China AI infrastructure ecosystem — Interpretación del informe

Visión general

Este análisis sectorial profundo examina cómo el rápido crecimiento de la demanda china de inferencia de IA podría impulsar una amplia construcción de infraestructura nacional. La visión central de JPMorgan es que la localización se expandirá rápidamente y respaldará múltiples segmentos de la cadena de suministro, pero la limitada capacidad de foundry avanzada, los desafíos de rendimiento y la oferta restringida de HBM limitarán el suministro de chips a corto plazo y determinarán qué empresas se benefician.

Perspectivas principales

JPMorgan sostiene que el ciclo de infraestructura de IA de China está impulsado principalmente por la inferencia, no por el entrenamiento. La aparición de modelos open source de bajo coste, incluido DeepSeek, elevó el consumo diario de tokens de aproximadamente 100 billion a inicios de 2024 a más de 140 trillion en marzo de 2026, un aumento de más de 1,000 veces en menos de dos años. El informe espera que la adopción de consumidores y empresas, la IA agéntica, las aplicaciones multimodales, contextos más largos y llamadas repetidas a herramientas sigan elevando los tokens por sesión. El equipo de Internet de China de JPMorgan prevé un CAGR de aproximadamente 330% para el consumo de tokens en 2025-30. El informe convierte esa perspectiva de tokens en demanda de infraestructura mediante un marco de rendimiento de inferencia. Distingue el prefill, intensivo en cómputo y que afecta al tiempo hasta el primer token, del decode, intensivo en memoria y que determina el tiempo por token de salida; este último requiere mayor capacidad y ancho de banda de memoria. Sus supuestos incluyen desplegar un modelo de 671 billion parámetros, TPOT inferior a 50ms, tamaño de lote de 128 y longitud de caché KV de 4,096. Con este enfoque, la demanda incremental de cómputo para inferencia crecería a un CAGR de aproximadamente 80% hasta 2030 y representaría 85% de los requerimientos totales de cómputo. La demanda de chips de IA crecería a un CAGR de aproximadamente 40% en 2026-30E, hasta aproximadamente 14 million units en 2030E, suponiendo paquetes de un solo die y una mejora constante del rendimiento. El modelo asume inicialmente 1 Throughput (tokens/s) per TFLOPS y ganancias de eficiencia de aproximadamente 30% anual hasta 3.3 en 2028E; la optimización puede aliviar la demanda, pero no elimina la restricción de oferta. La oferta es la principal limitación. JPMorgan estima envíos domésticos de chips de IA de 2 million, 3 million y 5 million units en 2026E, 2027E y 2028E, y espera que la localización nacional alcance 80% de la oferta total en 2028E y 90% en 2030E ante la persistente restricción de GPU extranjeras. Los actores locales apuntan a añadir 150,000-200,000 wafers per month de capacidad de lógica avanzada en los próximos dos a tres años, pero la producción efectiva depende de mejoras de rendimiento y de la migración tecnológica. Por ello, el informe espera un mercado de vendedores para GPU y ASIC locales durante los próximos 6-12 meses, favoreciendo a compañías con capacidad o inventario asegurados. También proyecta ingresos de servidores/hardware de IA de aproximadamente RMB230 billion, RMB326 billion y RMB532 billion en 2026E, 2027E y 2028E, aunque la aprobación para adquirir H200 u otros chips extranjeros introduciría incertidumbre. HBM es el segundo gran cuello de botella. Los chips locales existentes utilizan principalmente HBM2e, mientras la transición a HBM3/HBM3e está restringida por plazos de certificación y acceso a equipos. JPMorgan prevé un CAGR de aproximadamente 60% en la demanda de HBM en 2026-30E y estima que se necesitarían aproximadamente 200,000 wafers per month de capacidad de dies de memoria HBM3e para cubrir plenamente la demanda localizada en 2030E. La brecha de autosuficiencia de HBM solo se cerraría gradualmente porque la competitividad del producto es tan importante como la expansión de capacidad. El informe también señala que muchos chips domésticos actuales no soportan FP8/FP4, lo que podría perjudicar la competitividad de los modelos fundacionales y la proliferación de aplicaciones de IA. JPMorgan considera que el empaquetado avanzado, las interconexiones y el diseño de sistemas son la vía práctica para mejorar el rendimiento utilizable bajo restricciones de front-end. Los diseños chiplet y multi-die pueden emplear dies más pequeños para mitigar limitaciones de rendimiento y mejorar la producción por wafer, aumentando la importancia del empaquetado 2.5D/3D y de una comunicación eficiente entre dies. Los OSAT nacionales pueden gestionar soluciones similares a CoWoS-S o mezclas con CoWoS-R, pero la transición hacia tecnología similar a CoWoS-L se espera desde finales de 2026 o más tarde y debe vigilarse. El informe destaca Tau Scaling y LogicFolding de Huawei como ejemplos de mejoras de rendimiento pese a restricciones de escalado geométrico: se espera que LogicFolding de dos niveles de Kirin 2026 eleve la densidad de transistores a 238MTr/mm2, un 55% en una generación, y mejore la eficiencia energética del núcleo de rendimiento en 41%. A nivel de sistema, el informe sostiene que los proveedores chinos pueden compensar brechas de chips individuales mediante especialización de cargas de trabajo, scale-up de alta densidad y optimización de software. Ascend 950PR de Huawei está dedicado a prefill y recomendación, mientras que 950DT utiliza mayor capacidad y ancho de banda de memoria para decode y entrenamiento; este último ofrece hasta 4TB/s de ancho de banda y 144GB de memoria. CloudMatrix384 de Huawei combina 384 chips Ascend 910 y 192 CPU Kunpeng en un sistema de más de 300 PFLOPS; Panjiu AL128 de Alibaba admite 128-144 GPU, y el supercluster presentado por Sugon usa 10,240 tarjetas aceleradoras y afirma más de 5 EFLOPS. Estos sistemas buscan reducir ineficiencias de redes scale-out, pero requieren un gasto de capital elevado, mayor capacidad eléctrica y rediseño de centros de datos. Herramientas propietarias como Huawei CANN, Cambricon NeuWare, MetaX MXMACA y Moore Threads MUSA buscan optimizar la utilización del hardware, pero la adopción a largo plazo depende de la compatibilidad con frameworks y de la relación coste-rendimiento. El informe extiende la tesis más allá de los semiconductores. Los servidores y centros de datos de IA elevan la densidad de potencia por rack, haciendo cada vez más necesaria la refrigeración líquida e impulsando la demanda de módulos de potencia prefabricados, 800V DC, transformadores de estado sólido, energía de respaldo, ESS e inversión en red inteligente. JPMorgan prevé que la demanda incremental de energía de centros de datos de IA crezca a un CAGR de aproximadamente 50% en 2026-30E y que el uso de centros de datos represente aproximadamente 5% del consumo eléctrico total de China en 2030E. No considera que el suministro eléctrico agregado de China sea una restricción vinculante, pero ve un ciclo estructural de infraestructura centrado en gestión térmica, arquitectura eléctrica, almacenamiento e integración de red. JPMorgan identifica beneficiarios en toda la cadena de IA indígena. Prefiere proveedores de chips de IA con inventario y capacidad de vanguardia, compañías WFE nacionales, proveedores OSAT y de pruebas, ODM/OEM de servidores e IDC mayoristas respaldados por demanda de gabinetes de IA y un control más estricto de cuotas de energía. Entre las principales selecciones figuran Iluvatar CoreX, NAURA, AMEC, JCET, V-Test, Huaqin, VNET, Sungrow, CATL y TGOOD. Mantiene Neutral en SMIC porque los bajos rendimientos y la mayor depreciación presionan los márgenes, y Underweight en Envicool tras resultados operativos débiles en 1Q26, recortes de estimaciones y una brecha de valoración frente a la cuota global de refrigeración de servidores implícita en su precio.

Marco de análisis

JPMorgan comienza con el crecimiento observado de tokens y una previsión de uso de inferencia, convierte el rendimiento de tokens en demanda de cómputo y chips mediante supuestos de servicio de modelos y contrasta esa demanda con la oferta de foundry, empaquetado y HBM. Después evalúa cómo el empaquetado multi-die, los supernodos, las pilas de software y la infraestructura eléctrica pueden mitigar las limitaciones de hardware, y asigna la demanda resultante a las compañías cubiertas de la cadena de suministro.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  Análisis de oferta y demanda de chips de IA, capacidad de foundry y HBM

  El informe compara la demanda de cómputo, chips y HBM impulsada por tokens con capacidad de fabricación accesible, rendimientos y avance de certificaciones para identificar cuellos de botella y beneficiarios.

• Marco de análisis sectorialTransmisión entre tramos de la cadena de valor

  Mapeo de la cadena de suministro de infraestructura de IA

  El análisis sigue la demanda desde chips de IA y equipos de fabricación hasta empaquetado, servidores y centros de datos, y luego hasta refrigeración, energía, ESS y equipos de red.

• Marco de análisis sectorialDescomposición de volumen y precio

  Modelo de rendimiento de inferencia y demanda de chips por unidad

  El informe convierte el volumen de tokens en rendimiento de cómputo y luego en demanda de chips por unidad, incorporando supuestos de utilización de hardware, eficiencia y tamaño de paquete.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Iluvatar CoreX (9903 HK)

  Proveedor nacional de chips de IA preferido, posicionado para beneficiarse de la demanda local de chips y del acceso restringido a GPU extranjeras.

  Fortalezas

  JPMorgan cita estrategia de producto y cadena de suministro, inventario y respaldo de capacidad.

  Riesgos

  La asignación de capacidad de foundry, el rendimiento del producto, la compatibilidad y la eficiencia de costes siguen siendo importantes.

• NAURA (002371 CH)

  Beneficiario WFE preferido de las adiciones de capacidad de lógica avanzada y memoria.

  Fortalezas

  Exposición a la localización y al gasto de capital de mayor densidad.

  Riesgos

  Ejecución de las adiciones de capacidad nacional y de la migración tecnológica.

• AMEC (688012 CH)

  Beneficiario WFE preferido de la fuerte demanda de fabricación avanzada localizada.

  Fortalezas

  Exposición a adiciones continuas de capacidad de lógica avanzada y memoria.

  Riesgos

  Expansión de capacidad de foundry y avance de rendimientos.

• JCET (600584 CH)

  Beneficiario OSAT cubierto del aumento de contenido de empaquetado avanzado.

  Fortalezas

  JPMorgan espera servicios de empaquetado similares a CoWoS de mayor valor añadido y ganancias de cuota.

  Debilidades

  La transición a tecnología similar a CoWoS-L sigue siendo una incertidumbre clave.

  Riesgos

  Progreso de transición tecnológica y momento de producción de wafers aguas arriba.

• V-Test (688372 CH)

  Proveedor de pruebas cubierto que se beneficia de mayores volúmenes y más tiempo de prueba de chips de IA de alta gama.

  Fortalezas

  Efecto multiplicador en el mercado de pruebas por rendimientos de fabricación inferiores y paquetes multi-chip.

  Riesgos

  Depende de la producción de chips de foundry local.

• Huaqin (603296 CH)

  Beneficiario preferido de ODM/OEM de servidores por despliegues de Superpod y demanda nacional de servidores.

  Fortalezas

  I+D y fabricación integrales en servidores de IA, servidores generales y switches de alta velocidad.

  Riesgos

  Gasto de capital de clientes y complejidad de despliegue.

• VNET (VNET US)

  Principal selección de IDC que se beneficia de pedidos relacionados con IA y despliegues de gabinetes de mayor potencia.

  Fortalezas

  La dirección indicó que más de 70% de los nuevos pedidos actuales están relacionados con IA; el control de cuotas de energía puede favorecer precios y márgenes.

  Riesgos

  Restricciones de oferta de chips de IA nacionales y gasto de capital de CSP de China inferior a lo esperado.

• Sungrow (300274 CH)

  Beneficiario de ESS de configuraciones eléctricas de centros de datos de IA favorables para la red.

  Fortalezas

  La dirección presenta los AIDC como un nuevo conjunto de oportunidades para ESS.

  Riesgos

  Alcance y ritmo de adopción de ESS en AIDC.

• CATL (3750 HK/300750 CH)

  Beneficiario preferido de la cadena de suministro de baterías por el despliegue de almacenamiento energético en AIDC.

  Fortalezas

  Tecnología de celdas y sistemas ESS, ESS de ion-sodio y una participación estratégica en VNET que respalda un canal de despliegue.

  Riesgos

  Ejecución de despliegues AIDC e inversiones de infraestructura previstos.

• TGOOD (300001 CH)

  Selección preferida de equipos eléctricos para centros de datos de IA.

  Fortalezas

  Exposición a infraestructura prefabricada de alta tensión y módulos AI Powerhouse destinados a reducir plazo de entrega, gasto de capital y costes eléctricos.

  Riesgos

  Adopción de arquitecturas 800V DC/SST y de energía prefabricada.

Datos clave

• Consumo diario de tokensMore than 140 trillion by March 2026Frente a aproximadamente 100 billion a inicios de 2024; crecimiento de más de 1,000 veces en menos de dos años.
• Previsión de consumo de tokens de China~330% CAGR, 2025-30Previsión del equipo de Internet de China de JPMorgan, impulsada por una mayor adopción y casos de uso agénticos/multimodales.
• Demanda de cómputo para inferencia~80% CAGR through 2030Se espera que represente 85% de los requerimientos totales de cómputo en 2030.
• Demanda de chips de IA~40% CAGR, 2026-30E; ~14 million units by 2030EBasada en crecimiento de demanda de tokens, paquetes de un solo die y mejora supuesta del rendimiento.
• Oferta nacional de chips de IA2 million / 3 million / 5 million unitsEstimaciones de JPMorgan para 2026E / 2027E / 2028E.
• Objetivo de adición de capacidad de lógica avanzada150,000-200,000 wafers per monthObjetivo para los próximos dos a tres años, pero los desafíos de rendimiento y migración de nodos limitan la producción efectiva.
• Demanda de HBM~60% CAGR, 2026-30ESe necesitarían aproximadamente 200,000 wafers per month de capacidad de dies de memoria HBM3e para cubrir la demanda localizada en 2030.
• Demanda incremental de energía de centros de datos de IA~50% CAGR, 2026-30ESe prevé que el consumo eléctrico de centros de datos alcance aproximadamente 5% del total de China en 2030.

Impacto e implicaciones

La implicación central del informe es que el acceso restringido a chips extranjeros y la escasez de oferta avanzada nacional acelerarán la localización de todo el ecosistema chino de hardware de IA. Espera el mayor apalancamiento entre empresas con capacidad asegurada, inventario, empaquetado avanzado o capacidades de prueba, y entre proveedores que permiten servidores de IA de alta densidad, centros de datos, refrigeración, sistemas eléctricos, ESS e integración de red.

Riesgos

• La capacidad de foundry avanzada, los rendimientos y la migración tecnológica pueden mantener la oferta nacional de chips de IA por debajo de la demanda.
• Las restricciones de certificación y acceso a equipos para HBM3/HBM3e pueden retrasar la autosuficiencia.
• La aprobación para adquirir H200 u otros chips extranjeros podría alterar los supuestos de demanda de hardware nacional.
• Los despliegues de supernodos o clústeres requieren gasto de capital intensivo, mayor capacidad eléctrica y rediseño de centros de datos.
• La competitividad de los chips de IA nacionales depende de rendimiento, compatibilidad, eficiencia de costes y soporte de frameworks de software.
• Un gasto de capital de CSP de China inferior a lo esperado podría presionar la demanda de centros de datos.

Aspectos que vigilar

• Progreso en asignación de capacidad de foundry avanzada, rendimientos y producción de wafers desde 2H26 en adelante.
• Certificación de HBM3/HBM3e, desarrollo de capacidad y competitividad de productos nacionales.
• La transición desde soluciones similares a CoWoS-S/R hacia empaquetado avanzado similar a CoWoS-L.
• Gasto de capital de CSP y empresas, adopción de hardware local y satisfacción de clientes con chips de IA localizados.
• Adopción de soporte FP8/FP4, optimización de software y compatibilidad de herramientas propietarias.
• Pedidos de centros de datos relacionados con IA, política de cuotas de energía, adopción de refrigeración líquida y despliegue de infraestructura ESS/red.