涉及的行业与公司 * **行业**：人工智能（AI）算力、AI芯片设计与制造、数据中心基础设施 * **公司**：Anthropic、谷歌（Google）、英伟达（NVIDIA）、博通（Broadcom）、台积电（TSMC）、英特尔（Intel）、联发科（MediaTek）、亚马逊（AWS）、Meta、XAI、富士康工业互联网（FII）、Marvell、Astera Labs、澜起科技（Montage Technology）[1][3][4][5][6][11][12][14][15][16][17][19][21] 核心观点与论据 Anthropic的算力结构转型与规划 * Anthropic当前算力结构中，英伟达GPU占比最高，约为65%，主要通过AWS获得；AWS Trainium 2占比约10%；剩余部分为谷歌TPU[6] * 预计到2026年，Anthropic算力构成将发生显著变化：谷歌TPU占比将升至30%-35%，英伟达GPU占比将相应下降至50%左右[1][7] * 部署TPU的核心目标之一是替代英伟达GPU的推理任务以降低成本[1][8] * Anthropic已确定需要投入约100亿美元用于算力采购[10] 谷歌TPU的产能、出货与客户分配 * 2025年谷歌TPU出货量约为300万颗，预计2026年将增至420万至450万颗，其中外销芯片将超过100万颗[1][4][16] * 谷歌自身的Gemini大模型及其他需求每年消耗约100万至150万颗TPU，对应约2到2.5吉瓦算力，这部分需求有保障且趋于稳定[4] * Anthropic在合作中直接购买TPU芯片（外售模式），而非租用云服务[19] * Anthropic将获配的TPU数量：2026年40万颗，2027年60万颗[1][4] * 2026年交付的40万颗TPU将主要用于推理，而非大规模集群训练[8] 谷歌TPU v8的架构革新与供应链变化 * **内存池化方案**：TPU v8（预计2027年）将引入基于CXL（Compute Express Link）的内存池化方案，实现存算分离[1][10] * **HBM用量变化**：v8单芯片的HBM用量将减少约30%，但通过共享DDR内存池，总存储容量将提升至原有方案的1.5到2倍[1][24] * **代工产能转移**：因台积电先进封装产能被英伟达锁定，谷歌计划在2027年将20%-30%的TPU产能转移至英特尔，采用其EMIB封装技术[1][17] * **2026年出货构成**：TPU v6上半年出货约110万颗；TPU v7全年出货约200万颗；TPU v8下半年出货100万至120万颗[16] * **HBM供应**：TPU v8将切换至HBM4，谷歌已有确定的HBM供应，但获取量不及英伟达[16] 合作模式与生态关系 * **Anthropic-谷歌-博通合作模式**：博通负责底层TPU设计及TPU间通讯技术；谷歌提供3.5吉瓦TPU集群，负责数据中心部署环境及通过Vertex AI平台提供服务；Anthropic购买芯片，将硬件和数据中心搭建交由合作伙伴，专注于模型和Agent系统[3] * **新模式利弊**：利在于获得深度定制化服务和架构优化，弊在于成本控制权不在Anthropic手中[3] * **Anthropic的多元供应商策略**：合作伙伴不限于谷歌，也少量使用AWS的Trainium架构，其下一代训练芯片（Trainium 4）已计划由博通协助设计，预计最早2027年下半年推出[5] * **对英伟达的策略**：Anthropic采用TPU以降低成本，未来当TPU达到一定规模后，可能以此为筹码向英伟达争取更优惠价格，但短期内超过50%算力仍依赖GPU[23] AI推理优化与互联技术趋势 * **推理阶段芯片定制化**：未来将针对Prefill和Decode阶段采用不同定制芯片以实现成本效率最优化[1][14] * **联发科v8a芯片**：由联发科协助设计的v8a芯片侧重低延迟推理，2026年供应量约60万颗，2027年可能突破100万颗[1][15] * **互联技术演进**： * OCS（Optical Circuit Switch）方案因成本比传统以太网高出约50%，将逐步被取代[2][20] * 博通战略重点转向CPO（Co-Packaged Optics）工艺，预计2027年进入小规模量产[2][11] * 未来更倾向于发展Scale-up Ethernet方案，因其采用开放以太网协议，便于混合部署不同厂商芯片，实现更好的互联互通[11][20] * **内存池化供应商**：谷歌TPU的内存池化方案主要由博通提供；其他客户（如微软、亚马逊）可能采用联发科或Marvell的CXL技术[14] 其他重要参与方动态 * **亚马逊与博通合作**：已于2026年Q1确定合作，启动下一代训练芯片（Trainium 4）前期设计，旨在成为2027-2028年主要部署型号，预计2027年下半年推出并规模化量产[15] * **Meta与XAI的采购策略**：倾向于直接购买AI芯片并进行定制化组网，因长期看租用成本更高[21] * **Meta**：是外部芯片采购种类最多的公司之一，涵盖AMD、谷歌、英伟达GPU，其自研AI芯片年出货量约40万颗[21] * **XAI**：自身在研发芯片，预计2027年推出由博通代工的产品，此前也向谷歌大量购买芯片[21] * **服务器代工**：谷歌TPU服务器代工主要由富士康工业互联网负责，份额占比70%至80%[19] 其他重要但可能被忽略的内容 * **Anthropic总算力规模**：截至目前，Anthropic总算力约2吉瓦，其中训练算力占比稍高约70%，预计到2026年底训练算力比例将降至50%以下[7] * **3.5吉瓦合作计划分布**：2026年部署近1吉瓦算力（主要推理），2027年累计达2吉瓦以上；与此前1吉瓦计划无冲突，后者属于架构升级[9] * **谷歌产品性能下降原因**：用户体验到的性能下降主要源于带宽和电力问题，而非算力短缺；谷歌可能对非付费用户采用“低功耗模式”以节约电力成本[5] * **模型训练依赖**：目前绝大多数主流大模型（除谷歌Gemini）几乎100%使用英伟达芯片进行训练，因其CUDA生态系统效率最高[6] * **CXL方案供应商**：主要厂商包括博通、Marvell、Astera Labs以及中国的澜起科技等[12] * **OCS使用比例**：2026年在Anthropic的TPU集群中，OCS互联方案预计仍占60%至80%的部署[20]

行业核心观点 - 2026年全球云计算行业出现集体涨价，打破了近二十年的降价惯例，主要原因是全球AI需求爆发和核心硬件成本显著上涨 [1] - 云厂商涨价潮的本质是算力正从基础设施转变为稀缺资源，AI创业团队面临算力资源被大规模云服务商锁定、小型团队难以批量获取的局面 [2] - 当前的算力短缺是结构性的产能短缺，而非周期性供需波动，这导致算力从“成本项”转变为关乎产品节奏、商业模式乃至公司生死的“战略资源” [3][4] - 在算力成为战略资源的背景下，能够在正确时间窗口锁定足够算力的公司将在竞争中占据先手，而对供给侧瓶颈缺乏认知则可能在关键增长节点遭遇“有需求、无资源”的困境 [5][6] 云厂商涨价与算力资源现状 - 2026年1月，AWS率先对GPU训练实例上调约15%，谷歌云随即宣布数据传输服务最高涨价100% [1] - 2026年3月，国内云厂商密集跟进：腾讯云率先上调自研大模型价格，涨幅最高达463%；阿里云与百度智能云宣布AI算力及存储产品涨价，最高涨幅34% [1] - 超大规模云服务商的集群资源已被牢牢锁定，小型团队几乎无从批量获取 [2] - 云服务厂商2026年数据中心资本支出预期较一年前大幅增长甚至翻倍，但仍被市场认为“不够用” [2] 算力供给侧的瓶颈分析 - 当前算力瓶颈已彻底进入硅芯片短缺阶段，先进的逻辑和存储器制造能力不足以支撑计算部署的步伐 [19] - 台积电N3逻辑晶圆产能是当前最大的制约因素之一，其产能扩张未能跟上AI需求的激增 [22][37] - 到2026年，所有主流AI加速器系列（包括英伟达、AMD、谷歌TPU、AWS Trainium、Meta MTIA）都将过渡到台积电N3系列工艺节点，AI将成为N3需求的主要来源 [28][29][30][31] - 2026年，人工智能相关应用（加速器、主机CPU和网络N3芯片）的需求将占N3芯片总产量的近60% [45] - 全球内存短缺问题短期内难以缓解，HBM高带宽内存供应紧张是下一个主要制约因素 [61] - HBM消耗的晶圆产能约为普通DRAM的三倍，随着向HBM4过渡，这一差距可能扩大到近四倍，挤占了普通DRAM的产能 [61] - 客户对更高HBM引脚速度（如约11 Gb/s）的需求进一步限制了HBM的有效供应，因为内存厂商难以以可接受的良率大规模交付 [68] - CoWoS先进封装的限制有所缓解，前端晶圆（如N3）供应成为主要瓶颈 [79] - 过去几年，数据中心和电力是主要瓶颈，但当前预测显示电力供应将超过AI计算需求，加速器硅的供应已成为主要制约因素 [81] 供应链竞争与厂商策略 - 在N3晶圆产能争夺中，人工智能基础设施客户的优先级明显高于消费电子产品客户，因为AI加速器设计带来更高的平均售价，且AI驱动的需求是台积电增长的主要动力 [51] - 由于需求远超供应，预计到2026年下半年，台积电N3工艺的有效利用率将超过100% [52] - 台积电受到洁净室空间的限制，未来两年内无法新增足够产能来完全满足市场需求 [52] - 产能限制可能促使客户寻求更广泛的晶圆代工模式，例如转向英特尔或三星晶圆代工 [40] - 英伟达在供应链控制上准备最充分，其通过提前锁定大部分逻辑晶圆、内存等组件供应成为主要受益者，例如2025年的韩国之行旨在确保内存供应 [85] - 最终能够获得最多硅供应的供应商将占据最大的计算部署份额 [85] 潜在的需求转移与产能再分配 - 智能手机是2026年N3晶圆需求的第二大驱动力，但也可能成为需求疲软的领域，从而释放产能用于AI加速器 [58] - 智能手机需求预期可能被下调至同比两位数的低位下滑 [58] - 如果将2026年智能手机N3晶圆总开工量的5%（43.7万片晶圆的5%）重新分配给AI加速器，则可额外生产约10万颗Rubin GPU或约30万颗TPU v7 [58] - 在更极端情况下，如果将25%的智能手机N3晶圆重新分配，则可额外生产约70万颗Rubin GPU或约150万颗TPU v7 [58] - 在消费级设备出货量下降的背景下，部分内存可能从消费级应用重新分配到服务器和HBM [76] - 在消费级内存出货量下滑10-15%的基本预测下，释放的容量增量（约占DRAM总需求的3%）不足以实质性改变整体供需格局 [78] 市场需求与增长数据 - Token需求呈爆炸式增长，推动了对人工智能计算的持续加速需求 [16] - 仅在2026年2月，Anthropic就新增了高达60亿美元的年度经常性收入，主要得益于智能体编码平台Claude Code的广泛应用 [16] - 超大规模云服务提供商的资本支出计划大幅调整，其中谷歌2026年的资本支出预期几乎是此前预期的两倍 [17] - 从H100到Rubin，以及从MI300到MI400等，AI加速器的HBM容量在快速提升（如提升50%甚至4倍），驱动了HBM位出货量的急剧变化 [66] - NVIDIA下一代平台的AI服务器系统内存将大幅增长，VR NVL72机架的DDR内存容量将是Grace的三倍 [71] - 2026年DRAM的整体位需求预计将出现增长，同时AI工作负载正在推动CPU需求，并逐步提高CPU与GPU的比例 [71]

文章核心观点 - AI产业已进入“硅片短缺时代”，核心瓶颈从前两年的电力、CoWoS先进封装，转移至**台积电的3nm前端晶圆产能**和**高带宽内存（HBM）供应**，这一状态预计将持续到2027年[1][26][37] - 在算力稀缺的背景下，**供应链掌控能力**变得与技术能力同等重要，甚至更为关键，能够获取最多硅片的公司将在AI军备竞赛中占据优势[33][34][38] - AI芯片需求的爆发式增长正在**挤压消费电子**（如手机、PC）的先进制程与内存产能，引发“位重新分配”，可能导致消费电子产品更新放缓或价格上涨[23][37][38] 行业瓶颈分析：从封装到晶圆与内存 - **CoWoS封装紧张但非最大瓶颈**：台积电已将前端晶圆限制纳入CoWoS产能规划，且存在日月光、Amkor等外包选项以及英特尔EMIB等替代方案，因此封装已非死结[24][25][26] - **台积电3nm（N3）晶圆产能成为核心瓶颈**：2024年起，几乎所有主流AI芯片（NVIDIA Rubin、AMD MI350X、Google TPU v7、AWS Trainium3等）均转向3nm制程，导致需求激增，但台积电容积开支滞后，产能扩张严重跟不上[8][9][27] - **AI芯片将挤占绝大部分3nm产能**：预计2025年AI相关芯片将占据台积电近**60%** 的3nm产能，2026年这一比例将飙升至**86%**，手机和PC处理器等传统需求将被挤出[11] - **高带宽内存（HBM）成为另一关键瓶颈**：HBM消耗的晶圆产能是普通DDR内存的**3到4倍**，且随着AI芯片内存容量代际大幅提升（如NVIDIA Rubin Ultra的HBM容量较Blackwell增加**50%**，再到Rubin Ultra翻**4倍**），供应压力加剧[17][18] - **服务器DRAM需求强劲，与HBM形成产能竞争**：云计算服务器更新周期及AI工作负载推动DDR需求，其价格上涨导致利润率接近HBM，削弱了内存厂商将产能转向HBM的动力[20][21][22] 主要参与者的战略与格局 - **台积电成为“造王者”**：其3nm产能分配直接决定各AI芯片厂商的出货能力与市场竞争力，AI客户因其芯片价值高、需求长期稳定且支付意愿强而获得优先权[12][13] - **NVIDIA是供应链战争的最大赢家**：通过提前锁定逻辑晶圆、内存等关键组件供应，甚至帮助客户争取更优的DRAM价格，建立了强大的供应链护城河[33] - **云服务商加速自研ASIC以争夺产能**：AWS、Google等大力投资自研芯片（如TPU、Trainium），不仅为性能优化，更是为了绕过NVIDIA，直接从台积电获取产能，增强供应链话语权[35][37] - **定制ASIC与GPU的竞争态势**：在算力稀缺时代，获取硅片的能力比技术路线优劣更重要，因此尽管定制ASIC在特定负载上可能更高效，但拥有强大供应链的NVIDIA仍占据优势[33][34] 市场需求与产能影响的具体数据 - **AI需求增长迅猛**：Anthropic仅在**2025年2月单月**就新增了**60亿美元**的年度经常性收入，凸显了算力需求的爆炸性增长[4] - **消费电子需求疲软可能释放产能**：若手机需求下滑，释放出的N3晶圆产能可转产AI芯片。例如，转移**5%** 的手机芯片N3晶圆（约**22,000片**）可多生产约**10万片** NVIDIA Rubin GPU或**30万片** Google TPU v7[14] - **内存产能的重新分配**：若消费电子需求暴跌**50%**，可释放约**55,390百万Gb**的DRAM产能，相当于2026年总需求的**14%**；即使需求削减**25%**，也能释放约**27,690百万Gb**（占总需求**7%**），几乎是2025年HBM需求的**80%**[23] - **数据中心与芯片产能增长脱节**：数据中心和电力设施的扩张速度已超过AI算力增长，形成了“有电没芯片”的局面，凸显了晶圆厂建设周期长、投资大（动辄上百亿美元）的刚性约束[29][31][32] 对产业链各环节的影响 - **对AI公司**：供应链管理能力至关重要，缺乏算力获取能力将限制其技术落地，例如Anthropic需依赖Google和AWS的ASIC算力[37] - **对云服务商**：是获取产能、扩大服务的机遇，拥有自研芯片能力者更具优势[37] - **对消费电子厂商**：面临芯片成本上升或供应不足的挑战，可能导致产品更新周期延长或价格上涨，智能手机需求预计出现**低两位数**的同比下滑[23][37] - **对内存厂商**：三星、SK海力士、美光等HBM供应商将拥有更强的定价权，2027年的HBM价格谈判可能大幅涨价[22][40] - **对台积电竞争对手**：三星、英特尔等若能在先进制程上缩小差距，有望在当前极度紧张的供应状况下获得市场机会[40]

AI计算需求与代币需求激增 - AI模型能力提升和智能体工作流程快速发展，推动用户采用率和代币总需求激增 [3] - 仅2025年2月，Anthropic新增高达60亿美元的年度经常性收入，主要得益于Claude Code的广泛应用 [3] - 尽管过去几年AI基础设施建设规模庞大，但可用的计算资源仍然稀缺，按需GPU价格持续上涨 [3] 超大规模云服务商资本支出与供应紧张 - 超大规模云服务提供商的所有可用小型集群资源均已被牢牢锁定 [3] - 供应紧张局面导致超大规模云服务提供商资本支出计划大幅上调，普遍预期已大幅上调 [3] - 谷歌2026年的资本支出预期几乎是此前预期的两倍，主要由于数据中心和服务器支出增加 [3] 硅芯片供应成为关键制约因素 - 超大规模数据中心运营商投入更多资金受到硅芯片供应的制约 [5] - 先进的逻辑和存储器制造能力不足以支撑计算部署的步伐，行业已彻底进入硅芯片短缺阶段 [5] 台积电N3工艺产能紧张 - 台积电N3逻辑晶圆产能是制约N3技术发展的最大因素之一 [8] - N3技术初期需求主要来自智能手机和PC领域，起步并不顺利 [8] - 到2026年，所有主流AI加速器系列都将过渡到N3，届时AI将成为N3需求的主要来源 [10] - NVIDIA将从Blackwell的4NP工艺节点过渡到Rubin的3NP工艺节点 [10] - AMD已在MI350X中采用N3工艺，MI400的AID和MID芯片也将继续使用N3工艺 [11] - 谷歌TPU路线图从TPU v7开始全面转向N3E工艺，TPU今年的程序量将大幅增长 [11] - AWS将在Trainium3中过渡到N3P工艺节点 [11] - Meta的MTIA也遵循类似路径，但其程序量要低得多 [11] N3需求结构转变与产能分配 - 2025年，人工智能相关应用（加速器、主机CPU和网络N3芯片）的需求将占N3芯片总产量的近60% [18] - 剩余的40%主要用于智能手机和CPU，这些领域的需求已完全占用N3芯片的全部产能 [18] - 预测到2027年，人工智能需求将占N3芯片总产量的86%，几乎完全挤占智能手机和CPU芯片的产能 [18] - 到2026年，人工智能基础设施客户的优先级明显高于消费电子产品客户 [21] - 人工智能加速器的设计通常需要更大的芯片尺寸和更复杂的封装，意味着更高的平均售价 [21] - 人工智能驱动的需求是台积电增长的主要动力，终端客户愿意不惜一切代价部署更多计算资源 [21] 台积电产能扩张与限制 - 由于需求远超供应，台积电正在扩大产能并使其现有生产线达到极限 [23] - 预计到2026年下半年，N3工艺的有效利用率将超过100% [23] - 台积电也受到洁净室空间的限制，必须先建造额外的可用晶圆厂面积才能安装设备并投产新产能 [23] - 未来两年内，台积电无法新增足够的产能来完全满足市场需求 [23] 智能手机需求作为潜在产能释放阀 - 2025年智能手机是N3晶圆需求的第二大驱动力 [26] - 如果智能手机需求疲软，可能释放出XPU逻辑芯片的产能 [26] - 若将2026年智能手机N3晶圆总开工量的5%（43.7万片晶圆的5%）重新分配给AI加速器，可额外生产约10万颗Rubin GPU或约30万颗TPU v7 [26] - 在更极端情况下，若将25%重新分配，则可额外生产约70万颗Rubin GPU或约150万颗TPU v7 [27] 内存（DRAM/HBM）成为下一个主要制约因素 - 随着芯片供应商和超大规模数据中心竞相确保加速器生产所需的DRAM供应，内存已成为下一个主要竞争领域 [28] - DRAM晶圆总产能持续增长，但新增产能大部分被HBM吸收，有效地挤占了普通DRAM的市场份额 [28] - 按每比特晶圆消耗量计算，HBM的晶圆产能约为普通DRAM的三倍，随着行业向HBM4过渡，这一差距可能会扩大到近四倍 [28] - HBM位出货量正经历急剧变化，主要由单个设备的内存容量提升驱动 [32] - 对于NVIDIA，从Blackwell到Blackwell Ultra和Rubin的升级使HBM容量提升了50%，而Rubin Ultra又进一步提升了约4倍 [32] - 超大规模ASIC芯片上，TPU v8AX和Trainium3也从上一代的8-Hi堆栈升级到了12-Hi堆栈 [32] - AMD的内存容量也从MI350到MI400提升了50% [32] HBM性能要求与供应限制 - 客户对更高HBM引脚速度的需求日益增长，如NVIDIA致力于将HBM4的引脚速度提升至约11 Gb/s [34] - 内存厂商要以可接受的良率实现这一目标仍然十分困难，进一步限制了HBM的有效供应 [34] 服务器DRAM需求增长 - NVIDIA下一代平台的AI服务器系统内存将大幅增长，VR NVL72机架的DDR内存容量将是Grace的三倍 [36] - Vera CPU的DDR内存容量为1536GB，而Grace CPU的DDR内存容量为512GB [36] - 预计2026年DRAM的整体位需求也将出现增长，随着老旧的云服务器和企业服务器进入多年更新换代周期 [36] - AI工作负载正在推动CPU需求，并逐步提高CPU与GPU的比例 [36] 内存供应重新分配与激励 - 为了激励更多HBM晶圆投入生产，客户可能需要支付高于当前合同价格的额外费用才能确保HBM的供应 [38] - 将部分内存从消费级应用重新分配到服务器和HBM是关键影响 [38] - 在消费级设备出货量下降50%的极端情况下，将释放约553.9亿Gb的内存，相当于2026年DRAM总需求的约14% [38] - 在出货量下降25%的情况下，将释放约276.9亿Gb的内存，约占DRAM总需求的7%，以及2025年HBM需求的近80% [38] - 基本预测是消费级内存出货量将出现较为温和的10-15%的下滑 [39] - 如果出货量减少10%，则大约会释放110.76亿Gb的容量，仅占DRAM总需求的约3% [39] CoWoS封装限制缓解 - 前端产能是目前主要瓶颈，CoWoS的限制有所缓解 [42] - 台积电在进行产能规划时以N3限制为依据 [42] - 2.5D封装还有其他选择，CoWoS可以外包给OSAT厂商，例如ASE/SPIL和Amkor [42] - 英特尔的旗舰级EMIB 2.5D先进封装解决方案也是一个日益受到关注的选择 [42]

核心观点 - 英伟达是AI赛道无可争议的龙头，其即将公布的第四季度财报及管理层对未来业绩的指引，尤其是对2027年营收的能见度，是当前市场关注的核心[2][4] - 高盛与瑞银均维持看多立场，预计英伟达Q4业绩将超出市场一致预期，并分析了2026年上半年的增长催化、竞争格局及下游需求等关键议题[3] 业绩预期与增长能见度 - 高盛预测英伟达Q4营收将超出市场预期约20亿美元，瑞银预估营收约675亿美元，较公司指引高出约25亿美元[3] - 市场关注焦点在于管理层对短期未来的展望，股价短期表现将取决于2027年营收的能见度，因为2026年的增长预期已基本被股价充分定价[4] - 瑞银上调台积电CoWoS先进封装产能预期，预计2026年底月产能将从11万片提升至12万片，英伟达将成为核心受益方[5] - 基于修正后的CoWoS产能数据，瑞银预测英伟达2025年GPU产量为690万颗，2026年升至950万颗，较此前模型预估（分别为570万颗与930万颗）有所上调[5] 竞争格局与盈利能力 - 行业竞争格局是市场焦点，高盛预计谷歌TPU v7与AMD MI455X将加剧竞争[6] - 高盛认为，英伟达会重点强调其CUDA生态的竞争优势[6] - 瑞银判断，短期没有因素会撼动英伟达75%的毛利率指引，认为自研ASIC对英伟达GPU主导地位的威胁依然有限[6] 下游需求驱动力 - 超大规模云厂商的资本开支持续上修，并将延续至2027年[7] - 市场对OpenAI、Anthropic等非传统客户的需求信心持续提升[7] - 基于布莱克韦尔（Blackwell）架构训练的全新大模型表现亮眼，进一步巩固英伟达的技术领先优势[7] - OpenAI预计2026年下半年加速算力部署，其4-5年内约26GW的算力目标中，2026年落地规模相对有限[10] - 除OpenAI外，AI生态整体依旧强劲，Anthropic近期将2026年营收预期上调20%，各国主权AI项目也保持良好推进势头[10] 中国市场前景 - 高盛与瑞银均认为，中国市场的贡献仍具不确定性[11] - 尽管近期有消息称英伟达H200芯片已获批准，但高盛希望获得2027年中国市场潜在收入贡献的更多细节[11] - 瑞银表示，随着中国加速采用本土GPU，其市场复苏前景仍存疑，以AMD为参照，中国市场或为英伟达带来数十亿美元的额外收入，但预计英伟达大概率不会将中国市场纳入业绩指引[11]

行业趋势与共识 - 全球AI算力重心正从训练加速转向推理，未来五到十年推理芯片将主导AI演进方向 [1] - 行业核心需求从依赖GPU、CUDA生态构建的“绝对算力”，转向对高性价比推理芯片的迫切需求 [2] - 推理芯片的增长已超越训练芯片，Groq估值在2025年9月至2026年1月四个月内从70亿美元飙升至200亿美元，增长近3倍 [3] - 谷歌在2025年4月发布第七代TPU “Ironwood”，明确将其定位为面向推理时代的基石 [1] - 英伟达以200亿美元的代价，实质上整合了Groq最核心的资产，包括其创始团队、核心技术人员，并获得其IP的永久授权 [2] 公司战略与目标 - 云天励飞在2025年果断将芯片战略全面聚焦于云端大算力、大模型专用的推理芯片 [3] - 公司致力于通过底层架构创新，力争实现百万Tokens推理成本降低100倍以上的目标 [1] - 公司目标是每年将百万Token的推理成本降低100倍，到2030年实现“百亿Token仅需一分钱人民币”的成本水平 [3] - 未来五年，公司将全力打磨并推广DeepVerse 100、200、300系列芯片，覆盖互联网、通信运营商及各行业头部客户 [6] 技术架构与创新 - 公司正在打造专为大模型推理优化的新型处理器架构GPNPU，其核心公式为“GPNPU = GPGPU + NPU + 3D堆叠存储” [5] - GPNPU架构致力于解决可迁移、可部署、可持续降本三大工程难题 [5] - 在通用生态层面，GPNPU能够实现一行代码完成CUDA程序兼容，以降低迁移成本 [5] - 针对“内存墙”瓶颈，公司正深度研发3D堆叠存储及更前沿的互连技术，以提升带宽与能效 [5] - 在架构工程上，公司采用“算力积木”架构，通过Chiplet扩展与互连思路，实现算力按需扩展 [6] 市场机遇与竞争格局 - 在推理芯片领域，格局尚未成型，谷歌TPU v7、Groq等新兴架构刚刚崭露头角，这为中国企业提供了历史性窗口 [4] - 中国在AI应用场景丰富度与落地速度上全球领先，但在模型层与芯片层仍相对落后，意味着巨大的追赶与超越空间 [3] - 公司认为中国应在训练芯片领域持续追赶，在推理芯片领域依托丰富的应用场景、强大的基建能力及开源模型生态实现弯道超车 [5] 公司核心竞争力与保障 - 公司将核心竞争力总结为技术、产能、生态、市场、资本五大关键要素的协同共振 [6] - 公司是目前国内屈指可数手握充足国产产能保障的企业之一，为芯片大规模量产与交付提供了确定性 [6]

高盛报告核心观点 - 谷歌与博通合作的最新TPU v7芯片量产，其单位算力的推理成本暴降70%，这标志着ASIC专用芯片在AI推理成本上对通用GPU形成颠覆性优势，可能引发行业逻辑的根本性改变 [1][2][11] AI计算范式转变：从训练到推理 - AI行业正从“造车”（训练大模型）阶段进入“跑车接客”（模型推理）阶段，核心关注点从算力速度转向每单位计算成本 [3][4] - 高盛报告聚焦“推理成本”，TPU v7的70%成本降幅源于“系统工程能力的绝对碾压”，而非单纯的硬件性能提升 [5] - 类比说明：英伟达GPU像追求极致速度但高能耗的超跑，而谷歌TPU v7像高效运送大量乘客（处理海量Token）的高铁，在规模化任务中人均能耗（单位成本）优势显著 [6] TPU v7成本降低的技术路径 - 成本红利来自三个维度：芯片间数据传输等待时间几乎为零；封装更紧凑，计算模块与内存距离近，信号损耗少；ASIC架构专一，剔除了GPU中为通用计算保留的冗余功能，硅片利用率极高 [7][8] - TPU v7的绝对成本已与英伟达GB200 NVL72解决方案基本持平，改变了客户的选择逻辑，从“买不起英伟达的无奈妥协”转向基于性价比的主动选择 [9][10] - 对于Meta、微软等科技巨头，推理成本占运营成本大头，使用TPU有望大幅降低该成本，直接提升净利润 [10] Anthropic的210亿美元大单及其战略意义 - Anthropic签署价值210亿美元的定制芯片（ASIC）采购大单，覆盖从2025年底至2026年及以后的周期，金额相当于2024年全球一半AI初创公司的融资总额 [12][13] - 此举背后有谷歌、亚马逊等大金主支持，特别是谷歌作为二股东，资金通过博通转化为定制TPU算力 [14] - Anthropic的战略目标有三：第一，从“租房”（购买高价通用GPU）转向“买地”（自建定制ASIC算力），长远可节省大半成本 [15]；第二，掌握“算力主权”，获得供应链的确定性和自主权，避免受制于英伟达的产能和分配 [16][17][18]；第三，实现软硬一体极致优化，为自家Claude模型量身定制芯片，提升效率和性能 [19][20] - 这笔交易标志着大模型行业阵营分化加速，有资源和技术优势的巨头正通过定制化算力拉大与普通玩家的差距 [21] 博通的新角色与商业模式优势 - 在AI芯片新战场，博通完成了从“芯片设计公司”到“AI军火商总装厂”的身份跃迁，成为各大科技厂的“白手套”和“代工厂” [22][23] - 博通深度参与了谷歌TPU v7、亚马逊Trainium的核心技术，并承接了Anthropic的210亿美元定制订单 [23] - 其商业模式采用“NRE（定制研发费）+ 量产分成”模式，无论芯片最终成败都能先收取高额研发费，量产后再按颗抽成，收入确定性强，风险低于英伟达 [24][25] - 博通的核心技术壁垒在于先进的光互连技术和CoWoS封装能力，能够高效连接和堆叠数百个芯片而不发热、不堵车，这种“连接”技术比单纯设计GPU难度更高 [25] - 博通提供从电路设计、封装、测试到供应链管理的全套解决方案，大幅降低了科技公司自研芯片的门槛，推动了整个ASIC定制芯片市场的繁荣 [26][27] - 博通客户群分散（包括苹果、谷歌、亚马逊甚至英伟达），收入来源多元，抗风险能力强，在高盛看来，其在AI行业理性化过程中业绩确定性高于英伟达 [27] 对中国AI芯片行业的启示与机会 - 外部制裁倒逼中国AI行业加速发展ASIC专用芯片，走上与谷歌、亚马逊类似的道路 [28] - 华为昇腾及字节、腾讯、百度等公司均在推进自研芯片，逻辑与Anthropic一致，即通过定制化解决通用芯片获取难、成本高的问题 [29] - 国内AI芯片设计公司（如寒武纪、海光等）迎来黄金窗口期，只要性能达到英伟达的八成且价格减半，就可能获得大厂青睐 [29] - 中国行业现状是缺乏像博通那样掌握核心“连接”与“封装”技术的公司，在先进封装（如CoWoS、Chiplet）和光互连技术上与国际领先者存在代差 [30][31] - 投资机会明确存在于掌握“连接技术”和“封装技术”的上游企业，它们是产业链中稳定的“卖铲人”，例如光模块领域的光迅科技，先进封装领域的通富微电、长电科技 [31] - 若ASIC能将推理成本大幅降低（例如降至十分之一），将极大推动中国拥有海量数据和应用场景的行业（如短剧、游戏、电商、教育）爆发，关注点应从亏损的大模型公司转向能实现AI低成本落地的“场景玩家” [32][33] - 需警惕国内厂商一拥而上进行低价内卷导致利润微薄和技术低质化的风险，真正的机会属于拥有核心壁垒（独家模型算法、芯片架构或封装技术）的公司 [33]

报告行业投资评级 - 增持（维持） [1] 报告的核心观点 - AI产业正从2024-2025年的狂热扩张期，逐步转向需求兑现与效率竞争并重的新周期，市场存在局部泡沫而非系统性崩盘 [5] - 2026年将成为AI产业分化加剧、商业闭环验证的关键年份，投资逻辑将从泛AI概念普涨转向精选真实变现能力、成本优势与护城河的结构性机会 [5] - 风险主要集中于以OpenAI为核心、扩张激进的生态链条，而看好谷歌的全栈整合优势及Anthropic的专注和成本控制策略 [5] 根据相关目录分别进行总结 1. AI投资：泡沫与革命并存，局部风险而非系统崩盘 - 市场泡沫论在2025年第三季度集中发酵，多数AI相关美股财报后股价回调，市场对利好消息反应有限、对利空消息更为敏感 [5][15] - 市场主要焦虑点集中在巨额资本开支（CapEx）、折旧争议、循环订单与债务融资，但报告认为这些主要是阶段性情绪波动，而非基本面实质恶化 [5][21] - AI基础设施的实际使用生命周期远超市场担忧，推理需求爆发、Agent模式普及以及多模态应用落地，将为巨额CapEx提供更长回报周期支撑 [5] - 横向划分阵营：以OpenAI为核心、与微软深度绑定的生态链条存在现金流压力与战略分散风险；以Anthropic和谷歌为代表的阵营策略更稳健聚焦 [5][74] - 纵向产业链划分：上游硬件环节基本不存在泡沫；云服务层面的云巨头相对稳健而新云公司风险较高；模型层虽普遍亏损但后期利润弹性大；应用层高度分化 [74][86] 2. 算力环节：英伟达霸权下的暗流涌动 - 英伟达2025年业绩亮眼，数据中心收入同比翻倍，Blackwell供不应求，毛利率维持70-80%高位 [5] - 但英伟达一家独大格局正被多元竞争取代，ASIC芯片在推理场景的能效与成本优势逐步显现，为其传统护城河带来挑战 [5] - 谷歌TPU v7全栈优势显著，总拥有成本远低于英伟达方案，已向Anthropic等外部客户大规模输出 [5] - 亚马逊Trainium2扩张最激进，计划百万级部署并保持与英伟达双轨合作 [5] - 微软因与OpenAI深度绑定，自研芯片滞后且面临能源瓶颈，相对被动 [5] 3. 云服务市场的冰与火：巨头狂欢与新贵困局 - 云服务市场分化：三大云巨头（微软、谷歌、亚马逊）订单充裕、现金流稳健 [2] - 微软FY26Q1剩余履约义务达3920亿美元，同比增长51% [2] - 谷歌云2025年第三季度承诺余额1557亿美元，同比增长82% [2] - AWS虽增速相对平稳但10月新签订单已超第三季度全季 [2] - 云巨头盈利能力强劲：2025年第三季度谷歌云利润率提升至23.7%，AWS维持36.4%高位，微软Azure储备订单激增但毛利率承压 [2] - 新兴Neocloud（如CoreWeave、Nebius）陷入困局，表现为高估值、高负债与回款压力交织，财报后股价大幅回调 [2] - CoreWeave商业模式本质是“GPU租赁+高杠杆”，类似房地产开发商但面临更快的技术迭代风险，2025年第四季度预期收入环比增速仅13%，资本开支占收入超4倍 [2] 4. 模型层：从神话到工程，从追赶到突围 - 2025年核心脉络是AGI神话退场、工程化范式确立，中美技术差距已缩窄至6-9个月 [3][5] - 模型竞争格局分化明显： - OpenAI转向产品化但技术领先优势削弱，战略分散风险上升 [6] - Google凭借全栈优势（TPU+YouTube数据+DeepMind）强势回归，Veo3实现有声视频突破 [6] - Anthropic专注toB编程建立稳健现金流，Claude Code年度经常性收入在2025年10月已达10亿美元 [6] - 2026年大语言模型将聚焦“更快、更好、更便宜”，推理模型消耗token量是普通模型5.5倍，Agent模式多模型并行调用进一步推高算力需求 [3][6] - 多模态发展：输入端从组合式向原生多模态演进，输出端实现更长时长、更稳定的视频生成 [6] - 中国大模型群雄逐鹿，千问、DeepSeek、Kimi、智谱、MiniMax、豆包各具特色，在开源市场份额快速增长，对海外高定价模式形成冲击 [6] 5. 应用层：AI应用到底能长多大？ - 需求验证的两大指标：2025年10月OpenAI与Anthropic合计年度经常性收入约200亿美元；OpenRouter平台2025年token消耗同比增长超300% [6] - toB市场商业化潜力高：2025年企业生成式AI总支出达370亿美元，同比增长超3倍，占据全球SaaS市场6%份额；垂直行业AI支出35亿美元，其中医疗健康独占15亿美元，法律6.5亿美元 [6] - toC市场呈现“通用chatbot主导+垂直AI大量死亡+少数场景顽强存活”格局，2025年通用chatbot占AI网页访问量80%以上 [6] - 编程与角色陪伴是顽强存活的场景：编程工具年度经常性收入高速增长；角色陪伴应用用户时长长、情感投入深、迁移成本高 [6] - 科技巨头内部赋能价值被低估：谷歌AI Overviews提升查询量并保持货币化率；亚马逊通过AI优化物流效率；百度、阿里、腾讯将AI嵌入原有生态 [6] 6. 投资建议 - 核心投资思路为“上游强alpha+云巨头稳健beta+应用层精选赛道” [7] - 上游算力硬件：看好英伟达，其Blackwell系列供不应求、毛利率高企，通过收购Groq补齐推理短板，是资本开支最大受益者 [7] - 云服务与全栈整合领域：建议关注谷歌与亚马逊，谷歌凭借TPU全栈优势、总拥有成本优势及Gemini与搜索深度融合展现强利润韧性；亚马逊通过Trainium百万级部署与AWS规模效应在成本控制与客户黏性上占据主动 [7] - 模型与应用层面：建议关注MiniMax与智谱，前者在多模态及角色陪伴场景实现较强商业化，后者抢占B端市场 [7] - 港股互联网公司：推荐阿里巴巴-W、腾讯控股、美图公司、快手-W，这些公司拥有庞大用户基础与数据飞轮，AI深度嵌入将驱动存量业务效率跃升与新增长曲线 [7]

Cerebras Systems新一轮融资与估值 - AI芯片初创公司Cerebras Systems正商讨进行一轮约10亿美元的新融资 以支持其与英伟达的长期竞争并强化其AI算力集群的性价比与能效比 [1] - 此轮融资前估值定为220亿美元 较去年9月约81亿美元的估值大幅扩张170% [1][2] - 公司仍计划积极推进在美股的首次公开募股 [1] Cerebras Systems的公司定位与竞争策略 - 公司首席执行官安德鲁·费尔德曼称其算力硬件运行AI大模型的效率是英伟达系统的数倍 [1] - 公司积极寻求挑战英伟达在AI芯片领域高达90%的市场份额 [1] - 公司向Meta、IBM及Mistral AI等大型客户提供远程AI计算服务 [1] Cerebras Systems的核心技术优势 - 公司采用“晶圆级引擎”架构 将整个AI模型放在单个超大芯片上 极大提升了推理性能和内存带宽 [3] - 该架构避免了GPU集群间的数据拆分和高速通信开销 在处理大型语言模型推理任务时能实现比传统AI GPU/AI ASIC更强劲的性能密度和能效比 [3] - 最新的CS3系统在运行Llama3 70B推理任务时 据称比英伟达Blackwell架构的B200 AI GPU系统快约21倍 同时总体成本和能耗更低 [5] - 第三方分析指出 在某些模型推理中其速度可以达到比GPU快20倍或更多 [5] AI推理市场的竞争格局与趋势 - AI推理市场正快速增长 Cerebras被视为英伟达在该领域最强劲的竞争对手之一 [3] - 超大规模AI推理需求正呈现每六个月翻一番的极速增长趋势 [9] - 客户更看重单位token成本、延迟与能效 更愿意选择更具性价比的AI ASIC加速器 [8] - 谷歌最新的TPU v7在特定AI应用场景下 能提供比英伟达Blackwell高出1.4倍的每美元性能 [9] 英伟达的竞争应对措施 - 英伟达与AI芯片初创公司Groq达成一项200亿美元的非独家授权合作协议 获得其AI推理技术授权 Groq创始人及核心团队将加入英伟达 [2][10] - 此举被视为英伟达通过“硬件技术路线多元化+AI应用生态端到端绑定”来维持其高达90%市场份额的防守/反击策略 [2][9] - 英伟达此前还收购了竞争对手Groq的大部分芯片设计人才 [2] 其他竞争对手动态 - 另一家AI芯片初创公司Etched在新一轮融资中筹集了约5亿美元 估值达到约50亿美元 [4] - 谷歌明确把其最新的TPU v7定位为“为AI推理时代而生” 其BF16算力高达4614 TFLOPS 是上一代TPU v5p的10倍 [8][9] Cerebras Systems面临的潜在挑战 - 公司在很大程度上依赖阿布扎比人工智能公司G42的业务 这一深度合作关系已引起美国外国投资委员会的审查 可能导致其IPO进程受阻 [4] - 公司的技术优势更显著于特定推理场景 在通用计算任务部署、AI训练算子以及CUDA生态兼容性方面 英伟达仍具备很大优势 [5]

**涉及的公司与行业** * 公司：博通 (Broadcom Inc, 股票代码 AVGO) [1] * 行业：美国半导体行业 [1] **核心观点与论据** * **投资评级与目标价**：报告给予博通“跑赢大盘”评级，目标价为475美元，较2026年1月8日收盘价332.48美元有43%的上涨空间 [1][5][9][16] * **驳斥竞争与客户自有工具担忧**：尽管投资者担忧竞争加剧和客户自有工具可能影响博通在AI领域的优势地位，但通过与公司半导体解决方案事业部总裁的深入交流，分析师认为这些担忧被严重夸大，公司不太可能在短期内被赶下ASIC领域的王座 [2][11] * **独特的竞争优势**：博通是唯一能帮助XPU客户跟上英伟达创新步伐的公司，这得益于其在技术、规模和供应链上的优势 [3][12] * **技术优势**：包括3D芯片堆叠、400G SerDes、投资自有的基板工厂，以及可能实现无需硅中介层的制造技术 [3][13] * **供应链优势**：与所有HBM供应商合作（HBM采购额从三年前的1亿美元增至去年的数十亿美元，预计今年超过100亿美元，明年达到数百亿美元），拥有专用的基板供应，并专注于服务5-6家大型LLM客户，能进行紧密的供应链管理 [14] * **强劲的AI增长轨迹**：TPU出货量增长迅猛，TPU v7在2025年出货数十万颗，2026年将达“数百万颗”；TPU v8现已出货，几个月内将达到每月数十万颗，年底达到每月数百万颗 [4][15] * **订单与财务预测**：几周前财报中提到的730亿美元订单金额如今已“显著提高” [4][15] * 预计调整后每股收益将从2025财年的6.82美元增长至2027财年的14.86美元 [8][17] * 预计自由现金流将从2025财年的269.14亿美元增长至2027财年的732.32亿美元，年复合增长率为65% [8] * 预计营收将从2025财年的638.87亿美元增长至2027财年的1379.18亿美元 [17] **其他重要内容** * **估值水平**：基于2027财年预计调整后每股收益14.86美元，采用约32倍市盈率得出475美元的目标价 [26] * **下行风险**：包括AI需求意外疲软、关键客户份额或订单流失、未能实现并购协同效应、缺乏现金回报以及高层管理意外变动 [27] * **市场表现**：截至2026年1月8日，博通过去12个月绝对回报率为45.0%，相对标普500指数的超额回报为28.0% [6] * **财务数据摘要**： * 市值：1576.38亿美元 [6] * 企业价值：1626.66亿美元 [6] * 股息收益率：0.8% [6] * 预计2026财年调整后市盈率为33.4倍，2027财年为22.4倍 [8][22] * **创新细节**： * TPU v8为双芯片设计，采用12层高HBM和200G SerDes，算力比v7高30-40% [13] * 下一代产品将采用3.5D面对面堆叠技术，将4个计算芯片堆叠在一起，并采用400G SerDes（基于铜，技术难度高），预计2028年向2家客户送样 [13] * 自建新加坡基板工厂将于今年投产，以保障供应并控制成本（否则基板成本可能从芯片成本的10-15%飙升至30-40%），投资回收期为1.9年 [13] * 正在研发无需硅中介层的技术，有望在2027年底至2028年实现，可大幅降低成本和周期时间 [13] * **运营细节**：公司总裁亲自分配每一片晶圆产能，并确保在客户备齐所有相关配套组件（如CPU、DDR、激光器等）后才发货 [14]