美国对华芯片出口政策调整 - 美国政府批准英伟达向中国出口H200芯片，但附加了25%的利润分成条款，预计将带来100亿美元营收 [1] - 此举被视为“技术收割+政策设局”，旨在用上一代“够用但不领先”的芯片诱导中国市场重新依赖英伟达生态 [1] 中国市场的反应与策略 - 中国企业拒绝了美方的芯片，白宫AI顾问承认“他们在拒绝我们的芯片……显然他们不想要这些” [3] - 中国工信部将昇腾、寒武纪等国产AI芯片正式纳入政府采购目录，关键领域必须优先采购国产芯片 [5] - 此举被视为对美方政策的先发制人反击，标志着中国市场正系统性转向自研芯片 [5] 国产芯片面临的挑战与应对 - 国产AI芯片面临生态不兼容的挑战，例如金融系统依赖英伟达CUDA架构，转向国产芯片需重写核心代码，曾有上亿元国产算力卡因软件不匹配而闲置 [6] - 国产芯片在能效比方面与英伟达高端产品存在差距，同等算力下更耗电，运营成本更高 [6] - 通过政策引导、能源补贴和采购倾斜来倒逼适配并保障产业过渡期，以政府采购带动需求、迭代和生态培育 [6] 行业影响与未来趋势 - 英伟达正逐步失去中国市场的“生态绑定”优势，其用户群正通过工程师生态、框架适配等多维方式向国产平台迁移 [7] - 生态黏性是半导体最重要的软资产，一旦失去，靠单一芯片产品短期补血毫无意义 [8] - 国产芯片的发展需对抗性能差距，并完成语言生态、开发工具链、人才体系的完整替代，但一旦成功将重塑技术与市场主权 [8]

在此需说明，分析师并非认为人工智能本身缺乏发展持续性，相反， 分析师 预计它将继续保 持高速增长。 真正面临风险的，是那些投入到数据中心、图形处理器、冷却系统、供电及布线等领域高达数 千亿美元的人工智能资本开支 —— 未来的人工智能技术，根本无需如此庞大的硬件投入规 模。 在数据中心支出缩减的潜在风险面前，没有哪家企业比英伟达受到的冲击会更大。 如今，该公司的绝大部分营收和利润都来源于为数据中心提供相关产品。 人 工 智 能 资 本 开 支 增 长 难 以 为 继 的 原 因 以下 13 点，正是 分析师 认为当前人工智能资本开支增长无法持续的核心依据： 1. 未来人工智能的能耗将显著降低。 deepseek公司以及即将落地的脉冲神经网络就是有力例 证，这类神经网络在闲置时可自动停机以实现节能。深度求索公司，即便未采用英伟达的图形 处理器，也研发出了具备竞争力的大型语言模型。 7. 新技术落地周期远超预期。 自动驾驶领域的案例表明，这类技术要熟练应对复杂任务，所 需时间往往比预想中更长。 关键在于技术要能真正成熟可用。马斯克等人十年前就承诺推出自动驾驶汽车，而谷歌旗下的 自动驾驶公司Waymo出行，直至如今才 ...

整理 | 美股研究社 在这个快速 变 化的 时代， 人工 智能技术正以前所未有的速度发展，带来了广泛的机会 。 《AI日 报 》致力于挖掘和分析最新的AI概念股公司和市场趋势，为您提供深度的行 业 洞察和 价 值 分析。 A I 快 报 【Skild AI采购星动纪元灵巧手，全直驱技术成主流】 获软银与英伟达联合投资的美国具身智能独角兽Skild AI（估值140亿美元）敲定核心硬件选 型，正式采用中国企业星动纪元自研的全直驱五指灵巧手XHAND1作为末端执行器。此前，韩 国Rainbow Robotics、英国Humanoid AI及Extend Robotics等海外头部厂商均已采纳该方 案，标志着中国核心部件正式切入全球人形机器人高端供应链。 【AQ升级为"蚂蚁阿福"，发力"健康+"战略】 汤自研的日日新Seko系列模型，包括SekoIDX、SekoTalk等图像与视频生成多模态模型所构 建的技术底座。 七 巨 头 日 报 【 英伟达收购SchedMD 】 英伟达 今日宣布收购了总部位于犹他州的软件公司SchedMD，该公司为高性能计算和人工智 能提供开源工作负载管理系统。 SchedMD 被认为是 S ...

文章核心观点 - 市场估值本质上是基于有限样本的集体共识，这种共识可以迅速改变，导致财富（市值）被凭空创造或毁灭，而非物理意义上的资金流动 [6][8][28] - 2023-2024年AI产业经历了典型的估值泡沫周期，从狂热到冷却，相关公司市值剧烈波动，但“蒸发”的财富从未真实存在，只是估值共识的破灭 [2][3][4] - 真正的财富在于个人技能、知识和创造的价值，而非波动的账面数字，投资者应区分技术价值与市场估值，保持理性 [73][75][82] AI产业估值泡沫周期 - **2023年初狂热期**：ChatGPT引爆全球AI热潮，名称带“AI”、“大模型”的公司股价飞涨，英伟达市值一度突破3万亿美元，成为全球市值前三的公司 [2] - **2024年中冷却期**：AI商业化进程不及预期，资本热情冷却，商汤科技股价从高点跌去70%，寒武纪市值蒸发超800亿人民币，整个AI板块相比高点市值“蒸发”数万亿人民币 [2][43] 估值机制：集体共识与幻觉 - **市场估值与AI幻觉的相似性**：两者都基于有限样本进行推理，可能产生“幻觉”或过度拟合，例如市场曾给一家仅宣称研发“中国版ChatGPT”的未盈利创业公司估值50亿人民币，后因其产品不及预期而估值归零 [6] - **财富的非守恒性**：金融财富可被创造或毁灭，主要源于资产定价共识的变化，而非实体经济的物理变化，一个概念或故事就可使估值暴涨，一个负面消息又可使其腰斩 [8] - **按市值计价（Mark-to-Market）的机制**：极少数股票的交易价格决定了公司全部股票的总市值，例如一家公司仅0.5%的流通股交易价从60元涨至80元，其总市值便从600亿升至800亿，反之亦然 [9][10][27] 交易本质与资金流动迷思 - **个体交易是零和的，市值变化非零和**：买卖双方现金与股票互换，市场现金和股票总量不变，但公司市值可在交易双方现金总和不变的情况下凭空变化，例如在股价下跌中，卖方盈利等于买方亏损，但公司总市值仍会蒸发 [19][20][23][24][25] - **多数股票未被交易**：市值变化常由极小比例（如0.5%）的股票交易价格决定，其余大量未交易股票的价值随之同步波动，持有者账面财富因此增减，并无实际资金流出 [26][27] 一级市场（私募）估值游戏 - **估值泡沫更严重**：由于流动性差、信息不透明，一级市场估值常基于极小样本的融资交易推算得出，例如一家公司以0.5%股权融资5000万美元（每股20美元），便宣称整体估值达100亿美元 [30][31][32] - **估值流动性陷阱**：高估值缺乏流动性支持，创始人或大股东若试图大规模套现，会因价格冲击和买家稀缺导致实际成交价远低于账面估值，许多AI独角兽的估值是“薛定谔的”，仅在不出售时成立 [34][35][37] - **对赌协议的约束**：高估值常附带业绩或上市对赌条件，若未达成，估值可能大幅调整，导致IPO时募资额远低于预期估值或上市破发 [38] AI算法交易加剧市场波动 - **算法交易主导市场**：超过70%的A股和美股交易量来自算法交易，这些AI系统基于海量数据在毫秒级做出决策 [46] - **模式坍缩与闪崩风险**：众多AI交易算法学习类似数据和模式，可能导致集体行动，引发瞬间崩盘，如2010年美股“闪电崩盘”使道琼斯指数几分钟内暴跌近1000点，市值蒸发近1万亿美元 [48][50] - **财富的“量子坍缩”**：财富价值由AI算法在毫秒级的博弈决定，未被交易的资产价值也随少数交易价格瞬间同步确定，加剧了估值的不确定性和波动性 [52] 其他资产类别的估值启示 - **房地产**：房产价值由少数成交决定，影响所有同类资产估值，2021年至2024年，中国房地产市值估算缩水超50万亿人民币，这并非资金被抽走，而是估值共识下降，并通过“财富效应”影响实体经济消费 [54][56][60][61] - **加密货币**：估值是集体幻觉的极致体现，比特币价格从2021年11月的69000美元跌至2022年11月的16000美元，全球加密货币市值从3万亿美元跌至8000亿美元，蒸发超2万亿美元，且因所有权高度集中（2%地址控制95%比特币），巨鲸的账面财富极具虚幻性，大规模套现将导致价格崩盘 [64][66][68] 对投资者与行业的启示 - **理性看待AI估值**：应清醒认识AI产业估值泡沫，可将对外宣称估值大幅打折（如除以3或10）来估算内在价值，区分公司的技术真实价值与市场炒作估值 [70][71] - **聚焦真实价值创造**：真正的财富在于个人的AI技能、行业经验、人脉网络等无法“蒸发”的硬实力，而非股票账户上的波动数字 [73][74][75] - **接受市场不确定性**：AI时代市场充满不确定性，没有模型能完美预测，应分散风险、长期投资，并专注于自身能力提升 [76][77][78] - **肯定技术真实进步**：AI技术本身（如GPT-4的能力、自动驾驶的安全性、AI制药的效率）带来真实的生产力提升和社会价值，这与资本市场的估值游戏是两回事 [79][80]

【#英伟达成为全球价值最高公司#】#胡润全球TOP1000企业榜#12月16日，胡润研究院在深圳市福田区 发布的《2025胡润全球高质量企业TOP1000》显示，得益于人工智能芯片和数据中心计算需求的激增， 英伟达超越微软和苹果，成为全球价值最高的公司，价值32.8万亿元人民币，增长49%。 ...

The stock market might be set for another positive year in 2026 thanks to megatrends like artificial intelligence (AI).The S&P 500 (^GSPC 0.16%) index is made up of 500 companies from 11 different sectors of the economy. It's weighted by market capitalization, so its largest constituents -- which include artificial intelligence (AI) powerhouses like Nvidia and Alphabet -- have a much greater influence over its performance than the smallest.The S&P 500 set a new record high last Thursday on the back of a 16% ...

胡润研究院发布《2025胡润全球高质量企业TOP1000》。得益于人工智能芯片和数据中心计算需求的激增，英伟达 (NVDA.US)超越微软(MSFT.US)和苹果(AAPL.US)，成为全球价值最高的公司，价值32.8万亿元人民币，增长49%。凭借对 其生态系统的稳定需求和强劲的服务增长，苹果以28.6万亿元人民币的价值稳居第二，增长23%。去年排名第一的微软跌至 第三，价值增长13%至26.9万亿元人民币，反映了其云业务和企业业务的稳定发展势头。 Alphabet和亚马逊(AMZN.US)位居前五，Alphabet价值增加了7.7万亿元人民币，增长48%，达到23.9万亿元人民币，亚马逊 价值增加了3.7万亿元人民币，增长26%，达到18万亿元人民币。沙特阿美作为前十名中唯一的国有企业，随着油价下跌，该 公司价值下降8%，以11.8万亿元人民币排名第六。博通(AVGO.US)和特斯拉(TSLA.US)跻身前十。博通上升四位至第七位， 价值上升118%至11.5万亿元人民币，特斯拉上升三位至第十位，价值上升115%至9.5万亿元人民币。 英伟达是今年价值增长最多的公司，增加了10.8万亿元人民币，其次是Alp ...

市场总体规模与增长 - 全球以太网交换集成电路市场在2024年达到48.6亿美元，预计到2031年将增长至83.7亿美元，期间复合年增长率为7.26% [2] - 市场增长由人工智能集群、边缘计算、5G部署和企业数字化转型驱动，对更高速度以太网的需求从25G/100G向200G/400G乃至800G交换机架构演进 [2] 竞争格局 - 竞争格局高度集中，博通是市场领导者，2024年营收份额为54.59%，其Tomahawk、Trident和Jericho产品系列在超大规模云部署领域占主导地位 [4] - Marvell紧随其后，2024年市场份额为12.95%，得益于其Prestera和OCTEON交换SoC平台以及在运营商和企业市场的设计订单 [4] - 思科2024年市场份额为9.60%，预计到2030年将下降至5.96%，因公司重心从自研芯片转向采用商用芯片的混合战略 [4] - NVIDIA（Mellanox）凭借为AI网络设计的Spectrum产品组合，保持约7-8%的稳定市场份额 [4] - Microchip和盛科通信市场份额合计约5%，在工业、中小企业和成本优化型数据中心交换领域有优势 [4] 产品类型与技术演进 - 市场正经历从低速向高速类别的深刻转变，≤25G和25G-100G类别在2020年合计占全球收入一半以上，但其重要性正下降 [7] - ≤25G芯片收入占比从2020年的25.63%降至2024年的18.69%，预计到2031年将进一步降至约9.34% [7] - 25G-100G市场份额从2020年的25.01%下降到2030年的11.29% [7] - 100G-400G市场是市场支柱，在2020-2026年间贡献最大收入份额，其市场份额从2020年的47.31%微降至2024年的41.49%，但收入持续增长，预计到2030年将达到30.3亿美元 [8] - 400G+细分市场增长最快，从2020年的5500万美元增长到2024年的9.21亿美元，预计到2030年将达到32.4亿美元，届时将占市场总收入的40%以上 [8] - 技术演进受AI网络和超大规模云需求影响，向112G PAM4 SerDes过渡支撑了12.8T、25.6T和51.2T交换芯片性能飞跃，下一阶段224G PAM4正为2030年及以后做准备 [11] - 技术发展需要5nm、3nm等先进工艺，以及芯片级架构、2.5D中介层和共封装光器件，使能承担高强度研发的供应商占据优势 [11] 应用与解决方案趋势 - 商用以太网交换集成电路解决方案占据主导，2024年贡献总收入的86.92%，预计到2031年将超过92% [9] - 相反，自主研发集成电路市场份额从2020年的18.37%降至2024年的13.08%，预计到2031年将跌破8%，主要因开发先进交换芯片的复杂性和成本攀升 [9] - 商用芯片供应商，尤其是博通和Marvell，正日益超越定制ASIC开发商 [11] 地域市场分析 - 亚太地区是最大消费市场，得益于中国云计算快速扩张、日本企业更新换代以及印度数字基础设施建设 [11] - 北美仍然是技术前沿，主要得益于亚马逊、谷歌、微软和Meta等超大规模数据中心运营商率先采用400G/800G交换架构 [11] - 欧洲市场呈现温和但稳定增长，得益于对数字主权、绿色数据中心和5G核心网络的投资增加 [13] 市场总结与展望 - 在云规模AI工作负载和下一代数据中心架构驱动下，市场正经历向超高速交换器件的结构性转变 [13] - 随着传统低速细分市场重要性下降，100G-400G和400G+细分市场将在2031年前主导市场收入 [13] - 竞争优势将越来越依赖于SerDes创新、能效、光器件集成和先进的制造工艺 [13] - 生态系统正在整合，博通、Marvell和英伟达被定位为长期赢家 [13] - 该市场预计以7.26%的复合年增长率增长，并将继续成为与数字基础设施和AI革命相关的半导体领域中增长最快的细分市场之一 [13]

人民财讯12月16日电，12月16日，胡润研究院在深圳市福田区发布的《2025胡润全球高质量企业 TOP1000》显示，得益于人工智能芯片和数据中心计算需求的激增，英伟达超越微软和苹果，成为全球 价值最高的公司，价值32.8万亿元人民币，增长49%。 ...

英伟达发布Nemotron 3系列开放模型 - 公司发布了Nemotron 3系列开放模型，包含Nano、Super和Ultra三种规模，旨在应对企业从单一模型转向多智能体AI系统时面临的挑战 [2][7][8] - 该系列模型的核心目标是提供构建专业级智能体AI所需的性能与开放性，创始人黄仁勋强调开放式创新是AI进步的基石 [8] - Nemotron 3 Nano（30B-3A）模型已于发布日上线，而Super和Ultra型号预计将于2026年上半年正式推出 [8] 各型号模型规格与定位 - **Nemotron 3 Nano**：总参数316亿，激活参数32亿（含嵌入层为36亿），针对软件调试、内容摘要等任务优化，是计算成本效率最高的模型 [3][5] - **Nemotron 3 Super**：参数规模约1000亿，每个token最多激活100亿参数，擅长需要大量协作智能体且对低延迟要求极高的复杂任务 [4][5] - **Nemotron 3 Ultra**：参数规模约5000亿，每个token最多激活500亿参数，作为高级推理引擎，适用于深度研究与战略规划等高复杂度AI工作流 [4][5] Nano型号的性能提升与优势 - 与上代Nemotron 2 Nano相比，Nemotron 3 Nano实现了最高4倍的Token吞吐量提升，并将推理阶段生成的Token数量减少最高60% [3] - 其激活的参数数量不到上代的一半，却实现了更高的准确率，并具备100万Token的上下文窗口以增强长期记忆能力 [3] - 在单张H200、8K输入/16K输出配置下，其推理吞吐量是Qwen3-30B-A3B的3.3倍，是GPT-OSS-20B的2.2倍 [28] 核心技术：混合MoE与架构创新 - 系列模型采用Mamba-Transformer混合MoE架构，大量采用MoE层与成本更低的Mamba-2层交替堆叠，避免了传统自注意力层KV Cache线性增长的成本 [12] - 引入了LatentMoE架构，先将token投影到更小的潜在维度进行专家路由和计算，以减少专家权重加载和通信成本，并增加专家数量 [16] - 采用了多Token预测技术，一次预测多个未来token以提升准确率和推理效率，该技术仅引入极少量额外FLOPs并能带来可观的推测解码加速收益 [18][19] 训练与精度格式创新 - 公司在NVFP4数值格式下，成功实现了在Mamba-MoE混合架构上对最高25万亿tokens的稳定高精度预训练 [21] - 在GB300芯片上，FP4的峰值吞吐量是FP8的3倍，这使得在现有基础设施上训练更大规模模型成为可能 [21][37] - 模型权重、激活值和梯度均被量化为NVFP4，使得前向传播、反向传播中的梯度计算和权重更新都可以使用NVFP4 GEMM运算 [21] 超长上下文与实用能力增强 - 系列模型支持最长100万token的上下文长度，以满足大规模、多轮、具备Agentic推理的应用需求 [22] - 通过使用Mamba层天然的隐式位置信息，在注意力层中完全不使用旋转位置编码，从而避免了RoPE带来的上下文扩展限制 [22] - 引入了多环境强化学习后训练，以及推理阶段精细化推理预算控制，增强了模型在真实世界应用中的可靠性、灵活性与泛化表现 [23] 模型性能表现 - 在覆盖多个类别的主流基准测试中，Nemotron 3 Nano-30B-A3B的准确率优于GPT-OSS-20B和Qwen3-30B-A3B-Thinking-2507 [27] - 在不同上下文长度下的RULER基准测试中，其性能均优于GPT-OSS-20B和Qwen3-30B-A3B-Instruct-2507 [29] - 独立AI基准评测机构Artificial Analysis将其评为同规模模型中最开放、最高效的模型之一，并具备领先的准确率 [30] 开放生态与配套工具 - 公司不仅开源了模型，还发布了训练数据、强化学习环境和训练代码，斯坦福大学教授认为这能让用户创建自己的模型，意义重大 [6][31] - 同步发布了囊括3万亿Token的全新预训练、后训练及强化学习数据集，以及Nemotron智能体安全数据集，用于打造专业化领域智能体 [39] - 开源了NeMo Gym与NeMo RL库，并推出NeMo Evaluator，所有工具和数据集已在GitHub和Hugging Face上开放 [41] - 该系列模型已获得LM Studio、llama.cpp、SGLang和vLLM等项目的支持 [41]