好的，我将为您总结这份人工智能行业研报的关键要点。报告主要观点是AI大模型竞争白热化，多模态研发加速，闭源模型优势重现，同时应用端开始分化，ToB场景率先落地。 报告行业投资评级 - 行业投资评级：强于大市（维持）[1] 报告核心观点 - 大模型领域：多模态技术研发加速，闭源模型在经历开源浪潮后逐步重新确立性能领先优势，并通过“开源+闭源”协同策略构建生态 [2][4] - 算力领域：海内外云服务厂商资本开支持续增长，芯片厂商加速推出新一代GPU和ASIC芯片以满足算力需求 [4][29] - 应用领域：海外AI应用加速分化，具备行业Know-how壁垒且AI能直接赋能业务增长的ToB企业表现更优；ToC领域创意类应用开始挤压传统工具类市场 [4][47] 详细内容总结 一、 大模型：多模态研发加速，闭源模型重获优势 - 多模态技术路线尚未收敛，国内外厂商持续刷新技术标杆：图片生成领域，GPT-4o图像生成功能引发热潮，谷歌Gemini 2.5 Flash Image登顶多个主流图像榜，单图片生成成本仅0.039美元；视频生成领域，阿里、字节等厂商刷新能力高度，谷歌将视频模型推进至实时交互的通用世界模型阶段 [4][12][15][18] - 经历DeepSeek等带来的开源浪潮后，闭源模型凭借资源、人才与技术积累维持性能领先：OpenAI新推出的GPT-5在Artificial Analysis编制的人工智能综合指数上以69分排名第一 [4][27][28] - 闭源厂商推行“开源+闭源”协同策略：OpenAI开源gpt-oss-120b和gpt-oss-20b，谷歌开源Gemma 3系列，xAI开源grok2.5，通过开源上一代或轻量模型打造生态入口，反哺闭源主模型 [4][28] 二、 算力：资本开支提振，芯片竞赛升级 - 海外云厂商资本开支持续增长：微软、谷歌、Meta、亚马逊四者合计资本开支自2023Q3后连续多个季度环比上升；微软25Q2资本开支242亿美元（同比+27%），谷歌将25年capex指引上调至850亿美元（同比+13%），亚马逊25年计划资本支出1000亿美元 [4][31][32] - 国内云厂商加大AI投入：阿里FY26Q1资本开支386.76亿元（同比+220%），并计划未来三年投入3800亿元用于AI；腾讯25年资本开支预计占收入“低两位数百分比”，接近千亿水平；百度25Q2资本开支38亿元（同比+79.41%） [4][34][35] - 芯片厂商加速产品迭代：英伟达架构由Blackwell向Rubin过渡，GB300性能提升50%；AMD推出MI350系列（AI计算性能较MI300X提升4倍）；华为发布CloudMatrix 384系统，提供300 PFLOPs的BF16计算能力，达英伟达GB200 NVL72系统的1.7倍 [4][36][39][42][43] - 云端巨头竞相自研ASIC芯片：谷歌推出TPU v6 Trillium，亚马逊以Trainium v2为主力，Meta与Broadcom开发MTIA v2，微软加速Maia系列开发；国内阿里、百度、腾讯等也推出自研方案 [4][46] 三、 应用：海外分化加速，ToB场景聚焦 - AI初创公司货币化速度加快：OpenAI 25年收入有望达116亿美元（同比翻2倍+），8月ARR达120亿美元；Anthropic年化收入增加1亿美元所需时间从21个月缩短至2个月，7月ARR突破50亿美元（为去年12月底的5倍） [47][55] - 企业级Agent落地关键在与业务流程深度结合：2023年中国AI Agent市场规模554亿元，预计2028年达8520亿元（CAGR 72.7%），其中B端市场占比98.5% [47][66] - 美股ToB应用表现分化：Palantir（股价+109.1%）25Q2收入10.04亿美元（同比+48%）；Applovin（股价+49.4%）广告业务收入维持60%以上高速增长；SAP（股价+12.8%）25Q2云收入51.3亿欧元（同比+28%），超一半云订单含AI用例 [47][69] - ToC创意类应用挤压传统工具市场：Figma付费用户达45万，其中ARR超10万用户1031家（较23Q1+126%）；Canva拥有2.2亿MAU（同比+63%）；Canva的ARR增速达44%，高于Adobe的11% [47][77][80] 四、 投资建议 - 建议关注四大方向：AI Agent领域包括鼎捷数智、视源股份、泛微网络等；AI终端领域包括云天励飞、虹软科技、小米集团等；AI算力领域包括寒武纪、工业富联、浪潮信息等；AI多模态领域包括万兴科技、当虹科技、中科创达等 [4][82]

报告行业投资评级 - 看好 [6] 报告的核心观点 - 本周（7.14 - 7.18）计算机（申万）板块上涨2.12%，跑赢沪深300指数1.03个百分点，涨幅排名位列申万行业第8位 [1][13] - 英伟达GB300服务器是AI算力基础设施新里程碑，其GB300 NVL72系统性能优势显著，产业化进程推动供应链调整，市场需求增长 [2][18][19] - 超节点技术路径竞争中，国产方案有差异化优势但多机柜弹性扩展能力弱于英伟达 [23] - 虽存在挑战，但GB300将引领AI算力向ExaFLOPS级别迈进，相关产业如光通信、PCB等迎来投资机会 [24][26] 根据相关目录分别进行总结 本周市场回顾 - 计算机（申万）板块本周（7.14 - 7.18）上涨2.12%，沪深300指数上涨1.09%，计算机板块跑赢沪深300指数1.03个百分点，涨幅排名第8 [1][13] - 计算机行业335家上市公司中225家收涨，涨幅前3为熙菱信息（+27.08%）、ST立方（+26.86%）、延华智能（+24.04%），跌幅前3为大智慧（-17.51%）、金证股份（-10.85%）、京北方（-10.61%） [16] 本周关注 - GB300服务器技术进展与产业链影响分析 GB300服务器的技术进展与性能优势 - 英伟达GB300服务器整合三大关键技术，GB300芯片采用台积电4NP制程，集成2080亿晶体管，通过10TB/s片间互联实现性能突破 [19] - NVL72系统以72颗GPU和36颗Grace CPU构建单机柜算力单元，理论峰值算力达1.1 ExaFLOPS，较上一代Hopper架构有显著提升 [19] - 液冷技术规模化应用，以戴尔服务器为例，单个机柜可承载192个GPU，散热效率提升30% [20] 供应链动态与市场扩张 - 2025年Q2，GB200 NVL72机架月产能达2000 - 2500台，Q2总产量预计5000 - 6000台，鸿海目标交付3000 - 4000台，广达GB300计划9月量产 [2][21] - 采购主力为北美四大云厂商及OpenAI，中东“主权AI”订单成新增量，TrendForce预测2025年英伟达GPU总出货量约800万颗，GB200相关芯片占比50% [21] 超节点技术路径的竞争与国产化突破 - 英伟达GB200 NVL72通过NVLink 5.0实现72个GPU全互联，单节点带宽1.8TB/s；华为CloudMatrix 384连接384个昇腾NPU，节点间延迟<1μs且带宽衰减<3% [23] - 国产方案在推理场景有优势，华为CM384算力利用率达55%，较传统方案提升50%，但多机柜弹性扩展弱于英伟达模块化设计 [23] 挑战与未来展望 - 光铜之争、液冷技术路径分化、AMD技术处于实验室阶段等挑战存在，但GB300仍将引领AI算力发展 [24] - 华为和英伟达新技术有发展前景，技术路线存在生态开放性博弈，GB300市场渗透速度依赖生态开放策略 [25] 投资线索 - 光通信：GB300推动1.6T光模块普及，传输速率提升2倍，功耗降低30% - 35%，2025年全球高端光模块需求提升 [4] - 内存与封装技术：GB300核心组件集成HBM3e内存，依赖2.5D/3D先进封装技术，CoWoS封装产能是供应瓶颈 [27] - PCB升级：GB300推动服务器PCB向高多层演进，2025年AI专用PCB产值预计大幅增长 [28] - 液冷与IDC基建：单机柜功率突破使液冷渗透率从2024年的约10%提升至2025年的30%以上，高端AI训练服务器领域超90% [7] - 供电与配套革新：GB300 NVL72机柜标配相关模块及电容，通过分级响应机制解决电压波动问题 [7] 本周要闻 - HashKey Exchange对接Coins.ph系统布局东南亚市场，为两地用户提供便捷金融服务 [29] - 黄仁勋宣布美国批准H20芯片销往中国，英伟达将推出RTXpro GPU [31] - Meta将建设多个吉瓦级数据中心，首个预计2026年上线，受此消息影响股价上涨1.1% [32][33] - 百度萝卜快跑与Uber达成战略合作，将拓展至全球多个市场 [34] - OpenAI引入谷歌构建混合云生态，对谷歌云业务是利好 [36] - 美国国会批准稳定币法案待特朗普签字生效，众议院通过加密货币监管框架法案待参议院审议 [38][39]

报告行业投资评级 - 看好 [3] 报告的核心观点 - 大模型参数爆炸式增长驱动下，算力需求从单点转向系统级整合，超节点在机柜级互联与跨机柜组网技术上取得突破，单柜高密度与多机柜互联双向扩展，背后是通信协议与工程成本的平衡 [4] - 国产超节点方案以华为 CloudMatrix 384 为代表，实现算力规模突破，打破单卡性能瓶颈，验证了国产方案在大规模组网中的工程能力 [4] - 超节点产业化将重塑算力产业链分工，催生服务器整合、光通信增量及液冷渗透提升等投资机会，芯片厂商纵向整合趋势明显 [4] - 市场当前对超节点的认知存在两大预期差，一是低估国产方案在推理场景的性价比优势，二是忽视算力网络架构变革对产业链的重构 [4] - 建议关注光通信、网络设备与芯片、数据中心产业链、铜连接、AI 芯片与服务器供应商等领域相关标的 [4] 根据相关目录分别进行总结 超节点：AI 算力网络新趋势 - Scale up 和 Scale out 是算力系统扩容的两个重要维度，分别追求硬件紧密耦合和弹性扩展，二者在协议栈、硬件、容错机制上存在本质差异，通信效率不同 [15] - 英伟达在 Hopper GPU 一代尝试突破服务器架构、在机柜层级拓展 Scale up 系统，2024 年推出的 GB200 NVL72 是较为成熟的超节点产品，通过单层 NVSwitch 实现全互联，应对通信峰值能力显著提升 [27][32] - AMD 的 IF128 方案尝试融合以太网技术，打破 Scale-up 与 Scale-out 边界，预计将在 26H2 推出搭载 128 个 MI450X 的超节点产品 [38][43] - 特斯拉 Dojo 专为视频等视觉训练数据打造，采用 2D Mesh 拓扑结构，但进展不及预期，其封闭生态和 2D Mesh 拓扑结构为重要掣肘 [50][67] 超节点掣肘？华为的解答 - 超节点设计需考虑模型需求、IDC 实践和成本等因素，在模型角度 72 卡规模以上的 Scale up 节点是较优选择，未来更大规模的超节点预计是必然选择；在 IDC 实践角度，模块化布局利于交付和运维；在成本角度，光通信等组网成本、系统复杂度和维护制约了超节点 Scale up 的规模设计 [72][77][79] - 华为 CloudMatrix 384 超节点通过两层 UB Switch 实现全互联，形成无带宽收敛的 Clos 网络拓扑，实测数据显示其对性能影响较小，该超节点算力为 NVL72 的 1.7 倍，内存为 3.6 倍，更适合未来 AI 工作负载 [82][92][95] - 华为 CM384 机柜为推理而生，针对 Prefill 和 Decode 两大阶段进行了针对性优化；深度适配 DeepSeek，机柜内资源调度灵活性强，但多机柜灵活性差；在国产 AI 芯片方案中已经具备一定性价比，体现在单算力的吞吐 [100][107][119] 产业链影响：分工细化，各环节均有增量 - 服务器产业链分工细化，AI 芯片厂商纵向整合，提升自身通信、存储、软件等能力是确定趋势，代工产业链分工可能进一步分化为板卡设计代工供应商、以及机柜代工供应商，相关标的包括海光信息、中科曙光等 [123][128] - 光通信方面，国产超节点方案带来光模块增量，预计增加 400G 或 LPO 等成本优化方案的采购，同时加速向 800G 演进，整体光模块的需求比最高可达 1:18，相关标的包括华工科技、光迅科技等 [129][139] - 铜连接方面，华为 UB-Mesh 网络架构具备降低成本、增强可靠性等特性，更长时间维度看，光通信是 Scale up 网络需求的演进方向，光电混合是当前重要架构，相关标的包括意华股份、瑞可达等 [140][144] - IDC 产业链方面，以 Cloud Matrix 为代表的超节点方案预计将增加 AIDC 需求，液冷是必要选项，相关标的包括润泽科技、奥飞数据等 [149][151] 重要公司估值 - 报告给出了海光信息、中科曙光、浪潮信息等多家公司 2024A-2027E 的归母净利润及 PE 等估值数据 [153]

超节点服务器概念与背景 - 超节点服务器是应对AI算力需求爆炸式增长的最优解，通过高效整合海量计算单元(CPU/GPU/TPU)实现前所未有的计算密度和效率[4][6] - AI模型参数从亿级跃升至万亿级，传统服务器显存和算力无法满足需求，模型并行成为必然选择但受限于服务器间网络带宽瓶颈[9] - 超节点三大核心特征：极致计算密度(单空间最大化算力)、强大内部互联(NVLink等技术)、AI负载深度优化(软硬件协同设计)[10] 技术演进历程 - 早期追求服务器密度的尝试(如1999年谷歌"软木板服务器")与超节点有本质区别，前者侧重资源池化而非算力整合[12] - GPU并行计算能力崛起成为关键转折点，Transformer等大模型推动NVLink等高速互联技术发展[13] - 英伟达DGX/HGX系列将8GPU+NVSwitch高度集成，形成典型超节点单元[14] 行业需求驱动因素 - AI大模型遵循规模定律(Scaling Law)，模型规模与训练数据量增长直接带来算力需求指数级上升[16] - 长序列处理需求提升模型性能但显存需求急剧增加，2025年斯坦福报告显示训练算力年增长率达10倍[18][20] - 传统扩展方式面临三大瓶颈：内存墙(数据供给不足)、规模墙(集群扩展收益递减)、通信墙(并行计算通信开销)[21] 技术优势与解决方案 - 构建超大带宽域(HBD)实现纵向扩展(Scale-Up)，8GPU服务器内通信带宽达130TB/s[22][37] - 集中式供电方案提升效率，液冷技术使PUE优于传统风冷，长期运营成本降低[24][26] - 模块化设计优化运维，大型风扇墙和集成电源组件比传统方案节能30%以上[26][29] 关键技术挑战 - 供电系统需应对100kW+机柜功耗，电压从48V向400/800V演进以减少线路损耗[31] - 冷却系统采用冷板式/浸没式液冷应对单芯片1000W+ TDP，散热效率提升5-10倍[32] - 网络系统需平衡铜缆/光缆成本与性能，InfiniBand和RoCE成为主流互联方案[32][37] 行业技术现状 - 英伟达GB200 NVL72集成72个Blackwell GPU，采用NVLink实现36CPU+72GPU逻辑统一，定义行业标准[35][37] - 华为CloudMatrix 384通过384颗昇腾芯片全光互联实现自主可控，但功耗较高[38][41] - 供电技术向48V直流母线槽演进，液冷采用直触式冷板技术，网络倾向RoCE以太网[33][34][37] 未来技术方向 - 数据中心供电向400V/800V高压直流(HVDC)转型，减少AC-DC转换损耗[40][43] - 下一代液冷技术包括微流控冷却(芯片表面蚀刻微通道)和相变液冷(利用潜热)[45] - 共封装光学(CPO)技术将光模块集成至芯片封装，提升I/O带宽密度并降低功耗[49] 行业影响与展望 - 超节点是AI算力基础设施的集大成者，融合芯片/互联/制冷/供电等尖端技术[46] - 技术演进将催生全新系统架构，如计算/内存/存储资源池化通过光路互联[49] - 行业正从单机柜级向跨机柜级超节点发展，推动AI集群算力规模突破现有上限[22][41]