大模型训练算力基础设施与芯片产业链专题研究报告

PAGE1大模型训练算力基础设施与芯片产业链专题研究报告摘要大模型训练算力基础设施与芯片产业链是人工智能发展的核心基石。本报告系统梳理了中国AI算力芯片产业的现状、格局与趋势。截至2025年6月，中国智能算力规模达788EFLOPS，在用算力中心机架总规模达1085万标准机架。2025年中国AI计算加速芯片市场规模预计达2398亿元，全球AI算力芯片市场销售额达4771亿元。国产AI芯片市占率已突破41%，华为昇腾以81.2万张出货量稳居国产第一，寒武纪实现上市以来首次年度盈利（营收64.97亿元），海光信息营收达143.77亿元。在美国出口管制持续收紧的背景下，国产替代加速推进，"东数西算"工程与智算中心建设为产业发展提供强劲支撑，但也面临生态不成熟、先进制程受限、算力成本高等挑战。一、背景与定义1.1大模型与算力的关系大语言模型（LargeLanguageModel，LLM）是当前人工智能领域最具变革性的技术方向之一。从GPT系列到国内的DeepSeek、文心一言、通义千问等，大模型的发展呈现出参数规模指数级增长、训练数据量持续攀升、应用场景不断扩展的显著特征。大模型的训练过程需要消耗海量计算资源，以GPT-4为例，其训练过程据估算消耗了约2.15×10²⁵FLOPs的算力，需要数千张高端GPU持续运行数月之久。算力，已成为决定大模型性能上限和应用落地的核心基础设施。算力基础设施是指支撑大规模计算任务所需的硬件、软件、网络和设施的集合，包括AI加速芯片（GPU、NPU、ASIC等）、高性能服务器、高速互联网络、大规模存储系统以及数据中心等。在人工智能产业链中，算力基础设施处于上游核心位置，是连接算法创新与场景应用的关键桥梁。没有充足的算力保障，大模型的训练和推理就无法高效进行，人工智能的商业化落地也将无从谈起。1.2AI算力芯片的分类与技术路线AI算力芯片按照技术架构可分为以下几大类：第一类是GPU（图形处理器），由NVIDIA主导。GPU凭借其高度并行的计算架构，天然适合深度学习中的矩阵运算，是目前大模型训练的主流硬件选择。NVIDIA的A100、H100、B200等系列产品长期占据市场主导地位，其CUDA软件生态更是形成了强大的护城河。2025年，NVIDIA推出BlackwellUltra架构，进一步巩固了其在高端AI训练市场的领先地位。第二类是NPU/ASIC（神经网络处理器/专用集成电路），以华为昇腾系列为代表。这类芯片针对AI计算场景进行专用优化，在特定工作负载下能效比更高。华为昇腾910B/910C、谷歌TPU、寒武纪思元系列均属于此类。NPU的优势在于针对AI算法的深度优化，但在通用性和生态兼容性方面相对不足。第三类是GPGPU（通用GPU），以海光信息深算系列为代表。这类产品在兼容CUDA生态的同时，提供较强的AI计算能力，是国产替代的重要路线之一。海光DCU深算三号性能已达英伟达A100的约90%，且具备良好的CUDA兼容性，在迁移成本方面具有显著优势。第四类是FPGA（现场可编程门阵列），具有灵活可重构的特点，适合推理场景和特定算法加速，但在大规模训练场景中应用较少。1.3算力基础设施的产业链构成大模型训练算力基础设施产业链可分为上游、中游和下游三个层次。上游为芯片设计与制造环节，包括芯片设计（如NVIDIA、华为、寒武纪、海光等）、IP授权（如ARM、Synopsys）、EDA工具（如Synopsys、Cadence）、晶圆制造（如台积电、三星、中芯国际）以及封装测试等。芯片制造是产业链中技术壁垒最高的环节，先进制程工艺直接决定了芯片的性能和能效。目前全球最先进的芯片制程已进入3nm及以下节点，而国内最先进的量产制程仍停留在7nm左右，这是制约国产AI芯片性能提升的关键瓶颈。中游为算力系统集成环节，包括AI服务器制造（如浪潮信息、华为、联想等）、高速网络设备（如InfiniBand交换机、RoCE网络）、存储设备以及数据中心基础设施（供电、散热、机柜等）。AI服务器是大模型训练的核心硬件载体，通常搭载8张或更多高端AI加速卡，单台造价可达数百万元。下游为算力服务与应用环节，包括智算中心运营（如中国电信、中国移动、中国联通等）、云计算平台（如阿里云、华为云、腾讯云等）以及各类AI应用场景（如自然语言处理、计算机视觉、自动驾驶、科学计算等）。智算中心是算力基础设施的集中体现，为各类AI应用提供按需分配的算力服务。二、现状分析2.1全球与中国算力市场规模全球AI算力市场正处于高速增长期。根据QYResearch数据，2025年全球AI算力芯片市场销售额达到4771亿元人民币，预计到2032年将达到22450亿元，年复合增长率（CAGR）为25.1%。全球AI硬件市场规模预计在2033年达到6910.4亿美元。中国市场方面，增长更为迅猛。中商产业研究院预测，2025年中国AI计算加速芯片市场规模将达到2398亿元，2026年将增长至3813.9亿元，增速显著高于全球平均水平。中国AI硬件市场体量在2025年已突破1.1万亿元人民币，成为全球最大的AI硬件消费市场之一。从算力规模来看，截至2025年6月底，中国计算设备算力总规模达962EFLOPS，约占全球总量的21%，同比增长73%。其中，智能算力规模达到788EFLOPS（FP16），同比增速高达96%，在中国总算力中的占比突破81%。这表明智能算力已成为中国算力增长的绝对主力，传统通用算力的占比持续下降。预计2025年全年中国智能算力规模将达1037.3EFLOPS，2026年将增至1460.3EFLOPS。2.2智算中心建设与"东数西算"工程"东数西算"工程是中国算力基础设施建设的国家级战略工程，自2022年启动以来持续推进。该工程规划在京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏等八大国家算力枢纽节点建设数据中心集群，利用西部地区丰富的可再生能源和低廉的土地电力成本，承接东部地区的算力需求。截至2025年6月底，中国在用算力中心机架总规模达1085万标准机架，全国算力中心平均电能利用效率（PUE）降至1.42，绿色低碳水平持续提升。全国规划建设的智算中心已超过120家，形成了覆盖全国的智能算力网络。典型案例方面，甘肃庆阳作为"东数西算"工程的重要节点城市，智算规模已突破10万P（PFLOPS），成功打造为国家"东数西算"标杆城市。中国电信庆阳智能算力中心入选2025年度国家绿色算力设施名单。并行科技的"并行算网"已全面接入62个算力中心，覆盖宁夏中卫、青岛智算中心等关键节点，推动全国算力资源的统筹调度。从投资规模来看，"东数西算"工程带动了大量社会资本投入。据估算，2024-2025年智算中心相关投资累计超过3000亿元，涵盖算力设备采购、数据中心建设、网络互联升级等多个领域。2.3行业竞争格局中国AI算力芯片市场竞争格局正在发生深刻变化。从市场份额来看，2025年国产AI芯片整体市占率已突破41%，较2023年的不足20%实现了大幅提升。英伟达在中国市场的份额从2020年前的95%下降至约55%，且面临进一步下滑的压力。2025年，英伟达CEO黄仁勋公开承认，受美国出口管制影响，英伟达在中国高端AI加速器市场的份额已降至接近零。在国产阵营中，华为昇腾处于绝对领先地位。2025年华为昇腾累计出货约81.2万张，在国内整体AI芯片市场拿下约20%的份额，在国产芯片中占比高达49.2%。昇腾服务器中标率超过62%，2025年上半年昇腾业务营收同比增长280%。其他国产厂商方面，阿里平头哥出货约26.5万张，百度昆仑芯和寒武纪各出货约11.6万-11.8万张，市场份额均为3%左右。海光信息出货约8.3万张，市场份额约2%。沐曦、天数智芯、壁仞科技等新兴厂商也在加速追赶。表1：2025年中国AI算力芯片市场竞争格局厂商2025年出货量（万张）市场份额技术路线NVIDIA约220（含特供版）约55%GPU（CUDA生态）华为昇腾81.2约20%NPU（达芬奇架构）阿里平头哥26.5约6%ASIC百度昆仑芯11.8约3%GPGPU寒武纪11.6约3%NPU（思元系列）海光信息8.3约2%GPGPU（深算系列）其他国产厂商约6约2%多元路线数据来源：IDC、中商产业研究院、各公司公告，部分数据为估算数据三、关键驱动因素3.1政策驱动：国家战略强力支撑政策驱动是中国AI算力产业发展的首要推动力。近年来，国家层面出台了一系列重大政策，为产业发展提供了清晰的战略指引和有力的资源保障。2024年，国务院印发《关于推动数字经济高质量发展》的系列文件，明确提出加快智算中心建设，推动算力基础设施化。2025年，国家发改委联合工信部发布算力基础设施建设指导意见，进一步细化了智算中心的建设标准和运营规范。国家大基金（国家集成电路产业投资基金）在2025年首次跨界投资大模型企业，直接将资金投向国产AI核心赛道，标志着国家资本对AI算力产业链的支持力度进一步加大。"东数西算"工程作为国家级算力基础设施战略，持续推动算力资源向西部地区集聚。2025年，八大算力枢纽节点建设全面提速，庆阳、中卫、贵阳等西部城市智算规模快速增长。同时，各地方政府纷纷出台配套政策，如北京、上海、深圳等地对采购国产AI芯片给予财政补贴，进一步加速了国产替代进程。信创（信息技术应用创新）政策的深入推进也是重要推动力。在政务云、金融、电信等关键行业，国产算力芯片的采购比例要求持续提升，为华为昇腾、海光信息、寒武纪等企业提供了稳定的市场需求。3.2技术驱动：大模型算法持续突破大模型技术的快速迭代是算力需求增长的根本驱动力。2024-2025年，大模型技术呈现出以下几个重要趋势：一是模型参数规模持续增长。从GPT-3的1750亿参数到GPT-4的预估超万亿参数，再到国内DeepSeek-V3的6710亿参数（MoE架构激活参数370亿），模型规模的扩张直接带动了算力需求的指数级增长。二是多模态大模型成为主流方向。文本、图像、视频、语音等多模态融合的模型需要更大量的训练数据和更复杂的计算过程，对算力基础设施提出了更高要求。Sora、Kling等视频生成模型的兴起，使得视频算力需求成为新的增长极。三是推理算力需求爆发式增长。随着大模型从训练阶段进入大规模应用阶段，推理算力的需求占比已超过70%。推理场景对芯片的要求与训练有所不同，更注重能效比和成本效益，这为国产AI芯片提供了差异化竞争的机会。四是算法优化降低算力门槛。DeepSeek等团队通过MoE（混合专家）架构、量化推理、蒸馏等技术，显著降低了大模型的训练和推理算力成本。DeepSeekR1大模型针对华为昇腾910B芯片进行深度优化，训练效率提升约40%，推理成本降低约35%，展示了算法与硬件协同优化的巨大潜力。3.3市场驱动：商业化应用加速落地大模型的商业化应用正在从概念验证走向规模化落地，直接拉动了算力基础设施的投资需求。在企业端，大模型已深入渗透到金融风控、医疗诊断、智能制造、自动驾驶、代码生成等核心业务场景。头部互联网企业（如字节跳动、阿里巴巴、腾讯、百度等）纷纷加大AI算力投入，字节跳动2025年采购国产AI芯片金额位居前列，是寒武纪最大的客户之一，贡献了其约八成营收。在政府端，智慧城市、数字政务、公共安全等领域对AI算力的需求持续增长。多个省市将大模型纳入数字政府建设规划，推动政务大模型的训练和部署。在消费端，AIPC、AI手机等端侧AI设备的普及，以及AI助手、内容生成等应用的爆发，催生了大量端侧和边缘侧算力需求。2025年中国端侧AI硬件市场增速位居全球前列，成为AI硬件市场增长的核心引擎。从投资角度来看，2024-2025年中国AI算力基础设施相关投资总额超过5000亿元，涵盖芯片研发、智算中心建设、云平台升级等多个领域。社会资本、产业资本和政府资金共同推动，形成了良好的产业投资生态。3.4社会驱动：数字经济转型与人才储备中国数字经济的深入发展是算力需求增长的社会基础。2025年中国数字经济规模预计超过60万亿元，占GDP比重持续提升。各行业的数字化转型正在从信息化阶段迈向智能化阶段，对AI算力的需求从互联网行业向传统行业快速扩散。人才储备方面，中国拥有全球最大规模的AI研究人才群体。根据相关统计，中国AI领域研究人员数量已超过30万人，每年相关专业的毕业生超过10万人。庞大的人才储备为大模型研发和算力技术创新提供了充足的智力支持。此外，公众对AI技术的接受度和使用意愿持续提升。2025年中国大模型用户规模已超过5亿，AI应用已深入日常生活。这种广泛的社会需求反过来推动了算力基础设施的持续扩张。四、主要挑战与风险4.1先进制程受限，芯片性能存在代差先进制程工艺是制约国产AI芯片性能提升的最核心瓶颈。目前全球最先进的芯片制程已进入3nm及以下节点（台积电N3E、N3P已量产，2nm工艺即将量产），而中国大陆最先进的量产制程仍停留在7nm左右（中芯国际N+2工艺）。这意味着国产AI芯片在相同架构设计下，晶体管密度、运行频率和能效比等方面与NVIDIA最新产品存在1-2代的代差。美国对华半导体出口管制持续加码。2022年10月以来，美国已多次更新出口管制规则，限制向中国出口高性能GPU芯片（如A100、H100、A800、H800等）以及先进制程制造设备（如EUV光刻机）。2025年，管制范围进一步扩大，NVIDIA特供中国的降配版芯片也受到限制，导致英伟达在中国高端AI加速器市场的份额降至接近零。制程受限的影响是全方位的。以华为昇腾910C为例，尽管在架构设计上已达到国际先进水平，但由于制程工艺的限制，其在单卡算力、功耗控制等方面与NVIDIAH100/B200仍有明显差距。要弥补这一差距，往往需要通过增加芯片面积、采用多芯片封装等手段，但这又会带来成本上升和良率下降等问题。4.2软件生态不成熟，迁移成本高昂软件生态是AI算力芯片竞争的"隐形战场"。NVIDIA的CUDA生态经过十余年的积累，已形成了涵盖深度学习框架、数学库、开发工具、优化器等完整链条的软件生态体系。目前全球绝大多数AI模型和算法都是基于CUDA开发和优化的，迁移到其他平台需要付出巨大的适配成本。国产芯片在软件生态方面仍存在明显短板。华为昇腾的CANN软件栈和MindSpore框架虽然在不断完善，但与CUDA生态的成熟度仍有差距。海光信息虽然通过"类CUDA"设计降低了迁移门槛，但在高级特性支持和性能优化方面仍有不足。寒武纪的Neuware软件栈在易用性和功能完整性方面也需持续改进。生态不成熟导致的一个直接后果是"有芯无生态"的困境。部分客户采购了国产AI芯片后，由于软件适配困难、性能调优复杂等原因，实际使用效率不高，影响了后续采购意愿。构建一个成熟的软件生态需要长期投入和社区建设，这是国产芯片厂商面临的长期挑战。4.3算力成本高昂，中小企业难以承受大模型训练的算力成本极为高昂。以训练一个千亿参数级别的大模型为例，使用高端GPU集群，单次训练成本可达数千万元甚至上亿元。即使采用国产芯片，由于单卡算力相对较低、集群规模需要更大，总成本并未显著降低。智算中心的建设成本同样惊人。一个大型智算中心的固定资产投资通常在数十亿到上百亿元级别，包括算力设备采购（占比约60%-70%）、数据中心基础设施（约20%-25%）以及网络和安全设备（约10%-15%）。此外，智算中心的运营成本也不容忽视，电力消耗是最大的运营支出项，一个大型智算中心的年电力成本可达数亿元。高昂的算力成本使得中小企业和科研机构难以独立承担大模型训练的费用。虽然云计算平台提供了按需租用的算力服务，降低了使用门槛，但长期大规模使用的成本仍然较高。如何降低算力成本、提高算力利用效率，是产业可持续发展必须解决的关键问题。4.4供应链安全风险AI算力芯片产业链长、环节多，供应链安全风险不容忽视。在上游环节，芯片设计所需的EDA工具高度依赖美国企业（Synopsys、Cadence），IP授权主要来自ARM等国外公司，晶圆制造高度依赖台积电等代工厂。虽然国内EDA企业（如华大九天）和IP企业（如芯动科技）正在加速发展，但在高端工具和先进IP方面仍存在较大差距。在中游环节，高速互联网络（如InfiniBand）的核心芯片和交换设备主要依赖Mellanox（NVIDIA收购）等国外厂商。高端存储设备和光模块虽然国内已有一定基础，但在最尖端产品方面仍需进口。在下游环节，智算中心的运营管理软件、监控运维工具等也存在一定程度的对外依赖。整体来看，虽然国产替代在加速推进，但实现全产业链的自主可控仍需较长时间。4.5人才竞争激烈，高端人才短缺AI芯片设计需要跨学科的高端人才，涵盖芯片架构设计、AI算法、编译器开发、高性能计算等多个领域。目前国内AI芯片设计人才供给不足，尤其是具有大规模芯片量产经验的资深工程师和架构师极为稀缺。人才竞争导致的人力成本上涨也是一大挑战。头部企业（如华为、字节跳动、阿里等）凭借雄厚的资金实力，吸引了大量AI芯片人才，但中小企业和初创公司在人才争夺中处于明显劣势。此外，国际人才引进也受到地缘政治因素的影响，海外高端人才的回流和引进面临更多不确定性。五、标杆案例研究5.1华为昇腾：全栈生态的国产算力领军者华为昇腾是中国AI算力芯片产业的标杆企业，也是目前国产替代进程中最成功的案例。华为昇腾芯片基于自研的达芬奇（DaVinci）架构，采用NPU技术路线，针对AI计算场景进行了深度优化。产品演进方面，华为昇腾经历了从910到910B再到910C的迭代升级。昇腾910是华为首款AI训练芯片，采用7nm工艺，单卡算力达256TFLOPS（FP16）。昇腾910B在架构和制程上进行了全面升级，性能大幅提升，已广泛应用于运营商、金融、政务等关键行业。2025年，昇腾910C随Atlas900超节点大规模部署，支持更大规模的集群训练。2025年9月，华为在全联接大会上首次披露昇腾950系列芯片规划，进一步展示了技术路线的前瞻性。市场表现方面，2025年华为昇腾累计出货约81.2万张，在国内整体AI芯片市场拿下约20%的份额，稳居国产第一。昇腾服务器中标率超过62%，在运营商集采、政务云等项目中表现突出。2025年上半年昇腾业务营收同比增长280%，已成为华为重要的增长引擎。生态建设方面，华为构建了从芯片（昇腾）到计算框架（MindSpore）到开发平台（ModelArts）的全栈AI生态。昇腾社区已汇聚超过200万开发者，适配的大模型和应用超过3000个。2025年11月，DeepSeekR1大模型发布时明确标注"针对华为昇腾910B芯片深度优化"，在昇腾平台上的训练效率提升约40%，推理成本降低约35%，标志着昇腾生态已获得头部AI企业的认可。华为昇腾的成功经验表明，全栈布局、长期投入和生态建设是国产AI芯片突围的关键路径。5.2寒武纪：从持续亏损到逆势盈利的蜕变寒武纪是中国AI芯片领域的先行者，成立于2016年，2020年在科创板上市。公司专注于云端和终端AI芯片的研发，核心产品为思元系列云端芯片。2025年是寒武纪发展的转折之年。公司实现营收64.97亿元，同比增长453%，净利润20.59亿元，这是其上市以来首次实现年度盈利。业绩爆发的核心引擎是思元590芯片的强劲出货，该产品出货量占比超过60%，贡献了绝大部分营收和利润。摩根士丹利报告指出，思元590在2025年出货近10万颗，预计2026年将达30万颗。客户结构方面，寒武纪深度绑定头部云厂商与互联网企业。字节跳动是其最大客户，贡献了约八成营收。此外，公司还与三大运营商、金融机构等建立了合作关系，客户结构正在从单一依赖向多元化转变。技术路线方面，寒武纪坚持自研架构，思元590采用先进的MLU架构，在推理场景中表现出色。公司持续加大研发投入，2025年研发费用超过20亿元，占营收比例约30%。同时，公司预付款项环比激增155%至19亿元，主要由新的芯片流片和产能保障需求驱动，预示着下一代产品的研发正在加速推进。寒武纪的案例展示了国产AI芯片企业通过技术积累和客户深耕实现商业突破的可能性，但也暴露了客户集中度较高的风险。5.3海光信息："CPU+DCU"双轮驱动的稳健增长海光信息是国内少数同时具备CPU和DCU（深度计算处理器）研发能力的企业，其"CPU+DCU"双轮驱动的业务模式在国产算力芯片企业中独具特色。2025年，海光信息实现营收143.77亿元，同比增长56.92%，归母净利润25.45亿元，同比增长31.79%。其中CPU和DCU的营业收入之和占公司总体营业收入的99.73%。海光CPU在国产x86服务器市占率超过70%，DCU在国产GPGPU市场占比超过60%，在各自细分领域处于领先地位。技术优势方面，海光信息基于与AMD的技术合作基础，具备x86指令集架构和"类CUDA"生态的双重优势。深算系列DCU兼容CUDA生态，使得用户从NVIDIA平台迁移到海光平台的成本大幅降低。深算三号DCU性能已达英伟达A100的约90%，在政务云、金融信创等场景中实现了规模化部署。市场策略方面，海光信息采取了差异化的竞争策略。在信创市场，凭借x86架构的兼容性和成熟的生态支持，海光CPU在党政机关和国有企业的服务器采购中占据主导地位。在AI算力市场，海光DCU以"类CUDA"兼容性为卖点，吸引需要从NVIDIA平台迁移的客户。2025年上半年，海光信息存货达60亿元，为后续交付提供了有力保障。海光信息的案例表明，在国产替代的大背景下，具备生态兼容性和差异化优势的企业能够在竞争中脱颖而出。但其面临的挑战也不容忽视——英伟达针对中国市场的特供芯片持续降价，可能挤压海光DCU的毛利率和市占率；同时，高端芯片迭代极快，需要持续保持技术领先性。表2：三大国产AI芯片标杆企业对比指标华为昇腾寒武纪海光信息技术路线NPU（达芬奇架构）NPU（MLU架构）GPGPU（类CUDA）代表产品昇腾910B/910C思元590深算三号DCU2025年出货量约81.2万张约11.6万张约8.3万张2025年相关营收未单独披露（估算超200亿）64.97亿元143.77亿元（含CPU）市场份额（国内AI芯片）约20%约3%约2%核心优势全栈生态、集群能力强推理性能突出、客户绑定深CUDA兼容、CPU+DCU协同主要客户运营商、政务、金融字节跳动、运营商信创市场、政务云数据来源：各公司年报、IDC、公开报道，部分数据为估算数据六、未来趋势展望6.1国产替代进入深水区，市占率持续攀升未来3-5年，国产AI芯片替代进程将进一步加速。在美国出口管制持续收紧的背景下，国产替代已从"可选项"变为"必选项"。预计到2028年，国产AI芯片在国内市场的整体市占率有望突破60%，在政务、金融、电信等信创领域的市占率有望超过80%。替代路径将呈现"推理先行、训练跟进"的特征。推理场景对芯片的要求相对较低，国产芯片在推理市场的替代速度将快于训练市场。随着推理算力需求占比持续提升（预计2026年推理算力占比将超过75%），国产芯片在推理市场的突破将为整体替代奠定基础。同时，大基金等国家级产业基金的持续投入将为国产替代提供资金保障。2025年大基金首次跨界投资大模型企业，预示着国家资本对AI算力产业链的支持将从芯片制造环节向上游设计和下游应用延伸。6.2智算中心向规模化、绿色化、一体化方向发展智算中心建设将呈现三大趋势：一是规模化。单体智算中心的算力规模将持续增长，从当前的千P级别向万P甚至十万P级别迈进。庆阳智算规模已突破10万P，未来将有更多城市达到这一规模。集群规模的扩大对高速互联网络、分布式存储、集群调度等技术提出了更高要求。二是绿色化。在"双碳"目标约束下，智算中心的能耗问题日益突出。液冷技术（冷板式液冷、浸没式液冷）将加速普及，预计到2028年新建智算中心的液冷渗透率将超过50%。同时，可再生能源的使用比例将持续提升，"绿电+算力"模式将成为智算中心建设的主流方向。全国算力中心平均PUE有望从2025年的1.42降至2028年的1.30以下。三是一体化。全国一体化算力网络将加速构建，实现跨区域、跨服务商的算力资源统筹调度。用户可以像使用电力一样便捷地使用算力服务，按需购买、弹性扩展。算力网络的标准化和互联互通水平将持续提升。6.3芯片架构创新加速，多元化路线并行发展未来3-5年，AI芯片架构将迎来新一轮创新浪潮。一是存算一体（Processing-in-Memory,PIM）技术有望取得突破。传统冯·诺依曼架构中数据搬运的能耗占比高达60%-80%，存算一体技术通过将计算单元嵌入存储器中，大幅减少数据搬运，可显著提升能效比。国内企业如知存科技、后摩智能等已在存算一体芯片领域取得进展。二是Chiplet（芯粒）技术将成为应对先进制程限制的重要手段。通过将大芯片拆分为多个小芯粒，分别制造后再通过先进封装技术集成，可以在一定程度上绕过先进制程的限制。华为、寒武纪等企业已在Chiplet技术方面进行布局。三是光计算、量子计算等前沿技术将持续探索。虽然这些技术距离大规模商业化仍有较远距离，但在特定场景中可能率先取得突破。6.4算力服务模式创新，MaaS成为新趋势算力服务模式正在从传统的硬件销售和IDC租用向更高层次的MaaS（ModelasaService，模型即服务）演进。云服务商不仅提供算力资源，还提供预训练模型、微调工具、部署平台等一站式AI开发服务。未来3-5年，MaaS将成为算力服务的主流模式。企业客户无需自建算力集群，只需通过API调用即可使用大模型的能力。这将大幅降低AI技术的使用门槛，推动AI应用向更广泛的行业和场景渗透。同时，算力交易和算力共享平台将加速发展。类似于电力市场的算力交易机制正在探索中，算力的供给方和需求方可以通过平台进行匹配和交易，提高算力资源的利用效率。6.5端云协同算力架构成为主流随着端侧AI芯片性能的提升和AI应用的普及，端云协同的算力架构将成为主流。轻量级AI任务在端侧完成，复杂任务在云端处理，通过智能调度实现算力资源的最优配置。AIPC和AI手机是端侧算力的重要载体。2025年，AIPC出货量预计超过5000万台，AI手机出货量预计超过3亿部。端侧NPU芯片的性能持续提升，已可支持数十亿参数模型的本地运行。高通、联发科、苹果以及国内的华为海思等芯片厂商均在端侧AI芯片领域积极布局。端云协同架构的发展将催生新的算力需求格局。虽然端侧算力可以在一定程度上分担云端的压力，但复杂大模型的训练和推理仍需要大规模云端算力支持。端侧和云端算力将形成互补关系，共同推动AI技术的普及。七、战略建议7.1加大先进封装与Chiplet技术投入，绕过制程瓶颈鉴于先进制程工艺短期内难以突破，建议国家和企业层面加大对先进封装和Chiplet技术的投入。具体措施包括：一是设立先进封装专项基金，支持长电科技、通富微电等封测企业提升2.5D/3D封装能力；二是推动Chiplet标准的制定和推广，建立国产芯粒生态；三是支持华为、寒武纪等芯片设计企业采用Chiplet路线，通过多芯粒集成提升芯片整体性能。通过先进封装技术，可以在7nm甚至14nm制程基础上实现接近5nm的性能水平，是当前最具可行性的技术突围路径。7.2构建国产AI芯片统一软件生态，降低迁移成本软件生态不成熟是制约国产AI芯片推广的关键因素。建议：一是由工信部牵头，联合华为、海光、寒武纪等主要厂商，构建统一的国产AI芯片软件标准接口，实现"一次开发、多平台适配"；二是加大对国产AI编译器、数学库、开发工具的投入，缩小与CUDA生态的差距；三是通过开源社区建设，吸引全球开发者参与国产AI软件生态建设；四是在高校和科研机构中推广国产AI芯片和软件栈，从教育层面培养用户习惯。目标是到2028年，国产AI芯片的主流深度学习框架适配率达到95%以上，迁移成本降低50%以上。7.3推动智算中心绿色低碳发展，降低算力成本算力成本是制约大模型普及的核心障碍。建议：一是大力推广液冷技术在智算中心的应用，将PUE从目前的1.42降至1.25以下，降低能源消耗；二是推动智算中心与可再生能源的深度融合，在西部地区建设"绿电+算力"示范项目；三是发展算力共享和算力交易机制，提高算力资源的利用