📰 研报摘要
查看全文 ➔摘要： 本次会议重点讨论了国产 AI 芯片在 DeepSeek 等大模型适配下的技术进展、国内算力市场的供需缺口以及未来三年行业格局的演进趋势。
行业主线：
- 模型适配提升芯片可用性：DeepSeek 采用的低精度量化（如 FP8、FP4 混算）降低了对显存和带宽的需求，有效弥补了国产芯片显存容量小、互联慢的短板，大幅提升了国产卡的推理可用性。
- 算力供需严重失衡：C 端日活增长及 B 端云服务调用量激增，导致合规进口芯片（如 H20）在今年底可能被用尽。预计国内存在百万卡量级的训练算力缺口，且 2027 年前若产能不翻倍，将陷入严重的推理卡短缺场景。
- 技术路径探讨：分析了 GPU 与 ASIC 的关系，认为两者为周期性互补。ASIC 在高频、稳定且能耗敏感的推理场景具有成本优势，而 GPU 在模型研发和未知探索阶段具备绝对的通用性优势。
关键变化与分歧：
- 国产卡上云瓶颈：虚拟化和卡间互联（类似 NVLink）是限制国产芯片在大规模公有云平台部署的核心技术制约。
- 训练方案分化：华为升腾通过超节点（Supernode）方案在训练端具备领先优势；其他厂商则可能尝试通过结合光传输技术来解决互联问题。
受益方向与风险：
- 受益方向：具备高效卡间互联能力、能快速适配主流开源模型且具备量产交付能力的国产芯片厂商。
- 核心风险：先进制程产能受限、国产卡虚拟化进展缓慢、大模型技术路线突变导致现有硬件架构失效。