算力之巅：下一代基础设施的技术跃迁与生态重塑

导语：AI发展已经成为中美两国博弈的关键点。作为AI发展的硬件基础设施，算力及其配套基础设施已经不同程度上成为限制AI发展的“木桶短板”。从我国的视角出发，高端算力芯片的短期缺失已经客观成为了我国AI发展的瓶颈。集群化解决虽然短期解决了算力不足的问题，但对下游配套供应链（连接、散热、电力等）提出了更多要求。

第一章 Token：大模型时代的“流通货币”

Token已从“技术细节”演变为大模型商业化和算力基础设施投资的核心计量单位：既是推理工作量的基本颗粒，也是模型收入定价的主标尺，更是测算算力需求与投资回报的“流通货币”。在2024-2025年，全球头部厂商Token调用量呈指数级爆发，中国日均Token消耗在短短一年内放大百倍，叠加单位Token价格持续下探，使得“Token总量×单价”成为观察AI产业真实景气度和云厂商盈利弹性的第一视角。

在多模态、Agent、端侧融入等驱动下，全球Token需求有望继续保持数倍量级增长，而在算力供给加速、算法优化压降单位Token成本之后，Token将进一步强化其在“需求侧—算力侧—资本开支侧”之间的传导中枢地位。对于投资者，沿Token视角重构产业逻辑，将有助于从“Capex故事”过渡到有清晰验证路径的“Token驱动营收与利润模型”。

1.1. Token是什么：从技术颗粒到经济记账单位

在大语言模型（LLM）中，Token是模型理解与生成的最小文本单元，可以近似理解为“字/词/字符片段”。不同模型之间并不存在统一的计量标准。这一定义有三个含义：

①　统一度量：不同长度的文本输入/输出，均可被归一化为Token数量，使推理成本与算力消耗可度量与可对比。

②　跨语种/跨模态扩展基础：在文本为主的阶段，Token主要刻画文字信息；在多模态时代，图像、音频等内容也会在编码后折算为等效Token量，从而继续沿用同一计费与算力核算框架。

③　算力需求的换算基础：通过数学转换，可以通过同，token消耗量反推算出大致的算力需求量。

在商业模式上，Token已经成为大模型厂商对外定价最核心的单位。当前主流计费方式为：价格 =输入Tokens×输入单价 + 输出Tokens×输出单价。Token已经从“数据结构”演进为大模型经济系统中的记账单位与定价基准，相当于AI世界里的“流通货币”。

1.2.全球Token用量的指数级爆发

Token数是“AI景气度”的高频跟踪指标。Token数比营收、GPU出货量更早、更敏感地反映AI推理需求的真实强度。

第三方聚合平台及模型厂商token用量持续创新高。OpenRouter是一个聚合多家人工智能模型的 API 平台，普通用户和开发者都可以通过统一的接口来调用不同的LLM模型实现对话聊天，例如GPT-4、Claude、Gemini、Deepseek等。根据其公布的数据可知，自2024年底开始，token调用量长期保持震荡上行。2024年12月30日，该平台token周度调用量为405B；2025年12月22日，该数据已经达到4.3T，增幅超过10倍。根据官网数据，谷歌月token处理量从5月的480万亿翻倍至9月的超过1300万亿。2025年12月，火山引擎FORCE原动力大会上披露的数据显示，截至今年12月，豆包大模型日均调用量已经突破50万亿Tokens，较去年同期增长超过10倍。自豆包大模型发布至今，日均调用量增幅更是激增了417倍。可以看到，无论是美国CSP还是中国互联网大厂，Token用量在2024-2025年均呈现指数级增长。

Token价格：从“贵金属”到“平价流通货币”：数据显示，2023年至2025年初，OpenAI的API调用价格持续下行。2024年底统计显示，国内部分大模型的价格约为1.5元/百万Tokens；2025年2月，DeepSeek V3进一步降价到0.5元/百万Tokenss。Token报价平民化极大程度上加速了AI应用的发展

Token降价不及需求上行影响。图4展示了 Google 25年 4 月对比 25年 3 月的情况，25 年 4 月对比 3 月算力需求环比上升56%，算力成本环比下降 14%，算力需求增长的影响高于算力成本下降的影响，未来算力支出将持续增长。同时，目前 Agent 还处于初期阶段，除 Deep Research 以外，更高级的 Agent 应用目前还未纳入测算范围。随更多 General Agent 的落地带来交互次数、任务复杂度、使用频率的提升，同时如屏幕识别等多模态的场景进一步加大 Token 的消耗。可以推知，推理侧Capex与Opex仍处在扩张趋势中，为算力基础设施提供了持续景气的需求基础。

第二章 算力芯片：英伟达高速迭代维持优势，多平台新架构破局在即

2.1.GPU占据训练主导地位，推理侧多路线百花齐放

在2024-2026年时间窗内，全球算力基础设施仍将处于高投入、高景气但尚未见顶的扩张阶段：四大云厂商及OpenAI等头部玩家的AI基建资本开支在2023-2025年由约1,474亿美元提升至预计3,622亿美元。2026-2027年，GPU/、云厂商ASIC（TPU/MTIA/OpenAI ASIC 等）路线之争仍然是资本投入重点方向。

从算力与能效来看，目前已有行业共识：CPU算力最低能效差；GPU算力高、能效中等；FPGA算力中等、能效优；ASIC算力高、能效优/极优。

目前业内倾向于按照工作负载选择具体技术路线。高算力稳定负载选ASIC降低成本；复杂多变负载选GPU；需低功耗或端侧部署选NPU；FPGA用于动态优化场景。①训练用 AI 芯片：2024 年训练用 AI 芯片 TAM 中，GPU、ASIC 分别为 350、66亿美金，预计 2030分别提升至 1559、354 亿美金，对应24-30 年 CAGR为28.3%、32.3%。②推理用 AI 芯片：2024 年推理用 AI 芯片市场空间中，GPU、ASIC 分别为 119、44亿美金，预计 2030分别提升至 1392、272 亿美金，对应24-30 年 CAGR为50.7%、35.5%。③训练&推理双用 AI 芯片：2024 年训练&推理双用 AI 芯片市场空间中，GPU、ASIC分别为 231、39 亿美金，预计 2030分别提升至 312、212 亿美金，对应24-30年 CAGR为 5.1%、32.6%。

FPGA由于算力上限较低，难以成为对GPU的替代。ASIC在开发成本上存在较大瓶颈，难以在小批量场景投入使用。ASIC 芯片是实现大批量或高性能模拟和数字功能的专用芯片，是完全定制的，因此设计和实现（非工程设计）需要更高的开发成本。Anysilicon测算，假设 ASIC NRE 成本 150 万美元，单片成本 4 美元，FPGA NRE 成本为 0，单片成本为 8 美元，可以得出结论：产量 40 万片为等效成本点，产量小于 40 万片时选择 FPGA更为划算。而据 IBS 发布的数据，随着制程工艺提升，芯片的开发成本显著提升，16nm 芯片开发成本为 1.06亿美元，到了 5nm 级别这一成本急剧上升至 5.4 亿美元。随着未来芯片制程工艺升级，开发成本持续攀升，对应的 NRE 成本也将提升，在其他条件不变情况下，等效成本点的产量将攀升。

可以预期：训练端GPU长期主导，推理端ASIC/TPU/NPU快速提升份额，并在成本敏感的大规模部署中逐步成为主力。

资料来源：亿欧智库，华创证券，西南证券，中泰证券等

2.2. GPU：英伟达路线：Hopper→Blackwell→Rubin的系统级演进

英伟达自2016年开始基本维持每年发布一款算力芯片的迭代速度。2022-2027年的路线图可分为Hopper、Blackwell与Rubin三大平台：

①　Hopper平台（2022-2023）：代表产品H100/H200。基本实现H100/H200在训练市场的垄断地位，为ChatGPT、Gemini等大模型提供算力基础。

②　Blackwell平台（2024-2025）：代表产品B200/GB200。NVLink 5 Switch带宽提升至14.4TB/s。是目前已发售的算力芯片中“性能王者”。且从Blackwell开始，英伟达开始强调Scal-up集群能力，首次推出NVL72产品形态。

③　Rubin平台（2026-2027）：预计包括2026年的Rubin GPU和2027年的Rubin Ultra。Rubin GPU推理速度将达到50 petaflops（每秒千万亿次浮点运算），内存提升至288 GB，性能是Blackwell的2.5倍。而Rubin Ultra的性能将是GB300 NVL72的14倍，英伟达通过快速迭代和尖端技术（如NVLink和HBM4）巩固市场领导地位的战略。

2.3. 云厂商ASIC与TPU：多极算力标准正在形成

2.3.1. TPU：从内部工具走向行业级“第二算力标准”

Google TPU在2024-2026年成为AI ASIC中最具增速与战略性意义的产品线。据台湾富邦证券测算，TSMC在2026年上半年CoWoS产能规划上，Broadcom的TPU项目的产能配额由18.7万片提升至23.1万片，其中TPU相关出货由13.7万片上调到17.7万片，2026年TPU总出货预计可达300万颗，高于此前2.5-2.6百万颗的预测。12 月 15 日，Wccftech报道称谷歌旗下 AI 芯片 TPU 近期需求爆发，为确保下一代产品供应，已将交给联发科（MediaTek）的下一代“TPU v7e”芯片订单量翻倍。

Google不仅内部加大TPU部署，还在2025年主动将TPU资源开放给Meta、Anthropic等外部头部客户。Anthropic将拥有多达一百万颗TPU芯片，以及额外的Google Cloud服务。据摩根士丹利研报显示，Anthropic与Google的协议价值将达到数百亿美元，参照双方合作期限推算，该协议可能将持续7年。2025-2027年，Anthropic自身业务将有望维持年均复合增速150%。博通 CEO Hock Tan 在近期财报会议上证实，AI 独角兽 Anthropic 已签署了一项价值高达 100 亿美元的协议，用于部署基于TPU 的机架级基础设施。

TPU从内部工具到对外开放的过程，意味着算力平台的标准开始“多极化”，对英伟达GPU的垄断形成结构性制衡：2024年NVIDIA在AI训练GPU市场份额超90%，但2024-2026年随着TPU、MTIA、Trainium/Maia、OpenAI ASIC等多款云厂商自研芯片落地，训练和推理市场将形成GPU+多种ASIC并存格局。Google的差异化在于，TPU七代迭代+数十万规模内部部署，在Gemini等旗舰模型训练上已验证性能与成本优势，当其有选择地开放给Meta、Anthropic等客户时，TPU有机会成为行业第二算力标准。

作为应对，12月24日，英伟达和Groq宣布达成“非排他性授权协议”，英伟达将获得Groq的芯片技术授权。同时，Groq的创始人兼CEO乔纳森·罗斯（Jonathan Ross）、公司总裁桑尼·马德拉（Sunny Madra）以及其他部分成员将加入英伟达。Groq的创始人乔纳森·罗斯是前谷歌工程师，曾主导谷歌的TPU（张量处理单元）芯片项目。公司估值在今年9月的最新一轮融资中达到69亿美元。

2.3.2.国产算力：从“能用”到“部分场景可替代”

国产新势力格局：国产算力已形成“昇腾+寒武纪+昆仑芯/平头哥+GPU新势力（摩尔线程、沐曦、壁仞等）+云厂自研ASIC”多极格局。根据IDC数据，2024年我国AI算力芯片国产化率已经超过30%。新势力GPU出货已达数万卡、营收10–20亿元级，进入工程化放量阶段。

摩尔线程走“全功能GPU+MUSA生态”平台化；沐曦聚焦“高性能通用GPU+CUDA兼容”；壁仞以“BR100/壁砺+dOCS光互连超节点”直指万卡训练；寒武纪、昆仑芯、阿里平头哥、百度昆仑在NPU/ASIC+云平台闭环上深耕，整体在单卡接近A100/H20、通过超节点与互联在集群侧追赶H100/H200。

昇腾体系在算力主权与国产替代中的角色：作为国产算力的领军企业，华为基本代表了国产算力厂家当前面临的情况。昇腾（Ascend）体系是中国在云端与边缘AI算力自主可控上的核心抓手，2024-2028年中国智算中心投资规模有望大幅增长，互联网与云厂商建设的智算中心算力规模占比将升至35%，在H20出口限制背景下国产芯片替代空间广阔。

在2025 华为全联接大会中披露的最新路线图中：Ascend 910C在2025Q1量产，其后Ascend 950PR/DT（2026年）、Ascend 960（2027Q4）、Ascend 970（2028Q4）将逐步推出；Ascend 960在FP8/FP4算力上分别达到2/4 PFLOPS，互联带宽2.2TB/s，内存288GB，9.6TB/s；Ascend 970进一步将互联带宽翻倍至4TB/s，保持288GB内存但带宽提升至14.4TB/s，FP8/FP4算力提升至4/8 PFLOPS，整体对标英伟达Blackwell之后的GPU平台。

单卡性能难以短期突破，华为集群战略初获成果：按照华为给出的技术路线图，预计在2028年华为才会有和英伟达当代旗舰产品对标的单卡产品。考虑到英伟达自身的迭代速度，真正实现同代对标可能需要更久的时间。2025年4月，华为云发布CloudMatrix 384超节点，并宣布已在芜湖数据中心规模上线。CloudMatrix 384系统级创新。CloudMatrix 384 由 384 颗昇腾 910C 芯片通过全连接拓扑结构互联而成。单颗昇腾芯片的性能仅为英伟达 Blackwell GPU 的三分之一，但五倍于后者的芯片数量足以弥补这一差距。完整的 CloudMatrix 系统现在可以提供300 PFLOP 的密集型 BF16 计算能力，约为 GB200 NVL72 的两倍。总内存容量超过后者 3.6 倍，内存带宽提升 2.1 倍。搭载了CloudMatrix架构的昇腾云支撑硅基流动实现单卡1920 tokens/s的DeepSeek-R1推理性能，比肩H100部署表现。

作为高性能表现的支撑，华为CloudMatrix 系统在功耗及配套成本上做出了一定妥协：1、CloudMatrix 384功耗达到 GB200 NVL72的3.9倍，每 FLOP计算功耗高出2.3倍，每TB/s 内存带宽功耗高1.8倍，每TB HBM 显存容量功耗亦高出1.1倍。2、光模块需求激增。每个CloudMatrix 384 Pod共配置6912个400G光模块/收发器，其中5376个用于Scale Up网络，1536个用于Scale Out网络。单个Pod包含384颗昇腾910C芯片，单芯片Scale Up带宽达2.8 Tbps，需配置7个400G收发器。384颗GPU总计需384×7=2688个收发器。因采用单层扁平化拓扑，交换机侧需镜像部署同等数量的光收发器，最终形成 5376 个 400G 收发器（384×7×2）。若采用单价低于200美元的400G LPO光模块（功耗约6.5W），Scale Up网络的总体拥有成本（TCO）约为NVL72机架的6倍，功耗超过10倍。

昇腾的生态推进重点体现在：①整机厂生态：通过战略/领先/优选级伙伴如昆仑技术、华鲲振宇、神州鲲泰、长江计算等，共同推出多款服务器，应用于政务、金融、交通、工业等领域；②电源与散热：Atlas服务器电源模块随芯片升级同步升级，单机柜功耗提升带来电源价值量增加；液冷方面，冷板式与浸没式方案并行推进，预计2026年中国液冷数据中心市场规模180亿元，浸没式渗透加速；③互连与连接器：AI背板连接器需求旺盛，2025年通信连接器市场规模预计600亿元，当前AI服务器高速连接器仍由外企垄断，国产厂商在高速连接器、液冷连接器等环节具备突破潜力。

在全球GPU主导的格局下，以昇腾为代表的国产算力芯片更重要的角色是在中国本土形成“从芯片到系统到应用”的独立闭环，在H20等高端GPU受限的背景下，为国内智算中心建设提供主力替代选项，并带动本土PCB、封装、连接器、电源、液冷等全链条国产化。

第三章 ：产业链上下游及市场空间

算力基础设施上游看“先进封装 + HBM + 设备国产化”，中游看“GPU/ASIC 国产替代”，下游看“AI 服务器+800G/1.6T 光模块+液冷/IDC 电力”，而需求侧是阿里/腾讯/字节/百度和三大运营商数千亿级 CAPEX 的持续托底。

3.1.上游：设备、材料、EDA/IP是算力芯片的“地基”

从全半导体设备看，中国是全球最大单一市场，2025 年设备支出约 380 亿美元，但国产化率仍在20%出头，结构极不均衡。

根据 2023 年数据及对 2025 年趋势判断，上游设备国产化情况如下：

3.2.中游：芯片设计/制造/封测——算力产业链的“价值中枢”

算力芯片中游可以按架构分为四类：①CPU：通用逻辑与控制，Intel/AMD/Arm 体系外，中国有海光（x86 授权）、飞腾/鲲鹏（ARM）、龙芯（自研 ISA）等。②GPU：AI 训练/推理的主力，高度并行的统一阵列架构，英伟达/AMD 领先，中国有华为昇腾、寒武纪、海光 DCU、摩尔线程、沐曦、壁仞、天数等。③FPGA：可编程逻辑，英特尔 Agilex、Xilinx，国内有紫光同创、安路等，多用于协议与定制加速。④ASIC/NPU/存算一体：针对特定 AI 工作负载（语音、NLP、推荐）定制，中国有昆仑芯、平头哥、燧原、寒武纪等。

四大上市/拟上市 GPU 公司收入情况（寒武纪、海光信息、摩尔线程、沐曦）在图表 37 有清晰对比：2022–2024 年收入均表现为倍数级增长，海光信息营收规模领先，寒武纪和沐曦增速最快。量级上，英伟达 2025 年全球 GPU 出货约 550 万张，国产 GPU/ASIC 合计出货几十万片级，在国内市场已构成有意义的份额，对英伟达形成结构性替代。结构上，“昇腾+寒武纪”为 ASIC/NPU 主力，“海光 DCU+沐曦+摩尔线程+壁仞+天数”为 GPGPU 主力，大致形成专用+通用两条国产算力主线。

3.3.下游：AI 服务器、网络/光模块、电力/液冷

服务器侧，AI 服务器相较通用服务器在架构与 BOM 上有显著区别。AI 服务器：配备高效 CPU + 多颗 AI 芯片（GPU/TPU/ASIC），采用并行计算模式；普通服务器：以通用 CPU 为主，逻辑/分支计算为核心。

IDC 数据显示：AI 服务器中 GPU 成本占比约 73%，显著高于 CPU。下游需求：①通用算力领域，互联网行业需求最大，占 39%；②智能算力领域，互联网企业为第一大需求方（53%），政府第二，制造/电信/教育等为后续。这决定了：算力芯片→AI 服务器→PCB/电源/液冷/机箱等形成完整价值链，服务器厂商（浪潮信息、新华三、宁畅、华勤、超聚变等）在中下游扮演垂直整合枢纽。

光模块：800G/1.6T 的高景气成长。根据广发预测，2025年1.6t光模块将迎来首次放量供货，预计在2026年开始大批量出货。在中国，光模块龙头（中际旭创、新易盛、光迅科技等）已与北美云厂商深度绑定，国内算力投资复苏将有望带来第二曲线。

表7：2018–2026 年全球光模块需求格局

资料来源：GF Securities (HongKong) Brokerage

功耗高速增长带来电力和PUE的强制性需求。人工智能大模型技术的研发和应用带来了更高的能耗需求，IDC数据显示，2024年人工智能数据中心IT能耗（含服务器、存储系统和网络）达到55.1太瓦时（TWh），2025年将增至77.7太瓦时，是2023年能耗量的两倍，2027年将增长至146.2太瓦时，2022-2027年五年年复合增长率为44.8%，五年间实现六倍增长。2025年3月18日，国家发展改革委、国家能源局、工业和信息化部等五部门联合发布《关于促进可再生能源绿色电力证书市场高质量发展的意见》。《意见》指出，到2027年，绿证市场交易制度基本完善，强制消费与自愿消费相结合的绿色电力消费机制更加健全。并强化需求侧调控，一方面对高耗能行业提出强制绿电比例要求，例如数据中心绿电消费占比需达80%以上，另一方面激发自愿绿证市场潜能、拓展居民绿电消费场景。

液冷：高功率机柜推动液冷成“新基建必选项”。2024年工业和信息化部等七部门联合印发《信息通信行业绿色低碳发展行动计划》明确提出到2025年，新建及改扩建大型和超大型数据中心电能利用效率降至1.25以内，国家枢纽节点数据中心项目电能利用效率不得高于1.2。推动风冷无法满足高功率机柜，根据阿里云数据：水冷液冷制冷PUE可达1.09，而采用水冷风冷的数据中心PUE往往达到1.4以上。华为数据显示：乌兰察布某数据中心1000余个机柜。由 5 层共 368 个预制模块箱体堆叠，其中 2~5 层应用间接蒸发冷却解决方案制冷，年均PUE低至1.15，数据中心年省电费 12.2%。液冷已经从“可选”变“必选”：①2023–2024 年，中国新建数据中心液冷渗透率约 5%，运营商白皮书提出 2025 年新建项目液冷渗透率达到50%；②液冷产业链涵盖冷板、浸没槽、CDU、泵/阀/管路、冷却液等，上市公司申菱环境、依米康、英维克等国内厂商已在高密 AIDC 项目中批量落地。

电力/液冷与算力芯片的内生关系是：高端 GPU/NPU TDP 无法压低→机柜功率密度上升→PUE 监管收紧→液冷/HVDC 必须部署→对应电力/散热 Capex 在整机/IDC 中的价值占比从 <20% 提升至30%+。

3.4.算力芯片市场空间测算

根据IDC测算，2025年中国智能算力规模将达到1,037.3 EFLOPS，预计到2028年将达到2,781.9 EFLOPS。2024 年中国人工智能算力市场规模达到 190 亿美元，2025 年将达到259 亿美元，同比增长 36.2%，2028 年将达到 552 亿美元。推理工作负载占比将达到73%。2025年中国通用算力规模将达到85.8 EFLOPS，预计到2028年将达到140.1 EFLOPS。预测显示，2023-2028年期间，中国智能算力规模的五年年复合增长率预计达到46.2%，通用算力规模预计达到18.8%。

HPC服务器中，算力芯片的价值占比在50-80%之间。考虑到液冷、光链接、HVDC等单价逐渐上行，算力芯片的价值占比或出现逐年下行的趋势。假设2024、2025、2028年算力芯片价值占比依次为80%、70%、65%，则对应国内算力芯片市场空间分别为152、181.3、358.8亿元。

第四章 行业趋势

①GPU占据训练侧主体部分，ASIC等新体系将在推理侧渗透。得益于CUDA生态积累的优势，英伟达将在相当长时间内占据全球GPU主供地位。同时由于AI加速技术自身的特点，ASIC等芯片将有望在推理侧及端侧应用上加速渗透。

②单芯片能力或短期滞后，集群化方案将成趋势。参照华为的技术路线规划，预计到2028年才会推出能和英伟达当前旗舰芯片对标的产品。结合英伟达自身一年一新品的短迭代周期，能和英伟达同代竞争的国产芯片产品可能较晚才能面世。在此之前，通过集群化方案解决算力不足问题或将成为国产算力芯片厂家“曲线救国”的替代方案。

③GPU功耗密度提升，绿电、液冷将成主流。由于算力芯片算力密度的高速提升，对应的功耗密度也随之攀升。考虑到电力的可持续发展，绿电（如光伏、垃圾焚烧等）、核聚变（远期）等清洁能源使用率将有望快速提升。同时由于国家PUE的强制性政策要求，液冷将由AIDC的“加分项”向“必须项”转变。

结语：作为博弈的技术高地，中美双方将持续向配套基础设施投入资金。目前中国面临的首要问题即是高端算力芯片的缺位。由于美国算力芯片禁令，我国算力芯片市场长期处于真空状态。集群化解决方案虽然短期弥补了缺点，但是对供应链提出了新的诉求。伴随迭代进程持续，我国算力有望在推理、边缘应用上实现首先突破，并最终进入高端算力市场。