20260616-国信证券-算力芯片行业报告_大模型驱动算力变革_国产算力迎增量机遇_34页_3mb

算力芯片行业报告总结

核心内容概览

本报告聚焦于大模型驱动下的算力芯片行业变革，分析了算力需求从训练侧向推理侧扩散的趋势，以及AI计算异构化、系统级协同对芯片竞争格局的影响。同时，探讨了海外和国产算力芯片厂商的发展动态与未来趋势。

主要观点

• 算力需求变化：随着大模型的快速发展，算力需求正从模型训练向推理侧扩散，推理侧的高吞吐、大并发和成本性能平衡成为关注重点。
• 芯片竞争转向综合效率：随着摩尔定律边际效应减弱，算力竞争已从单芯片性能提升转向芯片、软件生态、服务器、网络互联、液冷和大规模集群的综合效率。
• 海外芯片厂商平台化发展：英伟达、谷歌、AWS等厂商已从单芯片竞争转向平台化交付，强调“芯片+网络+软件+系统”的协同优化。
• 国产算力迎来增量机遇：国产大模型在2025年后加速迭代，与信创需求共振，推动国产算力芯片适配与放量，形成全栈效率优化。

关键信息

1. 大模型驱动算力需求扩散

• 算力需求从训练向推理扩散：2024年起，推理侧投资规模超过训练侧，成为算力需求增长的主要方向。
• 推理侧需求特征：强调高吞吐、大并发、低成本性能平衡，需求增速预计2024-2028年CAGR=14.3%，高于训练侧的13.8%。
• 算力五层结构：AI算力体系由能源、芯片、基础设施、模型、应用五层构成，各层协同发展。

2. AI计算异构化与系统级协同

• 异构计算体系：AI系统由CPU、GPU、TPU、NPU等不同芯片组成，分工明确，形成长期共存格局。
• 系统级协同优化：算力提升不仅依赖芯片性能，还需结合HBM、先进封装、互联技术、编译器、推理引擎、模型适配等技术进行综合优化。

3. 海外芯片厂商平台化趋势

• 英伟达：通过GPU、CUDA生态、NVLink和整柜系统构建通用AI算力平台，强调平台化交付。
• 谷歌：以TPU为核心，服务自有模型和云客户，逐步发展为训练与推理兼顾的云端平台。
• AWS：推出Inferentia和Trainium两条ASIC产品线，降低云端AI训练与推理成本。

4. 国产大模型与算力适配

• 国产大模型加速发展：自2025年起，DeepSeek-R1、智谱GLM等国产大模型迭代显著提速，中美成为全球大模型供给的两大核心。
• 国产算力适配重点：从单卡峰值算力竞争转向模型-芯片-框架-集群协同优化，提升显存容量、带宽、KV Cache管理、专家并行、跨节点通信、负载均衡等。

5. 国产算力厂商布局

• 华为：构建从昇腾AI芯片、Atlas加速卡、AI服务器、AI集群，到CANN软件栈、MindSpore/MindIE工具链及华为云ModelArts平台的全栈布局。
• 其他厂商：包括平头哥、海光信息、壁仞科技、摩尔线程等，均在信创体系中获得认可，推动国产算力生态发展。

算力芯片技术演进

1. 算力芯片核心指标

2. 算力芯片演进方向

• 通用计算 → 并行计算 → 矩阵加速 → 系统级算力
• 从单芯片性能提升 → 芯片、软件生态、系统级协同优化
• 从芯片制程升级 → 机柜级、集群级技术迭代

算力需求与大模型发展

• 大模型发展推动算力需求：模型训练和推理需求持续增长，推动算力芯片、HBM、互联技术等多方面的技术迭代。
• 算力需求增长速度：超过传统摩尔定律，算力需求正以更快速度增长，2025年知名模型算力需求已上升多个数量级。
• 算力密集度：美国大模型算力密集度高于中国，但中国大模型在数量和迭代速度上持续追赶。

算力中心产业链

• 上游：AI加速芯片、HBM、先进封装、液冷等。
• 中游：算力中心服务商（电信运营商、云服务商、第三方算力中心）。
• 下游：互联网、AI、金融等领域。

未来展望

• 国产算力机遇：随着大模型迭代和信创需求增长，国产算力芯片有望在推理侧和行业应用中持续放量。
• 技术趋势：算力升级将聚焦于更大存储、更稠密算力、更大带宽，同时推动机柜级、集群级技术发展。
• 竞争格局：未来算力竞争将围绕“芯片+软件+系统”的综合效率展开，形成百花齐放的异构算力生态。

重要数据

• 2024年推理收入：约23,000百万美元，已超越训练侧。
• 2025年推理收入：预计达26,000百万美元。
• 2026年推理收入：预计达31,000百万美元。
• 2027年推理收入：预计达36,500百万美元。
• 2028年推理收入：预计达41,500百万美元。

总结

大模型的快速发展正在重塑算力需求结构，推动算力从训练侧向推理侧扩散。算力竞争已从单芯片性能提升转向系统级协同优化，强调综合效率。海外芯片厂商正通过平台化交付提升竞争力，而国产算力芯片在信创需求与大模型迭代的推动下，迎来加速适配与放量的机遇。未来，算力芯片将朝着更大存储、更稠密算力、更大带宽方向发展，同时推动机柜级和集群级技术升级，形成多元化的异构算力生态。