构建AIDC基础设施需求跟踪框架：从芯片到发电液冷

前言：建立物理量跟踪体系的必要性

人工智能产业的快速发展推动数据中心由传统通用计算向高功率密度的智能计算转型。与传统数据中心相比，AIDC不仅需要投入更多AI服务器，也对电力供给、备用电源、散热系统及配套基础设施提出了更高要求。在这一过程中，发电与液冷成为市场关注度较高、产业链投资规模较大，同时又较难准确量化的两个方向。目前市场对AIDC基础设施需求的判断，较多依赖云服务厂商资本开支、数据中心规划规模预测。这些指标可以反映产业趋势，但也存在一定局限。一方面，资本开支同时包含芯片、服务器、网络、土地、土建、供配电及散热等多个环节，难以直接判断资金最终流向；另一方面，数据中心规划容量与实际建设、设备采购和投产之间可能存在较长时间差，容易造成产业需求的重复计算或跨期错配。因此，仅依靠资本开支或数据中心规划规模预测，很难精确回答发电及液冷设备在某一年度的实际需求。为提高研究的可跟踪性和可验证性，尝试建立一套从AI芯片出货出发、逐步推导至基础设施设备需求的物理量跟踪体系。

底层逻辑：从AI芯片出货推算电力容量

AIDC对发电和液冷行业的需求，本质上来自持续增加的AI服务器，以及由此形成的电力和散热负荷。因此，不直接以云厂商资本开支或数据中心规划容量作为测算起点，而是从AI芯片出货量出发，通过逐型号测算芯片功耗、服务器功耗和数据中心配套功耗，推导相应的新增电力容量。这一方法的优势在于，芯片出货量、功率参数和封装产能均具有相对明确的物理含义，可以随着产品路线图和供应链数据持续更新，并进一步向发电及液冷设备需求传导。不同AI芯片在功耗、算力、封装方式和服务器架构等方面存在较大差异。如果仅采用全球AI芯片出货总量进行测算，容易忽略产品代际升级带来的功率变化。因此，按照“厂商—产品型号—出货年份”建立AI芯片数据库，分别跟踪各类芯片的出货量及关键参数。海外芯片主要覆盖NVIDIA、AMD以及Google、AWS、Meta、Microsoft等自研ASIC；中国市场则纳入华为昇腾、海光和寒武纪等国产AI芯片。对于每款芯片，通过数据库跟踪年度出货量、热设计功耗、FP8算力、系统ASP、封装方式、单片晶圆可产芯片数，以及对应的服务器或机柜形态。随着AI芯片由Hopper、Blackwell向Rubin迭代，单芯片功耗同步提高。因此，电力容量的增长速度并不完全等同于芯片出货量增速。后续需要根据芯片厂商产品路线图、供应链排产和实际收入持续更新出货预测，从而动态反映芯片数量与功率结构的共同变化。

供应验证：CoWoS产能对芯片出货的约束

芯片出货预测并不必然等于可实现的实际交付。AI芯片从设计到最终出货，需要经过先进制程晶圆制造、HBM生产和CoWoS先进封装等多个环节，其中任何一项产能不足，都可能限制最终芯片产量。因此，在将芯片出货量用于电力容量测算前，需要先对其进行供应端验证。目前重点对CoWoS产能进行量化。对于每款芯片，根据其年度出货量和单片晶圆可产芯片数量，计算对应的CoWoS晶圆需求。相较于直接比较芯片颗数，该方法能够反映芯片面积变化对封装产能的影响。芯片及中介层面积越大，单片晶圆可产出的芯片数量越少，相同出货量所消耗的CoWoS产能越多。进入Rubin及Rubin Ultra阶段后，即使芯片出货量增速有所放缓，其对高端封装资源的占用仍可能继续上升。在具体测算中，进一步区分CoWoS-L与CoWoS-S/R。CoWoS-L主要服务于B200、B300和Rubin等前沿大尺寸芯片，技术难度和供应集中度更高，现阶段主要依赖台积电；CoWoS-S/R则可以由部分外包封装测试厂商分担。如果仅将不同类型的CoWoS产能简单加总，可能出现总产能看似充足，但CoWoS-L等特定制式仍然紧缺的情况。因此，分别比较各类封装需求与对应的有效产能，并考虑稼动率、良率和新增产能爬坡等因素。当产能利用率接近100%时，说明供需处于紧平衡状态；当产能利用率超过100%时，意味着现有封装产能无法支持全部芯片出货预测，需要下调出货量或将部分出货延后。

发电行业：区域供电模式差异与设备需求

AI数据中心具有负荷规模大、建设速度快、持续运行时间长和供电可靠性要求高等特点。一座大型AIDC可能形成数百MW甚至GW级电力负荷，而输电线路、电网接入和大型电源项目的建设周期通常长于服务器部署周期。因此，电力供应能否按时到位，正在成为决定AIDC建设进度的重要约束。中国与北美的数据中心供电模式存在明显差异。中国拥有覆盖范围较广的统一电力系统，大型数据中心通常以公共电网作为主供电源。东部地区的数据中心主要依靠本地电网及跨区域输电，西部算力枢纽则可以利用当地风电、光伏、水电和煤电资源。在“东数西算”等政策推动下，中国新增AIDC电力容量主要通过电源基地建设、电网扩容和跨区域输电体系满足。因此，中国AIDC新增容量带来的设备需求，主要体现为变压器、开关柜、母线、UPS和柴油发电机等供配电及备用电源设备。除少数离网、微电网或特殊高可靠性项目外，燃气轮机、燃气内燃机和SOFC通常不作为中国AIDC主供电源的基准配置。北美现有数据中心同样主要与公共电网连接，但近年来大型AIDC建设速度明显快于部分地区的电网扩容速度。输电线路建设周期较长，变压器等电力设备交付紧张，并网审批和环境许可流程复杂，使部分大型项目难以完全依靠电网按计划投产。在此背景下，燃气轮机、燃气内燃机和SOFC等现场自发电方案的重要性快速上升。北美现场自发电装机容量取决于新增电力容量、自发电比例及冗余系数。其中，自发电比例反映新增AIDC负荷中需要由现场电源承担的部分；冗余系数则反映数据中心为了保证连续运行而配置的额外机组容量。随着电网接入瓶颈加剧，自发电比例可能提高；如果电网扩容和并网速度加快，则该比例应相应下调。

液冷行业：渗透率提升与市场空间测算

AI芯片功耗和机柜功率密度持续提升，正在推动数据中心散热方式由传统风冷向液冷迁移。传统数据中心单机柜功率相对较低，依靠空调、风扇和冷热通道管理即可满足散热要求；但随着GPU功耗提升、单机柜芯片数量增加，AI服务器产生的热量快速集中，液冷需求持续增长。液冷市场的基本测算关系为液冷市场空间等于年度新增液冷容量乘以单位液冷价值量。需要注意的是，年度新增液冷容量不能简单等同于“AIDC新增电力容量×液冷渗透率”，因为液冷容量既来自新建AIDC，也来自存量风冷数据中心改造。更合理的方法是先计算液冷存量装机存量，再以当年液冷存量装机容量减去上一年液冷存量装机容量，得到年度新增液冷容量。这样可以同时覆盖新建项目和存量改造需求。液冷渗透率主要由芯片功耗、机柜功率和服务器技术路线决定。因此，液冷渗透率不能采用脱离产品路线的简单外推，而应根据各类芯片和服务器平台的出货占比，以及相应平台的液冷配置比例进行加权计算，并通过微软、Google、Meta、AWS、CoreWeave和xAI等客户的实际部署进行验证。单位GW液冷价值量反映每建设GW液冷AIDC容量，需要配置多少冷板、CDU、快速接头、Manifold、管路、换热器和设施侧散热设备。随着芯片功耗上升，新一代机柜对冷板散热能力、管路流量、CDU容量和泄漏监测提出更高要求，单机柜液冷价值量总体提升；但机柜功率密度提高意味着每GW对应的机柜数量减少，同时规模化生产和产品降价可能使单位GW价值量下降。因此，单机柜价值量上升与单位GW价值量下降可以同时发生。

验证闭环：资本开支、订单与业绩映射

模型测算结果还需要通过资本开支、设备订单和公司业绩进行交叉验证。资本开支方面，将芯片出货和系统ASP形成的自下而上测算，与主要CSP资本开支形成的自上而下测算进行比较。自下而上测算以AI芯片出货量为起点，加上网络、存储、供配电、液冷和土建等投资，得到AIDC整体资本开支。自上而下则汇总主要CSP的资本开支，并对其中用于AI基础设施的比例进行估算。两种方法需要在统一口径下比较，包括统一财年与自然年、现金支出与融资租赁、自建与租赁数据中心，以及设备采购与项目投产时间。订单方面，区分产品开发、客户认证、正式订单和批量交付等阶段，判断行业需求是否真正进入产业链。产品开发阶段只说明企业具备进入相关市场的意愿，原则上不计入收入预测；客户认证阶段表明产品已经送样或通过测试，可以纳入潜在市场，但不宜直接按照目标份额测算业绩；取得正式订单并明确金额和交付周期后，才可以将其纳入基准收入预测；进入批量交付后，则需要通过公司收入、产能利用率和现金流进一步验证订单兑现情况。公司层面，则结合产品需求量、有效产能、客户认证和市场份额，进一步测算销量、收入和利润，形成从建设规划、设备采购到业绩兑现的完整验证闭环。