报告日期：2026年8月10日

★算力的基本情况

算力是集信息计算力、网络运载力、数据存储力于一体的新型生产力，一般分为通用、智能和超算算力。从经济学角度看，算力兼具资本品、生产资料和服务商品三重属性。行业通常使用FLOPS衡量算力，截至1H25全球计算设备算力总规模达4495EFLOPS（FP32），截至6M26中国智能算力规模达2185EFLOPS（FP16），大模型训练与生成式人工智能应用快速落地，加速推动算力需求增长。

★算力产业链

算力产业链，电力决定成本与扩张边界，芯片决定性能上限，系统与算力中心决定有效供给，平台决定商品化程度，而模型与应用决定需求结构。1）资源与能源决定长期运行成本和区域供给弹性；2）芯片与存储决定基础架构与数据供给效率；3）服务器、网络与硬件把单芯片能力转化为稳定、可扩展的集群和有效算力；4）算力中心，服务企业IT、人工智能训推及科学计算；5）云与调度平台降低用户投入，是算力由资产变为商品的关键；6）模型是算法与数据的集成载体，连接算力供给与需求，决定算力调用的结构与规模；7）终端应用是需求与价值实现端，是产业链价值兑现和需求持续性的最终来源。

★全球算力的竞争格局

全球算力竞争本质上是国家经济实力和产业体系的综合比拼，算力规模与经济总量高度相关。产业链已形成高度专业化、跨区域协作格局，美国掌握芯片设计、云平台、模型生态及高价值定价环节，中国在服务器制造、算力基础设施和应用场景方面具备优势，中国部分地区、韩国、日本和荷兰分别在先进制造、存储、材料及设备领域占据关键位置，中东、北欧和东南亚则依托能源、气候和区位承接新增数据中心。未来竞争将由规模扩张逐步转向效率竞争，能源成本、芯片供给、模型优化及产业应用效率的重要性进一步提升，算力定价也由硬件锚向电力锚和价值锚演进。

★风险提示

算力需求增长不及预期风险；技术迭代及设备供给风险；能源基础设施约束风险；标准化及金融化推进不及预期风险。

1.1、算力的定义

在传统信息技术叙事中，计算能力经常被等同于处理器性能，行业规模则用服务器数量、芯片销量或数据中心机架数表示。此口径适合描述硬件产业，不足以解释人工智能时代的算力经济。

狭义上，算力是计算设备在单位时间内执行运算的能力。广义上，算力是计算、网络运载、数据存储、能源供给和软件调度共同支撑数字任务的综合生产能力。工信部等六部门在2023年印发《算力基础设施高质量发展行动计划》，将算力概括为集信息计算力、网络运载力、数据存储力于一体的新型生产力，并提出通用、智能和超级算力协同发展的供给体系。

从经济学角度看，算力兼具资本品、生产资料和服务商品三重属性。1）作为资本品，算力依托硬件设施及数据中心等重资产形成，前期投资规模大且建设周期长，并伴随较快的技术迭代和经济性折旧；2）作为生产资料，算力与数据、算法共同进入企业生产，通过研发辅助和决策优化提升劳动生产率与全要素生产率；3）作为服务商品，算力又可经由云平台被计量和按需交付，以Token（词元）或租赁时长等形式计价。三重属性叠加，使其价格既受资本开支周期影响，亦受技术进步和终端需求影响。

在数字经济框架下，算力体系由算力规模、算力产业、算力技术、算力环境和算力应用五大核心维度构成。1）算力规模反映计算资源的供给能力，是衡量区域数字化生产力水平的指标；2）算力产业涵盖决定算力供给的完整性与产业竞争力，是底层物理基础；3）算力技术是提升算力性能和效率的主要动能；4）算力环境由能源、政策及基础设施等要素构成，为算力建设和运营提供基础条件；5）算力应用为需求侧，体现算力在多场景中的实际需求和价值转化能力。

算力环境位于体系底层，电力、土地、网络、资本、人才及政策共同决定算力建设的成本边界和扩张条件。环境条件越完善，算力设施的建设周期越短，运营成本越低，资源配置效率也越高，但资源优势本身并不会自动转化为算力优势，还需要技术和产业体系完成能力转化。算力技术决定性能和成本的优化方向，包括芯片架构、集群互联、存储系统、调度算法及软件工具链等。算力产业则负责将技术成果转化为可复制、可交付和可持续运营的产品与服务。二者共同决定算力供给的质量，前者影响单机和集群的性能上限，后者影响服务交付的规模化水平。在技术进步和产业化能力的共同作用下，算力规模才得以持续扩张。算力应用是整个体系的需求侧。人工智能、金融、科研和制造业等下游场景的扩张，会直接带动芯片、服务器及数据中心的投入。同时，不同行业对精度、安全性和成本的差异化要求，反向推动芯片架构、软件生态和算力调度方式迭代。

1.2、算力的计量

行业通常使用FLOPS衡量算力。Flop表示一次浮点运算，FLOPS表示每秒浮点运算次数，常用十进制单位依次为GFLOPS、TFLOPS、PFLOPS和EFLOPS。

产业中常见“1P算力”，其中“P”即为PFLOPS的简写，深入可知P为Peta（10^15）的缩写，1P算力即1PFLOPS，表示1秒钟内最多可完成约1000万亿次浮点运算。

不难看出，FLOPS是速率指标，非产量指标。若需要衡量一段时间内可提供的算力产量，则需引入时间维度的PFLOPS·小时。例如，持续使用1P算力1小时，可表述为1PFLOPS·小时，或1 P·小时。类似于电力市场中千瓦与千瓦时之区别，千瓦表示功率，千瓦时表示一定时间内的用电量。不过，算力比电力更难完全标准化，即使两项服务均标称为1 PFLOPS·小时，不同芯片、计算精度、稀疏模式、内存带宽和软件优化水平也会造成实际任务吞吐量的显著差异。其实际能够完成的工作量仍可能存在明显差异。因此，尽管PFLOPS·小时在理论上定义了工作量，但当前市场实际交易仍以GPU-hour、卡·小时或“卡时”为主要结算单位。

脱离计算精度谈P数，通常缺乏可比性。同一块芯片在FP32、FP16、FP8或FP4等不同精度下，对外公布的峰值算力或相差数倍甚至更高。低精度数据占用的存储空间较小，芯片在同一时间内可以处理更多数据，因此其名义P数通常更大，但低精度亦会带来信息损失，并非所有任务均可使用。

此外，P数还需要区分理论峰值和实际有效性能。厂商公布的峰值算力通常是在特定精度、特定运算方式和理想运行条件下测得的硬件上限。实际运行中，数据读取、显存带宽、芯片通信及软件适配等因素，均会使真实可用算力低于理论峰值。因此，P数仅可作为基础计量单位，不建议单独代表算力资源的质量和经济价值。

1.3、算力的分类

2023年，工信部等六部门在印发的《算力基础设施高质量发展行动计划》中，提出构建通用、智能和超级算力协同发展供给体系的基本原则。笔者按，

通用、智能和超算算力是面向业务负载、系统架构和资源组织方式的分类，而非彼此排斥的芯片分类。1）通用算力主要由CPU及其服务器集群提供，适合数据库、企业应用与Web服务等任务，CPU核心数量相对有限但功能完备，其商业价值往往由核数、主频与内存等决定，并非仅关注FP峰值；2）智能算力服务深度学习训练、推理及生成式AI等任务，硬件包括GPU、ASIC与NPU，其共同特征是大量并行计算单元或专用矩阵单元，并依赖高带宽存储和高速互联，因此不同架构的P数不宜简单相加；3）超算算力面向气象、材料、生命科学及油气勘探等科学与工程计算，强调高精度、超大规模并行、节点通信和稳定运行，现代超算大量采用GPU等加速器，AI集群也可运行部分科学计算。

1.4、算力的规模

全球算力规模保持高速增长，数据总量同步攀升。截至6M25，全球计算设备算力总规模已达4495EFLOPS（FP32），同比大幅增长117%。其中，智能算力规模达3846EFLOPS（FP32），占比攀升至85%，基础算力与超算算力分别达597EFLOPS和52EFLOPS，后者同比增速达63%。同时，数据总量持续激增，2024年全球数据总产量达173.4ZB，同比增长34%。1）基础算力主要受益于企业数字化转型深化，推动全球公共云基础设施即服务（IaaS）市场规模在2024年达到1717.55亿美元，同比增长22.5%，预计未来五年年均增速超过20%，至2029年市场规模将接近5000亿美元；2）智能算力则受大模型创新驱动显著，2024年以来，Qwen3-Max、GPT-5、Grok4等前沿大模型密集发布，单模型训练算力需求已进入10^25Flop至10^26Flop量级，故全球AI IaaS市场迎来爆发式增长，2024年规模达74.47亿美元，涨幅超6倍，其中训练与推理服务分别为40.96亿和33.51亿美元；3）超算领域，E级超算仍是国际竞争焦点，继2017年“神威·太湖之光”之后，6M26TOP500榜单中，中国灵晟（LineShine）以HPL实测2.198 EFLOPS登顶全球超算榜单，理论峰值约2.736EFLOPS。

中国算力基础设施建设加快，设备供给和市场需求持续增长，智能算力正成为产业发展的主要动力。1）基础设施方面，截至3M26，全国在用算力中心标准机架达1445万架，截至6M26，全国智能算力规模达到2185EFLOPS（FP16），同比增长177%，全国算力设施整体上架率为71.4%，万卡智算集群、算力大通道等新型基础设施加速落地，八大国家算力枢纽、十个国家算力集群、三个算电协同发展区域的“8+10+3”，空间布局初步形成，全国一体化算力网监测调度平台已将全国约七成智能计算算力纳入监测覆盖范围；2）设备供给侧，截至6M25，中国计算设备算力总规模达962EFLOPS（FP32），全球占比约21%，同比增速高达73%，其中智能算力规模占比达81%，成为绝对主导；3）产业层面，根据中国信通院的数据，2024年中国通用服务器出货373.1万台，AI服务器出货63万台，同比大增93%，加速服务器市场规模221亿美元，同比大增134%，GPU服务器以约70%的份额占据主导，达155亿美元。同时，智能算力需求仍在指数级扩张，中国日均Token调用量从2024年初的1000亿飙升至3M26的140万亿，预计算力增长动能将进一步向智能侧集中。

总体来看，大模型训练与生成式人工智能应用快速落地，加速推动算力需求持续增长。根据OpenAI的研究，大型模型训练任务所使用的算力呈指数级增长，其翻倍周期仅为3.4个月，明显快于摩尔定律所描述的半导体性能约2年翻番的提升速度。2012年至2018年，此指标增长了超过30万倍，若按摩尔定律2年的翻倍周期计算，增长仅有7倍。根据IDC2023年的数据，24%的中国企业已在生成式AI方面投入较多资金，35%的中国企业正在开展大模型初步测试和概念验证，而截至2025年，有超过半数的中国500强企业采用AI与自动化技术检测和自动处理数据。

1.5、算力的环节

黄仁勋提出了AI“五层蛋糕”（Five-Layer Cake）的框架，将AI产业自下而上划分为五个层次：能源、芯片、基础设施、模型、应用。其提出该框架的出发点，是AI与传统软件的生产方式发生变化。传统软件主要执行预先编写的指令，边际运行成本较低，而生成式AI则在每次调用中实时产生智能，Token的生成持续消耗电力、芯片周期、存储和网络资源。因此，五层顺序对应约束逐级传导。1）能源决定AI工厂可获得的功率和长期运行成本；2）芯片把电能转化为计算，其性能、内存带宽和互连能力决定训练与推理效率；3）基础设施通过服务器、网络、存储、制冷和集群软件，把离散芯片组织成可用的算力产品；4）模型把算力和数据沉淀为通用能力；5）应用再结合行业流程、数据和渠道，把能力转化为付费、降本或资本回报。

算力产业链不是单纯的服务器制造链，而是从能源与物理资源输入，经芯片、系统、数据中心和云平台形成算力供给，再由模型与应用完成价值变现的纵向体系。基于黄仁勋“五层蛋糕”的框架，我们详细分解了算力产业链的各部分，将其划分为七个环节：1）资源与能源；2）芯片与存储；3）服务器、网络与硬件；4）算力中心；5）云与调度平台；6）模型；7）终端应用。

具体看算力产业链，电力决定成本与扩张边界，芯片决定性能上限，系统与算力中心决定有效供给，平台决定商品化程度，而模型与应用决定需求结构。1）资源与能源决定长期运行成本和区域供给弹性，电力、水、土地及硅、铜、锂等材料构成底层约束，高负荷、长周期用电使电网接入、绿电、储能和水资源保障成为项目落地前提；2）芯片与存储决定基础架构与数据供给效率，涵盖芯片设计、晶圆制造、封装测试及HBM，壁垒集中在架构与软件生态、先进制程、良率控制和高端封装，全球分工高度集中；3）服务器、网络与硬件通过GPU/NPU服务器、高速互联、供配电和液冷，把单芯片能力转化为稳定、可扩展的集群算力，网络、供电与散热共同决定有效算力；4）算力中心，包括数据中心、智算中心和超算中心，分别服务企业IT、人工智能训推及科学计算，建设重点转向高密机柜、液冷和低时延网络；5）云与调度平台将重资产算力切分为按需、预留或竞价服务，通过资源池化、统一接口、跨地域调度和价格发现提升利用率，降低用户投入，是算力由资产变为商品的关键；6）模型是算法与数据的集成载体，连接算力供给与需求，预训练、后训练和推理共同决定算力消耗，多模态、长上下文和智能体调用持续抬升推理负荷，故其决定算力调用的结构与规模；7）终端应用是需求与价值实现端，覆盖终端各类需求，通过真实调用形成收入和复购，并反向决定芯片选型、云资源采购与数据中心利用率，是产业链价值兑现和需求持续性的最终来源。

2.1、资源与能源

人工智能基础设施的第一约束并非芯片，而是能否在适当地点持续获得稳定的电力。高密度机柜显著提高单机房功率需求，数据中心对电力的需求具有大负荷且长周期的特征。根据IEA的预测，全球数据中心用电量将由2025年约485TWh增至2030年约950TWh，此数字几乎接近当前日本全国用电规模，而AI导向的数据中心用电量或在同期增长约3倍。2017年以来，全球数据中心用电量年均增速约为12%，其中发达经济体新增用电需求对整体电力需求增量的贡献超20%。从主要贡献分布看，中美合计贡献全球数据中心用电规模的绝大部分，可见算力基础设施仍将呈现较强的区域集中度，全球新增算力容量仍将围绕少数大型市场展开。美国数据中心用电规模最大，约占全球总量的45%，中国与欧盟紧随其后，分别贡献约25%和15%。

1）美国电力问题并非单纯的电力缺口，基础设施正逐步成为项目落地的关键瓶颈。根据LBNL的数据，2024年美国数据中心用电量达192TWh，占全美用电4.7%。数据中心建设周期通常短于发电和输电设施，机房可在1年至3年内建成，而骨干电网扩建则需要更长时间。北弗吉尼亚是典型案例，其数据中心负荷快速聚集，NOVEC区域数据中心夏峰负荷预计由2025年约1.4GW增至2030年超过5GW，新增项目必须与变电站、输电走廊和上游电源同步推进。得克萨斯州则展示了另一种路径，在高峰或系统紧张时，部分负荷可主动降载、移峰或调用现场备用电源，数据中心训练任务具有一定可迁移性，但在线推理和关键业务的可中断空间有限。

2）中国“全国一张网”与特高压构成结构性优势。2025年全国数据中心总用电量约为170 TWh，占全社会用电量的1.6%。近三年全国一体化算力网络八大枢纽节点算力用电量平均增长率约为39.5%。预计到2030年，全国算力用电量将达800 TWh，占全社会用电量约6%。与美国相比，中国的优势在于电源基地、跨区输电、国家算力枢纽与行政协调机制能够形成组合，西部新能源、土地和低温资源支撑非实时训练、渲染和存储任务，东部则保留低时延推理与行业核心数据处理。“全国一张网”与特高压的本质是同时移动两种要素，一是通过西电东送把电送向负荷中心，二是通过算力网络把可迁移任务送向资源中心。两条路径共同降低东部需求集中与西部资源富集的空间错配，但其边界同样清晰，网络时延、数据安全和跨域调度效率决定了并非所有工作负载都适合西迁，因此东部节点仍需高可靠电源与储能支撑。

3）欧洲能源成本和监管要求普遍更高。欧洲拥有较高比例的可再生能源和部分稳定的核电资源，同时具备较成熟的数据治理体系，但欧盟要求装机IT功率需求达到500 kW的数据中心披露能源消耗、可再生能源利用、废热回收和用水量等能源与可持续性指标并推进统一评级及最低性能标准。对项目投资而言，可再生能源采购、余热利用和PUE披露需要前置，审批周期与合规资本开支对项目收益的影响高于单纯服务器价格。

数据中心用电需求增长明显快于全社会用电需求，其占全社会用电量的比重亦在持续提升。2025年全国数据中心用电量约为170TWh，此前5年每年同比增速均高于10%，显著高于同期全社会用电量的增速。其占全社会用电量约1.6%，当前此比例仍处于相对较低水平，短期内总体尚难以超出电力系统的承载能力。但考虑到前述算力能耗快速上升，算力基础设施用电需求预计仍将保持较快增长，能源系统或从外部配套上升为算力产业的核心配套。

随着大模型由文本生成向图像、视频及多模态任务演进，单位任务的计算复杂度和硬件负载持续提升。根据IEA的数据，2024年底全球数据中心IT设备负载约68GW，较2010年增长约12倍，预计2030年将升至174GW，2025年至2030年新增负载约106GW，年均增加17.7GW。AI应用的单次请求能耗亦显著高于传统搜索，Google搜索约为0.3Wh，而ChatGPT和BLOOM分别约为2.9Wh和4.0Wh，AI赋能的搜索引擎单次请求能耗进一步升至6.9Wh至8.9Wh。美国能源部预计，2023年至2028年AI服务器用电需求将由40TWh激增达165TWh至325TWh，增长约4倍至8倍，其中训练环节用电占比或达50%至53%。尽管DeepSeek等高效模型通过算法优化降低了单次计算成本，但成本下降可能进一步扩大模型规模、调用频次和应用范围，形成明显的需求反弹效应。综合来看，在模型复杂度提升、推理需求扩张及算力基础设施持续建设的共同推动下，全球服务器及数据中心用电量仍将保持较快增长。

先进晶圆厂需要大量超纯水用于清洗，故水资源对先进晶圆制造形成约束。缺水地区并非绝对无法承载3nm以下制程，但必须增加再生水厂、超纯水系统及应急水源，项目周期和资本开支显著上升。超级晶圆集群已从厂务工程问题升级为区域水利工程，韩国龙仁半导体集群的远期规划用水约150万吨/日，量级接近首尔2023年峰值日自来水产量的45%。

算力产业扩张会同时拉动电子材料和能源材料等金属资源。1）电子材料侧，电子级硅决定晶圆供给，铜贯穿PCB、供配电、连接器和液冷换热，锡用于焊料、凸点和封装互连，镓、锗、铟用于射频、光通信、硅光探测器及化合物半导体；2）能源侧，锂、镍、钴和石墨支撑储能，银用于光伏导电浆料，钕、镨、镝等稀土则用于风机、电机和部分磁性元件。

从需求结构看，算力金属主要分为三类。1）电力基础设施金属，以铜为核心，AI数据中心相比传统数据中心具有更高功率密度，需要大量铜用于输配电、变压器及液冷基础设施；2）半导体关键小金属，包括镓、锗、铟等，镓主要用于氮化镓（GaN）功率器件和砷化镓（GaAs）射频器件，可提升AI服务器电源转换效率，锗则广泛应用于光纤通信及高速数据传输环节，此类金属绝对用量远低于铜，但由于供应集中度高、替代难度大；3）先进制造材料，包括高纯硅、钨、钽、稀土等，用于先进制程芯片制造、半导体设备以及服务器硬件。

2.2、芯片与存储

芯片开发与制造包括设计、晶圆制造和封装测试等主要阶段，重大设计或制造缺陷可能造成返工、报废或重新流片，显著延长交付周期。

1）芯片设计通常经历需求定义、微架构、RTL编码、功能验证、综合与时序收敛、物理设计、功耗/信号完整性分析和流片签核。AI芯片还需同步决定数据精度、片上缓存、HBM接口、Chiplet划分、互连拓扑及软件编程模型。设计复杂度的核心并非晶体管数量本身，而是数百亿乃至上千亿晶体管必须在功耗、面积、频率和可制造性之间同时满足约束。验证覆盖率不足或时序/功耗签核遗漏，或导致整批晶圆报废或重新流片，周期以季度计。

2）晶圆制造本质是重复构建晶体管和金属互连层。沉积、光刻、刻蚀、离子注入、退火、化学机械抛光、清洗和量测需要按层顺序循环，每一道关键工序后还要进行缺陷、膜厚、套刻和电性监控。根据Intel的披露，裸晶圆需在数周内经历数千道工序，现代洁净室包含超过1200台设备。因此，即使设备全部有空，同一片晶圆也无法跳过等待、搬运、稳定化和量测时间，而若出现工艺偏移，还需暂停批次、追溯原因并重新验证。行业工程实践中，先进AI芯片从投片到晶圆出厂常见约8周至12周，先进封装与测试再需约2周至4周，合计通常数周至数月。

3）晶圆完成后还需晶圆测试、切割、挑选Known Good Die、凸点制造、键合、中介层/基板组装、底填、散热结构、老化和终测。AI加速器往往同时集成多颗逻辑裸片和多堆HBM，单个组件失效即可拖累整颗高价值封装的良率。封装测试因此不再是低附加值后道，而是决定带宽、功耗、散热和交付数量的关键制造环节。

从全球分工看，芯片及存储产业的不同区域在长期资本投入、人才积累和产业集群效应作用下，逐步形成了相对稳定的比较优势。1）美国企业掌握设计、软件与部分核心设备；2）中国台湾地区承担先进晶圆代工和高端封装；3）韩国在DRAM和HBM领域具有较强竞争力；4）荷兰掌握高端光刻设备；5）日本则在硅片、光刻胶和高纯气体方面具有较强基础。

1）美国在全球半导体产业链中的核心优势，首先体现在芯片架构设计和产品定义能力。NVIDIA、AMD和Intel分别在GPU、CPU及异构计算等领域拥有深厚积累，同时Google、Amazon和Microsoft等云计算厂商也在持续推进定制AI芯片。EDA工具则是连接芯片设计与晶圆制造的关键桥梁。美国企业由此在产业链中掌握了较强的产品定义权和生态控制力，芯片设计企业决定GPU、CPU及ASIC的架构路线，云厂商决定实际负载及采购规模，EDA企业则提供从架构到版图的工程实现工具。即使晶圆制造环节位于其他地区，设计规则、软件生态和客户需求仍主要由美国企业向产业链上游传导。

2）中国台湾地区的核心优势集中在先进晶圆代工、先进封装及配套产业集群。台积电不仅提供晶圆制造产能，还建立了从先进工艺、设计规则、IP认证到先进封装的完整制造平台，同时亦可在大规模量产条件下稳定控制先进晶圆的良率、性能、功耗和交付周期。此外，先进封装是中国台湾地区的第二项优势，台积电已经形成包括CoWoS、InFO和SoIC在内的3DFabric技术体系。除台积电外，日月光等封测企业亦有持续投入，而集群效应则提高了问题解决效率。

3）韩国企业在存储芯片领域具有较强竞争力，SK海力士和三星电子是全球DRAM及HBM市场的主要参与者。与传统DRAM不同，HBM通过硅通孔将多层DRAM芯片垂直堆叠，并通过超宽接口与GPU或AI ASIC进行高速数据交换，从而提高带宽并降低单位数据传输能耗。目前，HBM已经从普通配套存储器转变为决定AI芯片有效性能的重要组成部分。

4）荷兰的核心优势集中在高端光刻设备。ASML的EUV及High-NA EUV光刻系统是先进逻辑和存储芯片继续缩小线宽的重要生产工具。EUV利用更短波长的光形成更小的电路图形，High-NA EUV则进一步提升数值孔径，用于支持未来更先进工艺。由于整套系统涉及光源、反射镜、真空、运动控制、计算光刻和精密测量等多学科技术，研发周期长、供应链复杂，短期内难以形成大量可替代供应商。

5）日本的优势更多集中在上游材料和精密制造能力。根据日本经济产业省的披露，SUMCO与信越化学合计在全球硅片市场占据多数份额，信越化学同时提供硅片、光刻胶、光掩模基板、沉积气体及封装材料等产品。JSR的产品覆盖从传统光源到EUV的多类光刻胶和多层材料，Resonac则供应应用于刻蚀、沉积和清洗过程的高纯电子气体。

商用GPU方面，NVIDIA维持全栈领先，AMD则以开放生态与性价比追赶。1）NVIDIA的竞争优势已由单颗GPU性能扩展至CUDA软件生态、NVLink高速互联、InfiniBand/以太网网络及机柜级系统的协同，能够提供从芯片到集群的标准化交付方案，客户迁移成本和生态壁垒较高，Blackwell平台则进一步强化训练、推理及大规模集群能力；2）AMD则依托Instinct MI300/MI350系列、较大的HBM容量以及开放的ROCm软件栈切入云厂商和HPC客户，在部分大模型推理及高显存场景具备性价比优势。

云厂商自研ASIC的目标是优化大规模重复负载。1）Google第七代Ironwood可扩展至9216颗芯片、42.5 ExaFLOPS，并较Trillium提升HBM容量和能效；2）AWS Trainium2单实例配置16颗芯片，官方宣称相较GPU型P5e/P5en实例可提供30%至40%的价格性能优势。ASIC的经济性来自稳定的大规模负载与较低通用性成本，但开发投入、软件绑定和利用率风险决定其更适合超大云厂商，而非所有企业。

国产AI芯片方面，三强领跑，存在梯队分化。我们将国产AI芯片第一梯队概括为华为昇腾、寒武纪和海光信息。1）华为昇腾覆盖处理器、Atlas硬件、CANN和Mind系列工具，并于2025年宣布CANN全面开源开放，优势在于软硬件体系和产业伙伴规模；2）寒武纪2025年营业收入64.97亿元，同比增长453.21%，首次实现全年盈利，产品在运营商、金融和互联网等行业规模化部署；3）海光信息2025年营业收入143.77亿元，同比增长56.92%，以CPU+DCU、DTK软件栈和兼容迁移路径形成差异化。

2.3、服务器、网络与硬件

服务器方面，AI服务器与传统通用服务器存在明显差异。1）传统通用服务器通常采用2S双路或4S四路CPU架构，GPU多通过PCIe以4卡或8卡形式接入，承担推理、图形、科学计算等协处理任务，优点是软硬件标准化、故障域较小和部署灵活，但GPU间通信主要受PCIe拓扑与外部网络限制，难以高效承载大模型训练中的张量并行和流水线并行；2）当前AI服务器主流形态是8颗SXM GPU组成的高速互联节点，NVIDIA HGX H100由8颗H100和4颗NVSwitch构成，单GPU NVLink双向带宽900GB/s，可实现节点内全互联，HGX H100基板典型功耗约5.6kW，叠加CPU、网卡、存储、风扇与电源后，整机通常进入10kW级别；3）关于机架级系统（Rack-scale），GB200 NVL72把服务器重定义为一整个机柜，连接36颗Grace CPU和72颗Blackwell GPU，72颗GPU处于统一NVLink域内，提供130TB/s低时延GPU通信。

单颗GPU或AI加速芯片只能代表局部计算能力，只有经过服务器集成，并与高速网络、电源和散热系统协同运行，方可形成可被模型训练和推理任务调用的集群算力。因此，服务器决定的是硬件资源能够以多高效率转化为持续、稳定且可扩展的有效算力。

网络系统则决定算力集群的扩展上限。大模型训练通常需要数百甚至数万颗加速芯片协同工作，单个计算任务被拆分后分配至不同节点，节点之间需要持续交换梯度、参数和激活数据。此过程中，网络带宽、通信时延和拥塞控制共同影响集群效率。当集群规模较小时，芯片计算能力是主要约束，但当规模持续扩大后，网络通信成本快速上升，系统性能或由“算得快不快”转变为“传得快不快”。

人工智能网络存在Scale-up与Scale-out两张网。前者用于同一节点或机架内GPU互联，强调极低时延、高带宽和一致性，典型技术为NVLink/NVSwitch，后者连接服务器、机架和Pod，承担数据并行、参数同步和存储访问，主要采用InfiniBand或RoCE以太网。二者的边界正在上移，NVL72把Scale-up域从8颗GPU扩大至72颗，外部网络则需要承接更大粒度、更高突发的流量。

供配电基础设施方面，UPS仍是可靠性底座，HVDC提高密度，SST属于前瞻路线。1）传统数据中心，UPS负责市电中断和电能质量保护，PDU完成机柜级分配与监测，是高可用架构的基础；2）随着机柜功率由10kW级升至100kW级，低压大电流导致铜排、线缆、开关和空间快速膨胀，供电架构开始从集中AC向48/50V机架直流及更高电压HVDC演进；3）SST利用SiC等功率半导体将中压变换、隔离、整流和控制集成，可直接输出低压直流并支持双向功率流，美国能源部将其视为提升数据中心功率密度的潜在方案，但中压绝缘、故障保护、效率、器件成本和长期可靠性仍需验证，因此短期不宜将SST等同于成熟替代品。

散热是另一项核心基础设施。AI服务器的单机功率显著高于传统服务器，机柜功率密度随芯片性能提升而快速上升。传统风冷在高密度部署下可能面临散热能力不足和能耗偏高的问题，液冷技术因此逐步应用于高性能计算场景。散热系统不仅影响能效，还会影响设备运行频率和故障率。当散热条件无法满足要求时，芯片或降频运行，理论算力与实际输出之间的差距将进一步扩大。1）传统风冷成熟且维护便利，但在单柜功率持续上升后，风机与冷机能耗增加；2）冷板式液冷可在不完全改变服务器形态的情况下带走主要热量，是当前规模化改造主线；3）浸没式液冷散热效率更高，但对材料兼容、运维流程和标准化要求更强；4）海下数据中心、海水或深层湖水制冷可利用天然冷源，但选址、生态评估和工程复制性限制其成为普遍方案。

2.4、算力中心

数据中心是算力生产的物理场所，智算中心则是面向人工智能训练与推理任务建设的专业化算力基础设施，通常配置大规模GPU或其他加速芯片集群，并配套高速互联和液冷系统。后者可视为前者向高密度、专业化智能计算方向演进的形态，此外超算中心则服务科学计算。

1）数据中心（IDC）以CPU服务器、存储和通用网络为主，承载企业IT、数据库、互联网业务和公有云基础服务。其负载相对平滑，机柜功率通常低于AI机柜，风冷和标准化机电系统仍可满足多数场景。AI时代并不意味着数据中心被替代，推理前后的数据库、存储和企业应用仍需要大量通用算力，市场更可能形成通算与智算分层部署。

2）智算中心（AIDC）采用GPU、NPU或ASIC等加速器，服务大模型训练、微调和推理。相较数据中心具有显著差异：一是单机柜功率可由十余千瓦升至百千瓦级，必须采用液冷和高密供电；二是训练需要高带宽、低时延的Scale-up和Scale-out网络；三是设备更新周期更短，芯片代际切换会影响折旧和机房改造；四是收入不仅来自空间租赁，还来自裸金属集群、GPU云、模型训练和Token服务。

3）超算中心面向气候模拟、流体力学、核物理、生命科学和工程仿真，核心指标是并行可扩展性、内存与存储吞吐以及科学计算效率。当前领先系统普遍采用CPU与GPU/APU或专用加速器异构架构。随着基础模型进入科学计算，超算中心与智算中心在加速器、高性能网络和并行存储方面趋同，但超算仍更强调双精度计算、科研软件和长期公共服务。

根据Synergy Research Group的数据，截至2024年末，全球超大规模数据中心数量达到1136座，过去五年间实现翻番。按关键IT负载兆瓦数衡量，美国仍占全球总容量的半数以上，欧洲和中国各占剩余容量的约三分之一。此外，此数量或再次在不到四年内实现翻番，每年将有约130至140个新增超大规模数据中心投入运营。因此，商业算力供给虽然可以通过网络调用，但其物理资产仍高度集中于少数国家和大型运营商。同时，需求中心周边的电力约束推动新项目向美国内陆、中国西部、北欧及中东等资源较充裕地区扩展，形成核心市场接入、资源地区生产的双节点模式。

1）北美聚集全球主要云厂商、模型公司和算力租赁商，需求深度和客户信用明显领先。根据CBRE的数据，2025年末北美主要市场数据中心供给达到9432MW，同比增长36%，但空置率仍降至历史低位1.4%，说明新增供给基本被超大规模客户和AI租户吸收。根据Reuters对13家大型公用事业公司的统计，近半数公司收到的数据中心接电申请已超过其现有峰值负荷或发电能力，得州和宾夕法尼亚等地区的申报规模远高于实际电网容量。同时，多地存在同一项目向多家公用事业重复申报的问题，迫使电网公司要求更高保证金和更严格的负荷真实性审查。因此，项目审批、变压器和燃机交付、输电建设以及并网排队构成新的交付周期。

2）中国算力中心规模稳步增长，截至3M26，全国在用算力中心规模达到1445万标准机架，而截至6M26，全国智能算力规模达到2185EFLOPS（FP16）。东数西算的内涵由在西部建设机房转向算力、网络、数据和电力协同，大规模训练、离线渲染和备份适合向绿电、土地充足的西部节点迁移，低时延推理和企业生产系统仍需靠近东部城市与产业集群。

3）欧盟要求安装IT功率不低于500kW的数据中心上报能源、水资源、余热和可再生能源等指标，并推动统一评级和最低性能标准。因此，欧洲的扩张速度或较低，但其标准可能外溢至全球运营商和设备供应商。

4）沙特运营数据中心容量由2021年的68MW增至2025年的440MW，1Q26达到467MW，并拥有60余座数据中心。其优势在于土地、能源、主权资本和连接亚欧非的地理位置，国家级AI平台能够快速组织芯片采购、园区融资和客户导入，但高温气候增加制冷和水资源压力，先进芯片进口许可、人才与软件生态也可能限制产能转化率。因此，中东更适合建设具有长期电力保障和国际客户的超大园区，而非简单复制传统数据中心。

5）新加坡拥有网络、金融和区域总部优势，但土地与电力紧张使新增容量受到约束，故推动客户向马来西亚柔佛和印度尼西亚巴淡外溢。

2.5、云与调度平台

云平台以虚拟机、GPU实例、训练集群或推理服务等形式对外供给计算资源，并提供账号、网络、存储、安全和监控等。超大规模公有云往往同时拥有或租赁底层硬件，其商业模式是以持续资本开支换取可重复销售的实例收入。AI原生云则围绕GPU集群、无损网络和托管训练形成专业化供给；独立算力交易平台可不持有硬件，而是聚合第三方资源并承担撮合、统一接口与结算。其经济价值主要来自三个层面：1）通过资源池化提高利用率；2）通过软件栈、数据服务和开发工具提高客户黏性；3）利用全球区域和网络节点实现跨地域交付。由此，云平台不仅是算力销售渠道，亦是算力资源配置的中枢节点及市场化价格形成的锚点。

根据Synergy Research Group的数据，1Q26企业在云平台服务上的支出同比上涨350亿美元，达1290亿美元，年化收入突破5000亿美元大关。此数据同比增速连续第10个季度提升，达35%，是自4Q21以来的最高增长率，而彼时市场规模仅为当前的40%。

在主要云平台中，Amazon保持市场领先，Microsoft和Google则在增速方面大幅领先。根据Synergy Research Group的数据，1Q26三者全球云基础设施服务市场的份额分别为28%、21%和14%，合计约达63%。在第二梯队云服务提供商中，增速最高的包括CoreWeave、OpenAI、Oracle和字节跳动等。按云端基础设施服务收入计算，已有五家新兴云厂商跻身前三十大云服务商之列。头部平台的集中度来自持续资本投入、芯片采购能力和软件生态，但AI算力需求也催生了专注GPU租赁的专业云厂商及各国本地云，其可在特定芯片或区域合规上形成差异化，但仍需依赖上游芯片和数据中心资源。

从地域来看，全球各区域云市场均保持强劲增长。以当地货币计算，印度、印度尼西亚、爱尔兰、中国台湾地区、泰国和马来西亚等主要国家的增速远高于全球平均水平。美国市场1Q26增长了37%，仍是迄今为止最大的云市场，其规模远超整个亚太地区。在欧洲，英国和德国是最大的云市场，但增速领先的是爱尔兰、挪威和波兰。

调度平台接收作业对芯片型号、显存、CPU、内存、网络、存储和运行时长的要求，在资源池中完成队列管理、优先级、配额与节点选择等。全球算力调度目前仍以大型云厂商内部调度为主，尚未形成跨平台跨区域统一运行的全球算力市场。AWS、Microsoft Azure和Google云依托全球数据中心网络，将分散的CPU、GPU及存储资源纳入统一云平台，并实现区域内及同一云体系内的弹性调度。其商业模式已较为成熟，普遍形成按需使用、长期承诺和闲置资源竞价等分层产品，按需实例强调灵活性，预留或承诺用量用于锁定成本与资源，竞价实例则以可中断性换取较低价格。

整体来看，云与调度平台把重资产算力转化为灵活服务，同时提高资源利用率，完善价格形成，并降低用户对单一芯片生态的依赖。1）把重资产转化为可切分、可复用的商品，云平台通过多租户、弹性实例和统一交付，将整机、整卡和整机柜拆分为不同期限及规格的服务，使资本密集型资产获得更高周转，客户算力采购由一次性资本开支转为运营费用，供给方的核心是提高上架率、利用率和单位卡时收入；2）建立供需匹配与价格发现机制，硬件市场以季度和年度订单为主，云平台则能够形成分钟、小时和月度价格，使供应紧张、地域差异和服务等级更快反映到价格；3）用户通常不愿为每种芯片重写应用，调度平台可将国产GPU/NPU纳入同一资源目录，并根据性能、可得性和价格分配任务，平台适配范围越广，单一芯片生态对客户的锁定越弱。

2.6、模型

如果说芯片、服务器和数据中心代表算力供给，模型则代表算力需求。从需求侧看，总算力可拆分为预训练、后训练和推理三部分。在给定硬件、编译器和集群效率的条件下，模型架构及业务使用方式是最核心的解释变量，一个简化的表达公式为：

总算力需求≈单位Token计算强度×训练与推理Token总量×重复训练或推理次数

1）预训练（Pre-training）是模型学习通用知识和能力的基础阶段，最典型特征是规模大、时间长、同步要求高。大规模数据并行、张量并行、流水线并行和专家并行需要数千张加速卡在统一网络域内持续工作。任何节点故障、网络拥塞或负载不均都可能降低有效算力。预训练因此决定了AI集群的上限规格。

2）后训练（Post-training）过去主要是少量监督微调和人类偏好对齐，算力占比相对有限。推理模型兴起后，强化学习、合成任务、工具环境和长链思考需要模型反复生成答案、打分并更新参数。其特点是单次任务规模较小，但实验迭代频繁，且训练与推理资源相互嵌套。

3）推理（Inference）可分为Prefill和Decode。Prefill一次性处理输入上下文，矩阵运算密集；Decode逐Token生成，受HBM带宽、KV Cache、批处理和时延约束。长上下文、多轮对话和Agent（智能体）会持续累积历史信息，深度推理则通过更多思考Token、多次采样或搜索提高准确率。

模型按照任务模态划分，本质上是在界定模型所处理的数据分布空间、监督信号来源以及评测基准体系。

1）大语言模型（LLM）：以离散的Token序列为统一接口，通过大规模文本语料的自监督学习，构建起对自然语言、代码结构、符号逻辑的联合语义空间。核心能力并非简单的文本生成，而是通过在万亿级Token上学习到的长程依赖关系，形成对世界知识的压缩表征，从而具备逻辑推理、上下文学习、指令遵循等涌现能力。

2）多模态模型（LMM）：在大语言模型的基础上引入了视觉、音频、视频等连续信号编码器，通过模态对齐将不同模态的特征映射到多模态模型的语义空间中，使得语言模型能够理解图像或声音的含义，并以统一的自回归方式生成跨模态响应。

3）视觉生成模型（Diffusion Models）：采用渐进式去噪的生成范式。在训练时对清晰图像逐步添加高斯噪声直至变为纯噪声，让神经网络学习反向的去噪过程；在推理时则从随机噪声出发，通过迭代去噪逐步推敲出高质量图像。

4）科学计算模型（Scientific AI）：最具专业壁垒的模型，面向物理、化学、生物、气象等领域的科学问题，其训练数据不再是自然文本，而是偏微分方程的离散解、分子构象、蛋白质结构、量子力学计算结果等。

按模型架构划分，则可体现出模型如何组织计算图与参数。1）Transformer是大模型架构的绝对主流，其核心创新Self-Attention机制通过 Query-Key-Value的三元组映射，让序列中任意两个位置都能直接建立交互，突破了 RNN 的串行依赖瓶颈，实现序列维度的大规模并行计算，显著提高训练并行度；2）MoE（Mixture of Experts，混合专家）在Transformer的前馈网络层上做稀疏化改造，将原本单一的大FFN拆分成多个并行的专家子网络，并引入一个可训练的路由网络为每个Token动态选择Top-K个专家进行计算，故模型的总参数量可以扩展到千亿甚至万亿级别，而单次推理激活的参数仅占总量的一小部分，在保持模型容量的同时大幅降低了推理算力需求；3）SSM（State Space Models，状态空间模型）提供了一个与注意力机制正交的序列建模范式。

美国仍拥有数量更多的头部模型企业，并在芯片科研和风险资本方面保持优势。中国则依托庞大的应用市场和工程化能力，在开放权重和推理成本方面快速追赶。根据Stanford HAI的报告，美国在2025年推出59个具有重要影响力的模型，中国为35个。

1）美国模型产业由OpenAI、Anthropic、Google等闭源平台和Meta等开放权重力量共同构成。OpenAI GPT-5.6、Anthropic Claude Fable 5和Google Gemini 3.x代表当前前沿模型竞争方向，重点已从单轮对话延伸至复杂推理、编码、多模态、工具使用和长周期Agent任务。闭源模式的核心优势是能够持续获取用户反馈、控制安全策略、统一升级模型，并通过API、企业订阅和云平台实现商业化。模型、云、搜索、办公软件和开发者工具绑定后，可将能力优势转化为生态黏性。闭源模型对应的算力需求更集中，训练和推理主要部署于少数超大规模云厂商，能够通过全球流量调度提高GPU利用率，并通过Token定价回收资本开支。其瓶颈在于资本投入巨大、客户面临供应商锁定，且模型参数、训练数据和真实成本不透明。

2）中国模型通过开放权重与成本效率进行差异化竞争。DeepSeek-V4 Preview于2026年公开权重，Pro版本披露1.6万亿总参数、490亿激活参数，并将100万Token上下文作为标准能力；Qwen3同时开放235B-A22B、30B-A3B等MoE模型及多个稠密尺寸，采用Apache 2.0许可；GLM、Kimi等则在长上下文、代码和Agent方向持续迭代。开放模型有利于企业私有化、二次训练和国产芯片适配，使模型能力更快扩散到运营商、金融、制造、政务和地方智算中心。

从市场结构看，当前具有全球影响力的模型可以分为闭源与开放权重两类。1）由OpenAI、Anthropic、Google和xAI等企业主导，以闭源API、订阅产品和云服务方式对外提供能力，核心优势在于模型性能、持续更新和工具生态；2）由Meta、DeepSeek、阿里巴巴和月之暗面等企业推动，通过开放权重降低部署门槛，支持企业本地化运行、私有数据适配和二次开发。闭源模型主要占据高价值复杂任务和消费级入口，开放权重模型则在成本敏感和自主可控场景中具备较强竞争力。对算力产业而言，不同模型体系对应不同的算力需求模式。头部闭源模型倾向于将训练和推理资源集中在少数超大规模数据中心，并通过云API统一输出服务。开放权重模型则推动算力需求向第三方云平台、企业私有集群和区域智算中心扩散。由此，全球模型竞争不仅决定算力需求总量，也决定算力资源由谁采购、部署在哪里以及以何种形式向市场交付。

1）OpenAI

OpenAI的GPT系列是全球最具代表性的通用基础模型体系。其主力产品为GPT-5.6系列，其中GPT-5.6 Sol定位于复杂推理、软件开发和专业知识工作，GPT-5.6 Terra在能力与成本之间寻求平衡，GPT-5.6 Luna则面向高并发和成本敏感型任务。三款模型采用统一的百万级上下文体系，并支持图像输入、函数调用、网络搜索、文件检索和计算机操作。

OpenAI的核心竞争优势不仅来自单个模型的能力，亦来自ChatGPT形成的大规模用户入口，以及API、图像、搜索和智能体工具之间的协同。其产品体系将不同成本和能力层级的模型统一接入同一平台，使企业能够根据任务价值动态选择模型。对于简单问答和内容处理，可调用低成本模型，而对于复杂研究、代码生成和长流程任务，则可以使用更高推理等级的模型。实质上形成了以任务复杂度为基础的模型分级定价，也使算力需求由单一的大模型训练，转向覆盖日常交互、专业推理和自动化执行的持续推理负荷。

2）Anthropic

Anthropic的Claude系列模型矩阵包括面向高复杂度任务的Claude Fable 5和Claude Opus 5、兼顾速度与能力的Claude Sonnet 5、面向低时延场景的Claude Haiku 4.5。Claude Fable 5是Anthropic当前能力最强的广泛发布模型，Claude Opus 5主要面向复杂智能体编程和企业工作，Claude Sonnet 5则承担更大规模的日常生产任务。

与强调消费端入口的模型平台相比，Claude的市场定位更偏向软件开发、法律金融分析和企业知识管理，其竞争力体现在长时间保持任务目标、处理大规模文件以及调用外部工具完成多步骤工作。对于算力产业而言，此类企业级智能体的需求特征不同于传统聊天机器人，单次任务或持续较长时间，并反复调用搜索、代码执行和文件处理工具，对推理算力的占用更高，也更强调资源连续性和服务稳定性。

3）Google

Google的Gemini系列产品线包括面向复杂任务的Gemini Pro系列，以及侧重速度和成本的Flash、Flash-Lite系列。2026年推出的Gemini 3.5进一步强化复杂任务和智能体能力，Gemini 3.6 Flash则重点提升代码、知识工作和多模态任务中的效率与稳定性。Google通过Gemini应用、搜索引擎、Workspace办公套件、Android系统和Google Cloud向用户分发模型，形成从消费端到企业端的完整入口。

Gemini的产业优势在于模型与Google既有数字生态深度结合。搜索业务可以向模型提供实时信息，Workspace可将模型嵌入邮件、文档、表格和会议流程，Google Cloud则负责承接企业开发和模型调用。相比单纯依靠API销售模型的企业，Google能够通过提高搜索、广告、办公和云服务效率间接实现商业价值。

4）xAI

与其他独立模型企业相比，xAI推出的Grok系列的重要优势是可以借助X平台获取用户入口和实时公共信息，并依托自身建设的大型计算集群快速开展模型训练和迭代。

Grok的市场战略体现出模型企业与内容平台融合的发展方向。社交平台既是模型的分发渠道，也是实时信息检索和用户反馈来源。随着模型进一步嵌入信息流、搜索、内容创作和客户服务，X平台上的大量用户行为可能转化为持续推理需求。不过，社交媒体信息质量差异较大，模型在实时性、准确性和内容治理之间如何平衡，也将影响其在企业和专业市场中的渗透程度。

5）DeepSeek

DeepSeek是中国模型企业中全球影响力较高的代表。继DeepSeek-V3和DeepSeek-R1之后，公司于2026年推出DeepSeek-V4系列，包括面向高能力任务的V4-Pro和侧重速度及成本的V4-Flash。DeepSeek-V4支持百万级上下文，并通过开放模型权重、低价API以及兼容OpenAI和Anthropic接口的方式降低开发者迁移成本。

DeepSeek的产业意义在于，其证明高能力模型不必完全依赖高价闭源服务。通过开放权重和较低的调用价格，DeepSeek对全球模型API市场形成明显价格压力，并推动企业重新评估模型能力与调用成本之间的关系。其主要用户不仅包括国内开发者，也包括希望降低模型成本、部署自主模型或替换美国闭源接口的海外企业。对算力需求而言，低价模型可能降低单次任务成本，但也可能扩大调用规模，使推理需求总量继续上升。

6）阿里巴巴

阿里巴巴的Qwen系列是中国覆盖模型类型和参数规模较广的基础模型体系。截至8M26，其最新旗舰模型为Qwen3.8-Max，拥有2.4万亿参数和最高100万令牌上下文，面向编程、研究、视觉理解和长流程知识工作。Qwen同时提供不同规模的开放权重模型，以及代码、视觉、语音、图像生成和智能体工具，使开发者可以根据硬件条件和业务场景选择不同版本。

Qwen的竞争优势来自阿里云的基础设施和企业客户资源。模型既可以通过通义产品直接面向消费者，也可以通过阿里云百炼等平台向企业提供API、模型微调和私有化部署服务。开放权重策略则有助于Qwen进入海外开发者社区，并成为企业本地部署的重要选择。与仅提供单一旗舰模型的企业相比，Qwen更接近模型超市的模式，其商业目标是覆盖从终端小模型到云端超大模型的完整需求。

7）月之暗面

月之暗面的Kimi最初凭借长文本处理形成市场认知，目前已进一步扩展至编程、研究、文档、表格和演示文稿等专业生产力场景。7M26发布的Kimi K3拥有2.8万亿参数，支持原生多模态和100万令牌上下文，并开放模型权重。公司将Kimi K3部署于Kimi网页及移动应用、Kimi Work、Kimi Code和开发者API，试图形成面向知识工作者的一体化产品体系。

Kimi的特点是将模型能力直接包装为可交付的工作成果，而不仅是文本回答。其发展路径反映中国模型企业正在由通用聊天入口转向办公和专业服务市场。由于长文档、深度研究和多工具任务通常需要较长推理时间，Kimi所对应的算力需求更接近持续运行的专业计算任务，而非一次性轻量问答。

2.7、终端应用

终端应用是算力产业链实现经济价值的最终环节，其范围不仅包括手机、电脑、汽车和机器人等物理设备，亦包括办公软件、搜索引擎及行业信息系统等数字入口。其核心作用是把上游模型能力转化为可计量的业务结果，并通过真实调用反向决定云资源采购、推理芯片选型和数据中心利用率。根据Stanford HAI的报告，生成式人工智能在三年内已覆盖全球约53%的人口，使用人工智能的组织比例升至88%，故应用端已进入快速普及阶段。

我们认为，应用层是判断算力产业周期能否持续的关键观察点。训练需求具有项目制和阶段性，而应用上线后的推理需求具有高频、连续和可复购特征。随着模型价格下降、轻量化和推理优化成熟，单位调用成本持续下行，但用户数量、调用频次、上下文长度、多模态输入和Agent执行步骤同步增长，最终或形成单价下降而总量更快增长的需求曲线。

应用层同时决定算力的空间分布。1）对复杂推理、视频生成和科学计算，任务仍集中在云端集群；2）对客服、推荐、办公等场景，云端推理与私有化部署并存；3）对语音唤醒、影像增强、驾驶辅助和工业检测，计算进一步下沉至手机、PC、汽车、机器人及边缘节点。因此，应用终端不是产业链末端的被动承接者，而是上游芯片、服务器、云平台和网络投资的需求源头控制。

高算力场景下，模型能力展示开始发展为规模化的持续算力调用。1）大模型原生应用是最直接的推理需求来源，OpenAI在2026年2月披露，ChatGPT周活跃用户超过9亿，付费企业用户超过900万，故其从早期尝鲜工具进入全球性入口阶段，应用竞争也由单轮问答转向深度研究、代码执行、文件处理及跨系统Agent，单次任务需要多轮模型调用、工具调用和更长上下文，因而用户增长之外，单用户算力消耗亦可能提升；2）人工智能生成内容（AIGC）的算力消耗由文本向图像、音频、视频和3D递增，根据Adobe的披露，截至6M25 Firefly生成资产已超过250亿件，视频生成和批量营销素材需要更高显存与推理吞吐，是应用端拉动高端推理卡的重要场景；3）自动驾驶是AI进入物理世界的代表，根据Waymo的披露，2025年完成约1500万次出行，周服务量已超过50万次，该场景同时消耗车端实时推理、云端仿真、数据闭环训练和地图更新算力，与互联网应用不同，自动驾驶对安全冗余、时延和地域泛化要求更高，单位收入背后需要持续的数据采集与仿真投入，形成较高资本和工程壁垒；4）科学计算与工业仿真则体现算力换研发周期，药物筛选、材料发现、天气预测、计算流体力学和数字孪生通常采用CPU、GPU及专用软件混合计算，其用户规模不一定大，但单客户价值高、验证周期长、迁移成本高，是算力平台实现高毛利行业化的重要方向。

中算力场景是AI商业化的主体，包括搜索推荐、广告投放、客服、办公、编程、金融、医疗和制造等。根据Stanford HAI的报告，2025年已有88%的受访组织在至少一个业务环节使用AI，79%定期使用生成式AI。企业应用通常不追求最大模型，而是在准确率、数据安全和成本之间求解最优组合。1）互联网业务智能化的优势在于用户触点和数据闭环，搜索、短视频、电商与广告平台可以将AI直接嵌入既有流量入口，以点击率、转化率和留存率衡量收益；2）行业数字化则更重视流程重构和责任边界，需要与ERP、MES、CRM、知识库及生产设备连接，根据Microsoft 2025年的披露，其GitHub Copilot用户超2600万，Microsoft全部Copilot产品的活跃用户合计超1.5亿，故人工智能正在借助成熟办公软件进入企业日常工作，但企业使用人工智能并不等于完成深度改造，当前全球企业应用仍处于从员工辅助工具向核心生产系统过渡的阶段，数据权限、输出准确性和投资回报仍是规模化部署的主要约束。

泛在场景的核心是把模型带到设备侧。端侧AI可减少云端传输和隐私风险，满足毫秒级响应，并降低高频调用的长期云成本。不足是受制于内存、功耗和散热，模型能力及更新频率弱于云端。

区域格局来看，美国消费级原生应用领先，中国行业与消费双轮驱动，欧洲以合规能力构成进入壁垒的分化。1）美国消费级应用方面较为领先，通用助手、AI编程和自动驾驶等方面率先形成规模，其核心壁垒来自于产品入口、用户数据、付费体系和全球分发渠道，ChatGPT、Copilot、Firefly和Waymo的规模化数据表明，美国企业已在多个高算力场景完成从技术验证到商业运营的跨越；2）中国具备超大规模互联网用户、完整制造体系和快速工程交付能力，截至2025年末，生成式人工智能用户达到6.02亿，普及率42.8%，截至6M26，累计已有988款生成式人工智能服务完成备案、598款生成式人工智能应用或功能完成登记，2024年安装工业机器人29.5万台，占全球新增安装量54.4%，中国优势在于应用可同时沿互联网入口和实体产业链扩散，但商业化仍需解决同质化、低价竞争和企业数据治理问题；3）欧盟AI Act已于8M26总体进入适用和执法阶段，但部分高风险义务仍分阶段实施，提高了模型和应用进入医疗、金融、公共服务及关键基础设施的合规成本，但也使可解释、可审计、隐私保护和安全评估成为产品差异化能力。

3.1、经济体量决定算力基础

人工智能时代，算力已逐渐成为继土地、资本、能源之后的新型战略资源，并逐渐演变为支撑数字经济发展的核心基础设施。从全球算力分布来看，算力规模与一国经济总量之间存在显著相关性。GDP规模较大的经济体通常具备更强的资本投入能力、更完善的数字产业体系及更广泛的应用需求，可持续支撑先进芯片采购、超大规模数据中心建设、电力基础设施扩容以及大模型研发投入。2024年全球GDP排名前20的经济体中，有17个同时位于全球算力规模领先梯队，其中GDP排名前4的国家实现了对算力规模前四席位的全覆盖。因此，全球算力竞争是国家经济实力和产业体系的综合比拼。

从供给端看，算力建设是资本密集型竞争。当前人工智能产业正处于高速发展阶段，无论是大模型训练还是推理服务部署，均需要大量高性能计算资源支撑。建设一个大规模计算集群不仅需要采购大量GPU等人工智能加速芯片，还需配套大规模基础设施，单个算力集群的投资规模持续提升的情况下，资本实力成为决定算力扩张速度的重要因素。中美长期保持全球算力领先地位，与两国庞大的经济体量和资本市场能力密切相关。美国依托全球领先的科技企业和成熟资本市场，持续推动人工智能基础设施投资。中国则依托超大规模经济市场和完整制造业体系，通过国家级算力基础设施规划推动算力资源布局优化，在产业建设及应用方面形成规模优势。

从产业体系角度看，经济规模对于算力竞争的影响更体现在产业链完整程度。算力产业链覆盖前述的至少7个环节。拥有完整数字产业体系的国家，能够降低算力建设成本，提高资源配置效率，并形成从底层硬件到上层应用的产业协同。美国在芯片设计、基础软件、云计算平台和大模型生态方面具备领先优势，掌握全球人工智能产业链中附加值较高的环节。中国则在服务器制造、基础设施及应用场景规模方面具有突出优势。两种模式虽然路径不同，但共同特点是均建立在庞大经济规模基础之上。相比之下，经济规模较小的经济体即使具备廉价能源或政策支持，也较难形成完整算力生态，其更多承担全球算力基础设施承载角色，而非掌握产业链核心价值。

从需求侧角度看，算力并不是传统意义上的一次性基础设施，而是一种持续消耗型生产资料。过去，市场主要关注大模型训练阶段的峰值算力需求，而随着人工智能应用进入商业化阶段，推理需求正在成为更加长期和稳定的增长来源。终端多领域的大规模应用，将推动算力需求持续增长。大型经济体由于拥有数量庞大的企业群体和更加丰富的产业应用场景，能够为算力资源提供持续需求。美国拥有全球领先的软件、互联网和企业服务市场，中国拥有全球最大的制造业体系和丰富的产业数字化场景，两者均能够将算力投入转化为实际生产效率提升。相比之下，小型经济体由于市场规模有限，即使具备一定算力供给能力，也可能面临需求不足、利用率偏低的问题。

需要注意，GDP规模虽仍是决定算力竞争格局的重要基础，但绝非唯一变量。未来全球算力竞争将逐渐从规模竞争转向效率竞争。能源成本、芯片供应能力、数据资源质量、模型优化水平及产业应用效率，将成为决定算力价值的重要因素。特别是在推理需求快速增长的背景下，低成本能源和高效算力运营能力亦会成为新的竞争核心。

3.2、各国算力产业的现状

全球算力产业已形成高度专业化，且跨区域协作的分工体系。1）美国是全球算力产业的中心枢纽，通过掌握高价值环节和定价规则，将算力资源转化为全球人工智能产业的利润中心；2）中国台湾地区在先进晶圆代工和高端封装领域占据关键位置；3）韩国在DRAM与HBM市场具有突出优势；4）日本、荷兰和美国则分别在半导体材料、光刻设备、刻蚀与检测设备等领域形成技术壁垒；5）中国拥有庞大的数字应用市场、较完整的服务器及通信设备制造体系，并通过数据中心、智算中心和本土模型生态扩大算力供给；6）中东、北欧和东南亚依托能源、气候或区位条件承接新增数据中心，但在先进芯片、云平台和模型生态方面仍较多依赖外部供应。

1）美国

美国是全球算力产业的中心枢纽，其优势并不局限于单一硬件环节，而是在芯片设计、云计算、基础模型和开发者工具四个高附加值环节形成系统性优势。美国企业长期占据全球GPU领先地位，NVIDIA凭借CUDA软件生态和高性能GPU产品成为生成式AI时代算力基础设施的核心供应商，AMD、Intel以及Google、Amazon、Microsoft等企业也持续推进通用GPU、自研AI芯片和专用加速器布局。同时，EDA和核心IP生态亦由美国企业主导，其不仅掌握硬件供给能力，亦拥有定义计算架构和软件标准的能力。

在算力基础设施方面，美国依托全球领先的云计算产业形成规模化商业闭环。Amazon （AWS）、Microsoft Azure和Google Cloud长期占据全球云服务市场第一梯队，通过大规模数据中心网络、企业客户基础以及软件生态，将底层芯片资源转化为可持续交付的云计算和人工智能服务。与单纯出售硬件不同，美国云厂商通过GPU集群租赁、AI训练平台、模型服务接口以及企业级解决方案，将算力封装为标准化产品，实现从硬件成本向服务价值的跃迁，并由此获得更高的产业附加值和定价能力。

美国算力竞争的另一项优势是超大规模资本投入能力。人工智能基础设施正在进入重资产阶段，需要大量持续资本投入。美国大型科技企业依托充裕现金流、资本市场融资能力以及长期采购协议，能够提前锁定GPU、存储和电力资源，并通过多年期资本开支规划构建算力供给壁垒。Microsoft、Alphabet、Amazon、Meta等企业持续提高AI基础设施投资规模，将资本开支重点投入至数据中心扩建、自研芯片研发以及能源保障体系建设。与此同时，OpenAI等基础模型企业通过与云厂商、芯片企业和基础设施投资方建立战略合作，将模型需求、算力采购和资本投入连接起来，进一步强化美国AI产业链上下游协同。

不过，美国算力体系当前面临的主要约束来自基础设施交付能力。随着数据中心需求快速增长，传统数据中心集群面临电力供应和审批周期等限制。北弗吉尼亚、硅谷、俄勒冈等成熟市场虽然拥有完善网络基础和客户生态，但新增容量扩张受到电力瓶颈影响。近年来，美国新增数据中心投资逐渐向得克萨斯、亚利桑那、中西部以及能源资源更丰富地区转移，过去更关注靠近互联网节点和用户市场，未来则更加重视低成本能源、稳定电力供应以及大规模土地获取能力。

2）中国

数据上看，中国已形成全球规模领先的人工智能基础设施体系。截至3M26，全国在用算力中心规模达到约1445万标准机架，截至6M26，全国智能算力规模达到约2185 EFLOPS（FP16）。

与美国依靠芯片、云平台和模型生态获取高附加值定价权的路径不同，中国算力产业依托基础设施发展的战略模式。通过降低算力获取成本、扩大人工智能应用范围，将算力转化为实体产业数字化升级的基础能力。对于拥有超大规模经济体量的国家而言，降低算力使用门槛，有助于形成更广泛的应用渗透，并提升实现长期价值回收。

从国家战略层面看，中国正在推动算力资源由分散建设向全国统一调度体系演进。国家发展改革委等部门持续推进全国一体化算力体系建设，“东数西算”工程通过八大国家算力枢纽节点和国家数据中心集群建设，引导新增算力资源进一步向国家枢纽节点集中，内蒙古、贵州、甘肃、宁夏等西部节点依托土地、电力和气候条件承接大规模计算任务，而北京、上海、广东、浙江等东部经济区域则继续承担模型研发、实时推理和高价值应用需求，形成东部需求与西部供给的算力空间格局。与此同时，工信部推动算力互联互通体系建设，围绕算力度量标准、资源标识、调度机制和交易规则完善基础制度，目标是推动不同区域和不同主体的算力资源逐步实现可发现、可调用、可交易。本质在于将过去分散存在于云厂商、IDC企业、智算中心和企业内部的数据中心资源，转变为类似电力网络的公共计算能力，提高整体资源利用效率。

“东数西算”工程布局的核心逻辑并非简单将服务器从东部迁移至西部，而是通过网络基础设施、算力调度平台和能源协同机制，将区域资源优势转化为可被全国调用的计算能力。东部地区聚集互联网企业、金融机构、制造总部以及人工智能研发机构，对低时延、高可靠计算资源需求较高，主要承担模型训练、实时推理和企业级应用。西部地区则凭借低成本能源和土地资源，更适合承载大规模训练、离线计算、渲染、存储备份等对时延要求相对较低的任务。未来随着算力网络成熟，区域间资源差异有望进一步转化为不同类型算力产品的价格分层。

从产业配套来看，中国算力体系具备较强的制造基础和绿色化能力。在服务器整机、光模块、网络设备、电源系统、液冷散热、机房工程等环节，已形成全球竞争优势，大量成熟制程芯片、基础硬件和数据中心设备具备规模化供应能力。同时，国产CPU、GPU、NPU以及基础软件生态持续推进适配，通过政企市场、运营商云平台和行业模型应用进行商业验证。此外，绿色化能力亦成为中国算力竞争的重要优势。根据Uptime Institute的数据，2024年全球数据中心平均PUE约为1.56，而截至6M25，中国算力中心平均PUE已下降至约1.42，部分先进绿色数据中心PUE低于1.1，最低已达到1.05以下。截至2024年末，中国超140个数据中心绿色低碳等级达到4A级以上，《2023年度国家绿色数据中心名单》中，50家数据中心上榜，全国累计建成246座国家绿色数据中心。未来数据中心能耗占比提高，绿色能源获取能力将成为中国算力成本和产业竞争力的优势。

中国算力电力协同发展体系包含算力体系和电力体系两大关键要素。首先，算力体系包含算力供给方和算网运营方。1）算力供给方包括云服务厂商、IDC企业、智算中心、超算中心等，是计算资源和电力需求的主要承载主体；2）算网运营方则负责连接不同区域算力资源，通过统一调度、资源管理和任务分配，实现算力跨区域优化配置，提升算力利用效率。此外，电力体系包含发电方、电网方和储能方。1）发电方通过风电、光伏、核电等清洁能源为算力中心提供稳定、低碳的电力供应；2）电网方负责电力输配和调度，通过电力交易、需求响应等机制保障算力设施稳定运行；3）储能方则通过削峰填谷和新能源调节，提高电力供应的灵活性和可靠性。

在云、模型和应用方面，中国拥有较强的产业基础。阿里云、华为云、腾讯云、百度智能云、火山引擎等平台持续扩大基础设施投入，同时国内大量基础模型和行业模型快速发展。庞大的制造业体系、电商平台和公共服务场景，为人工智能推理提供了全球领先的应用环境。与美国以全球云平台输出为核心的商业模式不同，中国优势更多体现在超大规模市场内部形成应用闭环，通过规模化部署推动模型优化、数据积累和产业升级。

不过，中国算力产业仍存在关键环节约束。先进逻辑制造、高端HBM存储、部分EDA工具及先进半导体设备仍是影响高性能算力供给能力的重要变量。因此，中国算力体系呈现双轨结构：1）高性能训练和前沿模型研发仍需要国际主流AI芯片生态支持；2）国产算力通过政策引导、云平台适配和行业应用逐步扩大市场份额。

此外，中国台湾地区核心优势集中于先进制程与先进封装的协同能力。以台积电为代表的先进制造企业，在3nm、5nm以及先进封装领域形成全球领先产能。根据台积电的披露，7nm及更先进制程占2Q26晶圆收入比例已经升至77%，其中2nm为3%、3nm为30%、5nm为33%、7nm为11%，AI加速器相关收入已占公司总收入的高十几个百分点。单颗芯片面积、HBM堆栈数量和互联密度提高，CoWoS等先进封装技术的重要性持续提升，其已从传统制造后段工艺升级为决定AI芯片交付能力的核心产能。同时，ODM企业承担大量AI服务器设计和组装，能够快速将新一代芯片平台转化为机柜级产品。

3）东亚

东亚是全球算力产业链中制造集中度最高的区域，但区域内部并非同质竞争，而是形成高度互补的专业化分工。除中国台湾地区控制先进晶圆代工、先进封装和服务器ODM等关键环节外，韩国在DRAM、HBM和NAND领域亦占据重要地位，日本则在半导体材料、硅片、光刻胶、精密设备和部分功率器件方面拥有深厚积累。美国设计出的GPU和ASIC要转化为可交付加速卡，通常需要经过东亚的晶圆制造、存储、封装、基板、测试和整机集成，因此，东亚地区是全球算力供给由设计图纸实现为物理设备的核心区域。

韩国的核心地位来自存储。AI训练和推理需要在计算单元与显存之间高速搬运参数和中间数据，HBM的带宽、容量和功耗直接影响加速器性能。SK海力士2025年创纪录业绩主要由AI存储和HBM需求推动，三星电子亦持续推进HBM3E和HBM4产品。HBM并不是普通DRAM的简单升级，其生产涉及高层堆叠、硅通孔、良率控制和客户认证，扩产周期与技术门槛均较高。因此，在先进GPU供应改善后，HBM仍可能成为制约加速卡交付的独立瓶颈。韩国企业的议价能力取决于能否持续通过头部客户验证，并在代际切换中保持良率和带宽优势。

日本的优势更多分布在设备、材料和工业应用。日本企业在硅片、光刻胶、电子特气、清洗设备和精密零部件等环节形成长期积累，这些产品单项价值可能低于GPU，但认证周期长、替换成本高，对先进制造具有基础性作用。日本政府近年来通过半导体振兴政策和补贴吸引先进制造项目，并将AI和数据中心新增电力需求纳入能源规划。日本本土拥有汽车、机器人、电子和制造业客户，可以推动边缘AI和工业模型应用，但电价、能源进口依赖和人口结构限制其成为全球最低成本的数据中心基地。

4）欧洲

欧洲在全球算力产业中的位置具有明显的不对称性，其在半导体设备和高端制造应用方面拥有较强控制力，但在全球公有云和通用基础模型方面相对弱势。荷兰ASML的高端光刻设备是先进制程不可替代的关键环节，欧洲企业在部分功率器件、汽车芯片、工业自动化和通信设备方面也具有竞争力。换言之，欧洲并不缺乏高壁垒技术，但这些优势尚未完整转化为云平台和模型层的全球规模。

为降低对美国云平台和外部模型的依赖，欧洲正在通过EuroHPC体系建设公共算力。到2026年，欧盟已形成19个AI Factories和13个配套节点，为科研机构、中小企业和初创公司提供算力及技术支持。7M26又启动最多七座AI Gigafactories的招标，试图建设能够训练下一代大模型的大规模设施。

欧洲数据中心具有清洁电力、核电和低温气候等局部优势。北欧依靠绿电和自然冷却吸引数据中心，法国的核电体系为低碳稳定电力提供支持，爱尔兰、荷兰和德国则拥有成熟网络和企业客户。但欧洲电价总体偏高，跨国电力市场、审批规则和数据治理制度较为复杂。根据IEA的预计，欧洲数据中心用电量到2030年将较2024年增加超过45TWh，并占欧盟新增电力需求的重要部分。对于电网已较紧张的市场，新增算力项目需要与工业电气化、交通和居民用电竞争接入容量。

5）中东

中东是全球算力产业中增长预期较高的新进入区域，阿联酋和沙特阿拉伯是主要推动者。其比较优势并非现有芯片或软件生态，而是低成本能源、主权资本及政府推动大型项目的能力。在全球核心市场面临电网和审批约束的背景下，中东希望将油气时代积累的能源与资本优势转化为数字基础设施，并成为连接欧洲、亚洲和非洲的区域算力枢纽。

阿联酋已通过G42、Khazna等主体建设AI优化数据中心，并与美国技术企业合作推进Stargate UAE。公开规划显示，该项目包括1GW计算集群，其中首期200MW预计于2026年投入运行，并位于规划容量更大的阿布扎比AI园区。沙特则通过HUMAIN、SDAIA及主权基金推动数据中心、云平台和阿拉伯语模型建设；AWS此前宣布投资约53亿美元建设沙特云区域，并与HUMAIN合作拓展AI基础设施。因此，中东已从购买云服务转向直接投资算力生产能力。

但能源充足并不等同于形成完整竞争力。高温环境会提高制冷和用水要求，先进芯片、网络设备、云软件和运维人才仍高度依赖进口。大型项目还需要稳定的国际光纤连接、本地企业需求和持续的软件生态，否则可能成为面向少数政府或国际客户的孤立产能。中东的长期定位更可能是能源与资本提供者与区域主权算力中心，能否进一步成为全球算力出口地，取决于国际技术合作能否长期稳定，以及本地模型、人才和应用是否形成规模。

6）东南亚与印度

东南亚与印度的共同特征是数字人口庞大、互联网和云服务需求快速增长，但先进芯片和基础平台仍主要依赖外部供应。1）新加坡是东南亚最成熟的数据中心和网络交换中心，拥有稳定制度、国际海缆、金融机构和跨国企业客户，但土地和能源约束明显，其绿色数据中心路线图计划在近期增加至少300MW容量，并为采用绿色能源路径的项目释放更多空间，政府披露新加坡已有约1.4GW数据中心容量和70余座设施；2）马来西亚受益于靠近新加坡，且土地和电力成本较低，成为区域数据中心扩张的重要承接地；3）印度尼西亚和泰国的优势是建设成本和需求增速，约束则在能源获取和专业人才质量；4）印度的比较优势主要在软件人才、英语生态和本土需求，3M26印度政府确认IndiaAI公共计算设施已接入超过3.8万颗GPU，将通过AI Compute Portal向印度初创企业和高校提供服务，目标是降低初创企业、研究机构和政府部门使用高端算力的门槛，其先进硬件制造、稳定高质量电力和大规模数据中心运营能力仍在建设阶段，短期内更可能成为推理需求和软件服务中心，而非主导全球芯片与云平台。

3.3、算力定价权的转移

本轮全球算力扩张的早期阶段，定价权集中在先进硬件供给端。大模型训练和高并发推理对高带宽显存、互联带宽、软件生态及集群可靠性具有刚性要求，而先进加速芯片的供给、封装和网络系统在短期内难以快速复制。客户购买云端GPU实例或专属算力集群时，通常以芯片型号、卡数、租期和可用率为基础报价，云厂商则在硬件采购成本上叠加数据中心折旧、电力、网络、运维以及资金成本，由此形成硬件锚。

硬件锚对当前算力市场的大部分价格差异的解释力正在下降。1）GPU并非独立商品，相同数量的芯片，在不同集群中的有效吞吐和故障率存在显著差异；2）推理占比提升后，客户更加关注单位任务的完成成本，而非名义峰值算力，卡时费仅为中间变量，真正决定采购决策的是每百万Token成本、首Token时延、每秒Token数、准确率及服务中断损失；3）模型与硬件的适配不断强化，量化、蒸馏、推测解码和缓存复用可显著改变单位智能产出的资源消耗，使卡数与可交付价值之间不再保持稳定关系。

我们认为，算力定价将逐步形成电力锚决定下限，而价值锚决定上限的结构。1）电力锚并非将电价乘以功耗，而是由电源成本、并网周期和冷却效率等共同构成，AI加速服务器相关用电增速更快，数据中心负荷具有高度集中性，而电网建设周期通常长于服务器部署周期，故未来新增算力的瓶颈或非买不到芯片，而是无法在目标时间和目标地点获得可持续、可调度的电力；2）价值锚则来自智能产出的边际收益，不同模型输出相同数量Token，但在代码正确率、推理深度、可执行性和安全性上存在差异，故Token更接近带质量等级的生产资料，而非单纯字数，模型供应商已通过能力分层、速度分层、上下文分层和工具调用收费建立价值定价框架，截至8M26，Anthropic官方模型组合中，Haiku 4.5的输入/输出价格为每百万Token 1美元/5美元，而Fable 5为10美元/50美元，同一供应商内部形成约10倍的价格跨度，该差异无法仅由底层算力成本解释，更应是模型在长程智能体、复杂编码和企业任务中的溢价。

电力锚和价值锚并非彼此独立。高价值任务通常愿意支付更高价格，从而支持供应商锁定更昂贵但更可靠的电力和硬件。反之，低价值任务则会主动迁移至能源成本更低的地区，并通过竞价实例和跨区域调度降低成本。未来全球算力市场或形成类似电力市场的分层结构，实时低时延算力靠近需求中心，承担较高容量和网络成本，而批量训练、合成数据和离线推理则更多迁移至可再生能源丰富、土地和电网扩张空间较大的地区。

3.4、各国算力定价权的竞争

全球主要经济体正将先进计算能力提升至国家产业安全和人工智能竞争战略的核心位置，政策支持方式也由早期的科研项目投入，逐步转向全产业链布局。美国侧重依托技术控制力、资本市场和能源扩张能力巩固全栈优势，日本与韩国重点补齐本土先进芯片及公共算力短板，欧盟则试图以跨国联合投资、公共算力开放和监管规则协同提升技术主权。综合来看，全球主要经济体的先进计算政策正在呈现三个共同趋势：1）由支持单项技术研发转向布局完整产业体系；2）由企业自主投资转向政府资金、政策性金融和社会资本共同参与；3）将算力供给能力与国家安全和技术规则制定权深度绑定。

1）美国继续将先进计算视为维持科技领导力和国家安全优势的战略基础。2024年更新的《关键和新兴技术清单》将先进计算列于重点技术领域，涵盖面向人工智能的超级计算、先进云服务、高性能数据存储、数据中心及新型计算架构等方向。《芯片与科学法案》进入实质性资金拨付和产能建设阶段，其CHIPS for America体系配置约500亿美元联邦资金，其中约390亿美元用于制造激励、110亿美元用于研发体系建设，并已推动Intel、台积电、SAMSUNG和MICRON等企业扩大美国境内先进逻辑芯片、存储芯片及先进封装投资。2025年1月启动的“星际之门”计划提出在四年内投入最高5000亿美元，建设大型人工智能数据中心和配套基础设施，同年7月发布的《美国人工智能行动计划》进一步将放宽数据中心、半导体工厂和能源设施审批，扩大电力供给以及输出美国全栈AI技术体系列为政策重点。此后，美国又启动“创世纪任务”，推动能源部国家实验室、联邦科研数据、超级计算设施与私营部门模型能力协同，并在2026年进一步强化人工智能在科研创新、网络安全和国家安全体系中的部署。由此可见，美国政策已不再局限于芯片制造回流，而是试图建立一体化国家人工智能工程体系。

2）日本的政策重点是通过长期财政支持提升先进半导体制造能力，并扩大本土企业和科研机构对高端算力的可获得性。日本政府提出，到2030财年为人工智能和半导体产业提供累计超过10万亿日元的公共支持，带动未来十年超过50万亿日元的政府与社会资本投资，并力争形成约160万亿日元的经济带动效应。除支持Rapidus等先进制程项目以及本土云计算和AI算力服务商扩容外，日本产业技术综合研究所于2025年1月正式启用ABCI 3.0。该系统配置6128块NVIDIA H200，半精度峰值性能达到6.22 EFLOPS，较上一代提升约7倍，为大语言模型、多模态模型和生成式人工智能研发提供开放计算资源。2025年以后，日本还将高性能计算、量子计算、先进半导体和AI基础设施纳入对美科技合作框架，表明其政策目标已由单纯吸引晶圆制造投资，转向构建较为完整的先进计算生态。

3）韩国则围绕主权AI和国产AI半导体构建计算基础设施。韩国发布的国家AI战略提出，通过政府与社会资本合作建设国家算力中心，项目投资规模最高约2万亿韩元，并计划到2030年将国内GPU算力规模扩大至现有水平的15倍以上，形成超过2 EFLOPS的计算能力。进入2025年后，韩国进一步加快先进GPU集中采购和公共算力供给，在2025年追加采购约1.3万块GPU的基础上，2026年计划新增约1.5万块先进GPU，叠加第六代国家超级计算机等资源后，公共部门可统筹的GPU规模目标将达到约3.7万块。同时，韩国启动规模约4000亿韩元的“K-Cloud”研发项目，推动基于本土AI芯片服务器、云软件和数据中心系统研发。相较原有以单一数据中心建设为主的政策安排，韩国当前布局更强调公共算力池、国产芯片验证和云服务生态之间的协同，目标是在高端GPU进口依赖较高的背景下形成可控的本土基础设施。

4）欧盟正在从传统超级计算机联合采购进一步转向面向大模型训练和推理的规模化算力平台。2024年首批7座AI工厂只是欧洲算力扩张的起点，经过后续多轮遴选，截至目前，欧洲AI工厂网络已扩展至19座，并向尚未部署大型计算设施的成员国和伙伴国输出算力、数据和技术服务。7M26，欧盟进一步启动最多7座AI超级工厂的招标计划，拟投入最高100亿欧元的欧盟及成员国公共资金，并撬动至少200亿欧元私人资本，整体投资规模有望超过300亿欧元。欧洲既有超级计算基础也在持续发挥支撑作用，例如西班牙MareNostrum 5的持续计算性能达到约215.4 PFLOPS，兼具传统科学计算与AI加速能力。欧盟当前战略的核心，是以公共资金降低科研机构和工业企业获取高端算力的门槛，同时将算力设施与数据保护、安全和人工智能监管体系绑定，以此弥补本土先进芯片和超大规模云平台相对不足的短板。

3.5、算力金融化的高阶定价

当算力从企业内部IT资源变为跨区域采购、长期锁定和高频消耗的生产资料，金融化几乎是自然结果。当前市场已经存在按需实例、竞价实例、包年包月、最低消费承诺、专属集群和长期容量预订，这些合同实际上构成了不同期限和不同服务等级的远期价格。问题在于，合同高度非标准化，芯片型号、地区、电力成本、网络配置、可用率和软件环境均不相同，市场缺少统一、透明的基准价格，供需双方难以管理价格波动和资产残值风险。

2026年，美国算力金融化迈出实质性一步。CME宣布与Silicon Data合作，计划推出算力期货，把波动的计算成本转化为可管理和可交易的资产类别；ICE先后宣布与Ornn、NATIVX合作，拟开发GPU算力期货及能源归一化算力期货，覆盖H100、H200、B200等硬件类型，相关产品均明确仍需监管批准。两家全球主要衍生品交易所同步布局，意味着算力已经被视为具备大宗商品特征的新型风险因子。其最直接的用途是帮助AI实验室、云服务商和数据中心锁定未来采购或出租价格，同时为金融机构提供估值、融资和风险转移工具。

中国也开始把算力交易从平台撮合推进至金融基础设施研究。上海市政府2026年发布的《关于深化上海全球资产管理中心建设的若干意见》明确提出，做好电力期货、算力期货研发准备，并将其纳入提升“上海价格”影响力的政策框架。该表述的战略意义高于单一金融产品，算力期货若以国内异构算力、绿色电力和全国一体化算力网为基础，有可能把算力调度、绿色认证、价格指数和风险管理连接起来，为西部算力供给方锁定收入，也为东部需求方稳定成本。

但算力期货不会简单复制原油或铜期货。1）算力不可储存，未使用的GPU小时会即时消失，库存机制弱于传统商品；2）硬件迭代速度快，同一代际内还存在显存、互联、区域和服务质量差异；3）算力价值高度依赖软件环境和任务适配，名义GPU小时不等于有效产出；4）数据合规和跨境限制可能造成区域市场分割。

中美在算力金融化赛道上的较量，本质上是围绕全球数字经济生产要素定价权展开的制度竞争。1）当前算力交易仍高度非标准化，即便同为GPU-hour，其经济价值也难以直接等价，故谁能够率先将复杂异构的算力资源压缩为市场普遍接受的标准合约和价格指数，谁就掌握了标准制定权；2）在此基础上，期货工具将进一步把算力产业相关投资者的交易集中到统一基准之上，形成流动性集合，一旦某一基准成为市场交易和套期保值的共同参照，其价格就不再只是算力租赁市场的报价，而会转化为整个AI基础设施资本配置的核心信号，美国依托CME、ICE等成熟衍生品市场、全球云计算生态和美元金融体系，具备将GPU现货价格进一步转化为全球金融基准的先发优势，中国则拥有大规模算力供给、全国一体化制度和产业负载基础，有条件探索本土特色的价格体系；3）更深一层看，价格基准最终还会与结算货币相互强化，若全球算力采购和衍生品保证金主要以某种货币计价结算，该货币便可能成为AI资本开支和数字基础设施融资的锚定货币。因此，标准、流动性与结算货币实际上构成三位一体的规则预埋。基准一旦形成网络效应，便会影响现货合同、资产估值、融资成本乃至跨区域资本流向。

从这个意义上说，谁率先形成具有全球代表性和可交易性的算力价格公允基准，谁就更接近掌握AI时代关键生产要素的“利率”——即决定算力资本以什么价格被配置、以什么成本被锁定，以及全球AI产业扩张的边际成本由谁来定义。

1）算力需求增长不及预期风险：若大模型商业化、企业AI应用及推理需求扩张低于预期，或导致算力中心利用率下降，并影响新增基础设施投资回报；

2）技术迭代及设备供给风险：AI芯片、HBM及高速网络等关键环节技术迭代较快，新旧硬件替代可能加快存量设备折旧，同时先进芯片及核心部件供应变化可能影响算力交付；

3）能源及基础设施约束风险：数据中心用电快速增长，电网接入、能源成本、土地、水资源及审批周期可能成为算力项目建设和扩张的重要约束；

4）算力标准化及金融化推进不及预期风险：算力具有不可储存、硬件异构、服务质量差异大及软件适配依赖较强等特点，统一价格基准和标准化合约形成存在难度，相关期货产品亦面临监管审批及市场流动性培育的不确定性。

吴奇翀 产业咨询资深分析师

从业资格号：F03103978

投资咨询号：Z0019617

Email：qichong.wu@orientfutures.com

免责声明2026

点击下方

  关注我们