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 ]
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 ]
用于国产 CPU 公司研究示例的产品定位。
- [ 11 ]
用于 AI 加速器公司研究示例的产品形态。
- [ 12 ]
用于半导体 IP 与定制设计服务公司研究示例。
- [ 13 ]
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。
-
市场空间(原口径):服务器主机与国产算力平台底座
-
壁垒:高
-
成长:中高
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。
-
市场空间(原口径):先进制程产能决定高端 AI 芯片供给
-
壁垒:极高
-
成长:中高
DPU
AI 集群越大,网络、DPU、SerDes 越影响 GPU 利用率。