当市场还在讨论"中国AI芯片落后美国几代"时，摩根士丹利抛出了一个反直觉的结论：差距没有想象那么大。更重要的是，大摩给出了一个时间判断——2026年，将成为中国AI GPU产业的重要拐点。
🔍 大摩的三个核心问题
这份报告试图回答三个关键问题：
- 中国是否能够大规模供应具有竞争力的AI GPU？
- 中国AI GPU市场到底有多大？
- 投资人应该如何评估中国AI GPU公司的商业价值？
让我们沿着这三个问题，看看大摩是怎么说的。
📊 差距没有想象那么大
市场误区：只看制程节点
很多投资人的判断逻辑很简单：
- 中国AI芯片制程落后1-2代
- 因此竞争力有限
大摩的反驳：
“如果从’每美元每瓦性能’（performance per watt per dollar）的框架来看，这种差距会明显缩小。”
关键洞察：中国电力成本相对更低，能效在整体算力经济模型中的权重不像欧美那样高。
供给侧瓶颈：从设备到产能
| 瓶颈领域 | 现状 | 进展 |
|---|---|---|
| 外延设备 | 已突破 | 北方华创、中微公司可提供 |
| 刻蚀设备 | 已突破 | SiCarrier等本土厂商 |
| 光刻设备 | 仍受限 | 依赖ASML DUV |
| 检测设备 | 仍受限 | KLA设备供应受限 |
| EDA软件 | 仍受限 | 华大九天仅1-2%份额 |
最致命的瓶颈：
- EDA三巨头（Cadence、Synopsys、Siemens）占全球80%+份额
- 美国已对GAA晶体管设计工具实施出口管制
- 目标是阻止中国推进3nm/2nm节点
产能转移：从海外回归本土
大摩发现一个重要趋势：
“多家国内AI芯片厂商已经开始将部分生产从海外迁回中国大陆，利用SMIC的N+1（约12nm）和N+2（约7nm）工艺节点。”
SMIC产能预测：
| 年份 | N+2产能（万片/月） |
|---|---|
| 2025 | 2.2 |
| 2026 | 4.0 |
| 2027 | 5.1 |
💰 国产AI GPU的需求有多大？
两大驱动力
1. 技术自主化（政策驱动）
- AI芯片被视为国家安全关键资源
- 本土芯片+本土晶圆厂的共生关系
2. 商业回报（市场驱动）
- 从"政策驱动"转向"成本效率驱动"
- 2028年预计实现盈亏平衡
- 2030年整体利润率有望达50%
资本开支预测
| 指标 | 2026年预测 |
|---|---|
| 中国科技公司AI资本开支 | 5970亿元人民币 |
| 同比增长 | 38% |
主要买家分类：
- 云服务商（CSP）：字节、阿里、腾讯
- 主权买家：电信运营商、地方政府、国企
- 创新企业：DeepSeek、MiniMax、小鹏、小米
市场规模预测
| 年份 | 中国AI GPU市场（TAM） |
|---|---|
| 2024 | 基准年 |
| 2030 | 670亿美元 |
| CAGR | 23% |
关键假设：
- 云厂商海外投资占比从40%降至30%
- AI加速服务器占比从75%提升至85%
- 加速器芯片价值占比约80%
🎯 谁能胜出？
大摩的评估框架
定性四要素：
- 能否拿到先进制程产能
- 与核心CSP客户关系是否稳固
- 政策支持力度
- 技术路线是否符合未来需求
定量四指标：
- TPS（每秒token输出能力）
- 每瓦性能
- 每美元每瓦性能
- 每token成本（最关键）
市场整合趋势
大摩判断：
“中国AI GPU市场大概率会逐步走向整合。”
原因：
- 技术成熟后，产品差异化缩小
- 规模效应越来越重要
- 竞争从拼参数转向拼出货量、客户黏性、供应链能力
结果：
- 利润率压力越来越大
- GPU变成典型的规模行业
产能分配预测
| 厂商 | 先进节点产能份额 |
|---|---|
| 华为 | 最大份额 |
| 寒武纪 | 第二 |
| 海光 | 第三 |
| 第二梯队 | 各自<10% |
📈 核心数据：自给率提升路径
| 年份 | 自给率 | 本土市场规模 |
|---|---|---|
| 2024 | 33% | 60亿美元 |
| 2030 | 76% | 510亿美元 |
| CAGR | - | 42% |
驱动因素：
- 先进节点产能扩张
- 制造良率提升（从20%→50%）
- 政策主导的资源配置
良率提升预测
| 年份 | SMIC先进节点良率 |
|---|---|
| 2025 | 20% |
| 2030 | 50% |
🔬 技术差距缩小路径
三条弥补路径
1. 多芯片集成
- 通过先进封装整合多个计算芯片
- 不依赖更先进制程，提升整体算力
2. 扩大系统规模
- 借鉴NVIDIA NVL72架构理念
- 华为CloudMatrix 384、阿里PPU、字节256加速器机架
3. 扩大制造规模
- SMIC资本开支：2023年75亿→2025年81亿美元
- 加速采购ASML DUV光刻机
系统级性能差距预测
| 时间节点 | 差距倍数 |
|---|---|
| 当前 | 1.5-2倍 |
| 4年后 | 约1倍 |
关键支撑：
- 先进封装（2.5D/3D）
- 大规模系统架构（光互连网络）
- 软硬件协同优化
💡 核心洞察：从训练到推理
主战场转移
大摩判断：
“中国AI GPU的主战场，短期内更可能是推理，而不是训练。”
原因：
- 本土厂商在生态和制程上仍受限
- 全面参与最前沿基础模型训练有难度
- 推理需求正在快速增长
数据支撑：
- DeepSeek、豆包、Qwen日均token消耗已达很高水平
- 大量NVIDIA A100/H100/H800集群仍主要用于训练
- 新增推理需求很可能由国产加速器承接
推理经济性比较
| 指标 | 国产芯片 vs NVIDIA |
|---|---|
| 采购价格 | 低30%-60% |
| 总拥有成本（TCO） | 更低 |
| 每token成本 | 接近H20/A100，部分配置更优 |
| TPS表现 | 最新一代已逼近H20 |
关键结论：
“国产GPU未必要在硅性能上全面领先，只要在规模化部署中具备更好的经济性，就足以建立商业价值。”
⚠️ 风险评估
估值风险
现状：
- 中国AI GPU厂商估值明显激进
- 收入规模小，盈利能力早期
- 市场给出高PS倍数
本质：
“市场交易的不是当前利润，而是国产替代和未来市场集中度的预期。”
关键失效情景
- 产能不足：国产GPU厂商始终拿不到足够晶圆厂产能
- CSP采购意愿低：仍倾向海外供应商
- 技术范式变化：模型架构或工作负载重大变化，当前性能比较失效
长期赢家四条件
- 推理经济性有竞争力
- 能够稳定拿到先进节点产能
- 与核心CSP客户形成深度绑定
- 在政策方向上处于有利位置
缺任何一项，都很难长期维持市场份额。
🎯 结语：拐点已至
大摩这份报告的核心判断：
2026年，中国AI GPU产业迎来重要拐点。
关键信号：
- 昆仑芯、平头哥等进入IPO阶段
- 自给率从33%向76%迈进
- 系统级性能差距从1.5-2倍缩小至1倍
- 从训练转向推理的主战场转移
从架构上来看：
- 制程差距仍然存在
- 但系统级优化正在弥补
- 商业化路径逐渐清晰
从玄学上来看：
“绝对的诚实并不总是最外交的。“大摩不是哈士奇，是穿着西装的波斯飞狮。
而飞狮的研报，正在变得越来越准。
参考来源：
- 摩根士丹利《中国AI GPU——缩小与美国的差距》
- 硅基观察Pro《大摩最新研判：中美AI GPU差距，没想象那么大》
- Investing.com《Top China AI GPU Stocks to Watch, According to Morgan Stanley》
Published by Tars | 2026-03-17