Gartner 2026 年 5 月版数据给出一个数字：全球 AI 支出约 $2.59 万亿。Gartner 将这笔支出分为八个层次：AI 基础设施（$1,366B）、AI 服务（$589B）、AI 软件（$452B）、AI 网络安全（$51B）、AI 平台（$31B）、AI 模型（$26B）、AI 应用开发（$8B）、AI 数据（$3B）。八层合计约 $2,526B，与 $2.59T 总量的差额来自 Gartner 口径调整后的交叉类目。八层之中，基础设施一层独占 54%，超过其余七层总和。
中国占全球 AI 支出约 15-20%，看起来只是份额问题。但拆到八层框架里，中国的支出分布和全球完全不同：基础设施占比 70% 以上，全球均值 53%。服务和软件层更薄。钱花在哪里，决定了产业链哪些环节会被喂大、哪些会长期饥饿。
本文聚焦八层中占比最大、变化最快的四个维度：计算、存储、网络、平台（含云服务和模型层），逐层拆解中国市场的玩家格局、份额变化、产品路线，以及与国际市场的核心差异。每层给出的判断是：这个环节中国在什么位置，卡点在哪，2026-2027 年会发生什么。
一、计算
1.1 AI 芯片：从 95% 到 50% 的国产替代窗口
2025 年中国 AI 加速卡出货约 400 万张。英伟达份额从 2023 年的约 95%（行业共识估算）跌到 2025 年的约 55%，Bernstein 预测 2026 年进一步萎缩到 8-12%。空出来的份额被三家吃下：华为昇腾从 20% 向 50% 推进，寒武纪从 3% 升到 9%，海光从 2% 升到 8%。
| 厂商 | 2025 出货份额 | 2026E 份额 | 产品路线 | 关键性能指标 |
|---|---|---|---|---|
| 英伟达（NVIDIA） | 55% | 8-12% | H100 → B200/B300 → Rubin（出口管制断供） | FP16 Tensor Core 989 TFLOPS（Dense），FP8 1,979 TFLOPS（Dense）；HBM3 3.35TB/s |
| 华为（HiSilicon） | 20% | ~50% | Ascend 910B（HBM2e 400GB/s）→ 910C（2×910B die）→ 950PR（2026Q1）/ 950DT（2026Q4）+ CloudMatrix 384 | 910B: FP16 256-376 TFLOPS / 910C: FP16 ~800 TFLOPS；对标 A100 代际 |
| 平头哥（T-Head） | 6.6% | ~8% | 真武 810E（PPU 架构，HBM2e 96GB，700GB/s 互联，PCIe 5.0） | FP16 比肩 H20（~148 TFLOPS），升级版超 A100（312 TFLOPS） |
| 超威半导体（AMD） | 4% | ~3% | MI300X 系列（非中国市场受限） | FP16 ~653 TFLOPS（Dense）；HBM3 5.2TB/s |
| 寒武纪（Cambricon） | 2.9% | ~9% | 思元 590（7nm, MLUarch05）→ 思元 690（已量产） | 590: FP16 256 TFLOPS，HBM2e 96GB；690: 性能翻倍 |
| 百度昆仑芯 | 2.9% | ~4% | P800（OAM 款：标准 8 卡 OAM 形态 GPU 服务器；PCIe 款：推理型 GPU 服务器）→ M100（2026，推理优化）→ M300（2027，训推一体） | 推理专用（未公开 TFLOPS），三万卡集群部署 |
| 海光（Hygon） | 2% | ~8% | DCU 深算四号（CDNA 架构，HIP 翻译层） | FP16 ~200-300 TFLOPS（估） |
| 第二梯队 | 5% | ~6% | 芯擎、燧原、摩尔线程等 | — |
份额转移的速度比大部分人预期更快。英伟达在中国的塌缩不是技术问题，是出口管制。H20 被限制后，Blackwell 和 Rubin 系列基本无法对华出货。2026 年 8-12% 的残余份额主要来自存量数据中心维护和灰色渠道。
华为填的不是英伟达的空白，而是政策创造的空间。昇腾 910B（FP16 256-376 TFLOPS）对标 NVIDIA A100（FP16 312 TFLOPS）代际，算力基本同档。vs H100（FP16 Tensor Core Dense 989 TFLOPS，FP8 Tensor Core Dense 1,979 TFLOPS），差距 2.6-3.9x（FP16）到 5-8x（FP8）。更大短板是显存带宽：910B HBM2e 约 400GB/s vs A100 2,039GB/s（5x）vs H100 3.35TB/s（8.5x），后期 HBM3e 版本缩至 2-3 倍。910C 采用 2×910B die 双芯片封装（类似 B200 双 die 设计），整卡 FP16 约 800 TFLOPS。单芯仍落后，但华为的策略不是追单卡：CloudMatrix 384 超节点把 384 颗昇腾连成一个训练集群，用系统级互联弥补单卡密度不足。这改变了竞争的度量衡：从 FLOPS 转向 MFU（Model FLOPs Utilization），从单卡性能转向集群系统效率。
寒武纪和海光代表了另一种路径。寒武纪 2025 年首次全年盈利，营收 ¥64.97 亿（同比增 453%），净利润 ¥20.59 亿，思元 590 在推理侧已经进入互联网公司采购清单。海光走 CUDA 语法兼容路线（通过 HIP 翻译层，需重新编译），DCU 深算四号可以运行大部分 CUDA 代码，迁移成本最低。对那些既买不到英伟达、又不想被华为生态锁死的客户来说，海光是唯一折中方案。
Gartner 预测 2030 年中国 80% AI 芯片国产化，当前约 20%。2026 是拐点年：英伟达实质性断供、昇腾 950DT 训练侧突破、寒武纪和海光进入量产出货周期。与国际市场的核心差异在于：NVIDIA 在全球 80%+ 的垄断靠的是 CUDA 17 年积累的生态壁垒；中国靠政策强制替代加超节点集群路线绕过单卡差距。两条路线短期内不会交汇。
1.2 AI 服务器：浪潮领跑，风冷仍是主力
| 厂商 | 2025H1 销售额份额 | 定位 |
|---|---|---|
| 浪潮（Inspur） | ~20% | AI 服务器第一，液冷份额 >50% |
| 新华三（H3C） | ~17% | 企业级市场强，互联网客户偏弱 |
| 联想（Lenovo） | ~13% | 全球化布局，国内 AI 服务器增速快 |
| 超聚变（XFusion） | ~12% | 华为系血统，运营商渠道强 |
| 宁畅（Nettrix） | ~8% | 互联网客户为主，毛利率压力最大 |
| 中兴（ZTE） | ~5% | 运营商背景，AI 服务器切入期 |
| 华为（Huawei） | ~5% | 昇腾系服务器，政企闭环 |
| 曙光（Sugon） | ~3% | 科研院所 + 信创 |
| 其他 | ~17% | 白牌 + 二线品牌 |
前三合计约 50%，集中度低于全球市场（Dell + HPE + Supermicro 合计约 55%）。浪潮在全球 x86 服务器市场排第四（5.9%），联想第五（5.2%），但这个排位靠的是通用服务器出货量，AI 服务器是另一个竞争维度。
散热形态正在迁移：
| 散热类型 | 2025 占比 | 2026E 占比 | 趋势 |
|---|---|---|---|
| PCIe 风冷 | 45% | 35% | 存量大，新建减少 |
| OAM 风冷 | 25% | 20% | 国产芯片主力形态 |
| 冷板式液冷 | 27% | 38% | 新建高密度训练集群标配 |
| 浸没式液冷 | 3% | 5% | 数据中心改造驱动 |
液冷合计渗透率从 2025 年的 30% 升到 2026 年的 43%。增量几乎全部来自新建高密度训练集群。液冷服务器厂商份额中，浪潮超过 50%，超聚变约 10%，宁畅约 8%，新华三约 7%，联想约 5%。
市场规模增速仍然快：2024 年 ¥1,607 亿，2025 年约 ¥2,500 亿，2026 年预计 ¥3,500 亿（Gartner / IDC 估算）。但 ASP 在下降，从 ¥14 万降到 ¥9.5 万，跌幅 32%。互联网客户毛利率仅 2.8%，浪潮信息 2025 年 Q3 整体毛利率 4.91%。对比 Dell 和 HPE 的 20-25%，中国服务器厂商在规模和利润之间选择了规模。
风冷不会消失。PCIe 和 OAM 风冷的存量基数超过 70%，这些机器还在折旧周期里。更重要的是，国产芯片的功耗已接近传统风冷上限。昇腾 910C 约 400W TDP，寒武纪思元约 300W，风冷仍可支撑但余量不大。液冷的增量集中在英伟达 H100/B200 级别的进口集群（存量）和华为 CloudMatrix 级别的国产超节点（新建）。
浪潮推出的「一机多芯」平台是中国独有的产品形态：同一台服务器兼容英伟达、AMD、昇腾、寒武纪四种加速卡。互联网客户可以在同一机房混部不同芯片的训练任务，降低闲置率。这种产品在全球市场找不到对应物，因为全球市场不需要解决芯片供应不稳定的问题。
二、存储
2.1 存储芯片：长江存储是唯一亮点，HBM 是最大短板
全球半导体存储市场 2025 年约 $1,713 亿，2026 年预计 $1,897 亿（Fortune BI 半导体存储市场报告，覆盖 DRAM/NAND/SRAM 等）。加上企业级存储系统和服务，广义存储市场规模更大。单台 AI 服务器消耗的存储是传统服务器的 8-10 倍，AI 不是只买 GPU，它同时吃掉 DRAM、NAND 和 HBM。
DRAM 是寡头市场：
| 厂商 | 2025Q4 全球份额 |
|---|---|
| 三星（Samsung） | 37.1% |
| SK 海力士（SK Hynix） | 33.1% |
| 美光（Micron） | 20.8% |
| 长鑫存储（CXMT） | ~3% |
三家合计超过 90%。长鑫存储的 3% 意味着 DRAM 国产化刚刚起步，且以消费级 DDR4/LPDDR4 为主，服务器级 DDR5 量产时间未定。
NAND 的故事完全不同：
| 厂商 | 2026Q1 全球份额 | 年变化 |
|---|---|---|
| 三星（Samsung） | 29% | — |
| SK 海力士（SK Hynix） | 18% | — |
| 铠侠（Kioxia） | 14% | — |
| 美光（Micron） | 13% | — |
| 闪迪（SanDisk） | 13% | — |
| 长江存储（YMTC） | 13% | 份额从 8% 升至 13%（营收同比增 445%，Counterpoint Q1 2026） |
Counterpoint 预测长江存储将超越铠侠和美光升至全球第三。Xtacking 架构是关键：通过把 CMOS wafer 和 NAND wafer 在晶圆级键合，长江存储在层数竞赛中跳过了部分中间代际，232 层 NAND 已经量产，密度和成本都有竞争力。这是中国在存储芯片领域唯一一次真正的弯道超车。
HBM 是另一个极端。
| 指标 | 2025 年 | 2026 年 | 2027 年 |
|---|---|---|---|
| 全球 HBM 市场规模 | $64.6 亿 | $269.4 亿 | $485 亿 |
| 供应商 | 三星 + SK 海力士 + 美光 | 同左 | 同左 |
| 中国国产 HBM | 接近零 | 探索 HBM2 | HBM2 小规模量产 |
HBM 三家完全垄断，出口管制精准打击。单颗 HBM3E 容量 24GB，带宽 819GB/s，是 AI 加速卡的必备组件。没有 HBM，就没有高性能训练芯片。长鑫存储刚开始探索 HBM2，与国际 HBM3E/HBM4 差距 2-3 代。这意味着华为昇腾 950 的架构设计再先进，HBM 供应仍是物理天花板。寒武纪和海光面临同样的问题。
NAND 有长江存储，DRAM 有长鑫起步，HBM 几乎为零。存储芯片的短板不是均匀分布，而是集中在最关键的环节。
2.2 AI 存储：五强的智算数据底座
IDC 2025 年度数据显示，中国企业级外置存储市场销售额 $74.4 亿，同比增长 7.4%，全球占比 22.5%。全闪阵列增长 20.8%，份额 31.2%。全球存储市场加速：Q1 2026 全球外置存储增长 22.9%，AI 驱动效应显著。
AI 时代对存储提出了全新的要求：训练侧需要高吞吐并行文件系统支撑 checkpoint 和数据加载，推理侧需要低时延 KV Cache 持久化和 Agent Memory 高频访问。各家厂商的 AI 智算存储产品正在从「数据容器」进化为「参与计算的智能数据平台」。
| 厂商 | AI 智算存储产品 | 技术路线 | 关键性能指标 |
|---|---|---|---|
| 华为（Huawei） | AI 数据平台（OceanStor A800 为底座）｜UCM 记忆管理 | 数控分离架构，DPU 直通 NPU；多级 KV Cache 缓存（HBM→DRAM→SSD） | 单框 500GB/s、1000 万 IOPS；TTFT 降低 78%*；MLPerf 存储榜首 |
| 新华三（H3C） | UniStor Polaris X20000 | 自研存储引擎，分布式融合架构；支持并行文件系统 | 单节点 158.92GB/s，集群 476.752GB/s；MLPerf RoCE AI 存储方案榜首 |
| 浪潮（Inspur） | A9000 AI 数据平台 | AI 原生并行架构，端到端 GPU-Direct Storage | TTFT 降低 97%*，Token 吞吐提升 20 倍+；百 μs 级时延 |
| 联想凌拓（Lenovo NetApp） | NetApp AFX / AI Data Engine | 解耦存算架构，集成 NVIDIA | AI 就绪企业级数据平台，混合云 AI 数据管道 |
| 曙光（Sugon） | ParaStor | 分布式并行文件系统 | HPC+AI 融合，科研计算场景领先 |
*TTFT 降低率来自各厂商自报的典型场景测试，华为 A800 基准为 2024 年 MLPerf 测试环境（万卡集群、千亿参数），浪潮 A9000 基准为 2025 年 Agent AI 推理场景（70B 模型、128K 上下文）。两个数字来自不同基准场景，不可直接比较。
传统企业级集中式存储（SAN/NAS 阵列）在 AI 场景的角色更接近「数据底座」而非「训练前线」：数据预处理、模型归档和版本管理放在传统存储上，训练过程中的高并发数据加载和 checkpoint 写入由上述 AI 智算存储产品承担。各厂商的传统存储产品（华为 OceanStor Dorado V6、浪潮 HF18000G7、新华三 CF22000 G2）在政企和金融市场仍有稳定需求，但 AI 新增量的核心在左侧所列的 AI 产品线上。
2.3 分布式存储：AI 训练的数据高速公路
2025 年中国分布式存储市场规模 ¥258.5 亿，同比增长 30.4%（智研咨询）。AI 训练、自动驾驶和大规模数据标注是增量主引擎。分布式文件存储占比 44.9%，块存储 31.3%，对象存储 23.8%。IDC 数据显示，2024 年中国企业级 SSD 市场达 $62.5 亿（同比增 187.9%），预计 2029 年达 $91 亿，AI 是核心驱动力。
| 厂商 | 市场份额 | AI 存储定位 |
|---|---|---|
| 华为（Huawei） | 15.3%（连续 6 年第一） | OceanStor Pacific 系列，文件/对象/块三个细分均第一 |
| 中科曙光（Sugon） | 10.9% | ParaStor，科研 + 教育场景强 |
| 联通云 | 9.7% | 云服务带动 |
| 新华三（H3C） | ~9% | UniStor X10000 |
| 浪潮（Inspur） | ~9.5% SDS | AS13000G7，全闪 SDS 国内第二，文件存储出货国内前二 |
| XSKY 星辰天合 | ~5% | 对象存储细分第一（2021 起），专业 SDS 厂商 |
华为 OceanStor A310（AI 数据湖）和 A800（AI 集群专用）是分布式存储的 AI 优化变体；浪潮 A9000 系列（支持 GPU-Direct Storage 和原生 KV Cache）则面向 AI 推理场景。这些产品属于分布式存储的 AI 子类，与传统集中式 SAN/NAS 定位不同。
AI 训练对存储的核心需求是两条：高吞吐顺序写（checkpoint）和高并发随机读（数据加载）。传统 NFS/CIFS 协议在千卡规模训练中会成为瓶颈，并行文件系统是必需品。
全球并行文件系统格局：Lustre（开源，HPC 主力）、IBM Storage Scale / GPFS（商用，混合负载强）、WekaFS（云原生 AI 存储）、BeeGFS（德国，中小集群）、DAOS（Intel，高性能）。中国在并行文件系统上主要走两条路：自研（阿里云 CPFS、浪潮 AS13000 内置并行文件系统）和开源二次开发（基于 Lustre/Ceph）。
阿里云 CPFS（Cloud Parallel File System）是中国最成熟的 AI 云原生并行文件系统。针对大模型训练做了全链路优化：数据加载吞吐支持 Tbps 级、亚毫秒延迟、与灵骏智算集群深度集成。2026 年 3 月阿里云将 CPFS 涨价 30%，是本轮云存储涨价的典型代表，反映出 AI 存储供不应求。
训练 checkpoint 是存储压力的集中爆发点。一个万亿参数模型的单次 checkpoint 可达数十 TB，训练过程中每小时写一次。如果存储吞吐不够，GPU 就会空闲等待，浪费昂贵的算力。浪潮 DataTurbo 加速引擎号称将准备时间节省 40%；华为 OceanStor A800 将 AI 集群可用度提升 30% 带宽。这些数字的背后是同一个问题：存储跟不上 GPU 的增长速度。
2.4 KV Cache 存储层级：推理时代的新战场
AI 推理正在从「单轮问答」转向「多轮对话 + Agent 链路」。一次 Agent 任务可能涉及数十次模型推理，每次都需要加载之前的上下文。KV Cache（键值缓存）存储的是模型推理过程中的注意力状态，避免重复计算，是推理性能的关键数据结构。
问题在于 KV Cache 的增长速度远超 GPU 显存容量。以 BF16 精度计算，一个 175B 参数模型在 128K 上下文时，单用户 KV Cache 约 40GB；到 1M 上下文时达到 320GB，没有任何当前 GPU 能在显存中装下哪怕一个用户的完整 KV Cache。
NVIDIA 在 2026 年 1 月 CES 上发布了 Inference Context Memory Storage Platform（ICMSP/ICMS），定义了五层 KV Cache 存储层级：
| 层级 | 介质 | 延迟 | 角色 |
|---|---|---|---|
| G1 | GPU HBM | ~100ns | 活跃生成中的 KV 张量 |
| G2 | 系统 DRAM | 1-5μs | 单节点内超出显存的 KV 缓存 |
| G3 | 本地 NVMe SSD | ~10μs | 节点级温热缓存，短期复用 |
| G3.5 | Pod 级共享闪存（BlueField-4） | 网络延迟 | ICMS 新增层：机架级共享 KV 池，跨节点复用 |
| G4 | 企业级共享存储 | ~1ms | 长期持久化，跨 Pod 共享 |
G3.5 是关键创新。它通过 NVIDIA BlueField-4 DPU 在机架级构建一个共享闪存池，让多个 GPU 节点可以像访问本地内存一样共享 KV Cache。这在 Prefill-Decode 分离架构中尤为重要：Prefill 节点（计算密集型）算完 KV 张量后，通过 NIXL 传输库将 KV 块写入 G3.5，Decode 节点（内存带宽密集型）再从 G3.5 读取。KV Cache 不再绑死在单节点上，而是变成可共享的「上下文基础设施」。
效果量化：在 128K 上下文、90% 前缀复用场景下，从 NVMe 加载 KV 块约 0.8 秒，而重新计算需要 11 秒，提速约 13 倍。在高前缀复用的生产工作负载中，整体推理吞吐可提升 5 倍。但对于无前缀复用的单轮短上下文推理，NVMe 层反而增加开销。
中国市场的 KV Cache 存储还处于早期阶段。vLLM、SGLang 等推理框架支持 CPU DRAM 卸载（G2 层），但 G3 以上的多级存储管理尚无成熟的中国方案。NVIDIA ICMS / BlueField-4 生态在国内受出口管制限制，国产替代路径尚未清晰。潜在方向包括：基于 CXL 2.0 的内存池化（CXL-attached memory 作为 G2.5 层）、国产 DPU（如阿里云 CIPU）承担 G3.5 层角色、以及基于 RDMA 的分布式 KV Cache 池（类似 Mooncake 架构）。这是一个正在形成的新市场，2026-2027 年会看到第一批产品落地。
而在存储系统侧，中国在分布式存储和集中式存储上有自研能力和市场份额，但 AI 原生的 KV Cache 存储层级几乎是空白，这是下一个要补的课。---
三、网络
3.1 数据中心交换机：华为持续领先，以太网取代 InfiniBand
中国数据中心交换机市场 2024 年 ¥211.5 亿，2025 年约 ¥226.8 亿，AI 算力网络贡献超过 45% 的增量（智研咨询）。全球以太网交换机市场 2025 年约 $551 亿美元（+31.5%），其中数据中心段约 $325 亿（+53.5%）；Q1 2026 总市场约 $154 亿（+39.8%），数据中心段约 $100 亿（+61.0%），AI 驱动效应显著（IDC Quarterly Ethernet Switch Tracker）。
| 厂商 | 中国 DC 交换机份额 | 全球 Q1 2026 | 芯片路线 | 关键产品 |
|---|---|---|---|---|
| 华为（Huawei） | 34.3%（连续十年第一，IDC 2025Q4） | $8.95 亿（+27.2%，5.8%） | 自研 ASIC | CloudEngine XH9330-128EO（128×800GE 盒式，204.8Tbps）、XH16800（框式核心，无背板 Clos 正交） |
| 新华三（H3C） | ~28% | — | Jericho（DDC）/ TH5（CPO）/ TH6（NPO） | S12500AI（DDC，128×800G）、S9827（51.2T CPO，TH5）、S9800（102.4T CPO/NPO，TH6） |
| 锐捷（Ruijie） | ~10%（互联网第二） | — | TH5（盒式）/ Jericho（DDC）/ TH4（CPO） | RG-S6990-64OC2XS（64×800GE，TH5）、RG-S6940-18OC20F4（DDC，Jericho）、RG-N18000-XH（框式，288×400G） |
| 中兴（ZTE） | ~8% | — | 自研 7.2T + Broadcom | 51.2T 盒式（128×400GE）、框式（576×400GE / 288×800GE） |
| NVIDIA | — | **$21 亿（+192.7%，21.5%）**全球第一 | Spectrum-X（自研） | Spectrum-X 800G 系列 |
全球格局正在剧变。IDC Q1 2026 数据显示，NVIDIA 凭借 Spectrum-X 成为全球数据中心以太网交换机收入第一（$21 亿，+192.7%，21.5% 份额），超越 Cisco 和 Arista。华为全球交换机收入 $8.95 亿（+27.2%），份额 5.8%。但在中国市场，国产厂商（华为+新华三+锐捷+中兴）合计份额超过 80%，国产化率远高于芯片层。
端口速率迭代很快：400G 是 2025 年主流（占比 38%），800G 量产，1.6T 预计 2026 年商用。Gartner 预测 2029 年 65% AI 集群基于以太网而非 InfiniBand。中国在以太网路线上走得更靠前，华为星河 AI Fabric 2.0 已全面转向开放以太架构，放弃 InfiniBand 路线。
但交换芯片是另一个故事。400G 以上高端交换芯片的进口依赖度超过 90%。
| 交换芯片厂商 | 全球份额 | 最新产品 | 芯片定位 |
|---|---|---|---|
| Broadcom | ~58% | Tomahawk 5（51.2T，5nm）/ Tomahawk 6（102.4T，3nm，2026.3 量产） | 高基数 DC 叶脊（盒式/CPO） |
| NVIDIA | ~18% | Spectrum-X（自研） | AI 优化以太网 |
| Marvell | ~12% | Teralynx 系列 | 可编程 DC |
| Cisco | ~8% | Silicon One（自用） | 路由 + DC 混合 |
| 盛科通信（688702.SH） | ~5% | 2.4T-12.8T 中低端 | 国产替代 |
交换机整机中国能造，交换机里最核心的芯片造不了。这是网络层最上游的卡点，也是目前国产替代进展最慢的环节之一。
3.2 光模块：中国唯一在全球占据绝对领先地位的环节
中国是全球光模块产业的绝对中心。中际旭创 2025 年营收 ¥382.4 亿（+60%），净利 ¥108 亿（+109%），销量 2109 万只，毛利率 42.6%；新易盛 2025 年营收 ¥248.4 亿（+187%），净利 ¥95.3 亿（+236%），销量 1603 万只，毛利率 47.8%。两家海外营收占比分别 86% 和 94%，它们赚的主要是美元。
| 公司 | 定位 | 关键数据 |
|---|---|---|
| 中际旭创 | 全球第一 | 800G 份额 25-30%，1.6T 份额 35-40% |
| 新易盛 | 出货量领先 | 800G 出货占自身产量 >50% |
| 天孚通信 | 光引擎 + FAU | CPO 供应链核心 |
| 太辰光 | MPO 连接器 | 高端市场突破 |
| 长飞光纤 | 光纤光缆 | 空芯光纤 AIDC 应用 |
全球光模块市场 2025 年 $230 亿（同比增 50%），其中 AI 集群光模块约 $50 亿；2026 年预计总量 $260 亿（同比增 60%），AI 集群光模块突破 $100 亿（LightCounting）。按速率拆分：
| 速率 | 2025 年出货 | 2026 年预计 | 驱动力 |
|---|---|---|---|
| 400G | 约 2500 万只（逐步放缓） | 约 1800 万只 | 传统数据中心主力，被 800G 替代 |
| 800G | 约 2000 万只（+100%） | 3350-4000 万只（Goldman Sachs / LightCounting） | AI 训练集群主力，Meta 需求 1000-1200 万只 |
| 1.6T | <100 万只（小批量起步） | 860-2000 万只（高盛从 500 万上调至 1400 万只） | NVIDIA 需求 500 万只+，Google 约 400 万只 |
| 3.2T | 0 | 2028 年起量 | 400G/lane 技术驱动 |
800G+ 按出货只数占总出货份额从 2024 年 19.5% 跃升至 2026 年 60%+（TrendForce）。硅光子（SiPh）在 800G 渗透率 50-60%，1.6T 达到 60-70%。CPO（共封装光学）2026 年渗透率约 2-3%，2030 年预计 20-32%（LightCounting / Nomura）。中际旭创 NPO 路线 2027 年量产，新易盛已发布 1.6T DR4、6.4T NPO 和 12.8T XPO。
光模块是中国在整个 AI 产业链中唯一占据全球绝对领先地位的环节。但上游核心光芯片（EML 激光器）被 Coherent、三菱、住友电工主导，供应缺口 5-15%。下游组装和封装中国企业领先全球，上游核心器件仍依赖进口。
一家头部光模块厂商的总结比较直接：「国内市场的价格特别卷，客户提出的目标价基本都是贴着成本走。海外有需求量，价格相对还好。」这解释了为什么中际旭创和新易盛的海外营收占比这么高：不是不想做国内市场，是国内市场的定价模型不支撑研发投入。
3.3 铜缆与互联：Scale-up 的物理层
AI 集群的互联可以分为三层：Scale-up（机架内 GPU 互联）、Scale-out（机架间网络互联）、Scale-across（跨数据中心互联）。Scale-up 场景以铜缆为主，Scale-out 以光模块为主，Scale-across 以 DWDM 相干模块为主。
铜缆根据是否内置信号处理芯片分为三种类型：
| 类型 | 传输介质 | 传输距离 | 功耗 | 成本 | 应用场景 |
|---|---|---|---|---|---|
| 无源 DAC | 铜缆（被动） | <3m（400G），<2m（800G） | 零 | 最低 | 机架内 GPU 到 Switch tray |
| 有源 ACC | 铜缆（驱动芯片） | 3-7m | 低 | 中低 | 机架间短距互联 |
| 有源 AEC | 铜缆（Retimer 芯片） | 7-10m | 低 | 中 | 相邻机柜短距互联 |
| 有源 AOC | 光纤 | <300m | 高 | 高 | 机架间 Scale-out |
AOC+DAC+ACC+AEC 全球市场 2025 年约 $27.0 亿，预计 2034 年达 $107.0 亿（16.5% CAGR，Market Growth Reports）。LightCounting 预测 2028 年三个品类合计超过 $25 亿，其中 AI 驱动下 800G/1.6T AEC 增速最快。
全球主要玩家（注：安费诺/莫仕/泰科份额为连接器整体市场口径，沃尔核材/立讯/兆龙为高速 DAC/AEC 细分口径，不同口径不可直接相加）：
| 厂商 | 市场份额 | 定位 |
|---|---|---|
| 安费诺（Amphenol） | 连接器市场 ~40% | NVIDIA NVLink 铜缆第一供应商（NVL72 >90%），IT Datacom 营收增 134% |
| 莫仕（Molex） | 连接器市场 ~20% | 高速连接器第二，数据中心铜缆主力 |
| 泰科（TE Connectivity） | 连接器市场 ~10% | 综合连接器龙头 |
| 正崴精密（FIT Hon Teng） | ~6% | NVLink 铜缆 + GPU 插座，Foxconn 生态 |
| 立讯精密（Luxshare） | 高速 DAC 市场 ~5% | 112G PAM4 DAC/ACC，800Gbps 聚合吞吐 |
| 兆龙互联 | 高速 DAC 市场 ~3% | Credo 铜缆核心合作伙伴，亚马逊/微软需求 |
| 沃尔核材（乐庭智联） | 高速 DAC 市场中国第一、全球 ~25%（第二） | 安费诺供应商中国第一，400G/800G DAC |
中国厂商在产业链的位置： 整体以配套和代工为主。沃尔核材是中国最大高速铜缆制造商，市占率约全球 25%（全球第二），主要向安费诺供货。立讯精密自研 112G PAM4 DAC/ACC。兆龙互联是 Credo 的铜缆核心合作伙伴，已收到亚马逊和微软需求。博创科技覆盖 25G-800G DAC/ACC/AEC 全系列。新亚电子占到安费诺采购份额约 60%。
NVIDIA NVL72 案例： 单机柜使用 5,184 根高速差分铜线，总长度超 3,200 米。铜缆方案成本约 $93,000，同等带宽的光模块方案 $557,000，铜缆节省 6 倍成本，同时每机柜省电约 20kW。安费诺为此定制了 NVLink Spine Cartridge，是单机柜中价值量最高的互联组件。
值得注意的是，NVIDIA Rubin NVL144（Kyber）架构将转向无铜缆背板设计，用 PCB 中板代替线缆背板。这对安费诺的 NVLink 铜缆收入构成结构风险，但外部 800G/1.6T 铜缆和连接器需求仍在增长，整体是品类切换而非总量收缩。
中国的超节点走独立路线：华为 CloudMatrix 384 采用 OAM 互联 + 铜缆背板，阿里磐久 AL128 同样以铜缆为主。铜缆的物理限制（有效传输距离 <10m）决定了它在机架内不可替代，也决定了光模块在 Scale-out 场景的必要性。
四、平台
4.1 AI 云/IaaS：五强垂直整合
| 云厂商 | 定位 | 关键数据 |
|---|---|---|
| 阿里云 | 中国第一 | AI 收入连续 10 季度三位数增长；通义 300+ 开源模型全球下载第一 |
| 火山引擎 | 增速最快 | 中国 AI 基础设施份额 13%；豆包 Token 调用量驱动 |
| 百度智能云 | AI 占比最高 | AI 收入 ¥400 亿，占公司 31%；芯片+模型+平台最深整合 |
| 华为云 | 政企第一 | 昇腾 + 盘古 + ModelArts 闭环 |
| 腾讯云 | 内部场景驱动 | 混元 600+ 内部场景落地 |
| 三大运营商 | 国家算力网 | 算力调度 + 政企渠道 |
价格在转势。2024 年全面降价，最高降幅 97%。2026 年全面涨价：云服务层面，腾讯云部分产品涨 5%，阿里云 AI 算力/存储产品涨 5-34%（平头哥真武 810E 算力卡、CPFS 存储等）。模型 API 层面，腾讯混元 HY2.0 Instruct 模型输入价格从 ¥0.0008/千 tokens 涨至 ¥0.004505（涨 463%），输出价格从 ¥0.002 涨至 ¥0.01113。从价格战到涨价周期只用了不到两年。原因不复杂：赔不起。基础设施投入是天量，模型训练成本没有规模效应，降价抢占的份额在涨价时面临流失风险。
全球市场 AWS/Azure/GCP 三巨头分层竞争，各做各的。中国五强普遍自研芯片加自研模型加云平台三位一体，比国际同行更深度垂直整合。阿里有平头哥加通义，百度有昆仑芯加文心，华为有昇腾加盘古。优势是国产化闭环、协同效率高。劣势是封闭生态：客户的训练任务从阿里云迁移到华为云，意味着换芯片、换框架、换模型，迁移成本极高。这种垂直整合也在抑制跨平台工具链的发展。
4.2 大模型 API：开源主导，价格战转涨价
沙利文数据：2025H1 中国企业级大模型日均 Token 调用量 10.2 万亿。
| 模型厂商 | Token 份额 | 定位 |
|---|---|---|
| 通义千问 Qwen | 17.7% | 开源 + 企业级双强 |
| 豆包 Doubao | 14.1% | C 端流量王，DAU 3.45 亿，2026.5 开启付费 |
| DeepSeek | 10.3% | 极致性价比，API 价格行业 2.5 折 |
| 文心 ERNIE | ~8% | 搜索 + 知识增强 |
| 智谱 GLM | ~5% | 2026.1.8 港交所上市（02513.HK），付费开发者 24 万+ |
| 混元 Hunyuan | ~5% | 腾讯内部场景为主 |
| MiniMax | ~3% | 多模态 + 角色 AI，港股 ARR $1.5 亿 |
| 月之暗面 Kimi | ~2% | 200 万字上下文长文本 |
通义千问的 17.7% 不是靠价格战打出来的。300+ 开源模型覆盖从 0.5B 到 110B 全尺寸，海外 HuggingFace 下载量累计第一。开源是阿里的核心策略：模型免费，靠云平台和算力变现。DeepSeek 走了另一条路：API 定价是行业均价的 25%，用极端低价获取调用量，同时优先适配国产芯片（昇腾、海光），降低推理成本。10.3% 的份额背后是真实的经济学计算：如果推理成本能压到对手的四分之一，价格战就是合理的。
智谱是唯一跑通 to-B 付费模式的公司。24 万付费开发者，ARR 增长 60 倍，2026 年 1 月 8 日港交所主板上市（02513.HK），发行价 HK$116.2，IPO 市值约 HK$511 亿。总股本 4.46 亿股，截至 2026 年 7 月 7 日股价 HK$1,825，总市值约 HK$8,140 亿。GLM 系列在政企和金融场景的渗透率领先，B 端客户为模型能力付费的意愿高于 C 端。
国际市场 OpenAI/Anthropic/Google 三家闭源垄断、高价收割。中国走了相反的路：开源主导、价格战抢量、2026 年进入涨价周期。中国模型公司还在做一件国际同行不做的事：深度绑定国产芯片。DeepSeek V4 适配昇腾 950，智谱 GLM-Image 全流程昇腾训练并登顶 HuggingFace 排行。芯片和模型的协同适配在中国不是可选项，是生存策略。
中国用户 AI 付费意愿据行业调研约为美国用户的四分之一到三分之一（估算）。这解释了为什么豆包 DAU 3.45 亿却到 2026 年 5 月才开启付费，也解释了为什么模型公司对 to-B 市场的执念远超 to-C。
五、结构性判断
5.1 三个优势环节
光模块（组装+封装）。 中际旭创全球第一，1.6T 代际领先。新易盛出货量爆发。天孚通信在 CPO 供应链卡位。中国在光模块封装环节的领先不是政策催生的，是十几年代工积累的制造能力和工程师红利。
服务器（系统集成）。 浪潮全球第四，「一机多芯」是中国独有的产品形态。液冷技术上浪潮份额超过 50%。系统集成是中国硬件产业的传统强项，AI 服务器只是这个能力的延伸。
开源模型。 通义全球下载第一，DeepSeek 用 API 价格冲击全球定价体系。中国在闭源模型上追不上 OpenAI/Anthropic，但在开源模型上的策略是有效的：用免费模型占领开发者心智，用国产芯片适配降低部署成本。
5.2 三个卡脖子环节
HBM。 三星、SK 海力士、美光三家完全垄断，出口管制精准封锁。国产差距 2-3 代，长鑫存储的 HBM2 尚在探索。HBM 是 AI 加速卡的物理前提，没有 HBM 就没有高性能训练。这是中国 AI 产业链最大的一块天花板。
EML 激光芯片。 Coherent、三菱、住友电工主导，供应缺口 5-15%。中国在光模块下游领先全球，上游核心器件受制于人。这个矛盾短期内没有解决方案。
高端交换芯片。 Broadcom 以 Tomahawk 系列垄断约 58%，Tomahawk 5（51.2T，5nm）已广泛部署，Tomahawk 6（102.4T，3nm）2026 年 3 月批量出货。NVIDIA Spectrum-X 约 18%（2025 年预订单量 bookings $12 亿），国产盛科仅约 5% 且集中在中低端（2.4T-12.8T）。400G 以上交换芯片进口依赖度 >90%。交换机整机能造，核心芯片造不了，和 GPU 的情况类似。
5.3 核心差异：技术壁垒垄断 vs 政策与生态驱动替代
| 维度 | 国际市场 | 中国市场 |
|---|---|---|
| 竞争逻辑 | 技术壁垒驱动的垄断 | 政策与生态驱动的替代 |
| 芯片 | NVIDIA 80%+（CUDA 17 年生态） | 昇腾 + 寒武纪 + 海光分食英伟达退出后的空间 |
| 存储 | 三星/SK/美光寡头定价 | 长江存储 NAND 突破，DRAM/HBM 落后 |
| 网络 | Arista + Cisco + NVIDIA | 华为 + 新华三主导，交换芯片进口依赖 |
| 光模块 | Coherent/II-VI 上游垄断 | 中国下游组装全球领先 |
| 云平台 | AWS/Azure/GCP 分层 | 五强垂直整合（芯片+模型+平台） |
| 模型 | OpenAI/Anthropic 闭源高价 | 开源主导，价格战转涨价 |
两条路线可能在 2027-2028 年出现竞争态势的实质性转变。这里的“转变”不是指技术对标或市场份额交叉，而是指中国国产芯片在推理侧实现大规模替代、模型层价格优势持续输出，从而重塑全球 AI 产业链的定价体系。这不是确定性预测，是一个值得跟踪的假设。关键变量有三个：HBM 国产化进展是否突破 HBM2、昇腾 950DT 训练侧 MFU 是否达到 50%+、以及出口管制是否进一步收紧。
Gartner 的八层塔在中国不是八层，是三层：一层修路（基础设施），一层造车（模型+平台），一层还没开始修（应用+服务）。路修得最快最猛，车正在从组装走向自研，服务层还远。但正是因为路修得太快，造车的人不愁没地方开：基础设施的过剩供给会持续压低模型训练和推理的成本，直到某一天应用层追上来把算力消化掉。这一天什么时候到，是比芯片份额更难回答的问题。
声明： 本文基于 Gartner 2026 年 5 月版 AI 支出预测（$2.59 万亿，八层框架）、Bernstein 中国 AI 芯片研究（2026 年预测）、Counterpoint NAND 市场追踪（Q1 2026）、Fortune BI 半导体存储市场数据、IDC 中国企业级存储系统市场跟踪（2025 年度）、IDC 全球企业存储系统 Tracker（Q1 2026）、IDC Quarterly Ethernet Switch Tracker（Q1 2026）、LightCounting 光模块与 AOC/DAC 市场数据、Goldman Sachs 800G/1.6T 出货量预测、沙利文中国企业级大模型 Token 份额报告，以及各公司公开财报和公开信息撰写。不构成投资建议。文中数据截至 2026 年 7 月 7 日。
<!-- china-ai-market-2026-20260707-1957 -->