大摩最新研判：中美AI GPU差距，沒想象那么大

前兩天，大摩發了一份挺有意思的報告，標題也很直接：《中國AI GPU——縮小與美國的差距》。

報告里有一個核心判斷，其實挺顛覆很多人的直覺：中國AI芯片和美國的差距，并沒有市場想象得那么大。

更關鍵的是，大摩還提出了一個時間判斷——2026年，可能會成為中國AI GPU產業的一個重要拐點。

為什么這么說？

原因不只是技術在進步，更重要的是，國內新一輪AI GPU公司正在走向資本市場。比如百度旗下的昆侖芯、阿里體系里的平頭哥，都將在未來一兩年進入IPO階段。

在這份報告里，大摩系統拆解了中國AI GPU產業，并試圖回答三個核心問題：

第一，中國是否能夠大規模供應具有競爭力的AI GPU？

第二，中國AI GPU市場到底有多大？

第三，投資人應該如何評估中國AI GPU公司的商業價值？

接下來，我們就沿著這三個問題，一起看看大摩是怎么說的。

差距沒有想象那么大

很多投資人在討論中國AI GPU時，往往只盯著晶圓工藝節點，然后很快得出一個結論：中國AI芯片在制程上落后一代甚至幾代，因此競爭力有限。

但大摩提出了一個相對不同的判斷：中國AI芯片與美國的差距，其實沒有市場想象得那么大。

原因很簡單。中國的電力成本相對更低，因此能效在整體算力經濟模型中的權重，并不像歐美那樣高。

如果從“每美元每瓦性能”（performance per watt per dollar）的框架來看，這種差距會明顯縮小。

要判斷中國AI GPU是否能夠真正實現規模化供應，關鍵還是要回到半導體產業鏈的供給側——尤其是晶圓廠產能。

在這一層面，產能擴張不僅取決于晶圓廠的名義產能，還取決于一系列關鍵上游投入的成熟度和可獲得性。而現實情況是，中國AI GPU產業鏈仍然受到多重供應瓶頸的制約。

這些瓶頸最明顯地體現在晶圓前端設備（WFE）上。

在部分設備領域，中國已經取得一定進展。例如外延設備和刻蝕設備等關鍵工具，已經可以由本土廠商提供，包括北方華創、中微公司以及SiCarrier等。

但在光刻設備和檢測設備方面，制約仍然非常明顯。

目前，中國晶圓廠仍大量依賴ASML的DUV光刻系統。同時，行業調研顯示，在SMIC的先進制程產線（尤其是南方廠區），KLA的檢測與計量設備供應受限，這迫使晶圓廠減少檢測步驟，將資源集中在最關鍵的層級。

這種做法可以提高設備利用率、維持產能，但往往以犧牲良率為代價，也加劇了先進制程制造的結構性挑戰。

除了設備，EDA（電子設計自動化）軟件同樣是關鍵瓶頸。

目前，中國最大的EDA公司華大九天在全球市場的份額僅約1–2%。更重要的是，其尚未提供完整的數字芯片設計工具鏈，很難支持先進節點GPU的復雜設計。

相比之下，Cadence、Synopsys和Siemens三家公司在全球EDA市場的份額合計超過80%。

與此同時，美國政府已經對先進EDA工具實施嚴格出口管制，尤其是用于GAA（全環繞柵極）晶體管架構的設計工具。這些限制的目標很明確：

阻止中國推進3nm和2nm節點，而這些節點正是未來高性能計算和AI芯片的關鍵基礎。

在設備與軟件雙重限制下，中國GPU設計公司在短期內很難向3nm或2nm制程遷移。

在這種背景下，中國AI芯片產業正在出現一個明顯變化：

瓶頸正在從設備獲取，轉移到晶圓代工產能本身。

目前，中國先進邏輯制造能力高度集中在SMIC，這使得SMIC成為國內AI GPU產能擴張的關鍵節點。

根據行業調研，多家國內AI芯片廠商已經開始將部分生產從海外遷回中國大陸，利用SMIC的N+1（約12nm）和N+2（約7nm）工藝節點來提升本土產能。

目前，SMIC已經通過DUV多重圖案化技術將工藝推進至N+2，并嘗試向N+3（約5nm）節點演進。

大摩預計，SMIC的N+2產能將在2025年達到約2.2萬片/月，2026年約4萬片/月，2027年約5.1萬片/月。

不過，這些產能并不會全部用于AI GPU，因為智能手機、汽車SoC等行業同樣需要先進節點。

在晶圓工藝難以快速追趕的情況下，中國AI芯片廠商正在逐漸改變競爭路徑——從單芯片性能轉向系統級架構設計。

目前主流的應對策略大致有三類。

第一，是多芯片集成。

如果單個芯片性能不足，就通過先進封裝技術，將多個計算芯片整合在一起，形成更大的計算單元。這種方式不依賴更先進的制程節點，也能夠在一定程度上提升整體算力。

第二，是擴大系統規模。

國內廠商正在借鑒NVIDIA NVL72的架構理念，通過更大的機架和集群來提升整體性能。例如華為的CloudMatrix 384、阿里巴巴的PPU架構，以及字節跳動的256加速器機架設計，本質上都是通過規模化架構來彌補單芯片性能差距。

第三，是擴大制造規模。

近年來，中國晶圓代工廠持續加大資本投入。SMIC的資本開支在2023年約75億美元，2024年約73億美元，2025年約81億美元。同時，中國也在加速采購ASML的DUV光刻機，以支撐未來先進節點產能擴張。

換句話說，在單芯片性能難以迅速追趕的情況下，中國廠商正在通過封裝、架構和規模三條路徑來彌補差距。

雖然單芯片性能仍然落后，但在大規模集群和推理場景中，這種系統級優化，已經能夠在一定程度上抵消硬件層面的劣勢。

國產AI GPU的需求有多大？

在討論中國AI GPU產業時，一個經常被忽視的問題是：需求到底有多大？

在大摩看來，需求側核心取決于兩個驅動力：技術自主化與商業回報。

先看技術自主化。隨著外部限制不斷加強，AI芯片已經被中國視為關乎國家安全與經濟安全的關鍵資源。這種壓力直接推動了中國建設本土AI芯片體系的決心。

在這一過程中，產業鏈內部形成了一種典型的共生關系。

一方面，本土AI芯片公司需要先進制程節點支持。GPU要具備競爭力，通常需要領先兩到三代的制程工藝。另一方面，本土晶圓廠也需要穩定的大客戶與訂單規模，才能證明先進制程投資的合理性。

在這種結構下，晶圓廠產能成為整個產業鏈最關鍵的瓶頸。

不過，大摩認為，自主可控更多是早期投資的驅動力。長期來看，AI芯片產業能否持續發展，最終仍要看商業回報。

隨著算力投資規模不斷擴大，資本開支與設備利用率遲早會成為約束條件。因此，中國AI產業的路徑正在發生變化：

從“政策驅動”，逐漸轉向成本效率與商業回報驅動。

目前，中國主要科技公司——騰訊、阿里巴巴、字節跳動、百度、美團和快手——都在明顯提高AI資本開支。

大摩預計，到2026年，中國科技公司的AI相關資本開支將達到5970億元人民幣，同比增長約38%。

這些投入主要集中在廣告推薦、消費應用（2C）和企業服務（2B）等場景，而這些場景已經逐漸證明具備清晰的商業化路徑。

從長期經濟模型來看，在扣除折舊、電力和服務器租賃成本之后，中國AI算力基礎設施預計將在2028年前后實現盈虧平衡，到2030年整體利潤率有望達到約50%。

從需求結構看，中國AI GPU的采購高度集中在少數大型買家。

大摩將其分為三類。

第一類是云服務商（CSP），包括字節跳動、阿里巴巴和騰訊。這些公司采購GPU既用于訓練自有模型，也用于向外部客戶提供AI云服務。

第二類是主權買家，包括電信運營商、地方政府和國有企業。這類需求主要來自數據主權、數字基礎設施和公共服務數字化。

第三類是創新企業，例如DeepSeek、MiniMax等AI創業公司，以及小鵬、小米等汽車廠商。不過目前來看，這類企業的采購規模仍明顯小于前兩類。

綜合這些需求，大摩預計中國AI GPU市場規模將持續快速增長。

到2030年，中國AI GPU市場規模（TAM）預計將達到670億美元，2024年至2030年的復合增長率約為23%。

這一測算主要基于中國云計算行業的資本開支結構。

大摩預計，到2030年，中國云計算行業整體資本開支將達到1300億美元，其中約51%將用于AI GPU相關設備。

這一預測基于幾個關鍵假設：

第一，中國云廠商海外數據中心投資比例將逐漸下降。2025年，中國云廠商約40%的算力投資用于海外數據中心，但這一比例預計將在2026年以后下降至約30%。

第二，服務器仍將占云計算資本開支的約90%。

第三，AI加速服務器占比將從2025年的75%提升至2030年的85%。

第四，在AI服務器中，加速器芯片的價值占比約為80%。

不過，隨著中國AI GPU市場規模不斷擴大，一個更關鍵的問題也隨之出現：這些需求最終會流向誰？

大摩的判斷是，在持續的地緣政治壓力下，中國AI算力需求正在快速本土化。

這意味著，本土芯片將不再只是出口管制下的替代方案，而會逐漸成為中國AI算力體系的結構性組成部分。

盡管中國在制程技術上仍落后美國數代，但系統級性能差距正在逐漸縮小。

未來四年，這一差距有望從目前的1.5—2倍，縮小至約1倍左右。

推動這一變化的，并不是制程節點本身，而是三個因素：

先進封裝技術（例如2.5D和3D封裝）、大規模系統架構（例如光互連網絡）、軟硬件協同優化。

與此同時，中國也在逐步降低對TSMC代工的依賴，更多轉向SMIC的N+2和N+3工藝。

當然，一些關鍵環節仍然依賴海外供應，例如韓國的HBM存儲、歐洲的DUV光刻設備，以及美國KLA的檢測設備。

不過，大摩的行業調研顯示，在部分環節，中國已經開始逐漸取得突破。

綜合供需兩側變化，大摩認為中國AI芯片產業正在形成一條清晰的自給路徑。

到2030年，中國AI芯片自給率預計將從2024年的33%提升至約76%。與此同時，本土AI芯片市場規模也將從2024年的60億美元增長至2030年的510億美元，復合增長率約為42%。

這一增長主要來自三個因素：先進節點產能擴張、制造良率持續提升和以及政策主導的資源配置。

例如，大摩預計中國先進節點晶圓廠的生產良率將從2025年的約20%，提升至2030年的約50%。

同時，由于先進節點產能仍然稀缺，政府在一定程度上會參與產能分配。

在大摩的判斷中，華為預計將獲得最大的先進節點產能份額，其次是寒武紀和海光，而第二梯隊AI芯片公司的產能份額可能各自低于10%。

誰能勝出？

市場的主流看法是，中國AI GPU的落地，主要還是靠政策推動下的國產替代。

在這種敘事框架里，很多廠商的估值邏輯其實很簡單：

第一，未來能從NVIDIA手里拿走多少市場份額；

第二，中國市場會不會長期維持一個分散競爭的格局。

但大摩的判斷并不完全一樣。

他們認為，中國AI GPU廠商的長期價值，最終還是要回到兩個問題：

第一，產品有沒有真正的商業競爭力；

第二，這種競爭力能不能轉化為穩定收入和品牌溢價。

政府支持、CSP定制采購當然重要，但如果拉長周期看，真正決定市場地位的，還是產品本身。

基于這個邏輯，大摩提出了一套“定性+定量”的評估框架。

定性層面看四件事：能不能拿到先進制程產能、和核心CSP客戶關系是否穩固、政策支持力度，以及技術路線是否符合未來需求。

定量層面，則重點看四個指標：TPS（每秒token輸出能力）、每瓦性能、每美元每瓦性能，以及最關鍵的每token成本。

從行業趨勢看，中國AI GPU市場大概率會逐步走向整合。

原因其實很簡單。一方面，隨著技術成熟，產品差異化會逐漸縮小；另一方面，規模效應會越來越重要。

到了后期，競爭不再只是拼參數，而是拼出貨量、客戶黏性、供應鏈能力以及成本控制。

換句話說，GPU最終會變成一個典型的規模行業。這也意味著一個結果：

利潤率壓力會越來越大。

因此，大摩認為接下來最值得關注的三個指標是：

第一，新一代芯片規格是否持續提升；

第二，向頭部CSP的出貨量能否快速增長；

第三，ASP和毛利率的變化趨勢。

如果這些指標走弱，當前市場給出的高估值很可能會面臨修正。

當然，這套判斷也有可能失效。

例如，如果國產GPU廠商始終拿不到足夠的晶圓廠產能，那么產品再好也很難兌現收入。

或者CSP對國產芯片的采用意愿低于預期，采購仍然傾向海外供應商。

更深層的風險，則是AI計算范式本身發生變化。比如模型架構或工作負載發生重大變化，導致當前基于TPS的性能比較不再有效。

從這個角度看，一個真正可能成為長期贏家的中國AI GPU廠商，至少需要同時具備四個條件：

第一，推理經濟性有競爭力；

第二，能夠穩定拿到先進節點產能；

第三，與核心CSP客戶形成深度綁定；

第四，在政策方向上處于有利位置。

缺任何一項，都很難長期維持市場份額，更難支撐高利潤率。

在具體分析方法上，大摩采用的是一個“雙層框架”。

第一層看定量指標，也就是推理經濟學。

對于CSP來說，決定是否大規模部署的，往往不是峰值性能，而是規模化后的總擁有成本。

真正關鍵的指標，不是芯片跑分有多高，而是推理場景下的每token成本、TPS、每瓦性能，以及每美元算力。

第二層看定性定位。

也就是廠商是否能把實驗室里的性能，真正轉化為商業市場的份額。這取決于三件事：是否能拿到先進節點產能、是否進入主流CSP采購體系，以及是否契合政策方向。

從需求結構看，中國AI GPU的主戰場，短期內更可能是推理，而不是訓練。

原因很現實。本土廠商在生態和制程上仍然受限制，要全面參與最前沿基礎模型訓練仍然有難度。

相比之下，推理需求正在快速增長。

像DeepSeek、豆包、Qwen這樣的模型，日均token消耗已經達到很高水平，持續拉動推理算力需求。

與此同時，大量NVIDIA A100以及部分H100、H800集群仍然主要用于訓練任務。

這意味著，中國新增的推理需求，很可能越來越多由國產加速器承接。

在推理場景的性能比較中，大摩更看重TPS，也就是每秒token輸出能力。

因為在真實部署中，TPS往往比理論峰值算力更接近商業價值。

它同時反映了計算吞吐量、內存帶寬、互連能力以及軟件棧優化水平。

從推理經濟學來看，國產芯片的優勢主要在成本結構。

整體來看，本土AI加速器的采購價格通常比中國市場可獲得的高端NVIDIA產品低30%到60%。

如果再把功耗、電費以及運維成本算進去，國產方案的總擁有成本通常更低。

這意味著，雖然NVIDIA H200在絕對性能上仍然領先，但在“每token成本”這個更貼近商業現實的指標上，頭部國產廠商已經可以做到接近H20和A100。

在部分配置下，甚至可能更優。

這一點非常關鍵。

因為對于CSP來說，真正決定是否部署的，不是芯片峰值性能，而是能不能用更低成本完成更多推理任務。

換句話說，國產GPU未必要在硅性能上全面領先，只要在規模化部署中具備更好的經濟性，就足以建立商業價值。

從TPS表現來看，最新一代國產加速器已經開始逼近甚至在某些場景下超過NVIDIA H20。

例如華為Ascend 950系列以及寒武紀MLU690，在部分推理場景中的表現已經具備一定競爭力。

當然，這種比較也有邊界。

TPS不僅受硬件參數影響，還與軟件優化、框架適配以及集群配置有關。

換句話說，參數接近并不等于實際部署效果完全相同。

更重要的是，這種比較必須放在中國可采購產品的范圍內理解。

如果把NVIDIA最新的GB300平臺納入比較，性能差距會再次被拉開。

也就是說，中國廠商確實在追趕，但當前追趕的主要是中國可獲得市場，而不是全球技術前沿。

除了性能，能效也是重要指標。

雖然中國整體能源約束不如美國嚴格，但能效仍然會影響部署密度和機房成本。

從每瓦性能來看，頭部國產芯片已經接近A100和H20，但與H100、H200仍存在差距。

不過，如果把采購價格納入考慮，國產芯片的性價比優勢會更加明顯。

因此，在推理密集型場景中，國產GPU的吸引力正在不斷增強。

市場最終獎勵的，很可能不是峰值性能最高的廠商，而是那些能夠持續壓低每token成本、并把這種優勢規模化復制的公司。

從更宏觀的角度看，美國AI GPU公司的估值邏輯已經比較成熟。

像NVIDIA和AMD，估值雖然不低，但核心支撐來自規模、盈利能力以及全球生態位。

相比之下，中國AI GPU廠商的估值明顯更激進。

很多公司收入規模仍然較小，盈利能力也還處于早期階段，但市場已經給出了很高的PS倍數。

本質上，市場交易的不是當前利潤，而是國產替代和未來市場集中度的預期。

因此，中國AI GPU板塊更像是在定價一張長期競爭格局，而不是確定性的盈利能力。

文/阿奇

PS：如果你也在尋找投資AI資產的機會，歡迎掃碼加入我們的交流群。