1 ) 2026年1月6日马斯克在德州超级工厂接受Moonshots播客访谈的公开内容，它的三个最具冲击力的预言（被广泛称为振动世界的预言 ）

　　它的预言仅是一种先知先觉,不一定对,而对于现实世界的我们,从中需激发正能量，更不能丧失信心，让AI真正成为人类的协同伙伴。

　　马斯克预测，线年所有AI的智能总和将超越全人类。他认为这不是遥远的未来，而是我们已身处奇点之中的进行时状态。AGI意味着AI能像人类一样理解、学习、推理并解决任何智力任务，而非局限于特定领域。支撑这一判断的核心依据包括：AI芯片性能的指数级增长（每年约10倍）、算法效率的持续突破、算力规模的快速扩张，以及AI开始自我改进的递归效应（AI设计下一代AI芯片）。

　　马斯克颠覆性地指出，AI发展的最大障碍已从芯片转向电力供应。他提出瓦特即货币的观点——未来真正的硬通货是能源（功率），而非传统货币。一台xAI超级计算机需消耗1GW电力（相当于30万户家庭用电），而全球电力年增速仅3-4%，远低于算力需求增长。他特别强调中国在能源基建上的优势（2026年发电量或达美国3倍），并认为太阳能是终极解决方案（太空太阳能效率是地面5倍）。这一预言的核心逻辑是：没有足够的瓦特，再先进的芯片也无法驱动。

　　马斯克警告，2026-2033年将是颠簸的过渡期：一方面，AI和机器人将带来生产力爆炸，物质极度丰裕，商品成本趋近于零；另一方面，传统职业结构（尤其是白领工作）将加速崩塌，社会规则面临重构，可能引发广泛焦虑和社会动荡。他预测，除了必须动手操作的工作，AI已能胜任一半以上的白领工作，且这一进程没有开关能关闭。这种丰裕与动荡并存的矛盾状态，将是普通人最直接的挑战。

　　核心能力迁移：放弃单纯的知识积累（AI已能瞬间掌握），转向培养AI难以替代的能力：创造力、批判性思维、复杂问题解决、共情力、跨领域整合能力。

　　实践导向学习：通过项目制学习、实际应用场景，而非传统课堂教育。马斯克直言大学教育已落后于AI发展，未来价值在于实战经验而非学历。

　　避开易被替代的岗位：数据录入、基础文案、重复性分析等纯信息处理工作将快速消失。优先选择需要人类特质（情感交流、创意、伦理判断）或物理操作（手工艺、护理）的领域。

　　关注新兴职业机会：AI指挥官（整合AI产出的超级个体）、人机交互设计师、算法伦理顾问、AI训练师、机器人维护等岗位需求将爆发。这些岗位要求专业+AI工具的双重能力。

　　发展一人公司模式：利用AI工具降低创业门槛，个人或小团队可完成过去大公司才能完成的项目。但需警惕：竞争门槛降低也意味着竞争更激烈。

　　重新理解钱的价值：马斯克建议别为退休存钱的激进观点，本质是预判未来物质成本极低，但前提是你能适应新经济规则。更务实的建议是：将资金投入自我提升（学习新技能、健康投资），而非单纯储蓄。

　　警惕过渡期风险：3-7年的社会动荡期可能伴随失业潮、资产价格波动。保持财务弹性（6-12个月应急资金），避免高杠杆投资。

　　关注能源与科技领域：长期看，能源、AI基础设施、太空技术等将是核心增长点，但普通投资者需谨慎评估风险。

　　探索全民基本收入或普遍高收入方案（马斯克更倾向后者，即通过生产力提升实现财富普惠，而非政府发钱）。

　　时间表可能过于激进：AGI在2026年实现是马斯克的个人判断，多数AI专家认为这一时间点过于乐观（主流预测在2030-2040年）。技术突破存在不可预测性，实际进展可能更快或更慢。

　　社会影响可能被简化：马斯克描述的丰裕时代忽略了分配不均、权力集中、文化冲突等复杂问题。技术变革不会自动带来社会和谐，需要制度设计和价值共识。

　　个人应对需因地制宜：上述建议是通用框架，具体策略需结合个人所处行业、年龄、资源禀赋调整。例如，年轻人和中年人的转型路径完全不同。

　　最终建议：保持开放心态，持续学习，但不必过度焦虑。技术变革是渐进过程，而非一夜之间。与其被动等待预言成真，不如主动了解AI工具、思考自身优势如何与新技术结合。历史上每次技术革命都创造了新机会，关键是在变化中找到自己的位置。

　　据悉，2025年全球芯片设备制造厂商前20名中，共有3家中国企业上榜，分别为北方华创科技集团股份有限公司、中微半导体设备（上海）股份有限公司、上海微电子装备（集团）股份有限公司（SMEE）。

　　营收方面，北方华创从2022年的全球第8位攀升至2025年的第5位，仅次于荷兰阿斯麦、美国应用材料、美国泛林集团与日本东京电子，稳居全球第一梯队。

　　中微半导体设备为本次新入围企业，位列全球第13位。该公司核心刻蚀设备已可应用于5纳米芯片制程，与全球顶尖技术水平差距大幅缩小。上海微电子装备（SMEE）排名第20位，主营光刻设备研发生产，负责将电路图形转移至晶圆，是芯片制造中决定芯片性能的核心环节。

　　尽管其产品代际与全球光刻龙头阿斯麦仍存在差距，但作为国内稀缺的光刻设备供应商，始终拥有稳定的市场需求。值得一提的是，若将范围扩大至排名前30名的企业，还将新增两家中国企业——盛美半导体设备（上海）股份有限公司和华海清科股份有限公司。

　　据国内资料2025年销售额全球排名北方华创约35-40亿美元（约合人民币250-280亿元）第5位中微公司约15-18亿美元（约合人民币105-125亿元）及第13位上海微电子装备约8-10亿美元（约合人民币55-70亿元）第20位。

　　美国对华科技打压策略接连调整：先有《远程访问安全法案》设立，禁止中国企业通过云服务远程访问美国超算技术；再有英伟达H200等降级版芯片有条件解禁，成为美国在遏制中国人工智能发展和维护美国芯片企业利益之间的折中方案。

　　两项政策分别从实体芯片出口和云端算力访问维度，共同构成了美国对华高端算力管控的组合策略。显然，在全球化AI竞速中，这种策略性压制不是第一次，更不会是最后一次。

　　面向持续发酵的制裁风险，是抓大放小停留在“躯干”国产化组装下的虚假繁荣，还是坚持攻坚最后一公里完成100%自主的长征，这将直接影响到未来国内服务器供应链体系安全，更或决定着我们在AI竞赛中，是否会因最细微的“毛细血管”栓塞而功亏一篑。

　　在“AI定义一切”的时代，算力即是国力。尤其在高端算力竞争中，美国近期推出的两项管制策略，无不显示出对中国高端算力发展的“投鼠忌器”。

　　可以看到，在关键核心技术环节，美方的围堵封锁从未松绑。如《远程访问安全法案》进一步填补了美国出口管制体系在云端算力领域的漏洞，国内企业获取先进算力越发艰难。

　　另一方面，无限制的科技打压也在倒逼国产算力崛起。正如黄仁勋所言，“过度管制为中国芯片产业创造了替代窗口”。对面开始有意识的转向“精准制裁”。

　　将服务器比作人体，CPU是“大脑”，操作系统是“灵魂”，而负责数据高速流转、存储和系统联动的核心I/O部件——如RAID/HBA存储控制芯片、高速网卡芯片、PCIe交换芯片，则是维系生命的“心血管系统”和“神经网络”。

　　目前，在大量国产服务器中，这套“神经血管系统”仍严重依赖个别国际巨头的方案。这些部件深藏在主板和扩展卡中，不显山露水，却实际掌控着数据存取的路径、高速网络的吞吐以及异构计算（如CPU与GPU）协同的效率。

　　它们就是那最后、也是最致命的1%。一块非自主的RAID卡固件，可能就是整个金融数据库的“后门”；一颗受制于人的网卡芯片，或许就是AI训练集群的“性能锁”。

　　美国的历次算力制裁，其精准与残酷之处正在于，它并非意图彻底扼杀中国获得算力，而是通过控制最顶尖、最核心的部件级产品技术，将我们锁死产业链“组装层”和“应用层”。

　　H200的适度供应只是一个缩影。即使我们能用国产CPU/GPU造出服务器“躯干”，但承载万亿参数模型数据流的“血管”（网卡）和负责海量训练数据持久化的“心脏瓣膜”（存储控制器）无法自主，那么国产高端算力的效能上限与安全底线，依然握在别人手中。

　　近一年来，AI成了资本宠儿，制造和设备投资日渐稀少。中国半导体是不是到了下半场——转换发展逻辑，更换投资赛道，甚至将设备和制造这对首发放到替补席上？

　　目前国产替代跨过舒适区，进入攻坚阶段，技术突破很难如一般人想象地那样有“势如破竹”之势。以至于虽然成熟制程技术显著提升，设备国产化高速增长，但资本市场眼中貌似国产替代已经“空间有限”。

　　半导体新旧技术都在不停迭代——高速奔跑在原来的赛道上；半导体产业长期稳定增长，国产替代任重道远——原来的产业逻辑分毫未改。所以半导体没有下半场，只有新阶段，只有永远要上场。

　　半导体长期持续稳定增长，证明现在发展逻辑完全正确。过去20年全球半导体行业的复合增幅约6%-7%，从现在到2030年复合增长率约为8%-11%。而国产半导体过去5年的复合增长率约为15%-20%，而从现在到2030年复合增长率将为10%-15%。

　　虽然AI领域的国产化率很高，长期的复合增速很高，但是AI时代短期内我们在一定维度上与国际先进的差距在加大。由于AI产业发展，全球半导体的产值加速向头部先进技术聚集，越先进芯片单价越高。这导致中国半导体产值在全球占比并没有如我们想象的那样线性增长，而是略有衰退，2025年中国半导体产值的全球占比相比2024年大概有3%的下降。虽然我们的成长趋势没有出现问题，复合增速也没有问题，但短期的差距无法忽视。这凸显了我们的进步大部分局限于价值较低的成熟制程，尽管可以制造AI算力芯片，但国产设备被卡脖子的难题也因此更加突出。

　　所以国内的算力芯片、先进封装、HBM等方面全面发展，虽与国际企业相比有差距，但是基本支撑起来国内市场，不需要过去那样做尾随式的国产替代。但是中外AI的技术差距还是非常明显，我们虽然占据了国内市场，但是技术上仍然处在追赶位置，从逻辑上讲仍然是国产替代。

　　中国作为全球第一制造大国，制造门类庞杂，规模巨大，在智能化时代，比任何经济体都更加倚重芯片。而中国对芯片的首要诉求一直都不是质量更好，而是芯片有无。这就决定了中国半导体的核心只能是制造和设备，尤其外部环境瞬息万变，国际供应链极端脆弱时，我们必须全力支持设备和制造。

　　目前H200进入国内的消息满天飞，这是因为短期内我们可以用相对落后的芯片发展AI产业，但是如果设备问题长期不能得到解决，导致AI技术大幅落后国际先进水平是我们无法承受之重。所以越是AI大发展，设备与制造的国产替代相比过去更加紧迫，对设备和制造的扶持力度更要加强。

　　资本市场的喜好有其自身特点，但我们不能因为乱花迷眼而乱了方寸。AI实实在在地助推了中国半导体的发展，让中国半导体在爬坡阶段来了一次空中加油，但也加剧了国产替代的紧迫性。中国半导体的核心任务依然是国产替代，我们需要持续加大在设备和制造方面的投入，需要耐心资本坚决锚定国产替代。中国半导体没有进入下半场，面对如此历久弥新的伟大产业，聪明资本应该永远留在场上，不断迎接新的机遇。

　　在全球存储芯片持续紧缺、AI驱动需求激增的背景下，中国领先的NAND Flash制造商——长江存储（YMTC）正以惊人速度推进其武汉三期晶圆厂建设。

　　据业内最新消息，原定于2027年实现量产的三期项目，有望提前至2026年下半年正式启动，比原计划整整提前一年。

　　长江存储三期项目于2025年9月正式动工，由长江存储与湖北国资联合出资成立的“长存三期（武汉）集成电路有限责任公司”主导，注册资本高达207.2亿元。项目自启动以来进展迅猛：截至2026年初，工地已进入洁净厂房设备安装阶段，生产设备采购与产线调试同步展开。从破土动工到设备搬入仅用一年多时间，在半导体行业极为罕见，凸显其“边建厂、边投产”的高效策略。

　　数据显示，长江存储全球市占率已从2024年的9%跃升至2025年第三季度的13%，首次突破10%大关。若三期项目如期在2026年下半年量产，其市场份额有望冲击15%以上，进一步逼近全球前四。

　　尤为关键的是，长江存储的增长并非依赖低价倾销，而是建立在扎实的技术创新之上。其独创的Xtacking架构已迭代至3.0甚至4.0版本，在3D NAND堆叠层数、读写速度和能效比方面达到国际一线水平。目前，其产品良率与可靠性获得客户高度认可，旗下消费品牌“致态”连续两年蝉联京东SSD品类双十一大促销量与GMV冠军，印证了市场对其品质的信任。

　　在知识产权方面，长江存储已积累超11,000项专利，其中绝大多数为发明专利。更值得注意的是，连三星电子都曾向其购买用于400层以上3D NAND制造的混合键合（Hybrid Bonding）相关专利，足见其技术影响力已获国际巨头认可。

　　值得强调的是，这一切成就均是在美国将其列入实体清单、严格限制美系设备与材料出口的严峻环境下取得的。长江存储通过构建“去美化”产线，大量采用国产刻蚀机、薄膜沉积设备、清洗机等，成功实现供应链自主可控。这也得益于近年来中国半导体设备与材料企业的快速进步，以及NAND Flash本身对极紫外光刻（EUV）等尖端制程依赖较低的特性。

　　据多家媒体报道，马斯克团队近期密集走访中国多家光伏重镇企业，考察项目覆盖设备、硅片、电池组件等全产业链环节，重点瞄准异质结（HJT，Heterojunction Technology）和钙钛矿技术路线。

　　此前市场上就已经流传了相关消息：SpaceX 与国内 HJT 整线设备龙头迈为股份敲定约 5 亿美元的设备订单，对应约 7GW 异质结年产能。虽然迈为股份对此始终不置可否，但公司股价已在短短两个月内翻了三倍多。与此同时，特斯拉团队也在密集对接中国光伏设备厂商。

　　这个数字意味着什么？2024 年美国全年光伏新增装机量约为 50GW，马斯克的计划相当于在三年内将美国的光伏产能翻两倍。更值得关注的是，这 200GW 产能的核心应用场景并非传统的地面发电，而是指向两个新兴领域：AI 数据中心供电和太空算力中心。

　　马斯克认为，当前 AI 的爆发式增长正在制造前所未有的能源缺口。一个大型 AI 数据中心的年耗电量可达数十万 MWh，传统地面电网已经难以承载这种规模的需求增长。与此同时，SpaceX 的星链计划正在进入规模化部署阶段，每颗卫星都需要稳定可靠的供电系统。

　　在稳定供给方面，太空光伏相比地面光伏有着显著优势：太空中没有大气层遮挡、没有昼夜交替、没有天气干扰，年发电小时数是地面的 7 到 10 倍。在近地轨道，光伏组件可以实现 24 小时不间断发电，这对于需要持续运转的太空数据中心和卫星星座而言是刚需。

　　1 月 22 日，在达沃斯论坛上，马斯克抛出了一个宏大计划：SpaceX 与特斯拉将在未来三年内，于美国本土建设总计 200GW 的光伏产能，其中太空光伏与地面光伏各占 100GW。

　　在硅片环节，中国企业的产能占全球的 92%，形成了绝对的主导地位。在电池和组件环节，中国同样占据超过 80% 的全球市场份额。更关键的是，在光伏设备领域，中国企业同样走在前列。以 HJT 整线设备为例，迈为股份是全球少数具备完整供应能力的厂商，其设备占据市场大量份额，并实现了对外出口。

　　过去十几年，中国光伏产业完成了从三头在外到全球领先的蜕变。所谓三头在外，是指原材料、设备、市场都依赖海外。而如今，中国已经建立起全球最完整、最具竞争力的光伏产业链。

　　因为太空环境也对光伏组件提出了极其苛刻的要求：需要承受正负 150 摄氏度的剧烈温差循环、高能宇宙辐射、高真空环境，同时还必须实现极致的轻量化以降低发射成本。传统的砷化镓电池虽然效率高、抗辐射性能好，但成本高昂，难以支撑大规模部署。

　　这正是马斯克选择 HJT 技术路线的原因。异质结电池具备薄片化、轻量化的特点，可以降低发射载荷，显著降低单位功率的发射成本。同时，HJT 的低温工艺使其具备更好的柔性兼容性，适配新一代卷展式太阳翼。更重要的是，HJT 是钙钛矿叠层电池的最优底电池，具备长期技术演进潜力。

　　配合上 SpaceX 与 xAI 的整合，将形成火箭发射+太空算力+AI 模型的闭环生态——SpaceX 通过星舰低成本发射卫星，在轨数据中心为 xAI 提供海量算力；而特斯拉的储能与能源管理技术，则有望支持这些数据中心在太空中高效利用太阳能持续运行。这一协同效应给了马斯克一个完美的“太空能源”故事，也为 SpaceX 计划于 6 月进行的 IPO 提供了强有力的估值支撑马斯克进一步推断，到 2030 年，SpaceX 将每年部署约 100 万颗太阳能 AI 卫星，届时部署 AI 成本最低的地方将是太空。

　　成本同样是不可忽视的竞争优势。据欧盟委员会测算，中国光伏制造总成本相较欧洲低 35%，较美国低 20%。以光伏组件为例，中国生产的产品较美国和欧盟生产的产品节约成本超过 50%。这种成本差距不是某个单一环节的优势，而是全产业链系统性效率的体现。

　　对于马斯克而言，中国光伏的吸引力还体现在另一个维度：HJT 设备的自动化程度极高，所需人工较少，非常适合在美国本土生产。据接近马斯克团队的消息人士透露，他们正在考虑采购 HJT 电池生产线，因为 HJT 电池产线的自动化程度比较高，需要的人工比较少，适合在美国生产。

　　这意味着，马斯克此次的策略可能是：从中国采购设备，在美国建厂生产。这既能享受美国《通胀削减法案》对本土光伏制造业的补贴支持，又能利用中国设备的技术优势和成本优势。

　　从产业链的角度看，SpaceX 直接采购中国光伏组件的可能性较低，但采购设备的概率较大。一位曾接洽过马斯克团队的光伏企业人士表示：见到了马斯克团队的技术专家，他们主要是为了了解中国相关产业的现状，我认为 SpaceX 不太可能从中国厂家采购光伏组件，买设备的概率比较大。

　　目前，已有多家中国企业进入了 SpaceX 的供应链体系。东方日升已累计向 SpaceX 交付星链卫星电池片 5 万片，计划在 2026 年月度出货量达到 10 万片。乾照光电长期为星链提供砷化镓太阳电池片。赛伍技术已确认供应给 SpaceX，是星链太阳翼封装的关键材料供应商。双良节能为 SpaceX 发射基地液氧加注系统提供高效换热器。

　　如果马斯克的 200GW 产能计划能够落地，对中国光伏设备企业而言将是一个重大利好。据机构测算，200GW 产能对应未来三年年均 60 至 70GW 的设备采购需求，涉及硅片、电池、组件等多个环节，利润体量可能达到 80 至 100 亿元。

　　太空光伏组件的高溢价特性也值得关注。地面光伏组件单价约 0.7 元/W，而太空组件单价可达 100 元/W 以上，是地面产品的 100 多倍。这意味着，一旦进入太空光伏供应链，企业的盈利能力将获得质的提升。有分析指出，东方日升的 HJT 太空电池单瓦盈利超过 1 元，是其地面产品的 10 倍。

　　全球内存市场正处于一场深刻的变革之中。当前的市场表现已非传统的周期性波动，而是行业结构在发生根本性的分化——传统内存与先进内存两大领域均面临资本投入不足的严峻挑战。尽管两者都出现供应短缺，但其背后的成因却截然不同。

　　回顾2023年，诸如DDR2、DDR3、DDR4、LPDDR4等内存，以及MLC、eMMC等闪存产品，尚能获得100%的晶圆厂产能支持。然而，到2025年，这一支持已暴跌至约40%。展望2027至2028年，大多数传统制程节点预计将实际进入其生命周期终点，仅余工业、汽车和国防等利基市场维持少量需求。

　　用于生产这些传统节点的晶圆产出，预计将比2023年减少80%至90%。这并非因为需求消失了，而是因为晶圆厂、设备及研发的投资重点已全面转向服务于人工智能(AI)的先进节点。

　　传统内存并未消亡，它正在向“特种芯片”或“特种硅”的角色转变。在缺乏极紫外(EUV)光刻、混合键合、先进封装等技术推动力的情况下，这些老旧节点在资本回报率上已无法与炙手可热的AI逻辑芯片和高带宽内存(HBM)竞争。因此，即使出货量保持稳定，这类产品的平均售价也将呈现结构性的上涨态势，变得“又少又贵”。

　　与此同时，先进内存(例如DDR5、LPDDR5X、LPDDR6、GDDR7和HBM4E)的供应也受到另一端的制约。它们高度依赖于15纳米以下的DRAM工艺微缩、极紫外光刻、硅通孔(TSV)、混合键合及先进封装等复杂技术，而这些核心资源目前全球性稀缺且良率提升困难。

　　以HBM为例，生产单颗HBM堆叠所消耗的晶圆产能，相当于制造数十颗传统DDR内存芯片。然而，其良率爬升缓慢而艰难。即便预计在2028年前有新的制造工厂投产，这些工厂也无法立即提供成熟、高良率、具备盈利能力并能大规模出货的有效产能。真正有价值的先进内存产能预计将在2028年之后才能释放。

　　由此，内存市场形成了一个悖论性的局面：旧的制程节点因资本撤出而日渐稀缺，而新的制程节点则因技术瓶颈未能及时就位。预计在2025年至2028年间，市场将进入一种“双重短缺”的阵痛期。

　　即使新建了晶圆厂，封装能力和工程调校的滞后，也会拖累其迅速产出可商业化的先进内存。此外，AI加速器对内存带宽的渴求呈指数级增长，生产一颗高带宽内存所消耗的晶圆产能，足以生产数十颗传统的内存芯片。这就导致了需求急速攀升，而供给却被物理法则和工程能力牢牢限制的局面，至少将延续到2028年以后。

　　其影响是深远的。内存不再仅仅是价格周期性涨跌的“普通商品”，它已成为影响人工智能发展、国家竞争力乃至供应链安全的“战略资源”传统的电容式DRAM结构已逼近物理极限，导致缺陷密度增加，良率提升曲线趋于平缓。同时，先进内存高度依赖复杂的2.5D和3D集成方案，例如硅通孔、混合键合及硅中介层。这些工艺需要专门的昂贵设备和稀缺的封装产能，全球仅有少数几家供应商能提供相应能力与传统内存不同，先进内存的短缺源于严峻的技术与物理瓶颈。诸如DDR5、LPDDR6、GDDR7，尤其是各代高带宽内存等尖端产品，在向15纳米以下工艺演进时，正遭遇前所未有的微缩挑战 。

　　在20至30纳米或更老工艺节点上运营的生产线，正面临运营成本上升、设备老化以及工程支持减少等多重压力。当基于极紫外光刻的先进节点成为盈利核心后，旧生产线便会被降低优先级、合并，甚至直接关闭。这导致了供应的“结构性断崖”——工业、汽车、医疗和国防等行业客户依然需要稳定且生命周期长的元器件，但生产这些产品所需的全球制造基础设施却在被逐步拆除。随着HBM等面向AI的先进节点需求激增，主要内存厂商对追加传统节点的投资几乎失去兴趣，即便其价格已强势回升。

　　当DRAM和NAND制造商的投资重新配置，聚焦于由AI驱动的先进技术时，在20-30纳米甚至更老工艺上生产的传统产品，便逐渐失去了经济上的合理性。

　　1. 中芯国际(SMIC)晶圆代工14nm量产，N+1/N+2工艺（等效7nm）中国大陆规模最大、技术最先进的晶圆代工厂，全球前五大代工厂之一。

　　2. 华虹公司晶圆代工特色工艺（功率器件、嵌入式存储）全球最大的功率器件代工厂之一，车规级芯片产能优势突出。

　　3. 长江存储(YMTC)存储芯片IDM3D NAND Flash（Xtacking架构）国内唯一自研自产高端存储芯片企业，技术水平跻身全球前列。

　　4. 长鑫存储存储芯片IDMDRAM（DDR4/DDR5）填补国内高端内存空白，实现DRAM芯片自主可控。

　　5. 晶合集成晶圆代工显示驱动芯片、CIS、PMIC国内显示驱动芯片代工龙头，12英寸晶圆产能领先。

　　6. 华润微IDM模式功率半导体、MEMS覆盖设计、制造、封测全产业链，功率器件领域实力雄厚。

　　7. 积塔半导体晶圆代工车规级功率半导体、特色工艺专注IGBT、碳化硅等车规级芯片，服务新能源汽车市场。

　　8. 芯联集成晶圆代工功率器件、MEMS、射频特色工艺平台布局完善，在多个细分领域具备竞争力小火箭下载安卓手机软件。

　　9. 粤芯半导体晶圆代工模拟芯片、功率器件粤港澳大湾区首家12英寸晶圆制造企业，产能持续扩张。

　　10. 武汉新芯晶圆代工NOR Flash、CIS专注特色存储工艺，在NOR Flash领域具有技术积累 。

　　排名依据：该榜单综合参考了企业技术节点、产能规模、市场占有率、行业影响力等多项指标，其中中芯国际、华虹公司、长江存储、长鑫存储为公认的第一梯队企业。

　　业务模式区分：榜单包含晶圆代工厂（Foundry）和IDM模式企业（设计制造一体化），其中长江存储、长鑫存储、华润微为IDM企业，其余主要为代工企业。

　　根据TrendForce集邦咨询最新存储器产业调查，2026年第一季AI与数据中心需求持续加剧全球存储器供需失衡，原厂议价能力有增无减，TrendForce集邦咨询据此全面上修第一季DRAM、NAND Flash各产品价格季成长幅度，预估整体Conventional DRAM合约价将从一月初公布的季增55-60%，改为上涨90-95%，NAND Flash合约价则从季增33-38%上调至55-60%，并且不排除仍有进一步上修空间。

　　从2005年到2017年——人工智能(AI)时代之前——美国数据中心的电力消耗一直保持着惊人的稳定。尽管云服务的需求呈爆炸式增长，但情况依然如此。Facebook、Netflix等社交网络、实时协作工具、在线商务以及移动应用生态系统都以前所未有的速度发展。然而，服务器效率的持续提升使得总能耗基本保持不变。

　　2017年，AI彻底改变了这一局面。深度学习的快速普及引发了数据中心设计的转变。数据中心开始大量部署耗电量巨大的加速器，主要是GPU，因为它们能够以惊人的速度处理海量的张量运算。随着AI训练和推理工作负载在各行各业的激增，能源需求也随之飙升。

　　到2023年，美国数据中心的电力消耗量比十年前翻了一番，估计美国4.4%的电力都用于数据中心的机架、冷却系统和电力输送基础设施。

　　根据伯克利实验室的报告，从2014年到2024年，数据中心负载增长了两倍，预计到2028年还将翻一番或两番(见图)。该报告估计，届时仅AI工作负载每年消耗的电量就可能相当于美国22%的家庭用电量——这一规模相当于数千万户家庭的用电量。

　　图：预计到2028年，美国数据中心总用电量将比2014年增长十倍。(来源：《2024年美国数据中心能源使用报告》，伯克利实验室)

　　这一发展轨迹引出了一个问题：是什么导致现代AI处理器如此耗能？无论是半导体物理特性、并行计算结构、内存带宽瓶颈还是数据传输效率低下，了解其原因都至关重要。分析当今AI硬件的架构基础，或许能够找到纠正策略，确保计算能力的提升不会以不可持续的能源需求为代价。

　　与传统软件系统(指令以顺序方式执行，每次执行一个时钟周期和一个控制流分支)不同，大型语言模型(LLM)需要对多维张量进行大规模并行处理。必须以惊人的速度从内存中读取数GB大小的矩阵，进行乘法、累加和写回操作。在最先进的模型中，这一过程涉及数千亿到数万亿个参数，每个参数都必须在训练过程中反复评估。

　　如此大规模的模型训练需要将海量数据集输入到成排的GPU服务器中，这些服务器需要连续运行数周甚至数月。计算强度固然巨大，但能源消耗也同样惊人。例如，OpenAI的GPT-4的训练运行估计消耗了约50GWh的电力。这大致相当于为整个旧金山市供电三天。

　　这种巨额的前期能源和资本投入定义了前沿AI的经济模式。模型开发者必须预先承担惊人的训练成本，并希望通过推理模型的广泛应用在后期收回成本。

　　盈利能力取决于推理的效率，推理是指用户与模型交互以生成答案、摘要、图像或决策的阶段。“任何公司要想通过模型赚钱，都只能依靠推理，”微软Azure研究员Esha Choukse指出，她致力于研究如何提高大规模AI推理系统的效率。她的引言出现在2025年5月20日《麻省理工科技评论》的文章《我们算清了AI的能耗：这是你从未听说过的真相》。

　　事实上，业内专家一致强调，推理而非训练正成为AI总能耗的主要驱动因素。这一转变是由实时AI服务的激增所驱动的——每天数百万次的聊天会话、持续的内容生成管道、嵌入生产力工具的AI助手，以及不断扩展的推荐和排名系统。这些工作负载全天候运行，遍布全球各地，跨越数千个数据中心。

　　因此，据估计，目前80%到90%的计算周期都用于AI推理。随着模型规模的不断扩大、用户需求的加速增长以及应用的日益多样化，这种不平衡现象进一步加剧。挑战不再仅仅是降低训练成本，而是要从根本上重新思考支撑大规模推理的处理器架构和内存系统。

　　要理解现代AI处理器的能耗，需要考察两个基本因素：数据处理和数据移动。简单来说，这指的是计算数据和在芯片及其周围的存储层次结构中传输数据之间的区别。

　　乍一看，计算方面似乎概念很简单。在任何AI加速器中，大量的数字逻辑阵列——乘法器、加法器、累加器、激活单元——协同工作，以每秒执行数千万亿次运算。如今，理论峰值性能的衡量标准是千万亿次浮点运算/秒(PFLOPS)，而主要供应商正致力于开发百亿亿次浮点运算/秒(EFLOPS)级别的AI训练系统。

　　然而，真正的工程挑战在于其他方面。能耗的主要来源并非算术运算，而是数据传输。每次处理器必须从缓存或DRAM中获取张量、在计算集群之间交换激活值，或在设备之间同步梯度时，其消耗的能量都比执行底层数学运算高出几个数量级。

　　斯坦福大学Mark Horowitz教授在2014年的一项基础性分析中，以惊人的清晰度量化了这种不平衡。基本的布尔运算仅需极少量的能量——皮焦耳(pJ)量级。一个32位整数加法大约消耗0.1pJ，而一个32位乘法大约消耗3pJ。

　　相比之下，内存操作的能量消耗要高得多。读写寄存器中的单个比特大约需要6pJ，而从DRAM访问64位数据则需要大约2nJ。这意味着简单计算和片外内存访问之间的能量差异接近10,000倍。

　　这种差异在规模化应用中会更加显著。内存请求需要经过的层级越深——从L1缓存到L2缓存，从L2缓存到L3缓存，从L3缓存到高带宽内存(HBM)，最终到DRAM——每个比特的能量成本就越高。对于依赖于大量、带宽密集型张量乘法运算的AI工作负载而言，内存流量消耗的累积能量远远超过算术运算消耗的能量。

　　在从传统的顺序指令处理向如今高度并行、内存主导的张量运算过渡的过程中，数据移动(而非计算)已成为AI处理器功耗的主要驱动因素。这一事实几乎影响着现代AI硬件的每一个架构决策，从封装内庞大的HBM堆栈到复杂的互连架构，例如NVLink、Infinity Fabric和PCIe Gen5/Gen6。

　　例如，AMD的旗舰级CPU Ryzen Threadripper PRO 9995WX(96核192线W。这些芯片的设计目标是实现多功能性——分支逻辑、缓存一致性、系统级控制——而非原始张量吞吐量。

　　相比之下，AI处理器则完全不同。NVIDIA最新的B300加速器自身功耗约为1.4kW。一个完整的NVIDIA DGX B300机架单元，包含八个加速器以及配套基础设施，功耗可达14kW。即使在最有利的比较中，这也意味着每个芯片的功耗增加了4倍——而如果比较完整的服务器配置，这一差距可能会扩大到40倍甚至更多。

　　至关重要的是，这些原始功耗数据仅仅是冰山一角。在数据中心部署AI时，数万个这样的GPU全天候运行，使得能耗的急剧增加成倍放大。

　　然而，在这些惊人的数字背后，隐藏着一个更为重要的行业真相，这个真相很少被公开讨论，供应商也几乎从未透露过。

　　据我所知，没有一家主流GPU或AI加速器厂商会公布其处理器的实际计算效率，即AI工作负载下实际吞吐量与芯片理论峰值浮点运算能力(FLOPS)的比值。

　　厂商对此的解释是，效率很大程度上取决于软件工作负载；内存访问模式、模型架构、批处理大小、并行化策略和内核实现都会影响利用率。这确实如此，LLM对内存带宽的要求极高，会导致利用率大幅下降。

　　即便承认这些复杂性，厂商仍然拒绝提供任何关于典型实际效率的范围、估算或相关背景信息。结果就是，理论性能被大肆宣传，而实际性能却仍然不透明。

　　系统架构师普遍明白，但很少有人直言不讳地指出，事实很简单：“现代GPU在AI工作负载下的实际利用率低得惊人——通常远低于10%。”

　　标称峰值AI计算能力为1PFLOPS的处理器，在运行GPT-4等前沿规模模型时，实际有效吞吐量可能只有约100TFLOPS。剩余的900TFLOPS并非完全闲置，而是以热能形式耗散，需要庞大的冷却系统，进一步加剧了总能耗。

　　实际上，如今AI处理器中的大部分芯片面积大部分时间都处于闲置状态，受限于内存依赖、同步障碍或带宽瓶颈，而非受限于算术能力。

　　这种结构性低效是前文所述不平衡的直接后果：算术运算成本低廉，但数据传输成本却极其高昂。随着模型规模的扩大和内存占用的激增，这种不平衡会愈演愈烈。

　　如果不从根本上重新思考处理器架构，尤其是内存层次结构，AI系统的能耗将继续以不可持续的方式增长。

　　这项分析得出了一个明确的结论：AI处理器的架构必须从根本上重新思考。CPU和GPU各自在其领域表现出色——CPU擅长通用型、控制密集型计算，GPU擅长大规模并行数值工作负载。但它们都不是为应对现代大规模AI前所未有的数据传输需求而设计的。

　　分层内存缓存是传统CPU设计的基石，其最初的设计目的是为了掩盖快速计算单元和慢速外部存储器之间的延迟差距。它们从未打算支持如今主导AI工作负载的TB级张量运算。

　　GPU继承了这些缓存层次结构，并将其与极其宽的计算阵列相结合，但底层架构的不匹配依然存在。计算单元产生的数据需求远远超过任何缓存层次结构实际能够提供的容量。

　　因此，即使是最先进的AI加速器，其利用率也低得令人尴尬。它们的理论PFLOPS能力大多仍未实现——并非因为数学计算复杂，而是因为数据传输速度不够快，或者数据无法足够靠近计算单元。

　　我们需要的不是在传统设计上叠加新的补丁。相反，必须出现一种全新的面向AI的处理器架构，将数据传输视为首要设计约束，而非事后考虑。这种架构必须基于这样的认识：计算成本低廉，但数据传输成本却高出几个数量级。

　　莫大康：浙江大学校友，求是缘半导体联盟顾问。亲历50年中国半导体产业发展历程的著名学者、行业评论家。

　　求是缘半导体联盟成立于2015年11月，作为跨学科的全球化半导体产业平台，以“促进半导体产业合作和知识共享”为愿景，秉承“开放、共享、国际化、全产业链”的核心理念，助力全球、特别是中国的半导体及相关产业发展。联盟拥有超过437家单位会员和2388名个人会员，在北美、杭州、上海、无锡、常州、深圳、苏州、北京设有联络处。

　　联盟定期举办年度产业峰会活动，不定期开展线上线下专题活动；拥有“一周芯闻”、“求是芯星”、“技术沙龙”、“直播沙龙”、“会员走访”、“会员风采”、“供需发布”等资讯栏目；提供投融资咨询、法律咨询、管理咨询、人力咨询、产业对接、市场拓展等服务；联盟还设立了奖学金，拥有产业投资基金以及产业培训班，以全方位支持会员发展。