ETF开盘涨跌不一，创50ETF富国(159371)领涨16.26%，2000ETF(159907)涨9.98%，A100ETF基金 (159630)涨3.87%，1000增强ETF(561780)领跌1.01%，通信设备ETF(159583)跌0.87%，恒生新经济 ETF(513320)跌0.86%。 无需额外开户，A股账户直接T+0买全球>>> ...

半导体市场Overview - 2025年半导体市场季度简报涵盖全球及中国大陆半导体市场增长趋势、不同应用类别市场情况（如智能手机、个人电脑、数据中心服务器、汽车等）以及关税政策对中国半导体产业的影响 [1] - 报告基于大量市场调研，内容详实可靠 [1] 中国市场 - 2025Q1中国半导体行业总营收达379.66亿元人民币，同比增长20.3%（2024Q1为315.67亿元） [10] - 行业平均毛利率从2024Q1的34.11%降至2025Q1的32.68%，营业利润率保持稳定（9.23% vs 9.25%） [10] - 2024全年行业总营收达1,492.01亿元人民币 [10] 模拟芯片 - 2025Q1模拟芯片总营收109.20亿元，同比增长8%（2024Q1为101.10亿元） [13] - 行业营业利润率从2024Q1的-0.98%改善至2025Q1的0.75% [13] - 2024全年模拟芯片总营收457.33亿元 [13] 分立器件 - 2025Q1分立器件总营收219.91亿元，同比下降6.9%（2024Q1为236.10亿元） [19] - 行业毛利率显著提升，从2024Q1的14.70%增至2025Q1的19.46% [19] - 2024全年分立器件总营收1,080.95亿元 [19] 终端市场 - 数据中心服务器市场格局变化显著，2024年Top 10供应商中Foxconn、Dell Technologies、QCT等因NVIDIA合作伙伴关系获得市场份额提升 [29] - 中国厂商Huawei和H3C成为中国云服务市场主要供应商 [29] 产能与收入预测 - 本地GPU产能预计从2024年的2kwpm大幅扩张至2025年的10kwpm，2027年达26kwpm [38] - 2025年GPU总收入预计达146,107百万元人民币，同比增长240% [38] - 2027年GPU总收入预计进一步增长至286,567百万元人民币，年均复合增长率35% [38] 行业资源 - 提供GPU服务器资源（A100/H100/H200/B200等）及行业数据统计文件（HBM市场、IDC数据、晶圆厂信息等） [33][37] - 知识星球提供每日更新的行业调研纪要、外资投行/券商研报及半导体行业数据 [36][38][39]

资本市场政策变革 - 2019年科创板打破A股IPO净利润红线，允许未盈利但技术硬、赛道热的企业上市，为半导体行业开辟融资通道 [2] - 2023年2月17日证监会批准创业板第三套上市财务标准，要求预计市值不低于50亿元且最近一年营收不低于3亿元，适用于AI、生物医药等高成长性企业 [2] - 2025年6月18日创业板正式启用第三套标准，6月27日深圳大普微电子成为首家获受理的未盈利企业，标志政策落地 [2] 半导体行业IPO新现象 - 2025年上半年177家IPO企业中，7家为亏损半导体公司，反映资本市场对战略级硬科技赛道的容忍度提升 [1] - 亏损企业上市集中于国家战略支持的硬骨头领域，如GPU、存储控制芯片、硅基OLED显示等 [2][12] 七家半导体企业技术布局 - **GPU领域**：摩尔线程MTTS80芯片需千万级流片投入，沐曦股份聚焦高性能计算生态搭建，两者均面临英伟达垄断压力 [6] - **存储控制芯片**：大普微研发智能控制芯片，适配国产存储颗粒，技术迭代快致研发投入高，已切入服务器市场 [7] - **硅基OLED显示**：视涯科技攻克AR/VR设备微型高清低功耗屏幕技术，需持续投入量产线建设和良品率提升 [8] - **CPU国产化**：兆芯集成研发CPU及配套芯片组，构建完整计算平台，但生态适配与性能优化成本高昂 [9] - **半导体硅片**：上海超硅攻关12英寸高纯度硅片生产技术，生产线建设需数十亿前期投入 [10] - **射频前端芯片**：昂瑞微开发5G毫米波芯片及集成模组，突破博通、Qorvo高端市场垄断 [11] 政策导向与行业趋势 - 国家通过资本市场为半导体产业输血，支持高端芯片、关键材料自主可控，应对全球芯片竞争 [12] - 科创板、创业板、北交所政策放宽，推动未盈利硬科技企业融资，加速技术突破与国产替代 [2][12]

摩尔线程、沐曦股份：死磕 GPU 的难兄难弟 这俩兄弟都扎在 GPU 赛道，堪称行业 " 吞金兽 " 。现在 AI 大火，英伟达的 A100 、 H100 几乎垄断市 场，但咱们国产 GPU 想分杯羹，就得砸钱搞架构创新。像摩尔线程的 MTTS80 芯片，从流片到优化， 每一步都是千万级的投入；沐曦更是在高性能计算领域猛追，他们的产品要适配云计算、科学计算场 景，不仅得突破技术瓶颈，还得搭建生态，不亏才怪。 2025年上半年，177 家 IPO 企业里，竟然冒出 7 家还在亏钱的半导体公司。搁以前，这种事想都不敢 想，毕竟资本市场向来 " 嫌贫爱富 " ，但现在这事儿真就发生了。 关于这7家创始人情况、营收情况、申报相关就不再一一阐述，之前的文章都有涉及。 | 从 " 盈利硬指标 " 到 " 科创板破冰 " 以前 A 股 IPO 那可是卡着净利润红线，像咱们这行烧钱搞研发的主儿，没有三五年盈利根本别想上 市。直到 2019 年科创板杀出来，直接打破规矩 ——" 没盈利？只要技术够硬、赛道够热，照样能上市 融资！ " 这就好比给咱们半导体行业开了绿色通道。后来创业板、北交所也跟着放宽，现在亏损企业上 市不再是天 ...

从市场表现看，截至收盘，中证A100指数(000903)上涨0.08%，跟踪中证A100指数的相关ETF今日平均 上涨0.10%，其中，涨幅居前的有汇添富中证A100ETF(159630)、嘉实中证A100ETF(159661)等，今日分 别上涨0.36%、0.35%。今日跌幅居前的有招商中证A100ETF(159631)、南方中证A100ETF(560380)，分 别下跌0.20%、0.10%。（数据宝） 中证A100指数ETF7月2日成交额变动 | 基金代码 | 基金简称 | 今日涨跌幅 | 今日成交额 | 较上一交易日增加 | 环比增幅 | | --- | --- | --- | --- | --- | --- | | 561880 | 华富中证A100ETF | -0.10% | 3140.70万元 | 2786.85万元 | 787.59% | | 562000 | 华宝中证A100ETF | 0.21% | 3294.84万元 | 1215.41万元 | 58.45% | | 512910 | 广发中证A100ETF | 0.10% | 1483.83万元 | 354.13万元 | 31.35% ...

报告行业投资评级 | 公司名称 | 12 个月评级 | | --- | --- | | Adobe Systems Inc | Neutral | | Advanced Micro Devices Inc | Buy (CBE) | | Alphabet Inc. | Neutral | | Alphabet Inc. - Class A | Neutral | | Amazon.com | Buy | | Atlassian Corporation | Neutral | | Cloudflare Inc | Neutral | | Crowdstrike Holdings Inc | Buy | | GitLab Inc | Buy | | Microsoft Corp. | Buy | | MongoDB Inc | Neutral | | NVIDIA Corp | Buy | | Oracle Corporation | Buy | | Palo Alto Networks | Neutral | | Salesforce Inc | Neutral | | ServiceNow Inc | Buy | | Snowflake Inc | Buy (CBE) | | Tenable Holdings, Inc. | Buy | | Varonis Systems Inc | Buy | | Workday | Neutral | [216] 报告的核心观点 - 本次调查结果显示Nvidia、Microsoft和OpenAI仍是AI领域的领先者，但也关注AI现象在其他方面的影响 [2] - 企业AI应用仍处于早期阶段，大规模部署可能在2026年更有可能，投资者应冷静看待2025年AI产品的收入增长提升 [3][8] - 企业在AI采用方面面临“不明确的ROI”和“缺乏引人注目的用例”等障碍，AI投资可能会取代其他IT预算项目 [8] - 目前来看基于席位的软件模式受AI影响较小，整体IT支出前景相对稳定 [8] 各部分总结 整体企业AI采用情况 - 所有受访者至少处于AI调查和用例发现阶段，但只有14%的企业达到大规模生产阶段，平均每家企业的AI支出仅为327万美元 [3][8] - “不明确的ROI”是AI采用的主要障碍，企业仍在努力寻找第三方AI产品的价值和“杀手级用例” [8] - 28%的受访者表示AI支出将完全是增量的，其余72%表示会取代或削减其他IT支出 [8] - 目前AI对基于席位的SaaS软件提供商的影响较小，43%的受访者预计AI将增加员工数量 [8] - 所有受访者预计明年IT预算平均增长4.4%，与2024年10月的调查结果持平，但实际情况可能更糟 [8] Nvidia和AI硬件 - Nvidia仍然是大多数受访者首选的训练和推理平台，其H100、A100和H200 GPU最受欢迎，Blackwell的使用也在增加 [12] - 除Nvidia外，更多受访者使用ASICs（如AWS Trainium和Google TPU）进行模型训练，对AMD的兴趣也在逐渐增加 [12] - 在推理用例中，Nvidia GPUs仍然是最受欢迎的选择，A100的使用显著增加 [86] - 只有26%的组织预计因AI升级PC，更多企业选择升级操作系统以支持AI功能 [90] AI模型选择 - OpenAI的模型在企业用户中占据主导地位，包括GPT 4.0、GPT 3.5和o3，Google Gemini排名第二 [11][91] - 在AI搜索工具方面，OpenAI绝对占主导地位，M365 Copilot基于OpenAI模型，ChatGPT也很受欢迎 [13][95] 基础设施提供商选择 - Microsoft Azure在AI工作负载的云基础设施提供商中保持领先地位，AWS排名第二，Google Cloud有所恢复 [12][96] - 只有13%的受访者表示遇到了“重大”的GPU限制，这表明GPU供应限制可能更多来自模型提供商和高速增长的AI初创公司 [12][98] - 企业计划将更多应用和数据迁移到公共云，以加速AI服务的使用，这可能会使公共云基础设施供应商受益 [107] AI对软件应用支出的影响 - 微软M365 Copilot的调查结果显示渗透率过高，可能是受访者将免费和付费席位混淆，实际价格为每个席位每月22美元 [16][113] - 在AI代码生成工具市场，微软GitHub Copilot保持领先地位，但Anthropic Claude和Cursor等新参与者的市场份额正在增加 [15][124] - 在图像/视频创作工具领域，OpenAI的DALL - E仍然领先，但Google的创意AI产品增长迅速，超过了Adobe [15][122] - Salesforce和ServiceNow在SaaS或应用程序领域被认为拥有引人注目的AI产品，部署GenAI自动化内部IT任务的计划高于外部或面向客户的任务 [15][131] AI对数据需求的影响 - 数据软件公司总体上有望从AI计划中受益，云数据仓库、云数据湖和ML/AIOps领域预计将获得最多的支出拉动 [143][144] - 数据本体和向量数据库市场的支出增长较少，表明这些市场可能已经商品化 [144] AI安全要求 - 在AI安全态势管理（AISPM）方面，CrowdStrike占据主导地位，微软和Tenable在未来支出意向方面得分较高 [180] - 在AI数据安全方面，微软Purview排名最高，OneTrust、SecuritiAI和Varonis也受到关注 [182] - 在AI应用和模型安全方面，CloudFlare的AI防火墙领先，Robust Intelligence、Mindguard和HiddenLayer等私有供应商也被频繁提及 [187] 服务公司 - Accenture是GenAI采用的主要服务提供商，预计将从企业增加的应用使用和采用中受益 [200]

如果您希望可以时常见面，欢迎标星收藏哦~ 来 源： 内容 编译自 chosun 。 半导体行业曾经专注于速度和容量，如今正转向功耗效率。随着人工智能学习和训练的日益先进， 处理海量数据所需的功耗也随之激增，低功耗芯片的开发竞争也愈演愈烈。 人工智能芯片通常被称为"耗能大户"，是耗电量巨大的产品。英伟达即将推出的高性能人工智能芯 片 B100 需要 1000 瓦的功率。之前的人工智能芯片型号 A100 和 H100 分别需要 400 瓦和 700 瓦的功率，这意味着更高的性能意味着更高的功耗。 三星电子和SK海力士是领先的芯片制造商，为人工智能芯片提供存储芯片，它们正在推出新的低 功耗半导体解决方案。半导体材料公司也在开发玻璃等下一代材料，以提高能源效率。 低功耗芯片对于智能手机、平板电脑和笔记本电脑等设备至关重要，这些设备需要在不连接互联网 的情况下执行人工智能计算，从而节省电池寿命。一位半导体行业人士表示："低功耗半导体可以 延长移动设备的电池寿命，并降低服务器数据处理所需的能耗。随着电源供应日益紧张，低功耗半 导体将变得更加重要。" LPDDR，即低功耗双倍数据速率存储器，是低功耗芯片领域的前沿技术。与传 ...

大模型算力需求与硬件挑战 - 大模型参数规模已达万亿级别，计算能力需求两年内增长1000倍，远超硬件迭代速度 [1] - GPU集群面临两大瓶颈：单芯片物理尺寸限制晶体管数量，多芯片互联时数据传输延迟与带宽损耗导致性能无法线性增长 [1] - 当前AI训练硬件分为两大阵营：晶圆级集成专用加速器（如Cerebras WSE-3/Tesla Dojo）和传统GPU集群（如英伟达H100） [1] 晶圆级芯片技术突破 - 传统芯片受限于曝光窗尺寸（最大单Die约858mm²），晶圆级芯片通过不切割晶圆实现高密度互连，算力集群占地面积缩小10-20倍，功耗降低30%以上 [2][3] - Cerebras WSE-3采用台积电5nm工艺，集成4万亿晶体管/90万AI核心/44GB缓存，支持1.2PB片外内存，单片面积46,225mm² [6][8] - 特斯拉Dojo采用Chiplet路线，25颗D1芯粒集成在晶圆基板上，单芯粒645mm²含500亿晶体管，单Dojo系统算力达9Petaflops [10] 性能指标对比 - **计算性能**：WSE-3 FP16精度达125PFLOPS，Dojo单Tile 362TFLOPS（BF16），H100单芯片60TFLOPS（FP64） [13] - **内存带宽**：WSE-3达21PB/s，Dojo单Tile 900GB/s，H100 3.35TB/s [13] - **延迟优化**：WSE-3单片架构降低通信延迟10倍，Dojo芯片间延迟100纳秒，H100依赖NVLink但延迟仍高于晶圆级系统 [16] 应用场景与成本分析 - **专用性**：WSE-3擅长超大规模模型训练（如24万亿参数），Dojo针对自动驾驶视频流优化，H100通用性更强 [14][15][16] - **成本结构**：Dojo单系统3-5亿美元，WSE-3单系统200-300万美元，英伟达H100单芯片成本显著更低但长期运营能耗高 [18] - **扩展性**：晶圆级芯片面临可扩展性限制与高制造成本，GPU集群在初期部署成本上更具优势 [17][19] 行业技术演进方向 - 晶圆级芯片代表当前最高算力节点集成密度，英伟达NVL72通过提升GPU集群密度间接向该方向靠拢 [20] - 晶圆级技术路线分化：Cerebras采用单片集成，特斯拉选择Chiplet+先进封装，两者均规避传统GPU的互联瓶颈 [10][13][20]

点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 面向现实世界的机器人感知评测任务，五大赛道，全链路挑战，全球征集解决方案！ 为什么需要 RoboSense？ 在机器人系统不断迈向真实世界的进程中，感知系统的稳定性、鲁棒性与泛化能力正成为制约其部署能 力的关键因素。面对动态人群、恶劣天气、传感器故障、跨平台部署等复杂环境条件，传统感知算法往 往面临性能大幅下降的挑战。 为此， RoboSense Challenge 2025 应运而生。该挑战赛旨在系统性评估机器人在真实场景下的感知与理 解能力，推动多模态感知模型的稳健性研究，鼓励跨模态融合与任务泛化方向的创新探索。 | Registration | From June 2025 | | --- | --- | | Competition Server Online | June 15th, 2025 | | Phase One Deadline | August 15th, 2025 | | Phase Two Deadline | September 15th, 2025 | | Award Decisi ...

Tensor Core架构演进 - Tensor Core是推动GPU计算能力远超摩尔定律的核心技术，已成为现代AI和机器学习的基石[1] - 从Volta到Blackwell共经历五代架构演进：Volta(第一代)、Turing(第二代)、Ampere(第三代)、Hopper(第四代)、Blackwell(第五代)[11] - 每代架构在MMA(矩阵乘加)指令执行方式、数据精度支持、内存层次结构等方面均有重大创新[11][18][30][39][46] 性能工程原理 - 阿姆达尔定律量化了并行计算的最大加速比，性能提升受限于串行部分执行时间[5] - 强扩展通过增加计算资源解决固定规模问题，弱扩展通过增加资源解决更大规模问题[6] - 数据移动成本远高于计算成本，现代DRAM速度比晶体管开关速度慢两个数量级，形成"内存墙"[10] 编程模型演变 - PTX编程模型采用线程网格-CTA-Warp的三级线程层次结构，对应寄存器-共享内存-全局内存的内存层次[13][14] - SIMT执行模式以Warp(32线程)为单位发出指令，与SIMD不同在于指定单线程行为而非向量宽度[15] - SASS是PTX底层指令集，但文档不完善因NVIDIA对竞争对手保密[17] 各代Tensor Core特性 Volta(第一代) - 引入HMMA指令执行8x8x4矩阵乘法，需8线程四对协作完成[22][25] - 支持FP16输入/FP32累积，符合混合精度训练需求[26] - 每个SM含8个Tensor Core，每周期1024 FLOP[22] Turing(第二代) - 增加INT8/INT4精度支持，引入Warp级同步MMA[27] - 首次将深度学习应用于游戏图形(DLSS技术)[27] Ampere(第三代) - 引入异步数据复制，直接从全局内存到共享内存，缓解寄存器压力[29] - Warp级同步MMA指令，完整32线程参与运算，每SM每周期2048 FLOP(Volta两倍)[30] - 支持BF16格式，提供FP32级别动态范围且无需损失缩放[32] Hopper(第四代) - 新增线程块集群概念，CTA可跨SM协作访问分布式共享内存[33] - 引入张量内存加速器(TMA)，批量异步复制全局内存到共享内存[35] - Warpgroup级异步MMA(wgmma)，4个Warp(128线程)协作执行更大规模矩阵运算[39] - 支持8位浮点(E4M3/E5M2)和22位定点累加[41] Blackwell(第五代) - 新增Tensor Memory(TMEM)专用存储，256KB容量/SM，更靠近计算单元[43] - 第五代MMA指令完全脱离寄存器，操作数驻留共享内存/TMEM[46] - 支持CTA对级MMA(MMA.2SM)，两个SM协作执行[45][49] - 引入MXFP8/6/4和NVFP4等微缩放浮点格式[51][52] 架构演进趋势 - Tensor Core规模扩展速度远超数量增加，MMA形状从Volta的8x8x4扩大到Blackwell的256x256x16[59][60] - 共享内存容量持续增加(Volta 96KB→Blackwell 228KB/SM)，寄存器文件保持256KB[64][65] - 操作数存储位置从寄存器逐步转向共享内存/TMEM，提升数据局部性[67] - MMA指令从同步逐步转向异步执行，提高流水线效率[69][71] - 数据类型持续向低精度发展，从FP16到4位格式，同时缩减高精度支持[73][74] 结构化稀疏性 - Ampere引入2:4稀疏模式(每4元素含2零)，理论可双倍提升吞吐量[54] - Blackwell为NVFP4引入4:8成对稀疏模式，要求更严格[57] - 实际应用中因剪枝难度和优化不足，稀疏性优势未充分体现[55]