夜雨聆风国内电子信息制造业一季度增加值同比增长11.5%，增速显著高于工业整体水平。
三个核心原因：
2025年之前，AI主要是生成式AI——生成文本、图像、音频、视频等内容。
2026年，AI开始向智能代理模型升级——不仅生成内容，还能执行复杂任务链，自主完成工作。
智能代理模型比生成式AI对算力的需求高出数倍。
大模型的参数量、数据量、复杂度都在快速增长。
AI应用场景，从早期的文本生成、图像生成，扩展到智能驾驶、机器人、工业控制、医疗诊断……
应用场景的爆发，带来了算力需求的爆发。
这个投资规模，是史无前例的。
四个核心环节：
AI训练和推理，对芯片的性能、功耗、成本提出了全新的要求。
GPU（图形处理单元）成为AI算力的核心硬件，英伟达凭借GPU垄断了80%以上的AI芯片市场。 ASIC（专用集成电路）开始崛起，谷歌TPU、百度昆仑、华为昇腾……这些专用芯片在特定场景下展现出更好的性能和能效比。
AI训练和推理，对存储的容量、速度、带宽提出了全新的要求。
HBM（高带宽内存）成为AI训练的核心存储，HBM2、HBM3、HBM4……带宽和容量不断提升。 SSD（固态硬盘）容量和速度不断提升，PCIe 5.0、NVMe……接口标准不断升级。
AI训练需要数据中心内部大量数据传输，对光模块的速度、密度、功耗提出了全新的要求。
400G、800G、1.6T……光模块速度不断提升。 CPO（光电共封装）技术开始普及，光模块与芯片封装在一起，提升传输效率。
AI芯片和光模块的复杂度不断提升，对PCB电路板的层数、精度、材料提出了全新的要求。
高速PCB、高频PCB、高密度PCB……技术不断升级。 AI服务器、AI交换机的PCB电路板需求大幅增长。
全球云厂商（AWS、Azure、Google Cloud、阿里云、腾讯云、华为云……）都在大规模建设AI算力基础设施。
2026年，全球云厂商在AI算力基础设施上的投资超过5000亿美元。
这个投资规模，是云计算历史上前所未有的。
智能驾驶、智能座舱、智能网联……智能汽车对算力的需求快速增长。
一辆高端智能汽车，可能需要几十TOPS（每秒万亿次运算）的算力。
全球智能汽车出货量快速增长，2026年预计超过3000万辆。
智能手机、智能手表、智能眼镜、智能音箱……端侧AI设备对算力的需求快速增长。
端侧AI，可以提供更低的延迟、更好的隐私保护、更低的成本。
工业控制、智能制造、智能物流……工业互联网对算力的需求快速增长。
工业互联网，是AI从虚拟世界走向物理世界的关键环节。
三个核心影响：
英伟达凭借GPU垄断了80%以上的AI芯片市场。
2026年，英伟达的市值超过2万亿美元，成为全球市值最高的公司之一。
AI芯片价格高企，压制了AI应用的普及速度。 其他芯片厂商加大量子芯片的研发和竞争。
AI算力爆发，对中国芯片产业既是机遇，也是挑战。
中国有完整的电子产业链，有AI芯片研发和制造的基础。
中国在先进制程工艺上与国际领先水平仍有差距。
AI算力爆发，正在推动全球产业链的区域化重构。
一方面，各国出于供应链安全考虑，正在推动AI芯片制造的本土化。
另一方面，美国对中国等国家的出口管制，加速了产业链的区域化。
传统计算，通用CPU可以处理各种任务。
AI计算，专用芯片（GPU、ASIC、NPU）在AI任务上表现出更好的性能和能效比。
AI专用芯片市场快速增长，2026年预计超过5000亿美元。 芯片设计更加专业化，不同AI任务需要不同的专用芯片。
AI训练和推理，需要巨大的算力。
一方面，单台服务器的算力有限，需要多台服务器协同工作。
另一方面，数据分布在不同的位置，需要在不同的位置进行计算。
数据中心集群化，算力基础设施规模不断扩大。 边缘计算兴起，算力从云端向边缘侧、终端侧延伸。
AI算力，不仅依赖硬件，也依赖软件。
算法优化、编译器优化、调度优化……软件层面的优化，可以大幅提升算力利用率。
软件在AI算力中的重要性不断提升，软件生态成为竞争焦点。 软硬件协同设计成为主流，芯片设计和软件设计同步进行。
三个核心启示：
对于科技企业，算力是核心竞争力。
算力决定训练模型的规模，模型规模决定AI能力，AI能力决定产品竞争力。
对于AI应用企业，算力成本是商业化核心变量。
算力成本影响AI应用的利润率，影响AI应用的定价策略，影响AI应用的商业模式。
对于中国企业，算力布局是战略选择。
算力可以购买，可以自建，可以混合使用。
算力可以在云端，可以在边缘侧，可以在终端侧。
三个投资逻辑：
AI算力爆发的核心是芯片。
GPU、ASIC、HBM、PCB……芯片和芯片相关硬件，是核心投资标的。
AI算力的价值在于应用。
AI应用企业，是AI算力爆发的长期受益者。
AI算力需要基础设施支撑。
数据中心、光模块、电源、散热……这些基础设施，是AI算力爆发的稳健受益者。
AI算力技术迭代速度极快，今天的技术明天可能就过时。
投资AI算力硬件，面临技术折旧过快的风险。
需要采用更灵活的硬件架构，需要更快的迭代速度，需要更好的技术路线判断。
AI算力成本高昂，算力投入回报周期长。
算力投入如果不能带来相应的商业回报，就会形成成本压力。
需要更精确的算力成本测算，需要更高效的算力利用，需要更清晰的算力投入策略。
AI算力依赖全球供应链，供应链断裂会影响算力供给。
美国对中国的出口管制，就是典型的供应链风险。
需要多元化供应链，需要自主研发，需要产业链自主可控。
AI算力爆发，降低了AI应用的门槛。
企业、个人、机构……都可以更容易地使用AI能力。
AI算力爆发，加速了各行各业的数字化转型。
传统行业，通过AI算力，可以实现智能化升级。
AI算力是前沿技术，算力竞争是科技竞争的核心。
美国、中国、欧洲……都在AI算力领域投入巨资，竞争非常激烈。
未来，AI模型参数量、数据量、复杂度将持续增长。
AI应用场景将不断扩展，AI应用将更加广泛。
未来，AI算力技术将持续演进。
芯片技术、存储技术、光模块技术、PCB技术……都将不断升级。
未来，AI算力竞争将持续加剧。
美国、中国、欧洲等国家都在加大量子计算投入，新兴企业不断涌现。
三个核心机遇：
中国是全球最大的AI应用市场，AI算力需求巨大。
云厂商算力建设、智能汽车电子化、工业互联网升级……都带来巨大的算力需求。
中国有完整的电子产业链，有AI芯片研发和制造的基础。
AI算力爆发，将激活中国电子产业链的各个环节。
中国在AI芯片、AI存储、AI光模块等领域有技术突破的潜力。
AI算力爆发，将推动中国AI算力技术的快速发展。
三个核心挑战：
美国对中国的出口管制，限制了中国获取高端AI算力硬件的能力。
这限制了中国AI算力基础设施的快速建设。
中国在先进制程工艺上与国际领先水平仍有差距。
这限制了中国高端AI芯片的制造能力。
AI算力需要软件生态支撑，中国AI算力软件生态还在建设中。
这限制了中国AI算力的利用效率。
这不是传统手机、PC单一终端拉动的周期行情。
这是云厂商算力建设、智能汽车电子化、端侧AI终端普及、工业互联网升级共同发力形成的"多场景需求共振"。
存储环节，从传统存储向高速大容量存储重构。
光模块环节，从低速向超高速重构。
PCB电路板环节，从普通板向高速高频高密度板重构。
