第 5 章 · 修订版 v4

第二篇 · 产业层　/　第 5 章

AI 芯片：整条链最赚钱的“大脑”

卖的不是一颗芯片，而是一整套算力系统

预计阅读 12 分钟音频：AI 语音朗读数据截止：2026-10-15

这一章会配音频版 音频正在制作，上线后在这里播放；如朗读与文字不一致，以文字为准。

本章速览

先把答案放在前面：AI 芯片卖的不是一颗孤立的芯片，而是“芯片 + 软件生态 + 整套算力系统”。同样是算，能不能把数据喂进去、把成千上万张卡组织起来，才是今天真正的分水岭。

AI 芯片是整条链最赚钱的环节，GPU 仍是主力，ASIC 和专用芯片在分流。
英伟达单季数据中心收入 752 亿美元，同比增长 92%。
中国市场 GPU 出货下降、非 GPU 加速器上升，算力结构正在变。

752亿美元英伟达单季数据中心收入英伟达财报

64% 2026 年英伟达全球 AI 芯片市场份额 TrendForce

101.6万颗 2026 年上半年中国非 GPU 加速器出货 IDC

很多人把 AI 芯片等同于 GPU。GPU 确实是最常见的一类，但 AI 芯片是一个家族：有的什么活都能干，有的只为一种算法定制，有的专门做省电的推理。

这一章先把家族成员分清，再看钱在链条上怎么分，最后看它现在卡在哪、为什么竞争已经从“单卡”变成“整套系统”。

先记住一个画面：芯片是发动机，但一台能跑 AI 的机器，还需要仓库、道路、电力和调度。发动机再强，后面任何一环跟不上，整台机器都跑不快。

5.1这是个啥

AI 芯片，就是专门用来做 AI 计算的芯片。它不是一个单一品类，而是一个家族。

AI 芯片家族：四种选手，四种打法

示意图

GPU全能

训练、推理都能干，生态成熟

ASIC专用

为一个算法定制，效率高

NPU省电

端侧和推理，能效高

GPGPU兼容

用 GPU 做通用计算，迁移成本低

四类不是互相替代，而是分别适合不同的活；实际产品还可能是两种思路的组合。

类型	全称	大白话	常见代表
GPU	图形处理器	全能型选手，最早为打游戏画图设计，后来发现特别适合 AI	英伟达 H 系列/B 系列、AMD MI 系列
ASIC	专用集成电路	专项运动员，为特定算法定制，效率高、成本低	谷歌 TPU、博通为云厂商定制的芯片
NPU	神经网络处理器	省电型选手，专门加速神经网络，常用于端侧和推理	华为昇腾、寒武纪思元
GPGPU	通用图形处理器	用 GPU 做通用计算，兼容现有软件生态	海光 DCU、摩尔线程

打个比方：GPU 是全能型选手，什么项目都能上，但每一项都不是极限；ASIC 是专项运动员，只练一个项目，但能拿冠军；NPU 是省电型选手，力气不大，但特别耐跑。

这里要分清两个动作：训练是把模型“教出来”，需要大量算力；推理是模型教好之后，回答每一次提问。训练像考前刷题，推理像上考场答题。过去算力主要花在训练上，现在推理的份量越来越重。

选芯片不是选“跑分最高的”，而是选“最适合自己的活”。这句话在后面会反复出现，因为 AI 芯片的竞争，早就不只是比一颗芯片的跑分了。

5.2上中下游与价值分配

AI 芯片这条链，要先分清两本账：一本是“一颗 GPU 裸片值多少钱”，另一本是“一张加速卡卖多少钱”。两本账的分子分母不一样，混在一起算，占比就会超过 100%。

环节	干什么	成本占比（口径要看清）	代表
上游	芯片设计、EDA、IP	设计研发投入约占营收 15%—25%	英伟达、AMD、华为海思
中游	晶圆制造	占 GPU 裸片制造成本约 55%—65%	台积电、三星、中芯国际
中游	先进封装	占 GPU 裸片制造成本约 25%—30%	台积电 CoWoS、日月光、安靠
中游	测试（晶圆测试/成品测试/系统级测试）	占 GPU 裸片制造成本约 5%—10%	日月光、安靠、长电、通富
独立环节	HBM	占整张加速卡 BOM 约 30%—40%	SK 海力士、三星、美光
下游	服务器/整机	整机价值的大头，毛利率低	工业富联、浪潮、超微

这张表不能直接相加

HBM 不是 AI 芯片的中游，而是和 GPU 并列的一个独立品类。它是 GPU 的“贴身仓库”，不是 GPU 的“生产车间”，所以本报告把 HBM 单列第六章。
封装和测试是两道工序。完整链条是：晶圆测试→先进封装→成品测试→系统级测试。先进封装替代的是传统封装，不是测试；封装做完必须做成品测试，因为键合、堆叠、打孔都会引入新缺陷。
表里的占比有三个分母。裸片制造成本、整张加速卡的物料清单（BOM，可以理解为“做一张卡要用到的全部物料和数量”）、以及营收。看产业结构可以，拿去做财务测算不行。

把两本账分开看：在 GPU 裸片制造成本里，晶圆制造占 55%—65%，是最大的一块；在整张加速卡的 BOM 里，HBM 占 30%—40%，是大头；先进封装占裸片制造成本的 25%—30%，是容易被忽略的“隐形大头”。

这也解释了为什么英伟达的毛利率能到 70% 以上。毛利率（卖价扣掉直接成本后剩下的比例）高，不是因为它“造”得便宜，而是因为它掌握了设计、软件生态和定价权。

所以，一颗芯片能不能被客户采用，不只看跑分，还要看开发者愿不愿意用、整机能不能稳定交付。这就是后面要讲的软件生态和系统能力。

5.3变动逻辑：为什么现在动

第一，模型越来越大，算力需求指数级上升。

从 GPT-3 的 1750 亿参数，到后来的万亿参数模型，再到 MoE（混合专家，把一个大模型拆成很多个“专家”，每次只叫醒其中几个）架构——总参数越做越大，但每次只激活一部分。这带来一个变化：训练算力增速可能放缓，但推理算力爆发。

因为模型便宜了、好用了，用的人就多了。国家数据局的数据：中国日均 Token（词元，可以理解为 AI 处理文字的一个小单位）调用量 2026 年 3 月突破 140 万亿，是 2024 年初的 1000 多倍。每一个 Token，都是算力在干活。

第二，推理占比超过训练，需求从“少数大厂”变成“千行百业”。

2026 年，推理已经占 AI 算力需求的 60%—70%。这意味着：不只是互联网大厂买卡，运营商、金融、政务、制造、医疗都在买。客户结构从“集中”变“分散”，需求更稳、更持久。

第三，模型架构在变，但算力总量还在涨。

MoE 架构确实让“同样的效果，用更少的算力”成为可能。但历史反复证明：单位算力成本下降，总用量反而暴涨，经济学里把这叫“杰文斯悖论”。就像汽车省油了，大家开车反而更多。

5.4供需、产能与卡点

需求端和供给端放在一起看，结论很清楚：AI 芯片不是“卖不动”，而是“造不出来”。

维度	2026 年的关键数字	说明
需求	全球九大云厂商资本开支预计超过 9570 亿美元，同比增约 106%	云厂商仍在加码，数据为预计值
需求	英伟达单季数据中心收入 752 亿美元，同比增长 92%	公司财报，2026 年
需求	中国 AI 芯片部署规模预计 300 万—400 万张	2026 年，预计值
供给	台积电 3nm/5nm 满载，2nm 2026 年量产，2027 年产能翻倍	先进制程先卡住
供给	CoWoS 封装产能约 14 万片/月，仍比需求少 20%—30%	上半年更紧
供给	HBM 产能售罄，2027 年才逐步缓解	存储也卡住

瓶颈不在设计，而在制造、封装和存储。设计出来只是第一步，能不能拿到先进制程产能、CoWoS（一种把 GPU 和 HBM 并排封装在一起的技术，第七章细讲）产能和 HBM，才决定能交多少货。

管制这条线

管制不是“一刀切”

英伟达最先进的 Blackwell 系列，不能合规卖到中国。
H200 等“降规版”可以卖，但收入占比很低。
MATCH 法案若生效，会进一步收紧设备和服务；目前仍是“若生效”的状态。
中国的应对：一方面用国产芯片替代，一方面通过“超节点”（把很多张加速卡用高速互联连成一台逻辑上的大机器）用系统能力弥补单卡差距。
还有一个容易混淆的点：高端交换芯片不属于美国对华出口管制的独立品类，真正约束它的是先进制程、SerDes IP（高速接口 IP）和海外厂商的垄断。

5.5技术路线

技术路线不是一条，而是几条同时在跑。它们不是互相替代，而是分别解决不同的问题。

路线	大白话	代表	代价或限制
继续堆算力	更大的芯片、更多的 HBM、更高的互联带宽	英伟达 GB300、Vera Rubin	功耗、成本、封装难度一起上升
专用化	云厂商为自家模型定制 ASIC	谷歌 TPU、亚马逊 Trainium、Meta MTIA	只能干自己的活，通用性弱
超节点	把很多张卡连成一台逻辑上的大机器	华为昇腾 950	网络、供电、散热要求高
Chiplet	把大芯片拆成小芯片，分别制造再封装	行业通用思路	对先进封装要求极高
远期路线	存算一体、光子计算、类脑芯片	—	短期不具备大规模商用条件

2026 年，ASIC 的增速已经超过 GPU。TrendForce 预计，2026 年全球 AI 芯片市场中，英伟达占 64%，AMD 占 8.6%，其余是云厂商自研和国产芯片。这个格局说明：通用 GPU 仍然是最大的一块，但“专用化”和“系统化”正在分流需求。

超节点这条路，最典型的是华为昇腾 950：1024 卡起步，最大 8192 卡，FP8 精度下的算力 8 EFLOPS（EFLOPS 是衡量算力规模的单位），内存 1152TB，互联带宽 16.3PB/s^〔1〕。

这条路的意义在于：单卡不如你，但我可以用“系统”把你追上。这也是国产算力最现实的破局方式。

Chiplet（小芯片，把一个大芯片拆成几个小芯片，分别制造，再封装到一起）的好处是良率高、成本低、灵活；坏处是对先进封装要求极高。

更远期的路线是存算一体、光子计算、类脑芯片。它们短期不具备大规模商用条件，但长期可能改变游戏规则。

5.6玩家盘点（仅作举例）

下面只回答一个问题：这个环节有哪些类型的玩家。公司名只作举例，不是排名，也不是推荐。

公司	主要做什么	在链条里的位置
英伟达	GPU、CUDA 软件生态、整机柜方案	芯片设计 + 系统方案
AMD	GPU 与 CPU 两条产品线	芯片设计
博通	为云厂商定制 ASIC、交换芯片	芯片设计
谷歌	自研 TPU，主要自用	云厂商自研芯片
亚马逊	自研 Trainium/Inferentia，主要自用	云厂商自研芯片
华为（昇腾）	国产 AI 芯片、超节点方案	芯片设计 + 系统方案
寒武纪	云端 AI 芯片	芯片设计
海光信息	CPU 与 DCU	芯片设计
平头哥（阿里）	自研 AI 芯片与 ASIC	云厂商自研芯片
昆仑芯（百度）	自研 AI 芯片	云厂商自研芯片
摩尔线程	全功能 GPU	芯片设计
沐曦股份	GPU，聚焦训推一体	芯片设计

2026 年上半年，中国数据中心 AI 加速器总出货约 200.8 万颗，其中 GPU 99.1 万颗（同比 -26%），非 GPU 加速器 101.6 万颗（同比 +80%）——非 GPU 第一次超过 GPU^〔2〕。

同期，华为昇腾在中国市场的份额为 28%，出货 57.2 万颗。这说明：国产芯片的突围，不是“造一个和英伟达一样的 GPU”，而是“用 NPU（专门为神经网络设计的处理器）/ASIC/超节点，走一条不同的路”。

当然，出货量只是结果。能不能持续供货、软件能不能迁移、整机能不能稳定运行，才是更难的题。

5.7三句话记住这一章

AI 芯片是一个家族：GPU 全能、ASIC 专用、NPU 省电、GPGPU 讲兼容。
钱要分几本账：裸片制造成本、加速卡物料清单、营收，分母不同，不能直接相加；HBM 和晶圆制造是大头。
竞争已经从“单卡跑分”变成“芯片 + 软件生态 + 系统能力”，瓶颈在先进制程、封装、HBM 和交付。

本章注释与口径

〔1〕【S】华为 2026 年全联接大会；昇腾 950 的 1024／8192 卡、FP8 算力 8 EFLOPS、内存 1152TB、互联带宽 16.3PB/s 均为公司发布口径。对应来源表「华为昇腾 950 超节点」。
〔2〕【B】IDC，2026 年 9 月；2026 年上半年中国数据中心 AI 加速器出货 200.8 万颗，其中 GPU 99.1 万颗、同比 -26%，非 GPU 101.6 万颗、同比 +80%，均为出货量口径。对应来源表「中国数据中心 AI 加速器出货」。

本章数据与出处

含机构预测

本章数字来自公司财报、国家数据局、TrendForce、IDC 和华为公开口径。份额、出货量和资本开支包含预测或估算，读的时候先看统计范围和产品定义。

数据	数值	来源（发布日）	口径
2026 年全球九大云厂商资本开支	预计超过 9570 亿美元，同比增约 106%	TrendForce2026年	全球九大云厂商合计；预计值
英伟达单季数据中心收入	752 亿美元，同比增长 92%	英伟达财报2026年	单季，公司口径
中国日均 Token 调用量	2026 年 3 月突破 140 万亿，是 2024 年初的 1000 多倍	国家数据局2026年3月	中国境内日均调用量
2026 年全球 AI 芯片市场份额	英伟达 64%，AMD 8.6%	TrendForce2026年	全球 AI 芯片市场，预测值
中国数据中心 AI 加速器出货	2026 年上半年约 200.8 万颗；GPU 99.1 万颗（-26%），非 GPU 101.6 万颗（+80%）	IDC2026年9月	中国市场，2026 年上半年
华为昇腾 950 超节点	1024 卡起步，最大 8192 卡；FP8 算力 8 EFLOPS；内存 1152TB；互联带宽 16.3PB/s	华为 2026 年全联接大会2026年	单产品发布口径
中国 AI 芯片部署规模	2026 年预计 300 万—400 万张	报告测算2026年	中国市场，预计值

TrendForce 的 64% 和 8.6% 是 2026 年全球 AI 芯片市场份额预测，不是已经发生的全年结果；份额会随统计范围和产品定义变化。
IDC 的出货量是 2026 年上半年中国市场口径，GPU 与非 GPU 的分类以 IDC 定义为准；单家公司的出货和份额只作案例。
英伟达数据中心收入是单季公司财报口径；资本开支是九大云厂商合计的预计值，不等于已经花出去的钱。