
融光聚存,向新而行
—— 中信证券 2027年资本市场策略会
CITICS Capital Market Strategy Conference 2027
中信证券2027年资本市场策略会于2026年11月3日在武汉开幕,会议以“融光聚存向新而行”为主题,汇聚百余位重磅嘉宾和各界领军人物,千余家备受市场关注的上市公司,来自海内外的众多专业投资者,围绕宏观经济、资本市场走势、国际格局及各大赛道投资热点议题展开深度探讨。以下为11月4日“分会场1:AI硬件:算力扩张浪潮中,硬件创新下的电子产业新机遇”嘉宾精彩观点分享:
AI硬件:算力扩张浪潮中,硬件创新下的电子产业新机遇
分会场1

算力:端、边、云侧AI与 空间计算
戴伟民 芯原股份 董事长、首席执行官、总裁
11月4日,中信证券2027年资本市场策略会“AI硬件会场:算力扩张浪潮中,硬件创新下的电子产业新机遇”在武汉举行。芯原股份董事长、首席执行官、总裁戴伟民博士出席会议,并以《算力:端、边、云侧AI与空间计算》为题发表演讲,围绕 AI芯片 定制、具身 机器人 与空间计算等方向进行了分享。戴伟民博士表示, 人工智能 的发展需要云侧基础设施持续投入,也需要更多应用在边侧和端侧落地。随着产业关注点由模型能力向实际应用延伸,如何结合具体场景提升计算效率、降低功耗并形成商业回报,将成为下一阶段硬件创新的重要课题。
戴伟民博士进一步表示,AI芯片交付涉及多个环节的共同配合。对于云侧AI芯片,仅落实某一个环节的资源并不足以完成产品制造,还需要存储、封装和测试等能力同步匹配,上述资源的获取和调配能力也是一站式芯片定制企业的重要竞争力之一。公司在手订单持续增长,其中超81%来自AI ASIC需求,但判断这些订单对经营的贡献,需要充分考虑设计周期以及后续制造流程。这一特点也体现出,AI硬件竞争正在从单一设计能力延伸到完整交付能力。
对于AI产业的发展方向,戴伟民博士以“树干”和“树枝”作比喻:作为“树干”的大模型训练和基础设施构成重要支撑,丰富的推理与边侧和端侧的应用则是向外延伸的“树枝”和“树叶”。树干本身长不出树叶,基础设施投入最终需要应用承接,并通过实际使用形成商业回报。观察产业景气时,既要关注训练能力和算力投入,也要关注这些能力如何进入具体产品、满足用户需求。尤其在资本市场关注AI投资回报的背景下,边侧和端侧应用能否持续拓展,将影响产业能否形成更完整的商业闭环。
戴伟民博士认为,中国发展AI应用具有制造配套、应用场景和用户基础等条件,值得重视端侧产品及行业应用带来的机会。海外大型AI基础设施投资面临的回报问题,与国内端侧应用的发展阶段和商业模式存在差异,不宜简单作同一判断。中国企业可以结合自身产业基础,在 智能穿戴 、 AI玩具 及其他端侧中探索适合的产品形态,让计算能力更直接地转化为用户可感知的功能与体验。推理、微调和场景化应用,也因此具有独立于训练投入的研究价值。
谈到云、边、端的区别,戴伟民博士指出,不同计算位置对应不同的算力、功耗和响应速度等性能要求。云侧能够承载较大规模的模型与计算任务,但边侧和端侧与环境实时交互时,对时延、功耗和本地处理能力的要求更加突出。以AI眼镜为例,设备需要及时理解用户看到和听到的信息,并在较短时间内作出响应。因此,评价AI硬件不能只比较算力,还需要结合通信、延迟和产品使用方式,判断计算任务应当如何分配,以及哪些功能适合直接在本地完成。
AI眼镜是戴伟民博士重点讨论的端侧方向之一。AI眼镜首先应当是一副适合日常佩戴的眼镜,舒适与美观是产品成立的前提。他提出,轻量化设计十分重要,重量应尽量控制在30克以内,至少8小时不充电,同时兼顾外观和使用体验。与主要用于观看多媒体或游戏内容的观影眼镜相比,日常佩戴的AI眼镜更重要的价值在于成为信息入口,获取用户所处环境中的视觉、声音和上下文。不同产品定位决定了硬件取舍,也影响摄像、显示与计算功能的配置。围绕这一定位,戴伟民博士介绍了芯原在低功耗芯片与相关应用上的探索。端侧芯片需要根据真实场景进行设计,而非简单沿用其他设备的配置。在有限的体积与电池条件下,如何协调不同功能、降低整体功耗,将直接影响眼镜能否长时间使用。AI眼镜的竞争也因此涉及芯片、模型和产品形态的共同优化:功能需要与日常佩戴相适应,计算能力则需要服务于持续感知、及时响应和本地化处理。只有这些要求得到协调,新增智能功能才有机会成为稳定的使用习惯。
小模型是实现端侧智能的重要支撑。戴伟民博士表示,眼镜等设备无法直接容纳体量过大的 AI模型 ,需要探索适合本地运行的轻量化方案。他以语音处理为例介绍,若在端侧先将音频转化为文本,再进行后续传输和处理,既避免了泄露声纹隐私,也大大减少了数据传输量。相关价值既体现在模型规模的缩小,也体现在任务流程的重新安排:哪些信息在本地处理、哪些结果需要传输,都会影响系统功耗与响应效率。加上整体功耗与算力的平衡,以及内存和带宽占用等考量,AI轻量化模型与专用硬件的协同,是端侧应用能否落地的关键。
除AI眼镜之外,戴伟民博士还重点分享了AI玩具的发展潜力,并表达了对2027年相关应用的期待。智能玩具需要从预设内容播放进一步走向自然对话,根据孩子给出的关键词生成故事,并结合不同声音、语言和日常场景形成互动。演讲现场还展示了芯原基于谷歌的Gemma 3 270M模型,为AI玩具定制的支持离线运行的模型,包括面向3至5岁儿童的讲故事和图像识别互动模型等,说明部分交互能力可以在本地完成。离线运行也对小模型提出了更高要求:既要控制资源消耗,又要让回答具有高质量和趣味性,使产品能够支持持续交流。
在戴伟民博士看来,依托于本地模型的优势,AI玩具的价值在于与学前儿童,尤其在语言 综合 能力发展的关键时期,建立互动,帮助其通过提问和交流认识周围世界。例如,围绕家中物品的名称、颜色、数量及英文表达进行对话,可以把学习融入日常体验。这种产品思路也体现了他对AI端侧的整体判断:用户需求应当决定硬件与模型的组合,而非先叠加技术功能,再寻找使用理由。他还提到智能戒指等穿戴设备,认为这类产品有机会与眼镜形成配合,通过更自然的动作完成控制,进一步改善人机交互体验。
谈及具身机器人,戴伟民博士强调,应当区分运动控制能力与理解、推理能力。机器人能够完成跳跃、移动等动作,并不意味着已经具备处理复杂任务的智能。机器人也不必局限于人形,产品形态应服务于应用场景。相较于家庭环境中叠衣、照护等复杂任务,具有一定边界的工业或半结构化场景更有条件先行落地。判断 具身智能 进展,需要关注机器人能否在具体环境中稳定完成工作,并识别其能力来自预设程序、遥控还是自主理解与决策。
戴伟民博士还从不同层次的反应能力来解释机器人智能,机器人智能可分为三层:System 0类比脑干参与的反射与姿态调节,负责底层即时响应;System 1类比小脑支持的熟练运动反应,负责局部快速判断;System 2类比大脑参与的思考与规划,负责理解任务和复杂决策。完成动作控制只是其中一部分,机器人还需要理解任务和环境,并据此选择行动。因此,观察具身智能的产业机会,需要同时考虑运动控制与高层决策的进展及其协同,判断具体产品能够适应怎样的场景边界。
戴伟民博士进一步指出,语言模型取得突破,并不意味着物理世界的理解问题已经解决。他用“读万卷书”和“行万里路”说明两类能力的差异:语言模型可以从大量文本中学习,而机器人需要理解空间、物体关系以及动作产生的结果。空间计算的重要任务之一,是从有限视角和不完整观测中推断环境,例如根据正面图像理解侧面信息、补足被遮挡部分,或处理人物与摄像机同时运动的场景。这些能力关系到机器人能否在位置和环境变化后继续完成任务。
围绕空间智能的实现路径,戴伟民博士认为,现实数据采集需要与仿真结合。物理世界具有规律,不可能对所有物体、角度和动作逐一进行穷尽式采集,需要通过模型和仿真扩展已有观测,再回到真实环境中验证。现实到仿真、仿真到现实的循环,有助于连接感知、理解与控制,也对三维图形处理和相关计算能力提出要求。芯原在视频和图像处理等领域的长期积累,可以为相关技术探索提供基础,而空间计算也将成为观察AI向物理世界延伸的重要方向。
演讲最后,戴伟民博士分享了AI时代的人才培养思考。随着工具能力增强,自驱力和执行力之外,判断力、审美力、共情力与创造力的重要性正在提升。企业需要识别能够主动学习、善用AI并理解真实需求的人才,将技术积累与产品创新结合。展望未来,戴伟民博士强调持续研发和 知识产权 积累的重要性,并期待国内产业发挥制造与应用优势,在云侧计算发展的同时培育更多边侧和端侧应用,让AI能力通过具体产品进入日常生活,形成更可持续的产业增长。
戴伟民博士以“风景这边独好”结尾:从长远看,“这边”可以指全球AI产业中的中国AI产业;也可以指A股基金指数中的科创50;还可以指芯片设计公司中的芯原。

设备:原创技术设备驱动产业跃迁与价值升级
陈琳 鑫巨 半导体 董事长
以原创工艺装备突破量产瓶颈,推动 玻璃基板 先进封装 价值升级。
在策略会上,鑫巨半导体创始人、首席执行官陈琳女士出席会议,并以《原创技术装备驱动先进封装产业跃迁与价值升级》为题发表演讲,围绕原创装备的产业价值、研发与验证路径,以及玻璃基板先进封装的技术进展进行了分享。陈琳女士表示,装备是产业制造能力的重要基础,一台原创装备承载着材料、工艺、核心零部件和控制技术等综合能力。推动先进封装升级,需要从真实制造难题出发,将技术探索转化为稳定、可重复的量产能力。
陈琳女士指出,讨论产业升级时,工艺优化、数字化改造和商业模式创新往往受到较多关注,而底层装备决定着这些设想能否在生产中实现。材料方案即使具备性能优势,如果缺少适配的制造设备,也难以保证批量生产的一致性。因此,原创装备的意义在于突破制造限制,使新的工艺和产品成为可能。对于半导体产业而言,掌握装备的自主开发能力,有助于减少对外部技术路径的依赖,也为供应链的长期稳定和产品升级提供基础支撑。
在陈琳女士看来,原创技术装备需要以产业痛点为起点,从原理、架构、核心零部件和控制逻辑等层面开展研发。与对照成熟产品进行适配的路径相比,原创研发需要回答更基础的问题:新的工艺原理能否实现、设备结构如何设计,以及量产指标如何达到。这一路径具有较大的探索空间,也意味着更长的开发过程和更高的不确定性。设备企业需要根据应用与制造需求不断调整方案,逐步形成适合 新材料 、新结构的工艺能力,而非停留在单一性能参数的改善。
陈琳女士进一步表示,原创装备的价值最终需要在客户生产中得到体现。良率能否提高、能耗能否降低、生产周期能否缩短,都是衡量技术突破的重要维度。设备企业需要将过去难以完成、成本较高或稳定性不足的工艺,转化为可规模复制的制造能力。她以鑫巨半导体的研发实践介绍,公司围绕先进封装玻璃基板制造,从技术参数、产线设计到装备开发、工艺验证和材料配套参与多个环节,希望为下游客户缩短建设与验证周期,并提供匹配不同产品需求的解决方案。
这种研发模式也使装备创新的影响向配套产业延伸。陈琳女士指出,一台新设备的开发,通常需要核心零部件、专用材料、工艺 软件 以及测试验证能力共同配合。当现有供应链难以满足指标时,装备企业需要与合作伙伴联合攻关,推动配套产品迭代。鑫巨在研发过程中参与了耗材与核心零部件的协同开发,其中包括 磁悬浮 泵等相关技术。部分配套能力在满足公司设备需求后,也逐步拓展至其他产业场景,使单个项目的技术积累转化为更广泛的供应链能力。
对于原创装备的攻关难点,陈琳女士将其概括为投入大、周期 长和 风险高。研发支出不仅包括人员与样机制造,还涉及多轮迭代、验证材料消耗以及供应链培育。在产品形成销售之前,这些工作需要企业持续投入,对现金流和团队组织能力提出较高要求。公司发展早期曾长期面临这一压力,因此团队的技术沉淀和产业经验尤为重要。来自不同地区、具有一线实践背景的研发人员,有助于减少试错,但仍无法省去原创技术必须经历的实验和验证过程。
验证成本是陈琳女士重点讨论的问题之一。她介绍,2024年至2025年,鑫巨围绕大尺寸玻璃基板开展了大量打样工作,打样数量超过2000片。对于新的工艺路线,样片制造既用于检验设备能力,也用于发现材料、结构和工艺之间的适配问题。单次实验获得合格结果,并不等于可以直接交付量产。企业还需要观察不同批次下的表现,结合客户实际要求持续修改方案,使研发结果逐步具备重复性和稳定性。由此产生的时间与材料投入,是原创装备产业化的重要成本。
陈琳女士进一步指出,样机完成只是研发进程中的一个阶段,后续还需要进入客户产线,持续验证良率和稳定性,并在实际使用中整改、优化和开发新工艺。从原理探索到稳定商业化,半导体原创工艺装备通常需要较长时间,五年至十年的研发与验证过程并不罕见。与此同时,下游技术路线和市场需求仍在变化,前期投入可能面临新的适配要求。因此,评价原创装备企业,需要结合其所处研发阶段、验证深度和客户应用进展,理解技术积累转化为商业价值的过程。
围绕具体创新路径,陈琳女士认为,应当从真实场景定义装备指标,再通过基础研究和多学科协同完成样机开发,随后与下游制造企业共同推进产线验证。在产业化过程中,企业继续积累工艺经验,为下一代装备研发提供依据。这是一条需求、研发、验证、交付和迭代相互联系的路径。鑫巨围绕玻璃基板批量制造中的通孔填充、精细线路及连接需求设定研发目标,并根据不同应用场景逐步完善相关能力,使设备开发与客户产品要求保持对应。
玻璃基板是本次演讲重点讨论的产业方向。陈琳女士表示,先进封装材料路线具有多样性,玻璃基板受到关注,与系统性能需求提升密切相关。随着封装尺寸扩大和互联要求提高,翘曲、热膨胀以及高频信号损耗等问题,需要通过材料与工艺共同解决。讨论玻璃基板时不能仅关注成本,还应结合具体产品所要求的尺寸、信号性能和可靠性,判断其应用价值。材料能否发挥优势,最终仍取决于相应加工、连接和制造能力能否同步建立。
陈琳女士指出,对玻璃基板市场空间的理解,也需要考虑不同应用的差异。目前讨论较多的方向集中在AI算力以及 GPU 、CPU等芯片的先进封装,但玻璃基材料还有机会进入新型显示、可穿戴设备、移动终端、车载和通信等领域。不同场景的产品结构、性能要求与产业化节奏并不相同,不能仅以某一个应用代表整个市场。她特别提到Micro LED 等显示方向,认为随着相关产品逐步发展,玻璃基材料有望形成更多应用需求,进一步拓展配套工艺装备的服务范围。
对于产业进展,陈琳女士表示,下游企业正在推进产品验证和小批量应用,部分客户对设备的需求也开始向更大产能规模延伸。2026年玻璃基板先进封装的推进速度超过了团队此前的部分预期,而设备订单和客户产能需求,是观察这一变化的重要窗口。相较于单纯讨论远期市场规模,客户正在验证哪些产品、准备建设怎样的产能,以及需要何种工艺能力,更能反映产业化的实际进程。装备企业也需要据此调整研发、交付和配套资源安排。
在公司定位方面,陈琳女士介绍,鑫巨正在从设备供应进一步延伸到工艺开发与验证。由于原创设备涉及新的材料和加工需求,公司需要参与材料、零部件等环节的协同研发,部分配套能力不足的领域还需要自行开展开发工作。这使企业承担了更多前期投入,也积累了对完整制造流程的理解。设备企业参与工艺形成过程,有助于将分散的技术环节组织为可执行的生产方案,并在客户导入过程中提供更有针对性的支持。
围绕产品布局,鑫巨以电化学沉积(ECD)和化学刻蚀为核心,开发适配玻璃基板不同工艺段的装备,并覆盖板级和晶圆级制造形态。陈琳女士表示,先进封装中的横向线路、纵向通孔及连接结构,对精密电镀与刻蚀提出了不同要求,因此需要建立完整的产品矩阵,匹配不同制程。公司也围绕显影、刻蚀、退膜等相关环节进行布局,通过设备组合服务客户的制造流程。相关方案的形成,需要兼顾单台设备指标与前后工序的适配,才能支持连续生产。
在关键工艺指标方面,陈琳女士介绍,公司已实现20∶1深宽比玻璃通孔(TGV)填实,以及2微米线宽、线距相关工艺能力。不同指标对应不同应用需求,通孔填充不仅需要实现较高深宽比,也需要控制空洞和裂纹,保证连接质量与生产稳定性。精细线路则需要电镀、刻蚀等设备共同配合。对于客户而言,这些技术指标最终要落实到稳定的良率和可持续生产,因此设备能力的展示还需要与批量制造表现相结合。
陈琳女士同时指出,公司在推进设备研发时,也持续完善核心零部件、材料和药水等配套环节。部分头部客户较早参与了联合研发,相关成果正在逐步进入产业应用,公司也继续为不同客户提供样片制作和工艺验证服务。先进封装装备的竞争涉及完整的工程化能力:既需要明确的工艺目标,也需要可靠的配套供应,以及与客户持续解决问题的机制。只有把这些环节贯通,技术成果才有条件从样片验证走向批量制造。
展望未来,陈琳女士认为,玻璃基板及其他先进封装路线的发展,将持续提出新的装备与工艺要求。原创装备企业需要保持对下游真实需求的理解,在基础研究、工程验证和产业协同之间形成长期积累。对国内产业而言,价值升级既体现在设备自主供给能力增强,也体现在参与新工艺形成、推动配套生态成熟的能力提升。鑫巨将继续围绕先进封装核心工艺完善设备与解决方案,协同产业链推进验证和应用,使原创技术更好地服务于下一阶段的制造需求。

运力:AI时代的高速互连技术演进与产业机遇
王宁 万通发展 总裁助理,数渡科技副总经理
在策略会上,万通发展旗下数渡科技副总经理王宁以《运力:AI时代的高速互连技术演进与产业机遇》为题发表演讲,围绕PCIe交换芯片的技术迭代、智算 服务器 与超节点架构、国产高速互连产品的发展,以及存储、 汽车电子 等应用场景进行了分享。王宁先生表示,随着人工智能模型规模扩大、推理需求增长和算力系统向多机多卡演进,芯片之间的数据交换效率、互连带宽及系统可靠性,正在成为影响整体计算性能的重要因素。
王宁先生介绍,早期模型可以在相对有限的计算资源上运行,随着模型参数规模和上下文需求增加,单台服务器的计算、显存及存储资源逐步难以覆盖复杂工作负载。为满足更大规模的训练和推理需求,计算系统需要将多张加速卡、多台服务器及不同类型的存储设备组织起来。与此同时,系统内部任何一条关键互连链路发生故障,都可能影响整体任务的执行效率。他认为,算力基础设施的扩展,使高速互连从传统服务器的内部连接环节,进一步发展为大规模计算系统的重要组成部分。
在技术体系方面,王宁先生介绍,PCI Express(PCIe)是经过二十余年发展形成的成熟高速互连标准,能够连接CPU、GPU、网卡、固态硬盘及其他外设,具有接口应用广泛、产业生态成熟和软硬件兼容性较好的特点。PCIe交换芯片通过扩展端口和组织多条高速链路,使不同计算与存储单元之间能够进行高效率的数据交互。相较于采用单一厂商专有互连技术的系统,PCIe的开放生态为多类型芯片和国产化计算平台之间的适配提供了较为广泛的技术基础。
王宁先生表示,PCIe协议持续向更高传输速率升级。PCIe 5.0单通道传输速率达到32GT/s,PCIe 6.0提升至64GT/s,并采用PAM4信号调制以及前向纠错等机制;PCIe 7.0进一步提高至128GT/s。随着每通道速率提升及交换芯片通道数量增加,系统可以在有限的芯片和板卡空间内获得更大的汇聚带宽。他认为,接口速率与芯片端口规模的同步提升,为PCIe技术进入更大规模的智算集群和高带宽互连场景创造了条件。
围绕服务器架构,王宁先生介绍了PCIe交换芯片的具体作用。在典型的多GPU服务器中,CPU、网卡、SSD以及加速器之间需要完成大量的数据调度,PCIe交换芯片承担设备接入和数据交换任务;部分采用专有GPU互连技术的平台,也会在CPU与外设连接环节继续使用PCIe交换芯片。他指出,单台八卡服务器可能配置多颗交换芯片,随着服务器数量增加及网络层级扩展,交换芯片的需求与系统连接拓扑密切相关。
王宁先生进一步介绍,算力系统扩展可以通过多层交换结构连接更多计算节点,形成从单机设备互连到机柜级、集群级组网的不同架构。在部分面向规模化部署的设计方案中,PCIe交换芯片被用于组织多卡连接及扩展交换端口,交换芯片的使用数量随加速卡数量、拓扑层级和带宽需求变化。他表示部分大规模组网方案中交换芯片数量可以接近甚至超过加速卡数量。王宁先生认为,随着超节点架构发展,互连芯片在整体硬件系统中的配置方式和价值量将进一步受到重视。
对于不同互连技术的关系,王宁先生表示,系统内部存在多种技术路线。CPU与存储、网卡及外设之间广泛采用PCIe; 英伟达 等厂商在GPU间通信中使用专有高速互连;跨服务器、跨机柜通信则大量依赖以太网或InfiniBand等网络技术。同时,面向加速器互连的开放标准也在发展,不同技术分别服务于带宽、时延、距离和生态适配等要求。他认为,PCIe在设备级连接与部分开放式扩展系统中具备长期积累的应用基础,其市场空间与系统架构升级紧密相关。
在产业演进方面,王宁先生提到,国际高速互连芯片企业持续增加研发投入,推动更大端口规模、更高数据吞吐量和更复杂的交换架构。以Astera Labs推出的320通道Scorpio系列产品,以及Marvell通过收购XConn拓展PCIe与CXL交换业务为例,国际厂商正围绕AI系统内部互连形成更丰富的产品矩阵。他表示,未来交换芯片的竞争不仅涉及单通道速率,还包括端口规模、时延控制、协议兼容、系统管理以及与整机平台的协同设计能力。
王宁先生认为,随着交换芯片通道数量增加,PCIe所能承载的总带宽继续提升。 高通 道数交换芯片能够集中连接大量加速器、存储设备及网络接口,减少部分系统架构中的额外转换环节;同时,PCIe作为设备互连协议,在特定工作负载和连接距离下具有较低时延的特点。不过,在实际系统设计中,交换芯片的配置还需结合计算节点规模、业务流量分布和链路层级作出选择,不同拓扑对应不同的芯片数量与带宽配置。
除智算服务器外,王宁先生介绍了PCIe交换芯片在企业级存储服务器中的应用。对于多盘位全闪存储系统,大量NVMe固态硬盘需要通过PCIe通道连接至主机控制器。以二十四盘位、每盘采用四通道连接的结构为例,单侧设备连接就涉及较多PCIe通道;双控制器设计还会增加交换与管理需求。他表示,在数据中心存储容量持续扩大、SSD数量增加的背景下,交换芯片可以承担存储设备汇聚、端口扩展和数据通路组织等功能。
汽车电子是王宁先生重点提及的另一类应用。他表示, 智能汽车 内部的计算单元、摄像头、 传感器 及其他电子系统数量增加,车内数据传输对带宽、延迟和可靠性的要求随之提高。PCIe交换技术已在部分汽车电子平台得到应用,相关产品可以在车载计算和高速数据互连中承担连接任务。王宁先生认为,随着车载计算架构集中化和汽车智能化水平提升,PCIe交换芯片有机会进入更多车载场景,应用范围从数据中心逐步向智能终端和工业设备延伸。
围绕桌面级计算产品,王宁先生介绍了利用PCIe扩展卡搭建国产智算工作站的技术思路。传统桌面主板能够提供的高速扩展插槽数量有限,而部分本地大模型业务需要接入多张计算卡。通过PCIe交换及扩展板卡,可以在标准机箱内连接国产CPU和多张国产加速卡,构建适用于本地部署的计算平台。他认为,这类方案有助于服务重视数据本地处理、系统自主可控和部署灵活性的用户,并拓展高速互连芯片在桌面级设备中的使用场景。
王宁先生同时谈及PCIe光互连技术。他介绍,随着设备之间的数据传输距离增加,传统电连接在信号完整性和传输损耗方面面临更复杂的技术要求。PCIe产业已开展光互连技术探索,数渡科技会持续关注光互连发展的技术趋势。他认为,光互连可以为机柜之间及更长距离的高速设备连接提供新的实现方式,为未来算力系统的物理布局增加灵活性。
在国内产业竞争方面,王宁先生表示,高端PCIe交换芯片市场长期由海外厂商占据重要份额,相关产品在采购周期、成本和技术支持等方面形成一定门槛。他还提到,部分海外高端产品交付周期较长,国内客户在设备研发和批量生产中对替代性供应来源具有较强需求。王宁先生认为,国产互连芯片的竞争力既来自自主知识产权,也包括本地工程支持、供货响应和对国产CPU、GPU及网卡平台的适配能力。
对于国产产品的商业化条件,他指出,部分海外交换芯片产品在交付周期和购买条件方面存在一定限制,客户在芯片选型时会将技术性能与供货安排一并考虑。芯片公司通过提前规划备货和本地化 技术服务 ,旨在在产品适配过程中提供更及时的响应。王宁先生认为,随着国产GPU、网卡及存储设备厂商逐步形成协同开发机制,本土互连芯片企业有机会更早参与系统架构设计,将客户需求反映到产品规格及迭代计划中。
王宁先生最后表示,算力基础设施的发展正推动算力从单卡、单机走向更大规模的协同计算。PCIe交换芯片作为连接计算、存储和网络设备的基础器件,将伴随协议升级、系统架构调整及国产算力平台建设迎来更多应用需求。他认为,国内企业通过持续提高芯片性能、完善产品系列并深化与整机厂商的合作,可以在高速互连产业链中拓展市场空间,为国产智算系统提供更完整的基础硬件支持。

存力:以AI SSD重塑大模型时代存算基础设施
薛立成 忆芯科技AI首席科学家
在策略会上,忆芯科技首席科学家薛立成博士发表题为《存力:以AI SSD重塑大模型时代存算基础设施》的演讲,围绕大模型对存储系统提出的新需求、AI SSD的技术架构,以及存算一体在推理、检索增 强生 成和视频生成等场景中的应用进行了分享。薛立成博士认为,人工智能基础设施的持续升级需要计算、互连与存储共同发展,随着模型规模和上下文长度增加,数据存取及搬运效率已成为影响大模型推理性能和使用成本的重要因素。
薛立成博士表示,近年来大模型在文本生成、软件开发和复杂任务处理等方面的能力不断提升,背后既有模型参数规模的扩展,也有上下文窗口持续增长的推动。处理大规模代码库、长篇文档和连续多轮对话,需要系统在较长时间内保存并访问大量上下文信息。模型所需的数据量随之增加,对GPU计算能力、存储容量、内存带宽及互连效率形成共同需求。他认为,下一阶段大模型应用的普及,除了模型本身能力提升,也将更加重视单位推理任务的资源消耗和服务成本。
针对底层硬件的发展,薛立成博士指出,计算芯片性能的提升速度与存储介质、数据传输能力的改善速度存在差异。在实际AI系统中,即便GPU具备较高峰值算力,数据无法及时到达计算单元,整体计算效率仍会受到影响。传统存储体系根据访问速度、容量和价格形成分层结构,高带宽显存负责对时延敏感的计算数据,系统内存承载更大规模的中间数据,固态硬盘和共享存储提供容量支撑。不同层级之间的数据移动,既消耗带宽,也增加时延和系统管理开销。
薛立成博士以英伟达提出的上下文存储架构为例介绍了AI存储分层的新变化。面向多轮推理和智能体任务,行业开始在GPU显存、主机内存与传统共享存储之间引入专门服务于上下文数据的存储层,例如面向KV Cache共享访问的G3.5层级。其目的在于以成本更可控、容量更大的闪存资源保存可复用的推理上下文,并在任务再次使用时及时调入计算系统。薛立成博士认为,计算平台厂商主动调整存储层级,凸显了AI系统对高效数据管理的重视程度。
他进一步指出,AI工作负载并不完全相同。模型训练需要持续读取大规模数据集并保存中间检查点;大模型推理关注上下文访问、并发任务和低时延响应;智能体应用涉及多轮交互、记忆保持及频繁检索;多媒体生成需要处理体积较大的图像和视频数据;具身智能应用则对传输时延和实时数据处理提出不同要求。上述场景在顺序吞吐、随机读写、容量、延迟和耐久性方面各有侧重,推动SSD从通用存储产品向针对特定AI负载设计的方案延伸。
在大模型推理场景中,薛立成博士重点讨论了KV Cache的管理问题。KV Cache保存推理过程中形成的部分中间计算结果,能够在连续对话和重复上下文任务中减少重复计算。随着上下文长度增加和并发用户数量上升,缓存占用的显存空间可能迅速扩大。为缓解显存压力,行业通常采用分层缓存与数据卸载技术,将部分KV Cache从显存迁移至主机内存或SSD,并在后续访问时重新加载。薛立成博士表示,这类方案虽然扩大了可使用的缓存容量,但也引入了多层级数据复制和访问延迟。
与此同时,缓存管理还可能增加CPU的工作负担。薛立成博士指出,传统数据路径下,SSD中的数据可能先进入主机内存,再经由CPU侧管理和处理后传送至GPU。对于需要筛选、检索、压缩或重排的数据,CPU承担额外计算任务,GPU则可能因为等待数据而降低利用效率。在数据密集型推理场景中,存储通道的有效利用率与单纯提高接口传输速率同样重要。如何减少重复数据搬运、让真正参与计算的数据及时到达GPU,是其团队开展AI SSD研发的重要出发点。
围绕这一问题,薛立成博士介绍了忆芯科技的存算一体技术思路:将部分数据处理能力部署在SSD主控芯片内部,使数据尽可能在存储侧完成预处理。与将完整数据集传输给CPU或GPU后再进行筛选的传统方式相比,盘侧计算可以根据业务需要执行检索、量化、压缩、数据重排等操作,再将结果提供给上层计算单元。他认为,这一方案可以提高有限PCIe链路传输数据的有效性,并将部分非核心计算任务从主机处理器转移至更接近数据的位置。
薛立成博士强调,盘侧计算在整体AI架构中具有明确分工。Transformer模型中计算量较大的注意力机制、前馈 神经网络 等核心算子,继续由GPU等主计算设备承担;SSD中的计算单元主要负责数据筛选、数据组织和辅助管理。为此,忆芯科技在存储主控芯片中集成 NPU ,并在数据通路中设计相应的计算与调度模块。薛立成博士将这一定位概括为面向AI计算任务的数据协处理能力,核心目标是改善GPU获得数据的速度、质量及资源开销。
在具体技术设计上,薛立成博士介绍,闪存访问延时与DRAM存在较大差异,SSD需通过缓存、数据预取和流水线处理等方式补偿底层介质的访问延迟。盘侧NPU可根据推理任务执行数据检索或动态压缩,控制器内部通过缓存缓冲区保存近期可能使用的数据,再结合数据通路调度减少等待时间。同时,相关方案可以与GPUDirect Storage等数据直通技术协同,降低传统CPU中转路径带来的开销,使GPU获得更有针对性的输入数据。
对于大模型推理的实际价值,薛立成博士介绍,AI SSD可在盘侧承担KV Cache的部分量化、预取、分层管理和检索任务,减少高成本显存对长上下文信息的常驻需求。他在演讲中分享了公司的场景测算,称相关方案在特定配置下可以减少KV Cache对GPU资源的占用,并以降低约30%至40%的整体推理成本为优化目标。薛立成博士认为,随着多用户并发和长上下文任务增加,将更多可复用缓存保留在相对低成本的存储介质中,有助于改善推理系统的整体资源配置。
薛立成博士还谈及盘侧数据处理对计算结果的影响。他表示,团队探索通过数据重要性筛选,优先向GPU传输与当前任务相关的部分内容,在减少数据搬运的同时控制结果质量变化。这一技术方向涉及对缓存内容进行有效组织和精细化管理,对模型任务、检索策略与存储算法之间的协同提出了更高要求。他认为,AI SSD的价值与具体业务场景高度相关,提升数据供给效率必须与应用所需的信息完整性相匹配。
在企业级知识管理场景中,薛立成博士介绍,内部研究报告、会议纪要、技术文档和其他保密资料通常需要在本地环境中完成检索与分析。检索增强生成(RAG)系统需要对海量内容进行向量检索、索引访问及结果排序,这些任务会消耗CPU和主机内存资源。将适合的轻量计算下沉至SSD,可在存储侧完成部分数据检索和初步处理,再将相关结果提供给大模型。薛立成博士认为,这一方式能够支持私有化知识库建设,并改善本地AI一体机的计算资源分配。
针对视频生成任务,薛立成博士表示,视频数据体量较大,对存储读写、数据调度和缓存管理提出了与文本任务不同的要求。生成过程中涉及的视频素材读取、数据组织及相关处理,可以借助存储侧计算与流式调度优化。他分享了公司在实际应用中的探索,称通过调整数据处理路径与存储调度方式,部分视频生成场景的资源成本可以得到明显改善。他认为,随着生成式视频应用扩大,AI存储产品在控制显存占用和提高数据吞吐效率方面的作用将进一步受到重视。
薛立成博士同时介绍了训练场景中的技术应用。大模型训练需要处理大量原始数据,并定期保存模型参数和训练状态形成的检查点文件。盘侧计算可以参与数据预处理、结构化处理及检查点相关数据管理,减少部分数据向主机侧的重复传输。相较于推理场景,训练系统的规模、集群架构和数据吞吐需求更为复杂。薛立成博士表示,公司现阶段将资源更多投向推理等应用,同时围绕训练所需的数据处理能力储备相关技术方案。
谈及产品布局,薛立成博士介绍,忆芯科技围绕自主研发的SSD主控芯片,已形成覆盖高性能、大容量存储和存算一体的AI SSD产品方向。其中,STAR2000D是公司重点介绍的存算一体产品,通过主控芯片内的计算单元承担部分存储侧数据处理任务。其他面向AI场景的SSD产品则着重满足高吞吐、大容量及不同负载条件下的读写要求。他认为,AI存储市场将形成多种产品并行发展的格局,盘侧计算与传统高性能SSD可以针对不同任务发挥各自作用。
薛立成博士还从数据价值的角度解释了盘侧计算的意义。他举例指出,同一批存储数据中,真正与当前推理任务直接相关的内容可能只占一部分,将全部原始数据送往主机处理会占用大量传输资源。通过盘侧检索与内容筛选,系统可以优先传输更有价值的信息,并结合推理结果对筛选策略进行调整。他在演讲中分享了相关实验设想和效果数据,认为在特定负载下,数据传输规模可以明显缩减,同时将结果质量的变化控制在业务可接受范围内。
在产品工程实现方面,薛立成博士指出,AI SSD既要满足普通企业级硬盘对容量、稳定性和读写性能的要求,也要为额外的数据计算任务安排芯片资源和软件流程。盘内计算、缓存预取以及GPU直通需要协同设计,才能使数据处理结果及时进入主计算链路。他认为,在控制器芯片中集成计算能力并利用固件、算法进行配合,是存储厂商参与AI基础设施系统优化的一条技术路线。
薛立成博士最后表示,人工智能基础设施的性能提升,需要从单独关注GPU算力扩展至对整体系统效率的优化。随着模型应用规模扩大,推理过程中产生的数据既要保存得下,也要能够及时复用和高效传输。AI SSD通过将部分计算能力部署到存储侧,为显存管理、CPU负载和数据搬运问题提供了新的技术路径。他认为,GPU与AI SSD之间更紧密的协同,将成为下一代大模型基础设施发展的重要方向之一。

投资:AI驱动下的半导体产业链 并购重组
牛俊岭 元禾璞华高级合伙人
在策略会上,元禾璞华高级合伙人牛俊岭发表《投资:AI驱动下的半导体产业链并购重组》主题演讲,围绕人工智能对半导体产业格局的影响、中国硬科技并购市场的发展,以及产业并购基金的交易策略进行了分享。牛俊岭先生认为,人工智能推动计算、存储、互连和先进制造技术加快升级,半导体企业在自主研发之外,通过并购获取技术、产品、客户及产业资源,已经成为全球半导体产业竞争中值得重点关注的发展路径。
牛俊岭先生表示,观察国际半导体龙头企业的发展历史,并购重组是其扩大业务版图和调整技术方向的重要手段。半导体行业的技术更新周期较长、专业分工细致,企业依靠单一产品线积累竞争优势之后,往往还需要补充相邻技术和产业环节,才能形成更完整的产品矩阵。他以国际大型半导体公司的业务调整为例指出,企业重组涉及管理团队、战略定位、业务组合和资本结构等多个方面,重组后的经营表现与资源重新配置密切相关。
在人工智能产业趋势方面,牛俊岭先生认为,AI应用从语言处理、代码生成等数字场景向智能终端、机器人及其他物理世界场景延伸,对底层硬件带来新的需求。大模型能力升级推动计算芯片、存储器、先进封装、互连器件及半导体制造设备持续迭代。与此同时,AI技术也能够应用于 半导体材料 筛选、工艺仿真与研发流程,加快部分技术开发环节。他表示,AI产业与半导体产业之间形成了需求拉动和技术应用相互促进的关系,产业链企业的战略布局需要适应这一变化。
牛俊岭先生进一步介绍,人工智能基础设施可以从能源、芯片、计算与网络基础设施、模型及应用等不同层次观察。其中,芯片连接上游制造能力与下游应用需求,是其所在机构长期关注的重要方向。随着AI集群规模增长,算力、存力与运力之间的协同要求提高,半导体产业的发展重点逐渐由单一芯片性能向系统效率扩展。他认为,企业能否围绕系统需求形成完整的技术和产品组合,将影响其在未来产业链中的竞争地位。
谈及产业链变化,牛俊岭先生表示,部分传统 消费电子 供应链企业已经将业务拓展至AI服务器、数据中心及相关配套领域,产业增长方向随终端需求调整。另一方面,半导体性能提升也在先进制程微缩之外,更多依赖先进封装、异构集成和设计与工艺协同优化。他还指出,随着系统带宽需求上升,光互连与光电融合成为值得关注的技术方向。上述变化带来了跨产品、跨工艺和跨产业环节的资源整合需求,为具备产业协同能力的企业提供了新的发展空间。
牛俊岭先生认为,AI技术演进的速度压缩了部分产业机会的进入窗口。企业通过自主研发形成长期技术积累,通过收购获得已有产品、技术团队和客户资源,可以在不同发展阶段形成互补。他以Marvell于2026年11月宣布拟收购Lumentum的交易为例,谈及电互连与 光学 器件业务的整合趋势。他在演讲中提出,对于已经拥有核心业务和组织能力的企业,并购能够缩短进入新市场或补充新技术的时间,但其效果取决于收购完成后能否将技术、团队、产品和销售体系整合到实际经营之中。
对于中国半导体并购市场的发展,牛俊岭先生回顾了不同阶段的产业特点。他表示,早期国内硬科技资产规模相对有限,部分交易侧重通过海外收购引入技术及产品资源。此后,伴随国内 集成电路 投资发展以及科创板设立,股权融资和独立上市成为不少企业的重要资本化路径。近年来,随着行业逐步积累起数量可观的技术公司和成熟资产,资本市场制度调整与产业整合需求相结合,并购重组的市场基础得到进一步扩展。
牛俊岭先生特别提到,2024年9月发布的《关于深化上市公司并购重组市场改革的意见》,即市场所称的“并购六条”,为上市公司围绕产业转型升级开展并购提供了政策支持。他认为,资本市场对科技企业成长路径的认识逐渐丰富,一部分创业企业可以通过独立上市继续发展,另一部分拥有特色技术和产品能力的企业,则可以借助产业并购进入更大的研发、制造和销售平台。在他看来,不同资本化方式并行,有利于提高产业资源配置的灵活性。
从产业发展阶段看,牛俊岭先生将国内部分半导体企业的成长概括为从基础产品国产化,到产品性能、成本与供应能力竞争,再向高端技术突破和全球化经营拓展。他表示,在国产替代初期,企业重点解决产品供应和客户导入问题;随着本土企业数量增加,部分细分市场的竞争趋于激烈,对产品组合和经营效率提出更高要求;在部分技术领域形成国际竞争能力后,企业还可以通过海外业务及并购完善全球客户和产品布局。他认为,不同发展阶段对应不同的并购动机和整合方式。
围绕行业整合方向,牛俊岭先生举例介绍, 模拟芯片 企业通常需要覆盖大量品类和规格,而国内企业在产品线广度方面与国际综合性厂商存在差异。在这一领域,通过收购互补技术、产品及客户资源,可以扩大产品组合并提高客户服务能力。对于存储芯片、材料、设备零部件、EDA工具和AI芯片等领域,并购的价值则可能体现在技术模块补充、研发资源整合、资产独立发展与产业平台协同等方面。他表示,半导体产业的细分程度较高,并购必须结合具体赛道的产品特征和竞争格局设计。
牛俊岭先生还谈及近期半导体产业并购的交易形态。他表示,产业链龙头整合同类资产、上市公司收购产业配套企业、传统企业切入新技术领域,以及境内外资产重组等方式均有实践案例。部分交易以强化既有业务为目标,部分交易涉及新领域拓展,还有部分交易通过资产分拆与重组,使技术团队和产品业务获得独立发展空间。他认为,并购重组的交易逻辑已经从单纯追求规模扩张,延伸至产品组合、核心技术和组织能力的综合配置。
关于并购交易的具体挑战,牛俊岭先生指出,交易完成只是产业整合的起点。收购双方的研发体系、经营决策、人员激励和客户关系能否形成有效衔接,直接影响后续业务表现。在其分享的并购实践中,交易估值、对价安排、管理团队合作以及整合实施,均需要结合产业发展阶段作出系统考虑。他认为,硬科技并购对基金管理人的要求较高,除了具备资本市场交易经验,还要理解技术路线、产业生态及企业经营方式。
牛俊岭先生介绍,元禾璞华围绕半导体产业已开展多年投资与并购业务,并通过并购基金参与产业资源整合。他在演讲中提到,机构正在通过一只规模约25亿元的并购基金开展项目投资,在交易实践中逐步形成面向不同产业类型和资产状态的策略。对于具有一定规模和行业地位的平台型企业,基金可以协助其补充技术、产品与市场资源;对于拥有特色技术但规模较小的企业,则可以探索与更成熟产业平台的结合方式。
在具体策略上,牛俊岭先生首先提出通过产业并购培育平台型企业。对于已有核心技术和市场地位的产业方,可以围绕现有业务强化优势、补充短板、完善供应体系和拓展相关产品线。他介绍,交易结构既可以采取产业方与基金共同收购,也可以由基金先行持有资产,在开展业务整合后再与上市公司形成合作。牛俊岭先生认为,产业基金可以在资产筛选、交易谈判和资源协同方面发挥专业作用,帮助产业方将外部并购与长期经营布局衔接起来。
第二类策略是围绕企业转型开展跨行业或跨业务并购。牛俊岭先生表示,部分上市公司面临原有业务成长空间有限的问题,可以通过收购具有技术优势和实际经营能力的硬科技资产培育新业务。此类交易同时涉及新业务与原有经营体系的适配,产业基础、标的经营质量、交易安排及整合能力尤为重要。他认为,交易应当以双方真实的经营基础和发展需求为出发点,通过分阶段安排和产业资源投入实现业务整合。
第三类策略涉及境外资产收购及境内外业务重组。牛俊岭先生介绍,元禾璞华在北美及亚洲多个市场开展过相关项目实践,交易对象包括海外成熟企业的业务资产、企业剥离的非核心业务,以及由投资机构持有的科技公司股权。此类交易的价值,既可能来自国内企业补充产品与技术,也可能来自国内外销售渠道、客户和供应链资源的整合。他表示,境内外并购通常需要综合考虑企业经营、资产结构、股权安排及跨区域业务管理等因素。
围绕不同产业合作伙伴,牛俊岭先生还将硬科技企业划分为承担重要产业任务的战略型企业、具备多产品经营能力的平台型企业,以及在特定细分市场形成技术优势的专业型企业。他表示,不同类型企业的资本需求和发展目标有所区别,并购基金与其合作时,应将技术补充、供应链整合、海外拓展和新业务培育等目标结合起来。元禾璞华希望通过基金投资与产业方合作,推动科技资产在更适合的组织和业务平台中实现长期发展。
牛俊岭先生最后表示,中国半导体产业经过多年发展,已经积累了一批拥有技术、产品和客户基础的企业,产业并购具备更丰富的资产来源。随着人工智能推动芯片、材料、设备及相关技术持续升级,并购重组可以成为半导体企业完善产业布局的重要路径。他认为,未来硬科技并购的核心竞争力将体现在产业认知、交易执行、资源整合及长期经营支持等方面,资本与产业协同有机会推动国内半导体企业形成更完整的技术和产品体系。

圆桌讨论
主持人
夏胤磊 中信证券算力与AI硬件首席分析师
嘉 宾
李正兴 杰华特 市场总监
肖博天 佰维存储 战略与投融资部负责人
刘 淼 图灵新智算公司创始人董事长
在主题演讲结束后的圆桌讨论环节,中信证券算力与AI硬件首席分析师夏胤磊担任主持人,杰华特市场总监李正兴、佰维存储战略与融资部负责人肖博天,以及图灵新智算创始人、董事长刘淼参加讨论。三位嘉宾分别从AI电源芯片、存储产业及算力基础设施的视角,围绕2027年行业供需、技术架构调整和人工智能应用带来的硬件需求变化分享了各自的判断。
李正兴 杰华特市场总监
围绕人工智能产业的持续发展,主持人首先请嘉宾讨论AI资本开支变化对相关硬件环节的影响,以及不同产业环节可能出现的结构性机会。李正兴先生表示,2026年部分AI相关产品的供应仍呈现偏紧态势。尽管市场对远期算力资本开支增速的判断存在不同预期,但产业链需求端依旧表现出一定韧性。他认为,2027年AI相关模拟芯片市场具备继续增长的条件。
李正兴先生进一步解释,模拟芯片的供应周期与产能扩张节奏具有自身特点。晶圆制造和封装环节新增产能需要经历建设、设备配置及产品验证等过程,短期内产能调整的灵活性相对有限。另一方面,模拟芯片在AI服务器整体硬件成本中所占比例相对较低,但其性能与可靠性会影响整机运行。李正兴先生认为,客户通常会将主计算芯片、存储芯片与电源相关芯片的交付安排纳入统一考量,进行协同排产与备货决策。在这一框架下,模拟产品可能因其在系统中属于配套刚需、单机用量较大、成本占比相对低,而保持相对充足的备货需求。
对于AI电源的技术趋势,李正兴先生表示, 算力芯片 功耗持续提升,正推动数据中心供电体系从机柜级向板级、芯片级进行系统调整。从高压输入与一次电源,到转换为12V、6V等电压等级的中间供电环节,再到靠近芯片负载的末级电源,各环节都面临效率、功率密度及散热方面的新要求。他在讨论中举例指出,下一代AI加速器的功率水平可能进一步上升,单芯片功耗的增加会直接改变电源模块配置和供电架构。
李正兴先生认为,电源系统升级将带动多相供电、集成化功率器件以及新型供电结构的发展。随着大电流、低电压负载增多,传统板级供电方式面临较大的电流传输损耗和散热压力,垂直供电、集成电压调节器(IVR)等技术受到更多关注。对于电源芯片厂商而言,产品研发逐步涉及更高开关频率、更高功率密度,以及与 氮化镓 等 第三代半导体 器件的结合。他表示,不同电源架构对应的芯片设计和器件组合存在差异,技术路线升级也将改变相关产品的价值构成。谈及公司自身业务,李正兴先生介绍,公司在AI算力系统的多级供电环节均进行了模拟芯片布局,其中末级供电是重点方向。随着AI计算负载的电流需求增长,电源管理芯片、驱动与功率器件需要更加紧密地进行系统设计。他认为,从传统多相供电向更高频、更高集成度的方案演进,将带来新的产品开发空间,电源芯片企业需要在转换效率、瞬态响应和封装散热等方面持续提升能力。
肖博天 佰维存储战略与投融资部负责人
在存储产业议题上,肖博天先生介绍,佰维存储将自身定位为面向AI时代的存储与先进封测解决方案提供商,产品及服务覆盖端侧与云侧存储需求,并围绕先进封装布局相关业务。他表示,公司已参与服务国内外计算与人工智能客户,相关业务使其能够直接观察数据中心与AI终端对存储容量、产品性能及封装工艺的需求变化。肖博天先生认为,随着AI系统向不同应用场景扩展,存储企业的竞争范围也在从单一产品延伸至存储、封测和系统级解决方案的配合。
对于2027年的市场景气度,肖博天先生表示,2027年存储供应可能继续保持偏紧格局。一方面,从供应端看,全球NAND和DRAM主要生产企业的新增产能受到建设周期和资本支出节奏影响,晶圆产能扩张幅度相对有限,主要依靠存储堆叠层数提升和产品升级提升单位晶圆的存储容量。另一方面,从需求端,AI服务器与企业级存储需求依然旺盛。
肖博天先生进一步指出,存储需求结构已经随人工智能基础设施建设发生变化。云服务厂商和大型AI计算平台对高容量、高性能存储的采购增加,使企业级应用在存储市场中的地位持续提升。他表示,部分海外原厂近期报价及客户采购安排也体现了市场对存储资源的需求。在肖博天先生看来,未来存储市场的变化既与新增晶圆产能有关,也与高端产品产能分配、不同存储类型之间的替代关系及终端应用增长有关。
在需求侧,肖博天先生将智能体应用视为未来存储增长的重要推动因素。他表示,AI Agent从单轮问答发展为持续执行任务的应用后,需要保存更多会话状态、中间文件、任务环境和历史上下文。企业级智能体在使用虚拟机、沙盒及自动化编程工具时,也将产生大量读写与数据管理需求。他认为,这类应用能够同时拉动计算侧的高性能存储和后端大容量存储,并改变传统 云计算 业务的数据访问特征。
肖博天先生还谈及端侧设备与具身智能的潜在需求。他认为,随着大模型厂商将智能体能力引入可穿戴设备、个人终端及其他硬件,端侧需要配置更适合本地模型、数据缓存和多模态采集的存储产品;终端采集的图像、声音和交互数据,也会进一步进入云端存储体系。对于机器人等具身智能场景,感知数据、模型运行和任务记录可能带来新的容量与性能要求。他表示,端云两侧的存储需求有望随应用形态拓展而同步增长。
从技术结构看,肖博天先生将AI存储的发展概括为贴近应用、贴近算力、更大容量以及成本可控几个方向。贴近应用的存储需要适应端侧设备的尺寸、功耗和性能约束;贴近算力的存储涉及HBM及相应先进封装技术;更大容量的需求则推动存储池化,使数据能够在多个计算节点之间共享。他认为,未来部分AI系统将更加重视存储架构与网络架构的协同,企业需要同时理解介质性能、控制器能力和系统级数据调度。
在成本控制方面,肖博天先生表示,面对长上下文推理与大量KV Cache数据,利用NAND闪存承载部分非实时数据具有吸引力。QLC NAND、池化存储,以及高带宽闪存等新介质方向,可能在不同性能和成本要求下发挥作用。他认为,AI系统内部将形成更加细分的存储层级,高性能显存、主机内存与大容量闪存之间的资源配置方式也将随软件架构变化而调整。佰维存储正围绕相关需求开展产品和业务布局。
刘淼 图灵新智算公司创始人董事长
在AI基础设施议题上,图灵新智算创始人、董事长刘淼先生介绍,公司围绕定制化AI计算基础设施和Token生产服务开展业务,将能源、芯片与计算基础设施等环节进行组合,为模型开发者及应用客户提供算力服务。他表示,AI基础设施企业一方面连接上游芯片、供电与网络资源,另一方面直接接触模型公司和终端客户的使用需求,因此能够观察供需关系及计算架构变化对服务交付的影响。
针对市场对AI投资热度的讨论,刘淼先生表示,当前算力市场呈现明显的结构差异。大型云服务商和高强度模型应用客户,对新一代GPU及高效率计算集群的需求较为旺盛;与此同时,部分规模较小的算力中心或较早期的计算设备,可能因为芯片性能、组网能力和应用适配等原因,存在资源利用不足的情况。刘淼先生认为,讨论算力供需时,应关注计算资源的型号、部署结构与具体工作负载,单纯统计计算卡数量难以完整反映实际可用算力。
刘淼先生进一步表示,AI产业的用户规模与付费深度存在明显差异。一般性问答和轻量化内容生成服务覆盖面较广,而高强度编程、企业级智能体及复杂生产任务对算力的消耗更为集中。他认为,高价值付费应用的渗透率还有提升空间,应用场景的持续开发可能进一步带来算力需求增长。同时,模型算法也在不断优化,通过降低显存占用、改善计算效率等方式适应硬件资源条件,算力基础设施需要跟随模型技术与服务需求共同调整。
对于未来技术路线,刘淼先生指出,AI系统设计将面临计算、存储、互连及能源资源的多重约束。不同芯片架构、不同存储层级和多种网络连接方案可能长期并存,基础设施提供商需要根据客户任务组织硬件和软件资源。他认为,随着集群规模扩大,系统建设的难度更多体现在跨节点任务调度、资源利用率、数据流转与整体能效上,算力基础设施的发展也将更加重视规模化系统工程能力。
在供电方案的具体演进上,李正兴先生进一步介绍,算力芯片对电源瞬态响应和电流供应能力的要求随功率密度提高而增强。不同供电层级的设计需要在转换损耗、布线距离和散热条件之间做出安排。杰华特关注靠近芯片负载的电源管理环节,并结合行业对垂直供电及集成化技术的探索推进相关产品研发。李正兴先生认为,电源技术升级带来的机会将体现在系统架构重构与高性能器件应用两个方面。
关于存储介质的配置,肖博天先生进一步指出,大模型推理涉及使用频率不同的多层次数据。高频访问的数据需要获得更低的时延,而使用频率较低、容量更大的上下文数据可以利用成本较低的存储介质承载。通过软件调度将数据分配到不同层级,有助于平衡整体容量和访问效率。他认为,随着智能体任务和长上下文应用扩大,未来存储行业将更加重视介质、控制器和数据管理软件之间的协同开发。
谈及投资周期,刘淼先生表示,资本市场对AI产业的估值变化,与产业基础设施建设和应用需求发展具有不同的时间尺度。他认为,人工智能是一项需要长期投入的技术和产业变革,基础设施相关企业的价值形成依赖持续的客户需求、系统运营能力和技术迭代。
