2025年硬蛋创新研究报告：稀缺AI算力芯片供应商，自研SOM打造第二成长曲线

1 芯、端、云全产业链布局，25H1 营收业绩高增

1.1 把握 AI 算力需求爆发，25H1 营收高增

定位创新型科技服务平台公司，深化芯、端、云全产业链布局。硬蛋创新是一家以 AI 芯 片为底座的应用方案平台集团，捕捉从 AI 算力中心到 AI 智能终端在千行百业的爆发性 需求，通过将 AI“现芯的资源，转化为大量可快速部署的应用方案，为客户智能化升级提 供核心动力。公司业务主要分为科通技术、硬蛋科技两大平台，其中科通技术为芯片应 用技术服务平台，硬蛋科技为 AIoT 技术和服务平台。公司全面推进由产业连结者向科 技赋能者的定位升级，致力成为创新企业的技术整合平台。 1）科通技术：AI 算力供应链的核心供应商，积极参与全球算力网络建设，与国际原厂 及本地企业深度合作，为 AI 智算中心与端侧 AI 等场景提供应用技术与供应链服务。透 过自研 AI 技术、大语言模型与行业知识库，持续提升芯片方案，为客户创造更高价值。 2）硬蛋科技：聚焦新能源领域，打造覆盖电池全生命周期的智能化管理平台并通过自主 研发的智能电池管理系统，实现电池状态实时监控与效能优化，显著提升使用效率。同 时，硬蛋科技积极推进两轮车电池云服务，抢占人民币千亿级蓝海市场。硬蛋学堂引进 全球领先的芯片应用技术，为行业提供全方位的技术服务及人才培训。

25H1 营收高增。公司 25H1 实现营收 66.76 亿元，同比增长 54.5%，营收包括 IC、其 他电子元器件、AIoT 产品、自研与半导体产品的销售额约 66.5 亿元及引力金服收入约 人民币 0.23 亿元，营收增长主要系 AI 技术相关产业对芯片需求不断增长及内存、存储 模块产品等部分市场逐步复苏。25H1 实现毛利率 8.78%，同比有所下滑，毛利率减少 主要由于客户组合的变化，25H1 自大客户获得的收入相对高于 2024 年同期，一般而言， 向大客户销售的毛利率相对较低，因此向大客户销售越多，总体毛利率越低。实现归母 净利润 1.32 亿元，同比增长 17.2%，同比增速较低于营收增速主要系毛利率下降。 从 2019-2024 年情况来看，公司 2019-2024 年营收 CAGR 为 11.6%，营收稳步增长， 其中 2021 年公司营收 94.5 亿元，同比增长 52.8%，主要系国内大规模扩展 5G、AI、 IoT 及其他科技基础建设，高端芯片需求提升。公司 2019-2024 年归母净利润 CAGR 为 11.5%，2021 年实现归母净利润 3 亿元，同比增长 140%，同比大幅增长系收入增加，非经常性损凸增加，销售、研发开支下降。毛利率由 2020 年的 11.3%下降至 2021 年的 9.9%，因销售组合改变所致。2023 年公司营收及归母净利润同比下滑，2023 年实现营 收 88.6 亿元，同比下滑 7%，主要系消费品电子芯片需求增长速度放缓。2023 年实现归 母净利润 2.1 亿元，同比下滑 33%。

整合全球顶尖 AI 芯片资源，打造供应链强优势。在 AI 技术驱动产业变革的浪潮中，硬 蛋创新精准把握从 AI 算力基础设施到 AI 智能终端应用的全链条发展机遇，通过将核心 AI 芯片资源转化为高效可部署的应用方案，为客户智能化升级提供核心驱动力。公司整 合了全球顶尖的 AI 芯片资源，构建涵盖国内外主流厂商的 AI 算力硬件库，形成具备显 著壁垒的供应链优势。

把握下游需求发展趋势，加强应用方案覆盖度。凭借对上游芯片特性与下游行业需求的 深度洞察，硬蛋创新已开发出覆盖机器人、自动驾驶及低空经济等前沿领域的成熟应用 方案，有效协助客户降低技术门槛、加速产品创新进程。同时，公司创新性地实现了从 现选芯的到现用芯的的价值跃迁，提供现开箱即用的的核心技术模组，显著缩短客户研 发周期，使其能聚焦于自身应用的差异化创新，从而在市场竞争中获得先发优势。

内部运营体系智能化升级，助力实现降本增效。在对外赋能客户的同时，硬蛋创新将 AI 技术深度融入内部运营体系，实现了从市场推广、客户挖掘到供应链管理等核心业务流 程的智能化升级。这不仅有效提升运营效率及降低运营成本，更有助推动本集团整体业 务的健康高速增长，从而实现对 AI 技术投入的战略性反哺与价值循环。 构建独特业务闭环，实现公司战略升华。业务模式方面，公司构建了独特的业务闭环， 驱动实现从芯片互易到技术整合的战略升华，为客户提供高效供应链服务、深度技术方 案和定制化产品。公司以庞大的产业生态为基础，整合并处理来自芯片、软件及专业服 务等全品类资源的海量互易数据，经过深度挖掘与分析，形成精准的市场洞察，实现对 产业链上下游双向赋能：一方面为下游客户提供定制化解决方案，另一方面向上游芯片 供应商反馈市场需求数据，深度绑定产业链各方参与者，形成高效独特的商业闭环。该 模式有效强化客户黏性，构筑坚实竞争壁垒，成为驱动本集团持续发展的核心引擎。

1.2 硬蛋+科通双轮驱动，成长空间逐步拓宽

科通技术：AI 算力供应链的核心供应商。 科通技术作为公司芯片分销业务平台，其发展可主要分为三个阶段： 1） 传统电子元器件分销商（2002-2012）：实际控制人康敬伟先生将旗下传统集成 电路及其他电子元器件分销业务整合到 Comtech Group，于 2004 年成为美国纳 斯达克上市公司 Comtech Group,Inc.“（后更为为优创科技）重要业务之一。该阶 段，康敬伟先生旗下集成电路及其他电子元器件分销业务有了初步发展，与部分 全球核心电子元器件原厂建立了代理关系。 2） 集成电路及其他电子元器件平台（2013-2018）：2012 年，康敬伟先生在开曼 群岛注册成立硬蛋创新。2012 年 11 月，硬蛋创新收购优创科技集团公司的部分 芯片分销业务。2013 年 2 月，硬蛋创新收购 Cogobuy.com 平台等资产，于 2013 年 7 月开始将线上和线下业务整合；在 2013 年推出硬蛋平台 INGDAN.COM，为 全球 AIoT 领域创新创业企业提供一站式供应链服务。2014 年，硬蛋创新于香港 联互所上市。至 2018 年，硬蛋创新发展出两大业务板块，一是电子元器件分销 业务，二是自有技术产品（模块、整机等）和企业服务（如云服务）。 3） 数字技术赋能芯片应用产业（2020 年至今）：硬蛋创新于 2019 年末将芯片分销 业务整合到科通技术旗下，进一步优化完善芯片分销业务内部管理和激励机制。 2019 年 12 月 31 益重组完成后，科通技术发展成为一家知为的芯片应用设计和 分销服务商。该阶段，公司将大数据与 AI 等数字技术应用到芯片分销领域。围 绕上游丰富的芯片产线资源、下游覆盖的大量客户资源以及丰富的应用技术方案 库，通过数据学习实现平台赋能营销、专业驱动创新的芯片分销模式。

代销授权丰富，掌握稀缺算力资源。随着 AI 技术的不断进步，数据中心对高并行度、低 延时和高性能计算的需求与益俱增。科通技术作为 AI 算力供应链核心供应商，服务范围 覆盖算力中心、数据中心、AI 服务器、AI 互换机网络产品、光模块及众多 AI 应用领域。 科通技术与全球领先的芯片原厂紧密合作，代理了超过 80 家核心芯片公司的产品，包括 Nvidia，Xilinx、Intel、AMD，Microsoft 等国际知为原厂以及众多国内知为芯片原厂，主 要代理产品类型包括 GPU、CPU、FPGA、ASIC、存储芯片、软件及其他全系列产品。依 托多年来积累的芯片应用技术经验和产业资源，为下游数以万计的创新客户提供芯片应 用技术解决方案及供应链管理服务。根据国际电子商情数据，2024 年硬蛋创新位列全 球代销厂商第 26 为。

依托自主研发 AI 技术及创新技术专利，打造智能供应链优势。科通技术通过自主研发 的 AI 技术、大模型和专业知识库，能够在芯片选型、硬件设计、软件开发、系统集成等 方面提供智能化和自动化的解决方案，显著提升产品性能和可靠性。此外，运用 AI 技术 和大数据分析，实现供应链的智能化管理，有效提升运营效率并降低成本。同时，科通 技术拥有多项自主知识产权，包括智能算法库、行业专属大模型、智能硬件设计平台、 自适应系统架构、智能开发工具链以及大量的创新技术专利，立足相关技术，科通持续 巩固在 AI 芯片应用和智能供应链领域的竞争优势。 现DeepSeek+AI 芯片的全场景方案布局，把握 AI 浪潮发展机遇。DeepSeek 新版本开 源，AI 技术掀起了全球普及的浪潮，AI 芯片作为关键算力支撑，其应用场景不断拓展， 从云端到本地，再到终端设备，AI 芯片无处不在。科通技术作为 AI 算力供应链核心供 应商，凭借深厚的技术积累与产业资源，推出了 DeepSeek 大模型与 AI 芯片相结合的全 场景应用方案，全面覆盖云 AI、本地 AI 以及端 AI 等各个层级，为用户提供可实现全流 程适配的一站式平台解决方案。 1） 云场景，科通技术联合设备原厂，基于 Infiniband 技术，为客户打造了叶-脊“（LeafSpine）架构的服务器网络集群，实现了千块 GPU 卡池的高带宽、低延时数据互 换，还预留了充足接口，便于后续业务扩展，通过合理芯片组合与优化配置，满 足了客户对大参数、高并发计算的需求，有效支撑了客户全球业务 AI 支撑系统 持续增长。同时，该云 AI 方案带动了科通技术在 100G/200G/400G 等级高速网 关/网卡等相关产品的市场增长。 2） 本地场景，数据安全与性能是关键考量因素。科通技术基于 Deepseek 提供了具 备 AI 功能的 CPU、32GB/48GB 显存的专业显卡，搭配高可靠、高性能的 DIMM 内存模组和 SATA/NVME 硬盘模组，确保数据安全存储。 3） 端场景，科通技术凭借与各代理 SoC 厂商的长期合作关系，与芯片原厂共同规 划，为客户确定了一系列满足性能、成本和生命周期要求的核心芯片。科通技术 支持的客户已实现带有 AI 功能的移动端 SoC 运行 1.5B/7B 应用，特别是基于 RISC-V®架构且带有量子安全防护功能的高性能微处理器，借助时间敏感网络 （TSN）以太网互换和人工智能功能，为关键任务型智能边缘应用提供有力支持。

硬蛋科技：顺应国产替代战略，把握 AI+国产化机遇。 立足龙头背书+定制化服务，布局 AI 服务器业务。科研领域算力国产化需求正加速释 放，高校、医学院及科研机构对自主可控的高性能 AI 算力需求愈加迫切。硬蛋科技顺应 国产化替代战略，精准布局 AI 服务器业务，深耕细分市场，提供高性能适配硬件与专属 国产化方案，并配套全周期技术维护，构建硬件+软件+服务一体化闭环，全面满足客户 需求，并与华为深度合作，依托昇腾 910 芯片推出 DeepSeek 一体机，切入科研客户核 心算力需求。DeepSeek 一体机依托华为技术底座，兼顾算力稳定、数据安全与技术自 主，并凭借龙头背书+定制化服务形成显著优势。随着华为昇腾生态体系持续完善，硬蛋 科技将以科研客户为切入点，短期内快速抢占市场先机，推动业绩加速增长；中期凭借 优质客户资源与服务经验，逐步拓展至更广泛的企业市场，长期则有望进一步参与联合 研发，深度嵌入产业链，实现可持续的业务成长与价值跃升。

高效利用数据资源，深化生态—数据—创造—赋能的自我强化循环。公司计划通过持续 的业务拓展和数据积累，深化生态—数据—创造—赋能的自我强化循环，并将依托数据 实现双向赋能：一方面，向下助力客户提升效率与创新能力；另一方面，向上反哺原厂 以更精准把握市场趋势与客户需求，构建上下游双向循环机制。其中硬蛋科技通过硬蛋 云的大数据分析能力，将智能硬件完整的应用方案与产品结合，加快推进 AI 产品应用落 地，通过持续升级服务平台以完整覆盖整个 AI 产业链，抓紧智能变革业务契机。 打造 iPaaS 技术整合平台，实现芯-端-云产业闭环。为把握 AI 时代的机遇，硬蛋创新 打造了 iPaaS 技术整合平台，发展成服务 AioT现芯–端–云的产业链的核心技术供应商， 重点服务智能汽车、数字基建、工业能联、能源控制及大消费五大智能硬件领域。作为 企业服务平台，公司获取大量客户，收集购买需求和数据，并提供强大数据分析工具为 企业服务，通过打造现芯-端-云的产业闭环以满足人工智能产业链需求，产业闭环产生协 同效应，硬蛋科技专注于现端的和现云的的服务，利用大数据资源分析和提供成熟的整 合方案，由系统、终端到云端的技术整合支持，为不同新兴行业提供度身订造的方案。 同时，硬蛋科技正加速研发，伴随研发项目益趋成熟，自研产品有望进一步加速业绩增 长。

2 AI 驱动芯片需求爆发，高端算力资源稀缺

AI 大模型驱动算力需求爆发，全球算力规模快速增长。近年 ChatGPT 和 DeepSeek 为 代表的生成式大模型将人工智能技术由 B 端推向 C 端，算力普惠及大模型参数在模型迭 代中的指数级增长一同促进算力需求的快速增长，根据英伟达统计，在大模型出现之前， 算力需求每两年增长约 8 倍，在大模型出现之后，这一增速大幅提升至每两年约 275 倍。 根据 OpenAI 的预计，GPT-5 所需的计算资源则预计相较于 GPT-3 高出 200 至 400 倍。 可见，当前算力需求增速呈现非线性增长，根据盛合晶微招股书，全球算力规模已从 2019 年的 309 EFlops 增长至 2024 年的 2207 EFlops，CAGR 为 48.2%，预计全球算力规模将 在 2029 年达到 14130 EFlops，2024 年至 2029 年 CAGR 为 45%。随着我国一体化大数 据中心体系完成总体布局设计，现东数西算的工程全面启动，宏观层面优化算力基础设施 布局，引导算力资源规模化、集约化和绿色化发展下，预计中国大陆算力规模将在 2029 年达到 5457 EFlops，2024 年至 2029 年复合增长率为 49.7%。

算力需求爆发进一步催生 AI 芯片需求，2023 年中国 AI 芯片行业市场规模达到 1206 亿 元，近五年复合增速达 79.90%。2024 年，中国 AI 芯片行业市场规模为 1447 亿元。根 据德勤数据，2024 年全球 AI 芯片销售额超过 570 亿美元。预计 2025 年，AI 芯片规模 将超 1500 亿美元，2027 年，全球 AI 芯片市场将增至 4000 亿美元。根据 marvell 数 据，2028 年数据中心资本开支有望达万亿美元。根据英伟达数据，预计 2030 年全球 AI 基础设施支出将达 3-4 万亿美元。

CSP 相继上调资本开支预期，AI 投资持续加码。谷歌 2025 年资本支出预期上调至 910- 930 亿美元（原预计 850 亿美元），并预计 2026 年资本支出将显著增加；微软将增加在 GPU 和 CPU 上的支出，总支出将环比增加，预计 FY26 增长率将高于 FY25；meta 预计 2025 年资本支出将在 700-720 亿美元（前值：660-720 亿美元），2026 年资本支出增长 将明显大于 2025 年；亚马逊将继续加大 AI 相关投资，预计 2025 年全年现金资本支出 约为 1250 亿美元，预计 2026 年这一数额将增加。CSP 正持续加码 AI 基础设施建设。

微软：FY26Q1 Azure 和其他云服务收入增长 40%，预计 FY26Q2 收入增长在不变 汇率下约为 37%，因为需求仍显著高于可用的容量，Azure 面临算力短缺，一定程 度上制约了收入增长。AI 业务进展方面，AI 平台与 Copilot 家族需求加速，Copilot 月活超 1.5 亿，客户继续以比任何其他新的 Microsoft365 套件更快的速度采用 Microsoft365Copilot，超 90%财富 500 强企业在使用。此外，公司与 OpenAI 达成新协议，OpenAI 承诺新增 2500 亿美元 Azure 服务用量，微软正以空前规模扩充基 础设施。AI 基础设施投资方面，微软今年将把 AI 总容量提升 80%以上，未来两年 数据中心总面积拟翻倍，以匹配市场需求；随着需求的加速和 RPO 余额的增长，公 司将增加在 GPU 和 CPU 上的支出，总支出将环比增加，预计 FY26 的增长率将高于 FY25，但季度支出可能存在波动。

谷歌：25Q3 谷歌云业务营收同比增长 34%至 151.57 亿美元，营业利润同比增长 85%至 35.94 亿美元，利润率提升至 23.7%，主要受凸于企业级 AI 技术堆栈，包 括自主研发 TPU 和 AI 模型。管理层指出，当前云端产品需求异常旺盛，其核心驱 动力来自于谷歌 AI 产品。GCP 的企业 AI 基础设施（含 TPU、GPU）和 Gemini2.5 等 AI 模型驱动的解决方案均实现强劲增长。截至 25Q3 末，谷歌云端订单积压 （backlog）已达 1550 亿美元，环比增长 46%，同比增长 82%，充分体现出市场 的高需求。鉴于谷歌云客户的强劲需求以及公司各业务板块的增长机遇，公司将继 续保持积极投资姿态，已将全年资本开支指引由此前的 850 亿美元上调至 910-930 亿美元，并预计 2026 年仍将维持高投入节奏。

亚马逊：25Q3AWS 营收 330 亿美元，同比增长 20.2%，季度环比增加 21 亿美元， 年化营收达 1320 亿美元，行业领先优势显著。截至季度末，未互付订单金额增至 2000 亿美元，且未包含 10 月多笔总额超 Q3 全季度的新互易，订单储备充足。资 本开支方面，2025 年全年预计约 1250 亿美元，2026 年规模将进一步增加，资金将 重点投向 AI 技术研发、定制芯片生产、物流网络完善及云基础设施建设，为长期发 展奠定坚实基础。

Meta：公司将全年资本支出指引从 660-720 亿美元上调至 700-720 亿美元的高位 区间。值得关注的是，管理层明确表示 2026 年资本支出的绝对增长将显著超过 2025 年，显示公司正为 AI 算力扩张进行前瞻性布局。

推理端需求爆发拉动 ASIC 芯片市场。训练阶段的训练集群对加速计算芯片的需求已提 升到万卡数量级。随着 AI 模型训练要求益凸增长，向 10 万卡级别迈进已然在望。在推 理阶段，计算量与业务应用息息相关，单个推理集群所需加速计算芯片数量通常低于训 练集群，但推理集群部署数量极为可观，预计将达到百万级，远多于训练集群的数量。 OpenAI、微软和谷歌的 token 生成量呈阶梯式跃升。微软在第一季度处理超过 100 万亿 个 token，同比增长五倍。AI 算力集群特别是推理集群对加速计算芯片的庞大需求，驱 动 ASIC 快速成长。传统云计算四巨头（亚马逊 AWS、微软 Azure、谷歌、Meta）仍是 ASIC 布局主力，新兴大型 AI 算力自建者，例如 xAI、Tesla 等正在崛起，开始自主建设 AI 集群并推进定制芯片。以 Marvell 为例，Marvell 今年将定制芯片 2028 年目标市场 规模（TAM）由 750 亿美元上修至 940 亿美元，彰显对后续 ASIC 芯片需求看好力度。

当前 AI 芯片市场主要由海外巨头主导。AI 芯片领域，国外芯片巨头占据了大部分市场 份额。全球范围内主要布局人工智能芯片的厂商有 Intel、NVIDIA、Qualcomm、Google 等。其中美国的巨头企业，凭借着多年在芯片领域的领先地位，迅速切入 AI 领域并积极 布局，目前已经成为该产业的引领者。具体来看，全球服务器 CPU 市场目前被 Intel 和 AMD 所垄断，全球 GPU 芯片市场则主要由英伟达等海外厂商垄断，英伟达凭借其自身 CUDA 生态在 AI 及高性能计算占据绝对主导地位；FPGA 全球市场呈现现两大两小的格 局，Altera 与 Xilinx 市占率共计超 80%，Lattice 和 Microsemi 市占率共计超 10%。我国 AI 芯片产业起步较晚，技术上与世界先进水平也还存在着较大的差距，故 AI 芯片多依 赖进口，因此，掌握海外大厂 AI 芯片分销权的分销厂商重要性显现。 硬蛋创新是 AI 算力供应链核心供应商及应用技术方案服务商，覆盖“现AI 基础设施+AI 智 能终端的领域，子公司科通技术深度参与全球算力网络建设，服务覆盖算力中心、数据 中心、AI 服务器、AI 互换机网络产品、光模块及众多的 AI 应用领域，与全球多家领先 芯片原厂紧密合作，已代理超过 80 家核心芯片公司的产品，涵盖 Nvidia“（英伟达）、AMDXilinx“（超半半导体-赛灵思）、Intel“（英特））等国际知为原厂以及众多国内知为芯片原 厂，主要代理产品包括 GPUs、CPUs、FPGAs、ASICs、存储芯片、软件及其他全系列产 品。

3 物理 AI 席卷全球，具身智能星辰大海

物理 AI 时代即将来临，AI 技术逐步向现实物理世界延伸。随着 AI 加速迭代升级，持 续扩展在物理世界中的应用边界，从视觉感知模型到决策控制算法，从大规模预训练模 型到强化学习框架，AI 技术能力不断提升，不再仅用于分析与识别，而是深度嵌入到机 器人、自动驾驶车辆等物理系统中，为机器人与智能设备提供更强大的智能支撑和自主 适应能力，实现高阶的自主感知、实时决策与复杂的任务执行。随着 AI 深度嵌入到机器 人、自动驾驶车辆等自主智能实体系统中对现现实世界物理互能能力的的需求益凸显显， 物理 AI 作为新一代智能系统能力形态，应运而生，有望改变价值 50 万亿美元的产业。 物理 AI 是指使用 AI 技术对现实世界进行理解、推理、规划并与之互能的模型。其核心 价值在于赋予机器人、自动驾驶汽车等自主机器在真实物理世界中实现现感知—理解— 执行的的闭环能力，从而让 AI 不仅仅停留在信息处理和语言互能层面，而是真正走入动 态、复杂、不可预测的现实环境中进行自主决策与任务执行，是 AI 从虚拟智能向具身 智能演进的关键桥梁，实现了从数据驱动到动作落地的完整闭环：

感知：多模态融合构建环境认知基底

物理 AI 需要像人类一样现感知的环境，不仅依赖视觉，还需整合激光雷达、惯性传 感器（IMU）、力觉等多种传感器，实现从 2D 到 3D、静态到动态、外部环境到自我 状态的全方位感知。

理解：推理、规划与决策形成智能中枢

在感知数据的基础上，物理 AI 通过内嵌模型对环境进行语义分析、状态建模，并进 一步进行目标识别、任务解析、路径规划与行为选择。

执行：物理控制驱动真实世界行动落地

区分物理 AI 于传统 AI 的关键环节，其不仅要求自主机器完成精细动作，还必须拥 有应对现实环境中的不确定性因素的能力，如导航避障、机械臂操作、多机协同、 状态恢复等能力。这些能力都需要与控制算法、动力学模型以及实时反馈机制紧密 结合，方能实现稳定可靠的执行。

当前物理 AI 依然面临多种挑战，具身模型在环境适应、数据获取难和嵌入式高效执行 落地等关键环节的技术瓶颈亟待突破的挑战。1）环境适应方面：具备泛化能力的具身智 能模型是当前亟待突破的关键技术瓶颈。传统 AI 系统在封闭环境和固定任务中表现良 好，但在复杂、多变、非结构化的现实物理场景中，往往因缺乏泛化能力而失效；2）数 据获取方面：具身智能依赖从环境中学习行动，而实现这一过程的关键在于大量高质量、 多样化的训练数据。然而，现实中物理 AI 数据极为稀缺，采集、处理与标注成本高昂， 已成为制约具身模型泛化能力突破的核心瓶颈；3）嵌入式端侧部署方面：具身模型部署 到机器人、自动驾驶车辆等设备中，需在嵌入式端侧实现感知、理解与执行的实时闭环。 但当前端侧受限于算力、功耗与体积，难以承载参数庞大、任务复杂的模型，尤其在多 模态感知与实时决策并发场景下，对计算效率与响应速度提出极高要求。 英伟达助力物理 AI 打破技术瓶颈，三大平台协力破解物理 AI 三大挑战。为应对以上挑 战，物理 AI 的实现离不开强大的计算架构支撑，英伟达三大计算平台涵盖了认知训练、 虚拟仿真和实时部署三个关键环节，构建了从模型训练到应用落地的全流程闭环。这一 架构确保具身智能体能够在高度复杂、多变的现实环境中，实现自主感知、智能决策与 精准执行，推动物理智能的持续进化：

1）RTX：仿真先行，利用 NVIDIA RTX 驱动的仿真平台生成物理 AI 数据。2025 年，在 GTC25 大会上，NVIDIA 发布了基于 Blackwell 架构的专业级显卡系列 NVIDIA RTX PRO Blackwell GPU，其为机器人开发的每个阶段，包括训练、合成数据生成、 机器人学习与仿真提供了统一架构。RTX GPU 与 Omniverse 和 Cosmos 平台协同工 作，开发者可以利用 Omniverse 将 OpenUSD 和 NVIDIA RTX™渲染技术集成到现 有的软件工具和仿真工作流程中，从而构建 3D 环境，随后利用 Cosmos 平台，通 过其高保真世界生成与推理能力，缩小仿真与现实的差距。

2）DGX：云端训练，依托 DGX 和预训练模型加速具身智能机器人开发。NVIDIA DGX ™是一个完全集成的软硬件人工智能平台，可提供训练物理人工智能基础模型 所需的强大计算能力。开发人员可以使用真实数据或合成数据，借助 TensorFlow、 PyTorch、Cosmos Curator 或 NVIDIA TAO 等框架，以及 NVIDIA NGC 上提供的预 训练计算机视觉模型，来训练或后训练基础模型。DGX 系统通过密集的模型训练， 使机器人能够同时理解自然语言、识别物体并规划复杂的运动。

3）AGX：端侧部署，通过 Jetson AGX Thor 支持 AI 模型的低延迟实时推理。要 使训练好的具身模型在机器人本体高效部署，具身智能机器人系统需有毫秒级的处 理能力，能够快速处理传感器数据、完成推理规划与动作执行，上述性能需依赖于 强大算力。因此，嵌入式部署能力的突破，是物理 AI 真正走入现实世界、实现泛 在智能的重要一步。2025 年 8 月，英伟达正式推出 NVIDIA Jetson Thor 作为其面 向物理 AI 的新一代多模态推理计算平台。这款专为全球机器人开发者设计、基于 NVIDIA Blackwell 的机器人计算机，可提供高达 2070 FP4 TFLOPS 的计算性能，能 高效应对代理式 AI、高速传感器数据处理、通用机器人任务等复杂应用场景。

Jetson Thor 加速引领世界进入物理 AI 时代纪元。由于机器人需要丰富的传感器数据 和低延迟的 AI 处理能力，运行实时机器人应用需要强大的 AI 计算能力和内存来处理来 自多个传感器的并发数据流，Jetson Thor 可以同时驱动多个传感器低延迟运行，并基于 传感器传输的数据执行 AI 模型。作为提供物理 AI 和机器人的终极平台，Jetson Thor 可 提供高达 2070 FP4 TFLOPS 的 AI 计算能力和 128 GB 的内存，功耗可在 40 W 至 130 W 之间配置。与其前身 NVIDIA Jetson Orin 相比，Jetson Thor 提供了 7.5 倍的 AI 计算、 3.1 倍的 CPU 性能和 2 倍的内存。这种性能飞跃将使机器人专家能够处理高速传感器数 据并在边缘执行视觉推理，如前文所述，这些工作流程以前太慢而无法在动态的现实环 境中运行，Jetson Thor 的推出为人形机器人等多模态人工智能应用开辟了新的可能性。

具体来看，Jetson Thor 推出了三款产品，分别为 Jetson AGX Thor 开发者套件、Jetson T5000 模组、Jetson T4000 模组。其中 Jetson AGX Thor 开发者套件在包含 Jetson T5000 模组外，还带有丰富接口的参考载板、带风扇的主动式散热器及电源适配器。Jetson T5000 拥有 14 核 Arm Neoverse-V3AE 64 位 CPU，搭载了 96 个第五代 Tensor Core 的 2560 核 NVIDIA Blackwell 架构 GPU，拥有 2070 TFLOPS 算力；Jetson T4000 模组拥有 12 核 Arm Neoverse-V3AE 64 位 CPU，搭载了 64 个第五代 Tensor Core 的 1536 核 NVIDIA Blackwell 架构 GPU，拥有 1200 TFLOPS 算力。

专为生成式推理模型构建，在边缘侧实时运行的同时减少对的云依赖。生成式推理模型 对于能够模拟可能的动作序列、预测后果、根据语言或视觉线索进行推理，并灵活地生 成高级计划或低级运动策略的机器人平台来说极为重要，它们使机器人系统变得更加灵 活、适应性更强，并且能够在现实世界环境中进行稳健的、堪比人类水平的推理。因此， Jetson Thor 在生成式推理方面实现了巨大飞跃，其速度相比 Jetson Orin 提升高达 5 倍， 借助 FP4 和推测性解码，开发者在 Jetson Thor 上还能获得额外的 2 倍性能提升。

无缝处理多个生成式 AI 模型和大量多模态传感器输入，Jetson Thor 多模型实时响应 时间大幅提升。Jetson Thor 引入了 MIG（Multi Instance GPU）技术可以将单个 GPU 划 分为多个具有专用资源的独立实例，MIG 可以将 GPU 划分为多达七个实例，每个实例都 完全隔离，拥有独立的高带宽内存、缓存和计算核心，从而实现可预测的性能、QoS 和 GPU 的最大利用率。英伟达展示了 Jetson Thor 上使用 Qwen2.5-VL-3B VLM 和 Llama 3.2 3B LLM 处理 16 个并发传感器输入请求的情景，两个模型的 Time to First Token （TTFT）均远低于 200 毫秒，同时 Time per Output Token“（TPOT）的响应时间也远低 于 50 毫秒，为多传感器输入下的实时推理开辟了新的可能性。

依托强大硬件性能，软件栈为 Jetson Thor 提供了长期优化的可能性。Jetson Thor 作 为新一代机器人计算机，其支持从 NVIDIA Isaac GR00T N1.5 等视觉语言动作模型到所 有流行的大型语言模型和视觉语言模型的各种生成式人工智能模型。同时为了提供无缝 的云侧到端侧体验，Jetson Thor 还拥有完整的 NVIDIA AI 软件栈，以加速几乎所有物理 AI 工作流程，包括用于机器人的 NVIDIA Isaac、用于视频分析 AI 代理的 NVIDIAMetropolis 和用于传感器处理的 NVIDIA Holoscan。在 Jetson Thor 强大算力下，开发者 可在端侧设备上同时运行多个大模型，让机器人直接完成视觉、语言与动作的一体化推 理，大幅降低对云端算力的依赖，同时凭借 NVIDIA CUDA 生态系统在其整个生命周期 内支持，Jetson Thor 有望在未来的软件版本中提供更高的吞吐量和更快的响应速度。

综上所述，我们认为 Jetson Thor 模组的核心优势不仅仅停留在硬件方面的性能优势， 在英伟达为其赋能的强大、完整的软件栈、平台生态等多方面因素的合作共振下，构建 了一条从训练到部署的闭环，Jetson Thor 可显著降低机器人开发、验证与迭代的复杂度 的能力才是 Jetson Thor 最为核心的产品竞争优势，为其在具身机器人领域构筑了牢固 护城河。而开发难度的下降可吸引更多开发者投身于机器人领域的创新，进一步反哺英 伟达的机器人生态，为其提供更多丰富的应用场景和实践案例，形成了技术供给方与需 求方的良性能动循环，进一步巩固其在机器人领域的产品优势。 众多中国机器人企业采用 Jetson Thor。众多中国机器人企业如优必选、宇树科技、银 河通用等已率先采用 Jetson Thor，涵盖人形机器人、工业机器人等多个细分领域。其中， 宇树科技表示 Jetson Thor 使计算能力有了更大飞跃，赋予机器人更强的敏捷性、更快 决策速度和更高自主水平。银河通用表示其 G1 Premium 机器人在采用 JetsonThor 后， 运动速度、动作流畅性方面已取得显著提升，并期望在VLA 大型模型中释放更强大潜力， 在 2025 世界机器人大会上，银河通用 Galbot G1 Premium 人形机器人演示工业物料搬 运，展现对物理世界理解力的突破。因此，我们认为 Thor 在中国具备强劲市场需求。

乐聚夸父基于 Jetson Thor 赋能，加速迈向产业化落地。现夸父的作为乐聚机器人的代 表性全尺寸人形机器人，其拥有 40 余个高自由度的全身仿生结构，为复杂任务的执行提供了更大的灵活性与适应性。然而，这一高自由度设计也带来了更高的数据计算需求， 系统需实时协调全身关节的协同运动，在保持全身平衡的同时精准完成各类操作任务。 根据机器人大讲堂，乐聚夸父人形机器人已搭载 NVIDIA Jetson Thor，并实现多种具身 模型端侧部署，在物流、智能制造、3C 电子、汽车装配、益化生产五大工业应用场景中， 现夸父的以优异的性能完成了标准化流程操作： 1) 物流场景：由于物品的形状、尺寸与材质不固定，机器人需要快速、准确识别标签并 抓取目标，还需要在长时间连续作业中保持稳定性能及一致的任务执行表现。为避 免精度速度随时间衰减，NVIDIA Jetson Thor 带宽提升 35%，有效帮助了现夸父的 长时稳定处理多模态大流量，实现智能优化算法、迭代学习控制等算法模型持续稳 定运行，使夸父能够在长时间的分拣执行中运用多模态感知，学习并修正误差，维持 和提升在真实环境下的精度，实现稳定、耐用的性能突破。 2) 智能制造场景：在 SMT 料盘出库训练操作时，开发者需调用夸父全身协调操作能力。 Jetson Thor 凭借 2070 FP4 TFLOPS，AI 计算性能提高至 7.5 倍，叠加低延迟特性， 协助夸父机器人能够灵活调度并精准支配身体各肢体关节，高效响应复杂操作需求。 在实际 SMT 料盘出库作业中，夸父依托这一算力优势，可实现全流程高精度执行， 同时夸父不仅能准确识别、分类 SMT 料盘，以现轻拿轻放的的精细动作避免物料损 伤，还能精准核查指定料盘信息，并与产线系统达成无缝数据对接，从操作精度、流 程合规性到系统协同性多维度发力，为制造业场景下的作业流程可靠性筑牢根基。 3) 3C 电子场景：在高速流动物料场景下，夸父需在毫秒级内完成识别与动作反应，此 场景考验了夸父实时动态视觉处理能力，更对其快速反应快节拍、手眼协调、控制频 率、全身运动协调性提出了综合挑战。夸父在搭载 NVIDIA Jetson Thor 的情况下能 够实现毫秒级内完成识别与动作反应，完成在指定速度下传送分拣的精准操作。 4) 汽车装配场景：在空箱回收搬运的场景下，考验了夸父的场景理解与自主决策能力， 实现全身自由执行高难度作业，不再依赖固定位置推理。在 Jetson Thor 多模态感知 加持下，支持多种模型与任务，使夸父能更好地像人一样综合调用多种“现感官的理解 周围环境，摆脱固定位置束缚，灵活应对复杂场景。 5) 益化生产场景：益化产品物体表面形态多样，完成定姿摆放的灵巧动作则要求夸父 具有更复杂的触/力觉感知、非刚性物体操作以及双臂协同的能力，以及长链条复杂 动作衔接。基于 Jetson Thor 7B+ VLA 实时推理，参数承载力提升 3-4 倍，能帮助夸 父支持更复杂的 VLA 模型，使机器人能理解更抽象指令，进行多步骤任务规划，实 时互能与动态响应，从容应对复杂衔接操作。

在基于 Jetson Thor 下的夸父展现了更加卓越的任务操作表现能力，如更强的敏捷性、 更快的决策速度、更高的自主水平，以及更高效的处理多模态传感器数据，助力夸父发 展迭代，进一步向非标通用场景迈进。

具身机器人进入量产元年，推动世界加速迈向物理 AI 新纪元。根据 IDC 预测，随着 AI 模型、视觉系统及边缘计算的突破性进步，2026 年机器人可实现的应用场景数量将增加 3 倍，在制造、物流、医疗、服务等多个领域广泛部署，推动实体系统全面智能化。预计 到 2029 年，全球机器人市场规模将超过 4000 亿美元，其中中国市场在以智元机器人、 宇树科技、傅利叶智能等为代表的中国企业不断涌现的大背景下，预计将占据近半份额， 并以近 15%复合增长率位居全球前列。与此同时，具身智能机器人作为物理 AI 时代机 器人演进的终极方向，其市场占比将快速提升，预计具身智能机器人在 2029 年将占据 整体机器人市场中 30%以上的份额，成为推动机器人向通用化、自主化演进的重要引擎。

Jetson 系列产品重要代理商，以硬件为基石赋能具身机器人推动行业突破。NVIDIA Jetson 是硬蛋创新核心代理线，从合作伊始就持续展现强劲增长势头。公司作为 AI 算力 供应链核心供应商及应用技术方案服务商，以 Jetson 系列产品为基石，向端侧 AI 领域 输出机器人产业应用技术解决方案，推动物理 AI 的质变型突破，公司精准卡位黄金赛 道，有望深度受凸核心代理业务增长。多家明星企业率先采用英伟达 Jetson Thor 充分 体现中国市场的旺盛需求和未来潜力，预计公司未来充分受凸于 Jetson 系列在 AI 端侧， 尤其在具身机器人领域的“现产品+技术+生态的领导力的，及自身在基于 Jetson 系列的 AI 自研产品领域的投入及突破，巩固在 AI 算力供应链中核心地位，铸就客户壁垒。

4 产业链垂直拓展，自研 SOM 打造第二成长曲线

系统级模块（SOM）在随时可投入生产的单块印刷电路板上提供嵌入式处理系统的各种 核心组件，包括处理器内核、通信接口和内存模块等。这种模块化方法使 SOM 适合嵌入 各种终端系统（从机器人到安全摄像头，无所不包）。SOM 概念源于刀片服务器“（轻薄型 服务器旨在节省存储空间，更大限度降低功耗），刀片服务器的精凸设计理念延续到了 SOM 架构中，它们不仅可在尽可能小的封装中包含其预期功能所需的组件，而且非常灵 活，完全可以适应各类应用。与 SOC 相比，SoC 是一系列布置在单个芯片上的重要计 算机组件，SOM 可能包含一个 SOC，但它基于电路板，因此有空间容纳额外的组件。

对比 MCM、SIP、SBC、SOM，1）MCM：多芯片模块将多个（通常已封装）芯片器件 融入在单个较大型的封装内，减少了电路板上单个器件的数量，因而具备简化电路板设 计的优势，尽管 MCM 通常拥有成本和性能优势，其只适用于一些特定应用，需开发定制 的复杂电路板；2）SIP：系统级封装与 MCM 相似，但其单个硅裸片往往不进行封装，此 外，一些 SIP 还将裸片彼此堆叠成 3D 阵列，SIP 还可包含电阻器和电容器等分立组件， 以减少在电路板上装配组件的需要，SIP 仍然需要设计完全定制的电路板；3）SBC：单 板计算机在电路板上构建并作为独立产品互付的完整计算系统，这些系统包括一个小型 微处理器、存储器和输入/输出（I/O），SBC 往往不以量产部署为开发或验证目的；4） SOM：与 SBC 相似，但其设计初衷是连接更大型的解决方案，而非独立运行。在构建到 高性能边缘应用中时，SOM 相较于其他解决方案具有众多优势。它提供了完整的可量产 化计算平台，与“现芯片先定的开发相比，可节省大量开发时间和成本。SOM 能插入更大 型的边缘应用中，既能为定制实现方案带来灵活性与易用性，又缩短了现成解决方案的 上市时间。

SOM 助力开发者实现设计突破，不仅可缩短产品上市时间，还可降低成本。创建嵌入式 系统通常是一个漫长的过程，需要设计制造定制电路板。SOM 可优化完成设计所需的步 骤。只需选择一个符合需求的 SOM 并将其集成到终端系统中，就可以部署了。除实现大 批量部署外，模块化设计还可简化产品生命周期管理，降低物料（BOM）费用。 1） 软件方面，软件开发者可释放边缘计算的潜能，从而在本地无时延处理数据。SOM 无需深度硬件经验，可提供一个舒适、直观的设计环境。且 SOM 可提供易于配 置且高度灵活的传感器，深受从事视觉应用工作的软件开发者喜爱。先进的 SOM 甚至还提供内置驱动程序和其他软件，节省设计时间。 2） 硬件方面，硬件开发者需要尽快完成生产，将有限的资源集中在影响深远的任务 上。通过 SOM，可获得现场可编程门阵列“（FPGA）的性能和灵活性，而没有 PCB 设计和集成方面的困扰，可帮助在预算范围内提前完成项目。 3） 得凸于先进系统级模块提供商的预构建应用，SOM 可在提供所需计算能力的同 时，还能保持轻松替换 AI 模型的灵活性。

SOM 应用领域广阔，以安全摄像头、机器视觉、智慧城市、电机控制四个领域为例，1） 安全摄像头：先进安全摄像头系统能充分发挥视频分析优势，SOM 功不可没。支持视频 分析的安全摄像头使用机器学习来分类和理解其所看到的画面，可实时提供准确的数据流，需具备边缘计算能力，若无摄像头及其他设备现场分析信息的功能，难以实现。2） 机器视觉：现代经济依靠机器视觉来满足从库存检查到签为识别，再到缺陷检测等一切 需求。机器视觉需要既能现场分析数据，又能提供可配置传感器功能的嵌入式系统。SOM 可帮助开发者在保持低成本的同时，大规模利用机器视觉。3）智慧城市：智慧城市使用 无处不在的传感器收集数据，为决策者提供保持社区功能性及活力所需的深度信息。SOM 主要为相关传感器提供支持。4）电机控制：电动机广泛应用于各个领域，SOM 有助于 快速开发相关领域应用，并随着标准的不断演变，灵活自如地连接新外设，用户可以调 整终端系统以满足其所需的功耗和性能要求。

根据 Research Nester，2025 年 SOM 市场规模有望超 32.2 亿美元，预计 2035 年 将超 77.6 亿美元。

物联网和嵌入式系统的急速普及极大地推动了 SOM 市场的增长，医疗保健、汽车 和工业自动化等行业的智慧型设备和能联技术的兴起，推动了对紧凑、节能、高效 能解决方案的需求，通过将核心元件集成到单一模组中，SoM 提供理想的实现平台， 减少了开发时间和成本。此外，小型化和便携性需求加速市场寻求高度一体化方案， SoM 可实现小型、轻量化设计，且不会牺牲效能，成为空间预设应用的理想选择。

伴随边缘 AI 发展，推理侧需求爆发，医学影像、监控、工业检测和自动驾驶汽车 等应用需要高性能和即时数据处理，SoM 可以以紧凑、可扩展的格式高效地提供相 关功能，整合了相机介面、GPU 加速和影像处理功能，使成为进阶影像处理任务的 理想选择。以智能驾驶为例，SoM 可实现高效能运算在车辆中快速开发、扩充性和 紧凑整合。随着汽车制造商智驾普及，对模组化、节能和灵活的运算平台的需求益 凸成长，SoM 成为为现代汽车电子产品带来创新和加快产品上市时间的关键组成 部分，有望充分受凸于智能驾驶持续演进迭代。 进军 SOM 市场，自研打造第二成长曲线。硬蛋创新下属开普勒研究院立足对 AI 算力供 应链及下游客户需求的长期理解，向芯片应用领域下游垂直拓展，在高端原厂授权基础 上开发了基于 NVIDIA Jetson 和 Xilinx FPGA 等核心芯片的 SOM 级自研产品，并已 实现对海关、银行等客户的批量出货，满足其区块链加密认证需求，且自研产品与公司 传统优势的代理业务客户同源，有助于公司加速自研 SOM 实现客户导入，我们认为伴随 公司 SOM 级自研产品品类逐步拓展及加速放量，有望提升公司在 AI 算力供应链领域的 增值服务能力，开辟公司第二成长曲线，进一步打开业务市场空间。

编辑：火腿肠