China AI infrastructure ecosystem研报解读

概览

这份行业深度报告考察了中国AI推理需求的快速增长如何带动广泛的本土基础设施建设。JPMorgan的核心观点是，本土化将迅速推进并支持多个供应链环节，但有限的先进晶圆代工产能、良率挑战及受限的HBM供应将制约近期芯片供给，并决定哪些公司能够受益。

核心观点

JPMorgan认为，中国AI基础设施周期主要由推理而非训练驱动。包括DeepSeek在内的低成本开源模型出现后，日均Token消费量从2024年初约1000亿升至2026年3月超过140万亿，在不足两年内增长超过1,000倍。报告预计，消费者和企业采用、智能体AI、多模态应用、更长上下文以及重复工具调用将持续提高每次会话的Token使用量。JPMorgan中国互联网团队预测，2025-30年Token消费量将实现约330%的复合年增长率。 报告通过推理吞吐量框架将Token展望转化为基础设施需求。其区分影响首个Token生成时间的计算密集型预填充阶段，以及决定每个输出Token时间的内存密集型解码阶段；后者需要更大的内存容量和带宽。模型假设包括部署6710亿参数模型、TPOT低于50ms、批量大小为128以及KV缓存长度为4,096。按此方法，到2030年增量推理计算需求将以约80%的复合年增长率增长，并占总计算需求的85%。在单芯片封装和性能持续改善的假设下，2026-30E AI芯片需求将以约40%的复合年增长率增长，到2030E约达1400万颗。该模型初始假设每TFLOPS吞吐量为1 token/s，到2028E效率年增约30%至3.3；优化可以缓解需求，但不能消除供给约束。 供给是报告认为最主要的限制因素。JPMorgan估计，2026E、2027E和2028E国内AI芯片出货量分别为200万、300万和500万颗；随着海外GPU供应持续受限，国内本土化比例到2028E将达到总供给的80%，到2030E达到90%。本地企业计划在未来两到三年新增150,000-200,000片/月先进逻辑产能，但有效产出取决于良率提升和向更先进节点的迁移。因此，报告预计未来6-12个月国产GPU和ASIC将维持卖方市场，有已锁定产能或库存的厂商更具优势。报告还预测，2026E、2027E和2028E AI服务器/硬件收入约为RMB230 billion、RMB326 billion和RMB532 billion，同时指出获批采购H200或其他海外芯片将增加不确定性。 HBM是第二大瓶颈。现有国产芯片主要使用HBM2e，而向HBM3/HBM3e的转型受到认证周期和设备获取的制约。JPMorgan预测，2026-30E HBM需求的复合年增长率约为60%，并估计到2030E若要完全满足本土化需求，需要约200,000片/月HBM3e内存芯片前道产能。该机构预计，HBM自主供应缺口只能逐步收窄，因为产品竞争力与产能同样重要。报告还指出，国产芯片在低精度格式支持上存在约束，许多现有产品尚不支持FP8/FP4，这可能削弱模型竞争力和AI应用普及。 JPMorgan认为，先进封装、互连和系统设计是在前道限制下改善实际性能的可行路径。Chiplet和多芯片设计可采用更小的芯粒，以缓解良率限制并提高单片晶圆产出，从而提升2.5D/3D封装和高效芯粒间通信的重要性。国内OSAT可处理类似CoWoS-S的方案或结合CoWoS-R的方案，但向类似CoWoS-L技术的过渡预计从2026年末或更晚开始，需密切跟踪。报告以华为Tau Scaling和LogicFolding为例，说明在几何缩放受限的情况下仍可追求性能提升：Kirin 2026的两层LogicFolding预计将晶体管密度提升至238MTr/mm2，单代提高55%，并使性能核心能效提升41%。 在系统层面，报告认为，中国厂商可以通过工作负载专用化、高密度scale-up和软件优化来弥补单芯片差距。华为Ascend 950PR面向预填充和推荐，而950DT以更高内存容量和带宽服务于解码和训练；后者带宽最高达4TB/s、内存为144GB。华为CloudMatrix384将384颗Ascend 910芯片和192颗Kunpeng CPU组合成超过300 PFLOPS的系统；阿里巴巴Panjiu AL128支持128-144颗GPU，Sugon展示的超级集群采用10,240张加速卡并宣称总算力超过5 EFLOPS。这些系统旨在减少scale-out网络效率损失，但需要高资本开支、更大电力容量和数据中心改造。华为CANN、Cambricon NeuWare、MetaX MXMACA和Moore Threads MUSA等专有工具包旨在提升硬件利用率，但长期采用仍取决于框架兼容性和成本性能。 报告将这一逻辑延伸至半导体以外。AI服务器和数据中心提高机架级功率密度，使液冷日益成为必要条件，并带动预制电力模块、800V DC、固态变压器、备用电源、ESS和智能电网投资需求。JPMorgan预测，2026-30E AI数据中心增量电力需求将以约50%的复合年增长率增长，到2030E数据中心用电量约占中国总用电量的5%。该机构不认为中国总电力供应会成为约束，但认为散热管理、电力架构、储能和电网整合将形成结构性基础设施周期。 JPMorgan识别出本土AI供应链的多类受益者。其偏好拥有库存和先进产能的AI芯片供应商、国内WFE企业、OSAT和测试服务商、服务器ODM/OEM，以及受AI机柜需求和更严格电力配额审查支持的批发型IDC。列出的重点标的包括Iluvatar CoreX、NAURA、AMEC、JCET、V-Test、Huaqin、VNET、Sungrow、CATL和TGOOD。由于低良率和上升的折旧压制利润率，该机构维持对SMIC的Neutral；在Envicool 1Q26经营表现疲弱、盈利预测下调且估值与其隐含的全球服务器散热份额存在差距后，维持对其Underweight。

分析框架

JPMorgan首先从已观察到的Token增长和推理使用预测出发，通过模型服务假设将Token吞吐量转化为计算和芯片需求，随后将该需求与晶圆代工、封装和HBM供给进行比对。其后评估多芯片封装、超级节点、软件栈和电力基础设施如何缓解硬件限制，并将由此产生的需求映射至覆盖的供应链公司。

方法论与常识提炼

• 行业/产业分析框架供需框架

  AI芯片、晶圆代工产能和HBM供需分析

  报告将计算、芯片和HBM的Token驱动需求与可获取的制造产能、良率和认证进度进行比较，以识别可能的瓶颈和受益者。

• 行业/产业分析框架产业链上中下游传导

  AI基础设施供应链映射

  分析从AI芯片和制造设备延伸至封装、服务器和数据中心，再到散热、电力、ESS和电网设备。

• 行业/产业分析框架量价拆分

  推理吞吐量与芯片单位需求模型

  报告将Token量转化为计算吞吐量，再转化为芯片单位需求，并纳入硬件利用率、效率和封装尺寸假设。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• Iluvatar CoreX (9903 HK)

  受偏好的国产AI芯片供应商，有望受益于本地芯片需求和受限的海外GPU获取。

  优势

  JPMorgan提及其产品和供应链战略、库存及产能支持。

  风险

  晶圆代工产能分配、产品性能、兼容性和成本效率仍然重要。

• NAURA (002371 CH)

  先进逻辑和内存产能扩张的受偏好WFE受益者。

  优势

  受益于本土化和更高密度的资本开支。

  风险

  国内产能扩张和技术迁移的执行情况。

• AMEC (688012 CH)

  受益于本地化先进制造旺盛需求的受偏好WFE企业。

  优势

  受益于先进逻辑和内存产能的持续增加。

  风险

  晶圆代工产能扩张和良率进展。

• JCET (600584 CH)

  受覆盖的OSAT受益者，可受益于先进封装含量提升。

  优势

  JPMorgan预计其将受益于更高附加值的全栈CoWoS类封装服务和份额提升。

  劣势

  向CoWoS-L类技术的转型仍不确定。

  风险

  技术转型进展和上游晶圆产出时点。

• V-Test (688372 CH)

  受覆盖的测试服务商，可受益于高端AI芯片的更高产量和更长测试时间。

  优势

  低制造良率和多芯片封装带来测试市场的倍增效应。

  风险

  依赖本地晶圆代工芯片产出。

• Huaqin (603296 CH)

  受偏好的服务器ODM/OEM受益者，可受益于Superpod部署和国内服务器需求。

  优势

  在AI服务器、通用服务器和高速交换机方面具备全栈研发和制造能力。

  风险

  客户资本开支和部署复杂性。

• VNET (VNET US)

  受AI相关订单和更高功率机柜部署推动的首选IDC标的。

  优势

  管理层表示当前新订单中超过70%与AI相关；电力配额审查可能改善定价和利润率。

  风险

  国内AI芯片供应约束和低于预期的中国CSP资本开支。

• Sungrow (300274 CH)

  可受益于电网友好型AI数据中心电力配置的ESS受益者。

  优势

  管理层将AIDC视为ESS的新机会。

  风险

  AIDC ESS采用的规模和速度。

• CATL (3750 HK/300750 CH)

  受偏好的电池供应链受益者，可受益于AIDC储能部署。

  优势

  具备ESS电芯和系统技术、钠离子ESS，以及支持部署渠道的VNET战略持股。

  风险

  目标AIDC部署和基础设施投资的执行。

• TGOOD (300001 CH)

  受偏好的AI数据中心电力设备标的。

  优势

  受益于高压预制基础设施和旨在降低交付时间、资本开支和电力成本的AI Powerhouse模块。

  风险

  800V DC/SST和预制电力架构的采用。

关键数据

• 日均Token消费量More than 140 trillion by March 2026较2024年初约1000亿大幅增加；不足两年增长超过1,000倍。
• 中国Token消费预测~330% CAGR, 2025-30JPMorgan中国互联网团队预测，驱动因素为采用率提升以及智能体/多模态应用。
• 推理计算需求~80% CAGR through 2030预计到2030年占总计算需求的85%。
• AI芯片需求~40% CAGR, 2026-30E; ~14 million units by 2030E基于Token需求增长、单芯片封装和假设的性能提升。
• 国产AI芯片供应2 million / 3 million / 5 million unitsJPMorgan对2026E / 2027E / 2028E的估计。
• 先进逻辑产能新增目标150,000-200,000 wafers per month目标在未来两到三年实现，但良率和节点迁移挑战限制有效产出。
• HBM需求~60% CAGR, 2026-30E到2030年，若要满足本土化需求，将需要约200,000片/月HBM3e内存芯片产能。
• AI数据中心增量电力需求~50% CAGR, 2026-30E预计到2030年，数据中心用电量将约占中国总用电量的5%。

影响与含义

报告的核心含义是，受海外芯片获取受限和国内先进供给不足影响，中国AI硬件生态的本土化将加速。该机构预计，拥有已锁定产能、库存、先进封装或测试能力的企业，以及支持高密度AI服务器、数据中心、散热、电力系统、ESS和电网整合的供应商，将获得最强的需求拉动。

风险

• 先进晶圆代工产能、良率和技术迁移可能令国产AI芯片供应持续低于需求。
• HBM3/HBM3e认证和设备获取约束可能延迟自主供应。
• 获批采购H200或其他海外芯片可能改变国内硬件需求假设。
• 超级节点和集群部署需要大量资本开支、更大电力容量和数据中心改造。
• 国产AI芯片竞争力取决于性能、兼容性、成本效率和软件框架支持。
• 低于预期的中国CSP资本开支可能压制数据中心需求。

后续跟踪

• 先进晶圆代工产能分配、良率和从2H26起的晶圆产出进展。
• HBM3/HBM3e认证、产能发展和国内产品竞争力。
• 从CoWoS-S/R类方案向CoWoS-L类先进封装的转型。
• CSP和企业资本开支、本地硬件采用，以及客户对国产芯片的满意度。
• FP8/FP4支持、软件优化和专有工具包兼容性的采用。
• AI相关数据中心订单、电力配额政策、液冷渗透以及ESS/电网基础设施部署。