的清單： 人形機器人的構成 人形機器人由 “大腦”“身體” 和整合商協同運作。“大腦” 賦予思考決策能力，“身體” 提供基礎支撐與感知，整合商則整合各方資源實現機器人的完整功能，它們相互配合，推動人形機器人發展。