2025.7.16计算机行业观察

核心观点

AI ASIC 在价格、功耗方面优势显著，市场规模正快速增长；谷歌 TPU 的发展呈现出专用性增强、算力与集群能力提升、能效比提高三大趋势。香港《稳定币条例》落地，稳定币在跨境支付和 RWA 领域潜力巨大。投资上看好 AI ASIC 及稳定币相关板块。

AI ASIC 芯片：市场规模快速增长，三大发展趋势逐渐明朗

AI ASIC 芯片：价格、功率优势明显，市场规模快速增长

1. AI 芯片分类及发展阶段

2. 分类：主要包括 CPU、GPU、FPGA、ASIC 等。ASIC 具有性能高、体积小、功率低的特点。

3. 发展阶段：从 CPU 满足基础算力，到 GPU 借助 CUDA 架构大规模应用于 AI 领域，再到 2016 年谷歌发布 TPU（ASIC 类），ASIC 凭借克服 GPU 价格高、功耗大的优势，成为 AI 芯片重要分支。

4. AI ASIC 的优势

5. 价格优势：2024 年 GPU 平均单价为 8001 美元，AI ASIC 平均单价为 5236 美元。预计 2030 年 GPU 和 AI ASIC 平均单价分别为 10667 美元、5851 美元，AI ASIC 价格优势持续明显。2022-2024 年 GPU 平均单价 CAGR 为 53.1%，2025 年后稳中有升，而 AI ASIC 平均单价基本维稳。

6. 功耗优势：AI ASIC 为特定任务优化，同等算力下功率更低。例如 Amazon 的 ASIC 芯片 Trainium 2 与 AMD 的 MI300A 相比，谷歌 TPU v6 与 AMD 的 MI325 相比，Intel 的 Gaudi3 与英伟达的 Blackwll Ultra 相比，均体现出能耗优势。

7. 市场规模与出货量

8. 市场规模：2024 年 GPU、AI ASIC 芯片市场规模分别为 701 亿、148 亿美金，预计 2030 年分别增长至 3263 亿、838 亿美金，2024-2030 年 CAGR 分别为 29.2%、33.5%。

9. 出货量：2024 年 GPU、AI ASIC 芯片出货量分别为 876 万、283 万颗，预计 2030 年增长至 2982 万、1431 万颗，2024-2030 年 CAGR 分别为 22.6%、31.0%，AI ASIC 芯片占比稳步提升。

10. 分领域表现：在训练、训练 & 推理双用 AI 芯片领域，ASIC 增速快于 GPU。2024 年训练用 AI 芯片 TAM 中，GPU、ASIC 分别为 350 亿、66 亿美金，预计 2030 年分别达 1559 亿、354 亿美金，CAGR 分别为 28.3%、32.3%；推理用 AI 芯片 2024 年 TAM 中，GPU、ASIC 分别为 119 亿、44 亿美金，2030 年分别达 1392 亿、272 亿美金，CAGR 分别为 50.7%、35.5%；训练 & 推理双用 AI 芯片 2024 年 TAM 中，GPU、ASIC 分别为 231 亿、39 亿美金，2030 年分别达 312 亿、212 亿美金，CAGR 分别为 5.1%、32.6%。24Q4 英伟达、博通、AMD、Marvell、英特尔 AI 芯片收入占比分别为 86.5%、7.6%、4.5%、1.3%、0.1%，AI ASIC 芯片（博通、Marvell、英特尔）占比为 9.0%。

复盘谷歌 TPU：更专用、强算力、大集群、高能效

1. 谷歌 TPU 发展历程及各版本特点

2. TPU v1（2015 年）：仅用于推理，带来 15-30 倍性能提升和 30-80 倍能效提升。主要包括统一缓冲器、矩阵乘法单元等，统一缓冲器和矩阵乘法单元面积占比合计达 53%。

3. TPU v2（2018 年）：可用于训练和推理，架构大规模更新。将两个独立缓冲区合并为 Vector Memory，添加可编程 Vector Unit，用 HBM 替代 DDR3，增加 Interconnect 模块以支持集群方案。内核数量增至 2 个，提升 MXU 利用率。

4. TPU v3（2020 年）：延续 v2 架构，矩阵乘法单元数量翻倍，时钟频率加快 30%，内存带宽加大 30%，HBM 容量翻倍，芯片间带宽扩大 30%，可连接节点数为先前 4 倍。首次采用液冷技术，峰值算力为 TPU v2 的 2.67 倍，TDP 仅为其 1.61 倍。

5. TPU v4（2022 年）：采用 7nm 工艺，包含 2 个 TensorCore，每个含 4 个 MXU（为 TPU v3 的 2 倍），HBM 带宽提升至 1200GBps（提升 33.33%），峰值算力达 275TFLOPS（为 TPU v3 的 2.24 倍）。提出 Cube 互联架构，采用可重配置光互连技术，性能提升至先前的 1.2-2.3 倍，性能优于英伟达 A100，功耗管理优于 H100。

6. TPU v5（2023 年）：分为 v5e 和 v5p。v5e 训推一体，强调成本效益，HBM 显存和带宽降低，单 TensorCore 架构，每美元推理性价比提升 2.5 倍，推理延迟降低 1.7 倍，可拓展至 256 颗芯片运行 2 万亿参数大模型；v5p 专注超大基础模型训练，单一 Pod 芯片数量从 4096 颗增至 8960 颗，单卡算力、HBM 显存为 TPU v4 的 2 倍、3 倍，训练速度是 TPU v4 的 2.8 倍（以 GPT-3 为例），每美元性价比是其 2.1 倍。

7. TPU v6（2024 年，Trillium）：训推一体，各精度算力、HBM 等大幅提升。3072 个 Trillium（12 个 Pod）对 GPT-3 预训练拓展效率达 99%；对 GPT-3、Llama-2 等训练速度分别提升 3.24、4.0 倍，Stable Diffusion XL 离线推理相对吞吐量提高 3.1 倍，服务器推理提高 2.9 倍；生成一千张图像成本比 TPU v5e 低 22%-27%。

8. TPU v7（2025 年，Ironwood）：为大规模 AI 模型提供动力，单芯片峰值 Flops 达 4614TFLOPS（约为 TPU v5p 的 10 倍），HBM 容量、芯片间互联带宽分别达 192GB、1.2TBps，单 Pod 尺寸拓展至 9216 颗芯片。峰值能效是 Trillium 的 2 倍，是 TPU v2 的 29.3 倍。

9. AI ASIC 芯片发展趋势

10. 专用性持续增强，颗粒度更细：从 TPU v1 仅支持推理，到 v2 支持训练和推理，再到 v5 及后续版本细分应用场景，如 v5e 强调成本效益，v5p 专注超大模型训练。

11. 更强的算力、HBM 和集群能力：单卡算力持续提升，采用更领先的 HBM 应对多模态任务，单 POD 芯片数量增加，集群拓展效率接近线性。

12. 能效比持续提升：如 Ironwood 峰值能效显著提升，且 TPU v3 开始配套液冷等新一代冷却方式。

稳定币：香港政策落地，观察板块投资机会

香港《稳定币条例》落地，以合规框架激活数字金融创新

1. 稳定币定义与类型：稳定币旨在与某些资产维持稳定价值，主要类型包括法币支持型（如 USDC、USDT）、加密货币支持型、商品支持型和算法型等，其中 USDT、USDC 等中心化美元稳定币占主导。

2. 《稳定币条例》核心内容：2025 年 5 月 21 日通过，统一发牌制度（由香港金融管理局发牌，发行人实缴资本≥2500 万港元）；储备资产隔离（100% 锚定高流动性资产，月度披露）；多法币兼容（允许非港元稳定币流通，支持港元稳定币发行）。

3. 主要受益方：“沙盒” 参与者（如京东币链、渣打银行）、跨境支付服务提供商（如华峰超纤、青岛金王）、RWA 项目方（如协鑫能科、郎新集团）。

稳定币蓬勃发展，跨境支付 + RWA 有望受益

1. 跨境支付优势

2. 交易速度：稳定币基于区块链点对点传输，几秒至几十秒内完成，7×24 小时运作，绕开 SWIFT 体系低效性（传统跨境汇款耗时 1-3 天）。

3. 成本：单笔成本可压缩至 1 美元以内，低于传统的 5%-10% 手续费。

4. 减少限制：作为 “中间货币” 完成多边兑换，减少汇率损失。

5. 普惠性：使无银行账户人群通过智能手机使用，2023 年非洲数字支付注册账户达 8.56 亿个，占全球五成，贡献 70% 以上增长。

6. 赋能 RWA 资产链上化与全球流通：稳定币通过价值锚定、效率革命、合规护航、流动性激活，破解 RWA 项目痛点。案例包括郎新集团将充电桩作为 RWA 锚定资产，协鑫能科以光伏电站发行 RWA 代币募资 2 亿元，元隆雅图开拓 IP 文创周边 RWA 全球市场等，推动传统资产数字化转型。

投资分析与风险提示

1. 投资分析：全球 AI ASIC 快速发展，国内受芯片禁令影响，互联网大厂可能转向 AI ASIC，服务器厂商受益，相关公司海光信息等；香港《稳定币条例》落地，稳定币提升跨境支付效率，相关公司新大陆等。

2. 风险提示：互联网大厂 AI ASIC 研发进展不及预期；云厂商资本开支投入不及预期；稳定币发行进展不及预期。

重点公司盈利预测

公司代码	公司名称	昨收盘（元）	总市值（百万元）	EPS（2025E）	EPS（2026E）	PE（2025E）	PE（2026E）
688041	海光信息	136.10	316342	1.69	2.36	80.53	57.67
000997	新大陆	32.71	33759	1.18	1.42