2025年电子行业2026年度投资策略报告：云侧AI趋势正盛，端侧AI方兴未艾

一、模型侧：大模型性能持续进化，端侧模型趋势正盛

1.1 OpenAI 持续引领大模型演进，驱动 AI 迈向多模态与智能体融合新阶段

GPT-5 引领 AI大模型迈向统一智能阶段。2025 年 8 月，OpenAI 正式发布 GPT-5，这是一项继 GPT- 4o 之 后最具战略意义的升级。与以往单一模型体系不同，GPT-5 被定义为一个统一智能系统，不再区分推理、多模 态与 Agent 模型，而是通过内置的实时路由器在理解用户 Prompt 后，动态调用最合适的模型与工具，实现跨模 态、跨任务的协同处理。GPT-5 在编程、文本创作及医疗健康问答等场景中的表现显著提升，具备更低的幻觉 率与更强的代码能力。虽然整体性能提升较 GPT-3 至 GPT-4 的跨代跃迁更为平稳，但 GPT-5 在推理效率与成本 控制上取得重大突破。其 API 调用价格较 GPT-4o 显著下降——输入端由 2.5 美元/百万 tokens 降至 1.25 美元/百 万 tokens，而输出端保持 10 美元/百万 tokens。该降本优化将进一步推动大模型的普及与商业化落地。

Sora2 推动 AI视频生成物理一致性大幅提升。2025 年 9 月，OpenAI 推出了新一代文生视频模型 Sora 2， 标志着多模态生成技术从静态图像迈向高保真、可交互的视频阶段。相比首代 Sora，Sora 2 在时空一致性、角 色连续性和物理模拟等方面实现大幅提升，能够在单个视频中保持场景、光影和人物动作的逻辑连贯，并同步 生成对应的语音和环境音效。模型引入了“世界建模（World Model）”思路，使其在生成内容时能推演物体运 动与因果关系，而非仅进行像素层预测。Sora2 大幅降低了普通用户创作视频的门槛，也为 AI 大模型找到了重 要的商业化落地场景，被称为“视频领域的 GPT-3.5 时刻”。OpenAI 同期上线的 iOS 应用 Sora2 APP，仅用 5 天 时间达成百万下载，显示出强劲的用户接受度与市场潜力。 OpenAI 打造“从入口层即具备 AI 能力”的产品形态，引领人机交互迈入智能协作的新阶段。OpenAI 又 在 10 月发布了 ChatGPT Atlas——一款以 ChatGPT 为核心构建的桌面智能浏览器。Atlas 将 GPT 系统直接整合 进浏览器／工具环境，使其能理解用户所处的网页情景、记忆历史对话、主动选择调用模型或工具，并在用户 界面内完成复杂任务。这款产品不仅是对 ChatGPT 功能的扩展，更是一次对互联网访问方式的重塑。Chat GPT 从问答式助手正式升级为覆盖搜索、浏览与执行任务的全方位“超级入口”。OpenAI期望通过Atlas 让Chat GPT 成为用户与互联网世界的主通道，直接承担网站访问、社交媒体互动与在线服务操作等任务，预示着未来 Web 使用形态将逐步转向 AI 代理式浏览——让用户专注于决策与创造，并将信息获取与操作直接交由智能体完成。 对于产业来说，这既是对“模型→API”阶段的延伸，也是“模型→智能体／应用平台”阶段的开端。

1.2 AI 技术商业化进程加速，大模型进入应用变现与基础设施竞速时代

AI大模型厂商的用户与收入规模仍处于快速扩张期。截至 2025年 10月初，ChatGPT 的全球周活跃用户数 量已突破 8 亿人，较 2024 年底的约 3 亿实现翻倍以上增长。用户规模的快速扩张，也带动了 OpenAI 整体商业 化能力的跃升。根据 The Information 的报道，OpenAI在 2024 年底的年经常性收入（ARR）约为 55亿美元，而 到 2025 年前七个月，其 ARR 已达到约 120 亿美元，实现收入翻番。与此同时，Anthropic 的增长势头更为迅 猛，其 ARR 在 2025 年初仅约 10 亿美元，但至年中已攀升至 50 亿美元，半年增长近五倍。两家公司在规模与 生态扩张上的竞速，标志着 AI 大模型正进入“应用变现”阶段——从以模型参数和性能为主导的竞争，转向 以用户留存率、商业渗透率为核心的可持续增长。 伴随 AI 应用落地加速，CSP 也在加快资本开支，押注 AI 基础设施建设。全球几大头部 CSP 明显感受到 AI 技术对收入和运营效率带来的提升，并纷纷进行史上最大规模的基础设施投资。以 Google 为例，其云业务 营收在 25Q3 达到 152 亿美元，同比增长 34%，其中 AI 相关收入已达到“每季度数十亿美元”的规模。同时， AI正在重塑谷歌核心搜索业务体验，自推出以来实现了强劲的周环比增长，本季度搜索查询量翻了一番，目前 拥有超过 7500 万日活跃用户。Google 每月处理的 Token 数量从 7 月的 980 万亿增长至超过 1300 万亿，一年内 增长超过 20 倍。受此推动，谷歌将 2025 年资本开支预期从 850 亿美元上调至 910-930 亿美元，并明确表示 2026 年的资本开支将显著增加。

1.3 端侧模型趋势正盛，关注大模型能力落地端侧的进展

端侧模型在移动设备和物联网设备上的应用正成为趋势，其发展得益于几个关键技术的进步。在用户设备 上本地运行的 AI 模型，是 AI 技术应用的一种趋势。首先，移动设备的处理能力有了显著提升，现代智能手机 和平板电脑的处理器接近或达到了台式机的性能水平。例如，高通、苹果和华为等公司的最新芯片都具备处理 复杂 AI 任务的能力。其次，AI 模型的压缩技术也在不断进步，研究人员和工程师已经开发出多种剪枝、低精 度量化和知识蒸馏技术，这些技术可以显著减少模型的大小，而不会过多影响其性能。 隐私保护、低延时和成本优势都确定了端侧模型的发展基础。由于数据处理直接在本地完成，敏感信息无 需上传到云端，这减少了数据泄露的风险，并符合越来越严格的数据保护法规。此外，端侧模型还能在没有网 络连接的环境下工作，这对于那些网络连接不稳定或希望降低数据使用成本的用户尤其有价值。在实际应用中， 端侧 AI 模型已经被应用于多种场景，如智能家居设备中的语音助手、智能手机上的面部识别解锁、健康监测 设备中的实时数据分析等。这些应用不仅提升了用户体验，还推动了相关行业的技术革新。随着端侧计算能力 的进一步增强和 AI 技术的持续发展，端侧模型将在更多的领域中发挥重要作用，特别是在需要实时处理和高 隐私要求的应用场景中。同时，跨设备的 AI 模型协同工作也将是未来发展的趋势之一，这将进一步拓展端侧 模型的应用范围和深度。 微软、阿里等厂商均推出了面向端侧部署的小模型，模型的性能在部分测试中接近主流大参数模型。微软 在 2024 年 12 月发布了参数规模为 14B 的 Phi‑4 模型，2025 年又陆续推出了 Phi‑4 系列的多种变体，包括 Phi‑4‑multimodal、Phi‑4‑mini、Phi‑4‑reasoning、Phi‑4‑reasoning‑plus 以 及 Phi‑4‑mini‑reasoning。 其 中 ， Phi‑4‑reasoning 是在 14B 的 Phi‑4 模型基础上进行监督微调得到的，而 Phi‑4‑reasoning‑plus 则通过进一步一轮强 化学习优化。尽管这些模型的参数量仍为 14B，但在数学、编程及科学问题等大多数基准测试中，它们的表现 超过了 OpenAI 的 o1‑mini 和 DeepSeek‑R1‑Distill‑Llama‑70B，接近完整 DeepSeek‑R1 模型的性能水平。阿里的 Qwen‑2.5‑Omni‑7B 采用了创新的“Thinker‑Talker”多模态架构，能够同时理解和处理文字、图片、音频和视频 等多种信息类型，并在多模态测试基准中取得了优异成绩。

二、硬件侧：CapEx 高增拉动硬件需求，国产半导体持续追赶

2.1 海外：英伟达机架持续迭代，先进制程和先进封装供需紧张

2.1.1 英伟达服务器机架持续迭代，ASIC 新玩家不断涌现

英伟达维持 GPU 年迭代，GB300 服务器方案目前进入量产期。目前 Nvidia GB300 进入放量期，成为继 GB200 之后 AI 服务器放量的新一轮关键驱动。GB300 采用 12-Hi 堆叠 HBM3e、288 GB 显存，整机网络带宽提 升至 1.6 Tbps，以满足更高并发推理的通信需求。在性能表现上，GB300 NVL72 在 FP4 精度下的推理算力相较 GB200 NVL72 提升约 1.5 倍。英伟达此次在设计上回归稳定的 Bianca 板卡方案，并优化了液冷系统与供电模 块。 Rubin 架构方案逐步显现，Vera-Rubin SuperChip蓄势待发， Rubin Ultra NVL576 (Kyper)等新机架设计 亮相。在 2025 年 10 月 27 日-29 日英伟达在华盛顿举办的 GTC 2025 活动中，Vera-Rubin 架构超级芯片 （SuperChip）首次亮相。该 SuperChip 集成一个 Vera CPU 和两个 Rubin GPU，其中 Rubin GPU 配备了 HBM 4 高带宽内存，每个 GPU 都八个 HBM4 接口和两个接近极限大小的 GPU 芯片，支持 32 个 LPDDR 内存通道； Vera CPU 具有 88 个基于 Arm 的定制内核，支持多达 176 个线程。根据黄仁勋在 GTC 2025 上的演讲，台积电 制造的首批 Rubin GPU 样品已经返回实验室进行测试，预计将在 26Q3~26Q4 甚至更早的时点进入量产期，整 体放量节奏接近 GB300 的节奏。

英伟达同步推出了兼顾成本的 Rubin CPX GPU及对应机柜方案。较 Rubin GPU，Rubin CPX 专为 AI 推理 中的预填充阶段设计，强调计算性能（FLOPS）以优化处理长上下文。Rubin CPX GPU 具备 30 peta FLOPS 的NVFP4 计算能力、相对成本更低的 128 GB GDDR7 显存、专用的视频编解码硬件支持，并在注意力机制加速 方面达到 GB300 NVL72 的 3 倍水平。Rubin CPX 经过优化，能够高效处理长序列，与现有的分布式推理架构 协同工作，提升吞吐量与响应速度，更适合软件开发和高清视频生成等高价值推理应用场景，同时显著增强大 规模生成式 AI 工作负载的投资效益。 英 伟 达 累 计 推 出三 种 Vera Rubin 机架配置，VR200 NVL144（ 仅 Rubin）、VR200 NVL144 CPX （Rubin+Rubin CPX 混合）、以及 Vera Rubin CPX 双机架方案，提供了更大的灵活性。英伟达允许客户根据 自身工作负载需求，单独部署 VR NVL144（纯 Rubin GPU）机架和 VR CPX（纯 Rubin CPX GPU）机架，以精 确调整预填充与解码的比例（PD ratio）。 Rubin CPX 与 NVIDIA Vera CPU 及 Rubin GPU 协同工作，共同承担生成阶段的处理任务，为长上下文 应用场景提供完整的高性能计算细分解决方案。NVIDIA Vera Rubin NVL144 CPX 机架集成了 144 个 Rubin CPX GPU、144 个 Rubin GPU 和 36 个 Vera CPU，单机架即可提供 8 exaFLOPS 的 NVFP4 计算能力（较 GB300 NVL72 提升 7.5%），同时具备 100 TB 高速内存和 1.7 PB/s 的内存带宽。

对比前期架构，Rubin CPX 的另一个重要优势在于其对预填充流水线并行的优化。根据 SemiAnalysis， Rubin CPX 实现了降低网络成本、更高的吞吐量和显著节省 TCO 三个领先点： （1）降低网络成本：预填充阶段的通信需求较低，因此 Rubin CPX 放弃了昂贵的快速横向扩展网络（如 NVLink）。PCIe Gen6 x16 的带宽（约 1Tbit/s）足以满足现代 MoE LLM 的预填充需求。 （2）更高的吞吐量：流水线并行在每个 GPU 上提供更高的 token 吞吐量，因为它涉及简单的发送和接收 操作，而不是专家并行（EP）中的所有到所有集体操作。 （3）显著的 TCO 节省：NVLink 横向扩展的成本约为每 GPU 8000 美元，占集群总成本的 10%以上。 Rubin CPX 通过避免使用这些昂贵的网络设备，为最终用户带来了巨大的成本节省。

在英伟达之外，博通及谷歌/亚马逊/特斯拉等厂商也积极推动 AI ASIC 芯片发展，高通等新玩家不断涌现。 自研 ASIC 芯片不仅能够降低功耗，还能帮助 CSP 掌握 AI 基础设施的成本与供应链，避免过度依赖英伟达， 因此自研 ASIC正成为 CSP 的竞争关键。谷歌曾独占 ASIC AI芯片市场，目前 AWS、Meta、微软、高通等企业 也开始积极投入 ASIC AI 芯片开发。根据 TrendForce 预计，2025 年 AWS 的 ASIC 出货量将增加一倍以上，是 主要 CSP中增长最快的，到 2026 年将进一步增长约 20%。AWS的 ASIC AI芯片 Trainium 2在 24Q4开始量产， 搭载该芯片的服务器则在 25Q1 开始规模化出货；下一代 Trainium 3 芯片目前已经小批量流片，预计在 26H1 进 入量产。高通也推出了下一代人工智能推理处理器 AI200（2026 年发布）和 AI250（2027 年发布）；两款芯片 均基于 Hexagon NPU 构建，支持单卡高达 768 GB 的 LPDDR 内存，专门用于 AI 推理工作。

2.1.2 先进制程持续扩产，先进封装接棒摩尔定律

AI 服务器需求旺盛，AI 引领先进制程发展。在 10 月的 OCP 2025 大会上，OpenAI 宣布了与英伟达、博 通、AMD 共计 26GW 的硬件合作，包括与博通共同开发 10GW 定制 AI 加速器，与英伟达投资高达 1000 亿美 元、部署至少 10GW 的人工智能算力，部署不少于 6GW 的 AMD GPU 算力。随着大模型持续发展，AI 对高算 力的追求使得芯片整体对先进制程呈现出越来越高的需求。AI芯片的单片性能提升伴随着且需要更小的尺寸， 因此芯片对先进制程的迫切需求将推动服务器需求成为先进制程最大的驱动力。根据 ETnews 报道中援引 KLA 的数据，截至 25Q3 有包括 10 家 HPC 厂商在内的 15 家厂商正在台积电的 N2 节点平台上开展芯片设计，A I 成 为引领先进制程发展的新动力。 先进逻辑制程侧，伴随摩尔定律放缓，台积电/三星/Rapidus/英特尔竞逐 2nm 等工艺节点。目前欧美韩日 等半导体领域传统强国均在竞逐 2nm先进节点。其中美国、日韩主要立足于本土产能扩张，美国对外通过《芯 片法案》等政策推动 TSMC 亚利桑那 Fab、三星德克萨斯州泰勒 Fab，对内推动 Intel 俄亥俄 Fab 恢复；韩国、 日本则是瞄准最先进制程，尝试分别通过三星 SF2 平台和 Rapidus 2nm平台来重新夺回全球技术领先地位。

TSMC：台积电的 Q3财报会议上，CEO魏哲家表示 N2（包括 N2P/N2E/A16）将成为长期工艺节点，其中 N2将在 25H2量产、2026加速爬坡；优化性能和能效的 N2P将于 26H2 进入量产；A16采用新的 SPR 架构，专 为高耗电的 HPC 工作负载设计，预计也将在 26H2 进入量产。 Samsung：三星的 SF2 平台将率先由 Exynos2600 手机 SoC 采用，目前已经进入量产期。根据媒体报道， 三星 2nm GAA 平台的能效表现较前期工艺节点显著更优，目前已经收获来自 AI 领域的订单。在特斯拉最新财 报会议上，马斯克表示 AI 5 芯片和未来迭代的 AI 6 芯片均将由台积电和三星共同代工。 Rapidus：援引外媒报道，Rapidus 在 25Q2 已在北海道千岁的 Fab IIM-1 成功流片 2nm GAA 测试片，目标 是 2027 年进入量产；Rapidus 2HP 的逻辑密度达到 237.31M Tr/mm²，与台积电 N2 的 236.17 MTr/mm²基本持 平。目前 Rapidus 正与 IBM、Tenstorrent 等公司接触。 Intel：根据报道，18A 工艺基于 GAA 技术，较Intel 3工艺平台的每瓦性能提高15%，芯片密度提高 30%； 同时 18A 集成了背部供电（PowerVia）。目前，18A 工艺平台主要用于内部产品代工，包括构建 Panther Lake CPU。

AI 高景气浪潮持续下，先进封装浪潮方兴未艾。伴随着 AI 算力需求的持续增长，与先进制程相配套的先 进封装需求同样旺盛，CoWoS产能仍然紧缺，台积电的自有产能和配套外包产能都处于持续扩张态势之中。在 短期和中期维度下，以英伟达、谷歌等为首的 GPGPU 和 AI ASIC 厂商对 CoWoS 先进封装的需求仍然高涨；台 积电在加速 CoWoS 商业化的同时，对新材料、新技术（如 CoWoP、CoPoS 等）的探索也仍在继续： CoPoS（Chip on Panel on Substrate）：结合 CoWoS 与 FOPLP（Fan-Out Panel Level Packaging）的技术， 在 CoWoS 基础上，用方形的面板 RDL 层取代原本的圆形硅中介层，用互联密度作为代价置换了更大的面板面 积，提高了可利用率。CoPoS 技术将主要聚焦于人工智能（AI）等高端芯片应用。根据媒体报 道， 采用 CoWoS-R 制程的版本将主要服务于博通，而 CoWoS-L则主要面向英伟达及 AMD。

与 CoWoS 相比，CoPoS 的主要优势是低成本和低量产瓶颈，在有效解决了 CoWoS 产能紧缺的问题的同时 降低了中介层成本，满足大规模量产推广的要求。同时 CoPoS封装结构更具灵活性，能更好地适应多样化的芯 片尺寸与应用需求。

CoWoP（Chip on Wafer on PCB）：将 Chip 通过微凸点倒装到硅中介层上，完成芯片与硅基板的高密度互 连，之后将整个芯片在硅基板组件用 PCB 的类载板（mSAP）制程直接焊接在 PCB 主基板，省略掉 CoWoS 的 封装基板（ABF／BT 载板）工序。在由 PCB 承担电连接的同时，通过 HDI 或 MSAP／SAP 等工艺在板上形成 精细的重分布层（RDL），保证信号完整性与功率分配。 与 CoWoS 相比，CoWoP 具备一体化与成本优势。CoWoP 实现了封装基板与 PCB 的一体化，具备更薄、 更轻、更高带宽的模块设计，同时充分利用大尺寸 PCB 产线的高产能与成熟工艺，用成熟的大面板 P CB 替代 了成本相对更高的 ABF／BT 载板封装基板。这一技术一方面降低了材料与制造成本，另一方面缩短了整体交 付周期。同时，通过 PCB上直接集成芯片、硅中介层和多层 HDI／MSAP 重分布层来减少封装层级，实现更薄 更轻的板卡一体化设计，并在同一块板上完成多至 10 余层、30μm 级线宽／线距的高速互连，兼具高带宽、 低延迟与设计灵活性。

从产能及布局来看，先进封装仍在加速扩张期，新建高端先进封测产能主要落地在美国和中国台湾地区： 台积电加大在台湾地区和美国两地的先进封装产能布局。根据 Trendforce 援引媒体报道，台积电位于美国 亚利桑那州的两家先进封装工厂（AP1 和 AP2）2025Q3已经进入场地准备期，计划于 26H2开始建设、2028 年 正式投产。其中 AP1 将主要扩张 SoIC（System-on-Integrated-Chips）和 CoW 产能、后端的 oS (即 on Substrate) 阶段由安靠负责；而 AP2将前瞻布局 CoPoS 产能，以满足对 AI 和 HPC芯片封装的需求。与此同时，台积电位 于台湾嘉义的 AP7 也在同步建设之中，主要布局 CoPoS 产能。 安靠位于亚利桑那州的封装工厂追加投资，目前已进入破土动工阶段。2025年 8月，安靠宣布为亚利桑那 封装厂追加 50 亿美元投资、总投资额从 20 亿美元提升至 70 亿美元，用于额外购置 48 英亩土地和建设第二封 装测试厂。根据安靠更新后的计划表，亚利桑那州第一封装工厂将于 27H1 竣工、2028 正式投产，其定位是外 包半导体封装和测试中心，补充台积电的封测能力、满足人工智能、HPC、通信和汽车应用等需求。 其他传统 OSAT厂商亦不断加码先进封装测试技术，国内外多厂商实现了技术边际突破。除台积电外，在 OSAT 厂商中，日月光 VIPack 先进封装平台包含六大核心技术，安靠推出 FCMCM（倒装多晶片模组）、2.5D （TSV）等五大先进封装解决方案。国内长电先进聚焦 bumping，Fan-out CSP 晶圆级等先进封装，通富微电在 2.5D/3D 先进封装保持国内领先，深科技专注存储封测领域，并聚焦倒装工艺（Flip-chip）、POPt 堆叠封装技术 的研发。

2.1.3 内存带宽成为算力卡口，存算架构持续迭代

内存仍然是 AI 算力核心卡口，HBM 需求持续高景气。随着英伟达 GPU 的发布周期固定在每年一次，算 力提升对内存容量和带宽提出了接近每年翻倍的高要求；根据咨询公司数据，GPU 的计算能力在过去 20 年间 增长了 60000 倍，但同期 DRAM 内存带宽仅提高了 100 倍——“内存墙”仍将长期存在，通过 HBM 路线实现 低功耗高带宽趋势明确。以位元计算，目前 HBM 占整个 DRAM 市场比重仍在个位数，渗透率存在较大提升空 间；TrendForce 预测到 2026 年 HBM 出货量将超过 300 亿 Gb。 DRAM 产能供给紧缺趋势不变，SK 海力士等龙头厂商加速扩产。从供给端看，HBM 供应仍然紧缺，相 应持续挤占 DRAM 产能，25Q2~Q3 DRAM 厂商现货报价加速攀升；部分美国与国内厂商已经开始和晶圆厂签 订 2-3 年的长期合同进行锁价。根据 Trendforce 援引 The Bell 报道，SK 海力士计划通过清州 DRAM 工厂 M 15X 和利川 M16 的扩产，在 26H2 将其 DRAM 晶圆产量提高到 60 万片/月，和三星的 DRAM 晶圆产能处于同一水 平。具体来看，M15X 在投产初期将保持在 10000 片/月的 DRAM 晶圆，到 26Q4 将爬坡至 5 万片/月。

HBM 迭代周期随之显著缩短。2025 年下半年，英伟达量产的 GB300 搭载的是 12 层 24GB 的 HBM 3e， 2026 年英伟达将发布的 Rubin 系列和 AMD 将发布的 MI400 系列均将搭载 HBM4/4e。其中英伟达计划在 26Q1 完成 HBM4 的最终资格测试。从更新周期来看，JEDEC 于 2025 年 4 月正式发布了 JESD 270-4 高带宽存储器 (HBM4)标准，（接口宽度从 HBM3/HBM3e 的 1024 位翻倍至 2048 位；堆栈通道数从 16 个增加到 32 个，支持 24Gb 或 32Gb 芯片的 4 到 16 层堆栈配置），较 HBM3规范发布约三年，计划落地时间较 HBM3 落地时点亦在三 年左右。根据 EETimes 的预测，HBM 的迭代周期从前期的每四年一代提高并稳定到每两年到两年半一代。

全球龙头存储厂商竞逐 HBM4，SK 海力士仍居领先地位，三星美光加速追赶。根据 Trendforce 预测， 2025 年 SK 海力士将以 59%的 HBM 出货量保持行业领先地位，而三星和美光将各占 20%左右份额。从时点上 看，SK 海力士于 2025 年 3 月交付了全球首批 12 层 HBM4 样品、6 月小批量出货，计划 10 月快速进入量产； 美光也在 25Q2 向主要客户交付了 HBM4 样品、计划 2026 年进入量产；三星的 HBM4 样品 25Q2 交付给英伟 达，当前进入最终的预生产（PP）阶段。 从技术上看，SK海力士的 HBM4 拥有 2048 个 I/O 终端，带宽翻倍，引脚速度在 10 Gbps 以上。美光目前 交付HBM4样品超过2.8 TBps 带宽和超过11 Gbps 引脚速度，计划在2027 年同时推出标准版和定制版的HBM 4e。 三星同样计划于 2027 年推出 HBM4e 产品，目标引脚速度超过 13Gbps，目标最大吞吐量 3.25TB/s，较当前 HBM2.5e 快约 3 倍。

远期看，英伟达计划自研 Base Die，意在进一步提高传输速率。除传统晶圆厂外，为了进一步提高传输速 率，AI 算力芯片厂商也开始协同进行 HBM 设计。2025 年 8 月，英伟达宣布计划自研 HBM 内存 Base Die，采用 3nm 工艺，预计于 2027 年下半年开始小规模试产。英伟达此次自研 HBM 内存 Base Die 的计划，旨在优化 AI 芯片的内存带宽与能效匹配度；未来英伟达的 HBM 内存有望采用内存原厂 DRAM Die 与英伟达 Base Die 的 组合模式，标志着其在高性能计算存储架构领域的垂直整合进一步深化。 产业链相关公司：（1）晶圆代工：中芯国际、华虹公司、晶合集成；（2）设备：中微公司、中科飞测、盛 美上海、精智达；（3）材料：联瑞新材、雅克科技；（4）封测：通富微电。

2.1.4 云厂资本开支高增，PCB厂商积极扩产

云厂商资本开支持续上修，拉动 AI 服务器、存储设备、网络设备采购。AI 服务器、网络设备、存储设备 拉动主板、交换板、存储卡、电源板等 PCB 需求，常规消费电子产品中 PCB 成本占整体成本 5-8%。根据我们 谨慎测算，2025 年 GPU+ASIC 服务器对应 PCB 市场空间超 400 亿，2026 年对应市场空间超 900 亿，增速已经 翻倍。

高阶产能供不应求，中国企业积极扩产，但供需瓶颈难短期缓解。 回顾过去，PCB 产业也符合产业链转移趋势，也即是从日韩、台湾逐渐转移至中国大陆，当前中国大陆 PCB行业产值占全球 50%以上，也形成了渤海湾、珠三角、长三角等产业集群。我们认为，PCB行业转移至中 国大陆，主要因中国大陆有几个明显的优势： 成本管理优势。a) 大陆厂商凭借自身在原材料与人工成本上的优势，能以相比其他地区厂商更低的价格来 获取竞争优势。例如，海外材料成本更高，且难以更换原材料供应商。b) 内资的经营管理效率水平显著高于外 资厂商。 环保标准优势。在欧美日韩地区，政府对 PCB 厂商的环保要求高于国内，欧美日韩厂商投资新项目的速 度受限。 产业链配套优势：中国作为全球最大的消费电子产品市场，上游供给端能配套不断增长的生产需求。大陆 企业成本控制和服务能力更强，响应速度更快。 此轮 AI PCB 大周期，中国大陆企业会逐渐从原来普通类 PCB 切入高阶 PCB（高多层、HDI）的产品供应， 以胜宏科技、生益电子、景旺电子、深南电路为代表的陆资板厂已经在海外算力龙头或云厂商处大批量供货，。

我们认为，PCB 企业扩产不是简单进行资本开支，建设厂房，购买设备即可完成，涉及到供应链配套、 环评、综合成本等多方面因素。尽管现阶段 PCB 企业均在大力投建产能，但从投建产能到真实产能中间需要 经历工厂审核、产品认证、良率爬坡等系列过程，后续 AI 用 PCB 产品工艺制程复杂程度仍在不断提高，产能 无法井喷式释放，因此，PCB 产能的供需格局并不会在短期内发生逆转，无需过度担心。 PCB 材料全面升级，高速覆铜板材料拉动低介电玻璃布/石英布、低粗糙度铜箔与高性能树脂需求。 AI 服务器及高速交换机推动高阶 CCL 市场快速成长，M9 方案即将落地。从需求端看，根据台光电法说 会数据，2024-2027 年全球 CCL市场复合增速为 18%，其中高端 CCL 市场增速高达 40%；而在高端 CCL 市场 中，主要增量来自 AI 服务器领域，高速交换机领域。供给格局侧，根据台光电法说会报告，2023 年全球高速 CCL市场中，台系厂占主导，市场份额依次为台光 28%、联茂 19%、台燿 16%、松下 11%、南亚塑胶 5% 、生 益科技 4%、建滔 4%、斗山 4%。2024年台光电份额继续提升至 40%，生益科技提升至 5.7%。随着对电性能要 求越来越高，覆铜板规格从传统 M2 逐渐升级至 M8，M8现阶段已经在 NV体系服务器、海外 AI服务器以及各 类 800G 高速交换机上广泛应用，随着信号传输速率的进一步升级，下一代服务器的方案中会逐渐使用 M 9 材 料方案，从电学原理角度，高频高速覆铜板对电性能要求更严苛，其自身性能的提升，需要前端的树脂材料、 玻纤、铜箔共同迭代。

树脂体系逐渐向碳氢、PTFE 体系迭代。使用低介电常数和低损耗的基体树脂材料，有利于减小高频化和 高速化的信号传输波动及损耗，是提升覆铜板性能的主要方法。PPO 因其本身内部结构上的优势，具有很多优 异的性能，如较高的 Tg、优异的机械性能、抗冲击性、低温性和电气绝缘性等，在 PCB 中得到了广泛的应用， 而目前 M6+覆铜板主要树脂为 PPO。在 M6、M7、M7N 级 CCL领域，PPO、PI 等树脂、改性 BMI 的 Df 值满 足要求；在 M8 级 CCL领域，PPO 等树脂的 Df 值满足要求；在 M9 级及以上 CCL领域，Df 值要求在 0.001 以 内，树脂材料或向碳氢、PTFE体系迭代。

电子玻纤布是覆铜板的基础材料。电子级玻璃纤维布由电子级玻璃纤维纱织造而成，可提供双向（或多向） 增强效果，属于重要的基础性材料。电子布具有高强度、高耐热性、耐化性佳、耐燃性佳、电气特性佳及尺寸 安定性佳等优点，起绝缘、增强、抗胀缩、支撑等作用，使印刷电路板具备优异的电气特性及机械强度等性能。 AI 等新应用驱动电子布性能升级，低介电特种玻纤布需求爆发。（1）介电性能——高频高速传输：玻纤 是高频高速 PCB 覆铜板的关键决定性原材料之一。介质损耗（Dielectric Loss）主要由以下材料参数决定：介 电常数（Dk）、介电损耗因子（Df）、表面平整度，电子布的介电性能和结构直接影响损耗带宽与稳定性。（2） 从国外主要低 Dk 玻纤布生产厂商的 LD 布的 Df 相对下降率看：Low-Dk 布与常规 E布相比，Low-Dk 布比 E 布 的 Dk 与 Df 分别下降了 28.8%（Dk）、47.0%（Df）。

铜箔：高速场景下低 Rz 值的超低轮廓铜箔需求激增。低轮廓铜箔包括反转铜箔(RTF)及铜箔粗化面上进行 了低轮廓处理的各种不同程度的低轮廓铜箔（VLP、HVLP 系列）。为了追求高频高速电路具有更好信号完整性 （Signal Integrity，缩写 SI），覆铜板要在高频下实现更低的信号传输损耗性能。这需要覆铜板、多层 P CB 在制 造中所采用的导体材料——铜箔，具有低轮廓度的特性，即覆铜板制造中采用铜箔是低 Rz 等品种。铜箔制造 厂商通过改变、控制铜箔表面处理工艺，来控制铜箔的一侧面或两侧面的表面粗糙度。目前，常规 RT F 和高级 别的 RTF，主要应用于中损耗和低损耗类覆铜板中，HVLP（业界中也称为 HVLP1）和 HVLP2 铜箔用于极低 损耗和超低损耗的覆铜板，目前 M8\M9 覆铜板材料的快速渗透，已经用到了 HVLP3/4/5 级别的铜箔。大陆企 业花园铜箔、德福科技、铜冠铜箔、隆扬电子等在低粗糙度铜箔领域均有不同程度的进展。

PCB 窄线宽线距趋势明显，mSAP 工艺应用场景渐宽，可剥离铜箔需求可期。mSAP 之所以比传统减成法 精细，是因为它初始的铜层极薄，所以后续蚀刻时的侧蚀影响也极小。但相比 SAP，它多了一个“蚀刻掉多余 薄铜”的步骤，无论铜层多薄，蚀刻总会带来一点点边缘的损耗，这使得它在极限精细度上可能略逊于纯粹的 SAP。

mSAP(Modified Semi-Addictive Process) 改良型半加成工艺：将绝缘基材上的电解铜箔极薄化后，在其表面 涂布光刻胶，经过曝光显影，露出导电图案，在其表面进行镀铜制程，后刻蚀其他在表面上的极薄电解铜箔， 最小线宽可以做到 30um以下，是类载板（SLP）当中的明星制程。 超薄可剥铜通常是在具有一定厚度的载体箔上采用电沉积的方式形成几微米的铜箔层，其关键在于如何解 决载体箔与超薄铜箔剥离的问题，由于超薄铜箔的力学性能较差，制作时不易完整从阴极辊上剥离下来，采用 传统的工艺方法难以生产，而且在运输过程中易出现引起卷曲、褶皱或撕裂等问题，影响到铜箔后续的使用。 日本企业舍弃常规的铜箔制作工艺，发明了超薄载体铜箔的制作技术，采用具有一定厚度的金属箔作为阴极， 同时起着载体支撑的作用，并在其表面电沉积超薄铜箔，然后将沉积的超薄铜箔连同载体铜箔和基板材料一起 热压，再采用化学蚀刻或者机械剥离方式去除载体铜箔。

PCB 钻针：PCB 总量逻辑外，窄线宽趋势+M9 材料升级仍具有量价齐升逻辑。 PCB 钻针主要用于 PCB 生产制程中打通孔工序，所有通孔板制作工艺均需要使用钻针，HDI 的内层通孔 工艺也需要用到钻针，是典型的的 PCB 生产耗材。从量上看，除了 PCB 自身市场的扩容，钻针还有其更为独 特的量级逻辑，从量上看，PCB 线宽线距持续收窄，单平米 PCB 的孔数会变多，由于单枚钻针可使用的寿命 有限，因此单平米 PCB 孔数的增加会显著提升钻针用量，其次因为 AI 产品用的 PCB 对于信号低损耗要求更高，对孔壁的形貌要求更高，通常会用到分段钻孔的工序，单针可钻孔数量下降；价格逻辑：AI PCB 会用到 涂层钻针，PVD和 TAC 涂层针的价格会比传统白针高 20-30%，部分甚至会高 40-50%。此外，未来覆铜板升级 到 M9 规格，内部用到的石英布本身硬度非常高，需要用到更为特殊的钻针，钻针整体 ASP 仍然会抬升，此外， 单针的寿命缩短后，进一步拉动单平米PCB的用量。因此，钻针环节具有典型的量价双升的逻辑，且受益于覆 铜板升级。 从行业格局来看，全球 PCB 钻针较大企业有四家，分别为鼎泰高科、中钨高新（金洲机电）、日本佑能， 台湾尖点。其中，鼎泰高科市占率排名第一，客户几乎覆盖大陆所有的 PCB 企业。我们认为，PCB 行业市场 份额进一步向中国大陆集中，大陆 PCB 钻针企业如鼎泰高科、中钨高新等将依托客户份额提升继续稳固龙头地 位，未来产能释放节奏占优的企业将更为受益。

总结而言，我们认为此轮 PCB 大周期仍在上行，PCB 全产业链均将受益，但需要持续跟踪终端厂商在自 身服务器、高速交换机的设计逻辑，观察 PCB 价值量的变化。PCB 板厂侧可以持续跟踪各家板厂扩产进度； 原材料覆铜板环节关注传统覆铜板涨价、高速 CCL在海外客户进展；上游环节关注覆铜板升级带来的纤维 布、铜箔、树脂同步升级的机会，以及钻针独特的量价齐升逻辑。

2.2 国内：AI 引领半导体周期，国产高端芯片亟需突破

2.2.1 处理器：高端芯片进口受阻，国产替代节奏加快

美国对华供应 AI 芯片管制强度持续升级，H20 被纳入管制范围。2022 年，美国 BIS 实施出口管制，英伟 达和 AMD的高端 GPU产品出口受到限制。为满足合规要求，英伟达随后推出了面向中国市场的 H800与 A 800， 互联带宽被下调。2023 年，BIS 公布的先进计算芯片出口管制新规进一步扩大限制范围，以“性能密度”与 “总处理性能（TPP）”成为新的标准，使得A100、A800、H100、H800、L40、L40S等多款产品遭到限制。虽 然英伟达又推出了性能大幅下调，符合新规的 H20，但 H20 也在今年 4 月被美国纳入出口管制。

国际贸易关系不稳定致使供应稳定性出现波动，中国客户对英伟达产品选择更为谨慎。中美贸易关系不稳 定性增强背景下，虽然今年 7 月英伟达重新获得 H20 芯片的对华销售许可，但不久英伟达因安全漏洞问题被国 家网信办约谈，对 H20芯片销售造成影响。此后为了应对管制，英伟达推出比 H20 性能更低的 RTX 6000D（显 存带宽为 1398GB/s），但其性价比未能获得中国客户认可，中国客户对于采购英伟达芯片更为谨慎，到 10 月英 伟达 CEO 黄仁勋在采访中表示，英伟达在中国市场份额已经从 95%降至 0%。 国产算力芯片迎来国产替代窗口期。考虑到英伟达新品迎来大幅性能升级，并面向中国市场禁售，国产算 力芯片发展刻不容缓。当前已经涌现出一大批国产算力芯片厂商，昇腾、寒武纪相继推出自研 AI 芯片，海光 信息的 DCU 也逐渐打出知名度，其他配套环节的国产化进程也正在加速推进。 昇腾 310 与昇腾 910 构成华为昇腾产业链的算力基座，打造全场景 AI基础设施方案。昇腾 310与昇腾 910 均基于华为自研达芬奇 3D Cube 技术，集成了张量、矢量、标量等多种运算单元，支持多种混合精度计算。昇 腾 310 是华为首款全栈全场景人工智能芯片，具备低功耗优势，昇腾 910 支持云边端全栈全场景应用。昇腾已 基于 310和 910形成了完善的解决方案，出货形态包括：包括 Atlas 系列模块、板卡、小站、服务器、集群等， 打造面向“端、边、云”的全场景 AI 基础设施方案，覆盖深度学习领域推理和训练全流程。

华为 CloudMatrix 384 以超大集群提供算力，突破通信效率、内存墙挑战。华为云于 2025 年昇腾 AI 开发 者峰会上推出 CloudMatrix 384 超节点，基于 384 颗昇腾芯片，单节点 BF16 稠密算力高达 300PFlops，超过英 伟达 NVL72 的 180PFlops。在互联通信方面，CloudMatrix 384 通过 MatrixLink 服务将单层网络升级为两层高速 网络，一层是超节点内部的 ScaleUp 总线网络，确保超节点内 384 卡全对等高速无阻塞互联，卡间超大带宽 2.8T，纳秒级时延；另一层是跨超节点间的 ScaleOut 网络，可支持微秒级时延。在存力方面，华为云首创了 EMS 弹性内存存储，打破传统 GPU 算力与显存绑定的关键障碍，通过内存池化技术，实现显存和算力解绑。 一方面，用 EMS替代 NPU中的显存，可使得首 Token 时延降低，最高降幅可达 80%；另一方面，当 NP U 的显 存不足时，EMS 独立扩容，不必再通过堆 NPU 以获得更多内存。

寒武纪专注 AI 领域核心处理器，思元 590 采用全新架构，性能相比在售旗舰有大幅提升。寒武纪目前已 推出了思元系列智能加速卡，第三代产品思元 370 基于 7nm 制程工艺，是寒武纪首款采用 chiplet 技术的 A I 芯片，最高算力达到 256 TOPS（INT8）。思元 370 还搭载了 MLU-Lin 多芯互联技术，互联带宽相比 PCIe 4.0 提升 明显。在 2022 年 9 月 1 日举办的 WAIC 上，寒武纪陈天石博士介绍了全新一代云端智能训练芯片思元 590，思 元 590采用 MLUarch05全新架构，实测训练性能较在售旗舰产品有了大幅提升，能提供更大的内存容量和更高 的内存带宽，其 IO 和片间互联接口也较上代实现大幅升级。

海光信息二代 DCU 升级规划稳步推进，海光 DCU 兼容类“CUDA”环境，适配性好。海光信息深算一号 DCU 产品目前已实现商业化应用。2020 年 1 月，公司启动了第二代 DCU 深算二号的产品研发工作，研发工作 进展正常。海光 DCU 协处理器全面兼容 ROCm GPU 计算生态，由于 ROCm 和 CUDA 在生态、编程环境等方 面具有高度的相似性，理论上讲，市场上规模最大的 GPGPU 开发群体——CUDA 用户可用较低代价快速迁移 至 ROCm平台，有利于海光 DCU 的市场推广。同时，由于 ROCm 生态由 AMD 提出，AMD 对 ROCm 生态的 建设与推广也将有助于开发者熟悉海光 DCU。

摩尔线程、沐曦等 AI 芯片公司上市进程加快，资本市场助力下国产 AI 芯片行业将迎来快速发展阶段。 2025 年 9 月 26 日，摩尔线程 IPO 成功过会，并于 10 月 30 日顺利拿到上市批文。按照招股书内容，摩尔线程 拟募集 80 亿元，用于新一代自主可控 AI 训推一体芯片研发项目、新一代自主可控图形芯片研发项目、自主可 控 AISoC芯片研发项目等。此外，10 月 24 日，国内高性能通用 GPU核心企业沐曦股份成功过会。未来随着众 多 AI 芯片公司上市，在资本市场助力下，国产 AI 芯片行业将迎来快速发展阶段，国产替代的节奏将大大加快。

2.2.2 存储：AI 催动“超级周期”，供需缺口推动价格上行

复盘存储器历史，存储器周期大致 4-5 年，上行、下行周期大致 2 年上下。上轮周期起始于 2020Q1， 2021Q3存储器价格见顶，此后价格持续下滑，至 2023Q2持续7个季度。本轮周期，存储器 2023Q3开始涨价， 期间 2024Q2-2024Q4 因库存问题，价格有所回落。2025Q1 以来，不同品类存储器启动了新一轮涨价：1） DDR5 及 HBM：因 AI 服务器强劲增长、传统服务器复苏，DDR5 价格维持上升态势，HBM 因技术迭代单 GB 价格持续提高；2）DDR4：原厂相继宣布减产 DDR4，并计划到 26H1 全部停产 DDR4，因此 DDR4 出现阶段 性供需不平衡；3）NAND：HDD 产能遇到瓶颈，北美对 SSD 的需求大幅增长，颗粒供应开始紧缺。

需求侧，对于 DRAM而言，单 GPU配置的 HBM、DDR 规格和容量提升，2023 年以来需求跟随 GPU持 续强劲增长；对于 NAND 而言，推理侧的爆发和 QLC NAND 成本的下降加强了对高速率、低延迟 SSD 对 HDD 的优势，SSD 需求跟随 token 爆发。 催动本轮存储上行的核心因素是 AI，特别是推理需求的爆发。大模型训练阶段的存储需求主要来自预训 练数据集和 checkpoint（模型状态快照），原始数据集规模约 10-30TB，而 checkpoint 存储量与模型参数量线性 相关（如 6000 亿参数模型每个 checkpoint 约 7TB，100 个总计约 700TB），这些数据主要存储在 SSD 和 HDD 中，因 HBM 容量不足而需从 HBM 经 DRAM 逐步 offload 至 SSD。推理阶段的存储需求则主要来自 KV Cache、 RAG等，其规模比原始数据大 1000 倍左右（取决于向量维度），随着思维链发展和用户上下文增长，单次提问 token 数激增至上万，KV Cache 需长期存储在 SSD 中，当用户 30 分钟未交互时自动从 HBM 存入 SSD，后续提 问时再加载回 HBM。推理阶段的 KV Cache 存储策略采用精确匹配（用户历史对话）和向量空间模糊匹配（多 用户共享问题），通过共享相同问题的 KV Cache 和将长期未使用数据转存至 HDD 来优化存储，而训练阶段的 存储需求则随模型参数量增加而等比例上升。

其次是 HDD（机械硬盘）供应短缺和成本竞争力的减弱，eSSD 需求爆发。SSD 相比 HDD 的核心优势在 于显著的读写速度和低延迟特性，SSD 的读写速度可达十几 GB 级别，而 HDD 仅约几百兆，这使其在 AI 推理、 高频数据访问等场景中具有明显优势。目前 HDD 与 QLC SSD 的成本差距已从 5-6 倍缩小至 4 倍，随着技术进 步，预计 2026 年 QLC SSD 成本有望进一步降低。HDD 被 SSD 替代的主要原因是 AI 应用爆发式增长，尤其是 数据中心对高性能存储的刚性需求，同时 HDD 产能面临严重瓶颈，HDD 厂商因行业处于"夕阳产业"状态普遍 不愿扩产，导致 HDD 供应紧张。在 AI 应用推动下，大量新增存储需求从 HDD 转向 SSD，特别是数据中心企 业级存储中，HDD 与 SSD 的容量比正从 1：5~1：6 向 1：1 转变，预计 2026 年将出现 QLC SSD 替代 HDD 的 爆发式增长。

供给侧，存储 IDM资本开支计划谨慎，且产能释放速度较慢。2023-2025 年上半年，大容量、小容量存储 厂商资本开支维持低增长或者负增长状态，其中 SK 海力士资本开支增长较大，主要用于扩产前两年开始持续 紧缺的HBM、DRAM。存储厂商的扩产意愿与供需缺口和盈利水平相关，目前各家 DRAM 的毛利率水平约 40- 50%，NAND 的毛利率水平 20-30%，特别是 NAND 盈利不稳定，因此各家厂商的扩产意愿并不强。此外，存 储器的扩产周期从购买设备到产能释放需要 2 年以上，因此新增的资本开支难以体现在 2026 年的供给上。

我们预计 2026 年 HBM、DRAM、NAND 甚至小容量存储均会出现不同程度的供给紧缺，并有可能演进 成供需严重失衡的“超级周期”，因为 AI爆发带来大容量存储供需失衡，并对小容量存储产能产生挤占效应。 供需缺口将催化价格大幅度上涨，根据 Trendforce 预测，NAND 合约价在 2025Q4 将上涨 5-10%，DRAM 合约 价则上涨 8-13%，HBM 合约价上涨 12-18%。

2026年，预计NAND市场规模将增长至 1080亿美元，同比+59%，DRAM 市场规模将增长至1800亿美元， 同比+36%，NAND、DRAM 的单 GB价格均有大幅度提升。从市场结构看，服务器在存储市场的占比有望进一 步提升。

2.2.3 设备：Fab 制程与存储升级，国产化需求打开空间

先进制程与先进存储需求强劲，资本开支持续投入先进制程、先进封装、先进存储（如 HBM、HBF）等。 我们选取 Fab 厂（台积电）与存储（闪迪）为代表进行分析，对应近期的季报都实现了超预期。台积电收入环 比增长 10.1%，达到 331 亿美元，略高于公司第三季度的预期。先进技术（定义为 7 纳米及以下工艺）占晶圆 收入的 74%，公司持续推出更先进制程节点，N2 芯片有望在本季度晚些时候实现量产，A16 量产于 2026 年下 半年按计划进行。公司将 2025 年的资本支出目标范围从之前的 380 亿美元至 420 亿美元缩小至 400 亿美元至420 亿美元，约 70% 的资本预算将用于先进工艺技术，约 10% 至 20% 将用于特殊技术，约 10% 至 20% 将用于 先进封装、测试、批量生产等。公司已经宣布了在亚利桑那州建设两座先进封装厂的计划，以便为客户提供支 持。闪迪在 2025Q4季报财务业务环比增长 12.15%，达到 19 亿美元，超出之前给出的业绩指引，BiCS8 技术在 各市场逐步推进，关键客户认证进行中；HBF 下一代平台取得进展，将重新定义 AI 时代闪存存储。公司在云 端、客户端、消费端环比都实现了增长；云端：公司推出 256TB NVMe 企业级固态硬盘，推进与英伟达等企业 的产品认证；客户端：AI 赋能 PC 需求、智能手机更新周期推动增长，设备平均容量上升；BiCS8 固态硬盘获 主要 PC 厂商认证，CBA 架构提升 QLC 固态硬盘性能与成本优势。消费端：产品创新推动季节性渠道销售增 长，便携 SSD 获行业速度认可，持续投资高增长消费领域。

中芯与华虹市场需求强劲，产能利用率维持高位以及毛利率逐步修复。中芯国际单季度实现营业收入 22.09 亿美元，同比增长 16.2%、实现归母净利润 1.32 亿美元，毛利率 20.4%，收入与毛利率均好于之前的指 引，公司给出指引 Q3 收入环比增长 5%~7%，毛利率 18%~20%。华虹单季度实现营业收入 5.66 亿美元、实现 归母净利润 795 万美元； Q2 单季度毛利率 10.9%，前期指引 7%-9%，毛利率显著好于指引预期。公司指引 Q3 实现收入 6.2~6.4 亿美元，毛利率 10%~12%。 两存扩产以及技术升级，资本开支增加驱动设备需求：长江存储：9 月 5 日，长存三期（武汉）集成电路 有限责任公司成立，注册资本 207.2亿元，长江存储董事长陈南翔任法人。公司最新的 Xtacking 4.0技术应用于 294 层 3D NAND 芯片，这是目前商用化的最高层数产品。长鑫存储：今年 7 月，长鑫存储正式启动了 I PO，到 了 10 月，长鑫科技已发布 IPO 辅导工作完成报告。据长鑫存储官方网站信息更新，长鑫存储已正式推出 LPDDR5X 产品，较上一代 LPDDR5 提升了 66%，同时可以兼容 LPDDR5，功耗则比 LPDDR5 降低了 30%。 受益逻辑与存储技术升级与扩产，半导体设备厂商实现产品突破以及业绩稳定增长。在我们梳理的 18 家 半导体设备厂商中，截至 10月 31日，今年以来涨幅最好为存储和 SOC测试设备端（精智达、华峰测控、长川 科技），其次为前道薄膜沉积（拓荆科技），在手订单表现不错（盛美上海）。其中，精智达订单与设备实现重 大突破，9 月 17 日公告，合肥集成电路于近日与某客户签订了半导体测试设备采购协议，合同总金额为人民币3.23 亿元（不含税），另外，9 月 25 日公告，公司向国内重点存储客户交付首台高速测试机。拓荆科技 Q3 业绩 超预期，在半导体前道设备厂商中表现最为亮眼，单季度营收 22.66 亿元，同比+124.15%/环比 81.94%，公司 产品竞争力持续提升，基于新型设备平台（PF-300T Plus 和 PF-300M）和新型反应腔（pX 和 Supra-D）的 PECVD Stack（ONO 叠层）、ACHM 以及 PECVD Bianca、ALD SiCO 等先进制程的验证机台顺利通过客户认证， 进入规模化量产阶段，并实现收入转化，营业收入持续大幅度增长；另外，在三维集成领域，公司晶圆对晶圆 混合键合设备获得重复订单，同时，公司研发的新一代高速高精度晶圆对晶圆混合键合产品已发货至客户端验 证。目前公司产品已出货至先进存储、逻辑、图像传感器等客户。盛美上海：截至 2025 年 9 月 29 日，公司在 手订单总金额为 90.72 亿元，在手订单总金额同比增加 34.10%。

2.2.4 材料：受益扩产与稼动率提升，半导体材料业绩稳定增长

全球半导体材料稳定增长，硅片库存消化逐步复苏。半导体材料处于整个半导体产业链的上游环节，是半 导体产业的基石和推动集成电路技术创新的引擎。根据 TECHCET，预计 2028 年全球半导体材料市场规模将超 过 840 亿美元。2025 年第二季度全球半导体硅片出货面积达到 33.27 亿平方英寸，环比+14.9%/同比+9. 6% ，创 下近两年新高。市场正在逐步复苏，主要受人工智能等领域对芯片强劲需求的推动。

半导体材料复苏放量显著，业绩相对稳健成长。复苏最末端硅片板块 Q3 业绩触底反弹明显，沪硅产业收 入同比+3.79%/环比+5.34%，立昂微收入同比+19.09%/环比+15.19%，TCL 中环收入同比+28.34%/环比+15. 19%， 神工股份收入同比+20.91%/环比+4.66%；其次受益 Fab 扩产及稼动率提升，抛光液、抛光垫、靶材、化学品/光 刻胶、掩膜版、封装材料、电子气体业绩均实现稳定成长。其中，作为半导体周期代表的神工股份，Q3 毛利 率达到 50.60%，同比+10.59%/环比+15.15%。从公司下游行业来看，存储芯片市场价格持续上行，行业回暖预 期增强；大直径硅材料业务保持平稳向好态势，开工率提升空间大，为硅零部件业务的稳健扩张提供坚实基础。菲利华第三季度收入同比+18.82%/环比-5.56%，今年以来公司涨幅超过一倍，主要由于半导体材料放量以及超 薄石英电子布在高频高速覆铜板(CCL)突破。

2.2.5 封测：封测厂商 Q3 业绩表现强劲，HPC 与存储将持续驱动其增长

日月光与安靠（Amkor）封测厂商 Q3 业绩均超预期，主要受益于先进封装需求强劲以及周期景气度复苏。 第三季度国际封测厂商日月光 ATM 和 EMS 业务均超出了原先的销售额和盈利预期，封装和测试产能利用率均 在 70%以上，LEAP 和传统先进封装生产线的产能利用率普遍达到饱和。第三季度的季节性增长势头是自新冠 疫情爆发以来最强劲的。从客户情绪来看，市场风向正在从按需预订产能转向提前预订产能并确保原材料供应。 并且预计 2025 年 ATM 业务全年收入将超过预期目标，并以美元计价同比增长超过 20%。第三季度安靠业绩强 劲，营收达 19.87 亿美元，每股收益 0.51 美元，均超出预期上限。营收环比增长 31%，主要得益于市场对先进 封装技术的强劲需求，公司实现了快速产能爬坡，并在通信和计算终端市场均创下营收新高。公司在 10 月初， 在亚利桑那州破土动工兴建了全新的先进封装测试园区，总投资额增加至 70 亿美元。

国内封测厂商 Q3 继续延续 Q2 强劲的业绩，稼动率持续提升。在高性能计算（HPC）与存储技术升级的 推动下，封测行业正从传统制造模式向高度技术整合与研发驱动型产业升级。存储、通信、汽车、工业等主要 领域的需求逐步复苏。在技术驱动的新一轮上行周期与应用市场逐步复苏的叠加影响下，整体封测市场发展向 好。Q3 整体封测厂商业绩表现强劲，尤其以第三方测试伟测科技表现最为亮眼，收入同比+44.40%/环比 +28.44%，毛利率达到 44.59%。另外，长电科技、通富微电、华天科技三大封测均受益先进封测与存储封测双 重放量，其中，长电科技收购的晟碟半导体是全球规模较大的闪存存储产品封装测试工厂之一，公司的封测服 务覆盖 DRAM，Flash 等各种存储芯片产品，拥有 20 多年 memory 封装量产经验，32 层闪存堆叠，25um 超薄 芯片制程能力，高密度 3D 封装和控制芯片自主测试等都处于国内和国际行业领先的地位。在高性能先进封装 领域，公司推出 XDFOI®芯粒高密度多维异构集成系列工艺，已进入量产阶段。该技术是一种面向芯粒的极高 密度、扇出型异构封装集成解决方案，利用工艺设计协同优化突破了 2.5D、3D 集成技术。

三、端侧：巨头加码终端侧 AI 算力，应用落地驱动产业发展

3.1 混合 AI 有望成趋势，端侧 AI 价值显现

云边协同的混合式 AI架构对 AI的规模化扩展起到重要作用。根据高通《混合 AI 是 AI 的未来》白皮书， 随着生成式 AI 正以前所未有的速度发展以及计算需求的日益增长，AI 处理必须分布在云端和终端进行，才能 实现 AI 的规模化扩展并发挥其最大潜能。与仅在云端进行处理不同，混合 AI 架构可以根据模型和查询需求的 复杂度等因素，在云端和边缘终端之间分配并协调 AI 工作负载。云端和边缘终端如智能手机、汽车、个人电 脑和物联网终端协同工作，能够实现更强大、更高效且高度优化的 AI。

端侧 AI具有成本、能耗、可靠性、隐私、安全和个性化优势。 成本优势：AI 推理的规模远高于 AI 训练。模型的推理成本将随着日活用户数量及其使用频率的增加而增 加。在云端进行推理的成本极高，这将导致规模化扩展难以持续。将一些运算负载从云端转移到边缘终端，可 以减轻云基础设施的压力并减少开支。 能耗优势：边缘终端能够以很低的能耗运行生成式 AI 模型，尤其是将处理和数据传输相结合时。 可靠性、性能和时延：当生成式 AI 查询对于云的需求达到高峰期时，会产生大量排队等待和高时延，甚 至可能出现拒绝服务的情况。向边缘终端转移计算负载可防止这一现象发生。 隐私、安全和个性化：由于数据处理完全在本地进行，终端侧 AI 有助于保护个人信息，以及企业和工作 场所中的机密信息。以本地和云端分别运行 AI 大模型制作行程安排为例，本地 AI 大模型通过长期学习用户行 为，并利用本地存储的信息，可以给出更贴合用户生活习惯、更准确的建议。相较之下，如果云端模型需要访 问用户本地存储的文件、浏览记录等信息再给出个性化的建议，用户通常较难接受。 边缘侧已具备运行 AI的实践基础，未来将支持多样化的生成式 AI模型。在生成式 AI 出现之前，AI 处理 已在终端侧获得应用，越来越多的 AI 推理工作负载在手机、PC 等边缘终端上运行。自 2017 年华为麒麟 970 首度在手机 SoC 中引入了 NPU（用于拍摄和图像识别）之后，高通与联发科也先后在 2018 年的骁龙 855 和 2019 年的天玑 1000 中集成了 NPU/APU 模块；目前 NPU 已逐渐成为手机 SoC 中常备集成的模块，且用途从最初的 协同 ISP 进行图像处理发展为目前端侧模型的主要支撑者，重要性与日俱增。在 2024 年发布的骁龙 8e 和天玑 9400 上，分别集成了“Hexagon V79+Sensing Hub+DSP”和 MediaTek NPU 890 用于 AI 处理，NPU 模块占 So C 投影面积比例显著提升。除此之外，OPPO 还曾在 2021 年 12 月举办的 OPPO INNO DAY上发布了首款外挂式 NPU MariSilicon X(采用 TSMC 6nm制程)，尽管只是用于图像处理，但仍让我们看到了未来 NPU 在端侧独立部 署的另一种可能。

终端设备有望在 AI的催化下迎来新一轮创新周期。生成式 AI 正在驱动新一轮内容生成、搜索和生产力相 关用例的发展，覆盖包括智能手机、PC、汽车、XR以及物联网等终端品类，提供全新的增强用户体验。以 P C 为例，AI 大模型已能够有效地处理文档撰写和演示文稿制作等任务，完美契合 PC 作为生产力工具的定位。此 外，在以终端为中心的混合 AI 架构中，多数任务能够在 PC 本地运行，既保护隐私，又能及时响应。新兴的发 展趋势有望带动新一轮的产品创新周期，全球科技巨头正加速投入。

3.2 AI 手机：软硬件生态落地，驱动换机周期

AI 手机的萌芽期——激增的音频/图像数据处理需求推动了 AI 手机的早期探索。智能手机构建本地 AI 能 力历时已久，前期主要用于加速特定任务。在移动互联网和手机智能化发展的促进下，用户对于音频、图像数 据的处理需求快速攀升，而传统的 CPU、GPU分别存在计算速度慢、能耗高等问题。从 2015年高通的骁龙 820 首次集成高通 AI 引擎以加速音频处理，到 2017 年华为、苹果分别在麒麟 970 和 A11 中加入 NPU 模块以加速 图像处理，智能手机本地的 AI 算力在不断进步。总体而言，这一时期的 AI 手机主要利用 NPU 或其他 AI 加速 硬件对特定任务如图像处理、语音识别进行加速。这些应用完成了 AI 手机的早期探索，一定程度上改善了用 户的体验，但并没有引入全新的使用场景。

AI手机新阶段——大模型驱动智能化升级，将成为新一代 AI手机的核心特点。AI大模型，如 GPT-4表现 出在多种任务上的卓越性能，包括自然语言理解、对话生成和复杂的推理任务。这些模型的复杂性和所需的计 算资源远远超出了传统手机应用的范畴，但它们的成功激发了将更先进的 AI 能力集成到移动设备中的愿景。 将 AI 大模型运用到手机上可能会大大提升手机的智能化程度，使得设备能够执行更复杂的任务，提供更个性 化的体验，并更有效地处理大量数据。例如，手机可以使用 AI 模型来优化语音、图像处理等传统加速任务， 并提供高度个性化的推荐，甚至进行实时的语言翻译和复杂的对话交互。 新一代 AI手机具备可端侧运行 AI大模型，且 AI算力较高的特征。能否通过本地运行 AI大模型提升智能 化体验将成为新一代 AI 手机发展的关键。根据 OPPO《AI 手机白皮书》的定义，新一代 AI 手机需要支持包括 Stable Diffusion 和各种大语言模型在内的 Gen AI 模型在端侧运行， 而为了更高效地运行大模型，NP U 算力应 大于 30TOPS。

AI手机趋势如下： 1、端云混合：AI 大模型在云端与终端混合运行将是一段时间内的主流解决方案。AI 大模型可以按照云端 运行、终端运行、混合运行三种模式在手机上落地：（1）基于云端运行：云端运行存在时延、隐私的问题，且 企业由于承担推理成本需要考虑 AI 应用推广与商业化的平衡。（2）基于终端运行：手机由于算力、存储等硬 件条件的限制，能本地运行的模型参数量有限，执行的任务复杂度较低。（3）混合运行：综合了前者的优缺点， 但或许是当下生成式 AI 规模化扩展的最优解，也是各大厂商 AI 手机普遍采用的思路。

通过三星 S24 可以窥见 AI手机端云混合的初级形态。以三星 S24 为例，简易 AI 应用如通话语音翻译离线 运行，复杂应用如文生图、圈选即搜则由 Google 等云端大模型提供支持。

苹果 Apple Intelligence 端云三大模型混合，实现跨应用执行操作能力。2024 年苹果 WWDC 上展示了 Apple Intelligence，其是 iPhone、iPad 和 Mac 等苹果终端的个人智能系统 AI 平台，支持端侧、云端大模型同步 运行，能够实现苹果自身的跨应用操作、连续对话和上下文理解等功能，其中跨应用整合是最大的功能亮点， 未来苹果将开放 SDK 全方面支持三方应用调用系统 AI。Apple Intelligence 的层级具体可描述为“端侧 30 亿参 数大模型+私密云端大模型+第三方大模型调用”。前两者为苹果自研，其中本地模型具备约 30 亿参数，测试得 分高于诸多 70亿参数的开源模型（Mistral-7B 或Gemma-7B）；云上模型通过私有云计算部署在 Apple 芯片服务 器上，运行的更大云端语言模型。目前公布的第三方大模型调用技术支持为 GPT-4o。苹果自研 Apple Intelligence 在性能上已经足以满足到用户的基本需求，因此 Apple Intelligence 在逻辑上会优先使用端侧及苹果 私密云端大模型给予用户支持，对于第三方大模型调用的优先级则后置。

谷歌 Google 以云侧为主、端侧为辅，充分利用云侧高参数强算力优势，端侧仅用于以文字处理为主的低 负载任务。与 Apple 类似，Google 同样为自研 SoC（Tensor）+自研大模型（Gemini）的组合，但 Google Pixel 9 系列搭载 SoC Tensor G4 的 TPU 沿用了前代 G3 的 Edge TPU “Rio” ，主频相同且单精度、半精度与量化推 理性能均并未见明显升级，端侧推理能力提升有限。但整体来看，Pixel 9 系列首发时较前代 Pixel 8 系列，仍新 增了通话笔记、图像描述、天气摘要等一系列低负载端侧功能和 Gemini Live（智能对话）、Pixel Studio（AI 图 像创作）、截图识别智能问答等云侧功能。Google 选择将对话/截图问答等功能放在云侧，一方面提高了对话问 答的准确率，另一方面充分利用了 Gemini 大参数模型的优势；从趋势上看，Google 终端大模型的调用逻辑是 云侧为主，端侧为辅。

2、本地化 AI：大模型轻量化与硬件性能突破将支撑本地运行更强大 AI 大模型。手机端运行 AI 大模型需 要通过量化、压缩、条件计算、神经网络架构搜索和编译，在不牺牲太多精度的前提下对模型进行缩减。高通 已经将 FP32 模型量化压缩到 INT4 模型，实现 64 倍内存和计算能效提升。高通的实验数据表明，在借助高通 的量化感知训练后，不少 AIGC 模型可以量化至 INT4 模型，与 INT8 相比，性能提升约 90%，能效提升大约 60%。 核心硬件配置升级支撑更高参数量模型的本地化部署。高通、联发科最新一代 SoC 在基础性能提升的同 时，对生成式 AI 处理进行了优化，可在手机上直接运行百亿参数模型。各大手机厂商也开始在手机中配置 12/16G甚至更高的 DRAM 容量，为更高参数的大模型运行提供基础。

核心硬件配置升级支撑更高参数量模型的本地化部署。高通、联发科最新一代 SoC 在基础性能提升的同 时，对生成式 AI 处理进行了优化，可在手机上直接运行百亿参数模型。各大手机厂商也开始在手机中配置 12/16G甚至更高的 DRAM 容量，为更高参数的大模型运行提供基础。

SoC 大幅升级 NPU 趋势下，国产手机厂商百花齐放，端侧任务处理能力持续提升。高通于 2024 年 10 月 发布的 Snapdragon 8 Elite 大幅升级了 NPU，将 Hexagon NPU 的标量加速器核心增加到 8 个、向量加速器核心 增加到 6 个，较前代推理速度和每瓦性能均提高 45%，2025 年 9 月高通发布 Snapdragon 8 Elite 至尊版，比上一 代，第三代Oryon CPU单核性能提升20%、多核性能提升 17%，Adreno GPU图形性能提升23%，Hexagon NPU 性能提升 37%，支持端侧本地 AI运算，能运行个性化 AI智能体。与之对应，联发科新一代旗舰平台天玑 9500 集成了更为强大的 NPU 990，采用了全新的超性能 NPU+超能效 NPU 的双 NPU 架构，峰值性能相较上一代提 升 111%，在大语言模型摘要输出能力、多模态理解能力皆有大幅跃进，并率先实现 4K 高清画质文生图，同时 NPU 采用了先进的存算一体架构，相较一般的 NPU 功耗可以降低 42%。旗舰及次旗舰 SoC 平台集体升级 NP U 性能，赋予了三星/小米/OPPO/Vivo/荣耀等厂商端侧大模型的更多可实现的功能。

目前国内手机厂商大模型端侧和端云混合主要发展现状如下： （1） 小米：2024 年 11 月，小米发布了第二代大语言模型 MiLM2，从 1 代 6B 的参数规模扩展至 0. 3B、 0.7B、1.3B、2.4B、4B、6B、13B、30B 等多个量级，以适应不同场景下的需求。其中 0.3B~6B 主要用于端侧 场景，主要用于执行具体且低成本的任务，参数规模由高至低依次搭载在旗舰→次旗舰→中低端机型上；6B 和 13B 模型主要用于执行任务明确、且需要比 6B 以下参数模型提供更多的零样本 zero-shot/上下文学习时场景， 30B 则完全运用于云端场景，模型推理能力显著增强，用于提高多任务处理/上下文学习/泛化能力。

此外，小米的大模型团队提出“TransAct 大模型结构化剪枝方法”，用 8%的训练计算量将模型从 6B 剪枝 至 4B，并结合“基于权重转移的端侧量化方法”和“基于 Outliers 分离的端侧量化方法”，降低了端侧量化的 精度损失。MiLM2-4B 模型总共 40 层，实际总参数量为 3.5B，目前已经实现端侧部署落地。

（2）OPPO：OPPO 自主训练的安第斯大模型（AndesGPT）采用行业主流的 Transformer 架构， 包含 AndesGPT-Tiny、AndesGPT-Turbo、AndesGPT-Titan 三大类规格，涵盖十亿至千亿以上多种不同参数规模的模 型规格，根据不同场景智能调度。AndesGPT 核心能力聚焦在知识、记忆、工具、创作四个方向，具备对话增 强、个性专属、端云协同三大技术特征。AndesGPT 针对千万级指令数据进行了按数据集类型、任务类型、领 域类型的设计了多种采样组合，并引入了长时记忆机制，侧重于落地在智慧助手和长文字内容创作场景。

（3） Vivo：Vivo 发布的 BlueLM-7B （蓝心大模型）是由 vivo AI 全球研究院训练的参数规模 70 亿/多语 言语料 2.6T 的预训练语言模型，支持 32K 大尺寸上下文，可实现包括内容创作、知识问答、代码生成、信息 提取、逻辑推理在内的多项功能。面向开发者，Vivo 提供了蓝心编码助手，可提供代码生成、代码补全、自动 代码注释等 AI 编码能力。针对图片处理，Vivo 基于蓝心大模型的文生图和图生图能力打造了 AI 绘画平台妙笔 生画，可以绘制包括摄影、水墨、动漫、古诗词等中国特色风格为主的 AI 绘画。

3、个人慧助：AI赋能操作系统内核，个人智慧助理式操作系统成为趋势。 手机厂商布局手机操作系统，构筑融合 AI 的基础。谷歌安卓系统以开源特性和丰富应用生态，占据主导 地位。苹果 iOS 系统以封闭生态圈和出色的用户体验赢得大量用户的青睐。华为鸿蒙操作系统奋起直追，主打 分布式能力。其他手机厂商也纷纷打造自家操作系统，强化技术独立的同时构筑搭载系统级 AI 的基础。

AI 赋能操作系统创新，打造个人智慧助理式操作系统。AI 手机操作系统竞争再度升级，手机操作系统不 再局限于界面和应用，而是向更智能、个性化的方向迈进。未来有望通过自研端侧大模型赋能操作系统“ 个性 化成长”，加持意图识别人机交互，基于用户自己的行为和数据去学习和理解他的意图，形成个人智慧助理式 个人化操作系统。AI agent（具备交互、搜索、翻译、个性推荐、日程管理等能力）、跨应用功能统一调用、用户隐私保护、个性化和自适应等将成为 AI 操作系统的重要特征。AI 赋能操作系统带动智能手机竞争从硬件拓 展至软件体验。

AI Agent 持续改变传统手机 App交互方式，“一键式”内容输出有望显著提升消费者体验。目前国产厂商 侧重于将 AI Agent 嵌入用户日常生活或工作流中，以 OPPO 为例，根据 OPPODAILY 数据，自 3 月接入 Deepseek-R1 以来，OPPO“小布助手”DAU 持续提升，截至 2025 年 6 月 MAU 已突破 1.5 亿。6 月 30 日， OPPO 面向 Find X8/Find N5/一加 13 等搭载了最新旗舰 SoC 的手机系列全量推送了深度执行功能，支持一键式 生成 pdf 格式专业研究报告。随着端侧性能的进一步提升和手机厂商模型训练能力的增强，后续有望见到更多 厂商落地类似功能。

4、竞争格局：“堆叠硬件”竞争局限有望被打破，大模型能力决定红利分配。 AI 手机发展将推动智能手机市场进入新的竞争阶段。随着华为在市场上的重新崛起，防守市场份额并投 资开发全新的亮眼功能成为其他厂商聚焦重心，AI 成为关键因素，有望打破原有“堆叠硬件”的竞争局限，刺激 创新加速并深刻改变商业模式，大模型能力决定红利分配方式。 高度个性化体验推动创新，AI 算法和硬件的优化适配成为重点。AI 手机可以根据用户的习惯和偏好，自 动调整手机设置，推荐相关内容，甚至预测用户需求，高度个性化的体验将推动厂商在软件和服务上进行更多 创新，如图像识别、语音交互、健康监测等，为厂商提供新的竞争领域，厂商之间的竞争将不再仅仅局限于硬件规格，还包括如何优化算法和硬件配合以更好地支持 AI 应用。 手机厂商与大模型厂商竞合并存，市场发展红利进一步向头部集中。一方面，手机厂商与大模型厂商合作， 大模型厂商借助手机厂商的渠道和用户基础推广技术并变现，手机厂商利用大模型厂商的技术提升品牌价值和 产品竞争力。另一方面，手机厂商希望拥有自主 AI 技术保持独立性和竞争优势，与专门提供 AI 服务厂商形成 竞争。而不同于堆叠硬件的简单粗暴模式，培育优质大模型周期长、成本较高，未来市场格局或将向头部手机 厂商自研 AI，头部大模型厂商赋能尾部手机厂商（不排除会如 SOC 出现高通、联发科一样出现独大的大模型 厂商）方向演变，市场发展红利将向头部手机厂商与大模型厂商集中。

AI 大模型与智能手机结合有望驱动新一轮换机周期。重大创新是手机换机潮的核心驱动力。2007 年 iPhone 初代发布，再到 2010 年 4G 兴起，智能手机与功能手机的使用体验拉开明显差距，智能手机因此开始大 范围取代功能手机，出货量进入持续多年的快速增长期。此后，智能手机在摄像头、屏幕等硬件设计上继续微 创新。而近几年智能手机无论是革命性的还是微创新都陷入瓶颈，换机周期大幅拉长，根据 TechInsights， 2023年全球智能手机换机周期创新高（51个月），换机率创新低（23.5%）。AI技术正为智能手机市场注入新的 活力。若 AI 手机实现使用体验的革命性创新，将复刻智能手机取代功能手机的高速增长。通过融入 AI 大模型， 新一代 AI 手机有望改善用户体验、创造差异化竞争优势，成为缩短手机换机周期和加速市场复苏的关键驱动 力。

2025 年全球手机大盘微幅增长。2025 年全球智能手机市场出货稳定增长，根据 IDC 的数据，25Q1- 25Q3 出货量分别同比增长 1.5%、1.0%和 2.1%，这主要受益于新兴市场表现突出，中国市场方面，25Q1 受益于国补 拉动，智能手机市场出货量同比增长 3.4%，而 25Q2/25Q3 市场表现较为乏力，同比下降-4%/-0.6%。

AI手机渗透率持续提升。根据 IDC 的数据，2025 年 AI 手机出货量将突破 3.7 亿部，在全球智能手机总出 货量中的占比达到 30%，端侧模型的精简以及芯片算力的升级将进一步助推 AI 手机向中端价位段渗透。2025 年芯片厂商发布的新款次旗舰 SoC，如骁龙 8s Gen4、天玑 9400e 已经具备了流畅运行端侧大模型的能力， Deepseek 的出现也在很大程度上降低了大模型对于芯片算力的开销，在这两大因素的共同作用下，2025- 2026 年 AI 手机仍预计会保持高速渗透的趋势。

从 AI的跨应用执行操作能力看，苹果生态具有天然优势。虽然安卓旗舰机型早在 2023 年下半年就搭配了 高通骁龙 8Gen3 和联发科的天玑 9300，支持端侧 70 亿及以上参数的大模型，从硬件上较快完成了配置升级， 但由于芯片、大模型、APP、系统的各自独立，安卓厂商在软硬件一体化上打通各环节的速度较慢。苹果基于 操作系统、芯片、大模型、终端的一体化优势，并把握了用户入口和流量分发，且有能力快速将 AI 推广至 Macbook、iPad、Airpods、Watch、智能家居等，形成统一、闭环的生态。 从硬件看，AI+iPhone 将推动 iPhone 的换机周期。换机周期取决于：（1）存量用户换机周期拉长至近年来 最长，根据 TechInsights，2023 年全球智能手机换机周期创新高（51 个月），换机率创新低（23.5%）；（2） iPhone 保有量创下历史新高，根据 statistics，iPhone 全球保有量从 2015 年的 5.7 亿部增长至 2023 年的 14. 6 亿 部，而其中满足 Apple Intelligence 硬件要求的 iPhone15 Pro 和 iPhone15 Pro Max 的保有量不足 1 亿台；（3） Apple Intelligence 将打通多端生态应用的边界，AI+iPhone 将刺激消费者的换机欲望。复盘 iPhone 历史的销售量 和 ASP，可以看出，随着 iPhone 本身功能的迭代升级， iPhone ASP 在逐年提升。

AI提升对 iPhone 的硬件要求，BOM成本在持续提升。为了在本地运行 AI 大模型，智能手机的 SoC 必须 提升处理能力，例如集成专门的 AI 处理引擎，存储容量也需相应增加。此外，还需要更大容量的电池和更先 进的电源管理芯片、更高质量的摄像头传感器和光学组件、更强的散热和射频性能。AI将加快智能手机硬件规 格的升级，从而带来整机成本的提升。

从软件端来看，Apple Intelligence 加持的新版 Siri 或将于2026 年推出，新版Siri 预计带来三大重要升级： 个人情境感知、屏幕内容感知以及在应用中执行操作的能力。在这些功能的加持下，Siri 将成为一位真正的全 能数字助理，不仅能够深入了解用户的使用习惯和需求，还能代表用户在不同应用中执行各种操作，为用户提 供更加便捷、高效的服务。

3.3 AI PC：硬件算力与系统级 AI 功能逐步完善，AI PC 渗透率逐步提升

AI PC 将是 AI终端重要落地应用场景，产业龙头已明晰新一代 AI PC 标准。AI 大模型已能够有效地处理 文档撰写和演示文稿制作等任务，完美符合 PC 作为生产力工具的定位。此外，在以终端为中心的混合 AI 架构 中，多数任务能够在 PC 本地运行，既保护隐私，又能及时响应。新兴的发展趋势有望带动新一轮的产品创新 周期，自 2023 年下半年开始，英特尔、高通、微软及一众 OEM 厂商都在积极推动 AI PC 的发展。初期，处理 器包含 NPU 模块的电脑即为 AI PC。2024 年 5 月，微软发布了 Copilot+PC，明确了 Windows 系统中的新一代 AI PC 标准： （1）设备必须配备 NPU、CPU 和 GPU，NPU 算力应当大于 40 TOPS； （2）设备存储需要配备 16GB RAM 和 256GB ROM； （3）设备需要支持微软的 Copilot； （4）设备上之别配有 Copilot 物理按键。

硬件端算力与内存规格快速升级，筑实端侧 AI应用运行的基础。 （1）NPU从无到有，AI算力快速提升超越基准线：苹果最早在 PC 处理器上加入 NPU 模块，M 4 系列的 NPU 算力达到 38 TOPS，相比前三代有明显提升。高通的 X-Elite/Plus 系列，NPU 算力为 45 TOPS，成为首批 满足 Copilot+PC 标准的处理器，于 2024 年 6 月上市。2023 年 Intel 的 Meteor Lake 系列、AMD 的 Phoenix 系列 和 Hawk Point 系列成为旗下首款搭载 NPU 的 PC 处理器，但上述产品的 NPU 算力介于 10-20 TOPS 之间，并不 满足微软主导的 AI PC 标准。2024Q3，Intel 推出了 Lunar Lake（酷睿 Ultra 200V）系列处理器，NPU 算力最高 达 48 TOPS，整体 AI 算力最高达 120 TOPS；AMD 推出了 Stirx Point（Ryzen AI 300）系列处理器，NPU 算力 最高达 50 TOPS。Windows 阵营的 PC 处理器厂商全部完成了达成 Copilot+PC 标准的产品线迭代。此外，联发 科正与英伟达合作开发 AI PC 处理器，预计将于 2025 年底实现量产。

（2）异构算力单元推升综合 AI 算力，协同运作满足多样化需求：NPU、CPU 和 GPU 的异构算力单元已 成为 AI PC 处理器的标配。专为执行特定 AI 任务设计的 NPU 能使用比 CPU、GPU 更具能耗效率的方式执行新 一代 AI应用。GPU因其通用性强、算力高的特点，仍是当下 AI PC处理器 AI算力的主要来源，多数高负载 AI 任务仍依赖 GPU 运行。以 Intel Lunar Lake 为例，NPU 算力达到 48 TOPS，GPU 算力则达到 67 TOPS。在此基 础上，PC 还可加装独立 GPU 提供额外算力。根据 Intel 的预测，2024 年-2025 年期间，AI PC 约 40%的负载都 将通过 GPU 执行，NPU 执行的比例将从 25%提升至 30%，CPU 执行的比例则从 35%下调至 30%。

（3）内存规格持续提升：PC 端部署本地 AI 模型，需要足够大的内存将整个模型保存在其中，同时 CPU/GPU 和内存之间的带宽也是影响端侧大模型表现的参数。微软定义的 Copilot+PC 要求内存容量最低为 16GB，搭载 Intel、AMD新款处理器的 Copilot+PC 已普遍将内存提升至了 32GB，为 AI 模型的部署留下充足余 量。苹果为了 Apple Intelligence 在 Mac 端的应用，也放弃了 8GB 内存。2024 年 10 月更新的 M4 版的 iMac、 Mac Mini、Macbook Pro，基础内存配资全部从 8GB 增加到了 16GB，同时苹果宣布 M2、M3 版的 Macbook Air 机型现标配 16GB 内存，且起售价维持不变。Intel Lunar Lake 还采用了同苹果 M 系列一样的 MoP（Memory on Package）封装方案，内存与处理器之间的距离缩短，大大减少了数据传输的延迟和功耗。 AI PC 端侧应用处于起步阶段，但其迅速发展的势头和大模型的潜力开启了爆款应用诞生的可能性。目前 主流的边缘 AI 示例主要涵盖：（1）人机交互：如 AI 虚拟助手的语音或文字交流；（2）文本创作：撰写演讲稿、 文章等；（3）多媒体创作：涉及音频、图像、视频素材的编辑与创新；（3）跨模态生成：文生图、语音转文字等；（4）增强应用软件：例如会议视频人像背景分离，游戏体验个性化等。随着开发者队伍的壮大，边缘 AI 应用的数量预计将快速增长，高通指出 AI 在终端的应用示例已从去年的 1-2 个增长至数百个，预计 2024 年将 达到上千个。在此发展势头下，鉴于边缘端 AI 应用除了其本质的延迟性和隐私保护优势外，也展现出了更广 泛的能力，例如在生产力方面，具有大幅提升效率的潜力；在娱乐、私人助手的角度，具有深度个性化的特点。 这种全面的能力为未来爆款应用的诞生提供了坚实基础。

在 Wintel 体系稳固的 x86 PC 领域，微软为 AI PC 发展的主导。作为 Windows 操作系统的开发者，微软独 具优势，能够在操作系统层面集成 AI 大模型。这种集成不仅使得操作系统能够提供个性化的 AI 助手，还允许 其他应用调用这些模型，实现更自然的 AI 交互，同时确保个人隐私的安全。 微软正持续定义和开发系统级 AI 应用。在 2024 年开发者大会上，微软公布了包括系统级 AI 应用在内的 多项新进展： （1）在系统级 AI 层面，微软已将 AI 功能遍及文件浏览器、图片浏览器、系统设置、通知以及各类系统 级应用。以系统级的翻译能力为例，PC 端任何程序中播放的音频、视频都可以被实时翻译成 40 多种语言。在 图像编辑方面，Copilot 将支持本地生成和优化图像，视频画面实时增强等功能（例如延伸接触、语音聚焦）。

（2）Copilot 获得了 OpenAI GPT-4o 的云端支持，首次具备了“读屏”能力，实现上下文感知和视觉感知功 能，例如 Copilot 可理解屏幕端的游戏画面并给出操作建议。 （3）基于系统级的 AI 功能和“读屏”能力，微软发布了召回（Recall）应用——用户可用自然语言回溯屏 幕显示过的任何内容，重新定义 Windows 搜索功能。召回应用有一个时间轴，用户可以直接拖动找到自己需要 的那个准确时间点，并直接暂停、删除 AI 记录的内容，还可以设置白名单过滤掉指定的应用程序或网站。召 回应用可以完全在端侧运行，不需要上云，以保护用户隐私。 苹果软硬件一体化开发，发力系统级 AI 与垂直领域 AI 增强用户体验。苹果通过自行研发操作系统、芯 片、大模型和终端设备，展现出强大的一体化优势。苹果擅长通过系统级整合将复杂技术化繁为简，使 A I 功 能自然融入用户的日常体验。集成了 Apple Intelligence 的 MacOs Sequoia 不仅可以实现高效的系统级 AI 应用， 还能够与 iPhone、iPad、AirPods 等设备协同工作，形成统一闭环的跨设备生态体系。在系统级 AI 应用方面， 苹果已在MacOS Sequoia 中引入了全系统可调用的新工具——Writing Tools。该工具支持用户在邮件、备忘录、 Pages 文稿以及第三方应用中对文本进行重写、校对和总结，从而提升效率。而在专业软件领域，苹果则为独立应用引入了专用 AI 功能，例如 Final Cut Pro 新增了自动添加字幕和智能抠图等功能。这种系统级 AI 和垂直 领域专用 AI 并行推进的策略不仅满足了普通用户的日常需求，也增强了专业创作者的生产力。

NPU已成为新款处理器标配，具备 NPU的 AI PC 渗透率加速提升。ARM 阵营的高通、苹果，x86 阵营的 Intel、AMD，都在其新款处理器产品中加入了 NPU，且未来的产品升级路线图表明，NPU 已成为标配。随着 新产品上市对老产品逐步形成替代，可以预见未来具备 NPU 的 PC 将占据绝大部分新机出货量，具备 NP U 的 AI PC（宽泛标准下的 AI PC）渗透率也将快速提升。根据 IDC 数据，25Q1 全球具备 Basic AI 和 GenAI 功能的 笔电占比分别达到了 27.2%、5.3%，同比增速达到 88%，基本覆盖了全部高端市场和部分中端市场。根据 TechInsights 的预测，具备 NPU 的 AI PC 渗透率将在 2024 年开始持续提升，从 2024 年的 29%增至 2029 年的 95%。

当前各大品牌厂商均积极拥抱 AIPC，推出多款产品。以联想为例，2024 年 11 月联想正式推出新一代商 务AI PC——ThinkPad X1 Carbon Aura AI 元启版，该款产品搭载第二代英特尔酷睿 Ultra7 258V 系列处理器， 最高睿频可达 4.8GHz，CPU+GPU+NPU 异构 AI 算力高达 120TOPS，最高可选 32GB LPDDR5X 和 2TB PCIe Gen5硬盘，为本地部署AI功能提供坚实后盾。该款产品还内嵌了个人智能体“小天”，具备意图理解和主动感 知、自我能力认知、短期长期记忆、任务规划与分解等功能，可以帮助用户创建个人专属的知识库，实现查找 总结文档、外文智能翻译、记录会议摘要，大幅提升了用户 AI 办公体验。2025 年 2 月，联想推出全球首款部 署 Deepseek 端侧大模型的 AI PC——搭载英特尔酷睿 Ultra 7 处理器的联想 YOGA AIPC 元启新品，通过端侧 部署与蒸馏技术创新，能够在消费级设备上实现 70 亿参数端侧模型的流畅运行，这一技术突破使得用户文档 的总结、翻译、撰写等操作无需调用云端大模型即可完成，充分保障数据隐私与离线可用性。

以华为为例，2024年4月华为推出首次搭载盘古大模型的 PC——MateBook X Pro，该款产品搭载酷睿Ultra 9 高性能处理器，最高可配备 32GB 内存和 2TB 固态硬盘，借助华为盘古大模型强大的 AI 能力，该款产品可带 来多场景下的 AI 纪要、AI 字幕和 AI 慧眼功能；2025 年 5 月华为发布鸿蒙笔记本——MateBook Pro，该款产品 融合了盘古大模型和 Deepseek 模型，实现了 AI 能力与底层硬件、操作系统及应用软件的深度融合，基于智能 体“小艺”，可支持搜索、专业问答、翻译、PPT 生成、文档处理、会议记录、知识空间等多种 AI 功能，为用 户的生活办公带来智能化体验。

AI PC 催化换机将使上游零部件受益，核心环节具有价值量提升机会。 处理器：AI大模型全部或者部分能力在本地运行，都需要更强大的处理能力，对处理器提出了更高的性能 要求。因此，不仅 CPU 和 GPU 需进行升级以应对增强的计算需求，而且 NPU 可能成为标配，无论是作为 So C 模块的一部分还是作为外挂组件，其性能需求都需要提高。 存储：（1）DRAM：不考虑内存硬件压缩等技术的前提下，70 亿参数大模型采用 INT8 精度推理大约需要 14GB DRAM。而且为确保整体流畅性，还需冗余量兼顾操作系统和其他软件的常驻内存。因此 DRAM 容量具 有明确的升级机会，微软的 Copilot+PC 已将 DRAM 下限定为 16GB，TrendForce 数据显示 2023 年 P C 的平均 DRAM 仅为 10.6GB，随着 AI PC 的普及，全球 PC 平均 DRAM 容量将持续升级。（2）NAND Flash：鉴于未来操作系统与第三方软件可能分别集成大模型，同时大模型参数量将持续提升，终端设备将需要更高的 NAND Flash 容量用于长期存储。

声学：AI 时代，语音输入是 AI 的关键接口，这将会带动智能语音交互技术迅速迭代，麦克风作为语音识 别核心器件亦将出现规格升级，高信噪比麦克风的市场规模也在快速增长，Omdia 预计，信噪比高于 64 dB 的 MEMS 麦克风在消费领域的复合年增长率将达到 8.7%，到 2027 年销售量将接近 30 亿个。 散热：AI算力提升会导致功耗增加，散热对性能的稳定性和可靠性起到关键作用，属于确定性增量环节， 因此 AI PC 的散热配置也会显著升级，例如联想 Y9000X 2024 AI 元启版使用了两颗 90mm大直径涡轮增压扇。 搭配 4 根高性能复合式热管，10mm 3D Mesh 的主热管能够高效导热，在有限的空间内增加尽可能多的性能。 在 PC 标准化与全球电子产业转移趋势中，中国台湾厂商享受到 PC 市场发展第一波红利，并占据 PC 产 业链多数环节的主要份额。当前随着联想、华为等本土 PC 品牌的份额持续提升，以及国产替代的进程不断推 进，本土 PC 产业链也将持续成长，并有望受益于 AI PC 为产业带来的变革机遇。目前在 PC 产业已走出了一批 有市场竞争力的厂商：包括（1）ODM：华勤技术，龙旗科技，（2）散热：思泉新材、苏州天脉，（3）电池： 珠海冠宇、豪鹏科技，（4）结构件：春秋电子、光大同创，（5）EC 芯片：芯海科技。

3.4 机器人：产业政策大力扶持，临近规模上量时点

人形机器人产业政策频发，政策红利驱动技术迭代和商业化落地。2023 年 11 月，工信部发布《人形机器 人创新发展指导意见》，核心目标是：2025 年初步建立创新体系，突破“大脑（AI 决策）”“小脑（运动控制）” “肢体（机械结构）”等关键技术，实现整机批量生产及特种、制造、民生场景示范应用；培育 2-3家全球影响 力生态型企业，打造 2-3 个产业集聚区。2027 年形成安全可靠产业链，综合实力达世界先进水平，产业规模化 发展并深度融入实体经济。2024-2025 年，各地方相继出台政策，推动人形机器人的技术创新、核心部件降本 和量产突破。根据工信部规划及产业咨询机构预测，2024 年全球人形机器人出货量约千台级，主要应用于工厂 实训（如优必选 Walker进入车厂）。预计 2027 年超 1万（CAGR 83%），2030年达 38万台，2035年 400 万- 1000 万台。 创业公司井喷，人形机器人产品快速落地。截至 2025 年 4 月，全球人形机器人本体企业数量已突破 300 家，其中中国企业占据半壁江山，数量超过 150 家，集中分布于北京（小米机器人、星动纪元）、上海（智元 机器人、傅利叶）、深圳（优必选、越疆机器人）三大产业集群。国际方面，美国企业超 45 家（如特斯拉、 Figure），日本企业超 22 家（如本田、丰田），其他国家和地区合计不足 30 家。产品发布方面，2024 年全球新 品超106款（63%为足式机器人），而 2025年第一季度新增35 款，其中国内企业占比 60%（如宇树Unitree G1、 众擎 PM01）。代表性产品包括特斯拉 Optimus（已部署上海工厂）、优必选 Walker S（获车厂订单）、智元机器 人灵犀 X2（2025 年量产）等。

为什么机器人设计成人形？主要基于三重核心价值：（1）通用性：人类环境中的工具、设施（如楼梯、车 辆、键盘）均按人体工学设计，人形结构使机器人能直接操作现有工具、适应多样化任务（如家务全流程、工 业分拣），无需改造环境或定制设备。（2）环境适应性：双足行走与多关节设计（全身 200+自由度）赋予机器 人跨越障碍、灵活转向的能力，在非结构化场景（家庭、废墟救援）中优于轮式或四足机器人。（3）交互友好 性：类人外形（表情、手势）降低人类心理戒备，通过视线、肢体语言实现自然沟通，在医疗陪护、教育等需 情感连接场景中不可或缺。

相比传统机器人，人形机器人对驱动、感知、执行、材料、算力的要求提升显著。人形机器人相比常规工 业或家用机器人，在硬件层面实现了显著提升，主要体现在关节数量剧增、感知系统复杂化、执行器高精度化 以及材料轻量化等方面，这些变化带来了核心零部件的增量需求（如更多关节模组、多模态传感器）和性能升 级（如高功率密度驱动、智能材料应用），从而支撑其适应非结构化环境、执行类人精细操作的能力。

从产业链看，人形机器人对上游零部件和中游的制造与总成环节影响较大。从电子产业视角看，人形机器 人带来的增量价值在于：组装代工、结构件、传感器、算力芯片、控制芯片等。

（1）组装代工：立讯精密、蓝思科技、领益智造等消费电子代工公司，具备成熟的供应链管控与规模化生产经验，可将人形机器人整机成本压缩至消费级水平。例如，宇树科技消费级人形机器人 G1 售价已降至 9. 9 万元（工业级 H1为 65万元），并计划将四足机器人价格进一步压至 3-4千元。这种能力源于消费电子行业对物 料成本、生产良率、自动化率的极致优化，可直接迁移至机器人制造。此外，消费电子企业采用“预研一代/ 量产一代/在售一代”的敏捷开发模式，能快速响应技术升级与成本优化需求。

（2）传感器：人形机器人感知系统重要元器件，主要有力/力矩传感器、触觉传感器、视觉传感器、编码 器、惯性传感器等几大方向。其中，视觉传感器包括：多目视觉、TOF 深度相机、立体视觉、RGB 摄像头、 3D 激光雷达等。

（3）算力芯片：当前人形机器人的算力芯片主要采用异构计算架构，以海外巨头方案为主导，同时国产 芯片正加速替代。特斯拉凭借自研 FSD 端侧芯片（144 TOPS）与 Dojo 训练芯片（362 TFLOPS）构建闭环生 态，实现感知-决策垂直整合。其他厂商多依赖外购方案：优必选 Walker X采用 Intel i7+NVIDIA GT1030 组合， 宇树科技 H1/G1 EDU 搭载 Intel Core i5/i7 基础芯片并选配 NVIDIA Jetson Orin 系列（最高 275 TOPS）以扩展 AI 算力。国产化方面，瑞芯微 RK3588（6TOPS NPU）与地平线征程 6（200G FLOPS GPU）已应用于环境感知与 运动控制，全志科技 MR527 则聚焦低功耗边缘计算。未来趋势聚焦三点：一是异构集成（CPU+GPU/NP U 协 同），二是先进制程与 Chiplet 技术（特斯拉计划导入 5nm 工艺），三是边缘端大模型部署以降低云端依赖，支 撑实时多模态交互。

3.5 AIoT：多方玩家积极布局，期待爆品出现

AI 应用或爆发在即，推动硬件终端加速迭代。2011 年起，4G 拉开大规模商用序幕，全球智能手机年出货 量近 5 亿台，微信、滴滴等 APP 相继发布；2013 年起全球智能手机年出货量达到 10 亿台量级，移动端应用进 入全面爆发阶段。同时，大型手游、抖音、快手等短视频应用，对手机的处理器性能、内存、画质等提出了更 高的要求，进一步推动了智能手机硬件的迭代。 AI 应用的爆发可能仍将遵循上述规律，当前 GPU 等关键芯片性能快速提升，CSP 厂商进行了大规模的算 力基建，因此当前亟需探索各类 AI 应用，随之可能带动硬件终端的创新迭代。手机、PC、耳机等确实可以承 载 AI 大模型、AI Agent，但创新可能不会止于此。

智能眼镜或许是承载 AI 应用的重要硬件形态。智能眼镜卡位独特，可以提供语音、手势等多种交互方式， 有望成为下一代普及的智能终端。现阶段智能眼镜主要通过语音对话、简单触控等方式进行交互，能够实现智 能问答、导航、翻译等功能；搭载摄像头的 AI眼镜能够实现拍照、摄像等功能；若带显示的 AR眼镜还能够通 过视觉输入更多的信息；与手机、PC 相比，智能眼镜基本可以做到在简单生活场景中应用解放双手，更方便 使用；与其他可穿戴设备相比，比智能手表更贴近感官、交互更方便，比AI PIN等新型硬件拥有更高的接受程 度。根据维深 XR 的预测，智能眼镜的销量有望在 2030s 达到亿级空间。

AI眼镜市场迎来爆发元年，多方玩家积极布局。2023 年 9 月，Meta 与雷朋合作推出了名为 Ray-Ban Meta 的智能眼镜。Meta 眼镜为眼镜增加了摄像头、喇叭、麦克风。最重大的更新是 Meta 眼镜融入了 AI功能，与一般智能耳机用语音实现音量调节、拨打电话等简单指令类操作不同，Meta 眼镜可以拍下用户当前正在观看的场 景，调用 Llama3 多模态大模型的能力，回答用户的相关问题，例如户外逛街查美食餐馆信息，室内做饭时查 询菜单和烹饪方法。凭借AI功能+时尚设计+合理定价，Ray-Ban Meta 获得了不错的销售成绩，根据维深 XR 的 数据，2024 年 Ray-Ban Meta 出货量约在 143 万副（Sell Out 口径），2025 年 Meta 眼镜持续热销，依视路陆逊梯 卡在 25年 7月底发布的财报中表示，Ray-Ban Meta 智能眼镜的销售额同比增长逾两倍。此外，25年 9月，Meta 在 Meta Connect 大会上正式发布第二代 Ray-Ban Meta、首款运动眼镜 Oakley Meta Vanguard、以及全新的 AR 智 能眼镜 Meta Ray-Ban Display 三款 AI 智能眼镜新品，同样取得了较好的市场反馈。

继 Meta 后，多个互联网头部厂商、手机厂商以及独角兽均积极布局智能眼镜赛道。 互联网厂商：以 Meta、谷歌、百度、阿里、字节为代表，主要优势在于 AI 能力、生态协同性、用户积累。 AI能力方面，互联网厂商是通用大模型的主要参与者，凭借其自身强大的研发能力，大量的算力资源投入，在 AI 模型上处于领先位置；生态协同性方面，其将旗下的出行、外卖、购物、长短视频、导航、翻译等 AP P 与 AI/AR 眼镜进行适配，使眼镜成为用户的效率工具与生活助手；用户积累方面，例如微信、抖音、淘宝等均拥 有强大的用户基础。对于互联网厂商而言，或许做硬件不是真正的目的，而是通过端侧硬件将自己的模型能力 推出去。25 年 10 月阿里旗下夸克 AI 眼镜正式发布，重点整合阿里的 AI 能力与生态协同，其主打高德近眼导 航系统、支付宝“看一看”安全支付、淘宝搜同款识价、飞猪出行提醒等功能；百度旗下小度 AI 眼镜预计也 将在 2025 年发布，此外，字节跳动也在探索 AI 眼镜的研发。 手机厂商：以苹果、华为、小米、OPPO 为代表，主要优势在于供应链能力、系统协同性。手机厂商能够 依托原有手机供应链，易整合上下游零件供应商及代工厂，切入 AI 眼镜赛道；更为重要的是，当前 AI/A R 眼 镜很多功能需要配合手机使用（简单任务眼镜本地处理，复杂多模态任务通过手机上传至云端处理），手机厂 商的AI/AR眼镜与自身品牌手机协同性更高，设备间切换流畅性。小米首款AI眼镜已于2025年 6月正式发布， 苹果正在将研发重心转向智能眼镜，将首先推出一款不含 AR 显示屏的基础版智能眼镜，第一代轻量化 Apple Glass 预计于 2026 年发布，2027 年上市，该款眼镜能够支持处理电话、响应 Siri 指令以及拍摄照片等核心功能。 独角兽：以 Rokid、李未可、Xreal、雷鸟、影目科技、闪极等为代表，专注于 AI/AR 眼镜产品本身，在产 品创新中有较大的热情，很多公司深耕 AR 眼镜领域多年，积累了丰富的产品开发经验。

当前智能眼镜以音频眼镜为主，我们预计随着硬件端的成熟以及软件生态的完善，未来 AR 眼镜有望迎来 爆发。当下的智能眼镜主打语音交互，相较于听觉交互，显示交互能够大幅提高信息交互速度和用户体验感， 因此带显示的眼镜能够适用于更多的场景，即将 AI 功能赋予到 AR 眼镜之上。2025 年以来，多个头部厂商均 发布了带显示的智能眼镜，例如 Meta Ray-Ban Display 采用了 LCOS+阵列光波导方案，可显示时间、天气、导 航、通知、照片预览及实时翻译，并配套肌电手势腕带实现手势控制，用户可以通过微小的手势动作控制眼镜， 实现更自然的人机交互体验，该产品发售后销售火爆，产品供不应求。Rokid Glasses 采用了 Micro-LED+衍射 光波导方案，实现翻译、问答、实时导航、演讲提词等多种功能，接入支付宝后实现一句话打车、点餐、商品 付款，相较于音频眼镜，AR 智能眼镜的交互体验更佳，实现的功能也更为多样，因此未来我们认为带显示的 智能眼镜有望成为主流。

总结而言，自 24 年 Ray-Ban Meta 引发市场关注之后，25 年多方玩家均发布了第一代智能眼镜，开启百镜 大战，音频类眼镜目前同质化程度较高，用户更多将产品定义为时尚单品，销量贡献以 Ray-Ban Meta 为主， AR 眼镜方面，国内 Rokid、夸克等 AR 眼镜在硬件端配置较为相似，主要以单绿色 microLED+衍射光波导为 主，Meta Ray-Ban Display 在硬件端表现更为突出，LCOS+阵列波导方案能够实现全彩显示，配合肌电手势腕 带，能够实现语音+视觉+手势三重交互，给用户带来较好的使用体验；在生态应用上，当前 AR 眼镜基本具备 导航、翻译、问答和演讲提词等基础功能，此外，各家产品在接入各自生态之后，也进一步拓展了应用场景，Meta Ray-Ban Display 将 Instagram 和 WhatsApp 生态直接整合进眼镜中，用户可以查看信息、拍摄照片视频， 通过语音指令发送消息，夸克眼镜接入阿里生态后，具备淘宝搜同款识价、飞猪出行提醒、支付等功能。 未来我们认为 AR+AI 眼镜在硬件侧，体验升级与降低成本同为重要，考虑到未来技术的进步、规模效应 的显现，AR+AI 眼镜的硬件成本有望进一步降低，在生态应用上，除翻译、问答等基础功能外，AR+AI 眼镜 的社交功能同样十分重要，这是其“破圈”的关键，随着互联网、手机厂商的进入，AR+AI 眼镜未来生态应 用上的丰富值得期待。 OpenAI加速布局 AI硬件产品，实现 “模型+终端”的硬件闭环。OpenAI在 2025年 5月宣布以约 65 亿美 元收购由苹果前首席设计师 Jony Ive 创立的 AI 硬件公司 IO，同时多位来自苹果的供应链、产品设计、制造、 人工智能研究等人才加入，在产品设计理念上，设计团队希望创造一种“始终陪伴、几乎隐形”的 AI 伴侣， 强调语音交互和情境感知，颠覆传统的屏幕依赖模式，在具体产品形态上，OpenAI 正在考虑的产品可能包括 类似没有屏幕的智能音箱，智能眼镜、数字录音设备以及可穿戴 AI Pin 等多个方向，首批产品计划于 2026 年 底或 2027 年初发布，我们也期待 OpenAI 等头部大模型公司的入局能够打造新的 AI 终端。

耳机凭借轻量便携优势有望成为个人 AI助理的硬件载体。耳机具备天然的语音交互优势，其可作为 AI 控 制入口，接收语音指令，具体的执行交给其他如手机等运算终端。同时，相比手机、眼镜，耳机更轻、便携、 可长时间佩戴，因此有望成为个人 AI 助理的主要载体，也吸引了众多科技公司的布局。2024 年 10 月，字节跳 动豆包发布了首款 AI 智能体耳机 Ola Friend，接入豆包大模型。在 AI 应用场景方面，通过豆包大模型与 AP P 深度结合，通过关键词唤醒 AI耳机，就能进行旅行导航、英语学习等功能。25 年 5月，Ola Friend AI耳机智能 升级，带来了英语私教朋友 Owen 功能；25 年 5 月，未来智能正式发布讯飞 AI 会议耳机 iFLYBUDS Pro 3 和 iFLYBUDS Air 2两款产品；2025 年 9月，苹果发布 Airpods Pro3，将 AI功能融入耳机，以高精度健康监测与实 时翻译功能为核心，推动产品从“音频播放设备” 向 “健康管理工具 + 生产力助手” 转型，该产品发布后销 量表现强劲。当前，AI 翻译、AI 录音、AI 同传等场景已成为办公场景中的聚焦点，AI 耳机作为智能穿戴设备 的重要分支，正逐步成为这些场景实际落地的重要载体。根据洛图科技的数据，2024 年中国 AI 耳机的电商销 量突破30万副，2025年第一季度，AI耳机在线上传统主流电商的销量为38.2万副，比 2024年同期增长960. 4%， 也超过了 2024 年整年的销量。

大模型使智能音箱“重获生机”，有望成为智慧家庭场景的 AI流量入口。初期智能音箱主要作为音乐播放 工具，之后逐渐发展为智能家居的中心控制器。如小米 AI 音箱和华为 AI 音箱均可通过语音操控多达上千种智 能家居设备。随着智能音箱产业进入瓶颈期，智能音箱出货量开始逐年下跌、消费者热情也开始逐渐消退。AI 大模型的加入，明显提高了智能音箱对用户意图的理解，智能音箱对用户的反馈也更丰富和准确，有望成为智 慧家庭场景的 AI 流量入口。早在 2023 年初，小度、阿里分别将文心一言、通义千问大模型融入旗下智能音箱。 2024 年 8 月，小米宣布大模型小爱全量升级，已经在部分智能音箱机型上正式推送，并将陆续覆盖更多机型。 2025 年 10 月，谷歌全面升级了 Google Home 的 Gemini AI 助手，新升级的 Google Home 将让智能音箱理解更 长更复杂的语音指令。

AI 玩具付费周期长、市场增速高，是当前大模型最佳落地场景之一。AI 玩具为用户提供语言和动作交互 体验，强化玩具的陪伴功能。从技术的角度看，目前大模型还存在一定的幻觉问题，但 AI 玩具场景的容错率 较高，与大模型的技术现状相匹配；从商业模式的角度看，AI玩具不是一锤子买卖，通常可以采取硬件一次性 收费+软件订阅收费的商业模式，用户生命周期更长，客单价也更高；从市场规模的角度看，玩具市场已进入 成熟期，NPD 数据显示 23 年全球规模 1087 亿美元，近 5 年增速均低于 10%，但 AI 陪伴市场作为新兴赛道， 市场空间更大、增速更高，据 Ark Invest，2030 年全球 AI 陪伴市场规模有望达 1500 亿美元。以字节的“显眼 包”为例，该款产品表面上是一款蓝白配色、小山状的毛绒玩具，内在集合了火山引擎的多项人工智能技术，包括豆包大模型、扣子专业版、语音识别和合成等，显眼包可以与用户进行中英文对话交互，例如讲故事、背 诵古诗等；当用户将自己的困惑告诉显眼包时，显眼包也会给出针对性的建议，情感交流和陪伴效果较好，同 时还具备记忆能力，可以准确回答前两轮对话的内容。

编辑：火腿肠