作者：老王
背景情况
过去四十年，全球半导体产业先后经历了几轮由终端需求驱动的大周期：上世纪80年代末到90年代的PC周期，90年代后半段的互联网与电信周期，2007年前后开始的智能手机周期，以及2010年代的云计算周期。每一轮都有一个主导的终端或应用，带动芯片出货量和产业规模上一个台阶，也都在主导设计定型之后重塑了产业分工。PC周期确立了处理器加操作系统的平台模式，催生了代工与无晶圆厂设计的分工；手机周期让ARM架构、SoC平台和先进代工成为主流；云周期则让少数云厂商第一次成为芯片的大买家。
AI周期从2023年开始加速，到2026年已经成为规模最大的一轮。美国半导体行业协会的数据显示，2026年全球半导体销售额有望超过1.6万亿美元，增速是有统计以来最高的。产业链核心环节的盈利也创下纪录：台积电2026年三季度营收467.2亿美元，同比增长41.2%，毛利率66.4%，7纳米及以下先进制程占晶圆收入的79%；英伟达截至2026年7月的季度营收962亿美元，约为上年同期的两倍，毛利率约75%；SK海力士三季度营收104.6万亿韩元，营业利润83.3万亿韩元，营业利润率接近80%，并称HBM和DRAM产能已售罄至2029年。美国四大云厂商2026年资本开支合计约7550亿美元，已接近其经营现金流的全部。
规模之外，更值得讨论的是这一轮周期在结构上的不同。需求从哪里来、钱怎么花、技术靠什么进步、产业怎么分工、利润落在哪里，这些问题的答案都和以往几轮有明显差别。这些差别决定了哪些环节有长期机会，哪些商业模式会被重写，也决定了周期回落时谁的风险最大。
主要观点
这是第一轮由“生产资料”而不是“消费终端”驱动的半导体大周期。以往几轮的需求来自数十亿消费者和企业分散购买设备，规模取决于“出货台数乘以单机含硅量”；AI周期的需求集中在少数超大规模买家，采购单元从一台设备变成一个机柜乃至一座算力工厂，规模取决于“token用量乘以每个token消耗的算力”。数据中心已取代PC和手机，成为半导体第一大需求来源。
技术范式从“晶体管微缩”转向“系统扩展”，评价标尺从“每平方毫米的晶体管数”变成“每瓦的token数”。先进封装事实上成了新的“制程”，HBM、互连、光、供电和散热从配角变成性能的决定因素，算法、芯片、系统协同设计成为常态。
未来技术趋势：沿着“每瓦token”这条主线，向三维集成、光进铜退、近存计算和高压供电演进。今后几年，性能提升的主要来源将依次是芯粒与3D堆叠（混合键合、晶圆级系统），共封装光学从交换机走向计算芯片，HBM走向定制化基底与近存计算、CXL内存池化，800V高压直流配电、背面供电与宽禁带功率器件，以及低精度计算和推理专用架构。晶体管层面的CFET、二维材料和硅光计算仍在更远处。技术竞争的重心从“单颗芯片”整体上移到“封装、机柜和数据中心”。
产业模式出现“再垂直化”。1987年以来半导体沿着“分”的方向演进了三十多年，AI周期第一次出现系统性的“合”：云厂商自研芯片，GPU厂商做到整机、网络和云服务，代工厂把封装测试纳入一体化交付，定制芯片设计服务成为新的中间层，资本也和产业深度绑定。
商业模式从“卖硬件”走向“卖算力”，硬件开始金融化。算力租赁、按token计费、长约预付、供应商融资和股权绑定让芯片需求与融资条件高度相关，周期机制从库存周期变成资本开支周期。这既带来了比以往更高的利润率，也带来了以往没有的信用风险。
资本市场第一次成为半导体需求的直接来源。以往一级市场资金主要流向数以千计的创业公司，股市给半导体的是周期股估值。这一轮美国风险投资八成以上流向AI，且高度集中于少数大模型公司，融资很快转化为算力采购；股市则把存储、代工等传统周期行业重估为“基础设施成长股”，半导体指数年内创纪录上涨。资本周期与半导体周期首次直接耦合，融资窗口的开合会比终端需求更快地传导到芯片订单。中国大陆则形成了“国家资本奠基、科创板退出”的路径，估值先行、收入追赶的特征明显。
机遇的核心规律是“跟着瓶颈走”。瓶颈已经从GPU迁移到先进封装、HBM、互连和电力，价值增量越来越多流向这些约束环节，以及能帮客户降低每瓦成本的定制芯片和系统方案。中国大陆则需要在体系内走“以系统补制程、以开放生态换规模”的路径，关键在于能否形成市场化的龙头客户和开放的软件生态。
一、与历次驱动周期相比的五个根本区别
1. 需求主体：从分散的消费者到集中的“算力工厂”
PC和手机周期的买家是数十亿个人和数千万家企业，单个买家的采购量微不足道，需求的波动来自经济景气和换机节奏，规律性强、可以用出货量和渗透率来预测。云计算周期第一次出现了大买家，但云厂商采购的主要是通用服务器，芯片仍是标准品，买方议价力有限。
AI周期的买家结构完全不同。全球AI加速芯片的采购高度集中在美国四大云厂商、少数大模型公司和几家新兴算力云。英伟达最新季度报告显示，五家未具名直接客户合计占其应收账款约七成。采购单元也变了：一台PC或一部手机里的芯片价值在一百美元上下，一台通用云服务器在几千到一万美元，而一个72卡AI机柜的芯片价值约在两三百万美元，下一代机柜还要翻倍（图1）。需求的计量单位从“台”变成了“GW”，买方的一次决策就能左右一个季度的行业景气。
图1 单个采购单元的芯片价值：从一台设备到一个机柜（对数坐标，估算）
结果是半导体需求结构的历史性迁移。2000年前后PC占全球半导体销售额约四成，2015年前后手机接近三成，而到2026年数据中心的占比已超过一半，首次成为第一大需求来源（图2）。这意味着半导体行业第一次从“消费电子的上游”变成了“基础设施投资的上游”，需求逻辑更接近电力、通信等资本密集行业。
图2 全球半导体需求结构：终端设备与数据中心（占比估算）
2. 价值载体：从芯片到系统
以往几轮周期里，芯片公司卖的是芯片，整机由OEM组装，系统集成的价值在下游。AI周期里，客户买的是一个能直接投入训练或推理的集群，性能取决于成百上千颗芯片能否像一颗芯片一样协同工作。GPU厂商因此把机柜、交换网络、软件栈乃至参考数据中心设计一起交付，芯片只是系统的一部分。竞争单位从“芯片对芯片”变成“系统对系统”，这也是后面讲到的产业再垂直化的起点。
3. 技术驱动力：从工艺微缩到系统扩展
PC和手机周期的性能进步主要来自摩尔定律，工艺每前进一代，同样面积下晶体管数量翻倍、功耗下降，芯片厂商只要跟上制程节奏就能分享增长。AI周期的算力需求每年增长数倍，远快于工艺进步的速度，单靠微缩已经跟不上。性能提升越来越多来自芯片面积扩大、多芯粒封装、HBM带宽提升、芯片间高速互连和集群规模扩展，瓶颈也从逻辑电路本身转向“存储墙”“互连墙”和“功耗墙”。
4. 周期机制：从库存周期到资本开支周期
以往的半导体周期本质上是库存周期：终端需求变化经过渠道库存被放大，传导到芯片订单，形成大约四年一轮的起伏，存储是波动最大的环节。AI周期的需求传导链条变成“融资条件—资本开支—电力与场地—芯片订单”，周期的长度和幅度取决于云厂商的现金流、债市的融资条件以及电力审批的进度，而不是消费者的换机意愿。
存储行业的变化最能说明这一点。过去十年SK海力士的营业利润率随手机、PC和服务器库存在负24%到52%之间大起大落；2026年三季度这一数字接近80%，产能售罄至2029年，2027至2028年过半产能已签订长期协议（图3）。HBM需要与GPU厂商联合设计、按客户定制，存储正在从标准化的商品转向“准定制件”，定价方式也从现货和季度合约转向长约锁量。
图3 存储龙头营业利润率：从商品周期到长约周期
这并不意味着周期消失。资本开支周期的波动频率更低，但一旦融资条件或电力约束出现变化，调整往往更集中、更剧烈，而且会同时冲击芯片、存储、机电和租赁链。
5. 利润分配：集中度超过以往任何一轮
PC周期的利润主要集中在处理器和操作系统两家平台公司；手机周期的利润分散在品牌商、基带芯片、应用处理器和代工厂之间；云周期的利润主要留在云厂商自身。AI周期的利润则高度集中在三个硬件环节：GPU、先进代工与封装、HBM。英伟达约75%的毛利率、台积电66%的毛利率和SK海力士近80%的营业利润率同时出现，在半导体历史上没有先例。利润高度集中意味着买方有强烈的动机去打破它，这正是云厂商自研芯片和定制芯片快速增长的根本原因。
二、技术范式：从“晶体管微缩”到“系统扩展”
评价标尺变了。终端周期里衡量芯片的核心指标是性能、功耗和成本，基本单位是一颗芯片；AI周期里，客户最终关心的是每瓦电力、每美元投资能产出多少token。电力成为数据中心最硬的约束之后，每瓦性能的溢价持续上升，这改变了几乎所有环节的技术取舍：更先进的制程、更高能效的HBM、用光代替铜的互连、液冷和高压直流配电，都因为能降低每个token的能耗而获得价值。
先进封装成了新的“制程”。以往封装是后道工序，技术含量和利润率都低于晶圆制造。AI芯片把多颗计算芯粒和多颗HBM集成在一块大中介层上，封装决定了芯片能做多大、带宽能有多高，CoWoS一类的2.5D封装在过去三年多次成为整个AI供应链的瓶颈。下一步是3D堆叠、混合键合和面板级封装，封装与制造的边界越来越模糊。
存储、互连、供电从配角变成主角。大模型训练和推理的瓶颈往往不在算力而在数据搬运，HBM的带宽和容量直接决定芯片的有效性能；集群规模扩大以后，芯片间互连的带宽和延迟决定了上万颗芯片能否高效协同，光互连和共封装光学正在进入主流；单柜功率从十几千瓦提高到一百千瓦以上，供电和散热成为系统设计的前提条件。这些环节在以往的周期里都是“配套”，在AI周期里成了“约束”。
协同设计成为常态。以往芯片厂商按照通用指令集设计处理器，软件开发者在上面编程，两者相对独立。AI周期里，模型结构、数值精度、并行策略、芯片架构和网络拓扑需要一起设计，低精度计算、稀疏化、混合专家结构等都要求芯片和算法同步演进。这抬高了芯片设计的门槛，也让掌握模型和负载的一方在芯片定义上拥有更大话语权。
推理占比上升带来架构分化。训练阶段需要最强的通用算力，GPU优势明显；推理阶段更看重单位成本、延迟和能效，负载也更固定，定制芯片和专用架构的空间更大。随着推理成为算力消耗的主体，芯片架构会从“一种最强”走向“多种适配”，这是定制芯片、推理专用芯片和边缘推理芯片的共同机会。
三、半导体下一代技术方向
沿着“每瓦token”这条主线，下一代半导体技术的演进可以按“从晶体管到数据中心”的层级来看。与以往周期由单一工艺节点牵引不同，这一轮是多条技术线同时推进，而且越靠近系统层的技术，导入越快、对AI性能的贡献越直接（图7）。
图7 下一代半导体技术的导入次序（示意）
1. 晶体管与制造：微缩放缓，但没有停止
全环绕栅极（GAA）晶体管已在2纳米一代进入量产，背面供电把电源线移到晶圆背面，释放正面布线资源、降低压降，是下一代高端逻辑芯片的标配。高数值孔径EUV光刻开始用于更先进节点的关键层，但设备成本极高，只有少数厂商和产品负担得起。再往后，互补场效应晶体管（CFET）把N型和P型晶体管上下堆叠，二维材料沟道和新型互连金属有望延续微缩，但仍处在研发和早期验证阶段。总体看，制程依然重要，但每一代带来的能效提升在缩小，单靠制程已无法满足AI算力每年数倍的增长。
2. 封装与集成：从2.5D走向3D和晶圆级系统
2.5D封装加HBM是当前AI芯片的主流形态。下一步是混合键合的3D集成：逻辑芯片与缓存、逻辑与逻辑直接上下键合，互连密度比微凸点高一个数量级以上，带宽更高、能耗更低。中介层和载板正在从硅和有机材料走向玻璃基板与面板级封装，以容纳更大的封装面积。更远的方向是晶圆级系统，把整片晶圆当作一个计算单元。封装正在成为与制程并列的核心能力，设备、材料和检测的需求结构会随之改变。
3. 存储：带宽、容量与靠近计算
HBM会沿着更高堆叠层数、更宽接口的方向持续演进，基底芯片从存储厂自制走向用逻辑工艺定制，部分控制和计算功能下沉到存储内部。DRAM本身在探索三维堆叠结构，以突破平面微缩的极限。系统层面，CXL内存扩展与池化让多颗芯片共享大容量内存，缓解大模型推理对显存容量的压力。存内计算和近存计算在特定推理场景有明确的能效优势，但通用性和软件生态仍是障碍。
4. 互连与光：光进铜退，距离不断缩短
集群规模扩大以后，互连的能耗和带宽成为瓶颈。共封装光学先进入交换芯片，再进入计算芯片之间的互连；光引擎从可插拔模块移到封装内部，单比特能耗大幅下降。短距离内高速铜缆仍有成本优势，会与光长期并存。更远的光计算、光交换在特定任务上潜力很大，但离规模应用还远。
5. 供电与散热：从电网到晶体管的全链条效率
单柜功率向数百千瓦甚至兆瓦级迈进，传统交流配电和风冷已经无法支撑。800V高压直流配电、固态变压器、芯片附近的高效电压调节，以及氮化镓、碳化硅功率器件，正在把从电网到晶体管的损耗压到最低；液冷从冷板走向浸没式和芯片级微流道散热。这一领域过去被视为“机电配套”，在AI周期里成了半导体技术的新战场。
6. 计算架构：低精度、专用化与新计算范式
数值精度持续下降，从16位到8位再到4位，配合稀疏化和混合专家结构，单位能耗的有效算力不断提高。推理成为主要负载后，针对特定模型结构的专用芯片和可重构架构会占据更大份额。类脑计算、模拟计算和量子计算是更长期的方向，短期内不会改变AI算力的主流格局。
7. 研判：技术重心上移，中国大陆务实的机会在系统与封装
综合来看，下一代技术的重心正在从“晶体管”上移到“封装、机柜和数据中心”，越靠系统层的创新越快兑现。对全球产业而言，这意味着技术领先不再只取决于是否掌握最先进的制程，还取决于能否把封装、存储、互连、供电和软件整合成高效的系统。对中国大陆而言，最先进制程和高数值孔径光刻受制约的局面短期难以改变，但先进封装、光互连、功率器件、液冷和系统集成这些方向对光刻的依赖较低，国内已有一定产业基础，是以系统补制程最现实的突破口；三维DRAM、新型存储和存内计算则可能提供换道的机会，其进展取决于研发投入和产业链协同，而不是某个时间表。
四、产业模式范式：三十年分工之后的再垂直化
半导体产业组织在过去六十年经历了一次大的“分”：早期由设计、制造一体化的IDM主导；1987年专业代工模式出现，设计与制造分离；2000年以后无晶圆厂设计公司、IP授权和代工厂形成成熟的水平分工，手机周期把这种分工推到顶点。AI周期则出现了三十多年来第一次系统性的“合”（图4）。
图4 半导体产业组织的“分—合”曲线（示意）
系统公司向下做芯片。云厂商为了降低成本、摆脱对单一供应商的依赖，纷纷自研AI芯片，并与设计服务公司合作完成后端设计和量产。博通2026财年一季度AI半导体收入84亿美元，同比增长106%，其中定制AI芯片增长140%，管理层预计2027财年AI芯片收入有望超过1000亿美元。云厂商从芯片的买家变成了芯片的定义者。
芯片公司向上做系统。GPU厂商从芯片延伸到整机、机柜、交换网络、软件栈和云服务，并通过投资大模型公司和算力云来锁定需求，形成“芯片—系统—网络—云—资本”的全栈布局。
代工厂向两端延伸。领先代工厂把先进封装、测试乃至部分系统级集成纳入一体化交付，行业所说的“代工2.0”已经包括制造、封装、测试和掩膜在内的整条后段链条，客户越来越多按“交付可用的系统级芯片”而不是“交付晶圆”来采购。
新的中间层出现。定制芯片设计服务、芯粒互连标准、IP平台和系统级仿真工具成为连接系统公司与代工厂的新中间层，承担了过去由芯片公司完成的大部分工作。
再垂直化的本质是：当一个环节的利润和稀缺性足够高时，上下游都会试图把它纳入自身。这和PC周期中处理器加操作系统的平台垄断不同，不是一家公司控制一个标准，而是几个超大型生态各自做纵向整合、相互竞争。对中小型芯片公司而言，独立做通用AI芯片的空间在收窄，嵌入某个生态、成为其中不可替代的一环更为现实。
五、商业模式的变化：从卖硬件到卖算力
从一次性销售到按用量收费。以往芯片和设备是一次性卖给客户的，厂商的收入在出货时确认。AI周期里，越来越多的算力以租赁或按token计费的方式提供，云厂商和新兴算力云把芯片变成可计量的服务，模型公司再把token包装成订阅、按任务或按结果收费的应用。硬件价值的实现被拉长到数年的使用期中，最终取决于终端应用的付费能力。
长约、预付和照付不议成为常态。在供给紧张的环节，买方以长期协议和预付款锁定产能，存储、先进封装乃至电力都出现了多年期合约。这降低了供应商的经营波动，但也把需求风险转移到了买方和融资方身上。
供应商融资与股权绑定。芯片厂商投资客户、客户再用这笔钱购买芯片，云厂商为模型公司提供算力换股权，算力云以芯片作抵押发债。硬件开始“金融化”，芯片需求与融资条件深度相关。这是以往周期从未出现过的现象，也是本轮周期最主要的风险来源：一旦终端收入增长慢于折旧和利息，压力会沿着租赁链和信用链传导，而不仅仅是库存调整。
应用侧的价值转移会反过来改变芯片。当AI应用从“卖软件”走向“替代人工”、按任务或结果计费时，客户对每个任务成本的敏感度会显著提高，推理芯片的单位成本、能效和延迟会成为比峰值算力更重要的竞争维度。这会进一步推动定制化和架构分化。
六、资本市场的变化：一级市场与股市
以往几轮周期中，资本市场是半导体景气的“放大器”：终端需求好转，芯片公司业绩改善，股价上涨，一级市场随之追捧新的创业公司。AI周期里，资本市场本身成了需求的源头之一，一级市场和股市都出现了与以往不同的结构。
1. 一级市场：资金规模空前，且前所未有地集中
PitchBook与美国风险投资协会的数据显示，2026年上半年美国风险投资总额4127亿美元，比2025年全年还多出近三成，其中AI占约86%。一季度前五笔交易就占了当季投资额的73%，分别是OpenAI 1220亿美元、Anthropic 300亿美元、xAI 200亿美元、Waymo 160亿美元和Databricks 70亿美元；上半年1亿美元以上的大额轮次占投资额的87.5%，1亿美元以下的交易占比从2024年的43.8%降到12.5%。全球范围看，Crunchbase统计2026年三季度全球风险投资1590亿美元，AI占64%，10亿美元以上的轮次达到创纪录的27笔（图6）。
图6 美国风险投资总额与AI占比
这与互联网周期有本质区别。2000年美国风险投资约1000亿美元，分散在数千家互联网公司，资金主要用于营销和人员，对半导体的拉动是间接的。这一轮的资金高度集中在少数大模型公司和算力公司，融到的钱很大一部分直接变成GPU采购、数据中心租约和长期算力承诺，一级市场成了半导体需求的直接来源。反过来，芯片厂商和云厂商又投资这些公司，形成“融资—采购—投资”的循环。这让资本周期和半导体周期第一次直接耦合：融资窗口一旦收窄，芯片订单的反应会比终端需求变化快得多。
对芯片创业公司而言，一级市场的结构也变了。资金向头部模型公司集中，独立芯片创业公司的融资难度上升，成功退出的路径主要是被大厂收购或在估值高位上市。2026年二季度晶圆级AI芯片公司Cerebras完成上市，SpaceX以1.7万亿美元估值上市、募资750亿美元，大模型公司也陆续启动上市程序，退出窗口打开，但这同时意味着估值的检验从私募市场转向公开市场。
2. 股市：半导体从“周期股”被重估为“基础设施成长股”
以往半导体股按周期股定价，市场在景气高点给低估值、在低谷给高估值。AI周期改变了这一规律。道琼斯市场数据显示，截至2026年5月下旬，费城半导体指数年内上涨82%，创下有史以来最好的前100个交易日表现，成分股市值增加约5.7万亿美元；三星、美光和SK海力士市值先后超过1万亿美元，存储这一最典型的周期行业被当作AI基础设施重新定价。与2000年不同的是，这一轮上涨有利润支撑：指数远期市盈率约26倍，高于过去十年21倍的均值，但远低于互联网泡沫时期。
风险在于“周期股成长化”之后的双重压力。一旦资本开支放缓、存储价格回落，业绩和估值会同时下修。10月以来的市场已经显示出这种敏感性：纳斯达克指数10月回调约10%，美国中期选举后数据中心审批前景生变，存储、新兴算力云和服务器整机单日跌幅都在13%以上，跌幅明显大于英伟达和云厂商。股市在定价增长，债市则在定价风险，云厂商和算力租赁商的发债规模与信用利差都在上升。
3. 中国大陆：
中国大陆AI芯片的资本路径不同于美国。国家科技专项和产业基金先行奠基，社会资本跟进，科创板提供退出通道。2025年12月摩尔线程上市，首日收盘较发行价上涨425%，市值约3000亿元，此后股价一度升至941元；2026年9月网下配售股解禁当天跌停至415元，市值跌破2000亿元，而其2026年上半年营收17.36亿元，市值仍是半年营收的一百倍以上。沐曦、长鑫存储等相继上市，长鑫上市募资约86亿美元，首日涨幅超过500%；一级市场上，燧原以约255亿美元估值完成新一轮融资。2026年7月高点以来，科创50指数已回调约四成。
这一路径的优点是在外部封锁下为产业筹到了长期资本，问题在于估值先行、收入追赶，一级市场的高估值依赖二级市场的高估值来兑现。二级市场一旦回调，一级市场融资和后续上市都会受到影响。我们维持此前的判断：中国大陆AI芯片的资本风险更可能是“估值先挤、慢性失血”，而不是断裂；企业能否把上市募集的资金转化为市场化客户的订单和可持续的收入，比市值本身更重要。
七、机遇在哪里：跟着瓶颈走
每一轮驱动周期最大的机会，都出现在当时最稀缺、最难扩产的环节。AI周期的瓶颈已经依次从GPU迁移到先进封装、HBM、互连和电力，单柜硬件价值中计算芯片的比重在下降，存储、互连、供电和散热的比重在上升（图5）。按照“约束程度、可持续性、可进入性”三个维度，我们认为以下几类机会最值得关注。
图5 AI机柜硬件价值构成的迁移（估算示意）
存储与HBM。HBM是本轮周期中供需最紧、技术门槛最高的环节之一，定制化趋势会让领先厂商的议价力持续保持。长约锁量使行业波动降低，但也要警惕扩产集中释放后的价格回落。
先进封装与测试。2.5D和3D封装、混合键合、玻璃基板与面板级封装是制程之外最重要的性能来源，相关设备、材料和测试的需求增速高于晶圆制造本身。
互连与光。集群规模扩大使高速铜缆、光模块、硅光和共封装光学成为刚需，网络在机柜价值中的比重持续上升。
供电、功率半导体与散热。高压直流配电、宽禁带功率器件、电源管理芯片和液冷系统直接决定每瓦产出，在电力成为硬约束之后，这一环节的价值和话语权都在提高。
定制芯片与设计服务。云厂商和大模型公司的自研需求会持续增长，设计服务、IP、芯粒平台和EDA工具是相对确定的“卖铲子”生意，而且受单一客户成败的影响较小。
推理与能效。推理专用芯片、低精度计算架构、边缘推理和端云协同都受益于推理占比上升，但需要找到负载足够大、足够稳定的客户，单靠融资推动的通用推理芯片成功率不高。
商业模式上，最有生命力的不是押注某一代产品，而是绑定客户的长期演进：与系统公司联合定义芯片、以长约换产能、以每瓦成本而不是峰值性能来定价。需要警惕的是两类模式：一是依赖融资和资产抵押扩张的算力租赁，二是没有稳定客户、靠单一产品追赶通用GPU的芯片创业。
八、中国大陆：体系内的路径
出口管制使全球AI产业分成两套体系，中国大陆的AI周期是在先进制程、HBM和先进封装受限的条件下展开的，不能简单套用全球的路径。我们认为中国大陆更可能走“以系统补制程、以开放生态换规模”的路径。
以系统和集群弥补单芯片差距。在单芯片性能受制程限制的情况下，通过超节点、大规模互连和集群调度提高系统整体效率，是现实可行的方向。这要求互连、光模块、交换芯片和散热供电同步跟上，其中光模块和部分机电环节已经具备全球竞争力。
存储与封装是关键约束，也是关键机会。HBM和先进封装是国产AI芯片最大的短板之一，国内存储企业和封测企业向高带宽存储和2.5D、3D封装延伸，既是补短板，也是体系内最确定的增量需求。
开源模型与国产芯片协同。国内开源大模型的快速进步降低了对单一软件生态的依赖，模型厂商、云厂商与国产芯片厂商联合优化，是建立自主生态最现实的抓手。软件栈和开发工具的成熟度，比单颗芯片的峰值算力更决定生态能否做大。
产业组织是最需要补的一环。国际经验表明，AI芯片的成功离不开市场化的龙头客户牵引和开放的生态。个别垂直一体化企业的模式在体系内有其必要性，但缺少市场化的龙头客户，芯片、系统和应用在封闭体系内循环，难以通过大规模外部用户的反馈快速迭代，也难以带动整个产业链的规模效应。让云厂商、模型公司等市场化客户真正成为国产芯片的主力买家，比单纯扩大产能更重要。
成熟制程和功率器件的外溢机会。AI周期带动的电源管理、功率半导体、模拟和接口芯片需求，大部分可以在成熟制程上实现，是国内企业更容易进入全球供应链的环节。
从发展模式看，中国大陆的AI半导体产业仍处在“追赶加替代”的阶段，其进程取决于制程、存储、封装三个约束的突破节奏和生态建设的进展，而不是某个时间表。更值得跟踪的是路径信号：国产芯片在市场化客户中的采购占比，开源模型对国产芯片的适配程度，以及HBM和先进封装的量产进展。
九、相关建议
需求，要从“台数”转向“瓦数”。AI周期的需求预测应以数据中心电力容量、云厂商资本开支和融资条件为主线，终端出货量的参考价值在下降。
位置，要盯住约束环节。瓶颈在哪里，价值就在哪里。企业应评估自身产品是否处在封装、存储、互连、供电等约束环节，或能否帮助客户降低每瓦成本。
产品，要嵌入生态而不是单打独斗。再垂直化之后，独立通用芯片的空间收窄，与系统公司联合定义、成为某个生态中不可替代的一环，成功概率更高。
合作，要用长约换确定性，但控制金融化风险。长约和预付能平滑周期，但供应商融资、算力租赁和资产抵押类合作需要严格评估对手方的现金流和终端收入。
资本，要把融资窗口当作领先指标。一级市场集中度、大模型公司融资节奏和科创板估值，会比终端需求更早反映芯片订单的变化，企业的产能和库存规划应纳入这些信号。
中国大陆企业，要把市场化客户放在首位。以系统补制程、以开放生态换规模，让市场化的龙头客户和开源模型生态成为国产芯片迭代的主要牵引力。
