大模型驅動算力變革，國產算力迎增量機遇

算力需求從訓練側向推理側外溢

當前AI算力需求正經歷結構性轉變，從前期的模型訓練加速向規模化落地的應用推理側外溢。隨著摩爾定律邊際效應減弱，算力競爭的核心已從傳統的單芯片峰值性能提升，全面轉向芯片、軟件生態與系統級集群的綜合效率優化。在海外高端芯片銷售受限的背景下，國內信創需求與大模型迭代共振，推動本土AI芯片廠商加速適配并放量，國產算力全棧生態迎來增量機遇。

大模型的發展趨勢呈現出更智能、更快捷、更便宜的特征。海外大模型廠商如OpenAI、Google等保持高頻迭代，追求智能化升級；國產大模型在經歷技術蓄力后，自2025年起以DeepSeek-R1、智譜GLM等為代表的產品迭代顯著提速，中美已成為全球大模型供給的兩大核心。隨著AI應用規模化落地，針對推理基礎設施的投資規模從2024年開始超越訓練側，推理側更強調高吞吐、大并發以及成本性能的平衡。

AI計算異構化與系統級協同

AI算力產業正從“單芯片性能提升”轉向由芯片、先進封裝、高帶寬存儲（HBM）、編譯框架、液冷及大規模集群構成的系統級協同優化。AI系統本質是異構計算體系：CPU負責通用調度，GPU承擔大規模并行通用加速，而TPU/NPU等ASIC芯片則在特定模型和推理降本中發揮效率優勢，形成百花齊放的長期共存格局。

算力芯片的演進方向從通用計算、并行計算、矩陣加速最終走向系統級算力。在機柜級和集群級層面，互聯技術沿著Scale-out（集群級升級）和Scale-up（機柜級升級）兩個方向發展。超節點需求應運而生，單機柜算力升級向超節點模式發展，且超節點帶動液冷、銅纜等技術的升級。隨著大模型參數的持續擴張，算力集群規模越來越大，CPO技術和PCB材料的升級成為滿足日益提升傳輸速度需求的重要方向。

海外芯片龍頭走向平臺化交付

海外AI芯片競爭已從單顆芯片性能比拼演進為芯片、互聯、軟件、云服務、整機系統的綜合交付能力競爭。英偉達依托GPU、CUDA、NVLink和整柜系統構建通用AI算力平臺，將單芯片競爭擴展為“芯片+網絡+軟件+系統”的平臺競爭。谷歌以TPU為核心，服務自有模型和谷歌云客戶，從內部專用推理芯片走向云端通用AI基礎設施。AWS通過Inferentia和Trainium兩條ASIC產品線將云端AI成本拆解，降低單位訓練與推理成本，從單一芯片產品走向“芯片+云實例+軟件SDK+AI服務”的云平臺生態。

國產算力適配與信創共振

國內信創市場正從傳統的通用算力國產替代轉向智能算力基礎設施升級。2026年5月，國家首次在安全可靠測評中設立專門AI芯片品類，華為海思、平頭哥、海光信息、壁仞科技、摩爾線程等9款國產芯片獲評安全可靠等級Ⅰ級，正式納入信創體系。國產算力的焦點不只是單卡峰值，而是“芯片 + HBM + 互聯 + 服務器 + 編譯器/算子庫 + 推理引擎 + 模型適配”的全棧效率。

國產大模型進入“Agent化、長上下文、多模態、低成本推理”階段，智譜、MiniMax、DeepSeek等廠商在Coding、工具調用、長上下文任務處理和多模態Agent方向展現能力。國產算力適配重點將從單卡峰值算力競爭，轉向模型-芯片-框架-集群協同優化，圍繞長上下文提升顯存容量、帶寬和KV Cache管理，圍繞MoE強化專家并行、跨節點通信和負載均衡。未來隨下游國產云計算廠商、運營商等需求打開，國產算力芯片有望持續增長。