文章核心观点 AI与高性能计算需求的爆发式增长，正遭遇“存储墙”的核心瓶颈，即存储器带宽、延迟和能效的增长速度严重滞后于计算性能的增长，制约了系统整体潜力[1][4] 行业领导者台积电指出，未来竞争将是内存子系统性能、能效与集成创新的综合较量，并提出了以SRAM、MRAM、存内计算（CIM）为核心，结合3D封装与计算-存储融合的全栈技术演进路径[1][11][62] AI算力需求与存储“带宽墙”挑战 - AI模型参数从百万级跃升至万亿级，过去70年间训练计算量增长超过10^18倍，推理计算量同步爆发式增长[2] - 硬件峰值浮点运算性能（HW FLOPS）在过去20年间增长60000倍（平均每2年增长3.0倍），而DRAM带宽仅增长100倍（平均每2年增长1.6倍），互连带宽仅增长30倍（平均每2年增长1.4倍），增长速度严重失衡形成“带宽墙”[4] - 以英伟达H100 GPU为例，其BF16精度峰值算力达989 TFLOPs，但峰值带宽仅3.35 TB/s，在运算强度不足时系统性能受存储限制，计算资源闲置[7] - AI/HPC对存储器提出三大核心要求：大容量（存储模型参数）、高带宽（解决吞吐瓶颈）、低数据传输能耗（实现绿色计算与边缘部署）[7] 存储技术演进的全链条协同路径 - 行业正从传统以计算为中心的架构加速向以存储为中心的架构转型[7] - 未来存储器架构演进围绕“存储-计算协同”展开：从传统片上缓存，到片上缓存+大容量封装内存储器，再到高带宽低能耗封装内存储器，最终实现存算一体与近存计算[7] - 现代系统采用分层存储架构，从寄存器（延迟约1ns）、SRAM缓存（延迟约10ns）到HBM/DRAM主存，再到SSD，进行性能-成本权衡[9] - 技术突破需材料、工艺、架构、封装的全链条协同优化，而非单点突破[11] SRAM：高速缓存层的性能基石与演进 - SRAM凭借低延迟、高带宽、低功耗、高可靠性及兼容先进CMOS工艺的优势，是寄存器、缓存等关键层的首选技术，广泛应用于数据中心CPU、AI加速器、移动SoC等芯片[12] - SRAM工艺已覆盖N28至N2全节点，随着N3/N2等先进工艺普及，其在高性能计算芯片中的用量持续增长[12] - 随着工艺向7nm、5nm、3nm、2nm演进，SRAM面临面积缩放速度放缓、最小工作电压（VMIN）优化困境、以及互连损耗加剧（Cu线宽<20nm时电阻率快速上升）等挑战[16][17] - 台积电通过设计-工艺协同优化（DTCO）及技术创新推动SRAM缩放，例如：90nm引入应变硅，45nm采用高k金属栅，28nm推出FinFET与飞跨位线，7nm应用EUV光刻，2nm采用Nanosheet架构[13] - 设计层面，台积电推出3D堆叠V-Cache技术以优化末级缓存容量、延迟与带宽，应用于AMD Ryzen 7 5800X3D处理器，集成最高96MB共享L3缓存，游戏性能显著提升[17][20] - 通过写辅助电路、读辅助电路、双轨SRAM等技术，将N3工艺SRAM的VMIN降低超过300mV；通过交错三金属层字线、飞跨位线等技术降低互连损耗[20] - 未来SRAM发展聚焦：1）在N2及更先进节点通过Nanosheet与DTCO提升密度与能效；2）与3D封装结合垂直堆叠以匹配AI加速器超高带宽需求；3）与存算一体架构协同，作为DCiM的核心存储单元[20] 存内计算（CIM）：突破能效瓶颈的架构革命 - 在典型AI加速器中，超过90%的能耗用于存储与计算单元间的数据搬运，而非实际计算，数据移动是制约能效的核心因素[21] - 存内计算架构打破冯·诺依曼架构，将计算功能嵌入内存阵列，数据在原地或近旁处理，极大节省能耗和延迟[24] - 台积电认为，数字存内计算（DCiM）相比模拟存内计算（ACiM）更具潜力，因其无精度损失、灵活性强、工艺兼容，能随节点演进持续提升性能，特别适用于边缘推理场景[26] - DCiM核心优势：1）灵活性高，可针对不同AI工作负载配置计算位宽；2）计算密度高，从22nm到3nm，其能效（TOPS/W）和计算密度（TOPS/mm²）实现数量级飞跃；3）精度灵活与能效比高，支持INT8/12/16及FP16精度，精度损失<2.0%，INT8能效比相比传统架构提升约4倍[28] MRAM：非易失性嵌入式存储器的突破 - 传统嵌入式闪存（eFlash）在28nm以下工艺微缩困难，磁阻随机存取存储器（MRAM）凭借低待机功耗、高密度、非易失性、速度快、耐久性和工艺友好等优势，成为理想替代方案[33] - MRAM核心价值在于兼顾高速读写与数据长期保存，满足汽车电子、边缘AI等场景对非易失性、高可靠性和极高耐久性的需求[35] - 在汽车电子领域，台积电N16 FinFET eMRAM技术满足严苛要求：100万次循环耐久性、支持焊料回流、150℃下20年数据保持能力，支撑车载MCU的OTA更新功能[39] - 在边缘AI领域，MRAM支持TinyML等紧凑AI架构，仅需2-4MB容量存储模型权重，同时支持安全OTA更新，匹配其对低容量、高能效与高可靠性的需求[39] - MRAM短板包括：单位容量成本高于DRAM与NAND；高温度下数据保持需优化；强磁场环境（如强永磁体N52）下需保持9mm安全距离等抗干扰挑战[43] - 台积电通过多重技术优化MRAM可靠性：1）数据擦洗技术结合ECC纠错，在125℃下控制位错误率；2）优化MTJ结构与布局以抗磁性干扰；3）针对NVM与RAM不同应用场景调整参数，权衡数据保持、密度与速度[43][47][49] - 台积电已将N16 eMRAM技术成功推向市场，特别是在汽车领域，并正在向更先进节点迈进[49] 计算-存储融合与3D先进封装的系统级优化 - 单一存储技术优化已难以满足系统需求，必须通过3D封装、芯粒集成等技术，将存储与计算单元紧密连接，实现存储靠近计算的架构重构[50] - 2.5D/3D先进封装通过硅中介层或硅桥将计算芯粒与高带宽内存（如HBM）封装在一起，创造带宽极高、距离极近的超级系统，以匹配AI加速器的巨大吞吐需求[54] - 台积电先进封装布局包括：CoWoS平台（将逻辑芯片和HBM集成在硅中介层上）和SoIC技术（允许芯片垂直3D堆叠，实现最短最密集互连）[58] - 高密度互连优势：缩短数据路径，降低数据移动能耗与延迟；提升带宽密度，3D堆叠的比特能效相比封装外铜互连提升60倍；模块化设计灵活适配不同场景，如AI内存带宽需求已达20.0TB/s[58] - 未来AI芯片可能通过3D堆叠将计算单元直接放置在高速缓存或存内计算单元之上，形成紧耦合异构集成体，并结合集成电压调节器、光子互连等技术[60] - 这要求芯片设计、存储器专家、封装工程师从架构设计之初就进行内存-计算协同优化，以突破存储墙与能效瓶颈[61] 行业未来图景与竞争关键 - AI计算正推动存储技术进入全维度创新时代，需应对“带宽墙”与“能效瓶颈”双重挑战[62] - 台积电的技术蓝图路径：以SRAM保障高速访问；以MRAM开拓新场景并填补非易失性存储空白；以DCiM实现存算一体突破能效瓶颈；最终以3D封装与芯粒集成实现系统级融合，重构存储与计算连接[62] - 对产业而言，竞争格局深化，领先企业不仅需掌握尖端制程工艺，更需在存储技术、先进封装和系统架构上构建全方位创新能力，技术的协同与融合成为破局关键[62]

文章核心观点 AI与高性能计算需求的爆发式增长正遭遇“存储墙”瓶颈，即存储带宽和性能的提升速度远落后于计算性能的增长，这严重制约了系统整体能效和算力释放[1][5]。为突破此瓶颈，行业需从单一器件优化转向材料、工艺、架构、封装的全链条协同创新[12]。台积电的技术蓝图指出，未来竞争将是内存子系统性能、能效与集成创新的综合较量，其演进路径围绕“存储-计算协同”展开，具体通过优化SRAM、发展MRAM与存内计算（DCiM）、并利用3D封装等技术实现计算-存储深度融合，以构建下一代硬件平台[1][8][12][50][59]。 AI算力增长与存储“带宽墙”挑战 - AI模型参数规模与计算量呈爆炸式增长，过去70年间机器学习模型的训练计算量增长超过10^18倍[2] - 计算性能与存储器带宽提升速度严重失衡，过去20年间硬件峰值浮点运算性能（HW FLOPS）增长60000倍（平均每2年3.0倍），而DRAM带宽仅增长100倍（平均每2年1.6倍），互连带宽仅增长30倍（平均每2年1.4倍），形成“带宽墙”[5] - 存储带宽成为限制计算吞吐量的主要瓶颈，以英伟达H100 GPU为例，其BF16精度峰值算力达989 TFLOPs，但峰值带宽仅3.35 TB/s，在运算强度不足时系统性能受存储限制[8] - AI与HPC对存储器提出三大核心需求：大容量、高带宽、低数据传输能耗[8] - 行业架构正从以计算为中心加速向以存储为中心转型，存储架构演进路径为：从传统片上缓存，到片上缓存+大容量封装内存储器，再到高带宽低能耗封装内存储器，最终实现存算一体与近存计算[8] 分层存储架构与全链条优化 - 现代计算系统采用分层存储架构以平衡速度、带宽、容量与功耗，从寄存器（延迟约1ns）、SRAM缓存（延迟约10ns）到HBM/DRAM主存，再到SSD等存储设备，性能与成本逐级权衡[10] - 应对挑战需材料、工艺、架构、封装的全链条协同优化，台积电基于层次结构优化各级嵌入式存储器：SRAM提升缓存层密度与能效；MRAM填补嵌入式非易失性存储器（eNVM）缺口；DCiM从架构层面优化能效比；3D封装与芯粒集成则提供系统级解决方案[12] SRAM：性能基石的技术演进与挑战 - SRAM是高速嵌入式存储器主力，具有低延迟、高带宽、低功耗、高可靠性优势，广泛应用于数据中心CPU、AI加速器、移动SoC等，工艺节点覆盖N28至N2[13] - SRAM面积缩放依赖关键工艺与设计突破：90nm引入应变硅；45nm采用高k金属栅；28nm推出FinFET、飞跨位线与双字线；7nm应用EUV光刻与金属耦合；2nm通过Nanosheet架构实现进一步缩放[14] - SRAM密度提升直接推动计算性能，例如L3缓存容量增加可显著提升CPU每周期指令数（IPC）[17] - 先进节点下面临三大挑战：面积缩放速度放缓；最小工作电压（VMIN）优化困难，影响读写稳定性与能效；互连损耗加剧（Cu线宽<20nm时电阻率快速上升），制约速度提升[17] - 设计层面通过3D堆叠V-Cache技术优化末级缓存，AMD Ryzen™ 7 5800X3D处理器集成最高96MB共享L3缓存，游戏性能显著提升[17][20] - 通过写辅助电路、读辅助电路、双轨SRAM等技术，将N3工艺SRAM的VMIN降低超过300mV；通过交错三金属层字线、飞跨位线等技术降低互连损耗[22] - 未来聚焦方向：在N2及更先进节点通过Nanosheet架构与设计-工艺协同优化（DTCO）提升密度与能效；与3D封装结合实现缓存容量跨越式增长；与存算一体架构协同，作为DCiM的核心存储单元[22] 存内计算（CIM）与DCiM的架构革命 - 传统AI加速器中超过90%的能耗可能用于存储与计算单元间的数据搬运，而非实际计算，数据移动成为制约能效的核心因素[23] - 存内计算（CIM）打破冯·诺依曼架构，将计算功能嵌入内存阵列，数据在原地或近旁处理，极大节省能耗和延迟[26] - 台积电认为数字存内计算（DCiM）相比模拟存内计算（ACiM）更具潜力，DCiM无精度损失、灵活性强、工艺兼容，能随节点演进持续提升性能，特别适用于边缘推理场景[28] - DCiM核心优势：灵活性高，可针对不同AI工作负载配置计算位宽；计算密度高，从22nm到3nm，其能效（TOPS/W）和计算密度（TOPS/mm²）实现数量级飞跃；精度灵活与能效比高，支持INT8/12/16及FP16精度，精度损失<2.0%，INT8精度下能效比较传统架构提升约4倍[30] MRAM：非易失性嵌入式存储器的突破 - 传统嵌入式闪存（eFlash）在28nm以下工艺微缩困难，磁阻随机存取存储器（MRAM）凭借低待机功耗、高密度、非易失性、速度快、耐久性和工艺友好等优势，成为eNVM的理想替代方案，适用于汽车电子、边缘AI等新兴场景[35][38] - 在汽车电子领域，台积电N16 FinFET嵌入式MRAM技术满足严苛要求：100万次循环耐久性、支持焊料回流、150℃下20年数据保持能力，支撑软件定义汽车的OTA更新等功能[41] - 在边缘AI领域，MRAM支持TinyML等紧凑AI架构，仅需2-4MB容量存储模型权重，同时支持安全OTA更新，匹配边缘设备对低容量、高能效与可靠性的需求[41] - MRAM存在短板：单位容量成本高于DRAM与NAND；高温度下数据保持能力需优化；强磁场环境（如强永磁体N52）下需保持9mm安全距离，抗干扰能力需特殊设计[42] - 台积电通过技术优化提升MRAM可靠性：采用数据擦洗（Data Scrubbing）技术结合ECC纠错，在125℃下控制位错误率（BER）；优化MTJ结构与布局以抗磁性干扰；针对NVM与RAM不同应用场景差异化调整参数[43][46] - 台积电已将N16 eMRAM技术成功推向市场，特别是在汽车领域，并正向更先进节点迈进[50] 计算-存储融合与3D封装的系统级优化 - 单一存储技术优化已难以满足系统需求，必须通过3D封装、芯粒集成等技术实现存储靠近计算的架构重构，需求包括更高带宽密度、更低单位比特能耗、更短延迟、更高互连密度[50] - 2.5D/3D先进封装（如通过硅中介层或硅桥）将计算芯粒与高带宽内存（如HBM）集成，创造带宽极高、距离极近的超级系统，使内存带宽匹配AI加速器的巨大吞吐需求[52] - 高密度互连优势：缩短数据路径，降低移动能耗与延迟；提升带宽密度，3D堆叠的比特能效相比封装外铜互连提升60倍；模块化设计灵活适配不同场景，AI内存带宽需求已达20.0TB/s，3D封装可高效支撑[56] - 未来AI芯片可能通过3D堆叠将计算单元直接放置在高速缓存或存内计算单元之上，形成紧耦合异构集成体，并集成电压调节器、光子互连等技术[58] - 需芯片设计、存储器、封装工程师早期紧密协作，通过内存-计算协同优化，实现能效和性能的阶跃式提升[58] - 台积电具体布局包括：CoWoS先进封装平台，将逻辑芯片和HBM集成在硅中介层上，实现高互连密度和带宽；SoIC 3D堆叠技术，允许芯片垂直堆叠，将数据移动能耗和延迟降至最低[59]

2025年A股市场整体特征 - 市场在4月上旬经历快速向下调整后，迎来长达半年多的单边震荡向上主升行情，沪指于10月28日一度站上4000点整数关 [1][23] - 全年题材炒作呈现“政策驱动+事件催化+产业落地”三重逻辑交织、轮动加速、主线清晰但持续性缩短的特点 [1][23] - 全年炒作节奏快、热点密集，且高度集中于“新质生产力”相关方向 [1][23] AI硬件与算力产业链 - 2025年1月DeepSeek-R1模型训练核心成本仅约29.4万美元，颠覆了业界认为顶级模型需要“数千万美元”的逻辑，推动了国产AI软硬件生态协同加速 [3][25] - 国产算力芯片概念股迎来高潮，寒武纪自8月28日股价首次超越贵州茅台，12月上市的GPU龙头摩尔线程、沐曦股份上市首日单签分别盈利24.31万元、36.26万元，沐曦股份登顶A股史上最赚钱新股 [3][25] - 算力芯片概念股中，天普股份年内最高涨幅超1300%居首，东芯股份、芯原股份年内最高涨幅均超300% [3][25] - 2025年9月，英伟达与OpenAI宣布价值1000亿美元的合作，GPT-5及下一代多模态模型训练需数万颗H100 GPU [4][26] - 中际旭创、新易盛、天孚通信三大光模块巨头在内的算力硬件股从今年4月后全面爆发，其中新易盛从4月7日最低点起股价实现翻10倍 [4][26] - CPO概念股中，仕佳光子年内最大涨幅超570%，新易盛、中际旭创、源杰科技年内最大涨幅均超400% [4][26] 存储芯片 - 云端AI算力需求导致存储企业将主要资源投入HBM与DDR5，传统存储产品供应缺口扩大，价格显著上涨 [8][29] - DRAM与NAND Flash现货价格自9月至今均已累计上涨超过300%，CFM闪存市场预计2026年第一季度NAND价格还将上涨25%—30%，DRAM上涨30%—35% [8][29] - 存储芯片概念股中，香农芯创年内最大涨幅超600%，德明利、江波龙、诚邦股份、西测测试年内最大涨幅均超200% [8][29] 有色金属与大宗商品 - 美联储2024年底开启降息周期，美元走弱，推动以美元计价的大宗商品价格持续上行，全球央行购金浪潮刺激贵金属市场 [10][31] - 黄金年内涨幅突破70%，白银飙升超170%，铂金、钯金亦刷新历史高点 [10][31] - AI算力基建、电网升级、储能、人形机器人等新兴产业需求带动铜、铝、锂、钴、镍等工业、能源金属需求激增，伦铜主力合约年内涨超40%，沪铜主力合约一度突破10万元/吨，均创历史新高 [10][31] - 有色金属板块中，招金黄金、兴业银锡、中钨高新、藏格矿业、盛屯矿业、西部黄金、洛阳钼业年内最大涨幅均超200% [10][31] 商业航天 - 政府工作报告中商业航天被提及两次，“十五五”规划建议明确将航空航天列为需加快发展的战略性新兴产业集群 [12][33] - 12月以来，朱雀三号、长征十二号、快舟十一号等火箭接连成功发射，海外方面，马斯克旗下SpaceX正加速推进IPO计划，目标估值约1.5万亿美元，有望成为史上最大规模IPO [12][33] - 商业航天概念在第四季度迎来井喷行情，航天发展从11月14日至12月5日录得16天10板，顺灏股份从11月28日至12月12日走出11天8板，西部材料从12月5日至12月19日录得11天6板 [12][33] - 商业航天概念股中，顺灏股份、飞沃科技年内最大涨幅均超450%，超捷股份、斯瑞新材、天力复合年内最大涨幅均超300% [13][34] 储能与锂电池产业链 - 《新型储能规模化建设专项行动方案（2025-2027年）》提出，全国新增新型储能装机容量2027年底达到1.8亿千瓦以上 [15][36] - 美国数据中心电力供应短缺、欧洲电网不稳定和现货峰谷价差拉大均推动储能需求，东吴证券预计全球储能装机明年60%以上增长，未来三年复合30-50%增长 [15][36] - 储能电芯一货难求驱动排产持续上行，碳酸锂、六氟磷酸锂、VC、正极材料以及隔膜、负极轮番涨价，引爆储能、锂电池产业链 [15][36] - 锂电龙头宁德时代总市值一度突破1.8万亿元并超越贵州茅台，阳光电源、海博思创、海科新源、华盛锂电、大中矿业、中矿资源均创出历史新高 [15][36] - 储能概念股中，奕东电子、振华股份、震裕科技年内最大涨幅均超270% [15][36] - 锂电池概念股中，海科新源、华盛锂电年内最大涨幅超560%，天际股份年内最大涨幅超480% [15][36] 区域主题投资（福建、海南） - 福建发布“十五五”规划，提出支持厦门与金门、福州与马祖加快融合发展，加快平潭综合实验区开放发展，推进新一轮全岛封关运作 [17][40] - 福建板块行情火爆，平潭发展从10月17日至11月17日走出22天14板，九牧王、海欣食品分别走出过7连板和8天7板 [17][40] - 福建板块概念股中，海峡创新年内最大涨幅超500%，广生堂、平潭发展年内最大涨幅超400% [17][40] - 12月18日，海南自由贸易港全岛封关正式启动，标志着海南与全球市场互联互通水平提升 [17][40] - 海南板块概念股中，中钨高新、康芝药业、海马汽车年内最大涨幅超180% [17][40]

2025年A股市场整体特征 - 全年市场在4月上旬经历快速向下调整后，迎来长达半年多的单边震荡向上主升行情，沪指于10月28日一度站上4000点整数关 [1] - 题材炒作呈现“政策驱动+事件催化+产业落地”三重逻辑交织、轮动加速、主线清晰但持续性缩短的特点 [1] - 全年炒作节奏快、热点密集，且高度集中于“新质生产力”相关方向 [1] AI硬件与算力产业链 - 2025年1月DeepSeek-R1模型训练核心成本仅约29.4万美元，颠覆了业界顶级模型需要“数千万美元”的逻辑，推动国产算力软硬件生态协同加速 [3] - 国产算力芯片概念股迎来高潮，寒武纪自8月28日股价首次超越贵州茅台，GPU龙头摩尔线程、沐曦股份上市首日单签分别盈利24.31万元、36.26万元，沐曦股份登顶A股史上最赚钱新股 [3] - 算力芯片概念股天普股份年内最高涨幅超1300%居首，东芯股份、芯原股份年内最高涨幅均超300% [3] - 2025年9月，英伟达与OpenAI宣布价值1000亿美元的合作，GPT-5及下一代多模态模型训练需数万颗H100 GPU [4] - 光模块（CPO）概念股从4月后全面爆发，新易盛从4月7日最低点起股价实现翻10倍 [5] - CPO概念股仕佳光子年内最大涨幅超570%，新易盛、中际旭创、源杰科技年内最大涨幅均超400% [5] 存储芯片 - 云端AI算力需求导致传统存储产品供应缺口急剧扩大，价格显著上涨，DRAM与NAND Flash现货价格9月至今均已累计上涨超过300% [9] - CFM闪存市场预计，2026年第一季度NAND价格还将上涨25%—30%，DRAM则上涨30%—35% [9] - 国内存储芯片概念在8月份起加速向上，香农芯创年内最大涨幅超600%，德明利、江波龙、诚邦股份、西测测试年内最大涨幅均超200% [9] 大宗商品与有色金属 - 美联储降息周期推动以美元计价的大宗商品价格上行，全球央行购金浪潮刺激贵金属市场迎来牛市，黄金年内涨幅突破70%，白银飙升超170%，铂金、钯金亦刷新历史高点 [11] - AI算力基建、电网升级等新兴产业需求带动工业金属需求激增，伦铜主力合约年内涨超40%，沪铜主力合约一度突破10万元/吨，均创历史新高 [11] - 有色板块全年涨势火爆，招金黄金、兴业银锡、中钨高新、藏格矿业、盛屯矿业、西部黄金、洛阳钼业年内最大涨幅均超200% [11] 商业航天 - 商业航天在“十五五”规划建议中被明确列为需加快发展的战略性新兴产业集群，12月以来朱雀三号、长征十二号、快舟十一号等火箭接连成功发射 [13] - 海外方面，马斯克旗下SpaceX正加速推进IPO计划，目标估值约1.5万亿美元，有望成为史上最大规模IPO [13] - 商业航天概念在第四季度迎来井喷行情，航天发展从11月14日至12月5日录得16天10板，顺灏股份从11月28日至12月12日走出11天8板，西部材料从12月5日至12月19日录得11天6板 [13] - 商业航天概念股顺灏股份、飞沃科技年内最大涨幅均超450%，超捷股份、斯瑞新材、天力复合年内最大涨幅均超300% [13] 储能与锂电产业链 - 《新型储能规模化建设专项行动方案（2025-2027年）》提出，全国新增新型储能装机容量2027年底达到1.8亿千瓦以上 [15] - 东吴证券预计全球储能装机明年60%以上增长，未来三年复合30-50%增长 [15] - 储能需求超预期带动产业链排产上行，碳酸锂、六氟磷酸锂等材料轮番涨价，锂电龙头宁德时代总市值一度突破1.8万亿元并超越贵州茅台 [15] - 储能概念股奕东电子、振华股份、震裕科技年内最大涨幅均超270% [15] - 锂电池概念股海科新源、华盛锂电年内最大涨幅超560%，天际股份年内最大涨幅超480% [15] 区域主题投资 - 福建发布“十五五”规划，提出支持厦门与金门、福州与马祖加快融合发展，推进平潭综合实验区开放发展 [18] - 10月中旬起福建板块开启火爆行情，平潭发展从10月17日至11月17日走出22天14板，九牧王、海欣食品分别走出过7连板和8天7板 [18] - 福建板块海峡创新年内最大涨幅超500%，广生堂、平潭发展年内最大涨幅超400% [18] - 12月18日，海南自由贸易港全岛封关正式启动，标志着海南与全球市场互联互通水平大力提升 [18] - 海南自贸概念在封关消息落地后走出先抑后扬行情，中钨高新、康芝药业、海马汽车年内最大涨幅超180% [18]

行业核心观点 - 中国商业航天产业正站在关键发展路口，增长模式由企业主动推进、市场竞争驱动，并获得国家持续有力的政策支持，行业已上升至国家战略高度 [1] - 商业航天已形成覆盖火箭卫星研发制造、发射服务、星座组网及下游应用的完整产业链，过去十年在基础设施、技术路线和市场准入方面发生根本变化，涌现大批新兴企业 [1] - 太空算力作为商业航天的高价值落地场景，展现出独特物理优势，正打开产业价值新空间，其产业链可能迎来价值重估机会 [9][11] 政策与战略背景 - 近两年“商业航天”连续写入政府工作报告，“航天强国”首次成为官方文件核心词汇 [1] - 2024年政府工作报告首次提及“商业航天”，显示了国家层面的重视 [14] - 2024年11月，国家航天局成立“商业航天司”，对发射许可、频率轨道、经营资质等关键环节实施统一管理，为产业大规模、规范化发展奠定制度基础 [1] - 北京、重庆等地方政府也相继发布了支持商业航天发展的政策和行动计划 [14] 频轨资源竞争态势 - 全球卫星互联网建设进入白热化阶段，有限的轨道位置和通信频率是各国争相抢占的战略资源，国际规则为“先到先得” [2][20] - 美国SpaceX主导的“星链”计划规划4.2万颗卫星，截至2025年已成功发射超过1万颗，进展遥遥领先 [2][19] - 中国主要星座计划包括星网工程（GW星座，计划12992颗）、上海垣信的G60千帆星座（计划15000颗）和鸿擎科技的鸿鹄-3星座（计划10000颗） [2][19] - 截至2025年底，千帆星座累计发射108颗，星网发射127颗，鸿鹄-3尚未发射，与最终目标差距巨大 [2][19] - 根据国际电信联盟规定，星网需在2029年前部署1300颗卫星，千帆需在2032年8月前部署1500颗卫星，鸿鹄-3需在2033年5月前部署1000颗卫星，发射任务紧迫 [18][20] - 频率资源紧缺，能够单独使用、实现全球覆盖的L、S、C频段资源几乎殆尽，Ku、Ka频段已接近饱和 [17][20] 行业发展面临的主要问题 发射成本高昂 - 国内商业卫星发射主流报价为每公斤5万到10万元人民币，部分特殊轨道可达15万元/公斤 [3][21] - 以一颗500公斤卫星为例，发射费最高可能达7500万元，而同类卫星制造成本已可控制在5000万至6000万元，发射成本接近甚至超过制造成本 [3][21] - SpaceX通过火箭复用，已将猎鹰9号每公斤发射成本降至约1500美元，并朝着百美元级目标迈进，其成本远低于国内水平 [3][21] 发射频次不足 - 2024年中国全年完成68次航天发射，创历史新高，但距离年初设定的“百次”目标仍有差距 [4][26] - 承担国家重大任务的长征系列火箭日程繁忙，难以完全满足商业发射需求，导致部分商业星座组网进度比原计划慢了15%-20% [4][26] - 民营火箭公司运载能力和发射可靠性尚未完全达到大规模组网要求 [4] - 2025年，美国SpaceX全年实施了169次发射，仅一家公司的发射量就已超过中国全国总和（85次） [4][26] 最大运力存在短板 - 中国现役运力最强的火箭是长征五号，其近地轨道运力约为25吨 [5][27] - SpaceX的猎鹰9号运力为22.8吨，重型猎鹰达63.8吨，正在测试的“星舰”目标为100到250吨 [5][28] - 中国正在研制长征九号重型运载火箭，预计在2035年前实现150吨级的近地轨道运力，但仍需时间 [5][27] 行业破局之道 火箭可重复使用 - SpaceX通过一级火箭和整流罩的回收复用，将单次发射成本从全新的约5000万美元大幅降至复用后的约1500万美元 [6][31] - 发动机和箭体结构的重复使用是降本核心，一级助推器B1067复用次数已达32次 [31] - 2025年，国内蓝箭航天的“朱雀三号”火箭成功实现二子级入轨并尝试一子级回收 [6][36] - 2026年预计将成为中国可回收火箭密集首飞年，天兵科技天龙三号、东方空间引力二号、中科宇航力箭二号等多款新型火箭将陆续亮相 [6][36] 卫星制造工业化 - 采用批量化、模块化方式制造卫星是降本增效关键，行业正引入汽车产业流水线理念 [7][43] - 2025年，设计年产能力达1000颗的海南文昌卫星超级工厂将成为国内最大卫星制造基地 [7][39] - 全国已投产和在建的卫星工厂总计超过50家，规模化生产将显著摊薄单星成本 [7][43] - 卫星实现批量生产后，平台成本占比可从传统定制卫星的约50%降至约30%，商业公司的理想比例为20% [38][43] 新建商业发射场 - 海南商业航天发射场是中国首个专业商业发射场，于2024年底成功完成首次发射 [8][44] - 山东海阳的东方航天港等新基地陆续投入使用，为高频次组网提供保障 [8][44] - 沿海与内陆的新发射场不断扩容，正形成布局更合理、能力互补的发射网络 [8][44] 太空算力发展前景 核心优势 - **能源成本极低**：太空太阳能利用率极高，可为算力中心提供近乎无限的持续廉价电力 [9][47] - **散热成本趋零**：太空背景温度约为零下270摄氏度，为设备提供天然冷却环境，被动散热即可，而地面数据中心制冷能耗可能占总耗电的30%-40% [9][52] - **数据传输高效**：卫星在轨即可处理原始数据，节省超过90%的下行带宽，将处理后的关键信息传回地面仅需数秒到几分钟，支持高实时性应用 [9][54] 产业化进程 - **全球竞速**：2025年11月，美国英伟达已将H100 GPU送入太空测试；SpaceX星链V3卫星、谷歌“太阳捕手”计划都瞄准近年内大规模部署太空计算能力 [10][53] - **中国跟进**：国内轨道辰光、之江实验室、国星宇航等机构提出“晨昏轨道星座”、“三体计算星座”、“星算计划”等构想 [10][53] - 2025年5月，之江实验室与国星宇航合作成功将12颗承载计算任务的卫星送入轨道，标志着中国太空算力基础设施建设进入工程实施阶段 [10][53] 经济性分析 - 建设一个太空算力中心的初始资本投入（Capex）大约是地面数据中心的1.3到2倍，但随着火箭发射成本下降，差距正在迅速缩小 [11][60] - 以一座40兆瓦的算力中心为例，其在轨运营成本（Opex，除折旧）可能仅为地面同等规模数据中心的15%左右 [11][58] - 按十年运营周期计算，太空算力的总成本有望低于地面数据中心的一半 [11][59] 产业链相关公司 - **商业航天产业链公司**：星图测控、中科星图、航天宏图、超图软件、霍莱沃、盛邦安全、索辰科技、上海瀚讯、上海港湾、亚信安全、电科网安、航天动力、斯瑞新材、超捷股份、中国卫星、航天电子、复旦微电、臻镭科技、中国卫通 [11] - **太空算力产业链公司**：顺灏股份、普天科技、星图测控、中科星图、优刻得、上海港湾、电科数字、佳缘科技 [11] - 这些公司在卫星制造、测控运维、火箭研发、算力中心建设、数据服务等关键环节均有明确布局和项目进展 [12]

文章核心观点 - 全球AI产业正经历价值重估，美国AI投资呈现结构性泡沫，其特征是高投入与低回报失衡，尤其在硬件、软件和应用层面存在过热与估值虚高问题 [2][15] - 中国AI投资整体呈现“理性有余，热度不足”的特征，泡沫风险较低但面临投资规模不足和基础研究薄弱的挑战 [8][22] - AI产业的健康发展需摒弃“泡沫焦虑”与“规模崇拜”，以长期主义布局核心技术，并以务实态度推进商业化落地 [2][11][14][25] 美国AI投资：结构性泡沫与失衡困境 - **硬件层面“算力军备竞赛”导致资本支出失控**：微软、亚马逊、谷歌等五大科技巨头2026年资本支出预计突破4700亿美元，较2024年翻倍，其中80%用于算力设施，近60%流向英伟达 [4][18] - **英伟达呈现垄断地位与泡沫化特征并存**：其2025年Q3 AI芯片业务营收同比激增210%，毛利率78%，全球超90%的AI训练算力依赖其产品，订单排期至2027年 [16]；但当前市盈率超75倍，远超半导体行业30倍的平均估值，市值一度突破3万亿美元，相当于全球前十大半导体公司市值总和 [16] - **“绑定式繁荣”暗藏风险闭环**：微软、谷歌、OpenAI等核心客户向英伟达预付巨额订单，英伟达又战略投资反哺OpenAI等企业，形成循环链条 [3][17]；2025年全球AI初创企业融资额同比下降32%，部分中小客户资金链紧张导致英伟达Q4 AI芯片出货量增速环比回落15% [3][17] - **企业激进投资累积财务风险**：甲骨文为承接OpenAI订单，将2026财年资本支出上调至500亿美元，同比激增136%，占营收比重高达75%，导致自由现金流转为-100亿美元 [4][18]；科技行业有息负债总额升至1.35万亿美元，达到十年前的4倍 [4][18] 美国AI软件与应用的商业化瓶颈 - **软件公司存在循环融资与估值虚高**：OpenAI计划未来数年投入1.4万亿美元，但预计2029年仍将亏损1150亿美元，直至2030年才能实现正现金流 [5][19]；其与甲骨文、英伟达的千亿级合作被质疑为“深度绑定的循环融资” [5][19] - **头部AI公司估值与业绩严重脱节**：Palantir市盈率超180倍，Snowflake接近140倍，即便微软、谷歌等巨头市盈率低于30倍，其AI相关业务的估值拆分后也远超传统业务 [5][19] - **应用层面“叫好不叫座”**：生成式AI真正实现规模化盈利的场景寥寥无几，科技巨头的AI相关收入增长远不足以覆盖巨额资本支出，Meta、微软甚至预计2026年考虑股东回报后自由现金流将为负 [6][20] - **下游算力采购需求转向“按需调整”**：2025年Q4，微软、亚马逊的AI服务器采购量环比分别下降8%、12%，引发市场对2026年算力需求增速放缓的担忧 [6][20] 美国AI投资的真实价值与技术合理性 - **整体估值水平相对温和**：与2000年互联网泡沫时期纳指80倍的市盈率相比，当前纳指26倍的预期市盈率仍处于相对温和水平 [6][20] - **领军企业构建了坚实的技术与生态壁垒**：英伟达通过GPU+CUDA生态构建了高护城河，全球尚无企业在高端AI芯片领域实现有效替代，并已开始布局AI推理芯片、边缘计算芯片 [7][21]；谷歌的TPU芯片在自家AI训练中实现规模化应用，形成“自研芯片+自有大模型”的闭环优势 [7][21] - **AI的长期产业价值真实存在**：AI对科学研究、产业升级具有革命性潜力，美国政府的“创世纪计划”旨在整合超级计算机与数据资源推动AI赋能科研 [7][21] 中国AI投资：理性审慎与局部隐忧 - **投资规模显著低于美国且更为审慎**：2025年中国互联网龙头合计资本支出约4000亿元，仅为美国同业的十分之一 [8][22]；资本支出占收入、经营现金流的比例分别为10%、50%，远低于美国厂商的27%和71% [8][22] - **投资务实性较强，资源供不应求**：国内AI企业多依赖母公司内部现金流供血，循环融资现象罕见 [8][22]；发改委通过电力配额管控IDC建设节奏，防止过度投资 [8][22]；阿里巴巴CEO表示当前新旧GPU均处于满负荷运行状态，未来三年AI资源将持续供不应求 [8][22] - **硬件领域推进国产化替代**：尽管高端GPU仍依赖进口，但国内芯片企业在专用芯片、边缘计算芯片等领域已实现突破，超节点在推理甚至训练工作负载中的占比持续提升 [9][23] - **软件与应用注重场景落地**：以DeepSeek为代表的本土大模型性能逐步追平美国同业，更注重适配国内应用场景，商业化路径更为清晰 [9][23]；AI在云服务、广告、智能办公等领域落地加快，呈现“技术迭代+场景落地”的良性循环 [9][23] - **局部存在泡沫苗头与长期投入不足**：部分初创企业依赖概念炒作获取融资；一些地方政府主导的AI产业园存在同质化竞争与资源浪费 [9][23]；在基础研究、高端芯片、核心算法等领域的长期投入仍显不足 [9][23]；阿里巴巴原计划三年投入3800亿元用于AI基础设施，最终发现这一数字“可能偏小” [9][23] 中美模式对比与产业发展路径 - **发展模式存在本质差异**：美国采取“高举高打”的激进策略，凭借资本优势大规模投资抢占技术制高点，但导致泡沫风险 [10][24]；中国以“稳扎稳打”为原则，控制风险并推进商业化落地与国产化替代，但面临投资规模不足的挑战 [10][24] - **美国需回归商业本质以化解风险**：遏制盲目扩张的资本支出，将投资重心从算力堆砌转向技术创新与效率提升 [10][24]；加快商业化落地节奏，挖掘高价值应用场景，让收入增长匹配估值水平 [10][24]；理性看待龙头企业估值，警惕英伟达估值与算力需求增速的错配风险 [10][24] - **中国需平衡风险与发展机遇**：避免陷入“泡沫恐惧”而错失发展机遇，加大基础研究与核心技术领域的投入，缩小在高端硬件领域的国际差距 [10][24]；警惕局部泡沫滋生，建立更理性的投资评估体系，引导资本流向具备技术实力和商业化潜力的企业 [10][24]

行业核心观点 - 多重利好催化下，卫星产业逆势走强，卫星产业ETF（159218）当日上涨2.02%，盘中突破震荡箱体，成份股四川九洲涨停 [1] - 商业航天产业闭环临界点将至，产业有望进入高速成长期 [3] - 可回收火箭技术突破后，产业有望形成“技术-发射-应用”闭环 [6] 政策与资源驱动 - 国际电信联盟“先占先得”规则倒逼我国加速低轨卫星部署，运营商须在申报频率后7年内发射首颗卫星，14年内完成全部星座部署 [3] - 我国已规划“千帆星座”、“国网星座”等大规模低轨星座计划，但发射进度面临占频保轨压力 [3] - 商业航天连续两年被写入政府工作报告，明确提出支持星箭制造与应用服务，新成立的商业航天司将为行业注入持续动能 [3] - 机构认为，我国低轨卫星发射加速是大势所趋 [3] 技术突破与成本下降 - 蓝箭航天朱雀三号遥一火箭成功入轨并开展一子级垂直回收验证，标志着我国可回收火箭技术进入“从1到10”的实践阶段 [4] - 该火箭目标将发射成本降至每公斤2万元人民币，较当前国内商业火箭报价（每公斤6万-15万元）大幅优化 [4] - 参考SpaceX，猎鹰九号通过回收复用将成本摊薄至每公斤约2.1万元人民币，并实现单枚火箭一级复用22次 [5] - 一旦可回收火箭技术完成突破，我国低轨卫星上天速度将大幅加快 [6] 应用场景拓展 - AI算力需求激增正推动数据中心“上天”，太空计算可利用太阳能与辐射冷却优势，规避地面能源限制 [6] - 2024年11月，英伟达将H100 GPU送入太空处理地球观测数据；谷歌启动“太阳捕手”计划，拟于2027年发射搭载自研TPU芯片的卫星；马斯克提出在4-5年内通过星链V3卫星建设太空数据中心 [6] - 随着AI产业发展，建设太空算力逐渐成为趋势，商业航天应用市场大幅打开 [6] 投资工具表现 - 卫星产业ETF（159218）是聚焦卫星全产业链的指数投资工具，覆盖卫星制造、发射服务、应用运营等环节龙头公司 [7] - 成份股包括中国卫通、芯原股份、中航光电、紫光国微、中国卫星等产业链龙头，与卫星、火箭、太空算力等主线高度契合 [7] - 今年以来，卫星产业ETF（159218）份额增长约438.88%，规模近8亿元，双双创历史新高 [8]

SpaceX估值与二级市场动态 - 市场报道SpaceX正以8000亿美元估值进行二级市场股份出售，该估值是其2024年7月4000亿美元估值的两倍[1][3] - 若估值属实，SpaceX将超越OpenAI成为全球估值最高的私有独角兽，其估值将超过美国前六大国防承包商（RTX、波音、洛克希德·马丁、通用动力、诺斯罗普·格鲁曼、L3Harris）的市值总和[3][5] - 马斯克否认了“SpaceX估值8000亿美元”的报道，但分析师指出其回应存在细微差别，主要是否认“筹集新资金”，并强调公司多年现金流为正，仅进行员工回购[3][7] - 马斯克为估值增长提供了理由，包括星舰（Starship）、星链（Starlink）的进展以及因获得全球直连蜂窝频谱而大幅增加的市场空间[7] 轨道数据中心：核心概念与优势 - 摩根士丹利指出，市场正在为“轨道数据中心”这一全新的AI基础设施宏大叙事定价，这被认为是SpaceX估值翻倍的底层逻辑[1] - 马斯克描绘了SpaceX进军轨道数据中心的蓝图，并直言太空数据中心是“未来4年内扩充算力的最快方式”[1] - 轨道数据中心的核心逻辑在于解决地球上的物理瓶颈：电力短缺、通过规模效应部署算力、实现零运营成本[8] - 马斯克设想通过每年发射100万吨载荷，部署能够提供100GW AI算力增量的卫星星座，并预计星舰有望在四到五年内实现该交付能力[8][9] - 将数据中心搬上太空具备四大硬核优势：极致冷却（太空环境温度约-270°C，地面数据中心高达40%的能耗用于冷却）、无限能源（太空太阳常数约1361 W/m²，比地面最佳条件高约30%）、全球边缘连接（降低全球用户延迟）、运力壁垒（SpaceX占据全球90%的入轨质量运力）[9] 行业竞争格局与主要参与者 - 尽管SpaceX在运力上占据主导地位，但轨道数据中心赛道并非只有一家玩家，多家公司正积极布局[1][10] - 初创公司Starcloud成立于2024年，已从Y Combinator、NFX、FUSE VC以及Andreessen Horowitz和红杉资本等筹集超过2000万美元种子资金，并已与英伟达合作将一颗H100 GPU发射入轨进行测试[10][11] - 商业太空基础设施公司Axiom Space正开发“轨道数据中心”产品线，计划在2025年底前发射首批两个节点，已筹集超过7亿美元资金[10] - 科技巨头谷歌正推进名为Project Suncatcher的计划，旨在建造携带定制TPU硬件的太阳能卫星星座，计划在2027年初发射两颗原型卫星，并预计到2030年代中期太空计算将接近与地面数据中心的成本平价[10] - 英伟达积极布局该前沿领域，提供高性能GPU等关键基础设施，Starcloud是其Inception项目成员[11]

行业投资评级 - 行业投资评级为“强于大市”，且维持该评级 [1] 核心观点 - 太空算力是应对人工智能时代算力瓶颈的关键举措，具备实时响应、分布式协作、高运算效率等优势，能有效解决能源桎梏与散热困境 [4] - 太空正成为全球科技巨头角逐的全新算力战场，英伟达、SpaceX（星链）、谷歌在四天内密集布局，标志着太空数据中心从概念走向实战，或将重塑全球云计算格局 [5] - 国内太空算力进展顺利，产业与政策协同推进，产业已进入实际应用阶段，政策层面设立专职监管机构并规划大型太空数据中心系统 [6] 行业基本情况与指数表现 - 行业收盘点位为5224.25，52周最高点为5841.52，52周最低点为3963.29 [1] - 行业指数相对沪深300指数的表现数据在特定时间区间内呈现波动 [3] 太空算力优势与驱动力 - 太空算力利用太空独特的真空环境与光照条件，在能源和散热方面具有优势，据Rand估计，2030年全球AIDC电力需求将达到347GW [4] - 当前算力集群面临散热挑战，一个100万张GPU计算集群局部热流密度将超过250W/㎡ [4] 全球科技巨头布局 - 英伟达于11月2日将H100 GPU成功送入太空，测试数据中心在轨运行可行性 [5] - 马斯克于11月4日表态，计划通过星链V3卫星构建太空数据中心，目标在4-5年内实现每年100GW的数据中心部署 [5] - 谷歌于11月5日启动“太阳捕手计划”，拟将TPU芯片送入太空，计划2027年初发射两颗原型卫星 [5] 国内产业与政策进展 - 产业方面：国星宇航于2025年5月发射首批12颗智能计算卫星，总算力约5POPS；同年7月宣布第二批“梁溪”星座计划，12颗卫星总算力提升至20POPS；长期规划扩展至2800颗卫星 [6] - 政策方面：国家航天局近期设立商业航天司；北京计划在700-800公里晨昏轨道建设运营超过千兆瓦(GW)功率的集中式大型太空数据中心系统 [6] 投资建议 - 报告建议关注星图测控、中科星图、航天宏图、超图软件、霍莱沃、佳缘科技、盛邦安全、上海瀚讯、上海港湾、亚信安全、普天科技等相关公司 [7]

涉及的行业或公司 * 行业：人工智能、数据中心、半导体芯片、云计算、私募信贷[1][3][4][5][6][47][48][49][102] * 公司：Nvidia、Meta、Alphabet、Microsoft、Amazon、Oracle、Palantir、Baidu、CoreWeave[5][6][7][9][16][21][77][91][92][108] 核心观点和论据 * **核心观点：主要科技公司可能通过延长AI芯片折旧年限来高估盈利和资产，面临未来巨额减值和盈利下滑的风险**[9][10][44][50][52][68][69][71] * 论据：Meta、Alphabet、Microsoft等公司将芯片折旧年限从2020年的3年系统性地延长至2025/2026年的5.5-6年[7][9] * 论据：延长折旧年限直接减少当期折旧费用，Alphabet在2023年因此增加39亿美元税前收入[50][51] * 论据：分析显示，若实际经济寿命仅为3年，这些公司2026-2028年盈利可能被高估10%以上，资产高估达数千亿美元[68][70][71] * **核心观点：AI芯片技术迭代加速，与超长折旧年限产生根本性矛盾，导致资产加速过时**[5][6][32][33][60][72] * 论据：Nvidia产品周期缩短至一年，未来两年将有Blackwell Ultra、Vera Rubin等重大规格升级[5][6] * 论据：旧芯片能效极低，A100比H100耗电多2-3倍，而Blackwell宣称能效比H100高25倍[32][33] * 论据：Microsoft CEO Satya Nadella明确表示不愿为单一世代芯片过度建设基础设施，因其技术会迅速过时[60][64] * **核心观点：数据中心本身面临过时风险，在建工程可能隐藏未充分计提折旧的资产**[72][73][75][79][82] * 论据：新一代芯片对电力、冷却要求剧变，使为特定世代建造的数据中心可能无法升级而遭淘汰[60][72][75] * 论据：超大规模公司拥有巨额在建工程，如Alphabet 510亿美元、Meta 270亿美元，这些资产在投入使用前不计提折旧[79][81][82] * **核心观点：商业模式发生根本转变，软件公司变为资本密集型，但市场估值未充分反映此风险**[48][85][86][87][88] * 论据：大型科技公司计划未来三年在数据中心上投入超过3万亿美元，是其合并现金流的两倍多[48] * 论据：Microsoft CEO承认公司已成为"资本密集型业务"，需努力维持投资资本回报率[85][86][89] * 论据：华尔街分析师多数未对硬件维护性资本支出和利润率结构性下降进行建模[87][88] 其他重要但可能被忽略的内容 * **现实案例警示**：百度在将芯片折旧年限从5年延长至6年后，于2024年对占总固定资产超过三分之一的资产进行了112亿元人民币的减值，原因是其"不再满足当今的计算效率要求"[91][93][94][96][98] * **Nvidia的立场与争议**：Nvidia CFO认为其CUDA软件栈能显著延长芯片使用寿命，但作者指出这混淆了物理使用与价值创造，且Nvidia曾向分析师分发备忘录回应作者的批评，被指构建"稻草人"论点[12][25][27][28][29][30] * **融资风险**：私募信贷大量涌入AI数据中心建设，存在资产与贷款期限严重错配的潜在风险[35][101][102][103][104][107] * **作者的头寸澄清**：媒体广泛报道的作者对Nvidia和Palantir的10亿美元空头头寸实为约1000万美元的看跌期权，因SEC 13F报告规则导致误解[14][15][16][18]