英伟达对中国市场的立场与策略 - 公司首席执行官黄仁勋表示，中国市场充满活力、创新且重要，美国科技公司参与并融入中国市场至关重要 [2] - 公司希望美国政策制定者能出台新政策，使公司能够重返中国市场，并希望中国欢迎其参与 [2] - 公司认为服务中国市场符合美国的最佳利益，让美国科技公司将技术带到中国市场也符合中国的最佳利益，这是双赢 [4] - 公司首席执行官不认同美国以国家安全为由限制对中国出售先进芯片，认为此举是错误的 [4] 英伟达对华为竞争力的评估 - 公司首席执行官认为，在美国制裁促使北京加强国内替代技术后，低估华为的能力是"愚蠢的" [2] - 公司指出华为在电信和芯片设计方面拥有强大实力，对其推出CloudMatrix产品并不感到惊讶 [2] - 公司非常认真看待与华为的竞争，并尊重中国的能力，因此致力于快速创新以保持领先 [2] 英伟达在韩国的合作与市场拓展 - 公司计划继续与韩国半导体巨头三星电子和SK海力士保持长期合作关系，共同开发HBM4、HBM5等未来存储技术 [7] - 公司赞扬韩国是世界领先的存储技术制造国 [7] - 公司宣布向韩国政府及私营企业供应26万块先进GPU，计划将韩国的GPU基础设施从约6.5万块扩展至30万块以上 [9] - 此项与韩国合作的大型AI项目规模估计远超10万亿韩元 [9] 英伟达中国市场现状与韩国战略的动因 - 由于美国对半导体的出口管制，公司无法再向中国大陆企业销售先进产品，其在中国先进半导体市场的份额已从95%跌至0% [10] - 分析人士指出，公司选择韩国作为大规模合作的突破口，是为了弥补中美贸易紧张局势下萎缩的中国市场 [9][10] - 对于需要开拓新市场的公司而言，韩国因能获得国家对AI数据中心的全力支持而成为一个极具吸引力的选择 [10] 行业对英伟达韩国合作的看法与潜在影响 - 随着AI半导体对先进存储半导体需求激增，与全球前两大存储半导体厂商三星和SK海力士的合作对公司愈发重要 [10] - 有观点认为，此次合作将缓解业界和学术界在AI研发项目中面临的GPU供应短缺限制 [11] - 合作也引发"循环交易"的担忧，即韩国企业用向公司出售HBM等产品的收入来回购公司的GPU [9][11] - 随着谷歌、亚马逊等公司投身AI芯片研发，分析师认为公司的市场份额将逐渐下降 [10]

英伟达CEO对中国市场的观点 - 公司CEO黄仁勋不认同关于向中国出售最先进半导体的国家安全担忧 并声称合作符合各方最佳利益 [1] - 公司CEO表示将继续争取中国市场准入 并对中国作为AI领导者仍希望获得美国芯片持乐观态度 称中国市场是单一、至关重要、重要且充满活力的市场 无法被替代 [2] - 公司CEO认为服务中国市场符合美国利益 中国获得美国科技公司的技术也符合自身利益 这符合两国共同利益 [3] 美国出口限制与行业背景 - 美国出口限制阻止中国公司购买用于AI开发的先进半导体 [5] - 美国表示芯片限制旨在限制中国获取技术和生产先进芯片的能力 并限制其获得相关计算和AI应用 [6] - 公司CEO指出中国自身已能生产大量AI芯片 中国军方也能获得本土芯片 因此国家安全担忧需考虑中国已禁用H20芯片这一事实 [7] 对华为的竞争评估 - 公司CEO承认在芯片竞赛中领先 但强调低估中国实力和华为竞争力的行为是愚蠢的 [10] - 公司CEO称赞华为拥有非凡技术 主导全球5G标准 制造卓越智能手机和芯片 并对其推出CloudMatrix AI超算系统不感意外 [10] - 公司CEO表示认真对待竞争 尊重中国的能力 这正是公司快速创新以保持领先的原因 [11]

AI Agent市场爆发与算力需求激增 - 2025年全球AI Agent市场再度迎来爆发，例如Lovart Beta版本上线5天内注册用户超过10万人，Genspark仅用9天突破1000万美元ARR [1] - 全球AI算力需求并未因“百模大战”逐渐熄火而消退，反而随着模型复杂度与大规模实时互动需求增长而日益旺盛 [1] - AI Agent热潮导致AI算力严重不足，企业面临成本控制、弹性扩容以及庞大AI工具链配置和管理繁琐的巨大挑战 [1] 华为云全链条技术底座解决方案 - 华为云构建了覆盖硬件、算力、大模型、应用开放平台的全链条技术底座，以应对AI Agent规模化落地浪潮 [4] - 核心解决方案为“CloudMatrix384 x MaaS平台 x AI Token服务 x Versatile”，被视为Agent时代的顶格配置 [5][33] 华为云超强算力基础设施 - 华为发布Atlas 950 SuperPoD和Atlas 960 SuperPoD超节点，分别支持8192张及15488张昇腾卡，在卡规模、总算力等关键指标上全面领先业内 [7] - CloudMatrix云上超节点规格将从384卡升级至未来的8192卡，为客户提供澎湃算力 [3][19] 高性能计算在科研领域的应用 - 现代前沿科研对AI高性能计算依赖强烈，例如AlphaFold 3使用256个A100 GPU训练约20天，计算量达4E22 FLOP，是AlphaFold 2的10倍 [8][9] - 中国科学院发布基于CloudMatrix384昇腾AI云服务的“磐石·科学基础大模型”，接入1.7亿篇科技文献，将文献调研从3-5天缩短至20分钟，部分药物靶点发现研究效率加速超10倍 [12][14] 智能汽车行业的算力需求 - 智能驾驶平台模型算力需求爆炸式增长，汽车日益成为“长着四个轮子的超算中心” [16] - 长安汽车应用华为云CloudMatrix384超节点进行智能辅助驾驶研发，实际测试显示在E2E、VLA模型上其性能超过H100 [18] Token消耗量与MaaS服务增长 - 中国日均Token消耗量从2024年初的1000亿增长至2025年6月底的30万亿，1年半时间增长300多倍 [22] - 华为云MaaS服务支持DeepSeek、Kimi、Qwen等主流大模型，通过API接口让用户无需复杂训练即可调用AI能力 [23] AI Token推理服务的效能提升 - 华为云CloudMatrix384 AI Token推理服务上线，基于xDeepServe分布式推理框架，采用极致分离架构Transformerless，单卡吞吐达H20的2.5-4倍，最高可达2400 TPS [24] - 360纳米AI依托该服务处理每天上千万内容生成请求，其蜂群智能体协作完成复杂任务，5-10分钟视频可消耗千万级Token [25] 企业级Agent开发平台Versatile - 华为云发布企业级智能体平台Versatile，通过极简流程实现Agent生成，用户输入业务逻辑描述与流程图即可完成开发，将原本需30人天的工作缩至3人天，效率提升10倍 [27] - 慧通差旅利用Versatile打造Agent“通宝”，能实时提醒员工差旅情景、自动核查报销合规性，并打通三层数据飞轮持续优化 [29] AI Agent行业发展趋势 - 当前30%的年收入5亿元以上大型企业已建立专门AI Agent团队，63%的B端企业将其列为未来12个月关键布局 [30] - CB Insights预测，到2032年AI Agent市场规模将超千亿 [30] - 华为云AI云服务的全球客户数量从去年321家增长至今年1805家，落地千行百业 [31]

华为AI战略与技术革新 - 华为通过软硬协同构建全栈AI竞争力，通信设备行业迎来技术革新[1] - AI战略从对标SOTA模型转向为昇腾硬件量身定制架构，推出Pangu Pro MoE和Pangu Ultra MoE两大创新路径[1] - Pangu Pro MoE采用分组专家混合（MoGE）架构，Pangu Ultra MoE通过系统级优化解决负载不均衡问题，提升硬件效率[1] - 新一代AI基础设施CloudMatrix采用统一总线（UB）网络，构建分布式高速内存池，降低跨节点通信差异[1] - 支持PDC分离架构和大规模专家并行（LEP），将软硬协同创新拓展至AI系统工程领域[1] - 大模型从稠密转向MoE稀疏架构，华为聚焦分布式系统效率难题[1] 通信设备行业与相关指数 - 通信ETF（515880）跟踪通信设备指数（931160），聚焦通信设备制造及相关服务领域[1] - 指数成分股涵盖通信网络基础设施、通信终端设备生产及解决方案提供的上市公司证券[1] - 指数具有较高的技术含量和成长性特征[1] - 无股票账户投资者可关注国泰中证全指通信设备ETF联接C（007818）和A（007817）[1]

华为AI技术发展策略 - 公司通过从大模型设计到基础设施的软硬协同构建全栈AI竞争力 [1] - AI发展策略从对标业界SOTA模型转向为自研昇腾硬件量身定制模型架构 通过双向协同解决AI模型规模化应用中的系统性问题 [1] - 在大模型层面推出两种创新路径：Pangu Pro MoE通过分组专家混合（MoGE）架构解决负载不均衡问题 Pangu Ultra MoE通过系统级优化适配昇腾硬件实现训练和推理协同优化 [1] - 新一代AI基础设施CloudMatrix核心技术是统一总线（UB）网络 通过分布式高速内存池降低跨节点通信性能差异 为上层软件创新提供物理前提 [1] - 随着大语言模型转向混合专家（MoE）稀疏架构 公司将专家负载不均衡作为软硬架构创新核心方向 关注点从单纯硬件或算法问题拓展至在自研硬件上高效解决AI系统工程问题 [1] 通信设备行业指数特征 - 通信ETF（515880）跟踪通信设备指数（931160） 主要覆盖从事通信网络基础设施和通信终端设备等领域上市公司证券 [1] - 指数成分股具有较高技术含量和研发投入特征 行业配置侧重于5G和物联网等相关领域 [1]

华为AI战略与技术创新 - 公司正通过从大模型设计到基础设施的软硬协同构建全栈AI竞争力 策略从对标业界SOTA模型转向为自研昇腾硬件量身定制模型架构 [1] - 在大模型层面推出Pangu Pro MoE和Pangu Ultra MoE两种创新路径 分别通过分组专家混合（MoGE）架构和系统级优化解决负载不均衡问题 [1] - 新一代AI基础设施CloudMatrix通过统一总线（UB）网络构建分布式高速内存池 降低跨节点通信性能差异 [1] - 随着大语言模型转向混合专家（MoE）稀疏架构 公司将解决专家负载不均衡作为软硬架构创新的核心方向 [1] - AI战略核心在于模型的每一次进化都是为了更紧密地与昇腾硬件协同 构建软硬融合技术体系 [1] 创业板人工智能ETF产品特征 - 创业板人工智能ETF国泰（159388）跟踪创业板人工智能指数（970070） 单日涨跌幅可达20% [2] - 指数从创业板市场中选取涉及人工智能技术开发、智能服务等业务的上市公司证券作为样本 [2] - 指数成分股涵盖软硬件研发、智能应用解决方案等多个细分领域 具有显著的科技创新属性 [2]

华为AI战略与技术创新 - 公司正通过从大模型设计到基础设施的软硬协同构建全栈AI竞争力[1] - AI策略从对标业界SOTA模型转向为自研昇腾硬件定制模型架构[1] - Pangu Pro MoE采用分组专家混合（MoGE）架构解决负载不均衡问题[1] - Pangu Ultra MoE通过系统级优化适配昇腾硬件[1] - 新一代AI基础设施CloudMatrix通过统一总线网络构建分布式高速内存池[1] - 降低跨节点通信差异并支持PDC分离架构等软件创新[1] - 大模型转向混合专家（MoE）稀疏架构后聚焦解决专家负载不均衡系统性瓶颈[1] - 软硬协同路径已从单纯硬件或算法问题拓展至AI系统工程领域[1] 软件ETF产品信息 - 软件ETF（515230）跟踪软件指数（H30202）[1] - 指数从市场选取涉及软件开发、系统集成及互联网服务等业务的上市公司证券[1] - 反映软件行业相关上市公司证券的整体表现[1] - 指数成分涵盖应用软件、系统软件等信息技术领域细分行业[1] - 体现软件服务企业的技术创新能力和市场成长性[1] - 无股票账户投资者可关注国泰中证全指软件ETF联接A（012636）和C类（012637）[1]

华为AI发展战略 - 公司正通过从大模型设计到基础设施的软硬协同，构建全栈AI竞争力，策略从对标业界SOTA模型转向为自研昇腾硬件量身定制模型架构[1] - 双向协同进化路径旨在解决AI模型规模化应用中的系统性问题，构建由软硬件协同架构、算子与软件栈构成的全栈技术体系[1] 盘古大模型技术突破 - 盘古大模型核心为解决大规模分布式系统效率难题，聚焦混合专家（MoE）稀疏架构中的专家负载不均衡问题[1] - 公司创新方向从单纯硬件或算法问题拓展至在自研硬件上高效解决AI系统工程问题[1] 大模型创新路径 - Pangu Pro MoE采用分组专家混合（MoGE）架构，通过结构性设计解决负载不均衡问题[2] - Pangu Ultra MoE通过系统级优化和仿真先行设计方法适配昇腾硬件，实现训练与推理的协同优化[2] AI基础设施CloudMatrix - CloudMatrix以统一总线（UB）网络为核心技术，构建统一寻址的分布式高速内存池，降低跨节点通信性能差异[2] - 硬件发展为上层PDC分离架构等软件创新提供物理前提，支持大规模专家并行（LEP）和AIV-Direct等算子级优化[2]

行业投资评级 - 报告未明确提及行业投资评级 [1] 核心观点 - 华为通过盘古大模型与昇腾AI计算平台构建软硬一体的AI技术体系，从追赶SOTA模型转向为昇腾硬件量身定制模型架构 [2] - 盘古大模型演进的核心是解决大规模分布式系统中的效率难题，特别是混合专家(MoE)架构的负载不均衡问题 [2] - 华为推出Pangu Pro MoE和Pangu Ultra MoE两种创新路径，分别通过架构创新和系统级优化最大化昇腾硬件效率 [2] - CloudMatrix AI基础设施通过统一总线网络等技术创新，为上层软件创新提供物理基础 [4] - 全栈协同是华为AI的核心战略路径，包括模型开放和硬件生态建设 [5] 目录总结 盘古大模型演进 - 盘古大模型从PanGu-α(2000亿参数)起步，基于昇腾910和MindSpore框架 [6] - PanGu-Σ(1.085万亿参数)首次尝试稀疏化架构，采用随机路由专家(RRE)和ECSS异构计算方案 [8][9][11] - 盘古3.0推出"5+N+X"三层架构，面向政务、金融等行业深度优化 [15][16] - 盘古5.5全面拥抱MoE架构，Pangu Ultra MoE(718B参数)和Pangu Pro MoE(72B参数)针对昇腾硬件优化 [20][21] Pangu Pro MoE创新 - 采用分组专家混合(MoGE)架构，通过结构性设计解决负载不均衡问题 [26][28] - 在昇腾800I A2硬件上实现Prefill阶段吞吐量比72B稠密模型高203% [40] - 推理阶段达到平均每卡1148 tokens/s，使用多令牌预测后提升至1528 tokens/s [40] Pangu Ultra MoE优化 - 采用仿真先行设计方法，通过系统仿真确定最优模型架构 [48] - 选择Dropless路由和EP-Group辅助损失，优先保障模型性能 [49][51] - 在6000卡昇腾集群上实现30%模型算力利用率(MFU)，相对基线提升58.7% [55] CloudMatrix基础设施 - 采用PDC解耦架构，将Prefill、Decode和Caching分离为独立资源池 [66] - 通过统一总线(UB)网络实现跨节点通信延迟仅1.9µs，带宽164GB/s [88] - 昇腾910C NPU采用双Die封装和异构设计，单芯片提供752 TFLOPS BF16算力 [97] - CANN软件栈连接上层框架与底层硬件，支持算子融合等优化 [102]

行业投资评级 - 报告未明确提及行业投资评级 [1][2][3][4][5][6] 核心观点 - 华为盘古大模型从追赶SOTA模型转向为自研异腾硬件量身定制模型架构，构建软硬一体AI技术体系 [4][12] - 盘古大模型演进路径：PanGu-α（2000亿参数）→ PanGu-Σ（1.085万亿参数稀疏架构）→ 盘古3.0（"5+N+X"行业架构）→ 盘古5.5（全面拥抱MoE架构） [12][15][17][21][27][30] - Pangu Pro MoE采用分组专家混合（MoGE）架构解决负载不均衡问题，实现理论负载均衡 [37][38][45][46] - Pangu Ultra MoE通过仿真先行设计方法优化模型架构，在6000卡异腾集群上实现30%模型算力利用率（MFU） [64][68][71][82] - CloudMatrix基础设施通过统一总线（UB）网络和三平面架构支撑大规模AI推理，DeepSeek-R1模型推理效率达1.29 tokens/s/TFLOPS [88][93][97][102][113] 盘古大模型演进 - PanGu-α（2021年）：基于2048颗异腾910和MindSpore框架训练，采用五维并行策略，验证全栈自主技术路线可行性 [12][13] - PanGu-Σ（2023年）：1.085万亿参数稀疏模型，采用随机路由专家（RRE）和专家计算存储分离（ECSS）技术，训练吞吐量提升6.3倍 [15][17][18] - 盘古3.0（2023年）：提出"5+N+X"三层架构，覆盖气象、药物分子等行业应用，千卡训练长稳率达90% [21][22][23][24] - 盘古5.5（2025年）：推出Pangu Ultra MoE（718B参数）和Pangu Pro MoE（72B参数），全面优化MoE架构适配异腾硬件 [30][31][32] Pangu Pro MoE技术亮点 - MoGE架构将64专家分为8组，每组绑定1个NPU，强制每组激活1专家，实现理论负载均衡（IS=0） [45][46][54] - 训练阶段采用EP=2和PP=5流水线优化，MFU提升35%；推理阶段实现每卡1148 tokens/s吞吐量 [52][56][57] - 为异腾硬件定制MulAttention和SwiftGMM融合算子，注意力计算性能提升4.5倍 [59][61] Pangu Ultra MoE系统优化 - 通过仿真平台从10,000个候选配置中选出最优架构（61层/7680隐层/256专家），仿真与真实训练吻合度达90.1% [64][68][71] - 采用Dropless路由和EP-Group辅助损失，避免8% token丢弃率对模型性能的影响 [72][76] - 分层专家并行通信和自适应流水线重叠技术实现95%通信重叠率，训练效率提升58.7% [77][78][81][82] CloudMatrix基础设施 - UB网络实现NPU间164GB/s带宽和1.9μs延迟，跨节点性能衰减低于3% [102][121][122] - PDC解耦架构将Prefill、Decode与Caching分离为独立资源池，支持弹性伸缩 [97][98][101] - AIV-Direct通信机制绕过SDMA引擎，使通信延迟降低至微观指令级别 [108][109][132] - 异腾910C NPU采用AI Cube和AI Vector异构设计，支撑算子级深度融合 [132]