如需报告请联系客服或扫码获取更多报告
2.1 应用渗透、token 调用量倍增，AI 商业化飞轮闭环节奏加速
2.1.1 模型性能提升推应用渗透，资本开支持续性增强
scaling 由 pre train 延续至 test-time，模型性能显著增强。GPT-o1 将 Scaling Law的适用区间由静态的预训练参数量与训练算力，动态延伸至后训练的强化学习与思维链蒸馏，以及推理阶段的迭代优化及验证筛选。
模型性能优化，各大主流头部模型的调用次数跃增，AI 应用持续渗透。对比 2024 年12 月 29 日周度数据和 2025 年 12 月 14 日周度数据，全平台模型调用次数同比增长 1345%。分厂商来看，截至 2025 年 4 月底，Google 月均调用量一年内从 9.7T 增至 480T（+50 倍）。截至 2025 年 5 月底，字节火山引擎日均调用量一年内从 0.12万亿增至 16.4 万亿（+137 倍）。模型性能提升叠加 token 调用成本的大幅下降直接推动 AI 应用渗透加速。根据 HAI 的统计，随着硬件性能的提升，模型的成本持续下降，百万 token 的成本从 2022 年的 20 美元下降至 2024 年 10 月的 0.07 美元，约降低 280 倍，token 调用成本的下降将反推 AI 在垂类应用的中的渗透，并提升商业闭环节奏。
AI 商业飞轮闭环节奏提速，资本开支持续性增强。模型性能优化、调用成本降低，持续推动 AI 应用渗透，国内外云厂、运营商的资本开支持续性预期增强。
1）海外云厂：2025 年前三季度谷歌、亚马逊、META、微软用于购买资产和设备的现金流合计为 2633.97 亿美元，同比增长 68.56%。其中，单三季度，以上四家云厂用于购买资产和设备的净现金流合计为 972.09 亿美元，同比增长 64.78%，环比增长 3.10%。
分公司来看，谷歌 2025 年度资本开支预期年内第二次上调（上季度谷歌将资本支出预期由 750 亿美元上调至 850 亿美元），并预计 2025 年资本支出将在 910-930 亿美元之间，该项资金多用于构建支持谷歌云和 AI 的数据中心基础设施，同时预计 2026 年资本支出将继续增长。亚马逊预计 2025 年全年的资本开支约为 1250 亿美元，该投入主要与 AWS 相关，并用于支持 AI 和核心服务的需求，同时预计 2026 年资本支出亦将继续增加。META2025 年度资本开支预期为 700-720 亿美元，同时预计 2026 年资本支出增速将进一步加快，主要投向 AI 基础设备（含云服务、折旧）与 AI 人才薪酬。微软 2025 年单三季度全口径资本开支预期为 349 亿美元，其中近半数资本开支用于 GPU/CPU 资产，以支出云业务与AI 负载的加速运营。同样地，微软预计 2026 财年全年资本支出将超过 2025 年。
2）国内云厂：2025 年前三季度腾讯及阿里的资本开支合计为 1543.25 亿人民币，同比增长 90.71%。其中，单三季度，以上两家云厂的资本开支合计为 444.84 亿人民币，同比增长 28.62%，环比下降 23.02%。主要系受限于付款和交货的时间差及供应链等因素。
3）国内运营商：随着 5G 网络覆盖日臻完善，运营商投资重点由稳基础的联网通信业务转向高增长的算力网络、数字智能等新兴领域，资本开支中算力相关投资比例不断提升。中国移动预计 2025 年连接投资占比下降 6.0%，算力投资占比增加2.0%，能力投资占比增加 2.0%，基础投资占比增加 2.0%。中国电信预计产业数字化投资占比将提升 3.0%，产业数字化投资中算力相关投资预计增长 22%。中国联通 2024 年算网数智类资本开支占 23%，同比增长 11%，2025 年计划为人工智能重点基础设施和重大工程专项作特别预算安排，根据智算和 6G 等需求，以及国内外发展趋势，及时调整投资规模。
2.1.2 带宽需求激增，scale up、out、across 协同建设
在“规模定律”下，大模型参数量持续指数级增长，单台服务器已难以承载完整模型的训练负载，产业界因此同步推进 Scale-Up 与 Scale-Out 两条技术路径：一方面，算力硬件厂商通过提升单设备的计算密度与高带宽内存容量，强化单卡或单节点处理能力，以减少通信频次、降低同步开销；另一方面，当模型规模超越单节点极限时，系统必须依赖 Scale-Out 架构，将计算与参数分布至由数百乃至数千 GPU 组成的集群中，通过大规模分布式训练维持模型演进的可行性。
在训练阶段，业界普遍采用混合并行策略（包括数据并行、张量并行和流水线并行），以适配不同模型架构的计算与通信特性；在推理阶段，由于 Prefill（上下文编码）与Decode（自回归生成）在计算强度、显存占用及带宽需求上的显著差异，PD 分离架构（Prefill-Decode Separation）逐渐成为主流分布式推理范式，通过异构资源调度实现吞吐与延迟的最优平衡。
伴随分布式计算的深度演进，卡间、机内、柜间乃至集群间的多层次通信网络已成为系统性能的关键瓶颈，为最大限度减少GPU空闲等待时间、充分释放昂贵算力资源，构建高带宽、低延迟、可扩展的互联架构已成为 AI 集群设计的核心议题，通信效率也因此与算力密度、能效比并列，成为衡量大模型基础设施先进性的三大关键指标之一。
1）Scale up：即通过为单一系统叠加资源（如增加处理器速度、内存或存储容量）来增强性能。为了最大程度增加带宽，降低 GPU 的等待时间，在兼顾工程化能力和成本的要求下，当前承载 scale up 网络的主要硬件为铜缆。但随着传输速率要求提升，铜缆的物理性能导致其传输的功耗、损耗将同步上行，并导致链路无法覆盖机架的全部长度，因此柜内集成光学的渗透被认为是未来确定性趋势。
2）Scale out：即通过添加更多同构或异构系统构成分布式架构，借助并行计算提升 整体处理能力，依靠增加并行工作的独立节点数量实现扩展。同样为了最大程度减少通信开销、降低初始投资及后期运营成本，交换机作为承载 scale out 网络的主要硬件，正向着高速率、低成本的需求趋势进发。
3）Scale across：即通过在多个异构资源域（如不同机柜、不同数据中心、不同地 理位置、甚至不同云厂商）之间，实现计算、存储、网络资源的协同调度与高效协同， 以支持超大规模 AI 模型训练、推理或高可用服务部署的一种扩展策略。单个集群的规模受限于区域的土地资源、电力网络建设。为了突破该限制，scale across 网络通过模型跨区域连接，实现算力硬件资源的跨区域扩张。
2.1.3 高速率、低成本需求催生通信设备迭代加速
光模块是光电转换的核心器件，一方面需求量激增，另一方面技术趋势向高速率、低 功耗、低成本演进。模块环节的需求量激增直接带动上游物料需求同步增长，引致供需错配并最终推动上游价格上行。
技术趋势方面，首先，通信带宽是导致 GPU 等待的重要因素之一，因此通信设备带宽迭代周期正缩短。其次，考虑到数据中心 OPEX 成本中，电费始终占首位，且占比随着上架率及 IT 负载率提升持续提升，如何降低功耗是优化 OPEX 的核心路径之一。同时，在初期的 CAPEX 中硬件成本的收缩为核心路径，集群中光模块亦衍生出LPO 等低成本新结构。
除了光电转换的光模块，用于数据流的转发、过滤的交换机是实现设备之间实现高效、可靠通信的核心设备。当前除了传统的交换机，根据集成度、交换介质的不同，衍生出 CPO、OCS 等新架构。
CPO（共封装光学）是一种新型的光电集成技术，通过缩短光信号输入和运算单元 之间的电学互连长度，提升光模块和交换 ASIC 芯片之间的互连密度的同时实现了 更低时延、损耗和功耗。在 CPO 交换机中，光学调制器、光学阵列（FA）、高密度光纤连接器（MPO）、光纤分纤盒（shuffle box）、集成/外部激光源（ILS, Integrated Laser Source/ ELS，External Laser Source）等核心硬件分别起到信号的光电转换、传输等作用。
OCS（光交换机，Optical Circuit Switching）是一种无需将光信号转换为电信号即 可直接传输的设备。由于其内部主要通过两点之间建立物理专用光通道，无需光电转换，因此设备整体功耗较低；通过光纤传输，相较传统铜缆带宽更高、损耗更低。根据光链路反射介质及原理不同，当前的技术主要包括 MEMS、数字液晶、压电陶瓷、光波导等。
2.2 火箭可回收实验持续推进，卫星组网推动空天一体网络建立
2.2.1 火箭的可回收试验推进，民营力量加入后运力瓶颈预期改善
中国卫星发射参与主体中民营方数量占比提升，液体燃料占比高。从发射主体看，2024 年航天科技一院、航天科技八院等“国家队”保持活跃，分别开展 25 次、24次发射任务，发射航天器数量达 52 个、124 个，体现出在大型、多航天器发射任务中的核心优势。同时，近年来民营火箭力量日益提升，2024 年共完成 12 次发射任务，发射航天器 53 个，呈现出较强的市场活力与竞争力，成为卫星发射领域的重要补充。在火箭燃料类型方面，液体火箭占据主导地位，其中常温液体燃料火箭（即常温常压下为液态、化学性质相对稳定、可长期贮存在火箭贮箱中（数月甚至数年））发射次数最高，达 32 次。此外，我国当前已形成包含固体火箭、液氧煤油火箭、液氢火箭、液氧甲烷火箭的多元化燃料技术矩阵，可满足不同卫星发射任务对火箭比冲、推重比、可控性等多维度的需求。
