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]

美联储主席提名 - 前美联储理事凯文·沃什被提名为下一任美联储主席 并将于明日出席参议院确认听证会 [2] - 沃什与硅谷科技领袖关系密切 包括Palantir首席执行官亚历克斯·卡普 PayPal联合创始人彼得·蒂尔以及风险投资家马克·安德森 这使他成为与科技界关系最密切的美联储主席人选 [3] - 沃什因其自由市场、反监管的观点以及相信人工智能可能重塑经济 进而影响货币政策的立场而闻名 [4] 汽车经销商行业整合 - 美国家族经营汽车经销商行业呈现两极分化 大型经销商不断涌现而小型竞争对手则陷入困境 [5] - 行业数据显示 去年排名前150位的经销商占新车零售和车队总销量的27% 高于大约十年前的21.2% 该群体合计拥有四分之一的经销店 高于不到20%的水平 [6] - 华尔街已注意到行业整合趋势 经销商股票Lithia Motors和AutoNation的市值已超过60亿美元 [6] AI初创公司融资 - 人工智能初创公司Cursor正就一轮20亿美元的融资进行讨论 公司在此轮投资前的估值将超过5000万美元 [8] - Andreessen Horowitz将联合领投此轮融资 英伟达和Thrive Capital预计也将参与 这轮融资象征着风险投资行业对专注于AI编码代理的软件初创公司的热情 [9] 英伟达业务重心转移 - 英伟达正优先发展AI芯片 并利用AI改变游戏画面 这令游戏玩家感到被忽视 [10] - 游戏业务曾是英伟达的核心 但随着公司专注于利润率更高的数据中心芯片而非利润率较低的游戏产品 游戏业务不再被优先考虑 其数据中心业务目前占英伟达营收的90%以上 [11]

基金产品概况 - Unusual Whales Subversive Democratic Trading ETF (NANC) 和 Unusual Whales Subversive Republican Trading ETF (GOP) 于2023年2月推出 旨在为散户投资者提供一种追踪美国国会议员披露股票交易的方式 [2] - 基金基于Unusual Whales平台的数据 汇总公开的国会披露文件 并依据议员及其家庭购买的股票构建投资组合 [2] 民主党基金(NANC)投资策略与表现 - 该基金实质上成为一个高度集中于大型科技股的组合 其投资主题与人工智能基础设施繁荣高度相关 [3] - 前五大持仓为：英伟达(9.0%)、微软(7.6%)、亚马逊(5.2%)、Salesforce(4.2%)、Alphabet(3.9%) [3] - 基金在2023年至2025年间 凭借科技股浪潮取得了强劲表现 [3] 共和党基金(GOP)投资策略与表现 - 该基金的投资重点在于受益于基础设施支出和放松监管主题的“实体经济”板块 [4] - 主要持仓包括金融和能源巨头 如摩根大通(4.4%)和雪佛龙(2.1%) 以及工业支柱如卡特彼勒和国防龙头如洛克希德马丁(各低于1.0%) [4] - 基金表现虽不及大型科技股组合波动剧烈 但提供了更稳定、以股息为导向的回报 吸引了看好国内制造业复兴和传统能源主导地位的投资者 [4] 基金结构与潜在问题 - 由于存在45天的披露延迟 每个投资组合反映的是国会成员过去的决策 而非实时持仓 [5] - 基金的费用比率为0.74% 远高于普通指数基金的成本 [5] - 有批评认为民主党基金的超额表现是偶然的 是其科技股集中度的副产品 而非追踪议员交易带来了真正的信息优势 [5]