公司股价表现 - 黑莓在美上市股价触及一年新高，单日上涨11.3% [1] 业务与战略合作 - 公司股价上涨与QNX业务和英伟达深化合作直接相关 [1]

涉及的行业与公司 * **行业**：光互联行业，具体涉及人工智能数据中心、光通信、光交换、光模块、光芯片及上游材料[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15] * **公司**： * **云厂商/系统商**：谷歌、英伟达、亚马逊、Meta、华为[1][2][6][7][8][12] * **OCS供应商**：Lumentum、Coherent[1][3] * **激光器/光芯片供应商**：Lumentum、三菱、博通、住友、Coherent、Source Photonics、源杰科技[1][9][10][14] * **上游材料/部件供应商**：Crealights (MEMS单元)、藤井 (FAU透镜)、住友、AXT (磷化铟衬底)、Marvell、博通 (DSP)、Coherent、格兰欧普、厦门深一、成都菲瑞特、福州福晶 (旋光片)[4][5][9][11][14] * **光模块/器件厂商**：旭创、新易盛、天孚通信、长光华芯、博创科技[9][12][14][15] 核心观点与论据 1. OCS（光路交换）应用格局与技术路线 * **应用格局呈“一大一小”**：谷歌是OCS核心用户，英伟达计划在2028年左右在其Spectrum-X系统中导入OCS，亚马逊和Meta尚在观望，大规模应用可能性不大[1][2] * **软件控制系统是核心壁垒**：OCS硬件技术相对成熟，核心难点在于软件控制系统，英伟达当前工作重点是开发OCS软件控制系统[2] * **MEMS方案是AI数据中心主流**：MEMS方案（Lumentum主导）占市场约三分之二，其优势在于端口扩展性强（如从32x32到64x64），成本基本呈线性增长，尽管有机械部件可靠性问题，但对生命周期3-8年的AI数据中心影响不大[1][3] * **液晶方案是次选**：液晶方案（Coherent主导）占市场约三分之一，优势是无运动部件、可靠性高，但大通道扩展难度高，成本呈指数级上升（如从32x32到64x64，成本可能增加四倍）[1][3] * **其他方案尚处实验室阶段**：压电陶瓷方案切换速度可达亚毫秒级，硅光波导方案速度可达微秒级，但两者均技术不成熟，未来一两年内大规模发展可能性很小[3] 2. 3.2T时代技术路径与CPO（共封装光学）前景 * **行业处于技术路径混沌期**：向3.2T演进时，可插拔光模块面临技术瓶颈，催生了CPO、NPO、XPO等多种替代方案竞争[7] * **Scale-out与Scale-up市场将分化**： * **Scale-out市场（交换机层面）**：预计由3.2T可插拔光模块主导，CPO机会不大，因可插拔方案具有标准化、可热插拔、产业链成熟、成本低等核心优势[7][8] * **Scale-up市场（英伟达方案）**：因物理空间限制，即使3.2T可插拔光模块能实现也无法使用，英伟达将力推CPO方案，CPO将成为该场景主流[1][7][8] * **CPO与OCS是协同合作关系**：CPO是光电转换单元（光模块替代方案），OCS是纯光交换设备，两者是协同工作的合作关系，而非从属关系[6] * **CPO成本构成复杂且当前亏损**：英伟达CPO方案由台积电代工，处于样品阶段，设备折旧摊销是成本大头，按当前售价计算业务处于严重亏损状态[12] * **不同厂商方案差异大**：英伟达方案依赖高密度正交背板和铜缆，光连接数量少；华为Scale-up方案则大量使用传统光模块[7][12] 3. 上游激光器与材料供需紧张 * **EML激光器存在超量下单**：供应链上游存在2-3倍的过度需求，100G EML供需基本匹配但订单远超实际需求，200G EML仅Lumentum与三菱能实现量产[1][9] * **高功率CW激光器供应高度集中**：用于CPO方案的400mW高功率CW激光器目前仅Lumentum能够量产[1][9] * **磷化铟衬底供需缺口巨大**：主要供应商（住友、AXT）产能与订单需求存在4-5倍差距，交货周期需半年到一年，但订单量因超量下单被严重放大[1][11] * **原材料“铟”是供应关键制约**：“铟”受中国出口管制，住友等日系厂商获取资源难度高于欧美公司[1][11] * **其他紧缺环节**：DSP芯片（Marvell、博通主导）、旋光片（Coherent、格兰欧普主导，国内三家厂商合计份额不足10%）[14] 4. 国内产业链公司评估 * **源杰科技**：CW芯片已实现数亿元销售额的批量发货，是2026年最亮眼产品；100G/200G EML芯片预计2026年下半年或2027年才能大规模量产[1][14] * **天孚通信**：核心竞争力在于自产精密陶瓷、塑料、金属结构件及光学玻璃件，70%-80%销售额来自光引擎，主要客户包括英伟达；风险在于若行业转向高度集成方案，业务可能受冲击[1][14] * **长光华芯**：业务面向谷歌等北美云厂商，提供光模块、跳线等产品，客户稳定、利润率高，增长确定性强[15] * **博创科技**：业务主要集中在速率较低的PON级别光模块[15] 其他重要内容 * **OCS交换机成本构成**：一台32x32通道OCS交换机硬件成本约10万美元，扩展至64x64成本基本翻倍；成本中核心交换单元（MEMS芯片或液晶阵列）价值量最高，人工成本占比也较高（约20%-30%）[4] * **英伟达CPO交换机规格**：以Spectra-X交换机为例，其CPO包含的光通道数等效于128个8通道的1.6T光模块（超1000个通道），一台交换机通常搭载1-2个，极限情况可达4-8个[12] * **工程师资源稀缺**：具备专业技能的工程师也是一种稀缺资源，制约了产能提升[14] * **技术路线选择影响需求**：例如新易盛更多使用EML，旭创则因自身硅光技术强倾向于采购更多CW激光器[9]

存算一体与AI芯片行业交流纪要关键要点 涉及的行业与公司 * **行业**：存算一体芯片、AI推理芯片、ASIC专用芯片、芯片间互联技术（Scale-up/Scale-out）、光互联/光交换技术 * **公司**：英伟达、Groq、华为、寒武纪、百度昆仑芯、燧原科技、兆易创新、华虹、中芯国际、上海曦智、DeepSeek、MiniMax 核心观点与论据 一、存算一体芯片的优势与价值 * 核心优势在于**消除显存成本瓶颈**，预计可将芯片**售价与功耗降低50%以上**[1]，例如将主流800瓦芯片功耗压缩至100瓦以下[2] * 解决当前算力市场主要矛盾：先进制程导致成本攀升与用户对**算力普惠化、低成本、低功耗**的需求[2] * 针对GPU在推理场景中**算力冗余**的问题（实际利用率可能仅为60%），提供专用化解决方案[2] 二、主要技术路线及特点 * **SRAM路线（以Groq为代表）**： * 优势：推理速度极快，可达GPU的**5至10倍**[1][4] * 劣势：单颗存储容量有限（数百兆级别），部署成本高，运行同等规模模型时物理部署成本是GPU的**10到15倍**[4][5] * 应用：满足对推理延迟极度敏感的场景，约占推理市场需求的50%[4] * **MRAM路线**： * 优势：具备**非易失性**、低功耗、抗辐射、理论寿命长[1][4][12] * 劣势：存储容量比SRAM更小，写入速度慢，**无法进行模型训练**[4] * 进展：预计**2027年**实现流片[1]，目前尚无先进制程产品[4] * **其他路线**：DRAM路线走通可能性不大[4]；RRAM也是潜在选项[12] 三、商业化进展与中美对比 * **商业化节奏**：2026年无法大规模商用[5]；Groq因部署成本过高曾搁置千卡集群项目[5] * **中美差距**： * 技术差距不大，预计**2027年**两国产品将**同步面市，时间差不超过半年**[1][6] * 主要区别在于**生态系统**：美国产品融入**CUDA生态**；中国产品适配**国内主流通用大模型及行业模型**[6] * 在**光电互联、光交换**等前沿Scale-up技术上，中国**略领先美国**（时间差约半年）[1][13][14] * 在**传统高速网卡及私有协议互联**（如NVLink）方面，中国仍落后于英伟达[1][13] * **商业化瓶颈**： 1. **底层存储材料容量受限**，直接影响大模型部署能力[8] 2. **软件工具链适配成本高**，需对大量算子和框架进行适配[8] 3. **芯片间互联技术**存在瓶颈，协议和接口差异带来挑战[8] 四、未来推理芯片市场格局 * 市场空间巨大，预计**3-5年后推理芯片将占总需求80%以上**[1][7] * 市场呈现分化： * 模型训练/微调：仍由**高功耗、先进制程的通用GPU**主导[8] * 端侧推理市场：将由**存算一体芯片、量子专用计算芯片、NPU或其他ASIC**等专用芯片主导[8] * 存算一体芯片有望实现低价，例如基于MRAM的板卡售价有望控制在**5万元人民币以下**，远低于英伟达H200或A100[8] 五、ASIC芯片市场需求与趋势 * **需求回暖背景**：始于2024年第二季度，以**DeepSeek模型出现为标志**[14]。此前“百模大战”中模型同质化严重，专用ASIC芯片难以适配[14] * **核心增长点**：针对**特定模型优化的“一体机”模式**（如DeepSeek一体机、千问一体机）成为2025年核心增长点[1][15] * **需求旺盛领域**：泛政府、医疗、教育、泛金融、交通、能源、科研、生物医药等需要部署行业智能体的领域[14] * **长期前景**：**ASIC芯片厂商比模型厂商更具潜力**。模型市场将趋于集中，而专用芯片公司生态将更多样化，可深耕细分行业[16] 六、其他重要技术与生态动态 * **英伟达生态整合**：通过整合Groq将专用芯片纳入CUDA生态，并复用NVLink、NVSwitch及未来光互联技术以降低部署成本[1][2][5] * **国内参与者**：存算一体芯片设计初创企业数量不多，包括前寒武纪CTO牵头的公司、杭州获兆易创新投资的公司等[10]；代工可由**华虹、中芯国际**等完成[10] * **架构根本区别**：存算一体核心是**在存储介质上直接计算**，这与NPU、GPU、ASIC等依赖外部高带宽显存的架构有本质不同[10] * **量子专用计算**：未来2-5年内专用化应用有望落地，广义上也可归类为存算一体[7] * **先进封装趋势**：未来可能出现将存算一体芯片（SRAM/MRAM/RRAM）、GPU与光电模块封装在一起的形态，以实现训推一体和极速推理[12] * **国内通信架构创新**：如华为的“超级点”技术，绕过CPU实现GPU直连，在服务器内部通信架构设计上展现出优势[14]

Global AI Trend Tracker Global Markets Research EQUITY: TECHNOLOGY Optical circuit switch at center of AI network China component players likely to benefit from this rising AI trend Optical circuit switch (OCS) may play a more crucial role in global AI networks, and optical component makers could enjoy a growing OCS market An optical circuit switch (OCS) is a full-optics switch which can establish an end-to-end optical network and does not require optical-electronic signal conversion. Compared with a tradit ...

行业与公司 * 行业：算力租赁产业，涉及AI服务器、GPU、数据中心、云服务[1] * 公司：提及的云厂商包括阿里云、腾讯云、字节跳动、百度（BAT）[4][6][9]；提及的AI大模型公司包括智谱AI、MiniMax、月之暗面[10]；提及的GPU供应商为英伟达（NVIDIA）及国产GPU厂商[1][3][12][13] 核心观点与论据 市场供需与价格趋势 * 算力租赁价格上涨趋势预计至少持续至2026年，核心驱动力是英伟达高端GPU（A/H/B/GB系列）供需严重失衡及中美贸易限制[1][3] * 2026年以来，头部互联网厂商AI算力投入加速，单体项目规模较2025年同期增长至少两到三倍[2] * 价格上涨具体表现为：H100等服务器旧合同到期后转为涨价并以价高者得模式出租，短租趋势更明显[2]；BAT等大厂支付的H100月租金从7.5-8.5万元提升至9-9.5万元[9] * 供给短缺局面难以改变，因市场主流应用高度依赖英伟达生态，国产GPU两年内无法大规模有效替代[3] * 长期来看，算力租赁价格必然下降，国产算力生态发展及企业降本增效需求将驱动价格下行[20][21] 商业模式与客户结构 * 国内算力租赁主流模式分化：资金充裕的大厂和头部AI公司自持算力用于核心训练；资金不足的创业公司80%以上算力来自租赁；对外提供算力服务的企业则几乎100%通过租赁获得[6] * 业务模式呈现两极分化：一是服务资金雄厚的头部大客户（如大型互联网厂商），模式清晰稳定；二是避开大厂，深耕细分市场（如整合区域中小企业零散需求、专攻教育科研市场）[11] * 存在显著的中间商壁垒：至少三分之二的算力交易中，中间商截取利润，导致终端价格上涨10%仅能带动持有方净利率增长2%-3%[1][9] * 客户高度集中：大规模采购算力的客户高度集中于约十家头部公司[10] * 海外市场差异：美国由头部企业主导；"一带一路"国家多由中国企业提供算力解决方案，以换取当地资源[5] 成本效益与投资决策 * 企业选择公有云租赁与自建算力的性价比平衡点约为年IT成本3,000万元：低于此值云租赁合理，高于此值自建更经济[1][7] * 选择依据核心用途：对外提供经营性服务适合云租赁以快速弹性扩容；内部研发或优化生产流程则自建更具成本效益[7] * AI服务器残值远超预期：H100三年后残值预计达50%-60%，远高于传统CPU服务器的15%及早期预期的40%[1][7][8] * 高残值及租赁市场火爆导致设备持有方不愿出售，二手市场货源稀缺[8] * 算力成本结构变化：高昂的GPU投入（是传统CPU服务器的8到10倍）稀释了电力成本占比，使其在总成本中降至10%-15%，客户对电价敏感度下降[1][17] * 客户更关注机柜电力密度、数据中心规模（如能否支持100兆瓦以上万卡集群）及位置是否贴近核心用户[17] 国产GPU发展与政策影响 * 国产GPU在租赁市场的发展主要由政策强制驱动，预计两年内有望抢占三分之一市场份额[1][14] * 政府通过限制英伟达GPU进口、在数据中心能耗指标审批中强制配置国产算力、将使用国产算力与其他政策支持挂钩等方式，倒逼企业进行国产化适配与生态建设[12][13][18] * 从2026年开始，一线城市对英伟达GPU的算力补贴已基本全面停止，补贴力度明显退坡[12] * 国产算力实际应用挑战大：企业因投入成本高、适配麻烦（如需要更高薪的研发人员调优）而不愿使用；目前真实规模化应用集中在有资金和科研能力的头部公司，部分与融资条件绑定[13] * 政府限制进口变相制造了商业算力短缺，旨在为国产算力产业创造发展空间[18] * H100等高端GPU目前基本无法通过常规渠道进入中国，仅特殊涉密研发项目可获准进口，这为国产卡创造了巨大市场机会[19] 设备与合同细节 * 主流租赁型号及月租金（八卡服务器）：A100/A800约4万元；H100/H800/H200一年期整租约7-7.5万元，短租（≤3-6个月）约8-9万元；B200预估至少12-13万元（无零售订单）[14] * 采购价格：H100/H200八卡服务器约210-220万元；B200价格混乱，香港拿货价最低380万元，国内成交价高达460-470万元[15] * 合同与折旧变化：GPU集群签约周期从3年普遍延长至5年，设备折旧周期按3至5年计算[15] * 早期采购成本：2024年H100服务器售价250-280万元（含多层中转成本），当前二手回收价170-180万元（相当于当时出厂价八折到八五折）[7] * 算力持有方净利率：考虑政府补贴和超低息贷款，项目净利率约10%-15%，毛利率约20%-25%[8] * 租赁商主要成本：除折旧外，需承担设备维修费及为保障连续性而准备的备机成本（如千卡集群需备3-10台新机）[16] 其他重要内容 * 云厂商定价策略：利用紧张GPU算力资源作为杠杆，以优先分配算力为条件，促使年消费额在1,000万以内的中等体量用户接受原有云服务涨价[1][4] * 头部厂商算力布局：2025年前，字节跳动存量算力最大且重资产在东南亚，阿里在国内和东南亚均有布局（国内占比较大）；2026年字节开始重点布局国内市场[6] * 技术演进影响：AI服务器追求更高算力密度（如从8卡发展到16卡、32卡），推动光模块（CPO）等互联配套设施需求成倍增长，但对传统服务器市场影响不大[9] * 算力需求驱动：AI应用对Token消耗的爆发式增长及中小企业全面拥抱AI研发[2] * 行业政策：工信部对过度"内卷"和价格战的指导也是云服务价格回升的因素之一[4] * 长期生态展望：国产厂商正发展以Token计费的服务模式，致力于构建互联互通的"算力工厂"生态[20]

基金业绩与市场环境 - 阿尔杰资本增值基金A类份额在2026年第一季度表现逊于罗素1000成长指数[1] - 信息技术和金融板块对基金业绩有正面贡献 而可选消费和公用事业板块拖累了业绩[1] - 2026年第一季度 美国股市经历动荡 标普500指数下跌4.33%[1] 影响市场的关键力量 - 软件行业因智能体人工智能工具的崛起而经历重大颠覆[1] - 始于2月底的美伊冲突造成显著供应冲击 导致原油价格飙升 为经济注入潜在通胀压力[1] 基金的投资策略与机会 - 尽管市场关注受AI进步影响的行业 但基金认为在技术向智能体阶段演进的过程中 采用和促进该技术的公司存在机会[1] 英伟达公司概况 - 英伟达是领先的数据中心级AI基础设施公司 业务涵盖计算与网络以及图形两大板块[2] - 截至2026年4月17日 英伟达股价收于201.68美元 市值为4.90万亿美元[2] - 英伟达股价一个月回报率为13.93% 过去52周涨幅为108.11%[2] 英伟达的业务与市场地位 - 英伟达是全球领先的图形处理器和加速计算平台设计商 为全球数据中心、云基础设施和边缘应用提供AI训练和推理的基础硬件和软件[3] - 其GPU已成为AI工作负载的事实标准 其不断扩展的网络、软件和系统解决方案生态系统 加深了其对全球超大规模数据中心运营商、企业和主权AI计划的战略重要性[3] 对英伟达的投资观点 - 鉴于其主导的市场地位、无与伦比的产品路线图以及快速扩张的可寻址市场 英伟达是AI基础设施建设的直接受益者[3] - 在报告期内 尽管公司公布了超预期的创纪录第四财季业绩和强劲的指引 但股价仍拖累了基金业绩 财报后的急剧抛售反映了投资者对AI资本支出可持续性的广泛焦虑 以及对更高成本效益AI模型可能减少高端计算硬件需求的持续担忧[3] - 尽管存在短期波动 但对加速计算的结构性需求依然稳固[3]

行业趋势：AI算力竞争从训练转向推理 - 全球AI算力竞争正发生结构性转移，从以模型训练为核心转向以大规模推理为主导[1] - 随着AI应用软件与AI智能体采用规模激增，衡量算力的标准正从“峰值性能”转向“单位token成本、延迟与能效”[1] - 未来AI数据中心将进入异构算力时代，前沿训练和广义云算力继续由GPU主导，超大规模内部推理、Agent工作流和固定高频负载则加速转向ASIC[6] 谷歌的战略与产品发布 - 谷歌计划在Google Cloud Next大会上宣布新一代定制化AI芯片——张量处理单元（TPU）[1] - 谷歌正试图以自研TPU体系，对占据AI芯片市场约80%至90%份额的英伟达发起正面挑战[1] - 谷歌明确把Ironwood TPU定位为“为AI推理时代而生”的TPU代际，并强调性能、能效、算力集群性价比与可扩展性[4] - 谷歌正在测试允许像Anthropic这样的公司将其部分TPU运行在它们自己的实体大型AI数据中心内，而不是谷歌的云计算基础设施中[8] - 谷歌已允许TPU客户使用PyTorch等外部工具以及其他调度软件，而不再仅仅依赖谷歌自己的产品[8] TPU的市场需求与客户采用 - 谷歌独家研发的TPU AI芯片已成为全球科技行业最炙手可热的商品之一，包括其最大竞争对手在内的领先AI技术开发商正纷纷囤积这些芯片[2] - Anthropic宣布扩大算力供给协议，获得最多100万个谷歌TPU的使用权[6] - Meta Platforms Inc.签署了一项为期数年且价值数十亿美元的AI算力基础设施供给协议，通过Google Cloud来使用TPU[7] - Anthropic与谷歌的TPU合作伙伴博通签署了一项长期协议，涉及的自研芯片将使其自2027年起能够利用约3.5吉瓦的计算能力[7] - Citadel Securities计划展示TPU如何使其比使用GPU时更快地训练AI大模型[7] - 阿布扎比科技集团G42也已就使用谷歌TPU与谷歌进行了“多次讨论”[7] AI芯片技术路线：ASIC的崛起与优势 - 以TPU为代表的AI ASIC路线在“单位token成本、延迟与能效”领域最具优势[1] - 经济性与电力层面的重大约束，迫使微软、亚马逊、谷歌以及Meta都在推动AI ASIC技术路线的云计算内部系统自研AI芯片，核心目的是让AI算力集群更具性价比与能效比[3] - 科技巨头力争把“单位Token成本、单位瓦特产出”做到极致，属于AI ASIC技术路线的繁荣盛世可谓已经到来[3] - 自研AI ASIC能提供“第二曲线产能”，并在采购谈判、产品定价与云计算服务毛利层面更主动[4] - 云计算大厂能把“芯片—互联—系统—编译器/运行时—调度—观测/可靠性”一体化共设计，提高算力基础设施利用率并降低总拥有成本[4] - 面向特定工作负载定制的ASIC，在每token成本、功耗、内存带宽利用率、互连效率以及软硬件协同后的总拥有成本等指标上，天然比通用GPU更容易做到高性价比[5] 谷歌TPU的研发历程与挑战 - 谷歌的TPU与其AI研究工作同步演进，2017年的一篇开创性研究论文催生了今天的大语言模型，也推动TPU团队将重点放在为训练更大型AI系统而设计的芯片上[9] - 谷歌构建了内部的独家AI校验系统，以更快发现可能对应用软件端造成巨大影响的制造缺陷[11] - 谷歌面临与英伟达、AMD以及博通等其他芯片巨头类似的挑战：芯片开发通常需要大约三年时间，但AI大模型演进的速度要快得多，使得预测客户几年后的需求变得困难[13] - 随着谷歌芯片越来越受欢迎，该公司面临着与英伟达类似的供应限制[14] - 谷歌需要决定如何在其自身不断增长的竞争性质AI大模型基础设施服务，以及其不断扩大的客户名单之间分配TPU[14] - 谷歌意识到“只为谷歌独家制造TPU”存在“技术孤岛”风险，可能导致人口受限、多样性受限，最终变得不那么好[14]

公司战略与竞争优势 - Nvidia采用全栈AI平台策略 其生态系统涵盖集成硬件、网络和软件领导力 特别是CUDA 这有望在未来几个月加强其护城河 [1] - Grace Blackwell系统将CPU、GPU、网络和软件集成为一个紧密集成的AI系统 将客户锁定在公司的全栈生态中 目前数据中心销售额的三分之二已来自Grace Blackwell系统 [1] - 网络业务正成为强劲的增长驱动力 收入来自NVLink、Spectrum-X和InfiniBand [2] 产品与市场前景 - 公司的新产品预计将继续推动其收入增长 其专为智能体AI优化的Vera Rubin架构是重点 [2] - 行业正从单纯训练模型转向大规模运行模型 这支持了公司数据中心收入可能达到1万亿美元的预期 [2] - 大型科技公司预计仅在2026年就将花费高达6000亿美元的资本支出 加上新的AI应用场景出现 公司在当前水平仍具吸引力 [3] 财务与估值 - Nvidia的远期市盈率约为20至22倍 与标普500指数几乎持平 [3] - 根据高盛估计 预计Nvidia将驱动标普500指数在2026年总盈利增长的21% [3]

费城半导体指数(SOX)近期表现 - 费城半导体指数(SOX)在过去13天内飙升30% 创下自2002年以来最大涨幅[1] - 该指数目前较其50日移动均线高出16%以上 并处于52周高点[2] - 指数上一次出现类似涨势并创新高是在2000年3月 即互联网泡沫顶峰时期[1] 指数构成与权重股表现 - 该指数为市值加权指数 包含30家美国最大的半导体设计、分销、制造和销售公司[2] - 指数由少数几家为全球人工智能建设提供基础的大型公司主导[3] - 前四大权重股从高到低依次为英伟达、博通、美光科技和AMD[3] - 4月份 美光科技股价上涨41% 博通上涨38% AMD上涨242% 英伟达上涨22%[3] 行业基本面与催化剂 - 台积电第一季度营收同比增长35% 达到创纪录的1.134万亿新台币(约356亿美元) 首次突破本地货币万亿大关[4] - 台积电3月销售额跃升45% 达到约130亿美元 暗示人工智能超级周期正在加速[5] - 台积电股价在4月份上涨17%[5] - 分析师指出 在芯片/硬件或软件方面均未看到人工智能需求出现裂痕[5]

谷歌的AI芯片战略布局 - 谷歌正探索与Marvell建立合作伙伴关系 以提升其自研硬件的效率 这是其在AI芯片竞赛中的下一步棋 [1][2] - 谈判重点为打造两款能更好处理AI工作负载的芯片 一款是与谷歌张量处理单元协同工作的内存处理单元 另一款是专为推理任务设计的新型TPU [1][2] 谷歌自研芯片的目标与重要性 - 谷歌希望持续推进其自研芯片 使其成为英伟达GPU之外可靠的替代方案 目前英伟达GPU依然主导大部分AI基础设施 [1][2] - 谷歌已向AI领域投入了数十亿美元 其TPU正成为推动谷歌云增长的核心 [1][2] - 随着企业需求持续上升 芯片效率越高 谷歌就越容易降低成本并更快地扩展AI服务 这一努力比以往任何时候都更加重要 [1][2] 芯片开发时间线 - 报道称 内存芯片的设计阶段有望在2027年准备就绪 之后将进入测试环节 [1][2]