自20世紀70年代以來，聯準會（Federal Reserve）經歷了多次顯著的加息周期。這些周期通常是為了應對通貨膨脹、防止經濟過熱或在危機後恢復貨幣政策正常化。本報告詳細梳理了美國歷史上的主要加息大周期及其背景、特徵與影響。1. 歷次加息周期核心資料彙總下表總結了1980年代以來主要的加息周期（含2022-2023年最新周期）：2. 重點周期深度分析2.1 1970年代：大通膨時代的“走走停停”在保羅·沃爾克（Paul Volcker）上任前，聯準會的政策被批評為“走走停停”（Stop-Go）。背景：兩次石油危機導致惡性通膨，失業率同時高企（滯脹）。特徵：利率波動劇烈，曾多次沖上10%以上，但因擔心失業而過早降息，導致通膨預期失控。結局：直到1980年代初沃爾克採取極端緊縮政策（利率一度達20%），才最終馴服了通膨，但也引發了嚴重的經濟衰退。2.2 1994-1995：格林斯潘的“先發制人”這是歷史上最成功的加息周期之一，被稱為“教科書級的軟著陸”。背景：經濟從1990年衰退中復甦，聯準會擔心通膨抬頭，決定在通膨真正到來前提前加息。特徵：加息節奏極快，一年內將利率翻倍（3%到6%），包括單次50bp和75bp的激進加息。影響：雖然引發了債市大跌（1994年債市屠殺），但成功抑制了通膨且未引發衰退，開啟了美國90年代的長期繁榮。2.3 2004-2006：漸進式加息與地產泡沫背景：為應對科網泡沫破裂後的低利率環境帶來的房地產過熱。特徵：聯準會採取了極其規律的“每次會議加25bp”的節奏，連續加息17次。結局：這種透明的漸進加息未能有效遏制投機，最終利率升至5.25%成為壓垮房地產市場的最後一根稻草，引發了2008年全球金融危機。2.4 2022-2023：四十年來最激進緊縮背景：新冠疫情後的供應鏈中斷、大規模財政刺激以及俄烏衝突引發了全球性高通膨。特徵：加息速度為40年來最快，曾連續四次加息75bp。現狀：目前利率維持在5.25%-5.50%的歷史高位，美國經濟表現出超預期的韌性，市場仍在爭論最終是“軟著陸”還是“延遲衰退”。3. 市場表現規律總結1. 股市表現：初期/中期：股市通常能夠承受加息，因為加息往往伴隨著強勁的經濟增長和企業盈利。後期：當利率達到限制性水平，借貸成本開始侵蝕利潤時，股市往往出現波動或見頂。例外：2022年是罕見的“股債雙殺”，主因是起始估值過高且通膨超預期迫使聯準會極其激進。2. 債市表現：加息周期中，短端利率隨政策利率快速上升，長端利率（如10年期美債）反映增長和通膨預期。收益率曲線倒掛（短端利率高於長端）通常是加息周期後期出現的訊號，歷史上多次精準預示了隨後的經濟衰退。3. 美元表現：加息通常會吸引資本流入，支撐美元走強。但在加息周期末端，隨著降息預期升溫，美元往往會提前走弱。。4. 結論與啟示歷史經驗表明，聯準會加息的“終點”往往比“起點”更重要。軟著陸（如1994年）需要精準的先發制人和適時的停止；而硬著陸（如2000年、2006年）往往是因為加息過晚或在經濟已經放緩時維持高利率過久。當前的2022-2023周期因其極高的起始通膨和極快的加息速度，在歷史上具有獨特性，其最終結局將為未來的貨幣政策提供新的案例。 (Daniel愛看書)

美國“建國250周年”之際，中美競爭進入“無人區”——麥肯錫報告解析在美國2026年迎來建國250周年慶典之際，華盛頓的政客們也許正嘗試著要用“世界最具競爭力經濟體”這樣的頭銜，去裝點這一具有歷史性意義的時刻，這份榮耀的背後，卻劃開了一道深刻的口子。近日，麥肯錫全球研究院（MGI）發佈《At 250, sustaining America’s competitive edge》，系統分析了當前的情形，美國身為全球經濟的領導者，卻正在步入一個前所未有的“無人區”，這是一個競爭地帶，在其中沒有現成的地圖，也沒有歷史參照。然而，站在這片“無人區”的對面位置，面對呈現出全方位崛起態勢的中國，它已全然不是那個往昔僅從事廉價玩具與服裝生產的所謂“世界工廠”，而是於關鍵技術方面、基礎科研範疇以及產業規模領域上，已然具備能夠跟美國展開正面對話能力的超級競爭者。一、慶典背後的焦慮：美國看到了什麼？麥肯錫所撰寫的這份報告，是一份專門獻給美國250歲生日的頗具特殊意義的禮物，然而，當把這份禮物的包裝拆開之後，裡面所裝著的竟然是一物為鏡子。在這面鏡子之中看到的美國，有著佔據地球上全球26%的GDP，有著擁有全球59%的名列前茅的頂尖企業，還有著超過全球一半數目的AI大模型以及近乎達到四成比例的頂尖科學家。這無疑是一份特別富有而值得呈現出驕傲之感的成就。然而，這面鏡子同樣映照出另一幅圖景：在關乎未來走向的關鍵以及新興技術範疇，中國於量子感測器領域，其頂尖論文引用率已超越美國，在先進晶片設計領域，頂尖論文引用率也超越了美國，在機器學習領域，頂尖論文引用率同樣超越了美國。在電動汽車產業，在太陽能產業，這些屬於複雜資本密集型的產業，中國已經是全球範圍內無可爭議的主導者。美國所認為的現實是這樣的：它還是那個處於最前列奔跑的選手，不過在它身後的那些追趕者，已然不是順著它曾跑過的路徑前行，而是開拓出了全新的賽道。二、“無人區”的兩端：兩種模式的正面交鋒所謂“無人區”，這意味著中美雙方都已然失去了可供參照的體系。中美之間的競爭，不再是單純的國內生產總值總量的競爭，也並非是冷戰時期美國與蘇聯那般意識形態以及軍備方面的對壘，而是兩種有著極大差異的發展模式，在同一個具體的歷史時空範圍之內的正面相互碰撞。美國的一端：創新生態的“深水區”美國具備相當的競爭力，這競爭力深深紮根於深厚無比的“創新生態”之中：頂尖層級的大學持續不斷地向外輸出各類思想，風險性質的資本把那些思想轉變為商業行為，具有靈活性的勞動力市場促使人才朝著生產力最為強大的地方流動前行，彰顯寬容特性的失敗文化則對下一次冒險給予鼓勵支援。在過去的250年時間裡，這個生態造就了從蒸汽船一直到智慧型手機的76項處於頂級水平的發明。麥肯錫的報告尖銳指出，現在這個生態正遭遇瓶頸，K-12教育滑坡侵蝕了未來勞動力根基，老化的基礎設施使物流成本高企。其中45%的橋樑超過50歲，高額國債佔GDP的120%，擠出了私人投資，甚至威脅到國防開支。美國的創新生態正從“藍海”駛入需持續輸血、深度維護的“深水區”。中國的一端：應用規模的“高地”中國的崛起途徑一樣明晰：把超大市場當作腹地，把舉國體制用作槓桿，快速把技術轉變為規模。在電動汽車範疇，中國把AI融入工業機器人與智能駕駛裡，達成了在物理世界的快速佈置。在生物技術範疇，中國在臨床試驗數量以及藥物發現產出方面已超過美國。有一種模式是中國所特有的，它著重強調借助“用”來帶動“研”，憑藉規模方面所具備的優勢，將研發成本攤薄，接著再次轉身朝著產業鏈的上游去進行攀登。這種模式所具備的威力，一方面呈現於它佔據了全球將近一半的製造業產出，另一方面呈現於它掌握了全球百分之八十的鈷、百分之七十的鋰的精煉能力。就如同麥肯錫報告所明確指出的那樣，這不僅僅是一種商業層面的優勢，更是一種國家安全層面的優勢——每一架F-35戰鬥機都需要超過400公斤的稀土材料。三、“無人區”的規則：沒有誰取代誰，只有誰先定義未來在“無人區”裡，競爭的規則本身也在被重寫。以前，競爭呈現為“取代”的態勢。那時，人們特別熱衷於去討論中國究竟會在什麼時候在GDP總量方面超越美國 ，還熱衷於討論究竟是那一個國家將會取代另外一個國家，進而成為世界工廠。為此，麥肯錫所撰寫的報告給出了十分清晰的回答：這種所謂的“取代”已然發生了 ，這是因為中國在製造業規模層面早就已經超越了別的國家 ，與此同時，還在多個關鍵技術領域實現了並跑，甚至是領跑的局面。如今，決定勝負的核心要點 並非是誰能夠去復刻對方所取得的成功 ，而是在於誰能夠去定義接下來一個時代的產業以及技術規則。由誰去界定AI往後的走向呢？報告精準地表明，美國把AI當作“產品”（像聊天機器人、圖像生成這類），然而中國卻將AI看成是“基礎設施”（和機器人、無人機、汽車深度交融）。究竟是那一種途徑會在未來十年引領生產效率呢？答案眼下還沒個準兒。究竟是誰對能源的未來進行定義呢 ，美國依靠頁岩革命達成了能源獨立 ，然而中國把控著太陽能 、電池以及關鍵礦產的精煉能力 ，當全球能源轉型加快速度的時候 ，是資源儲備更為重要呢 ，還是加工製造能力更為關鍵呢？美國依靠盟友體系去維護全球供應鏈，然而中國正憑藉“一帶一路”以及產能合作對其加以重塑。當“國家安全”的界定範疇從軍艦擴展到晶片、藥品乃至醫療手套的時候（其中美國進口的抗生素、布洛芬等關鍵原料藥大部分依賴於中國），究竟是誰更具備確保自身安全的能力呢？結語：250歲的慶典與永恆的課題麥肯錫的報告最後向美國人發出提醒，競爭力並非遺產，並非那種能夠安穩繼承的財富，它得藉著做出選擇、進行投資以及持續不斷地自我更新才能夠“獲取”。（美國賭對了什麼？美國歷史上最強大的競爭力來源之一：能夠根據時代需求，不斷開發利用自身豐富的自然資源。它從木材轉變到煤炭，接著又到石油以及天然氣，每一回的轉型都恰好在合適的時候，推動了生產力的大幅躍升，如今，它正嘗試把頁岩氣與可再生能源相互結合起來，為下一階段到來的AI革命和製造業的復興給予能源方面的支撐，這場能源競賽最終的結果，將會直接對“無人區”裡到底是誰能夠佔據優勢產生影響。）在美國迎來建國250周年這個時刻，它所面對的是那樣一個“無人區”，這個“無人區”裡已不再存在現成的地圖。在這片區域當中，並沒有GPS導航，每向前邁出一步，都得依靠自身去進行探索。中國身為這片區域裡最為強大的同行者，它既構成了挑戰，同時也是一種參照。歷史不會以簡單的方式重複，也不會經由平滑的途徑過渡，中美兩國於這片“無人區”裡的每一回抉擇，每一回創新，每一回碰撞，都將會共同界定21世紀的世界格局，而答案並非存在於麥肯錫的報告之中，而是存在於兩國後續十年的行動裡面。 (TOP行業報告)

《人形機器人的訊號：機器人“大腦”將如何演進？》核心內容：一、發展路徑：VLA為主流，世界模型為前沿，中國廠商務實推進當下，人形機器人“大腦”的主流走向是VLA（視覺 - 語言 - 動作）模型。此架構具有徑直嫁接大語言模型以及多模態視覺模型的能力，機器人能夠領會自然語言指令，進而對應為具體動作，讓其擁有比傳統分層模型更強的互動能力和泛化潛力。具有代表性的玩家涵蓋Figure、Physical Intelligence、Galbot、X Square Robot等。然而，VLA可不是終點。報告表明，Nvidia的Jim Fan等專家對VLA提出過質疑，認為其本質依舊是“語言優先”，對物理世界的建模能力不夠，致使機器人在複雜物理互動裡表現欠佳。所以，研究機構著手探索世界模型等新型架構，像Nvidia的DreamZero、1X的世界模型、Robbyant的LingBot VA。這類模型，借助對物理世界動態之規律的學習，具備“想像”未來狀態之舉，進而提升泛化能力以及任務適應性。在國內市場範疇之內，廠商選取了更為講求實際的路線：短期內持續對VLA予以最佳化，借由強化基礎模型（像阿里的RynnBrain）、引入推理模組、融合強化學習等途徑逐步提升能力；長期則著重於世界模型等前沿方面，不過更側重於“場景逐個實現突破”——先於具體任務當中部署機器人，憑藉真實資料回饋模型迭代，建構起“硬體迭代+資料積累+模型最佳化”的正向循環。這種漸進式智能化路徑更貼合當前技術約束，也更具落地可行性。二、核心瓶頸：資料稀缺與算力不足，制約模型能力躍遷具身智能規模化落地面臨兩大硬約束，一是資料質量和規模不足，二是邊緣算力瓶頸。資料瓶頸是阻礙VLA模型發展的最大難題。不同於LLM能夠借助網際網路文字資料，機器人訓練所需的是“視覺-狀態-動作-獎勵”相互對齊的多模態資料，而這種資料的採集成本極其高昂。存在三條主要的當前資料來源路徑，一是遙操作，其資料質量高，然而效率低且成本高；二是模擬資料，其數量大，不過存在Sim2Real gap，因接觸物理、感測器噪聲等致使難以完美建模；三是人類視訊，其資料廣度大，可是與機器人控制不對齊，並且缺乏力覺、深度等資訊。報告提出了“資料金字塔”概念，即越高品質的資料越稀缺，真實世界運算元據是難以獲取的“金礦”。此行業正於多個方面尋求突破困局：其中，模擬最佳化（像Nvidia Isaac Sim這般）會使之對真實資料的依賴得以減少；資料工廠（於中國諸多地方所建立的狀況）借由規模化遙操作來採集具備高品質的資料；跨本體資料通用性（例如Nvidia GR00T N1.6能夠支援多種型號機器人的情形）可實現資料復用率的提高；高精度動捕加第一視角視訊（就如Paxini那樣）會促使資料採集效率獲得提升標點符號。算力瓶頸，同樣是十分嚴峻的情況。人形機器人，需要進行即時互動，沒辦法依賴於雲端大模型推理。縱然Nvidia最新Thor晶片能提供2070 TFLOPS算力，還是被多家廠商認定為不足以去支撐複雜模型推理。因而，在短時間之內，機器人模型參數的規模依舊會被控制在百億等級的範圍之內，也就是大約在~10B這個數值以內，而這同樣表明了通用智能的“湧現”還需要一段時日。三、未來格局：規模遊戲開啟，頭部優勢持續放大報告針對未來格局作出的判斷為，人形機器人會逐漸演變成一場“規模遊戲”，並且結構性優勢會使領先者和追趕者之間的差距被拉大。資料飛輪效應促使頭部玩家加快勝出的速度。那些擁有大規模佈局機器人的廠商，能夠拿來更多發生在真實世界裡互動所需資料，並據此塑造出更為優質高端先進完備的策略模型，進而對產品自身性能予以提升，從而吸引到更多的客戶，最終形成一種正向的循環。與此同時，模擬這類預訓練以及世界模型，是需要大規模算力來進行投入的，頭部公司具備的在算力以及資料方面的結構性優勢，將會持續不斷地被放大。模型供給端會分化成兩類玩家，一類是獨立模型提供商，也就是類似機器人界的“Android”，它們由科技巨頭主導，會提供通用機器人作業系統以及模型介面，另一類是全端整合者，它們依靠自有大規模機器人叢集形成資料閉環，進而持續最佳化模型能力。報告覺得，2026年在這一方向上會看到更多進展，不過依舊處於早期階段。總結：具身智能所處的階段是在“由VLA主導，在接下來的三到五年時間裡，行業將會呈現出“具有漸進式智能化的態勢，頭部加速朝著集中方向發展，模型供給出現分化。於從業者來講，資料採集能力以及算力部署能力會成為核心競爭力。(TOP行業報告)

CitriniResearch與Alap Shah一份“來自未來的宏觀備忘錄”提出一個虛構的命題：AI多次超越樂觀預期並不必然利多資產與經濟，相反，充沛的機器智能可能通過擠壓勞動收入與消費循環，觸發一場由“生產率繁榮”引出的需求收縮與金融再定價。在這份以“2028年6月”為時間錨點的思想實驗中，美國失業率升至10.2%，較預期高0.3個百分點，資料公佈後市場下跌2%，標普500從“2026年10月高點”累計回撤38%。備忘錄稱，交易員對衝擊已趨於麻木，六個月前類似資料本可能觸發熔斷。報告將危機路徑拆解為兩條相互強化的鏈條：一條發生在實體經濟，AI能力提升推動白領崗位被替代，實際工資增速塌陷，消費佔比高的“以人為中心”的經濟萎縮，形成“沒有自然剎車”的負反饋回路，市場一度只看AI、但經濟本身開始變形，催生所謂“Ghost GDP”，即產出計入國民帳戶卻難以在真實經濟中循環。另一條發生在金融體系，收入預期的結構性受損開始侵蝕私募信貸與住房按揭等建立在白領現金流之上的資產定價，並迫使監管與政策討論加速，但報告同時強調，政策響應持續滯後，公眾對政府“救援能力”的信心下降，正在放大通縮螺旋風險。或許，正如Citrini所言，“當機器產生的輸出等同於1萬名白領，卻不消耗一分錢的社會服務時，這不叫經濟奇蹟，這叫經濟瘟疫。”利潤率好看，不等於經濟健康：錢不再穿過家庭部門在設定裡，2026年初“人類過時”帶來的第一波裁員非常符合股市偏好：成本下降、利潤率上升、盈利超預期，股價上漲。到2026年10月，標普500一度逼近8000點、納指突破3萬點。企業利潤又被回灌到AI算力，形成加速器。宏觀表層同樣“漂亮”：名義GDP多次錄得年化中高個位數增長，單位小時實際產出增速達到作者稱“自1950年代以來未見”的水平——AI代理不睡覺、不請病假、也不需要醫保。但備忘錄強調，財富主要流向“算力的所有者”，而勞動力收入端塌陷。真實工資增長轉負、白領被迫下沉到更低薪崗位，消費這個佔當時GDP約70%的“人類中心引擎”開始萎縮。作者用一句很直白的反問把邏輯釘死：機器在可選消費上花多少錢？答案是零。SaaS先中槍：當“自己寫一個”成為採購的常規選項這條鏈條的第一塊多米諾骨牌來自軟體。作者把拐點放在2025年末：代理式程式設計工具能力出現“台階式躍升”。一個合格開發者配合Claude Code或Codex，幾周內就能復刻一個中端SaaS產品的核心功能——不完美，但足以讓CIO在50萬美元年費續約面前多問一句：我們能不能自己做？由於企業財年預算多在前一年四季度鎖定，2026年年中復盤成了第一次“帶著真實可用性”做採購決策的窗口。文中給出一段談判細節：一家財富500強的採購經理告訴作者，他用“正在與OpenAI討論由forward deployed engineers用AI工具替代供應商”作為籌碼，把續約談成了30%折扣；而Monday.com、Zapier、Asana這類“長尾SaaS”處境更差。更關鍵的，是這種“自建成為選項”如何改變行業結構：差異化被AI加速開發與迭代抹平，價格戰變成“與老對手和新挑戰者同時打的刀戰”，護城河不再是功能，而是成本與融資耐力。被AI威脅的公司，反而最激進：反身性循環從這裡開始備忘錄最想強調的一個“不同於歷史教科書”的點是：2026年的被顛覆者沒有選擇“抵抗”。作者拿柯達、百視達、黑莓那套路徑做對照，認為AI衝擊下，許多公司“不能慢慢死”，只能快刀自救。情景裡，ServiceNow在2026年三季報出現明顯訊號：淨新增ACV增速從23%降到14%，同時宣佈15%裁員、股價當日下跌18%。原因並不神秘：它賣的是座席數，客戶裁掉15%員工，就會機械性取消15%許可；而客戶之所以裁員，正是因為AI帶來的效率提升。於是出現備忘錄所稱的“集體理性、整體災難”：公司裁員省下的錢繼續投入AI工具，AI能力提升又讓下一輪裁員成為可能。每一家公司的動作都說得通，疊加起來卻把剎車拆掉了。“摩擦”歸零後，中介層開始塌：從訂閱、佣金到卡組織費率到2027年初，作者設定LLM使用變成默認配置，很多人“像使用自動補全一樣”在用AI代理，甚至不自知。隨後，Qwen的開源“代理式購物助手”成為催化劑，各家助手迅速整合代理式電商功能；模型蒸餾讓代理能跑在手機和筆記本上，推理邊際成本下降。最讓作者不安的是：代理不需要被喚起，它在後台按偏好持續運行。到2027年3月，美國普通個體日均消耗約40萬tokens，較2026年底增長10倍。交易不再是一連串人的離散決定，而變成24/7的連續最佳化。這直接打擊了過去五十年建立在“人類有限性”上的租金層：訂閱自動續費、試用後悄悄漲價、品牌熟悉度替代比價勤奮……這些靠摩擦賺錢的模式，被代理改造成“可被談判的挾持局”。文中列出一串“最先倒下”的中介：旅行預訂平台、依賴續保惰性的保險、財務顧問、報稅、常規法律工作。甚至房地產經紀也沒能靠“關係”倖免：在AI代理獲得MLS訪問和歷史交易資料後，美國主要都會區買方佣金中位數從2.5%-3%壓縮到1%以下，越來越多交易買方端不再需要人類經紀。當代理掌控交易後，它會繼續找更大的“回形針”：機器對機器交易裡，2%-3%的卡組織交換費變得刺眼。作者設定不少代理改用Solana或以太坊L2上的穩定幣結算，成本接近“幾分之一美分”。在這一段裡，Mastercard被寫成“不可逆的拐點”：管理層在財報中提到“代理驅動的價格最佳化”和“可選消費承壓”，股價下跌；風險進一步外溢到更依賴交換費與獎勵體系的發卡行與單一信用卡機構，AmEx受“雙殺”最重（白領客戶被裁 + 費率被繞開）。這不是“行業景氣”問題：白領服務經濟的需求端被槓桿化擊穿2026年裡，市場還把負面影響噹作軟體、諮詢、支付等“類股故事”。備忘錄反駁的抓手很直接：美國是白領服務經濟，白領約佔就業的50%，卻驅動約75%的可選消費。更尖銳的資料在後面：作者強調消費集中度——美國收入最高的10%人群貢獻超過50%的消費，前20%貢獻約65%。因此，只要衝擊集中在高收入白領，即便失業人數佔比不誇張，對可選消費也是“以小博大”的打擊。文中用一個量級示例說明槓桿：白領就業下滑2%，可能對應可選消費下滑約3%-4%；而且白領有儲蓄緩衝，衝擊滯後出現，一旦出現更深。就業端的拐點訊號被寫得很具體：2026年10月JOLTS職位空缺跌破550萬、同比下降15%；白領崗位塌陷而藍領相對穩定。債市先交易消費衝擊，10年期美債收益率從4.3%下行到3.2%。與此同時，AI投資並未因需求走弱而放緩，因為作者將其定義為“OpEx替代”而非傳統CapEx周期：企業把原本花在人工上的1億美元逐步挪到AI預算上，總支出下降但AI支出倍增。於是出現一種刺眼背離：AI基礎設施鏈條仍在高景氣——輝達收入創新高、台積電利用率95%+、超大規模雲廠商季度資料中心資本開支仍有1500-2000億美元；而被替代的消費端開始失血。作者還把這種凸凹差異延展到國家層面：韓國作為“純凸”受益方大幅跑贏；印度IT服務出口（文中給出的規模為年超2000億美元）因“AI編碼代理的邊際成本接近電價”而遭遇合同取消加速，盧比在四個月內對美元貶值18%，到2028年一季度IMF已與新德里進行“初步討論”。私募信貸並不“封閉安全”：壽險負債把它拖進聚光燈金融層的第一根導火索來自私募信貸。備忘錄給出規模變化：私募信貸從2015年的不足1兆美元增長到2026年的超過2.5兆美元，其中相當部分投向軟體與科技LBO，前提是假設SaaS收入可以“長期穩定地複利增長”。當AI把ARR的“可持續性”打穿，問題不是虧損本身，而是損失被承認的那一刻。文中安排了幾次關鍵事件：2027年4月穆迪一次性下調14家發行人、合計180億美元的PE支援軟體債務；2027年三季度起軟體支援貸款開始違約。Zendesk被寫成“冒煙的槍”：其ARR支撐的50億美元直貸設施被標記到58美分，成為“紀錄級”的私募信貸軟體違約案例。如果只停在這裡，作者承認“本該可控”——私募信貸多是封閉式、鎖定期限，理論上沒有擠兌式的強制賣出。但“永久資本”在情景裡露出了另一面：大型另類資管通過收購壽險公司，把年金負債變成了私募信貸的融資底盤（文中點名了Apollo/Athene、Brookfield/American Equity、KKR/Global Atlantic）。當軟體違約擴散，保險監管層開始收緊這些資產的風險資本計提，迫使機構補充資本或賣資產，而市場環境又不允許它們在合理價格成交。穆迪將Athene財務實力評級置於負面展望後，Apollo股價兩日跌22%，衝擊外溢至同類機構。作者還補了一層“讓人更害怕的複雜性”：離岸再保險與SPV結構把損失歸屬變得高度不透明，短時間內甚至難以回答“到底是誰在承擔虧損”。情景中的2027年11月暴跌，被寫成市場認知從“周期性回撤”轉向“系統性鏈條”的時刻；FOMC緊急會議上（情景設定裡）聯準會主席華許用了一句評價：這是一串“押注白領生產率增長的相關性雛菊鏈”。真正的大雷在按揭：貸款當初是好貸款，世界後來變了備忘錄把“更難定價、也更致命”的問題留給住房按揭。美國住宅按揭市場規模約13兆美元，承銷假設是借款人未來很長時間（往往30年）會維持大致穩定的就業與收入。情景裡，風險的可怕之處在於：這不是2008式的“貸款從一開始就壞了”。相反，借款人是780+ FICO、首付20%、收入可驗證、信用記錄乾淨的“模型基石”。問題在於，AI導致白領收入預期發生結構性下修後，原本“基石”的未來現金流不再可置信——人們借的是一個他們越來越不敢相信的未來。作者給出了一組“先於違約”的壓力跡象：HELOC動用、401(k)提前支取、信用卡債務上升，但按揭仍保持按時償付；隨後，在舊金山、西雅圖、曼哈頓、奧斯汀等地開始出現拖欠抬頭。到2028年6月，Zillow房價指數同比：舊金山-11%、西雅圖-9%、奧斯汀-8%；房利美提示技術/金融就業佔比超過40%的高端（jumbo為主）郵編區域出現更高的早期拖欠。作者刻意保留邊界：情景裡“尚未進入全面按揭危機”，拖欠水平仍明顯低於2008，但風險在“軌跡”。如果按揭在當年下半年真正裂開，作者預計股市回撤可能接近全球金融危機的57%，標普或指向約3500點——接近2022年11月“ChatGPT時刻”之前的水平。政策最大的敵人是時間：稅基建立在人類時間上備忘錄對政策的判斷很不客氣：傳統工具（降息、QE）可以救金融引擎，卻很難修復實體引擎，因為實體的病因不是“錢太貴”，而是“人類智能更不值錢”。更具體的約束在財政端。作者用一句話概括稅基：聯邦政府收入本質上是對人類時間的徵稅——人工作、企業付薪、政府抽成。到情景中的2028年一季度，聯邦財政收入較CBO基線低12%。生產率在飆升，但收益更多流向資本與算力所有權，不再經由家庭部門回流到所得稅與薪資稅。勞動收入佔GDP的長期下行被當作背景板：從1974年的64%降到2024年的56%；而在AI指數級改善後的四年裡進一步降到46%，作者稱之為“有記錄以來最陡的一次”。於是財政面對一個結構性悖論：需要向家庭轉移更多資金，同時從家庭收到的稅卻更少。情景裡政府開始討論“Transition Economy Act”（以赤字+對AI推理算力徵稅為資金來源的直接轉移），以及更激進的“Shared AI Prosperity Act”（對“智能基礎設施回報”建立公共索取權，類似主權基金或AI產出特許權，用分紅支援轉移）。政治分歧被寫得尖銳：右派把轉移稱為馬克思主義、擔憂算力稅讓位於中國；左派擔心稅制被 incumbents 寫成監管俘獲；財政鷹派強調赤字不可持續，鴿派拿GFC後的過早緊縮當反例。社會層面的摩擦也被擺上檯面：情景裡“Occupy Silicon Valley”示威者封鎖Anthropic和OpenAI舊金山辦公室入口長達三周，媒體關注度甚至蓋過失業資料。作者的結論是，制度變化速度追不上技術變化速度，反饋鏈會替政治做決定。“智力溢價”回撤：舊世界的現金流假設需要重算備忘錄最後把這一切歸因到一個更底層的定價變化：現代經濟史裡，人類智能一直是稀缺要素，勞動力市場、按揭承銷、稅制、乃至企業護城河，都圍繞這一稀缺性搭建。現在機器智能成為可替代品且持續變便宜，“智力溢價”開始回撤，金融系統只能痛苦地重定價。作者也留了餘地：重定價不等於必然崩潰，經濟可能找到新均衡；難點是“能否趕在反饋鏈寫完下一章之前”搭出新框架。站在寫作時點的2026年2月，標普仍在高位、負反饋尚未啟動，作者的提醒更像給投資者留一道自檢題：自己的資產和現金流，有多少其實押在“摩擦不會消失、白領收入會穩定、家庭部門會繼續做需求引擎”這些假設上。最後一句話也點了題：金絲雀還活著。 (華爾街見聞)

山不讓塵，川不辭盈。2024 年是網際網路進入中國的第 30 個年頭，中國金融行業也走過了金融科技和數位化的 10 個年頭。科技金融這篇大文章正方興未艾，智能金融隨著大模型日新月異發展突然按下了加速鍵。如果將過去一年大模型的發展比作《三體》中描述的“技術爆炸”，正形象地展現出了 AI 領域前所未有的快速變革。這種爆炸式增長不僅僅是技術參數的簡單膨脹，更是整個技術生態、商業應用以及社會影響層面深刻變化的綜合體現。在這個發展過程中，我們看到了如浪潮般湧現的新技術核心要素與傳統 IT 發展規律的交織：●摩爾定律的延伸與挑戰：雖然摩爾定律近年來面臨物理極限挑戰，但通過創新架構（如 GPU、TPU）、分散式運算以及演算法最佳化，讓大模型的發展有機會遵循類似的加速發展軌跡，變革性實現計算效率和模型規模的雙重躍升。● 安迪 - 比爾定律的演變：在大模型場景下，這一規律體現為模型規模和複雜度的增加，不斷驅動著對更強大算力和儲存的需求，同時也激發了雲端運算的快速發展，以確保基礎設施能跟上 AI 應用的需求步伐。今年以來，走遍中華大地拜訪過上千家金融機構，我們發現，金融行業並不缺乏大模型應用的場景，但是有限的算力、持續迭代的大模型開源和商業化生態，加上金融行業對資料安全、風險控制、合規性以及精準決策有著極高的要求，使得金融行業的大模型之路進入前所未有的選擇陷阱。金融行業正處於數位化轉型和採用雲原生技術的關鍵時期，這一過程中，大模型的引入無疑增加了額外的複雜性，但也帶來了前所未有的機遇。在過去的一年，大模型加持的金融程式碼能力、金融多模態能力、金融資訊閱讀理解能力、金融資訊抽取分類加工能力、金融風險管理能力在金融行為學、金融市場與投資學、零售金融、公司金融、財富資管、大健康、大投研等等各個金融數位化領域都有了星星之火一樣的嘗試。隨著大模型技術的成熟，從基於資料集的開發轉向基於大規模預訓練模型的應用工程體系，我們可以想像未來大模型通過 API 化與雲原生環境下的金融業務流程與技術架構的深度整合，從而解決一些從前我們不敢想像的融合問題，比如金融模型應用的成本效率與穩定性，金融知識的精準及專業性、金融合格的嚴謹可解釋性等。不僅如此，雲原生和大模型融合的新範式，非常需要新的大模型應用平台降低從特定領域到廣泛場景到 AI 應用的門檻。此文拋磚引玉，希望與業內的各位朋友一同探討如何積極擁抱並運用大模型技術，以應對和駕馭不斷變化的市場環境，實現科技金融持續穩定的提質增效和創新發展，攜手開啟金融大模型未來新篇章。01大模型發展的趨勢大模型是數字轉型（DT）時代的產物，標誌著人工智慧技術的一次重大突破，尤其是在自然語言處理（NLP）、圖像識別、推薦系統等領域。這些大模型，如 OpenAI 的 GPT 系列、Meta的 Llama、Google的Gemini，基於Transformer架構，通過消化海量資料集進行預訓練，獲得了對人類語言、圖像等資料的深入理解和處理能力。AI 大模型：人類知識儲存、傳承和使用方式的一次重構在數字轉型時代，大模型為企業提供了前所未有的機遇，使其能夠通過高效的資料分析和決策，實現業務流程的智能化、最佳化客戶體驗和創新產品服務。從金融行業的智能投顧和欺詐監測，到醫療行業的智能診斷和藥物發現，再到零售行業的個性化推薦，大模型的應用正深刻改變著傳統行業的運作模式和價值鏈。在《全域資料“觀”》一書中，我們曾斷言：“資料的下一站是智能，資料最終會走向與業務系統的數智融合”，資料消費正在由“人”變成“系統”。未來資料技術將與雲原生和智能化全面融合，形成“雲數智一體化”服務。雲原生技術堆疊，為企業帶來了資源彈性、異構算力、容器和微服務等技術手段，為業務創新和系統建設提供了高效、敏捷以及成本低、可擴展的解決方案；資料中台的興起，讓企業將資料庫裡“不會說話”的表格，轉換成指標、標籤、因子、特徵等資料資產形態，並直接用於分析與業務決策。現如今，AI 大模型正在以驚人的速度重構各行各業的業務流程與系統產品，一方面雲原生為大模型訓練與推理提供了資源保障，資料中台為大模型應用提供高品質語料和結構化知識；另一方面在大模型全面“智能湧現”能力的驅動下，將傳統偏零散化的資料能力進一步體系化和智能化，加快 BI+AI 的融合，實現從“洞見”到“決策”，推動企業加速走向“雲數智一體化”的終極形態，最終為客戶帶來更為全新的產品服務體驗。大模型發展的趨勢趨勢一：“Cloud+AI” 大模型與雲的結合日益緊密在資訊技術領域，無疑地，雲端運算和人工智慧（AI）大模型的快速發展正日益成為推動現代社會進步的兩大驅動力。特別是在中國和美國，這兩種技術不僅誕生並蓬勃發展，還持續引領著全球技術革命的浪潮。隨著時間的推移，大模型與雲端運算的結合日益緊密，這種融合在推動著科技界走向新的里程碑。首先，觀察全球技術發展格局可以發現，中國和美國無疑是雲技術和 AI 大模型誕生與創新的兩大中心。這兩個國家不僅擁有領先的技術研發實力，還具備廣闊的市場應用場景和成熟的產業生態，促進了雲端運算和 AI 大模型技術的飛速發展，並在全球範圍內形成了巨大的影響力。進一步而言，大模型的迭代進化主要發生在雲端。這是因為雲端運算提供了高度可擴展的計算資源，使得研究人員和開發者能夠在無需自建龐大物理基礎設施的情況下，進行模型的訓練和部署。雲平台上的彈性資源和高效管理工具為大模型的開發和最佳化提供了理想的環境，極大地加速了 AI 大模型的迭代周期，使得模型能夠更快地進化和最佳化，更好地適應各種複雜的應用需求。而且，大模型所遵循的規模定律（Scaling Law）規模定律正重塑著算力基礎設施。隨著模型規模的不斷擴大，其對計算資源的需求也呈指數級增長，這一現象催生了對更高性能、更高效率算力基礎設施的需求。雲端運算平台通過部署先進的硬體技術、最佳化計算資源分配和加強資料處理能力來應對這一需求，進而推動了算力基礎設施的快速進化。這種進化不僅滿足了當前大模型對算力的高需求，也為未來 AI 技術的持續創新和應用提供了堅實的支撐。大模型與雲端運算的緊密結合，不僅體現在中國和美國這兩個技術強國的快速發展上，更在於雲端成為大模型迭代進化的主戰場，以及大模型對算力基礎設施的重新塑形。這種趨勢預示著，未來科技的進步將在這樣的融合與互動中繼續加速，推動人類社會進入一個全新的智能時代。趨勢二：“AI Everywhere” 大模型無處不在，成為企業數位化標配在當今的數位化時代，大模型技術以其強大的資料處理能力和智能化水平，正逐步成為企業數位化轉型的標配。其廣泛的應用不僅僅侷限於傳統的計算中心，更是與小模型、新終端以及資料中台結合，共同構築起一個多元化部署與互聯互通的新生態，極大地深化了對資料資源的挖掘與運用能力。首先，大模型與小模型的結合體現了模型部署的多元化。大模型因其強大的學習和預測能力，成為許多複雜任務的首選。然而，針對一些對即時性、資源消耗有嚴格要求的場景，小模型以其輕量級、高效率的特性，更為適合。通過將大模型預訓練的強大認知能力與小模型的靈活部署結合，企業能夠更高效、更經濟地解決廣泛的業務問題，實現智能決策和操作的最佳化。接著，大模型與新終端的結合拓展了模型連結的多元化。隨著物聯網 (IoT) 的蓬勃發展，智能終端遍佈生活的每一個角落。大模型不再侷限於伺服器端的運算，而是通過雲端運算和邊緣計算下沉至各種智能終端，如智慧型手機、智能家居、自動駕駛車輛等。這種變化使得大模型的應用場景得到極大拓展，為使用者帶來更加豐富、便捷、個性化的智能服務。最後，大模型與資料中台的緊密結合，促進了圖像、音視訊、文字等資料集的多元化。資料中台作為企業資料管理和營運的核心平台，為大模型提供了豐富、高品質的資料支援。通過有效地聚合和整合企業內外的各類資料資源，大模型可以在更加多元化的資料基礎上進行訓練和最佳化，能夠處理和理解更加複雜多變的業務場景，如圖像識別、語音視訊處理、語言應用等，從而極大地提高了企業的業務處理能力和使用者互動體驗。大模型正逐步滲透到企業數位化建設的各個層面，與小模型、新終端以及資料中台等多元化的元素相結合，進一步拓寬了其應用範圍，提升了處理效率和智能水平。大模型無處不在，已經成為推動企業數位化轉型的關鍵力量。趨勢三：“AI  Native SaaS Rise” 大模型企業級市場崛起，向深度化、產業化、垂直化方向發展大模型技術的崛起已成為推動企業級市場向深度化、產業化、垂直化方向發展的關鍵動力。企業正越來越傾向於將這一技術作為核心驅動力，深入挖掘其在特定行業中的應用價值和潛力，進而實現智能化升級與業務創新。首先，大模型在企業級市場中的深度化應用成為一種不可逆轉的趨勢。它們不僅被應用於最佳化傳統的資料處理和分析流程，更在預測分析、個性化服務、自動決策制定等領域中展現出強大的能力。這種深度化應用的背後，是企業對於資料價值認知的提升以及對於操作效率和決策質量改進的需求。“小切口，大縱深”的發展策略，正加速大模型在特定行業中的垂直化和產業化落地。企業通過聚焦於行業的細分領域，利用大模型深耕特定的痛點和需求，不僅提升瞭解決方案的適配性和有效性，也推動了整個行業的智能化水平。這種策略的實施，充分顯示了大模型在解決複雜行業問題時的獨特優勢，促進了技術與行業深度融合，實現了產業升級。企業間的開放新形態，特別是在金融領域湧現的新的 Open Banking 模式，為大模型技術的應用開闢了更加廣闊的舞台。Open Banking 帶來的資料共享和 API 開放不僅有利於現有金融服務的增值，還為金融科技創新和跨行業合作打開了大門。這為大模型技術的應用和發展提供了更加廣闊的舞台和應用場景。大模型技術在企業級市場的崛起，不僅預示著企業對於資料和智能的更深層次應用和挖掘，也引領了向產業化、垂直化方向的戰略發展。趨勢四：“AI API First” 大模型功能性能力突破性增長近段時間以來，大模型正在經歷功能性能力的快速增長和重大突破，其中多模態、Agent模式以及 Assistant API 成為了推動這一處理程序的關鍵力量。這些技術革新不僅擴展了大模型在不同領域的應用範圍，還為人機互動和應用開發帶來了新的可能。多模態技術的出現和成熟拓展了大模型的廣度，讓機器能夠同時處理和理解文字、圖像、音訊等多種類型的資料，實現了對人類溝通方式的更全面理解。這標誌著 AI 從處理單一類型資料向綜合理解不同資料類型的重大進步。多模態大模型在提升資訊獲取的全面性和精準性方面展示了巨大潛力，極大地豐富了 AI 在自動化內容創作、跨媒體資訊檢索、以及增強現實等方面的應用場景。Agent 模式的崛起，成為人類與 AI 協作的一種重要方式。在這種模式下，AI 可以作為一個個體（agent），擁有自我學習和自主決策的能力，在特定的環境中根據既定的目標執行任務。這不僅表明了 AI 的工作模式正變得更加智能化和個性化，也為人類提供了強大的助手，從簡單的資料分析到複雜的決策制定，AI Agent 能夠有效地輔助人類完成各種任務，推動人機協作進入新的階段。Assistant API 的推出，為開發者提供了全新的能力，大幅降低了開發門檻。通過簡單的API 呼叫，開發者可以輕鬆地將大模型的強大功能整合到自己的應用或服務中，無需深入瞭解模型內部的複雜機理，即可搭建出智能化程度高、使用者體驗好的應用產品。這種開放的、低門檻的開發方式，不僅加速了創新應用的推出，也讓更多企業和個人能夠享受到 AI 技術帶來的紅利。趨勢五：“AI Cyber Security” 大模型更重視隱私和資料安全隨著大模型的廣泛應用，對隱私和資料安全的重視程度日益增強。企業和研究機構正在通過實施一系列措施，來加強對使用者資料的保護，確保資訊安全和隱私被妥善處理。這些措施的核心在於建構一個有效、可靠的資料管理及隱私防護框架，確保大模型安全評估體系的全面性，並解決 AI 工作的可解釋性問題。有效的資料分類分級制度成為奠定資料管理及隱私防護框架的基礎。通過對資料進行系統的分類和分級，明確不同類別資料的處理要求和安全標準，可以更加有針對性地制定保護措施。這種方法不僅有助於提升資料處理的效率和精準度，也有利於識別和保護那些最敏感和價值最高的資料，從而有效減少資料洩露和濫用的風險。建構一套全面的安全評估體系對於大模型體系至關重要。這套體系應涵蓋大模型訓練、部署、應用生命周期的各個階段，從資料的收集、儲存、使用到銷毀等，每個環節都應進行嚴格的安全審查和評估。通過定期進行安全審計、漏洞掃描和風險評估等活動，可以及時發現和修復安全漏洞，強化系統的安全防護能力，減輕外部攻擊和內部洩露的風險。隨著大模型應用到越來越多的場景，其工作的可解釋性問題越來越受到重視。大模型，特別是 transformer 的架構被認為是“黑盒”，難以解釋其決策邏輯和過程。增強 AI 工作的可解釋性不僅有助於建立使用者對 AI 決策的信任，也是確保模型公平、無偏見的關鍵。通過開發和應用新的解釋性技術和方法，讓 AI 的決策過程更加透明，可以有效提升模型的公正性和安全性，減少錯誤決策和偏差帶來的風險。 (AI雲原生智能算力架構)

1. 全球半導體產業宏觀圖景與中國市場韌性在全球科技演進的宏觀敘事中，2025年被確立為半導體產業從“周期性調整”向“結構性擴張”過渡的關鍵元年。根據最新的行業統計資料，全球半導體市場規模在2024年達到6,591億美元的基礎上，預計2025年將增長至7,893億美元，增速表現出顯著的加速態勢 [1]。這一增長的核心動能已從傳統的智慧型手機與PC消費驅動，深化為以人工智慧（AI）基礎設施、高性能計算（HPC）以及汽車電動化為核心的多維驅動架構 [2]。中國半導體市場作為全球產業鏈中增長潛力最強、市場腹地最深的區域，其發展節奏與全球步調既有共振亦有差異。2024年中國半導體市場規模為1,769億美元，而2025年預計將達到2,067億美元，年度同比增長率約16.8%，增速保持在全球均值的高位區間 [1]。這一增速背後的底層邏輯，不僅在於終端需求的復甦，更在於國家戰略引領下的“全產業鏈自主可控”處理程序進入了從量變到質變的突破階段 [3]。資料來源：綜合整理自 [1, 4]。從產業周期視角來看，2025年標誌著半導體行業打破了傳統的“四年小周期”規律。受人工智慧算力需求的強力支撐，半導體行業有望迎來長達六年的上行增長周期 [2]。在這一宏觀背景下，中國半導體產業在裝置端（北方華創、中微公司等）、製造端（中芯國際、華虹半導體等）以及功率與儲存等細分賽道，均展現出了極強的盈利彈性與技術進化速度。2. 半導體裝置環節：國產替代進入“深水區”與平台化擴張在半導體產業鏈的最上游，裝置環節的自主化率被視為衡量一國半導體實力的硬指標。2025年，中國本土半導體裝置企業在資本支出保持高位的背景下，實現了營收與淨利潤的雙重突破，產品線正從單一環節向平台化、全覆蓋方向加速演進。2.1 北方華創 (NAURA)：全產業鏈平台化的領軍效應北方華創作為國內產品線最為齊全的半導體裝置龍頭，其在2025年的表現充分印證了“平台化戰略”的協同優勢。2025年前三季度，北方華創實現營業收入273.0億元，同比增長33.0%；歸母淨利潤達到51.3億元，同比增長15.0% [5]。通過深度拆解其財務資料可以發現，北方華創在2025年表現出明顯的“庫存換增長”特徵。截至2025年第三季度末，公司存貨規模達到302.0億元，同比大幅增長30.0% [5]。在半導體裝置行業，高額存貨往往對應著下游晶圓廠的高意向訂單和處於交付前夕的在產品。同時，公司經營活動產生的淨現金流在三季度轉正，金額達6.3億元，顯示出隨著前期大規模投入逐步進入收穫期，企業的經營現金流狀況正得到實質性改善[5]。北方華創的業務已覆蓋刻蝕、薄膜沉積（PVD/CVD）、清洗、熱處理、氧化、擴散等核心工藝環節。儘管2025年前三季度的綜合毛利率為41.4%，受新品確認及客戶結構變化影響同比略降2.8個百分點，但在關鍵工藝的市佔率提升，為其2026年的持續盈利打下了堅實基礎 [5]。2.2 中微公司 (AMEC)：刻蝕技術的高精尖突圍與北方華創的平台化不同，中微公司展現了在特定高門檻領域的極深造詣。公司專注於電漿體刻蝕裝置（CCP/ICP）和MOCVD裝置，技術水平已躋身國際第一梯隊 [6]。2025年前三季度，中微公司實現營收80.63億元，同比增長46.40% [6, 7]。資料來源：[6, 7]。中微公司的盈利邏輯在於對研發的極端重視。2025年前三季度研發支出達25.23億元，同比增長63.44%，這一投入規模即便在國際半導體巨頭中也極具競爭力 [6]。這種高強度投入直接轉化為了其薄膜裝置類股的爆發式增長，尤其是ALD（原子層沉積）裝置的國產替代處理程序在2025年出現了突破性進展。2.3 拓荊科技 (Piotech) 與華海清科 (Hwatsing)：細分賽道的隱形冠軍拓荊科技作為國內薄膜沉積裝置的龍頭，在2025年實現了業績的加速跑。前三季度營業收入達42.20億元，同比大幅增長85.3%；歸母淨利潤5.57億元，增長105.1% [8]。其PECVD、ALD等先進製程裝置已在主流晶圓廠實現量產放量，且公司在合同負債（預收款）端表現強勁，截至三季度末達48.94億元，同比近乎翻倍，預示其在2026年仍將保持高速增長態勢 [8]。華海清科則穩守化學機械拋光（CMP）領軍地位。隨著12英吋先進製程對拋光步驟要求的幾何倍增，華海清科不僅實現了CMP裝置的全面突破，更通過擴展減薄裝置和耗材業務，建構了更寬的護城河。盛美上海（ACM Research）則憑藉在清洗裝置領域的差異化競爭力（如SAPS/TEBO兆聲波清洗技術），成功向電鍍、拋光等領域延伸，成為多元化裝置陣營的重要一極。3. 晶圓代工與製造：百萬片產能里程碑與成熟製程復甦晶圓代工是半導體產業鏈的中樞，連接著上游設計與下游應用。2025年，中國大陸晶圓代工業不僅在產能規模上實現了跨越，更在產能利用率與特色工藝上展現了極強的防禦性。3.1 中芯國際 (SMIC)：月產百萬片的歷史躍遷中芯國際作為中國大陸先進製程與規模化的雙重標竿，在2025年三季度迎來了一個標誌性時刻：其月產能（折合8英吋）首次突破100萬片大關，具體達到102.28萬片[9]。相較於2024年同期的88.43萬片，中芯國際在一年內新增了約13.85萬片產能，且增量幾乎全部集中在更具盈利能力的12英吋產線上 [9]。在財務與營運端，中芯國際2025年第二季度銷售收入為22.09億美元，雖然毛利率因前期裝置計入折舊及新品推廣略有波動，但其產能利用率在三季度攀升至95.8% [9, 10]。CEO趙海軍指出，公司目前的訂單量已經超過了實際產出能力，這種“供不應求”的局面主要由模擬晶片（快充、電源管理）、CIS圖像感測器以及車規級產品的強勁需求驅動 [10]。3.2 華虹半導體 (Hua Hong)：超負荷運轉下的特色工藝盈利華虹半導體的2025年可以用“滿負荷”來形容。第二季度，華虹的產能利用率達到了驚人的108.3% [10]。儘管由於無錫新產線的折舊成本上升（物業及裝置折舊同比增加33%），導致其短期毛利率受壓，但從長遠來看，產能利用率的飽和證明了其在功率器件（超級結、IGBT）及嵌入式儲存器領域的工藝領先地位 [11]。資料來源：[10, 12]。華虹的另一重大看點在於產業整合。公司正籌備收購上海華力微電子股權，這一潛在交易若成功實施，將使華虹集團在成熟製程與准先進製程（28nm/14nm）之間形成更緊密的工藝矩陣 [11]。3.3 晶合整合 (Nexchip) 與積塔半導體：垂直賽道的專業化代工晶合整合在2025年穩固了其在全球顯示驅動晶片（DDIC）代工領域的霸主地位。上半年營收達51.98億元，歸母淨利潤同比大幅增長77.61% [13]。晶合整合的成功揭示了一個盈利邏輯：在LCD/OLED驅動、車載CIS等細分垂直市場做到極致，可以有效規避一線Foundry的價格戰，並享受規模經濟帶來的邊際效益提升 [13, 14]。積塔半導體則在汽車電子和功率器件代工賽道狂奔。隨著汽車架構向域控製器轉化，對高可靠性、高電壓工藝的需求爆發，積塔半導體作為擁有車規級全鏈條驗證能力的Foundry，其訂單可見度已排至2026年以後。燕東微（YDME）則通過多條生產線的協同，在軍事、工業等老牌製造領域保持了深厚的基本盤。4. 儲存晶片：從技術追趕到全球份額重構儲存晶片是半導體行業中產值佔比最高（約24%）且周期性最強的類股 [15]。2025年，中國儲存“雙子星”——長江儲存（YMTC）與長鑫儲存（CXMT）在全球市場的份額及技術影響力均實現了跨越。4.1 長江儲存 (YMTC)：3D NAND 的突圍與成長作為中國唯一的3D NAND快閃記憶體廠商，長江儲存在經歷“實體清單”調整後，展現了頑強的生命力。2025年一季度，長江儲存營收突破10億美元，全球市場份額提升至8.10% [16]。隨著長存三期產能的逐步釋放，行業普遍預測其市場份額將最終衝向15% [15, 17]。長江儲存的技術優勢在於其獨創的Xtacking架構，這使得其在實現高層數（如232層及以上）堆疊的同時，能夠保持較小的晶片面積和極高的I/O速度。這種技術領先性使其在全球固態硬碟（SSD）市場，尤其是高性能消費級和企業級市場，具備了與三星、美光一較高下的實力。4.2 長鑫儲存 (CXMT)：DRAM 產能的倍數級增長長鑫儲存在DRAM領域的追趕速度同樣驚人。2025年一季度其全球市場份額增至4.10% [16]。根據Counterpoint的預測，2025年長鑫儲存的出貨量將同比增長50%，整體出貨份額預計從年初的6%增至年底的8% [17]。長鑫儲存的戰略核心在於“產能規模化”。摩根士丹利預測，長鑫有望在2025年達到36萬片/月的產能水平，這將顯著降低其單位成本，使其在PC、移動端DRAM及利基DRAM市場更具競爭力 [15]。同時，隨著AI應用對LPDDR5及HBM（高頻寬儲存）的需求激增，長鑫的先進製程研發也將成為2026年的關鍵盈利看點。5. 功率半導體與IDM：新能源浪潮下的紅利挖掘在汽車電動化與太陽能儲能的加持下，功率半導體成為了中國半導體行業盈利確定性最高的細分領域之一。5.1 士蘭微 (Silan Micro)：IDM模式的經營典範士蘭微在2025年交出了一份令人矚目的成績單。上半年公司實現營業收入63.36億元，歸母淨利潤扭虧為盈達到2.65億元，同比增幅超1100% [18]。其成功的關鍵在於“深耕汽車與太陽能市場”以及“規模效應攤薄成本”。•汽車業務：2025年上半年應用於汽車的IGBT和SiC產品營收同比增長80%以上，公司成功切入比亞迪、吉利、特斯拉等頭部車企供應鏈 [18]。•SiC突破：其第IV代平面柵SiC-MOSFET性能已接近溝槽柵水平，且晶片良率超90%，顯著高於國際85%的平均水平[18]。•太陽能優勢：士蘭微在太陽能領域的IGBT單管市佔率超40%，逆變器用MOSFET全球市佔率達9.8%，僅次於英飛凌 [18]。資料來源：[18]。5.2 安世半導體 (Nexperia) 與華潤微 (CR Micro)：全球視野下的中國力量聞泰科技旗下的安世半導體在2025年表現出極強的韌性。第三季度半導體業務收入43.00億元，同比增長12.2%，毛利率高達34.56% [19, 20]。即便面臨地緣政治風波，其在中國市場的收入佔比仍升至49.29%，汽車業務收入增長超26% [19]。安世半導體的盈利能力證明了在全球功率分立器件市場，中國企業已具備成熟的IDM管理能力和全球管道優勢。華潤微作為國內領先的IDM巨頭，在2025年上半年實現營收52.18億元。雖然在利潤增速上略遜於爆發期的士蘭微，但其資產結構的穩健性和在消費電子、工業控制領域的滲透深度，使其保持了極高的市場佔有率 [18]。6. 2026年中國半導體發展趨勢與預測站在2025年的業績高峰迴望，2026年的中國半導體產業將呈現出從“單點突破”向“生態閉環”跨越的特徵。6.1 AI 基礎設施的“第二波”爆發與國產算力重構2026年，AI驅動的半導體增長將進入深水區。IDC預測，到2026年，資料計算類股的半導體營收將首次超過總營收的50% [2]。這一趨勢對中國而言意味著兩個層面的機會：1.AI伺服器晶片的高速增長：包括GPU、邏輯ASSP/ASIC以及配套的電源管理晶片。預計2026年AI加速卡市場規模將年增78% [4]。2.網路與儲存的補完：AI算力不僅看晶片性能，更看互聯速度。資料中心網路晶片（如高端乙太網路交換晶片）和高頻寬儲存（HBM）將在2026年迎來國產化高峰，預計相關市場年增27% [2, 4]。6.2 晶圓代工市場的全球份額再平衡預測顯示，到2026年，中國IC設計企業的產值佔全球市場份額將從2025年的40%進一步提升至45%，確立在該領域的全球領先地位 [4]。與之相對應的是，中國晶圓廠在國產替代政策驅動下，成熟製程的產能利用率將持續保持在90%以上的高檔水位 [4]。在製程演進上，全球主流Foundry正邁向2nm工藝，而中國本土Foundry在2026年的重點將是利用芯粒（Chiplet）和矽光子等專用技術，在現有先進製程受限的情況下，通過先進封裝技術實現性能上的“曲線救國” [2]。6.3 細分賽道的盈利關鍵與結構性機會資料綜合自 [4, 21, 22]。7. 盈利能力分析與投資洞察2025-2026年，中國半導體產業的盈利能力呈現出“馬太效應”與“成本分化”並存的格局。7.1 成本管控與規模效應的博弈士蘭微的案例深刻揭示了IDM模式在下行周期結束後的爆發力。通過自主晶圓線的滿負荷運轉，單位分攤成本的降低（12英吋IGBT晶片單片固定成本降至0.8元，遠低於代工模式的1.5元）是盈利提升的核心秘密 [18]。2026年，隨著更多國產12英吋產線度過折舊高峰期，行業整體的盈利中樞有望抬升。7.2 研發投入的“資產化”回報北方華創和中微公司極高的研發支出（佔營收10%-30%不等）在短期內壓縮了淨利潤，但從長遠看，這是建構長期盈利壁壘的唯一途徑[5, 6]。2026年，隨著多款新品（如ALD、先進刻蝕裝置）從驗證期進入大規模採購期，這些裝置企業的研發邊際成本將迅速下降，淨利潤彈性將遠高於營收增速。7.3 地緣政治與供應鏈重組的避險2026年，地緣政治引發的供應限制仍是最大變數。然而，美銀報告指出，AI基建的升級是強結構性的，甚至可以抵消部分總額經濟的不確定性 [21]。中國企業通過建立“本土供應閉環”，在成熟製程及特色工藝（如汽車級、工業級半導體）中正形成一種“內循環”式的盈利保障。8. 結論與展望綜上所述，2025年中國半導體產業已基本完成了從“逆風防守”到“順風進攻”的姿態轉換。北方華創、中微公司等裝置領軍者通過全產業鏈佈局夯實了基礎；中芯國際、華虹半導體則通過百萬片產能量級實現了規模經濟；士蘭微、聞泰安世等IDM廠商則利用新能源紅利實現了盈利的質變。展望2026年，人工智慧將不再是一個孤立的概念，而是滲透進從算力卡到電源管理、從HBM儲存到先進封裝的每一個半導體細胞中。盈利的關鍵點將聚焦於三點：第一，在先進製程受阻下通過Chiplet和3D封裝實現的性能突破；第二，在功率器件領域對第三代半導體良率與規模的絕對掌控；第三，在半導體裝置領域從“能用”向“好用”的跨越。中國半導體產業在2026年有望實現全球產值佔比的新高，其背後是中國日益成熟的產業鏈叢集效應。儘管波折難免，但技術自主化與需求智能化雙向奔赴的大趨勢，正引領中國半導體行業邁向一個更具生命力的兆級未來。 (YAH VS HYA)

前言：AI的“空間轉向”與新物種誕生的必然性1.1 前言2025年，人工智慧產業迎來歷史性轉折點——以大型語言模型（LLM）為代表的通用AI技術在文字互動、圖像生成等領域的突破已觸及天花板，而“空間智能”作為連接虛擬算力與物理世界的核心載體，正成為AI技術演進的終極方向。史丹佛大學教授李飛飛在《從語言到世界：空間智能是AI的下一個前沿》中明確指出，當前AI系統困於“語言的世界”，缺乏對現實空間、物理規律與因果關係的真正理解，而空間智能將實現AI從“理解語言”到“理解世界”的跨越，成為AI攀登的下一座高峰。這一轉向不僅催生了“AI+空間”融合的產業新物種，更重塑了全球算力產業鏈的競爭格局與需求結構。本報告聚焦2025年AI與空間智能融合發展的核心議題，核心研究內容包括：空間智能的技術架構與“新物種”產業形態界定；全球及中國算力產業鏈的全景對比（上游晶片、中游算力服務、下游應用）；空間智能驅動下的算力需求分層分析（行業、場景、算力形態）；技術瓶頸與風險挑戰；未來發展趨勢與產業機遇。報告依託2025年最新行業資料、政策檔案及企業實踐案例，兼具技術深度與產業指導價值，旨在為產業鏈參與者、投資者及政策制定者提供全景式洞察。1.2 核心結論預覽1. 技術演進：空間智能是AI的“終極形態”，其核心是建構融合幾何、物理與動態規則的“世界模型”，實現從被動分析到主動規劃的跨越，當前已進入技術突破與規模化應用的臨界點。2. 產業新物種：催生三大類新物種形態——技術層的“空間大模型”、產品層的“具身智慧型手機器人”、服務層的“空間即服務（SPaaS）”，2025年全球相關市場規模已突破1.2兆元。3. 算力格局：全球智能算力規模2025年達1980 EFLOPS，中國佔比37.8%（748 EFLOPS），算力結構從訓練主導向推理驅動切換，邊緣算力增速（CAGR 50%-60%）遠超雲端。4. 產業鏈競爭：國外形成輝達、AMD雙寡頭格局，國內“一超多強”態勢顯現，國產晶片替代率2025年達41%，沐曦、壁仞等企業加速資本化處理程序。5. 需求驅動：智慧城市、工業智能空間、自動駕駛是核心需求領域，生物醫藥、AR/VR等細分場景算力需求增速超200%，端側AI裝置出貨量2025年破5億台。6. 挑戰與機遇：技術瓶頸集中於晶片製程、叢集互聯效率，地緣政治與能源約束加劇供需失衡；未來機遇在於異構算力協同、綠電算力基建及跨行業場景滲透。第一章 概念界定：AI與空間智能的融合演進1.1 空間智能的核心定義與技術內涵空間智能（Spatial Intelligence）是指機器對物理空間進行感知、建模、推理、規劃並實現互動的綜合能力，其核心是將多模態感知資料轉化為對空間關係、物理規律與因果邏輯的理解，實現虛擬算力與物理世界的精準對應。與傳統AI技術相比，空間智能具有三大核心特徵：一是多模態融合感知，整合LiDAR、攝影機、UWB、地理資訊等多源資料，實現釐米級定位與毫米級建模精度；二是動態世界建模，建構兼具語義與幾何屬性的3D動態場景，支援物理規則模擬與未來狀態預測；三是具身互動能力，依託“感知-決策-行動”閉環，實現與物理空間的自主協同互動。從技術架構來看，空間智能的實現需建構“五層技術堆疊”：第一層底層為算力支撐層（雲端+邊緣+終端異構算力）；第二層為感知硬體層（LiDAR、毫米波雷達、高畫質攝影機等）；第三層為資料處理層（空間資料清洗、融合與標註）；第四層為核心演算法層（3D生成模型、物理引擎、具身智能演算法）；頂層為應用場景層（智慧城市、工業、自動駕駛等）。其中，核心演算法層的“世界模型”是空間智能的技術核心，需突破現有LLM的範式侷限，實現語義關係與物理規律的統一理解。1.2 AI向空間智能演進的邏輯必然性AI技術的演進遵循“能力升級-場景拓展-需求倒逼”的邏輯，向空間智能轉向是技術發展與產業需求共同作用的必然結果。從技術層面看，當前以LLM為代表的通用AI存在三大核心侷限：一是缺乏空間認知能力，即使是最新的多模態大模型，在估算距離、方向、大小等基礎空間屬性時表現不及隨機水平；二是物理規律認知缺失，無法穩定預測物體運動軌跡、碰撞關係等基本物理規則；三是動態連貫性不足，生成的視訊內容往往在幾秒內失去空間邏輯連貫性。這些侷限使得AI難以真正賦能需要與物理世界互動的場景，成為技術演進的“天花板”。從產業需求來看，數字經濟與實體經濟的深度融合對AI提出了“落地物理世界”的迫切需求。智慧城市需要全域空間感知與智能調度，工業製造需要數字孿生與即時最佳化，自動駕駛需要高精度空間定位與動態決策，這些場景均要求AI具備空間認知與互動能力。據測算，2025年全球需要空間智能支撐的產業規模已達5兆美元，佔數字經濟總量的28%，需求倒逼成為AI向空間智能轉向的核心驅動力。從認知本質來看，空間智能是人類認知建構的“腳手架”，驅動著想像、創造與推理能力的形成。李飛飛團隊的研究表明，空間智能是連接感知與行動的核心能力，人類通過空間認知實現停車測距、人群穿行等日常動作，其本質是“想像-感知-行動”的一體化過程。AI作為模擬人類智能的技術體系，向空間智能演進是其逼近甚至超越人類認知能力的必然路徑，也是實現從“弱人工智慧”向“強人工智慧”跨越的關鍵環節。1.3 空間智能的“新物種”形態界定AI與空間智能的融合催生了三類具有顛覆性的產業新物種，這些新物種打破了傳統產業邊界，重構了價值創造模式：1. 技術層新物種：空間大模型。區別於傳統LLM，空間大模型以“空間資料”為核心訓練素材，融合地理資訊、3D點雲、物理規則等資料，具備空間建模、動態預測與場景生成能力。例如，史丹佛大學World Labs研發的世界模型可在語義與幾何層面理解複雜3D場景，推理物理屬性與互動關係，並生成連貫可探索的虛擬空間。2025年，國內外已有12款空間大模型實現商用，其中GPT-5空間版、百度文心空間大模型等在建築設計、城市規劃領域的應用精準率達93.6%。2. 產品層新物種：具身智慧型手機器人。依託空間感知與互動能力，具身智慧型手機器人實現了從“固定場景作業”到“全域自適應作業”的跨越，可在動態空間中自主規劃路徑、規避障礙並完成任務。典型案例包括亞馬遜倉庫智能分揀機器人（空間定位精度±2cm）、特斯拉Optimus人形機器人（具備家庭空間互動能力）、醫療微創手術機器人（空間操作精度±0.1mm）。2025年全球具身智慧型手機器人出貨量達120萬台，同比增長210%。3. 服務層新物種：空間即服務（SPaaS）。將空間智能能力封裝為標準化服務，通過API介面向千行百業輸出，實現“空間能力的按需呼叫”。例如，華為盤古空間服務平台可提供城市全域空間建模、動態交通預測等服務，已接入200余個智慧城市項目；GoogleEarth Engine空間服務平台為農業、環保領域提供土地利用監測、災害預警等服務，全球使用者超500萬。2025年全球SPaaS市場規模達2000億元，預計2030年突破1.2兆元。1.4 空間智能的發展階段與2025年關鍵節點空間智能的發展可劃分為四個階段：技術探索期（2015-2020年）、技術突破期（2021-2025年）、規模化應用期（2026-2030年）、成熟普及期（2030年後）。2025年正處於“技術突破期”向“規模化應用期”過渡的關鍵節點，呈現三大標誌性特徵：1. 技術突破節點：3D生成模型、物理引擎與具身智能演算法實現融合，空間大模型的場景理解精準率突破90%，邊緣算力支援毫秒級空間響應（延遲≤10ms）。例如，UWB+LiDAR復合定位技術市場滲透率達35%，實現釐米級定位精度；液冷技術普及使智算中心PUE降至1.1以下，支撐單機櫃算力密度達5P Flops。2. 產業落地節點：核心應用場景實現規模化落地，智慧城市試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設；工業數字孿生工廠覆蓋率突破60%，生產線綜合效率（OEE）平均提升18個百分點；全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台。3. 政策與資本節點：全球主要經濟體出台空間智能專項政策，中國《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心；美國《晶片與科學法案》投500億美元用於算力基建，重點支援空間智能相關晶片研發；歐盟“數字羅盤計畫”建100個百億億次超算節點，支撐空間智能場景落地。資本市場熱度攀升，2025年國內算力晶片企業迎來上市潮，摩爾線程、沐曦股份等相繼登陸科創板，融資規模超40億元。第二章 技術架構：空間智能的核心技術體系與算力支撐2.1 核心技術堆疊：從感知到互動的全鏈路拆解2.1.1 感知層技術：多模態融合與高精度定位感知層是空間智能的“眼睛”，核心目標是獲取物理空間的多維度資料，實現高精度、高可靠的空間感知。當前主流技術方向為多模態感測器融合，整合LiDAR、毫米波雷達、高畫質攝影機、UWB、IMU（慣性測量單元）及地理資訊系統（GIS）資料，彌補單一感測器的侷限性。例如，LiDAR具備高精度3D測距能力，但受天氣影響較大；攝影機可獲取豐富語義資訊，但測距精度不足；UWB適合室內短距離定位，室外表現較差。通過多模態融合演算法，可實現“全天候、全場景、高精度”的空間感知。關鍵技術突破包括：一是LiDAR技術的成本下降與性能提升，2025年車規級LiDAR單價降至500美元以下，探測距離突破300米，點雲密度達300萬點/秒；二是UWB+LiDAR復合定位技術，結合兩者優勢，實現室內外無縫切換定位，精度達±2cm，2028年市場滲透率預計達68%；三是多模態資料融合演算法，基於Transformer架構的融合模型可有效處理異構資料，提升感知精準率，在複雜交通場景中目標識別精準率達99.2%。2.1.2 建模層技術：3D動態場景與數字孿生建模層是空間智能的“大腦中樞”，核心是將感知資料轉化為結構化的空間模型，實現對物理世界的精準對應。技術方向分為靜態建模與動態建模兩類：靜態建模聚焦空間幾何結構的重建，如建築、道路、地形等；動態建模聚焦空間中物體的運動狀態與互動關係，如車輛、行人、裝置等。數字孿生是建模層的典型應用，通過“物理實體-虛擬模型-資料鏈路-服務應用”的閉環，實現物理空間與虛擬空間的即時同步。關鍵技術突破包括：一是3D生成模型，基於擴散模型與Transformer的融合架構，可快速生成高保真3D場景，例如史丹佛大學Marble平台允許創作者無需傳統3D建模工具，快速建立和編輯完整的虛擬世界；二是動態場景預測演算法，結合物理引擎與深度學習，可預測空間中物體的運動軌跡，預測準確率達95%以上，為自動駕駛、機器人導航提供支撐；三是輕量化建模技術，針對邊緣端裝置算力有限的問題，提出輕量化3D模型架構，模型體積壓縮70%以上，可在手機、邊緣閘道器等裝置上即時運行。2.1.3 決策層技術：空間推理與具身智能演算法決策層是空間智能的“決策核心”，核心是基於空間模型進行推理、規劃與決策，實現從“理解空間”到“利用空間”的跨越。核心技術包括空間推理演算法、路徑規劃演算法與具身智能決策演算法。空間推理演算法聚焦空間關係的邏輯判斷，如“物體A在物體B的左側”“路徑C比路徑D短20米”等；路徑規劃演算法聚焦動態環境下的最優路徑選擇，如自動駕駛中的避障路徑規劃、機器人的倉儲分揀路徑規劃；具身智能決策演算法聚焦“感知-行動”閉環，使智能體能夠根據空間環境變化調整行動策略。關鍵技術突破包括：一是空間大模型的推理能力提升，GPT-5空間版、文心空間大模型等可基於3D場景進行複雜推理，如建築結構安全性評估、城市交通流量最佳化；二是強化學習在路徑規劃中的應用，通過模擬海量空間場景訓練模型，使智能體在動態環境中（如擁堵路段、突發障礙）快速找到最優路徑，規劃效率提升40%以上；三是人機協同決策技術，結合人類經驗與AI推理能力，在醫療手術、工業操作等高精度場景中實現“人機互補”，降低操作風險。2.1.4 互動層技術：無感化與人機協同互動層是空間智能的“輸出介面”，核心是實現智能體與物理空間、人類的高效互動。技術方向分為兩類：一是智能體與物理空間的互動，如機器人的機械臂操作、自動駕駛汽車的轉向與制動；二是智能體與人類的互動，如語音互動、手勢互動、腦機介面等。當前發展趨勢是“無感化互動”，即智能體通過感知人類行為、情緒等訊號，主動提供服務，無需人類主動觸發。關鍵技術突破包括：一是手勢與姿態識別技術，基於電腦視覺的即時姿態捕捉精度達98%，可實現對機器人的手勢控制、智能座艙的姿態互動；二是語音互動的空間化，結合空間聲學技術，實現多區域語音識別，區分不同位置的說話人，在智慧辦公場景中支援多人同時語音指令；三是腦機介面技術，在高端辦公、醫療場景中實現腦電波控制，2029年商用化率預計突破15%。2.2 算力支撐體系：雲端-邊緣-終端的異構協同空間智能的全鏈路技術落地離不開算力支撐，其算力需求具有“高並行、低延遲、異構化”的特徵：高並行源於多模態感測器的海量資料（如LiDAR每秒產生數十GB資料）；低延遲源於即時互動需求（如自動駕駛需≤10ms的決策延遲）；異構化源於不同任務對算力的差異化需求（如建模需GPU的平行計算能力，推理需ASIC的高能效比）。為此，空間智能建構了“雲端-邊緣-終端”三級異構算力協同體系，各層級功能與算力形態如下：2.2.1 雲端算力：大規模訓練與全域調度雲端算力是空間智能的“核心算力底座”，主要承擔空間大模型訓練、全域空間資料處理、跨區域調度等重算力任務。2025年全球雲端智能算力佔比70%-75%，單叢集算力達50 EFLOPS，可支撐萬卡級GPU叢集進行空間大模型預訓練。例如，GPT-5空間版的訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，訓練過程消耗算力達100 EFLOPS·天。雲端算力的核心技術方向是異構計算與叢集互聯最佳化。異構計算整合GPU、CPU、NPU、TPU等多種晶片，發揮不同晶片的優勢；叢集互聯技術通過高速互聯匯流排（如輝達NVLink、國產昇騰高速互聯匯流排）提升叢集通訊效率，當前萬卡級叢集互聯效率達60%-70%，仍是算力擴展的主要瓶頸。為支撐雲端算力需求，全球智算中心建設加速，中國“東數西算”工程建成8大算力樞紐，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。2.2.2 邊緣算力：即時推理與本地決策邊緣算力是空間智能的“即時響應核心”，部署於靠近物理空間的邊緣節點（如基站、智能路側裝置、工業閘道器），主要承擔即時推理、本地資料處理、低延遲決策等任務。邊緣算力的核心優勢是低延遲，可將資料傳輸與處理延遲控制在毫秒級，滿足自動駕駛、工業即時控制等場景需求。2025年邊緣算力佔比約15%-20%，2030年將升至30%-35%，2025-2030年CAGR達50%-60%，邊緣AI晶片市場規模達150億美元。邊緣算力的核心技術方向是高能效比晶片與輕量化演算法。邊緣裝置通常受限於功耗與體積，需要高能效比的專用晶片（如ASIC、NPU）；同時，通過模型輕量化（剪枝、量化、蒸餾）降低推理算力需求。例如，華為昇騰310B邊緣晶片能效比達200 TOPS/W，可支撐智能路側裝置的即時目標識別；特斯拉D1晶片專為自動駕駛邊緣計算設計，單晶片算力達362 TOPS，滿足車載即時決策需求。2.2.3 終端算力：本地感知與輕量化互動終端算力是空間智能的“末端感知核心”，部署於終端裝置（如智慧型手機、智能手錶、小型機器人），主要承擔本地感知資料預處理、輕量化互動等任務。終端算力的核心需求是低功耗與小型化，滿足移動裝置的續航與體積要求。2025年終端算力佔比約5%-10%，智慧型手機AI算力達10 TOPS以上，車載計算平台增速超40%。終端算力的核心技術方向是整合化晶片與低功耗演算法。整合化晶片將CPU、GPU、NPU等功能整合於單一晶片（如手機SoC），提升整合度與能效比；低功耗演算法通過最佳化計算流程，降低資料處理的功耗。例如，蘋果A18 Pro晶片整合神經網路引擎，算力達35 TOPS，可支撐手機端3D場景掃描與AR互動；小米澎湃C2晶片專為智能穿戴裝置設計，能效比達150 TOPS/W，滿足長期續航需求。2.2.4 異構協同技術：算力資源的高效調度雲端-邊緣-終端的算力協同是空間智能高效運行的關鍵，核心技術是統一調度平台與高速通訊網路。統一調度平台通過算力感知、任務拆分與資源分配，實現“任務在最合適的算力節點運行”：重算力任務（如模型訓練）分配至雲端，即時任務（如自動駕駛推理）分配至邊緣，輕量化任務（如本地感知）分配至終端。高速通訊網路是協同的基礎，5G-A網路支撐的毫秒級空間感知系統實現釐米級定位精度，光互聯技術升級推動CPO市場2025-2027年CAGR達78%，OCS CAGR達120%。當前異構協同的關鍵突破是“算力網路”技術，通過軟體定義網路（SDN）、網路功能虛擬化（NFV）等技術，將分散的算力資源整合為“算力池”，實現跨區域、跨層級的算力調度。例如，中國電信“天翼算力網路”已接入20個省級算力樞紐，實現算力資源的按需調度；中國移動“算力網路”支撐智慧城市場景下的邊緣-雲端算力協同，降低資料傳輸成本30%以上。2.3 2025年技術突破與瓶頸：從可用到好用的差距2.3.1 關鍵技術突破清單1. 感測器技術：車規級LiDAR單價降至500美元以下，探測距離突破300米；UWB+LiDAR復合定位精度達±2cm；高畫質攝影機影格率突破240fps，低光照環境識別精準率達98%。2. 建模技術：3D生成模型生成效率提升10倍，高保真3D場景生成時間從小時級降至分鐘級；動態場景預測準確率達95%以上，預測時長從1秒擴展至5秒。3. 演算法技術：空間大模型參數規模突破兆級，場景理解精準率達93.6%；輕量化模型體積壓縮70%以上，邊緣端推理延遲≤10ms。4. 算力技術：晶片製程推進至3nm/2nm，輝達B200性能較H100翻倍；國產晶片（昇騰910B、寒武紀590）替代率達41%；液冷技術普及使PUE降至1.1以下，能耗降40%。5. 通訊技術：5G-A網路實現10Gbps下行速率，毫秒級傳輸延遲；CPO技術實現光電器件與晶片的整合，通訊頻寬提升5倍。2.3.2 核心技術瓶頸1. 晶片技術瓶頸：晶片製程逼近物理極限，2nm以下製程成本指數級上升，性能提升放緩；高端晶片受地緣政治影響供給受限，全球GPU供需缺口15%-20%。2. 叢集互聯瓶頸：萬卡級叢集互聯效率僅60%-70%，成為算力擴展的主要障礙；儲存頻寬與算力增長不匹配，CXL協議普及尚需時間，資料傳輸延遲影響大規模訓練效率。3. 演算法泛化瓶頸：空間大模型的場景泛化能力不足，在陌生環境中的精準率下降20%-30%；動態場景中突發情況（如交通事故、極端天氣）的預測能力薄弱。4. 資料質量瓶頸：空間資料標註成本高，3D資料標註單價是2D資料的5倍以上；多源資料格式不統一，資料融合難度大；隱私保護要求提升，空間資料採集與使用受限。5. 能源約束瓶頸：智算中心能耗激增，2026年資料中心IT電力需求達96GW，配套電力設施建設壓力大；邊緣與終端裝置功耗控制仍需突破，影響續航能力。第三章 全球算力產業鏈全景分析：競爭格局與技術路線3.1 算力產業鏈結構：從上游核心硬體到下游應用算力產業鏈圍繞“算力生產-算力服務-算力應用”形成完整生態，分為上游核心硬體、中游算力服務、下游應用三大環節，各環節相互支撐、協同發展。上游核心硬體是算力生產的基礎，中游算力服務是算力流通的載體，下游應用是算力需求的來源，三者共同構成“硬體支撐-服務賦能-應用驅動”的產業閉環。2025年全球算力產業鏈規模達6.5兆美元，其中上游硬體佔比45%，中游服務佔比35%，下游應用佔比20%。3.1.1 上游核心硬體：算力的“物理基礎”上游核心硬體包括晶片、伺服器、感測器、光模組、儲存裝置等，其中晶片是核心中的核心，佔上游硬體成本的50%以上。晶片環節分為通用晶片（CPU、GPU）、專用晶片（ASIC、NPU、TPU）、可程式設計晶片（FPGA）三類，分別適用於不同算力場景：GPU主導訓練場景，2027年市場規模達5000-6000億美元；ASIC在推理場景優勢擴大，2027年市場規模280億美元，佔AI晶片市場35%；NPU/TPU等專用晶片快速滲透，2025年市場規模850億美元。伺服器環節聚焦智算伺服器，搭載多顆AI晶片，支援大規模平行計算，2025年全球智算伺服器市場規模達1200億美元，同比增長45%。感測器環節是空間智能的專屬硬體，LiDAR、毫米波雷達等空間感知感測器市場規模達300億美元，同比增長60%。光模組環節支撐高速通訊，2025年CPO市場規模達50億美元，OCS市場規模達20億美元。儲存裝置環節聚焦高速儲存（如HBM、SSD），HBM3E記憶體頻寬達19.6TB/s，2025年市場規模達150億美元。3.1.2 中游算力服務：算力的“流通載體”中游算力服務包括算力基礎設施（智算中心、邊緣節點）、算力營運服務（雲算力、邊緣算力租賃）、算力賦能服務（模型訓練、資料處理）等。智算中心是中游核心基礎設施，2025年全球智算中心數量達1200個，中國佔比40%，“東數西算”工程8大算力樞紐集聚60%以上新增算力。算力租賃服務是當前最熱門的細分領域，受益於大模型訓練與推理需求爆發，2025年全球算力租賃市場規模達800億美元，同比增長80%。算力賦能服務聚焦專業化算力解決方案，為下遊客戶提供定製化的模型訓練、資料處理服務，頭部企業包括亞馬遜AWS、微軟Azure、阿里雲、騰訊雲等。此外，算力網路服務快速發展，通過整合分散算力資源，實現算力的跨區域調度，2025年全球算力網路服務市場規模達300億美元。3.1.3 下游應用：算力的“需求來源”下游應用分為空間智能專屬應用與通用AI應用兩類，其中空間智能專屬應用是核心增長引擎，包括智慧城市、工業智能空間、自動駕駛、AR/VR、智能醫療等。2025年空間智能相關應用佔算力需求的35%，其中智慧城市佔比最高（12%），工業智能空間次之（8%），自動駕駛（7%）、AR/VR（4%）、智能醫療（4%）緊隨其後。通用AI應用包括網際網路內容生成、金融風控、生物醫藥研發等，佔算力需求的65%，其中網際網路行業佔算力採購的60%，阿里、騰訊等頭部企業未來三年AI投資超5000億。3.2 國外算力產業鏈：雙寡頭主導與技術引領3.2.1 美國：全產業鏈主導，技術壁壘高築美國是全球算力產業鏈的領導者，在晶片、伺服器、算力服務等核心環節佔據主導地位，形成“晶片-軟體-服務-應用”的全產業鏈優勢。晶片環節，輝達、AMD形成雙寡頭格局，佔據全球AI晶片市場的70%以上份額。輝達2025年推出Blackwell B200晶片，採用“單封裝雙芯粒”路線，算力密度和記憶體頻寬達行業極致，性能較H100翻倍，並拋出2026–2027路線圖，Vera Rubin與Rubin Ultra即將推出，Rubin推理峰值50 PFLOPS、HBM4記憶體288GB，FP4稀疏算力是B200的2.5倍。AMD採用Chiplet思路，MI350系列採用CDNA4架構、台積電第二代3nm工藝，配備288GB HBM3E記憶體，峰值2.3 PFLOPS，與B200直接競爭，2026年的MI400將邁入2nm，配備432GB HBM4記憶體，目標直指Rubin。算力服務環節，亞馬遜AWS、微軟Azure、GoogleCloud佔據全球雲算力市場的65%份額，其中AWS的Trainium晶片專為模型訓練設計，Inferentia晶片專為推理設計，形成“自研晶片+雲服務”的閉環；微軟Azure與輝達深度合作，推出Azure ND H100 v5虛擬機器，支援萬卡級叢集訓練；GoogleCloud推出TPU v5e晶片，能效比提升2倍，支撐空間大模型訓練。應用環節，美國在自動駕駛、AR/VR、生物醫藥等空間智能相關領域領先，特斯拉Autopilot採用自研D1晶片與多模態感知技術，自動駕駛Level 4等級的測試里程突破10億英里；Meta的Quest 3 VR裝置搭載空間感知晶片，實現高精度空間定位與虛擬場景融合；OpenAI與生物醫藥企業合作，利用空間大模型加速藥物研發，分子結建構模效率提升10倍。政策與資本支援方面，美國《晶片與科學法案》投500億美元用於算力基建，重點支援AI晶片研發與智算中心建設；國防部、能源部等部門持續投入資金支援空間智能相關技術研發；資本市場對算力企業的估值溢價顯著，輝達市值突破3兆美元，成為全球市值最高的企業之一。3.2.2 歐盟：政策驅動，聚焦協同與綠色歐盟算力產業鏈以政策驅動為核心，聚焦算力協同與綠色低碳，試圖通過“聯合創新”突破美國技術壟斷。晶片環節，歐盟缺乏具有全球競爭力的晶片企業，主要依賴輝達、AMD等美國企業，同時通過“歐洲晶片計畫”投入430億歐元支援本土晶片研發，目標2030年本土晶片產能佔全球20%。重點發展方向為專用晶片，如用於工業智能空間的ASIC晶片、用於自動駕駛的邊緣晶片。算力基礎設施環節，歐盟“數字羅盤計畫”提出建設100個百億億次超算節點，支撐空間智能、氣候變化、生物醫藥等領域的科研與應用；推動“歐洲算力聯盟”（EUC）建設，整合成員國算力資源，實現跨區域算力協同。2025年歐盟已建成20個超算節點，其中芬蘭LUMI超算、德國JUWELS超算躋身全球前十，支援工業數字孿生、城市空間規劃等場景。應用環節，歐盟聚焦智慧城市與工業4.0，推出“智慧城市和社區創新夥伴關係”計畫，支援200個智慧城市試點項目；德國“工業4.0”戰略推動工業智能空間落地，西門子數字孿生工廠覆蓋率達70%，生產線效率提升20%以上；法國在智能交通領域領先，巴黎建成全域智能交通管理系統，交通擁堵率下降30%。綠色算力是歐盟的核心特色，提出2030年資料中心全生命周期碳排放量較2020年下降50%，新建智算中心綠電佔比超90%；推廣液冷、風能、太陽能等綠色技術，芬蘭LUMI超算採用水力發電，PUE降至1.05以下，為全球最低之一。3.2.3 其他國家：差異化佈局，依附核心市場日本聚焦機器人與智能感測領域，索尼、松下等企業在LiDAR、毫米波雷達等感測器技術上具有優勢，索尼Vision-S電動概念車搭載28個感測器，實現高精度空間感知；軟銀集團投資大量具身智慧型手機器人企業，推動空間智能在服務機器人領域的應用。政策方面，日本《數字社會推進基本法》投入200億美元支援算力基建，目標2025年智能算力規模達100 EFLOPS。韓國聚焦晶片與終端裝置，三星電子在晶片製造領域具有優勢，2025年實現3nm製程量產，為輝達、AMD提供代工服務；SK海力士在HBM記憶體領域佔據全球40%份額，支撐高端AI晶片的記憶體需求；三星Galaxy S25手機搭載自研NPU晶片，算力達40 TOPS，支援AR空間互動。其他開發中國家主要依附歐美核心市場，通過承接算力服務外包、引進技術等方式發展，如印度、東南亞國家聚焦算力服務外包，為歐美企業提供資料標註、模型訓練輔助服務；巴西、南非等國家推動智慧城市試點，引進歐美成熟技術與裝置。3.3 中國算力產業鏈：自主可控加速，“一超多強”格局顯現3.3.1 上游核心硬體：國產替代加速，突破關鍵瓶頸晶片環節，中國形成“一超多強”的格局，昇騰系列晶片扮演“頭雁”角色，搭建“晶片-框架-叢集-應用”的四級閉環，已支援建造多個萬卡級叢集，2025年推出384卡超節點新形態，最大算力可達300 PFLOPS，配備創新的高速互聯匯流排，大幅提升大模型訓推效率。寒武紀聚焦AI專用晶片，2024年四季度首次實現單季度盈利，2025年前三季度營收46.07億元，同比增長2386.38%，歸母淨利潤16.05億元，核心產品寒武紀590替代率達15%。國產GPU“四小龍”（摩爾線程、沐曦股份、壁仞科技、燧原科技）加速崛起，2025年迎來上市潮：摩爾線程12月5日登陸科創板，上市首日股價躋身A股Top 3，市值3595億元，業務覆蓋AI智算、圖形渲染和智能座艙SoC晶片等領域；沐曦股份12月17日登陸科創板，總募資規模約41.97億元，核心產品曦雲C600性能介於A100和H100之間，實現全流程國產供應鏈閉環，2026年上半年正式量產；壁仞科技港股IPO獲備案，聚焦高性能通用GPU，公開融資總額超50億元；燧原科技啟動上市輔導，擬在科創板上市。其他硬體環節，中國在伺服器、光模組、感測器等領域具有全球競爭力：伺服器領域，浪潮資訊、華為佔據全球智算伺服器市場的25%份額，浪潮AI伺服器出貨量全球第一；光模組領域，中際旭創、天孚通信在CPO、OCS等技術上領先，2025年全球市場份額達30%；感測器領域，華為、大疆創新在LiDAR領域突破，車規級LiDAR單價降至800元以下，國內市場份額達20%。3.3.2 中游算力服務：基建領先，服務生態完善算力基礎設施方面，中國“東數西算”工程成效顯著，建成8大算力樞紐、10個國家資料中心叢集，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。截至2025年3月底，中國智能算力規模達748 EFLOPS，預計2026年達1460.3 EFLOPS，2028年達2781.9 EFLOPS。頭部智算中心包括華為昇騰AI計算中心、阿里達摩院智算中心、騰訊智算中心等，其中華為昇騰AI計算中心已在全國建成20個節點，總算力達500 EFLOPS。算力服務方面，阿里雲、騰訊雲、百度智能雲、華為雲佔據國內雲算力市場的80%份額：阿里雲推出“飛天智算平台”，支援萬卡級大模型訓練，服務超10萬家企業；騰訊雲推出“混元智算平台”，整合自研晶片與輝達晶片，提供彈性算力租賃服務；百度智能雲“千帆大模型平台”聚焦空間大模型服務，已接入百度文心空間大模型等20餘款行業大模型；華為雲“盤古算力平台”依託昇騰晶片，提供全端國產化算力服務。算力網路方面，中國營運商牽頭推動算力網路建設，中國電信“天翼算力網路”、中國移動“算力網路”、中國聯通“智慧算力網路”已實現全國主要城市覆蓋，支援算力的按需調度與跨省互聯。2025年國內營運商算力投資增20%以上，算力核心產業規模2026年達2.6兆元，帶動相關產業超12兆元。3.3.3 下游應用：場景豐富，規模化落地加速中國空間智能應用場景豐富，智慧城市、工業智能空間、智能家居、自動駕駛等領域均實現規模化落地：智慧城市領域，試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設，城市治理響應速度提升70%，能耗管理效率提高45%；工業智能空間領域，數字孿生工廠覆蓋率突破60%，基於邊緣計算的即時最佳化系統使生產線OEE平均提升18個百分點；智能家居領域，全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台；自動駕駛領域，百度Apollo、小鵬汽車、理想汽車等企業的Level 3等級自動駕駛車型實現量產，Level 4等級在特定區域試點營運。政策支援方面，中國出台多項專項政策推動算力與空間智能產業發展：《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心，完成73項行業標準制定；《“十四五”數字經濟發展規劃》要求2025年智能家居市場滲透率達到40%；《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上，存量建築改造率不低於60%。3.4 國內外產業鏈對比：差距與優勢並存3.4.1 核心差距：高端晶片與生態建構1. 高端晶片技術差距：國外晶片製程已推進至2nm，輝達B200、AMD MI350等產品性能領先，國內最先進製程為3nm，昇騰910B、沐曦C600等產品性能介於A100和H100之間，與最新產品存在一代差距；晶片架構設計能力不足，國外企業擁有成熟的GPU架構（如輝達CUDA架構），國內架構生態尚在建構。2. 軟體生態差距：國外形成“晶片-框架-應用”的完整生態，輝達CUDA生態擁有數百萬開發者，支援各類AI框架與應用；國內生態較為分散，昇騰MindSpore、百度飛槳等框架的開發者數量與應用覆蓋度不足，跨框架相容性差。3. 高端感測器差距：LiDAR、毫米波雷達等高端感測器的核心元器件（如雷射發射器、探測器）依賴進口，國內企業在精度、可靠性等方面存在差距，車規級LiDAR的國外品牌市場份額達80%。3.4.2 中國優勢：市場規模與政策支援1. 龐大的市場需求：中國是全球最大的算力與空間智能應用市場，2025年智能算力規模佔全球37.8%，智慧城市、工業製造等場景的需求規模全球領先，為本土企業提供了廣闊的試錯與迭代空間。2. 強有力的政策支援：國家層面出台多項專項政策，從算力基建、技術研發、標準制定到應用推廣全方位支援，“東數西算”工程、新基建戰略等為產業發展提供了充足的資金與資源保障。3. 完善的製造業基礎：中國擁有全球最完整的電子資訊製造業產業鏈，在伺服器、光模組、終端裝置等硬體製造領域具有全球競爭力，可支撐算力產業鏈的本地化生產與成本控制。4. 快速的迭代速度：本土企業在應用場景落地方面迭代速度快，能夠快速響應客戶需求，在智慧城市、工業智能空間等細分場景形成差異化優勢。3.4.3 未來競爭焦點：異構算力與生態協同未來全球算力產業鏈的競爭焦點將集中在異構算力協同與生態建構：一是異構算力晶片的研發，整合GPU、CPU、NPU等多種晶片優勢，提升算力能效比；二是統一調度平台的建設，實現雲端-邊緣-終端的算力協同；三是開放生態的建構，通過開源框架、開發者社區等吸引全球開發者，擴大應用覆蓋度；四是綠色算力的突破，通過液冷、綠電等技術降低能耗，提升產業可持續性。第四章 算力需求分析：空間智能驅動的分層需求與增長邏輯4.1 算力需求總體特徵：規模爆發與結構分化2025年全球算力需求呈現“規模爆發式增長”與“結構差異化分化”的雙重特徵。從規模來看，全球智能算力規模達1980 EFLOPS，較2023年增長5倍，其中空間智能相關算力需求達693 EFLOPS，佔比35%，成為核心增長引擎。IDC測算2025年全球AI模型訓練與推理算力需求650 EFLOPS，多模態模型貢獻60%算力增量，而空間智能是多模態模型的核心應用場景。從結構來看，算力需求呈現三大分化趨勢：一是訓練與推理分化，訓練算力2025-2027年CAGR 25%-30%，主要用於GPT-5等兆級空間大模型預訓練；推理算力同期CAGR 90%-100%，為訓練的近4倍，2028年規模超訓練，成為算力增長主力，主要源於空間智能應用的規模化落地（如自動駕駛推理、智能路側感知）。二是算力形態分化，雲端算力佔比70%-75%，但邊緣算力增速（CAGR 50%-60%）遠超雲端，終端算力穩步增長，形成“雲端重訓練、邊緣重推理、終端重感知”的格局。三是行業需求分化，網際網路行業仍佔主導（60%），但金融、醫療、自動駕駛、工業模擬等場景增速超行業平均，生物醫藥AI模型訓練需求同比增210%。算力需求的增長邏輯可總結為“技術驅動-場景牽引-政策護航”三大核心要素：技術驅動方面，空間大模型參數規模從千億級邁向兆級，GPT-5級空間模型訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，倒逼算力規模提升；場景牽引方面，智慧城市、自動駕駛等場景的規模化落地，帶來海量即時推理需求，Token消耗激增，中信證券預計2030年全球Token消耗為2025年的100-340倍，推理算力規模為2025年的65-220倍；政策護航方面，全球主要經濟體出台算力基建支援政策，中國“東數西算”、美國《晶片與科學法案》、歐盟“數字羅盤計畫”等為算力需求增長提供保障。4.2 分行業算力需求：核心場景與量化分析4.2.1 智慧城市：全域感知與智能調度的算力盛宴智慧城市是空間智能的核心應用場景，算力需求源於全域空間感知、數字孿生建模、智能調度決策三大環節，2025年算力需求達180 EFLOPS，佔空間智能總算力的25.9%。具體場景包括智能交通、智能安防、智能市政、智慧能源等：1. 智能交通：核心需求是即時交通感知與動態調度，單條智能路側裝置（含LiDAR、攝影機、雷達）每秒產生10GB資料，需邊緣算力進行即時處理（目標識別、軌跡預測），單路裝置推理算力需求達10 TOPS；城市級智能交通調度平台需雲端算力進行全域最佳化，一線城市（如北京、上海）調度平台的雲端算力需求達5 EFLOPS。2025年智能交通領域算力需求達80 EFLOPS，同比增長70%。2. 智能安防：核心需求是全域視訊監控與異常行為識別，超大城市的視訊監控點位超10萬個，單個點位需0.5 TOPS推理算力，邊緣端總算力需求達5 EFLOPS；雲端需進行視訊資料回溯分析與模型訓練，算力需求達2 EFLOPS。2025年智能安防領域算力需求達15 EFLOPS，同比增長50%。3. 數字孿生城市：核心需求是全域3D建模與動態模擬，超大城市全域數字孿生建模需處理PB級空間資料，訓練算力需求達10 EFLOPS；動態模擬需即時更新城市狀態，推理算力需求達5 EFLOPS。2025年數字孿生城市領域算力需求達30 EFLOPS，同比增長100%。4. 智慧能源：核心需求是電網、管網的空間監測與最佳化調度，城市級電網數字孿生需處理海量感測器資料，推理算力需求達3 EFLOPS；能源調度最佳化模型訓練需1 EFLOPS算力。2025年智慧能源領域算力需求達8 EFLOPS，同比增長60%。政策驅動是智慧城市算力需求增長的核心動力，中國《智能空間產業發展行動計畫（2025-2030）》要求2025年前完成200個智慧城市試點建設，配套財政補貼規模超800億元；住建部《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上。 (AI雲原生智能算力架構)

如果說2025是人形機器人和四足機器人的元年，那麼即將到來的2026年，這個產業的格局會發生那些重要變化？日前，野村證券發佈研究報告指出，全球人形及四足機器人市場仍處萌芽階段，行業頭部玩家格局清晰：人形機器人領域以特斯拉和Figure AI為主，四足機器人領域則以波士頓動力領跑。但在2026年，中國人形及四足機器人行業的量產進度將趕超特斯拉。野村認為，這主要得益於中國多數企業的產品設計策略——為實現更快量產及更低成本，主動捨棄了高擬人化性能，如採用輪式底盤、非靈巧手方案等。Part.01 特斯拉Optimus：明年預計量產6-8萬台全球人形及四足機器人市場仍處萌芽階段，受供應鏈複雜度高、技術壁壘突出等因素影響，量產進度整體慢於初期預期。從應用進展來看，特斯拉推進速度最為顯著，截至2025年末，其Optimus機器人已在工廠小範圍執行實用性任務。儘管如此，特斯拉自身發展規劃仍存諸多不確定性：第三代Optimus的最終設計方案仍在迭代，量產節奏尚未完全敲定，且供應鏈份額爭奪已進入白熱化階段，長期來看Optimus供應商的供貨規模與份額均無明確預期。據野村從供應鏈企業處獲取的資訊測算，這家頭部機器人企業或將於2026年3月後啟動產能爬坡，2026年預計交付6萬-8萬台Optimus，到2026年下半年周產能有望達到1000-2000台。若要達成這一目標，核心供應商需具備非中國地區產能。特斯拉方面表示，初期Optimus將優先部署於自有工廠，承擔重複性任務以快速提升生產效率，同時持續迭代技術，計畫2027年實現更大範圍商業化落地。Part.02 中國人形機器人：2026年量產提速野村認為，2026年中國人形及四足機器人行業的量產進度將趕超特斯拉，這主要得益於中國多數企業的產品設計策略——為實現更快量產及更低成本，主動捨棄了高擬人化性能（如採用輪式底盤、非靈巧手方案）。據高工產研資料，中國多家頭部企業已披露明確量產規劃，2026年人形及四足機器人合計年產能有望達5萬-10萬台，其中優必選、宇樹科技、智元機器人、傅里葉智能、深之藍推進力度最大，2026年已能形成可觀出貨量。但中國機器人供應鏈呈現高度封閉且碎片化的特徵：部分廠商選擇垂直整合模式，或優先採購高性價比零部件（如減速器、電機、滾珠絲槓等），且幾乎每家企業的機器人都採用專屬機械架構，難以實現零部件層面的標準化，進而限制了供應商的盈利空間。據野村測算，2026年優必選、宇樹科技、靈動科技、智元機器人、傅里葉智能、深之藍這六家企業將引領行業產能釋放，基準情景下合計出貨量可達11萬-20萬台（含四足機器人）。初期大批次應用將集中於變現快、監管門檻低的商業服務場景，包括倉儲/庫存巡檢、安防巡邏、資料採集以及酒店/零售場景的迎賓導覽等。Part.03 2026年機器人投資策略2026年人形機器人市場的結構性增長仍受制約，量產節奏的時間節點、頭部企業（如特斯拉第三代Optimus）的最終產品設計、供應鏈份額分配均存變數，短期內難以對產業鏈企業業績形成實質性貢獻。因此，對於特斯拉產業鏈標的，野村更青睞核心非機器人業務具備強勁且明確增長動能的企業，其人形機器人業務應被視為高彈性長期期權，2027-2028年才有望兌現業績，而非2026年的盈利驅動項。對於中國機器人產業鏈，野村看好兩類企業：一是具備真實技術護城河的企業，二是在關鍵子系統領域佔據主導地位的企業——這類企業將在2026年國內機器人市場迎來20萬台以上出貨浪潮時，獲取超額收益，且隨著當前主流機型（人形、輪式底盤、非靈巧手方案）啟動量產，它們將成為直接受益者。整體而言，野村對核心業務增長紮實且細分領域具備競爭優勢的企業持選擇性樂觀態度。野村重申對雙環傳動的買入評級，其已確認進入Optimus供應鏈，同時同軸產品增長加速，2026年消費領域業務也將實現可持續擴張。奧比中光依然是野村在機器人領域的結構性首選標的，其在機器視覺領域佔據主導地位，且2026年3D列印及支付業務增長前景超預期。 (智通財經APP)圖表：人形及四足機器人企業量產規劃