电话会议纪要关键要点总结 一、涉及的公司与行业 * **公司**：SG Micro Corp (圣邦微电子，股票代码 300661.SZ) [1][6][7] * **行业**：中国模拟集成电路 (Analog IC) 行业 [2][9] * **研究机构**：摩根士丹利 (Morgan Stanley) [6] 二、核心观点与论据 2.1 行业周期与复苏态势 * **中国模拟IC市场已过周期低谷**：行业已度过周期性低谷，2026年第二季度财报提供了需求驱动上行周期的更强证据 [9] * **渠道库存已基本正常化**：分销商/客户库存已处于、低于或接近正常水平，中国模拟IC库存和交货时间已正常化至约8-10周 [9] * **定价压力正在缓解**：全球供应商行为更加自律，但尚未出现广泛的涨价周期 [9] * **订单出货比改善**：订单出货比普遍高于1倍，积压订单可见性延伸至2026年全年 [2][9] * **复苏呈现分化**：工业/能源、汽车和AI相关网络领域势头强劲，而消费领域仍然相对疲软 [10] 2.2 公司业绩与增长驱动 * **营收指引上调**：公司将2026年全年营收同比增长指引从40%上调至45%，同时维持2027年增长35%的指引 [3] * **2026年第二季度各应用领域表现强劲**： * 工业与能源营收同比增长超过80% [3][4][10] * 汽车营收同比增长约100% [3][4][10] * 网络与计算营收同比增长104% [3][10] * **消费领域仍疲软**：2026年第二季度消费类营收同比下降约8%，其中手机业务下降11% [5][10] * **2026年第三季度展望**：管理层预计第三季度营收环比增长超过10% [3][10] * **市场份额持续增长**：公司将增长主要归因于持续的市场份额获取，得益于广泛的产品覆盖、持续的新产品推出以及AI相关网络和服务器应用的贡献增加 [3] 2.3 产品组合与战略 * **核心模拟产品组合持续扩张**：公司拥有超过600款车规级产品，38个主要产品类别中超过80%已提供车规级产品 [4] * **存储和传感器产品线扩展**：通过近期收购正在扩展存储和传感器产品组合 [4] * **战略优先顺序**：管理层仍优先考虑规模而非峰值利润率，将产品组合改善的收益再投资于中低端市场份额获取 [4] * **毛利率目标**：长期毛利率目标约为50%，预计稳定在48%-52%区间 [4][32] * **AI相关业务**：公司正积极参与光网络业务，可供应800G/1.6T光模块 [33] 2.4 财务预测与估值 * **盈利预测上调**：摩根士丹利将2026年、2027年和2028年的每股收益(EPS)预测分别上调6%、8%和14% [19] * **营收预测大幅上调**：2026年、2027年和2028年的营收预测分别上调15%、28%和36% [19] * **毛利率预测**：预计2026年、2027年和2028年毛利率分别为51.8%、52.1%和52.6% [19][20] * **净利率预测**：预计2026年、2027年和2028年净利率分别为17.1%、19.8%和21.1% [19][20] * **目标价上调**：目标价从人民币82元上调至人民币100元 [1][5][22] * **估值方法**：采用剩余收益模型，假设权益成本为9.4%（无风险利率2.0%，风险溢价5.9%，贝塔值1.25），中期增长率15%，终端增长率5% [23] * **牛市/熊市情景**：牛市目标价人民币168元（对应2026年预期市盈率116倍），熊市目标价人民币58元（对应2026年预期市盈率40倍） [23][30][35] 2.5 风险与评级 * **维持等权重评级**：尽管增长前景改善，但估值仍然较高，约为2026年预期市盈率的75倍 [5][33] * **风险回报平衡**：强劲的工业/AI增长被消费疲软和估值倍数扩张空间有限所抵消 [5] * **上行风险**：中国市场份额增长快于预期、关税紧张局势促使更多中国客户采用公司产品、模拟IC价格好于预期 [43] * **下行风险**：中国模拟需求复苏弱于预期、模拟IC价格竞争加剧、新产品研发慢于预期 [43] 三、其他重要但可能被忽略的内容 * **2026年9月7日股价**：收盘价为人民币110.60元，高于目标价人民币100元，意味着下行空间约10% [7] * **52周价格区间**：人民币61.98元至151.90元 [7] * **流通股数量**：6.78亿股 [7] * **市值**：约人民币749.66亿元 [7] * **平均日交易额**：约人民币18.92亿元 [7] * **历史市盈率**：自2017年以来，当前市盈率高于历史平均水平 [33] * **机构持股**：机构投资者持股比例为83.2% [43] * **行业评级**：摩根士丹利对中国半导体行业评级为"有吸引力" [7] * **美国行政令影响**：报告提及美国第14105号行政令，美国人士可能被禁止进行某些交易或需向美国财政部报告 [47]

高通2026年9月9日电话会议纪要关键要点 一、涉及的行业与公司 * **公司**：高通（Qualcomm）[1] * **行业**：半导体、数据中心、人工智能（AI）、汽车电子、智能手机、物联网、机器人[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18] 二、核心观点与论据 1. 公司战略转型：从智能手机为核心转向三大支柱 * 公司业务正从以智能手机为核心转型为三大支柱：智能手机、汽车物联网以及数据中心[3] * 公司长期目标是在万亿美元的整体目标市场中占据5%份额[7] 2. 数据中心业务：核心增长引擎 * **与亚马逊的战略合作**：与亚马逊达成10年战略协议，为其提供多代定制化芯片及1.6T光连接方案[2][3] * **认股权证协议**：未来10年亚马逊每采购价值600亿美元的数据中心产品，公司将发行相应认股权证，其中约15%的认股权证将立即归属[3] * **营收目标**：2027财年数据中心业务营收目标约50亿美元（基于现有订单，确定性高）[2][3][6]；2029财年目标150亿美元[2][6] * **营收确定性**：现有合作将推动2028财年实现强劲增长，营收规模将大幅超越50亿美元[6]；从2028年末至2029年，与Meta的CPU合作以及与AI加速器客户HUMAIN的合作将进一步贡献增长[6] * **项目进展**：项目已进入生产阶段，预计将于12月所在的季度开始通过亚马逊产生营收[3] 3. 数据中心战略四大组成部分 * **定制芯片合作**：利用公司在计算、连接技术、先进制程节点大规模生产、高性能低功耗设计及高良率制造方面的综合优势，为亚马逊及另一家全球超大规模企业提供服务[4] * **AI加速器**：推出高带宽计算技术（HBC），通过将计算与内存堆叠，解决内存带宽瓶颈，特别适用于处理推理中的解码工作负载[5] * **CPU业务**：将边缘端领先的高性能、低功耗、低成本CPU技术引入数据中心市场，已与Meta达成协议，Meta将成为该数据中心芯片解决方案的首个客户[5] * **连接技术**：通过收购Alphawave，其SerDes技术已集成到公司的多项解决方案中，包括定制芯片业务，其光连接产品也是与亚马逊协议的一部分[5] 4. AI战略：侧重推理端 * **推理过程细分化**：推理过程包含预填充和解码两个环节，公司重点解决解码过程中的内存带宽问题[9] * **架构演变**：超大规模数据中心运营商明确希望为每个环节定制最优化的解决方案，GPU在某些场景下表现出色，而XPU则在其他场景中更具优势[8] * **分布式计算**：AI计算并非数据中心与边缘端的二选一，而是会像传统计算一样，在云端和边缘端进行分布式部署[5] * **每瓦性能优势**：面对电力、晶圆和内存供应等限制因素，公司优势在于提供卓越的每瓦性能[5] 5. 软件生态系统：收购Modular * **收购Modular**：收购Modular以打造一套能够实现芯片解耦、支持跨芯片运行的技术栈[9] * **跨平台运行**：模型一旦移植到Modular技术栈上，便可在NVIDIA、AMD或高通的芯片上运行，同时也支持AWS和Apple平台[9] * **开源计划**：公司对开源持开放态度，正在开放技术栈的底层，类似安卓系统的模式[9] 6. 汽车业务：强劲增长 * **营收目标提前**：原定于2031年实现100亿美元营收的目标已提前至2029年[2][14] * **市场份额**：预计明年（2027年）将成为汽车行业最大的芯片供应商[12] * **单车计算内容价值量**：从第三代产品升级到第五代，计算内容规模增长了8倍[2][14] * **业务模式转型**：从单纯的芯片销售转向模块和系统级封装销售，整合了内存和无源器件[14] * **全球份额提升**：在中国、欧洲、日本、韩国还是美国的OEM厂商中，公司在汽车芯片市场的增长领域都在全面提升份额[14] 7. 手机业务：处于周期底部 * **市场下滑**：过去一年，智能手机销量出现了10%至20%区间的低双位数下滑，影响主要集中在300美元以下的最低端和次低端机型[11] * **内存成本压力**：在低端机型中，内存成本有时已占到物料清单的一半以上，导致部分机型价格难以为继[11] * **高端市场稳健**：高通布局最深入的高端市场并未看到明显影响，消费者仍视手机为核心设备并愿意为此投入[11] * **转型方向**：智能手机正朝着为智能代理体验而打造的方向发展，从逐个应用操作的触控时代，转向以智能代理为先、以语音为先的设备[10] * **芯片含量增加**：AI加速器与主芯片并存的架构将增加设备中的芯片含量[10] 8. 财务预期与规模效应 * **运营利润率目标**：未来三年运营利润率目标30%[2][17] * **毛利率预期**：毛利率预计将维持在当前水平区间，定制产品的毛利率会低于当前水平，但商户产品的毛利率会显著更高[16] * **研发投入**：研发投入增长将显著滞后于营收增速，通过跨业务分摊成本实现盈利能力提升[2][17] 9. 机器人业务 * **技术复用**：机器人业务能够极大地复用公司在汽车领域积累的技术成果，但软件栈是不同的[13] * **物理AI**：公司对从汽车起步，拓展至工业和机器人领域的“物理AI”更广泛的领域充满信心[12] 10. 智能眼镜与可穿戴设备 * **产品形态**：设备形态多样，包括智能眼镜、手表、吊坠、胸针等[15] * **企业级应用**：企业级应用潜力巨大，例如在操作机器或零售配送中心等场景[16] * **战略转型**：公司战略正从芯片向模块和系统级封装转型，将处理、无线连接、AI与存储、无源器件整合到功耗极低的最小模块中[16] 三、其他重要但可能被忽略的内容 * **晶圆采购规模**：公司是全球前五的晶圆采购企业之一，能利用规模优势支持数据中心业务发展[5] * **CPU市场潜力**：自与Meta签署协议以来，CPU市场的潜在市场规模已增长两倍，目前年规模超过2000亿美元，预计该市场约一半将向Arm架构转型[8] * **边缘端协处理器**：公司正在开发应用于边缘端的协处理器，采用与数据中心HBC技术类似的计算与内存堆栈方案，将广泛应用于手机、汽车、PC、工业设备和机器人等所有边缘设备[6] * **投资者低估的机遇**：除数据中心外，在汽车和物联网领域，公司市场地位同样稳固，完全有能力以快于既定目标的速度推进业务[18] * **当前投资时机**：公司认为当前是买入这只估值合理、高度多元化且持续增长股票的良机[18]

好的，作为一名拥有10年投资银行从业经验的资深研究分析师，我将为您仔细研读这份电话会议记录，并总结出关键要点 行业与公司 * **行业**：半导体设备、光电子集成电路 (Photonics IC)、共封装光学 (CPO)、近封装光学 (NPO)、光纤阵列单元 (FAU)、化学机械抛光 (CMP) 浆料、先进封装 [1] * **公司**： * **Robotechnik (300757.SZ, 买入)**：光电子IC测试与耦合设备供应商 [1][12] * **ASMPT (552.HK, 中性)**：先进封装与光电子封装解决方案供应商 [1][20] * **GMT (4573.TWO, 未覆盖)**：光引擎主动对准设备供应商 [1][9] * **Enlitech (7728.TWO, 未覆盖)**：光电子IC测试设备供应商，提供高光谱成像系统 [1][6] * **Fittech (6706.TW, 未覆盖)**：光学耦合与组装设备供应商 [1][9] * **FOCI (3363.TWO, 买入)**：光纤阵列单元 (FAU) 供应商 [1][10] * **VPEC (2455.TW, 买入)**：磷化铟 (InP) 外延片供应商 [1][10] * **Anji Micro (688019.SS, 买入)**：CMP 浆料供应商 [1][11] 核心观点与论据 **1. 光电子IC (PIC) 规模化生产与测试需求爆发** * AI 驱动数据传输速度和带宽需求激增，导致对光电子IC (PIC) 的强劲需求 [4] * PIC 需要在 1-2 年内追赶已发展数十年的电子IC (EIC) 自动化生产和测试生态系统 [4] * 强劲需求为耦合和测试设备供应商带来巨大机遇 [4] * **Robotechnik / FiconTEC** 描述其未来 1 年计划出货的工具数量，将超过过去 25 年总出货量的 50% [4] **2. 测试设备是CPO商业化的最早受益者** * CPO 作为新技术，商业化面临挑战，但测试设备供应商是最早的受益者 [5] * 由于最终模块成本高昂，在生产过程中进行多次测试是必要的，越早发现故障，成本越低 [5] * **Robotechnik / FiconTEC** 认为双面晶圆级测试 (Insertion 2) 是必要的，并在 3Q26 推出了完全符合全球领先代工厂通信基础设施的新一代设备 [5] **3. 测试环节通过早期KGD缩短时间并降低成本** * 为促进 PIC 规模化，不仅需要更多工具，还需要更好的工具，要求供应商具备强大的研发和执行能力 [6] * **Robotechnik / FiconTEC** 作为全球 PIC 测试领导者，目标是在明年将晶圆级测试时间缩短 50-60%，并将芯片级测试速度提升 4 倍 [6] * **Enlitech** 的 NightJar 高光谱成像系统，可在 Insertion 1 (PIC 晶圆测试) 或 Insertion 0 (早期缺陷筛查) 阶段实现 KGD，通过绝对光功率映射揭示 AWG 光损耗路径，从而节省故障成本 [6][8][15] **4. 耦合环节自动化生产成为高速连接的必要条件** * AI 驱动光模块向高速、高密度/高带宽发展，推动自动化生产需求 [9] * **GMT** 展示了用于 1.6T 光模块的双 FA 主动对准设备，可同时进行 Tx 和 Rx 耦合，相比传统设备节省 50% 的耦合时间 [9][17] * **FitTech** 展示了光引擎组装系统，具备被动/主动对准和定制化耦合算法开发能力，可用于高速光模块、ELS、OCS、NPO、CPO、SiPh 和光芯片等多个产品 [9] * **ASMPT** 展示了 MEGA 多芯片键合解决方案，在一个平台上结合了高精度贴装、点胶、UV 固定和 3D 检测 [9] **5. FAU与激光器规格升级** * 光网络从 Scale Out 向 Scale Up 扩展，推动 FAU 和激光器规格升级 [10] * **FOCI** 的 FAU 在 2026E 预计主要为 40 通道 (3Q26 开始) 用于 3.2T，随后是 80 通道 (2026E 内) 用于 6.4T，100 通道正在研发中 [10] * **FOCI** 的 FAU 客户群广泛，涵盖无晶圆厂、代工厂、激光器供应商等 [10] * **FOCI** 8 月营收环比加速增长至 +20% (7 月为 +9%)，反映了高端 FAU 的产能爬坡 [10][16] * **VPEC** 的光电业务受益于强劲的 CW 激光器需求和 InP 衬底供应改善 [10] * **VPEC** 的用于 CW 激光器的 InP 外延片正从 70mW / 100mW (Scale Out) 向 100mW 以上 (Scale Up, NPO) 和 300mW / 400mW (Scale Up, CPO) 迁移，并扩展到 100G / 200G EML [10] **6. AI驱动CMP浆料市场增长** * **Anji Micro** 拥有全面的客户基础，能够受益于中国和海外不断增长的 AI 支出 [11] * 全球级 AI 基础设施持续迁移，推动每系统 CMP 浆料消耗量增加，AI 服务器机架产能爬坡扩大了整体可寻址市场 [11] * 作为 CMP 浆料本土领导者，看好 **Anji** 提供合格可靠的半导体材料产品以渗透全球级客户的能力 [11] 其他重要内容 * **Robotechnik (300757.SZ, 买入)**：2Q26 业绩强劲，确认了对其的积极看法，认为其是光电子IC规模化趋势的主要受益者，拥有全面的工具覆盖和强大的软硬件自动化能力 [12] * **VPEC (2455.TW, 买入)**：7 月和 8 月营收强劲，确认了 AI 数据中心光网络需求和 InP 衬底供应改善 [14] * **FOCI (3363.TWO, 买入)**：预计 CPO FAU 营收增长将在 2H27 进一步加速，推动 CPO FAU 营收占比从 2026E 的 21% 提升至 2027 年的 58% 和 2028E 的 73%，支持毛利率从 2025A 的 18.8% 扩张至 2028E 的 37.9% [16] * **Anji Micro (688019.SS, 买入)**：管理层对来自存储和先进逻辑客户的资本支出增长持积极态度，并看好向高端产品的规格升级 [19] * **ASMPT (0522.HK, 中性)**：展示了用于 AI、HPC、硅光子和 CPO 应用的先进封装解决方案，包括 TCB 和 HB 技术，以及用于高精度多芯片组装的 MEGA 平台 [20] * **风险提示**：报告为各公司提供了详细的风险提示，包括市场竞争加剧、技术迁移趋势、客户需求不及预期、供应链风险等 [23][24][25][27][29]

好的，作为一名拥有10年投资银行从业经验的资深研究分析师，我已仔细研读这份关于TPU推理外部化的电话会议记录，并总结出以下关键要点。 行业与公司 * **行业**：AI加速器（半导体）行业，专注于AI推理工作负载[1] * **公司**：谷歌（Google）[1]、英伟达（NVIDIA）[4]、Anthropic[2]、Inferact[11]、RadixArk[11]、Red Hat[81]、AMD[8] 核心观点与论据 1. TPUv7 Ironwood 性能与成本优势 * **核心观点**：谷歌TPUv7 Ironwood在推理性能每美元成本上显著优于英伟达Blackwell系列，正在削弱英伟达的CUDA护城河[1][4] * **性能对比**：在与B200/B300的同口径对比中，Ironwood每美元性能最高可提升50%[4][5] * **成本对比**：在每用户每秒100 Token的交互速率下，Ironwood每百万总Token成本约为0.181美元，较B200的0.222美元低约19%，较B300的0.276美元低约34%[21] * **吞吐量优势**：在每用户每秒20 Token的交互速度下，Ironwood原始吞吐量达到每芯片每秒9,364个Token，比B200的8,903个和B300的8,925个高出约5%[28] * **性价比优势**：结合更低的每小时成本，Ironwood每美元产出的Token数比B200多50.4%，比B300多96.0%[29] * **内部TCO优势**：若以谷歌内部工作负载的TPU总拥有成本（每芯片小时1.03美元）计算，在并发度为256时，其性价比优势较B200提升76.7%，较B300提升130.2%[31] * **延迟权衡**：高并发结果伴随延迟权衡，例如在并发度256时，TPU平均首Token时间（TTFT）为5.41秒，而B200为3.75秒，B300为2.40秒[31][32] * **端到端延迟**：在20秒中位响应时间下，TPU每百万总Token成本约为0.098美元，比B200的0.106美元低约8%，比B300的0.132美元低25%[35][36] * **FP4场景**：TPUv7不具备原生FP4计算能力，因此在FP4场景下英伟达GPU仍保持领先，但TPUv8i将改变这一局面[18] 2. TPU外部化战略与软件生态 * **核心观点**：谷歌正通过可购买或租赁的TPUv7芯片，以及全新的TorchTPU软件栈，全面加速TPU推理外部化进程[1][7] * **客户基础**：Anthropic已成为TPU的最大用户，承诺部署超一百万颗（约40万+颗直接采购，60万+颗通过GCP租用），主要用于训练和推理[7] * **软件栈演进**：TPU软件支持经历了从PyTorch/XLA到TorchAX/JAX，再到全新的原生TorchTPU后端的三个阶段[51][57] * **TorchTPU优势**：TorchTPU将TPU作为原生PyTorch设备，允许开发者使用`.to("tpu")`，复用更多上游模型代码和调度器，降低模型启动成本[69][75][76] * **开源时间表**：TorchTPU技术栈预计将于10月左右退出私有测试阶段并开源[16][85] * **社区合作**：Inferact、RadixArk和Red Hat正与谷歌合作，致力于让TorchTPU后端在vLLM和SGLang中成为一流体验[81] * **模型支持**：谷歌计划将支持扩展到Kimi K3和GLM5.3等开放权重模型[15] 3. TPU系统级协同设计 * **核心观点**：谷歌的成本优势源于将计算裸片、芯片间互联和编译器作为整体进行协同设计，而非追求单芯片性能最大化[155][156] * **芯片架构**：TPUv7 Ironwood采用两个独立的计算裸片，每颗芯片搭载2个TensorCore和4个第三代SparseCore[158] * **内存**：每颗芯片的HBM容量约为Trillium的6倍[161] * **MXU**：从TPU v6e起，MXU阵列尺寸翻倍至256x256，每周期算力较前代设计提升4倍[163][165] * **网络**：TPUv7 Pod可通过低延迟ICI结构扩展至1000多个芯片，实现英伟达NVL72无法执行的大模型解耦及超宽专家并行优化[42] 4. 推理优化深度解析 * **核心观点**：为在TPU上高效运行模型，需要进行一系列针对TPU架构的专属优化，包括DP注意力、MoE路由、GDN内核等[88][89] * **DP注意力优化**：将八路注意力数据并行（DP8）与八路专家并行（EP8）相结合，避免不必要的All-to-All通信[92][93] * **通信优化**：将专家ID和路由权重的收集合并为一次全收集，在DeepSeek-V3测量中每层节省约80微秒[95] * **SparseCore卸载**：将ReduceScatter集合通信和专家输入的不规则重排迁移至SparseCore，释放TensorCore执行其他操作[98][110] * **MoE路由优化**：通过移除冗余瓦片计算、三重缓冲专家权重等，分组矩阵乘法第二版在8k1k服务吞吐量上提升12%[109][111] * **GDN内核优化**：通过重排代数运算、减少向量寄存器溢出、异步状态传输等，GDN v3内核级加速分别为解码1.41倍、预填充1.60倍、混合批次2.14倍[122][124][125] * **混合状态管理**：通过紧凑分配循环状态、以BF16格式存储、移除旧页大小对齐约束等，在并发度为512时，1k8k吞吐量分别提升18%、15%和7%[130][131][132] * **低并发开销**：通过按活动请求数量分桶元数据、将填充Token路由至专家零等，在并发数为四时，1k1k场景综合性能提升22.9%[136][139][140] * **前缀缓存**：为混合模型启用前缀缓存，通过为GDN提供独立的读取检查点和写入实时状态的槽位，解决循环状态覆盖问题[143][144] * **分页注意力**：通过序列在通道上的布局，可用KV页面数量翻倍（从5,141增至10,283），在并发128时吞吐量提升16.5%，中位TTFT降低95%[148][149] 其他重要但可能被忽略的内容 * **与英伟达的竞争格局**：在解耦式服务对比中，GB200/300 NVL72目前更具竞争力，但预计差距将在几个月内缩小[41][42] * **TPUv8i展望**：TPUv8i将具备原生FP4支持，公司坚信其将能与Rubin NVL72竞争[18] * **Anthropic的TPU使用**：Anthropic是TPU的最大用户，其用量预计到2029年将超过DeepMind自身的用量[2] * **软件文化对比**：与仍在学习构建测试优先软件文化的AMD不同，谷歌拥有数十年的软件工程经验和质量驱动文化，预期外部TPU软件将快速成熟[8] * **MXU利用率**：由于脉动阵列尺寸，模型形状对MXU利用率至关重要，例如Llama 3 8B的注意力头维度为128，在256x256 MXU上利用率最高只能达到50%[166][167]

核心观点 - 海外投资者对中国市场关注度明显回升，QFII持仓市值大幅增加，外资配置A股逻辑正从消费龙头转向科技与先进制造等更具成长性的方向 [5][14] QFII持仓变化与市场关注度 - 2026年中报显示，52家QFII出现在1724家A股公司前十大流通股东名单中，持仓市值合计超过3400亿元，较一季度末增加超1917亿元 [5] - 相较一季度末，QFII新进950只个股、增持379只、减持371只，显示海外投资者对中国市场关注度明显回升 [5] - 部分投资者因海外股市估值过高及油价上涨推动美联储加息预期，转向估值相对较低的A股作为分散风险配置 [7] 外资加码方向：科技与先进制造 - QFII持仓进一步向科技和先进制造领域集中，硬件设备、银行、电气设备和机械成为主要布局方向 [9] - 宁德时代期末持仓市值达107.55亿元，位居QFII新进个股首位 [9] - 思源电气、潍柴动力、东芯股份等期末持仓市值均超过20亿元 [9] - 半导体产业链成为外资关注度较高的方向之一 [9] - 中国科技企业在AI大语言模型和硬件方面不断取得突破，外资对中国科技企业长期盈利前景信心提升 [7] 中国半导体产业与全球竞争优势 - 中国半导体自主化已从政策预期加快进入产业兑现阶段，部分环节已看到订单收入和盈利持续性改善 [11] - A股拥有全球比较完整的半导体产业链，为海外投资人提供有特色且难替代的中国科技敞口 [11] - 海外投资者正将中国从传统新兴市场配置选项，重新定义为全球科技与先进制造资产的重要来源 [16] - 海外投资人关注重点是中国在人工智能、半导体、机器人等前沿产业中的全球竞争优势，以及这些产业对企业盈利和资本市场结构的重塑 [16] - 如果技术优势可持续转化为盈利、现金流及更高资本回报，中国科技资产有望成为全球组合中越来越重要的一部分 [16] 外资配置逻辑的长期演变 - 过去十年，外资配置方向从消费龙头逐步拓展到中国制造 [14] - 当前人工智能、半导体、算力基础设施、机器人、创新药等新兴产业受到更多关注，外资配置A股逻辑正向更具成长性的方向升级 [14] - 外资配置逻辑正从“主题驱动的普涨”转向“基本面驱动的精选个股” [25] - AI产业趋势仍在，政策托底发力，看好A股长期趋势 [25] - 从7月最新经济数据看，科技、先进制造业和出口成为经济增长新动能，支撑中国经济下半年达到增长目标 [25] - 海外人工智能投资有望持续，为中国相关科技企业带来新助力 [25] QFII制度优化与长期资金吸引力 - QFII制度持续优化，从取消投资额度限制到放宽准入条件、扩大投资范围 [19] - 2025年10月证监会印发《合格境外投资者制度优化工作方案》，简化资格审批和开户流程，为主权基金、国际组织、养老慈善金等配置型外资准入许可实行“绿色通道” [19] - 改革措施降低了长期机构投资者进入中国市场的制度成本，提高了投资便利度和可预期性，反映开放从吸引资金流入转向吸引长期资金留得住、配得稳 [21] - 中长期看，随着资本市场开放机制完善及更多优质资产涌现，人民币资产对境外长期资金配置吸引力有望进一步提升 [23]

核心观点 - 美国司法部正在调查英伟达与AI芯片厂商Groq的交易，以判断英伟达是否试图规避反垄断审查 [1] 交易细节 - 英伟达与Groq在去年达成交易，Groq将该交易描述为一份“非独占许可协议”，允许英伟达使用Groq专为人工智能运算打造的芯片 [1] - 作为协议的一部分，Groq首席执行官乔纳森·罗斯与首席运营官桑尼·马德拉加入英伟达 [1] 行业交易模式与监管 - 人工智能企业达成了大量交易，这些交易不实施完整收购，仅通过技术授权并挖走其他公司核心人才 [1] - 这类安排通常可以规避传统并购所适用的自动政府审查机制，该审查机制用于判断交易是否会损害市场竞争 [1] - 少数几家企业在人工智能领域形成权力集中，政府官员在应对这一局面的同时，也在考虑是否应当加大对此类交易的监管审查力度 [1]

核心观点 - 微纳核芯完成10亿元C1轮融资，目标是在近期实现规模商业化与量产销售，成为全球首批进入商业化的三维存算一体AI芯片公司 [4] - 公司通过3D-CIM™三维存算一体架构创新，试图解决AI芯片“高性能、低功耗、低成本、易落地”的“不可能三角” [5][6] - 这轮融资的结构性亮点在于产业方股东同时是客户和出货通道，共建“存储+计算芯片+终端应用”生态体系，提升了商业化确定性 [12] 融资与商业化目标 - 微纳核芯近日完成10亿元C1轮融资 [3] - 投资方包括优势资本、元昊投资、金浦投资、阳光人寿、元禾璞华、德联资本、宽桥恒松、厚雪资本等专业机构 [3] - 产业方包括美格智能、恒旭资本、华勤技术、一家头部大模型企业，并有多个老股东持续加码 [3] - 融资锚定目标：近期实现规模商业化与量产销售，成为全球首批进入商业化的三维存算一体AI芯片公司 [4] 技术架构与核心优势 - 公司解决的核心问题是AI大模型推理中超过80%的能量消耗在数据移动上的“内存墙” [5] - 3D-CIM™三维存算一体技术将计算单元直接集成进存储单元内部，实现数据“原位计算”，从根上消灭搬运开销 [7] - 技术由三根支柱协同构成 [8] - DRAM 3D近存技术：用垂直堆叠替代HBM和常规内存，带宽密度远超两者，延迟低至纳秒级，每比特能耗仅为HBM的1/4，成本压到HBM的1/3以下，且可实现全国产化适配 [8] - 存内计算CIM（数字域SRAM存算一体）：把乘加运算做在存储阵列里，算力密度和能效比比英伟达架构提升4–6倍、比高通架构提升3–5倍 [8] - RISC-V存算（RV-CIM™）：不依赖复杂编译器，不被生态绑定，能灵活适配国内主流大模型，降低中小厂商落地门槛 [9] - 多次流片测试表明：相较传统架构，CIM技术已实现4倍以上算力密度提升、10倍以上功耗降低 [9] - 整机场景效果：AI手机/PC上推理速度可提升10倍、功耗降至原方案的1/3；智能手表上AI功能续航可提升30%以上 [9] - 公司不依赖最先进制程，靠架构创新拿到高性能AI推理，呼应华为2026年5月发布的“韬（τ）定律” [9] 产业化进展与行业地位 - 公司2021年成立，孵化于浙江省北大信息技术高等研究院，团队由高校博士与大厂资深芯片人组成 [11] - 已申请150多项专利，并完成FPGA验证 [11] - 2026年5月，作为“杭州新八骏”之一在“幸会杭州·对话未来”大会亮相 [11] - 2026年6月，中国计算机行业协会算电协同工作委员会成立，微纳核芯当选副主任委员单位，参与“算力+电力”协同的行业标准制定 [11] 落地场景与市场空间 - 已披露的落地场景包括 [14] - AI耳机/手表：低功耗唤醒、本地健康模型 [14] - AI手机/PC：高性能本地推理，速度倍增、功耗骤降 [14] - 边缘摄像头/工业传感器：视频结构化分析、预测性维护 [14] - 公司锁定的市场是“成本敏感、功耗容忍度低、供应链要自主可控”的端侧蓝海 [14] - 据Omida预测，全球端侧AI芯片市场将从2024年的20亿美元增长到2028年的167亿美元 [16] - 到2035年，全球AI智能体规模预计达9000亿个，对应算力需求暴涨10万倍 [16] - 3D-CIM™芯片适配AI手机、AI PC、智能驾驶等海量终端，将在“端—边—云”协同体系里扮演关键硬件底座 [17] 量产挑战与竞争格局 - 存算一体从实验室到产线，良率、工具链、软件生态是实打实的关卡 [15] - SRAM路线虽对成熟制程友好，但大规模存内计算的精度与可编程性仍是工程难题 [15] - 三维存算并非蓝海，国内外均有重兵投入，先发不等于胜出 [15] - 公司自称“全球首批进入商业化”，底气来自流片验证与客户合作进展，但最终要由量产节奏与真实出货来证明 [15]

美国司法部调查英伟达与Groq的交易 - 美国司法部正在调查英伟达是否试图规避反垄断审查，涉及去年与AI芯片初创公司Groq的一项许可交易 [1] - 该调查由《纽约时报》于2026年9月9日报道，援引两位知情人士的消息 [1] - 英伟达去年宣布与Groq达成一项价值170亿美元的“非独家许可”协议，以获得Groq的芯片技术，并雇佣了数名Groq员工 [2]

核心观点 - ADI以13.5亿美元现金收购Alif Semiconductor，旨在将AI能力从数据中心扩展到物理世界，通过整合传感、信号处理与AI处理器，打造“物理智能”解决方案[2][3] 交易细节 - ADI将以13.5亿美元预付款现金收购Alif Semiconductor，另可能支付最高2亿美元的额外或有对价[5] - 该交易已获双方董事会批准，预计于2026年底前完成，需满足惯例成交条件及反垄断等待期届满[5] 收购方（ADI）战略意图 - ADI认为AI正进入新阶段，模型需理解上下文并与物理世界互动，系统需从运动、声音、振动、无线电波和热力学等信号中推理，并在严苛功耗、延迟、安全性和可靠性限制下本地运行，ADI将此定义为“物理智能”[2] - ADI首席执行官Vincent Roche表示，AI正从数据中心走向物理世界，延迟、功耗和信任至关重要，通过结合Alif的数字处理能力与ADI在多模态传感、信号处理、电源、连接和软件方面的优势，可帮助客户创建在本地实时感知、推理和行动的安全智能系统，这是AI的下一个前沿领域：具身化和确定性[3] 被收购方（Alif Semiconductor）业务与技术 - Alif Semiconductor总部位于加利福尼亚州普莱森顿，是提供新一代安全、互联、高能效EdgeAI微控制器和融合处理器的供应商[2] - Alif的架构可扩展至单核到多核系统，集成了神经网络处理单元（NPU）和先进的图形加速功能[2] - Alif通过由高效原生AI微控制器和融合处理器组成的复杂平台重新定义边缘智能，其异构架构能够实现实时传感器融合、低延迟推理和设备端AI[3] - Alif联合创始人兼总裁Reza Kazerounian表示，Alif从创立之初就设计了一种异构架构，将专用低功耗神经处理与连接性、安全性和智能电源管理相结合，精准分配计算资源[4] - Alif的硅芯片已投入生产，并赢得了众多领先的消费品和工业客户的设计订单[5] 收购协同效应 - 此次收购将ADI的传感、信号处理和电源管理技术与Alif的AI处理器相结合，使客户能够构建可以实时分析和响应的系统[2] - ADI在传感、信号处理、电源、连接和应用软件领域的领先地位，与Alif的尖端数字平台相结合，将加速交付更完善的物理智能解决方案，帮助客户应对更广泛、最复杂的系统级挑战[3]

文章核心观点 OpenAI正与三星电子合作设计下一代AI加速器，旨在通过三星的HBM内存和潜在代工能力，解决供应链瓶颈并提升芯片性能，同时其首款自研芯片Jalapeño在推理效率上已显著超越英伟达产品 OpenAI与三星的合作 - OpenAI韩国总经理Harrison Kim宣布与三星电子在下一代芯片的联合生产和研发方面取得最大进展并获得最多认可[2] - 合作可能使三星为OpenAI下一代芯片（代号Habanero）提供全部或至少一部分HBM内存，鉴于当前内存供应短缺，需尽早建立合作关系以确保充足供应[3] - 下一代芯片可能采用速度更快的HBM4E技术，并利用定制基片将内存控制器甚至部分逻辑电路从计算芯片转移到HBM堆栈本身，这与英伟达NVHBM披露的原理相同[3][4] - 即使计算芯片最终由台积电制造，与三星的密切关系也有利于协调定制基础芯片，从而获得供应链优势[5] - 合作可能使OpenAI采用三星的2纳米工艺技术制造下一代芯片，获得台积电之外的替代供应商[5] - 三星是全球第二大芯片代工厂，曾为英伟达、苹果等生产芯片，英伟达Ampere架构显卡大多采用三星8纳米制程[5] - 三星3纳米工艺良率曾遇挑战，但到2026年，包括Rebellions、Tenstorrent和Groq在内的芯片设计公司正在其晶圆厂建造复杂AI加速器，表明三星有能力生产OpenAI下一代芯片[5][6] - Rebellions的Rebel100加速器采用多芯片架构和HBM3E，证明三星完全有能力生产OpenAI下一代芯片，且可能使OpenAI获得比仅从台积电更多的芯片配额[6] OpenAI首款芯片Jalapeño的细节 - Jalapeño是一款专为AI推理设计的定制加速器，适用于交互式和智能体系统背后的低延迟、多芯片工作负载[8] - 核心理念是有效性能不能仅局限于峰值浮点运算或内存带宽，真正重要的是完成整个请求的速度和效率，因此从端到端延迟、令牌间隔时间及每焦耳令牌数评估芯片[8] - 该ASIC芯片在700瓦封装内实现高达13.4 petaflops的MXFP4矩阵计算能力、216 GiB的HBM4显存以及15.4 TB/s的内存带宽[8] - 一个完整的2048芯片系统可达到27 exaflops的MXFP4计算能力、432 TiB的内存容量以及32 PB/s的总带宽[8] - 设计指出仅凭原始规格参数不够，实际令牌读取速率远低于理论值，因为数据移动、同步、通信及延迟到达的操作数会导致计算单元等待[8] - Jalapeño通过空间架构解决瓶颈：每个核心切片与一个HBM切片配对，创建快速高带宽本地内存视图，专用集体网络处理跨核心通信模式，软件显式放置张量并在本地执行计算[9] - 分布式控制避免了独立核心通过集中式资源同步时可能出现的代价高昂的全局屏障[9] - 组织结构反映单个推理请求中不断变化的需求：预填充过程需大量注意力机制且受限于计算能力，推测性草稿模型规模较小且对网络延迟高度敏感，验证和解码结合注意力机制、内存带宽密集型的专家混合执行及突发通信[9] - Jalapeño将状态保持本地化并激活不同资源组合，未使用模块可断电，指导原则是封装内“暗”硅成本低于闲置加速器持续消耗基础HBM、网络、冷却和机架资源的成本[9] - 系统层面，128个芯片构成局部域，多达2048个芯片通过两级Clos网络连接，带宽采用阶梯式分配：张量并行处理占用更高带宽，专家级并行处理占用更少带宽，所有流量受益于低延迟[10][11] - 互连成为计算机的一部分，而不是独立芯片的附属设备[11] Jalapeño的性能表现 - 在公开InferenceX基准测试中，Jalapeño在GPT-OSS 120B、DeepSeek R1 670B和Kimi K2.5 1T的每瓦性能帕累托前沿均处于领先地位[11] - 与选定的GB200或GB300配置相比，Jalapeño每千瓦峰值吞吐量提高1.5到1.9倍，端到端延迟降低1.7到3.6倍，令牌交互性提高2.1到4.1倍[11] - 在与前一个系统相同的令牌间时间点，Jalapeño效率优势达到8.6到104.3倍[11] - 这些比较使用8000个令牌输入、1000个令牌输出、四位权重、封装TDP归一化及厂商优化软件，Jalapeño使用单令牌预测，而一些基线模型使用多令牌预测[11] 行业影响与战略意义 - 推理正成为人工智能运营成本的主要组成部分，智能体应用在完成用户任务前可能需要反复调用模型，每瓦每秒请求数的提升可转化为更低能耗、更大数据中心容量和更快交互式系统[12] - Jalapeño展现了硬件-软件-人工智能协同设计的价值：OpenAI在九个月内完成从初始RTL到流片的整个过程，利用人工智能优化硬件模块并生成超越专家编写实现的内核[12] - 更广泛意义在于战略层面：模型开发者现在可根据实际工作负载定制芯片，缩短算法、编译器、架构和部署之间的周期，使前沿智能部署更具成本效益[12]