AI供应链电话会议纪要关键要点 涉及的行业与公司 * **行业**: 亚太地区科技、半导体、AI供应链[1][2][9] * **核心公司**: * **芯片设计/供应商**: 英伟达 (NVIDIA)、谷歌 (Google)、博通 (Broadcom)、联发科 (MediaTek)、AMD、苹果 (Apple)、高通 (Qualcomm)、亚马逊AWS (AWS)、微软 (Microsoft)、Meta、OpenAI[1][2][4][23][33][36][43] * **晶圆代工/封装**: 台积电 (TSMC)、三星 (Samsung)、英特尔 (Intel)[1][2][3][13][25] * **封装测试**: 日月光 (ASE)、京元电子 (KYEC)[3][75] * **HBM供应商**: 海力士 (SK hynix)、美光 (Micron)、三星 (Samsung)[64] * **其他供应链**: 欣兴电子/ABF载板、创意电子 (GUC)、世芯 (Alchip)、智原 (FOCI)、奇景光电 (Himax)[4][35][43][75] 核心观点与论据 1. 先进封装技术竞争：台积电CoWoS-L vs. 英特尔EMIB-T * **核心争论**: 英伟达Rubin Ultra（2027年）和谷歌2纳米TPU (HumuFish) 等大型芯片将采用两芯粒还是四芯粒封装，关键在于台积电CoWoS-L能否经济高效地支持九光罩尺寸的芯片设计[1][2][12] * **台积电CoWoS-L优势**: * 技术路线图显示2027年可支持九光罩尺寸，一个中介层晶圆可容纳四个九光罩芯片，成本效益对谷歌2纳米TPU具有合理性[3][13] * 在性能和可靠性上优于英特尔EMIB-T[3][12] * **台积电面临的挑战**: 仍需解决中介层翘曲等相关问题[3][12] * **英特尔EMIB-T机会**: 如果台积电无法解决大型芯片的技术问题，英特尔的EMIB-T可能从台积电手中夺取谷歌2纳米TPU及其他ASIC项目的市场份额[1][13] * **对英伟达的影响**: Rubin Ultra采用两芯粒或四芯粒封装，鉴于半导体内容相似，不会显著改变其对台积电晶圆产能或日月光/京元电子封装测试的需求假设，但可能在芯片热设计和机架间扩展的CPO采用上存在细微差异[3][11] 2. 英伟达LPU的代工供应链 * **当前情况**: LP30由三星7纳米代工厂制造[25] * **未来趋势**: * **2027年**: 随着Rubin Ultra的推出，LP35（4纳米）可能由台积电和三星双重来源供货[25] * **2028年**: LP40（可能为3纳米）与Feynman GPU可能采用分立式SRAM和台积电SoIC 3D堆叠[25] 3. HBM基础芯片代工转向台积电 * **核心观点**: 由于HBM4e/HBM5基础芯片需要大量定制和IP支持，台积电3纳米将成为2028年全球HBM基础芯片的重要节点[31] * **台积电产能调整**: 供应链信息显示，台积电将在Fab 18 Phase 3将额外的10k-20k 4/5纳米产能转换为3纳米，为强劲的AI需求做准备，包括未来来自韩国HBM供应商的定制HBM4e和HBM5基础芯片[32] 4. 博通-谷歌合作对联发科TPU机会的影响 * **核心观点**: 尽管引发对联发科在TPU供应链中战略地位的质疑，但并未改变对联发科3纳米TPU (ZebraFish) 的积极看法[4][33] * **联发科TPU进展**: * **2026年**: 按计划于2026年下半年量产，预计40万颗（或16亿美元收入）的假设应可稳固实现[4][33] * **2027年**: 对联发科ABF载板供应转为乐观，重申市场最高的250万颗预期，贡献100亿美元收入[4][35] * **技术状态**: 3纳米TPU因功耗略高于预期正在进行少数金属层的工程变更，但这并未延迟量产时间，因为谷歌正在同步测试验证[34] 5. 新增算力部署对芯片需求的影响 * **新增项目**: 包括AWS-OpenAI 2GW和新宣布的谷歌/博通2.5GW交易在内的算力部署公告[36] * **对台积电需求测算**: * 这些项目在整个生命周期内隐含的CoWoS消耗量为95.3万片晶圆，前端2/3纳米晶圆消耗量为65.2万片[37] * 假设OpenAI-英伟达和OpenAI-AMD合同在三年内实现，预计2027年这些项目对台积电的年度CoWoS需求将达到25.9万片[37] * **产能与瓶颈**: 台积电计划到2027年底将其总CoWoS产能进一步扩大至每月16-17万片，因此至少到2027年，电力并非台积电芯片需求的制约因素，但ABF载板和HBM供应是主要的限制因素[37][38] 6. 台积电SoIC与CoWoS产能更新 * **SoIC产能与产量**: * **产能规划**: 2026年预计为每月1.4万片，2027年从每月2.8万片上调至每月4.5万片，2028年预计为每月7.8万片[25][41] * **产量预期**: 由于设备认证时间更长（约六个月以上），产量将低于产能，预计2026年、2027年、2028年产量分别为每月1万片、3万片、6万片[42] * **SoIC客户需求**: * **英伟达**: 预计2026年消耗6千片，2027年升至12万片，包括对CPO COUPE的需求[43] * **AMD**: 预计2026年消耗4.2万片，2027年增至6万片[43] * **苹果**: 预计2026年消耗3.6万片，2027年增至6万片[43] * **其他**: 博通、高通、AWS等多家客户正在尝试台积电SoIC产能[43] * **CoWoS产能**: * **台积电**: 预计到2027年底，总CoWoS产能将扩大至每月16-17万片[37] * **非台积电阵营** (Amkor/联电/日月光): 预计2027年产能为每月12万片[50] 7. AI芯片市场需求量化预测 (2026e) * **HBM需求**: AI芯片将消耗高达315亿Gb的HBM，其中英伟达B300 GPU是最大贡献者[64] * **晶圆收入**: AI晶圆消费市场总规模 (TAM) 预计高达270亿美元[66][67] * **CoWoS需求增长**: 2026年全球CoWoS需求同比增长112%，其中英伟达增长106%，博通增长241%[60] 8. 投资观点与股票影响 * **看好标的**: * 在亚洲半导体中，超配台积电、京元电子、日月光、三星和信骅[75] * 同时看好亚洲ASIC设计服务提供商世芯和创意电子，以及CPO供应商智原和奇景光电[75] * **台积电AI收入增长**: AI相关收入年复合增长率 (CAGR) 从2024e到2029e可能达到60%[76] 其他重要但可能被忽略的内容 * **谷歌TPU出货量预测**: * **2026e**: 总量360万颗，其中联发科ZebraFish (v8) 40万颗，博通Ironwood/Sunfish (v7) 320万颗[35] * **2027e**: 总量600万颗，其中联发科ZebraFish (v8) 250万颗，博通Ironwood/Sunfish (v7) 350万颗[35] * **AI芯片租赁价格**: 提供了截至3月底的H100 GPU每小时租赁价格跟踪数据[76][79] * **中国AI推理需求**: 英伟达5090显卡价格近期反弹，主要由于市场价格上涨预期和来自中国的强劲AI推理需求[80][82] * **风险提示**: 报告多次提及美国行政命令、出口管制等合规要求，提醒投资者注意相关风险[86][87][88]

涉及的行业与公司 * **行业**：科技行业，具体聚焦于人工智能（AI）基础设施、大型语言模型（LLM）推理、云计算与存储[1] * **公司/机构**：Google Research（技术研发方）[10]、超大规模云厂商、大语言模型平台[1][8] 核心观点与论据 * **技术核心**：TurboQuant是一种针对AI推理阶段KV cache的新型压缩算法，可将每个数值从32位压缩至3位，实现约6倍的内存占用降低，并在NVIDIA H100 GPU上实现最高8倍的注意力计算速度提升[1][10][13] * **关键影响**：该技术通过大幅降低单次查询的服务成本，显著提升AI部署的盈利能力，有望重塑AI部署的成本曲线[1][2] * **对超大规模云厂商和模型平台的影响（正面）**：技术能降低长上下文推理的单位成本，带来可观的投资回报率提升空间，对相关方构成利好[1][8] * **对计算与存储的短期影响（中性）**：更高效的压缩会降低单个工作负载所需的内存流量和GPU使用时长，但更低的token成本可能刺激更高的产品采用需求，从而在边际上抵消部分需求减少[8] * **长期潜在效应**：可能出现杰文斯悖论效应，即效率提升反而推高整体计算与存储需求，对计算与存储具备长期正面意义[1][7] * **应用场景扩展**：技术使原本需云端集群运行的模型有望部署在本地硬件上，降低了AI规模化部署门槛，利好部署私有LLM的企业以及内存受限的边缘/端侧AI应用[1][18] 其他重要内容 * **作用范围限制**：该技术仅针对推理阶段的KV cache，模型权重及训练工作负载不受影响[7] * **直接效果**：在相同硬件条件下，可支持4–8倍更长的上下文长度，或实现更大的批大小，从而提高单GPU的吞吐量，而非直接减少6倍硬件需求[7] * **部署优势**：该技术无需模型重新训练或微调，支持即插即用式集成，显著降低了采用门槛[10][17] * **性能表现**：在多项基准测试中，KV cache内存占用降低≥6倍，且未观察到可测量的精度损失[13]

行业与公司 * **行业**：覆铜板、铜箔、玻璃布、树脂等电子材料产业链 [1] * **公司**：提及的供应商包括三井、金居、铜冠、台光、生益、台耀、新日铁、陶氏、SABIC、山东圣泉、四川东材、菲利华、泰山、旭化成、宏和科技、日东纺、建滔、景义等 [1][2][4][5][7][8][9][10][11][12][13][14][15][17][21][22][23] 核心观点与论据 * **高端铜箔（HVLP/RTF）价格大幅上涨且供不应求** * **价格涨幅**：2025年至今累计上涨约20%，期间经历两次左右上调 [1][3] 2026年3月中下旬开始新一轮上涨，日本三井涨幅10%-15% [2] HVLP-4加工费从约350元/公斤涨至约400元/公斤，当前接近30万元/吨 [1][2] HVLP-1加工费约10-15万元/吨，HVLP-2约20余万元/吨，涨幅约10% [2] * **涨价原因与供需缺口**：核心驱动是终端需求显著提升，特别是M8材料用量较2025年至少翻倍，其搭配HVLP-4铜箔 [8] 全球HVLP-4主要厂商合计月产能约1,300吨，但来自亚马逊、谷歌、英伟达、Meta等终端客户的月需求至少1,800吨，缺口达28% [1][8] 订单呈持续上修趋势，预计2026年下半年至2027年需求量将持续增长 [8][9] * **厂商动态**：三井已于2026年3月底发涨价通知，是行业风向标 [7] 台湾金居已跟进，国内厂商如铜冠预计跟进提价10% [1][21] 国内产品价格通常比日本同类低20%-30% [8] * **关键原材料（玻璃布、树脂）供需严重失衡并涨价** * **玻璃布**： * **Low-Dk二代玻璃布**：用于M8材料，预计2026年月需求约350万米，但总产能仅约150万米，缺口超50% [1][4] 主要供应商包括日东纺（月产能约25万米）、宏和科技与泰山（合计月产能60-70万米）等 [4] 紧缺态势从2025年底显现，预计持续至2026年底 [1][4] * **Q-cloth**：用于M9材料，预计2026年月需求120-150万米，主要供应商总产能约每月100万米（菲利华30-40万米，泰山约30万米，旭化成约20万米），供不应求 [4] * **传统E-glass玻璃布**：如7628规格，因供应短缺，当前价格约6元/米，若需求旺盛仍有上涨趋势 [22] * **Low-CTE玻璃布**：当前价格约150元/米，月需求至少200万米，但三大供应商（宏和、泰山、日东纺）合计月产能仅约100万米，供需紧张，预计后期涨价 [23] * **树脂**： * **价格普涨**：碳氢树脂（新日铁、陶氏）和PPO（聚苯醚）价格在2026年4月初上涨10%-15% [2][13] * **PPO供需与国产替代**：PPO年需求预计从2025年约5,000吨增至2026年7,000-8,000吨 [2][14] 主要供应商SABIC年产能仅3,000吨，加上生益的1,000-2,000吨及其他厂商不足300吨，存在供给缺口 [14] 国内供应商山东圣泉（价约60-70万元/吨）、四川东材（2026年下半年计划新增3,000吨/年产能）面临国产替代机遇 [2][14] * **高端覆铜板（CCL）与普通FR-4市场分化明显** * **高端CCL（如M6/M7/M8）**：生产厂家少，产能无法完全满足需求，议价顺畅 [5] 以台光电子为代表，提价幅度约15%，客户接受度高 [1][5] * **普通FR-4 CCL**：因原材料（普通E-glass玻璃布、环氧树脂）成本大幅上涨，理论提价幅度达30%-40% [1][5] 但市场竞争激烈、产能过剩，价格传导受阻，大厂（如建滔）因原材料自给更具优势，中小厂报价克制 [5] * **涨价持续性**：关键观察节点是2026年第二季度（传统淡季），若需求依然旺盛，则涨价趋势可能持续至2026年底 [6] * **终端项目进展与材料需求** * **英伟达**： * **Rubin芯片（M9材料）**：M9覆铜板订单已陆续发出，处于小批量备货初期，预计2026年6-7月量产 [1][4] * **GB300的MABA材料**：供应商为抖三（约40%）、台光（约30%）、生益（约30%） [9] * **CPX项目**：采用MABA-9搭配Q-cloth材料，已陆续发货，预计2026年6-7月大规模量产 [17] * **B300项目**：大批量出货预计持续至2026年底左右 [18] * **亚马逊AWS**： * **T2项目**：MABA材料主要由台光（约80%）和台耀（约20%）供应 [9] 拉货量有所下降 [19] * **T3项目**：预计2026年下半年量产，采用MABA-8材料，搭配HVLP-4铜箔和LDK二代玻璃布 [1][4][19] MABA-8材料预计2026年第二季度（约4-5月）开始出货 [19] * **谷歌**： * **V7/V8项目**：驱动HVLP-4铜箔需求 [1] V7大规模量产预计2026年第三季度开始，V8预计2026年年底 [20] 预计2026年第三季度开始使用MABA级别材料并搭配HVLP-4铜箔 [9] * **主要供应商市场份额与动态** * **台光电子**：是MABA材料最主要供应商，整体市场份额估计50%-60% [9] 在MABA-9（Ruby）供应中预计份额达70%-80% [1][11] 在英伟达CPX项目中板CCL供应预计占约70% [17] 其HVLP-4铜箔主要供应商是台湾金居，其次是三井和铜冠 [10] MABA-8月出货量已从2025年同期约60万张增至接近100万张，2026年内扩产完成后产量将大幅增长 [16] * **生益科技**：在MABA-9供应中预计份额20%-30% [11] 也是英伟达GB300和CPX项目的供应商之一 [9][17] 其他重要内容 * **材料技术细节**：MABA-8和MABA-9主体树脂为碳氢树脂和改性聚苯醚 [12] MABA-8中碳氢树脂（以ODV为主）含量约30%，改性聚苯醚约20% [12] MABA-9中碳氢树脂用量提至近40%，并添加苯并环丁烯树脂，改性聚苯醚种类更丰富 [12] * **其他材料价格**： * **球形硅微粉（球硅）**：用于MABA-9的化学法球硅价格相对稳定，约20万元/吨，但国内产能有限、需求增长，未来存在涨价趋势 [15] 火焰法球硅目前未明显涨价 [15] * **HTE铜箔**：目前价格保持稳定，未跟随涨价 [21] * **价格谈判与落地**：HVLP-4铜箔市场认知价约30美元/千克，但测算总成本约30万元/吨（原料铜10万元/吨+加工费20万元/吨） [21] 由于台光主要使用价格低约20%的台湾金居产品，其与三井的价格谈判仍在进行中 [21]

涉及的行业与公司 * **行业**：人工智能（AI）算力、AI芯片设计与制造、数据中心基础设施 * **公司**：Anthropic、谷歌（Google）、英伟达（NVIDIA）、博通（Broadcom）、台积电（TSMC）、英特尔（Intel）、联发科（MediaTek）、亚马逊（AWS）、Meta、XAI、富士康工业互联网（FII）、Marvell、Astera Labs、澜起科技（Montage Technology）[1][3][4][5][6][11][12][14][15][16][17][19][21] 核心观点与论据 Anthropic的算力结构转型与规划 * Anthropic当前算力结构中，英伟达GPU占比最高，约为65%，主要通过AWS获得；AWS Trainium 2占比约10%；剩余部分为谷歌TPU[6] * 预计到2026年，Anthropic算力构成将发生显著变化：谷歌TPU占比将升至30%-35%，英伟达GPU占比将相应下降至50%左右[1][7] * 部署TPU的核心目标之一是替代英伟达GPU的推理任务以降低成本[1][8] * Anthropic已确定需要投入约100亿美元用于算力采购[10] 谷歌TPU的产能、出货与客户分配 * 2025年谷歌TPU出货量约为300万颗，预计2026年将增至420万至450万颗，其中外销芯片将超过100万颗[1][4][16] * 谷歌自身的Gemini大模型及其他需求每年消耗约100万至150万颗TPU，对应约2到2.5吉瓦算力，这部分需求有保障且趋于稳定[4] * Anthropic在合作中直接购买TPU芯片（外售模式），而非租用云服务[19] * Anthropic将获配的TPU数量：2026年40万颗，2027年60万颗[1][4] * 2026年交付的40万颗TPU将主要用于推理，而非大规模集群训练[8] 谷歌TPU v8的架构革新与供应链变化 * **内存池化方案**：TPU v8（预计2027年）将引入基于CXL（Compute Express Link）的内存池化方案，实现存算分离[1][10] * **HBM用量变化**：v8单芯片的HBM用量将减少约30%，但通过共享DDR内存池，总存储容量将提升至原有方案的1.5到2倍[1][24] * **代工产能转移**：因台积电先进封装产能被英伟达锁定，谷歌计划在2027年将20%-30%的TPU产能转移至英特尔，采用其EMIB封装技术[1][17] * **2026年出货构成**：TPU v6上半年出货约110万颗；TPU v7全年出货约200万颗；TPU v8下半年出货100万至120万颗[16] * **HBM供应**：TPU v8将切换至HBM4，谷歌已有确定的HBM供应，但获取量不及英伟达[16] 合作模式与生态关系 * **Anthropic-谷歌-博通合作模式**：博通负责底层TPU设计及TPU间通讯技术；谷歌提供3.5吉瓦TPU集群，负责数据中心部署环境及通过Vertex AI平台提供服务；Anthropic购买芯片，将硬件和数据中心搭建交由合作伙伴，专注于模型和Agent系统[3] * **新模式利弊**：利在于获得深度定制化服务和架构优化，弊在于成本控制权不在Anthropic手中[3] * **Anthropic的多元供应商策略**：合作伙伴不限于谷歌，也少量使用AWS的Trainium架构，其下一代训练芯片（Trainium 4）已计划由博通协助设计，预计最早2027年下半年推出[5] * **对英伟达的策略**：Anthropic采用TPU以降低成本，未来当TPU达到一定规模后，可能以此为筹码向英伟达争取更优惠价格，但短期内超过50%算力仍依赖GPU[23] AI推理优化与互联技术趋势 * **推理阶段芯片定制化**：未来将针对Prefill和Decode阶段采用不同定制芯片以实现成本效率最优化[1][14] * **联发科v8a芯片**：由联发科协助设计的v8a芯片侧重低延迟推理，2026年供应量约60万颗，2027年可能突破100万颗[1][15] * **互联技术演进**： * OCS（Optical Circuit Switch）方案因成本比传统以太网高出约50%，将逐步被取代[2][20] * 博通战略重点转向CPO（Co-Packaged Optics）工艺，预计2027年进入小规模量产[2][11] * 未来更倾向于发展Scale-up Ethernet方案，因其采用开放以太网协议，便于混合部署不同厂商芯片，实现更好的互联互通[11][20] * **内存池化供应商**：谷歌TPU的内存池化方案主要由博通提供；其他客户（如微软、亚马逊）可能采用联发科或Marvell的CXL技术[14] 其他重要参与方动态 * **亚马逊与博通合作**：已于2026年Q1确定合作，启动下一代训练芯片（Trainium 4）前期设计，旨在成为2027-2028年主要部署型号，预计2027年下半年推出并规模化量产[15] * **Meta与XAI的采购策略**：倾向于直接购买AI芯片并进行定制化组网，因长期看租用成本更高[21] * **Meta**：是外部芯片采购种类最多的公司之一，涵盖AMD、谷歌、英伟达GPU，其自研AI芯片年出货量约40万颗[21] * **XAI**：自身在研发芯片，预计2027年推出由博通代工的产品，此前也向谷歌大量购买芯片[21] * **服务器代工**：谷歌TPU服务器代工主要由富士康工业互联网负责，份额占比70%至80%[19] 其他重要但可能被忽略的内容 * **Anthropic总算力规模**：截至目前，Anthropic总算力约2吉瓦，其中训练算力占比稍高约70%，预计到2026年底训练算力比例将降至50%以下[7] * **3.5吉瓦合作计划分布**：2026年部署近1吉瓦算力（主要推理），2027年累计达2吉瓦以上；与此前1吉瓦计划无冲突，后者属于架构升级[9] * **谷歌产品性能下降原因**：用户体验到的性能下降主要源于带宽和电力问题，而非算力短缺；谷歌可能对非付费用户采用“低功耗模式”以节约电力成本[5] * **模型训练依赖**：目前绝大多数主流大模型（除谷歌Gemini）几乎100%使用英伟达芯片进行训练，因其CUDA生态系统效率最高[6] * **CXL方案供应商**：主要厂商包括博通、Marvell、Astera Labs以及中国的澜起科技等[12] * **OCS使用比例**：2026年在Anthropic的TPU集群中，OCS互联方案预计仍占60%至80%的部署[20]

纪要涉及的行业或公司 * 行业：光通信、数据中心、人工智能算力基础设施 * 公司：谷歌、英伟达、Coherent、Lumentum、华为、Celestica [1][4] 核心观点与论据 **1 谷歌TPU出货量预测大幅上调，带动庞大产业链需求** * 谷歌TPU在2026至2028年的总出货量预计上调至5000万颗，其中2027年预测从650万颗上调至1000万颗，2028年预计上调至3500多万颗 [2] * 2027年1000万颗TPU出货将带动2000万至3000万个光模块需求，其中1.6T光模块是主要部分 [1][2] * 2027年1000万颗TPU将对应约16万个机柜，每个机柜液冷系统价值60万至70万元，仅谷歌一家带来的市场空间就超过1000亿元 [1][2] * 2027年1000万颗TPU对应的OCS交换机需求将超过5万台，2028年3500万颗TPU则对应约15万台OCS交换机 [1][3] **2 OCS（光电路交换机）成为AI工厂网络核心，解决算力网络关键痛点** * 英伟达将OCS定位为未来AI工厂网络的核心架构方案 [1][4] * 传统电交换机的“光-电-光”转换导致微秒级时延、约70%的功耗浪费，且带宽升级受限于电芯片迭代速度 [7] * OCS通过光域端到端直通，无需光电转换，具备超低时延、低功耗及无带宽瓶颈三大核心优势 [7] * OCS主要应用于Spine/Fabric层及DCI互联，不适用于Leaf和TOR层 [4] **3 OCS技术方案多样，MEMS方案最成熟，光波导方案长期潜力大** * 主流技术方案包括MEMS方案、液晶方案和光波导方案 [4][6] * MEMS方案由谷歌主推，量产最稳定，其MEMS芯片成本占总成本的50%至60% [1][6] * 光波导方案采用全固态硅光芯片，芯片成本可占总成本高达70%，外部几乎没有透镜，长期具备规模化生产潜力，成本有望降至最低 [1][6] * 液晶方案由Coherent主推，技术成熟但成本偏高，装调难度大 [6] **4 OCS产业瓶颈转向规模化量产，混合组网成为主流** * 当前OCS产业的核心瓶颈正从设计能力转向规模化量产能力，其中耦合工艺是量产环节中最具挑战性的部分 [1][4] * 目前具备自研OCS能力的公司主要有四家：谷歌（由Celestica代工）、Coherent、Lumentum和华为 [1][4] * OCS技术局限性在于不适合处理小包突发、短连接及高频率切换的业务，因此行业普遍采用OCS+EPS（电分组交换）的混合组网方案 [9] * 2026年被视为OCS从技术验证走向规模化商用的元年 [1][9] 其他重要内容 * NPO（近封装光学）与TPU的配比关系接近1:1，1000万颗TPU将对应约1000万个NPO的需求 [2] * MPO与光模块的配比关系约为1:2，光模块需求增长将直接带动MPO需求 [5] * 机柜数量增加将推动对高功率服务器电源的需求 [5] * 在国内，运营商是值得关注的下游应用领域，OCS是实现城域中心及以上算力节点全光交换的必要硬件，例如在成渝地区“毫秒级算力网络”建设中 [9] * 预计未来3到5年内，OCS有望成为算力网络和AI智算中心在特定细分场景下的标配设备 [9]

文章核心观点 - 软件并未死亡，但软件的用户基础正在发生结构性替换，从人类用户转向AI Agent，这标志着行业进入了“Agent体验（AX）”时代 [1][2][3][5][6][7][8] - SaaS公司的核心竞争力正从图形用户界面体验转向为AI Agent提供卓越的体验，这要求公司重新构建产品交互模式、编码领域知识并优化性能与成本 [11][22][23] Agent用户基础的转变 - **用户结构发生根本性替换**：在普通企业中，机器身份与人类用户的比例已达到45:1，部分组织甚至高达100:1，AI Agent正成为主要用户 [6] - **Agent操作方式不同**：Agent通过API、脚本和结构化命令以编程方式操作软件，完全绕过图形界面，不进行点击导航 [7] - **生产数据印证趋势**：数据库服务Neon报告其80%的数据库由AI Agent创建；GitHub上超过5%的代码提交完全由Claude Code完成，另有约40%得到了AI辅助 [6] 定义Agent体验（AX）时代的三个关键信号 - **Anthropic发布托管Agent架构**：将“大脑”（模型与外壳）、“双手”（工具与沙箱）和“会话”（事件日志）三层解耦，意味着SaaS公司可将Agent架构委托给前沿AI实验室 [9] - **Intercom与Zapier为Agent重建产品**：Zapier的SDK让编程Agent能访问超过9000个应用连接器；Intercom的Fin AI助手实现了65%的端到端问题解决率，并发布了Fin CLI供Agent直接调用 [9] - **Linear的错误示范**：其发布的Agents功能优先构建了嵌入式聊天界面，但未提供MCP服务器或CLI工具，未能满足客户让外部Agent连接其数据的核心需求 [10] 新软件栈的构成模式一：Skill文件 - **Skill文件是编码领域知识的Markdown文档**：它直接告诉Agent如何正确使用工具，包括调用顺序、约束和原因，使领域专业知识能被Agent直接读取和执行，无需人类翻译 [12] - **Skill文件成为机构知识的新载体**：知识不再主要存在于用户界面或帮助中心，而是沉淀在Skill文件中，这对于确保Agent操作的准确性至关重要 [13] - **实际应用案例**：Figma随MCP服务器发布了编码设计系统惯例的Skills；PostHog将Skill文件视为给高素质新员工的入职手册，例如指导Agent使用正确的默认事件以避免数据误导 [12][13] 新软件栈的构成模式二：CLI工具与MCP服务器 - **命令行界面成为出色的Agent体验**：接受结构化输入并产生结构化输出的CLI命令天然可组合，便于Agent调用、串联工作流和失败重试 [14][15] - **领先公司已进行重建**：37signals将Basecamp重写为完全Agent可访问的产品，包括全新CLI和结构化JSON输出；Google的Gemini CLI扩展在三个月内吸引了超过100万开发者使用 [14] - **开发工具生态围绕Agent构建**：Vercel的AI SDK月下载量突破2000万；主流AI编程工具如Claude Code、GitHub Copilot CLI均通过命令行运行 [14][15] 新软件栈的构成模式三：垂直模型 - **垂直模型是在领域专属数据上微调的模型**：其在特定领域（如法律、客服）的表现超越通用模型，且理论上更快、更便宜 [16] - **垂直模型的成功与挑战案例**：法律AI公司Harvey的定制模型曾让律师在97%的情况下更偏好它而非GPT-4，并助力其ARR在2026年1月达到1.9亿美元，估值达110亿美元 [17]。然而，随着前沿通用推理模型的快速进步，Harvey自己的法律模型在基准测试中被超越，公司最终转向使用模型选择器在多个前沿模型间路由任务 [18] - **垂直模型的有效性条件**：在查询模式高度专门化、错误后果严重且公司拥有足够专有反馈数据的场景下能建立优势，例如Intercom基于超过4000万次已解决对话训练的客服检索模型 [19] 性能即护城河 - **成本与延迟成为关键竞争维度**：Agent只关心性能，包括认证简便性、安全性、成本和速度 [20] - **成本优化策略**：大多数AI生产任务（如数据验证、格式转换）不需要前沿模型推理。采用级联路由等策略，先将查询发送给廉价模型或代码，仅在需要时升级，可实现显著成本节约。斯坦福FrugalGPT研究显示，该方法在保持媲美GPT-4准确率的同时，最高可实现98%的成本降低，生产中通常节省30-60% [20] - **延迟优化至关重要**：小模型响应时间为数十毫秒，确定性代码为个位数毫秒，而前沿模型需要数秒。在链式调用的Agent工作流中，优化策略能将等待时间从30秒缩短至2秒，这种差异会被用户和Agent注意到 [20][21] 对行业与公司的启示 - **软件价值层转移**：软件的数据层、工作流逻辑和领域专业知识依然有价值且越来越重要，但必须被重新编码成Agent和模型能够消费的格式 [22] - **赢得Agent体验的五大要素**：1) 超越特定模型的稳定接口；2) 人类与Agent能力一致；3) 编码了从业者判断力的Skill文件；4) 供Agent配置操作的CLI；5) 在确有场景时使用垂直模型保持领先 [23] - **构建可防御优势**：最值得关注的公司是那些在权重里积累垂直数据优势、用Skill文件编码工作流知识、并用CLI/MCP服务器实现一切可组合的公司。仅声称“为自己的领域构建了AI Agent”已不具备防御性 [23]

行业投资评级 - 推荐|维持 [5] 核心观点 - 受国际形势变化影响，本周计算机（申万）指数跟随市场大幅反弹，上涨6.17% [3] - Anthropic公司年化收入(ARR)超过300亿美元，较2025年底的90亿美元大幅增长，Claude需求持续加速，已超过OpenAI（年化收入250亿美元）[19] - Anthropic的投后估值在上一轮融资中达到3800亿美元，较2025年9月的1830亿美元增长108%，华尔街预估其上市前估值将涨至4000亿至5000亿美元 [3][19] - Anthropic与谷歌和博通签署新协议，将获得数吉瓦的下一代TPU算力，于2027年投入使用，以支持前沿Claude模型 [3][19] - 随着生成式AI技术成熟，下游需求加速释放，大模型厂商收入快速增长，商业化加速，产业前景广阔，将带动AI芯片、云服务等产业链上下游需求增长 [3][19] - 建议关注AI产业链中需求快速增长、商业化加速的公司 [3][19] 市场回顾与指数表现 - 本周（2026.4.7-2026.4.10）包含四个交易日，计算机（申万）指数大幅上涨6.17%，结束了连续数周的下跌 [1][10] - 同期，上证指数上涨2.74%，深证成指上涨7.16%，创业板指上涨9.50% [1][10] - 细分板块方面，申万二级行业指数：计算机设备(801101.SL)上涨7.72%，IT服务Ⅱ(801103.SL)上涨5.58%，软件开发(801104.SL)上涨5.70% [1][11] - 个股方面，本周计算机板块上涨、下跌和走平的个股数量分别为311、16和8 [11] - 涨幅前三的个股为：行云科技(24.76%)、ST英飞拓(21.55%)、宇瞳光学(19.50%) [11] 重点公司公告 - **海光信息**：2026年第一季度实现营业收入40.34亿元，同比增长68.06%；实现扣非归母净利润5.97亿元，同比增长34.99% [2][17] - **新北洋**：2025年实现营业总收入27.88亿元，同比增长17.34%；实现归母净利润0.75亿元，同比增长55.19%；实现扣非归母净利润0.68亿元，同比增长156.62% [2][17] - **柏楚电子**：2025年实现营业收入21.96亿元，同比增长26.52%；实现归母净利润11.13亿元，同比增长26.04%；实现扣非归母净利润10.27亿元，同比增长25.07% [2][17] - **国能日新**：2025年实现营业收入7.17亿元，同比增长30.49%；实现归母净利润1.30亿元，同比增长39.18%；实现扣非归母净利润1.23亿元，同比增长49.58% [2][17] 行业重大事件 - **Google发布Gemma 4系列开源模型**：发布四款模型并采用Apache 2.0全面开源，最小的E2B仅激活20亿参数即可在手机和树莓派上完全离线运行 [15] - 其中，31B Dense版本在AIME 2026数学推理能力从20.8%跃升至89.2%，代码能力从29.1%升至80.0%，Agent工具调用从6.6%提升至86.4% [15] - E2B的20亿参数手机模型在GPQA Diamond上达到43.4%，已追平上一代Gemma 3 270亿参数桌面模型的42.4% [15] - **微软发布三款自研模型**：MAI-Transcribe-1、MAI-Voice-1和MAI-Image-2，批量转录速度是现有Azure Fast的2.5倍，语音生成1秒可产出60秒音频 [15] - MAI-Image-2在Arena.ai文本转图像排行榜位列第三，已集成至Copilot、Bing和PowerPoint等产品 [15] - 三款模型由Mustafa Suleyman领导的AI超级智能团队自主研发，标志微软正自建多模态AI技术体系以降低对OpenAI的依赖 [15] - **Anthropic调整订阅政策**：Claude Pro和Max订阅不再涵盖OpenClaw等第三方工具，用户需切换至额外用量套餐或API密钥付费使用 [15] - **智谱发布开源旗舰模型GLM-5.1**：在SWE-Bench Pro等三大代码评测中取得国产和开源模型第一，全球第三 [17] - 该模型可独立持续工作超8小时，能从零构建Linux桌面系统、完成655次迭代优化向量数据库查询性能提升6.9倍 [17] - **Meta发布首个模型Muse Spark**：由前Scale AI CEO Alexandr Wang领导，具备多模态感知、工具调用、视觉思维链和多智能体协同能力，深度思考模式在HLE测试中达58% [17] - **Anthropic推出Claude Managed Agents**：提供全托管智能体运行环境，将开发周期从数月压缩至数天，任务成功率最高提升10个百分点 [17] - 架构将智能体解耦为会话、控制器和沙箱三部分，首token延迟p50下降60%、p95下降超90% [17] - 按使用量计费，每活跃会话小时收费0.08美元，Notion、Rakuten、Asana等多家企业已在生产环境部署 [17]

报告行业投资评级 - 报告对美股AI硬件板块持积极看法，继续看好其相对确定性机会 [18] 报告核心观点 - AI模型迭代速度明显加快，并推动商业化进程大幅加速 [18] - AI原生收入的加速增长为资本支出的持续增长提供了强力支撑 [18] - 持续看好美股AI硬件板块的投资机会，具体关注存储和光互连两个方向 [18] 根据目录总结 1 美股科技公司动态 - Meta发布其全面重构AI研发体系后的首款产品Muse Spark，定位为原生多模态推理模型，具备工具调用、视觉思维链与多智能体协同调度能力 [11] - Muse Spark现已上线meta.ai及Meta AI App，并向部分用户开放私有API预览 [11] - 其Contemplating Mode在Humanity's Last Exam（No Tools）基准测试中准确率达到50.2%，超越Gemini Deep Think的48.4%和GPT 5.4 Pro的43.9% [11][12] - 在视觉赛道能力仅次于Gemini 3.1 Pro [11] - 其多智能体编排架构与当前Agent的主流演进方向高度吻合 [11] 2 科技行业动态 - Anthropic发布新模型Claude Mythos Preview，并联合12家顶级机构发起Project Glasswing网络安全联盟 [13] - Mythos Preview性能相比Opus 4.6大幅领先，在SWE-bench Verified基准上达到93.9% [13] - 该模型已在各主要操作系统与浏览器中发现数千个零日漏洞，包括OpenBSD中一个潜伏27年的漏洞 [13] - Anthropic年化收入（ARR）突破300亿美元，较2025年底的90亿美元增长超过3倍，首次在ARR上超越OpenAI [16] - 其企业客户表现亮眼，年支出超百万美元的大客户数量在不到两个月内从500家翻倍至1000家以上，约80%收入来自企业客户 [16][17] - Anthropic与谷歌、博通签署协议，共同打造规模达3.5吉瓦的下一代TPU算力集群，预计从2027年起陆续上线 [17] - Anthropic维持多平台训练策略，并行使用AWS Trainium、谷歌TPU和英伟达GPU [17] 3 本周观点 - 模型迭代与商业化加速，以Anthropic为例，其Mythos模型在多项硬核基准上实现跨代式跃升，ARR突破300亿美元 [18] - 看好AI硬件板块，具体分为两个方向： 1. **存储**：模型参数提升及Token用量提升推动HBM/DRAM/SSD需求强劲，供给侧厂商扩产产能落地时间需要2027或2028年 [18] 2. **光互连**：推理场景下长思维链及Agent间协作的低延迟需求将驱动更高带宽迭代，看好Scale-up中光进铜退趋势及数据中心扩建带来的DCI（数据中心互连）需求 [18] - 建议关注的公司包括：LITE、COHR、GLW、CIEN、GOOG、NVDA、AVGO、MRVL、ALAB、MU、SNDK、INTC、META、AMZN等 [18]

行业核心驱动力 - 谷歌将2026年TPU芯片出货量目标大幅上调50%至600万颗，新一代TPU v7单芯片功耗高达980W，要求100%采用液冷散热方案，凸显了液冷技术在高端算力领域的不可替代性 [1] - 2025年以来，液冷产业进入爆发式增长阶段，政策、技术与市场需求形成共振，推动行业规模快速扩张 [1] - 在AI大模型训练与推理需求驱动下，全球数据中心算力密度呈指数级攀升，液冷技术已从“可选配置”升级为“刚需方案” [2] 政策支持 - 发改委等四部门联合印发的《数据中心绿色低碳发展专项行动计划》明确将液冷作为高效制冷散热技术重点推广 [1] - 工信部、发改委、能源局发布的《数据中心能效提升行动计划（2026-2028年）》强制要求新建大型/超大型数据中心PUE≤1.1，存量数据中心需在2028年前完成节能改造 [2] - 液冷技术因可将PUE降至1.05以下，成为满足严格政策要求的核心路径 [2] 市场需求与规模 - 黄仁勋预测，Blackwell与Rubin的AI芯片到2027年底收入将达1万亿美元，相较之前预测翻倍，而这些芯片的散热方案均指向或强化了液冷 [1] - 据测算，2026年全球液冷市场空间将达150亿美元，2026-2028年复合增长率约30% [2] - 2026年中国液冷服务器市场规模将超300亿元，其中AI智算中心液冷市场规模达200亿元 [2] 产业链动态与公司进展 - 谷歌正与中国液冷设备厂商洽谈采购数据中心冷却系统，以应对AI算力快速增长带来的散热需求 [1] - 曙光数创2026年4月发布全球首个MW级相变浸没液冷整机柜解决方案C8000 V3.0，单机柜功率密度突破750kW [2] - 英维克凭借Coolinside液冷解决方案进入谷歌、英伟达供应链 [2]

行业趋势与竞争格局 - 人工智能股票近期回调，市场对技术的炒作热度似乎开始消退[1] - 这对依赖大量投资的小型初创公司构成不利，但对投资者和大型人工智能相关公司而言是利好消息[1] - 投资者受益于人工智能股票回落至更合理的水平，而大型公司则可能因小型竞争对手出局而获益[2] 公司核心优势与市场地位 - Alphabet 被认为是“七巨头”中目前唯一值得买入的人工智能股票[2] - 公司在开发自有人工智能技术方面是“七巨头”中最成功的，其Gemini自2023年以来在企业大语言模型市场稳步吸收份额[4] - 2023年，OpenAI在该市场占有50%份额，现已降至约27%，而谷歌的份额同期从7%上升至21%，并有望在今年超越ChatGPT[5] - 另一“七巨头”成员Meta Platforms的企业LLM市场份额从2023年的16%降至2025年底的8%[6] - 当前企业LLM市场领导者Anthropic估计占有40%份额，并计划扩大使用Alphabet的硬件[6] - 苹果公司今年早些时候与Alphabet合作，使用谷歌Gemini模型开发其自身人工智能产品[6] - 公司在人工智能软件领域已超越一位同行，并有另一位“七巨头”成员依赖其软件[7] - 谷歌已基本确立自身为人工智能行业的龙头[11] - 与Anthropic或OpenAI等初创公司不同，公司拥有除人工智能外的大量其他收入来源，且早已不依赖投资者资金，股价下跌对公司影响不大[11] 财务与运营表现 - 2025年，公司营收较2024年增长15%，首次超过4000亿美元[12] - 同期稀释后每股收益飙升34%[12] - 公司净利润率为32.8%，债务权益比率非常健康，为0.14[12] - 公司市值为3.8万亿美元，当前股价为315.70美元[8] - 公司毛利率为59.68%，股息收益率为0.27%[8] 硬件与技术布局 - Alphabet与博通共同开发的张量处理单元是“七巨头”同行英伟达图形处理单元的强劲竞争对手[8] - 其他“七巨头”公司都在一定程度上使用英伟达硬件运行其人工智能，而Alphabet正转向使用自有硬件[9] - 一些其他人工智能公司也已开始使用TPU，Anthropic计划今年投入数百亿美元，增加1吉瓦的TPU芯片以提升计算能力[9] - 除特斯拉和Netflix外，Alphabet要么拥有与每家“七巨头”公司人工智能产品（硬件或软件）竞争的方案，要么该同行正像苹果一样使用谷歌人工智能开发自身产品[10]