文章核心观点 - 自上而下看好AI叙事扩散驱动的算力需求扩张，核心依据在于算力需求的性质正在发生变化，算力消耗重心从训练侧的项目制投放转向推理侧的持续性消耗，推理走向增量，需求久期与可见期有望拉长，产业链当前约束更多在供给端而非需求端 [2] - 四大新叙事（递归自我改进、企业级Agent、AI for Science、Personal Agent）分别从研发侧、企业侧、科学侧与消费侧四个层面扩张，使算力消耗从训练时点的一次性投入变成研发、服务、科学计算与个人代理全场景的持续消耗 [9] - 市场多将AI算力需求等同于训练投入的周期性投放，本报告从应用叙事出发，区分训练存量与推理增量，认为四大新叙事正在使算力消耗转为全场景持续消耗，算力需求曲线或被系统性抬升 [5] - 配置上延续两条主线：海外Rubin产业链（光互连、PCB、ODM等）与国产AI芯片/核心设备，并关注后周期属性突出的半导体设备 [7] - 新技术作为结构性增量，需求驱动来自自身量产节点与客户验证，对AI资本开支整体增速的敏感度较低，有望在阶段性行情中持续占优 [3] 宏观层面：Gartner上调AI支出预测 - Gartner年内多次上调2026年全球AI支出预测，由1月的2.52万亿美元上修至5月的2.59万亿美元，再至9月的2.7万亿美元 [2][18] - 2026年1月15日预测2026年全球AI支出将达2.52万亿美元，同比增长44%；5月19日预期上调至2.59万亿美元，增速升至47%；9月16日最新预测进一步上调至2.7万亿美元，增速达49.5% [18] - Gartner指出企业更偏好把AI嵌入现有软件与服务，而非独立的生成式AI项目 [21] - 2026年全球软件支出增速预计为14.7%，规模超1.4万亿美元；生成式AI模型支出增速将达80.8%，2026年其在软件市场的份额将提升1.8个百分点 [21] 1.1 递归自我改进：研发瓶颈从人力转向算力 - RSI（Recursive Self-Improvement）指AI模型参与自身及后继模型的研发改进，Fortune将其定义为"AI模型寻找改进自身并构建后继版本的方法" [10] - Anthropic编制研发自动化指数，采用Epoch AI的自动化水平分级，自AL0（无AI参与）至AL5（AI完全自主运行、无人工介入）；AL3为协作，AL4为主导 [11] - 截至2026年8月，在该指数统计范围内，达到AL3协作及以上水平的受测研发任务占比超过90%；Claude以AL4主导水平承担受测AI研发任务的26%，相关任务仍由人类监督；尚无受测研发任务达到AL5 [11] - OpenAI CEO于2025年10月表示，OpenAI正朝着2028年实现完全自动化的"合格AI研究员"推进；马斯克则称"人类在模型改进的参与度逐渐降低" [12] - 递归自我改进改变的是AI研发的生产函数，研发速度的约束条件可能从研究人员数量逐步向可用算力转移 [15] - RSI可能为算力创造独立于终端用户需求的"第二需求曲线"，训练不再是"训练—发布—结束"，而是模型提出算法、并行运行数百至数千个实验、评估结果并启动下一轮训练的持续闭环 [15] - 智能体还会通过更长推理链、反复调用工具和多模型协作增加测试时算力 [15] - 若OpenAI、Anthropic等头部AI实验室将算力由高收入的推理业务重新分配至训练，短期收入或阶段性承压，但总算力消耗未必下降，甚至可能因模型竞争加剧而有所上升 [15] 1.2 企业级Agent：AI从个人助手走向企业工作流 - 企业级Agent解决方案框架通常包含四个核心层级：交互与体验层、智能中枢层、能力与工具层、治理与安全层 [16] - 交互与体验层支持多端协同、可视化呈现、主动触达；智能中枢层负责感知与理解、任务规划、记忆机制、自我反思；能力与工具层包括专业工具集、业务系统连接、领域模型；治理与安全层包括权限管控、数据隐私、审计与追溯 [17] - Anthropic与研究机构Material于2025年末的联合调研显示，57%的受访组织已使用Agent来处理多阶段工作流，近90%的组织使用AI辅助软件开发，80%的受访组织表示Agent投资已产生可衡量的经济回报 [17] - Menlo Ventures统计，2025年企业AI支出增至370亿美元，其中编程环节贡献40亿美元，成为生成式AI的首个"杀手级应用" [17] - 76%的企业级人工智能解决方案都是通过购买而非自行开发的方式获得的，Anthropic在企业级大语言模型API市场中占据了40%的份额 [17] 1.3 AI for Science：以算力换研发管线的高价值密度赛道 - AI for Science的商业模式与消费级AI根本不同，不依赖用户规模，而依赖问题价值 [23] - AlphaFold用算力把蛋白质结构预测从数年的实验周期压缩到数分钟，DeepMind官方数据显示，AlphaFold已协助科学家预测逾2亿个蛋白质结构，已服务190多个国家的200余万名研究人员（截至2024年10月） [24] - 一个新药分子、一种新材料的商业价值以十亿美元计，客户为算力支付对价的意愿通常超过通用场景 [27] - 以AlphaFold技术为基础的Isomorphic Labs以"攻克所有疾病"为愿景，2026年5月完成21亿美元融资用于推进AI药物研发 [27] - AI药物研发对高精度浮点运算及大规模模拟的需求通常较高 [27] 1.4 Personal Agent：一人一机架构重塑流量入口与算力经济 - 2026年9月8日，Meta正式发布个人AI助手Muse，定位为"个人AI Agent"，用户只需说出目标，Muse就可以自己拆解任务、打开网页、填写表单，并调用外部应用完成工作 [28] - Muse可以替用户收发邮件、安排日程、预订旅行、购买商品，甚至参与账单谈判、协助出售汽车；即使用户关闭应用，Muse仍能在云端继续运行 [28] - Muse核心突破在于运行机制：每个用户都会获得一台独立运行的专属云端虚拟机VM，拥有自己的浏览器，可以安全存储用户授权的数据和服务凭证，并在用户关闭应用后继续在云端执行任务 [30] - 传统AI服务器的CPU与GPU配比相对固定，随着Agent应用逐步普及，单用户可能持续占用独立的虚拟化环境，或对CPU资源消耗形成更大压力 [30] 2.1 CPU：AI agent迎来突破，CPU重要性抬升 - Agentic AI的快速发展正促使业界重新审视AI系统内部的CPU工作负载及其战略意义 [31] - 大语言模型在模型推理环节可能高度依赖GPU或其他AI加速器，但围绕该模型的AI agent仍需依托通用计算能力完成大量其他任务，包括任务调度、浏览器控制、API请求、代码执行、数据处理、数据库访问、内存管理以及系统与安全操作等 [31] - AI系统的实际算力需求并非单一集中于加速器层面，而是呈现出向CPU侧延伸的结构性特征 [31] - AMD近期将智能体AI界定为一种可涉及多种CPU角色的工作负载，覆盖检索、规划、工具调用、代码执行、验证等多个步骤；该公司于2026年9月18日发布了其关于智能体AI的最新EPYC材料 [32] - 像Muse这样的智能体通常需要海量的云端虚拟机，由于部分常驻环境在用户关闭应用后可能仍需保持运行，因此需要一定的CPU算力来管理操作系统、内存及后台进程 [32] 2.2 光互连：AI基建需求持续增加下，光通信全链条紧缺度抬升 - 全球AI数据中心建设推升800G/1.6T高速光模块需求持续超预期，叠加CPO、OCS、NPO等下一代光通信的落地预期，光通信上游多个环节的供需与价格变化受到市场关注 [35] - 算力互联需求增长带动光纤需求提升，而预制棒扩产周期相对较长，光纤价格有所上行；磷化铟衬底作为高速光芯片核心基底，海外龙头高度垄断、扩产难度大，紧缺度较高；法拉第旋片由于稀土原料管控、海外厂商产能扩张受限等因素，交付周期拉长，价格显著抬升 [35] - 6月3日，TrendForce发布光通信芯片产能研究指出，随着AI数据中心加速向1.6T及以上速率升级，NVIDIA、Google、Meta等主要客户正提前锁定EML及CW-DFB激光器供应商产能 [36] - TrendForce预计，2026年全球EML与CW-DFB激光器芯片合计月产能将同比增长两倍以上至约5070万颗，Broadcom、Lumentum及住友电工等头部厂商同步推进扩产，反映高速率EML及大功率CW光源的有效供给仍难完全匹配下一代光互联需求 [36] - 6月17日，东山精密披露对外投资公告，拟由索尔思光电及其子公司投资12亿美元建设光芯片及高速光模块扩建项目，公司明确表示现有光芯片及光模块产能已无法充分满足行业及下游客户需求 [36] - Meta、Amazon等云厂商先后与光纤龙头签署多年期大额供货协议，AI数据中心开始从按需采购转向提前锁定光纤和光缆资源 [37] - 由于光纤预制棒建设周期长、资本开支较高，同时传统通信光纤产能向数据中心高端产品切换需要认证和工艺调整，预计光纤供给弹性弱于下游需求增速，量价齐升趋势有望延续 [37] - 磷化铟是800G、1.6T高速光模块中DFB、EML、CW激光器以及部分高速探测器和调制器的核心衬底材料之一 [37] - 磷化铟供给紧张由"原材料、设备和认证"三重约束共同造成，全球高端磷化铟衬底及外延片主要由少数海外企业供应，扩产需要单晶生长、切磨抛和外延设备，MOCVD等核心设备交付周期较长，同时下游光芯片客户的认证周期通常以年计，新增名义产能无法迅速转化为有效产能 [38] - 6月11日，AXT子公司北京通美与南京镭芯签订磷化铟衬底长期供货协议，后者承诺于2027年采购总价1.73亿元的磷化铟衬底，并需提前支付全部货款，其中50%在协议签订后15个工作日内支付 [38] - 叠加磷化铟衬底出口许可制约交付、扩产及客户认证周期较长，当前有效供给弹性仍然有限，长协锁量、提前付款及集中扩产共同验证行业紧缺程度，磷化铟衬底价格中枢有望继续上行 [38] - 法拉第旋光片是光隔离器的核心磁光元件，光隔离器通常由起偏器、法拉第旋光片和检偏器组成，利用法拉第旋光片对光偏振方向进行非互易旋转，使正向光顺利通过，并阻止反射光返回激光器 [42] - 随着高速光模块功率提高、通道数增加，尤其在采用外置激光源的CPO、NPO方案中，单颗激光器功率和系统光密度进一步提升，对隔离度、插入损耗、热稳定性及尺寸提出更高要求，推动高性能法拉第旋光片的单机数量和价值量提升 [42] 2.3 PCB：AI算力需求高增下，PCB量价齐升 - 随着NVIDIA Vera Rubin以及Google TPU架构持续演进，服务器内部GPU/TPU数量、高速接口数量以及电源系统复杂度不断提升，推动PCB从传统服务器板向高层数、高速低损耗方向升级，带动高阶PCB及覆铜板需求增长 [46] - Vera Rubin NVL72采用机柜级AI系统架构，集成72颗Rubin GPU和36颗Vera CPU，并通过NVLink 6 Switch实现GPU间高速互连，同时支持Spectrum-X Ethernet网络连接 [46] - Vera Rubin NVL72的一项关键硬件升级在于引入PCB中板（Midplane）作为机柜内部信号传输的核心骨架，该设计使PCB不仅承担承载功能，也承担机柜内部的高速互联任务，对PCB的层数、材料、信号完整性及制造精度提出了更高要求 [47] - PCB中板的设计使机箱内部空间利用率最大化，信号路径更短、更可控，有助于在高密度架构下维持信号质量 [47] - Google TPU v7计算主板PCB标准版本36层，增强版v7p达到44层；TPU v8配套Switch Tray交换板设计层数40-46层；正交互连背板层数最高可达52层 [50] - M8材料Dk@10GHz为3.42，Df@10GHz为0.0025，Tg为210°C，应用于TPUv7主板主力材料；M9材料Dk@10GHz为3.28，Df@10GHz≤0.0015，Tg为225°C，应用于TPUv8、Switch Tray背板 [53] - Prismark指出，AI基础设施建设正在推动PCB产业结构升级，其中AI服务器、高速网络设备对于高层数PCB以及高密度互连板的需求持续提升 [53] - AI服务器升级带来的PCB增量并不仅体现为服务器数量增长，更重要的是单机PCB规格升级，高层数、高密度互连PCB渗透率提升，有望推动PCB单机价值量持续提高 [53] 3.1 OCS：全光交换带来性能突破 - 根据Gminsights预测，全球光通信与互联市场空间预计将从2026年的378亿美元增长至2035年的775亿美元，CAGR为8.3% [56] - 根据TrendForce预测，800G以上高速光模块在全球光收发模块出货量占比预估将从2024年的19.5%上升至2026年的60%以上，且2026年有望成为1.6T光模块放量元年 [58] - Cisco数据显示，2010—2022年全球数据中心的网络交换带宽提升了80倍，同时交换芯片功耗增加约8倍，光模块功耗增加26倍，交换芯片串行器/解串器功耗增加25倍 [62] - OCS是一种基于纯光信号路径切换的核心技术设备，其工作原理完全规避了传统电交换必需的光电转换环节，核心功能是实现光信号在不同通道间的动态切换，使服务器端口之间直接实现光互连，整个过程不需要光-电-光转换 [65] - OCS能够在脊柱层提供稳定、大带宽直连通道的数据流，spine-leaf架构由两层组成：spine层（核心骨干交换机）和leaf层（接入交换机） [68] - OCS凭借其高带宽容量、低能耗、数据速率独立性、低延迟和可扩展性，可以解决电交换机面临的许多限制 [71] - OCS理论运算速度可达传统电交换芯片的1000倍以上，美国能源部阿贡国家实验室和普渡大学已在实验中验证该性能指标 [74] - Lumentum FY2026 Q4业绩显示，公司Q4实现收入10.06亿美元，同比增长超过100%，其中Systems业务收入3.57亿美元，同比增长123%，主要受云客户高速光互联需求推动 [72] - Lumentum表示OCS产品放量进展按计划进行，并获得数十亿美元采购协议支持，显示OCS已由技术验证阶段进入客户部署和商业交付阶段；公司已开始1.6T光模块初始出货 [72] - Coherent FY2026 Q4投资者材料显示，公司正进入新的增长阶段，并将光电路交换列为未来重要增长引擎之一，将1.6T/3.2T/6.4T高速光模块等产品作为传统增长业务，同时将OCS、CPO/NPO、多轨光互联等技术作为新增增长方向 [77] - Lumentum数十亿美元长期协议及2027年超10亿美元运行率指引验证头部客户需求强度，Coherent持续扩大的客户项目数量及40亿美元远期市场空间则进一步验证OCS应用场景正在扩张 [81] - 随着英伟达等算力龙头进一步推动OCS向Scale-up、Scale-out及Scale-across场景渗透，OCS产业有望迎来从"技术可行"向"规模部署"的关键拐点 [81] 3.2 玻璃基板：下一代先进封装核心方案 - 随着封装尺寸从1.5倍光罩面积向超过8倍光罩面积演进，有机基板的热机械可靠性问题日益突出，有机基板芯层的热膨胀系数约为17ppm/℃，与硅芯片的2.6ppm/℃存在严重失配，两者差异超过6倍 [84] - 根据Yole的报告，英伟达B系列中介层约为3.5倍光罩，面积约3000mm²；Rubin Ultra中介层将达到9.5倍光罩，面积约7885mm² [84] - 大芯片为芯片封装系统带来新问题：芯片面积变大需要更大尺寸封装基板，带来翘曲和良率挑战；芯片功耗持续提升，散热压力逐级提升；芯片集群传输速率越来越快，有机材料基板在高频传输系统中难以保证信号完整性 [86][87] - 有机基板的介电损耗随频率升高显著增加，其高频损耗已成为制约系统带宽提升的关键瓶颈；有机基板表面粗糙度较高，限制了金属线路的进一步细化 [90] - 英特尔已明确指出有机基板将在未来几年达到物理极限，必须寻求新的基板材料来延续封装密度和集成规模的持续提升 [90] - 硅的介电常数高达11.9，在毫米波和太赫兹频段会产生显著的衬底损耗和寄生效应，严重制约高频信号的传输质量；硅中介层的制造成本高昂，且受限于光刻掩模版尺寸，难以支持超大尺寸面板级封装 [90] - 玻璃材料热稳定性优异，在250-400℃高温下仍可保持高平整度；CTE约3-7ppm/℃，与硅芯片更匹配；介电损耗更低，适合AI、HPC、网络芯片高速高频信号传输；前沿技术可实现小于2微米微孔与更精细布线；玻璃可制作更大尺寸面板，同一片基板同时加工更多芯片，摊薄单片制造成本 [96] - CoPoS是CoWoS封装技术和FOPLP技术的结合，随着算力芯片和中介层的面积增加，单片wafer可容纳的封装数量减少，晶圆级封装的