AI芯片机构交流核心观点(附AI芯片概念股)

我爱免费

作者：微信文章
<div class="rich_media"><div class="rich_media_inner"><div class="rich_media_area_primary"><div class="rich_media_area_primary_inner"><div class="rich_media_wrp">

<div class="rich_media_content js_underline_content                       autoTypeSetting24psection            ">
1、AI芯片市场空间与厂商出货量

2024-2029年市场空间预测: 从时间序列看，2024年AI芯片市场营收空间为1400多亿，数据中心级AI芯片出货量约230万片，其中国产芯片总计约90万片。2025年整体出货量预计达320万片，平均增速70%以上，国产芯片从2024年的90多万片增长至约170万片。2026年预计实现100%增长，出货量达450万片以上。长期来看，2024-2029年AI芯片市场复合年均增长率约60%，到2029年市场空间预计达到1.4-1.5万亿。技术趋势方面，GPU占有率将从当前的70%左右，在未来5年内逐步提升至75%-80%，但受华为NPU架构变化等因素影响，不会过度升高。

2024-2025年厂商出货量占比: 2024年数据中心级AI芯片出货量分布中，运达以130万片居首，华为60万片，昆仑芯7万片，平头哥约6万片，海光（DCO）5万片，天数4万片，寒武纪约3万片，其他如摩尔线程等不足1万片，国产芯片总计约90万片。2025年各厂商出货量显著增长：英伟达以H20为主（Q3上半年主要出货），预计110万片；华为增长至90万片；昆仑芯、平头哥、海光总计约12 - 13万片；寒武纪预计15万片；天数7万片；沐曦4 - 5万片；摩尔线程纯智算类（S5000、4000）出货量约1.5万片（为去年的两倍）。国产芯片整体从2024年的90多万片增至2025年的约170万片。



行业需求分布格局: 当前AI芯片行业需求分布中，互联网需求占比最大（45%-50%），三大运营商占比约25%，算力中心（含政府及第三方）占比约15%，剩余15%来自金融、自动驾驶、能源等千行百业。未来三年，互联网需求比例可能微调至40%，下降部分主要由C端Agent算力需求、大模型商业化应用（如阿里千问、Kimi等大模型公司）等新需求填补；自动驾驶和能源需求比例预计上升约5%，成为需求增长较快的领域。

2、AI芯片竞争格局分析

三大竞争阵营划分: 当前AI芯片竞争格局主要分为三大阵营。第一大阵营为背靠互联网的AI芯片公司，以百度昆仑芯、阿里平头哥为代表，其核心特征是在软件优化、模型适配及工程化方面具备基因优势，形成了从框架、模型、算力到云业务的闭环支撑。第二大阵营为NPU创业公司，主要包括华为昇腾和寒武纪，这类公司的核心特征是对AI技术、模型趋势及技术理解具有与生俱来的基因。第三大阵营为GPU架构公司，涉及企业较多，包括海光、沐曦、摩尔线程、天数等，其核心特征是主要跟随英伟达架构发展，属于跟随型业务。

各阵营优劣势及龙头预测: 互联网阵营中，阿里因对AI技术投入及当下成果较好，在软件优化等方面有强大闭环支撑，可能成为该阵营龙头。NPU创业公司阵营中，华为凭借人员投入、行业方法积累及昇腾系列等规划，在专用芯片领域被视为未来龙头；寒武纪有AI技术理解基因，但客户单一，短期优势可保持，长期需产品迭代和分散客户，否则优势或减弱。GPU架构公司阵营中，海光短期因高性能计算等资源积累及综合生态有优势，但DCU在AI芯片性价比等方面不突出，增长依赖生态，长期需转化为产品优势；沐曦软件性能和AI模型适配有劣势，依赖金融领域；摩尔线程技术沉淀不足，靠市场和产品综合能力，未来需聚焦产品长久优势；天数技术积累弱于其他GPU公司。整体看，互联网阵营或出1个龙头，NPU阵营可能有1 - 2个龙头（华为确定，寒武纪要观察），GPU阵营是跟随者。

竞争关键影响因素: AI芯片竞争关键因素分短期和长期。短期制约因素是产能受限，受BRS实体清单影响，摩尔线程、毕恩、寒武纪前两年市场占有率受限。长期来看，市场策略有差异：部分公司产品好就不降价，满足现有市场；部分公司通过降价、免费培训等策略快速占领市场，更利于生态长远发展。长期竞争核心还包括生态发展、现金流支撑的软件投入及新架构AI架构适配能力，能力不足企业优势或减弱。综合判断，5年内三大阵营或各出1 - 2个龙头，5年后看生态发展及投入，最终可能形成三家左右的国内芯片竞争格局。

3、AI芯片技术发展趋势

NPU与GPU架构融合: NPU与GPU的架构融合是未来技术发展的重要趋势。从技术特点看，GPU的计算核将越来越偏向专用化，服务于AR场景，如当下英伟达GPU中的Tensor Core及创业GPU公司的专用矩阵计算单元，发展方向与NPU模块趋同；而NPU为实现生态通用性，将融合GPU特性。时间节点上，2026年是分水岭，2025年及之前行业更多讨论各自架构优势，2026年起将进入融合阶段。企业实践方面，华为950产品率先做出改变，其NPU架构将融入GPU特性，包括编程模型、指令方式等；昆仑芯、寒武纪等也将跟进这一趋势。未来3 - 5年内，NPU与GPU将实现跨兼容，NPU会融入GPU的SIMT编程方式（支持通用计算中更细颗粒度的标量和向量处理）、更完善的重叠机制及自动化内存层级管理等特性，最终推动两者架构进一步融合。

芯片与计算节点堆叠技术: 芯片技术发展需应对摩尔定律极限问题。当前工艺已发展至3纳米、4纳米，未来将逐步推进至2纳米、1纳米，1纳米后工艺提升对性能的促进作用将耗尽。为弥补这一缺陷，技术路径转向多代封装堆叠：芯片层面，英伟达B200已实现双Die拼接，国内工艺从7纳米转12纳米后性能损失较大，也通过双带拼接提升性能，未来可能实现4代、8代甚至更多代的堆叠，以实现芯片性能每年半或一年翻一番；计算节点层面，超节点成为热点，通过增加单节点GPU数量提升性能，当前主流为8卡节点，未来可能发展至16卡、32卡、64卡。2025年量产的超节点案例包括华为384卡、曙光600多卡、百度500多卡等，其核心技术依赖总线互联（如总线带宽、总线协议）、光模块、全光互联及光计算等技术。

软件与数据的重要性: AI芯片本质是对数据的处理与加速，核心涉及数据的推理、学习与总结。未来AI芯片性能提升的关键在于数据的掌握，尤其是私有数据、垂直行业数据，这些数据对芯片优化和模型训练具有重要意义。