中金宸大中信建投：从战略防御到主动出击，国产AI基础设施的价值升级

　　来源：中信建投证券研究

　　文|于伯韬许悦

　　在出口管制持续收紧与国产替代制度性红利共振下，国产AI芯片正从“政策采购标的”向“市场化主动选择”跃迁，未来几年是从规模验证走向盈利兑现的关键窗口。我们看到供给端国产芯片产能持续释放，需求端推理负载爆发（日均Token调用量两年增逾千倍）与头部CSP持续加码的资本开支（阿里FY26达1，261亿元、字节2025E约1，600亿）为国产芯片提供确定性需求锚。变现端，利润率遵循“规模摊薄→结构优化→生态溢价”三阶段路径，当前处于以量换价的阶段一，未来进一步实现系统级方案出售，通过软件+硬件绑定实现利润率的大幅优化。

　　在出口管制持续收紧与国产替代制度性红利共振的背景下，国产AI芯片正从政策采购标的向市场化主动选择跃迁。我们判断，未来2-3年是国产AI芯片从规模验证走向盈利兑现的关键窗口期，核心矛盾转向“能不能规模化交付并持续迭代”。本报告回答两个核心问题：1）空间问题：训练/推理需求增长×国产化替代率×有效供给（制程/封装/HBM/集群交付）= 潜在市场空间。三者为乘积关系，任何一项受限即构成整体瓶颈。2）变现问题：利润率改善遵循“规模驱动 → 结构优化 → 生态收益”三阶段路径，当前处于以量换价、固定成本摊薄阶段，中期进入阶段二（软件栈商业化、集群方案溢价），阶段三（IP/软件高毛利收入占比提升，净利率持续提升）。

　　市场需求层面，2025年中国AI加速卡总出货约400万张，其中国产约165万张（41%），英伟达中国份额已从约95%降至约55%，结构性让渡空间明确。需求侧，日均Token调用量从2024年初约1，000亿增长至2026年3月超140万亿，推理负载的爆发式增长是2026–2027年国产芯片放量的最大边际驱动。头部CSP资本开支持续加码，阿里未来3年年化Capex 1300亿元且有望继续上修，腾讯2026E约1，300–1，600亿、字节2025E约1，600亿（其中900亿用于AI算力），为国产芯片提供了确定性极强的需求锚。

　　供给约束层面，上游存在制程、HBM、先进封装三重瓶颈。制程方面，中芯N+2已量产但良率低于台积电，N+3需SAQP多重图形化、光刻成本显著更高，中期产能可得性改善。HBM是供应链最薄弱环节，占AI加速器BOM近50%，长鑫HBM2已量产但HBM3/3E仍为研发级，2026–2027年仍依赖SK海力士/三星配额。先进封装方面，CoWoS类产能是规模放量的前置变量，长电2026年月产能规划0.5–0.8万片（良率75–80%），封装产能的可获得性比良率更早成为瓶颈，是出货指引能否兑现的前置变量。

　　平头哥（阿里100%全资）：核心差异化在于母公司内部业务负载（通义系列模型）对算力的零边际阻力消化。真武系列累计出货56万片（截至2026.5），外部客户化率>60%，2025年国产第二。2026年5月ICN Switch 1.0的发布标志竞争维度从单卡扩展至集群系统算力层。产品路线图清晰，810E（量产）→ M890（开始量产交付）→ V900（2027Q3，性能大幅提升）→ J900（2028Q3，性能大幅提升）。主要风险在于，软件兼容层面对DeepSeek V4等非标架构（UE8M0、MLA、MoE All-to-All）适配成熟度仍有待验证；PPU更多与阿里云MaaS一体化售卖，面对外部客户深度定制可能存在灵活性损失；大显存策略在万卡级Scale-Out场景下，片间带宽可能成为All-to-All通信瓶颈，超节点方案在跨过128卡后可能面临技术路线转型的验证风险。

　　昆仑芯（百度控股）：核心优势在于集群工程能力验证（P800完成3.2万卡集群点亮，训练效率>98%）与飞桨生态硬编码绑定带来的“开箱即用”强粘性。“五年五芯”路线图（2025 P800→2026 M100→2027 M300→2028千卡超节点→2029 N系列→2030百万卡单集群）是国产AI芯片厂商中最完整、时间节点最清晰的公开路线图。资本化进程领先，港股A1已递交（2026.1）+科创板辅导备案完成（2026.5）。主要风险在于，2026年缺乏新一代旗舰训练卡（M300需等2027年），面临寒武纪MLU690与昇腾950的竞争压力；天池超节点是XTCL+飞桨硬编码绑定的物理载体，在非飞桨生态（原生PyTorch客户）中推广阻力较大；百度系列模型的性能距离国内顶尖仍有一定差距，内外部技术路线的差异可能牵扯团队研发精力，未来可能面临完全转型服务外部客户。

　　关键风险包括EDA断供（7nm后端签核工具仍有缺口）、软件生态成熟度不足、母公司中立性约束、Nvidia/AMD若获批准入的竞争压力、以及模型架构快速迭代对芯片适配层的持续挑战。

　　1． AI芯片投资逻辑的三层结构

　　本报告借鉴云计算研究的空间×变现两问框架，但 AI 芯片的竞争机制与云计算存在根本差异，需进行核心替换。云计算的护城河优先级是规模效应 → 成本摊薄 → 价格优势，供给约束相对可控；而 AI 芯片的护城河优先级是软件栈生态兼容 > 集群工程能力 > 单卡算力，且供给约束高度依赖外部（先进制程、HBM、先进封装）并持续受出口管制影响。

　　本报告回答的两个核心问题。问题一（空间）：训练 / 推理需求增长×国产化替代率×可获得的有效供给（制程 / 封装 / HBM / 集群交付）= 潜在市场空间。三者的乘积关系意味着任何一项受限都会成为整体瓶颈，而非线性叠加。问题二（变现）：利润率改善呈现规模驱动 → 结构优化 → 生态收益三阶段路径。阶段一：硬件卡规模放量（NRE / 固定运营成本快速摊薄，外部客户化率提升）；阶段二：软件栈/工具链成熟（高毛利，但先期为研发费用投入；集群方案溢价显现）；阶段三：集群/超节点方案溢价（系统级议价权，类比服务器 OEM → 解决方案商升级）

　　在半导体行业，尤其是先进工艺（如 5nm/3nm）下的 AI 芯片，前置成本较高，例如1）NRE（Non-Recurring Engineering，一次性工程费用）包括昂贵的光罩费（Mask）、IP 授权费、流片费（Tape-out）以及核心研发团队的薪酬。开发一款先进AI芯片的NRE投入可达数千万甚至数亿美元。2）固定运营成本包括晶圆厂绑定资金、测试设备折旧、维持基础团队的开销等。

　　高固定成本下存在明显规模效应。芯片的边际生产成本（可变成本，如多印一片晶圆的钱）其实相对稳定。这意味着，出货量越少，单颗芯片分摊的NRE成本越高；而出货量一旦迈过损益平衡点，单片成本会快速摊薄。业务侧表现为几个典型阶段，①硬件卡规模放量，产品刚推向市场，外部客户（非关联交易或非政策性补贴客户）开始接受，产品进入标准化量产。这个阶段不靠涨价赚钱，而是靠“把分母做大”。当出货量从1万张卡冲到10万张、50万张时，前期的流片和研发固定成本被稀释，毛利率和净利率实现非线性提升。②软件栈/工具链成熟，硬件出货铺量后，客户在芯片基础上写了大量软件代码（类似 NVIDIA 的 CUDA）。软件研发在前期也是“研发费用投入”（也是一种变相的 NRE）。但软件成熟后，其复制的边际成本几乎为零。此时，高毛利的软件和工具链开始溢价，企业从“卖硬件”向“卖生态”过渡，利润率进一步优化。③集群/超节点方案溢价，市场不再单张买卡，而是买“万卡集群”或系统级超节点（类似 NVIDIA DGX 方案）。此时企业拥有系统级议价权。企业赚的是系统集成、网络拓扑架构和整体解决方案的高额溢价。这时候的利润率从“工业制造品”向“奢侈科技品”的蜕变。

　　2． AI 芯片产业链：先进制程、内存等上游存在强约束

　　2.1 产业链分层

　　两家公司均处于芯片设计 + 软硬件系统集成层，向上依赖代工/封装/物料，向下交付加速卡及集群系统。这与纯 Fabless 设计公司不同——它们不仅做芯片，还做软件栈、集群调度和平台化交付。系统级集成能力是两家公司区别于纯芯片设计公司的关键。

　　2.2　上游关键约束：制程、HBM 与先进封装三重瓶颈

　　2.2.1　制程工艺：可验证节点与不确定节点

　　制程节点是 AI 芯片算力密度的物理基础。关于国产先进制程，中芯国际目前量产的最先进节点为 N+2（约7nm级），用于华为麒麟 9000S（Mate 60）与昇腾 910B 的计算 die；下一代N+3（约6nm级）用于麒麟9030，其M0金属层节距 32.5nm、晶体管密度约113.4 MTr/mm²，与TSMC N6持平，并非N3等效节点。N+2 缺陷密度（D0）约 0.14，约为 TSMC N5/N6 的 2 倍，良率显著低于台积电，导致单 die 成本偏高。由于缺乏 EUV，N+3 在关键层需采用 SAQP（自对准四重图形化），光刻成本较有 EUV 的方案高约 55-60%，整体制造成本约高 20% 。对平头哥、昆仑芯等国产芯片的隐含约束即在 5nm 及以下档位切换至国产代工，需同时承担良率与多重图形化的成本溢价。

　　制程扩散是中期利好。SMIC在政府主导下正向华虹（HLMC/Hua Hong）授权 N+2、N+3 工艺，使产能瓶颈从单一晶圆厂转向生态系统，平头哥、寒武纪等设计公司将是这一工艺扩散的主要受益者，这意味着即使自主先进制程仍存代差，其可获得性在中期将显著改善。

　　2.2.2　HBM：供应链最薄弱环节，平头哥PPU使用HBM2e

　　HBM是AI加速器供应链中价值量高、供给高度集中且对中国更难实现完全自主可控的关键环节之一，主要供给来自SK hynix、三星与Micron等少数厂商。真武路线图披露的单卡内存容量（810E 96GB、M890 144GB、V900规划 216GB）快速上升，结合HBM价格高企与供给紧张的公开研究，可被解读为行业在‘内存容量/带宽’维度持续抬升、同时也更暴露出HBM的供给约束。公开成本模型亦显示HBM已成为AI加速器BOM的最大单项之一，H100/H200级产品中HBM成本占总BOM通常接近50%，并随HBM容量与代际提升而进一步抬升；TrendForce还指出HBM单位售价约为DDR5的5倍，这使其成为国产AI加速卡BOM中最昂贵且最难国产化的关键部件之一。

　　HBM 的本质是带宽换面积，每个HBM3E堆栈通过1024-bit总线（DDR5 64-bit的16倍）经TSV在单颗封装内提供TB/s级带宽，但代价是晶体管密度只有等效DDR的约46%（TSV与堆叠开销），且每die面积约为同容量DDR die的2倍。这意味着 HBM 既是算力放大的核心，也是单位算力成本下降的最大障碍。

　　代际规格锚（用于校验 810E/M890 的 HBM 档位）：HBM2E 单堆栈带宽约460 GB/s（A100 6颗堆 80GB/2.0TB/s）；HBM3E 12-Hi 单堆 48GB、峰值 8 Gbps；HBM4（2026 年随 Nvidia Rubin/AMD MI400 首批搭载）总线宽度翻倍至 2048-bit、JEDEC 标称 6.4 Gbps、单堆约 1.6 TB/s。平头哥真武 810E 配 96GB HBM2E、M890升至144GB，对应国际主流的 HBM2E→HBM3。下一代 V900（216GB、1200GB/s）若要兑现规格，需切换至 HBM3E 及其先进封装，是后续产能可得性的关键跟踪点。

　　中国HBM本土化目前仍处于研发阶段，尚未进入量产。长鑫存储（CXMT）HBM2 8-Hi已于2025年上半年量产，TSV 产能规划至2025年底接近美光规模；华为体系内武汉新芯（XMC）流片 HBM 晶圆、盛合晶微（SJSemi）负责封装，但目前仍为研发级规模、非量产，且 XMC/SJSemi 已被列入实体清单。因此短期内（2026—2027）平头哥/昆仑芯仍需依赖 SK 海力士/三星 HBM 配额，CXMT、XMC 量产节奏是国产化时间表的两大跟踪指标。

　　TrendForce预计2Q26一般型DRAM合约价季增约58–63%，NAND Flash合约价季增约70–75% 。云厂商已出现面向AI算力与存储服务的提价动作，例如阿里云公告显示部分GPU规格上调幅度从5%到25–34%不等，灵骏相关CPFS存储计费项上调30%。在供需紧张与产能结构调整背景下，存储与HBM相关的供给约束可能延续至2026年下半年乃至2027年。武汉层面也发布了2026年重大项目与重点建设项目清单，年度重大项目投资目标约2600亿元量级，媒体报道指出其中包含以长江存储、武汉新芯为代表的存储扩张项目；HBM国产化进展（如长鑫HBM3/3E、后段封装产能投放）将成为国产算力供应链的重要变量。

　　2.2.3　产能理解框架：Fabless 的产能是系统能力而非月产量

　　平头哥与昆仑芯均为 Fabless 设计公司，其有效产能不等于自有产能，应理解为三层能力的综合：① 能否稳定获得先进制程/封装/HBM 配额（供应链管理能力）；② 是否具备可复制的整机/集群级交付能力（OAM/机架/网络）；③母公司资本支出消化优先级与外部客户增量的平衡节奏。

　　2.2.4　先进封装（CoWoS 类）：第三大系统性瓶颈

　　对于AI 芯片，其成品算力卡的生产流程是：晶圆代工（制程）→ HBM 堆叠 → 2.5D/CoWoS 类封装（将主芯片 Die 与 HBM 在中介层上集成）→ 基板封装 → 整机组装。即使拿到了 HBM，即使获得了先进制程晶圆，如果没有 2.5D 先进封装产能，依然无法产出成品加速卡。

　　先进封装是核心瓶颈的原因在于光刻 reticle 极限，193nm ArF 光刻单次最大可曝光面积约为 33mm×26mm（≈858mm²），而现代旗舰 GPU（如 H100 的 814mm²）叠加 6-8 颗 HBM 后，总面积远超单片 reticle，必须借助硅中介层（interposer）将逻辑 die 与 HBM 在一个封装内高密度互连，才能组成一张可工作的加速卡。

　　CoWoS 三种形态的工程含义：CoWoS-S（硅中介层）是当前出货量最大的 2.5D 平台，密度最高但中介层仅约 100 微米厚、易脆裂，目前 TSMC 做到约 4× reticle 面积；CoWoS-R 用有机 RDL 中介层降本但牺牲 I/O 密度（AMD MI300 曾因此从 -R 回退到 -S）；CoWoS-L 引入有源/无源硅桥（对标 Intel EMIB），可支持更大封装，TSMC 正在推进 6× reticle 的 super carrier ，国内长电科技 XDFOI、通富微电 2.5D 验证主要对标 CoWoS-S 路线，距 -L 仍有代差。

　　CoWoS 长期供不应求，这意味着对国产厂商，即便解决了制程与 HBM，能否获得稳定的 2.5D 封装产能（无论是 TSMC 通道还是国内长电/通富）仍是规模放量的系统约束。对投资人而言，CoWoS 类产能的可获得性比良率更早成为瓶颈，是 2026-2027 年出货指引能否兑现的前置变量。

　　2.3　行业竞争格局：数据来源的口径说明

　　据IDC报告，2025 年中国 AI 加速卡出货约 400 万张，本土厂商约 165 万张（41%）。厂商层面出货量：华为约 81.2 万张，阿里 T-Head 约 26.5 万张，百度昆仑芯与寒武纪各约 11.6 万张。

　　国内芯片的不同流派：1、平头哥（T-Head）：Captive 闭环与内部 Capex 饱和灌流。作为自研自用加纵向外拓的典型，平头哥的核心差异化来源于母公司阿里巴巴的内部业务负载（通义大模型集群、飞天操作系统）对算力的零边际阻力消化。真武 M890 与 810E 系列通过与自研云服务器及 CIPU 架构在硬件层紧密绑定，彻底消除了通用 GPU 难以规避的“虚拟化税”。其降本动力并非来源于传统渠道溢价的压缩，而是自研 ASIC 剥离了商业芯片厂高额毛利后的成本结构释放。在处理智能体（Agentic AI）高并发推理等边缘工作负载时，这种自研自用（Captive）模式驱动其在前期信息黑盒期内便完成了极其庞大的隐形资产堆叠。

　　2、昆仑芯（Kunlunxin）：从大厂孵化向独立突围过渡的“中间形态”。相比平头哥在物理大机柜网络互联上的巨额硬件投入，昆仑芯在架构上演进到了全新的 M100/M300 商用智算序列，底层由 XTCL/XTDK 软件栈及昆仑操作系统（KOS）承载最新大模型工作负载。昆仑芯已将软件栈的优化重心从早期的自动图编译剔除，推进至针对稀疏矩阵的硬件级动态调度与片上 Scratchpad SRAM 的显式流水线流控上。其原生享有飞桨（PaddlePaddle）开源生态库的底层硬编码保护。在无需进行大规模跨机柜张量并行拆分的场景下，其在单机 8 卡大模型满血部署（如主流推理及大语言模型深度思考流）的原生异构适配上展现出极高的性价比，构成了对平头哥“超节点机柜”的错位竞争。

　　3、寒武纪（Cambricon）：“纯商用中立标的”的独立市场锚点。寒武纪的底层壁垒在于其完全独立于 Hyperscaler 之外的纯粹中立性。它是非云互联网大厂、地方主权智算中心以及第三方算力租赁市场在实施“去美化替代”采购时的第一商用锚点。寒武纪具备完全自主的 MLLink 高速片间互联总线与智能加速服务器整机研发能力，拥有完备的节点内Scale-Up 纵向扩展方案，但在面临跨机柜、万卡级超大参数量多模态训推场景时，作为独立通用芯片，其放量斜率往往受到第三方网络交换方案与多源算子库异构编译等外部系统工程的摩擦力制约。

　　5．行业空间测算

　　5.1　市场空间

　　市场空间测算的关键不是数字本身，而是数字背后的证据级别。本报告对每一个关键数据点标注来源与可信度，避免在不确定的基础上做精确建模。

　　中国 CSP CapEx 拆解与国产芯片需求传导。中国头部互联网/云厂商正持续加大AI相关基础设施投入，但各公司披露口径差异较大，难以直接横向相加。阿里巴巴于2025年2月公开宣布未来三年将投入超过3800亿元用于云与AI基础设施建设；同时其FY2026（截至2026年3月31日）披露的资本开支为1261亿元。腾讯2026年的资本开支预期基本也在1300-1600亿，字节跳动第三方估算其2025年资本开支约1600亿元（不含海外），其中900亿用于AI算力采购，700亿用于IDC建设。

　　从供给侧看，IDC统计2025年中国AI加速卡总出货量约400万张，其中国内厂商合计约165万张、份额约41%，国产供给已进入“百万张级”出货规模。因此可用“云厂商投入→AI加速卡出货→国产份额提升”的公开数据链条，来刻画国产芯片可获取的市场空间变化方向。

　　在需求侧，token调用量的公开数据也显示推理负载快速增长：国家数据局披露我国日均Token调用量从2024年初约1000亿增长至2025年底约100万亿，并在2026年3月超过140万亿；公开材料亦提到豆包大模型日均Token使用量突破120万亿。在供给侧，产业研究普遍认为HBM供给、先进封装产能与数据中心电力/散热等，将成为影响AI基础设施扩张节奏的重要约束变量。

　　5.2　需求驱动的结构分析

　　AI 算力需求的结构性增长来自三个层次：训练需求（基础层）、推理需求（爆发层，规模超过训练）、端侧 AI 部署（长尾增量）。

　　5.3　国产替代渗透的关键驱动与制约

　　由于出口管制持续限制英伟达向中国供应最先进芯片（路透社数据显示英伟达中国份额已从约95%降至约55%）；国有算力采购国产化率要求形成制度性红利；国内HBM2e量产改善供应链安全。

　　华为昇腾是平头哥/昆仑芯在国产市场最大的对手，但其实际产能受HBM严格制约。SemiAnalysis测算华为2025年出货约80.5万颗昇腾（其中910C约65.3万颗），但由于国内CXMT2026年仅能供应约200万颗HBM堆栈（仅够25-30万颗910C封装），若无新增进口HBM，2026年昇腾封装产能上限约25—30万颗。这意味着华为占国产出货近半的份额判断需要按HBM约束后的有效交付而非晶圆产出来理解。

　　华为CloudMatrix 384（384颗910C全互联，对标NVL72）的密集BF16算力约300PFLOPs（约为NVL72的2倍），但单pod功耗约559kW，是NVL72（145kW）的3.8倍，单位算力能耗约差2.3倍。其单颗910C性能约为Nvidia Blackwell的1/3，靠5倍的芯片数量弥补规模。结论：昇腾在卡数×集群规模上可对冲单卡代差，但能效与软件（CANN vs CUDA，DeepSeek曾反映在昇腾上难以获得可接受性能）仍是结构性短板，这恰是平头哥ICNSwitch超节点、昆仑芯天池超节点要抢占的窗口期。

　　6．利润率改善路径

　　6.1 AI 芯片利润率结构

　　6.2 利润率改善的三阶段模型

　　基于对AI芯片行业盈利规律的梳理，我们将公司利润率改善路径划分为三个递进阶段，核心逻辑遵循“规模摊薄→结构优化→生态溢价”的演进框架。1）规模驱动期（当前阶段），核心逻辑是以量换价，固定成本摊薄驱动边际改善。本阶段公司仍处于商业化爬坡的关键窗口期，盈利改善主要依赖于硬件出货量的规模效应释放。随着集群级订单进入密集交付周期，NRE等前期沉没成本将在更大出货基数上实现快速摊薄，单位经济模型持续优化。同时，外部客户收入占比的稳步提升将验证公司独立商业化造血能力，降低对关联方收入的结构性依赖。主要制约因素是研发费用率及市场拓展期销售费用率仍维持阶段性高位，短期内对利润表形成压制。综合判断，本阶段净利率将由负值区间逐步收窄，趋近盈亏平衡临界点。需重点跟踪的催化剂：①大客户规模采购合同的落地节奏与兑现进度；②万卡级集群的端到端交付能力与稳定性验证。

　　2）结构优化期，核心逻辑是产品矩阵成熟叠加软件商业化，驱动收入结构升级。随着硬件产品线进入技术成熟期，研发边际投入增速放缓，费用端压力有望实质性缓解。更关键的是，软件栈及工具链的商业化落地将打开第二增长曲线，集群级解决方案的打包交付模式有望带来显著的产品组合溢价，推动综合毛利率结构性上行。IPO完成后，资本实力的增强将进一步改善研发投入的可持续性，同时外部市场的独立定价能力将成为检验产品竞争力的核心标尺。预计本阶段净利率有望进入盈利通道。需重点跟踪的催化剂：①IPO融资落地后研发与资本开支节奏的改善；②外部客户独立定价体系的市场验证与毛利率兑现情况。

　　3）生态收益期，核心逻辑是IP授权与软件栈贡献高毛利增量，生态壁垒构筑长期定价权。进入生态成熟期后，公司盈利模型将发生质变：IP授权及软件栈等高毛利业务的收入贡献占比显著提升，推动整体利润率向平台型公司靠拢。同时，集群生态的深度部署将形成显著的客户转换成本与生态锁定效应，为公司构筑中长期竞争壁垒。参照可比公司寒武纪2025年修正后的盈利上限，预计本阶段净利率有望触及25%–35%区间。需重点跟踪的催化剂：①软件栈及开发工具链是否演进为行业事实标准；②国产算力生态的成熟度与下游应用渗透率的共振提升。

　　投资评价和建议

　　1）EDA断供风险：全球 EDA 市场由三家公司主导：Synopsys（数字前端与验证）、Cadence（模拟与验证）、Siemens EDA（物理实现）。每颗先进芯片的设计都依赖这三家的软件工具链。AI 需求驱动芯片设计复杂度爆炸，硅面积和功耗持续增长，EDA 工具依赖程度进一步加剧。EDA 工具的影响存在显著的‘制程梯度’：28nm 及以上华大九天等可覆盖主要环节，影响小；14nm 部分可用，昆仑芯 K 系列风险可控；7nm 的前端（综合/布局）部分可用，但后端签核（sign-off，时序/功耗/可靠性验证）工具仍有缺口，将直接影响真武 M890、P800 后续版本设计；5nm 缺口更大，倚天 710 后续迭代高度依赖外部 EDA。

　　2）软件生态风险：英伟达 CUDA 生态已积累逾 15 年。国产兼容层在极端工程场景（大规模自定义算子、复杂模型拓扑、数值精度敏感任务）下的稳定性，仍需通过持续的公开基准测试和更广泛的客户案例来验证。软件生态成熟度是决定国产芯片能否从政策采购标的升级为市场化主动选择的变量。

　　3）中立性风险：平头哥100%由阿里持有，昆仑芯被百度控股。两家公司的核心客户仍然是母公司，而阿里、百度本身作为主要云服务提供商/模型研发商与其他芯片客户存在直接竞争关系，可能影响芯片的商务拓展。

　　4）市场竞争风险：若Nvidia/AMD等GPU期间获批准入可能对于现有国产芯片公司的业务造成压力。另外，芯片迭代周期普遍较长，若技术路线选择偏误，可能导致芯片性能/成本持续落后，产品失去竞争力，当期财务业绩对于未来发展前景的指示意义较弱。

　　5）模型竞争力风险：芯片设计仍然需要适应下游模型架构调整，业务场景需求，若阿里/百度模型影响力下降，芯片团队面临跟随母公司研发方向/迎合外部模型发展的选择，可能分散研发资源导致业务竞争力受损。

　　于伯韬：海外研究首席分析师，FRM，香港大学金融学硕士，2020年加入中信建投海外研究团队，2018-2020年就职于长江证券研究所海外团队，2025/2024/2021/2020年新财富港股及海外方向第五名，2022年新浪金麒麟港股及海外市场最佳分析师第三名，2020年新浪金麒麟港股及海外市场新锐分析师第一名。

　　许悦：海外研究员，南洋理工大学硕士，专注于港股互联网及美股软件研究，2022年加入中信建投海外前瞻组，2023年新浪金麒麟港股及海外市场菁英分析师第二名，2023-24第十七届、十八届水晶球最佳分析师海外行业入围，2024-25年度新财富海外研究团队第五名。