国产AI算力产业链仅产业梳理，不构成投资建议🔹上游（供给瓶颈，卡脖子最重）1. EDA & IP- 作用：芯片设计工具、高速接口IP，做AI芯片的“工作台”- 现状：全流程EDA基本海外垄断；国产只有部分单点工具可用；SerDes、HBM PHY高速IP缺口大。- 特点：逻辑很硬，但兑现慢，偏安全底座，短期难爆发。2. 晶圆代工- 作用：把芯片图纸加工成硅片- 现状：国产高端AI芯片主要依赖中芯N+2（等效7nm），产能紧张、大芯片良率存在约束；拿产能就是拿份额。- 关键点：寒武纪、海光、昇腾都要抢这条线产能，财报里大额预付、存货，就是锁产能。3. HBM高带宽显存- 作用：AI卡的“内存”，比算力更容易成为性能天花板- 现状：几乎海外主导，国内尚在追赶；高端AI卡BOM占比接近一半。- 产业共识：没有HBM，就算芯片设计出来，也做不出高性能AI加速卡。4. 先进封装CoWoS /2.5D、载板- 作用：把AI芯片+HBM拼在一起，Chiplet必用技术- 现状：国内封测已经可以承接国产AI芯片配套，是上游里面兑现相对快的一环；ABF载板依然紧缺。5. 半导体设备、材料光刻、刻蚀、薄膜、光刻胶、特种气体。- 特点：替代周期最长，是长期主线，弹性释放偏慢。🔹中游 AI芯片设计（博弈最强，高β高波动）分三大路线，客户场景互相分流，不是简单你死我活1. 华为昇腾（全栈闭环）- 擅长：千卡/万卡训练集群，政企、智算中心- 特点：芯片、算子、框架、服务器全部自研；生态强；不兼容CUDA，迁移成本高；产能受限。2. 海光信息（兼容迁移路线）- 擅长：原有CUDA客户低成本迁移，服务器信创- 特点：DTK尽量兼容CUDA，企业客户迁移工作量最小；架构有授权边界约束。3. 寒武纪（推理优先·第三方独立）- 擅长：互联网大厂推理集群、中小规模训练、政企推理- 特点：MLU完全自研架构，不绑定自家云厂商；推理场景性价比突出；已经实现盈利；短板：大规模训练集群生态弱，客户集中，估值波动大。其他：百度昆仑、阿里平头哥多自用；沐曦、摩尔线程等创业GPU尚在迭代。赛道区分- 训练芯片：拼集群、互联、HBM、软件生态，门槛极高；国内只有昇腾可以大规模万卡训练。- 推理芯片：拼吞吐、功耗、成本、适配，是国产当前放量主力，也是未来算力消耗最大的市场。🔹配套层（芯片变集群，业绩兑现更稳）1. 高速互联：光模块、光芯片、交换芯片、SerDes代表如中际旭创。AI集群多卡通信刚需，景气传导靠前；从800G向1.6T迭代。2. AI整机服务器、PCB、液冷、电源把加速卡、CPU、光模块组装成整机。- 毛利率不如芯片，但订单能见度高；AI功耗爆发，液冷增量明确。3. 软件栈：驱动、算子、分布式调度很多国产硬件跑分好看，实际跑业务性能打折扣，瓶颈就在软件适配，是隐形壁垒。🔹下游后周期（资本开支落地之后才兑现）1. 算力租赁、智算中心：买服务器出租算力，重资产；行情属于后周期，看芯片供给释放、算力价格。2. 大模型、MaaS、行业推理应用：真正消耗算力。趋势：训练是一次性投入，推理是持续不断的消耗，长期算力总量重心往推理迁移，利好寒武纪这类推理向芯片。🔹景气传导顺序上游供给瓶颈（HBM、封装、代工）→互联光模块 →AI芯片设计（高波动）→服务器整机/液冷 →算力租赁、大模型应用。