2026年天数智芯公司研究报告：供应瓶颈有限、推理新范式的受益者

目前中国AI芯片供应链的主要瓶颈在于供应

尽管监管收紧，限制了英伟达或美国供应商的先进 AI 芯片的供应，但本土高 端计算芯片的认证和采用正在加速。我们预计中短期内，拥有充足库存和可靠 产能支持的国内厂商将表现突出，实现市场份额增长或获得客户订单。因此， 我们更青睐天数智芯，因其拥有国际和国内代工厂合作伙伴的双重产能支持。 我们预测 2026-28 年销售额年复合增长率为 102%，到 2028 年国内市场份额将 达到 3%左右（目前低于 1%）。

竞争格局发生显著变化

2025 年 1 月 DeepSeek 给市场带来冲击，此后投资者日益关注的一个的问题是 ，中国将如何在硬件受限下的情况下增强其 AI 竞争力。在中国 AI 芯片公司密 集 IPO 之后，伴随 AI 基础设施密集投资的到来，我们认为现正处于国产 GPU 或 AI ASIC 的商业化或产业化阶段。

对比中国主要公司提供的主流产品和英伟达的传统芯片，我们认为大多数产品 的计算性能（FP16）与英伟达 A100 相仿，但互联性（GPU 之间的通信）仍落 下风。不过，展望下一代，我们认为新设计的旗舰芯片预计将赶上英伟达 H100 的计算能力，同时开放式加速器模块（OAM）正被广泛采用，以绕过互 联带宽（以及热效率/功率密度）方面的限制，从而替代 PCIe 解决方案。

尽管低梯队供应商（如天数智芯）的业务规模不及头部 AI ASIC 公司寒武纪和硬件巨头华为（未上市），我们预计在 AI 基础设施建 设初期，针对 AI 硬件的密集投资可能会为第二梯队厂商打开广阔的市场，这 是由于过去英伟达的先进 GPU 产品在中国占据较大的市场份额，而目前其供 应受限。

短期（6-12 个月）展望：大多数中国 AI 芯片供应商的销售受到预构建库存的 支撑

中国 AI 芯片公司可获取的海外先进产能有限，需在特定晶体管密度或工艺节 点下，因此不得不将芯片生产转移至中芯国际等本土先进工艺代 工厂，或至少筹备本土供应链。然而，根据我们的供应链调研，现有的 GPU/AI ASIC 先进产能大部分被华为昇腾和寒武纪占据。

由于建造先进产能的难度较大，且生产良率较低，我们认为晶圆制造产能的可 得性将是现阶段的主要瓶颈。此外，缺乏极紫外光刻（EUV）、检测和测量等 关键设备，导致学习曲线变长，产能爬坡变慢，我们的供应链调研显示，大多 数第二梯队供应商到 2025 年底才得以启动先进工艺节点投片流程，因此预计 国产芯片应将从 2026 年下半年起大规模出货。 考虑到指数级增长的（推理）需求和可能受限的海外供应，假设本土晶圆厂产 能逐步释放，我们预计在未来 6-18 个月内国内 AI 计算芯片仍将维持卖方市场 。尽管如此，我们认为短期内客户可能更青睐拥有高库存（与收入相当）的芯 片厂商，因为这些公司可以确保顺利、及时的交付。

中期（12-24 个月） 至长期展望：解决方案在于代工厂产能的可得性

海外产能是关键的中期缓冲

美国对中国或中国实体获取先进半导体产品的限制可以追溯至 2022 年，主要 限制包括：1）先进工艺晶圆制造；2）先进工艺节点关键设备或材料；3）先 进计算芯片（及 HBM）的采购。特别是，芯片性能上限将总处理性能（TPP） 限制在 21,000 以下（内存带宽 6,500 GB/s 以下），性能密度（PD）限制在 5.92 以下。

考虑到上述限制，我们认为利用海外产能制造部分晶体管密度较低或裸片尺寸 较小的芯片或晶圆，对于国内芯片公司而言是可行的。考虑到总处理性能/性 能密度限制会导致效率低下，且可能涉及通知或进一步审查，我们认为国内芯 片设计企业不宜采用极大裸片尺寸（即 800mm2）。符合性能密度阈值要求情 况下，我们的估算显示国内企业设计的 300mm2 以下裸片尺寸计算芯片性能或 只能达到 100TFLOPS（FP16），500mm2 以下裸片尺寸性能只能达到 200TFLOPS。总之，国内企业无法获得海外合作厂商生产的相对强劲或高效的 硬件或者在最先进工艺节点上制造的硬件。

国内代工厂产能是长期之计

虽然国内晶圆代工厂的先进产能释放速度可能较平缓，但我们认为大多数国内 AI 芯片厂商仍将依赖本土代工厂的先进产能，且一定程度的产能锁定有望在长 期内保障可预测的创收（而非库存消耗）以及未来工艺节点平稳迁移。 寒武纪是打造本土供应链的一个范例；过去几个季度，公司收入显著增长，万 得一致预期预测，继 2025 年收入增长五倍后，2026 年收入将增长约 100%，这 得益于先前累积库存以及国内合作代工厂的产能分配增加。

市场繁荣，供应受限

我们预计从今年起国内产能将更多地分配给低梯队中国芯片供应商（预计下半 年开始出片），但海外芯片供应将给整体市场动态和竞争格局带来更多不确定 性。 综合考虑海外和国内产能，我们预计中国本土 AI 芯片供应商 2026/27/28 年的 AI 芯片出货量分别为 2 百万颗/3 百万颗/5 百万颗，包括 GPU 和 ASIC。我们的 主要基本假设包括：1）逻辑裸片尺寸为 700mm2当量；2）所有出货基于 N+2 工艺节点；3）单芯片封装。因此，假设存储价格企稳以及超节点解决方案占 比上升，那么基于我们的芯片出货量预测，同期中国 AI 服务器销售额将分别 达到 2,300 亿元/3,260 亿元/5,320 亿元。

我们注意到影响变量包括：1）小尺寸芯片占比；2）基于 COWOS 类工艺的多 芯片封装的渗透率；3）采用 12/10nm 等较成熟的工艺节点。

天数智芯凭借双重产能支撑，在第二梯队厂商中更具优势

从供应的角度来看，我们预计天数智芯凭借国内外代工厂合作伙伴的产能支持 ，将在日益变化的格局中跑赢同业。我们认为天数智芯能够利用海外晶圆厂产 能的主要原因是其现有产品组合侧重于相对较小的裸片尺寸，低于性能限制门 槛。此外，公司已开始与本土代工厂合作生产下一代 AI 芯片，根据我们的估 算，国产天垓芯片（用于训练/推理）将从 2026 年下半年开始起量，该芯片性 能更优、均价更高。 我们预测 2028 年天数智芯将出货约 30 万颗芯片（2024 年出货量低于 2 万颗） ；其中，我们预计到 2028 年国内代工厂的制造占比将超过 40%。因此，我们 估算 2026-28 年销售额年复合增长率为 102%，主要受天垓系列芯片推动，天 垓芯片专为训练目的而设计，但也用于优化推理性能。我们预测以收入和出货 量（根据裸片尺寸进行调整）计算，2028 年天数智芯在国内市场的份额将达到 3%左右（2024 年不到 1%）。主要上行风险可能来自海外芯片供应快速恶化以 及本土制造的天垓芯片的采用率高于预期。

预填充-解码分离——AI基础设施的新范式

进入推理需求增长和 AI 应用扩增阶段后，我们认为定制化硬件部署（基于特 定需求）将提供显著的成本/性能效益并优化投资回报，尤其是考虑到硬件限 制。我们预计推理过程中预填充和解码阶段的工作负载分离将成为行业标准。 鉴于受内存限制的解码阶段可能是一个关键瓶颈，以及国产芯片的内存容量/ 带宽相对逊于英伟达 H20（作为解码节点），因此具有理想计算能力的国产 AI 芯片可能被预填充节点采用。

独立的推理阶段需要专门的硬件

部署 AI 模型的硬件限制——基础简介

鉴于 AI 应用的扩增在很大程度上受到推理需求的推动，限制大型 LLM 部署的 首要因素是内存容量。而推理速度（或服务水平）主要取决于 GPU 的计算能 力和内存带宽。简而言之，AI 推理分为两个阶段： 推理的预填充阶段是计算密集型，处理用户的输入提示，决定了首 Token 生成时间 (TTFT) 。 解码阶段是内存密集型，生成响应 Token，决定了服务水平或单个输出 Token 的生成时间（TPOT）。 这里值得注意的是硬件要求的本质相反，特别是在统一系统中（或者在相同芯 片上并行）。当系统收到一个长提示时，FLOPS 和 GPU 的利用率比较高，这 将立即占用 GPU 资源，影响当前接收响应的（处于解码步骤）其他使用。另 一方面，解码操作逐个生成 Token，同时等待数据从内存（通常是 HBM）移 动到处理器，因此 GPU 大部分时间是闲置的。尽管高内存带宽可能有助于提 升解码步骤，提高服务水平，但 GPU 的利用率仍然较低。

除芯片制造外的潜在瓶颈可能是内存或 HBM 芯片

我们在上文讨论了芯片（或逻辑裸片）制造，但我们推测 HBM 或 HBM3/3e 供 应可能是短期内的潜在瓶颈，这是影响 AI 芯片性能的另一个关键差异化因素 ，可以提供更高的带宽，加快数据访问和检索。中国现有的 AI 芯片主要与 HBM2e 合封，因为这些芯片是 2-3 年前设计的，新款芯片则针对 HBM3/3e（ 更高的密度/带宽）设计。我们的供应链调研显示，长鑫存储的 HBM3 产品仍 处于认证中，因此我们认为中国制造商可能落后全球头部企业 2-3 年，其供应 可能取决于库存消耗或从海外供应商处采购。

另外，华为推出了名为“推理记忆数据管理器”（UCM）的软件解决方案或 算法，它根据内存类型的延迟需求进行数据分配，如 HBM、DRAM 和 SSD。 此外，DeepSeek 还发表了一篇论文讨论 Engram，根据我们的理解，Engram 是 一种架构模块，通过为静态“知识”分配特定资源有效绕过 GPU 内存的约束 。我们认为，面对资源限制，全行业都在努力提升整体系统的效率，降低 HBM 芯片的消耗。

预填充/解码工作负载分离将提升性能/成本效益

英伟达于 2025 年 9 月发布了 Rubin CPX，这是一款专为海量上下文推理设计 的新型 GPU，具备 30 PFLOPS 的 NVFP4 算力、128GB GDDR7 内存。CPX 主 要用于受算力约束的预填充（或上下文）阶段，因此我们认为，逻辑裸片（可 能为单芯片封装）与 GDDR7（替代 HBM）封装将更具成本效益且能耗更低， 同时保持高算力。

与此同时，华为于 2025 年 9 月发布了创新产品路线图，下一代 AI 芯片包括昇 腾 950PR 和昇腾 950DT（没有如预期发布 910D 来接替 910C）。具体而言， 950PR 专用于预填充和推荐，而具有更高内存带宽（最高 4 TB/s）的 950DT 将 用于推理的解码阶段和训练。除了采用相同的计算芯片外，华为还推出了专有 HBM，如用于 950PR 的 HiBL 1.0（公司称其与 HBM3e 相比具有成本效益）， 内存容量/带宽更高的 HiZQ 2.0 则用于 950DT。

我们预计预填充-解码分离将成为未来的通行做法，旨在平衡所需的性能/服务 和硬件投资。我们认为预填充-解码分离将提升灵活性，优化 ROI，这得益于 硬件专业化，具体包括：1) 摒弃 HBM（高性能计算芯片用于预填充，昂贵的 HBM 芯片用于解码）；2) 独立的可扩展性（为长提示或大规模提示增加预填 充容量，或者为高并发使用增加解码容量）。

预填充-解码分离新范式的优势

现阶段主要采用国产芯片来满足推理需求，原因是计算性能（FLOPS/带宽） 不理想、部分受制于制造瓶颈以及训练需求仅有有边际增加（之前部署的硬件 在退出前也可重复使用）。此外，我们可能无法立即缩小 HBM 的自主差距， 因此大多数国产 AI 芯片的内存容量和带宽不太可能媲美 H20（96GB HBM3， 4.0 TB/s）等海外芯片。整体而言，得益于推理需求的快速增长以及追求成本 效益的本质，我们预计国产芯片作为预填充节点（尤其是专业化或优化过的芯 片）将受益于预填充-解码分离。

我们认为天数智芯目前有望成为主要受益者：

天数智芯的芯片产品可以支持 INT8 等低精度数据格式，这可以最大限度地 为推理工作负载提升计算能力。近期，若干 INT8 权重量化 DeepSeek 模型 已经上载到开源社区（例如 HugingFace）。业内，LLM 的主要数据格式已 经从 FP16（16 位）转变为 FP8 和 NVFP4（4 位），位数减少一半将使硬件 效率大致翻一番（以提高内存吞吐量并增加计算密度）。

通常情况下，会将更高比例的硬件资源分配予解码队列，原因是解码对内 存容量和带宽的要求更高，尽管对计算能力的利用率不高。对于一般任务 ，我们认为预填充-解码比率为 4:6，而在执行摘要工作时（需要大量计算 能力来消化长提示），配置将更偏重于预填充（即 2:1 或 3:1），但推理型 相反更偏重于解码。

考虑到可用性/确定性以及成本/性能效率，我们预计作为中国 AI 创新商业 化主力军的国内云服务商未来将广泛部署国产芯片用于推理。大规模集群 的预填充-解码分离不仅可以通过优化硬件采购来提高投资回报，还可以通 过对长提示任务的即时响应、输出文本的流畅流动以及更持续的关注度智 能来改变用户体验。我们观察到的行业实践是部署 H20 解码节点（带宽相 对较高），同时采用 FLOPS 利用率较高的国产芯片用于预填充节点。

编辑：火腿肠