2025第37期 总第79期
阅读本文默认已阅读并同意文末免责及版权声明
【要点】
在明确人工智能与机器人的宏观发展趋势后，本节将深入剖析AI产业链的具体细分赛道及其潜在的战略布局机遇。分析将遵循从软件到硬件、从核心到支撑的逻辑顺序展开。
先讨论人工智能（AI）。在软件层面，大模型架构发展的核心逻辑在于平衡模型能力、计算效率与扩展性，其长远演进方向必然是超越传统的Transformer架构。然而，需清醒认识到，在通用大模型的基础架构研发领域，几乎不会有初创企业专做理论研究。该领域存在极高的技术、资本与生态壁垒：新架构的训练与验证需应对算力消耗、能源成本与显存管理的巨大挑战，且模型性能极度依赖于TB乃至PB级别的高质量、低噪声与合规数据。对于大多数初创企业而言，这是一个资本密集、研发周期长、不确定性高的领域，短期投入产出比（ROI）通常难以达到预期。
图表1：奠定Transformer架构的著名论文《Attention is all you need》的八位作者照片。某次采访中，其中一位作者Llion Jones（英籍）透露，论文名是对披头士乐队歌曲“All You Need Is Love”的致敬。（来源：WIRED）
因此，对于常州这类工业根基深厚的城市，盲目追逐通用大模型研发并非资本的最优配置方向，战略重心应聚焦于自身优势产业（如智能制造、新能源）的垂直领域模型。常州强大的制造业基础为AI技术在工业质检、设备预测性维护、生产流程优化等具体场景的训练、迭代和商业化应用提供了不可或缺的土壤，也意味着技术解决方案能在此经历严格的生产环境检验。此类垂域AI项目通常具备更清晰的应用边界、更短的商业化验证周期与更明确的客户付费意愿，因而成为风险更可控、回报路径更清晰的优质投资标的。
在硬件层面，人工智能上游产业链点多面广，且与本地产业禀赋一致性高，存在丰富的战略布局机遇。
（一）计算芯片
计算芯片是执行运算与逻辑判断的核心组件，当前主流计算单元呈现多元化发展格局，主要包括CPU、GPU、ASIC（如DPU）、DPU、FPGA等。
图表2：当前主流单元的多元化发展格局
这里我提一下RISC-V。RISC-V是开源指令集，在物联网、边缘计算等新兴领域具有灵活性优势，可能是差异化竞争的一个重要方向，中科院计算所其实在这块走的比较前，但是目前商业模式也还没明确。
CPU：可能是大家最熟悉的，采用串行运算方式，一次只能进行一项计算任务。优势在于逻辑控制方便与计算通用性好。当前全球主流CPU芯片架构均由英特尔、AMD公司、苹果、谷歌、IBM、英伟达等耳熟能详的国际巨头主导。人们需要指定指令集才能真正操纵底层的CPU和硬件。指令集架构因为捆绑软件和硬件生态，所以具有很强大的话语权。例如有的ARM架构的笔记本，甚至不支持Photoshop，就是因为底层的指令集是不通用的。这一块国内CPU企业其实初露曙光，可重点关注自主指令集架构的研发与生态构建（如龙芯的LoongArch），虽在核心指标上存在差距，但在政务、金融、超算等关键行业市场，信创、信息安全及国产替代是一个相对持续较长的逻辑。
RISC-V作为开源指令集，在物联网、边缘计算等新兴领域展现出显著的灵活性优势，可能是差异化竞争的一个重要方向，中科院计算所在这方面比较成熟，但目前的商业模式仍未确定。
GPU：显卡的核心部位，其虽然是为图形渲染设计的，但是底层和CPU不同，采用并行计算架构，其设计特点恰好高度契合AI模型训练计算的各项要求，目前GPU已成为训练复杂和大规模机器学习模型的首选。
在GPU之外还有其他的计算芯片。尤其是在算力需求的两大趋势——也就是算力的使用场景开始细分、用户对算力性能的要求越来越高的大背景下，其实芯片的定制化需求是越来越高的，由此产生了ASIC的概念——即依产品需求不同而定制化的特殊规格集成电路。比如谷歌搞了个TPU，就是专门为加速深层神经网络运算能力而研发的芯片。除此之外，英特尔、英伟达也都相继发布ASIC芯片，国内ICG、寒武纪、比特大陆、地平线、阿里巴巴等也都推出了深度神经网络加速的ASIC芯片。
图表3：CPU、GPU、ASIC和FPGA特性对比（来源：中信证券）
ASIC因为是定制的，可以实现极致的体积、功耗、能效，但研发和耗资巨大，而且一旦算法变化就可能无法使用。由此，FPGA应运而生，FPGA可以后天进行编程实现各种电路的互连和通信，例如数据通路、控制通路等，所以非常灵活。理论上，FPGA能够实现各种ASIC的逻辑功能，但功耗、性能还是略逊于定制化不可变的ASIC。它们可以相对简单粗暴地理解为专用扳手和瑞士军刀的区别。
（二）芯片制造与高端封测
芯片的制造是我国产业发展的关键瓶颈。国内厂商在设计、仿真环节已具备一定能力，但在流片与生产环节尚未实现完全自主可控。无论是存储芯片、CPU/GPU/TPU还是FPGA，均需要尖端制程的光刻技术。制程越先进，数值越小，表明晶体管的尺寸越小，能够集成更多的晶体管在同一芯片上，从而提高芯片的性能，降低功耗，减少发热，并可能降低成本。目前，存储芯片的先进工艺位于18-15nm之间，而逻辑芯片最先进的工艺均已处在3nm制程的水准并向2nm突破。而国内光刻机目前依然仅在28nm及以下制程具备较优良率，14nm有关技术仍由中芯国际、华虹半导体进行探索，尚未成熟。此外，FPGA领域，国际龙头已推出采用7nm FinFET工艺的FPGA产品，而国内FPGA量产产品中最为先进的仅采用了28nm的工艺制程，主流产品仍采用55nm的工艺制程，差距还是很大的。
其次，生态壁垒是另一座大山，那么芯片制造的产业链基础环节的薄弱也制约了整体发展，比如芯片设计所需的EDA工具和核心IP主要掌握在国际厂商手中，国产替代品在功能完备性和生态兼容性上差距依然不小。
从更大的半导体产业链来看，当前国内半导体设备总体国产化率不足20%，自给率仍然处于较低水平，简单来说，也就是未来成长空间很大。另一方面，科技制裁也倒逼了半导体行业国产化的加速。2018年以来，美国先后对我国的半导体行业实施多次限制，目前来看主要还是针对先进工艺。因此，我们想出了迂回包抄的路子，也就是高端封测，通过封装技术来提升芯片整体性能。高端封测技术能够将不同工艺、不同功能的芯片模块像搭积木一样集成在一起，从而实现更高的互联带宽、更低的功耗和更小的体积。这意味着我们或许可以通过封装领域的创新，部分弥补在单一先进制程上的短板。
除此以外，即使国内光刻机技术取得突破，高端封测的重要性也不会降低，反而可能更加凸显。所以某种意义上它是半导体产业中一条不可或缺的独立赛道。高端封测领域，笔者认为可以重点关注以下几个方向，一是技术平台型龙头，例如长电科技（全球领先）、通富微电（在高性能计算封测领域实力强劲）；二是细分领域创新者，如在特定先进封装技术（如硅光子集成、玻璃基板等）或设备材料领域有所突破的公司；三是产业链配套机会，如封装光刻机、测试设备、封装基板、特种化学品等领域的国产供应商也值得关注。
为了适配AI大模型的运算需求，内存技术也正沿着三条主要路径进化：高带宽内存（HBM）、图形用双倍数据传输率存储（GDDR）及非易失性内存固态硬盘（SSD）。
全球存储芯片市场其实是高度集中在三星、SK海力士和美光三大国际巨头手里的，属于高度寡头垄断的市场，合计占据超过90%的市场份额。国内长江存储、长鑫存储等在部分领域实现突破，正逐步缩小技术差距，不过在高端存储技术上国内产业其实仍面临来自国际巨头很大的挑战。
（三）存储与数据传输
AI数据量的爆炸式增长对“存力”（包括即时读写的内存和长期存储的硬盘）提出了更高要求。为了适配AI大模型的运算需求，内存技术正沿高带宽内存（HBM）、图形用双倍数据传输率存储（GDDR）及非易失性内存固态硬盘（SSD）三条路径演进。全球存储芯片市场呈现高度寡头垄断格局，由三星、SK海力士和美光三大国际巨头主导，合计占据超过90%的市场份额。国内长江存储、长鑫存储等在部分领域实现突破，正逐步缩小技术差距，不过在高端存储技术上国内产业其实仍面临来自国际巨头很大的挑战。
AI训练及调取的巨大数据量也对数据高速高宽带传输提出了较高的要求，目前以光缆和铜缆为主。光缆主要应用于长距离、高带宽、低延迟场景的传输，铜缆主要用于短距离和低带宽需求的传输。
图表4：传输速率的演变和预测（来源：Yole）
光模块是用于设备与光缆之间光电转换的接口模块，主要用于实现光电信号的转换，是现代光传输网络中的必要器件。光模块是AI投资中网络端的重要环节，其与训练端GPU出货量强相关，同时推理段流量需求爆发也有望带动需求增长，800G及以上速率的光模块将是未来发展的重点。
（四）散热系统
上文提到大规模运算必然带来发热，所以光模块及各类芯片需匹配冷却系统。目前主流的液冷架构有两种：冷板和浸没式。
冷板路线是在服务器背后直接加装液冷板，将数据中心IT设备的热量传导到冷板上，然后通过冷板内部液体循环实现换热，再通过室外冷却塔等设备实现散热。浸没式则是直接将服务器电子元器件浸入特制具备高热传导性的冷媒中，冷媒沸点低，可以快速将服务器产生的热量传导出去，从而产生更高效的散热效果。
目前冷板式液冷还是最主流的液冷方案，IDC的数据，2023全年中国液冷服务器市场规模15.5亿美元，其中95%以上是冷板式液冷解决方案。 随着算力需求的增加，机架功率密度将快速上升，新建机架功率20kW起步，并向60kW普及，因此，未来十年很可能是冷板液冷技术的高速发展期，预计液冷数据中心占比将超过六成。英伟达日前就新发布了GB200多节点液冷机架级扩展系统，能够大幅提升大规模训练速度。
图表5：GB200 NVL72多节点液冷机架级扩展系统
（来源：Weibo硅谷陈博士、英伟达）
（五）边缘计算
常投格物·产研说（总第76期）| 浅谈AI及机器人赛道的投资价值和金融赋能（二）提到，“大模型变小”是大模型重要的发展方向，在硬件端就是体现为边缘计算。这是一种将数据处理和分析任务从云端迁移到网络边缘（靠近数据源头，如IoT设备、网关或本地服务器）的分布式计算范式，通过就近计算，可显著降低数据传输延迟、节省网络带宽并增强数据隐私安全。可以关注的方向包括边缘服务器、AI加速芯片以及专用的边缘AI硬件；其次是边缘AI解决方案与服务，即在特定行业（如智能制造、智能网联汽车、智慧医疗）中提供软硬件结合的整体解决方案；此外，轻量化AI模型的设计、优化与部署工具链也是一个重要方向。
其实在边缘计算领域存在一些确定性较高、增长潜力明确的细分赛道，例如工业互联网领域的产线实时监控、工业质检，智慧城市领域的信号灯动态配时、公共安全监控，以及智能驾驶等。边缘计算通常会与云端智能结合，形成1+1远大于2的效果。比如华为的智驾系统就是采用的“云-边协同模式”为例，让车侧处理常规和紧急事务，保证实时性和可靠性；云端负责迭代升级和攻克难题，为边缘侧提供越来越聪明的“大脑”。图表6所示即为发布会的现场，在较长一段时间里，“云+边”会是一种非常标准化的算力配置。
图表6：华为的云+边模式（来源：央视新闻、华为）
三、数据服务
数据是AI模型训练与迭代的基石。大部分AI应用属于有监督学习，这催生并强化了数据标注这一关键基础服务产业的存在价值，因为它为算法提供了学习的基础。计算机需要知道对于每个输入，正确的输出是什么，从而进行训练（比如有哪些特征的瓜就是好瓜）。可是大量原始数据是没有标出其标签或者特征的，这就需要使用人工标注（甚至诞生了数据标注员这一职业以及外包平台），或者使用其他AI标注。国内数据标注厂商，广义也被叫做基础数据服务商，通常需要完成数据集结构/流程设计、数据处理、数据质检等工作，为下游客户提供训练数据集、定制化服务。
图表7：为了训练识别模型，需要手动把汽车框选出来给模型训练
（来源：深圳市人工智能产业协会）
对于工业领域的AI应用，常面临冷启动挑战，即初始阶段缺乏足量、有效的标注数据（如工业缺陷样本）。比如我们现在需要对零件里的次品进行分拣，我们需要大量次品的数据或图像，可是很多时候我们还没开工，没有这么多不良零件的数据，也就是AI模型的“冷启动”问题。不过类似GPT的通用模型，在冷启动上具有一定优势（前文中提过泛化的概念，GPT模型泛化性能很强，可以“无中生有”）数据作为AI底层服务，核心逻辑就是为下游客户降本增效。数据标注需要企业懂得行业know-how，能够根据客户需求，快速找到并利用与场景最为贴合的数据和人才资源。
数据服务的核心竞争力在于深度理解行业知识，并为下游客户实现降本增效。产业链相关企业主要分为以下几类：一是专业的AI训练数据服务商；二是数据治理与数据分析服务商；三是依托众包模式的数据采集与标注平台；四是各垂直行业中拥有独特、高价值数据资源并致力于数据资产化的企业。
未来，随着多模态大模型和具身智能的快速发展，多模态数据、推理思维链数据、长视频数据等将成为高质量数据集建设的新焦点。同时，数据要素市场化进程的加速、数据资产入表及相关交易活动的活跃、数据安全服务的深化，以及“东数西算”国家工程和全国一体化算力网建设的推进，都将衍生出重要的新兴市场机遇。
在下一期，我们将围绕常州本地人工智能与机器人产业链的协同创新机遇展开分析。
免责及版权声明
本文信息仅为内部研究学习使用，不构成任何投资建议。任何阅读本文的投资者不应以上述信息取代其独立判断或仅根据该等信息做出决策。作者力求所载信息准确可靠，但对这些信息的准确性或完整性不作任何保证，亦不对因使用该等信息而引发或可能引发的损失承担任何责任。同时,以上内容亦受版权保护，未经我司事前书面同意，不可对此等材料的任何部分有下列侵权行为，包括但不限于修改、翻版、储存于检索系统、传送、复制、分发或以任何其它方式作商业或公共用途。