人工智能系列（二）：AI驱动下的电子行业新周期

AI驱动下的电子行业新周期评级：强于大市（维持）2026年10月22日王炤杰 电子行业分析师执业编号：S1750526070001邮箱：wangzj@jypscnet.com人工智能系列（二）证 券 研 究 报 告目录CONTENTS1 AI算力演进与硬件升级2 景气周期的三大驱动3 电子行情复盘与估值重估4 市场分歧与投资定力AI算力演进与硬件升级l 全栈算力竞争l 存储互联升级l 超节点突围l 供电散热接力01AI算力竞争正在从单卡峰值性能，转向集群效率、能效与总体拥有成本（TCO）的较量。国产超节点有望通过大规模互联缩小单卡差距，但单位算力成本仍需优化；推理复杂化推动存储、互联和PCB价值量提升，机柜功率密度上行进一步打开供电与散热空间。硬件机会将沿系统瓶颈的迁移逐步扩散。AI算力需求持续扩张，模型迭代与应用落地驱动基础设施升级训练与推理需求双轮驱动，AI算力成为关键基础设施：大模型能力持续提升，多模态、深度推理及智能体等应用加速演进，推动AI算力需求从大规模模型训练向训练与推理并重转变。算力基础设施已成为支撑AI技术进步和商业化落地的重要基础。算力需求持续增长，系统效率与能源约束的重要性提升：根据IEA于2026年发布的研究，全球数据中心用电量预计由2025年的485TWh增长至2030年的945TWh，接近翻倍。AI是重要驱动力，算力基础设施竞争逐步从单芯片峰值性能延伸至集群互联、资源利用率及整体能效。全球数据中心用电量持续增长单位：TWh10007505002500485.120255602026E664.42027E7732028E862.42029E9452030E2025：历史估算2026—2030：基准情景预测算力需求演进方向模型训练更大模型规模、更复杂训练任务、更高集群性能需求规模化推理更长上下文、智能体、多模态及实时服务，推动低成本推理需求算力基础设施升级高带宽内存、高速互联、集群调度、供电散热与TCO优化数据来源：IEA《KeyQuestionsonEnergyandAI》（2026），金圆统一证券研究所算力竞争由单卡延伸至全栈，软件生态构筑长期壁垒全球AI算力竞争正从单芯片性能比拼，逐步走向芯片、互联、软件生态与系统集成的全栈竞争。数据来源：金圆统一证券研究所昇腾产品规划持续迭代，国产算力性能提升值得关注产品迭代节奏清晰，算力性能持续跃升。昇腾950系列布局2026年，960系列规划2027年推出，970、980系列分别面向2028年和2029年，形成接近“一年一代、算力翻倍”的演进路线。核心性能指标同步升级，持续突破算力瓶颈。FP8算力从950系列的919TFLOPS，提升至960系列的2PFLOPS、970系列的3.6PFLOPS，980系列初步规划达到7.2PFLOPS。显存容量、带宽及互联能力同步增强，逐步完善产品竞争力。昇腾950—980系列规划参数（980为初步规格）关键指标950PR950DT960DT960PR970980*规划节点2026Q12026Q42027Q12027Q320282029FP8算力919TFLOPS919TFLOPS2PFLOPS2PFLOPS3.6PFLOPS7.2PFLOPS*FP4算力1.784PFLOPS1.784PFLOPS4PFLOPS8PFLOPS14PFLOPS28PFLOPS*显存容量128GB144GB288GB192GB288GB384GB*显存带宽1.6TB/s4.0TB/s9.6TB/s2.4TB/s14.4TB/s38.4TB/s*互联带宽2.0TB/s2.0TB/s2.0TB/s2.2TB/s4.4TB/s8.0TB/s*精度扩展基础格式基础格式增加HiF4增加HiF4增加HiF4增加HiF4*数据来源：湾芯展，金圆统一证券研究所国产超节点以系统规模补足单卡差距，能效与TCO仍待优化单芯片竞争转向系统整体能力竞争：国产算力通过大规模芯片互联与系统级集成，弥补单芯片性能差距。华为CloudMatrixCM384在系统总算力、显存容量等方面展现规模优势，推动超节点向更高算力密度发展，但仍需综合优化能效与TCO（建设和运营成本）。国产路线多规格并行，开放兼容，推理先行：国内云厂商及服务器厂商加速推出高密度超节点方案，形成以太网与自研互联并行、多种芯片架构兼容的技术格局。重点围绕高密度部署、整柜交付、供电散热和整体成本优化，逐步从推理应用向训练场景拓展。昇腾vs英伟达芯片级GB200昇腾950DT华为/英伟达FP8稠密算力(TFLOPS)50009190.2xHBM容量(GB)1921440.7xHBM带宽(TB/s)840.5xScale-Up单向带宽(Gb/s)7,20020160.28xScale-Out单向带宽(Gb/s)4004001.0x系统级GB200NVL72CloudMatrixCM384-910C华为/英伟达BF16稠密算力(PFLOPS)1803001.7xHBM容量(TB)13.849.23.6xHBM带宽(TB/s)5761,2292.1xScale-Up单向带宽(Gb/s)64,800134,4002.1xScale-Up域规模(GPU数)723845.3xScale-Out单向带宽(Gb/s)28,800153,6005.3x系统总功耗(W)145,000559,3783.9x单位算力功耗(W/TFLOP)0.811.872.3x单位带宽功耗(W/(TB/s))251.7455.21.8x单位容量功耗(kW/TB)10.511.41.1x国产超节点方案梳理云厂商服务器厂商架构对比腾讯ETH-X百度天池字节大禹阿里磐久AL128新华三UniPoDS80000发布年份2025年2025年2025年2025年2026年AI加速卡多GPU厂商支持昆仑芯兼容国产GPU适配主流GPU卡平头哥多种XPU异构算力AI加速卡数64卡32/64卡最小交付单元单柜64/128卡可扩至256卡单柜（双宽）128卡基本单元32卡单柜64卡最高1024卡Scale-Up互联方案以太网RoCE以太网基于博通TD5自研EthLink兼容多种XX-Link非以太ALink兼容UALinkNVLink/UBScale-UpScale-Out统一全互联计算/交换16/8或1216/824/816+16/8+816/8（单柜）供电能力最大120kW最大120kW最大240kW最大350kW单柜350kW以上机柜散热液冷为主风冷为辅风液混合XPU液冷风液混合散热500kW单GPU2kW液冷高功耗部件全液冷数据来源：湾芯展，各公司官网及白皮书，金圆统一证券研究所推理工作负载持续复杂化，显存与互联需求有望进一步增长业内对现有Transformer架构与训练范式继续scale的进步空间普遍乐观，甚至认为可直达AGI。2026年下半年，海外头部基础模型的参数规模预计进一步向10万亿级迈进，GPT-6预计达到约8万亿参数，部分下一代模型的参数规模可能更高。参数规模迈向十万亿量级，对产业链的直接影响体现在训练与推理两端。Ø 训练侧：十万亿参数模型的单次完整训练需数万张高端加速卡持续运行数月，对集群互联带宽、故障恢复能力与能