国信证券_ASIC芯片崛起：云厂、芯片设计及光互连投资机遇_20260625.pdf

国信证券2026-06-25查看原文

摘要

1国信证券发布ASIC芯片行业专题报告，维持互联网行业“优于大市”评级。

2研报指出随着AI推理需求爆发及模型商业闭环形成，自研ASIC凭借TCO优势加速放量，预计2026年出货770万片（占比45%），2027年份额将超GPU达58%。

3谷歌TPU、亚马逊Trainium及阿里真武芯片成为云厂降本增效核心抓手。

4产业链方面，ASIC设计权回收利好Marvell等厂商，互联瓶颈凸显带动OCS光交换、PCIe Switch及光模块需求激增，重点关注博通、Marvell、Coherent、Lumentum及Astera Labs等标的。

文本

![](page=0,bbox=[188, 72, 695, 194])

ASIC芯片崛起：云厂、芯片设计及光互连投资机遇

行业研究·行业专题

互联网·互联网II

投资评级：优于大市（维持）

证券分析师：张伦可

0755-81982651

证券分析师：张昊晨

zhanglunke@guosen.com.cn

S0980521120004

zhanghaochen1@guosen.com.cn

S0980525010001

报告摘要

![](page=1,bbox=[2542, 73, 3044, 194])

模型商业模式逐步闭环，算力成为核心生产要素。2026年以来，模型最大的变化是跨越了可持续执行任务拐点，编程能力、长程任务、工具调用成为模型重点提升的方向。随着模型价值量不断释放，推理需求进入快速增长阶段，Anthropic或将实现单季度盈利标志着模型公司商业模式逐步形成闭环，算力正成为企业创造价值的核心生产要素。

伴随推理侧需求爆发，各公司自研芯片能力验证成熟，ASIC出货迎来加速期。我们预计26年ASIC芯片出货量大约770万片，份额为 45%，并将在27年超过GPU份额达到 58%。对比来看，英伟达GPU拥有更好的TPS，但是从TCO或者Cost Per Token角度，ASIC的优势更显著，因此也更加适合推理场景。

自研ASIC正在成为云厂商构建竞争优势的重要抓手。一方面，自研芯片有助于缓解高端GPU供给约束，提升算力供给能力；另一方面，相较于外部采购GPU，自研ASIC能够显著优化成本结构，提升云业务盈利能力。随着自研芯片成熟度持续提升，我们预计具备ASIC能力的云厂商有望在收入增长与利润释放两个维度持续受益。

$ \textcircled{1} $谷歌：自研芯片进展领先同业，26年起对外出售，加速放量带动云收入增长。自研芯片已推动26Q1云收入同比+63%，预计26/27年出货量达到500/1500张，并于26年开始正式对外出售，预计27年贡献云收入占比达到18%。

$ \textcircled{2} $亚马逊：26年起Trainium外部客户认可度提升，芯片业务整体ARR超过200亿美元，带动云收入加速。26年起Anthropic、OpenAI等更多外部客户逐步与公司签订合同，表明芯片能力已达到成熟可用阶段，伴随出货量持续增长，我们测算Trainium将带动AWS27年约 4%的收入增速。

$ \textcircled{3} $阿里巴巴：真武系列芯片已累计出货56万片，26年云业务有望迎来利润率拐点。

报告摘要

![](page=2,bbox=[2542, 72, 3044, 193])

ASIC崛起对产业链投资的启示：1）ASIC设计与制造产业链。随着ASIC需求快速增长，云巨头正在逐步收回芯片设计主导权，并主动推动供应链多元化，其核心目标是实现更快迭代、更快交付以及更低TCO。例如Google正在弱化对博通的依赖，引入联发科、Marvell等设计伙伴；AWS也在持续优化Trainium产业链分工，通过提升自主掌控能力降低成本。2）网络与互联基础设施。随着ASIC规模化部署，产业瓶颈正逐步从算力转向连接。 $ \textcircled{1} $ Scale-up方向，交换芯片、CPO等技术有望受益于柜内连接升级。以Trainium3为代表的新一代机柜方案，NeuronSwitch-v1带来了大量的增量PCIe芯片需求。 $ \textcircled{2} $ Scale-out方向，Google采用的OCS光交换方案以及持续扩大的大规模网络架构，均将带动OCS芯片、光模块以及相关光通信器件需求增长。

$ \textcircled{1} $ AVGO：同时受益于ASIC放量和连接需求增加，但ASIC份额受冲击。博通此前在高端ASIC设计领域拥有超过 80%市场份额，充分受益于 TPU放量以及Meta、OpenAI等公司的ASIC需求，但由于谷歌分散供应链后续份额将受到冲击。

$ \textcircled{2} $ MRVL：ASIC放量、XPU Attach崛起、连接需求爆发。公司在ASIC设计层面尽管面临丢失Trainium份额的风险，但积极与谷歌洽谈合作同时大力发展XPU Attach业务。同时公司在光互联DSP市场占据绝对主导地位，充分受益于连接需求增加。

$ \textcircled{3} $ COHR：核心受益于光模块需求增加。从800G到1.6T以及后续的3.2T，ASP和需求量持续增长。

$ \textcircled{4} $ LITE：OCS贡献弹性，光模块需求放量。公司作为谷歌的核心供应商，目标是在2027年实现10亿美元的OCS芯片年化销售额。由于原本收入体量有限，因此TPU爆发释放的OCS需求有望充分贡献业绩弹性。

$ \textcircled{5} $ ALAB：PCIe交换芯片放量。从PCIe Retimer（Aries）单品垄断向PCIe Switch（Scorpio）及光学连接平台跨越，PCIe交换芯片成为重要增量。

风险提示：宏观经济波动、下游需求不及预期、核心技术水平升级不及预期的风险、AI快速迭代平权化下竞争加剧。

![](page=3,bbox=[2542, 71, 3044, 194])

模型商业模式逐步闭环，算力成为核心生产要素

需求和供给双重驱动，ASIC芯片加速放量拐点到来

自研ASIC正在成为云厂商构建竞争优势的重要抓手

ASIC崛起对产业链投资的启示（一）：设计与制造产业链

ASIC崛起对产业链投资的启示（二）：网络与互联基础设施

Anthropic或实现单季度盈利，模型厂商迎来商业化闭环

![](page=4,bbox=[2541, 72, 3044, 194])

Anthropic 26Q2或将实现盈利，ARR接近500亿美元。根据The information和WSJ的数据，26Q1 Anthropic收入48亿美元，OpenAI 57亿美元，但Q2预计Anthropic将达到109亿，并且实现单季度OP盈利（5.6亿），而根据公司官网，5月初其ARR已达到470亿美元。

图：OpenAl和Anthropic ARR变化情况（亿美元）

![](page=4,bbox=[208, 655, 1446, 1591])

资料来源：openai、Anthropic、国信证券经济研究所整理

图：WSJ预计Anthropic或将实现单季度经营利润转正

![](page=4,bbox=[1597, 597, 2913, 1620])

资料来源：WSJ、国信证券经济研究所整理

![](page=5,bbox=[2541, 72, 3044, 193])

今年以来模型能力发生的核心变化是，跨过了可持续执行的拐点，编程能力、长程任务、工具调用成为模型重点提升的方向。用户可以放心将大段时间交给模型自行完成任务而不需要过多人为介入，模型发展的方向从更好回答问题向更高效更准确完成任务进化。根据METR，过去六年里，这一指标持续呈指数级增长，平均每七个月翻一番，目前Opus4.6、

Gemini 3.1等新一代前沿模型以 80%准确度完成任务的时间已经突破了1小时，即将正式发布的Claude Mythos甚至突破了3小时。

图：通用前沿模型智能体能够以 50%的可靠性自主完成的任务长度

![](page=5,bbox=[152, 792, 1604, 1656])

资料来源：METR、国信证券经济研究所整理

图：通用前沿模型智能体能够以 80%的可靠性自主完成的任务长度

![](page=5,bbox=[1669, 740, 3040, 1630])

资料来源：METR、国信证券经济研究所整理

Token的价值量提升，ROI清晰被测算

![](page=6,bbox=[2541, 72, 3044, 194])

企业对AI的使用量迅速增长，部分公司甚至不设置预算上限，开启Tokenmaxxing。Tokenmaxxing指的是把AI Token消耗量当作生产力指标，并尽可能把 Token用到极致。企业为了鼓励模型使用，甚至会在内部推出消耗排行榜。SemiAnalysis的年化 Token支出已达到员工薪酬的约 30%，在Anthropic Claude token上的年度支出率已高达1095万美元，每位员工每月消耗的Token数量略低于50亿个。有些团队成员每月的消耗量超过1000亿个Token。

Tokenmaxxing同时招致了部分员工的Token滥用，企业开始寻求低成本替代方案。持续的Tokenmaxxing导致部分企业员工出现浪费或无意义的Token消耗，近期Uber等公司开始设置限额或选择性价比模型支持简单任务，微软CEO在近期的访谈中表示，针对确定且可重复的业务流程，应部署小参数模型进行定向优化，如何合理利用模型，针对不同任务分配不同的模型成为企业新的关注方向，国产开源模型受到更多关注。

图：Semi Analysis部分工作场景AI ROI

Task

Token Cost

Human Cost

Human Time Taken

ROI (Human Cost / Token Cost)

Chart Cursor vs Anthropic ARR Growth (past 4 months)

$4.66

$50

1 hour

10.7x

Build tokenomics disclosure Slack bot

$58.02

$1,000

20 hours

17.2x

Set up DigitalOcean droplet for Terminal Bench

$35.97

$500

10 hours

13.9x

Initiate on Hewlett Packard Enterprise: roadmap, balance sheet, and capex sustainability

$21.33

$1,000

20 hours

46.9x

Perfomed keyword analysis on, and thematically organized full OCP 2024 conference

$16.69

$450

9 hours

27.0x

Search past conferences for CPU trends, demand, pricing, and attach ratios

$7.61

$500

10 hours

65.7x

Marvell earnings recap with CXL and CPO updates, matched to prior TEL recap format

$2.82

$200

4 hours

70.9x

Search past conferences for optical networking and optical circuit switching trends

$8.20

$500

10 hours

61.0x

Pull 5 years + YTD financials, email results with Excel tables attached

$1.87

$150

3 hours

80.2x

Assumptions: Human paid at ~$50/h hourly rate.

资料来源：Semi Analysis、国信证券经济研究所整理

![](page=7,bbox=[2541, 71, 3044, 194])

Token价值量提升驱动价格持续上涨。去年以来，SOTA模型的价格普遍呈现上涨趋势，尤其是智谱、OpenAI、谷歌，智谱26Q1累计提价幅度接近翻倍。长期来看，随着模型能力的进步，现在的单位Token和过去的单位Token已经是不同的商品，能完成的任务价值量明显增加，因此，Token价格的上涨可能是长期趋势。Sam Altman在访谈中曾提到，未来模型收费的商业模式可能变为按照完成的任务进行付费。

图：目前主流模型公司去年以来前沿模型输出价格变化情况

![](page=7,bbox=[168, 690, 1662, 1629])

图：海外Token平均支付价格

资料来源：Artificial Analysis、国信证券经济研究所整理

![](page=7,bbox=[1750, 697, 3105, 1627])

资料来源：Silicon Data、国信证券经济研究所整理

算力成为模型公司增长的关键

![](page=8,bbox=[2541, 71, 3044, 194])

AI时代，算力已成为企业创造价值的核心生产要素。黄仁勋认为，过去购买算力是为了运行软件，是支持性成本，现在算力就是生产力，算力规模直接决定token产量，进而决定企业收入。

26年4月开始，随着Claude用户量快速增长，社区大量反馈 Max订阅也会频繁 hit limit，5月在与SpaceX达成算力合作后（300MW+、22万+ NVIDIA GPU 新容量），立刻5小时限额翻倍，对于Pro、Max、Team及按席位计费的 Enterprise计划，Claude Code的5小时使用限额翻倍，同时取消高峰时段限速。

图：Anthropic去年末以来加速算力建设和采购

合作方

采购/自建

具体细节

谷歌+博通

采购

23年双方开始合作，谷歌一直是Anthropic的主要算力提供方。

25年10月，双方宣布扩展1GW的计算容量，26年上线，Anthropic将获得100万个TPU芯片

26年4月，与谷歌和博通签署了一项新协议，获得5GW的TPU容量，27年开始上线

亚马逊

采购

AWS与Anthropic合作开展Project Rainier，25年10月已投入使用，到年底采用超过50万颗Trainium2芯片进行训练和推理任务。其中仅印第安纳州项目就斥资110亿美元，发电量超过2.2GW。

26年4月，与AWS达成协议，未来10年投入1000亿美元，确保5GW的容量，投入涵盖Graviton和Trainium2至Trainium4芯片，包括到26年底上线的接近1GW的Trainium2和Trainium3

微软+英伟达

采购

25年11月，Anthropic宣布采购300亿美元Azure计算容量，由英伟达Blackwell和Rubin提供支持，购买算力容量上限达到1GW，以获得英伟达和微软150亿美元的投资

Fluidstack

自建

2025年11月，Anthropic宣布将投资500亿美元，与Fluidstack合作在德克萨斯州和纽约州建设数据中心

Coreweave

采购

26年4月，达成多年期协议，今年晚些时候开始启用计算服务

SpaceX

采购

26年5月，与SpaceX达成协议，使用其Colossus1数据中心的所有计算能力，一个月内获得300MW+，22万+NVIDIA GPU

资料来源：Anthropic、国信证券经济研究所整理

图：OpenAI数据中心建设计划及算力采购计划

时间

地点

负责方与容量

建设说明

2025-2026

德克萨斯州阿比林市

Oracle负责，目前0.7GW，后续可达1.4GW

两栋建筑完工，每栋约60,000个GB200 NVL 72服务器

2025-2026

俄亥俄州洛兹敦、德克萨斯州米拉姆县

软银负责，未来18个月内可出售1.5GW

Vera Rubin芯片

2026-

阿联酋的Stargate UAE、挪威的Stargate等

阿联酋2026年上线200MW，后续计划规模5GW

星际之门阿联酋

2026-2027

德克萨斯州沙克尔福德县、新墨西哥州多纳阿纳县、美国中西部

Oracle负责，超4GW

总计

原计划未来四年内Stargate计划容量达到近10吉瓦（GW），投资超5000亿美元；最新26年4月已经超过10GW规模英伟达投资1000亿美元锁定未来10GW数据中心的芯片供应权。AMD授权最多1.6亿股权（AMD的10%）绑定未来6GW芯片供应权。

AWS

25年11月，采购380亿美元的英伟达GPU，26年底部署完成26年2月，新增8年1000亿美元，约2GW AWS Trainium容量，覆盖Trainium3和下一代Trainium4

数据来源：公司官网、华尔街新闻、彭博新闻、国信证券经济研究所整理9

![](page=9,bbox=[2540, 72, 3043, 194])

01 模型商业模式逐步闭环，算力成为核心生产要素

02 需求和供给双重驱动，ASIC芯片加速放量拐点到来

03 自研ASIC正在成为云厂商构建竞争优势的重要抓手

04 ASIC崛起对产业链投资的启示（一）：设计与制造产业链

05 ASIC崛起对产业链投资的启示（二）：网络与互联基础设

推理需求爆发，自研ASIC能力成熟，GPU/加速器芯片迎来加速期

![](page=10,bbox=[2541, 72, 3044, 193])

伴随推理侧需求爆发，以及各公司自研芯片能力验证成熟，ASIC出货迎来加速期。根据Gartner数据，到2026年，终端用户在推理方面的支出将超过训练密集型工作负载。另一方面，供给端各公司的ASIC芯片产品经历持续迭代目前也已逐步验证成熟。

我们根据各个企业对于其自研芯片产品路线与产能测算得：26年ASIC芯片出货量大约770万片，份额为 45% ，并将在27年超过GPU份额达到 58%。并且未来在2030年占比达到约 73% ，谷歌贡献主要增量。

表：全球GPU/ASIC出货量与YoY

加速器/千颗*

2024

2025

2026E

2027E

2028E

2029E

2030E

GPU

5,234

6,110

9,570

11,500

13,300

14,600

16,000

NVDA

4,850

5,700

9,000

10,500

12,000

13,000

14,000

AMD

384

410

570

1,000

1,300

1,600

2,000

ASIC

2,130

2,850

7,700

15,900

35,200

39,500

43,000

TPU

1,280

1,700

5,000

12,000

30,000

33,000

35,000

Trainium

750

1,700

2,400

3,200

4,000

5,000

其他ASIC

100

400

1,000

1,500

2,000

2,500

3,000

Total

7,364

8,960

17,270

27,400

48,500

54,100

59,000

YoY

22%

93%

59%

77%

12%

占比

GPU

71%

68%

55%

42%

27%

NVDA

66%

64%

52%

38%

25%

24%

AMD

ASIC

29%

32%

45%

58%

73%

TPU

17%

19%

29%

44%

62%

61%

59%

Trainium

10%

其他ASIC

资料来源：各公司业绩会、各公司官网、Google Cloud Next26、SemiAnalysis、JPR，国信证券经济研究所整理 *根据各家产品迭代路线与代工产能测算

26年起ASIC厂商占比台积电CoWoS产能份额崛起

![](page=11,bbox=[2542, 72, 3044, 194])

从制造和封装环节来看，ASIC厂商在台积电的份额快速崛起。根据我们测算，预计27年台积电CoWoS产能266万 Wafer，同比+87%，其中ASIC厂商的份额将从 28%提升至 32%。

图：台积电26/27年CoWoS产能预测

AI芯片厂商

产品

2026

2027

Compute die size

制程

Compute die颗数

CoWoS产能(kwafers)

每片CoWoS芯片数

隐含出货(k)

CoWoS产能(kwafers)

每片CoWoS芯片数

隐含出货(k)

NVIDIA

B300

390

5460

560

850

4nm

NVIDIA

Vera CPU

2070

250

5750

850

3nm

NVIDIA

Spectrum/CPX

NVIDIA

Rubin R200

260

2080

740

5920

850

3nm

NVIDIA

Rubin Ultra

130

1040

850

3nm

NVIDIA

H200

540

814

4nm

AMD

MI300

110

5nm

AMD

MI350/375

288

110

3nm

AMD

MI400

650

192

1,920

110/850

2nm

8/2

AMD

MI500

2nm

AMD

Venice

1,250

2nm

AMD

Venice GPU

270

6,750

2nm

Google

TPU v7p

145

2,320

208

700

3nm

Google

TPU v8i

960

330

3,960

800

3nm

Google

TPU v8t

800

180

3,600

800

3nm

Google

TPU v9

400

850

2nm

AWS

Trainium 3

100

1,700

140

2,380

700

3nm

GUC's customers

200

1,200

645

4nm

Microsoft

Maia 200

116

700

3nm

Microsoft

Maia 300

550

850

2nm

单芯片TCO来看，ASIC芯片更有优势

![](page=12,bbox=[2541, 72, 3044, 194])

图：GPU、TPU、Trainium芯片 TCO比较

单位：美元

单位

GB200 NVL72(Spectrum)

GB300 NVL72(Spectrum)

Trainium2NL162D Torus

Trainium2NL32x23D Torus

Trainium3NL162D Torus

Trainium3NL32x23D Torus

Trainium3NL32x2Switched

Trainium3NL72x2Switched

TPUv7-3DTorus-Internal

TPUv7-3DTorus-External

服务器成本

USD

$3,179,652

$3,997,587

$154,020

$655,793

$170,554

$693,183

$757,415

$2,020,274

服务器维护服务

USD

$72,000

$16,000

$64,000

$16,000

$64,000

$144,000

网络成本

USD

$296,733

$26,300

$105,202

$26,300

$105,202

$236,700

存储成本

USD

$42,021

$5,800

$23,200

$5,800

$23,200

$52,200

软件授权及其他成本

USD

$20,677

$23,057

$2,448

$9,838

$2,912

$11,684

$12,956

$30,826

其他安装成本

USD

$72,000

$16,000

$64,000

$16,000

$64,000

$144,000

单服务器总前期集群资本开支

USD

$3,683,083

$4,503,398

$220,569

$922,032

$237,566

$961,269

$1,026,772

$2,627,998

单服务器GPU数

144

单GPU总前期资本开支

USD

$51,154

$62,547

$13,786

$14,407

$14,848

$15,020

$16,043

$18,250

WACC

9.4%

折旧周期

年

单服务器每月总资本成本

USD/mth

$92,311

$112,871

$5,528

$23,109

$5,954

$24,093

$25,734

$65,867

单GPU每小时资本成本

USD/hr/GPU

$1.76

$2.15

$0.47

$0.49

$0.51

$0.52

$0.55

$0.63

电力成本

USD/kWh

$0.09

利用率

80%

电源使用效率(PUE)

Ratio

1.35

每月每kW IT负载电力成本

USD/kW/mth

$68.60

机房托管成本

USD/kW/mth

$110.00

每月每kW总托管成本

USD/kW/mth

$178.60

整机功耗

143.05

160.05

12.46

50.16

15.77

63.34

72.43

174.89

每月服务器托管总成本

USD/mth

$25,548

$28,584

$2,225

$8,958

$2,817

$11,312

$12,935

$31,233

远程运维与支持工程师成本

USD/mth

$1,179

$262

$1,048

$262

$1,048

$2,358

网络连接成本

USD/mth

$351

$78

$312

$78

$312

$702

单服务器每月总运营成本

USD/mth

$27,078

$30,114

$2,565

$10,318

$3,157

$12,672

$14,295

$34,293

单GPU每月运营成本

USD/mth

$376

$418

$160

$161

$197

$198

$223

$238

单GPU每小时运营成本

USD/hr/GPU

$0.52

$0.57

$0.22

$0.27

$0.31

$0.33

单GPU每小时成本TCO

USD/hr/GPU

2.28

2.72

0.69

0.71

0.78

0.79

0.86

0.96

1.28

1.60

资料来源：Semi Analysis、国信证券经济研究所整理

![](page=13,bbox=[2545, 72, 3044, 193])

在推理场景中，客户更关注Cost Per Token，ASIC的成本优势更加明显。根据我们测算，在相同模型下，GPU单位时间能够产生更多Tokens，这可能意味着更加适合训练的场景，而ASIC的成本优势则更明显，也因此在推理场景下更受青睐。具体来说，我们采用DeepSeekR1模型，激活专家数：9 out of 257，模型大小：671GB，Model layer：61。假设Input token：1,024；Output token：1,024，Batch size：1，Computing power：FP8。并且假设芯片利用率为100%。根据测算结果，ASIC的成本Per Token更优

训练阶段，成本不是核心要素，每秒的Token吞吐量、集群的稳定性更加关键。根据我们测算，GPU拥有更好的TPS （Token Per Second），叠加万卡集群的成熟度，GPU依然是更好的选择。

图：GPU、TPU、Trainium芯片Token Per Second

![](page=13,bbox=[168, 838, 1524, 1640])

资料来源：Semi Analysis、国信证券经济研究所整理测算

图：GPU、TPU、Trainium芯片Cost Per Token

![](page=13,bbox=[1675, 823, 3093, 1643])

资料来源：Semi Analysis、国信证券经济研究所整理测算

亚马逊Trainium、谷歌TPU、GPU基础参数对比

![](page=14,bbox=[2540, 71, 3043, 194])

图：Trainium与TPU、GPU对比

核心规格对比

Trn3

Trn2

Trn2-Ultra

TPUv7

TPUv6e

GB300

GB200

H100

理论BF16密集算力(TFLOPS/芯片)

671

667

2307

918

2500

989

理论8-bit密集算力(TFLOPS/芯片)

2517

1300

4614

1836

5000

1978

HBM容量(GB/芯片)

144

192

32GB HBM3

288GB HBM3e

192

HBM带宽(GB/s/芯片)

4900

2900

7380

1640

8000

3350

算术强度(BF16FLOP/Byte)

136.9

230

312.6

559.8

625

312.5

295.2

单位HBM容量算力(FLOP/Byte)

4659.7

6947.9

12015.6

28687.5

17361.1

13020.8

12362.5

结构化稀疏支持

2:4,4:8,4:16

未披露

无

2:04

芯片功耗(W)

700

500

980

600

1400

1200

700

散热方式

风冷/液冷

风冷

液冷

风冷

直连液冷(DLC)

主要风冷/部分液冷

Scale Up网络

Scale Up互连技术

NeuronLinkV4

NeuronLinkV3(PCle Gen5)

NeuronLinkV3

TPUICI

NVLink5

NVLink4

Scale Up带宽(GB/s单向)

1200

512

640

600

448

900

Scale Up最大规模(芯片数)

9216

256

Scale Up拓扑结构

二维/三维互连域

4×4二维环形(Torus)

4×4×4三维环形

3D Torus

16×16二维环形

18轨优化Fat Tree

4轨优化Fat Tree

每芯片Scale Up邻居数

4任意互连

任意互连

Scale Up总HBM容量

2304

1536

6144

1769472

8192

20736

13824

Scale Up物理服务器数量

Scale Out网络

Scale Out网络技术

EFAv4

EFAv3

Google以太网

InfiniBand/以太网

Scale Out带宽(Gb/s单向)

400最高800

200

400

100

800

Scale Out拓扑

ToR Fat Tree

ToR/OCS

ToR Fat Tree

4轨Fat Tree

8轨Fat Tree

Scale Up/Scale Out带宽比

5.12

25.6

35.84

资料来源：SemiAnalysis、国信证券经济研究所整理

![](page=15,bbox=[2540, 72, 3043, 194])

模型商业模式逐步闭环，算力成为核心生产要素

需求和供给双重驱动，ASIC芯片加速放量拐点到来

自研ASIC正在成为云厂商构建竞争优势的重要抓手

ASIC崛起对产业链投资的启示（一）：设计与制造产业链

ASIC崛起对产业链投资的启示（二）：网络与互联基础设施

AWS自研芯片历程：技术班底来自Marvell，从网络芯片拓展至AI算力

![](page=16,bbox=[2541, 72, 3043, 193])

技术班底来自Marvell，从网络芯片拓展至AI算力。2015年亚马逊以约3.5亿美元收购以色列芯片设计公司Annapurna Labs，两位核心创始人Nafea Bshara和Bilic Hrvoje在Marvell工作约10年，亚马逊收购的最初目的是为降低成本，2017年推出Nitro把原来CPU负责的网络、存储、虚拟化、安全隔离全部卸载到专用芯片上；2018年推出CPU芯片AWS Graviton采用ARM架构；2019年发布推理芯片AWS Inferentia进入AI领域；21年推出训练芯片AWS Trainium，并且自23年开始将推理芯片与训练芯片合并。

图：AWS自研芯片发展历程

![](page=16,bbox=[60, 611, 3095, 1615])

注：时间口径为AWS对外首次公开宣布/发布芯片代际的时间，非实例GA或大规模商用时间。

资料来源：AWS、国信证券经济研究所整理

亚马逊Trainium：单一芯片开始逐渐构建系统级集群能力

![](page=17,bbox=[2542, 72, 3044, 194])

Trainium目前一共推出三代，从成本替代，到具备单卡能力和大模型训练能力，再到拥有系统级互联能力挑战GPU集群。

图：Trainium每代参数对比

Trainium

Trainium2NL16

Trainium2NL32x2

Trainium3

Trainium4

逻辑与算力

逻辑芯片配置

1×计算芯片+2×HBM2E

2×计算芯片+4×HBM3E

同左

2×计算芯片+4×HBM3E

4×计算芯片+8×HBM4+2×IO Die

制程节点

N3P

FP8密集算力(TFLOPS/封装)

191

1299

2517

TBD

BF16密集算力(TFLOPS/封装)

191

667

671

TBD

FP16密集算力(TFLOPS/封装)

191

667

671

TBD

TF32密集算力(TFLOPS/封装)

191

667

671

TBD

FP32密集算力(TFLOPS/封装)

181

183

TBD

内存系统

HBM类型

HBM2E8-Hi

HBM3E8-Hi

HBM3E12-Hi

HBM412-Hi

HBM堆叠数量

单堆容量(GB)

16GB

24GB

36GB

总HBM容量

32GB

96GB

144GB

288GB

总线位宽(bit)

2048

4096

16384

引脚速率(Gb/s)

3.2

5.7

9.6

内存带宽

0.8TB/s

2.9TB/s

4.9TB/s

19.6TB/s

封装与散热

封装技术

CoWoS-S

CoWoS-R

TBD

功耗(TDP)

~500W

~700W

TBD

散热方式

风冷

风冷/液冷

TBD

Scale Up网络

Scale Up互连技术

NeuronLinkV2

NeuronLinkV3

NeuronLinkV4

TBD

有效通道数(Lanes)

128

160

144

TBD

单通道速率(Gb/s)

TBD

Scale Up带宽(TB/s)

0.5

0.6

1.2

TBD

Scale Out网络

Scale Out网络技术

EFAv2

EFAv3

EFAv4

TBD

最大Scale Out带宽(Gb/s)

170

最高800

200

400

TBD

资料来源：SemiAnalysis、国信证券经济研究所整理

请务必阅读正文之后的免责声明及其项下所有内容

谷歌TPU发展历程：从内部推理加速器，到AI基础设施平台

![](page=18,bbox=[2542, 72, 3043, 193])

从谷歌内部推理加速器，逐步演进成“训练+推理+大规模互联+云服务化”的AI基础设施平台。谷歌的TPU设计团队是由内部基础设施团队牵头成立的，2015年内部部署TPUv1，服务内部搜索、广告、翻译、推荐等业务，v2开始支持训练，并通过Cloud TPU对外提供；v3进一步提高算力和内存带宽，并引入更大规模Pod。TPUv4是关键分水岭，在Pod中引入了OCS，变成“芯片+光互联+系统调度”的数据中心级产品。v5分拆训练和推理线，v6则是面向Transformer时代的一次大升级，v7Ironwood则面向生成式AI推理时代。

图：谷歌TPU发展历程

![](page=18,bbox=[58, 617, 3041, 1500])

谷歌TPU：训推分离，演进重心转向互联架构

![](page=19,bbox=[2542, 72, 3044, 194])

2026年4月的谷歌CloudNext大会上披露了TPUv8的更多信息，最大变化是训练和推理分拆。TPUv8t（训练）：单Pod可扩展至9600芯片，FP4峰值算力121 ExaFlops（前代3倍），芯片间ICI带宽翻倍至19.2 Tb/s；采用Virgo两层无阻塞网络，单集群可连超100万芯片，Scale-out带宽升至400Gb/s，空载延迟降40%。TPU8i（推理/智能体）：单Pod1152芯片，搭载288GBHBM+384MB片上SRAM（前代3倍），HBM带宽达8601GB/s；改用Boardfly拓扑，将1024芯片集群网络直径从16跳减至7跳，尾部延迟降50%，片上CAE引擎将全局操作延迟降低5倍。

图：TPU每代参数对比

项目

单位

TPU v5e(Viperlite)

TPU v5p(Viperfish)

TPU v6(Trillium)

TPU v7(Ironwood)

TPU v8t

TPU v8i

逻辑裸片配置

1x Compute Die,1x IOD,2x HBM2E4-Hi

1x Compute Die,1x IOD,6x HBM2E8-Hi

1x Compute Die,1x IOD,2x HBM38-Hi

2x Compute Dies,1x IOD,8x HBM3E8-Hi

系统可用时间

4Q23

1Q24

4Q24

4Q25

计算芯片制程节点

N/A

N5P

N3E

HBM容量

16GB HBM2E

95GB HBM2E

32GB HBM3

192GB HBM3E

216GB

288GB

HBM带宽

GB/s

819

2,765

1,640

7,380

6,528

8601

封装技术

CoWoS-S

FP8稠密算力

TFLOPs

459

918

4,614

INT8稠密算力

TFLOPs

394

918

1,836

4,614

BF16稠密算力

TFLOPs

197

459

918

2,307

芯片热设计功耗(TDP)

~300

~550

~390

~980

Scale up网络

Scale Up拓扑结构

2D Torus

3D Torus

2D Torus

2D/3D Torus

3D torus

Boardfly

芯片间单向互联带宽

Gb/s

1,600

4,800

3,200

4,800

9600

TPU Pod集群规模

256

8,960

256

9,216

9600

1152

资料来源：SemiAnalysis、国信证券经济研究所整理

预计27年谷歌TPU和亚马逊Trainium出货量将达到1500/220万张

![](page=20,bbox=[2542, 72, 3044, 193])

亚马逊：根据公司25年股东信，亚马逊26Q1芯片业务ARR已超过200亿美元，同比三位数增长（包括Graviton，Trainium，and Nitro），占云收入的约 15%。如果作为独立业务对外销售则将达到500亿美元。

Graviton：23-25年，连续3年AWS新增CPU容量的一半以上由Graviton提供支持，排名前1000的EC2客户中有 98%已经受益于Graviton的性价比优势。

Trainium：公司主要面向Anthropic和OpenAI提供服务，25年主要面向Anthropic，预计25年Trainium芯片为公司贡献约30亿+美元收入。

谷歌：TPU由于更成熟的使用效果，目前谷歌已经开始向特定客户群体直接交付TPU硬件，首批客户包括Thinking Machines Lab、 Hudson River Trading和Boston Dynamics等AI实验室、资本市场公司和高性能计算应用客户，今年晚些时候开始确认收入，27年产生绝大部分收入，我们预计今年TPU的出货量将达到500万张。

图：AWS AI芯片保有量预测（存量）、谷歌TPU出货量预测

单位：万张

2022年

2023年

2024年

2025年

2026年

2027年

Trainium1

Trainium2

120

Trainium3

170

220

合计

120

170

220

单位：万张

2023年

2024年

2025年

2026E

2027E

240

180

120

110

200

v8t(博通负责)

v8i(联发科负责)

130

合计

240

300

500

1200

资料来源：Omdia、Amazon、The Information、Wolfe Research、国信证券经济研究所整理预测

阿里云：平头哥芯片出货量达56万，真武M890发布

![](page=21,bbox=[2542, 72, 3044, 194])

26年5月20日，阿里发布自研芯片的路线图，平头哥发布了新一代训推一体AI芯片真武M890，144GB显存，片间互联带宽 800GB/s，性能是上一代真武810E的3倍。配套发布的ICN Switch 1.0互联芯片，可以将128张AI芯片组成一台超节点服务器，P2P时延低于150纳秒。未来两年将陆续推出算力更强的真武V900、真武J900两代芯片。

根据阿里技术，截止5月，真武系列芯片已累计出货56万片。服务了中国电信、中国一汽、浦发银行等20多个行业的400多家客户。截至26Q1，超过10万卡真武PPU已部署于阿里云公共平台，超过30家车企及自动驾驶公司正基于此芯片开展智能驾驶研发。

图：真武芯片发展路线&平头哥芯片出货量

真武810E

真武M890

真武V900

真武J900

发布时间

2024Q2

2026Q2

2027Q3

2028Q3

核心性能

基线(1X)

显存容量

96GB

144GB

216GB

片间互联带宽

700GB/s

800GB/s

1200GB/s

架构特点

自研并行计算架构，高易用训推一体AI芯片

全面升级自研并行计算架构

深度迭代自研并行计算架构

自研并行计算架构跨越革新

累计出货量

截至2026年2月，真武(810E)已经累计规模化交付47万片

资料来源：阿里巴巴、国信证券经济研究所整理测算

![](page=21,bbox=[1928, 830, 2992, 1513])

海外云收入与利润率：研芯片产能爬坡带动云厂利润率优化

![](page=22,bbox=[2541, 72, 3043, 193])

研芯片产能爬坡带动云厂利润率优化。26Q1海外云厂收入加速增长，其中谷歌、亚马逊表现亮眼，谷歌云收入增速已达到 63%，AWS也连续多个季度加速，但Azure则保持平稳，我们认为核心原因在于TPU和Trainium芯片得到验证后极大缓解了两家公司的供给压力，但微软的自研芯片尚未获得大范围认可。利润端，自研芯片也能够缓解云厂的成本压力（根据公司财报，Trainium合作的世芯毛利率仅 20%+，博通在 60%，因此谷歌寻求了联发科合作，而英伟达毛利率高达 75%）。

图：海外云厂收入增速

![](page=22,bbox=[184, 728, 1571, 1570])

资料来源：公司财报、国信证券经济研究所整理

图：海外云OPM

![](page=22,bbox=[1669, 780, 3086, 1574])

资料来源：公司财报、国信证券经济研究所整理

云厂自研芯片能够有效降低成本，带来利润率的提升

![](page=23,bbox=[2541, 72, 3044, 194])

云厂自研芯片能够有效降低成本，带来利润率的提升。我们结合Trainium2、H100、H200、B200、B300、TPUv6的租赁价格和售价，仅考虑芯片成本，不考虑租赁价格的折扣，测算毛利率能够得到Trainium2和TPUv6的毛利率都好于英伟达芯片。

图：Trainium、GPU、TPU的毛利率对比（注：仅考虑芯片成本，租赁价格未考虑折扣）

![](page=23,bbox=[262, 649, 2876, 1572])

资料来源：AWS、GCP、国信证券经济研究所整理测算

亚马逊云：Trainium将带动AWS27年约4%的收入增速

![](page=24,bbox=[2542, 72, 3044, 193])

我们预计25年亚马逊Trainium芯片贡献收入34亿美元，27年在云收入中占比提升至 7%，AI IaaS收入2027年占比有望达到 18.5%，Trainium将带动约 4%的收入增速

图：AWS Trainium和GPU收入

$MMs

2022

2023

2024

2025E

2026E

2027E

AWS资本开支

27,755

24,843

53,267

90,554

117,720

141,264

AWS服务器资本开支占比

60.0%

AWS服务器资本开支

16,653

14,906

31,960

54,332

70,632

84,758

Trainium出货量测算

2022

2023

2024

2025E

2026E

2027E

Trainium期初保有量

0.20

0.30

0.40

0.50

1.70

3.40

加：Trainium单位净新增

0.10

1.20

1.70

2.20

Trainium期末保有量

0.3

0.4

0.5

1.7

3.4

5.6

Trainium预计单芯片成本

$1,200

$1,500

$8,071

Trainium资本开支

106

120

150

9,686

13,721

17,757

占AWS资本开支比例

0.8%

0.5%

17.8%

19.4%

20.9%

Trainium3芯片

0.00

1.70

2.20

Trainium2芯片

0.00

0.10

1.30

Trainium1芯片

0.30

0.40

Trainium3占比

50%

56%

Trainium2占比

20%

76%

38%

33%

Trainium1占比

100%

80%

24%

12%

10%

Trainium收入测算

2022

2023

2024

2025E

2026E

2027E

Trainium每小时成本

$0.60

$2.24

Trainium综合每小时成本

$0.60

$0.92

$0.82

$0.91

$0.92

批量折扣

58%

57%

56%

内部工作负载

35%

33%

31%

26%

21%

16%

外部工作负载

65%

67%

69%

74%

79%

84%

利用率

85%

Trainium收入

$363

$511

$1,044

$3,430

$8,088

$14,336

同比增速

40.7%

104.2%

228.5%

135.8%

77.3%

占AWS收入比例

0.5%

0.6%

1.0%

2.7%

5.0%

7.0%

资料来源：AWS、国信证券经济研究所整理测算

NVDA GPU出货量测算(百万颗)

2022

2023

2024

2025E

2026E

2027E

NVDA GPU期初保有量

0.06

0.13

0.23

0.48

0.79

1.04

加：NVDA GPU净新增

0.06

0.11

0.25

0.31

0.43

0.54

减：退役NVDA GPU

0.19

0.16

NVDA GPU期末保有量

0.13

0.23

0.48

0.79

1.04

1.42

NVDA芯片收入贡献(百万美元)

2022

2023

2024

2025E

2026E

2027E

NVDA GPU每小时成本

A100

1.475

1.48

0.00

H100

0.00

3.93

H200

0.00

4.33

GB200

0.00

5.29

NVDA GPU综合每小时成本

0.74

1.47

1.72

2.12

2.18

2.23

A100

100%

40%

20%

H100

60%

80%

60%

55%

50%

H200

25%

20%

15%

GB200

15%

25%

35%

批量折扣

50%

相对Trainium溢价

1.24x

2.47x

1.86x

2.57x

2.39x

2.43x

内部工作负载

外部工作负载

95%

利用率

90%

NVDA GPU收入

$694

$2,556

$6,176

$12,595

$16,870

$23,714

同比增速

268.4%

141.6%

103.9%

33.9%

40.6%

占AWS收入比例

0.9%

2.8%

5.7%

9.8%

10.4%

11.5%

Trainium+NVDA GPU收入

$1,057

$3,067

$7,220

$16,025

$24,958

$38,050

同比增速

190.1%

135.4%

122.0%

55.7%

52.5%

占AWS总收入比例

1.3%

3.4%

6.7%

12.5%

15.3%

18.5%

谷歌云：TPU收入在26年占比将达到 18%，贡献近170亿美元

![](page=25,bbox=[2542, 72, 3044, 193])

AI云已成为谷歌云增长主要动力。 25年谷歌云收入同比+36%，我们测算其中AI云有望实现同比+102%，收入占比达到27%。GPU和TPU租赁相关收入同比+72%，26年将延续这一趋势。

当前算力的需求方仍以头部公司为主，大型互联网公司是主要客户。我们预计TPU的收入主要来自苹果和Anthropic，小部分来自 Safe Superintelligence和 Physical Intelligence等人工智能实验室，GPU租赁收入则主要来自Meta、字节、腾讯等公司。根据我们测算，预计TPU在云收入中的占比在26年将达到18%，贡献近 170亿美元

图：谷歌云收入预测

2022

2023

2024

2025

2026E

2027E

谷歌云收入

26,280

33,088

43,229

58,705

93,521

142,582

YoY

37%

26%

31%

36%

59%

52%

传统云

24,510

29,496

35,431

42,953

53,692

63,356

YoY

20%

21%

25%

18%

AI云

1,770

3,592

7,798

15,752

39,829

79,225

YoY

103%

117%

102%

153%

99%

占云收入比例

11%

18%

27%

43%

56%

AI IaaS收入

1,770

3,592

7,798

13,404

28,089

44,005

YoY

103%

117%

72%

110%

57%

TPU收入

1,340

2,109

3,832

6,220

16,907

30,142

YoY

121%

56%

82%

52%

66%

46%

占云收入比例

11%

18%

21%

TPU数量

4.4

6.1

8.1

11.1

16.1

TPU Blended Cost/HR

0.92

0.86

1.00

1.03

1.11

1.18

折扣率

70%

外部使用占比

14%

17%

20%

23%

40%

45%

利用率

90%

GPU收入

430

1483

3966

7184

11182

13863

YoY

245%

168%

81%

56%

24%

占云收入比例

12%

10%

2,348

11,740

35,220

MaaS收入

400%

200%

YoY

资料来源：谷歌、国信证券经济研究所整理测算

阿里云：自研芯片带动收入加速增长及EBITA Margin改善

![](page=26,bbox=[2541, 72, 3043, 194])

自研芯片放量驱动云收入加速增长。根据我们测算，AI云收入在阿里外部云收入中占比在FY28将超过 50%，核心驱动来自于GPU租赁和MaaS的高速增长，其中，自研芯片的放量将带动GPU租赁收入的加速增长，保持三年超过 50%的增速。

利润端，自研芯片将提升GPU租赁业务的毛利率。结合算力租赁的涨价，我们预计FY29GPU租赁的毛利率将提升至约 36%。结合MaaS的高毛利率，预计到FY29阿里云整体的经调EBITA利润率将达到 16%。

图：阿里云收入拆分

单位：百万元人民币

FY2023

FY2024

FY2025

FY2026

FY2027E

FY2028E

FY2029E

收入

103,268

106,432

118,028

158,132

234,078

344,923

492,590

YoY

38%

11%

34%

48%

47%

43%

外部

77,203

75,957

83,698

111,043

168,153

252,628

363,378

yoy

-2%

10%

33%

51%

50%

44%

AI云收入

800

4,800

11,260

28,263

70,291

140,086

236,206

yoy

500%

135%

151%

149%

99%

69%

占外部云收入

13%

25%

42%

55%

65%

GPU租赁

19,687

38,437

61,499

92,248

YoY

95%

60%

50%

占AI云比例

70%

55%

44%

39%

毛利率

25%

31%

35%

36%

MaaS(含百炼+API调用)

5,658

25,000

66,250

121,750

YoY

342%

165%

84%

占AI云比例

20%

36%

47%

52%

毛利率

30%

40%

45%

48%

传统云收入

76,403

71,157

72,438

82,780

97,862

112,542

127,172

yoy

-7%

14%

18%

15%

13%

经调EBITA

2281

5592

10556

14265

24,899

47,955

80,404

YoY

99%

145%

89%

35%

75%

93%

68%

经调EBITA Margin

2.2%

5.3%

8.9%

9.0%

10.6%

13.9%

16.3%

资料来源：公司财报、国信证券经济研究所整理测算

请务必阅读正文之后的免责声明及其项下所有内容

![](page=27,bbox=[2540, 72, 3043, 194])

模型商业模式逐步闭环，算力成为核心生产要素

需求和供给双重驱动，ASIC芯片加速放量拐点到来

自研ASIC正在成为云厂商构建竞争优势的重要抓手

ASIC崛起对产业链投资的启示（一）：设计与制造产业链

ASIC崛起对产业链投资的启示（二）：网络与互联基础设施

谷歌TPU：寻找更多设计合作方，推动成本降低

![](page=28,bbox=[2542, 72, 3044, 194])

根据公司财报，博通在芯片设计中的毛利率达到接近 60%，在中间环节加价约 15%-20%。博通是谷歌TPU的主要合作方，与谷歌在芯片设计中分工明确，谷歌负责整体芯片架构、算法及结构验证；博通承担芯片集成、电路实现（含互联、内存、电源管理相关电路设计等前端环节）及后端的布局布线、流片测试、封装交付等全流程工作。由于博通在其中打包销售了高毛利的 IO Chiplet（高速接口芯粒）和专用交换机芯片（如 Tomahawk 5/6 系列和分布式 X-Bar 架构），这部分网络 IP 的毛利率高达 75%+

26年4月，博通与谷歌签订合作，将为谷歌未来几代的张量处理单开发和供应定制的TPU。此外，根据公司公告，博通还达成了一项供应保证协议，博通将为谷歌的下一代AI机架提供网络和其他组件，直至2031年。同时，博通、谷歌和Anthropic扩大了现有的战略合作。根据该合作，Anthropic将从2027年开始，通过博通接入约3.5GW的计算能力。

谷歌积极寻求摆脱对博通的依赖，与联发科、Marvell洽谈合作。26年初官宣的TPUv8分为推理和训练两个版本，其中推理芯片TPUv8i由联发科负责。此外，根据The information，谷歌还在正与Marvell洽谈开发两款新型AI芯片：一是内存处理单元（MPU），用于协同TPU卸载内存计算任务，缓解高并发推理下的内存带宽瓶颈；二是针对推理场景优化的专用TPU，旨在降低单次AI响应的算力成本。

图：博通、迈威尔、联发科、世芯ASIC业务收入

![](page=28,bbox=[173, 1066, 1511, 1670])

图：博通、迈威尔、联发科、世芯ASIC业务毛利率

资料来源：公司财报、国信证券经济研究所整理测算

![](page=28,bbox=[1606, 1074, 2966, 1660])

资料来源：公司财报、国信证券经济研究所整理测算

![](page=29,bbox=[2542, 71, 3044, 193])

谷歌主要依赖台积电提供的CoWoS封装和晶圆生产，但由于需要同时支持自身模型业务发展、主业运行、以及云业务对外提供服务，谷歌存在较大的算力缺口，因此近两年积极寻求其他公司产能。

Intel已获得谷歌300万颗订单：根据The information报道，谷歌在对英特尔的先进封装技术进行数月测试后，已向英特尔订购了超过 300万颗TPU，预计将于2028年交付。

Amkor、ASE承接CoWoS体系的外溢产能合作：Amkor24年将台积电成熟的先进封装技术——晶圆基板芯片封装（CoWoS）和集成扇出封装（InFO）——引入美国市场。

三星：根据The Information，谷歌正在与三星电子洽谈，计划由三星承接第十代TPU芯片的部分组件，负责制造内存I/O Die，即连接计算核心与HBM等内存的桥梁，采用2nm GAA工艺制程。I/O Die主要负责SerDes、PCIe/CXL等接口，以及与HBM的互联，同时相对更标准化，更适合三星。核心计算引擎（计算Die）则是由台积电代工，采用其最尖端的1.4nm先进制程。分开制造再拼接，既释放了台积电的产能压力，又能大幅降低整颗TPU的综合制造成本。

我们预计26年谷歌TPU接近500万颗产能中，台积电与ASE合计贡献接近450万颗，其余部分则由Amkor承接。

图：半导体产业链价值量分布

环节

代表公司

价值量占比

特点

设计(Design)

英伟达、博通、高通、联发科

25%-40%

轻资产，高毛利，核心壁垒在于人才、IP积累和生态绑定。

制造(Fabrication)

台积电、三星电子、中芯国际

40%-60%

重资产、资本密集、规模效应显著

封装(Packaging)

日月光、安靠、长电科技、通富微电、华天科技、台积电

5%-20%

劳动密集，技术壁垒中等，AI时代先进封装价值量在提升

测试(Testing)

京元电子、日月光、长电科技、通富微电、华峰测控

2%-8%

劳动密集，技术壁垒中等

资料来源：各公司官网、国信证券经济研究所整理

图：TPU26年封装产能结构

![](page=29,bbox=[1784, 1145, 3071, 1634])

资料来源：公司财报、国信证券经济研究所整理测算

请务必阅读正文之后的免责声明及其项下所有内容

亚马逊Trainium：与Marvell和Alchip深度合作，逐渐收拢价值量

![](page=30,bbox=[2542, 72, 3044, 193])

从世芯到Marvell，Trn1+Trn2芯片设计和互联能力逐渐成熟。根据SemiAnalysis，Trainium系列的前端设计由亚马逊自己完成，第一代版本后端设计和全套管理工作，包括台积电的流片均由Alchip完成，根据公司财报，预计2024年其收入的 60%都由亚马逊贡献。采用台积电5nm工艺制造的Trainium2芯片由Marvell负责，但其在Trainium2项目上执行不佳，开发周期拖太久，并且在封装RDL interposer设计上遇到问题，后来需要Alchip介入，帮助交付可工作的方案。

Trn3世芯重新主导，但价值量进一步被亚马逊收拢。根据SemiAnalysis，Trainium3前端继续由亚马逊设计，PCIe SerDes部分则获得了Synopsys的授权。后端物理设计和封装设计由Alchip负责。SemiAnaylsis认为Trainium3可能继承了Marvell设计的Trainium2的部分接口IP。在Trn3中，预计存在两个流片项目，一个由Alchip拥有（称为“Anita”），另一个则由Annapurna直接拥有（称为“Mariana”）。在Anita项目中，Alchip直接从台积电采购芯片组件；而在Mariana项目中，Annapurna也直接采购芯片组件。大部分产量将用于Mariana项目。虽然Alchip在Mariana项目中的设计参与度与Anita项目类似，但他们从Mariana项目获得的收入应该会低于Anita项目。就每总拥有成本（TCO）的性能而言，亚马逊更加重视降低TCO。

图：世芯电子来自亚马逊的收入占比

![](page=30,bbox=[294, 1061, 1499, 1640])

资料来源：公司财报、国信证券经济研究所整理

图：世芯电子毛利率

![](page=30,bbox=[1622, 1068, 2851, 1611])

资料来源：公司财报、国信证券经济研究所整理

博通：同时受益于ASIC放量和连接需求增加，但ASIC份额受冲击

![](page=31,bbox=[2541, 72, 3043, 192])

博通的主要收入驱动因素来自AI Semis（FY25占比大约 30%），其中包括AI Networking，主要是以太网AI网络芯片，以及AI Compute（ASIC）。

AI Compute（ASIC）受益于TPU放量以及Meta、 OpenAI等公司的ASIC需求，但由于谷歌分散供应链份额将受到冲击。大约 90%收入来自TPU，预计 FY26/27伴随TPU出货加速将迎来爆发期，但考虑到从TPUv8开始谷歌仅将训练芯片交给博通负责设计，我们预计FY26-FY28博通的TPU出货量为 370/550/700万。预计博通ASIC芯片业务FY26- FY28收入分别为433/932/1328亿美元。

AI Networking受益于连接需求增加。Tomahawk交换芯片是博通AI网络收入的主要来源，预计 FY26-FY28出货量为69/110/130万张，对应产生的收入为104/198/234亿美元，此外其他部分中，PCIe交换芯片、DSP芯片、NIC也将迎来持续放量

图：博通收入利润预测

单位:百万美元

FY2024

FY2025

FY2026E

FY2027E

FY2028E

收入

51,574

63,887

105,807

173,088

226,142

YoY%

44%

24%

66%

64%

31%

Semis

30,096

36,858

72,084

137,988

191,354

YoY%

22%

96%

91%

39%

AI Semis

12,252

20,138

56,542

119,255

164,474

YoY%

64%

181%

111%

38%

AI Networking

3,841

7,168

13,231

26,033

31,685

YoY%

87%

85%

97%

22%

交换芯片

5,808

10,350

19,800

23,400

YoY%

78%

91%

18%

出货量

0.53

0.69

1.1

1.3

单价(美元)

11,000

15,000

18,000

其他芯片

1,360

2,881

6,233

8,285

YoY%

112%

116%

33%

AI Compute

8,411

13,056

43,311

93,222

132,789

YoY%

55%

232%

115%

42%

TPU

11,750

40,700

88,000

126,000

出货量

3.0

3.7

5.5

7.0

单价(美元)

3,917

11,000

16,000

18,000

其他ASIC

1,306

2,611

5,222

6,789

100%

30%

Non-AI Semis

17,844

16,720

15,542

18,733

26,880

YoY%

-6%

-7%

21%

43%

Infra Software

21,478

27,029

31,946

37,228

37,789

YoY%

181%

26%

18%

17%

毛利

32,509

43,294

72,969

119,693

162,195

毛利率

63%

68%

69%

72%

13,463

25,484

53,240

95,975

132,688

OPM

26%

40%

50%

55%

59%

Non-Gaap OP

30,736

41,997

70,115

113,940

151,061

Non-Gaap OPM

60%

66%

67%

Semis OP

16,759

21,232

44,366

79,840

111,053

Semis OPM

56%

58%

62%

58%

Infra Software OP

13,977

20,765

26,227

36,332

37,033

Infra Software OPM

65%

77%

82%

98%

net income

5,895

23,126

45,320

82,721

111,536

NPM

11%

36%

43%

48%

49%

![](page=32,bbox=[2541, 71, 3050, 193])

ASIC业务放量。根据The Information，ASIC除了传统的 Amazon Trainium 项目，Microsoft的 Maia 3nm 项目预计在明年进入大批量生产，同时公司正在与谷歌洽谈相关的合作。

XPU Attach（如 CXL 控制器、SmartNIC等配套芯片）的崛起。公司预计Custom XPU 市场 2023-2028 CAGR 为 47%，XPU Attach 市场 CAGR 高达 90%，到 2028 年，XPU Attach TAM 将从 2023 年的约6亿美元增长至约146亿美元，占整个定制计算市场的约 26%。未来每个 AI Tray 内部的很多芯片都会逐渐定制化，因此 Attach的设计机会数量将显著高于 XPU 本身。目前已有超过20个 Custom + XPU Attach design wins。

Marvell在光互联DSP市场占据绝对主导地位，受益于连接需求增加。在800G时代，其市场份额高达 70%，尽管博通布局1.6T对其形成一定竞争压力，但连接需求的爆发依然能够带动公司相关收入增长。

图：迈威尔收入利润预测

单位:百万美元

FY2023

FY2024

FY2025

FY2026

FY2027E

FY2028E

FY2029E

收入

5,920

5,508

5,767

8,195

11,518

16,763

23,361

-7%

42%

41%

46%

39%

Data center

2,409

2,217

4,164

6,100

9,210

14,313

20,959

-8%

88%

46%

51%

55%

46%

3,370.0

5,416.2

9,184.6

13,835.6

61%

70%

51%

光

1,950.6

3,686.4

5,582.7

7,119.1

89%

51%

28%

ASIC/XPU attach

666.5

1,419.4

1,777.5

3,601.9

6,716.5

103%

86%

其他非AI

2,730

3,794

5,129

7,123

39%

35%

39%

Comms and Other

3,511

3,291

1,603

2,094

2,221

2,361

2,492

-6%

-51%

31%

毛利

2,988

2,294

2,382

4,181

6,023

8,911

12,753

毛利率

50%

42%

41%

51%

52%

53%

55%

238

-568

-720

1,323

2,172

4,383

7,731

OPM

-10%

-12%

16%

19%

26%

33%

net income

-164

-933

-885

2,670

1,514

3,631

6,110

NPM

-3%

-17%

-15%

33%

13%

22%

26%

资料来源：公司财报、彭博、国信证券经济研究所整理测算

![](page=33,bbox=[2540, 72, 3043, 194])

模型商业模式逐步闭环，算力成为核心生产要素

需求和供给双重驱动，ASIC芯片加速放量拐点到来

自研ASIC正在成为云厂商构建竞争优势的重要抓手

ASIC崛起对产业链投资的启示（一）：设计与制造产业链

ASIC崛起对产业链投资的启示（二）：网络与互联基础设施

网络与互联基础设施：算力规模扩大后，连接成为关键

![](page=34,bbox=[2542, 72, 3044, 194])

Marvell CEO Murphy 6月COMPUTEX大会上提出了一条核心结论：AI基础设施的瓶颈正在从算力和存储转向连接，而铜缆正在逼近物理极限，光学替代不可逆。具体来看，AI基础设施的瓶颈正在经历第三次迁移。

第一次瓶颈是算力。行业需要远超传统的计算能力来支撑AI训练和推理。

第二次瓶颈是存储。更大的模型需要更大的存储容量和更高的带宽。HBM高带宽存储器成为关键资源，它把存储颗粒垂直堆叠后紧贴GPU封装，提供远超传统内存的带宽。

第三次瓶颈是连接。现代AI需要数万乃至数百万个处理器协同工作，构成一台超大规模计算引擎。当计算问题被拆解成无数子任务分散到整个数据中心执行时，连接就是一切。推理模型、MoE混合专家架构（一个大模型被拆成多组"专家"子网络，每次推理只激活一小部分，但不同专家可能分布在不同芯片上）、agentic AI（能自主规划任务、调用工具、持续执行的AI系统）都在推高对连接带宽和延迟的要求。

图：当集群规模扩大时（横轴是GPU个数），集群利用效率会下降，连接的重要性凸显

![](page=34,bbox=[1676, 404, 2996, 1471])

资料来源：《MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs》、国信证券经济研究所整理

Scale Up：亚马逊Scale Up方案较谷歌更激进，PCIe交换芯片需求增加

![](page=35,bbox=[2542, 72, 3043, 193])

亚马逊Scale Up方案较谷歌更激进，PCIe交换芯片需求增加。在Scale up网络中，Trainium2使用的是2D/3D Torus，与谷歌的思路类似，但环面拓扑结构并不是最适合MOE模型的网络结构，采用3D Torus架构时，扩展网络会因过载而突然面临带宽瓶颈。为应对以上问题，Trainium3从2D/3D环面架构转向了交换式架构，引入NeuronSwitch-v1，这带来了大量交换芯片需求的增加。

图：Trn2和Trn3 NL32X2 机柜方案

OOB management switch

2U x86 CPU Head Tray (2*Sapphire Rapids)

EFA/ENA ToR Switch (12.8T 32 QSFP-DD Twin Cages)

2U Trainium2 JBOG (2*Trn 2)

power shelf 33kW

BBU Shelf 33kW

power shelf 33kW

BBU Shelf 33kW

资料来源：Semi Analysis、国信证券经济研究所整理测算

power shelf 33kW

BBU Shelf 33kW

OOB management switch

2U x86 CPU Head Tray(2*Sapphire Rapids)

EFA/ENA ToR Switch(12.8T 32 QSFP-DD Twin Cages)

2U Trainium3 JBOG(2*Trn3)

NeuronLinkv4 Switch Tray

2U Trainium3 JBOG(2*Trn3)

EFA/ENA ToR Switch(12.8T 32 QSFP-DD Twin Cages)

2U x86 CPU Head Tray(2*Sapphire Rapids)

OOB management switch

power shelf 33kW

BBU Shelf 33kW

power shelf 33kW

BBU Shelf 33kW

OOB management switch

2U x86 CPU Head Tray(2*Sapphire Rapids)

EFA/ENA ToR Switch(12.8T 32 QSFP-DD Twin Cages)

2U Trainium3 JBOG(2*Trn 3)

NeuronLinkv4 Switch Tray

2U Trainium3 JBOG(2*Trn 3)

EFA/ENA ToR Switch(12.8T 32 QSFP-DD Twin Cages)

2U x86 CPU Head Tray(2*Sapphire Rapids)

OOB management switch

power shelf 33kW

BBU Shelf 33kW

![](page=36,bbox=[2541, 71, 3044, 194])

采用NeuronSwitch-v1带来了大量的增量PCIe芯片需求。Trainium3的生命周期内，共推出了三代Scale up交换机，而每代升级意味着需要大量的PCIe芯片。第一代是160通道的Scorpio X PCIe 6.0交换机，第二代是320通道的Scorpio-X PCIe 6.0交换机，第三大还可以选择升级到更高基数的72+端口UALink交换机。。

第一代交换机需求数量与芯片数量比例为1:2左右。以第一代版本为例，在32x2的服务器节点中需要32个交换芯片，但在72x2的服务器节点中泽需要368个交换芯片（其中288个36通道的pcie交换芯片），如果仅看160通道的PCIe芯片，需求数量与芯片数量比例为1:2左右，在第二代中的需求量有所减少，约为1:4。

图：Trn3 Scale-up交换机路线图

单位

Gen1(Scorpio X 160通道)

Gen2(Scorpio X 320通道)

Gen3(Scorpic X UALink)

Trainium3服务器SKU

NL32x2 Switched

NL72x2 Switched

NL32x2 Switched

NL72x2 Switched

NL32x2 Switched

NL72x2 Switched

交换机规格对比(按代际)

PCle代际

无

6.0

7.0

PCle物理通道数(PHY)

无

160

320

每通道带宽(单向)

Gbit/s

128

每端口通道数

无

端口数量

无

72+

单交换机带宽(单向)

Gbit/s

10240

20480

每机架拓扑结构(按具体SKU)

每机架交换平面数

无

每交换平面交换机数量

无

每机架Switch Tray交换机总数

无

每机架PCB上32通道交换机数

无

144

每机架横向扩展交换机总数

无

184

164

?+144

单服务器横向扩展交换机总数

无

368

328

?x2

?x2+288

160通道交换机连接率(每Tm3)

无

0.50

0.56

320通道交换机连接率(每Tm3)

无

0.50

0.56

0.25

0.28

32通道交换机连接率(每Tm3)

无

2.00

机箱内最大跳数

无

横向扩展域内最大跳数

无

资料来源：Semi Analysis、国信证券经济研究所整理测算

![](page=37,bbox=[2541, 72, 3044, 194])

Google在TPU集群中率先规模化采用OCS。OCS通过直接调度光路实现端口连接，避免传统EPS的光电/电光转换，具备低功耗、低时延、速率无关等优势，适合训练场景中相对稳定的大规模互联流量。

OCS价值量主要集中在MEMS芯片、校准系统和2D准直阵列。以176x176 MEMS OCS为例，BOM约13k美元，MEMS芯片/校准系统/2D collimator array占比分别约 35%/30%/15%。

TPUv7以4x4x4、64颗TPU cube为ICI基本单元，每颗TPU在3D Torus中连接6个邻居，其中2个固定通过PCB走线连接，其余4条按位置采用DAC或光模块；face/edge/corner TPU分别需要1/2/3个光模块，推导出整柜96个光模块、1.5个/TPU attach ratio，并通过OCS实现 cube间连接与环回。

图：176x176 MEMS OCS BOM拆分

MEMS-176x176平台

成本($)

制造成本占比

BOM占比

MEMS芯片

4.5

32%

35%

校准系统

4.0

28%

31%

2D准直阵列

2.0

14%

16%

2D MEMS阵列

0.3

分束器

0.5

其他组件

1.4

10%

11%

制造

1.4

10%

11%

总制造成本

14.1

100%

BOM成本

12.7

100%

销售价格

毛利率

56%

资料来源：Semi Fundamental、国信证券经济研究所整理测算

图：Google TPU v7 3D Torus连接数量测算

TPU位置

数量

铜缆/TPU

PCB/TPU

光模块/TPU

光模块合计

内部TPU

角部TPU

边缘TPU

面部TPU

合计/均值

1.25

1.00

1.50

资料来源：Semi Analysis、国信证券经济研究所整理测算

TPUv8：v8i采用Boardfly拓扑，OCS进入scale up

![](page=38,bbox=[2542, 72, 3043, 193])

TPUv8t：沿用3D Torus + ICI + OCS的训练型架构，同时谷歌推出 scale-out架构Virgo Network，通过增加每个交换机的端口数量来减少网络层数，并采用扁平化的两层无阻塞拓扑结构。可以在单个结构中连接134,000个芯片（TPU8t），提供高达47 petabits/秒的无阻塞双向带宽。

TPUv8i：为推理/采样/MoE场景引入了新的Boardfly拓扑，放弃了环形结构，将OCS引入scale up。虽然环面对于密集训练中常见的邻居间通信非常高效，但它会给所有芯片间的通信模式带来额外的延迟。在推理模型和迭代优化（MoE）时代，任何芯片都可能需要与其他任何芯片通信来路由令牌，因此跳数至关重要。通过增加板组之间的直接光纤长距离链路数量，同样1,024颗芯片，如果用 $ 8\times 8\times 16 $的3D Torus，最远通信需要16 hops；Boardfly把网络直径降到7 hops，网络直径减少 56%，通信密集型工作负载延迟最多改善 50%。

根据SemiAnalysis，TPUv7的9216TPU POD中，对应需要48个OCS交换机，TPU:OCS=192:1，但在TPUv8i中，TPU与OCS的配比关系为58：1，OCS的比例明显增加。

图：TPU 8i pod 上通过光路交换机实现的最大七跳ICI网络直径的可视化表示

![](page=38,bbox=[496, 1051, 2442, 1682])

资料来源：Google Cloud、国信证券经济研究所整理

![](page=39,bbox=[2541, 72, 3043, 193])

仅考虑TPU采用的OCS方案，我们测算，假设28年TPU出货量达到3000万，OCS市场将突破60亿美元。

早期谷歌部署基于自主研发的MEMS OCS交换机，但近年来已开始转向Lumentum等商业MEMS OCS供应商。Lumentum在最近一次财报电话会议上表示，其OCS硬件订单积压总额达4亿美元，这些订单来自三家不同的客户，均为公司新增订单。Coherent公司也在不断增加客户参与度，其OCS订单积压量也逐季度增长。

图：OCS供应链公司

公司

OCS业务布局

Lumentum(LITE)

主要生产基于MEMS的OCS芯片，但也具备一定的LCoS芯片生产能力。其主要商业产品是为谷歌(主要)和甲骨文提供的300x300OCS芯片。此外，该公司还向微软和英伟达发送了64×64OCS芯片样品进行测试。Lite的OCS生产基地位于泰国，预计将于2026年第四季度开始量产。目标是在2027年实现10亿美元的OCS芯片年化销售额。

Coherent(COHR)

Coherent预计将于2026年向谷歌交付约3000台基于LCoS的OCS设备，量产计划将于2026年上半年启动。公司表示已收到来自谷歌和甲骨文超过3亿美元的订单。

Silex

赛微电子持有Silex45%的股份。谷歌OCS系统的主要MEMS系统供应商

资料来源：公司财报、国信证券经济研究所整理

图：OCS市场规模预测

2024

2025

2026

2027

2028

TPU出货量(百万)

2.4

OCS端口数/TPU端口

1.5

OCS端口总数(百万个)

2.4

4.5

7.5

OCS设备ASP(美元/台,600端口)

100,000

95,000

90,250

81,225

OCS市场规模(百万美元)

400

750

1,188

2,708

6,092

资料来源：Google、国信证券经济研究所整理测算

Scale out：集群规模扩大增加拓扑网络层数，光芯比提升

![](page=40,bbox=[2541, 72, 3044, 194])

英伟达在GB300的SuperPOD参考架构中给出了从1152张GPU到9216张GPU的计算网络和存储网络，根据我们测算，当前计算网络的光模块需求与GPU比例为2.5:1，加上存储网络则接近4:1，区别在于计算网络在交换机侧用1.6T光模块，服务器侧和存储网络都使用的是800G光模块。

Scale Out网络的层数增加，英伟达案例中最大接近万卡集群都用的是2层fabric，但如果进一步扩大，则可能需要三层结构，需要更多交换机和光模块。

图：DGX GB300 Super POD光芯比测算

DGX GB300 Super POD

计算网络

fabric层数

GPU数

1152

2304

4608

9216

SU数

每个SU的IBleaf

IBleaf总数

128

IB spine总数

服务器侧光模块数量

1152

2304

4608

9216

交换机侧光模块数量(Q3400-RD,72个cage)

1728

3600

7200

14400

光模块总数

2880

5904

11808

23616

计算网络光芯比

2.5

2.6

存储网络

Spine数(SN5600D,64个cage,下同)

计算leaf

存储leaf

管理leaf

OOB spine(SN2201,48个cage)

交换机侧光模块数量

1120

1888

3296

6368

服务器侧光模块数量

576

1152

2304

4608

光模块总数

1696

3040

5600

10976

合计光模块总数

4576

8944

17408

34592

光芯比

4.0

3.9

3.8

资料来源芳伟计国信证券经济研究所敷理测答

![](page=41,bbox=[2541, 72, 3044, 194])

Coherent的核心增长驱动来自于Datacom部分的光模块以及光器件、OCS等，其中贡献最多的仍然是光模块，受益于连接需求增加，从 800G到1.6T以及后续的3.2T，ASP和需求量持续增长。

图：Coherent收入利润预测

单位:百万美元

FY2022

FY2023

FY2024

FY2025

FY2026E

FY2027E

FY2028E

收入

3,317

5,160

4,708

5,810

7,060

9,615

12,725

YoY%

56%

-9%

23%

22%

36%

32%

Datacenter&Communications

3,756

5,190

7,578

10,030

YoY%

38%

46%

32%

Datacom

1180.5

1573.9

2594.6

3820.4

5882.0

8479.2

YoY%

33%

65%

47%

54%

44%

<400Gbps

1015.9

758.3

916.9

966.8

870.1

783.1

YoY%

-25%

21%

-10%

出货量

3.0

3.7

3.9

3.5

3.1

单价

250.0

800+Gbps

0.0

605.0

1461.2

2631.7

4783.3

7460.7

YoY%

142%

80%

82%

56%

出货量

1.2

2.9

5.3

9.6

14.9

单价

500.0

其他

164.6

210.6

216.5

221.9

228.6

235.5

Other

1161.4

1369.6

1696.0

1550.8

YoY%

18%

24%

-9%

Industrial

2,054

1,873

1,957

2,044

YoY%

-9%

分拆二:

Networking

2,197

2,341

2,296

3,421

4,365

5,871

8,427

28%

35%

44%

Materials

1,119

1,350

1,017

954

1,250

1,461

1,642

31%

17%

12%

lasers

1,469

1,395

1,435

1,454

1,755

1,726

21%

-2%

毛利

1266

1618

1456

2043

2,650

3,774

5,181

毛利率

38%

31%

35%

38%

39%

41%

414

-37

290

880

1,542

2,355

OPM

12%

-1%

12%

16%

19%

net income

235

-404

-159

806

1,327

2,082

NPM

-8%

-3%

11%

14%

4216%

资料来源：公司财报彭博国信证券经汶研究所敷理测算

LITE：OCS贡献弹性，光模块需求放量

![](page=42,bbox=[2541, 72, 3044, 193])

连接需求增加，光模块放量，同时从800T到1.6T升级ASP翻倍。1.6T模块的ASP是800G的两倍，但成本和裸片尺寸相似，具有显著更高的毛利率。随着1.6T在今年夏季开始规模出货，叠加内部CW激光器集成比例的提升，指引OPM持续提升。

OCS获得大单。LITE获得了一份多年期、价值数十亿美元的OCS采购协议，预计仅在2026年下半年，OCS的出货量就将超过4亿美元。目标是在2027年实现10亿美元的OCS芯片年化销售额。

图：LITE收入利润预测

单位：百万美元

FY2022

FY2023

FY2024

FY2025

FY2026E

FY2027E

FY2028E

收入

1,713

1,767

1,359

1,645

2,997

5,374

8,272

YoY%

-23%

21%

82%

79%

54%

Cloud&Networking

1,322.5

1,084.9

1,410.8

2,744.3

5,117.9

8,002.6

YoY%

-18%

30%

95%

86%

56%

EML

150.0

163.6

272.7

627.1

983.3

1,173.6

YoY%

67%

130%

57%

19%

Cloud Light

199.5

310.0

793.8

1,462.2

1,992.2

YoY%

55%

156%

84%

36%

OCS/CPO

153.9

1,100.0

2,950.0

YoY%

615%

168%

Telecom

832.1

721.8

815.4

1,169.5

1,572.4

1,886.8

YoY%

-13%

13%

43%

34%

20%

Industrial Tech

444.5

274.3

234.2

252.7

256.4

269.9

YoY%

-38%

-15%

Components

1,116

1,992

3,312

5,013

YoY%

78%

66%

51%

Systems

529

1,005

2,062

3,259

YoY%

90%

105%

58%

毛利

789

569

252

460

1,219

2,572

4,285

毛利率

46%

32%

19%

28%

41%

48%

52%

303

-116

-434

-180

504

1,780

3,263

OPM

18%

-7%

-32%

-11%

17%

33%

39%

Non-Gaap OP

527

339

160

873

2,170

3,586

Non-Gaap OPM

31%

19%

10%

29%

40%

43%

net income

199

-132

-547

456

1,508

2,644

NPM

12%

-7%

-40%

15%

28%

32%

资料来源：公司财报、彭博、国信证券经济研究所整理测算

![](page=43,bbox=[2541, 72, 3043, 193])

ALAB是一家AI连接半导体解决方案提供商，主要依靠Aries Retimer拿下了PCIe 4.0/5.0时代 90%以上的市场份额。

从PCIe Retimer（Aries）单品垄断向PCIe Switch（Scorpio）及光学连接平台跨越，PCIe交换芯片成为重要增量。随着Scorpio P（Scale-out）和Scorpio X（Scale-up）在2026年下半年加速出货管理层预计到2026年底，Scorpio将超越Aries成为公司最大的产品线。此外，通过收购aiXscale，公司正将触角延伸至2027-2028年的NPO/CPO（共封装光学）市场，试图在多机架集群的光互联时代提前卡位。

图：ALAB收入利润预测

单位:百万美元

FY2023

FY2024

FY2025

FY2026E

FY2027E

FY2028E

收入

115.8

396.3

852.5

1,546.20

2,196.10

2,817.10

242%

115%

81%

42%

28%

Aries

729.9

787.5

874.7

11%

Taurus

183.6

159.3

230.9

-13%

45%

Leo

19.9

57.3

134.7

188%

135%

Scorpio

536.6

1,197.60

1,567.50

123%

31%

毛利

79.8

302.7

645.3

1,125.30

1,601.10

2,077.30

毛利率

69%

76%

73%

74%

-29.5

-116.1

173.4

367

661.6

780.6

OPM

-25%

-29%

20%

24%

30%

28%

net income

-26.3

-83.4

219.1

395.1

643

852.2

NPM

-23%

-21%

26%

29%

30%

资料来源：公司财报、彭博、国信证券经济研究所整理测算

风险提示

![](page=44,bbox=[2540, 73, 3043, 194])

第一，宏观经济波动。若宏观经济波动，公司业务、产业变革及新技术的落地节奏或将受到影响。

第二，下游需求不及预期。若下游AI需求不及预期，相关的AI研发投入增长或慢于预期，致使行业增长不及预期。

第三，核心技术水平升级不及预期的风险。AI大模型研发进度落后，AIGC相关产业技术壁垒较高，核心技术难以突破，影响整体进度。

第四，AI快速迭代、平权化下竞争加剧，影响云业务利润率。

免责声明

![](page=45,bbox=[2540, 72, 3044, 194])

国信证券投资评级

投资评级标准

类别

级别

说明

报告中投资建议所涉及的评级(如有)分为股票评级和行业评级(另有说明的除外)。评级标准为报告发布日后6到12个月内的相对市场表现,也即报告发布日后的6到12个月内公司股价(或行业指数)相对同期相关证券市场代表性指数的涨跌幅作为基准。A股市场以沪深300指数(000300.SH)作为基准;新三板市场以三板成指(899001.CSI)为基准;香港市场以恒生指数(HSI.HI)作为基准;美国市场以标普500指数(SPX.GI)或纳斯达克指数(IXIC.GI)为基准。

股票投资评级

优于大市

股价表现优于市场代表性指数10%以上

中性

股价表现介于市场代表性指数±10%之间

弱于大市

股价表现弱于市场代表性指数10%以上

无评级

股价与市场代表性指数相比无明确观点

行业投资评级

优于大市

行业指数表现优于市场代表性指数10%以上

中性

行业指数表现介于市场代表性指数±10%之间

弱于大市

行业指数表现弱于市场代表性指数10%以上

分析师承诺

作者保证报告所采用的数据均来自合规渠道；分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求独立、客观、公正，结论不受任何第三方的授意或影响；作者在过去、现在或未来未就其研究报告所提供的具体建议或所表述的意见直接或间接收取任何报酬，特此声明。

重要声明

本报告由国信证券股份有限公司（已具备中国证监会许可的证券投资咨询业务资格）制作；报告版权归国信证券股份有限公司（以下简称“我公司”）所有。本报告仅供我公司客户使用，本公司不会因接收人收到本报告而视其为客户。未经书面许可，任何机构和个人不得以任何形式使用、复制或传播。任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以我公司向客户发布的本报告完整版本为准。

本报告基于已公开的资料或信息撰写，但我公司不保证该资料及信息的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映我公司于本报告公开发布当日的判断，在不同时期，我公司可能撰写并发布与本报告所载资料、建议及推测不一致的报告。我公司不保证本报告所含信息及资料处于最新状态；我公司可能随时补充、更新和修订有关信息及资料，投资者应当自行关注相关更新和修订内容。我公司或关联机构可能会持有本报告中所提到的公司所发行的证券并进行交易，还可能为这些公司提供或争取提供投资银行、财务顾问或金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中意见或建议不一致的投资决策。

本报告仅供参考之用，不构成出售或购买证券或其他投资标的要约或邀请。在任何情况下，本报告中的信息和意见均不构成对任何个人的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。投资者应结合自己的投资目标和财务状况自行判断是否采用本报告所载内容和信息并自行承担风险，我公司及雇员对投资者使用本报告及其内容而造成的一切后果不承担任何法律责任。

证券投资咨询业务的说明

本公司具备中国证监会核准的证券投资咨询业务资格。证券投资咨询，是指从事证券投资咨询业务的机构及其投资咨询人员以下列形式为证券投资人或者客户提供证券投资分析、预测或者建议等直接或者间接有偿咨询服务的活动：接受投资人或者客户委托，提供证券投资咨询服务；举办有关证券投资咨询的讲座、报告会、分析会等；在报刊上发表证券投资咨询的文章、评论、报告，以及通过电台、电视台等公众传播媒体提供证券投资咨询服务；通过电话、传真、电脑网络等电信设备系统，提供证券投资咨询服务；中国证监会认定的其他形式。

发布证券研究报告是证券投资咨询业务的一种基本形式，指证券公司、证券投资咨询机构对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析，形成证券估值、投资评级等投资分析意见，制作证券研究报告，并向客户发布的行为。

国信证券

GUOSEN SECURITIES

国信证券经济研究所

深圳

深圳市福田区福华一路125号国信金融大厦36层

邮编：518046 总机：0755-82130833

上海

上海浦东民生路1199弄证大五道口广场1号楼12楼

邮编：200135

北京

北京西城区金融大街兴盛街6号国信证券9层

邮编：100032

本站所有资讯是用户利用其本地Agent获取并分享，均为公开信息，如需删除请联系我们。