AI人工智能芯片行业研究总结

一. 基本信息

人工智能的快速发展，特别是以ChatGPT为代表的生成式大模型的兴起，对算力提出了指数级增长的需求。IDC预测，全球AI相关支出在2023年已达到1540亿美元，并预计到2026年将超过3000亿美元，2022至2026年的复合增长率高达27%。AMD更是指出，数据中心AI加速器的市场规模将从2025年的约300亿美元，以超过50%的复合年增长率增长到2027年的1500亿美元以上。在中国市场，据弗若斯特沙利文预测，中国AI芯片市场规模将从2024年的1425.37亿元，暴涨到2029年的13367.92亿元，年均复合增长率将高达53.7%。

从细分市场看，GPU的市场份额，也将从2024年的69.9%上升至2029年的77.3%。

智能芯片根据应用领域和功能特点可以划分为若干类型，主要包括以下几类：

1、通用处理芯片（General Purpose Processors） 这类芯片以中央处理器 （CPU）为代表，具备较强的计算能力和灵活性，能够支持多种应用场景。它 们通常用于个人电脑、服务器和移动设备中，负责执行操作系统和各种应用程 序的指令。 

2、 专用集成电路（ASIC，Application-Specific Integrated Circuit） ASIC 芯片是为特定应用量身定制的集成电路，具有高效能和低功耗的特点。由于设 计针对性强，ASIC 在处理特定任务时表现出极高的性能优势，常见于加密货币 挖矿、通信设备和视频编码等领域。这类芯片的开发成本较高，但在批量生产 后能够显著降低单位成本。 

3、数字信号处理器（DSP，Digital Signal Processor） DSP 芯片专门用于 处理数字信号，如音频、视频和传感器数据。其架构优化了乘法累加运算，能 够高效完成滤波、变换和信号分析等任务。DSP 广泛应用于移动通信、语音识 别、图像处理和雷达系统等领域，提升系统的实时处理能力和响应速度。 

4、图形处理单元（GPU，Graphics Processing Unit） GPU 最初设计用于图 形渲染，拥有大量并行处理单元，能够快速处理图像和视频数据。近年来，随 着深度学习和人工智能的发展，GPU 被广泛用于加速神经网络训练和推理过程。 其强大的并行计算能力使其在科学计算、自动驾驶和虚拟现实等新兴领域中发 挥重要作用。 

5、人工智能加速芯片（AI Accelerator Chips） 为了满足人工智能应用对计 算效率和能耗的严格要求，专门设计了 AI 加速芯片，包括张量处理单元 （TPU）、神经网络处理器（NPU）等。这些芯片针对深度学习模型的矩阵运 算和大规模数据并行处理进行了优化，广泛应用于语音识别、图像识别、自然 语言处理和智能推荐系统中。 

6、传感器与微控制器芯片（Sensor and Microcontroller Units, MCU） 这类 芯片集成了传感器接口和控制逻辑，能够采集环境数据并进行初步处理，常用于物联网设备、智能家居和工业自动化系统。MCU 通常功耗低、体积小，适合 嵌入式应用，支持多种通信协议和外设接口。

按技术路径划分，AI芯片主要分为GPU、FPGA和ASIC。其中，GPU凭借其大规模并行计算架构，在AI大模型训练与推理领域占据主流，预计其在中国市场的份额将从2024年的69.9%上升至2029年的77.3%。然而，竞争不仅在于硬件单卡性能，更在于集群能力与软件生态。英伟达的CUDA生态构筑了极高的护城河。国产厂商如沐曦股份、摩尔线程等均在积极构建自主生态，如沐曦的MXMACA软件栈和摩尔线程的MUSA架构，以兼容并逐步替代CUDA生态。此外，端侧AI芯片正朝着“高能效比架构+场景化定制+全球化生态”的方向演进，向汽车、工业、医疗等多领域渗透。

GPGPU ：General-Purpose GPU，是通用目的GPU，现阶段主流显卡都是GPGPU。通用性强，生态完善，可以适用于大多数目的GPGPU的主要供应商英伟达是 AI 市场的绝对龙头；国内摩尔线程、壁仞科技都是GPGPU ，不过其U 存在着成本高等问题。

FPGA ：即现场可编程门阵列（Field Programmable Gate Array），是一种可编程逻辑器件，具有高度的灵活性和可定制性，也具有足够的算力，但相对开发周期长，复杂算法开发难度大，成本昂贵。常见的FPGA有：加速高性能计算 (HPC)、数字信号处理、雷达系统、高频交易。

 ASIC： ApplicationSpecificIntegratedCircuit，一种为专门目的而设计的集 成电路，是指应特定用户要求和特定电子系统的需要而设计、制造 的集成电路，ASIC三大分支：TPU、DPU、NPU（1）三者区别DPU，全称，Data Processing Unit，即数据处理器，是一种专为数据中心设计的专用芯片，主要用于处理网络、存储、安全等基础设施任务，以释放CPU算力并提升数据中心的整体效率。DPU被视为数据中心继CPU和GPU之后的“第三颗主力芯片”。

NPU，全称Neural Network Processing Unit，即神经网络处理单元，是一种专门为加速人工智能（AI）计算任务设计的芯片。它 主要嵌入在终端设备中，用于加速各种神经网络模型的推理过程。

NPU主要嵌入在终端设备中。如苹果的A系列芯片中的“神经网络引擎”、华为麒麟芯片中的“达芬奇NPU”，用于照片处理、语音助手、面部解锁等；物联网设备中， 在设备端直接处理传感器数据，无需上传云端。

AI工作流中，训练（Training）与推理（Inference）承担着截然不同的角色。训练阶段通过大量带标签数据迭代优化模型权重，使模型能够学习复杂模式；而推理阶段则使用已训练好的模型对新输入进行预测。从性能需求来看，训练如同马拉松，追求整体吞吐量与模型精度的持续提升；推理则如同百米冲刺，核心目标是降低单次预测延迟，实现实时响应;

智能驾驶芯片也属于人工智能芯片的范畴，尤其是高阶芯片的国产化率仍处于低位，未来国产替代空间巨大。从市场竞争者来看，主要可分为以下四类：

① 传统汽车芯片公司：瑞萨、赛灵思、德州仪器等，原本是微控制器（MCU）、功率半导体、传感器、电源管理芯片等。优势在传统汽车电子基础，能满足车规级安全。但劣势在AI能力偏弱且产品迭代速度慢，对数据驱动的智能驾驶场景理解不足，因此产品在L2及以下的低端市场。

② 消费电子芯片公司：高通、华为、英伟达等；他们凭借其在消费电子和云计算领域的经验，横向拓展至汽车智能驾驶领域，成为 L2+及以上主导者。但劣势在于芯片采用通用架构，非专为智驾优化，导致成本和定价较高，且对中国车企本地化支持不足。

③ 创业型智驾公司：如地平线，黑芝麻智能等。智驾挑战者，专注于智驾赛道，虽然目前出货也集中在中低算力，正努力向高阶智驾芯片突破，挑战英伟达。

④ 主机厂自研：特斯拉、小鹏汽车、蔚来汽车等。主机厂追求软硬一体化深度整合，掌握供应链自主权以及降低BOM成本，同时可将智驾芯片扩展至具身智能上。但自研芯片门槛高，对车企的销量规模，人才储备和资金投入要求都很苛刻，不是谁都能做。

中国需要AI芯片卡的直接客户分为三类：互联网大厂（字节、腾讯、阿里、百度）、华为云、运营商及政企云（中国移动、中国联通、中国电信等）。

a）互联网大厂类：基本采用“英伟达/AMD+国产算力+自研算力”的方式，也将是H200放开后的潜在主要购买方；

b）华为云：完全依托自身体系打造的“华为算力”，自给自足的模式；

c）运营商及政企云：全部依托华为等国产算力打造，不会采用海外算力芯片。H200的放开，也不会带来采购需求。

二.主要上市公司介绍：

1. 寒武纪

   寒武纪是一家专注于人工智能芯片研发与销售的公司，其产品体系覆盖云端、边缘端和终端。

2. 海光信息

海光信息是国内少数同时具备高端通用处理器（CPU）和协处理器（DCU）研发能力的企业。

• 核心产品： 

• 海光CPU：兼容x86指令集，生态丰富，广泛应用于电信、金融、互联网等领域。

• 海光DCU：属于GPGPU，兼容“类CUDA”环境，支持全精度模型训练，可应用于大数据处理、AI、商业计算等领域。

• 技术生态：自主研发了DTK等软件开发工具，构建了完善的软件栈生态。其DCU产品已与DeepSeek、Qwen等国内外主流大模型全面适配。

• 市场与战略：公司采用“销售一代、验证一代、研发一代”的产品策略，并高度重视生态建设，牵头成立“光合组织”联合产业伙伴。2025年前三季度实现营收94.9亿元，归母净利润19.6亿元。

3. 沐曦股份

沐曦股份是国内高性能通用GPU（GPGPU）设计企业，产品覆盖人工智能训练与推理、通用计算及图形渲染。

• 产品体系：已推出用于AI推理的“曦思N系列”和用于训推一体及通用计算的“曦云C系列”GPU。其曦云C600芯片实现了从设计到封测的全流程国产供应链闭环。

• 技术生态：基于自研指令集打造了全栈自主的MXMACA软件栈，有效兼容国际主流生态。公司已实现千卡级GPU集群的大规模商业化应用。

• 市场应用：坚持“1+6+X”战略，重点布局金融、医疗、能源等六大行业。在医疗领域，与中山医院合作推出了基于其算力平台的“镜观大模型”。公司业绩增长迅猛，2025年上半年营收达9.15亿元。

4. 摩尔线程

摩尔线程是国内全功能GPU企业，其产品同时支持AI计算、图形渲染、科学计算等多种功能。

• 核心技术：基于自主研发的MUSA统一系统架构，实现了单芯片支持多种计算任务的技术突破。2025年发布了新一代“花港”架构，算力密度和能效显著提升。

• 产品与市场：已成功量产多颗芯片，产品覆盖AI智算、图形渲染等领域。其AI智算业务贡献了主要营收，2025年上半年营收达7.02亿元。在消费市场，其游戏显卡已可流畅运行《黑神话：悟空》等大型游戏。

• 生态与集群：产品支持多种CPU架构和操作系统。其打造的“夸娥（KUAE）智算集群”支持万卡级规模扩展，旨在构建国产通用加速计算平台。

5. 芯原股份

芯原股份是一家平台化芯片定制服务和半导体IP授权企业。

• 核心业务： 

• 半导体IP授权：拥有图形处理器（GPU）、神经网络处理器（NPU）等六大类处理器IP，其NPU IP已被全球91家客户用于超过140款AI芯片中，相关芯片累计出货近2亿颗。

• 芯片定制服务（ASIC）：为客户提供从设计到量产的一站式服务，2025年上半年AI算力相关收入占比达52%。

• 技术布局：其NPU IP针对Transformer模型进行了优化，能高效运行各类大语言模型和AIGC模型。公司正积极拥抱Chiplet（芯粒）技术，并将其作为核心发展战略之一。

6. 云天励飞

云天励飞是一家专注于AI推理芯片研发与商业化的人工智能公司。

• 核心技术：构建了从算法、指令集到芯片设计的垂直整合研发流程。其核心是自研的神经网络处理器（NPU），已迭代至第五代。第三代芯片DeepEdge10采用了基于Chiplet工艺的“算力积木”架构，能灵活组合算力单元。

• 产品与业务：基于自研芯片，构建了覆盖端、边、云的产品矩阵。业务分为消费级（如AI拍学机）、企业级（AI芯片与算力服务）和行业级（智慧城市解决方案）三大板块。

7. 瑞芯微

瑞芯微是领先的物联网及AIoT处理器芯片设计企业，专注于智能应用处理器SoC。

• 产品战略：构建了完整的AIoT芯片平台体系，旗舰产品如RK3588系列集成自研NPU。公司创新性地提出“主芯片+协处理器”双轨路线，其端侧算力协处理器RK182X系列专为部署端侧大模型设计。

• 市场应用：产品广泛应用于汽车电子（智能座舱）、机器人、机器视觉等领域。在汽车领域，其座舱芯片已实现量产；在机器人领域，与宇树科技等企业合作开发人形机器人等产品。

• 业绩表现：2025年前三季度实现营业收入31.41亿元，归母净利润7.80亿元，同比增长121.65%

三. 投资参考

基于行业趋势和公司对比，提出以下结构性投资建议：

中美科技脱钩趋势下，国产AI算力芯片是明确的长期配置方向，建议重点关注已在高端训练和推理市场实现突破、具备规模化交付能力和生态构建潜力的头部公司。

    训练芯片龙头：关注华为昇腾（产业链）、海光信息、寒武纪、沐曦股份、摩尔线程。这些公司正在攻坚万卡集群和软件生态，是从“可用”到“好用”的关键。

• 推理与边缘芯片：关注在特定场景（如安防、汽车、物联网）已实现深度定制和商业落地的公司，如瑞芯微等。

也可以均衡配置指数ETF，目前市场上与人工智能芯片相关的指数及ETF产品较为丰富

  上证科创板人工智能指数 (950180)

• 指数特点：高度聚焦科创板AI产业链，尤其偏重基础芯片。其成份股数量较少（30只），行业集中度高，半导体行业权重占比超过50%23。前十大权重股合计占比高，寒武纪、澜起科技、芯原股份等AI芯片设计公司是其核心成份股23。

• 代表ETF：科创人工智能ETF (588730)。该ETF跟踪此指数，为投资者提供了布局科创板AI核心资产，特别是国产AI芯片板块的便捷工具14。

     中证科创创业人工智能指数 (932456)

• 指数特点：横跨科创板与创业板，覆盖光模块与国产芯片两大AI硬件主线。其选样范围更广，成份股为50只。行业分布上，通信设备（以光模块为主）和半导体合计权重接近70%，中际旭创、新易盛、寒武纪是其前三大权重股23。与科创AI指数相比，它降低了下游应用的权重，行业分布更均衡。

• 代表ETF：首批跟踪该指数的科创创业人工智能ETF已于2025年11月获批。