大模型驱动算力变革，国产算力迎增量机遇

算力需求从训练侧向推理侧外溢

当前AI算力需求正经历结构性转变，从前期的模型训练加速向规模化落地的应用推理侧外溢。随着摩尔定律边际效应减弱，算力竞争的核心已从传统的单芯片峰值性能提升，全面转向芯片、软件生态与系统级集群的综合效率优化。在海外高端芯片销售受限的背景下，国内信创需求与大模型迭代共振，推动本土AI芯片厂商加速适配并放量，国产算力全栈生态迎来增量机遇。

大模型的发展趋势呈现出更智能、更快捷、更便宜的特征。海外大模型厂商如OpenAI、Google等保持高频迭代，追求智能化升级；国产大模型在经历技术蓄力后，自2025年起以DeepSeek-R1、智谱GLM等为代表的产品迭代显著提速，中美已成为全球大模型供给的两大核心。随着AI应用规模化落地，针对推理基础设施的投资规模从2024年开始超越训练侧，推理侧更强调高吞吐、大并发以及成本性能的平衡。

AI计算异构化与系统级协同

AI算力产业正从“单芯片性能提升”转向由芯片、先进封装、高带宽存储（HBM）、编译框架、液冷及大规模集群构成的系统级协同优化。AI系统本质是异构计算体系：CPU负责通用调度，GPU承担大规模并行通用加速，而TPU/NPU等ASIC芯片则在特定模型和推理降本中发挥效率优势，形成百花齐放的长期共存格局。

算力芯片的演进方向从通用计算、并行计算、矩阵加速最终走向系统级算力。在机柜级和集群级层面，互联技术沿着Scale-out（集群级升级）和Scale-up（机柜级升级）两个方向发展。超节点需求应运而生，单机柜算力升级向超节点模式发展，且超节点带动液冷、铜缆等技术的升级。随着大模型参数的持续扩张，算力集群规模越来越大，CPO技术和PCB材料的升级成为满足日益提升传输速度需求的重要方向。

海外芯片龙头走向平台化交付

海外AI芯片竞争已从单颗芯片性能比拼演进为芯片、互联、软件、云服务、整机系统的综合交付能力竞争。英伟达依托GPU、CUDA、NVLink和整柜系统构建通用AI算力平台，将单芯片竞争扩展为“芯片+网络+软件+系统”的平台竞争。谷歌以TPU为核心，服务自有模型和谷歌云客户，从内部专用推理芯片走向云端通用AI基础设施。AWS通过Inferentia和Trainium两条ASIC产品线将云端AI成本拆解，降低单位训练与推理成本，从单一芯片产品走向“芯片+云实例+软件SDK+AI服务”的云平台生态。

国产算力适配与信创共振

国内信创市场正从传统的通用算力国产替代转向智能算力基础设施升级。2026年5月，国家首次在安全可靠测评中设立专门AI芯片品类，华为海思、平头哥、海光信息、壁仞科技、摩尔线程等9款国产芯片获评安全可靠等级Ⅰ级，正式纳入信创体系。国产算力的焦点不只是单卡峰值，而是“芯片 + HBM + 互联 + 服务器 + 编译器/算子库 + 推理引擎 + 模型适配”的全栈效率。

国产大模型进入“Agent化、长上下文、多模态、低成本推理”阶段，智谱、MiniMax、DeepSeek等厂商在Coding、工具调用、长上下文任务处理和多模态Agent方向展现能力。国产算力适配重点将从单卡峰值算力竞争，转向模型-芯片-框架-集群协同优化，围绕长上下文提升显存容量、带宽和KV Cache管理，围绕MoE强化专家并行、跨节点通信和负载均衡。未来随下游国产云计算厂商、运营商等需求打开，国产算力芯片有望持续增长。