行业与公司 - 行业：高性能计算（HPC）、人工智能（AI）基础设施、光通信 - 公司：Nvidia（英伟达）[1][3][9] 核心观点与论据 1 **Nvidia Blackwell架构与DGX GB200 NVL72系统** - Nvidia发布Blackwell架构的8+种SKU，重点展示垂直集成的DGX GB200 NVL72系统，包含72个GPU、36个CPU、18个NVSwitch、72个InfiniBand NIC（后端网络）和36个Bluefield 3以太网NIC（前端网络）[1][2][10] - 技术规格： - FP4 AI算力1,440 PFLOPS，FP8 725 PFLOPS，FP16 362 PFLOPS - 72个Blackwell GPU，HBM3e内存总量13.3TB，总快速内存30.2TB - 互联：72个400Gb/s InfiniBand ConnectX-7 NIC + 36个200Gb/s InfiniBand/Ethernet BlueField-3 NIC[11] 2 **NVLink与光模块的争议** - NVL72通过5,184条铜缆（总长2英里）实现72个GPU互联，节省20千瓦功耗（若使用光模块需额外20千瓦）[5][6] - 市场误认为NVLink会减少光模块需求，但实际后端网络仍需72个400G/800G OSFP端口（每GPU一个），光模块与GPU比例不变[7][8][12] - 光模块需求仅在实际部署单机架时可能减少，但客户通常采购多机架[13] 3 **Clos非阻塞胖树网络架构** - H100采用Clos网络设计，支持400G全带宽互联，可扩展至2048个GPU（2层网络），更大规模需3层核心交换机[15][17][29] - 示例：512 GPU集群需16个叶子交换机（32端口800G）、8个主干交换机，总计1,280个光模块（2.5个/GPU）[18][20][30] - 2048 GPU集群需64个叶子交换机、32个主干交换机，光模块总数5,120（2.5个/GPU）[29][30] 4 **真正的光模块威胁：144端口Quantum-X800交换机** - Nvidia新推出的144端口1.6T交换机（Quantum-X800 Q3400-RA）使用72个OSFP端口（1.6T双端口光模块），总带宽115.2T（4倍于前代）[32][34] - 优势： - 9,216 GPU集群可保持2层网络（原需3层），减少70%交换机和27%光模块[36][37] - 光模块/GPU比例从3.5降至2.56[35][37] - 采用ConnectX-8（800G）和Quantum-X800的客户将降低光模块总量，但ASP可能提升[40] 其他重要内容 - **光模块市场影响**：1.6T光模块将逐步替代400G/800G，Nvidia的光网络架构变化可能重塑供应链需求[32][40] - **技术细节**： - 铜缆NVLink的功耗优势（20千瓦节省）[5] - 交换机层级对光模块数量的非线性影响（如4096 GPU集群需14,336个光模块）[30] - **行业误判**：市场最初高估NVLink对光模块的替代，实际需求取决于网络规模与交换机选择[7][8][36]

July 29, 2025 03:04 PM GMT Tracking China's Semi Localization | Asia Pacific Shanghai WAIC key takeaways – rapid development of China AI semi technology We attended the World AI Conference (WAIC) in Shanghai and witnessed how much effort China has been making on both the AI hardware and software fronts with AI processors, networking and applications etc. all evolving. China AI inference demand still strong. At WAIC, we saw consumer-facing AI applications having already transcended chatbots, e.g. AI agents, ...

核心观点 - 华为推出CloudMatrix 384机架系统，搭载昇腾P910C NPU，性能超越Nvidia H20，成为中国市场强劲替代品 [3][6][7] - 华为通过大规模集群设计（384个NPU）实现系统级性能优势，但牺牲了计算密度和能效 [9][11][15] - 在推理性能方面，华为系统展现竞争力，部分指标优于Nvidia H800 [13][14] - 中国市场的特殊性使华为获得竞争优势，但产能和成本仍是挑战 [16][17] 产品性能对比 芯片级对比 - 昇腾P910C FP16性能达752 teraFLOPS，是Nvidia H20的两倍多 [6] - P910C内存容量128GB，高于H20的96GB，但内存带宽3.2TB/s略低于H20 [6][4] - 相比Nvidia Blackwell GB200，P910C密集FP16性能约为其60% [3] 系统级对比 - CloudMatrix 384包含384个NPU，是Nvidia NVL72系统（72个GPU）的5倍多 [3][11] - 华为系统FP16性能达7.5倍，内存带宽5.6倍，内存容量3.4倍于NVL72 [11] - 华为系统占地面积是NVL72的16倍，功率约600kW vs NVL72的120kW [15] 技术架构 - P910C采用双计算芯片设计，通过540GB/s互连连接 [4] - 统一总线(UB)技术支持最多165,000个NPU的集群扩展 [9][11] - CloudMatrix-Infer平台实现高吞吐量推理，DeepSeek R1测试达6,688输入token/s [13][14] 市场与成本 - CloudMatrix 384售价约820万美元，Nvidia NVL72约350万美元 [16] - 中芯国际的制造能力是华为产能关键瓶颈 [16] - Nvidia已追加30万片H20订单满足中国需求 [17]

公司业绩与市场表现 - 英伟达股价在三个月内上涨50%，从芯片制造商转型为全栈AI基础设施领导者[1] - 公司预计第二季度营收将达到450亿美元，高于市场预期，毛利率保持在75%以上[1] - 自由现金流利润率超过60%，显示出强劲的盈利能力[1][14] 产品路线图与技术优势 - Blackwell(GB200)和Spectrum-X推动投资者关注点从硬件转向平台盈利[1] - 2025年GB300系列将提升推理吞吐量50%，内存利用率和每瓦性能[4] - 2026年Vera Rubin架构基于HBM4内存和3nm节点，推理计算能力比GB300高三倍[4] - 2027年Rubin Ultra设计将提供15 exaFLOPS的FP4吞吐量，是GB300的14倍[5] - RTX 50系列显卡支持GDDR7显存和DLSS 4技术，推动消费级市场增长[7] 市场机会与竞争格局 - AI基础设施市场规模预计达3000-4000亿美元，公司计划投入100亿美元研发[10][12] - 竞争对手包括AMD的MI325X/MI400系列、Groq和Tenstorrent的推理专用芯片[12] - 出口管制导致45亿美元数据中心收入损失，但符合标准的H20等产品带来100-150亿美元机会[7][16] 财务与估值分析 - 市盈率54倍(预期40倍)，较行业平均水平溢价64%-130%[12] - PEG比率0.68(GAAP)和1.37(非GAAP)，低于行业中值[14] - 预期市销率21倍，EV/EBIT 34倍，较行业标准溢价560%-660%[14] 生态系统与长期优势 - CUDA、NeMo软件生态系统和平台粘性构成核心竞争力[14][17] - 机架级系统集成(硬件+软件+网络)提供定价权和商品化隔离优势[10] - 供应链整合和多节点路线图巩固行业领导地位[17]

纪要涉及的公司和行业 - **公司**：英伟达（NVIDIA）、台积电（TSMC）、联华电子（UMC） - **行业**：人工智能（AI）、半导体、数据中心 纪要提到的核心观点和论据 英伟达架构与战略转变 - **核心观点**：英伟达的Blackwell架构旨在应对生成式AI和大语言模型带来的计算和互连需求挑战，且AI基础设施正从生成式模型向更具自主性的AI未来转变 [5][6] - **论据**：由生成式AI和大语言模型的爆炸式增长，数据中心对计算性能和互连带宽的需求达到前所未有的水平，Blackwell架构采用超大型GPU集群和先进互连系统 [5] NVLink5的关键作用 - **核心观点**：NVLink5是英伟达从生成式模型向自主性AI未来转变的关键推动者，适用于扩展GPU架构 [7] - **论据**：NVLink5通过高密度铜缆实现大规模GPU间带宽，同时保持可管理的功率和延迟限制，如在NVL72和未来的NNL576集群中 [7][8] 光子技术的发展趋势 - **核心观点**：随着数据速率提升，传统电气互连面临物理限制，光子技术如硅光子学将成为未来AI基础设施的重要组成部分 [10] - **论据**：数据速率向400Gbps及以上发展时，传统电气互连达到物理极限，英伟达与台积电合作开发硅光子技术，并将其应用于Quantum X平台 [10][12] 铜缆与光纤互连的应用场景 - **核心观点**：在AI计算扩展中，铜缆适用于节点内扩展（Scale - Up），光纤互连适用于节点间扩展（Scale - Out） [20][21] - **论据**：节点内距离短（通常小于1米），高速铜互连如PCIe和NVLink因低延迟和成熟生态系统是首选；节点间距离增加，对信号完整性、带宽密度和可靠性要求提高，光纤互连更具优势 [20][21] NVL72架构的重要性 - **核心观点**：NVL72高密度计算架构强调铜缆在下一代AI平台中的关键作用 [32] - **论据**：该架构由GB200超级芯片模块、NVLink开关托盘、垂直主干双轴电缆和电缆盒组成，基于NVLink5互连协议构建 [32] 信号完整性和电缆管理策略 - **核心观点**：在NVL72系统中，维护信号完整性和确保高效电缆管理是核心工程挑战，英伟达采用多方面策略应对 [41] - **论据**：通过SerDes调优、特定电缆设计和全自动化组装等策略，确保在200Gbps PAM4信号传输下的稳定性能 [41] 系统配置和可扩展性设计 - **核心观点**：GB200 NVL72和NVL36系统具有不同配置和可扩展性，满足不同计算需求 [54][57] - **论据**：NVL72可实现72个GPU的全连接，NVL36适用于模块化部署并可通过外部OSFP光模块扩展连接性 [54][57] Kyber机架的创新意义 - **核心观点**：Kyber机架重新定义了机架级架构，为未来AI超级计算平台奠定基础 [81][82] - **论据**：它能够堆叠4个NVL72系统，共288个GPU，具有超密集计算集成、外形优化、被动中平面互连和模块化铜基扩展潜力等特点 [77][78][79][80] 向400Gbps PAM4时代迈进 - **核心观点**：英伟达预览的NNL576架构标志着向400Gbps PAM4时代的重大飞跃，未来数据中心连接将采用混合互连架构 [87][88] - **论据**：NNL576的每通道信令速度翻倍至400Gbps，有效吞吐量可达448Gbps，需要互连支持更高带宽、更低误码率和更严格的信号损耗预算 [87][94] 其他重要但是可能被忽略的内容 - **DAC铜缆市场增长**：根据LightCounting估计，到2027年DAC铜缆连接市场将超过12亿美元，2023 - 2027年复合增长率为25%，远超AOC市场的14% [31] - **NVLink各代性能对比**：不同代NVLink在每GPU带宽和最大GPU连接数上有显著提升，如第二代NVLink每GPU带宽为300GB/s，第五代达到1800GB/s [67] - **Kyber机架目标应用**：Kyber机架旨在支持英伟达即将推出的Ruben Ultra计算平台，为高级自主性AI工作负载提供动力 [75]

系统级算力发展趋势 - AI大模型训练和推理需求持续旺盛，scaling law在后训练和在线推理方向持续演进 [1] - 底层基础设施向更大集群发展，单芯片算力提升受先进制程影响迭代速度可能放缓，系统级节点通过解决互连、网络、内存墙等问题成为重要方向 [1] - 系统级算力有望成为AI发展的下一站，国产GPU芯片公司可能通过高资源密度算力基础设施实现对海外产品的追赶和超越 [1] 系统级算力的技术需求 - 芯片层面涉及AI加速芯片、CPU芯片、Switch互连芯片、DPU数据处理芯片，国产AI加速芯片在峰值算力和软件生态上仍落后于海外旗舰产品 [2] - 互连层面NVLink5.0提供1.8TB/s双向带宽，远超传统PCIe方案十倍，国产芯片需自研技术方案助力系统集群发展 [2] - 网络层面采用RDMA技术实现远程内存访问，主流技术包括InfiniBand、RoCE等 [2] - 整机层面系统级算力需通过系统设计、规划、测试完成，与传统AI服务器相比更需垂直融合能力 [2] 系统级算力的技术示范 - 单芯片算力发展快于通信领域，通信效率成为集群效率提升关键因素 [3] - 构建大集群的两种方式：Scale up（纵向扩展）和Scale out（横向扩展），Scale up因更大带宽、更低时延和更大缓存一致性内存空间成为重要方向 [3] - 英伟达NVL72系统和华为CloudMatrix384超节点为行业发展提供示范 [3] 半导体行业的整合趋势 - 半导体行业通过收并购进行技术整合与市场拓展，头部企业通过并购获取市场机会并扩展技术能力 [4] - 英伟达收购Mellanox扩展NVLink至IB等RDMA网络，为下一代大规模计算集群做技术储备 [4] - AMD收购ZT Systems获取系统架构设计能力和数据中心解决方案交付经验，构建AI解决方案核心 [4] 未来基础设施的关键因素 - 底层通用性与技术前瞻性对未来基础设施搭建至关重要，应用发展将随之带来回报 [5]

报告行业投资评级 看好 —— 计算机行业 [2] 报告的核心观点 本周计算机行业呈现超节点趋势和3D打印消费级需求释放两大趋势，同时新国都、海光信息、北森控股等重点公司有重要进展，投资者可关注数字经济领军、AIGC应用等多领域标的 [2][3] 根据相关目录分别进行总结 从华为CloudMatrix384看AI服务器未来趋势 - GPU互联规模和效率决定AI服务器集群性能，其扩大有Scale - up和Scale - out两个方向，二者在协议栈、硬件拓扑、容错机制和通信效率上存在本质差异 [4] - Scale - up突破单服务器/机柜限制进入“超节点”时代，核心是实现节点内GPU全互联，华为CloudMatrix384和英伟达NVL72已验证该趋势 [2][6] - CloudMatrix384通过增大Scale - up规模弥补单卡性能短板，提升整体算力和MoE模型训推效率，其拓扑结构和产品形态与NVL72有差异 [17] - CloudMatrix384已规模上线，下游客户丰富，其方案将推动AI芯片以“超节点”形式出货、400G多模或LPO采购增加、AIDC需求增加和液冷渗透率提升等产业链新趋势 [24][25] - Scale - out方面，以太网性价比不输Infiniband，预计未来二者在AI服务器集群中二元共存局面将继续保持 [25] 3D打印：从工业级到消费级，需求有望快速释放 - 25年5月我国3D打印设备产量同比增长40%，消费级3D打印产品因价格下探和操作简化迎来快速增长阶段 [2][28] - 3D打印是增材制造技术，核心价值是突破模具限制，实现设计自由度与制造效率跃升，其实现对操作者有一定门槛，性价比及产品精度是厂商核心 [30][32][33] - 当前主流3D打印技术呈现差异化发展路径，FDM是消费级主流选择方案，3D打印核心竞争力体现在设计自由度、定制化能力、成本效率和可持续性四个维度，产业化应用跨领域拓展 [40][41][42] - 3D扫描仪可降低3D打印使用门槛，提升精度，3D打印核心产业链相关公司包括消费级3D打印机整机、3D打印核心部件和3D扫描仪企业 [45][50] 重点公司更新 新国都：AIGC与支付出海 - 公司海外本地收单在国内A股上市收单公司中领先，海外重点布局SoftPOS发展海外移动支付，获全球首张MPoC证书 [51] - 公司海外AIGC布局已产生正收益，海外参股公司Duality Intelligence Limited已推出多款AI应用，2023年公司从参股AI公司取得投资收益约3364万元 [52] - 国内收单行业出清，费率止跌回升，公司收单业务综合排名靠前，有望享受行业出清红利 [52] 海光信息：换股合并中科曙光，长期打造国产算力“航母” - 海光信息发布换股吸收合并中科曙光并募集配套资金暨关联交易预案，换股方案实际曙光价格溢价254亿元，海光拟定增配套换股 [53] - 本次整合有利于公司业务拓展，最终打造国产算力领军“航母” [53] 北森控股：一体化HR SaaS，深耕HR领域20余年 - 公司以人才招聘、测评为基础，打造一体化HR SaaS及人才管理解决方案iTalentX，助力企业提升组织效能 [56] - iTalentX 8.0升级2000 +功能和场景，扩大一体化产品领先能力 [56] - 公司核心能力来自心理学研究，独家语料形成核心壁垒，随着大模型能力增强，公司优势将被放大 [60] 风险偏好判断以及重点标的 - 数字经济领军：海康威视、金山办公等 [62] - AIGC应用：金山办公、新致软件等 [64] - AIGC算力：浪潮信息、海光信息等 [64] - 数据要素：税友股份、博思软件等 [64] - 信创弹性：海光信息、太极股份等 [64] - 港股核心：中国软件国际、金蝶国际等 [64] - 智联汽车：德赛西威、虹软科技等 [64] - 新型工业化：中控技术、赛意信息等 [64] - 医疗信息化：润达医疗、嘉和美康等 [64]

MLPerf基准测试结果分析 - Nvidia GPU在最新MLPerf基准测试中保持主导地位 包括对Llama 3 1 403B大型语言模型预训练的顶级性能表现 [1] - AMD首次提交训练基准测试 其Instinct MI325X GPU在LLM微调任务中性能与Nvidia H200相当 但整体落后Nvidia一代 [1][3] - AMD Instinct MI325X相比前代MI300X性能提升30% 主要由于高带宽内存增加30% [3] 基准测试任务特点 - 本次测试包含6个行业相关机器学习任务 包括内容推荐 LLM预训练/微调 目标检测 图像生成和图节点分类 [1] - LLM预训练是最资源密集的任务 本次使用Meta Llama 3 1 403B模型 规模是GPT3的两倍多 上下文窗口扩大4倍 [2] - 预训练后通常进行微调而非"训练" 微调是针对特定任务改进模型的关键阶段 [2] 硬件性能表现 - Nvidia Blackwell GPU在所有六项基准测试中取得最快训练时间 这是Blackwell首次大规模部署 [2] - 最大规模提交使用8192块GPU 性能扩展接近线性 达到理想性能的90% [7][9] - NVL72套件通过NVLink连接36个Grace CPU和72个Blackwell GPU 形成"单个大型GPU"系统 [9] - 相比历史记录 本轮最大提交GPU数量(8192)少于前几轮(超10000) 反映硬件效率提升 [12] 行业技术趋势 - 更大模型成为行业趋势 Llama 3 1 403B基准测试反映了这一发展方向 [2] - 网络连接效率对大规模训练至关重要 NVL72和InfiniBand技术显著提升多GPU协同效率 [7][9] - 能效问题受关注 两块Blackwell微调LLM耗电6 11千兆焦耳(1698千瓦时) 相当于小型房屋冬季供暖能耗 [13] 其他参与者表现 - 谷歌使用Trillium TPU提交了图像生成任务的单一基准测试 [3] - Cerebras采用晶圆级集成技术 声称推理性能比Blackwell好两倍以上 但测试方法不同于MLPerf [12] - 仅联想提交了功耗测量结果 行业呼吁更多公司参与能效测试 [13]

报告行业投资评级 - Amphenol Corp评级为买入 [3][16] - Dell Technologies评级为买入 [3][23] - Super Micro Computer, Inc.评级为中性/高风险 [3][30] 报告的核心观点 - 改善的AI需求前景和NVLink Fusion对连接器组件有利，特别是Amphenol；Wistron的积极评价支持Dell AI收入增长；企业AI处于发展阶段，模块化架构可推动边缘AI应用；主权AI部署是趋势，为供应商带来机会；物理AI和机器人从概念走向部署；AI PC有新进展但投资者对近期应用存疑 [1] 各公司总结 Amphenol Corp - 公司是全球第二大连接器制造商，业务覆盖多个领域，2024财年销售按终端市场划分包括工业、汽车等 [15] - 评级为买入，受益于多领域电气化趋势，多元化市场、全球制造、强执行力等使其历史表现优于同行，有望恢复高于市场的销售和盈利，资产负债表强且持续分红 [16] - 目标价100美元，基于33倍PE应用于2026财年预期每股收益，高于同行和5年中值PE倍数 [17] Dell Technologies - 公司是技术硬件领先供应商，业务包括基础设施解决方案、客户端解决方案等多个板块 [22] - 评级为买入，广泛业务、规模使其能跑赢IT支出趋势，技术硬件周期性复苏，领先市场份额和AI产品将推动营收增长，预计自由现金流利润率恢复正常 [23] - 目标价128美元，基于12.5倍P/E倍数应用于N24M每股收益估计，同行交易范围在8 - 15倍 [24] Super Micro Computer, Inc. - 公司设计、开发和制造高性能服务器和存储系统，产品涵盖服务器、子系统等，服务多个市场 [28] - 评级为中性/高风险，向高增长HPC/AI计算转型，是服务器市场重要参与者，但AI服务器竞争加剧和关税不确定性影响积极看法 [30] - 目标价37美元，基于9 - 9.5倍P/E倍数应用于2027财年估计，同行中值PE NTM约10倍，因调查和护城河缩小给予折价 [32]

纪要涉及的行业和公司 - **行业**：AI芯片、半导体 - **公司**：华为、英伟达、中芯国际（SMIC）、北方华创（Naura）、中微公司（AMEC）、盛美上海（ACMR）、华大九天（Empyrean Technology）、长电科技（JCET）、通富微电（Tongfu Microelectronics）、华海清科（HHCK Advanced Materials）、四川华丰科技（SichuanHuafengTech）、方正科技（ChinaFastPrint）、神州数码（Digital China Group）、比克动力（Bichamp）、申菱环境（Shenling）、飞荣达（FRD）、川润股份（Chuanrun）、SK海力士（SK hynix）、Ecopro BM、HD现代电气（HD Hyundai Electric Co Ltd）、L&F Co Ltd、LG Display、LG电子（LG Electronics）、三星电子（Samsung Electronics）、三星SDI（Samsung SDI）、瑞安金（Ryan Kim）、法杜公司（Fadu Inc）、汉美半导体（Hanmi Semiconductor Co. Ltd.）、伊苏佩塔西斯（Isu Petasys Co. Ltd.）、利诺工业（Leeno Industrial Inc.）、乐天能源材料（Lotte Energy Materials Corp）、LS电气（LS Electric）、浦项制铁未来M（POSCO FUTURE M）、SK IE Technology、沃尼克IPS（Wonik IPS Co Ltd）、LG Innotek、三星电机（Samsung Electro-Mechanics）、首尔半导体（Seoul Semiconductor） 纪要提到的核心观点和论据 华为CloudMatrix 384 Supernode系统 - **核心观点**：华为推出的CloudMatrix 384 Supernode系统可解决中国计算能力瓶颈，推动AI创新，挑战美国AI硬件主导地位，重塑AI市场[1][7][9] - **论据**：该系统基于384颗华为昇腾910C AI芯片，系统性能与英伟达GB200 NVL72相当，计算能力达300 PFLOPS，超英伟达NVL72系统的180 PFLOPS；已用于支持DeepSeek - R1；华为AI解决方案已在超60个国家部署，服务超1500个客户，云解决方案有140家运营商和500家金融机构客户[1][9] 中美AI芯片发展策略差异 - **核心观点**：中美在AI芯片发展上采取不同策略，未来AI计算更注重系统工程[13] - **论据**：英伟达追求计算极限、铜互连和统一内存模型，优化每瓦功耗；华为因受限无法拥有最先进芯片，采用大量昇腾处理器扩展规模，利用光网络和大内存池，发挥国内电力和网络资源优势 中国AI芯片发展潜力 - **核心观点**：中国企业不依赖西方最先进技术也能实现可比芯片竞争力，未来发展前景好[2][30] - **论据**：中国在芯片设计和生产方面的研究论文数量是美国的两倍；华为虽当前效率不高，但产品能满足中国需求，获取市场份额和收入以支持进一步投资 相关公司发展情况 - **核心观点**：中芯国际产能有望提升，华为昇腾芯片产量和性能有发展空间[24][25][23] - **论据**：中芯国际预计到2025年底将先进节点产能提升至70k wafers per month，若7nm产能翻倍，可生产3 - 400万颗国产GPU；假设中芯国际为华为分配15k wafers per month先进节点产能，每年可生产360万颗AI GPU；华为新的昇腾920 AI芯片将采用中芯国际6nm工艺，性能提升30 - 40% 其他重要但是可能被忽略的内容 - **华为CloudMatrix 384系统不足**：该系统功耗是GB200 NVL72的3.9倍，每FLOP功耗高2.3倍，每TB/s内存带宽功耗高1.8倍，每TB HBM内存容量功耗高1.1倍，但中国电力资源丰富、成本低，可弥补效率不足[10][19] - **华为芯片供应挑战**：华为910C芯片设计在中国，由台积电代工，使用韩国HBM和多国设备；中芯国际虽能生产部分昇腾910B/C，但产能有限；国内DRAM生产商长鑫存储至少一年后才能生产旧款HBM2E；当前对中国HBM出口禁令针对裸HBM封装，含HBM的GPU/ASIC芯片只要不超FLOPS规定仍可发货[22] - **中国半导体其他突破**：2024年9月上海交通大学无锡光子芯片研究院启动国内首个光子芯片中试线，计划2025年第一季度发布首个PDK，年产能1万片晶圆；北京大学团队2024年宣布世界首个基于碳纳米管的张量处理器芯片；2025年2月北京大学团队发布世界首个基于Bi₂O₂Se的2D低功耗GAAFET晶体管[33][34]