2026年计算机行业投资策略：两仪生四象，超级时代

AI 演绎路径更加清晰

1.1 全球顶尖模型模型快速迭代

2025 年 11 月 19 日谷歌 Gemini 3 发布，跃进式的得分提升、强大的多模态理解力、更加多 样化的 UI、惊艳的前端能力，让大模型的进展迈出显著一步。 基础思考能力上,Humanity's Last Exam 是衡量 AI 能否解决人类顶尖难题的终极试金石。在 Gemini 3 之前，Gemini 2.5 Pro 的得分是 21.6%，Claude Sonnet 4.5 仅为 13.7%。Gemini 3 Pro 交出的答卷是 37.5%（无工具）和 45.8%（带工具）。ARC-AGI-2 测试，旨在衡量模型 处理从未见过的新颖推理任务的能力，而非死记硬背。Gemini 3 Pro 拿下了 31.1%的分数， 而 GPT-5.1 仅为 17.6%，Gemini 2.5 Pro 甚至只有 4.9%。这意味着它开始展现出一种接近 人类的流体智力，能够在没有大量训练数据覆盖的领域进行抽象推理。 在多模态领域 Gemini 3 尤其惊艳，MMMU-Pro 的 81.0%，CharXiv Reasoning 的 81.4%都超 越了对手。而在理解截图的测试 ScreenSpot-Pro 的 72.7%中，Gemini 3 的得分是 Claude Sonnet 4.5 的两倍，GPT-5.1 的二十倍。这对于构建能够真正理解和操作图形界面的 AI 代理 至关重要。

2025 年 12 月 11 日 OpenAI 发布 GPT-5.2，为专业工作设计的顶尖模型。 GPT-5.2 旨在为人们带来更多经济价值。该模型在制作电子表格、设计演示文稿、编写代码、 识别图像、理解长文本上下文、使用工具以及处理复杂的多步骤项目方面表现更佳。 GDPval评测是一项覆盖 44 个职业、用于衡量明确知识型工作任务的评估。在 GDPval 测试 中，模型尝试完成定义明确的知识型工作，内容涵盖美国 GDP 贡献度最高的 9 个行业中的 44 种职业。任务要求生成真实的工作成果，例如销售演示文稿、会计表格、急诊排班表、制 造业图表或短视频。根据人类专家评审的结果，GPT-5.2 Thinking 在 70.7% 的高难度知识 型工作任务上，表现优于行业顶尖专家，或与其持平。这些任务包括制作演示文稿、电子表格 以及其他专业产出。GPT-5.2 Thinking 完成任务的速度大约是专家的 3 倍，而成本只有大约1%。 12 月 1 日 DeepSeek-V3.2 正式版发布，国产模型引领开源创新。 在公开的推理类 Benchmark 测试中，DeepSeek-V3.2 达到了 GPT-5 的水平，仅略低于 Gemini-3.0-Pro；DeepSeek-V3.2-Speciale 是 DeepSeek-V3.2 的长思考增强版，在主流推 理基准测试上的性能表现媲美 Gemini-3.0-Pro，成功斩获 IMO 2025（国际数学奥林匹克）、 CMO 2025（中国数学奥林匹克）、ICPC World Finals 2025（国际大学生程序设计竞赛全球 总决赛）及 IOI 2025（国际信息学奥林匹克）金牌。其中，ICPC 与 IOI 成绩分别达到了人 类选手第二名与第十名的水平。

DeepSeek V3.2 系列模型提出多项创新：延续使用 DSA 稀疏注意力机制、加码后训练、大 规模合成数据。 DSA 全称 DeepSeek Sparse Attention，旨在降低计算复杂度，同时在上下文场景中还能保持 模型性能。举个例子，当你面前有一本超厚的书（假设页数上万页），现在需要从这本书里查 询特定信息，要求只能一页一页地看，且需要记忆看过的内容，这就是传统 AI 模型处理长文 本时的困境——计算量随文本长度呈平方级增长。而 DSA 的作用如同将这种“大海捞针”的方 式转为“精准定位”，不是每页都要看，而是能够只关注与目标信息最相关的几页，大幅提升了 模型记忆与理解效率。 此外，DeepSeek 意识到开源模型的后训练投入普遍不足，限制了模型任务表现，于是采用更 激进的方式，将后训练算力预算调整到超过预训练成本的 10%。 DeepSeek 这次用到了大规模智能体数据合成，根本原因在于缺乏足够多样化的真实训练环境， 无法让智能体具备任务泛化能力。从测试评估结果看，使用合成数据使模型泛化能力提升显著。 我们认为模型的迭代还未到瓶颈，2026 年模型的进展会更精彩： 1）靠 Scaling law 提升模型能力的路径依旧有效。 DeepSeek V3.2 后训练规模扩展到预训练规模 10%，预计未来比例还会提高，而且 DeepSeek 团队在论文表示由于训练算力有限，DeepSeek-V3.2的世界知识广度还是落后于 Gemini 3 pro 这样的顶尖闭源模型，团队计划未来进一步扩大预训练规模。同时 DeepSeek 大量使用合成 数据有效说明不用担心数据会遇到瓶颈。 2） DeepSeek-V3.2 提出的 DSA 机制展示出强大算法创新能力，不必担心大模型技术创新已 经到达瓶颈。 3）大模型训练的硬件基础升级。 英伟达的 Hopper 架构正在转向 Blackwell 架构，Blackwell 相比前代在单卡算力、显存带宽、 显存容量、以及集群互联都大幅提升，这对大模型训练的意义一方面是加速和降低成本，另一 方面是可以使用更大的 Batch Size（模型更新学习内容前一次性处理的训练样本数量）,这对 训练稳定性有帮助，更大的 Batch Size 能够更准确地估计整个数据集的梯度，从而使学习过 程更加稳定,而较小的批次则会产生噪声过大且特征过于明显的信号，这可能导致模型的学习 路径出现不稳定的跳跃。

谷歌也在2025年11月宣布其第七代TPU Ironwood将在未来几周内全面上市。Ironwood 专为应对最严苛的工作负载而打造：从大规模模型训练和复杂的强化学习到高容量、低延 迟的 AI 推理和模型服务，它都能轻松胜任。与 TPU v5p 相比，Ironwood 的峰值性能 提升了 10 倍；与 TPU v6e (Trillium) 相比，其单芯片在训练和推理工作负载下的性能均 提升了 4 倍以上，使其成为谷歌迄今为止性能最强大、能效最高的定制芯片。我们认为谷 歌的芯片升级也会对模型迭代带来显著促进作用。

1.2 字节 AI 手机发布，AI 超级载体出现

手机本身是人们工作与生活信息流的集大成者，全能的 AI 手机助手出现将全面重构所有 人的工作与生活。 2025 年 12 月字节跳动在和中兴合作的工程样机 nubia M153 上发布了豆包手机助手技术预览 版。目前该版本已面向开发者和科技爱好者少量发售，售价 3499 元。用户不仅可以通过语音、 侧边键或豆包 Ola Friend 耳机直接唤醒豆包，实现交互以及调用语音通话、视频通话和屏幕 共享等功能。此外，豆包手机助手可以通过 AI 直接操控手机功能，用户输入查票订票、商品 下单、批量下载文件等信息，豆包手机助手可在多个 App 之间跳转，帮用户完成多个平台搜 索同款商品、比价、选择最便宜的商品下单等操作。 我们认为豆包手机助手是 AI 在 C 端从单一的语音助手进化为真正会行动的助理的重要里程碑， 不仅能理解用户意图，还能跨应用自主执行复杂任务，体现了 AI 在真实场景中的巨大进展， 也预示着手机交互方式和用户效率将被系统性重塑。

基于图形用户界面（GUI）的触控是移动互联网时代的核心交互方式，但也存在操作流程 复杂的问题以及 App 间信息孤岛的问题。如今大模型正推动移动端交互革命：用户从复 杂的点击跳转中解放，只需下达自然语言指令，AI Agent 即可跨越应用边界完成任务。针 对如何打破应用壁垒，行业目前形成了两套演进逻辑： API Agent 路线：通过标准化协议让开发者主动接入。如苹果通过 App Intents 框架让开 发者可以将应用接入 Apple Intelligence。 GUI Agent 路线：利用多模态模型模拟人类视觉和操作。这种方式无需开发者配合，凭借 通用视觉能力直接操作各类 App，如豆包手机助手。

在效率、隐私、可靠性等方面 API Agent 更有优势，但是 GUI Agent 的最核心优势在于灵 活通用，不需要应用厂商主动适配，是打通碎片化应用生态的利器。预计模型厂商、应用 厂商和手机厂商为了抢夺流量入口，会在两种路线选择上进行激烈的博弈。

我们认为 AI 手机是其他 AI 终端爆发的前置条件，预计全球顶尖大厂将极致投入到这场新 入口之战。 两仪已定，四象初生：算力为基、空天时代、具身智能、AI 应用精彩不断。模型的快速迭代 与 AI 手机聚集数据流并拥有智能会在 2026 年推动 4 个领域明确的投资机会。1）算力的争夺 更加激烈，且上限非常高。2）空天时代成为算力领域斜率最高的方向。3）机器人可能变得 能听懂话，且结合环境执行多种任务。4）AI 应用渗透率临近甜蜜点（5%～20%为新科技渗 透率甜蜜区）。

四象一：一切仍指向算力，2026 国产算力爆发之年

2.1 一切仍然指向算力，Scaling Law 从训练侧向推理侧拓展

大模型三大 Scaling 定律：预训练（pre-training）/后训练（post-training）/推理深度思考 （test-time long thinking）。算力与应用循环促进： 算力 Scaling—>智能提升（Intelligence） —>应用的广泛采用（Adoption）—>经济效益（Profits）—>算力 Scaling。GPTo1 之后，模 型 Scaling law 从单一的预训练（pre-training）向三大 Scaling 转变。1）模型在回应用户 之前产生很长的内部思考链，思考时间越长，答案的质量就越高；2）Multi-agent 进一步提升 模型性能，但其 Token 消耗量往往达到对话聊天的数倍。

训练层面，预训练重启，后训练加码。预训练方面，DeepSeek 团队在论文中坦言，受训练 算力约束，DeepSeek-V3.2 的世界知识广度仍落后于领先闭源模型（如 Gemini 3 Pro），后 续将通过扩大预训练规模补齐能力上限。此外，V3.2 往往需要更多 token 才能逼近 Gemini-3.0-Pro 等模型的输出质量，未来将聚焦提升推理链的“智能密度”，以更少 token 达 到同等效果；后训练投入强度提升：DeepSeek 认为开源模型后训练投入普遍不足并制约任务表现，因此将后训练算力预算上调至超过预训练成本的 10%。 推理方面，MiniMax M2、DeepSeek V3.2 等国产大模型，把“思考 → 行动 → 观察 → 再 思考”的动态循环模式（Interleaved Thinking）融入推理流程，正成为 Agent 模型标配。我 们认为，国内 Interleaved Thinking 范式渗透，能够显著提高 Agent 的准确性和规划能力， 2026 年 Token 消耗与推理需求有望加速爆发。

2.2 国产 GPU：产能+性能持续突破，26 年加速爆发

智算中心持续扩容，国产替代加速。根据 IDC 数据，2020 年中国智能算力规模为 75.0 EFLOPS，到 2028 年预计将达到 2,781.9 EFLOPS，预计 2020-2028 年复合增长率达到 57.1%。随着地缘政治紧张局势推动中国企业寻求本地替代方案，以及国产芯片技术的稳步提 升，国内云服务提供商正在加速构建异构环境（将不同类型的芯片结合使用，如 CPU、GPU、 国内替代芯片）。例如，腾讯云已将其异构计算平台全面兼容所有主流国产芯片，以满足内部 开发和客户对 AI 算力的需求 。根据 Bernstein Research，2024 年中国 AI 加速芯片市场中， 英伟达、AMD 市场份额分别为 66%、5%，合计占比达 71%。但受益于国产替代趋势及供应 链安全需求，国内计算芯片公司正迅速提升。其中，华为海思/沐曦/摩尔市场份额已分别达到 23%/1%/1%。

CSP 厂商加速适配，助力国产芯片生态建设。英特尔的 X86 生态、英伟达的 CUDA 生态之所 以难以撼动，核心在于形成了“芯片 -软件-应用”的闭环。而当前国产阵营中，华为昇腾、 阿里平头哥、壁仞科技等芯片厂商各有技术路线，生态分散问题显著。腾讯集团高级执行副总 裁汤道生在交流中坦言，不同参数规模的 AI 模型需要适配不同芯片配置，当前只能通过与多 家厂商合作实现场景覆盖。百度、阿里等企业加速适配国产芯片，推动“芯片-模型-应用”闭 环形成。

国产通用 GPU 从“可用”向“好用”升级。国产 GPU 在性能指标、软件生态、应用适配等 方面与 NV 最先进一代仍有差距，但已基本追平 H20、A100 等，且在本地化服务、政策支持、 成本控制等方面具备优势。随着资本持续注入，国产企业有望在细分场景实现突破，逐步扩大 市场份额。1）算力指标上：国内多数头部企业主流在售产品的 FP16/BF16 在 100-300 TFLOPS 左右，处于英伟达 A100 产品阶段，少数厂商通过先进封装等方式实现接近英伟达 H100 产品的算力，为国内最先进水平；2）显存方面：国内企业结合自身产品特点，分别选 择 HBM2e、HBM2、GDDR 等显存类型，显存带宽在 0.5-2 TB/s 左右。

供给侧：中芯国际作为中国集成电路领导者，产能/利用率持续提升。11 月 13 日，中芯国际 披露 2025年第三季度财报，2025Q3中芯国际营收 171.62亿元，环比增长 6.9%，毛利率 25.5%； 月产能为 102.28 万片(折合 8 英寸)，同比增加产能约 13.85 万片(折合 8 英寸)；产能利用率达 95.8%，环比增长 3.3 个百分点。中芯国际产能全球第三，约为台积电的三分之一。公司资本 支出维持高位，未来产能或将继续增加。

2.3 入口之战已打响，大厂持续加大投入

入口不再仅限于手机，而是演变为“OS 级智能体”与“超级 APP“层面较量。1）超级 APP 的入口之争已经打响。2025 年 12 月 24 日，字节跳动旗下 AI 应用豆包宣布日均活跃用户数 （DAU）突破 1 亿；千问 App 近期持续扩大投流，截止 12 月 10 日（公测 23 天）月活已突 破 3000 万，下成全球增长最快 AI 应用。阿里巴巴在内部沟通中提及，千问 C 端事业群的首 要目标是将千问打造成为一款超级 APP，成为 AI 时代用户的第一入口；2）“入口之战”从 流量分发层推到了系统权限层，已成必争之地。豆包绕开传统接口，用“看屏幕+代操作”的 方式在现有生态之上再搭一层“AI 操作系统”，AIOS 直接触碰微信、支付宝等超级 App 的 商业命门，传统 App 时代的游戏规则面临挑战，微信、淘宝等超级 App 陆续封禁豆包手机权 限。但值得注意的是，华为、小米、荣耀、OPPO、vivo 等品牌均在旗舰机型里注入 AI Agent 能力，模型厂商仍有望通过开源或广泛结盟来绕过 APP 厂商的封锁。

2.4 存储：AI 训练/推理持续拉动存储需求

AI 大模型推理拉动存储需求快速增长。训练侧，SSD 不仅负责储存模型参数，包含不断更新 的权重和偏差，而且可以创建检查点（check point），以定期保存 AI 模型训练进度，即使训 练中断也能从特定点恢复；推理侧，主要包括三个方面：1）LLM fast loading & KV caching： 快速装载模型相关内容并支持 KV 缓存，加速推理响应；2）Content store：推理侧需要内容 存储作为在线供给（可理解为面向推理的内容/数据仓储）；3）RAG：检索增强生成把“检索” 引入推理闭环，推理链路对存储访问更敏感。存储芯片市场正经历一场由 AI 驱动的、前所未 有的全面缺货与涨价潮。进入第四季度非但没有趋缓，反而有进一步加剧的迹象。

2.5 超节点：产能+性能持续突破，26 年加速爆发

Scale-up 与 Scale Out 持续拓展。大模型需要采用多机多卡集群的方式进行训练，主流的并 行训练方式有数据并行、模型并行（张量并行、流水线并行）、专家并行等。张量并行和专家 并行的并行计算方式，每次迭代数据量达几百 GB，GPU 互联需要超高带宽和极低时延，以 压缩 GPU 之间的通信开销成本。随着大模型参数规模指数级增长，单卡有效算力难以应对超 大规模的算力需求，高带宽、低延迟的卡间互连技术成为关键竞争要素，对 GPU 集群互连 拓扑结构也提出了更高要求，驱动了纵向扩展（Scale-up）与横向扩展（Scale-out）网络架 构的技术演进。

国产超节点陆续发布，2025 年是超节点产业的“加速渗透年”。从华为昇腾 384 超节点真机 在 2025 世界人工智能大会期间首秀，到 12 月 18 日中科曙光 scaleX 万卡超集群真机亮相， 超节点已经加速从技术突破走向产品落地。华为、中科曙光、阿里、百度等头部企业均发布超 节点产品，中兴通讯、浪潮、新华三、超聚变等企业纷纷跟进推出解决方案，形成全面竞争格 局。

编辑：火腿肠