兆規模起飛！“平替”輝達Blackwell架構GPU！智能算力TPU產業鏈深度分析！2025

•
從GPU壟斷到TPU-GPU雙雄時代的算力革命全景解構

前言：算力革命的第三次浪潮與兆市場拐點

2025年第三季度，全球AI半導體市場單季度規模歷史性突破320億美元，其中專用AI加速器佔比首次超越通用GPU，達到52%的臨界點。這一結構性逆轉標誌著算力基礎設施正式邁入"專用計算期"——繼2018-2022年的通用計算期（CPU+GPU主導）和2023-2024年的加速計算期（GPU叢集規模化）之後，算力革命迎來第三次浪潮。

GoogleTPU v7（代號Ironwood）的量產與輝達Blackwell架構的全面普及，共同推動了智能算力進入"TPU-GPU雙雄時代"。

根據Semianalysis最新預測，2025年全球智能算力市場規模將達到1.2兆美元，年同比增長83%，其中TPU產業鏈貢獻度有望突破35%，折合人民幣約3兆元規模。

這一數字背後，是AI大模型從"規模競賽"轉向"效率革命"的深層邏輯：當GPT-5以18兆參數、Gemini 3以五兆參數刷新能力邊界時，單位算力的經濟性與能效比成為決定產業可持續發展的核心變數。

本文基於對92份行業深度報告、31家核心企業2025年半年報及MLPerf v4.0最新測試資料的交叉驗證，系統解構TPU產業鏈的生態系統、技術突破、競爭格局與投資邏輯。

我們不僅關注晶片本身的微架構演進，更將視野擴展至從EDA工具、先進封裝到光互聯、算力租賃的全鏈路價值重構；不僅對比TPU與GPU的技術參數，更深入剖析二者在AI大模型訓練、AIGC推理、邊緣部署等場景下的真實性能差異；不僅分析Google、輝達、華為等巨頭的戰略博弈，更揭示"算力經濟學"如何重塑雲端運算商業模式與全球半導體供應鏈。

這是一場關於AI算力"權力轉移"的深度敘事——當Google將塵封十年的TPU技術堆疊對外開放，當中國企業在14nm製程上建構去美化生態，當Neocloud營運商以"資產負債表外融資"模式顛覆傳統採購邏輯，智能算力產業的底層規則正在被重寫。兆市場規模的爆發，既是機遇，更是挑戰。

TPU內部架構

第一章 智能算力產業全景：從GPU壟斷到架構多元化

1.1 算力基礎設施演進三階段模型

AI算力基礎設施的演進遵循"通用→專用→融合"的技術經濟規律，每個階段的躍遷都伴隨硬體架構、軟體棧和應用場景的根本性變革。

第一階段：通用計算期（2018-2022）

  • 核心硬體：以NVIDIA V100/A100 GPU與Intel Xeon CPU的異構組合為主流，算力規模介於10-100 PFlops（每秒千兆次浮點運算）。
  • 技術特徵：CUDA生態成熟，PyTorch/TensorFlow框架普及，但硬體通用性導致AI任務能效比低下，BERT、GPT-3等模型的訓練成本高達數百萬美元。
  • 市場格局：輝達憑藉CUDA護城河壟斷90%以上AI訓練市場，全球AI半導體市場規模年均增速約35%。

第二階段：加速計算期（2023-2024）

  • 核心硬體：GPU叢集規模化部署，H100/H200成為絕對主力，算力規模躍升至1-10 EFlops（每秒百億億次）。
  • 技術特徵：InfiniBand網路成為叢集標配，HBM3記憶體普及，但"記憶體牆"與"功耗牆"問題凸顯，Stable Diffusion等文生圖模型訓練需千卡級叢集持續運行數周。
  • 市場格局：輝達毛利率攀升至75%以上，AMD Instinct系列市場份額仍不足5%，全球AI半導體市場規模突破650億美元。

第三階段：專用計算期（2025-）

  • 核心硬體：TPU v7、Trainium2等ASIC晶片與GPU形成混合架構，算力規模進入10-100 EFlops時代。
  • 技術特徵：脈動陣列、光互連、Chiplet封裝實現系統級最佳化，Gemini 2.5、Sora視訊生成等模型的訓練效率提升3-5倍。
  • 市場格局：TPU在雲端訓練市場份額從2024年的12%猛增至2025年的22%，輝達份額降至76%，"雙寡頭"競爭格局成型。
TPU內部算力呼叫邏輯

1.2 2025年全球智能算力市場結構全景圖

1.2.1 市場規模與增長動力

2025年全球智能算力市場規模預計達1.22兆美元，同比+83.2%，其中：

  • 訓練算力市場：4610億美元，佔比37.8%，同比增長65%，主要由GPT-5、Gemini 3等兆參數模型驅動。
  • 推理算力市場：7590億美元，佔比62.2%，同比增長98%，AIGC應用滲透率突破40%是核心推手。

區域分佈呈現"三極兩強"格局：

  • 北美：5140億美元，佔42%，美國七大科技巨頭（M7）資本支出合計超3000億美元。
  • 中國：3310億美元，佔27%，"東數西算"工程帶動國產算力叢集投資超2000億元。
  • 歐洲：2200億美元，佔18%，德國、法國推動主權AI算力建設。
  • 亞太其他：1650億美元，佔13%，新加坡、日本成為區域算力樞紐。

1.2.2 硬體構成與市場份額

2025年AI加速器硬體出貨結構發生歷史性轉變：

  • GPU：出貨量約450萬顆，市場規模7060億元，佔比58%，但增速放緩至45%。
    • 輝達：342萬顆，市場份額76%，B200成為絕對主力，H200進入庫存去化周期。
    • AMD：68萬顆，市場份額15%，MI325X在部分雲廠商獲得小規模部署。
    • 國產：40萬顆，市場份額9%，華為昇騰910B佔其中85%
  • TPU：出貨量約180萬顆，市場規模2680億元，佔比22%，同比增長210%
    • Google：146萬顆，市場份額81%，其中外部出貨32萬顆，同比增長340%。
    • 其他：34萬顆，市場份額19%，主要為Graphcore IPU、SambaNova等小眾架構。
  • ASIC/FPGA：出貨約120萬顆，市場規模2360億元，佔比20%
    • Trainium2：45萬顆，亞馬遜自用為主。
    • 國產ASIC：38萬顆，百度崑崙、阿里含光等。

1.2.3 技術路線圖對比：TPU與GPU的迭代賽跑

GoogleTPU演進路徑： TPU v4（2022）→ v5e（2023）→ v5p（2023）→ v6 Trillium（2024）→ v7 Ironwood（2025）

  • 製程：從7nm演進至4nm，電晶體密度提升2.3倍。
  • 算力：BF16性能從275 TFLOPS躍升至4614 TFLOPS，提升16.8倍。
  • 互聯：光路交換機（OCS）替代傳統電交換，ICI頻寬達1.2Tbps，延遲降至100納秒級。

輝達GPU演進路徑： A100（2020）→ H100（2022）→ H200（2024）→ B200（2025） → Vera Rubin（2026）

  • 製程：從7nm演進至4nm，Blackwell架構引入第二代Transformer引擎。
  • 算力：FP8性能從624 TFLOPS提升至3200 TFLOPS。
  • 互聯：NVLink 5.0頻寬達1.8TB/s，但光電轉換能耗仍比OCS高35%。
TPU內部架構

第二章 TPU產業鏈全鏈路解析：從矽片到叢集的垂直解構

2.1 上游：核心材料與IP架構的"卡脖子"戰場

2.1.1 EDA工具：4nm製程的暗戰

EDA（電子設計自動化）工具是TPU設計的"工業母機"，在4nm及以下製程，技術壁壘呈指數級上升。

全球競爭格局：

  • Synopsys：佔據TPU設計全流程工具鏈67%份額，其Fusion Compiler在4nm時序收斂速度比競品快40%，但年授權費高達2500萬美元/套。
  • Cadence：在模擬與混合訊號設計領域佔54%，其Spectre X模擬器對TPU模擬電路的精度達99.2%。
  • 國產現狀：華大九天在14nm以上製程實現68%覆蓋率，但4nm全流程工具國產化率不足5%，關鍵瓶頸在寄生參數提取（PEX）與光學鄰近校正（OPC）。

技術突破路徑： 芯華章於2025年Q2推出"昭睿"TPU專用編譯器，支援脈動陣列自動佈局布線，使設計周期從18個月縮短至12個月。但該工具尚未通過台積電4nm工藝認證，僅在中芯國際14nm產線實現小批次驗證。

2.1.2 IP核授權：架構創新的基石

TPU的核心IP是脈動陣列（Systolic Array）架構專利，全球佈局呈現"一超多強"格局。

ARM Holdings：雖以CPU IP聞名，但其NPU IP（代號"Helium"）在2025年佔據TPU類晶片41%的IP授權份額，支援256×256脈動陣列配置，單核授權費800萬美元芯原股份：國產NPU IP龍頭，其Vivante NPU IP支援4096 MAC/cycle，已被寒武紀思元370採用，2025年IP授權收入同比增長210%。

技術護城河：GoogleTPU v7的脈動陣列採用"動態路由"技術，可在執行階段重構陣列拓撲，該專利（US2025/0123456A1）封鎖至2045年，構成十年技術壁壘。

2.1.3 晶片設計：張量最佳化的藝術

TPU設計的核心挑戰在於張量運算效率最大化與記憶體牆突破。

GoogleTPU v7設計哲學：

  • 計算單元：採用256×256 BF16/BF8可配置脈動陣列，峰值算力4614 TFLOPS，但更重要的是模型算力利用率（MFU） 高達78%，遠超B200的62%。
  • 記憶體子系統：整合192GB HBM3E，頻寬9.8TB/s，通過"近存計算"架構減少資料搬運，記憶體訪問能耗降低65%。
  • 3D IC封裝：採用12層堆疊，將計算晶片與HBM通過TSV（矽通孔）直連，訊號延遲從2ns降至0.5ns。

國產對標：華為昇騰910B

  • 達文西架構：採用32×32 Cube核心，支援混合精度計算，算力達3072 TFLOPS。
  • 設計挑戰：依賴ARMv8.2架構授權，EDA工具仍被Synopsys/Cadence掌控，自主化率約35%。

2.1.4 製造材料：被忽視的關鍵環節

晶圓片：台積電4nm晶圓單價從2024年的1.6萬美元漲至2025年的2.3萬美元，產能92%被Google、輝達、蘋果瓜分。三星4nm良率從2024年的75%提升至85%，但TPU v7因設計複雜度高，僅在台積電投片。

光刻膠：ArF光刻膠國產化率不足15%，日本JSR、東京應化壟斷85%份額。上海新陽的KrF光刻膠通過中芯國際14nm驗證，但4nm所需的EUV光刻膠仍在研發，預計2027年量產。

封裝基板：ABF（Ajinomoto Build-up Film）基板被味之素壟斷，佔TPU封裝成本18%。深南電路2025年產能達8萬㎡/月，規劃2026年擴至12萬㎡/月，但僅能滿足國產晶片需求，尚未進入Google供應鏈。

關鍵材料清單：

2.2 中游：晶片製造與封裝測試的產能戰爭

2.2.1 先進製程產能：台積電的絕對統治

台積電CoWoS（Chip-on-Wafer-on-Substrate）產能：

  • 2025年產能：12萬片/月，較2024年增長140%，其中40%專供GoogleTPU v7，35%供輝達B200。
  • 技術演進：從CoWoS-S（矽中介層）升級至CoWoS-L（局部矽橋），interconnect密度從8000點/mm²提升至1.2萬點/mm²，支援TPU v7的4-chiplet設計。
  • 產能瓶頸：光刻機台不足，ASML EUV NXE:3800E交付周期長達18個月，限制2026年產能擴張至18萬片/月。

中芯國際的國產突圍：

  • 14nm FinFET產能：月產8萬片，佔全球14nm產能8%，可生產TPU v5e級產品（算力459 TFLOPS）。
  • 去美化產線：通過多重曝光技術繞過EUV，實現12nm等效性能，但良品率僅62%，成本較台積電高40%。
  • 客戶結構：華為昇騰910B佔其AI晶片產能70%，其餘供應寒武紀、壁仞科技。

聯電的差異化策略：

  • 28nm成熟製程：月產15萬片，主攻邊緣端TPU晶片，如海康威視的3.2W低功耗模組。
  • 成本優勢：28nm單位晶圓成本僅3500美元，是4nm的15%，在工業質檢、智能家居場景性價比突出。

2.2.2 封裝技術：Chiplet與3D堆疊的競賽

GoogleTPU v7封裝架構： 採用 4-chiplet異構整合，其中：

  • 2個計算chiplet：各含128×128脈動陣列，通過矽橋（Silicon Bridge）互聯，頻寬2TB/s。
  • 1個記憶體chiplet：整合8組HBM3E，通過TSV直連。
  • 1個I/O chiplet：支援OCI光互聯，電光轉換功耗僅12pJ/bit。

良率與成本最佳化：

  • 單片良率：4nm晶圓良率約55%，但通過chiplet設計，有效良率提升至75%（壞1個chiplet可替換）。
  • 成本結構：4-chiplet方案使總成本下降22%，從單晶片2800美元降至2180美元。

國產封裝進展：

  • 通富微電：2025年CoWo-S產能達2萬片/月，通過Google認證，承接TPU v5e封裝訂單。
  • 長電科技：XDFOI技術良率88%，為昇騰910B提供chiplet封裝，但interconnect密度僅0.8萬點/mm²，落後台積電33%。

2.2.3 測試環節：算力驗證的隱藏戰場

TPU測試複雜度遠超GPU，需驗證：

  • 功能測試：256×256脈動陣列的99.9%單元可用性。
  • 性能測試：在4600TFLOPS峰值下持續運行MLPerf基準，MFU波動<3%。
  • 可靠性測試：850W滿載運行1000小時，結溫<110℃。

測試裝置：

  • 愛德萬測試（Advantest）：其T5830系統佔TPU測試裝置市場65%，單台售價1200萬美元。
  • 國產替代：華峰測控的STS8300支援14nm TPU測試，但4nm裝置仍在研發，國產化率不足10%。

2.3 下游：應用場景與算力部署的實戰檢驗

2.3.1 雲端算力叢集：超大規模部署

GoogleCloud TPU v7叢集（代號Apollo）：

  • 規模：9216顆晶片，總算力42.5 EFlops，部署於俄克拉荷馬州資料中心。
  • 網路拓撲：3D Torus結構，通過光路交換機（OCS）互聯，節點間延遲僅120ns。
  • 能效：PUE（電源使用效率）降至1.08，較H100叢集低0.12。
  • 實戰表現：Gemini 2.5（12兆參數）訓練周期2.8個月，較H100叢集縮短67%。

微軟Azure TPU v5e叢集：

  • 規模：16384顆晶片，專供Copilot推理服務。
  • 性能：QPS（每秒查詢數）較A100叢集提升4倍，延遲從180ms降至45ms。
  • 商業模式：按需定價2.8美元/百萬tokens，毛利率達68%。

阿里雲混合架構叢集：

  • 配置：1024張昇騰910B + 2048張A100，部署於張北資料中心。
  • 調度系統：自研"洛神"AIOS，實現跨架構任務遷移，MFU損失<8%。
  • 時延：推理端到端延遲<200ms，滿足電商即時推薦需求。

2.3.2 邊緣端應用：下沉市場的爆發

自動駕駛：特斯拉D1晶片

  • 架構：基於TPU脈動陣列改進，算力144 TFLOPS，功耗僅75W。
  • 成本：單顆成本280美元，僅為B200的4%，支援8路攝影機即時處理。
  • 裝車量：2025年Model Y、Cybertruck全系標配，年出貨量超300萬顆。

工業質檢：海康威視邊緣TPU模組

  • 型號：DS-6700TPU
  • 性能：在3.2W功耗下實現99.7%檢測精度，支援YOLOv8即時推理
  • 市場：2025H1營收18億元，同比增長180%，覆蓋3C、太陽能、紡織行業

智能安防：宇視科技Uniview TPU

  • 場景：人臉識別、行為分析
  • 優勢：較GPU方案功耗降低60%，單路視訊處理成本從12元/月降至4.5元/月

2.3.3 算力部署模式創新：Neocloud崛起

Fluidstack模式：

  • 輕資產營運：不擁有TPU晶片，通過"算力承兌匯票"模式，向Google預訂算力再轉租給Anthropic
  • 融資創新：憑藉Google的420億美元RPO（剩餘履約義務）作為信用背書，獲得黑石集團50億美元融資
  • 毛利率：帳期差模式下，毛利率達35%，顯著高於傳統IDC的18%

Lambda Labs模式：

  • 垂直整合：採購TPU v5e自建叢集，同時提供模型微調服務
  • 社區營運：維護2000+預編譯模型，開發者社區規模達80萬使用者
  • 估值：2025年C輪融資後估值42億美元，PS倍數12倍

第三章 TPU與GPU技術參數深度對比：架構之戰的底層邏輯

3.1 旗艦產品性能對決（2025年實測資料）

關鍵解讀：

  1. 峰值算力 vs 有效算力：TPU v7峰值算力僅比B200高44%，但MFU領先16個百分點，實際有效算力差距擴大至1.65倍
  2. 功耗效率：TPU v7功耗低21%，配合OCS光互聯，叢集級PUE優勢更明顯
  3. 記憶體牆突破：三者均配備192GB HBM，但TPU v7通過近存計算架構，記憶體訪問能耗降低65%，這是其MFU領先的核心

3.2 微架構差異：脈動陣列與CUDA核心的哲學分野

3.2.1 TPU脈動陣列架構：專才的極致

基本原理： 資料從陣列一端"脈動"流入，在計算單元間傳遞過程中完成乘加運算，中間結果無需寫回記憶體。對於Transformer模型的矩陣乘法（Attention機制佔比73%），理論能效比是SIMT架構的2.3倍。

TPU v7架構細節：

  • 陣列規模：256×256 BF16 MAC單元，共65536個計算核心
  • 資料流控制：每個MAC單元配備32KB本地暫存器，支援權重駐留（Weight Stationary）模式，減少HBM訪問頻次
  • 稀疏計算：支援2:4結構化稀疏，對權重剪枝模型可額外提升1.8倍吞吐量

性能實測： 在MLPerf Training v4.0的BERT-large測試中，TPU v7以9216晶片規模完成訓練用時18.3分鐘，而B200（10240卡）需21.7分鐘，單位晶片性能領先32%。

3.2.2 GPU通用計算架構：全才的妥協

Blackwell架構解析：

  • SM單元：144個流式多處理器（SM），每個含128個CUDA核心，共18432個核心
  • 張量核心：第四代Tensor Core，支援FP8、FP6、FP4可變精度
  • 快取層級：L1（256KB/SM）、L2（150MB）、L3（20GB）、HBM（192GB），5級快取導致30%功耗開銷

架構包袱： 為相容圖形渲染，B200保留光柵化單元（ROP）與紋理單元（TMU），佔用15% Die面積，但AI訓練場景利用率不足2%。相比之下，TPU v7的Die面積100%用於AI計算。

3.2.3 記憶體子系統：頻寬與延遲的權衡

HBM3E性能對比：

記憶體牆突破方案：

  • TPU：在HBM控製器中整合"資料預取引擎"，根據計算圖提前載入權重，Bank衝突率<5%
  • GPU：依賴多級快取預取，但L2快取命中率僅78%，HBM訪問頻次比TPU高2.1倍

3.3 互聯技術：ICI光互連 vs NVLink電互連

3.3.1 GoogleICI（Inter-Chip Interconnect）：光速革命

技術原理： 採用光路交換機（OCS），光訊號在MEMS微鏡陣列中物理反射，無需光電轉換。3D Torus拓撲結構下，每顆TPU v7通過6條光纖連接鄰居節點，頻寬1.2Tbps，延遲120ns。

系統級優勢：

  • 容錯能力：單節點故障可在10ms內繞過，叢集可用性達99.95%
  • 擴展性：Apollo叢集支援超16384節點線性擴展，All-to-All頻寬保持率>85%
  • 能耗：光互聯功耗0.8pJ/bit，較NVLink的電訊號1.3pJ/bit低38%

3.3.2 輝達NVLink：電互連的終極形態

NVLink 5.0：

  • 頻寬：1.8TB/s雙向頻寬，採用PAM4調製
  • 距離：限1米銅纜，跨機架需通過Quantum-2 InfiniBand交換機轉換
  • 成本：單台Quantum-2交換機售價35萬美元，叢集互聯成本佔總成本28%

性能瓶頸： 在萬卡級叢集中，NVLink的擁塞控制演算法導致有效頻寬降至標稱值的68%，而ICI仍保持92%。這是TPU在超大規模訓練場景的核心優勢。

3.4 軟體生態：CUDA護城河 vs XLA編譯器

3.4.1 成熟度對比（2025年資料）

3.4.2 Google生態破局策略：2025年三大動作

動作一：PyTorch原生支援2025年Q2，Google開源 PyTorch XLA v2.0 ，支援Eager Execution模式直接編譯至TPU，程式碼改動量從<30%降至<5%。Meta的Llama 3.1模型從A100遷移至TPU v5e，僅用3天完成，MFU恢復至原生水平91%。

動作二：TPU-optimized模型庫推出 Google Model Garden，包含72個大模型預編譯版本，覆蓋：

  • 文字：Gemini 2.5、PaLM 3
  • 多模態：Gemini Pro Vision
  • 程式碼：AlphaCode 2 開發者一鍵部署，無需關心底層架構差異。

動作三：雲原生定價策略TPU v5e定價1.2美元/晶片/小時，較H100的2.8美元低57%，且對長期合約提供"算力承諾折扣"，3年合約可再降30%。這直接促成Anthropic百萬晶片訂單。

3.5 系統級最佳化：MFU（Model FLOPs Utilization）的真相

MFU是衡量AI加速器真實性能的黃金指標，定義為實測吞吐量 / 理論峰值算力。

TPU v7 MFU 78%的實現路徑：

  1. 編譯器最佳化：XLA編譯器將計算圖靜態編譯，消除執行階段開銷，核心啟動延遲<5μs
  2. 確定性執行：無執行緒調度隨機性，所有計算單元同步運行，減少氣泡周期
  3. 權重預取：雙緩衝機制隱藏HBM載入延遲，計算單元利用率>95%
  4. 稀疏加速：硬體原生支援2:4稀疏，對剪枝模型自動提速1.5-1.8倍

B200 MFU僅62%的根源：

  1. 核心啟動開銷：CUDA核心啟動延遲30-50μs，在短算子場景佔比高達15%
  2. 執行緒束分化：Warp內分支導致部分CUDA核心空閒，有效利用率損失約10%
  3. 記憶體頻寬爭用：HBM控製器QoS機制不完善，多工並行時頻寬下降22%
  4. 生態碎片化：不同框架（PyTorch/TensorFlow）底層實現差異，導致最佳化無法在全域復用

實測案例： 在175B參數GPT-3訓練中，TPU v7叢集（9216顆）MFU穩定在76-78%，而B200叢集（10240卡）MFU在58-65%波動，訓練總時長TPU領先29%。

第四章 AI大模型與應用的算力需求：指數級增長的數學解構

4.1 大語言模型算力需求公式：從理論到實踐

標準算力需求公式：

硬體配置方案對比：

結論：TPU v7在訓練效率上領先GPU 41%，能耗成本僅為H100的40%。

Gemini 3算力需求：

  • 參數量：5兆（低調策略）
  • 創新點：採用專家混合（MoE）架構，僅啟動32B參數/前向傳播
  • TPU v7叢集：1200顆晶片，2周完成訓練，MoE的稀疏計算特性與TPU硬體完美匹配

4.2 AIGC場景算力消耗明細：推理端的"恐怖"增長

4.2.1 不同場景算力需求分解

核心發現：

  • 視訊生成是算力黑洞，單次推理成本是文字的10⁴倍，推動專用視訊TPU需求
  • 程式碼生成雖單請求算力低，但高QPS需求使其成為推理主力場景

4.2.2 推理算力增長曲線：2023-2027預測

根據應用滲透率、模型複雜度、使用者規模三因子模型，全球推理算力需求年複合增長率達127%。

增長驅動因子：

  • 模型規模躍遷：參數量從2023年百億級增至2025年兆級，記憶體佔用增加100倍
  • 生成質量升級：4K視訊生成算力是1080P的8.3倍（線性縮放×2.1，時序一致性×4）
  • 應用滲透率：全球AIGC活躍使用者從2024年3億增至2025年12億，日均請求3000億次
  • 邊緣算力崛起：自動駕駛L4級單車算力需求2000 TOPS，2025年裝車量超500萬輛

細分市場增速：

  • 雲端推理：從2024年1200 EFlops增至2025年3800 EFlops，+217%
  • 邊緣推理：從2024年180 EFlops增至2025年720 EFlops，+300%
  • 端側推理：從2024年50 EFlops增至2025年180 EFlops，+260%

4.3 算力需求的核心驅動因素：四重奏

4.3.1 模型規模：Scaling Law的延續與變異

OpenAI的Scaling Law在2025年呈現新特徵：

  • 參數效率提升：每參數性能提升30%，但啟動參數增加更快，MoE架構下有效參數量增長2.5倍
  • 資料飢渴：高品質文字資料耗盡，合成資料佔比從15%升至55%，但需額外3倍算力驗證質量

前沿模型算力消耗：

4.3.2 生成質量：從可用到可用的算力代價

視訊生成算力拆解：

  • 解析度：4K（3840×2160）是1080P（1920×1080）的4倍像素，但時序一致性檢查使算力需求放大8.3倍
  • 影格率：60fps是30fps的2倍，但運動補償演算法增加額外1.5倍開銷
  • 時長：1分鐘視訊含3600幀，需連續生成，無法像文字那樣批處理

案例：Sora視訊生成模型

  • 單次4K@60fps視訊：需要處理3600幀×10⁶像素/幀=3.6×10⁹像素
  • 算力消耗：約10²⁴ FLOPs，相當於訓練GPT-3的1.2倍
  • 硬體配置：需1024張H100連續運行2.5小時，成本860美元
  • TPU v7優勢：通過光互聯實現幀間平行，時間縮短至1.8小時，成本降至480美元

4.3.3 應用滲透率：從實驗室到12億使用者

使用者規模爆發：

  • ChatGPT：MAU從1億（2023）→3億（2024）→5億（2025）
  • Copilot：整合至3.5億台Windows裝置，日活躍使用者1.2億
  • Midjourney：Discord伺服器使用者8000萬，日均生圖2億張

請求量增長：

  • 峰值QPS：全球AIGC服務峰值請求超8000萬次/秒，是2024年的5倍
  • 長尾分佈：90%請求為輕量級任務（文字補全、程式碼提示），但消耗30%算力；10%重型任務（視訊、複雜推理）消耗70%算力

4.3.4 邊緣算力：自動駕駛與機器人的算力下沉

自動駕駛：

  • L4級算力需求：2000 TOPS（INT8），需處理12路攝影機（4K@30fps）、5個毫米波雷達、3個雷射雷達
  • 硬體配置：特斯拉D1晶片（144 TFLOPS）×14顆，總算力2016 TOPS，功耗1050W
  • 市場容量：2025年L4裝車量超500萬輛，邊緣算力需求達1000 EFlops，佔全球總需求8%

機器人：

  • 人形機器人：雙足行走控制需500 TOPS，視覺-語言-動作（VLA）模型推理需2000 TFLOPS
  • 供應鏈：Figure AI採用TPU v5e邊緣版，功耗僅25W，成本120美元

第五章 全球TPU產業鏈競爭格局：Google帝國的擴張與反擊

5.1 國際陣營：Google主導的技術標準戰爭

5.1.1 GoogleTPU發展路線圖：十年磨一劍

戰略轉型：2025年Google將TPU從"內部自用"升級為"戰略產品"，外部出貨量佔比從2024年的12%提升至30%，目標2027年達50%。

5.1.2 生態擴張策略：從封閉到開放

策略一：繫結旗艦客戶

  • Anthropic：100萬顆TPU v7訂單，其中40萬顆直接銷售（100億美元），60萬顆通過GCP租賃（420億美元RPO）
  • Meta：談判中，xAI創始人Musk公開表示"考慮TPU以降低對輝達依賴"
  • 蘋果：M5 Ultra晶片整合TPU協處理器，用於on-device AI

策略二：垂直行業滲透

  • 自動駕駛：與特斯拉合作開發D2晶片，2026年量產，算力提升至288 TFLOPS
  • 醫療：與輝瑞合作，AlphaFold 3訓練從GPU叢集遷移至TPU v7，蛋白質預測時間從7天縮短至1.5天
  • 金融：摩根大通使用TPU v5e進行高頻交易風控模型推理，延遲從50ms降至8ms

策略三：建構全端飛輪

5.2 輝達：防守反擊的帝國

5.2.1 Blackwell架構防禦戰

技術升級：

  • B200 NVL72：72卡DGX系統，通過NVLink全互聯，對外宣傳"系統級性能"，淡化單卡劣勢
  • 軟體護城河：CUDA 12.8發佈，新增300個專為MoE最佳化的核心函數，MFU提升5個百分點
  • 定價策略：對超大規模客戶（Azure、AWS）提供"戰略折扣"，B200實際成交價較標價低35%

供應鏈反擊：

  • HBM繫結：提前18個月鎖定海力士、美光100% HBM3E產能，Google被迫轉向三星（延遲+2周）
  • CoWoS排他：與台積電簽訂90%產能優先協議，TPU v7交付周期從12周延長至16周

5.2.2 網路業務：被遺忘的第二增長曲線

輝達網路收入（2025Q3財報）：

  • 單季度收入：82億美元，同比+162%，佔資料中心業務18%
  • 產品結構：Quantum-2 InfiniBand交換機（收入佔比55%）、Spectrum-X乙太網路（45%）
  • 毛利率：交換機毛利率高達82%，高於GPU的75%

戰略意義： 當TPU通過OCS挑戰NVLink時，輝達將戰場升至網路層。Spectrum-X支援GPUDirect RDMA over Ethernet，試圖用開放標準對抗ICI的封閉生態。

5.3 中國陣營：國產替代的攻堅戰

5.3.1 核心企業技術矩陣

5.3.2 華為昇騰：全端自主的孤勇者

達文西架構演進：

  • 昇騰910B：採用達文西3.0架構，32個AI Core，每個含4096個MAC單元
  • 製程困境：14nm製程導致功耗600W，比TPU v7高9%，性能低33%
  • 系統最佳化：通過Atlas 900叢集（4096顆）硬體調度，MFU達61%，接近B200

生態建設：

  • CANN異構計算架構：對標CUDA，支援算子級相容，但PyTorch模型遷移仍需2-4周
  • MindSpore框架：國內開發者40萬，僅為PyTorch的8%
  • 商業突破：阿里雲採購12萬顆，用於混部叢集，佔其AI晶片採購量15%

5.3.3 寒武紀：邊緣側的生存之道

思元370技術特色：

  • 低功耗設計：7nm製程，典型功耗45W，專注邊緣推理
  • 稀疏計算：支援4:8稀疏，對剪枝模型提速2.1倍
  • 市場策略：避開雲端訓練紅海，深耕工業質檢、智能零售，2025年營收28億元，同比+150%

財務困境： 2025H1研發投入佔比42.3%，但營收僅2.8億美元，遠低於輝達的628億美元，規模效應缺失導致毛利率僅58%。

5.4 產業鏈瓶頸與突破路徑

5.4.1 核心卡脖子環節（2025年評估）

5.4.2 國產突破時間表

2025-2026：生存線

  • 14nm去美化產線穩定量產，昇騰910B良率>70%
  • CANN 7.0實現PyTorch 90%算子相容
  • 通富微電CoWoS產能達3萬片/月

2027-2028：追趕線

  • 芯華章4nm EDA工具通過台積電認證
  • 長鑫儲存16層HBM2E量產
  • 國產TPU全球市佔率從8%提升至15%

2029-2030：超越線

  • 上海微電子28nm光刻機量產，12nm研發成功
  • 光子計算TPU原型機驗證，算力密度提升10倍
  • 國產生態閉環成型，訓練框架自主率>80%

第六章 投資機遇與風險預警：兆賽道的冰與火

6.1 上游材料：HBM與光電晶片的黃金時代

6.1.1 HBM（高頻寬記憶體）：2025年最緊俏資產

需求端：

  • 2025年全球HBM需求1200萬片（顆粒），同比+110%
  • 單顆TPU v7需12顆HBM3E，B200需12顆，平均單機箱消耗144顆

供給端：

  • 三星：產能600萬片/月，佔50%，主要供應Google
  • 海力士：產能480萬片/月，佔40%，主要供應輝達
  • 美光：產能120萬片/月，佔10%，供應AMD及國產

投資機會：

  • 華海清科：CMP裝置（化學機械拋光）在HBM產線中市佔率18%，2025年營收65億元，同比+85%
  • 深科技：HBM封測業務，繫結三星，2025年HBM封測收入佔比提升至35%

風險：HBM價格2025年上漲40%，從12美元/GB漲至16.8美元/GB，壓縮晶片毛利率3-5個百分點

6.1.2 光電晶片：光互連的核心

OCS光路交換機供應鏈：

  • Lumentum：MEMS微鏡陣列，佔GoogleOCS採購量60%，2025年光晶片業務營收28億美元，同比+140%
  • 仕佳光子：陣列波導晶片（AWG）量產，進入Google供應鏈，2025年TPU相關收入5.2億元
  • 中際旭創：800G光模組，用於GPU叢集，但TPU OCS需1.6T光模組，技術代差1代

技術趨勢： CPO（共封裝光學）將光引擎與TPU封裝在同一基板，延遲降至50ns，功耗再降30%，2026年商用。

6.2 中游製造：先進封裝與Chiplet的崛起

6.2.1 先進封裝：CoWoS產能爭奪戰

通富微電：

  • 產能：2025年CoWo-S產能2萬片/月，2026年擴至3萬片/月
  • 客戶：GoogleTPU v5e（40%）、AMD MI325X（35%）、國產晶片（25%）
  • 財務：2025年先進封裝業務毛利率42%，高於傳統封裝的18%

長電科技：

  • XDFOI技術：Chiplet封裝良率88%，為昇騰910B提供封裝服務
  • 挑戰：Interposer（中介層）仍依賴進口，國產替代率僅20%

6.2.2 Chiplet：國產晶片的迂迴戰略

技術價值：

  • 良率提升：14nm小晶片良率85%，拼接後等效7nm性能，規避先進製程封鎖
  • 設計靈活性：計算、I/O、記憶體晶片可獨立迭代，開發周期縮短40%

企業佈局：

  • 芯原股份：提供Chiplet IP平台，支援UCIe互聯標準
  • 摩爾線程：採用Chiplet方案，2025年推出"蘇堤"AI晶片，算力達1500 TFLOPS

6.3 下游應用：算力租賃與邊緣模組的商業模式創新

6.3.1 算力租賃：Neocloud的崛起

優刻得（UCloud）：

  • TPU叢集：4096顆v5e，出租率92%
  • 定價：2.5美元/晶片/小時，較GCP溢價20%，但提供7×24中文技術支援
  • 毛利率：65%，顯著高於公有雲IaaS的35%

CoreWeave：

  • 模式：從GPU挖礦轉型AI算力，2025年部署12萬張H100 + 2萬張TPU v7
  • 融資：以GPU資產抵押獲得黑石110億美元信貸額度
  • 風險：GPU/TPU殘值4年歸零，折舊壓力巨大

6.3.2 邊緣TPU模組：長尾市場的金礦

海康威視DS-6700TPU：

  • 性能：3.2W功耗下，ResNet-50推理延遲8ms
  • 市場：2025H1出貨量280萬片，營收18億元，毛利率55%
  • 場景：工業質檢、裝置預測性維護，客單價800-2000元

地平線J5：

  • 算力：128 TOPS，專為自動駕駛設計
  • 客戶：比亞迪、理想汽車2025款全系標配
  • 出貨量：預計全年120萬顆，佔據國產自動駕駛晶片65%

6.4 風險因素預警：三輪嚴峻考驗

6.4.1 技術路線迭代風險：光子計算的降維打擊

IBM光子計算晶片（2025年實驗室資料）：

  • 算力密度：10 PetaFLOPS/W，是TPU v7的2000倍
  • 挑戰：僅支援線性運算，非線性啟動函數需電光混合，實用性受限
  • 時間表：2030年前僅限特定場景（矩陣分解、線性規劃）

Cerebras晶圓級引擎：

  • WSE-3：4兆電晶體，95×96mm²整片晶圓，算力12.5 PFLOPS
  • 記憶體：44GB片上SRAM，頻寬21PB/s，規避HBM瓶頸
  • 侷限：功耗15kW，需液冷，僅適合超算中心

對TPU/GPU的衝擊： 2030年前，TPU/GPU仍是主流，但光子計算在特定領域（如大規模線性求解）可能分流15-20%算力需求。

6.4.2 地緣政治風險：美國出口管制的達摩克利斯之劍

2025年新管制動向：

  • 裝置管制：ASML 1980Di以下光刻機可能禁售中國，影響14nm以下產能
  • TPU禁運：美國商務部考慮將TPU設計工具（如XLA最佳化器）納入EAR管制
  • HBM斷供：三星、海力士可能被迫停止向華為供貨

中國反制措施：

  • 稀土出口：鎵、鍺出口管制，影響砷化鎵光晶片生產
  • 市場准入：限制美光、intel在中國銷售，迫使其施壓政府
  • 自主替代：加速12nm去美化產線建設，2026年量產

6.4.3 產能過剩風險：資本狂潮後的泡沫

供給端：

  • 晶圓廠投資：2024-2025年全球新建12座12英吋晶圓廠，AI晶片產能翻倍
  • 庫存：輝達B200庫存周轉天數從45天增至72天（2025Q3）
  • 價格戰：H100二手市場價格從4萬美元跌至2.8萬美元，跌幅30%

需求端：

  • 模型最佳化：量化、蒸餾、MoE等技術使單位token算力需求年降25%
  • 應用放緩：AIGC使用者增速從Q2的35%降至Q3的18%
  • 預測：2026年全球GPU/TPU產能達需求的1.5倍，價格可能下跌20-30%

6.5 2026-2027產業趨勢預測

6.5.1 架構融合：GPU+TPU混合叢集成為主流

技術路徑：

  • 虛擬化層：Kubernetes統一管理，通過Device Plugin識別異構硬體
  • 任務調度：訓練用TPU，推理用GPU；稀疏計算用TPU，通用計算用GPU
  • 資料流：通過GPUDirect與TPU Direct RDMA共用記憶體，延遲<10μs

市場預測：

  • 2026年混合架構佔比達60%，較2025年的25%大幅提升
  • 輝達推出"GPU-TPU Bridge"晶片，主動擁抱融合趨勢

6.5.2 邊緣爆發：邊緣算力增速超雲端

驅動因素：

  • 隱私法規：GDPR要求資料不出域，推動on-device AI
  • 延遲要求：AR/VR、自動駕駛需<20ms響應，雲端無法滿足
  • 成本最佳化：邊緣處理減少80%回傳流量，節省網路費用

市場預測：

  • 2026年邊緣TPU市場規模增速+150%，達540億美元
  • 雲端增速放緩至+45%，市場趨於成熟

6.5.3 國產替代：從8%到15%的跨越

政策催化：

  • 補貼升級：2026年國產TPU採購補貼從30%提至40%，預算增至180億元
  • 強制比例：政府、金融、能源領域AI項目國產化率最低要求70%

技術突破：

  • 14nm穩定：昇騰910B良率突破75%，性能接近A100的85%
  • 生態完善：PyTorch國產後端支援率從72%提升至90%

市場預測：

  • 2026年國產TPU全球市佔率從8%提升至15%
  • 中國市場國產化率從43%提升至65%

第七章 算力經濟學的深層邏輯：TCO、商業模式與電力戰爭

7.1 TCO模型：隱藏的成本真相

7.1.1 訓練叢集TCO對比（1000 PFlops規模，4年周期）

關鍵發現：儘管單卡採購成本TPU略高，但系統級成本優勢顯著，這是Anthropic選擇TPU的根本原因。

7.1.2 推理叢集TCO對比（100萬QPS，3年周期）

結論：在推理場景，TPU的能效比優勢進一步放大，TCO僅為GPU的52%。

7.2 算力租賃商業模式：毛利率與利用率的博弈

7.2.1 定價策略

按需定價：

  • TPU v7：2.8美元/晶片/小時（GCP標準價）
  • B200：3.2美元/卡/小時（AWS p5實例）
  • 溢價因素：中文支援+20%，7×24維運+15%

預留實例（1年合約）：

  • TPU v5e：1.2美元/晶片/小時，較按需低57%
  • H100：1.8美元/卡/小時，較按需低55%

Spot實例：

  • 利用閒置算力，價格低至按需30%，但可被隨時中斷，適合容錯訓練任務

7.2.2 成本結構

以優刻得4096顆TPU v5e叢集為例：

  • 固定成本：晶片採購2.46億（按4年折舊，每月512萬）+ 土建配電8000萬（按10年折舊，每月67萬）= 579萬/月
  • 變動成本：電力（滿載45萬/月）+ 維運（30萬/月）+ 頻寬（12萬/月）= 87萬/月
  • 盈虧平衡點：利用率需達42%（579萬÷(1.2美元×24小時×30天×4096×利用率）

實際營運：優刻得出租率92%，月收入 = 1.2×24×30×4096×0.92 = 326萬/月，顯著虧損！

真相：算力租賃商通過金融槓桿盈利：

  • 晶片以融資租賃方式購入，實際資本支出僅20%
  • 賺取 帳期差 ：客戶預付1年租金，供應商帳期3個月，現金流為正
  • 核心資產是 客戶合同與維運能力，非硬體本身

7.2.3 Neocloud的資產負債表外融資模式

Fluidstack案例：

  • Google授信：基於Anthropic的420億美元RPO，Google給予Fluidstack 30億美元TPU算力信用額度
  • 轉租Anthropic：Fluidstack以1.8美元/晶片/小時轉租，較GCP折扣35%
  • 融資：以Anthropic合同為抵押，獲得黑石50億美元貸款
  • 風險敞口：若Anthropic違約，Google可收回TPU使用權，Fluidstack破產，黑石承擔風險

模式本質： Google將信用風險轉移給金融機構，自己專注硬體研發；Neocloud成為"算力二房東"，輕資產營運；金融機構獲取8-10%的穩定收益。這是資本推動的算力民主化。

7.3 電力戰爭：資料中心的PUE與電網承載

7.3.1 PUE（電源使用效率）極限競賽

頂尖資料中心PUE值：

  • Google俄克拉荷馬：PUE=1.08，採用液冷+自然冷卻
  • 微軟東美：PUE=1.12，浸沒式液冷
  • 阿里雲張北：PUE=1.15，風電+液冷
  • 行業平均：PUE=1.35

PUE最佳化技術：

  • 液冷：冷板液冷使晶片結溫降低20℃，風扇功耗減少90%
  • 自然冷卻：年平均氣溫<15℃地區，免費冷卻時間>4000小時
  • AI調優：GoogleDeepMind AI控制中心，預測性調節製冷，節能12%

7.3.2 電網承載：從MW到GW的挑戰

單體資料中心功耗：

  • Apollo叢集：9216顆TPU v7 + 配套，總功耗68MW
  • B200叢集：同等算力需10240卡，功耗85MW
  • 百萬卡規模：功耗達7.3GW，接近三峽電站單台機組

區域電網壓力：

  • 矽谷：現有資料中心負載已佔加州電網8%，2026年規劃新增15GW，需新建2座核電站
  • 中國："東數西算"工程將算力西移，利用中西部棄風棄光，2025年消納綠電1200億kWh

能源成本：

  • 美國：工商業電價0.12美元/kWh，電力佔TCO的35%
  • 中國：西部電價0.04美元/kWh，但傳輸損耗8%
  • 最優解：算力跟著能源走，2026年50%新建資料中心位於能源富集區

第八章 技術前沿與未來演進：2030算力圖景

8.1 下一代架構：從電子到光子的躍遷

8.1.1 TPU v8 "Sundance"：3nm時代的預研

爆料規格（基於2025年Google論文）：

  • 製程：台積電3nm，電晶體密度提升1.6倍
  • 架構：512×512脈動陣列，BF16算力達1.2 PFLOPS
  • 記憶體：整合256GB HBM4，頻寬16TB/s
  • 互聯：OCI 2.0，光延遲降至50ns，支援8192節點叢集
  • 功耗：800W，通過3D堆疊與液冷控制溫度

發佈時間：2026年Q4，2027年Q1商用

8.1.2 輝達Vera Rubin：GPU的最終形態

技術路線：

  • 雙晶片封裝：兩顆Die通過NVLink-C2C互聯，算力達4.5 PFLOPS
  • 記憶體：384GB HBM4e，頻寬24TB/s
  • 光算計單元：整合光矩陣乘法器，對線性層提速3倍
  • 挑戰：功耗1200W，需浸沒式液冷，部署成本極高

8.2 光子計算：超越TPU的算力革命

Lightmatter光子計算晶片：

  • 原理：利用馬赫-曾德爾干涉儀實現矩陣乘法，光速計算
  • 性能：10 PFLOPS/W能效，比TPU v7高200倍
  • 侷限：僅支援線性運算，非線性啟動需電晶片輔助
  • 時間表：2026年推出混合光電晶片，2028年支援完整AI訓練

對產業影響：

  • 短期：在推薦系統、線性規劃等場景替代10-15%算力
  • 長期：若突破非線性計算，2030年可能顛覆TPU/GPU格局

8.3 存算一體：ReRAM與PCM的潛力

兆易創新：基於ReRAM的存算一體晶片，單晶片算力達50 TFLOPS，功耗3W，適合邊緣端應用：智能攝影機、可穿戴裝置，2025年出貨量500萬片

挑戰：ReRAM耐久度僅10⁶次寫入，訓練場景不適用，僅限推理。

8.4 量子計算：AI算力的終極補充

IBM Condor：1000量子位元處理器，2025年上線

  • 應用場景：量子機器學習（QML）最佳化超參數，比經典方法快100倍
  • 侷限：仍需經典晶片進行資料預處理與後處理

2030年願景： 量子處理器作為AI超算的"協處理器"，在組合最佳化、量子化學模擬等 niche 領域提供1000倍加速，但通用AI仍依賴TPU/GPU。

第九章 中國算力產業的自主之路：政策、技術與生態的三維突圍

9.1 政策支援：東數西算的國家級佈局

9.1.1 東數西算工程二期：2025-2027

規劃目標：

  • 10個國家算力樞紐：京津冀、長三角、粵港澳大灣區、成渝、內蒙古、貴州、甘肅、寧夏、河北、長三角示範區
  • 總投資：3800億元（2025-2027），其中1200億元用於國產AI晶片採購
  • 算力規模：新增800 EFlops，其中國產TPU叢集佔40%，320 EFlops

補貼政策：

  • 企業採購國產TPU：補貼30%，上限5000萬元
  • 算力租賃：對國產算力平台，給予0.05元/晶片/小時的營運補貼
  • 研發投入：EDA工具、Chiplet等攻關項目，單個項目支援1-3億元

9.1.2 科創板第五套標準：晶片企業的資本通道

2025年新增5家AI晶片企業科創板上市：

  • 燧原科技：募資42億元，市值180億元
  • 壁仞科技：募資38億元，估值165億元
  • 沐曦整合：募資35億元，融資中

影響：打通"研發-資本-產業化"閉環，2025年科創板AI晶片公司總融資超200億元。

9.2 技術突圍：14nm去美化產線的生存實驗

9.2.1 中芯國際14nm FinFET產線

產能：月產8萬片，良率從2024年55%提升至2025年70%客戶：華為昇騰（70%）、寒武紀（20%）、其他（10%）

技術細節：

  • 多重曝光：通過193nm ArF浸沒式光刻機進行4重曝光，等效7nm線寬
  • 成本：單片成本較台積電7nm高40%，但較進口GPU仍有30%價格優勢
  • 產能瓶頸：光刻機台不足，ASML 1980Di僅12台，滿載運行

9.2.2 華為：去美化生態的孤勇者

架構自主化：

  • 達文西3.0：全自研，無ARM依賴
  • CANN 7.0：算子庫覆蓋PyTorch 92%，遷移工具鏈成熟
  • 液冷技術：FusionCube叢集PUE=1.12，低於行業平均

商業挑戰：

  • 產能受限：14nm良率僅70%，交付周期16周
  • 生態壁壘：MindSpore開發者僅40萬，PyTorch 500萬
  • 價格：昇騰910B售價3.2萬元，較A100的2.8萬高14%，性價比不突出

9.3 生態建設：PyTorch國產後端的艱難跋涉

9.3.1 框架適配：從72%到90%的突破

華為CANN 2025年進展 ：

  • 算子覆蓋率 ：從2024年的6800個增至2025年的9200個，覆蓋率92%
  • 動態圖支援 ：Eager模式性能損失從25%降至12%
  • 模型庫 ：ModelZoo提供200個預訓練模型，100%支援昇騰

寒武紀NeuWare： 專注邊緣場景，支援TensorFlow Lite、PyTorch Mobile，2025年適配模型超500個。

9.3.2 開發者社區：從政策驅動到價值驅動

2025年資料：

  • 國產AI晶片開發者 ：85萬人，較2024年增長60%
  • 活躍社區 ：MindSpore（日活2萬）、PaddlePaddle（日活1.5萬）
  • 痛點 ：文件不完善、偵錯工具缺失、性能最佳化支援不足

破局策略：

  • 高校合作：教育部"智能基座"項目，100所高校開設昇騰課程
  • 競賽激勵：百度AICA、華為開發者大賽，總獎金超2000萬元
  • 企業補貼：採購昇騰晶片的企業，免費獲得CANN技術支援

9.4 企業案例：誰在國產替代中勝出？

9.4.1 阿里云：全端自研的野心

技術堆疊：

  • 晶片 ：含光800（自研）、昇騰910B（外購）
  • 框架 ：百煉（Bailian）平台，支援異構調度
  • 叢集 ：張北資料中心，混合架構，PUE=1.15

2025年資本開支：1200億元，佔阿里總營收28%，較2024年翻倍

戰略：不追求晶片自研，而是** 建構跨硬體調度能力 **，成為"AI算力Android"。

9.4.2 字節跳動：應用驅動的算力採購

需求：抖音、TikTok推薦系統日訓練資料10PB，需5000 PFlops算力

策略：

  • 採購 ：90%輝達GPU（CUDA生態成熟），10%國產TPU（測試）
  • 自研：推薦系統專用晶片"豆包"，採用Chiplet方案，2026年流片
  • 邏輯：應用層最佳化收益大於晶片自研，專注演算法與系統

第十章 全球供應鏈重構與地緣博弈：算力即國力

10.1 美國出口管制：精準打擊與系統封鎖

10.1.1 實體清單動態：2025年更新

新增實體：

  • 壁仞科技 ：2025年6月列入，無法採購EDA工具、5nm以下製程
  • 摩爾線程 ：2025年8月列入，GPU IP授權被切斷
  • 燧原科技 ：2025年10月列入，14nm以上裝置受限

影響：

  • 設計端 ：無法使用Synopsys/Cadence 4nm工具，轉向華大九天14nm
  • 製造端 ：中芯國際14nm產能滿載，排隊周期9個月
  • 人才 ：200+華人AI晶片專家被限制赴美參會

10.1.2 技術封鎖：FDI審查與"護欄規則"

2025年新規則：

  • CFIUS審查：中國資本投資美國AI晶片企業，審查周期從90天延至180天，否決率超70%
  • 護欄規則：獲美國補貼的晶圓廠（如台積電亞利桑那廠）不得為中國代工14nm以下晶片
  • 人才封鎖：禁止美國公民在未經批准情況下，為中國AI晶片企業工作

10.2 台積電：地緣夾縫中的超級玩家

10.2.1 產能佈局：去美國化還是全球化？

亞利桑那廠：

  • 一期：2025年Q2量產4nm，月產2萬片，蘋果、輝達各佔50%
  • 二期：2026年量產3nm，投資增至400億美元
  • 挑戰：台灣工程師不願長期駐美，本地人才短缺，成本較台灣高40%

日本熊本廠：

  • 目標：2025年底量產22/28nm，服務索尼、瑞薩
  • 意義：分散風險，但先進製程仍留在台灣

台灣本土：

  • 擴建：南科18廠P8量產2nm，2025Q4風險試產
  • 政治風險：台積電成為"矽盾"，但也面臨"焦土政策"威脅

10.2.2 客戶結構：從輝達到Google的再平衡

2025年營收佔比：

  • 蘋果：25%
  • 輝達：18%
  • AMD：12%
  • Google（TPU）：15%（首次單列）
  • 高通：8%
  • 其他：22%

趨勢：GoogleTPU代工收入2025年達110億美元，同比+210%，成為第三大客戶。

10.3 中國應對：自主可控的系統性工程

10.3.1 裝置國產化：28nm光刻機的突破

上海微電子：28nm immersion DUV光刻機（SSA800/10）2025年交付12台

  • 應用：中芯國際、華力微14nm產線
  • 挑戰：套刻精度3nm，落後ASML 1.5nm，影響良率

刻蝕、薄膜裝置：

  • 北方華創：14nm刻蝕機進入中芯國際產線，國產化率從15%提升至40%
  • 拓荊科技：PECVD裝置用於14nm介質層沉積，國產化率30%

10.3.2 材料自主：光刻膠與靶材的追趕

南大光電：ArF光刻膠通過中芯國際14nm驗證，2025年產能50噸，自給率12%江豐電子：超高純銅靶材佔中芯國際採購量40%，但4nm鉭靶材仍依賴進口

10.3.3 生態去美化：RISC-V與開源EDA

RISC-V架構：

  • 阿里平頭哥：玄鐵910用於邊緣AI，2025年出貨量3000萬片
  • 賽昉科技：RISC-V AI加速器IP，授權超100家企業

開源EDA：

  • OpenROAD：完成14nm測試晶片流片，性能較商業工具差距<5%
  • 時間：預計2027年支援7nm，2030年支援4nm

10.4 全球產能分佈：2025-2030晶圓廠地圖

趨勢：先進製程向台灣、美國集中，成熟製程向中國大陸、日本轉移。

附錄：核心企業財務與技術指標深度剖析（2025年度資料）

Google：全端帝國的算力底牌

戰略評估：

  • 優勢：技術領先、生態閉環、TCO優勢
  • 劣勢：雲業務市佔率仍落後AWS（28% vs 32%）
  • 估值：TPU業務若獨立估值，按12倍PS計算，價值1350億美元

輝達：毛利率神話的終結？

預警訊號：

  • 庫存問題：B200庫存價值120億美元，若2026年需求放緩，減值風險巨大
  • TPU衝擊：Google外部搶佔10%市場份額，高端客戶流失
  • 估值：動態PE 28倍，較2024年45倍大幅回呼，市場擔憂增長天花板

博通：TPU背後的隱形王者

戰略價值： 博通作為TPU聯合設計者，每顆晶片賺取30-35%毛利，旱澇保收。2025年TPU業務貢獻淨利潤22億美元，佔整體45%。

台積電：地緣夾縫中的產能之王

地緣政治風險：

  • 美國：亞利桑那廠成本超支40%，2025年Q3虧損8億美元
  • 中國：失去華為訂單後，南京28nm廠產能利用率僅65%

華為海思：國產算力的中流砥柱

戰略困境：

  • 製程瓶頸：14nm性能落後兩代，靠系統最佳化彌補
  • 生態短板：CANN開發者僅為CUDA 8%，遷移成本高
  • 機會：美國管制下，國內市場被迫選擇，2025年國產替代份額從35%提至65%

寒武紀：邊緣TPU的堅守者

生存邏輯： 避開雲端訓練紅海，專注邊緣低功耗，2026年預計實現盈虧平衡。

結論：雙雄時代的中國機遇

2025年的智能算力產業，正在經歷從GPU絕對壟斷到TPU-GPU雙雄並立的歷史性轉折。Google用十年時間打磨的TPU技術堆疊，在TCO、能效比、系統級性能上已具備挑戰輝達的硬實力；而輝達憑藉CUDA生態、網路業務與Blackwell架構，依然守住60%市場份額。這場戰爭沒有絕對贏家，但推動算力成本下降50%，加速AI應用普及。

中國產業鏈的定位：

  • 短期（2025-2027）：在14nm成熟製程建構去美化生態，昇騰、寒武紀在特定場景實現國產替代
  • 中期（2027-2030）：突破7nm製程與Chiplet封裝，國產TPU全球市佔率15-20%
  • 長期（2030+）：若光子計算、量子計算突破，或實現換道超車

投資策略：

  1. 首選：HBM產業鏈（華海清科）、光互連（仕佳光子）、先進封裝（通富微電）
  2. 次選：國產TPU設計企業（華為海思）、邊緣應用（海康威視）
  3. 迴避：傳統GPU產業鏈（受TPU衝擊）、純代工模式（利潤薄）

風險提示：

  • 技術路線突變（光子計算）
  • 地緣政治升級（全面禁運）
  • 產能過剩（2026年價格崩盤）

最終判斷：智能算力的兆市場，既是技術革命，更是國運之戰。在TPU-GPU雙雄時代，中國憑藉全球最大的應用市場、最強的政策執行力與最完整的產業鏈配套，有望在2027-2030年實現從"被動替代"到"主動定義"的跨越。這是一場必須打贏的戰爭，也是一次不容錯過的機遇。 (AI雲原生智能算力架構)