跳到主要内容
← 行业与公司研究

芯片 · AI算力产业链

行业研究 · 知几原有产业链与公司研究页面

归档原网站内容;本次仅整理分类和同步,不将旧观点、评分视为当前验证结论。

  • 产业链:AI算力产业链
  • 行业:芯片
  • 原页面:产业链研究

AI 算力链条的最大利润池,核心看 GPU、ASIC、CPU、DPU、代工和软件生态的组合能力。

阅读原 HTML 行业介绍

01

行业概述

AI 芯片行业覆盖计算芯片的设计、制造和商业化,核心任务是用合适的成本与功耗完成神经网络训练和推理。

AI 芯片不是单一产品,而是为人工智能工作负载提供计算能力的一组处理器。其需求主要来自云端数据中心和各类智能终端:前者承担大模型训练与规模化推理,后者在手机、汽车、PC、摄像头和机器人中完成本地计算。训练负责通过数据调整模型参数,推理则让训练好的模型处理新输入。[ 8 ]

计算端以 CPU、GPU、ASIC 和 NPU 为主要研究对象。CPU 负责通用控制与系统调度,GPU 提供可编程的并行计算,ASIC 围绕明确负载定制,NPU 则针对神经网络运算优化。它们不是互相排斥的四个类别:许多 NPU 本身就是 ASIC,也可能与 CPU、GPU 一起集成进 SoC。

产业链从 EDA 与 IP 开始,经过芯片设计、晶圆制造和封装测试,最终进入服务器与终端产品。竞争力也不只来自峰值算力:架构能否匹配真实模型、编译器和软件是否成熟、存储与互联能否持续供给数据、制造良率能否支撑规模交付,都会影响产品能否形成收入。本文随后依次拆解四类计算芯片、量产流程、商业模式和投资验证方法。[ 5 ][ 9 ]

02

四类计算芯片:看懂能力,也看懂生意

以下四章全部展开。每一类都从工作原理、适用任务、优势代价、代表产品与投资验证点五个角度理解。

02.1 · GENERAL PURPOSE

CPU:系统里的总调度者

Central Processing Unit · 中央处理器

它如何工作

CPU 通常由数量相对较少、但功能复杂的核心组成,擅长分支判断、串行逻辑、操作系统与任务调度。它追求的是“各种任务都能正确、快速地处理”,而不是把同一种运算复制成成千上万份同时执行。Intel 对 CPU 与 GPU 的比较也强调了这种低延迟、串行处理与并行吞吐的差异。[ 1 ]

在 AI 系统里做什么

CPU 不会因为 GPU 出现而消失。数据加载、网络请求、任务编排、数据库、操作系统、模型前后处理以及加速卡之间的协调,都需要 CPU。小模型、低并发或分支复杂的推理,也可能直接由 CPU 完成。在服务器中,它更像主机与加速器之间的“总控台”。

优势与代价

优势是通用、成熟、软件兼容性强;代价是在大规模矩阵运算中,单位功耗可完成的工作量通常不如专用加速器。评价 CPU 时不能只数核心,还要看内存通道、I/O、指令集、整机适配与软件生态。

适合任务 系统控制、串行逻辑、数据预处理、通用服务

常见代表 Intel Xeon、AMD EPYC、Arm 服务器生态;国产研究示例可看海光 CPU

收入逻辑 处理器销售 + 平台份额 + 软硬件生态带来的客户黏性

必须核验 产品代际、客户认证、服务器出货、生态兼容和收入占比

常见误判 把“国产 CPU”四个字直接等同于大规模商业替代

02.2 · PARALLEL COMPUTE

GPU:最通用的 AI 并行加速器

Graphics Processing Unit · 图形处理器

它如何工作

GPU 把大量较小的计算单元组织起来,让许多相似运算并行执行。神经网络的核心工作包含大规模向量与矩阵计算,天然适合这种高吞吐结构。CPU 像少数全能专家,GPU 更像一支按统一指令协同工作的计算队伍。[ 1 ][ 2 ]

在 AI 系统里做什么

GPU 既能训练,也能推理。训练看重并行吞吐、显存容量、芯片间互联和集群扩展;推理还要关心首个 token 延迟、批处理效率与单位请求成本。把“GPU 只训练、NPU 只推理”当成固定分工,会错过真实的产品竞争。

护城河不只在芯片

GPU 的商业壁垒由硬件、编译器、算子库、开发工具、模型框架适配、互联和整机方案共同构成。CUDA 展示了并行程序如何被组织与执行,也说明客户迁移成本来自整套开发环境,而非单一算力参数。[ 2 ]

优势与代价

优势是可编程、工作负载覆盖广、开发者生态成熟;代价是采购成本、功耗和系统复杂度较高,性能还可能被显存带宽、互联与软件利用率限制。纸面算力高,不代表真实模型一定跑得快。

适合任务 大模型训练、通用推理、科学计算、图形与内容生成

常见代表 NVIDIA、AMD;国内产品需按架构、软件和客户落地分别研究

收入逻辑 芯片与加速卡销售 + 软件生态 + 网络与系统方案

必须核验 可用算力、真实利用率、软件适配、量产供给与客户复购

常见误判 只比较 TOPS / FLOPS,不看精度、带宽、功耗和软件

02.3 · CUSTOM SILICON

ASIC:用灵活性换效率的定制路线

Application-Specific Integrated Circuit · 专用集成电路

它如何工作

ASIC 不是某一种固定架构,而是“围绕明确用途定制”的芯片。设计者可以删掉不需要的通用能力,把面积和功耗投入到最常用的数据类型、矩阵单元、缓存和互联上。因此,当算法稳定、需求规模足够大时,ASIC 有机会降低单位计算成本。

为什么云厂商会自研

大型云平台拥有持续、可预测的内部负载,能摊薄高额研发和流片成本,也能让芯片、编译器、数据中心与模型共同优化。Google 将 TPU 定义为面向机器学习的定制 ASIC,并明确强调矩阵工作负载、XLA 编译器与高带宽存储之间的配合。[ 3 ]

优势与代价

优势是特定任务上的能效、时延与总拥有成本;代价是研发周期长、一次性投入高,算法变化后适应性弱。规模不足时,省下的运行成本可能覆盖不了设计、验证、流片和软件投入。

投资上真正要问什么

定制芯片的订单不只取决于“技术能不能做”,还取决于客户负载是否稳定、预期用量能否摊薄 NRE、设计服务商是否可复用 IP,以及后续每代产品能否延续。一个样片或一次流片,离规模收入仍很远。

适合任务 云端固定负载、搜索推荐、特定推理、网络处理

常见代表 Google TPU、云厂商自研加速器、定制推理芯片

收入逻辑 NRE 设计费 + IP 授权 + 量产芯片或服务收入

必须核验 客户、流片节点、验证状态、量产数量与后续代际

常见误判 把“获得设计项目”直接等同于长期量产订单

02.4 · NEURAL ACCELERATOR

NPU:围绕神经网络优化的加速单元

Neural Processing Unit · 神经网络处理器

它如何工作

NPU 通常强化张量、矩阵乘加、低精度计算和片上数据复用,以更低功耗执行神经网络。它可以是一颗独立芯片,也可以作为 IP 模块集成在手机、PC、汽车或机器人 SoC 中。从分类上看,许多 NPU 就是神经网络用途的 ASIC。

为什么端侧需要它

端侧设备受电池、散热、网络与隐私限制,需要本地、低时延地完成图像、语音和传感器推理。NPU 可从 CPU 卸载这些计算,Arm 的端侧 AI 资料也把低功耗神经网络推理与专用加速作为核心场景。[ 4 ]

NPU 不只存在于手机

“NPU”更像产品定位用语,并没有统一到只有一种结构。它可以服务端侧推理,也可以用于边缘服务器或数据中心的特定 AI 负载;部分架构也能参与训练。比较 NPU 时必须先统一模型、精度、功耗、延迟和软件版本。

优势与代价

优势是在匹配模型上的高能效和低时延;代价是模型算子覆盖、编译器成熟度和开发工具可能成为瓶颈。终端拥有 NPU,不等于用户会高频运行本地 AI,更不等于芯片厂已经获得高价值增量收入。

适合任务 图像识别、语音、实时翻译、座舱、机器人感知

常见代表 手机与 AI PC SoC 中的 NPU、车载和边缘 AI 加速器

收入逻辑 SoC 升级、NPU IP 授权、独立加速芯片与解决方案

必须核验 终端出货、应用渗透、模型覆盖、功耗和工具链

常见误判 把发布会 TOPS 数字直接当作用户价值和公司利润

03

把四类芯片放在同一张表里

这张表比较的是典型情况,不是绝对规律。具体产品会因架构、软件、制程与工作负载而变化。

比较维度 CPU GPU ASIC NPU
设计目标 通用控制与计算 高吞吐并行计算 为特定任务定制 神经网络加速
通用性 最高 高 较低 中低
并行能力 中 很高 按任务定制 高
匹配任务的能效 中 中高 通常很高 通常很高
软件与开发 成熟、兼容面广 生态决定可用性 需配套编译器与工具 依赖算子、模型与工具链
前期开发成本 平台复用 平台复用 高,需大规模摊薄 独立芯片高;IP 集成相对可复用
典型场景 主机、控制、通用服务 训练、通用推理、HPC 云厂商固定负载 端侧与特定推理
最容易忽略的瓶颈 平台兼容与 I/O 显存、互联与软件利用率 客户规模与迭代风险 真实应用与模型适配

阅读方法:先选定工作负载,再比较“性能 × 功耗 × 软件 × 总成本”。脱离场景,只比较一个算力数字,没有投资意义。

04

一颗芯片:从需求定义到真正量产

芯片不是画完电路就结束。设计、制造、封装、软件和客户认证任一环节出问题,都可能让项目停在收入兑现之前。

  • 01

定义需求与工作负载

先回答客户是谁、运行什么模型、需要多大吞吐和多低时延、功耗上限是多少、采用哪种接口,以及目标售价和出货量。需求定义错误,后面做得越快,浪费越大。

决策门:场景是否真实,规模是否足够

  • 02

架构与 IP 选择

确定 CPU、矩阵单元、缓存、片上互联、内存接口和 I/O 的组合,并决定自研还是购买 IP。核心取舍是 PPA:性能、功耗和面积之间如何平衡。

决策门:架构能否满足 PPA 与成本

  • 03

RTL 与电路设计

工程师用硬件描述语言把架构变成可综合的逻辑,并完成模拟电路、时钟、电源等设计。此时产品仍是代码和模型,并没有实体芯片。

决策门:功能规格是否完整实现

  • 04

EDA 仿真与功能验证

通过仿真、形式验证、原型验证等方法寻找逻辑错误。EDA 工具贯穿规划、综合、布局布线、验证和制造准备;越晚发现错误,返工成本越高。[ 5 ]

决策门:功能是否正确、覆盖率是否达标

  • 05

物理设计与签核

把逻辑门放置在芯片版图上,连接布线,并检查时序、功耗、信号完整性和可制造性。签核是送厂前的最后一道系统检查。

决策门:版图是否达到流片标准

  • 06

流片与掩模准备

最终版图交给晶圆厂,转换成制造所需数据与掩模。先进芯片一次流片成本高,若设计错误,可能需要重新修改并再次流片。

决策门:首批样片能否按计划回片

  • 07

晶圆制造

晶圆厂反复进行薄膜沉积、光刻、刻蚀、离子注入和金属互连,在硅片上形成多层晶体管与线路。制造包含数百个步骤,光刻只是其中关键环节之一。[ 6 ]

决策门:工艺稳定性与晶圆良率

  • 08

晶圆测试与切割

先在整片晶圆上测试裸片,识别可用芯片,再将晶圆切割。对多裸片封装而言,能否获得足够多的合格裸片尤其重要。

决策门:合格裸片数量与单位成本

  • 09

封装与成品测试

封装负责供电、信号连接、散热和机械保护,最终测试确认功能、性能与可靠性。AI 芯片常对高密度互连提出更高要求,但先进封装将在独立专题展开。[ 9 ][ 14 ]

决策门:封装良率、散热与可靠性

  • 10

软件适配、客户认证与量产

驱动、编译器、算子库和整机适配必须与芯片同步成熟。客户会进行性能、稳定性与供应认证;只有持续交付并形成复购,项目才真正从技术进展进入商业兑现。

决策门:订单能否转成收入和现金流

关键纠偏

流片 ≠ 点亮 ≠ 客户认证 ≠ 量产。 新闻稿里的技术节点越靠前,距离财务兑现通常越远。研究时必须写清公司目前处在哪一关。

05

产业链位置决定商业模式

同样受益于 AI,不同环节赚的是不同的钱。先判断公司在链条中的角色,再选择正确的财务和经营指标。

上游工具

EDA / IP

把设计方法和可复用模块卖给芯片公司。

授权费、订阅费、版税

→

产品定义

芯片设计

决定芯片做什么、怎样做,并组织软硬件生态。

芯片销售、方案、NRE

→

前道制造

晶圆代工

用工艺平台把版图制造成晶圆上的裸片。

晶圆收入、产能利用

→

后道制造

封装测试

完成连接、保护、测试和系统级集成。

封测收入、稼动率

→

需求入口

系统与客户

服务器、云厂商与终端把芯片变成可用产品。

部署量、利用率、复购

Fabless|无晶圆厂设计公司

把资本集中在产品、设计和软件上,制造交给 Foundry。优点是资产相对轻;风险是研发费用高、产品周期波动、外部产能与客户集中。

重点看 研发效率、产品收入结构、毛利率、库存、客户验证与复购

不要只看 一次流片、峰值算力、发布会合作名单

Foundry|晶圆代工

提供制造工艺和产能,把客户设计变成芯片。它是重资产生意,工艺、良率、产能利用率和客户组合共同决定回报。TSMC 的 dedicated foundry 模式体现了设计公司与代工厂之间的专业分工。[ 7 ]

重点看 工艺平台、良率、稼动率、资本开支、平均售价与客户结构

不要只看 名义产能和单一制程节点

IDM|垂直整合器件厂商

同时覆盖设计和制造,能协同优化产品与工艺,但也要承担晶圆厂的资本开支和周期风险。分析时需要拆开各业务线,而不是用一个标签概括全部能力。

重点看 产品竞争力、制造效率、资本回报与内外部产能协同

不要只看 “全产业链”叙事

OSAT|专业封装测试

承接晶圆测试、封装、成品测试等后道环节。AI 推动高密度互连需求,但普通封装与先进封装的设备、客户和价值量差异很大,不能混为一谈。[ 14 ]

重点看 先进产能占比、稼动率、客户认证、资本开支与盈利兑现

不要只看 规划产能和“具备能力”表述

产业链的标准路径可概括为研发与设计、前道制造、后道封装测试,再进入电路板与系统产品。[ 9 ] 本篇不展开设备、材料、HBM 和先进封装的细分格局,避免与后续专题重复。

06

投资研究:从技术故事走到财务证据

投资不是判断一颗芯片“先进不先进”,而是判断技术能否在合理时间内变成可持续收入、利润与现金流。

FACT

已验证事实

产品规格、流片状态、客户认证、订单、收入、毛利率和现金流。每项都注明来源与日期。

INFERENCE

行业推演

算力需求、国产替代、端侧渗透、供需瓶颈。明确前提,不把可能性写成确定性。

MAPPING

交易映射

公司哪项业务受益、收入纯度多高、兑现要多久、当前估值是否已提前反映。

01

需求从哪里来?

客户是在做实验、采购样机,还是已经部署到生产环境?用资本开支、服务器出货、终端销量或调用量交叉验证。

02

产品走到哪一步?

区分立项、流片、点亮、送样、认证、小批量和量产。每跨过一关,商业确定性才上升一级。

03

壁垒究竟是什么?

可能来自架构、软件生态、IP、工艺、良率、认证、供应链或客户迁移成本。若竞争者半年内可复制,就不是强壁垒。

04

收入怎样产生?

卖芯片、收授权费、收 NRE,还是提供整机方案?不同模式的毛利、现金流、确认节奏完全不同。

05

谁限制它放量?

设计公司可能受晶圆、封装、存储或客户验证限制;代工厂可能受设备、良率和稼动率限制。瓶颈会移动,不能永远沿用旧叙事。

06

价格反映了多少?

把乐观、中性、悲观三种销量与利润假设写出来,再对照估值。好行业、好公司与好价格是三个问题。

证据阶梯

越往右,离财务兑现越近

  • 01概念 / 规划

  • 02样片 / 流片

  • 03点亮 / 测试

  • 04客户认证

  • 05订单 / 排产

  • 06收入 / 复购

  • 07利润 / 现金流

公司角色 最该跟踪的经营指标 最常见的错误代理指标
CPU / GPU 产品公司 产品收入、客户复购、软件生态、服务器适配、毛利与库存 峰值算力、发布会合作数量
ASIC / NPU 公司 设计项目阶段、量产数量、NRE、IP 复用、客户集中度 流片次数、TOPS 总和
EDA / IP 公司 授权续约、版税、客户设计项目、研发投入与产品覆盖 拥有多少 IP 名称
晶圆代工 稼动率、良率、产品组合、资本开支、折旧与平均售价 规划产能、单一制程标签
封装测试 高价值业务占比、稼动率、客户认证、资本回报 先进封装关键词出现次数

五个最浪费研究时间的坑

  • **把分类当结论:**名字叫 GPU、NPU 或“国产算力”,不自动等于产品可用或市场领先。

  • **把参数当体验:**脱离模型、精度、批量、功耗和软件,TOPS / FLOPS 无法直接比较。

  • **把技术节点当业绩:**流片和点亮是必要进展,但收入还要经过认证、排产和交付。

  • **把产业增长当公司增长:**公司可能业务纯度低、份额下降、受制于供给,或利润被客户压缩。

  • **把好公司当好价格:**市场可能已经提前交易多年增长,估值与兑现速度必须一起看。

07

A 股公司研究映射

以下只示范“公司应该放在哪、下一步查什么”,不构成推荐,也不以公司名称代替基本面核验。

计算芯片 / 平台

海光信息

官方产品页将业务放在 CPU 产品与计算平台场景中。研究时应把 CPU 与其他加速产品分开,确认各自客户、收入贡献和软硬件生态。[ 10 ]

继续核验 产品代际、服务器适配、客户结构、销售增速、研发投入与供应保障

避免误读 不能因为处在国产算力链,就默认全部收入都是 AI 增量

AI 加速器

寒武纪

公开产品资料覆盖云端、边缘等 AI 加速形态。研究重点不是产品名数量,而是软件平台、模型适配、客户验证与规模交付。[ 11 ]

继续核验 产品收入、客户集中、库存、毛利、现金消耗、软件生态与复购

避免误读 送样或中标不必然等于持续、高毛利的规模收入

IP / 定制设计

芯原股份

官方资料显示其覆盖 GPU、NPU、VPU、DSP 等 IP,并提供定制芯片设计服务。分析时需拆分 IP 授权、版税与设计服务的确认节奏。[ 12 ]

继续核验 新签项目、在手订单、授权与版税结构、客户量产进度、研发效率

避免误读 设计项目多不等于当期利润高,后续量产与版税才决定长期质量

晶圆代工

中芯国际

公司处在把客户设计转成实体晶圆的 Foundry 环节。AI 需求只是下游之一,仍需结合工艺平台、客户组合、稼动率与资本开支判断。[ 13 ]

继续核验 稼动率、产品组合、折旧、资本开支、客户需求与供给约束

避免误读 不能把所有新增产能都直接按 AI 芯片高价值量估算

封装测试

长电科技

公司公开服务覆盖晶圆测试、封装和成品测试等后道环节。AI 相关机会需要落实到具体工艺、客户认证、产能与收入占比。[ 14 ]

继续核验 高性能计算相关产能、客户验证、稼动率、资本开支与盈利贡献

避免误读 “可做先进封装”不等于产能已满载或利润已经兑现

研究提示:公司业务、产品状态和财务数据会变化。实际投资前应以最新公告、定期报告、投资者关系记录及客户/供应链交叉证据为准。

读完后的研究顺序

先看任务,再看架构;先看节点,再看业绩。

  • 1

先确认训练、云端推理还是端侧推理,避免用同一套指标比较不同产品。

  • 2

再判断 CPU、GPU、ASIC、NPU 如何分工,并把软件、存储、互联放回系统里。

  • 3

沿“设计—流片—认证—量产”判断商业阶段,不让技术新闻替代财务证据。

  • 4

最后把行业趋势映射到公司收入纯度、利润、现金流与估值。

08

专业术语表

术语统一放在正文最后,需要时再查,不打断前面的理解路径。

晶体管 芯片中的微型电子开关。芯片能力取决于晶体管结构、数量、连接方式和工作频率,而不是只看数量。

晶圆(Wafer) 用于批量制造芯片的圆形硅片。一片晶圆上会同时形成许多裸片。

裸片(Die) 晶圆切割后得到的单颗芯片本体;封装前通常称裸片。

制程节点 一代制造工艺的综合标签,例如 7nm、5nm。它不等于芯片某个统一部位的实际尺寸。

光刻 利用光、掩模与光刻胶,把电路图形转移到晶圆上的关键工序。

刻蚀 按照光刻形成的图案,有选择地移除材料,留下需要的结构。

良率 一批产品中符合要求的比例。良率影响可交付数量、单位成本与毛利。

EDA 电子设计自动化工具集合,覆盖仿真、综合、布局布线、验证与签核等环节。

IP 核 可重复使用的功能模块,如 CPU 内核、接口控制器、NPU 或视频编解码模块。

RTL 寄存器传输级设计,用硬件描述语言表达数字电路如何工作。

流片(Tape-out) 设计版图完成签核并交给晶圆厂制造样片。流片成功不等于量产成功。

PPA Performance、Power、Area,即性能、功耗和芯片面积,是设计取舍的核心三角。

SoC System on Chip,把 CPU、GPU、NPU、接口等多个模块集成到一颗芯片。

Chiplet 把大芯片拆成多个小裸片,再通过封装互连组合成系统。

Fabless 无晶圆厂芯片设计公司,专注设计,把制造委托给晶圆厂。

Foundry 晶圆代工厂,根据客户版图制造裸片,并提供对应工艺平台。

IDM 同时覆盖设计和制造的垂直整合器件厂商,部分还覆盖封装测试。

OSAT 专业提供半导体封装与测试服务的厂商。

TOPS / TFLOPS 每秒可完成的运算量指标,但精度、利用率、内存和软件都会影响真实速度,不能脱离场景横比。

CUDA NVIDIA 的并行计算平台与编程模型,是其 GPU 软件生态的重要组成部分。

HBM 高带宽存储器,常与高性能加速芯片紧密连接,为其持续供给数据;本文只作边界提示。

REFERENCES

来源与延伸阅读

正文中的编号可直接跳到对应来源。优先采用公司、开发者文档与行业协会的一手资料。

  • [ 1 ]

Intel|CPU vs. GPU: What’s the Difference? ↗

用于 CPU、GPU 的核心数量、串行控制与并行吞吐差异。

  • [ 2 ]

NVIDIA|CUDA Programming Guide ↗

用于 GPU 并行编程模型与软件生态说明。

  • [ 3 ]

Google Cloud|Introduction to Cloud TPU ↗

用于 ASIC、矩阵计算、编译器与工作负载适配说明。

  • [ 4 ]

Arm|Edge AI ↗

用于 NPU 在端侧推理、能效与 CPU 卸载方面的说明。

  • [ 5 ]

Synopsys|What is Electronic Design Automation? ↗

用于 EDA 设计、仿真、综合、布局布线与验证流程。

  • [ 6 ]

ASML|How microchips are made ↗

用于晶圆制造、多层图形转移与光刻等工序说明。

  • [ 7 ]

TSMC|Dedicated Foundry Services ↗

用于晶圆代工模式及后段、先进封装服务边界说明。

  • [ 8 ]

Google for Developers|Supervised learning ↗

用于训练与推理两个阶段的基础定义。

  • [ 9 ]

Semiconductor Industry Association|How Are Semiconductors Made? ↗

用于研发、设计、前道制造、后道封测到系统产品的产业链结构。

  • [ 10 ]

海光信息|CPU 产品 ↗

用于国产 CPU 公司研究示例的产品定位。

  • [ 11 ]

寒武纪开发者社区|云边端产品介绍 ↗

用于 AI 加速器公司研究示例的产品形态。

  • [ 12 ]

芯原股份|公司介绍 ↗

用于半导体 IP 与定制设计服务公司研究示例。

  • [ 13 ]

中芯国际|公司社会责任报告(公司概况) ↗

用于晶圆代工公司研究示例。

  • [ 14 ]

JCET Group|Technology and services ↗

用于封装、晶圆测试与成品测试公司研究示例。

细分环节与公司档案

GPU

训练和推理都需要加速器,软件生态和系统级交付决定议价权。

CPU

CPU 弹性低于 GPU,但国产服务器和异构平台会强化 DCU/CPU 组合价值。

ASIC

当推理规模扩大,定制 ASIC 通过能效和成本分担部分 GPU 压力。

晶圆代工

AI 芯片需求最终落到先进节点、良率和产能利用率。

DPU

AI 集群越大,网络、DPU、SerDes 越影响 GPU 利用率。