中国训练和推理 AI 加速卡市场规模
训练环节算法迭代快、推理环节算法相对固定,AIASIC具备能效与成本优势
复制下载超节点系统架构
现实约束
供给锁定:2026年国内可获取的高端推理芯片总量被上游产能与长协基本锁定,市场化增量有限。国产产能/良率爬坡:国产AI芯片2026H2起大量出货,但先进产能/良率为主约束,卖方市场特征将在6-18个月延续。系统上架:国内缺卡、海外缺电;智算中心当前上架率偏低与适配周期相关,预计2027年运营率>70%。优势来源
国产芯片“推理先行”:国产芯片先在推理侧形成规模化替代能力,再逐步向训练延伸;头部云厂商大规模导入国产算力,CUDA依赖降低,形成“芯片-模型-应用”闭环。超节点加速落地:国内多家(华为、阿里、曙光等)发布/量产超节点,单位Token成本显著下降;国产芯片在推理场景的系统性竞争力提升。价格与租赁信号:H200/H100月租显著上涨且排期延后,国产芯片涨幅较低,按Token计费普及,供需错配倒逼国产推理加速承载。结论:在中国,“推理优先+系统优先”将是主旋律。短中期靠国产推理芯片+超节点/PD分离/缓存池化等系统提升,释放推理产出;中长期随着国产训练侧突破与产能/良率改善,再推进训推协同与全栈优化。
我国推理算力的市场占比
国产芯片放量的主战场已明确转向推理侧,最直接、最充分受益的板块依次为(市场似乎只看到了AI芯片的寒武纪和超节点的华丰等,而未意识到ASIC中国版博通芯原):
①AI推理芯片(通用GPU/DCU与定制ASIC)——核心受益环节、弹性最大;②AI服务器/超节点(整机与系统交付)——价值量与订单确定性强;③高速互联与光模块/CPO——推理并发与规模化部署的关键瓶颈受益者;④液冷与供配电——高密度推理集群的标配基础设施;⑤存储/HBM/DDR5/企业级SSD与内存互连——推理7×24负载带动“量价齐升”的中上游主线;⑥先进封装(含HBM封装)与本土代工(成熟+先进)——供给侧扩产与国产替代的结构性红利。核心标的(按板块精选)包括:海光信息、寒武纪、沐曦股份、摩尔线程、天数智芯、芯原股份(ASIC)、浪潮信息、中科曙光、紫光股份、华勤技术、盛科通信、中际旭创、新易盛、鼎通科技、飞荣达、申菱环境、澜起科技、江波龙、佰维存储、德明利、兆易创新、通富微电、长电科技、中芯国际、华虹公司等。
板块配置优先级核心标的配置理由(要点加粗)推理芯片(通用GPU/DCU/ASIC)高海光信息、寒武纪、沐曦、摩尔线程、天数智芯;芯原股份(ASIC)推理占比~70%、国产替代窗口期、业绩高增与订单兑现;ASIC定制顺周期放量
服务器/超节点高浪潮信息、中科曙光、紫光股份、华勤技术超节点元年、高密度推理整机与液冷机柜批量交付、单机柜价值量/毛利改善
互联/光模块/CPO中高盛科通信、中际旭创、新易盛带宽/时延瓶颈受益,CPO量产与光纤价格高位,网络侧Alpha
液冷/供配电中高鼎通科技、飞荣达、申菱环境推理集群高密度→液冷标配,整机/机柜放量驱动
存储/HBM/DDR5/SSD与互连高澜起科技;江波龙、佰维、德明利、香农芯创;兆易创新等DRAM×8/NAND×3含量倍增,26-27年结构性短缺与涨价周期
先进封装/OSAT中高通富微电、长电科技、华天科技、深科技HBM/2.5D/3D产能释放与价格修复,AI ASIC封装上行
晶圆代工中中芯国际、华虹公司国产AI芯片代工平台、产能利用率提升/毛利超预期
中国训练与推理卡占比



驱动一:需求/经济性(推理拐点→TCO)
行业进入“推理驱动”阶段,单位Token成本/能效成为决胜指标,ASIC在已确立的高频推理路径具明显TCO优势;卖方、咨询及产业方一致上修2026-2028年ASIC市场与份额预期。量化锚点:2026年AI服务器出货中ASIC占比约27.8%并继续上行至2030年近40%;至2028年服务器侧ASIC约60%,云巨头约50%;HBM需求中ASIC占比2028年达57%。驱动二:供应与治理(“去单点依赖”与合规趋严)
事件提供了“治理与合规风险”的内部论据,强化CSP推进自研ASIC/多平台的预算合理性与优先级,属于“放大器”,而非根因迁移。海外多观点提示:以太网互联替代NVLink、自研ASIC导入节奏加快的概率上行,客户议价权增强。出口合规收紧预期(含绕道/云端算力监管)抬升,促进本土化与多源化配置,间接利好ASIC与“非单一平台”方案。驱动三:资本与筹资链条的再定价
英伟达“产业银行家”角色可能阶段性弱化(股权投资/担保更趋保守),自研ASIC与替代平台获得更多外部验证与试点窗口,但兑现以年计。三、为啥TCO会驱动ASIC份额提升
TCO把“便宜的算力”变成首要目标,ASIC用“专用化+全栈协同”在CapEx与OpEx两端同时降本,由此系统性抬升份额核心判断:全球AI从训练走向推理后,新增算力以“单位Token成本/每美元产出”为锚,采购逻辑从“峰值通用算力”切换到“全生命周期成本最优”。在这个度量体系里,定制ASIC通过专用架构与软硬件共优化,在硬件采购、能耗/散热、网络/机房与集群利用率等TCO构成项上同步下降(常见区间30%-65%),从而驱动云厂商把“稳定、大规模、可预测”的工作负载迁移到ASIC,份额随之抬升。定量锚点:三年期对比:TPU方案相较H100集群三年TCO下降56%(总额1.77亿美元→0.785亿美元),其中硬件-48%、电力-66%、散热-67%等分项全面下降,体现TCO“多维减项”。按小时/算力口径:TPU v7在BF16/FP8密集下的“每PFLOP每小时TCO”分别约0.56/0.28美元,显著低于同代NV平台口径(GB300 BF16约1.09美元)。价格信号:基于TPU的Gemini 3.1 Pro每百万Token混合价约1.74美元,较同级别模型便宜近60%,反映底层算力TCO改善向上层价格传导。供给侧再平衡:2026年ASIC出货增速预计+44.6%、CoWoS分配由“7:3→6:4(GPU:ASIC)”,北美四大CSP部署规模合计约193万颗;2026年AI服务器中ASIC占比约27.8%,到2027年有望超过GPU(台数口径)。超大规模集群三年期TCO全生命周期成本对比
2. 机制拆解:TCO由哪些账构成,ASIC分别如何降低?硬件采购(CapEx):
通用GPU“外购+高毛利”结构把设备购置推高;ASIC在规模化后单颗成本更低,可显著压降硬件摊销。产业口径:在推理大规模部署中,ASIC三年TCO相对GPU常见降低40%-65%;Google对比显示单位功耗效能可显著高于GPU。能耗/散热(OpEx最大项):
专用化矩阵/片上数据流减少访存搬移,单位瓦性能提升;三年电力消耗-66%案例显示能耗对TCO贡献最大。摩根大通测算:推理场景中ASIC单位瓦性能约为同期商用GPU的2倍;因此在电力瓶颈下战略价值更高。网络/机房与基础设施:
以太网复用(ROCE/DCN)+更少专网依赖,降低网络侧CapEx与布线复杂度;机房/散热/网络分项成本均呈60%+降幅的工程案例。利用率与调度(软件→系统协同):
围绕推理“Prefill/Decode”差异化需求进行硬件-调度-Runtime四层协同,通过专用批处理、并行/内存调度将Token/$最大化,形成传统分层交付难以复制的降本飞轮。Token成为“中间KPI”:Token处理量上百倍增长,推理成为持续性消耗主因,TCO成为采购第一约束。折旧/会计口径:
把硬件摊提年限由5年缩至3年后,TCO对硬件价格的敏感度上升,促使CSP更偏好能尽快回收成本的定制ASIC(更高Token产出/美元)。小结:ASIC不是只“便宜芯片”,而是把“芯片—硬件—网络—调度—Runtime”联动优化,从CapEx与OpEx两端同时压缩TCO,且规模越大、负载越稳定,TCO优势越显著
3. 证据链(定量):从“每美元Token”到“每PFLOP每小时”的一致指向TCO区间与价格传导
SemiAnalysis/多机构一致:ASIC相对GPU三年TCO优势40%-65%;AWS称Trainium实例相对GPU30%-40%性价比优势。Google Gemini 3.1 Pro每百万Token约1.74美元,较同级别模型便宜近60%,反映TCO优势向上层计费传导。按算力与时间口径
三年TCO(示例):总额-56%,电力-66%、散热-67%、网络-67%、运维-63%。小时/算力TCO:TPU v7在BF16/FP8下“每PFLOP/小时TCO”约0.56/0.28美元,显著低于GB300平台口径。份额与供给再配置
2026:ASIC出货增速+44.6%(GPU+16.1%),TSMC CoWoS分配6:4(GPU:ASIC);北美CSP自研部署总量约193万颗。结构演进:2026年服务器中ASIC占比27.8%,2027年预计超过GPU(台数);到2030年趋向~40%-73%区间预测(不同口径)。存储侧联动:ASIC将占HBM需求比例自2025年的31%升至2028年的57%,反映专用化集群对高带宽内存的重构拉动。2026年北美四大云厂商自研ASIC预计部署规模
4. 产业主线:为什么“推理时代”更看重TCO,因而更偏好ASIC?负载特征转变:训练是阶段性、峰值导向,推理是24×7持续、调用频繁、对时延与单位Token成本最敏感;因此“每美元Token”的经济性成为核心KPI,稳定工作负载越大,越能摊薄NRE、放大ASIC的TCO曲线优势。通用GPU的“高毛利—可得性—专网依赖”三重掣肘:GPU商用毛利可达75%,专网(如IB/NVLink)与供给周期拉高总成本和部署不确定性;ASIC通过以太网复用、系统化集成削弱这些约束。全栈整合带来持续迭代的“成本-性能飞轮”:CSP向下延伸到芯片层,把芯片—硬件—调度—Runtime四层联合优化,持续拉低单位Token成本;这类协同难以用纯外购通用器件复制。结果导向:当TCO成为一号指标时,份额从“通用优先”转为“负载分层”:训练/快速演进→GPU,规模化、确定性推理→ASIC。产业进入“GPU+ASIC双轨并进”,而非零和替代。小结:为什么“TCO会驱动ASIC份额提升”推理成为新增主引擎→度量切换到“每美元Token”与三年/五年TCO。ASIC在CapEx(去高毛利外购)、OpEx(能耗/散热/网络)、利用率(PD/Decode协同)等多维度“叠加降本”,典型区间30%-65%。供给侧随之重配:CoWoS/SoIC与HBM向ASIC倾斜,CSP自研部署快速上量,服务器侧台数份额自2026年起持续走高并在2027年有望反超GPU(台数)。边界明确:软件成熟度、场景通用性与产能良率决定“斜率”,但不改变“分层并进”与ASIC在推理侧结构性上行的方向性判断。AI 服务器出货芯片结构:GPU 占比缓降,ASIC 占比升至 2030 年近 40%
不同类型的算力芯片销售占比预测

作者声明: 本文转载自第三方,旨在提供资讯参考,并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日,作者与文中提及的标的不存在持仓关系。