20260804-华泰证券-华泰_固收_系统理解AI产业链_智能经济系列_20页_3mb

报告摘要

华泰 | 固收：系统理解AI产业链——智能经济系列

核心内容

AI产业链正从“单点算力竞赛”向“系统级协同”转变。随着AI技术从训练向推理和Agent商业化阶段发展，产业链利润分布和边际变化不再由单一算力瓶颈决定，而是需要从系统视角考虑各环节的协同效应。AI产业的核心矛盾正从“能否获得更多算力”转向“算力能否被低成本、稳定、规模化交付，并最终形成可验证的商业回报”。

主要观点

AI产业链五层蛋糕结构：
- 能源与基础设施层：决定AI扩张的物理上限，是产业链的底座。
- 芯片层：是AI系统性能提升的核心杠杆，随着推理需求上升，通用GPU正被AI异构平台、以存代算、国产加速等新范式取代。
- 模型层：承担算力到Token产出的跃迁，模型的分层与路由成为必然选择，前沿模型决定能力上限，基础模型决定应用广度。
- 应用层：是产业链的最终验证环节，需终端应用收入覆盖上游资本开支，才能实现可持续性。
- 系统层：整合以上各层，形成完整AI生态，是产业链的终局图景。
算力需求结构性变化：
- 推理需求快速增长，成为新的增长极。
- 推理对算力要求较低，但频次高，推动芯片向高能效比、定制化ASIC发展。
- GPU性能提升和ASIC的能效优势共同推动算力密度提升。
基础设施瓶颈加剧：
- 数据中心建设受限于电力、审批、劳动力等多因素。
- 电网并网周期长，表后发电成为临时解决方案，但受限于燃气轮机产能和环境问题。
- 人才短缺、审批流程复杂、社区反对等导致数据中心交付周期延长。
模型层挑战与机遇：
- 模型需在性能、速度、价格之间权衡，性价比成为关键。
- 基础模型将逐渐基础设施化，成为AI生态的核心支撑。
- 中国模型厂商凭借性价比优势快速崛起，市场份额扩大。
应用层商业化路径：
- 当前AI链主要依赖云厂商的资本开支，终端应用收入需覆盖成本才能形成闭环。
- B端商业化更具可持续性，A2A（Agent to Agent）协议普及带来网络效应。
- 未来可能从Coding转向AI for science、自动驾驶、具身智能等新场景。

关键信息

能源与基础设施：
- 全球数据中心需求将从2025年的82GW增至2030年的219GW，年化增速超20%。
- 推理需求占比将达40%，AI数据中心装机量未来5年增加约111GW。
- 数据中心建设受阻，审批流程复杂，社区反对增多，导致交付周期延长。
芯片层：
- 推理需求推动芯片架构向AI异构平台发展，ASIC开始抢占通用GPU市场份额。
- 芯片厂商如英伟达、谷歌、亚马逊等通过自研ASIC或定制化芯片提升能效比。
- 存储芯片（HBM）需求激增，受CoWoS产能制约，短期短缺问题持续。
模型层：
- 前沿模型决定AI能力上限，基础模型决定应用广度。
- Token经济学成为模型层的核心逻辑，Token增长由任务复杂度、持续时长、并发规模驱动。
- 中国模型厂商凭借性价比优势快速崛起，未来有望在国际市场上占据更大份额。
应用层：
- AI应用端收入需达到10万亿美元级别，才能覆盖资本开支。
- B端应用更具商业化潜力，而C端应用面临饱和风险。
- 未来AI将向更复杂的任务拓展，如科研、自动驾驶、具身智能等。
系统协同：
- AI产业链的终局图景是构建一个完备的硅基世界，包括能源、数据中心、Agent、基础模型和Token。
- 系统级供应商和非GPU核心零部件的弹性可能不亚于GPU本身。

投资策略与风险提示

投资策略

中上游溢价权：当前芯片、电力设备、云厂商等中上游环节仍享有较高的溢价权。
模型与应用层：模型层因开源生态缺乏差异化定价能力，应用层处于早期，适合风险投资思维。
系统级创新：AI算力从“单卡性能竞争”转向“机柜级系统竞争”，系统级供应商和周边组件价值显著提升。

风险提示

算力供给与成本风险：算力短缺和成本上升可能压缩行业盈利空间，延缓技术迭代与商业化落地。
投融资持续性风险：AI行业高度依赖外部融资，若商业化不及预期，可能引发估值回调与行业出清。
存储周期风险：存储芯片短缺可能持续至2027年底，存储企业估值逻辑可能从周期股转向成长股。
政策与社会阻力：数据中心建设受制于政策审批、社区反对等因素，可能影响交付节奏。

产业链传导机制

自下而上：算力与价值从能源 → 芯片 → 基础设施 → 模型 → 应用逐层传导。
自上而下：需求、估值与债务风险从应用层向产业链上游传导，影响各环节的盈利预期。

未来展望

AI产业链正处于从“算力短缺”向“系统协同”过渡的关键阶段，未来将更多依赖系统级优化与协同创新。随着AI应用场景的拓展、基础设施的完善和商业闭环的形成，产业链价值将逐步向应用层迁移。但在此之前，中上游环节仍具备较高的增长潜力和溢价空间。

产业链结构图

能源层：数据中心的“食物”，决定AI扩张的物理上限。
芯片层：算力的“心脏”，决定单位能耗下的算力产出。
基础设施层：算力的“城市”，将算力转化为可交付服务。
模型层：算力的“大脑”，决定服务的变现效率。
应用层：算力的“货币”，是产业链最终的估值锚点。

总结

AI产业链的演进不再局限于单一环节的突破，而是系统级协同优化的进程。从能源供给到芯片设计，从基础设施建设到模型开发与应用落地，各环节的相互影响与制约成为研究与投资的关键。在当前阶段，中上游环节仍具备较高的溢价权，而模型与应用层则处于快速迭代与商业化验证的早期阶段。理解AI产业链需要系统思维与动态视角，把握各环节的协同效应与传导机制，才能实现对行业趋势的准确预判与投资布局。

展开完整摘要