China AI infrastructure ecosystem — Interpretação do relatório

Visão geral

Este estudo setorial aprofundado examina como a rápida demanda chinesa por inferência de IA pode impulsionar uma ampla construção de infraestrutura doméstica. A visão central da JPMorgan é que a localização se expandirá rapidamente e sustentará múltiplos segmentos da cadeia de suprimentos, mas a limitada capacidade de foundry avançada, os desafios de rendimento e a oferta restrita de HBM limitarão o fornecimento de chips no curto prazo e definirão quais empresas se beneficiam.

Visões principais

A JPMorgan argumenta que o ciclo de infraestrutura de IA da China é impulsionado principalmente por inferência, e não por treinamento. O surgimento de modelos open source de baixo custo, incluindo DeepSeek, elevou o consumo diário de tokens de aproximadamente 100 billion no início de 2024 para mais de 140 trillion em março de 2026, aumento de mais de 1,000 vezes em menos de dois anos. A instituição espera que a adoção por consumidores e empresas, IA agêntica, aplicações multimodais, contextos mais longos e chamadas repetidas de ferramentas continuem elevando os tokens por sessão. A equipe de Internet da China da JPMorgan prevê CAGR de cerca de 330% para o consumo de tokens em 2025-30. O relatório converte essa perspectiva de tokens em demanda de infraestrutura por meio de um modelo de throughput de inferência. Ele diferencia o prefill, intensivo em computação e que afeta o tempo até o primeiro token, do decode, intensivo em memória e que determina o tempo por token de saída; o último requer maior capacidade e largura de banda de memória. Os pressupostos incluem a implantação de um modelo de 671 billion parâmetros, TPOT abaixo de 50ms, batch size de 128 e cache KV de 4,096. Nesse modelo, a demanda incremental de computação para inferência cresce a um CAGR de cerca de 80% até 2030 e representa 85% dos requisitos totais de computação. A demanda por chips de IA cresceria a um CAGR de cerca de 40% em 2026-30E, chegando a aproximadamente 14 million units em 2030E, assumindo pacotes single-die e melhoria constante de desempenho. O modelo assume 1 Throughput (tokens/s) per TFLOPS inicialmente e ganhos de eficiência de cerca de 30% ao ano para 3.3 em 2028E; a otimização pode aliviar a demanda, mas não elimina a restrição de oferta. A oferta é a principal limitação. A JPMorgan estima embarques domésticos de chips de IA de 2 million, 3 million e 5 million units em 2026E, 2027E e 2028E, e espera que a localização doméstica alcance 80% da oferta total em 2028E e 90% em 2030E, com a disponibilidade de GPU estrangeiras ainda restrita. Empresas locais visam adicionar 150,000-200,000 wafers per month de capacidade de lógica avançada nos próximos dois a três anos, mas a produção efetiva depende de ganhos de rendimento e da migração tecnológica. Assim, o relatório prevê mercado vendedor para GPU e ASIC domésticos nos próximos 6-12 meses, favorecendo empresas com capacidade ou estoque assegurados. Também projeta receita de servidores/hardware de IA de aproximadamente RMB230 billion, RMB326 billion e RMB532 billion em 2026E, 2027E e 2028E; a aprovação para adquirir H200 ou outros chips estrangeiros adicionaria incerteza. HBM é o segundo grande gargalo. Os chips domésticos existentes usam principalmente HBM2e, enquanto a transição para HBM3/HBM3e é limitada por prazos de qualificação e acesso a equipamentos. A JPMorgan prevê CAGR de cerca de 60% para a demanda por HBM em 2026-30E e estima que seriam necessários aproximadamente 200,000 wafers per month de capacidade de dies de memória HBM3e para atender integralmente a demanda localizada em 2030E. A lacuna de autossuficiência em HBM deve fechar apenas gradualmente, pois a competitividade do produto é tão importante quanto a expansão de capacidade. Muitos chips domésticos atuais ainda não suportam FP8/FP4, o que pode prejudicar a competitividade dos modelos fundacionais e a disseminação de aplicações de IA. A JPMorgan vê empacotamento avançado, interconexões e projeto de sistemas como formas práticas de melhorar o desempenho utilizável sob restrições de front-end. Designs com chiplets e multi-die podem usar dies menores para mitigar limites de rendimento e aumentar a produção por wafer, elevando a importância de empacotamento 2.5D/3D e comunicação eficiente entre dies. OSATs domésticas conseguem realizar soluções semelhantes a CoWoS-S ou combinações com CoWoS-R, mas a transição para tecnologia semelhante a CoWoS-L é esperada do fim de 2026 em diante e deve ser acompanhada. Tau Scaling e LogicFolding da Huawei ilustram ganhos de desempenho apesar de restrições de escalonamento geométrico: espera-se que o LogicFolding de dois níveis do Kirin 2026 aumente a densidade de transistores para 238MTr/mm2, 55% em uma geração, e melhore a eficiência energética do núcleo de desempenho em 41%. No nível de sistema, fornecedores chineses podem compensar lacunas de chips individuais com especialização de cargas de trabalho, scale-up de alta densidade e otimização de software. O Ascend 950PR da Huawei é destinado a prefill e recomendação, enquanto o 950DT usa maior capacidade e largura de banda de memória para decode e treinamento; este último oferece até 4TB/s de largura de banda e 144GB de memória. O CloudMatrix384 combina 384 chips Ascend 910 e 192 CPUs Kunpeng em um sistema de mais de 300 PFLOPS; o Panjiu AL128 da Alibaba suporta 128-144 GPUs, e o supercluster apresentado pela Sugon usa 10,240 placas aceleradoras e declara mais de 5 EFLOPS. Esses sistemas visam reduzir ineficiências de redes scale-out, mas exigem alto gasto de capital, maior capacidade de energia e redesenho de data centers. Toolkits proprietários como Huawei CANN, Cambricon NeuWare, MetaX MXMACA e Moore Threads MUSA buscam aumentar a utilização de hardware, mas a adoção de longo prazo depende de compatibilidade com frameworks e eficiência de custo/desempenho. O relatório estende a tese além dos semicondutores. Servidores e data centers de IA elevam a densidade de potência por rack, tornando a refrigeração líquida cada vez mais necessária e impulsionando módulos de energia pré-fabricados, 800V DC, transformadores de estado sólido, energia de backup, ESS e investimento em redes inteligentes. A JPMorgan prevê CAGR de cerca de 50% para a demanda incremental de energia de data centers de IA em 2026-30E e espera que o uso de data centers represente cerca de 5% do consumo total de energia da China em 2030E. Não considera o fornecimento agregado de energia da China uma restrição vinculante, mas vê um ciclo estrutural de infraestrutura em gestão térmica, arquitetura de energia, armazenamento e integração de rede. A JPMorgan identifica beneficiários em toda a cadeia de IA indígena. Prefere fornecedores domésticos de chips de IA com estoque e capacidade para produzir chips avançados, empresas WFE domésticas, OSATs e prestadores de teste, ODM/OEMs de servidores e IDCs de atacado sustentados por demanda de gabinetes de IA e triagem mais rígida de quotas de energia. As principais escolhas incluem Iluvatar CoreX, NAURA, AMEC, JCET, V-Test, Huaqin, VNET, Sungrow, CATL e TGOOD. Mantém Neutral para SMIC porque baixos rendimentos e maior depreciação pressionam as margens, e Underweight para Envicool após resultados operacionais fracos em 1Q26, cortes de estimativas de lucro e uma lacuna de valuation em relação à participação de refrigeração global de servidores implícita no preço da ação.

Estrutura de análise

A JPMorgan parte do crescimento observado de tokens e de uma previsão de uso de inferência, converte o throughput de tokens em demanda por computação e chips com pressupostos de serviço de modelos e compara essa demanda com a oferta de foundry, empacotamento e HBM. Em seguida, avalia como empacotamento multi-die, supernodes, pilhas de software e infraestrutura de energia podem mitigar limitações de hardware e mapeia a demanda resultante entre companhias cobertas da cadeia de suprimentos.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Análise de oferta e demanda de chips de IA, capacidade de foundry e HBM

  O relatório compara a demanda de computação, chips e HBM impulsionada por tokens com capacidade de fabricação acessível, rendimentos e progresso de qualificação para identificar gargalos e beneficiários.

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Mapeamento da cadeia de suprimentos de infraestrutura de IA

  A análise acompanha a demanda desde chips de IA e equipamentos de fabricação até empacotamento, servidores e data centers, e depois até refrigeração, energia, ESS e equipamentos de rede.

• Marco de análise setorialDecomposição de volume e preço

  Modelo de throughput de inferência e demanda unitária de chips

  O relatório converte o volume de tokens em throughput de computação e depois em demanda unitária de chips, incorporando pressupostos de utilização de hardware, eficiência e tamanho de pacote.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Iluvatar CoreX (9903 HK)

  Fornecedor doméstico de chips de IA preferido, posicionado para se beneficiar da demanda local e do acesso restrito a GPUs estrangeiras.

  Pontos fortes

  A JPMorgan cita estratégia de produto e cadeia de suprimentos, estoque e suporte de capacidade.

  Riscos

  Alocação de capacidade de foundry, desempenho do produto, compatibilidade e eficiência de custo continuam importantes.

• NAURA (002371 CH)

  Beneficiário WFE preferido das adições de capacidade de lógica avançada e memória.

  Pontos fortes

  Exposição à localização e a gastos de capital de maior densidade.

  Riscos

  Execução das adições de capacidade doméstica e da migração tecnológica.

• AMEC (688012 CH)

  Beneficiário WFE preferido da demanda forte por fabricação avançada localizada.

  Pontos fortes

  Exposição a adições contínuas de capacidade de lógica avançada e memória.

  Riscos

  Expansão da capacidade de foundry e progresso de rendimentos.

• JCET (600584 CH)

  Beneficiário OSAT coberto do aumento do conteúdo de empacotamento avançado.

  Pontos fortes

  A JPMorgan espera serviços de empacotamento similares a CoWoS, de maior valor agregado, e ganhos de participação.

  Pontos fracos

  A transição para tecnologia semelhante a CoWoS-L continua uma incerteza-chave.

  Riscos

  Progresso da transição tecnológica e momento da produção de wafers a montante.

• V-Test (688372 CH)

  Prestador de testes coberto que se beneficia de maior volume e maior tempo de teste de chips de IA de alta gama.

  Pontos fortes

  Efeito multiplicador para o mercado de testes devido a rendimentos de fabricação inferiores e pacotes multi-chip.

  Riscos

  Depende da produção de chips por foundries locais.

• Huaqin (603296 CH)

  Beneficiário preferido de ODM/OEM de servidores por implantações de Superpod e demanda doméstica por servidores.

  Pontos fortes

  P&D e fabricação full-stack em servidores de IA, servidores gerais e switches de alta velocidade.

  Riscos

  Gasto de capital dos clientes e complexidade de implantação.

• VNET (VNET US)

  Principal escolha de IDC, beneficiada por pedidos relacionados à IA e implantação de gabinetes de maior potência.

  Pontos fortes

  A administração indicou que mais de 70% dos novos pedidos atuais são ligados à IA; a triagem de quotas de energia pode apoiar preços e margens.

  Riscos

  Restrições de oferta de chips de IA domésticos e gasto de capital de CSP da China abaixo do esperado.

• Sungrow (300274 CH)

  Beneficiário de ESS de configurações de energia de data centers de IA favoráveis à rede.

  Pontos fortes

  A administração enquadra AIDCs como uma nova oportunidade para ESS.

  Riscos

  Escopo e ritmo de adoção de ESS em AIDCs.

• CATL (3750 HK/300750 CH)

  Beneficiário preferido da cadeia de baterias pela implantação de armazenamento de energia em AIDCs.

  Pontos fortes

  Tecnologia de células e sistemas ESS, ESS de íon-sódio e participação estratégica na VNET que apoia um canal de implantação.

  Riscos

  Execução de implantações de AIDC e investimentos em infraestrutura previstos.

• TGOOD (300001 CH)

  Escolha preferida de equipamentos de energia para data centers de IA.

  Pontos fortes

  Exposição a infraestrutura pré-fabricada de alta tensão e módulos AI Powerhouse destinados a reduzir prazo de entrega, gasto de capital e custos de energia.

  Riscos

  Adoção de arquiteturas 800V DC/SST e de energia pré-fabricada.

Dados principais

• Consumo diário de tokensMore than 140 trillion by March 2026Acima de aproximadamente 100 billion no início de 2024; crescimento de mais de 1,000 vezes em menos de dois anos.
• Previsão de consumo de tokens na China~330% CAGR, 2025-30Previsão da equipe de Internet da China da JPMorgan, impulsionada por maior adoção e casos de uso agênticos/multimodais.
• Demanda computacional de inferência~80% CAGR through 2030Deve representar 85% dos requisitos totais de computação em 2030.
• Demanda por chips de IA~40% CAGR, 2026-30E; ~14 million units by 2030EBaseada no crescimento da demanda de tokens, em pacotes single-die e em melhoria de desempenho assumida.
• Oferta doméstica de chips de IA2 million / 3 million / 5 million unitsEstimativas da JPMorgan para 2026E / 2027E / 2028E.
• Meta de adição de capacidade de lógica avançada150,000-200,000 wafers per monthMeta para os próximos dois a três anos, mas desafios de rendimento e migração de nós limitam a produção efetiva.
• Demanda por HBM~60% CAGR, 2026-30ESeriam necessários aproximadamente 200,000 wafers per month de capacidade de dies de memória HBM3e para atender à demanda localizada em 2030.
• Demanda incremental de energia de data centers de IA~50% CAGR, 2026-30EO consumo de energia de data centers deve atingir cerca de 5% do total da China em 2030.

Impacto e implicações

A principal implicação do relatório é que o acesso restrito a chips estrangeiros e a escassez de oferta avançada doméstica acelerarão a localização de todo o ecossistema chinês de hardware de IA. A instituição espera maior alavancagem entre empresas com capacidade assegurada, estoque, empacotamento avançado ou capacidade de testes, e entre fornecedores que viabilizam servidores de IA de alta densidade, data centers, refrigeração, sistemas de energia, ESS e integração de rede.

Riscos

• Capacidade de foundry avançada, rendimentos e migração tecnológica podem manter a oferta doméstica de chips de IA abaixo da demanda.
• Restrições de qualificação e acesso a equipamentos para HBM3/HBM3e podem atrasar a autossuficiência.
• A aprovação para adquirir H200 ou outros chips estrangeiros pode alterar os pressupostos de demanda doméstica por hardware.
• Implantações de supernodes e clusters exigem alto gasto de capital, maior capacidade de energia e redesenho de data centers.
• A competitividade dos chips de IA domésticos depende de desempenho, compatibilidade, eficiência de custo e suporte de frameworks de software.
• Gasto de capital de CSP da China abaixo do esperado pode pressionar a demanda por data centers.

Pontos a observar

• Progresso na alocação de capacidade de foundry avançada, rendimentos e produção de wafers a partir de 2H26.
• Qualificação de HBM3/HBM3e, desenvolvimento de capacidade e competitividade de produtos domésticos.
• A transição de soluções semelhantes a CoWoS-S/R para empacotamento avançado semelhante a CoWoS-L.
• Gasto de capital de CSPs e empresas, adoção de hardware local e satisfação dos clientes com chips de IA localizados.
• Adoção de suporte a FP8/FP4, otimização de software e compatibilidade de toolkits proprietários.
• Pedidos de data centers relacionados à IA, política de quotas de energia, adoção de refrigeração líquida e implantação de infraestrutura ESS/rede.