公司战略与技术布局 - 公司正密切跟进存算一体技术研究 [1] - 公司探索将存算一体技术与机器人产品在教育、科研等场景的应用结合试点路径 [1] - 未来公司将联合产业链伙伴共建技术生态，以构筑差异化竞争壁垒 [1] 对外投资与信息披露 - 公司将视情况决定是否加大对亿铸科技的投资 [1] - 如有相关投资安排，公司将及时进行披露 [1]

文章核心观点 - 过去一周（2026年1月5日至1月11日），国内一级市场融资活动显示，智能科技与生物医药构成资本布局的双主线，产业升级与技术创新是核心方向 [1] - 报告期内共发生融资事件35起，其中25笔披露金额，总融资规模约154.27亿元人民币 [1] 融资概况与行业分布 - 科技与制造行业是资本投入的核心方向，融资规模与活跃度领先 [1] - 生物医药赛道完成4笔融资，融资金额约5亿元人民币 [3][4] - 人工智能赛道完成3笔融资，披露的融资额约0.9亿元人民币 [3][4] - 从币种分布看，人民币融资案例为22起，美元融资案例为3起 [2] 重点融资事件：医疗健康领域 - **慧心医谷**完成超1亿元人民币A轮融资，由京能绿色基金领投，资金用于推进神经系统疾病细胞治疗产品的临床研究 [9][10] - **安龙生物**完成近亿元人民币B+轮融资，由北京市及顺义区两级产业基金联合投资，资金用于推进核心基因治疗管线临床开发及技术平台优化 [11] - **上海瑞宙生物**完成2亿元人民币B轮融资，由瑞力合成生物基金领投，资金用于推进24价肺炎链球菌多糖结合疫苗的临床研究与上市工作 [12] 重点融资事件：科技与制造领域 - **雷鸟创新**完成超10亿元人民币融资，由中国移动链长基金与中信金石领投，公司专注于消费级AR智能眼镜研发 [14] - **致瞻科技**完成近3亿元人民币C轮融资，由浙江国资基金领投，公司专注于碳化硅半导体器件和先进电驱系统研发 [15] - **铭芯启睿**完成超亿元人民币Pre-A轮融资，由国开科创与联想创投联合领投，公司致力于基于RRAM的存算一体技术 [16] - **智行者科技**获4亿元人民币战略投资，由黄石市产业发展基金独家投资，公司专注于全栈自研无人驾驶大脑系统 [17] - **九科信息**完成过亿元人民币B2轮融资，由深圳市特区建发战略新兴产业基金独家领投，公司专注于企业级Agent智能体平台 [18] - **智驾大陆**完成近2亿美元融资，由云锋基金、达晨等联合投资，公司专注高阶智能驾驶解决方案 [19] 融资地域分布 - 融资地区主要集中在北京市、浙江省和广东省，分别完成9笔、6笔和6笔融资 [5][6] 活跃投资机构 - 顺禧基金与中科创星在本周较为活跃，分别完成2笔融资，主要聚集在科技与制造领域 [7]

公司战略与定位 - 云天励飞已从AI解决方案提供商转向更具长期价值的AI推理芯片赛道[3] - 公司战略方向始终未变，但市场策略与时俱进，经历了三个发展周期，分别对应全球AI行业的智能感知时代、大模型时代和算力驱动阶段[7] - 公司并未盲目追随GPU路线或切入训练芯片赛道，而是立足自身技术积累，坚持符合自身节奏的发展道路[8] - 公司营收结构变化与AI行业发展阶段匹配，早期以行业解决方案为主，大模型阶段出现标品和服务，未来推理算力市场爆发将带动推理芯片出货量增长拐点[19][20] 对AI推理芯片市场的判断 - 公司董事长陈宁认为，训练芯片市场规模远无法与未来推理芯片的市场潜力相比，推理环节才是将AI转化为现实生产力的关键[11][13] - 据公司判断，到2030年，全球训练芯片市场规模可能达到约1万亿美元，而推理芯片市场至少将达到4万亿美元，甚至更高[14] - 2025年将是重大转折点，训练与推理开始真正分离，推理走向专业化、高效化和场景化，形成独立的技术路径和产品体系[15] - 中国真正的机会和主战场在推理芯片赛道，这里市场空间更大，也更契合中国应用驱动、产业落地见长的发展优势[14] 公司技术与产品进展 - 公司最新提出GPNPU架构，可理解为中国版TPU，相较于GPGPU，在推理效率与成本控制上能够实现数个数量级的优化[16] - GPNPU架构融合了GPU的可编程性与生态兼容性、NPU的高能效优势，并深度融合存算一体技术[16] - 基于GPNPU架构的Nova500芯片预计将在明年流片，目标是在推理赛道上性能对标全球头部企业，同时保持价格优势[16] - 公司第一代芯片至今仍在龙岗区政府部门稳定运行，并通过端到端的应用闭环验证芯片实际价值，构建了覆盖应用、算法与芯片的全栈能力[6] 客户与市场需求 - 当前芯片订单需求最明确的客户是互联网头部大厂，第二梯队包括三大通信运营商及部分中大型互联网企业，第三类客户是AI领域的创业公司[17] - 互联网大厂是推理芯片的终极目标客户，其每年的采购额达上千亿，只要成为其第三、第四供应商，订单规模可达几十亿、上百亿[18] - 互联网大厂通常会采用多家供应商的策略，以保障供应链安全和满足不同产品线需求[18] 行业发展与竞争格局 - AI推理芯片时代正在形成市场共识，推理已进入算力中心舞台，未来AI赛场将构建起更加繁荣的推理芯片和应用生态[3][4] - 英伟达收购专注于AI推理芯片的Groq，进一步强化了推理基础设施加速演进的行业信号[14] - 中国AI发展模式是应用驱动，强调技术落地到产业场景，国家政策明确推动AI规模化落地，到2027年新一代智能终端、智能体等应用普及率目标超70%，到2030年目标超90%[9] - 中国在大模型上已基本追平、进入全球第一梯队，接下来的重点是鼓励大规模市场化应用，加速AI在各行各业渗透，而高效运行的推理芯片是亟需补齐的关键环节[10] 面临的挑战与应对 - 芯片研发和市场推进的挑战包括硬件本身的复杂性、软件生态的构建以及AI技术的快速演进[23][24] - 公司研发投入聚焦于行业即将爆发的关键节点，以构建核心竞争力，重点包括加强GPNPU架构与主流生态的兼容性、优化NPU架构以及聚焦3D堆叠与存算一体等未来大算力技术[21][22] - 半导体市场的并购活动将越来越多，原因是AI应用和AI推理两大生态快速崛起催生大量新机会，公司自身也在积极筹备多支产业基金进行布局[25] 区域产业环境 - 广东省对集成电路产业高度重视，明确提出应用场景开放驱动AI与集成电路产业发展的战略思路，具有全国前瞻性[26] - 粤港澳大湾区被英伟达CEO称为“全球唯一一个AI与机电一体化深度融合的区域”，其核心竞争力在于不仅是AI算法和软件的试验场，更是AI原生硬件的策源地[26] - 深圳产业政策聚焦，早在五六年前就明确提出要发展NPU芯片产业，这种长期稳定的政策支持使企业能坚持深耕技术研发[27] - 深圳涌现大量AI硬件公司，堪称AI产品经理的摇篮，其产品经理能敏锐捕捉真实需求并清楚大模型能力边界，做出务实、可落地的产品[28]

文章核心观点 - 中国算力产业面临先进制程受限、高端GPU供应收紧等外部约束，正处于从“堆叠算力”到“高效协同”的关键“拐点”[2] - 产业通过找准应用场景、构建差异化技术路线、推动端云协同等策略，应对算力不足、互联受限、生态薄弱的“三重困境”[2] - 中国算力方案的独特优势在于场景驱动的创新模式，利用完整的产业链、庞大的市场和应用场景，以应用反哺技术迭代[2][24] 关键瓶颈：从制程到生态的多维挑战 - 软件生态是当前最关键的瓶颈，CUDA生态经过近20年积累，覆盖长尾场景，国产算力芯片公司需要时间追赶[5] - 制程问题制约芯片算力密度和卡间互联带宽，需要AI上游产业在国产化上取得突破[7] - 系统化工程能力至关重要，需通过有机调度和协同，形成从上层应用到底层硬件的调优闭环，而非依赖单点能力[7] - 找准特定应用场景是突破软件栈和制程限制的有效策略，并非所有场景都需要顶级算力[9] - 算力支撑是根本性卡点，算力不足导致需要通过大量国产卡堆叠来提升性能，进而对卡间互联和液冷技术提出更高要求[11] 超节点与集群：万卡级算力的系统工程 - 集群规模从千卡扩展到万卡或十万卡时面临非线性挑战，性能并非单卡性能的简单叠加，卡间互联的带宽、时延和丢包会极大影响性能，训练中丢包可能导致任务推倒重来[14] - 超节点形态的出现旨在优化集群内部通信，避免所有流量通过网卡转换导致的性能降低和时延增加[14] - 超节点不仅适用于训练场景，在推理场景中也有应用价值，其本质是降低单个Token的生成成本，不应成为昂贵的方式[14] - 海光信息选择GPGPU通用架构路线，旨在使DCU成为数据中心人工智能通用解决方案，以覆盖未来不断发展的新模型、算法和场景需求[14][16] - 海光DCU通过高兼容性软件栈降低客户使用门槛，支持从Github下载代码直接运行，无需复杂适配过程[16] 端云协同：算力分布的未来图景 - 存算一体技术已进入商业化量产阶段，后摩智能第二代M50芯片已获得头部AIPC、语音厂商及运营商的商业化采购[17] - 端侧大模型应用尚未出现类似GPT的“Killer APP”，这是产业链尚未爆发的主要原因[17] - AI计算需求向端侧转移，端侧需承担至少50%以上的计算任务，因为即使全球海底光缆总带宽也无法满足多模态AI时代所有用户的需求[17] - 端侧AI的核心优势在于隐私性，能够本地处理照片、视频、工作文件等敏感数据，从源头杜绝数据泄露风险[18] 互联与液冷：突破物理极限的关键 - 超节点更强调Scale-up（南向互联），旨在通过更短距离、更大带宽（未来或采用光互联）来提升节点内部GPU间的互联性能并降低延迟[20] - Scale-out（北向互联）更为常见，主要包括英伟达迈络思的IB网络和RoCE网络，其优势在于灵活性，便于灵活扩容缩容[20][21] - 液冷技术已成为高密度节点（如超节点）的必然选择，风冷无法解决高密度散热问题[20] - 液冷技术能带来显著的节能效果，大约节能30%，并且降噪表现优异[21] - 技术路线选择需结合业务场景考量，Scale-up性能更优但成本更高，需评估投入产出比[21] 工程化实践：从纸面到落地的鸿沟 - 产品需要经过多代迭代和真实客户环境的“磨砺”才能成熟，后摩智能第一代产品在部署中发现了许多纸面未预见的问题，编译器工具链经过数次迭代才得以完善[23] - 国产算力卡普遍需要适配调优，新华三与杭州萧山共建“芯模社区”生态平台，联合产业链伙伴进行研发、测试和验证[23] - 深度优化需针对具体应用场景，新华三要求每款芯片在其测试环境中跑满至少3个月，以发现各种边界条件下的问题[23] - 多场景测试至关重要，同一张卡在不同模型、批次大小和序列长度下的性能表现差异可能很大，需建立全面测试矩阵以找到最佳使用场合[23] 中国算力方案的独特优势 - 端侧芯片和生态创新：中国拥有完整的产业链优势，可利用应用反哺模型和芯片迭代，在AIPC、智能会议、陪伴机器人等场景有独特的应用创新[23] - 系统化工程能力：中国具备集中力量办大事的体制优势，能快速协调资源，且在大规模集群建设方面积累了独树一帜的调度与工程经验[24] - AI应用领域优势：中国在尖端科技民用普及方面擅长，庞大的市场和丰富的应用场景为算力技术提供了最佳试验田和迭代环境[24] - 细分场景市场优势：中国市场的多样性和规模优势，使得能在不同细分领域找到足够大的市场来支撑技术迭代，形成场景驱动的创新模式[24]

公司战略与业务布局 - 京东正在招募端侧存算一体AI芯片领域人才，招聘方向集中在存算一体AI芯片，产品或将用于机器人、智能家电、智能语音设备等硬件侧 [1] - 京东此次招募人才旨在打造为消费、家庭等领域提供AI算力支撑的产品 [11] - 公司今年以来在端侧AI领域频频布局，包括11月预售搭载JoyInside系统的AI毛绒玩具，3月成立具身智能业务部门侧重家用场景，7月将大模型品牌升级为JoyAI并推出附身智能品牌JoyInside，以及布局物流无人车/无人机并注册“Joyrobotaxi”商标 [12] 招聘与薪酬细节 - 京东为存算一体芯片设计相关工程师岗位开出的薪酬待遇为“25-45k·19薪”、“40-70k·20薪”、“70-100K*20薪”不等 [3] - 相关岗位职责涉及面向大模型等生成式AI应用的存算一体芯片架构探索、设计与优化，包括计算单元、存储hierarchy、数据流优化、近/存内计算范式等，以满足高性能、低功耗场景需求 [10] 行业技术趋势与背景 - 存算一体技术成为半导体产业热点，国际巨头如三星、SK海力士、台积电、英特尔、美光、IBM等纷纷推出最新研究成果 [10] - 端侧人工智能技术爆发式增长，智能设备对本地算力与能效需求日益提高，传统冯·诺依曼架构存在“内存墙”瓶颈，存算一体芯片将计算和存储融合，提升芯片效率，正成为赋能智能终端、物联网设备及边缘计算场景的核心动力 [10] - 中信证券研报指出，AI时代存算一体是趋势，CUBE有望在推理/端侧成为“打破AI存储墙”的弯道超车补充路径，是当前国内满足AI存力需求的优选方案，也是未来本土存算一体实现弯道超车的重点观察方向 [11] 同业竞争格局 - 除京东外，阿里、百度、字节、腾讯等互联网大厂早已涉足芯片领域 [13] - 阿里旗下平头哥推出了“含光”系列AI芯片、“倚天”系列通用服务器CPU等，其中自研CPU芯片倚天710、AI推理芯片含光800等已在阿里云上实现规模化部署 [13] - 百度自研的AI芯片昆仑芯已累计完成数万卡部署，今年已点亮昆仑芯三万卡集群，可同时支撑多个千亿参数大模型训练，未来计划将单一集群规模从三万卡扩展至百万卡级别 [13]

文章核心观点 - 人工智能的计算范式正从云端向终端设备（端侧）转移，端侧AI将成为未来产业竞争的新战场和AI价值实现的关键 [3] - 端侧AI的发展由模型压缩技术进步、端侧算力需求激增与供给跃迁、以及数据传输的物理限制等多重因素驱动，将重塑计算芯片的产业格局 [11][13][15] - 端侧计算架构将复制云端从CPU为主导向AI专用芯片（NPU）为主导的演变路径，独立的专用NPU（dNPU）预计将成为主流，推动智能终端向更高级的自主形态演进 [12][19][21] 计算范式历史性转变 - 计算技术由范式转换驱动：从1940年代的通用计算（CPU），到2006年英伟达CUDA开启的加速计算（GPU），再到2020年后生成式AI催生的“认知级计算” [4][5] - 云端算力主导权已完成从CPU到GPU的交接：2019年TOP500超算近90%算力完全依赖CPU，到2025年这一比例已急剧下降至不足15% [6] - 大模型催生“云端训练-端侧部署”协同生态：云端负责训练与全局决策，端侧负责感知、实时交互与本地推理 [5] 端侧AI成为新战场的驱动因素 - **市场需求与规模**：全球端侧AI市场规模预计在2029年增至1.2万亿元，复合年增长率达39.6%；中国市场规模预计2029年达3077亿元，复合年增长率39.9% [8] - **政策强力支持**：中国“十五五”规划等政策明确实施“人工智能+”行动，目标到2030年智能终端普及率超90%、产业规模突破10万亿元 [9] - **技术瓶颈倒逼**：完全依赖云端处理面临数据传输的物理上限，以4K流媒体带宽需求估算，全球海底光缆总带宽理论仅能支持约4000万用户同时使用，远不能满足ChatGPT等应用的用户体量，端侧推理成为架构上的必然选择 [13] - **产业生态成熟**：中国已形成完整产业链，上游有华为昇腾、地平线、瑞芯微、后摩智能等芯片厂商，中游有DeepSeek、阿里、讯飞等算法模型企业，下游有荣耀、联想、小米等终端厂商 [9] 端侧AI发展的核心动能 - **模型“瘦身”技术突破**：模型蒸馏、量化等技术大幅降低部署门槛，例如华为CBQ量化算法将模型压缩至原体积1/7且性能保留99%，阿里逆向蒸馏技术使20亿参数模型性能反超70亿参数模型8.8% [14] - **端侧算力需求激增**：多模态大模型（如处理视觉与文本的VLM）和智能体（Agent）应用推高算力需求，例如Qwen3 VL 80亿参数模型需要几十TOPS算力，智能体反复调用模型会导致推理算力指数级增长 [15] - **端侧算力供给跃迁**：AI芯片算力从前大模型时代的几TOPS跃升至百TOPS级别，例如后摩智能M50 NPU算力达160TOPS，瑞芯微RK182X NPU算力为20TOPS [15] 端侧计算芯片格局与演进趋势 - **当前格局以“SoC+NPU协同”为主**： - **SoC芯片**：集成轻量级NPU，主打性价比与通用性，适配1-100亿参数模型，应用于对AI性能要求较低的设备，如瑞芯微RK3588（6TOPS NPU）[16] - **专用NPU**：提供极致AI性能，分为集成式（iNPU）和独立式（dNPU），适配300亿至1000亿参数模型，例如华为Atlas 200I A2（20TOPS）、算能BM1684X（32TOPS）、后摩智能M50（160TOPS）[17][18] - **未来将形成以独立NPU（dNPU）为主导的新范式**： - 端侧将复制云端“X86+GPGPU”的异构计算模式，形成“ARM/RISC-V + dNPU”的主流架构 [19] - 根据算力需求分层：低算力场景（<10TOPS）用SoC集成iNPU；中算力场景（10-50TOPS）用独立dNPU；高算力场景（>50TOPS）必须用独立dNPU，目前国内仅后摩智能M50满足 [19][20] - 独立NPU具备适配灵活、组合成本最优、开发迭代快、性能极致等优势，类比高性能独立显卡（dGPU）在游戏市场的统治地位，dNPU预计将成为端侧AI的主导形态 [21][22][23] 端侧AI的形态演进与架构创新 - **形态分级**：从初级联网节点（算力<1TOPS），到交互入口（算力<5TOPS），再到推理节点（算力达百TOPS，实现毫秒级延迟、数据本地化），最终向自主智能体（算力500TOPS以上，跨场景自主规划）和终极形态演进 [25][26] - **架构创新突破算力功耗墙**：为满足高阶形态的指数级算力需求，需突破传统冯·诺依曼架构限制，涌现出光子计算、量子计算、可重构数据流、Chiplet、存算一体等新架构 [27] - **存算一体成为可行量产方案**：通过融合计算与存储单元，大幅提升能效比，是更适合端侧AI且能商业量产的技术之一，国内外公司如美国的D-Matrix、Encharge AI，中国的知存科技、后摩智能均已布局 [28] 行业巨头动态与市场信号 - 2025年5月，OpenAI以65亿美元收购由苹果前首席设计官创立的AI硬件公司io，计划2026年底推出无屏幕AI硬件 [3] - 2025年11月，马斯克预言未来5-6年内传统手机将消失，由作为“AI推理边缘节点”的设备取代 [3] - 2025年12月，字节跳动试水豆包AI手机 [3] - 联想AI PC渗透率已达其PC总出货量的30%以上，Meta AI眼镜发布两天售罄，预计2026年销量破千万台 [8] - OpenAI CEO Sam Altman指出，AI发展核心瓶颈已从算法转向算力、存储与能源构成的“三位一体”基础设施挑战 [28]

文章核心观点 - 全球AI产业竞争正从云端算力竞赛，向终端设备的端侧AI蔓延，一场决定未来格局的端侧竞速已拉开帷幕 [3][4] - 计算范式正经历从通用计算到AI计算的史诗级演进，端侧即将成为人工智能发展的新战场，并复制云端从CPU主导转向AI芯片主导的变革逻辑 [5][11][18] - 端侧AI的发展由模型压缩技术与端侧算力芯片的“共生进化”驱动，未来端侧算力将形成以独立NPU为主的新范式，并重构生活与工作的智能体验 [22][32][40] - 端侧AI的崛起是技术发展的必然，未来五年将推动终端设备经历深刻的大模型洗礼，开启“人人可用、万物智能”的时代 [48][49] 计算范式演进与算力格局变迁 - 计算技术发展由范式转换驱动：1945年冯・诺依曼“存储程序”理论奠定通用计算基础，2006年英伟达CUDA架构开启加速计算时代，其并行计算能力较CPU提升100倍以上 [6][7][8] - 2020年生成式AI突破催生“认知级计算”需求，大模型对并行处理和海量数据吞吐的极致需求加速了云端AI芯片发展，并催生“云端训练-端侧部署”协同生态 [9] - 云端算力已完成从CPU为主到GPU为核心的历史性转变：2019年TOP500超算近90%算力完全依赖CPU，到2025年这一数字已急剧下降到不足15%，六年时间完成了Intel和英伟达算力霸主地位的交接 [10] 端侧AI成为发展新战场 - 云端模型部署的高延迟和高成本难以适配端侧场景，模型蒸馏技术将千亿级模型压缩至百亿甚至十亿级，使其能部署在AI PC、AI手机等端边侧场景 [12] - 全球及中国端侧AI市场将高速增长：预计2029年全球端侧AI市场规模将增至1.2万亿元，复合年增长率达39.6%；中国端侧AI市场2029年将达3077亿元，复合年增长率达39.9% [12] - 政策支持与市场需求共振：中国“十五五”规划等政策提出实施“人工智能+”行动，锚定2030年智能终端普及率超90%、产业规模突破10万亿元的目标，为端侧AI规模化爆发注入动能 [13] - 中国已形成全球最完整的端侧AI产业链：上游有华为昇腾、地平线、瑞芯微、后摩智能等芯片厂商；中游有Deepseek、阿里、讯飞等算法模型企业；下游有荣耀、联想、小米等终端厂商 [13] 端侧AI发展的底层逻辑 - 云端大模型已出现“杀手级应用”（如ChatGPT周活8亿），而端侧大模型的Killer App尚在探索中，其发展受限于端侧芯片性能与模型压缩能力 [16] - 端侧计算架构将复制云端以AI算力芯片为主导的变革，因为AI化体验的用户诉求不可逆，且数据传输存在物理上限 [18][21] - 数据传输存在物理瓶颈：按较保守的25 Mbps/用户和2023年997 Tbps海底光缆总带宽计算，理论最大同时4K流用户约4000万，远不能支撑ChatGPT或微信的用户体量，完全由服务器端计算不现实 [21] 模型与算力的共生进化 - 模型“瘦身”技术加速落地：华为CBQ量化算法将模型压缩至原体积1/7，性能保留99%；阿里逆向蒸馏技术使2B模型性能反超7B模型8.8% [23] - 端侧算力需求激增：多模态大模型（如Qwen3 VL 8B需几十TOPS算力）及智能体的发展，推动算力需求大幅攀升甚至指数级增长 [24] - 端侧算力供给大幅跃迁：前大模型时代端侧芯片通常只有几TOPS算力，AI PC出现后芯片算力达几十TOPS；国产芯片如瑞芯微RK182X NPU算力20TOPS，后摩智能M50算力可达160TOPS [25] 当前端侧算力格局 - 端侧算力以“SOC+NPU协同发展”为主要格局 [26] - 端侧SOC芯片：以ARM CPU为核心，集成轻量级NPU，主打性价比与通用性，适配1-10亿参数的端侧小模型，应用于智能音箱、智能门锁等对AI性能要求较低的场景，例如瑞芯微RK3588（6TOPS NPU） [27] - 端侧NPU：分为集成式（iNPU）和独立式（dNPU），为追求极致AI性能，独立NPU成为主流，可适配30-1000亿参数的模型 [28][29][30] - 主要NPU产品示例：华为Atlas 200I A2（最高20TOPS Int8算力，功耗25瓦）；算能BM1684X（单芯片32TOPS）；瑞芯微RK1820/1828（最高20TOPS Int8算力）；后摩智能M50（存算一体架构，单芯片算力160TOPS，功耗10W） [30][31] 未来端侧算力新范式 - 端侧将形成“ARM+NPU”镜像云端“X86+GPGPU”的大趋势，dNPU（或称GPNPU）将成为端侧AI计算主导力量 [32][33][36] - 端侧将根据算力需求形成分层市场：低算力场景（<10TOPS）以SOC集成iNPU为主；中算力场景（10-50TOPS）以独立dNPU为主；高算力场景（>50TOPS）则必须采用dNPU方案 [35] - 独立NPU（dNPU）相比集成方案具备四大优势：适配操作系统和硬件多样化、组合成本最优化、开发迭代灵活性、性能极致化 [37][38][39] - 独立NPU开发周期（适配端侧AI模型3-6个月迭代）远短于SOC研发周期（一般需18-24个月），能更敏捷地响应AI功能升级需求 [38] 端侧AI的场景革命与形态演进 - 端侧AI正从简单的连接功能，逐步走向与环境、用户的深度融合，其形态沿清晰路径进化 [40][42] - 初级形态（联网节点）：算力不足1TOPS，仅可通过手机简单控制 [42] - 二级形态（交互入口）：算力一般在5TOPS以内，重度依赖云端识别，反馈速度慢 [42] - 三级形态（推理节点）：具备多模态感知与单场景决策能力，算力达百TOPS级，交互延迟压至毫秒级，数据处理完全本地化 [42] - 四级形态（自主智能体）：能跨设备、跨场景自主规划并持续学习，算力500TOPS以上，超80%的数据在端侧处理 [43] - 端侧AI已迈入第三级形态，对计算芯片的算力、功耗与成本平衡提出极高要求 [44] 突破算力瓶颈的新型计算架构 - 为突破传统冯诺依曼架构在功耗下的算力限制（1W功耗下仅几TOPS），多种新型计算架构涌现，包括光子计算、量子计算、可重构数据流、Chiplet技术及存算一体技术 [44][45] - 存算一体技术通过融合计算与存储单元，大幅提升计算效率，是更适合端侧AI且能商业量产的新型架构方案之一 [46] - 国内外厂商积极布局存算一体：美国D-Matrix首款芯片Corsair已量产，公司估值达20亿美元；Encharge AI面向端侧的芯片算力高达200TOPS；国内知存科技深耕小算力场景，后摩智能主攻大算力端侧AI场景，其产品已导入联想AI PC、讯飞智能语音设备等 [46]

全球半导体市场展望 - 2025年全球半导体市场收入预计达到7815亿美元，较2024年的6833亿美元同比增长16.3% [3] - 增长主要受AI云服务相关硬件持续投入推动，数据中心服务器领域半导体市场规模预期较2024年增长864亿美元 [3] - 2024年至2029年全球封装市场年均复合增长率预计超过半导体行业整体增速，先进封装（如CoWoS、3D堆叠）成为主要增长动力，部分细分领域增速超过50% [4] 区域市场动态与贸易 - 2025年第二季度中国集成电路进口额同比增长10.5%，分立元器件进口额同比增长6.3% [4] - 2025年第二季度中国半导体出口整体同比大幅增长17.5%，其中集成电路出口额创历史新高 [4] - 半导体产业从全球化分工走向多极割据，成为大国博弈的核心主战场 [6] AI算力驱动与产业分化 - 人工智能应用爆发式增长推动半导体加速上行，预计全球半导体市场规模2032年达到1万亿美元 [7] - 2024年半导体产业呈现AI类高景气与非AI类弱复苏的分化特征，全球整体增速约19%，AI相关产品涨幅显著高于其他产品 [7] - 国内AI产业面临算力需求爆发拐点，大模型推理算力需求预计在2026年超越训练需求，占所有算力需求比例将超过70% [7] 技术演进与后摩尔时代创新 - 产业界积极探索后摩尔时代破局之道，途径包括发展1nm工艺的二维材料晶体管、2.5D/3D封装/Chiplet等先进封装方案、以及光量子芯片等超越传统CMOS的技术 [8] - 存算一体技术通过解决存储墙和功耗墙问题来提升AI算力芯片性能，未来近90%的数据处理将在端边完成，云边端协同的混合AI推理模式将成为主流 [8][9] - 后摩智能于2025年7月发布首款存算一体端边大模型AI芯片，算力160TOPS，典型功耗10W，预计年底量产 [9] 终端应用市场表现 - 2025年第二季度全球智能手机出货量为2.89亿台，同比下降0.01%，为6个季度以来首次同比下滑 [4] - 中国大陆智能手机市场出货放缓但消费需求具有韧性，vivo、华为新品发布提升出货表现，小米在非洲及中东欧市场出货同比大幅增长 [4] - 人形机器人市场处于早期阶段，2025年占全部工业机器人出货比例不足0.25%，预计2028年将达到0.83% [5] 电力供应挑战与架构演进 - AI芯片算力提升对电力供应提出挑战，单GPU功耗已超1000W，预计2027年达1800W，未来两年可达4000W，单机柜功率从传统10-20kW跃升至600kW甚至1MW级别 [9] - 行业正经历从48V架构向800V高压直流架构演进，以应对更高功耗挑战，800V DC母线在同等尺寸下功率容量较48V DC提升约16倍 [10]

纪要涉及的行业或公司 * 道氏技术 一家从陶瓷墨水材料转型至新能源和人工智能领域的上市公司 投资了长脑科技并布局AI加材料战略[1][3][12] * 长脑科技 专注于非侵入式脑机接口技术的公司 由哈佛大学脑科学中心博士韩必成于2015年创立 产品包括智能仿生手 仿生腿 脑电波监测仪器 神经信号解码仪器等[4] * 新培森 道氏技术AI布局中的关键组成部分 专注于算力芯片研发 致力于解决数学方程描述物理事物和复杂数据处理两类人工智能问题[2][5][6] 核心观点和论据 * 道氏技术以3000万美元参股长脑科技 旨在通过AI赋能脑机接口技术 提升产品研发效率和迭代速度 并探索在机器人皮肤 手臂等领域的合作 提升导电性能和传感精度[2][4] * 新培森通过AI算力发现新材料并提升现有材料性能 在人形机器人 特种机器人及传感器材料上提供计算支持 实现性能提升[2][5] * 新培森在应对维度灾难方面取得突破 通过存算一体技术 其APU芯片在分子动力学和密度泛函理论计算中 速度显著提升 功耗大幅降低[8] * 新培森的APU芯片通过模拟薛定谔方程 已在原子尺度上应用于军工 化工 锂电池 光伏 半导体 化妆品等材料科学领域 预测反应过程及结果[9][10] * 人工神经网络擅长处理无法用方程描述的复杂问题 如大语言模型 图像识别等 当前AI领域的大语言模型训练和推理主要依赖GPU技术[2][7] 其他重要内容 * 道氏技术自2018年转型进入新能源赛道 并结合人工智能机会进行发展 展现了敏捷的市场反应能力[3][12] * 新培森的研究成果已获国内外专家认可 包括中国工程院院士李国杰和孙凝晖 以及DeepMind首席科学家哈萨比斯[6] * 新培森未来计划开发EPU芯片 拓展至更大尺度的有限元分析 如气象模拟 风洞实验及车辆风阻模拟等 通过高速低功耗方式解决复杂物理过程模拟问题[8][11] * 道氏技术致力于成为AI加材料的平台型企业 通过AI与各种材料结合 实现跨领域合作[4]

财务表现 - 2025年上半年营业收入为1.7428亿元，同比减少1.79% [4] - 归属于上市公司股东的净利润为-7078.24万元，扣除非经常性损益的净利润为-7725.94万元 [4] - 综合毛利率为12.31%，较去年同期下滑 [33] - 计提存货跌价准备3329.94万元，存货账面价值为3.336亿元，占流动资产24.93% [4][34] - 应收账款账面价值为1.444亿元，占流动资产10.79% [34] 产品与技术进展 - NOR Flash产品采用50nm/55nm制程工艺，容量覆盖1Mb至512Mb，支持最高166MHz工作频率和664Mbits/s传输带宽 [5] - 通用32位MCU芯片基于Arm Cortex-M0+内核，采用55nm超低功耗嵌入式闪存技术，动态功耗低于100μA/MHz [6] - AI业务包括通用AI SoC芯片、6大类算法模型及AI模组板卡，已实现语音识别、人脸识别等应用落地 [7] - 大容量存储产品新增SPI NAND、SD NAND及DDR4模组，其中DDR4产品速率达3200Mbps [8][9] - 研发费用为4283.05万元，占营业收入比例24.58%，同比增加1.87个百分点 [27] 市场与业务动态 - NOR Flash产品通过AECQ-100车规认证，计划实现全容量系列车规认证 [5] - MCU产品线销售额同比增长59.98%，出货量增长102.99%，在电动工具、智能水表等领域取得突破 [13] - AI模组在3C夜灯市场占比超50%，灯控和风扇灯领域出货量超百万台套 [14] - 采用Fabless模式，主要晶圆代工厂为武汉新芯和中芯国际 [10][11] 研发与创新 - 新增3项发明专利和6项集成电路布图设计，累计拥有41项发明专利 [26] - 存算一体AI芯片技术基于Nor Flash和SRAM介质，支持低功耗推理和音频预处理 [23][24] - TinyML技术支持4bit/8bit/16bit混合精度模型部署，具备环境鲁棒性增强能力 [25] - 电机控制MCU实现小批量试产，攻克FOC算法、高速电机控制等关键技术 [22][28] 行业与竞争环境 - NOR Flash领域主要竞争对手包括华邦、旺宏、兆易创新等 [31] - MCU领域面临瑞萨、恩智浦、英飞凌等国际龙头企业竞争 [31] - 行业存在技术研发失败、核心技术泄密及产品质量风险 [29][30][32] - 供应商集中度较高，前五名供应商采购占比82.21% [32]